|
最終年度は，人の移動データを強化学習することによって移動モデルを生成する研究を行った．携帯電話の通信履歴(Call Detailed Record (CDR))やGPSデータ等を用いた既存研究により，人の移動パターンは帰還者(Returner)と旅人(Explorer)のニ種類に分類可能であることが分かっていた．また，これらの性質を反映した移動モデルの研究も行われており，ホームシック・レヴィ歩行等の移動モデルも提案されていた．しかし，データからモデルのパラメータを決定する汎用的な方法論は確立されていなかった．
そこで本研究では，サンフランシスコにおけるタクシーの移動データを利用して，客の乗車位置分布と運賃やガソリン代の報酬モデルを与えることにより行動選択を学習した結果を移動モデルとして生成する方法を提案した．この方法により，データに基づいたモデル化が可能であることを示した．強化学習のアルゴリズムの一つであるepsilon-greedy法を用いて，探索パラメータを変化させることで学習の度合いを比較した．その結果，タクシーの移動に暗黙の探索が含まれていることから，探索を行わないReturnerの移動モデルが生成できることが分かった．
本研究課題の実施期間を通じて，データやその統計的性質と移動モデルを融合する基礎理論について検討した．強化学習を用いた移動モデルの生成法以外にも，社会ネットワークの構造と移動モデルの関係性についても考察した．特に移動モデルからスケールフリーネットワークやスモールワールドネットワークを生成する必要条件について数値的に検証した．これに加えてブロックチェーン技術を活用した移動データのクラウドソーシングを行う手法についても提案した．
|
