Graph Neural Ordinary Differential Equations for Coarse-Grained Socioeconomic Dynamics

要約

私たちは、時空の社会経済ダイナミクスをモデル化するためのデータ駆動型の機械学習アプローチを紹介します。
私たちのモデリング フレームワークは、粗視化および詳細スケールの観察を通じて、重要なシステムの動作を維持しながら、これらの複雑なシステムを一連の扱いやすい機械関係関係 (常微分方程式の形式) に単純化します。
このアプローチにより、情報に基づいた政策立案に不可欠な「もしも」の調査と感度分析を迅速に行うことができます。
メリーランド州ボルチモアの事例研究から得た我々の調査結果は、この機械学習で強化された粗粒度モデルが、社会的要因、地理、外因性ストレス要因の間の複雑な相互作用を解読するための強力な手段として機能し、システム予測に貴重な資産を提供することを示しています。
そしてレジリエンス計画。

要約(オリジナル)

We present a data-driven machine-learning approach for modeling space-time socioeconomic dynamics. Through coarse-graining fine-scale observations, our modeling framework simplifies these complex systems to a set of tractable mechanistic relationships — in the form of ordinary differential equations — while preserving critical system behaviors. This approach allows for expedited ‘what if’ studies and sensitivity analyses, essential for informed policy-making. Our findings, from a case study of Baltimore, MD, indicate that this machine learning-augmented coarse-grained model serves as a powerful instrument for deciphering the complex interactions between social factors, geography, and exogenous stressors, offering a valuable asset for system forecasting and resilience planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google