I det här projektet har vi för avsikt att förstå befolkningsdynamikens faktorer och mönster, tränga in i den mänskliga befolkningsdynamiken ”svarta låda” på en mycket detaljerad rumslig nivå genom att utveckla en förklarlig modell för maskininlärning. Vi avser att utveckla en modell som ådagalägger de inverkande faktorerna för att bättre förstå migrationsmönster (till exempel internationellt, klimatiskt) och förutsäga möjliga migrationstryck. Med samverkan från våra partners är detta arbete helt nytt såtillvida att det ska bygga en modell på rums- och tidsdatamängder om mänskliga befolkningsrörelser.

Förklarliga förutsägelser av migrationseffekter och trendmodellering

De komplexa interaktionerna inom sociodemografiska, klimatiska, ekonomiska miljöer och möjligtvis rättsliga/institutionella situationer inbegriper många faktorer som kan påverka befolkningsdynamiska mönster. I detta projekt planerar vi att lösa maskininlärningens begränsning genom att lansera en förklarlig prediktiv modell som möjliggör för användare att pröva ”ifall”-scenarier genom att lägga till interaktiv input vid en specifik punkt i tidsserierna.

Exempelvis, hur förändras befolkningsrörelser och i vilken takt när temperaturen är alltför låg eller hög? Modellen avslöjar påverkande faktorer i ett visst mönster och faktorer som påverkas av användarens inmatning/störning. Därutöver planerar vi att föra ut tillvägagångssätten att åstadkomma data som är baserade på vad som förekommer online och till intressenter sprida intressanta rön förknippade med migrationseffekter. Analyserna ska betraktas som explorativa men kan dramatiskt förbättra vår kunskap om globala migrationsmönster och deras ekonomiska, sociala och politiska effekter.

Bygga tillit till system

För att öka begriplighet och ytterst vinna användartillit för systemet måste systemet ådagalägga och förklara den svarta lådan och på samma gång inbegripa användaråterkoppling. Många forskare finner det mycket användbart att kombinera styrkorna hos mänsklig kunskap och maskininlärning, och användare kan bättre lära sig systemet och modellen på ett effektivt sätt om de kan kommunicera interaktivt med systemet utan att behöva lära sig de algoritmiska detaljerna.

Vi planerar att låta användare manipulera komponenter för att bättre förstå befolkningsförändringars faktorer och mönster. I allmänhet är det viktigt i visuell analys att besluta och inbegripa användare, data och uppgifter.

Utveckla en modell för jämförelse

Vi har funnit att tidigare studier på området har använt artificiella neurala nätverk, stödvektorregression och återkommande neurala nätverk med tidsseriedata. Att förstå mönstren av befolkningsdynamik inbegriper utvinning, “mining”, av framkommande faktorer, att upptäcka de upprepande underliggandemönstren samt att finna faktorer som bäst korrelerar på grundval av tid och rum. Vår modell kommer att bli jämförd med befintliga neurala nätverksmetoder och verifiera våra resultat med benchmark-databaser.

EU Horizon2020

Projektet är finansieras av Horizon 2020:s forsknings- och innovationsprogram under Marie Skłodowska-Curie grant agreement No 754412.