- HOME
- Reports
- Research Area 4
- Correlation Analysis between Travel Pattern Classification and Effective Reproduction Number by Time-Based Regional Mesh Visit Analysis Based on Mobile GPS Data
Correlation Analysis between Travel Pattern Classification and Effective Reproduction Number by Time-Based Regional Mesh Visit Analysis Based on Mobile GPS Data
- Date
- 2021.03.30
- Researcher
- Itsuki Noda
- Organization
- AIST
/
-
産業技術総合研究所
概要
• 地域メッシュごとの訪問者の特徴を移動データから分析
•地域メッシュ:200m メッシュ
•移動データ:何日の何時にどれくらい遠くから何人訪問したか?
•メッシュを取り出す地域:東京・大阪・名古屋の中心部半径5km内。
•手法:
•Step1: 平時(2020年2月)の移動データでメッシュ分類。
•テンソルの非負値要素分解により少数の移動パターンに分類。
•Step2: 通年(2020年1年分)の移動データで、時間方向の要素のみ調整。
•メッシュ分類成分(メッシュ軸成分×距離軸成分)はStep1のものを利用。
•Step3: 時間軸成分(時間変化パターン)と実効再生産数の変化の相関分析。
•曜日効果を軽減するため、7日間の移動平均でデータを平滑化後、分析。
•近隣県の実効再生産数とも相関分析。
•結果:
•いずれの都市も、観光・歓楽移動パターンと実効再生産数に強めの相関。
•ただし、東京は相関が弱め。他の要因も考慮する必要がある。
•近隣県では、強く相関するところとそうでないところがある。
東京のメッシュの分類
本拠地までの距離・時間帯毎の各メッシュへの訪問者数
•各メッシュへの訪問者数を、本拠地からの距離・時間帯ごとに集計
•本拠地:その日の午前3時に居たメッシュ
•距離:100 * 2k 毎に離散化
•時間帯:6,9,12,15,18,21,24時
•除外データ
•1日中位置の変わらないデータ
•「変」なメッシュ(ありえない位置)を通るもの
•地域: 赤坂御所中心に 5km 圏内
•期間:2020年2月1日〜29日
•「訪問メッシュ」×「距離」×「時間帯」のテンソル
•正規化により確率テンソルとする。


Map data ©2021 Google
Tensor


横軸:日付・時間帯(29日×7時間帯) 縦軸:メッシュ番号
横軸:日付・時間帯(29日×7時間帯) 縦軸:本拠地からの距離(対数)
•集計データ •mesh × dist. × hour
テンソルの分解
•3次元テンソルを、各次元のベクトルの直積の混合として分解
•分解数: BIC 分析に基づき、決定(次ページ)
•6要素に分解

分解数とBIC
•n=6 で最小。

分解された要素 (p0-p2)
factor-0 職場


factor-1 自宅(朝)


factor-2 買い物


分解された要素 (p3-p5)
factor-3 自宅周辺


factor-4 自宅(夜)


factor-5 歓楽


factor-0 職場

Map data ©2021 Google
factor-1 自宅(朝)

Map data ©2021 Google
factor-2 買い物

Map data ©2021 Google
factor-3 自宅周辺

Map data ©2021 Google
factor-4 自宅(夜)

Map data ©2021 Google
factor-5 歓楽

Map data ©2021 Google
実行再生産数(Rt)の変化

各factor の変化(通年)

各factor と Rt の相関(200日目以降)

•注意
•200日目以降とした理由:
•200日目以降はRtの推定が安定していると見なせるため。
•Rt の推定では、陽性者数が少ないと大きな値となりがち。
•仮定している事前分布に起因
•感染初期は、対策法・行動様式の変化が大きく、分析対象として不安定
相関散布図(factor-5)
東京
神奈川
埼玉



千葉
茨城


本拠地までの距離・時間帯毎の各メッシュへの訪問者数
本拠地までの距離・時間帯毎の各メッシュへの訪問者数
•各メッシュへの訪問者数を、本拠地までの距離・時間帯ごとに集計
•本拠地:その日の午前3時に居たメッシュ
•距離:100 * 2k 毎に離散化
•時間帯:6,9,12,15,18,21,24時
•除外データ
•1日中位置の変わらないデータ
•「変」なメッシュ(ありえない位置)を通るもの
•地域: 船場中心に 5km 圏内
•期間:2020年2月1日〜29日
•「訪問メッシュ」×「距離」×「時間帯」のテンソル
•正規化により確率テンソルとする。


Map data ©2021 Google
Tensor


横軸:日付・時間帯(29日×7時間帯) 縦軸:メッシュ番号
横軸:日付・時間帯(29日×7時間帯) 縦軸:本拠地からの距離(対数)
•集計データ •mesh × dist. × hour
テンソルの分解
•3次元テンソルを、各次元のベクトルの直積の混合として分解
•分解数: BIC 分析に基づき、決定(次ページ)
•6要素に分解

分解数とBIC
•n=6 で最小。

分解された要素 (p0-p2)
factor-0 自宅(朝)


factor-1 歓楽・観光


factor-2 出勤


分解された要素 (p3-p5)
factor-3 買い物?


factor-4 自宅付近


factor-5 自宅(夜)


factor-0 自宅(朝)

Map data ©2021 Google
factor-1 歓楽・観光

Map data ©2021 Google
factor-2 出勤

Map data ©2021 Google
factor-3 買い物?

Map data ©2021 Google
factor-4 自宅付近

Map data ©2021 Google
factor-5 自宅(夜)

Map data ©2021 Google
実行再生産数(Rt)の変化

各factor の変化(通年)

各factor と Rt の相関(200日目以降)

•注意
•200日目以降とした理由:
•200日目以降はRtの推定が安定していると見なせるため。
•Rt の推定では、陽性者数が少ないと大きな値となりがち。
•仮定している事前分布に起因
•感染初期は、対策法・行動様式の変化が大きく、分析対象として不安定
相関散布図(factor-0)
factor-0 自宅(朝)
大阪
京都
兵庫



和歌山
奈良


相関散布図(factor-1)
factor-1 歓楽・観光
大阪
京都
兵庫



和歌山
奈良


相関散布図(factor-3)
factor-3 買い物?
大阪
京都
兵庫



兵庫
和歌山
奈良


相関散布図(factor-5)
factor-5 自宅(夜)
大阪
京都
兵庫



和歌山
奈良


本拠地までの距離・時間帯毎の各メッシュへの訪問者数
•各メッシュへの訪問者数を、本拠地からの距離・時間帯ごとに集計
•本拠地:その日の午前3時に居たメッシュ
•距離:100 * 2k 毎に離散化
•時間帯:6,9,12,15,18,21,24時
•除外データ
•1日中位置の変わらないデータ
•「変」なメッシュ(ありえない位置)を通るもの
•地域: 赤坂御所中心に 5km 圏内
•期間:2020年2月1日〜29日
•「訪問メッシュ」×「距離」×「時間帯」のテンソル
•正規化により確率テンソルとする。


Map data ©2021 Google
Tensor


横軸:日付・時間帯(29日×7時間帯) 縦軸:メッシュ番号
横軸:日付・時間帯(29日×7時間帯) 縦軸:本拠地からの距離(対数)
•集計データ •mesh × dist. × hour
テンソルの分解
•3次元テンソルを、各次元のベクトルの直積の混合として分解
•分解数: BIC 分析に基づき、決定(次ページ)
•6要素に分解

分解数とBIC
•n=6 で最小。

分解された要素 (p0-p1)
factor-0 自宅(朝夜)


factor-1 出勤


分解された要素 (p2-p3)
factor-0 自宅付近


factor-1 観光・歓楽


factor-0 自宅(朝夜)

Map data ©2021 Google
factor-1 出勤

Map data ©2021 Google
factor-2 自宅付近

Map data ©2021 Google
factor-3 観光・歓楽

Map data ©2021 Google
実行再生産数(Rt)の変化

各factor の変化(通年)

各factor と Rt の相関(200日目以降)

•注意
•200日目以降とした理由:
•200日目以降はRtの推定が安定していると見なせるため。
•Rt の推定では、陽性者数が少ないと大きな値となりがち。
•仮定している事前分布に起因
•感染初期は、対策法・行動様式の変化が大きく、分析対象として不安定
相関散布図(factor-0)
愛知
岐阜


三重
静岡


Related reports
Report by Itsuki Noda
-
Correlation between movement pattern classification using movement trajectory data and infection spread
-
Correlation Analysis between Travel Pattern Classification and Effective Reproduction Number by Time-Based Regional Mesh Visit Analysis Based on Mobile GPS Data
-
Factorization Analysis of ransportation Data
Report of Research Area 4
-
Correlation between movement pattern classification using movement trajectory data and infection spread
-
Correlation Analysis between Travel Pattern Classification and Effective Reproduction Number by Time-Based Regional Mesh Visit Analysis Based on Mobile GPS Data
-
Estimating the Effectiveness of Vaccination with COVID-19 Mutant Vaccine Predicting Infected People in Tokyo