移動軌跡データによる移動パターン分類と感染拡大との相関

•平時(2020年２月)のデータで行動パターン分類

•手順
　　•データ：Blog Watcher 社提供。
　　•200mメッシュごとに、時間帯・家からの距離別に訪問者数カウント。
　　•テンソルの非負値要素分解でパターンに分類。
　　　•パターンごとに、メッシュベクトル・遠近ベクトル・時間変化ベクトルを抽出。
　　　•各行動パターンは、行動目的を意味的に解釈しやすい。
　　•通年データで、時間変化分のみ再調整。
　　　•観光・歓楽・通勤・買い物などの出歩き度合いの時間変化を定量化。

•実効再生産数

•エピカーブデータを基に、各日の数値を県ごとに推定。
•相関分析

•行動パターンの時間変化と実効再生産数を、ともに７日間の移動平均で平滑化。

•両時系列データを遅延込みで相関分析。
•行動した日の d 日後の実効再生産数の相関。 d = 0..14。

•実施地域
•東京・大阪・愛知・北海道・神奈川・京都

•東京、delay=0..14日

•大阪、delay=0..14日

•愛知、delay=0..14日

•北海道、delay=0..14日

•神奈川、delay=0..14日

•京都、delay=0..14日

•観光・歓楽の影響
　•即時型：大阪・名古屋・札幌
　　•地元の人が集まって、その場で広げている？
　•遅延型：横浜・京都 (12-13日遅れ)
　　•周りから持ち込まれて、それが徐々に広がっている？
　•だらだら：東京
　　•上の２つの混合？

•観光・歓楽以外
　•買い物系：
　　•東京（１３日後）、大阪（即時＋１０日後）、名古屋（８日後）、札幌（１２日後）
　•京都の自宅が遅延関係なく影響
　　•自宅付近で飲んでいる？
　　•ただし、大阪・兵庫に比べ陽性者少なめ ⇒ 実効再生産数は大きめに算出しがち。