in

Une nouvelle méthode d'attribution des lieux de travail dans des populations synthétiques dévoilée

Les populations synthétiques sont des groupes de personnes générés par ordinateur qui sont conçus pour ressembler à des populations réelles. Ils sont construits à l’aide d’informations de recensement general public sur les caractéristiques des personnes, telles que leur âge, leur sexe et leur emploi, ainsi que d’algorithmes statistiques qui aident à assembler le tout. Leur software principale est de mener des simulations dites sociales pour évaluer différentes solutions possibles aux problèmes sociaux, tels que le transportation, les problèmes de santé et le logement. Pendant la pandémie de COVID-19, par exemple, des scientifiques de nombreux endroits du monde ont mené des simulations sociales pour estimer le nombre de cas dans chaque pays.

Ils ont été largement pris en compte lors de la décision de diverses mesures politiques, telles que les politiques de exam PCR, les limites d’immigration, le soutien au tourisme intérieur, les programmes de vaccination, and so forth. Ces simulations ont été possibles grâce à une inhabitants synthétique qui a été préparée et mise à jour dans le cadre du projet Joint Usage/Study Heart for Interdisciplinary Significant-scale Facts Infrastructures (JHPCN), depuis 2017.

Cependant. l’emplacement de son lieu de travail ne l’était pas. En conséquence, cette inhabitants synthétique était in addition précise pour représenter la distribution nocturne des personnes, mais pas leur distribution diurne, ni la relation entre les deux.

Pour s’attaquer à ce problème. dont le professeur adjoint Takuya Harada de l’Institut de technologie de Shibaura, ainsi que le Dr Tadahiko Murata et M. Daiki Iwase de la faculté d’informatique de l’université du Kansai, ont récemment mis au position une méthode pour attribuer un lieu de travail attribut à chaque travailleur dans les populations synthétiques.

Le principal défi que les chercheurs ont dû surmonter était le manque d’informations statistiques établissant un lien entre le domicile et le lieu de travail des personnes. seuls les gouvernements locaux dont la zone compte plus de 200 000 habitants publient des statistiques complètes sur l’origine, la spot et l’industrie (ODI), qui fournissent des détails sur le mouvement des travailleurs ainsi que sur leur type d’industrie (comme la vente au détail, la development ou la fabrication). Pour les villes ou villages de moins de 200 000 habitants, les données ODI disponibles sont moins précises et indiquent uniquement si la personne travaille dans la même ville, dans une autre ville de la même préfecture ou dans une autre ville d’une autre préfecture. Malheureusement.

Ainsi. Pour tester si leur méthode a été conçue correctement, ils l’ont utilisée pour attribuer des lieux de travail aux personnes dans les villes de additionally de 200 000 habitants et ont comparé les résultats avec les données complètes disponibles de l’ODI. Pour la ville de Takatsuki dans la préfecture d’Osaka, que les chercheurs ont présentée comme exemple dans leur short article, la méthode proposée pourrait attribuer les bonnes villes comme lieux de travail pour 88,2 % des travailleurs.

Les purposes possibles pour des simulations sociales détaillées utilisant des populations synthétiques sont nombreuses, comme le fait remarquer le professeur Murata de l’Université du Kansai  : « Les simulations sociales à échelle réelle peuvent être utilisées pour estimer l’efficacité des développements urbains, y compris les projets de logement et de transport, ainsi que l’influence de programmes sociaux menés par les gouvernements nationaux ou locaux. Ils peuvent également être employés pour des programmes de sauvetage et de secours en cas de catastrophes telles que tremblements de terre, tsunamis, inondations, typhons et pandémies. En termes simples, les simulations sociales peuvent aider les décideurs à imaginer avec précision divers futurs possibles.

Un autre facet vital des populations synthétiques est qu’elles sont exemptes de problèmes de confidentialité des données. “Les populations synthétiques sont une technologie sécurisée auto aucune details privée n’est utilisée”, explique le professeur adjoint Harada, “Parce que nous synthétisons plusieurs ensembles de populations qui ont les mêmes caractéristiques statistiques, les tiers ne peuvent pas déterminer si de vraies informations sont incluses ou non.” Il convient de noter que cette étude marque les premières populations synthétiques au monde avec des informations sur le lieu de travail qui sont rendues publiques pour les ingénieurs et les chercheurs.