博文
人类行为的动力学及统计力学研究
||
大学生研究计划课题简介
《人类行为的动力学及统计力学研究》
课题摘要:
对人类通讯时间特性的统计分析是理解电话、手机短信和网络即时通讯中突发性拥塞形成机制并设计相应对策的基础；对人类在城市中交通行为的统计研究可用以指导大城市交通拥堵之疏解并解释一些疾病的异地爆发现象。因此，对于人类行为时间和空间特性的定量理解，有重大的科学价值和应用前景。这一课题将通过对于人类时空行为的大量统计数据的实证研究、动力学模型建模和模拟，以及统计力学分析，深入研究人类个体以及社会群体的行为特性、相互作用和结构斑图，研究人类时空行为对社会系统形成、社会的结构与发展、社会安全、舆论传播、城市交通、国民经济发展的可能关联与相互影响，并应用于非常规紧急突发事件下应急管理对策的研究。
学术思想及理论根据：
人类行为具有高度的复杂性。研究人类行为中的规律，对于经济学、社会学、管理学的研究和应用有着极为重要的价值。长期以来，对人类的社会行为的研究主要为心理学所关注，通过心理学实验的方法，研究人类在各种环境下的心理反应是其主要的研究手段。
最近数十年来，人们在复杂系统研究领域内取得了令人瞩目的成就。复杂系统的研究具有着天然的综合性和交叉性，它所涉及的问题几乎遍及人们所研究的绝大多数领域，不但包括物理学、生物学等自然科学学科，也包括了经济学、社会学等社会学科。随着对复杂系统研究的不断深入，该领域的研究对各种社会学科的渗透越来越强烈，其理论影响和实际应用也越来越广泛。近年来，对人类行为的统计研究已经成为复杂系统中的一个重要议题。
不同于传统的心理学实验的方法，复杂系统研究者对于人类行为的研究主要通过统计物理的方法：通过对大量的人类行为事件进行定量统计，研究其中所隐藏的统计性规律，并根据所研究的问题，提出基本假设，建立理论模型，来探索这些规律的产生机制和可能的动力学影响。基于这样的研究方法，近年来人们发现了人类行为中所存在的大量的特殊的现象和规律，这些发现引发了人们对更深一步地探索人类的社会行为的热潮。特别是从2005年以来，仅在Nature, PNAS，PRL等强影响因子期刊上就已经有发表了十余篇文章。
关于人类行为时间统计特性的实证研究：
在以往一些的对社会、经济系统的研究中，常常把单个人的行为简化为稳态的，或者完全随机、可以使用泊松过程描述的。这种假设必然导致的推论是人的行为的时间统计特征应该是较为均匀的，行为事件之间存在极大的时间间隔的概率很小。但是，自2005年以来，通过对电子邮件发送与回复、邮件通信等人类行为的时间间隔的实际统计，人们发现这些行为存在与上述假设极为不同的特性[1,2]：长时间的静默与短期内的高频率的爆发，同时呈现在这些人类行为中，其时间间隔分布存在满足反比幂函数的胖尾，也就是说，这些行为的发生过程是不能用泊松过程描述的。这一出人意料的研究结论提示人们，人类的个体行为可能存在复杂的动力学机制，而随之而来的一个重要的问题是，这种非泊松特性在人类行为中是不是普遍存在的？人们对这一问题进行了极为广泛的研究。
通过各种不同的数据收集方法，人们的研究涉及市场交易[3,4,5,6]、网站浏览[7,8]，电影点播[9]，欣赏网络音乐[10]，手机通讯[11]，在游戏及虚拟社区中的行为[12,13]，计算机指令的使用行为[14]等，包含了商业行为、娱乐行为、日常使用习惯等众多的人类行为，在这些行为中，普遍发现有类似的偏离泊松过程的特性。这些现象显示出，除了受到生理周期强烈影响的部分行为外，时间间隔统计所显示的非泊松特性可能是在人类行为中普遍存在的。
除了时间间隔分布，部分人类行为事件前后时间间隔的相关性也得到了研究者的注意。研究发现，这些人类行为相邻时间间隔的相关性并不明显，而其他同样存在爆发性和长期静默性的自然现象（如地震等）常常存在正的相关性[15]。这一项研究初步把人类行为和其他复杂系统中的行为特性进行了比较，暗示可能存在统一的深层机制。
关于人类动力学模型研究
这些统计特性说明人类的众多行为是不能使用泊松过程来描述的，那么一个重要的问题是：这种胖尾分布的行为特征的来源是什么？目前的一种重要的解释是基于任务队列理论的[1,16,17,18]，它把人的各种日常行为视作处理一系列的任务，并根据日常生活经验假设对这些待处理任务进行优先级划分，首先处理高优先级者，指出这种具有优先权的行为模式是造成胖尾分布的重要原因。这种基于任务队列的理论模型可以合理地解释很多人类行为中的非泊松特性，例如电子邮件和水陆邮件的发送等，而且可以相当容易的推广到存在多个个体之间的交互的情况[19]，在解释人类行为时间统计胖尾分布特征方面取得了很大的成功。
此外，由于人类行为的复杂性，影响人类行为的因素是多种多样的，所以，有部分研究从不同于任务队列的方面出发，提出了多种非排队论模型。例如，有的工作考虑了人类行为中的记忆效应[20]，有的研究了行为的周期性和季节性对非泊松机制的影响[21]，近期的一种理论从多重泊松分布的角度解释了人类的行为特性[22]。
最后，国际上有少数工作研究了人类行为的非泊松特性对网络传播、通讯等动力学过程的影响。例如，发现相比于一般的泊送特性，这种非泊松特性可以给系统带来一些特殊性质，比如更快的传播速度等[23]。由于这一领域发展时间很短，在这一问题上还有海量的工作等待研究。
关于人类行为的空间复杂性研究
除了发现人类行为的时间间隔分布中广泛存在有非泊松特性，最近也发现在人类行为的空间分布中也存在有非泊松特性等复杂现象。2006年通过统计帐单传递[24]，人们间接地发现了人类的旅行行程分布存在接近于幂律的胖尾；2008年，Gonzalez等通过统计移动电话用户在不同基站区域的漫游过程[25]，更进一步的研究了人的旅行行程分布，同样发现该分布具有无标度特性，与早期的结果基本一致。更为直接的基于GPS数据的统计结论[26]也支持人类行程分布中存在无标度特性。此外，在生物学观测也发现大量的动物物种的运动具有类似的幂律形式的行程分布[27，28，29]。由于这种幂律形式的行程分布存在较高频率的远程运动，它无法通过经典的随机行走进行描述。这种行程分布的广泛性，使得人们需要去思考它背后的动力学机制是什么。虽然对于动物行为中的幂律行程分布已经提出了觅食效率优化[30,31]、嗅觉梯度机制[32]、确定性行走[33]等。目前对人类的这种行程分布模式的产生机制的解释方面的研究仍然是空白。在另一方面，由于这类非泊松特性常常会使得系统出现若干特殊性质，那么这种人类行为的空间分布上的非泊松特性同样可能影响到城市交通、人流控制、紧急避险等系统的运作，可能会使其带有若干特殊性质，这些问题目前尚未被研究，也值得研究者的注意。
国内相关研究进展
该领域兴起也引起了国内研究者的注意。目前，中国科学技术大学复杂系统课题组、上海理工大学管理学院、上海交通大学自动化系等都已经有相关的研究论文在国内外学术期刊发表。这些工作可以简述如下：
在实证方面，中国科学技术大学复杂系统课题组的周涛等人与瑞士弗里堡大学合作研究了电影点播中的人类行为模式以及与个体活动性之间的关系[9,34], 洪伟等研究人类短消息通讯中的时间间隔分布[35]，发现了多种无标度特性；上海理工大学课题组的张宁、李楠楠等分析了鲁迅、钱学森等名人的邮件通讯数据[36,37]；上海交通大学的胡海波等人研究了网络在线音乐的收听行为[10]. 在理论模型方面，中国科学技术大学的韩筱璞等提出可自适应调节的兴趣机制来解释人类行为的非泊松特性[38,39]. 此外，上海理工大学方面还发表了针对人类动力学的中文综述[40]，上海理工大学的郭进利等和中国科学技术大学的周涛合作编写出版了专著《人类行为动力学模型》(上海系统科学出版社)，中国科学技术大学的周涛、韩筱璞、汪秉宏也在世界科学出版社出版的专著《Science Matters: Humanities as Complex Systems》(M. Burguete, L. Lam主编)中撰写了关于人类动力学研究的一个专门章节。
面临的主要问题
由于该领域的发展时间短暂，目前在存在有大量的问题有待于深入的研究：
第一，已有的实证统计主要针对个体行为，但仍然存在大量的个体行为的特性并未被研究，已有的研究结果尚难以根据统计特性区分个体行为的主要类别；而针对团体行为的实证研究更几乎是空白。此外，人类的行为常常受到起社会关系的影响，在这方面定量的实证研究仍然非常欠缺。
第二，除了人类的个体行为，我们所做的一些最新的统计也发现，一些社会团体的宏观行为也具有类似的非泊松特性，例如国家之间的战争的时间间隔分布等；由于目前的实证统计有限，对于社会团体而言，这些特性在多大范围内存在，是否与人类个体行为具有相似的生成机制，都仍然是未知问题，需要进行深入的研究。
第三，在研究人类行为的空间分布方面，目前的实证数据全是根据帐单、手机漫游等数据间接获得的，缺少对人类行为空间分布的直接观察；而其产生机制和动力学效应方面的研究目前几乎没有。
第四，目前的理论模型研究，虽然已经提出了多种唯相机制来解释人类行为中的非泊松特性，但是这些机制难以覆盖全部的人类行为中的非泊松特性现象，需要新的更具有普适性的模型的提出。
第五，人类行为特性对各种社会系统的动力学效应的影响研究，尽管已经出现了少数这方面的研究，但是所涉及的问题众多，研究空白特别多，需要大量的工作深入进行。例如人类行为的空间分布特性是如何影响城市交通等。
参考文献：
[1] A.-L. Barabási, Nature 435, (2005) 207.
[2] J.G. Oliveira, A.-L. Barabási, Nature 437, (2005) 1251.
[3] V. Plerou, P. Gopikrishnan, L. A. N. Amaral, X. Gabaix, and H. E. Stanley, Phys. Rev. E 62, (2000) 3023(R).
[4] J. Masoliver, and M. Montero, Phys. Rev. E 67, (2003) 021112.
[5] M. Politi, and E. Scalas, 2008 Physica A 387 2025.
[6] Z. Q. Jiang, et al, Physica A, 387 (2008) 5818.
[7] Z. Dezs??, E. Almaas1, A. Lukács, B. Rácz, I. Szakadát, and A.-L. Barabási, Phys. Rev. E 73, (2006) 066132.
[8] B. Goncalves, and J. J. Ramasco, Phys. Rev. E 78， (2008) 026123.
[9] T. Zhou, H. A.-T. Kiet, B.J. Kim, and B.-H. Wang, Europhys. Lett. 82, (2008) 28002.
[10] H. B. Hu, and D. Y. Han, Physica A 387, (2008) 5916.
[11] J. Candia1, M.C. González1, P. Wang, T. Schoenharl, G. Madey and A.-L. Barabási1, Phys. A: Math. Theor. 41 (2008) 224015.
[12] T. Henderson, and S. Nhatti, Proc. 9th ACM Int. Conf. on Multimetia, pp. 212, ACM Press 2001.
[13] A. Grabowski, N. Kruszewska, and R. A. Kosiński, Phys. Rev. E 78, (2008) 066110.
[14] S. K. Baek, T. Y. Kim, and B. J. Kim, Physica A 387, (2008) 3660.
[15] K.-I. Goh, and A.-L. Barabási, Europhys. Lett. 81, (2008) 48002.
[16] A. Vázquez, Phys. Rev. Lett. 95, (2005) 248710.
[17] A. Vázquez, J. G. Oliveira, Z. Dezs??, K.-I. Goh, I. Kondor, and A.-L. Barabási, Phys. Rev. E 73, (2006) 036127.
[18] A. Gabrielli and G. Caldarelli, Phys. Rev. Lett. 98, (2007) 208701.
[19] J.G. Oliveira, and A. Vazquez, Physica A 388, (2009) 187.
[20] A. Vazquez, Physica A 373 (2006) 747.
[21] A. Cesar, R. Hidalgo, Physica A 369 (2006) 877.
[22] R. Dean Malmgren, Daniel B. Stouffer, A. E. Motter and L. A. N. Amarala, Proc. Natl. Acad. Sci. USA 105, (2008) 18153.
[23] A. Vazquez, B. Rácz, A. Lukács, and A.-L. Barabasi, Phys. Rev. Lett. 98, (2007) 158702.
[24] D. Brockmann, L. Hufnagel, and T. Geisel, Nature 439, (2006) 462 – 465.
[25] M. C. Gonzalez, C. A. Hidalgo, and A. -L. Barabasi, Nature 453, (2008) 779 – 782.
[26] L. Rhee, M. Shin, S. Hong, K. Lee K, and S. Chong, On the Levy-walk nature of human mobility,27TH IEEE CONFERENCE ON COMPUTER COMMUNICATIONS (INFOCOM), VOLS 1-5.
[27] F. Bartumeus, F. Peters, S.Pueyo, C. Marrase, and J. Catalan, Proc. Natl. Acad. Sci. USA 100, (2003) 12771 – 12775.
[28] G. Ramos-Fernandez, J. L. Mateos, O. Miramontes, G. Cocho, H. Larralde, and B. Ayala-Orozco, Behav. Ecol. Sociobiol. 55, (2004) 223 – 230.
[29] D. W. Sims, E. J. Southall, N. E. Humphries, G. C. Hays, C. J. A. Bradshaw, J. W. Pitchford, A. James, M. Z. Ahmed, A. S. Brierley, M. A. Hindell, D. Morritt, M. K. Musyl, D. Righton, E. L. C. Shepard, V. J. Wearmouth, R. P. Wilson, M. J. Witt, and J. D. Metcalfe, Nature 451, (2008) 1098 – 1102.
[30] G. M. Viswanathan, S. V. Buldyrev, S. Havlin, M. G. E. da Luzk, E. P. Raposok, and H. E. Stanley, Nature 401, (1999) 911 – 914.
[31] F. Bartumeus, J. Catalan, U. L. Fulco, M. L. Lyra, and G. M. Viswanathan, Phys. Rev. Lett. 88, (2002) 097901.
[32] A. M. Reynolds, Phys. Rev. E 72, (2005) 041928.
[33] M. C. Santos, D. Boyer, O. Miramontes, G. M. Viswanathan, E. P. Raposo, J. L. Mateos, and M. G. E. da Luz, Phys. Rev. E 75, (2007) 061114.
[34] 周涛, 在线电影点播中的人类动力学模式, 复杂系统与复杂性科学 5(1), (2008) 1.
[35] W.Hong, X.-P. Han, T. Zhou, and B.-H. Wang, Chin. Phys. Lett. 26, (2009) 028902.
[36] 李楠楠，张宁，周涛, 人类通信模式中基于时间统计的实证研究, 复杂系统与复杂性科学 5(3), (2008) 43.
[37] N.-N. Li, N. Zhang, Tao Zhou, Physica A 387, (2008) 6391.
[38] 韩筱璞，周涛，汪秉宏, 基于自适应调节的人类动力学模型, 复杂系统与复杂性科学 4(4), (2007) 1.
[39] X.-P. Han, T. Zhou, and B.-H. Wang, New J. Phys., 10 (2008) 073010.
[40] 李楠楠，周涛，张宁, 人类动力学基本概念与实证分析, 复杂系统与复杂性科学 5(2), (2008), 15.
研究内容建议：
1，人类行为时间间隔与空间运动统计特性的实证研究；基于实证统计，定量研究人类的各种个体行为的时间分布及空间分布的斑图结构、动力学演化机制、及各种结构的普适性和主要类别的划分。
2，提出并发展符合真实时间间隔统计特性的人类行为的排队论模型及动力学演化模型；研究人类行为时间与空间复杂性的统计物理基础；可以同时考虑人类时间和空间行为相互关联复杂性的综合理论模型的提出与分析。
3，人类常规交通行为与紧急突发事件下非常规交通行为及人类的短程与长程交通行为的统计分析；人类运动的空间复杂性的起源和分析；人类运动空间复杂性对于交通和传播动力学的影响。
4，对于各种人类社会群体的内部结构和宏观行为的定量研究，研究社会群体各成员之间的个体相互作用及不同社会群体之间的群体相互作用，以及这些相互作用与社会演化之间的关系；
5，寻找影响人类行为和社会结构的各种要素及其有效的定量描述，诸如：个体的兴趣、活动强度、支配性与被支配性、社会影响因子等；研究人类的个体行为的时空斑图结构与社会系统演化之间的相互影响；研究人类的社会行为模式对于国民经济、城市交通、社会安全、舆论传播的反馈关联与相互影响。
工作方案建议：
可以首先分别根据人类的个体行为和群体行为的统计结果，从以下两个方面入手建立理论模型。
一个是基于针对个体行为的实证统计所显示出的大量的非泊松性现象，构建模型研究其产生根源。初步的模型构建思路是这样的：在不考虑外界影响的情况下，假设个体的行为的驱动力来自于自身的活动性（兴趣、欲望等）的增强，可以使用在网络上的处于亚稳态的节点的比例来表示该活动性；亚稳态节点会受到微小的扰动（类似于在日常生活中某个偶然事件触发了人的某种行为）而发生突变成稳态，这些突变会迅速传播到其相邻的亚稳态节点，形成一次雪崩；一次雪崩就表示了一次行为事件的发生；雪崩发生后，亚稳态节点的数量和连通性会有所下降，表现为通常人的行为事件发生后的一段时间内做改行为的活动性会出现降低；而节点不同的稳态到亚稳态的转变模式可以导致不同的活动性累积模式和雪崩的发生模式，形成从常规的类泊松过程到具有非泊松特性的时间分布斑图结构，从而从活动性累积方面解释人类的个体行为中的非泊松特性的新的生成机制。同时，如果将该模型的节点视做个体，该模型通过改进，也可用以研究人类群体（比如企业、社团等）的行为特性的生成机制。这一模型不同于目前主流的排队论思想，有着更为深入的物理内涵和普遍性，易于推广到更多类似的自然现象中。
另一个方面是从研究人类行为模式对社会系统的影响角度，构建动力学模型。在该方面研究的基本方式如下：根据实际统计所得的人类行为模式和社会结构，用具有该类行为模式的节点来表示，用网络来表示人与人之间的社会结构，模拟在这样一个具有该类行为模式的个体的系统的一系列的动力学过程，例如文化和流行病的传播、个体之间的同步、投资策略的学习，以及遇险时的疏散、预警等过程。这一方面实际是目前国际上该领域研究的一个薄弱环节，可供研究的问题很多，建模的自由度很大，而且有着重要的理论意义和应用指导价值。
除以上两个方面外，随着实证研究的深入，还将有若干新的规律需要通过建立理论模型来解释。
https://wap.sciencenet.cn/blog-4673-236777.html
下一篇：社会网络的结构演化分析及其在舆情和疫情预警及控制中的应用
