211service.com
Kaip „Google Street View“ vaizdai atskleidžia JAV demografinę struktūrą
Kiekvienais metais JAV gyventojų surašymo biuras išleidžia 1 milijardą dolerių gyventojų apklausai. Šios apklausos skirtos paerzinti demografinę šalies struktūrą, klausiant reprezentatyvios žmonių grupės apie jų rasę, lytį, išsilavinimą, profesiją ir pan. Tai svarbus pratimas, nes iš paukščio skrydžio galima matyti populiaciją ir jos pokyčius.
Bet tai nėra lengva. Visų pirma, duomenys yra gana didelio masto – pagrindinis Census Bureau tyrimas, Amerikos bendruomenės tyrimas, pateikia visų miestų ir apygardų, kuriose gyvena daugiau nei 65 000 gyventojų, rezultatus. Mažesni plotai neįsivaizduoja.
Be to, gyventojų apklausa yra daug laiko reikalaujantis užsiėmimas; tiek, kad kai kurie duomenys gali būti penkerių metų senumo, kol jie bus paskelbti. Kadangi kiti duomenys yra daug naujesni, palyginimas gali būti problemiškas.
Taigi demografai labai norėtų turėti greitesnį, efektyvesnį ir didesnės skiriamosios gebos populiacijos tyrimo būdą.
Įveskite Timnit Gebru iš Stanfordo universiteto ir kelis draugus, kurie naudojo „Google Street View“ vaizdus, kad nepaprastai tiksliai įvertintų demografinį pasiskirstymą įvairiuose JAV miestuose. Jų technika parodo, kaip demografai gali rinkti patikimus duomenis visiškai nauju būdu, kuris papildo ir patobulina dabartinius metodus.
„Gebru and co“ pradeda nuo 50 milijonų „Street View“ vaizdų, surinktų „Google“ automobiliais 200 Amerikos miestų. Komanda mano, kad žmonių turimų automobilių tipas yra stiprus jų rasės, pajamų, išsilavinimo, profesijos ir pan. rodiklis.
Taigi Gebru parengė mašininio matymo algoritmų rinkinį, kad atpažintų automobilius šiuose vaizduose ir suskirstytų juos į vieną iš 2657 skirtingų kategorijų, kurios priklauso ne tik nuo automobilio markės ir modelio, bet ir nuo jo amžiaus. Tai leidžia tiksliai suprasti automobilio vertę.
Iš viso jie klasifikavo apie 22 milijonus transporto priemonių, ty maždaug trečdalį visų šių miestų keliuose važinėjančių transporto priemonių. Jų mašinai prireikė maždaug dviejų savaičių, kad užduotį atliktų maždaug 0,2 sekundės vienai transporto priemonei. Žmonių ekspertui, darant prielaidą, kad kiekvienam vaizdui tenka 10 sekundžių, tai pačiai užduočiai atlikti prireiktų daugiau nei 15 metų, sako Gebru ir kt.
Tačiau kaip transporto priemonių skaičius rajone yra susijęs su vietos demografija? Norėdami tai išsiaiškinti, komanda parengė kitą giluminio mokymosi algoritmą, kad sužinotų ryšį tarp transporto priemonių tipų ir duomenų iš JAV surašymo ir prezidento rinkimų balsavimo modelių kiekvienoje apygardoje (apie 1000 žmonių). Šį mokymo duomenų rinkinį sudarė 35 miestų duomenys.
Tada jie panaudojo likusius duomenis gilaus mokymosi algoritmui išbandyti. Klausimas, į kurį jie norėjo atsakyti, buvo toks: ar, atsižvelgiant į transporto priemonių modelį rajone, algoritmas galėtų tiksliai numatyti demografinius rodiklius, užfiksuotus JAV surašymo ir prezidento balsavimo duomenyse?
Pasirodo, gilaus mokymosi algoritmas gali tai padaryti nepaprastai gerai. Pasak jų, naudodamiesi klasifikuotomis motorinėmis transporto priemonėmis kiekviename rajone, mes darome išvadą apie platų demografinės statistikos, socialinių ir ekonominių ypatybių ir politinių gyventojų pageidavimų spektrą.
Pavyzdžiui, sedanai glaudžiausiai siejami su demokratais, o pailgintos kabinos pikapai – su apygardomis, kurios balsavo už respublikonus. Mes nustatėme, kad 15 minučių važiuojant per miestą, skaičiuojant sedanus ir pikapus, galima patikimai nustatyti, ar miestas balsavo už demokratą ar respublikoną, tarkime, Gebru ir kt.
Svarbus klausimas, ar šios išvados atitinka įprastu būdu atliktų apklausų išvadas. Norėdami tai išsiaiškinti, Gebru ir bendradarbiai palygino savo rezultatus su JAV surašymo biuro duomenimis iš Amerikos bendruomenės tyrimo. Ir jie nustatė stiprią koreliaciją su demografiniais veiksniais, tokiais kaip pajamos, išsilavinimas, profesija ir pan. Jie netgi galėjo tiksliai prognozuoti rinkėjų pageidavimus apylinkių lygmeniu, apimančiu apie 1000 žmonių.
Tikėtina, kad Amerikos bendruomenės tyrimas bent jau kol kas išliks auksiniu duomenų rinkimo standartu. Tačiau galimybė greitai surinkti aukštos kokybės duomenis naudojant „Google Street View“ turi didelį potencialą beveik realiu laiku stebėti gyventojų skaičiaus pokyčius.
Ir, žinoma, „Google“ nėra vienintelė organizacija, renkanti gatvių vaizdus – nesunku įsivaizduoti, kad tas pats procesas būtų taikomas vaizdams iš „Facebook“, „Twitter“ ar kitų socialinės žiniasklaidos tinklų, kurie pažymėti geografine žyma ir datos antspaudu.
Nuoroda: arxiv.org/abs/1702.06683 : Deep Learning ir Google Street View naudojimas siekiant įvertinti JAV demografinę sudėtį