Interpretable spatio-temporal networks for modeling and forecasting societal events

Abstract

Bireysel etkinlikler ve toplumsal olaylar (örneğin göçler, sosyal hareketler gibi) arasındaki ilişkiler, çeşitli sosyal, zamansal ve mekansal faktörler nedeniyle karmaşıktır. Bu tür ilişkileri, sokak protestoları ve opioid krizleri gibi çeşitli toplumsal olaylar bağlamında anlamak ve bu olayları tahmin etmek, kamu politikaları ve yetkililerin karar vermelerini desteklemede önemlidir. Bu tezde, (i) toplumsal olayları öngörmek ve (ii) toplumsal olaylar ile onların sosyal ve coğrafi bağlamları arasındaki ilişkileri incelemeye yardımcı olmak için yeni, uzay-zamansal, derin öğrenme ağları önerilmektedir. Önerilen modeller, yeni bir dikkat çeken ağ tasarımı ile yerel (bir konumdan gözlenen) ve küresel (tüm konumlardan gözlenen) faaliyetler arasındaki karmaşık etkileşimleri modellemektedir. Bu modeller, gelecekteki toplumsal olayların oluşumunu öngörebilir ve hangi özniteliklerin, hangi yerlerden ve olay tahminine nasıl katkıda bulunduklarını yorumlamaya izin verirler. Bu tez kapsamında, önerilen ağları değerlendirmek için, toplumsal hareketler ve opioid doz aşımı olmak üzere iki farklı popülasyon düzeyinde toplumsal olayda, çoklu veri setleri üzerinde kapsamlı deneyler yapılmıştır. Sonuçlar, önerilen modellerin karşılaştırılan yöntemlerden daha iyi tahmin performansı sağladığını göstermektedir. Ayrıca, önerilen modeller (i) hangi yerel ve küresel faaliyet özniteliklerin daha öngörücü olduğu, (ii) hangi konumların daha belirgin katkıları olduğu ve (iii) bu konumların daha sonraki olayları tahmin etmeye nasıl katkıda bulunduğu hakkında anlamlı yorumlar sağlamaktadır.

The relationships between individual activities and societal events (e.g. migrations, social movements) are complex due to the various social, temporal and spatial factors. Understanding such relationships in the context of various societal events such as street protests and opioid crisis, and forecasting these events are important as they have great impacts on public policies and supporting decision making of authorities.In this thesis, novel, spatio-temporal, deep neural networks are proposed (i) to forecast societal events and (ii) to help examine the relationships between societal events and their social and geographical contexts. The proposed models are designed to model the complex interactions between local (observed from within a location) and global (observed from all locations) activities by incorporating a new design of attentional networks. They are capable of forecasting the occurrence of future societal events and allow for interpreting what features, from which places, and how they contribute to event forecasting. Within the scope of this thesis, extensive experiments are conducted to evaluate the proposed networks on two different types of population-level societal events, namely social movements and opioid overdoses, with multiple datasets. The results indicate that the proposed models achieve superior forecasting performance than the compared methods. Also, they provide meaningful interpretations in terms of (i) what local and global activity features are more predictive, (ii) what locations have more salient contributions, and (iii) how these locations contribute to forecasting the subsequent events.