• 使用大规模轨迹数据理解全电动出租车服务的充电动态;
• mGNN：将图神经网络推广到多层情况;
• 通过在 Web 上跟踪其实例并分析其过去上下文以验证内容来检测误导性图像的统一方法;
• 当专业知识消失时：揭露维基百科中多产贡献者的流失;
• 内生流动性和传染病的 AI 辅助经济模型：美国 COVID-19 案例;

使用大规模轨迹数据理解全电动出租车服务的充电动态

原文标题： Understanding charging dynamics of fully-electrified taxi services using large-scale trajectory data

地址： http://arxiv.org/abs/2109.09799

作者： Tian Lei, Shuocheng Guo, Xinwu Qian, Lei Gong

摘要： 准确理解充电活动的“时间、地点和原因”对于电动共享出行服务的优化规划和运营至关重要。在这项研究中，我们利用了中国深圳全市全电动出租车队的独特轨迹，我们提出了首批研究之一，从系统层面和个人层面调查全电动共享出行系统的充电行为动态。司机观点。电动出租车 (ET) 轨迹数据包含一个月内超过 20,000 辆 ET 的详细行驶信息。通过结合轨迹和充电基础设施数据，我们揭示了基础设施利用率、时间和空间充电动态以及个体驾驶员水平充电偏好的显著规律。具体而言，我们报告说，系统级充电活动的时间和空间分布都呈现出强烈的日内和日常规律，并且大多数充电活动是由驾驶员的轮班安排引起的。此外，对于 425 个充电站，我们观察到驾驶员对一小部分充电站表现出强烈的偏好，并且幂律分布可以很好地表征每个充电站的充电频率。最后，我们表明司机的轮班时间表也支配着个人的充电行为，并且在个人层面上存在着惊人稳定的日常充电模式。我们的研究结果和发现代表了经验教训和见解，可用于其他城市电子共享出行的规划和运营，并为未来对电子共享出行服务建模的研究提供重要依据。

mGNN：将图神经网络推广到多层情况

原文标题： mGNN: Generalizing the Graph Neural Networks to the Multilayer Case

地址： http://arxiv.org/abs/2109.10119

作者： Marco Grassia, Manlio De Domenico, Giuseppe Mangioni

摘要： 网络是对复杂系统进行建模的强大工具，许多图神经网络 (GNN)、可以处理网络的深度学习算法的定义为解决许多几乎甚至无法解决的现实世界问题开辟了新途径。在本文中，我们提出了 mGNN，这是一个框架，旨在将 GNN 推广到多层网络的情况，即可以对节点之间的多种交互和关系进行建模的网络。我们的方法是通用的（即，不是特定于任务的），并且具有扩展任何类型的 GNN 的优势，而无需任何计算开销。我们将框架测试为三个不同的任务（节点和网络分类、链路预测）以对其进行验证。

通过在 Web 上跟踪其实例并分析其过去上下文以验证内容来检测误导性图像的统一方法

原文标题： A Unified Approach of Detecting Misleading Images via Tracing its Instances on Web and Analysing its Past Context for the Verification of Content

地址： http://arxiv.org/abs/2109.09929

作者： Deepika Varshney, Dinesh Kumar Vishwakarma

摘要： 通过社交媒体验证多媒体内容是当前场景中具有挑战性和关键的问题之一，并且在用户生成的内容和在线社会网络平台是塑造和传播新闻故事的主要来源的时代变得突出。由于这些来源允许用户不受限制地分享他们的意见，因此投机性用户经常在 Twitter、Facebook 等社交媒体上发布具有误导性/不可靠的内容。 目前，为了吸引用户关注新闻报道，文本往往附有一些多媒体内容（图像/视频/音频）。验证这些内容以维护社交媒体信息的可信度和可靠性至关重要。受此启发，我们提出了一个通用系统，该系统支持将图像自动分类为可信或误导。在本文中，我们研究了用于验证误导性多媒体内容的基于机器学习和基于深度学习的方法，其中可用的图像轨迹用于识别内容的可信度。实验是在从 Twitter 收集的真实世界数据集（Media-eval-2015 数据集）上进行的。它还使用机器和深度学习模型（双向 LSTM）证明了我们提出的方法和功能的效率。实验结果表明，微软 bings 图像搜索引擎在检索标题方面非常有效，并且比我们研究的谷歌图像搜索引擎表现更好。它还表明，从附加的多媒体内容（图像）中收集线索比仅检测已发布的基于内容的特征更有效。

当专业知识消失时：揭露维基百科中多产贡献者的流失

原文标题： When expertise gone missing: Uncovering the loss of prolific contributors in Wikipedia

地址： http://arxiv.org/abs/2109.09979

作者： Paramita Das, Bhanu Prakash Reddy Guda, Debajit Chakraborty, Soumya Sarkar, Animesh Mukherjee

摘要： 维基百科等全球规模的在线协作平台的成功取决于其自愿贡献者的积极和持续参与。维基百科作为一种有价值的多语言信息来源的巨大成功证明了集体智慧的可能性。具体而言，经验丰富的多产编辑的持续审慎贡献对平台几十年来的顺利运营起到了至关重要的作用。然而，随着时间的推移，维基百科的编辑人数正在稳步下降，这一点已经暴露出来。这种在新人和有经验的编辑中不断下降的生产力和不断增加的流失率不仅是该平台未来的一个主要问题，也是几个行业规模的信息检索系统（如 Siri、Alexa）的一个主要问题，这些系统依赖于维基百科作为知识存储。在本文中，我们研究了经验丰富且多产的编辑退出的持续危机。我们对编辑活动及其语言使用进行了广泛分析，以确定可以预测多产的维基人的特征，他们有停止志愿服务的风险。据我们所知，这是第一项提出可扩展预测管道的工作，以检测多产的维基人，他们可能有从平台退休的风险，从而有可能使版主启动适当的激励机制保留这些“可能会丢失”的有价值的维基人。

内生流动性和传染病的 AI 辅助经济模型：美国 COVID-19 案例

原文标题： An AI-assisted Economic Model of Endogenous Mobility and Infectious Diseases: The Case of COVID-19 in the United States

地址： http://arxiv.org/abs/2109.10009

作者： Lin William Cong, Ke Tang, Bing Wang, Jingyuan Wang

摘要： 我们构建了一个基于深度学习的 SEIR-AIM 模型，将经典的易感暴露感染消除流行病学模型与感染、社区流动和失业预测模块相结合。通过将谷歌的多维流动指数与经济活动、公共卫生状况和缓解政策联系起来，我们的人工智能辅助模型捕捉了民众对经济激励和健康风险的内生反应。除了作为一种有效的预测工具之外，我们的分析还表明，使用来自美国的数据，在大规模接种疫苗之前，COVID-19 的长期有效繁殖数在 1 左右平衡。我们确定了一个“政策边界”，并确定重新开放学校和工作场所是最有效的。我们还量化了抗议者在“黑人的命也是命”运动中的就业价值等价性，发现其对公共健康的影响可以忽略不计。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://netsci.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。