Interpretable Crisis Behavior Analysis Using Mobility and Social Media Data
作者: Muhammad Hamza Arshad Majeed, Sidahmed Benabderrahmane, Talal Rahwan
分类: cs.CY, cs.CL
发布日期: 2026-06-08
💡 一句话要点
提出统一管道以分析危机行为，整合移动与社交媒体数据
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 危机行为分析 多模态融合 社交媒体数据 移动模式 形式概念分析 关联规则挖掘 政策建议
📋 核心要点
- 现有研究通常孤立分析移动模式和社交媒体情感，未能揭示两者之间的相互影响。
- 本文提出的管道通过整合移动和社交媒体数据，识别危机情境下的行为模式，提供可解释的分析结果。
- 实验结果显示，在野火案例中，关键规则的置信度达到100%，而COVID案例中则有88%的规则在时间上稳定，具有较高的预测能力。
📝 摘要（中文）
危机事件改变人们的移动方式和沟通方式。在野火和疫情等紧急情况下，移动模式和在线情感话语的变化通常是共同演变的，但通常被孤立研究。本文提出了一种统一且可解释的管道，整合移动和社交媒体数据，以识别危机环境中的跨领域行为模式。通过对2025年洛杉矶野火和2020至2021年阿联酋COVID-19行为的案例研究进行评估，结果显示在两种危机中均存在明显的跨领域行为结构，提供了科学可信且可操作的危机情报。
🔬 方法详解
问题定义：本文旨在解决危机情况下移动模式与社交媒体情感之间的相互影响未被充分研究的问题。现有方法往往将这两者孤立分析，无法揭示其共同演变的行为模式。
核心思路：论文提出的解决思路是构建一个统一的分析管道，整合移动和社交媒体数据，通过可解释的方式识别和分析危机行为模式，以便为政策制定提供支持。
技术框架：整体架构包括数据收集、信号对齐、行为状态转换、形式概念分析（FCA）、关联规则挖掘和规则稳定性验证等主要模块。首先对异构数据进行对齐，然后将其转化为二元行为状态，接着应用FCA提取共现结构，最后通过时间验证规则的稳定性。
关键创新：最重要的技术创新在于将移动数据与社交媒体数据进行多模态融合，形成可解释的行为分析框架。这种方法与传统单一数据源分析方法的本质区别在于其跨领域的整合能力。
关键设计：在技术细节上，管道中的信号对齐采用了日常数据的异构对齐方法，行为状态的转换使用了二元化处理，FCA的应用则确保了共现结构的提取准确性。规则的稳定性通过时间持出测试进行验证，确保了结果的可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在洛杉矶野火案例中，关键规则的置信度达到100%，提升幅度高达2.5。在COVID-19案例中，获得了8条稳定的同日规则，持出通过率为88%，并且提取了40条具有2至7天提前期的预测规则，显示出良好的预测能力和稳定性。
🎯 应用场景
该研究的潜在应用领域包括公共安全、危机管理和社会行为分析。通过提供可操作的政策建议，研究成果能够帮助政府和相关机构在危机发生时更有效地响应和管理。同时，未来可扩展至其他类型的危机情境，提升社会对突发事件的应对能力。
📄 摘要（原文）
Crises alter both how people move and how they communicate. During emergencies such as wildfires and pandemics, changes in mobility patterns and online emotional discourse evolve jointly, yet they are typically studied in isolation. This paper presents a unified and interpretable pipeline that integrates mobility and social media data to identify cross-domain behavioral patterns in crisis settings. The framework is evaluated through two case studies: a short-horizon analysis of the January 2025 Los Angeles wildfires (prototype case) and a longitudinal analysis of UAE COVID-19 behavior from March 2020 to December 2021 (primary case, 671 days). The pipeline aligns heterogeneous daily signals, transforms them into binary behavioral states, applies Formal Concept Analysis (FCA) to extract co-occurrence structure, mines association rules, and validates rule stability through chronological holdout testing. A structured policy-translation layer renders robust rules as operational briefs specifying triggers, lead times, and action playbooks. Results reveal clear cross-domain behavioral structure in both crises. In the wildfire case, traffic stress, fear/anger sentiment, and governance discourse are tightly coupled within a 33-day window, with key rules reaching 100\% confidence and lift scores up to 2.5. In the COVID case, repeated mobility adaptation and sentiment volatility yield 8 stable same-day rules (88\% holdout pass rate) and 40 clean predictive rules with 2--7 day lead horizons. The work demonstrates that interpretable multimodal fusion can produce both scientifically credible and policy-actionable crisis intelligence.