From the brain to public transport: Applications of network science

Abstract

In today's society, an overwhelming amount of data is generated from various sources ranging from industrial sensors to digital recordings of human behavior. For utilizing and understanding these data, appropriate computational methods and modeling approaches are required. One fruitful approach to understand different systems is to model them as networks of interconnected elements. This network science approach has been applied to the analysis of various networked systems, such as social networks, the human brain, and physical infrastructure networks like the Internet.

The key finding of network studies is that the structure of real-world networks is not random, but instead networks manifest structural features providing hints on their operating principles. Moreover, systems of different origin tend to have similar structural characteristics, such as the presence of few exceptionally well-connected ''hub'' nodes and the increased presence of connected triangles. Thus there has been a wide interest in studying this static network structure using a variety of different measures. However, the insights obtained from network analyses have sometimes been of little practical relevance if essential details of the application domain have been omitted.Recently, the focus of network science has been shifting beyond studying static network structure to modeling systems as temporal networks that enable detailed investigations of system dynamics. The study of network structure is thus advancing towards more realistic models, where domain-specific system details can be better taken into account. As a result, network-science-based analyses and models are becoming of increased practical relevance.

In this Thesis, we continue the work on this interface between theoretical network science and practical applications. Especially, we develop analysis methods for three application areas of network science. First, in the context of the human brain, we develop a method for summarizing differences in brain networks depicting correlations in brain activity between two groups of clinical populations. Second, related to human mobility studies, we show how one can estimate travel times between cities using call detail records. Third, to better understand time-dependent public transportation networks in cities, we develop a temporal-network-based framework for computing travel times and numbers of required transfers between origin-destination pairs. Furthermore, to facilitate further studies on public transportation networks, we present a curated collection of public transport network data sets for 25 cities.

Suuria tietomääriä syntyy nykyään jatkuvasti muun muassa teollisuuden sensorihavainnoista ja ihmisten digitaalisista jalanjäljistä. Näiden tietoaineistojen hyödyntämiseksi ja ymmärtämiseksi tarvitaan tarkoituksenmukaisia laskennallisia menetelmiä ja mallinnustapoja. Usein mielekäs tapa erilaisten tietoaineistojen ja näiden tietoaineistojen kuvaamien järjestelmien ymmärtämiseen on näiden matemaattinen mallintaminen verkostoina. Tätä verkostotieteen mallinnustapaa käytetäänkin monien erilaisten systeemien kuten sosiaalisten verkostojen, ihmisaivojen rakenteen ja infrastruktuuriverkostojen tutkimiseen.

Yksi verkostotutkimuksen keskeisimmistä havainnosta on, että reaalimaailman verkostojen rakenteet eivät ole satunnaisia vaan kunkin verkoston rakenne heijastelee verkoston kuvaaman järjestelmän toimintaperiaatteita. Monien eri järjestelmien verkostorakenteissa on usein samankaltaisia piirteitä, kuten muutamat erityisen hyvin kytkeytyneet solmut sekä suuri määrä kolmen toisiinsa kytkeytyneen solmun muodostamia kolmioita.Tällaiset havainnot ovat antaneet pohjan laajalle verkostojen rakenteen tutkimukselle erilaisia laskennallisia mittareita käyttäen. Verkostoanalyysien käytännön hyödyt ovat kuitenkin olleet toisinaan vähäisiä, mikäli analysoitavan järjestelmän olennaisia yksityiskohtia ei ole otettu riittävästi huomioon.

Viime aikoina verkostotieteen alalla järjestelmiä on mallinnettu yhä useammin aikariippuvina verkostoina, jotka mahdollistavat järjestelmien sisäisen dynamiikan tarkastelun. Verkostojen rakenteen tutkimus on siis edennyt kohti mallinnustapoja, joissa eri sovellusalojen yksityiskohtia voidaan ottaa entistä paremmin huomioon. Tästä johtuen monista verkostotieteen menetelmistä ja mallinnustavoista on yhä useammin hyötyä myös käytännössä.

Väitöskirjassa jatkan työtä verkostotieteen ja käytännön sovellusten rajapinnassa kolmella eri verkostotieteen sovellusalueella. Tässä työssä kehitin erityisesti analyysimenetelmiä ihmisaivojen toiminnallisten yhteyksien, ihmisten liikkumisen ja julkisen liikenteen verkostojen tutkimusta varten. Ihmisaivojen toiminnallisten yhteyksien analysointia varten kehitimme menetelmän, joka mahdollistaa yhteenvedon tekemisen toiminnallisten aivoverkostojen eroista eri kliinisten populaatioiden välillä. Ihmisten liikkumiseen liittyen näytimme, että kaupunkien välisiä matkustusaikoja voidaan arvioida teletunnistetietoihin perustuen. Julkisen liikenteen verkostoja parempaa ymmärtämistä varten kehitimme aikariippuvien verkostojen teoriaan pohjautuvia menetelmiä matkustusaikojen ja vaihtojen määrien laskemiseksi eri paikkojen välillä. Julkisen liikenteen verkostojen jatkotutkimusta helpottaakseni esittelen työssäni myös aineistokokoelman, joka kattaa 25:n eri kaupungin julkisen liikenteen verkostot.