Today, by the benefit of globalization, population movements have become much more liberal than before and have played a major role in bringing about socioeconomic changes. We implemented the migration of residence as a representative population movement in the modern country as an agent-based model, and we subdivided and analyzed the simulation results by machine learning method. The moving home simulation is based on the mixture of Schelling's segregation model and Urban Suite model. And we introduce Bayesian Poisson tensor factorization (BPTF) to decompose the agent movement information, which is a 5-way tensor and very sparse. There are simulation results and BPTF results. Under the sudden large change of the input parameter, we could observe that the agents move toward their own gains. And BPTF catches the change time intervals. A more advanced model will help to establish a housing policy by mimicking the real world and detecting more hidden information in advance.
오늘날 세계화로 인해 인구 이동이 이전보다 훨씬 자유로워 졌으며 이는 사회 경제적 변화를 가져 오는 데 중요한 역할을 했습니다. 현대 국가에서 대표적인 인구 이동인 거주지 이동 문제를 개체 기반 모델로 구현하고 이 시뮬레이션 결과를 기계 학습 방법론으로 세분하여 분석했습니다. 거주지 이동 시뮬레이션은 쉘링의 분리 모델과 도시 스위트 모델의 혼합하여 디자인되었습니다. 시뮬레이션 결과로 나오는 매우 적은 양의 개체 이동 정보를 다섯가지 방향의 텐서로 구성하였고, 이를 분해하여 분석하기 위해서 베이지안 포아송 텐서 분해 방법론을 도입했습니다. 본 논문의 결과는 시뮬레이션 파트와 베이지안 포아송 텐서 분해 방법론 파트로 구성되어 있습니다. 시뮬레이션에 입력되는 매개 변수의 갑작스러운 큰 변화에 따라 개체가 자신의 이익을 도모하는 방향으로 이동한다는 사실을 관찰할 수 있었습니다. 베이지안 포아송 텐서 분해 방법론은 매개 변수의 변화 시점을 포착합니다. 본 논문에서 제안한 모델에 현실세계 요소를 더 추가하고 그 속에 숨겨져 있는 많은 정보를 미리 찾아낼 수 있다면 이는 국가 주택 정책 수립에 큰 도움이 될 것입니다.
