网约车司机的迁移行为;允许精确解析解的新型捕食者-猎物模型;零行列式策略的几何;基于物理信息神经网络的 COVID-19 隔室模型的模拟与应用;检查源产品一致性和赞助披露对 Instagram 影响者的交流效率的影响;使用 Q-Learning 进行比特币价格预测的 Twitter 属性分类;在数学、物理和粘土中切割和缝合黎曼曲面;网约车司机的迁移行为

原文标题： On the Relocation Behaviour of Ride-sourcing Drivers

地址：

作者： Peyman Ashkrof, Gonçalo Homem de Almeida Correia, Oded Cats, Bart van Arem

摘要： 网约车司机作为个体服务供应商可以自由采用自己的搬迁策略，包括等待、自由巡航或遵循平台建议。这些决定会极大地影响供需之间的平衡，从而影响系统性能。我们进行了一项声明选择实验，以研究网约车司机的搜索行为并研究新政策。收集了 576 名在美国工作的网约车司机的独特数据集，并使用选择建模方法来估计多个现有和假设属性的影响。结果表明，不同司机群体之间网约车司机的搬迁策略差异很大。激增的定价极大地刺激了司机前往指定区域。但是，驾驶员位置与激增或高需求区域之间的距离使他们无法遵循平台重新定位建议。我们讨论了我们的发现对实时信息共享和平台重新定位指导的各种平台政策的影响。

允许精确解析解的新型捕食者-猎物模型

原文标题： Novel predator-prey model admitting exact analytical solution

地址：

作者： G. Kaniadakis

摘要： Lotka-Volterra 捕食者-猎物模型仍然代表了描述种群动态竞争的范式。尽管它极其简单，但它不承认解析解，因此，通常采用数值积分方法将其应用于各个科学领域。本工作的目的是研究是否存在具有标准 Lotka-Volterra 模型广泛特征的新捕食者-猎物模型，同时提供拥有精确解析解的优势。为此，作为第一步，已经开发了一种通用的哈密顿形式主义，该形式主义适用于在同一框架内处理种群动态中的一大类捕食者 - 猎物模型。在上述模型类别中确定了唯一具有允许简单精确解析解的属性的现有模型。根据已知的初等函数，明确地得到了这种特殊的捕食者-猎物模型的解，并研究了它的主要性质。最后，考虑了基于幂律竞争概念的该模型的推广，以及将其扩展到N-分量竞争系统的情况。

零行列式策略的几何

原文标题： The Geometry of Zero-Determinant Strategies

地址：

作者： Xingru Chen, Long Wang, Feng Fu

摘要： 零行列式 (ZD) 策略的出现重塑了迭代囚徒困境博弈中互惠与合作的研究。 ZD 策略的分支已经通过它们单方面地在他们自己的平均收益和他们的合作者的平均收益之间强制执行线性关系的能力得到证明。通常的做法是在成对收益的参数图中用一条直线方便地表示这种关系。然而，很少有人关注研究所有可接受的 ZD 策略的策略空间的实际几何形状。在这里，我们的工作提供了不同类别的 ZD 策略之间的直观几何关系，以及对其特定参数化的非平凡几何解释。 ZD 策略的自适应动态进一步揭示了一般 ZD 策略与可以将任何合作者的收益设置为固定值的所谓均衡器之间的不可预见的联系。我们证明了形成超平面的均衡器类是临界平衡流形，其中只有一部分是稳定的。同一个超平面也是合作增强区域的分离线，其中最佳响应是为四个回报结果中的每一个增加合作。我们的结果揭示了以前被忽视的 ZD 策略的简单而优雅的几何形状。

基于物理信息神经网络的 COVID-19 隔室模型的模拟与应用

原文标题： Simulation and application of COVID-19 compartment model using physic-informed neural network

地址：

作者： Jinhuan Ke, Jiahao Ma, Xiyu Yin

摘要： 在这项工作中，引入了 SVEIDR 模型及其变体（老年、疫苗接种结构模型）来编码不同年龄组和疫苗接种状态的社会接触效果。然后我们在模拟和真实世界的数据上实现物理信息神经网络。论文展示了从神经网络中学习到的包括 COVID-19 的传播和预测分析在内的结果。

检查源产品一致性和赞助披露对 Instagram 影响者的交流效率的影响

原文标题： Examining the Impact of Source-product Congruence and Sponsorship Disclosure on the Communicative Effectiveness of Instagram Influencers

地址：

作者： Yi Xin Lim, Weiyu Zhang

摘要： 本研究以说服知识模型和归因理论为指导，将感知来源专业知识-产品属性一致性和赞助披露作为影响影响者交流有效性的相关因素进行调查。 Instagram 拥有巨大的影响者市场价值，预计 2020 年将达到 23 亿美元，被选为平台环境。该研究利用 2（来源专业知识）x2（产品类别）x2（赞助披露）实验来检验来源-产品一致性和赞助披露在影响消费者对外在和内在来源动机、消费者抗拒以及最终广告的感知方面的作用效力。结果表明，赞助披露的存在产生了对外部来源动机的更强感知，但并未影响消费者的抵抗力和广告效果，这表明消费者概念说服知识的激活不一定会影响态度说服知识。另一方面，来源-产品一致性对内在动机、消费者抵制和广告效果有主要影响。此外，分层多元回归发现源-产品一致性触发了一个多阶段过程，其中消费者对内在来源动机的感知介导了消费者的抵制，进而调节了源-产品一致性和广告效果之间的关系。

使用 Q-Learning 进行比特币价格预测的 Twitter 属性分类

原文标题： Twitter Attribute Classification with Q-Learning on Bitcoin Price Prediction

地址：

作者： Sattarov Otabek, Jaeyoung Choi

摘要： 渴望根据人们在 Twitter 上的意见来实现准确的比特币价格预测通常需要数百万条推文，使用不同的文本挖掘技术（预处理、标记化、词干提取、停用词删除），并开发机器学习模型来执行预测。这些尝试导致使用大量计算机能力、中央处理器 (CPU) 利用率、随机存取存储器 (RAM) 使用和时间。为理解决这个问题，在本文中，我们考虑了推文属性的分类，这些属性会影响价格变化和计算机资源使用水平，同时获得准确的价格预测。为了对价格变动影响较大的推文属性进行分类，我们收集了一定时期内发布的所有与比特币相关的推文，并根据以下推文属性将它们分为四类： (i) 推文发布者的关注者数量，(ii) 是推文的评论数，(iii) 是点赞数，(iv) 是转推数。我们分别使用 Q-learning 模型对上述四组分类推文进行训练和测试，并从中找到最准确的预测。特别是，我们设计了几个奖励函数来提高 Q 学习的预测精度。我们通过分析 CPU 工作负载、RAM 使用情况、内存、时间和预测准确性，将我们的方法与所有与比特币相关的推文用作模型的输入数据的经典方法进行比较。结果表明，关注者最多的用户发布的推文对未来价格的影响最大，其利用率导致花费的时间减少了 80%，CPU 消耗减少了 88.8%，预测准确率提高了 12.5%。经典方法。

在数学、物理和粘土中切割和缝合黎曼曲面

原文标题： Cutting and Sewing Riemann Surfaces in Mathematics, Physics and Clay

地址：

作者： Nadav Drukker

摘要： 展示了一系列陶瓷艺术品，灵感来自作者将理论物理学与美丽的黎曼曲面理论联系起来的研究。更具体地说，该研究与曲面上的曲线分类有关，该分类基于对曲面上的曲线的描述，这些曲线由称为“裤子”的基本构件构建而成。概述了这些二维空间的数学相关背景，解释了一些艺术过程：概念思想及其实施。包括许多陶瓷照片来说明这一点，并简要提到了相关的物理问题。

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。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。