Integrating Lotka-Volterra dynamics and gravity modeling for regional population forecasting
Notice bibliographique
Résumé
Introduction Forecasting population dynamics is crucial for effective urban and regional planning. Traditional demographic methods, such as Cohort Component Analysis, often do not capture nonlinear interactions and spatial dependencies among regions. To address these limitations, this study integrates Lotka—Volterra prey—predator equations with a probabilistic adaptation of the Gravity model, providing a more robust theoretical and methodological framework for regional population forecasting. Methods We adapt the Lotka—Volterra model—originally rooted in ecological theory—by introducing carrying capacities and region-specific parameters, then embed a probabilistic Gravity model to capture interregional mobility. This unified approach leverages population data and migration flows from three major clusters in Quebec, Canada, calibrating model parameters to reflect observed demographic trends. The resulting system of equations was iteratively solved and tested using population data from 2021 through 2023. Results The combined model effectively captured competitive and cooperative population interactions, revealing how spatial connectivity and resource constraints shape long-term growth patterns across the three regions. Calibrated forecasts aligned well with observed trends, demonstrating the framework’s capacity to reflect real-world interdependencies in regional population flows. Key findings highlight the importance of prey—predator—like dynamics in producing stable or shifting equilibria, offering deeper insights into regional competition, cooperation, and demographic sustainability. Discussion By merging ecological modeling principles with spatial interaction theories, this work underscores the added value of grounding demographic forecasting in well-established theoretical constructs. Compared to more traditional approaches, the integrated Lotka–Volterra and Gravity model provides a clearer picture of how regional populations evolve under nonlinear and spatially linked influences. This approach is readily adaptable to diverse contexts, potentially enhancing forecast precision and guiding policy interventions in urban development, resource allocation, and strategic planning on a broader scale.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».