Unsere “versteckten Besuche” mit Handy-Daten und Machine Learning aufdecken

Forscher aus China und den USA haben eine Studie durchgeführt, die mithilfe von Machine-Learning-Techniken unsere “versteckten Besuche” aufdeckt, wenn wir uns im Land bewegen, aber nicht genug Telefonanrufe tätigen oder unser Handy nutzen, um ein vollständiges Bild unserer Bewegungen aus den Telekommunikationsdaten zu erstellen.

Die Studie, betitelt Identifizierung versteckter Besuche aus spärlichen Call-Detail-Record-Daten, wird von Zhan Zhao von der Universität Hongkong geleitet, der mit Haris N. Koutsopoulos von der Northeastern University in Boston und Jinhua Zhao am MIT zusammenarbeitet.

Die Grundlage der Studie besteht darin, die Mobilfunkverbindungsdaten (einschließlich Mobilfunk, SMS und Sprachanrufen) von sehr aktiven Nutzern zu verwenden, um ein Modell zu entwickeln, das die Bewegungsmuster von weniger aktiven Nutzern genauer vorhersagen kann.

Ein schematischer Überblick über die Extraktion von Reiseinformationen aus Call-Detail-Record-Daten. Quelle: https://arxiv.org/pdf/2106.12885.pdf

Obwohl die Forscher zugeben, dass es bei der Entwicklung solcher Arbeiten Datenschutzbedenken gibt, und trotz des erklärten Ziels, mehr und detailliertere Informationen über die Reisen der Nutzer zu sammeln, behaupten sie, dass das Ziel darin besteht, ein besseres allgemeines Bild der Bewegungen zu erhalten.

Sie weisen auch darauf hin, dass die Call-Detail-Record-Daten, die solche Studien antreiben, eine geringe räumliche Auflösung haben und anfällig für “Positionierungsrauschen” aufgrund der sich ändernden Position des Nutzers in Bezug auf die Mobilfunkmasten sind, die sie passieren, und schlagen vor, dass diese Einschränkung selbst eine Form des Datenschutzes ist:

‘Das Ziel unserer Studie ist die Reiseerkennung und die Schätzung von Ursprung und Ziel, die auf aggregierter Ebene und nicht auf individueller Ebene durchgeführt werden. Die entwickelten Modelle können direkt auf den Datenbankservern der Telekommunikationsanbieter bereitgestellt werden, ohne dass eine Datenübertragung erforderlich ist. Darüber hinaus sind im Vergleich zu anderen Formen von Big Data, wie sozialen Medien oder Kreditkartentransaktionsdaten, CDR-Daten relativ weniger invasiv in Bezug auf die persönliche Privatsphäre. Zusätzlich trägt der Lokalisierungsfehler dazu bei, die genaue Benutzerposition zu maskieren, was eine weitere Schicht des Datenschutzes bietet.’

Verstrichene Zeitintervalle (ETIs)

Wenn wir mit Mobiltelefonen (nicht unbedingt Smartphones) unterwegs sind, werden die Einschränkungen der CDR-Daten als Ortungs-Tool offensichtlich. Verstrichene Zeitintervalle (ETIs), Zeiträume einer Reise, in denen der Mobilfunknutzer keine Anrufe tätigt oder erhält, sind ein wichtiger Marker für die Verfolgung unserer Bewegungen – ein Intervall der “Stille”, das lang genug ist, um uns vorübergehend vom Radar zu nehmen.

Die Forscher weisen darauf hin, dass dies die Fähigkeit der Analyse-Systeme beeinträchtigt, Annahmen über A>B-Reisen zu treffen, da die Spärlichkeit der Daten einen “nicht beobachteten Trip” verbergen könnte. Die neue Methode geht dieses Problem an, indem sie den räumlich-zeitlichen Kontext der ETIs sowie “die individuellen Merkmale des Nutzers” analysiert.

Datensatz

Die Forscher entwickelten ihren Kern-Trainingsdatensatz mit Daten, die von einem großen Mobilfunkanbieter in einer chinesischen Stadt mit 6 Millionen Einwohnern bereitgestellt wurden. Die Daten enthielten über zwei Milliarden Mobilfunktransaktionen, die von drei Millionen Nutzern im November 2013 generiert wurden, und enthalten nur Sprachanruf- und Datenzugriffsdaten (Datenverwendung). SMS-Daten wurden nicht verwendet, was es schwieriger machte, die Spärlichkeit der Daten zu bewältigen.

Die Daten enthielten eine verschlüsselte eindeutige ID; einen Standortcode (LAC); einen Zeitstempel; eine Mobilfunk-ID, die zusammen mit dem LAC verwendet wurde, um den Mobilfunkmast, der für die Transaktion verwendet wurde, zu identifizieren; und eine Ereignis-ID (ausgehender/eingehender Anruf oder Datenverwendung).

Prozessbaum für die Identifizierung versteckter Besuche.

Diese Informationen wurden mit einer Datenbank der Mobilfunkmasten abgeglichen, um die Längen- und Breitengrad-Koordinaten des Turms, der mit dem Kommunikationsereignis verbunden war, abzufragen. Die Forscher konnten 9000 Mobilfunkmasten im Datensatz identifizieren.

Die Forscher bemerken, dass es schwierig ist, Reiseziele allein anhand von Anrufdaten zu erraten, da diese Arten von Datensätzen morgens und nachmittags Spitzenwerte aufweisen, was mit Reiseverhaltensmustern korreliert. Da Anrufe Reisen vorhergehen (und möglicherweise eine Reise auslösen), kann dies zu einer Verzerrung bei der Schätzung der Ziele führen.

Mobilfunknutzungsmuster über den Tag.

Ähnliche Einschränkungen gelten für nutzerinitiierte Datenverwendungs-transaktionen, wie z.B. Messaging-Apps, und andere Arten von Interaktionen. Allerdings hilft es, wenn automatisierte Datenverwendung uns identifiziert – das systematische Abfragen von APIs für neue Nachrichten oder andere Arten von Daten, einschließlich Nachrichtenlisten, GPS und allgemeiner Telemetrie über installierte Apps.

Verarbeitung

Die Forscher haben das Problem mit einer breiten Palette von populären Machine-Learning-Klassifizierern angegangen, einschließlich logistischer Regression, Support-Vektor-Maschine (SVM), Random Forest und einem Gradient-Boosting-Ensemble-Ansatz. Alle Klassifizierer wurden in Python über scikit-learn mit Standard-Einstellungen implementiert.

Von diesen Ansätzen fanden die Forscher heraus, dass die logistische Regression die höchste Anzahl von interpretierbaren Modellparametern ergab.

Sie entdeckten auch, dass je länger ein ETI ist, desto höher die Wahrscheinlichkeit, dass ein versteckter Besuch stattgefunden hat, und dass eine größere Anzahl von versteckten Besuchen morgens auftritt. Darüber hinaus ist es, wenn die CDR-Daten eines Nutzers leicht eine hohe Anzahl von Zielen oder Wegpunkten erkennen lassen, am unwahrscheinlichsten, dass ein versteckter Besuch stattgefunden hat. Im Allgemeinen stimmt dies mit dem allgemeinen Prinzip der Forschung überein – dass die “lautesten” oder aktivsten Nutzer ein detailliertes Bild ihrer Bewegungen malen, aus dem das Verhalten weniger aktiver Nutzer abgeleitet werden kann.

Die Forscher prognostizieren abschließend, dass ihr Ansatz für andere Arten von Transitdaten verwendet werden kann, einschließlich Smart-Card-Daten und geo-lokalisierter sozialer Medieninformationen.

Die Forschung wurde von der Energy Foundation China und dem China Sustainable Transportation Center finanziert.

* Ursprung-Ziel