Paljastamme ‘piilotetut vierailumme’ matkapuhelintiedon ja koneoppimisen avulla

Tutkijat Kiinasta ja Yhdysvalloista ovat tehneet yhteistyötä tutkimuksessa, jossa käytetään koneoppimismenetelmiä selvittämään ‘piilotetut vierailumme’, kun liikumme maassa, mutta emme tee riittävästi puheluita tai käytä puhelinta tarpeeksi, jotta täydellinen kuva liikkeistämme voitaisiin muodostaa teleliikenteen tietojen perusteella.

Tutkimus, jonka otsikko on Piilotettujen vierailujen tunnistaminen harvojen puhelutietojen avulla, on tehty Zhan Zhaon johdolla Hongkongin yliopistosta, joka on työskennellyt yhdessä Haris N. Koutsopoulosin kanssa Bostonin Northeastern Universitysta ja Jinhua Zhaon kanssa MIT:stä.

Tutkimuksen lähtökohtana on käyttää hyvin aktiivisten käyttäjien matkapuhelinliikenteen tietoja (mukaan lukien mobiilidata, SMS ja puhelut) kehittämään mallia, joka voi arvioida tarkemmin vähemmän aktiivisten käyttäjien liikkumismalleja.

Matkatiedon poiminta Call Detail Record (CD) -tiedosta. Lähde: https://arxiv.org/pdf/2106.12885.pdf

Vaikka tutkijat myöntävät, että tämänkaltaisessa työssä on yksityisyyden suojaa koskevia seurauksia, ja huolimatta siitä, että tutkimuksen tavoitteena on saada tarkempi ja yksityiskohtaisempi kuva käyttäjien matkoista, he väittävät, että tavoitteena on saada yleisemmän ja tarkemman kuvan liikkeistä.

He myös huomauttavat, että Call Detail Record (CDR) -tieto, jota tämänkaltaisissa tutkimuksissa käytetään, on alhaisen paikannustarkkuuden ja altis ‘sijaintimelulle’ käyttäjän suhteen muuttuvaan sijaintiin nähden matkapuhelintorneja, joita he ohittavat, ja ehdottavat, että tämä rajoitus itsessään on muoto yksityisyyden suojaa:

‘Tutkimuksen kohde on matkojen tunnistaminen ja lähtö- ja määränpääpaikkojen arviointi, jotka tehdään yhteenvetotasolla, ei yksilötasolla. Kehitettyjä malleja voidaan asentaa suoraan teleoperaattorien tietokantapalvelimille ilman tarvetta tietojen siirrolle. Lisäksi verrattuna muihin suurten tietojoukkoihin, kuten sosiaalisen median tai luottokorttitietoihin, CDR-tieto on suhteellisen vähemmän tunkeutuvaista yksityisyyden suhteen. Lisäksi sen paikannusvirhe auttaa peittämään käyttäjien tarkat sijainnit, tarjoamalla toisen kerroksen yksityisyyden suojaamiseen.’

Aikaisemmat aikavälit (ETI)

Kun liikumme matkapuhelimella (ei välttämättä älypuhelulla), CDR-tiedon rajoitukset paikannusvälineenä tulevat ilmi. Aikaisemmat aikavälit (ETI), matkan jakso, jolloin matkapuhelin ei tee eikä vastaanota puheluita, ovat tärkeitä merkkejä liikkeidemme seuraamisessa – ‘hiljaisuuden’ jakso, joka on tarpeeksi pitkä, jotta voimme väliaikaisesti hävitä kartalta.

Tutkijat huomauttavat, että tämä haittaa analyyttisten järjestelmien kykyä tehdä oletuksia A > B -matkoista, koska tiedon niukkuus voi piilottaa ‘havaitsemattoman matkan’. Uusi menetelmä vastaa tähän analysoimalla ETI:n aikamaantieteellistä asiayhteyttä sekä ‘käyttäjän yksilöllisiä ominaisuuksia’.

Tietojoukko

Tutkijat kehittivät perusvalmennusjoukkonsa Kiinan suurimman matkapuhelinoperaattorin toimittamilla tiedoilla, joka kattoi 6 miljoonan asukkaan kaupungin. Tiedot sisälsivät yli kaksi miljardia matkapuhelintapahtumaa, jotka kolme miljoonaa käyttäjää oli tuottanut marraskuussa 2013, ja sisälsivät ainoastaan puhelutietoja ja datakäyttöä (datan käyttö). SMS-tietoja ei käytetty, mikä teki tiedon niukkuuden käsittelystä haasteellisemmaksi.

Tiedot sisälsivät salatun yksilöivän tunnisteen; sijaintialueen koodin (LAC); aikaleiman; matkapuhelintunnisteen, joka yhdistettiin LAC:hen, jotta voidaan erottaa käytetty matkapuhelintorni; ja tapahtumatunniste (lähtevä/vastaanottava puhelu tai datakäyttö).

Prosessipuu piilotettujen vierailujen tunnistamiseksi.

Tätä tietoa verrattiin matkapuhelintornin toimintatietokantaan, jotta tutkijat voisivat tiedustella tapahtumaan liittyvän tornin pituus- ja leveysasteita. Tutkijat pystyivät tunnistamaan 9000 matkapuhelintornia tietojoukossa.

Tutkijat huomauttavat, että on vaikea arvioida matkakohteita ainoastaan puhelutietojen perusteella, koska nämä tiedot ovat korkeampia aamulla ja iltapäivällä, mikä liittyy matkoihin. Koska puhelut edeltävät matkustamista (ja voivat laukaista matkan), tämä voi aiheuttaa harhan kohteen arvioinnissa.

Matkapuhelimen käyttömallit päivän aikana.

Samat rajoitukset koskevat käyttäjän aloittamia datakäyttötapauksia, kuten viestisovelluksia, ja muita vuorovaikutuksia. Kuitenkin ‘automaattinen’ datakäyttö auttaa meidän tunnistamisessa – järjestelmällinen API-polling uusien viestien tai muiden tietojen hakemiseksi, mukaan lukien viestiluettelot, GPS ja yleinen telemetry asennetuista sovelluksista.

Käsittely

Tutkijat lähestyivät ongelmaa laajan valikoiman suosittujen luokittelijoiden avulla, mukaan lukien logistinen regressio, tukivektorikone (SVM), satunnainen metsä ja gradientin vahvistusryhmä. Kaikki luokittelijat toteutettiin Pythonissa scikit-learn-kirjaston avulla oletusarvoisilla asetuksilla.

Näistä lähestymistavoista tutkijat totesivat, että logistinen regressio antoi suurimman määrän tulkittavissa olevia malliparametreja.

He myös huomasivat, että mitä pitempi ETI on, sitä suurempi on todennäköisyys, että piilotettu vierailu on tapahtunut, ja että suurempi määrä piilotettuja vierailuja tapahtuu aamulla.

Lisäksi, kun käyttäjän CDR-tiedot paljastavat helposti suuren määrän kohteita tai välietappeja, on vähäisin todennäköisyys, että piilotettu vierailu on tapahtunut. Yleisesti ottaen tämä vastaa tutkimuksen yleistä periaatetta – että ‘meluisimmat’ tai aktiivisimmat käyttäjät luovat yksityiskohtaisen kuvan liikkeistään, josta vähemmän aktiivisten käyttäjien käyttäytyminen voidaan johtaa.

Tutkijat ennustavat johtopäätöksessään, että heidän lähestymistapaansa voidaan käyttää muidenkin liikenteen tietojen, kuten älykorttien tietojen ja geolokatoitujen sosiaalisen median tietojen, käsittelyyn.

Tutkimus oli rahoitettu Energy Foundation China ja China Sustainable Transportation Center.

* Lähtö- ja määränpää