Angle d’Anderson
Découvrez nos “visites cachées” avec les données de téléphone portable et l’apprentissage automatique
Ajouter Unite.AI à vos sources préférées sur Google
Des chercheurs de Chine et des États-Unis ont collaboré sur une recherche qui utilise des techniques d’apprentissage automatique pour discerner les “visites cachées” que nous effectuons lorsque nous nous déplaçons dans le pays, mais que nous n’utilisons pas suffisamment notre téléphone pour que nos mouvements soient otherwise formés à partir des dossiers de données de télécommunication.
Le document, intitulé Identification des visites cachées à partir de données de détail d’appel sparse, est dirigé par Zhan Zhao de l’Université de Hong Kong, en collaboration avec Haris N. Koutsopoulos de l’Université Northeastern de Boston et Jinhua Zhao du MIT.
L’hypothèse de la recherche est d’utiliser les dossiers de connectivité mobile (y compris les données mobiles, les SMS et les appels vocaux) des utilisateurs très actifs pour développer un modèle qui peut deviner plus précisément les modèles de déplacement des utilisateurs moins actifs.
Un schéma approximatif pour extraire les informations de voyage à partir des données de détail d’appel (CD). Source: https://arxiv.org/pdf/2106.12885.pdf
Bien que les chercheurs admettent qu’il existe des implications en matière de confidentialité dans le développement d’un tel travail, et malgré l’objectif déclaré du projet d’obtenir plus de détails et de granularité sur les déplacements des utilisateurs, ils affirment que l’objectif est de rassembler une image plus généralisée du mouvement.
Ils notent également que les données de détail d’appel (CDR) qui alimentent ces études ont une faible résolution spatiale et sont sujettes à un “bruit de positionnement” en raison de la position changeante de l’utilisateur par rapport aux tours de téléphone mobile qu’il traverse, et suggèrent que cette limitation en soi est une forme de protection de la vie privée:
‘L’application ciblée de notre étude est la détection de voyage et l’estimation OD[*], qui sont effectuées au niveau agrégé, et non au niveau individuel. Les modèles développés peuvent être directement déployés sur les serveurs de base de données des opérateurs de téléphonie, sans besoin de transfert de données. De plus, par rapport à d’autres formes de données massives, telles que les données de médias sociaux ou les données de transactions de carte de crédit, les données CDR sont relativement moins intrusives en termes de confidentialité personnelle. En outre, leur erreur de localisation aide à masquer les emplacements exacts des utilisateurs, fournissant ainsi une autre couche de préservation de la confidentialité.’
Intervalle de temps écoulé (ETI)
Lorsque nous nous déplaçons avec des téléphones mobiles (pas nécessairement des smartphones), les limites des données CDR en tant qu’outil de définition de localisation deviennent apparentes. Les intervalles de temps écoulé (ETI), les périodes d’un voyage où l’utilisateur mobile ne fait pas ou ne reçoit pas d’appels, sont un marqueur critique pour suivre nos mouvements – un intervalle de “silence” suffisamment long pour que nous tombions temporairement hors du réseau.
Les chercheurs notent que cela interfère avec la capacité des systèmes analytiques à faire des hypothèses sur les voyages de A à B, puisque la rareté des données pourrait cacher un “voyage non observé”. La nouvelle méthode aborde ce problème en analysant le contexte spatiotemporel des ETI, ainsi que “les caractéristiques individuelles de l’utilisateur”.
Jeux de données
Les chercheurs ont développé leur ensemble de formation principal avec des données fournies par un grand opérateur de services cellulaires dans une ville chinoise d’une population de 6 millions de personnes. Les données contenaient plus de deux milliards de transactions de téléphone mobile générées par trois millions d’utilisateurs en novembre 2013, et ne comportaient que des enregistrements d’appels vocaux et de données (utilisation des données). Les données SMS n’ont pas été utilisées, ce qui a rendu plus difficile la prise en compte de la rareté des données.
Les données contenaient un ID unique crypté; un code de zone de localisation (LAC); une horodatage; un ID de téléphone mobile, qui a été regroupé avec le LAC afin d’individualiser la tour de téléphone mobile utilisée dans la transaction; et un ID d’événement (appel sortant/entrant, ou utilisation des données).
Arbre de processus pour l’identification des visites cachées.
Ces informations ont été croisées avec une base de données d’exploitation de tours de téléphone, permettant aux chercheurs d’interroger les coordonnées de longitude et de latitude de la tour associée à l’événement de communication. Les chercheurs ont pu identifier 9 000 tours de téléphone dans l’ensemble de données.
Les chercheurs observent qu’il est difficile de deviner les destinations de voyage uniquement à partir des enregistrements d’appels, puisque ces types d’enregistrements culminent le matin et l’après-midi, ce qui correspond aux modèles de déplacement de toute façon. Puisque les appels précèdent les déplacements (et peuvent déclencher un voyage), cela peut causer un biais dans l’estimation de la destination.
Modèles d’utilisation mobile au cours de la journée.
Des restrictions similaires s’appliquent aux transactions d’utilisation de données initiées par l’utilisateur, telles que les applications de messagerie, et d’autres types d’interaction. Cependant, c’est l’utilisation de données “automatique” qui nous aide à identifier – le sondage systématique des API pour de nouveaux messages ou d’autres types de données, y compris les listes de messages, le GPS et la télémétrie générale sur les applications installées.
Traitement
Les chercheurs ont abordé le problème avec une large gamme de classificateurs d’apprentissage automatique populaires, notamment la régression logistique, la machine à vecteurs de support (SVM), la forêt aléatoire et une approche d’ensemble de gradient de boosting. Tous les classificateurs ont été mis en œuvre en Python via scikit-learn, avec les paramètres par défaut.
De ces approches, les chercheurs ont constaté que la régression logistique a donné le plus grand nombre de paramètres de modèle interprétables.
Ils ont également découvert que plus l’ETI est long, plus la probabilité qu’une visite cachée se soit produite est grande, et qu’une plus grande incidence de visites cachées se produit le matin.
En outre, lorsque les données CDR d’un utilisateur exposent facilement un grand nombre de destinations ou de points de passage, il y a la moindre probabilité qu’une visite cachée se soit produite. En général, cela est conforme au principe général de la recherche – que les utilisateurs les plus “bruyants” ou les plus actifs peignent une image détaillée de leurs mouvements, à partir de laquelle le comportement des utilisateurs moins actifs peut être déduit.
En conclusion, les chercheurs prévoient que leur approche peut être utilisée pour d’autres types de données de transport, notamment les données de carte intelligente et les informations de médias sociaux géolocalisées.
La recherche a été financée par la Fondation Énergie Chine et le Centre de transport durable de Chine.
