Scoprire i nostri “visite nascoste” con i dati del cellulare e il machine learning

I ricercatori della Cina e degli Stati Uniti hanno collaborato in una ricerca che utilizza tecniche di machine learning per discernere le “visite nascoste” che facciamo quando ci muoviamo nel paese, ma non facciamo abbastanza telefonate o non usiamo il nostro telefono abbastanza per formare un’immagine completa dei nostri spostamenti dai registri dei dati delle telecomunicazioni.

Il documento, intitolato Identificazione di visite nascoste dai dati dei registri delle chiamate, è guidato da Zhan Zhao dell’Università di Hong Kong, che lavora con Haris N. Koutsopoulos dell’Università del Nord-Est di Boston e Jinhua Zhao del MIT.

La premessa della ricerca è quella di utilizzare i registri di connettività mobile (inclusi dati mobili, SMS e chiamate vocali) di utenti molto attivi per sviluppare un modello che possa indovinare con maggiore precisione i modelli di movimento degli utenti meno attivi.

Uno schema approssimativo per estrarre le informazioni sui viaggi dai dati dei registri delle chiamate (CD). Fonte: https://arxiv.org/pdf/2106.12885.pdf

Sebbene i ricercatori ammettano che ci sono implicazioni sulla privacy nello sviluppo di tale lavoro e nonostante l’obiettivo dichiarato del progetto di ottenere una maggiore e più dettagliata informazione sui viaggi degli utenti, sostengono che l’obiettivo è quello di ottenere un’immagine più generale dei movimenti.

Essi notano anche che i dati dei registri delle chiamate (CDR) che alimentano tali studi hanno una bassa risoluzione spaziale e sono soggetti a “rumore di posizionamento” a causa della posizione mutevole dell’utente rispetto alle torri dei telefoni cellulari che stanno passando, e suggeriscono che questa limitazione in sé è una forma di protezione della privacy:

‘L’applicazione target del nostro studio è la rilevazione dei viaggi e la stima dell’origine-destinazione[*], che vengono eseguite a livello aggregato, non individuale. I modelli sviluppati possono essere direttamente implementati sui server di database dei carrier di telecomunicazioni, senza necessità di trasferimento dei dati. Inoltre, rispetto ad altre forme di big data, come i dati dei social media o le transazioni con carta di credito, i dati dei registri delle chiamate sono relativamente meno invasivi in termini di privacy personale. Inoltre, l’errore di localizzazione aiuta a mascherare le posizioni esatte degli utenti, fornendo un altro livello di protezione della privacy.’

Intervalli di tempo trascorso (ETI)

Quando ci muoviamo con i telefoni cellulari (non necessariamente smartphone), le limitazioni dei dati dei registri delle chiamate come strumento di definizione della posizione diventano evidenti. Gli intervalli di tempo trascorso (ETI), periodi di un viaggio in cui l’utente mobile non effettua o riceve chiamate, sono un segno importante per tenere traccia dei nostri spostamenti – un intervallo di “silenzio” abbastanza lungo da farci temporaneamente uscire dalla griglia.

I ricercatori notano che ciò interferisce con la capacità dei sistemi analitici di fare ipotesi sui viaggi A>B, poiché la scarsità dei dati potrebbe nascondere un “viaggio non osservato”. Il nuovo metodo affronta questo problema analizzando il contesto spaziotemporale degli ETI, nonché “le caratteristiche individuali dell’utente”.

Dataset

I ricercatori hanno sviluppato il loro set di addestramento principale con i dati forniti da un importante operatore di servizi cellulari in una città cinese con una popolazione di 6 milioni di persone. I dati contenevano oltre due miliardi di transazioni di telefonia mobile generate da tre milioni di utenti nel novembre 2013 e presentavano solo registri di chiamate vocali e di accesso ai dati (utilizzo dei dati). I dati SMS non sono stati utilizzati, il che ha reso più difficile affrontare la scarsità dei dati.

I dati contenevano un ID univoco crittografato; un codice di area di localizzazione (LAC); un timestamp; un ID del telefono cellulare, che è stato raccolto con il LAC per individuare la torre del telefono cellulare utilizzata nella transazione; e un ID evento (chiamata in uscita/ingresso, o utilizzo dei dati).

Albero di processo per l’identificazione di visite nascoste.

Queste informazioni sono state confrontate con un database di operazioni della torre cellulare, che ha consentito ai ricercatori di richiedere le coordinate di longitudine e latitudine della torre associata all’evento di comunicazione. I ricercatori sono stati in grado di identificare 9000 torri cellulari nel set di dati.

I ricercatori osservano che è difficile indovinare le destinazioni dei viaggi solo dai registri delle chiamate, poiché questo tipo di registri raggiunge il picco nel mattino e nel pomeriggio, il che corrisponde ai modelli di viaggio comunque. Poiché le chiamate telefoniche precedono i viaggi (e possono scatenare un viaggio), ciò può causare un bias nella stima della destinazione.

Modelli di utilizzo del cellulare nel corso di una giornata.

Restrizioni simili si applicano alle transazioni di utilizzo dei dati iniziate dall’utente, come ad esempio le app di messaggistica, e altri tipi di interazione. Tuttavia, è l’utilizzo “automatizzato” dei dati che aiuta a identificarci – il polling sistematico delle API per nuovi messaggi o altri tipi di dati, inclusi elenchi di messaggi, GPS e telemetria generale tra le app installate.

Elaborazione

I ricercatori hanno affrontato il problema con una vasta gamma di classificatori di machine learning popolari, tra cui regressione logistica, macchina a vettori di supporto (SVM), foresta casuale e un approccio di ensemble di boosting di gradiente. Tutti i classificatori sono stati implementati in Python tramite scikit-learn, con impostazioni predefinite.

Di questi approcci, i ricercatori hanno scoperto che la regressione logistica ha prodotto il numero più alto di parametri del modello interpretabili.

I ricercatori hanno anche scoperto che più lungo è l’ETI, maggiore è la probabilità che si verifichi una visita nascosta, e che una maggiore incidenza di visite nascoste si verifica al mattino.

Inoltre, quando i dati dei registri delle chiamate di un utente espongono facilmente un alto numero di destinazioni o punti di sosta, c’è la minore probabilità che si verifichi una visita nascosta. In generale, ciò si conforma al principio generale della ricerca – che gli utenti “più rumorosi” o più attivi stanno dipingendo un’immagine dettagliata dei loro spostamenti, da cui può essere dedotto il comportamento degli utenti meno attivi.

In conclusione, i ricercatori prevedono che il loro approccio possa essere utilizzato per altri tipi di dati di trasporto, tra cui dati di carte di pagamento e informazioni sui social media geolocalizzate.

La ricerca è stata finanziata dalla Energy Foundation China e dal China Sustainable Transportation Center.

* Origine-Destinazione