Andersons hoek
Onze ‘verborgen bezoeken’ ontdekken met mobiele telefoongegevens en machine learning
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Onderzoekers uit China en de Verenigde Staten hebben samengewerkt aan onderzoek dat machine learning-technieken gebruikt om de ‘verborgen bezoeken’ te achterhalen die we maken als we ons in het land verplaatsen, maar niet genoeg telefoontjes plegen of onze telefoons gebruiken om een volledig beeld van onze bewegingen te vormen op basis van telecomgegevens.
Het artikel, getiteld Het identificeren van verborgen bezoeken uit schaarse oproepdetailgegevens, wordt geleid door Zhan Zhao van de Universiteit van Hong Kong, in samenwerking met Haris N. Koutsopoulos van de Northeastern University in Boston en Jinhua Zhao van het MIT.
De onderzoekers gebruiken de mobiele connectiviteitsgegevens (inclusief mobiele data, SMS en spraakgesprekken) van zeer actieve gebruikers om een model te ontwikkelen dat de bewegingspatronen van minder actieve gebruikers nauwkeuriger kan voorspellen.
Een ruwe schematische weergave voor het extraheren van reisinformatie uit oproepdetailgegevens (CD). Bron: https://arxiv.org/pdf/2106.12885.pdf
Hoewel de onderzoekers toegeven dat er privacy-implicaties zijn bij het ontwikkelen van dergelijk onderzoek, en ondanks het gestelde doel van het project om meer en gedetailleerdere informatie over gebruikersreizen te verzamelen, beweren ze dat het doel is om een beter gegeneraliseerd beeld van bewegingen te verkrijgen.
Zij merken ook op dat de oproepdetailgegevens (CDR) die dergelijke studies voeden, een lage ruimtelijke resolutie hebben en gevoelig zijn voor ‘positie-ruis’ vanwege de veranderende positie van de gebruiker ten opzichte van de mobiele telefoontorens die zij passeren, en suggereren dat deze beperking op zichzelf een vorm van privacybescherming is:
‘Het doel van onze studie is het detecteren van reizen en het schatten van oorsprong-bestemming[*], wat op aggregatieniveau wordt gedaan, niet op individueel niveau. De ontwikkelde modellen kunnen rechtstreeks op de databaseservers van telecomaanbieders worden geïmplementeerd, zonder dat gegevensoverdracht nodig is. Bovendien zijn, in vergelijking met andere vormen van big data, zoals sociale media of creditcardtransacties, CDR-gegevens relatief minder intrusief in termen van persoonlijke privacy. Bovendien helpt de lokaliseringsfout om de exacte gebruikerslocaties te maskeren, waardoor een extra laag van privacybescherming wordt geboden.’
Verstreken Tijdintervallen (ETI’s)
Als we met mobiele telefoons (niet noodzakelijkerwijs smartphones) reizen, worden de beperkingen van CDR-gegevens als locatiebepalend hulpmiddel duidelijk. Verstreken Tijdintervallen (ETI’s), perioden van een reis waarin de mobiele gebruiker geen oproepen pleegt of ontvangt, zijn een kritische marker voor het bijhouden van onze bewegingen – een interval van ‘stilte’ dat lang genoeg is om tijdelijk van de radar te verdwijnen.
De onderzoekers merken op dat dit de mogelijkheid van analytische systemen om aannamen over A>B-reizen te doen, verstoort, aangezien de schaarste van de gegevens een ‘onwaargenomen reis’ kan verhullen. De nieuwe methode lost dit op door de ruimtelijke context van ETI’s te analyseren, evenals ‘de individuele kenmerken van de gebruiker’.
Dataset
De onderzoekers ontwikkelden hun kerntrainingsset met gegevens die werden verstrekt door een grote mobiele dienstverlener in een Chinese stad met een bevolking van 6 miljoen mensen. De gegevens bevatten meer dan twee miljard mobiele telefoongegevens gegenereerd door drie miljoen gebruikers in november 2013, en bevatten alleen spraak- en gegevensrecords (gegevensgebruik). SMS-gegevens werden niet gebruikt, wat het aanpakken van de schaarste van de gegevens moeilijker maakte.
De gegevens bevatten een versleutelde unieke ID; een Locatiegebiedscode (LAC); een tijdstempel; een mobiele telefoon-ID, die werd gecombineerd met de LAC om de mobiele telefoontoren te identificeren die bij de transactie werd gebruikt; en een Gebeurtenis-ID (uitgaand/binnengekomen oproep, of gegevensgebruik).
Procesboom voor de identificatie van verborgen bezoeken.
Deze informatie werd gekoppeld aan een celtoveroperatiedatabase, waardoor de onderzoekers de lengte- en breedtegraadcoördinaten van de toren konden opvragen die was gekoppeld aan het communicatiegebeurtenis. De onderzoekers konden 9000 celtorens in de dataset identificeren.
De onderzoekers merken op dat het moeilijk is om reisbestemmingen alleen te voorspellen op basis van oproeprecords, aangezien deze soort records pieken in de ochtend en de middag, wat overeenkomt met reispatronen. Aangezien telefoontjes reizen voorafgaan (en een reis kunnen veroorzaken), kan dit leiden tot vooroordelen in de bestemmingschatting.
Mobiele gebruikerspatronen over de loop van een dag.
Soortgelijke beperkingen gelden voor door de gebruiker geïnitieerde gegevensgebruikstransacties, zoals messaging-apps, en andere soorten interactie. Echter, het zijn ‘geautomatiseerde’ gegevensgebruikstransacties die ons helpen te identificeren – het systematische opvragen van API’s voor nieuwe berichten of andere soorten gegevens, waaronder berichtenlijsten, GPS en algemene telemetrie over geïnstalleerde apps.
Verwerking
De onderzoekers benaderden het probleem met een breed scala aan populaire machine learning-classificatoren, waaronder logistische regressie, ondersteunende vector machine (SVM), random forest en een gradient boosting ensemble-benadering. Alle classificatoren werden geïmplementeerd in Python via scikit-learn, met standaardinstellingen.
Van deze benaderingen vonden de onderzoekers dat logistische regressie het hoogste aantal interpreteerbare modelparameters opleverde.
Zij ontdekten ook dat hoe langer een ETI, hoe groter de kans dat een verborgen bezoek heeft plaatsgevonden, en dat een groter aantal verborgen bezoeken ‘s ochtends voorkomt. Bovendien is, wanneer een gebruiker zijn CDR-gegevens makkelijk blootlegt, een hoog aantal bestemmingen of tussenstops, het minst waarschijnlijk dat een verborgen bezoek heeft plaatsgevonden. In het algemeen komt dit overeen met het algemene principe van het onderzoek – dat de ‘luidruchtigste’ of meest actieve gebruikers een gedetailleerd beeld van hun bewegingen schilderen, waaruit het gedrag van minder actieve gebruikers kan worden afgeleid.
Als conclusie voorspellen de onderzoekers dat hun benadering kan worden gebruikt voor andere soorten transitorische gegevens, waaronder smartcardgegevens en geo-lokale sociale media-informatie.
Het onderzoek werd gefinancierd door Energy Foundation China en het China Sustainable Transportation Center.
