Descobrindo Nossas ‘Visitas Ocultas’ Com Dados de Celular e Aprendizado de Máquina

Pesquisadores da China e dos Estados Unidos colaboraram em uma pesquisa que utiliza técnicas de aprendizado de máquina para discernir as ‘visitas ocultas’ que fazemos quando nos movemos pelo país, mas não fazemos enough chamadas telefônicas ou usamos nossos telefones o suficiente para que uma imagem completa de nossos movimentos seja formada a partir de registros de dados de telecomunicações.

O artigo, intitulado Identificando Visita Ocultas a Partir de Dados de Registros de Chamadas Esparsos, é liderado por Zhan Zhao, da Universidade de Hong Kong, trabalhando com Haris N. Koutsopoulos, da Universidade Northeastern de Boston, e Jinhua Zhao, do MIT.

A premissa da pesquisa é utilizar os registros de conectividade móvel (incluindo dados móveis, SMS e chamadas de voz) de usuários altamente ativos para desenvolver um modelo que possa adivinhar com mais precisão os padrões de movimento de usuários menos ativos.

Um esquema aproximado para extrair informações de viagem a partir de dados de Registro de Detalhes de Chamadas (CDR). Fonte: https://arxiv.org/pdf/2106.12885.pdf

Embora os pesquisadores admitam que há implicações de privacidade no desenvolvimento de tal trabalho, e apesar do objetivo declarado do projeto de obter mais detalhes e granularidade sobre as jornadas dos usuários, eles defendem que o objetivo é obter uma imagem geralizada melhor do movimento.

Eles também observam que os dados de Registro de Detalhes de Chamadas (CDR) que alimentam tais estudos têm baixa resolução espacial e são propensos a ‘ruído de posicionamento’ devido à mudança de posição do usuário em relação às torres de celular que estão passando, e sugerem que essa limitação em si é uma forma de proteção de privacidade:

‘O aplicativo alvo de nosso estudo é a detecção de viagens e estimação de OD[*], que são feitas em nível agregado, não individual. Os modelos desenvolvidos podem ser implantados diretamente nos servidores de banco de dados de operadoras de telecomunicações, sem necessidade de transferência de dados. Além disso, em comparação com outras formas de big data, como dados de mídia social ou transações de cartão de crédito, os dados de CDR são relativamente menos intrusivos em termos de privacidade pessoal. Além disso, o erro de localização ajuda a mascarar as localizações exatas dos usuários, fornecendo outra camada de preservação de privacidade.’

Intervalos de Tempo Decorrido (ETIs)

Quando viajamos com telefones celulares (não necessariamente smartphones), as limitações dos dados de CDR como ferramenta de definição de localização se tornam aparentes. Os Intervalos de Tempo Decorrido (ETIs), períodos de uma jornada em que o usuário móvel não faz ou recebe chamadas, são um marcador crítico para manter o rastreamento de nossos movimentos – um intervalo de ‘silêncio’ longo o suficiente para que possamos temporariamente sair da grade.

Os pesquisadores observam que isso interfere com a capacidade dos sistemas analíticos de fazer suposições sobre viagens de A para B, desde que a esparsidade dos dados pode estar escondendo uma ‘viagem não observada’. O novo método aborda isso analisando o contexto espaciotemporal dos ETIs, bem como ‘as características individuais do usuário’.

Conjunto de Dados

Os pesquisadores desenvolveram seu conjunto de treinamento principal com dados fornecidos por uma grande operadora de serviços celulares em uma cidade chinesa com uma população de 6 milhões de pessoas. Os dados continham mais de dois bilhões de transações de telefone móvel geradas por três milhões de usuários em novembro de 2013, e apresentam apenas registros de voz e dados de acesso (uso de dados). Os dados de SMS não foram utilizados, o que tornou mais difícil abordar a esparsidade dos dados.

Os dados continham um ID único criptografado; um Código de Área de Localização (LAC); um carimbo de data e hora; um ID de telefone celular, que foi coletado com o LAC para individuar a torre de celular usada na transação; e um ID de Evento (chamada de saída/entrada, ou uso de dados).

Árvore de processo para a identificação de visitas ocultas.

Essas informações foram cruzadas com um banco de dados de operação de torres de celular, permitindo que os pesquisadores consultassem as coordenadas de longitude e latitude da torre associada ao evento de comunicação. Os pesquisadores foram capazes de identificar 9.000 torres de celular no conjunto de dados.

Os pesquisadores observam que é difícil adivinhar os destinos de viagens apenas por registros de chamadas, desde que esses tipos de registros atingem o pico de manhã e tarde, o que se correlaciona com padrões de viagem de qualquer forma. Desde que as chamadas telefônicas precedem a viagem (e podem desencadear uma jornada), isso pode causar viés na estimação de destino.

Padrões de uso de celular ao longo do dia.

Restrições semelhantes se aplicam a transações de uso de dados iniciadas pelo usuário, como aplicativos de mensagens, e outros tipos de interação. No entanto, é o ‘uso de dados automatizado’ que nos ajuda a identificar – o polling sistemático de APIs para novas mensagens ou outros tipos de dados, incluindo listas de mensagens, GPS e telemetria geral em aplicativos instalados.

Processamento

Os pesquisadores abordaram o problema com uma ampla gama de classificadores de aprendizado de máquina populares, incluindo regressão logística, máquina de vetores de suporte (SVM), floresta aleatória e uma abordagem de ensemble de boosting de gradiente. Todos os classificadores foram implementados em Python via scikit-learn, com configurações padrão.

Dessas abordagens, os pesquisadores descobriram que a regressão logística produziu o maior número de parâmetros de modelo interpretáveis.

Eles também descobriram que quanto mais longo o ETI, maior a probabilidade de que uma visita oculta tenha ocorrido, e que uma maior incidência de visitas ocultas ocorre de manhã.

Além disso, quando os dados de CDR de um usuário facilmente expõem um grande número de destinos ou pontos de parada, há a menor probabilidade de que uma visita oculta tenha ocorrido. Em geral, isso está de acordo com o princípio geral da pesquisa – que os usuários ‘mais barulhentos’ ou mais ativos estão pintando uma imagem detalhada de seus movimentos, a partir da qual o comportamento de usuários menos ativos pode ser inferido.

Em conclusão, os pesquisadores preveem que sua abordagem pode ser usada para outros tipos de dados de trânsito, incluindo dados de cartões inteligentes e informações de mídia social geolocalizadas.

A pesquisa foi financiada pela Energy Foundation China e pelo China Sustainable Transportation Center.

* Origem-Destino