Dezvăluirea vizitelor noastre ‘ascunse’ cu date de telefon mobil și învățare automată

Cercetători din China și Statele Unite au colaborat la o cercetare care utilizează tehnici de învățare automată pentru a descoperi ‘vizitele ascunse’ pe care le facem atunci când ne deplasăm prin țară, dar nu facem suficiente apeluri telefonice sau nu utilizăm telefoanele noastre suficient de mult pentru a forma o imagine completă a mișcărilor noastre din înregistrările de date ale operatorilor de telecomunicații.

Articolul paper, intitulat Identificarea vizitelor ascunse din datele înregistrărilor apelurilor telefonice, este condus de Zhan Zhao de la Universitatea din Hong Kong, care lucrează împreună cu Haris N. Koutsopoulos de la Universitatea Northeastern din Boston și Jinhua Zhao de la MIT.

Premisa cercetării este de a utiliza înregistrările de conectare mobilă (inclusiv date mobile, SMS și apeluri vocale) ale utilizatorilor foarte activi pentru a dezvolta un model care poate ghici mai precis modelele de mișcare ale utilizatorilor mai puțin activi.

O schemă aproximativă pentru extragerea informațiilor de călătorie din datele înregistrărilor apelurilor telefonice. Sursă: https://arxiv.org/pdf/2106.12885.pdf

Deși cercetătorii admit că există implicații de confidențialitate în dezvoltarea unor astfel de lucrări și, în ciuda obiectivului declarat de a obține detalii mai granulare despre călătoriile utilizatorilor, ei susțin că obiectivul este de a obține o imagine mai bună și mai generalizată a mișcărilor.

Ei mai observă că datele înregistrărilor apelurilor telefonice care alimentează astfel de studii au o rezoluție spațială scăzută și sunt predispuse la ‘zgomot de poziționare’ din cauza poziției schimbătoare a utilizatorului în raport cu turnurile de telefonie mobilă pe care le traversează, și sugerează că această limitare în sine este o formă de protecție a confidențialității:

‘Aplicația țintă a studiului nostru este detectarea călătoriilor și estimarea originii și destinației[*], care se efectuează la nivel agregat, nu la nivel individual. Modelele dezvoltate pot fi implementate direct pe serverele de baze de date ale operatorilor de telecomunicații, fără a necesita transferul de date. Mai mult, comparativ cu alte forme de date mari, cum ar fi datele de social media sau tranzacțiile cu carduri de credit, datele înregistrărilor apelurilor telefonice sunt relativ mai puțin invazive în ceea ce privește confidențialitatea personală. În plus, eroarea de localizare ajută la mascarea exactă a locațiilor utilizatorilor, oferind un alt strat de conservare a confidențialității.’

Intervale de timp scurse (ETI)

Când ne deplasăm cu telefoane mobile (nu neapărat smartphone-uri), limitările datelor înregistrărilor apelurilor telefonice ca instrument de definire a locației devin evidente. Intervalele de timp scurse (ETI), perioade ale unei călătorii în care utilizatorul mobil nu efectuează sau primește apeluri, sunt un marker critic în urmărirea mișcărilor noastre – un interval de ‘tăcere’ suficient de lung pentru a ne face să cădem temporar de pe radar.

Cercetătorii observă că acest lucru interferează cu capacitatea sistemelor analitice de a face presupuneri despre călătoriile de la A la B, deoarece raritatea datelor ar putea ascunde o ‘călătorie neobservată’. Noua metodă abordează acest lucru prin analizarea contextului spațio-temporal al ETI, precum și ‘caracteristicile individuale ale utilizatorului’.

Set de date

Cercetătorii și-au dezvoltat setul de date de bază cu date furnizate de un operator major de servicii mobile dintr-un oraș chinez cu o populație de 6 milioane de oameni. Datele conțineau peste două miliarde de tranzacții mobile generate de trei milioane de utilizatori în noiembrie 2013 și includ doar înregistrări de apeluri vocale și acces la date (utilizare date). Datele SMS nu au fost utilizate, ceea ce a făcut ca abordarea rarității datelor să fie mai dificilă.

Datele conțineau un ID unic criptat; un cod de zonă de localizare (LAC); un timestamp; un ID de telefon mobil, care a fost colectat împreună cu LAC pentru a individua turnul de telefonie mobilă utilizat în tranzacție; și un ID de eveniment (apel ieșit/intrat, sau utilizare date).

Arbore de proces pentru identificarea vizitelor ascunse.

Aceste informații au fost corelate cu o bază de date a operațiunilor turnurilor de telefonie mobilă, permițând cercetătorilor să interogheze coordonatele de longitudine și latitudine ale turnului asociat cu evenimentul de comunicare. Cercetătorii au putut identifica 9000 de turnuri de telefonie mobilă în setul de date.

Cercetătorii observă că este dificil să ghiciți destinațiile de călătorie doar pe baza înregistrărilor apelurilor, deoarece aceste tipuri de înregistrări ating punctul culminant dimineața și după-amiaza, ceea ce se corelează cu modelele de călătorie oricum. Deoarece apelurile telefonice preced călătoria (și pot declanșa o călătorie), acest lucru poate cauza bias în estimarea destinației.

Modele de utilizare mobilă pe parcursul unei zile.

Restrictii similare se aplică și tranzacțiilor de utilizare a datelor inițiate de utilizator, cum ar fi aplicațiile de mesagerie, și alte tipuri de interacțiune. Cu toate acestea, este ‘utilizarea automată a datelor’ care ne ajută să identificăm – poluarea sistematică a API-urilor pentru noi mesaje sau alte tipuri de date, inclusiv liste de mesaje, GPS și telemetrie generală prin aplicații instalate.

Procesare

Cercetătorii au abordat problema cu o gamă largă de clasificatori de învățare automată populari, inclusiv regresia logistică, mașina de suport vectorial (SVM), pădurea aleatoare și o abordare de ansamblu de îmbunătățire a gradientului. Toți clasificatorii au fost implementați în Python prin scikit-learn, cu setări implicite.

Dintre aceste abordări, cercetătorii au constatat că regresia logistică a oferit cel mai mare număr de parametri de model interpretabili.

Ei au descoperit, de asemenea, că cu cât un ETI este mai lung, cu atât este mai probabil ca o vizită ascunsă să fi avut loc, și că o incidență mai mare de vizite ascunse are loc dimineața.

În plus, atunci când datele înregistrărilor apelurilor telefonice ale unui utilizator expun cu ușurință un număr mare de destinații sau puncte de pe traseu, există cea mai mică probabilitate ca o vizită ascunsă să fi avut loc. În general, acest lucru se potrivește cu principiul general al cercetării – că utilizatorii ‘zgomotoși’ sau foarte activi pictează o imagine detaliată a mișcărilor lor, din care comportamentul utilizatorilor mai puțin activi poate fi dedus.

În concluzie, cercetătorii prevăd că abordarea lor poate fi utilizată pentru alte tipuri de date de transport, inclusiv date de card inteligent și informații de social media geo-localizate.

Cercetarea a fost finanțată de Energy Foundation China și China Sustainable Transportation Center.

* Origine-Destinație