Avslöja våra ‘dolda besök’ med mobiltelefondata och maskinlärande

Forskare från Kina och USA har samarbetat i en studie som använder maskinlärandetekniker för att urskilja de ‘dolda besök’ vi gör när vi rör oss i landet, men inte gör tillräckligt många telefonsamtal eller använder våra telefoner tillräckligt för att en komplett bild av våra rörelser ska kunna bildas från telekommunikationsdata.

Den artikeln, med titeln Identifiering av dolda besök från glesa samtalsspecifikationsdata, leds av Zhan Zhao från University of Hong Kong, i samarbete med Haris N. Koutsopoulos från Northeastern University i Boston och Jinhua Zhao vid MIT.

Forskningsprojektets utgångspunkt är att använda mobilanslutningsposter (inklusive mobildata, SMS och telefonsamtal) från mycket aktiva användare för att utveckla en modell som kan gissa rörelsemönster för mindre aktiva användare med större precision.

En schematisk beskrivning av extrahering av resinformation från Call Detail Record (CD) data. Källa: https://arxiv.org/pdf/2106.12885.pdf

Även om forskarna medger att det finns integritetsaspekter i att utveckla ett sådant arbete, och trots projektets uttalade mål att få en mer detaljerad bild av användarresor, hävdar de att målet är att få en bättre generell bild av rörelser.

De noterar också att Call Detail Record (CDR) data som bränsle för sådana studier har låg rumslig upplösning och är benägen för ‘positioneringsbrus’ på grund av den föränderliga positionen för användaren i förhållande till mobiltelefonmasterna som de passerar, och föreslår att denna begränsning i sig är en form av skydd för privatlivet:

‘Målet med vår studie är resedetektion och OD-estimering[*], som görs på aggregerad nivå, inte på individnivå. De utvecklade modellerna kan direkt distribueras på telekomoperatörernas databasservrar, utan behov av dataöverföring. Dessutom, jämfört med andra former av stordata, som sociala medier eller kreditkortstransaktionsdata, är CDR-data relativt mindre intrusiva i fråga om personlig integritet. Dessutom hjälper dess lokaliseringfel till att maskera den exakta användarplatsen, vilket ger ytterligare ett lager av integritetsskydd.’

Fördröjda tidsintervall (ETIs)

När vi reser runt med mobiltelefoner (inte nödvändigtvis smartphones) blir begränsningarna i CDR-data som ett verktyg för att definiera platser uppenbara. Fördröjda tidsintervall (ETIs), perioder under en resa där den mobila användaren inte gör eller tar emot samtal, är en kritisk markör för att hålla koll på våra rörelser – ett tidsintervall av ‘tystnad’ tillräckligt långt för att vi tillfälligt ska försvinna från radarn.

Forskarna noterar att detta stör förmågan hos analytiska system att göra antaganden om A>B-resor, eftersom glesheten i data kan dölja en ‘oobserverad resa’. Den nya metoden hanterar detta genom att analysera den rumsliga och tidsmässiga kontexten för ETIs, samt ‘användarens individuella egenskaper’.

Dataset

Forskarna utvecklade sin kärnträningsuppsättning med data från en stor mobiloperatör i en kinesisk stad med en befolkning på 6 miljoner människor. Data innehöll mer än två miljarder mobiltelefontransaktioner genererade av tre miljoner användare i november 2013, och innehåller endast röst- och dataåtkomstposter (dataanvändning). SMS-data användes inte, vilket gjorde det svårare att hantera glesheten i data.

Data innehöll en krypterad unik ID; en Location Area Code (LAC); en tidsstämpel; en mobiltelefon-ID, som samlades in med LAC för att individuera den mobiltelefonmast som användes i transaktionen; och en Event ID (utgående/inkommande samtal eller dataanvändning).

Process-träd för identifiering av dolda besök.

Denna information korsrefererades med en mobiltelefonmastoperatörsdatabas, vilket tillät forskarna att fråga efter longitud- och latitudkoordinaterna för den mast som var associerad med kommunikationshändelsen. Forskarna kunde identifiera 9000 mobiltelefonmaster i datasetet.

Forskarna observerar att det är svårt att gissa resmål enbart med hjälp av samtal, eftersom dessa typer av poster toppar på morgonen och eftermiddagen, vilket korrelerar med resemönster ändå. Eftersom telefonsamtal föregår resor (och kan utlösa en resa) kan detta orsaka bias i destinationsuppskattning.

Mobilanvändningsmönster under dagen.

Liknande begränsningar gäller för användarinitierade dataanvändningstransaktioner, som meddelandeappar och andra typer av interaktion. Men det är ‘automatisk’ dataanvändning som hjälper till att identifiera oss – det systematiska utfrågandet av API:er för nya meddelanden eller andra typer av data, inklusive meddelandelistor, GPS och allmän telemetri över installerade appar.

Bearbetning

Forskarna angrep problemet med en bred uppsättning populära maskinlärandeklassificerare, inklusive logistisk regression, supportvektor maskin (SVM), slumpmässig skog och en gradientförstärkt ensembleansats. Alla klassificerarna implementerades i Python via scikit-learn, med standardinställningar.

Av dessa tillvägagångssätt fann forskarna att logistisk regression gav det högsta antalet tolkningsbara modellparametrar.

Forskarna upptäckte också att ju längre ett ETI var, desto större var sannolikheten att ett dolt besök hade inträffat, och att en större förekomst av dolda besök sker på morgonen.

Dessutom, när en användares CDR-data lätt exponerar ett stort antal destinationer eller vägpunkter, är sannolikheten att ett dolt besök har inträffat minst. I allmänhet överensstämmer detta med forskningsprojektets allmänna princip – att de ‘bullrigaste’ eller mest aktiva användarna målar en detaljerad bild av sina rörelser, från vilken beteendet hos mindre aktiva användare kan härledas.

I slutsatsen förutspår forskarna att deras tillvägagångssätt kan användas för andra typer av transitdata, inklusive smartkortdata och geolokaliserad social medieinformation.

Forskningen finansierades av Energy Foundation China och China Sustainable Transportation Center.

* Ursprung-Destination