Towards integration of mobile network data into analyzing human mobility

Abstract

Enamus inimestest kannab endaga kaasas mobiiltelefoni. Sisselülitatud telefoni ligikaudne trajektoor on hästi nähtav mobiilsidevõrgus, millega ta on ühendatud. Need andmed on operaatoril juba “tasuta” olemas. Inimeste liikuvuse mustrite tuvastamisel on suur väärtus mitmes mõttes. Planeerimise otsuste tegemisel on hädavajalik teada, kuidas inimesed tegelikult liiguvad – kus päeval tööl käivad, mis teid mööda liiguvad, kuidas muutub inimeste käitumine aastaajati jne. Liikumismustrite tuvastamise põhimeetod on tuvastada üksikisikute trajektoorid ja need siis agregeerida üldistatud jaotusteks, mida kasutada planeerimises. Mõnes riigis on trajektooripõhised andmed kasutusel ka asukohapõhises otsereklaamis (ingl. k. location based advertising), kus kasutajat profileeritakse individuaalselt tema asukoha või liikumismustrite alusel. Nende andmete kasutamisel on takistuseks see, et andmete täpsus jätab soovida. Mobiilsidevõrk ei ole ehitatud selleks, et jälgida pidevalt mobiilide asukohta. Töös on käsitletud järgmisi asukohainfo täpsustamise meetmeid: 1. Võrgusisese antennivahetuse statistika alusel tunnistada teatud näivad liikumised ebatõenäoliseks – kui inimene näiliselt “hüppab” mitme antenni vahel ebarealistliku kiirusega. 2. Täpsustada ülekattega antennide piirkonnas asukoha tõenäosust Bayes'i statistika meetoditega – kui mobiil on mitme antenni mõjualas, siis seal on konkreetsel ühel antennil väiksem tõenäosus ühenduda antud mobiiliga. 3. Autor pakkus kirjanduses pakutud parendusi Kalmani filtril põhinevale metoodikale, mis eristab positsioneeritava objekti paigalseisu ja liikumise episoode. 4. Statistiliselt avastada mobiilsidevõrgu kirjelduses vigu, mis moonutavad andmeid, näiteks kahe antenni andmed on võrguplaanis ära vahetatud, sellega trajektooris inimene satuks näiliselt ühe antenni alast teise antenni alasse. Muidugi on vaja garanteerida üksikisikute õigus privaatsusele vastava riigi õigusruumis. See on väljaspool selle töö skoopi.

The majority of people carry a mobile phone with them. The approximate trajectory of a mobile phone is observable in a mobile network. The mobile operator gets these data “for free”. Human mobility patterns are valuable in several areas. When making planning decisions, it is necessary to know how people move -- where they go to work during the day, what way they travel, how people's behavior changes with the seasons, etc. The basic method of detecting movement patterns is to detect the trajectories of individuals and then aggregate them into mobility patterns that are used in planning. In some countries, trajectory-based data is also used in location-based advertising, where the user's profile is individually based on their location or movement patterns. The interpretation of these data is complicated by the low accuracy of the data. The mobile network was not built for continuous positioning of the mobile phones. This work discusses the following improvements 1. On the basis of the statistics of the antenna change, recognize certain network movements as improbable -- if a person seemingly "jumps" between several antenna areas at an unrealistic speed. 2. Adjust the probability of the location in the area of overlapping antennas using the Bayesian statistics method -- if a mobile phone is visible to several antennas, then a specific antenna has a lower probability of connecting to a given mobile phone. 3. Improvement of previously existing methodology for detection of stop episodes. 4. Statistically detect errors in the description of the mobile communication network, e.g., where the data of two antennas have been exchanged in the network plan, thus a person in the trajectory would seemingly end up in the area of one antenna in the area of another antenna. Of course, it is necessary to guarantee the right of specific individuals to privacy in the legal space of the respective country. This is beyond the scope of this work.