[论文解读] An individual-level ground truth dataset for home location detection

Luca Pappalardo, Leo Ferres+3 more|arXiv (Cornell University)|Oct 17, 2020

Human Mobility and Location-Based Analysis参考文献 36被引用 5

一句话总结

本文引入了一个新颖的个体级真实数据集，涵盖65名已知家庭住址和移动电话记录的用户，数据来自三个数据流——通话详单记录（CDRs）、扩展详单记录（XDRs）和控制面记录（CPRs），以严格评估家庭位置检测算法（HDAs）。研究发现，基于夜间活动的HDA3算法在XDRs上表现最佳，准确率达到74%（k=3时）；而CPRs仅需最低10%的数据量即可实现稳定且高精度的结果，挑战了现有研究中CDRs的主导地位。

ABSTRACT

Home detection, assigning a phone device to its home antenna, is a ubiquitous part of most studies in the literature on mobile phone data. Despite its widespread use, home detection relies on a few assumptions that are difficult to check without ground truth, i.e., where the individual that owns the device resides. In this paper, we provide an unprecedented evaluation of the accuracy of home detection algorithms on a group of sixty-five participants for whom we know their exact home address and the antennas that might serve them. Besides, we analyze not only Call Detail Records (CDRs) but also two other mobile phone streams: eXtended Detail Records (XDRs, the ``data'' channel) and Control Plane Records (CPRs, the network stream). These data streams vary not only in their temporal granularity but also they differ in the data generation mechanism', e.g., CDRs are purely human-triggered while CPR is purely machine-triggered events. Finally, we quantify the amount of data that is needed for each stream to carry out successful home detection for each stream. We find that the choice of stream and the algorithm heavily influences home detection, with an hour-of-day algorithm for the XDRs performing the best, and with CPRs performing best for the amount of data needed to perform home detection. Our work is useful for researchers and practitioners in order to minimize data requests and to maximize the accuracy of home antenna location.

研究动机与目标

• 为解决移动电话数据研究中缺乏个体级真实数据以验证家庭位置检测算法（HDAs）的问题。
• 评估三种不同移动电话数据流（CDRs（人为触发）、XDRs（人机混合）和CPRs（机器触发））下常用HDAs的准确性。
• 量化每类数据流实现可靠家庭位置检测所需的最少数据量，支持隐私保护研究中的数据最小化原则。
• 提供可复现的基准数据集与代码，以支持未来在移动性分析、官方统计数据和地理隐私研究中的应用。

提出的方法

• 收集了65名西班牙电信智利公司员工两周内的匿名移动电话记录，涵盖CDRs、XDRs和CPRs。
• 将每位用户的实际家庭住址映射到最近的基站（或基站集合），以建立家庭位置的真实标签。
• 实现了五种常见的HDAs，包括HDA3（基于晚上7点至次日早上9点之间活动最高的位置进行家庭检测）。
• 通过随机抽取每位用户在所有数据流中10%、20%、...、100%的记录，开展数据最小化实验，以评估准确率的临界阈值。
• 采用准确率（ACC）和检测到的家庭位置与实际家庭位置之间的距离作为评估指标，结果取五次随机化运行的平均值。
• 发布数据集、代码和实验结果，以支持移动性和隐私研究中的可复现性与未来基准测试。

实验结果

研究问题

• RQ1 在使用标准HDAs时，哪种移动电话数据流——CDRs、XDRs或CPRs——能实现最准确的家庭位置检测？
• RQ2 家庭位置检测算法的选择（如基于夜间活动的HDA3）如何影响不同数据流中的检测准确率？
• RQ3 每名用户和每类数据流实现稳定且准确的家庭位置检测所需的最少数据量是多少？
• RQ4 在不同数据采样比例下，家庭位置检测准确率在各类数据流中的稳定性如何变化？
• RQ5 在家庭位置检测中，机器触发的记录（CPRs）和人机混合记录（XDRs）相较于人为触发的记录（CDRs）在性能上有多大的优势？

主要发现

• 基于XDRs的HDA3算法在考虑前三个检测到的基站时，平均准确率达到最高，为74%（ACC²ₖ=3），优于所有其他数据流与算法的组合。
• XDRs在平均意义上提供了最准确的家庭位置检测，检测到的基站与用户实际家庭住址之间的中位距离小于5公里。
• CPRs表现出最高的数据效率，仅需全部记录的10%即可达到接近最大准确率，且在多次随机化试验中表现最为稳定。
• CDRs在不同数据样本中的准确率波动最大，表明其在家庭位置检测中可靠性与稳定性最低，即使使用完整数据集也是如此。
• 数据最小化实验表明，CPRs仅需极少量记录（最低至10%）即可达到完整CDR数据集的准确率，强烈支持在隐私敏感应用中优先使用CPRs。
• 本研究挑战了现有研究中对CDRs的普遍依赖，因为相比XDRs和尤其是CPRs，CDRs在准确率和稳定性方面均表现更差。