[论文解读] Detecting individual internal displacements following a sudden-onset disaster using time series analysis of call detail records

Tracey Li, Jesper Dejby+3 more|arXiv (Cornell University)|Aug 6, 2019

Human Mobility and Location-Based Analysis参考文献 12被引用 8

一句话总结

本文提出一种基于匿名化移动通话详单记录（CDRs）的时间序列分析方法，用于检测突发性灾害后个体的境内流离失所情况。通过将每位用户的位置建模为分段常数信号，并应用阶跃检测以识别位置的突然变化，该方法可在不假设目的地或持续时间的情况下识别出流离失所个体，在海地（2010年、2016年）和尼泊尔（2015年）的灾害中成功检测到流离失所事件。

ABSTRACT

We present a method for analysing mobile phone call detail records to identify individuals whom we believe to be have been internally displaced as a result of a sudden-onset disaster. We model each anonymous individual's movements trajectory as a piecewise-constant time series signal, assume that a disaster-induced displacement is exhibited as a level shift from an individual's 'normal' location, and then apply a step detection algorithm to identify level shifts in the signal. In contrast to typical methods that are used to analyse mobility patterns from call detail records, where the aggregate movements of large groups of individuals are analysed, our method offers the advantage that no assumptions regarding the destination or duration of an individual's displacement are necessary. We have applied the method to the datasets from three disasters - the 2010 earthquake in Haiti, the 2015 Gorkha earthquake in Nepal, and Hurricane Matthew in Haiti in 2016. Our results demonstrate that this method can facilitate improvements in the analysis and modelling of the mobility of internally displaced persons in post-disaster scenarios, using call detail records. Such analyses can be used to complement traditional survey methods to assess the scale and characteristics of disaster-induced displacements in a timely manner.

研究动机与目标

• 开发一种利用移动电话CDRs识别突发性灾害后个体境内流离失所的方法。
• 克服传统调查方法因遗漏未在正式营地的流离失所者而存在的局限性。
• 实现实时、大规模的境内流离失所者移动性监测，且无需预先假设流离失所模式。
• 通过提供关于流离失所发生时间和地点的及时、细粒度数据，支持人道主义响应。
• 通过隐私保护的CDR分析，为调查数据补充个体层面的移动性洞察。

提出的方法

• 将每位个体的移动行为建模为基于CDRs中基站位置的分段常数时间序列信号。
• 应用阶跃检测算法以识别信号中的显著水平跃迁，指示停留位置的改变。
• 该方法假设灾害引发的流离失所表现为个体从其正常稳定位置的突然转移。
• 仅将表现出至少一次显著水平跃迁的、一致移动模式的个体标记为潜在流离失所者。
• 该方法无需对流离失所的来源或目的地做出假设，仅关注位置行为的变化。
• 所有数据处理均严格遵守数据治理与隐私标准，确保无法重新识别任何个体。

实验结果

研究问题

• RQ1 是否可以利用CDRs中的个体移动模式，在不预先假设目的地或持续时间的情况下，检测突发性灾害后的境内流离失所？
• RQ2 在真实灾害场景中，阶跃检测算法利用匿名CDRs识别流离失所事件的准确性如何？
• RQ3 该方法在多大程度上能够检测到常被群体移动性分析忽略的短距离流离失所？
• RQ4 该方法在不同灾害情境和移动网络环境下的表现如何？
• RQ5 在CDR-based检测中，如何在减少误报与捕捉真实境内流离失所之间取得平衡？

主要发现

• 该方法在三次不同灾害事件中成功检测到个体境内流离失所：2010年海地地震、2015年尼泊尔古尔克哈地震以及2016年飓风马修袭击海地。
• 该方法识别出因位置突然改变而显示流离失所迹象的个体，且无需假设其流离失所的起始或目的地。
• 该方法捕捉到了通常在聚合移动性研究中被忽略的短距离流离失所（数公里）。
• 通过分析个体轨迹，该方法揭示了复杂的流离失所模式，包括二次移动和临时重新安置。
• 本研究证明，基于CDR的个体层面分析可为境内流离失所者的移动性提供及时、可扩展且保护隐私的洞察。
• 作者承认由于采用保守过滤策略以最小化误报，导致存在较高的假阴性率，表明检测灵敏度仍有提升空间。