[论文解读] Inferring Unusual Crowd Events From Mobile Phone Call Detail Records

Yuxiao Dong, Fabio Pinelli+4 more|arXiv (Cornell University)|Apr 14, 2015

Human Mobility and Location-Based Analysis参考文献 20被引用 16

一句话总结

本文提出了一种新颖的框架，通过建模用户移动模式并识别与历史常规的偏差，从低分辨率手机通话详单记录（CDR）中检测异常人群事件，解决了时间与空间稀疏性问题。在科特迪瓦政治危机期间的真实CDR数据上，该方法相较于最先进GPS方法实现了10倍更高的精确率和16%更高的召回率。

ABSTRACT

The pervasiveness and availability of mobile phone data offer the opportunity of discovering usable knowledge about crowd behaviors in urban environments. Cities can leverage such knowledge in order to provide better services (e.g., public transport planning, optimized resource allocation) and safer cities. Call Detail Record (CDR) data represents a practical data source to detect and monitor unusual events considering the high level of mobile phone penetration, compared with GPS equipped and open devices. In this paper, we provide a methodology that is able to detect unusual events from CDR data that typically has low accuracy in terms of space and time resolution. Moreover, we introduce a concept of unusual event that involves a large amount of people who expose an unusual mobility behavior. Our careful consideration of the issues that come from coarse-grained CDR data ultimately leads to a completely general framework that can detect unusual crowd events from CDR data effectively and efficiently. Through extensive experiments on real-world CDR data for a large city in Africa, we demonstrate that our method can detect unusual events with 16% higher recall and over 10 times higher precision, compared to state-of-the-art methods. We implement a visual analytics prototype system to help end users analyze detected unusual crowd events to best suit different application scenarios. To the best of our knowledge, this is the first work on the detection of unusual events from CDR data with considerations of its temporal and spatial sparseness and distinction between user unusual activities and daily routines.

研究动机与目标

• 使用粗粒度的移动电话CDR数据检测城市环境中异常人群事件，该数据比GPS数据更为普遍。
• 解决CDR数据固有的时间与空间稀疏性挑战，即仅在通话或短信时记录位置。
• 区分异常移动行为与常规日常活动，重点关注表现出异常移动模式的大规模群体。
• 开发一种通用、高效且有效的框架，以检测此类事件，而无需依赖高分辨率GPS轨迹。
• 为城市决策者提供一个可视化分析系统，用于解释和调整事件检测结果。

提出的方法

• 引入圆柱形聚类的概念，以建模稀疏的时空CDR数据，捕捉在时间和空间上共同移动的用户群体。
• 基于当前轨迹与用户历史移动模式之间显著偏离来定义异常人群事件。
• 使用个体轨迹与其历史移动模式之间的相似性度量，检测异常行为。
• 采用基于密度的聚类方法，识别即使观测稀疏也能随时间持续存在的移动群体。
• 利用可视化分析原型系统，使最终用户能够探索检测到的事件，并根据不同应用场景调整参数。
• 结合时间聚类、空间邻近性与行为偏差检测，识别涉及大量人员异常行为的事件。

实验结果

研究问题

• RQ1 如何从时间与空间稀疏的CDR数据中有效检测异常人群事件？
• RQ2 在移动行为偏离常规活动的意义上，什么定义了‘异常’人群事件？
• RQ3 如何从低分辨率CDR数据中可靠推断群体移动模式？
• RQ4 能否设计一种适用于稀疏CDR数据的框架，优于基于高分辨率GPS数据训练的现有方法？
• RQ5 最终用户如何在真实城市治理场景中与检测到的事件进行交互并加以理解？

主要发现

• 所提方法在科特迪瓦真实CDR数据上的测试中，相较于最先进GPS方法，精确率提高10倍，召回率提高16%。
• 该框架成功检测到2010–2011年科特迪瓦危机期间的抗议和政治动乱等异常事件，即使CDR观测数据有限且不规则。
• 可视化分析原型系统使用户能够有效探索事件并调整参数以适应不同城市治理场景。
• 该方法通过将当前轨迹与个体历史移动模式进行比较，成功区分异常人群行为与日常活动。
• 该方法在数据稀缺环境（如GPS或监控基础设施有限的发展中国家）中也具有可推广性和有效性。
• 本研究证明，尽管CDR数据分辨率较低，但通过适当的移动建模分析，仍能为大规模城市事件提供高价值洞察。