Com a presença generalizada de telefones móveis, os provedores telefônicos agora coletam dados de localização ao longo do dia por meio de dados de GPS e sinais de celular. Isso abre oportunidades de pesquisa espacial, mas também preocupação com a proteção de dados.

Os reguladores permitiram a liberação de dados de celulares, mas dificultaram a localização de um indivíduo específico, nomeado, em lugares e horários determinados. Em outras palavras, os dados podem ser usados ​​para fins de pesquisa, mas os indivíduos precisam permanecer anônimos e os dados não podem ser usados ​​para rastrear qualquer indivíduo. Ainda existe uma preocupação generalizada, particularmente porque tais dados podem ser hackeados ou até mesmo a questão de se as empresas de celular podem ou não armazenar esses dados. No entanto, os reguladores na Europa e na América do Norte tentaram continuar permitindo que os pesquisadores tenham acesso à informação, dado o potencial de pesquisa, ao mesmo tempo em que reforçam as regulamentações para proteger a privacidade do usuário individual. Tipos comuns de pesquisa foram realizados estimando populações em locais determinados usando análises de densidade, bem como atividades que estão ocorrendo em diferentes locais urbanos. [1]

Métodos foram desenvolvidos também para neutralizar as dados de localização com manchas ou baixa resolução obtidos. Esses dados podem dificultar a criação de uma reconstrução precisa de onde e quando as pessoas viajam para determinados locais. Algoritmos para filtrar e suavizar dados permitem que a localização e o tempo interpolados sejam determinados, onde as trajetórias podem ser usadas para estimar a direção e a velocidade dada em um local usado para estimar o ritmo geral da viagem. Depois que os dados são limpos, usando redes Markov ou entendimento probabilístico de opções e opções de rede, rotas para atividades e tráfego para eventos podem ser mapeadas e estimadas para grupos de dados. Isso permite uma compreensão relativamente precisa dos clusters de atividades, bem como a modelagem e previsão de atividades potenciais ou até mesmo onde as pessoas podem ir quando uma atividade é concluída. [2]

 Estimativa das informações de localização do telefone celular: (a) Avanço do Tempo e (b) Técnicas de força de sinal recebido. Image: Calabrese Ferrari, & Blondel, 2014.
Métodos para estimar informações de localização de telefones celulares: (a) Avanço de Tempo e (b) Técnicas de Força de Sinal Recebidas. Imagem: Calabrese Ferrari, & Blondel, 2014.

Como os dados dos telefones celulares costumam ser grosseiros e generalizados para torná-los anônimos, segmentar os dados em zonas de atividade pode ser um desafio para os pesquisadores. Um método é comparar a atividade dividindo uma zona urbana em distritos de atividades. Isso significa medir a atividade de linha de base em dias normais e, ao mesmo tempo, medir quais atividades ocorrem durante outros dias não normais nas zonas para detectar anomalias de dados de celular. Ao detectar anomalias e mapeá-las para eventos ou outras atividades conhecidas na cidade, pode-se começar a determinar como os eventos econômicos, sociais, culturais e outros afetam e se relacionam com a população urbana em geral. Em outras palavras, a segmentação e a detecção quando as tendências celulares diferem da linha de base permitem medir os efeitos de determinados eventos na população e quão atraentes podem ser esses eventos. [3]

Fluxos agregados entre regiões poderiam Também permitem uma compreensão dos padrões diários de mobilidade ou até mesmo o efeito de eventos nos padrões de mobilidade em escalas maiores. Por exemplo, a pesquisa foi capaz de mostrar como os padrões populacionais e o fluxo entre Paris e as regiões vizinhas se desenvolveram ao longo do tempo ou por causa dos principais nós de transporte. [4] Outro uso potencial de dados de telefonia móvel em grande escala está planejando evacuação. Os dados dos telefones celulares permitem uma estimativa de como as pessoas evacuam em um incidente grave. Por exemplo, durante um incidente grave, as pessoas muitas vezes tentam reutilizar uma determinada rede de transporte, mesmo depois de ter sido gravemente afetada. Isso poderia impedir o trabalho de resgate que está em andamento e muitas vezes pode significar que os socorristas precisam planejar atividades em torno da retomada de serviços em redes de transporte que fornecem menos opções redundantes. [5]

 Reconstrução de viagens e locais visitados. Pontos vermelhos representam as localizações de células brutas e a linha verde é a trajetória filtrada. Estrelas amarelas marcam lugares visitados e os números indicam a hora do dia em horas desde a meia-noite. Fonte: Widhalm et al., 2015.
Reconstrução de viagens e locais visitados. Pontos vermelhos representam as localizações de células brutas e a linha verde é a trajetória filtrada. Estrelas amarelas marcam lugares visitados e os números indicam a hora do dia em horas desde a meia-noite. Fonte: Widhalm et al., 2015.

Os dados celulares móveis têm um grande potencial para permitir uma melhor compreensão de como usamos os espaços urbanos, incluindo redes de transporte e acesso a eventos e locais. Também oferece potencial para entender nossas atividades econômicas por meio de comparações entre padrões de tráfego normal e anômalo. O perigo, no entanto, é que tais dados possam ser potencialmente roubados. Embora as leis atuais geralmente tentem proteger o indivíduo, o perigo ainda existe para os indivíduos serem determinados por dados de localização possivelmente armazenados que são posteriormente roubados.

Referências

[1]    For a survey on regulations and general usage of cellular data, see:  Calabrese, F., Ferrari, L., & Blondel, V. D. (2014). Urban Sensing Using Mobile Phone Network Data: A Survey of Research. ACM Computing Surveys47(2), 1–20. https://doi.org/10.1145/2655691.

[2]    For more on how errors and low resolution in cellular data could be overcome, see:  Widhalm, P., Yang, Y., Ulm, M., Athavale, S., & González, M. C. (2015). Discovering urban activity patterns in cell phone data. Transportation42(4), 597–623. https://doi.org/10.1007/s11116-015-9598-x.

[3]    For more on segmentation and detection of anomalies in urban activities, see:  Cici, B., Gjoka, M., Markopoulou, A., & Butts, C. T. (2015). On the Decomposition of Cell Phone Activity Patterns and their Connection with Urban Ecology (pp. 317–326). ACM Press. https://doi.org/10.1145/2746285.2746292.

[4]    For more on urban-rural and nationwide population flows between cities and countryside, see:  Trasarti, R., Olteanu-Raimond, A.-M., Nanni, M., Couronné, T., Furletti, B., Giannotti, F., … Ziemlicki, C. (2015). Discovering urban and country dynamics from mobile phone data with spatial correlation patterns. Telecommunications Policy39(3–4), 347–362. https://doi.org/10.1016/j.telpol.2013.12.002.

[5]    For more on and an example of mass incidents and response and evacuation using mobile phone data, see: Duan, Z., Lei, Z., Zhang, M., Li, W., Fang, J., & Li, J. (2017). Understanding evacuation and impact of a metro collision on ridership using large-scale mobile phone data. IET Intelligent Transport Systems11(8), 511–520. https://doi.org/10.1049/iet-its.2016.0112.

Fonte:GISLounge

Autor: Mark Altaweel