IT思维

公众号/将门创投

From:Google 编译:T.R

理解人口流动性对于现代社会有着十分关键的作用，从交通基础设施检测到疾病监控预防，从理解政策传导到自然迁徙分析等领域都具有十分重要的作用。

先前用于人口流动的方法局限于特定交通工具日志记录和特定区域的信息记录来实现，在数据种类和覆盖范围上都有所局限。同时由于用户在国外一般都不使用国内的手机卡，电信运营商也难以收集重要的跨境流动和长距离的旅行数据。这些传统的方法在时空上造成了人口流动测量的很大局限。

那怎么办呢？我们来介绍一种新方法——去识别化的人口聚合流动，它可以通过手机的位置传感器计算得到，并在全球范围实现均匀的空间分辨率。这种直接、准确、及时的方法有望成为城市规划中的重要手段，并在较少资源的情况下展示出城市的组织结构和人口流动变化情况。

最近谷歌的研究人员在《自然·通讯》上发表了一篇针对人口流动模式的研究工作，在隐私技术的保护下对人口的流动模式进行了细致的分析，发现了城市的组织特点，并为城市的宜居和可持续性发展提供更为坚实的量化视角。

上图展示了基于隐私保护下计算出的移动性地图，每一个数据点来自于自动聚合与差分隐私技术，并在不同空间尺度上研究了人口流动的模式。

保障隐私的人口流动

为了充分保障用户的数据隐私，使得每一个用户的具体数据不会被识别出来，研究人员利用了差分隐私技术来对数据进行处理。

这种方法通过对原始数据加入一定的随机“噪声”，使得聚合层次的全局数据在保持精度的同时消除了用户隐私暴露的风险。研究人员从同意采集位置历史数据的用户手机上收集数据，利用前面的方法处理、聚合后用于全球人口流动模式的分析。

这一模型通过将时间和空间进行有效量化来将时空数据块进行聚合，不仅保障了个人的隐私，甚至还能保护社区的隐私。针对每一对地理区域，系统将计算出这对区域间在给定时间间隔间的相对人口流动，在差分隐私的基础上计算出全球性的匿名的聚合人口流动性地图。这一流动性数据只会生成一次，同时只有与大量流动相关的移动性流量才会纳入模型考虑。

这样的设计限制了系统对于数据的过度收集，从而保护了用户信息不被恶意攻击识别出来。

流动性地图的应用

城市中的人口流动定义了城市，而流动模式反过来也影响着其中生活的人类。为了更好的分析城市的流动性，研究人员从流动性图中推导出了一个称为流动层次(flow hierarchy)的指标，它量化了城市的组织层次。

其实早在1930年代，研究人员就对城市的层次结构有着深入的研究，包括中心与周围地带的关系以及单核或多极的城市形态。然而在新的研究中发现了更为丰富的城市形态信息。移动性地图为城市提供了量化的呈现手段，而这一层次指标则与健康、交通等重要的指标显著相关。

下图显示了巴黎和洛杉矶的城市流动性图，尽管人口总数相近但却呈现出了完全不同的人流模式模式——巴黎是一个十分典型的中心型城市，具有一个显著且流动性高的中心，流动性由内向外逐渐递减；而洛杉矶则是一个多中心城市，它具有多个高流动性的区域散布在整个地区。

层次性更强的城市意味着更高的层次流动性，这也意味着城市人流的空间分布更为均匀、公共交通的使用率和步行率更高、更少的污染排放和更好的健康指数。在上面的例子中，巴黎的流动层次指数为0.93（在采样的174个城市中处于前1/4），而洛杉矶则为0.83（较低）。

研究人员发现流动层次指数与人口密度和城市拓展综合指数间有着密切的关系，同时还能提供更多与社会经济与行为学相关的额外有效信息。下图显示了指标间的相关性，更高的城市流动性意味着更多的公共交通使用率和步行率。

此外测量城市拓展综合指数以及人口密度等指标需要复杂的统计工作，同时所能调查的区域和准确率收到了时间和空间的限制。而本方法提出的流动层次指标则可以低成本地从移动设备中迅速获取，极大地提高了结果的准确性和实时性。

基于流动性图的流动层次指标为城市结构的优化提供的独特的量化视角。从公共政策的角度来看，更高的流动性层次意味着更大的公共交通需求。基于流动性图可以看到城市不同中心间的连接需求，政策制定者们可以针对性地提供公共交通、汽车税费等组合政策来对城市的发展进行调节，促进城市更好运行。

更进一步

研究人员将继续推进算法的研究，并在未来尝试设备端的联合学习，让数据不用离开用户的移动端就能得到准确的人口流动性结果。此外通过利用分布式安全聚合协议和随机响应，全球的人流数据可以在完全匿名的条件下进行计算和分析，大大提高了保护用户隐私的水平、降低了恶意攻击的威胁。

在不久的将来，希望人口流动性分析将更好的服务于医疗、健康、资源配置和基础设施规划，让社会变得更加高效、有序、以人为本。