利用移动电话网络数据早期检测关键城市事件

网络信令数据（NSD）有潜力提供关于个体手机服务存在、移动和使用模式的连续时空信息。这些信息对于监测大城市区域和支持决策服务的实施非常宝贵。当实时分析时，NSD可以早期检测关键城市事件，包括火灾、大型事故、踩踏、恐怖袭击以及体育和休闲集会，特别是当这些事件显著影响受影响区域的移动电话网络活动时。本文提供了实证证据，表明先进的NSD可以以精细的空间和时间分辨率检测可归因于关键城市事件的移动流量服务消耗异常。我们介绍了两种从大规模NSD提取的多变量时间序列中实时检测异常的方法，利用了从最先进的无监督机器学习技术中改编的一系列算法用于异常检测。我们的研究包括对这些算法在巴黎地区大规模NSD服务消耗数据集上的全面定量评估。评估使用了一个记录的关键或异常城市事件的原始数据集。该数据集被构建为评估算法性能的真实基准。获得的结果表明，我们的框架可以几乎即时地检测异常事件，并以高精度定位受影响区域，大大优于随机分类器。这种效率和有效性凸显了基于NSD的异常检测在显著增强应急响应策略和城市规划方面的潜力。