АНАЛИЗ ДАННЫХ СОТОВЫХ СЕТЕЙ ПРИ ИЗУЧЕНИИ НАСЕЛЕНИЯ – тема научной статьи по компьютерным и информационным наукам читайте бесплатно текст научно-исследовательской работы в электронной библиотеке КиберЛенинка

7 Основные принципы взаимодействия MS и BTS

Начнем с того, что происходит при включении мобильного телефона. Чаще всего, даже если телефон выключен со вставленной батареей, он продолжает работать. В это время работает небольшая программа, называемая «загрузчиком». Загрузчик ожидает нажатия клавиши включения, запускает процесс зарядки при подключении зарядного устройства, а иногда и будильник.

Все зависит от конкретной модели телефона. Как только нажимается клавиша включения, начинается процесс загрузки операционной системы, которая сначала проверяет наличие SIM-карты, а затем запускает сканирование эфира в поисках сети оператора. Даже если SIM-карты нет, телефон все-равно подключается к ближайшей базовой станции, предоставляя возможность экстренного вызова.

Если SIM-карта на месте, выполняется запрос Location Update, уведомляющий сеть о текущем LAС абонента. Затем, базовая станция запрашивает IMEI телефона и IMSI SIM-карты, чтобы идентифицировать абонента (Identity Request). Если предоставленный IMEI отличается от того, с которым абонент подключался раньше, оператор может выслать настройки интернета.

Теперь подробнее остановимся на процессе подключения к сети. Каждая базовая станция обязательно имеет широковещательный канал CCCH, который располагается на нулевом таймслоте определенного ARFCN. В процессе сканирования эфира телефон последовательно переключает частоту тюнера, измеряя мощность принимаемого сигнала.

Как только BTS с наиболее сильным сигналом будет найдена, телефон переключается на ее канал синхронизации (SCH). Затем, получив первый Synchronization Burst, телефон определяет порядок следования таймслотов, а также идентификационные данные BSIC, которые состоят из NCC (Network Color Code) и BCC (Base station Color Code). Список разрешенных и запрещенных для подключения идентификаторов хранится на SIM-карте.

Как только телефон находит разрешенный BCCH, посылается RACH-запрос, базовая станция выделяет определенный физический канал, выполняет аутентификацию абонента, а также регистрирует его прибывание в VLR и HLR. После этого телефон находится в режиме IDLE.

Читайте про операторов:  Интернет и мобильная связь в Черногории - сотовая связь, интернет провайдеры

При входящем звонке или SMS-сообщении, все базовые станции текущего LAC начинают рассылать Paging Requests, чтобы уведомить абонента о каком-либо событии. Если телефон его «услышал», он отвечает, сеть высылает пакет Immediate Assignment, описывающий выделенные абоненту ресурсы (частота, номер таймслота и т.д.). Очень похоже на Ping в Интернете. С этого момента телефон находится в режиме DEDICATED до момента разрыва соединения.

В случае, если абонент сам выступает в роли инициатора соединения, ему необходимо сначала выслать запрос CM Service Request, а затем дождаться Immediate Assignment от сети.

2 Физические каналы, разделение множественного доступа

С диапазонам разобрались. Теперь представьте небольшую закрытую комнату, в которой много людей. Если в определенный момент времени все начнут разговаривать, собеседникам будет трудно понимать друг друга. Некоторые начнут говорить громче, что только ухудшит ситуацию для остальных. Так вот, в физике это явление называется

. Иными словами интерференцию можно назвать наложением волн. Для сотовых сетей GSM это паразитное явление, поэтому на помощь приходят технологии разделения множественного доступа.

Потребность в разделении множественного доступа возникла давно и применяется как в проводных коммуникациях (I2C, USB, Ethernet), так и в беспроводных. В сотовых сетях чаще всего используются технологии FDMA (Frequency Division Multiple Access), TDMA (Time Division Multiple Access) и CDMA (Code Division Multiple Access).

Для радиосистем существует два основных ресурса — частота и время. Разделение множественного доступа по частотам, когда каждому приемнику и передатчику выделяется определенная частота, называется FDMA. Разделение по времени, когда каждой паре приёмник-передатчик выделяется весь спектр или большая его часть на выделенный отрезок времени, называют TDMA.

В CDMA нет ограничений на частоту и время. Вместо этого каждый передатчик модулирует сигнал с применением присвоенного в данный момент каждому пользователю отдельного числового кода, а приемник вычисляет нужную часть сигнала, используя аналогичный код.

Кроме того, существует еще несколько технологий: PAMA (Pulse-Address Multiple Access), PDMA (Polarization Division Multiple Access), SDMA (Space Division Multiple Access), однако, их описание выходит за рамки данной статьи.

FDMAПринцип данного метода заключается в том, что доступный частотный спектр разделяется между приемниками и передатчиками на равные или неравные частотные полосы, часть из которых выделяется под Downlink (трафик от BTS к MS), часть под Uplink (трафик от MS к BTS). Об этом мы уже говорили.

TDMAВместе с разделением по частоте (FDMA), в GSM применяется метод разделения по времени — TDMA. Согласно TDMA, весь поток данных делится на фреймы, а фреймы в свою очередь делятся на несколько таймслотов, которые распределяются между приемопередающими устройствами. Следовательно, телефон может выполнять обмен информацией с сетью только в определенные, выделенные ему промежутки времени.

Фреймы объединяются в мультифреймы, которые бывают двух видов:

Control Multiframe (содержит 51 фрейм)

Traffic Multiframe (содержит 26 фреймов)

Мультифреймы образуют суперфреймы, а уже суперфреймы образуют гиперфреймы. Подробнее о структуре фреймов и их организации можно узнать тут (источник изображений) и здесь.

В результате, физический канал между приемником и передатчиком определяется частотой, выделенными фреймами и номерами таймслотов в них. Обычно базовые станции используют один или несколько каналов ARFCN, один из которых используется для идентификации присутствия BTS в эфире.

Анализ данных сотовых сетей при изучении населения

УДК 314.728 331.556.2 JEL: O15, R23

DO110.24147/1812-3988.2021.19(1).58-69

АНАЛИЗ ДАННЫХ СОТОВЫХ СЕТЕЙ ПРИ ИЗУЧЕНИИ НАСЕЛЕНИЯ

Р.А. Долженко

Уральский институт управления – филиал РАНХиГС (Екатеринбург, Россия)

Информация о статье

Дата поступления 28 ноября 2020 г.

Дата принятия в печать 15 января 2021 г.

Тип статьи

Исследовательская статья

Ключевые слова

Геоаналитика, сотовые компании, мобильные операторы, большие данные, анализ данных, визуализация данных

Аннотация. Рассмотрены возможности использования больших данных, сосредоточенных у агрегаторов, обеспечивающих предоставление услуг мобильной связи и обладающих информацией о пользователях в разных аспектах их деятельности (перемещения, расходы, интересы, социально-демографические показатели) в рамках геоаналитики. Данное направление только начинает использоваться для принятия управленческих решений, что повышает актуальность предложенных в работе наработок. Показано, что использование анализа данных сотовых компаний позволяет оценить различные стороны жизнедеятельности населения в разбивке по любой территории, например миграционные потоки внутри региона и между регионами вплоть до персоны. Использование данных сотовых компаний позволяет обеспечить оперативность, точность анализа, как результат, повысить эффективность управленческих решений стейкхолдеров. Предложен набор данных, который необходим для подобной оценки на примере оператора мобильной связи. Описаны возможности, а также сложности, с которыми может столкнуться исследователь при анализе больших данных компаний, обеспечивающих услуги мобильной связи. Разработана методика анализа данных сотовых сетей, которая включает в себя различные параметры, необходимые для заказчика исследования. Приведены примеры базовых отчетов о населении районов с использованием данных мобильных сетей, которые могут быть использованы при анализе взаимозависимостей между параметрами для принятия управленческих решений в части развития миграционной политики в регионе. Предложенные наработки могут быть использованы в деятельности органов государственной и муниципальной власти, а также для повышения эффективности исследования демографических показателей на территориях страны посредством учета данных о конкретных субъектах.

DATA ANALYSIS OF MOBILE NETWORKS IN THE STUDY OF POPULATION

R.A. Dolzhenko

Ural Institute of Management – Branch of RANEPA (Yekaterinburg, Russia)

Article info

Received

November 28, 2020

Accepted January 15, 2021

Type paper

Research paper

Keywords

Geoanalysis, cellular companies, mobile operators, Big Data, data analysis, data visualization

Abstract. The paper considers the possibilities of using big data, concentrated among aggregators that provide mobile services and have information about users in various aspects of their activities (movements, expenses, interests, socio-demographic indicators) in the framework of geoanalytics. This direction is just beginning to be used for making management decisions, which increases the relevance of the developments proposed in the work. It is shown that the use of data analysis of cellular companies makes it possible to assess various aspects of the life of the population broken down by any territory, for example, migration flows within a region and between regions up to a person. The use of data from cellular companies makes it possible to ensure the efficiency, accuracy of the analysis, as a result, to increase the effectiveness of management decisions of the stakeholders. A set of data is proposed, which is necessary for such an assessment on the example of a mobile operator. It describes the possibilities and difficulties that a researcher may face when analyzing the big data of companies that provide mobile services. A methodology for analyzing data from cellular networks has been developed, which includes various parameters required for the research customer. Examples of basic reports on the population of districts using data from mobile networks are given, which can be used to analyze the interdependencies between the parameters for making managerial decisions regarding the development of migration policy in the region. The proposed developments can be used in the activities of state and municipal authorities, as well as to increase the efficiency of the study of demographic indicators in the country’s territories by considering data on specific subjects.

1. Введение. Ключевой тренд, который проявляет себя в современной экономике, – повсеместная цифровизация, под которой понимается не просто активное насыщение производственных и общественных процессов информационными системами, но переход к использованию данных для повышения их эффективности. И если данные активно аккумулируются многими участниками экономических отношений, особенно теми, кто приближен к своим клиентам, то направления их использования с помощью искусственного интеллекта, статистического и предиктивного анализа, машинного обучения, только начинают формироваться.

С другой стороны, происходящие изменения приводят к усилению миграционных потоков на территории Российской Федерации, которые уже в среднесрочной перспективе могут значительно изменить социально-трудовой ландшафт регионов страны. Для того чтобы управлять миграцией в новых условиях, необходимо использовать адекватные механизмы оценки ее потоков. Именно анализ больших данных о перемещениях людей на территориях может стать тем инструментом, который позволит в оперативном порядке получать срез ситуации, оперативно реагировать на изменения показателей, предсказывать их значение на перспективу.

Цель работы – провести оценку теоретико-методологических оснований для изучения населения с помощью анализа данных, собираемых компаниями сотовой связи, а также использования его результатов для принятия управленческих решений в различных областях общественной жизни. В статье категории «сотовая связь» и «мобильная связь», а также связанные понятия мы будем рассматривать в качестве синонимов, не вдаваясь в их различия, так как в контексте нашей работы они не существенны.

2. Обзор литературы. Обращаясь к теме использования больших данных для анализа миграционных потоков, прежде всего отметим, что работ, посвященных ей, в научных изданиях практически нет. Точнее, в настоящее время в русскоязычном сегменте научной литературы данное направление представлено лишь в одной работе в журнале «Вопросы статистики» [1]. В данной статье коллектив авторов рассматривает использование больших данных в целях получения новых знаний о населении и исследования на их основе раз-

личных социально-экономических явлений и процессов. Еще одна работа – исследователей под руководством В.И. Татаренко из Сибири -рассматривает возможности использования данных о населении для построения сети коммерческих объектов [2]. Ю.Ю. Соловьева рассматривает возможности использования различных методов анализа в геомаркетинге [3].

В зарубежных изданиях этих работ больше, но не на много. Контент-анализ публикаций, индексируемых в базах Web of Science и Scopus, показал, что по данной тематике за 2022-2022 гг. опубликовано чуть больше 20 работ, в которых изучаются перспективы исследования общественных процессов с помощью данных сотовых сетей, например в статьях F. Calabrese с соавторами [4], X. Zuo и Y. Zhang [5], в некоторых представлены конкретные направления использования, в частности: использование GPRS координат пользователей для определения потоков перемещения на примере трафика в Бостоне [6], оценка привлекательности инфраструктурных объектов с помощью распределения и плотности цифровых следов пользователей мобильных телефонов [7], изучение городского трафика с помощью социальных сетей в работах F. Calabrese с соавторами [8], S. Tao с соавторами [9], нагрузка на социальные сети как индикатор социальных событий на карте в статьях коллективов ученых под руководством J. Reades [10], R. Ahas [11], F. Girardin [12], обнаружение людей с помощью данных [13] и т. д. Отметим, что б0льшая часть публикаций приходится на период с 2022 по 2022 г. И если первые публикации отражают возможности использования данных социальных сетей, то в дальнейшем исследователи описывают конкретные варианты применения различных математических моделей для анализа данных [14-16].

Отметим, что существует целый пласт исследований, которые затрагивают вопросы использования данных для геоаналитики или, если говорить о решении конкретных прикладных задач, геомаркетинга, как правило, они представлены в работах автора [17], С.Г. Ки-сельгоф, Ф.Т. Алескерова [18]. В основе данной технологии лежит использование данных при принятии решений по развитию регионов и городов с учетом миграционных потоков населения. Однако, именно в последние годы за счет бурного развития технологии машинного обучения и Big Data можно говорить о

прорывных решениях в данной области. Геоаналитика с помощью данных сотовых сетей выходит на качественно новый уровень. Но, прежде чем рассмотреть методические подходы к этому направлению, определимся с базовыми понятиями.

Можно дать следующее определение понятия «геоаналитика»: это инструмент для получения массивов данных о населении и его перемещениях, который построен на анализе

технологических событий агрегатора и построении математических, предиктивных моделей с использованием технологий Big Data и Machine Learning.

Повсеместная цифровизация процессов, активное подключение населения к Сети и генерация большого количества цифровых следов позволяет эффективно использовать собранные о жителях данные, что имеет ряд несомненных преимуществ использования (рис. 1).

Рис. 1. Преимущества использования технологии Big Data для анализа и управления территорией Fig. 1. Advantages of using Big Data technology for analysis and management of the territory

Ключевая особенность данных, собираемых мобильными сетями, заключается в том, что они отражают реальную картину в оперативном режиме по всем пользователям, а в силу распространения мобильной связи можно утверждать, что данные репрезентативны для всего населения.

С другой стороны, нельзя обойти стороной и сложности, которые могут ухудшить результаты традиционных подходов к геоаналитике населения, к ним мы предлагаем ряд важных моментов. Во-первых, любые территории характеризуются несбалансированностью объектов транспортной, социальной, деловой инфраструктуры – каждый населенный пункт уникален, обладает особенностями, которые не позволяют делать общие выводы и рекомендации. Во-вторых, любой сбор данных о таких сложных объектах, как население крупных территорий, сопряжен с высокими расходами. В-третьих, анализ основывается на обобщениях и допущениях, которые могут приводить к иска-

жению выводов. Для достоверных результатов исследования необходима качественная проработка характера использования территории, ее истории, особенностей экономического и досугового ландшафта.

С нашей точки зрения, все эти ограничения могут быть сняты с помощью использования больших данных, генерируемых мобильными сетями о населении. В этом случае можно получить следующие результаты применения данных геоаналитики:

• использование показателей о численности и плотности населения с высокой пространственной детализацией с глубиной аналитики до уровня конкретного пользователя;

• наличие данных о траекториях потоков населения, в том числе очищенных от случайных перемещений;

• прогноз спроса на существующие и новые маршруты с учетом трендов, скрытой динамики изменения;

• в перспективе, когда стоимость данных будет снижена, можно спрогнозировать уменьшение уровня расходов заказчиков на транспортное моделирование.

Кроме того, использование Big Data позволяет получать актуальную информацию о дневной и вечерней корреспонденции населения, строить и анализировать трафики города, находить оптимальные маршруты и точки притяжения людей. Как видно, сфера применения данной технологии для управления территории очень разнообразна и, главное, эффективна, однако на текущем уровне принятия она слишком сложна для органов власти (в их штатном расписании просто отсутствуют специалисты с компетенциями в данной области), дорога (приобретение массива данных у любого мобильного оператора стоит значительные для бюджета средства).

В любом случае, использование данных сотовых сетей позволит повысить эффективность управления городскими процессами, территориальным развитием, мобильностью населения, транспортными потоками и др. В современных условиях муниципалитет уже не может проводить культурно-массовые мероприятия, развивать туризм, планировать мероприятия по обеспечению безопасности, разрабатывать стратегию развития территории, строительство новых объектов и др. без использования данных сотовых сетей, а также их глубинного анализа, построенного на основе искусственного интеллекта и машинного обучения.

Рассмотрим, какие риски и возможности влечет за собой использование геоаналитики в различных сферах общественной жизни, например безопасности населения, туризма, градостроительства (конкретный выбор определен необходимостью отразить абсолютно разные направления деятельности).

3. Направления использования геоаналитики в различных сферах общественной жизни. Обеспечение безопасности граждан крайне важно в современных условиях, так как существуют значительные риски нарушения безопасности и угрозы для населения, кроме того, мы до сих пор не научились прогнозировать развитие ситуаций, анализировать состояние трендов, предсказывать опасные события, наконец, реакция на подобные риски должна быть очень оперативной, особенно по отношению к категориям населения, которые находятся в зоне риска. Применение данных геоанали-

тики в этой области позволит добиться высокой точности и оперативности мониторинга групп лиц, находящихся в зоне риска, определения мест их концентрации, маршрутов следования, мест прибытия и убытия. Также станет возможным прогнозирование развития рисков общественной безопасности, связанных с миграцией населения, с учетом накопленных за предыдущие периоды данных высокой точности и достоверности.

Туризм как сфера деятельности актуален для многих регионов страны. В силу ее больших размеров, расширение туристической отрасли затруднено из-за недостаточного и неравномерного развития необходимой инфраструктуры, недостаточной диверсификации предложений для различных сегментов, до сих пор отсутствует опыт сбора и анализа информации о въезжающих туристах, как результат -бизнес и органы власти имеют данные низкого качества о структуре и параметрах туристического потока и эффекте высокобюджетных мероприятий, направленных на его привлечение. В свою очередь, туризм является одной из самых перспективных сфер развития геоаналитики, которая позволит использовать актуальные данные о турпотоках, сократить временные и бюджетные затраты на сбор информации, начать использовать ранее недоступные данные, повысить эффективность планирования развития туризма и продвижения отдельных мероприятий, расширить перечень категорий туристов.

Использование больших данных в градостроительстве позволяет более эффективно управлять территориальным развитием. Как известно, чем крупнее населенный пункт, тем сложнее сбалансировать социальную, деловую инфраструктуру, их использование в разное время или отдельными категориями населения, как результат – у жителей может снижаться удовлетворенность качеством и комфортом среды.

Посредством учета численности населения и его потоков можно повысить удовлетворенность жителей через оптимальное размещение объектов социальной, транспортной, деловой инфраструктуры. Следствием увеличения масштаба сбора данных может стать значительная экономия на издержках сбора информации.

Подобные преимущества использования геоаналитики можно выделить практически для любых сфер общественной жизни. Ее вне-

дрение, как показано выше, ограничивается дороговизной данных и отсутствием необходимых компетенций в указанной области у органов власти, муниципалитетов, возможных заказчиков. На стоимость услуги может повлиять только конкуренция, а вот второе ограничение может быть преодолено за счет обучения сотрудников и набора необходимых специалистов на рынке. В любом случае заказчик должен обладать сформированным видением подходов к использованию подобных данных для решения своих задач. Именно их мы и представим далее.

4. Возможности использования данных сотовых сетей о населении. С опорой на работу авторов под руководством В.И. Татарен-ко [2], с нашей точки зрения анализ данных сотовых сетей в самом упрощенном виде включает в себя три этапа:

– сбор и подготовка данных;

– анализ данных;

– визуализация результатов.

Если говорить о более детальной декомпозиции задач, стоящих перед исследователями, то методика анализа будет иметь следующий вид (рис. 2).

Подготовка

Выявление конкретного запроса

Определение решаемых машиной задач

Машинный этап

Этап извлечения

ценности (аналитический)

Задачи кластеризации (Cluster Analysis) – сегментируем абонентскую базу с целью нахождения групп пользователей, по каким-то характеристикам похожих друг на друга (алгоритмы вроде Kmeans и более продвинутые алгоритмы иерархической кластеризации и кластеризации на графах)_

Задачи на графах (Social Network Analysis) – выделяем сообщества, вычисляем их различные характеристики, предсказываем новые знакомства

Задачи прогнозирования

Оценка корреляций между показателями, построение модели

Коммуникация отчетов и задач / показателей областного управления

Подготовка

пакета предложений

Обратная связь от стейк-холдеров и коррекция весовых значений

Рис. 2. Методика анализа данных сотовых сетей Fig. 2. Methods for analyzing data from cellular networks

Задача сбора и анализа данных является непрерывным процессом, который должен подстраиваться под запросы стейкхолдеров (заказчиков) оценки.

Круг базовых отчетов, результатов анализа данных о населении, которые могут использоваться в целях развития градостроительства и управления территориями, достаточно широк. Например, можно анализировать плотность населения, динамику его численности, распределение по районам и др. Базовое применение

данных мобильных сетей не многим отличается от статистики, которая использует для анализа изменения показателей социологические опросы и косвенные показатели.

Сотовые компании могут продавать как данные, так и результат их анализа. Считаем, что собственная аналитика будет более результативна за счет экономии на издержках, учета особенностей заказчика и его целей. Поэтому необходимо четко понимать, какие данные и в каком формате должны быть представлены

для анализа. Классический вариант – это табличная форма предоставления, структурированная по ряду базовых переменных.

Каким образом могут быть представлены данные о населении, его плотности, миграционных потоках? С учетом того, какие данные и в каком формате агрегируются сотовыми ком-

паниями, мы предлагаем следующую базовую структуру пакетов данных.

Самый простой пакет данных для анализа – «Изменение численности населения», он описывает количество людей, проживающих или работающих на заданной территории. Пример его представления приведен в табл. 1.

Таблица 1. Пример списка переменных пакета данных «Изменение численности населения» Table 1. An example of a list of variables in the data package “Population change”

Переменная Описание Формат

Dt Дата окончания периода, за который собирались данные YYYY.MM.DD

Zid Идентификатор зоны Целое число

customers_cnt_home Число человек, проживающих на заданной территории Целое неотрицательное число

customers_cnt_job Число человек, работающих на заданной территории Целое неотрицательное число

customers_cnt_day Число человек, которые обычно находятся на заданной территории днем Целое неотрицательное число

customers_cnt_move Число человек, проживающих на заданной территории и имеющих разъездную работу Целое неотрицательное число

Второй базовый пакет данных для первичного анализа – «Изменение плотности населения», он описывает количество людей, нахо-

дящихся на заданной территории, с детализацией до получасовых интервалов (см. пример в табл. 2).

Таблица 2. Пример списка переменных пакета данных «Изменение плотности населения» Table 2. An example of a list of variables of the data package “Population density change”

Переменная Описание Формат

Ts Дата и время начала получасового интервала YYYY.MM.DD НН:ММ

Zid Идентификатор зоны Целое число

customers_cnt_total Общее количество абонентов, находящихся на территории района (с учетом тех, кто находится на территории района непродолжительное время) Целое неотрицательное число

customers_cnt_long Число абонентов, находящихся на территории района продолжительное время Целое неотрицательное число

customers_cnt_work Число абонентов, находящихся на территории района на рабочем месте Целое неотрицательное число

customers_cnt_loc Число абонентов, находящихся на территории района у себя дома Целое неотрицательное число

customers_cnt_city Число абонентов, находящихся на территории района и проживающих в городе Целое неотрицательное число

customers_cnt_territory Число абонентов, находящихся на территории района и проживающих в регионе Целое неотрицательное число

Последний базовый пакет, который необходим для общего представления о населении территории, – «Динамика перемещений», он описывает количество людей, совершивших

поездку между любыми сочетаниями локаций, с детализацией до получасовых интервалов (см. пример в табл. 3).

Таблица 3. Пример списка переменных пакета данных «Динамика перемещений»

Table 3. An example of the list of variables of the data package “Displacement dynamics”

Переменная Описание Формат

Ts Дата и время начала интервала, за который предоставляется матрица YYYY.MM.DD НН:ММ

departure zid Идентификатор зоны отправления Целое число

arrival zid Идентификатор зоны прибытия Целое число

customers_cnt Число человек, начавших поездку в заданный временной интервал Целое неотрицательное число

customers_cnt_metro Число человек, совершивших поездку на метро Целое неотрицательное число

customers_cnt_home_work Число человек, совершивших поездку из дома на работу Целое неотрицательное число

customers_cnt_work_home Число человек, совершивших поездку с работы домой Целое неотрицательное число

customers_cnt_returned Число человек, совершивших поездку и вернувшихся обратно Целое неотрицательное число

customers_cnt_end Число человек, закончивших поездку в заданный временной интервал Целое неотрицательное число

customers cnt static Число неподвижных человек Целое неотрицательное число

Перемещение из своей зоны и возврат в нее (в течение указанного интервала) фиксируются в диагонали матрицы (arrival_zid = departure_zid). Отсутствие движения абонента фиксируется нулевой зоной назначения (arrival_zid = 0).

В таких базовых пакетах находится необходимый запас данных для проведения практически любой аналитики. Она ограничена используемыми сегментами, а также инструментами анализа: фильтрацией данных, перекрестным анализом, машинным обучением, Look-

alike (подходом к отбору схожей аудитории) и др. По отзывам экспертов, которые занимаются аналитикой, можно выделить около 400 различных сегментов: семейный статус, состояние трудоустройства, наличие автомобиля и характер его использования, туризм, наличие льгот, использование социальных, государственных и прочих сервисов, градация по уровню доходов, статус образования, отношение к спорту, наличие домашних животных и т. п. Пример базовых сегментов приведен в табл. 4-6.

Параметр Сегменты

Пол Мужчины

Женщины

Возраст 18-24

25-34

35-44

45-54

55-63

64

Уровень дохода, тыс. руб. в месяц 0-25

25-75

75-150

150

Занятость Учащиеся

Работающие

Предприниматели

Таблица 4. Примеры сегментации данных мобильных сетей о населении по социально-демографическому портрету

Table 4. Examples of segmentation of mobile networks data on the population by socio-demographic portrait

Р.А. Долженко 65

Окончание табл. 4 The end of Table 4

Параметр Сегменты

Наличие детей 0-16

0-3

4-9

10-16

Таблица 5. Примеры сегментации данных мобильных сетей о населении по геопоказателям Table 5. Examples of segmentation of mobile networks data on the population by geo-indicators

Параметр Территория, на которой доступен параметр

Координаты / адрес работы Москва и Московская область

Координаты / адрес дома Москва и Московская область

Координаты / адрес утреннего пребывания (топ-5 локаций) Россия

Координаты / адрес вечернего пребывания (топ-5 локаций) Россия

Регион проживания Россия

Путешествующие за границу Россия

Путешествующие за границу в развитые страны Россия

Путешествующие по России Россия

Известны регионы / города и частота поездок Россия

Известны страны и частота поездок за рубеж Россия

Готовые совершить поездку за границу Россия

Таблица 6. Примеры сегментации данных мобильных сетей о населении по прочим критериям Table 6. Examples of segmentation of data of mobile networks about the population by other criteria

Параметр Территория, на которой доступен параметр

Автомобилисты Москва и Московская область

Беременные женщины Москва

Надежные клиенты для выдачи кредита Россия

Заинтересованные в кредите надежные клиенты Россия

Не гражданин Российской Федерации Россия

Недвижимость Москва и Московская область

День рождения в ближайшие 7 / 14 / 30 дней Россия

Покупки в Интернете Россия

Владельцы смартфонов Россия

Криптовалютчики Россия

Фотографы Москва и Московская область

Заинтересованные в потребительском кредите Россия

Семьи Россия

Заинтересованные в спутниковом телевидении Россия

Заинтересованные в изучении английского языка Москва и Московская область

Слушают музыку Москва и Московская область

Читают книги (со смартфонов, e-book) Москва и Московская область

Ездят на метро (1-3 раза в месяц, более 4 раз) Москва и Московская область

Имеют девайсы дороже 50 000 Россия

Заинтересованные в ипотеке Москва и Московская область

Шопоголики (масс-маркет и премиум) Москва и Московская область

Водители такси Москва и Московская область

Покупают через смартфон (m-commerce) Москва и Московская область

В поиске работы Москва и Московская область

Домохозяйки Москва и Московская область

Также возможны прочие сегменты по тематике потребляемого контента: мобильная связь, банковские услуги, мультимедиа, реклама, социальные сети, такси, госуслуги, косметика, образование и т. д.

После того как сегменты определены и зафиксированы переменные, которые нас интересуют, проводится выборка данных. На ее основе проводится анализ с использованием наиболее адекватных инструментов.

Так, для понимания транзитного потока населения по территории нами была построена регрессионная модель:

Y = a0 a1x1 a2X2 … anxn,

где Y – зависимая переменная, x – влияющий фактор, a – коэффициент.

В зависимости от кластера формула регрессионной модели может приобретать следующий вид:

Транзитный поток = базовая метрика миграции путешествия семьи период времени

или

Загрузка метрополитена = базовая метрика пол возраст уровень дохода занятость дети.

Для анализа данных могут использоваться штатный функционал Microsoft Excel, Stata, SPPS, R, которые имеют широкий функционал для обработки данных, в том числе с наложением на карты.

После того как проведен анализ данных, важно также правильно представить его результаты. Часто этот момент оказывается более важным для принятия управленческих решений, чем глубина анализа и сложность используемой математической модели. Опять же, упомянутые программные комплексы для анализа данных обладают интегрированными графическими инструментами с опорой на самые современные достижения в сфере визуализации. Отметим, что очень хороший функционал графического представления данных имеется в программах Power BI и Tableau.

На рис. 3 приведен пример графического отображения данных о количестве людей, находящихся на Красной площади во время проведения масштабного мероприятия.

( |п im i в интервале с 10:00 ДО 22:00 Ч1СЛ0 иностранцев и жителей регионов России, единовременно* намолившихся на Красной плоталн

(по датам работы Парка Футбола)

Рис. 3. Пример графического отображения данных о количестве людей на территории Fig. 3. An example of graphical display of data on the number ofpeople in the territory

Данные могут быть также представлены в формате тепловой карты как по базовым станциям, так и по квадратам размером 500 х 500 м (в силу ограничения технологии сотовой связи). Для построения карт территориальной доступности можно использовать пакет для визуализации пространственных данных ggmap с использованием онлайн-источника Google Maps или API Яндекс.Карт. Географические координаты строений могут быть получены с помощью Google Geolocation API. Графическая интерпретация данных может быть осу-

ществлена с помощью набора компонентов GIS Toolkit Active.

Для обоснования насыщенности потоков населения могут быть использованы данные о территории (численность, уровень безработицы, наличие образовательных организаций, транспортные остановки, количество рабочих мест на территории и т. д.) из базы Ruslana.

Таков не полный перечень инструментов и подходов к анализу данных мобильных операторов и использованию результатов в управлении городской инфраструктурой для пони-

мания миграционных потоков и принятия стратегических решений, влияющих на население территории. Мы не будем претендовать на глубину анализа и представления возможностей, которые открываются перед исследователями населения, когда они начнут использовать большие данные мобильных операторов, так как это слишком сложная и многогранная задача. Но первые шаги в этом направлении уже делаются, поэтому важно понимать, что может получить общество сейчас, какие перспективы будут потом.

5. Заключение. Проведенный нами обзор методических оснований исследования данных о населении с помощью данных сотовых сетей о пользователях показал, что у данного направления статистического анализа большие перспективы. Работа с действительно большим,

чистым массивом данных, возможность использования инструментов машинного обучения и Big Data, эффектная визуализация результатов анализа данных и многие другие преимущества позволяют сделать вывод о перспективах данной области. С другой стороны, у возможных заказчиков и пользователей этого вида данных недостаточно компетенций не только для изучения, но и для понимания целесообразности подобных исследований. Монополизация данных (сейчас в стране три крупнейших компании, оказывающих услуги сотовой связи) приводит к тому, что цены на них действительно завышены, но уже в среднесрочной перспективе можно предположить, что они упадут. И значит, уже сейчас нужно формировать и развивать компетенции исследователей в этом направлении.

Литература

1. Полунина М. В., Ельникова Е. А., Аветисян С. Т. Новый цифровой источник статистической информации о населении // Вопросы статистики. – 2022. – № 25 (1). – С. 74-85.

2. Татаренко В. И., Вдовин С. А. Основные этапы плана геомаркетингового и геоаналитического исследования коммерческих объектов // Инновации и инвестиции. – 2022. – № 4. – C. 119-123.

3. Соловьева Ю. Ю. Использование методов стратегического анализа и прогноза в геомаркетинге // Интерэкспо Гео’Сибирь. – 2022. – Т. 6. – № 2. – С. 77-80.

4. Calabrese F., Colonna M., Lovisolo P., Parata D., Ratti C. Real-Time Urban Monitoring Using Cell Phones: A Case Study in Rome // IEEE Transactions on Intelligent Transportation Systems. – 2022. -Vol. 12 (1). – P. 141-151.

5. Zuo X., Zhang Y. Detection and Analysis of Urban Area Hotspots Based on Cell Phone Traffic // Journal of Computers. – 2022. – Vol. 7 (7). – P. 1753-1760.

6. Diao M., Zhu Y., Ferreira J., Ratti C. Inferring Individual Daily Activities from Mobile Phone Traces: A Boston Example // Environment and Planning B: Planning and Design. – 2022. – Vol. 43, iss. 5. – P. 920-940. – DOI: 10.1177/0265813515600896.

7. Sevtsuk A., Ratti C. Does urban mobility have a daily routine? Learning from the aggregate data of mobile networks // Journal of Urban Technology. – 2022. – Vol. 17 (1). – P. 41-60.

8. Calabrese F., Ferrari L., Blondel V. D. Urban Sensing Using Mobile Phone Network Data: A Survey of Research // ACM Computing Surveys. – 2022. – Vol. 47 (2). – P. 1-23.

9. Tao S., Vasileios M., Rodriguez S., Rusu A. Real-Time Urban Traffic State Estimation with A-GPS Mobile Phones as Probes // Journal of Transportation Technologies. – 2022. – No. 2. – P. 22-31.

10. Reades J., Calabrese F., Sevtsuk A., Ratti C. Cellular census: Explorations in urban data collection // IEEE Pervasive Computing. – 2007. – Vol. 6. – No. 3. – P. 30-38.

11. Ahas R., Silm S., Jarv O., Saluveer E., Tiru M. Using Mobile Positioning Data to Model Locations Meaningful to Users of Mobile Phones // Journal of Urban Technology. – 2022. – Vol. 17 (1). -P. 3-27.

12. Girardin F., Vaccari A., Gerber A., Biderman A., Ratti C. Quantifying urban attractiveness from the distribution and density of digital footprints // International Journal of Spatial Data Infrastructures Research. – 2009. – Vol. 4. – P. 175-200.

13. Gonzalez M. C., Hidalgo C. A., Barabasi A. L. Understanding individual human mobility patterns // Nature. – 2008. – Vol. 453. – P. 479-482.

14. Terada M., Nagata T., Kobayashi M. Population Estimation Technology for Mobile Spatial Statistics // NTT DOCOMO Technical Journal. – 2022. – Vol. 14. – No. 3. – P. 10-15.

15. Toole J. L., Ulm M., Bauer D., González M. C., Bauer D. Inferring land use from mobile phone activity // UrbComp’12 : Proceedings of the ACM SIGKDD International Workshop on Urban Computing. – New York, NY, USA : Association for Computing Machinery, 2022. – P. 1-8. – DOI: 10.1145/2346496.2346498.

16. Traag V. A., Browet A., Calabrese F., Morlot F. Social Event Detection in Massive Mobile Phone Data Using Probabilistic Location Inference // IEEE Third Inernational Conference on Social Computing. – Boston, MA, USA, 2022. – DOI: 10.1109/PASSAT/SocialCom.2022.133.

17. Долженко Р. А. Геомаркетинговое моделирование расположения сети офисов продаж банка // Менеджмент в России и за рубежом. – 2022. – № 1. – С. 41-50.

18. Кисельгоф С. Г., Алескеров Ф. Т. Размещение отделений банка. Обзор проблемы // Бизнес-информатика. – 2009. – № 1 (07). – С. 59-69.

References

1. Polunina M.V., El’nikova E.A., Avetisyan S.T. Novyi tsifrovoi istochnik statisticheskoi infor-matsii o naselenii. Voprosy statistiki, 2022, no. 25 (1), pp. 74-85. (in Russian).

2. Tatarenko V.I., Vdovin S.A. Osnovnye etapy plana geomarketingovogo i geoanaliticheskogo issledovaniya kommercheskikh obyektov. Innovatsii i investitsii, 2022, no. 4, pp. 119-123. (in Russian).

3. Solov’eva Yu.Yu. Ispol’zovanie metodov strategicheskogo analiza i prognoza v geomarketinge. Interekspo Geo’Sibir’, 2022, Vol. 6, no. 2, pp. 77-80. (in Russian).

4. Calabrese F., Colonna M., Lovisolo P., Parata D., Ratti C. Real-Time Urban Monitoring Using Cell Phones: A Case Study in Rome. IEEE Transactions on Intelligent Transportation Systems, 2022, Vol. 12 (1), pp. 141-151.

5. Zuo X., Zhang Y. Detection and Analysis of Urban Area Hotspots Based on Cell Phone Traffic. Journal of Computers, 2022, Vol. 7 (7), pp. 1753-1760.

6. Diao M., Zhu Y., Ferreira J., Ratti C. Inferring Individual Daily Activities from Mobile Phone Traces: A Boston Example. Environment and Planning B: Planning and Design, 2022, Vol. 43, iss. 5, pp. 920-940. DOI: 10.1177/0265813515600896.

7. Sevtsuk A., Ratti C. Does urban mobility have a daily routine? Learning from the aggregate data of mobile networks. Journal of Urban Technology, 2022, Vol. 17 (1), pp. 41-60.

8. Calabrese F., Ferrari L., Blondel V.D. Urban Sensing Using Mobile Phone Network Data: A Survey of Research. ACM Computing Surveys, 2022, Vol. 47 (2), pp. 1-23.

9. Tao S., Vasileios M., Rodriguez S., Rusu A. Real-Time Urban Traffic State Estimation with A-GPS Mobile Phones as Probes. Journal of Transportation Technologies, 2022, No. 2, pp. 22-31.

10. Reades J., Calabrese F., Sevtsuk A., Ratti C. Cellular census: Explorations in urban data collection. IEEE Pervasive Computing, 2007, Vol. 6, no. 3, pp. 30-38.

11. Ahas R., Silm S., Jarv O., Saluveer E., Tiru M. Using Mobile Positioning Data to Model Locations Meaningful to Users of Mobile Phones. Journal of Urban Technology, 2022, Vol. 17 (1), pp.3-27.

12. Girardin F., Vaccari A., Gerber A., Biderman A., Ratti C. Quantifying urban attractiveness from the distribution and density of digital footprints. International Journal of Spatial Data Infrastructures Research, 2009, Vol. 4, pp. 175-200.

13. Gonzalez M.C., Hidalgo C.A., Barabasi A.L. Understanding individual human mobility patterns. Nature, 2008, Vol. 453, pp. 479-482.

14. Terada M., Nagata T., Kobayashi M. Population Estimation Technology for Mobile Spatial Statistics. NTT DOCOMO Technical Journal, 2022, Vol. 14, no. 3, pp. 10-15.

15. Toole J.L., Ulm M., Bauer D., González M.C., Bauer D. Inferring land use from mobile phone activity, in: UrbComp’12, Proceedings of the ACM SIGKDD International Workshop on Urban Computing, New York, NY, USA, Association for Computing Machinery publ., 2022, pp. 1-8. DOI: 10.1145/2346496.2346498.

16. Traag V.A., Browet A., Calabrese F., Morlot F. Social Event Detection in Massive Mobile Phone Data Using Probabilistic Location Inference, in: IEEE Third Inernational Conference on Social Computing, Boston, MA, USA, 2022. DOI: 10.1109/PASSAT/SocialCom.2022.133.

17. Dolzhenko R.A. Geomarketingovoe modelirovanie raspolozheniya seti ofisov prodazh banka. Menedzhment v Rossii i za rubezhom, 2022, no. 1, pp. 41-50. (in Russian).

18. Kisel’gof S.G., Aleskerov F.T. Razmeshchenie otdelenii banka. Obzor problemy. Biznes-infor-matika, 2009, no. 1 (07), pp. 59-69. (in Russian).

Сведения об авторе

Долженко Руслан Алексеевич – д-р экон. наук, доцент, директор

Адрес для корреспонденции: 620224, Россия, Екатеринбург, ул. 8 Марта, 66 E-mail: snurk17@gmail.com ORCID: 0000-0003-3524-3005 Scopus AuthorlD: 56436594700 ResearcherlD: J-2847-2022 РИНЦ AuthorlD: 8576-4140

About the author

Ruslan A. Dolzhenko – Doctor of Economic Sciences, Director

Postal address: 66, 8 Marta ul., Yekaterinburg, 620224, Russia

E-mail: snurk17@gmail.com ORCID: 0000-0003-3524-3005 Scopus AuthorlD: 56436594700 ResearcherlD: J-2847-2022 RSCI AuthorlD: 8576-4140

Для цитирования

Долженко Р. А. Анализ данных сотовых сетей при изучении населения // Вестник Омского университета. Серия «Экономика». – 2021. – Т. 19, № 1. – С. 58-69. -DOI: 10.24147/1812-3988.2021.19(1).58-69.

For citations

Dolzhenko R.A. Data analysis of mobile networks in the study of population. Herald of Omsk University. Series “Economics”, 2021, Vol. 19, no. 1, pp. 58-69. DOI: 10.24147/1812-3988.2021.19(1 ).58-69. (in Russian).

Счетчик трафика (traffic monitor)

Приложение «Счетчик трафика» (Traffic Monitor) — удобное приложение на Android, которое поможет определить, какое приложение потребляет больше трафика, а какое — меньше. Данные учитываются при использовании мобильного интернета и Wi-Fi. При первом запуске утилиты можно установить лимит на использование трафика в месяц, неделю, 3 дня или сутки. Если используется безлимитный интернет, устанавливать ограничение не нужно.

В разделе «Total» показана общая статистика расхода трафика с учетом установленных лимитов. В разделе «App» отображается более детальная статистика: потребление трафика приложениями.

У каждой программы есть счетчик трафика. Если нажать на программу в списке? откроется новое окно с подробной информацией об утилите: статистика исходящего и входящего трафика. Расход мобильных данных можно сортировать по времени: сегодня, вчера, 3 дня, неделя, месяц.

Home » F.A.Q. » Как установить лимит интернет трафика на Android F.A.Q.

Для этого нужно сделать несколько простых шагов:

  • Шаг 1: заходим системные настройки и находим пункт «Передача данных»;
  • Шаг 2: в открывшемся меню выбираем нужную сеть (в двух симочных вариантах смартфонов их будет две, как и в данном случае);
  • Шаг 3: ставим галочку на против «Установить лимит» и соглашаемся с высветившемся уведомлением;
  • Шаг 4: теперь на графике осталось установить лимит интернет трафика, такой, какой Вам нужен. Оранжевая линия отвечает за предупреждение, а красная – за отключение интернета при достижении установленного лимита.

Данный способ позволяет Вам установить лимит интернет трафика на целый месяц. Если Вам понадобиться ежедневный лимит, тогда нужно будет каждый день изменять дату начала периода статистики, а само значение лимита установить таким, какое Вам нужно на один день. Да, еще не забудьте настроить лимит интернет трафика соответственно тарифам Вашего оператора.

Пример 1. Ваш провайдер интернета предоставляет Вам 5 ГБ интернет трафика на месяц. Здесь все просто, заходим в настройки, ставим галку «Установить лимит» и на графике устанавливаем нужный лимит интернет трафика.

Пример 2. Предложим Ваш мобильный оператор дает Вам по 50 МБ на день. Ставим галочку напротив «Установить лимит», выставляем нужный лимит на день (сначала выставляем предупреждение, а потом значение лимита), а потом устанавливаем дату периода статистики на тот день который нужно. Не забываем каждый день переводить дату начала периода статистики.

Но это еще не все возможности. В этом меню Вам будет доступна подробная статистика расхода интернет трафика, для этого нужно пролистать вниз. С помощью этой статистики можно узнать какое из приложений использует больше всего трафика. Ах да, чуть не забыл, есть еще такой пункт в настройках лимита – «Показывать при блокировке».

Вот такой функционал имеет в себе Android. Надеюсь статья принесла для Вас  пользу. Если возникнут какие-либо вопросы — не стесняйтесь, задавайте их в комментариях.

Оставайтесь с нами, впереди еще много интересного.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *