Big data a hálózatokban: ezt mutatják a cellainformációk

Kapcsolódó cikkek

Big data a hálózatokban: ezt mutatják a cellainformációk

Big data a hálózatokban: így is kamatoztathatók a cellainformációk

big data

3 perc

Az már szinte természetes, hogy az okostelefonok applikációi rengeteg információt tárolnak. Arról viszont kevesebbet beszélünk, hogy a telefonhálózatok cellainformációi is milyen nagy segítséget jelenthetnek például a tömegközlekedés szervezésében vagy a vásárlási szokásokhoz való igazodásban.

A hétköznapi élethez kapcsolódó, mobiltelefonokból kinyerhető adatok is a big data, vagyis a nagy mennyiségű adatgyűjtés és elemzés egyik területét jelentik. A mobiltelefonok napjainkban szinte teljesen a felhasználókhoz nőttek, használatukkal pedig az emberek életviteléről is sok információ nyerhető.

Az Óbudai Egyetem ipari és üzleti kapcsolatokért felelős rektorhelyettese a Trend FM műsorában elmondta, hogy ezek az adatok alapvetően kétféle forrásból származnak. Egyrészt maga a készülék állítja elő őket, ebben az esetben a telefonon található applikációk kommunikálnak bizonyos szolgáltatásokkal. Ezek jellemzően a felhasználót karakterizálják, így mutathatják például, hogy merre jár a nap folyamán, vagy éppen melyik üzletet részesíti előnyben.

A szolgáltatóknál létrejövő adatok viszont már minőségben és mennyiségben is eltérnek az előbbiektől. Ezek időben és térben változó, a telefon helyzetét leíró adatokat szolgáltatnak. Mindezt úgy kell elképzelni, hogy a felhasználó aktuális tartózkodási helyén a mobiltelefonja más okoseszközöket is érzékel, több cellával is kapcsolatot tart. A mobiltelefon mozgásából pedig olyan mintázat rajzolódik ki, amely a felhasználó életét jellemzi.

Ezt a mobilszolgáltatók sokféleképpen fel tudják használni. Fontos kiemelni, hogy ebben az esetben nem a felhasználó személye számít, hiszen egy-egy szolgáltatónak több millió ügyfele van. „Ha a több millió ügyfél különböző mozgási szokásait megismerjük, és ráadásul ezeket az adatokat még össze is kötjük más adatforrásból származó információkkal, akkor ezek alapján például elég jól lehet jellemezni az adott felhasználói csoport – azaz az előfizetők – vásárlóerejét” – részletezte Felde Imre.

Bizonyos körzet, kerület vagy akár lakóház esetében így akár célzott marketingkampányokkal is el lehet érni a felhasználókat. Ebből pedig nemcsak a kereskedelmi szektor profitálhat, hanem az ilyen típusú adatelemzés a többi között a közösségi közlekedés optimalizálásában is segíthet.

Hogyan utazik a város?

Az adatok révén célforgalmi mátrixok is képezhetők, amelyekből látható, hogy a lakosság például milyen úton jut el A pontból B pontba. Míg a hagyományos – például kérdőíves – felmérési módszerek megbízhatósága csupán 30 százalék, addig a mobilforgalmi adatokból sokkal pontosabb következtetések vonhatók le az emberek tömegközlekedésére vonatkozóan.

A harmadik kiemelt alkalmazási területe a mobilhálózatokból származó adatok feldolgozásának a nagy rendezvényekre, sporteseményekre történő utazás és a tömeg eloszlásának vizsgálata. Ez a módszer havária esetén a menekülési útvonalak gyors megtervezésében is segíthet.

A mobiladatokból a felhasználó aktivitására is lehet akár következtetni. Fontos viszont megjegyezni, hogy az otthoni Wi-Fi hálózat használata esetén a mobilcellában nem jelenik meg információ. Habár egy átlagos okostelefonban 8-10 szenzor található, de a fizikai aktivitást a készülék csak akkor jelzi, ha van rá telepítve ilyen applikáció – legyen az például egy alvásfigyelő alkalmazás.

Mikor ébrednek a városlakók?

Az egyik fontos terület lehet ebben a témában az egyes városrészek „felébredésének” vizsgálata, hogy mikor is kezd a mobilforgalom szignifikánssá válni. Nyugalmi állapotban kevés bejegyzés és hívás történik, aztán hirtelen (jellemzően reggel 5-7 órától) felfutás tapasztalható. Este 18-19 óra körül pedig „lecseng” mindez, és a cellasűrűség beáll egy alapszintű intenzitásra. Ebből pedig nagyon jól lehet jellemezni a város „vibrálását”.

Magasabb szinten idekapcsolódik az úgynevezett network science, azaz a hálózatok tudománya is, ami olyan matematikai módszerek összességét jelenti, amelyek többek között Barabási Albert László fizikus nevéhez is köthető.