- \n
- Identificar las diferencias en los patrones de movilidad de personas de diferentes grupos de edad y g\u00e9nero se\u00f1aladas en la literatura. Los indicadores de movilidad con diferencias m\u00e1s significativas ser\u00e1n seleccionados y enriquecidos con nuevos patrones obtenidos directamente de los datos de telefon\u00eda m\u00f3vil.<\/li>\n\n\n\n
- Seleccionar una muestra fiable de usuarios de telefon\u00eda m\u00f3vil cuyos valores de edad y g\u00e9nero sabemos que son correctos. Esta ser\u00e1 la muestra de entrenamiento al construir nuestros modelos predictivos.<\/li>\n\n\n\n
- Desarrollar modelos de machine learning capaces de estimar la edad y el g\u00e9nero de los usuarios de telefon\u00eda m\u00f3vil que carecen de valores correctos. En el caso del modelo de edad, los usuarios se clasificar\u00e1n en cuatro grupos: 0-18, 19-44, 45-64 y> 65. Las variables de entrada de los modelos ser\u00e1n las seleccionadas en el primer paso.<\/li>\n<\/ul>\n\n\n\n
Primer paso: revisi\u00f3n de la literatura<\/h2>\n\n\n\n
Existen una serie de indicadores de movilidad que, de acuerdo con la literatura sobre transporte, presentan variaciones importantes entre los diferentes grupos de edad y g\u00e9nero: el n\u00famero promedio de viajes, el prop\u00f3sito del viaje, la distancia del viaje, la duraci\u00f3n del viaje, la distribuci\u00f3n temporal de los viajes y el radio de giro (movimiento promedio que realiza una persona con respecto a su centro de masa, es decir, el \u201ctama\u00f1o\u201d de su trayectoria a lo largo del d\u00eda).<\/p>\n\n\n\n
Para decidir cu\u00e1les son los patrones m\u00e1s relevantes para nuestro estudio, comenzamos con un an\u00e1lisis de las encuestas de hogares m\u00e1s recientes disponibles en Madrid (2018), Valencia (2019) y Sevilla (2017). Para cada indicador de movilidad mencionado en la literatura, se estudi\u00f3 su distribuci\u00f3n entre los diferentes grupos de edad y g\u00e9nero en cada encuesta. La siguiente figura muestra la distribuci\u00f3n de la distancia media de viaje por d\u00eda en la encuesta de Madrid. Se puede observar que el indicador alcanza un pico en los grupos de poblaci\u00f3n activa (mayoritariamente de 30 a 60 a\u00f1os), siendo estos segmentos los que presentan mayores diferencias entre hombres y mujeres. El pico puede explicarse por el hecho de que las personas de los grupos activos tienen que desplazarse todos los d\u00edas, mientras que las personas de fuera de esos grupos llevan una vida m\u00e1s sedentaria (personas mayores) o van a la escuela cerca de su casa (j\u00f3venes), mientras que la diferencia entre los hombres y las mujeres de esos grupos pueden explicarse por el hecho de que las mujeres realizan viajes m\u00e1s cortos desde el hogar, mientras que los hombres suelen viajar distancias m\u00e1s largas y realizar otras actividades de ocio despu\u00e9s del trabajo.<\/p>\n\n\n\n
![\"Distancia](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2021\/05\/Figure-1-Rafael-Jorda.png\")
Figura 1: Distancia media de viajes por edad y g\u00e9nero para la encuesta de hogares de Madrid (2018)
<\/figcaption><\/figure>\n\n\n\nDespu\u00e9s de realizar el an\u00e1lisis de la encuesta, las variables seleccionadas como m\u00e1s significativas para la predicci\u00f3n de la edad y el g\u00e9nero fueron: el n\u00famero promedio de viajes, la distancia promedio del viaje y el radio de giro. Una vez que se eligieron esas variables, se utiliz\u00f3 la longitudinalidad inherente de los datos de telefon\u00eda m\u00f3vil para agregar nuevos campos que podr\u00edan ayudar a capturar otros patrones:<\/p>\n\n\n\n
- \n
- Se agregaron dos indicadores: el promedio de viajes hacia o desde el trabajo y la distancia entre el hogar y el trabajo, para poder distinguir con mayor claridad los grupos de poblaci\u00f3n activa del resto.<\/li>\n\n\n\n
- Las variables referentes al n\u00famero de viajes y distancia media se segmentaron en corta y larga distancia con el fin de captar mejor el comportamiento de las personas trabajadoras que viajan largas distancias en tren o avi\u00f3n. Ambas variables tambi\u00e9n se dividieron en d\u00edas laborables y fines de semana para caracterizar mejor a los j\u00f3venes y ancianos, que tienden a desplazarse con mayor frecuencia los fines de semana.<\/li>\n<\/ul>\n\n\n\n
Despu\u00e9s de unir las variables longitudinales de la telefon\u00eda m\u00f3vil con las de la encuesta, obtenemos las once variables finales seleccionadas para nuestro modelo de machine learning:<\/p>\n\n\n\n
![\"Tabla](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2021\/05\/Machine-learning-articulo-Tabla-1-ESP.png\")
<\/figure>\n\n\n\nSegundo paso: conseguir la muestra de entrenamiento<\/h2>\n\n\n\n
Ya tenemos las variables del modelo, pero \u00bfc\u00f3mo podemos entrenar un modelo que las use? En primer lugar, necesitamos una muestra de los datos de telefon\u00eda m\u00f3vil que sea utilizada en el proceso de entrenamiento de nuestro modelo. En machine learning, seleccionar una muestra de entrenamiento que sea lo suficientemente representativa como para que el modelo desarrollado sea capaz de generalizar correctamente es clave para el desarrollo de un modelo eficiente. Por tanto, debemos obtener una muestra de usuarios que cubra todos los posibles grupos de edad y g\u00e9nero y, sobre todo, necesitamos que su edad y g\u00e9nero sean fiables.<\/p>\n\n\n\n
Como se mencion\u00f3 anteriormente, algunos de los usuarios de telefon\u00eda m\u00f3vil tienen asignados valores incorrectos de edad y g\u00e9nero (por ejemplo, si el usuario final no es el mismo que el titular de la l\u00ednea del tel\u00e9fono), o directamente no tienen ning\u00fan valor asignado. Por lo tanto, para conseguir nuestra muestra fiable, solo se seleccionaron aquellos usuarios que eran miembros \u00fanicos de su contrato y que s\u00ed contaban con informaci\u00f3n de edad y g\u00e9nero. Sin embargo, esta muestra presenta dos inconvenientes: primero, no hay usuarios menores de 18 a\u00f1os (todos los clientes que son titulares \u00fanicos de su contrato son mayores de edad) y, en segundo lugar, para los adultos, la muestra est\u00e1 desequilibrada en t\u00e9rminos de edad, ya que el 50 % de los usuarios est\u00e1n en el segmento de entre 19 a 44 a\u00f1os, el 35 % tienen entre 45 y 64 a\u00f1os y solo el 15 % tienen m\u00e1s de 65 a\u00f1os. Para superar estos problemas, se siguieron los siguientes pasos:<\/p>\n\n\n\n
- \n
- Para hacer frente a la falta de muestra de menores de 18 a\u00f1os, se sigui\u00f3 un enfoque anidado. En primer lugar, se entren\u00f3 un modelo de ML utilizando los patrones de movilidad de la encuesta de hogares de Madrid para clasificar a los usuarios en dos grupos: menores y adultos. A continuaci\u00f3n, se entren\u00f3 un modelo utilizando la muestra fiable obtenida de los datos de telefon\u00eda m\u00f3vil para clasificar a los adultos en grupos de edad m\u00e1s peque\u00f1os (19-44, 45-64 y >65).<\/li>\n\n\n\n
- Para tratar el desequilibrio de la muestra en adultos, se utiliz\u00f3 una t\u00e9cnica de oversampling <\/em>llamada SMOTE [1], que b\u00e1sicamente aumenta artificialmente los grupos m\u00e1s peque\u00f1os creando nuevas muestras sint\u00e9ticas que no son exactamente duplicadas de las existentes, sino una combinaci\u00f3n de las mismas.<\/li>\n<\/ul>\n\n\n\n
Tercer paso: crear nuestros modelos de machine learning<\/h2>\n\n\n\n
Una vez que se obtiene la muestra fiable, se calculan los indicadores de movilidad seleccionados en el primer paso. Y ahora ya estamos listos para entrenar a los modelos. El planteamiento para construir los modelos predictivos fue el siguiente:<\/p>\n\n\n\n
- \n
- Construcci\u00f3n del modelo de edad:\n
- \n
- Crear un modelo de machine learning entrenado solo con datos de encuestas que pueda predecir si un usuario tiene m\u00e1s o menos de 18 a\u00f1os.<\/li>\n\n\n\n
- Construir un modelo de machine learning sobre la muestra fiable de usuarios capaz de estimar si su edad est\u00e1 en el grupo 19-44, 45-64 o >65.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Construcci\u00f3n del modelo de g\u00e9nero: entrenar un modelo de machine learning capaz de estimar el g\u00e9nero.<\/li>\n<\/ul>\n\n\n\n
El modelo de edad<\/h3>\n\n\n\n
Comencemos con el modelo de edad basado en los datos de la encuesta. Para poder entrenar un modelo con datos de encuestas y luego evaluarlo en los usuarios procedentes de los datos de telefon\u00eda m\u00f3vil, las variables de entrada del modelo deben poder calcularse a partir de ambos conjuntos de datos. Por ello, la cantidad de variables que podemos calcular es menor que las mencionadas en el apartado anterior, ya que de la encuesta no se puede extraer informaci\u00f3n longitudinal, como viajes de larga distancia y datos de fines de semana. Las variables finales utilizadas para calibrar el modelo fueron el n\u00famero promedio de viajes de corta distancia en d\u00edas laborables, la distancia promedio, el radio de giro, el n\u00famero de viajes asociados al trabajo y la distancia entre el hogar y el trabajo.<\/p>\n\n\n\n
El proceso para entrenar este modelo fue el siguiente:<\/p>\n\n\n\n
- \n
- Primero, el conjunto de datos se divide (estratifica) en un conjunto de entrenamiento y uno de test. Adem\u00e1s, se aplic\u00f3 un proceso de estandarizaci\u00f3n al conjunto de entrenamiento diferenciando por distrito de origen de los usuarios, para poder de esta forma mantener todas las variables en el mismo rango, ya que los indicadores de movilidad son diferentes seg\u00fan la regi\u00f3n en la que viven. Esta estandarizaci\u00f3n se aplic\u00f3 despu\u00e9s directamente sobre el conjunto de test.<\/li>\n\n\n\n
- El siguiente paso consiste en realizar un proceso de selecci\u00f3n de modelos. Durante este proceso, se utilizaron cuatro t\u00e9cnicas de machine learning con diferentes combinaciones de sus par\u00e1metros para calibrar un modelo sobre la muestra de entrenamiento que clasifica a cada participante de la encuesta como adulto o menor de edad. Las t\u00e9cnicas probadas fueron \u00e1rboles de decisi\u00f3n (DT), Random Forest (RF), m\u00e1quinas de soporte vectorial y redes neuronales (perceptr\u00f3n multicapa). Para obtener el mejor modelo para cada una de estas t\u00e9cnicas, se utiliz\u00f3 el m\u00e9todo de remuestreo conocido como validaci\u00f3n cruzada (CV) de k <\/em>pliegues [2].<\/li>\n\n\n\n
- El error de validaci\u00f3n promedio obtenido en la validaci\u00f3n cruzada se calcul\u00f3 utilizando la m\u00e9trica F1-Score<\/em>, que calcula el promedio arm\u00f3nico entre la precisi\u00f3n y el recall<\/em>. La definici\u00f3n de cada una de estas m\u00e9tricas es la siguiente:\n
- \n
- Precisi\u00f3n: n\u00famero de usuarios correctamente clasificados como pertenecientes a una clase con respecto al n\u00famero total de usuarios clasificados como pertenecientes a esa clase.<\/li>\n\n\n\n
- Recall<\/em>: n\u00famero de usuarios correctamente clasificados como pertenecientes a una clase con respecto al n\u00famero total de usuarios que realmente pertenecen a esa clase.<\/li>\n\n\n\n
- F1-Score<\/em>: promedio arm\u00f3nico de precisi\u00f3n y recall<\/em>. Como puede haber modelos con, por ejemplo, alto recall <\/em>y baja precisi\u00f3n, es interesante dar un n\u00famero \u00fanico que tenga en cuenta ambas m\u00e9tricas. El uso de la media arm\u00f3nica evita obstaculizar el bajo rendimiento de una de las dos m\u00e9tricas (por ejemplo, evita que el modelo obtenga una puntuaci\u00f3n de 0,5 cuando la precisi\u00f3n es 1 y el recall <\/em>0).<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Despu\u00e9s de calcular el error de validaci\u00f3n promedio para cada t\u00e9cnica y cada combinaci\u00f3n de par\u00e1metros, se seleccion\u00f3 el mejor modelo.<\/li>\n<\/ul>\n\n\n\n
La validaci\u00f3n cruzada y los resultados de las pruebas para el mejor modelo identificado, el \u00e1rbol de decisi\u00f3n, se muestran en la siguiente tabla:<\/p>\n\n\n\n
![\"Tabla](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2021\/05\/Machine-learning-articulo-Tabla-2-ESP.png\")
<\/figure>\n\n\n\n\u00a1Parece que el modelo puede estimar casi perfectamente a los usuarios adultos! En cuanto a las personas menores de edad, la puntuaci\u00f3n es de casi dos tercios, lo que tambi\u00e9n es adecuado para nuestros prop\u00f3sitos.<\/p>\n\n\n\n
Una vez que se entrena el modelo de encuesta, es el momento de calibrar el modelo de edad basado en datos de telefon\u00eda m\u00f3vil. Este modelo clasifica a los adultos en uno de los siguientes grupos: 19-44, 45-64 o >65. El procedimiento de entrenamiento es similar al del modelo de edad basado en encuestas con la \u00fanica diferencia de que este se entrena aplicando el oversampling <\/em>sobre los datos de entrenamiento desbalanceados gracias al algoritmo SMOTE explicado anteriormente.
Las t\u00e9cnicas probadas en este caso fueron Random Forest<\/em>, Gradient Boosting<\/em>, el perceptr\u00f3n multicapa y el m\u00e9todo de los k-vecinos m\u00e1s cercanos (KNN). El modelo con mejores resultados de validaci\u00f3n cruzada fue Random Forest. Los resultados finales de este modelo se muestran en la siguiente tabla:<\/p>\n\n\n\n![\"Tabla](\"https:\/\/www.nommon.es\/wp-content\/uploads\/2021\/05\/Machine-learning-articulo-Tabla-3-ESP.png\")
<\/figure>\n\n\n\nEl rendimiento es inferior al obtenido en el modelo de encuesta, ya que algunos grupos son m\u00e1s dif\u00edciles de predecir (45-64, >65). La mejor puntuaci\u00f3n de validaci\u00f3n obtenida es 0,48 (15 puntos m\u00e1s que el modelo de referencia, que arrojar\u00eda 0,33). Esto parece indicar que utilizando \u00fanicamente los indicadores de movilidad seleccionados no se puede segmentar perfectamente a los usuarios en funci\u00f3n de su edad.<\/p>\n\n\n\n
El modelo de g\u00e9nero<\/h3>\n\n\n\n
En cuanto al g\u00e9nero, se sigui\u00f3 el mismo enfoque, pero sin tener que solucionar el problema del balanceo, ya que en la muestra fiable se dispone casi del mismo n\u00famero de hombres (51 %) que de mujeres (49 %).<\/p>\n\n\n\n
El F1-Score<\/em> obtenido en este caso fue de 0.55, lo que implica que el g\u00e9nero es m\u00e1s dif\u00edcil de estimar usando patrones de movilidad, ya que hombres y mujeres no son tan diferentes en este aspecto. Sin embargo, en estos casos, no se debe dejar de buscar mejoras. Puede haber otras variables que estimen mejor el g\u00e9nero de los usuarios de telefon\u00eda m\u00f3vil. Algunos ejemplos pueden ser datos de navegaci\u00f3n, o informaci\u00f3n de mensajer\u00eda o llamada.<\/p>\n\n\n\n
Conclusi\u00f3n<\/h2>\n\n\n\n
En este art\u00edculo hemos visto c\u00f3mo podemos asignar atributos sociodemogr\u00e1ficos con un alto grado de fiabilidad a un conjunto de usuarios de telefon\u00eda m\u00f3vil que carecen de esa informaci\u00f3n. Hemos explicado c\u00f3mo se puede paliar esta falta de informaci\u00f3n desarrollando modelos predictivos a trav\u00e9s de t\u00e9cnicas de machine learning, resumiendo los an\u00e1lisis exploratorios y de preprocesamiento que se requieren antes de poder calibrar los modelos.<\/p>\n\n\n\n
El desarrollo de estos modelos, que aprovechan el enorme potencial de los datos de telefon\u00eda m\u00f3vil a la hora de capturar los patrones de movilidad de la poblaci\u00f3n, nos permitir\u00e1 realizar estudios de movilidad a m\u00faltiples niveles. Por ejemplo, podremos examinar las diferencias de movilidad entre mujeres y hombres de diferentes edades y en cualquier regi\u00f3n o ciudad de Espa\u00f1a.<\/p>\n\n\n\n
Finalmente, hemos visto que a\u00fan hay margen de mejora, especialmente en la predicci\u00f3n del g\u00e9nero de los usuarios, por lo que seguiremos realizando un an\u00e1lisis m\u00e1s profundo de la extensa informaci\u00f3n que brindan los datos de telefon\u00eda m\u00f3vil para obtener nuevos patrones que puedan diferenciar mejor a mujeres y hombres, as\u00ed como personas de diferentes grupos de edad.<\/p>\n\n\n\n
<\/p>\n\n\n\n
Bibliograf\u00eda<\/strong><\/p>\n\n\n\n
[1] Chawla N. et al (2002), \u201cSMOTE: Synthetic Minority Over-sampling Technique\u201c, Journal of Artificial Intelligence Research<\/em>, 16 (1), 321-357, https:\/\/doi.org\/10.1613\/jair.953<\/a><\/p>\n\n\n\n
- F1-Score<\/em>: promedio arm\u00f3nico de precisi\u00f3n y recall<\/em>. Como puede haber modelos con, por ejemplo, alto recall <\/em>y baja precisi\u00f3n, es interesante dar un n\u00famero \u00fanico que tenga en cuenta ambas m\u00e9tricas. El uso de la media arm\u00f3nica evita obstaculizar el bajo rendimiento de una de las dos m\u00e9tricas (por ejemplo, evita que el modelo obtenga una puntuaci\u00f3n de 0,5 cuando la precisi\u00f3n es 1 y el recall <\/em>0).<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- El error de validaci\u00f3n promedio obtenido en la validaci\u00f3n cruzada se calcul\u00f3 utilizando la m\u00e9trica F1-Score<\/em>, que calcula el promedio arm\u00f3nico entre la precisi\u00f3n y el recall<\/em>. La definici\u00f3n de cada una de estas m\u00e9tricas es la siguiente:\n
- Construcci\u00f3n del modelo de edad:\n