ABSTRACT

Identifying meaningful locations, such as home or work, from human mobility data has become an increasingly common prerequisite for geographic research. Although location-based services (LBS) and other mobile technology have rapidly grown in recent years, it can be challenging to infer meaningful places from such data, which – compared to conventional datasets – can be devoid of context. Existing approaches are often developed ad-hoc and can lack transparency and reproducibility. To address this, we introduce an R package for inferring home locations from LBS data. The package implements pre-existing algorithms and provides building blocks to make writing algorithmic ‘recipes’ more convenient. We evaluate this approach by analyzing a de-identified LBS dataset from Singapore that aims to balance ethics and privacy with the research goal of identifying meaningful locations. We show that ensemble approaches, combining multiple algorithms, can be especially valuable in this regard as the resulting patterns of inferred home locations closely correlate with the distribution of residential population. We hope this package, and others like it, will contribute to an increase in use and sharing of comparable algorithms, research code and data. This will increase transparency and reproducibility in mobility analyses and further the ongoing discourse around ethical big data research.

摘要

从人类移动数据中识别有意义的位置，例如家庭或工作场所，已成为地理研究日益普遍的先决条件。尽管基于位置的服务 (LBS) 和其他移动技术近年来迅速发展，但从此类数据中推断出有意义的地点可能具有挑战性，与传统数据集相比，这些数据可能缺乏上下文。现有方法通常是临时开发的，可能缺乏透明度和可重复性。为了解决这个问题，我们引入了一个 R 包，用于从 LBS 数据推断家庭位置。该软件包实现了预先存在的算法并提供了构建块，使编写算法“食谱”更加方便。我们通过分析来自新加坡的去标识化 LBS 数据集来评估这种方法，该数据集旨在平衡道德和隐私与确定有意义位置的研究目标。我们表明，结合多种算法的集成方法在这方面特别有价值，因为推断的家庭位置的结果模式与居住人口分布密切相关。我们希望这个包以及其他类似的包将有助于增加类似算法、研究代码和数据的使用和共享。这将提高流动性分析的透明度和可重复性，并进一步围绕道德大数据研究进行讨论。在这方面可能特别有价值，因为推断的家庭位置的结果模式与居住人口分布密切相关。我们希望这个包以及其他类似的包将有助于增加类似算法、研究代码和数据的使用和共享。这将提高流动性分析的透明度和可重复性，并进一步围绕道德大数据研究进行讨论。在这方面可能特别有价值，因为推断的家庭位置的结果模式与居住人口分布密切相关。我们希望这个包以及其他类似的包将有助于增加类似算法、研究代码和数据的使用和共享。这将提高流动性分析的透明度和可重复性，并进一步围绕道德大数据研究进行讨论。