没打电话的十几个小时，数据里的你去了哪里？
论文名片｜Guangshuo Chen、Aline Carneiro Viana、Marco Fiore、Carlos Sarraute，Complete trajectory reconstruction from sparse mobile phone data，EPJ Data Science 8，30，2019 年 10 月 12 日发表。DOI。
早上在家打一通电话，晚上在另一处再打一通。运营商记录里，这一天可能只有两个位置。中间你待在办公室、去了商店，还是跨城出差？没有通信记录，既不能证明你没移动，也不能证明你一直停在上一个位置。
用这样的数据研究人的规律，会遇到两种麻烦：轨迹不完整，或者只挑频繁通信的人留下，结果又不代表多数人。这篇论文提出上下文增强轨迹重建（Context-enhanced Trajectory Reconstruction，CTR），利用夜间停留、日常重复和张量分解，补出每小时的位置，再检验补全会怎样改变一些经典移动结论。
主要发现有四点：
- 在 180 万人的通话数据中，即使把时间划得很粗，完整轨迹也极少；仅靠筛选高活跃用户会丢掉大多数人。
- 在 1,450 人、两周的高频通信参考轨迹上做缺失实验，CTR 的轨迹级误差中位数约为 1–2 个基站小区半径，即使只保留 1% 的小时位置。
- 对约 170 万人补全后，移动距离的截断重尾形态仍存在，但尺度、唯一性与理论可预测性发生变化。
- 补全结果仍是模型推断，不是 170 万人的连续观测真值；规律性先验、验证人群和缺失方式都会影响解释。
原始数据到底缺了多少？
研究的主体数据来自拉丁美洲一家运营商：180 万预付费用户，连续 90 天，7.78 亿条语音通话记录，覆盖数千平方公里与 4,200 座基站。国家未在数据介绍中明确公开，不能根据地理或经济描述补写。
论文表 1 展示了记录格式：用户和基站编码、事件时间、主被叫、方向与通话时长，并有基站坐标映射。记录所带位置是通信基站的代理位置，不是用户的精确 GPS。
完整性定义得很具体：把观测期 T 按 τ 划成时间槽，有至少一次位置观测的槽数，除以全部槽数。比如一周按小时划分，共 168 槽，若只知道其中 80 槽，完整性约为 0.476。同一个小时有十条记录，也只覆盖一个槽。
图 1｜把一天切得更细，还能知道多少位置？原图四幅没有子图字母，左上、右上、左下、右下分别为 τ=15、30、60、120 分钟。横轴完整性，纵轴累计比例 F(x)，插图显示互补累计分布；颜色为 7、15、30、60、90 天观测期。即使只看 7 天、每 2 小时记一个位置，也没有一条完全连续的轨迹，完整性超过 0.5 的用户不足 1%。时间槽越短，缺失越严重。
在 30 天观测期内，完整性超过 0.1 的用户比例，随着 τ 从 15、30、60 增至 120 分钟，分别约为 8%、26%、53%、75%。这不是更粗数据更准确，而是要求知道的位置变少了。
图 2｜降低时间分辨率，能多覆盖多少？左图是全部用户的完整性均值，右图是中位数，原图均无字母。横轴 τ 为分钟，纵轴完整性，颜色区分观测期。两者随时间槽长度近似线性增加，报告的 Pearson 相关分别为 0.981、0.983。该关系描述这一数据的采样特征，不能把时间槽加大后覆盖更多，理解为找回了真实中间路径。
这种缺失能用一个分布描述吗？
论文还比较 Weibull、对数正态、Gamma、Pareto、Lévy 与幂律六类分布，用决定系数 R² 和 KS 分布距离评价完整性分布拟合。表 2 覆盖五种观测期与四种分辨率，两个评价标准合计 40 项比较，Weibull 获得其中 32 项最佳结果。
图 3｜完整性分布怎样随采样尺度变化？（a）T=60 天、τ=60 分钟时，浅蓝为经验密度，橙色 Weibull、绿色对数正态。（b）Weibull 形状参数 k，（c）尺度参数 λ，横轴均为时间槽分钟数，颜色表示观测期。两参数大体随 τ 增长，T 改变带来偏移。此处 λ 是分布尺度，后文张量目标中的正则化 λ 是另一个参数。
例如 30 天、60 分钟条件下，Weibull 的 KS 距离为 0.0149、R² 为 0.9996。这个经验拟合可以帮助估计同类 CDR 数据的缺失程度，却不是人类移动本身的概率定律，也不宜不经检验移植到另一家运营商或更高频信令数据。
补齐轨迹，可以依靠哪些信息？
CTR 利用的是一个人的重复活动：长时间停在少数地点，很多夜晚在同一处，日常与每周存在重复。零散记录虽然不能完整描述某一天，若分散覆盖了很多天的不同小时，仍可能拼出典型模式。
图 4｜碎片里是否已经藏着重复？这张无子图字母的网格横轴为一天内小时，纵轴为天，展示 15 天、完整性 0.27 的单人轨迹。白格为缺失，颜色代表不同地点；粉色是最常见日间地点，蓝色是最常见夜间地点。相同颜色在相近时段反复出现，说明可以借助重复性补空，但白格不等于用户没有移动。
它的目标是小时级代表位置，不是复原两次定位之间每一条街道。对于一小时内有多条记录的情况，研究选择关联事件最多的基站作为该小时位置，以减少相邻基站快速来回切换造成的假移动。这仍不能完全消除定位和采样误差。
第一步：什么时候可以把夜晚补成家？
研究按当地作息，把夜间定义为 22:00 至次日 09:00。对每个人寻找夜间最常出现的地点，只有它占已观测夜间位置至少 80%，才将其视为较可靠的家；否则跳过这一阶段。
找到家后，还逐夜检查。只要该夜观测到其他地点，就不把整夜都补成家；只有未观测到异地位置的夜晚，才用家补缺失槽。主体数据约 72 万人被识别出符合要求的家，这些人的夜间槽平均有 82% 通过这一规则补齐。
“没观测到在外”依然不等于“肯定在家”。这是一项有条件的插补规则，可能漏掉没有触发通信的夜间活动；夜班、旅行或不稳定居住者也未必适用。未被该步骤处理的人，仍可进入后续张量补全。
第二步：把很多周的日程放进同一个张量
张量可以理解为多维数组。CTR 对每个用户单独建立“第几周 × 星期几 × 一天内的坐标序列”，让不同时段的重复结构成为补全依据，而不是把所有人的轨迹混成一条平均路线。
图 5｜一天、一天之间和周之间，怎样放到一个结构里？这张无字母的立体图分别标出周、每周天数和一天内的时间槽，红色长块表示一天的子轨迹。每个小时含 x、y 两个坐标，因此实际第三维长度是 2Nτ，小时分辨率下为 48。已观测位置和第一步推断的夜间位置作为输入，其他位置保留待估计。
模型用典范多元分解（canonical polyadic decomposition，CPD）将这个数组近似成若干低秩因子的组合。低秩的含义是：很多周、很多天的位置变化，可以用少量重复结构描述。论文设秩 R 为三个维度长度中的最小值；在两周、七天、48 坐标的验证中，这一规则对应 R=2。
目标函数先要求重建值贴近已有坐标，再限制参数过大以防过拟合。但仅有低秩还不够，研究额外加入两种平滑惩罚：相邻天的同一小时不要差得过远；同一天相邻小时也不要随意跳动。
图 6｜怎样把“相近时段不要差太远”写进优化？这张无字母的 Toeplitz 差分矩阵以对角线 1、上邻对角线 −1 构造，红框突出重复系数。它作用于日维度，比较相邻天的同一小时；另一个按 x、y 坐标交错方式构造的差分算子比较相邻小时。它们约束的是坐标差异，不是证明用户每天都按同一日程生活。
三个因子交替优化，使用交替最小二乘法求解，填出缺失坐标。原始观测位置最终保留，不被全部替换为平滑后的模型值。
第三步：连续坐标怎样回到基站口径？
张量分解输出实数坐标，不一定落在任何基站位置上。若直接用于后续研究，会与原始基站离散位置的统计口径不一致。因此 CTR 将推断坐标重新关联到实际基站。
图 7｜不是简单找最近基站，而是怎样选？这张无子图字母的图中，黑线是 Voronoi 分区，红点是基站，蓝箭头 rj 从基站指向该分区最远角点，虚线圆以此为半径。估计位置落在某座基站的半径圆内，该基站就成为候选；候选之间选择全体用户通信事件最多的基站。示例中三个估计点都可将 cj 作为候选，其中一个点可以位于 cj 的 Voronoi 多边形以外。
这一步同时利用空间范围与基站热度，不是把估计点机械吸附到最近塔。Voronoi 半径是几何近似，不等同于真实无线覆盖；偏向热门基站也可能让最终轨迹更集中。后续关于规律性和唯一性的结果，需要与这类方法假设一起理解。
真值从哪里来，只剩 1% 时又怎样验证？
验证数据来自主体用户中的一小部分：结合手机上网会话与 CDR，获得 1,450 人连续两周、每小时均有观测的基站代表位置，共有每人 336 个小时槽。这里的“真值”仍是高频通信推得的小时基站轨迹，不是连续 GPS 或人工逐时确认的位置。
研究按主体 CDR 的经验时段采样分布，故意删掉参考轨迹的一部分，保留完整性 0.01–0.5，生成约 30 万条不完整轨迹，再用 CTR 补齐。30 万是从 1,450 条参考轨迹反复构造的缺失样本，不是 30 万名独立受试者。
按经验时段分布删除，比均匀随机删点更接近通话采样；但仍不能完整复现每个人“为什么恰好此时打电话”的机制，也未必覆盖真实长空白、临时旅行等情况。
图 8｜填出来的位置距离参考位置有多远？横轴为保留的原始完整性，纵轴为小区归一化位移。对每条重建轨迹，先只在原本缺失的小时计算“估计与参考坐标距离 ÷ 参考基站半径”，再对这些小时取平均；箱线汇总这些轨迹级误差。浅蓝为均值、深蓝为中位数，箱为第 25–75 百分位，须为第 10–90 百分位，红线为 1 个半径。中位数约在 1–2 之间，保留 5% 后已低于 1.5，更多已知位置继续改善结果。
这个指标不是“最多错两座相邻基站”，也不是“每个点都在两个小区内”。它以距离和基站半径归一化，且图中存在较宽的误差分布；半径又因城市、郊区而异，不能统一换算成固定米数。
已知位置不进入误差计算，因此不会靠把原始点原样保留就虚增成绩。这是验证设计的优点。但参考轨迹只有两周，不能直接证明三个月重建具有完全相同精度；论文也未给出系统的基线方法比较与各组件消融，不能据此声称 CTR 在所有稀疏条件下优于其他方法。
补齐后，经典的移动距离规律还在吗？
主体分析只重建原始完整性超过 1% 的用户，保留约 95% 人群，即约 170 万人，以小时为槽补齐 90 天。被保留多数人是覆盖范围上的进步，但这些“完整轨迹”主要包含模型插补，不能称为新增的直接观测。
第一个复查对象是移动距离与回转半径。回转半径 rg 衡量一个人各次位置相对活动中心的分散程度；Δr 是相邻记录或相邻小时代表位置之间的距离。
图 9｜补全会改变移动距离的形态还是只改数字？原图四面板无字母。左上比较 Δr 的群体分布，右上比较 rg 分布，蓝色原始、橙色补全，灰线为截断幂律拟合。左下是原始轨迹、右下是补全轨迹在不同 rg 分组中的归一化距离分布，颜色代表活动范围组；参考斜率分别约 −1.8、−1.4。两者仍保留重尾后截断的结构，但截断与指数改变。
论文将结果视为对 González 等 2008 年定性规律的支持，而非推翻。群体拟合指数与旧研究接近，例如补全后距离指数约 1.78、回转半径指数约 1.68；回转半径截断尺度却从本数据原始轨迹的约 340 公里，变为补全后的约 175 公里。
比较时还改变了采样口径：原始 Δr 跨相邻通信事件，补全 Δr 跨相邻小时。差异既涉及补充位置，也涉及时间采样标准化，不能全部解释为发现了此前漏掉的真实长途出行。模型插补与数据地区差异都可能影响具体参数。
四个时空点能唯一识别人，是否依赖记录缺口？
轨迹唯一性衡量：知道一个人若干时间—地点组合后，数据中是否只剩一条轨迹与之匹配。它与把轨迹连接到实名身份有关，但不等于已经完成实名重识别。
经典研究中，少数随机时空点往往足以区分大量用户。CTR 论文提出，稀疏通信记录的“何时有记录”本身也会带来区分度，未必全来自真实路径不同。
图 10｜知道同样数量的时空点，仍有多少轨迹唯一？无子图字母的成对柱图，横轴已知时空点数，纵轴唯一轨迹比例，蓝色原始 CDR、绿色 CTR 补全。在本数据中，4 点时原始柱约 0.83、补全柱约 0.16，低点数下差异很大；补全后随已知点数增大，唯一性仍明显上升，80 点时接近九成量级。
这说明唯一性估计对采样缺失与数据处理很敏感。不过还应保留另一种解释：补全算法本身强调居家、日常重复和热门基站，也可能让轨迹更加相似。这部分并未用 170 万人的独立真实连续轨迹排除，所以“真实人类移动一定比过去认为的更不独特”仍需更多验证。
唯一性下降也不表示隐私安全。若攻击者知道更多点，或有更强辅助信息，仍可能识别；本研究并没有给重建数据提供匿名保护保证。
更完整的人群，为什么反而更容易预测？
最后一个复查对象是基于轨迹熵与 Fano 不等式推得的最大理论可预测性。它描述在给定统计与假设下的上界，不是某个算法已经达到的准确率。
按照经典研究的高活跃筛选条件，主体数据只留下约 8,000 人，约占 180 万人的 0.44%。这些用户原始轨迹的平均理论可预测性约 81%，与另一研究数据的 93% 不同；跨地区、时期和数据源的差别不能自动归因于补全。
图 11｜变化来自填空，还是来自终于纳入了不同的人？左图横轴为熵 H、纵轴为其密度；右图横轴为最大理论可预测性、纵轴为密度。蓝色虚线是筛选后 8,000 人的原始轨迹，橙色是约 170 万人的补全轨迹，绿色是同一批 8,000 人补全后的轨迹。橙色更低熵、更高可预测性，右图峰值约 94%；绿色仍接近蓝色，为人群选择起重要作用提供了对照。
作者解释为：频繁通信者往往更常移动，筛选他们会让样本偏向更难预测的人；扩大到多数较静态用户，整体上界就更高。匹配同一批人的对照比直接比较两种总样本更有说服力。
但它仍不是对所有插补偏差的彻底排除。特别是补全本来就利用规律性，轨迹低熵也可能部分受到模型约束。重建使用整段历史来补空，也不是在当时只用过去信息预测未来。约 94% 应读作该处理后人群的理论分布峰值，不能说已实现 94% 下一地点预测准确率。
补全的意义，是让遗漏与假设都变得可检查
这项研究最重要的提醒是：CDR 观测到的是通信事件，不是完整生活。把缺失直接当停留，或者只留下高活跃用户，都可能改变移动规律、隐私风险与可预测性的估计。
CTR 展示了一种可操作的补全框架和下采样验证。它保留更多用户，能在小时级、基站口径上产生相对接近参考轨迹的结果。但两周高频参考样本对三个月大人群的外推、居家与平滑假设、基站量化偏好，以及正则化参数选择，仍需要更完整的验证。原数据受保密协议限制未公开，也限制独立复现。
“完整”只是每个槽都有值。面对研究结论，还要继续检查这些值有多少是观测、多少是推断，以及换一套合理假设后结论是否稳定。
一句话总结
稀疏手机记录会同时遗漏位置和筛偏人群；CTR 能补出小时级轨迹并改变若干移动统计，但补全后的结果仍应作为带有模型假设的估计来检验。
核心来源
- Chen G, Viana AC, Fiore M, Sarraute C. Complete trajectory reconstruction from sparse mobile phone data. EPJ Data Science 8, 30 (2019).正式论文，DOI。全部图 1–11、表 1–2 与方法来自该文。
- González MC, Hidalgo CA, Barabási AL. Understanding individual human mobility patterns. Nature 453, 779–782 (2008).DOI。
- de Montjoye YA et al. Unique in the Crowd: The privacy bounds of human mobility. Scientific Reports 3, 1376 (2013).DOI。
- Song C et al. Limits of Predictability in Human Mobility. Science 327, 1018–1021 (2010).DOI。
图源集中说明：全部配图为 Chen 等原论文完整 Fig. 1–11，中文讲解按对应面板解释；原文以 CC BY 4.0 许可发布。
作者介绍
以下采用论文发表时的署名与贡献说明。
- Guangshuo Chen：INRIA、Université Paris-Saclay，以及 École Polytechnique、Université Paris-Saclay 署名作者，本文通讯作者；参与设计、数据收集分析及写作。
- Aline Carneiro Viana：INRIA、Université Paris-Saclay 署名作者；参与研究设计及写作。
- Marco Fiore：意大利 CNR-IEIIT，Torino 署名作者；参与研究设计及写作。
- Carlos Sarraute：美国 Grandata Labs，San Francisco 署名作者；参与数据收集分析及写作。
延伸思考：把推断位置和观测位置分开保存
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
设想规划者用补全轨迹估计夜间公交需求。算法把许多没有通信记录的夜晚补成家，结果可能低估夜班人群；若随后又用这批补全结果证明夜间出行很少，假设就被当成了证据。
一种值得采用的数据实践是，为每个位置保留来源标记：原始通信观测、规则补齐、张量估计，以及可用的不确定性信息。研究者可以分别报告只看观测、采用不同夜间规则、改变平滑强度后的结果，看看政策相关结论是否稳定。
模型让原本被排除的人重新进入分析，是有价值的；让他们以被算法过度规律化的方式进入，又可能产生新的误差。真正需要争取的，是既不因数据稀疏抹掉少数人，也不因补全方便抹掉少数人的非典型生活。
