Vorteile einer Doppelgängerstadt

F¨¹r manche, die dem Thema bislang eher gleichg¨¹ltig gegen¨¹berstanden, d¨¹rften die genannten grossen Zahlen einen Alptraum Orwell'schen Ausmasses darstellen. Als Mobilit?tsforscher im Zeitalter von Big Data gew?hnt man sich jedoch schnell an solche Gr?ssenordnungen. Anstatt gleich den Untergang der Privatsph?re heraufzubeschw?ren, kann man diese Daten auch als Chance sehen: Zum Beispiel f¨¹r den Aufbau besserer Modelle, mit denen wir Mobilit?tsfragen untersuchen k?nnen. Es ist n?mlich m?glich, solche Trackingdaten zu nutzen und gleichzeitig die Privatsph?re der Menschen zu sch¨¹tzen.

Ein endloser Wettlauf

Es gibt mehrere Ans?tze, dies zu tun. Die Firmen, welche mit Standortdaten handeln, behaupteten gegen¨¹ber der New York Times, dass sie die Daten stets in aggregierter oder anonymisierter Form verwendeten. Konkret: Entweder werden Datenpunkte so geb¨¹ndelt, dass Personen nicht mehr voneinander unterscheidbar sind, oder die identifizierende Informationen wird ?maskiert?, also bewusst ver?ndert.

Bei Bewegungsdaten von Personen ist die Anonymisierung jedoch gar nicht so einfach³. Wenn neue Anonymisierungs- und Maskierungstechnologien entwickelt werden, ist es oft auch m?glich, Algorithmen zur Deanonymisierung zu entwickeln, mit denen die Spuren einzelner Personen wieder rekonstruiert werden k?nnen. Das heisst, es ist nie auszuschliessen, dass meine Privatsph?re im endlosen Wettlauf zwischen Datenschutz und Hackerattacke irgendwann trotzdem verletzt wird.

Synthetische Daten als Alternative

In unserem Team im Future Cities Laboratory erforschen wir daher Alternativen zu den herk?mmlichen Methoden der Standortmaskierung. Wir fragten uns: Ist es m?glich, k¨¹nstliche Ortsdatenstr?me zu erzeugen mit derselben zeitlichen und r?umlichen Aufl?sung wie das auch Smartphones machen, ohne jedoch einen echten, von einer Person zur¨¹ckgelegten Bewegungspfad zu reproduzieren?

In der Praxis gibt es n?mlich nur sehr wenige F?lle, in denen man zur Analyse von Mobilit?tsdaten Zugang zu den detaillierten Originaldaten einer bestimmten Person ben?tigt. Oft ist es genauso gut m?glich, mit einem bewusst ver?nderten Datensatz zu arbeiten. Wir generieren solche synthetischen Datenstr?me aus Rohdaten, wobei die Rohdaten nur vom Computer bearbeitet werden und f¨¹r die Anwender unsichtbar bleiben.

Synthetische Daten entstehen in mehreren Schritten: Die Standortrohdaten der Mobilger?te werden sicher und verschl¨¹sselt ¨¹bertragen und in gepr¨¹fter und zertifizierter Weise zu Datenaggregaten zusammengefasst. Diese Aggregate kann man anschliessend verwenden, um synthetische Mobilit?tsdaten zu erzeugen, die sich in ihren statistischen Eigenschaften nicht von den realen Daten unterscheiden. In unserem Labor arbeiten wir derzeit an zwei verschiedenen Methoden, um dies umzusetzen^4,5.

Diese Techniken sind nicht nur ein Fortschritt bei der Wahrung der Privatsph?re, sondern sie erweitern auch das Potenzial der Verkehrsmodellierung: Man kann die synthetischen Daten in moderne Mobilit?tssimulationen einspeisen. So ist es m?glich, eine ganze ?Doppelg?nger-Stadt? zu schaffen, in der die Auswirkungen politischer Entscheidungen erforscht und Verkehrsmassnahmen getestet werden k?nnen, w?hrend die Menschen in der realen Welt unbehelligt bleiben.