Massenbewegungsdaten in Kombination mit Gesundheitsdaten für Maßnahmen in pandemischen Situationen Deutsche Telekom, Tino Bliesener, 17.11.2022
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Massenbewegungsdaten in Kombination mit Gesundheitsdaten für Maßnahmen in pandemischen Situationen Deutsche Telekom, Tino Bliesener, 17.11.2022
Massenbewegungsdaten • Statistische Auswertung anonymisierter Signalisierungsdaten aus dem Mobilfunknetz der Deutschen Telekom • Auswertung der Daten für Deutschland • Anreicherung mit weiteren Datensätzen möglich
Mehr als 60 Individuelle und Stichprobe: über Hochrechnung Anonymisierungs- Milliarden standardisierte 30% der Gesamt- auf die Gesamt- verfahren nach Signale pro Tag Geometrie bevölkerung bevölkerung BfDI und DSGVO
Geo-Informationen Soziodemografie Anonymisierung
Informationen aus anonymisierten Anonymisierte Informationen aus Datenverarbeitungs- und
Mobilfunksignalen: der Datenbank: Anonymisierungsprozess
freigegeben durch
▪ Anzahl Personen, Verweildauer ▪ Alter (Altersgruppe), Geschlecht
▪ Start- und Zielort von Trips ▪ Wohnort - Postleitzahl
▪ Herkunftsbestimmung durch das ▪ Anreicherung mit statistischen
erste Signal des Tages Daten (Kaufkraft, Milieu etc.)
Analyse Potentialanalyse OOH Echtzeit-
Retail Analytics Tagestouristen aussteuerung
Shopping Center Bahnhöfe
Analyse Analyse Internationale OOH Reduzierung
Whitespot Analyse
Fachmarktzentrum Fußgängerzone Touristen Streuverluste
Standortanalyse Optimierung
„Straßenlage“ Werbegebiet
Aktualisierung Optimierung ÖPNV Potentialanalyse Auswertung Fahrgastzählung
Verkehrsmodelle ländlicher Raum Fernbusnetz Großereignisse U-Bahn
Querschnittszählung Geschäftsgebiets- Netzplanung Potentialanalyse
Pendleranalyse
Autobahn planung Ridesharing Ladesäulen Flughäfen
Einnahmeverteilung Gesundheits- Fahrgastzählung
Klimazielerfüllung
ÖPNV forschung Zug
Massenbewegungsdaten und Gesundheitsdaten für Maßnahmen in pandemischen Situationen
Massenbewegungsdaten und Gesundheitsdaten Ausbreitungsmodelle 2018/19 Das RKI hat mit den Mobilitätsdaten der Deutschen Telekom in Verbindung mit Gesundheitsdaten bereits im Jahr 2018 Vorhersagemodelle entwickelt, um pandemischen Situationen vorzubeugen. Im Projekt wurde ein Modell entwickelt, welches Mobilitätsdaten für das Land Berlin genutzt hat.
Massenbewegungsdaten
Pandemie 2020/2021
Pandemieforschung:
• Bewegungsmodelle
• Datenbank für den „Lockdown Monitor“ Daten:
• Untersuchung der Auswirkungen der Eindämmungsstrategie T-Systems liefert Massenmobilitätsdatensätze auf Basis
anonymisierter Signaldaten aus dem deutschen Mobilfunknetz der
Datensatz: Deutschen Telekom.
• Origin-Destination-Matrix in Stunden- und Tagesauflösung und auf Fortlaufende tägliche Lieferung von Datensätzen an das Robert-
kleinstmöglicher Geometrie und AGS8. Koch-Institut (RKI), einschließlich historischer Daten seit 01.2019
Christmas
BEISPIEL SACHSEN:
Bewegungen pro Tag
Ausgangspunkt der Bewegung in Sachsen
Aggregiert auf Stadt- und Kreisebene
Beobachtungszeitraum 07.12.2020 - 10.01.2021Massenbewegungsdaten
Pandemie 2020/2021
Pandemieforschung:
• Bewegungsmodelle
• Datenbank für den „Lockdown Monitor“ Daten:
• Untersuchung der Auswirkungen der Eindämmungsstrategie T-Systems liefert Massenmobilitätsdatensätze auf Basis
anonymisierter Signaldaten aus dem deutschen Mobilfunknetz der
Datensatz: Deutschen Telekom.
• Origin-Destination-Matrix in Stunden- und Tagesauflösung und auf Fortlaufende tägliche Lieferung von Datensätzen an das Robert-
kleinstmöglicher Geometrie und AGS8. Koch-Institut (RKI), einschließlich historischer Daten seit 01.2019
ORIGIN: DESTINATION TOP 10: DESTINATION ALL:
MotionData Traffic Cells with a These are the top 10 destinations in a specific timeframe starting All Destinations in a specific timeframe starting from
spatial resolution from 500x500m up to 8x8 km. from ORIGIN, the bigger the circles, the higher the number of trips. ORIGIN, the bigger the circles, the higher the number of trips.Massenbewegungsdaten Mobilität in Großstädten im Vergleich2020/2021 Analysierte Städte Anzahl der binnen Bewegungen pro Einwohner
Massenbewegungsdaten
Mobilität nach Einwohnerstärke
- Gezeigt werden alle Trips, die nur innerhalb der
Stadtgrenzen statt finden
- Normiert auf die Population in den Städten (laut
Destatis)
- Sa/So entfernt (am Wochenende bricht die Mobilität
ein und verzerrt das Bild)
- Zeitraum: 4 Wochen ab 16.11.2020
- Platz 1: Thüringen, Platz 2: Sachsen, Platz 3:
Niedersachsen, Platz 4: Sachsen-Anhalt
- Alle anderen Bundesländer liegen darunter
Buß- und Bettag (nur Sachsen) 14Massenbewegungsdaten und Gesundheitsdaten Kombination aus Mobilitätsdaten und Datenspende
Massenbewegungsdaten und Gesundheitsdaten
Kombination aus Mobilitätsdaten und Datenspende
< <Massenbewegungsdaten und Gesundheitsdaten Forschungsprojekt PANDA Pandemie Analyse mittels Advanced Analytics Methoden (PANDA) Zeitraum: 09/2021 – 06/2023
Massenbewegungsdaten und Gesundheitsdaten Forschungsprojekt PANDA - Idee Eine Eindämmung der ortsbezogenen Infektionsbewegung funktioniert nur im Kontext der Betrachtung des Gesamtsystems. Daher analysieren wir Bewegungsdaten, indem wir diese als Eigenschaften (KPIs) den Orten zuweisen. Um Auswirkungen von Infektionen vorherzusagen, wird die Ausbreitungsgeschwindigkeit als in Relation zur Mobilität der jeweiligen Orte und der relativen zeitlichen Entfernung dieser betrachtet. (Welleneffekte) Unter Berücksichtigung der Mobilität und Infektionsentwicklung innerhalb eines Ortes können mit Hilfe von Machine Learning Methoden ortsübergreifende Wirkeffekte und Abhängigkeiten der Ausbreitung einer Pandemie vorhergesagt werden.
Maßnahmen in pandemischen Situationen
Forschungsprojekt PANDA - Idee
Projektziele:
• Zusammenhänge von Mobilität und Infektionsgeschehen erforschen
• Wirkungseffekten von Mobilität auf das Infektionsgeschehen in Landkreisen messbar und
vorhersagbar machen
• Auf Basis von mobilen Bewegungsdaten sollen kritische geographische Epizentren
identifiziert werden, welche direkt oder indirekt zur Ausbreitung des Virus beitragen.
• Es sollen die Orte erkannt werden, welche anhand ihrer lokalen Eigenschaften wie
Demographie oder anderer Risiken besonders gefährdet sind für hereingetragene
Infektionen.
• Ortsbezogene Eigenschaften sollen für Entscheidungsvalidierung für Maßnahmen
simulierbar sein, um potentielle Effekte von Corona-Maßnahmen besser abschätzbar zu
machenMassenbewegungsdaten und Gesundheitsdaten
Forschungsprojekt PANDA - Perspektivwechsel
Welleneffekte des Ausbreitungsgeschehens:
Beschreibt auf Basis der zeitlichen Entfernung und des Mobilitätsaufkommens von Orten, wie
schnell ein Problem von A nach B eskalieren kann:
▪ Werden die Orts-Distanzen anhand der Mobilität und der Ausbreitungseffekte der
Infektionswellen zwischen den Orten bestimmt, kann die potentielle Infektiosität
zueinander unter der Annahme einer konstanten maximalen Geschwindigkeit der
Ausbreitung modelliert werden. (Welle)
▪ Indem wir ermitteln, in welchen zeitlichen Abständen Infektionswellen über Landkreise
hinweg expandieren, können wir vorhersagen, ob und wie schnell ein Problem oder eine
Zustandsänderung des Systems von A nach B expandieren kann. Daraus können wir
Wirk-Zustände & Zusammenhänge von A auf B (und umgekehrt) zu unterschiedlichen
Zeitpunkten ableiten.Massenbewegungsdaten und Gesundheitsdaten
Forschungsprojekt PANDA
1. Datengrundlage definieren
3. Vorverarbeitung
Mobile Infektio
Daten nsdaten Bewegungsdaten
(Knoten; Topologie; Richtungen;
5. GUI / Interface
Orte; Zeit etc.)
2. Daten
Integration
Orts/Infektions-logik Input Output
Panda (Gesundheitsmaße; KPI /
Zielgrößen, Ausbreitung)
DB
-
4. Cases für
Berechnung/ Wirkanalysen Simulation Go…
AlgorithmikBisherige Ergebnisse
Massenbewegungsdaten und Gesundheitsdaten
Data Aggregation & Data Fusion
Welche Zusammenhänge bestehen im Datenraum?
Herausforderung: Verbindung von unterschiedlichen
Datentypen und Kopplung der Daten für ganzheitliche
Analysen.Massenbewegungsdaten und Gesundheitsdaten Probleme bei der Datenanalyse - Fusion • Meldeverzug bei Infektionsdaten schwankt bis zu 1 Woche • Daten haben künstlichen Wochenzyklus (Wochenenden ohne klaren Meldezeitpunkt) • Stark variable Dunkelziffer bei Infektionsdaten (verändert sich je nach Ort und Zeitraum); kein Konsens zur Handhabe • Infektionsdatum vs. Meldedatum (meist gleiches Datum) • Unterschiedliche Richtlinien, Dokumentationspraxis bei Infektionsdaten • Inkonsistente Infektionsorte: mal Gemeinde, mal PLZ, mal Screeninglabor • Kein deutschlandweit einheitliches Datenformat / hohe Fragmentierung • Maßnahmen-Flickenteppich und „Always-On“-Maßnahmen erlauben keine zeitlich abgrenzbare Analyse von Effekten
Wie unterscheiden sich Landkreise im
Kontext von Mobilität und
Infektionsgeschehen?Massenbewegungsdaten und Gesundheitsdaten
Wie unterscheiden sich Landkreise, in denen bestimmte Varianten
gefunden wurden, hinsichtlich ihrer Mobilität ?
Clustering mithilfe von soziodemografischen
Faktoren:
• Wahlergebnisse
• Besiedlungsdichte
• Altersstruktur
• Betreuungsschlüssel
• Einkommen
Das Cluster zeigt klare Gruppierungen für
die Unterscheidung von Ost-West &
Groß/Klein-Landkreise (obwohl keine
geographischen Eigenschaften mitgegeben
wurden)Massenbewegungsdaten und Gesundheitsdaten Wie können Landkreise geclustert werden (Mobilität – Inzidenz)? Wo finden wir kausale Zusammenhänge zwischen Mobilität, Infektion, Maßnahmen und Wetter-Faktoren. Findings: Zusammenhänge nur teilweise vorhanden aber keine konsistente Ergebnislage, wenn Gesamtzeitraum und geogr. Gesamtraum betrachtet wird. Ergebnisse werden besser, wenn zeitliche und räumliche Differenzierung gemacht wird.
Maßnahmen in pandemischen Situationen Können Landkreise anhand der Daten geclustert werden? Welche Landkreise sind hinsichtlich Kausalitäten zwischen ihren Eigenschaften ähnlich? Findings: Ergebnisse bestätigen teilweise, dass moderate Zusammenhänge in bestimmten Landkreisen bestehen.
Massenbewegungsdaten und Gesundheitsdaten Welche Ortsbezogenen Eigenschaften beeinflussen sich gegenseitig? Landkreise verhalten sich im Infektionsgeschehen Je nach Zeit und Situation sind Landkreise teilweise ähnlich unterschiedlich – jeder Landkreis muss individuell oder unähnlicher hinsichtlich ihrer dynamischen Eigenschaften betrachtet werden. und deren Wirkung im zeitlichen Abstand aufeinander. Momentual conditional independence (MCI) Auto> Autokorrelation Cross > Kreuz-Kausalitiät
Massenbewegungsdaten und Gesundheitsdaten
Wie unterscheiden sich Landkreise, in denen bestimmte Varianten
gefunden wurden, hinsichtlich ihrer (in/outbound) Mobilität?
• Wie unterscheidet sich die Mobilität in
Virusmutations-Clustern?
• Grün: Mobilität innerhalb des
Mutations-Clusters (in-cluster)
• Orange: Mobilität aus dem Cluster
raus (out-bound)
• Im Zeitverlauf wächst das Cluster,
damit auch die „infektiöse (out-
bound-) Mobilität“
Mobilität out-bound
in-cluster Mobilität
Anzahl Landkreise im Infektionscluster
DatumMassenbewegungsdaten und Gesundheitsdaten
Wie unterscheiden sich Landkreise, in denen bestimmte Varianten
gefunden wurden, hinsichtlich ihrer (in/outbound) Mobilität?
• Mit jedem neuen Landkreis im • Es kommen Landkreise hinzu, • Nur Landkreis 3 und 7 führen • Während Cluster wächst, • Mit Zunahme infizierter Landkreise
Cluster steigt in-cluster-mob. die wenig an der in-cluster- zu starkem Anstieg der out- verändert sich in-cluster- wächst das Cluster;
• Out-bound Mob. steigt nicht, sinkt mob verändern bound- Mobilität des Mobilität • Cluster Mobilität steigt kontinuierlich
sogar relativ zur Cluster-Größe • Out-bound Mobilität steigt Clusters • Outbound Mobilität nicht (in-cluster & outbound)
erst mit dem 4. Landkreis • >> Es kommen Landkreise • Landkreis 3 & 5 besonderen Einfluss
mit schwacher outbound- • DEFAULT-Case (Das Verhalten der
mobilität hinzu Cluster wäre naiv zu erwarten)
Findings:
• Es gibt Cluster, die zusammenhängen und es gibt Infektionscluster, die verstreut sind in TH.
• Bei zusammenhängenden Clustern überholt grün die orange Linie mit stetigem Wachstum.
• Wenn Cluster über TH verstreut, dann bleibt orange weiter über grüner Linie, obwohl das Cluster wächst.
• Obwohl die Anzahl d. Landkreise in Infektionsclustern von Sub-Typen von COVID-19 steigt, ändert sich die Outbound-Mobilität nur
bei Hinzukommen bestimmter Landkreise, bei anderen nicht. Diese sind potentiell besonders gefährlich für die weitere
Ausbreitung der Variante, da sie eine hohe Out-bound-Mobilität ins Infektionscluster bringen.Massenbewegungsdaten und Gesundheitsdaten
Bisheriger Ergebnisse: Untersuchung von potentieller Ausbreitung von
COVID-Varianten
Wo wurde die neue
Variante gefunden?
Welche Orte haben hohen mobilen Austausch mit
Landkreisen, wo die Variante gefunden / noch nicht
gefunden wurde (mit Variante „infiziert“), so dass die
neue Variante dort zu erwarten ist?Maßnahmen in pandemischen Situationen
Bisheriger Ergebnisse: Untersuchung von potentieller Ausbreitung von
COVID-Varianten
Lagebild 4 Wochen
später…
Begrenzte Ressourcen zur Proben-Sequenzierung können effektiver
eingesetzt werden für ein besseres Lagebild.
Anwendungsfall: Die potentielle Ausbreitung von Varianten wird anhand der mobilen „Interaktion“ von Landkreisen strukturiert auswertbar.
Mit der Information, welche Landkreise einen potentiell hohen Infektionsaustausch mit infizierten Orten haben, kann das UKJ gezielt in Landkreise gehen um Proben
auf neue Varianten zu untersuchen.Massenbewegungsdaten und Gesundheitsdaten
Wirkanalyse Thüringen
Wirkungsanalyse:
Welchen Einfluss hat die
Mobilität von
bestimmten Landkreisen
auf ein Bundesland bzw.
einen bestimmten
Ziellandkreis?
Im Beispiel wird gezeigt,
welche Landkreise über
ihre Mobilität eine hohe
potentielle Wirkung auf
das Infektionsgeschehen
im gesamten
Bundesland Thüringen
hatten. (work in
progress)HABEN SIE FRAGEN?
Ihre Ansprechpartner Tino Bliesener +49 160 11 58 316 tino.bliesener@telekom.de
Sie können auch lesen
