Além de um Único Retrato: Análise Temporal da Exposição de Usuários em Dados de Mobilidade

• Lucas G. S. Félix UFMG / Inria
• Vinícius da F. Vieira UFSJ
• Anne Josiane Kouam Inria
• Alexandre G. Evsukoff UFRJ
• Nadjib Achir Inria
• Aline C. Viana Inria
• Jussara M. Almeida UFMG

DOI: https://doi.org/10.5753/sbrc.2026.19743

Resumo

A crescente disponibilidade de dados de mobilidade urbana em larga escala intensifica os riscos à privacidade, uma vez que usuários podem ser reidentificados a partir de um pequeno número de observações espaço-temporais. Embora perfis de mobilidade sejam amplamente utilizados para caracterizar o comportamento de deslocamento dos usuários, seu papel na explicação e no direcionamento de estratégias de proteção à privacidade ainda é pouco compreendido, especialmente sob uma perspectiva longitudinal. Neste trabalho, investigamos a relação temporal entre perfis de mobilidade e a vulnerabilidade dos usuários em dados de mobilidade urbana. Nossa metodologia combina a identificação de perfis de mobilidade com duas técnicas complementares de quantificação de vulnerabilidade: uniqueness, que captura a vulnerabilidade espaço-temporal, e uma abordagem baseada na técnica do hipercubo, que captura a vulnerabilidade comportamental. Utilizando dados de telefonia móvel da cidade do Rio de Janeiro ao longo de três semanas consecutivas, realizamos uma análise longitudinal da evolução dos perfis de mobilidade e dos níveis de vulnerabilidade. Os resultados mostram que, embora os usuários mudem frequentemente de perfil de mobilidade ao longo do tempo, seus níveis de vulnerabilidade permanecem amplamente estáveis. Além disso, observamos que os perfis de mobilidade não diferenciam de forma significativa a vulnerabilidade dos usuários, indicando que estratégias de proteção baseadas em perfis podem ser pouco eficazes. Por fim, mostramos que a vulnerabilidade comportamental se concentra de forma consistente em um pequeno conjunto de métricas de mobilidade, sugerindo que a proteção direcionada a essas dimensões pode reduzir substancialmente a exposição da maioria dos usuários.

Referências

Amichi, L., Viana, A. C., Crovella, M., and Loureiro, A. A. (2020). Understanding individuals’ proclivity for novelty seeking. In SIGSPATIAL.

Analytica, A. (2025). Location-based services market to reach over us$ 462.65 billion in revenue by 2032. [link]. Accessed: 2026-01-09.

Chaves, J. C., da Silva, M. A., de Souza Alencar, R., Evsukoff, A. G., and da Fonseca Vieira, V. (2023). Human mobility and socioeconomic datasets of the rio de janeiro metropolitan area. Data in brief.

De Montjoye, Y.-A., Hidalgo, C. A., Verleysen, M., and Blondel, V. D. (2013). Unique in the crowd: The privacy bounds of human mobility. Scientific Reports, 3(1):1–5.

do Couto Teixeira, D., Almeida, J. M., and Viana, A. C. (2021). On estimating the predictability of human mobility: the role of routine. EPJ Data Science, 10(1).

Esper, J. P., Viana, A. C., and Almeida, J. M. (2024). Beauty or beast: Human behavioral insights and learning power of federated mobility prediction. In Proc. ACM SIGSPATIAL.

Farzanehfar, A., Houssiau, F., and de Montjoye, Y.-A. (2021). The risk of re-identification remains high even in country-scale location datasets. Patterns.

Félix, L. G., Achir, N., Kouam, A. J., Viana, A. C., and Almeida, J. M. (2025). Estimando a vulnerabilidade à exposição de usuários em dados de mobilidade. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC).

Frissen, V. (2018). Gender is calling: Some reflections on past, present and future uses of the telephone. In The gender-technology relation.

Gramaglia, M., Fiore, M., Furno, A., and Stanica, R. (2021). Glove: Towards privacy-preserving publishing of record-level-truthful mobile phone trajectories. ACM/IMS Transactions on Data Science (TDS).

Green, N. (2002). On the move: Technology, mobility, and the mediation of social time and space. The information society, 18(4):281–292.

Jiang, K., Shao, D., Bressan, S., Kister, T., and Tan, K.-L. (2013). Publishing trajectories with differential privacy guarantees. In 25th Int. Conf. on scientific and statistical database management.

Ling, R. and Yttri, B. (1999). Nobody sits at home and waits for the telephone to ring: Micro and hyper-coordination through the use of the mobile telephone.

Liu, T., Yang, Z., Zhao, Y., Wu, C., Zhou, Z., and Liu, Y. (2018). Temporal understanding of human mobility: A multi-time scale analysis. PloS one, 13(11):e0207697.

May Petry, L., Leite Da Silva, C., Esuli, A., Renso, C., and Bogorny, V. (2020). Marc: a robust method for multiple-aspect trajectory classification via space, time, and semantic embeddings. International Journal of Geographical Information Science.

Pyrgelis, A., Troncoso, C., and De Cristofaro, E. (2018). Knock knock, who’s there? membership inference on aggregate location data. In NDSS.

Su, R., Dodge, S., and Goulias, K. G. (2022). Understanding the impact of temporal scale on human movement analytics. Journal of Geographical Systems, 24(3):353–388.

Zang, H. and Bolot, J. (2011). Anonymization of location data does not work: A large-scale measurement study. In Proc. 17th Annual International Conference on Mobile Computing and Networking.