A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research

随着低成本计算设备、改进的传感技术和数据驱动算法的普及，我们拥有了更多的数据，但是我们不知道该如何处理这些数据。在交通运输领域，我们看到了空间时间数据收集的激增。同时，对用户隐私的关注已经引发了应用设置中差分隐私的研究。本文将在空间时间数据的背景下，探讨差分隐私的一些最新发展。空间时间数据不仅包含用户的特征，还包括他们经常访问的地理位置。因此，公开这些数据具有极高的风险。为了在不暴露私人信息的情况下满足研究和推断的数据需求，已经提出了重要的工作。本次调查旨在总结这些努力，并提供差分隐私机制和相关软件的评估。我们还讨论了在交通运输领域中应用这些机制的相关工作。此外，我们还探讨了在交通运输空间时间数据中部署和大规模采用差分隐私的挑战，以进行下游分析。

如何在保护用户隐私的前提下，利用交通运输领域的时空数据进行研究和推断？

采用差分隐私机制，对时空数据进行加噪处理，保护用户隐私的同时保证数据的可用性和准确性。

论文综述了差分隐私在时空数据中的应用，并介绍了相关的软件工具和应用案例。实验采用了多个数据集，并对比了不同差分隐私机制的性能。值得深入研究的是如何在交通运输领域中实现差分隐私机制的大规模部署和应用。

近期相关研究包括：1. Differential Privacy for Mobility Data: An Overview of Methods and Applications；2. A Survey of Differential Privacy in Smart Cities；3. Preserving User Privacy and Data Quality in Mobile Sensing Systems with Cloud-Based Participatory Sensing