基于手機數據與交通指數的關聯分析算法研究

王浩淼+楊彬彬+姚遠

【摘 要】手機信令數據采集及應用作為新興并快速發展的交通信息采集技術，已在北京、上海、廣州、深圳等大城市得到充分研究應用。研究探討了如何利用手機信令數據分析不同的手機行為與交通指數之間的關聯。通過兩者關聯分析，利用微觀手機用戶行為發掘區域宏觀交通狀態。選取了試驗區域，對兩者關聯性及關聯分析方法進行了驗證。結果表明，總體上手機信令數據可以作為交通指數分析的補充數據源，反應城市道路交通狀態變化。

【關鍵詞】智能交通；手機信令；信令事件；交通指數；關聯分析

0 引言

目前，手機信令數據及其應用由于其覆蓋范圍廣、樣本量巨大、投資成本低等先天優勢，已逐步成為城市交通出行信息采集、分析及應用的重要數據。道路交通指數作為一種反應城市交通狀況的數據信息，是城市交通擁堵評價指標體系和評價方法的核心評價指標，能夠綜合宏觀反映道路網交通運行狀況[1]，已在部分大城市中得到應用。道路交通指數受多種因素影響，難以通過一成不變的分析方法獲取到真實客觀的數據。

本文嘗試充分利用手機信令數據資源，深入挖掘手機信令大數據潛在價值與內涵。通過大數據分析處理關鍵技術，分析研究手機信令數據與交通指數之前的關聯。利用手機信令數據相關信息從另一個側面來反映城市道路交通指數及其變化規律。

1 手機信令數據

采用起源蜂窩小區定位技術與手機切換定位技術實現交通信息提取與應用。在手機通話切換的過程中，移動網絡運營商會保留相關記錄，以上記錄的保存為利用手機切換進行交通信息采集提供了可能以及所需的必要參數[2]。通過起源蜂窩小區與手機信令切換定位技術，可實現手機用戶靜、動態位置采集，實現基于手機信令數據的交通信息采集。

通過與運營商、手機數據采集商的溝通與協調，獲取上海移動信令數據研究及應用授權。運營商提供詳細的MSID、LAC、CELL、時間戳、信令事件等信息。其中，正常位置更新、周期性位置更新、主叫和短信啟呼過程、BSC切換等四類典型信令事件，在手機信令數據中占有比率較高，且是交通信息采集中常用的幾種信令事件數據。

2 交通狀態指數

文中交通指數，主要針對上海城市道路交通狀態指數（Traffic State Index，TSI），用以描述道路交通擁堵程度，綜合反映交通出行暢通程度。利用交通狀態指數，可以評價城市交通整體或區域的運行狀況，科學分析和判斷中、長期交通發展趨勢，有效預報、預警交通擁堵程度和范圍，為政府制定科學合理的交通規劃、輔助交通管理決策提供定量、可參考的依據[3]。上海城市交通狀態指數TSI取值介于0至100之間，數值越大表示道路交通狀態越擁堵，數值越小表示道路交通狀態越暢通。在指數數據區間基礎上，通過對歷史數據統計分析、出行調查和現場驗證，分類歸納出對快速路、地面道路交通擁堵的習慣感受程度，劃分擁堵程度等級[4～5]。

3 手機數據與交通指數關聯分析

3.1 信令事件與交通指數偏相關性

研究對上海市重點交通區域交通指數與手機信令數據進行偏相關分析，得到手機數據屬性與區域交通指數的偏相關系數。

根據偏相關系數結果發現，正常位置更新事件與交通指數呈正相關關系，而周期性位置更新、主叫與短信啟呼過程都與交通指數呈負相關關系。

a.正常位置更新事件數量與交通指數呈正相關關系

正常位置更新發生在手機用戶的出現跨越LAC行為，則認為手機用戶產生了出行記錄，并且有可能是距離為數公里的出行。因此，在某個地面道路區域內，如果正常位置更新的信令記錄越多，則這個區域內手機用戶在這個區間內出行的人數也越多，人的出行伴隨著交通狀態的變化。出行人數越多，交通指數可能越高，因此可將該屬性作為衡量地面道路區域內人們出行的活躍程度。

b.周期性位置更新、主叫與短信啟呼過程都與交通指數呈負相關關系

周期性位置更新事件表示該手機用戶在一個更新周期內，沒有跨出所在LAC區域的位移，可認為該手機用戶在一定時間段內始終停留在同一位置，沒有發生出行行為。分析表明，某區域分析時段內周期性位置更新事件數量上升，則該區域的手機用戶處于室內工作或休息的比例就越高，出行量也越低，道路更暢通，交通指數下降。

主叫與短信啟呼過程事件表示該手機用戶在當時處于通訊狀態，但通訊過程中，如果出現跨小區行為，會出現BSC內切換事件。如果主叫與短信啟呼過程事件數量明顯比BSC內切換事件數量要多，則表明該區域的手機用戶在該時段內出行活躍度不高。

3.2 信令事件與交通指數回歸分析

利用回歸分析方法，對上海市多個地面道路區域的手機信令數據與交通指數數據建立回歸分析模型。

以徐家匯的交通指數為例，根據回歸分析徐家匯的地面道路交通指數為：

TSRxjh=20.764+1.883*C-0.030*U1-2.883*U2+0.178*M-1.155*H+0.054*S（2）

式中，TSRxjh表示徐家匯區域交通指數；C表示手機用戶數量；U1表示正常位置更新量；U2表示周期性位置更新量；M表示主叫與短信啟呼過程量；H表示BSC內切換量；S表示信令事件總量。

回歸分析結果表明，可以根據該地面道路區域內的某時段內（半小時）該區域檢測到的手機用戶數量（C）、正常位置更新事件的數量（U1）、周期性位置更新事件的數量（U2）、主叫與短信啟呼過程事件的數量（M）、BSC內切換事件的數量（H）以及信令總量（S），可以擬合出該區域地面道路的交通指數。為驗證回歸模型有效性，對模型擬合度進行評價，一般采用R2作為評價標準。R2值基本都在0.7以上，具有很好的擬合優度。

3.3 模型評價

采用模型精度計算公式計算回歸模型分析精度：

Err=擬合值-實際值/實際值×100%

Acc=1-Err（3）

從68個區域地面道路交通指數擬合平均絕對誤差看，平均精度為90.15%，具有十分高的精度。因此，可以將手機信令數據，作為交通分析的補充數據源，對地面道路交通指數進行實時的評估。

4 結語

研究針對手機信令事件與地面道路交通指數的關系，利用偏相關分析，探索了不同信令事件與交通指數的關系。通過回歸分析方法，對上海市68個區域的地面道路分別建立了交通指數回歸分析模型，模型具有相當高的擬合精度，平均精度達到90%。研究表明，手機信令數據可以作為交通分析的補充數據源，實時檢測地面道路區域的交通變化狀況。

【參考文獻】

[1]劉瑩，陳艷艷，程穎，等.基于交通指數的機動車污染物排放分析方法研究—以北京為例[J].北京工業大學學報，2017，43（3）：422-427.

[2]楊飛，裘煒毅.基于手機定位的實時交通數據采集技術[J]. 城市交通.2005，3（4）：63-68.

[3]上海交通信息中心.上海交通出行網[EB/OL].http：//www.jtcx.sh.cn/index.html，2017-07-17.

[4]冉斌.手機數據在交通調查和交通規劃中的應用[J].城市交通，2013，11（1）：72-81.endprint