基于手機信令數(shù)據(jù)的城市交通出行預測研究

魏輝鴻 魏婷婷

重慶交通大學 交通運輸學院 重慶 400074

引言

隨著我國國民經(jīng)濟以及城市化的高速發(fā)展，城市人口快速膨脹，城市交通出行也發(fā)生了大幅度的增長。隨之引發(fā)的是城市海量交通出行需求與有限交通供給之間的嚴重失衡，且伴隨著交通阻塞、環(huán)境污染等問題。為了更好地推進城市化治理工作，需要在城市交通規(guī)劃中進行精準的交通需求分析和預測。

在進行交通需求預測之前，有必要對城市交通出行特性進行定性分析和定量分析，建立符合出行行為特征的模型，才可以為交通需求預測的合理性提供保障。從以往城市交通出行預測方法來看，居民出行行為特征分析和行為預測研究主要借助局部抽樣調查進行統(tǒng)計分析[1]。但是由于統(tǒng)計數(shù)據(jù)缺乏，基于抽樣調查的出行分析方法存在樣本量小、覆蓋面窄、成本高等弊端，因此得出的出行總體特征的描述精確度較小。另一方面，增長系數(shù)法、重力模型法等行為交通需求預測方法對多因素影響下個體出行行為多維度選擇的考慮欠缺，在一定程度上阻礙了城市交通出行行為的系統(tǒng)性化、精準化預測。因此基于出行數(shù)據(jù)存在部分信息不完整的特點，有必要依靠交通大數(shù)據(jù)探尋新的思路與方法，實現(xiàn)面向不同城市交通個體的出行行為特征提取與準確預測。鑒于此，以手機信令數(shù)據(jù)為分析基礎，在準確甄別不同類型乘客的基礎上提出出行行為的預測方法，為把握多層次化的城市交通出行需求提供綜合解決方案。

1 城市交通出行現(xiàn)狀分析

1.1 交通擁堵具備時間段差異

當前，交通設施的發(fā)展總體跟不上交通需求增長速度，交通需求的大幅度增長對現(xiàn)有的城市交通設施產(chǎn)生極大壓力，交通擁堵問題日趨嚴峻。根據(jù)百度地圖交通出行大數(shù)據(jù)報告，可以將城市交通出行特征歸納為存在以下兩個方面[2]：一是居民通勤出行距離長，具有一定走廊聚集特性；非通勤出行距離短，具有空間無序性。二是早高峰形成階段與晚高峰消散階段通勤出行對路網(wǎng)速度的貢獻度高，晚高峰較早高峰擁堵更顯著。由此可見，交通擁堵具備不同時間段的差異性特征。

1.2 居民出行方式多樣化

居民出行方式一般指出行者為完成一次出行所采用的特定交通工具或手段。目前，城市交通出行常用的方式有步行、摩托車、小汽車、公交車等。且居民對于出行方式的選擇受到較多因素的影響，包括出行者的性別、年齡、收入和不同交通方式的便捷性、安全性等。但在實際交通出行方式中，人們到達一個目的地往往采用的不止一種交通工具，而是以一種組合交通的方式出行。因此，相比于單次出行，出行期間多種出行、換乘方式等也是較為重要的影響因素。隨著現(xiàn)代社會經(jīng)濟的發(fā)展，交通領域的研究范圍已經(jīng)不再局限于單一的出行方式，更多的應是基于出行鏈對組合出行行為方式進行探究。

2 出行預測概述

2.1 出行行為特征分析

在城市交通中，出行者的行為直接受出行特性、出行選擇特性共同影響，同時也受交通政策等社會經(jīng)濟環(huán)境所制約；因此，出行因素的涵蓋面非常廣泛，以下主要從出行特性因素和出行方式選擇影響因素兩方面對城市交通出行行為進行分析。

2.1.1 出行特性因素。出行特性因素主要有出行目的、時間、距離、費用等。其中，短途出行目的主要包括上班、上學、購物娛樂等等，長途出行目的主要分為出差、旅游、走訪等。另外，出行特性因素還可以根據(jù)個體、家庭、出行屬性來進行分類。如表1所示，在個體屬性中，主要的影響因素有性別、年齡等；家庭屬性中的影響因素有可支配收入、擁有車輛數(shù)等；出行屬性的影響因素有出行時間、方式、距離等。

表1 出行特性因素

2.1.2 出行方式選擇影響因素。在出行路線選擇的影響因素方面，主要表現(xiàn)為駕駛員在出行時對線路的選擇，其具體可以表現(xiàn)為：行程時間、行駛距離、行程時間可靠性等。由于個體特征不同，這些因素對不同駕駛員的影響程度也各不相同。

然而，出行因素不能片面的僅從個體的角度剖析，還應從整個交通系統(tǒng)和外部社會的經(jīng)濟環(huán)境條件來綜合權衡把握。在這些影響因素中，不同因素之間又相互作用，比如，出行時間和出行距離在一般情況下往往成正相關。因此，對出行者決策性行為過程的分析和出行預測分析也應當全方面科學的考慮，若僅依據(jù)經(jīng)驗，從定性的角度來預測居民出行的方式，可能產(chǎn)生較大誤差，所以還應當建立合理的數(shù)學模型，從定量角度分析預測居民出行情況，從而對整個交通系統(tǒng)進行相對準確的評估。

2.2 出行預測方法

出行選擇通常涉及多個方案，且不同方案的不同屬性在不同狀態(tài)下結果也大不相同，因此出行預測是一個需從多維度考慮的復雜問題。目前，在交通方式選擇方面，存在兩大類理論：集計分析和非集計分析[3]。在交通分配方面主要是以Wardrop原理劃分為平衡模型和非平衡模型。大多數(shù)學者對出行方式選擇的研究主要采用以Logit模型及其嵌套模型為主的非集計模型，也有部分學者使用前景理論、BP神經(jīng)網(wǎng)絡等方法。

與傳統(tǒng)出行預測不同，隨著現(xiàn)代信息技術的發(fā)展，移動互聯(lián)網(wǎng)與物聯(lián)網(wǎng)已經(jīng)能夠提供大量的交通出行數(shù)據(jù)（如POI數(shù)據(jù)、手機GPS數(shù)據(jù)等)，基于大數(shù)據(jù)環(huán)境下的交通出行研究已經(jīng)成為智能交通領域發(fā)展的前沿熱點。隨著無線通信技術的發(fā)展，手機信令數(shù)據(jù)被廣泛應用于交通領域。據(jù)2018年《全國規(guī)劃行業(yè)大數(shù)據(jù)應用十大機構》評選報告顯示，手機大數(shù)據(jù)已經(jīng)成為最主流的大數(shù)據(jù)源，在所有大數(shù)據(jù)中占比達到30%以上。智能手機作為一種普及性強的通信設備，它具備時空跨越維度大、樣本量多的特點，可當作理想的交通探測器，為居民出行信息獲取和分析提供了很好的技術支撐[4]。

3 基于手機信令數(shù)據(jù)的城市交通出行預測方案

3.1 手機信令數(shù)據(jù)

3.1.1 手機信令基本概念。根據(jù)移動通信網(wǎng)絡的覆蓋特性及其需提供給移動用戶連續(xù)服務的功能，移動用戶的手機終端會和移動通信網(wǎng)絡主動或被動地、定期或不定期地保持著聯(lián)系，移動通信網(wǎng)絡將這些聯(lián)系識別成一系列的控制指令，即為手機信令[5]。手機信令數(shù)據(jù)是在用戶撥打電話、發(fā)送短信或移動位置時，由運營商的通信基站捕獲并記錄的同一用戶信令軌跡生成的數(shù)據(jù)；在數(shù)據(jù)經(jīng)過解密、脫敏和樣本擴充處理后，可用于居民行為偏好研究、移動軌跡分析和城市空間布局。手機信令數(shù)據(jù)字段包含時間和空間位置屬性，以及通話和信息記錄等信息。利用上述信息的相關性可以反向推斷出用戶的出行軌跡，為研究城市居民的行為和空間分布提供了很好的數(shù)據(jù)源。

3.1.2 數(shù)據(jù)介紹。手機信令數(shù)據(jù)包含許多不同的字段，通過利用用戶在基站間的信息交互確定空間位置，可以相對準確的記錄人流的時空軌跡。原始手機信令數(shù)據(jù)的基本格式包含國際移動用戶識別碼IMSI號、位置區(qū)碼LAC、時間戳、信令事件類型等幾個字段。以下是幾個字段的具體釋義。

3.1.2 .1 IMSI（國際移動用戶識別碼）。和手機號對應，具有唯一性，用以標識和區(qū)別用戶。

3.1.2 .2 LAC（位置區(qū)碼）。移動通信系統(tǒng)中的位置區(qū)碼，記錄的是某個基站所覆蓋的一片區(qū)域。可以較為準確的用戶位置信息。

3.1.2 .3 時間戳。用于記錄用戶每個移動軌跡點的具體發(fā)生時間。

3.1.2 .4 信令事件類型。記錄觸發(fā)手機信令數(shù)據(jù)的用戶手機業(yè)務類型，如開關機、收發(fā)短信、訪問網(wǎng)絡等。

3.1.3 手機信令數(shù)據(jù)的特點。手機信令數(shù)據(jù)具備數(shù)據(jù)覆蓋面廣、信息關聯(lián)度強、時效性高等特點，但由于海量數(shù)據(jù)的處理運算，也使存儲冗余不斷提高。

3.1.3 .1 數(shù)據(jù)覆蓋面廣。由于通信部門基站覆蓋率很高，相比其他大數(shù)據(jù)源，手機信令數(shù)據(jù)覆蓋面更廣泛。

3.1.3 .2 實時動態(tài)性。只要手機是開啟狀態(tài)即可隨時捕獲出行軌跡信息。

3.1.3 .3 信息關聯(lián)度強。手機信令能夠比較準確地反映在連續(xù)時間段內用戶所在的不同空間位置，實現(xiàn)定量描述交通區(qū)域內人群的流動軌跡，因此不同時間點的數(shù)據(jù)關聯(lián)度較強、準確性高。

3.1.3 .4 存儲冗余較多。在大范圍、長時間的海量數(shù)據(jù)庫中進行運算時，容易造成數(shù)據(jù)冗余較多的問題，同時也會帶來人力、時間等工作成本的提高。

由于手機信令數(shù)據(jù)在對用戶出行活動的追蹤中，可以比較好地反映不同個體出行鏈特征，通過對海量樣本數(shù)據(jù)進行觀察，可以長期連續(xù)的數(shù)據(jù)學習并對特征人群行為特點進行識別，以國家、區(qū)域層面來分析數(shù)據(jù)，獲得過去難以達到的視野高度[6]。

圖1 手機信令數(shù)據(jù)特點

3.2 出行預測方案

3.2.1 手機信令數(shù)據(jù)應用方向分析。基于信令數(shù)據(jù)的范圍適用性和完整性的數(shù)據(jù)特征，數(shù)據(jù)主要有以下應用方向：①區(qū)域OD調查，由于手機信令數(shù)據(jù)具有比較完整、連續(xù)的定位信息，可以針對特定交通小區(qū)分析區(qū)域間的出行分布特征；②通勤出行特征調查。通過組合出行數(shù)據(jù)分析通勤人口數(shù)量以及工作地、居住地分布情況等；③出行距離、出行時耗以及出行次數(shù)統(tǒng)計；④典型區(qū)域的出行特征調查和客流集散監(jiān)測；⑤城市人口時空動態(tài)分布和實時道路交通狀態(tài)監(jiān)測。

3.2.2 出行預測研究思路。準確預測城市交通乘客出行行為，需要明確城市交通個體乘客出行特征規(guī)律，重點解決數(shù)據(jù)關聯(lián)匹配、個體出行行為特征描述等問題。基于手機信令的交通出行特征研究的基本思路為：首先利用運營商信令采集平臺收集手機信令數(shù)據(jù)，然后結合運營商提供的基站數(shù)據(jù)和事先劃分好的交通區(qū)域，經(jīng)信令數(shù)據(jù)預處理、基站小區(qū)和交通小區(qū)匹配映射、出行特征數(shù)據(jù)提取和擴樣等過程，進一步分析個體交通出行特征及規(guī)律，為實施交通規(guī)劃及管理措施提供理論支撐。本文將重慶市主城區(qū)作為研究區(qū)域，由于篇幅有限，僅列舉出行預測主要步驟及方法。

3.2.3 預測步驟及方法。首先，對信令數(shù)據(jù)進行預處理，剔除其中的異常數(shù)據(jù)；然后，將所選區(qū)域內的基站按照一定方法劃分至不同的交通小區(qū)；最后，以交通小區(qū)為單位，對區(qū)域居民出行時空分布進行分析并判斷其出行目的以及出行方式。通過以上步驟可以得出重慶市居民出行規(guī)律。

3.2.3 .1 數(shù)據(jù)預處理。基于交通運行監(jiān)測平臺與交通調查，實現(xiàn)交通出行數(shù)據(jù)高精度采集、匯聚與關聯(lián)匹配，形成乘客出行全過程的出行鏈。

3.2.3 .2 基站劃分。為了給手機用戶提供連續(xù)式的通信服務，移動通信網(wǎng)絡需要在城市空間上的每一個交通區(qū)域達到最大程度的網(wǎng)絡覆蓋。移動通信網(wǎng)絡通常被設計成由若干近似正六邊形的基站小區(qū)連接而成的服務區(qū)。

3.2.3 .3 個體出行特征分析。充分考慮個體乘客差異性，采用機器學習等大數(shù)據(jù)挖掘方法，形成交通個體的出行行為預測，包括出行時間、地點和出行方式，精準獲取乘客出行分布與規(guī)律。

4 結束語

交通系統(tǒng)是一個復雜的系統(tǒng)，隨著社會經(jīng)濟和科學技術的發(fā)展進步，個體的出行特征將隨著社會交通環(huán)境的變化而不斷改變。為進一步正確指導實際工作，需要牢牢掌握交通機理及其變化規(guī)律。基于交通行業(yè)大數(shù)據(jù)，可采用機器學習等大數(shù)據(jù)算法對實時收集的海量交通出行數(shù)據(jù)進行分析整合，從而提升大城市交通治理工作的全局性和科學性。相較于傳統(tǒng)上根據(jù)經(jīng)驗設置出行模型參數(shù)，手機信令數(shù)據(jù)的海量性、真實性以及連續(xù)性等特點，能夠提供更加準確的城市交通出行特征，這在一定程度上對于提高出行預測模型的精度具備重要意義。在實際運用中，手機信令算法和傳統(tǒng) “四階段法”可以互為補充，以得到更加準確的出行預測結果，從而為城市交通治理及交通規(guī)劃管理提供參考。