交通运输研究 >

2023 , Vol. 9 >Issue 1: 40 - 50

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.01.005

基于手机信令数据和Needleman-Wunsch序列匹配算法的都市圈出行方式识别

  • 尹怡晓 , 1 ,
  • 郭煜东 2 ,
  • 郝萌 , 1 ,
  • 杨飞 2 ,
  • 姚振兴 3 ,
  • 崔占伟 1
展开
  • 1.交通运输部科学研究院，北京 100029
  • 2.西南交通大学 交通运输与物流学院，四川 成都 611756
  • 3.长安大学 运输工程学院，陕西 西安 710064
郝萌（1991—），女，北京人，硕士，助理研究员，研究方向为交通运输规划与管理。E-mail:

第一作者：尹怡晓（1989—），女，云南芒市人，硕士，助理研究员，研究方向为交通运输规划与政策。E-mail:

收稿日期: 2022-07-12

  网络出版日期: 2023-03-08

基金资助

中央级公益性科研院所基本科研业务费项目(20224811)

国家社科基金重大项目(21ZDA029)

城市公共交通智能化交通运输行业重点实验室开放课题(2022-APTS-04)

收起

Metropolitan Travel Mode Recognition Based on Mobile Phone Data and Needleman-Wunsch Sequence Matching Algorithm

  • YIN Yi-xiao , 1 ,
  • GUO Yu-dong 2 ,
  • HAO Meng , 1 ,
  • YANG Fei 2 ,
  • YAO Zhen-xing 3 ,
  • CUI Zhan-wei 1
Expand
  • 1. China Academy of Transportation Sciences, Beijing 100029, China
  • 2. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China
  • 3. College of Transportation Engineering, Chang′an University, Xi′an 710064, China

Received date: 2022-07-12

  Online published: 2023-03-08

Fold

摘要

为弥补传统的居民出行调查方法在都市圈出行调查中的不足，提出一套基于手机信令数据的都市圈跨市出行方式识别算法，通过分析不同出行方式在出行路径、出行时间、出行地点方面的差异，实现高铁、大巴及小汽车3类主要跨市出行方式识别。首先，在成都市成华区和资阳市雁江区设计都市圈出行试验，招募志愿者采集出行手机信令数据；然后，分析都市圈跨市出行连接信号基站分布特征，再基于Needleman-Wunsch序列匹配算法提取出行路径信息，区分高铁出行和公路出行；最后，针对公路出行方式构建模糊识别模型，划分小汽车和大巴车出行。研究结果显示，在志愿者出行识别中，通过与志愿者出行日志对比，所提模型出行路径识别准确率达93.80%，3种出行方式均被正确识别；在研究区域全部手机用户集计出行识别中，3种出行方式占比大致为12.79%, 1.36%, 85.85%，与成都交通发展研究院2021年公布的《成德眉资区域出行报告》中出行分担比基本相同（12.23%, 1.36%, 86.41%），证明所提算法识别效果良好。

关键词： 手机信令数据; 都市圈交通; 出行方式; Needleman-Wunsch; 模糊识别模型

本文引用格式

尹怡晓 , 郭煜东 , 郝萌 , 杨飞 , 姚振兴 , 崔占伟 . 基于手机信令数据和Needleman-Wunsch序列匹配算法的都市圈出行方式识别[J]. 交通运输研究, 2023 , 9(1) : 40 -50 . DOI: 10.16503/j.cnki.2095-9931.2023.01.005

Abstract

To make up for the deficiencies of traditional resident travel survey methods in metropolitan area travel survey, a set of metropolitan cross-city travel mode identification algorithms based on mobile phone signaling data were proposed. Three main modes of cross-city travel including high-speed rail, bus and car, were identified by analyzing their differences in travel paths, time, and location. Firstly, the metropolitan travel experiment between Chenghua District of Chengdu and Yanjiang District of Ziyang was designed, and volunteers were recruited to collect their mobile phone signaling data in actual metropolitan cross-city travel. Secondly, the distribution characteristics of cross-city travel connection signal base stations in metropolitan areas were analyzed, and the travel routes were extracted to distinguish between high-speed rail travel and highway travel based on the Needleman-Wunsch sequence matching algorithm. Finally, the fuzzy recognition model for road travel mode was constructed to divide the car and bus travel. The research results show that in volunteer travel identification, the travel path identification accuracy of the proposed model was up to 93.80% compared with volunteer travel logs, and all three travel modes were correctly identified. While in the aggregate travel identification of all mobile phone users in the study area, the rates of the three travel modes were 12.79%, 1.36%, and 85.85%, which was basically the same as the travel share ratio in the Chengdu-Deyang-Meishan-Ziyang Regional Travel Reports published by Chengdu Transportation Development Research Institute in 2021 (12.23%, 1.36%, 86.41%). It is proved that the proposed algorithms have good recognition effect.

Key words： mobile phone signaling data; metropolitan traffic; travel mode; Needleman-Wunsch; fuzzy recognition model

0 引言

随着城市化进程的加快，居民的都市圈跨市出行增多。了解居民跨市出行特征与出行需求，可为交通规划与交通设施供给提供重要支撑。然而，相比城市内出行，都市圈出行人数相对较少，出行频次相对较低，若采用传统交通调查获取此类数据，容易造成大量无效问卷。同时传统交通调查还存在采集成本高、数据质量差、持续时间长、难以大规模开展等缺陷。随着移动通信技术的发展，移动通讯设备信令数据也被用于提取个体出行信息。这类数据多具备客观完整、覆盖范围广、提取成本低等特点，具有捕获都市圈居民出行特征信息的可能性，能为都市圈交通规划工作提供更好的决策参考依据[1]。因此，关于如何利用手机信令数据分析居民出行行为的研究具有重要意义。
出行方式是跨市出行特征的重要层面，也是基于手机信令数据识别的难点。目前该方面研究更多针对城市内部出行识别，利用基于规则的启发式算法[2]及模糊算法等，融合API（Application Programming Interface）, POI（Point of Interests）等多种外部技术与数据，实现城市内部多种出行方式识别[3-4]。然而以上方法需要相对完备的先验知识作支撑，同时算法移植性相对较差。随着影响因素的增多与精度要求的提升，部分学者尝试将贝叶斯[5]、随机森林[6]、高斯混合模型与k-means[7]等算法融入识别模型，构建更为通用的模型。由于城市内部出行方式复杂多变，不同场景的出行特征存在显著差异，对此，部分学者也尝试融合多种识别方法，构建稳定的识别体系。聚类算法[8]、基于规则的启发式算法[9]、高斯混合模型[10]是常用的结合手段，通过融合可识别地铁、火车、电车、自行车、小汽车和步行6种方式。Peng等[11]进一步结合网页API数据，识别步行、小汽车、公交车类出行。相比市内出行，都市圈出行因受到行政地域权限的限制，信令数据采集更为困难，导致其出行特征研究仍处于起步阶段。由于城市内出行与都市圈出行在外部环境、可选方式、出行频率等诸多方面存在显著差别，现有市内出行研究方法适用性难以保障。部分既有研究针对一些典型的都市圈出行进行分析，如京津冀都市圈[12]、上海都市圈[13]、广佛都市圈[14]等，但这些研究多重点分析中宏观交通特征，通过基于规则的启发式算法识别人口流动、通勤行为等信息，缺乏对微观个体出行的精细化分析，识别精度大多受限，也无法再深入挖掘出行特征。一些学者尝试了从微观角度分析跨市出行特征。由于不同出行方式在出行线路、出行者移动设备连接基站及基站辐射范围上存在显著差异，序列规则匹配及基于规则的启发式算法被用于多个地区的跨市公路与铁路出行方式识别[15⇓-17]。随后，监督学习等也被初步用于出行特征分析，通过甄别不同出行方式在集计、非集计层面的出行差异[18-19]，识别都市圈跨市出行方式。这些研究主要针对出行特征差异较大的出行方式，尚不能区分特征相近（如相似路径）的出行。
综上，由于都市圈出行与市内出行在出行方式、时长、路径、地理环境、基站分布等方面均存在显著差异，现有基于规则的启发式算法、监督学习算法等的市内出行识别方法在都市圈层面的适用性还有待探索。相比市内出行，目前都市圈出行研究还处于起步阶段，多通过基于规则的启发式算法区分特征差异显著的出行方式，实现都市圈中宏观出行特征研究，缺乏对个体出行特征的深入分析，也难以进一步辨别特征相似的跨市出行方式（如大巴与小汽车等公路出行方式）。对此，本文将从个体出行特征识别出发，基于手机信令数据，提出一套都市圈出行方式识别方法。通过融合出行路径与方式识别两步骤，逐步区分高铁、大巴、小汽车3种出行方式，并在成都与资阳间开展实测试验，结合志愿者与区域内所有手机用户数据，从微观、宏观两个层面实现方法评估，以弥补传统出行调查方法在都市圈出行调查中的不足，为都市圈交通需求分析与都市圈交通规划提供支撑。

1 都市圈交通出行方式识别方法

本文研究目标在于区分都市圈跨市出行的3种主要出行方式，包括高铁、大巴及小汽车。由于高铁与其他两类在出行路径上存在显著差异，而大巴与小汽车则在出行端点、出行速度上有所区别，本文提出如图1所示的都市圈交通出行方式识别流程。首先根据不同出行方式中，信令数据在时空上的分布特征差异，利用Needleman-Wunsch算法识别出行路径，区分出高铁出行。然后利用信令数据计算出行平均速度，并结合出行端点等，利用模糊聚类算法识别大巴与小汽车出行。
图1 都市圈交通出行方式识别流程

1.1 出行路径识别算法

出行路径是公路与高铁出行的主要差异点，对此本文根据个体出行中信令数据的空间分布，分析对应的出行路径。首先构建都市圈跨市出行道路的缓冲区，然后提取信令数据所在区域对应的出行缓冲区编码序列，再利用Needleman-Wunsch算法计算与目标序列的相似度，区分高铁与公路出行。

1.1.1 缓冲区设置

由于都市圈跨市出行路网密度低，各道路分布相对稀疏，单个通信基站难以覆盖多条道路，同一出行路径信令序列仍存在较大差异，导致现有方法难以实现路径匹配。对此，本文首先根据通信基站分布特征构建出行缓冲区。该区是指沿某路段向外扩展一定宽度的地理范围。每个缓冲区包括多个基站，若出行者的连续基站序列同属于同一缓冲区，则将该串序列替换为缓冲区编号，以降低序列长度。图2为缓冲区与匹配基站分布示意，图中包含3个缓冲区。该方法能大幅降低相同出行路径内部的信令序列差异，提升不同路径间的差异水平，提高路径识别效率。最终，本文根据都市圈跨市基站分布，对于不同路段设置如下缓冲区范围：
（1）高速公路及国省干道：设置宽1 400m、长3~5km的条形缓冲区；
（2）高铁轨道：设置宽800m、长5~10km的条形缓冲区；
（3）隧道等特殊地段、交叉口节点2km以内：不设缓冲区，避免密集信号基站分布造成的匹配困难。
图2 缓冲区与匹配基站分布示意

1.1.2 Needleman-Wunsch算法

出行路径识别用于区分公路出行与高铁出行，实质为路段间序列的时空匹配，以及道路间的相似性分析。Needleman-Wunsch算法为生物信息学中双序列全局比对经典算法之一，常用于判断两条基因序列的相似性。相比现有道路匹配算法，该算法能通过拆分原始序列解决序列相似度重复计算问题，同时考虑了序列长度不相等的特点，具有耗时更短、精度更高等优势，适用于本文提出的信令缓冲区序列匹配。在完成信令数据出行缓冲区序列提取后，本文利用该算法识别公路与高铁出行，具体为：将得分存入得分矩阵，采用回溯技术，找到序列比对的最佳路径，得到最佳序列匹配结果。式（1）、式（2）分别为序列匹配规则及对应的得分矩阵中元素计算规则示意，其中假定序列元素相匹配时得1分，错配或插入空位时不得分[15]。
s ( S m ,   U n ) = 1         S m = U n 0       其 他
M m ,   n = m a x M m - 1 ,   n - 1 + s ( S m ,   U n ) M m - 1 ,   n - 2 M m ,   n - 1 - 2
式（1）~式（2）中： S为需要对比的序列； U为目标序列；m, n为随机数，代表序列中个体编号； s为最终得分； M为得分矩阵。
匹配成功数量是评估该算法的主要指标，信令数据量越大，匹配越准确。然而出行者的出行路径多样，信令数据量受路径长度、路网道路几何特征、交互基站分布等诸多因素影响，与目标序列的数量也可能存在显著差异。因此仅以成功匹配数量或成功匹配数量与目标序列数量之比作为指标均难以保证结果的可靠性。对此本文考虑序列间的差异，构建如下相似度评估指标。
G = 2 × L u S ,   U L S + L U × 100 %
式（3）中： G为比例相似度； S ,   U分别为需要对比的序列、目标序列； u S ,   U为序列 S ,   U的相同部分； L S, L U分别为序列 S ,   U的长度。

1.2 公路出行方式识别模型

公路出行主要包括大巴与小汽车两种方式，由于其在出行时间、地点以及速度等方面存在一定差异，本文利用模糊识别模型进行综合推断。

1.2.1 出行速度提取

出行速度是区分出行方式的重要基础数据。以往研究中，基于信令数据的出行速度多直接利用基站间距除以触发时间差得到。然而信令触发时刻是终端设备刚进入基站服务范围的时刻，而非到达基站所在位置的时刻。因此这种计算方法存在较大误差，且基站分布越稀疏误差越大。对此本文根据信令数据的触发特征，利用移动通信基站在道路上的投影点间距和通信事件发生时间，计算手机用户在两连续基站间的移动速度，计算原理如图3所示，计算过程如式（4）所示，该过程能大幅降低出行速度估算差异。
T i ,   i + l = t i + l + 1 - t i + l 2 - t i + 1 - t i 2 V i ,   i + l = D i ,   i + l T i ,   i + l
图3 基于信令数据的出行速度计算原理
图3及式（4）中： C e l l为基站； i, l为随机数； t i为首次连接第 i个基站 C e l l i的信令数据触发时刻； C i为 C e l l i的投影垂足点； D i ,   i + l为 C i和 C i + l两点间的距离； T i ,   i + l为 C i和 C i + l两点间的时间差； V i ,   i + l为 C i和 C i + l两点间的速度。

1.2.2 基于模糊隶属度算法的公路出行方式识别

模糊隶属度算法用于输入特征存在一定差异，但没有明显界限的目标对象的分类推断。本文以出行端点位置和式（4）中基于信令数据计算的出行速度平均值为输入，利用模糊隶属度算法识别大巴与小汽车出行。其中，相关参数由相关试验的出行平均速度等特征值标定。
（1）模糊理论及隶属度函数
由于跨市出行少有交叉口等交通设施，小汽车或大巴车的出行平均速度大多分布在同一速度区间，因此本文隶属度函数采用k次抛物线分布隶属度函数形式，如式（5）所示[8]。
A v =             0                             v < a v - a b - a k             a ≤ v < b             1                               b ≤ v < c d - x d - c k             c ≤ v < d             0                             v ≥ d
式（5）中：v为平均行驶车速；A为该速度下对应的隶属度函数；a, b, c, d为模型参数，决定不同区间函数曲线的宽度和中心；k为抛物线次方数。
（2）出行方式模糊识别模型构建
根据隶属度函数输入特征，本文规定隶属度最大的交通方式为该次出行方式，式（6）~式（8）展示了该过程[8]。
R = m a x ( R r )         r = 1,2
R 1 = A 1 ( v )
R 2 = A 2 ( v ) + 0.1 λ
式（6）~式（8）中：r为小汽车和大巴出行对应的序号，其中1为小汽车，2为大巴车； R r为第r种出行方式的隶属度； λ为出行端点在汽车客运站范围内的个数。
具体识别步骤如下：
步骤1：筛选都市圈对外出行中与大巴车固定班线路径相同的出行者，提取其出行过程中的手机信令数据；
步骤2：计算出行平均速度，利用时空聚类算法提取出行者出行端点；
步骤3：将出行平均速度数据代入相应路段的小汽车和大巴车出行速度隶属度函数，判断其出行端点是否在汽车客运站内；
步骤4：比较小汽车与大巴的隶属度函数值，将数值较大的方式作为对应的出行方式。

2 试验设计与数据采集

2.1 出行试验设计

本文在2022年1月12日—2022年1月14日招募志愿者，组织开展了成都市成华区和资阳市雁江区间都市圈跨市出行实测试验，包括24次高铁出行，16次大巴车出行，16次小汽车出行。其中高铁出行均由成都东站到资阳北站，大巴均由成都东客站到达资阳市客运中心，小汽车出行方案如表1所示。在出行过程中，志愿者将同步采集GPS轨迹数据与出行日志，以获取较为准确的位置信息，为评估算法效果提供对比基础。
表1 小汽车出行方案设计
方案编号 出行线路
1 由成都东站出发，经由厦蓉高速到达资阳市人民政府
2 由资阳市人民政府出发，经由G321公路到达简阳市，并在简阳城区停留1h，再从简阳市出发，经由G319公路到达成都世茂广场
3 由成都市成都理工大学出发，经由天府国际机场高速及成资渝高速，到达资阳市人民政府
4 由资阳市人民政府出发，经由厦蓉高速到达简阳市石桥立交桥下高速路，再从简阳市出发，经由G318公路、G319公路后到达成都市

2.2 数据采集与特征分析

2.2.1 手机信令数据采集

手机信令数据是手机终端与通信基站交互产生的记录数据，交互包括通话、短信、上网、位置更新、周期性更新等，信令字段如表2所示。其中，出行试验共获取志愿者出行信令数据9 766条，为进一步验证提出方法的有效性，本文还采集了2021年12月27日—2022年1月4日研究区域内全部手机用户的信令数据，累计2 340亿条。
表2 手机信令数据字段
字段名称 字段说明 字段类型 样例
imsi 移动台识别码 string 4601234563215457
stat_time 信令时间 string 20220102122020852
lac_id 位置编码 string 13012
cell_id 小区编码 string 320212
source_pro 归属省份 string 510000
source_city 归属地市 string 28
day_id 日期 string 20220102

2.2.2 数据特征分析

（1）出行时间特征
表3为不同出行方式下志愿者信令数据的时间间隔分布。其中高铁出行信令数据时间间隔最小，仅43.2s，但出行中触发的信令数据量也相对更小；公路出行中，小汽车出行信令数据时间间隔最长，大巴车信令数据最多。可见出行路径对信令数据时间特征存在显著影响。
表3 不同出行方式下信令数据产生的时间间隔分布
出行方式 平均时间间隔/s 单次出行产生数据条数
高铁出行 43.2 34
大巴车出行 60.7 86
小汽车出行 88.4 48
（2）出行连接基站空间特征
信令数据空间特征受出行速度、基站密度等因素的影响显著。图4为不同出行线路下沿途连接的各信号基站的位置分布。在高铁出行中，与手机交互的通信基站大多位于轨道侧100~300m，约95%位于轨道侧400m内。在国省干道出行中，大多通信基站位于路侧300~500m，约70%位于路侧500m内，约95%位于路侧700m内。在高速公路出行中，大多通信基站位于路侧200~400m，约85%位于路侧500m内，95%位于路侧700m内。
图4 不同出行线路下沿途连接信号基站位置分布

2.3 公路出行方式模糊识别模型标定

由于限速不同，不同高速公路的出行速度存在差异，本文根据各路段平均行驶速度分别构造小汽车与大巴车隶属度函数。
经计算，志愿者在天府国际机场高速的小汽车平均行驶速度为105km/h（道路限速为60~120km/h），在厦蓉高速成都至资阳段的小汽车平均行驶速度在85~90km/h之间（道路限速60~100km/h）。据此，天府国际机场高速和厦蓉高速的小汽车出行速度隶属度函数标定如式（9）所示。
$ A_{天府_小汽车}\left\{\begin{matrix}0 & v_{car}<60 \\ \left ( \frac{v_{car}-60}{43} \right )^{2} & 60\le v_{car}<103\\ 1 & 103\le v_{car}<170 \\ \left ( \frac{120-v_{car}}{13} \right )^{2} & 107 \le v_{car} <120\\ 0 & v_{car}\ge 120 \end{matrix}\right. \ \ A_{厦蓉_小汽车}\left\{\begin{matrix} 0 & v_{car}<60 \\ \left ( \frac{v_{car}-60}{25} \right )^{2} & 60\le v_{car}<85\\ 1 & 85\le v_{car}<90 \\ \left ( \frac{100-v_{car}}{10} \right )^{2} & 90 \le v_{car} <100\\ 0 & v_{car}\ge 100 \end{matrix}\right.$
式（9）中： v c a r为小汽车行驶平均速度； A 天 府 _ 小 汽 车为天府国际机场高速的小汽车出行隶属度函数； A 厦 蓉 _ 小 汽 车为厦蓉高速的小汽车出行隶属度函数。
志愿者在两条道路的大巴行驶速度均在80km/h左右，其中厦蓉高速的客车限速为60~90km/h，天府国际机场高速为60~120km/h。据此，天府国际机场高速和厦蓉高速的大巴出行速度隶属度函数标定如式（10）所示。图5所示为小汽车和大巴两种出行方式的平均出行速度隶属度函数图形。
A 天 府 _ 大 巴 车 =                     0                                 x b u s < 60 x b u s - 60 18 2           60 ≤ x b u s < 78                     1                                 78 ≤ x b u s < 82 120 - x b u s 38 2       82 ≤ x b u s < 120                     0                                 x b u s ≥ 120           A 厦 蓉 _ 大 巴 车 =                                   0                             x b u s < 60 x b u s - 60 15 2       60 ≤ x b u s < 75                     1                             75 ≤ x b u s < 79 90 - x b u s 11 2       79 ≤ x b u s < 90                     0                             x b u s ≥ 90
式（10）中： x b u s为大巴车出行平均速度； A 天 府 _ 大 巴 车为天府国际机场高速的大巴出行隶属度函数； A 厦 蓉 _ 大 巴 车为厦蓉高速的大巴出行隶属度函数。
图5 小汽车及大巴出行的隶属度函数图形

3 结果验证与分析

本文首先利用志愿者的手机信令数据，分析所提模型用于其在成都市成华区与资阳市雁江区间出行的出行特征识别效果，包括出行路径和出行方式识别，以验证模型的可靠性。然后基于两地的全部手机用户信令数据，进一步验证算法的实际效用。

3.1 出行缓冲区构建

图6所示为在研究区域内构建的缓冲区，共包括55个区域。表4所示为成华区至雁江区的17条出行路径（路径序列中的编号为图6对应的缓冲区序列号），雁江区至成华区的预设路径序列为其倒序。
图6 研究区域内道路缓冲区示意
表4 成华区至雁江区预设路径序列
成华区至
雁江区		 出行
方式		 路径序列
路径1 公路 1, 2, 3, 4, 5, 6, 7, 8
路径2 公路 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
路径3 公路 9, 10, 11, 12, 13, 46, 47, 48, 49, 50
路径4 公路 37, 38, 39, 40, 41, 42, 43, 44, 45
路径5 公路 20, 21, 22, 32, 33, 34, 35, 36, 14, 15, 16, 17, 18
路径6 公路 20, 21, 22, 32, 33, 34, 35, 36, 46, 47, 48, 49, 50
路径7 公路 20, 21, 22, 31, 25, 26, 27, 14, 15, 16, 17, 18
路径8 公路 20, 21, 22, 31, 25, 26, 27, 46, 47, 48, 49, 50
路径9 公路 20, 21, 22, 23, 24, 25, 26, 27, 14, 15, 16, 17, 18
路径10 公路 20, 21, 22, 23, 24, 25, 26, 27, 46, 47, 48, 49, 50
路径11 公路 28, 29, 30, 32, 33, 34, 35, 36, 14, 15, 16, 17, 18
路径12 公路 28, 29, 30, 32, 33, 34, 35, 36, 46, 47, 48, 49, 50
路径13 公路 28, 29, 30, 32, 31, 25, 26, 27, 14, 15, 16, 17, 18
路径14 公路 28, 29, 30, 32, 31, 25, 26, 27, 46, 47, 48, 49, 50
路径15 公路 28, 29, 30, 23, 24, 25, 26, 27, 14, 15, 16, 17, 18
路径16 公路 28, 29, 30, 23, 24, 25, 26, 27, 46, 47, 48, 49, 50
路径17 高铁 51, 52, 53, 54

3.2 志愿者出行识别结果分析

3.2.1 高铁出行识别结果

当识别的出行缓冲区序列与路径实际缓冲区序列的相似度s超过70%时，能有效实现路径匹配。通过与志愿者出行日志对比，在所有32次公路出行中存在2次错误识别（主要由于存在距离较近的平行道路），识别正确率达93.80%；24次高铁出行路径全部正确识别。可见，本文提出的算法能有效匹配跨市出行路径并识别出行方式。表5所示为出行路径识别结果样例，针对该志愿者的7次出行识别中，仅1次将出行路径6错误识别为相邻平行路径5。
表5 志愿者路径识别结果（示例）
序号 手机
尾号		 识别的出行
缓冲区序列		 识别出
行路径		 实际出
行路径		 相似
度s
1 ***6786 9, 10, 11, 12,
13, 14, 17, 18		 路径2 路径2 88.9%
2 ***6786 18, 17, 47, 36, 35,
33, 22, 21, 20		 路径5 路径6 72.7%
3 ***6786 1, 3, 5, 6, 7, 8 路径1 路径1 85.7%
4 ***6786 18, 17, 14, 13,
12, 11, 10, 9		 路径2 路径2 94.7%
5 ***6786 1, 3, 5, 6, 7, 8 路径1 路径1 85.7%
6 ***6786 9, 10, 11, 12, 13,
14, 15, 17, 18		 路径2 路径2 94.7%
7 ***6786 51, 52, 53, 54 路径17 路径17 100%

注：序号1, 3, 5, 6, 7为成华区至雁江区出行（表4正序）；序号2, 4为雁江区至成华区出行（表4倒序）。

图7为平行路径5、6分布示意，可看出两条路径间距较短，最近距离仅为1km。出行过程中手机容易连接到平行道路缓冲区内基站，造成识别误差。
图7 出行路径5、6分布示意

3.2.2 大巴与小汽车出行识别结果

在大巴与小汽车出行识别中，首先根据匹配得到的出行路径，在式（9）、式（10）中选择对应函数，然后代入基于信令数据计算的出行平均速度，计算不同出行方式下的隶属度，将最高隶属度对应的方式视为识别出的出行方式。最终16次小汽车出行和16次大巴车出行全部识别成功，识别效果较好，主要原因在于模糊识别参数通过多次试验进行标定，数据客观性、准确性相对良好。表6所示为某志愿者大巴出行识别结果。
表6 志愿者大巴出行识别结果（示例）
手机号 出发时间 到达时间 平均速度
/（km·h-1）		 出行
路段		 识别方式 实际方式
***6258 20220114090478423 20220114102767843 81 天府机场高速 大巴 大巴
***6258 20220114113073244 20220114125323485 76 厦蓉
高速		 大巴 大巴
***6258 20220114143234628 20220114155623478 75 厦蓉
高速		 大巴 大巴
***6258 20220114173394857 20220114191178345 76 厦蓉
高速		 大巴 大巴

3.3 集计出行识别结果分析

为进一步证明所提方法的有效性，本文采集了2021年12月27日—2022年1月4日研究区域内的全部手机用户信令数据，利用所提方法识别都市圈跨市出行路径，最终得到如图8所示的道路日均交通流量分布。在成华区至雁江区方向，小汽车出行大多选择高速公路前往，其中天府国际机场高速流量最高，达到5 771pcu/d，其次为厦蓉高速，选择渝蓉高速的出行者最少。雁江区至成华区方向整体分布相似，天府国际机场高速流量达到5 403pcu/d，国省干道中流量分布相对均衡，G319公路交通量最大。
图8 成华区-雁江区道路流量分布
表7所示为各日期不同出行方式出行量识别结果，其中高铁、大巴、小汽车出行的平均占比为12.79%, 1.36%, 85.85%。在2021年12月31日与2022年1月1日出行量达到顶峰，主要原因可能为元旦假期。图9所示为成德眉资跨市出行中高铁、大巴、小汽车三种出行方式的实际出行分担比，分别为12.23%, 1.36%, 86.41%[20]。由于本文研究区域成华区-雁江区属于该范围，可认为研究范围内采用本文所提方法的出行方式识别结果与实际基本一致，证明本文所提算法识别效果良好。
表7 成华区至雁江区出行流量分布（集计出行识别结果） 单位：人/d
日期 高铁 大巴 小汽车
2021-12-27 1 422 167 10 580
2021-12-28 1 479 197 10 588
2021-12-29 1 673 205 12 622
2021-12-30 1 984 298 14 426
2021-12-31 4 377 406 24 630
2022-01-01 3 431 255 20 807
2022-01-02 1 351 143 11 811
图9 成德眉资跨市出行不同出行方式分担比

注：数据来源于成都交通发展研究院2021年公布的《成德眉资区域出行报告》。

4 结语

都市圈跨市出行特征与交通需求分析是都市圈交通规划与发展的重要基础。本文针对传统调查方法在都市圈出行调查中的诸多局限，构建了基于手机信令数据的都市圈出行方式识别模型。其中，Needleman-Wunsch序列匹配算法、模糊识别算法被分别用于分析不同交通方式在出行路径、交通运行状态间的差异。相比既有研究，本文实现了个体出行信令数据特征深入分析，在识别公路与高铁出行的基础上，实现了大巴、小汽车两种出行特征相似的出行方式识别。研究最后通过志愿者出行试验手机信令数据与区域间全部手机用户用手信令数据，从微观、宏观两个角度证明了所提方法的有效性。由于采用模糊识别算法分析小汽车与大巴出行时，需提前标定目标路段速度变化特征，因此算法在移植性与鲁棒性上存在一定局限。后续将进一步改进识别方法，同时考虑多场景下的算法适用性，构建完整的都市圈跨市出行方式识别体系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
冉斌. 手机数据在交通调查和交通规划中的应用[J]. 城市交通, 2013, 11(1):72-81,32.

[2]
张博. 基于手机网络定位的OD调查的出行方式划分研究[D]. 北京: 北京交通大学, 2010.

[3]
杜亚朋, 雒江涛, 程克非, 等. 基于手机信令和导航数据的出行方式识别方法[J]. 计算机应用研究, 2018, 35(8):2311-2314.

[4]
钟舒琦, 邓如丰, 邓红平, 等. 基于兴趣点与导航数据的手机信令数据出行方式识别[J]. 中山大学学报(自然科学版), 2020, 59(3):87-96.

[5]
DANAFAR S, PIORKOWSKI M, KRYSCZCUK K. Bayesian framework for mobility pattern discovery using mobile network events[C]// 25th European Signal Processing Conference (EUSIPCO) of Papers. Kos Island, Greece: IEEE, 2017: 1070-1074.

[6]
龙振. 手机信令数据环境下的多方式交通分布模型研究[D]. 南京: 东南大学, 2020.

[7]
CHEN X X, XU X D, YANG C. Trip mode inference from mobile phone signaling data using Logarithm Gaussian Mixture Model[J]. Journal of Transport and Land Use, 2020, 13(1): 429-445.

[8]
刘华斌. 手机信令数据背景下城市交通出行方式选择辨识方法研究[D]. 北京: 北京交通大学, 2019.

[9]
CHIN K, HUANG H, HORN C, et al. Inferring fine-grained transport modes from mobile phone cellular signaling data[J]. Computers, Environment and Urban Systems, 2019, 77: 101348.

[10]
CHEN J T, CHEN X, CAI M. A travel mode identification framework based on cellular signaling data[J]. Mobile Information Systems, 2022, 1(2): 1-19.

[11]
PENG Z H, BAI G K, WU H. Travel mode recognition of urban residents using mobile phone data and MapAPI[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(9): 2574-2589.

[12]
万涛. 区域融合发展背景下的天津与北京间的跨域通勤分析[C]// 品质交通与协同共治——2019年中国城市交通规划年会论文集. 成都: 中国城市规划学会, 2019:3701-3711.

[13]
李娜, 董志国, 薛美根, 等. 上海市第五次综合交通调查新技术方法实践[J]. 城市交通, 2016, 14(2):35-42,50.

[14]
范佳慧, 张艺帅, 赵民, 等. 广州市空间结构与绩效研究:职住空间的视角[J]. 城市规划学刊, 2019(6):33-42.

[15]
SCHLAICH J, OTTERSTÄTTER T, FRIEDRICH M. Generating trajectories from mobile phone data[C]// Proceedings of TRB 89th Annual Meeting. Washington, D. C.: Transportation Research Board, 2010: 1-17.

[16]
DOYLE J, HUNG P, KELLY D, et al. Utilising mobile phone billing records for travel mode discovery[C]// Proceedings of 22nd IET Irish Signals and Systems Conference (ISSC 2011). Dublin, Ireland: IEEE, 2011: 1-6.

[17]
HUI K T Y, WANG C, KIM A, et al. Investigating the use of anonymous cellular phone data to determine intercity travel volumes and modes[C]// Proceedings of TRB 96th Annual Meeting. Washington, D. C.: Transportation Research Board, 2017: 1-14.

[18]
李淑庆, 石路源. 基于手机信令数据的区域通道出行特征研究[J]. 公路, 2019, 64(11): 167-172.

[19]
BREYER N, GUNDLEGÅRD D, RYDERGREN C. Travel mode classification of intercity trips using cellular network data[J]. Transportation Research Procedia, 2021, 52: 211-218.

[20]
成都市交通发展研究院. 成德眉资区域出行报告[R]. 成都: 成都市交通发展研究院, 2021.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发