城市轨迹大数据是个怎样的“富矿”

　　近年来，随着无线通信的广泛应用，车辆GPS、手机信令、交通卡等空间行为大数据，被用来非常精确地揭示人类行为移动模式，从而解释城市的社会经济环境。如今，可利用的空间行为大数据已经包括：移动电话数据、车辆轨迹数据、智能卡数据、Wi-Fi和蓝牙数据、社交媒体用户数据等。

　　这些空间行为大数据，为确定人类的生活模式提供了一个非常有前途的来源。由于大数据可以记录连续的空间行为，且随时间和空间精确变化，研究使用这些数据，可以细致揭示城市居民个体不同空间和时间下的交通出行模式。

　　近几年，包含交通智能卡和手机运营商数据在内的城市轨迹大数据，正在国内外成为科学研究和商业应用的热点。随着数据处理、模型设计、统计验证方法的不断成熟，大数据正被不断应用到城市生活不同场景的实践中。

　　交通智能卡数据

　　交通智能卡(Smart card)最初应用于公共交通的自动收费系统，如公共汽车、地铁和停车场。智能卡系统也被引入商店、餐馆和医院。如今，几乎在世界各大城市都有自己的智能卡系统。

　　虽然交通智能卡的主要目的是收集收入信息，但同时也产生了大量非常详细的交易数据信息。这些数据既可以帮助公交系统的日常运营，也可以用于相关网络的长期战略规划。可实现三级管理的各种用途：战略(中长期规划)、战术(服务调整和网络发展)和运作(客流统计和绩效指标)。

　　一般，智能卡包含信息包括卡ID、交易数据(时间、类型和车费)、旅行数据(出行模式、时间、票价、车站和路线ID)和个人识别数据。因此，智能卡中的数据可以用于出行需求预测或个人出行模式检测。然而，不同于基于距离的票价，智能卡数据没有登记行程，仅有出入站地点。因此，使用智能卡数据的一个主要挑战，是如何识别一个完整的旅行轨迹、估计各种多通道传输的可能。

　　曾有学者使用伦敦智能卡数据中的个人旅行信息，揭示城市的结构，提供新的方法来模拟城市系统的流量;基于北京市14个工作日的地铁刷卡客流量数据，将195个地铁站点分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型、混合型、综合型及其他型8种不同类型;使用上海申通地铁数据，对世博会期间上海轨道交通客流特征进行统计分析。所有这些实证研究表明，智能卡数据对理解城市系统的动态(各种旅行行为和交通规划)非常有效。

　　国内外学者在公共交通中使用智能卡数据进行的研究，主要分为三大类：战略层面上，涉及长期的网络规划、客户行为分析和需求预测;战术层面上，重点是地铁时刻表调整、纵向和个别的出行模式;业务层面，研究相关的供应和需求指标，以及如何完善智能卡系统可操作性。一旦智能卡搭载上持卡人资料，比如采用使用者实名制登记，其所呈现的信息的社会人口属性会更强。

　　手机运营商数据

　　无论在国内还是国外，移动手机的运营商数据，作为一种轨迹数据，也已被广泛用于各类研究和商业应用。

　　手机数据有两种类型：基于信元塔的数据，主要包含小区塔流量和切换信息;基于移动电话的用户数据，通常包含匿名用户ID、小区塔ID，以及电话、位置、日期和时间的信息。目前，出于数据类型和研究目的的不同，用来处理和分析手机数据的方法，包括传统的数据挖掘技术，如聚类方法和基于规则的算法，新技术有可视化工具和复杂的机器学习方法。

　　手机数据在出行交通行为研究中最基本的应用是检测逗留(访问)和提取出行次数。通常情况下，结合连续定位数据和历史定位数据、计算个体在每个区域的定位频率，可以检测该用户的停留情况。只需要手机使用的四个时空点，就能定义一个人的活动痕迹。

　　用户的交通方式，可以使用蜂窝网络的数据，根据连接信号强度的波动变化率，做较粗略的估计。目前通过这类数据可识别的出行方式，主要包括停止、步行和机动车出行方式。

　　范围更广的交通方式，可以使用手机内置的GPS和运动传感器，采集更准确的定位和运动状态信息，判断行驶速度和可能的方式。例如，利用智能手机内置GPS和加速度传感器收集的数据，可以确定五种运输方式，包括步行、跑步、骑自行车、停止、开车;区分八种出行方式，包括汽车、自行车、公共汽车、电车、火车、地铁、步行、摩托车等。应用于上述数据分析的分类技术，包括决策树分类器、隐藏的马尔可夫模型、基于规则的分类器、人工神经网络、贝叶斯分类器等。

　　城市动力学研究早已开始大规模使用手机数据。曾有一个名为“移动风景”的项目，使用手机数据可视化展示了米兰城市在时间和空间上的演化。“实时罗马项目”，则使用罗马的手机和出租车数据，描绘了城市脉搏。随着手机运营商数据的部分开放，国内对手机信令的研究近几年开始增多，主要集中在城市规划和交通领域中。比如，基于手机信令，对轨道交通早高峰客流和居民的职住通勤关系、大都市圈规划进行研究。

　　传统的出行行为研究很难做到这样几乎覆盖到整个人口的样本。而手机数据最独特、最吸引人的特点，就是它们的普及规模。由于其为研究者提供了纵向和个别的大量细节，因而非常适合用来研究城市管理问题。(感谢陈瑶博士为本文提供学术支持)