1、以湛江市城市综合交通规划居民出行调查为例手机大数据在城市综合交通规划 中的应用裘炜毅 博士 董事长上海川昱 信息科技有限公司胡志赛 朴莲花第 17届中国科协年会“大数据与城乡治理”研讨会2015.5.23-24 中国广州广州市城市规划勘察设计研究院提纲1手机大数据与城市综合 交通规划 2湛江实践案 例 3几点思考手机大数据与城市综合交通规划1什么是手机大数据手机信令数据： 依托运营商建立的信令监测平台，采集手机与基站之间信令数据的交换，通过后台关联、合成和解析，获到手机匿名 ID、事件类别、时间戳、基站编号、位置区编号等信息，包括通话、非通话期间的事件数据。手机话单数据： 依托运营商建立的计费
2、系统，记录匿名手机 ID和计费有关的通话、短信事件信息、发生时间、基站编号、位置区编号等信息。蜂窝网络示意图 电子脚印（ Footprint）用户空间行为数据什么是手机大数据手机数据的特点：1. 采样率：覆盖大部分人群，但同时存在一人多部手机的情况；2. 基于基站的定位精度：中心城区 100米左右，市郊 500-1000米；3. 采样时间频率：不均匀的时间采样；4. 数据量大： 1000万城市人口规模，一天数据量可达 10亿条记录；5. 数据具有连续性；手机大数据与其他交通调查技术对比客流信息获取方式技术推广范围技术成熟程度 数据准确性 成本 抽样率 更新频率 被调查人员群体问卷调查 大 高
3、中 高 极低 低 主要是常住居民OD反推 小 低 低 低 高 很高 无法区分志愿者 GPS轨迹 小 中 很高 很高 极低 低 取决于志愿者人群IC卡 特定出行方 式 高 高 高 高 中 特定出行方式人群视频识别 断面 高 高 高 高 高 无法区分手机采集技术 大 逐步成熟 高 很低 很高 很高 可以区分为常住居民或流动性人员手机大数据可获取的连续交通数据交通数据 传统方式获取 基于手机直接获取 基于手机间接获取全市范围内人口空间分布 主要方式：人口普查 优势： 直接检测 ， 避免了交通模型转换导致的系统误差 高抽样率 、 高精度； 能够获取连续时间段的数据 能够区分：工作日 、周末 、 节假日
4、不同日期类型 能够区分：白天 、 夜间各个不同时间段 成本低 、 获取周期短不足： 无法获取出行者个人属性信息 较难判断单次出行目的 结合各个交通分析区域不同的土地利用性质 ， 抽象出不同土地利用对出行的产生 、 吸引规律 ， 用于未来交通需求分析 结合 各个交通分析区域不同的土地利用性质 ， 利用手机检测结果 ， 判断现状交通 规划 分析 区域划分的合理性 根据 不同区域 手机检测 客流特征 ， 结合 GIS信息 ，动态调整 的 交通分析区域划分 结合车流量数据 ， 分析关键通道车均载客量 ， 考量公交优先政策贯彻情况 结合居民出行调查获取的出行者属性信息 ， 以及人口普查信息等 ， 深入挖
5、掘不同层次出行群体的出行特征与出行规律 结合港口 、 机场 、 火车站等信息 ， 深入挖掘常住人口与短期逗留人口的出行特征与区别 结合交通费用信息 ， 研究交通费用对出行特征的各方面影响 结合道路交通状态信息 ，研究交通问题形成与扩散机理出行次数分布及平均出行次数 主要方式：抽样问卷调查优势： 能够获取被调查者年龄 、 性别 、 职业等个人属性 能够获取出行目的信息不足： 单次数据获取成本高 、 获取耗时长 城市建设迅速 ， 数据有效性持续时间短 抽样率不高 (一般 =6 天 )6 0 % (1 2 天中 =8 天 )7 0 % (1 2 天中 =9 天 )8 0 % (1 2 天中 = 1
6、0 天 )5 0 % (1 2 天中 =6 天 )6 0 % (1 2 天中 =8 天 )7 0 % (1 2 天中 =9 天 )8 0 % (1 2 天中 = 1 0 天 )5 0 % (1 2 天中 =6 天 )6 0 % (1 2 天中 =8 天 )7 0 % (1 2 天中 =9 天 )8 0 % (1 2 天中 = 1 0 天 )浦东新区 2 1 . 8 % 2 2 . 0 % 2 2 . 3 % 2 2 . 4 % 2 1 . 6 % 2 2 . 1 % 2 2 . 4 % 2 2 . 2 % 2 2 . 0 % 2 2 . 2 % 2 2 . 3 % 2 2 . 4 %黄浦区 2
7、 . 7 % 2 . 7 % 2 . 6 % 2 . 6 % 2 . 7 % 2 . 8 % 2 . 8 % 2 . 8 % 2 . 8 % 2 . 8 % 2 . 8 % 2 . 6 %徐汇区 4 . 6 % 4 . 6 % 4 . 5 % 4 . 5 % 4 . 7 % 4 . 5 % 4 . 6 % 4 . 3 % 4 . 4 % 4 . 5 % 4 . 4 % 4 . 5 %长宁区 2 . 8 % 2 . 8 % 2 . 7 % 2 . 7 % 2 . 7 % 2 . 9 % 2 . 5 % 2 . 8 % 3 . 0 % 2 . 7 % 2 . 6 % 2 . 7 %静安区 1 .
8、1 % 1 . 1 % 1 . 1 % 1 . 1 % 1 . 0 % 1 . 0 % 1 . 3 % 1 . 0 % 1 . 2 % 0 . 9 % 1 . 2 % 1 . 1 %普陀区 5 . 7 % 5 . 7 % 5 . 6 % 5 . 6 % 5 . 6 % 5 . 7 % 5 . 7 % 5 . 7 % 5 . 6 % 5 . 7 % 5 . 6 % 5 . 6 %闸北区 3 . 0 % 2 . 9 % 2 . 7 % 2 . 7 % 2 . 9 % 3 . 0 % 2 . 6 % 2 . 9 % 3 . 1 % 2 . 9 % 2 . 7 % 2 . 7 %虹口区 3 . 0 %
9、 2 . 9 % 2 . 7 % 2 . 7 % 3 . 1 % 2 . 9 % 2 . 8 % 2 . 6 % 3 . 2 % 2 . 8 % 2 . 9 % 2 . 7 %杨浦区 4 . 5 % 4 . 2 % 3 . 8 % 3 . 7 % 4 . 7 % 4 . 1 % 4 . 0 % 3 . 7 % 4 . 5 % 4 . 4 % 3 . 8 % 3 . 7 %闵行区 1 2 . 0 % 1 2 . 1 % 1 2 . 3 % 1 2 . 3 % 1 2 . 1 % 1 2 . 1 % 1 2 . 2 % 1 2 . 2 % 1 2 . 2 % 1 1 . 9 % 1 2 . 2 %
10、 1 2 . 2 %宝山区 8 . 3 % 8 . 4 % 8 . 3 % 8 . 3 % 8 . 1 % 8 . 3 % 8 . 1 % 8 . 2 % 8 . 2 % 8 . 3 % 8 . 1 % 8 . 3 %嘉定区 7 . 8 % 8 . 0 % 8 . 1 % 8 . 1 % 8 . 0 % 7 . 8 % 8 . 0 % 8 . 1 % 8 . 0 % 8 . 2 % 7 . 9 % 8 . 1 %金山区 3 . 1 % 3 . 1 % 3 . 2 % 3 . 2 % 3 . 1 % 3 . 2 % 3 . 3 % 3 . 3 % 2 . 9 % 2 . 9 % 3 . 1 %
11、3 . 2 %松江区 7 . 8 % 7 . 8 % 7 . 8 % 7 . 8 % 7 . 6 % 7 . 7 % 7 . 7 % 7 . 8 % 7 . 8 % 7 . 9 % 7 . 7 % 7 . 8 %青浦区 4 . 7 % 4 . 7 % 4 . 8 % 4 . 8 % 4 . 9 % 4 . 5 % 4 . 7 % 5 . 0 % 4 . 5 % 4 . 7 % 4 . 9 % 4 . 8 %奉贤区 4 . 8 % 4 . 9 % 5 . 0 % 5 . 1 % 5 . 0 % 5 . 0 % 5 . 0 % 5 . 0 % 4 . 6 % 4 . 9 % 5 . 2 % 5 .
12、 1 %崇明县 2 . 2 % 2 . 2 % 2 . 4 % 2 . 5 % 2 . 2 % 2 . 4 % 2 . 3 % 2 . 4 % 2 . 0 % 2 . 3 % 2 . 6 % 2 . 5 %地 区夜间手机用户空间分布比例单天累计逗留 -2 小时 单天累计逗留 -3 小时 单天累计逗留 -4 小时一种基于行为假设的分析方法区域4 0 % ( 1 2 天中 =5 天 )5 0 % ( 1 2 天中 =6 天 )6 0 % ( 1 2 天中 =8 天 )7 0 % ( 1 2 天中 =9 天 )8 0 % ( 1 2 天中 = 1 0 天 )浦东新区 2 1 .5 % 2 1 .8
13、% 2 2 .0 % 2 2 .3 % 2 2 .4 %黄浦区 2 .7 % 2 .7 % 2 .7 % 2 .6 % 2 .6 %徐汇区 4 .7 % 4 .6 % 4 .6 % 4 .5 % 4 .5 %长宁区 2 .8 % 2 .8 % 2 .8 % 2 .7 % 2 .7 %静安区 1 .1 % 1 .1 % 1 .1 % 1 .1 % 1 .1 %普陀区 5 .7 % 5 .7 % 5 .7 % 5 .6 % 5 .6 %闸北区 3 .2 % 3 .0 % 2 .9 % 2 .7 % 2 .7 %虹口区 3 .2 % 3 .0 % 2 .9 % 2 .7 % 2 .7 %杨浦区 4
14、.8 % 4 .5 % 4 .2 % 3 .8 % 3 .7 %闵行区 1 1 .9 % 1 2 .0 % 1 2 .1 % 1 2 .3 % 1 2 .3 %宝山区 8 .3 % 8 .3 % 8 .4 % 8 .3 % 8 .3 %嘉定区 7 .7 % 7 .8 % 8 .0 % 8 .1 % 8 .1 %金山区 3 .1 % 3 .1 % 3 .1 % 3 .2 % 3 .2 %松江区 7 .9 % 7 .8 % 7 .8 % 7 .8 % 7 .8 %青浦区 4 .7 % 4 .7 % 4 .7 % 4 .8 % 4 .8 %奉贤区 4 .7 % 4 .8 % 4 .9 % 5 .0
15、% 5 .1 %崇明县 2 .1 % 2 .2 % 2 .2 % 2 .4 % 2 .5 %居住人口统计行为假设的关键参数直接影响分析结果 出现天数比例参 数的选取 参数敏感性分析：白天、夜间出现天数比例分别取 40%、 50%、 60%、 70%、 80% 参数的变化对空间分布比例影响不大 参数的变化对可识别的有效采样用户数量有较大影响夜间出现天数比例 居住手机采样数量 白天出现天数比例 白天手机采样数量 白天夜间均被采样手机数量4 0 % (1 2 天中 =5 天 ) 17680686 4 0 % (9 天中 =4 天 ) 18417697 171924234 0 % (1 2 天中 =5
16、 天 ) 17680686 5 0 % (9 天中 =5 天 ) 17264080 165546254 0 % (1 2 天中 =5 天 ) 17680686 6 0 % (9 天中 =6 天 ) 13956533 137415054 0 % (1 2 天中 =5 天 ) 17680686 7 0 % (9 天中 =7 天 ) 11817196 117009764 0 % (1 2 天中 =5 天 ) 17680686 8 0 % (9 天中 =8 天 ) 9111571 90603255 0 % (1 2 天中 =6 天 ) 15308118 4 0 % (9 天中 =4 天 ) 18417
17、697 150307615 0 % (1 2 天中 =6 天 ) 15308118 5 0 % (9 天中 =5 天 ) 17264080 145226925 0 % (1 2 天中 =6 天 ) 15308118 6 0 % (9 天中 =6 天 ) 13956533 127931245 0 % (1 2 天中 =6 天 ) 15308118 7 0 % (9 天中 =7 天 ) 11817196 111571155 0 % (1 2 天中 =6 天 ) 15308118 8 0 % (9 天中 =8 天 ) 9111571 87951726 0 % (1 2 天中 =8 天 ) 13757
18、391 4 0 % (9 天中 =4 天 ) 18417697 135457856 0 % (1 2 天中 =8 天 ) 13757391 5 0 % (9 天中 =5 天 ) 17264080 132527976 0 % (1 2 天中 =8 天 ) 13757391 6 0 % (9 天中 =6 天 ) 13956533 123168666 0 % (1 2 天中 =8 天 ) 13757391 7 0 % (9 天中 =7 天 ) 11817196 104623796 0 % (1 2 天中 =8 天 ) 13757391 8 0 % (9 天中 =8 天 ) 9111571 84464
19、847 0 % (1 2 天中 =9 天 ) 11825998 4 0 % (9 天中 =4 天 ) 18417697 116681947 0 % (1 2 天中 =9 天 ) 11825998 5 0 % (9 天中 =5 天 ) 17264080 114514287 0 % (1 2 天中 =9 天 ) 11825998 6 0 % (9 天中 =6 天 ) 13956533 102825477 0 % (1 2 天中 =9 天 ) 11825998 7 0 % (9 天中 =7 天 ) 11817196 92748317 0 % (1 2 天中 =9 天 ) 11825998 8 0 %
20、 (9 天中 =8 天 ) 9111571 77068158 0 % (1 2 天中 = 1 0 天 ) 9933838 4 0 % (9 天中 =4 天 ) 18417697 97896158 0 % (1 2 天中 = 1 0 天 ) 9933838 5 0 % (9 天中 =5 天 ) 17264080 96306518 0 % (1 2 天中 = 1 0 天 ) 9933838 6 0 % (9 天中 =6 天 ) 13956533 86784708 0 % (1 2 天中 = 1 0 天 ) 9933838 7 0 % (9 天中 =7 天 ) 11817196 79299818 0
21、 % (1 2 天中 = 1 0 天 ) 9933838 8 0 % (9 天中 =8 天 ) 9111571 6720343一种基于行为假设的分析方法交通调查 步行超过 5分钟或使用交通工具出行距离超过 500米基于手机数据的出行分析 以一次停留时间超过设定阈值作为出行链划分的依据 对于短距离的出行较难 判断 出行距离以基站位置及路径分配获取出行定义问题通勤出行定义：居住地至工作地间的出行上海市职住分离分析：居民的工作地分布上海市职住分离分析：岗位的居住地地分布通勤出行次数 比例1 次 8%2 次 78%3 次 4%4 次及以上 6%5 次及 5 次 以上 4%资料来源：上海市城市规划设计研
22、究院一种基于行为假设的分析方法内环内岗位居住地分布及居民工作地分布 内外环间岗位居住地分布及居民工作地分布周边地区（外环至红线区域）岗位居住地分布及居民工作地分布通过居住地和就业地的空间联系分析显示，中心城及周边地区岗位 90%以上来自中心城及周边地区的常住 人口。 其中，内环内的岗位 90%左右来自外环内人口；内外环间岗位70%来自本区域；周边地区岗位 70%以上来自于本区域 。 值得注意的是，近 10年来周边地区增长的主要是外来常住人口，到内环内就业的人数仅占周边地区总人数的 12%。内环内和内外环间的工作岗位，来自居住在周边地区的人仅占 9%和 14%空间分布检验 职住分布结果 的准确性
23、验证 采用 2010年六普人口数据，在行政区层面进行对比验证区域 六普 2 0 1 0 年末常住人口比例 手机检测夜间居住人口比例 差值浦东新区 2 1 .9 % 2 1 .8 % - 0 .1 %黄浦区 2 .9 % 2 .7 % - 0 .2 %徐汇区 4 .7 % 4 .6 % - 0 .1 %长宁区 3 .0 % 2 .8 % - 0 .2 %静安区 1 .1 % 1 .1 % 0 .0 %普陀区 5 .6 % 5 .7 % 0 .1 %闸北区 3 .6 % 3 .0 % - 0 .6 %虹口区 3 .7 % 3 .0 % - 0 .7 %杨浦区 5 .7 % 4 .5 % - 1 .
24、2 %闵行区 1 0 .6 % 1 2 .0 % 1 .4 %宝山区 8 .3 % 8 .3 % 0 .0 %嘉定区 6 .4 % 7 .8 % 1 .4 %金山区 3 .2 % 3 .1 % - 0 .1 %松江区 6 .9 % 7 .8 % 0 .9 %青浦区 4 .7 % 4 .7 % 0 .0 %奉贤区 4 .7 % 4 .8 % 0 .1 %崇明县 3 .1 % 2 .2 % - 0 .9 %交叉检验方法上海市 中心城及周边 地区居住地至工作地通道平衡性 分析基本结论： 最为严 重的不均衡通道出现在中心城北部地区和内环内的联系。中心城北部地区到内环内就业的数量要明显大于内环内到中新城
25、北部地区。因此，早高峰期间，北部地区的入城方向客流较大，从通勤通道的不均衡性，很容易解释轨道交通 1号线、 3号线、 7号线的早高峰入城方向的拥挤现 象。上海轨道客流拥挤分布图资料来源：上海市城市规划设计研究院问题导向的分析路径金桥居民工作岗位分布图 金桥工业园区岗位居民居住地分布问题：交通设施引导出行空间格局的变化？资料来源：上海市城市规划设计研究院问题导向的分析路径区域 2km 2-8km 8km陆家嘴 21.1% 45.1% 33.8%金桥工业园 41.0% 31.1% 27.8%张江高科 45.8% 27.5% 26.7%外高桥 58.8% 19.8% 21.4%工作岗位的居住地分布特征陆家嘴张江外高桥问题：出行分布模型？资料来源：上海市城市规划设计研究院谢谢，请指正！EMAIL: Phone: 138-1690-9679手机大数据在城市综合交通规划中的应用第 17届中国科协年会“大数据与城乡治理”研讨会2015.5.23-24 中国广州
