基于手機(jī)話單數(shù)據(jù)的通勤出行特征分析
——以深圳市為例

楊 超，張玉梁，張 帆

(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海201804；2.中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院，廣東 深圳，518055)

基于手機(jī)話單數(shù)據(jù)的通勤出行特征分析
——以深圳市為例

楊 超1，張玉梁1，張 帆2

(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海201804；2.中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院，廣東 深圳，518055)

通過(guò)手機(jī)話單數(shù)據(jù)提取用戶的出行特征具有可行性。然而，手機(jī)話單數(shù)據(jù)的稀疏性對(duì)提取居民出行時(shí)間特征造成困難。通過(guò)對(duì)深圳市手機(jī)話單數(shù)據(jù)的挖掘分析識(shí)別居民職住地，得到居民特征通勤序列，進(jìn)而基于早、晚不同情況對(duì)居民通勤特征進(jìn)行描述和分析。對(duì)比分析顯示，通過(guò)手機(jī)話單數(shù)據(jù)得到的居民通勤距離和時(shí)間特征與居民出行調(diào)查結(jié)果較為一致，說(shuō)明該方法可用以描述居民通勤特征。研究表明，深圳市居民通勤開始時(shí)間受通勤距離影響不大，大于10 km的中長(zhǎng)距離通勤出行對(duì)應(yīng)的平均通勤時(shí)間維持在一個(gè)比較穩(wěn)定的值(45～50 min)。

交通規(guī)劃；通勤出行特征；手機(jī)話單數(shù)據(jù)；通勤距離；通勤時(shí)間；深圳市

0 引言

至2015年8月，中國(guó)移動(dòng)電話用戶已接近13億[1]。出行群體中的手機(jī)擁有率和使用率已達(dá)到較高比例。手機(jī)作為一種理想的交通探測(cè)器的價(jià)值逐步得到重視[2-8]。手機(jī)數(shù)據(jù)為居民出行信息分析提供了很好的技術(shù)選擇，可作為現(xiàn)有交通數(shù)據(jù)采集技術(shù)的重要補(bǔ)充之一[9]。

研究者已經(jīng)將手機(jī)數(shù)據(jù)應(yīng)用于居民出行的諸多方面。文獻(xiàn)[10]分別用MOLA軟件數(shù)據(jù)和手機(jī)通話費(fèi)用數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，證明使用手機(jī)費(fèi)用數(shù)據(jù)可以得到OD矩陣。文獻(xiàn)[11]通過(guò)計(jì)算匿名手機(jī)用戶移動(dòng)軌跡混亂程度(熵)，發(fā)現(xiàn)用戶93%的出行可預(yù)測(cè)。文獻(xiàn)[12]提出使用被動(dòng)手機(jī)定位數(shù)據(jù)(手機(jī)通話、短信或者上網(wǎng)產(chǎn)生的手機(jī)數(shù)據(jù))為移動(dòng)電話用戶定位居住地、工作地或二級(jí)出行點(diǎn)等有意義點(diǎn)(Meaningful Place)的模型。由于手機(jī)的廣泛使用和全球數(shù)據(jù)格式的相似性，手機(jī)數(shù)據(jù)(被動(dòng)的)可以很好地用于監(jiān)控地理信息和居民出行；通過(guò)與實(shí)際人口注冊(cè)的職住數(shù)據(jù)進(jìn)行對(duì)比，發(fā)現(xiàn)模型有較好的實(shí)用性，并對(duì)將來(lái)定位服務(wù)有較好的潛在使用價(jià)值。對(duì)用戶特殊點(diǎn)的定位可用于人類行為特別是通勤研究，當(dāng)定位到用戶的居住地和工作地時(shí)，就可以對(duì)用戶的通勤特征展開研究。

在通勤出行方面，早期研究多基于居民出行調(diào)查。2010年美國(guó)社區(qū)調(diào)查發(fā)現(xiàn)，美國(guó)不同規(guī)模城市的通勤時(shí)間為25～35 min[13]。文獻(xiàn)[14]用1998年荷蘭國(guó)家出行調(diào)查數(shù)據(jù)發(fā)現(xiàn)通勤時(shí)間保持在工作時(shí)間的10%左右。文獻(xiàn)[15]研究表明人一天平均出行時(shí)間為1.1 h，證明通勤時(shí)間在一定程度上趨于穩(wěn)定。2010年在美國(guó)麻省理工學(xué)院舉辦的移動(dòng)手機(jī)網(wǎng)絡(luò)分析研討會(huì)上，文獻(xiàn)[16]用手機(jī)話單數(shù)據(jù)對(duì)大紐約地區(qū)和洛杉磯地區(qū)的通勤距離進(jìn)行估計(jì)。文獻(xiàn)[17]用手機(jī)話單數(shù)據(jù)判斷用戶職住地，并用四個(gè)區(qū)域的手機(jī)數(shù)據(jù)和一個(gè)區(qū)域的小汽車GPS數(shù)據(jù)對(duì)不同區(qū)域用戶的通勤特征進(jìn)行描述和分析。結(jié)果表明，一般情況下各個(gè)區(qū)域內(nèi)部通勤時(shí)間的分布和平均值與通勤距離相互獨(dú)立，不同區(qū)域通勤時(shí)間特征不同，但在小汽車出行比例極大的情況下，通勤時(shí)間受到通勤距離的影響。然而，由于手機(jī)通話數(shù)據(jù)的稀疏性，作者在判斷職住地和通勤時(shí)間方面做了很多假設(shè)，并對(duì)用戶的通話頻率要求較高，這導(dǎo)致數(shù)據(jù)篩選過(guò)程不夠隨機(jī)；同時(shí)由于手機(jī)使用習(xí)慣存在個(gè)體差異，如此篩選將導(dǎo)致樣本偏差，從而影響最終結(jié)果。

綜上所述，通過(guò)手機(jī)話單數(shù)據(jù)提取用戶的出行特征具有可行性。然而，手機(jī)話單數(shù)據(jù)的稀疏性對(duì)提取居民出行時(shí)間特征造成困難，研究過(guò)程不免加入額外的數(shù)據(jù)篩選條件和諸多假設(shè)。本文通過(guò)對(duì)用戶多天手機(jī)話單數(shù)據(jù)的橫向分析，定義用戶的特征通勤序列，以此作為最接近用戶實(shí)際通勤情況的序列分析通勤特征。在用戶的選擇上，平均每天只有兩條記錄的用戶也可以作為研究樣本，使得到的結(jié)果更具代表性。

1 基于手機(jī)話單數(shù)據(jù)的通勤特征模型

1.1 數(shù)據(jù)選取

本文使用深圳市某移動(dòng)通訊公司2013年8月17日—10月30日(中間部分天數(shù)據(jù)缺失)的手機(jī)話單數(shù)據(jù)，其中工作日41天。通過(guò)手機(jī)基站定位用戶的定位精度為100～2 000 m[18]，基站密度越大，定位精度越高。手機(jī)基站區(qū)域用Voronoi圖確定(見圖1)，由基站的經(jīng)緯度位置共定義3 884個(gè)基站小區(qū)(對(duì)經(jīng)緯度相同、作用于同一區(qū)域的基站進(jìn)行合并)，共獲取1 114 380 704條原始數(shù)據(jù)。話單數(shù)據(jù)中用戶編號(hào)用以識(shí)別用戶；基站控制器(BSC)、小區(qū)標(biāo)志、扇區(qū)標(biāo)志三個(gè)字段用以確定用戶所在基站小區(qū)；呼叫標(biāo)志包括四類數(shù)據(jù)：主叫為0，被叫為1，硬切換為2，無(wú)效值為3(見表1)。

原始數(shù)據(jù)中存在字段缺失、無(wú)法與基站數(shù)據(jù)匹配以及用戶編號(hào)錯(cuò)誤、記錄重復(fù)等問(wèn)題，因此首先對(duì)原始數(shù)據(jù)進(jìn)行清洗，刪除有問(wèn)題的記錄。清洗后共得到704 472 882條數(shù)據(jù)。

1.2 用戶職住地識(shí)別

為判斷用戶的工作地和居住地，本文將深圳市企事業(yè)單位工作時(shí)段(9:00—18:00)[19]定為居民最可能的工作時(shí)段；將20:00—次日8:00定為居民最可能的居家時(shí)段。

圖1 深圳市手機(jī)基站布局Fig.1 Distribution of mobile phone base station in Shenzhen

表1 手機(jī)話單數(shù)據(jù)樣本示意Tab.1 Sample of mobile phone calling records

統(tǒng)計(jì)用戶分別在工作和居家時(shí)段產(chǎn)生至少一條通話記錄的天數(shù)，產(chǎn)生通話記錄超過(guò)10天的用戶數(shù)僅為546 594個(gè)，這與運(yùn)營(yíng)商所服務(wù)對(duì)象的經(jīng)濟(jì)、社會(huì)屬性和數(shù)據(jù)質(zhì)量有關(guān)。統(tǒng)計(jì)用戶在工作和居家時(shí)段產(chǎn)生通話記錄的天數(shù)分布(見圖2)可以看出，用戶更傾向于在工作時(shí)段通話，這與實(shí)際情況相吻合。

兩周的記錄可呈現(xiàn)一定的規(guī)律性，用以判斷用戶職住地特征。為提高工作地和居住地判斷的準(zhǔn)確性，以10天(相當(dāng)于兩周的數(shù)據(jù))作為閾值，篩選在工作及居家時(shí)段產(chǎn)生通話記錄的天數(shù)均大于等于10的用戶。

1）居住地判斷。

根據(jù)居民生活及睡眠習(xí)慣，以3:00作為兩日分界劃分用戶一天活動(dòng)的結(jié)束和第二天活動(dòng)的開始，得到用戶每天產(chǎn)生通話的最早記錄(3:00之后)和最晚記錄(3:00之前)。將8:00之前、20:00之后的記錄定為有效的最早、最晚記錄。統(tǒng)計(jì)各區(qū)域產(chǎn)生有效最早、最晚通話記錄的頻次。為保證結(jié)果不受偶然因素影響，將頻次大于等于10的用戶數(shù)據(jù)作為有效數(shù)據(jù)。

2）工作地判斷。

將用戶在工作時(shí)段產(chǎn)生通話記錄最多的區(qū)域作為用戶的工作地。將工作時(shí)段中在工作地產(chǎn)生通話記錄天數(shù)大于等于10的用戶數(shù)據(jù)作為有效數(shù)據(jù)。

圖2 工作日通話記錄累積天數(shù)對(duì)應(yīng)的用戶數(shù)量Fig.2 Number of users corresponding to number of days with weekday calling records

1.3 通勤距離計(jì)算

用戶定位由手機(jī)話單數(shù)據(jù)對(duì)應(yīng)基站確定，無(wú)法反映用戶的準(zhǔn)確坐標(biāo)。這會(huì)產(chǎn)生一定誤差，但誤差在可接受范圍內(nèi)，而且在整體集計(jì)水平下誤差會(huì)有所削減。

文獻(xiàn)[20]指出，在通勤距離大于5 km的情況下，用大圓距離(the great circle distance)修正系數(shù)φ可以較為精確地計(jì)算已知經(jīng)緯度的兩點(diǎn)的通勤距離

式中：φ為修正系數(shù)，一般取1.3～1.4；Radius為地球半徑，一般取6 371 km。

在通勤距離小于5 km的情況下，公式(1)中的修正系數(shù)隨不同交通方式波動(dòng)較大。為統(tǒng)一分析，本文采取大圓距離計(jì)算用戶的通勤距離，以1.35作為修正系數(shù)。

1.4 特征通勤序列

由于通話的隨機(jī)性，用戶在離開居住地和到達(dá)工作地的時(shí)刻恰好產(chǎn)生通話記錄的概率較小，這也是用手機(jī)話單數(shù)據(jù)提取用戶通勤時(shí)間特征面臨的最大問(wèn)題。但從用戶所有記錄天數(shù)的情況來(lái)看，可以從用戶每天產(chǎn)生的居住地—工作地(或者工作地—居住地)連續(xù)通話序列的時(shí)間差中提取最小時(shí)間差(時(shí)間差需滿足合理的通勤時(shí)間范圍，本文取大于5 min小于2 h)，這一時(shí)間差最接近用戶實(shí)際通勤時(shí)間。本文將最小時(shí)間差的序列定義為用戶的特征通勤序列，表征用戶通勤特征。用特征通勤序列的時(shí)間差代表用戶的通勤時(shí)間，將特征通勤序列的開始時(shí)間和結(jié)束時(shí)間作為通勤開始和結(jié)束時(shí)間的估計(jì)。

2 通勤特征分析

本文對(duì)12 846個(gè)手機(jī)用戶進(jìn)行通勤特征分析，用戶居住地和工作地分布見圖3?？梢钥闯?，用戶覆蓋了深圳市絕大部分區(qū)域，能在一定程度上代表深圳市居民的整體情況。將開始于12:00之前的通勤行為定義為早通勤，開始于14:00之后的通勤行為定義為晚通勤，并對(duì)早晚通勤特征進(jìn)行對(duì)比分析。

2.1 通勤距離

由用戶的通勤距離分布(見圖4)可見，大部分通勤集中在10km以內(nèi)，長(zhǎng)距離通勤用戶比例較小。用戶的平均通勤距離為6.04 km，而深圳市2010年居民出行調(diào)查結(jié)果為5.40km，結(jié)果較為接近(由于數(shù)據(jù)來(lái)自2013年，隨著城市擴(kuò)張，居民的通勤距離有增長(zhǎng)的可能)。用戶通勤距離分布與對(duì)數(shù)正態(tài)分布函數(shù)(見圖5)具有較好的擬合度，可決系數(shù)R2為0.997 5，該結(jié)果也與很多關(guān)于人類行為研究的結(jié)果相吻合。

2.2 通勤時(shí)間

用戶早晚通勤時(shí)間分布較為相似(見圖6)，平均通勤時(shí)間為29.3 min。考慮到手機(jī)話單數(shù)據(jù)的稀疏性，通勤時(shí)間的估計(jì)略大于實(shí)際情況。而且用戶在通勤過(guò)程中的其他行為(例如購(gòu)物、就餐等)也會(huì)導(dǎo)致結(jié)果偏大。

圖3 用戶居住地和工作地空間分布Fig.3 Spatial distribution of users'residence and work place

圖4 用戶通勤距離分布Fig.4 Distribution of commuting distance

深圳市2010年居民出行調(diào)查結(jié)果中，步行和自行車出行比例為56%，平均出行時(shí)耗為17 min；機(jī)動(dòng)化出行比例為44%，平均出行時(shí)耗為44 min。由此得到不分方式的平均出行時(shí)耗為28.9 min[21]，經(jīng)校驗(yàn)本研究結(jié)果比較合理。

將晚通勤時(shí)間分布與負(fù)指數(shù)分布函數(shù)進(jìn)行擬合(見圖7)，除了通勤時(shí)間較短的情況(小于10 min)外，擬合結(jié)果較好，可決系數(shù)R2為0.999 4。早通勤時(shí)間分布也同樣符合負(fù)指數(shù)分布。

圖5 用戶通勤距離分布擬合Fig.5 Fitting results of distribution of commuting distance

圖6 早晚通勤時(shí)間分布Fig.6 Distribution of commuting time during morning and evening time periods

圖7 晚通勤時(shí)間分布擬合Fig.7 Fitting results of distribution of commuting time during evening period

圖8 不同距離的平均通勤時(shí)間分布Fig.8 Distribution of average commuting time by trip length

圖9 通勤開始時(shí)刻分布Fig.9 Distribution of commuting departure time

從用戶平均通勤時(shí)間隨通勤距離變化的分布(見圖8)可以看出，通勤距離在10 km之內(nèi)的出行平均通勤時(shí)間較短；中長(zhǎng)距離(大于10 km)出行的通勤時(shí)間較為穩(wěn)定(45～50 min)，在一定程度上符合馬切提恒值(Marchetti's Constant)，充分反映了居民的通勤距離和時(shí)間之間的相互平衡。不同通勤距離造成不同出行行為，體現(xiàn)在不同交通方式間的選擇、出行過(guò)程的緊湊性等方面。

2.3 通勤開始時(shí)刻

用戶早通勤和晚通勤開始時(shí)刻分布如圖9所示，考慮到話單數(shù)據(jù)的缺陷，這一分布與實(shí)際情況相比峰值偏左。早高峰出現(xiàn)在7:00—9:00，晚高峰出現(xiàn)在 17:00—20:00，這與深圳市實(shí)際情況相吻合。2010年深圳市居民出行調(diào)查中，道路早晚高峰由2 h延長(zhǎng)至3～4 h。從本文的結(jié)果中也可以看出：早高峰比較集中，近似符合正態(tài)分布，峰度較小，并沒有表現(xiàn)出延長(zhǎng)的趨勢(shì)；而晚高峰明顯表現(xiàn)出延長(zhǎng)的趨勢(shì)，峰度較大。這也與居民的日常行為特性有關(guān)，早通勤行為較為固定和集中，晚間可能由于加班等原因?qū)е孪掳鄷r(shí)間較為分散。

通勤開始時(shí)刻與通勤距離沒有顯著關(guān)系(見圖10)，以第一個(gè)通勤距離區(qū)間(＜2.5 km)為基礎(chǔ)，分別求得其他通勤距離區(qū)間與其相對(duì)均方誤差

式中：n為通勤開始時(shí)刻區(qū)間劃分個(gè)數(shù)；yi為通勤距離區(qū)間為i的居民通勤開始時(shí)刻分布；為通勤距離區(qū)間為＜2.5 km的居民通勤開始時(shí)刻分布。

各通勤距離區(qū)間相對(duì)均方誤差結(jié)果見表2，可以看出，通勤距離對(duì)通勤開始時(shí)刻的影響較小。但隨著通勤距離的增加，通勤開始時(shí)刻有向左偏移的趨勢(shì)，并集聚性減弱。

3 結(jié)語(yǔ)

本文通過(guò)手機(jī)話單數(shù)據(jù)識(shí)別用戶職住地，據(jù)此分析用戶的通勤特征，所得結(jié)果與實(shí)際調(diào)查結(jié)果較為接近。研究發(fā)現(xiàn)，深圳市通勤交通中，早通勤開始時(shí)刻分布較為集中，而晚通勤開始時(shí)刻的分布具有較大的分散性，使得晚通勤的高峰時(shí)間延長(zhǎng)，這與深圳市居民日常行為習(xí)慣一致。深圳市居民通勤開始時(shí)刻受通勤距離的影響不大，這與通勤時(shí)間隨通勤距離的變化較為穩(wěn)定有關(guān)。在短距離通勤出行中，通勤時(shí)間變化較小，而中長(zhǎng)距離通勤出行所耗費(fèi)的平均通勤時(shí)間則基本為45～50 min。本研究方法能夠較為快速、準(zhǔn)確地得到城市居民通勤特征，節(jié)省傳統(tǒng)交通調(diào)查耗費(fèi)的大量人力、物力成本。

手機(jī)話單數(shù)據(jù)在時(shí)間判斷的準(zhǔn)確性方面存在誤差，本文通過(guò)多天橫向篩選，得到比較穩(wěn)定的結(jié)果。手機(jī)數(shù)據(jù)可以得到比交通調(diào)查更加詳細(xì)的信息，例如用戶在通勤途中經(jīng)過(guò)的位置序列。雖然由于話單數(shù)據(jù)的稀疏性，并不能完整地再現(xiàn)用戶位置變化序列，但當(dāng)數(shù)據(jù)天數(shù)較大時(shí)，則有較大的概率捕捉到用戶通勤中間的停留信息。這可以對(duì)用戶的通勤習(xí)慣做進(jìn)一步分析，進(jìn)而獲得用戶與通勤相關(guān)的活動(dòng)特征，這也是本文后續(xù)研究的方向。

圖10 不同距離的通勤開始時(shí)刻分布Fig.10 Distribution of commuting departure time by trip length

表2 相對(duì)均方誤差計(jì)算結(jié)果Tab.2 Results of relative mean square error

[1]中華人民共和國(guó)工業(yè)和信息化部.2015年8月電話用戶分省情況[EB/OL].2015[2015-12-01].http://www.miit.gov.cn/n1146312/n1146904/n1648372/c4324187/content.html.

[2]Pan Changxuan,Lu Jiangang,Di Shan,Ran Bin.Cellular-based Data-extracting Method For Trip Distribution[J].Journal of the Transportation Research Board,2006,1945:33-39.

[3]Qiu Zhijun,Cheng Peng,Jin Jing,Ran Bin.State of the Art and Practice:Cellular Probe Technology Applied in Advanced Traveler Information System[J].World Review of Intermodal Transportation Research,2009,2(2):247-260.

[4]Qiu Zhijun,Cheng Peng,Ran Bin.Issues of Using Cell Phone Probes to Estimate Traffic in the Developing Country[C/OL].The 11th World Conference on Transportation Research,June 24-28,University of California,Berkeley.Lyon:World Conference on Transport Research Society.[2015-12-01].http://xueshu.baidu.com/s?wd=paperuri%3A%28ee9 f3555e8817424efc6606d4d9e62bd%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22 v&sc_vurl=http%3A%2F%2Ftrid.trb.org%2Fview.aspx%3Fid%3D889686&ie=utf-8.

[5]Qiu Zhijun,Cheng Peng,Ran Bin.Investigate the Feasibility of Traffic Speed Estimation Using Cell Phones as Probes[J].International Journal of Services Operations and Informatics,2007,2(2):53-64.

[6]Cheng Peng,Qiu Zhijun,Ran Bin.Traffic Estimation Based on Particle Filtering with Stochastic State Reconstruction Using Mobile Network Data[C]//TRB.TRB 85th Annual Meeting Compendium of Papers CD-ROM.Transportation Research Board 85th Annual Meeting,January 22-26,2006,Washington DC.Washington DC:TRB,06-2395.

[7]Qiu Zhijun,Ran Bin.Kalman Filtering Applied to Network-based Cellular Probe Traffic Monitoring[C]//TRB.TRB 87th Annual Meeting Compendium of Papers DVD.Transportation Research Board 87th Annual Meeting,January 13-17,2008,Washington DC.Washington DC:TRB,08-1984.

[8]劉杰，胡顯標(biāo)，傅丹丹，陳明威.基于無(wú)線通信網(wǎng)絡(luò)的人員出行信息分析系統(tǒng)設(shè)計(jì)與應(yīng)用[J].公路交通科技，2009，26(S1)：151-154.Liu Jie,Hu Xianbiao,Fu Dandan,Chen Mingwei.Design and Application of Trip Information Analysis System Based on Wireless Communication Network[J].Journal of Highway and Transportation Research and Development,2009,26(S1):151-154.

[9]冉斌.手機(jī)數(shù)據(jù)在交通調(diào)查與交通規(guī)劃中的應(yīng)用[J].城市交通，2013，11(1)：72-81.Ran Bin.Use of Cellphone Data in Travel Survey and Transportation Planning[J].Urban Transport of China,2013,11(1):72-81.

[10]White J,Wells I.Extracting Origin Destination Information from Mobile Phone Data[C]//IEE.Proceedings of the 11th International Conference on Road Transport Information and Control.London:IET,2002:30-34.

[11]Song Chaoming,Qu Zehui,Blumm N,et al.Limits of Predictability in Human Mobility[J].Science,2010,327(5968):1018-1021.

[12]Ahas R,Silm S,J?rv O,et al.Using Mobile Positioning Data to Model Locations Meaningful to Users of Mobile Phones[J].Journal of Urban Technology,2010,17(1):3-27.

[13]U.S.Census Bureau Website.American Community Survey(2010)Commuting(Journey to Work)[EB/OL].2011[2015-12-01].http://www.census.gov/hhes/commuting/.

[14]Schwanen T,Dijst M.Travel-time Ratios for Visits to the Workplace:The Relationship between Commuting Time and Work Duration[J].Transportation Research Part A:Policy and Practice,2002,36(7):573-592.

[15]Schafer A,Victor D G.The Future Mobility of the World Population[J].Transportation Research Part A:Policy and Practice,2000,34(3):171-205.

[16]Isaacman S,Becker R,Cáceres R,et al.A Tale of Two Cities[C]//Petrioli C,Cox L,Whitehouse K.Proceedings of the Eleventh Workshop on Mobile Computing Systems&Applications.New York:ACM,2010:19-24.

[17]Kung K S,Greco K,Sobolevsky S,et al.Exploring Universal Patterns in Human Home-Work Commuting from Mobile Phone Data[J].PloS ONE,2014,9(6):e96180.

[18]楊東援，段征宇.大數(shù)據(jù)環(huán)境下城市交通分析技術(shù)[M].上海：同濟(jì)大學(xué)出版社，2015.

[19]Xu Ning,Yin Ling,Hu Jinxing.Identifying Home-Work Locations from Short-term,Large-scale,and Regularly Sampled Mobile Phone Tracking Data[J].Geomatics and Information Science of Wuhan University,2014,39(6):750-756.

[20]Chalasani V S,Engebretsen O,Denstadli J M,et al.Precision of Geocoded Locations and Network Distance Estimates[J].Journal of Transportation and Statistics,2005,8(2):1-15.

[21]深圳市規(guī)劃國(guó)土發(fā)展研究中心.2010年居民出行調(diào)查及分析[R].深圳：深圳市規(guī)劃國(guó)土發(fā)展研究中心，2011.

Commuting Characteristics Analysis Based on Mobile Phone Calling Records:A Case Study in Shenzhen

Yang Chao1,Zhang Yuliang1,Zhang Fan2
(1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education,Tongji University,Shanghai 201804,China;2.Shenzhen Institutes of Advanced Technology,Chinese Academy of Sciences,Shenzhen Guangdong 518055,China)

It is feasible to use mobile phone calling records to analyze commuting characteristics.However,the sparsity of calling records could potentially hurdle the data acquisition for commuting time estimation.This paper identifies location of users'residence and work place using mobile phone calling records in Shenzhen,which can be used to analyze residents'commuting characteristics during morning and evening commuting times.The analyses show that the similar commuting characteristics are observed from both data sources,i.e,the conventional travel surveys and mobile phone calling records,which approves phone calling records can be utilized for commuting studies.The results also reveal that there is no significant differences between commuting departure time and commuting distance in Shenzhen,and commuting time relatively remains constant(45～50 min)for commuting trips longer than 10 km.

transportation planning;commuting characteristics;mobile phone calling records;commuting distance;commuting time;Shenzhen

1672-5328（2016）01-0030-07

U491.1

A

10.13813/j.cn11-5141/u.2016.0105

2015-09-05

國(guó)家自然科學(xué)基金項(xiàng)目“城市居民日?；顒?dòng)需求產(chǎn)生機(jī)理及行為模型”(71171147)、中央高?；緲I(yè)務(wù)費(fèi)資助項(xiàng)目“基于非期望效用理論的城市居民活動(dòng)決策行為研究”

楊超(1974—)，男，上海人，博士，教授，博士生導(dǎo)師，主要研究方向：交通規(guī)劃、網(wǎng)絡(luò)優(yōu)化、交通大數(shù)據(jù)等。E-mail:tongjiyc@#edu.cn