手机信令定位频率对交通方式识别的影响

王彦琛; 杨飞; 李荣玲; 周涛

doi:10.3969/j.issn.0258-2724.20220136

手机信令定位频率对交通方式识别的影响

doi: 10.3969/j.issn.0258-2724.20220136

王彦琛^1,,
杨飞¹,
李荣玲²,
周涛^3, ,

1.
西南交通大学交通运输与物流学院，四川成都 611756
2.
中国移动通信集团四川有限公司，四川成都 610084
3.
重庆市交通规划研究院，重庆 401132

基金项目: 国家自然科学基金项目（52072313）

详细信息

作者简介:
王彦琛（1988—），男，博士研究生，研究方向为交通大数据，E-mail：wangyanchen1988@126.com

通讯作者:
周涛（1968—），男，教授级高级工程师，研究方向为交通规划与交通大数据，E-mail：taozhou_traffic@163.com

中图分类号: U491.1
计量
- 文章访问数: 463
- HTML全文浏览量: 102
- PDF下载量: 55
- 被引次数: 0
出版历程
- 收稿日期: 2022-02-23
- 修回日期: 2022-06-05
- 网络出版日期: 2024-07-20
- 刊出日期: 2022-10-14

Influence of Location Frequency on Travel Mode Extraction Using Cellular Phone Data

1.
School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China
2.
China Mobile Group Sichuan Co., Ltd., Chengdu 610084，Chengdu
3.
Chongqing Transportation Planning and Research Institute, Chongqing 401132, China

摘要

摘要:
作为影响手机信令数据定位质量的关键因素，定位频率对交通方式的识别精度具有重要影响. 为量化定位频率与交通方式识别精度之间的变化规律，首先，提出一种基于随机森林的交通方式识别模型；其次，在通信运营商的协助下，通过开展实地数据采集实验，完成手机信令数据及对应真实出行信息的同步采集，并利用该数据集对本文提出的交通方式识别模型进行验证；最后，通过数据抽样形成一系列拥有不同定位频率的手机信令数据集，利用该系列数据集对不同定位频率下的交通方式识别精度进行评估研究. 研究结果表明：本文模型对步行、非机动车、汽车和公共交通4种交通方式的总体识别准确率为79.2%；每种交通方式对定位频率的敏感性不同，其中非机动车与公交的敏感性更高，步行和汽车的敏感性相对较低；随着平均定位频率从48 s/条下降至241 s/条，非机动车和公交的整体识别精度下降幅度分别约为19.2%和21.5%，而步行与汽车的整体识别精度则分别下降12.8%与11.5%；综合考虑识别准确率与计算效率两方面的需求，建议将60 s/条作为用户筛选与数据抽样的最佳阈值.
- 智能交通 /
- 交通方式 /
- 手机信令数据 /
- 定位频率 /
- 随机森林
Abstract:
As a key factor affecting location quality of cellular phone data, location frequency has an important influence on the extraction accuracy of travel mode. In order to quantify the change rule between the location frequency and accuracy of travel mode extraction, a travel mode extraction model based on random forest is proposed. Second, with the help of communication operators, through a field data collection, individual cellular phone data and corresponding real travel information were simultaneously acquired. The dataset is used to verify the travel mode extraction model. Finally, a series of cellular phone datasets with different location frequencies are built through data sampling. With this series of datasets, the extraction accuracy of traffic modes under different location frequencies is evaluated. The evaluation results show that the overall extraction accuracy for walking, non-motorized vehicles, cars, and buses is 79.2%, and the sensitivity of each travel mode to location frequency is different. The sensitivity of non-motorized vehicles and buses is higher, and the sensitivity of walking and cars is relatively low. As the location frequency is decreased from 48 seconds per data to 241 seconds per data, the overall accuracy of non-motorize vehicles and buses is decreased by 19.2% and 21.5%, respectively, while that of walking and car is decreased by 12.8% and 11.5%, respectively. Owning to the requirements of extraction accuracy and computing efficiency, 60 seconds per data is recommended as the optimal threshold for user screening and data sampling.
- intelligent traffic /
- travel mode /
- cellular phone data /
- location frequency /
- random forest

HTML全文

图 1 相邻数据时间间隔分布

Figure 1. Distribution of time intervals between adjacent data

下载: 全尺寸图片幻灯片

图 2 定位距离误差分布

Figure 2. Distribution of location distance errors

下载: 全尺寸图片幻灯片

图 3 手机信令数据轨迹预处理效果

Figure 3. Pre-processing effect of cellular phone data

下载: 全尺寸图片幻灯片

图 4 累积距离与直线距离

Figure 4. Cumulative distance and linear distance

下载: 全尺寸图片幻灯片

图 5 随机森林的工作原理

Figure 5. Principle of random forest

下载: 全尺寸图片幻灯片

图 6 模型准确率随决策树数量的变化趋势

Figure 6. Model accuracy varying with the number of decision trees

下载: 全尺寸图片幻灯片

图 7 基于不同机器学习算法的模型识别效果

Figure 7. Recognition performances of different machine learning algorithms

下载: 全尺寸图片幻灯片

图 8 所有数据集的定位频率变化

Figure 8. Location frequency variation of all datasets

下载: 全尺寸图片幻灯片

图 9 不同定位频率下交通方式识别结果

Figure 9. Travel mode extraction results at different location frequencies

下载: 全尺寸图片幻灯片

表 1 手机信令数据样例

Table 1. Samples of cellular phone data

用户全球标识码	设备标识码	位置区编号	基站小区编号
460***340	2185***7347	34054	1710732
460***340	2185***7347	34054	1710732
460***340	2185***7347	34054	1678945

日期	时刻	基站经度/（°）	基站纬度/（°）
2019-9-21	9:00:34	106.6992	26.58389
2019-9-21	9:01:41	106.7025	26.58639
2019-9-21	9:02:10	106.7025	26.58639

下载: 导出CSV

表 2 本研究使用的出行数据集构成

Table 2. Composition of dataset of interest

交通方式	数据量/条	出行段量/个
步行	12412	114
非机动车	9534	77
汽车	23655	207
公共交通	23458	186
合计	69059	584

下载: 导出CSV

表 3 特征参数的重要度排名

Table 3. Characteristic parameters ranking in terms of importance

变量	变量意义	重要度/%
f	基站使用频率	10.02
Z₁₁	11 min 时间窗直线距离	8.45
T_total	出行总时间	7.92
D_OD	出行 OD 距离	7.30
Z₉	9 min 时间窗直线距离	7.26
V_aveOD	OD 间平均速度	6.96
n	基站使用个数	6.36
Z₇	7 min 时间窗直线距离	5.23
Z₅	5 min 时间窗直线距离	5.16
$V_{\mathrm{ave}Z_{11}}$	11 min 时间窗直线平均速度	4.04
$V_{\mathrm{ave}Z_9}$	9 min 时间窗直线平均速度	3.54
$V_{\mathrm{ave}Z_7}$	7 min 时间窗直线平均速度	3.51
$V_{\mathrm{ave}Z_5}$	5 min 时间窗直线平均速度	2.98
L₁₁	11 min 时间窗累积距离	2.97
L₉	9 min 时间窗累积距离	2.54
$V_{\mathrm{ave}L_{11}}$	11 min 时间窗累积平均速度	2.44
$V_{\mathrm{ave}L_9}$	9 min 时间窗累积平均速度	2.40
L₇	7 min 时间窗累积距离	2.28
$V_{\mathrm{ave}L_7}$	7 min 时间窗累积平均速度	2.08
L₅	5 min 时间窗累积距离	1.71
$V_{\mathrm{ave}L_5}$	5 min 时间窗累积平均速度	1.50
T_b	相邻数据的时间差	1.26
D_b	相邻数据的基站切换距离	1.10
V_b	相邻数据的基站切换速度	1.02

下载: 导出CSV

表 4 机器学习算法主要参数

Table 4. Main parameters in machine learning algorithms

算法	参数设置	参数值
支持向量机	核函数	径向基函数
	核参数 σ	0.25
	惩罚系数 $\tau$	1
BP 神经网络	神经元层数/层	2
	神经元个数/个	（100，50）
	隐藏层激活函数	Relu
	权重优化算法	Sgd
	初始学习率	0.05

下载: 导出CSV

表 5 测试集识别结果

Table 5. Recognition results of test dataset

交通方式	出行段数量/个	识别结果/个
交通方式	出行段数量/个	步行	非机动	公交车	汽车
步行	37	33	1	2	1
非机动车	24	2	19	3	0
公共交通	65	0	8	46	10
汽车	58	0	2	9	47
合计	184	35	30	60	58

下载: 导出CSV

表 6 评价指标统计结果

Table 6. Statistical results of evaluation indicators

交通方式	出行段数量/个	P/%	R/%	F_score/%
步行	37	94.3	89.2	91.7
非机动车	24	63.3	79.2	70.4
公共交通	65	76.7	71.9	74.2
汽车	58	81.0	81.0	81.0
合计	184	79.2	79.2	79.2

下载: 导出CSV

参考文献(16)

[1]	杨飞,姚振兴. 基于手机定位数据的个体出行行为特征分析与技术研究:方法与实证[M]. 上海: 同济大学出版社,2017:2-4.
[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]	QU Y C, GONG H, WANG P. Transportation mode split with mobile phone data[C]//2015 IEEE 18th International Conference on Intelligent Transportation Systems. Gran Canaria: IEEE, 2015: 285-289.
[4]	LARIJANI A N, OLTEANU-RAIMOND A M, PERRET J, et al. Investigating the mobile phone data to estimate the origin destination flow and analysis; case study: Paris region[J]. Transportation Research Procedia, 2015, 6: 64-78. doi: 10.1016/j.trpro.2015.03.006
[5]	ASGARI F. Inferring user multimodal trajectories from cellular network metadata in metropolitan areas[D]. Paris: University of Pierre & Marie Curie, 2016.
[6]	POONAWALA H, KOLAR V, BLANDIN S, et al. Singapore in motion: insights on public transport service level through farecard and mobile data analytics[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM, 2016: 589-598.
[7]	DANAFAR S, PIORKOWSKI M, KRYSCZCUK K. Bayesian framework for mobility pattern discovery using mobile network events[C]//2017 25th European Signal Processing Conference (EUSIPCO). Kos: IEEE, 2017: 1070-1074.
[8]	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. ZHONG Shuqi, DENG Rufeng, DENG Hongping, et al. Recognition of traffic mode of mobile phone data based on the combination of point of interest data and navigation data[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2020, 59(3): 87-96.
[9]	HUANG H S, CHENG Y, WEIBEL R. Transport mode detection based on mobile phone network data: a systematic review[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 297-312. doi: 10.1016/j.trc.2019.02.008
[10]	BURKHARD O, BECKER H, WEIBEL R, et al. On the requirements on spatial accuracy and sampling rate for transport mode detection in view of a shift to passive signalling data[J]. Transportation Research Part C: Emerging Technologies, 2020, 114: 99-117. doi: 10.1016/j.trc.2020.01.021
[11]	YANG F, WANG Y C, JIN P J, et al. Random forest model for trip end identification using cellular phone and points of interest data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2021, 2675(7): 454-466. doi: 10.1177/03611981211031537
[12]	宋璐. 基于手机定位数据的交通OD分布研究[D]. 南京: 东南大学,2015.
[13]	钟罡. 基于手机大数据的城市综合客运枢纽乘客出行行为分析方法研究[D]. 南京: 东南大学,2019.
[14]	陈晓光. 基于手机信令数据的出行端点识别误差与交通小区划分尺度研究[D]. 成都: 西南交通大学,2020.
[15]	Breiman L. Random forest[J]. Machine Learning, 2001, 45(1): 5-32. doi: 10.1023/A:1010933404324
[16]	CHENG L, CHEN X W, DE VOS J, et al. Applying a random forest method approach to model travel mode choice behavior[J]. Travel Behaviour and Society, 2019, 14: 1-10. doi: 10.1016/j.tbs.2018.09.002