基于手機傳感器數據的出行特征提取方法

楊 飛，姚振興

(西南交通大學交通運輸與物流學院，四川成都610031)

基于手機傳感器數據的出行特征提取方法

楊 飛，姚振興

(西南交通大學交通運輸與物流學院，四川成都610031)

手機調查方法的已有研究較多集中于基于手機信令數據的宏觀出行特征獲取，而手機傳感器數據在個體出行鏈微觀出行特征提取方面具有優勢。針對城市居民多采用組合交通方式出行的特征，研發智能手機應用軟件，實現GPS數據(位置坐標與速度)、加速度計、服務基站、WiFi等傳感器數據采集。運用小波分析、神經網絡等數據挖掘技術分析不同交通方式出行數據差異，探索多種數據挖掘算法用于個體出行參數提取的可行性及效果。結合實際案例，總結應用手機傳感器數據進行出行特征精細化提取的難點和技術關鍵。最后，探討精細化個體出行數據在交通模型和理論優化方面的應用。

大數據；智能手機；傳感器數據；出行特征；數據挖掘；交通模型優化

紙質問卷、電話采訪、郵件訪問等傳統居民出行調查方式依賴被調查者主觀回憶，長期存在數據精度低、樣本量有限、組織煩瑣困難等缺陷，越來越難以支撐規劃師對居民出行時變規律和個體精細化出行參數的把握，交通規劃方案常常不能達到預期效果。隨著無線通信技術的發展和智能手機的快速普及，利用手機采集居民日常出行位置數據具有很好的應用前景。據工業和信息化部統計，截至2015年7月，中國手機用戶已達到12.9億[1]。相對傳統調查技術，手機調查方法具備數據客觀精確、時空連續、樣本量大、內容豐富等優勢。目前手機出行調查技術正處于起步后快速發展階段，技術創新和應用推廣是當前階段研究的重點與難點。

1 研究綜述

根據研究對象不同，應用手機移動定位技術提取個體出行參數主要分為手機信令調查技術和手機傳感器(GPS、加速度計、WiFi等)調查技術兩大方向。

21世紀初開始，逐漸有研究機構致力于利用手機信令數據分析城市居民活動規律和出行特征。當前該技術已能夠采集城市人口職住分布、通勤出行特征、熱點地區人流來源去向、大區OD量等內容。研究指出，手機定位調查技術在動態數據獲取、數據精度方面存在明顯優勢[2]，手機信令調查技術相對其他評估手段具備數據精確、完整、操作方便、成本低廉等優點[3]。上海等城市從2010年開始陸續開展手機信令調查技術研究和應用試驗，在人口晝夜分布特征、職住平衡、查核線調查、大區OD調查等方面取得較好的研究成果[4]。

隨著智能手機的快速發展和普及，手機GPS、加速度計、WiFi等傳感器的精確定位能力快速引起國內外學者的關注，手機傳感器數據能夠很好地彌補手機基站大尺度定位問題，對提取精細化交通參數具有更好的幫助和支撐。2008年，文獻[5]提出一種基于網站信息提示的個體出行調查方法，首先利用手機GPS定位數據識別個體出行活動特征，進而利用網站信息公布的形式幫助出行者完成出行活動回憶調查，從而最大限度地減少被調查者回憶負擔。研究表明，該方法對于個體出行活動的調查效果較好，居民調查配合意愿較高。2012年，美國俄亥俄州交通部(Ohio Department of Transportation)依托綜合交通調查對克利夫蘭市4 545戶家庭進行手機GPS出行數據采集，并要求其中的1 300戶家庭進行網上出行日志填寫，這些出行日志信息主要用來校核出行目的、出行方式等識別結果[6]，該綜合交通調查首次完全應用手機GPS調查技術取代傳統問卷調查。

由于中國居民日常出行經常由多種交通方式組合完成，國外已有數據提取算法對中國城市的針對性和適用性不足，且對于一些關鍵數據的處理經驗性較強，當交通環境變化時，方法普適性不理想。同時，當前智能手機大都配備了GPS、加速度計、陀螺儀、WiFi等多種傳感器芯片，多類傳感器數據有望實現互補融合，彌補單一數據源的局限和缺陷，若能結合用地性質和GIS地理信息，手機傳感器調查技術用于精細化交通參數提取將具有很好的行業前景。

2 個體出行精細化特征提取方法

不同交通方式出行將產生差異化手機傳感器數據，高效的個體出行信息提取算法應具備準確識別不同交通方式數據規律的特性。應用手機傳感器數據進行個體出行參數提取通常包含兩大步驟：1)通過識別出行停留點(出行目的地和換乘點)，將全天候手機傳感器數據分割為多個出行數據段，每段出行又進一步分割為多個單一交通方式出行子段；2)應用數據挖掘算法識別每一字段對應的交通方式、出行時間等出行鏈信息。

2.1 出行停留點識別

已有研究大多通過設置時間和距離閾值來判斷個體出行停留點，當兩個連續定位點間隔時長超過時間閾值且間距小于距離閾值時，則認為該個體到達目的地或者換乘點。該類方法中時間和距離閾值通常根據經驗設定，依賴專業人員對大量樣本數據的學習和判斷，方法普適性和可移植性較差，不同案例中時間和距離閾值差異較大[7-10]。當前還有待探索更為智能、普適的數據挖掘算法用于手機傳感器數據切割。

由于手機GPS傳感器能夠以1s·次-1的頻率連續記錄個體出行過程中的速度數據，速度波動特征與信號波的波動特征非常相似，而個體出行停留點則與信號波奇異點(突變點)特征非常相似，因此本文提出應用小波分析算法進行交通停留點識別。

若信號f(t)在某點有突變或某階導數不連續，則稱信號在此處有奇異性。一般用Lipschitz指數(簡稱Lipα)來描述信號的奇異性程度，設有非負整數n，n≤α≤n+1，如果存在常數A＞0以及n次多項式使得

根據小波變換原理，當小波分析尺度較小時，母小波高速振蕩并快速衰減，時間定位能力最強；而隨著尺度的增加，小波將發生自身膨脹，母小波振蕩頻率減慢，時間定位能力變差。因此，小尺度上小波變換模極大值點對居民出行方式換乘時間定位最準確，本文出行停留點識別就是通過最小尺度上小波變換模極大值對應的時間點精確提取，即模極大值線與時間軸的交點為出行停留時間點。

小波分析中，一個奇異點處可能出現多條模極大值線，模極大值線的條數取決于小波函數的消失矩階數。對于居民多種方式組合出行，交通換乘通常可以理解為在某地點瞬時完成，因此選擇小波函數時，函數消失矩應盡量小一些，最好為1階消失矩函數。同時，小波函數的選擇也應兼顧奇異點時間識別的準確性。本文檢驗了Haar小波、Daubechies系列小波(D(n))、Gaussian系列小波(Gaus(n))等不同小波函數的應用效果，結果顯示Complex Gaussian(1)在交通方式換乘點識別應用中效果最佳。

2.2 出行特征提取

出行時間、出行距離等交通參數能夠從手機傳感器數據直接或簡單計算獲得，交通方式識別是手機傳感器調查技術的主要難點。應用手機傳感器數據進行交通方式識別的算法主要有邏輯規則算法和智能數據挖掘算法兩大類。

邏輯規則算法通過學習不同交通方式出行數據特征，設置多組分類指標閾值進行識別[7-9,11]。通常這類算法運算較為簡單，數據量大時仍能保持較高的計算效率，但算法過多依賴分類指標閾值的合適性，且道路交通條件變化時，固定的分類閾值必然會導致交通方式識別正確率較低。

為了減少主觀經驗判定，同時提升交通方式識別準確率，智能數據挖掘算法得到了廣泛關注。目前能夠用于交通方式識別的智能數據挖掘算法主要有神經網絡[12]、模糊邏輯[10]、隨機森林[13]、支持向量機[14]和貝葉斯網絡[15]。智能數據挖掘算法的基本原理是通過大量自適應學習手機傳感器數據與交通方式對應內在聯系，進而構建交通方式判別函數進行模式識別。根據已有研究，智能數據挖掘算法一般能夠準確識別步行、自行車和機動車三類方式，而對于機動車中小汽車和公共汽車方式，由于兩者出行特征過于相似，區分較為困難，識別正確率約為40%～80%[10,13-14]。近年來，逐漸有學者嘗試利用GIS地理信息匹配技術輔助公共汽車和小汽車的識別，例如基于公共汽車站匹配的公共汽車模式識別，公共汽車和小汽車的區分正確率約達到90%[13]，算法具有較好的應用價值。

本文應用非線性識別能力較好的神經網絡算法進行交通方式識別。對于神經網絡輸入屬性設置，由于不同交通方式出行平均速度、最大速度都存在明顯差異，因此將每分鐘平均速度、最大速度作為神經網絡訓練輸入屬性；擁堵時段機動車流通常表現出斷續前進現象，每分鐘速度標準差和加速度方差能夠較好地反映擁堵時段不同交通方式速度波動差異，同樣也作為神經網絡輸入屬性。交通方式為神經網絡模型的輸出屬性。

3 數據采集與分析

3.1 數據采集軟件

本文基于開發的一款智能手機應用軟件(APP)(見圖1)進行手機傳感器數據采集。與傳統手持GPS儀器相似，智能手機GPS模塊能夠連續采集日期、時間、經緯度、衛星數、水平定位精度(HDOP)等數據；手機加速度計能夠連續記錄運動過程中手機平面三維加速度數據；手機WiFi模塊則能夠實時記錄沿途WiFi熱點名稱。

圖1 手機傳感器數據采集軟件Fig.1 Mobile app for cellular probe data collection

該軟件同時考慮了數據采集和商業推廣問題，強化了用戶體驗。數據采集方式分為兩種：一種為定時性數據采集，即交通相關部門或企業根據需要在特定時間組織開展居民出行調查，按照現有抽樣模式，安裝軟件并完成數據采集，給予被調查者一定的調查補貼；另一種方式為不定期數據采集，即在APP上發布各類調查活動，居民根據意愿參加數據采集，按規定上傳完成調查數據后，給予一定的話費、打車券或公交刷卡次數等獎勵。

圖2 手機GPS傳感器數據地圖匹配結果Fig.2 Results of matching between mobile GPS data and map

圖3 交通方式換乘點識別結果Fig.3 Transfer point identification for different travel modes

3.2 應用案例

如圖2所示為從出發點(重慶火車北站)到目的地(伊美大酒店)的一次試驗出行分析過程。黃色點串為APP記錄的GPS位置點軌跡，該用戶從走出火車車廂A點開始打開APP記錄傳感器數據，步行至輕軌站B乘坐輕軌，其中B—C、D—E段為地下輕軌出行，因GPS信號受屏蔽而無法獲得數據，用戶在E點下車后步行到達目的地H。該次出行組合交通方式為步行—輕軌(部分位于地下)—步行。

圖3為根據前文所述方法獲得的交通方式換乘點識別結果。圖3a為原始GPS速度折線圖，其中有三段速度波動曲線，第一段和第三段速度波動較小，為步行出行段，中間速度波動較大的部分為輕軌在地上運行的數據曲線。圖3b為該樣本在不同分析尺度下小波變換系數模值計算結果圖譜，可以看出，在交通方式換乘點，小波變換系數模值明顯大于其他位置(即亮度增高)。圖3c為圖3b中尺度取特定值70時得到的小波變換系數模值曲線，交通方式換乘點小波變換系數的模值最大。圖3d為不同分析尺度下，將模極大值點相連后獲得的模極大值線，隨著尺度的增加，最終只有在交通方式變化點才能夠形成模極大值線。

對比出行日志數據發現，圖3d識別結果基本與實際出行一致，其中輕軌在地面和地下運行的轉換點也成功識別。在結束輕軌出行后步行穿過一個大型立體交叉口下時，由于GPS信號遮擋產生的波動也順利識別，但這只是臨時變換點而沒有改變交通方式，需要將前后兩段合并整合為同一步行方式段。

本案例的交通方式換乘點識別結果為：189 s(步行—輕軌)，1 105 s(輕軌—步行)。對比出行日志發現，交通方式換乘點誤差均在20 s以內，數據采集精度相較于傳統調查方法得到大幅提升。這一案例也部分驗證了在山地城市多GPS信號遮擋環境下算法的適用性。

4 交通模型優化應用

1）構建基于活動的交通模型。

四階段模型存在明顯缺陷，交通領域一直在探索用于交通需求分析的新模型，基于活動(Activity-based)的交通需求分析成為研究重點。然而基于活動的交通需求預測模型要實現從理論到實踐的跨越，必須有足夠精細、準確的個體出行特征數據作為支撐，傳統問卷調查獲得的數據質量遠遠不能滿足交通需求模型的升級要求。

本文提出的基于手機傳感器數據的交通出行調查技術能夠連續、全天候追蹤個體出行活動全過程，通過互補、融合多種手機傳感器數據，未來結合城市GIS、用地性質等數據，有望獲得大樣本(甚至全樣本)個體出行鏈詳細參數，包括出行OD、出行時間、出行距離、出行方式、換乘時間、換乘點、出行軌跡、出行目的等，能夠為構建基于活動的新一代交通規劃模型提供支撐。

2）提升傳統四階段模型精度。

通過采集個體出行參數，能夠利用小樣本精確數據標定優化傳統四階段模型，提升模型應用效果。例如交通分配階段，不再根據路網阻抗，而是真實個體出行軌跡偏好和規律進行分配，路段流量分配結果將更加符合實際。再如，精細化的手機傳感器數據能夠支撐更加細化的交通小區劃分(見圖4)，基于交通小區細分的四階段模型能夠取得更好的交通需求預測和分配效果；小樣本準確數據還能夠用于四階段模型應用結果的校正與優化。

3）優化公共交通線網。

優先發展公共交通是緩解中國大城市交通擁堵問題的根本手段。當前很多城市公共交通車站300 m，500 m覆蓋率達到較高水平，然而這并不意味居民能夠方便乘車(如附近無所乘線路)。因此，準確掌握個體出行線路軌跡，解決公共交通出行難問題，成為提升居民公共交通出行意愿，進而提升公共交通分擔率的重要手段。

手機傳感器調查技術能夠準確追蹤并獲得個體從公共交通車站到出發地和目的地的過程及時空距離，有助于深入了解車站客流來源去向，掌握公共交通沿線主要客流吸發點，揭示最后一公里規律特征，對指導軌道交通與公共汽車接駁、優化已有公共汽車交通線網有很好的指導意義。

4）指導新區開發建設規模與時序。

大型城市新區開發建設過程中的土地利用和開發項目是按照時序逐步推進的，商業項目建成后的人氣聚集需要長時間的積累過程，面對新區逐漸增長的交通需求不確定性，交通服務配置較為困難。例如公交線路、發車頻率的確定，以及公共自行車配置規模等。

傳統居民出行調查方法很難獲取新區開發過程中動態的出行需求，而手機傳感器調查技術通過采集進入新區內個體移動軌跡、基站小區服務人數等信息，有助于摸清新區范圍內以及與新區相關區域的全天候出行活動特征，從而彈性配置交通配套服務，避免設施閑置浪費。

5）其他應用。

基于智能手機傳感器數據的出行特征精細化提取方法還可用于掌握大型交通樞紐客流的集散交通方式和流向分布，為交通樞紐精細化交通組織設計提供科學依據。此外，還能夠用于監測地區人員活動強度，對大型活動期間公共場所安全人流密度監測和控制提供支撐，預防踩踏事故等。

圖4 交通小區與交通子區的出行OD期望線對比Fig.4 Comparison of desire lines between traffic zones and sub-zones

5 結語

本文將理論研究與實踐相結合，深入探索利用手機傳感器數據挖掘提取個體交通出行鏈信息的技術流程和實現方法，提取的精細化個體出行數據可應用于構建基于活動的交通模型、傳統四階段模型校正、公共交通線網布局優化、新區交通規劃、公共安全預警等方面。基于此成果，可以進一步探索在多種道路交通環境條件下，手機傳感器數據提取出行信息的可行性及效果評估方法。

[1]中華人民共和國工業和信息化部.2015年7月電話用戶分省情況[EB/OL].2015[2015-07-16].http://www.miit.gov.cn/n1146312/n1146904/n1648372/c3337869/content.html.

[2]Calabrese F,Diao M,Di Lorenzo G.Understanding Individual Mobility Patterns from Urban Sensing Data:A Mobile Phone Trace Example[J].Transportation Research Part C:Emerging Technologies,2013,26:301-313.

[3]Aguiléra V,Allio S,Benezech V,et al.Using Cell Phone Data to Measure Quality of Service and Passenger Flows of Paris Transit System[J].Transportation Research Part C:Emerging Technologies,2014,43:198-211.

[4]Shanghai Meihui Software Co.,Ltd.Traffic Data Experts with Muti-source Data[EB/OL].2015[2015-11-21].http://www.meihuichina.com/e-index.htm.

[5]Auld J,Williams C,Mohammadian A,et al.An Automated GPS-based Prompted Recall Survey with LearningAlgorithms[J].Transportation Letters,2009,1(1):59-79.

[6]Wolf J,Bachman W,Auld J,et al.Applying GPS Datato Understand Travel Behavior[R].NCHRPR 775,Washington DC:Transportation Research Board,2014.

[7]Bohte W,Maat K.Deriving and Validating Trip Purposes and Travel Modes for Multiday GPS-based Travel Surveys:A Large-scale Application in the Netherlands[J].Transportation Research Part C:Emerging Technologies,2009,17(3):285-297.

[8]Stopher P,FitzGerald C,Zhang J.Search for a Global Positioning System Device to Measure Person Travel[J].Transportation Research Part C:Emerging Technologies,2008,16(3):350-369.

[9]Chen C,Gong H,Lawson C,Bialostozky E.Evaluating the Feasibility of a Passive Travel Survey Collection in a Complex Urban Environment:Lessons Learned from the New York City Case Study[J].Transportation Research Part A:Policy&Practice,2010,44(10):830-840.

[10]Tsui S Y A,Shalaby A S.Enhanced System for Link and Mode Identification for Personal Travel Surveys Based on Global Positioning Systems[J].Transportation Research Record,2006,1972(1):38-45.

[11]Chung E H,Shalaby A.A Trip Reconstruction Tool for GPS-based Personal Travel Surveys[J].Transportation Planning and Technology,2005,28(5):381-401.

[12]Gonzalez P A.Automating Mode Detection for Travel Behavior Analysis by Using Global Positioning Systems-enabled Mobile Phones and NeuralNetworks[J].IETIntelligent Transportation System,2010,4(1):37-49.

[13]Stenneth L,Wolfson O,Yu P S,Xu B.Transportation Mode Detection Using Mobile Phones and GIS Information[C]//Agrawal D,Cruz I,et al.Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.Chicago:ACM SIGSPATIAL,2011:54-63.

[14]Zheng Yu,Liu Like,Wang Longhao,Xie Xing.Learning Transportation Mode from Raw GPS Data for Geographic Applications on the Web[C]//Huai J,Robin C.Proceedings of International Conference on World Wild Web.Beijing:Beijing Beihang Assets Management Co.,Ltd.,2008:247-256.

[15]Feng T,Timmermans H J.Transportation Mode Recognition Using GPS and AccelerometerData[J].Transportation Research Part C:Emerging Technologies,2013,37:118-130.

Cellular-based Data Extracting Method for Travel Characteristics

Yang Fei,Yao Zhenxing
(School of Transportation and Logistics,Southwest Jiaotong University,Chengdu Sichuan 610031,China)

Existing research of cellular-based survey methods mainly focus on travel characteristics at macro level.It should be known that cellular probe data also have great advantages of extracting travel characteristics at micro level–individual travel chains.Considering majority of urban residents'multimodal travel patterns,a mobile app is developed to retrieve traveler disaggregated data,such as GPS(coordinates and speed),accelerometer through base station and Wi-Fi connectivity.This paper analyzes the difference in data from various travel modes using wavelet analysis,neural network and other data mining techniques.The feasibility and multiple data mining algorithms used to extract individual travel parameters are discussed.Based on case studies,the paper summarizes difficulties and key technical points of using cellular probe data to extract accurate travel characteristics.Finally,the paper discusses the application of individual travel data in transportation modeling.

big data;smartphone;probe data;travel characteristics;data mining;optimization of transportation models

1672-5328（2016）01-0009-06

U491.1

A

10.13813/j.cn11-5141/u.2016.0102

2015-08-31

國家自然科學基金面上項目“融合多源移動定位時空數據的居民出行調查與活動行為分析技術研究”(51178403)、教育部“新世紀優秀人才支持計劃”項目“基于新一代移動通信事件和定位技術的城市交通管理決策支持研究”(NCET-13-0977)、成都科技局資助項目“新型城鎮化戰略下的成都市城鄉交通發展策略研究”(2014-RK00-00034-ZF)

楊飛(1980—)，男，重慶人，教授，博士生導師，主要研究方向：智能交通。

E-mail:yangfei_traffic@163.com