基于手機信令數據的旅游—交通客流特征分析以烏魯木齊市為例

文／程志華

隨著城市經濟、社會的全面發展及居民收入的不斷提高，居民旅游出行需求不斷增加，交通出行特征發生新的變化，因此，量化旅游客流的分布特征及游客的居住、出行規律，將為城市旅游交通規劃和組織提供決策基礎。而手機信令數據由于其具有覆蓋范圍廣、數據文檔可靠、樣本量大、空間解析度高以及動態性強等優勢，相較于常規旅游交通調查，在對客流的分布及出行特征的提取上具有更大的挖掘空間和精度可靠性，該數據應用的方法探討具有重要意義。

研究對象及數據選取處理

1.研究對象

本研究旅游人口專指具有本地或異地（烏市）旅游休閑出行行為的國內移動手機用戶。按客源地區別主要分為烏市常駐人口本地休閑旅游、外來游客異地旅游休閑活動。旅游交通對象主要分為常駐人口、短期流動人口。其中，常駐流動人口與常駐戶籍人口一般具有類似的出行特征，而因出差、旅游、訪友探親等事由伴隨產生的異地旅游休閑出行，來烏市的人員是真正意義上的“外來旅游人口”，此類人群具有旅游居住時間段、人員變化城市空間流動快，往往此類人員旅游出行特征較難通過調查手段獲取其旅游出行的空間分布及聯系情況，而手機信令數據采集具有不自主性、客觀性、空間分布廣、可連續性等特征，可對短期流動人口進行有效監測，研究其城市空間旅游交通出行特性。

2.數據選取及處理

本文使用烏魯木齊市2016年1月份至5月份以及9月份共計6個月的中國移動手機信令數據，總信令數約165億條，平均每天用戶數226萬人，人均信令數41條。通過手機基站定位精度來看，基站布設點平均服務半徑為200米。服務半徑越小，定位精度越高。通過對手機用戶信令數據的時間完整性、事件類型完整性以及基站在空間分布的完整性進行分析，制定數據清洗標準，見圖1所示，從而獲得可進行分析應用的可靠數據。

圖1 數據清洗流程

利用數據清洗原則，得到數據的清洗結果，清洗前后的數據規模如表1所示。

總體來看，數據清洗率是比較低的，得到的數據規模和每日人均信令數能夠滿足交通特征研究的數據要求。

表1 數據清洗前后數據規模對比

旅游交通客流識別關鍵技術方法

首先通過常駐人口識別算法及短期流動人口識別技術，對烏市出現的手機用戶進行來源差異性區分，對其出行軌跡進行連貫性追蹤，進而通過旅游客流識別模型進行精準化旅游休閑出行行為判別及空間聯系特性研究。

1.常駐人口識別算法

常駐人口識別以居住地判別為依據，而居住地識別基于概率學統計，即基于手機用戶在某個特定分析時段內的停留地點、停留時長以及分析時期內的停留頻率確定的。分析時段因城市而異，需要根據不同城市居民的活動特征確定。根據烏魯木齊市2014年居民出行調查數據分析得到94%居民夜間在家時段為21點至9點，90%居民夜間在家停留時間超過8小時，因此選擇上述參數進行居住地識別算法設計，并應用于烏魯木齊市常住人口居住地識別中，算法邏輯圖2所示。

2.短期流動人口識別算法

短期流動人口識別是在居住地識別的基礎上，結合其是否通過城市道口（此處包括進出城主要通道及機場）進入烏市的條件判斷，進而判斷其停留閾值是否滿足（為有效剔除過境用戶）進行條件約束識別。算法主要邏輯如下：（1）輸入有效軌跡數據；（2）篩選未識別出居住地的用戶（居住地識別子算法）；（3）是否通道城市道口或機場進出烏市（空間記錄搜索）；（4）統計用戶每天累計停留時長，停留時長超過有效閾值則為短期流動人口有效停留（剔除過境用戶（通過性手機用戶））。

3.手機用戶出行軌跡的識別方法

將清洗后的手機用戶信令數，按照用戶和時間進行分組排序，并記錄對應基站位置和停留時間，生成用戶軌跡表。手機用戶的位置信息實際上是一個出行鏈的片段，手機信令數據是最能采集到一個用戶出行鏈的完整的片段。傳統的居民出行調查以出行為基礎，只能對居民的有效出行的出發地和目的地進行識別，而手機信令數據可以周期性的對手機用戶的位置進行記錄，所以能夠得到大量的用戶軌跡點。將用戶的軌跡點按照時間順序連接，就得到用戶的出行軌跡鏈，如圖3所示，三條黃色軌跡分別代表不同用戶的一段時間內的出行軌跡。

圖3 軌跡散點示意圖

4.旅游交通客流分析模型

基于手機數據的旅游景點客流監測的首先需要明確旅游景點的空間位置和邊界，另外，需要建立移動通信網絡與旅游景點的相互映射關，用于將手機用戶在移動通信網絡中的位置匹配至實際的旅游景點分析區域。根據手機用戶的出行軌跡信息可以識別用戶在每個區域的四類關鍵行為：進入、離開、停留和路過，并在連續的時間周期（每15分鐘）內，統計各個區域發生過這些行為的手機用戶總數，從而實時動態地得到當前分析區域的進入客流量、離開客流量、停留客流量、路過客流量。當前統計周期內，進入某個分析區域后又迅速離開的手機用戶，認為僅僅路過該分析區域，此類用戶不計入停留客流量。

烏魯木齊市旅游交通客流特征研究

1.來訪游客時空分布

研究以大巴扎、水磨溝公園、紅光山、紅山公園為研究對象，分析相應景區游客的旅游交通特征。

分析游覽景點當天游客的其他活動點，了解旅游景點與游客其他活動地點的聯系強度。從分析結果來看，大巴扎客流高峰出現在12點-19點，占總客流量的65%；去過大巴扎的客流的活動地以附近區域為主。紅山公園客流高峰時段出現在12點-18點，占總客流量的53%，到達的客流比較均衡，其來訪客流的活動地也集中在附近地區。此類景點可歸為一類，此類景點僅對周邊區域的交通造成一定的影響，可考慮慢行交通及高峰時段的公共交通設施的安排。

而水磨溝公園客流高峰出現在13點-17點，占總客流量的58%；紅光山客流時辰分布比較均勻，去過紅光山和水磨溝公園的客流的活動地比較分散。

圖4 城市不同分區與旅游景點的聯系強度

圖5 旅游景點客流的到達時間分布

2.旅游景點與城市空間要素關系

旅游景點客流空間來源去向分布一定程度上還受城市空間要素分布影響。利用百度地圖的API接口在線獲取烏魯木齊市的興趣點數據，主要包括旅游景點、星級酒店、購物設施等旅游相關POI坐標位置點。將POI匹配至交通小區，利用因子分析法、聚類分析法，結合城市用地標準對交通小區占主導的功能類型進行識別。

以水磨溝公園及大巴扎為例進行研究，水磨溝公園與其他旅游景點的關聯強度較強，也就是說游覽水磨溝公園的游客會更大可能的同時去其他景點進行游覽，而相對于其他城市要素而言較為孤立。相對而言，大巴扎與其他旅游景點的關聯強度較弱，與旅游景區周邊的其他城市要素有較強的關聯。前往大巴扎游玩的游客更傾向于在旅游景點周邊停留，與購物設施或商務寫字樓等要素集聚區的聯系較為密切。

烏魯木齊市亞歐博覽會客流特征研究

在9月份亞歐博覽會期間，烏魯木齊的交通特征也會發生微妙的變化，為了準確把握亞歐博覽會期間烏市的交通特征，分析客流的變化，本研究亦應用手機大數據進行了亞歐博覽會客流特征分析。

1.亞博會展館客流來源分析

9月20日到9月25日期間，到達離開亞博會展館的總客流約34萬人次，其中本市人口為12.9萬人次，占比為38%；外省市人口為21.1萬人次，占比為62%。本市客流主要集中在天山、高新、水磨溝三個區，三個區客源比重達到82%。外市客流夜宿地主要集中在高新、水磨溝、沙依巴克三個區，三個區比重達到79%。

2.外市客流在烏市期間參觀景點的軌跡分析

9月20日到9月25日期間，去過亞博會的流動人口中，同時又去過大巴扎、水磨溝公園、紅光山、紅山公園中一個景點的外市人口中，其中去過紅光山的人最多，占到50%，這與紅光山與會展中心距離最小有關。

圖8 亞博會客流參觀其他景點的流量分布

圖9 參加亞博會同時去旅游景點的外市人口活動地分布

參加亞博會同時去大巴扎的外市人口活動地分布在會展中心周圍，大巴扎周圍以及機場組團。參加亞博會同時去水磨溝公園的外市人口活動地分布在會展中心周圍，水磨溝公園以及中心城區部分小區。參加亞博會同時去紅山公園的外市人口活動地分布在主要分布地：會展中心周圍和高鐵組團。參加亞博會同時去紅光山的外市人口活動地分布在會展中心和紅光山周圍，機場組團以及城北區北部。

手機大數據能夠實現對用戶連續的運動軌跡的追蹤，有利于分析用戶的出行活動以及停留地點和時間，能夠更加真實的刻畫用戶的活動特征，能夠有效的刻畫旅游交通客流的時空集聚特征。本文基于手機信令數據提出針對烏魯木齊市常住人口識別算法、短期流動人口識別算法，從而確認本研究的研究對象。另外，研究提出手機用戶軌跡識別的辦法，并進一步獲得旅游交通客流分析模型，探討了手機信令數據在景區客流分析中的實際應用。

旅游交通調查存在旅游人口出行活動隨機性強、收集流動旅游人口問卷的困難，存在不能頻繁針對大型集會進行實時調查的困難，基于手機信令數據一方面可對旅游人口的活動特征進行較為充分的把握，另一方面可對景區與城市其它相關因素之間的關系進行分析，為滿足游客的食住及其相關出行的設施布設規劃提供了良好的分析基礎。