手機信令數據識別職住地的時空因素及其影響

鈕心毅，謝 琛

(同濟大學建筑與城市規劃學院，高密度人居環境生態與節能教育部重點實驗室，上海 200092)

0 引言

近年來，手機信令數據在城市交通、城市規劃等領域引起了廣泛關注，也已經在各大城市的交通調查、城市交通規劃、城市總體規劃中得到了較多實際應用[1-6]。基于手機信令數據可以識別居民的居住地、工作地，從而獲取通勤OD、揭示職住空間關系。這是手機信令數據輔助交通調查、城市交通規劃、城市總體規劃的基礎性工作[7-11]。

手機信令數據是手機用戶在移動通信網絡中留下的時空軌跡數據，只是記錄了居民日常行為的時空軌跡。使用手機信令數據識別居住地、工作地的基本原理是對手機用戶長時間時空軌跡規律進行測算，以多日夜間的時空軌跡推算居住地、以多日日間的時空軌跡推算工作地。職住地算法是采用某種規則對居住、工作行為的時間、空間特征進行歸納。如果采用不同的規則、同一規則中采用不同的參數取值，可能導致識別結果的差異。這種差異是否會對職住地結果可靠性產生影響是一個值得研究的議題。已有文獻更關注手機信令數據職住地識別結果的應用，極少有對職住地算法本身的討論，也缺少不同算法對識別結果可靠性影響的討論。

本文首先討論手機信令數據的特征，總結識別職住地的若干關鍵因素。之后，依據關鍵因素組合成若干種算法，以多種組合方法分別對同一城市的同一批手機信令數據進行職住地識別，分析不同規則對職住地識別結果的影響程度。

1 基于手機信令數據測算職住地的關鍵時空因素

基于手機信令數據測算職住地是對工作、居住行為一般規律的時空特征進行測算，涉及三個時空因素。

1.1 時間連續性

因為信令是由用戶的位置移動、通話、上網等行為激發，所以對單個用戶而言，信令在時間上雖然比較連續，但是相鄰記錄的時間間隔卻不是固定的。即使在持續開機情況下，相鄰記錄之間間隔可能長于1 h，也可能短到在1 min 內產生數十條記錄。時間連續性是職住地識別的首要時空因素。

應對時間連續性的問題，已有文獻中提出過若干方法和設想[12-16]。綜合相關研究與自身實踐，本文將其歸納為4種時間規則。

1）累積時間法。

累積時間法的思路是通過累積用戶每日在各個位置的停留時間，以日間最長停留時間位置為工作地、以夜間最長停留時間位置為居住地。累積時間法是通過計算累積時間來消除信令記錄時間間隔不規律的影響。

2）特征時間法。

特征時間法的思路是以特定的時間間隔(如1～2 h)測算用戶在特定時間點所停留基站的位置，然后選擇出重復次數最高的基站或者多個停留基站的中心位置。日間特征時間點選擇出的位置作為工作地，夜間特征時間點選擇出的位置作為居住地。

3）信息熵法。

信息熵法是將熵的概念引入職住地計算[16]。通過計算用戶在每個基站位置停留的信息熵大小，消除信令記錄時間間隔不規律的影響。

當用戶在夜間共停留n個位置U1,U2,U3, …,Un，其對應的概率為每個位置停留時間占總時間的比例，再通過信息熵公式計算得到用戶的信息熵，即

式中：pi為每個停留位置的停留時間占總時間的比例/%；Ti，Tj為每個停留位置的停留時間/s；H(U)為該用戶的信息熵值。

信息熵反映了對象活動強度。信息熵越小，說明個體時空活動越穩定；信息熵越大，說明個體時空活動越頻繁。分別將用戶的日間、夜間信息熵小于一定閾值的停留位置作為工作地和居住地。

4）時間閾值法。

測算用戶夜間合計停留時間超過夜間總時間一定比例閾值的基站，若連續觀測周期中該基站每日被重復識別出的次數大于某個閾值天數，則將其識別為居住地[16]。使用同樣方法對日間用戶停留位置進行比較，識別出用戶的工作地[7]。

1.2 空間位置分辨率

信令記錄以移動通信基站位置定位。信令記錄中表示的基站位置與用戶實際所在位置之間可能存在數十米到數百米的差異。每一條信令記錄中信令發生時的基站可能是距用戶最近的基站，也可能僅是相鄰基站之一。由于移動通信網絡的特點，用戶實際位置發生移動時，所連接的基站可能不變；也可能出現用戶實際位置并未移動時，所連接基站發生變化。由此導致空間位置分辨率問題，即職住地識別的第二個時空因素。

空間位置分辨率會對1.1 節中4 種時間規則測算造成影響，以累積時間法為例，會使得真正居住地(工作地)基站的停留時間變短，導致最后未能達到居住地(工作地)識別時長要求。應對空間位置分辨率問題，一般采用某種空間聚合方法，將一定距離范圍內基站均視為同一個基站。只要用戶信令記錄都在A基站周邊特定距離內的基站上，均視為沒有離開A基站。這個距離數值就是空間聚合距離值。空間聚合距離值過大、過小均會對居住地(工作地)識別帶來影響。仍以累積時間法為例，聚合距離值過大，會使得用戶發生了實際出行但仍被視為停留在A 基站，夸大了在A基站的停留時間；聚合距離值過小會使得其失去應有的作用，仍會影響到A基站的停留時間。

1.3 數據時間序列長度

由于用戶個人行為規律會有偶然性變化，需要有一段連續日期對用戶行為進行測算，才能確定居住地、工作地。如果連續測算日期過短，也許會導致識別的居住地、工作地錯誤。因此，數據時間序列長度是職住地識別需要應對的第三個時空因素。

數據時間序列長度影響對用戶行為的重復性判斷。較短周期可能將居民偶然幾天行為判斷為長期規律性行為。同時，由于數據質量原因也使得數據時間序列長度更為重要。因為多種原因會導致一段日期中可能有若干日數據質量較差無法使用，更長的數據時間序列會確保數據有效日期數量。實際工作中，會出現難以獲取連續若干周數據的情況(例如僅有1～2 周)，較短的數據時間序列會對識別結果造成多大影響還需要進行比較。

2 基礎數據及分析框架

2.1 基礎數據概況

本文使用江西省南昌市的中國聯通匿名手機信令數據開展研究，數據時間為2015年4月7日—5月17日，連續41天。其中，4月7日、5月2日信令記錄總數、用戶總數過低，數據質量較差，予以排除。其余日期的每日信令記錄總數、每日出現用戶ID 總數均比較一致，平均每天約有70 萬用戶產生約4185 萬條記錄，每個用戶平均每天產生約60條信令記錄。連續5周的數據時間序列中也排除五一休假的日期，只保留5 周中工作日，為此保留其余27個工作日。

2015年該市基站分布如圖1所示，基站之間平均距離1 068 m。每日均選取在市域內累計停留時間大于2 h 的用戶，排除過境用戶；進一步將其中信令記錄出現日期占總天數60%及以上的用戶視為活躍用戶，得到活躍用戶543 389 人，占該市常住人口的9.94%。

2.2 三類因素的實驗組合

為比較時間連續性、空間位置分辨率、數據時間序列長度各自影響程度，分別對三類因素進行兩兩比較，控制第三類因素不變。同時盡可能保證使用相同參數來控制變量，排除參數取值對結果的影響。三類因素組合得到33組算法(見圖2)。

實驗中使用的4種時間規則均將20:00—次日5:00作為居住地識別時段，9:00—16:00作為工作地識別時段。

圖1 基站分布Fig.1 Distribution of base station

圖2 三類因素的實驗組合Fig.2 Experiment with the combination of three types of factors

累積時間法中，分別將20:00—次日5:00和9:00—16:00 兩個時段累積總停留時間最長的位置作為該用戶居住地、工作地，且保證至少有60%的天數在該位置停留超過2 h。

特征時間法中，分別將20:00—次日5:00和9:00—16:00 每隔一個整點小時的時間點為居住地、工作地識別的時間點。以至少有60%時間點在同一個位置識別出當日居住地、工作地。匯總每日識別的居住地和工作地，將識別天數大于總天數60%的位置作為該用戶的居住地和工作地。

信息熵法中，在20:00—次日5:00和9:00—16:00，分別以用戶在整個時段內平均停留3個位置作為該用戶活動穩定的上限判斷標準，即信息熵大致為1.5。識別信息熵小于1.5 的用戶，將由累積時間法得到的最長停留位置作為其居住地和工作地。

時間閾值法中，將20:00—次日5:00 停留時間占總時間的比例大于60%的停留位置作為當日的居住地，再統計研究天數內不同位置被識別的總天數，將識別總天數大于總天數60%的位置作為該用戶識別居住地。用同樣方法，在9:00—16:00進行工作地識別。

選擇3種空間聚合距離，分別為250 m，500 m 和750 m；三種數據時間序列，包括第 1 周(4月 13—17日 5 個工作日)、第 5 周(5月11—15日5個工作日)、連續5周(4月8日—5月15日27個工作日)。

表1 時間規則與聚合距離組合的識別率Tab.1 Identification rate with the combination of time rule and aggregated distance

在保證數據時間序列均為連續5 周的條件下，以前述4種時間規則以及250 m，500 m和750 m 3 種聚合距離組合成12 組算法，比較不同時間規則、聚合距離對職住地識別結果的影響。

在空間聚合距離均為500 m 的條件下，對前述4 種時間規則以及第1 周、第5 周、連續5 周3 種數據時間序列組合成12 組算法，比較不同時間方法、不同數據時間序列長度對識別結果的影響。

在時間規則均采用累積時間法的條件下，對250 m，500 m 和750 m 3 種空間聚合距離以及第1周、第5周、連續5周3種數據時間序列組合為9 組算法，比較不同聚合距離、不同數據時間序列對職住地識別結果的影響。

2.3 結果的可靠性比較

可靠性比較的最佳方法是將職住地識別結果與人口普查、經濟普查、交通調查的結果進行對照。當前最常用的檢驗方法是居住地分布與人口普查、工作地分布與經濟普查的就業崗位分布進行相關性檢驗。實際情況下，往往是由于沒有交通調查數據，才需要進行手機信令輔助測算，所以很難對信令數據測算的通勤距離等結果的可靠性進行檢驗。

本文采用各組結果相互之間進行一致性比較的方法，比較不同時間規則、空間聚合距離、數據時間序列對識別結果的影響程度。通過識別率、平均直線通勤距離①、共同識別用戶一致性3 個指標來確定影響的敏感程度。

識別率指居住地、工作地識別出的人數與活躍用戶數之間的比值。各種方法都需要保證一定的識別率。雖然識別率高低并不能代表結果的可靠性，但如果某個因素變化導致識別率顯著變化，說明該類因素取值對結果有顯著影響。

平均直線通勤距離指同一組合算法中同時識別出了職住地且職住地位置不在同一個基站的用戶，其直線通勤距離的平均值。如果因素改變引起平均直線通勤距離變化較大，說明該因素對識別結果的可靠性有顯著影響。

共同識別用戶一致性用以比較多種組合的共同識別用戶職住地空間位置的一致性，通過同一用戶在不同組合算法中識別出位置的平均距離差和共同識別用戶位置一致率表示。當兩種組合比較時，共同識別用戶位置一致率=位置一致用戶數量/職住地空間位置識別人數相對較少組合的總人數×100%。

3 結果比較

3.1 時間規則與聚合距離

3.1.1 識別率

保持連續5 周數據時間序列不變，活躍用戶為543 389人。4種時間規則算法和3種聚合距離的12個組合結果識別率見表1。在同一聚合距離下，累積時間法識別率明顯高于其他方法；在同一時間規則下，隨著聚合距離增加，識別率均明顯上升，在250～500 m上升幅度最大。

3.1.2 平均直線通勤距離

計算上述12 個組合結果的平均直線通勤距離(見表2)。隨著聚合距離增大，平均直線通勤距離大幅度下降，說明直線通勤距離對聚合距離取值有較大敏感性。尤其當使用特征時間法和時間閾值法時，平均直線通勤距離對聚合距離取值敏感性更為顯著。在同一聚合距離下，不同時間規則得到的平均直線通勤距離不同，累積時間法得到的值最大。

3.1.3 共同識別用戶一致性

將12 個組合結果相比較(見圖3a 和圖3b)，特征時間法與其他3個時間規則位置的平均距離差最大，其次是時間閾值法。累積時間法和信息熵法無差距，這是因為信息熵法本身是基于累積時間進行熵值計算。在共同識別用戶位置一致率上，時間閾值法與其他3個規則的重合率最低。

以同樣的方式比較聚合距離影響(見圖3c 和圖3d)，各個方法之間位置的平均距離差均在20 m以內，差異不明顯。3種聚合距離下，共同識別用戶位置一致率均在96%以上。

表2 時間規則與聚合距離組合的平均直線通勤距離Tab.2 Average linear commuting distance with the combination of time rule and aggregated distance m

圖3 時間規則與聚合距離組合下位置的平均距離差及位置一致率Fig.3 Average distance difference and position consistency rate with the combination of time rule and aggregated distance

從共同識別用戶一致性來看，時間規則算法帶來的差異相對較為明顯；聚合距離取值帶來的差異不明顯。

表3 時間規則與聚合距離組合結果與“六普”常住人口的相關系數Tab.3 Correlation coefficient between the result from the combination of time rules and aggregated distance and the 6th national population census

表4 數據時間序列與時間規則組合的識別率Tab.4 Identification rate with the combination of data time series and time rules

表5 時間規則與數據時間序列組合的平均直線通勤距離Tab.5 Average linear commuting distance with the combination of time rules and data time series m

3.1.4 與人口普查數據的相關性檢驗

使用當前最常用的結果檢驗方法，將測算得到的居住地分布與人口普查數據進行相關性檢驗。以街道(鎮)為空間單元，12組算法與“六普”常住人口數量的相關系數見表3。雖然結果之間存在較明顯的差異，但是所有組合得出的相關系數均在0.8 左右，與人口普查數據的相關性檢驗均呈現強相關。

3.2 時間規則與數據時間序列

3.2.1 識別率

統一取值空間聚合距離為500 m。第一周內活躍人數593 587 人，第5 周內活躍人數590 348人，連續5周活躍人數543 389人。4 種時間規則與3 種數據時間序列的12 個組合的職住地識別結果見表4。第1周與第5周的4 種時間規則識別率相近，連續5 周的4種時間規則識別率有顯著差異。連續1 周與連續5 周相比，特征時間法、時間閾值法識別率顯著下降，說明二者對數據時間序列變化更加敏感。

3.2.2 平均直線通勤距離

12 個組合的平均直線通勤距離見表5。4種時間規則下，第1周與第5周的平均直線通勤距離均較為接近，但與連續5 周結果有一定差異。其中，特征時間法和時間閾值法得出的平均直線通勤距離值隨著數據時間序列的不同變化更加顯著。

3.2.3 共同識別用戶一致性

如圖4a和圖4b所示，3種數據時間序列下，各種方法的共同識別用戶平均距離差為150～550 m，差異也較為明顯。其中，第1周與第5 周的結果差異最大。數據時間序列變化使得識別結果之間差異較大，3 種數據時間序列下，位置一致率僅為78%～87%。

以同樣的方式比較時間規則影響，如圖4c 和圖4d 所示，總體上各個方法之間的平均距離差均在60 m以內，差異并不明顯。4種時間規則下共同識別用戶位置一致率均在84%以上，說明結果差異相對不明顯。其中，特征時間法與其他方法的共同識別用戶位置一致率相差最大。

從共同識別用戶一致性來看，3 種數據時間序列帶來的差異較為明顯；4 種時間規則下各個方法所得結果的一致性好于數據時間序列。

3.2.4 與人口普查數據的相關性檢驗

以街道(鎮)為空間單元，將12組算法識別的居住人數分別與“六普”常住人口數量進行相關性分析，得到相關系數(見表6)。12組算法的結果之間雖存在較明顯差異，但相關系數均在0.8 左右，說明居住地識別結果與人口普查數據的相關性檢驗均呈現強相關。

3.3 聚合距離與數據時間序列

3.3.1 識別率

統一采用累積時間法，3 種聚合距離與3 種數據時間序列的9 種組合的識別率結果見表7。在同一聚合距離下，連續5 周的工作地、居住地識別率與一周的識別率略有變化。在同一數據時間序列下，隨著聚合距離增大，職住地的識別率明顯增大。可見，聚合距離對識別率的影響大于數據時間序列帶來的影響。

3.3.2 平均直線通勤距離

9 個組合結果的平均直線通勤距離見表8。隨著聚合距離增大，平均直線通勤距離明顯下降。3 種數據時間序列對平均直線通勤距離值的影響并不明顯。

3.3.3 共同識別用戶一致性

對9 個組合的結果進行比較(見圖5a 和圖5b)，各種方法共同識別用戶位置的平均距離差較大，為97～491 m，第1 周與第5 周的結果差異最大。3 種數據時間序列下，共同識別用戶位置一致率為82%～94%。如圖5c 和圖5d 所示，三種聚合距離下，各個組合方法之間共同識別用戶位置的平均距離差都接近0，共同識別用戶位置一致率達到99.9%以上，說明不同聚合距離對結果的影響較小，共同識別用戶一致性較好。因此，數據時間序列的日期(第1周、第5周)與時間序列的長度共同影響著識別結果。

3.3.4 與人口普查數據的相關性檢驗

以街道(鎮)為空間單元，將9 組算法識別的居住人數分別與“六普”常住人口數量進行相關性分析，得到相關系數(見表9)。9組算法的結果之間雖存在較明顯差異，但相關系數均在0.8 左右，說明居住地識別結果也均與人口普查數據呈現強相關。

4 實際應用中需要注意的問題

4.1 數據源

本文使用了中國聯通的匿名信令數據，活躍用戶數量占該城市常住人口數量的9.94%。由于使用同一批信令數據對多種不同規則組合識別結果進行比較，在實驗設計上，數據自身的用戶數量和占該城市的比例均不會影響比較結果。但在實踐中如果采用不同運營商的數據源，由于各家運營商用戶普及率不同、基站密度也不同，可能會影響職住地的測算結果。這種因素的影響程度需要進一步研究。

表6 時間規則與數據時間序列組合結果與“六普”常住人口的相關系數Tab.6 Correlation coefficient between the result from the combination of time rules and data time series and the 6th national population census

表7 聚合距離與數據時間序列組合識別率Tab.7 Identification rate with the combination of aggregated distance and data time series

表8 數據時間序列與聚合距離組合的平均直線通勤距離Tab.8 Linear commuting distance with the combination of data time series and aggregated distance m

4.2 重復率

4種時間規則都涉及重復率，本文統一采用了60%的重復率值。顯然較高的重復率值將導致識別率下降，但高重復率約束下職住地識別結果的準確率可能也會提高。由于重復率對職住地測算結果的影響趨勢已經有了共識，本文未對重復率取值進行敏感性比較。因居住、工作行為存在一定不規律性，一般情況下50%～60%的重復率取值是適宜的。在實際工作中，確定了時間規則、空間聚合距離、數據時間序列后，仍需要對重復率取值進行敏感性檢測，確定該城市適宜的重復率值。

4.3 聚合距離變化對平均直線通勤距離的影響

空間聚合距離增大會導致平均直線通勤距離明顯變小。不同聚合距離取值下，共同識別用戶一致性均較高，聚合距離擴大未改變共同識別用戶的職住地，導致通勤距離減小的原因來源于沒有被共同識別的用戶，即較大聚合距離下多識別的那部分用戶的平均直線通勤距離。在實驗中，以時間規則和聚合距離組合，對500 m 和250 m 取值的結果進行比較，500 m 取值新增識別者的平均直線通勤距離僅為2 266 m，遠小于兩者共同識別人群的平均值3 849 m。在較大聚合距離下，許多日間活動位置不太固定、在相近基站活動的居民被識別出工作地，而這部分人被識別出的居住地、工作地的距離明顯偏小。隨著聚合距離增大，工作地識別率上升幅度明顯高于居住地識別率上升幅度(見表1)，這也能在一定程度說明上述情況。

這一結果說明，追求過高的識別率并無意義，反而可能對職住地測算的結果準確性產生負面影響。這些被擴大出來的用戶真實行為目的需要今后進一步研究證實。

4.4 可靠性檢驗

當前已有的職住地測算方法是基于對居民一般居住、工作行為規律認識，建立在固定居住地和工作地并且有規律的夜間居住時段、日間工作時段前提下。顯然，部分居民可能沒有固定的工作地(如交通運輸業的職業駕駛人等)，也有可能上夜班，居住、工作時間恰好相反。這些居民行為可能是不同因素對識別結果造成影響的原因之一。

本文發現，多種時間規則、空間聚合距離、數據時間序列對職住地識別結果有顯著影響。由于無法獲取南昌市居民出行調查數據，尚不能精確地判斷哪一種組合方法與居民實際通勤情況最為接近。實際交通規劃工作中常常將手機信令數據測算職住地作為一種輔助調查手段使用，往往在缺少居民出行調查情況下進行或是與居民出行調查同步進行。缺少居民出行調查數據是實際工作中的常見情形。為此，要采用多種方法組合，進行多組結果相互比較、選擇一致性較好的組合方式。這種工作方式更加符合交通規劃實踐的場景。倘若有接近時段的居民出行調查數據，應將平均直線通勤距離等與實際調查值對照，驗證規則和參數選取的可靠性。

本研究也說明了當使用手機信令數據計算職住地時，算法本身還存在若干值得關注的未知因素。手機信令數據表征的居民出行特征還不能用過于簡單的規則全部挖掘出來。

5 結論

5.1 時空因素對職住地識別的影響

3個時空因素對職住地識別結果都有不可忽視的影響。對于平均直線通勤距離，聚合距離取值對結果影響最大，數據時間序列對結果影響最小。對于共同識別用戶一致性，數據時間序列對結果的影響最大，聚合距離對結果影響最小。對于識別率，聚合距離對結果的影響最大，時間規則和數據時間序列對結果影響較小。

1）時間規則的影響。

特征時間法得到的平均直線通勤距離明顯小于其他3 種時間規則；時間閾值法識別率稍低，信息熵法實質上是在累積時間法上疊加了更嚴格的約束條件，結果導致平均直線通勤距離變小。在共同識別用戶一致性上，時間閾值法與其他3個規則的重合率最低。

2）空間聚合距離的影響。

圖5 數據時間序列與聚合距離組合下位置的平均距離差及位置一致率Fig.5 Average distance difference and position consistency rate with the combination of data time series and aggregated distance

平均直線通勤距離對聚合距離取值非常敏感。較大空間聚合距離取值雖然使識別率上升，但是使平均直線通勤距離明顯變小。聚合距離擴大未改變共同識別用戶的職住地，而是納入了更多行為位置不固定的用戶，這些用戶的行為可能不是居住、工作目的。

3）數據時間序列的影響。

數據時間序列1 周與5 周、不同的一周相互之間共同識別用戶一致性差異明顯。不同數據時間序列之間共同識別用戶位置一致率不高；不同的一周，共同識別用戶的職住地位置平均距離差超過500 m。1 周是較短的數據時間序列長度，對職住地測算結果可靠性產生明顯影響，且不同周的結果也有顯著差異。

5.2 對職住地識別結果可靠性檢驗的建議

由于規則選取會對結果產生顯著影響，手機信令數據職住地識別結果必須經過可靠性檢驗。當前常用方法是與人口普查、經濟普查進行空間分布比對。針對本文33 種組合的居住地測算結果，采用街道(鎮)空間單元與“六普”常住人口數量分布進行相關性檢驗，結果都顯示了強相關。這表明僅用普查數據驗證空間分布是不夠的，仍無法準確判斷結果可靠性。

實際工作中往往是在沒有居民出行調查的前提下才使用手機信令數據測算職住地，本文建議增加平均直線通勤距離、共同識別用戶一致性兩種檢驗方式。應采用多種因素、多種取值組合進行測算，對照比較多組識別結果，選取一致性較好的組合方式。多個組合、多個取值對照比較是一種數據訓練的方法，一旦規則和參數確定，后續同一來源數據可以用同一套規則和參數取值。

表9 數據時間序列與聚合距離組合結果與“六普”常住人口的相關系數Tab.9 Correlation coefficient between the result from the combination of data time series and aggregated distance and the 6th national population census

5.3 對職住地識別時空因素規則選取與適用性的建議

對手機信令數據識別職住地的規則選取和參數選擇提出三點建議：1)在時間連續性規則中，應慎重使用特征時間法。累積時間法、時間閾值法是相對較好的時間規則，一般情況下建議優先考慮。2)應慎重選取空間聚合距離值。在沒有居民出行調查獲取居民直線通勤距離值對照驗證的情況下，建議優先使用較小的空間聚合距離值。3)在職住地測算中應使用較長的數據時間序列，不能使用過短的數據時間序列。如果能在一年不同季節選擇較長數據時間序列進行較連續測算，會使得結果更為可靠。

注釋：

Notes：

①手機信令數據測算得到的通勤距離是代表居住地的基站與代表工作地的基站之間的直線距離。這一距離值比真實通勤距離短，本文稱其為直線通勤距離。