手機信令數據實現交通量預測的應用探討

江偉

摘 要：文章首先對手機信令數據進行簡要介紹，分別從應用思路、系統設計等方面，對交通量預測中手機信令數據的應用進行論述。結論證實，在交通量預測中，手機信令數據的作用非常明顯，通過預處理模塊將其中無用的數據去除后，便可對有價值的數據進行利用，據此完成預測模型的訓練，從而準確預測出某段道路的交通量，為道路等級確定提供詳實可靠的依據。

關鍵詞：手機信令數據;交通量;預測

中圖分類號：U495 文獻標識碼：A

1 手機信令數據

手機信令數據歸屬于信令數據的范疇，信令數據的產生是基站與移動設備之間發生交互，前提條件是移動設備必須在基站信號的覆蓋范圍之內。手機信令數據現已成為城市交通數據的重要來源，在交通建設中的作用隨之突顯，這與手機信令數據本身所具備的諸多特征有著密不可分的關聯，包括時空性、覆蓋性、海量性、實時性、冗余性等等。大體上可將手機信令數據分為以下幾類：通信行為，如呼叫時長、基站位置及ID等;號碼軌跡，如到達與離開時間、位置經緯度等;用戶特征，如用戶名、開戶地、業務類型等。

2 交通量預測中手機信令數據的應用

2.1 應用思路

在城市道路中，交通量由以下兩個部分構成，一部分是車輛，另一部分是行人。在對交通量進行分析期間，行人一般不在考慮的范圍之內，主要考慮的對象為機動車，即某個路段中，單位時間內，往返兩個方向的車輛總數。交通量是道路通行能力的測算指標，是確定道路等級的重要依據。對交通量進行預測就是以相關的數據為依托，借助預測模型，預測出一段時間內與交通量有關的特征參數，據此得出最終結果。從交通量的預測過程來看，數據和預測模型缺一不可，二者對預測結果起著決定性作用。為此，可以對手機信令數據加以利用，據此設計一款交通量預測系統。

2.2 系統設計

手機信令數據并不能直接應用于預測系統，需要進行預處理，從中提取所需的數據，然后利用預測模型，實現對交通量的準確預測。手機信令數據是預測系統的主要數據源，全部記錄在文件當中，均為原始數據。除此之外，還要運用地圖道路數據，如地理坐標信息等。預測系統的最底層主要負責對相關數據進行預處理，為對手機信令數據中的無用數據進行有效去除，在預處理環節中引入多種數據清洗策略。本系統的預測模型為組合式，該模型的預測能力強，結果準確性高，由兩個單獨的模型組成，一個是ARIMA，另一個是SVM。前者可針對非平穩的時間序列進行預測，后者為支持向量機。

2.2.1 手機信令數據預處理模塊

手機信令數據當中包含著大量的數據信息，為從中提取出有用的數據，需要對手機信令數據進行預處理，即依托預處理模塊，以分層次的方法，對手機信令數據進行檢測。按照數據的產生原理，對其中的異常數據進行檢測，具體包括重復的數據、無效數據、屬性值缺失的數據等等。當異常數據全部處理完畢后，還要對手機信令數據中的特有數據進行檢測和處理，如乒乓數據、噪聲數據等。數據清洗方法如下：

①受到多方面因素的影響，導致手機信令數據中無效數據比較多，如果這些數據不進行去除，那么將會導致預測結果的準確性降低。對于核心字段缺失的數據，可以采用丟棄的方法進行處理。由于時間間隔特別短的數據對軌跡點并不會產生出特別的作用，此類數據的存在會導致計算量增大，故此應將這類數據全部剔除。

②手機信令數據中不可避免地會出現重復的數據，此類數據存在會導致后續的計算機量增大，應當在預處理環節中，對這部分數據進行去除。在對重復數據進行清洗的過程中，只需要對第一條數據進行保留即可，之后出行的與該數據相同的數據全部刪除。隨著無效和重復數據從手機信令數據中被大量清除，會使數據源隨之縮小，但并不會對預測結果造成影響。

③在一些重要的區域內，為進一步提升通信質量，常常會設置2個或更多的基站，這樣一來，會產生出重疊的區域，移動設備進入該區域后，會切換基站，致使信令數據中出現乒乓數據，對于這部分數據應當進行去除。可以采用如下方法對手機信令數據中的乒乓數據進行檢測：設兩個相鄰基站之間的最大距離為MaxD，用戶在兩座基站之間移動所需時間的閾值為T，基站距離的閾值為D，乒乓數據會在軌跡點距離小于D時產生。據此，便可對這部分數據進行剔除。

④在手機信令數據中，噪聲數據不可避免，由于這部分數據本身比較特殊，采用常規的數據清洗方法，無法有效去除。因此，需要選用適宜的方法。離群點檢測法在手機信令數據噪聲數據的檢測中效果顯著，可借助該方法對噪聲數據進行有效去除。

2.2.2 交通流量提取

①手機信令數據進行提取，計算出速度序列，依據速度特征，對機動車的出行方式進行識別，計算出機動車在路段內的平均速度，由此便可得到當前的交通流量。在預測交通量的過程中，可以將道路視作為一個整體，這個整體由若干路段組合而成，根據基站的覆蓋半徑，通過相應的提取算法，能夠對道路沿線中的基站數據進行提取，并獲得出行的軌跡點，經篩選之后，可獲得機動車的出行軌跡，這樣為交通量預測提供可靠的數據支撐。

②在同樣的路段內，機動車的速度要明顯比非機動車快，二者的平均速度存在非常大的差別。因信令數據具有方向性的特征，可以求出某個路段內的速度集合，通過聚類算法，對速度進行聚類，識別機動車和非機動車的出行方式。

2.2.3 交通量預測

①預測道路交通量需要選取可靠的預測模型，由于交通量具有不確定性和動態變化的特點，所以要求選取的預測模型能夠對交通量結果進行準確預測。如果選用的一個模型進行預測，受到各方面因素的影響，很難達到預期中的效果。為解決這一問題，選取兩個模型進行組合，以此對交通量進行預測，這樣最終目的是為了預測結果更加準確。本次選取的兩個預測模型分別為ARIMA和SVM，在應用前，需要對先對模型進行訓練，以此來獲取更加穩定的預測模型，為預測精度提供保障。從信令數據中選取60%作為訓練數據，剩余的40%作為驗證數據。訓練前，要先對數據進行平穩化和差分處理，然后對預測模型的相關參數進行初步確定。支持向量機模型的訓練過程較為簡單，只要對核函數進行選取，并完成參數調優即可。

②當兩個預測模型全部完成訓練后，可按照數據特征的變化，對模型進行選取，預測交通量。為使選取的預測模型與當前的數據特征相適應，需要設定誤差閾值，通過誤差大小判斷模型的適用性，即誤差越小越適合，預測結果的準確性越高。可以先選用ARIMA，看預測誤差是否超過閾值，若是超出，則說明不適用于當前的數據，應選取SVM模型進行預測。由預測模型獲得的預測結果就是道路的交通量情況，可將制作為道路等級的確定依據。

2.3 系統測試

選取一組手機信令數據，用本次設計的系統對數據進行預處理，將其中的無用數據全部去除，留下有價值的數據。然后將數據帶入到預測模型當中，得出如下結果：以單個模型進行預測，精度一般，以組合模型進行預測，所得結果的精確度高于單個模型，達到交通量預測的效果。由此表明，組合模型的效果要明顯優于單個模型。

3 結語

綜上所述，交通量預測是一項較為復雜且系統的工作，為提高預測結果的準確性，可以對手機信令數據進行應用，并依托預測模型，構建相應的預測系統。在模型的選擇上，可將組合模型作為首選，由此能夠使交通量的預測精度得到進一步提升。

參考文獻：

[1]唐嘉立.基于手機信令數據分析的路網運行監控系統[J].中國交通信息化，2015，17（12）：115-117.

[2]冉斌.手機數據在交通調查和交通規劃中的應用[J].城市交通，2013，11（01）：72-81+32.

[3]郭曉妮.基于手機信令的交通流監測與出行信息服務系統[J].通訊世界，2017，24（14）：157.