基于手機信令大數據的機場腹地識別算法研究

姚 海 芳,劉 云 溪,劉 勁 松

(1.河北師范大學旅游系,河北 石家莊 050024；2.東北林業大學經濟管理學院,黑龍江 哈爾濱 150040；3.河北師范大學資源與環境科學學院,河北 石家莊 050024)

0 引言

機場腹地是規劃航空運輸網絡以及完善和管控機場地表集疏運網絡的基礎依據[1，2]，如何及時、準確地劃定機場腹地范圍，學界尚未達成共識[3]。目前，常用的機場腹地理論范圍劃定方法有：1)同心圓法，即以機場為中心，采用指定半徑畫同心圓確定機場腹地范圍[4]，但劃分結果不能準確展現機場綜合吸引力的輻射范圍；2)旅行時間法(交通等時圈法)，一般以機場為中心，以交通網絡為基礎，采用指定的時間閾值界定機場腹地范圍，該方法在交通地理學領域得到廣泛應用[5-8]；3)加權Voronoi圖法(或加權V圖法)，綜合考慮機場引力、機場地表集疏運條件[9]，通過設定不同機場的引力權重，生成機場博弈情景下的腹地范圍；4)Huff模型法，綜合考慮機場吸引力和交通情況[10]，劃分結果優于同心圓法和等時圈法，但該方法中的機場綜合吸引力彈性系數和距離衰減系數需結合具體機場分別設定。機場腹地是機場吸引航空旅客的陸面區域，旅客的出行行為決定機場腹地分布范圍[11]，但上述方法未充分考慮航空旅客的真實出行行為，劃分的機場腹地分布范圍常被高估或低估，而且易忽略機場腹地內部的空間異質性特征。5)離散選擇模型法，通過調查問卷獲取航空旅客歸屬地，從而確定機場腹地范圍[12，13]，但其數據獲取難度大，成本高；為彌補調查問卷的不足，Lieshout[1]利用機場航班頻率、機票價格、機場陸側可達性、空側可達性等可直接獲取或計算得出的數據，基于離散選擇模型測算了阿姆斯特丹機場2005年和2011年的腹地范圍。離散模型法雖然考慮了旅客的真實出行行為，但該模型數據收集成本高、更新周期長、計算量大，且受多種不確定性因素影響，不適于機場腹地動態監測。為加強機場腹地內部的事件管控和精準服務能力，迫切需要揭示機場腹地的動態性和異質性特征。

手機信令屬于個體行為大數據[14]，具有時空信息豐富、獲取成本低等優點，在人口流動[15]、人口出行特征[16-18]、城市職住關系[19,20]、城市空間結構[21,22]、旅游客源市場[23]等領域得到廣泛應用。因此，本文利用手機信令大數據構建機場腹地識別算法，包括分類識別機場進/出港旅客、生成進/出港旅客的出行軌跡、確定進/出港旅客的出行OD位置、刻畫進/出港旅客機場腹地內部結構特征，并以石家莊正定國際機場(簡稱“石家莊機場”)為例，利用中國聯通河北分公司提供的2019年10月2-8日的手機信令數據，對該算法進行測試和驗證。

1 基于手機信令大數據的機場腹地識別算法

1.1 機場進/出港旅客分類識別

將一周內出現在研究區5天及以上的手機用戶判定為工作人員、居民等[24]非航空旅客并予以標記，不參與航空旅客分類。根據旅客流向，將航空旅客分為出港、進港、中轉3類旅客；根據旅客出行行為的組合特征，對3類旅客進一步細分：如果測試機場具有省內通航城市，則將其旅客細分為11小類(表1)，否則細分為5小類(表1中陰影部分)。航空旅客分類算法參見文獻[24]。鑒于當日往返的進/出港旅客所占比重極小，中轉旅客僅在機場航站樓附近逗留，故機場腹地識別算法中未考慮這部分旅客。因此，在劃定機場腹地過程中，如果測試機場沒有省內通航城市，則僅考慮“11”和“21”兩類旅客，否則需考慮“11”、“13”(合稱為狹義的出港旅客)和“21”、“23”(合稱為狹義的進港旅客)4類旅客。

表1 機場航空旅客分類及編碼

1.2 進/出港旅客出行軌跡生成

基于狹義的進/出港旅客的手機用戶ID碼，提取每位進/出港旅客的手機信令記錄，分別建立進/出港旅客手機信令數據集。其中，對于“13”類旅客，僅考慮其到達測試機場及之前的手機信令記錄，對于“23”類旅客，僅考慮其到達測試機場及之后的手機信令記錄。

以日為單位，將每位進/出港旅客的手機信令記錄按照時序排列，通過識別駐留點和移動點[25]，生成每位進/出港旅客的出行軌跡。以用戶a為例，假設某日用戶a有n條手機信令記錄，令其第一條記錄和最后一條記錄為當日停留點，令時間約束Tmax為5 min，距離約束Dmax=1 km[17]。理論上，在Pt點，用戶a只有“停留”或“可能移動”兩種運動狀態。依據Dmax和Tmax，按照下述規則，逐點推斷用戶a在后續比鄰時刻位置點的運動狀態。

(1)

(2)

ΔT=Tt+1-Tm

(3)

(2)若用戶a在Pt點為“可能移動”狀態，則計算Pt+1和Pt之間的距離d(式(4))，同時計算t+1與t之間的時間差ΔT(式(5))。則用戶a在Pt+1點運動狀態的判定方法為：如果d>Dmax，則用戶a在Pt+1點的運動狀態為“可能移動”，并將用戶a在Pt點的運動狀態改為“移動”；如果dTmax，則用戶a在Pt點和Pt+1點的運動狀態均為“停留”，兩點共同構成一個新的停留點集N′(Pt,Pt+1)；如果d

(4)

ΔT=Tt+1-Tt

(5)

依據上述算法，生成每位進/出港旅客出行軌跡。

1.3 進/出港旅客出行OD位置判定

判定進港旅客的出行目的地(D)和出港旅客的出行起始地(O)(圖1)，進而識別進/出港旅客機場腹地范圍。以用戶a為例，根據1.2節方法獲得用戶a在每個出行軌跡點的信息，包括經度(x)、緯度(y)、運動狀態(sigh=0表示停留，sigh=1表示移動)、停留時長(stay_time)、停留開始時間(stay_start_time)、停留結束時間(stay_end_time)等。

(1)如果用戶a為進港旅客，則令Airport_end_point為出行的起始點O，向D方向尋找sigh=0且stay_time>Tstay_time_max(Tstay_time_max用于判定當前停留點是否為O/D的時間閾值)的點，如果能找到，則將此點判定為用戶a的出行目的地D，否則將最后的停留點判定為用戶a的出行目的地D。

圖1 進/出港旅客出行OD判定方法

(2)如果用戶a為出港旅客，則令Airport_first_point為出行目的地D，向O方向尋找sigh=0且stay_time>Tstay_time_max的點，如果能找到，則將此點判定為用戶a的出行起始點O，否則將最后一個停留點判定為用戶a的出行起始點O。

1.4 進/出港旅客機場腹地內部結構特征解析

根據上述進港旅客的出行目的地(D)數據集和出港旅客的出行起始點(O)數據集，分別與市、縣、鄉、村4級行政區劃單元進行空間疊置，按行政區劃單元統計進/出港旅客出行強度(某行政區劃單元航空旅客出行或抵達人數)、出行密度(某行政區劃單元進/出港旅客數量與行政區面積之比)，據此解析不同尺度上進/出港旅客機場腹地內部結構特征。

2 案例地及數據

本文案例地選取京津冀城市群的重要空中門戶石家莊正定國際機場(IATA：SJW，ICAO：ZBSJ)。2018年機場航空旅客吞吐量突破千萬人次大關，2019年10月通航城市達65個(國外6個，省外56個，省內3個(張家口、承德、秦皇島))。G4高速、G107國道、京石客運專線等是航空旅客進出石家莊機場的主要客運通道。

本文聯通手機信令數據來源于中國聯通河北分公司，包括用戶唯一識別號、時間戳、信令發生時手機所處經度和緯度、用戶所屬省/市/縣、用戶性別、用戶年齡等字段，時間范圍為2019年10月2日0時至8日24時。將實驗數據分為機場數據集(Airport Dataset)和外圍數據集(Outside Dataset)。其中，Airport Dataset來源于以機場外輪廓為中心，以850 m為半徑的緩沖區內的204個聯通手機基站(圖2)；Outside Dataset是依據Airport Dataset中出現的手機用戶ID碼，提取的同一天內手機用戶在Airport Dataset空間范圍外其他聯通手機基站的全部手機信令數據集，且僅限于河北省內，暫未獲得省外、國內的聯通手機信令數據。經數據預處理(去除用戶ID、時間戳、經緯度為空以及重復和漂移等無效記錄)，Airport Dataset中共有手機信令記錄278.9萬條，Outside Dataset中共有對應時段手機信令記錄3 101.1萬條。

圖2 機場數據集(Airport Dataset)所屬空間范圍

統計2019年10月2-8日每個用戶相鄰手機信令記錄的時間間隔的均值和標準差，發現均值與2倍標準差之和小于3 600 s的用戶占74%，3 600 ～7 200 s的用戶占16.6%，說明石家莊機場航空旅客手機信令記錄的間隔時長通常為1～2 h；考慮到用戶換乘交通工具的時間一般不超過1 h，故本文將Tstay_time_max設定為3 600 s。采用上述進/出港旅客識別算法，共識別出航空旅客47 444人次，其中，進港旅客18 630人次(2 661人/d)，出港旅客24 759人次(3 537人/d)。考慮到中國聯通手機用戶數量占全國手機用戶的19.8%[26]，2019年10月石家莊機場共運送旅客102.93萬人次[27]，本研究的識別精度約為96.9%，識別結果可信。

3 機場腹地內部多尺度結構特征

利用2019年10月2-8日的手機信令數據，運用本文機場腹地識別算法刻畫機場腹地分布范圍、不同尺度下機場腹地內部結構特征及旅客出行強度。

(1)出港旅客的客源地分布特征。由圖3(彩圖見封3)可知，出港旅客的客源地呈現以機場為中心、沿主要交通干線(高鐵、高速公路、國道)向外圍輻射的空間分布模式，且出港旅客密度隨著距機場距離延長而衰減。在圖3上采用同心圓法和等時圈法進一步測算發現：在R=100 km和R=200 km的同心圓內，出港旅客數量占比分別為82.8%和98.21%，在30 min、60 min和90 min等時圈內，出港旅客數量占比分別為58.3%、85.45%和96.13%，說明R=200 km的同心圓和90 min等時圈是石家莊機場出港旅客的主要客源地。

圖3 2019年10月2-8日石家莊機場出港旅客客源地散點圖

(2)市級尺度機場腹地內部結構特征。市級尺度進/出港旅客主要分布在石家莊市(約占70%)，其次為保定市(約占15%)，邢臺、衡水、滄州、邯鄲4市進港旅客合計約占9%，出港旅客合計約占15%(表2)，說明石家莊機場的核心腹地是石家莊市，主要腹地是保定市，次要腹地是邢臺、衡水、滄州和邯鄲4市。

表2 石家莊機場進/出港旅客分布特征

(3)縣級尺度機場腹地內部結構特征。縣級尺度進/出港旅客出行強度均呈現以機場為中心向外逐步衰減的圈層結構特征(圖4，彩圖見封2)，但與北京比鄰的涿州市的進港旅客出行強度畸高(圖4a)，違背了距離衰減原則，結果異常的原因可能與僅獲得省內手機信令數據有關，如經石家莊機場前往北京的進港旅客的目的地均劃歸涿州，說明僅用省內聯通數據識別進/出港旅客的OD位置，會產生省界堆積效應。

(4)鄉級尺度機場腹地內部結構特征。鄉級尺度機場腹地內部不再連續(圖5，彩圖見封2)，石家莊及周邊區縣的進/出港旅客出行強度最高，且高強度出行區域沿京廣線、石德線、石太線等交通要道分布，石家莊、保定、衡水及其部分縣城的進/出港旅客出行強度明顯高于其他鄉鎮。值得注意的是，涿州與北京、霸州與天津、井陘與山西相鄰的鄉鎮進/出港旅客出行強度偏高，進一步驗證了省界堆積效應。

(5)村級尺度機場腹地內部結構特征。村級尺度機場腹地的客源地和目的地更加離散(圖6，彩圖見附錄3)，統計發現，城市、建制鎮、村莊3類聚落的進港旅客出行密度分別為6.86 人/km2、1.15 人/km2、0.96 人/km2，出港旅客出行密度分別為9.25 人/km2、1.57 人/km2、0.83 人/km2，進/出港旅客出行密度呈現出城市>建制鎮>村莊的特征，說明城市和建制鎮是進/出港旅客的主要目的地和客源地。

(6)航空旅客出行強度動態監測。本文的機場腹地識別算法能持續監測腹地內部航空旅客的出行強度。利用中國聯通河北分公司提供的2020年2月2-8日的手機信令數據，共識別進港旅客2 541人次(363人/d)，出港旅客4 126人次(589人/d)。與2019年10月2日-8日數據相比，進港旅客減少了86.4%，出港旅客減少了83.3%，主要是受新冠疫情影響，旅客出行強度明顯下降。

圖4 縣級尺度進/出港旅客出行強度

圖5 鄉級尺度進/出港旅客出行強度

4 結論

本文利用手機信令大數據，構建新的機場腹地識別算法，并利用中國聯通河北分公司提供的石家莊機場2019年10月2-8日的手機信令數據，測算了石家莊機場的腹地范圍和內部結構特征。研究表明：1)以石家莊機場為中心，R=200 km的同心圓和90 min等時圈覆蓋的省域范圍內，覆蓋了超過95%的出港旅客客源地。2)市級尺度石家莊機場進/出港旅客的核心腹地是石家莊市，主要腹地是保定市，次要腹地是邢臺、衡水、滄州和邯鄲4市，6市的貢獻率高達約99%；縣級尺度腹地內的進/出港旅客出行強度呈現以機場為中心逐步衰減的圈層結構；鄉級尺度腹地內部呈現不連續特征，交通線附近旅客出行強度高；村級尺度進/出港旅客出行密度呈現城市>建制鎮>村莊的特征。

圖6 村級尺度進/出港旅客出行強度

基于手機信令大數據的機場腹地識別算法，借助出港旅客客源地分布圖和進港旅客目的地分布圖，真實刻畫了機場腹地分布范圍；通過不同級別行政區域的出行強度圖準確解析了機場腹地的內部結構特征，能動態監測機場腹地的分布特征和航空旅客的出行特征，為深入探索腹地內部進/出港旅客的出行規律以及診斷機場集疏運網絡運行效率提供了新方法，也為建構機場腹地的個性化扎根理論提供了支撐。如果能夠獲得全國范圍內的手機信令數據，則可避免省界周邊的進/出港旅客堆積效應；如果能夠獲得中國移動、中國聯通、中國電信三大運營商的手機信令數據，則可進一步提高機場腹地的識別精度。