陈艳艳：大数据时代，城市人口、生活和出行分析

11月23日，由中国智能交通协会、国家智能交通产业技术创新战略联盟主办的2017第十二届中国智能交通年会交通大数据应用论坛上，北京工业大学城市交通学院院长陈艳艳教授发表《大数据时代，城市人口、生活和出行分析》的演讲，本文为速记整理，未经演讲者本人审核。

北京工业大学城市交通学院院长 陈艳艳 教授

21世纪是数据信息大发展的时代，随着互联网、物联网、车联网的发展，人车路的有效联通实现了交通数据的全面感知。利用手机、IC卡及车载移动终端数据可以追踪整个出行链过程，通过交调、线圈、视频和浮动车数据可以实现对交通流参数的全天候立体获取，同时，伴随着智能驾驶技术、无人驾驶汽车及车联网的快速发展，车辆和驾驶员全方位行为获悉成为可能。
　　今天主要介绍利用多源异构交通大数据实现海量人口活动/出行全时空采集、出行过程的联合精准解析、人群类型预测、公交出行全过程精准探测及服务评价的相关内容。
　　一、交通大数据概述
　　过去以区域为单元来分析区域总的出行量情况，难以满足根据出行目的、人口类别、需求的随机变化进行精细化分析和预测的要求。大数据可以以个体为基本单元进行分析，对出行人群、常住人口和流动人口进行进一步的划分。
　　用手机信令数据进行京津冀的出行分析，首先在城市内部对出行个体进行长期跟踪，同时通过公交或地铁IC卡刷卡数据可以探测个体的公交出行行为，从而掌握出行个体的属性特征，例如：在哪儿工作、在哪儿居住等等。又比如对个体的聚类分析发现，某个群体的工作岗位都是在北京三环以内，但是居住都是郊外，这就可以解释向心交通产生的原因，从而勾勒整个城市出行的全时空形态。北京向心交通的形态大致为，夜间更多是四环或者五环以外的高集聚地方，到了七点左右开始往城里进，到八点是中心城区的CBD、中关村等呈现出中心的集聚，到了九点这种要求就更明显了。知道一天24小时个体出行的变化就可以更深入的理解人的出行过程。比如中午以后，就业中心就开始逐步的消散。

图1传统分析方式

类似CBD的地方都是职住分离明显的区域，大数据用通勤的距离衡量职住分离就会有更精准的了解，比如机场附近，在传统方式里就业岗位和居住是平衡的，事实上里面的业态分布和就业构成影响了传统职住分析的准确性。机场附近更多的是来到郊外的拆迁户，真正在这里工作的机场周边港区人员未必在这里居住，真正的通勤距离和就业、工作岗位是不一致的。
　　过去很少做周末调查，实际上在城市周末比平时要堵，但这些人不上班还要去哪儿呢？通过大数据分析，抽取出北京的职工周末时候时空分布情况。

图2北京市职工周末时空分布分析

很显然大部分的人要进城比较费劲，周末的时候就相对局限在偏远的地方。而外出的人沿着地铁沿线比较多，同时周末上班的人还是在CBD、中关村多一些，其中金融白领、商业白领和码农是加班族。从休闲娱乐可以分析出来后海公园和西单的人员流动情况，对一些景区短时间的人员流动情况可以起到很好的预测。
　　对于流动人口，通过长时间追踪每个人在一个地方的居住情况，就可以知道一个城市有多少流动人口，比如旅游人群、就业人群、劳务工人群都可以通过人群画像抽取出来，这些人目的很明显有就医、旅游等倾向。
　　二、城市（群）人口、生活、出行解析及预测
　　从城市的分析扩展到城市群也类似，北京是京津冀地区里高就业集聚的区域，工作岗位占37%。这样的高集聚自然也带来了人口的流动，由北京往外辐射的交通量远大于石家庄或者天津辐射量。利用各种移动终端的数据可以看出城市群之间紧密的联系，京津冀城市区相对来说还是各个城市单中心的发展，城市和城市之间还没有密切有机的联系，和长三角、珠三角有显著差异，所以交通一体化是先行推动区域发展的必要因素。
　　对外交通方面，外出人口基本是通过高铁和飞机来出行，以机场为例，由于目的不同，通过大数据可以分析出来哪些是旅客，哪些是机场的工作人员。

图3首都机场旅客、工作人员分布分析

　　到港旅客分布明显的随着出行距离进行衰减，工作人员是在港区附近进行就业。利用手机数据可以得出轨道客流情况，知道从机场到轨道的不同。

图4北京选择网约车出行个体的出行时耗分析

比如同样是东北部分出行时耗比较短，目的地选择东北区域比较多，南部的就是坐高铁出行。

图5基于重力模型的机场路侧交通分布预测模型

　　根据出行路阻和分布可以看出北京新机场建设未来的吸引范围是沿着地铁沿线到中心城区分布，可以更精准的预测外省市的分布。
　　我们还能够分区域进行深度挖掘，一个区域里有上班族的出行需要，也有突发性需求，还有一些偏离噪声性的需求，对这些进行精准的预测，而且这种预测精准度在短时预测上更好。比如对于厦门景区，哪些是就业区，哪些是景区，变化是不一样的，根据这些情况选择相应的交通方式去服务。
　　三、公共交通出行全过程精准探测及服务评价
　　公共交通方面，包括公交和地铁出行可以利用手机、IC卡数据，轨道出行方面，根据基站的切换可以知道轨道内的换乘数据，通过大数据的修正，轨道内的出行数据准确性可以达到95%以上。融合公交IC卡进行辨识可以了解公交出行的整个过程，包括等候时间，出行时间、换乘时间、客流情况、波动情况，并以此挖掘出行本质机理，例如：北京换乘环节占整个过程的40%，究竟是由什么原因导致的。
　　根据出行时间、出行距离及出行频次对公交出行聚类，可以区分不同类别的人，进行个性化的服务。
交　　通大数据可以实现海量个体出行全过程活动链一体化精准探测，对出行形态及多模式的交通客货流规律进行捕捉，人口、活动、设施与出行的关联关系进行挖掘研判，分类精准预测出行过程，从而为出行引导及服务、综合网络的构建和交通新业态的产生提供支撑。未来车联网、车路协作技术的发展，将为我们带来新的数据源及出行创新可能。