楊　超　朱榮榮　涂　然

(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室　上海 201804；

2.弗吉尼亞理工學(xué)院暨州立大學(xué)土木與環(huán)境工程學(xué)院　弗吉尼亞 黑堡 美國(guó) 24061)

?

基于智能手機(jī)調(diào)查數(shù)據(jù)的居民出行活動(dòng)特征分析*

楊超1▲朱榮榮1涂然2

(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室上海 201804；

2.弗吉尼亞理工學(xué)院暨州立大學(xué)土木與環(huán)境工程學(xué)院弗吉尼亞 黑堡 美國(guó) 24061)

摘要城市居民出行活動(dòng)信息是城市規(guī)劃、交通管理和居民行為研究的重要參考依據(jù)。采用傳統(tǒng)的基于入戶訪問(wèn)和紙質(zhì)問(wèn)卷的居民出行調(diào)查方式存在受訪者負(fù)擔(dān)重、調(diào)查精度低、調(diào)查成本高等問(wèn)題，設(shè)計(jì)并實(shí)現(xiàn)了一種基于嵌入GPS(Global Positioning System)模塊的智能手機(jī)的居民出行調(diào)查系統(tǒng)。通過(guò)高頻的手機(jī)GPS定位獲取居民出行軌跡，設(shè)計(jì)基于規(guī)則的軌跡數(shù)據(jù)處理算法，自動(dòng)提取出行信息。以上海市楊浦區(qū)同濟(jì)新村為例，對(duì)比傳統(tǒng)問(wèn)卷調(diào)查和基于手機(jī)的調(diào)查所得的出行數(shù)據(jù)。利用調(diào)查結(jié)果對(duì)基于智能手機(jī)調(diào)查的出行生成模型進(jìn)行系數(shù)修正，并對(duì)傳統(tǒng)調(diào)查方式的誤差進(jìn)行分析。發(fā)現(xiàn)傳統(tǒng)調(diào)查的總體誤差在33%左右，其中非基家出行的誤差更是達(dá)到近159%。最后，基于手機(jī)調(diào)查的數(shù)據(jù)，對(duì)區(qū)域內(nèi)居民活動(dòng)特征進(jìn)行分析。

關(guān)鍵詞交通大數(shù)據(jù)；居民出行調(diào)查；出行特征；智能手機(jī)；GPS

0引言

居民活動(dòng)特征包括出行次數(shù)，出行目的，出行方式分布，出行時(shí)間分布和出行空間分布等，是城市規(guī)劃、交通管理和居民行為研究的重要參考依據(jù)。居民出行調(diào)查起源于20世紀(jì)50年代的美國(guó)[1]，傳統(tǒng)的調(diào)查方法一般包括家訪法，電話問(wèn)詢法，明信片方法等。目前，國(guó)內(nèi)主要使用基于入戶訪問(wèn)和紙質(zhì)問(wèn)卷的調(diào)查方式。該方法的弊端十分明顯，即受訪者負(fù)擔(dān)重、調(diào)查精度低、調(diào)查成本高，已無(wú)法滿足城市快速發(fā)展的需求。GPS技術(shù)自20世紀(jì)90年代開(kāi)始被用于出行調(diào)查[2]，并體現(xiàn)了其巨大的潛力。近年來(lái)，嵌入GPS模塊的智能手機(jī)開(kāi)始大量出現(xiàn)和流行。根據(jù)Strategy Analytics發(fā)布的報(bào)告顯示，預(yù)計(jì)2015年全球智能手機(jī)用戶達(dá)25億，占總?cè)丝诘?5%[3]。這為利用智能手機(jī)進(jìn)行居民出行調(diào)查這種新的調(diào)查方式的推廣提供了可能。該方法既避免了受訪者攜帶手持GPS終端帶來(lái)的負(fù)擔(dān)，節(jié)約調(diào)查者額外的采購(gòu)成本，又能提供同樣較為準(zhǔn)確的定位數(shù)據(jù)。

基于定位技術(shù)的出行調(diào)查方式，能較為準(zhǔn)確地獲取用戶的時(shí)空位置信息，但無(wú)法直接得到出行起訖點(diǎn)，出行目的，交通方式等具體出行信息。因此，對(duì)軌跡數(shù)據(jù)的后期處理和分析是該調(diào)查方式的重點(diǎn)和難點(diǎn)。國(guó)內(nèi)外對(duì)出行信息提取的研究基本可分為出行識(shí)別、出行方式判斷和出行目的判斷。在出行識(shí)別中，劃分停留和出行區(qū)段的準(zhǔn)則一般有3種：①一段時(shí)間內(nèi)速度低于某個(gè)閾值[4-5]；②空間上點(diǎn)的群聚[6]；③相鄰定位點(diǎn)的時(shí)間差。在具體處理中，一般會(huì)參考一種或多種判斷方法。目前，對(duì)于出行識(shí)別的研究較多，行程識(shí)別正確率一般可達(dá)到80%以上[7]。在完成對(duì)軌跡數(shù)據(jù)的行程識(shí)別后，就可以從出行區(qū)段和停留區(qū)段的軌跡數(shù)據(jù)中提取用戶的出行方式和出行目的具體信息。研究者們?cè)诖罅繑?shù)據(jù)的基礎(chǔ)上，對(duì)出行軌跡點(diǎn)的速度、加速度以及停留的開(kāi)始結(jié)束時(shí)間和持續(xù)時(shí)間等特征進(jìn)行深入分析[8-10]。Schuessler等[9]將交通方式分為5種，采用基于速度和加速度的模糊邏輯方法進(jìn)行判斷。張德欣等[10]利用模糊推理機(jī)制，實(shí)現(xiàn)機(jī)動(dòng)車、自行車、步行3種出行方式的良好區(qū)分。Reumers[8]將出行目的分為6種，根據(jù)活動(dòng)開(kāi)始和持續(xù)時(shí)間建立決策樹(shù)分類模型判斷出行目的。然而，在沒(méi)有其他附加數(shù)據(jù)的輔助下，很難從軌跡數(shù)據(jù)中直接獲得較為細(xì)致的出行目的和交通方式。為了進(jìn)一步提高判斷準(zhǔn)確性，用戶的個(gè)人和家庭信息以及GIS數(shù)據(jù)，如土地利用性質(zhì)，興趣點(diǎn)(point of interest，POI)數(shù)據(jù)等越來(lái)越多地被應(yīng)用到了出行目的和出行方式判斷中[5, 11-12]。

目前，除了個(gè)別研究外[11, 13-14]，尚未有一套完整的、基于智能手機(jī)的被動(dòng)式居民出行調(diào)查體系，已有的研究也還未達(dá)到大規(guī)模使用的要求。在軌跡數(shù)據(jù)獲取方式上，以往對(duì)于手機(jī)在被動(dòng)式出行調(diào)查中的研究，多集中于手機(jī)網(wǎng)絡(luò)定位[15-17]，其定位精度較低，穩(wěn)定性差，無(wú)法滿足出行調(diào)查需要的精度。GPS軌跡數(shù)據(jù)的獲取大多采用手持GPS設(shè)備的方式，對(duì)于使用嵌入GPS的智能手機(jī)作為采集設(shè)備的研究較少。在軌跡數(shù)據(jù)處理方面，出行識(shí)別作為出行信息提取的第一步，是后續(xù)出行方式和目的判斷的基礎(chǔ)，需要保證更高的精度。對(duì)于出行方式和出行目的的判斷，復(fù)雜的機(jī)器學(xué)習(xí)算法受制于較長(zhǎng)的訓(xùn)練過(guò)程且并未表現(xiàn)出比基于規(guī)則的算法更高的精度[7]。出行目的推測(cè)中，通常用距離停留點(diǎn)最近的POI點(diǎn)來(lái)表示用戶的停留位置，因而在POI較密集區(qū)域判斷精度較低。最后，現(xiàn)有研究也未對(duì)出行信息提取結(jié)果在具體交通規(guī)劃領(lǐng)域的應(yīng)用及其與傳統(tǒng)調(diào)查方式結(jié)果在同一樣本群體中的差異做詳細(xì)的分析。

筆者提出了一套完整的基于規(guī)則的軌跡數(shù)據(jù)處理算法，使用開(kāi)發(fā)完成的基于智能手機(jī)的被動(dòng)式居民出行調(diào)查系統(tǒng)，對(duì)調(diào)查者同時(shí)進(jìn)行基于手機(jī)的出行調(diào)查和問(wèn)卷式的傳統(tǒng)調(diào)查。使用調(diào)查結(jié)果，對(duì)基于智能手機(jī)調(diào)查的出行生成模型進(jìn)行系數(shù)修正，并分析傳統(tǒng)調(diào)查方式的誤差。最后利用手機(jī)調(diào)查的數(shù)據(jù)，對(duì)調(diào)查區(qū)域內(nèi)的居民出行現(xiàn)狀和特征進(jìn)行分析，為之后系統(tǒng)的大規(guī)模使用提供范例。

1基于智能手機(jī)的出行調(diào)查系統(tǒng)設(shè)計(jì)

1.1系統(tǒng)簡(jiǎn)介

系統(tǒng)采用基于定位技術(shù)的被動(dòng)式調(diào)查方式，即受訪者只需隨身攜帶定位設(shè)備(智能手機(jī))出行而不需做任何操作，在出行結(jié)束后上傳數(shù)據(jù)便可完成調(diào)查。系統(tǒng)由手機(jī)客戶端和網(wǎng)絡(luò)服務(wù)器端兩部分組成，其結(jié)構(gòu)見(jiàn)圖1。用戶在手機(jī)上安裝客戶端后，先進(jìn)行注冊(cè)，填寫(xiě)家庭和個(gè)人信息，并在地圖中定位家和工作地點(diǎn)位置。出行時(shí)保持GPS功能開(kāi)啟，程序會(huì)自動(dòng)在后臺(tái)運(yùn)行并以1 s為間隔采集定位數(shù)據(jù)，保存于手機(jī)本地并可通過(guò)手動(dòng)或自動(dòng)方式上傳至服務(wù)器。服務(wù)器端通過(guò)軌跡數(shù)據(jù)處理算法，結(jié)合POI數(shù)據(jù)及用戶基本信息分析用戶的出行信息(出行方式，出行目的，出行次數(shù)等)。為了獲取用戶的真實(shí)出行數(shù)據(jù)來(lái)檢驗(yàn)算法精度并對(duì)算法進(jìn)行修正，設(shè)計(jì)基于網(wǎng)頁(yè)的用戶反饋端。用戶在出行結(jié)束第二天登錄網(wǎng)絡(luò)反饋?lái)?yè)面，選擇指定出行的日期，頁(yè)面上的出行信息表中顯示算法運(yùn)算得到的具體出行信息，并且各次出行的起訖點(diǎn)和交通方式轉(zhuǎn)換點(diǎn)均會(huì)在頁(yè)面的地圖中顯示。用戶可以根據(jù)地圖和表格回憶實(shí)際出行，并手動(dòng)修改表格中的出行信息，拖動(dòng)地圖中的出行端點(diǎn)或進(jìn)行增加和刪除出行的操作。校核后的數(shù)據(jù)提交并保存于服務(wù)器中作為精度判斷的對(duì)照數(shù)據(jù)。

圖1　系統(tǒng)結(jié)構(gòu)示意圖Fig.1　Architecture of the system

1.2數(shù)據(jù)處理

在基于定位技術(shù)的被動(dòng)式出行調(diào)查中，具體的出行信息，即每次出行的起訖點(diǎn)，到發(fā)時(shí)間，出行目的，交通方式等，需要通過(guò)對(duì)采集的定位數(shù)據(jù)的時(shí)間序列進(jìn)行處理和分析獲得。因此，時(shí)空軌跡數(shù)據(jù)的后期處理顯得尤為重要。

圖2　數(shù)據(jù)處理流程Fig.2　Post processing procedure of GPS data

系統(tǒng)將出行方式分為步行，自行車，地面公交，軌道交通，小汽車5種。通過(guò)提取時(shí)長(zhǎng)滿足要求的信號(hào)丟失區(qū)段(Tgap>120 s)，將兩停留點(diǎn)間的行程劃分成單一模式區(qū)段。提取各區(qū)段的平均速度，95%位加速度，出行距離，出行時(shí)長(zhǎng)特征，利用隸屬函數(shù)加權(quán)判別法[18]判斷各區(qū)段的出行方式。接著，根據(jù)信號(hào)丟失區(qū)段端點(diǎn)附近的換乘站點(diǎn)信息以及兩邊區(qū)段的交通方式，對(duì)方式判斷結(jié)果進(jìn)行整理與校核，得到各區(qū)段最終的出行方式并對(duì)轉(zhuǎn)換點(diǎn)進(jìn)行檢驗(yàn)。

在目的判斷中，系統(tǒng)將出行目的分為9類，分別為：上班，上學(xué)，業(yè)務(wù)，社會(huì)娛樂(lè)，購(gòu)物餐飲，探親訪友，看病探病，回家和其他。利用起訖點(diǎn)附近的POI信息結(jié)合用戶的家庭住址和工作地點(diǎn)共同判斷用戶的出行目的。當(dāng)起訖點(diǎn)在家庭住址、工作或上學(xué)地點(diǎn)100 m范圍內(nèi)時(shí)，判斷出行目的分別為回家、上班或上學(xué)出行。對(duì)于其他類型的出行，通過(guò)停留位置建筑類型來(lái)推斷出行目的。利用POI數(shù)據(jù)建立核密度估計(jì)模型[19]，計(jì)算起訖點(diǎn)所在位置周圍不同POI類型的功能性強(qiáng)度，選取核密度最大的POI類型對(duì)應(yīng)的出行目的作為最終的出行目的。

1.3算法精度檢驗(yàn)

選取22位志愿者對(duì)系統(tǒng)進(jìn)行測(cè)試。調(diào)查收集109 d的出行數(shù)據(jù)。每位志愿者的調(diào)查天數(shù)有1～13 d不等。以用戶網(wǎng)絡(luò)反饋的結(jié)果作為實(shí)際出行信息，對(duì)算法運(yùn)算結(jié)果進(jìn)行檢驗(yàn)。應(yīng)用查全率，查準(zhǔn)率以及F1-measure[8]指標(biāo)對(duì)停留點(diǎn)，出行目的，出行方式精度進(jìn)行評(píng)價(jià)。

測(cè)試不同的Lstay和Tstay組合下的判斷精度，最終選擇100 m和210 s作為參數(shù)。此時(shí)，精度的綜合評(píng)價(jià)值F1-measure達(dá)到最大值95.2%。出行方式判斷的總體精度達(dá)84%，其中步行判斷精度達(dá)97.7%，小汽車判斷精度為78.7%，其余方式的精度都在85%以上。出行目的判斷的總體精度達(dá)86%。由于家庭、工作和上學(xué)地點(diǎn)的位置已知，通勤和回家的判斷精度較高，均在95%以上。因此，系統(tǒng)對(duì)于基家出行和通勤出行有較高辨識(shí)度。另外，對(duì)于業(yè)務(wù)和購(gòu)物餐飲出行，判斷精度在60%左右。而其他類型的出行目的，由于樣本缺失，或較少較難分析其精度。

2傳統(tǒng)調(diào)查與基于智能手機(jī)調(diào)查結(jié)果對(duì)比

選取上海市楊浦區(qū)同濟(jì)新村作為調(diào)查區(qū)域，同時(shí)進(jìn)行傳統(tǒng)方式和基于智能手機(jī)的居民出行調(diào)查。被調(diào)查者需事先在手機(jī)中安裝系統(tǒng)客戶端并完成注冊(cè)，在預(yù)先告知的調(diào)查日(2014年4月16日或23日，均為星期三)當(dāng)天保持客戶端開(kāi)啟。在1 d出行結(jié)束后上傳客戶端本地?cái)?shù)據(jù)，同時(shí)填寫(xiě)一份紙質(zhì)的傳統(tǒng)居民出行調(diào)查問(wèn)卷。同濟(jì)新村共有居民2 184名，本次調(diào)查共獲得17位居民共17個(gè)工作日的出行數(shù)據(jù)，抽樣率為0.77%。受訪者均為40周歲以下的上班、上學(xué)通勤者。

2.1調(diào)查結(jié)果初步分析

根據(jù)所收集的數(shù)據(jù)，對(duì)兩種調(diào)查方式的結(jié)果從出行時(shí)間、出行方式、出行目的3個(gè)方面進(jìn)行對(duì)比，見(jiàn)圖3。

由圖3(a)可見(jiàn)，無(wú)論是手機(jī)調(diào)查還是傳統(tǒng)調(diào)查，出行均開(kāi)始于07:00～08:00時(shí)以后，結(jié)束于22:00時(shí)。在趨勢(shì)方面，手機(jī)調(diào)查的數(shù)據(jù)變化趨勢(shì)較為平緩，幾乎在每個(gè)時(shí)間段均有出行，而傳統(tǒng)調(diào)查的數(shù)據(jù)變化較大，并且普遍集中在早晚高峰2個(gè)時(shí)間段。圖3(b)顯示，2種調(diào)查方式之間步行的差別最大。出現(xiàn)上述情況的原因，很可能是由于被調(diào)查者對(duì)于出行的概念不甚清楚，對(duì)自己某1 d內(nèi)的出行記憶有所偏差，在填寫(xiě)調(diào)查問(wèn)卷時(shí)容易遺漏一些，例如，午餐、晚餐、購(gòu)物等目的的非通勤的其他出行。通常，步行的適用距離范圍有限，除了家和工作單位距離較近這一情況之外，主要步行出行則發(fā)生于散步、購(gòu)物和就餐等以休閑娛樂(lè)為目的的出行中。因此可以推斷，傳統(tǒng)調(diào)查所獲得的出行次數(shù)之所以比手機(jī)調(diào)查的出行次數(shù)少，主要是由于被調(diào)查者未填寫(xiě)部分的步行出行造成的。

圖3　兩種調(diào)查方式出行特征對(duì)比Fig.3　Trip characteristics derived from different survey methods

在出行目的方面，圖3(c)，3(d)顯示購(gòu)物餐飲，社會(huì)娛樂(lè)，業(yè)務(wù)出行的在傳統(tǒng)調(diào)查中的漏報(bào)數(shù)量較高，也很好地印證了上面的推斷。同時(shí)，由于被調(diào)查者未填寫(xiě)部分中午和晚上就餐的出行，而就餐之后回單位會(huì)產(chǎn)生一次非基家的上班出行，從而導(dǎo)致相應(yīng)的上班目的的出行誤差隨之增大?；业耐ㄇ诔鲂休^為規(guī)律，被出行者漏報(bào)的可能性比較小，而基家其他出行和非基家出行則漏報(bào)率較大。

2.2出行生成模型參數(shù)修正

在交通需求預(yù)測(cè)時(shí)，出行生成是四步驟模型的第一步，通常采用回歸分析法或交叉分類法，建立交通產(chǎn)生與吸引的各主要影響因素與交通量之間的關(guān)系。傳統(tǒng)調(diào)查的出行生成模型可以通過(guò)對(duì)調(diào)查數(shù)據(jù)進(jìn)行分析來(lái)建立。由于基于手機(jī)的調(diào)查方式在原理上與傳統(tǒng)調(diào)查方式不同，對(duì)樣本進(jìn)行建模得到的出行生成率公式也不相同。使用2009年上海市楊浦區(qū)四平路街道部分社區(qū)的出行調(diào)查結(jié)果進(jìn)行參數(shù)標(biāo)定，得到傳統(tǒng)調(diào)查的出行產(chǎn)生模型。利用本文中傳統(tǒng)調(diào)查和基于智能手機(jī)調(diào)查的結(jié)果，對(duì)傳統(tǒng)調(diào)查的出行產(chǎn)生模型參數(shù)進(jìn)行修正，得到手機(jī)調(diào)查的出行產(chǎn)生模型。

對(duì)出行產(chǎn)生量預(yù)測(cè)采用交叉分類法中的產(chǎn)生率法。將出行對(duì)象按照社會(huì)經(jīng)濟(jì)、家庭情況分成不同的類型、不同的出行目的進(jìn)行分析，確定各交叉類別的出行率，具體公式如下。

(1)

式中：Pi為i區(qū)的出行產(chǎn)生量；Rik為i區(qū)第k種出行目的的出行率[次/(人·d)]，Tik為i區(qū)第k種出行目的人口數(shù)。模型中的將出行目的共分為4種：基家工作(HBW)、基家上學(xué)(HBS)、基家其他(HBO)、非基家出行(NHB)。

小區(qū)i中第k種出行目的的出行產(chǎn)生量為Pik=RikTik。選取2009年出行調(diào)查結(jié)果中，與本文志愿者年齡段相符的用戶的出行數(shù)據(jù)，共計(jì)6個(gè)位于同濟(jì)新村周邊的居民小區(qū)中，230個(gè)用戶(抽樣率為0.61%)，497條出行記錄。根據(jù)擴(kuò)樣系數(shù)統(tǒng)計(jì)各個(gè)小區(qū)不同出行目的的出行量和出行人數(shù)，用最小二乘法標(biāo)定參數(shù)Rik，得到不同出行目的的出行生成率如表1第1列，p值和R2分別為第2，3列。除了非基家出行外，R2均大于0.6，參數(shù)擬合效果較好。非基家出行的出行率擬合效果較差，可能是由于不同小區(qū)非基家出行有較大差異性。對(duì)于基于手機(jī)的調(diào)查方法，模型參數(shù)通過(guò)如下的差值比例法獲得，并假設(shè)各出行目的的人口數(shù)是一致的。

ΔPik=ΔRik×Tik

(2)

式中：ΔPi為2種調(diào)查方式出行產(chǎn)生量的差值，ΔRik為兩者的產(chǎn)生率差值。

根據(jù)2種方式調(diào)查得到的分目的出行量(見(jiàn)圖3(d))，由式(2)可計(jì)算得基于手機(jī)調(diào)查數(shù)據(jù)的出行產(chǎn)生率如表1第4列。在基家通勤出行方面，2種調(diào)查方式的差別并不是很大。根據(jù)式(1)分別計(jì)算得2種方式的出行產(chǎn)生量如表1的5，6列。可以發(fā)現(xiàn)，若以手機(jī)調(diào)查數(shù)據(jù)作為基準(zhǔn)，在基家的其他出行及非基家出行中，傳統(tǒng)調(diào)查的誤差分別達(dá)到了73%和159%。傳統(tǒng)調(diào)查的總體誤差約為33%。

表1　分目的的出行產(chǎn)生率和產(chǎn)生量計(jì)算結(jié)果

3基于手機(jī)調(diào)查的出行特征分析

基于手機(jī)的出行調(diào)查方法雖然存在定位誤差，算法精度等方面的問(wèn)題，但其總體調(diào)查精度相比傳統(tǒng)問(wèn)卷調(diào)查有一定提升。利用手機(jī)調(diào)查數(shù)據(jù)，對(duì)同濟(jì)新村小區(qū)內(nèi)的居民進(jìn)行出行特征分析。由于樣本量的限制，分析結(jié)果并不一定能完全反映同濟(jì)新村全體居民的真實(shí)出行情況?；诖耍挛牡姆治鲋皇亲鳛楸敬窝芯康耐卣购秃罄m(xù)研究的范例。

3.1出行時(shí)間分布

小區(qū)的出行早晚高峰明顯，且晚高峰持續(xù)時(shí)間比早高峰長(zhǎng)很多，如圖4。早高峰出行相對(duì)集中，主要在07：00～09：00時(shí)，而晚高峰持續(xù)時(shí)間較長(zhǎng)，主要在17：00～21：00時(shí)。由圖5得，小區(qū)居民出行早高峰主要由基家出行構(gòu)成，其中基家工作出行量占早高峰總出行量比重很大，超過(guò)63%，這與本次調(diào)查選取的樣本有關(guān)。午間出行量主要由基家其他出行構(gòu)成，占午間高峰總量的50%。晚高峰的構(gòu)成比較豐富，17：00～18：00時(shí)非基家出行占較大比例，接下來(lái)幾個(gè)小時(shí)直到20：00時(shí)都以基家其他出行為主，占該時(shí)段總出行量76.4%，非基家出行和基家工作出行比例分別為17.6%和5.9%。

圖4　出行時(shí)間分布比例圖Fig.4　Travel time distribution

圖5　分目的的出行時(shí)間分布比例圖Fig.5　Travel time distribution of different purposes

3.2出行方式

根據(jù)上海市第4次綜合交通調(diào)查的報(bào)告顯示，上海市中心城個(gè)體機(jī)動(dòng)方式占總量的14.1%，步行占28.9%，軌道交通占4.3%，與本次調(diào)查所顯示的結(jié)果出入較大。由于本次調(diào)查的范圍較小，樣本量較少且集中在20～40歲年齡段，因此調(diào)查結(jié)果并不能反映上海市總體情況，但在該年齡段的居民中具有一定的代表性。根據(jù)統(tǒng)計(jì)，該小區(qū)居民的出行多以地鐵和步行為主，分別占41.07%和33.93%，自行車、公交車和小汽車的比例則很小。由于本次調(diào)查的抽樣樣本皆為青年人，收入不高，且一部分居民的家庭住址和工作地址較為接近，因此調(diào)查結(jié)果中步行和地鐵的分擔(dān)率略高于上海市綜合交通調(diào)查的結(jié)果。

將出行目的劃分為通勤和非通勤兩部分，分別進(jìn)行方式統(tǒng)計(jì)，見(jiàn)圖6。通勤出行中，地鐵所占比例非常大，占總通勤交通量的50%，機(jī)動(dòng)化出行方式中，小汽車比例也較高，為12.5%。而非通勤交通中，地鐵也占有絕對(duì)優(yōu)勢(shì)，占總非通勤出行量的46.88%，其次為步行，比例為40.63%。通勤出行由于其規(guī)律性和時(shí)間的限制性，對(duì)于交通方式的便捷度和價(jià)格要求很高，因此一般而言，通勤出行對(duì)于機(jī)動(dòng)化方式尤其是公共交通的依賴程度較高。而非通勤出行中，出行者對(duì)交通方式的便捷程度、舒適度和靈活性最為關(guān)注，因此慢行交通的比例相對(duì)較高。而在本次調(diào)查中，通勤交通中步行的比例也較高，這主要由2個(gè)原因造成：①工作日午餐晚餐結(jié)束后的回單位出行；②一部分被調(diào)查者的工作單位位于同濟(jì)大學(xué)周邊如聯(lián)合廣場(chǎng)等商圈內(nèi)，處于步行可達(dá)范圍內(nèi)，因此即使是通勤交通，步行也完全可以滿足要求。

圖6　通勤/非通勤出行方式分布比例圖Fig.6　Travel mode distribution ofcommuter/non-commuter

3.3換乘分析

在手機(jī)調(diào)查中，停留點(diǎn)判斷的距離閾值為100 m，因此較近距離的步行和其他交通方式換乘時(shí)，步行出行段無(wú)法被單獨(dú)判別出來(lái)，而是被合并到下一出行段或者停留點(diǎn)中。除了涉及到較近距離步行的換乘之外，其他方式的換乘可以較好地識(shí)別。據(jù)統(tǒng)計(jì)，小區(qū)居民更傾向于公共交通方式內(nèi)的換乘，即公交車和地鐵、地鐵和地鐵及公交車和公交車之間的換乘，該種換乘方式占總換乘方式的70.97%。小汽車-公交之間的換乘占總換乘方式的12.9%，這種換乘包括公交-出租車、公交-單位用車和公交-小汽車等方式，在本次調(diào)查中，主要指公交-單位用車這一種換乘。在同濟(jì)新村居民全天的出行中，需要換乘的出行占總出行量的52%。其中，1次換乘占主要部分，占80.77%，2次換乘的比例較少，為19.23%。因此，同濟(jì)新村居民出行較為便捷，公交換乘也較為便利。

4 結(jié)束語(yǔ)

本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于智能手機(jī)的居民出行調(diào)查系統(tǒng)。在小范圍內(nèi)對(duì)同一樣本人群分別進(jìn)行傳統(tǒng)問(wèn)卷調(diào)查和基于智能手機(jī)的出行調(diào)查。利用調(diào)查結(jié)果，參考上海交通需求預(yù)測(cè)模型，對(duì)基于智能手機(jī)出行調(diào)查的出行生成模型進(jìn)行參數(shù)修正，并計(jì)算傳統(tǒng)調(diào)查的誤差水平，得到傳統(tǒng)調(diào)查整體誤差約為33%，其中基家的其他出行和非基家出行的誤差較大，分別為73%和159%。最后利用基于手機(jī)調(diào)查的數(shù)據(jù)，對(duì)調(diào)查區(qū)域內(nèi)的居民進(jìn)行出行量、出行目的、出行方式、出行時(shí)間、換乘情況等方面的特征分析，為基于手機(jī)的出行調(diào)查在今后的大規(guī)模使用提供了一定的研究示例。

由于調(diào)查條件的限制，在算法精度分析以及2種調(diào)查方式對(duì)比時(shí)使用的樣本量均較小，且受訪者大多為年輕的通勤者。增加測(cè)試的樣本量和人群多樣性，進(jìn)一步優(yōu)化軌跡數(shù)據(jù)處理算法和手機(jī)調(diào)查的出行生成模型，是下一步的研究方向。

參考文獻(xiàn)

[1]WOLF J. Using GPS data loggers to replace travel diaries in the collection of travel data[D]. Ann Arbor: Georgia Institute of Technology, 2000.

[2]MURAKAMI E, WAGNER D P. Can using global positioning system (GPS) improve trip reporting?[J]. Transportation Research Part C: Emerging Technologies, 1999, 7(2): 149-165.

[3]OH W. Global smartphone user penetration forecast by 88 countries 2007 to 2020[EB/OL].(2014-07-23)[2015-09-28] https://www.strategyanalytics.com/access-services/devices/mobile-phones/smartphone/smartphones/reports/report-detail/global-smartphone-user-penetration-forecast-by-88-countries-2007-to-2020#.VgjuAvmSzXk.

[4]仇培元. 城市出行者軌跡數(shù)據(jù)時(shí)空挖掘方法研究[D]. 北京: 北京建筑工程學(xué)院, 2012.

QIU Peiyuan. Research on spatio-temporal mining method for trajectory data of urban travelers[D]. Beijing: Beijing University of Civil Engineering and Architecture, 2012. (in Chinese)

[5]WOLF J, GUENSLER R, BACHMAN W. Elimination of the travel diary: experiment to derive trip purpose from global positioning system travel data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2001, 1768(1): 125-134.

[6]張 波. 用于交通出行調(diào)查的 GPS 時(shí)空軌跡數(shù)據(jù)簡(jiǎn)化與語(yǔ)義增強(qiáng)研究[D]. 上海: 華東師范大學(xué), 2011.

ZHANG Bo, Research onsimplification and aemantics enhancement of apatio-temporal GPS trajectory from travel survey[D]. Shanghai: East China Normal University, 2011. (in Chinese)

[7]SHEN L, STOPHER P R. Review of GPS travel survey and GPS data-processing methods[J]. Transport Reviews, 2014, 34(3): 316-334.

[8]REUMERS S, LIU F, JANSSENS D, et al. Semantic annotation of GPS traces: activity type inference[C]. 92thAnnual Meeting of the Transportation Research Board, Washington D. C.: TRB, 2013.

[9]SCHUESSLER N, AXHAUSEN K W. Processing raw data from global positioning systems without additional information[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2105(1): 28-36.

[10]張德欣，劉小明，孫立光，等. 基于大規(guī)模定位數(shù)據(jù)的出行方式模糊判別研究[J]. 交通信息與安全, 2011, 29(2): 1-4.

ZHANG Dexin, LIU Xiaoming, SUN Liguang, et al. Fuzzy classification of trip mode based on large scale location data[J]. Journal of Transport Information and Safety, 2011, 29(2): 1-4. (in Chinese)

[11]STOPHER P, CLIFFORD E, ZHANG J, et al. Deducing mode and purpose from GPS data[R]. Sydney: Institute of Transport and Logistics Studies, 2008.

[12]MCGOWENP T. Predicting activity types from GPS and GIS data[D]. Irvine: University of California, 2006.

[13]BOHTE W, MAAT K. Deriving and validating trip purposes and travel modes for multi-day GPS-based travel surveys: a large-scale application in the Netherlands[J]. Transportation Research Part C: Emerging Technologies, 2009, 17(3): 285-297.

[14]WINTERS P L, BARBEAU S J, GEORGGI N L. Smart phone application to influence travel behavior (TRAC-IT phase 3)[R]. Florida: National Center for Transit Research (NCTR), 2008.

[15]黃美靈，陸百川. 基于手機(jī)定位的交通OD數(shù)據(jù)獲取技術(shù)[J]. 重慶交通大學(xué)學(xué)報(bào)：自然科學(xué)版, 2010, 29(1): 162-166.

HUANG Meiling, LU Baichuan.Traffic OD data collection technology based on mobile phone location[J]. Journal of Chongqing Jiaotong University：Natural Science Edition, 2010, 29(1): 162-166. (in Chinese)

[16]羅 勇，王晏民，張健欽. 基于手機(jī)位置數(shù)據(jù)的居民出行信息挖掘和分析方法研究[J]. 北京建筑工程學(xué)院學(xué)報(bào), 2012, 28(1): 40-44.

LUO Yong, WANG Yanmin, ZHANG Jianqin. Research of residents’ travel information mining and analysis methods based on mobile phone location data[J]. Journal of Beijing University of Civil Engineering and Architecture, 2012, 28(1): 40-44.

[17]張 博. 基于手機(jī)網(wǎng)絡(luò)定位的 OD 調(diào)查的出行方式劃分研究[D]. 北京: 北京交通大學(xué), 2010.

ZHANG Bo. Research on trip modal split of OD survey based on the cellular positioning system[D]. Beijing: Beijing Jiaotong University, 2010. (in Chinese)

[18]XU C, JI M, CHEN W, et al. Identifying travel mode from GPS trajectories through fuzzy pattern recognition[C]. 7thInternational Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Yantai: IEEE, 2010.

[19]YUAN J, ZHENG Y, XIE X. Discovering regions of different functions in a city using human mobility and POIs[C]. 18thACM SIGKDD international conference on Knowledge discovery and data mining, Beijing, China: ACM, 2012：186-194.

Analysis of the Travel Characteristics of Residents in Shanghai

Using the Itinerary Data Collected from Smartphones

YANG Chao1▲ZHU Rongrong1TU Ran2

(1.KeyLaboratoryofRoadandTrafficEngineeringoftheMinistryofEducation,

TongjiUniversity,Shanghai201804,China;

2.DepartmentofCivilandEnvironmentalEngineering,VirginiaPolytechnicInstituteand

StateUniversity,Blacksburg24061,Virginia,UnitedStates)

Abstract：Travel data of urban residents is an important base for urban planning, traffic management and behavior research. Traditional methods such as face-to-face interview and paper-based questionnaire are of high cost and low accuracy. This study develops a travel survey system based on GPS-enabled smartphones. A rule-based algorithm is proposed to extract travel information automatically from high-frequency GPS data collected by smartphones. A case study is carried out at New Tongji Village, a residential area in Shanghai. A comparison of travel data obtained from traditional questionnaire-based surveys and smartphone-based surveys is also made. The results from the questionnaire survey are used to improve the parameters of the trip generation model based on the data from the smartphone-based survey, and the inaccuracy in traditional questionnaire-based survey is also studied. It is shown that the overall error of the traditional survey is about 33%, and the error for non-home-based travel is as high as 159%. Finally, travel behavior of urban residents is also analyzed based on the data from smartphone-based survey.

Key words：big data; household travel survey; trip characteristics; smartphone; GPS

通信作者▲第一作者()簡(jiǎn)介：楊超(1974-)，博士，教授.研究方向：交通運(yùn)輸規(guī)劃與管理.E-mail: tongjiyc@#edu.cn

基金項(xiàng)目*國(guó)家自然科學(xué)(批準(zhǔn)號(hào)：71171147)資助

收稿日期：2015-10-08修回日期：2015-11-29

中圖分類號(hào)：U491.1

文獻(xiàn)標(biāo)志碼：A

doi：10.3963/j.issn 1674-4861.2015.06.004