趙光華，賴見輝，陳艷艷，孫浩冬，張 野

(1.中國(guó)建筑設(shè)計(jì)研究院有限公司 交通規(guī)劃研究中心，北京 100044； 2.北京工業(yè)大學(xué) 城市交通學(xué)院，北京 100124)

0 引言

隨著移動(dòng)通信技術(shù)的高速發(fā)展，手機(jī)持有群體逐年攀升。手機(jī)定位數(shù)據(jù)來(lái)源于手機(jī)用戶使用通信運(yùn)營(yíng)服務(wù)商網(wǎng)絡(luò)時(shí)產(chǎn)生的數(shù)據(jù)，具有覆蓋群體廣、成本低，可大范圍、全天候?qū)崿F(xiàn)對(duì)個(gè)體出行軌跡的追蹤等優(yōu)點(diǎn)。

手機(jī)定位數(shù)據(jù)采集的原理：處于待機(jī)狀態(tài)的手機(jī)通過(guò)基站(Base Station, BS)與無(wú)線通信網(wǎng)絡(luò)保持聯(lián)系，手機(jī)觸發(fā)特定的事件時(shí)，包括主叫、被叫，收發(fā)短信，開、關(guān)機(jī)，小區(qū)切換，周期性位置更新，正常位置更新等，通信網(wǎng)絡(luò)記錄觸發(fā)事件信息。

用戶的運(yùn)動(dòng)狀態(tài)包括移動(dòng)和停留，它是大數(shù)據(jù)環(huán)境下研究用戶出行行為特征的關(guān)鍵性表征指標(biāo)，可用于研究用戶出行起訖點(diǎn)(Origin and Destination, OD)[1-3]、職住[4-5]、出行目的[6-7]、交通方式[4,8-10]、出行路徑[11]等，但是受手機(jī)定位數(shù)據(jù)采集原理影響，存在數(shù)據(jù)采集間隔周期大、不固定、定位誤差大的特征。為解決這些問(wèn)題，國(guó)內(nèi)外研究學(xué)者從空間聚類的角度提出了不出的方法，如DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、增長(zhǎng)聚類等方法。

出行OD是指一次有目的地交通出行過(guò)程，通常由出行開始時(shí)間、位置，結(jié)束時(shí)間、位置構(gòu)成。

目前利用手機(jī)信令數(shù)據(jù)挖掘出行OD方法主要通過(guò)已知規(guī)則的設(shè)定進(jìn)行識(shí)別，如宋璐[1]通過(guò)設(shè)置時(shí)間閾值、半動(dòng)態(tài)距離閾值的OD判別規(guī)則判斷各個(gè)軌跡點(diǎn)的賦予狀態(tài)屬性:移動(dòng)點(diǎn)、逗留點(diǎn)、暫時(shí)逗留點(diǎn)等，進(jìn)而得到交通OD；戚新洲等[2]設(shè)計(jì)了空間—時(shí)間約束平滑方法，通過(guò)時(shí)間和空間閾值的設(shè)置，對(duì)出行鏈的停留點(diǎn)進(jìn)行識(shí)別，提取出行OD；Li等[3]通過(guò)分析基站信號(hào)數(shù)據(jù)觸發(fā)模式的特點(diǎn)提取OD。通過(guò)已知規(guī)則判斷方法優(yōu)點(diǎn)是思路清晰明確，易操作、好理解，但缺點(diǎn)是閾值規(guī)則的制定存在較強(qiáng)的主觀性，存在大量邊界用戶容易誤差。

近幾年隨著機(jī)器學(xué)習(xí)方法的不斷完善，通過(guò)先驗(yàn)知識(shí)訓(xùn)練分類器，對(duì)數(shù)據(jù)表現(xiàn)的行為開展預(yù)測(cè)越來(lái)越成熟。本文通過(guò)志愿者建立先驗(yàn)樸素貝葉斯分類(Naive Bayes Classification, NBC)算法，并利用廈門的實(shí)際數(shù)據(jù)開展精度檢驗(yàn)。

1 手機(jī)定位數(shù)據(jù)特征

圖1 手機(jī)信令數(shù)據(jù)軌跡示意圖Fig. 1 Schematic diagram of trajectory of mobile signaling data

1.1 乒乓切換

“乒乓切換”是手機(jī)定位數(shù)據(jù)的一大特色問(wèn)題，它是由于在一定區(qū)域里兩基站信號(hào)強(qiáng)度劇烈變化，手機(jī)就會(huì)在兩個(gè)基站間來(lái)回切換，產(chǎn)生所謂的“乒乓效應(yīng)”，如圖2所示。手機(jī)所處位置被CI- 1、CI- 2和CI- 3三個(gè)基站扇區(qū)覆蓋，當(dāng)信號(hào)強(qiáng)度發(fā)生變化時(shí)，手機(jī)連接的扇區(qū)可能在三個(gè)中任意一個(gè)，根據(jù)定位原理，手機(jī)被認(rèn)為在扇區(qū)中心位置，造成手機(jī)位置乒乓切換，而真實(shí)位置可能沒(méi)有任何移動(dòng)。

圖2 “乒乓切換”示意圖Fig. 2 Schematic diagram of “ping-pong switching”

根據(jù)賴見輝[12]的統(tǒng)計(jì)數(shù)據(jù)表明，停留時(shí)段中約92.2%的時(shí)間存在乒乓切換，平均距離1 030.54 m，表明乒乓切換普遍存在。

1.2 時(shí)間分布

手機(jī)信令數(shù)據(jù)采集不具有固定周期，按時(shí)間先后順序，統(tǒng)計(jì)在不同時(shí)段相鄰記錄之間的時(shí)間差值，如圖3所示：在白天7:00—19:00時(shí)，數(shù)據(jù)產(chǎn)生的平均時(shí)間間隔約1 800 s，標(biāo)準(zhǔn)差為3 000 s左右；在夜間時(shí)段平均時(shí)間間隔約則為4 000 s左右，標(biāo)準(zhǔn)差為4 500 s。表明手機(jī)信令數(shù)據(jù)在白天時(shí)段采集數(shù)據(jù)的平均時(shí)間間隔小于夜間；相鄰時(shí)間間隔波動(dòng)性較大，且夜間大于白天。

圖3 手機(jī)信令數(shù)據(jù)產(chǎn)生的時(shí)間間隔特征Fig. 3 Time interval characteristics generated by mobile signaling data

不具有固定周期的離散數(shù)據(jù)，加上手機(jī)定位數(shù)據(jù)產(chǎn)生原理帶來(lái)的定位誤差，容易導(dǎo)致局部時(shí)間范圍內(nèi)數(shù)據(jù)密度過(guò)高或者過(guò)于稀疏，均不利于數(shù)據(jù)分析。為減少該問(wèn)題對(duì)數(shù)據(jù)分析的影響，本文采用數(shù)據(jù)線性填補(bǔ)方式進(jìn)行修正，過(guò)程如下：

以固定時(shí)間間隔Tf進(jìn)行數(shù)據(jù)填補(bǔ)與聚合，把原始記錄(xi,yi,ti)與最近的整數(shù)倍Tf對(duì)應(yīng)上，將(xi,yi,ti)賦予該時(shí)間。若Tf整數(shù)倍的前后時(shí)間存在多條記錄，xi和yi以平均值代替；若Tf整數(shù)倍的前后時(shí)間均無(wú)原始數(shù)據(jù)，以最近的(xi,yi,ti)進(jìn)行線性插值，前后兩條記錄時(shí)間間隔超過(guò)閾值Ts時(shí)，認(rèn)為用戶數(shù)據(jù)空缺，可能外出造成，不填補(bǔ)數(shù)據(jù)。Ts用于界定用戶是否還在研究區(qū)域活動(dòng)的時(shí)間閾值，取值大小與分析對(duì)象區(qū)域的范圍大小有關(guān)，若相鄰記錄的時(shí)間間隔大于Ts，認(rèn)為用戶已經(jīng)離開對(duì)象區(qū)域，反之亦然。

1.3 空間分布

城市出行活動(dòng)人員可分為本地常住人員和外地臨時(shí)流動(dòng)人員。常住人員的出行活動(dòng)主要表現(xiàn)為通勤[13]，具有固定的上下班周期和停留點(diǎn)；流動(dòng)人員主要包括旅游、商務(wù)等，其活動(dòng)地點(diǎn)不固定，出行時(shí)間總體規(guī)律性不強(qiáng)。

常住人員的居住地空間位置，與就業(yè)地、周邊鄰近商業(yè)、娛樂(lè)區(qū)的距離，對(duì)出行過(guò)程中交通工具的選擇有重要影響[14]，如圖4(a)、(b)、(c)，用戶在2周內(nèi)的出行時(shí)空軌跡，表現(xiàn)出非常強(qiáng)的鐘擺式規(guī)律性特征，即白天在工作地，夜晚回居住地，但是呈現(xiàn)出不同類別之間的活動(dòng)范圍差異：1類用戶日活動(dòng)范圍較小，可能采用低速交通工具，如自行車或者步行；2類用戶活動(dòng)范圍稍大，移動(dòng)過(guò)程中相鄰點(diǎn)的間距小；3類用戶活動(dòng)距離約是2類的3倍，移動(dòng)過(guò)程中相鄰點(diǎn)的間距較大，表明其移動(dòng)速度高，交通工具可能是機(jī)動(dòng)車。

流動(dòng)人員的出行活動(dòng)空間分布較為隨意，不具有顯著規(guī)律性，如圖4所示，圖(d)、(e)中的4類和5類用戶是兩個(gè)典型用戶。圖(d)的4類用戶在兩周內(nèi)出現(xiàn)了兩次，每次停留一天，期間均出現(xiàn)了大范圍活動(dòng)，使用交通工具可能是機(jī)動(dòng)車；圖(e)的5類用戶在兩周內(nèi)出現(xiàn)一次，停留兩天，空間活動(dòng)范圍較小，移動(dòng)速度慢，可能采用步行或公共交通工具。

圖4 典型用戶出行軌跡Fig. 4 Travel trajectory of typical users

2 模型建立

利用樸素貝葉斯分類器建立居民出行OD識(shí)別方法，它包括特征參數(shù)選擇、模型訓(xùn)練、精度檢驗(yàn)三個(gè)步驟。

2.1 方法流程

首先，利用一定量的已知樣本，開展樸素貝葉斯分類器訓(xùn)練，考慮到用戶出行活動(dòng)模式對(duì)特征參數(shù)值影響較大，訓(xùn)練分類器時(shí)根據(jù)用戶的活動(dòng)范圍分別建立不同分類器參數(shù)；然后，分別計(jì)算待測(cè)數(shù)據(jù)的特征參數(shù)方向夾角和最小覆蓋圓直徑值，與分類器進(jìn)行比較，計(jì)算任意時(shí)刻的移動(dòng)與停留狀態(tài)概率，差別用戶所處狀態(tài)；最后將停留點(diǎn)之間的過(guò)程聚合為出行OD，如圖5所示。

圖5 基于樸素貝葉斯方法的移動(dòng)與停留狀態(tài)判別流程Fig. 5 Discrimination process of moving and staying states based on Naive Bayes

2.2 分類器構(gòu)建

2.2.1 訓(xùn)練數(shù)據(jù)選擇

交通出行過(guò)程在不同的群體中存在差異較大，如出行距離遠(yuǎn)，家庭擁有小汽車，可能選擇小汽車作為交通工具；出行距離短，則選擇步行或自行車的可能性更高。選擇不同的交通工具，意味著出行平均速度存在較大差異，因此，用于建立分類器的訓(xùn)練樣本應(yīng)覆蓋不同交通方式、不同出行距離。

本次研究選擇100個(gè)志愿者作為長(zhǎng)期追蹤調(diào)查對(duì)象，志愿者的常用出行方式包括步行、自行車、電動(dòng)車/摩托車、公交車、小汽車5大類，每類出行方式各20人，如表1所示。要求志愿者連續(xù)記錄1個(gè)月每天的活動(dòng)狀態(tài)，包括發(fā)生相關(guān)活動(dòng)的時(shí)間、位置、交通工具等信息，如表2所示，以此為基礎(chǔ)對(duì)模型開展訓(xùn)練。

表1 數(shù)據(jù)采集樣本 Tab. 1 Data collection samples

表2 志愿者記錄信息 Tab. 2 Information recorded by volunteers

2.2.2 特征參數(shù)指標(biāo)

特征參數(shù)指標(biāo)用于描述移動(dòng)或停留狀態(tài)的屬性，它要求指標(biāo)相互之間是條件獨(dú)立，互不干擾，因此特征參數(shù)選擇對(duì)分類器預(yù)測(cè)結(jié)果的精度至關(guān)重要。本文以相鄰位置點(diǎn)形成的方向向量夾角和每個(gè)點(diǎn)周圍的最小覆蓋圓直徑兩個(gè)參數(shù)描述。

1)方向夾角。

其中：PI為圓周率常數(shù)；如圖6所示，A處點(diǎn)在移動(dòng)狀態(tài)方向角為45°，B處點(diǎn)在停留狀態(tài)，方向?yàn)?°。

方向夾角可以從時(shí)間維度較好地反映用戶的移動(dòng)、停留狀態(tài)。志愿者數(shù)據(jù)的統(tǒng)計(jì)結(jié)果(如圖7)表明，方向角越小，處于移動(dòng)狀態(tài)的比例越低，停留狀態(tài)的比例越高；方向角越大，處于移動(dòng)狀態(tài)的比例越高，停留狀態(tài)的比例越低。

圖6 移動(dòng)與停留狀態(tài)的方向夾角Fig. 6 Angular separation of moving and staying states

2)最小覆蓋圓直徑。

圖7 公交出行用戶移動(dòng)/停留狀態(tài)的方向角Fig. 7 Angular separation of moving state/staying state of bus passenger

圖8 移動(dòng)與停留狀態(tài)的最小覆蓋圓直徑Fig. 8 Minimum cover circle diameter for moving state and staying state

圖9 公交出行用戶移動(dòng)/停留狀態(tài)的最小覆蓋圓直徑Fig. 9 Minimum covering circle diameter for moving state/staying state of bus passenger

相比于移動(dòng)速度，最小覆蓋圓直徑可以減小“乒乓切換”造成的局部誤差，該誤差與敏感系數(shù)取值有關(guān)：值越大時(shí)，對(duì)短距離出行的敏感性越低，越不容易識(shí)別；取值越小，“乒乓切換”容易誤識(shí)別成出行。統(tǒng)計(jì)廈門20個(gè)公交出行志愿者一個(gè)月的數(shù)據(jù)如圖9所示，從中可以看出，停留狀態(tài)的用戶最小覆蓋圓直徑81.7%在200 m內(nèi)，93.7%在500 m以內(nèi)，隨著直徑的增大，占比顯著減??；移動(dòng)狀態(tài)用戶隨著直徑增大占比呈現(xiàn)先增大后減小的趨勢(shì)，直徑200 m內(nèi)時(shí)，移動(dòng)狀態(tài)占比小于停留狀態(tài)，直徑大于200 m時(shí)，移動(dòng)狀態(tài)占比大于停留狀態(tài)。這些顯著的差異化特征有利于模型辨識(shí)移動(dòng)/停留狀態(tài)。

2.2.3 用戶分類

由于手機(jī)信令數(shù)據(jù)定位精度低、存在“乒乓切換”等原因，在對(duì)短距離出行的移動(dòng)、停留狀態(tài)判別時(shí)，將導(dǎo)致更大的誤差。對(duì)志愿者連續(xù)1個(gè)月追蹤統(tǒng)計(jì)結(jié)果表明，不同用戶職住地距離相差較大時(shí)，特征參數(shù)指標(biāo)也存在較大差異。

本文為了簡(jiǎn)化計(jì)算，結(jié)合用戶的主要交通工具的大致活動(dòng)范圍劃分為Ⅰ、Ⅱ、Ⅲ、Ⅳ四大類，如表3所示。

表3 職住地距離類別劃分 Tab. 3 Classification of distance between places of residence and working

統(tǒng)計(jì)80個(gè)用戶1個(gè)月的調(diào)查數(shù)據(jù)，計(jì)算移動(dòng)和停留狀態(tài)下不同方向夾角值、周圍點(diǎn)最小覆蓋圓直徑發(fā)生的統(tǒng)計(jì)概率，如圖10所示。

圖10 運(yùn)動(dòng)狀態(tài)條件下的特征參數(shù)分布Fig. 10 Feature parameter distribution under motion condition

在運(yùn)動(dòng)狀態(tài)條件下方向夾角(A)的概率分布。隨著方向夾角(A)增大，處于移動(dòng)狀態(tài)的概率值也不斷增大，在超過(guò)20°～45°時(shí)，該趨勢(shì)得到顯著加強(qiáng)，對(duì)于不同的類別，顯著變化角度值有存差異，如類別Ⅰ顯著變化角度約20°，類別Ⅱ約30°，類別Ⅲ約40°，類別Ⅳ約45°。

在運(yùn)動(dòng)狀態(tài)條件下最小覆蓋圓直徑Φ的概率分布。整體趨勢(shì)隨著最小覆蓋圓直徑增大，處于移動(dòng)狀態(tài)的概率值不斷減小，但在范圍小于300～500 m時(shí)，隨著最小覆蓋圓直徑增大而增大，類別Ⅰ的約在300 m左右達(dá)到最大概率約0.16，類別Ⅳ在500 m左右達(dá)到最大概率約0.07，表明用戶職住范圍超小，其最小覆蓋圓直徑參數(shù)在低值范圍內(nèi)的聚集性超高。

因此在訓(xùn)練模型時(shí)，按不同用戶的職住地距離，訓(xùn)練不同的分類器參數(shù)。

2.3 出行OD辨識(shí)模型

建立面向不同類別的樸素貝葉斯分類器，分類器的關(guān)鍵指標(biāo)計(jì)算過(guò)程如下：

集聚出行OD，基于已判別的移動(dòng)與停留狀態(tài)，當(dāng)至少連續(xù)出現(xiàn)兩次判斷狀態(tài)為移動(dòng)時(shí)，認(rèn)為用戶處于有效移動(dòng)狀態(tài)，并認(rèn)為是一次完整的出行OD。

3 模型驗(yàn)證

3.1 精度分析

利用20個(gè)用戶1個(gè)月的調(diào)查數(shù)據(jù)對(duì)建立的模型進(jìn)行驗(yàn)證，驗(yàn)證指標(biāo)包括用戶出行次數(shù)、開始時(shí)間和結(jié)束時(shí)間。模型識(shí)別數(shù)據(jù)和人工記錄的數(shù)據(jù)中，任意出行過(guò)程中，兩類數(shù)據(jù)的出行時(shí)段重合超過(guò)50%以上，且出行開始時(shí)間差、出行結(jié)束時(shí)間差不超過(guò)15 min，認(rèn)為是同一次出行。

通過(guò)手機(jī)定位數(shù)據(jù)計(jì)算的平均出行總體為2.59次，人工追蹤調(diào)查的平均出行次數(shù)為2.79，略低于人工調(diào)查的數(shù)據(jù)，平均絕對(duì)百分比誤差(Mean Absolute Percentage Error, MAPE)為7.79%，如表4所示，表現(xiàn)出較高的精度。不同類別之間隨著職住距離的增加，平均出行次數(shù)呈下降趨勢(shì)，與人工調(diào)查調(diào)查結(jié)論一致，方差波動(dòng)較低，說(shuō)明算法具有較高的穩(wěn)定性。

表4 模型精度對(duì)比 Tab. 4 Comparison of model accuracy

針對(duì)手機(jī)信令數(shù)據(jù)分析的平均出行次數(shù)與人工調(diào)查數(shù)據(jù)存在的差異，統(tǒng)計(jì)兩者不吻合的出行指標(biāo)，包括出行距離、出行耗時(shí)。統(tǒng)計(jì)結(jié)果如表5所示，平均出行距離為1 566 m，平均出行耗時(shí)為14.9 min，出行距離和時(shí)間均較小，表明誤判數(shù)據(jù)以短距離出行為主，這主要是因?yàn)槭謾C(jī)數(shù)據(jù)的根本特性決定:一是定位數(shù)百米的誤差；二是基站信號(hào)的“乒乓切換”。

表5 模型分析存在誤差的出行距離特征 Tab. 5 Characteristics of travel distances mistakenly analyzed by model

針對(duì)與人工調(diào)查“吻合”的出行，分析手機(jī)定位數(shù)據(jù)計(jì)算得到的出行開始、結(jié)束時(shí)間與調(diào)查真值的差異特征。結(jié)果如表6所示，開始出行的時(shí)間差平均約7.7 min，結(jié)束出行的時(shí)間差平均約7.6 min。總體而言，通過(guò)手機(jī)定位數(shù)據(jù)分析的出行出發(fā)和結(jié)束時(shí)間與實(shí)際情況相差較小，可以指導(dǎo)實(shí)際應(yīng)用。

表6 模型分析存在誤差的出行時(shí)間特征 Tab. 6 Characteristics of travel times mistakenly analyzed by model

3.2 廈門案例分析

將建立的分類器用于廈門移動(dòng)手機(jī)信令數(shù)據(jù)，并分析出行的時(shí)空分布特征。為便于分析，將每個(gè)用戶的出行OD集聚到小區(qū)層面，根據(jù)廈門的行政分區(qū)、用地性質(zhì)、道路布局等，劃分為171個(gè)小區(qū)，其中島內(nèi)80個(gè)，島外91個(gè)，如圖11所示。

圖11 廈門市交通小區(qū)劃分圖Fig. 11 Map of traffic zones of Xiamen

測(cè)試數(shù)據(jù)共1個(gè)月，僅采用在廈門出現(xiàn)過(guò)20天以上的用戶，確保分析用戶為本地常住人口，利用模糊模式識(shí)別法[15]得到所有用戶的職住地信息，并計(jì)算職住地距離，選擇對(duì)應(yīng)類別的分類器開展分析。

1)出行OD分布。

出行OD結(jié)果如圖12所示，Ⅰ類用戶短距離出行活動(dòng)范圍有限，主要在本交通小區(qū)內(nèi)部及相鄰區(qū)域間發(fā)生；Ⅱ類和Ⅲ類以跨鄰近小區(qū)出行為主；Ⅳ類用戶以中長(zhǎng)距離出行為主，可以看出5處具有顯著的空間集聚特征，分別是集聚程度最高的廈門島內(nèi)區(qū)域和島外的海滄、集美、同安、翔安，此外作為旅游城市，幾處熱門景點(diǎn)的出行量也集聚程度較高。

2)出行時(shí)段分布。

職住距離對(duì)出行人員出行時(shí)段的選擇影響巨大，職住距離越近，出行者呈現(xiàn)“晚走早退”現(xiàn)象，如圖13所示，早上出行時(shí)間越晚，下午下班的時(shí)間越早，Ⅰ類用戶早上出發(fā)峰值時(shí)間約為8時(shí)左右，而Ⅳ類用戶約7時(shí)左右，下班Ⅰ類用戶集中在16時(shí)左右，Ⅳ類用戶則集中在17時(shí)左右，出現(xiàn)該現(xiàn)象原因可能是近距離職住人員的上下班時(shí)間相對(duì)彈性，當(dāng)然該結(jié)論需進(jìn)一步驗(yàn)證。

職住距離較近的類別，除了早晚兩個(gè)出行高峰時(shí)段，還有中午12時(shí)左右的小峰值，而Ⅳ類用戶不存在該峰值，出現(xiàn)該現(xiàn)象的原因可能是距離較近的人中午回家吃午飯。此外，遠(yuǎn)距離職住用戶在早晚高峰時(shí)段的出行更集中，約占全天出行總量的20%，而Ⅱ類用戶僅占17%，表明近距離職住用戶出行時(shí)間段選擇更加靈活。

出行時(shí)段分布特征符合城市居民日常出行活動(dòng)規(guī)律，表明結(jié)果具有較高的可靠性。

圖12 四類用戶的出行OD空間分布Fig. 12 Spatial distribution of travel OD of four types of users

圖13 出行時(shí)段占比分布Fig. 13 Distribution of travel time proportions

4 結(jié)語(yǔ)

為了研究如何利用手機(jī)定位數(shù)據(jù)判斷用戶的移動(dòng)與停留狀態(tài)，支撐交通出行特征研究，本文基于樸素貝葉斯方法，采用方向夾角和最小覆蓋圓直徑作為特征參數(shù)，基于100個(gè)用戶連續(xù)1個(gè)月的人工記錄數(shù)據(jù)作為研究樣本，對(duì)基于樸素貝葉斯分類的居民出行OD識(shí)別模型參數(shù)開展訓(xùn)練。利用廈門移動(dòng)的手機(jī)定位數(shù)據(jù)開展模型精度檢驗(yàn)，結(jié)果表明：基于樸素貝葉斯方法建立的居民出行OD識(shí)別方法可以較好地用于分析出行規(guī)律。

本文利用廈門志愿者用戶為樣本訓(xùn)練識(shí)別模型，識(shí)別對(duì)象的信令數(shù)據(jù)從中國(guó)移動(dòng)獲取，受限于不同城市基站密度、城市形態(tài)和出行活動(dòng)行為差異，模型能否在所有城市通用尚需進(jìn)一步驗(yàn)證。此外，本文方法適用于識(shí)別出行OD，而OD間的出行路徑還需在未來(lái)深入開展研究。