讯阳文艺网移动通信原理
同济大学 交通运输工程
2018.07.
导师 杨东援教授
摘要面对新型城镇化和快速机动化，当前城市交通问题已成为多重社会问题的组合，城市交通系统的分析需求正在发生质的变化。在这样的认识下，研究者和管理者越来越倾向于由“移动性规划”替代传统的“交通规划”，并将规划的关注点从“出行行为”转变为“居民活动空间”。
在城市交通领域中，居民活动空间的研究通过定义个体或空间分区的居民活动空间分布，利用多源数据资源建立活动空间的度量方法，关注居民活动空间与交通网络、土地使用、公共设施布局等多方面的关联关系，并在此基础上为城市空间结构、交通公平性等议题的研究创造条件。由此，我们首先需要面对的问题就是如何表征居民活动的空间分布，如何实现居民活动空间的量化观测。虽然，在大数据环境下，人的空间活动模式具有了可控的采集手段，但如何根据城市交通、时间地理学等学科领域目前面临的核心问题及其边界对相关数据进行界定、细化和整合，仍是亟待厘清的关键问题。
本研究试图利用以移动通信数据为主的多源数据，围绕“居民活动空间分析”这一主题，综合考虑城市交通的传统理论体系、数据特征、采集手段和应用需求等，遵循“基础研究系统—功能支撑系统—规律与应用系统”的基本主线，构建了大数据环境下的居民活动空间研究总体框架。
首先，本研究构建了居民活动空间的多源观测体系。根据现有的数据资源和研究基础，构建了居民活动空间分析的模型框架。进而在此框架下，以移动通信数据为主，结合人口普查数据、综合交通调查数据、轨道交通票务数据、电子地图兴趣点数据、电子地图路径规划数据等多源数据，通过不同信息获取手段的交叉观测，采集多时空尺度上有对应关系的行为属性数据。
其次，本研究提出了居民活动空间的度量和表征方法。在多源数据资源的支撑下，讨论了在居民活动空间多源观测体系下的居民个体空间行为感知，即如何将数据组织成为信息的过程。通过不同数据源间的关联、匹配与整合，建立了数据类型与行为属性间的映射规则，解析并提取个体时空间行为特征、轨道交通使用行为特征、个体活动所在区域特征，解决了如何通过以移动通信数据为主的多源数据对个体活动空间进行度量和表征的问题。
随后，本研究提出了居民活动空间的多视图描述方法。引入了多视图数据和多维聚类两个重要概念。一方面，为了实现居民活动空间的集成认知，在居民活动空间描述性指标的基础上，形成了描述居民个体活动空间的五个视图，从四个方面体现了个体活动空间的背景差异，分析了空间行为的背景不确定性对居民活动空间产生的影响。另一方面，为了辨识活动空间特征属性之间的差异，通过多视图数据和多维聚类的方法整合，利用单个视图下的聚类分析，简化个体活动空间的背景差异，并采用描述性研究的方法揭示个体活动空间的特征差异；通过多个视图下的多维聚类，不仅使研究对象在各个维度上都具有良好的区分度，同时也简化了原有属性间的复杂关联特征，为后续基于关联分析的模式预测和因果推断提供了研究基础。
最后，本研究讨论了居民个体活动空间特征的关联分析及其应用。基于多视图的相容互补特性，充分利用居民活动空间各视图间的关联信息，试图在居民活动空间认知的过程中突破简单的关联关系，探寻关联关系背后的因果，实现基于关联关系的特征预测。基于本研究提出的视图间关联分析定量研究方法，提出了基于关联特征的个体行为模式分类与预测方法、基于关联关系的居民活动空间因果推断方法，基本实现了关联关系基础上的特征预测和因果推断。从更深层次的角度来看，将关联特征应用于特征预测和因果判断，实质上也是试图在关联关系基础上形成判断的证析框架。
本研究立足于居民活动空间分析，构建了以移动通信数据为主的大数据环境下的居民活动空间研究框架；进而对居民活动空间进行解读和分析，为更好地发现隐藏在数据背后的居民个体空间行为模式与规律提供有效途径。同时，本研究虽然以移动通信数据为主要切入点，但在研究过程中反映了城市交通分析新数据环境的共性，通过对分析环节中的部分关键问题进行论述，能够为城市交通分析中的精细化、定量化综合数据采集与分析提供基础，并为从微观个体行为的视角感知城市和区域社会及空间体系的定量化综合集成研究提供理论与方法借鉴。
关键字：活动空间，大数据，移动通信数据，多视图，多维聚类，关联分析
ABSTRACTThe analysis requirementsof urban transport system are undergoing a qualitative change because of the newurbanization and rapid motorization in China. The urban transport has become acombination of multiple social problems. In such cases, researchers and administratorstend to carry out mobility planning instead of traditional transport planningand put emphasis on residents’ activity space instead of travel behavior.
In the urban transportarea, the study of residents’ activity space defines the spatial distributionof residents’ daily activities, characterizes the activity space usingmulti-source datasets, and puts emphasis on the association among activityspace, traffic network, land use, public facility layout, and so on. Allmentioned above make it possible for the discussion on the issues of urbanstructure, transport equity, and so on. Therefore, the principle issue is howto characterize the spatial distribution of residents’ activities and how tomeasure the residents’ activity space quantitatively. Big data enables toobserve the human activity in a controlled manner. However, how to deal withthe datasets according to the core issues in the field of urban transport andtime geography still remains unsettled.
Using the multi-sourcedatasets mainly consisted in the main of mobile phone data, this study focusedon the residents’ activity space. Considering the traditional theoretical system,data patterns, data collection techniques and application requirements, thisstudy included the fundamental research system, the technical support systemand the laws and application system, which formed the framework of residents’activity space analysis based on big data.
Firstly, this studyproposed the multi-source observation system of residents’ activity space. Theframework of residents’ activity space analysis model was constructed based onthe existing data resources and the conclusion of previous study. Then,residents’ activity was observed and their attributes were obtained based onthe integration of multi-source datasets including mobile phone data, censusdata, traffic survey data, rail transit AFC data, POI data, route planningdata, and so on.
Secondly, this studyfocused on the measurement and characterization of residents’ activity space.Based on the multi-source datasets, the perception of the individual spatialactivity is studied so as to convert the raw data into information. With theassociation, matching and integration of different data sources, rules ofdatasets and attributes mapping were established to obtain the individualtemporal-spatio activity patterns, rail transit use patterns and activity areapatterns, through which the activy space can be measured and characterizedbased on mobile phone data and other datasets.
Then, the multi-viewdescription of residets’ activity space was carried out. The multi-view dataand the multi-dimensional clustering were introduced. On the one hand, fiveviews were formed based on the descriptive variables of residents’ activityspace to comprehensively understand the activity space. The influence ofspatial activity background on the activity space was analyzed. On the otherhand, multi-view data and multi-dimensional clustering were applied to simplifythe difference between activity background and clarify the difference betweenthe attributes of activity space.
Finally, theassociation analysis of residents’ activity space and its application werediscussed. On the basis of multi-view data, the association analysis ofresidents’ activity space was carried out. This paper made full use of theassociation between different views of activity space to realize the causalanalysis and feature prediction based on association analysis. What’s more, theattempt to apply association analysis in feature prediction and causal analysisis actually the attempt to form the famework of analytics based on association.
This study focused on theresidents’ activity space analysis and formed the framework of residents’activity space analysis mainly based on mobile phone data. Then, residents’activity space was analyzed to find the modes and rules that lies behind the large-scaledatasets. Although this study mainly focused on the application of mobile phonedata, the mutual problems of urban transport analysis based on big data werealso discussed. The conclusion of this study provided a basis for the refineand quantified data collection and data mining in the urban transport analysis.
Key words: activity space, big data,mobile phone data, multi-view, multi-dimensional clustering, associationanalysis
目录
摘要. i
ABSTRACT iii
第1章 前言. 1
1.1 研究背景和选题意义… 1
1.1.1 研究背景… 1
1.1.2 研究目的及意义… 5
1.2 国内外相关研究成果综述… 7
1.2.1 基于个体行为的人类空间行为研究现状… 7
1.2.2 移动通信数据在人类空间行为分析中的应用现状… 8
1.2.3 移动通信数据在城市交通分析中的应用现状… 9
1.2.4 小结… 15
1.3 本文的主要研究内容… 16
1.3.1 研究内容与技术路线… 16
1.3.2 章节安排… 16
第2章 活动空间的多源观测体系. 19
2.1 模型框架与观测体系的构建… 19
2.1.1 数据支撑… 19
2.1.2 居民活动空间分析的模型框架… 20
2.1.3 居民活动空间的多源观测体系… 21
2.2 移动通信数据概述… 22
2.2.1. 移动通信原理名词解释… 22
2.2.2. 数据采集原理… 25
2.2.3. 数据结构… 26
2.2.4. 数据特征… 27
2.3 移动通信数据的数据预处理方法… 29
2.3.1 时间参照系重构… 30
2.3.2 空间参照系重构… 32
2.3.3 时空路径的重复数据删除… 34
2.3.4 移动通信数据预处理流程总结… 35
2.4 移动通信数据与其它研究数据的信息融合… 37
2.4.1 人口普查数据… 37
2.4.2 综合交通大调查数据… 37
2.4.3 地铁AFC数据… 38
2.4.4 百度地图开放平台数据… 38
2.5 本章小结… 40
第3章 空间行为的度量和表征. 41
3.1 个体时空间活动特征的度量和表征… 41
3.1.1 时空路径… 41
3.1.2 时空路径中的重要轨迹点… 44
3.1.3 个体时空间活动特征的描述性变量… 45
3.1.4 基于活动特征确定移动通信数据预处理算法的重要参数取值… 48
3.2 个体轨道交通使用特征的度量和表征… 51
3.2.1 基于移动通信数据分析轨道交通使用行为的基本原理… 51
3.2.2 个体轨道交通出行路径识别算法… 52
3.2.3 个体轨道交通使用特征的描述性变量… 57
3.3 个体活动所在区域特征的度量和表征… 58
3.3.1 城市分区建成环境的数据降维… 59
3.3.2 基于因子分析法的城市分区建成环境特征提取… 62
3.3.3 个体活动区域特征的描述性变量… 66
3.4 本章小结… 67
第4章 活动空间的多视图描述. 69
4.1 多视图数据与多维聚类… 69
4.1.1 多视图数据… 69
4.1.2 多维聚类… 70
4.2 居住地视图下的居民活动空间… 72
4.2.1 基于居住地的研究人群分组… 72
4.2.2 居住地视图下的居民活动空间… 73
4.2.3 小结… 79
4.3 惯常性活动视图下的居民活动空间… 79
4.3.1 惯常性活动视图下的研究人群聚类… 79
4.3.2 惯常性活动视图下的居民活动空间… 83
4.3.3 小结… 88
4.4 轨道交通使用行为视图下的居民活动空间… 89
4.4.1 轨道交通使用行为视图下的的研究人群聚类… 89
4.4.2 轨道交通使用行为视图下的居民活动空间… 92
4.4.3 小结… 97
4.5 工作日活动区域视图下的居民活动空间… 98
4.5.1 基于工作日活动区域特征的研究人群聚类… 98
4.5.2 工作日活动区域视图下的活动空间… 101
4.5.3 小结… 106
4.6 非工作日活动视图下的的居民活动空间… 107
4.6.1 基于非工作日活动的研究人群聚类… 107
4.6.2 非工作日活动视图下的活动空间… 109
4.6.3 小结… 114
4.7 本章小结… 115
第5章 活动空间的关联分析及其应用. 117
5.1 个体空间行为视图间的关联分析… 117
5.1.1 变量变化程度的测量… 118
5.1.2 关联强度的测量… 119
5.1.3 关联效应的测量… 121
5.1.4 算例：居民个体空间行为特征间的关联关系… 122
5.2 基于视图间关联特征的居民个体行为模式分类与预测… 131
5.2.1 决策树模型… 131
5.2.2 算例：居民惯常性活动模式的分类模型与分类规则… 134
5.3 基于关联关系的居民空间行为特征因果推断… 138
5.3.1 关联关系与因果关系的比较… 139
5.3.2 关联关系与因果关系的联系… 140
5.3.3 基于关联关系的因果判断… 141
5.3.4 算例：“居住在顾村”与“惯常性活动集中、活跃度高”之间的负因果关系… 144
5.4 本章小结… 147
第6章 结论与展望. 149
