基于手机信令数据的城市轨道客流路径识别方法—以南 京地铁为例 于泳波,程晓明 (南京市城市与交通规划设计研究院股份有服公司,江苏南京210018) 摘要:基于南京移动提供的全市手机信令数据,结合南京城市轨道网络GIS数据、 列车运营时刻表数据,通过将用户轨迹映射到轨道站点,抽取用户在轨道网络上的 轨迹。在此基础上,对轨道网络任意站间σD预设可能的备选路径集,与手机数据 识别出的站点轨迹进行相似度计算,匹配到最有可能的出行路径,作为用户在轨道 网络中的实际出行路径。通过与南京地铁官方提供的数据校核,验证了方法的可靠 性 关镳词:手机信令数据;城市轨道交通:路径集;相似度 中图分类号:U491 Path Recognition Method of Urban Rail Passenger Flow based on mobile Signaling Data: A Case Study of Nanjing Metro YuYongbo, Cheng Xiaoming ( Nanjing Institute of City Transport Planning Co, Itd. Nanjing 210018) Abstract: Based on the mobile phone signaling data provided by Nanjing Mobile, combined with the Nanjing Urban Rail Network Gis data and train operation timetable data, users trajectories are mapped to the rail stations to extract users' trajectories on the rail network. On this basis, the od preset possible alternative paths set between any stations in the rail network are calculated to match the most likely travel paths with the station trajectories identified by mobile phone data, which can be used as the actual travel paths of users in the rail network The reliability of the method is verified by checking the data provided by Nanjing Metro key words: mobile phone signaling data; urban rail transit; path set; similarity 引言 随着智能手机的普及,利用手机定位技术采集居民出行信息已获得广泛应用。手机数据 通讯作者:于泳波,南京市城市与交通规划设计研究院股份有限公司,邮箱 magic1.992yu@163com,通讯 地址:南京市玄武区珠江路63号南京交通大厦1410室,邮编:210018 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
基于手机信令数据的城市轨道客流路径识别方法——以南 京地铁为例 于泳波1，程晓明 （南京市城市与交通规划设计研究院股份有限公司，江苏 南京 210018） 摘 要： 基于南京移动提供的全市手机信令数据，结合南京城市轨道网络GIS数据、 列车运营时刻表数据，通过将用户轨迹映射到轨道站点，抽取用户在轨道网络上的 轨迹。在此基础上，对轨道网络任意站间 OD 预设可能的备选路径集，与手机数据 识别出的站点轨迹进行相似度计算，匹配到最有可能的出行路径，作为用户在轨道 网络中的实际出行路径。通过与南京地铁官方提供的数据校核，验证了方法的可靠 性。 关键词： 手机信令数据；城市轨道交通；路径集；相似度 中图分类号：U491 Path Recognition Method of Urban Rail Passenger Flow Based on Mobile Signaling Data: A Case Study of Nanjing Metro YuYongbo1 , Cheng Xiaoming (Nanjing Institute of City & Transport Planning Co.,ltd. Nanjing 210018） Abstract: Based on the mobile phone signaling data provided by Nanjing Mobile, combined with the Nanjing Urban Rail Network GIS data and train operation timetable data, users' trajectories are mapped to the rail stations to extract users' trajectories on the rail network. On this basis, the OD preset possible alternative paths set between any stations in the rail network are calculated to match the most likely travel paths with the station trajectories identified by mobile phone data, which can be used as the actual travel paths of users in the rail network. The reliability of the method is verified by checking the data provided by Nanjing Metro. key words: mobile phone signaling data; urban rail transit ;path set; similarity 一、引言 随着智能手机的普及，利用手机定位技术采集居民出行信息已获得广泛应用。手机数据 通讯作者：于泳波，南京市城市与交通规划设计研究院股份有限公司，邮箱 magic1992yu@163.com，通讯 地址：南京市玄武区珠江路 63 号南京交通大厦 1410 室，邮编：210018
具有获取方便、成本低、大样本、实时性强等特点,逐渐成为城市交通规划管理方面不可或 缺的一部分。城市轨道交通客流分析常用的数据为轨道AFC数据口,该数据可反映每一个进 出轨道系统的乘客的进出站时间、空间信息,属于全样本数据,其缺点是无法反映乘客在轨 道系统内部的轨迹,也无法反映乘客在轨道系统外的来源去向信息。手机信令数据则可以弥 补这两方面的不足,是城市轨道客流分析的重要工具。 已有的采用手机信令数据分析城市轨道交通客流特征的研究,大多基于不同轨道线路拥 有独立的位置区,在此基础上判断换乘等行为3。然而,不同城市轨道基站的设置不同 本文研究的南京轨道系统,各条轨道线路并未拥有独立的位置区,运营商仅提供各个站点对 应的基站ID,从而无法采用基于独立位置区的研究方法,需要寻求新的算法。 本文采用南京移动的手机信令数据,在获得各个站点对应的基站ID的基础上,结合南京 城市轨道网络GIS,以及轨道运营时刻表等信息,通过预设路径集的方法,找出站间0D对应 的可能路径,再通过路径相似度计算获得最有可能的路径信息。最终,通过对客流量的校核 验证了方法的合理性,为仅获得站点对应基站编号条件下乘客在轨道网络中的路径识别提供 了新的思路 二、数据预处理 (一)手机信令数据基本情况 南京市移动手机信令数据核心字段如下表所示,其中,与城市轨道客流分析相关的字段 主要是号码、日期、基站起始上报时间、基站停留时长以及基站编号等字段。 表1手机信令数据核心字段 说明 int msisdn Ing 号码 region 号码归属城市编号 tinyint 码归属省份编号 stime string 基站起始上报时间 string LAC/TAC tring i/eci duration 基站停留时长(秒 string 切换到不同基站的时间 end la 切换到不同基站的LAC/TAC string 切换到不同基站的编号 南京市移动公司基站分布情况如下图所示,可以看出,在人口密集区域,基站分布也是 密集的。在南京市内,移动手机用户每天产生约12亿条数据。因此,手机信令数据的处理需 要用到大数据集群,本文数据处理与分析均基于 Spark平台。 多篇文献中对手机信令数据清洗方法均有介绍,限于篇幅,本文不再叙述数据的清 洗方法,重点针对数据在城市轨道客流分析方面的应用进行论述 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
具有获取方便、成本低、大样本、实时性强等特点，逐渐成为城市交通规划管理方面不可或 缺的一部分。城市轨道交通客流分析常用的数据为轨道AFC数据[1]，该数据可反映每一个进 出轨道系统的乘客的进出站时间、空间信息，属于全样本数据，其缺点是无法反映乘客在轨 道系统内部的轨迹，也无法反映乘客在轨道系统外的来源去向信息。手机信令数据则可以弥 补这两方面的不足，是城市轨道客流分析的重要工具。 已有的采用手机信令数据分析城市轨道交通客流特征的研究，大多基于不同轨道线路拥 有独立的位置区，在此基础上判断换乘等行为[2-3]。然而，不同城市轨道基站的设置不同， 本文研究的南京轨道系统，各条轨道线路并未拥有独立的位置区，运营商仅提供各个站点对 应的基站ID，从而无法采用基于独立位置区的研究方法，需要寻求新的算法。 本文采用南京移动的手机信令数据，在获得各个站点对应的基站ID的基础上，结合南京 城市轨道网络GIS，以及轨道运营时刻表等信息，通过预设路径集的方法，找出站间OD对应 的可能路径，再通过路径相似度计算获得最有可能的路径信息。最终，通过对客流量的校核， 验证了方法的合理性，为仅获得站点对应基站编号条件下乘客在轨道网络中的路径识别提供 了新的思路。 二、数据预处理 （一）手机信令数据基本情况 南京市移动手机信令数据核心字段如下表所示，其中，与城市轨道客流分析相关的字段 主要是号码、日期、基站起始上报时间、基站停留时长以及基站编号等字段。 表 1 手机信令数据核心字段 字段 类型 说明 stat_date int 日期 msisdn string 号码 region int 号码归属城市编号 prov tinyint 号码归属省份编号 stime string 基站起始上报时间 lac string LAC/TAC ci string ci/eci duration string 基站停留时长（秒） end_time string 切换到不同基站的时间 end_lac string 切换到不同基站的 LAC/TAC end_ci string 切换到不同基站的编号 lbs_region string 上报城市编号 南京市移动公司基站分布情况如下图所示，可以看出，在人口密集区域，基站分布也是 密集的。在南京市内，移动手机用户每天产生约12亿条数据。因此，手机信令数据的处理需 要用到大数据集群，本文数据处理与分析均基于Spark平台。 多篇文献[4-6]中对手机信令数据清洗方法均有介绍，限于篇幅，本文不再叙述数据的清 洗方法，重点针对数据在城市轨道客流分析方面的应用进行论述
图1南京移动基站分布 (二)城市地铁对应基站工参信息处理 南京移动在城市轨道交通系统中有专属的基站,每次进出站都会产生位置区更新信令事 件,即产生一条数据。根据移动公司提供的各个轨道站点对应的基站编号,与用户的轨迹进 行映射,即可获得用户经过的轨道站点。在此之前,需要对地铁站点对应的基站工参信息进 行处理,以字典的形式保存数据,字典形如{基站编号:站点名}。 (三)轨道客流初步筛选 针对单个用户,获得其一天的轨迹,按时间排序,以数组的形式保存。将轨道基站字典 映射到用户轨迹,在数组中添加一列表示用户经过的轨道站点,若未经过,以“0”表示 根据途径轨道站点列,筛选可能使用过轨道的用户,筛选规则为:全天轨迹中,至少包含两 个不同的轨道站点。 (四)路径集预设 根据轨道运营部门提供的轨道运营时刻表信息以及轨道网络GIS数据,结合广度优先算 法,获得轨道网络中任意两个站点之间的多个路径。考虑到算法效率,只取时间最短的前 条路径。每条路径,除了包含经过的全部站点之外,还包括到达各个站点相对第一个站点 的时间,以及该条路径中,哪几个站点为换乘站(实际发生换乘行为)、换乘方向等信息 最终构成路径集字典,形如{站间OD:[路径1,路径2,路径3]},每个路径数据形如[途径站 点集,到达各个站点的相对时间,路径出行时长,换乘信息]。 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
图 1 南京移动基站分布 （二）城市地铁对应基站工参信息处理 南京移动在城市轨道交通系统中有专属的基站，每次进出站都会产生位置区更新信令事 件，即产生一条数据。根据移动公司提供的各个轨道站点对应的基站编号，与用户的轨迹进 行映射，即可获得用户经过的轨道站点。在此之前，需要对地铁站点对应的基站工参信息进 行处理，以字典的形式保存数据，字典形如{基站编号：站点名}。 （三）轨道客流初步筛选 针对单个用户，获得其一天的轨迹，按时间排序，以数组的形式保存。将轨道基站字典 映射到用户轨迹，在数组中添加一列表示用户经过的轨道站点，若未经过，以“0”表示。 根据途径轨道站点列，筛选可能使用过轨道的用户，筛选规则为：全天轨迹中，至少包含两 个不同的轨道站点。 （四）路径集预设 根据轨道运营部门提供的轨道运营时刻表信息以及轨道网络GIS数据，结合广度优先算 法 [7]，获得轨道网络中任意两个站点之间的多个路径。考虑到算法效率，只取时间最短的前 三条路径。每条路径，除了包含经过的全部站点之外，还包括到达各个站点相对第一个站点 的时间，以及该条路径中，哪几个站点为换乘站（实际发生换乘行为）、换乘方向等信息。 最终构成路径集字典，形如{站间OD：[路径1，路径2，路径3]}，每个路径数据形如[途径站 点集，到达各个站点的相对时间，路径出行时长，换乘信息]
(五)站点位置信息处理 由于地上站点的信号会受到站点周边非轨道系统基站的干扰,为了更细致地对用户轨迹 进行识别,按站点位置分为“地上站”和“地下站”两类,形成站点位置信息字典,形如{站 点名:地上站}。 、轨道客流路径匹配方法 预设路径集是以站间ω为键,路径信息为值的字典。因此,基于手机信令数据的轨道客 流路径识别,首先需要获得站间O,其次需要对识别出的站点序列进行相似度匹配,以获得 可能性最大的轨道出行路径 (一)站间OD提取 根据途径轨道站点列,设置合适的时间阈值与空间阈值即可提取站间OD。以下面的轨道 站点列数据为例说明。 轨道站点序列形如“0-0-A-A-BC-D-D-0-0-0-0-DE-F-0-0-0”,第一个出现的轨道站点 为“A”,其后依次出现“B”、“C”、“D”、“E”、“F”。需要注意的是,“D”之间出现多个“0”, 其后又跟进一个“D”,出现这种情况有以下几种可能性 (1)“D”为地上站,用户在“D”出站,经过一段时间后又从“D”进站,此时“-0-0-0-0-” 的持续时长为t1,前后为两次轨道出行,站间0D分别为(A,D)与(D,F) (2)“D”为普通地上站,用户到达“D”时由于信道拥挤,与地面的其他基站发生 通信,此时“-0-0-0-0-”的持续时长为t2,前后为一次轨道出行,站间0D为(A,F); (3)“D”为地上换乘站,用户在“D”发生换乘行为,与地面的其他基站发生通信 此时“-0-0-0-0-”的持续时长为t3,前后为一次轨道出行,站间OD为(A,F) (4)“D”为地下站,用户在“D”出站,经过一段时间又从“D”进站,前后为两 次轨道出行,站间OD分别为(A,D)和(D,F)。 上述四种可能性,第四种可能性建立在“D”为地下站的前提下,而前三种可能性均建 立在“D”为地上站的前提下,t1、t2、t3三个持续时长大小有所不同。t1时长内,用户可 能完成了公务、购物等活动,因此t1最长,前后两段轨道站点为两次轨道出行。t2与t3前后 两段轨道站点为一次出行,区别是有无换乘,t2与t3相近,但远小于t1.本次研究中,t1阈 值取20分钟,t2阈值取3分钟,t3阙值取5分钟 (二)轨迹相似度计算方法 在获得站间OD的基础上,可进一步获得手机信令识别出的途径站点。以站间OD为(A,F) 进行说明。 站间0D为(A,F),可识别到的途径轨道站点为[A,B,C,D,E,F](相邻相同的站点去重、 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
（五）站点位置信息处理 由于地上站点的信号会受到站点周边非轨道系统基站的干扰，为了更细致地对用户轨迹 进行识别，按站点位置分为“地上站”和“地下站”两类，形成站点位置信息字典，形如{站 点名：地上站}。 三、轨道客流路径匹配方法 预设路径集是以站间OD为键，路径信息为值的字典。因此，基于手机信令数据的轨道客 流路径识别，首先需要获得站间OD，其次需要对识别出的站点序列进行相似度匹配，以获得 可能性最大的轨道出行路径。 （一）站间 OD 提取 根据途径轨道站点列，设置合适的时间阈值与空间阈值即可提取站间OD。以下面的轨道 站点列数据为例说明。 轨道站点序列形如“0-0-A-A-B-C-D-D-0-0-0-0-D-E-F-0-0-0”，第一个出现的轨道站点 为“A”，其后依次出现“B”、“C”、“D”、“E”、“F”。需要注意的是，“D”之间出现多个“0”， 其后又跟进一个“D”，出现这种情况有以下几种可能性： （1） “D”为地上站，用户在“D”出站，经过一段时间后又从“D”进站，此时“-0-0-0-0-” 的持续时长为t1，前后为两次轨道出行，站间OD分别为（A,D）与（D,F）； （2） “D”为普通地上站，用户到达“D”时由于信道拥挤，与地面的其他基站发生 通信，此时“-0-0-0-0-”的持续时长为t2，前后为一次轨道出行，站间OD为（A,F）； （3） “D”为地上换乘站，用户在“D”发生换乘行为，与地面的其他基站发生通信， 此时“-0-0-0-0-”的持续时长为t3，前后为一次轨道出行，站间OD为（A,F）； （4） “D”为地下站，用户在“D”出站，经过一段时间又从“D”进站，前后为两 次轨道出行，站间OD分别为（A,D）和（D,F）。 上述四种可能性，第四种可能性建立在“D”为地下站的前提下，而前三种可能性均建 立在“D”为地上站的前提下，t1、t2、t3三个持续时长大小有所不同。t1时长内，用户可 能完成了公务、购物等活动，因此t1最长，前后两段轨道站点为两次轨道出行。t2与t3前后 两段轨道站点为一次出行，区别是有无换乘，t2与t3相近，但远小于t1.本次研究中，t1阈 值取20分钟，t2阈值取3分钟，t3阈值取5分钟。 （二）轨迹相似度计算方法 在获得站间OD的基础上，可进一步获得手机信令识别出的途径站点。以站间OD为（A,F） 进行说明。 站间OD为（A,F），可识别到的途径轨道站点为[A,B,C,D,E,F]（相邻相同的站点去重
非轨道站点轨迹不纳入)。站间OD为(A,F)的预设路径集途径站点 pathI,path2,path3, [A,B,C,D,E,F与三个path的相似度计算规则如下 1.站点相似度(stop_ similarity) 识别出的轨道站点集SU与预设站点集SP取交集,计算交集长度L,取交集长度L最 大的预设站点集 stop similarity=lens Uns P 2时长相似度( time simi larity) 当存在多个最大长度L的预设站点集时,对应预设站点集的出行时长TP与实际途经时长 TA的相似度,方法如下 T P-T A similarity= 站点相似度和时长相似度最高的预设路径,即认为是最大可能的出行路径。该路径及相 应的时间、换乘信息作为后续各项参数分析的基础。 四、重要参数校核 在获得轨道路径后,即可通过统计分析技术进行轨道客流特征分析。在此之前,需要对 标杄参薮进行校核,以验证手机信令数据识别出的轨道客流准确性。 考虑到用户空间分布不均衡的原因,本文仅采用分时段网络客流量、主要线路客流占比 等参数进行校核。 数据选取:选取2018年4月17日移动手机信令数据与南京地铁提供的AFC数据以及官方公 布的相关数据。该时段内,南京有9条地铁线正常运营,包括1、2、3、4、10、S1、S3、S8 S9,如下图所示。 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
非轨道站点轨迹不纳入）。站间OD为（A,F）的预设路径集途径站点path1，path2，path3， [A,B,C,D,E,F]与三个path的相似度计算规则如下： 1.站点相似度（stop_similarity） 识别出的轨道站点集 S_U 与预设站点集 S_P 取交集，计算交集长度 L，取交集长度 L 最 大的预设站点集。 stop similarity len S P _ ( _ ) S_U 2.时长相似度(time_similarity) 当存在多个最大长度L的预设站点集时，对应预设站点集的出行时长T_P与实际途经时长 T_A的相似度，方法如下： -T_A _ _ time similarity T A T_P 站点相似度和时长相似度最高的预设路径，即认为是最大可能的出行路径。该路径及相 应的时间、换乘信息作为后续各项参数分析的基础。 四、重要参数校核 在获得轨道路径后，即可通过统计分析技术进行轨道客流特征分析。在此之前，需要对 标杆参数进行校核，以验证手机信令数据识别出的轨道客流准确性。 考虑到用户空间分布不均衡的原因，本文仅采用分时段网络客流量、主要线路客流占比 等参数进行校核。 数据选取：选取2018年4月17日移动手机信令数据与南京地铁提供的AFC数据以及官方公 布的相关数据。该时段内，南京有9条地铁线正常运营，包括1、2、3、4、10、S1、S3、S8、 S9，如下图所示
轨道线路 图2南京轨道网络(不含S7线) 手机信令数据分析出的分时段网络客流量、主要线路客流占比等参数,与南京地铁官方 提供的对应数据进行对比,结果如下 (一)分时段网络客流量 将全天按照每30分钟为一段,分为48个区间(以0-47编号),每个区间的客流量占全天 客流量的比例如下图所示 9.00 8.00% 6.0 200% 1.00 02468101214l618222233334翌44 基于AFC数据获得的比例·基于手机信令数据获得的比例 图3南京轨道网络害流量分时段分布特征 高峰一小时为上午7:30-8:30,即编号为15、16的两个区间。基于手机信令数据获得的 该时段网络客流量占全天客流量比重为15.5%,基于南京地铁官方AFC数据获得的相应比重为 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
图 2 南京轨道网络（不含 S7 线） 手机信令数据分析出的分时段网络客流量、主要线路客流占比等参数，与南京地铁官方 提供的对应数据进行对比，结果如下： （一）分时段网络客流量 将全天按照每30分钟为一段，分为48个区间（以0-47编号），每个区间的客流量占全天 客流量的比例如下图所示。 图 3 南京轨道网络客流量分时段分布特征 高峰一小时为上午7:30-8:30，即编号为15、16的两个区间。基于手机信令数据获得的 该时段网络客流量占全天客流量比重为15.5%，基于南京地铁官方AFC数据获得的相应比重为
15.2%,误差仅为1.97%。晚高峰客流比重分别为11.24%和11.13%,误差为0.99%。全天48个 时段,平均误差为4.47%,在可接受的范围内。 (二)主要线路客流占比 研究时段内,南京地铁1、2、3号线客流量最大,客流占比均在20%-30%之间。其中,基 于手机信令数据分析出的1号线客流占比28.68%,2号线客流占比23.67%,3号线客流占比 24.35%。南京地铁AFC数据获得的结果中,这三条线路的客流占比分别为29.68%、24.26%、 误差分别为3.37%、2.43%、2.41%全部线路客流占比平均误差为8.13%。考虑到用 户分布的空间不均衡性以及用户出行特征差异性等原因,该误差在可接受的范围内。 基于地铁 基于手机 AFC数据 信令数据 1234·10·Sl·S3·s8s9 图4南京轨道分线路客流量占比 五、结论与展望 本文基于移动手机信令数据,以南京地铁为例,提出了在仅获得各个轨道站点对应基站 ID的条件下,采用轨迹相似度匹配的方法,通过手机信令数据识别城市轨道客流路径,并通 过对重点参数的校核证明了方法的可靠性,方法精度高,误差在可接受的范围内。 下一步研究,可在轨道出行信息的基础上,进一步分析手机用户全出行链信息,即客流 来源去向以及接驳方式等。这要求手机信令数据在空间粒度上更精确。 参考文献 [1]Xinyue Xu, Liping Xie, Haiying Li, Lingqiao Qin. Learning the route choice behavior of subway passengers from AFC data[J]. Expert Systems With Applications, 2018, 324-332 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
15.2%，误差仅为1.97%。晚高峰客流比重分别为11.24%和11.13%，误差为0.99%。全天48个 时段，平均误差为4.47%，在可接受的范围内。 （二）主要线路客流占比 研究时段内，南京地铁1、2、3号线客流量最大，客流占比均在20%-30%之间。其中，基 于手机信令数据分析出的1号线客流占比28.68%，2号线客流占比23.67%，3号线客流占比 24.35%。南京地铁AFC数据获得的结果中，这三条线路的客流占比分别为29.68%、24.26%、 23.77%，误差分别为3.37%、2.43%、2.44%。全部线路客流占比平均误差为8.13%。考虑到用 户分布的空间不均衡性以及用户出行特征差异性等原因，该误差在可接受的范围内。 图 4 南京轨道分线路客流量占比 五、结论与展望 本文基于移动手机信令数据，以南京地铁为例，提出了在仅获得各个轨道站点对应基站 ID的条件下，采用轨迹相似度匹配的方法，通过手机信令数据识别城市轨道客流路径，并通 过对重点参数的校核证明了方法的可靠性，方法精度高，误差在可接受的范围内。 下一步研究，可在轨道出行信息的基础上，进一步分析手机用户全出行链信息，即客流 来源去向以及接驳方式等。这要求手机信令数据在空间粒度上更精确。 参考文献 [1] Xinyue Xu,Liping Xie,Haiying Li,Lingqiao Qin. Learning the route choice behavior of subway passengers from AFC data[J]. Expert Systems With Applications, 2018,324-332
2]王利雷.基于手杋信令数据的城市轨道交通客流出行信息提取方法研究[D].成都:西 南交通大学,2018 3]杨彬彬基于手机信令数据的城市轨道交通客流特征研究[D].南京:东南大学,2015 4 Xiping Yang, Zhixiang Fang, Ling Yin, Junyi Li, Yang Zhou and Shiwei Lu Commuting Using Mobile Phone location Data: A Case Study of Shenzhen, China J). Sustainability, 2018 5]Jie Chen, Tao Pei, Shih-Lung Shaw, Feng Lu, Mingxiao Li, Shifen Cheng, Xiliang Liu& Hengcai Zhang. Fine-grained prediction of urban population using mobile phone location data[J]. International Journal of Geographical Information Science, 2018, 1770-1786 16 Danya Bachir, Vincent Gauthier, Mounim El Yacoubi, Ghazaleh Khodabandelou Using Mobile Phone Data Analysis for the Estimation of Daily Urban Dynamics[C].IEEE 20 Internat Conference on Intelligent Transportation Systems(ITSC), 2017 7] Aditya Bhargava.算法图解[M]北京:人民邮电出版社,2017 作者简介: 于泳波,硕士,南京市城市与交通规划设计研究院股份有限公司,助理工程师。电子信箱 magic1992yu(@163.com 程晓明,硕士,南京市城市与交通规划设计研究院股份有限公司,交通大数据工程技术硏究 中心执行主任,高级工程师。电子信箱:232699227@qcom (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net
[2]王利雷．基于手机信令数据的城市轨道交通客流出行信息提取方法研究［D］．成都：西 南交通大学，2018． [3]杨彬彬.基于手机信令数据的城市轨道交通客流特征研究［D］.南京：东南大学，2015. [4] Xiping Yang,Zhixiang Fang,Ling Yin,Junyi Li,Yang Zhou and Shiwei Lu. Commuting Using Mobile Phone Location Data:A Case Study of Shenzhen,China[J].Sustainability,2018. [5] Jie Chen,Tao Pei,Shih-Lung Shaw,Feng Lu,Mingxiao Li,Shifen Cheng,Xiliang Liu & Hengcai Zhang. Fine-grained prediction of urban population using mobile phone location data[J].International Journal of Geographical Information Science,2018,1770-1786. [6] Danya Bachir,Vincent Gauthier,Mounim EI Yacoubi,Ghazaleh Khodabandelou.Using Mobile Phone Data Analysis for the Estimation of Daily Urban Dynamics[C].IEEE 20th International Conference on Intelligent Transportation Systems(ITSC),2017. [7] Aditya Bhargava.算法图解[M].北京：人民邮电出版社，2017. 作者简介： 于泳波，硕士，南京市城市与交通规划设计研究院股份有限公司，助理工程师。电子信箱： magic1992yu@163.com 程晓明，硕士，南京市城市与交通规划设计研究院股份有限公司，交通大数据工程技术研究 中心执行主任，高级工程师。电子信箱：232699227@qq.com
