基于手机信令数据的旅游—交通客流特征分析以乌鲁木齐市为例

文／程志华

随着城市经济、社会的全面发展及居民收入的不断提高，居民旅游出行需求不断增加，交通出行特征发生新的变化，因此，量化旅游客流的分布特征及游客的居住、出行规律，将为城市旅游交通规划和组织提供决策基础。而手机信令数据由于其具有覆盖范围广、数据文档可靠、样本量大、空间解析度高以及动态性强等优势，相较于常规旅游交通调查，在对客流的分布及出行特征的提取上具有更大的挖掘空间和精度可靠性，该数据应用的方法探讨具有重要意义。

研究对象及数据选取处理

1.研究对象

本研究旅游人口专指具有本地或异地（乌市）旅游休闲出行行为的国内移动手机用户。按客源地区别主要分为乌市常驻人口本地休闲旅游、外来游客异地旅游休闲活动。旅游交通对象主要分为常驻人口、短期流动人口。其中，常驻流动人口与常驻户籍人口一般具有类似的出行特征，而因出差、旅游、访友探亲等事由伴随产生的异地旅游休闲出行，来乌市的人员是真正意义上的“外来旅游人口”，此类人群具有旅游居住时间段、人员变化城市空间流动快，往往此类人员旅游出行特征较难通过调查手段获取其旅游出行的空间分布及联系情况，而手机信令数据采集具有不自主性、客观性、空间分布广、可连续性等特征，可对短期流动人口进行有效监测，研究其城市空间旅游交通出行特性。

2.数据选取及处理

本文使用乌鲁木齐市2016年1月份至5月份以及9月份共计6个月的中国移动手机信令数据，总信令数约165亿条，平均每天用户数226万人，人均信令数41条。通过手机基站定位精度来看，基站布设点平均服务半径为200米。服务半径越小，定位精度越高。通过对手机用户信令数据的时间完整性、事件类型完整性以及基站在空间分布的完整性进行分析，制定数据清洗标准，见图1所示，从而获得可进行分析应用的可靠数据。

图1 数据清洗流程

利用数据清洗原则，得到数据的清洗结果，清洗前后的数据规模如表1所示。

总体来看，数据清洗率是比较低的，得到的数据规模和每日人均信令数能够满足交通特征研究的数据要求。

表1 数据清洗前后数据规模对比

旅游交通客流识别关键技术方法

首先通过常驻人口识别算法及短期流动人口识别技术，对乌市出现的手机用户进行来源差异性区分，对其出行轨迹进行连贯性追踪，进而通过旅游客流识别模型进行精准化旅游休闲出行行为判别及空间联系特性研究。

1.常驻人口识别算法

常驻人口识别以居住地判别为依据，而居住地识别基于概率学统计，即基于手机用户在某个特定分析时段内的停留地点、停留时长以及分析时期内的停留频率确定的。分析时段因城市而异，需要根据不同城市居民的活动特征确定。根据乌鲁木齐市2014年居民出行调查数据分析得到94%居民夜间在家时段为21点至9点，90%居民夜间在家停留时间超过8小时，因此选择上述参数进行居住地识别算法设计，并应用于乌鲁木齐市常住人口居住地识别中，算法逻辑图2所示。

2.短期流动人口识别算法

短期流动人口识别是在居住地识别的基础上，结合其是否通过城市道口（此处包括进出城主要通道及机场）进入乌市的条件判断，进而判断其停留阈值是否满足（为有效剔除过境用户）进行条件约束识别。算法主要逻辑如下：（1）输入有效轨迹数据；（2）筛选未识别出居住地的用户（居住地识别子算法）；（3）是否通道城市道口或机场进出乌市（空间记录搜索）；（4）统计用户每天累计停留时长，停留时长超过有效阈值则为短期流动人口有效停留（剔除过境用户（通过性手机用户））。

3.手机用户出行轨迹的识别方法

将清洗后的手机用户信令数，按照用户和时间进行分组排序，并记录对应基站位置和停留时间，生成用户轨迹表。手机用户的位置信息实际上是一个出行链的片段，手机信令数据是最能采集到一个用户出行链的完整的片段。传统的居民出行调查以出行为基础，只能对居民的有效出行的出发地和目的地进行识别，而手机信令数据可以周期性的对手机用户的位置进行记录，所以能够得到大量的用户轨迹点。将用户的轨迹点按照时间顺序连接，就得到用户的出行轨迹链，如图3所示，三条黄色轨迹分别代表不同用户的一段时间内的出行轨迹。

图3 轨迹散点示意图

4.旅游交通客流分析模型

基于手机数据的旅游景点客流监测的首先需要明确旅游景点的空间位置和边界，另外，需要建立移动通信网络与旅游景点的相互映射关，用于将手机用户在移动通信网络中的位置匹配至实际的旅游景点分析区域。根据手机用户的出行轨迹信息可以识别用户在每个区域的四类关键行为：进入、离开、停留和路过，并在连续的时间周期（每15分钟）内，统计各个区域发生过这些行为的手机用户总数，从而实时动态地得到当前分析区域的进入客流量、离开客流量、停留客流量、路过客流量。当前统计周期内，进入某个分析区域后又迅速离开的手机用户，认为仅仅路过该分析区域，此类用户不计入停留客流量。

乌鲁木齐市旅游交通客流特征研究

1.来访游客时空分布

研究以大巴扎、水磨沟公园、红光山、红山公园为研究对象，分析相应景区游客的旅游交通特征。

分析游览景点当天游客的其他活动点，了解旅游景点与游客其他活动地点的联系强度。从分析结果来看，大巴扎客流高峰出现在12点-19点，占总客流量的65%；去过大巴扎的客流的活动地以附近区域为主。红山公园客流高峰时段出现在12点-18点，占总客流量的53%，到达的客流比较均衡，其来访客流的活动地也集中在附近地区。此类景点可归为一类，此类景点仅对周边区域的交通造成一定的影响，可考虑慢行交通及高峰时段的公共交通设施的安排。

而水磨沟公园客流高峰出现在13点-17点，占总客流量的58%；红光山客流时辰分布比较均匀，去过红光山和水磨沟公园的客流的活动地比较分散。

图4 城市不同分区与旅游景点的联系强度

图5 旅游景点客流的到达时间分布

2.旅游景点与城市空间要素关系

旅游景点客流空间来源去向分布一定程度上还受城市空间要素分布影响。利用百度地图的API接口在线获取乌鲁木齐市的兴趣点数据，主要包括旅游景点、星级酒店、购物设施等旅游相关POI坐标位置点。将POI匹配至交通小区，利用因子分析法、聚类分析法，结合城市用地标准对交通小区占主导的功能类型进行识别。

以水磨沟公园及大巴扎为例进行研究，水磨沟公园与其他旅游景点的关联强度较强，也就是说游览水磨沟公园的游客会更大可能的同时去其他景点进行游览，而相对于其他城市要素而言较为孤立。相对而言，大巴扎与其他旅游景点的关联强度较弱，与旅游景区周边的其他城市要素有较强的关联。前往大巴扎游玩的游客更倾向于在旅游景点周边停留，与购物设施或商务写字楼等要素集聚区的联系较为密切。

乌鲁木齐市亚欧博览会客流特征研究

在9月份亚欧博览会期间，乌鲁木齐的交通特征也会发生微妙的变化，为了准确把握亚欧博览会期间乌市的交通特征，分析客流的变化，本研究亦应用手机大数据进行了亚欧博览会客流特征分析。

1.亚博会展馆客流来源分析

9月20日到9月25日期间，到达离开亚博会展馆的总客流约34万人次，其中本市人口为12.9万人次，占比为38%；外省市人口为21.1万人次，占比为62%。本市客流主要集中在天山、高新、水磨沟三个区，三个区客源比重达到82%。外市客流夜宿地主要集中在高新、水磨沟、沙依巴克三个区，三个区比重达到79%。

2.外市客流在乌市期间参观景点的轨迹分析

9月20日到9月25日期间，去过亚博会的流动人口中，同时又去过大巴扎、水磨沟公园、红光山、红山公园中一个景点的外市人口中，其中去过红光山的人最多，占到50%，这与红光山与会展中心距离最小有关。

图8 亚博会客流参观其他景点的流量分布

图9 参加亚博会同时去旅游景点的外市人口活动地分布

参加亚博会同时去大巴扎的外市人口活动地分布在会展中心周围，大巴扎周围以及机场组团。参加亚博会同时去水磨沟公园的外市人口活动地分布在会展中心周围，水磨沟公园以及中心城区部分小区。参加亚博会同时去红山公园的外市人口活动地分布在主要分布地：会展中心周围和高铁组团。参加亚博会同时去红光山的外市人口活动地分布在会展中心和红光山周围，机场组团以及城北区北部。

手机大数据能够实现对用户连续的运动轨迹的追踪，有利于分析用户的出行活动以及停留地点和时间，能够更加真实的刻画用户的活动特征，能够有效的刻画旅游交通客流的时空集聚特征。本文基于手机信令数据提出针对乌鲁木齐市常住人口识别算法、短期流动人口识别算法，从而确认本研究的研究对象。另外，研究提出手机用户轨迹识别的办法，并进一步获得旅游交通客流分析模型，探讨了手机信令数据在景区客流分析中的实际应用。

旅游交通调查存在旅游人口出行活动随机性强、收集流动旅游人口问卷的困难，存在不能频繁针对大型集会进行实时调查的困难，基于手机信令数据一方面可对旅游人口的活动特征进行较为充分的把握，另一方面可对景区与城市其它相关因素之间的关系进行分析，为满足游客的食住及其相关出行的设施布设规划提供了良好的分析基础。