陳小鴻，陳先龍，，李彩霞，陳嘉超

（1.同濟大學(xué)道路與交通工程教育部重點實驗室上海201804；2.廣州市交通規(guī)劃研究院信息模型所，廣東廣州510030）

居民出行調(diào)查（household travel survey，HTS）是對城市居民家庭屬性、個人特征、出行日志活動和意愿等的專項調(diào)查，是交通模型開發(fā)與城市交通需求中長期的預(yù)測基礎(chǔ)。居民出行調(diào)查最早起源于1930年代的美國［1］，并在隨后的底特律都市區(qū)交通研究［2-3］和芝加哥交通研究［4-5］中得以完善。由于調(diào)查數(shù)據(jù)可以關(guān)聯(lián)出行者屬性和出行活動屬性，迄今為止沒有其他調(diào)查或數(shù)據(jù)可以替代。但居民出行調(diào)查是一種抽樣調(diào)查，必須通過擴樣來推斷總體特征指標。既有居民出行調(diào)查擴樣［6］模型主要包括基于抽樣率的簡單加權(quán)擴樣和基于多種母體數(shù)據(jù)多重加權(quán)擴樣。從擴樣結(jié)果來看看，多重加權(quán)擴樣由于引入了更多的約束條件，更能夠接近城市實際，但樣本的缺陷及誤差，特別是沉默出行需求（unreported trip record）難以在擴樣過程中得到根本上的修正。沉默出行需求主要是指調(diào)查過程中因調(diào)查員漏填或者被調(diào)查對象漏報或者瞞報出行活動記錄。一般而言，調(diào)查數(shù)據(jù)采集過程中，上下班、上學(xué)/放學(xué)、日常生活部分的剛性出行記錄填報通常比較完整，其他非日?；顒拥膹椥猿鲂谢顒觿t容易缺失，特別是涉及個人私密信息的出行活動基本無法獲取。居民出行調(diào)查本身是一項高投入、高成本的綜合性調(diào)查，難以重復(fù)實施，且一旦調(diào)查實施完成就無法更改。所以對沉默出行需求的處理辦法不多，目前使用最廣泛的技術(shù)為開展志愿者調(diào)查，利用GPS輔助技術(shù)獲得志愿者全軌跡數(shù)據(jù)，對出行調(diào)查記錄表格進行補充，但通常志愿者樣本量有限?？傮w來說，由于沉默出行需求的占比高，數(shù)據(jù)挖掘難度大，這也是擴樣分析過程中公認的重點和難點。

從 國 際 上 來 看，全 美 居 民 出 行 調(diào) 查［7，8］（National Household Travel Survey，NHTS）所采用的擴樣方法均為加權(quán)擴樣，主要考慮了家庭和個人2種母體要素及無響應(yīng)率（none-response rate）。2010/2011紐 約 居 民 出 行 調(diào) 查［9］及HOBBS［10］、Richardson［11］等所采用的擴樣方法也同樣是加權(quán)擴樣模型。英格蘭全國居民出行調(diào)查［12］開始于1988年，每年度開展一次，2018年調(diào)查［13］擴樣仍采用的是加權(quán)擴樣模型。其他一些國家也開展全國性的居民出行調(diào)查，如新西蘭［14］，愛爾蘭［15］，南非［16］等均采用的是加權(quán)擴樣模型。國外的研究主要采用加權(quán)擴樣模型，依賴較為詳細的家庭屬性和個人屬性分類數(shù)據(jù)，在此基礎(chǔ)上非常重視對沉默出行需求的 研 究 ，如 Argiropoulos［17］、Forsman［18］、Heathcote［19］等，DVRPC［20］還采用了志愿者GPS軌跡數(shù)據(jù)來進行修正。

中國大陸城市開展居民出行調(diào)查起步較晚，天津［21］于1981年率先在國內(nèi)開展居民出行調(diào)查，隨后北京［22］、上海［23］、廣州［24］等超大城市陸續(xù)開展了該項工作。住房和城鄉(xiāng)建設(shè)部2014年發(fā)布的《城市綜合交通體系規(guī)劃交通調(diào)查導(dǎo)則》［25］和2018年推出的《城市綜合交通調(diào)查技術(shù)標準（GB/T 51334—2018）》［26］進一步促進了中國大陸城市開展居民出行調(diào)查的規(guī)范化。在擴樣方法方面，國外城市基本采用的都是按照人口的分類來構(gòu)造擴樣母體進行加權(quán)擴樣的方法，主要考慮的因素包括家庭特征（家庭組成、收入、車輛擁有）及個人屬性（年齡、性別、就業(yè)就學(xué)等）。本世紀之前，國內(nèi)城市基本沿用了此類加權(quán)擴樣方法［27-28］。香港［29-30］開展居民出行調(diào)查工作相對較早，1973年開展了第一次居民出行調(diào)查，并在1981、1992、2002和2011年相繼開展該項工作，并配合完成了五次交通模型的開發(fā)和維護工作。在擴樣模型方面，香港也采用的是加權(quán)擴樣方法。其他方面，李炬［31］設(shè)計了分數(shù)據(jù)源、分對象、分方式的三步式組合擴樣模型；彭澤宇［32］在組合擴樣模型的基礎(chǔ)上引入了Bootstrap重抽樣原理構(gòu)建擴樣評價指標體系；李元［33］同樣使用加權(quán)擴樣方法來設(shè)計居民出行調(diào)查擴樣分析系統(tǒng)。同樣，國內(nèi)也比較重視對沉默出行需求的挖掘工作，天津在2011年第五次綜合交通調(diào)查［21］中在國內(nèi)率先使用GPS輔助設(shè)備來挖掘沉默出行需求，隨后廣州［6，34］也進行了應(yīng)用，取得了較好的效果。

總體來說，采用加權(quán)校核擴樣模型推斷的居民出行特征指標，雖然能夠比樣本指標更加符合城市實際，但無法彌補抽樣調(diào)查的局限性。首先是調(diào)查母體可靠性問題，特別是城市人口規(guī)模的準確性；其次是漏報率問題，國內(nèi)外研究的結(jié)論居民出行調(diào)查漏報率通常在30%以上；最后是小樣本調(diào)查所得結(jié)果的空間分布誤差影響。本文通過對居民出行調(diào)查誤差成因解析，嘗試通過手機信令數(shù)據(jù)和交通模型相結(jié)合的方法對母體特征、出行強度和空間分布等進行研究，以修正居民出行調(diào)查的原生缺陷。

1 居民出行調(diào)查誤差成因及加權(quán)擴樣的問題分析

1.1 居民出行調(diào)查誤差成因分析

正如Weisberg［35］所描述的，調(diào)查誤差分為涵蓋誤差（樣本母體的準確性）、抽樣誤差、測量誤差、未響應(yīng)誤差和后處理誤差。作為一種典型的抽樣調(diào)查，居民出行調(diào)查的誤差來源包含3個階段：抽樣階段、調(diào)查階段和分析階段。抽樣誤差主要是因為不能做到完全隨機抽樣或者均勻抽樣，造成樣本分布與母體特征不能完全一致，如年齡結(jié)構(gòu)、從業(yè)情況、車輛擁有等特征的差異，此外作為抽樣母體的人口數(shù)據(jù)不準確也會帶來抽樣率失真，特別是中國城市仍然處于快速城鎮(zhèn)化過程中、人口流動性大。第二階段是調(diào)查誤差，主要包括漏報/瞞報，錯填等，特別是當(dāng)前市民對隱私保護意識不斷增強，瞞報、漏報普遍存在，這也是后續(xù)擴樣分析難度最大的沉默出行需求的主要組成部分；同時，調(diào)查員填寫錯誤也難以完全避免。第三階段則是擴樣分析誤差，原始調(diào)查數(shù)據(jù)校驗、母體數(shù)據(jù)可靠性甄別以及擴樣模型選擇等。三個階段的調(diào)查誤差疊加、最終有可能導(dǎo)致推斷的居民出行調(diào)查指標失真。

1.2 加權(quán)擴樣模型

加權(quán)擴樣是指通過樣本量乘以權(quán)重系數(shù)（樣本數(shù)/總體），居民出行調(diào)查中所采用的直接擴樣方法為最簡單的加權(quán)擴樣模型。

式中：G′為擴樣所得總體指標；S為樣本指標；W為權(quán)重，取值為1/抽樣率。

在居民出行調(diào)查過程中，單因素擴樣所得結(jié)果通常與實際偏差較大，這就要求引入更多的約束條件，如出行主體的年齡段、車輛擁有、從業(yè)情況等進行分類。理想情形是按照交叉分類進行擴樣，但由于居民出行調(diào)查抽樣率較低，更詳細分類（圖1所示，人口可以細分為多達8 640類）相應(yīng)的樣本數(shù)量會比較少，且對應(yīng)母體可獲得性差，同時由于樣本數(shù)量過少對母體特征覆蓋更差，擴樣結(jié)果可能會產(chǎn)生更大的偏差。此外，采用單一變量逐步擴樣方法只能滿足當(dāng)前變量的擴樣約束條件，例如滿足了年齡段結(jié)構(gòu)的要求而車輛擁有可能發(fā)生了改變，為此嵌套了迭代循環(huán)的多重加權(quán)擴樣模型被提出。由于多重加權(quán)擴樣的各層之間互相獨立，必然產(chǎn)生無法同時滿足各重約束的問題，基于循環(huán)的多重加權(quán)擴樣模型被用于增強對多重約束條件的符合度。國內(nèi)2015年之前開展的居民出行調(diào)查擴樣工作大多采用此類方法，計算流程見圖2。

圖1 調(diào)查對象分類示意Fig.1 Population classification for HTS

1.3 加權(quán)擴樣模型存在的問題

圖2 多重循環(huán)加權(quán)擴樣計算流程Fig.2 Procedure of multilevel expansion with loop

雖然多重循環(huán)加權(quán)擴樣能夠避免單因素加權(quán)擴樣誤差，同時增加對多重約束條件的符合性，但還是存在一定問題。首先，加權(quán)擴樣完全依賴調(diào)查樣本數(shù)據(jù)，而沉默出行需求部分的出行幾乎沒有記錄，只能通過漏報率指標強行補充和修正，難以對其目的、方式、空間分布等指標進行校正。其次，出行主體人具有多重屬性，包括家庭特征（家庭區(qū)位、人口組成、車輛擁有等）和個人特征（年齡、性別、從業(yè)情況、收入等），進行完備分類并獲取母體指標的難度較大。第三，出行本身是多維指標，包括強度、目的、方式、空間和時間等要素，由于居民出行調(diào)查基于家庭開展，是一種發(fā)生端調(diào)查，所得出行強度和目的指標相對比較可靠，交通方式、空間聯(lián)系和時間及耗時分布則受樣本影響較大。第四，加權(quán)擴樣結(jié)果受樣本指標的影響較大，一方面抽樣率相對較小無法覆蓋所有類型的樣本，另一方面小概率出行記錄會影響整體指標。第五，居民出行調(diào)查的本質(zhì)為特征調(diào)查，前面幾種問題的影響在加權(quán)擴樣中會產(chǎn)生疊加甚至放大，所得城市總體出行指標與實際存在偏差，不能直接應(yīng)用于城市交通運行評價，只能作為交通模型的輸入?yún)?shù)間接使用。最后，多重循環(huán)加權(quán)擴樣模型的收斂條件難以確定，只能是在實際應(yīng)用過程中根據(jù)具體情況取值，一般經(jīng)驗是內(nèi)層循環(huán)次數(shù)為3～5次、外層循環(huán)8～10次計算結(jié)果即可基本穩(wěn)定。

2 手機信令數(shù)據(jù)分析出行行為方法特點分析

隨著智能手機的普及，2010以來手機話單數(shù)據(jù)、信令數(shù)據(jù)和各類互聯(lián)網(wǎng)數(shù)據(jù)被逐漸應(yīng)用到出行行為［36-38］分析中。一方面使得對人的行為與活動追蹤成為可能，另一方面也為交通模型眾多不確定的輸入提供了可能邊界。首先，人口母體更加明確。以往人口數(shù)據(jù)更多依賴統(tǒng)計局、公安局和民政局等政府部門提供的統(tǒng)計數(shù)據(jù)，不僅數(shù)據(jù)因統(tǒng)計口徑不同差異較大，活動人口數(shù)量與真實住地也不能充分反映。其次，就業(yè)崗位分布更加準確。經(jīng)濟普查所得的就業(yè)崗位數(shù)為機構(gòu)注冊地，注冊地和實際工作地分離較為普遍。長周期的移動通信大數(shù)據(jù)有助于推算更加準確的崗位分布情況。第三，職住之間的對應(yīng)關(guān)系得以建立。傳統(tǒng)統(tǒng)計口徑人口和崗位數(shù)據(jù)之間是互相獨立的，通過長周期移動通信數(shù)據(jù)分析，可以建立人口和崗位之間的對應(yīng)關(guān)系，這為解析城市通勤出行打下更堅實的基礎(chǔ)。第四，移動通信數(shù)據(jù)可以用于人的空間移動識別。傳統(tǒng)調(diào)查對人的出行來自受訪對象的填報，存在可能涉及隱私出行瞞報和遺忘出行漏報的情形，而移動通行數(shù)據(jù)可以還原全日出行活動，有助于沉默出行需求［29］的挖掘。第五，手機信令數(shù)據(jù)的樣本量大，能夠減少抽樣調(diào)查樣本代表性不足帶來的誤差。

手機信令數(shù)據(jù)的特點能夠較好地彌補抽樣調(diào)查的不足，但也存在一定的局限性。首先，難以實現(xiàn)活動人口完全覆蓋。即便是用戶數(shù)最多的中國移動公司其市場占有率也只是70%左右，總有非手機用戶的存在，即使獲得了所有運營商的數(shù)據(jù)也不能覆蓋所有人口，而且一人多號的問題普遍存在，所以使用手機信令數(shù)據(jù)也需要進行擴樣和校核。其次，手機信令數(shù)據(jù)的信息量相對有限，并不能開展準確的出行行為及影響要素分析。手機信令數(shù)據(jù)提供的位置信息依賴于的基站地理位置坐標，精度受限；移動過程中觸發(fā)基站位置漂移頻發(fā)，帶來駐點識別難度大且存在不確定性；出行活動的目的識別難度大且所用交通方式獲取困難；缺少出行主體的職業(yè)等用戶特征信息。而這些恰是居民出行調(diào)查的優(yōu)勢所在。

綜上所述，充分發(fā)揮手機信令和抽樣調(diào)查數(shù)據(jù)的特點，將二者的優(yōu)點融合、有助于更準確地解析居民出行特征和城市交通系統(tǒng)運行狀態(tài)。

3 基于手機信令數(shù)據(jù)的居民出行調(diào)查擴樣模型設(shè)計與算法

3.1 數(shù)據(jù)基礎(chǔ)與模型結(jié)構(gòu)總體設(shè)計

本文所使用的數(shù)據(jù)基礎(chǔ)主要包括居民出行調(diào)查數(shù)據(jù)、手機信令數(shù)據(jù)、交通運行狀態(tài)監(jiān)測數(shù)據(jù)、公交IC卡、出租車GPS數(shù)據(jù)和高速公路收費數(shù)據(jù)、卡口車牌識別數(shù)據(jù)和其他統(tǒng)計數(shù)據(jù)，詳見表1所示。

傳統(tǒng)方法中，居民出行調(diào)查所得特征指標是交通模型的核心輸入?yún)?shù)。需求預(yù)測建模基本思路是基于交通小區(qū)的人口、就業(yè)、車輛擁有等屬性和交通設(shè)施網(wǎng)絡(luò)，結(jié)合居民出行調(diào)查指標和城市交通運行指標及統(tǒng)計數(shù)據(jù)、對交通模型進行標定和校核，完成初步交通模型開發(fā)。在此基礎(chǔ)上，利用城市交通運行指標，使用包括OD矩陣估計等方法，完成交通模型的進一步校正，得到能夠與城市交通運行狀況基本匹配的交通模型。從結(jié)果來看，出行分布是基于數(shù)學(xué)規(guī)劃模型最優(yōu)化求解結(jié)果，滿足modelled trip length distribution（MTLD）和observed trip length distribution（OTLD）最佳擬合，可以理解為無窮解中與設(shè)定約束和收斂條件匹配最好的一組。但是否能夠真實反映城市交通活動實際狀況仍然存疑，主要包含兩個方面的問題，一是觀測所得OTLD為抽樣調(diào)查結(jié)果，存在誤差是必然的；二是城市通常是多中心的，數(shù)學(xué)上的最優(yōu)解只是可行解而必定不是現(xiàn)實的唯一正確解。為了解決傳統(tǒng)加權(quán)擴樣及交通模型中存在的這些問題，本文提出了基于手機信令數(shù)據(jù)的居民出行調(diào)查擴樣模型，核心思想是基于手機信令數(shù)據(jù)開展出行分布研究，獲得分時段分目的出行分布矩陣，在此基礎(chǔ)上完成基于居民出行調(diào)查記錄RP（revealed preference）數(shù)據(jù)的交通方式劃分模型標定、并利用交通運行數(shù)據(jù)進行校驗，最后獲得城市居民出行特征指標，模型結(jié)構(gòu)見圖3。

模型主要包含5個步驟：

（1）基于手機信令數(shù)據(jù)的分目的分時段OD矩陣計算：通過手機信令數(shù)據(jù)推斷用戶的職住分布，結(jié)合嵌入職住位置信息的駐點分析模型，推斷出行目的（分通勤、基家生活、基家其他和非基家），進而獲得分時段、分目的OD矩陣，這是模型的第一個難點。

（2）居民出行調(diào)查數(shù)據(jù)整理：對調(diào)查所得出行記錄進行整理，獲得每次出行的基本屬性，包括交通方式、出行距離、出行耗時、出行費用及其他指標，并通過加權(quán)擴樣獲得初始權(quán)重系數(shù)。

表1 主要數(shù)據(jù)源及說明Tab.1 Description of datasets

（3）基于交通模型的分時段交通系統(tǒng)運行指標：分早、晚高峰和平峰、夜間4個時段，各OD點對之間的出行距離、耗時、費用等指標，一方面用于檢驗校核對應(yīng)的樣本數(shù)據(jù)，同時為無樣本OD點對提供出行指標數(shù)據(jù)。

（4）基于RP數(shù)據(jù)的交通方式劃分模型標定：通過居民出行調(diào)查所獲得出行記錄和初始權(quán)重系數(shù)，對交通方式劃分模型進行標定，并計算模擬所得分時段分目的分方式OD矩陣，這是模型第二個難點。

（5）交通系統(tǒng)運行監(jiān)測數(shù)據(jù)校驗：將第四步所得調(diào)查OD矩陣與交通系統(tǒng)運行監(jiān)測所得矩陣進行校驗，作為模型收斂條件，如滿足要求則循環(huán)停止，否則重新計算出行記錄的權(quán)重系數(shù)，并返回第二步開始新的循環(huán)。所使用的公交OD和軌道OD矩陣數(shù)據(jù)源自公交IC卡數(shù)據(jù)分析結(jié)果；出租車OD矩陣源自出租車GPS軌跡及載客數(shù)據(jù)分析結(jié)果；小汽車OD矩陣則來自2 379個道路卡口及高速公路收費流水分析結(jié)果。

3.2 基于手機信令數(shù)據(jù)的駐點識別與出行分布模型研究

利用手機信令數(shù)據(jù)進行職住分析已經(jīng)有較為成熟的解決方案，但用于分析出行活動尚處于探索過程中。究其原因，手機信令數(shù)據(jù)的位置信息依賴基站且在活動過程中漂移頻發(fā)，造成結(jié)果不穩(wěn)定。為此，對于常住人口筆者設(shè)計了嵌入職住的時空核聚類初始駐點分類模型［6］，模型結(jié)構(gòu)見圖4，研究的基本要素主要包括時間、距離、速度，基于中國移動PaaS平臺工作環(huán)境，先對用戶進行時間坐標排序，并將初始點標識為駐留點，采用啟發(fā)式搜索方法，從初始點往下搜索每一個時間點的坐標是否滿足時空出行的時間、距離和速度要求，滿足時空間出行要求的坐標點，暫定為位移點，直至搜索到不滿足出行要求的坐標點，則上一刻坐標點為駐留點，再基于此刻駐留點，再循環(huán)向下搜索滿足條件的駐留點。駐點識別主要參數(shù)閾值如下：①由于信令為模糊位置數(shù)據(jù)，短距離出行較為敏感，經(jīng)測試將最小可識別出行距離設(shè)為700m計算結(jié)果趨于穩(wěn)定；②對于出行距離小于5km的短距離出行，出行時間大于5min，出行速度大于步行速度1km·h-1；③對于出行距離大于5km的長距離出行，出行速度大于5km·h-1。

以駐點分類為基礎(chǔ)，研究結(jié)合出行者的駐點序列、職住地及駐點時空聯(lián)系，提出了駐點與出行目的分類準則（見圖5）：①通勤（含通學(xué)）：與居住地高頻聯(lián)系，且活動呈周期性；②生活出行：高頻聯(lián)系駐點，經(jīng)常居家往返或返家過程中逗留，活動時間較為固定，且呈區(qū)域一致性（區(qū)域中較多用戶訪問該駐點的頻率較高）；③商務(wù)出行：和工作地高頻聯(lián)系；④其他出行：其他無規(guī)律出行。

圖3 基于手機信令數(shù)據(jù)的居民出行調(diào)查擴樣模型系統(tǒng)結(jié)構(gòu)Fig.3 Expansion model framework of HTSbased on cellphone data

根據(jù)以上分類準則，最終獲得各類出行活動組成見表2，由于商務(wù)出行比例較低（約1.5%），在后續(xù)應(yīng)用中將商務(wù)出行并入其他出行來處理。從數(shù)據(jù)中不難發(fā)現(xiàn)，城市日常出行活動中與三類具有穩(wěn)定性特點的駐點（家、工作地和生活駐點）相關(guān)的出行活動約占2/3，其他偶然出行則約占1/3，這也在一定程度上說明了城市的相對穩(wěn)定性。

3.3 基于居民出行調(diào)查樣本RP數(shù)據(jù)的方式劃分模型

與SP調(diào)查數(shù)據(jù)不同，居民出行記錄只包含本次出行所使用的交通方式的特征指標信息，缺少其他可供選擇交通方式的特征指標，需要進行補充。一般可以使用交通模型進行特征矩陣計算（Skim Matrix）獲得。關(guān)于交通方式劃分模型的標定William Greene［39］在其綜述性文獻《Discrete Choice modelling》中對多元logit模型（Multinational Logit Model，MNL）、混 合logit模 型（Mixed Logit Model）、巢式logit模型（Nested Logit Model）等離散選擇模型均有非常全面的描述，考慮各種交通方式的無關(guān)獨立性（Independence of irrelevant alternatives，IIA），本文選擇Nested logit模型作為待標定的模型結(jié)構(gòu)。鑒于手機信令數(shù)據(jù)在短距離出行識別誤差較大的特點，研究結(jié)合調(diào)查基礎(chǔ)數(shù)據(jù)和既有交通模型，剔除了步行交通方式，設(shè)計了包含自行車、助動車、摩托車、出租車、小汽車、公交車和軌道交通在內(nèi)的7種交通方式組成的Nested Logit模型（圖6）。

經(jīng)整理，調(diào)查數(shù)據(jù)庫中包含非步行交通方式的從家出發(fā)去工作的出行記錄53 336條，約占全部調(diào)查記錄的32.3%。結(jié)合不同交通方式的特點選擇不同特征變量指標來構(gòu)建效用函數(shù)（utility function），主要包括時間、費用（票價或使用費、停車費、道路收費，……）、換乘次數(shù)、車內(nèi)時間、車外時間等指標。對于單次出行所選擇的交通方式使用調(diào)查所得指標，對于未選擇交通方式則利用高德地圖API獲取出行起終點對應(yīng)出行時段的起訖點（居民出行調(diào)查出行互動的起訖點信息為經(jīng)緯度坐標）之間各種交通方式的距離、耗時、換乘、票價等指標。

使用通用離散選擇模型分析軟件NLOGIT對該模型進行標定，模型計算結(jié)果見表4，所有特征變量的參數(shù)標定結(jié)果的特征參數(shù)的顯著性水平都在1%以內(nèi)，模型結(jié)果可以用于后續(xù)的計算。

圖4 駐點判斷及分類模型結(jié)構(gòu)Fig.4 Model framework of stay-points identification and classification

圖5 手機信令駐點分類邏輯示意Fig.5 Logic diagram for classification of stationary points based on cellphone data

表2 基于手機信令數(shù)據(jù)的出行活動分類識別結(jié)果Tab.2 Classification of trip purposes based on cellphone data%

圖6 Nested Logit模型結(jié)構(gòu)Fig.6 Framework of Nested Logit model

表3 各交通方式效用函數(shù)Tab.3 Utility function by different modes

表4 基家工作（HBW）出行交通方式劃分模型標定結(jié)果指標Tab.4 HBW parameter calibration result for mode split

4 擴樣模型驗證與改善效果分析

提出的居民出行調(diào)查擴樣方法，在傳統(tǒng)調(diào)查方法可獲得出行多要素影響關(guān)系基礎(chǔ)上、利用了手機信令數(shù)據(jù)在職住關(guān)系和出行空間分布識別的優(yōu)勢，獲得出行關(guān)鍵指標更可靠的估計。本節(jié)主要從出行目的構(gòu)成、時辰分布和出行距離，比較傳統(tǒng)多維加權(quán)擴樣與入戶調(diào)查+手機信令相結(jié)合方法的差異，以及后者的改善效果。

4.1 出行目的

調(diào)查樣本中通勤及通學(xué)出行目的等剛性交通出行記錄占比最大，達67.3%，而非基家出行目的僅占1.5%。對照志愿者調(diào)查結(jié)果，約存在31%的漏報、瞞報出行，而其出行目的主要為非基家的彈性出行活動。如表5所示，結(jié)合志愿者調(diào)查的加權(quán)擴樣方法能夠有效挖掘彈性出行目的交通需求，非基家出行比例增加到12.4%。與樣本及加權(quán)擴樣的結(jié)果相比，基于手機信令駐點分類技術(shù)所獲得的結(jié)果中基家通勤/通學(xué)出行比例進一步減少，而非基家及基家其他出行的彈性出行活動明顯增加。通勤及通學(xué)占比減少原因，主要是部分中小學(xué)生無手機且大部分小學(xué)生出行距離較短，難以通過手機信令識別，而非基家彈性出行目的占比的提升，可以解釋為手機信令數(shù)據(jù)對此類出行活動的捕獲更加全面。

表5 不同分類方法出行目的組成結(jié)構(gòu)比較Tab.5 Comparison of trip purpose composition for different methods%

4.2 時間分布

從出發(fā)時間分布來看（見圖7），調(diào)查樣本對通勤時段覆蓋較好，通過疊加沉默出行需求的加權(quán)擴樣方法能夠在一定程度上實現(xiàn)出行時辰分布的更優(yōu)化，彌補抽樣調(diào)查的不足。但從形態(tài)來看，手機信令數(shù)據(jù)的晚間高峰特征更符合廣州的實際。

圖7 不同擴樣模型出行時間分布比較Fig.7 Comparison of time of day of different models

4.3 出行距離

從出行距離分布來看（見表6），調(diào)查樣本的短距離出行所占比重較大，長距離出行則相對較少。通過加權(quán)擴樣能夠在一定程度上修正調(diào)查樣本出行距離分布的偏差，但由于擴樣的基礎(chǔ)為調(diào)查樣本，其原生缺陷無法得到修正，具體表現(xiàn)為跨區(qū)域超長距離出行樣本擴樣系數(shù)較大、導(dǎo)致超過50km出行占比達6.1%，這與地鐵OD、出租車OD及道路卡口推算所得小汽車OD所獲得的長距離出行量存在一定的差異，無疑手機信令推算結(jié)果在空間分布和距離分布上具有更高的可靠性。

表6 出行距離分布比較Tab.6 Trip length distribution of different models

5 結(jié)語

基于手機信令數(shù)據(jù)的居民出行調(diào)查擴樣，本質(zhì)是一種仿真模擬的計算方法。通過長周期的手機信令數(shù)據(jù)推斷人口職住分布及出行OD，并利用居民出行調(diào)查所獲得RP數(shù)據(jù)進行交通方式劃分模型標定，得到分目的、分交通方式出行OD矩陣，擴樣結(jié)果能夠在一定程度上對樣本的原生缺陷進行修正。對比傳統(tǒng)的加權(quán)擴樣方法，新的模型在出行強度及目的組成、時辰分布、距離分布的符合性等方面有明顯改善作用，特別是在揭示因瞞報、漏報而產(chǎn)生等的沉默出行需求方面作用顯著，這為開展居民出行調(diào)查擴樣和校核工作提供了一種新的手段。但由于手機信令數(shù)據(jù)本身為用戶的副產(chǎn)品，模糊地址、出行目的存在不確定性，無可靠交通方式信息等局限，也決定了它不能完全替代傳統(tǒng)的居民出行問卷調(diào)查。此外，由于缺少手機用戶屬性個體信息，難以按照傳統(tǒng)交通模型的有無車輛來開展模型標定工作，有必要結(jié)合交通模型技術(shù)開展進一步的標定和校驗。手機信令數(shù)據(jù)、交通運行動態(tài)監(jiān)測數(shù)據(jù)、傳統(tǒng)居民出行特征調(diào)查與交通模型技術(shù)的聯(lián)合，有助于更好地闡釋城市出行活動規(guī)律，為城市交通綜合治理與規(guī)劃、運行和管理決策提供科學(xué)依據(jù)。

作者貢獻申明：

陳小鴻：參與研究選題、論文框架設(shè)計、論文修訂和審核。

陳先龍：參與研究選題、方案設(shè)計和實施，并承當(dāng)了論文的撰寫和修改工作。

李彩霞：參與了部分數(shù)據(jù)整理和統(tǒng)計分析工作。

陳嘉超：參與了部分數(shù)據(jù)整理和統(tǒng)計分析工作。