王衛(wèi)鋒,胡靖昊,賀琰,宋現(xiàn)鋒,芮小平,劉軍利,朱克忞

(1 中國科學(xué)院大學(xué)資源與環(huán)境學(xué)院, 北京 100049; 2 河海大學(xué)地球科學(xué)與工程學(xué)院, 南京 210098;3 中國科學(xué)院深圳先進技術(shù)研究院, 廣東 深圳 518055)

隨著互聯(lián)網(wǎng)的快速發(fā)展,“網(wǎng)約車”運營模式加劇了出租車行業(yè)的競爭[1-3],同時帶來一些新的變化。出租車司機從傳統(tǒng)“掃街”巡游載客,逐漸轉(zhuǎn)變?yōu)榧骖櫴謾CAPP的線上搶單載客;為了獲取更多載客機會,司機常攜帶多部手機并接入不同出行平臺(如:滴滴、滴答、首汽等)。出租司機在新形勢下的移動行為,如:尋客策略[4]、路徑選擇[5]、異常行為[6],引起越來越多專家學(xué)者的關(guān)注。時空軌跡是研究對象移動行為的重要數(shù)據(jù)源,單一時空軌跡受限于采樣頻率和定位精度,其語義信息的表達具有一定局限性[7]。然而,在城市交通運輸過程中,衛(wèi)星導(dǎo)航定位系統(tǒng)和地面移動通訊網(wǎng)絡(luò),均可對道路移動目標進行跟蹤定位,形成不同質(zhì)量的多源時空軌跡數(shù)據(jù)。將出租車司機的多源時空軌跡進行關(guān)聯(lián)融合分析,將有助于增強軌跡語義、獲取精準出行空間與運營特征,對出租車司機個體和群體移動行為的研究具有重要實用價值。

常用的出租車司機的多源時空軌跡數(shù)據(jù)包括出租車GNSS(global navigation satellite system)軌跡數(shù)據(jù)和手機Cell-ID軌跡數(shù)據(jù)等。出租車GNSS軌跡蘊含出租車司機的移動軌跡,具有定位精度高、采樣均勻等優(yōu)點[8],但出租車的營運存在輪班制模式,一輛出租車的GNSS軌跡記錄可能是多位司機營運軌跡的并集。手機Cell-ID軌跡的時空覆蓋率很高,但是個人社會屬性(如:職業(yè))不明且定位精度比較低,導(dǎo)致軌跡語義表達精度受限[9]。多源時空軌跡可以彌補單一數(shù)據(jù)源的不足。然而,多源時空軌跡關(guān)聯(lián)分析的一個關(guān)鍵問題是識別對象軌跡及其之間的對應(yīng)關(guān)系,常用的做法是通過軌跡的相似性計算和軌跡匹配,建立軌跡之間的關(guān)聯(lián),并將不同來源的軌跡數(shù)據(jù)歸屬到同一移動對象[10]。當(dāng)前常見的軌跡相似度度量方法包括:弗雷歇距離[11]、歐式距離[12]、動態(tài)時間歸整[13]、最長公共子序列[14]以及編輯距離[15]等,這些方法強調(diào)軌跡線的空間位置或形狀的相似性,忽略了時間維度的相似性;鎖時方法考慮上述空間距離的局限性,從時間維度上計算2個時間戳相同的點之間的空間距離,但軌跡噪聲點易引起鎖時新插值點的測度值異常[16]。

為克服上述數(shù)據(jù)及方法的不足,提出一種基于出租司機多源軌跡數(shù)據(jù)的同軌分析建模方法,集成多源軌跡數(shù)據(jù),深度挖掘出租司機的軌跡語義。通過對出租車GNSS軌跡和手機Cell-ID軌跡的時空匹配和同質(zhì)檢測建模,構(gòu)建“出租車-司機-手機”關(guān)聯(lián)關(guān)系,依據(jù)這種關(guān)系對出租車司機個體營運軌跡的出車與收車點進行時空探測。以北京市2016年8月4日匿名化加密的出租車GNSS數(shù)據(jù)和手機Cell-ID數(shù)據(jù)為實驗數(shù)據(jù)集,開展同軌分析研究并驗證方法的可行性與有效性。

1 方法

1.1 基本概念

出租車司機的多源軌跡同軌分析旨在從出租車GNSS軌跡與手機信令Cell-ID軌跡中,挖掘出那些攜帶手機的出租司機在營運過程中產(chǎn)生的時空高度同步的軌跡線對,同時據(jù)此提取出手機與車輛同一行駛路徑上的軌跡匹配段。出租車司機與乘客或出租司機與其他車輛的短程同行路段,未在本文考慮范圍。

軌跡匹配 給定一個出租車GNSS軌跡和一個手機Cell-ID軌跡,出租車與司機、司機與手機之間的關(guān)聯(lián)關(guān)系是未知的。通過GNSS軌跡與Cell-ID的軌跡匹配和Cell-ID軌跡之間的軌跡匹配,探查2類軌跡的匹配線對并構(gòu)建“出租車-司機-手機”關(guān)聯(lián)關(guān)系。

突變點檢測 給定一條出租車GNSS軌跡和一條與之高度時空匹配的手機Cell-ID軌跡,無論是輪班制還是單班制,2條軌跡僅在司機營運時段呈現(xiàn)匹配性,非營運時段則呈現(xiàn)失配性?；谕|(zhì)檢驗的突變點檢測,擬探出租司機營運時段與非營運時段的交接點,并作為出租車司機的出車點(或收車點)的位置信息。

1.2 時空相似度

假設(shè)一條時空軌跡T是由一組時間序列上的坐標點組成{p1,p2,…,pn},其中,點pi由空間坐標位置(xi,yi)與采集時間ti組成,n為軌跡T中坐標點的數(shù)目。給定一條出租車GNSS軌跡Tg和一條手機Cell-ID軌跡Tc,本文提出一種基于累積加權(quán)軌跡相似度度量指標,包括軌跡點的相似度和時空加權(quán)累積的線對相似度,具體步驟如下。

軌跡點對的相似度 歐氏距離是衡量2個坐標點之間相似性的最直接方法,但是由于手機Cell-ID軌跡采用基站位置近似代替手機用戶的真實位置,加之蜂窩基站密度及其覆蓋范圍在不同區(qū)域的差異性,本文采用分段函數(shù)法計算2條軌跡上同一時刻軌跡點之間的相似度。

m(pi,pj)=

(1)

時空軌跡的相似度 如果2條軌跡在比較長的時間內(nèi)高度時空同步,即認為這2條軌跡就具有相對較高的相似性。因此,將2條軌跡上同一時刻軌跡點對的相似度,沿著時間維度或空間維度分別加權(quán)累積[18],獲得2條軌跡的時間加權(quán)相似度(time weighted similarity, TWS)和空間加權(quán)相似度(space weighted similarity, SWS)。

(2)

SWS(Tg,Tc)=

(3)

基于2條軌跡在時間與空間2個維度上的相似性,提出一種基于累積加權(quán)軌跡相似度度量指標,用以表征車輛GNSS軌跡與手機Cell-ID軌跡之間的接近程度。

TSWS(Tg,Tc)=λ×TWS(Tg,Tc)+

(1-λ)×SWS(Tg,Tc).

(4)

其中:TSWS為2條軌跡之間的時空相似度,閾值范圍0～1;λ值為時間相似度與空間相似度的調(diào)整權(quán)重,閾值范圍0～1,缺省值為0.5。時空相似度TSWS是分析出租車GNSS軌跡與手機Cell-ID軌跡相似性以及手機Cell-ID軌跡之間相似性的重要測度指標,用于后續(xù)的“出租車-司機-手機”關(guān)聯(lián)關(guān)系分析工作。

1.3 “出租車-司機-手機”關(guān)聯(lián)關(guān)系重構(gòu)

為了重構(gòu)“出租車-司機-手機”的關(guān)聯(lián)關(guān)系,將多源軌跡進行軌跡匹配與軌跡聚類,基于1.1節(jié)定義的出租車司機的多源軌跡之間的時空相似度,實現(xiàn)“出租車-司機-手機”的關(guān)聯(lián)關(guān)系的重構(gòu),具體步驟如下。

“出租車-手機”關(guān)聯(lián)分析 給定一條出租車GNSS軌跡,為將該出租車司機的手機Cell-ID軌跡從海量手機信令數(shù)據(jù)庫集中快速檢索出來,采用初篩與精選相結(jié)合的兩步法?；谕饨泳匦?maximum boundary rectangle, MBR)的快速初篩方法,首先計算手機信令數(shù)據(jù)集的所有手機Cell-ID軌跡的外接矩形MBR并建立軌跡空間覆蓋范圍的R索引樹;然后以出租車軌跡的外接矩形為搜索范圍,快速排除其范圍外的手機Cell-ID軌跡,獲得同該出租車GNSS軌跡空間范圍相重疊的手機Cell-ID軌跡候選集。基于軌跡時空相似度的精選方法,首先計算候選集中每條手機Cell-ID軌跡和給定出租車GNSS軌跡的時空相似度值;然后采用受試者工作特征曲線[19](receiver operating characteristic curve,簡稱ROC曲線)確定時空相似度的經(jīng)驗閾值,將高于閾值的手機Cell-ID軌跡認定為該出租車的司機所攜帶手機記錄生成。

“手機-司機”關(guān)聯(lián)分析 給定一條出租車GNSS軌跡,“出租車-手機”關(guān)聯(lián)分析探查出多條屬于營運該車輛的手機Cell-ID軌跡且可能不屬于同一司機。由于同一司機攜帶的多部手機的Cell-ID軌跡有著較高的時空相似性,不同司機Cell-ID軌跡之間具有很低的時空相似性。因此,將與同一車輛關(guān)聯(lián)的手機Cell-ID軌跡進行層次聚類,可構(gòu)建“司機-手機”關(guān)聯(lián)關(guān)系。層次聚類是遞歸地對數(shù)據(jù)進行合并或分裂,將數(shù)據(jù)集劃分為嵌套的類層次結(jié)構(gòu)或類譜系樹,該方法最大優(yōu)點是其不同粒度的多層次聚類結(jié)構(gòu)[20]。手機Cell-ID軌跡層次聚類如圖1所示,首先,計算候選集中手機Cell-ID軌跡之間的時空相似度TSWS,將聚類的距離測度值定義為γ=1-TSWS生成軌跡之間的相似度距離矩陣;然后采用2條軌跡之間的最小距離作為簇間距離,生成聚類樹;最后確定聚類閾值并切割聚類樹,建立起司機與手機的對應(yīng)關(guān)系。

圖1 Cell-ID軌跡層次聚類Fig.1 Hierarchical clustering diagram of cell-ID trajectory

1.4 軌跡時空相似度的突變點檢測

盡管建立了GNSS與Cell-ID軌跡的匹配軌跡線對以及人車之間的關(guān)聯(lián)關(guān)系,但是仍然無法準確推斷出租司機個體的具體營運軌跡段,即確定出租司機出車與收車的時空位置。由于上述2種軌跡采樣頻率和定位精度不一致,由點的相似度并不能推斷連續(xù)軌跡段的匹配情況。然而,由于營運時段內(nèi)出租車與司機處于一體化狀態(tài),其GNSS與Cell-ID軌跡對點的時空相似度所構(gòu)成的時間序列呈現(xiàn)出比較好的同質(zhì)性且相似度很高;在非營運時段,由于人(手機)與車輛軌跡彼此分離,其2種軌跡的軌跡對點的時空相似度的時間序列呈現(xiàn)出同質(zhì)性差且相似度偏低的特征,因此在營運時段和非營運時段之間切換的時刻,其時間序列的狀態(tài)必然會出現(xiàn)沖突。因此,探測出租司機出車與收車的時空位置可以抽象為GNSS與Cell-ID軌跡線的軌跡點對的時空相似度時間序列的同質(zhì)性檢驗識別突變點問題。

突變檢測常用于序列分割、邊緣檢測和異常檢測等[21-22]。佩蒂特檢驗[23](Pettitt’s test)是一種非參數(shù)突變檢驗算法且不需要預(yù)先假設(shè)數(shù)據(jù)的分布,具有良好的性能。給定一個時間序列Xt,t=1,2,…,T在t=τ處將該時間序列分為2個子序列X1和X2,如果2個子序列的分布F1(X1)和F2(X2)不同,那么Xt在t=τ處為該時間序列的一個突變點。為識別時間序列的突變點,佩蒂特檢驗首先構(gòu)建一個類似于Mann-Whitney U Test[24]的統(tǒng)計量Ut,T:

(5)

Di,j=sgn(xi-xj),

(6)

(7)

若tk時刻滿足|Ut,T|絕對值最大,則tk為突變點。計算統(tǒng)計量

(8)

若P≤0.05,則認為tk時刻點為此時間序列X的突變點。此外,對于個人獨立營運的出租車司機在夜間休息時段車輛?？坑谏钚^(qū)內(nèi),使得非營運時段出租車GNSS軌跡與手機Cell-ID軌跡亦完全重合,此時2條軌跡的時空相似度無突變點。因此,采用Pettitt突變檢測出租車的運動指標(如速度),則可區(qū)分營運與非營運時段,發(fā)現(xiàn)出租司機營運軌跡的出車(收車)時間點。

2 結(jié)果

2.1 研究區(qū)與采集數(shù)據(jù)

以北京市為實驗區(qū),收集2016年8月4日的2.9萬多條出租車GNSS軌跡數(shù)據(jù),采集時間間隔約60 s,約5千萬個軌跡點記錄,同時還收集北京移動4G LET網(wǎng)絡(luò)信令數(shù)據(jù),35.8億多條信令記錄,含1 100萬條手機Cell-ID軌跡數(shù)據(jù),采集時間約10～300 s不等,間隔中位數(shù)值37 s。無論是出租車GNSS軌跡數(shù)據(jù)還是手機Cell-ID軌跡數(shù)據(jù),都經(jīng)過匿名化加密處理,以保護個人隱私。此外,從候選集中通過人工交互方式,解譯了905輛出租車GNSS軌跡以及對應(yīng)的3 850條Cell-ID軌跡,其中681條GNSS軌跡匹配出其司機Cell-ID軌跡1 109條,其中輪班制204輛,用于模型訓(xùn)練以及結(jié)果檢驗。

2.2 多源出租司機軌跡關(guān)聯(lián)分析

通過出租車司機的多源軌跡之間的關(guān)聯(lián)分析,從2套軌跡大數(shù)據(jù)集中,匹配出10 652輛出租車的GNSS軌跡和18 153個手機的Cell-ID軌跡,明確了“出租車-手機”的對應(yīng)關(guān)系。同時又通過對同一輛出租車的手機Cell-ID軌跡開展層次聚類分析,發(fā)現(xiàn)單班司機5 218人、雙班司機11 029人,其中14 883名司機攜帶手機1部、822名司機攜帶2部、542名司機攜帶3部,初步揭示了 “出租車-司機-手機”之間的關(guān)聯(lián)關(guān)系。北京出租車管理實行嚴格的注冊制,每輛車只能為單人營運或雙人輪班營運方式。軌跡時空匹配結(jié)果表明,出租車GNSS軌跡和司機手機Cell-ID軌跡表現(xiàn)出非常高的時空一致性,尤其是司機擁有多部手機的情況下,出租司機的營運軌跡更加清晰,雙班司機各自運營范圍的空間分布亦截然不同(圖2(a)～2(c)所示)。

2.3 出租車司機出車(收車)點的時空探測

軌跡線對的突變位置檢測分析所獲得的時空位置信息,提供了豐富的出租車司機移動行信息,例如:司機的營運時長、空間服務(wù)范圍、白班夜班、以及司機之間的交接班時間與位置等。以圖2的結(jié)果為例:圖2(a)多源軌跡的突變點檢測結(jié)果在圖2(d)顯示,司機1的收車時間點B(06:28:16),司機2的出車和收車時間點分別為C(06:19:43)與D(17:35:52);同理,圖2(b)多源軌跡對應(yīng)的突變檢測在圖2(e)顯示,B(06:31:17)和E(18:22:05)分別為司機1收車的收車與出車的時間點,C(06:44:17)和D(18:10:54)為司機2出車與收車時間點。可進一步推斷上述2個案例為白班與夜班方式的雙人輪班營運模式。圖2(c)顯示了出租車GNSS軌跡與司機手機Cell-ID軌跡的空間分布在24 h實驗時段內(nèi)完全重合,出車與收車的空間位置非常容易判別,但是出車與收車(圖2(f)所示)則依賴于Pettitt檢驗GNSS軌跡的運動指標(速度)獲得出車時間點A(06:46:53)與收車時間點B(22:12:35)。結(jié)果表明這是一名單人獨立營運的出租司機且運營時間長達15.4 h。根據(jù)多源軌跡的突變點檢測結(jié)果(圖2(d)～2(f)),將出租車GNSS軌跡按照不同司機的營運時段進行分段處理并地圖顯示(圖2(g)～2(h)),結(jié)果顯示:圖2(g)中點B和C、圖2(g)中點B和C,以及點D和E分別為輪班司機的交接班點。通過對比分析發(fā)現(xiàn),輪班司機的交接班發(fā)生時間和位置存在一定的誤差,但仍在可接受范圍之內(nèi)(見3.2討論部分)。

圖2 同軌分析結(jié)果Fig.2 Results of synchronized trajectory analysis

針對出租司機營運軌跡起終點的空間位置、出車(收車)時間和交接時間進行分析(圖3),結(jié)果表明:1)盡管出租司機營運軌跡的起終點在空間上比較分散,但雙人輪班司機的交接班點卻出現(xiàn)空間聚集現(xiàn)象。交接班點沿著京密路的東直門外香河園、北皋橋和沿著京藏高速路的德勝門、馬甸橋等地區(qū)存在明顯異常的高密度分布,且主要集中分布于各出京高速路口(圖3(a));2)出租司機營運出車(收車)時間呈現(xiàn)6～8點和17～19點2個高峰(圖3(b)),交接班高峰發(fā)生在4～6點和14～16點。從北京交通網(wǎng)絡(luò)與出租司機攀談?wù){(diào)查發(fā)現(xiàn),北京出租車司機大部分來自于遠郊的區(qū)縣,尤其是北京東北部的密云、懷柔與平谷和西北部的延慶、昌平等地。位于東直門、德勝門的公交樞紐及兩條干道的沿線車站和停車場成為出租司機主要交接車地點,這些地點不僅為郊區(qū)司機往返城區(qū)提供便利交通設(shè)施,也側(cè)面反映了出租司機的長路程通勤現(xiàn)狀。另外出租的營運起止時間2個高峰,與出行高峰高度一致,從另一層面反映出租司機在城市交通運輸中的要重性。于此同時交接班高峰發(fā)生在出行高峰之前,充分避免高峰交接,與實際調(diào)研情況相符。

圖3 出租司機出(收)車點的時空分布(含交接班點)Fig.3 The temporal and spatial distribution of taxi drivers’ shifting operation

圖4 軌跡相似度閾值分析Fig.4 Threshold analysis of trajectory similarity

3 討論

3.1 軌跡關(guān)聯(lián)分析精度與閾值討論

為驗證出租車多源軌跡的出租車與手機關(guān)聯(lián)關(guān)系的準確性,將人工解譯的716輛出租車相關(guān)樣本數(shù)據(jù)集,隨機選擇50%的數(shù)據(jù)集用于ROC曲線分析出租車GNSS軌跡與及其司機手機Cell-ID軌跡的時空相似度的分割閾值δ1=0.26,如(圖4(a)),其余樣本用于結(jié)果驗證,結(jié)果表明:“出租車-手機”關(guān)聯(lián)關(guān)系的準確率為89.1%、召回率93.5%、F1分數(shù)0.91。同樣為驗證手機-司機關(guān)聯(lián)關(guān)系的準確性,將人工解譯的輪班制數(shù)據(jù)集中50%出租車相關(guān)的手機Cell-ID軌跡作為訓(xùn)練樣本,對于同一司機的多部手機記錄的Cell-ID軌跡,兩兩組合計算時空相似度(簡稱“組內(nèi)相似度”),同時亦對不同司機之間的Cell-ID軌跡計算時空相似度(簡稱“組間相似度”)。統(tǒng)計組內(nèi)與組間相似度的頻率直方圖并做參數(shù)估計,發(fā)現(xiàn)前者接近伽馬分布,后者近似正態(tài)分布(圖4(b))。采用極大似然法估計算區(qū)分二者的閾值δ2=0.31,并將其設(shè)為層次聚類樹的切割閾值。另取輪班制解譯樣本剩余部分對聚類結(jié)果進行驗證,結(jié)果表明“手機-司機”關(guān)聯(lián)關(guān)系的準確率為95.4%、召回率為92.5%,以及F1分數(shù)為0.94。

3.2 多源軌跡的可靠性和精度影響討論

出租車GNSS軌跡的精度受到GNSS衛(wèi)星、傳播路徑、接收機等3方面的影響[25],手機Cell-ID軌跡的誤差受移動網(wǎng)絡(luò)基站、安裝環(huán)境以及信令采集頻率等影響。其中,城市道路兩側(cè)的樹木、建筑物引起的GNSS定位的多路徑效應(yīng)和手機信號的多重遮擋損耗是軌跡數(shù)據(jù)誤差產(chǎn)生的主要影響因素。通常GNSS在城市的定位誤差1～10 m[26]。手機Cell-ID位置采用向其提供通訊信號服務(wù)基站的天線位置近似表示(不是手機的真實地理位置),LTE-4G數(shù)據(jù)的定位誤差約為100～500 m[26]。這兩類時空數(shù)據(jù)的同軌分析過程中GNSS定位誤差可以忽略不記,重點考慮Cell-ID誤差對建模的影響。本文將人工解譯的樣本隨機分為3組,開展交叉驗證實驗,即對每組樣本均計算出租車GNSS軌跡與手機Cell-ID軌跡的相似度、識別出租車與出租司機的對應(yīng)關(guān)系,以及統(tǒng)計F1得分。根據(jù)北京94 433個LTE-4G基站天線位置構(gòu)建的TIN三角網(wǎng),統(tǒng)計三角網(wǎng)中基站天線之間的中位數(shù)距離約為560 m。給Cell-ID軌跡點增加不同范圍的隨機偏差,模擬降低軌跡數(shù)據(jù)精度情況下算法的魯棒性驗證,模擬結(jié)果如圖5所示,本方法在增加750 m誤差的情況下,仍能夠取得較好的F1得分(平均約0.75),模型呈現(xiàn)出較好的魯棒性。隨著噪聲繼續(xù)加大,F1得分急劇下降明顯,模型不確定性增大。

圖5 不同定位誤差水平隨機噪聲下的模型精度Fig.5 Accuracy of model at different levels of random noise

3.3 交接班時空位置的誤差

針對一輛輪班制的出租車GNSS軌跡,每個司機手機Cell-ID軌跡和該出租車GNSS軌跡的時空匹配處理,都能夠獲得該司機出車收車的時間與位置。理想情況下,前班司機的收車時間與位置應(yīng)該同后班司機的出車時間與位置相一致。但是,由于手機信令數(shù)據(jù)采樣間隔較長且不均勻分布(平均間隔約5 min),以基站天線位置代替手機用戶軌跡點(基站間隔300～500 m),使得本方法探測出來的前后班司機交接班的時空位置并不完全一致,帶來軌跡分割不確定性問題(圖6)。為此統(tǒng)計了樣本集中輪班制出租車的前班司機收車點與后班司機出車點之間的時間差與空間距離,如圖6所示,結(jié)果表明:時間差值分布類似于伽馬分布,時間差中位數(shù)為32 min。但是少數(shù)長達數(shù)小時,其原因是存在相當(dāng)一部分輪班制司機不是白班與夜班的營運模式,他們采用大班制,即每人營運一天,如此車輛會在晚上會存在著幾個小時的停滯時間。前后班司機的交接車位置的空間距離差異很小(平均91 m),最大亦不超過600 m,空間契合度很高。

圖6 輪班司機交接的時間差異與空間差異頻率直方圖Fig.6 Frequency histogram of temporal and spatial differences of shift driver handover

4 結(jié)論

針對出租車GNSS軌跡數(shù)據(jù)與手機Cell-ID軌跡的深度挖掘問題,提出一種基于軌跡時空相似度的同軌分析方法。一方面基于出租車司機多源軌跡之間的時空相似度,通過時空軌跡匹配與聚類,重構(gòu)“出租車-司機-手機”之間的關(guān)聯(lián)關(guān)系;另一方面通過軌跡匹配線對之間的突變點檢測,探測出租司機的出車收車點的時空位置。以北京市出租車GNSS軌跡和城市居民手機Cell-ID軌跡為實驗數(shù)據(jù),建立“出租車-司機-手機”關(guān)聯(lián)關(guān)系并提取司機出(收)車點發(fā)生的時空位置以及輪班司機之間的交接班信息,為面向司機個體運營行為特征應(yīng)用分析奠定了基礎(chǔ)。此外,本工作仍然存在著不足之處,由于數(shù)據(jù)可得性的限制,僅24 h手機信令數(shù)據(jù)難以從出租車營運周期性角度開展深入分析;再就是手機信令數(shù)據(jù)以基站位置近似表達手機用戶的實際空間位置,將來擬嘗試基于路網(wǎng)數(shù)據(jù)重構(gòu)手機Cell-ID軌跡,提高軌跡時空相似度的準確度。