手机信令数据怎么获得_论文推荐 | 基于手机信令数据的大规模通勤模式研究（2020-12-01）...

交通攻城狮，2020-12-01，第 76 期

1. 推荐论文基本信息

论文信息

今天推荐的论文源自期刊《Journal of Transport Geography》2020 年 12 月刊中的文章，该文章选择了开源出版模式，所以点击文末阅读原文可直接浏览全文（点击阅读原文后，微信内置有全文翻译功能哦~）：

基于移动电话蜂窝网络数据的大规模通勤模式研究

Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.

建议直接阅读精编版，享受最佳阅读体验：

论文推荐 | 基于手机信令数据的大规模通勤模式研究（2020-12-01）mp.weixin.qq.com

文章投稿时间线如下，可供参考：

2020-03-18：Received
2020-09-24：Revised
2020-09-30：Accepted
2020-10-08：Available online
2020-12：Publication

期刊信息

大致介绍一下期刊：

Journal of Transport Geography

图源：https://www.sciencedirect.com/journal/journal-of-transport-geography

2019年影响因子：3.834；

中科院分区：工程技术 - 1区；

JCR 分区：Q1；

2019年合计发布 8 期，

2016 至 2019 年发文量依次为：195、159、208、195.

2. 文章结构

图源：https://www.sciencedirect.com/science/article/pii/S0966692320309480

3. 中文摘要（仅供参考）

在这项研究中，以爱沙尼亚（Estonia）为例，我们建立了一种基于隐马尔可夫模型的方法，该方法使用大量的手机蜂窝网络数据（这被称为“呼叫详细记录”，CDR）提取不同地理级别的大规模通勤模式。

所提出的模型设计用于重建和转换从 CDR 数据中提取的轨迹。此步骤使我们能够在不同地理级别之间执行始发地-目的地（OD）矩阵提取，这有助于描述通勤模式。此外，我们介绍了在城市层面分析通勤的不同技术。

图源：Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.

我们的结果表明，将蜂窝网络的移动数据转换为有意义的移动性（出行）模式后，其背后有很大的潜力，可以轻松地用于了解城市动态，即大规模日常通勤和出行。

无处不在的移动传感技术的迅猛发展和发展已产生了宝贵的数据，这些数据可用于我们的方法，为日益严重的交通、城市化和可持续性问题提供答案和解决方案。

4. 中文研究结论（仅供参考）

大规模了解人员流动的动态和方式，将对积极改善我们现有的运输平台，运输规划策略和可持续性产生直接影响。在过去的几十年中，我们目睹了经济结构，跨学科劳动力，灵活的工作时间以及不同的工作地点的巨大变化，这些变化导致我们的出行行为变得越来越复杂。因此，所有传统方法（例如，非高峰时间策略或缓解拥堵）都可能不太有效，因为它们没有考虑增加非工作旅行或异常的移动行为。

图源：Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.

因此，引进新技术或新的数据源可以是加强人流动分析，特别是在城市地区。从这个角度看，移动电话在我们的日常活动中无处不在，使得蜂窝网络的移动数据成为解决与人移动有关的问题的一个很好的潜在资源。不过，在获取这些类型的数据时，应解决一些挑战。

面临的挑战

第一个障碍通常是由于电信公司的关注而访问移动数据的复杂过程。对于移动电话数据集的任何使用，出于安全和隐私原因，数据必须匿名化。此外，移动服务提供商的覆盖区域或单元计划组织被视为敏感信息，需要格外小心。通过使用 Voronoi 图或减少细节来简化覆盖区域的形状可能是一种可能的解决方案。

不同类型的质询与数据的性质有关。由于记录的数据的时空性，为了提取有意义的移动模式和轨迹，需要大量数据。数据量在较远的距离内更为关键。此外，建筑物、森林、水体和天气条件等环境障碍造成的网络覆盖区域无线电波的波动，可以在理论单元计划和实际覆盖区域之间产生差异。

另一个通过施加意外噪音影响移动数据质量的现象被称为乒乓球效应。电信公司应用 "切换协议" 将设备连接移交给相邻的蜂窝或天线，以提高通信质量，尤其是在较密集的区域。此功能可能会在基于 CDR 的轨迹中的相邻细胞之间产生乒乓球的痕迹，即使移动设备可能是静止的。因此，在使用之前，必须从这种类型的噪声中清理和完善数据。

图源：Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.

所有这些方面都带来严重的位置错误，在检查密集的道路网络或彼此靠近的平行道路时，情况变得更加复杂。文献中对增强定位误差采取了不同的方法。一个可能的方向是使用数据在覆盖区域内定位移动设备，使用概率和统计方法。尽管这种方法不能确定确切的位置，但实验表明，在某些情况下，可以估计移动设备在两米范围内的位置。

除了地图匹配技术，对无线电波行为和不确定性进行建模有助于更真实地表示覆盖区域，从而实现提取轨迹的更高质量。

通过提供更密集的数据源，可以克服所讨论的许多挑战。然而，由于在移动设备上浏览互联网，在新一代的电信技术（即 LTE 和 5G）中，更频繁地保持活力事件是可以实现的。此外，更大的数据集的可用性和大数据效应可能提供机会，通过使用其他用户的历史记录来估计移动性措施，在概率和学习的方法中取得更好的结果。

研究结论

在这篇论文中，我们提出了一种基于隐马尔可夫模型的方法的新设计，该方法可以揭示并支持基于不同地理分辨率下的大规模匿名移动电话的蜂窝网络 CDR 数据的通勤模式。这项工作的目的是提出一个能够从CDR数据中提取质量更高的轨迹的模型，这要归功于其丰富的过程，这将有助于强调此类数据作为传统旅行调查数据的替代方法的潜力。

图源：Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.

无论传统调查信息多么丰富，都可能会因为有偏见或不完整的记录而产生误导，上述问题可能通过生成错误的移动模式产生影响。此外，这里介绍的方法可以很容易地扩展，以理解和回答一些有关流动性的社会经济方面的重要问题，如经济活动、移徙、隔离、社区形成、社会互动等。

通过此处介绍的算法，基于 CDR 数据，我们可以了解人口统计学及其特征，通过了解人群形成、移动和流离失所情况，促进城市规划者设计新道路、新区、新住宅区或在特殊活动期间管理城市的任务。当有更多的验证数据可用时，可以获得更有力的评估。

参考文献：Hadachi A, Pourmoradnasseri M, Khoshkhah K. Unveiling large-scale commuting patterns based on mobile phone cellular network data[J]. Journal of Transport Geography, 2020, 89: 102871.