مطالعه رفتار سفر افراد با استفاده از داده‌های تلفن همراه (CDR) مطالعه موردی: شهر تهران

درویش زاده کاخکی, مهدی یار; رحمانی, سعید; شریعت مهیمنی, افشین; عبداللهی, سینا

doi:10.22119/jte.2022.313183.2566

مطالعه رفتار سفر افراد با استفاده از داده‌های تلفن همراه (CDR) مطالعه موردی: شهر تهران

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد، گروه مهندسی و برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، ایران

² کارشناس ارشد، مرکز تحلیل داده‌های حمل‌ونقل، دانشگاه علم و صنعت ایران، ایران

³ استاد، گروه برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، ایران

10.22119/jte.2022.313183.2566

چکیده

پژوهش حاضر سعی بر شناسایی رفتار سفر افراد در شهر تهران با استفاده از داده‌های تلفن همراه (CDR)، نشان دادن قابلیت‌ها و اهمیت استفاده از این نوع داده‌ها در مقایسه با داده‌های سنتی پرسشگری خانوار، دارد. در این مطالعه با استفاده از روش‌شناسی ارائه‌شده سعی می‌شود کارآیی و اهمیت استفاده از این داده‌ها مشخص گردد. این نوع داده‌ها گرچه هزینه کم‌تری را نسبت به سایر داده‌های سنتی بر مطالعه تحمیل می‌کنند، تفکیک‌پذیری زمانی و مکانی کمی نسبت به سایر داده‌های تلفن همراه (مانند GPS) دارند و کاربرد آن‌ها در ابعاد کلان مورد تردید است. در این مطالعه سعی می‌شود اهمیت و کاربرد این داده‌ها اثبات گردد. بدین منظور، در ابتدا با استفاده از روش‌های کار با کلان‌داده‌ها و معیارهای زمانی و مکانی مختلف، داده‌ها پالایش شده و به نمونه‌ای با حدود 400 هزار کاربر با 500 میلیون رکورد ارتباطی، تقلیل یافت. سپس با استفاده از روش‌های مختلف یادگیری ماشین، به شناسایی نقاط توقف، فعالیت، و اهداف سفر افراد پرداخته شد. با شناسایی سفرهای افراد، ماتریس مبدا-مقصد برای نمونه برآورد شد و با استفاده از ضرایب تعمیم محاسبه‌شده، به مناطق 22گانه شهر تهران تعمیم داده شد. مشاهده شد که این ماتریس تطابق بالایی با الگوهای سفر افراد در شهر تهران که از مطالعات جامع حمل‌ونقل شهر تهران به دست آمده است، دارد. اعتبارسنجی نتایج با مطالعات طرح جامع نشان می‌دهد که روش به‌کارگرفته‌شده در این پژوهش می‌تواند در مقاصد مختلف برنامه‌ریزی حمل‌ونقل بکار گرفته شود.

کلیدواژه‌ها

20.1001.1.20086598.1402.14.3.9.8

عنوان مقاله [English]

Inferring City-wide Travel Patterns Using Mobile Phone Data (Call Detail Records): Case Study of Tehran

نویسندگان [English]

Mahdiyar Darvishzadeh kakhki ¹
Saeed Rahmani ²
Afshin Shariat Mohaymany ³
Cena Abdollahi ¹

¹ Msc Student, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

² Msc Grad, Traffic Research Laboratory, Iran University of Science and Technology, Tehran, Iran

³ Professor, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran

چکیده [English]

In this study, we utilized mobile phone call detail records (CDR) to extract individuals’ travel patterns in Tehran, trying to demonstrate the potential and opportunities of employing CDR for studying mobility patterns compared to traditional household surveys. In this regard, the raw CDR is firstly refined and preprocessed, and the initial dataset (containing about 1.6 billion records of 12 million people) is reduced to a sample of about 400,000 users with 500 million records. Then, using a series of heuristic and learning-based clustering algorithms, we identified each individual’s activity locations and inferred their trip purposes. By identifying the origin and destination of trips for individuals, the O-D matrices of the CDR sample are extracted. The sample O-D matrices are then multiplied by expansion factors to expand the sample to the population. We observed that these matrices are satisfactorily consistent with the travel patterns of people in Tehran extracted from Tehran’s Transportation Masterplan studies. Validating the results against the previous surveys shows that the proposed methodology is applicable in transportation and urban planning.

کلیدواژه‌ها [English]

mobile phone data
travel patterns
O-D matrix
travel behavior
call detail records

مراجع

- اربابی بیگدلی، محمد(1397) " برآورد ماتریس تقاضای مبدا-مقصد با داده‌های شمارش حجم و شبکه تلفن همراه (مطالعه موردی: شهر شیراز)" پایان‌نامه کارشناسی ارشد، استاد راهنما: هدایت ذکایی آشتیانی، تهران: دانشکده مهندسی عمران، گروه حمل‌ونقل، دانشگاه صنعتی شریف.

- افتخار ، زهرا (1397) " برآورد جدول تقاضای سفر مبدا-مقصد با استفاده از داده‌های مکانی-زمانی شبکه تلفن همراه گردآوری‌شده به روش PLU" پایان‌نامه کارشناسی ارشد، استاد راهنما: یوسف شفاهی، تهران: دانشکده مهندسی عمران، گروه حمل‌ونقل، دانشگاه صنعتی شریف.

- نوری ، میثم (1398) " برآورد نقشینه‌های شهروندان با استفاده از اطلاعات مبدا-مقصد و داده‌های شبکه تلفن همراه: مطالعه موردی شهر شیراز" پایان‌نامه کارشناسی ارشد، استاد راهنما: یوسف شفاهی، تهران: دانشکده مهندسی عمران، گروه حمل‌ونقل، دانشگاه صنعتی شریف.

- زاهدی ، مصطفی (1395) " برآورد الگوهای فعالیتی مسافران در شهر با استفاده از داده‌های مکانی-زمانی حاصل از شبکه تلفن همراه" پایان‌نامه کارشناسی ارشد، استاد راهنما: یوسف شفاهی، تهران: دانشکده مهندسی عمران، گروه حمل‌ونقل، دانشگاه صنعتی شریف.

- Alexander, L., Jiang, S., Murga, M., & González, M. C. (2015) “Origin–destination trips by purpose and time of day inferred from mobile phone data”, Transportation Research Part C: Emerging Technologies, Vol. 58, PP. 240-250.

- Barboza, M. H. C., Alencar, R. d. S., Chaves, J. C., Silva, M. A. H. B., Orrico, R. D., & Evsukoff, A. G. (2021) “Identifying Human Mobility Patterns in the Rio de Janeiro Metropolitan Area using Call Detail Records”, Transportation Research Record, Vol. 2675, No. 4, pp. 213-221.

- Board, T. R., National Academies of Sciences, E., & Medicine. (2018) “Cell Phone Location Data for Travel Behavior Analysis”, Washington, DC: The National Academies Press.

- Bonnel, P., Fekih, M., & Smoreda, Z. (2018) “Origin-Destination estimation using mobile network probe data”, Transportation Research Procedia, Vol. 32, pp. 69-81.

- Caceres, N., Wideberg, J. P., & Benitez, F. G. (2008) “Review of traffic data estimations extracted from cellular networks”, IET Intelligent Transport Systems, Vol. 2, No. 3, pp. 179-192.

- Calabrese, F., Colonna, M., Lovisolo, P., Parata, D., & Ratti, C. (2011) “Real-Time Urban Monitoring Using Cell Phones: A Case Study in Rome. Intelligent Transportation Systems”, IEEE Transactions on, Vol. 12, pp. 141-151.

- Calabrese, F., Di Lorenzo, G., Liu, L., & Ratti, C. (2011) “Estimating Origin-Destination flows using opportunistically collected mobile phone location data from one million users in Boston Metropolitan Area”.

- Chen, C., Ma, J., Susilo, Y., Liu, Y., & Wang, M. (2016) “The promises of big data and small data for travel behavior (aka human mobility) analysis”, Transportation Research Part C: Emerging Technologies, Vol. 68, pp. 285-299.

- Chen, G., Viana, A. C., Fiore, M., & Sarraute, C. (2019) “Complete trajectory reconstruction from sparse mobile phone data”, EPJ Data Science, Vol. 8, No. 1, p. 30.

- Chin, K., Huang, H., Horn, C., Kasanicky, I., & Weibel, R. (2019) “Inferring fine-grained transport modes from mobile phone cellular signaling data”, Computers, Environment and Urban Systems, Vol. 77.

- Cintia, P., Pappalardo, L., Rinzivillo, S., Fadda, D., Boschi, T., Giannotti, F., et al. (2020) “The relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy”, arXiv preprint arXiv:2006.03141.

- Çolak, S., Alexander, L. P., Alvim, B. G., Mehndiratta, S. R., & González, M. C. (2015) “Analyzing Cell Phone Location Data for Urban Travel: Current Methods, Limitations, and Opportunities”, Transportation Research Record, Vol. 2526, No. 1, pp. 126-135.

- Dypvik Landmark, A., Arnesen, P., Södersten, C.-J., & Hjelkrem, O. A. (2021) “Mobile phone data in transportation research: methods for benchmarking against other data sources”, Transportation, Vol. 48, No. 5, pp. 2883-2905.

- Fekih, M., Bellemans, T., Smoreda, Z., Bonnel, P., Furno, A., & Galland, S. (2020) “A data-driven approach for origiŽ destination matrix construction from cellular network signalling data: a case study of Lyon region (France)”, Transportation, pp. 1-32.

- Ghurye, J., Krings, G., & Frias-Martinez, V. (2016, 13-16 June 2016) “A Framework to Model Human Behavior at Large Scale during Natural Disasters”, The 2016 17th IEEE International Conference on Mobile Data Management (MDM).

- González, M. C., Hidalgo, C. A., & Barabási, A.-L. (2008) “Understanding individual human mobility patterns”, Nature, Vol. 453, No. 7196, pp. 779-782.

- Grantz, K. H., Meredith, H. R., Cummings, D. A. T., Metcalf, C. J. E., Grenfell, B. T., Giles, J. R., et al. (2020) “The use of mobile phone data to inform analysis of COVID-19 pandemic epidemiology”, Nature Communications, Vol. 11, No. 1, pp. 4961.

- Hankaew, S., Phithakkitnukoon, S., Demissie, M. G., Kattan, L., Smoreda, Z., & Ratti, C. (2019) “Inferring and modeling migration flows using mobile phone network data”, IEEE Access, Vol. 7, pp. 164746-164758.

- Hernandez, M., Hong, L., Frias-Martinez, V., Whitby, A., & Frias-Martinez, E. (2017) “Estimating poverty using cell phone data: evidence from Guatemala”, World Bank Policy Research Working Paper, No. 7969.

- Hoteit, S., Secci, S., Sobolevsky, S., Ratti, C., & Pujolle, G. (2014) “Estimating human trajectories and hotspots through mobile phone data”, Comput. Netw., Vol. 64, pp. 296–307.

- Imai, R., Ikeda, D., Shingai, H., Nagata, T., & Shigetaka, K. (2021) “Origin-Destination Trips Generated from Operational Data of a Mobile Network for Urban Transportation Planning”, Journal of Urban Planning and Development, Vol. 147, No. 1.

- Iqbal, M. S., Choudhury, C. F., Wang, P., & González, M. C. (2014) “Development of origin–destination matrices using mobile phone call data”, Transportation Research Part C: Emerging Technologies, Vol. 40, pp. 63-74.

- Janecek, A., Hummel, K. A., Valerio, D., Ricciato, F., & Hlavacs, H. (2012) “Cellular data meet vehicular traffic theory: location area updates and cell transitions for travel time estimation”, The Proceedings of the 2012 ACM Conference on Ubiquitous Computing, Pittsburgh, Pennsylvania.

- Jiang, S., Ferreira, J., & Gonzalez, M. C. (2017) “Activity-Based Human Mobility Patterns Inferred from Mobile Phone Data: A Case Study of Singapore”, IEEE Transactions on Big Data, 3(2), 208-219.

- Jiang, W., & Luo, J. (2022) “Big Data for Traffic Estimation and Prediction: A Survey of Data and Tools”, Applied System Innovation, 5(1), 23.

- Jing, W., Dianhai, W., Xianmin, S., & Di, S. (2011, 28-29 March 2011) “Dynamic OD Expansion Method Based on Mobile Phone Location”, Paper presented at the 2011 Fourth International Conference on Intelligent Computation Technology and Automation.

- Levinson, D. M., & Kumar, A. (1994) “The Rational Locator: Why Travel Times Have Remained Stable”, Journal of the American Planning Association, 60(3), 319-332.

- Lwin, K. K., Sekimoto, Y., & Takeuchi, W. (2018) “Estimation of Hourly Link Population and Flow Directions from Mobile CDR”, ISPRS International Journal of Geo-Information, 7(11), 449.

- Mamei, M., Bicocchi, N., Lippi, M., Mariani, S., & Zambonelli, F. (2019) “Evaluating Origin–Destination Matrices Obtained from CDR Data”, Sensors, 19(20), 4470.

- Pourmoradnasseri, M., Khoshkhah, K., Lind, A., & Hadachi, A. (2019, 21-23 Oct. 2019) “OD-Matrix Extraction based on Trajectory Reconstruction from Mobile Data”, Paper presented at the 2019 International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob).

- Qin, S., Man, J., Wang, X., Li, C., Dong, H., & Ge, X. (2019) “Applying Big Data Analytics to Monitor Tourist Flow for the Scenic Area Operation Management”, Discrete Dynamics in Nature and Society, 2019, 1-11.

- Sakamanee, P., Phithakkitnukoon, S., Smoreda, Z., & Ratti, C. (2020) “Methods for Inferring Route Choice of Commuting Trip From Mobile Phone Network Data”, ISPRS International Journal of Geo-Information, Vol. 9, No. 5, P. 306.

- Schafer, A. (2000) “Regularities in travel demand: an international perspective”.

- Schneider, C. M., Belik, V., Couronné, T., Smoreda, Z., & González, M. C. (2013) “Unravelling daily human mobility motifs”, Journal of The Royal Society Interface, Vol. 10, No. 84.

- Shokri, V., & Abbaspour, R. A. (2017) “Using Map Matching Algorithms to Extract Traffic Information from Low Sampling Rate GPS Trajectories”, Quarterly Journal of Transportation Engineering, Vol. 8, No. 4, pp. 529-544.

- Sikder, R., Uddin, M. J., & Halder, S. (2016, 12-13 Dec. 2016) “An efficient approach of identifying tourist by call detail record analysis”, The 2016 International Workshop on Computational Intelligence (IWCI).

- Toole, J. L., Colak, S., Sturt, B., Alexander, L. P., Evsukoff, A., & González, M. C. (2015) “The path most traveled: Travel demand estimation using big data resources”, Transportation Research Part C: Emerging Technologies, Vol. 58, pp. 162-177.

- Vanhoof, M., Reis, F., Smoreda, Z., & Ploetz, T. (2018) “Detecting home locations from CDR data: introducing spatial uncertainty to the state-of-the-art”, arXiv preprint arXiv:1808.06398.

- Wang, C., & Hess, D. B. (2021) “Role of Urban Big Data in Travel Behavior Research”, Transportation Research Record, Vol. 2675, No. 4, pp. 222-233.

- Wang, P., Hunter, T., Bayen, A. M., Schechtner, K., & González, M. C. (2012) “Understanding Road Usage Patterns in Urban Areas”, Scientific Reports, Vol. 2, No. 1, p. 1001.