برآورد تقاضای سفر بین‌شهری با استفاده از داده‌های تلفن همراه (مطالعه موردی: شهرستان‌های تهران و شهریار)

نوع مقاله : علمی - پژوهشی

نویسندگان
سیاوش طاهری نوید 1
افشین شریعت مهیمنی 2
مهدی یار درویش‌زاده کاخکی 3
1 کارشناس ارشد، گروه مهندسی و برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، ایران
2 استاد، گروه برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، ایران
3 دانشجوی دکتری، گروه مهندسی و برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، ایران
10.22119/jte.2024.424005.2690
چکیده
امروزه سازمان‌ها و نهادهای گوناگون با توجه به نیازهای موجود، به‌طور پیوسته در حال ثبت و نگهداری حجم انبوهی از داده‌ها هستند که موجب پیدایش منابعی غنی از کلان داده‌ها شده است. در سال‌های اخیر با توجه به مطالعات وسیع صورت گرفته بر روی کلان داده‌ها، این امکان فراهم‌شده است که به‌صورت مؤثر در زمینه‌های مختلف برنامه‌ریزی حمل‌ونقل و استخراج پارامترهای مربوط به سفر افراد مورداستفاده قرار گیرند. در همین راستا، توسعه و فراگیری سریع شبکه‌های مخابراتی و از طرفی افزایش ضریب نفوذ تلفن همراه موجب ایجاد منابعی از داده‌های ارزشمند در خصوص جابجایی افراد بین مکان‌های مختلف و در بازه‌های زمانی گوناگون شده است. به همین جهت، در این پژوهش تلاش شده است که با به‌کارگیری داده‌های ثبت‌شده کاربران تلفن‌ همراه، برآورد تقاضای سفر بین دو شهرستان تهران و شهریار به تفکیک اهداف گوناگون صورت گیرد. برای این منظور، مبدأ و مقصد سفرها از طریق الگوریتم‌های خوشه‌بندی مکانی-زمانی شناسایی و همچنین با در نظر گرفتن پنجره‌های زمانی مرتبط، محل فعالیت‌های اصلی افراد مشخص شدند. یکی از وجوه تمایز این مطالعه، استفاده از رویکرد دومرحله‌ای برای تعمیم جابجایی‌ها بر اساس جمعیت شهرستان‌ها و ضریب نفوذ تلفن همراه است. در ادامه به‌منظور ارزیابی نتایج، الگوهای جابجایی برآوردشده بین شهرستان‌های موردمطالعه از استان تهران با داده‌های ترددشمارها مقایسه شده است که نتایج آماری معنادار ضرایب همبستگی پیرسون بیش از 0/9 و و P-value کمتر از 0/05 به‌دست‌آمده‌اند. با توجه به نتایج به‌دست‌آمده این امکان وجود دارد که از داده‌های تلفن همراه در تحلیل‌های حمل‌ونقلی ازجمله برآورد تقاضای سفر بین مبادی و مقاصد مختلف در سطح کلان و با ضریب اطمینان بالا بهره گرفت.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله English

Estimation of Intercity Trip Demand from Mobile Data (Case Study: Tehran and Shahriar Counties)

نویسندگان English

Siavash Taheri Navid 1
Afshin Shariat Mohaymany 2
Mahdiyar Darvishzade 3
1 M.Sc., Department of Transportation Engineering, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
2 Professor, Department of Transportation Engineering, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
3 Phd Student, Department of Transportation Engineering, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده English

Nowadays, various organizations and institutions are continuously recording and storing large amounts of data, which has led to the emergence of rich sources of big data. Utilizing big data in transportation planning has been becoming a popular trend among engineers. The continuity in time and space makes some of these data very appealing for trip extraction purposes. Meanwhile, the rapid development of telecommunication networks and the increasing penetration rate of mobile phones in recent years have provided valuable data sources on how people move. In this study, we developed a methodology to estimate the travel demand between the counties of Tehran and Shahriar for different purposes, using LU mobile phone data. Cosidering this goal, the methodology consists of utilizing spatio-temporal algorithms for determining origin and destination of trips with relevant time windows for identifying the main activity locations of users. One main contribution of our study is the use of a two-step approach to expand trips based on the population of cities and mobile phone penetration rate. To evaluate the results, the movement patterns obtained from the estimated demand between two counties of Tehran province were compared with real traffic counts. As a result, Pearson coefficients with the values more than 0.9 and P-values less than 0.05 were obtained, demonstrating a high value of correlation between the estimated matrix and real traffic counts. According to the obtained results, it is possible to use mobile phone data as an applicable source in transportation analysis, specifically the estimation of travel demand at macro levels with high reliability.

کلیدواژه‌ها English

Big Data
Mobile Phone Data
Travel Demand
- اربابی بیدگلی، محمد (1397) "برآورد ماتریس تقاضای مبدأ‌-مقصد با داده‌های شمارش حجم و شبکه تلفن همراه (مطالعه موردی: شهر شیراز)"، پایان‌نامه کارشناسی ارشد، استاد راهنما: یوسف شفاهی، تهران: دانشکده مهندسی عمران، گروه مهندسی حمل‌ونقل، دانشگاه صنعتی شریف.
 
- افتخار، زهرا (1397) "برآورد جدول تقاضای سفر مبدأ‌-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 مهندسی حمل‌ونقل، دانشگاه صنعتی شریف.
 
- درویش‌زاده کاخکی، مهدی یار و رحمانی، سعید و شریعت مهیمنی، افشین و عبداللهی، سینا (1401) "مطالعه رفتار سفر افراد با استفاده از داده‌های تلفن همراه (CDR) مطالعه موردی شهر تهران"، فصلنامه مهندسی حمل‌ونقل، سال سیزدهم، شماره اول.
 
- مرکز آمار ایران (1400) "جمعیت استان تهران"، بازیابی شده از جمعیت-تهران https://ssis.sci.org.ir/
 
- مرکز آمار ایران (1400) "ضریب نفوذ تلفن همراه به ازای گروه‌های جمعیتی مختلف بر اساس نتایج طرح آمارگیری برخورداری خانوارها و استفاده افراد از فناوری اطلاعات و ارتباطات در سال 1396"، بازیابی شده از ضریب-نفوذ-خانوارها-اطلاعات-ارتباطاتhttps://ssis.sci.org.ir/
 
- مرکز مدیریت راه‌های کشور (1400) "داده‌های ترددشمارها"، بازیابی شده از https://141.ir/trafficcounterfiles
 
- Alexander, L., Jiang, S., Murga, M., and 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.250-240.
 
- Barboza, M. H., Alencar, R. d. S., Chaves, J. C., Silva, M. A., Orrico, R. D., and 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. 221-213.
 
- Bonnel, P., Fekih, M., and Smoreda, Z. (2018) "Origin-Destination estimation using mobile network probe data", Transportation Research Procedia, Vol.32, pp.81-69.
 
- Caceres, N., Wideberg, J., and Benitez, F. G. (2008) "Review of traffic data estimations extracted from cellular networks", IET Intelligent Transport Systems, Vol.2, No.3, pp.192-179.
 
- Calabrese, F., Cobelli, E., Ferraiuolo, V., Misseri, G., Pinelli, F., and Rodriguez, D. (2021) "Using Vodafone mobile phone network data to provide insights into citizens mobility in Italy during the Coronavirus outbreak", Data & Policy, Vol.3.
 
- Calabrese, F., Di Lorenzo, G., Liu, L., and Ratti, C. (2011) "Estimating Origin-Destination flows using opportunistically collected mobile phone location data from one million users in Boston Metropolitan Area", IEEE Pervasive Computing 10, No.4, pp.36-44.
 
- Calabrese, F., Pereira, F. C., Di Lorenzo, G., Liu, L., and Ratti, C. (2010) "The geography of taste: analyzing cell-phone mobility and social events", International conference on pervasive computing, Massachusetts: May 2010.
 
- Çolak, S., Alexander, L. P., Alvim, B. G., Mehndiratta, S. R., and 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.135-126.
 
- Duraku, R., Atanasova, V., and Krstanoski, N. (2019) "Building and calibration transport demand model in Anamorava region", Tehnički vjesnik, Vol.26, No.6, pp.1784-1793.
 
- Dypvik Landmark, A., Arnesen, P., Södersten, C.-J., and 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.
 
- Eftekhar, Z., Pel, A., and van Lint, H. (2023) "Effects of Periodic Location Update Polling Interval on the Reconstructed Origin–Destination Matrix: A Dutch Case Study Using a Data-Driven Method", Transportation Research Record, Vol.2677, No.9, pp. 292-313.
 
- Fekih, M., Bellemans, T., Smoreda, Z., Bonnel, P., Furno, A., and Galland, S. (2020) "A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France)", Transportation, Vol.48, pp.1-32.
 
- Golding, J., (2018). "Best Practices and Methodology for OD Matrix Creation from CDR Data.", NLAB, University of Nottingham.
 
- Hoteit, S., Secci, S., Sobolevsky, S., Ratti, C., and Pujolle, G. (2014) "Estimating human trajectories and hotspots through mobile phone data", Computer Networks, Vol.64, pp.296-307.
 
- Imai, R., Ikeda, D., Shingai, H., Nagata, T., and Shigetaka, K. (2021) "Origin-Destination Trips Generated from Operational Data of a Mobile Network for Urban Transportation Planning", Urban Planning and Development, Vol.147, No.1, pp.04020049.
 
- Iqbal, M. S., Choudhury, C. F., Wang, P., and 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.
 
- Jakovljević, M., Vojvodić, S., Čolić, P., Lale, O., and Jovandžikov, E. (2021) "Methodology for Assessment of Mobile Telecom Databased Origin-Destination Matrices Accuracy" 44th International Convention on Information, Communication and Electronic Technology (MIPRO), Opatija: Sep 27, 2021-Oct 1, 2021.
 
- Jiang, S., Ferreira, J., and Gonzalez, M. C. (2017) "Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore", IEEE Transactions on Big Data, Vol.3, No.2, pp.208-219.
 
- Jiang, W., and Luo, J. (2022) "Big data for traffic estimation and prediction: a survey of data and tools", Applied System Innovation, Vol.5, No.1, pp.23.
 
- Maulana, A., Santoso, I., and Rizki, M. (2022) "Origin Destination Matrix Estimation for Increasing Traffic Survey Efficiency", The Eastern Asia Society for Transportation Studies, Vol.14, pp.501-510.
 
- National Academies of Sciences, Engineering, and Medicine. (2018). "Cell phone location data for travel behavior analysis", pp.78-99.
 
- Sun, C., Zhang, P., Shi, Y., and Chang, Y. (2020) "Sensor location strategy and scaling rate inference for origin-destination demand estimation", IEEE Transactions on Intelligent Transportation Systems, Vol.22, No.6, pp.3455-3467.
 
- Schmidt, M., (2008). "The Sankey diagram in energy and material flow management: part II: methodology and current applications.", Journal of Industrial Ecology, Vol.12, pp.185-173.
 
- Tsumura, Y., Asada, Y., Kanasugi, H., Arai, A., Shibasaki, R., Kawaguchi, H., and Yamada, K. (2022). "Examining potentials and practical constraints of mobile phone data for improving transport planning in developing countries", Asian Transport Studies, Vol.8, pp.100043.
 
- Vidović, K. (2022) " Application of Big Data Sets and Data Science in Transportation Engineering", International Conference on New Technologies, Development and Applications, Sarajevo: 25-23 June 2022.
 
- Wang, Z., He, S. Y., and Leung, Y. (2018) "Applying mobile phone data to travel behaviour research: A literature review", Travel Behaviour and Society, Vol.11, pp.141-155.
 
- Yang, F., and Yao, Z. (2022) "Empirical Study on Trip Information Extraction Based on Mobile Phone Sensor Data", Travel Behavior Characteristics Analysis Technology Based on Mobile Phone Location Data: Methodology and Empirical Research, pp. 151-182.

  • تاریخ دریافت 16 آبان 1402
  • تاریخ بازنگری 15 بهمن 1402
  • تاریخ پذیرش 28 بهمن 1402