移动时代:手机信号数据助力城市交通规划

简介:

天津样本揭示:当地人最爱漫步市中心,中心城区宜进行慢行分区

(来源:能源基金会 & 宇恒可持续交通研究中心)

在移动时代,当我们用手机通话、发短信或者上网时,都会留下信号数据,即“手机信令数据”。这些数据覆盖范围广、连续性高、用户基数大,是做城市规划、交通规划的极佳数据来源。

能源基金会的项目单位——宇恒可持续交通研究中心CityDNA小组利用天津市2016年9月一周内联通信令数据解析居民出行特征,并结合街道指数,分析短距慢行出行街道环境的相关性,从而对城市慢行分区策略制定提供量化支撑。

1.从手机数据看天津人出行特征:花在路上的时间短,但去的地儿多

数据显示,每个天津人平均每天出门2.4次,用时21分钟,出行4.8公里。在人均出行次数基本持平的情况下,天津人均出行时间和距离均不到北京的一半,也远低于上海, 在国内外大城市中表现突出(图1)。


图1 六大城市人均出行统计表

虽然在路上的时间短,天津人去的地儿可不少。通过分析手机信令数据,对比天津、上海、深圳居民的日均停留点数(图2),可以发现,75%以上的天津人日均停留点超过2个。这里的基本假设是1个日均停留点为用户在家未出行;2个停留点为用户从家出发到达工作地;日停留点超过3个以上,则一定程度说明市民城市工作、娱乐生活丰富,弹性出行量大。从下图可以看出,天津、上海居民的日均停留点较多。

图2 天津、上海、深圳人均日停留点统计图

2.从早晚交通流看天津人主要办公区域

既然七成以上的天津人日均停留点超过2个,那他们的出行规律是怎样的?CityDNA小组根据居民使用手机的行为规律,识别用户工作时段与休息时段的停留基站,并由此判断用户职住地停留点与非职住地停留点,从而获取了天津居民的出行链信息。

从图3可以看出,天津人通勤高峰的时间都比较早,其中早高峰集中在7点,晚高峰出现在17点。

图3 通勤出行量分时统计图

图4展示了6:30至7:30以及17:30至18:30天津市域手机用户出行轨迹。从地域上看,天津人就业主要集中在中心城区及滨海新区,这两个区域早晚跨区交通流十分明显。

图4 早晚高峰手机用户出行图

3.天津人日均出行3公里

在出行距离方面,手机信令数据分析显示,日均出行3公里左右的天津人最多。为了进一步验证该数据的可靠性,研究小组将其与2011年居民出行调查、公交IC卡的数据加以比对。结果显示,三个渠道获得的出行距离分布趋势总体一致,其中手机数据与IC卡数据匹配程度更高,峰值均出现在3公里左右。

图5 信令数据、家访数据、IC卡数据三渠道出行距离对比图

4.走走路,骑骑车,天津人最爱慢生活

在了解天津用户的基本出行特征之后,研究小组围绕课题的核心问题——短距离慢行出行进行分析。从图6可以看出,在2公里以内的短距出行中,绝大多数天津人是以0-4公里/小时的慢速出行;随着出行距离增加,慢速出行占比骤减,10公里以上慢速出行近乎为零。结合出行调查进行比较,可以合理推测部分2公里以内的出行方式主要是步行与骑行。

图6 出行距离分速度占比图

接下来,研究小组进一步将每个交通分析小区的短距慢行出行占比数据,与宇恒自主建立的街道步行、骑行指数叠加,获得了该小区的的街道步行、骑行指数。(更多关于街道指数请点击。

从图7可以看出,慢行指数高的街道,短距慢行所占比例相对较高。

图7 步行指数和骑行指数

从空间分布来看,天津人更爱在城中心慢行。正如图9所示,短距慢行比例出行分布大致呈现内高外低的趋势。究其原因,是因为城市中心区域土地混合度较高、细密路网有助于缩短出行距离、方便慢行;而在中心城区外围,大多是单一用途的超大街区、街道,开发相对粗放、路网密度低,抑制了人们慢行的需求。

图8 中心城区慢速短距出行占比与步行骑行指数图

5.慢行规划的策略是什么?

在充分了解了天津人民的出行规律,尤其是慢行规律之后,研究小组对天津的中心城区进行了慢行分区并提出了相应的发展策略。结合不同城市片区建成形态特征、慢行设施现状、短距离慢性需求等要素,再叠加街道指数等多种因子,研究小组将天津中心城区划分为慢行核心区、核心拓展区、孵化区、提升区、潜力区、工业区六种类型,分区条件及结果如图9所示。

图9 中心城区慢行分区图

在分区的基础上,研究小组以核心区及提升区为例,提出了相应的慢行规划策略。核心区为现状城市中心区,含天津的历史风貌区小白楼CBD、五大道、意式风情街滨江路、和平路步行街等。该区居民出行短距慢行占比高。从图10可以看到,核心区内街道尺度较小,步行基础设施较为完善,路网密度高,为慢行提供了良好的条件。结合街道指数来看,区内步行指数77,骑行指数达到65,路网密度11公里/平方公里,过街点密度33个/平方公里,属于有良好慢行环境区域。核心区的规划策略是在保持现状的同时拓展慢行专区,建设高品质的慢行出行环境,提升慢行出行的意愿、优化出行结构,从而打造高品质的城市中心区。

图10 慢行核心区现状——以和平路劝业场为例

提升区覆盖核心区及拓展区外围区域。以刘园片区为例,该区道路建设尺度较大,路网密度稀疏,街道活力有限。慢行便捷度、舒适度、安全性均无法得到很好的保障。结合街道指数看,总体上其步行、骑行指数较低,平均为56与45。街道密度平均为5公里/平方公里,过街点密度为7个/平方公里,慢行环境较差。建议提升区总体的规划策略为通过构建完整、通达的慢行交通网络、保障慢行出行基本的安全性、便捷性,同时在城市开发、更新的过程中优化街区结构,新增街道界面,提升慢行出行竞争力。

图11 慢行提升区现状——以刘园为例

关于本项目:

宇恒可持续交通研究中心CityDNA小组通过手机信令数据探索出行特征,尤其是结合城市设施现状分析短距慢行出行量,为拓展手机信令数据在规划及交通领域的应用提供了新的思路——信令数据能对规划师及决策者了解城市居民出行特征、研究出行需求与基础设施供给、优化城市出行环境提供科学的定量支撑。本项工作受世界银行委托《天津中心城区绿色交通发展战略研究》项目资助。

本文根据宇恒可持续交通研究中心CityDNA小组提供的材料编撰而成。

资料来源

1.六大城市人均出行统计数据分别来自北京2012年统计年鉴、上海十二五规划、上海2009年统计年鉴、天津2009年统计公报、The Seoul Institute、香港统计年报、London Passenger Transportation Mode Shares 2014、London Travel Demand Survey 2014等。

2. 上海、深圳日均出行节点数据来自于: Yang Xu, Shih-Lung Shaw, Ziliang Zhao, Ling Yin, Feng Lu, Jie Chen, Zhixiang Fang & Qingquan Li (2016): Another Tale of Two Cities: Understanding Human Activity Space Using Actively Tracked Cellphone Location Data, Annals of the American Association of Geographers

3. 交通分析小区边界、公交IC卡分析结果、居民出行调查结果信息来自天津市城市规划设计研究院提供。





本文出处:畅享网
本文来自云栖社区合作伙伴畅享网,了解相关信息可以关注vsharing.com网站。
目录
相关文章
|
1月前
|
Android开发 Swift iOS开发
python 基于电脑蓝牙连接获取手机的实时数据
python 基于电脑蓝牙连接获取手机的实时数据
52 0
|
3月前
|
存储 数据可视化 C语言
【C语言】C语言 手机通讯录系统的设计 (源码+数据+论文)【独一无二】
【C语言】C语言 手机通讯录系统的设计 (源码+数据+论文)【独一无二】
|
6月前
分享:2秒快速查询40万手机号码归属地,批量手机号码归属地查询可以导出excel表格,WPS表格查询手机号码归属地怎么操作,批量手机号码归属地批量查询软件,批量号码查询按省份和城市分类,按运移动号码电信号码联通号码分类整理
本文介绍了如何批量快速查询手机号码归属地并进行分类。首先,通过提供的百度网盘或腾讯云盘链接下载免费查询软件。其次,开启软件,启用复制粘贴功能,直接粘贴号码列表并选择高速查询。软件能在极短时间内(如1.76秒内)完成40多万个号码的查询,结果包括归属地、运营商、邮箱和区号,且数据准确。之后,可直接导出数据至表格,若数据超过100万,可按省份、城市及运营商分类导出。文章还附带了操作动画演示,展示全程流畅的处理大量手机号码归属地查询的过程。
314 0
分享:2秒快速查询40万手机号码归属地,批量手机号码归属地查询可以导出excel表格,WPS表格查询手机号码归属地怎么操作,批量手机号码归属地批量查询软件,批量号码查询按省份和城市分类,按运移动号码电信号码联通号码分类整理
|
6月前
|
机器学习/深度学习 传感器 数据可视化
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
|
6月前
|
数据采集 人工智能 自然语言处理
手机可跑,3.8B参数量超越GPT-3.5!微软发布Phi-3技术报告:秘密武器是洗干净数据
【5月更文挑战第16天】微软发布 Phi-3 技术报告,介绍了一个拥有3.8B参数的新语言模型,超越GPT-3.5,成为最大模型之一。 Phi-3 在手机上运行的特性开启了大型模型移动应用新纪元。报告强调数据清洗是关键,通过优化设计实现高效运行。实验显示 Phi-3 在多项NLP任务中表现出色,但泛化能力和数据隐私仍是挑战。该模型预示着AI领域的未来突破。[[论文链接](https://arxiv.org/pdf/2404.14219.pdf)]
80 2
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
R语言SVM模型文本挖掘分类研究手机评论数据词云可视化
R语言SVM模型文本挖掘分类研究手机评论数据词云可视化
|
6月前
|
数据挖掘 定位技术
出租车GPS轨迹、社交软件签到、手机信令数据下载网站整理
出租车GPS轨迹、社交软件签到、手机信令数据下载网站整理
383 2
下一篇
无影云桌面