26015

شناسايي رفتار سفر افراد با استفاده از داده‌هاي ثبت‌شده شبكه تلفن‌هاي همراه: مطالعه موردي شهر تهران

كارشناسي ارشد

حمل و نقل

1397

1400/08/11

دكتر اقشين شريعت مهيمني

مهندسي عمران

استفاده از كلان داده‌ها در برنامه‌ريزي حمل‌ونقل با توجه به افزايش توان محاسباتي رايانه‌ها و ثبت داده‌هاي حاصل از ابزارهاي مختلف نظير تلفن‌هاي همراه، موقعيت‌ياب تا سنسورهاي بلوتوث به يكي از ابزارهاي مهم در تحليل رفتار سفر افراد، تبديل‌شده‌اند. علاوه بر اين، استفاده از كلان داده‌ها در برنامه‌ريزي حمل‌ونقل سبب تغيير روش‌هاي كلاسيك شده است. از معايب روش‌هاي كلاسيك در برنامه‌ريزي حمل‌ونقل عدم قطعيت بالا به‌واسطه تعداد نمونه آماري پايين و هزينه بالاي جمع‌آوري اطلاعات و بروز رساني‌ مدل‌هاي ساخته‌شده با بازه زماني طولاني هست كه استفاده از كلان داده‌ها مي‌تواند برخي از اين معايب را بهبود دهد. در چند سال اخير استفاده از داده‌هاي تلفن همراه به عنوان يكي از كلان داده‌هاي مكاني زماني در برنامه‌ريزي حمل‌ونقل در برخي از كشورهاي توسعه‌يافته مرسوم شده است. استفاده از اين داده ها عليرغم معايبي كه دارند مي‌توانند نتايج حاصل از مدل‌هاي مطالعات حمل‌ونقلي را قابل‌اعتمادتر سازند. در اين پژوهش بر اساس چهار سناريو نمونه‌گيري، از 400 هزار كاربر و 500 ميليون ركورد ارتباطي استفاده‌شده است. سپس با استفاده از روش‌هاي مختلف يادگيري ماشين، به شناسايي نقاط توقف، فعاليت، و اهداف سفر و شناسايي كاربران با رفتار خاص(نظير رانندگان اسنپ و ...) پرداخته شد. با شناسايي سفرهاي افراد، امكان برآورد ماتريس مبدا-مقصد براي نمونه ميسر شد و با استفاده از ضرايب تعميم محاسبه‌شده، اين ماتريس به مناطق 22گانه شهر تهران تعميم داده شد. نرخ سفر محاسبه‌شده با استفاده از داده‌هاي تلفن همراه 64/1 سفر به ازاي هر نفر در شهر تهران بوده كه با 7/1 حاصل از مطالعات جامع، حدود %5/3 اختلاف دارد. ميزان توليد و جذب نيز به تفكيك مناطق محاسبه و با استفاده از تحليل آماري، با مطالعات حمل‌ونقل جامع شهر تهران مقايسه شد. نتايج تحليل مطابقت زيادي در توليد سفر مناطق داشتند و جذب سفر نيز تطابق قابل‌قبولي را نشان داد. همچنين تعداد سفرهاي روزانه كل افراد در شهر تهران بدست آمده از داده‌هاي تلفن همراه با نتايج مطالعات طرح جامع، كمتر از %1 اختلاف دارد. اعتبارسنجي نتايج حاصل از توليد، جذب، و نرخ سفر نشان مي‌دهد كه روش به‌كارگرفته‌شده در اين پژوهش مي‌تواند در مقاصد مختلف برنامه‌ريزي حمل‌ونقل كاربرد داشته باشد.

1400/11/09

ِUnderstanding Individual Travel Behavior from Call Detail Record Data: A Case Study of Tehran

11/2/2022 12:00:00 AM

The use of big data in transportation planning has become one of the most important tools in analyzing people's travel behavior due to the increasing computing power of computers and recording data obtained from various devices such as mobile phones, positioning to Bluetooth sensors. In addition, the use of big data in transportation planning has changed classical methods. One of the disadvantages of classical methods in transportation planning is high uncertainty due to the low number of statistical samples and the high cost of data collection and updating of models built with a long time that the use of big data could improve some of these disadvantages. In recent years, the use of mobile data as one of the big spatio-temporal data in transportation planning has become common in developed countries such as the United States. The use of these data, despite their disadvantages, can make the results of transportation study models more reliable. In this research, an attempt has been made to study the travel behavior of people using machine-learning algorithms using the data recorded by mobile phones for one month for the city of Tehran. In this study, travel behavior including extraction of origin and destination matrices, production and absorption matrices, number of trips and daily destinations, travel chains, travel length, how the chains are distributed in twenty-two districts of Tehran, travel rate, identifying hotspots and identifying users with Specific behavior is based on motor characteristics. The results of this study can be useful for various organizations and mobile operators and help them to better understand and analyze how people move and the possibility of making decisions about the allocation of transportation infrastructure.

كلان داده , الگوريتم‌هاي يادگيري ماشين , داده‌هاي تلفن همراه

CDR , Machine-Learning Algorithms , Big Data , Mobile Data