过刊检索
期数   从:
   至:
文章标题:
作者姓名:
关 键 词:
摘  要:
      
互动交流
本期您最喜欢的文章
《城市规划学刊》网站用户调查
您当前的位置: 首页 - 学术动态
08城市规划技术与方法(肖扬) 发布时间: 2018-12-06 点击: 3243

利用手机数据衡量巴黎交通系统的服务质量和客流量 
公共交通服务质量是乘客、公交运营商和交通局的主要关注点,但通常三者看待它的角度并不一致。对于乘客来说,他们比较关心公共交通的舒适度和延误率,并希望获得实时、可靠的信息;对于运营商,主要关注点是否能够遵守时间表。乘客所感知的公共交通服务质量其实主要取决于以下三个因素:公交、地铁的使用率;出发地到目的地的出行时间;路线选择。测度公共交通服务质量的传统方法是通过观察列车时刻表及每个站点的实际乘客数量,但该方法不能直接获得乘客的来源地和目的地,并且比较容易出错。本研究采用一种测度公共交通服务质量的新方法,就是通过手机数据分析巴黎轨道交通系统服务质量。
数据使用情况:本研究首先使用了2011年10—11月所有工作日的,来自RER A运营商提供地铁列车刷卡数据,并对乘客出行时间、停留时间进行分析,数据表明,高峰期的列车发车情况并不均匀,在早高峰期间,上午7:30至上午9:00会出现延误。根据计划的时间表,列车需要540s就能从Nation到Auber,然而实际情况下,早高峰时段超过一半列车都超过了700s。其次,研究还使用了Orange 手机运营商提供的2011年4月7日当天手机数据来分析地铁的运行情况,其中包含约100万条记录,每部手机平均可被检测到3.65次,由于手机的地上和地下的GSM网络是不同的,因此用户进出地铁站点的行为会通过GSM网络识别出来。相比于地铁刷卡数据,二者的区别是刷卡数据主要反映乘客进出站数量,而手机数据可以反映用户的时空轨迹,事实上,这两个数据源是完全不同的,本研究的目的是评估它们可以在多大程度上进行比较。
对于地铁刷卡数据,平均每张地铁卡每天可被识别2.71次,大多数地铁卡在白天被检测到2次或4次(中途换乘),但是只识别出1次或3次的比例也很高,这可以解释为乘客早晚通勤可能使用了不同的交通方式。另外,将刷卡数据和列车时间表的预期行程时间进行比较,可以发现超过80%的乘客的实际出行时间高于预计时间,超过40%的乘客出行时间超过目标时间的20%。对于手机数据,可以识别出手机用户的出发地和目的地,也就是出行OD。分析结果表明,高峰时段是从早上8点到上午10点,在上午8:30到9:30之间出现超高峰,大多数出行者都来自Auber,有近40%的出行在超高峰期间发生。
另外,研究还对地铁进行了实际观测调研,包括车厢类型、上座率等等,并将结果与手机数据估算的列车上座率进行比对,发现手机数据的预测结果很好,在实地调查期间观察到的超过80%的上座率与手机数据预估结果一致,剩余的20%的上座率偏差也往往很小,可以解释为观察员对整列地铁上座率的阈值效应和不确定性。
为了将从手机数据中提取的OD流与来自地铁刷卡数据的OD流进行模拟,本研究建立一个分配模型来预测哪些手机用户使用了地铁出行,该模型限定了乘客的出行时间和距离站点的范围,例如某手机用户在站点附近被识别,稍后又在站点内部被识别,那么可以认为该乘客使用了地铁出行,总体来说,该模型可利用手机数据对地铁乘客出行规律进行较好的模拟。对于早高峰时段,从市中心站点分配给拉德方斯的手机信令总数略多于地铁刷卡数量的50%,也就是约为52%,该结果略高于电信运营商的市场份额。有几个原因可以解释这些差异,包括:该手机运营商在拉德方斯上班族人口中的市场份额可能与全国市场份额不同; 手机数据捕获了地铁刷卡数据未捕获的一小部分出行者。
本研究展示了手机数据预估轨道交通服务质量的潜力,手机数据可以还原出乘客全部的出行行为,而地铁刷卡数据则只能反映出站点客流量,但是由于不同地方的手机运营商市场占有率存在差异,这些差异也将对客流分析带来偏差。但总体来说,手机数据为运营商和交通运输局分析公共交通服务质量提供新的方法。
来源:AGUILÉRA V, ALLIO S, BENEZECH V, et al. Using cell phone data to measure quality of service and passenger flows of Paris transit system[J]. Transportation Research Part C,2014(6):198–211.
(供稿:王泽夏)

数字技术在智慧旅行目的地中的应用:以波尔图为例
鉴于信息和通信技术(information and communication technologies,ICT)已逐渐融入旅游业,本文选取波尔图作为研究案例,旨在强调ICT对智慧旅游目的地日益增长的重要性。波尔图通过与游客互动评估的创新方式,巩固了其作为智能旅游目的地的地位。
这项研究的数据来源于对423名游客来访的调查。该研究侧重于ICT在波尔图的可用性及其对游客决定访问该城市的影响。这些信息有助于确定互联网上的应用程序和信息是否提升了游客在波尔图旅行的满意程度。
在波尔图,有三种形式的ICT基础设施对于建立智慧旅行目的地至关重要。第一个组件是云计算,旨在提供访问便利的服务。通过某些网络提供可靠的网络平台和数据存储。波尔图和葡萄牙北部旅游局赞助了57个互动旅游信息中心。互动旅游中心位于波尔图大都市区的中心的SáCarneiro机场。它的访问量约为50万,是访问量最大的中心。它全天24h开放,配备交互式桌子,投影屏幕,三维环境和支持葡萄牙北部产品和文化活动的互动工具,旨在监测旅游者的整个旅行周期。
第二个组件是物联网,它提供信息和分析以及自动化和控制。例如,旅游门户网站中有一个面向游客的个人区域。游客可以预览并设计自己的旅游计划。在用户注册时,用户需要回答三个适合用户进入特定个人资料的问题。如游客继续使用门户,算法会调整用户的界面。通过互动,游客可以反馈他们的体验。目的是评估用户对该旅行地的满意度。
第三个组件是终端用户互联网服务系统。该组件由组合支持云计算和物联网,已经应用于波尔图最大的购物中心。该中心使用旅游资源数据库为商店提供广播能力向在附近流通的客户提供特别优惠和其他提醒。目前这是一个实验项目,将在中期扩展到其他领域。
波尔图为建设智慧旅游目的地实施的一些行动已经得到分析,但是这些影响旅游体验的行动仍需要进一步评估。研究者进行了定量分析,以评估ICT基础设施对游客对波尔图体验的满意度的影响。
调查显示,84%的受访者依赖于在线访问波尔图旅游信息。88%的人在访问期间使用过应用程序或在线信息。这些统计数据表明,游客经历了一个重要的准备阶段,在此期间,他们试图确保目的地将提供他们从旅行中寻求的所有旅游体验的信息。在旅行期间,游客越来越多地使用目的地提供的应用程序和信息。这表明,应用程序增加了与寻求更新信息的游客的互动,以此作为验证他们期望的手段,使波尔图成为他们选择的目的地。该调查向受访者提出了两个问题:“有关波尔图的在线信息是您来旅行的决定性因素吗?”和 “在线信息是否会成为您再次来波尔图旅行的决定性因素?“这些问题的回答显示,84%的受访者表示同意,信息的可用性对游客参观城市的计划有显着的积极影响。
旅游目的地与游客之间存在持续的关系,信息技术是促进游客体验的关键因素,最终可以提高游客对目的地的满意度。通过研究产生旅行的信息流并应用于管理游客度假目的地,能够根据用户偏好定制旅行目的地,并不断地吸引游客。
来源:LIBERATO P M D C, ALÉN-GONZÁLEZ E. Digital technology in a smart tourist destination: the case of Porto[J]. Journal of Urban Technology, 2018(2):1-23.
(供稿:朱结好)

数字足迹:基于WiFi探测和位置数据的城市人群移动轨迹分析
过去几十年世界正在经历从农村迁移到城市的快速人口转变,导致了城市机动交通和人行交通活动不断增加。城市政府正面临着在高密度的城市环境中以高时空分辨率理解人群移动模式的挑战。随着具有WiFi功能的移动设备和市政WiFi网络日益普及,WiFi探测请求数据具有替代其他传统技术,用于了解人类行为和移动性的潜力,该技术允许对异质的城市环境中的移动模式和人类行为进行超本地化理解。
本研究采用纽约市中心联盟(Downtown Alliance)提供的数据,包括整个研究区域54个WiFi接入点(AP)位置的观测结果,覆盖了整个巴克莱街和富兰克林街以南的曼哈顿下城以及两个东河码头的AP。大多数AP位于建筑屋顶,在100英尺(约30.48m)或更远的距离内捕获支持WiFi的设备。每个AP的位置由提供者存储在单独的Shapefile中,并使用mapPLUTO在纽约街道网格上可视化。数据收集从2017年4月14日0点到2017年4月21日24点,总共包括从1 175 039位用户收集的30 862 317个数据点,每个数据点包括AP的MAC(Media Access Control)地址,客户端设备的MAC地址,AP显示的设备接收到的信号强度指示(rssi)以及观察时间。
研究首先通过对数据集的描述性统计分析识别可能的输入缺失或其他数据错误来确保分析数据的完整性,同时去除非活动用户避免增加AP使用频率影响移动模型的科学性。然后汇总每天、每个AP的用户观察结果得到指定位置的人口计数,并通过不同地点人工收集的每日行人数进行验证。最后,使用空间网络分析来识别网络节点之间的频率和行进方向,并将结果应用于道路和行人人行道网络,以识别各个街道的使用强度水平和轨迹。
研究结果表明WiFi探测数据对估算特定位置的人口数量具有巨大潜力,这个方法虽类似于传统的计数方法,但具有更多的优势,例如能够识别特定位置的唯一访问者。使用WiFi探测数据不仅可以在特定地点生成聚合,还可以通过捕获AP之间的移动来评估实际街道网络的使用情况,使我们可以在个体街道层面模拟城市移动。随着公用和市政WiFi网络的发展,使用WiFi探测数据来模拟城市移动性正变得越来越精确,研究提出的方法将在未来变得越来越适用。
本研究提出了一种城市人群移动轨迹分析的新方法,使用WiFi网络探测请求数据有效地模拟公共空间中的城市移动性,并将检测到的移动模式耦合到本地街道网络以测量使用强度。研究者承认他们的方法高度依赖AP的总数和密度和数据的准确性,并且存在代表性方面的问题,但这不影响对该方法的测试,展示潜在应用价值。该研究为城市人群移动和行为模式研究做出了全新的探索。
来源:TRAUNMUELLER M W, JOHNSON N, MALIK A, et al. Digital footprints: using WiFi probe and locational data to analyze human mobility trajectories in cities[J]. Computers, Environment and Urban Systems, 2018, 72: 4-12.
(供稿:胡淑芬)