抽象性

前所未有的COVID-19大流行对人类社会安全与发展产生消极影响。城市间公路交通模式COVID-19大流行前后分析可以为预防和控制该大流行提供至关重要的洞察力。实战研究使用手机网络数据集与中国受COVID-19严重影响的两组城市相联空间匹配、全模外推法和轨迹特征分析被采用,以在四个不同周期实现城际高速公路旅行量基于手机网络数据集计算原宿矩阵可靠性通过比较流量计数数据波动趋势得到证明。实验研究表明,中国市际高速客车OD流量在COVID-19期间显著下降随着有效实施预防大流行病控制政策并有序推广恢复工作与生产,城市间OD流量于2020年4月中旬恢复到广度前水平此外,客运行程峰值下降和卡车行程时间跨度延长,原因是在处理COVID-19方面实施了控制措施。计算最邻近城市间OD流和分析城市间高速交通模式变化时可应用结果,这些变化为在流行病条件下制定城市间旅行安全控制政策提供深刻影响

开工导 言

CoVID-19大流行自2019年12月以来迅速传播,对全世界经济发展和社会保障造成严重不利影响一号-5..2021年6月1日COVID-19累积感染了全世界1.7亿多人并杀害350万多人所有国家都实行了严格的旅行限制,以控制该流行病的传播。

COVID-19大流行传播特征可大致归纳为“案例集群和移动传播模式”6,7..为了防止疫情传播,中国大陆所有31省于2020年1月启动1级公共卫生突发事件响应并严格控制人与物在国内外移动

在COVID-19大流行方面,理解城际公路上人口移动特征在分析传输模式和开发预防和控制大流行解决办法方面发挥着关键作用8-11..然而,许多研究人员面临的主要挑战是流行病条件复杂和难以收集实际数据。手机系统被视为交通数据采集系统大有前途技术,也是提供近人运动信息并接近人口运动模式的宝贵源12..与传统路基点测量和全社区小样本普查不同,手机网络数据是全样本,渗透率和时间分辨率较高相当量论文进行了实证研究以证明手机网络数据捕捉人类运动模式、识别活动位置、监测运输模式、推断旅行目的、生成OD矩阵等能力13-15..

在COVID-19大流行期间,许多调查人员使用手机系统实战研究人体活动与大流行传播之间的正相关性[16-20码..由这些研究生成的数据信息学帮助公众及时理解运动趋势和政策效果,并有时间敏感性决策支持以进一步控制病毒传播但仍有一些领域值得分析关注21号,22号由于缺乏深入理解COVID-19和需要进一步实施高速公路安全策略先前基于手机信号数据的研究仅分析手机定位并判定旅行OD矩阵,但没有研究差分旅行模式第二,前多研究默认手机网络数据完全精度,忽略区域多运算符存在这一事实。手机信号数据单运算符不够代表性高速公路交通计数数据可获取全模交通跨段交通数据,弥补手机网络数据缺乏代表性,并加通分析基于手机网络数据和高速交通计数数据,本研究回溯分析COVID-19大流行前后城际高速交通特征的变化,并就大流行期间存在的公共安全问题提供定向建议

二叉数据集特征

2.1.手机网络数据

目前,基于手机收集的手机数据已经多类[15..按照核心网络的不同交换法,手机网络数据可划分为两类:电路切换域和包切域

CS域主要提供电话服务单调期间,移动终端都使用专用通道,其他移动终端无法使用该通道。运算符记录全调信息集,包括移动终端与区内信号网络、其他通信设备或设备交互方式电路切换网络生成数据典型是调用细节记录数据特征为小数据量、被动生成、广覆盖、低成本、短分析周期等

PS域主要提供互联网数据服务用户使用手机网络传输数据时,打包交换网络将用户数据划分为一定长度的信息传输交换信息长度都称包运算符记录移动终端与区域基站在包交换时的交互作用,包括时间戳和用户识别所需字段光包交换网络生成的典型数据是访问者定位寄存器包切网络生成数据特征为大容量、高实时、高成本处理、长分析周期等

CDR和VLR数据通常通过主动事件和被动事件收集:i)活动事件包括制作或接收电话、发送或接收短信、手机互联网日志和开关电话二)被动事件包括定期定位更新、用户移动成一套新手机站区和手机信号在不同通信时代交换

为这项研究收集的数据集覆盖约1 800万用户,并每天在互联网记录上包含约230亿件资料(表)。一号)数据集包含覆盖区形状的信息和每个基站的地理位置用户和基站间交互数据与基站覆盖面积相结合,使我们能够从时空角度分析和构造用户轨迹23号..图中显示一号,这些轨迹时空稀疏

2.2.流量计数数据

公路交通测量是交通部统计工作不可或缺的部分公路交通测量通过静坐计数站或高速部署便携式交通记录器来理解高速系统使用统计、分析和预测的操作特征24码..

CCS每5分钟向流量调查系统传输数据,5分钟内包含流量计数数据及车辆类型速度流量计数数据通常作为连续计数程序的一部分收集程序的首要目标是开发时数日均运算CCS可用于开发调整因子,跟踪重要高速公路段流量趋势,为交通管理和旅行者信息系统提供素材

3级数据预处理

3.1.轨迹数据整理处理

直接从运算符获取的CDR和VLR数据为全样本,只包含匿名用户、手机号以及每项活动的时标简化描述的第一步是整合数据集中每个匿名用户的轨迹25码-27号..每一轨迹由一系列活动点组成举例说 轨迹 用户名 显示方式如下:

公式化一号) 表示活动点 任何轨迹, 意指用户 单元格显示 时段 .VLR数据量巨大,很难直接分析数据集因此,数据集的大小需要适当压缩[28码,29..

第一,对手机记录少的轨迹,CDR和VLR数据可能无法表示用户旅行特征手机位置小于8的轨迹排除30码..

第二,VRL数据分组传输期间数据,设备 偏近基站 传输最近基站负值达阈值后,基站将不再接收并传输新数据,移动将自动选择附近另一个相对近基站 .位置坐标表示每个基站 ,和数移动终端和相邻基站在统计时段间交互 表示由 .显示加权中点模型,位置 点名 段段期间 计算方式如下:

自基站覆盖面积为250网格 250米,切入250网格 250米大小,用户位置可以从基站单元格范围转换为网格索引计算位置精度比原基站位置精度翻倍,数据集大小可大减本研究定义时间段 加权物中心模型计算31号..分析目标为城市间旅行,可忽略位数上几百米的漂移偏差

3.2鉴别始发地和目的地矩阵

留点由受时空约束的连续网格记录定义空间约束指用户留在位置的偏差距离,偏差距离大小通常与信号精度相关32码-34号..在这次研究中,每点分配到自己的网格中,网格为250 250网格前步可满足空间位置约束时间约束指用户可停留网格的最短时间,通常用网格上第一个记录和最后记录之间的时间差计算。研究中,我们改编原创由郑秀描述的留点算法三十三..结果显示,只有轨迹点持续网格超过2.5小时才被确认为停留点,即前轨迹的端点和后续轨迹对用户的起始点用户旅行OD矩阵识别后,根据Calabrese研究31号所有用户的轨迹按下列步骤排列:(1)匹配网格位置 , ,位置定位(2) 整合始发市、目的地市和每个用户的轨迹出发时间 ,去哪儿 表示用户id 始发市 终点市 出发时间和(3)按小时和每日时间窗口汇总所有始发市和终点市用户行程 ,去哪儿 表示起站日期和起站时 .汇总结果归纳成三维矩阵 .要点 表示离开市旅行次数 回抵市 时间段 .

3cm3数据扩充

CDR和VLR数据取自本研究中单个运算符,运算符在不同城市占有不同的市场份额因此,如果单运算符的手机网络数据直接用于城际高速交通分析,分析结果会因市场份额不同而偏差化因此,为全社会获取精确出行数,有必要将市内现有数据集扩展至全样本数据

使用CDR数据,有可能获取操作者用户通电话记录,全社会所有操作者用户都使用用户间通话随机独立于运算符牌号,运算符在区域市场份额可用区域用户调用记录测量城区 ,if拨号数运算符 面向市内所有用户 和调用运算符数 华府市 ,并给定下列公式: 去哪儿放 表示手机用户中运算符比例 面向市内所有手机用户 ,即市场份额全样本可依据运营商在每个城市的市场份额推断

3.4.公路三方计算

城市间大流行期间主要旅行方式目前包括公路 )水路 )铁路局 )并空运 )[29..令城市间总行数日 贝 ,获取方式如下:

公路运输网复杂量大,很难直接确定公路行程数,因此我们可以先确定水路、铁路和空运行程数,从总和中去以计算公路行程数

对水路和铁路旅行而言,由于这两个模式有固定出/出点和路线,数量可以通过轨迹匹配方式确定。关于航空交通轨迹,由于地面站信号在飞机空中旅行期间不覆盖,信号连接后既有长信号中断,也有长距离定位运动因此,通过匹配交通轨迹关键节点特征,水路、铁路和空运可分别确定,从而计算公路行程

4级示例分析

研究使用计算、扩展和选择选择湖北省代表城市分析:长沙-柳阳市(湖南省二市)和黑非路安市(安徽省二市)。湖南省与湖北省相邻,在暴发初期受到相对严重的影响,长沙-柳阳省与河北省距湖北省最近的路线长沙和岳阳主要通过国道G4和普通国道G107连接2城间客运关系密切Hei和Lu'an主要通过国道G40和普通国道G312连接3市间联运

研究两城间OD流转COVID-19暴发分析COVID-19大流行传播控制至此大流行期间,本研究选择四段OD流分析2020年:1月6日至12日暴发前、2月3日至2月9日暴发期间、2月2日至3月8日复工和生产后和Wuhan解封后(4月8日至4月14日)4个时段中的每一个时段都具有重要代表性时间段前后和期间,因此必须分析该时段城市间OD流变化趋势基于以上步骤计算城市间OD流4并5.

长沙-柳阳两组城市OD流比较4和Hefei-Lu'an5都显示大流行时间大起小落,而总体起伏趋势相似。华元新年于2020年1月25日庆祝,两组城市间OD日复一日旅行数在2020年1月12日前增加,破解后阶段(2月3日,2020年2月9日)内市间OD旅行下降至破解前水平的四分之一至2020年2月6日流量达最低值2020年3月中国开始推广复工生产2020年4月8日中国武汉开始提升77天日志病毒锁定状态,公路交通量逐步恢复到破解前水平

5级数据验证

有必要比较分析计算处理OD流量和实际收集的高速交通数据,以验证手机网络数据计算OD流量的精度和代表性如1.2节所述,公路交通测量是中国统计的重要组成部分,也是了解公路网运行状态的基本手段。通过在公路上安装固定传感器并搭建CCS系统,系统可以获得流量计数数据和高速段车辆分享约90%实时精度交通测量站收集的数据只包括有关车辆的数据,OD流是个人专用数据,本研究仅分析手机网络数据与流量计数数据波动趋势之间的相互关系以确定手机信号的精度

研究选择流量计数数据同时收集主要城际高速公路并计算流量计数数据与手机网络数据计算OD矩阵之间的 Poisson相关性Changsha-Yue阳和Hefei-Lu'an相关系数分别为0.803和0.706,显示手机信号数据与流量计数数据之间有强关联性研究结果提供有力的证据显示手机网络数据可支持城市间旅行OD分析匹配车辆类型从流量计数数据到OD流的比例使我们能够分析城际高速公路前后客运和卡车交通的变化

两组城市间OD流数据按车辆流量计数数据比例和四种时间段使用不同类型车辆OD流平均时数拆分

长沙和岳阳之间的OD高速公路在COVID-19暴发前由客车支配,约占总行程的三分之二(图二图二)6)客车出行量高并显出上下午峰值COVID-19暴发后OD流速下降,但客车比例大幅增加,约占总行程的80%清晨顶点客车OD流速下降至破解前水平的四分之一,卡车OD流量甚至下降至11%同时,客车OD流的清晨峰值变得无关紧要,晚间新微值峰值大流行有效控制并有序恢复工作生产后,OD流量增加,卡车流量比例迅速增加,晨间卡车行程超出客车流量城市间旅行时间分散化,上晚旅行数逐步增加,下午峰值(旅行时间原集中)没有显著增加。武汉解除关闭后,总OD量恢复到广度前水平加速恢复工作与生产, 但由于尽可能少地搭乘行程, 这一期间的旅行时间相对松散, 上下午峰值比流行前低同时,上午卡车行程继续高于在此期间客车行程

长沙-柳阳市间旅行模式与长沙-柳阳市际旅行模式相反,赫非市际旅行模式在大流行前由卡车支配,客运行程仅占总行程的三分之一(图二)7)同时,Hefei市和Lu'an市间OD流小和相对无关紧要COVID-19暴发后,城市间OD流量也急剧下降,峰值旅行性能不显眼,客车OD流略高于卡车恢复工作生产期间,城市间OD流恢复到生成前水平的一半两种旅行模式OD流和行程分布均匀武汉开始提升日志病毒锁定后,公路交通OD流几乎恢复到广度前水平值得注意的是,卡车OD流离时间在此期间分布得更广泛,因为越来越多的卡车司机选择白天早晚旅行。清晨峰值前一小时流量增长比暴发前快两倍

6级结论

本研究提供一种数据分析方法,以手机网络数据和流量计数数据为基础获取城际高速公路OD流这种方法可用于计算大多数相邻城市OD流研究结果帮助各国政府监测城市间高速交通模式,提高政策在不同社会人口区的有效性

环北省两组受高度影响的市际分析对象选择COVID-19暴发前后四段具有代表性特征的市际研究检测并处理覆盖区内的CDR和VLR数据后,观察四段期间城际高速公路OD流对衍生OD流量和实际流量计数数据进行相关分析,以证明手机网络数据可靠性并匹配流量计数数据中的车辆比值与计算OD流量最后,通过城市间高速公路的不同交通模式对大流行前后OD流作分析和研究本研究结论列举如下:(1)暴发COVID-19大流行后,城际公路OD流大受影响并显著下降有效实施安全预防策略并有序推广恢复工作生产后,城市间OD流恢复到2020年4月中旬广度前水平(2)大流行期间客车高速旅行百分比提高,但上午峰值不高OD流量逐步增加,客车OD流量峰值仍然微不足道,一个新的晚间峰值似乎控制大流行并确保旅行安全3级与客车OD流量相比,暴发后卡车OD流量显著下降有序推广恢复工作生产后,卡车OD流加速反弹在此期间卡车行程时间跨度较大,越来越多的卡车选择白天早晚旅行

交通测量站收集的数据分车辆组成数组,OD流数据分人组成数组这种方法无法精确比较二维数值的关联性,这也是方法可能的缺陷

下一步,我们将分析公路货运变化COVID-19暴发前后基于当前实证数据并结合车辆称重数据同时分析将更多地与多城市预防流行病政策合并

数据可用性

手机信号数据系中国手机操作员通过购买获取的数据客运车量数据由中国交通测量数据采集系统收集,因此不免费

利益冲突

作者声明他们没有利益冲突