基于手机信令数据的出行行为研究文献综述

基于手机信令数据的出行行为研究文献综述摘要手机信令数据凭借时空覆盖广、样本体量庞大、采集成本低廉、动态连续性强等优势，突破了传统居民出行调查数据样本有限、更新滞后、主观性强的局限，成为城市居民出行行为、交通特征识别与城市空间研究的核心大数据数据源。本文系统梳理国内外手机信令数据在出行行为领域的相关研究成果，从数据类型与核心优势、数据预处理与识别技术、出行行为研究核心应用场景、现有研究局限与未来展望五个维度展开综述。总结得出当前研究已实现出行时空特征提取、交通方式识别、职住出行分析、出行模式挖掘等多方向突破，但仍存在数据精度不足、异常噪声干扰、交通方式识别准确率受限、个体异质性挖掘不充分等问题。最后结合智慧城市与智慧交通发展需求，指出未来研究可聚焦数据融合优化、精细化行为建模、动态出行预测、规划落地应用等方向，为城市交通规划优化、出行管控、空间布局升级提供理论与技术参考。关键词手机信令数据；出行行为；交通特征；数据挖掘；文献综述；城市交通规划一、引言居民出行行为是城市交通系统运行状态、城市空间功能布局、居民生活活动规律的直观体现，是城市交通规划、交通管控、空间优化的核心依据。传统出行行为研究主要依托纸质或线上问卷调查、访谈统计等方式开展，数据存在样本覆盖率低、人力成本高、更新周期长、记忆偏差大等缺陷，难以精准刻画大规模群体的动态出行规律，无法适配现代化智慧城市精细化治理的需求。随着移动通信技术的快速迭代，手机信令数据凭借全天候、全覆盖、非侵入式、海量样本的独特优势，成为大规模人类移动行为感知的重要数据源。手机信令数据通过手机与基站的实时交互记录，可精准留存用户时空位置变化信息，能够客观、连续反映居民日常出行轨迹、出行时长、出行频次等核心行为特征，有效弥补了传统调查数据的短板。近年来，国内外学界围绕手机信令数据的出行行为解析技术、应用场景、模型优化开展了大量研究，成果丰硕但缺乏系统性梳理。基于此，本文整合近年相关核心文献，全面综述手机信令数据在出行行为研究中的应用进展，剖析当前研究存在的瓶颈问题，并展望未来研究趋势，为后续相关研究与工程应用提供参考。二、手机信令数据概述及研究优势2.1手机信令数据核心类型手机信令数据是移动通信网络运行过程中产生的全量交互日志，根据数据采集场景与内容差异，主流研究中将其分为通话详单数据（CDR）、蜂窝计费记录数据（CBR）与扩展详单数据（XDR）三类，不同数据类型的研究适配场景存在明显差异。通话详单数据（CDR）是早期研究的核心数据源，主要记录用户通话、短信交互行为触发的基站连接信息，数据触发频率较低，仅能捕捉用户离散时空点位，适合宏观尺度出行流量与通勤格局分析。蜂窝计费记录数据（CBR）覆盖范围更广，包含用户网络访问、后台交互等各类计费行为产生的位置记录，采样密度显著高于CDR数据，可更连续地刻画用户移动轨迹。扩展详单数据（XDR）是新一代信令数据，整合了通信、网络、切换等全维度交互信息，时空分辨率更高、数据维度更丰富，能够支撑精细化出行行为识别与微观交通特征分析，是当前主流研究的核心数据源。2.2手机信令数据相较于传统数据的研究优势相较于传统居民出行调查数据、GPS轨迹数据、公交刷卡数据等主流出行数据源，手机信令数据的研究优势极为突出。一是时空覆盖全域化，依托移动通信基站的全域覆盖特性，可实现城市全域、全天候人群出行行为监测，无时间与空间盲区；二是样本体量规模化，覆盖城市绝大部分常住与流动人口，无需抽样统计，可实现全群体出行特征分析，规避抽样误差；三是数据客观性强，自动采集生成，无人工干预与记忆偏差，真实反映居民实际出行行为；四是采集成本低廉，无需专项调研投入，可长期持续获取动态数据；五是动态时效性高，可实时更新出行数据，适配城市交通动态变化特征。同时，手机信令数据也存在固有短板，其依托基站定位的模式导致空间分辨率低于GPS数据，存在基站漂移、乒乓切换、数据缺失等噪声问题，需要通过预处理算法优化数据质量，这也是学界长期研究的重点。三、手机信令数据预处理与出行识别技术研究进展手机信令原始数据存在大量异常噪声、冗余信息，且无直接的出行行为标签，无法直接用于行为分析，必须经过预处理、轨迹重构、特征提取、行为识别等流程，当前国内外研究已形成标准化的技术体系与多元化的算法模型。3.1数据预处理技术原始信令数据的主要问题包括数据缺失、基站漂移、乒乓切换、冗余点位干扰等。现有研究针对各类噪声形成了成熟的预处理方法：针对乒乓切换问题，通过设置时间与空间阈值，过滤短时间内高频切换基站的异常点位；针对漂移数据，结合城市路网、基站分布信息，剔除远距离跳跃的无效轨迹点；针对数据缺失问题，采用时空插值算法补全轨迹断点；同时通过数据清洗、去重、坐标系转换，完成原始数据标准化处理，为后续轨迹重构奠定基础。3.2出行轨迹重构与停留点识别轨迹重构是出行行为分析的核心环节，核心目标是将离散的信令点位转化为连续、完整的居民出行轨迹。学界主流方法是基于时空聚类算法，结合时间间隔、空间距离阈值，区分用户停留状态与移动状态，精准识别居住地、工作地、休闲场所等关键停留点，拆分单次出行轨迹，提取出行起讫点（OD）、出行时长、出行距离、出行时段等核心指标。现有研究已实现工作日、周末、节假日不同时序下的轨迹精准拆分，有效区分通勤出行、休闲出行、短途出行等基础出行场景。3.3交通方式识别模型研究交通方式识别是精细化出行行为研究的关键，也是当前技术研究的热点与难点。早期研究主要依托阈值判别法，通过出行速度、出行距离、轨迹特征区分步行、非机动车、机动车出行，算法简单但识别精度较低，无法区分私家车、公交等机动车细分方式。随着机器学习与深度学习技术的融入，识别精度大幅提升。现有主流模型包括随机森林、支持向量机、循环神经网络、门控循环单元（GRU）等。其中，基于GRU神经网络的识别模型可提取24维时空特征，精准识别步行、骑行、私家车、公交四类主流出行方式，适配复杂城市出行场景。部分研究进一步融合路网数据、POI数据、交通时速数据，优化模型特征维度，有效解决不同交通方式速度区间重叠导致的识别误差，大幅提升复杂路况下的识别准确率。四、基于手机信令数据的出行行为核心研究应用4.1出行时空特征挖掘时空特征分析是信令数据最基础、最广泛的应用，主要聚焦群体出行的时间规律与空间分布规律研究。时间维度上，现有研究通过海量信令数据统计居民日出行频次、出行时段分布、出行时长特征，区分工作日与周末、高峰期与平峰期的出行差异，证实居民工作日出行呈现早晚双高峰特征，周末出行时段更分散、休闲出行占比显著提升。同时，不同人群的出行时序异质性被逐步挖掘，居民、短期旅行者、过境旅客的日出行距离分布、时段波动特征存在明显差异。空间维度上，研究主要围绕城市出行热点区域、出行廊道、空间集聚特征展开，通过OD流量矩阵可视化城市空间出行联系，识别城市核心商圈、交通枢纽、居住区等高频出行区域，精准捕捉城市交通拥堵高发路段与时段，为城市交通管控、路网优化提供数据支撑。此外，部分研究通过多年连续信令数据，揭示城市出行空间格局的动态演化规律，反映城市空间扩张与功能布局变迁。4.2职住出行与通勤行为研究职住关系与通勤行为是城市空间研究的核心内容，手机信令数据可精准识别居民长期停留的居住地与工作地，实现大规模群体通勤特征分析，规避传统调研数据样本局限。现有研究基于信令数据完成城市职住空间匹配度测算、通勤距离分级、通勤流量分布等分析，精准识别职住失衡区域、跨片区通勤廊道。同时，学界进一步挖掘通勤行为异质性，分析不同圈层、不同片区居民的通勤时长、通勤方式、通勤效率差异，揭示城市职住分离、潮汐交通、片区发展不均衡等问题。部分研究结合通勤出行特征，测算城市通勤碳排放、交通运行效率，为职住平衡优化、城市功能分区调整提供量化依据。4.3出行模式与人群异质性研究随着研究精细化程度提升，学界开始聚焦不同人群、不同场景的出行模式差异。基于信令数据的人群画像分类，可区分常住居民、流动人口、通勤人群、短途出行人群等不同群体，对比各类人群的出行频次、出行距离、交通偏好、时空规律差异。研究证实，流动人口出行灵活性更高、出行时段更分散，常住居民通勤出行规律性更强；不同年龄段、不同片区人群的出行行为也存在显著异质性。同时，部分研究通过时序信令数据，挖掘节假日、极端天气、大型活动等特殊场景下的出行模式突变特征，分析突发场景下城市交通流量波动、出行路径变化规律，为城市应急交通管控、大型活动交通组织提供支撑。4.4交通规划与政策效果评估手机信令数据可真实反映城市交通运行现状与居民实际出行需求，广泛应用于交通规划落地与政策评估。现有研究依托信令出行数据，开展城市路网优化、公交线网调整、轨道交通规划、片区交通承载力评估等工作，基于真实出行流量匹配交通设施供给，解决传统规划供需错位的问题。此外，信令数据可实现交通政策的动态效果评估，通过政策实施前后出行行为、交通流量、拥堵状况的对比分析，量化限行政策、公交优化政策、新区开发政策的实施效果，为交通政策迭代优化提供数据支撑。同时，部分国外研究依托信令数据，评估城市交通基础设施建设对居民通勤行为、出行可达性的改善作用，验证交通工程的实际应用价值。五、现有研究存在的问题与局限5.1数据本身存在固有缺陷手机信令数据依赖基站定位，空间分辨率受基站分布密度影响极大，城区基站密集区域定位精度较高，郊区、城乡结合部基站稀疏区域定位误差较大，导致郊区出行轨迹重构精度不足。同时，原始数据始终存在乒乓切换、基站漂移、数据缺失等噪声问题，现有预处理算法无法完全消除误差，对微观出行行为识别造成持续干扰。此外，信令数据无法获取用户性别、年龄、职业、收入等个体属性信息，难以深入解析出行行为差异的内在驱动因素。5.2精细化识别技术仍有短板当前交通方式识别、出行目的识别仍存在精度瓶颈。一方面，私家车、网约车、出租车、公交等机动车出行的速度、轨迹特征高度重叠，现有模型难以精准细分；另一方面，出行目的识别多依托POI属性匹配，无法精准区分同一区域内的工作、休闲、消费、探亲等差异化出行目的，识别误差较为明显。同时，现有模型多针对常规出行场景，对极端天气、突发拥堵、临时绕行等特殊出行场景的适配性较差，泛化能力不足。5.3个体异质性与行为机理研究不足现有研究多聚焦宏观、中观群体出行特征统计，侧重出行现象的描述与规律总结，对个体出行行为的异质性挖掘不足，缺乏对个体出行偏好、出行决策机理、出行选择驱动因素的深度分析。多数研究仅停留在特征提取与现状分析层面，未构建出行行为的动态演化模型，难以实现出行需求的精准预测。5.4数据应用落地性有待提升当前多数研究为理论分析与模型仿真，研究成果与城市交通规划、交通管控的实际落地衔接不足。部分研究结论仅针对单一城市、单一时段，普适性较弱，难以形成标准化、可推广的技术体系与应用范式。同时，信令数据存在隐私安全、数据共享壁垒，数据获取与合规使用难度较大，限制了大规模、常态化工程应用。六、研究展望6.1多源数据融合，提升数据精度与维度未来可重点推进手机信令数据与GPS轨迹数据、公交刷卡数据、共享单车订单数据、POI数据、人口普查数据的深度融合，弥补信令数据分辨率不足、个体属性缺失的短板。通过多源数据互补校验，优化轨迹重构、交通方式识别、出行目的识别精度，构建全方位、多维度的出行行为数据集，支撑精细化行为研究。同时，优化噪声剔除与误差修正算法，结合基站拓扑结构与路网信息，进一步提升原始数据质量。6.2优化智能算法，深化精细化行为建模依托深度学习、大数据挖掘、时空统计模型，优化交通方式细分识别、出行目的精准判别算法，提升复杂场景下模型的泛化能力。突破传统静态特征分析模式，构建动态出行行为演化模型，挖掘个体与群体出行行为的时空演化规律、关联机理与驱动因素，实现从“现状描述”向“机理解析”的转变。同时，结合人群画像数据，深入剖析不同群体出行偏好与决策逻辑，丰富出行行为理论体系。6.3聚焦动态预测与智慧交通应用基于时序信令数据，构建短时、中长期城市出行需求预测模型，精准预判城市交通流量时空变化趋势，为动态交通管控、拥堵预警、路网调度提供支撑。强化研究成果的落地转化，结合城市更新、交通建设、政策优化等实际场景，形成标准化的数据分析、规划优化、政策评估技术范式，提升研究的实用性与普适性。同时，拓展信令数据在交通碳排放测算、出行公平性评估、城市空间优化等新兴领域的应用。6.4完善数据合规与共享机制在保障用户隐私安全、符合数据合规法规的前提下，探索信令数据脱敏、加密共享技术，打破数据行业壁垒，推动信令数据在交通规划、城市治理、智慧城市建设中的常态化应用。构建统一的数据处理标准、分析模型标准与成果应用标准，推动行业规范化发展。七、结语手机信令数据为城市居民出行行为研究提供了全新的技术路径与数据支撑，彻底改变了传统出行研究的模式，已广泛应用于出行时空特征分析、职住通勤研究、交通规划评估、出行模式挖掘等多个领域，为城市交通精细化治理、空间布局优化提供了重要依据。当前研究已实现从宏观格局分析到微观行为识别的逐步深化，但仍存在数据精度不足、精细化建模薄弱、落地应用有限等问题。未来研究需依托多源数据融合、智能算法优化，深化出行行为机理研究，强化成果落地应用，同时规范数据合规使用，充分发挥手机信令大数据在智慧交通、智慧城市建设中的核心价值，推动城市交通治理向精细化、动态化、智能化方向升级。参考文献[1]佚名.手机信令数据在职住空间、出行行为和交通碳排放研究中的应用进展与前景[J].地球信息科学学报,2024.[2]王某某,李某某.手机信令定位频率对交通方式识别的影响[J].西南交通大学学报,2023.[3]张某某,刘某某.手机信令数据测度居民出行特征