مطالعه رفتار سفر افراد با استفاده از داده‌های تلفن همراه (cdr) مطالعه موردی: شهر تهران

پژوهش حاضر سعی بر شناسایی رفتار سفر افراد در شهر تهران با استفاده از داده‌های تلفن همراه (cdr)، نشان دادن قابلیت‌ها و اهمیت استفاده از این نوع داده‌ها در مقایسه با داده‌های سنتی پرسشگری خانوار، دارد. در این مطالعه با استفاده از روش‌شناسی ارائه‌شده سعی می‌شود کارآیی و اهمیت استفاده از این داده‌ها مشخص گردد. این نوع داده‌ها گرچه هزینه کم‌تری را نسبت به سایر داده‌های سنتی بر مطالعه تحمیل می‌کنند، تفکیک‌پذیری زمانی و مکانی کمی نسبت به سایر داده‌های تلفن همراه (مانند gps) دارند و کاربرد آن‌ها در ابعاد کلان مورد تردید است. در این مطالعه سعی می‌شود اهمیت و کاربرد این داده‌ها اثبات گردد. بدین منظور، در ابتدا با استفاده از روش‌های کار با کلان‌داده‌ها و معیارهای زمانی و مکانی مختلف، داده‌ها پالایش شده و به نمونه‌ای با حدود 400 هزار کاربر با 500 میلیون رکورد ارتباطی، تقلیل یافت. سپس با استفاده از روش‌های مختلف یادگیری ماشین، به شناسایی نقاط توقف، فعالیت، و اهداف سفر افراد پرداخته شد. با شناسایی سفرهای افراد، ماتریس مبدا-مقصد برای نمونه برآورد شد و با استفاده از ضرایب تعمیم محاسبه‌شده، به مناطق 22گانه شهر تهران تعمیم داده شد. مشاهده شد که این ماتریس تطابق بالایی با الگوهای سفر افراد در شهر تهران که از مطالعات جامع حمل‌ونقل شهر تهران به دست آمده است، دارد. اعتبارسنجی نتایج با مطالعات طرح جامع نشان می‌دهد که روش به‌کارگرفته‌شده در این پژوهش می‌تواند در مقاصد مختلف برنامه‌ریزی حمل‌ونقل بکار گرفته شود.

inferring city-wide travel patterns using mobile phone data (call detail records): case study of tehran

in this study, we utilized mobile phone call detail records (cdr) to extract individuals’ travel patterns in tehran, trying to demonstrate the potential and opportunities of employing cdr for studying mobility patterns compared to traditional household surveys. in this regard, the raw cdr is firstly refined and preprocessed, and the initial dataset (containing about 1.6 billion records of 12 million people) is reduced to a sample of about 400,000 users with 500 million records. then, using a series of heuristic and learning-based clustering algorithms, we identified each individual’s activity locations and inferred their trip purposes. by identifying the origin and destination of trips for individuals, the o-d matrices of the cdr sample are extracted. the sample o-d matrices are then multiplied by expansion factors to expand the sample to the population. we observed that these matrices are satisfactorily consistent with the travel patterns of people in tehran extracted from tehran’s transportation masterplan studies. validating the results against the previous surveys shows that the proposed methodology is applicable in transportation and urban planning.