基于大數(shù)據(jù)的城市軌道交通出行站外OD 位置點(diǎn)識別方法研究

劉海洲，張敬宇

（1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院，重慶 400074；2.重慶市交通規(guī)劃研究院 道路交通所，重慶 401147)

0 引言

為構(gòu)建優(yōu)質(zhì)的城市軌道交通運(yùn)營體系，需要精準(zhǔn)掌握城市軌道交通內(nèi)部客流的實(shí)時(shí)走向，明確客流OD 分布特征，分析城市軌道交通客流出行行為機(jī)理。依靠傳統(tǒng)的軌道自動售檢票系統(tǒng)(Automated Fare Collection，AFC)，只能通過軌道閘機(jī)刷卡數(shù)據(jù)采集乘客上下車站點(diǎn)信息，完成粗粒度的進(jìn)出站客流分析，而對于完整的出行鏈信息，如乘客的來源去向分布等，采集能力不足，常存在誤差或遺漏。分析城市軌道交通站外客流來源與去向特征，把握站點(diǎn)吸引周圍客流的實(shí)際范圍分布，有助于分析站點(diǎn)周邊環(huán)境對客流需求的影響，為城市軌道交通站點(diǎn)選址、站點(diǎn)周邊設(shè)施建設(shè)等提供規(guī)劃設(shè)計(jì)依據(jù)。

隨著手機(jī)信令數(shù)據(jù)的普及，越來越多的學(xué)者開始嘗試?yán)谜鎸?shí)信令數(shù)據(jù)進(jìn)行研究。2010 年，Zhang 等[1]研究利用移動通訊設(shè)備網(wǎng)絡(luò)信號切換及位置更新信息，獲取手機(jī)的軌跡，并利用手機(jī)軌跡獲取OD 信息，同時(shí)，利用數(shù)學(xué)模型將獲得的手機(jī)數(shù)據(jù)量轉(zhuǎn)化為車輛數(shù)，并結(jié)合軟件仿真驗(yàn)證結(jié)果與隨機(jī)抽樣得到的數(shù)據(jù)進(jìn)行比較。該研究雖然使用真實(shí)信令數(shù)據(jù)，但僅有信令數(shù)據(jù)中基站切換數(shù)據(jù)，樣本量較小。冉斌[2]利用手機(jī)信令數(shù)據(jù)進(jìn)行信息預(yù)處理、匹配分析、交通模型分析處理、數(shù)據(jù)去噪、擴(kuò)樣等一系列數(shù)據(jù)處理，從而得到居民出行特征數(shù)據(jù)。Tan 等[3]通過使用手機(jī)信令數(shù)據(jù)，將不同的出行方式軌跡與交通分析區(qū)域進(jìn)行匹配，通過對軌跡的時(shí)空特征進(jìn)行聚類來確定停留點(diǎn)，從而提取OD 矩陣，分析OD 需求分布。戚新洲等[4]利用手機(jī)信令數(shù)據(jù)，識別出行鏈停留點(diǎn)和提取出行鏈。楊玉冬等[5]融合和挖掘高速公路收費(fèi)數(shù)據(jù)、微信電子問卷數(shù)據(jù)和手機(jī)信令數(shù)據(jù)等多源數(shù)據(jù)，對過江通道的交通量進(jìn)行OD 分析和出行特征分析。高興等[6]以杭州市為例，基于手機(jī)信令數(shù)據(jù)識別短期駐留人口與常住人口，進(jìn)一步對短期駐留人口的出行特征進(jìn)行計(jì)算。王蓓等[7]利用手機(jī)信令數(shù)據(jù)，基于密度的聚類(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)算法，識別具有居住-就業(yè)關(guān)系特征的職住空間。田萬利[8]基于DBSCAN 算法，對手機(jī)信令定位點(diǎn)在空間上聚類，提取手機(jī)用戶出行鏈。于泳波等[9]使用手機(jī)信令數(shù)據(jù)，抽取用戶在軌道網(wǎng)絡(luò)上的軌跡。丁敬安等[10]利用用戶信令數(shù)據(jù)和站點(diǎn)經(jīng)緯度數(shù)據(jù)來識別地鐵基站，從而過濾出乘客在軌道交通線網(wǎng)中的位置數(shù)據(jù)。

國內(nèi)外學(xué)者針對城市內(nèi)居民出行OD 進(jìn)行大量研究，然而由于早期信令數(shù)據(jù)的低定位準(zhǔn)確性，該類研究方法均是從城市層面，在具體OD 位置點(diǎn)等微觀層面的研究相對較少。同時(shí)，國外算法大多利用出行時(shí)間、距離閾值進(jìn)行判別，經(jīng)驗(yàn)性較強(qiáng)，不同研究中的閾值差異明顯，方法普適性不強(qiáng)。例如，對于出行端點(diǎn)判別，不同研究分別采用120 s，180 s 和300 s 等作為時(shí)間閾值；對于地下出行段識別，分別采用150 m，200 m 或500 m作為距離閾值，這些經(jīng)驗(yàn)閾值通常只是對研究所在的特定地區(qū)有效，當(dāng)交通環(huán)境發(fā)生變化時(shí)，方法普適性不理想。

城市軌道交通出行站外OD 是乘客每次出行的最終起訖點(diǎn)，為軌道出行需求分析、站點(diǎn)覆蓋范圍分析等管理決策提供支持。研究采用手機(jī)信令數(shù)據(jù)、AFC 數(shù)據(jù)等大數(shù)據(jù)，借助志愿者的真實(shí)出行信令數(shù)據(jù)與出行日志數(shù)據(jù)，結(jié)合遺傳算法優(yōu)化時(shí)空密度聚類參數(shù)，精細(xì)化識別個體城市軌道交通出行站外OD 位置點(diǎn)，并針對其應(yīng)用效果開展實(shí)證研究。

1 基于大數(shù)據(jù)的城市軌道交通出行站外OD識別方法構(gòu)建

1.1 研究框架

城市軌道交通出行站外OD 位置點(diǎn)主要借助時(shí)空密度聚類算法進(jìn)行識別。提取乘客進(jìn)站前與出站后的信令數(shù)據(jù)，利用時(shí)空密度聚類算法識別停留點(diǎn)，進(jìn)而識別乘客出行站外位置點(diǎn)(乘客出行的來源地與去向地)。其中，時(shí)空密度聚類算法參數(shù)，結(jié)合遺傳算法與志愿者信令數(shù)據(jù)進(jìn)行校核。城市軌道交通出行站外OD 位置點(diǎn)識別研究框架如圖1 所示。

圖1 城市軌道交通出行站外OD 位置點(diǎn)識別研究框架Fig.1 Research framework for identifying OD points outside urban rail transit stations

1.2 進(jìn)站前與出站后信令數(shù)據(jù)提取

對個體信令數(shù)據(jù)進(jìn)行城市軌道交通通信基站匹配后，提取乘客城市軌道交通出行前與出行后的信令數(shù)據(jù)。進(jìn)站前與出站后信令數(shù)據(jù)提取如圖2 所示。圖2 出行數(shù)據(jù)中包含2 次城市軌道交通出行，需要分別對2 次出行的來源地與去向地進(jìn)行識別。通過使用時(shí)空密度聚類算法，分別從站外數(shù)據(jù)段1與2 中提取第1 次出行的來源地與去向地，從站外數(shù)據(jù)段2 與3中提取第2 次出行的來源地與去向地。

圖2 進(jìn)站前與出站后信令數(shù)據(jù)提取Fig.2 Extraction of mobile signaling data before entering and after leaving the station

1.3 基于時(shí)空密度聚類算法參數(shù)優(yōu)化的城市軌道交通出行OD 識別

1.3.1 時(shí)空密度聚類算法

個體用戶的信令軌跡具有較好的時(shí)空分布特性，且停留區(qū)域連接的基站密度較高，因此利用時(shí)空聚類算法對用戶進(jìn)站前與出站后的信令數(shù)據(jù)進(jìn)行聚類分析，提取停留點(diǎn)。時(shí)空密度聚類算法基本概念如圖3 所示，主要概念解釋如下。①E鄰域。定義距離目標(biāo)點(diǎn)的空間距離為Eps內(nèi)的區(qū)域?yàn)樵撃繕?biāo)點(diǎn)的E鄰域。②ΔT鄰域。定義距離目標(biāo)點(diǎn)的時(shí)間長度為ΔT內(nèi)的區(qū)域?yàn)樵撃繕?biāo)點(diǎn)的ΔT鄰域。③核心點(diǎn)。在目標(biāo)點(diǎn)的E鄰域與ΔT鄰域內(nèi)，樣本點(diǎn)的總數(shù)大于Minpts，則此目標(biāo)點(diǎn)為核心點(diǎn)。④直接密度可達(dá)。對于樣本點(diǎn)集合H，假設(shè)樣本點(diǎn)k為核心點(diǎn)，樣本點(diǎn)i同時(shí)滿足在樣本點(diǎn)k的E鄰域與ΔT鄰域中，則點(diǎn)k直接密度可達(dá)i。⑤密度可達(dá)。核心點(diǎn)k到pn(n=2，3，…，M)中可以存在任意個核心點(diǎn)，且pn(n=2，3，…，M)可以是任意對象(核心點(diǎn)或非核心點(diǎn))，則k密度可達(dá)pn(n=2，3，…，M)。⑥密度相連。樣本點(diǎn)集合H中的樣本點(diǎn)i，k與j，如果樣本點(diǎn)i與k密度可達(dá)且樣本點(diǎn)j與k密度可達(dá)，則點(diǎn)i與j密度相連。

圖3 時(shí)空密度聚類算法基本概念Fig.3 Main concepts of spatio-temporal density clustering algorithm

時(shí)空聚類算法的主要思路是先遍歷整個對象，搜索所有核心點(diǎn)；然后標(biāo)定一個核心點(diǎn)，并以此為中心，搜索該核心點(diǎn)密度可達(dá)的所有核心點(diǎn)，再將符合條件的核心點(diǎn)及其鄰域內(nèi)的點(diǎn)集合成簇；以此進(jìn)行迭代，直至無法形成簇終止。時(shí)空密度聚類算法流程如圖4 所示。

圖4 時(shí)空密度聚類算法流程Fig.4 Flow of spatio-temporal density clustering algorithm

聚類后，由于部分聚類結(jié)果存在時(shí)間間隔短、聚類中心距離近等問題，因而需要對聚類結(jié)果作以下處理。一是按順序?qū)⑺写嘏判?，?jì)算每一個簇的末個定位點(diǎn)與下一個簇的首個定位點(diǎn)間的時(shí)間間隔，如果小于時(shí)間合并參數(shù)，則將2 個簇合并。重復(fù)上述步驟，直至所有簇間的時(shí)間距離均大于時(shí)間合并參數(shù)。二是計(jì)算每一個簇中所有定位點(diǎn)的經(jīng)緯度平均值與下一個簇的經(jīng)緯度平均值之間的距離，如果小于距離合并參數(shù)，則將2 個簇合并。不斷重復(fù)這一過程，直到所有簇間的空間距離均大于距離合并參數(shù)。

1.3.2 遺傳算法

時(shí)空密度聚類算法包含E鄰域、ΔT鄰域與Minpts3 個輸入?yún)?shù)，識別效果對輸入?yún)?shù)的敏感性較強(qiáng)，因而在實(shí)際應(yīng)用中需要根據(jù)具體情況來選擇算法的輸入?yún)?shù)組合。遺傳算法在解決復(fù)雜組合優(yōu)化問題時(shí)具有求解速度快、優(yōu)化效果好的優(yōu)點(diǎn)，因而選擇遺傳算法對時(shí)空密度聚類算法的輸入?yún)?shù)進(jìn)行優(yōu)化。

1.3.3 基于遺傳算法優(yōu)化的時(shí)空密度聚類參數(shù)

基于時(shí)空密度聚類算法對城市軌道交通出行OD 進(jìn)行識別，其中時(shí)空密度聚類算法識別停留點(diǎn)包含5 個重要參數(shù)，即聚類半徑閾值Eps、聚類時(shí)間閾值?T、最小樣本點(diǎn)數(shù)Minpts、時(shí)間合并參數(shù)以及距離合并參數(shù)。由于參數(shù)取值對城市軌道交通出行OD 的識別結(jié)果精度存在較大影響，因而結(jié)合遺傳算法與志愿者信令數(shù)據(jù)，對時(shí)空密度聚類算法中的參數(shù)取值進(jìn)行尋優(yōu)。遺傳算法優(yōu)化參數(shù)流程如圖5 所示。

圖5 遺傳算法優(yōu)化參數(shù)流程Fig.5 Parameter optimization flow of genetic algorithm

該優(yōu)化算法以時(shí)空密度聚類算法的5 個參數(shù)作為遺傳算法的初始種群，將時(shí)空密度聚類識別結(jié)果與志愿者出行日志記錄數(shù)據(jù)的誤差作為遺傳算法的適應(yīng)度函數(shù)指標(biāo)，通過選擇、交叉、變異等遺傳操作，最終輸出滿足誤差要求的最優(yōu)參數(shù)結(jié)果，并作為時(shí)空密度聚類算法的參數(shù)輸入，實(shí)現(xiàn)城市軌道交通出行OD 提取。具體步驟如下。

（1）時(shí)空密度聚類算法的參數(shù)標(biāo)定。根據(jù)時(shí)空密度聚類算法原理，需要確定聚類半徑閾值Eps、聚類時(shí)間閾值?T、最小樣本點(diǎn)數(shù)Minpts、時(shí)間合并參數(shù)、距離合并參數(shù)等5 個主要參數(shù)，以將信令樣本點(diǎn)集合成簇，提取出行停留點(diǎn)，進(jìn)而識別乘客城市軌道交通出行OD。

（2）基于遺傳算法的參數(shù)尋優(yōu)。使用標(biāo)準(zhǔn)遺傳算法對上述時(shí)空密度聚類算法的參數(shù)進(jìn)行尋優(yōu)。標(biāo)準(zhǔn)遺傳算法(Simple Genetic Algorithm，SGA)以群體中的所有個體為對象，只使用基本的遺傳算子。標(biāo)準(zhǔn)遺傳算法的數(shù)學(xué)模型SGA如下。

SGA=(C，E，P0，N，Φ，Γ，Ψ，T) ⑴式中：C為個體的編碼方法，二進(jìn)制編碼；E為個體適應(yīng)度評價(jià)函數(shù)，以時(shí)空密度聚類的識別結(jié)果與出行日志記錄數(shù)據(jù)的誤差作為適應(yīng)度評價(jià)函數(shù)；P0為初始種群，包括聚類半徑閾值Eps、聚類時(shí)間閾值ΔT、最小樣本點(diǎn)數(shù)Minpts、時(shí)間合并參數(shù)以及距離合并參數(shù)；N為種群大?。沪?，Γ，Ψ 分別為選擇、交叉和變異算子；T 為遺傳算法迭代終止條件。

2 案例分析

2.1 實(shí)驗(yàn)數(shù)據(jù)整理

以重慶市為實(shí)證對象，首先基于志愿者信令數(shù)據(jù)完成對重慶市城市軌道交通全線網(wǎng)通信基站序列的標(biāo)定，然后結(jié)合志愿者出行日志數(shù)據(jù)與GPS 數(shù)據(jù)，驗(yàn)證志愿者城市軌道交通內(nèi)部出行路徑識別精度與出行站外OD 位置點(diǎn)識別精度，最后分析重慶市手機(jī)信令數(shù)據(jù)，識別重慶市城市軌道交通進(jìn)站與出站客流，并與AFC 數(shù)據(jù)進(jìn)行對標(biāo)，驗(yàn)證精度。

通過與重慶市聯(lián)通公司合作，得到每日產(chǎn)生的信令數(shù)據(jù)共計(jì)186 466 991 條，包含5 921 526 位手機(jī)用戶，平均每人每天信令數(shù)據(jù)產(chǎn)生量為31 條。研究區(qū)域內(nèi)共計(jì)4 186 個基站，平均間距為278.40 m，最大為2 386.19 m，最小為26.83 m。研究共獲得2020 年6 月1 日—30 日共計(jì)30 天10 條線路的AFC 數(shù)據(jù)，包括城市軌道交通1 號線、2 號線、3 號線、4 號線、5 號線、6 號線、10 號線、環(huán)線、國博線及空港線。出行行為數(shù)據(jù)采集實(shí)驗(yàn)的具體執(zhí)行時(shí)間為2020 年9 月14 日—20 日。數(shù)據(jù)獲取分線上獲取與線下獲取2 種渠道。其中，線上數(shù)據(jù)獲取通過“問卷星”在網(wǎng)絡(luò)上發(fā)放與回收問卷完成；線下數(shù)據(jù)獲取通過安排志愿者在重慶市觀音橋站、較場口站、小什字站、臨江門站等軌道站點(diǎn)進(jìn)行問卷的發(fā)放、指導(dǎo)填寫與回收。共發(fā)放問卷1 125 份，回收有效問卷1 000 份，問卷回收有效率為89%。

出行日志數(shù)據(jù)記錄是數(shù)據(jù)采集實(shí)驗(yàn)中的重要內(nèi)容，其記錄精度直接關(guān)系到實(shí)證研究的效果。出行日志數(shù)據(jù)的采集主要集中在研究范圍內(nèi)所設(shè)計(jì)的4 條出行線路里進(jìn)行，所選取的線路均包含換乘點(diǎn)和地上站點(diǎn)、起終點(diǎn)等信息。出行實(shí)驗(yàn)線路信息如表1 所示。志愿者在完成每日出行路徑后，需要完成個人出行日志數(shù)據(jù)的梳理，標(biāo)定在出行過程中的停留點(diǎn)、移動點(diǎn)、停留位置、途徑站點(diǎn)數(shù)、地上站、地下站等出行信息。

表1 出行實(shí)驗(yàn)線路信息 個Tab.1 Route information from travel experiments

2.2 城市軌道交通出行站外OD 位置點(diǎn)識別精度

2.2.1 參數(shù)校核結(jié)果

遺傳算法屬于啟發(fā)式算法，其搜索過程具有隨機(jī)性，因而尋優(yōu)出來的結(jié)果具有一定波動性，當(dāng)遺傳算法迭代次數(shù)為20～40 代時(shí)，誤差結(jié)果趨于收斂，誤差收斂范圍為600 m 左右，結(jié)合4G 信令基站覆蓋范圍，該誤差范圍不會對識別效果產(chǎn)生較大影響。遺傳代數(shù)與誤差如圖6 所示，可以發(fā)現(xiàn)基于遺傳算法的時(shí)空密度聚類算法參數(shù)優(yōu)化，能夠在較大程度上改善結(jié)果精度。

圖6 遺傳代數(shù)與誤差Fig.6 Genetic algebra and error

研究以11 位二進(jìn)制編碼表示時(shí)空密度聚類半徑，時(shí)空密度聚類半徑區(qū)間為(0，2 000）。在完成參數(shù)編碼后，對初始參數(shù)種群的數(shù)量進(jìn)行設(shè)定，理論上種群規(guī)模越大越好，但在兼顧聚類半徑參數(shù)多樣性與算法計(jì)算時(shí)間的情況下，常用的種群數(shù)量取值為20～ 100 個，基于既有研究并經(jīng)過重復(fù)測試，研究選取100 作為種群數(shù)量。適應(yīng)度函數(shù)主要用來衡量參數(shù)解集中每個參數(shù)的優(yōu)劣程度，研究將不同聚類半徑下，志愿者站外停留位置點(diǎn)的識別誤差作為適應(yīng)度函數(shù)。遺傳操作主要包括選擇、交叉與變異，其中選擇操作采用輪盤賭算法，交叉與變異操作分別設(shè)置為20%，0.01。為避免誤選局部最優(yōu)解，進(jìn)行多次尋優(yōu)。多次尋優(yōu)最優(yōu)值結(jié)果如表2所示，共計(jì)進(jìn)行10 次尋優(yōu)，并對每個最優(yōu)參數(shù)取10 次結(jié)果的平均值，可以得聚類半徑閾值Eps、聚類時(shí)間閾值?T、最小樣本點(diǎn)數(shù)Minpts、時(shí)間合并參數(shù)和距離合并參數(shù)分別為301 m，302 s，4 個，384 s 和206 m。

表2 多次尋優(yōu)最優(yōu)值結(jié)果Tab.2 Results of multiple optimization

2.2.2 城市軌道交通出行站外OD 位置點(diǎn)識別精度

城市軌道交通出行乘客OD 平均識別精度為633.75 m，OD 識別誤差如表3 所示。參考楊飛等[11]基于手機(jī)信令數(shù)據(jù)的出行端點(diǎn)識別精度的最新結(jié)果，4G 密集信令數(shù)據(jù)環(huán)境下，數(shù)據(jù)定位頻率較高，端點(diǎn)識別精度約在200～ 400 m 之間，而研究所使用的信令數(shù)據(jù)集平均每位用戶每天僅產(chǎn)生31 條信令數(shù)據(jù)，信令數(shù)據(jù)較為稀疏，導(dǎo)致識別精度大約在600 m 左右，精度有所下降，但常用的四階段模型中交通小區(qū)的規(guī)模通常大于500 m×500 m，可以滿足實(shí)際分析精度并在較大交通小區(qū)劃分尺度下得到應(yīng)用。

表3 OD 識別誤差 mTab.3 Errors in identifying OD points

2.3 應(yīng)用效果

小什字站外OD 分布主要集中在小什字站的西北方向，且站點(diǎn)西邊OD 分布與臨江門站點(diǎn)東邊OD 分布相連。總體而言，小什字站外OD 來源地分布形狀較為緊湊，但部分OD 分布超出以小什字站點(diǎn)為圓心、500 m 為半徑的范圍。結(jié)合周圍土地性質(zhì)分析，小什字站點(diǎn)西北方向存在商場及寫字樓建筑，擁有大量通勤及購物返程人群，西北方向是重慶洪崖洞景點(diǎn)，大量游客停留在該區(qū)域，因而OD 分布情況符合土地利用性質(zhì)。

臨江門站外OD 來源地分布主要集中在站點(diǎn)東側(cè)，站點(diǎn)西側(cè)也有少量聚集，站點(diǎn)南側(cè)OD 分布與較場口站外OD 分布相互交融，站點(diǎn)東側(cè)OD 分布向東北方向延伸至重慶洪崖洞。臨江門站外OD來源地分布覆蓋范圍較大，超出以臨江門站點(diǎn)為圓心、500 m 為半徑的參考范圍，且站外OD 分布較為不對稱。從土地利用性質(zhì)角度分析，臨江門站點(diǎn)東側(cè)是重慶國泰廣場、環(huán)球購物中心、新世紀(jì)百貨等商場，大量人群購物后乘坐地鐵返家，站點(diǎn)西側(cè)是重慶二十九中學(xué)，許多走讀學(xué)生放學(xué)乘坐地鐵返家。

較場口站外OD 分布主要集中在站點(diǎn)西北方向，少量OD 分布在站點(diǎn)東部，站點(diǎn)南部幾乎沒有OD 分布，站點(diǎn)OD 來源地分布整體形狀較為緊湊。結(jié)合較場口站點(diǎn)周圍土地利用性質(zhì)分析，較場口北部存在日月光購物中心、得意潮館等商場和住宅小區(qū)，存在大量人群駐留，較場口站點(diǎn)東部大多為商業(yè)用地及住宅小區(qū)，而站點(diǎn)南部只有少量建筑，站點(diǎn)OD 分布情況符合用地性質(zhì)。小什字、臨江門、較場口站外OD 來源地分布如圖7 所示。

圖7 小什字、臨江門、較場口站外OD 來源地分布Fig.7 Distribution of OD points outside Xiaoshizi Station,Linjiangmen Station,and Jiaochangkou Station

3 結(jié)束語

通過提取城市軌道交通出行站外OD 位置點(diǎn)，能夠有效分析客流來源與去向特征，把握站點(diǎn)周圍客流吸引實(shí)際范圍分布，對分析站點(diǎn)周邊建成環(huán)境、了解不同建成環(huán)境對客流需求的影響提供支撐，為城市軌道交通站點(diǎn)選址、站點(diǎn)周邊設(shè)施建設(shè)等提供規(guī)劃設(shè)計(jì)依據(jù)。經(jīng)過遺傳算法優(yōu)化的時(shí)空密度算法識別站外OD 位置點(diǎn)的誤差為633.75 m，算法精度雖滿足實(shí)際需求，但誤差依然相對較大。后續(xù)研究中可以改進(jìn)數(shù)據(jù)預(yù)處理方法，提升手機(jī)信令數(shù)據(jù)精度，采用更精細(xì)的算法，提高城市軌道交通出行OD 位置點(diǎn)識別效果。同時(shí)，融合車站視頻數(shù)據(jù)等多源數(shù)據(jù)作為標(biāo)桿數(shù)據(jù)進(jìn)行驗(yàn)證分析，將手機(jī)信令數(shù)據(jù)的城市軌道交通出行特征識別結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行比較評估，進(jìn)一步分析算法的有效性，完善識別效果評估。