用户名
密码
(30天内有效)
注册
注册
首页 > 案例资料 >

大数据在城市规划中的应用:2016 SPSD Workshop精彩内容集锦

我要收藏
2016-03-24

【派姐说说】

感谢杨东援老师授权【城市数据派UDParty.com】发布以下内容。如需转载,请联系udparty@qq.com。


【作者简介】


杨东援:同济大学教授,博士生导师,曾任同济大学交通运输工程学院院长、副校长,现任中国城市交通规划学会副理事长、中国智能交通协会常务理事、上海市交通工程学会副理事长、上海市规划委员会委员等职务。主要从事交通规划、智能交通系统领域的研究工作,曾主持上海市世博会交通规划研究、深圳等12个省市的物流系统规划,合肥等5个城市的公交规划,惠州、湘潭等6个城市的综合交通规划,深圳等城市智能交通系统规划等项目,出版有《交通规划决策支持系统》等专著,发表学术论文100余篇,现承担中国国家自然科学基金重点项目、国家支撑计划项目等研究工作。


在大数据为交通领域带来兴奋的躁动之后,技术人员和研究者却陷入了难以取得突破性进展的困扰。剖析其原因,对下一步技术发展据有重要意义。


产生困惑的原因之一,是套用传统技术概念理解大数据分析技术应用。

在交通领域磨练多年的学者和技术人员,提到大数据首先吸引注意力的自然是“数据”,将尽管“大”的数据放进建立“模型”的分析模板,是一种习惯成自然的研究套路。一番兴奋之后却发现这个“大”的数据不那么好用。公交IC卡数据由于往往只有上车刷卡信息,需要推断用户下车站点;更为模糊是公交换乘判断,根据两次刷卡时间间隔来判断是否属于“换乘”,远不像交通调查中对方的直接回答那样心中有底。类似的问题在交通大数据分析中比比皆是,例如移动通信数据中的“单此出行”的判断,移动通信用户是否属于“通勤一族”的判断,车辆牌照数据中相邻两次检测是否属于同一次出行等。在一系列假设基础上,终于将这个“大”的数据融入模型标定的框架之中,但是面对研究结果却充满疑惑:得到的结论如何检验,始终是一个挥之不去的难题。


为了更好地在大数据环境下分析交通系统,有必要摆脱传统理论的束缚。例如,传统网络流分析理论是建立在OD技术概念基础之上,其中一个很大原因是在过去的调查条件下我们很难获得长时间的居民出行数据。在大数据环境下如果利用移动通信数据获得了30天(甚至更长时间)的OD信息,又该如何加以使用?只用其中代表性的一天数据显然是不对的,简单进行平均获取平均OD矩阵是否又舍弃了许多有价值的信息?因此我们需要思考如何适应大数据的特点,来提出新的基础性技术概念(参见图1),而不是简单地把大数据塞进传统理论框架。



图1 从“OD”到居民活动空间



产生困惑原因之二,是尚不能将新技术方法与分析任务有效整合。

与交通工程师熟知的模型驱动分析技术不同,大数据分析具有独特的数据驱动话语体系,其中包括聚类分析、关联分析和信息融合等技术概念的应用。与信息工程师不同,当交通工程师站在这些技术面前时,必须面对如何应用这些方法去发现规律、预见未来的问题。


一种思维方式是将数据与模型结合起来,部分研究者希望通过大数据分析发现隐藏在背后的个体活动规律,并根据这些规律构建替代传统模型的出行分布—辐射、人口权重机会等描述居民活动空间分布的模型。例如Song(2006)等采用6000个用户在Dartmouth大学校园的WiFi定位数据,基于马尔科夫链建立了出行位置预测模型,可以达到65-72%的精度;Cho(2011)等采用社交网站的签到数据和手机数据,发现个体的短距离出行主要受出行的周期性影响,而长距离出行主要受社会联系影响,建立的预测模型对任意时间的个体出现位置的预测精度为40%Lu(2013)采用法国Cote d’Ivoire(西非)50万人6个月的手机数据,得到最大可预测性为88%,设计的Markov chain预测模型,可以达到87%的精度。


另一种思维方式是不追求“传统战场”上对原有技术的替代作用,而是充分利用大数据所形成的观察优势,在新的研究维度上展开。这就如同并非用信息技术直接杀伤“敌人”,而是将其作为战斗力的倍增器。例如为了更好地实现综合交通协同规划,是首先明确为适应发展应用中出现的需求变化,进而在综合交通系统与城市空间协同、不同交通方式潜在转移量分析、设施精明供给与政策调控协同等新维度上发挥大数据分析的技术优势。


我个人更加倾向于后种方式,认为前种方式的价值在于机理研究,用于解释居民空间行为,后者方式更加倾向于“涌现”观察,其预测问题可能可以转化为类比判断问题。


产生困惑的原因之三,是对自身角色缺少明确的定位。

除了技术概念与传统理论的差异以外,身份混淆也是产生迷茫的重要原因。交通大数据分析涉及的问题面很宽,不同类型问题所产生的分析要求存在很大差异。但是,在交通大数据分析中存在几类人员


城市交通的战略实验室分析人员——他们的任务很像美国的战争实验室,并不承担具体武器的研发任务,而是根据对总体态势和趋势的研判,提出新的战略理念,确定未来的战争形态和方式,以此为基础确定所需要研发的武器装备。


数据资源开发技术人员——他们很像新型武器的设计师,根据在原有基础上的继承与创新,不断提出新的解决方案。但是与第一类人员不同,相对聚焦于一个较窄的领域精耕细作,一般不会跨界工作。


大数据分析系统研发人员——他们很像军工企业中的技术人员,根据第二类人员所提出的设计方案来具体实现。


数据驱动的决策分析人员——他们是武器的操作员,也是与实际应用最贴近的技术人员。再好的分析工具离开了他们,也不能成为有效的战斗力。

四类人员在图2所示的工作流程中分别扮演不同角色。



图2 交通大数据分析所嵌入的工作流程


在交通大数据技术发展初期,研究者和技术开发者对于自身的任务缺少明确的界定是正常的。但是伴随研究的深化,认真思考自己在体系中的定位就显得非常重要。

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0