万励：历史普查与交通大数据的疫情应用探索

英国较难获取实时的大空间尺度的精细化人口流动数据，因此我考虑利用历史交通为当下的疫情防控问题提供帮助。第一个案例是基于历史普查数据的大尺度通勤出行矩阵模拟。第二个案例是一个传统的交通大数据研究，利用机动车轨迹数据识别通勤行为，希望能有助于Covid-19疫情后的交通需求情景分析。

一、基于历史普查数据的大尺度通勤出行矩阵模拟

如何利用历史普查的通勤数据合成新近年份的通勤矩阵？我们基于通勤矩阵双向约束的特性，利用2011年的观测矩阵作为初始输入，输入2018年的工作地和居住地总数作为新约束，通过iterative proportional fitting方法调整矩阵。最后可以产生的新矩阵符合2018年观测到的居住地和工作地的总数。

其中涉及两个具体的操作问题。第一，对于“在家办公”和“无固定工作地”的处理。在家办公的人群可以假设是在居住地上班。没有固定工作岗位的人，可以计入居住地这一端，按照概率分布的形式假设在所有地方都有一定概率就业。这样可以避免低估交通出行需求。

第二，通勤矩阵是典型的稀疏矩阵，其中有很多工作地和居住地之间没有观测值，这给IPF方法造成困难，我们提出可以把城市大数据和城市模型相结合。现有大量的研究利用手机信令、LBS数据等合成通勤矩阵。

我们发现利用大数据推测出来的通勤矩阵总体上是可靠的，但往往伴随各种隐性误差，其中就业地识别和捕捉短距离通勤误差较为显著。利用大数据与城市模型相结合的方法可以修正误差。

具体方法可参见论文Wan,Li et al.(2017). Big data and urban system model - Substitutes or complements? A case study of modelling commuting patterns in Beijing. Computers, Environment and Urban Systems

二、基于历史交通大数据的通勤行为研究

第二个案例是我们希望利用历史交通大数据对疫情后的交通需求做评估。疫情之后，影响交通需求的因素主要有三个。第一个因素是按照行业和技能水平划分的复工率。例如中、高技能岗位可能会持续性远程办公，而中、低技能岗位特别是需要使用机械的岗位可能会率先复工。

第二个因素是出行方式的转变，之前通勤出行方式主要是公交车的人群，可能在疫情后转向私人汽车。第三个因素是工作方式的转变，通过疫情防控期间的封锁，人们被迫适应了新的工作方式，而更加灵活的工作方式对交通需求的影响尚不确定。

通过研究历史交通大数据，我们可以分析出不同类型工作者的汽车使用模式，有助于预测和管理疫情后的交通需求。比如，城市里是否应该增加停车位，一方面要考虑刺激消费，特别是餐饮业服务业的消费，一方面要减少拥堵和排放，这样的决策需要更多个体尺度的行为数据。

最后是关于大数据研究的三点反思。一是大数据研究通常是以相关性为出发点，但是从相关性转移到因果性是有必要的且亟需的。二是需要从数据驱动问题向问题驱动数据转变，现在大数据研究大部分是数据驱动的探索性研究，研究结果未知。应该首先明确研究问题，基于问题导向来收集、分析数据，优化未来的数据收集。

三是什么是规划师职业所属的核心问题/数据集？清华大学龙瀛老师在建筑学报的一篇新文章上列举各种类型城市数据集，很难说规划师对所有数据集都擅长，针对具体问题、选择合适的数据源和分析方法，是值得进一步探讨的。

时间:2020-07-06 23:20  来源:    转发量:次