2015-Measures of Human Mobility Using Mobile Phone Records Enhanced with GIS Data


两次通话连成的直线,能不能当成这个人走过的距离?

论文名片|Nathalie E. Williams、Timothy A. Thomas、Matthew Dunbar、Nathan Eagle、Adrian Dobra,Measures of Human Mobility Using Mobile Phone Records Enhanced with GIS Data,PLOS ONE,2015,10(7):e0133630,2015年7月20日发表。DOI:10.1371/journal.pone.0133630。Williams 与 Dobra 为共同贡献作者,Dobra 为通讯作者。本文依据这一正式发表版解读。研究类型是测量方法:用手机通话详单和道路地理信息,把人类移动拆成次数和空间范围。

2005年10月,卢旺达一家主要移动运营商的网络里,有一位论文称为 P 的匿名通话者。这个月只留下两次通话:一次在靠近乌干达边境的网格,站点 1976;一次在靠近刚果民主共和国边境的网格,站点 360。两座基站之间的直线是 236.8 公里。只看用过的基站之间最长的直线,P 处在全部月轨迹的第 100 百分位;回转半径 118.6 公里,是约 2000 万条月轨迹里最大的一条。

这条月轨迹只包含 1 次换网格的移动。按道路上估计耗时最短的路线,两个网格中心相距 432.1 公里,模型给出的行程是 6 小时 4 分钟,沿路距离只落在第 38 百分位。同一个人,最大直线距离站在分布顶端,沿路累计距离站在中部偏下。

这种错位就是本文要处理的测量问题。使用基站数、直线累计距离、最大直线距离和回转半径,会把基站疏密、通话多少和直线假设算进“这个人走了多少”。作者改用等大网格和公开道路网,定义 6 个新指标,再用 2005 年 6 月 1 日至 2009 年 1 月 31 日的卢旺达通话详单,看这些指标能否把不同出行类型分开。432.1 公里是道路模型给出的最快路线长度,详单里没有这段路程的连续定位。

先说结论

  • 旧的四项指标直接使用基站位置和直线。论文用构造例子说明:半径 5 公里内有 50 座塔或只有 1 座塔,同样大小的活动范围会被记成不同的移动;把一端的通话加到 1000 次、另一端只留 1 次,回转半径会从 118.6 公里降到 7.5 公里。
  • 等大网格把同一格内换塔记为没有移动。P 的塔间直线为 236.8 公里,最快道路为 432.1 公里。正文以 236.8 公里为基线,写沿路长度增加 82%。这条长度来自道路模型,详单里没有连续足迹。
  • 六个新指标把次数和范围拆开。P 的出行次数是 1,第 10 百分位;访问网格 93 个,第 98 百分位;沿路距离 432.1 公里,第 38 百分位。百分位参照的是这批月轨迹上同一指标的分布。
  • 44 个月里,指标之间的纵向相关为正、强度中等至高,并且随月份稳定。正文没有出行调查充当金标准。取其中 4 个月、按当月中位数把六项分成高低,得到 64 类;其中至少 11 类各自不少于当月通话者的 1.0%。六项同高与六项同低合计约占当月通话者的 30%。

基站变密的时候,移动评分为什么会跟着变高?

本文所说的人类移动性(human mobility),是人或短或长、或暂或久的空间移动。居住地更持久的改变,论文另称为迁移。交通研究里已有不少出行调查,但调查贵、样本小、覆盖的时空有限、更新慢,还受回忆误差影响。运营商为计费和网络维护持续记录通话详单(call detail record,CDR):每次语音、短信或上网,都记下时间、时长、通信类型,以及处理这次请求的基站。把基站的经纬度接上,就得到这部手机的大致时空轨迹。

这里的分析单位是一个通话者在一个自然月里的轨迹。数据覆盖该运营商网络在上述 44 个月的全部活动,合计 20,139,971 个人月。同一位通话者每出现一个月份,就增加一条轨迹。通话者规模本身也在变:补充图 C 所记载的数量,从 2005 年 6 月的 19 万增加到 2008 年 12 月的 100 万以上。这个人数只统计该运营商网络里的通话者。

既有详单指标主要有四个。使用基站数(number of towers used,NTU)数这个月用过几座不同的塔。直线累计距离(distance traveled–straight line,DT-SL)把连续通话的基站用直线连起来再加总。其他文献也称它为平均出行距离;按本文定义,它是距离之和。最大直线距离(maximum distance traveled,MDT)只保留用过的基站两两之间最长的那条直线。回转半径(radius of gyration,RoG)先确定用过基站的质心,计算各塔到质心的直线距离,再取这些距离平方的均值并开方。公式细节在补充材料。

P 的使用基站数是 2,第 10 百分位;直线累计距离和最大直线距离都是 236.8 公里,分别是第 78 和第 100 百分位。回转半径没有另给百分位,正文只说它是全部约 2000 万条月轨迹中最大的。

塔的摆放会使这些数字偏离实际活动范围。论文构造了一个对照:设想某人住在基加利,住所周围 5 公里内有 50 座塔,即使只在这个圆盘里活动,详单仍可能记下 50 座塔;另一人住在农村,周围 5 公里只有 1 座塔,活动范围同样大,却只会接触这一座塔,移动评分落到最低。50 和 1 是论文设定的塔数,用来说明密度本身会制造评分差异。一次呼叫还可能因网络容量和信号强度从一座塔转到另一座塔,人没有走,记录里仍出现一次移动,而且这种转移更常出现在塔更密的地方。塔又更多地建在人口密集、政治重要或手机更普及的区域。依赖塔密度的指标,会把这些背景一起带进移动评分。

塔的布局还逐月变化。2005 年 6 月至 2009 年 1 月,不同时期存在过的塔一共 269 座。图 1 的图注另写,通话详单涉及 239 座塔,其中 2005 年 10 月只有 78 座活跃,也就是至少处理过一次通信。269 与 239 分属这两处表述,后文不把它们合成同一个分母。补充图 D 显示,站点数量的逐月增加明显小于活跃塔数量的逐月增加;正文没有给出每月增加多少座。旧指标以塔为空间参照,塔网一变,同一条路线在不同月份会得到不同分数。

通话次数是另一层混淆。同样一条路线,打得更勤的人会在更多塔上留下记录。论文引用既有研究,认为通话频率偏向男性和更富裕的人;本文没有在 20,139,971 个人月上报告这个比例。没有塔的地区记不到经过,地区之间的比较会因此不一致。P 只有两次远距离通话,中间经过的地方在旧指标里消失,使用基站数、直线累计和最大直线距离都会偏低。实际经过、当地也有信号、只是没有打电话的位置,还会拉动质心,使回转半径偏移。

论文又构造了对照通话者 P0:在 P 的第一座塔打 1000 次,在第二座塔打 1 次。两人覆盖的两端相同。P0 的质心离第一座塔 236.5 米,离 P 的质心 118.1 公里,回转半径变成 7.5 公里,而 P 是 118.6 公里。这是虚构对照,说明回转半径会跟着各塔的通话次数移动。

使用基站数统计的是不同的塔。它随塔的疏密变化,对移动次数和移动距离都没有稳定的对应。最大直线距离只用两座塔。回转半径不计入移动了几次,空间范围还会被通话次数拉动。直线累计距离同时含有次数和范围,计算时仍用直线,并仍受塔的位置影响。

同一次跨城移动,直线和道路差在哪里?

新指标要同时满足四件事:不随塔的疏密、以及造成这种疏密的社会背景一起升降;少受通话频率、无信号区和塔网逐月变化的影响;明确对应移动次数或空间范围;能够跨地区、跨时间比较。

第一层是等大网格。研究区铺了 2040 个互不重叠的 5 公里×5 公里格子,从左下角编号 1 到右上角编号 2040。格子一样大,是为了减轻可变区域单元问题(modifiable areal unit problem,MAUP):分析单元的尺度或边界一变,统计结果就会变。等大单元不能取消这个问题。作者判断,全国研究用 5 公里比较合适,因为当地基站的假想服务半径大约 5 到 10 公里,山地还会把实际覆盖缩得更小。塔网更密的小区域研究可以使用更小的格子。正文没有比较其他尺寸的误差。网格如何放到地图上,写在补充材料。

含有至少一座当月活跃塔的格子称为站点(site)。人在某座塔打电话,位置记在该站点中心;只有下一次通话落到另一个站点,才算移动。同一站点里换塔,移动记为 0。呼叫若在同一站点的两座塔之间转移,也不会记成一次出行;两座塔若分属不同站点,人没走仍可能被记一次。2005 年 10 月有 78 座活跃塔、53 个站点,因此有的 5 公里格子里不止一座塔。

另一种常见做法是 Voronoi 剖分:每一块区域都比其他塔更靠近某一座塔,也称泰森多边形。它能铺满研究区,但格子大小随塔的疏密改变,移动测量会跟着塔密度变。

第二层是道路。作者假设人多半走道路,并选择估计耗时最短的路线,车速受限速和路面影响。路线从本次通话站点的中心出发,先接到离中心最近的道路,再沿耗时最短的路到达下一次通话的站点,停在那个中心。选路标准是估计耗时;沿路距离再测量这条路线的里程。道路来自 OpenStreetMap,图中画出干线、一级、二级和三级道路。

第三层是地面连续。两次通话之间,人被假定在这条道路穿过的每个格子里存在过一段时间,即使没有再打电话。旧指标只保留打过电话的点,所以打得越勤,分数越高。把中间格子算进去,通话频率的拉动会减轻。偏离这条假定路线、又没有塔的活动,仍然测不到。

对 P 来说,两座塔之间的直线是 236.8 公里,两个站点中心之间的直线是 237.2 公里,中心之间的最快道路是 432.1 公里。正文以塔间直线 236.8 公里为基线,写沿路长度增加 82%:432.1 公里比 236.8 公里多出 195.3 公里,相当于基线的 82%。道路的端点是站点中心,236.8 公里的端点是塔。6 小时 4 分钟是这条道路的估计行程,正文没有写出两次通话实际相隔多久。作者根据这个未列出的间隔和卢旺达的交通条件,判断 P 很不可能乘飞机,因此应在地面上经过若干中间地点。

完整原论文图1

图 1|同一次跨城移动,直线、道路和经过的格子各是什么?

无字母子图,主图与右下角插图属于同一张地图。黑点是 P 在 2005 年 10 月的两次通话,北端为站点 1976,西端为站点 360。浅蓝色直线标出 236.8 公里,红色道路标出 432.1 公里和 6 小时 4 分,蓝叉是回转半径所用的质心,位于直线中点。红点是当月活跃基站,灰点是未活跃基站;蓝色格子是这条最快道路穿过的站点,绿色格子是穿过、但格内没有活跃基站的网格。浅灰格网是 5 公里网格,道路按干线、一级、二级和三级区分,比例尺单位是公里。插图放大首都基加利及周边,正文指认这里是全国基站最密的区域。图中红线是假定的最快道路,不能单独证明 P 实际走过它,也不能把这一条路线增加的 82% 外推成所有人的路程都加长同一比例。来源:原论文 Fig. 1。

六个指标分别保住了次数还是范围?

在网格、最快道路和地面连续这三层之上,作者定义六个指标,分成三组。A 组只计移动次数,B 组只计空间范围,C 组两者都计。研究问题不同,可以选用不同组合;作者建议正式分析前至少用全部六项试一次。下表是 P 这一条 2005 年 10 月轨迹的取值。百分位由正文随数字给出,参照是这批月轨迹的相应指标;正文没有逐项重申每个百分位是按全部 44 个月还是只按 2005 年 10 月计算。轨迹总数是 20,139,971 个人月。

指标 计入的方面 P 的取值 百分位
出行次数 NT 次数 1 次 第 10
访问网格数 GCV-R 范围 93 个网格 第 98
访问站点占比 SV-R 范围 19/53 = 0.358 第 98
沿路距离 DT-R 次数和范围 432.1 公里 第 38
沿路时间 TT-R 次数和范围 6 小时 4 分 第 33
沿路网格数 GCT-R 次数和范围 92 个 第 42

出行次数(number of trips,NT)数的是这次通话是否落到了与上一次不同的网格。P 的两次通话在两个站点,两次之间只有 1 次换格,NT 记为 1。此后无论在站点 360 的塔上再打多少次,只要不进入新网格,NT 都不变。它不看距离,也不看两次通话相隔多久。两端无论换成哪两个当月活跃站点,NT 仍是 1;再进入第三个站点,NT 加 1。

详单看不出人在一地停留了多久。交通研究常把行程定义为在目的地至少停留 5 或 10 分钟;有的详单研究要求停留满 10 分钟才算停留点,更短的记录只当路过。按本文的规则,途中多次通话可能被记成多次行程,没打电话的目的地则可能被漏掉。作者认为,少用某地特有的停留门槛,不同地区才能用同一规则比较;需要时仍可改成停留满 10 分钟。

访问网格数(grid cells visited,GCV-R)先取轨迹中每对连续站点,找出其间最快道路穿过的全部格子,再合成一个不重复的集合,起点和终点也包括在内。P 的这条路穿过 93 个网格,处在第 98 百分位。这里假定人在两次通话之间存在于地面,并且在没有更多信息时,沿途每个格子同等重要。

访问站点占比(sites visited,SV-R)是该集合中含塔的格子数,除以当月站点总数。P 的 93 个网格里有 19 个是 2005 年 10 月的站点,当月站点共 53 个,所以 SV-R = 19/53 = 0.358,也在第 98 百分位。分母必须用当月站点数,因为塔的新建或停用会改变站点总数,不调整就无法跨月比较。这个指标还假定塔的位置代表某种重要地点,原因可以是人口、过路流量、重要设施或交叉路口,而且原因可以随地区变化。

若 P 接着在 1976 和 360 之间来回通话,访问网格数和访问站点占比都不变,因为格子集合还是原来那一条路。范围指标不奖励重复行走。

沿路距离(distance traveled,DT-R)、沿路时间(time traveled,TT-R)和沿路网格数(grid cells traveled,GCT-R)把连续站点之间的最快路线加总。沿路距离在站点之间计算,同站点换塔记 0,加总的是道路长度。直线累计则把塔与塔之间的直线相加。P 的沿路距离就是 432.1 公里,第 38 百分位。一次很长的单程可以在最大直线距离上排到全体最高,沿路累计却只居中,因为其他人多次短途可以把道路长度加得更长。

沿路时间用的是这条最快路线的估计行程。有限速时采用限速;限速缺失,或路况达不到限速,就按道路类型估计平均速度。具体速度在补充材料,正文没有列出。P 的沿路时间是 6 小时 4 分,第 33 百分位。

沿路网格数计入路线起点,不计入终点;某格若同时是上一段的终点和下一段的起点,只计一次,避免衔接格算两次。P 的路线连起终点共 93 格,终点不计入,所以是 92,第 42 百分位。访问网格数是不重复的格子集合;沿路网格数按路段累计。

三种单位放在一起,能分开里程相同、路的等级不同的人。沿路里程相同时,高速公路和小路的沿路距离相同,沿路时间不同。沿路网格数较少受具体弯道和路面影响,便于比较相距很远的地区或国家。

论文再用两个构造人物说明组合的必要。P1 和 P2 都每月往返上班 20 天,工作地分别离家 1 公里和 10 公里。只看 A 组,两人的次数相同;看 B 组或 C 组,10 公里通勤更高。1 公里、10 公里和 20 天是论文设定的例子。P 只有一次长途:B 组分数高,A 组与 C 组不高。百分位分别是第 98、第 10,以及第 33 到第 42。

指标彼此相关,是否就已经对准了真实路程?

目前没有一条公认的标准移动量可以拿来对照,作者主要依靠表面有效性:指标是否按事先定义的次数和范围变化。补充检验是 44 个月、每条月轨迹上的两两纵向相关。正文汇总说,全部相关为正,强度从中到高,随月份很稳定;同一组内部的相关最强。直线累计距离在概念上同时包含次数和范围;正文报告它与只计范围的 B 组关联最强,与 C 组的关联居次。作者据此说明,直线累计距离的构造与新的沿路指标不同,尤其不同于沿路距离。相关系数和相关图在补充材料,正文没有列出具体系数。

类型划分只用了 44 个月中的 4 个月,正文没有写出是哪 4 个月。一项指标高于该月中位数记为高,低于记为低;恰好等于中位数时如何归类,正文没有说明。六项高低组合成 64 类。补充表显示,这 4 个月里,各自至少有 11 类不少于当月通话者的 1.0%。六项同高的一类和六项同低的一类,在 4 个月里都是最大的两类,合计约占当月通话者的 30%。排在其后的两类,是 A 组与 C 组同高或同低、B 组方向相反,合计约占当月通话者的 7%。这说明次数和范围会把人分到不同侧。

另有两类相对常见:两项范围指标一高一低,其余指标同高或同低,合计约占 5%,正文此处把分母写成人口。作者把访问网格数高、访问站点占比低解释为走得勤、走得远,但多在塔少的地区;反向组合则是走得少而短,但多在塔多的地区。这一解释来自两个指标的定义,正文没有用出行日记核实。每一类的精确百分比在补充表,正文只给这些约数。

沿路时间还有一个数据检查用途。正文说,它可以帮助标出不合理轨迹,情形包括运营商数据库错误、手机在同一时间被他人使用,以及自动程序拨号。正文写明,既有直线指标做不到这种筛查。筛选规则在补充材料。

换一座城市时,这些指标还比较的是同一件事吗?

指标被设计成可用于交通和通信基础设施程度不同的地区。跨地区可比,靠的是规则简单,以及一组出行假设:多数时候在地面、走道路、乘汽车或公共汽车。步行、公共交通或航空很常见的城市,需要改这些假设。正文把改法放在补充材料,并写明还需要进一步测试。在假设不变之前,两国相同的沿路距离仍可能对应很不同的沿路时间。

这些指标描述的是一段固定时间里,每个通话者穿过哪些位置。另一类研究先找家和工作地,再把所有人在地点之间的行程数记入起讫矩阵(origin–destination matrix)。起讫矩阵保留的是地点对上的合计人数;同一个人的多次行程一旦加进格子,彼此就不再相连。本文的六项指标保留这个人在该时间窗里的连续移动。

作者随后讨论了三类后续用途,效应尚未在本文估计。第一,详单指标可以替换昂贵的出行调查,也可以只给参加调查的人计算移动,再与问卷中的其他行为对照。第二,可以先算一座城市、一个州或一个地区的总体移动,再把它与个人迁移、结核感染、妇女劳动参与,或与地区的艾滋病毒流行率、出生率、社会规范、经济状况、政治参与放在一起考察。样本调查难以先算出这种总体移动。第三,灾害和冲突期间,人群的移动会改变。作者在另一篇同年论文中使用出行次数,识别了与地震、洪水、针对平民的暴力和抗议相伴的行为变化。该结果使用的是出行次数这一项指标。

选择问题仍然在。没有手机的人不进入数据。正文引用既有研究,认为用户更可能是男性、受过教育、居住在城市;本文没有给出这三项的比例。国际电联估计,到 2014 年底,发达经济体和发展中经济体的移动蜂窝订阅数分别为每 100 名居民 120.8 户和 90.2 户。讨论部分把发展中经济体的 90.2 比作调查中大约 90.2% 的回答率。90.2 的分子是订阅数,分母是 100 名居民。这个比例来自国际电联对发展中经济体的估计,不是卢旺达样本的访谈回答率。

定位也有误差。通话记在塔上,人很少正站在塔下,而可能在 5 到 10 公里内,具体取决于天线类型和地形。通话很少,以及呼叫在塔间转移,仍会制造误差。等大网格只减轻其中一部分。作者比较的替代品是依赖回忆的调查:调查难以及时记录位置、时间和移动,也算不出总体层面的移动。这个比较对应的是规模和成本。432.1 公里仍然是道路模型的路线长度。

一句话总结

同一次跨城移动,最大直线距离可以排到全体最高,沿路累计距离却只在中部;要比较人怎么移动,得把次数和范围分开计,并用等大网格减轻基站疏密对分数的拉动。

核心来源

  • PLOS ONE 正式发表页面,核对题目、作者、2015 年 7 月 20 日发表信息与 DOI:10.1371/journal.pone.0133630。稿件 2015 年 2 月 15 日收到,6 月 30 日接受。
  • 正文 Fig. 1 是唯一的主图。公式、网格放置、道路速度、航空出行的调整、44 个月相关、4 个月的 64 类表格,以及沿路时间的异常筛选,分别写在补充材料 S1 的 SI1 至 SI7;正文只报告了相关的方向和分类的约数。
  • 论文写明,地理信息结果可用已上传数据复现:RwandaMobility。通话详单归运营商所有,不在这个仓库;去标识数据由哈佛大学 Engineering Social Systems Group 按保密条件提供,论文所给入口为 http://www.hsph.harvard.edu/ess/about.html 。
  • 资助为美国国家科学基金会 DMS-1120255,以及 Eunice Kennedy Shriver National Institute of Child Health and Human Development 的 R00HD067587 与 R24HD042828。致谢说明 Daniel Bjorkegren 与 Joshua Blumenstock 协助了通话详单的初期处理。

作者介绍

以下只采用论文署名机构和作者贡献说明。

  • Nathalie E. Williams:华盛顿大学杰克逊国际研究学院与社会学系。与 Dobra 标注为共同贡献,参与构思与设计、计算、数据分析和写作。
  • Timothy A. Thomas:华盛顿大学社会学系。参与构思与设计、计算、数据分析和写作。
  • Matthew Dunbar:华盛顿大学人口与生态研究中心(Center for Studies in Demography and Ecology)。参与构思与设计、计算、数据分析和写作。
  • Nathan Eagle:哈佛大学流行病学系。作者贡献表把他列为材料与分析工具的贡献者,未列入构思、分析或写作。
  • Adrian Dobra:华盛顿大学统计学系、生物行为护理与健康系统系,以及社会科学统计中心和人口与生态研究中心。通讯作者,与 Williams 标注为共同贡献,参与构思与设计、计算、数据分析和写作。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

若一座城市几年里主要在已有信号的市中心加塔,使用基站数会上升,而 5 公里网格上的站点数量上升更慢。本文只定性报告站点的逐月增加小于活跃塔的增加,没有给出座数。可以把这个差别做成一个可核对的时间序列:一边是平均使用基站数,一边是固定网格上的出行次数,对照 2005 年 6 月 19 万通话者到 2008 年 12 月 100 万以上通话者这段塔网扩张。若使用基站数上升,而固定网格上的出行次数在同一道路假设下保持平稳,多出来的分数来自基站建设。这个对照需要逐月的塔和站点序列,正文没有完成它。

灾害之后也可能出现另一种分叉。跨城长途减少,取水、就医或打听消息的短途增加时,出行次数上升,访问网格数下降。只看回转半径或最大直线距离,这段时期像是移动收缩;只看次数,又像是移动增加。两项可以同时为真。因此,在说“灾后流动恢复了”之前,至少应同时报告次数组和范围组的方向。这是根据六项指标能把人分到不同侧所作的推断,不是本文对某次地震或洪水的测量。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录