CN116233757A - 一种基于手机信令数据的居民出行碳排放量计算方法 - Google Patents

Abstract

本发明涉及居民出行碳排放测算技术领域，公开了一种基于手机信令数据的居民出行碳排放量计算方法，主要包括：根据手机信令数据轨迹点的时空分布特点将其分类为驻留点，即OD点，和移动点，从而将各个手机用户的出行链划分为以OD点为起讫点的出行段，然后按照一定的出行方式识别规则筛选确定各出行段的出行方式，再根据出行方式与碳排放因子之间的映射关系，计算用户各段出行的碳排放量。本发明的居民出行碳排放量计算方法基于高分辨率的手机信令数据实现了精细化的出行碳排放量测算，有效解决了目前居民出行碳排放计算能耗数据获取难，时效性低的问题，且方法具有较好的普适性。

Description

一种基于手机信令数据的居民出行碳排放量计算方法

技术领域

本发明涉及居民出行碳排放测算技术领域，特别涉及一种基于手机信令数据的居民出行碳排放量计算方法。

背景技术

交通行业是化石能源消费的重点行业，也是城市温室气体的主要排放源之一。全球层面，交通碳排放约占14％。美国、欧盟等发达国家或地区交通碳排放占比均超过20％，中国交通碳排放约占全国的10％左右。纽约、伦敦、巴黎等国际大城市的交通碳排放占比均超过了25％，其中小汽车出行碳排放在道路交通中占比最大。

交通行业碳排放呈现出三个主要特征：第一，交通碳排放占比大，一般仅次于工业和建筑领域；第二，交通碳排放的增速快，；第三，交通碳达峰慢，欧美国家的经验表明交通部门往往晚于工业和建筑部门。

目前交通领域的碳排放计算主要针对营运交通，如公路、水路、民航、铁路等，针对居民出行场景的碳排放量计算方法还没有形成共识。目前碳排放计算方法在思路上主要分为两个方向，以能源消耗为核心的“自上而下”法和以出行数据为核心的“自下而上”法。

自上而下法主要指能耗法，能耗法是一类基于能源统计数据结合不同燃料的二氧化碳排放因子进行碳排放核算的方法。

自下而上法包括周转量法、里程法、路网清单法，其中，周转量法基于客货运周转量统计数据结合单位周转量能耗或单位周转量二氧化碳排放因子；里程法基于参与碳排放计算的各车型分类，分别获取保有量统计数据、分车型年均行驶里程、单位里程二氧化碳排放因子进行核算；路网清单法基于可获得的精细化交通特征数据(车流量、车型构成、车速等)，在里程法的思路上对计算公式进行细化，建立高分辨率的路网排放清单。

居民出行是交通领域的重要场景，由出行活动所引起的碳排放存在高频、长期等特点，但目前仍缺乏成熟的居民出行碳排放量计算方法。

现有交通碳排放量计算方法存在以下问题：

(1)常用的方法对于居民出行碳排放场景没有针对性。能耗法、周转量法受限于能耗和周转量数据的可获得性，通常适用于营运交通的碳排放核算，里程法和路网清单法主要适用于机动车碳排放核算，其对车型分类、车辆技术构成和行驶里程数据要求较高。

(2)活动水平数据的分辨率一般较低，精细程度不高。居民出行碳排放时空特征复杂，能耗数据、周转量数据、里程数据往往缺乏时空分布特征，在时空分配上存在较大不确定性，不利于精细化地制定碳减排政策。

(3)计算结果时效性较低。能耗数据、周转量数据、里程数据等关键数据官方公布的时效性较低，无法及时有效地掌握某个具体区域居民的近期出行碳排放情况。

发明内容

本发明提供了一种基于手机信令数据的居民出行碳排放量计算方法，用于解决居民出行碳排放量底数不明、碳排放管理缺乏数据支撑、碳减排目标难以明确等问题，特别地改进了现有方法中的以下不足之处：现有碳排放核算方法在居民出行碳排放量计算方面无针对性、精细度低、时效性低，无法有效支撑及时分析某个城市区域居民的出行现状碳排放。

为实现上述目的，本发明采取的技术方案如下：一种基于手机信令数据的居民出行碳排放量计算方法，包括如下步骤：

S1、获取和整理研究区域的路网和分区边界矢量信息，建立空间地理信息数据库。在通常情况下，分区指划分交通小区，当然，根据需求，也可以按照其他方式进行分区。空间地理信息具体包括研究区域的交通网络(交通小区、道路路网)、行政边界等信息，其中，行政边界主要用于描述出行起讫点所属的行政区域。

S2、获取研究区域内指定时期的居民手机信令数据，并进行数据预处理和地理匹配，地理匹配是指，基于手机基站信号与城市地理空间的相互映射关系，将手机用户的位置数据匹配至步骤S1中建立的空间地理信息数据库中。

S3、基于轨迹点分析算法和出行识别算法构建居民出行活动水平数据库，具体地，根据手机信令数据轨迹点的时空分布特点将其分类为驻留点，即OD点，和移动点，从而将各个手机用户的出行链划分为以OD点为起讫点的出行段，最后按照一定的出行方式识别规则筛选确定各出行段的出行方式，即根据该出行段的出行距离、出行耗时等信息判断出行方式。

S4、建立出行方式-碳排放因子映射关系，构建排放因子数据库。

S5、基于自下而上的碳计量思路构建针对居民出行场景的碳排放量计算模型，具体地，以出行距离乘以单次出行的碳排放因子来计算单次出行二氧化碳排放量，按日汇总即得到全天碳排放量。

计算公式如下式(1)：

式中，E_i为使用出行方式i的全天二氧化碳排放量，单位是kg；D_i为单个移动手机用户使用出行方式i的单次出行距离，单位是km；EF_i为使用出行方式i的二氧化碳排放系数，单位是kg·人^-1·km^-1。

S6、以步骤S5构建的计算模型为算法核心，基于步骤S3建立的出行活动水平数据库和步骤S4建立的排放因子数据库两大数据集，将碳排放量计算按照指定时空分辨率进行处理，分出行方式计算得到研究区域内居民出行碳排放量，汇总各出行方式的碳排放，得到研究区域内指定时空分辨率的出行碳排放总量。

步骤S3中所述轨迹点分析算法和出行识别算法主要是根据指定规则或阈值，识别统计得到手机用户出行OD信息，包括出行方式、OD出行量及OD出行距离。关于OD相关概念做如下说明：

OD(起讫点)：当手机用户在某一区域内“逗留时间”大于“区内出行或其它行为(如换乘等)时间”时，将此区域和此时间段作为该手机用户的“出行链”划分的一个间隔点。该区域作为该手机用户“前一出行”的“讫点”和“后一出行”的“起点”。

OD出行时间：根据出行轨迹划分，离开起点区域(O点所在区域)的时间点为出行开始的时间点，到达讫点区域(D点所在区域)的时间点为出行结束的时间点。

逗留时间阈值：区内(如交通小区)出行采用15分钟为阈值，跨区出行采用30分钟(出行距离不超过200km)、60分钟(出行距离超过200km)作为相关阈值。逗留时间超过相应阈值，即判定其为一个O或D点。即本发明通过逗留时间阈值识别OD点，且针对区内出行和跨区出行设定不同的逗留时间阈值，而且，针对跨区出行的距离长短，也分别设定不同的逗留时间阈值；另外，区内出行逗留时间阈值<跨区出行逗留时间阈值，对于跨区出行逗留时间阈值，距离越长，阈值也越大。

OD出行量：在一段时间和空间范围中，所涉及OD地理区域映射的基站连接用户在这段时间内产生OD区域变更且速度、距离等维度符合实际的情况下的跨域统计量，其中着重排除基站信号漂移等情况(短时间内距离产生过大变化)。

OD出行距离：移动手机信令中OD出行距离理想情况为OD对应的出行轨迹长度，即路程。但实际上，由于部分位置存在多个强度接近的基站信号，此时会产生乒乓效应，手机用户与基站通信时登记的位置在多个基站小区间来回切换，因此使用手机信令进行定位时无法将每个静止的用户终端定位在唯一位置上。为解决这个问题，本发明中将若干基站小区合并为一个定位栅格，可提升对静止终端定位的准确性。

理论上，利用基站小区之间距离计算OD出行距离最为准确，但手机信令数据存在乒乓效应，获取的位置不唯一，且基站通信数据量巨大，算力要求很高，为简化计算，最终OD出行距离使用OD点所在的栅格中心点距离乘以距离路程比例系数进行计算，计算公式如式(2)。

式中，Dist_OD为OD出行距离，O_LOn、O_Lat分别为起点(O点)所属栅格中心的经度、纬度，D_Lon、D_Lat分别为讫点(D点)所属栅格中心的经度、纬度，p为距离路程比例系数。

步骤S4中排放因子数据库关键要素包括出行方式及对应的平均排放因子，还可包括能耗类型、能耗水平等参数以提高排放因子数据库的数据质量。

步骤S6中指定时空分辨率是指碳排放计算在时间尺度上可设置日、周、月、年等；空间尺度上可设置栅格、交通小区、研究区域等的范围，满足精细化的分析需求。

在本发明中，一个交通小区是一个栅格或多个相邻栅格的集合，一个栅格是一个基站小区或多个相邻基站小区的集合。在本发明中，定位到任何一个栅格的基站小区，均判定其位于该栅格内，一般认定其位于该栅格的中心位置。

与现有技术相比，本发明的有益效果在于：

1、本发明利用手机信令数据获取居民不同出行方式的活动水平，在提高数据时空分辨率的同时不会侵犯居民出行的隐私；

2、本发明基于手机信令数据构建了一种针对居民出行碳排放量的计算方法，鉴于手机信令数据的数据特点，该方法所得到的碳排放量计算结果具有较高的时效性；

3、本发明可实现依托广泛普及的手机信令数据进行居民出行碳排放量监测和分析，具有较好的适用性。

手机信令数据用于出行碳排放量计算场景具备以下特点：

(1)无需额外建设或维护相关设备；

(2)数据结构统一，模型算法易推广；

(3)空间覆盖范围大、人口中普及率高；

(4)持续采集时间长，数据连续性好。

附图说明

图1是本发明的一种居民出行碳排放量计算流程图；

图2是手机信令定位示意图；

图3是某手机用户全天出行轨迹点分析示意图；

图4是手机用户出行记录一般数据处理过程；

图5是居民出行中OD点识别原理示意图；

图6是OD出行量示意图。

具体实施方式

现结合附图和具体实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，不用来限制本发明的保护范围。

如图1所示，本发明优选实施例的一种基于手机信令数据的居民出行碳排放量计算方法，包括如下步骤：

S1、获取和整理研究区域的路网矢量和交通小区矢量信息，利用GIS软件(GIS即地理信息系统，如QGIS)建立空间地理信息数据库，并进行地理可视化，同时可通过GIS软件计算得到交通小区的面积和中心点坐标。

S2、从移动通信运营商处获取研究区域内指定时期的居民手机信令数据(需脱敏)，并进行数据预处理和地理匹配。地理匹配是指，通过GIS软件将手机用户的定位数据匹配至步骤S1中建立的空间地理信息数据库中。

如图2所示为手机用户定位示意图，多个基站小区覆盖一个交通小区，通常用正六边形(蜂巢)来描述物理基站站点的覆盖形状即基站小区。

步骤S2中居民手机信令数据的关键字段包括统计时间、记录时间、手机号码、号码来源、位置代码、小区识别码，CGI编码、上一个小区CGI、进入上一个基站时间、进入当前基站时间、地市、月份、日期、小时，非关键字段包括用户年龄、性别等用户属性字段。

步骤S2中数据预处理包括关键字段缺失数据处理、稀疏数据处理、同位置数据合并、同时间不同位置数据处理、乒乓切换数据处理和漂移数据处理等。

S3、基于轨迹点分析算法和出行识别算法构建居民出行活动水平数据库。

具体地，手机信令数据轨迹点的时空分布主要分为点簇状停留状态和线状出行状态，如图2所示，点簇状停留状态的轨迹点作为驻留点，即OD点；线状出行状态的轨迹点作为移动点，即出行轨迹点。

轨迹点分析算法目的是识别手机用户在出行过程中的驻留点和移动点，驻留点为用户在出行过程中的起讫点，即居民出行的OD点。将同一用户具有时间序列关系的OD点对连接起来即构成“出行链”。图3为一天内同一个手机用户的一条出行链，其包含两段出行，椭圆圈代表一个起讫点，两个椭圆圈之间代表一段出行(每段出行包含一个起点和一个终点)。

轨迹点分析算法的目的是将“出行链”划分为多个单独的“出行”，即多个单独的OD点对。本实施例中采用的是逗留时间阈值法来识别OD点。如图3所示，当移动用户在某一区域内“逗留时间”大于“区内出行或其它行为(如换乘等)时间”时，将此区域和此时间段作为该移动用户的“出行链”划分的一个间隔点。该区域作为该移动用户“前一出行”的“讫点”和“后一出行”的“起点”。同时，“到达该区域的时刻”为“前一出行”的“终止时刻”，“离开该区域的时刻”为“后一出行”的“开始时刻”。

其中，“区内出行或其它行为(如换乘等)时间”是与“研究区域”的范围大小和土地利用性质紧密相关的阈值，通常需要长期历史训练得到。即逗留时间阈值的确定及准确性依赖于具体研究区域的范围和区域开发的情况。比如，大城市和小城市的出行时间阈值通常应是有区别的，所以，时间阈值可根据本地数据多次实验进行调整。

本实施例中交通小区内部出行采用15分钟为阈值，交通小区之间跨区出行采取30分钟(出行距离不超过200km)或采用60分钟(出行距离超过200km)作为相关阈值。确定内部出行与跨区出行的逗留时间阈值是为了更准确地识别出OD点。比如某个手机用户在交通小区A逗留时长超过15分钟，就会判定该小区为O点(或D点)所在小区。按照出行距离和逗留时长进一步筛选，如果出行距离不超过200km，且该OD点逗留时长超过30分钟，则判定为跨区出行(短途)；如果出行距离超过200km，且这个逗留时长超过60分钟，则判定为跨区出行(长途、高铁)。如图4、5所示。

出行识别算法是按照一定的出行方式识别规则筛选确定各出行段的出行方式。在本实施例中，主要根据该出行段的出行距离、出行耗时等信息判断具体出行方式。

然后，统计研究区域内(比如计算潮州市居民出行碳排放则研究区域是潮州市)各出行段的OD点对位置、OD出行量(OD出行量简单来说就是指一定时期内手机用户在某两个交通小区(OD起讫点区域)之间的出行人次(见附图6示意))及OD出行距离(每段OD出行对应的出行距离)，建立居民出行活动数据库，以每日居民出行活动数据为例，其数据库包括用户ID、起点小区编号、终点小区编号、OD出行时间、OD出行距离、出行方式等。对上述数据库进行分类统计可以得到研究区域内各出行方式的出行总量、出行距离总量等数据。

OD出行距离计算公式如式(2)：

式中，Dist_OD为OD出行距离，O_Lon、O_Lat分别为起点(O点)所属栅格中心的经度、纬度，D_Lon、D_Lat分别为讫点(D点)所属栅格中心的经度、纬度，p为距离路程比例系数。本实施例中考虑城区两点之间的交通距离通常为直线距离的1.5倍，设定p＝1.5。

步骤S3中对于常规出行方式的参考识别规则如下表1，制定出行方式识别规则的基本原则是充分调研，符合实际。

表1常规出行方式的参考识别规则

出行方式	出行距离(km)	出行速度(kmh-1)
			步行	0.5～3	0～3
自行车	0.5～5	3～5
			非机动车	0.5～3	5～12
摩托车	0.5～3	5～12
			公交车	0.5～50	10～32
地铁	0.5～50	10～32
			小汽车	0.5～50	31～120
高铁	＞50	31～120
			飞机	＞50	31～120

S4、建立出行方式-碳排放因子映射关系，构建排放因子数据库。

采取资料调研和专家论证相结合的方法梳理得到出行方式结构、出行能耗结构、能耗水平数值、碳排放因子等各类参数的本地化推荐取值，并建立映射关系，建立排放因子数据库。排放因子数据库中能耗水平数据和碳排放因子数据均可以用于碳排放计算，取值优先顺序为排放因子优于能耗水平。能耗水平数据使用时需要乘以单位能耗排放因子。

不同出行方式的碳排放因子参考映射关系如表2。

表2不同出行方式的碳排放因子参考映射关系

S5、基于自下而上的碳计量思路构建针对居民出行场景的碳排放计算模型。

具体地，以出行距离乘以单次出行的碳排放因子来计算居民单次出行二氧化碳排放量，按日汇总即得到全天碳排放量。计算公式如下式(1)。

式中，E_i为使用出行方式i的全天二氧化碳排放量，单位是kg；D_i为单个移动手机用户使用出行方式i的单次出行距离，单位是km；EF_i为使用出行方式i的二氧化碳排放系数，单位是kg·人^-1·km^-1。

S6、以步骤S5构建的计算模型为算法核心，基于步骤S3建立的出行活动水平数据库和步骤S4建立的排放因子数据库两个数据集，将碳排放计算按照指定时空分辨率进行处理，本实施例中，所获取的手机信令数据的时间分辨率最高为日，地理空间尺度为交通小区，出行方式根据当地出行特征识别了以下四类：步行、非机动车、摩托车、小汽车。最后分出行方式计算得到研究区域内居民出行碳排放量。汇总各出行方式的碳排放，得到研究区域内全天居民出行碳排放总量。

Claims (5)

1.一种基于手机信令数据的居民出行碳排放量计算方法，其特征在于，包括如下步骤：

S1、获取和整理研究区域的路网和分区边界矢量信息，建立空间地理信息数据库；

S2、获取研究区域内指定时期的居民手机信令数据，并进行数据预处理和地理匹配，地理匹配是指，基于手机基站信号与城市地理空间的相互映射关系，将手机用户的位置数据匹配至步骤S1中建立的空间地理信息数据库中；

S3、基于轨迹点分析算法和出行识别算法构建居民出行活动水平数据库，具体地，根据手机信令数据轨迹点的时空分布特点将其分类为驻留点，即OD点，和移动点，从而将各个手机用户的出行链划分为以OD点为起讫点的出行段，然后按照一定的出行方式识别规则筛选确定各出行段的出行方式，即根据该出行段的出行距离、出行耗时信息判断具体出行方式；

S4、建立出行方式-碳排放因子映射关系，构建排放因子数据库；

S5、基于自下而上的碳计量思路构建针对居民出行场景的碳排放量计算模型，具体地，以出行距离乘以单次出行的碳排放因子来计算单次出行二氧化碳排放量，按日汇总即得到全天碳排放量；

S6、以步骤S5构建的计算模型为算法核心，基于步骤S3建立的出行活动水平数据库和步骤S4建立的排放因子数据库两大数据集，将碳排放计算按照指定时空分辨率进行处理，分出行方式计算得到研究区域内居民出行碳排放量，汇总各出行方式的碳排放，即可得到研究区域内指定时空分辨率的出行碳排放总量。

2.根据权利要求1所述的一种基于手机信令数据的居民出行碳排放量计算方法，其特征在于，步骤S1中的分区指划分交通小区。

3.根据权利要求1所述的一种基于手机信令数据的居民出行碳排放量计算方法，其特征在于，步骤S4中排放因子数据库关键要素包括出行方式及对应的平均排放因子，还包括能耗类型、能耗水平。

4.根据权利要求1所述的一种基于手机信令数据的居民出行碳排放量计算方法，其特征在于，将若干基站小区合并为一个定位栅格，通过定位栅格确定用户位置。

5.根据权利要求1所述的一种基于手机信令数据的居民出行碳排放量计算方法，其特征在于，所述出行距离使用OD点所在的栅格中心点距离乘以距离路程比例系数进行计算，计算公式如式(2)：

式中，Dist_OD为OD出行距离，O_Lon、O_Lat分别为起点(O点)所属栅格中心的经度、纬度，D_Lon、D_Lat分别为讫点(D点)所属栅格中心的经度、纬度，p为距离路程比例系数。

Images