Estimating Urban Mobility with Mobile Network Geolocation Data Mining
Estimation de la mobilité urbaine par l'exploitation des données de géolocalisation de téléphonie mobile
Abstract
In the upcoming decades, traffic and travel times are expected to skyrocket, following
tremendous population growth in urban territories. The increasing congestion
on transport networks threatens cities efficiency at several levels such as citizens
well-being, health, economy, tourism and pollution. Thus, local and national authorities
are urged to promote urban planning innovation by adopting supportive policies
leading to effective and radical measures. Prior to decision making processes, it
is crucial to estimate, analyze and understand daily urban mobility. Traditionally,
the information on population movements has been gathered through national and
local reports such as census and surveys. Still, such materials are constrained by
their important cost, inducing extremely low-update frequency and lack of temporal
variability. On the meantime, information and communications technologies are providing
an unprecedented quantity of up-to-date mobility data, across all categories
of population. In particular, most individuals carry their mobile phone everywhere
through their daily trips and activities.
In this thesis, we estimate urban mobility by mining mobile network data, which are
collected in real-time by mobile phone providers at no extra-cost. Processing the
raw data is non-trivial as one must deal with temporal sparsity, coarse spatial precision
and complex spatial noise. The thesis addresses two problematics through a
weakly supervised learning scheme (i.e., using few labeled data) combining several
mobility data sources. First, we estimate population densities and number of visitors
over time, at fine spatio-temporal resolutions. Second, we derive Origin-Destination
matrices representing total travel flows over time, per transport modes. All estimates
are exhaustively validated against external mobility data, with high correlations and
small errors. Overall, the proposed models are robust to noise and sparse data yet
the performance highly depends on the choice of the spatial resolution. In addition,
reaching optimal model performance requires extra-calibration specific to the case
study region and to the transportation mode. This step is necessary to account
for the bias induced by the joined effect of heterogeneous urban density and user
behavior. Our work is the first successful attempt to characterize total road and rail
passenger flows over time, at the intra-region level. Although additional in-depth
validation is required to strengthen this statement, our findings highlight the huge
potential of mobile network data mining for urban planning applications.
Dans les prochaines décennies, la circulation et les temps de trajets augmenteront
drastiquement en raison du fort taux d’accroissement de la population urbaine.
L’augmentation grandissante de la congestion sur les réseaux de transports menace
le bon fonctionnement des villes à plusieurs niveaux, tels que le bien-être des
citoyens, la santé, l’économie, le tourisme ou la pollution. Ainsi, il est urgent, pour
les autorités locales et nationales, de promouvoir l’innovation pour la planification
urbaine, à l’aide d’une politique de soutien à l’innovation et de prises de mesures
radicales. Pour guider les processus de décisions, il est crucial d’estimer, analyser
et comprendre la mobilité urbaine au quotidien. Traditionnellement, les informations
sur les déplacements des populations étaient collectées via des rapports nationaux
et locaux, tels que les recensements et les enquêtes. Toutefois, ces derniers ont
un coût important, induisant une très faible fréquence de mise-à-jour, ainsi qu’une
temporalité restreinte des données. En parallèle, les technologies de l’information
et de la communication fournissent une quantité de données de mobilité sans
précédent, au jour le jour, toutes catégories de population confondues. En particulier,
les téléphones portables accompagnent désormais la majorité des citoyens lors de
leurs déplacements et activités du quotidien.
Dans cette thèse, nous estimons la mobilité urbaine par l’exploration des données
du réseau mobile, qui sont collectées en temps réel, sans coût additionnel, par
les opérateurs télécom. Le traitement des données brutes est non-trivial en raison
de leur nature sporadique et de la faible précision spatiale couplée à un bruit
complexe. La thèse adresse deux problématiques via un schéma d’apprentissage
faiblement supervisé (i.e., utilisant très peu de données labélisées) combinant
plusieurs sources de données de mobilité. Dans un premier temps, nous estimons
les densités de population et le nombre de visiteurs au cours du temps, à une échelle
spatio-temporelle relativement fine. Dans un second temps, nous construisons les
matrices Origine-Destination qui représentent les flux totaux de déplacements au
cours du temps, pour différents modes de transports. Ces estimations sont validées
par une comparaison avec des données de mobilité externes, avec lesquelles de
fortes corrélations et de faibles erreurs sont obtenues. Les modèles proposés sont
robustes au bruit et à la faible fréquence des données, bien que la performance
des modèles soit fortement dépendante de l’échelle spatiale. Pour atteindre une
performance optimale, la calibration des modèles doit également prendre en compte
la zone d’étude et le mode de transport. Cette étape est nécessaire pour réduire les
biais générés par une densité urbaine hétérogène et les différents comportements
utilisateur. Ces travaux sont les premiers à estimer les flux totaux de voyageurs
routiers et ferrés dans le temps, à l’échelle intra-régionale. Bien qu’une validation
plus approfondie des modèles soit requise pour les renforcer, nos résultats mettent
en évidence l’énorme potentiel de la science des données de réseaux mobiles
appliquées à la planification urbaine.
Origin : Files produced by the author(s)
Loading...