信息化浪潮使得电商物流迅猛发展. 2014年,我国快递业务量首次突破130亿,跃居世界第一,实现全年业务收入2045.4亿元,人均快递量达到10.2件,人均快递支出达到149.5元 ^{[ 1- 2]} . 快递单量的飞速增长给城市快递网点的合理布局、快递人员的合理配备及快递行业发展战略调整都提出了新的要求 ^{[ 3]} . 快递运输车辆的快速激增对城市交通秩序也带来了一定的冲击. 研究城市内部快递单量时空分布特征,有助于快递企业合理规划网点布局、配备快递人员、及时调整企业发展策略,能为交通部门实施相关交通管制政策以减少快递车辆对交通秩序的影响提供一定的数据支撑 ^{[ 4]} .

手机作为快递人员通知客户取件的移动终端,已经成为快递人员最基本的工作装备,每天大量的话单数据是快递人员与非快递人员区别的显著特征. 而快递人员的话单数据辨识和分析是研究城市快递单量时空分布特征的前提. 目前,国内外已经有大量与基于移动通信信令数据的人群识别相关的研究 ^{[ 5- 7]} ,主要针对人口出行分布调查、实时人流量统计、出行方式识别、职住空间分析等方面 ^{[ 8- 10]} ,而针对快递人员辨识方法的研究尚无.

本文以北京市移动通信信令数据为依托,结合相关问卷调查数据,提出一种基于朴素贝叶斯分类法(naive bayesian classifier,NBC)的快递人员辨识方法,为城市物流配送人员活动规律研究、城市内部快递单量分布特征研究等提供了一定的数据分析基础.

1 移动信令数据介绍

1.1 数据描述及预处理

移动信令数据主要包含了4个信息:1) 匿名用户编号MSID. 相当于手机号码,但取代手机号码保护了个人隐私,该字段是识别移动用户的唯一编码. 2) 时间戳. 记录信令发生的时间. 3) 基站小区编号. 信令事件发生时所在的基站小区. 4) 信令事件类型. 记录了用户信令属性,如发短信、接短信、打电话、接电话、正常位置更新、小区切换等. 手机用户在出行过程中,基站小区的切换,以及其他的信令动作,都会被系统采集到. 这些手机信令记录了用户的出行轨迹点. 通过这些信令特征和轨迹点可以对用户的社会属性和出行行为进行分析.

本文所用的数据为2016年3月份北京市移动用户所产生的全部信令数据. 为保证数据分析的高效性和后期模型训练的准确性,对样本数据做如下预处理:

1) 完整自然周的通信信令数据提取. 为对模型计算结果进行对比分析,将研究的总体样本划分为4个自然周,并添加“是否为工作日”的识别字段.

2) 按照城市用地性质划分标准,根据信令数据中基站编号,识别事件发生位置区,为信令数据添加用地性质字段.

3) 无效伪码数据的清洗. 在信令数据的产生过程中,会出现数据库系统信息接收错误的情况,造成该条记录中手机伪码被默认为“全0”,需要将这部分无效卡号进行筛选和清洗.

1.2 快递人员移动信令特征

快递人员在包裹配送过程中完全依靠移动终端与客户取得联系,因此无论是打电话或是发短信,其信令产生的频率与非快递人员均有一定的差别. 同时由于快递人员工作时间主要集中在白天,且同一快递员的服务点位一般相对固定,因此,快递人员与非快递人员相比其信令高频产生的分布时段及分布地点差异性较大.

按照上述分析,本文取“用户全天打电话平均次数”“全天高频打电话的时段分布”“全天发短信平均数量”“全天高频发短信的时段分布”“全天高密度打电话或发短信的点位个数”5个属性作为区分快递人员与非快递人员的属性特征值. 并通过对北京市5种不同类型用地性质(生活住宅、文化教育、体育娱乐、行政办公、商业办公)配送点位7家快递公司(邮政EMS、顺丰、申通、中通、圆通、韵达、宅急送)快递人员的调查,统计其以上5个属性特征值一周7天的分布概况,结果显示如 图1~ 图5所示.

图  1  北京市快递人员全天平均发短信数量

Figure  1.  Short-message amount of couriers in Beijing

下载: 全尺寸图片 幻灯片

图  2  北京市快递人员全天平均打电话数量

Figure  2.  Call amount of couriers in Beijing

下载: 全尺寸图片 幻灯片

图  3  北京市快递人员全天高频发短信时段分布

Figure  3.  Time distribution of couriers’ high frequency texting in Beijing

下载: 全尺寸图片 幻灯片

图  4  北京市快递人员全天高频打电话时段分布

Figure  4.  Time distribution of couriers’ high frequency calling in Beijing

下载: 全尺寸图片 幻灯片

图  5  北京市快递员全天高频发出信令聚焦点个数

Figure  5.  Service points number of couriers’ high frequency mobile communication in Beijing

下载: 全尺寸图片 幻灯片

短信是快递人员与客户取得联系通知客户取件的首选联系方式,一般情况下快件到达时,快递人员至少给取件人发送1条短信. 当超出通知时间取件人依然没有取件时,则快递人员会发出第2条短信或者打电话通知取件人.

从 图1可以看出,北京市约有50%的快递人员全天短信发送量在300条以上,98%以上的快递人员全天短信发送量在50条以上. 这一特征与非快递人员(除电话推销等特殊人群外)区别较为明显,可以作为区分快递人员与非快递人员的属性条件之一.

图2显示了快递人员全天话务量的分布,由图可以看出,约有50%的快递人员全天平均话务量在35单以上,约97%的快递人员全天话务量在20单以上. 这一结果与短信发送量差距较大,仅为快递人员全天短信发出量的10%左右. 造成这种现象的原因为打电话一般为快递人员通知货主取件的辅助手段,当短信通知1次以上,货主依然没在通知时间内取走快件,快递人员才会选择电话通知. 但是平均全天20单的话务量,对于大多数城镇居民来说已超出正常生活中的日均话单量. 因此,日均话务量可以作为区分快递人员与非快递人员的属性条件之一.

图3显示了200名快递人员全天所有短信发出的时间分布,可看出分布结果具有明显的高峰时段和低峰时段. 其中上午9:00—10:00平均短信发送量约200条,占全天短信发送量的47%;下午16:00—17:00平均短信发送量约90条,占全天短信发送量的21%. 2个高峰时段短信发送总量约占全天短信发送总量的68%. 产生这种现象的原因为快递公司的到货一般分为上下午2个批次,早上9:00之前一般进行货物分拣和末端配送,9:00之后快递员才能到达配送小区发货点位,9:00—10:00为通知货主取件的高峰时段. 同时在上午发送短信的对象中包含前一日通知之后没有及时取件的客户. 而下午的到货时间一般为14:00—15:00,短信通知取件的高峰时段为16:00—17:00. 因此,这种明显的短信发送时间峰值特征可以作为区分快递人员与非快递人员的属性条件之一.

图4显示了200名快递人员打电话的时间分布,与发出短信的时间分布特征类似,具有明显高峰时段和低峰时段,分别为上午10:00—11:00和下午16:00—17:00,这2个时间段内的快递员拨打电话的总量占全天话务总量的48%. 但是与发短信的时间分布特征不同,拨打电话的上午峰值时段比发送短信的峰值时段滞后1h. 拨打电话的下午峰值要高于上午峰值. 这是由于短信一般是快递员通知货主取件的首选联系方式,在上午9:00—10:00时段内快递员会优先以短信方式通知当天到达快件的货主取货,当天快件货主通知完后再以短信或电话形式通知往日积压快件货主. 因此,在上午时段内以电话通知的快件多为往日积压没有及时取走的快件. 而为了尽量避免快件的隔夜配送,当上午通知的货主没有按时取走快件时,多数快递员会直接在下午以电话通知货主取件. 因此,高频拨打电话的时段分布可以作为区分快递员与非快递员的属性之一.

图5显示了快递员全天高频打电话或发短信所处位置区个数的分布状况. 即以快递员定点配送快件的区域作为信令高频发出的聚焦点,能表示快递员全天主要活跃区域的个数. 由图可以看出,全天约有80%的快递人员活跃区域大于或等于3个. 而白领、上班族或电话推销人员其全天发出信令的聚焦区域多为1个,因此,全天高频发出信令的聚焦点个数可以作为区分快递人员与非快递人员的属性特征之一.

根据上述分析,快递人员全天所发出的移动信令在话务数量、短信数量、高频打电话时段分布、高频发短信时段分布、高频发出信令聚焦点个数等方面均与非快递人员具有较大的差异. 但由于各属性指标均存在不同程度的边缘模糊区域,如果单凭一个属性指标对快递人员进行辨识,会产生较大误差. 为了更加精确地从移动通信信令中辨识出快递人员,本文利用上述5个属性值提出一种基于朴素贝叶斯分类法(NBC)的快递人员辨识方法.

2 移动信令数据中快递人员辨识方法

2.1 朴素贝叶斯分类法(NBC)

数据分类是大数据挖掘中一项非常重要的基础工作,高质量的分类是做好数据统计和分析的前提. 分类是描述重要数据类的模型,这种模型称为分类器 ^{[ 11]} . 分类器的构造方法有很多,常见的有决策树法、遗传算法、贝叶斯分类法、神经网络法、粗糙集理论法等.

贝叶斯分类法用于预测类隶属关系的概率,包括朴素贝叶斯分类法和贝叶斯网分类法,属于统计学分类方法. 分类算法的比较研究发现,朴素贝叶斯分类法能进行自我监督和推理,克服了基于规则的系统所具有的许多概念和计算上的困难,分类的高准确率和高速度,在大数据分析中得到了广泛的应用.

如 图6所示,假设 U={ X, C}是随机变量有限集,其中 n维属性变量 X={ X ₁,…, X _n }, C={ C ₁,…, C _n }代表变量的类别,样本 x _i= { x ₁,…, x _n }属于 c _i 的概率由贝叶斯公式可表示为

P( C=c _j|X=x _i ) = $\begin{array}{c}\frac{P\left(c_j\right)P(x_1,\dots ,x_n|c_j)}{P(x_1,\dots ,x_n)}\end{array}$ =αP( c _j ) P( x ₁,…, x _n|c _j )(1)

式中: α为正则化因子, α= $\begin{array}{c}\frac{1}{P(x_1,\dots ,x_n)}\end{array}$ ; P( c _j )为 c _j 的先验概率; P( x ₁,…, x _n|c _j )为 c _j 关于 x _i 的似然 .

图  6  朴素贝叶斯分类器结构图

Figure  6.  Structure of Naïve Bayesian classifier (NBC)

下载: 全尺寸图片 幻灯片

由概率的链式法则,式(1)可以表示为

P( c _j|x ₁,…, x _n ) =αP( c _j ) $\begin{array}{c}\stackrel{n}{\prod _{i=1}}\end{array}$ P( x _i|x ₁,…, x _{i- 1},…, x _n , c _j )(2)

因为手机信令数据是具有多重属性的数据集,为了降低 P( x/c _j )的计算量可以做“类条件独立”的朴素假设,即每个属性 X _i 只与类变量 C相关,因此式(2)中的 P( x _i|x ₁,…, x _{i- 1},…, x _n , c _j )可以简化为 P( x _i|c _j ) . 即

P( c _j|x ₁,…, x _n ) =αP( c _j ) $\begin{array}{c}\stackrel{n}{\prod _{i=1}}\end{array}$ P( x _i|c _j )(3)

对分类器进行分类训练时,朴素贝叶斯模型先按照类标签把训练样本集分成几个训练子样本集 D _j ( j≥1),并利用训练样本对每个类的先验概率进行预估,然后在每一个由 C _j 标定的子集样本中,对类条件属性的概率进行估测 . 当对一个未知样本 X的类别进行预测时,可对每个类别 c _j 计算相应的 P( X=x|C=c _j ) P( C=c _j ),当且仅当对于 j≥1, j≠ i时,

P( C=c _i|X ) >P( C=c _j|X )(4)

朴素贝叶斯分类法预测 X属于 C _i , P( C=c _i|X )最大的类 C _i 称为最大后验假设 . 对样本 X的类别进行判别的过程中,需要将类别已知的样本总体均分为2份,根据样本的属性特征数据,先对其中一份样本的概率分布值训练估计,然后利用另外一份未参与训练的样本对模型预测的准确性进行测试,并根据测试结果对模型进行修正 . 最后利用式(4)即可计算未知集合 X最大后验概率的从属类别 .

2.2 基于问卷调查数据与移动信令数据的NBC模型构建

本文采用调查问卷与移动信令数据相结合的方式,将NBC模型应用于快递人员的辨识研究中 . 利用问卷和移动信令数据中同时包含的基本属性,例如全天发送短信数量、短信发送时段分布、高频发送信令数据的聚焦点个数等,建立基本属性集合 X与问卷中独有的属性 C(快递人员 /非快递人员)之间的贝叶斯概率关系,并通过计算得到的概率值赋予移动信令数据中缺失的“快递人员” C属性,见 图7 .

图  7  基于NBC模型的快递人员辨识图

Figure  7.  Identification of couriers in mobile phone signaling data based on NBC model

下载: 全尺寸图片 幻灯片

本研究拟在调查问卷中对受访者是否为快递人员,以及过去一周(含周末)的手机通信频率等相关信息进行采集,并通过5个属性变量构建贝叶斯概率模型中的X属性集合(X={x ₁,x ₂,x ₃,x ₄,x ₅}).其中:x ₁为平均每天发送短信数量;x ₂为每天高频发送短信时段(每小时发送20条以上);x ₃为平均每天拨打电话数量;x ₄为每天高频拨打电话时段(每小时拨打10个以上);x ₅为平均每天高频发短信或打电话所在位置区域个数. 以上信息均以过去一周为单位进行统计. 是否为快递人员用分类变量C表示(C={c ₁,c ₂}),其中:c ₁为该受访者是快递人员;c ₂为该受访者非快递人员. 在手机信令数据中,对总体样本每个手机号伪码一周内平均每天发送短信数量、每天高频发送短信时段、平均每天拨打电话数量、每天高频拨打电话时段以及平均每天高频发短信或打电话所在位置区域个数进行统计,分别对应问卷调查数据中X集合中的5个属性变量.

2.3 基于问卷调查数据的NBC模型训练与测试

本文于2016年3月份在北京市选取生活住宅、文化教育、体育娱乐、行政办公、商业办公等5个不同用地性质的代表区域(包含城市生活中居民日常所接触的领域),对1000名受访者进行了调查(每种类型区域调查200名受访者,其中快递人员100名,非快递人员100名),调查内容包括:个人年龄、社会经济属性、工作类型、过去一周内平均每天发送短信数量、全天8:00—18:00单位小时发送短信数量分布、平均每天拨打电话数量、全天8:00—18:00单位小时拨打电话数量分布、平均每天高频发短信或打电话所在位置区域个数等,共计回收有效问卷980份(其中快递人员494份,约占样本总量的50.4%),样本有效份数满足在95%置信水平,最大允许绝对误差为4%下的样本量需求,可靠性统计量指标值大于0.8,调查结果信度较高. 由于不同用地类型间快递员移动信令数据分布特征差异较大,因此,按照数据预处理中为信令记录所添加的用地性质字段(与调查所选区域对应,含生活住宅、文化教育、体育娱乐、行政办公、商业办公5类),本文建立了区分用地性质的NBC模型.

以商业办公区域为例,将商业办公区回收的196份有效调查问卷分为2份(每份98个样本),并保证每份样本中快递人员的比例与总体样本相同. 选取其中1份样本,根据2.2节中对X属性集合,以及类别变量C的定义结果,获取两者之间的贝叶斯概率关系P(X _n|C)(n=1,2,3,4,5),如 图8所示.

图  8  基于问卷调查数据的 P( X _n|C )贝叶斯概率分布(商业办公区)

Figure  8.  Bayesian probabilistic distribution of P( X _n|C ) based on survey data (commercial office district)

下载: 全尺寸图片 幻灯片

如 图8所示,商业办公区快递人员与非快递人员在X属性集合上的概率分布差异较大. 在平均每天发送短信和拨打电话数量方面,约99%的非快递人员全天发送短信数量都小于50条,拨打电话数量少于20个,约98%的快递人员发送短信数量大于50条,拨打电话数量大于20个;在高频发送短信或拨打电话时段数量方面,约99%的非快递人员全天没有高频拨打电话或发送短信时段,约93%的快递人员全天高频发送短信的时段数量在3个以上,约96%的快递人员全天高频拨打电话的时段数量在2个以上;在高频发短信或打电话所在位置区域个数方面,约3%的非快递人员全天在1个区域出现高频打电话或发短信现象,其他非快递人员则无高频信令发出的位置区,约80%的快递人员全天有2个以上的高频信令发出位置区. 上述结果表明:选取的X属性集合能很好地区分2类人员,适用于本次研究中NBC模型的标定.

将标定后的 NBC模型用于第2份样本中人员类别的判断,例如某一受访者其属性集合X={x ₁=135,x ₂=34,x ₃=2,x ₄=2,x ₅=3},通过式(3)计算得知其属于快递人员的概率为P(C ₁|X)=96.4%,则预测该受访者属于快递人员,最终将判别预测结果与实际分类情况进行对比,得出该 NBC模型的预测成功率,如 表1~5所示.

表  1  生活住宅区NBC模型测试结果

Table  1.  Test results of the NBC model in living residential district

参数	快递人员(49份)	非快递人员(47份)
成功预测数	42	46
错误预测数	7	1
预测成功率	85.71%	97.87%

下载: 导出CSV 

| 显示表格

表  2  文化教育区NBC模型测试结果

Table  2.  Test results of the NBC model in cultural education district

参数	快递人员(50份)	非快递人员(50份)
成功预测数	45	49
错误预测数	5	1
预测成功率	90.00%	98.00%

下载: 导出CSV 

| 显示表格

表  3  体育娱乐区NBC模型测试结果

Table  3.  Test results of the NBC model in sports entertaining district

参数	快递人员(49份)	非快递人员(47份)
成功预测数	41	45
错误预测数	8	2
预测成功率	83.67%	95.74%

下载: 导出CSV 

| 显示表格

表  4  行政办公区NBC模型测试结果

Table  4.  Test results of the NBC model in administrative office district

参数	快递人员(50份)	非快递人员(50份)
成功预测数	46	43
错误预测数	4	7
预测成功率	92.00%	86.00%

下载: 导出CSV 

| 显示表格

表  5  商业办公区NBC模型测试结果

Table  5.  Test results of the NBC model in commercial office district

参数	快递人员(49份)	非快递人员(49份)
成功预测数	44	47
错误预测数	5	2
预测成功率	89.8%	95.9%

下载: 导出CSV 

| 显示表格

对以上5种类型用地性质的预测结果进行统计分析,得出NBC模型的平均预测成功率,见 表6.

表  6  NBC模型总测试结果

Table  6.  Test results of the NBC model overall

参数	快递人员(247份)	非快递人员(243份)
成功预测数	218	230
错误预测数	29	13
预测成功率	88.3%	94.7%

下载: 导出CSV 

| 显示表格

由汇总结果可以看出,标定后的NBC模型对于第2份样本人员类别的预测成功率超过85%,其中对快递人员的预测成功率达到了88.3%,可以接受该模型的预测结果,模型通过测试.

3 移动信令数据中快递人员的辨识结果

选用北京市2016年3月4个自然周的移动信令数据进行分析,并根据不同运营商号码在北京城区快递员群体中所占比例进行适当扩样, 表7给出了快递人员的辨识结果(已扩样). 从表中可以看出,4个自然周中通过NBC模型辨识出来的快递人数之间存在一定的波动,但总体波动不大,基本保持在3%以内. 而通过与问卷受访快递人员的深入交谈,基本上可以将造成辨识结果波动的原因归纳为以下几个方面:

表  7  NBC模型在各自然周移动信令数据中的辨识结果

Table  7.  Identification results of the NBC model in each week

数据周期	手机伪码数量	平均每天发送短信数量	平均每天拨打电话数量	平均每天高频发送短信的时段数量	平均每天高频拨打电话的时段数量	平均每天高频发短信或打电话所在位置区数量
第1周	23157	275	38	2.1	2.0	3.3
第2周	24564	267	36	2.3	2.2	3.5
第3周	21987	274	33	2.3	2.3	2.3
第4周	21655	281	42	2.0	2.3	2.1

下载: 导出CSV 

| 显示表格

1) 快递包裹能否及时取走,受天气状况和节假日影响较大. 通常情况下雨天快件领取拖延时间较长,客户一般会等待天气转晴之后再取包裹,因此快递人员可能会打电话或发短信与顾客沟通. 若遇到周末或者节假日,顾客有可能外出游玩,而无法及时领取寄往单位或住宅的快递包裹,此时快递人员会多次发短信或者打电话催促顾客或者与顾客沟通. 造成了数据库中额外增加大量的信令记录,导致模型辨识准确度降低.

2) 受快递员收发快递量影响,当快递员服务区域发出快递量较少,而收取快递量较多时(如高校区域),此时快递员全天发出信令数量较多且时间分布较为集中,模型较易进行判断;当快递员服务区域发出快递量较多,而收取快递量较少时(如中关村等商业区域),此时快递员需分散较多精力进行寄件处理,快递员全天发出信令数据较少且时间分布较为分散,此时模型对快递人员的识别较为困难,识别准确度降低.

3) 部分快递人员在发送短信的时候利用特定手机软件进行发送,因此在移动信令数据库中不能记录该信令发出的手机号伪码,从而导致模型辨识错误.

表8中给出了NBC模型的最终判断结果,以及相关指标的统计结果. 最终,共有约2万个移动终端用户被判定为快递人员,鉴于标定后NBC模型自身有10%左右的误差,实际快递人员的数量应介于1.8万~2.2万,平均每个快递人员每天发送的短信数量为269条,拨打电话的数量为32个,平均每天有2.2个高频发送短信的时段,有2.1个高频拨打电话的时段,平均每天高频发送短信或拨打电话所在位置区数量为2.5个.

表  8  NBC模型的最终判断结果

Table  8.  Identification results of the NBC model

识别人数	平均每天发送短信数量	平均每天拨打电话数量	平均每天高频发送短信的时段数量	平均每天高频拨打电话的时段数量	平均每天高频发短信或打电话所在位置区数量
20152	269	32	2.2	2.1	2.5

下载: 导出CSV 

| 显示表格

4 结论

1) 本文以北京市移动用户通信信令数据为依托,结合相关问卷调查,研究快递人员手机信令的发生规则,提出一种基于朴素贝叶斯分类法的城市快递人员辨识方法. 本研究利用问卷与信令数据库中同时包含的信令属性信息,建立其与调查问卷中独有的类别变量(快递人员/非快递人员)之间的贝叶斯概率关系,并以此对NBC模型进行构建、训练与测试.

2) 利用通过测试的NBC模型对移动通信信令数据中城市快递人员进行识别. 统计结果显示,北京市快递人员数量在1.8万~2.2万,平均每个快递人员每天发送的短信数量为269条,拨打电话的数量为32个. 发送短信的主要集中时段为上午9:00—10:00和下午16:00—17:00,拨打电话的主要集中时段为上午10:00—11:00和下午16:00—17:00. 针对同一快件快递人员重复通知的情况,根据信令伪码将NBC模型识别出的信令数据进行数据清洗,保留一件快递一条信令的处理结果. 最终结果显示,2016年3月北京市平均每天快件收取量约161.5万件,快件配送的高峰小时为上午9:15—10:15和下午15:50—16:50.