出行数据入门：从常见问题说起

刚接触出行数据的人，最容易犯的错是拿到表就画图。一张网约车订单表，字段可能包括上车时间、下车时间、起终点经纬度、里程、时长、实付金额。看着齐全，但直接算平均时长，结果会被极端值带偏：某天暴雨，几笔订单时长超过两小时，均值立刻从23分钟跳到31分钟。正确做法是先看分布，把超过99分位数的记录单独标记，再决定是截断还是分组。数据入门的第一课，不是分析，而是确认你手里这份数据到底代表什么。

第二个常见问题是口径不一致。同一个城市，交通部门公布的轨道交通日均客流，和某地图App统计的出行量，数字可能差三成。原因不在谁造假，而在统计范围：前者只算进站刷卡，后者可能包含步行接驳和换乘重复计数。做走势对比时，如果两条线的口径不同，交叉点毫无意义。我的习惯是，任何一张趋势图下面都标注三件事：数据来源、统计周期、是否去重。这三个信息缺一个，图就只是装饰。

第三个坑是样本偏斜。想观察早高峰通勤特征，却只拿了某写字楼周边的共享单车数据。结果发现7:30到8:30是峰值，于是得出“早高峰集中在8点前”的结论。但住在郊区、坐地铁进城的人，6:30就已经在路上了，他们的数据不在这个样本里。更稳妥的做法是交叉验证：用地铁刷卡数据看进站时间分布，用共享单车数据看接驳时间，两者对照，才能拼出完整的出行链。观察不是盯着一个数据源看，而是让多个来源互相解释。

第四个问题关于预测。出行数据天然带周期：工作日双峰、周末单峰、节假日前后偏移。有人用过去30天的均值预测明天，遇到周五就低估，遇到周一就高估。改进方法不复杂，先把日期分成工作日、周末、节假日三类，再在每类里取最近4周的中位数。某共享单车团队用这个方法预测次日早高峰投放量，误差从18%降到7%左右。预测的价值不在于精确到个位数，而在于给出一个合理的区间，并说清楚什么情况下会失效。

第五个问题是忽视外部变量。出行数据很少只由出行本身决定。一场演唱会散场，周边道路的网约车订单量可能在20分钟内涨4倍；一条地铁线临时跳站，沿线共享单车订单会立刻上浮。如果分析时只看历史走势，不叠加天气、事件、政策这些外部信息，模型很容易在异常日翻车。我的做法是建一个简单的“事件日历”，把已知的演唱会、马拉松、暴雨预警提前标进去，分析时先剔除这些日期，再看基础规律。

最后说一个实操建议：从最小可用数据集开始。不要一上来就接全量订单，先拿某一周、某一个区域、某一种出行方式的数据，把清洗、口径、可视化跑通。比如只取某地铁站周边500米内、工作日的共享单车订单，字段保留时间、起点、终点、时长四项。跑完一遍，你会对数据里的噪声、缺失和异常有具体感受，再扩展到更大范围时，心里就有底了。出行数据分析的门槛不在工具，而在对数据生成过程的理解。

总结下来，常见问题无非五类：字段含义不清、口径不统一、样本偏斜、预测忽略周期、外部变量缺位。每一个都不难解决，难的是养成习惯：拿到数据先问怎么来的，画图之前先看分布，下结论之前先找反例。做到这三点，出行数据的观察和解读就不会太离谱。