出行数据入门：两种视角的对比

做出行分析，最先碰到的不是模型，是数据源的选择。同样问“早高峰从几点开始”，地铁刷卡数据和网约车订单数据给出的答案可能差半小时。地铁刷卡记录的是进站闸机时间，乘客从进站到上车还有步行和候车，而网约车订单记录的是上车时间。前者系统性地早于后者。如果拿两份报告直接对比，很容易得出“地铁早高峰比网约车早”的结论，但这只是统计口径差异，不是出行行为差异。

先看地铁数据。以上海某工作日为例，早高峰进站量峰值出现在7:45到8:00之间，但出站峰值在8:15到8:30。这15到30分钟的位移，就是平均通勤时长的一个粗糙估计。地铁数据的优势是样本量大、连续性好，一条线路每天几十万人次，适合观察长期走势。缺点是只能看到起点和终点，中间换乘路径靠推断，而且无法区分一个人是通勤还是偶发出行。

网约车数据反过来。单量远小于地铁，但每一单有精确的上车点、下车点、时间和距离。以北京为例，工作日早高峰订单中，从居住区到产业园区的比例超过六成，而晚高峰反过来。这种方向性在地铁数据里需要靠进出站配对才能勉强还原，在网约车数据里是现成的。代价是样本有偏，低收入群体和短途出行者占比偏低，直接拿网约车数据推断全人群出行，会高估机动化出行比例。

两种数据各有盲区，对比分析的价值就出来了。举个例子，某城市想评估一条新地铁线对地面交通的影响。只看地铁进站量，开通后三个月增长了12%，像是分流成功。但把网约车订单叠加进来，发现同一走廊的短途订单下降了8%，而长距离订单没怎么变。这说明地铁主要吃掉了接驳需求，不是全程替代。如果只用一个数据源，这个结论出不来。

对比分析的第一步不是建模，是对齐口径。时间粒度要对齐，地铁数据通常按15分钟聚合，网约车可以到秒级，直接对比会产生大量噪音。空间粒度也要对齐，地铁站是点，网约车订单是面，需要把订单映射到站点周边缓冲区。还有一类容易忽略的：工作日和节假日要分开。用工作日数据训练的走势模型，放到国庆假期上，预测误差能翻倍。

对齐之后，可以做交叉观察。一个实用的方法是看两个数据的比值变化。比如某区域地铁进站量与网约车订单量的比值，工作日稳定在8比1左右，周末降到3比1。这个比值突然变化的时候，往往对应着事件，演唱会散场、暴雨、临时交通管制。比值本身不说明因果，但它是一个低成本的异常信号。比起单独盯一个指标，两个指标互相参照，误报会少很多。

入门阶段不用急着上复杂模型。先把两个数据源各拉一个月，按小时聚合，画在同一张图上。看三条东西：峰值出现的时间差、峰值的宽度、周末与工作日的形态差异。这三条看熟了，再去做预测，心里会有底。出行的规律性很强，但规律藏在口径里，不在图表的表面。