Поняття «велика мобільність» (Big Mobility) сформувалося на перетині двох наукових сфер — мобільності населення та аналізу великих даних. Термін поступово набув наукової значущості в 2010-х роках завдяки дослідникам, що працювали в напрямку комп’ютерних наук, транспортного планування та урбаністики.
Першими, хто системно почав використовувати концепцію big mobility data, були науковці:
Carlos Ratti, Fabio Duarte, Paolo Santi (MIT Senseable City Lab) — вони пов’язали мобільність як просторовий феномен із цифровими слідами людей у міському середовищі (мобільні мережі, GPS, сенсори).
Michael Batty (UCL, Centre for Advanced Spatial Analysis) — популяризатор «нової науки міст», який показав, що міська мобільність піддається аналізу через великі масиви просторових даних.
Mei-Po Kwan — авторка теорії time–geography у цифровому середовищі, яка ввела у науковий обіг поняття «обчислювальної мобільності» (computational mobility).
Велика мобільність — це науковий підхід до дослідження транспортної рухливості, що:
використовує масивні, постійно оновлювані дані від цифрових джерел;
дозволяє вивчати поведінку користувачів транспорту в реальному часі;
характеризується високою гранулярністю, тобто деталізацією траєкторій та активностей.
На відміну від традиційних методів (опитувань, дорожніх спостережень), Big Mobility:
не залежить від пам’яті респондента,
охоплює значні групи населення,
дозволяє аналізувати «живу» мобільність — ту, що змінюється щосекунди.
Ключове визначення:
Велика мобільність – це аналітична практика дослідження переміщень людей і транспортних потоків, що базується на великих, високочастотних та просторово прив’язаних даних цифрового походження.
GPS-дані забезпечують високу точність щодо:
геолокації (до кількох метрів),
швидкості руху,
траєкторії та часу поїздки.
Джерела:
смартфони,
транспортні навігатори,
навігаційні системи громадського транспорту,
сервіси таксі (Uber, Bolt, Uklon).
У Львові GPS-трекери в автобусах і трамваях використовуються для:
побудови фактичних маршрутів руху,
аналізу затримок,
визначення середньої швидкості по сегментам маршруту.
Це дозволило міській раді оптимізувати графіки та скоротити час очікування на окремих лініях.
Мобільні оператори фіксують:
підключення телефону до базової станції (Call Detail Records),
перемикання між станціями,
часові позначки активності.
Хоча ці дані менш точні за GPS, вони мають дві ключові переваги:
Охоплення майже 100% населення, включно з тими, хто не користується смартфонами.
Тривалі часові ряди (дані ведуться роками).
У Варшаві дані Orange Polska використовувались для картування:
щоденних поїздок між районами,
реальних потоків маятникової міграції,
нічного та денного розподілу населення.
Це дозволило виявити райони «транспортного дефіциту» та спрямувати інвестиції у нові автобусні лінії.
До цієї групи належать:
дорожні індукційні рамки,
інтелектуальні світлофори,
лічильники велосипедистів,
датчики завантаженості мостів і тунелів,
сенсори на громадському транспорті.
Сенсори дають високочастотні дані: від 1 заміру на секунду до 1 заміру на хвилину.
У Копенгагені лічильники велосипедів щодня фіксують понад 40 тис. пересувань на основних магістралях. Це стало підставою для:
будівництва веломагістралей,
перерозподілу зелених хвиль світлофорів,
створення «автобанів для велосипедів».
Велика мобільність включає дані:
Google Maps,
Apple Maps,
OpenStreetMap,
Waze,
Here Technologies.
Ці дані дають інформацію про:
інтенсивність трафіку,
дорожні затори,
швидкість руху,
альтернативні маршрути,
точні топології дорожніх мереж.
Сервіс Waze передав aggregated data м. Києву (2018–2021), що дозволило проводити:
аналіз місць концентрації ДТП,
виявлення вразливих вузлів дорожнього руху,
оптимізацію планів ремонтів.
Розроблена Michael Batty, вона стверджує, що:
місто — складна система,
мобільність є потоком у цій системі,
великі дані дозволяють аналізувати динаміку міського життя з точністю, недоступною для традиційних методів.
Започаткована Torsten Hägerstrand, розвинута у цифровому вимірі Mei-Po Kwan.
У контексті Big Mobility:
індивіди розглядаються як «траєкторії в просторі-часі»,
на основі GPS та мобільних даних будується кубіста траєкторій (space-time paths),
аналізуються діяльнісні простори (activity spaces).
Порівняння траєкторій поїздок жителів міст і сільської місцевості дає змогу побачити:
у містах — короткі, часті поїздки з широким набором цілей,
у селах — рідкісні, довгі поїздки, здебільшого у центри послуг.
Уррі наголошував, що мобільність — це:
не лише переміщення, а й комунікації, інформаційні потоки,
частина ширшої соціальної структури.
У контексті Big Mobility дані цифрових слідів дають змогу:
бачити соціальні ритми міста,
виявляти типові патерни мобільності різних груп населення.
У Стокгольмі GPS-дані автобусів використовуються для:
визначення стабільності інтервалів,
аналізу перевантаженості зупинок,
прогнозування прибуття у реальному часі.
Це дозволило зменшити середній час очікування на 12%.
Мобільні дані операторів у Празі дозволили:
реконструювати повний добовий цикл переміщень жителів,
сформувати матриці «походження—призначення» (О–D),
виявити нові транспортні коридори.
У Карпатському регіоні GPS-трекери туристів і дані мобільних операторів показали:
зростання мобільності у період турсезону у 3–4 рази,
значні навантаження на дороги місцевого значення,
потребу у спеціальному автобусному сполученні для туристів.
Сенсори в Барселоні виявили:
збільшення велосипедного трафіку після створення суперблоків,
зниження автомобільного руху всередині кварталів,
підвищення безпеки на перехрестях.
великі вибірки (десятки тисяч – мільйони користувачів),
висока деталізація,
актуальність і оперативність,
можливість аналізувати приховані закономірності.
питання приватності та анонімізації,
складність доступу до даних,
неоднорідність якості (різні джерела, різний формат),
потреба у високій обчислювальній потужності.
Велика мобільність стала ключовим напрямом сучасних транспортних досліджень. Вона поєднує:
теоретичні підходи (time-geography, теорія мобільності, нова урбанна наука),
цифрові технології (GPS, мобільні оператори, сенсори, цифрові карти),
аналітичні методи (кластеризація, машинне навчання, просторове моделювання).
Це дозволяє:
глибше розуміти реальну поведінку населення,
формувати ефективні транспортні системи,
прогнозувати мобільність у містах і селах з високою точністю.