3 «Велика мобільність»: використання big data (GPS, мобільні оператори, сенсори, карти).

1. Походження та зміст терміну «Велика мобільність»

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.

Хто запропонував термін

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).

Зміст терміну

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.

2. Джерела Big Data у дослідженнях транспортної рухливості

2.1. Дані GPS

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).

Приклад

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.

2.2. Дані мобільних операторів (CDR, LBS)

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:

1. Охоплення майже 100% населення, включно з тими, хто не користується смартфонами.

2. Тривалі часові ряди (дані ведуться роками).

Приклад

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.

2.3. Сенсорні мережі та інтернет речей (IoT)

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.

Приклад

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».

2.4. Дані цифрових карт та навігаційних сервісів

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.

Приклад

Сервіс Waze передав aggregated data м. Києву (2018–2021), що дозволило проводити:

• аналіз місць концентрації ДТП,

• виявлення вразливих вузлів дорожнього руху,

• оптимізацію планів ремонтів.

3. Методологічні засади аналізу Big Mobility Data

3.1. Теорія «нової урбанної науки»

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.

3.2. Time-Geography (географія часу)

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).

Приклад

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.

3.3. Теорія мобільностей (John Urry)

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.

4. Приклади застосування великої мобільності в містах і селах

4.1. Оптимізація маршрутів громадського транспорту

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%.

4.2. Моделювання маятникової міграції

Мобільні дані операторів у Празі дозволили:

• реконструювати повний добовий цикл переміщень жителів,

• сформувати матриці «походження—призначення» (О–D),

• виявити нові транспортні коридори.

4.3. Аналіз сезонної мобільності у сільських громадах

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.

4.4. Пішохідні та велосипедні потоки

Сенсори в Барселоні виявили:

• збільшення велосипедного трафіку після створення суперблоків,

• зниження автомобільного руху всередині кварталів,

• підвищення безпеки на перехрестях.

5. Переваги та обмеження Big Mobility Data

Переваги:

• великі вибірки (десятки тисяч – мільйони користувачів),

• висока деталізація,

• актуальність і оперативність,

• можливість аналізувати приховані закономірності.

Обмеження:

• питання приватності та анонімізації,

• складність доступу до даних,

• неоднорідність якості (різні джерела, різний формат),

• потреба у високій обчислювальній потужності.

Висновки

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.