Mobilitätsdaten lassen sich durch verschiedene Eigenschaften und Merkmale charakterisieren, die potenziellen Nutzern Anhaltspunkte geben, welche Daten für ihre Fragestellung und den Verwendungszweck geeignet sind. So können Mobilitätsdaten zum Beispiel anhand der zeitlichen Dimension, räumlichen Ausdehnung, der Art der Datenerzeugung und der Art der Datenerfassung unterschieden werden.

Betrachtet man die zeitliche Dimension, so lässt sich in Daten differenzieren, die sich auf die Vergangenheit, auf die Gegenwart oder auf die Zukunft beziehen. Je nach zeitlicher Dimension der zu erhebenden Daten kommen nur bestimmte Erhebungsmethoden in Frage. Während sich für die Erhebung von Daten der Vergangenheit die Erfassung mittels Mobilitätstagebuch oder Telefoninterview anbietet, lassen sich Daten der Gegenwart mit Sensoren oder Trackern in Echtzeit erfassen. Daten, die sich auf die Zukunft beziehen, werden unter anderem durch Prognosen oder Stated-Preference-Befragungen ermittelt. Prognosen fußen auf Daten der Vergangenheit oder der Gegenwart. Unter der Verwendung von Annahmen, beispielsweise zur demografischen Entwicklung, ergeben sich aufbauend auf den beobachteten Daten der Vergangenheit oder der Gegenwart mithilfe eines Modells prognostizierte Mobilitätskennzahlen für die Zukunft. Stated-Preference-Befragungen eignen sich zur Beschreibung zukünftiger Sachverhalte, wobei diese Art der Befragung auch für andere Fragestellungen, die sich auf hypothetische Umstände beziehen, eingesetzt werden kann. Dabei wird in verschiedene Unterformen differenziert, je nachdem, wie stark Vorgaben zu den Rahmenbedingungen gemacht werden. So lassen sich sowohl zur bestehenden Situation als auch zur hypothetischen/zukünftigen Situation konkrete Szenarien vorgeben (oder eben nicht) und die Befragten müssen im Rahmen dieser Vorgaben Entscheidungen treffen. [FGSV12i, S. 92]

Neben der zeitlichen Dimension lassen sich Mobilitätsdaten bezüglich der räumlichen Ausdehnung differenzieren. Dabei kann die Skala von lokalen Daten über regionale und nationale Daten hin zu internationalen oder sogar globalen Daten reichen. Als Beispiel für Mobilitätsdaten auf nationaler Ebene lässt sich die Erhebung Mobilität in Deutschland anführen, die Informationen zum allgemeinen Mobilitätsverhalten privater Haushalte in Deutschland liefert. Diese Daten erheben Anspruch darauf, für verschiedene Raumeinheiten (regionale bis nationale Ebene) repräsentativ zu sein. [BMDV19d]

Hinsichtlich der Art der Datenerzeugung lassen sich erhobene und modellierte Daten unterscheiden. Zu den erhobenen Daten zählen einerseits berichtete Daten, andererseits gemessene Daten. Die Güte modellierter Daten hängt von den Eingabedaten, aber auch vom Modell ab wie zum Beispiel die zugrundeliegende Modellierungstechnik. Ein Modell kann immer nur einen stark vereinfachten Ausschnitt der realen Welt abbilden. Auch in Daten aus Befragungen sind verschiedene potenzielle Fehlerquellen vorhanden, die sich beispielsweise durch Erinnerungslücken oder Ermüdungseffekte bei den Befragten ergeben. Werden Daten gemessen, können Messfehler ein Problem darstellen.

Eine weitere Möglichkeit der Differenzierung von Mobilitätsdaten ergibt sich, indem man die Art der Datenerfassung betrachtet. Dabei ist eine Unterteilung in quantitative und in qualitative Daten möglich. Quantitative Daten lassen sich durch klassische Erhebungen und technologiebasierte Erhebungen gewinnen. Klassische Erhebungen sind Befragungen oder Zählungen. Befragungen, wie sie im System repräsentativer Verkehrsbefragungen (zum Beispiel Mobilität in Deutschland) durchgeführt werden, stehen immer mehr vor Problemen wie steigenden Kosten in der Erhebungsdurchführung oder einer sinkenden Teilnahmebereitschaft der kontaktierten Haushalte. Dementsprechend werden andere Formen der Datengewinnung bedeutsamer, zumal die Digitalisierung vielfältige neue Methoden der Datenerfassung eröffnet. Beispiele für technologiebasierte Datenerfassung sind durch Tracking erfasste Daten, die zum Beispiel bei der Nutzung von Kraftfahrzeugen entstehen oder die Erfassung von Mobilitätsmustern mittels Auswertung von Mobilfunkdaten [Wang18].

Die klassische Datenerhebung und die technologiebasierte Datenerfassung bieten jeweils Vor- und Nachteile, die es je nach Anwendungszweck zu beachten gilt. Daten aus klassischen Datenerhebungen ermöglichen zum einen eine hohe Spezifität, da gezielt besonders relevante Fragestellungen adressiert werden können. Zum anderen helfen diese Daten beim Kontextverständnis von automatisch erfassten Bewegungsmustern, indem beispielsweise nach Reiseketten und Reisezwecken gefragt werden kann. Nachteile solcher Befragungen sind ihre Kosten- und Zeitintensität [Ranj12]. Technologiebasierte Daten wie beispielsweise Mobilfunkdaten sind hingegen vergleichsweise kostengünstig und werden automatisch von einer großen Anzahl an Nutzern erhoben [Jian17]. Mobilfunkdaten bieten außerdem den Vorteil, dass sie große Teile der Bevölkerung unabhängig von der geographischen Lage des jeweiligen Wohn- oder Aufenthaltsortes abdecken [Wang18a]. Technologiebasierte Daten haben jedoch den Nachteil, dass sie besondere Anforderungen bezüglich des Datenschutzes erfüllen müssen, um sensible Informationen zu Privatpersonen nicht offenzulegen. Zudem ist es schwierig, sich die Hintergründe der Bewegungsmuster aus solchen technologisch gesammelten Daten ohne entsprechende Kontextinformationen zu erschließen, zum Beispiel Wegezwecke, genutzte Verkehrsmittel, Entscheidungskriterien für eine bestimmte Routenwahl oder soziodemographische Eigenschaften der untersuchten Personen.

Zu den qualitativ erfassten Daten zählen Informationen, die sich aus Fokusgruppen oder auch Experteninterviews ergeben. Diese Art der Informationsgewinnung bietet sich an, wenn es darum geht, sich bislang nur wenig erforschten Themen zu nähern. Ein häufig gewähltes Vorgehen ist, dass die Urheber einer Studie zunächst durch explorative Befragungen und Experteninterviews mögliche Forschungshypothesen aufstellen und diese anschließend im Rahmen repräsentativer Befragungen geprüft werden.

Neben den beschriebenen Eigenschaften und Merkmalen müssen zudem Informationen über die Daten vorliegen, sogenannte Metadaten. Metadaten geben einen Überblick über die vorliegenden Daten. Dazu gehören zum Beispiel Informationen zur Methodik der Datenerhebung, zum Codeplan (Strukturierung und Codierung der Daten) oder zu den Nutzungsbedingungen.