基于軌跡數(shù)據(jù)挖掘的居民出行特征研究進展

衛(wèi) 龍，高紅梅

(1.西南交通大學信息化與網(wǎng)絡(luò)管理處，四川 成都 610031；2.西南交通大學交通運輸與物流學院，四川 成都 610031)

?

基于軌跡數(shù)據(jù)挖掘的居民出行特征研究進展

衛(wèi) 龍1，高紅梅2

(1.西南交通大學信息化與網(wǎng)絡(luò)管理處，四川 成都 610031；2.西南交通大學交通運輸與物流學院，四川 成都 610031)

軌跡數(shù)據(jù)的挖掘方法為研究居民出行特征提供了研究新思路，近年來國內(nèi)外學者開展了大量的相關(guān)研究工作。文章從軌跡數(shù)據(jù)挖掘、人類出行行為模型及利用軌跡數(shù)據(jù)挖掘提取居民出行特征三個方面，總結(jié)了基于軌跡數(shù)據(jù)挖掘的居民出行特征研究進展，并提出了目前存在的一些問題以及未來的研究方向。

軌跡數(shù)據(jù)；數(shù)據(jù)挖掘；居民出行特征；研究進展

0 引言

在信息時代，人類產(chǎn)生并積累了大量的位置數(shù)據(jù)，如手機的通話記錄、出租車軌跡、公交卡、社交網(wǎng)絡(luò)位置簽到信息等，這些數(shù)據(jù)記錄了移動對象的行為特征，包括位置、時間、速度、方向等屬性。這些數(shù)據(jù)按照時間形成序列，就構(gòu)成了軌跡數(shù)據(jù)。移動互聯(lián)網(wǎng)、智能設(shè)備、大數(shù)據(jù)、云計算、傳感器網(wǎng)絡(luò)、計算機存儲等技術(shù)的快速發(fā)展，使得這些軌跡數(shù)據(jù)能夠保存下來，并被處理。

這些軌跡數(shù)據(jù)不僅記錄了人在時間序列上的位置信息，而且在背后暗含了人與人之間的關(guān)系，人與社會之間的關(guān)系，人與城市之間的關(guān)系等信息。對單一對象而言，個體的活動能夠反映個體自身的行為特征。對于群體對象而言，眾多個體的活動反映了該群體共同的行為特征。同一城市大量移動對象的活動，則反映了該城市總體的社會活動特征。

城市居民出行特征反映了城市交通的特征。傳統(tǒng)的城市居民出行特征可通過經(jīng)濟普查、人口普查及居民出行調(diào)查等方法獲取，這些方法不但耗時耗力，而且實時性較差、成本較高。大數(shù)據(jù)時代的到來，為研究獲取城市居民出行特征提供了豐富的數(shù)據(jù)資源，通過軌跡數(shù)據(jù)挖掘居民出行特征也成為研究熱點之一。較傳統(tǒng)的研究方法相比，基于軌跡數(shù)據(jù)挖掘的居民出行特征方法，有研究數(shù)據(jù)海量化、不需要追加額外的安裝和維護費用、投資成本少等優(yōu)點。

1 居民出行特征研究進展

居民出行特征在城市交通和物流等方面有廣泛的應(yīng)用。國內(nèi)外學者很早就對居民出行特征進行了一定的研究。但是由于技術(shù)的限制，當時的居民出行特征獲取大多是通過調(diào)查的方式來進行，費用比較高。毛海虓(2005)[1]在他的博士論文中提到：上海市在1981年初次進行交通調(diào)查時，花費了約100萬人民幣，作者在1994年參加汕頭市的交通調(diào)查時，60萬人口的城市花費了40萬人民幣。同時他對居民的出行特征和背后的原因進行了分析。國內(nèi)外很多學者也通過其他因素分析了居民出行特征。鄧毛穎等(2000)[3]通過分析廣州市1984年、1998年居民出行調(diào)查數(shù)據(jù)，發(fā)現(xiàn)居民以生活購物為目的的出行范圍最短，而上班出行范圍最遠，上學與娛樂介于兩者之間。

居民出行特征也是一個動態(tài)變化的過程。周錢(2007)[2]通過綜合分析社會經(jīng)濟發(fā)展情況，并研究相關(guān)的居民出行調(diào)查資料，發(fā)現(xiàn)隨著社會經(jīng)濟和城市的發(fā)展，我國城市居民出行特征有了顯著的變化：經(jīng)濟發(fā)達地區(qū)中大城市的居民出行特征開始接近于發(fā)達國家水平，而中小城市和欠發(fā)達地區(qū)城市的出行特征和國外的差別還是比較大。不同城市的居民出行特征是不同的。沈俊江(2011)[10]通過對安寧市2009年調(diào)查數(shù)據(jù)的分析，發(fā)現(xiàn)中小城市出行次數(shù)高、出行距離不長，以上班上學出行為主，體力出行比較多，與大城市的出行模式不同。羅典等(2010)[4]用廣州市作為案例，分析了1984年與2005年前后兩次居民出行調(diào)查數(shù)據(jù)，發(fā)現(xiàn)隨著經(jīng)濟的發(fā)展和城市空間的變化，居民出行特征也發(fā)生了變化。由于城市空間的擴展，居民出行距離增加，出行頻率也有所提高，居民采用機動車出行的比例大幅度提高。

居民出行特征與性別、年齡也有關(guān)系。Kwan(1999)[5]，Kwan etal(2003)[6]發(fā)現(xiàn)不同特征群體出行范圍具有顯著差異。Yuan etal(2011)[7]發(fā)現(xiàn)女性的平均活動半徑略高于男性；Kang etal(2010)[8]按照年齡把居民分為四組：20歲以下為少年，20歲到39歲為年輕人，40歲到59歲為中年人，60以上為老年人，他們發(fā)現(xiàn)少年人和老年人一般沒有工作，傾向于圍繞一個點做比較短的出行，而年輕人和中年人的出行距離要遠得多；Lenormand et al(2015)[9]則分析了影響出行特征的一些因素，例如性別、年齡和收入等，男人、年輕人和活躍的人相對于女人、老年人和不活躍的人而言，出行要短一些，而且出行大多是圍繞他們的生活中心進行。文獻[8]中的研究數(shù)據(jù)來源于中國，文章[9]研究的數(shù)據(jù)來源于西班牙的巴塞羅拉和馬德里，他們得出的結(jié)論也有不同。

2 基于軌跡數(shù)據(jù)挖掘居民出行特征研究進展

大量軌跡數(shù)據(jù)的積累和數(shù)據(jù)挖掘方法的發(fā)展為研究居民出行特征提供新的思路。與較傳統(tǒng)的研究方法相比，基于軌跡數(shù)據(jù)挖掘的居民出行特征方法，有研究數(shù)據(jù)海量化、不需要追加額外的安裝和維護費用、投資成本少等優(yōu)點。因此，基于軌跡數(shù)據(jù)挖掘的居民出行特征提取，具有比較廣闊的研究價值和應(yīng)用前景，也成為了國內(nèi)外學者的研究熱點之一。

2.1 數(shù)據(jù)挖掘和軌跡數(shù)據(jù)挖掘

技術(shù)的發(fā)展使得人類的歷史移動數(shù)據(jù)能夠被持久化保存，從而形成了時空軌跡數(shù)據(jù)。每條軌跡由一系列的時空采樣點構(gòu)成，采樣點有可能包含采樣位置、時間、運動速度等屬性信息[11]。軌跡數(shù)據(jù)具有時空屬性，與一般的數(shù)據(jù)有著不同的特點。軌跡數(shù)據(jù)具有重要的用途，能夠應(yīng)用于交通、能源、智慧城市等方面。軌跡數(shù)據(jù)挖掘目前已經(jīng)成為數(shù)據(jù)挖掘研究領(lǐng)域中的一個重要分支和新興的研究內(nèi)容。

數(shù)據(jù)挖掘(Data Mining，DM)從提出到現(xiàn)在，已經(jīng)得到了長足的發(fā)展。它指從大量的數(shù)據(jù)通過特定的算法來發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的信息，提取出人們感興趣的內(nèi)容。數(shù)據(jù)挖掘(Data Mining，DM)與知識發(fā)現(xiàn)(Knowledge Discovery in Database，KDD)有著緊密的聯(lián)系，數(shù)據(jù)挖掘可以看成是知識發(fā)現(xiàn)的一個重要步驟。Fayyad定義“KDD”是從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程[12]。數(shù)據(jù)挖掘從20世紀提出到現(xiàn)在已經(jīng)形成了一些比較成熟的技術(shù)，例如統(tǒng)計技術(shù)、關(guān)聯(lián)規(guī)則分析、決策樹、神經(jīng)網(wǎng)絡(luò)、回歸分析等。

目前，針對軌跡數(shù)據(jù)的挖掘成為數(shù)據(jù)挖掘領(lǐng)域的前沿課題，很多學者做了大量的研究[13-16]。特別是Yu Zheng(2015)[13]對軌跡數(shù)據(jù)挖掘做了一個綜述，提出了軌跡數(shù)據(jù)挖掘的范例。他從軌跡的數(shù)據(jù)來源、軌跡數(shù)據(jù)的預(yù)處理、軌跡數(shù)據(jù)的管理、軌跡數(shù)據(jù)的不確定性、軌跡模式的數(shù)據(jù)挖掘、異常檢測、軌跡數(shù)據(jù)轉(zhuǎn)換成其他形式等多個方面對軌跡數(shù)據(jù)挖掘進行了一個比較全面的綜述。

2.2 人類出行行為模型

一些學者在研究人類移動性的基礎(chǔ)上提出了一些模型。居民出行特征為這些模型提供了數(shù)據(jù)參考和實證分析工具。

Song(2010)[18]、Gonzalez(2008)[19]等人研究發(fā)現(xiàn)，人類的個體行為雖然表面上看起來是隨機的、無序的，但實際上在時間上和空間上具有高度的規(guī)律性，人類的某些活動行為的可預(yù)測性甚至可以達到93%。從這個意義上講，人類的出行行為可以通過模型來描述和分析。Han(2011)[20]提出了一個層次的地理模型來模擬實際的交通系統(tǒng)，來分析人類軌跡的分布規(guī)律。Hu(2011)[21]提出了一個人類和動物進行遷移的通用模型。Simini[2012][22]在分析重力模型的基礎(chǔ)上，引入隨機過程，提出了輻射模型，并通過實例發(fā)現(xiàn)該輻射模型比較符合實際。周濤(2013)[17]對人類行為時間特性的實證分析和建模，人類行為空間特性的實證分析和建模，以及人類行為統(tǒng)計分析的應(yīng)用研究進行了綜述，并提出了若干模型。陸鋒(2014)[23]提出隨著定位數(shù)據(jù)的擴充，使得個體移動軌跡和相互作用定量化成為可能，同時信息技術(shù)、地理信息科學等交叉學科的發(fā)展為研究提供了有力支撐，他將人類移動性的研究歸納為面向人和面向地理空間兩大方向。Meng(2015)[24]提出了三種模型來預(yù)測人類的出行模式，并利用實際數(shù)據(jù)來驗證這些模型。

這些模型表明人類出行特征具有一定的規(guī)律性，從軌跡數(shù)據(jù)里可以研究居民出行特征。

2.3 利用軌跡數(shù)據(jù)提取居民出行特征

隨著技術(shù)的進步，產(chǎn)生了大量的軌跡數(shù)據(jù)，例如GPS、出租車數(shù)據(jù)、通話記錄等等。很多學者利用這些數(shù)據(jù)，結(jié)合大數(shù)據(jù)的處理手段，提出了很多方法來研究居民的出行特征。

移動電話的通話記錄含有用戶的位置信息(這個信息通過基站地位可以獲取，定位精度較低)，很多學者通過通話記錄中的位置信息來研究居民的移動特征。Ahas等(2005)[25]提出，利用手機的定位數(shù)據(jù)，可以監(jiān)測人口數(shù)量以及居民出行軌跡，可以預(yù)測居民的聚集情況，從而提前做出響應(yīng)。軌跡數(shù)據(jù)挖掘結(jié)果的展示也是一個熱點問題，Ratti等(2006)[26]在分析手機數(shù)據(jù)的基礎(chǔ)上，利用熱點圖來展現(xiàn)城市居民活動時空變化的結(jié)果。Sohn等(2008)[27]通過研究提出一種基于手機經(jīng)過觀測點的時間和路徑選擇概率來間接取數(shù)據(jù)的方法。Vieira等(2010)[28]通過研究手機通話和短信數(shù)據(jù)來研究居民出行的密度變化，他們發(fā)現(xiàn)在城市中心區(qū)，工作日上午的人類密集程度最高，到了下午，密集程度有所下降，而郊區(qū)周末時，早上和下午的人類密集程度最高。Phithakkitnukoon(2010)[29]，Di(2011)[30]從手機定位數(shù)據(jù)，利用外部POI(Point of Interest)和土地利用類型來挖掘人類出行模式。Sevtsuk等(2010)[31]研究了羅馬398個基站的手機通話數(shù)據(jù)，發(fā)現(xiàn)人類活動特征受到人口、設(shè)施以及環(huán)境等多種因素的影響。Zhang Da qiang(2012)[33]考慮利用手機軌跡數(shù)據(jù)來預(yù)測用戶的位置。他們從MIT Reality Mining的數(shù)據(jù)庫中106人，11508個電話記錄，350000小時的記錄數(shù)據(jù)中判斷用戶的位置。他們提出了一個新的機制NextMe，挖掘在同一個時間段內(nèi)訪問同一個地點的用戶軌跡模式，來提高結(jié)果的準確性。賴見輝(2014)[34]在博士論文中提出利用移動通信定位數(shù)據(jù)，采用模糊模式識別方法來進行用戶就業(yè)地和居住地識別。他以人口普查數(shù)據(jù)和經(jīng)濟普查數(shù)據(jù)為基礎(chǔ)進行了驗證，表明方法具有較高的實用性。

隨著車載GPS的普及和應(yīng)用，尤其是出租車的GPS軌跡信息獲取更為容易。GPS的定位數(shù)據(jù)比較準確，一些學者利用GPS軌跡來獲取居民移動特征。Hua(2014)[35]結(jié)合地圖信息，從GPS軌跡中挖掘人類運行模式。他們先把軌跡分段，尋找特征點，再將特征點與地圖進行匹配，最后獲取一個地區(qū)的人類流動模式。張俊濤(2015)[36]針對出租車軌跡數(shù)據(jù)，考慮了軌跡的方向和數(shù)量特征，將人類活動與高斯定律類比，提出了一種基于高斯定律思想的軌跡挖掘方法，來發(fā)現(xiàn)城市居民的出行行為特征。JianXun Cui(2016)[37]利用哈爾濱城市2013年的出租車GPS數(shù)據(jù)來分析哈爾濱居民的出行需求和運輸網(wǎng)絡(luò)，并在結(jié)果的基礎(chǔ)上分析城市交通所隱藏的問題。

一些學者融合了多源數(shù)據(jù)分析居民出行特征。毛峰(2015)[38]結(jié)合了出租車車載GPS數(shù)據(jù)和時空社交媒體數(shù)據(jù)以及居民出行調(diào)查數(shù)據(jù)來進行識別居民的通勤行為。

一些學者基于馬爾科夫模型來預(yù)測居民出行行為。Sadilek(2012)[39]構(gòu)建了一套系統(tǒng)從數(shù)據(jù)中構(gòu)建社會關(guān)系圖，Baraglia(2013)[40]利用機器學習的方法，從歷史數(shù)據(jù)來預(yù)測人類未來的出行位置。喬少杰(2015)[41]提出了大數(shù)據(jù)環(huán)境下，移動對象自適應(yīng)軌跡的預(yù)測模型，他引入基于隱馬爾科夫模型的自適應(yīng)軌跡預(yù)測模型SATP，對大數(shù)據(jù)環(huán)境下移動海量軌跡利用基于密度的聚類方法進行位置密度分區(qū)和高效分段處理，減少HMM的狀態(tài)數(shù)量，并做了實驗。實驗表明，針對速度隨機改變的移動對象，其平均預(yù)測準確率為84.1%，高于相同情況下的樸素預(yù)測算法。

3 面臨的挑戰(zhàn)

目前時空軌跡數(shù)據(jù)的挖掘是數(shù)據(jù)挖掘研究中的一個熱點問題。軌跡數(shù)據(jù)挖掘方法的發(fā)展為研究居民出行特征提供了新的思路。但是利用軌跡數(shù)據(jù)挖掘居民出行特征的方法還存在一些問題：

(1)數(shù)據(jù)覆蓋面不足。如利用出租車GPS數(shù)據(jù)來挖掘居民出行特征時，一些很少利用出租車出行的居民的出行特征就無法識別出來。

(2)目前的一些數(shù)據(jù)，由于保護隱私或者其他原因，缺乏如性別、職業(yè)等特征的數(shù)據(jù)，這樣在判斷居民出行特征時可能缺乏一些關(guān)鍵參數(shù)。

(3)數(shù)據(jù)挖掘中隱私保護的問題。這個問題與第(2)個問題成為一個矛盾。數(shù)據(jù)關(guān)于個人參數(shù)的項越多，個人的隱私的保留的可能性就更大。如何在保護個人隱私和挖掘出有用信息之間找到平衡，是一個值得研究的問題。

(4)軌跡數(shù)據(jù)數(shù)量體量龐大，處理這些數(shù)據(jù)需要技術(shù)的發(fā)展和進步。軌跡數(shù)據(jù)本質(zhì)上是非結(jié)構(gòu)化數(shù)據(jù)，目前大數(shù)據(jù)處理的幾個關(guān)鍵技術(shù)：Mapreduce[43]技術(shù)和Hadoop[42]平臺以鍵值對的形式組織和處理數(shù)據(jù)，并不太適合處理時空數(shù)據(jù)模型。

4 結(jié)語

本文主要對基于軌跡數(shù)據(jù)挖掘的方法來研究居民出行特征的研究進展做了綜述。以下方向值得深入探究：

(1)多源數(shù)據(jù)融合研究。單一數(shù)據(jù)的覆蓋面有限，通過多源數(shù)據(jù)融合挖掘，能夠提高研究居民出行特征的準確性。但是多源數(shù)據(jù)的挖掘方法與單源數(shù)據(jù)的挖掘方法是不同的，需要新思路和新手段。

(2)數(shù)據(jù)隱私保護方法研究。個人數(shù)據(jù)暴露越多，個人隱私的暴露風險就越大。需要設(shè)計合適的算法，通過適當?shù)臄_亂對個人原始數(shù)據(jù)進行不可逆加密，但不影響最終的數(shù)據(jù)挖掘結(jié)果，這就需要多學科交叉以及新的創(chuàng)新。

(3)針對居民出行特征的軌跡數(shù)據(jù)挖掘框架研究。軌跡數(shù)據(jù)規(guī)模非常龐大，迫切需要高性能的軌跡數(shù)據(jù)挖掘算法。挖掘的數(shù)據(jù)和目的不同，數(shù)據(jù)挖掘的算法和思路也不同。可以針對居民出行特征來設(shè)計數(shù)據(jù)挖掘框架和高效的挖掘算法。

[1]毛海虓，中國城市居民出行特征研究[D].北京：北京工業(yè)大學，2005.

[2]周 錢，陸化普，徐 薇，城市居民出行特性比較分析[J].中南公路工程，2007(32)：2.

[3]鄧毛穎，謝 理.廣州市居民出行特征分析及交通發(fā)展的對策[J].城市規(guī)劃，2000，24(11)：45-49.

[4]羅 典，甘勇華.城市空間發(fā)展對居民出行特征的影響研究：以廣州為例[J].交通與運輸：學術(shù)版，2010(1)：11-14.

[5]Kwan M P.Gender and individual access to urban opportunities：a study using space-time measure[J].The Professional Geographer，1999，51(2)：210-227.

[6]Kwan M P，Lee J.2003.Geovisualization of human activity patterns using 3D GIS：a time-geographic approach[C].//Goodchild M F，Janelle D G.Spatially integrated socialscience.examples in best practice.Oxford，UK：Oxford University Press：48-66.

[7]Yuan Y，Raubal M，Liu Y.Correlating mobile phone usage and travel behavior：a case study of Harbin，China.Computers，Environment and Urban Systems[J].2011，36(2)：118-130.

[8]Kang C，Gao S，Lin X，et al.2010.Analyzing and geo-visualizing individual human mobility patterns using mobile records//Liu Y，Chen A.The 18th international conference on geo informatics.Beijing，China：IEEE：1-7802.11a，Part II：Wireless LAN Medium Access Control(MAC)and Physical Layer(PHY)Specification[S].

[9]Lenormand M，Louail T，Cantúros O G，etal.Influence of sociodemographics on human mobility[J].Scientific Reports，2015，5.

[10]沈俊江，何保紅，孫靜怡中小城市居民出行特征分析及交通發(fā)展對策研究公路工程[J].2011(36)：1.

[11]許佳捷，鄭 凱，池明旻，等.軌跡大數(shù)據(jù)：數(shù)據(jù)、應(yīng)用與技術(shù)現(xiàn)狀[J].通信學報，2015，36(12)：97-105.

[12]FayyadUM，Piatetsky-ShapiroG，SmythP.Knowledge discovery and data mining：towards a unifying framework[C].//Proceedings of KDD-96：International Conference on Knowledge Discovery and Data Mining.Portland，Oregon：AAAI Press，1996：82-88.

[13]Yu Zheng，Trajectory Data Mining：An Overview.ACM Transaction on Intelligent Systems and Technology，[J].2015，9(6)：3，1-41.

[14]吉根林，趙 斌.面向大數(shù)據(jù)的時空數(shù)據(jù)挖掘綜述[J].南京師大學報：自然科學版，2014(1)：1-7.

[15]吉根林，趙 斌.時空軌跡大數(shù)據(jù)模式挖掘研究進展[J].數(shù)據(jù)采集與處理，2015，30(1)：47-58.

[16]劉大有，陳慧靈，齊 紅，等.時空數(shù)據(jù)挖掘研究進展[J].計算機研究與發(fā)展，2013，50(2)：225-239.

[17]周 濤，韓筱璞，閆小勇，等.人類行為時空特性的統(tǒng)計力學[J].電子科技大學學報，2013，42(4)：481-540.

[18]Song C，Qu Z，Blumm N，etal.Limits of predictability in human mobility[J].Science，2010，327(19)：1018-1021.

[19]González M C，Hidalgo C A，Barabási A.Understanding individual human mobility patterns[J].Nature，2008，453(7196)：779-782.

[20]Han X P，Hao Q，Wang B H，etal.Origin of the scaling law in human mobility：Hierarchy of traffic systems[J].Physical Review E，2011，83(3)：036117.

[21]Hu Y，Zhang J，Huan D，etal.Toward a general understanding of the scaling laws in human and animal mobility[J].Europhysics Letters，2011，96(3)：38006.

[22]Simini F，González M C，Maritan A，etal.A universal model for mobility and migration patterns[J].Nature，2012，484(7392)：96-100.

[23]陸 鋒，劉 康，陳 潔，大數(shù)據(jù)時代的人類移動性研究[J].地球信息科學，2014(16)：5.

[24]Meng Chen a，Xiaohui Yu a，b，Yang Liu，Mining moving patterns for predicting next location[J].Information Systems 54(2015)156-168.

[25]Ahas R，Mark U.Location Based Services-New Challenges for Planning and Public Administrations？[J].Futures，2005，37：547-561.

[26]Ratti C， Frenchman D， Pulselli R M， etal.Mobile Landscapes： Using Location Data from Cell Phones for Urban Analysis[J].Environment and Planning B-Planning & Design，2006，33(5)：727-748.

[27]Sohn K，Kim D.Dynamic origin-destination flow estimation using cellular communication system[J].Vehicular Technology，IEEE Transactions on.2008，57(5)：2703-2713.

[28]Vieira M R，F(xiàn)rias-Martinez V，etal.Characterizing Dense Urban Areas from Mobile Phone-Call Data：Discovery and Social Dynamics[C].IEEE.Second International Conference on Social Computing(Social Com)，Minneapolis：(IEEEXplore)，2010.

[29]Phithakkitnukoon S，Horanont T，Di Lorenzo G，etal.Activity-aware map：Identifying human daily activity pattern using mobile phone data[M].In：Albert Ali Salah，Theo Gevers，Nicu Sebe，et al.Human Behavior Understanding.Berlin Heidelberg：Springer，2010：14-25.

[30]Di Lorenzo G，Calabrese F.Identifying human spatio-temporal activity patterns from mobile-phone traces[M].Intelligent Transportation Systems(ITSC)，2011 14th InternationalIEEE Conference on.IEEE，2011：1069-1074.

[31]Sevtsuk A，Ratti C.Does Urban Mobility Have a Daily Routine？Learning from the Aggregate Data of Mobile Networks [J].Journal of Urban Technology，2010，17(1)：41-60.

[32]Lu X，Wetter E，Bharti N，etal.Approaching the limit of predictability in human mobility.[J].Scientific Reports，2013，3(10).

[33]Daqiang Zhang，Athanasios V.Vasilakos，Prediction Location Using Mobile Phone Calls[J].Acm sigcomm Computer Communication Review，2012，295-296.

[34]賴見輝，基于移動通信定位數(shù)據(jù)的交通信息提取及分析方法研究[D].北京：北京工業(yè)大學，2014.

[35]Hua Yuan，YuQian，RuiYang，MingRen，Human mobility discovering and movement intention detection with GPS trajectories[J].Decision Support Systems，2014 39-51.

[36]張俊濤，武 芳，張 浩，利用出租車軌跡數(shù)據(jù)挖掘城市居民出行特征[J].地理與地理信息科學，2015(31)：6.

[37]JianXun Cui，F(xiàn)eng Liu，Jia Hu，Davy Janssens，Geert Wets，Mario Cools，Identifying mismatch between urban travel demand and transport network services using GPS data：A case study in the fast growing Chinese city of Harbin[J].Neurocomputing，2016(181)：4-18.

[38]毛 峰，基于多元軌跡數(shù)據(jù)挖掘的居民通勤行為與城市職住空間特征研究[D].上海：華東師范大學，2015.

[39]Sadilek A，Kautz H，Bigham J P.Finding your friends and following them to where you are[C].//Proceedings of the fifth ACM international conference on Web search and data mining.ACM，2012：723-732.

[40]Baraglia R，Muntean C I，Nardini F M，etal.LearNext：learning to predict tourists movements[C].//Proceedings of the 22nd ACM international conference on Conferenceon information & knowledge management.ACM，2013：751-756.

[41]喬少杰，李天瑞，韓 楠，等.大數(shù)據(jù)環(huán)境下移動對象自適應(yīng)軌跡預(yù)測模型[J].軟件學報，2015，26(11)：2869-2883.

[42]The Apache Software Foundation.Welcome to Apache Hadoop[EB/OL].[2013-08-10]http：//hadoop.apache. org.

[43]Dean J，Ghemawat S.MapReduce：simplified data processing on large clusters[J].Communications of the ACM，2008，51(1)：107-113.

Research Progress on Resident Travel Characteristics Based on Trajectory Data Mining

WEI Long1，GAO Hong-mei2

(1.Information Technology and Network Administration Division，Southwest Jiaotong University，Chengdu，Sichuan，610031；2.School of Transportation and Logistics，Southwest Jiaotong University，Chengdu，Sichuan，610031)

The trajectory data mining method provides a new research idea for the study of resident travel characteristics extraction，thus in recent years，the domestic and foreign scholars have done a lot of related research work.From three aspects of trajectory data mining，human travel behavior model，and resident travel characteristics extraction by using the trajectory data mining，this article summarized the research progress of resident travel characteristics based on trajectory data mining，and proposed some existing problems and future research directions.

Trajectory data；Data mining；Resident travel characteristics；Research progress

國家自然科學基金“大都市區(qū)物流企業(yè)區(qū)位選擇模式及演化機理研究：以成都為案例”；(項目號：41501123)

U491.1+22

A

10.13282/j.cnki.wccst.2016.10.022

1673-4874(2016)10-0087-06

2016-09-06

衛(wèi) 龍(1977—)，工程師，在讀博士研究生，研究方向：居民出行特征、網(wǎng)絡(luò)安全、數(shù)據(jù)挖掘；

高紅梅(1981—)，工程師，在讀博士研究生，研究方向：職住地分布、通信信息、數(shù)據(jù)挖掘。

四川省重大前沿項目“基于信息理論安全的分布式云存儲系統(tǒng)”(項目號：2015JY0282)