眾源車輛軌跡加油停留行為探測與加油站點提取

楊 偉，艾廷華

1. 國土資源部城市土地資源監(jiān)測與仿真重點實驗室，廣東 深圳 518034； 2. 武漢大學資源與環(huán)境科學學院，湖北 武漢 430079

?

眾源車輛軌跡加油停留行為探測與加油站點提取

楊 偉1,2，艾廷華1,2

1. 國土資源部城市土地資源監(jiān)測與仿真重點實驗室，廣東 深圳 518034； 2. 武漢大學資源與環(huán)境科學學院，湖北 武漢 430079

針對當前加油站點信息采集成本高、更新周期長等問題，提出了運用車輛軌跡數(shù)據(jù)提取加油站點的方法。首先，從軌跡運動特征、幾何模式等方面分析個體和群體加油行為軌跡特征。其次，基于Stop/Move模型，集成加油軌跡運動特征提出速度序列線性聚類算法提取加油停留軌跡。最后，運用Delaunay三角網(wǎng)層次聚類加油停留軌跡線，綜合運用傅里葉形狀識別、語義約束等方法識別、提取加油站點。運用北京市7 d的出租車軌跡數(shù)據(jù)進行試驗分析，共提取482個加油站，正確率為93.1%，且位置精度高。

車輛軌跡；加油站；加油行為；Stop/Move模型；語義增強

隨著城鄉(xiāng)道路建設的快速發(fā)展，道路基礎設施(如加油站、停車場等)新建、拆建頻繁，導致交通基礎地理數(shù)據(jù)更新滯后、完整度低。目前，包括加油站、停車場在內(nèi)的交通基礎設施POI點主要依靠人工調(diào)繪、專業(yè)測量采集。但傳統(tǒng)方法成本高、更新周期長，難以滿足實際應用需求[1]。眾源志愿者地理信息(VGI)[2]與傳統(tǒng)地理數(shù)據(jù)采集和更新方式相比，具有數(shù)據(jù)量大、現(xiàn)勢性高、內(nèi)容豐富、成本低廉等優(yōu)勢[3]。車輛軌跡作為VGI數(shù)據(jù)的典型代表，蘊含了豐富的道路交通信息，是道路空間數(shù)據(jù)快速采集、更新的重要途徑。

當前，眾源軌跡數(shù)據(jù)已成為數(shù)據(jù)挖掘[4]、人類行為分析[5]、空間數(shù)據(jù)采集與更新[6-7]等領域研究的焦點。運用車輛軌跡提取、更新空間數(shù)據(jù)多集中于道路線[8]、面幾何數(shù)據(jù)[9]，對于道路基礎設施點數(shù)據(jù)與語義信息提取研究較少。如文獻[1]運用DBSCAN聚類算法從車輛軌跡點集中提取停車場位置；文獻[10]利用k-mean算法聚類步行軌跡提取地下通道。上述方法針對高精度軌跡，難以處理眾源軌跡中的稀疏采樣、GPS噪音及丟失等問題。文獻[11]通過分析加油軌跡特征對加油行為建模，并融合路網(wǎng)數(shù)據(jù)分析加油站空間分布。文獻[12—13]將軌跡數(shù)據(jù)與POI、路網(wǎng)數(shù)據(jù)相結合分析加油行為并估算能源消耗。以上研究將軌跡數(shù)據(jù)與其他空間數(shù)據(jù)集成挖掘，無法直接從軌跡數(shù)據(jù)中提取加油站點信息。加油站點信息提取的本質是提取軌跡停留，運用軌跡運動特征、幾何模式及地理語義知識對停留區(qū)域進行語義識別與語義增強。文獻[14—15]提出Stop/Move模型及SMoT算法提取軌跡停留，對軌跡數(shù)據(jù)進行語義建模。文獻[16—17]基于Stop/Move模型，顧及速度、距離、方向等參數(shù)提出CB_SMoT[16]、DB-SMoT[17]算法提取軌跡停留。眾源車輛軌跡采樣稀疏(10～120 s)，已有聚類算法多從采樣密集(1～5 s)的軌跡中提取停留點，難以探測眾源車輛軌跡中的加油停留行為。車輛在加油過程中只留下少量停留軌跡點，且軌跡點丟失、漂移問題突出，使得現(xiàn)有方法不能直接從車輛個體軌跡中提取加油停留軌跡并成為解決該問題的技術瓶頸。加油站區(qū)域建筑物遮擋，導致GPS點漂移、丟失，傳統(tǒng)算法對這些情形適應性不強。針對軌跡點漂移、丟失問題，文獻[18]以軌跡序列為單元，提出SOC算法從行人軌跡中提取停留。文獻[19]基于Stop/Move模型，將核密度方法和停留指數(shù)圖結合可視化表達個人軌跡中的停留點。然而，這些研究仍多關注人類移動行為、忽略停留期間行為的問題[5]，沒有對停留行為進行語義建模及語義推斷。文獻[20]運用時空聚類方法從個人軌跡中提取停留區(qū)域并分析停留類型。文獻[21]從個人活動軌跡中提取停留區(qū)域，并對停留區(qū)域進行場所語義識別。但這些算法不能直接用來探測加油停留行為并對車輛軌跡進行語義分析。如何對車輛群體加油停留軌跡集進行語義分析，并準確識別、提取加油站點是已有研究仍未解決的問題。

綜上，運用眾源車輛軌跡提取加油站點信息需解決兩個關鍵問題：①根據(jù)加油行為軌跡運動特征，從車輛個體軌跡中快速提取加油停留軌跡；②集成軌跡幾何模式、語義知識對群體加油軌跡進行語義分析，快速準確提取加油站點。因此，本文從Stop/Move模型出發(fā)，融合加油軌跡運動特征，提出速度序列線性聚類算法提取加油停留軌跡；集成軌跡幾何模式、語義屬性知識對群體加油軌跡進行語義分析，綜合運用Delaunay三角網(wǎng)、形狀識別、語義約束條件提取加油站點信息，建立適于眾源車輛軌跡的加油停留行為探測與加油站點信息提取方法。

1 車輛加油行為軌跡模式分析

車輛加油行為發(fā)生在加油站區(qū)域，車輛軌跡在加油站處呈現(xiàn)停留和聚集模式。加油站作為加油車輛經(jīng)過并停留的區(qū)域，其時空軌跡具有相同的運動特征、幾何模式。因此，本文從運動特征、幾何模式等方面對車輛個體、群體的加油行為軌跡特征進行分析描述。

1.1 車輛個體加油軌跡運動特征分析

車輛軌跡由時空軌跡點序列構成，根據(jù)運動狀態(tài)分為運動軌跡、靜止(停留)軌跡兩種，文獻[15]將其建模為Stop/Move模式。車輛加油行為是指車輛駛離道路—進入加油站—停車加油—離開加油站—駛入道路的過程，該過程是典型的Stop/Move模式(圖1(a)、(b))。本文定義的加油停留軌跡(Stop)包括進入加油站、停車加油、離開加油站3部分(圖1(a)中的虛線)，這與文獻[11]中的加油軌跡定義不同。加油站點提取的核心過程包括停留軌跡(Stop)提取和停留語義分析。根據(jù)停留軌跡點與加油站點的位置關系，加油停留軌跡可分為5種類型，如圖1(c)所示。圖1(c)中類型A為車輛在排隊、等待加油的過程中留下大量軌跡點，且軌跡點漂移、噪音較多；類型B、C、D為車輛在加油過程中只留下少量軌跡點；類型E表示加油停留軌跡點丟失，沒有留下軌跡點。加油停留軌跡以類型B、C、D為主，且車輛加油停留時長一般為3～15 min之間[12-13]。正常情況下，車輛不會出現(xiàn)連續(xù)的加油行為，即當前加油與下一次加油應相隔約為12 h[13]。

軌跡運動參數(shù)包括速度、方向、轉角等[22]，其中速度、方向及其變化對于停留提取與語義識別具有重要作用。根據(jù)軌跡點序列計算軌跡段平均速度，加油軌跡平均速度變化呈V字形特征，如圖1(d)所示。由于加油車輛處于原地靜止或短距離低速移動，盡管加油軌跡停留點較少，但軌跡段平均速度遠低于正常車速，通過平均速度閾值可將加油停留軌跡與移動軌跡分割開。車輛加油需要轉向進入加油站—再次轉向進入加油通道—轉向離開加油通道—轉向進入原有道路，共出現(xiàn)4次明顯的連續(xù)方向變化(圖1(e))，且方向變化范圍為0～90°。軌跡方向變化稱為軌跡轉向角，簡稱轉角[22]，如圖1(e)所示，點p1的轉角為θ。由于車輛軌跡采樣稀疏，當加油停留模式如圖1(c)中的類型C、D時，軌跡方向連續(xù)變化并不明顯，但至少有一次方向變化；當為類型E時，則需根據(jù)方向變化次數(shù)剔除該類停留軌跡。

圖1 加油行為過程軌跡及運動特征分析Fig.1 Trajectory of refueling and movement parameters analysis

1.2 車輛群體加油軌跡幾何模式分析

道路與加油站點之間通過短距離的停車道連接[21]，加油站點與停車道共同組成的加油站區(qū)域呈現(xiàn)U、V形狀，故車輛群體加油軌跡也呈現(xiàn)U、V模式(圖2(a)、(b))，且每個加油站中的所有加油軌跡同向運動(圖1(e))。加油站之間相距較遠，多呈現(xiàn)單個獨立分布模式；在交通流量較大區(qū)域也出現(xiàn)兩個加油站在道路兩旁對稱分布的成對分布模式(圖2(c))，加油站之間相距較近。由于軌跡漂移、GPS定位誤差等原因，成對分布的兩個加油站中的群體停留軌跡在空間上鄰近，需要將這些加油停留軌跡線集準確區(qū)分開，以正確識別加油站。

圖2 車輛群體加油軌跡幾何模式特征Fig.2 The geometric features of collective refueling GPS traces

2 眾源車輛軌跡加油停留行為探測與加油站點提取方法

停留行為與加油站點提取方法如圖3所示，包括：①運用VSLC算法從個體軌跡線中提取加油停留子軌跡；②綜合運用Delaunay三角網(wǎng)、形狀識別、語義約束從群體加油軌跡集中提取加油站。

圖3 眾源車輛軌跡加油停留行為與加油點提取方法流程Fig.3 The workflow for detecting refueling behavior and extracting gas station points

2.1 速度序列線性聚類算法(VSLC)提取加油停留軌跡

算法思想：對于每一條軌跡線，以軌跡段為基本單元(軌跡段為時間上相鄰兩軌跡點構成的線段，用TS表示)，根據(jù)速度閾值maxAv對軌跡段進行stop、move狀態(tài)序列化；按照時間順序線性聚類同態(tài)軌跡段提取子軌跡，根據(jù)停留時長minstop和移動時長minmove閾值再次聚類提取停留子軌跡；集成加油行為軌跡運動特征對停留子軌跡進行語義分析，剔除非加油行為軌跡，提取車輛加油停留軌跡。并稱該算法為速度序列線

性聚類算法(velocity sequence linear clustering，VSLC)。VSLC算法步驟為：

(1) 確定速度閾值maxAv、最短停留時長minstop、最短移動時長minmove。

(2) 軌跡速度序列化。輸入一條軌跡線，計算每個軌跡段平均速度TSAv，如TSAv≤maxAv，軌跡段為靜止狀態(tài)，用s表示；反之為移動狀態(tài)，用m表示，如圖4(b)所示。

(3) 軌跡段聚類。線性順序查找同態(tài)軌跡段，聚類生成子軌跡，如圖4(c)所示。

(4) 停留子軌跡(stop)提取。車輛停留、移動都應該持續(xù)一定時間，低于時長閾值的子軌跡，則認為是另一狀態(tài)的噪音，轉化為另一狀態(tài)，并與同態(tài)子軌跡再次聚類。如圖4中A處移動時長小于minmove，則A處軌跡段move狀態(tài)應轉為stop，并與其前后相鄰的同狀態(tài)子軌跡再次聚類。如圖4(d)所示，再次聚類共提取了兩條停留軌跡。

(5) 加油停留軌跡提取。對上一步提取的每條停留軌跡，計算軌跡速度變化、停留時長、方向變化及變化次數(shù)；如果停留軌跡的速度變化符合V字形特征、方向變化范圍為0～90°且變化次數(shù)大于等于一次、停留時長為3～15 min，則輸出該停留軌跡為加油停留軌跡。如圖4(e)所示，集成加油軌跡運動特征能正確識別加油停留軌跡，剔除非加油停留軌跡。

(6) 按照算法步驟遍歷數(shù)據(jù)庫中所有軌跡線，則提取結果為群體加油停留軌跡。

圖4 基于速度序列的線性聚類算法提取加油停留軌跡Fig.4 Refueling stop tracks extraction through VSLC algorithm

2.2 Delauany三角網(wǎng)支持下的加油站點提取

群體加油軌跡在加油站區(qū)域呈現(xiàn)聚集模式，每個聚類簇即是一個加油站。Delaunay三角網(wǎng)廣泛用于空間聚類[23]、軌跡數(shù)據(jù)挖掘[8-9]，故本文運用Delaunay三角網(wǎng)層次聚類群體加油停留軌跡線并提取加油站多邊形，綜合運用形狀識別、語義約束分析剔除非加油站點。

2.2.1 群體加油停留軌跡線層次聚類及加油站多邊形提取

(1) 加油軌跡線層次聚類。根據(jù)文獻[8]中方法對停留軌跡線插值加密，加密軌跡線構建約束Delaunay三角網(wǎng)，如圖5(a)所示。刪除三角網(wǎng)中的長邊(稱為整體長邊)，即可將每個加油站的軌跡線聚為一類。整體長邊閾值計算如下[8,23]

globalvalue=mean(DT)+α×variation(DT)

(1)

式中，mean(DT)表示三角網(wǎng)DT所有邊長平均值；variation(DT)表示三角網(wǎng)所有邊長標準差；α為調(diào)節(jié)參數(shù)，默認為1。對于任意三角形邊，如邊長大于globalvalue，則刪除。刪除整體長邊得到的聚類簇仍存在兩個問題，一是無法區(qū)分空間上成對分布的加油站軌跡線集，如圖5(b)中A、B；二是仍需刪除加油站U、V區(qū)域內(nèi)的局部長邊才能準確提取加油站多邊形(圖5(b))。故對每個聚類簇刪除局部長邊進行再次聚類，局部長邊閾值計算如下[23]

(2) 方向判別及多邊形提取。將每個聚類簇中的每條軌跡的起、終點連接成方向向量，選擇任意向量作為參考，依次計算每條向量與參考向量的夾角，如所有夾角的絕對值為0～90°，則該軌跡線集同向，為加油站。如圖5(c)中C軌跡線集同向，為加油站；F則不是加油站。對每個聚類簇合并Delaunay三角形提取多邊形，并對多邊形平滑、化簡(如圖5(d)所示)。提取的多邊形具有不同形狀、面積，需進行形狀識別與語義約束分析，剔除非加油站點。

圖5 加油停留軌跡線層次聚類及加油站多邊形提取Fig.5 Refueling stop track lines clustering and gas station polygon extraction

2.2.2 形狀識別與語義約束分析

(1) 加油站形狀識別。歸一化傅里葉描述子對多邊形形狀識別具有旋轉、平移和尺度不變性，適于加油站多邊形形狀識別[24]。借鑒文獻[24]中方法，運用歸一化傅里葉描述子描述形狀，采用描述子向量間的歐氏距離度量加油站多邊形與U、V模板多邊形的相似性。圖5(d)中的G、H、I多邊形不具U、V形狀，可能是緊鄰道路的停車場、洗車店。

(2) 語義約束分析。如果加油站多邊形面積小于面積標準[25]，則為非加油站并剔除(如圖5(d)中C、E)。對V字形多邊形提取V字頂點，U字形多邊形提取U字頂部中點，作為加油站點。對加油站點建立緩沖區(qū)，記錄經(jīng)過緩沖區(qū)的交通流量。設置流量閾值minflow，如果交通流量大于minflow，則是加油站。minflow的取值為支干路的標準交通流量[25]。

3 試驗與分析

3.1 數(shù)據(jù)與試驗環(huán)境

試驗區(qū)域為北京市六環(huán)內(nèi)及附近區(qū)域(圖6)，車輛軌跡為北京市2012年11月共7 d的出租車軌跡，平均采樣時間間隔為40 s。軌跡數(shù)據(jù)包括車輛ID、時間、經(jīng)緯度等信息。本試驗在P4/8GB/2GB/Win8.1環(huán)境下，基于ArcGIS10.2平臺、C#編程語言進行算法試驗。

3.2 試驗結果

對原始軌跡數(shù)據(jù)進行預處理[22](范圍越界、速度異常等)，按時間順序將軌跡線轉換為軌跡段，計算軌跡段速度、距離、時間等信息。根據(jù)1.1節(jié)所述，設置VSLC算法速度閾值maxAv為6 km/h，停留時長閾值minstop為300 s，移動時長閾值minmove為120 s(軌跡采樣間隔為40 s)[16-17]。運用VSLH算法提取加油停留軌跡(如圖6(a)所示)，提取的加油停留軌跡呈軌跡線聚集分布(圖6(a)中A、B)和單根停留軌跡零散分布(圖6(a)中C、D)兩種模式。如圖6(b)、(c)所示，停留軌跡線加密構建約束Delaunay三角網(wǎng)，層次聚類軌跡線并提取加油站多邊形。綜合運用群體軌跡方向、傅里葉形狀識別(相似dis≤1.15)、語義約束剔除無效多邊形，提取加油站點。如圖6(d)、(e)所示，無效多邊形包括不具有U、V形狀(圖6(e)中B)、加油站面積太小(圖6(e)中C、D)、軌跡線集不具同向特征(圖6(e)中E)。運用7 d軌跡數(shù)據(jù)共提取加油站點482個(如圖6(f)所示)，整體分布在四環(huán)、六環(huán)路之間及附近區(qū)域，而市中心數(shù)量較少，且沿路網(wǎng)分布。

圖6 加油站點提取過程及結果Fig.6 Gas stations extraction process and experimental results

3.3 試驗結果驗證評價

3.3.1 加油停留軌跡提取算法分析

將本文VSLC算法的試驗結果與K_Medoids、DJ_Cluster[26]、CB_SMoT[16]算法的停留提取結果進行比較。選取5輛出租車1 d的軌跡(軌跡中須有加油停留)進行試驗分析。以人工提取的停留結果為參考，計算準確率(precision)和完整率(recall)[20]，如表1所示。

表1 本文算法與其他停留軌跡提取算法比較

Tab.1 Results of different stop extraction algorithms for selected dataset

參數(shù)K＿Medoids算法DJ?Cluster算法CB＿SmoT算法VSLC算法parametersK=9eps=60mminpoint=8area=0．3time=300smaxAv=6km/h，minstop=300sminmove=120selapsedtime/s48．937．218．10．72baselinestop64646464extractedstop54566866correctstop24474853precision0．440．830．710．81recall0．370．730．750．83gasstationextracted1225

表1中baseline stop為人工提取的參考停留；extracted stop是算法自動提取的停留，對于本文算法即是算法第4步結果；correct stop為正確提取的停留(與參考停留檢測得到)；gas sation extracted為提取的加油站停留，由于其他3個算法沒有專門提取加油停留，故無法自動提取，其結果為人工提取，而本文結果為算法第5步自動提取。從表1可知，本文算法準確度高于K-Medoids算法和CB_SMoT算法，但低于DJ_Cluster算法。VSLC算法能提取采樣稀疏、軌跡點較少的停留，而其他3個算法難以做到，故提取結果的完整率相對較高。針對不同加油停留軌跡點模式進行試驗分析，如圖7(a)為車輛在加油站處留下大量停留點，VSLC、CB_SMoT、DJ_Cluster算法能較好地識別該類停留，但K-Medoids算法錯誤地將該停留分割為A、B兩個停留。圖7(b)為車輛在進站時留下大量停留點、出站時留下少量停留點。4個算法都能識別該類型停留，VSLC算法能將進入、離開加油站部分的低速軌跡段提取，用于加油站語義分析。圖7(c)、(d)為車輛在加油站只留下少量軌跡點，K-Medoids、DJ_Cluster、CB_SMoT都不能提取該類停留[18]。如圖7(c)中軌跡traj2盡管只有3個停留點，也能識別并提取該類低速軌跡停留。由于了加入移動、停留時長參數(shù)使得本算法對軌跡點噪音、丟失等情形適應性強。如圖7(d)中軌跡點p2為噪音點，由于點p1到p3的時間小于minmove，本文將軌跡段p1p2、p2p3正確識別為stop狀態(tài)。在時間效率上，本算法適于大數(shù)據(jù)量處理。

3.3.2 加油站點提取結果評價分析

將提取的加油站點圖層疊加到GoogleEarth影像圖上檢測其正確性，提取的482個加油站點中正確為449個，錯誤為33個，正確率為93.1%。研究區(qū)域共有加油站568個，有119個加油站未提取，試驗結果完整率為79.0%。本文方法能較好地區(qū)分公共停車場、洗車店等POI點，但也有部分加油站識別錯誤或未提取，其原因為：

(1) 軌跡數(shù)據(jù)量。加油站點提取需要一定數(shù)據(jù)量的軌跡支持，如果停留軌跡過少，則加油站無法提取或結果不可靠(圖8(a)中A)；如果停留軌跡過多，軌跡點覆蓋整個加油站區(qū)域(圖8(a)中F)，則無法判別U、V形狀導致錯誤剔除。

(2) 參數(shù)取值。加油軌跡聚類及多邊形提取過程中，參數(shù)α對提取結果影響小，參數(shù)β影響大，較大β值會使加油站識別錯誤(如圖8(a)中B、C、E)。傅里葉形狀識別能有效區(qū)分停車場等其他POI，但不同dis取值會影響加油站識別結果。當dis≤1.1，加油站D被剔除；當dis≤1.2，加油站D正確識別。如果加油站離道路太近(圖8(a)中F)，軌跡幾何模式不明顯，本文算法也難以識別。

(3) 軌跡數(shù)據(jù)種類。出租車不能覆蓋城市所有區(qū)域，仍需其他車輛軌跡才能完整提取加油站。

以測繪部門加油站POI數(shù)據(jù)為參考，分別建立5 m、10 m、15 m、20 m、25 m、30 m、50 m、70 m的緩沖區(qū)，與提取結果進行匹配，統(tǒng)計落入緩沖區(qū)內(nèi)的加油站點個數(shù)，定量評價結果精度，結果如圖8(b)所示。在5 m高精度范圍內(nèi)的加油站點個數(shù)達到45.30%，25 m精度范圍內(nèi)的加油站點個數(shù)到達88.64%。部分加油站點的精度低于25 m，其原因為加油站區(qū)域存在高大建筑物且有大量停留軌跡點堆積，產(chǎn)生較多的軌跡漂移及噪音(GPS軌跡定位誤差大于10 m)。少量加油站點無法與參考數(shù)據(jù)匹配，可能是原有加油站點被拆除，或者原有參考數(shù)據(jù)的不完整性造成，但這說明該結果可用于POI點空間數(shù)據(jù)更新。

圖7 不同算法停留提取結果對比分析Fig.7 Comparison analysis of the stop results of different algorithms extracted

圖8 加油站提取結果評價分析Fig.8 The experimental results analysis and evaluation

4 結論與展望

目前，加油站POI點信息采集主要依賴大量的人工調(diào)繪或專業(yè)設備測量，更新周期長且成本高，難以滿足空間數(shù)據(jù)快速更新需求。針對眾源車輛軌跡數(shù)據(jù)提取加油站點問題，本文從軌跡運動特征、幾何模式等方面對車輛個體、群體加油行為軌跡特征進行分析。基于Stop/Move模型，提出速度序列線性聚類算法(VSLC)提取加油停留軌跡；綜合運用Delaunay三角網(wǎng)、語義約束、形狀識別等方法從群體軌跡線中提取加油站點。運用北京市7天出租車軌跡數(shù)據(jù)進行試驗，共提取482個加油站點，準確率達到93.1%，10 m精度的加油站點個數(shù)達到56.2%，證明了該方法的有效性。

本研究仍存在一些問題需要深入研究，包括：①需將車輛軌跡數(shù)據(jù)與車輛屬性數(shù)據(jù)融合分析車輛加油、加氣、充電類型及加油站的服務功能；②本文僅對車輛軌跡提取加油站點問題進行了深入研究，仍需要集成多源空間數(shù)據(jù)對加油站語義信息進行分析。

[1] 李軍, 秦其明, 游林, 等. 利用浮動車數(shù)據(jù)提取停車場位置[J]. 武漢大學學報(信息科學版), 2013, 38(5): 599-603. LI Jun, QIN Qiming, YOU Lin, et al. Parking Lot Extraction Method Based on Floating Car Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 599-603.

[2] GOODCHILD M F. Citizens as Sensors: The World of Volunteered Geography[J]. GeoJournal, 2007, 69(4): 211-221.

[3] 王明, 李清泉, 胡慶武, 等. 面向眾源開放街道地圖空間數(shù)據(jù)的質量評價方法[J]. 武漢大學學報(信息科學版), 2013, 38(12): 1490-1494. WANG Ming, LI Qingquan, HU Qingwu, et al. Quality Analysis on Crowd Sourcing Geographic Data with Open Street Map Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12): 1490-1494.

[4] ZHENG Yu. Trajectory Data Mining: An Overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 29.

[5] 蕭世倫, 方志祥. 從時空GIS視野來定量分析人類行為的思考[J]. 武漢大學學報(信息科學版), 2014, 39(6): 667-670. XIAO Shilun, FANG Zhixiang. Rethinking Human Behavior Research from the Perspective of Space-time GIS[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6): 667-670.

[6] 楊偉, 艾廷華. 基于車輛軌跡大數(shù)據(jù)的道路網(wǎng)更新方法研究[J]. 計算機研究與發(fā)展, 2016, 53(12): 2681-2693. YANG Wei, AI Tinghua. A Method for Road Network Updating Based on Vehicle Trajectory Big Data[J]. Journal of Computer Research and Development, 2016, 53(12): 2681-2693.

[7] AHMED M, KARAGIORGOU S, PFOSER D, et al. A Comparison and Evaluation of Map Construction Algorithms Using Vehicle Tracking Data[J]. GeoInformatica, 2015, 19(3): 601-632.

[8] 楊偉, 艾廷華. 基于眾源軌跡數(shù)據(jù)的道路中心線提取[J]. 地理與地理信息科學, 2016, 32(3): 1-7. YANG Wei, AI Tinghua. Road Centerline Extraction from Crowdsourcing Trajectory Data[J]. Geography and Geo-Information Science, 2016, 32(3): 1-7.

[9] 楊偉, 艾廷華. 運用約束Delaunay三角網(wǎng)從眾源軌跡線提取道路邊界[J]. 測繪學報, 2017, 46(2): 237-245. DOI: 10.11947/j.AGCS.2017.20160233. YANG Wei, AI Tinghua. The Extraction of Road Boundary from Crowdsourcing Trajectory Using Constrained Delaunay Triangulation[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(2): 237-245. DOI: 10.11947/j.AGCS.2017.20160233.

[10] SONG Qiuge, JIN Cheqing, WANG Xiaoling, et al. Discovering Underpasses from Walking Trajectories[C]∥Proceedings of the 2015 31th IEEE International Conference on Data Engineering Workshops. Seoul: IEEE, 2015: 129-133.

[11] 劉匯慧, 闞子涵, 吳華意, 等. 車輛GPS軌跡加油行為建模與時空分布分析[J]. 測繪通報, 2016(9): 29-34. DOI: 10.13474/j.cnki.11-2246.2016.0286. LIU Huihui, KAN Zihan, WU Huayi, et al. Vehicles’ Refueling Activity Modeling and Space-time Distribution Analysis[J]. Bulletin of Surveying and Mapping, 2016(9): 29-34. DOI: 10.13474/j.cnki.11-2246.2016.0286.

[12] ZHANG Fuzheng, WILKIE D, ZHENG Yu, et al. Sensing the Pulse of Urban Refueling Behavior[C]∥Proceedings of the 2013 ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York: ACM, 2013: 13-22.

[13] NIU Hongting, LIU Junming, FU Yanjie, et al. Exploiting Human Mobility Patterns for Gas Station Site Selection[C]∥International Conference on Database Systems for Advanced Applications. Dallas: Springer International Publishing, 2016: 242-257.

[14] ALVARES L O, BOGORNY V, KUIJPERS B, et al. A Model for Enriching Trajectories with Semantic Geographical Information[C]∥Proceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems. New York: ACM, 2007: 22.

[15] SPACCAPIETRA S, PARENT C, DAMIANI M L, et al. A Conceptual View on Trajectories[J]. Data & Knowledge Engineering, 2008, 65(1): 126-146.

[16] PALMA A T, BOGORNY V, KUIJPERS B, et al. A Clustering-based Approach for Discovering Interesting Places in Trajectories[C]∥Proceedings of the 2008 ACM Symposium on Applied Computing. New York: ACM, 2008: 863-868.

[17] ROCHA J A M R, TIMES V C, OLIVEIRA G, et al. DB-SMoT: A Direction-based Spatio-temporal Clustering Method[C]∥Proceedings of the 2010 5th IEEE International Conference Intelligent Systems. London: IEEE, 2010: 114-119.

[18] XIANG Longgang, GAO Meng, WU Tao. Extracting Stops from Noisy Trajectories: A Sequence Oriented Clustering Approach[J]. ISPRS International Journal of Geo-Information, 2016, 5(3): 29.

[19] 向隆剛, 邵曉天. 載體軌跡停留信息提取的核密度法及其可視化[J]. 測繪學報, 2016, 45(9): 1122-1131. DOI: 10.11947/j.AGCS.2016.20150347. XIANG Longgang, SHAO Xiaotian. Visualization and Extraction of Trajectory Stops Based on Kernel-density[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(9): 1122-1131. DOI: 10.11947/j.AGCS.2016.20150347.

[20] FU Zhongliang, TIAN Zhongliang, XU Yanqing, et al. A Two-step Clustering Approach to Extract Locations from Individual GPS Trajectory Data[J]. ISPRS International Journal of Geo-Information, 2016, 5(10): 166.

[21] SHEN Jiannan, CHENG Tao. A Framework for Identifying Activity Groups from Individual Space-time Profiles[J]. International Journal of Geographical Information Science, 2016, 30(9): 1785-1805.

[22] DODGE S, WEIBEL R, FOROOTAN E. Revealing the Physics of Movement: Comparing the Similarity of Movement Characteristics of Different Types of Moving Objects[J]. Computers, Environment and Urban Systems, 2009, 33(6): 419-434.

[23] 劉啟亮, 鄧敏, 石巖, 等. 一種基于多約束的空間聚類方法[J]. 測繪學報, 2011, 40(4): 509-516. LIU Qiliang, DENG Min, SHI Yan, et al. A Novel Spatial Clustering Method Based on Multi-constraints[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 509-516.

[24] 王濤, 劉文印, 孫家廣, 等. 傅里葉描述子識別物體的形狀[J]. 計算機研究與發(fā)展, 2002, 39(12): 1714-1719. WANG Tao, LIU Wenyin, SUN Jiaguang, et al. Using Fourier Descriptors to Recognize Object’s Shape[J]. Journal of Computer Research and Development, 2002, 39(12): 1714-1719.

[25] 中華人民共和國住房和城鄉(xiāng)建設部, 中華人民共和國國家質量監(jiān)督檢驗檢疫總局. 汽車加油加氣站設計與施工規(guī)范: GB 50156—2012[S]. 北京: 中國計劃出版社, 2013.

[26] ZHOU Changqing, FRANKOWSKI D, LUDFORD P, et al. Discovering Personally Meaningful Places: An Interactive Clustering Approach[J]. ACM Transactions on Information Systems (TOIS), 2007, 25(3): 12.

(責任編輯：叢樹平)

Refueling Stop Activity Detection and Gas Station Extraction Using Crowdsourcing Vehicle Trajectory Data

YANG Wei1,2,AI Tinghua1,2

1. Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Land and Resources, Shenzhen 518034, China; 2. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China

In view of the deficiencies of current surveying methods of gas station, an approach is proposed to extract gas station from vehicle traces. Firstly, the spatial-temporal characteristics of individual and collective refueling behavior of trajectory is analyzed from aspects of movement features and geometric patterns. Secondly, based on Stop/Move model, the velocity sequence linear clustering algorithm is proposed to extract refueling stop tracks. Finally, using the methods including Delaunay triangulation, Fourier shape recognition and semantic constraints to identify and extract gas station. An experiment using 7 days taxi GPS traces in Beijing verified the novel method. The experimental results of 482 gas stations are extracted and the correct rate achieves to 93.1%.

vehicle trajectory; gas station;refueling activity;Stop/Move model; semantics enrichment

The Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Land and Resources(No.KF-2015-01-038); The National Natural Science Foundation of China (No.41531180)

YANG Wei(1987—), male, PhD candidate,majors in spatial-temporal behavior modeling and trajectory mining.

AI Tinghua

楊偉，艾廷華.眾源車輛軌跡加油停留行為探測與加油站點提取[J].測繪學報，2017,46(7)：918-927.

10.11947/j.AGCS.2017.20160657. YANG Wei,AI Tinghua.Refueling Stop Activity Detection and Gas Station Extraction Using Crowdsourcing Vehicle Trajectory Data[J]. Acta Geodaetica et Cartographica Sinica,2017,46(7):918-927. DOI:10.11947/j.AGCS.2017.20160657.

P208

A

1001-1595(2017)07-0918-10

國土資源部城市土地資源監(jiān)測與仿真重點實驗室開放基金(KF-2015-01-038)；國家自然科學基金(41531180)

2016-12-22

楊偉(1987—)，男，博士生，研究方向為時空行為建模與軌跡挖掘。

E-mail： ywgismap@whu.edu.cn

艾廷華

E-mail： tinghua_ai@tom.com

修回日期： 2017-04-11