基于多源軌跡數(shù)據(jù)的流量溯源分析技術(shù)研究

潘嘉杰 羅鈞韶 鄧能靜

摘 要：浮動車定位數(shù)據(jù)具有覆蓋廣，頻率高和信息可靠等優(yōu)點(diǎn)，通過對浮動車定位數(shù)據(jù)的起訖點(diǎn)識別和軌跡匹配可獲取車輛在城市道路的行駛軌跡，實(shí)現(xiàn)城市道路和區(qū)域的流量來源和去向分析。本文建立浮動車定位數(shù)據(jù)的標(biāo)準(zhǔn)化處理框架，設(shè)計(jì)并實(shí)現(xiàn)基于多源軌跡數(shù)據(jù)的路段流量溯源、通道流量溯源和區(qū)域流量溯源分析方法。

關(guān)鍵詞：浮動車;OD識別;地圖匹配;流量溯源

中圖分類號：TP393.06 文獻(xiàn)標(biāo)識碼：A

0 引言

城市道路交通流量溯源分析是交通規(guī)劃和城市道路設(shè)計(jì)的熱點(diǎn)研究問題，通過獲取經(jīng)過目標(biāo)路段或局部區(qū)域的車輛行駛軌跡數(shù)據(jù)，實(shí)現(xiàn)城市道路交通流來源和去向分析。交通流量溯源幫助交通規(guī)劃人員研究并掌握道路車輛的來源和去向，分析道路擁堵成因，輔助交通誘導(dǎo)決策和指導(dǎo)城市道路規(guī)劃。

傳統(tǒng)的人工交通調(diào)查只能針對局部結(jié)點(diǎn)或研究路段，交通調(diào)查范圍有限，數(shù)據(jù)容量低，人力和時(shí)間成本高，無法為全市交通流量溯源分析提供持續(xù)的數(shù)據(jù)支撐。RFID技術(shù)作為交通領(lǐng)域的前沿應(yīng)用技術(shù)，采集的交通數(shù)據(jù)具有精度高、樣本容量大等優(yōu)勢，能夠?qū)囕v實(shí)現(xiàn)軌跡跟蹤和流量統(tǒng)計(jì)[1]。利用RFID采集車輛軌跡數(shù)據(jù)進(jìn)行交通溯源需要在城市大量鋪設(shè)采集設(shè)備，只能采集安裝RFID標(biāo)簽的車輛，采集范圍有限。缺點(diǎn)是RFID點(diǎn)位主要分布在道路上無法精確車輛真正的起終點(diǎn)。隨著人工智能技術(shù)的發(fā)展，通過城市道路卡口的視頻和圖像數(shù)據(jù)識別行駛車輛，對兩個(gè)卡口間的車輛進(jìn)行路徑搜索能夠?qū)崿F(xiàn)道路或局部區(qū)域的交通流溯源分析[2，3]。由視頻圖像獲得的車輛數(shù)據(jù)全面，但是對視頻設(shè)備布設(shè)的密度要求高。視頻點(diǎn)位不足會導(dǎo)致車輛數(shù)據(jù)丟失，路徑信息不完整，從而流量溯源的精度降低。浮動車數(shù)據(jù)具有覆蓋范圍廣、數(shù)據(jù)容量大、數(shù)據(jù)獲取容易的特點(diǎn)，配備定位裝置的車輛可實(shí)現(xiàn)車輛的實(shí)時(shí)高精度定位，通過軌跡挖掘技術(shù)可得到浮動車的行駛路徑。多源的大規(guī)模浮動車軌跡數(shù)據(jù)為城市路段和區(qū)域流量溯源分析提供可能[4]。

針對浮動車數(shù)據(jù)的特點(diǎn)，本文提出基于多源浮動車軌跡數(shù)據(jù)的交通流量溯源方法?；诔鲎廛?、貨車和車載導(dǎo)航GPS數(shù)據(jù)，通過軌跡挖掘和地圖匹配算法模型獲取車輛行駛軌跡[5]，建立分種類的車輛軌跡數(shù)據(jù)集。最后從路段流量溯源、通道流量溯源和區(qū)域流量溯源三個(gè)角度對利用多源軌跡數(shù)據(jù)進(jìn)行流量溯源應(yīng)用進(jìn)行闡述。

1 浮動車軌跡處理

多源浮動車軌跡數(shù)據(jù)挖掘的技術(shù)流程包括數(shù)據(jù)清洗、出行鏈識別、OD切分和路徑匹配四個(gè)步驟。

（1）數(shù)據(jù)清洗即對原始GPS數(shù)據(jù)進(jìn)行預(yù)處理，剔除原始數(shù)據(jù)中的無效數(shù)據(jù)，例如日期時(shí)間錯(cuò)誤、經(jīng)緯度錯(cuò)誤、重復(fù)數(shù)據(jù)、字段空值等數(shù)據(jù)，按照標(biāo)準(zhǔn)化數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換和存儲。

（2）出行鏈識別是指根據(jù)浮動車數(shù)據(jù)的時(shí)間標(biāo)簽，獲取車輛全天的GPS運(yùn)動軌跡。

（3）通常車輛一天中會產(chǎn)生多次出行，因此要對車輛的全天出行鏈通過OD切分算法識別不同類型車輛的出行起訖點(diǎn)，得到車輛的OD軌跡數(shù)據(jù)。

出租車OD切分主要依據(jù)出租車空重載運(yùn)營狀態(tài)的變化，提取出租車每次載客運(yùn)營出行的起訖點(diǎn)，并篩選出行時(shí)間大于10分鐘的OD軌跡作為交通流量溯源的有效出行數(shù)據(jù)。導(dǎo)航數(shù)據(jù)的OD切分與出租車類似，依據(jù)導(dǎo)航數(shù)據(jù)出行鏈中由導(dǎo)航狀態(tài)到非導(dǎo)航狀態(tài)的變化，認(rèn)為出行者到達(dá)終點(diǎn)并切分OD。如果連續(xù)兩個(gè)導(dǎo)航GPS點(diǎn)均為導(dǎo)航狀態(tài)但時(shí)間間隔大于10分鐘，則認(rèn)為出行者產(chǎn)生兩次出行并進(jìn)行OD切分。最終篩選出行時(shí)間大于10分鐘的OD軌跡作為有效出行數(shù)據(jù)。貨車OD切分的關(guān)鍵是識別出貨車的停留點(diǎn)位置[6]，兩個(gè)停留點(diǎn)之間的行駛記錄即貨車的出行軌跡。通常貨車在出行產(chǎn)生前或結(jié)束后需要在目的地停留一段時(shí)間進(jìn)行載貨或卸貨行為，可認(rèn)為車輛是非運(yùn)動狀態(tài)，速度接近為零。因此本文認(rèn)為可通過判斷車輛出行鏈的運(yùn)動狀態(tài)來識別車輛的停留點(diǎn)，從而獲取停留點(diǎn)之間的OD軌跡。由于車輛在停車狀態(tài)下也會出現(xiàn)經(jīng)緯度點(diǎn)漂移的情況，因此判斷運(yùn)動狀態(tài)不能直接用零速度作為閾值來判斷，因此加入最低運(yùn)動速度閾值。考慮貨車在信號控制交叉口也會產(chǎn)生短暫的停車行為，加入最短停留時(shí)長作為貨車在區(qū)域停留的判斷閾值。

（4）路徑匹配浮動車OD軌跡數(shù)據(jù)包含OD點(diǎn)之間途徑的GPS點(diǎn)序列信息，將OD軌跡數(shù)據(jù)進(jìn)行地圖匹配得到車輛行駛路徑數(shù)據(jù)，本文所用的地圖匹配算法為基于隱馬爾科夫模型的地圖匹配算法[7]。

2 流量溯源應(yīng)用分析

本文設(shè)計(jì)的流量溯源方法包括路段流量溯源、通道流量溯源和區(qū)域流量溯源，對不同車輛類型、時(shí)段特征和空間維度的車輛軌跡數(shù)據(jù)進(jìn)行計(jì)算得到流量溯源分布。

（1）路段流量溯源分析是指分析經(jīng)過片區(qū)路段的流量在路網(wǎng)和區(qū)域間的分布，從而識別流量的需求來源和去向。如圖1（a）所示，從路段流量溯源結(jié)果中可獲取路段流量的來源和去向分布比例，分析道路在內(nèi)部交通、對外交通和跨境交通三者發(fā)揮的交通功能，進(jìn)而交叉口轉(zhuǎn)向流量分布進(jìn)行精細(xì)化分析。

（2）通道流量溯源分析是指分析經(jīng)過兩個(gè)片區(qū)或自定義區(qū)域的軌跡流量在空間上的分布，從而識別區(qū)域間的主要交通廊道，分析廊道交通量承載。如圖1（b）所示，通過路段疊加流量大小可以簡易識別出兩個(gè)區(qū)域的關(guān)鍵交通通道。

（3）區(qū)域流量溯源分析是指分析到達(dá)片區(qū)的流量來源分布和從片區(qū)出發(fā)的流量去向分布。如圖2所示，區(qū)域流量溯源分析一般針對貨車等特殊車輛類型，可以分析港口片區(qū)、貨運(yùn)場站或物流片區(qū)的貨運(yùn)需求來源，結(jié)合通道流量溯源方法可分析區(qū)域間的主要貨運(yùn)通道。

3 結(jié)語

本文提出基于多源軌跡數(shù)據(jù)的流量溯源分析技術(shù)，通過多源浮動車行駛路徑數(shù)據(jù)進(jìn)行路段流量溯源分析、通道流量溯源分析和區(qū)域流量溯源分析，結(jié)果顯示利用浮動車路徑數(shù)據(jù)進(jìn)行流量溯源分析對分析道路功能和關(guān)鍵通道具有一定的參考價(jià)值。由于浮動車數(shù)據(jù)不能完全代表路網(wǎng)中的車輛出行，因此在分析路段流量大小和需求量方面仍存在一定缺陷。同時(shí)由于出租車的出行特性，在特殊區(qū)域例如大型交通樞紐和熱點(diǎn)片區(qū)等容易出現(xiàn)過大的出行量。而導(dǎo)航數(shù)據(jù)的產(chǎn)生更多來自對本地城市交通網(wǎng)絡(luò)不熟悉的人群，無法完全表現(xiàn)出城市居民的出行路徑選擇特性。在未來研究中，可結(jié)合研究片區(qū)中關(guān)鍵斷面和交叉口的交通調(diào)查數(shù)據(jù)對多源浮動車軌跡數(shù)據(jù)進(jìn)行融合校驗(yàn)，嘗試對浮動車軌跡數(shù)據(jù)進(jìn)行擴(kuò)樣計(jì)算，提高浮動車軌跡數(shù)據(jù)的可信度。

參考文獻(xiàn)：

[1]張曉陽，楊弘，陳德玖，等.一種基于RFID的交通量溯源分析方法及系統(tǒng)[P].中國專利：CN107564291A，2018-01-09.

[2]吳克寒，曹晶崢，伍速鋒，等.一種交通流溯源分析方法及系統(tǒng)[P].中國專利：CN110675631A，2020-01-10.

[3]Yuan J，Yu C，Wang L，et al.Driver Back-Tracing Based on Automated Vehicle Identification Data[J].Transportation Research Record： Journal of the Transportation Research Board，2019，2673（06）：84-93.

[4]吳克寒，王芮，高唱，等.面向城市交通規(guī)劃的大數(shù)據(jù)平臺構(gòu)建方法研究[A].中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會.品質(zhì)交通與協(xié)同共治——2019年中國城市交通規(guī)劃年會論文集[C].中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會：中國城市規(guī)劃設(shè)計(jì)研究院城市交通專業(yè)研究院，2019：8.

[5]NIE Y M.How can the taxi industry survive the tide of ridesourcing？ Evidence from Shenzhen，China[J].Transportation Research Part C： Emerging Technologies，2017，79：242-256.

[6]丁曉青.基于GPS數(shù)據(jù)的貨運(yùn)交通空間特征分析技術(shù)——以廈門市為例[A].中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會.品質(zhì)交通與協(xié)同共治——2019年中國城市交通規(guī)劃年會論文集[C].中國城市規(guī)劃學(xué)會城市交通規(guī)劃學(xué)術(shù)委員會：中國城市規(guī)劃設(shè)計(jì)研究院城市交通專業(yè)研究院，2019：7.

[7]An Luo，Shenghua Chen，Bin Xv.Enhanced Map-Matching Algorithm with a Hidden Markov Model for Mobile Phone Positioning[J].An Luo;Shenghua Chen;Bin Xv，2017，6（11）.