居民出行與軌跡行為交互模式挖掘與關(guān)聯(lián)技術(shù)

代維秀，陳占龍，謝 鵬

1. 中國地質(zhì)大學(xué)(武漢)地理與信息工程學(xué)院，湖北 武漢 430074； 2. 西安測繪研究所，陜西 西安 710054； 3. 地理信息工程國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054

大數(shù)據(jù)對(duì)地理信息的研究提供了新的視野，人們從基礎(chǔ)的地理信息研究轉(zhuǎn)移到利用計(jì)算機(jī)技術(shù)解決地理和城市問題上。與傳統(tǒng)小數(shù)據(jù)相比，地理大數(shù)據(jù)具有粒度細(xì)、廣度寬、密度大、偏度重和精度差的特點(diǎn)[1-2]。合理利用地理大數(shù)據(jù)的優(yōu)點(diǎn)，挖掘其隱藏價(jià)值，使其在實(shí)際應(yīng)用中發(fā)揮作用。出租車作為城市交通工具的重要組成部分，對(duì)居民出行尤為重要。出租車軌跡數(shù)據(jù)包含移動(dòng)過程中的位置、速度、時(shí)間等信息，能夠體現(xiàn)人們時(shí)間序列上的位置變化，反映人們的出行規(guī)律,并且數(shù)據(jù)量極大，符合地理大數(shù)據(jù)的特征。隨著技術(shù)的發(fā)展，挖掘軌跡數(shù)據(jù)信息，研究城市居民活動(dòng)極具價(jià)值。軌跡數(shù)據(jù)的研究從個(gè)體研究群體，從大量的個(gè)體數(shù)據(jù)之間，分析群體性特征。隨著城市的發(fā)展，一些與居民出行有關(guān)的城市問題逐漸顯現(xiàn)，如交通擁堵等，軌跡數(shù)據(jù)是研究這類問題的基礎(chǔ)。

軌跡數(shù)據(jù)在城市中的應(yīng)用研究主要分為城市空間結(jié)構(gòu)功能單元識(shí)別、人類活動(dòng)模式的挖掘、行為預(yù)測、異常監(jiān)測、城市計(jì)算等內(nèi)容[3]。出租車軌跡數(shù)據(jù)反映城市居民行為特征，通過對(duì)其挖掘和分析能夠揭示居民的生活規(guī)律、行為特征。一些學(xué)者通過對(duì)軌跡數(shù)據(jù)進(jìn)行分析來識(shí)別城市結(jié)構(gòu)單元，為城市建設(shè)決策和交通疏導(dǎo)提供參考依據(jù)[4-10]。除了對(duì)人們出行活動(dòng)的研究外，利用出租車軌跡數(shù)據(jù)對(duì)居民活動(dòng)進(jìn)行預(yù)測和推薦也是研究的重點(diǎn)[11-14]。通過分析軌跡數(shù)據(jù)的規(guī)律分析及預(yù)測，從而進(jìn)行異常檢測，來識(shí)別異常移動(dòng)模式[15-16]。文獻(xiàn)[17]提出了位置鏈接和用戶鏈接模式挖掘算法，利用手機(jī)位置數(shù)據(jù)驗(yàn)證了算法的可行性。此外，語義信息的挖掘也是出租車軌跡數(shù)據(jù)的一項(xiàng)重要研究內(nèi)容，彌補(bǔ)了軌跡數(shù)據(jù)豐富而活動(dòng)信息匱乏的不足[18-33]。眾多國內(nèi)外學(xué)者[34-39]都在軌跡數(shù)據(jù)信息挖掘方面進(jìn)行深入的研究，為進(jìn)一步利用地理大數(shù)據(jù)提供經(jīng)驗(yàn)。

根據(jù)包含出租車的位置、時(shí)間等信息的軌跡數(shù)據(jù)對(duì)居民活動(dòng)規(guī)律進(jìn)行挖掘，是研究軌跡數(shù)據(jù)的一項(xiàng)重要內(nèi)容。考慮時(shí)空約束，首先對(duì)軌跡數(shù)據(jù)進(jìn)行停留點(diǎn)提取，并對(duì)停留點(diǎn)進(jìn)行語義類別推斷，然后利用語義類別信息建立語義交互矩陣，對(duì)居民行為目的交互模式挖掘。以北京市出租車軌跡數(shù)據(jù)為樣本進(jìn)行方法的驗(yàn)證，分析不同日?；顒?dòng)的時(shí)空特征，挖掘行為目的交互模式。本文有助于揭示城市結(jié)構(gòu)和資源配置，為城市規(guī)劃提供科學(xué)依據(jù)。

1 研究方法

出租車軌跡數(shù)據(jù)包含上下客位置、時(shí)間等信息，但上下客位置信息并不代表確定的活動(dòng)語義信息。本研究首先通過軌跡數(shù)據(jù)提取停留點(diǎn)，以停留點(diǎn)和興趣點(diǎn)為基礎(chǔ)數(shù)據(jù)，然后采用高斯核密度推斷停留點(diǎn)的語義類別，采用DBSCAN聚類方法識(shí)別居民活躍度高的區(qū)域，最后通過停留點(diǎn)語義類別交互信息構(gòu)建語義交互矩陣，并對(duì)不同時(shí)間段語義交互矩陣進(jìn)行相似性度量，挖掘行為目的交互模式。整體研究流程如圖1所示。

圖1 研究流程Fig.1 Research scheme

1.1 停留點(diǎn)語義類別推斷

根據(jù)出租車的載客狀態(tài)變化可以確定出租車的上、下客情況。當(dāng)出租車載客狀態(tài)由0變?yōu)?時(shí)，則可確定該處為上客點(diǎn)。定義上客點(diǎn)位置集為SP，表示為P={spk∈SP|spk=1 and spk-1=0}。當(dāng)出租車載客狀態(tài)由1變?yōu)?時(shí)，則可確定該處為下客點(diǎn)。定義下客點(diǎn)位置集為SD，表示為D={sdk∈SD|sdk=0 and sdk-1=1}。其中k為連續(xù)的k個(gè)出租車位置，spk表示第k個(gè)上客位置對(duì)應(yīng)的出租車狀態(tài)，sdk表示第k個(gè)下客位置對(duì)應(yīng)的出租車狀態(tài)。為了方便后續(xù)研究，本文將上客點(diǎn)和下客點(diǎn)統(tǒng)稱為停留點(diǎn)。

根據(jù)居民日常出行目的對(duì)POI進(jìn)行重分類，以便更準(zhǔn)確的刻畫居民活動(dòng)，本文中POI重分類結(jié)果為：住宿、工作、休閑、教育、餐飲、其他(一定范圍內(nèi)無以上類型POI定義為基于其他目的出行)，對(duì)分類后的POI點(diǎn)賦予合理的開放時(shí)間[40]?？紤]到權(quán)重分配的全面性和平滑性，構(gòu)建高斯核密度估計(jì)方程計(jì)算各類POI成為停留目的的概率公式，停留點(diǎn)目的概率為聚集在停留點(diǎn)一定范圍內(nèi)的不同類別的POI成為該停留點(diǎn)目的的概率，如式(1)所示

(1)

式中,yj為第j類POI點(diǎn)成為停留點(diǎn)目的概率密度；j為1,2,3,…,6,表示POI類別；xi是該點(diǎn)距離停留點(diǎn)的直線距離；i為1,2,3,…,n，表示搜索半徑內(nèi)第j類POI點(diǎn)的數(shù)量；δ是標(biāo)準(zhǔn)差，本文中定義為250 m；μ是均值，本文忽略道路優(yōu)勢(shì)，故取值為0；ρj表示第j類POI數(shù)量之和的倒數(shù)。為了消除由于POI數(shù)量差異引起的結(jié)果誤差，故采用倒數(shù)對(duì)其數(shù)量進(jìn)行平衡。綜合居民行為特點(diǎn)，大都會(huì)選擇在臨近目的地的位置上下車，本文中將搜索半徑選為100 m，研究對(duì)象為搜索范圍內(nèi)所有的POI點(diǎn)，通過采用式(1)確定每類POI對(duì)應(yīng)的停留點(diǎn)目的概率密度，選取其最大值所對(duì)應(yīng)的POI類別作為該停留點(diǎn)的語義類別。停留點(diǎn)語義類別為該停留點(diǎn)研究范圍內(nèi)，概率密度最大值所對(duì)應(yīng)的POI類別，具體為：①計(jì)算停留點(diǎn)目的概率yj； ②判斷max(yi)所對(duì)應(yīng)的POI類別； ③將②所得出的POI類別作為此停留點(diǎn)的語義類別。停留點(diǎn)語義類別如式(2)

Pt=max(yi)

(2)

式中，Pt為停留點(diǎn)語義類別；yi為停留點(diǎn)目的概率。停留點(diǎn)語義類別推斷過程如圖2所示。

圖2 居民出行停留點(diǎn)類別推斷Fig.2 The inference of residents’ travel purpose

本研究通過對(duì)語義類別相同停留點(diǎn)進(jìn)行聚類，分析不同語義類別的停留點(diǎn)在不同時(shí)間段內(nèi)空間分布情況，對(duì)其進(jìn)行可視化及聚類研究。DBSCAN算法因其結(jié)構(gòu)簡單，多用于處理高密度數(shù)據(jù)，因此本文采用DBSCAN聚類算法對(duì)不同語義類別的停留點(diǎn)進(jìn)行聚類分析，根據(jù)相關(guān)研究可知DBSCAN對(duì)Eps(簇半徑參數(shù))和minPts(鄰域密度閾值)參數(shù)非常敏感。本文通過多次試驗(yàn)分析，設(shè)置minPts值為當(dāng)前數(shù)據(jù)集總點(diǎn)數(shù)的1/25[41]。Eps通過k-距離曲線取值為500 m。

1.2 行為目的交互模式度量

停留點(diǎn)活躍度指相同時(shí)間段內(nèi)每類語義類別的停留點(diǎn)的數(shù)量之和，即每類停留點(diǎn)的活躍程度，如式(3)所示，反映了不同時(shí)間段內(nèi)居民出行行為的特征。

(3)

式中，j為停留點(diǎn)的語義類別，j為1,2,3,…,6；pij為研究時(shí)段內(nèi)第i個(gè)j類的停留點(diǎn)，i為1,2,3,…,n。

停留點(diǎn)活躍度可以直觀反映居民出行目的隨時(shí)間的分布狀態(tài)，但是不能反映上下客點(diǎn)之間的語義交互情況，因此在停留點(diǎn)活躍度研究的基礎(chǔ)上進(jìn)一步進(jìn)行停留點(diǎn)交互情況的研究。在不同的時(shí)間段，居民出行目的不同，即停留點(diǎn)的語義類別不同。本文將停留點(diǎn)語義類別作為居民的行為目的屬性，以此構(gòu)建不同時(shí)段內(nèi)的語義交互矩陣，度量行為目的屬性之間的交互。即對(duì)一天24個(gè)時(shí)間段的語義交互矩陣進(jìn)行度量，總結(jié)居民出行的交互規(guī)律。交互一般指發(fā)生在可以互相影響的兩方或多方之間的行為，相同時(shí)間段內(nèi)，不同行為目的屬性的上、下客點(diǎn)發(fā)生互動(dòng)，此過程即形成了城市居民的行為目的交互模式，例如語義類別為住宿的上客點(diǎn)與語義類別為工作的下客點(diǎn)之間的互動(dòng)為住宿-工作交互模式。頻繁交互是指在行為目的交互模式中頻繁出現(xiàn)的互動(dòng)，通過頻繁交互挖掘可以對(duì)居民行為進(jìn)行總結(jié)分析。

語義交互矩陣構(gòu)建是研究行為目的交互模式的重要部分。為了構(gòu)建不同時(shí)間段內(nèi)的語義交互矩陣，首先對(duì)不同時(shí)間段內(nèi)的上下客點(diǎn)的行為目的屬性的交互情況進(jìn)行統(tǒng)計(jì)，即每類上車點(diǎn)語義類別流向各類不同下車點(diǎn)語義類別的交互次數(shù)構(gòu)成矩陣的元素，然后對(duì)同時(shí)間段的上下車點(diǎn)的語義類別進(jìn)行交互索引，構(gòu)建語義交互矩陣。具體矩陣如下

(4)

式中,Dt表示t時(shí)對(duì)應(yīng)的語義交互矩陣,Dtij表示在t時(shí)刻上車點(diǎn)的語義類別為i(i為1,2,3,…,6)的流向下車點(diǎn)語義類別為j(j為1,2,3,…,6)的關(guān)聯(lián)值。矩陣的行表示上車點(diǎn)語義類別為i與下車點(diǎn)各類語義類別之間的交互，矩陣的列表示下車點(diǎn)語義類別為j與上車點(diǎn)各類別間的交互。

由于不同時(shí)間內(nèi)出行量差異巨大，不同時(shí)間段對(duì)應(yīng)的矩陣元素差異較大，因此需要進(jìn)行矩陣的歸一化處理，這樣可以平衡矩陣元素之間的巨大差異，也可以均衡不同特征值差異太大導(dǎo)致的影響差異大。本文對(duì)交互矩陣進(jìn)行了歸一化處理，選取的歸一化方法為min-max scaling方法。該方法將原始矩陣的行采用線性化的方法將數(shù)轉(zhuǎn)換到[0,1]之間。具體實(shí)現(xiàn)公式如下

(5)

對(duì)歸一化的語義交互矩陣進(jìn)行相似性度量，可以對(duì)24個(gè)時(shí)間段內(nèi)的語義交互矩陣進(jìn)行相似性區(qū)分，進(jìn)而挖掘不同時(shí)間段居民出行規(guī)律。該研究中語義交互矩陣維度相同，傳統(tǒng)的矩陣度量方法如矩陣減法、R平方法等均可以作為該類型矩陣的度量方法。本文采用矩陣減法度量歸一化后的矩陣，對(duì)兩個(gè)時(shí)段歸一化后的矩陣作差，分別計(jì)算3個(gè)矩陣范數(shù)，通過式(6)進(jìn)行相似度計(jì)算

sim=1-dis(m1,m2)

(6)

式中，sim為度量后兩個(gè)矩陣的相似性，取值范圍sim∈[0,1]；dis(m1,m2)為差向量范數(shù)與m1、m2歐氏距離度的比值。sim越接近于0則表示兩個(gè)矩陣相似性越低，sim越接近于1則表示兩個(gè)矩陣相似度越高。

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)及區(qū)域概況

北京市是我國的政治、經(jīng)濟(jì)、文化、科教以及創(chuàng)新中心，圖3所示區(qū)域是北京核心功能區(qū)，其城市功能齊全，人口密度大，城市結(jié)構(gòu)復(fù)雜，且出租車是北京市居民重要的出行方式，因此選擇該區(qū)域作為研究區(qū)。

圖3 研究區(qū)域Fig.3 Research area

本文中采用的是北京市2012年11月共30 d的出租車GPS記錄數(shù)據(jù)，以*.txt格式存儲(chǔ)，出租車軌跡數(shù)據(jù)說明見表1，根據(jù)研究需求對(duì)軌跡數(shù)據(jù)進(jìn)行處理。研究中采用的POI數(shù)據(jù)通過百度地圖服務(wù)(http:∥map.baidu.com)獲取；北京市路網(wǎng)數(shù)據(jù)從open street map(OSM)獲取，研究數(shù)據(jù)說明見表2。

表1 軌跡數(shù)據(jù)說明

2.2 出行熱點(diǎn)區(qū)域分析

通過推斷停留點(diǎn)的語義類別，對(duì)不同語義類別的停留點(diǎn)進(jìn)行聚類分析，以獲得不同類別的熱點(diǎn)區(qū)域分布情況。不同語義類別的停留點(diǎn)分布可以直觀表現(xiàn)區(qū)域規(guī)劃情況以及各類別停留點(diǎn)間的關(guān)系，分析結(jié)果如圖4—圖13所示。

圖4 工作日上午9時(shí)住宿類別停留點(diǎn)分布Fig.4 The distribution of accommodation data stay point at 9 am on workdays

圖5 工作日上午9時(shí)工作類別停留點(diǎn)分布Fig.5 The distribution of work data stay point at 9 am on workdays

圖6 工作日9時(shí)教育類別停留點(diǎn)分布Fig.6 The distribution of educational data stay point at 9 am on workdays

圖7 非工作日11時(shí)休閑類別停留點(diǎn)分布Fig.7 The distribution of leisure data stay point at 11 am on non-workdays

圖8 工作日13時(shí)餐飲類別停留點(diǎn)分布Fig.8 The distribution of catering data point at 1 pm on workdays

圖9 工作日和非工作日住宿熱點(diǎn)載客路徑Fig.9 The hot routes for accommodation on workdays and non-workdays

圖10 工作日和非工作日工作熱點(diǎn)載客路徑Fig.10 The hot routes for work on workdays and non-workdays

圖11 工作日和非工作日教育熱點(diǎn)載客路徑Fig.11 The hot routes for education on workdays and non-workdays

圖12 工作日和非工作日休閑熱點(diǎn)載客路徑Fig.12 The hot routes for leisure on workdays and non-workdays

圖13 工作日和非工作日餐飲熱點(diǎn)載客路徑Fig.13 The hot routes for catering on workdays and non-workdays

圖4—圖8為各類語義類別的停留點(diǎn)時(shí)空分布情況，圖中不同顏色的停留點(diǎn)為聚類結(jié)果可視化，以Ci(i為正整數(shù))表示。工作日8—9時(shí)段為上班高峰期，工作類別的停留點(diǎn)分布能直接反映研究區(qū)的商業(yè)分布情況；住宿類別的停留點(diǎn)分布與商業(yè)分布有一定的關(guān)聯(lián)，這一現(xiàn)象在中心區(qū)域反映較為明顯；教育類別的停留點(diǎn)與商業(yè)分布一定程度上相關(guān)，特別是教育發(fā)達(dá)的海淀區(qū)；休閑類別的停留點(diǎn)除了在商業(yè)圈分布，在景點(diǎn)處也形成明顯聚集；餐飲類別的停留點(diǎn)分布與商業(yè)分布的相關(guān)程度不能僅通過停留點(diǎn)反映，這與居民多擇近就餐有關(guān)。

通過分析不同語義類別的停留點(diǎn)聚集情況可知：北京市的商業(yè)分布和高校之間互相依托，共同發(fā)展，奠定了經(jīng)濟(jì)發(fā)展與教育事業(yè)共存的基礎(chǔ)；居民區(qū)圍繞著商業(yè)圈分布，這符合職住一體的規(guī)劃，從一定程度上節(jié)省了通勤時(shí)間；餐飲與商業(yè)的分布有限相關(guān)；五環(huán)內(nèi)的休閑不僅與景點(diǎn)有關(guān)也與商業(yè)分布相關(guān)，這與商業(yè)圈規(guī)劃的多功能性有關(guān)。

將沿道路分布的各類語義停留點(diǎn)進(jìn)行可視化表達(dá)(圖9—13)，對(duì)停留點(diǎn)聚集程度高的路段進(jìn)行提取分析可知：①工作日和非工作日各類停留點(diǎn)的載客熱點(diǎn)路徑分布存在明顯差異，特別是工作、住宿和休閑類別，工作日時(shí)工作和住宿類別的停留點(diǎn)高于非工作日，工作和住宿類別停留點(diǎn)在工作日分布相對(duì)發(fā)散，非工作日分布更趨向中心集中，休閑類別停留點(diǎn)的活躍度在非工作日時(shí)明顯比工作日高且非工作日時(shí)更為發(fā)散；②教育和餐飲類別的停留點(diǎn)的熱點(diǎn)載客路徑在工作日和非工作日的發(fā)散程度區(qū)別不太，但教育類別的停留點(diǎn)在工作日時(shí)更趨于中心分布。

研究不同類別的停留點(diǎn)的分布情況，可以直觀認(rèn)識(shí)城市布局，即北京市的商業(yè)和高新科技集中于中心城區(qū)，也可以得出人流量大的熱點(diǎn)區(qū)域。北京市城市規(guī)劃政策即通過疏解非首都功能，實(shí)現(xiàn)人隨功能走、人隨產(chǎn)業(yè)走，不斷調(diào)整人口布局，緩解城市壓力。中心城區(qū)人口密度大，以業(yè)控人，通過產(chǎn)業(yè)疏解進(jìn)而達(dá)到人口疏散，緩解中心城區(qū)的壓力。此外也將增加公共服務(wù)設(shè)施、交通市政基礎(chǔ)設(shè)施、公共綠地等用地規(guī)劃，以人為本，提高居民生活品質(zhì)，從源頭入手，解決“大城市病”。

2.3 居民行為目的交互模式挖掘

通過分析不同時(shí)段、不同語義類別的停留點(diǎn)活躍度，直觀了解居民出行目的的差異，為交互模式挖掘提供一定的依據(jù)。與其他交通系統(tǒng)類似，基于出租車服務(wù)的居民出行行為表現(xiàn)出時(shí)間和空間的日常周期性，反映了潛在的人類活動(dòng)模式[42]。不同行為目的屬性的上下客點(diǎn)發(fā)生互動(dòng)形成了城市居民的交互模式，交互模式反映了不同類型停留點(diǎn)之間的互動(dòng)情況。O-D矩陣可以表達(dá)居民的行為，通過挖掘O-D矩陣在不同時(shí)段描述的居民行為變化或差異，以便有效管理出租車服務(wù)運(yùn)營以及資源分配。本文通過構(gòu)建停留點(diǎn)語義交互矩陣，基于該語義交互矩陣進(jìn)行交互模式分析，并根據(jù)不同語義類別的停留點(diǎn)之間的互動(dòng)情況進(jìn)一步挖掘居民行為目的的頻繁交互。

通過式(3)對(duì)不同類別的停留點(diǎn)活躍度進(jìn)行統(tǒng)計(jì)，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理，分析每類停留點(diǎn)活躍度相對(duì)變化情況(圖14、圖15)。

圖14 工作日各類停留點(diǎn)上下車的活躍度變化Fig.14 Activity change of track stay points of up and down vehicles on workdays

圖15 非工作日各類停留點(diǎn)的上下車活躍度變化Fig.15 Activity change of stay points of up and down vehicle on non-workdays

通過工作日和非工作日各類停留點(diǎn)的活躍度對(duì)比分析可知：

(1) 工作日和非工作日在0—6時(shí)段各類停留點(diǎn)的活躍度較低并在該時(shí)段內(nèi)出現(xiàn)最小值，下客點(diǎn)的活躍度最小值遲于上客點(diǎn)的出現(xiàn)；6—8時(shí)段停留點(diǎn)的活躍度呈陡增趨勢(shì)，9—22時(shí)段活躍度出現(xiàn)波動(dòng)，在22時(shí)后整體呈現(xiàn)下降趨勢(shì)。

(2) 非工作日的各類停留點(diǎn)的活躍度峰值比工作日出現(xiàn)晚，非工作日停留點(diǎn)在10—16時(shí)段活躍度較高，工作日停留點(diǎn)的活躍度從10時(shí)持續(xù)到22時(shí)。非工作日18—24時(shí)段停留點(diǎn)的活躍度驟減。

(3) 工作日各類停留點(diǎn)的活躍度對(duì)比明顯，對(duì)于上客點(diǎn)，住宿類別的停留點(diǎn)的活躍度在8時(shí)陡增；休閑類別的停留點(diǎn)的活躍度在19—22時(shí)段活躍程度較高。對(duì)于下客點(diǎn)，工作類別的停留點(diǎn)的活躍度在9—10時(shí)段達(dá)到峰值，19時(shí)起其活躍度驟降；住宿和休閑類別停留點(diǎn)呈現(xiàn)小幅增長。各類型的停留點(diǎn)的活躍度均在12—13時(shí)段出現(xiàn)谷值。

(4) 非工作日停留點(diǎn)的活躍度在10—14出現(xiàn)峰值。對(duì)于上客點(diǎn)，住宿類別停留點(diǎn)的活躍度峰值在10—11時(shí)段出現(xiàn)；住宿、休閑和其他類別停留點(diǎn)在13—14時(shí)段出現(xiàn)下降，而教育類別停留點(diǎn)在14時(shí)上升達(dá)到峰值；休閑類別停留點(diǎn)的活躍度在18時(shí)后高于其他類型。對(duì)于下客點(diǎn)，住宿類別的停留點(diǎn)在18時(shí)前低于其他類型停留點(diǎn)的活躍度，18時(shí)后有所增長；工作類別停留點(diǎn)的活躍度在11—12時(shí)達(dá)到峰值。除住宿外其他類別停留點(diǎn)在16時(shí)后活躍度逐漸下降。

分析不同類別停留點(diǎn)的活躍度可以直觀展現(xiàn)居民出行情況，但僅研究停留點(diǎn)活躍度無法提示出居民出行的交互情況，因此，后續(xù)需要進(jìn)行交互模式研究。對(duì)語義類別分類后的停留點(diǎn)，構(gòu)建停留點(diǎn)語義類別信息的語義交互矩陣(式(4))，通過對(duì)語義交互矩陣歸一化后的相似性度量(式(6))，可以得出工作日和非工作日不同時(shí)段的居民行為目的交互模式。將一天24 h的語義交互矩陣分別進(jìn)行相似性度量，根據(jù)相似性度量的結(jié)果構(gòu)建相似度熱力圖(圖16、圖17)。

圖16 工作日與非工作日居民出行交互熱度Fig.16 Interaction heat of residents’ travel on workdays and non-workdays

圖17 工作日和非工作日交互模式Fig.17 Interactive mode of residents’ travel on workdays and non-workdays

由圖16、圖17可知：工作日凌晨0—6時(shí)段內(nèi)，多為其他語義類別與住宿之間的交互；8—10時(shí)和14時(shí)內(nèi)，主要為工作與工作之間的交互、住宿與工作的交互、其他各語義類別與工作交互；上午10—12時(shí)和下午15—17時(shí)內(nèi)，表現(xiàn)為工作與其他類別的交互；18—24時(shí)內(nèi)交互類與下班后居民的生活習(xí)性有關(guān)，主要為工作類型與住宿、休閑以及餐飲間的交互。非工作日凌晨0—5時(shí)相似性較高，主要是與住宿相關(guān)的交互；8—17時(shí)交互相似性較高，多為居民的休閑娛樂出行相關(guān)，非工作日居民出行時(shí)間寬泛，可以自由選擇出行時(shí)間；19—24時(shí)交互相似性高，多為居民活動(dòng)結(jié)束后返回居住地有關(guān)?？傮w而言，工作日住宿、工作、教育為主要的交互內(nèi)容，其中工作和住宿之間的交互最為主要；非工作日則以休閑、住宿、教育交互為主，住宿與休閑的交互明顯。

工作日和非工作日之間交互整體上都分為3段，0—7時(shí)、7—18時(shí)和18—24時(shí)。但是在行為目的交互模式方面有所不同，工作日主要為職住交互、工作交互、住宿交互。非工作日的交互主要為居住-休閑交互、休閑交互、住宿交互。工作日和非工作日同一時(shí)間段內(nèi)對(duì)應(yīng)著不同的行為目的交互模式，這與工作時(shí)間對(duì)于居民的影響有關(guān)。挖掘行為目的交互模式可以反映居民出行中不同語義類別的停留點(diǎn)間的交互情況，可以根據(jù)不同時(shí)段的交互特征，為城市的管理、交通規(guī)劃提供一定的參考依據(jù)，在城市規(guī)劃時(shí)應(yīng)更加注重職住資源匹配、通勤成本以及資源協(xié)調(diào)分配，也為居民在不同的高峰時(shí)間段出行提供合理的規(guī)劃建議，既節(jié)省了交通成本，又避免了時(shí)間的浪費(fèi)。

3 結(jié) 語

本文提出了基于語義交互矩陣進(jìn)行居民行為活動(dòng)挖掘的方法，該方法考慮了時(shí)空約束。首先對(duì)軌跡數(shù)據(jù)進(jìn)行停留點(diǎn)提取，并對(duì)停留點(diǎn)進(jìn)行語義類別推斷，然后利用語義類別信息建立語義交互矩陣，挖掘居民行為目的的交互模式。采用北京市中心區(qū)域出租車軌跡數(shù)據(jù)對(duì)本文方法進(jìn)行了驗(yàn)證，研究了北京市中心區(qū)域居民的不同日?；顒?dòng)的時(shí)空特征，挖掘行為目的的交互模式。本文方法可以為城市規(guī)劃管理、資源調(diào)度和應(yīng)急管理提供一定的決策支持。隨著出行方式的多樣化，人們有更多的出行方式選擇，下一步將考慮集成新的數(shù)據(jù)源進(jìn)行研究，對(duì)研究方法進(jìn)一步改進(jìn)，使之能夠更充分反映居民的行為。