基于轨迹数据的出租车交接班时空分布识别方法

doi:10.11772/j.issn.1001-9081.2020122004

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (11): 3376-3384.DOI: 10.11772/j.issn.1001-9081.2020122004

基于轨迹数据的出租车交接班时空分布识别方法

邹复民¹^,²^,³, 罗思杰¹^,²^,³(), 陈志辉¹^,²^,³, 廖律超¹^,²^,³

^1.福建省汽车电子与电驱动技术重点实验室（福建工程学院），福州 350118
^2.福建省北斗导航与智慧交通协同创新中心（福建工程学院），福州 350118
^3.数字福建交通大数据研究所（福建工程学院），福州 350118

收稿日期:2020-12-21 修回日期:2021-05-21 接受日期:2021-08-03 发布日期:2021-11-29 出版日期:2021-11-10
通讯作者: 罗思杰
作者简介:邹复民（1976—），男，湖南隆回人，教授，博士，CCF 会员，主要研究方向：交通信息处理、无线宽带网络移动应用
罗思杰（1995—），男，湖南娄底人，硕士研究生，CCF会员，主要研究方向：轨迹数据挖掘
陈志辉（1995—），男，福建莆田人，硕士研究生，主要研究方向：轨迹数据挖掘
廖律超（1980—），男，福建长汀人，副教授，博士，主要研究方向：深度学习、海量动态信息的数据挖掘与分析。
基金资助:
国家自然科学基金资助项目(41971340);2020年度福建省“一带一路”科技创新平台项目(2020D002);福州市科技局市级科技计划项目(2019-G-40);福建省科技厅自然科学基金资助项目(2019I0019);福建省百千万人才工程省级人选(GY-Z19113)

Time-space distribution identification method of taxi shift based on trajectory data

Fumin ZOU¹^,²^,³, Sijie LUO¹^,²^,³(), Zhihui CHEN¹^,²^,³, Lyuchao LIAO¹^,²^,³

^1.Fujian Key Laboratory of Automotive Electronics and Electric Drive （Fujian University of Technology），Fuzhou Fujian 350118，China
^2.Beidou Navigation and Smart Traffic Innovation Center of Fujian Province （Fujian University of Technology），Fuzhou Fujian 350118 China
^3.Fujian Provincial Big Data Research Institute of Intelligent Transportation （Fujian University of Technology），Fuzhou Fujian 350118，China

Received:2020-12-21 Revised:2021-05-21 Accepted:2021-08-03 Online:2021-11-29 Published:2021-11-10
Contact: Sijie LUO
About author:ZOU Fumin， born in 1976， Ph. D.， professor. His research interests include traffic information processing，mobile application of wireless broadband network
LUO Sijie，born in 1995，M. S. candidate. His research interests include trajectory data mining
CHEN Zhihui，born in 1995，M. S. candidate. His research interests include trajectory data mining
LIAO Lyuchao，born in 1980，Ph. D.，associate professor. His research interests include deep learning，data mining and analysis of massive dynamic information.
Supported by:
the National Natural Science Foundation of China(41971340);the Project of the 2020 Fujian Province “the Belt and Road” Technology Innovation Platform(2020D002);the Municipal Science and Technology Program of Fuzhou Science and Technology Bureau(2019-G-40);the Natural Science Foundation of Fujian Science and Technology Department(2019I0019);the Fujian Provincial Candidates for the Hundred, Thousand and Ten Thousand Talents(GY-Z19113)

摘要/Abstract

摘要：

针对目前出租车交接班行为识别不够精准的问题，提出了一种基于轨迹数据挖掘的出租车交接班行为精准识别的方法。首先，分析出租车停留状态的数据特性后，提出了一种出租车非运营状态停留点检测方法；然后，对停留点进行聚类，从而得出了潜在的出租车交接班地点；最后，基于出租车交接班事件的判断指标与出租车交接班时间的核密度估计，有效地识别出出租车交接班地点和时间。以福州市4 416辆出租车的轨迹数据为实验样本，共识别出了5 639个交接班地点，这些交接班地点在市民主要工作区域、交通枢纽、商圈以及风景名胜。而识别出的交接班时间主要在凌晨4：00—6：00与傍晚16：00—18：00，与福州市民众出行规律相吻合。实验结果表明，该方法能有效地检测出出租车交接班的时空分布，能为城市的交通资源规划与管理提供合理建议，且使公众打车出行更加便捷，提高了出租车的运行效率，为城市加油站、充电站等汽车相关设施的选址优化提供了参考。

关键词: 轨迹数据, 停留点, 出租车交接班, 时空分布, 城市交通

Abstract:

Concerning the problem of inaccurate identification of taxi shift behaviors， an accurate identification method of taxi shift behaviors based on trajectory data mining was proposed. Firstly， after analyzing the characteristics of taxi parking state data， a method for detecting taxi parking points in non-operating state was proposed. Secondly， by clustering the parking points， the potential taxi shift locations were obtained. Finally， based on the judgment indices of taxi shift event and the kernel density estimation of the taxi shift time， the locations and times of the taxi shift were identified effectively. Taking the trajectory data of 4 416 taxis in Fuzhou as the experimental samples， a total of 5 639 taxi shift locations were identified. These taxi shift locations are in the main working areas of citizens， transportation hubs， business districts and scenic spots. And the identified taxi shift time is mainly from 4：00 to 6：00 in the morning and from 16：00 to 18：00 in the evening， which is consistent with the travel patterns of Fuzhou citizens. Experimental results show that， the proposed method can effectively detect the time-space distribution of taxi shift， and provide reasonable suggestions for the planning and management of urban traffic resources. The proposed method can also help the people to take a taxi more conveniently， improve the operating efficiency of taxis， and provide references for the site selection optimization of urban gas stations， charging stations and other car related facilities.

Key words: trajectory data, parking point, taxi shift, time-space distribution, urban traffic

中图分类号:

TP301.6

邹复民, 罗思杰, 陈志辉, 廖律超. 基于轨迹数据的出租车交接班时空分布识别方法[J]. 计算机应用, 2021, 41(11): 3376-3384.

Fumin ZOU, Sijie LUO, Zhihui CHEN, Lyuchao LIAO. Time-space distribution identification method of taxi shift based on trajectory data[J]. Journal of Computer Applications, 2021, 41(11): 3376-3384.

图/表 13

图1 STOP/MOVE状态映射效果

Fig. 1 Mapping effect of STOP/MOVE state

图2 VSLC算法示意图

Fig. 2 Schematic diagram of VSLC algorithm

图3 DBSCAN算法聚类示意图

Fig. 3 Schematic diagram of clustering by DBSCAN algorithm

图4 出租车交接班地点、时间挖掘算法

Fig. 4 Algorithm for mining location and time of taxi shift

表1 交通轨迹数据属性

Tab. 1 Attributes of traffic trajectory data

序号	字段名称	描述	示例
1	ID	车辆ID	29 656
2	Longitude	经度	119.433 256°
3	Latitude	纬度	26.763 255 6°
4	Speed	速度	39.56 km/h
5	Direction	方向	1
6	Time	时间戳	2018-6-12T11：50：26

图5 停留点分布检测效果对比

Fig. 5 Comparison of parking point distribution detection effect

图6 潜在出租车交接班地点范围

Fig. 6 Range of potential taxi shift locations

表2 潜在出租车交接班地点的最佳聚类半径

Tab. 2 Optimal clustering radius of potential taxi shift locations

序号	车辆ID	最佳Eps/m
1	56 635	150
2	356 154	130
3	12 563	140
4	45 314	140
5	23 305	120
6	30 215	130
7	36 891	160
8	12 045	130
9	33 960	110
10	22 056	130

图7 DBSCAN算法的聚类结果

Fig. 7 Clustering results of DBSCAN algorithm

图8 福州市出租车潜在交接班地点分布

Fig. 8 Distribution of potential taxi shift locations in Fuzhou

图9 单辆车的潜在交接班时间的概率分布

Fig. 9 Probability distribution of one taxi’s potential shift time

图10 福州市出租车交接班地点的空间分布

Fig. 10 Space distribution of taxis shift locations in Fuzhou

图11 福州市出租车交接班时间概率密度图

Fig. 11 Probability density diagram of taxi shift time in Fuzhou

参考文献 19

1	吴华意，黄蕊，游兰，等.出租车轨迹数据挖掘进展［J］.测绘学报，2019，48（11）：1341-1356.
	WU H Y， HUANG R， YU L， et al. Research progress in taxi trajectory data mining ［J］. Acta of Geodaetica et Cartographica Sinica， 2019， 48（11）： 1341-1356.
2	杨伟，艾廷华.基于车辆轨迹大数据的道路网更新方法研究［J］.计算机研究与发展，2016，53（12）：2681-2693. 10.7544/issn1000-1239.2016.20160610
	YANG W， AI T H. A method for road network updating based on vehicle trajectory big data ［J］. Journal of Computer Research and Development， 2016， 53（12）： 2681-2693. 10.7544/issn1000-1239.2016.20160610
3	DUAN Z T， YANG Y， ZHANG K， et al. Improved deep hybrid networks for urban traffic flow prediction using trajectory data ［J］. IEEE Access， 2018， 6： 31820-31827. 10.1109/access.2018.2845863
4	蒋新华，廖律超，邹复民.基于浮动车移动轨迹的新增道路自动发现算法［J］.计算机应用，2013，33（2）：579-582. 10.3724/SP.J.1087.2013.00579
	JANG X H， LIAO L C， ZOU F M. Automatic detection algorithm for new roads based on trajectory of float cars ［J］. Journal of Computer Applications， 2013， 33（2）： 579-582. 10.3724/SP.J.1087.2013.00579
5	LUO X， DONG L， DOU Y， et al. Analysis on spatial-temporal features of taxis’ emissions from big data informed travel patterns： a case of Shanghai China ［J］. Journal of Cleaner Production， 2017， 142（Pt 2）： 926-935. 10.1016/j.jclepro.2016.05.161
6	YUAN J， ZHENG Y， XIE X. Discovering regions of different functions in a city using human mobility and POIs ［C］// Proceedings of the 2012 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012：186-194. 10.1145/2339530.2339561
7	李雨梦，王晶妍.聚类分析法确定城市出租车交接班最优地点［J］.科协论坛（下半月），2012（10）：94-96. 10.3969/j.issn.1007-3973.2012.10.053
	LI Y M， WANG J Y. Determining the optimized location for taxi shift change using a clustering methodology ［J］. Science and Technology Association Forum， 2012（10）：94-96. 10.3969/j.issn.1007-3973.2012.10.053
8	张小玲.出租车停留行为类型识别研究［D］.武汉：华中师范大学，2019：1-63. 10.35745/ecei2019v2.097
	ZHANG X L. Type information mining of taxi handover stopping behavior ［D］. Wuhan： Central China Normal University， 2019： 1-63. 10.35745/ecei2019v2.097
9	王晶妍，李雨梦.确定出租车交接班时间［J］.科技资讯，2012（21）：242. 10.3969/j.issn.1672-3791.2012.21.194
	WANG J Y， LI Y M. Determining the time for taxi shift change ［J］. Science and Technology Information， 2012（21）： 242. 10.3969/j.issn.1672-3791.2012.21.194
10	孟品超，汤新昌，杨琼，等.出租车交接班问题的数学模型［J］.数学的实践与认识，2010，40（24）：247-252.
	MENG P C， TANG X C， YANG Q， et al. The mathematical model of taxi shift change ［J］. Mathematics in Practice and Theory， 2010， 40（24）：247-252.
11	唐炉亮，段倩，阚子涵，等.出租车交接班行为识别与时空分布研究［J］.地球信息科学学报，2017，19（2）：167-175. 10.3724/SP.J.1047.2017.00167
	TANG L L， DUAN Q， KAN Z H， et al. 2017. Study on identification and space-time distribution analysis of taxi shift behavior ［J］. Journal of Geo-Information Science， 2017， 19（2）： 167-175. 10.3724/SP.J.1047.2017.00167
12	孙蕊，于海涛，杜勇.出租车交接班空间分析算法研究［C］//第七届中国智能交通年会优秀论文集——智能交通技术.北京：中国智能交通协会，2012：147-153.
	SUN R， YU H T， DU Y. Spatial analysis algorithm for taxi shift ［C］// Proceedings of Excellent Papers of the 2012 7th Annual Conference of ITS China — Intelligent Transportation Technology. Beijing： China Intelligent Transportation Association， 2012： 147-153.
13	孙蕊，于海涛，杜勇.北京出租汽车交接班时空分布特性研究［J］.交通运输系统工程与信息，2014，14（1）：221-228. 10.3969/j.issn.1009-6744.2014.01.034
	SUN R， YU H T， DU Y. Time space distribution characteristics of taxi shift in Beijing ［J］. Journal of Transportation Systems Engineering and Information Technology， 2014， 14（1）： 221-228. 10.3969/j.issn.1009-6744.2014.01.034
14	ESTER M， KRIEGEL H P， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise ［C］// Proceedings of the 1996 2nd International Conference on Knowledge Discovery and Data Mining. Menlo Park： AAAI Press， 1996： 226-231. 10.1109/icde.1998.655795
15	MAHADEVAN S， REBBA R. Validation of reliability computational models using Bayes networks ［J］. Reliability Engineering and System Safety， 2005， 87（2）： 223-232. 10.1016/j.ress.2004.05.001
16	杨伟，艾廷华.众源车辆轨迹加油停留行为探测与加油站点提取［J］.测绘学报，2017，46（7）：918-927.（YANG W， AI T H. Refueling stop activity detection and gas station extraction using crowd sourcing vehicle trajectory data ［J］. Acta Geodaetica et Cartographica Sinica， 46（7）： 918-927.）. 10.11947/j.AGCS.2017.20160657
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 on Intelligent Systems. Piscataway： IEEE， 2010： 7-9. 10.1109/is.2010.5548396
18	陈志辉.融合多维信息的城市出租车充电站智能选址方法研究［D］.福州：福建工程学院，2020：1-77. 10.5152/j.aott.2020.01.484
	CHEN Z H. A data driven urban taxi charging station locating and sizing method ［D］. Fuzhou： Fujian University of Technology， 2020： 1-77. 10.5152/j.aott.2020.01.484
19	张美润.基于车辆群体轨迹特征的新增道路检测与识别研究［D］. 福州：福建工程学院，2019：1-83. 10.30919/esmm5f706
	ZHANG M R. Research on detection and recognition of newly emerged roads based on features of the vehicle trajectory ［D］. Fuzhou： Fujian University of Technology， 2019： 1-83. 10.30919/esmm5f706

[1]	康军, 黄山, 段宗涛, 李宜修. 时空轨迹序列模式挖掘方法综述[J]. 计算机应用, 2021, 41(8): 2379-2385.
[2]	张欣环, 刘宏杰, 施俊庆, 毛程远, 孟国连. 基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测[J]. 计算机应用, 2021, 41(3): 875-880.
[3]	刘思嘉, 童向荣. 基于强化学习的城市交通路径规划[J]. 计算机应用, 2021, 41(1): 185-190.
[4]	曹堉, 王成, 王鑫, 高悦尔. 基于时空节点选择和深度学习的城市道路短时交通流预测[J]. 计算机应用, 2020, 40(5): 1488-1493.
[5]	孙鹤立, 张优优, 杨洲, 何亮, 贾晓琳. 基于时间线段树的城市可达区域搜索[J]. 计算机应用, 2020, 40(10): 2936-2941.
[6]	陈晓明, 李引珍, 沈强, 巨玉祥. 基于双层复杂网络的城市交通网络协同优化方法[J]. 计算机应用, 2019, 39(10): 3079-3087.
[7]	徐垚, 李卓然, 孟金龙, 赵利坡, 温建新, 王桂玲. 基于大规模船舶轨迹数据的航道边界提取方法[J]. 计算机应用, 2019, 39(1): 105-112.
[8]	郑振涛, 赵卓峰, 王桂玲, 徐垚. 面向港口停留区域识别的船舶停留轨迹提取方法[J]. 计算机应用, 2019, 39(1): 113-117.
[9]	陈辉, 蒋圭峰, 姜桂圆, 武继刚. 基于海量公交轨迹数据挖掘的地图匹配算法[J]. 计算机应用, 2018, 38(7): 1923-1928.
[10]	张海涛, 周欢, 张国楠. 基于空间邻近搜索的移动轨迹相对时间模式挖掘方法[J]. 计算机应用, 2018, 38(11): 3326-3331.
[11]	霍峥, 崔洪雷, 贺萍. 基于语义位置保护的轨迹隐私保护的k-CS算法[J]. 计算机应用, 2018, 38(1): 182-187.
[12]	霍峥, 王卫红, 曹玉辉. PTDC:路网环境中感知隐私的轨迹数据采集技术[J]. 计算机应用, 2017, 37(9): 2567-2571.
[13]	石陆魁, 张延茹, 张欣. 基于时空模式的轨迹数据聚类算法[J]. 计算机应用, 2017, 37(3): 854-859.
[14]	邓劲松, 罗永龙, 俞庆英, 陈付龙. 基于非敏感信息分析的轨迹数据隐私保护发布[J]. 计算机应用, 2017, 37(2): 488-493.
[15]	王保全, 蒋同海, 周喜, 马博, 赵凡. 类自动车牌识别轨迹数据的伴随车辆组挖掘[J]. 计算机应用, 2017, 37(11): 3064-3068.

基于轨迹数据的出租车交接班时空分布识别方法

Time-space distribution identification method of taxi shift based on trajectory data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 19

相关文章 15

编辑推荐

Metrics