CN114298642A - 从轨迹数据中提取城市内货车出行od的方法 - Google Patents

Abstract

本发明提供了一种从轨迹数据中提取城市内货车出行OD的方法。该方法包括：确定城市内货车的速度阈值，根据所述速度阈值从货车轨迹中识别停车点；按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值；根据所述多级时间阈值度量货车单次出行路径的迂回程度，从货车停车点中提取出潜在的出行OD点；剔除潜在出行OD点中的临时停车点，提取出货车真实的出行OD点。本发明提出了一种货车出行OD点动态识别方法，可适用于全国范围内的所有城市。方法可迁移性强，复杂度低且易于实现。

Description

从轨迹数据中提取城市内货车出行OD的方法

技术领域

本发明涉及城市货运管理技术领域，尤其涉及一种从轨迹数据中提取城市内货车出行OD的方法。

背景技术

在城市货物运输系统中，货车运输起着关键的支撑作用，是大型工业企业、物流仓库以及港口之间的主要运输形式。但是，货车运输同时也会导致严重的社会环境问题，如交通事故、空气污染等，给城市可持续发展带来挑战。为了消除城市货运的负外部性以提高货运系统的效率，相关部门和组织机构需要制定可行的货运政策。大规模的货车出行OD(Origin to Destination，出发地-目的地)信息是制定这些货运政策的基础数据，为深入理解城市货运系统提供数据支撑。

传统上，货车出行OD信息是通过交通调查获取的。这种方式耗时长、成本高，因此获取的数据量受限而不足以用于城市货运系统分析。在大数据时代，卫星定位技术的发展与应用为通过车载定位设备获取大规模货车轨迹数据提供可能。但是，如何从轨迹数据中提取货车出行OD信息是在实际中存在的一大问题，还没有得到很好地解决。目前，关于货车出行OD提取的研究较少，主要有以下几种：

现有技术中的一种提取货车出行OD的方法为：借助货车司机调查数据、土地利用数据等辅助信息识别货车停留点的类型。该方法的缺点为：虽然在研究小样本时能达到较好的识别效果，但受限于辅助信息的数据量而导致方法移植性较差。

现有技术中的另一种提取货车出行OD的方法为：基于货车停留时间、与市中心的距离等特征，利用SVM((support vector machines，支持向量机)将货车的停车点进行分类识别。该方法的缺点为：货车真实出行OD信息作为测试集必须是预先已知的，而这种信息在实际中难以直接获取。不仅如此，该方法复杂度高，难以适用与大规模货车数据。

发明内容

本发明的实施例提供了从轨迹数据中提取城市内货车出行OD的方法，以实现有效地动态识别货车的出行OD。

为了实现上述目的，本发明采取了如下技术方案。

从轨迹数据中提取城市内货车出行OD的方法，包括：

确定城市内货车的速度阈值，根据所述速度阈值从货车轨迹中识别停车点；

按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值；

根据所述多级时间阈值度量货车单次出行路径的迂回程度，从货车停车点中提取出潜在的出行OD点；

剔除潜在出行OD点中的临时停车点，提取出货车真实的出行OD点。

优选地，所述的按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值，包括：

分别计算城市内所有货车的GPS轨迹中连续两个GPS点的平均速度，得到所有货车平均速度的分布，所述货车平均速度的分布是数据漂移速度和货车正常行驶速度的混合分布，该混合分布的概率分布如下：

其中，Lognorm(x；μ₁，σ₁)是对数正态分布的概率密度函数，用于拟合数据漂移的速度数据；Norm(x；μ₂，σ₂)是正态分布的概率密度函数，用于拟合货车正常行驶的速度数据，利用极大似然法估计混合分布的参数ω₁,ω₂,μ₁,μ₂,σ₁和σ₂；

将混合分布的两个峰值之间的最低点对应的速度值确定为速度阈值。如果货车在某地点的速度小于所述速度阈值，则该地点就被识别为一个停车点，一个货车停车点的地理坐标由在该停车位置的所有GPS点经纬度的平均值表示。

优选地，所述的按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值，包括：

按照停车时间升序对货车的所有停车点进行排序，并绘制停车时间的洛伦兹曲线，计算洛伦兹曲线最右侧端点处的切线与x轴的交点，将该交点对应的货车停车时间确定为一个时间阈值，对于停车时间小于所述时间阈值的停车点，重新绘制洛伦兹曲线并计算切线与x轴的交点，确定下一级别的时间阈值，不断迭代执行上述处理过程，直到洛伦兹曲线为一条直线时为止，得到多级时间阈值。

优选地，所述的根据所述多级时间阈值度量货车单次出行路径的迂回程度，从货车停车点中提取出潜在的出行OD点，包括：

在道路网络上计算每次出行的出发地到目的地的前K条最短路径，找出与货车实际出行路径最接近的第n条最短路径，根据所述第n条最短路径度量货车单次出行路径的迂回程度，以货车单次出行路径的迂回程度作为基准，对时间阈值进行动态调整；

选取最大时间阈值，将停车时间大于最大时间阈值的停车点识别为潜在的出行OD点，根据所述潜在的出行OD点将原始轨迹分割为多段子轨迹，命名为一级子轨迹，计算每段一级子轨迹的出发地到目的地之间的第n条最短路径，如果某段一级子轨迹的长度大于计算的第n条最短路径，则表明这段一级子轨迹比单次出行路径更迂回，包含停车时间较短的出行OD点；然后，选用下一级时间阈值识别迂回的一级子轨迹中包含的出行OD点，并一步将该一级子轨迹分割为多段二级子轨迹，不断迭代上述处理过程，直到子轨迹不能分割时为止，表明提取出所有潜在的出行端点。

优选地，所述的剔除潜在出行OD点中的临时停车点，提取出货车真实的出行OD点，包括：

使用道路网络数据判断货车是否因为交通拥堵而在道路上长时间停留，如果某潜在出行OD点位于道路上，则表明该潜在出行OD点是临时停车点而需要被剔除；使用城市内货运相关的兴趣点数据判断货车是否在货运企业内进行装卸货，如果识别的潜在出行OD点不位于货运企业，则表明该潜在出行OD点是临时停车点而需要被剔除；否则该潜在出行OD点是真实的出行OD点；

从轨迹数据中提取出货车真实的出行OD点后，结合GPS数据提取货车的出行路径，计算出行相关的指标。

由上述本发明的实施例提供的技术方案可以看出，本发明提出了一种货车出行OD点动态识别方法，可适用于全国范围内的所有城市。方法可迁移性强，复杂度低且易于实现。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种从轨迹数据中提取城市内货车出行OD的方法的处理流程图；

图2为本发明实施例提供的一种速度阈值确定示意图；

图3为本发明实施例提供的一种货车停车点识别示意图；

图4为本发明实施例提供的一种多级时间阈值确定示意图；

图5为本发明实施例提供的一种第n条最短路径确定示意图；

图6为本发明实施例提供的一种从货车停车点中提取潜在出行端点示意图；

图7为本发明实施例提供的一种剔除临时停车点示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例从大规模轨迹数据中提取城市内货车出行OD，主要包括：根据货车速度的分布确定适用于某个城市的速度阈值，从货车原始的轨迹中识别停车点；根据货车在停车点处停留时间的分布确定多个时间阈值，并度量货车单次出行路径的迂回程度；以单次出行路径的迂回程度为基础，动态选取合适级别的时间阈值从所有停车点中识别潜在的出行OD点；利用城市兴趣点数据和道路网络数据从潜在的出行OD点中剔除临时停车点，进而识别出所有真实的出行OD点。

本发明实施例提供的一种从轨迹数据中提取城市内货车出行OD的方法的处理流程图如图1所示，包括如下的处理步骤：

步骤S10：确定城市内货车的速度阈值，从货车轨迹中识别停车点。

图2为本发明实施例提供的一种速度阈值确定示意图，对于每辆货车的GPS(Global Positioning System，全球定位系统)轨迹，分别计算GPS轨迹中连续两个GPS点的平均速度，得到一个城市内所有货车平均速度的分布。货车平均速度的分布是数据漂移速度和货车正常行驶速度的混合分布，利用公式(1)的混合分布拟合得到的平均速度分布。

数据漂移速度是指由于GPS设备的定位可能存在偏差，这会导致静止车辆的GPS点发生漂移，在数据上体现在连续两个GPS点的平均速度不为0。因此，本发明通过设置一个速度阈值，来区分数据漂移速度和货车正常行驶速度，进而识别货车真实的停车点。如果连续两个GPS点的平均速度小于设定的速度阈值，则货车处于静止状态，即可识别一个停车点。

混合分布的概率分布如下：

其中，Lognorm(x；μ₁，σ₁)是对数正态分布的概率密度函数，主要用于拟合数据漂移的速度数据；Norm(x；μ₂，σ₂)是正态分布的概率密度函数，主要用于拟合货车正常行驶的速度数据。利用极大似然法估计混合分布的参数ω₁,ω₂,μ₁,μ₂,σ₁和σ₂。

图3为本发明实施例提供的一种货车停车点识别示意图，将混合分布的鞍点(即图3中两个峰值之间的最低点)对应的速度值确定为速度阈值。如果货车在某地点的速度小于确定的速度阈值，则该地点就被识别为一个停车点。一个货车停车点的地理坐标由在该停车位置的所有GPS点经纬度的平均值表示。

步骤S20：按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值。

图4为本发明实施例提供的一种多级时间阈值确定示意图，该方法使用一种非参数迭代法确定多级时间阈值。首先，按照停车时间升序对货车停车点进行排序，并绘制停车时间的洛伦兹曲线；然后，计算洛伦兹曲线最右侧端点处的切线与x轴的交点，这个交点对应的货车停车时间被确定为一个时间阈值，如图4a所示；然后，对于停车时间小于这一时间阈值的停车点，重新绘制洛伦兹曲线并计算切线与x轴的交点，从而确定下一级别的时间阈值，如图4b所示；这一过程不断迭代，直到洛伦兹曲线为一条直线时为止，如图4h所示。迭代过程结束后，就可以得到多级时间阈值，用于在步骤S30中识别潜在的出行OD点。

在潜在出行OD点识别过程中，需要对时间阈值进行动态调整。货车单次出行路径的迂回程度是时间阈值动态调整的基准。为了度量货车单次出行路径的迂回程度，首先利用卫星图像和城市POI从原始GPS数据中提取部分货车的OD点，作为样本数据集。货车实际出行的样本数据集中的OD点是利用卫星图像和城市POI，从GPS数据中人工提取的，作为确定算法参数的样本数据。这些人工提取的OD点是步骤S40中提取出的真实的出行OD点的一小部分或者可以理解为子集。货车活动相关的地点通常具有显著的建筑特征，可以从卫星图像中辨识，因此利用人工方法可以从GPS数据中提取一小部分货车OD点。但是，大部分的货车OD点的地理特征不明显，且人工方法很费时所以不适用于大规模GPS数据。这也是正是本发明考虑的实际背景。

然后，在道路网络上计算每次出行的出发地到目的地的前K条最短路径；然后，找出与货车实际出行路径最接近的第n(n≤K)条最短路径，用于度量货车单次出行路径的迂回程度。图5为本发明实施例提供的一种第n条最短路径确定的示意图。

步骤S30：根据所述多级时间阈值和第n条最短路径，从货车停车点中提取出潜在的出行OD点。

图6为本发明实施例提供的一种从货车停车点中提取潜在出行端点示意图。本发明采用时间阈值动态调整法从步骤S10中识别的停车点中提取潜在的出行OD点。首先，选用步骤S20中确定的最大时间阈值，将停车时间大于这一时间阈值的停车点识别为潜在的出行OD点，并根据这些出行端点将原始轨迹分割为多段子轨迹，命名为一级子轨迹，如图6第二层所示；然后，计算每段一级子轨迹的出发地到目的地之间的第n条最短路径。如果某段一级子轨迹的长度大于计算的第n条最短路径，则表明这段一级子轨迹比单次出行路径更迂回，即可能包含停车时间较短的出行OD点；然后，选用下一级时间阈值识别迂回的一级子轨迹中包含的出行OD点，并一步将该一级子轨迹分割为多段二级子轨迹，如图6第三层所示；上述过程不断迭代，直到子轨迹不能分割时为止，表明提取出所有潜在的出行端点，如图6第四层所示。

步骤S40：剔除潜在出行OD点中的临时停车点，提取真实的出行OD点。

图7为本发明实施例提供的一种剔除临时停车点示意图。步骤S30识别的潜在出行端点中可能包含长时间临时停车点，如长时交通拥堵点、司机休息点，这些临时停车点需要被剔除以提高方法准确率。首先，使用道路网络数据判断货车是否因为交通拥堵而在道路上长时间停留。如果某潜在出行OD点位于道路上，则表明该潜在出行OD点是临时停车点而需要被剔除，如图7a所示。然后，使用城市内货运相关的兴趣点数据判断货车是否在货运企业内进行装卸货。如果识别的潜在出行OD点不位于货运企业，则表明该潜在出行OD点是临时停车点而需要被剔除，如图7b所示；否则该潜在出行OD点是真实的出行OD点，如图7c所示。

从轨迹数据中提取出货车真实的出行OD点后，结合GPS数据可以提取货车的出行路径，并可以计算出行相关的指标，如出行距离、旅行时间、装卸货用时等。

表1展示了本发明的方法与现有方法的比较。方法准确率M_acc计算如下：

M_acc＝NA/(NA+NM+NU) (2)

NA表示准确识别的出行OD点的数量，NM表示错误识别的出行OD点的数量NU表示未能识别的出行OD点的数量。结果表明，本发明提出的方法准确率显著高于已有的技术。

综上所述，本发明实施例提出一种数据驱动的速度阈值确定方法，更准确客观，具有普适性。大大降低停车点被错误识别的可能。

本发明提出一种数据驱动的多级时间阈值确定方法，准确客观且普适性强。避免临时停车点被错误识别为停车点，提高方法准确率。

本发明提出一种利用可广泛获取的城市兴趣点数据和道路网络数据处理临时停车点的方法，提高方法准确率。

本发明提出一种货车出行OD点动态识别方法，可适用于全国范围内的所有城市。方法可迁移性强，复杂度低且易于实现。

表1本发明的方法与现有技术的准确率对比

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.从轨迹数据中提取城市内货车出行OD的方法，其特征在于，包括：

确定城市内货车的速度阈值，根据所述速度阈值从货车轨迹中识别停车点；

按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值；

根据所述多级时间阈值度量货车单次出行路径的迂回程度，从货车停车点中提取出潜在的出行OD点；

剔除潜在出行OD点中的临时停车点，提取出货车真实的出行OD点。

2.根据权利要求1所述的方法，其特征在于，所述的按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值，包括：

分别计算城市内所有货车的GPS轨迹中连续两个GPS点的平均速度，得到所有货车平均速度的分布，所述货车平均速度的分布是数据漂移速度和货车正常行驶速度的混合分布，该混合分布的概率分布如下：

其中，Lognorm(x；μ₁，σ₁)是对数正态分布的概率密度函数，用于拟合数据漂移的速度数据；Norm(x；μ₂，σ₂)是正态分布的概率密度函数，用于拟合货车正常行驶的速度数据，利用极大似然法估计混合分布的参数ω₁，ω₂，μ₁，μ₂，σ₁和σ₂；

将混合分布的两个峰值之间的最低点对应的速度值确定为速度阈值。如果货车在某地点的速度小于所述速度阈值，则该地点就被识别为一个停车点，一个货车停车点的地理坐标由在该停车位置的所有GPS点经纬度的平均值表示。

3.根据权利要求1所述的方法，其特征在于，所述的按照停车时间升序对货车的停车点进行排序，通过绘制停车时间的洛伦兹曲线确定多级时间阈值，包括：

按照停车时间升序对货车的所有停车点进行排序，并绘制停车时间的洛伦兹曲线，计算洛伦兹曲线最右侧端点处的切线与x轴的交点，将该交点对应的货车停车时间确定为一个时间阈值，对于停车时间小于所述时间阈值的停车点，重新绘制洛伦兹曲线并计算切线与x轴的交点，确定下一级别的时间阈值，不断迭代执行上述处理过程，直到洛伦兹曲线为一条直线时为止，得到多级时间阈值。

4.根据权利要求3所述的方法，其特征在于，所述的根据所述多级时间阈值度量货车单次出行路径的迂回程度，从货车停车点中提取出潜在的出行OD点，包括：

在道路网络上计算每次出行的出发地到目的地的前K条最短路径，找出与货车实际出行路径最接近的第n条最短路径，根据所述第n条最短路径度量货车单次出行路径的迂回程度，以货车单次出行路径的迂回程度作为基准，对时间阈值进行动态调整；

选取最大时间阈值，将停车时间大于最大时间阈值的停车点识别为潜在的出行OD点，根据所述潜在的出行OD点将原始轨迹分割为多段子轨迹，命名为一级子轨迹，计算每段一级子轨迹的出发地到目的地之间的第n条最短路径，如果某段一级子轨迹的长度大于计算的第n条最短路径，则表明这段一级子轨迹比单次出行路径更迂回，包含停车时间较短的出行OD点；然后，选用下一级时间阈值识别迂回的一级子轨迹中包含的出行OD点，并一步将该一级子轨迹分割为多段二级子轨迹，不断迭代上述处理过程，直到子轨迹不能分割时为止，表明提取出所有潜在的出行端点。

5.根据权利要求4所述的方法，其特征在于，所述的剔除潜在出行OD点中的临时停车点，提取出货车真实的出行OD点，包括：

使用道路网络数据判断货车是否因为交通拥堵而在道路上长时间停留，如果某潜在出行OD点位于道路上，则表明该潜在出行OD点是临时停车点而需要被剔除；使用城市内货运相关的兴趣点数据判断货车是否在货运企业内进行装卸货，如果识别的潜在出行OD点不位于货运企业，则表明该潜在出行OD点是临时停车点而需要被剔除；否则该潜在出行OD点是真实的出行OD点；

从轨迹数据中提取出货车真实的出行OD点后，结合GPS数据提取货车的出行路径，计算出行相关的指标。

Images