CN116307931B - 一种面向城市货运物流链的多源数据融合分析方法 - Google Patents

Abstract

本发明提供了一种面向城市货运物流链的多源数据融合分析方法，包括：S1：提取各类货运多源数据的特征；S2：构建城市货运物流指标体系，形成货运物流链结构框架；S3：将货运物流链分成N段，并设c=1；S4：提取多源数据特征；S5：数据切片；S6：多源数据的融合计算；S7：判断是否c=N，若是则跳转至S8，否则c=c+1，并返回至S4；S8：校核融合数据的合理性，若满足合理性要求则输出分析结果，若不满足返回S4。通过结合多源数据的特征提取、数据切片以及数据融合方法，实现了对城市货运物流特征的系统化链式分析。

Description

一种面向城市货运物流链的多源数据融合分析方法

技术领域

本发明涉及智慧交通领域，更具体的，涉及一种面向城市货运物流链的多源数据融合分析方法。

背景技术

优化城市货运物流模式是经济发展的重要内容，是城市与交通协调发展的必要保障。现有对城市货运物流的研究方法中，一部分采用人工调查的方式分析城市货运需求，采用该方式的货运分析存在效率低、量大繁杂、数据片面以及时效性差等问题；一部分基于GPS数据分析城市货运需求，主要是针对出行轨迹的分析；一部分利用高速收费站数据分析城市货运需求，但高速公路货车量仅能表达部分的城市货车出行量，且不同城市、不同区域采用高速公路进行货运的需求也存在较大差异。此外，各类数据存在各自的优劣性，仅利用单数据源进行分析，难以完全体现出整个城市的货运流动特征。

同时，交通信息化的发展为货运物流的研究提供了扎实的数据基础。GPS数据方面，依据相关规定，大型货车在出厂前应当安装符合标准的卫星定位装置，因此大型货车具有较高的GPS普及率；高速公路数据方面，近年实现了联网计重收费(其中货车全部采用称重收费)；城市卡口数据方面，以某市为例，全市已覆盖卡口点位约1.3万个，涵盖所有辖区范围。

在此背景下，有必要高度融合各类货运物流数据，对城市货运物流特征进行更综合、更系统、更全面、更精确的研究分析。

发明内容

为解决上述技术问题，本发明提出了一种面向城市货运物流链的多源数据融合分析方法，通过构建多维度城市货运物流分析指标体系，结合多源数据的特征提取、数据切片以及数据融合方法，实现了对城市货运物流特征的系统化链式分析。

本发明实现了多源数据的融合分析，能够使城市管理者能够更系统、更全面地研究、分析和掌握城市货运物流运作特征。

为实现上述目的，采用的技术方案如下：

一种面向城市货运物流链的多源数据融合分析方法，所述方法包括以下步骤：步骤S1：梳理城市货运多源数据，并提取各类货运多源数据的特征；步骤S2：构建多维度的城市货运物流指标体系，形成货运物流链结构框架；步骤S3：将货运物流链分成N段，并设c=1,其中，N为货运物流链的链节数量，代表的是本次城市货运分析的N个维度；c表示分析过程中的链节顺序，c从1开始一直遍历至N，代表按顺序对N个维度进行逐层分析；步骤S4：根据第c段链节的分析目标，提取相应的多源数据特征；步骤S5：根据多源数据特征，进行数据切片；步骤S6：对切片数据进行关联性与互补性分析，实现多源数据的融合计算；步骤S7：判断是否c=N，若是则跳转至步骤S8，否则c=c+1，并返回至步骤S4，继续运算；步骤S8：校核融合数据的合理性，若满足合理性要求则输出货运物流链分析结果，若不满足合理性要求，则返回步骤S4，重新选取多源数据特征并进行后续处理。

所述步骤S4至步骤S7，当c=1时，对三类数据进行融合计算，确定各区域的货车类型结构，所述三类数据包括大型货车GPS数据、卡口数据以及高速公路数据；具体如下：

步骤S401：分别提取大型货车GPS数据特征的时间和位置、卡口数据特征的时间和卡口位置以及高速公路数据特征的时间和收费站位置，并提取大型货车GPS数据特征的大型货车GPS出行量、卡口数据特征的卡口交通量、以及高速公路数据特征的车辆类型和收费站流量，形成特征集；

步骤S501：根据步骤S401所提取的特征集，对数据特征进行切片处理得到切片数据，将无效数据特征进行剔除，所述无效数据特征包括大型货车GPS数据特征中的车辆id、速度、牌照颜色、行驶里程，卡口数据特征中号牌id、车辆类型、牌照颜色，高速公路数据特征中收费站名称、门架位置、门架名称、门架流量、各类货车平均载重量、总重、自重；

步骤S601：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别计算各类数据的出行量，再通过各类数据的特点进行融合计算，以确定各区域的货车类型结构，具体如下：

基于卡口数据计算区域i的货车出行总量，包括区域i内部转移货车总量/>，以及从区域i出发、到达区域j的货车总量/>，计算公式如下所示：

；

设定W,M,L：分别表示大型货车、中型货车和小型货车，基于大型货车GPS数据，计算区域大型货车的出行量/>，包括区域i内部转移的大型货车GPS出行量/>，以及从区域i出发、运往区域j的大型货车GPS出行量/>，计算公式如下所示：

；

基于高速公路数据，计算区域i中型货车和小型货车的比例、/>，/>表示区域i的收费站入口中型货车通过量占中小型货车通过总量的比例，/>表示区域i的收费站入口小型货车通过量占中小型货车通过总量的比例，计算公式分别如下所示：

；

；

式中，表示区域i的收费站入口中型货车通过量，/>表示区域i的收费站入口小型货车通过量；

以卡口数据计算区域i的货车出行总量作为各区域的货车出行总量，以大型货车GPS数据计算区域/>大型货车的出行量/>作为各区域大型货车出行量，以高速公路数据计算结果/>、/>作为各区域中、小型货车之间的比例，对三类数据进行融合计算，计算出各区域中、小型货车出行量/>、/>，计算公式如下所示：

；

；

最后，确定区域i各类货车的出行比例，计算公式如下：

；

其中，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

优选地，所述步骤S1，所述货运多源数据包括：大型货车GPS数据、卡口数据、高速公路数据以及地图数据，首先对原始的货运多源数据进行清洗，清洗缺失数据信息、重复数据、时空不匹配数据，再提取各类货运多源数据的特征。

优选地，各类货运多源数据特征如下所示：大型货车GPS数据特征包括：时间、车辆id、位置、速度、牌照颜色、行驶里程以及大型货车GPS出行量；卡口数据特征包括：时间、号牌id、卡口位置、车辆类型、牌照颜色、以及卡口交通量；高速公路数据特征包括：时间、收费站名称、收费站位置、车辆类型、各类货车平均载重量、总重、自重、收费站流量、门架名称、门架位置以及门架流量；地图数据特征包括：地块位置、用地类型、以及城市路网。

优选地，所述步骤S2，分别从货运结构特征、货运分布特征和货运流动特征三个方面构建城市货运物流指标体系，根据所建立的城市货运物流指标体系，形成货运物流链结构框架，所述结构框架包括：货车类型结构、货运需求分布、货运出行OD和货运轨迹通道。

优选的，所述步骤S4至步骤S7，当c=2时，基于各区域各类货车出行量，融合各类货车平均载重量以及地图数据，综合分析货运需求分布，具体如下：

步骤S402：根据分析货运需求分布的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的各类货车平均载重量以及地图数据特征中的地块位置、用地类型。

步骤S502：根据步骤S402获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；提取高速公路数据特征中收费站位置、车辆类型、总重、自重，其余特征字段为无效字段进行切片剔除；提取地图数据特征中地块位置、用地类型，其余字段作为无效字段进行切片剔除。

步骤S602：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别确定各区域各类货车出行量、各区域各类货车平均载重量、各区域主要货运类型，最终计算出各区域的货运需求分布，具体如下。

获取步骤S601计算得到的区域i大型货车、中型货车以及小型货车的出行量、、/>。

基于高速公路数据，通过统计的方式得出区域i大型货车、中型货车以及小型货车的平均载重量、/>、/>。

基于地图数据，综合分析各区域地块位置和用地类型，确定各区域的货运量折算系数。

最后，计算城市各区域的货运量，计算公式如下所示：/>，式中，/>表示区域i的货运量折算系数；/>表示区域i的x类型货车的平均载重量，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

优选地，所述步骤S4至步骤S7，当c=3时，基于各区域的货车出行总量和高速公路数据，综合分析货运出行OD，具体如下：

步骤S403：根据分析货运出行OD的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的时间、收费站位置、车辆类型、收费站流量；

步骤S503：根据步骤S403获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；而高速公路数据特征中门架位置、门架名称与门架流量作为无效字段进行切片剔除；

步骤S603：首先通过统计分析的方式，计算不同时间维度下高速公路收费站起讫 点货车OD出行量，进一步推算出各区域高速公路货车出行量，计算如下所示：；式中，表示从区域i高速公路收费站驶至区域j高速公路收费站 的x类型货车量，x类型包括大、中、小型货车；

然后，关联步骤S601中计算得到的区域i的货车出行总量，推算各区域货车OD出 行扩样系数，进一步校正货运出行OD量，其中表示从区域i运往区域j的货运出行 OD量，计算如下所示：；。

优选地，所述步骤S4至步骤S7，当c=4时，基于大型货车GPS数据分析出行轨迹，再与地图数据特征中城市路网匹配，分析货运轨迹通道，具体如下：

步骤S404：根据分析货运轨迹通道的目标，获取多源数据特征，提取大型货车GPS数据特征中时间、车辆id、位置、速度；提取地图数据特征中地块位置、用地类型和城市路网；以及步骤S603计算得到的货运出行OD量；

步骤S504：根据S404获得的多源数据特征，对数据特征进行切片处理得到切片数据，其大型货车GPS数据特征中牌照颜色、行驶里程以及GPS出行量作为无效数据进行切片剔除；

步骤S604：首先，将货车出行状态分为三种：①货车出行起始点O点；②货车出行临停点；③货车出行终点D点，通过位置信息对大型货车GPS数据和地图数据进行关联性分析，研判各GPS点位的车辆行驶状态，最终实现大型货车GPS数据的轨迹还原，分析流程如下：

（1）根据目标要求提取大型货车GPS数据特征中的时间、车辆id、位置以及速度，以及地图数据特征中的用地类型；

（2）将大型货车GPS数据按照车辆id进行分类，形成若干数据子集，各子集按时间先后进行排序，并选中其中一个车辆id数据子集进行研判；

（3）若是该子集的首条数据，则直接判别为货车出行O点，对下一条数据进行分析；若识别出连续两条数据为离散点，则按照“前者作为上一段轨迹的D点、后者作为下一段轨迹的O点”将数据打断，并转至下一条数据继续分析；

（4）研判相邻两个节点的时间连续性，若连续则转至步骤（5），否则识别为离散点，返回步骤（3）；

（5）分析相邻两个节点的位置变化情况，设置最小范围阈值和最大范围阈值，若车辆连续位置变化处于最小范围阈值以内，则转至步骤（6）进行临停点研判，若车辆连续位置变化超过最大范围阈值，则识别为离散点并返回步骤（3）；若位置变化处于最小范围阈值和最大范围阈值之间，则识别为有效连续点位，转至下一条点位数据并返回步骤（4）进行分析；

（6）分析车辆速度信息以及点位所处的地块用地类型特征，若货车位于高速服务站、城市主干道路侧，则判别为货车出行临停点，转至下一个点位数据并返回步骤（4）继续分析；否则将点位判别为货车出行D点，返回步骤（3）；

（7）遍历完所有数据子集后，得到每一辆大型货车的GPS出行轨迹情况，再按照目标要求提取地图数据特征中的城市路网，进行数据坐标系的转换，构建路网数据集；

最后，通过各通道的货车OD出行量对大型货车GPS轨迹的关联、补充，对轨迹通道货车出行量进行校正，确定城市货运轨迹通道空间分布情况以及各通道货车出行量情况。

本发明相对于现有技术，优点与积极效果在于：

1）本发明构建了城市货运物流指标体系，从货运结构、货运分布和货运流动等维度实现对城市货运物流特征的全方位分析。

2）本发明提出对多源货运数据的融合算法，计算得到更加准确、全面以及更加精细化的城市货运物流运量与流向。

3）本发明通过分析多源数据的关联性与互补性，全面校核货运计算数据，有效提升对货运物流数据的利用率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。

附图1是面向城市货运物流链的多源数据融合分析方法流程图。

附图2是城市货运物流链分析指标体系示意图。

附图3是本实施例的城市货运物流链结构框架示意图。

附图4是本实施例多源数据融合方法示意图。

具体实施方式

为能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施。因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如附图1，一种面向城市货运物流链的多源数据融合分析方法，所述方法包括以下步骤：步骤S1：梳理城市货运多源数据，并提取各类货运多源数据的特征；步骤S2：构建多维度的城市货运物流指标体系，形成货运物流链结构框架；步骤S3：将货运物流链分成N段，并设c=1,其中，N为货运物流链的链节数量，代表的是本次城市货运分析的N个维度；c表示分析过程中的链节顺序，c从1开始一直遍历至N，代表按顺序对N个维度进行逐层分析；步骤S4：根据第c段链节的分析目标，提取相应的多源数据特征；步骤S5：根据多源数据特征，进行数据切片；步骤S6：对切片数据进行关联性与互补性分析，实现多源数据的融合计算；步骤S7：判断是否c=N，若是则跳转至步骤S8，否则c=c+1，并返回至步骤S4，继续运算；步骤S8：校核融合数据的合理性，若满足合理性要求则输出货运物流链分析结果，若不满足合理性要求，则返回步骤S4，重新选取多源数据特征并进行后续处理。

进一步地，所述步骤S1，所述货运多源数据包括：大型货车GPS数据、卡口数据、高速公路数据以及地图数据，首先对原始的货运多源数据进行清洗，清洗缺失数据信息、重复数据、时空不匹配数据，再提取各类货运多源数据的特征。

进一步地，所述步骤S2，分别从货运结构特征、货运分布特征和货运流动特征三个方面构建城市货运物流指标体系，如附图2所示，根据所建立的城市货运物流指标体系，形成货运物流链结构框架，所述结构框架包括：货车类型结构、货运需求分布、货运出行OD和货运轨迹通道，如附图3所示。

各类货运多源数据特征如下所示：

大型货车GPS数据特征包括：时间、车辆id、位置、速度、牌照颜色、行驶里程以及GPS出行量；卡口数据特征包括：时间、号牌id、卡口位置、车辆类型、牌照颜色、以及卡口交通量；高速公路数据特征包括：时间、收费站名称、收费站位置、车辆类型、各类货车平均载重量、总重、自重、收费站流量、门架名称、门架位置以及门架流量；地图数据特征包括：地块位置、用地类型、以及城市路网。

如附图4所示，再进一步地，所述步骤S4至步骤S7，当c=1时，对三类数据进行融合计算，确定各区域的货车类型结构，所述三类数据包括大型货车GPS数据、卡口数据以及高速公路数据；具体如下：

步骤S401：分别提取大型货车GPS数据特征的时间和位置、卡口数据特征的时间和卡口位置以及高速公路数据特征的时间和收费站位置，并提取大型货车GPS数据特征的大型货车GPS出行量、卡口数据特征的卡口交通量、以及高速公路数据特征的车辆类型和收费站流量，形成特征集。

步骤S501：根据步骤S401所提取的特征集，对数据特征进行切片处理得到切片数据，将无效数据特征进行剔除，所述无效数据特征包括大型货车GPS数据特征中的车辆id、速度、牌照颜色、行驶里程，卡口数据特征中号牌id、车辆类型、牌照颜色，高速公路数据特征中收费站名称、门架位置、门架名称、门架流量、各类货车平均载重量、总重、自重。

步骤S601：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别计算各类数据的出行量，再通过各类数据的特点进行融合计算，以确定各区域的货车类型结构，具体如下：

基于卡口数据计算区域i的货车出行总量，包括区域i内部转移货车总量/>，以及从区域i出发、到达区域j的货车总量/>，计算公式如下所示：/>。

设定W,M,L：分别表示大型货车、中型货车和小型货车，基于大型货车GPS数据，计算区域大型货车的出行量/>，包括区域i内部转移的大型货车GPS出行量/>，以及从区域i出发、运往区域j的大型货车GPS出行量/>，计算公式如下所示：。

基于高速公路数据，计算区域i中型货车和小型货车的比例、/>，/>表示区域i的收费站入口中型货车通过量占中小型货车通过总量的比例，/>表示区域i的收费站入口小型货车通过量占中小型货车通过总量的比例，计算公式分别如下所示。

；/>；式中，/>表示区域i的收费站入口中型货车通过量，/>表示区域i的收费站入口小型货车通过量。

以卡口数据计算区域i的货车出行总量作为各区域的货车出行总量，以大型货车GPS数据计算区域/>大型货车的出行量/>作为各区域大型货车出行量，以高速公路数据计算结果/>、/>作为各区域中、小型货车之间的比例，对三类数据进行融合计算，计算出各区域中、小型货车出行量/>、/>，计算公式如下所示。

；/>。

最后，确定区域i各类货车的出行比例，计算公式如下：；其中，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

再进一步地，所述步骤S4至步骤S7，当c=2时，基于各区域各类货车出行量，融合各类货车平均载重量以及地图数据，综合分析货运需求分布，具体如下：

步骤S402：根据分析货运需求分布的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的各类货车平均载重量以及地图数据特征中的地块位置、用地类型。

步骤S502：根据步骤S402获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；提取高速公路数据特征中收费站位置、车辆类型、总重、自重，其余特征字段为无效字段进行切片剔除；提取地图数据特征中地块位置、用地类型，其余字段作为无效字段进行切片剔除。

步骤S602：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别确定各区域各类货车出行量、各区域各类货车平均载重量、各区域主要货运类型，最终计算出各区域的货运需求分布，具体如下。

获取步骤S601计算得到的区域i大型货车、中型货车以及小型货车的出行量、、/>。

基于高速公路数据，通过统计的方式得出区域i大型货车、中型货车以及小型货车的平均载重量、/>、/>。

基于地图数据，综合分析各区域地块位置和用地类型，确定各区域的货运量折算系数。

最后，计算城市各区域的货运量，计算公式如下所示：/>；式中，/>表示区域i的货运量折算系数；/>表示区域i的x类型货车的平均载重量，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

再进一步地，所述步骤S4至步骤S7，当c=3时，基于各区域的货车出行总量和高速公路数据，综合分析货运出行OD，具体如下：

步骤S403：根据分析货运出行OD的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的时间、收费站位置、车辆类型、收费站流量；

步骤S503：根据步骤S403获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；而高速公路数据特征中门架位置、门架名称与门架流量作为无效字段进行切片剔除；

步骤S603：首先通过统计分析的方式，计算不同时间维度下高速公路收费站起讫 点货车OD出行量，进一步推算出各区域高速公路货车出行量，计算如下所示：

；

式中，表示从区域i高速公路收费站驶至区域j高速公路收费站的x类型货车 量，x类型包括大、中、小型货车；

然后，关联步骤S601中计算得到的区域i的货车出行总量，推算各区域货车OD出 行扩样系数，进一步校正货运出行OD量，其中表示从区域i运往区域j的货运出行 OD量，计算如下所示：；。

再进一步地，所述步骤S4至步骤S7，当c=4时，基于大型货车GPS数据分析出行轨迹，再与地图数据特征中城市路网匹配，分析货运轨迹通道，具体如下：

步骤S404：根据分析货运轨迹通道的目标，获取多源数据特征，提取大型货车GPS数据特征中时间、车辆id、位置、速度；提取地图数据特征中地块位置、用地类型和城市路网；以及步骤S603计算得到的货运出行OD量；

步骤S504：根据S404获得的多源数据特征，对数据特征进行切片处理得到切片数据，其大型货车GPS数据特征中牌照颜色、行驶里程以及GPS出行量作为无效数据进行切片剔除；

步骤S604：首先，将货车出行状态分为三种：①货车出行起始点O点；②货车出行临停点；③货车出行终点D点，通过位置信息对大型货车GPS数据和地图数据进行关联性分析，研判各GPS点位的车辆行驶状态，最终实现大型货车GPS数据的轨迹还原，分析流程如下：

（1）根据目标要求提取大型货车GPS数据特征中的时间、车辆id、位置以及速度，以及地图数据特征中的用地类型；

（2）将大型货车GPS数据按照车辆id进行分类，形成若干数据子集，各子集按时间先后进行排序，并选中其中一个车辆id数据子集进行研判；

（3）若是该子集的首条数据，则直接判别为货车出行O点，对下一条数据进行分析；若识别出连续两条数据为离散点，则按照“前者作为上一段轨迹的D点、后者作为下一段轨迹的O点”将数据打断，并转至下一条数据继续分析；

（4）研判相邻两个节点的时间连续性，若连续则转至步骤（5），否则识别为离散点，返回步骤（3）；

（5）分析相邻两个节点的位置变化情况，设置最小范围阈值和最大范围阈值，若车辆连续位置变化处于最小范围阈值以内，则转至步骤（6）进行临停点研判，若车辆连续位置变化超过最大范围阈值，则识别为离散点并返回步骤（3）；若位置变化处于最小范围阈值和最大范围阈值之间，则识别为有效连续点位，转至下一条点位数据并返回步骤（4）进行分析；

（6）分析车辆速度信息以及点位所处的地块用地类型特征，若货车位于高速服务站、城市主干道路侧，则判别为货车出行临停点，转至下一个点位数据并返回步骤（4）继续分析；否则将点位判别为货车出行D点，返回步骤（3）；

（7）遍历完所有数据子集后，可以得到每一辆大型货车的GPS出行轨迹情况，再按照目标要求提取地图数据特征中的城市路网，进行数据坐标系的转换，构建路网数据集；

最后，通过各通道的货车OD出行量对大型货车GPS轨迹的关联、补充，对轨迹通道货车出行量进行校正，确定城市货运轨迹通道空间分布情况以及各通道货车出行量情况。

实施例1

步骤S1，梳理城市货运多源数据，并提取各类货运多源数据的特征，所述货运多源数据包括：大型货车GPS数据、卡口数据、高速公路数据以及地图数据。首先对原始货运多源数据进行清洗，清洗缺失数据信息、重复数据、时空不匹配数据，再提取各类货运多源数据的特征，具体分析如下：

（1）大型货车GPS数据

大型货车GPS数据原始数据字段包含车辆id、牌照颜色、时间、经度、纬度、车载终端速度、行驶记录仪速度、方向、海拔高度、行驶里程、车辆状态、警告状态等12个信息，如下表所示。

表1GPS原始数据字段信息

通过对大型货车GPS原始数据的清洗，剔除部分未被利用的数据字段，如方向、海拔高度、车辆状态以及警告状态等；此外，可以按照不同时间维度计算车辆id，提取大型货车的GPS出行车辆数信息。因此，大型货车GPS数据所提取的特征主要有：时间、车辆id、位置、速度、牌照颜色、行驶里程以及数量等。

（2）卡口数据

某市卡口点位覆盖较全，中心城区覆盖密度高、外围区相对稀疏，全市卡口点位约有1.3万个。卡口原始数据包括流水号、卡口编号、经过时间、号牌号码、号牌颜色以及车辆类型共6个字段，如下表所示。

表2某市卡口原始数据字段信息

其中，流水号字段为无效字段，数据清洗时将该字段剔除；卡口编号由18为数字组合而成，与卡口基础信息表关联可以确定卡口名称、卡口位置等信息；号牌号码为脱敏后的车牌号码，仅完整保留原始车牌的省份和城市信息；号牌颜色、车辆类型与相对应的编号映射关系如下表所示。

此外，按照不同时空维度计算卡口通过车辆数，可获得交通量信息。最终所提取的城市交通卡口数据特征有：时间、号牌id、卡口位置、车辆类型、牌照颜色、以及数量信息等。

表3卡口数据车牌颜色与车辆类型代码表

（3）高速公路数据

高速公路数据主要分为两类：一是基于高速收费站的货车OD数据，数据字段包括：时间、进/出收费站id、进/出收费站名称、进/出收费站所处城市、进/出收费站所处区镇、1-2轴客车通过量、3-4轴客车通过量、1-2轴货车通过量、3-4轴货车通过量、5-6轴货车通过量等10个信息，如下表4所示，其中进/出收费站id是以“G”或“S”+13位数字的字符串，每个收费站对应id唯一，可通过关联某省收费站基础表，确定收费站名称、所处区镇、城市等信息。

二是基于高速门架的货车断面流量数据，包括门架编号、时间、客车流量、货车流量共4个字段信息，如下表5所示，其中门架编号为6位十六进制编码，通过门架编号与某市境内门架基础信息表关联，确定门架ID、门架名称、门架里程、所属辖区等信息。

表4高速公路收费站数据字段信息（以进入某市收费站数据格式为例）

表5高速公路门架数据字段信息

各区域货运节点是否选择通过高速公路的方式进行货运，与收费站覆盖率、货运节点与收费站距离、货物类型、通往收费站道路条件以及其他运输成本等众多因素相关，收费站数据难以体现各区域货车出行的绝对量，但高速收费站数据包含货车类型的信息，因此，可将高速公路数据视为各区域货车出行的抽样样本，以确定各类货车的出行比例。

此外，按不同时空维度计算通过高速收费站或高速门架的车辆数，获取收费站和门架流量信息。最终提取高速公路数据特征有：时间信息、收费站名称、收费站位置、车辆类型、收费站流量、门架名称、门架位置以及门架流量等信息。

（4）地图数据

主要包含地块位置、用地类型、以及城市路网等要素。

步骤S2：构建多维度的城市货运物流指标体系，形成货运物流链结构框架；分别从货运结构特征、货运分布特征和货运流动特征三个方面构建城市货运物流指标体系，根据所建立的城市货运物流指标体系，形成货运物流链结构框架。

本实施例所构建的城市货运物流指标体系如附图2所示，其中城市货运结构特征的分析按不同的时间维度（月、日、小时）和空间维度（全市、行政区），研究大、中、小型货车的比例；城市货运分布特征分析按不同的时间维度（月、日、小时）和空间维度（全市、行政区），研究各类货车出发/到达量、以及货运产生/吸引量；城市货运流动特征分析按不同的时间维度（月、日、小时）和空间维度（全省、全市、行政区），研究货车出行OD、货运需求OD、货车出行轨迹、以及城市货运通道等。

根据城市货运物流指标体系，形成城市货运物流链结构框架，如附图3所示，框架主要包括：货车类型结构、货运需求分布、货运出行OD和货运轨迹通道等四个部分。

步骤S3，按照步骤S2所述，货运物流链分为4段，并设c=1。

步骤S4~步骤S7，对不同分析目标的，分析结果如下：

（1）当c=1，分析货车类型结构。

基于GPS大型货车数据，统计某市各行政区重载货车的日均出行量，统计结果 如下表所示。

表6某市各辖区大型货车日均出行量（辆/日）

基于高速公路收费站数据，按照行政区范围划分，统计某市各行政区各类型货车 的日均出行量、和（基于高速公路运输），统计结果如下表所示，并进一步计 算和。

表7某市各辖区各类货车日均高速出行量（辆/日）

基于城市交通卡口数据，统计某市各行政区货车日均出行总量，并进一步计算 各个行政区中型货车和小型货车日均出行量、，如下表所示，最后，联结表6~表8计算 各个行政区的出行货车类型结构，如表9所示。

表8某市各辖区货车日均出行总量及中小型货车出行量（辆/日）

表9某市各辖区各类货车日均出行比例

从数据分析可看出，某市货车类型以小型货车和大型货车为主，日均出行占比分别为59%和32%，其中J区和I区小型货车比例最高，分别为99%、85%，受城市限货政策的影响，大型货车基本该片区出行；K区依托K港，大型货车需求最高（1.4万辆/日），B区依托B港，约55%为中大型货车出行，F区尚未规划特大型物流枢纽，但大型货车出行需求较高（占该辖区56%）。

（2）当c=2，分析货运需求分布。

通过高速公路原始数据计算出某市1-6轴货车的月均流量（辆）、平均总重量以及平均自重，其中1-2轴货车为小型货车、3-4轴货车为中型货车、5-6轴货车为大型货车，进而计算某市大中小型货车的平均载重量，如表10所示。

表10某市各类货车平均载重量（吨）

结合各行政区的各类货车日均出行量，计算某市各区域的货运需求量，如表11所示，进一步地，基于GPS数据计算全市范围日均货运需求分布情况。

表11某市各行政区日均货运需求量（吨）

从数据及图形分析可见，某市范围内G区、B区、H区的货运需求最高，H区、G区和K区的货车出行集聚度较高，且市内货运出行分布呈现“西密东疏”特点，尤其是以某枢纽为核心的区域密度最高；

（3）当c=3，分析货运出行OD。

首先，基于高速公路收费站数据，计算某市与某省内各个城市之间的货运OD联系情况，计算结果如表12所示。

表12某市与省内城市日均货车OD量（pcu/日）

然后，将范围划定在城市群，并结合城市间平均车货总重、平均自重等信息，计算某市与城市间的货运OD联系情况，结果如表13所示。

表13某市与城市群日均货运量（吨/日）

最后，计算某市内各行政区之间的货车OD出行量，结果如表14所示。

表14某市内各区日均货车OD量（pcu/日）

数据分析可见，在出行量方面某市近65%的货车出行属于市内转移，其中A区-B区、A区-K区的货运联系最为密切，约1.5万pcu/日；与某市货运出行最为频繁的是b市、c市和d市，日均货车联系量分别为5.2万pcu、2.8万pcu和1.1万pcu；货运量方面，市内转移货运量占22%，对外与b市、c市、g市的货运联系最密切，分别为15.3万吨/日、10.7万吨/日、4.4万吨/日。

（4）当c=4，分析货运轨迹通道。

基于大型货车GPS数据分析某市货车出行轨迹特征，将轨迹分析及与城市道路匹配，并进一步融合GPS轨迹数据、城市卡口数据、高速门架流量数据以及抽样调查数据，计算出某市主要货运通道的货车流量情况，计算结果如表15所示。

表15某市主要货运通道小时流量（pcu/小时）

/>

数据分析可见，从全天看，货车占比超过30%的有道路10、道路12、道路17、道路26、道路30等通道。

其中，白天高快速路通道货车出行明显比早、晚高峰时段高，环城高速及外围区高速公路货车出行量较中心城区高；早高峰时段货车占比超过30%的有道路5、道路14、道路12和道路17；晚高峰时段大部分通道的货车占比在10%~20%之间。

Claims (7)

1.一种面向城市货运物流链的多源数据融合分析方法，其特征在于，所述方法包括以下步骤：

步骤S1：梳理城市货运多源数据，并提取各类货运多源数据的特征；

步骤S2：构建多维度的城市货运物流指标体系，形成货运物流链结构框架；

步骤S3：将货运物流链分成N段，并设c=1,其中，N为货运物流链的链节数量，代表的是本次城市货运分析的N个维度；c表示分析过程中的链节顺序，c从1开始一直遍历至N，代表按顺序对N个维度进行逐层分析；

步骤S4：根据第c段链节的分析目标，提取相应的多源数据特征；

步骤S5：根据多源数据特征，进行数据切片；

步骤S6：对切片数据进行关联性与互补性分析，实现多源数据的融合计算；

步骤S7：判断是否c=N，若是则跳转至步骤S8，否则c=c+1，并返回至步骤S4，继续运算；

步骤S8：校核融合数据的合理性，若满足合理性要求则输出货运物流链分析结果，若不满足合理性要求，则返回步骤S4，重新选取多源数据特征并进行后续处理；

所述步骤S4至步骤S7，当c=1时，对三类数据进行融合计算，确定各区域的货车类型结构，所述三类数据包括大型货车GPS数据、卡口数据以及高速公路数据；具体如下：

步骤S401：分别提取大型货车GPS数据特征的时间和位置、卡口数据特征的时间和卡口位置以及高速公路数据特征的时间和收费站位置，并提取大型货车GPS数据特征的大型货车GPS出行量、卡口数据特征的卡口交通量、以及高速公路数据特征的车辆类型和收费站流量，形成特征集；

步骤S501：根据步骤S401所提取的特征集，对数据特征进行切片处理得到切片数据，将无效数据特征进行剔除，所述无效数据特征包括大型货车GPS数据特征中的车辆id、速度、牌照颜色、行驶里程，卡口数据特征中号牌id、车辆类型、牌照颜色，高速公路数据特征中收费站名称、门架位置、门架名称、门架流量、各类货车平均载重量、总重、自重；

步骤S601：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别计算各类数据的出行量，再通过各类数据的特点进行融合计算，以确定各区域的货车类型结构，具体如下：

基于卡口数据计算区域i的货车出行总量，包括区域i内部转移货车总量/>，以及从区域i出发、到达区域j的货车总量/>，计算公式如下所示：

；

设定W,M,L：分别表示大型货车、中型货车和小型货车，基于大型货车GPS数据，计算区域大型货车的出行量/>，包括区域i内部转移的大型货车GPS出行量/>，以及从区域i出发、运往区域j的大型货车GPS出行量/>，计算公式如下所示：

；

基于高速公路数据，计算区域i中型货车和小型货车的比例、/>，/>表示区域i的收费站入口中型货车通过量占中小型货车通过总量的比例，/>表示区域i的收费站入口小型货车通过量占中小型货车通过总量的比例，计算公式分别如下所示：

；

；

式中，表示区域i的收费站入口中型货车通过量，/>表示区域i的收费站入口小型货车通过量；

以卡口数据计算区域i的货车出行总量作为各区域的货车出行总量，以大型货车GPS数据计算区域/>大型货车的出行量/>作为各区域大型货车出行量，以高速公路数据计算结果/>、/>作为各区域中、小型货车之间的比例，对三类数据进行融合计算，计算出各区域中、小型货车出行量/>、/>，计算公式如下所示：

；

；

最后，确定区域i各类货车的出行比例，计算公式如下：

；

其中，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

2.根据权利要求1所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，所述步骤S1，所述货运多源数据包括：大型货车GPS数据、卡口数据、高速公路数据以及地图数据，首先对原始的货运多源数据进行清洗，清洗缺失数据信息、重复数据、时空不匹配数据，再提取各类货运多源数据的特征。

3.根据权利要求2所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，各类货运多源数据特征如下所示：

大型货车GPS数据特征包括：时间、车辆id、位置、速度、牌照颜色、行驶里程以及大型货车GPS出行量；卡口数据特征包括：时间、号牌id、卡口位置、车辆类型、牌照颜色、以及卡口交通量；高速公路数据特征包括：时间、收费站名称、收费站位置、车辆类型、各类货车平均载重量、总重、自重、收费站流量、门架名称、门架位置以及门架流量；地图数据特征包括：地块位置、用地类型、以及城市路网。

4.根据权利要求1-3任一项所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，

所述步骤S2，分别从货运结构特征、货运分布特征和货运流动特征三个方面构建城市货运物流指标体系，根据所建立的城市货运物流指标体系，形成货运物流链结构框架，所述结构框架包括：货车类型结构、货运需求分布、货运出行OD和货运轨迹通道。

5.根据权利要求1所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，

所述步骤S4至步骤S7，当c=2时，基于各区域各类货车出行量，融合各类货车平均载重量以及地图数据，综合分析货运需求分布，具体如下：

步骤S402：根据分析货运需求分布的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的各类货车平均载重量以及地图数据特征中的地块位置、用地类型；

步骤S502：根据步骤S402获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；提取高速公路数据特征中收费站位置、车辆类型、总重、自重，其余特征字段为无效字段进行切片剔除；提取地图数据特征中地块位置、用地类型，其余字段作为无效字段进行切片剔除；

步骤S602：首先对以上切片数据进行关联性分析，通过关联以上切片数据的共同特征字段，按照同等时间维度和空间范围，分别确定各区域各类货车出行量、各区域各类货车平均载重量、各区域主要货运类型，最终计算出各区域的货运需求分布，具体如下：

获取步骤S601计算得到的区域i大型货车、中型货车以及小型货车的出行量、/>、；

基于高速公路数据，通过统计的方式得出区域i大型货车、中型货车以及小型货车的平均载重量、/>、/>；

基于地图数据，综合分析各区域地块位置和用地类型，确定各区域的货运量折算系数；

最后，计算城市各区域的货运量，计算公式如下所示：

；

式中，表示区域i的货运量折算系数；/>表示区域i的x类型货车的平均载重量，x表示货车类型，W,M,L：分别表示大型货车、中型货车和小型货车。

6.根据权利要求1所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，

所述步骤S4至步骤S7，当c=3时，基于各区域的货车出行总量和高速公路数据，综合分析货运出行OD，具体如下：

步骤S403：根据分析货运出行OD的目标，获取多源数据特征，包括上述步骤S601计算得到的各区域大型货车、中型货车以及小型货车的出行量，高速公路数据特征中的时间、收费站位置、车辆类型、收费站流量；

步骤S503：根据步骤S403获得的多源数据特征，对数据特征进行切片处理得到切片数据，其中各区域各类货车出行量为上述步骤S601计算得到，无需剔除无效数据；而高速公路数据特征中门架位置、门架名称与门架流量作为无效字段进行切片剔除；

步骤S603：首先通过统计分析的方式，计算不同时间维度下高速公路收费站起讫点货车OD出行量，进一步推算出各区域高速公路货车出行量，计算如下所示：

；

式中，表示从区域i高速公路收费站驶至区域j高速公路收费站的x类型货车量，x类型包括大、中、小型货车；

然后，关联步骤S601中计算得到的区域i的货车出行总量，推算各区域货车OD出行扩样系数/>，进一步校正货运出行OD量，其中/>表示从区域i运往区域j的货运出行OD量，计算如下所示：

；

。

7.根据权利要求1所述的一种面向城市货运物流链的多源数据融合分析方法，其特征在于，

所述步骤S4至步骤S7，当c=4时，基于大型货车GPS数据分析出行轨迹，再与地图数据特征中城市路网匹配，分析货运轨迹通道，具体如下：

步骤S404：根据分析货运轨迹通道的目标，获取多源数据特征，提取大型货车GPS数据特征中时间、车辆id、位置、速度；提取地图数据特征中地块位置、用地类型和城市路网；以及步骤S603计算得到的货运出行OD量；

步骤S504：根据S404获得的多源数据特征，对数据特征进行切片处理得到切片数据，其大型货车GPS数据特征中牌照颜色、行驶里程以及GPS出行量作为无效数据进行切片剔除；

步骤S604：首先，将货车出行状态分为三种：①货车出行起始点O点；②货车出行临停点；③货车出行终点D点，通过位置信息对大型货车GPS数据和地图数据进行关联性分析，研判各GPS点位的车辆行驶状态，最终实现大型货车GPS数据的轨迹还原，分析流程如下：

（1）根据目标要求提取大型货车GPS数据特征中的时间、车辆id、位置以及速度，以及地图数据特征中的用地类型；

（2）将大型货车GPS数据按照车辆id进行分类，形成若干数据子集，各子集按时间先后进行排序，并选中其中一个车辆id数据子集进行研判；

（3）若是该子集的首条数据，则直接判别为货车出行O点，对下一条数据进行分析；若识别出连续两条数据为离散点，则按照“前者作为上一段轨迹的D点、后者作为下一段轨迹的O点”将数据打断，并转至下一条数据继续分析；

（4）研判相邻两个节点的时间连续性，若连续则转至步骤（5），否则识别为离散点，返回步骤（3）；

（5）分析相邻两个节点的位置变化情况，设置最小范围阈值和最大范围阈值，若车辆连续位置变化处于最小范围阈值以内，则转至步骤（6）进行临停点研判，若车辆连续位置变化超过最大范围阈值，则识别为离散点并返回步骤（3）；若位置变化处于最小范围阈值和最大范围阈值之间，则识别为有效连续点位，转至下一条点位数据并返回步骤（4）进行分析；

（6）分析车辆速度信息以及点位所处的地块用地类型特征，若货车位于高速服务站、城市主干道路侧，则判别为货车出行临停点，转至下一个点位数据并返回步骤（4）继续分析；否则将点位判别为货车出行D点，返回步骤（3）；

（7）遍历完所有数据子集后，得到每一辆大型货车的GPS出行轨迹情况，再按照目标要求提取地图数据特征中的城市路网，进行数据坐标系的转换，构建路网数据集；

最后，通过各通道的货车OD出行量对大型货车GPS轨迹的关联、补充，对轨迹通道货车出行量进行校正，确定城市货运轨迹通道空间分布情况以及各通道货车出行量情况。