黃練 尹凌 林鈺龍

【摘要】 部分區(qū)域的長途客車在運營時，存在在規(guī)定的停靠站點外上下旅客的違規(guī)行為，帶來嚴(yán)重的安全隱患，現(xiàn)有車輛動態(tài)監(jiān)控系統(tǒng)無法識別這種違規(guī)行為。本文提出了一種基于車輛GPS軌跡時空特征的長途客車站外違規(guī)載客點自動識別方法，開發(fā)了可視化系統(tǒng)，通過結(jié)合深圳市長途客車實際GPS數(shù)據(jù)的案例分析，驗證了方法的準(zhǔn)確性和有效性。

【關(guān)鍵詞】 信息技術(shù) 違規(guī)載客點識別 GPS軌跡分析 城市交通Detecting Illegal Pickups of Intercity Buses Based on Spatio-temporal Analysis of GPS Trajectories

HUANG Lian1，YIN Ling2，LIN Yulong1（1 Shenzhen Transportation Operation Command Center， Shenzhen 518040， China， 2 Shenzhen Institute of Advanced Technology，

Chinese Academy of Science， Shenzhen 518055， China）

Abstract：In some regions，intercity bus staffs would pick up passengers outside of the scheduled bus stations and pocket the ticket money. Such illegal act brings large potential safety risks. The alert functions offered by the current vehicle tracking systems barely can catch the illegal act. We propose an approach to automatically detecting suspected illegal pick-up locations from GPS traces， and implement the approach in a geographical information system. A case study demonstrates the effectiveness of the system with its high accuracy of detecting illegal pick-up locations， as well as its functionality to help understand illegal pick-up behavior and plan on-site investigation.

Keywords： information technology； illegal pickups detection； GPS trajectories analysis； urban traffic

一、引言

隨著城際出行需求不斷增加，長途汽車客運市場得到了持續(xù)發(fā)展。然而，長途客車在運營時，存在在規(guī)定區(qū)域外上下旅客的違規(guī)行為，帶來嚴(yán)重的安全隱患。這些違規(guī)上下客的地點稱作長途客運車站外違規(guī)載客點。傳統(tǒng)方法依靠執(zhí)法人員現(xiàn)場偵察實現(xiàn)違規(guī)載客點的調(diào)查，耗費大量人力和時間成本。

近年來國內(nèi)各級城市均建有基于GPS的長途客車監(jiān)控系統(tǒng)，可實時記錄、存儲車輛運行的位置與速度信息，但現(xiàn)有系統(tǒng)主要是通過簡單的數(shù)據(jù)對比實現(xiàn)車輛超速、偏離路線的自動報警[1-3]，無法判斷沿規(guī)劃路線的短時站外載客行為。同時，主流的GPS軌跡數(shù)據(jù)挖掘研究集中在交通擁堵狀態(tài)的識別[4]、出租車駕駛行為分析[5]、個人出行模式分析[6-7]等領(lǐng)域，在長途客車的站外違規(guī)載客點識別方面存在空白。

本文通過深入分析長途客車在深圳運營的GPS軌跡和特征，提出了一種長途客運車站外違規(guī)載客點的自動識別算法，建立了可視化系統(tǒng)GIS-TP，可為行業(yè)主管部門執(zhí)法提供數(shù)字化參考依據(jù)。

二、系統(tǒng)總體框架

GIS-TP的基礎(chǔ)數(shù)據(jù)源是含有ID、經(jīng)度、維度、瞬時速度和時間戳5個屬性的GPS數(shù)據(jù)。如圖1所示，系統(tǒng)由前后端兩部分的6個子模塊構(gòu)成：

數(shù)據(jù)預(yù)處理模塊：錯誤及異常數(shù)據(jù)檢測及處理；

停車事件檢測模塊：識別長途客車的全部停車事件，每個停車事件定義為連續(xù)多個GPS點的速度為0，考慮到GPS定位誤差，取這多個GPS點的平均經(jīng)緯度為停車事件的地理位置、第一個點和最后一個點的時間差為停車時長，通過設(shè)定時長閾值Tstop篩選候選疑似違規(guī)停車點；

違規(guī)載客地點識別模塊：基于停車事件的時空特征自動識別疑似違規(guī)載客點；

云計算平臺：基于多節(jié)點Hadoop集群支持海量GPS數(shù)據(jù)處理與分析；

GIS（地理信息系統(tǒng)）引擎：提供空間分析功能，支撐違規(guī)載客點識別算法實現(xiàn)；

GIS服務(wù)：提供系統(tǒng)結(jié)果、地圖的前端可視化服務(wù)。

三、長途客車站外違規(guī)載客點識別算法

從車輛的角度，違規(guī)載客點通常相對固定且違規(guī)載客事件周期性頻繁發(fā)生；從行業(yè)管理者的角度，重點需要發(fā)現(xiàn)具有一定規(guī)模的違規(guī)載客點，因此，算法的第一步是檢測出高密度的停車事件發(fā)生區(qū)域。

步驟一：高密度停車事件發(fā)生區(qū)域提取

為有效的提取出停車事件簇并確定空間簇的邊界，本文使用核密度生成停車事件的密度分布圖，將研究范圍內(nèi)的空間區(qū)域按尺度Lgrid劃分網(wǎng)格，按公式1～3計算每個網(wǎng)格的密度概率，其中，（x，y）是網(wǎng)格中心點，K（x）是二次核函數(shù)，d是網(wǎng)格邊長，h是帶寬（搜索半徑），n是邊長小于h的網(wǎng)格數(shù)。

基于停車事件的密度分布，設(shè)定密度閾值DENstop（可自定義調(diào)整）提取高密度網(wǎng)格，連接相鄰網(wǎng)格組成單個停車簇。

步驟二：疑似站外違規(guī)載客點推理

從停車事件簇中識別疑似站外違規(guī)載客點是算法核心與難點部分，基于對大量停車簇的實地觀測，本文提出了基于規(guī)則的疑似違規(guī)載客點識別方法，消除規(guī)則主要包含如下4類：（1）規(guī)劃?？奎c：用區(qū)域表示，與之相交的停車簇視為正常?？奎c；（2）信號燈?？奎c：每個信號燈用空間點表示，當(dāng)停車簇與信號燈的最小空間距離低于閾值DIStraffic時，視為正常?？奎c；（3）交通擁堵?？奎c：由交通擁堵造成的停車簇呈現(xiàn)帶狀形態(tài)，當(dāng)停車簇為帶狀且平均行駛速度小于速度閾值Vtraffic時，視為正常?？奎c，其中停車簇的幾何形態(tài)由形態(tài)指數(shù)SI[8]判定。（4）其他合法停靠點：包括收費站、維修店、車輛保養(yǎng)店等，每個合法?？奎c用區(qū)域表示，與之相交的停車簇視為正常停靠點。

按照以上規(guī)則完成推理后，剩下的停車簇定義為疑似站外違規(guī)載客點。

步驟三：評估疑似等級及特征

算法定義了三層級的站外違規(guī)載客可疑度，常見高頻違規(guī)載客事件發(fā)生地標(biāo)（包括長途車站、地鐵站、停車場、旅行社等）附近的疑似違規(guī)載客點具有高可疑度，同一車輛頻繁重復(fù)出現(xiàn)的點具有中可疑度，其他點定義為低可疑度。

為了提供更全面、有效的參考，GIS-TP基于海量歷史軌跡信息挖掘各疑似違規(guī)載客點的高可疑時段和高可疑車牌：假定違規(guī)載客事件服從泊松分布，則單位時段至少發(fā)生1次違規(guī)載客事件的概率可公式5計算，其中λ是單位時段事件的平均發(fā)生次數(shù)；在具體應(yīng)用中可通過調(diào)節(jié)單位時段概率閾值和發(fā)生次數(shù)閾值定義高可疑時段和高可疑車牌。

四、結(jié)果分析

4.1違規(guī)載客點識別結(jié)果總體情況

本研究通過深圳市2000輛長途客車6個月的實際GPS數(shù)據(jù)驗證GIS-TP和提出算法的準(zhǔn)確性和可用性。結(jié)合深圳市實際情況，對算法中的相關(guān)參數(shù)設(shè)定如下（可隨場景的變化而調(diào)整）：Tstop=30分鐘；Lgrid=10 米；DENstop=0.005/ m2；DIStraffic=30 米；Vtraffic=10 公里/小時。如表1所示，從海量停車事件中，平均每月識別出198個疑似站外違規(guī)載客點，其中高可疑、中可疑、低可疑的比例為5.5：14.3：1；約50%的疑似站外違規(guī)載客點重復(fù)出現(xiàn)，符合違規(guī)載客點相對固定且違規(guī)載客事件周期性頻繁發(fā)生的認(rèn)知特征。

如圖2所示，疑似站外違規(guī)載客點在公交站附近分布得最多，其次是地鐵站、加油站、停車場和旅行社；73%的疑似站外違規(guī)停車點的平均停車時長小于5分鐘，與“車輛快速載客離場”的實際觀測經(jīng)驗一致；各疑似站外違規(guī)載客點的高可疑時段具有8：00-12：00和18：00-20：00兩個較為明顯的時段峰值區(qū)間。

4.2疑似違規(guī)載客點典型實例

圖3為系統(tǒng)識別出的某地鐵站附近的疑似違規(guī)載客區(qū)域的實景圖和高可疑時段分布圖，該區(qū)域平均每月發(fā)生130起疑似違規(guī)載客事件，高可疑時段為9：00-10：00（發(fā)現(xiàn)違規(guī)載客事件的概率為50%），其中有3個車牌高頻出現(xiàn)，對應(yīng)每月各10起以上的違規(guī)載客事件。

4.3實地調(diào)查驗證情況

本研究從系統(tǒng)識別出的各類疑似違規(guī)載客點中隨機抽樣選取8個進行了實地調(diào)查，包括停車場、加油站、公交站等，其中高可疑區(qū)域4個，中可疑區(qū)域4個，實地調(diào)查高可疑時段1個小時的觀測情況，若發(fā)生載客事件則確認(rèn)系統(tǒng)識別結(jié)果?？傮w調(diào)查情況如表2所示，8個疑似站外違規(guī)載客點中，有6個被確定，剩余2個在調(diào)查期間未發(fā)現(xiàn)違規(guī)載客現(xiàn)象，無法確定。抽樣調(diào)研結(jié)果表明GIS-TP識別出的可疑停車區(qū)域準(zhǔn)確度較高。

五、結(jié)語

本文基于車輛GPS軌跡分析，提出了一種自動識別長途客車站外違規(guī)載客點的算法，并開發(fā)了可視化系統(tǒng)GISTP，結(jié)合深圳市實際數(shù)據(jù)的案例分析表明算法的識別結(jié)果有較好的準(zhǔn)確性、系統(tǒng)功能有較高的可用性。在后續(xù)工作中，可通過深入調(diào)查違規(guī)載客行為特征、擴展數(shù)據(jù)樣本、提升精度，并接入實時動態(tài)GPS數(shù)據(jù)，實現(xiàn)長途客車站外違規(guī)載客事件的實時監(jiān)測與預(yù)警。

參 考 文 獻

[1]Fleischer， P. B； Nelson A.Y， Sowah R.A， Bremang A. Design and development of GPS/GSM based vehicle tracking and alert system for commercial inter-city buses. 2012 IEEE 4th International Conference on Adaptive Science & Technology （ICAST）， 1-6

[2] Cristian E. Cortés， Jaime Gibson， Antonio Gschwender， Marcela Munizaga， Mauricio Zú？iga， Commercial bus speed diagnosis based on GPS-monitored data， Transportation Research Part C： Emerging Technologies， Volume 19， Issue 4， August 2011， Pages 695-707

[3] Bar？？？im？ek， FatmaPakdil， BernaDengiz， Murat Caner Testik， Driver performance appraisal using GPS terminal measurements： A conceptual framework， Transportation Research Part C： Emerging Technologies， Volume 26， January 2013， Pages 49-60

[4] Zicheng Liao； Yizhou Yu； Baoquan Chen， "Anomaly detection in GPS data based on visual analytics，" Visual Analytics Science and Technology （VAST）， 2010 IEEE Symposium on ， vol.， no.， pp.51，58， 25-26 Oct. 2010

[5] Daqing Zhang， Nan Li， Zhi-Hua Zhou， Chao Chen， Lin Sun， Shijian Li， iBAT： Detecting Anomalous Taxi Trajectories from GPS Traces. Proceedings of the 13th ACM International Conference on Ubiquitous Computing （UbiComp11）， Beijing， 2011.99-108

[6] Quannan Li， Yu Zheng， Xing Xie， Yukun Chen， Wenyu Liu， Wei-Ying Ma. Mining user similarity based on location history. In proceeding of： 16th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems， ACM-GIS 2008， November 5-7， 2008， Irvine， California， USA，

[7] Jing Yuan， Yu Zheng， Liuhang Zhang， Xing Xie， and Guangzhong Sun. Where to Find My Next Passenger？ In proceeding of： UbiComp 2011： Ubiquitous Computing， 13th International Conference， UbiComp 2011， Beijing， China， September 17-21， 2011，109-118.

[8] Forman R T T and Gordon M. Landscape Ecology. New York： John Wiley and Sons. 1986.