周 勍，秦 昆,2*，陳 一 祥，李 志 鑫

(1.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079;2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079;3.南京郵電大學(xué)地理與生物信息學(xué)院，江蘇 南京 210023)

基于數(shù)據(jù)場的出租車軌跡熱點(diǎn)區(qū)域探測方法

周 勍1，秦 昆1,2*，陳 一 祥3，李 志 鑫1

(1.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079;2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079;3.南京郵電大學(xué)地理與生物信息學(xué)院，江蘇 南京 210023)

利用空間聚集模式探測方法可以從出租車軌跡中挖掘城市熱點(diǎn)區(qū)域，從而為城市規(guī)劃和交通管理提供支持。數(shù)據(jù)場借鑒物理學(xué)中場的理論，通過定量化計算數(shù)據(jù)對象間的相互作用，可分析空間數(shù)據(jù)的聚集模式。針對軌跡數(shù)據(jù)的特點(diǎn)，該文提出了一種利用數(shù)據(jù)場勢值閾值法探測軌跡點(diǎn)的聚集模式，從而提取城市熱點(diǎn)區(qū)域的方法。該方法首先在軌跡空間上劃分網(wǎng)格，將軌跡點(diǎn)映射在網(wǎng)格中，并利用數(shù)據(jù)場勢函數(shù)計算各網(wǎng)格單元的勢值，然后利用單一閾值或多閾值分割法提取城市熱點(diǎn)區(qū)域。以武漢市的出租車軌跡為例進(jìn)行實(shí)驗(yàn)，利用單峰直方圖閾值法進(jìn)行高勢值區(qū)域篩選，得到軌跡聚集區(qū)域，從而提取城市熱點(diǎn)區(qū)域。且通過武漢市節(jié)假日與非節(jié)假日多時段的提取結(jié)果的對比分析，得到城市熱點(diǎn)區(qū)域的時空分布模式。進(jìn)一步研究將該文方法擴(kuò)展到時空聚集模式探測，以多角度分析城市熱點(diǎn)的時空動態(tài)變化。

出租車軌跡；空間聚集模式；數(shù)據(jù)場；閾值法；城市熱點(diǎn)探測

0 引言

不斷積累的出租車軌跡構(gòu)成了蘊(yùn)含人們出行模式和城市熱點(diǎn)等信息的地理時空大數(shù)據(jù)。通過對軌跡數(shù)據(jù)進(jìn)行時空挖掘，可以分析居民出行的移動時空特征，同時識別熱點(diǎn)路徑和區(qū)域[1],從而為城市道路交通規(guī)劃和公共出行服務(wù)等方面提供輔助支持。

城市熱點(diǎn)是指城市中居民出入次數(shù)較多、交通流量較大的區(qū)域，是人們密集出行的體現(xiàn)[2,3]。利用空間聚集模式探測方法從軌跡數(shù)據(jù)中提取城市熱點(diǎn)區(qū)域已成為研究熱點(diǎn)。目前，進(jìn)行熱點(diǎn)探測的方法主要有以G統(tǒng)計量方法為代表的局部空間自相關(guān)統(tǒng)計量方法[2,3]和空間掃描統(tǒng)計法[4-6]。其中，局部空間自相關(guān)統(tǒng)計量能揭示空間單元與其相鄰近的空間單元屬性特征值之間的相似性或相關(guān)性，可用于識別不同空間位置上可能存在的不同空間聚集模式?？臻g掃描統(tǒng)計采用移動窗口法，在研究區(qū)域內(nèi)建立活動圓形窗口對數(shù)據(jù)進(jìn)行掃描統(tǒng)計，通過所有位置在所有大小窗口中的最大對數(shù)似然比值探測最有可能存在聚集性的區(qū)域。但上述方法操作不夠靈活，對于數(shù)據(jù)量大的軌跡數(shù)據(jù)的計算效率不夠高，且對數(shù)據(jù)分析結(jié)果的空間可視化輔助手段不夠直觀。

受物理學(xué)中萬有引力的啟發(fā)，類比質(zhì)點(diǎn)之間相互吸引的理論，數(shù)據(jù)場理論在數(shù)據(jù)空間中構(gòu)造一個球形對稱的虛擬引力，位于其中的每個數(shù)據(jù)對象視為具有一定質(zhì)量的粒子，且受到其他對象的聯(lián)合作用[7]。數(shù)據(jù)場理論已逐漸應(yīng)用于相關(guān)領(lǐng)域，如圖像分割[8-10]、人臉識別[11]和土地定級[12,13]等。將數(shù)據(jù)場應(yīng)用在軌跡數(shù)據(jù)提取熱點(diǎn)的分析中，既可發(fā)現(xiàn)任意形狀的聚集類簇，也可區(qū)分各聚集類簇所代表的熱點(diǎn)區(qū)域的熱度差別。趙鵬祥和秦昆等將數(shù)據(jù)場與決策圖理論相結(jié)合，并基于出租車上下車點(diǎn)進(jìn)行了城市熱點(diǎn)區(qū)域識別[14,15]。但決策圖理論方法將每個軌跡點(diǎn)視為計算對象，其計算效率對于數(shù)據(jù)量大的軌跡數(shù)據(jù)集較低。本文將數(shù)據(jù)場與閾值法和網(wǎng)格法相結(jié)合，提出了一種軌跡數(shù)據(jù)集聚區(qū)域探測方法。該方法在出租車軌跡中劃分網(wǎng)格，并將軌跡點(diǎn)映射至各網(wǎng)格單元中。以網(wǎng)格單元為數(shù)據(jù)對象構(gòu)造數(shù)據(jù)場空間，視網(wǎng)格單元為計算對象，以此降低計算成本，提高計算效率。再采用閾值分割法，對利用勢函數(shù)計算后的網(wǎng)格勢值進(jìn)行篩選，提取出高勢值網(wǎng)格所覆蓋的區(qū)域，從而探測出武漢市的城市熱點(diǎn)區(qū)域，并分析其時空分布特征。

1 基本原理與方法

李德毅于2002年將場的概念引入數(shù)據(jù)挖掘領(lǐng)域，提出了數(shù)據(jù)場理論,這是一種利用物質(zhì)粒子間的相互作用及其場描述方法刻畫抽象數(shù)域空間的理論[16]。類似物理場的矢量強(qiáng)度函數(shù)和標(biāo)量勢函數(shù)描述，數(shù)據(jù)場理論引入勢函數(shù)形式化描述數(shù)據(jù)間多對一的作用關(guān)系。物理場中的等勢線或等勢面也被引入數(shù)據(jù)場勢值的可視化中，即通過對勢值結(jié)果構(gòu)造勢表面以描述數(shù)據(jù)的分布[17]。

1.1 數(shù)據(jù)場主要理論

(1)數(shù)據(jù)對象輻射鄰域。對于數(shù)據(jù)對象p∈D的輻射鄰域NR(Pi)定義為以p為核心、R為輻射半徑的球體區(qū)域，如式(1)所示：

NR(p) = {p∈D|dist(p,q)≤R}

(1)

式中：D為數(shù)據(jù)集；dist(p,q)表示D中點(diǎn)p和q之間的距離。其中輻射半徑R定義為：

(2)

(2)勢函數(shù)。數(shù)據(jù)場中各對象間的影響關(guān)系可由勢函數(shù)得到的勢值來量化。給定空間Ω，勢函數(shù)需要滿足以下條件[8]：1)φ(x)是其定義域空間上的連續(xù)、光滑的有限函數(shù)，這個條件主要使得勢函數(shù)連續(xù)可導(dǎo)；2)φ(x)具有各同向性；3)φ(x)是對象O到場點(diǎn)x的距離的單值遞減函數(shù)，距離為0時，φ(x)達(dá)到最大值，距離趨于無窮大時，φ(x)→0。

數(shù)據(jù)場將勢值計算定義如下：已知空間Ω中任意一個數(shù)據(jù)對象y，其鄰域內(nèi)包含n個數(shù)據(jù)對象X={x1,x2,…,xn}，任一數(shù)據(jù)對象x對數(shù)據(jù)點(diǎn)y的輻射影響如式(3)所示；數(shù)據(jù)對象y的勢值即y受到鄰域內(nèi)所有數(shù)據(jù)對象的影響總和，如式(4)所示。

(3)

(4)

式中：m表示數(shù)據(jù)對象x的質(zhì)量，本文軌跡點(diǎn)的質(zhì)量視為1，網(wǎng)格單元質(zhì)量視為網(wǎng)格內(nèi)所含軌跡點(diǎn)的質(zhì)量總和;‖x-y‖表示點(diǎn)x與y之間的距離;影響因子σ∈(0,+∞)，其含義與最優(yōu)解中的σ一致;k∈N，為距離指數(shù)，本文中k值選為2。

(3)勢熵法確定最優(yōu)σ。對于σ因子的確定，李德毅等[16]提出了一種利用勢熵來確定最優(yōu)解的方法，通過計算勢熵來衡量勢場分布的合理性，最終選取勢熵最小的σ作為最優(yōu)的影響因子。勢熵H的計算如式(5)所示：

(5)

1.2 軌跡點(diǎn)聚集模式探測方法

出租車軌跡數(shù)據(jù)中涵蓋著乘客的出行目的和移動模式。若某區(qū)域聚集的軌跡點(diǎn)越多，說明該區(qū)域?qū)Τ丝偷摹拔Α痹酱?，且其相鄰一定范圍?nèi)的區(qū)域也會聚集著較多的乘客。這種區(qū)域?qū)壽E點(diǎn)的影響以及區(qū)域之間相互影響的現(xiàn)象符合數(shù)據(jù)場中數(shù)據(jù)質(zhì)點(diǎn)相互“吸引”的假設(shè)理論，因此可用數(shù)據(jù)場中的勢函數(shù)來量化這種影響。若某區(qū)域具有較高勢值，便表明該區(qū)域聚集了較多的軌跡點(diǎn)，則可視為城市熱點(diǎn)區(qū)域。

因此，本文利用網(wǎng)格劃分法將軌跡數(shù)據(jù)進(jìn)行區(qū)域單元劃分，然后基于數(shù)據(jù)場理論，提出了一種探測軌跡點(diǎn)聚集區(qū)域的方法。該方法定義了一個由n個軌跡點(diǎn)對象構(gòu)成的軌跡數(shù)據(jù)空間P={p1,p2,…,pn}，一個由l個類組成的類簇C=(c1,c2,…,cl)。

算法的具體描述如下：

輸入：數(shù)據(jù)集P={p1,p2,…,pn}。

輸出：熱點(diǎn)區(qū)域集合c1和非熱點(diǎn)區(qū)域集合c2，以及熱點(diǎn)區(qū)域個數(shù)NumHotspots和非熱點(diǎn)區(qū)域個數(shù)NumNonhot。

步驟1：劃分網(wǎng)格。以500 m×500 m為單元間隔，在軌跡數(shù)據(jù)空間上得到由s個網(wǎng)格單元構(gòu)成的空間網(wǎng)格集合N=(N1,N2,…,Ns)。

步驟2：計算網(wǎng)格質(zhì)量和質(zhì)心。網(wǎng)格的質(zhì)量可表明網(wǎng)格所在的區(qū)域單元對軌跡點(diǎn)的吸引力。假設(shè)落在網(wǎng)格單元Ni內(nèi)的k個軌跡點(diǎn)集合為PNi={PNi1,PNi2,…,PNij,…,PNik}，則該網(wǎng)格單元的質(zhì)量MNi如式(6)所示。

(6)

式中:mPNij為網(wǎng)格Ni內(nèi)的軌跡點(diǎn)PNij的質(zhì)量。根據(jù)網(wǎng)格內(nèi)的軌跡點(diǎn)，計算網(wǎng)格單元Ni的質(zhì)心(XNi,YNi),如式(7)和式(8)所示。

(7)

(8)

步驟3：按式(2)篩選輻射范圍涵蓋Ni的網(wǎng)格點(diǎn)集合Qi。

步驟4：求解最優(yōu)σ。首先任意選取幾組σ，根據(jù)Qi，分別計算各σ下各網(wǎng)格單元Ni的勢值。然后根據(jù)式(5)計算勢熵，最后以勢熵最小原則獲取優(yōu)化的影響因子。

步驟5：根據(jù)最優(yōu)σ計算各網(wǎng)格單元勢值。

步驟6：通過閾值分割熱點(diǎn)。Rosin提出一種基于單峰直方圖選取閾值的方法[18],即假設(shè)在直方圖的低值區(qū)域會有一個明顯的單峰。本文將該方法應(yīng)用于勢值頻數(shù)直方圖中(圖1)。首先根據(jù)步驟5計算出的勢值繪制頻數(shù)直方圖，并將頻數(shù)峰值點(diǎn)與直方圖最右最低點(diǎn)連成直線；然后求取各直方圖頂點(diǎn)到該直線的距離。最后，根據(jù)最短距離所在的點(diǎn)確定閾值T。

圖1 勢值頻數(shù)單峰直方圖

除了上述自動計算單一閾值外，還可根據(jù)多段閾值分割方法對熱點(diǎn)程度進(jìn)行分級，如等間隔劃分法(Equal Interval)、分位數(shù)分類法(Quantile)、標(biāo)準(zhǔn)差分類(Standard Deviation)和自然斷點(diǎn)分類(Natural Breaks)等方法。

步驟7：根據(jù)步驟6計算出的閾值T，將軌跡網(wǎng)格分為兩類，即熱點(diǎn)和非熱點(diǎn)。若采用多閾值分割法，則將軌跡網(wǎng)格分為多級熱點(diǎn)區(qū)域和非熱點(diǎn)區(qū)域。依次對每個網(wǎng)格點(diǎn)進(jìn)行判定，若某網(wǎng)格點(diǎn)勢值φ(Ni)>T，則該網(wǎng)格所涵蓋的軌跡點(diǎn)為熱點(diǎn)，并將該點(diǎn)加入到相應(yīng)的熱點(diǎn)集合中；反之，該數(shù)據(jù)點(diǎn)為非熱點(diǎn)，將其加入非熱點(diǎn)集合中。

步驟8：輸出探測結(jié)果數(shù)據(jù)集并結(jié)束。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文選擇武漢市2014年5月1日、7日和10日約2 500輛出租車的軌跡數(shù)據(jù)，分別代表節(jié)假日、工作日和周末3種狀態(tài)下的軌跡。其中，針對每天的數(shù)據(jù)選取8:00-9:00、12:00-13:00、18:00-19:00和23:00-0:00 4個時段進(jìn)行分析，每個時段約含50多萬個軌跡點(diǎn)。

首先提取乘客上下車點(diǎn)。將車輛原始軌跡數(shù)據(jù)按照車輛ID和時間排序，“重車”和“空車”狀態(tài)改變的軌跡點(diǎn)即為上下車點(diǎn)。其中，從“空車”狀態(tài)變?yōu)椤爸剀嚒睜顟B(tài)的點(diǎn)為上車點(diǎn)，反之為下車點(diǎn)。本文對上述各個時段的數(shù)據(jù)進(jìn)行上下車點(diǎn)提取，每個時段包含30 000多個上下車點(diǎn)。由于武漢市面積較大，分布在郊區(qū)的上下車點(diǎn)數(shù)據(jù)較少，所以本文主要選取武漢市三環(huán)內(nèi)的上下車點(diǎn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。在上下車點(diǎn)數(shù)據(jù)空間中劃分500 m×500 m大小的網(wǎng)格單元，約得到3 000多個網(wǎng)格單元(圖2a)，其中，包含軌跡點(diǎn)的網(wǎng)格約1 500個(圖2b)。

圖2 網(wǎng)格劃分示意

2.2 算法的實(shí)驗(yàn)比較

如圖3所示，本文以2014年5月1日8:00武漢市三環(huán)內(nèi)的出租車軌跡數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，分別利用基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法和Getis-Ord G算法進(jìn)行比較實(shí)驗(yàn)，以驗(yàn)證數(shù)據(jù)場方法的有效性。對于Getis-Ord G統(tǒng)計量的計算，本文將軌跡網(wǎng)格中各網(wǎng)格單元內(nèi)的上下車點(diǎn)數(shù)量作為屬性觀察值，分析乘客上下車行為的高發(fā)區(qū)域，即城市熱點(diǎn)區(qū)域。兩種算法提取結(jié)果如圖4(彩圖見封3)所示。

圖3 實(shí)驗(yàn)數(shù)據(jù)

如圖4a所示，Getis-Ord G統(tǒng)計量可識別高值的空間聚集(熱點(diǎn)區(qū))和低值的空間聚集(冷點(diǎn)區(qū))。對于基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法，首先對軌跡網(wǎng)格數(shù)據(jù)進(jìn)行勢值計算，再利用等勢線將計算結(jié)果可視化，以輔助熱點(diǎn)區(qū)域的初步分析。如圖4b所示，通過等勢線直觀的疏密情況可初步得到漢口區(qū)域和武昌火車站附近的熱點(diǎn)區(qū)域。該結(jié)果與Getis-Ord G統(tǒng)計量方法得到的熱點(diǎn)區(qū)域基本相符。

圖4 聚集區(qū)域探測結(jié)果對比

但是Getis-Ord G統(tǒng)計量的熱點(diǎn)區(qū)域探測結(jié)果范圍過大，不夠具體和直觀，而由于可以對勢值進(jìn)行分析，因此基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法對熱點(diǎn)區(qū)域的分析更加靈活(圖5,彩圖見封3)。如圖5a所示，數(shù)據(jù)場方法既可以通過自動計算單一閾值一次性得到勢值的高值聚集區(qū)和低值聚集區(qū)，又可以通過多閾值設(shè)置，分割出不同熱點(diǎn)程度的熱點(diǎn)區(qū)域。圖5b所示結(jié)果是利用考慮了數(shù)據(jù)分布統(tǒng)計特征的自然段點(diǎn)(Natural Breaks)方法進(jìn)行的閾值劃分，從而得到4個級別的熱點(diǎn)區(qū)域，其中一級熱點(diǎn)區(qū)域?yàn)檐壽E點(diǎn)最聚集的區(qū)域。此外，數(shù)據(jù)場勢值閾值分割后得到的熱點(diǎn)區(qū)域更為具體。可將熱點(diǎn)圖層與OpenStreetMap圖層疊加，將圖5b中的一級區(qū)域放大得到圖5c和圖5d，可知5月1日8:00的一級熱點(diǎn)網(wǎng)格所覆蓋的區(qū)域正是漢口火車站和武昌火車站及其周邊區(qū)域。因此，數(shù)據(jù)場閾值法對于從軌跡數(shù)據(jù)中挖掘城市熱點(diǎn)既有適用性，也有更靈活、更直觀的優(yōu)勢。

圖5 基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法

2.3 武漢市熱點(diǎn)區(qū)域時空分析

利用基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法對武漢市2014年5月1日、7日和10日的軌跡數(shù)據(jù)按時段進(jìn)行聚集分析，選用單峰閾值法設(shè)定單一閾值提取熱點(diǎn)區(qū)域，并將提取結(jié)果與OpenStreetMap帶POI數(shù)據(jù)的底圖疊加，以更好地分析熱點(diǎn)網(wǎng)格所覆蓋的城市區(qū)域。早、晚高峰時段熱點(diǎn)分布如圖6、圖7所示(彩圖見封3),圖中紅色區(qū)域即為勢值高的熱點(diǎn)區(qū)域，綠色區(qū)域?yàn)榉菬狳c(diǎn)區(qū)域。

為了更好地分析武漢市熱點(diǎn)區(qū)域的時空分布特點(diǎn)，本文根據(jù)武漢市城市功能區(qū)域特征，將熱點(diǎn)區(qū)域類型劃分為車站、休閑娛樂中心、住宅區(qū)、醫(yī)院、景點(diǎn)區(qū)和寫字樓辦公區(qū)域6類。從圖6可見，早上(8:00-9:00)的城市熱點(diǎn)區(qū)域主要分布在武漢市萬松街青松社區(qū)和友誼社區(qū)等大型住宅區(qū)和武漢市第一醫(yī)院等大型醫(yī)院附近；在工作日，該時段內(nèi)分布在寫字樓辦公區(qū)的上下車點(diǎn)較多；在節(jié)假日，該時段的熱點(diǎn)區(qū)域還會分布在武昌火車站和漢口火車站。

中午(12:00-13:00)的城市熱點(diǎn)區(qū)域(圖略)在住宅區(qū)分布相對較少，而主要分布在武漢市光谷步行街和武漢國際廣場等集餐飲、購物、娛樂一體的大型商業(yè)休閑中心附近。在節(jié)假日和周末，市民出游導(dǎo)致中午時段的熱點(diǎn)區(qū)域分布在戶部巷、黃鶴樓等景點(diǎn)區(qū)附近。在工作日，景點(diǎn)區(qū)附近的上下車點(diǎn)較少，除了商業(yè)休閑中心之外，寫字樓辦公區(qū)附近會成為熱點(diǎn)。

從圖7可見，傍晚(18:00-19:00)的城市熱點(diǎn)區(qū)域主要分布在住宅區(qū)、寫字樓辦公區(qū)和休閑娛樂中心。因?yàn)樵诠?jié)假日時，該時段是市民就餐逛街的黃金時段，而在工作日時，該時段是市民下班返家高峰期。晚上(23:00-24:00)的熱點(diǎn)區(qū)域(圖略)主要分布在住宅區(qū)以及部分休閑娛樂中心，而醫(yī)院等區(qū)域相對較少。在這個時段內(nèi)，只有酒吧等部分休閑娛樂場所在營業(yè)，結(jié)束夜生活的市民會在這些娛樂中心附近打車。在工作日，加夜班導(dǎo)致部分寫字樓辦公區(qū)域也會在該時段出現(xiàn)熱度不高的熱點(diǎn)區(qū)域。

圖6 武漢市8:00熱點(diǎn)區(qū)域?qū)ｎ}圖

圖7 武漢市18:00熱點(diǎn)區(qū)域?qū)ｎ}圖

綜上可見，武漢市熱點(diǎn)區(qū)域中，既有隨著時間變化分布的熱點(diǎn)區(qū)域，也有持續(xù)型熱點(diǎn)區(qū)域。變化型熱點(diǎn)區(qū)域有辦公區(qū)和大型醫(yī)院所在處，該熱點(diǎn)區(qū)域在工作日熱點(diǎn)數(shù)量會顯著增多,在節(jié)假日相對較少。這與辦公區(qū)一般只在工作日開放以及醫(yī)院部分科室節(jié)假日不上班等社會普遍現(xiàn)象相符。此外，戶部巷和司門口等景點(diǎn)區(qū)域和休閑娛樂區(qū)域也是變化型熱點(diǎn)區(qū)域，在節(jié)假日的熱點(diǎn)數(shù)量會比工作日多，這與市民多選擇在節(jié)假日和周末出游的現(xiàn)象相符。而武漢市的持續(xù)型熱點(diǎn)區(qū)域有大型社區(qū)聚集地和火車站區(qū)域。作為居住場所，社區(qū)是市民出發(fā)和返回的日常選擇點(diǎn)，常為熱點(diǎn)區(qū)域。武漢市作為全國交通樞紐，火車站客流量位于全國前列，因而火車站附近也為持續(xù)型熱點(diǎn)區(qū)域。

3 結(jié)論

本文提出一種基于數(shù)據(jù)場的軌跡點(diǎn)集聚區(qū)域提取方法，結(jié)合網(wǎng)格法對軌跡數(shù)據(jù)空間進(jìn)行區(qū)域子單元劃分以提高運(yùn)算效率，對于計算出的勢值，再采用閾值法對其進(jìn)行分析。本文實(shí)驗(yàn)中選用單峰直方圖選取單一閾值，將軌跡網(wǎng)格數(shù)據(jù)分為熱點(diǎn)與非熱點(diǎn)兩類，從而探測武漢市熱點(diǎn)區(qū)域。本文方法能夠有效探測出租車軌跡數(shù)據(jù)的集聚區(qū)域，挖掘更為具體的城市熱點(diǎn)區(qū)域。通過對2014年5月1日、7日和10日3天不同時段數(shù)據(jù)提取出的熱點(diǎn)進(jìn)行對比分析，并與實(shí)地POI區(qū)域疊加，得到武漢市具有持續(xù)熱點(diǎn)的區(qū)域，如大型社區(qū)和火車站等;同時得到隨時間變化而變化的熱點(diǎn)區(qū)域，如辦公區(qū)域、大型醫(yī)院所在處以及景點(diǎn)區(qū)域。本文所使用的數(shù)據(jù)場閾值法還存在一些不足之處，如網(wǎng)格單元大小的劃分、閾值自動設(shè)定方法的多樣化等。后期將進(jìn)一步基于數(shù)據(jù)場理論研究出租車軌跡的高效聚類以及出租車軌跡數(shù)據(jù)中的停留點(diǎn)等特征點(diǎn)的聚類。

[1] 馬云飛.基于出租車軌跡點(diǎn)的居民出行熱點(diǎn)區(qū)域與時空特征研究[D].南京：南京師范大學(xué)，2014.

[2] 陳一祥,秦昆,馮霞.一種使用局部空間統(tǒng)計量的高分辨率影像顯著結(jié)構(gòu)提取方法[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014,39(5):531-535.

[3] 王培安,羅衛(wèi)華,白永平.基于空間自相關(guān)和時空掃描統(tǒng)計量的聚集比較分析[J].人文地理,2012,27(2):119-127.

[4] 馬越,李曉松,張彥利.掃描統(tǒng)計量在傳染病監(jiān)測應(yīng)用中的空間尺度選擇[J].現(xiàn)代預(yù)防醫(yī)學(xué),2011,38(9):1601-1604.

[5] 唐咸艷,仇小強(qiáng),黃天壬,等.空間掃描統(tǒng)計在廣西肝癌空間格局中的應(yīng)用研究[J].中國衛(wèi)生統(tǒng)計,2009(2):114-116.

[6] 李小洲,王勁峰.空間掃描統(tǒng)計量方法中候選聚集區(qū)域生成的快速算法[J].地球信息科學(xué)學(xué)報,2013,15(4):505-511.

[7] 淦文燕,李德毅,王建民.一種基于數(shù)據(jù)場的層次聚類方法[J].電子學(xué)報,2006,34(2):258-262.

[8] WU T,QIN K.Data field-based mechanism for three-dimensional thresholding[J].Neurocomputing,2012,97:278-296.

[9] WU T,QIN K.Image data field for homogeneous region based segmentation[J].Computers & Electrical Engineering,2012,38(2):459-470.

[10] 吳濤,秦昆.利用云模型和數(shù)據(jù)場的圖像分割方法[J].模式識別與人工智能,2012(3):397-405.

[11] 王樹良,鄒珊珊,操保華,等.利用數(shù)據(jù)場的表情臉識別方法[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2010,35(6):738-742.

[12] 韓元利,王海軍,夏文芳.基于k階數(shù)據(jù)場的城鎮(zhèn)土地定級模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2009,34(3):370-373.

[13] 劉耀林,唐旭,何建華.基于數(shù)據(jù)場的空間分析技術(shù)及其在土地定級中的應(yīng)用[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2009,34(9):1009-1013.

[14] ZHAO P X,QIN K,YE X,et al.A trajectory clustering approach based on decision graph and data field for detecting hotspots[J].International Journal of Geographical Information Science,2016(1):1-27.

[15] ZHAO P X,QIN K,ZHOU Q,et al.Detecting hotspots from taxi trajectory data using spatial cluster analysis[A].ISPRS Annals of Photogrammetry,Remote Sensing and Spatial Information Sciences[C].2015,2(4):131-135.

[16] 李德毅,劉常昱,杜鹢,等.不確定性人工智能[J].軟件學(xué)報,2004,15(11):1583-1594.

[17] 趙衛(wèi)偉.數(shù)據(jù)場聚類及其實(shí)現(xiàn)[D].南京：中國人民解放軍理工大學(xué),2003.

[18] ROSIN P L.Unimodal thresholding[J].Pattern Recognition,2001,34(11):2083-2096.

Hotspots Detection from Taxi Trajectory Data Based on Data Field Clustering

ZHOU Qing1,QIN Kun1,2,CHEN Yi-xiang3,LI Zhi-xin1

(1.SchoolofRemoteSensingandInformationEngineering,WuhanUniversity,Wuhan430079;2.CollaborativeInnovationCenterofGeospatialTechnology,WuhanUniversity,Wuhan430079;3.CollegeofGeographicandBiologicInformation,NanjingUniversityofPostandTelecommunications,Nanjing210023,China)

The taxi trajectory data contains abundant information about urban functions,city structures and citizen activities.Analyzing spatial aggregation pattern of taxi trajectory data can detect some different distributions of urban function areas like city hotspots,traffic jam areas and so on,which can support urban planning and management.Referring to the field theory from physics,data field theory analyzes spatial aggregation pattern by quantifying the interaction among data objects.This paper proposes a method to extract city hotspots area which combines the data field theory and the threshold segmentation.Firstly,the grids are divided over the trajectory space in the method,and trajectory points are mapped to each grid cell.And then,the potential value of each grid is calculated based on potential function.After that,the threshold classification method which includes the single threshold method and multiple threshold method,is used to divide the grid data into hotspots area and non-hotspots area.Based on the data field detecting method and unimodal thresholding classification method,the paper finishes the trajectory data analysis in Wuhan City and obtains the characteristics of spatio-temporal distribution of hotspots at the different times of a day during the holiday and non-holiday.Further study will focus on extending the data field theory to the spatio-temporal level,and analyzing the dynamic change of city hotspots area at multi-perspective.

taxi trajectory data;spatial aggregation pattern;data field;threshold;detection of hotspots

2016-09-02；

2016-10-23

國家自然科學(xué)基金項目(41471326)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金項目(2042015kf0183)

周勍(1991-)，女，碩士研究生，研究方向?yàn)榭臻g數(shù)據(jù)分析與挖掘。*通訊作者E-mail:qink@whu.edu.cn

10.3969/j.issn.1672-0504.2016.06.009

U491.1

A

1672-0504(2016)06-0051-06