楊 偉，艾廷華

1. 國(guó)土資源部城市土地資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518034； 2. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

?

眾源車輛軌跡加油停留行為探測(cè)與加油站點(diǎn)提取

楊 偉1,2，艾廷華1,2

1. 國(guó)土資源部城市土地資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518034； 2. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

針對(duì)當(dāng)前加油站點(diǎn)信息采集成本高、更新周期長(zhǎng)等問題，提出了運(yùn)用車輛軌跡數(shù)據(jù)提取加油站點(diǎn)的方法。首先，從軌跡運(yùn)動(dòng)特征、幾何模式等方面分析個(gè)體和群體加油行為軌跡特征。其次，基于Stop/Move模型，集成加油軌跡運(yùn)動(dòng)特征提出速度序列線性聚類算法提取加油停留軌跡。最后，運(yùn)用Delaunay三角網(wǎng)層次聚類加油停留軌跡線，綜合運(yùn)用傅里葉形狀識(shí)別、語(yǔ)義約束等方法識(shí)別、提取加油站點(diǎn)。運(yùn)用北京市7 d的出租車軌跡數(shù)據(jù)進(jìn)行試驗(yàn)分析，共提取482個(gè)加油站，正確率為93.1%，且位置精度高。

車輛軌跡；加油站；加油行為；Stop/Move模型；語(yǔ)義增強(qiáng)

隨著城鄉(xiāng)道路建設(shè)的快速發(fā)展，道路基礎(chǔ)設(shè)施(如加油站、停車場(chǎng)等)新建、拆建頻繁，導(dǎo)致交通基礎(chǔ)地理數(shù)據(jù)更新滯后、完整度低。目前，包括加油站、停車場(chǎng)在內(nèi)的交通基礎(chǔ)設(shè)施POI點(diǎn)主要依靠人工調(diào)繪、專業(yè)測(cè)量采集。但傳統(tǒng)方法成本高、更新周期長(zhǎng)，難以滿足實(shí)際應(yīng)用需求[1]。眾源志愿者地理信息(VGI)[2]與傳統(tǒng)地理數(shù)據(jù)采集和更新方式相比，具有數(shù)據(jù)量大、現(xiàn)勢(shì)性高、內(nèi)容豐富、成本低廉等優(yōu)勢(shì)[3]。車輛軌跡作為VGI數(shù)據(jù)的典型代表，蘊(yùn)含了豐富的道路交通信息，是道路空間數(shù)據(jù)快速采集、更新的重要途徑。

當(dāng)前，眾源軌跡數(shù)據(jù)已成為數(shù)據(jù)挖掘[4]、人類行為分析[5]、空間數(shù)據(jù)采集與更新[6-7]等領(lǐng)域研究的焦點(diǎn)。運(yùn)用車輛軌跡提取、更新空間數(shù)據(jù)多集中于道路線[8]、面幾何數(shù)據(jù)[9]，對(duì)于道路基礎(chǔ)設(shè)施點(diǎn)數(shù)據(jù)與語(yǔ)義信息提取研究較少。如文獻(xiàn)[1]運(yùn)用DBSCAN聚類算法從車輛軌跡點(diǎn)集中提取停車場(chǎng)位置；文獻(xiàn)[10]利用k-mean算法聚類步行軌跡提取地下通道。上述方法針對(duì)高精度軌跡，難以處理眾源軌跡中的稀疏采樣、GPS噪音及丟失等問題。文獻(xiàn)[11]通過分析加油軌跡特征對(duì)加油行為建模，并融合路網(wǎng)數(shù)據(jù)分析加油站空間分布。文獻(xiàn)[12—13]將軌跡數(shù)據(jù)與POI、路網(wǎng)數(shù)據(jù)相結(jié)合分析加油行為并估算能源消耗。以上研究將軌跡數(shù)據(jù)與其他空間數(shù)據(jù)集成挖掘，無(wú)法直接從軌跡數(shù)據(jù)中提取加油站點(diǎn)信息。加油站點(diǎn)信息提取的本質(zhì)是提取軌跡停留，運(yùn)用軌跡運(yùn)動(dòng)特征、幾何模式及地理語(yǔ)義知識(shí)對(duì)停留區(qū)域進(jìn)行語(yǔ)義識(shí)別與語(yǔ)義增強(qiáng)。文獻(xiàn)[14—15]提出Stop/Move模型及SMoT算法提取軌跡停留，對(duì)軌跡數(shù)據(jù)進(jìn)行語(yǔ)義建模。文獻(xiàn)[16—17]基于Stop/Move模型，顧及速度、距離、方向等參數(shù)提出CB_SMoT[16]、DB-SMoT[17]算法提取軌跡停留。眾源車輛軌跡采樣稀疏(10～120 s)，已有聚類算法多從采樣密集(1～5 s)的軌跡中提取停留點(diǎn)，難以探測(cè)眾源車輛軌跡中的加油停留行為。車輛在加油過程中只留下少量停留軌跡點(diǎn)，且軌跡點(diǎn)丟失、漂移問題突出，使得現(xiàn)有方法不能直接從車輛個(gè)體軌跡中提取加油停留軌跡并成為解決該問題的技術(shù)瓶頸。加油站區(qū)域建筑物遮擋，導(dǎo)致GPS點(diǎn)漂移、丟失，傳統(tǒng)算法對(duì)這些情形適應(yīng)性不強(qiáng)。針對(duì)軌跡點(diǎn)漂移、丟失問題，文獻(xiàn)[18]以軌跡序列為單元，提出SOC算法從行人軌跡中提取停留。文獻(xiàn)[19]基于Stop/Move模型，將核密度方法和停留指數(shù)圖結(jié)合可視化表達(dá)個(gè)人軌跡中的停留點(diǎn)。然而，這些研究仍多關(guān)注人類移動(dòng)行為、忽略停留期間行為的問題[5]，沒有對(duì)停留行為進(jìn)行語(yǔ)義建模及語(yǔ)義推斷。文獻(xiàn)[20]運(yùn)用時(shí)空聚類方法從個(gè)人軌跡中提取停留區(qū)域并分析停留類型。文獻(xiàn)[21]從個(gè)人活動(dòng)軌跡中提取停留區(qū)域，并對(duì)停留區(qū)域進(jìn)行場(chǎng)所語(yǔ)義識(shí)別。但這些算法不能直接用來探測(cè)加油停留行為并對(duì)車輛軌跡進(jìn)行語(yǔ)義分析。如何對(duì)車輛群體加油停留軌跡集進(jìn)行語(yǔ)義分析，并準(zhǔn)確識(shí)別、提取加油站點(diǎn)是已有研究仍未解決的問題。

綜上，運(yùn)用眾源車輛軌跡提取加油站點(diǎn)信息需解決兩個(gè)關(guān)鍵問題：①根據(jù)加油行為軌跡運(yùn)動(dòng)特征，從車輛個(gè)體軌跡中快速提取加油停留軌跡；②集成軌跡幾何模式、語(yǔ)義知識(shí)對(duì)群體加油軌跡進(jìn)行語(yǔ)義分析，快速準(zhǔn)確提取加油站點(diǎn)。因此，本文從Stop/Move模型出發(fā)，融合加油軌跡運(yùn)動(dòng)特征，提出速度序列線性聚類算法提取加油停留軌跡；集成軌跡幾何模式、語(yǔ)義屬性知識(shí)對(duì)群體加油軌跡進(jìn)行語(yǔ)義分析，綜合運(yùn)用Delaunay三角網(wǎng)、形狀識(shí)別、語(yǔ)義約束條件提取加油站點(diǎn)信息，建立適于眾源車輛軌跡的加油停留行為探測(cè)與加油站點(diǎn)信息提取方法。

1 車輛加油行為軌跡模式分析

車輛加油行為發(fā)生在加油站區(qū)域，車輛軌跡在加油站處呈現(xiàn)停留和聚集模式。加油站作為加油車輛經(jīng)過并停留的區(qū)域，其時(shí)空軌跡具有相同的運(yùn)動(dòng)特征、幾何模式。因此，本文從運(yùn)動(dòng)特征、幾何模式等方面對(duì)車輛個(gè)體、群體的加油行為軌跡特征進(jìn)行分析描述。

1.1 車輛個(gè)體加油軌跡運(yùn)動(dòng)特征分析

車輛軌跡由時(shí)空軌跡點(diǎn)序列構(gòu)成，根據(jù)運(yùn)動(dòng)狀態(tài)分為運(yùn)動(dòng)軌跡、靜止(停留)軌跡兩種，文獻(xiàn)[15]將其建模為Stop/Move模式。車輛加油行為是指車輛駛離道路—進(jìn)入加油站—停車加油—離開加油站—駛?cè)氲缆返倪^程，該過程是典型的Stop/Move模式(圖1(a)、(b))。本文定義的加油停留軌跡(Stop)包括進(jìn)入加油站、停車加油、離開加油站3部分(圖1(a)中的虛線)，這與文獻(xiàn)[11]中的加油軌跡定義不同。加油站點(diǎn)提取的核心過程包括停留軌跡(Stop)提取和停留語(yǔ)義分析。根據(jù)停留軌跡點(diǎn)與加油站點(diǎn)的位置關(guān)系，加油停留軌跡可分為5種類型，如圖1(c)所示。圖1(c)中類型A為車輛在排隊(duì)、等待加油的過程中留下大量軌跡點(diǎn)，且軌跡點(diǎn)漂移、噪音較多；類型B、C、D為車輛在加油過程中只留下少量軌跡點(diǎn)；類型E表示加油停留軌跡點(diǎn)丟失，沒有留下軌跡點(diǎn)。加油停留軌跡以類型B、C、D為主，且車輛加油停留時(shí)長(zhǎng)一般為3～15 min之間[12-13]。正常情況下，車輛不會(huì)出現(xiàn)連續(xù)的加油行為，即當(dāng)前加油與下一次加油應(yīng)相隔約為12 h[13]。

軌跡運(yùn)動(dòng)參數(shù)包括速度、方向、轉(zhuǎn)角等[22]，其中速度、方向及其變化對(duì)于停留提取與語(yǔ)義識(shí)別具有重要作用。根據(jù)軌跡點(diǎn)序列計(jì)算軌跡段平均速度，加油軌跡平均速度變化呈V字形特征，如圖1(d)所示。由于加油車輛處于原地靜止或短距離低速移動(dòng)，盡管加油軌跡停留點(diǎn)較少，但軌跡段平均速度遠(yuǎn)低于正常車速，通過平均速度閾值可將加油停留軌跡與移動(dòng)軌跡分割開。車輛加油需要轉(zhuǎn)向進(jìn)入加油站—再次轉(zhuǎn)向進(jìn)入加油通道—轉(zhuǎn)向離開加油通道—轉(zhuǎn)向進(jìn)入原有道路，共出現(xiàn)4次明顯的連續(xù)方向變化(圖1(e))，且方向變化范圍為0～90°。軌跡方向變化稱為軌跡轉(zhuǎn)向角，簡(jiǎn)稱轉(zhuǎn)角[22]，如圖1(e)所示，點(diǎn)p1的轉(zhuǎn)角為θ。由于車輛軌跡采樣稀疏，當(dāng)加油停留模式如圖1(c)中的類型C、D時(shí)，軌跡方向連續(xù)變化并不明顯，但至少有一次方向變化；當(dāng)為類型E時(shí)，則需根據(jù)方向變化次數(shù)剔除該類停留軌跡。

圖1 加油行為過程軌跡及運(yùn)動(dòng)特征分析Fig.1 Trajectory of refueling and movement parameters analysis

1.2 車輛群體加油軌跡幾何模式分析

道路與加油站點(diǎn)之間通過短距離的停車道連接[21]，加油站點(diǎn)與停車道共同組成的加油站區(qū)域呈現(xiàn)U、V形狀，故車輛群體加油軌跡也呈現(xiàn)U、V模式(圖2(a)、(b))，且每個(gè)加油站中的所有加油軌跡同向運(yùn)動(dòng)(圖1(e))。加油站之間相距較遠(yuǎn)，多呈現(xiàn)單個(gè)獨(dú)立分布模式；在交通流量較大區(qū)域也出現(xiàn)兩個(gè)加油站在道路兩旁對(duì)稱分布的成對(duì)分布模式(圖2(c))，加油站之間相距較近。由于軌跡漂移、GPS定位誤差等原因，成對(duì)分布的兩個(gè)加油站中的群體停留軌跡在空間上鄰近，需要將這些加油停留軌跡線集準(zhǔn)確區(qū)分開，以正確識(shí)別加油站。

圖2 車輛群體加油軌跡幾何模式特征Fig.2 The geometric features of collective refueling GPS traces

2 眾源車輛軌跡加油停留行為探測(cè)與加油站點(diǎn)提取方法

停留行為與加油站點(diǎn)提取方法如圖3所示，包括：①運(yùn)用VSLC算法從個(gè)體軌跡線中提取加油停留子軌跡；②綜合運(yùn)用Delaunay三角網(wǎng)、形狀識(shí)別、語(yǔ)義約束從群體加油軌跡集中提取加油站。

圖3 眾源車輛軌跡加油停留行為與加油點(diǎn)提取方法流程Fig.3 The workflow for detecting refueling behavior and extracting gas station points

2.1 速度序列線性聚類算法(VSLC)提取加油停留軌跡

算法思想：對(duì)于每一條軌跡線，以軌跡段為基本單元(軌跡段為時(shí)間上相鄰兩軌跡點(diǎn)構(gòu)成的線段，用TS表示)，根據(jù)速度閾值maxAv對(duì)軌跡段進(jìn)行stop、move狀態(tài)序列化；按照時(shí)間順序線性聚類同態(tài)軌跡段提取子軌跡，根據(jù)停留時(shí)長(zhǎng)minstop和移動(dòng)時(shí)長(zhǎng)minmove閾值再次聚類提取停留子軌跡；集成加油行為軌跡運(yùn)動(dòng)特征對(duì)停留子軌跡進(jìn)行語(yǔ)義分析，剔除非加油行為軌跡，提取車輛加油停留軌跡。并稱該算法為速度序列線

性聚類算法(velocity sequence linear clustering，VSLC)。VSLC算法步驟為：

(1) 確定速度閾值maxAv、最短停留時(shí)長(zhǎng)minstop、最短移動(dòng)時(shí)長(zhǎng)minmove。

(2) 軌跡速度序列化。輸入一條軌跡線，計(jì)算每個(gè)軌跡段平均速度TSAv，如TSAv≤maxAv，軌跡段為靜止?fàn)顟B(tài)，用s表示；反之為移動(dòng)狀態(tài)，用m表示，如圖4(b)所示。

(3) 軌跡段聚類。線性順序查找同態(tài)軌跡段，聚類生成子軌跡，如圖4(c)所示。

(4) 停留子軌跡(stop)提取。車輛停留、移動(dòng)都應(yīng)該持續(xù)一定時(shí)間，低于時(shí)長(zhǎng)閾值的子軌跡，則認(rèn)為是另一狀態(tài)的噪音，轉(zhuǎn)化為另一狀態(tài)，并與同態(tài)子軌跡再次聚類。如圖4中A處移動(dòng)時(shí)長(zhǎng)小于minmove，則A處軌跡段move狀態(tài)應(yīng)轉(zhuǎn)為stop，并與其前后相鄰的同狀態(tài)子軌跡再次聚類。如圖4(d)所示，再次聚類共提取了兩條停留軌跡。

(5) 加油停留軌跡提取。對(duì)上一步提取的每條停留軌跡，計(jì)算軌跡速度變化、停留時(shí)長(zhǎng)、方向變化及變化次數(shù)；如果停留軌跡的速度變化符合V字形特征、方向變化范圍為0～90°且變化次數(shù)大于等于一次、停留時(shí)長(zhǎng)為3～15 min，則輸出該停留軌跡為加油停留軌跡。如圖4(e)所示，集成加油軌跡運(yùn)動(dòng)特征能正確識(shí)別加油停留軌跡，剔除非加油停留軌跡。

(6) 按照算法步驟遍歷數(shù)據(jù)庫(kù)中所有軌跡線，則提取結(jié)果為群體加油停留軌跡。

圖4 基于速度序列的線性聚類算法提取加油停留軌跡Fig.4 Refueling stop tracks extraction through VSLC algorithm

2.2 Delauany三角網(wǎng)支持下的加油站點(diǎn)提取

群體加油軌跡在加油站區(qū)域呈現(xiàn)聚集模式，每個(gè)聚類簇即是一個(gè)加油站。Delaunay三角網(wǎng)廣泛用于空間聚類[23]、軌跡數(shù)據(jù)挖掘[8-9]，故本文運(yùn)用Delaunay三角網(wǎng)層次聚類群體加油停留軌跡線并提取加油站多邊形，綜合運(yùn)用形狀識(shí)別、語(yǔ)義約束分析剔除非加油站點(diǎn)。

2.2.1 群體加油停留軌跡線層次聚類及加油站多邊形提取

(1) 加油軌跡線層次聚類。根據(jù)文獻(xiàn)[8]中方法對(duì)停留軌跡線插值加密，加密軌跡線構(gòu)建約束Delaunay三角網(wǎng)，如圖5(a)所示。刪除三角網(wǎng)中的長(zhǎng)邊(稱為整體長(zhǎng)邊)，即可將每個(gè)加油站的軌跡線聚為一類。整體長(zhǎng)邊閾值計(jì)算如下[8,23]

globalvalue=mean(DT)+α×variation(DT)

(1)

式中，mean(DT)表示三角網(wǎng)DT所有邊長(zhǎng)平均值；variation(DT)表示三角網(wǎng)所有邊長(zhǎng)標(biāo)準(zhǔn)差；α為調(diào)節(jié)參數(shù)，默認(rèn)為1。對(duì)于任意三角形邊，如邊長(zhǎng)大于globalvalue，則刪除。刪除整體長(zhǎng)邊得到的聚類簇仍存在兩個(gè)問題，一是無(wú)法區(qū)分空間上成對(duì)分布的加油站軌跡線集，如圖5(b)中A、B；二是仍需刪除加油站U、V區(qū)域內(nèi)的局部長(zhǎng)邊才能準(zhǔn)確提取加油站多邊形(圖5(b))。故對(duì)每個(gè)聚類簇刪除局部長(zhǎng)邊進(jìn)行再次聚類，局部長(zhǎng)邊閾值計(jì)算如下[23]

(2) 方向判別及多邊形提取。將每個(gè)聚類簇中的每條軌跡的起、終點(diǎn)連接成方向向量，選擇任意向量作為參考，依次計(jì)算每條向量與參考向量的夾角，如所有夾角的絕對(duì)值為0～90°，則該軌跡線集同向，為加油站。如圖5(c)中C軌跡線集同向，為加油站；F則不是加油站。對(duì)每個(gè)聚類簇合并Delaunay三角形提取多邊形，并對(duì)多邊形平滑、化簡(jiǎn)(如圖5(d)所示)。提取的多邊形具有不同形狀、面積，需進(jìn)行形狀識(shí)別與語(yǔ)義約束分析，剔除非加油站點(diǎn)。

圖5 加油停留軌跡線層次聚類及加油站多邊形提取Fig.5 Refueling stop track lines clustering and gas station polygon extraction

2.2.2 形狀識(shí)別與語(yǔ)義約束分析

(1) 加油站形狀識(shí)別。歸一化傅里葉描述子對(duì)多邊形形狀識(shí)別具有旋轉(zhuǎn)、平移和尺度不變性，適于加油站多邊形形狀識(shí)別[24]。借鑒文獻(xiàn)[24]中方法，運(yùn)用歸一化傅里葉描述子描述形狀，采用描述子向量間的歐氏距離度量加油站多邊形與U、V模板多邊形的相似性。圖5(d)中的G、H、I多邊形不具U、V形狀，可能是緊鄰道路的停車場(chǎng)、洗車店。

(2) 語(yǔ)義約束分析。如果加油站多邊形面積小于面積標(biāo)準(zhǔn)[25]，則為非加油站并剔除(如圖5(d)中C、E)。對(duì)V字形多邊形提取V字頂點(diǎn)，U字形多邊形提取U字頂部中點(diǎn)，作為加油站點(diǎn)。對(duì)加油站點(diǎn)建立緩沖區(qū)，記錄經(jīng)過緩沖區(qū)的交通流量。設(shè)置流量閾值minflow，如果交通流量大于minflow，則是加油站。minflow的取值為支干路的標(biāo)準(zhǔn)交通流量[25]。

3 試驗(yàn)與分析

3.1 數(shù)據(jù)與試驗(yàn)環(huán)境

試驗(yàn)區(qū)域?yàn)楸本┦辛h(huán)內(nèi)及附近區(qū)域(圖6)，車輛軌跡為北京市2012年11月共7 d的出租車軌跡，平均采樣時(shí)間間隔為40 s。軌跡數(shù)據(jù)包括車輛ID、時(shí)間、經(jīng)緯度等信息。本試驗(yàn)在P4/8GB/2GB/Win8.1環(huán)境下，基于ArcGIS10.2平臺(tái)、C#編程語(yǔ)言進(jìn)行算法試驗(yàn)。

3.2 試驗(yàn)結(jié)果

對(duì)原始軌跡數(shù)據(jù)進(jìn)行預(yù)處理[22](范圍越界、速度異常等)，按時(shí)間順序?qū)④壽E線轉(zhuǎn)換為軌跡段，計(jì)算軌跡段速度、距離、時(shí)間等信息。根據(jù)1.1節(jié)所述，設(shè)置VSLC算法速度閾值maxAv為6 km/h，停留時(shí)長(zhǎng)閾值minstop為300 s，移動(dòng)時(shí)長(zhǎng)閾值minmove為120 s(軌跡采樣間隔為40 s)[16-17]。運(yùn)用VSLH算法提取加油停留軌跡(如圖6(a)所示)，提取的加油停留軌跡呈軌跡線聚集分布(圖6(a)中A、B)和單根停留軌跡零散分布(圖6(a)中C、D)兩種模式。如圖6(b)、(c)所示，停留軌跡線加密構(gòu)建約束Delaunay三角網(wǎng)，層次聚類軌跡線并提取加油站多邊形。綜合運(yùn)用群體軌跡方向、傅里葉形狀識(shí)別(相似dis≤1.15)、語(yǔ)義約束剔除無(wú)效多邊形，提取加油站點(diǎn)。如圖6(d)、(e)所示，無(wú)效多邊形包括不具有U、V形狀(圖6(e)中B)、加油站面積太小(圖6(e)中C、D)、軌跡線集不具同向特征(圖6(e)中E)。運(yùn)用7 d軌跡數(shù)據(jù)共提取加油站點(diǎn)482個(gè)(如圖6(f)所示)，整體分布在四環(huán)、六環(huán)路之間及附近區(qū)域，而市中心數(shù)量較少，且沿路網(wǎng)分布。

圖6 加油站點(diǎn)提取過程及結(jié)果Fig.6 Gas stations extraction process and experimental results

3.3 試驗(yàn)結(jié)果驗(yàn)證評(píng)價(jià)

3.3.1 加油停留軌跡提取算法分析

將本文VSLC算法的試驗(yàn)結(jié)果與K_Medoids、DJ_Cluster[26]、CB_SMoT[16]算法的停留提取結(jié)果進(jìn)行比較。選取5輛出租車1 d的軌跡(軌跡中須有加油停留)進(jìn)行試驗(yàn)分析。以人工提取的停留結(jié)果為參考，計(jì)算準(zhǔn)確率(precision)和完整率(recall)[20]，如表1所示。

表1 本文算法與其他停留軌跡提取算法比較

Tab.1 Results of different stop extraction algorithms for selected dataset

參數(shù)K＿M(jìn)edoids算法DJ?Cluster算法CB＿SmoT算法VSLC算法parametersK=9eps=60mminpoint=8area=0．3time=300smaxAv=6km/h，minstop=300sminmove=120selapsedtime/s48．937．218．10．72baselinestop64646464extractedstop54566866correctstop24474853precision0．440．830．710．81recall0．370．730．750．83gasstationextracted1225

表1中baseline stop為人工提取的參考停留；extracted stop是算法自動(dòng)提取的停留，對(duì)于本文算法即是算法第4步結(jié)果；correct stop為正確提取的停留(與參考停留檢測(cè)得到)；gas sation extracted為提取的加油站停留，由于其他3個(gè)算法沒有專門提取加油停留，故無(wú)法自動(dòng)提取，其結(jié)果為人工提取，而本文結(jié)果為算法第5步自動(dòng)提取。從表1可知，本文算法準(zhǔn)確度高于K-Medoids算法和CB_SMoT算法，但低于DJ_Cluster算法。VSLC算法能提取采樣稀疏、軌跡點(diǎn)較少的停留，而其他3個(gè)算法難以做到，故提取結(jié)果的完整率相對(duì)較高。針對(duì)不同加油停留軌跡點(diǎn)模式進(jìn)行試驗(yàn)分析，如圖7(a)為車輛在加油站處留下大量停留點(diǎn)，VSLC、CB_SMoT、DJ_Cluster算法能較好地識(shí)別該類停留，但K-Medoids算法錯(cuò)誤地將該停留分割為A、B兩個(gè)停留。圖7(b)為車輛在進(jìn)站時(shí)留下大量停留點(diǎn)、出站時(shí)留下少量停留點(diǎn)。4個(gè)算法都能識(shí)別該類型停留，VSLC算法能將進(jìn)入、離開加油站部分的低速軌跡段提取，用于加油站語(yǔ)義分析。圖7(c)、(d)為車輛在加油站只留下少量軌跡點(diǎn)，K-Medoids、DJ_Cluster、CB_SMoT都不能提取該類停留[18]。如圖7(c)中軌跡traj2盡管只有3個(gè)停留點(diǎn)，也能識(shí)別并提取該類低速軌跡停留。由于了加入移動(dòng)、停留時(shí)長(zhǎng)參數(shù)使得本算法對(duì)軌跡點(diǎn)噪音、丟失等情形適應(yīng)性強(qiáng)。如圖7(d)中軌跡點(diǎn)p2為噪音點(diǎn)，由于點(diǎn)p1到p3的時(shí)間小于minmove，本文將軌跡段p1p2、p2p3正確識(shí)別為stop狀態(tài)。在時(shí)間效率上，本算法適于大數(shù)據(jù)量處理。

3.3.2 加油站點(diǎn)提取結(jié)果評(píng)價(jià)分析

將提取的加油站點(diǎn)圖層疊加到GoogleEarth影像圖上檢測(cè)其正確性，提取的482個(gè)加油站點(diǎn)中正確為449個(gè)，錯(cuò)誤為33個(gè)，正確率為93.1%。研究區(qū)域共有加油站568個(gè)，有119個(gè)加油站未提取，試驗(yàn)結(jié)果完整率為79.0%。本文方法能較好地區(qū)分公共停車場(chǎng)、洗車店等POI點(diǎn)，但也有部分加油站識(shí)別錯(cuò)誤或未提取，其原因?yàn)椋?/p>

(1) 軌跡數(shù)據(jù)量。加油站點(diǎn)提取需要一定數(shù)據(jù)量的軌跡支持，如果停留軌跡過少，則加油站無(wú)法提取或結(jié)果不可靠(圖8(a)中A)；如果停留軌跡過多，軌跡點(diǎn)覆蓋整個(gè)加油站區(qū)域(圖8(a)中F)，則無(wú)法判別U、V形狀導(dǎo)致錯(cuò)誤剔除。

(2) 參數(shù)取值。加油軌跡聚類及多邊形提取過程中，參數(shù)α對(duì)提取結(jié)果影響小，參數(shù)β影響大，較大β值會(huì)使加油站識(shí)別錯(cuò)誤(如圖8(a)中B、C、E)。傅里葉形狀識(shí)別能有效區(qū)分停車場(chǎng)等其他POI，但不同dis取值會(huì)影響加油站識(shí)別結(jié)果。當(dāng)dis≤1.1，加油站D被剔除；當(dāng)dis≤1.2，加油站D正確識(shí)別。如果加油站離道路太近(圖8(a)中F)，軌跡幾何模式不明顯，本文算法也難以識(shí)別。

(3) 軌跡數(shù)據(jù)種類。出租車不能覆蓋城市所有區(qū)域，仍需其他車輛軌跡才能完整提取加油站。

以測(cè)繪部門加油站POI數(shù)據(jù)為參考，分別建立5 m、10 m、15 m、20 m、25 m、30 m、50 m、70 m的緩沖區(qū)，與提取結(jié)果進(jìn)行匹配，統(tǒng)計(jì)落入緩沖區(qū)內(nèi)的加油站點(diǎn)個(gè)數(shù)，定量評(píng)價(jià)結(jié)果精度，結(jié)果如圖8(b)所示。在5 m高精度范圍內(nèi)的加油站點(diǎn)個(gè)數(shù)達(dá)到45.30%，25 m精度范圍內(nèi)的加油站點(diǎn)個(gè)數(shù)到達(dá)88.64%。部分加油站點(diǎn)的精度低于25 m，其原因?yàn)榧佑驼緟^(qū)域存在高大建筑物且有大量停留軌跡點(diǎn)堆積，產(chǎn)生較多的軌跡漂移及噪音(GPS軌跡定位誤差大于10 m)。少量加油站點(diǎn)無(wú)法與參考數(shù)據(jù)匹配，可能是原有加油站點(diǎn)被拆除，或者原有參考數(shù)據(jù)的不完整性造成，但這說明該結(jié)果可用于POI點(diǎn)空間數(shù)據(jù)更新。

圖7 不同算法停留提取結(jié)果對(duì)比分析Fig.7 Comparison analysis of the stop results of different algorithms extracted

圖8 加油站提取結(jié)果評(píng)價(jià)分析Fig.8 The experimental results analysis and evaluation

4 結(jié)論與展望

目前，加油站POI點(diǎn)信息采集主要依賴大量的人工調(diào)繪或?qū)I(yè)設(shè)備測(cè)量，更新周期長(zhǎng)且成本高，難以滿足空間數(shù)據(jù)快速更新需求。針對(duì)眾源車輛軌跡數(shù)據(jù)提取加油站點(diǎn)問題，本文從軌跡運(yùn)動(dòng)特征、幾何模式等方面對(duì)車輛個(gè)體、群體加油行為軌跡特征進(jìn)行分析?；赟top/Move模型，提出速度序列線性聚類算法(VSLC)提取加油停留軌跡；綜合運(yùn)用Delaunay三角網(wǎng)、語(yǔ)義約束、形狀識(shí)別等方法從群體軌跡線中提取加油站點(diǎn)。運(yùn)用北京市7天出租車軌跡數(shù)據(jù)進(jìn)行試驗(yàn)，共提取482個(gè)加油站點(diǎn)，準(zhǔn)確率達(dá)到93.1%，10 m精度的加油站點(diǎn)個(gè)數(shù)達(dá)到56.2%，證明了該方法的有效性。

本研究仍存在一些問題需要深入研究，包括：①需將車輛軌跡數(shù)據(jù)與車輛屬性數(shù)據(jù)融合分析車輛加油、加氣、充電類型及加油站的服務(wù)功能；②本文僅對(duì)車輛軌跡提取加油站點(diǎn)問題進(jìn)行了深入研究，仍需要集成多源空間數(shù)據(jù)對(duì)加油站語(yǔ)義信息進(jìn)行分析。

[1] 李軍, 秦其明, 游林, 等. 利用浮動(dòng)車數(shù)據(jù)提取停車場(chǎng)位置[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2013, 38(5): 599-603. LI Jun, QIN Qiming, YOU Lin, et al. Parking Lot Extraction Method Based on Floating Car Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 599-603.

[2] GOODCHILD M F. Citizens as Sensors: The World of Volunteered Geography[J]. GeoJournal, 2007, 69(4): 211-221.

[3] 王明, 李清泉, 胡慶武, 等. 面向眾源開放街道地圖空間數(shù)據(jù)的質(zhì)量評(píng)價(jià)方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2013, 38(12): 1490-1494. WANG Ming, LI Qingquan, HU Qingwu, et al. Quality Analysis on Crowd Sourcing Geographic Data with Open Street Map Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12): 1490-1494.

[4] ZHENG Yu. Trajectory Data Mining: An Overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 29.

[5] 蕭世倫, 方志祥. 從時(shí)空GIS視野來定量分析人類行為的思考[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(6): 667-670. XIAO Shilun, FANG Zhixiang. Rethinking Human Behavior Research from the Perspective of Space-time GIS[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6): 667-670.

[6] 楊偉, 艾廷華. 基于車輛軌跡大數(shù)據(jù)的道路網(wǎng)更新方法研究[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(12): 2681-2693. YANG Wei, AI Tinghua. A Method for Road Network Updating Based on Vehicle Trajectory Big Data[J]. Journal of Computer Research and Development, 2016, 53(12): 2681-2693.

[7] AHMED M, KARAGIORGOU S, PFOSER D, et al. A Comparison and Evaluation of Map Construction Algorithms Using Vehicle Tracking Data[J]. GeoInformatica, 2015, 19(3): 601-632.

[8] 楊偉, 艾廷華. 基于眾源軌跡數(shù)據(jù)的道路中心線提取[J]. 地理與地理信息科學(xué), 2016, 32(3): 1-7. YANG Wei, AI Tinghua. Road Centerline Extraction from Crowdsourcing Trajectory Data[J]. Geography and Geo-Information Science, 2016, 32(3): 1-7.

[9] 楊偉, 艾廷華. 運(yùn)用約束Delaunay三角網(wǎng)從眾源軌跡線提取道路邊界[J]. 測(cè)繪學(xué)報(bào), 2017, 46(2): 237-245. DOI: 10.11947/j.AGCS.2017.20160233. YANG Wei, AI Tinghua. The Extraction of Road Boundary from Crowdsourcing Trajectory Using Constrained Delaunay Triangulation[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(2): 237-245. DOI: 10.11947/j.AGCS.2017.20160233.

[10] SONG Qiuge, JIN Cheqing, WANG Xiaoling, et al. Discovering Underpasses from Walking Trajectories[C]∥Proceedings of the 2015 31th IEEE International Conference on Data Engineering Workshops. Seoul: IEEE, 2015: 129-133.

[11] 劉匯慧, 闞子涵, 吳華意, 等. 車輛GPS軌跡加油行為建模與時(shí)空分布分析[J]. 測(cè)繪通報(bào), 2016(9): 29-34. DOI: 10.13474/j.cnki.11-2246.2016.0286. LIU Huihui, KAN Zihan, WU Huayi, et al. Vehicles’ Refueling Activity Modeling and Space-time Distribution Analysis[J]. Bulletin of Surveying and Mapping, 2016(9): 29-34. DOI: 10.13474/j.cnki.11-2246.2016.0286.

[12] ZHANG Fuzheng, WILKIE D, ZHENG Yu, et al. Sensing the Pulse of Urban Refueling Behavior[C]∥Proceedings of the 2013 ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York: ACM, 2013: 13-22.

[13] NIU Hongting, LIU Junming, FU Yanjie, et al. Exploiting Human Mobility Patterns for Gas Station Site Selection[C]∥International Conference on Database Systems for Advanced Applications. Dallas: Springer International Publishing, 2016: 242-257.

[14] ALVARES L O, BOGORNY V, KUIJPERS B, et al. A Model for Enriching Trajectories with Semantic Geographical Information[C]∥Proceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems. New York: ACM, 2007: 22.

[15] SPACCAPIETRA S, PARENT C, DAMIANI M L, et al. A Conceptual View on Trajectories[J]. Data & Knowledge Engineering, 2008, 65(1): 126-146.

[16] PALMA A T, BOGORNY V, KUIJPERS B, et al. A Clustering-based Approach for Discovering Interesting Places in Trajectories[C]∥Proceedings of the 2008 ACM Symposium on Applied Computing. New York: ACM, 2008: 863-868.

[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 Intelligent Systems. London: IEEE, 2010: 114-119.

[18] XIANG Longgang, GAO Meng, WU Tao. Extracting Stops from Noisy Trajectories: A Sequence Oriented Clustering Approach[J]. ISPRS International Journal of Geo-Information, 2016, 5(3): 29.

[19] 向隆剛, 邵曉天. 載體軌跡停留信息提取的核密度法及其可視化[J]. 測(cè)繪學(xué)報(bào), 2016, 45(9): 1122-1131. DOI: 10.11947/j.AGCS.2016.20150347. XIANG Longgang, SHAO Xiaotian. Visualization and Extraction of Trajectory Stops Based on Kernel-density[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(9): 1122-1131. DOI: 10.11947/j.AGCS.2016.20150347.

[20] FU Zhongliang, TIAN Zhongliang, XU Yanqing, et al. A Two-step Clustering Approach to Extract Locations from Individual GPS Trajectory Data[J]. ISPRS International Journal of Geo-Information, 2016, 5(10): 166.

[21] SHEN Jiannan, CHENG Tao. A Framework for Identifying Activity Groups from Individual Space-time Profiles[J]. International Journal of Geographical Information Science, 2016, 30(9): 1785-1805.

[22] DODGE S, WEIBEL R, FOROOTAN E. Revealing the Physics of Movement: Comparing the Similarity of Movement Characteristics of Different Types of Moving Objects[J]. Computers, Environment and Urban Systems, 2009, 33(6): 419-434.

[23] 劉啟亮, 鄧敏, 石巖, 等. 一種基于多約束的空間聚類方法[J]. 測(cè)繪學(xué)報(bào), 2011, 40(4): 509-516. LIU Qiliang, DENG Min, SHI Yan, et al. A Novel Spatial Clustering Method Based on Multi-constraints[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 509-516.

[24] 王濤, 劉文印, 孫家廣, 等. 傅里葉描述子識(shí)別物體的形狀[J]. 計(jì)算機(jī)研究與發(fā)展, 2002, 39(12): 1714-1719. WANG Tao, LIU Wenyin, SUN Jiaguang, et al. Using Fourier Descriptors to Recognize Object’s Shape[J]. Journal of Computer Research and Development, 2002, 39(12): 1714-1719.

[25] 中華人民共和國(guó)住房和城鄉(xiāng)建設(shè)部, 中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. 汽車加油加氣站設(shè)計(jì)與施工規(guī)范: GB 50156—2012[S]. 北京: 中國(guó)計(jì)劃出版社, 2013.

[26] ZHOU Changqing, FRANKOWSKI D, LUDFORD P, et al. Discovering Personally Meaningful Places: An Interactive Clustering Approach[J]. ACM Transactions on Information Systems (TOIS), 2007, 25(3): 12.

(責(zé)任編輯：叢樹平)

Refueling Stop Activity Detection and Gas Station Extraction Using Crowdsourcing Vehicle Trajectory Data

YANG Wei1,2,AI Tinghua1,2

1. Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Land and Resources, Shenzhen 518034, China; 2. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China

In view of the deficiencies of current surveying methods of gas station, an approach is proposed to extract gas station from vehicle traces. Firstly, the spatial-temporal characteristics of individual and collective refueling behavior of trajectory is analyzed from aspects of movement features and geometric patterns. Secondly, based on Stop/Move model, the velocity sequence linear clustering algorithm is proposed to extract refueling stop tracks. Finally, using the methods including Delaunay triangulation, Fourier shape recognition and semantic constraints to identify and extract gas station. An experiment using 7 days taxi GPS traces in Beijing verified the novel method. The experimental results of 482 gas stations are extracted and the correct rate achieves to 93.1%.

vehicle trajectory; gas station;refueling activity;Stop/Move model; semantics enrichment

The Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Land and Resources(No.KF-2015-01-038); The National Natural Science Foundation of China (No.41531180)

YANG Wei(1987—), male, PhD candidate,majors in spatial-temporal behavior modeling and trajectory mining.

AI Tinghua

楊偉，艾廷華.眾源車輛軌跡加油停留行為探測(cè)與加油站點(diǎn)提取[J].測(cè)繪學(xué)報(bào)，2017,46(7)：918-927.

10.11947/j.AGCS.2017.20160657. YANG Wei,AI Tinghua.Refueling Stop Activity Detection and Gas Station Extraction Using Crowdsourcing Vehicle Trajectory Data[J]. Acta Geodaetica et Cartographica Sinica,2017,46(7):918-927. DOI:10.11947/j.AGCS.2017.20160657.

P208

A

1001-1595(2017)07-0918-10

國(guó)土資源部城市土地資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室開放基金(KF-2015-01-038)；國(guó)家自然科學(xué)基金(41531180)

2016-12-22

楊偉(1987—)，男，博士生，研究方向?yàn)闀r(shí)空行為建模與軌跡挖掘。

E-mail： ywgismap@whu.edu.cn

艾廷華

E-mail： tinghua_ai@tom.com

修回日期： 2017-04-11