甘蜜，卿三東，劉曉波*，李丹丹

(西南交通大學(xué)，a.交通運(yùn)輸與物流學(xué)院；b.綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室；c.綜合交通國(guó)家地方聯(lián)合實(shí)驗(yàn)室，成都611756)

0 引言

隨著物聯(lián)網(wǎng)和通訊技術(shù)的發(fā)展，海量的移動(dòng)對(duì)象軌跡數(shù)據(jù)為挖掘人類出行規(guī)律、研究人類行為、城市車輛和出行需求特征等提供豐富的信息支持，為MaaS(Mobility as a Service)理念下可持續(xù)交通運(yùn)輸系統(tǒng)分析、設(shè)計(jì)、優(yōu)化和管理提供新的思路[1-2]。然而，已有研究大多聚焦于人群移動(dòng)或客運(yùn)交通系統(tǒng)，較少以公路貨運(yùn)系統(tǒng)作為研究對(duì)象。事實(shí)上，公路貨物運(yùn)輸是國(guó)民經(jīng)濟(jì)的重要組成部分，也是經(jīng)濟(jì)持續(xù)發(fā)展的基本需要和前提條件。據(jù)統(tǒng)計(jì)，2019年我國(guó)公路貨物運(yùn)輸量達(dá)343.5×108t，在貨運(yùn)總量中占73%，我國(guó)公路貨運(yùn)市場(chǎng)規(guī)模達(dá)到5×1012元人民幣，躍居世界首位[3]。同樣，美國(guó)公路貨運(yùn)在貨物市場(chǎng)中也占據(jù)著主要比例，約為69%，據(jù)美國(guó)聯(lián)邦公路管理局預(yù)測(cè)，公路貨運(yùn)量在2012—2045年期間將增長(zhǎng)45%[4]。由此可見，公路貨運(yùn)在綜合交通系統(tǒng)中持續(xù)占據(jù)重要地位，迫切需要合理且先進(jìn)的貨運(yùn)管理與規(guī)劃提升公路貨運(yùn)效率。

近年來(lái)，因交通管理部門管理需要，我國(guó)重型貨車已經(jīng)基本實(shí)現(xiàn)了定位裝置的全覆蓋；同時(shí)，因無(wú)車承運(yùn)人和網(wǎng)絡(luò)貨運(yùn)業(yè)務(wù)的發(fā)展，也產(chǎn)生了以滿幫、貨拉拉和滴滴貨運(yùn)等為代表的在線貨運(yùn)服務(wù)平臺(tái)。這些平臺(tái)通過(guò)貨車司機(jī)手機(jī)應(yīng)用或車載定位設(shè)備實(shí)現(xiàn)了司機(jī)和貨車全程定位，產(chǎn)生了海量的時(shí)空軌跡大數(shù)據(jù)，為貨運(yùn)研究提供新的數(shù)據(jù)來(lái)源。這些軌跡信息里蘊(yùn)含了公路貨運(yùn)系統(tǒng)的運(yùn)行本質(zhì)和深層特征，是智慧物流系統(tǒng)智慧化決策的基礎(chǔ)。同時(shí)，隨著云計(jì)算、大數(shù)據(jù)、人工智能和機(jī)器學(xué)習(xí)、邊緣計(jì)算、自主物件、量子計(jì)算、數(shù)字孿生等技術(shù)的快速發(fā)展，亟需對(duì)數(shù)據(jù)資源進(jìn)行深入挖掘和剖析，為進(jìn)一步優(yōu)化貨運(yùn)系統(tǒng)提供科學(xué)支持。

因此，本文在梳理國(guó)內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，以貨車軌跡數(shù)據(jù)在公路貨車系統(tǒng)中的應(yīng)用為重點(diǎn)研究對(duì)象，從貨運(yùn)出行信息辨識(shí)、貨運(yùn)系統(tǒng)關(guān)鍵特征預(yù)測(cè)、貨運(yùn)系統(tǒng)應(yīng)用3 個(gè)方面論述最新研究動(dòng)態(tài)，總結(jié)既有研究的目標(biāo)、方法和創(chuàng)新結(jié)果。此外，本文在總結(jié)現(xiàn)有研究存在問(wèn)題的基礎(chǔ)上展望未來(lái)可能的研究方向，為軌跡數(shù)據(jù)挖掘在公路貨運(yùn)系統(tǒng)的應(yīng)用研究提供新的思路和參考。文獻(xiàn)綜述框架如圖1所示。

圖1 文獻(xiàn)綜述框架Fig.1 Literature review framework

1 基于軌跡數(shù)據(jù)的貨運(yùn)出行信息辨識(shí)

貨車軌跡數(shù)據(jù)通常包含車輛的經(jīng)度、緯度、時(shí)間戳、速度及方向角等信息，對(duì)這些信息進(jìn)行歸納統(tǒng)計(jì)可初步了解貨運(yùn)出行狀況，但視角較為局限。在貨運(yùn)系統(tǒng)規(guī)劃與管理中，還需要車輛停留點(diǎn)、活動(dòng)目的、車輛類型、貨物類型、出行模式與出行鏈等信息。由此，學(xué)者通過(guò)對(duì)貨車軌跡數(shù)據(jù)進(jìn)行一定的加工處理，間接得到更加深入的貨運(yùn)出行信息，全面分析貨運(yùn)出行狀況。

1.1 貨運(yùn)停留點(diǎn)識(shí)別、分類及信息挖掘

停留點(diǎn)識(shí)別與分類是基于軌跡數(shù)據(jù)貨運(yùn)研究的基礎(chǔ)，通過(guò)識(shí)別停留點(diǎn)及其停留目的，將連續(xù)的貨車軌跡分成若干段，從而提取行程并識(shí)別活動(dòng)區(qū)域，便于后續(xù)貨運(yùn)特征及出行模式等分析。在貨運(yùn)過(guò)程中，停留點(diǎn)通常結(jié)合停車相關(guān)活動(dòng)進(jìn)行區(qū)分，主要包括3類：裝卸貨物的起訖點(diǎn)(OD)，由于休息、飲食、加油、事故、重度擁堵等事件引起的停留點(diǎn)，由于紅綠燈、輕度擁堵、收費(fèi)等事件引起的停留點(diǎn)[5]。在識(shí)別停留點(diǎn)過(guò)程中，通常先設(shè)定足夠小的速度閾值，通過(guò)與貨車瞬時(shí)速度或其一定范圍內(nèi)的平均速度對(duì)比判別可能的停留點(diǎn)，再通過(guò)一定的方法識(shí)別停留點(diǎn)類型。

現(xiàn)有文獻(xiàn)關(guān)于停留點(diǎn)類型識(shí)別方法可分為3種類別。第1類方法為輔助信息法，主要借助貨車司機(jī)調(diào)查數(shù)據(jù)、土地利用信息等輔助信息進(jìn)行識(shí)別。例如，ALHO 等[6]利用軌跡數(shù)據(jù)結(jié)合司機(jī)調(diào)查反饋信息識(shí)別貨車停留點(diǎn)類型。該方法在研究小樣本時(shí)能達(dá)到較好的識(shí)別效果，但受限于輔助信息的可獲取性和數(shù)據(jù)規(guī)模，且移植性較差。第2類方法為規(guī)則判別法，其中，停留時(shí)間是最常用的判別標(biāo)準(zhǔn)，通過(guò)設(shè)定停留時(shí)間閾值與計(jì)算的停留時(shí)間對(duì)比，確定停車點(diǎn)類型[7]。停留時(shí)間的閾值隨研究背景不同而變化，例如，在城市內(nèi)部的貨運(yùn)停留點(diǎn)識(shí)別中，RICHARDSON[8]和SHARMAN等[9]分別將閾值設(shè)定為3 min 和5 min。而GINGERICH 等[10]在長(zhǎng)途跨境貨運(yùn)研究中，將停留時(shí)間閾值設(shè)定為15～45 min。該方法易于操作，但分類結(jié)果較為粗糙，無(wú)法實(shí)現(xiàn)精準(zhǔn)分類，通常作為初步篩選程序。第3類方法為機(jī)器學(xué)習(xí)算法，所述文獻(xiàn)中常用的方法包括：基于空間密度的K-Means 算法[11]、DBSCAN 算法[5,12]、支持向量機(jī)(Support Vector Machine, SVM)[12-13]、隨機(jī)森林(Random Forest,RF)[14]、最大熵模型[10]等，這類方法通常選擇停留時(shí)間、距離某一特定位置的距離作為區(qū)分特征，識(shí)別精度較高。例如，YANG等[13]獲取了紐約市曼哈頓某貨運(yùn)公司的配送軌跡數(shù)據(jù)，并基于停留時(shí)間、與市中心之間的距離、與最近鄰瓶頸路段的距離等特征，利用SVM 分類器將城市內(nèi)部的配送車輛停車點(diǎn)分為配送點(diǎn)及非配送點(diǎn)兩類，準(zhǔn)確率達(dá)到99%。GONG 等[12]在取得軌跡數(shù)據(jù)的基礎(chǔ)上還獲取了司機(jī)反饋的社會(huì)人口經(jīng)濟(jì)屬性、家和工作地位置等信息，將DBSCAN 與SVM 相結(jié)合，通過(guò)分析得到停留點(diǎn)類型、停留時(shí)間及與家/工作地的距離之間的聯(lián)系，從而選擇停留時(shí)間、與簇中心的平均距離、與家/工作地距離作為SVM 的輸入特征，優(yōu)化活動(dòng)停留點(diǎn)的分類模型，分類準(zhǔn)確率達(dá)到94%。此外，區(qū)別于常規(guī)的識(shí)別方法，SIRIPIROTE 等[15]基于軌跡數(shù)據(jù)和路網(wǎng)信息得到停留時(shí)間、與最近鄰道路距離等特征的概率密度分布，采用極大似然估計(jì)的方法，識(shí)別跨城運(yùn)輸貨車的裝卸點(diǎn)和休息點(diǎn)，準(zhǔn)確率達(dá)85%。

停留點(diǎn)的識(shí)別精度隨所采用的方法、活動(dòng)特征及使用的GPS 數(shù)據(jù)特征(樣本大小、覆蓋區(qū)域和采樣率等)不同而具有差異，快速、準(zhǔn)確地從海量GPS 數(shù)據(jù)中識(shí)別貨運(yùn)停留點(diǎn)仍然是需要深入探索的問(wèn)題。

1.2 車輛/貨物識(shí)別與分類

在交通運(yùn)輸相關(guān)研究中，車輛類別信息對(duì)于運(yùn)輸排放控制、道路設(shè)計(jì)與管理、交通流量估計(jì)及城市規(guī)劃等具有重要意義。目前，實(shí)際應(yīng)用中通常采用定點(diǎn)檢測(cè)或拍攝的方式采集車輛類型信息，但受限于稀疏覆蓋的道路附屬設(shè)施限制[16]。而車載定位數(shù)據(jù)的連續(xù)性、高覆蓋性為車輛類別信息的獲取提供可能，因此，部分學(xué)者致力于通過(guò)定位數(shù)據(jù)劃分車輛類型，以充分挖掘其價(jià)值。SUN等[17]首次利用車輛軌跡數(shù)據(jù)區(qū)分乘用車和貨車，通過(guò)特征分析發(fā)現(xiàn)，乘用車和貨車在加減速的變化特征相比于速度特征具有更顯著的差異，由此，基于加減速的變化特征采用SVM 分類器對(duì)車輛進(jìn)行分類，分類準(zhǔn)確率達(dá)到95.8%。之后，SUN 等[18]基于前期研究進(jìn)一步探索，主要優(yōu)化之處在于考慮多種特征組合輸入SVM分類器，將車輛類別分為乘用車、小型貨車及大型貨車3類，并根據(jù)數(shù)據(jù)采樣率浮動(dòng)分析分類效果的影響，結(jié)果表明，分類精度隨采樣率下降而下降，采樣間隔保持在5 s 之內(nèi)才能保證較好的分類效果。針對(duì)樣本量及數(shù)據(jù)采樣率問(wèn)題，SIMONCINI等[19]在研究中使用低采樣率(90 s)的近100萬(wàn)條GPS 軌跡數(shù)據(jù)進(jìn)行貨運(yùn)車輛分類，開發(fā)了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的深度學(xué)習(xí)框架，通過(guò)輸入距離、時(shí)間、速度、加速度和道路類型等特征進(jìn)行訓(xùn)練，在車輛兩分類(輕載和重載)與三分類(輕載、中載和重載)任務(wù)中分別進(jìn)行測(cè)試，并與SVM、RF等傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比，結(jié)果表明，提出的RNN深度學(xué)習(xí)框架在車輛分類性能上顯著優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法，兩分類和三分類準(zhǔn)確率分別達(dá)到86.7%和75.8%?；谇罢哐芯?，DABIRI 等[16]利用虛擬稱重站信息標(biāo)注了約30 萬(wàn)條GPS 數(shù)據(jù)，開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的車輛分類模型(Convolutional Neural Network for Vehicle Classification, CNN-VC)，分別應(yīng)用于車輛兩分類與三分類任務(wù)中，并與SVM、RF、RNN 以及鄰近算法(K-Nearest Neighbor,KNN)等方法進(jìn)行對(duì)比，結(jié)果表明，提出的CNN-VC框架具有顯著優(yōu)勢(shì)，在兩分類及三分類任務(wù)中準(zhǔn)確率分別為77.1%和61.0%。

此外，也有學(xué)者試圖從軌跡數(shù)據(jù)中提取車輛運(yùn)輸?shù)呢浳镄畔?，但這些信息挖掘一般需要基于停留點(diǎn)的分析，AKTER[4]在識(shí)別停留點(diǎn)基礎(chǔ)上，結(jié)合高精度地圖人工標(biāo)注了部分貨運(yùn)個(gè)體運(yùn)輸?shù)呢涱?，考慮停留持續(xù)時(shí)間、停車時(shí)間段、行程長(zhǎng)度和行程時(shí)間等特征，采用RF進(jìn)行訓(xùn)練，將運(yùn)輸貨類分為工業(yè)品、農(nóng)產(chǎn)品、礦石、化學(xué)品和雜貨等類別，不同貨物的分類準(zhǔn)確率從50%～96%不等。而SIRIPIROTE等[15]在利用GPS 數(shù)據(jù)識(shí)別了停留點(diǎn)及活動(dòng)目的的基礎(chǔ)上，通過(guò)分析貨車個(gè)體的OD點(diǎn)位置及活動(dòng)組合，成功識(shí)別了7類車輛運(yùn)輸貨物，包括：大米、糖、紙、動(dòng)物飼料、酒精飲料、汽油及混凝土。而受限于軌跡數(shù)據(jù)提供的有限信息，基于軌跡數(shù)據(jù)的車輛分類結(jié)果仍然較為粗糙且較難進(jìn)行多類型識(shí)別，需要更先進(jìn)的方法及輔助信息使車輛分類效果更細(xì)致和準(zhǔn)確。

1.3 貨運(yùn)出行(鏈)模式識(shí)別

通過(guò)挖掘貨運(yùn)軌跡數(shù)據(jù)提取貨運(yùn)相關(guān)時(shí)空特征，可進(jìn)一步分析貨運(yùn)活動(dòng)出行及出行鏈模式，支撐貨運(yùn)出行行為建模、貨運(yùn)需求預(yù)測(cè)、綜合交通仿真等研究[20]。在所述的多數(shù)研究中，貨運(yùn)出行是指貨車、司機(jī)和貨物從一個(gè)位置出發(fā)，中間無(wú)裝卸貨物等主要停車活動(dòng)而直接到達(dá)另外一個(gè)位置?；谪涍\(yùn)出行的概念，貨運(yùn)出行鏈被定義為貨車、司機(jī)和貨物進(jìn)行一系列出行而形成的具有時(shí)間序列的出行鏈結(jié)，貨車通常由一個(gè)固定的位置出發(fā)，經(jīng)過(guò)一系列主要停車活動(dòng)之后回到原出發(fā)位置[4,15,20-23]。在出行模式方面，通?；谪涍\(yùn)OD 點(diǎn)進(jìn)行研究，例如，MA等[24]在成功識(shí)別貨運(yùn)OD點(diǎn)的基礎(chǔ)上，分析貨運(yùn)個(gè)體的平均出行距離和停車活動(dòng)時(shí)間分布，根據(jù)特征差異將貨運(yùn)個(gè)體出行模式分為訪問(wèn)出行、本地出行及環(huán)形出行，并將出行模式與貨運(yùn)車輛類型進(jìn)行匹配。GAN 等[25]從大量軌跡數(shù)據(jù)中提取貨運(yùn)主要OD點(diǎn)，并將貨運(yùn)個(gè)體出行劃分為走廊模式、環(huán)形模式和樞紐輻射模式3種典型出行模式。不同于根據(jù)貨運(yùn)特征直接描述出行模式，李穎等[26]基于GPS 數(shù)據(jù)分析不同軌跡相似度算法在三維軌跡數(shù)據(jù)(經(jīng)度、緯度和速度)上的聚類效果，結(jié)果表明，最長(zhǎng)公共子序列(Longest Common Subsequence, LCS)算法對(duì)基于地理空間軌跡的貨運(yùn)速度模式分類效果優(yōu)異，在貨車運(yùn)營(yíng)管理等方面具有應(yīng)用潛力。

在貨運(yùn)出行鏈方面，通?；谥饕＼圏c(diǎn)和活動(dòng)類型結(jié)合進(jìn)行，例如，PATEL[27]根據(jù)識(shí)別的主要停車點(diǎn)及其停車目的識(shí)別了不同公司貨運(yùn)車輛的出行鏈。MA等[22]利用3天的GPS數(shù)據(jù)構(gòu)建了單個(gè)貨車的出行鏈，挖掘出行鏈模式，但由于數(shù)據(jù)集太小，未對(duì)出行鏈的共性進(jìn)行深入分析。針對(duì)此問(wèn)題，YOU 等[23]用一年的GPS 數(shù)據(jù)分析貨車出行鏈，成功發(fā)現(xiàn)貨運(yùn)個(gè)體出行鏈在訪問(wèn)位置及頻率方面的共性，并基于此，將出行鏈分為4種模式。DUAN等[21]針對(duì)多日出行鏈模式問(wèn)題，從GPS數(shù)據(jù)中提取平均出行鏈數(shù)、平均停留點(diǎn)數(shù)、平均停留時(shí)間、平均出行時(shí)間、平均出行距離及軌跡相似比例等特征，采用改進(jìn)K-means 算法得到5 種出行鏈模式，分析出行鏈模式與貨車類型的匹配問(wèn)題。

綜上所述，現(xiàn)有基于軌跡數(shù)據(jù)的貨運(yùn)出行信息辨識(shí)研究主要集中于貨運(yùn)停留點(diǎn)、貨運(yùn)車輛/貨物、貨運(yùn)活動(dòng)出行及出行鏈模式等方面，也有部分研究涉及行駛軌跡識(shí)別、道路瓶頸識(shí)別與分類，取得了豐富的成果[26,28-30]。但貨運(yùn)出行與旅客出行具有顯著差異，目前所采用的方法多移植于旅客出行研究，需要針對(duì)貨運(yùn)出行獨(dú)特特征進(jìn)行深入研究。

2 基于軌跡數(shù)據(jù)的貨運(yùn)系統(tǒng)關(guān)鍵特征預(yù)測(cè)

類似于人類出行，貨物運(yùn)輸也遵循著一定的模式和規(guī)律，預(yù)測(cè)貨運(yùn)相關(guān)特征對(duì)于貨運(yùn)規(guī)劃和管理具有重要意義?，F(xiàn)有研究針對(duì)貨運(yùn)空間位置、行程時(shí)間、流量及需求等方面進(jìn)行了探索性研究。為便于對(duì)比分析，本文從預(yù)測(cè)的關(guān)鍵特征、考慮因素、使用方法和預(yù)測(cè)評(píng)價(jià)等方面對(duì)所述文獻(xiàn)進(jìn)行總結(jié)，如表1所示。

表1 基于軌跡數(shù)據(jù)的貨運(yùn)特征預(yù)測(cè)文獻(xiàn)綜述Table 1 Literature review of freight characteristics prediction based on trajectory data

針對(duì)貨車時(shí)空位置的可預(yù)測(cè)性問(wèn)題，GAN等[25]對(duì)比了基于網(wǎng)格和基于POI(Point of Interest)類型的貨車位置可預(yù)測(cè)度，結(jié)果表明，對(duì)于兩種映射方案，卡車司機(jī)的位置可預(yù)測(cè)度大致相同，可預(yù)測(cè)度最高達(dá)83%，但明顯低于普通出行群體。基于此，GAN 等[36]利用KNN、CART 和SVM 模型預(yù)測(cè)了貨車的下一個(gè)空間位置，并分別討論了空間尺度、回轉(zhuǎn)半徑與預(yù)測(cè)精度的關(guān)系，結(jié)果表明，預(yù)測(cè)精度隨空間尺度的細(xì)化而降低，隨回轉(zhuǎn)半徑增大而降低，貨車的下一個(gè)空間位置在城市尺度和區(qū)縣尺度下的最高預(yù)測(cè)精度分別達(dá)到94%和82%。

在貨運(yùn)行程時(shí)間預(yù)測(cè)方面，WANG 等[32-33]通過(guò)分析高速道路各分段貨車流量與點(diǎn)速度的關(guān)系，通過(guò)K-means結(jié)合回歸的方法分段預(yù)測(cè)行程時(shí)間，發(fā)現(xiàn)指數(shù)回歸對(duì)于行程時(shí)間與速度-密度的擬合效果最好。針對(duì)城市物流配送場(chǎng)景，HUGHES等[34]基于案例GPS數(shù)據(jù)集及額外配送信息，分別對(duì)各種傳統(tǒng)風(fēng)險(xiǎn)持續(xù)時(shí)間模型、傳統(tǒng)回歸模型和機(jī)器學(xué)習(xí)模型的預(yù)測(cè)性能進(jìn)行對(duì)比分析，并選擇其中表現(xiàn)優(yōu)異的模型構(gòu)建了KNN 結(jié)合回歸模型的兩階段模型，結(jié)果表明，先通過(guò)機(jī)器學(xué)習(xí)分類器判別行程時(shí)間是否超過(guò)預(yù)設(shè)閾值后再進(jìn)行回歸擬合能達(dá)到最佳的預(yù)測(cè)效果。在行程時(shí)間可靠性方面，不同于傳統(tǒng)的采用第95%[40]和第80%[41]行程時(shí)間的估計(jì)方法，WANG等[31,33,35]分析貨車點(diǎn)速度隨時(shí)間及道路分段的變化特征，發(fā)現(xiàn)點(diǎn)速度變異系數(shù)和道路分段密度是行程時(shí)間可靠性的最佳衡量指標(biāo)，采用K-means結(jié)合線性回歸預(yù)測(cè)行程時(shí)間可靠性，具有一定參考價(jià)值。

在貨運(yùn)需求預(yù)測(cè)方面，現(xiàn)有研究主要基于流量和時(shí)間等特征結(jié)合需求預(yù)測(cè)模型進(jìn)行。AHN 等[37]基于貨車訪問(wèn)位置的次數(shù)和持續(xù)時(shí)間，結(jié)合SVR模型預(yù)測(cè)了城市中建筑工程項(xiàng)目的材料運(yùn)輸需求，基于此需求預(yù)估相關(guān)項(xiàng)目運(yùn)輸成本。蔡靜[39]基于走行時(shí)間、節(jié)點(diǎn)流量和路段屬性，結(jié)合OD 逆向推演模型預(yù)測(cè)了4 種貨車通行政策下的路網(wǎng)貨運(yùn)需求。YOU[38]基于出行鏈信息，結(jié)合改進(jìn)最大熵模型分別預(yù)測(cè)了低峰期(1～4月)、平峰期(5，11，12月)、高峰期(6～10月)以及全年尺度下的加州南海岸區(qū)域貨運(yùn)需求，結(jié)果表明，平峰期尺度下的預(yù)測(cè)精度最高，全年尺度下預(yù)測(cè)精度最低。

綜上所述，基于軌跡數(shù)據(jù)預(yù)測(cè)貨運(yùn)特征具備可行性，但區(qū)別于乘用車輛及普通出行群體，載貨車輛和貨車司機(jī)具有特殊的職業(yè)性和規(guī)律性，還需要針對(duì)具體運(yùn)輸任務(wù)、貨車司機(jī)屬性及貨運(yùn)政策等進(jìn)行深入研究。

3 貨運(yùn)軌跡數(shù)據(jù)與系統(tǒng)應(yīng)用

3.1 貨運(yùn)系統(tǒng)路徑優(yōu)化：貨運(yùn)出行路徑選擇行為分析

出行路徑選擇行為研究是交通運(yùn)輸需求研究的重要組成部分，通過(guò)對(duì)出行者路徑選擇行為進(jìn)行建模分析，能夠深入理解出行者路徑選擇的影響因素和偏好，為出行供需規(guī)劃與管理提供決策支持。傳統(tǒng)的選擇行為分析主要通過(guò)問(wèn)卷調(diào)查的方式收集出行者的反饋信息，包含RP(Revealed Preference)和SP(Stated Preference)兩類數(shù)據(jù)，受限于成本，通過(guò)問(wèn)卷收集RP 數(shù)據(jù)無(wú)法大規(guī)模進(jìn)行且效率較低；而SP 數(shù)據(jù)存在假設(shè)偏差的固有缺陷。因此，利用貨車GPS 數(shù)據(jù)獲取貨車司機(jī)出行RP 數(shù)據(jù)，分析其路徑選擇行為成為更佳選擇[42]。

選擇行為分析通常包含選擇集生成、影響因素選擇及模型構(gòu)建分析3 個(gè)步驟。在選擇集生成方面，現(xiàn)有文獻(xiàn)通過(guò)識(shí)別貨運(yùn)OD點(diǎn)后結(jié)合地圖匹配找出各OD點(diǎn)可能的路徑，例如，BISWAS等[43]為便于建模，在研究中僅考慮從GPS數(shù)據(jù)中提取出的貨車經(jīng)過(guò)路徑。TAHLYAN[44]不僅考慮數(shù)據(jù)中貨車的經(jīng)過(guò)路徑，還結(jié)合地圖生成了OD間的其他相關(guān)性低的路線進(jìn)行對(duì)比。KAMALI 等[45]通過(guò)共享路徑比例衡量路徑間的相關(guān)性，將生成路徑按相關(guān)性進(jìn)行初步分類，并強(qiáng)調(diào)路徑多樣性對(duì)選擇行為分析的重要性。HESS 等[46]研究發(fā)現(xiàn)，與其他路徑相似度越低的路徑被選擇的概率越高，證實(shí)了前者的假設(shè)。此外，也有學(xué)者通過(guò)直接指定選擇集的方式進(jìn)行研究[31,47-48]。

在影響因素和模型的選擇方面，現(xiàn)有文獻(xiàn)主要考慮了時(shí)間、費(fèi)用和道路屬性等因素，結(jié)合離散選擇模型進(jìn)行研究，例如，WANG 等[31,48]針對(duì)高速貨運(yùn)路徑選擇行為，考慮行程時(shí)間、行程時(shí)間可靠性及通行費(fèi)率等關(guān)鍵因素，建立多項(xiàng)Logit 模型(Multinomial Logit Model,MNL)，研究結(jié)果證明了關(guān)鍵因素的顯著負(fù)影響作用。HESS等[46]為分析長(zhǎng)途重載貨車司機(jī)的路徑選擇行為，在時(shí)間和費(fèi)用的基礎(chǔ)上加入道路類型和行程距離作為關(guān)鍵因素，考慮路徑間相關(guān)性，建立誤差成分Logit 模型(Error Component Lgoit,ECL)，并與MNL 模型進(jìn)行對(duì)比，結(jié)果表明，ECL模型顯著優(yōu)于MNL模型，通過(guò)彈性分析發(fā)現(xiàn)不同于城市貨運(yùn)，路徑屬性變化對(duì)于長(zhǎng)途重載貨車司機(jī)的路徑選擇行為影響較小。TOLEDO 等[49]建立的混合Logit 模型(Mixed Logit,MXL)中額外考慮了行程時(shí)間變化、貨車司機(jī)過(guò)往貨運(yùn)經(jīng)驗(yàn)和地圖軟件是否推薦等因素，結(jié)果證明了這些因素對(duì)跨城貨運(yùn)司機(jī)路徑選擇行為的顯著影響并識(shí)別了司機(jī)個(gè)體的偏好異質(zhì)性。針對(duì)跨境運(yùn)輸尺度下的貨運(yùn)路徑選擇行為，GINGERICH 等[47]選擇加拿大至美國(guó)的兩條主要跨境路徑作為選擇集，考慮行程時(shí)間、時(shí)間段、以往選擇經(jīng)歷、行業(yè)類型、承運(yùn)商偏好等因素，分別建立二項(xiàng)Logit 模型(Binary Logit, BL)和MXL 模型進(jìn)行分析，結(jié)果表明，平均跨境時(shí)間顯著負(fù)向影響選擇行為，時(shí)間段、過(guò)去選擇經(jīng)歷、承運(yùn)商偏好及行業(yè)類型也具有顯著影響。針對(duì)選擇模型改進(jìn)方面，BISWAS 等[43]將行程時(shí)間作為潛變量開發(fā)了融合潛變量的選擇模型(Integrated Choice and Latent Variable, ICLV)框架，并與傳統(tǒng)模型進(jìn)行比較，證明了該模型在數(shù)據(jù)擬合上的優(yōu)越性。此外，也有研究將因素歸納為經(jīng)濟(jì)性、便捷性和時(shí)效性，建立MNL模型分析路徑選擇行為[39]。特別地，OKA等[50]認(rèn)為考慮以多次出行目的地選擇為基礎(chǔ)的出行鏈選擇更為合理，將GPS數(shù)據(jù)與東京貨運(yùn)大調(diào)查數(shù)據(jù)結(jié)合，建立遞歸Logit 模型，成功識(shí)別了東京大都市區(qū)貨運(yùn)司機(jī)的偏好，即貨運(yùn)司機(jī)更傾向于選擇所需出行時(shí)間短、人口多、道路長(zhǎng)和物流設(shè)施更加集中的區(qū)域作為目的地。

3.2 貨運(yùn)安全風(fēng)險(xiǎn)評(píng)估：貨運(yùn)停車休息行為與行駛安全

在貨物運(yùn)輸活動(dòng)中，駕駛員長(zhǎng)時(shí)間連續(xù)駕駛造成的交通事故頻繁發(fā)生，因此，許多地區(qū)頒布了貨運(yùn)服務(wù)時(shí)長(zhǎng)法律，要求駕駛員在連續(xù)工作一定時(shí)長(zhǎng)后必須停車休息。對(duì)貨運(yùn)中的停車休息行為進(jìn)行研究，有助于了解貨運(yùn)停車需求，優(yōu)化道路停車設(shè)施規(guī)劃，保證駕駛員安全?，F(xiàn)有文獻(xiàn)主要研究安全風(fēng)險(xiǎn)較高的長(zhǎng)途重載貨車的夜間停車行為，CORRO等[51]通過(guò)GPS數(shù)據(jù)和夜間停車調(diào)查數(shù)據(jù)討論高速路停車設(shè)施使用情況，結(jié)果表明，停車休息區(qū)存在較嚴(yán)重的過(guò)載。NEVLAND 等[52]將停車類型分為9 種類別，討論各類別停車類型需求，在重點(diǎn)分析非法停車行為的基礎(chǔ)上提出停車休息區(qū)規(guī)劃政策建議。為探索影響停車設(shè)施使用的關(guān)鍵因素，HAQUE 等[53]建立基于泊松分布的有序響應(yīng)Probit 模型(Ordered-Response Probit,ORP)，結(jié)果表明，天氣、時(shí)間段、鄰近道路的貨車流量和道路屬性對(duì)停車設(shè)施利用率有顯著影響。MAHMUD等[54]將停車休息區(qū)按便捷程度分為6種類型，通過(guò)聚類得到夜間長(zhǎng)時(shí)停車、非高峰長(zhǎng)時(shí)停車和非高峰短時(shí)停車3種停車休息模式，并將不同停車休息模式與停車休息區(qū)類型進(jìn)行匹配分析。此外，SEYA 等[55]不僅關(guān)注貨車是否停車或在什么類型的功能區(qū)停車，也關(guān)注貨車停留時(shí)間的影響因素，建立更先進(jìn)的多重離散連續(xù)選擇模型，分析長(zhǎng)途重載貨車在高速路上停車休息區(qū)類型和停留時(shí)間，結(jié)果表明，貨車司機(jī)傾向于在離終點(diǎn)更近的服務(wù)區(qū)停車，停車空間、服務(wù)區(qū)之間的距離、停車體驗(yàn)對(duì)停車類型選擇及停車時(shí)間有積極正影響，是否有便利店顯著影響是否選擇停車，商店和餐廳設(shè)施顯著影響停留時(shí)間。

安全行駛是一切運(yùn)輸活動(dòng)的前提，超速行駛和疲勞駕駛時(shí)刻危害著道路交通安全。基于貨運(yùn)軌跡數(shù)據(jù)，學(xué)者們也研究了貨車司機(jī)駕駛行為，為探索影響駕駛風(fēng)險(xiǎn)的關(guān)鍵因素，鄭留洋[56]通過(guò)Kmeans 結(jié)合貝葉斯判別函數(shù)識(shí)別貨車駕駛風(fēng)險(xiǎn)，并使用有序Probit模型和SVM分類器分析駕駛速度、時(shí)間和天氣等因素對(duì)駕駛風(fēng)險(xiǎn)的影響，結(jié)果表明，平均行駛速度、加速度和行駛時(shí)間均為駕駛風(fēng)險(xiǎn)的正向影響因素，在惡劣天氣和夜間行駛的貨車具有更高的駕駛風(fēng)險(xiǎn)。此外，在考慮司機(jī)個(gè)體及環(huán)境因素影響的基礎(chǔ)上，DE VRIES[57]通過(guò)49 名貨運(yùn)司機(jī)問(wèn)卷調(diào)查引入駕駛員個(gè)人性格特征，并結(jié)合GPS數(shù)據(jù)提取風(fēng)險(xiǎn)駕駛行為和駕駛效率進(jìn)行相關(guān)性分析，結(jié)果表明，越謹(jǐn)慎的駕駛員表現(xiàn)出越危險(xiǎn)的駕駛行為，越外向的司機(jī)的駕駛效率越低，司機(jī)的安全意識(shí)與駕駛效率呈正相關(guān)。

3.3 綠色貨運(yùn)系統(tǒng)：貨運(yùn)排放及能耗分析

車輛尾氣排放是空氣污染的主要來(lái)源之一，對(duì)生態(tài)環(huán)境和人類健康產(chǎn)生諸多有害影響。而多以柴油發(fā)動(dòng)機(jī)為驅(qū)動(dòng)的貨運(yùn)車輛在尾氣排放方面占據(jù)主要比例，通過(guò)GPS數(shù)據(jù)獲取貨車運(yùn)行特征可以估計(jì)貨運(yùn)活動(dòng)的排放水平，為排放控制、環(huán)境保護(hù)和政策規(guī)劃提供基礎(chǔ)數(shù)據(jù)。現(xiàn)有文獻(xiàn)主要分析碳氧化物、氮氧化物和PM2.5等有害物質(zhì)排放，例如，PLUVINET 等[58]通過(guò)車載GPS 收集城市貨運(yùn)車輛的軌跡數(shù)據(jù)，并通過(guò)綜合模式排放模型(Comprehensive Modal Emission Model, CMEM)估算貨運(yùn)碳排放，比較不同出行目的以及道路類型對(duì)貨車碳排放的影響。在前者的研究基礎(chǔ)上，GAN等[59]利用CMEM估算深圳市貨運(yùn)碳排放，并采用多元線性回歸的方法探索出行目的、OD 人口密度、OD 節(jié)點(diǎn)之間的歐氏距離、車輛整備重量等因素對(duì)碳排放的影響，結(jié)果表明，不同出行目的碳排放及其關(guān)鍵影響因素具有顯著差異。HULAGU 等[60]在研究中更多地考慮氮氧化物、PM2.5以及揮發(fā)性有機(jī)化合物等排放物質(zhì)，從宏觀(僅考慮速度)和微觀(同時(shí)考慮速度和速度變化)兩個(gè)角度估計(jì)各排放物的組成。也有研究主要針對(duì)某個(gè)或多個(gè)城市整體排放進(jìn)行估計(jì)，例如，IBARRA-ESPINOSA 等[61]利用車輛排放清單模型估計(jì)巴西圣保羅市的整體排放清單。HOLGUIN-VERAS 等[62]通過(guò)GPS 數(shù)據(jù)和其他車載設(shè)備獲取的信息估計(jì)美國(guó)紐約、巴西圣保羅及哥倫比亞波哥大的城市排放總量。國(guó)內(nèi)以清華大學(xué)環(huán)境學(xué)院劉歡團(tuán)隊(duì)為代表，在道路交通系統(tǒng)排放及空氣質(zhì)量影響方面，利用GPS 軌跡數(shù)據(jù)，開發(fā)了多套面向交通大數(shù)據(jù)、排放瞬時(shí)變化的算法模型。其中，YANG等[63]通過(guò)GPS數(shù)據(jù)結(jié)合貨運(yùn)調(diào)查估計(jì)中國(guó)各省范圍的整體排放，克服了傳統(tǒng)的以貨車注冊(cè)地為基準(zhǔn)的排放測(cè)量缺陷；DENG等[64]提出一種TrackATruck 方法，使用超過(guò)2000 億條貨車的北斗導(dǎo)航衛(wèi)星系統(tǒng)信號(hào)，建立了較高時(shí)空分辨率和較低不確定性的京津冀地區(qū)的排放清單。

在貨運(yùn)能耗方面，NGUYEN 等[65]通過(guò)GPS 數(shù)據(jù)和燃油消耗記錄分析了貨車在進(jìn)行廢物回收工作的各個(gè)階段的油耗，并評(píng)估了路徑和裝卸時(shí)間優(yōu)化等策略對(duì)油耗的影響。MOORE[66]針對(duì)城市內(nèi)部貨運(yùn)油耗問(wèn)題，考慮使用不同燃料(例如，電動(dòng)、非電動(dòng)等)的貨車類型組合的多種場(chǎng)景，并討論分析不同場(chǎng)景下的燃料消耗情況。XU等[67]在獲取貨車GPS數(shù)據(jù)及發(fā)動(dòng)機(jī)狀態(tài)數(shù)據(jù)的基礎(chǔ)上，開發(fā)了基于能耗指數(shù)和廣義回歸神經(jīng)網(wǎng)絡(luò)模型的兩種新型模型，分析油耗與駕駛行為之間的關(guān)系，并與CMEM等傳統(tǒng)模型進(jìn)行對(duì)比，結(jié)果表明，新開發(fā)模型在能耗估計(jì)上顯著優(yōu)于傳統(tǒng)模型。此外，VENTER等[68]基于GPS 數(shù)據(jù)對(duì)南非高速路上行駛的貨車和乘用車進(jìn)行了油耗對(duì)比分析。隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展，人們將更加關(guān)注健康及公平性問(wèn)題，而現(xiàn)有研究主要聚焦于貨運(yùn)排放及能耗的量化研究，對(duì)于貨運(yùn)排放及能耗造成的居民健康及稅收公平等問(wèn)題的討論還有所欠缺，未來(lái)需要結(jié)合社會(huì)人口屬性展開深入研究。

3.4 政策支持：數(shù)據(jù)驅(qū)動(dòng)的貨運(yùn)政策評(píng)估

基于貨運(yùn)GPS 數(shù)據(jù)對(duì)比貨運(yùn)政策實(shí)施前后時(shí)期的貨運(yùn)特征，可以客觀評(píng)價(jià)貨運(yùn)政策的實(shí)施效果，從而針對(duì)性提出貨運(yùn)政策改善措施。現(xiàn)有文獻(xiàn)主要分析道路收費(fèi)、城市配送時(shí)間和區(qū)域通行等政策對(duì)貨運(yùn)特征、流量和路徑選擇行為的影響。例如，WANG等[48]評(píng)估了美國(guó)普吉特灣地區(qū)公路收費(fèi)政策對(duì)貨車運(yùn)行速度和出行路徑選擇行為的影響，結(jié)果表明，收費(fèi)政策實(shí)施后貨車速度有所提升，是否收費(fèi)和費(fèi)率均顯著負(fù)向影響出行路徑選擇行為。OKA 等[50]評(píng)估了東京市區(qū)分時(shí)段收費(fèi)政策對(duì)于貨運(yùn)目的地選擇的影響，結(jié)果表明，收費(fèi)政策顯著降低了貨車至市區(qū)的出行頻率。VENTER 等[69]評(píng)估了南非地區(qū)高速公路的不同類型收費(fèi)政策(例如，高速收費(fèi)、燃油稅等)下各司機(jī)群體的收益成本，從而評(píng)估各種收費(fèi)政策對(duì)于不同群體的公平性。在配送時(shí)間政策評(píng)估方面，F(xiàn)U 等[70]通過(guò)對(duì)比兩種配送時(shí)間政策的運(yùn)輸效率，評(píng)估配送時(shí)間由高峰時(shí)段(白天)轉(zhuǎn)移為非高峰時(shí)段(晚上)的效益，結(jié)果表明，配送時(shí)間段的變更能顯著提高貨物配送效率。HOLGUIN-VERAS 等[62]通過(guò)排放的減少率評(píng)估了采用不同轉(zhuǎn)移比例的配送時(shí)間政策的實(shí)施效果，結(jié)果表明，完全實(shí)施非高峰時(shí)段配送能減少約45%的城市排放總量。在通行政策方面，蔡靜[39]通過(guò)對(duì)比北京市貨車限行政策前后的貨運(yùn)流量，評(píng)估政策實(shí)施效果，結(jié)果表明，貨車限行政策顯著減少了北京市區(qū)內(nèi)部及由北京過(guò)境的貨運(yùn)流量。

除上述應(yīng)用之外，貨運(yùn)軌跡數(shù)據(jù)也可用于豐富貨運(yùn)調(diào)查[51,71-73]、車輛怠速分析[74]、貨運(yùn)出發(fā)與到達(dá)時(shí)間分析[9]等?？傊涍\(yùn)軌跡數(shù)據(jù)的應(yīng)用范圍已較為廣泛，為貨運(yùn)規(guī)劃、環(huán)境保護(hù)、安全管理和交通政策制定提供了關(guān)鍵決策支持。

4 結(jié)論

(1)針對(duì)貨車駕駛員的研究不足，未全面挖掘其在貨物運(yùn)輸中活動(dòng)出行行為特征。應(yīng)結(jié)合貨車司機(jī)心理和偏好因素，深層次的理解貨車出行行為。事實(shí)上，貨運(yùn)活動(dòng)出行與普通個(gè)體出行有較大差異，貨運(yùn)出行中伴隨著貨物裝卸、長(zhǎng)途運(yùn)行中可能出現(xiàn)的汽車維修保養(yǎng)，以及加油和停車休息，也涉及到相對(duì)高額的過(guò)路費(fèi)用、加油費(fèi)用、貨款擔(dān)保等，貨車司機(jī)更偏向于選擇熟悉的路徑，或者綜合成本相對(duì)較低的路徑，而并非最短路徑。其出行驅(qū)動(dòng)因素和目的、出行熱點(diǎn)、出行距離和出行時(shí)空分布等都有所不同。特別是從驅(qū)動(dòng)因素看，貨運(yùn)活動(dòng)出行受到駕駛員個(gè)體偏好和貨運(yùn)任務(wù)需求雙驅(qū)動(dòng)，比起一般的個(gè)體出行，有特殊性和復(fù)雜性，其出行選擇是司機(jī)對(duì)路徑熟悉程度和獲得訂單可能性兩者的均衡博弈。在未來(lái)的研究中，可將貨運(yùn)軌跡數(shù)據(jù)與其他多源數(shù)據(jù)相結(jié)合，從個(gè)體和群體兩個(gè)層面深入探索貨車駕駛員的獨(dú)特特征。在個(gè)體層面，在貨運(yùn)活動(dòng)中獲利突出且穩(wěn)定的駕駛員是貨運(yùn)活動(dòng)中的實(shí)踐專家，這類駕駛員具有更加貼合現(xiàn)實(shí)貨運(yùn)活動(dòng)的寶貴實(shí)踐經(jīng)驗(yàn)，如何從眾多駕駛員中識(shí)別高效駕駛員獨(dú)特貨運(yùn)行為特征并借鑒其經(jīng)驗(yàn)在系統(tǒng)中進(jìn)行學(xué)習(xí)推廣有待深入研究；如何通過(guò)對(duì)貨車行為的預(yù)判，通過(guò)提供更好的Maas 服務(wù)，降低空載率，節(jié)能減排，降低貨車出行成本也有待深入研究。在群體層面，可結(jié)合駕駛員群體社會(huì)人口屬性進(jìn)行貨運(yùn)供應(yīng)市場(chǎng)細(xì)分，并針對(duì)不同群體分析活動(dòng)行為，助力貨運(yùn)供需及車貨匹配機(jī)制的分析。

(2)與近年來(lái)快速發(fā)展的自動(dòng)駕駛技術(shù)結(jié)合的研究不足，缺乏重大事件影響下的貨運(yùn)策略研究。以貨車為運(yùn)輸載體的貨運(yùn)市場(chǎng)在自動(dòng)駕駛技術(shù)的沖擊下必將出現(xiàn)巨大改變，相對(duì)于行駛于城市內(nèi)部的車輛，貨車在其行駛環(huán)境下具有更強(qiáng)的自由度，更易實(shí)現(xiàn)自動(dòng)駕駛。同時(shí)，諸如新冠疫情等突發(fā)公共衛(wèi)生事件的爆發(fā)也將對(duì)公路貨運(yùn)產(chǎn)生巨大影響。在未來(lái)的研究中，可基于貨運(yùn)軌跡數(shù)據(jù)從自動(dòng)駕駛貨車組隊(duì)及應(yīng)急貨運(yùn)政策兩個(gè)方面進(jìn)行深入研究。在自動(dòng)駕駛貨車組隊(duì)方面，可通過(guò)時(shí)空軌跡數(shù)據(jù)挖掘和交通網(wǎng)絡(luò)仿真技術(shù)探索不同貨車組隊(duì)模式的可行性及先進(jìn)性。在應(yīng)急貨運(yùn)政策方面，可通過(guò)精準(zhǔn)預(yù)測(cè)技術(shù)和仿真技術(shù)探索在不同的緊急條件下現(xiàn)有貨運(yùn)政策的適應(yīng)性，并基于預(yù)測(cè)結(jié)果開發(fā)和改進(jìn)應(yīng)急條件下貨運(yùn)政策。

(3)對(duì)基于貨車移動(dòng)獲得的公路貨運(yùn)系統(tǒng)中車在地域活動(dòng)的“車地交互”關(guān)系，貨源在地域產(chǎn)生的“貨地交互”關(guān)系，車貨供需情況等“知識(shí)發(fā)現(xiàn)”研究不夠，對(duì)整合散亂社會(huì)運(yùn)力的關(guān)鍵技術(shù)研究也不足，缺乏基于軌跡數(shù)據(jù)挖掘的公路貨運(yùn)平臺(tái)、需求客戶和貨車個(gè)體之間的利益關(guān)系及匹配機(jī)制的研究。在車地關(guān)系方面，可以根據(jù)貨車高精度軌跡數(shù)據(jù)，挖掘貨運(yùn)系統(tǒng)中的地理熱點(diǎn)，監(jiān)控貨運(yùn)系統(tǒng)異常，開發(fā)貨車專用導(dǎo)航和LBS(Location Based Service)服務(wù)，生成應(yīng)急狀態(tài)下貨車最優(yōu)行駛軌跡，實(shí)現(xiàn)精細(xì)化貨車運(yùn)行控制。在貨地關(guān)系方面，可以根據(jù)貨車與裝載貨源之間的關(guān)系，多維度、高粒度的刻畫公路貨運(yùn)系統(tǒng)貨源分布情況、貨運(yùn)通道情況，實(shí)現(xiàn)貨物流動(dòng)全流程的溯源和監(jiān)控。在車貨供需關(guān)系和匹配方法方面，可通過(guò)車貨時(shí)空分布情況的挖掘和預(yù)測(cè)，實(shí)時(shí)動(dòng)態(tài)掌握車貨供需熱區(qū)和冷區(qū)，將諸如深度強(qiáng)化學(xué)習(xí)等人工智能方法應(yīng)用于綜合調(diào)度系統(tǒng)中，基于海量時(shí)空軌跡數(shù)據(jù)、貨單數(shù)據(jù)及業(yè)務(wù)反饋數(shù)據(jù)訓(xùn)練智能匹配模型，預(yù)測(cè)貨運(yùn)需求及供應(yīng)產(chǎn)生的時(shí)間和空間位置，實(shí)現(xiàn)系統(tǒng)調(diào)度優(yōu)化。在平臺(tái)機(jī)制方面，可在挖掘客戶和貨車個(gè)體偏好的基礎(chǔ)上，分析不同計(jì)價(jià)規(guī)則和激勵(lì)政策條件下系統(tǒng)內(nèi)各方的收益及整體系統(tǒng)效率，優(yōu)化平臺(tái)管理機(jī)制，實(shí)現(xiàn)各方利益公平。