唐爐亮，趙紫龍，楊 雪，闞子涵，任 暢，高 婕，李朝奎，張 霞，李清泉

1.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.中國地質(zhì)大學(xué)(武漢)地理與信息工程學(xué)院，湖北 武漢 430074；3.香港中文大學(xué)太空與地球信息科學(xué)研究所，香港；4.湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湖南 湘潭 411201；5.武漢大學(xué)城市設(shè)計學(xué)院，湖北 武漢 430072；6.深圳大學(xué)空間信息智能感知與服務(wù)深圳市重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060

地圖是人類三大通用語言之一[1]，文獻(xiàn)[2]認(rèn)為“地圖學(xué)的未來是場景學(xué)”。早在春秋戰(zhàn)國時期，《管子·度地》將城市場景描述為“內(nèi)為之城……日中為市”，“城”是集聚地域(即靜態(tài)基礎(chǔ)設(shè)施，稱之為“形”)，“市”指市集交易(即動態(tài)活動行為，稱之為“流”)。20世紀(jì)90年代，文獻(xiàn)[3]提出了場景理論，認(rèn)為場景由社區(qū)、有型建筑物、不同主體，以及將以上三者要素鏈接起來的特色活動構(gòu)成。隨著大數(shù)據(jù)時代的到來，《即將到來的場景時代》一書認(rèn)為：互聯(lián)網(wǎng)在未來25年間將進(jìn)入新時代——場景時代，這標(biāo)志著場景理論的發(fā)展進(jìn)入新階段，也預(yù)示著場景理論將成為解釋人類相關(guān)行為的重要工具[4]。

道路場景作為一定時空范圍內(nèi)基礎(chǔ)設(shè)施與活動行為共同構(gòu)成的綜合體，鏈接和構(gòu)建“人地關(guān)系”，承載著宏觀與微觀、時間與空間、靜態(tài)與動態(tài)、同類與異質(zhì)、關(guān)系與演化、規(guī)律與機(jī)理，成為地理信息科學(xué)研究的主戰(zhàn)場。道路場景是人類發(fā)展演變中最重要、最復(fù)雜、最典型的場景之一，從二維抽象簡略到三維精細(xì)豐富、從靜態(tài)過去式向動態(tài)現(xiàn)在式發(fā)展的道路場景感知技術(shù)與數(shù)據(jù)，是智慧城市、智能交通、輔助駕駛中出行安全、效率提升的重要基石與關(guān)鍵支撐。

同時，道路交通網(wǎng)絡(luò)作為經(jīng)濟(jì)、社會活動的基礎(chǔ)，承載著城市范圍內(nèi)與城市間大量的人口和物質(zhì)要素流動[5]。因此，對道路場景的感知不應(yīng)僅停留在靜態(tài)的、物理的研究視角，更應(yīng)體現(xiàn)人群、車輛、物資要素在交通網(wǎng)絡(luò)的流動性特征，構(gòu)建高時空分辨率的道路網(wǎng)絡(luò)場景感知框架。然而，現(xiàn)有道路場景感知主要依靠專業(yè)測繪模式，導(dǎo)致空間覆蓋上碎片化、時間動態(tài)上不連續(xù)，嚴(yán)重制約了智慧城市、智能交通等戰(zhàn)略實(shí)施。

大數(shù)據(jù)時代“人人都是傳感器”[6-8]，由大眾采集的手機(jī)定位、車載GNSS軌跡、行車記錄儀、社交媒體、公交地鐵刷卡等時空大數(shù)據(jù)，具有采集簡單、成本低、空間覆蓋廣、時間連續(xù)性好等優(yōu)點(diǎn)，為高時空分辨率道路場景感知提供了可能[9]，成為國際研究前沿?zé)狳c(diǎn)。然而目前對于道路眾包感知的研究綜述，大多僅側(cè)重于單一的靜態(tài)路網(wǎng)構(gòu)建[10-12]或人群活動模式分析[7,13-16]，尚未形成完整的道路場景感知體系。

因此，本文立足于交通時空大數(shù)據(jù)，充分利用眾包數(shù)據(jù)空間覆蓋廣、時間連續(xù)性好等特征；從靜態(tài)基礎(chǔ)設(shè)施“形”感知和動態(tài)活動行為“流”感知兩方面對高時空分辨率道路場景感知技術(shù)進(jìn)行闡述分析(圖1)。從靜態(tài)路網(wǎng)角度，以“點(diǎn)-線-面-體”等要素為研究脈絡(luò)，構(gòu)建道路場景高精度眾包感知的理論體系；在活動行為“流”感知方面，發(fā)展了道路網(wǎng)絡(luò)空間活動流的時空建模與多尺度分析方法。以期在未來，能夠通過高精度道路“形”結(jié)構(gòu)為高動態(tài)行為“流”提供管控疏導(dǎo)依據(jù)，并借助活動行為“流”來優(yōu)化基礎(chǔ)設(shè)施“形”的規(guī)劃及建設(shè)，達(dá)到以“形”控“流”、借“流”定“形”、“形”“流”疊置的高時空精度道路場景感知理論體系；為智能交通、智慧城市提供技術(shù)與數(shù)據(jù)支撐。

圖1 高時空精度道路場景感知框架

1 道路場景靜態(tài)設(shè)施“形”感知

道路場景靜態(tài)基礎(chǔ)設(shè)施要素通常分為點(diǎn)狀、線狀、面狀與體狀要素，點(diǎn)狀要素如興趣點(diǎn)(point of interest,POI)、道路交叉口等；線狀要素如道路、橋梁、地鐵等交通網(wǎng)絡(luò)等；面狀要素主要是土地利用類型、結(jié)構(gòu)功能分區(qū)等；體狀要素指立體交叉口、多層次交通空間等。本節(jié)將從時空交通地理大數(shù)據(jù)出發(fā)，通過數(shù)據(jù)濾選得到不同精度需求的軌跡數(shù)據(jù)，以此構(gòu)建點(diǎn)、線、面、體等不同尺度的道路場景要素信息感知體系。

1.1 眾包軌跡大數(shù)據(jù)濾選

隨著GNSS裝置的不斷普及和無線通信、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，人們不僅成為城市地理信息的使用者，同樣也是城市地理數(shù)據(jù)的感知者與采集者。這些由非專業(yè)地理數(shù)據(jù)采集人員提供的眾源軌跡大數(shù)據(jù)逐漸成為城市數(shù)據(jù)挖掘的重要數(shù)據(jù)源[17]。

面對不同的研究需求，對軌跡數(shù)據(jù)集的數(shù)據(jù)質(zhì)量要求有所不同。例如：對于城市群體、個人行為模式挖掘，一般采用來自手機(jī)終端的軌跡數(shù)據(jù)，其定位精度為100～500 m；對于道路級交通靜態(tài)、動態(tài)信息提取與感知，一般采用來自城市出租車系統(tǒng)的車載GPS軌跡，其定位精度為10～15 m；對于車道級城市交通靜態(tài)、動態(tài)信息挖掘，則要求軌跡數(shù)據(jù)的定位精度在3～5 m[17]。然而，眾源車載軌跡大數(shù)據(jù)受采集設(shè)備、環(huán)境等因素影響，數(shù)據(jù)整體質(zhì)量參差不齊。未經(jīng)預(yù)處理的原始數(shù)據(jù)，不僅加劇了信息提取結(jié)果的不確定性，同時海量數(shù)據(jù)也為數(shù)據(jù)操作和模式挖掘帶來困難。因此，如何從眾源軌跡數(shù)據(jù)中濾選提取出符合精度需求的有效數(shù)據(jù)，以用于不同尺度的道路要素感知，成為當(dāng)前諸多研究的重點(diǎn)。

目前，對于軌跡數(shù)據(jù)濾選的研究方法主要分為基于濾波方法和基于空間聚類方法兩類。濾波方法一般根據(jù)前一個軌跡點(diǎn)的速度、位置、航向等特征來獲取下一個軌跡點(diǎn)的運(yùn)動狀態(tài)預(yù)測值，并與實(shí)測值進(jìn)行對比，實(shí)現(xiàn)對噪聲數(shù)據(jù)的判別與剔除。例如，文獻(xiàn)[18]采用卡爾曼濾波方法，利用線性系統(tǒng)狀態(tài)方程，進(jìn)行最小方差估計估算點(diǎn)的最優(yōu)位置，以此進(jìn)行數(shù)據(jù)濾波；文獻(xiàn)[19]嘗試了均值濾波、中值濾波、粒子濾波等多種時空軌跡濾波方法，表明前兩者算法簡單但適用性低，后者復(fù)雜但更適用于移動設(shè)備軌跡的濾選。然而，采用濾波方法修正GNSS軌跡數(shù)據(jù)存在以下局限性：①該濾波方法只能修正明顯異常值；②濾選效果依賴于數(shù)據(jù)采樣頻率，否則容易出現(xiàn)過度濾波或?yàn)V波不足的情況。

空間聚類方法通過考慮軌跡點(diǎn)與其鄰近點(diǎn)的空間分布關(guān)系，利用密度聚類方法剔除軌跡點(diǎn)中的異常值。文獻(xiàn)[20]采用核密度方法，逐點(diǎn)計算各軌跡點(diǎn)附近的軌跡密度，通過抽樣分析和去趨勢法計算密度閾值，以此判別該軌跡點(diǎn)是否為噪音；文獻(xiàn)[21]根據(jù)浮動車數(shù)據(jù)的空間分布特征，利用基于Delaunay三角網(wǎng)的密度聚類方法對數(shù)據(jù)進(jìn)行優(yōu)選。這類方法雖然無須考慮數(shù)據(jù)采樣間隔，但無法對夾雜在高密度點(diǎn)中的低質(zhì)量數(shù)據(jù)進(jìn)行有效去除。

近些年來，諸多學(xué)者提出基于軌跡片段的濾波方式，即依據(jù)軌跡的時空分布特征，采用一定的約束條件(如軌跡點(diǎn)航向、距離軌跡參考線距離等)對軌跡線進(jìn)行分段處理，并逐段進(jìn)行質(zhì)量評估與噪聲剔除[17]。例如，文獻(xiàn)[22]通過分析高精度GPS軌跡數(shù)據(jù)的空間特征和GPS誤差分布，構(gòu)建了一種自適應(yīng)分割-濾選模型。該模型首先通過航向偏轉(zhuǎn)角度﹑參考線距離約束將完整的浮動車軌跡數(shù)據(jù)進(jìn)行分割，將分割段作為基本濾選單元；然后采用RANSAC算法構(gòu)建每一個軌跡分割段的參考基線，并將其作為位置參考，計算GPS軌跡向量與其參考基線間的相似度，按照相似度閾值進(jìn)行濾選。結(jié)果表明，該方法可以實(shí)現(xiàn)眾源軌跡大數(shù)據(jù)按精度需求濾選，降低數(shù)據(jù)冗余度，為不同精度需求的信息提取提供可靠數(shù)據(jù)源。

1.2 點(diǎn)狀要素感知

道路場景中的點(diǎn)狀要素主要包含POI、地標(biāo)建筑、交叉口等，該類地理要素往往是道路網(wǎng)絡(luò)中的重要節(jié)點(diǎn)所在，在大眾空間認(rèn)知、定位導(dǎo)航、調(diào)控城市交通等諸多領(lǐng)域起著至關(guān)重要的作用。下列以基于眾包數(shù)據(jù)的POI獲取與應(yīng)用、交叉口結(jié)構(gòu)提取為例，闡述道路網(wǎng)絡(luò)空間中點(diǎn)狀要素感知方法。

1.2.1 POI獲取及應(yīng)用

POI作為一種代表真實(shí)地理實(shí)體的點(diǎn)狀地理空間大數(shù)據(jù)﹐是地理空間中具有標(biāo)志意義的地理對象[23]。POI數(shù)據(jù)不僅具有傳統(tǒng)大數(shù)據(jù)5V(數(shù)據(jù)量大、處理速度快、模態(tài)多樣﹑真假共存﹑價值豐富)特點(diǎn)；而且，單體POI數(shù)據(jù)包含了實(shí)體的名稱﹑經(jīng)緯度、地址、類型等信息，反映了實(shí)體所承載的人類活動及與地理位置的相互關(guān)聯(lián)性，能夠?qū)Τ鞘新肪W(wǎng)特性進(jìn)行可視化[11,24]。

POI的獲取主要分為電子地圖POI(如高德、百度等)、LBS簽到POI(如微博、大眾點(diǎn)評等)和手機(jī)信令POI(聯(lián)通、移動、電信等)3類。早期POI數(shù)據(jù)主要用于網(wǎng)絡(luò)信息查詢、地圖導(dǎo)航等功能，隨著數(shù)據(jù)采集方式革新及處理技術(shù)的日趨成熟，逐漸轉(zhuǎn)向POI地理信息挖掘與應(yīng)用研究[16]。在城市研究領(lǐng)域，利用POI數(shù)據(jù)進(jìn)行城市設(shè)施空間格局識別與評價[25]、城市功能空間劃分[26]、居民生活便利度[27]、城市設(shè)施可達(dá)性評估[28]等研究。在個人行為模式挖掘中，POI能夠表征、預(yù)測人類活動的空間分布，例如手機(jī)信令數(shù)據(jù)發(fā)現(xiàn)人類出行規(guī)律[29]、社交媒體簽到數(shù)據(jù)推測用戶的興趣偏好[30]等。

此外，將POI與多源數(shù)據(jù)融合，能夠?qū)崿F(xiàn)對復(fù)雜人地要素耦合關(guān)系的深度探尋[16]。例如，將POI與遙感影像結(jié)合，提取土地利用空間分布及變化[31]，彌補(bǔ)遙感影像對空間利用的單一化評價；與社會經(jīng)濟(jì)數(shù)據(jù)相結(jié)合，探究教育、住房發(fā)展等與經(jīng)濟(jì)增長之間的關(guān)系[32]。

1.2.2 交叉口結(jié)構(gòu)提取

交叉口是構(gòu)成道路網(wǎng)絡(luò)的基礎(chǔ)與核心要素，是城市交通路網(wǎng)生成、更新的重要組成部分。對于道路中心線級別的城市路網(wǎng)數(shù)據(jù)模型，交叉口一般被抽象表達(dá)為多條道路交匯的交點(diǎn)[33]；對于車行道級別的路網(wǎng)模型，由于路網(wǎng)細(xì)節(jié)的增加，交叉口通常被表達(dá)為分、合流點(diǎn)[34]；對于城市車道級路網(wǎng)數(shù)據(jù)模型，交叉口的空間結(jié)構(gòu)則需要更加詳細(xì)的描述，包括其空間范圍、轉(zhuǎn)向特征、拓?fù)溥B接等[35-36]。

基于GPS軌跡數(shù)據(jù)提取道路交叉口細(xì)節(jié)信息，實(shí)現(xiàn)城市道路中心線級別、車行道級別、車道級別多尺度的路網(wǎng)生成和更新，成為目前研究的熱點(diǎn)[21,37]。相比遙感影像或傳感器數(shù)據(jù)，GPS數(shù)據(jù)包含豐富的交通動/靜態(tài)信息，且存在易獲取、成本低、更新周期短的優(yōu)點(diǎn)，因此更加適用于大范圍城市交通路網(wǎng)信息的獲取和快速更新[38]。文獻(xiàn)[39]基于專業(yè)測量車獲取的高精度軌跡數(shù)據(jù)，構(gòu)建城市交叉口細(xì)節(jié)結(jié)構(gòu)，并完成城市交通路網(wǎng)的生成。文獻(xiàn)[40]提出了一種城市交叉口的多尺度自動識別方法，如圖2所示。該方法首先識別軌跡數(shù)據(jù)中的車輛轉(zhuǎn)向點(diǎn)對；然后采用基于距離和角度的生長聚類方法進(jìn)行轉(zhuǎn)向點(diǎn)對的空間聚類，并基于局部點(diǎn)連通性的聚類方法識別交叉口；最后利用交叉口范圍圓和轉(zhuǎn)向點(diǎn)對提取城市“道路中心線-車行道-車道”多級別路網(wǎng)下的交叉口結(jié)構(gòu)。

圖2 城市道路口多尺度自動識別方法[40]

1.3 線狀要素感知

道路網(wǎng)絡(luò)靜態(tài)線狀要素的感知主要是道路線的提取與變化檢測。相比于傳統(tǒng)的道路級、雙向級道路繪制，高時空分辨率道路場景感知不僅要求亞米級的高精度絕對坐標(biāo)，而且要能準(zhǔn)確描繪道路形狀、車道線、車道中心線和交通標(biāo)志等道路交通信息元素，具備高精度(高地圖數(shù)據(jù)精度)、高豐富度(高地圖數(shù)據(jù)類型)、高實(shí)時性(高地圖更新頻率)等特點(diǎn)[41]。然而，無論是遙感影像[42]、激光點(diǎn)云[43]，還是高精度DGPS、IMU數(shù)據(jù)[37]，都需要專業(yè)測繪設(shè)備進(jìn)行采集，不可避免地存在采集成本高、周期長、更新速度慢等缺點(diǎn)。

近些年來，隨著出租車GNSS接收機(jī)的普及，浮動車軌跡數(shù)據(jù)成為道路靜態(tài)要素感知的重要數(shù)據(jù)源；其采集速度快、成本低、蘊(yùn)含車道信息、更新周期短、遍布城市道路的特點(diǎn)能夠?yàn)楦邥r空精度的道路網(wǎng)絡(luò)獲取提供保障。

在車道級道路精細(xì)識別方面，基于眾包軌跡的提取方法一般分為3個步驟：①基于1.1節(jié)中介紹方法，對原始軌跡的噪聲進(jìn)行濾選；②推斷出GPS軌跡所在的車道位置；③利用交通道路規(guī)則等對車道的幾何形狀進(jìn)行重建[44]。例如，文獻(xiàn)[45]提出了一種基于樸素貝葉斯分類的車道數(shù)量探測方法，并獲得了約為84%的精度；文獻(xiàn)[46]提出了一種利用眾包軌跡數(shù)據(jù)構(gòu)建車道信息的方法CLRIC(圖3)：首先采用區(qū)域增長聚類方法對原始軌跡進(jìn)行過濾，得到高精度的GPS數(shù)據(jù)；其次，通過優(yōu)化的約束高斯混合模型對交通車道的數(shù)量及位置進(jìn)行挖掘。

圖3 基于約束高斯混合模型的車道級道路精細(xì)識別[46]

在完成道路精細(xì)識別與網(wǎng)絡(luò)構(gòu)建后，車道級路網(wǎng)的更新對于城市交通的發(fā)展至關(guān)重要。一般而言，基于車輛GPS軌跡的車道級路網(wǎng)變化檢測主要分為車道級地圖匹配和變化識別兩部分[47-48]。若軌跡點(diǎn)匹配成功，則獲取可匹配的軌跡數(shù)據(jù)進(jìn)行拓?fù)渥兓瘷z測，如車道變道規(guī)則變化、交叉口車道轉(zhuǎn)向規(guī)則變化；若軌跡數(shù)據(jù)匹配失敗，說明路段發(fā)生幾何變化，如車道新增、車道關(guān)閉(禁止通行)等。

1.4 面狀要素提取

對于面狀要素的提取主要集中在城市形態(tài)、土地利用類型、結(jié)構(gòu)功能分區(qū)等方面[49]。城市的空間結(jié)構(gòu)與形態(tài)對城市可持續(xù)發(fā)展具有重要影響，通常與城市功能結(jié)構(gòu)密切相關(guān)。傳統(tǒng)對于面狀要素的提取主要依賴國家或地區(qū)制圖機(jī)構(gòu)，使用遙感、地面感知、人工調(diào)繪等方法感知城市空間；然而，此類分析依賴于特定國家或城市的權(quán)威數(shù)據(jù)集[50]。眾包地理信息的發(fā)展改變了這種情況，為城市結(jié)構(gòu)與功能的研究開辟了新方法。

關(guān)于城市功能區(qū)的識別，文獻(xiàn)[51]引入概率主題模型，將每個城市區(qū)域視為一個文檔，將功能視為一個主題，并通過基于LDA的聚類方法對城市功能區(qū)進(jìn)行劃分；文獻(xiàn)[52]針對上述方法特征表達(dá)能力不足、無法提取移動模式上下文信息的缺點(diǎn)，提出將深度學(xué)習(xí)和概率主題模型結(jié)合的MPETM(mobility pattern embedded topic model)框架，對區(qū)域進(jìn)行主題建模及功能區(qū)劃分。文獻(xiàn)[53]提出了城市功能區(qū)識別框架UFAI：基于匿名軌跡數(shù)據(jù)進(jìn)行個體出行特征刻畫，以此劃分出8類人群；在此基礎(chǔ)上，通過構(gòu)建并訓(xùn)練多任務(wù)深度學(xué)習(xí)模型，完成城市功能區(qū)識別。

此外，在檢測功能區(qū)方面，社交媒體的簽到數(shù)據(jù)賦予了靜態(tài)POI未及的數(shù)據(jù)人類移動規(guī)律信息。文獻(xiàn)[54]提出了基于低秩近似的LRA模型，并用一年社交媒體簽到數(shù)據(jù)探測城市功能區(qū)及其時間模式。多源數(shù)據(jù)融合方面，文獻(xiàn)[55]將主題模型與支持向量機(jī)融合，并結(jié)合遙感影像數(shù)據(jù)探測城市功能區(qū)。文獻(xiàn)[56]提出了一種基于出租車軌跡和微博簽到數(shù)據(jù)的城市集群檢測與評估方法。該方法基于居民日常出行空間相似性，采用聚合空間聚類方法對城市集群進(jìn)行檢測；用跨區(qū)域出行指數(shù)、通勤方向指數(shù)和滿足需求指數(shù)3個指標(biāo)對檢測到的土地利用功能進(jìn)行合理性評估。

1.5 體狀要素提取

目前，對于道路場景靜態(tài)要素感知主要集中在平面交通；但隨著數(shù)字城市的發(fā)展，建筑物群、立體交叉口、城市下穿隧道等三維體狀要素提取成為立體交通道路網(wǎng)中不可或缺的部分，在道路交通三維仿真模擬、車輛軌跡跟蹤、車輛定位導(dǎo)航和路徑優(yōu)化等領(lǐng)域具有重要的意義[57]。

在智慧城市建設(shè)中，提取建筑物三維模型是構(gòu)建智慧城市的基礎(chǔ)和關(guān)鍵[58]。目前，一般采用激光雷達(dá)技術(shù)[59]、攝影測量(如貼近攝影測量[60]、傾斜攝影測量[61])作為采集大規(guī)模、精細(xì)建筑三維空間信息的重要手段[62]。

城市交叉口的空間位置、轉(zhuǎn)向信息、三維結(jié)構(gòu)是構(gòu)成城市各級交通路網(wǎng)數(shù)據(jù)的關(guān)鍵，承擔(dān)著連通整個道路網(wǎng)絡(luò)的功能。相比于1.2.2節(jié)描述的平面交叉口，由多種空間渠化功能構(gòu)成的立體交叉口具有拓?fù)溥B通關(guān)系復(fù)雜、空間線性結(jié)構(gòu)多樣、交通行駛規(guī)則變化快等特征[63]。

然而，目前利用眾包數(shù)據(jù)進(jìn)行道路場景三維制圖的研究少之又少，更別提立體交叉口提取?，F(xiàn)有方法主要在二維道路網(wǎng)絡(luò)的基礎(chǔ)上，借助軌跡高程分割、車輛俯仰角等方法獲取高程變化信息，進(jìn)行三維道路結(jié)構(gòu)的重建。例如，文獻(xiàn)[64]將車輛的俯仰角與2D交通地理信息系統(tǒng)(GIS-T)數(shù)據(jù)庫中的道路高程計算出的傾斜角進(jìn)行比較，以便在車輛進(jìn)入或離開多層次道路網(wǎng)絡(luò)(例如立交橋、高架路等)時將其鎖定在正確的道路層級上。文獻(xiàn)[65]提出了一種從車輛軌跡中提取立體交叉口三維結(jié)構(gòu)的方法(圖4)：通過檢測變化點(diǎn)，將軌跡分為不同高程趨勢的段；利用數(shù)據(jù)融合技術(shù)尋求不同軌跡之間的共識，得到斜坡和水平截面的范圍和高程；并基于語義分割和聚合提升算法，重建詳細(xì)的三維連接結(jié)構(gòu)。

圖4 立體交叉口三維線結(jié)構(gòu)與垂直關(guān)系提取結(jié)果[65]

2 道路場景動態(tài)活動行為“流”感知

1989年，Manuel Castells 在文獻(xiàn)[66]中首次提出流空間：流空間是通過流動而運(yùn)作的共享時間之社會實(shí)踐的物質(zhì)組織。文獻(xiàn)[67]認(rèn)為流空間是圍繞人流、物流、資金流、技術(shù)流和信息流等要素流動而建立起來的空間，以信息技術(shù)為基礎(chǔ)的網(wǎng)絡(luò)流線和快速交通流線為支撐，創(chuàng)造一種有目的的、反復(fù)的、可程式化的動態(tài)運(yùn)動。

在流對象的建模方面，早期對空間現(xiàn)象和過程的研究大多基于對點(diǎn)事件的建模和分析[68-69]。近年來，逐漸有學(xué)者發(fā)現(xiàn)單個空間點(diǎn)不能描述空間中的連續(xù)移動行為，于是將個體或群體兩個空間位置之間的流動表達(dá)為起點(diǎn)到止點(diǎn)的有向線段。隨著GIS領(lǐng)域的發(fā)展，諸多學(xué)者嘗試用時空集成建模與表達(dá)定量化分析人類行為[70]。為了更直觀地復(fù)現(xiàn)人群的時空移動特征，時空路徑逐漸被引入個體和群體移動的描述和表達(dá)研究中，并廣泛應(yīng)用于個體活動特征及群體行為模式的挖掘[71-72]。

在對網(wǎng)絡(luò)流對象的建模和表達(dá)方面，文獻(xiàn)[73]基于移動對象的方法提出了一種針對網(wǎng)絡(luò)空間中移動目標(biāo)的數(shù)據(jù)模型，該模型在網(wǎng)絡(luò)表達(dá)的基礎(chǔ)上，將移動目標(biāo)建模為網(wǎng)絡(luò)空間中具有移動屬性的一個點(diǎn)對象。無論是流模式中移動目標(biāo)本身還是時空移動軌跡，目前的建模與表達(dá)方法主要以空間點(diǎn)模式為基礎(chǔ)[74]，如通過分析軌跡點(diǎn)的分布規(guī)律研究人類移動性及車輛的運(yùn)動規(guī)律[75-76]。以上研究對傳統(tǒng)意義上發(fā)生在均質(zhì)平面中的流事件進(jìn)行了描述和建模，但對于道路網(wǎng)絡(luò)空間中的人、車、物移動形成的活動流，目前尚且缺乏全面、統(tǒng)一的建模與表達(dá)方法。

為此，下列將從道路動態(tài)場景感知及流模式分析的角度，構(gòu)建道路網(wǎng)絡(luò)空間活動流模型，給出活動流的一階核密度估計和二階相關(guān)性分析，形成道路網(wǎng)絡(luò)空間活動流的時空建模與多尺度分析理論方法。

2.1 道路網(wǎng)絡(luò)空間活動流的多尺度時空建模

人、車、物在道路網(wǎng)絡(luò)中的移動受到網(wǎng)絡(luò)空間格局與拓?fù)潢P(guān)系的影響，在道路網(wǎng)絡(luò)中呈一種連續(xù)線狀分布。道路網(wǎng)絡(luò)空間活動流模型(network activity flow model，NAFM)是對發(fā)生在道路網(wǎng)絡(luò)中的人流、車流、物流等事件和現(xiàn)象的抽象描述。NAFM的內(nèi)容主要包括：道路網(wǎng)絡(luò)活動流的多維表達(dá)和道路網(wǎng)絡(luò)活動流的定量測度兩個方面。其中，活動流的表達(dá)是對道路網(wǎng)絡(luò)活動流發(fā)生和分布的普適性表達(dá)；活動流的測度是對道路網(wǎng)絡(luò)活動流不同屬性特征的定量描述和歸納。

2.1.1 道路網(wǎng)絡(luò)活動流的時空表達(dá)

本文將在道路網(wǎng)絡(luò)空間中連續(xù)移動、具有確切起止點(diǎn)和發(fā)生過程的活動和事件稱為道路網(wǎng)絡(luò)空間活動流，表達(dá)為

NAm=[IDm,(Sm,STm),(Em,ETm),Lm,Attrm]

其中，NAm表示第m個道路網(wǎng)絡(luò)空間活動流；IDm表示第m個道路網(wǎng)絡(luò)空間活動的編號；Sm、STm分別表示為活動事件發(fā)生的起始位置點(diǎn)和時間；Em、ETm分別表示為活動事件發(fā)生的終止位置點(diǎn)和時間；Lm用來描述活動的發(fā)生過程；Attrm表示其語義屬性，如活動目的、活動模式、類型等。

在二維表達(dá)的基礎(chǔ)上(圖5(a))，為了反映出活動流空間位置和屬性特征的時空協(xié)同過程，需要對道路網(wǎng)絡(luò)活動流在三維乃至多維空間中進(jìn)行表達(dá)。圖5(b)所示為個體活動流在時空三維坐標(biāo)系下的表達(dá)，通過將個體的移動表達(dá)為時空路徑，可以反映活動流的位置隨時間的變化情況；圖5(c)為道路網(wǎng)絡(luò)活動流的多維表達(dá)，多維時空表達(dá)不僅能夠反映活動流的時空特征，同時能夠直觀地表達(dá)活動流的多種屬性，例如速度、能耗、污染物排放等。

圖5 道路網(wǎng)絡(luò)活動流的多維表達(dá)

2.1.2 道路網(wǎng)絡(luò)活動流的測度

為了全面理解道路網(wǎng)絡(luò)活動流，需要分析活動流在不同方面的特征。總體而言，道路網(wǎng)絡(luò)活動流具有兩類特征：第1類是流的語義特征，例如流的ID、流的類型(人流、車流、貨物流等)、流的目的(通勤、居住地遷移)，或是通行模式(步行、公交車、出租車等)。第2類則是通過定量量化的方式得到的、以數(shù)值描述的特征，也稱為道路網(wǎng)絡(luò)活動流的測度，如流速度、密度等。與以歐氏距離為基本測度的平面空間點(diǎn)不同，道路網(wǎng)絡(luò)活動流的測度需考慮流的完整性、網(wǎng)絡(luò)幾何與拓?fù)涞燃s束。表1給出了對道路網(wǎng)絡(luò)活動流特征的定量表達(dá)與描述。

表1 道路網(wǎng)絡(luò)活動流特征的定量測度

2.2 道路網(wǎng)絡(luò)空間活動流的一階特性

在對道路網(wǎng)絡(luò)空間中的流事件進(jìn)行合理表達(dá)的基礎(chǔ)上，為了深入挖掘和理解流事件的空間模式，挖掘流事件的空間分布所隱含的人類活動特征和地理知識，需要發(fā)展一套適合于網(wǎng)絡(luò)空間背景，具有一定長度、方向和分布空間的流事件的分析方法。

空間事件分析方法主要分為以密度計算為基礎(chǔ)的一階分析方法和以距離度量為基礎(chǔ)的二階分析方法，本節(jié)主要對網(wǎng)絡(luò)流事件的一階特性(即密度特性)進(jìn)行闡述。

在密度分析方面，最具代表性的方法是核密度估計(kernel density estimation,KDE)[77]。KDE方法由Parsen于1956年和1962年提出并完善，是分析空間要素聚集效應(yīng)的一種重要的非參數(shù)估計方法[78-79]。不同于通過統(tǒng)計單位面積上事件個數(shù)表征樣本分布模式的樣方法，KDE方法考慮到空間事件發(fā)生和分布的地理學(xué)第一定律，即“空間位置越近的事件關(guān)系越大”，在度量空間點(diǎn)事件的密度的基礎(chǔ)上，將整個空間平面生成一個光滑的密度表面，從而分析點(diǎn)事件的空間聚集特征，并識別事件的高發(fā)區(qū)域[80]。

傳統(tǒng)的KDE方法基于各向同性的二維均質(zhì)空間，以歐氏距離為度量估計整個空間內(nèi)事件的密度分布。后來網(wǎng)絡(luò)KDE方法逐漸被提出并應(yīng)用于網(wǎng)絡(luò)現(xiàn)象的分析和研究中[68-69]，基本原理是在密度的度量過程和結(jié)果表達(dá)中以網(wǎng)絡(luò)距離代替歐氏距離。盡管網(wǎng)絡(luò)KDE方法在最近十幾年間得到了發(fā)展，但由于網(wǎng)絡(luò)計算要比平面計算復(fù)雜得多，網(wǎng)絡(luò)KDE在方法的完善性和應(yīng)用面上還遠(yuǎn)不如平面KDE。特別是針對發(fā)生在網(wǎng)絡(luò)空間中、具有起止點(diǎn)并呈連續(xù)線狀分布的流事件的KDE分析方法仍然有所欠缺。

目前網(wǎng)絡(luò)流事件的分析方法主要有兩類，第1類是將線狀事件的空間分布轉(zhuǎn)化為點(diǎn)事件的空間分布，如文獻(xiàn)[68，81]分別將交叉口密度和道路中心點(diǎn)作為道路密度的近似；第2類直接采用平面線要素KDE方法，忽視了網(wǎng)絡(luò)空間的形狀和拓?fù)涮卣鳎绮捎闷矫婢€事件KDE方法估計路網(wǎng)密度或軌跡密度[82-83]。表2總結(jié)了目前點(diǎn)事件和流事件的一階空間分析方法。

表2 點(diǎn)事件和流事件一階核密度估計總結(jié)

為了能夠準(zhǔn)確度量發(fā)生在道路網(wǎng)絡(luò)空間中流事件的密度、全面分析流事件在網(wǎng)絡(luò)空間中的分布模式，文獻(xiàn)[90]提出了道路網(wǎng)絡(luò)活動流的核密度估計方法。該方法首先構(gòu)建了活動流密度分布函數(shù)，并分析單個流事件在道路網(wǎng)絡(luò)空間中的密度分布；然后考慮到網(wǎng)絡(luò)方向和拓?fù)潢P(guān)系估計道路網(wǎng)絡(luò)空間的流密度，并顧及網(wǎng)絡(luò)節(jié)點(diǎn)處密度計算的特殊情況，實(shí)現(xiàn)了道路網(wǎng)絡(luò)流密度的精確估計，如圖6所示。

圖6 顧及網(wǎng)絡(luò)拓?fù)潢P(guān)系的線事件密度分布[91]

2.3 道路網(wǎng)絡(luò)空間活動流的二階特性

網(wǎng)絡(luò)流事件的二階空間分析方法主要指以距離計算為基礎(chǔ)的空間異質(zhì)性分析方法，其中應(yīng)用最為廣泛的是Ripley 's K函數(shù)法[92]。

Ripley 's K函數(shù)法是一種平面空間點(diǎn)事件模式的多尺度分析方法。該方法以空間泊松分布為假設(shè)，通過在不同距離尺度下對空間點(diǎn)的聚集程度進(jìn)行分析，識別觀測點(diǎn)事件在不同尺度下的聚集模式。在度量空間事件的距離并識別空間類簇的過程中，由于不同距離尺度下觀測事件的空間鄰域大小不同，度量得到的空間模式往往不同。因此，在對空間事件進(jìn)行聚類分析時，需要一個合適的距離尺度作為聚類的判別標(biāo)準(zhǔn)。

Ripley 's K函數(shù)法分為全局Ripley 's K函數(shù)法(global Ripley 's K function)和局部Ripley 's K函數(shù)法(local Ripley 's K function)。前者為整個研究區(qū)域的所有點(diǎn)事件生成一個K函數(shù)值，判斷研究區(qū)域中事件整體是否呈聚集模式；后者能夠通過度量研究區(qū)域中各點(diǎn)對之間的距離實(shí)現(xiàn)不同距離尺度下類簇的定量提取[93]。

在網(wǎng)絡(luò)事件的分析方面，文獻(xiàn)[94]提出了網(wǎng)絡(luò)Ripley 's K函數(shù)，將Ripley 's K函數(shù)在歐氏度量空間的基礎(chǔ)上向網(wǎng)絡(luò)空間進(jìn)行了改進(jìn)和拓展。之后有學(xué)者進(jìn)一步驗(yàn)證了平面Ripley 's K函數(shù)法會對網(wǎng)絡(luò)事件的聚集程度產(chǎn)生過檢測[95-96]。但是目前Ripley 's K函數(shù)主要還是應(yīng)用于空間點(diǎn)模式分析，在對線狀分布的流事件的分析方面還有所欠缺。平面空間流事件多尺度聚類分析的一種簡單方式是ESRI ArcMap中提供的Ripley 's K函數(shù)功能，其處理方式是以流事件的質(zhì)心代替整個流事件，基本原理是“以點(diǎn)代線”。但是對于網(wǎng)絡(luò)活動流事件，在度量其距離時既要考慮到流事件的整體性，又要考慮到網(wǎng)絡(luò)格局和拓?fù)潢P(guān)系的限制，因而網(wǎng)絡(luò)活動流的Ripley 's K函數(shù)更加復(fù)雜。表3總結(jié)了目前點(diǎn)事件和流事件的二階空間分析方法。

表3 點(diǎn)事件和流事件Ripley 's K函數(shù)研究

文獻(xiàn)[99]提出了一種適用于發(fā)生和分布于道路網(wǎng)絡(luò)空間中、連續(xù)分布的網(wǎng)絡(luò)流事件的多尺度聚類分析方法——道路網(wǎng)絡(luò)活動流的Ripley 's K函數(shù)分析方法。該方法在顧及網(wǎng)絡(luò)活動流的整體性和網(wǎng)絡(luò)拓?fù)渑c方向性的基礎(chǔ)上，發(fā)展網(wǎng)絡(luò)活動流事件的空間距離度量方法,實(shí)現(xiàn)了網(wǎng)絡(luò)空間流事件之間的距離度量，如圖7(a)所示；在此基礎(chǔ)上，構(gòu)建了網(wǎng)絡(luò)活動流多尺度聚類分析Ripley 's K函數(shù)(NRK-F)，包括全局多尺度聚類分析Ripley 's K函數(shù)(global NRK-F)和局部多尺度聚類分析Ripley 's K函數(shù)(local NRK-F)，如圖7(b)所示；最后討論了網(wǎng)絡(luò)空間背景下流事件的隨機(jī)模擬方法，并分析了流事件在網(wǎng)絡(luò)空間中的分布模式。

圖7 道路網(wǎng)絡(luò)空間活動流的多尺度聚類分析[99]

3 道路場景高時空分辨率感知應(yīng)用

基于上述構(gòu)建了高精度道路地圖眾包感知理論體系和道路網(wǎng)絡(luò)空間活動流建模方法，下列闡述了靜態(tài)基礎(chǔ)設(shè)施“形”結(jié)構(gòu)與動態(tài)活動行為“流”模式的交互方式及具體應(yīng)用?？傮w而言，道路場景高時空分辨率感知應(yīng)用非常廣泛，主要交互方式包括：

(1)“形”+“流”的疊置分析，如地理空間異質(zhì)性分析的人群移動感知、車流擁堵分析、能耗排放感知等。

(2)以“形”控“流”的模式分析，如交通流管控分析的城市機(jī)動車限牌、道路橋梁限號通行、車輛類型限行等。

(3)借“流”定“形”的應(yīng)用分析，如道路網(wǎng)絡(luò)規(guī)劃建設(shè)的基礎(chǔ)設(shè)施選址、城市道路規(guī)劃、復(fù)雜路網(wǎng)優(yōu)化等。

本文立足于測繪、地理學(xué)科視角，以“形”“流”疊置分析應(yīng)用為例，簡要闡述道路場景“形”結(jié)構(gòu)與“流”模式交互作用下的“人-車-物”感知應(yīng)用，如圖8所示。

圖8 道路場景高時空分辨率感知應(yīng)用

3.1 道路網(wǎng)絡(luò)空間下的人流感知分析

人群流動是影響城市內(nèi)部社會經(jīng)濟(jì)活力、基礎(chǔ)設(shè)施建設(shè)、公共服務(wù)設(shè)施配置，以及城市道路交通狀態(tài)、居民住宅、生態(tài)環(huán)境等諸多方面的重要因素之一[100]。人流空間是由人、空間、設(shè)施、信息技術(shù)等要素，以及它們之間互動關(guān)系抽象組成的城市復(fù)雜網(wǎng)絡(luò)空間。其中，人群是人流空間中最為核心及活躍的主題，人群在不同城市空間之間的流動構(gòu)建起了空間的交互聯(lián)系，同時促進(jìn)了其他要素在該空間內(nèi)的相互關(guān)聯(lián)、聚集或擴(kuò)散，從而推動了城市形態(tài)結(jié)構(gòu)與功能分區(qū)的發(fā)展[5]。

近年來，已有諸多國內(nèi)外學(xué)者圍繞人群的流動與城市空間結(jié)構(gòu)特征、功能分區(qū)及其時空耦合關(guān)系，以及流動空間下的時空模擬預(yù)測等展開了豐富的研究。具體而言，在城市空間結(jié)構(gòu)特征與功能分區(qū)方面，文獻(xiàn)[101]對手機(jī)信令數(shù)據(jù)進(jìn)行了空間聚類和密度分級，用于識別城市公共中心的等級和職能類型；文獻(xiàn)[102]分析和比較了上海市不同等級商業(yè)中心消費(fèi)者數(shù)量的空間分布特征，探討了不同等級商業(yè)中心的消費(fèi)者空間分布特點(diǎn)；文獻(xiàn)[76]利用出租車GPS軌跡數(shù)據(jù)，將哈爾濱城市區(qū)域劃分為400個不同的交通區(qū)，并通過分析工作日和周末的出發(fā)點(diǎn)和目的地分布，理解不同時空分布下的人群移動特征。兩者時空耦合關(guān)系研究方面，諸多學(xué)者通過探究城市空間活力[103]、城市熱點(diǎn)區(qū)域[104-105]、空間步行可達(dá)性[106]、城市擇醫(yī)等級[107]及社區(qū)生活圈[108-109]等研究主題，揭示城市空間結(jié)構(gòu)分布對人群流動的影響及時空異質(zhì)特征。而在城市空間人流時空模擬預(yù)測方面，目前研究主要集中在交通領(lǐng)域，利用此類數(shù)據(jù)蘊(yùn)含的高精度流動信息，采用深度學(xué)習(xí)、圖網(wǎng)絡(luò)、復(fù)雜網(wǎng)絡(luò)等技術(shù)方法，探究構(gòu)建城市人流模擬預(yù)測的技術(shù)方法框架[5,110-111]。

在人流行為探測感知方面，一類集中在人流時空分布與移動模式，文獻(xiàn)[112]顧及道路網(wǎng)絡(luò)POI信息及地理鄰域相關(guān)特性，構(gòu)建了基于情境感知的非負(fù)張量分解模型，用于從城市異構(gòu)數(shù)據(jù)中挖掘并解釋人群移動模式；文獻(xiàn)[15]提出了基于主活動區(qū)域的人流時空分布算法，用于分析基于居住地的人類日常移動模式。另一類主要探究人群流動的異常行為，文獻(xiàn)[113]利用實(shí)時動態(tài)的交通路況信息和手機(jī)定位請求數(shù)據(jù)，通過融合STL時序分解技術(shù)與極端學(xué)生化偏差統(tǒng)計檢驗(yàn)的時間序列異常探測方法，監(jiān)測和分析暴雨內(nèi)澇災(zāi)害事件中城市道路交通和人群活動的時空響應(yīng)特征。文獻(xiàn)[114]提出了一種結(jié)合現(xiàn)實(shí)空間交通數(shù)據(jù)與賽博空間社交媒體數(shù)據(jù)的城市活動事件時空建模分析方法，探測識別與事件顯著相關(guān)的城市時空區(qū)域和交通流，刻畫事件全過程中城市地理空間與行為空間的人流時空演變特征。

3.2 道路網(wǎng)絡(luò)空間下的城市交通流感知

交通網(wǎng)絡(luò)作為人群流動、社會活動與經(jīng)濟(jì)發(fā)展的基礎(chǔ)，影響著城市內(nèi)部空間結(jié)構(gòu)與城市間交互關(guān)系的形成[115]。因此，開展交通流研究，特別是城市路網(wǎng)交通流的理論研究，對于促進(jìn)城市的可持續(xù)發(fā)展具有重要作用。

近年來，利用時空軌跡數(shù)據(jù)感知道路網(wǎng)絡(luò)的運(yùn)行狀態(tài)成為GIS領(lǐng)域的重要研究方向。一般而言，交通流的研究可以分為3個尺度：區(qū)域/路網(wǎng)尺度、道路/路段尺度及車道/轉(zhuǎn)向尺度[116]。在區(qū)域/路網(wǎng)尺度上，學(xué)者主要從宏觀角度研究交通狀態(tài)與城市空間結(jié)構(gòu)、土地利用、路網(wǎng)形態(tài)的關(guān)系[117-118]。在道路/路段尺度上，已有文獻(xiàn)通過各路段駛過車輛的平均速度或通行時間感知交通狀態(tài)，如使用環(huán)路探測器[119]、道路攝像頭[120]等；然而，這兩種數(shù)據(jù)的獲取都需要依賴固定傳感器，價格昂貴且空間覆蓋范圍有限。采用社交媒體文本[121-122]挖掘?qū)崟r交通信息是目前新興的城市動態(tài)交通流感知方法，但由于社交媒體數(shù)據(jù)的定位精度低、滯后性和發(fā)布人群的有偏性，其在大規(guī)模交通事件探測方面應(yīng)用有限。浮動車GPS數(shù)據(jù)的每條記錄都包含其ID、時間戳、經(jīng)緯度和行駛速度；且由于車輛在城市道路上行駛，如果軌跡數(shù)據(jù)的密度足夠大，可以覆蓋城市道路網(wǎng)絡(luò)[118]。因此，較高的路網(wǎng)覆蓋率和采樣頻率使得GPS軌跡數(shù)據(jù)成為交通信息的重要數(shù)據(jù)源，為動態(tài)交通流的探測奠定了基礎(chǔ)。

在時空軌跡數(shù)據(jù)的基礎(chǔ)上，筆者遵循地理學(xué)經(jīng)典的“格局-過程-機(jī)理”的研究范式，以感知道路交通流狀態(tài)、理解區(qū)域關(guān)聯(lián)及演化規(guī)律、洞察流動模擬預(yù)測為研究邏輯線索，對道路網(wǎng)絡(luò)空間下的城市交通流進(jìn)行建模與分析。

目前車輛GPS軌跡已經(jīng)成為滴滴、百度、高德等互聯(lián)網(wǎng)和地圖服務(wù)商為用戶提供即時交通信息的主要數(shù)據(jù)源。在利用車輛軌跡進(jìn)行交通流狀態(tài)感知方面，主要集中在對交通狀態(tài)異常的探測與分析，如交通擁堵、交通事故等。例如，文獻(xiàn)[119，123]從歷史GPS軌跡中探測出周期性交通擁堵的時空分布模式；文獻(xiàn)[124]利用GPS軌跡聚類獲得了道路上較精細(xì)的擁堵范圍。事件檢測方面，基于對浮動車數(shù)據(jù)的預(yù)處理，文獻(xiàn)[125]歸納分析了不同類型的事件檢測方法，并提出基于卷積神經(jīng)網(wǎng)絡(luò)的交通事件自動檢測算法；文獻(xiàn)[126]通過分析交通事件發(fā)生時的交通參數(shù)特性，提出了一種改進(jìn)的累積和算法，用于復(fù)現(xiàn)事件發(fā)生路段軌跡。

基于對道路交通狀態(tài)的感知，學(xué)者能夠?qū)煌鬟M(jìn)行更深層次的認(rèn)知與理解，如分析擁堵區(qū)域之間的關(guān)聯(lián)性和演化傳播規(guī)律。文獻(xiàn)[127]利用出租車軌跡數(shù)據(jù)分析了道路交通狀態(tài)的自相關(guān)模式；文獻(xiàn)[128]從城市道路的幾何形態(tài)和拓?fù)浣Y(jié)構(gòu)特征出發(fā)，提出了基于交通狀態(tài)變化的路段空間識別規(guī)則，用于描述道路交通狀態(tài)變化影響的空間異質(zhì)性；文獻(xiàn)[129]基于探測到的交通擁堵事件，對其傳播模式進(jìn)行了可視化分析。

在狀態(tài)感知、機(jī)理分析的基礎(chǔ)上，通過抽象道路間交互作用機(jī)制，選取合適的量化測度方法，采用神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、遷移學(xué)習(xí)等方法構(gòu)建交通流模擬預(yù)測模型[130-131]，展開不同道路場景下的驗(yàn)證評估。近年來，基于歷史GPS軌跡實(shí)現(xiàn)交通狀態(tài)預(yù)測、交通擁堵預(yù)測、通行時間預(yù)測及路徑規(guī)劃等是當(dāng)前研究的熱點(diǎn)。文獻(xiàn)[132]提出了一種基于注意力的動態(tài)時空神經(jīng)網(wǎng)絡(luò)市區(qū)交通流量預(yù)測模型，采用多層三維卷積捕捉城市區(qū)域交通流動性，改進(jìn)的殘差結(jié)構(gòu)結(jié)合空間注意力機(jī)制對空間依賴性進(jìn)行建模分析；文獻(xiàn)[133]基于馬爾可夫模型進(jìn)行道路擁堵的時空分布預(yù)測；文獻(xiàn)[134]基于捕獲的潛在交通狀態(tài)，提出了一種基于馬爾可夫鏈的改進(jìn)方法，通過考慮鄰接路段的時空相關(guān)性估計路徑旅行時間；文獻(xiàn)[135]將出租車司機(jī)經(jīng)驗(yàn)作為先驗(yàn)知識，提出約束深度強(qiáng)化學(xué)習(xí)算法，在線計算不同時間段內(nèi)OD間的最快路線。

然而，目前在車道/轉(zhuǎn)向尺度上的交通狀態(tài)研究仍然較少，極大程度上依賴于車道級高精度交通數(shù)據(jù)。車道級方面，文獻(xiàn)[136]利用車道級線圈與交通信號燈數(shù)據(jù)探測車道級擁堵路段；文獻(xiàn)[137]通過考慮車輛換道、轉(zhuǎn)向和直行等不同行車特點(diǎn)，建立車道級路段行車代價模型，提出了一種分層路徑軌跡搜索方法，以支持自動駕駛的車道級軌跡規(guī)劃。轉(zhuǎn)向級方面，文獻(xiàn)[138]提出一種基于出租車GPS軌跡的轉(zhuǎn)向級交通擁堵事件感知方法，用于分析交叉口不同轉(zhuǎn)向的擁堵時間、擁堵強(qiáng)度和擁堵距離等轉(zhuǎn)向級精細(xì)交通擁堵狀態(tài)(圖9(a))；文獻(xiàn)[89]利用低頻時空GPS軌跡數(shù)據(jù)，分析了交叉口的不同通行模式(左轉(zhuǎn)、直行和右轉(zhuǎn))，動態(tài)確定不同通行模式下的交叉口范圍，建立了不同轉(zhuǎn)向下通行時間的模糊回歸模型，實(shí)現(xiàn)了對交叉口通行時間的準(zhǔn)確探測(圖9(b))；文獻(xiàn)[139]利用低頻GNSS軌跡數(shù)據(jù)，提出了基于圖卷積網(wǎng)絡(luò)的轉(zhuǎn)向級交通流預(yù)測方法(圖9(c))：首先，顧及軌跡點(diǎn)間車輛運(yùn)動模式，提出一種排隊(duì)起始點(diǎn)估計模型；其次，基于對偶圖理論構(gòu)建轉(zhuǎn)向連通關(guān)系的圖結(jié)構(gòu)；最后，基于圖卷積神經(jīng)網(wǎng)絡(luò)提出一種顧及轉(zhuǎn)向時空模式的交通預(yù)測模型。

圖9 轉(zhuǎn)向級交通流的精細(xì)感知[89,116,138-139]

3.3 道路網(wǎng)絡(luò)空間下的能耗與排放流感知

隨著我國城市化進(jìn)程的不斷加快，作為派生需求的交通運(yùn)輸業(yè)也實(shí)現(xiàn)了顯著增長，使得城市交通系統(tǒng)的能源消耗及污染物排放成為道路網(wǎng)絡(luò)空間“物”流感知的研究熱點(diǎn)。

據(jù)統(tǒng)計，2019年交通運(yùn)輸業(yè)直接能耗4.39億噸標(biāo)準(zhǔn)煤，占全社會能耗的9.01%[140]。日益增長的交通碳排放不僅影響著城市環(huán)境和氣候，也嚴(yán)重阻礙了城市生態(tài)文明建設(shè)和可持續(xù)發(fā)展。2019年國務(wù)院印發(fā)的《交通強(qiáng)國建設(shè)綱要》中強(qiáng)調(diào)將生態(tài)文明建設(shè)和交通運(yùn)輸發(fā)展相融合，推進(jìn)城市交通綠色低碳發(fā)展。2021年中央經(jīng)濟(jì)工作會議中提出落實(shí)2030年應(yīng)對氣候變化國家自主貢獻(xiàn)目標(biāo)，力爭實(shí)現(xiàn)2030年前碳達(dá)峰、2060年前碳中和的目標(biāo)；而城市交通運(yùn)輸作為主要的碳排放源之一，是實(shí)現(xiàn)“雙碳”目標(biāo)的重要發(fā)力點(diǎn)。

應(yīng)用排放模型對車輛能耗及排放進(jìn)行估計是當(dāng)前研究熱點(diǎn)。近幾十年來，大量能耗、排放估計模型得到發(fā)展，如美國環(huán)保局開發(fā)的MOVES模型[141]、歐洲環(huán)境署開發(fā)的COPERT模型[142]、美國加州空氣資源局開發(fā)的EMFAC模型、國際可持續(xù)發(fā)展研究中心與加州大學(xué)河邊分校開發(fā)的IVE模型等[143-144]。文獻(xiàn)[145]利用高頻GPS軌跡數(shù)據(jù)，以車輛加速度為代入?yún)?shù)估計了新加坡城區(qū)的路網(wǎng)機(jī)動車排放量；文獻(xiàn)[146—147]利用GPS軌跡數(shù)據(jù)得到出租車在各軌跡段的平均速度、行駛里程等參數(shù)，并與COPERT模型結(jié)合，分別估計了上海和成都路網(wǎng)的能耗和排放時空分布；文獻(xiàn)[148]將時間地理學(xué)中的時空路徑概念引入車輛時空行為特征的分析中，提出了一種基于出租車軌跡數(shù)據(jù)的油耗與排放估計方法。具體而言，該方法首先在時空三維坐標(biāo)系下建立個體車輛的時空路徑，并從中識別單個車輛的移動/停留行為，用于對移動參數(shù)的提取及各時空路徑段的活動分析。在此基礎(chǔ)上，通過區(qū)分時空路徑中的冷啟動階段和熱啟動階段，利用微觀模型(CMEM)對燃料消耗及排放進(jìn)行更加精細(xì)的估計。

在交通可持續(xù)發(fā)展與治理策略方面，文獻(xiàn)[149]從人、車、路、交通基礎(chǔ)設(shè)施和交通環(huán)境5個方面分析了衡量低碳交通對城市交通生態(tài)環(huán)境貢獻(xiàn)的主要指標(biāo)。文獻(xiàn)[150]通過分析城市交通系統(tǒng)結(jié)構(gòu)及各要素因果關(guān)系，將城市交通能耗與排放系統(tǒng)劃分為：人口、經(jīng)濟(jì)、私家車、公共交通、物流與貨運(yùn)、交通基礎(chǔ)設(shè)施、能源消耗與排放等7個子系統(tǒng)，并利用系統(tǒng)動力學(xué)方法建立城市交通減排治理決策模型。文獻(xiàn)[151]探討了城市交通碳減排的激勵機(jī)制與實(shí)現(xiàn)途徑，包括發(fā)展TOD模式、推進(jìn)節(jié)能減排技術(shù)應(yīng)用、激勵低碳行駛、培育低碳出行文化等方式。

4 結(jié) 語

道路場景作為道路基礎(chǔ)設(shè)施與活動行為共同構(gòu)成的綜合體，承載著城市范圍內(nèi)與城市間大量的人口和物質(zhì)要素流動[5]。大數(shù)據(jù)時代，人人都是城市地理信息的使用者、感知者和采集者。由大眾采集的手機(jī)定位、車載GNSS軌跡、社交媒體、公交地鐵刷卡等時空大數(shù)據(jù)，是現(xiàn)代社會人類與交通空間交互所產(chǎn)生的一種時空大數(shù)據(jù)，具有采集簡單、成本低、空間覆蓋廣、時間連續(xù)性好等優(yōu)點(diǎn)，為高時空分辨率道路場景感知提供了可能。

道路場景靜態(tài)基礎(chǔ)設(shè)施要素通常分為點(diǎn)狀、線狀、面狀與體狀要素，利用時空大數(shù)據(jù)能夠?qū)Σ煌愋偷某鞘谢A(chǔ)設(shè)施進(jìn)行探測。點(diǎn)狀要素如興趣點(diǎn)(POI)獲取、道路交叉口識別等；線狀要素如道路、地鐵等交通網(wǎng)絡(luò)的提取與變化檢測；面狀要素的提取主要集中在城市形態(tài)、土地利用類型、結(jié)構(gòu)功能分區(qū)等方面；體狀要素指立體交叉口、多層次交通空間等。

在動態(tài)活動行為“流”感知方面，突破了傳統(tǒng)的點(diǎn)模式分析局限，構(gòu)建了道路網(wǎng)絡(luò)空間活動流模型，給出了活動流的一階核密度估計和二階相關(guān)性分析，形成了道路網(wǎng)絡(luò)空間活動流的時空建模與多尺度分析理論方法。

基于上述構(gòu)建的高精度道路地圖眾包感知理論體系和道路網(wǎng)絡(luò)空間活動流建模方法，本文闡述了靜態(tài)基礎(chǔ)設(shè)施“形”結(jié)構(gòu)與動態(tài)活動行為“流”模式的交互方式，并以“形”“流”疊置為例，探究了道路場景下“人-車-物”地理多元流的感知應(yīng)用。人流感知主要分為人流行為探測感知和人流-城市耦合關(guān)系兩大類；前者集中在人流時空分布與移動模式、人群流動的異常行為探測等方面；后者主要圍繞人群的流動與城市空間結(jié)構(gòu)特征、功能分區(qū)及其時空耦合關(guān)系、流動空間下的時空模擬預(yù)測等展開了豐富的研究。車流感知目前主要集中在道路/路段尺度，實(shí)現(xiàn)道路交通流狀態(tài)的探測、區(qū)域關(guān)聯(lián)及演化規(guī)律的認(rèn)知和道路交通狀態(tài)的預(yù)測及路徑規(guī)劃等。物流感知層面，本文集中在對道路網(wǎng)絡(luò)空間下車輛移動所產(chǎn)生的能耗及排放流的感知與分析。