CN102607553A - 一种基于出行轨迹数据的行程识别方法 - Google Patents

Abstract

本发明公开了一种基于出行轨迹数据的行程识别方法，通过速度对轨迹点进行划分，并将速度低于一定速度阈值以下的轨迹点合并为候选停留位置，再利用距离阈值和时间阈值对候选停留位置进行合并，从而确定出真正的停留点。上述方法解决了手机定位轨迹数据的定位漂移和抖动的问题，行程识别精度高。当时间阈值取300秒，距离阈值取1100m时，查全率为87.66％，查准率为81.56％。同时，该方法通过调整距离和时间阈值还可以实现对GPS定位轨迹数据的分析。

Description

一种基于出行轨迹数据的行程识别方法

技术领域

本发明涉及一种基于出行轨迹数据的行程识别方法。本方法主要应用于通过分析手机定位轨迹数据获得出行轨迹，但同时也可应用于通过分析GPS定位轨迹数据获得出行轨迹。

背景技术

传统的行为活动信息获取以居民出行调查和活动日志调查为主，通过人工调查的方式开展。居民出行调查和活动日志调查已经形成一套完整的调查流程和规范，在国内外延用多年，但也一直受到几个问题的困扰，如受防者负担较大，调查准确性不高，花费巨大等。

近年来随着无线通讯技术、Internet技术的发展，手机和便携式GPS等具有空间定位能力的设备得到普及，设置后可以自动记录连续时刻的空间经纬度信息。采集后的数据能够形成完整的活动轨迹，大大丰富和增强了出行活动的还原效果，成为获取居民活动行为数据的另一条有效途径。但与此同时，这些被动式的出行数据采集方式往往缺少相应属性信息作为参考，无法直接从轨迹点中得到出行端点、出行时间、出行方式、出行目的等出行信息。因此，针对轨迹信息的数据处理和挖掘分析方法成为居民出行研究领域的热点。

目前，城市活动对象的轨迹采集主要有GPS定位和手机网络定位两种方式。定位技术获取的轨迹数据只是包含每一轨迹点的经纬度及其对应的时刻信息，通过数据本身无法直接得到活动行为的特征信息，如出行时间、出行方式、出行目的，以及更深层次的活动规律等。进行以上这些信息统计分析工作的基础，就是识别出出行者的两种活动类型，即活动的停留阶段和移动阶段。因此，出行识别的任务就是将无法直接理解的轨迹转化为能够认知的停留位置和在各个停留位置之间的移动。

如图1所示，行程识别就是将在空间上离散的轨迹点划分成停留活动点和移动活动点两大类。通过停留活动点获取人进行停留活动时的位置或位置范围，通过移动活动点生成人的移动路径。这样，有关停留时长、停留活动目的等信息可以由停留位置信息进行挖掘分析，出行方式、出行时间、出行距离等信息则可以从移动路径中提取。

目前，行程识别算法从识别停留点入手，主要有探索性方法和聚类法两大类。探索性方法还包括以下几种：

(1)基于记录间隙

早期车辆出行调查中使用的GPS设备没有电池，需要由发动中的车辆提供电力。车辆启动后，GPS设备通电开始记录轨迹数据，车辆熄火时，设备断电停止记录。因此，获得的车辆轨迹在时间上会出现间隙，可以用来区分停车行为。在正常的行驶过程中车辆也会发生短暂的熄火行为，需要设定一个时间阈值与停留活动时的车辆熄火相区别。

(2)基于静止点

该方法主要从速度入手，考察获取的轨迹点数据，当轨迹点的速度为0时认为该轨迹点为静止点，连续聚集的可以判断出一个停留地点。由于定位误差和漂移的存在，停留时的轨迹点速度不始终为0，需要设置速度阈值，通常以一个小于步行的速度为标准。

(3)基于缺失点

在地下或建筑物遮挡的情况下，GPS设备将无法接收GPS信号而产生数据缺失，即采集到的两个相邻轨迹点之间的时间间隔大于设置的时间间隔。对于这种情况，通过计算这两个点间的速度，并与两点前后的若干个轨迹点的速度比较，判断轨迹点缺失时发生了停留活动还是移动活动。

(4)基于方向特征

某些短时停留活动在开始或结束时会发生方向的改变，如停车接送人、取送货物等，可以通过识别若干个轨迹点的方向变化判断停留。Du将停留划分为长时间的确定停留和短时间的疑似停留，考察疑似停留的方向变化进一步验证是否发生停留。

(5)基于路网

计算轨迹点与路网的距离，获得偏离路网的轨迹点，结合停留时长对这些点做进一步判断。

轨迹数据一般以等时间间隔的方式采集，因此发生停留活动时将会有大量轨迹点聚集在某一位置附近，故可以使用聚类的方法进行识别。聚类法还包括以下方法：

(1)基于K-均值聚类

该方法先要确定两个参数：形成一个簇的最少轨迹点数n和聚类半径d。从第一个轨迹点开始，计算n个轨迹点中任意两点间的最大距离，如果小于d，这些轨迹点形成一个簇，即一个停留位置。之后，计算下一个轨迹点与该簇中心点的距离，如果小于d/2，则轨迹点加入该簇，否则该簇的聚类过程结束。重复进行以上过程直到所有轨迹点处理完成从而聚类出若干个停留位置。

(2)基于DBSCAN聚类

与K-均值聚类相似，也需要确定轨迹点数n和聚类半径d。计算每个点d范围内的轨迹点数量，如果小于n则认为该点为噪声，否则这些轨迹点形成一个簇。如果簇之间有重合，则合并相交的簇，最后形成若干个停留位置。该方法假设轨迹点始终等时记录，易受数据缺失的影响。

探索性方法建立在研究者对出行轨迹数据的理解和个人出行规律的经验基础之上，设定并不断优化多个用于识别的规则和参数，达到行程识别的目的。该方法贴近真实世界的经验感受，所需的规则和参数直观清晰，合理的设定能够取得良好的识别结果。但探索性方法对数据的针对性比较强，如果轨迹数据的获取方式和特征发生改变，已有的方法将不再适用。聚类算法对已有知识经验和数据本身特征的依赖性较弱，具有良好的适应性，但无论是K-均值还是DBSCAN聚类对噪声和长距离漂移的处理效果较差，易将一次停留分割成多次停留，识别精度不高。

上述探索性方法主要针对GPS定位方式获取的出行轨迹数据，难以应用于手机定位轨迹数据的行程识别分析。GPS定位和手机定位这两种获取方式得到的轨迹数据在轨迹特征定位精度方面存在很大不同，GPS定位轨迹数据定位精度较高，不易出现长距离的漂移，而手机定位轨迹数据定位精度和漂移特征均有赖于移动基站的分布密度，在远离市中心的区域漂移的距离较大，有时甚至可能出现一、二公里的定位漂移和抖动；大部分人的手机在白天一般不关机或有的人全天不关机，基于记录间隙的方法受到很大局限；城市中的手机信号盖范围比较全面，在建筑物内也不容易发生轨迹缺失的情况，用缺失点判断停留的方法可用性下降。因此，针对GPS轨迹的识别方法对手机定位轨迹并不适用。

发明内容

本发明设计开发了一种基于出行轨迹数据的行程识别方法。本发明通过速度对轨迹点进行划分，并将速度低于一定速度阈值以下的轨迹点合并为候选停留位置，再利用距离和时间阈值对候选停留位置进行合并，从而确定出真正的停留点。上述方法解决了手机定位轨迹数据的定位漂移和抖动的问题，行程识别精度高；同时，该方法通过调整距离和时间阈值还可以实现对GPS定位轨迹数据的分析。

本发明提供的技术方案为：

一种基于出行轨迹数据的行程识别方法，包括以下步骤：

步骤一、计算轨迹点的速度；

步骤二、将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔；

步骤三、当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则将所述多个候选停留位置的中心判定为停留点；

步骤四、所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤三是通过以下方式实现的，

(1)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(2)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(3)重复(2)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则(2)中所述停留序列的中心为停留点。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤二中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

(1)依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(X_(i，i+1)，y_(i，i+1))，

(2)依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

(3)计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤三中，(2)中所述停留序列的中心是通过以下方式实现的，

(1)计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

(2)计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

优选的是，所述的基于出行轨迹数据的行程识别方法中，还包括有

步骤五、所述步骤三中，(3)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于时间阈值时，则(2)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤四中，将所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间所有的轨迹点删除。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，

在当前轨迹点的前方和后方分别选取至少一个轨迹点，计算从第一个轨迹点到最后一个轨迹点之间的直线距离，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过从所述第一个轨迹点到最后一个轨迹点之间的直线距离除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，

在当前轨迹点的前方和后方分别选取至少一个轨迹点，分别计算两个相邻轨迹点之间的直线距离，并计算所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过所述所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

优选的是，所述的基于出行轨迹数据的行程识别方法中，所述时间阈值为300秒，所述距离阈值为1100米。

本发明所述的基于出行轨迹数据的行程识别方法，通过速度对轨迹点进行划分，并将速度低于一定速度阈值以下的轨迹点合并为候选停留位置，再利用距离阈值和时间阈值对候选停留位置进行合并，从而确定出真正的停留点。上述方法解决了手机定位轨迹数据的定位漂移和抖动的问题，行程识别精度高。当时间阈值取300秒，距离阈值取1100米时，查全率为87.66％，查准率为81.56％。同时，该方法通过调整距离和时间阈值还可以实现对GPS定位轨迹数据的分析。

附图说明

图1为行程识别示意图；

图2为轨迹点的速度计算示意图；

图3为轨迹点中候选停留点合并为候选停留位置的示意图；

图4为停留点识别算法流程图

图5为本发明的基于出行轨迹数据的行程识别方法中基于不同距离阈值和时间阈值的查全率的三维柱状图；

图6为本发明的基于出行轨迹数据的行程识别方法中基于不同距离阈值和时间阈值的查准率的三维柱状图；

图7为个体出行者行程识别结果的可视化示意图，其中，图7(a)为由原始轨迹数据得到的时空路径。(b)为经由行程识别后绘制的时空路径，经括号标识出的直线部分表示识别出的停留阶段，两段直线部分之间的弯折部分表示识别出的移动阶段。

图8为基于时空轨迹数据的概念模型层次结构；

图9为基于时空轨迹数据的逻辑模型中的关系映射图；

图10为居民出行轨迹可视化分析挖掘原型***中单个出行者轨迹的可视化表达图；

图11为居民出行轨迹可视化分析挖掘原型***中多个出行者轨迹的可视化表达图；

图12为居民出行轨迹可视化分析挖掘原型***中单个出行者多个日期轨迹的可视化表达；

图13为居民出行轨迹可视化分析挖掘原型***中多个出行者在同一日期的轨迹分布情况。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供一种基于出行轨迹数据的行程识别方法，包括以下步骤：

步骤一、计算轨迹点的速度；

步骤二、将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔；

步骤三、当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则将所述多个候选停留位置的中心判定为停留点；

步骤四、所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长。

所述的基于出行轨迹数据的行程识别方法中，所述步骤三是通过以下方式实现的，

(1)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(2)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(3)重复(2)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则(2)中所述停留序列的中心为停留点。

所述的基于出行轨迹数据的行程识别方法中，所述步骤二中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

(1)依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(X_(i，i+1)，y_(i，i+1))，

(2)依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

(3)计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

所述的基于出行轨迹数据的行程识别方法中，所述步骤三中，(2)中所述停留序列的中心是通过以下方式实现的，

(1)计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

(2)计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

所述的基于出行轨迹数据的行程识别方法中，还包括有步骤五、所述步骤三中，(3)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于时间阈值时，则(2)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。

所述的基于出行轨迹数据的行程识别方法中，所述步骤四中，将所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间所有的轨迹点删除。

所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度。

所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，在当前轨迹点的前方和后方分别选取至少一个轨迹点，计算从第一个轨迹点到最后一个轨迹点之间的直线距离，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过从所述第一个轨迹点到最后一个轨迹点之间的直线距离除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

所述的基于出行轨迹数据的行程识别方法中，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，在当前轨迹点的前方和后方分别选取至少一个轨迹点，分别计算两个相邻轨迹点之间的直线距离，并计算所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过所述所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

所述的基于出行轨迹数据的行程识别方法中，所述时间阈值为300秒，所述距离阈值为1100米。

本发明的方法可分为三个部分：(1)速度计算；(2)候选停留位置生成；(3)停留点识别。

一、速度计算

获得的原始轨迹数据中不包含速度信息，算法的第一步需要根据轨迹点记录的经度、纬度和时间信息计算出行者在各轨迹点的速度。严格意义的瞬时速度计算比较困难和复杂，因此考虑用轨迹点所在的一段轨迹上的平均速度来代替。

对GPS定位轨迹数据而言，其定位精度较高，不易出现长距离的漂移，轨迹点的速度由该轨迹点和与之相连的前后两个轨迹点组成的路径上的平均速度代替，如图2中的轨迹点p₃，其速度计算公式如下：

$p_3.v=\frac{D_{\left(\mathrm{2,3}\right)}+D_{\left(\mathrm{3,4}\right)}}{{\mathrm{\Δt}}_{\left(\mathrm{2,3}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{3,4}\right)}}$

式中，p₃.v——轨迹点p₃速度；

D_(i，j)——轨迹点p_i与轨迹点p_j间的距离；

Δt_(2，3)——轨迹点p_i与轨迹点p_j间的时间间隔。

对于手机定位轨迹数据，其定位精度和漂移特征有赖于移动基站的分布密度，在远离市中心的区域漂移的距离较大，有时可能出现一、二公里的定位漂移和抖动。针对以上问题，本文尝试采用轨迹点间的直线距离代替轨迹路径距离参与速度计算。如图2所示，在计算轨迹点p₃的速度时，不再计算轨迹点p₁、p₂、p₃、p₄、p₅之间相邻距离之和，直接计算轨迹点p₁、p₅间的直线距离作为出行者在t₁、t₅时刻间经过的路径长度。计算公式如下：

$p_3.v=\frac{D_{\left(\mathrm{1,5}\right)}}{{\mathrm{\Δt}}_{\left(\mathrm{1,2}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{2,3}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{3,4}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{4,5}\right)}}$

将计算结果与出行实际情况对比，使用该方法计算出的速度特征与实际出行活动发生的移动速度比较一致，并能很好的改善定位抖动对速度计算结果的影响。

二、候选停留位置生成

根据计算得到的速度，将轨迹点分成候选停留点和候选移动点两类，并将连续的候选停留点合并为候选停留位置，以进行下一步的停留判断。具体包括两方面的工作：候选停留点的合并和候选停留位置坐标的计算。

(1)候选停留点合并

候选停留点和候选移动点的划分主要依靠设定的速度阈值，速度阈值一般取居民出行方式中的最低速度下限，即步行方式的速度下限。正常人的步行速度一般在3-6千米/小时之间，也就是说步行方式的最慢速度约为0.8m/s。考虑速度计算误差的影响，以及前期试验的基础之上，本文取1米/秒作为速度阈值将轨迹点进行分类，分为候选停留点和候选移动点两类。之后，将两个以上连续的候选停留点ps合并为候选停留位置Stay′，候选停留位置是出行者有可能发生停留活动的位置，是否确定为停留点需要后续工作做进一步处理。该过程示意如图3。

(2)候选停留位置的坐标计算

合并为候选停留位置的候选停留点在空间上不能完全重叠，需要根据这些候选停留点的坐标计算出可以代表各候选停留位置的停留中心，也就是候选停留位置的坐标。在轨迹数据等时间间隔记录的前提下，可以通过计算各候选停留点的平均坐标得到停留中心的坐标，但在实际中会发生数据缺失的情况，对计算结果造成影响。因此，本文采用时间加权的方式计算候选停留位置的坐标。

首先，依次计算连续两候选停留点ps_i、ps_i+1的平均坐标(X_(i，i+1)，y_(i，i+1))：

$x_{(i,i+1)}=\frac{{\mathrm{ps}}_i.x+{\mathrm{ps}}_{i+1}.x}{2}$

$y_{(i,i+1)}=\frac{{\mathrm{ps}}_i.y+{\mathrm{ps}}_{i+1}.y}{2}$

式中，ps_i.x——候选停留点ps_i经度坐标；

ps_i.y——候选停留点ps_i纬度坐标；

之后，将两候选停留点间的时间间隔Δt_(i，i+1)与整个候选停留位置的停留时长Stay′.Δt的比值作为该平均坐标的权重wight_(i，i+1)：

${\mathrm{wight}}_{(i,i+1)}=\frac{{\mathrm{\Δt}}_{(i,i+1)}}{{\mathrm{Stay}}^{\′}.\mathrm{\Δt}}$

最后，计算候选停留位置的坐标：

${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)}$

${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}$

式中，Stay′.x——候选停留位置Stay′的经度坐标；

Stay′.y——候选停留位置Stay′的纬度坐标。

三、停留点识别

将候选停留点合并成候选停留位置后，需要做进一步分析，才能得到出行者发生活动的停留点。主要通过考察距离和时间两个因素对候选停留位置进行取舍和合并，算法流程图见图4，算法步骤具体描述如下：

步骤1、读取第一个候选停留位置Stay′₁，将其放入停留序列Sq，将Stay′₁的坐标作为停留序列Sq的中心坐标。

步骤2、判断是否还有未读取的候选停留位置，如果是，读取下一个候选停留位置Stay′_i，计算Stay′_i的中心坐标与Sq中心坐标的距离D_(i，Sq)，转到步骤3；如果否，转到步骤4。

步骤3、D_(i，Sq)是否小于设定的距离阈值Td，如果是，将Stay′_i放入停留序列Sq，重新计算停留序列Sq的中心坐标，转到步骤2；如果否，转到步骤4。

步骤4、计算Sq的停留开始时刻Sq.st和停留结束时刻Sq.et的时间间隔Sq.Δt，此处的时间间隔Sq.Δt是停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔。

步骤5、Sq.Δt是否大于设定的时间阈值Tt，如果是，Sq中的候选停留位置合并为停留点：(1)将包含在Sq的时刻Sq.st和时刻Sq.et之间的轨迹点删除(2)将时刻Sq.st和时刻Sq.et之间所有的轨迹点的坐标均用Sq的中心坐标替换，转到步骤6；如果否，Sq中的候选停留位置不构成停留点，则时刻Sq.st和时刻Sq.et之间所有的轨迹点均判定为移动点，判断Sq中是否包含最后一个候选停留位置，如果是，结束本次停留点判断，如果否，转到步骤6。

-步骤6.清空Sq中的候选停留位置，将Stay′_i放入Sq，将Stay′_i的停留中心坐标作为停留序列Sq的中心坐标，转到步骤2。当Sq中没有包含最后一个候选停留位置，则还要继续继续对候选停留位置的判定，以识别新的停留点，那么在Stay′_i-1与Stay′_i之间的候选移动点也被判定为移动点。

上述步骤2中重新计算停留序列Sq的中心坐标时，采用时间加权的方法，计算公式如下：

${\mathrm{wight}}_i=\frac{{\mathrm{Stay}}_i^{\′}\·\mathrm{\Δt}}{\mathrm{Sq}.\mathrm{et}-\mathrm{Sq}.\mathrm{st}}$

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y

式中，wight_i——候选停留位置Stay′_i的权重值；

Sq.st——停留序列Sq的停留开始时间(第一个候选停留位置的停留时长的开始时刻)；

Sq.et——停留序列Sq的停留结束时间(最后一个候选停留位置的停留时长的结束时刻)。

Sq.x——停留序列Sq中心点经度坐标；

Sq.y——停留序列Sq中心点纬度坐标。

四、评价指标

评价行程识别算法识别效果的指标主要包括查全率和查准率，两个概念定义如下：

查全率 $R=\frac{\mathrm{DS}}{S}$

查准率 $P=\frac{\mathrm{DS}}{D}$

其中，DS为识别出的真实停留点个数，S为实际的真实停留点个数，D为识别出的停留点个数。

五、识别结果

征集8位志愿者共20天的手机定位轨迹数据作为手机定位轨迹数据行程识别的研究对象。得到数据后请志愿者回想当天行程，结合出行轨迹填写活动日志从而确定真实停留点个数。

时间阈值和距离阈值的设计首先参考已有研究得到的经验，以120秒和200米为起始值，然后以60秒和100米为单位依次增加，最大增加到600秒和1500米。这样，实验中共有9个时间阈值和14个距离阈值，可以得到126组阈值组合，将每一个组合识别出的停留点与实际停留点比较，分别计算每一种组合的查全率和查准率，得到如图5和图6所示的查全率和查准率三维柱状图。

从图5和图6中可以看出，随着时间阈值和距离阈值的增大，停留点识别的查全率下降而查准率上升，主要原因为较小的阈值会将一次停留割裂为多次，而较大的阈值则会将时间或空间上发生的较近停留合并为一次停留。通过对比分析，时间阈值取300秒，距离阈值取1100米时，对手机定位轨迹数据的行程识别可以取得较好效果，查全率为87.66％，查准率为81.56％。

对于GPS定位轨迹数据，时间阈值可以选取300秒，距离阈值可以选取200米，行程识别的效果较好，查全率为88.14％，查准率为83.25％。

图7为个体出行者行程识别结果的可视化示意。图7(a)为由原始轨迹数据得到的时空路径，图7(b)为经由行程识别后绘制的时空路径，直线部分表示识别出的停留阶段，两段直线部分之间的弯折部分表示识别出的移动阶段。

本发明的方法对克服手机定位方式在静止活动时产生的大范围漂移具有良好效果。

手机定位轨迹数据通过在招募的志愿者手机上安装位置记录软件获得。安装的软件为蚁足网(http://mymobiletrack.com/)开发的Mobiletrack软件，该软件支持WinCE、Symbian S60和Android等智能手机***，采用Cell-ID定位方法。共采集到8位志愿者共20天的手机定位轨迹数据，采集时间间隔同样为1分钟，经其网站进行基站信息处理后得到kml格式的文本数据。主要包括位置记录的时间、经度和纬度信息，还需要添加记录关键字、志愿者编号等信息以便对位置记录区分。

出行者的轨迹是一种“时空轨迹”，对于这种轨迹数据的存储要充分考虑其时空特性，保证空间信息、时间信息和属性信息之间的关联性，最佳的方式是设计并建立一个时空数据模型用于轨迹的存储。

将用于轨迹表达的数学形式中的各元素用一个层次结构图表示(如图8)，从而构建出一个概念模型。

设计逻辑模型的目的是从概念模型转换出现阶段关系型数据库能够处理的数据库逻辑结构，使这些结构能够满足用户在功能、性能、完整性、一致性和可扩展性等方面的要求。图9为将概念模型转化后得到的逻辑模型的关系映射图。

转换后，模型中主要有四种实体对象：出行者、出行、移动轨迹点和停留。出行者(PERSON)对象表示调查中的一个出行者及其基本个人信息，包含的属性有：出行者编码(PID)、出行者姓名(PName)、性别(Sex)、收入(Salary)、家庭住址(HAddress)、驾照情况(PLic)、工作地(WAddress)和职业(Occupation)。其中PID为主关键字，用以标识不同的出行者。出行(TRIP)对象表示出行者的某次出行活动及该次出行的相关属性，主要有：出行编码(TID)、出行日期(Date)、出行者关键字(TPID)、出行序列号(TSequence)、出行目的(TType)和出行方式(TMode)。其中TID为主关键字，用以标识每一次出行活动。轨迹点(TRACK_POINT)对象表示出行活动所经历的某个轨迹点及其时空属性信息，主要有：轨迹点编码(TpID)、出行关键字(TpTID)、轨迹点时刻(TpTime)、轨迹点经度坐标(TpLon)和纬度坐标(TpLat)。其中TpID为主关键字，用以标识不同的轨迹点。停留(STAY)对象表示重要的活动场所及其时空和属性信息，主要有：停留编码(SID)、出行者关键字(SPID)、停留开始时间(SSTime)、停留结束时间(SETime)、停留点经度坐标(SLon)、停留点纬度坐标(SLat)、停留活动类型(SType)。其中LID为主关键字，用以标志不同的场所。

在将概念模型进行转换后，需要根据选择的数据库设计各数据表。选用Oracle作为轨迹存储的数据库。根据设计的逻辑模型和获得的出行者轨迹数据，为轨迹数据设计了4种数据表：各天的轨迹点数据表、出行者信息表、各天的停留活动表和各天的出行活动表。

(1)轨迹点数据表。该表主要存储一天中全部的轨迹点位置信息，包含位置点编号、出行者编号、时刻、经度、纬度、与上一位置点距离、速度、方向和出行活动编号等信息。表的字段设计如表1所示。

表1轨迹点数据表

(2)出行者信息表。该表主要存储出行者的相关信息，主要有出行者编号、出行者姓名、性别、收入、居住地信息、居住地坐标、驾照情况、职业、工作地和工作地坐标等。表的字段设计如表2所示。

表2出行者信息表

(3)停留活动表。该表主要存储停留活动的有关信息，主要有出行者编号、停留开始时刻、停留结束时刻，停留开始时刻对应的位置点编号，停留活动类型等。表的字段设计如表3所示。

表3停留活动表

(4)出行活动表。该表主要存储出行活动的有关信息，主要有出行者编号、出行活动编号、出行目的和出行方式等。表的字段设计如表4所示。

表4出行活动表

通过上述设计，建立起来一个针对时空轨迹数据的数据库。进一步通过使用C#编程语言并结合基于ArcGIS Engine的二次开发实现居民出行轨迹可视化分析挖掘原型***。居民出行轨迹可视化分析挖掘原型***实现在多种情况下对居民出行轨迹的可视化，见图10-13。

ArcGIS Engine的axSceneControl场景中，三维主要表示地理空间中的经度、纬度和高度(x，y，z)，将其中的高度z用来表示时刻t，那么地理空间的三维场景就可以转化为时空间三维场景，分别代表经度、纬度和时刻(x，y，t)。

在具体实现时，根据从数据库中获取的轨迹点的经度、纬度和时刻记录创建ArcGIS三维类型点，并通过axSceneControl场景控件提供的AddElement方法将其添加至axSceneControl场景中，实现轨迹点的显示。但出行者的轨迹在时间和空间上是连续的，无论是将各轨迹点连接成时空路径，还是用动态分段的方式重新标注时空路径，都需要对已知轨迹点插值以得到其他轨迹点的坐标。例如，要获得未知轨迹点的时空坐标(x_i，y_i，t_i )，可以由已知两个轨迹点(x_m，y_m，t_m )、(x_n，y_n，t_n )，t_m＜t_i＜t_n的时空坐标计算得到，一般采用线性内插公式：

$x_i=\left(\frac{t_i-t_m}{t_n-t_m}\right)(x_n-x_m)+x_m$

$y_i=\left(\frac{t_i-t_m}{t_n-t_m}\right)(y_n-y_m)+y_m$

原型***首先提供了四个基础功能，包括轨迹数据的管理与查询、轨迹的加载与显示、平面移动和轨迹时间切片展示。之后进行的数据挖掘、结果展示等都可以在这些基础功能之上扩充实现。

轨迹数据的管理与查询功能是以图形界面的方式提供轨迹原始文本数据的导入、维护和删除等基本操作。同时作为对数据库操作的核心部分，还封装了用于轨迹数据查询的SQL语句，简化了查询命令，便于其他功能的调用和开发。

轨迹加载与显示该功能实现了在三维场景中的轨迹可视化展示。通过对话框选择需要显示轨迹的出行者编号和日期。出行者编号既可以通过编号列表选择(单选或多选)，也可以手动数据感兴趣的出行者编号。同样，日期既可以指定某一具体日期，也可以指定某一出行者后选择显示该出行者所有日期的轨迹。完成选择后，轨迹数据就会显示在主窗体场景中。

底图平面的时间轴移动功能可以使底图平面在时间轴方向上移动，以便观察某一时刻轨迹所处的空间位置。在“时间轴移动”工具条中选择需要移动的底图平面图层和移动到的时刻。设置完成后，选中的底图平面就会移动到相应的时刻位置。

轨迹点时间切片展示功能将某一时刻所有出行者的空间位置展绘在场景中，便于用户观察分析人群的空间分布状况和规律。在“时间切片”工具条中选择底图平面图层、数据日期和切片时刻。设置完成后，选中时刻的所有轨迹点就会展绘到底图平面上。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于出行轨迹数据的行程识别方法，其特征在于，包括以下步骤：

步骤一、计算轨迹点的速度；

步骤二、将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔；

步骤三、当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则将所述多个候选停留位置的中心判定为停留点；

步骤四、所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长。

2.如权利要求1所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤三是通过以下方式实现的，

(1)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(2)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(3)重复(2)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于时间阈值时，则(2)中所述停留序列的中心为停留点。

3.如权利要求2所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤二中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

(1)依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(X_(i，i+1)，y_(i，i+1))，

(2)依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

(3)计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

4.如权利要求2所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤三中，(2)中所述停留序列的中心是通过以下方式实现的，

(1)计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

(2)计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

5.如权利要求2所述的基于出行轨迹数据的行程识别方法，其特征在于，还包括有

步骤五、所述步骤三中，(3)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于时间阈值时，则(2)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。

6.如权利要求1所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤四中，将所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间所有的轨迹点删除。

7.如权利要求1所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤一中，计算轨迹点的平均速度。

8.如权利要求7所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，

在当前轨迹点的前方和后方分别选取至少一个轨迹点，计算从第一个轨迹点到最后一个轨迹点之间的直线距离，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过从所述第一个轨迹点到最后一个轨迹点之间的直线距离除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

9.如权利要求7所述的基于出行轨迹数据的行程识别方法，其特征在于，所述步骤一中，计算轨迹点的平均速度，是通过以下方式实现的，

在当前轨迹点的前方和后方分别选取至少一个轨迹点，分别计算两个相邻轨迹点之间的直线距离，并计算所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和，计算第一个轨迹点到最后一个轨迹点之间的时间间隔，当前轨迹点的平均速度通过所述所选取的轨迹点中所有两个相邻轨迹点之间的直线距离之和除以所述第一个轨迹点到最后一个轨迹点之间的时间间隔得到。

10.如权利要求1所述的基于出行轨迹数据的行程识别方法，其特征在于，所述时间阈值为300秒，所述距离阈值为1100米。

Images