[发明专利]一种基于出行轨迹数据的行程识别方法

说明书

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。