車輛GPS軌跡加油行為建模與時空分布分析

劉匯慧，闞子涵，吳華意，唐爐亮

(1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 武漢大學測繪學院，湖北 武漢 430079)

車輛GPS軌跡加油行為建模與時空分布分析

劉匯慧1,2，闞子涵1，吳華意1，唐爐亮1

(1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 武漢大學測繪學院，湖北 武漢 430079)

車輛加油行為不僅反映了能源的消耗和補充情況，同時也是能源需求和能源配置的重要指標，傳統基于小樣本問卷的加油行為調查方法無法揭示城市宏觀加油行為的時空分布特征。本文采用時空GPS軌跡大數據，對城市加油行為進行了描述與建模，并分析了其時空分布規律。該方法采用車輛與道路距離、平均速度、時間間隔、軌跡點間距4個指標，對加油行為進行了描述并建模；分析了在一定時間間隔采樣下，加油行為軌跡4個指標的具體時空特征；最后以武漢市出租車GPS軌跡數據為例，探測并分析了武漢市出租車加油行為與時空分布規律。試驗結果表明，本文方法可有效探測和分析城市加油行為，并能夠揭示能源空間配置低效情況。

加油行為；行為建模；GPS軌跡；時空分布

加油行為反映了城市能源的消耗和補充，是度量能源需求和城市能源配置效率的重要指標。對車輛的加油行為進行建模并探測其時空分布，有利于深入理解群體對能源的需求，并揭示能源空間配置低效情況。

目前已有關于加油行為的研究主要是將加油行為作為因子，進行加油站[1-4]或充電樁[5]的選址優化、計算加油車的最優調度[6]、分析能源經濟[7]等，而對車輛加油行為本身進行建模和分析的研究較少。目前分析車輛加油行為仍主要通過調查問卷的方法[8-10]，該方法雖然能夠提供關于加油行為具體的信息，但是由于樣本容量小，無法支持宏觀尺度上對加油行為的感知，也不能探測出群體加油行為的時空分布規律。Zhang等[11]利用GPS數據探測了出租車加油事件，但缺乏對加油事件時空分布特征和分布模式的分析。

由車輛軌跡數據等構成的位置大數據為地理信息科學(GIS)帶來了新的機遇和挑戰[12-13]。然而，由于GPS軌跡數據只記錄了時相與位置信息，目前仍面臨著軌跡數據豐富但活動信息匱乏的困境[14]，從軌跡數據中挖掘環境變化和人類活動成為當今的研究熱點。目前基于時空GPS軌跡的研究能夠較好地挖掘城市交通動態[15-17]和人類活動[18-22]知識。然而目前對人類行為的研究仍存在關注移動行為、忽略停留期間行為的問題[23]。車輛加油行為是一種重要的停留行為，本文將采用時空GPS軌跡大數據對城市加油行為進行分析和建模，以武漢市出租車GPS軌跡數據為例，探測出武漢市出租車加氣行為，并分析加氣行為的時空分布特征。

一、基于時空GPS軌跡的車輛加油行為建模

本文中車輛加油行為是指駛入加油站—停車加油—駛離加油站的過程。加油行為的一個重要特征是停車熄火，即加油過程中保持GPS接收和發射信號位置不變，因此車輛群體加油行為在GPS軌跡中整體表現為軌跡點在加油站周圍的聚集模式。對于車輛個體，在加油過程中由于GPS裝置處于停止工作狀態，因此不返回數據。當加油完成后車輛啟動并恢復供電，此時車內GPS裝置開始工作并返回數據。整個過程中只在加油斷電前和通電后留下兩個軌跡點，且這兩個軌跡點之間時間間隔較大，大于等于加油行為的持續時間。本文通過分析車輛加油過程中GPS軌跡的時間、空間、速度等特征，采用車輛與道路距離、平均速度、時間間隔、軌跡點間距4個指標描述加油行為并建模。車輛加油行為的軌跡特征如圖1所示。

圖1 車輛加油過程行為軌跡

定義GPS軌跡的道路距離、平均速度、時間間隔、軌跡點間距4個指標作為加油行為的特征。

1) 道路距離d_road。根據規定，加油站與城市主干路、次干路和支路的距離應不小于10～12 m[24]。加油行為發生在加油站覆蓋范圍之內，因此加油行為中車輛與道路的關系為：在道路上行駛—偏離道路進入加油站—駛離加油站回到道路上。車輛與道路距離以d_road表示，如圖1所示。

2) 平均速度v。車輛加油行為的前后過程為：在道路上正常行駛—減速進入加油站—停車加油—加速駛離加油站—回到道路上正常行駛，對應車輛平均速度先減小到接近為零再增加，平均速度為

vi=D(Pi+1-Pi)/(Ti+1-Ti)

(1)

式中，D(Pi+1-Pi)表示相鄰軌跡點Pi+1和Pi之間的歐氏距離；Ti+1和Ti分別表示軌跡點Pi+1和Pi的返回時間。

3) 時間間隔time_interval。由于車輛加油過程中GPS無回傳數據，因此加油停車前后相鄰兩個軌跡點之間的時間間隔要大于正常行駛時相鄰軌跡點之間的時間間隔(如40 s)。調查表明，加油停車一般持續在180 s以上，因此可將車輛加油的時間間隔特征作為識別加油行為的依據。車輛加油的時間間隔為

(2)

4) 軌跡點間距dist。車輛加油過程中由于位置不變，相鄰軌跡點間距應小于正常行駛下的軌跡點間距。因此在車輛減速進入加油站—停車加油—加速駛離加油站的過程中，軌跡點間距具有先減小再增大的特征。軌跡點間距為

(3)

基于以上分析，定義車輛加油行為(Refuling Activity,RA)為以上4種特征組成的四元組

二、車輛加油行為的軌跡特征分析

加油行為前后車輛快速進入加油站停車加油之后快速駛離，整個過程中留下少量GPS軌跡點。加油行為的開始和結束由停車斷電前后兩個軌跡點來描述，根據車輛軌跡采樣間隔和停車前后GPS信號接收情況，加油行為的起止點與加油站的位置關系呈現4種模式，如圖2所示。

圖2 加油軌跡點模式

1) 加油行為起點在加油站外，終點在加油站中。車輛駛入加油站后還未接收到信號就停車斷電，此時起點應該是駛入加油站前的最后一個軌跡點，加油完成恢復供電后駛離加油站之前留下第2個軌跡點。

2) 加油行為起點在加油站中，終點在加油站外。這種情況是車輛駛入加油站后留下一個軌跡點之后停車斷電，恢復供電之后并沒有立刻接收到GPS信號，而是駛離加油站之后留下第2個軌跡點。

3) 起點和終點都在加油站中。車輛駛入加油站后斷電前留下一個軌跡點，恢復供電后駛離加油站前留下第2個軌跡點，這種情況下加油行為的起止點都位于加油站中。

4) 起點和終點都在加油站外。車輛在駛入加油站前留下一個軌跡點，之后在加油站中并未留下軌跡點就停車斷電，加油完成恢復供電后也并未立刻返回GPS信號，直到車輛駛離加油站回到道路上才返回第2個GPS點。

根據加油行為的起止點與加油站的位置關系的4種不同情況，車輛與道路距離、平均速度、時間間隔、軌跡點間距4個特征也有相應的模式，分別表現為：

1) 道路距離特征d_road。圖2中4種加油模式對應的道路距離特征如圖3所示，其中圖3(a)—(c)中加油行為起止點中至少有一個點與路網有較大偏移，而圖3(d)中加油行為的道路距離特征則不明顯，應結合其他特征共同判斷是否為加油行為。

2) 平均速度v。加油行為停車前后車輛先減速之后再加速，因此平均速度呈現V型特征，并且在行為起止點間速度達到最低值，如圖4所示，其中點P2的平均速度值代表加油行為P2—P3之間的平均速度。

圖3 加油行為4種模式對應道路距離特征

圖4 加油行為軌跡平均速度

3) 時間間隔time_interval。加油行為由于在加油站停車較長時間，前后軌跡點時間間隔在停車加油處存在一個峰值，圖5為加油行為軌跡時間間隔。

圖5 加油行為軌跡時間間隔

4) 軌跡點間距dist。加油單條軌跡GPS軌跡點之間的距離具有很大的不確定性。加油的軌跡間距的不確定性解釋在兩種極端情況之間，如圖6所示。假設車輛GPS接收時間間隔為40 s，第一種極端情況是車輛在斷電之前留下一個GPS軌跡點A，之后繼續行駛40 s，剛好在下一個信號接收時斷電。在這種情況下加油行為起止點之間車輛行駛了80 s，如圖6(a)所示，加油行為起止點之間距離大于正常行駛的軌跡點間距。第二種極端情況是，車輛留下一個GPS軌跡點A之后立刻斷電，在完成加油并恢復供電之后立刻回傳第2個GPS點B，在這種情況下整個加油行為中車輛正常行駛0 s，因此軌跡點間距接近于0，如圖6(b)所示。綜上所述，加油行為GPS軌跡點間距在這兩種極端情況之間，實際中應結合其他3個指標協同判定是否為加油行為。

圖6 加油行為起止點的兩種極端情況

三、出租車加氣行為探測與時空分布分析

本文中以武漢市出租車GPS軌跡數據源探測出租車加氣行為分布，并分析其時空演化規律。目前武漢市共有出租車接近2萬輛，采用天然氣作為能源保持日常運行。本文采用武漢市2014年8月共10 614輛出租車的GPS軌跡數據進行加氣行為的探測，武漢市59個加氣站的和路網空間分布如圖7所示。

圖7 武漢市加氣站分布和路網數據

出租車GPS軌跡數據部分原始記錄見表1。其中V_ID為出租車的編號；UTCTime為根據GPS原子鐘記錄的UTC時間，單位為s；(X，Y)為GPS定位瞬間出租車所在位置；v為出租車的瞬時速度；status為出租車的載客狀態，其中“1”表示滿載，“0”表示空載。

表1 出租車GPS軌跡原始記錄

本節采用支持向量機(support vector machine,SVM)進行武漢市出租車加氣事件行為探測。SVM是一個監督學習模型，具備泛化錯誤低、對向量維數不敏感等優點，是目前在分類領域中非常流行的一種算法。本文基于加油行為車輛與道路距離、平均速度、時間間隔和軌跡點間距4個特征，利用SVM算法區分出租車加氣事件與非加氣事件。試驗中選取武漢市3個典型加氣站，根據加氣事件的上述4個特征從原始出租車GPS軌跡中人工標記真實加氣事件2727個，將其中1363個作為事件樣本，采用SVM進行訓練，將余下1364個事件作為試驗事件，本文對加氣事件建模的準確性進行交叉驗證，結果見表2。

表2 SVM方法加氣事件探測結果

從表2可以看出，在不引入加氣站位置的前提下，對加氣行為軌跡分析建模并用SVM算法探測加氣行為的準確率達75%以上，召回率達85%以上。其中11號加氣站結果與17號加氣站結果相似，45號加氣站得到的召回率最低，而準確率最高。這是由于45號加氣站后方有較大的停車場，而停車事件的軌跡與加氣事件軌跡相似，在樣本訓練得到最優分類面時，犧牲了部分加氣事件以保證準確率。另一方面由于GPS定位誤差導致的一些加氣事件被誤判為非加氣事件，降低了召回率。

最后，本文利用訓練的SVM分類器探測武漢市出租車加氣行為，時空分布如圖8所示，其中橫軸表示與圖7對應的加氣站ID號，縱軸表示1 d的24 h，每個柵格的顏色深度表示一個加氣站在1 h內發生加氣行為的數量。

圖8 武漢市出租車加氣行為時空分布

圖8為武漢市1 d內出租車加氣行為的時空分布，反映了出租車加氣行為在時間維和空間維上的模式。在時間維度上，加氣行為更加傾向于下午和晚上，主要集中在11:00—17:00和20:00—24:00；由于夜間運營的出租車較白天少，因此清晨發生的加氣行為較少；大量加氣行為集中于中午時段，這是由于加氣站除提供加氣服務之外還能夠提供停車空間，并且加氣站周圍分布著快餐店，可以滿足午間出租車司機的就餐和休息需求。從圖8中可觀測到1 d中存在兩個加氣事件的間隙，第1個較寬的間隙發生在5:00—9:00左右，第2個較窄的間隙發生在18:00—19:00，兩個間隙發生的時間都是在出租車的交接班時間之后，由于出租車在交接班之前都會將氣加滿，因此在交接班之后短時間段內，出租車司機的加氣需求較小。

圖8也反映了空間維度上出租車對加氣站的選擇偏好與加氣站資源配置的合理性。在空間上，出租車加氣行為表現出了均質性和非均質性。一方面，出租車加氣行為在加氣站聚集的位置呈相似的分布，如加氣站8—10、16—18和43—46處的加氣行為呈相似分布；另一方面，在加氣站聚集簇內部，加氣行為呈現出非均質特征，如加氣站1和2在空間上鄰近，但是加氣行為分布卻有很大的差異，加氣站1的加氣行為非常少，而加氣站2的加氣行為分布較正常。并且可以發現，一些加氣站的加氣行為分布非常少，如加氣站1、3、4、14、21、27、36、42和58，說明這些加氣行為分布稀疏的加氣站的能源補充服務效率非常低，政府相關部門應該調整這些加氣站的分布來提高城市整體能源服務效率。

四、結束語

本文采用時空GPS軌跡大數據對城市加油行為進行探測并分析了其時空演化規律。首先，分析了加油行為軌跡的時空特征，采用車輛與道路距離、平均速度、時間間隔、軌跡點間距4個指標描述加油行為并建模；然后分析了車輛加油行為的具體特征與差異；最后以武漢市出租車GPS軌跡數據為例，基于提出的加油行為模型，采用SVM方法探測出武漢市出租車加氣行為，并分析了加氣行為的時空分布規律及能源配置效率。試驗結果表明，本文方法可有效探測和分析城市加油行為，并能夠從行為角度揭示能源空間配置低效情況，為公共資源優化調整提供有效的輔助決策支撐。

[1] UPCHURCH C, KUBY M. Comparing the P-Median and Flow-refueling Models for Locating Alternative-fuel Stations[J]. Journal of Transport Geography, 2010, 18(6)：750-758.

[2] HE F, WU D, YIN Y, et al. Optimal Deployment of Public Charging Stations for Plug-In Hybrid Electric Vehicles[J]. Transportation Research Part B: Methodological, 2013(47)：87-101.

[3] NIE Y M，GHAMAMI M A. Corridor-centric Approach to Planning Electric Vehicle Charging Infrastructure[J]. Transportation Research Part B: Methodological, 2013(57)：172-190.

[4] ZOCKAIE A, AASHTIANI H Z, GHAMAMI M, et al. Solving Detour-based Fuel Stations Location Problems[J]. Computer-aided Civil and Infrastructure Engineering, 2015,31(2):132-144.

[5] TU W, LI Q, FANG Z, et al. Optimizing the Locations of Electric Taxi Charging Stations: A Spatial-temporal Demand Coverage Approach[J]. Transportation Research Part C, 2016(65): 172-189.

[6] 徐瑞時,唐小衛,朱金福. 基于多智能體協商的加油車調度優化算法[J]. 武漢理工大學學報,2013(12):92-98.

[7] CHAN T Y, PADMANABHAN V, SEETHARAMAN P B. An Econometric Model of Location and Pricing in the Gasoline Market[J]. Journal of Marketing Research, 2007, 44(4)：622-635.

[8] DINGEMANS D, SPERLING D, KITAMURA R. Mental Maps and the Refueling Activities of Vehicle Drivers[J]. Transportation Research Record,1986(1092)：1-10.

[9] KITAMURA R， SPERLING D. Refueling Activities of Automobile Drivers[J]. Transportation Research Part A: General, 1987, 21(3):235-245.

[10] KELLEY S，KUBY M. On The Way or Around the Corner? Observed Refueling Choices of Alternative-fuel Drivers in Southern California[J]. Journal of Transport Geography, 2013(33): 258-267.

[11] ZHANG F, YUAN N J, WILKIE D, et al. Sensing the Pulse of Urban Refueling Activities: A Perspective from Taxi Mobility[J]. ACM Transactions on Intelligent Systems and Technology, 2015, 6(3): 37.

[12] 肖建華, 彭清山, 李海亭. “測繪4.0”:互聯網時代下的測繪地理信息[J]. 測繪通報, 2015(7): 1-4.

[13] 王凱, 曹建成, 王乃生, 等. Hadoop支持下的地理信息大數據處理技術初探[J]. 測繪通報, 2015(10): 114-117.

[14] GONG L, LIU X, WU L, et al. Inferring Trip Purposes and Uncovering Travel Patterns from Taxi Trajectory Data[J]. Cartography and Geographic Information Science, 2016, 43(2): 103-114.

[15] 唐爐亮，劉章，楊雪, 等. 符合認知規律的時空軌跡融合與路網生成方法[J]. 測繪學報, 2015, 44(11): 1271-1276.

[16] WANG, Z Q, KAN Z H, HONG J, et al. Path Optimization Based on City Intersection Turning Analysis from Floating Car Data[J]. Applied Mechanics and Materials, 2014(577)：1055-1060.

[17] 唐爐亮，常曉猛，李清泉. 出租車經驗知識建模與路徑規劃算法[J]. 測繪學報，2010, 39 (4)：404-409.

[18] 桂智明，向宇，李玉鑒. 基于出租車軌跡的并行城市熱點區域發現[J]. 華中科技大學學報(自然科學版)，2012，40(1)：187-190.

[19] PAN G, QI G, WU Z, et al. Land-use Classification Using Taxi GPS Traces[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 113-123.

[20] 孫飛，張霞，唐爐亮，等. 基于GPS軌跡大數據的優質客源時空分布研究[J]. 地球信息科學學報, 2015, 17(3): 329-335.

[21] LI X, PAN G, WU Z, et al. Prediction of Urban Human Mobility Using Large-scale Taxi Traces and Its Applications[J]. Frontiers of Computer Science in China, 2012, 6(1):111-121.

[22] LIU L, ANDRIS C, RATTI C. Uncovering Cabdrivers’ Behavior Patterns from Their Digital Traces[J]. Computers Environment & Urban Systems, 2010(34)：541-548.

[23] 蕭世倫，方志祥. 從時空GIS視野來定量分析人類行為的思考[J]. 武漢大學學報(信息科學版)，2014，39(6)：667-670.

[24] 中華人民共和國住房和城鄉建設部，中華人民共和國國家質量監督檢驗檢疫總局.汽車加油加氣站設計與施工規范:GB 50156—2012[S]. 北京：中國計劃出版社，2012.

Vehicles’RefuelingActivityModelingandSpace-timeDistributionAnalysis

LIU Huihui，KAN Zihan，WU Huayi，TANG Luliang

time_interval=Ti+1-Ti

dist=D(Pi+1-Pi)

RA={d_road,v,time_interval,dist}

劉匯慧，闞子涵，吳華意,等.車輛GPS軌跡加油行為建模與時空分布分析[J].測繪通報，2016(9)：29-34.

10.13474/j.cnki.11-2246.2016.0286.

P208

B

0494-0911(2016)09-0029-06

2016-05-19

國家自然科學基金(41571430；41271442；40801155)；測繪遙感信息工程國家重點實驗室專項科研經費

劉匯慧(1978—)，女，博士生，助理實驗員，主要從事時空GIS、時空數據處理、時空軌跡數據分析等方面的研究。E-mail：hhliu@sgg.whu.edu.cn