面向港口停留區域識別的船舶停留軌跡提取方法

鄭振濤 趙卓峰 王桂玲 徐垚

摘 要：針對港口停留區域識別時船舶軌跡大數據的精度低、稀疏、漂移等問題，提出了一種多約束條件下的船舶停留軌跡提取（MPTSSE）方法。首先，結合船舶軌跡數據特點，給出了用于停留區域識別與提取的停留段概念的定義;其次，建立了基于速度、時間差、停留時長、距離等多約束的軌跡停留段提取模型和并行化軌跡停留段提取算法;最后，基于Hadoop框架給出了船舶軌跡大數據集上的軌跡停留段提取算法實現。基于真實船舶軌跡數據的實驗結果表明，與基于Stop/Move模型的軌跡停留提取方法相比，MPTSSE方法在三個港口泊位的提取中準確率提高了22%。MPTSSE方法能有效避免軌跡停留段誤分割情況，同時在大規模船舶軌跡數據下具有較高的執行效率。

關鍵詞：港口停留區域;船舶軌跡數據;停留軌跡;多約束提取;Hadoop框架

中圖分類號： TP312

文獻標志碼：A

Abstract： Ship trajectory data shows the characteristics of low precision， sparseness and trajectory drift for the port parking area recognition. To improve the accuracy of port parking area recognition based on ship trajectory big data， a Multi-constrained and Parallel Track Stay Segment Extraction （MPTSSE） method was proposed. Firstly， the definition of stay segment based on ship trajectory data was given as a basic concept for parking area identification. Secondly， a stay segment extraction model based on multiple constraints， such as speed， time difference， dwell time and distance， was introduced. Furthermore， a parallel trajectory stay segment extraction algorithm was proposed. Finally， Hadoop framework was adopted to implement the proposed algorithm. In comparison experiments with the trajectory stay segment extraction method based on Stop/Move model based on real ship trajectory big dataset， the accuracy of MPTSSE is increased by 22% in berth recognition of three ports. The MPTSSE method can effectively avoid misdivision of track stay segment and has better execution efficiency under large-scale ship trajectory dataset.

Key words： port stay area; ship trajectory data; trajectory stay trajectory; multi-constrained extraction; Hadoop framework

0 引言

港口停留區域主要包括錨地和泊位兩類場所。其中，錨地是指供船舶在水上拋錨以便安全停泊、避風防臺、等待檢驗引航、從事水上過駁、編解船隊及其他作業的港口水域;泊位是指港區內能停靠船舶的位置，即一艘設計標準船型停靠碼頭所占用的岸線長度或占用的停船位置。目前，傳統的港口停留區域的識別主要采用人工調繪、遙感影像的方式，這樣的方式成本較高，更新周期長，難以滿足實際應用需求。此外由于錨地和泊位與陸地交通領域的興趣點（Point Of Interest， POI）不同，錨地區域等POI信息可能會隨著不同季節或者港口地理環境的改變而出現錨泊區域擴大和縮小的情況。港口停留區域是連接海洋運輸的關鍵節點，對于港口整體規劃、運營管理以及指導船舶航行等都具有重要意義。

船舶軌跡數據是通過船舶自動識別系統（Automatic Identification System， AIS）收集得到一系列船舶位置數據。隨著AIS的廣泛應用，長期以來積累的船舶軌跡數據也不斷豐富，從而使得利用船舶軌跡數據識別得到港口泊位和錨地的停留區域成為可能。這種方式可以有效解決傳統勘測方式成本高、更新緩慢的問題。具體反映到港口停留區域方面，由于船舶在港口泊位卸載貨物、乘客上岸或者在港口附近的錨地等待進入泊位時具有不同的行為模式，使得在港口停留區域的船舶軌跡數據表現出不同的停留特征，因此，如何在大量的船舶軌跡數據中提取符合泊位及錨地停留模式的軌跡就成為了識別泊位和錨地停留區域的關鍵。

當前停留點或停留區域的識別工作主要集中在陸地交通領域，研究者提出了多種基于軌跡數據的停留點提取方法，大致可以分為集成地理背景信息的方法，基于軌跡導出特征的方法和基于密度聚類的方法以及逐級合并的停留識別方法。文獻[1-2]從地理背景信息出發，通過檢測移動對象相對于不同地理實體，例如興趣點和感興趣區域（Region Of Interest， ROI）的時空關系來識別軌跡停留。具體來說，這類方法通過計算軌跡在地理實體內部或其鄰域范圍內的累積連續停留時間來判斷軌跡在該處是否存在停留行為。該類方法適用于在已有地理背景數據環境下查詢或挖掘軌跡與地理實體間聯系的應用，但無法從地理背景信息缺失的區域提取出停留信息。文獻[3]使用基于軌跡導出特征的方法來提取停留軌跡信息，通過在軌跡中諸如速度、加速度、點密度、轉向角、信號缺失等一個或多個特征上設置規則，從軌跡數據中提取出停留信息。由于軌跡停留識別的最佳特征選取往往取決于特定的數據或應用，使得該類方法的通用性受到一定程度的制約。文獻[4-6]基于密度聚類的方法提取停留數據，該方法要求具有大量高精度位置數據，而不適合船舶AIS軌跡數據采樣稀疏、軌跡點易丟失和存在大量噪點的情況。張治華[7]提出了逐級合并的方法來提取停留點軌跡數據，該方法雖然在一定程度上克服了噪點數據對停留識別的影響，但是其簡單的合并策略易導致不同停留的合并。

船舶在水面上航行，船舶之間間距大、行動網絡無約束、時空跨度大、速度相對較低等特點，使得船舶軌跡數據表現出不同于陸地交通軌跡數據的特征。船舶在港口卸載貨物或者在港口附近的錨地或者港外錨地等待進入泊位時具有不同的行為模式，使得在港口停留區域的船舶軌跡數據具有不同的停留模式。此外，陸地交通軌跡停留點提取方法一般還可以利用豐富、準確的路網信息和地理信息來幫助提取軌跡停留數據，而由于船舶是在不受限的海面上航行，海域地理信息相對不完善，船舶軌跡數據和陸地交通數據相比，由于自身的運動特征以及地理信息的不完善，從而使得基于地理信息來提取船舶停留軌跡的方法不太可行。

針對已有的軌跡停留點提取方法存在的局限性和基于軌跡大數據的背景下，本文提出了一種基于船舶軌跡大數據的多約束并行化停留點提取（Multi-constrained and Parallel Track Stay Segment Extraction， MPTSSE）方法，并針對由于船舶軌跡大數據的精度低、稀疏、漂移等的問題造成的完整停留軌跡段被誤分割成多個停留段的問題進行了改進。

1 船舶軌跡大數據

軌跡數據是移動對象的位置和時間的記錄序列，它一直是交通運輸工程、交通地理學分析研究的主要數據源，例如，軌跡數據中比較常見的車輛的時空軌跡，目前對陸地軌跡數據開展的研究比較多[8-10]。

船舶軌跡是關注區域內所有船舶運動路線的記錄。當考察船舶運動總體演變過程時，可忽略單條船只尺寸及其船體姿態變化，此時單條船只被視為點狀的運動目標，相應的航跡便被記錄為時間有序的數據列表。船舶軌跡數據包含了船舶在每一個采樣點對應的時間戳、經緯度、航首向、對地航向、速度等動態信息以及船舶本身的靜態信息。海量船舶軌跡數據可用于挖掘船舶行為組合的總體特征。船舶運動模式的考慮因素包括內在屬性、空間約束、環境條件和他船影響等。

目前的船舶軌跡數據主要來自AIS自動采集的數據，一年的數據量達到120GB，包括全球范圍大約8000艘油輪、貨輪以及客船的軌跡數據。實際應用中所使用的船舶軌跡數據是對原始AIS軌跡數據進行“動靜關聯”處理后的數據。所謂動靜關聯的處理指的是把軌跡數據對應的船舶的一些靜態屬性信息（例如世界標準時間（Coordinated Universal Time， UTC）、水上移動通信業務標識碼（Maritime Mobile Service Identify， MMSI）、國際海事組織的識別碼（International Maritime Organization， IMO）、經度、緯度以及船舶長度和寬度等）和軌跡數據的動態信息進行關聯。文中使用的數據是基于動靜關聯的AIS數據，動靜關聯的數據字段有27個字段，其中包括10個動態數據字段，14個靜態數據字段以及3個計算字段。本文使用部分數據字段，并對部分數據字段作一個簡要說明。

軌跡的數據格式如表1所示。

船舶軌跡數據和陸地交通軌跡數據相比，主要存在以下幾個不同的特點：

1）軌跡數據精度低。船舶AIS采集間隔較長（10～15s），傳統的基于密度聚類的方法來提取停留區域則無法適用。

2）軌跡漂移性。船舶在錨地和泊位區域停留時如果遇到風浪等天氣時會發生漂移現象，按照傳統的停留點提取方法容易出現一條完整的軌跡停留段被誤分割成多個停留段的問題。

3）軌跡稀疏性。出于安全考慮，船舶之間的距離比較遠，基于軌跡導出特征的方法來提取停留信息也不太可行。

2 基于船舶軌跡數據的停留區域識別基礎概念

目前，船舶軌跡分析一般包括以下步驟：數據采集、數據清洗、數據存儲及管理、軌跡數據幾何操作、軌跡數據分析策略選擇和軌跡分析結果的輸出[11]。使用船舶軌跡數據進行停留區域識別時，則需要對船舶的停留行為特征進行刻畫。船舶的停留行為一般發生在港口區域附近，船舶在經過一段時間航行到達目的港區域時，一般會在碼頭靠泊或者在錨地區域拋錨。在港口附近表現為停留和聚集模式，此時的船舶軌跡具有相似的運動特征和幾何特征，基于這些特征對船舶的靠泊和錨泊行為進行描述分析。本章引入停留段的概念來描述船舶在停留區域的軌跡集合。

定義1 軌跡。Pi=（ti，xi，yi），0

船舶在海上航行到達目的港后，會在港口區域附近停留。在此時間范圍內，軌跡的地理空間變化范圍比較小，速度接近于0或者低速行駛，船舶停留一段時間后一般會返航或者繼續航行前往下一個目的地。這說明船舶的停留行為表現出是一段停留軌跡，由一些停留的軌跡點組成，這些停留點的集合被稱為停留段。

定義2 停留段Stop=（Pk，Pk+1，…，Pk+n）。其中，Pk軌跡點滿足一定的條件：1）軌跡速度小于一定的閾值;2）這種停留狀態需要持續一定的時間。

從定義2中可以得到，船舶停留軌跡點不單是由軌跡點的速度來定義的，而是由軌跡點的速度特征和時間特征共同決定。此外由于受到軌跡采集誤差的影響，從船舶軌跡提取停留數據時需要加上相鄰軌跡點的時間約束和距離約束。在船舶停留期間，會有大量的停留軌跡生成，停留軌跡點數目也作為一個約束條件。

由于AIS軌跡數據量比較大，采集間隔比較稀疏，此外大多數的軌跡停留點提取方法都針對陸地交通軌跡，船舶在海上航行的時候，船舶與受限于公路網絡中移動的車輛不同，其移動在空間上幾乎是無約束的;其次船舶軌跡數據歷時長且動態變化平緩[12]，因此船舶的軌跡和陸地交通的軌跡相比會有明顯不同的運動特征。

3 多約束條件下港口停留區域識別與提取方法

由于船舶軌跡數據采集間隔比較稀疏，岸基AIS采集信號存在丟失現象，因此會產生大量的噪點數據，常見的噪點數據類型有經緯度越界、時間格式不正確、軌跡點丟失等。這會對提取軌跡停留段產生比較大的影響，因此需要對軌跡數據進行預處理，例如：刪除動態信息表中MMSI編碼為0的記錄;刪除明顯錯誤的AIS數據（如速度出現負值，速度>15m/s，經度>180°，緯度>90°等）。

港口停留區域識別與提取的方法如圖1所示，包括：①運用多約束條件下的并行化提取軌跡停留段算法提取軌跡停留段;②綜合運用分類模型、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚類和聚簇合并的方法提取港口停留區域。

3.1 基于多約束的并行化軌跡停留段提取MPTSSE算法

算法思想 對于船舶軌跡數據首先按照MMSI分類進行處理，每個船舶對應著唯一的MMSI號，由于原始軌跡是亂序排列的，因此首先對軌跡數據按照時間戳采集順序進行排序，任何相鄰的軌跡點都是時間上相鄰的軌跡點。

接下來依次遍歷軌跡點，如果遇到軌跡點的速度小于速度閾值maxV，則把這個軌跡點作為候選停留段的第一個停留點，此外由于船舶軌跡數據中含有大量的噪點數據，僅僅基于速度閾值得到的候選停留點可能不是真正位于港口停留區域的軌跡點，因此對候選停留點添加相鄰軌跡點的距離約束和時間差約束條件，判斷相鄰軌跡點的時間差值和距離差值是不是在給定的閾值范圍內，如果軌跡點同時滿足速度閾值、相鄰軌跡點的時間差閾值和距離閾值三個條件，則把這個軌跡點添加到候選停留段集合中。

如果遇到一個速度大于速度閾值的軌跡點，考慮到船舶在錨地拋錨和在泊位停泊的時候會出現漂移現象。在這些港口停留區域的某個時刻，船舶的速度和相鄰兩個點的距離閾值不滿足設定的閾值，但是此刻的軌跡點仍然是屬于軌跡停留段，因此需要考慮這種現象。對于這種情況，接下來計算這個軌跡點P的前后各m個軌跡點，考慮到對應軌跡點P的前后各m個軌跡點有可能超出了軌跡停留段的范圍，因此需要對軌跡點P前后各m個軌跡點添加一個速度約束和距離約束條件，從軌跡點P前后分別得到滿足約束條件的軌跡點集合，計算這些點集的平均速度值和距離閾值，如果計算得到的平均速度閾值和距離閾值滿足設定的速度閾值和相鄰兩個點的距離約束條件，則認為這個軌跡點仍然是軌跡停留段的一部分，這樣就避免了一條完整的軌跡停留段被錯誤分割成多個軌跡停留段的問題。如果計算得到的平均速度和相鄰兩個點的距離都不滿足速度閾值條件和距離約束條件，則把軌跡點P的前一個軌跡點作為候選停留段的最后一個點。

船舶在港口停留區域一般會產生大量的停留軌跡點，本文算法設置一個軌跡點數目的約束條件，判斷候選停留段的軌跡點段數目是否滿足數目約束條件。

船舶可能在異常情況下偶爾停船，但是這些停留軌跡段并不是港口停留區域的一部分，船舶在錨地拋錨和碼頭泊位靠泊的時候會有一定的拋錨時間和靠泊時間，因此添加一個停留時長約束條件。判斷候選停留段集合的停留時間是不是滿足停留時長st閾值條件，候選停留段的停留時長的計算使用候選停留段集合中第一個點對應的時間戳與候選停留段集合中最后一個停留點的時間差值，如果計算得到的值滿足停留時長約束條件時，則把這個候選停留段作為停留段保存起來。由于船舶在航行過程中的航行時間比較長，因此一條MMSI船舶對應的軌跡數據可能會包含多個停留段。MPTSSE提取算法步驟如下：

1）確定速度閾值maxV，停留時長閾值st，相鄰兩個軌跡點的時間差閾值T，距離閾值Dis。

2）對MMSI船舶對應的軌跡線數據，按照采集時刻進行排序。

3）定義候選停留點集合L1和停留點集合L2。

4）遍歷軌跡線中的軌跡點的速度屬性值，如果遇到某一個時刻的軌跡點對應的速度小于速度閾值maxV和其相鄰軌跡點的時間差值小于時間閾值T并且相鄰兩個點的距離小于距離閾值Dis，則把這個時刻對應的軌跡點作為候選停留點集合L1的第一個軌跡點并加入候選停留點集合L1中，并依次遍歷，如果滿足約束條件，則把軌跡點作為候選停留點加入L1中，直到遇到某時刻的速度大于速度閾值maxV。考慮到漂移現象，首先計算對應時刻軌跡點P的前后m個軌跡點，對軌跡點P前后各m個軌跡點設置速度和距離約束條件，從軌跡點P前后分別得到滿足約束條件的軌跡點集合，計算這些點集的平均速度值和距離閾值，如果滿足設定的速度閾值和相鄰兩個點的距離閾值，則認為這個軌跡點仍然屬于軌跡停留段并加入候選停留點集合L1中。繼續遍歷軌跡點，如果軌跡點都不滿足上面的約束條件，遍歷結束，則把這個不滿足約束條件的軌跡點的前一個軌跡點作為候選停留點集合的最后一個軌跡點。

5）判斷候選停留點集合L1中的軌跡點的數目是不是大于n，如果為真，則接下來計算候選停留點集合L1中這段軌跡的停留時長，由于軌跡是按照時間戳排序后的，因此直接把L1中最后一個點對應的時間戳和第一個候選停留點的時間戳的差值dt作為這段候選停留點的停留時長。

6）如果dt>st，則把這段候選停留點集合L1中的加入停留點集合L2。

7）清空候選停留點集合L1，并繼續遍歷軌跡點，重復計算過程4）～6），直至軌跡點遍歷結束。

8）最終得到每個MMSI船舶在一段時間內的多個停留段集合。

3.2 基于停留段的港口停留區域提取

停留段軌跡數據在港口區域呈現聚集模式，對提取出來的停留段接下來使用分類模型，分別得到港口停留區域的錨地和泊位停留數據。以港口停留區域中的泊位提取為例，每一個聚類簇可以看作是一個泊位，但是由于不同的船舶具有不同的長度和寬度，此外船舶選擇靠泊的泊位也和船舶類型有很大的關系，例如大型油輪和貨輪需要選擇泊位面積比較大的泊位去靠泊，因此對同一個泊位而言，不同船舶在其泊位位置上產生的停留軌跡位置和數目也不相同，不同的簇代表的可能是同一個泊位，所以需要對聚類后的生成的停留軌跡簇進行合并，并對合并后的簇的求其中心點，中心點的經緯度數據就代表泊位的位置。

4 基于Hadoop框架的MPTSSE提取算法實現

考慮到船舶軌跡數據的海量性，本文選用Hadoop大數據處理框架來實現MPTSSE提取算法。如圖2所示，基于MapReduce模型給出了算法的并行化實現邏輯。

多約束條件下的船舶軌跡停留段提取MPTSSE算法的實現如下。

1）map階段。map函數從動靜關聯的數據中提取時間戳、經緯度、速度、航行狀態、船只長度和寬度屬性信息。map階段的輸出：以MMSI作為key，以提取的屬性信息作為value，也就是按照MMSI號分類保存軌跡數據信息。

2）reduce階段。

①遍歷reduce的value值，把MMSI號對應的軌跡數據保存到集合arraylist1中，然后再把arraylist1中數據保存到double類型的二維數組num[][]中。

②對數組num中的數據按照時間戳的順序進行升序排列，得到按照采集時刻排序的軌跡數據。

③定義停留時長閾值st，相鄰兩個軌跡點的距離閾值Dis，相鄰兩個軌跡點的時間閾值T.T。此處的“T.”的書寫，即T后面有一個點號，這樣書寫正確嗎？請明確。回復：后面的點號應該是逗號，請把點號改成逗號。速度閾值maxV，定義候選軌跡停留段集合L1，停留軌跡段集合L2。

④遍歷每個MMSI船只的軌跡點，并判斷是否滿足上述的閾值條件：如果滿足則添加到候選停留段集合L1中;如果不滿足則進一步判斷是否屬于停留漂移數據，如果是則添加到L1中。

⑤最后計算候選停留段L1的停留時長和軌跡點數目是否滿足停留時長閾值st和軌跡點數目約束條件，如果滿足，則把L1加入到L2中。

⑥清空L1，重復過程④⑤，直至遍歷結束。

⑦多文件輸出，以MMSI號作為文件名，得到每條MMSI船舶的停留段數據。

5 實驗

實驗運行環境的Hadoop集群包括17個節點、1個master節點和16個slave節點，內存總大小是640GB。實驗使用的是2016年6月份的船舶軌跡數據，實驗數據以地理區域范圍為渤海灣為例，從中提取得到2755艘MMSI船舶AIS數據文件，每個MMSI文件包含了對應MMSI號船舶的6月份全天的采集時刻的軌跡數據信息，文件數據大小為3.06GB。

本文以渤海區域的停留點提取為驗證實例，來進行船舶軌跡停留軌跡數據的提取。本文提出的停留點提取算法運行時間為25min 50s（1550s），總共得到9259006個停留軌跡點。具體結果如圖3～5所示。

實例中泊位停留點數據提取按照如下步驟處理：

1）對提取出來的停留點采用分類模型，對錨地數據和泊位數據進行分類，分別得到錨地數據和泊位數據。

2）進一步對泊位數據使用DBSCAN聚類算法進行聚類處理，并去除噪點數據。

3）對聚類后的結果按照一定的合并規則進行合并處理，最終得到合并后的聚類結果。

4）最后對合并后的聚類結果提取各個簇的中心點，得到泊位中心點的數據。

同時，實驗還選取了傳統陸地交通領域較多采用的，向隆剛等[13]提出的Stop/Move模型進行同樣的泊位提取。

實驗以天津港、秦皇島港和大連港的泊位提取為例，通過與已知的實際泊位對比分析得到算法的評價指標。

本文算法模型與Stop/Move模型在泊位位置正確時的數量的提取正確率如表2所示。

從表2看出，結果證明了本文模型提取算法的正確性和有效性，基于本文提出的MPTSSE得到的泊位正確性更高，但同時也存在部分泊位提取不出來的問題或者提取不正確的問題，問題的原因分析如下：

1）軌跡數量不足。目前使用的軌跡數據是一個月的IMO船只的數據，停留數據的數據量大小對泊位提取數目的正確性有很大影響。

2）軌跡數據類型不足。目前使用的軌跡數據是IMO船只類型，IMO船只一般是一些大型船只，因此一些小型船只類型的泊位則無法提取。

3）停留提取算法的參數設置。目前的停留算法的速度閾值是0.3m/s，設置的最短停留時長是2h。其中速度閾值maxV對提取停留數據影響很大。如果速度閾值設置較大的話，泊位區域的停留數據就會包含一些噪點數據;如果速度取值過小的話，會損失一部分軌跡停留數據，影響最終的泊位提取結果。

6 結語

港口停留區域指船舶航行過程中在港口附近拋錨和停泊的地理區域，對于指導船舶航行和港口管理具有重要意義。本文針對港口停留區域識別時船舶軌跡大數據的精度低、稀疏、漂移等問題，提出一種基于多約束的并行化軌跡停留段提取MPTSSE方法以及基于Hadoop框架的實現，有效解決了一段完整的停留軌跡段被誤分為多個停留段的問題，并極大地提高了軌跡停留數據的提取速度和集群資源的利用率;然而，本文提出的基于多約束的并行化軌跡停留段提取方法還有一些可以繼續改進完善的地方，例如對約束條件的改進，約束條件的增加會導致計算量和內存占用的大幅度增加。在以后的研究工作中將進一步探索和研究基于多約束的并行化軌跡停留段提取方法以及船舶停留軌跡段的分類和港口區域邊界的精確化提取。

參考文獻 （References）

[1] ZHENG Y， ZHANG L， XIE X， et al. Mining correlation between locations using human location history [C]// Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York： ACM， 2009： 472-475.

[2] ALVARES L O， BOGORNY V， KUIJPERS B， et al. A model for enriching trajectories with semantic geographical information [C]// Proceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems. New York： ACM， 2007： 1-8.

[3] ROCHA J A M R， OLIVEIRA G， ALVARES L O， et al. DB-SMoT： a direction-based spatio-temporal clustering method [C]// Proceedings of the 5th IEEE International Conference Intelligent Systems. Piscataway， NJ： IEEE， 2010： 114-119.

[4] PALMA A T， BOGORNY V， KUIJPERS B， et al. A clustering-based approach for discovering interesting places in trajectories [C]// Proceedings of the 2008 ACM Symposium on Applied Computing. New York： ACM， 2008： 863-868.

[5] TRAN L H， NGUYEN Q V H， NGOC H， et al. Robust and hierarchical stop discovery in sparse and diverse trajectories [EB/OL]. （2012-06-15）[2018-01-24]. http：cn.bing.com/academic/profile？id=1894965895&v=paper_preview&mkt=zh-cn.

[6] ZIMMERMANN M， KIRSTE T， SPILIOPOULOU M. Finding Stops in Error-Prone Trajectories of Moving Objects with Time-Based Clustering [M]. Berlin： Springer， 2009： 275-286.

[7] 張治華.基于GPS軌跡的出行信息提取研究[D].上海：華東師范大學，2010：51-58.（ZHANG Z H. Deriving trip information from GPS trajectories [D]. Shanghai： East China Normal University， 2010： 51-58.）

[8] BILJECKI F， LEDOUX H， VAN OOSTEROM P. Transportation mode-based segmentation and classification of movement trajectories [J]. International Journal of Geographical Information Science， 2013， 27（2）： 385-407.

[9] 許佳捷，鄭凱，池明旻，等.軌跡大數據：數據、應用與技術現狀[J].通信學報，2015，36（12）：97-105.（XU J J， ZHENG K， CHI M M， et al. Trajectory big data： data， application and technology status [J]. Journal on Communications， 2015， 36（12）：97-105.）

[10] 李婷，裴韜，袁燁城，等.人類活動軌跡的分類、模式和應用研究綜述[J].地理科學進展，2014，33（7）：938-948.（LI T， PEI T， YUAN Y C， et al. A review of the classification， models and applications of human activity trajectories [J]. Progress in Geography， 2014， 33（7）： 938-948.）

[11] 高強，張鳳荔，王瑞錦，等.軌跡大數據：數據處理關鍵技術研究綜述[J].軟件學報，2017，28（4）：959-992.（GAO Q， ZHANG F L， WANG R J， et al. Trajectory big data： a review of key technologies in data processing [J]. Journal of Software， 2017， 28（4）： 959-992.）

[12] 陳金海，陸鋒，彭國均.海洋運輸船舶軌跡分析研究進展[J].中國航海，2012，35（3）：53-57.（CHEN J H， LU F， PENG G J. The progress of research in maritime vessel trajectory analysis [J]. Navigation of China， 2012， 35（3）： 53-57.）

[13] 向隆剛，龔健雅，吳濤，等.一種面向Stop/Move抽象的軌跡時空關系[J].武漢大學學報（信息科學版），2014，39（8）：956-962.（XIANG L G， GONG J Y， WU T， et al. Spatio-temporal trajectory relationships based on Stop/Move abstraction [J]. Geomatics and Information Science of Wuhan University， 2014， 39（8）：956-962.）