出租車GPS軌跡數(shù)據(jù)挖掘應(yīng)用研究進(jìn)展

摘要：在出租車的運(yùn)營(yíng)過(guò)程中，產(chǎn)生和積累了大量的GPS軌跡數(shù)據(jù)。出租車軌跡數(shù)據(jù)不僅反映出租車的行駛路線，同時(shí)也是城市交通狀態(tài)與城市結(jié)構(gòu)規(guī)劃的一種數(shù)據(jù)映射，其中蘊(yùn)含著豐富的信息，對(duì)城市的智能交通、智慧城市規(guī)劃有著非常重要的意義。文章綜述了近十年國(guó)內(nèi)外出租車軌跡數(shù)據(jù)挖掘應(yīng)用的相關(guān)研究，從個(gè)性化路徑規(guī)劃、城市規(guī)劃和改善出租車服務(wù)三方面闡述其研究現(xiàn)狀，并對(duì)出租車軌跡數(shù)據(jù)挖掘應(yīng)用所面臨的挑戰(zhàn)以及未來(lái)的研究前景進(jìn)行了探討。

關(guān)鍵詞：GPS;出租車軌跡;數(shù)據(jù)挖掘：路徑規(guī)劃

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2020）08-79-03

0引言

隨著GPS定位技術(shù)的普及，各大城市的出租車上都安裝了GPS，以實(shí)現(xiàn)對(duì)車輛的實(shí)時(shí)追蹤、管理和調(diào)度。在出租車的日常運(yùn)營(yíng)中，產(chǎn)生和積累了大量的GPS軌跡數(shù)據(jù)。這些數(shù)據(jù)中蘊(yùn)含大量的有用信息，有效的對(duì)軌跡數(shù)據(jù)進(jìn)行挖掘、分析能獲得潛在的巨大應(yīng)用價(jià)值。

當(dāng)前，出租車GPS軌跡數(shù)據(jù)已被城市計(jì)算、智能交通等眾多研究領(lǐng)域進(jìn)行研究，用于感知城市交通信息[1-2]，發(fā)現(xiàn)人們出行活動(dòng)規(guī)律[3-4]等信息，以提高公共資源利用率，解決交通擁堵和環(huán)境污染等許多大城市面臨的重大問(wèn)題，其利用價(jià)值可以惠及個(gè)人、組織和社會(huì)。文獻(xiàn)[5]對(duì)2019年前出租車軌跡數(shù)據(jù)挖掘技術(shù)進(jìn)行了比較全面的綜述。本文將根據(jù)出租車軌跡數(shù)據(jù)挖掘的應(yīng)用的個(gè)性化路徑規(guī)劃、城市規(guī)劃、改善出租車服務(wù)三方面對(duì)現(xiàn)有的研究成果進(jìn)行闡述，以期為出租車軌跡數(shù)據(jù)挖掘應(yīng)用等相關(guān)領(lǐng)域?qū)W者提供參考。

1 個(gè)性化路線規(guī)劃

好的路線推薦系統(tǒng)應(yīng)該結(jié)合實(shí)時(shí)路況與用戶偏好，為用戶推薦到達(dá)目的地的最佳路線。出租車的GPS軌跡恰好能夠記錄出租車的路線選擇行為，為獲取出租車司機(jī)積累的路況知識(shí)和路徑選擇經(jīng)驗(yàn)提供了便利的途徑。所以，通過(guò)挖掘出租車GPS軌跡數(shù)據(jù)獲得的相關(guān)知識(shí)，可以幫助我們改善現(xiàn)有的路線推薦方法，為用戶推薦最快路徑[6]。

戚欣等[7]針對(duì)傳統(tǒng)的路徑規(guī)劃算法并不一定能計(jì)算得到現(xiàn)實(shí)中最優(yōu)路徑的問(wèn)題，提出一種融合了出租車駕駛經(jīng)驗(yàn)并以時(shí)間為度量的路徑規(guī)劃算法。袁晶等[8]基于大規(guī)模出租車歷史軌跡挖掘設(shè)計(jì)了最快路線推薦系統(tǒng)T-Drive。該系統(tǒng)首先從歷史出租車軌跡數(shù)據(jù)中學(xué)習(xí)出租車司機(jī)的路徑選擇知識(shí)并將之表示成一個(gè)地標(biāo)圖。然后，基于學(xué)習(xí)的地標(biāo)圖分兩步驟計(jì)算給定起點(diǎn)和終點(diǎn)的最快路徑。隨后，袁晶等[9]提出了較T-Drive更加完善的快速路線推薦系統(tǒng)，該系統(tǒng)結(jié)合當(dāng)前交通狀況和歷史知識(shí)實(shí)現(xiàn)路況預(yù)測(cè)，綜合考慮了天氣因素，增加了對(duì)用戶駕駛習(xí)慣的學(xué)習(xí)功能，能夠更好、更個(gè)性化地為用戶規(guī)劃最快路線。

Chen等[10]利用出租車軌跡數(shù)據(jù)和基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建了一個(gè)實(shí)現(xiàn)個(gè)性化、能感知路況的交互式路線規(guī)劃系統(tǒng)。該系統(tǒng)首先從出租車軌跡和基于位置的社交網(wǎng)絡(luò)數(shù)據(jù)中提取出動(dòng)態(tài)的興趣點(diǎn)網(wǎng)絡(luò)模型，然后采用兩階段方法進(jìn)行個(gè)性化路徑規(guī)劃。Yang等[11]基于大規(guī)模車輛的GPS軌跡數(shù)據(jù)分析建立了MTUG圖模型，并基于該圖模型提出隨機(jī)Skyline路徑規(guī)劃算法，在最優(yōu)路徑的尋找過(guò)程中綜合考慮多個(gè)開(kāi)銷因素，進(jìn)而實(shí)現(xiàn)綠色路徑規(guī)劃。

2 城市規(guī)劃

通過(guò)挖掘大規(guī)模出租車軌跡歷史數(shù)據(jù)在智慧城市規(guī)劃方面也發(fā)揮著越來(lái)越重要的作用。例如通過(guò)分析軌跡數(shù)據(jù)中出租車?yán)@路、低速行駛等現(xiàn)象，可反映出目前交通規(guī)劃中的不足[12]。Qi[15]等通過(guò)對(duì)出租車上下客地點(diǎn)的挖掘和聚類分析，可幫助揭示城市居民的日常活動(dòng)模式和城市區(qū)域的地塊使用情況和功能劃分[13-15]。Zhang等[16]利用大規(guī)模出租車軌跡數(shù)據(jù)檢測(cè)城市中社會(huì)事件的發(fā)生時(shí)間、地點(diǎn)，進(jìn)而評(píng)估社會(huì)事件的發(fā)生的規(guī)模及其對(duì)周邊交通的影響，即社會(huì)事件的規(guī)模與交通擁堵之間是否存在聯(lián)系。Qian等[17]對(duì)出租車行程與城市居民活動(dòng)的一致性進(jìn)行了研究，利用兩步聚類算法分析出租車行程的內(nèi)在相似性，進(jìn)而揭示下客地點(diǎn)的內(nèi)在聯(lián)系。Cai等[18]基于出租車軌跡數(shù)據(jù)分析提出城市熱點(diǎn)區(qū)域吸引力指數(shù)的量化模型，用于進(jìn)一步分析城市熱點(diǎn)區(qū)域形成的差別。Ge等[19]提出一種城市用地分類的統(tǒng)一框架，該框架融合了從大規(guī)模出租車軌跡數(shù)據(jù)中提取的多維居民活動(dòng)特征。

3 出租車服務(wù)改善

通過(guò)挖掘大規(guī)模出租車歷史GPS軌跡數(shù)據(jù)可以為出租車司機(jī)推薦尋客路線，為乘客推薦最佳的打車地點(diǎn)，同時(shí)也可解決出租車調(diào)度平衡性等問(wèn)題。Yang等[20]針對(duì)城市出租車供求不平衡問(wèn)題，提出了基于學(xué)習(xí)算法的出租車調(diào)度模型，預(yù)測(cè)不同區(qū)域不同時(shí)段出租車的需求，已達(dá)到提前調(diào)度出租車。Qu等[21]設(shè)計(jì)了一款推薦系統(tǒng)，該系統(tǒng)能夠通過(guò)挖掘出租車歷史GPS軌跡為司機(jī)推薦收益最大化的尋客路線。Tang等[22]利用大量出租車歷史軌跡數(shù)據(jù)分析出租車司機(jī)在載客和空乘狀態(tài)下的行為，該研究結(jié)果可以用于改善出租車服務(wù)。Miao等[23]踟為出租車公司設(shè)計(jì)了一款空車調(diào)配系統(tǒng)，通過(guò)分析出租車的歷史軌跡、實(shí)時(shí)載客狀態(tài)數(shù)據(jù)和實(shí)時(shí)軌跡數(shù)據(jù)構(gòu)建需求模型，以達(dá)到最小化出租車空乘行駛路程的目的。Zhang等[24]通過(guò)挖掘出租車GPS軌跡數(shù)據(jù)來(lái)從尋客策略、送客路徑選擇策略和服務(wù)區(qū)域偏好三個(gè)方面分析出理解經(jīng)驗(yàn)豐富的出租車司機(jī)的服務(wù)策略，進(jìn)而揭示高效和低效的服務(wù)策略。Zhan等[25]利用大規(guī)模的出租車行程數(shù)據(jù)系統(tǒng)性地分析了城市出租車系統(tǒng)的服務(wù)效率，他們得出結(jié)論：在出租車司機(jī)和乘客信息共享的前提下，出租車的空乘率可以降低60% -90%。

4 結(jié)束語(yǔ)

本文從個(gè)性化路徑規(guī)劃、城市規(guī)劃、改善出租車服務(wù)三方面對(duì)出租車軌跡數(shù)據(jù)挖掘的研究現(xiàn)狀進(jìn)行了較為深入的梳理與分析。目前出租車軌跡數(shù)據(jù)挖掘所存在的主要問(wèn)題有：①缺乏對(duì)大規(guī)模軌跡數(shù)據(jù)的有效管理方法和軌跡數(shù)據(jù)質(zhì)量管理評(píng)估方法的研究;②現(xiàn)有研究成果大都停留在理論層面，尚未有廣泛實(shí)際的應(yīng)用;③出租車軌跡數(shù)據(jù)僅是城市交通軌跡數(shù)據(jù)中的一部分，需融合其他類型的數(shù)據(jù)，例如：城市路網(wǎng)分布、公交車、行人軌跡等數(shù)據(jù)，才能更好地反映城市規(guī)劃布局現(xiàn)狀。后續(xù)，我們將針對(duì)目前出租車軌跡數(shù)據(jù)挖掘研究所存在的問(wèn)題，進(jìn)行深入研究，主要包括：智能化的軌跡數(shù)據(jù)質(zhì)量管理和預(yù)處理技術(shù)研究，以及基于多源數(shù)據(jù)融合的路徑規(guī)劃和城市規(guī)劃。

參考文獻(xiàn)（References）：

[1]J. Yu，M.E.J.Stettler，P.Angeloudis，S.Hu， and X.（Michael） Chen. Urban netxvork-wide traffic speedestimation with massive ride-sourcing GPS traces[Jl.Transp. Res.Part C Emerg. Techn01.，2020.112：136-152

[2]J. Wang，R.Chen， and Z.He. Traffic speed prediction forurban transportation network： A path based deeplearning approach[Jl. Transp. Res. Part C Emerg.Technol.. 2019.100： 37 2- 385

[3]X. Gong，Z.Huang，Y.Wang，L.Wu， and Y.Liu. High-performance spatiotemporal trajectory matching across heterogeneous data sources[J]. Future Gener. Comput.Syst，2019.105：148-161

[4] C. Siddique and X. （Jeff） Ban. State-dependent self-adaptive sampling （SAS） method for vehicle trajectorydata. Transp[J]. Res. Part C Emerg. Techn01，2019.100：224-237

[5]吳華意 ，黃蕊 ，游蘭，向隆剛 .出租車軌跡數(shù)據(jù)挖掘進(jìn)展[J].測(cè)繪學(xué)報(bào)，2019.48（11）：1341-1356

[6] Y. Qiu， X. Xu， and F. Xia. "An Optimal Profit RoutePlanning Scheme Based on ACO-OPP，" in 2019 IEEE2lst Intemational Conference on High PerformanceComputing and Communications[C]. New York， NY，USA.2019：766-773

[7]戚欣，梁偉濤，馬勇，基于出租車軌跡數(shù)據(jù)的最優(yōu)路徑規(guī)劃方法 [J]計(jì)算機(jī)應(yīng)用 ，2017.37（7）：2106-2113

[8] J. Yuan et al.， "T-drive： Driving Directions Based on TaxiTrajectories，" in Proceedings of the 18th SIGSPATIALInternational Conference on Advances in GeographicInformation Systems[C]， New York， NY， USA， 2010：99-108

[9] J. Yuan， Y. Zheng， X. Xie， and G. Sun， "Driving withKnowledge from the Physical World， " in Proceedingsof the 17th ACM SIGKDD International Conferenceon Knowledge DiscoveW and Data Mining[C]. NewYork， NY， USA，2011：316-324

[10] C. Chen， D. Zhang， B. Guo， X. Ma， G. Pan， and Z. Wu.TripPlanner： Personalized Trip Planning LeveragingHeterogeneous Crowdsourced Digital Footprints[J]. IEEErans. Intell. Transp. Syst.，2015.16（3）：1259-1273

[11] B. Yang， C. Guo， C. S. Jensen， M. Kaul， and S. Shang，"Stochastic skyline route planning under time-vaWinguncertainty，" in Proceedings of the 2014 IEEE 30thInternational Conference on Data Engineering[C].NewYork， NY， USA，2014：136-147

[12] Y. Zheng， Y. Liu， J. Yuan， and X. Xie， "UrbanComputing with Taxicabs，" in Proceedings of the 13thInternational Conference on Ubiquitous Computing[C]，New York， NY， USA，2011：89-98

[13] G. Qi， X. Li， S. Li， G. Pan， Z. Wang， and D. Zhang，"Measuring social functions of city regions fromlarge-scale taxi behaviors，"in 2011 IEEE InternationalConference on Pervasive Computing and Commum-cations Workshops （C）， New York， NY， USA， Mar，2011：384-388

[14] J. Yuan， Y. Zheng， and X. Xie， "Discovering Regions ofDifferent Functions in a City Using Human Mobilityand POls， " in Proceedings of the 18th ACMSIGKDD International Conference on KnowledgeDiscovery and Data Mining[C]. New York， NY， USA，2012 ：186-194

[15] G. Pan， G. Qi， Z. Wu， D. Zhang， and S. Li， Land-Use Classification Using Taxi GPS Traces[J]. IEEE Trans.Intell. Transp. Syst.，2013.14（1）：113-123

[16] W. Zhang， G. Qi， G. Pan， H. Lu， S. Li， and Z. Wu. City-Scale Social Event Detection and Evaluation with TaxiTraces[J].ACM Trans Intell Syst Techn01，2015.6（3）.

[17] X. Qian， X. Zhan， and S. V. Ukkusuri， "CharacterizingUrban Dynamics Using Large Scale Taxicab Data，"in Engineering and Applied Sciences Optimization，N. D. Lagaros and M. Papadrakakis， Eds. SpringerInternational Publishing[C]，New York， NY， USA，2015：17-32

[18] 1. Cai， F. Jiang， W. Zhou， and K. Li. Design andApplication of an Attractiveness Index for UrbanHotspots Based on GPS Trajectory Data[J]. IEEEAccess，2018.6：55976-55985

[19] P. Ge， J. He， S. Zhang， L. Zhang， and J. She. AnIntegrated Framework Combining Multiple HumanActivity Features for Land Use Classification[J].ISPRS Int. J. Geo-Inf.，2019.8（2）：90

[20] Y. Yang， X. Wang， Y. Xu， and Q. Huang. MultiagentReinforcement Learning-Based Taxi PredispatchingModel to Balance Taxi Supply and Demand[J]. J.Adv. Transp，2020.2：1-12

[21] M. Qu， H. Zhu， J. Liu， G. Liu， and H. Xiong， "A Cost-effective Recommender System for Taxi Drivers，" inProceedings of the 20th ACM SIGKDD IntemationalConference on Knowledge DiscoveW and Data Mining[C].New York， NY， USA，2014：45-54

[22] J. Tang， H. Jiang， Z. Li， M. Li， F. Liu， and Y. Wang.ATwo-Layer Model for Taxi Customer SearchingBehaviors Using GPS TrajectoW Data[Jl.IEEE Trans.Intell. Transp. Syst.，2016.99：1-7

[23] F. Miao et aL Taxi Dispatch With Real-Time SensingData in Metropolitan Areas： A Receding HorizonControl Approach[J]. IEEE Trans. Autom. Sci. Eng.，2016.13（2）：463-478

[24] D. Zhang et aL Understanding Taxi Service StrategiesFrom Taxi GPS Traces[J]. IEEE Trans. Intell. Transp.Syst. ， 2015.16（1）：123-135

[25] X. Zhan， X. Qian， and S. V. Ukkusuri.A Graph-BasedApproach to Measuring the Efficiency of an UrbanTaxi Service System[J]. IEEE Trans. Intell. Transp.Syst，2016.99：1-II.

★基金項(xiàng)目：浙江省教育廳課題“基于大規(guī)模出租車GPS軌跡的城市交通擁堵事件發(fā)現(xiàn)方法研究”（Y201941364）

作者簡(jiǎn)介：楊瓊（1982-），女，湖南湘西人，在讀博士，主要研究方向：數(shù)據(jù)挖掘，數(shù)據(jù)安全，機(jī)器學(xué)習(xí)。