论文部分内容阅读
随着GPS定位、卫星导航、无线通信等技术的快速发展,民用GPS等定位设备不断普及和广泛应用。这些GPS移动终端设备以及基于位置信息服务(Location Base Station)的各种应用产生了海量的来自移动对象的轨迹数据。空间数据挖掘技术、地理信息技术的日趋成熟也导致这些海量移动对象的轨迹数据具有重要的研究价值。同时城市发展迅速,城市空间在不断扩张,城市的交通的发展也逐渐成为了判断一个城市发展的标度和潜力。现如今,城市交通拥堵问题的症结往往集中于城市热点区域,如何识别居民出行热点区域和发现居民出行行为时空特征的相关研究越来越多。但是,这些研究常采用通俗的出行调查问卷方式进行统计研究,存在很多的局限性和片面性,而移动对象轨迹数据获取越来越快速,存储越来越便捷,使得对城市交通以及出行行为规律的研究进入了一个鼎盛时期。通过时空数据挖掘的相关方法对出租车GPS轨迹点数据进行研究,探索城市居民出行行为规律,为城市交通、公共交通出行等决策提供科学参考和决策依据。本文对出租车GPS轨迹点数据进行挖掘研究,按照工作日与休息日两方面,将全天划分不同时段研究出租车运营的规律性特点,同时在空间上发现居民出行的热点区域,并且针对出租车的载客轨迹进行聚类发现载客出行的移动模式特征。因此,本文的研究发现:(1)针对预处理后的出租车轨迹数据,从日出行量、载客时长、载客距离、空载率四个方面结合工作日与休息日两个层次来总结得出出租车出行(2)的时间特征规律:工作日的居民出行具有明显的早晚高峰期特征;休息日的出行高峰相对较为滞后,而且休息日的出行量较为稳定。载客时长主要集中于5-20分钟之间,载客距离主要集中在3-15Km之间,并且工作日的出行主要为短途出行,休息日的出行主要为中途出行。工作日的空载率特征随着时间变化较大,与工作日的出行规律变化趋势较为一致;休息日的空载率特征比较稳定,在早晚高峰阶段,工作日的空载率均低于休息日,下午和晚间工作日的空载率高于休息日。(3)结合空间点模式分析方法和空间自相关分析技术对城市居民出租车出行的载客热点区域进行探测分析。通过全局Moran’sⅠ指数、Moran’s Ⅰ散点图来分析出租车上下客点的空间集聚性,比较一周的全局Moran’s Ⅰ指数发现,休息日的Moran’s Ⅰ指数比工作日低,说明工作日出租车上下客区域比较集中,而休息日则比较分散。引入核密度分析法来分析城市出租车上下客的热点区域分布规律,结果发现一天中各时段的上下客热点区域主要为交通枢纽火车站区域与商业中心新街口区域,其他上下客热点主要集中在鼓楼、夫子庙、大行宫等科教文化集中区域,并且休息日的上下客热点同工作日相比较为分散。(4)在传统 OPTICS(Ordering points to identify the clustering structure)算法的基础上根据轨迹数据的特征提出了适合海量轨迹空间聚类的TR-OPTICS(Trajectory OPTICS)算法。该方法选取出租车轨迹中的载客轨迹为研究对象,经过轨迹特征点选取采用MDL(Minimum Description Length)方式进行轨迹的二次划分,通过计算载客子轨迹之间的水平距离、垂直距离、角度距离来度量载客轨迹的相似性。在聚类算法上采用外包矩形作为核心轨迹的搜索邻域,同时重新定义轨迹核心距离与轨迹可达距离,用邻接表代替空间索引来降低算法的复杂度。并且经过多次实验与传统OPTICS 算法、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对比,本文提出的TR-OPTICS算法的算法执行效率均优于其他两种算法,本文算法的聚类结果可以有效发现载客子轨迹簇并且优于其他两种算法。