论文部分内容阅读
【摘要】 部分区域的长途客车在运营时，存在在规定的停靠站点外上下旅客的违规行为，带来严重的安全隐患，现有车辆动态监控系统无法识别这种违规行为。本文提出了一种基于车辆GPS轨迹时空特征的长途客车站外违规载客点自动识别方法，开发了可视化系统，通过结合深圳市长途客车实际GPS数据的案例分析，验证了方法的准确性和有效性。
【关键词】 信息技术 违规载客点识别 GPS轨迹分析 城市交通Detecting Illegal Pickups of Intercity Buses Based on Spatio-temporal Analysis of GPS Trajectories
HUANG Lian1，YIN Ling2，LIN Yulong1（1 Shenzhen Transportation Operation Command Center， Shenzhen 518040， China， 2 Shenzhen Institute of Advanced Technology，
Chinese Academy of Science， Shenzhen 518055， China）
Abstract：In some regions，intercity bus staffs would pick up passengers outside of the scheduled bus stations and pocket the ticket money. Such illegal act brings large potential safety risks. The alert functions offered by the current vehicle tracking systems barely can catch the illegal act. We propose an approach to automatically detecting suspected illegal pick-up locations from GPS traces， and implement the approach in a geographical information system. A case study demonstrates the effectiveness of the system with its high accuracy of detecting illegal pick-up locations， as well as its functionality to help understand illegal pick-up behavior and plan on-site investigation.
Keywords： information technology； illegal pickups detection； GPS trajectories analysis； urban traffic
一、引言
随着城际出行需求不断增加，长途汽车客运市场得到了持续发展。然而，长途客车在运营时，存在在规定区域外上下旅客的违规行为，带来严重的安全隐患。这些违规上下客的地点称作长途客运车站外违规载客点。传统方法依靠执法人员现场侦察实现违规载客点的调查，耗费大量人力和时间成本。
近年来国内各级城市均建有基于GPS的长途客车监控系统，可实时记录、存储车辆运行的位置与速度信息，但现有系统主要是通过简单的数据对比实现车辆超速、偏离路线的自动报警[1-3]，无法判断沿规划路线的短时站外载客行为。同时，主流的GPS轨迹数据挖掘研究集中在交通拥堵状态的识别[4]、出租车驾驶行为分析[5]、个人出行模式分析[6-7]等领域，在长途客车的站外违规载客点识别方面存在空白。
本文通过深入分析长途客车在深圳运营的GPS轨迹和特征，提出了一种长途客运车站外违规载客点的自动识别算法，建立了可视化系统GIS-TP，可为行业主管部门执法提供数字化参考依据。
二、系统总体框架
GIS-TP的基础数据源是含有ID、经度、维度、瞬时速度和时间戳5个属性的GPS数据。如图1所示，系统由前后端两部分的6个子模块构成：
数据预处理模块：错误及异常数据检测及处理；
停车事件检测模块：识别长途客车的全部停车事件，每个停车事件定义为连续多个GPS点的速度为0，考虑到GPS定位误差，取这多个GPS点的平均经纬度为停车事件的地理位置、第一个点和最后一个点的时间差为停车时长，通过设定时长阈值Tstop筛选候选疑似违规停车点；
违规载客地点识别模块：基于停车事件的时空特征自动识别疑似违规载客点；
云计算平台：基于多节点Hadoop集群支持海量GPS数据处理与分析；
GIS（地理信息系统）引擎：提供空间分析功能，支撑违规载客点识别算法实现；
GIS服务：提供系统结果、地图的前端可视化服务。
三、长途客车站外违规载客点识别算法
从车辆的角度，违规载客点通常相对固定且违规载客事件周期性频繁发生；从行业管理者的角度，重点需要发现具有一定规模的违规载客点，因此，算法的第一步是检测出高密度的停车事件发生区域。
步骤一：高密度停车事件发生区域提取
为有效的提取出停车事件簇并确定空间簇的边界，本文使用核密度生成停车事件的密度分布图，将研究范围内的空间区域按尺度Lgrid划分网格，按公式1～3计算每个网格的密度概率，其中，（x，y）是网格中心点，K（x）是二次核函数，d是网格边长，h是带宽（搜索半径），n是边长小于h的网格数。
基于停车事件的密度分布，设定密度阈值DENstop（可自定义调整）提取高密度网格，连接相邻网格组成单个停车簇。
步骤二：疑似站外违规载客点推理
从停车事件簇中识别疑似站外违规载客点是算法核心与难点部分，基于对大量停车簇的实地观测，本文提出了基于规则的疑似违规载客点识别方法，消除规则主要包含如下4类：（1）规划停靠点：用区域表示，与之相交的停车簇视为正常停靠点；（2）信号灯停靠点：每个信号灯用空间点表示，当停车簇与信号灯的最小空间距离低于阈值DIStraffic时，视为正常停靠点；（3）交通拥堵停靠点：由交通拥堵造成的停车簇呈现带状形态，当停车簇为带状且平均行驶速度小于速度阈值Vtraffic时，视为正常停靠点，其中停车簇的几何形态由形态指数SI[8]判定。（4）其他合法停靠点：包括收费站、维修店、车辆保养店等，每个合法停靠点用区域表示，与之相交的停车簇视为正常停靠点。
按照以上规则完成推理后，剩下的停车簇定义为疑似站外违规载客点。
步骤三：评估疑似等级及特征
算法定义了三层级的站外违规载客可疑度，常见高频违规载客事件发生地标（包括长途车站、地铁站、停车场、旅行社等）附近的疑似违规载客点具有高可疑度，同一车辆频繁重复出现的点具有中可疑度，其他点定义为低可疑度。
为了提供更全面、有效的参考，GIS-TP基于海量历史轨迹信息挖掘各疑似违规载客点的高可疑时段和高可疑车牌：假定违规载客事件服从泊松分布，则单位时段至少发生1次违规载客事件的概率可公式5计算，其中λ是单位时段事件的平均发生次数；在具体应用中可通过调节单位时段概率阈值和发生次数阈值定义高可疑时段和高可疑车牌。
四、结果分析
4.1违规载客点识别结果总体情况
本研究通过深圳市2000辆长途客车6个月的实际GPS数据验证GIS-TP和提出算法的准确性和可用性。结合深圳市实际情况，对算法中的相关参数设定如下（可随场景的变化而调整）：Tstop=30分钟；Lgrid=10 米；DENstop=0.005/ m2；DIStraffic=30 米；Vtraffic=10 公里/小时。如表1所示，从海量停车事件中，平均每月识别出198个疑似站外违规载客点，其中高可疑、中可疑、低可疑的比例为5.5：14.3：1；约50%的疑似站外违规载客点重复出现，符合违规载客点相对固定且违规载客事件周期性频繁发生的认知特征。
如图2所示，疑似站外违规载客点在公交站附近分布得最多，其次是地铁站、加油站、停车场和旅行社；73%的疑似站外违规停车点的平均停车时长小于5分钟，与“车辆快速载客离场”的实际观测经验一致；各疑似站外违规载客点的高可疑时段具有8：00-12：00和18：00-20：00两个较为明显的时段峰值区间。
4.2疑似违规载客点典型实例
图3为系统识别出的某地铁站附近的疑似违规载客区域的实景图和高可疑时段分布图，该区域平均每月发生130起疑似违规载客事件，高可疑时段为9：00-10：00（发现违规载客事件的概率为50%），其中有3个车牌高频出现，对应每月各10起以上的违规载客事件。
4.3实地调查验证情况
本研究从系统识别出的各类疑似违规载客点中随机抽样选取8个进行了实地调查，包括停车场、加油站、公交站等，其中高可疑区域4个，中可疑区域4个，实地调查高可疑时段1个小时的观测情况，若发生载客事件则确认系统识别结果。总体调查情况如表2所示，8个疑似站外违规载客点中，有6个被确定，剩余2个在调查期间未发现违规载客现象，无法确定。抽样调研结果表明GIS-TP识别出的可疑停车区域准确度较高。
五、结语
本文基于车辆GPS轨迹分析，提出了一种自动识别长途客车站外违规载客点的算法，并开发了可视化系统GISTP，结合深圳市实际数据的案例分析表明算法的识别结果有较好的准确性、系统功能有较高的可用性。在后续工作中，可通过深入调查违规载客行为特征、扩展数据样本、提升精度，并接入实时动态GPS数据，实现长途客车站外违规载客事件的实时监测与预警。
参 考 文 献
[1]Fleischer， P. B； Nelson A.Y， Sowah R.A， Bremang A. Design and development of GPS/GSM based vehicle tracking and alert system for commercial inter-city buses. 2012 IEEE 4th International Conference on Adaptive Science & Technology （ICAST）， 1-6
[2] Cristian E. Cortés， Jaime Gibson， Antonio Gschwender， Marcela Munizaga， Mauricio Zú？iga， Commercial bus speed diagnosis based on GPS-monitored data， Transportation Research Part C： Emerging Technologies， Volume 19， Issue 4， August 2011， Pages 695-707 [3] Bar？？？im？ek， FatmaPakdil， BernaDengiz， Murat Caner Testik， Driver performance appraisal using GPS terminal measurements： A conceptual framework， Transportation Research Part C： Emerging Technologies， Volume 26， January 2013， Pages 49-60
[4] Zicheng Liao； Yizhou Yu； Baoquan Chen， "Anomaly detection in GPS data based on visual analytics，" Visual Analytics Science and Technology （VAST）， 2010 IEEE Symposium on ， vol.， no.， pp.51，58， 25-26 Oct. 2010
[5] Daqing Zhang， Nan Li， Zhi-Hua Zhou， Chao Chen， Lin Sun， Shijian Li， iBAT： Detecting Anomalous Taxi Trajectories from GPS Traces. Proceedings of the 13th ACM International Conference on Ubiquitous Computing （UbiComp’11）， Beijing， 2011.99-108
[6] Quannan Li， Yu Zheng， Xing Xie， Yukun Chen， Wenyu Liu， Wei-Ying Ma. Mining user similarity based on location history. In proceeding of： 16th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems， ACM-GIS 2008， November 5-7， 2008， Irvine， California， USA，
[7] Jing Yuan， Yu Zheng， Liuhang Zhang， Xing Xie， and Guangzhong Sun. Where to Find My Next Passenger？ In proceeding of： UbiComp 2011： Ubiquitous Computing， 13th International Conference， UbiComp 2011， Beijing， China， September 17-21， 2011，109-118.
[8] Forman R T T and Gordon M. Landscape Ecology. New York： John Wiley and Sons. 1986.
【关键词】 信息技术 违规载客点识别 GPS轨迹分析 城市交通Detecting Illegal Pickups of Intercity Buses Based on Spatio-temporal Analysis of GPS Trajectories
HUANG Lian1，YIN Ling2，LIN Yulong1（1 Shenzhen Transportation Operation Command Center， Shenzhen 518040， China， 2 Shenzhen Institute of Advanced Technology，
Chinese Academy of Science， Shenzhen 518055， China）
Abstract：In some regions，intercity bus staffs would pick up passengers outside of the scheduled bus stations and pocket the ticket money. Such illegal act brings large potential safety risks. The alert functions offered by the current vehicle tracking systems barely can catch the illegal act. We propose an approach to automatically detecting suspected illegal pick-up locations from GPS traces， and implement the approach in a geographical information system. A case study demonstrates the effectiveness of the system with its high accuracy of detecting illegal pick-up locations， as well as its functionality to help understand illegal pick-up behavior and plan on-site investigation.
Keywords： information technology； illegal pickups detection； GPS trajectories analysis； urban traffic
一、引言
随着城际出行需求不断增加，长途汽车客运市场得到了持续发展。然而，长途客车在运营时，存在在规定区域外上下旅客的违规行为，带来严重的安全隐患。这些违规上下客的地点称作长途客运车站外违规载客点。传统方法依靠执法人员现场侦察实现违规载客点的调查，耗费大量人力和时间成本。
近年来国内各级城市均建有基于GPS的长途客车监控系统，可实时记录、存储车辆运行的位置与速度信息，但现有系统主要是通过简单的数据对比实现车辆超速、偏离路线的自动报警[1-3]，无法判断沿规划路线的短时站外载客行为。同时，主流的GPS轨迹数据挖掘研究集中在交通拥堵状态的识别[4]、出租车驾驶行为分析[5]、个人出行模式分析[6-7]等领域，在长途客车的站外违规载客点识别方面存在空白。
本文通过深入分析长途客车在深圳运营的GPS轨迹和特征，提出了一种长途客运车站外违规载客点的自动识别算法，建立了可视化系统GIS-TP，可为行业主管部门执法提供数字化参考依据。
二、系统总体框架
GIS-TP的基础数据源是含有ID、经度、维度、瞬时速度和时间戳5个属性的GPS数据。如图1所示，系统由前后端两部分的6个子模块构成：
数据预处理模块：错误及异常数据检测及处理；
停车事件检测模块：识别长途客车的全部停车事件，每个停车事件定义为连续多个GPS点的速度为0，考虑到GPS定位误差，取这多个GPS点的平均经纬度为停车事件的地理位置、第一个点和最后一个点的时间差为停车时长，通过设定时长阈值Tstop筛选候选疑似违规停车点；
违规载客地点识别模块：基于停车事件的时空特征自动识别疑似违规载客点；
云计算平台：基于多节点Hadoop集群支持海量GPS数据处理与分析；
GIS（地理信息系统）引擎：提供空间分析功能，支撑违规载客点识别算法实现；
GIS服务：提供系统结果、地图的前端可视化服务。
三、长途客车站外违规载客点识别算法
从车辆的角度，违规载客点通常相对固定且违规载客事件周期性频繁发生；从行业管理者的角度，重点需要发现具有一定规模的违规载客点，因此，算法的第一步是检测出高密度的停车事件发生区域。
步骤一：高密度停车事件发生区域提取
为有效的提取出停车事件簇并确定空间簇的边界，本文使用核密度生成停车事件的密度分布图，将研究范围内的空间区域按尺度Lgrid划分网格，按公式1～3计算每个网格的密度概率，其中，（x，y）是网格中心点，K（x）是二次核函数，d是网格边长，h是带宽（搜索半径），n是边长小于h的网格数。
基于停车事件的密度分布，设定密度阈值DENstop（可自定义调整）提取高密度网格，连接相邻网格组成单个停车簇。
步骤二：疑似站外违规载客点推理
从停车事件簇中识别疑似站外违规载客点是算法核心与难点部分，基于对大量停车簇的实地观测，本文提出了基于规则的疑似违规载客点识别方法，消除规则主要包含如下4类：（1）规划停靠点：用区域表示，与之相交的停车簇视为正常停靠点；（2）信号灯停靠点：每个信号灯用空间点表示，当停车簇与信号灯的最小空间距离低于阈值DIStraffic时，视为正常停靠点；（3）交通拥堵停靠点：由交通拥堵造成的停车簇呈现带状形态，当停车簇为带状且平均行驶速度小于速度阈值Vtraffic时，视为正常停靠点，其中停车簇的几何形态由形态指数SI[8]判定。（4）其他合法停靠点：包括收费站、维修店、车辆保养店等，每个合法停靠点用区域表示，与之相交的停车簇视为正常停靠点。
按照以上规则完成推理后，剩下的停车簇定义为疑似站外违规载客点。
步骤三：评估疑似等级及特征
算法定义了三层级的站外违规载客可疑度，常见高频违规载客事件发生地标（包括长途车站、地铁站、停车场、旅行社等）附近的疑似违规载客点具有高可疑度，同一车辆频繁重复出现的点具有中可疑度，其他点定义为低可疑度。
为了提供更全面、有效的参考，GIS-TP基于海量历史轨迹信息挖掘各疑似违规载客点的高可疑时段和高可疑车牌：假定违规载客事件服从泊松分布，则单位时段至少发生1次违规载客事件的概率可公式5计算，其中λ是单位时段事件的平均发生次数；在具体应用中可通过调节单位时段概率阈值和发生次数阈值定义高可疑时段和高可疑车牌。
四、结果分析
4.1违规载客点识别结果总体情况
本研究通过深圳市2000辆长途客车6个月的实际GPS数据验证GIS-TP和提出算法的准确性和可用性。结合深圳市实际情况，对算法中的相关参数设定如下（可随场景的变化而调整）：Tstop=30分钟；Lgrid=10 米；DENstop=0.005/ m2；DIStraffic=30 米；Vtraffic=10 公里/小时。如表1所示，从海量停车事件中，平均每月识别出198个疑似站外违规载客点，其中高可疑、中可疑、低可疑的比例为5.5：14.3：1；约50%的疑似站外违规载客点重复出现，符合违规载客点相对固定且违规载客事件周期性频繁发生的认知特征。
如图2所示，疑似站外违规载客点在公交站附近分布得最多，其次是地铁站、加油站、停车场和旅行社；73%的疑似站外违规停车点的平均停车时长小于5分钟，与“车辆快速载客离场”的实际观测经验一致；各疑似站外违规载客点的高可疑时段具有8：00-12：00和18：00-20：00两个较为明显的时段峰值区间。
4.2疑似违规载客点典型实例
图3为系统识别出的某地铁站附近的疑似违规载客区域的实景图和高可疑时段分布图，该区域平均每月发生130起疑似违规载客事件，高可疑时段为9：00-10：00（发现违规载客事件的概率为50%），其中有3个车牌高频出现，对应每月各10起以上的违规载客事件。
4.3实地调查验证情况
本研究从系统识别出的各类疑似违规载客点中随机抽样选取8个进行了实地调查，包括停车场、加油站、公交站等，其中高可疑区域4个，中可疑区域4个，实地调查高可疑时段1个小时的观测情况，若发生载客事件则确认系统识别结果。总体调查情况如表2所示，8个疑似站外违规载客点中，有6个被确定，剩余2个在调查期间未发现违规载客现象，无法确定。抽样调研结果表明GIS-TP识别出的可疑停车区域准确度较高。
五、结语
本文基于车辆GPS轨迹分析，提出了一种自动识别长途客车站外违规载客点的算法，并开发了可视化系统GISTP，结合深圳市实际数据的案例分析表明算法的识别结果有较好的准确性、系统功能有较高的可用性。在后续工作中，可通过深入调查违规载客行为特征、扩展数据样本、提升精度，并接入实时动态GPS数据，实现长途客车站外违规载客事件的实时监测与预警。
参 考 文 献
[1]Fleischer， P. B； Nelson A.Y， Sowah R.A， Bremang A. Design and development of GPS/GSM based vehicle tracking and alert system for commercial inter-city buses. 2012 IEEE 4th International Conference on Adaptive Science & Technology （ICAST）， 1-6
[2] Cristian E. Cortés， Jaime Gibson， Antonio Gschwender， Marcela Munizaga， Mauricio Zú？iga， Commercial bus speed diagnosis based on GPS-monitored data， Transportation Research Part C： Emerging Technologies， Volume 19， Issue 4， August 2011， Pages 695-707 [3] Bar？？？im？ek， FatmaPakdil， BernaDengiz， Murat Caner Testik， Driver performance appraisal using GPS terminal measurements： A conceptual framework， Transportation Research Part C： Emerging Technologies， Volume 26， January 2013， Pages 49-60
[4] Zicheng Liao； Yizhou Yu； Baoquan Chen， "Anomaly detection in GPS data based on visual analytics，" Visual Analytics Science and Technology （VAST）， 2010 IEEE Symposium on ， vol.， no.， pp.51，58， 25-26 Oct. 2010
[5] Daqing Zhang， Nan Li， Zhi-Hua Zhou， Chao Chen， Lin Sun， Shijian Li， iBAT： Detecting Anomalous Taxi Trajectories from GPS Traces. Proceedings of the 13th ACM International Conference on Ubiquitous Computing （UbiComp’11）， Beijing， 2011.99-108
[6] Quannan Li， Yu Zheng， Xing Xie， Yukun Chen， Wenyu Liu， Wei-Ying Ma. Mining user similarity based on location history. In proceeding of： 16th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems， ACM-GIS 2008， November 5-7， 2008， Irvine， California， USA，
[7] Jing Yuan， Yu Zheng， Liuhang Zhang， Xing Xie， and Guangzhong Sun. Where to Find My Next Passenger？ In proceeding of： UbiComp 2011： Ubiquitous Computing， 13th International Conference， UbiComp 2011， Beijing， China， September 17-21， 2011，109-118.
[8] Forman R T T and Gordon M. Landscape Ecology. New York： John Wiley and Sons. 1986.