Scalable space-time trajectory cube for path-finding: A study using big taxi trajectory data

基于可伸缩时空轨迹立方体的寻路方法：使用大规模出租车轨迹数据

 成果信息

      o Lin Yang, Mei-Po Kwan, Xiaofang Pan, Bo Wan, Shunping Zhou. Scalable space-time trajectory cube for path-finding: A study using big taxi trajectory data.Transportation Research Part B, 2017,101:1-27.

       o http://dx.doi.org/10.1016/j.trb.2017.03.010

 团队成员

· 杨林，博士，中国地质大学（武汉）我院，副教授，主要从事交通时空大数据与多源空间数据匹配融合等方面的研究。

(Email:yanglin_2002_wh@163.com)

· Mei-po Kwan，博士，美国伊利诺伊大学香槟分校地理系，教授，主要从事人类移动性、健康地理、城市地理、交通、社会与行为地理等方面的研究。

· 潘晓芳，博士生，中国地质大学（武汉）我院，主要从事时空可达性研究。

· 万波，博士，中国地质大学（武汉）我院，副教授，主要从事 大型GIS软件及遥感方面的研究。

· 周顺平，博士，中国地质大学（武汉）我院，教授，主要从事大型GIS软件及行人导航方面的研究。

 成果介绍

路径规划是人们重要的日常活动并具有广泛的应用。从大规模出租车轨迹中提取司机经验来学习最佳路线用于支持动态路径规划能够帮助用户与政府极大减轻交通问题。

本文考虑了出行经验的动态时空特征以及方向信息，提出了一种基于“ODT”(Origin, Destination, Time)的时空轨迹立方体框架，建模了单个路段轨迹与“ODT”构建的上下文环境之间的唯一依赖关系，然后基于O、D、T三个维度对轨迹空间进行重新组织与划分，通过时空轨迹立方体提取精细司机经验。基于精细化经验提取算法构建的时空约束经验模型（STCEM）能够更准确地识别轨迹所蕴含的最佳路线。本文使用深圳市出租车轨迹数据进行验证，结果显示该方法能够有效提取出租车司机的驾驶经验，所规划路线在平衡路径长度和出行时间下具有高轨迹覆盖度，且能够更好地反应司机的经验与真实路径选择。

论文提出了一种适用于出租车轨迹数据的路径规划算法框架：（1）提供了一种适合路径计算且能够有效集成时空元素和语义场景的时空间分组策略，时空轨迹立方体基于“O、D、T”三个维度划分，使连续空间离散转换到时空轨迹立方体便于有限元计算。（2）提供了时空计算的可伸缩性。时空轨迹立方体的每个维度是可伸缩的，方便定制不同的应用场景。（3）研究分析了道路路段全局频次与基于OD约束的频次对于司机择路经验的表征差异。结果表明，通常用于表征司机经验的路段全局频次包含了与给定OD对的经验出行路径无关的大量噪声，而为了更加准确的表达或者提取给定OD之间的精细化经验需要予以去除。

研究结果可以应用于路径规划或导航应用，同样也可适用于其他种类的移动轨迹数据用于司机经验的提取与驾驶行为的理解。

Fig.1Methodological framework of the experience-based path-finding approach based on the space-time trajectory cube set

Fig.2 Six randomly chosen OD pairs and the planned routes using four methods at 7:00-9:00 AM

(CEPRrepresents constrained experience-based planning routes computed by our model,UEPRrepresents uncontrained experience-based planning routes, SLPR denotes routesidentified using the shortest length path algorithm; STPR denotes routesidentified using the shortest time path algorithm. )