黃練 尹凌 林鈺龍

【摘要】 部分區(qū)域的長(zhǎng)途客車(chē)在運(yùn)營(yíng)時(shí)，存在在規(guī)定的?？空军c(diǎn)外上下旅客的違規(guī)行為，帶來(lái)嚴(yán)重的安全隱患，現(xiàn)有車(chē)輛動(dòng)態(tài)監(jiān)控系統(tǒng)無(wú)法識(shí)別這種違規(guī)行為。本文提出了一種基于車(chē)輛GPS軌跡時(shí)空特征的長(zhǎng)途客車(chē)站外違規(guī)載客點(diǎn)自動(dòng)識(shí)別方法，開(kāi)發(fā)了可視化系統(tǒng)，通過(guò)結(jié)合深圳市長(zhǎng)途客車(chē)實(shí)際GPS數(shù)據(jù)的案例分析，驗(yàn)證了方法的準(zhǔn)確性和有效性。

【關(guān)鍵詞】 信息技術(shù) 違規(guī)載客點(diǎn)識(shí)別 GPS軌跡分析 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

隨著城際出行需求不斷增加，長(zhǎng)途汽車(chē)客運(yùn)市場(chǎng)得到了持續(xù)發(fā)展。然而，長(zhǎng)途客車(chē)在運(yùn)營(yíng)時(shí)，存在在規(guī)定區(qū)域外上下旅客的違規(guī)行為，帶來(lái)嚴(yán)重的安全隱患。這些違規(guī)上下客的地點(diǎn)稱作長(zhǎng)途客運(yùn)車(chē)站外違規(guī)載客點(diǎn)。傳統(tǒng)方法依靠執(zhí)法人員現(xiàn)場(chǎng)偵察實(shí)現(xiàn)違規(guī)載客點(diǎn)的調(diào)查，耗費(fèi)大量人力和時(shí)間成本。

近年來(lái)國(guó)內(nèi)各級(jí)城市均建有基于GPS的長(zhǎng)途客車(chē)監(jiān)控系統(tǒng)，可實(shí)時(shí)記錄、存儲(chǔ)車(chē)輛運(yùn)行的位置與速度信息，但現(xiàn)有系統(tǒng)主要是通過(guò)簡(jiǎn)單的數(shù)據(jù)對(duì)比實(shí)現(xiàn)車(chē)輛超速、偏離路線的自動(dòng)報(bào)警[1-3]，無(wú)法判斷沿規(guī)劃路線的短時(shí)站外載客行為。同時(shí)，主流的GPS軌跡數(shù)據(jù)挖掘研究集中在交通擁堵?tīng)顟B(tài)的識(shí)別[4]、出租車(chē)駕駛行為分析[5]、個(gè)人出行模式分析[6-7]等領(lǐng)域，在長(zhǎng)途客車(chē)的站外違規(guī)載客點(diǎn)識(shí)別方面存在空白。

本文通過(guò)深入分析長(zhǎng)途客車(chē)在深圳運(yùn)營(yíng)的GPS軌跡和特征，提出了一種長(zhǎng)途客運(yùn)車(chē)站外違規(guī)載客點(diǎn)的自動(dòng)識(shí)別算法，建立了可視化系統(tǒng)GIS-TP，可為行業(yè)主管部門(mén)執(zhí)法提供數(shù)字化參考依據(jù)。

二、系統(tǒng)總體框架

GIS-TP的基礎(chǔ)數(shù)據(jù)源是含有ID、經(jīng)度、維度、瞬時(shí)速度和時(shí)間戳5個(gè)屬性的GPS數(shù)據(jù)。如圖1所示，系統(tǒng)由前后端兩部分的6個(gè)子模塊構(gòu)成：

數(shù)據(jù)預(yù)處理模塊：錯(cuò)誤及異常數(shù)據(jù)檢測(cè)及處理；

停車(chē)事件檢測(cè)模塊：識(shí)別長(zhǎng)途客車(chē)的全部停車(chē)事件，每個(gè)停車(chē)事件定義為連續(xù)多個(gè)GPS點(diǎn)的速度為0，考慮到GPS定位誤差，取這多個(gè)GPS點(diǎn)的平均經(jīng)緯度為停車(chē)事件的地理位置、第一個(gè)點(diǎn)和最后一個(gè)點(diǎn)的時(shí)間差為停車(chē)時(shí)長(zhǎng)，通過(guò)設(shè)定時(shí)長(zhǎng)閾值Tstop篩選候選疑似違規(guī)停車(chē)點(diǎn)；

違規(guī)載客地點(diǎn)識(shí)別模塊：基于停車(chē)事件的時(shí)空特征自動(dòng)識(shí)別疑似違規(guī)載客點(diǎn)；

云計(jì)算平臺(tái)：基于多節(jié)點(diǎn)Hadoop集群支持海量GPS數(shù)據(jù)處理與分析；

GIS（地理信息系統(tǒng)）引擎：提供空間分析功能，支撐違規(guī)載客點(diǎn)識(shí)別算法實(shí)現(xiàn)；

GIS服務(wù)：提供系統(tǒng)結(jié)果、地圖的前端可視化服務(wù)。

三、長(zhǎng)途客車(chē)站外違規(guī)載客點(diǎn)識(shí)別算法

從車(chē)輛的角度，違規(guī)載客點(diǎn)通常相對(duì)固定且違規(guī)載客事件周期性頻繁發(fā)生；從行業(yè)管理者的角度，重點(diǎn)需要發(fā)現(xiàn)具有一定規(guī)模的違規(guī)載客點(diǎn)，因此，算法的第一步是檢測(cè)出高密度的停車(chē)事件發(fā)生區(qū)域。

步驟一：高密度停車(chē)事件發(fā)生區(qū)域提取

為有效的提取出停車(chē)事件簇并確定空間簇的邊界，本文使用核密度生成停車(chē)事件的密度分布圖，將研究范圍內(nèi)的空間區(qū)域按尺度Lgrid劃分網(wǎng)格，按公式1～3計(jì)算每個(gè)網(wǎng)格的密度概率，其中，（x，y）是網(wǎng)格中心點(diǎn)，K（x）是二次核函數(shù)，d是網(wǎng)格邊長(zhǎng)，h是帶寬（搜索半徑），n是邊長(zhǎng)小于h的網(wǎng)格數(shù)。

基于停車(chē)事件的密度分布，設(shè)定密度閾值DENstop（可自定義調(diào)整）提取高密度網(wǎng)格，連接相鄰網(wǎng)格組成單個(gè)停車(chē)簇。

步驟二：疑似站外違規(guī)載客點(diǎn)推理

從停車(chē)事件簇中識(shí)別疑似站外違規(guī)載客點(diǎn)是算法核心與難點(diǎn)部分，基于對(duì)大量停車(chē)簇的實(shí)地觀測(cè)，本文提出了基于規(guī)則的疑似違規(guī)載客點(diǎn)識(shí)別方法，消除規(guī)則主要包含如下4類：（1）規(guī)劃?？奎c(diǎn)：用區(qū)域表示，與之相交的停車(chē)簇視為正常?？奎c(diǎn)；（2）信號(hào)燈停靠點(diǎn)：每個(gè)信號(hào)燈用空間點(diǎn)表示，當(dāng)停車(chē)簇與信號(hào)燈的最小空間距離低于閾值DIStraffic時(shí)，視為正常?？奎c(diǎn)；（3）交通擁堵?？奎c(diǎn)：由交通擁堵造成的停車(chē)簇呈現(xiàn)帶狀形態(tài)，當(dāng)停車(chē)簇為帶狀且平均行駛速度小于速度閾值Vtraffic時(shí)，視為正常停靠點(diǎn)，其中停車(chē)簇的幾何形態(tài)由形態(tài)指數(shù)SI[8]判定。（4）其他合法?？奎c(diǎn)：包括收費(fèi)站、維修店、車(chē)輛保養(yǎng)店等，每個(gè)合法停靠點(diǎn)用區(qū)域表示，與之相交的停車(chē)簇視為正常?？奎c(diǎn)。

按照以上規(guī)則完成推理后，剩下的停車(chē)簇定義為疑似站外違規(guī)載客點(diǎn)。

步驟三：評(píng)估疑似等級(jí)及特征

算法定義了三層級(jí)的站外違規(guī)載客可疑度，常見(jiàn)高頻違規(guī)載客事件發(fā)生地標(biāo)（包括長(zhǎng)途車(chē)站、地鐵站、停車(chē)場(chǎng)、旅行社等）附近的疑似違規(guī)載客點(diǎn)具有高可疑度，同一車(chē)輛頻繁重復(fù)出現(xiàn)的點(diǎn)具有中可疑度，其他點(diǎn)定義為低可疑度。

為了提供更全面、有效的參考，GIS-TP基于海量歷史軌跡信息挖掘各疑似違規(guī)載客點(diǎn)的高可疑時(shí)段和高可疑車(chē)牌：假定違規(guī)載客事件服從泊松分布，則單位時(shí)段至少發(fā)生1次違規(guī)載客事件的概率可公式5計(jì)算，其中λ是單位時(shí)段事件的平均發(fā)生次數(shù)；在具體應(yīng)用中可通過(guò)調(diào)節(jié)單位時(shí)段概率閾值和發(fā)生次數(shù)閾值定義高可疑時(shí)段和高可疑車(chē)牌。

四、結(jié)果分析

4.1違規(guī)載客點(diǎn)識(shí)別結(jié)果總體情況

本研究通過(guò)深圳市2000輛長(zhǎng)途客車(chē)6個(gè)月的實(shí)際GPS數(shù)據(jù)驗(yàn)證GIS-TP和提出算法的準(zhǔn)確性和可用性。結(jié)合深圳市實(shí)際情況，對(duì)算法中的相關(guān)參數(shù)設(shè)定如下（可隨場(chǎng)景的變化而調(diào)整）：Tstop=30分鐘；Lgrid=10 米；DENstop=0.005/ m2；DIStraffic=30 米；Vtraffic=10 公里/小時(shí)。如表1所示，從海量停車(chē)事件中，平均每月識(shí)別出198個(gè)疑似站外違規(guī)載客點(diǎn)，其中高可疑、中可疑、低可疑的比例為5.5：14.3：1；約50%的疑似站外違規(guī)載客點(diǎn)重復(fù)出現(xiàn)，符合違規(guī)載客點(diǎn)相對(duì)固定且違規(guī)載客事件周期性頻繁發(fā)生的認(rèn)知特征。

如圖2所示，疑似站外違規(guī)載客點(diǎn)在公交站附近分布得最多，其次是地鐵站、加油站、停車(chē)場(chǎng)和旅行社；73%的疑似站外違規(guī)停車(chē)點(diǎn)的平均停車(chē)時(shí)長(zhǎng)小于5分鐘，與“車(chē)輛快速載客離場(chǎng)”的實(shí)際觀測(cè)經(jīng)驗(yàn)一致；各疑似站外違規(guī)載客點(diǎn)的高可疑時(shí)段具有8：00-12：00和18：00-20：00兩個(gè)較為明顯的時(shí)段峰值區(qū)間。

4.2疑似違規(guī)載客點(diǎn)典型實(shí)例

圖3為系統(tǒng)識(shí)別出的某地鐵站附近的疑似違規(guī)載客區(qū)域的實(shí)景圖和高可疑時(shí)段分布圖，該區(qū)域平均每月發(fā)生130起疑似違規(guī)載客事件，高可疑時(shí)段為9：00-10：00（發(fā)現(xiàn)違規(guī)載客事件的概率為50%），其中有3個(gè)車(chē)牌高頻出現(xiàn)，對(duì)應(yīng)每月各10起以上的違規(guī)載客事件。

4.3實(shí)地調(diào)查驗(yàn)證情況

本研究從系統(tǒng)識(shí)別出的各類疑似違規(guī)載客點(diǎn)中隨機(jī)抽樣選取8個(gè)進(jìn)行了實(shí)地調(diào)查，包括停車(chē)場(chǎng)、加油站、公交站等，其中高可疑區(qū)域4個(gè)，中可疑區(qū)域4個(gè)，實(shí)地調(diào)查高可疑時(shí)段1個(gè)小時(shí)的觀測(cè)情況，若發(fā)生載客事件則確認(rèn)系統(tǒng)識(shí)別結(jié)果?？傮w調(diào)查情況如表2所示，8個(gè)疑似站外違規(guī)載客點(diǎn)中，有6個(gè)被確定，剩余2個(gè)在調(diào)查期間未發(fā)現(xiàn)違規(guī)載客現(xiàn)象，無(wú)法確定。抽樣調(diào)研結(jié)果表明GIS-TP識(shí)別出的可疑停車(chē)區(qū)域準(zhǔn)確度較高。

五、結(jié)語(yǔ)

本文基于車(chē)輛GPS軌跡分析，提出了一種自動(dòng)識(shí)別長(zhǎng)途客車(chē)站外違規(guī)載客點(diǎn)的算法，并開(kāi)發(fā)了可視化系統(tǒng)GISTP，結(jié)合深圳市實(shí)際數(shù)據(jù)的案例分析表明算法的識(shí)別結(jié)果有較好的準(zhǔn)確性、系統(tǒng)功能有較高的可用性。在后續(xù)工作中，可通過(guò)深入調(diào)查違規(guī)載客行為特征、擴(kuò)展數(shù)據(jù)樣本、提升精度，并接入實(shí)時(shí)動(dòng)態(tài)GPS數(shù)據(jù)，實(shí)現(xiàn)長(zhǎng)途客車(chē)站外違規(guī)載客事件的實(shí)時(shí)監(jiān)測(cè)與預(yù)警。

參 考 文 獻(xiàn)

[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 （UbiComp11）， 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.