针对传统停留点识别方法对非标准化分类的POI(Points of Interest)数据和停驻时间依赖程度较高、可迁移性较差等弊端,提出了一种基于轨迹几何特征的语义停留点识别方法。通过充分利用轨迹自身所包含的有效信息,深入挖掘停留点附近子轨...针对传统停留点识别方法对非标准化分类的POI(Points of Interest)数据和停驻时间依赖程度较高、可迁移性较差等弊端,提出了一种基于轨迹几何特征的语义停留点识别方法。通过充分利用轨迹自身所包含的有效信息,深入挖掘停留点附近子轨迹的重叠规律并进行量化,同时引入标准化分类的临时停留相关的POI数据,对语义停留点和临时停留点进行进一步的区分。在此基础上,利用企业级的订单数据对语义停留点识别结果进行出行目的标注并进一步构建识别效果评价指标,有效地解决了停留点识别结果验证过程中的主观性和复杂性问题。最后,以重型货车的分支——集卡拖车为研究对象,并基于某集装箱运输公司TMS(Transportation Management System)系统提供的集卡拖车轨迹数据和订单数据,对长三角业务地区开展实证研究。研究结果表明:商家地址匹配准确率为96.5%,语义停留点识别结果具有真实语义的比率为85.5%。与现有研究相比,所提方法的准确性得到了显著提升,为多源场景的大规模推广应用提供了可行性基础。研究结果反映了港口城市集疏运货运活动的空间分布特征及区域联系,并揭示了不同类型重型货车出行活动的异质性,可为城市管理者制定更加全面合理的货运政策提供支撑,并为货运企业管理车队、拓展增值业务提供依据。展开更多
响应需求的末端配送方案可显著提升顾客满意度,识别并提取末端配送快递三轮车配送停留点特征是分析配送时空分布和动态需求的基础。因此,本文提出结合兴趣点(POI)与停留时长规则的停留点识别方法。首先,利用POI信息和瞬时速度初步筛选...响应需求的末端配送方案可显著提升顾客满意度,识别并提取末端配送快递三轮车配送停留点特征是分析配送时空分布和动态需求的基础。因此,本文提出结合兴趣点(POI)与停留时长规则的停留点识别方法。首先,利用POI信息和瞬时速度初步筛选快递三轮车轨迹数据;然后,引入停留时长阈值作为二次筛选条件;最后,合并临近的聚集点,形成完整的停留点集。采用人工校验识别结果的准确性,并借助熵率法计算停留链的熵率,量化评估不同识别方法的精确度。以苏州市顺丰速运快递网点的快递三轮车配送轨迹数据为实证对象,将所提出的方法与货运卡车停留点识别中常用的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)进行对比分析。结果表明,DBSCAN算法易将交通信号灯等待误判为配送停留点,而本文所提出的方法则有效规避了该问题,实现高达98%的精确率和召回率;同时,熵率法的应用进一步验证了所提方法在准确率上的有效性。在此基础上,扩大研究范围并识别配送停留点后,分析快递三轮车的出行链与配送时空分布特征。结果表明,8:00左右的高峰期配送车辆数显著多于16:00左右的高峰期;住宅区为配送热点,车辆数最多,且出行距离和工作时长最长;酒店类配送呈现停留时长较短的特点;此外,停留点空间分布亦揭示了部分配送距离偏远的情况。展开更多
文摘针对传统停留点识别方法对非标准化分类的POI(Points of Interest)数据和停驻时间依赖程度较高、可迁移性较差等弊端,提出了一种基于轨迹几何特征的语义停留点识别方法。通过充分利用轨迹自身所包含的有效信息,深入挖掘停留点附近子轨迹的重叠规律并进行量化,同时引入标准化分类的临时停留相关的POI数据,对语义停留点和临时停留点进行进一步的区分。在此基础上,利用企业级的订单数据对语义停留点识别结果进行出行目的标注并进一步构建识别效果评价指标,有效地解决了停留点识别结果验证过程中的主观性和复杂性问题。最后,以重型货车的分支——集卡拖车为研究对象,并基于某集装箱运输公司TMS(Transportation Management System)系统提供的集卡拖车轨迹数据和订单数据,对长三角业务地区开展实证研究。研究结果表明:商家地址匹配准确率为96.5%,语义停留点识别结果具有真实语义的比率为85.5%。与现有研究相比,所提方法的准确性得到了显著提升,为多源场景的大规模推广应用提供了可行性基础。研究结果反映了港口城市集疏运货运活动的空间分布特征及区域联系,并揭示了不同类型重型货车出行活动的异质性,可为城市管理者制定更加全面合理的货运政策提供支撑,并为货运企业管理车队、拓展增值业务提供依据。
文摘响应需求的末端配送方案可显著提升顾客满意度,识别并提取末端配送快递三轮车配送停留点特征是分析配送时空分布和动态需求的基础。因此,本文提出结合兴趣点(POI)与停留时长规则的停留点识别方法。首先,利用POI信息和瞬时速度初步筛选快递三轮车轨迹数据;然后,引入停留时长阈值作为二次筛选条件;最后,合并临近的聚集点,形成完整的停留点集。采用人工校验识别结果的准确性,并借助熵率法计算停留链的熵率,量化评估不同识别方法的精确度。以苏州市顺丰速运快递网点的快递三轮车配送轨迹数据为实证对象,将所提出的方法与货运卡车停留点识别中常用的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)进行对比分析。结果表明,DBSCAN算法易将交通信号灯等待误判为配送停留点,而本文所提出的方法则有效规避了该问题,实现高达98%的精确率和召回率;同时,熵率法的应用进一步验证了所提方法在准确率上的有效性。在此基础上,扩大研究范围并识别配送停留点后,分析快递三轮车的出行链与配送时空分布特征。结果表明,8:00左右的高峰期配送车辆数显著多于16:00左右的高峰期;住宅区为配送热点,车辆数最多,且出行距离和工作时长最长;酒店类配送呈现停留时长较短的特点;此外,停留点空间分布亦揭示了部分配送距离偏远的情况。
