论文部分内容阅读
近些年来，随着传感器网络、移动定位技术的应用和发展，获取大规模、长时间序列、精细时空粒度的个体移动轨迹成为可能。海量的人类移动轨迹数据中蕴含着人类行为的时空分布模式。通过对这些轨迹的研究可以挖掘人类移动性，理解人类动力学特征，进而为活动预测、城市规划、交通监测等提供支持。 GPS追踪信息可以准确告诉我们移动物体的位置，但是它们并不包含额外的语义信息，比如交通模式、活动类型。语义信息在人类行为、交通领域中具有重要作用，特别是活动信息或者出行目的，对于进一步理解城市功能，进行智能交通管理，分析人类行为影响因素等相关研究具有重要意义。传统的语义获取多基于问卷调查等人工方式，其结果受问卷设计和主观判断的影响，具有精度低、覆盖范围小等缺点。 另一方面，轨迹源于人对活动的需求，是人与周围环境共同作用的结果。因此轨迹本身蕴含着人类的活动信息，这为从轨迹数据中推测活动信息，进行轨迹语义增强提供了可能。 为此，本文从用于增强轨迹语义的数据库和轨迹本身特征两个方面构建轨迹语义增强算法，并将该算法应用到出租车乘客轨迹中，对乘客起止点活动进行增强，用于城市的时空特征分析。论文主要成果如下: (1)建立点、面两层的外部语义库用于增强轨迹的活动语义。该语义库包括语义点、语义面两个层次，同时两个层次基于空间关系建立连接。借助语义点、语义面之间的关系，重新定义轨迹起止点与语义点、语义面之间的关系，使之更加适用于轨迹语义增强。 (2)基于轨迹特征进行轨迹活动语义增强。本文针对现有轨迹活动语义增强的不足，提取轨迹的形态特征，并基于轨迹形态特征建立新的规则应用到轨迹活动语义增强算法中。基于滴滴出行和GPS数据构建数据集，设置了四组对照试验，进行算法验证。结果表明，考虑轨迹形态特征可以有效提高轨迹起止点活动语义增强的精度。 (3)最后将本文轨迹语义增强算法应用到北京市出租车乘客轨迹，进行活动语义增强。在语义增强的基础上，从语义化轨迹的时间特征、空间特征、活动特征入手，研究城市活动的时空特征。