基于GPS軌跡時空特征的長途客車站外違規載客點自動識別系統研究

黃練 尹凌 林鈺龍

【摘要】 部分區域的長途客車在運營時，存在在規定的停靠站點外上下旅客的違規行為，帶來嚴重的安全隱患，現有車輛動態監控系統無法識別這種違規行為。本文提出了一種基于車輛GPS軌跡時空特征的長途客車站外違規載客點自動識別方法，開發了可視化系統，通過結合深圳市長途客車實際GPS數據的案例分析，驗證了方法的準確性和有效性。

【關鍵詞】 信息技術 違規載客點識別 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，長途汽車客運市場得到了持續發展。然而，長途客車在運營時，存在在規定區域外上下旅客的違規行為，帶來嚴重的安全隱患。這些違規上下客的地點稱作長途客運車站外違規載客點。傳統方法依靠執法人員現場偵察實現違規載客點的調查，耗費大量人力和時間成本。

近年來國內各級城市均建有基于GPS的長途客車監控系統，可實時記錄、存儲車輛運行的位置與速度信息，但現有系統主要是通過簡單的數據對比實現車輛超速、偏離路線的自動報警[1-3]，無法判斷沿規劃路線的短時站外載客行為。同時，主流的GPS軌跡數據挖掘研究集中在交通擁堵狀態的識別[4]、出租車駕駛行為分析[5]、個人出行模式分析[6-7]等領域，在長途客車的站外違規載客點識別方面存在空白。

本文通過深入分析長途客車在深圳運營的GPS軌跡和特征，提出了一種長途客運車站外違規載客點的自動識別算法，建立了可視化系統GIS-TP，可為行業主管部門執法提供數字化參考依據。

二、系統總體框架

GIS-TP的基礎數據源是含有ID、經度、維度、瞬時速度和時間戳5個屬性的GPS數據。如圖1所示，系統由前后端兩部分的6個子模塊構成：

數據預處理模塊：錯誤及異常數據檢測及處理；

停車事件檢測模塊：識別長途客車的全部停車事件，每個停車事件定義為連續多個GPS點的速度為0，考慮到GPS定位誤差，取這多個GPS點的平均經緯度為停車事件的地理位置、第一個點和最后一個點的時間差為停車時長，通過設定時長閾值Tstop篩選候選疑似違規停車點；

違規載客地點識別模塊：基于停車事件的時空特征自動識別疑似違規載客點；

云計算平臺：基于多節點Hadoop集群支持海量GPS數據處理與分析；

GIS（地理信息系統）引擎：提供空間分析功能，支撐違規載客點識別算法實現；

GIS服務：提供系統結果、地圖的前端可視化服務。

三、長途客車站外違規載客點識別算法

從車輛的角度，違規載客點通常相對固定且違規載客事件周期性頻繁發生；從行業管理者的角度，重點需要發現具有一定規模的違規載客點，因此，算法的第一步是檢測出高密度的停車事件發生區域。

步驟一：高密度停車事件發生區域提取

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

基于停車事件的密度分布，設定密度閾值DENstop（可自定義調整）提取高密度網格，連接相鄰網格組成單個停車簇。

步驟二：疑似站外違規載客點推理

從停車事件簇中識別疑似站外違規載客點是算法核心與難點部分，基于對大量停車簇的實地觀測，本文提出了基于規則的疑似違規載客點識別方法，消除規則主要包含如下4類：（1）規劃?？奎c：用區域表示，與之相交的停車簇視為正常停靠點；（2）信號燈?？奎c：每個信號燈用空間點表示，當停車簇與信號燈的最小空間距離低于閾值DIStraffic時，視為正常?？奎c；（3）交通擁堵停靠點：由交通擁堵造成的停車簇呈現帶狀形態，當停車簇為帶狀且平均行駛速度小于速度閾值Vtraffic時，視為正常?？奎c，其中停車簇的幾何形態由形態指數SI[8]判定。（4）其他合法?？奎c：包括收費站、維修店、車輛保養店等，每個合法?？奎c用區域表示，與之相交的停車簇視為正常停靠點。

按照以上規則完成推理后，剩下的停車簇定義為疑似站外違規載客點。

步驟三：評估疑似等級及特征

算法定義了三層級的站外違規載客可疑度，常見高頻違規載客事件發生地標（包括長途車站、地鐵站、停車場、旅行社等）附近的疑似違規載客點具有高可疑度，同一車輛頻繁重復出現的點具有中可疑度，其他點定義為低可疑度。

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載客點的高可疑時段和高可疑車牌：假定違規載客事件服從泊松分布，則單位時段至少發生1次違規載客事件的概率可公式5計算，其中λ是單位時段事件的平均發生次數；在具體應用中可通過調節單位時段概率閾值和發生次數閾值定義高可疑時段和高可疑車牌。

四、結果分析

4.1違規載客點識別結果總體情況

本研究通過深圳市2000輛長途客車6個月的實際GPS數據驗證GIS-TP和提出算法的準確性和可用性。結合深圳市實際情況，對算法中的相關參數設定如下（可隨場景的變化而調整）：Tstop=30分鐘；Lgrid=10 米；DENstop=0.005/ m2；DIStraffic=30 米；Vtraffic=10 公里/小時。如表1所示，從海量停車事件中，平均每月識別出198個疑似站外違規載客點，其中高可疑、中可疑、低可疑的比例為5.5：14.3：1；約50%的疑似站外違規載客點重復出現，符合違規載客點相對固定且違規載客事件周期性頻繁發生的認知特征。

如圖2所示，疑似站外違規載客點在公交站附近分布得最多，其次是地鐵站、加油站、停車場和旅行社；73%的疑似站外違規停車點的平均停車時長小于5分鐘，與“車輛快速載客離場”的實際觀測經驗一致；各疑似站外違規載客點的高可疑時段具有8：00-12：00和18：00-20：00兩個較為明顯的時段峰值區間。

4.2疑似違規載客點典型實例

圖3為系統識別出的某地鐵站附近的疑似違規載客區域的實景圖和高可疑時段分布圖，該區域平均每月發生130起疑似違規載客事件，高可疑時段為9：00-10：00（發現違規載客事件的概率為50%），其中有3個車牌高頻出現，對應每月各10起以上的違規載客事件。

4.3實地調查驗證情況

本研究從系統識別出的各類疑似違規載客點中隨機抽樣選取8個進行了實地調查，包括停車場、加油站、公交站等，其中高可疑區域4個，中可疑區域4個，實地調查高可疑時段1個小時的觀測情況，若發生載客事件則確認系統識別結果。總體調查情況如表2所示，8個疑似站外違規載客點中，有6個被確定，剩余2個在調查期間未發現違規載客現象，無法確定。抽樣調研結果表明GIS-TP識別出的可疑停車區域準確度較高。

五、結語

本文基于車輛GPS軌跡分析，提出了一種自動識別長途客車站外違規載客點的算法，并開發了可視化系統GISTP，結合深圳市實際數據的案例分析表明算法的識別結果有較好的準確性、系統功能有較高的可用性。在后續工作中，可通過深入調查違規載客行為特征、擴展數據樣本、提升精度，并接入實時動態GPS數據，實現長途客車站外違規載客事件的實時監測與預警。

參 考 文 獻

[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.