2. 武汉大学资源与环境科学学院, 湖北 武汉 430079
2. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China
随着城乡道路建设的快速发展，道路基础设施(如加油站、停车场等)新建、拆建频繁，导致交通基础地理数据更新滞后、完整度低。目前，包括加油站、停车场在内的交通基础设施POI点主要依靠人工调绘、专业测量采集。但传统方法成本高、更新周期长，难以满足实际应用需求[1]。众源志愿者地理信息(VGI)[2]与传统地理数据采集和更新方式相比，具有数据量大、现势性高、内容丰富、成本低廉等优势[3]。车辆轨迹作为VGI数据的典型代表，蕴含了丰富的道路交通信息，是道路空间数据快速采集、更新的重要途径。
当前，众源轨迹数据已成为数据挖掘[4]、人类行为分析[5]、空间数据采集与更新[6-7]等领域研究的焦点。运用车辆轨迹提取、更新空间数据多集中于道路线[8]、面几何数据[9]，对于道路基础设施点数据与语义信息提取研究较少。如文献[1]运用DBSCAN聚类算法从车辆轨迹点集中提取停车场位置；文献[10]利用k-mean算法聚类步行轨迹提取地下通道。上述方法针对高精度轨迹，难以处理众源轨迹中的稀疏采样、GPS噪音及丢失等问题。文献[11]通过分析加油轨迹特征对加油行为建模，并融合路网数据分析加油站空间分布。文献[12-13]将轨迹数据与POI、路网数据相结合分析加油行为并估算能源消耗。以上研究将轨迹数据与其他空间数据集成挖掘，无法直接从轨迹数据中提取加油站点信息。加油站点信息提取的本质是提取轨迹停留，运用轨迹运动特征、几何模式及地理语义知识对停留区域进行语义识别与语义增强。文献[14-15]提出Stop/Move模型及SMoT算法提取轨迹停留，对轨迹数据进行语义建模。文献[16-17]基于Stop/Move模型，顾及速度、距离、方向等参数提出CB_SMoT[16]、DB-SMoT[17]算法提取轨迹停留。众源车辆轨迹采样稀疏(10~120s)，已有聚类算法多从采样密集(1~5s)的轨迹中提取停留点，难以探测众源车辆轨迹中的加油停留行为。车辆在加油过程中只留下少量停留轨迹点，且轨迹点丢失、漂移问题突出，使得现有方法不能直接从车辆个体轨迹中提取加油停留轨迹并成为解决该问题的技术瓶颈。加油站区域建筑物遮挡，导致GPS点漂移、丢失，传统算法对这些情形适应性不强。针对轨迹点漂移、丢失问题，文献[18]以轨迹序列为单元，提出SOC算法从行人轨迹中提取停留。文献[19]基于Stop/Move模型，将核密度方法和停留指数图结合可视化表达个人轨迹中的停留点。然而，这些研究仍多关注人类移动行为、忽略停留期间行为的问题[5]，没有对停留行为进行语义建模及语义推断。文献[20]运用时空聚类方法从个人轨迹中提取停留区域并分析停留类型。文献[21]从个人活动轨迹中提取停留区域，并对停留区域进行场所语义识别。但这些算法不能直接用来探测加油停留行为并对车辆轨迹进行语义分析。如何对车辆群体加油停留轨迹集进行语义分析，并准确识别、提取加油站点是已有研究仍未解决的问题。
综上，运用众源车辆轨迹提取加油站点信息需解决两个关键问题：① 根据加油行为轨迹运动特征，从车辆个体轨迹中快速提取加油停留轨迹；② 集成轨迹几何模式、语义知识对群体加油轨迹进行语义分析，快速准确提取加油站点。因此，本文从Stop/Move模型出发，融合加油轨迹运动特征，提出速度序列线性聚类算法提取加油停留轨迹；集成轨迹几何模式、语义属性知识对群体加油轨迹进行语义分析，综合运用Delaunay三角网、形状识别、语义约束条件提取加油站点信息，建立适于众源车辆轨迹的加油停留行为探测与加油站点信息提取方法。
1 车辆加油行为轨迹模式分析车辆加油行为发生在加油站区域，车辆轨迹在加油站处呈现停留和聚集模式。加油站作为加油车辆经过并停留的区域，其时空轨迹具有相同的运动特征、几何模式。因此，本文从运动特征、几何模式等方面对车辆个体、群体的加油行为轨迹特征进行分析描述。
1.1 车辆个体加油轨迹运动特征分析车辆轨迹由时空轨迹点序列构成，根据运动状态分为运动轨迹、静止(停留)轨迹两种，文献[15]将其建模为Stop/Move模式。车辆加油行为是指车辆驶离道路-进入加油站-停车加油-离开加油站-驶入道路的过程，该过程是典型的Stop/Move模式(图 1(a)、(b))。本文定义的加油停留轨迹(Stop)包括进入加油站、停车加油、离开加油站3部分(图 1(a)中的虚线)，这与文献[11]中的加油轨迹定义不同。加油站点提取的核心过程包括停留轨迹(Stop)提取和停留语义分析。根据停留轨迹点与加油站点的位置关系，加油停留轨迹可分为5种类型，如图 1(c)所示。图 1(c)中类型A为车辆在排队、等待加油的过程中留下大量轨迹点，且轨迹点漂移、噪音较多；类型B、C、D为车辆在加油过程中只留下少量轨迹点；类型E表示加油停留轨迹点丢失，没有留下轨迹点。加油停留轨迹以类型B、C、D为主，且车辆加油停留时长一般为3~15min之间[12-13]。正常情况下，车辆不会出现连续的加油行为，即当前加油与下一次加油应相隔约为12h[13]。
|
| 图 1 加油行为过程轨迹及运动特征分析 Fig. 1 Trajectory of refueling and movement parameters analysis |
轨迹运动参数包括速度、方向、转角等[22]，其中速度、方向及其变化对于停留提取与语义识别具有重要作用。根据轨迹点序列计算轨迹段平均速度，加油轨迹平均速度变化呈V字形特征，如图 1(d)所示。由于加油车辆处于原地静止或短距离低速移动，尽管加油轨迹停留点较少，但轨迹段平均速度远低于正常车速，通过平均速度阈值可将加油停留轨迹与移动轨迹分割开。车辆加油需要转向进入加油站-再次转向进入加油通道-转向离开加油通道-转向进入原有道路，共出现4次明显的连续方向变化(图 1(e))，且方向变化范围为0~90°。轨迹方向变化称为轨迹转向角，简称转角[22]，如图 1(e)所示，点p1的转角为θ。由于车辆轨迹采样稀疏，当加油停留模式如图 1(c)中的类型C、D时，轨迹方向连续变化并不明显，但至少有一次方向变化；当为类型E时，则需根据方向变化次数剔除该类停留轨迹。
1.2 车辆群体加油轨迹几何模式分析道路与加油站点之间通过短距离的停车道连接[21]，加油站点与停车道共同组成的加油站区域呈现U、V形状，故车辆群体加油轨迹也呈现U、V模式(图 2(a)、(b))，且每个加油站中的所有加油轨迹同向运动(图 1(e))。加油站之间相距较远，多呈现单个独立分布模式；在交通流量较大区域也出现两个加油站在道路两旁对称分布的成对分布模式(图 2(c))，加油站之间相距较近。由于轨迹漂移、GPS定位误差等原因，成对分布的两个加油站中的群体停留轨迹在空间上邻近，需要将这些加油停留轨迹线集准确区分开，以正确识别加油站。
|
| 图 2 车辆群体加油轨迹几何模式特征 Fig. 2 The geometric features of collective refueling GPS traces |
2 众源车辆轨迹加油停留行为探测与加油站点提取方法
停留行为与加油站点提取方法如图 3所示，包括：① 运用VSLC算法从个体轨迹线中提取加油停留子轨迹；② 综合运用Delaunay三角网、形状识别、语义约束从群体加油轨迹集中提取加油站。
|
| 图 3 众源车辆轨迹加油停留行为与加油点提取方法流程 Fig. 3 The workflow for detecting refueling behavior and extracting gas station points |
2.1 速度序列线性聚类算法(VSLC)提取加油停留轨迹
算法思想：对于每一条轨迹线，以轨迹段为基本单元(轨迹段为时间上相邻两轨迹点构成的线段，用TS表示)，根据速度阈值maxAv对轨迹段进行stop、move状态序列化；按照时间顺序线性聚类同态轨迹段提取子轨迹，根据停留时长minstop和移动时长minmove阈值再次聚类提取停留子轨迹；集成加油行为轨迹运动特征对停留子轨迹进行语义分析，剔除非加油行为轨迹，提取车辆加油停留轨迹。并称该算法为速度序列线性聚类算法(velocity sequence linear clustering，VSLC)。VSLC算法步骤为：
(1) 确定速度阈值maxAv、最短停留时长minstop、最短移动时长minmove。
(2) 轨迹速度序列化。输入一条轨迹线，计算每个轨迹段平均速度TSAv，如TSAv≤maxAv，轨迹段为静止状态，用s表示；反之为移动状态，用m表示，如图 4(b)所示。
|
| 图 4 基于速度序列的线性聚类算法提取加油停留轨迹 Fig. 4 Refueling stop tracks extraction through VSLC algorithm |
(3) 轨迹段聚类。线性顺序查找同态轨迹段，聚类生成子轨迹，如图 4(c)所示。
(4) 停留子轨迹(stop)提取。车辆停留、移动都应该持续一定时间，低于时长阈值的子轨迹，则认为是另一状态的噪音，转化为另一状态，并与同态子轨迹再次聚类。如图 4中A处移动时长小于minmove，则A处轨迹段move状态应转为stop，并与其前后相邻的同状态子轨迹再次聚类。如图 4(d)所示，再次聚类共提取了两条停留轨迹。
(5) 加油停留轨迹提取。对上一步提取的每条停留轨迹，计算轨迹速度变化、停留时长、方向变化及变化次数；如果停留轨迹的速度变化符合V字形特征、方向变化范围为0~90°且变化次数大于等于一次、停留时长为3~15min，则输出该停留轨迹为加油停留轨迹。如图 4(e)所示，集成加油轨迹运动特征能正确识别加油停留轨迹，剔除非加油停留轨迹。
(6) 按照算法步骤遍历数据库中所有轨迹线，则提取结果为群体加油停留轨迹。
2.2 Delauany三角网支持下的加油站点提取群体加油轨迹在加油站区域呈现聚集模式，每个聚类簇即是一个加油站。Delaunay三角网广泛用于空间聚类[23]、轨迹数据挖掘[8-9]，故本文运用Delaunay三角网层次聚类群体加油停留轨迹线并提取加油站多边形，综合运用形状识别、语义约束分析剔除非加油站点。
2.2.1 群体加油停留轨迹线层次聚类及加油站多边形提取(1) 加油轨迹线层次聚类。根据文献[8]中方法对停留轨迹线插值加密，加密轨迹线构建约束Delaunay三角网，如图 5(a)所示。删除三角网中的长边(称为整体长边)，即可将每个加油站的轨迹线聚为一类。整体长边阈值计算如下[8, 23]
|
| 图 5 加油停留轨迹线层次聚类及加油站多边形提取 Fig. 5 Refueling stop track lines clustering and gas station polygon extraction |
(1)
式中，mean(DT)表示三角网DT所有边长平均值；variation(DT)表示三角网所有边长标准差；α为调节参数，默认为1。对于任意三角形边，如边长大于globalvalue，则删除。删除整体长边得到的聚类簇仍存在两个问题，一是无法区分空间上成对分布的加油站轨迹线集，如图 5(b)中A、B；二是仍需删除加油站U、V区域内的局部长边才能准确提取加油站多边形(图 5(b))。故对每个聚类簇删除局部长边进行再次聚类，局部长边阈值计算如下[23]
(2)
式中，meanGi2(pj)表示聚类簇Gi中点pj的二阶邻域内所有边长均值；localvaration(pj)表示Gi中与点pj直接连接边的边长标准差；β为调节参数，默认为1.5。计算每个聚类簇中每个点的localvalue，如果该点二阶邻域中某边的边长大于localvalue，认为是局部长边，则删除。如图 5(c)中A、B所示，通过层次聚类较好地解决了上述问题。
(2) 方向判别及多边形提取。将每个聚类簇中的每条轨迹的起、终点连接成方向向量，选择任意向量作为参考，依次计算每条向量与参考向量的夹角，如所有夹角的绝对值为0~90°，则该轨迹线集同向，为加油站。如图 5(c)中C轨迹线集同向，为加油站；F则不是加油站。对每个聚类簇合并Delaunay三角形提取多边形，并对多边形平滑、化简(如图 5(d)所示)。提取的多边形具有不同形状、面积，需进行形状识别与语义约束分析，剔除非加油站点。
2.2.2 形状识别与语义约束分析(1) 加油站形状识别。归一化傅里叶描述子对多边形形状识别具有旋转、平移和尺度不变性，适于加油站多边形形状识别[24]。借鉴文献[24]中方法，运用归一化傅里叶描述子描述形状，采用描述子向量间的欧氏距离度量加油站多边形与U、V模板多边形的相似性。图 5(d)中的G、H、I多边形不具U、V形状，可能是紧邻道路的停车场、洗车店。
(2) 语义约束分析。如果加油站多边形面积小于面积标准[25]，则为非加油站并剔除(如图 5(d)中C、E)。对V字形多边形提取V字顶点，U字形多边形提取U字顶部中点，作为加油站点。对加油站点建立缓冲区，记录经过缓冲区的交通流量。设置流量阈值minflow，如果交通流量大于minflow，则是加油站。minflow的取值为支干路的标准交通流量[25]。
3 试验与分析 3.1 数据与试验环境试验区域为北京市六环内及附近区域(图 6)，车辆轨迹为北京市2012年11月共7d的出租车轨迹，平均采样时间间隔为40s。轨迹数据包括车辆ID、时间、经纬度等信息。本试验在P4/8GB/2GB/Win8.1环境下，基于ArcGIS10.2平台、C#编程语言进行算法试验。
|
| 图 6 加油站点提取过程及结果 Fig. 6 Gas stations extraction process and experimental results |
3.2 试验结果
对原始轨迹数据进行预处理[22](范围越界、速度异常等)，按时间顺序将轨迹线转换为轨迹段，计算轨迹段速度、距离、时间等信息。根据1.1节所述，设置VSLC算法速度阈值maxAv为6km/h，停留时长阈值minstop为300s，移动时长阈值minmove为120s(轨迹采样间隔为40s)[16-17]。运用VSLH算法提取加油停留轨迹(如图 6(a)所示)，提取的加油停留轨迹呈轨迹线聚集分布(图 6(a)中A、B)和单根停留轨迹零散分布(图 6(a)中C、D)两种模式。如图 6(b)、(c)所示，停留轨迹线加密构建约束Delaunay三角网，层次聚类轨迹线并提取加油站多边形。综合运用群体轨迹方向、傅里叶形状识别(相似dis≤1.15)、语义约束剔除无效多边形，提取加油站点。如图 6(d)、(e)所示，无效多边形包括不具有U、V形状(图 6(e)中B)、加油站面积太小(图 6(e)中C、D)、轨迹线集不具同向特征(图 6(e)中E)。运用7d轨迹数据共提取加油站点482个(如图 6(f)所示)，整体分布在四环、六环路之间及附近区域，而市中心数量较少，且沿路网分布。
3.3 试验结果验证评价 3.3.1 加油停留轨迹提取算法分析将本文VSLC算法的试验结果与K_Medoids、DJ_Cluster[26]、CB_SMoT[16]算法的停留提取结果进行比较。选取5辆出租车1d的轨迹(轨迹中须有加油停留)进行试验分析。以人工提取的停留结果为参考，计算准确率(precision)和完整率(recall)[20]，如表 1所示。
|
表 1中baseline stop为人工提取的参考停留；extracted stop是算法自动提取的停留，对于本文算法即是算法第4步结果；correct stop为正确提取的停留(与参考停留检测得到)；gas sation extracted为提取的加油站停留，由于其他3个算法没有专门提取加油停留，故无法自动提取，其结果为人工提取，而本文结果为算法第5步自动提取。从表 1可知，本文算法准确度高于K-Medoids算法和CB_SMoT算法，但低于DJ_Cluster算法。VSLC算法能提取采样稀疏、轨迹点较少的停留，而其他3个算法难以做到，故提取结果的完整率相对较高。针对不同加油停留轨迹点模式进行试验分析，如图 7(a)为车辆在加油站处留下大量停留点，VSLC、CB_SMoT、DJ_Cluster算法能较好地识别该类停留，但K-Medoids算法错误地将该停留分割为A、B两个停留。图 7(b)为车辆在进站时留下大量停留点、出站时留下少量停留点。4个算法都能识别该类型停留，VSLC算法能将进入、离开加油站部分的低速轨迹段提取，用于加油站语义分析。图 7(c)、(d)为车辆在加油站只留下少量轨迹点，K-Medoids、DJ_Cluster、CB_SMoT都不能提取该类停留[18]。如图 7(c)中轨迹traj2尽管只有3个停留点，也能识别并提取该类低速轨迹停留。由于了加入移动、停留时长参数使得本算法对轨迹点噪音、丢失等情形适应性强。如图 7(d)中轨迹点p2为噪音点，由于点p1到p3的时间小于minmove，本文将轨迹段p1p2、p2p3正确识别为stop状态。在时间效率上，本算法适于大数据量处理。
|
| 图 7 不同算法停留提取结果对比分析 Fig. 7 Comparison analysis of the stop results of different algorithms extracted |
3.3.2 加油站点提取结果评价分析
将提取的加油站点图层叠加到GoogleEarth影像图上检测其正确性，提取的482个加油站点中正确为449个，错误为33个，正确率为93.1%。研究区域共有加油站568个，有119个加油站未提取，试验结果完整率为79.0%。本文方法能较好地区分公共停车场、洗车店等POI点，但也有部分加油站识别错误或未提取，其原因为：
(1) 轨迹数据量。加油站点提取需要一定数据量的轨迹支持，如果停留轨迹过少，则加油站无法提取或结果不可靠(图 8(a)中A)；如果停留轨迹过多，轨迹点覆盖整个加油站区域(图 8(a)中F)，则无法判别U、V形状导致错误剔除。
|
| 图 8 加油站提取结果评价分析 Fig. 8 The experimental results analysis and evaluation |
(2) 参数取值。加油轨迹聚类及多边形提取过程中，参数α对提取结果影响小，参数β影响大，较大β值会使加油站识别错误(如图 8(a)中B、C、E)。傅里叶形状识别能有效区分停车场等其他POI，但不同dis取值会影响加油站识别结果。当dis≤1.1，加油站D被剔除；当dis≤1.2，加油站D正确识别。如果加油站离道路太近(图 8(a)中F)，轨迹几何模式不明显，本文算法也难以识别。
(3) 轨迹数据种类。出租车不能覆盖城市所有区域，仍需其他车辆轨迹才能完整提取加油站。
以测绘部门加油站POI数据为参考，分别建立5m、10m、15m、20m、25m、30m、50m、70m的缓冲区，与提取结果进行匹配，统计落入缓冲区内的加油站点个数，定量评价结果精度，结果如图 8(b)所示。在5m高精度范围内的加油站点个数达到45.30%，25m精度范围内的加油站点个数到达88.64%。部分加油站点的精度低于25m，其原因为加油站区域存在高大建筑物且有大量停留轨迹点堆积，产生较多的轨迹漂移及噪音(GPS轨迹定位误差大于10m)。少量加油站点无法与参考数据匹配，可能是原有加油站点被拆除，或者原有参考数据的不完整性造成，但这说明该结果可用于POI点空间数据更新。
4 结论与展望目前，加油站POI点信息采集主要依赖大量的人工调绘或专业设备测量，更新周期长且成本高，难以满足空间数据快速更新需求。针对众源车辆轨迹数据提取加油站点问题，本文从轨迹运动特征、几何模式等方面对车辆个体、群体加油行为轨迹特征进行分析。基于Stop/Move模型，提出速度序列线性聚类算法(VSLC)提取加油停留轨迹；综合运用Delaunay三角网、语义约束、形状识别等方法从群体轨迹线中提取加油站点。运用北京市7天出租车轨迹数据进行试验，共提取482个加油站点，准确率达到93.1%，10m精度的加油站点个数达到56.2%，证明了该方法的有效性。
本研究仍存在一些问题需要深入研究，包括：① 需将车辆轨迹数据与车辆属性数据融合分析车辆加油、加气、充电类型及加油站的服务功能；② 本文仅对车辆轨迹提取加油站点问题进行了深入研究，仍需要集成多源空间数据对加油站语义信息进行分析。
| [1] | 李军, 秦其明, 游林, 等. 利用浮动车数据提取停车场位置[J]. 武汉大学学报(信息科学版), 2013, 38(5): 599–603. LI Jun, QIN Qiming, YOU Lin, et al. Parking Lot Extraction Method Based on Floating Car Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 599–603. |
| [2] | GOODCHILD M F. Citizens as Sensors: The World of Volunteered Geography[J]. GeoJournal, 2007, 69(4): 211–221. DOI:10.1007/s10708-007-9111-y |
| [3] | 王明, 李清泉, 胡庆武, 等. 面向众源开放街道地图空间数据的质量评价方法[J]. 武汉大学学报(信息科学版), 2013, 38(12): 1490–1494. WANG Ming, LI Qingquan, HU Qingwu, et al. Quality Analysis on Crowd Sourcing Geographic Data with Open Street Map Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12): 1490–1494. |
| [4] | ZHENG Yu. Trajectory Data Mining: An Overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 29. |
| [5] | 萧世伦, 方志祥. 从时空GIS视野来定量分析人类行为的思考[J]. 武汉大学学报(信息科学版), 2014, 39(6): 667–670. XIAO Shilun, FANG Zhixiang. Rethinking Human Behavior Research from the Perspective of Space-time GIS[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6): 667–670. |
| [6] | 杨伟, 艾廷华. 基于车辆轨迹大数据的道路网更新方法研究[J]. 计算机研究与发展, 2016, 53(12): 2681–2693. YANG Wei, AI Tinghua. A Method for Road Network Updating Based on Vehicle Trajectory Big Data[J]. Journal of Computer Research and Development, 2016, 53(12): 2681–2693. DOI:10.7544/issn1000-1239.2016.20160610 |
| [7] | AHMED M, KARAGIORGOU S, PFOSER D, et al. A Comparison and Evaluation of Map Construction Algorithms Using Vehicle Tracking Data[J]. GeoInformatica, 2015, 19(3): 601–632. DOI:10.1007/s10707-014-0222-6 |
| [8] | 杨伟, 艾廷华. 基于众源轨迹数据的道路中心线提取[J]. 地理与地理信息科学, 2016, 32(3): 1–7. YANG Wei, AI Tinghua. Road Centerline Extraction from Crowdsourcing Trajectory Data[J]. Geography and Geo-Information Science, 2016, 32(3): 1–7. |
| [9] | 杨伟, 艾廷华. 运用约束Delaunay三角网从众源轨迹线提取道路边界[J]. 测绘学报, 2017, 46(2): 237–245. YANG Wei, AI Tinghua. The Extraction of Road Boundary from Crowdsourcing Trajectory Using Constrained Delaunay Triangulation[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(2): 237–245. DOI:10.11947/j.AGCS.2017.20160233 |
| [10] | SONG Qiuge, JIN Cheqing, WANG Xiaoling, et al. Discovering Underpasses from Walking Trajectories[C]//Proceedings of the 2015 31th IEEE International Conference on Data Engineering Workshops. Seoul: IEEE, 2015: 129-133. |
| [11] | 刘汇慧, 阚子涵, 吴华意, 等. 车辆GPS轨迹加油行为建模与时空分布分析[J]. 测绘通报, 2016(9): 29–34. LIU Huihui, KAN Zihan, WU Huayi, et al. Vehicles' Refueling Activity Modeling and Space-time Distribution Analysis[J]. Bulletin of Surveying and Mapping, 2016(9): 29–34. DOI:10.13474/j.cnki.11-2246.2016.0286 |
| [12] | ZHANG Fuzheng, WILKIE D, ZHENG Yu, et al. Sensing the Pulse of Urban Refueling Behavior[C]//Proceedings of the 2013 ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York: ACM, 2013: 13-22. |
| [13] | NIU Hongting, LIU Junming, FU Yanjie, et al. Exploiting Human Mobility Patterns for Gas Station Site Selection[C]//International Conference on Database Systems for Advanced Applications. Dallas: Springer International Publishing, 2016: 242-257. |
| [14] | ALVARES L O, BOGORNY V, KUIJPERS B, et al. A Model for Enriching Trajectories with Semantic Geographical Information[C]//Proceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems. New York: ACM, 2007: 22. |
| [15] | SPACCAPIETRA S, PARENT C, DAMIANI M L, et al. A Conceptual View on Trajectories[J]. Data & Knowledge Engineering, 2008, 65(1): 126–146. |
| [16] | PALMA A T, BOGORNY V, KUIJPERS B, et al. A Clustering-based Approach for Discovering Interesting Places in Trajectories[C]//Proceedings of the 2008 ACM Symposium on Applied Computing. New York: ACM, 2008: 863-868. |
| [17] | ROCHA J A M R, TIMES V C, OLIVEIRA G, et al. DB-SMoT: A Direction-based Spatio-temporal Clustering Method[C]//Proceedings of the 2010 5th IEEE International Conference Intelligent Systems. London: IEEE, 2010: 114-119. |
| [18] | XIANG Longgang, GAO Meng, WU Tao. Extracting Stops from Noisy Trajectories: A Sequence Oriented Clustering Approach[J]. ISPRS International Journal of Geo-Information, 2016, 5(3): 29. DOI:10.3390/ijgi5030029 |
| [19] | 向隆刚, 邵晓天. 载体轨迹停留信息提取的核密度法及其可视化[J]. 测绘学报, 2016, 45(9): 1122–1131. XIANG Longgang, SHAO Xiaotian. Visualization and Extraction of Trajectory Stops Based on Kernel-density[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(9): 1122–1131. DOI:10.11947/j.AGCS.2016.20150347 |
| [20] | FU Zhongliang, TIAN Zhongliang, XU Yanqing, et al. A Two-step Clustering Approach to Extract Locations from Individual GPS Trajectory Data[J]. ISPRS International Journal of Geo-Information, 2016, 5(10): 166. DOI:10.3390/ijgi5100166 |
| [21] | SHEN Jiannan, CHENG Tao. A Framework for Identifying Activity Groups from Individual Space-time Profiles[J]. International Journal of Geographical Information Science, 2016, 30(9): 1785–1805. DOI:10.1080/13658816.2016.1139119 |
| [22] | DODGE S, WEIBEL R, FOROOTAN E. Revealing the Physics of Movement: Comparing the Similarity of Movement Characteristics of Different Types of Moving Objects[J]. Computers, Environment and Urban Systems, 2009, 33(6): 419–434. DOI:10.1016/j.compenvurbsys.2009.07.008 |
| [23] | 刘启亮, 邓敏, 石岩, 等. 一种基于多约束的空间聚类方法[J]. 测绘学报, 2011, 40(4): 509–516. LIU Qiliang, DENG Min, SHI Yan, et al. A Novel Spatial Clustering Method Based on Multi-constraints[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 509–516. |
| [24] | 王涛, 刘文印, 孙家广, 等. 傅里叶描述子识别物体的形状[J]. 计算机研究与发展, 2002, 39(12): 1714–1719. WANG Tao, LIU Wenyin, SUN Jiaguang, et al. Using Fourier Descriptors to Recognize Object's Shape[J]. Journal of Computer Research and Development, 2002, 39(12): 1714–1719. |
| [25] | 中华人民共和国住房和城乡建设部, 中华人民共和国国家质量监督检验检疫总局. 汽车加油加气站设计与施工规范: GB 50156—2012[S]. 北京: 中国计划出版社, 2013. |
| [26] | ZHOU Changqing, FRANKOWSKI D, LUDFORD P, et al. Discovering Personally Meaningful Places: An Interactive Clustering Approach[J]. ACM Transactions on Information Systems (TOIS), 2007, 25(3): 12. DOI:10.1145/1247715 |