結合軌跡數據的城市居民出行熱點識別與分析

彭定永 蘭小機 溫振威

（江西理工大學土木與測繪工程學院 江西贛州 341000）

從軌跡數據中提取居民出行熱點并挖掘其他隱含信息是研究居民出行特征的重要途徑。目前，已有眾多學者利用軌跡數據進行居民出行熱點等相關研究，如張斌等基于居民打車記錄，使用OPTICS 聚類算法識別居民出行熱點[1]。李巖等基于西安市出租車GNSS (Global Navigation Satellite System) 軌跡數據，提取OD（Origin Destination）點，采用密度場模式算法進行出行熱點研究[2]?？党F等通過劃分交通小區的方法對武漢市熱點區域進行提取[3]。周素紅等通過挖掘深圳市的海量浮動車GNSS 軌跡數據，識別商業熱點并分析和驗證熱點間的相互作用關系[4]。張俊濤等基于出租車軌跡數據，結合高斯定理挖掘居民出行行為的時空特征并發現城市的熱點區域[5]。史新穎等提出了將DBSCAN 算法與kmeans 算法相結合的點聚合算法，通過對手機信令數據的挖掘進而提取城市熱點區域[6]。江慧娟等提出了一種路網約束條件下的改進DBSCAN 算法，利用武漢市出租車GNSS 軌跡數據進行出租車載客熱點區域的精確提取[7]。周博等利用出租車軌跡數據，結合數據場理論，借助城市興趣點數據輔助識別居民出行熱點[8-9]。上述研究較少關注能否利用居民出行熱點構建城市內部熱點區域交互網絡。復雜網絡理論已成為研究網絡結構的一種有效手段，例如：Zhou 等從武漢市浮動車軌跡數據中，將提取的主要交叉路口作為網絡節點，以交通流量為邊構建城市空間交互網絡，結合復雜網絡理論探討城市主要道路交叉口對居民日常出行的影響[10-11]。

本文從?？谑兄行某菂^“滴滴出行”平臺打車訂單數據中提取OD 點數據，分析居民打車出行量在工作日和休息日的變化，基于核密度估計法識別城市熱點，提取城市熱點區域并結合復雜網絡理論構建熱點區域空間交互網絡，揭示熱點區域間的交互特征。

2.1 研究區域

?？谑兄行某菂^作為?？谑心酥琳麄€海南島的核心區域，城市內部空間結構復雜多元，適用于本文進行的相關研究，故作為本文的研究區域。

2.2 軌跡數據及其預處理

本文從“蓋亞”數據開放計劃申請下載了?？谑?017 年6 月1 日-6 月30 日的居民打車訂單數據，總計180 余萬條記錄，包含了居民打車出行的起/終點經緯度以及上/下車時間等屬性數據，以此作為本文的居民出行軌跡數據來源。軌跡數據預處理主要步驟如下：

（1）數據清理：剔除不在研究區域內，以及數據屬性出現缺失、錯誤和重復的記錄。

（2）上/下車點提?。涸诠ぷ魅蘸托菹⑷障?，分時段提取軌跡數據中的OD 點數據。

3.1 基于核密度估計法識別居民出行熱點

居民出行熱點識別的主要流程為：

（1）對OD 點進行核密度分析，由于帶寬對分析結果影響顯著，需多次調整至效果最佳，得到最佳帶寬為300m。

（2）對生成的連續密度值表面進行焦點統計，利用焦點統計對柵格數據進行鄰域運算，提取指定鄰域內所有輸入像元值的最大值，構建最大密度值表面。

（3）將最大密度值表面與原密度值表面做差，獲取含零密度值表面。

（4）對含零密度值表面重分類，分為零值域和其他域，并將零值域逐步轉為點要素，從而獲取最大密度點要素，并通過點要素提取點的位置坐標；

（5）將核密度表面對應點坐標位置的核密度估計值提取至最大密度點要素，將核密度值定義為熱度值，得到熱點要素。

3.2 基于復雜網絡的建立熱點區域空間交互網絡

綜合研究區域面積、熱點數量特征等情況，合理設定居民出行熱點的有效輻射半徑為400m，作為熱點輻射區域，以此提取居民出行熱點區域，并對在空間上存在重疊現象的熱點區域進行合并，將合并后的熱點區域幾何中心作為新的居民出行熱點，并對該熱點區域的居民出行量進行累加計算。

結合復雜網絡理論，利用提取的居民出行熱點區域，構建熱點區域空間交互網絡，每個熱點區域對應網絡圖中的節點，熱點區域間的交互關系對應網絡圖中的邊；
利用熱點區域間居民出行交互往來次數作為邊權值（Weight）賦予熱點網絡中邊的權重，通過節點強度和邊權值來度量熱點區域間的交互強弱，探究熱點區域在整個網絡系統中的時空交互特征等隱含信息，其定義如下：

式中：ω（vj，vi）為節點i 與節點j 之間的邊權值；
S（vi）為節點i 的節點強度；
Sin（vi）為節點入度；
Sout（vi）為節點出度；
Vin（vi）為其他節點指向節點i 的節點集合；
Vout（vi）為從節點i 指向其他節點的節點集合。

4.1 居民出行時間特征

在研究時段內，統計打車用戶在工作日和休息日的出行量隨時段分布情況，如圖1 所示。

圖1 居民上/下車量隨時段分布

由圖1 可以看出，在工作日，居民出行由于通勤、返家、購物、就餐以及休閑娛樂等需求，出現了5個高峰時間段，分別是8:00-10:00、10:00-13:00、14:00-17:00、17:00-19:00、21:00-22:00；
相較于工作日，休息日出行量總體處于較低水平，出現了4 個高峰時間段，分別是11:00-13:00、14:00-16:00、17:00-19:00、21:00-22:00?？芍诠ぷ魅蘸托菹⑷障碌拿刻旄鲿r段的居民上/下車出行頻次特征與居民出行規律存在一致性。

4.2 熱點識別結果

基于獲取的9 個居民出行高峰時段進行居民出行熱點識別，識別結果如圖2 所示。

圖2 各高峰時段熱點分布

由圖2 可知，部分熱點“冷熱”程度不受時段變化的影響，即為持續型熱點。如車站和機場等大型交通樞紐（美蘭機場）、綜合性大型商圈（玉沙京華城）、城市重要的生活性主干道（丘海一橫路西段、山高街）周邊地區在休息日和工作日均為居民出行熱點。工作日熱點熱度值顯著高于休息日，日間熱度值顯著高于夜間，且在白天熱度值隨時間逐漸攀升，在下午達到峰值，隨后開始回落。?？谑兄行某菂^出行熱點呈現集聚現象，主要熱點分布于研究區域核心部分，且在遠離核心區域的大型交通樞紐所在區域也有集聚現象發生。

4.3 熱點區域空間交互結果

根據熱點區域間的交互關系，基于復雜網絡理論構建熱點區域空間交互網絡圖，圖中節點強度和邊權值（Weight）作為衡量熱點區域間交互強度的分析指標，圖中節點越大則表示該節點的節點強度越大，節點間交互強度越高則節點連邊的顏色越深、線型越粗，并按照節點強度大小對節點進行順序編號，如圖3 示。

圖3 各時段熱點交互網絡

由圖3 知，在研究區域中心地帶出行量大，構建的熱點網絡在此附近的節點連邊權重最高，交互最為活躍，且節點上的交互強度由中心向四周衰減，距離越遠、強度越低，體現地理學的距離衰減特性。除大型交通樞紐所在節點外，其他節點均集聚于城市核心區域，且工作日節點強度明顯大于休息日。網絡中任意兩節點能夠以較短路徑相互連通，并且核心區域存在高強度節點抱團傾向，體現了熱點空間交互網絡的小世界特性。熱點網絡只有少數節點之間交互較為活躍，新節點更趨向于與交互強度更高的節點相連接，不同節點的連接能力受該節點交互強度高低以及距離網絡中心遠近的影響而存在顯著差異，揭示了該熱點網絡具有無標度的特征。

本文基于核密度估計法識別居民出行熱點，并結合復雜網絡理論探討熱點區域間空間交互特征，揭示了居民出行潛在規律，得出以下結論：

（1）工作日出行量顯著高于休息日，且出現9 個居民出行高峰時間段。

（2）基于核密度估計法能夠較好的識別居民出行熱點，當指定合適帶寬時，其能更好地識別低熱度值的出行熱點。

（3）熱點網絡存在中心集聚現象，在研究區域核心部分交互頻繁。

不足之處是所用軌跡數據不是全面反映居了民日常出行軌跡。今后可結合其他多源軌跡數據作為居民出行數據來源，以期更加全面、深入地挖掘居民出行潛在規律。