留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种顾及道路交通流量语义信息的路网选取方法

邓敏 陈雪莹 唐建波 刘慧敏 何晋强

邓敏, 陈雪莹, 唐建波, 刘慧敏, 何晋强. 一种顾及道路交通流量语义信息的路网选取方法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
引用本文: 邓敏, 陈雪莹, 唐建波, 刘慧敏, 何晋强. 一种顾及道路交通流量语义信息的路网选取方法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
DENG Min, CHEN Xueying, TANG Jianbo, LIU Huimin, HE Jinqiang. A Method for Road Network Selection Considering the Traffic Flow Semantic Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
Citation: DENG Min, CHEN Xueying, TANG Jianbo, LIU Huimin, HE Jinqiang. A Method for Road Network Selection Considering the Traffic Flow Semantic Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053

一种顾及道路交通流量语义信息的路网选取方法

doi: 10.13203/j.whugis20180053
基金项目: 

国家自然科学基金 41901406

国家自然科学基金 4173000380

国家自然科学基金 4177011984

国家自然科学基金 41730105

国家重点研发计划 2017YFB0503500

详细信息
    作者简介:

    邓敏,博士,教授,现从事地理时空大数据挖掘与智能信息服务方向研究。dengmin208@tom.com

    通讯作者: 唐建波,博士。jianbo.tang@csu.edu.cn
  • 中图分类号: P208

A Method for Road Network Selection Considering the Traffic Flow Semantic Information

Funds: 

The National Natural Science Foundation of China 41901406

The National Natural Science Foundation of China 4173000380

The National Natural Science Foundation of China 4177011984

The National Natural Science Foundation of China 41730105

the National Key Research and Development Program of China 2017YFB0503500

More Information
    Author Bio:

    DENG Min, PhD, professor, majors in spatio-temporal big data mining and Cartography. E-mail:

    Corresponding author: TANG Jianbo, PhD. E-mail: jianbo.tang@csu.edu.cn
  • 摘要: 交通流量是反映城市道路重要性以及城市道路在交通运输中发挥现实作用的重要指标。结合人类出行轨迹数据和路网数据,在充分考虑道路的几何特征(即长度、拓扑连接、分布密度、接近中心性和中介中心性)、属性特征(即道路等级)的基础上,进一步考虑道路长周期的周平均交通量这一衡量道路重要性的语义特征指标,提出了一种顾及道路交通流量语义信息的路网选取方法。首先,根据格式塔准则的连续性和方向一致性构建道路选取的基元——stroke单元;在此基础上,统计这些stroke单元的几何特征、属性特征指标,并结合移动轨迹数据计算各stroke单元的周平均日交通量作为道路选取的语义特征指标。然后,探测不同特征指标的熵值变化以确定不同道路选取指标的权重,并定义道路重要性评价的综合指标,对城市路网进行综合选取。最后,采用武汉市路网数据和出租车轨迹数据对该方法进行验证。实验表明,该方法能够保持原始路网的连通性和整体路网骨架,同时选取结果能够刻画出发挥重要职能的路段,反映人们的出行规律特征。此外,该方法可以发现道路网中设计等级较高但是实际中使用率却很低的路段,可为道路网的评价与规划等应用提供参考。
  • 图  1  交通流量影响道路重要性认知的示例说明

    Figure  1.  Illustration of How Traffic Flow Affects the Perception of Road Importance

    图  2  本文方法流程图

    Figure  2.  Flowchart of the Proposed Method

    图  3  Stroke的构建方法原理

    Figure  3.  Illustration of the Construction of Road Strokes

    图  4  HMM轨迹匹配过程

    Figure  4.  The HMM-Based Map Matching Algorithm

    图  5  道路的周平均日交通量可视化图

    Figure  5.  Visualization of the WADT

    图  6  实验数据

    Figure  6.  Experimental Data

    图  7  道路stroke重要性评价结果

    Figure  7.  Result of Road Stroke Importance Evaluation

    图  8  1:20万比例尺选取结果

    Figure  8.  Selection Results at the Scale 1:200 000

    图  9  不同比例尺下的选取结果

    Figure  9.  Selection Results at Different Scales

    表  1  各个特征指标的权重

    Table  1.   Weights of Every Characteristic Index

    指标 方法 几何特征 属性信息 语义特征
    长度(L) 路网密度(R) 连接度(C) 接近中心性(CN) 中介中心性(BN) 等级(G) 周平均日交通量
    权重 熵权法 0.139 0.441 0.021 0.002 0.136 0.024 0.237
    主观赋权法 0.086 0.086 0.086 0.086 0.086 0.270 0.300
    加权综合 0.107 0.228 0.060 0.052 0.106 0.172 0.275
    下载: 导出CSV

    表  2  不同比例尺下量化结果

    Table  2.   Quantitative Results at Different Scales

    路网比例尺 考虑语义特征几何信息量 不考虑语义特征几何信息量 重合率/%
    原始路网 3.997 3.997
    1:20万 1.853 5 1.305 9 63.26
    1:50万 0.913 6 0.959 9 81.56
    1:100万 0.636 5 0.614 6 90.15
    下载: 导出CSV
  • [1] 谭纵波.城市规划[M].北京:清华大学出版社, 2005:201-202

    Tan Zongbo. Introduction to Urban Planning and Design[M]. Beijing:Tsinghua University Press, 2005:201-202
    [2] 邓红艳, 武芳, 翟仁健, 等.基于遗传算法的道路网综合模型[J].武汉大学学报·信息科学版, 2006, 31(2):164-167 http://ch.whu.edu.cn/article/id/2394

    Deng Hongyan, Wu Fang, Zhai Renjian, et al. A Generalization Model of Road Networks Based on Genetic Algorithm[J]. Geomatics and Information Science of Wuhan University, 2006, 31(2):164-167 http://ch.whu.edu.cn/article/id/2394
    [3] 杨敏, 艾廷华, 周启.顾及道路目标stroke特征保持的路网自动综合方法[J].测绘学报, 2013, 42(4):581-587, 594 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201304016

    Yang Min, Ai Tinghua, Zhou Qi. A Method of Road Network Generalization Considering Stroke Properties of Road Object[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(4):581-587, 594 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201304016
    [4] Thomson R C, Brooks R. Efficient Generalisation and Abstraction of Network Data Using Perceptual Grouping[C].The 5th International Conference on GeoComputation, United Kingdom, 2000
    [5] Zhou Q, Li Z. Evaluation of Properties to Determine the Importance of Individual Roads for Map Generalization[M]//Advances in Cartography and GIScience. Berlin, Heidelberg: Springer, 2011:459-475
    [6] Yang Bisheng, Luan Xuechen, Li Qingquan. Generating Hierarchical Strokes from Urban Street Networks Based on Spatial Pattern Recognition[J]. International Journal of Geographical Information Science, 2011, 25(12):2 025-2 050 doi:  10.1080/13658816.2011.570270
    [7] Zhou Qi, Li Zhilin.A Comparative Study of Various Supervised Learning Approaches to Selective Omission in a Road Network[J]. The Cartographic Journal, 2017, 54(3):254-264 doi:  10.1179/1743277414Y.0000000083
    [8] Benz S A, Weibel R. Road Network Selection for Medium Scales Using an Extended Stroke-Mesh Combination Algorithm[J]. Cartography & Geographic Information Science, 2014, 41(4):323-339 doi:  10.1080/15230406.2014.928482
    [9] 曹炜威, 张红, 何晶, 等.顾及结构和几何特征的道路自动选取方法[J].武汉大学学报·信息科学版, 2017, 42(4):520-524 doi:  10.13203/j.whugis20140862

    Cao Weiwei, Zhang Hong, He Jing, et al. Road Selection Considering Structural and Geometric Properties[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4):520-524 doi:  10.13203/j.whugis20140862
    [10] Liu X, Zhan F B, Ai T. Road Selection Based on Voronoi Diagrams and "Strokes" in Map Generalization[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12: 194-202 doi:  10.1016/j.jag.2009.10.009
    [11] 胡云岗, 陈军, 李志林, 等.基于网眼密度的道路选取方法[J].测绘学报, 2007, 36(3):111-117 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb200703019

    Hu Yungang, Chen Jun, Li Zhilin, et al. Selective Omission of Road Features Based on Mesh Density for Digital Map Generalization[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(3):111-117 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb200703019
    [12] Thomson R C, Richardson D E. A Graph Theory Approach to Road Network Generalisation[C]. The 17th International Cartographic Conference, Barcelona, Spain, 1995
    [13] Jiang B, Claramunt C. A Structural Approach to the Model Generalization of an Urban Street Network[J]. Geoinformatica, 2004, 8(2):157-171 doi:  10.1023/B%3AGEIN.0000017746.44824.70
    [14] 郑年波, 陆锋, 李清泉.面向导航的动态多尺度路网数据模型[J].测绘学报, 2010, 39(4):428-434 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201004016

    Zheng Nianbo, Lu Feng, Li Qingquan. A Feature-Based Dynamic Multi-scale Navigable Data Model[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4):428-434 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201004016
    [15] Cui J X, Liu F, Hu J, et al. Identifying Mismatch Between Urban Travel Demand and Transport Network Services Using GPS Data: A Case Study in the Fast Growing Chinese City of Harbin[J]. Neurocomputing, 2016, 181(C):4-18 http://www.sciencedirect.com/science/article/pii/S0925231215017075
    [16] 王汉东, 乐阳, 李宇光, 等.城市商业服务设施吸引力的空间相关性分析[J].武汉大学学报·信息科学版, 2011, 36(9): 1 102-1 106 http://ch.whu.edu.cn/article/id/653

    Wang Handong, Yue Yang, Li Yuguang, et al. Spatial Correlation Analysis of Attractiveness of Commercial Facilities[J]. Geomatics and Information Science of Wuhan University, 2011, 36(9): 1 102-1 106 http://ch.whu.edu.cn/article/id/653
    [17] 丁涛杰, 史殿习, 李永谋.基于出租车GPS数据的道路平均速度估计方法[J].计算机技术与发展, 2015, 25(7):15-19 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=wjfz201507004

    Ding Taojie, Shi Dianxi, Li Yongmou. Estimation Method for Average Traffic Speed Based on GPS Data of Taxi[J]. Computer Technology and Development, 2015, 25(7):15-19 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=wjfz201507004
    [18] 姜桂艳, 常安德, 张玮.基于GPS浮动车的路段行程时间估计方法比较[J].吉林大学学报(工学版), 2009, 39(S2):182-186 http://www.cnki.com.cn/Article/CJFDTotal-GLGL200911019.htm

    Jiang Guiyan, Chang Ande, Zhang Wei. Comparison of Link Travel Time Estimation Methods Based on GPS Equipped Floating Car[J]. Journal of Jilin University(Engineering and Technology Edition), 2009, 39(S2):182-186 http://www.cnki.com.cn/Article/CJFDTotal-GLGL200911019.htm
    [19] Tang L, Kan Z, Zhang X, et al. Travel Time Estimation at Intersections Based on Low-frequency Spatial-temporal GPS Trajectory Big Data[J]. American Cartographer, 2016, 43(5):417-426 doi:  10.1080/15230406.2015.1130649
    [20] 唐炉亮, 常晓猛, 李清泉.出租车经验知识建模与路径规划算法[J].测绘学报, 2010, 39(4):404-409 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201004012

    Tang Luliang, Chang Xiaomeng, Li Qingquan. The Knowledge Modeling and Route Planning Based on Taxis' Experience[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4):404-409 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201004012
    [21] Liu X, Gong L, Gong Y, et al. Revealing Travel Patterns and City Structure with Taxi Trip Data[J]. Journal of Transport Geography, 2015, 43:78-90 doi:  10.1016/j.jtrangeo.2015.01.016
    [22] Zhou C, Li W, Jia H. Road Network Generalization Based on Float CAR Tracking[J]. International Archives of the Photogrammetry Remote Sensing, 2016, XLI-B4:71-77 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Doaj000004714937
    [23] Thomson R C, Richardson D E. The 'Good Continuation' Principle of Perceptual Organization Applied to the Generalization of Road Networks[C].The 19th International Cartographic Conference, Ottawa, Canada, 1999
    [24] 田晶, 何青松, 颜芬.道路网stroke生成问题的形式化表达与新算法[J].武汉大学学报·信息科学版, 2014, 39(5):556-560 doi:  10.13203/j.whugis20120127

    Tian Jing, He Qingsong, Yan Fen. Formalization and New Algorithm of Stroke Generation in Road Networks[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5):556-560 doi:  10.13203/j.whugis20120127
    [25] Jiang B. Axwoman 6.3: An ArcGIS Extension for Urban Morphological Analysis[M]. Sweden: University of Gävle, 2015
    [26] Zheng Y, Lou Y, Zhang C, et al. Map-Matching for Low-sampling-rate GPS Trajectories[J]. 17th ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems, Seattle, Washington, USA, 2009
    [27] Newson P, Krumm J.Hidden Markov Map Matching Through Noise and Sparseness[C].17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, Washington, USA, 2009
    [28] 曹秀英, 梁静国.基于粗集理论的属性权重确定方法[J].中国管理科学, 2002, 10(5): 98-100 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgglkx200205020

    Cao Xiuying, Liang Jingguo. The Method of Ascertaining Attribute Weight Based on Rough Sets Theory[J]. Chinese Journal of Management Science, 2002, 10(5):98-100 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgglkx200205020
    [29] Li Z, Choi Y H. Topographic Map Generalization: Association of Road Elimination with Thematic Attributes[J]. Cartographic Journal, 2002, 39(2):153-166 doi:  10.1179/caj.2002.39.2.153
    [30] Topfer F, Pillewizer W. The Principles of Selection: A Means of Cartographic Generalization[J]. The Cartographic Journal, 1966, 3(1): 10-16 doi:  10.1179/caj.1966.3.1.10
  • 加载中
图(9) / 表(2)
计量
  • 文章访问数:  67
  • HTML全文浏览量:  33
  • PDF下载量:  32
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-03-05
  • 刊出日期:  2020-09-05

一种顾及道路交通流量语义信息的路网选取方法

doi: 10.13203/j.whugis20180053
    基金项目:

    国家自然科学基金 41901406

    国家自然科学基金 4173000380

    国家自然科学基金 4177011984

    国家自然科学基金 41730105

    国家重点研发计划 2017YFB0503500

    作者简介:

    邓敏,博士,教授,现从事地理时空大数据挖掘与智能信息服务方向研究。dengmin208@tom.com

    通讯作者: 唐建波,博士。jianbo.tang@csu.edu.cn
  • 中图分类号: P208

摘要: 交通流量是反映城市道路重要性以及城市道路在交通运输中发挥现实作用的重要指标。结合人类出行轨迹数据和路网数据,在充分考虑道路的几何特征(即长度、拓扑连接、分布密度、接近中心性和中介中心性)、属性特征(即道路等级)的基础上,进一步考虑道路长周期的周平均交通量这一衡量道路重要性的语义特征指标,提出了一种顾及道路交通流量语义信息的路网选取方法。首先,根据格式塔准则的连续性和方向一致性构建道路选取的基元——stroke单元;在此基础上,统计这些stroke单元的几何特征、属性特征指标,并结合移动轨迹数据计算各stroke单元的周平均日交通量作为道路选取的语义特征指标。然后,探测不同特征指标的熵值变化以确定不同道路选取指标的权重,并定义道路重要性评价的综合指标,对城市路网进行综合选取。最后,采用武汉市路网数据和出租车轨迹数据对该方法进行验证。实验表明,该方法能够保持原始路网的连通性和整体路网骨架,同时选取结果能够刻画出发挥重要职能的路段,反映人们的出行规律特征。此外,该方法可以发现道路网中设计等级较高但是实际中使用率却很低的路段,可为道路网的评价与规划等应用提供参考。

English Abstract

邓敏, 陈雪莹, 唐建波, 刘慧敏, 何晋强. 一种顾及道路交通流量语义信息的路网选取方法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
引用本文: 邓敏, 陈雪莹, 唐建波, 刘慧敏, 何晋强. 一种顾及道路交通流量语义信息的路网选取方法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
DENG Min, CHEN Xueying, TANG Jianbo, LIU Huimin, HE Jinqiang. A Method for Road Network Selection Considering the Traffic Flow Semantic Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
Citation: DENG Min, CHEN Xueying, TANG Jianbo, LIU Huimin, HE Jinqiang. A Method for Road Network Selection Considering the Traffic Flow Semantic Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1438-1447. doi: 10.13203/j.whugis20180053
  • 道路网是构成城市形态的基本骨架,为城市发展提供了各种基础设施的埋设空间[1]。城市的空间结构在很大程度上取决于道路网所提供的可达性条件。现实生产和生活中需要多尺度的路网数据,而路网综合则是获取不同尺度路网的一种必要手段[2]。道路网综合一直是地图制图学关注的难题和热点问题,路网选取是道路网综合的主要操作算子之一,而路网选取的一个关键问题就是如何对道路的重要性进行合理评价。

    现有的道路重要性评价与路网选取方法[3]主要分为基于stroke的方法、基于网眼密度的方法、基于图论的方法和基于语义等级的方法。其中,基于stroke的方法首先识别路网中的stroke单元,并以stroke为基本单元,依据stroke的长度、等级、连接度、接近中心性、中介中心性以及包含弧段的平均密度等指标来度量道路的重要性[3-10]。基于stroke的方法可以有效模拟人工选取过程中道路的视觉长度对道路重要性评价的影响,在道路综合选取过程中保持道路完整性的同时也可以较为全面地顾及道路目标间的延展性、拓扑一致性和上下文信息[3]。由于基于stroke的方法未考虑路网分布密度差异,胡云岗等在其基础上提出了考虑网眼密度的路网重要性评价和选取方法[11]。该方法能够较好地保持综合前后道路网的相对密度以及路网拓扑语义一致性。基于图论的道路重要性评价方法[10, 12-13]主要侧重于对路网间连接性和拓扑结构的分析,对于保持路网连通性具有重要作用。基于语义等级的道路重要性评价和选取方法主要考虑道路等级、设计类型等道路属性信息评价道路的重要程度,通过道路重要程度对道路进行排序,选取重要性程度较高的道路作为选取结果[14]

    虽然目前已经发展了许多的路网选取方法,但是现有的路网选取方法在考虑影响道路重要性的因素方面还不够全面[11],现有方法大多只考虑了道路的几何信息(如长度、宽度、路网密度等)、拓扑信息(如连接度)和属性信息(如道路等级、速度等)来评价道路重要性,未充分考虑路网在整体城市交通路网中的实际使用价值(如道路的周平均日交通量,下文称之为道路的语义特征)。现实中,有些道路虽然设计等级较低,但是道路交通量很大,在整体城市路网中占有重要的连通疏导作用,而单纯考虑道路的几何信息、拓扑信息和属性信息将难以刻画道路的这种语义特征。如图 1所示,潍坊市樱前街与胜利东街设计等级相同,东西贯穿奎文区,长度相似。但是胜利东街周围临近银座商圈,并且途径潍坊市政府、潍坊大剧院、潍坊科技馆及潍坊市新图书馆、高校等,道路交通流量较大;而樱前街沿线几乎无重要企事业单位或商圈娱乐场所,车辆通行量整体偏低。相比而言,樱前街的重要性要低于其设计预期,重要性也不如胜利东街高。

    图  1  交通流量影响道路重要性认知的示例说明

    Figure 1.  Illustration of How Traffic Flow Affects the Perception of Road Importance

    交通流量是人们认知道路重要性的一个关键指标。海量泛在地理数据的获取为人类动态活动的研究提供了新视角、新途径,尤其是与人类出行活动息息相关的移动轨迹数据能从一定程度上反映居民的出行特征与规律,在城市路网的可达性分析[15]、城市热点及兴趣点的挖掘[16]、交通状态的提取(如速度估计[17]、行程时间估计和预测[18]、交叉口通行时间探测[19]等)、推荐导航路径[20]、城市区域结构分析[21]等方面发挥着重要的价值。利用轨迹数据刻画城市路网重要性的研究还相对较少。文献[22]结合浮动车轨迹数据,将短时交通量、车辆平均速度、轨迹点在交叉口的分布密度作为评价道路重要性的特征指标来评价道路网的重要性,进而依据这些指标进行路网选取操作。该方法采用短时出租车轨迹数据(8 h内的轨迹数据)作为刻画道路的动态特征来评价道路重要性, 只能从侧面表明道路在一定时间段内的重要程度,车辆行驶平均速度、轨迹点在交叉口的分布密度很难根据短时轨迹数据进行准确估计,这些动态指标无法从整体层次上反映城市道路的重要程度。这是由于人们活动具有一定的规律性或周期性(如早高峰、晚高峰等特点),短时的交通流量一般难以反映道路交通流量的真实状态,利用短时交通流量刻画的道路重要特征(短时交通量、车辆平均速度、轨迹点在交叉口的分布密度)具有一定的随机性和变异性。同时,该方法以路段作为综合选取的基本单元,很难保证综合选取后路网的连通性和完整性。虽然从个体角度来看,采用交通流量评价道路的重要性具有一定的变异性和随机性;但是考虑到地理区域的综合性特点,从较大的时间尺度和整体层次上来看,人们在城市区域内的出行活动(即道路交通流量的相对高低程度)总体上会呈现出一定的稳定模式和规律性。鉴于此,本文采用长周期的周平均日交通量作为度量道路重要性的语义特征指标,即以每条道路多期的周平均日交通流量的平均值作为度量道路重要性的一个语义特征,在充分考虑道路的几何特征(即长度、拓扑连接、分布密度、接近中心性和中介中心性)、属性特征(即道路等级)的基础上,提出一种顾及交通流量信息的路网选取方法。该方法首先依据路网中道路的连续性、方向一致性构造stroke[23],以stroke作为路网选取的基本单元;进而通过综合考虑道路的长度、连接度、路网密度、接近中心性、中介中心性、道路等级和周平均日交通量定义度量道路重要性的综合指标;最后,根据该综合指标来指导路网的选取操作。

    • 人的出行活动与城市路网息息相关,记载人们出行的车辆全球定位系统(Globle Positioning System,GPS)轨迹数据能够一定程度上反映出城市道路的“活力”状态和道路在城市交通中发挥的作用(即城市交通职能中的重要地位)。路网中交通流量越大的道路,在居民的城市生活中的重要性越高,对居民的出行影响也越大。鉴于此,本文提出一种顾及交通流量信息的路网选取方法,具体流程如图 2所示。

      图  2  本文方法流程图

      Figure 2.  Flowchart of the Proposed Method

    • 道路网stroke模型最早由文献[23]提出,该方法来源于感知分组原理中的良好延续性法则。道路网中的stroke是根据特定准则将一组方向延续、空间连续、不被割断的路段连接而形成的道路链,以此保证道路在视觉上的连续性,更加符合人类的认知思维。研究实践证明,在路网综合道路选取中,以stroke作为道路选取单元较为合理[4, 10, 12, 23-24]。因此,本文将路网stroke数据集的构建作为第一步。

      道路网stroke的良好连续性在实现中主要体现在连接准则中,如图 3所示,即两条路段之间的偏转角αβ越小,表明两条路段相连的可能性越大,只要偏转角小于阈值ε即可被视为一条道路。具体的stroke构建步骤如下:

      图  3  Stroke的构建方法原理

      Figure 3.  Illustration of the Construction of Road Strokes

      首先,构建道路网图结构,得到弧段集合E{e1, e2en},节点集合V{v1, v2vn};

      然后,对于节点集合中的每个节点vi,首先判断vi的连接弧段数量是否大于1,如果大于1,则:

      1)任意两条相连数段一组建立stroke连接候选集R{(ex, ey)…},并计算弧段夹角{θxy…};

      2)剔除夹角值小于设置阈值ε的组合,如果θxy < 阈值ε,则将(ex, ey)从集合R中剔除;

      3)依据弧段间的stroke连接关系将集合E中的弧段进行分组,得到stroke集合Seg{seg1, seg2…},其中segi={ej, ek}。采用Axwoman 6.3插件[25]生成stroke,根据文献[12]的经验,路段夹角的阈值设为15°。

      借助于人类生活经验认知,道路选取的基本准则即为选取重要程度高的道路。构造stroke的下一步便是stroke的重要性评价。常用方法是综合选取stroke若干特征指标,在各自归一化的基础上结合相应权值关系得到stroke重要性值[3]。本文选取长度(L)、路网密度(R)、连接度(C)、接近中心性(closeness,CN)、中介中心性(betweenness,BN)作为评价stroke的几何特征指标,道路等级作为属性特征指标,以道路的周平均日交通量(week average daily traffic, WADT)作为评价道路重要性的语义特征指标。各指标具体定义如下:

      1)长度:道路stroke的长度,该参数反映stroke的影响范围,长度越长,影响范围越大,所对应的路段重要性相对较大;

      2)路网密度:计算stroke路段集的平均路网密度作为stroke的路网密度值,该参数直接反映道路stroke的服务范围;

      3)连接度:stroke的连接度为与当前stroke直接相连的stroke数目,该参数描述stroke的道路交叉口数目,反映stroke的通达性,通达性越强,重要性程度相应提高;

      4)接近中心性:表示网络中任意一点到其他各节点之间的平均最短距离,即某个点对整个网络上其他点的接近程度,也就是此点和其他各点联系的快与慢。计算stroke路段集的平均接近中心性作为stroke接近中心性的值。接近中心性可描述路段与非直接连接道路的接近程度,指标值越大,表明该线路的影响及服务范围越广。

      5)中介中心性:用于衡量复杂网络中节点的重要程度,但中介中心性指标反映的是节点在道路网路径选择中的重要程度。在网络中最短路径穿越次数最多的节点被认为是中介中心性程度最高的节点。计算stroke路段集的平均中介中心性作为stroke中介中心性的值。在道路网络中,中介中心性越强,表示最短路径穿越次数越多,在整个网络中的桥梁以及枢纽转换作用越明显,具有的影响力和控制力也就越强。

      6)等级:选取stroke集合中各个路段中的最高等级作为stroke的等级,该参数反映stroke在路网中的等级重要性,等级越高相对应的stroke的重要性相对性较大;

      7)周平均日交通量:该参数反映道路的长周期交通流量的平均水平,刻画了道路的实际利用价值以及在城市交通中影响力和重要性程度。

    • 为了统计道路的交通流量信息,首先需要将车辆GPS轨迹数据与原始大比例尺路网进行匹配。目前,常用的轨迹-路网匹配方法有基于局部最大概率的匹配方法、基于整体最大概率的匹配方法与基于全局几何相似的匹配方法[26]。其中,基于整体最大概率的匹配方法经过学者研究证明是其中匹配精度最好的,为此,本文采用基于整体最大概率的匹配方法中经典的基于隐马尔可夫模型(hidden Markov model, HMM)的地图匹配算法[27]对轨迹数据与原始路网进行匹配。

      HMM算法将轨迹点之间的移动视为马尔可夫过程,以采样点到路段的距离作为判断依据,如图 4(a)所示。根据轨迹点与道路的距离定义观测概率矩阵A,认为与轨迹点距离越近,真实点在这条路段上的可能性就越大。对于观测概率的计算,采用的拟合公式具体表达为:

      $$ {a_j}\left( k \right) = \frac{1}{{\sqrt[{}]{{2\pi }}\sigma }}{{\rm{e}}^{ - \frac{{\left\| {{z_t} - {x_{t,i}}} \right\|_{{\rm{greatcircle}}}^2}}{{2{\sigma ^2}}}}} $$ (1)

      图  4  HMM轨迹匹配过程

      Figure 4.  The HMM-Based Map Matching Algorithm

      对于转移概率矩阵B的计算,认为两个观测点的距离与前后两个候选点的距离之差绝对值表征两段距离的接近程度,并用指数函数拟合概率,计算公式为:

      $$ {b_{ij}} = \frac{1}{\beta }{{\rm{e}}^{ - \frac{{{d_t}}}{\beta }}} $$ (2)

      其中,

      $$ {d_t}{\rm{ = }}\left| {{{\left\| {{z_t} - {z_{t + 1}}} \right\|}_{{\rm{greatcircle}}}} - {{\left\| {{x_{t, {i^{\rm{*}}}}} - {x_{t + 1, {j^{\rm{*}}}}}} \right\|}_{{\rm{route}}}}} \right| $$

      从候选匹配路段集中选择最优路径作为最后的匹配结果,如图 4(b)所示。将浮动车移动运行轨迹匹配到路网上之后,统计各个路段所匹配的轨迹条数作为该路段的车辆通行量。以武汉市某一区域内出租车轨迹数据为例,将出租车移动轨迹匹配到道路网,进而统计道路通行车辆总量。如图 5所示,线条的相对高度表明了交通量的相对大小。

      图  5  道路的周平均日交通量可视化图

      Figure 5.  Visualization of the WADT

    • 评价stroke的重要性需要综合考虑道路的几何特征、属性特征和语义特征。定义stroke的特征集合为S={s1, s2, s3, s4, s5, s6}={L, G, 1∕R, C, CN, BN},其中L表示各stroke的长度集合,G表示各stroke的等级集合,R表示各stroke的路网密度集合,C表示各stroke的连接度集合,CN表示各stroke的接近中心性指标集合,BN表示各stroke的中介中心性指标集合。以集合D={tk}表示各stroke的周平均日交通量,tk表示第k条stroke的周平均日交通量。对于各stroke重要性程度的评价,定义以下综合评价指标:

      $${I_k} = \mathop \sum \limits_{i = 1}^6 {s_{k, i}}{\omega _{s, i}} + {t_k}{\omega _d}$$ (3)

      其中,Ik表示第k条stroke的重要性评价结果;sk, i表示第k条stroke的第i个特征指标。进一步,为了方便描述,定义以下权重矩阵:

      $$\mathit{\boldsymbol{\omega }} = \left[ {{\mathit{\boldsymbol{\omega }}_\mathit{\boldsymbol{s}}}, {\omega _d}} \right]$$ (4)

      式中,ωs= [ωs, 1 ωs, 2 ωs, 3 ωs, 4 ωs, 5 ωs, 6]为道路几何、属性特征指标的权重矩阵;ωd为道路周平均日交通量的权重。

      权重矩阵ω的现有确定权值方法主要分为客观、主观两类[28]。其中,熵权法是最常用的一种客观赋权方法。熵权法根据个体特征间的差异性来确定不同特征刻画能力的权重,具有一定的数理依据,能够从数据驱动的角度较客观地反映特征指标的重要性。该方法的基本思想是:如果某一指标的熵值越小,说明不同个体间该特征指标的差异性越大,能够提供的信息量也就越多,在综合评价中所起的作用就越大,其权重应该越大。本文采用熵权法确定各特征的权值,具体计算步骤如下:

      1)数据标准化。由于各特征指标的量纲不一致,首先对于给定的特征指标数据集CI={SD},对各指标进行标准化,得到标准化后的特征指标数据集CIB={SBDB},标准化公式为:

      $${\rm{C}}{{\rm{I}}_{B, i}}\left( j \right) = \frac{{{\rm{CI}}\left( j \right) - {\rm{mean}}\left( {{\rm{C}}{{\rm{I}}_{B, i}}} \right)}}{{{\rm{max}}\left( {{\rm{C}}{{\rm{I}}_{B, i}}} \right) - {\rm{min}}\left( {{\rm{C}}{{\rm{I}}_{B, i}}} \right)}}$$ (5)

      2)各特征指标的信息熵计算。根据信息论中信息熵的定义,各特征指标的信息熵按式(6)计算:

      $${E_j} = - {\rm{ln}}{\left( n \right)^{ - 1}}\mathop \sum \limits_{i = 1}^n {p_{ij}}{\rm{ln}}{p_{ij}}$$ (6)

      其中,${p_{ij}} = \frac{{{\rm{C}}{{\rm{I}}_{\mathit{B}, \mathit{i}}}}}{{\mathop \sum {\rm{C}}{{\rm{I}}_{\mathit{B}, \mathit{i}}}}}$,如果pij = 0,则定义$\mathop {{\rm{lim}}}\limits_{{p_{ij}} = 0} {p_{ij}}{\rm{ln}}{p_{ij}} = 0$。

      3)确定各特征指标权重。根据式(6),计算出各个指标的信息熵集合H{h1, h2, h3, h4, h5}。以各特征指标的信息熵比重大小来确定各特征指标的权重,具体计算如下:

      $${\omega _i}' = \frac{{1 - {h_i}}}{{5 - \mathop \sum {h_i}}}, i = 1, 2 \ldots 5$$ (7)

      熵权法虽然可以从数据本身出发,依据样本间的差异性来确定特征的权重,但是由该方法确定的权值并不能表示决策评估问题中评价指标实际意义上的重要性系数。在给定评价对象集合后各种评价指标值确定的情况下,从信息角度考虑,各指标在竞争意义上的相对激烈程度代表评价指标在该问题中提供有效信息量的多寡。作为一个客观综合评价方法,它主要是根据各指标传递给决策者的信息量大小来确定其权值。

      对于不同道路特征指标对道路选取结果的影响,有学者已通过总结专家经验知识和实验分析,积累了有关道路选取特征指标重要性的一些可用经验[28]。文献[29]通过实验分析了道路等级、长度、车道数、允许的交通方式数目、宽度和连通性等特征指标对道路重要性评价的影响依次减小,其中,道路等级在道路重要性评价中作用最大,而连通性在道路重要性评价中作用较低。为此,本文将熵权法与主观赋权法确定的特征权值进行加权来确定不同道路特征指标的权值,进而依据这些权值确定评价道路重要性的综合指标。首先,通过熵权法依据数据分布特征,确定道路各特征指标的客观权值ωx;进而,依据文献[29],确定各特征的主观权值ω'=[0.086 0.270 0.086 0.086 0.086 0.086 0.300];最后,计算各特征指标的综合权值$\mathit{\boldsymbol{\omega }} = 40{\rm{\% }}\mathit{\boldsymbol{\omega '}} + 60{\rm{\% }}\mathit{\boldsymbol{\omega ''}}$。基于上述确定的各特征指标的权值,依据式(3)计算各stroke重要性评价的综合指标。

    • 依据式(3)计算各stroke的重要性评价指标后,基于该重要性评价指标进行城市路网的选取操作。首先依据开方根规律确定小比例尺地图上需要保留的道路数目,具体计算如下[30]

      $$ {n_F} = {n_A}\sqrt {\frac{{{M_A}}}{{{M_F}}}} $$ (8)

      式中,nF为新编地图地物数;nA为原始地图地物数;MF为新编地图比例尺分母;MA为原始地图比例尺分母。即新编地图上应当选取的地物的数量可以由原始地图上的地物数量乘上一个地图比例尺分母之比的根式来求得。

      确定保留的道路数量之后,采用贪心搜索策略对道路进行选取,同时确保不同道路间的连通性,具体计算步骤如下:

      首先,将stroke单元依据重要性评价指标由高到低进行排序,得到stroke单元集合ST={st1, st2…},选取前m = [10%nF]条stroke单元,组成集合SS={ss1, ss2…ssm}作为小比例尺地图上路网的初始骨架;

      然后,对于集合SS:

      1)如果SS内stroke数目等于nF,则停止搜索,输出SS为路网选取结果;否则,执行步骤2);

      2)针对SS中的每个stroke单元ssi,搜索与ssi相连接但不在SS集合内的stroke单元,可记为RS={sti, stj, stk…};

      3)判断与SS相连接但不属于SS的所有stroke单元,从中选择重要性评价指标最大的stroke单元,记为str,将stk添加到集合SS中;重复执行以上步骤,直到集合SS内stroke单元数量满足要求为止。

    • 为了验证本文所提方法的有效性,采用武汉市出租车轨迹数据和城区道路网数据进行分析。其中,城市区域的道路网数据采用1:10 000的武汉市道路网数据,共有10 000多条路段,构造stroke单元8 150条,如图 6(a)所示。出租车轨迹数据采用武汉市2015-03-01—2015-04-30 8 256辆出租车轨迹数据,如图 6(b)所示。轨迹数据因随机噪声和误差等会产生冗余、错误记录和大量停滞点,本文首先将速度低于5 km/h或高于120 km/h的轨迹点剔除,并采用HMM算法进行轨迹与路网匹配。进而计算得到各stroke单元所对应的道路几何特征指标(长度、路网密度、连接度、接近中心性、中介中心性)、属性信息(道路等级)和语义特征指标(周平均日交通量);然后,通过熵权法与主观赋权法确定各特征指标的权值,计算结果如表 1所示。

      图  6  实验数据

      Figure 6.  Experimental Data

      表 1  各个特征指标的权重

      Table 1.  Weights of Every Characteristic Index

      指标 方法 几何特征 属性信息 语义特征
      长度(L) 路网密度(R) 连接度(C) 接近中心性(CN) 中介中心性(BN) 等级(G) 周平均日交通量
      权重 熵权法 0.139 0.441 0.021 0.002 0.136 0.024 0.237
      主观赋权法 0.086 0.086 0.086 0.086 0.086 0.270 0.300
      加权综合 0.107 0.228 0.060 0.052 0.106 0.172 0.275

      表 1可以看出,依据数据本身变化确定的权值中,周平均日交通量占有最高的权重,而接近中心性、连接度、道路等级权重较低。熵权法分析数据本身的差异性从而确定权重,各stroke单元的周平均日交通量的变异程度较大,相对应的权重较大,而该研究区域内接近中心性、连接度、道路等级的差异程度较小,计算所得到的权重相应较低。考虑到制图综合中道路等级、连接度对道路选取具有重要影响,采用制图先验知识对熵权值进行调整,得到加权综合后的权重。

    • 采用本文方法得到的道路重要性评价结果如图 7所示。依据计算的道路重要性综合指标将路网中道路分为6大类,其中,第1类表示重要性最高的道路,依次递减,第6类表示重要性最低的道路。从图 7中可以看出,最重要的道路(粗实线表示)是城区的主干道以及连接长江两岸的交通通道,道路的实际利用率高;而重要性指标较低的道路(细实线表示)分布则较为密集冗杂,主要是街区内部道路。

      图  7  道路stroke重要性评价结果

      Figure 7.  Result of Road Stroke Importance Evaluation

      将原始路网的比例尺进行制图综合到1:20万比例尺,道路选取结果如图 8(a)所示。不考虑道路stroke的语义特征(即周平均日交通量),只考虑stroke的几何和属性特征的选取结果如图 8(b)所示。由此可以看出,考虑了语义特征与属性信息、几何特征相结合的道路选取方法与不考虑语义特征的道路选取方法基本一致,但是仍可在部分区域发现明显的差异,如图 8ABC区域。

      图  8  1:20万比例尺选取结果

      Figure 8.  Selection Results at the Scale 1:200 000

      A区域中覆盖华中地区最大的综合市场——舵落口大市场,日进出车辆近30 000辆,周围毗邻汽车站、火车站等交通枢纽,交通便捷程度高,车辆通行量较大,附近的交通活力大,说明这附近的道路在城市职能发挥中起着不可或缺的作用。而B区域沿长江两岸分布,位于武汉市的主城区,人流聚集量大,休闲娱乐场所众多,对道路的依赖性强,选取过程中应充分考虑该因素的影响。同样,C区域中有武汉未来科技城,科技城的发展以新一代信息技术产业、光电产业、高端装备制造产业、现代服务业为重点,兼顾其他战略性的新兴产业的研发,吸引了各大企业以及科技工作者,导致该区域内的车辆通行量显著增多,道路重要性提高。从以上3个区域可以看出,在选取的过程中综合语义特征可以保留在实际生活中利用率高的道路,可以说明本文方法的有效性。

      进一步,为验证本文方法的有效性,将原始路网综合到1:50万、1:100万,选取结果如图 9所示。图 9(a)9(c)显示的是考虑道路交通流量信息的路网选取结果,图 9(b)9(d)为不考虑道路交通流量信息,只根据道路的几何特征、属性特征得到的路网选取结果。从图 9中可以看出,本文方法选取结果与未考虑交通流量信息的路网选取结果整体具有较高的一致性,但在局部区域,本文方法选取结果优于只考虑道路几何、属性特征的路网选取方法。如图 9(a)中的道路①为机场高速通往武汉天河国际机场,来往车流量较大,道路重要性程度高;道路②和③分别为长丰道高架、建设大道,分别沟通连接两侧高架桥是重要的交通枢纽道路,通行量大,相对重要性较高;道路④两侧与鹦鹉洲长江大桥和杨泗港长江大桥相连,是重要的分流道路之一;图 9(c)中的道路ab为重要的进出城道路,道路c为连接长江两岸的鹦鹉洲长江大桥,车流量都相对较大,道路重要性较高。对比图 9(b)9(d)的选取结果,发现这些重要的道路都未被正确选取。

      图  9  不同比例尺下的选取结果

      Figure 9.  Selection Results at Different Scales

      从实验结果可以发现,本文方法选取结果与只考虑道路几何、属性特征的路网选取方法的结果,随着地图比例尺的缩小,差异性减小。主要原因为,在1:50万、1:100万等小比例尺下,依据几何特征、属性特征选取的道路主要是城市路网的“骨架”,而这些“骨架”路段的交通流量一般也相应较大,进一步说明了考虑交通流量信息评价路网重要性的合理性。

      为了定量评价本文方法选取结果,采用顾及道路等级的几何信息量、本文方法选取结果与现有方法(只考虑几何、属性特征)选取结果的重合率作为定量评价指标。几何信息量指标为:

      $${P_j} = \frac{{{L_j}}}{L}, L = \mathop \sum \limits_{i = 1}^k {L_i}$$ (9)
      $$ G\left( X \right) = H\left( {{P_1}, {P_2} \cdots {P_k}} \right) = - \mathop \sum \limits_{j = 1}^k {P_j}{\rm{log}}{P_j} $$ (10)

      式中,k为道路等级的数目;G(X)反映了不同道路的长度和等级的差别以及这些差别所表达的平均几何信息量。G(X)越大,则表示路网地图所表达的几何信息量越多。

      重合率的计算方法如下:

      $$ s = \frac{{A\mathop \cap B}}{{A + B - A\mathop \cap B}} $$ (11)

      式中,S为计算得到的重合率;A表示本文方法选取的道路集合;B表示现有方法选取的道路集合。

      不同比例尺下量化结果如表 2所示。从表 2中可以看出,当目标比例尺为1:20万时,本文方法与现有方法的路网选取结果存在一定差异。差异区域主要位于城市商圈,这些区域的人类活动聚集,交通流量较大,本文方法保留了更多的路段;在交通流较少的居住区内,本文方法保留了相对较少的路段,而现有方法依据路网几何特征、属性特征进行道路选取,在不同区域内保留的道路数目差异较小。随着综合比例尺减小,本文方法选取结果与现有方法选取结果的信息量差异减少、重合率变高,主要原因在于小比例尺地图上保留的道路主要为城市路网中的重要道路,这些道路构成了城市交通的基础骨架,具有较高的交通流量,所以随着比例尺变小,本文方法选取结果与现有方法的选取结果趋于一致。

      表 2  不同比例尺下量化结果

      Table 2.  Quantitative Results at Different Scales

      路网比例尺 考虑语义特征几何信息量 不考虑语义特征几何信息量 重合率/%
      原始路网 3.997 3.997
      1:20万 1.853 5 1.305 9 63.26
      1:50万 0.913 6 0.959 9 81.56
      1:100万 0.636 5 0.614 6 90.15

      通过对比分析,说明了本文所提路网选取方法可以在小比例尺选取出与人们活动更相关的重要道路,同时在大比例尺上可以保持城市路网的主要结构,表现了该方法在路网选取与分析中的应用价值。

    • 针对现有路网选取方法未充分考虑道路的语义特征(道路的交通流量信息)的情况,本文提出了一种顾及道路交通流量信息的路网选取方法,在路网选取过程中综合考虑了人类活动对道路重要性评价的影响。综合考虑道路的几何信息(如长度、宽度、连接度、路网密度等)、拓扑信息(如连接度)、属性信息(道路等级)和语义信息(道路交通流量),定义了评价道路重要性的综合指标。与现有方法相比,本文所提方法对道路重要性的评价更关注道路与人类活动之间的相互作用与影响,侧重选取在城市交通中发挥重要作用的路段,通过人类活动强度来刻画静态道路的语义特征与重要性。通过实际数据验证了本文方法的有效性。本文方法以stroke为基本的选取单元,选取结果质量依赖于路网stroke单元的构建,由于道路结构的复杂性,依据stroke单元选取的路网结构中仍会存在一些道路间的连通性无法保持的情形。下一步,将结合拓扑检查对本文选取结果进行优化,同时将本文方法应用于城市道路分析与人类活动规律挖掘。

参考文献 (30)

目录

    /

    返回文章
    返回