EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 10: 1179 - 1186

DOI: https://doi.org/10.3724/SP.J.1047.2015.01179

Orginal Article

Space Time Analysis on the Pick-up and Drop-off of Taxi Passengers Based on GPS Big Data

  • TANG Luliang , 1 ,
  • ZHENG Wenbing 1 ,
  • WANG Zhiqiang , 2, * ,
  • XU Hong 1 ,
  • HONG Jun 2 ,
  • DONG Kun 3
Expand
  • 1. State Key Laboratory of Information and Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
  • 2. China GPS Co., Ltd, Shenzhen 518057, China
  • 3. Space Star Technology CO., Ltd, Beijing 100086, China
*Corresponding author: WANG Zhiqiang, E-mail:

Received date: 2015-04-22

  Request revised date: 2015-06-16

  Online published: 2015-10-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

As a complement for urban public transportation, taxi plays an increasingly important role in people’s life, which is also taken as one of the most important windows opening to the public. With the rapid development of economy, traffic condition is becoming more and more terrible, which causes the heavy traffic situation in many cities in China. Taxi is a type of transportation resourece that is dynamic and unbalanced in different road networks and at different time, which faces a lot of problems, such as the difficulty in finding a taxi for a passenger or finding a passenger for a taxi driver. This makes taxi transportation to be poorly efficient, and negatively affects the performance of government. It is helpful to learn about the dynamic space in the city, and the patterns of citizens’ working, living and travelling after studying the features and rules of taxis’ pick-up and drop-off distribution. Moreover, it is helpful to learn about the “hotspots” in the city, which represents the areas with huge volumes of taxis’ pick-up and drop-off activities. Based on taxis’s GPS trajecotries big data, this paper puts forward a new model called Line Density Model (LDM) to detect the space time distribution pattern of taxis’pick-up and drop-off activities, in which there are linear trends existing within the taxis’ pick-up and drop-off, and the “hotspots” exhibiting linear trends near the road network in the city. Finally, Wuhan city is taken as the testing area, and the experimental result shows that taxis’ pick-up and drop-off distribution is unbalanced in different areas and at different time, which helps to understand the dynamic and the pattern of the public’s working, living and travelling, and gives a reference to find the “hotspots” at different time in Wuhan city.

Key words： Line Density Model; pick-up and drop-off; space time pattern; GPS trajectory; big data

Cite this article

TANG Luliang , ZHENG Wenbing , WANG Zhiqiang , XU Hong , HONG Jun , DONG Kun . Space Time Analysis on the Pick-up and Drop-off of Taxi Passengers Based on GPS Big Data[J]. Journal of Geo-information Science, 2015 , 17(10) : 1179 -1186 . DOI: 10.3724/SP.J.1047.2015.01179

1 引言

出租车作为城市公共交通的补充,在人们日常出行中起到了越来越重要的作用。但随着城市交通的日益拥堵和出租车资源的时空分布不均衡,乘客“打车难”,出租车客源难以延续等问题,引起了国内外学者的广泛关注。许多学者利用浮动车上的GPS设备定期记录浮动车的车辆编号、经纬度坐标、时间戳、载客状态等信息来探测出租车的运行状况等。
出租车运营分布的研究主要分3类：（1）为了减少出租车空驶率,确定出租车规模等,合理确定出租车拥有量的角度研究,如采用空驶搜索半径来确定空驶阶段的出租车路径选择行为特征与城市出租车空驶率、拥有量[1-2]。关金平等对出租车空驶时空特性及成因进行了相关性分析和研究[3];唐炉亮、辛飞飞、孙飞、张瑞希等基于GPS浮动车大数据提出了优质客源度量模型,研究了优质客源的时空分布规律[4-7];针对出租车这种大数据,陆锋、裴韬等分析了大数据时代的点数据时空运动规律研究方法”[8-9];Wong等模拟了路网中空驶和载客出租车运动的城市出租车服务[10]。但这些研究都没有考虑城市交通的拥堵造成乘车时间变长、上下客周期增加、上下客频率降低、空驶率低等因素。（2）从出租车运营的行为方式角度研究,如唐炉亮等基于出租车GPS轨迹数据,提取出租车司机选路的经验知识并进行时空建模,指导公众出行[11-12];方志祥与萧世伦等人针对个人定位数据实现了停留时空分异分析[13];Li等根据时间、位置、策略3个特征,分别对出租车搜索乘客及原地等客2种寻找下个乘客的策略进行了对比研究,为出租车以更好的方式寻找乘客提供了依据[14];Liu则利用GPS数据分析了出租车司机的行为,确定出一套出租车司机的分类方法,发现了2类出租车司机在空间选择行为、路径选择行为等方面的不同之处,为出租车司机寻找出更好的运营模式提供了有力的理论参考[15]。（3）从找出客源多或空车数量多的地点的角度进行研究,如Phithakkitnukoon等利用贝叶斯分类算法推断出在特定时间或地点的空驶出租车数量[16];Yamamoto等提出模糊聚类法和自适应路径选择方法,将空车分配到潜在顾客多的地方[17];Yuan等利用GPS轨迹数据对出租车载客、空驶与停车都进行了分析,提出停车位置探测算法,找出了出租车最可能停车的位置,为出租车司机找到下个乘客提供了相关参考[18];Zheng利用NHPP模拟空驶出租车的行为,根据所得到的乘客等车时间为乘客提供合适的打车位 置[19]。以上研究都将出租车的运营割裂成找客或者空驶2类进行研究,很少有学者对上下客的时空分布进行研究。本文将出租车不同时段上下客量投影到城市路网上,提出采用线密度概念和模型,对出租车上下客进行时空分布特征探测和分析,刻画不同时间粒度,不同空间尺度上出租车上下客的时空变化规律,为乘客找到出租车和出租车找到客源提供可靠的依据。

2 出租车上下客的线密度时空探测方法

基于FCD的出租车上下客由多个GPS点构成,而且出租车一次上下客中所有的GPS数据点相互关联,这些点构成了线性的行驶轨迹。在出租车GPS轨迹数据中,有一个属性是描述出租车是否载客的状态信息,其中1表示载客,0表示空载,由于GPS采集的出租车轨迹数据时间间隔大约40~60 s,使轨迹数据中无法准确获得上下客点位置,上下客事件的准确位置应该在完成一次上客（0→1）或下客（1→0）的轨迹状态发生变化的连续2个点之间,因此,出租车上下客事件是0→1、1→0的一个有起止点的线事件（图1）,而不是一个有明确位置的点事件,而现有的点密度算法或聚类算法都基于离散点,这些算法在实现中往往会忽略和割裂FCD点之间的关联性,不适合本文的数据特性,难以表达出租车上下客在各路段上的空间分布。
Fig. 1 Passengers pick-up and drop-off data based on GPS trajectory

图1 基于GPS轨迹数据上下客的数据描述

出租车完成一次上下客表示包含出租车上客或下客活动发生具体位置的最短轨迹,而由于道路等级、功能等不同会导致不同路段在不同时间完成上下客事件的量不一样,这种量的差异构成了出租车上下客在城市路网上的不同空间分布。探索这种空间分布规律,为出租车司机寻找持续性客源提供参考依据。本文通过线密度法结合叠加分析,实现了上下客量在城市路网空间差异上的表达,构建了上下客量的空间分布图。

2.1 时间多粒度描述与表达

人们通常将时间认为是一个一维的时间轴,轴上的一个点确定一个“时刻”,时间轴上的一个区间确定一个“时段”,并使用日期单元和时钟单元等不同记时单位——粒度（granularity）来确定绝对时间（如年、月、日、时、分、秒等）,描述事件的时间精确度,以及粒度之间精确的换算关系。
时间信息是一种时间序列类型,具有一定的周期性和规律性,时段信息的日期表达有3种方式：（1）以日历[YYYY/MM/DD]来表达;（2）以星期日（工作日和周末）来表达;（3）以节假日来表达。在Elmasri和Lee[20]提出的一个时间元组T<Granularity,Pattern,Period,Start time,End time>基础上,Tang提出了一种多时间粒度的时空建模方法[21]。本文提出了一种能表达复杂时间的时间元组：T<Granularity,DayPattern,DayFrom,DayEnd,Periods,Startime 1,Endtime 1,Startime 2,Endtime 2,Startime 3,Endtime 3…>。其中,Granularity是时间粒度,可取值为（Year年,Month月,Day日,Hour小时,Minute分钟,Second秒）;DayPattern表示日期类型如：EveryDay每天,EveryWeek每周,Festival节假日,Day和Week、Festival之间可通过日期转换;DayFrom和DayEnd是指有效期的起止日;Periods表示时段数;Startime和Endtime表示时段的起止时间,由HH小时/MM分钟表示,其时段数由Periods决定。如2009年5月1日至2009年12月31日每天7:00~9:00和17:00~19:00可表示为：T<Granularity: Hour, DayPattern: EveryDay, DayFrom: 2009/05/01,DayEnd: 2009/12/31,PeriodTime: 2,Startime1: 7:00,Endtime1: 9:00, Startime2: 17:00,Endtime2: 19:00>。依据出行类型及时间元组的表达方式,本文根据不同时段对出租车上下客数据进行分类,从3个时间粒度分别研究了上下客量随时间的变化：一周内的变化,一天24小时的变化,一次上下客所需时间内的变化。

2.2 出租车上下客时空分布的线密度探测模型

Sheng和Pan等对车辆事件的监测做过相关研究,并提出用空间速度模型对交通监测视频中的车辆轨迹进行探测[22-23],这种模型不适用于探测出租车的上下客轨迹。根据上下客数据及轨迹的不规则线性特性,本文采用线密度算法探测了出租车上下客事件。首先对线密度给出了如下的定义：假定一条不规则形状的曲线R,赋予一个权值W表示在曲线R上出现的线性事件的量。给这条曲线添加任意多个节点,这些结点将曲线R打断成多个子线段R1,R2,…,Rn,相应地分别赋予每个子线段一个权值W1,W2,…,Wn,这些权值即代表某个子线段Ri上出现的线性事件发生的量,那么,子线段Ri上线性事件经过的量Wi与在曲线R上出现的线性事件的量W的比值,即为在该子线段Ri上该线性事件的线密度LD(Line Density),表示如式（1）所示。
LD = Wi W (1)
如图2所示,R1R8为城市路网的某路段,实心圆为FCD数据的载客状态,也是上下客事件的首尾点,空心圆为空载状态,C1、C2、C3、C4代表4次上下客事件的轨迹,将C1-C4的起止位置投影到城市路网R1R8上,将城市路网分成了R1R2、R2R3、R3R4、R4R5、R5R6、R6R7、R7R8共7段,R1R2段上投影了C4事件,权重W=1;R2R3段上投影了C1和C4事件,权重W=2;R3R4段上投影了C1、C2和C4事件,权重W=3;R4R5段上投影了C1、C2、C3和C4事件,权重W=4;R5R6段上投影了C1、C2和C3事件,权重W=3;R6R7段上投影了C1和C3事件,权重W=2;R7R8段上投影了C4事件,权重W=1,所以,R1R8上的总权重为16,R1R2的线密度LD1=0.063,R2R3的线密度LD2=0.125,R3R4的线密度LD3=0.188,R4R5的线密度LD4=0.250,R5R6的线密度LD5=0.188,R6R7的线密度LD6=0.125,R7R8的线密度LD7=0.063,将各路段的权重采用不同灰度表示的结果如图2所示。
Fig. 2 The Line Density Model (LDM) for line events

图2 线密度探测算法示意图

通过上述分析可知,线密度越大,发生该线型事件的概率越大,如R4R5路段发生上下客事件的线密度最大,所以,R4R5路段最容易上下客,线密度探测算法流程如下：
（1）任意给定一条路段曲线R,找到在该曲线上完成的线性事件的量即权值W;若W为0,则线密度为0;若W>0,转至步骤(2);
（2）用曲线上的轨迹点按需求(特定的距离或热点),将曲线打断成多个子路段R1,R2…,Rn,若某位置点没有轨迹点则采用就近原则,选取一个合理的轨迹点作为打断路段的节点;
（3）以每个子路段Ri作为参考对象,遍历线性事件,判断线性事件经过哪些子路段;
（4）若某个线性事件经过Ri…Rj多个路段完成,则将这些路段上的权值Wi…Wj都加1;依此类推,即可得出每个子路段的Wk值;
（5）利用式（1）即可得出每个子路段的线密度。

3 出租车上下客的时空分布特征探测分析

3.1 不同时间上的分布特征

（1）出租车上下客量在一周内的变化
本文选取了武汉市11 276辆出租车在2009年3月8日至14日一周的FCD数据作为实验数据。首先,对每一辆出租车的轨迹数据进行1→0、0→1的数据统计,然后,研究了出租车上下客量在时间元组T<Granularity: Day,DayPattern: EveryDay,DayFrom: 2009/03/08,DayEnd: 2009/03/14,Periods：1,Starttime：0:00,Endtime：24:00>内的变化即武汉市出租车在2009年3月8日至14日每天上下客量的变化规律(图3)。
Fig. 3 The pick-up and drop-off volume change in a week

图3 上下客量在一周内的变化

从图3可发现,上下客的时间分布特征与乘客出行规律有着紧密联系。居民的出行选择一般分4个层次：出行与否、出行目的地、出行方式、出行路径[15]。首先是工作日周一到周六（武汉企业一般工作6天）的上下客量变化相对稳定,上下客量在 -1.5%~1.7%变化,这是因为周一到周五是武汉市居民正常工作时间,其工作、学习和出行目的地、出行路径、出行方式等基本处于一个稳定的状态,而周六也是大多数企业的工作日,再加上3月是武汉市气候比较温和适宜旅游的季节,大多数家庭在双休日会安排一天的踏青出游,所以,周六交通出行和上下客量也较大,而周日作为休息日,居民大都在家休息,出行较少,上下客量也比工作日少。
（2）上下客在一天中不同时段的变化
由于工作日居民出行一般按照上下班时间出行,非工作日居民出行时间则带有较多的随机性,这就导致一天内不同时段出租车上下客量会呈现不同的变化。本文将每一辆出租车的轨迹数据,进行1→0、0→1的数据统计,研究了武汉市出租车时间元组T<Granularity: Hour,DayPattern: EveryDay,DayFrom: 2009/03/08,DayEnd: 2009/03/14,Periods: 24,Startime1: 00:00, Endtime1: 1:00,Startime2: 1:00,Endtime2: 2:00 ……Startime24: 23:00,Endtime24: 24:00>内的变化,即在一天内不同时段的上下客量变化,统计结果如图4所示。
Fig. 4 The pick-up and drop-off volume change in different time periods

图4 上下客量在不同时段的变化

从统计结果（图4）可分析看出,武汉市出租车上下客量在一周内每天不同时段的变化规律为:
① 上下客量在以1 h为时段中呈起伏状变化,白天居民出行基本稳定,出租车上下客量也基本稳定,由于武汉市夜生活不是太丰富,晚上23:00以后,夜间乘客量减少,上下客量骤减,直到早上6:00以后,随着居民上班出行增加,上下客量开始激增;
② 在白天,上下客量总体来说比较均衡,呈现早高峰和晚高峰2个阶段,早上7:00-8:00,居民出行达到早高峰,上下客量也达到一天中上下客量的第一个高峰,但是,在下午17:00-18:00呈现一个“V”字形锐减特征,这是由于下班高峰时段,出租车载客率高,交通量急剧上升,武汉全市交通拥堵,车速缓慢,行驶时间变长,上下客频率低,一直到19:00时,出行量虽然减少,但是由于交通开始畅通,出租车上下客量激增,达到一天中的第二个高峰;
③ 工作日和周末的上下客变化规律总体上相似,但是工作日和周末局部时段呈现出不同的变化规律,工作日（周一至周五）居民出行一般是工作出行,上下客量相对稳定,而且工作日每天的时段上下客量变化规律基本上相同,但由于周五是很多学校、政府机关、事业单位等工作日的最后一天,接下来是2天周末休息,外出参加私人活动的出行有所增加,因而在周五晚18点后上下客量也随之增加,晚高峰时间相比周一至周四相对延长了2 h,并且达到一周内的最高上下客量;
④ 休息日（周六和周日）上下客量总体变化区别不大,但由于出行模式不同,基于时段的出租车上下客量,出现了不同的模式和特征。由于武汉很多企业周六是正常工作日,所以,周六在早上和上午的出租车上下客量出现了与工作日相类似的规律。但由于企业周六上班可以晚0.5 h,下班可提前0.5 h,并且由于周六是周末,交通不是太拥堵,居民可更晚一点出发,所以,周六上下客量早高峰较工作日往后推迟了1 h。周日早上的居民出行大都是走亲访友、户外踏青、逛商场购物等,出行较晚,所以,周日上下客量早高峰出现在9:00-11:00;
⑤ 由于周末休息日居民出行较晚,中午可以休息,下午出行较少,所以,下午出现了一个出租车上下客的平缓期,一直延续到下午17:00-18:00。另外,由于周末休息,居民大都会在周末晚上安排与私人朋友的晚餐和见面活动,因此,从18:00开始,出租车上下客量急剧增加,一直到与朋友晚上会面活动的结束,且周末晚上活动安排的时间也较工作日时间长,所以,出租车上下客量的晚高峰也较工作日晚1~2 h。
由上分析可知,一个城市的出租车上下客量在一天不同时段内的变化,一方面反映了城市居民工作和生活的规律和模式,另一方面也反映了一个城市的交通特征规律。

3.2 上下客在不同空间上的分布特征

采用线密度法不仅可以探测和分析整个城市路网的出租车上下客的空间分布规律,而且可探测和分析城市某区域的出租车上下客空间分布规律,并探测和分析某条道路或路段的出租车上下客的空间分布规律。本文结合武汉市道路网络和武汉市出租车GPS数据,分析了武汉市、武昌街道口区域、武昌广八路的出租车上下客空间分布规律。
（1）武汉市出租车上下客的空间分布
本文选取了2009年3月11日周三的上下客数据,将线密度探测算法,对整个武汉市上下客的空间分布进行探测,得出了武汉市区域内的上下客量W=110 906,根据线密度算法探测出各个路段上的权值,计算出各路段上的上下客线密度。由图5的武汉市上下客区域空间分布可知：
Fig. 5 Taxis’ pick-up and drop-off distribution in Wuhan city on March 11, 2009

图5 2009年3月11日武汉市上下客分布示意图

①武汉市出租车上下客很少发生在中环线以外,中环附近区域上下客量也极少,上下客事件主要发生在三环线以内的城市区域;
②武汉市城区的出租车上下客在汉口、汉阳和武昌分布不均匀。其中,汉口上下客最多,武昌次之,汉阳最少,这主要是因为汉口是武汉市委市政府所在地,也是武汉市的商业区,武昌是湖北省委省政府所在地和高校教育文化区,原来作为工业区的汉阳,由于产业衰退和转型,经济活动不活跃;
③汉口由于城市建设比较完善,出租车上下客比较均衡。其中,以汉口的航空路立交、解放大道、江汉路、武汉市政府和江滩附近上下客量很大;
④武昌区被东湖、沙湖、南湖及汤逊湖等分割,出租车上下客空间分布不均衡。其中,街道口、中南、丁字桥、徐东、水果湖、光谷步行街等区域上下客量较大,这些主要集中在武昌的商业和文教区域。
（2）武昌街道口区域出租车上下客空间分布
Fig. 6 The pick-up and drop-off distribution in Jiedaokou area of Wuhan city

图6 街道口区域上下客分布图

本文选取了武汉市武昌街道口作为研究区域(图6),包括武珞路、八一路、广埠屯、街道口、洪山、中南和付家坡等大部分区域,采用线密度法进行出租车上下客的空间分布探测和分析,得到街道口区域的出租车上下客分布状况（图6、7）。由图7可看出,上下客的空间分布与区域的服务功能,交通功能,道路等级密切相关：
Fig. 7 The pick-up and drop-off distribution on weekends and weekdays in Jiedaokou area

图7 武昌街道口区域工作日和非工作日上下客分布

①出租车的上下客量主要分布在道路等级较高的地方,街道口区域内的武珞路是武汉市城市东西向的主干道,相对于八一路和其他城市次干道,出租车上下客多。整个研究区域内娱乐场所、商业圈、学校、工作单位居多,因而对这片区域而言,出租车上下客量很大;
②由于付家坡周边学校、工作单位较多,尤其付家坡长途汽车站的存在,导致该区域内不论是工作日,还是非工作日,出租车上下客量都最多;
③街道口附近出租车上下客主要集中在街道
口商业圈、武汉理工大学、广埠屯等,这主要是因为街道口区域集中了街道口商业圈,如群光商场、新世界百货、广埠屯电脑城、乐天城等,是武昌区的非常重要的商业圈之一;
④街道口区域集中了多所教育部高校和科研院所,如武汉大学、武汉理工大学、华中师范大学、中国科学院水生所、中国科学院武汉岩土力学研究所等,导致了这些高校和科研院所附近的出租车上下客量也很大。
（3）八一路段出租车上下客的空间分布
本文选取了武汉市八一路为研究对象,总长约2230 m,筛选出2009年3月9日周一下午17:00-18:00的上下客数据,利用线密度算法探测得到在八一路上完成的上下客事件W=101,然后在八一路上插入12个等间距的GPS点,探测出各子路段的权值,分别算出各子路段的上下客线密度,从而得出八一路上下客的空间分布图（图8)。
Fig. 8 Taxis’ pick-up and drop-off distribution on Bayi road

图8 八一路出租车上下客的空间分布

由图8可看出,在八一路武汉大学附近上下客线密度很大,这是因为武汉大学和武汉大学附属学校,周一至周五17:00-18:00正处于下班和放学的晚高峰期间,导致武汉大学附近的出租车上下客线密度偏大。

4 热点分布的线密度算法分析

本文结合出租车上下客的数据,以武汉市八一路、体育管路为研究区域进行比较,选择了2009年3月13日（周五）的数据,根据线密度算法研究了不同时段的热点区域分布,不同时段的上下客热点区域分布如图9-10所示。
Fig. 9 Taxis’ drop-off on Bayi road in Wuhan during 19:00-21:00

图9 八一路区域晚上19:00-20:00和20:00-21:00不同时段下客量分布

从图9可看出,八一路在19:00-20:00下客量最多,集中分布在阳光钱柜附近,而在20:00-21:00下客量骤减,造成这种现象的原因主要是19:00-20:00是居民吃完晚饭后私人休闲活动出行,阳光钱柜在所研究区域内属于较为大型的娱乐场所KTV,所以成为该时间段居民出行目的地;在20:00-21:00时间段内,居民出行较少,因此,该时间段八一路下客量骤减,且分布比较均衡,未出现波峰。
从图10可看出,体育管路的上客分布一直处于分布十分均衡、没有波峰的状态,这是因为该区域没有大型的娱乐场所和餐饮酒店,乘客出行的出发点分散。
Fig. 10 Taxis’ pick-up distribution on Tiyuguan road in Wuhan in the Night

图10 体育馆路不同晚间时段的上客量时空分布特征

5 结论

本文针对上下客具体位置未知的出租车GPS轨迹数据,采用线事件对出租车上下客可能发生的位置集合进行了描述和表达,避免了估计上下客位置可能带来的偏差;提出了出租车上下客时空分布的线密度探测模型,实现对城市出租车上下客时 空分布分析,发现了出租车上下客在工作日、非工作日和一天不同时段的上下客分布规律,更深刻地理解和认知了城市空间的动态性。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
罗端高,史峰.考虑需求分布影响的城市出租车运营平衡模型[J].铁道科学与工程学报,2009,6(1):87-91.

[2]
康留旺. 基于FCD的城市出租车空驶率及拥有量的计算[J].数字技术与应用,2010(7):81-82.

[3]
关金平,朱竑.基于FCD的出租车空驶时空特性及成因研究[J].中山大学学报(自然科学版),2010(49):29-36.

[4]
唐炉亮,常晓猛,李清泉,等.基于蚁群优化算法与出租车GPS数据的公众出行路径优化[J].中国公路学报,2011,24(2):89-95.

[5]
辛飞飞,陈晓洪,林航飞.浮动车数据路网时空分布特征研究[J].中国公路学报,2008,21(4):105-110.

[6]
孙飞,张霞,唐炉亮,等.基于GPS轨迹大数据的优质客源时空分布研究[J].地球信息科学学报,2015,17(3):329-335.

[7]
张希瑞,方志祥,李清泉,等.基于浮动车数据的城市道路通行能力时空特征分析[J].地球信息科学学报,2015,17(3):336-343.

[8]
陆锋,刘康,陈洁.大数据时代的人类移动性研究[J].地球信息科学学报,2014,16(5):665-672.

[9]
裴韬,李婷,周成虎.时空点过程:一种新的地学数据模型、分析方法和观察视角[J].地球信息科学学报,2013,15(6):793-800.

[10]
Wong K I, Wong S C, Bell M G, et al.Modeling the bilateral micro-searching behavior for urban taxi services using the absorbing markov chain approach[J]. Journal of Advanced Transportation, 2005,39(1):81-104.

[11]
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.

[12]
Tang L, Li Q, Chang X, et al.Modeling of taxi drivers' experience for routing applications[J]. Science China-Technological Sciences, 2010,53:44-51.

[13]
徐金垒,方志祥,萧世伦,等.城市海量手机用户停留时空分异分析——以深圳市为例[J].地球信息科学学报,2015,17(2):197-205.

[14]
Li B, Zhang D, Sun L, et al.Hunting or waiting? Discovering passenger-finding strategies from a large-scale real-world taxi dataset[C]. 2011 IEEE International Conference on Pervasive Computing and Communications Workshops, 2011:63-68.

[15]
Liu L, Andris C, Ratti C.Uncovering cabdrivers’ behavior patterns from their digital traces[J]. Computers, Environment and Urban Systems, 2010,34(6):541-548.

[16]
Phithakkitnukoon S, Veloso M, Bento C, et al.Taxi-aware map: Identifying and predicting vacant taxis in the city[J]. Lecture Notes in Computer Science, 2010,6439:86-95.

[17]
Yamamoto K, Uesugi K, Watanabe T.Adaptive routing of multiple taxis by mutual exchange of pathways[J]. Inderscience Publishers, 2010,2(1):57-69.

[18]
Yuan N J, Zheng Y, Zhang L, et al.T-finder: A recommender system for finding passengers and vacant Taxis[J]. IEEE Transactions on Knowledge and Data Engineering, 2012,25(10):2390-2403.

[19]
Zheng X, Liang X, Xu K.Where to wait for taxi[C]. Proceedings of the ACM SIGKDD International Workshop on Urban Computing. 2012:149-156.

[20]
Elmasri R, Lee J.Implementation options for time-series Data[J]. Lecture Notes in Computer Science, 1998, 1339:115-128.

[21]
Tang L, Li Q, Yang X,et al.Road network modeling and representation for time-dependent traffic control[J]. Information, 2013,16(9A):6459-6472.

Options
Outlines

/

〈 〉