2018 , Vol. 20 >Issue 5: 656 - 664

A road section selection algorithm for monitoring the OD flow of motor vehicle travels

• ZHAO Zhiyuan , 1, 2 ,
• YIN Ling , 1, * ,
• HU Jinxing 1 ,
• FENG Shengzhong 1 ,
• HUANG Silin 3
Expand
• 1. Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
• 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan 430079, China
• 3. Shenzhen Tenet Technology Co., Ltd, Shenzhen 518063, China
*Corresponding author: YIN Ling, E-mail:

Request revised date: 2018-03-07

Online published: 2018-05-20

Supported by

National Natural Science Foundation of China, No.41771441

Demonstration Project of Applications in Shenzhen City, No.KJYY20160608154421217

Basic Research Project of Shenzhen City, No.JCYJ20170307164104491.

《地球信息科学学报》编辑部 所有

### Abstract

ZHAO Zhiyuan , YIN Ling , HU Jinxing , FENG Shengzhong , HUANG Silin . A road section selection algorithm for monitoring the OD flow of motor vehicle travels[J]. Journal of Geo-information Science, 2018 , 20(5) : 656 -664 .

### 2 算法设计

#### 2.2 算法总体设计

##### Fig. 2 The flowchart of the algorithm. The ROI is the abbreviation of the region of interest

2.2.1 初始感兴趣区域之间以及与路网节点邻近关系计算

2.2.2 感兴趣区域的逐级合并

（1）将每一个初始ROI和路网节点归为一类;
（2）根据ROI相关的邻近关系矩阵,将最邻近的ROI与道路节点或者其他ROI合并;
（3）重新计算合并形成的新的ROI与其他区域之间的邻近关系;
（4）根据ROI关联路段计算机动车出行OD监测所需设备数量,判断是否满足设定条件。如果不满足,则重复步骤（2）-（3）,直到满足为止。

2.2.3 监测设备需求量计算

##### Fig. 3 The conservation law of traffic flows at a road cross

$I D = O A ⋃ O B ⋃ O C ⋂ ! I A ∩ ! I B ∩ ! I C$ （1）
$O D = I A ⋃ I B ⋃ I C ⋂ ! O A ∩ ! O B ∩ ! O C$ （2）

### 4 结论

The authors have declared that no competing interests exist.

 [1] 杨东援,段征宇.大数据环境下城市交通分析技术[M].上海:同济大学出版社,2015. [ Yang D Y, Duan Z Y.Urban traffic techniques in big data era[M]. Shanghai: Tongji University Press, 2015. ]
 [2] 刘治彦,岳晓燕,赵睿.我国城市交通拥堵成因与治理对策[J].城市发展研究,2011,18(11):90-96. [ Liu Z Y, Yue X Y, Zhao R.The cause of urban traffic congestion and countermeasures in China[J]. Urban Studies, 2011,18(11):90-96. ]
 [3] 赵娜,袁家斌,徐晗.智能交通系统综述[J].计算机科学,2014,41(11):7-11. [ Zhao N, Yuan J B, Xu H.Survey on intelligent transport system[J]. Computer Science, 2014,41(11):7-11. ]
 [4] 陆化普,李瑞敏.城市智能交通系统的发展现状与趋势[J].工程研究,2014,6(1):6-19. [ Lu H P, Li R M.Developing trend of ITS and strategy suggestions[J]. Journal of Engineering Studies, 2014,6(1):6-19. ]
 [5] 杨林,盛业华,王靖.物流企业管理信息系统的设计与实现——以南京某快运公司物流企业为例[J].地球信息科学学报,2009,11(5):652-656.本文分析了我国中小型物流企业存在的问题和信息化建设的特点,重点论述了GIS体系架构的物流信息管理系统的总体框架(包括物流管理信息子系统、物流监控子系统、物流网站、数据交换平台等4个部分)和总体功能,特别是对大数据量访问的瓶颈问题进行了探讨。对系统实现过程中的实时车辆调度和物流配送中心选址等关键技术和算法,以及基于UML建模语言的系统可视化业务进行了分析和设计。通过南京某中型物流企业管理信息系统的研发,辅助物流企业业务流程的改造,优化物流链,实现了中小型物流企业的信息化成本最低,提高企业工作效率和管理水平。 [ Yang L, Sheng Y H, Wang J.Design and implement of logistics information system for small & medium enterprises[J]. Journal of Geo-information Science, 2009,11(5):652-656. ]
 [6] Martin W A, McGuckin N A, McGuckin N A, et al. Travel estimation techniques for urban planning[M]. Washington, DC, USA: National Academy Press, 1998.
 [7] Liu Y, Kang C, Gao S, et al.Understanding intra-urban trip patterns from taxi trajectory data[J]. Journal of Geographical Systems, 2012,14(4):463-483.Intra-urban human mobility is investigated by means of taxi trajectory data that are collected in Shanghai, China, where taxis play an important role in urban transportation. From the taxi trajectories, approximately 1.5 million trips of anonymous customers are extracted on seven consecutive days. The globally spatio-temporal patterns of trips exhibit a significant daily regularity. Since each trip can be viewed as a displacement in the random walk model, the distributions of the distance and direction of the extracted trips are investigated in this research. The direction distribution shows an NEE–SWW-dominant direction, and the distance distribution can be well fitted by an exponentially truncated power law, with the scaling exponent β02=021.202±020.15. The observed patterns are attributed to the geographical heterogeneity of the study area, which makes the spatial distribution of trajectory stops to be non-uniform. We thus construct a model that integrates both the geographical heterogeneity and distance decay effect, to interpret the observed patterns. Our Monte Carlo simulation results closely match to the observed patterns and thus validate the proposed model. According to the proposed model, in a single-core urban area, the geographical heterogeneity and distance decay effect improve each other when influencing human mobility patterns. Geographical heterogeneity leads to a faster observed decay, and the distance decay effect makes the spatial distribution of trips more concentrated.
 [8] 程静,刘家俊,高勇.基于时间序列聚类方法分析北京出租车出行量的时空特征[J].地球信息科学学报,2016,18(9):1227-1239.受城市资源配置、区域功能分化的影响,城市中居民的出行往往呈现出特定的模式和规律,而这种出行模式的背后反映出城市的功能结构。城市车辆GPS导航的广泛使用,以及车辆轨迹数据的大量获取,为分析城市居民出行模式及理解城市功能结构提供了数据支撑。本文以道路分割城市得到的地块为研究单元,利用北京市一个月的出租车轨迹数据,对北京居民的出行模式及城市功能格局进行分析。在轨迹数据分析中,本文从轨迹数据中提取每个地块的出行量时间序列信息,然后采用结合时间序列距离度量和时间序列自身相关性的聚类方法,对出行量时间序列数据进行聚类分析,从而研究乘客出行的时空分布特征,最后结合北京市POI数据,探讨了不同区域乘客出行规律和区域功能类型的相互关系。结果表明,出租车出行量时间序列模式在工作日和周末间存在明显差异。此外,工作日的2个出行高峰与通常的通勤早晚高峰不同。由出行量所得的区域聚类结构,除具有重要交通枢纽功能的地块外,总体上以市中心为圆心大致呈同心圆分布,且距离市中心越远出行量越小。研究结果对于分析北京市居民出行行为、辅助城市交通规划具有一定的意义。 [ Cheng J, Liu J J, Gao Y.Analyzing the spatio-temporal characteristics of Beijing′s OD trip volume based on time series clustering method[J]. Journal of Geo-Information Science, 2016,18(9):1227-1239. ]
 [9] 唐炉亮,郑文斌,王志强,等.城市出租车上下客的GPS轨迹时空分布探测方法[J].地球信息科学学报,2015,17(10):1179-1186.出租车作为城市公共交通的重要补充，是城市面向公众的一个窗口，在人们日常出行中起到越来越重要的作用。出租车资源时空分布的不均衡，直接影响到城市公共交通的运行效率和城市形象。通过研究出租车上下客的时空分布特征，不仅可以反映城市居民的工作、生活、出行的规律和模式，也可反映城市空间在不同时段内的动态性和“热度”。本文基于出租车GPS轨迹大数据，针对出租车上下客事件轨迹呈现的线状特征，以及城市道路网络空间不同时段“热度”的动态分段特征，提出了出租车上下客时空分布的线密度探测模型。该模型通过对时间多粒度描述与表达，对不同城市道路网络空间，进行出租车上下客事件的探测和分析，获取城市出租车上下客的时空分布规律，更深刻地理解和认知了城市空间的动态性。 [ Tang L L, Zheng W B, Wang Z Q, et al.Space time analysis of pick-up and drop-off of taxi passengers based on GPS big data[J].Journal of Geo-information Science, 2015,17(10):1179-1186. ]
 [10] Wang P, Hunter T, Bayen A M, et al.Understanding Road Usage Patterns in Urban Areas[J]. Scientific Reports, 2012,2:1001.In this paper, we combine the most complete record of daily mobility, based on large-scale mobile phone data, with detailed Geographic Information System (GIS) data, uncovering previously hidden patterns in urban road usage. We find that the major usage of each road segment can be traced to its own - surprisingly few - driver sources. Based on this finding we propose a network of road usage by defining a bipartite network framework, demonstrating that in contrast to traditional approaches, which define road importance solely by topological measures, the role of a road segment depends on both: its betweeness and its degree in the road usage network. Moreover, our ability to pinpoint the few driver sources contributing to the major traffic flow allows us to create a strategy that achieves a significant reduction of the travel time across the entire road system, compared to a benchmark approach.
 [11] 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.识别海量手机数据中蕴含的行为模式,是地理学的一个研究热点与难点。目前,较多研究针对手机用户移动特征开展,而对停留及其模式的研究则相对较少;其时空分异规律对理解城市人群动态,甚至优化城市系统至关重要。本文根据人们日常时空约束条件定义了手机用户停留,提出了基于海量手机位置数据的手机用户停留模式的提取方法,以深圳市约790 万个匿名手机用户一天的海量手机位置数据为例,识别出了覆盖约98%用户的典型停留模式,并结合该城市土地利用的空间分布与分异特征,剖析不同停留模式的手机用户空间分异特征和城市不同区域停留次数的时段分异特征。研究发现:(1)15 种停留模式可覆盖约98%的手机用户,而且其一天不同的停留位置数量不超过4 个;(2)15 种停留模式手机用户在城市区域空间上的分布存在分异现象,严重受制于土地利用的空间分布;(3)城市不同区域停留次数的时段分异特征与该区域常住人口、人口密度,以及区域主要职能和性质存在较强的相关性。研究结论对理解城市手机用户行为模式的群体特征有积极的意义,对城市土地利用的科学决策和城市交通规划与预测有重要参考价值。 [ Xu J L, Fang Z X, Xiao S L, et al.The spatio-temporal heterogeneity analysis of massive urban mobile phone users' stay behavior: A case study of Shenzhen city[J]. Journal of Geo-information Science, 2015,17(2):197-205. ]
 [12] 曹劲舟,涂伟,李清泉,等.基于大规模手机定位数据的群体活动时空特征分析[J].地球信息科学学报,2017,19(4):467-474.城市空间与居民行为不断交互,相互影响。探究城市空间中的群体活动分布及其时空变化能够帮助数据驱动的城市规划与城市治理。基于大数据的时空间群体活动研究是当前时空大数据研究的一个热点。本文以深圳市为例,基于约1000万手机用户在某一工作日的基站尺度的手机定位数据,识别用户停留位置和停留活动,重建活动语义信息,分析用户的停留点和停留活动的分布差异,研究群体活动的时空分布模式,探讨人群活动模式的多样分布特征。研究表明:停留位置和活动分布存在差异,每人每天平均的停留个数约为2.1个,而每人每天平均从事的活动约为3.4个;不同类型的活动在时间上存在波动;群体活动存在空间分异特征,整体上服从"空间幂律"。本研究揭示了城市空间中群体活动的多样性及其时空分布特征,对于城市居民活动研究、城市交通优化和城市规划具有重要的意义。 [ Cao J Z, Tu W, Li Q Q, et al.Spatio-temporal analysis of aggregated human activities based on massive mobile phone tracking data[J]. Journal of Geo-information Science, 2017,19(4):467-474. ]
 [13] 陈杨,杨兆选.用于视频交通检测监控系统的车牌自动识别算法研究[J].河北工业大学学报,2006,35(6):82-87.针对视频交通检测监控系统对车牌自动识别算法的要求,提出了基于 Hough变换改进的几何失真矫正方法以及基于马尔可夫随机场模型和遗传算法的函数优化二值化算法.实验表明,采用这两项改进算法能够有效地提高车牌自动 识别的正确率和识别速度,其功能和技术指标满足视频交通信息检测监控系统的要求. [ Chen Y, Yang Z X.Study of video vehicle detection and monitoring system based on automatic vehicle license plate recognition algorithm[J]. Journal of Hebei University of Technology, 2006,35(6):82-87. ]
 [14] 谭筠梅,王履程,雷涛,等.城市轨道交通智能视频分析关键技术综述[J].计算机工程与应用,2014,50(4):1-6.轨道交通是改善城市公共交通状况的有效途径。随着城市轨道交通的快速建设, 人们对城市轨道交通的安全问题越来越重视。智能视频分析技术通过对监控视频流的实时分析，对场景中的各种目标进行检测、分类、跟踪，并分析和判断目标的行为，从而能在异常情况发生时可以及时报警、主动防范，提高处理突发事件的效率。主要研究了智能视频分析技术在轨道交通智能视频监控系统中的应用背景及技术框架，总结了智能视频分析中的关键技术的不同实现方法及其常见的算法。 [ Tan J M, Wang L C, Lei T, et al.Survey of intelligent video analysis technology used in urban rail transit[J]. Computer Engineering and Applications, 2014,50(4):1-6. ]
 [15] 廖律超,蒋新华,邹复民,等.基于交通视频的交通拥堵状态自动识别方法[J].公路交通科技,2014,31(1):110-117.为了实现交通视频拥堵状态的自动识别,以满足日益广泛应用的交通视频监控需求,分析了交通拥堵评价模型及其定性过程,进而提出了一种具有自适应学习能力的交通视频拥堵信息识别方法。该方法系统提取视频图像特征集,应用SVM进行模型训练学习和状态分类,并采用GA进行算法模型的在线闭环自适应调优。现场试验表明,该方法具有识别准确率高、处理速度快和系统自适应能力强等优点,为解决全天候的基于视频的交通拥堵实时在线识别处理问题提供了一种快速有效的解决方法。 [ Liao L C, Jiang X H, Zou F M, et al.An automatic recognition approach for traffic congestion based on traffic video[J]. Journal of Highway and Transportation Research and Development, 2014,31(1):110-117. ]
 [16] 李波. 基于图像分析的车辆识别与跟踪若干关键技术研究[D].武汉:华中科技大学,2011. [ Li B.Study on several key technologies on vehicle recognition & tracking based on image analysis[D]. Wuhan: Huazhong University of Science and Technology, 2011. ]
 [17] Klein L A, Mills M K, Gibson D. Traffic detector handbook: Third edition-volume II[R]. Federal Highway Administration and Turner-Fairbank Highway Research Center, 2006, No.FHWA-HRT-06-139.
 [18] 姜紫峰,谭光莉.车辆检测器的进展[J].公路交通科技,1996,13(1):62-65.车辆检测器是高速公路和城市道路监控系统中不可缺少的基本组成部分,车辆检测技术水平的高低直接影响到高速公路和城市道路监控系统的整体运行和管理水平。 [ Jiang Z F, Tan G L.Survey of the vehicle detector[J]. Journal of Highway and Transportation Research and Development, 1996,13(1):62-65. ]
 [19] Treiber M, Kesting A.Cross-Sectional Data[A]. In: Traffic flow dynamics[M]. Heidelberg: Springer, 2013:13-24.
 [20] Yang H, Zhou J.Optimal traffic counting locations for origin-destination matrix estimation[J]. Transportation Research Part B: Methodological, 1998,32(2):109-126.There has been substantial interest in development and application of methodology for estimating origin–destination (O–D) trip matrices from traffic counts. Generally, the quality of an estimated O–D matrix depends much on the reliability of the input data, and the number and locations of traffic counting points in the road network. The former has been investigated extensively, while the latter has received very limited attention. This paper addresses the problem of how to determine the optimal number and locations of traffic counting points in a road network for a given prior O–D distribution pattern. Four location rules: O–D covering rule, maximal flow fraction rule, maximal flow-intercepting rule and link independence rule are proposed, and integer linear programming models and heuristic algorithms are developed to determine the counting links satisfying these rules. The models and algorithms are illustrated with numerical examples.
 [21] 乐阳,叶嘉安.城市实时交通监测中关键路口的选择[J].地理信息世界,2005,3(2):6-9.本文利用图论中的顶点覆盖算法和GIS中的网络分析技术,对非嵌 入式传感器在路网中的最优定位问题,即关键路口点的选择问题进行了探讨.其目的在于选择最少的路口点而覆盖最大的路网范围,从而最大限度地掌握交通流在路 网上的分布和变化.由于顶点覆盖是一个NP完全问题,本文将采用一个启发式算法,并在一个模拟的路网结构上进行解算. [ Yue Y, Ye J A.The determination of critical junctions for transport network[J]. Geomatics World, 2005,3(2):6-9. ]
 [22] Cormen T H, Leiserson C E, Rivest R L, et al.Introduction to Algorithms, 3rd Edition[M]. Massachusetts: The MIT Press, 2009.
 [23] Johnson S C.Hierarchical clustering schemes[J]. Psychometrika, 1967,32(3):241-254.
Options
Outlines

/

 〈 〉