鄧敏1，佘婷婷1，黃金彩1，劉慧敏1，張建國(guó)，鄭旭東

(1.中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南長(zhǎng)沙，410083；2.博通智慧城市研究院，湖南長(zhǎng)沙，410007)

道路網(wǎng)地理空間數(shù)據(jù)作為國(guó)家基礎(chǔ)地理信息的重要組成部分，在智慧城市、智能交通以及居民日常生活方面發(fā)揮著重要的作用。隨著城市交通的迅速發(fā)展，道路網(wǎng)結(jié)構(gòu)日益復(fù)雜，幾何拓?fù)渚?xì)、語(yǔ)義信息豐富、更新速度高的精細(xì)道路網(wǎng)信息成為智能交通和智慧城市建設(shè)中的關(guān)鍵需求。然而，傳統(tǒng)的道路網(wǎng)數(shù)據(jù)采集方法需通過(guò)專業(yè)人員測(cè)繪或者衛(wèi)星影像矢量化等，需要投入大量的人力和物力，成本較高[1]。新興的泛在位置數(shù)據(jù)如車(chē)輛軌跡數(shù)據(jù)、社交媒體簽到數(shù)據(jù)、興趣點(diǎn)POI數(shù)據(jù)等具有來(lái)源廣泛、實(shí)時(shí)、語(yǔ)義信息豐富等優(yōu)點(diǎn)，在道路網(wǎng)幾何、拓?fù)洹⒄Z(yǔ)義的精細(xì)建模方面具有巨大的潛力，因此，利用泛在位置數(shù)據(jù)進(jìn)行道路網(wǎng)精細(xì)建模已成為當(dāng)前研究的熱點(diǎn)問(wèn)題。目前，基于泛在位置數(shù)據(jù)的道路網(wǎng)提取算法主要包括柵格化方法[2-4]、增量融合法[5-7]以及聚類法[8-10]。其中，柵格化方法的核心思想是將軌跡數(shù)據(jù)轉(zhuǎn)化為灰度圖像或者密度圖像，采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)圖像進(jìn)行膨脹和腐蝕操作來(lái)提取道路網(wǎng)；增量融合法主要以隨機(jī)選取的1條軌跡作為初始路段，不斷融入新軌跡線作為新增的路段，并提取整體道路網(wǎng)；聚類化法主要對(duì)軌跡點(diǎn)或軌跡線進(jìn)行聚類并獲得點(diǎn)簇或線簇，通過(guò)連接聚類中心點(diǎn)或線來(lái)提取道路網(wǎng)。這些方法主要用于提取道路網(wǎng)幾何形態(tài)，且結(jié)構(gòu)不夠精細(xì)，尤其在交叉口處，幾何拓?fù)浣Y(jié)構(gòu)信息丟失嚴(yán)重。此外，道路網(wǎng)語(yǔ)義信息(如道路名稱、等級(jí)、速度信息)對(duì)于提供個(gè)性化導(dǎo)航服務(wù)、實(shí)現(xiàn)智能交通管控等方面具有重要作用。國(guó)內(nèi)外相關(guān)學(xué)者利用泛在位置數(shù)據(jù)提取道路語(yǔ)義信息估計(jì)道路的平均行駛時(shí)間[11-12]，對(duì)提取車(chē)道速度限制[12]、擁堵[13-15]和道路等級(jí)[12,16]等進(jìn)行了研究，這些信息的獲取通常需要與已有道路網(wǎng)匹配。然而，道路網(wǎng)日新月異的變化導(dǎo)致匹配的效果和效率都很不理想，難以提取道路網(wǎng)語(yǔ)義信息。為此，本文作者提出一種利用泛在位置數(shù)據(jù)對(duì)城市道路網(wǎng)幾何、拓?fù)洹⒄Z(yǔ)義進(jìn)行精細(xì)建模的方法。首先，提取道路交叉口的位置和范圍信息，實(shí)現(xiàn)交叉口和路段的分治；然后，針對(duì)道路交叉口內(nèi)軌跡和路段軌跡進(jìn)行分類，實(shí)現(xiàn)道路網(wǎng)精細(xì)的幾何拓?fù)浣Y(jié)構(gòu)建模；最后，利用簽到POI等位置文本和軌跡速度信息，提取道路交叉口轉(zhuǎn)向規(guī)則、道路名稱、速度等語(yǔ)義信息。

1 道路交叉口和路段分治策略

1.1 交叉口的位置和范圍提取

據(jù)統(tǒng)計(jì)，60%的軌跡都為低頻采樣軌跡[17]。由于低頻軌跡數(shù)據(jù)存在定位精度低、采樣稀疏等問(wèn)題，若根據(jù)角度方向閾值識(shí)別轉(zhuǎn)向角變化較大軌跡點(diǎn)，則難以準(zhǔn)確識(shí)別道路交叉口的位置和區(qū)域。然而，大量的軌跡點(diǎn)傾向于在交叉口處表現(xiàn)出較相似的時(shí)空、語(yǔ)義特性；軌跡點(diǎn)轉(zhuǎn)向角亦具有較強(qiáng)空間相關(guān)性，表現(xiàn)為交叉口區(qū)域的高值正相關(guān)(熱點(diǎn))和路段區(qū)域的低值正相關(guān)(冷點(diǎn))。采用局部空間自相關(guān)分析[18]探測(cè)交叉口內(nèi)軌跡轉(zhuǎn)向角熱點(diǎn)，并利用自適應(yīng)空間點(diǎn)聚類方法[19]進(jìn)行熱點(diǎn)聚類，識(shí)別交叉口的位置、范圍。

令T={P1,P2,…,PN}為任一軌跡，其中，Pi為軌跡第i個(gè)采樣點(diǎn)，

式中：i=1，2，…，N；xi為軌跡點(diǎn)Pi的橫坐標(biāo)；yi為軌跡點(diǎn)Pi的縱坐標(biāo)；ti為軌跡點(diǎn)Pi的當(dāng)前采樣時(shí)間；νi為軌跡點(diǎn)Pi的瞬時(shí)速度；θi為軌跡點(diǎn)Pi的瞬時(shí)行駛方向角。利用熱點(diǎn)分析識(shí)別道路交叉口位置和范圍，如圖1所示。圖1(a)中，軌跡轉(zhuǎn)向角定義為ai=|θi-θi-1|。軌跡點(diǎn)轉(zhuǎn)向角的局部空間G*統(tǒng)計(jì)值[18]為

圖1 利用熱點(diǎn)分析識(shí)別道路交叉口位置和范圍Fig.1 Identifying location and boundary of road intersections by hotspot analysis

式中：N為空間鄰域內(nèi)軌跡點(diǎn)i的鄰域軌跡點(diǎn)個(gè)數(shù)。wij為點(diǎn)pi的空間權(quán)重。局部G*統(tǒng)計(jì)值是一種度量空間要素自相關(guān)程度的指標(biāo)，用以測(cè)度空間要素與周?chē)I(lǐng)域要素之間的相關(guān)程度，其中，正相關(guān)表示該要素與周?chē)徲蛞氐膶傩?如軌跡點(diǎn)轉(zhuǎn)向角)呈正相關(guān)性，分為熱點(diǎn)(高值正相關(guān))和冷點(diǎn)(低值正相關(guān))。某個(gè)軌跡點(diǎn)劃分為熱點(diǎn)的鄰域內(nèi)軌跡點(diǎn)的轉(zhuǎn)向角都普遍較大，在空間上聚集于道路交叉口內(nèi)，如圖1(b)所示。局部G*統(tǒng)計(jì)能有效避免空間異常的影響，對(duì)軌跡點(diǎn)的噪音具有穩(wěn)健性。本文將1%置信區(qū)間(G*＞2.58)下的熱點(diǎn)識(shí)別為交叉口軌跡點(diǎn)。

軌跡轉(zhuǎn)向角熱點(diǎn)分析能有效區(qū)分交叉口區(qū)域軌跡點(diǎn)和非交叉口區(qū)域軌跡點(diǎn)。進(jìn)而，利用自適應(yīng)空間點(diǎn)聚類算法(即ASCDT算法[19])進(jìn)行熱點(diǎn)空間聚類，以區(qū)分不同道路交叉口并提取交叉口的數(shù)量、位置和范圍。ASCDT算法能夠有效處理軌跡熱點(diǎn)的不同形狀、密度和等級(jí)所造成的空間異質(zhì)性。通過(guò)分析ASCDT算法得到的結(jié)果，認(rèn)為空間點(diǎn)簇的個(gè)數(shù)即為交叉口的個(gè)數(shù)，每個(gè)空間點(diǎn)簇的最小外接圓所覆蓋的空間區(qū)域?yàn)榈缆方徊婵诘母采w范圍。

1.2 交叉口出入口檢測(cè)

道路交叉口定義為連接3條及以上分支道路的區(qū)域[20]，而每條分支道路都有1個(gè)入口和出口(單向通行道路只有1個(gè)入口或出口)。車(chē)輛軌跡由于受交叉口幾何、拓?fù)浣Y(jié)構(gòu)的限制，會(huì)從分支道路的入口進(jìn)入交叉口，并選擇另一出口離開(kāi)交叉口區(qū)域，因此，每條軌跡會(huì)在交叉口區(qū)域產(chǎn)生1個(gè)入口點(diǎn)和出口點(diǎn)，稱為候選入口點(diǎn)和候選出口點(diǎn)。這些候選出入口點(diǎn)可通過(guò)計(jì)算軌跡和交叉口范圍的交點(diǎn)得到。

設(shè)軌跡T的一段{Pi,Pi+1}與交叉口邊界相交，并產(chǎn)生候選出入口點(diǎn)。由于低頻軌跡具有低質(zhì)量、低采樣率等特性，{Pi,Pi+1}可能與多個(gè)交叉口相交，如圖2所示。軌跡Tj的一段{Ps,Ps+1}與56號(hào)和57號(hào)交叉口相交。對(duì)于某一特定交叉口，軌跡段{Pi,Pi+1}與其空間相交關(guān)系僅包含以下3種：

1){Pi,Pi+1}進(jìn)入交叉口，產(chǎn)生1個(gè)候選入口點(diǎn)ei，如軌跡Ti的一段{Pi,Pi+1}與47號(hào)交叉口相交，產(chǎn)生1個(gè)候選入口點(diǎn)ei。

2){Pi,Pi+1}離開(kāi)交叉口，產(chǎn)生1個(gè)候選出口點(diǎn)ej，如軌跡Ti的一段{Pj,Pj+1}與47號(hào)交叉口相交，產(chǎn)生1個(gè)候選出口點(diǎn)ej。

3){Pi,Pi+1}通過(guò)交叉口區(qū)域，同時(shí)產(chǎn)生候選入口點(diǎn)ek和候選出口點(diǎn)et，如軌跡Ti的一段{Pk,Pk+1}與58號(hào)交叉口相交，產(chǎn)生候選入口點(diǎn)ek和候選出口點(diǎn)et。

圖2 軌跡分段Fig.2 Track segmentation

基于上述軌跡段{Pi,Pi+1}與道路交叉口空間相交關(guān)系的類型，對(duì)研究區(qū)域內(nèi)軌跡進(jìn)行空間分段，可得到研究區(qū)域內(nèi)所有軌跡與交叉口的交點(diǎn)，即候選出入口點(diǎn)。提取候選出入口點(diǎn)的計(jì)算流程見(jiàn)算法1。

其中：CM為研究區(qū)域中提取得到的所有交叉口數(shù)據(jù)；Cm為與該軌跡相交的交叉口數(shù)據(jù)集；s為循環(huán)變量；Cs為Cm的子集。根據(jù)算法1，可在研究區(qū)域內(nèi)識(shí)別所有候選入口點(diǎn)Eentr和出口點(diǎn)Eexit。記錄這些候選點(diǎn)所屬軌跡ID、所屬交叉口ID、坐標(biāo)(x，y)等信息，將這些候選點(diǎn)進(jìn)行標(biāo)準(zhǔn)化記錄為

式中：K為研究區(qū)域中共有K個(gè)候選出入口點(diǎn)；ttid為點(diǎn)ei所屬的軌跡編號(hào)；cid為點(diǎn)ei所屬的交叉口編號(hào)；(x,y)為點(diǎn)ei的坐標(biāo)；tp用以表示點(diǎn)ei為候選入口點(diǎn)(tp=0)或者候選出口點(diǎn)(tp=1)。根據(jù)候選出入口點(diǎn)所在軌跡的位置，可以將軌跡劃分為交叉口內(nèi)軌跡Tint(見(jiàn)圖2中虛線)和路段軌跡Tout(見(jiàn)圖2中實(shí)線)。

圖3 基于候選出入口點(diǎn)自適應(yīng)聚類的交叉口的出入口檢測(cè)Fig.3 Intersection entrance and exit detection by adaptive clustering of candidate entrance and exit points

在提取候選出入口點(diǎn)E的基礎(chǔ)上，選擇任一交叉口內(nèi)候選出入口點(diǎn)E(cid=i)，利用ASCDT算法對(duì)E(cid=i)進(jìn)行聚類，如圖3(b)所示。該交叉口候選出入口點(diǎn)被識(shí)別為5個(gè)簇，為該交叉口連接了5個(gè)分支道路。將識(shí)別的簇劃分為候選入口點(diǎn)簇E(cid=i,tp=0)和候選出口點(diǎn)簇E(cid=i,tp=1)，分別計(jì)算候選入口點(diǎn)簇E(cid=i,tp=0)和候選出口點(diǎn)簇E(cid=i,tp=1)的平均坐標(biāo)即為真實(shí)道路出入口位置，如圖3(c)所示，其中，紅色方框?yàn)榻徊婵谌肟邳c(diǎn)檢測(cè)結(jié)果，黑色圓框?yàn)榻徊婵诔隹邳c(diǎn)檢測(cè)結(jié)果。

2 道路網(wǎng)幾何拓?fù)渚?xì)建模

2.1 交叉口轉(zhuǎn)向模式聚類

2.1.1 軌跡幾何相似性度量

為了對(duì)交叉口進(jìn)行精細(xì)幾何、拓?fù)浣?，需要識(shí)別交叉口內(nèi)轉(zhuǎn)向模式。記T1={P1,P2,…,Pm}，T2={P1,P2,…,Pn}為2條交叉口內(nèi)軌跡，由于軌跡采樣的稀疏性，T1和T2軌跡點(diǎn)之間并非存在一一對(duì)應(yīng)關(guān)系，從而需要對(duì)軌跡進(jìn)行重新采樣。通常在2個(gè)采樣點(diǎn)之間以dl(通常設(shè)置為25 m)為步長(zhǎng)，等步長(zhǎng)插入軌跡點(diǎn)。然后，以r為閾值(通常設(shè)置為25 m)，定義2條軌跡之間的公共子軌跡。一般地，軌跡上可能存在多段公共子軌跡，記第i段公共子軌跡為si，最長(zhǎng)公共子軌跡為lcstT1，計(jì)算式為

同理可計(jì)算T2的最長(zhǎng)公共子軌跡。于是，T1與T2之間的最長(zhǎng)公共子軌跡的相似性定義為

其中：|T1|表示軌跡T1的整體長(zhǎng)度。

2.1.2 軌跡方向相似性度量

考慮到道路含2個(gè)不同行駛方向，識(shí)別交叉口轉(zhuǎn)向模式需要顧及軌跡方向信息。車(chē)輛軌跡的方向相似性定義為2條軌跡之間方向的差異。為量化這種差異，對(duì)軌跡T1建立一種“距離-方向”函數(shù)F1(x)，定義為

式中：x∈[0,1]，是方向函數(shù)F1(x)的獨(dú)立變量；xi∈[0,1]，是從軌跡起點(diǎn)到軌跡上任一點(diǎn)Pi的累積長(zhǎng)度與軌跡整體長(zhǎng)度的比例，即軌跡段{P1,…,Pi}與軌跡整體{P1,…,Pm}的長(zhǎng)度之比；Δxi為相鄰軌跡點(diǎn)Pi+1和Pi累計(jì)長(zhǎng)度比例差異；Δhi為相鄰軌跡點(diǎn)Pi+1和Pi的行駛方向角。由式(6)可知，“距離-方向”函數(shù)是分段線性函數(shù)，如圖4所示。

給定變量x∈[0,1]，軌跡T1和T2的“距離-方向”函數(shù)分別描述為F1(x)和F2(x)，進(jìn)而軌跡T1和T2的方向相似性計(jì)算式為

圖4 軌跡的“距離-方向”函數(shù)Fig.4 “Distance-direction”function of trajectories

式中：xi和xj分別為軌跡點(diǎn)Pi∈T1和Pj∈T2的累積長(zhǎng)度比率；m和n分別為T(mén)1和T2的軌跡點(diǎn)個(gè)數(shù)；ΔF(x)為F1(x)和F2(x)的歸一化差值，

基于軌跡的幾何相似性和方向相似性，軌跡之間的總體相似性則可定義為sim(T1,T2)=simlcst(T1,T2)×0.5+simori(T1,T2)×0.5。則軌跡之間的距離矩陣可以定義為D=(dij)N×N(其中，dij=1-sim(Ti,Tj))。

2.1.3 交叉口轉(zhuǎn)向模式聚類

由于同種轉(zhuǎn)向模式軌跡之間存在較大相似性，因而，可利用軌跡層次聚類[21]的方法，對(duì)交叉口內(nèi)軌跡Tint進(jìn)行聚類，用于探測(cè)交叉口內(nèi)的轉(zhuǎn)向模式。在層次聚類過(guò)程中，利用“凝聚法”自底向上進(jìn)行聚類，直到所有軌跡合并為1個(gè)簇為止。同時(shí)，利用Davies-Bouldin指標(biāo)[22]對(duì)聚類結(jié)果有效性進(jìn)行評(píng)價(jià)(即DB指標(biāo))，識(shí)別合理的轉(zhuǎn)向模式個(gè)數(shù)。本文將聚類個(gè)數(shù)設(shè)置為n1～n2(實(shí)驗(yàn)中設(shè)置為2～40)，選擇DB指數(shù)最小時(shí)對(duì)應(yīng)的聚類個(gè)數(shù)K為最佳聚類結(jié)果。通過(guò)分析DB指標(biāo)可以發(fā)現(xiàn)，有效的聚類簇內(nèi)部應(yīng)足夠緊密，且簇與簇之間具有較大分離性，可通過(guò)計(jì)算簇的緊密性和分離性比率對(duì)聚類結(jié)果進(jìn)行評(píng)價(jià)。因此，DB指標(biāo)越小，聚類有效性越強(qiáng)。

2.2 路段軌跡分類

在出入口識(shí)別的基礎(chǔ)上，軌跡被劃分為交叉口內(nèi)軌跡Tint和路段軌跡Tout，其中，可從Tout中提取路段的幾何、拓?fù)浣Y(jié)構(gòu)信息。通過(guò)分析交叉口連通性對(duì)路段進(jìn)行幾何、拓?fù)渚?xì)建模。

Tout可劃分為2類：包含1個(gè)候選出入口點(diǎn)的軌跡和包含多個(gè)候選出入口點(diǎn)的軌跡。交叉口及其拓?fù)溥B接矩陣示意圖如圖5所示(其中，0表示無(wú)連接，1表示存在連接)。由圖5可知包含1個(gè)侯選出入口的軌跡所在的路段為懸掛路段，由于候選出入口點(diǎn)信息包含所屬交叉口編號(hào)，因此，構(gòu)造交叉口之間的拓?fù)溥B接矩陣D，根據(jù)交叉口的拓?fù)溥B通性對(duì)路段軌跡進(jìn)行分類。如圖5所示，矩陣內(nèi)元素D(i×j)為交叉口之間的同一類連接模式，即交叉口i與j之間有軌跡連接。由于存在單向通行道路的存在，因此，矩陣D是非對(duì)稱矩陣，若存在交叉口3到5的軌跡，而5到3的軌跡不存在，則所提方法具有提取車(chē)道級(jí)道路網(wǎng)的能力。

根據(jù)交叉口之間的拓?fù)溥B接矩陣D(N×N)，可對(duì)軌跡進(jìn)行分類。首先，根據(jù)D(N×N)篩選出屬于同種連接模式D(i×j)的路段軌跡Tout(i,j)；然后，利用2.1.3節(jié)所提軌跡聚類方法對(duì)Tout(i,j)進(jìn)行聚類。由于受道路交叉口探測(cè)精度影響，若干道路交叉口未被探測(cè)，本文對(duì)Tout(i,j)進(jìn)行聚類可識(shí)別不同連接路徑，從而考慮交叉口探測(cè)精度的影響。2條交叉口之間軌跡Tout(i,j)的不同連接模式如圖6所示，其中，實(shí)線為交叉口的不同連接路徑，本文方法能夠?qū)ζ溆行ёR(shí)別。

對(duì)于懸掛路段(圖6中虛線)，其特點(diǎn)在于只含1個(gè)候選出入口點(diǎn)，因此，分別提取每個(gè)交叉口的懸掛軌跡數(shù)據(jù)Tout(i)，根據(jù)2.1.3節(jié)軌跡聚類方法對(duì)Tout(i)進(jìn)行聚類。在上述基于交叉口連通性分析和懸掛軌跡分類的基礎(chǔ)上，可對(duì)研究區(qū)域路段軌跡Tout進(jìn)行有效分類，進(jìn)而對(duì)每一類軌跡的中心線進(jìn)行提取，獲得城市道路網(wǎng)的精細(xì)幾何和拓?fù)浣Y(jié)構(gòu)。

圖5 交叉口及其拓?fù)溥B接矩陣示意圖Fig.5 Intersections and topological connection matrix

圖6 2個(gè)交叉口之間軌跡Tout(i,j)的不同連接模式Fig.6 Different connection modes of track Tout(i,j)between intersection i and j

2.3 道路網(wǎng)幾何、拓?fù)浣Y(jié)構(gòu)精細(xì)建模

在對(duì)Tint和Tout進(jìn)行聚類、分類的基礎(chǔ)上，令CL(i)為T(mén)int或Tout的軌跡簇，采用K段主曲線算法[23]提取CL(i)的中心線即車(chē)道線，進(jìn)而生成道路網(wǎng)，記為RD。

K段主曲線由VERBEEK等提出[24]，采用局部主成分分析的方法來(lái)計(jì)算第K條線段，依據(jù)光滑性連接形成主曲線，如圖7所示。K段主曲線的算法步驟主要由以下幾步組成。

Step 1：初始化。輸入軌跡點(diǎn)數(shù)據(jù)P=(P1,P2,…,Pn)，計(jì)算第1主成分，并取3σ為初始的線段長(zhǎng)度，其中σ是第1主成分的標(biāo)準(zhǔn)差，得到初始線段l1和其Voronoi區(qū)域V1。

Step 2：插入新線段。若k≤kmax，則計(jì)算Pi并滿足：

式中：dist(Ps)=mind(Ps,lj)，為Ps與線段lj之間的最小距離；dist(Ps,Pj)=||Ps-Pj||2，為Ps與Pj之間距離的平方；j∈1～k。計(jì)算點(diǎn)Pi的Voronoi區(qū)域Vq并取Vq的第1主成分線，以3σ作為新增線段lk的長(zhǎng)度并記錄其 Voronoi區(qū)域Vk。

Step 3：調(diào)整。若新增線段后，所有線段舊的Voronoi區(qū)域{V1，V2，…，Vk}與新的 Voronoi區(qū)域{V1′,V2′，…，Vk′}不同，則將新的 Voronoi區(qū)域賦給舊的Voronoi區(qū)域，并重復(fù)Step 2，直到Voronoi區(qū)域不變?yōu)橹埂?/p>

Step 4：優(yōu)化。將k條線段構(gòu)造成哈密頓回路，并利用城市旅行商問(wèn)題(TSP)進(jìn)行優(yōu)化形成哈密頓回路。

3 基于車(chē)輛軌跡和簽到文本的道路網(wǎng)語(yǔ)義信息建模

3.1 交叉口轉(zhuǎn)向規(guī)則語(yǔ)義提取

交叉口內(nèi)軌跡簇的轉(zhuǎn)向規(guī)則可通過(guò)挖掘每條軌跡的轉(zhuǎn)向規(guī)則得到。交叉口轉(zhuǎn)向規(guī)則判別如圖8所示。

設(shè)P1為軌跡起始點(diǎn)，Pm為該軌跡終點(diǎn)，θ1和θ2分別為P1和Pm的行駛方向角，Pi為軌跡上任一點(diǎn)，則該軌跡的轉(zhuǎn)向規(guī)則如下：

圖7 利用K段主曲線提取車(chē)道線Fig.7 Extracting lane lines using K-segment principal curve

圖8 交叉口轉(zhuǎn)向規(guī)則判別Fig.8 Intersection turning rules inference

1)若θ1-θ2≈ ±180°，則轉(zhuǎn)向規(guī)則為“掉頭”；2)若P1Pm×P1Pi(1＜i＜m)為正，則轉(zhuǎn)向規(guī)則為“右轉(zhuǎn)”；

3)若P1Pm×P1Pi(1＜i＜m)為負(fù)，則轉(zhuǎn)向規(guī)則為“左轉(zhuǎn)”；

4)若P1Pm×P1Pi(1＜i＜m)為零向量，則轉(zhuǎn)向規(guī)則為“直行”。

通過(guò)上述分析可得到軌跡簇內(nèi)每條軌跡的轉(zhuǎn)向規(guī)則：當(dāng)簇內(nèi)超過(guò)50%以上軌跡判定為某一特定轉(zhuǎn)向規(guī)則時(shí)，則該轉(zhuǎn)向規(guī)則定義為軌跡簇的轉(zhuǎn)向規(guī)則；當(dāng)交叉口內(nèi)未發(fā)現(xiàn)某個(gè)轉(zhuǎn)向規(guī)則的軌跡簇時(shí)，則認(rèn)為該轉(zhuǎn)向規(guī)則在交叉口內(nèi)是禁止的。

3.2 道路名稱提取

地圖POI和微博簽到文本中包含大量與道路相關(guān)的信息，如道路名稱等。本文利用高德地圖POI和新浪微博簽到文本數(shù)據(jù)，基于Jiaba分詞技術(shù)(https://github.com/fxsjy/jiebademo)，從這些位置文本的地址字段中將道路名稱劃分出來(lái)。如對(duì)于POI地址“湖北省武漢市江漢路527號(hào)，武漢美術(shù)館對(duì)面”，利用Jieba中文分詞之后的結(jié)果為：“湖北省/武漢市/江漢路/527/號(hào)/，/武漢/美術(shù)館/對(duì)面”。進(jìn)而，提取出含有“路”“大道”“街道”和“街”關(guān)鍵詞的詞語(yǔ)。

由于POI數(shù)量眾多，密度空間分布差異大，可將POI與道路網(wǎng)進(jìn)行匹配，以50 m為緩沖區(qū)，提取道路路段的緩沖區(qū)內(nèi)的POI數(shù)據(jù)，如圖9所示。然后，基于Jieba分詞技術(shù)提取其緩沖區(qū)內(nèi)POI所含道路名稱，生成道路名稱頻度直方圖，并選取頻度最大的道路名稱為該路段道路名稱。從圖9可見(jiàn)：示例路段的名稱可以描述為“丁字橋路”。

3.3 道路網(wǎng)平均速度提取

將所提取道路網(wǎng)按100 m進(jìn)行重采樣(即速度信息識(shí)別的空間分辨率設(shè)置為100 m)，記為RD={e1,e2,…,em}，并將GPS軌跡點(diǎn)與所建模的道路網(wǎng)進(jìn)行匹配。于是，道路網(wǎng)RD的每條邊ei都有若干GPS點(diǎn)(記為Pei={P1,P2,…,Pni})與之匹配，這些GPS點(diǎn)的時(shí)間和速度信息可用于提取道路網(wǎng)的速度信息。將Pei劃分為24個(gè)時(shí)段，統(tǒng)計(jì)路段ei在24個(gè)時(shí)段內(nèi)平均速度信息，從而獲得整個(gè)路網(wǎng)RD在24個(gè)時(shí)段內(nèi)的速度信息。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證本文方法的有效性，選取武漢市武昌區(qū)一塊靠近長(zhǎng)江南岸、面積約13 km×11 km的區(qū)域作為實(shí)驗(yàn)區(qū)域。該研究區(qū)域?yàn)槲錆h市人口、經(jīng)濟(jì)、商業(yè)較集中的區(qū)域，包含武昌火車(chē)站等交通樞紐和洪山廣場(chǎng)等商業(yè)中心，并包含復(fù)雜道路網(wǎng)結(jié)構(gòu)。如研究區(qū)域內(nèi)包含了十字路口、T型路口、Y型路口、立交橋、環(huán)形路口等各種形態(tài)各異、結(jié)構(gòu)復(fù)雜的道路交叉口。此外，在武昌火車(chē)站附近，道路網(wǎng)密度高，交叉口密集，適合驗(yàn)證本文所提方法在處理復(fù)雜路網(wǎng)、密集路網(wǎng)的有效性。選取2014年5月1日的浮動(dòng)車(chē)GPS軌跡數(shù)據(jù)，包含1 129 466個(gè)軌跡點(diǎn)，經(jīng)重采樣和預(yù)處理后，含60 045條軌跡線。

4.2 道路交叉口位置和范圍探測(cè)

利用熱點(diǎn)分析和聚類方法對(duì)交叉口的位置和范圍進(jìn)行探測(cè)，結(jié)果如圖10所示。

圖9 利用緩沖區(qū)內(nèi)POI進(jìn)行道路段名稱提取Fig.9 Road name extraction using POI in buffer for

圖10 研究區(qū)域交叉口探測(cè)結(jié)果Fig.10 Results of intersection detection of study area

從圖10可見(jiàn)：轉(zhuǎn)向角熱點(diǎn)主要分布于交叉口區(qū)域，表明熱點(diǎn)分析的有效性；此外，研究區(qū)域包含大量復(fù)雜類型的道路交叉口，空間分布密度不一、形態(tài)各異、大小和范圍差異巨大，采用本文方法較好地探測(cè)了道路交叉口的位置和范圍。為了對(duì)道路交叉口探測(cè)結(jié)果進(jìn)行定量評(píng)價(jià)，采用本文方法與文獻(xiàn)[24]中方法分別計(jì)算交叉口探測(cè)結(jié)果的精度P、召回率R和F，表達(dá)式為：

式中：tp為正確探測(cè)交叉口數(shù)量；fp為錯(cuò)誤探測(cè)交叉口數(shù)量；fn為未探測(cè)交叉口數(shù)量。通過(guò)與百度地圖、高德地圖進(jìn)行人工判別，經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)本文所提方法共識(shí)別道路交叉口157個(gè)，正確識(shí)別136個(gè)，錯(cuò)誤識(shí)別21個(gè)，未識(shí)別26個(gè)。由式(10)可知：本文方法交叉口探測(cè)精度P、召回率R和F分別為86.6%，84.0%和85.3%；文獻(xiàn)[24]所提方法共識(shí)別道路交叉口186個(gè)，正確識(shí)別138個(gè)，錯(cuò)誤識(shí)別48個(gè)，未識(shí)別24個(gè)，因而，交叉口探測(cè)精度P、召回率R和F分別為74.2%，85.2%和79.3%。圖11所示為本文方法和文獻(xiàn)中[24]中方法所提路網(wǎng)與遙感影像的疊加對(duì)比結(jié)果。從圖11可以發(fā)現(xiàn)：本文方法提取的道路骨架與影像中道路更加吻合，包含更少誤提取的懸掛路段；同時(shí)，本文方法計(jì)算的交叉口探測(cè)精度P以及F明顯比文獻(xiàn)[24]中方法的效果好。從圖11(b)可以發(fā)現(xiàn)本文方法可以有效地提取精細(xì)的復(fù)雜道路交叉口。

4.3 道路網(wǎng)幾何拓?fù)洹⒄Z(yǔ)義精細(xì)建模結(jié)果

道路網(wǎng)精細(xì)幾何拓?fù)浣Y(jié)構(gòu)、道路名稱信息和速度信息的建模結(jié)果如圖12所示。

從圖12可見(jiàn)：所生成的道路網(wǎng)具有名稱、方向、速度等信息，在路段上包含2條車(chē)道線，也體現(xiàn)了本文方法在道路網(wǎng)精細(xì)建模方面的優(yōu)勢(shì)。其中，圖12(b)所示為立交橋區(qū)域模擬結(jié)果，由于高程差異導(dǎo)致立交橋幾何結(jié)構(gòu)復(fù)雜，本文成功地對(duì)其進(jìn)行了精細(xì)建模；圖12(b)和(c)所示為較復(fù)雜道路交叉口模擬結(jié)果，其中，圖12(b)左上角所示為包含高架式立交橋模擬結(jié)果，圖12(c)所示為環(huán)形路口模擬結(jié)果。圖12(d)～(f)所示分別為十字路口、“T”型路口、“Y”型路口較常見(jiàn)道路交叉口?？梢?jiàn)，研究區(qū)域包含的道路交叉口形態(tài)各異、結(jié)構(gòu)復(fù)雜，所提方法對(duì)研究區(qū)域道路網(wǎng)實(shí)現(xiàn)了精細(xì)建模，在路段和交叉口幾何拓?fù)浣Y(jié)構(gòu)上，具有精細(xì)車(chē)道線；在語(yǔ)義信息方面，提取了道路網(wǎng)名稱、速度等信息。

圖11 本文方法與文獻(xiàn)[24]中方法提取路網(wǎng)與遙感影像比較Fig.11 Comparison between remote sensing image and road network extracted by methods in the paper and Ref.[24]

為了驗(yàn)證本文方法道路名稱提取結(jié)果的有效性，通過(guò)對(duì)高德地圖、百度地圖進(jìn)行人工判斷，共識(shí)別含名稱的道路237個(gè)，其中正確識(shí)別的道路名稱為229個(gè)，錯(cuò)誤識(shí)別的道路名稱為8個(gè)，未識(shí)別的道路名稱有8個(gè)，因而，道路名稱識(shí)別的精度P、召回率R和F分別為97.0%，96.6%和96.8%，表明本文方法在復(fù)雜城市場(chǎng)景下道路網(wǎng)幾何、拓?fù)洹⒄Z(yǔ)義精細(xì)建模方面的有效性。

將所建模道路網(wǎng)的平均速度信息劃分為24個(gè)時(shí)段，統(tǒng)計(jì)道路網(wǎng)24個(gè)時(shí)段內(nèi)的平均速度，并劃分到[0，5)，[5，10)，[10，15)和[15，+∞)共4個(gè)區(qū)間內(nèi)，分析其時(shí)空特征。圖13所示為其中4個(gè)主要時(shí)刻道路網(wǎng)平均速度的空間分布情況。從圖13可見(jiàn)：道路網(wǎng)平均速度的空間分布在一定程度上表征了道路擁堵的時(shí)空分布特征。

本實(shí)驗(yàn)中采用2014年5月1日的車(chē)輛GPS軌跡數(shù)據(jù)對(duì)道路網(wǎng)平均速度進(jìn)行演化分析，可以發(fā)現(xiàn)：1)9:00—12:00，武昌火車(chē)站附近具有明顯的擁堵現(xiàn)象，這可能由于“五一節(jié)”旅游人數(shù)增多，導(dǎo)致上午在武昌火車(chē)站附近呈現(xiàn)明顯的車(chē)流高峰，并且一直持續(xù)到12:00；2)在24個(gè)時(shí)段內(nèi)，研究區(qū)域下方的立交橋附近較少出現(xiàn)車(chē)輛行駛緩慢的現(xiàn)象，表明該區(qū)域無(wú)擁堵出現(xiàn)；3)武珞路作為武漢市較繁華的路段，從8:00—16:00都具有明顯的車(chē)輛行駛緩慢現(xiàn)象，而16:00后車(chē)行緩慢現(xiàn)象減輕；4)雄楚大道與嶺南路交叉口處，在9:00—12:00易發(fā)生擁堵，交通緩慢，此外，在20:00—23:00容易發(fā)生擁堵，表明該交叉口具有重要的交通地位。整體上看，10:00—12:00的擁堵情況最嚴(yán)重，這種擁堵現(xiàn)象可能與“五一節(jié)”假期出行高峰有關(guān)，16:00—22:00則易出現(xiàn)局部車(chē)行緩慢現(xiàn)象。

圖13 道路網(wǎng)若干典型時(shí)段內(nèi)平均速度信息Fig.13 Road network average speed information of several typical time

5 結(jié)論

1)道路網(wǎng)精細(xì)幾何、拓?fù)?、語(yǔ)義信息是實(shí)現(xiàn)智能交通、導(dǎo)航及行車(chē)規(guī)劃的前提。泛在位置數(shù)據(jù)由于具有動(dòng)態(tài)、實(shí)時(shí)的特性，為道路網(wǎng)精細(xì)信息的實(shí)時(shí)獲取提供了新的數(shù)據(jù)源。

2)本文提出一種城市道路網(wǎng)幾何、拓?fù)洹⒄Z(yǔ)義信息一體化精細(xì)建模方法。利用武漢市車(chē)輛軌跡數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析，驗(yàn)證了本文方法的有效性。所提方法可以滿足快速實(shí)時(shí)道路網(wǎng)幾何、拓?fù)?、語(yǔ)義信息精細(xì)獲取需要，為智慧城市建設(shè)、智能交通系統(tǒng)提供支持。