重型货运车GPS数据处理与轨迹分析研究——以上海外环隧道通行车辆为例.pdf

15 货运模型专题|FREIGHT MODEL作者简介黄盛（1996），男，江苏昆山人，硕士，主要从事智慧交通研究和交通数据分析工作。Email:摘要：上海货运交通量和运输量不断增长，使得货运交通尤其是重型货运交通管理日益成为城市综合治理领域的重点工作。该文基于重型货运车GPS数据，利用轨迹数据处理的多种技术对通过外环隧道的车辆轨迹进行识别、提取和停驻点判别。分析发现，隧道内上行（自东向西）方向货运车流量高峰集中在04:3007:00，下行（自西向东）方向集中在10:3013:30和14:3016:30；货运车在隧道内上行方向的拥堵强度和拥堵时长均高于下行方向；浦西停驻密集地区分布在宝山杨行、淞南镇和高速公路省界出口处，浦东停驻密集地区分布在外高桥港区。研究结果对于优化隧道货运车管理及流量调控具有一定参考意义。关键词：上海外环隧道；GPS数据；重型货运车；轨迹识别；行驶特征Abstract:Abstract:The volume of freight transportation and traffic in Shanghai continues to increase,making the management of freight transportation,especially heavy-duty freight transportation,an increasingly important focus of urban comprehensive governance.This article is based on GPS data from heavy-duty freight vehicles,and uses various trajectory processing techniques to identify,extract,and discriminate stopping points for vehicles passing through the Outer Ring Tunnel.Analysis shows that the peak volume of upward(east to west)direction freight vehicles in the tunnel is concentrated between 4:30-7:00 in the morning,while the peak volume of downward(west to east)direction is concentrated between 10:30-13:30 and 14:30-16:30.The congestion intensity and duration of freight vehicles in the upward direction are higher than those in the downward direction.The densely populated areas where freight vehicles stop in Puxi are distributed on highways and provincial roads in Baoshan Yangxing,Songnan Town,and provincial boundaries.The densely populated areas where freight vehicles stop in Pudong are distributed in the Waigaoqiao area.The research results are of reference significance for optimizing tunnel freight vehicle management and traffic regulation.Keywords:Keywords:Shanghai outer ring tunnel;GPS data;Heavy freight vehicles;Trajectory recognition;Driving characteristics0引言随着全球化和市场经济的发展，物流行业已成为支撑社会发展的重要基础产业。根据上海交通运行监测年报1，2021年上海市公路货物运输量52 899.1万t，同比增长14.9%；公路占全社会货运量比重 34.1%，同比上升3.3个百分点。重型货运车作为公路货运运输的重要载体，对城市经济社会发展起着重要的作用。因此，了解重型货运车的行驶特点和出行规律，能够为交通管重型货运车G P S 数据处理与轨迹分析研究以上海外环隧道通行车辆为例1黄盛，张祎上海市城乡建设和交通发展研究院Identification and Travel Pattern Analysis of Heavy Freight Vehicles in Shanghai Outer Ring Tunnel Based on GPS Data1基金项目：上海市经信委“面向MaaS出行的核心算法集及典型场景应用示范”（2021-GZL-RGZN-01007）；上海市科委“城市交通碳排放计算平台与服务系统构建关键技术研究”（22dz1207501）。16 货运模型专题|FREIGHT MODEL理部门合理制定货运车管理预案并有效应对紧急情况提供依据。随着城市对货运交通治理要求的不断提高，货运车辆的全过程位置数据监测逐渐普及，为货运车出行特征的研究提供了新的途径2。基于GPS轨迹数据的行驶特征分析已经成为数据挖掘和货运管理领域的一个热点问题3。目前国内外关于货运车出行方面的研究，主要集中在对城市或工业园区范围内的货车货运特性进行研究。如丁晓青4基于货运GPS数据研究了厦门市货运出行的总体交通特征和主要产业园区的货运出行特征。肖作鹏5通过轨迹数据识别了深圳市主要的物流节点区域与货运通道等。货运出行特性研究的关键技术之一是通过识别停留点从而将轨迹切割为若干段，进而提取出行行程等信息。如Yang等6拟合了重型卡车停留时长的分段幂律分布曲线，发现大于26 min的停留行为才较可能与装卸活动相关，并结合兴趣点（POI）数据和路网数据筛选出有效停留位置。陈小鸿7基于可接受误差水平下的最小样本量来确定适当的时间阈值水平，发现重型货车出行切割的时间阈值整体在30 min左右更合适。虽然国内外已有许多研究探讨了城市范围内的货车货运特性，但对于重要港口、货运通道和隧道等特定区域的研究仍然较少。现有的轨迹分析研究往往只是对轨迹进行简单的清洗和去噪处理，对于一些复杂场景，如GPS轨迹数据中断、数据冗余和漂移等噪音情况，处理效果并不理想。因此，本文基于上海市域重型货运车GPS轨迹数据，以外环隧道为研究对象，利用轨迹平滑、轨迹切割等处理技术，分析复杂场景下重型货运车辆的行驶特征，研究结果可为重型货运车的出行管理和运输调度提供数据参考。1外环隧道概况上海外环隧道是外环高速公路的重要组成部分，是连接浦西和浦东的过江咽喉（见图1），日流量为7万8万辆。外环隧道于2003年6月21日建成通车，该隧道东西走向，西起宝山区泰和路同济路，向东穿越黄浦江后止于三岔港处，隧道全长2 880 m，双向8车道，共3个通道，中间通道可根据浦东和浦西的车辆情况调整车辆行驶方向，设计时速80 km。由于外环隧道在城市交通和物流运输行业的重要地位，它已成为上海市交通管理和物流运输领域的重要研究对象。图1 外环隧道区域概况图2数据处理与关键技术2.1数据概况重型货运车GPS数据来源于上海市交通信息中心。选取了2022年10月2428日（工作日）上海市域内重型货运车的GPS数据，约8.2万辆车，日GPS记录（见表1）数超过1亿条，采样间隔约30 s，数据能够反映出上海外环隧道重型货运车的行驶特征。表1 货运GPS数据字段记录（示例）时间戳车辆ID（脱敏）经度/（）纬度/（）2022-10-24 00:00:4740 134 029 913121.661 13031.322 9062022-10-24 00:00:5340 860 247 659121.874 18430.881 2362022-10-24 00:00:4540 268 212 177121.837 17830.856 97417 货运模型专题|FREIGHT MODEL2.2技术路线为了分析穿过外环隧道重型货运车的行驶特征，需要先从所有车辆轨迹中识别经过外环隧道的货运车辆轨迹。然而，GPS信号在隧道中无法正常接收，导致隧道主段会出现连续的GPS记录中断现象。因此，按图2所示流程对货运车轨迹数据进行处理和通行车辆识别。图2 技术流程图（1）数据预处理首先，进行数据清洗：对于数据跳跃或漂移，计算连续GPS点之间的平均速度，并与最高速度阈值（120 km/h）进行比较。如果平均速度超过阈值，则将其视为数据跳跃，并删除相应的GPS记录。此外，对于冗余记录，如连续n条记录除时间以外的信息完全相同，则只保留首尾两条记录，以确保不影响轨迹形态。然后，基于清洗后的数据生成每辆车一天的轨迹：先将GPS数据按照车辆的唯一标识进行分组，然后对每辆车一天的GPS数据按照时间先后顺序进行排列，并生成每辆车的轨迹几何图形。轨迹被定义为一系列按时间顺序排列的几何图形，可以是基于点的，也可以是基于线的。以某日为例，基于8.2万辆重型货车的一天GPS轨迹记录生成约7.7万条轨迹（考虑到货运车辆的一次出行距离远超居民出行距离，对于该日行驶距离小于1 km的货运车进行了剔除8）。最后，对GPS轨迹进行路网匹配及平滑处理，以得到更精确的轨迹数据，提高后续分析的准确性和可信度：首先将车辆GPS点匹配至最近道路上，考虑道路宽度和GPS点本身偏差，匹配距离路网30 m以内的GPS点，最终匹配约70%的GPS点，然后使用卡尔曼滤波器9来平滑轨迹，减小轨迹的噪声和偏移。（2）轨迹切割由于单个货运车的行驶轨迹通常包含多个行程，需要将轨迹切割成多个子段，每个子段表示连续的运动过程。统计所有货运车每次出行的停留时间，根据停留时间分布特征并参考相关学者的阈值划分规则6-7，利用以下规则进行轨迹切割并识别停驻点：若某辆车在100 m半径范围内持续停留时间超过30 min，则算一次停留，两次停留之间为一次出行记录。以单日共7.7万辆货运车轨迹为例，共划分为25.9万条子轨迹，平均每辆重型货运车单日出行次数为3.4次左右。（3）面切割线识别隧道通行车辆及方向由于隧道内信号缺失会导致GPS轨迹点出现连续的中断，无法通过路网匹配来计算流量，因此采用以下方法来识别经过的货车车辆：根据外环隧道的起止点绘制一个矩形兴趣面（见图3），判断每条子轨迹线与该兴趣面的空间交集关系（须完全穿过该兴趣面），以确定该货运车是否穿过外环隧道，从而计算流量。行驶方向判断：通过进出隧道的前后GPS位置信息，可以计算隧道内轨迹段的方向角度。如果方向角度为0 180，则该货运车方向为自西向东（下行方向）；如果方向角度为180 360，则货运车方向为自东向西（上行方向）。识别结果：从一天的轨迹看，在每日7.7万辆重型货车中，约1.5万辆车经过外环隧道，占比约19.5%。从一天的出行记录看，25.9万次出行记录（子轨迹）中约2.1万次出行经过外环隧道，占比约12.3%。18 货运模型专题|FREIGHT MODEL（4）隧道内车辆平均速度计算首先需计算每辆货运车在隧道内的通行时间，由于货运车GPS点采样间隔在30 s左右，进出隧道时不一定有相应的GPS记录，为减小误差从而得到进出隧道时较为准确的时间，需对GPS点进行插值：先根据车辆通过隧道的行驶方向和隧道出入口坐标，通过计算隧道外每个GPS点距隧道出入口的直线距离，找到离出入口最近的GPS点。然后以最近的GPS点当前速度为权重，对进出隧道这段时间的GPS点进行时空插值。将插值间隔设置为1 s，以得到连续的GPS点。将距离出入口最近的GPS点的时间戳作为货车进出隧道的时间。最后根据每辆货运车通过隧道的时间，进而计算其在隧道内的平均速度。图3 途经外环隧道的某辆车轨迹分布3外环隧道重型货运车通行特征分析3.1流量特征分析如图4所示，根据识别的车辆轨迹，以半小时粒度统计通过外环隧道的货运车一天24 h流量变化情况。从一天通过的总量来看，外环隧道上行方向平均每日流量为9 561辆，下行方向平均每日流量为11 310辆。不同方向货运车流量的高峰时段呈现规律性。上行方向货运车集中在04:3007:00行驶；下行方向货运车流高峰集中在10:3013:30、14:3016:30这两个时段行驶，半小时流量在300辆以上。3.2平均速度分析通过货运车进出隧道的时间间隔，统计0.5 h内所有货运车通过外环隧道的平均速度，以反映当前时段隧道的整体拥堵情况（已绘制箱型图来清除异常值），如图5所示。从一周的情况来看，上下行的拥堵时段呈现规律性，正常情况下，在05:00之前上下行方向均畅通，且最畅通的情况下，上行方向（自东向西）下行方向（自西向东）图4 外环隧道货运车每日流量变化特征上行方向（自东向西）下行方向（自西向东）图5 不同方向货运车通过外环隧道的速度分布特征19 货运模型专题|FREIGHT MODEL货运车平均速度在4550 km/h，异常情况可能是交通事故等原因造成的偶然拥堵，如周二下行方向的01:0002:00，出现了1 h的极端拥堵情况。上行方向，拥堵持续时间明显长于下行方向，在09:0021:00几乎长时间处于拥堵状态，拥堵状态下平均速度在18 km/h左右，仅09:3011:00和13:3014:30这两个时段处于一个较为畅通的状态。下行方向无论是拥堵程度和拥堵时长，较上行方向都更加畅通，最拥堵的两个时段为10:0011:00、13:3014:30，平均速度在20 km/h左右。3.3出隧道后的重型货运车停驻点识别与分析从轨迹切割得到的子轨迹中，提取通过外环隧道的重型货运车轨迹，根据前面的停驻点识别方法，将货运车在一定区域内持续停留时间超过30 min的GPS点识别为停驻点。本研究将停驻点集计至500 m500 m的网格，通过绘制停驻点的空间分布，以分析其主要的停留区域，如图6所示，重型货车通过隧道后主要停留在以下地区：浦西的主要停留地是上海北部的宝山杨行、淞南镇，约占该方向出行的22.1%；另一个主要停留地是高速公路省界出口处，约占该方向出行的44.5%。浦东的主要停留地是上海的外高桥港区，约占该方向出行的60.2%。图6 重型货运车停驻点分布3.4外环隧道重型货运车出行OD分析为分析外环隧道重型货运车的来源与流向，对识别的出行OD进行聚类（见图7）。从节点来看，出行量最大的三个节点是外高桥港区节点、上海西北部出省节点和杨行堆场节点，节点的进出量较为均衡。从OD来看，港区与江苏省之间的出行约占47%，港区与浙江省之间的出行约占12%，港区与堆场之间的出行约占24%，港区与港区之间的出行约占2%。图7 重型货运车OD分布4结语本文基于重型货运车GPS轨迹数据，对通过上海外环隧道重型货运车的轨迹进行识别、提取和分析，研究发现：（1）外环隧道的货运车流量分布呈现规律性，上行方向的货运车主要集中在04:3007:00行驶，下行方向的货运车流高峰主要集中在10:3013:30和14:3016:30这两个时段行驶。（2）外环隧道不同方向交通拥堵情况差异较大，上行方向除09:3011:00和13:3014:30这两个时段外，在09:0021:00几乎长时间处于拥堵状态，拥堵状态下平均速度在18 km/h左右。下行方向大部分时段相对较为畅通，最拥堵的两个时段为10:0011:00和13:3014:30，平均通过时间在20 km/h左右。20 货运模型专题|FREIGHT MODEL（3）货运车通过外环隧道后的主要停驻地为上海北部的宝山杨行、淞南等镇和高速公路省界出口处，以及上海的外高桥港区。（4）从出行OD分布看，外环隧道货运车的主要出行类型为港区与外省之间的出行和港区与堆场之间的出行。本研究结果表明，外环隧道不同方向货运车流量高峰和拥堵时点分布存在明显差异，需要根据不同方向和时段的拥堵情况采取不同的管理和调控措施，以提高交通运输的效率和安全性。此外，本文相关的轨迹处理方法对于复杂场景下车辆行驶特性的分析研究具有一定的可拓展性，未来相关轨迹处理方法还需进一步优化，比如可以加入机器学习算法，自动识别轨迹中的行为模式，并进一步提高轨迹处理的效率和准确性。参考文献 1 2021年上海交通运行监测年度报告R.上海市交通委指挥中心,2021.2 Gan M,Nie Y M,Liu X,et al.Whereabouts of truckers:an empirical study of predictabilityJ.Transportation Research Part C:Emerging Technologies,2019,104:184-195.3 甘蜜,卿三东,刘晓波,等.货车轨迹数据在公路货运系统中应用研究综述J.交通运输系统工程与信息,2021,21(05):91-101+113.DOI:10.16097/ki.1009-6744.2021.05.009.4 丁晓青.基于货运GPS数据的产业园区货运特征分析以厦门为例J.交通与港航,2020,7(01):62-68.5 肖作鹏,邹海翔,孙永海.利用货车GPS数据推演城市内部物流联系以深圳市为例J.西部人居环境学刊,2017,32(01):9-15.6 Yang Y,Jia B,Yan X Y,et al.Identifying intercity freight trip ends of heavy trucks from GPS dataJ.Transportation Research Part E:Logistics and Transportation Review,2022,157:102590.7 陈小鸿,刘涵,张华,等.重型货运车辆出行时空差异性和影响因素分析J.交通运输系统工程与信息,2022,22(06):160-171.8 母万国,杨文辉.基于GPS数据的物流车辆出行特征分析J.综合运输,2020,42(01):83-89+113.9 Cattivelli F S,Sayed A H.Diffusion strategies for distributed Kalman filtering and smoothingJ.IEEE Transactions on automatic control,2010,55(09):2069-2084.5 陈小鸿,刘涵,张华,等.重型货运车辆出行时空差异性和影响因素分析J.交通运输系统工程与信息,2022,22(06):160-171.6 张晓明,胡志赛,朴莲花.广州市货运交通活动规律探究及城市限货管理的思考C/中国城市规划学会城市交通规划学术委员会.品质交通与协同共治2019年中国城市交通规划年会论文集.2019:3139-3149.7 史新峰,洪增林.城市货运交通管理政策的评估、反思和重构J.生产力研究,2015(04):89-92.8 范晓威,胡刚,白钰洁.深圳市龙华区货运交通精细化管理研究J.交通与运输,2022,38(6):6.9 Aziz R,Kedia M,Dan S,et al.Identifying and characterizing truck stops from GPS dataC/Advances in Data Mining.Applications and Theoretical Aspects:16th Industrial Conference,ICDM 2016,New York,NY,USA,July 13-17,2016.Proceedings 16.Springer International Publishing,2016:168-182.10 Gong L,Yamamoto T,Morikawa T.Identification of activity stop locations in GPS trajectories by DBSCAN-TE method combined with support vector machinesJ.Transportation Research Procedia,2018,32:146-154.11 Sarti L,Bravi L,Sambo F,et al.Stop purpose classification from GPS data of commercial vehicle fleetsC/2017 IEEE international conference on data mining workshops(ICDMW).IEEE,2017:280-287.12 汪鸣.物流产业发展规划理论与实践M.人民交通出版社,2014.（上接14页）