唐爐亮，趙紫龍，楊 雪，闞子涵，任 暢，高 婕，李朝奎，張 霞，李清泉

1.武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079；2.中國地質(zhì)大學(武漢)地理與信息工程學院，湖北 武漢 430074；3.香港中文大學太空與地球信息科學研究所，香港；4.湖南科技大學地理空間信息技術國家地方聯(lián)合工程實驗室，湖南 湘潭 411201；5.武漢大學城市設計學院，湖北 武漢 430072；6.深圳大學空間信息智能感知與服務深圳市重點實驗室，廣東 深圳 518060

地圖是人類三大通用語言之一[1]，文獻[2]認為“地圖學的未來是場景學”。早在春秋戰(zhàn)國時期，《管子·度地》將城市場景描述為“內(nèi)為之城……日中為市”，“城”是集聚地域(即靜態(tài)基礎設施，稱之為“形”)，“市”指市集交易(即動態(tài)活動行為，稱之為“流”)。20世紀90年代，文獻[3]提出了場景理論，認為場景由社區(qū)、有型建筑物、不同主體，以及將以上三者要素鏈接起來的特色活動構成。隨著大數(shù)據(jù)時代的到來，《即將到來的場景時代》一書認為：互聯(lián)網(wǎng)在未來25年間將進入新時代——場景時代，這標志著場景理論的發(fā)展進入新階段，也預示著場景理論將成為解釋人類相關行為的重要工具[4]。

道路場景作為一定時空范圍內(nèi)基礎設施與活動行為共同構成的綜合體，鏈接和構建“人地關系”，承載著宏觀與微觀、時間與空間、靜態(tài)與動態(tài)、同類與異質(zhì)、關系與演化、規(guī)律與機理，成為地理信息科學研究的主戰(zhàn)場。道路場景是人類發(fā)展演變中最重要、最復雜、最典型的場景之一，從二維抽象簡略到三維精細豐富、從靜態(tài)過去式向動態(tài)現(xiàn)在式發(fā)展的道路場景感知技術與數(shù)據(jù)，是智慧城市、智能交通、輔助駕駛中出行安全、效率提升的重要基石與關鍵支撐。

同時，道路交通網(wǎng)絡作為經(jīng)濟、社會活動的基礎，承載著城市范圍內(nèi)與城市間大量的人口和物質(zhì)要素流動[5]。因此，對道路場景的感知不應僅停留在靜態(tài)的、物理的研究視角，更應體現(xiàn)人群、車輛、物資要素在交通網(wǎng)絡的流動性特征，構建高時空分辨率的道路網(wǎng)絡場景感知框架。然而，現(xiàn)有道路場景感知主要依靠專業(yè)測繪模式，導致空間覆蓋上碎片化、時間動態(tài)上不連續(xù)，嚴重制約了智慧城市、智能交通等戰(zhàn)略實施。

大數(shù)據(jù)時代“人人都是傳感器”[6-8]，由大眾采集的手機定位、車載GNSS軌跡、行車記錄儀、社交媒體、公交地鐵刷卡等時空大數(shù)據(jù)，具有采集簡單、成本低、空間覆蓋廣、時間連續(xù)性好等優(yōu)點，為高時空分辨率道路場景感知提供了可能[9]，成為國際研究前沿熱點。然而目前對于道路眾包感知的研究綜述，大多僅側重于單一的靜態(tài)路網(wǎng)構建[10-12]或人群活動模式分析[7,13-16]，尚未形成完整的道路場景感知體系。

因此，本文立足于交通時空大數(shù)據(jù)，充分利用眾包數(shù)據(jù)空間覆蓋廣、時間連續(xù)性好等特征；從靜態(tài)基礎設施“形”感知和動態(tài)活動行為“流”感知兩方面對高時空分辨率道路場景感知技術進行闡述分析(圖1)。從靜態(tài)路網(wǎng)角度，以“點-線-面-體”等要素為研究脈絡，構建道路場景高精度眾包感知的理論體系；在活動行為“流”感知方面，發(fā)展了道路網(wǎng)絡空間活動流的時空建模與多尺度分析方法。以期在未來，能夠通過高精度道路“形”結構為高動態(tài)行為“流”提供管控疏導依據(jù)，并借助活動行為“流”來優(yōu)化基礎設施“形”的規(guī)劃及建設，達到以“形”控“流”、借“流”定“形”、“形”“流”疊置的高時空精度道路場景感知理論體系；為智能交通、智慧城市提供技術與數(shù)據(jù)支撐。

圖1 高時空精度道路場景感知框架

1 道路場景靜態(tài)設施“形”感知

道路場景靜態(tài)基礎設施要素通常分為點狀、線狀、面狀與體狀要素，點狀要素如興趣點(point of interest,POI)、道路交叉口等；線狀要素如道路、橋梁、地鐵等交通網(wǎng)絡等；面狀要素主要是土地利用類型、結構功能分區(qū)等；體狀要素指立體交叉口、多層次交通空間等。本節(jié)將從時空交通地理大數(shù)據(jù)出發(fā)，通過數(shù)據(jù)濾選得到不同精度需求的軌跡數(shù)據(jù)，以此構建點、線、面、體等不同尺度的道路場景要素信息感知體系。

1.1 眾包軌跡大數(shù)據(jù)濾選

隨著GNSS裝置的不斷普及和無線通信、網(wǎng)絡技術的飛速發(fā)展，人們不僅成為城市地理信息的使用者，同樣也是城市地理數(shù)據(jù)的感知者與采集者。這些由非專業(yè)地理數(shù)據(jù)采集人員提供的眾源軌跡大數(shù)據(jù)逐漸成為城市數(shù)據(jù)挖掘的重要數(shù)據(jù)源[17]。

面對不同的研究需求，對軌跡數(shù)據(jù)集的數(shù)據(jù)質(zhì)量要求有所不同。例如：對于城市群體、個人行為模式挖掘，一般采用來自手機終端的軌跡數(shù)據(jù)，其定位精度為100～500 m；對于道路級交通靜態(tài)、動態(tài)信息提取與感知，一般采用來自城市出租車系統(tǒng)的車載GPS軌跡，其定位精度為10～15 m；對于車道級城市交通靜態(tài)、動態(tài)信息挖掘，則要求軌跡數(shù)據(jù)的定位精度在3～5 m[17]。然而，眾源車載軌跡大數(shù)據(jù)受采集設備、環(huán)境等因素影響，數(shù)據(jù)整體質(zhì)量參差不齊。未經(jīng)預處理的原始數(shù)據(jù)，不僅加劇了信息提取結果的不確定性，同時海量數(shù)據(jù)也為數(shù)據(jù)操作和模式挖掘帶來困難。因此，如何從眾源軌跡數(shù)據(jù)中濾選提取出符合精度需求的有效數(shù)據(jù)，以用于不同尺度的道路要素感知，成為當前諸多研究的重點。

目前，對于軌跡數(shù)據(jù)濾選的研究方法主要分為基于濾波方法和基于空間聚類方法兩類。濾波方法一般根據(jù)前一個軌跡點的速度、位置、航向等特征來獲取下一個軌跡點的運動狀態(tài)預測值，并與實測值進行對比，實現(xiàn)對噪聲數(shù)據(jù)的判別與剔除。例如，文獻[18]采用卡爾曼濾波方法，利用線性系統(tǒng)狀態(tài)方程，進行最小方差估計估算點的最優(yōu)位置，以此進行數(shù)據(jù)濾波；文獻[19]嘗試了均值濾波、中值濾波、粒子濾波等多種時空軌跡濾波方法，表明前兩者算法簡單但適用性低，后者復雜但更適用于移動設備軌跡的濾選。然而，采用濾波方法修正GNSS軌跡數(shù)據(jù)存在以下局限性：①該濾波方法只能修正明顯異常值；②濾選效果依賴于數(shù)據(jù)采樣頻率，否則容易出現(xiàn)過度濾波或濾波不足的情況。

空間聚類方法通過考慮軌跡點與其鄰近點的空間分布關系，利用密度聚類方法剔除軌跡點中的異常值。文獻[20]采用核密度方法，逐點計算各軌跡點附近的軌跡密度，通過抽樣分析和去趨勢法計算密度閾值，以此判別該軌跡點是否為噪音；文獻[21]根據(jù)浮動車數(shù)據(jù)的空間分布特征，利用基于Delaunay三角網(wǎng)的密度聚類方法對數(shù)據(jù)進行優(yōu)選。這類方法雖然無須考慮數(shù)據(jù)采樣間隔，但無法對夾雜在高密度點中的低質(zhì)量數(shù)據(jù)進行有效去除。

近些年來，諸多學者提出基于軌跡片段的濾波方式，即依據(jù)軌跡的時空分布特征，采用一定的約束條件(如軌跡點航向、距離軌跡參考線距離等)對軌跡線進行分段處理，并逐段進行質(zhì)量評估與噪聲剔除[17]。例如，文獻[22]通過分析高精度GPS軌跡數(shù)據(jù)的空間特征和GPS誤差分布，構建了一種自適應分割-濾選模型。該模型首先通過航向偏轉角度﹑參考線距離約束將完整的浮動車軌跡數(shù)據(jù)進行分割，將分割段作為基本濾選單元；然后采用RANSAC算法構建每一個軌跡分割段的參考基線，并將其作為位置參考，計算GPS軌跡向量與其參考基線間的相似度，按照相似度閾值進行濾選。結果表明，該方法可以實現(xiàn)眾源軌跡大數(shù)據(jù)按精度需求濾選，降低數(shù)據(jù)冗余度，為不同精度需求的信息提取提供可靠數(shù)據(jù)源。

1.2 點狀要素感知

道路場景中的點狀要素主要包含POI、地標建筑、交叉口等，該類地理要素往往是道路網(wǎng)絡中的重要節(jié)點所在，在大眾空間認知、定位導航、調(diào)控城市交通等諸多領域起著至關重要的作用。下列以基于眾包數(shù)據(jù)的POI獲取與應用、交叉口結構提取為例，闡述道路網(wǎng)絡空間中點狀要素感知方法。

1.2.1 POI獲取及應用

POI作為一種代表真實地理實體的點狀地理空間大數(shù)據(jù)﹐是地理空間中具有標志意義的地理對象[23]。POI數(shù)據(jù)不僅具有傳統(tǒng)大數(shù)據(jù)5V(數(shù)據(jù)量大、處理速度快、模態(tài)多樣﹑真假共存﹑價值豐富)特點；而且，單體POI數(shù)據(jù)包含了實體的名稱﹑經(jīng)緯度、地址、類型等信息，反映了實體所承載的人類活動及與地理位置的相互關聯(lián)性，能夠對城市路網(wǎng)特性進行可視化[11,24]。

POI的獲取主要分為電子地圖POI(如高德、百度等)、LBS簽到POI(如微博、大眾點評等)和手機信令POI(聯(lián)通、移動、電信等)3類。早期POI數(shù)據(jù)主要用于網(wǎng)絡信息查詢、地圖導航等功能，隨著數(shù)據(jù)采集方式革新及處理技術的日趨成熟，逐漸轉向POI地理信息挖掘與應用研究[16]。在城市研究領域，利用POI數(shù)據(jù)進行城市設施空間格局識別與評價[25]、城市功能空間劃分[26]、居民生活便利度[27]、城市設施可達性評估[28]等研究。在個人行為模式挖掘中，POI能夠表征、預測人類活動的空間分布，例如手機信令數(shù)據(jù)發(fā)現(xiàn)人類出行規(guī)律[29]、社交媒體簽到數(shù)據(jù)推測用戶的興趣偏好[30]等。

此外，將POI與多源數(shù)據(jù)融合，能夠實現(xiàn)對復雜人地要素耦合關系的深度探尋[16]。例如，將POI與遙感影像結合，提取土地利用空間分布及變化[31]，彌補遙感影像對空間利用的單一化評價；與社會經(jīng)濟數(shù)據(jù)相結合，探究教育、住房發(fā)展等與經(jīng)濟增長之間的關系[32]。

1.2.2 交叉口結構提取

交叉口是構成道路網(wǎng)絡的基礎與核心要素，是城市交通路網(wǎng)生成、更新的重要組成部分。對于道路中心線級別的城市路網(wǎng)數(shù)據(jù)模型，交叉口一般被抽象表達為多條道路交匯的交點[33]；對于車行道級別的路網(wǎng)模型，由于路網(wǎng)細節(jié)的增加，交叉口通常被表達為分、合流點[34]；對于城市車道級路網(wǎng)數(shù)據(jù)模型，交叉口的空間結構則需要更加詳細的描述，包括其空間范圍、轉向特征、拓撲連接等[35-36]。

基于GPS軌跡數(shù)據(jù)提取道路交叉口細節(jié)信息，實現(xiàn)城市道路中心線級別、車行道級別、車道級別多尺度的路網(wǎng)生成和更新，成為目前研究的熱點[21,37]。相比遙感影像或傳感器數(shù)據(jù)，GPS數(shù)據(jù)包含豐富的交通動/靜態(tài)信息，且存在易獲取、成本低、更新周期短的優(yōu)點，因此更加適用于大范圍城市交通路網(wǎng)信息的獲取和快速更新[38]。文獻[39]基于專業(yè)測量車獲取的高精度軌跡數(shù)據(jù)，構建城市交叉口細節(jié)結構，并完成城市交通路網(wǎng)的生成。文獻[40]提出了一種城市交叉口的多尺度自動識別方法，如圖2所示。該方法首先識別軌跡數(shù)據(jù)中的車輛轉向點對；然后采用基于距離和角度的生長聚類方法進行轉向點對的空間聚類，并基于局部點連通性的聚類方法識別交叉口；最后利用交叉口范圍圓和轉向點對提取城市“道路中心線-車行道-車道”多級別路網(wǎng)下的交叉口結構。

圖2 城市道路口多尺度自動識別方法[40]

1.3 線狀要素感知

道路網(wǎng)絡靜態(tài)線狀要素的感知主要是道路線的提取與變化檢測。相比于傳統(tǒng)的道路級、雙向級道路繪制，高時空分辨率道路場景感知不僅要求亞米級的高精度絕對坐標，而且要能準確描繪道路形狀、車道線、車道中心線和交通標志等道路交通信息元素，具備高精度(高地圖數(shù)據(jù)精度)、高豐富度(高地圖數(shù)據(jù)類型)、高實時性(高地圖更新頻率)等特點[41]。然而，無論是遙感影像[42]、激光點云[43]，還是高精度DGPS、IMU數(shù)據(jù)[37]，都需要專業(yè)測繪設備進行采集，不可避免地存在采集成本高、周期長、更新速度慢等缺點。

近些年來，隨著出租車GNSS接收機的普及，浮動車軌跡數(shù)據(jù)成為道路靜態(tài)要素感知的重要數(shù)據(jù)源；其采集速度快、成本低、蘊含車道信息、更新周期短、遍布城市道路的特點能夠為高時空精度的道路網(wǎng)絡獲取提供保障。

在車道級道路精細識別方面，基于眾包軌跡的提取方法一般分為3個步驟：①基于1.1節(jié)中介紹方法，對原始軌跡的噪聲進行濾選；②推斷出GPS軌跡所在的車道位置；③利用交通道路規(guī)則等對車道的幾何形狀進行重建[44]。例如，文獻[45]提出了一種基于樸素貝葉斯分類的車道數(shù)量探測方法，并獲得了約為84%的精度；文獻[46]提出了一種利用眾包軌跡數(shù)據(jù)構建車道信息的方法CLRIC(圖3)：首先采用區(qū)域增長聚類方法對原始軌跡進行過濾，得到高精度的GPS數(shù)據(jù)；其次，通過優(yōu)化的約束高斯混合模型對交通車道的數(shù)量及位置進行挖掘。

圖3 基于約束高斯混合模型的車道級道路精細識別[46]

在完成道路精細識別與網(wǎng)絡構建后，車道級路網(wǎng)的更新對于城市交通的發(fā)展至關重要。一般而言，基于車輛GPS軌跡的車道級路網(wǎng)變化檢測主要分為車道級地圖匹配和變化識別兩部分[47-48]。若軌跡點匹配成功，則獲取可匹配的軌跡數(shù)據(jù)進行拓撲變化檢測，如車道變道規(guī)則變化、交叉口車道轉向規(guī)則變化；若軌跡數(shù)據(jù)匹配失敗，說明路段發(fā)生幾何變化，如車道新增、車道關閉(禁止通行)等。

1.4 面狀要素提取

對于面狀要素的提取主要集中在城市形態(tài)、土地利用類型、結構功能分區(qū)等方面[49]。城市的空間結構與形態(tài)對城市可持續(xù)發(fā)展具有重要影響，通常與城市功能結構密切相關。傳統(tǒng)對于面狀要素的提取主要依賴國家或地區(qū)制圖機構，使用遙感、地面感知、人工調(diào)繪等方法感知城市空間；然而，此類分析依賴于特定國家或城市的權威數(shù)據(jù)集[50]。眾包地理信息的發(fā)展改變了這種情況，為城市結構與功能的研究開辟了新方法。

關于城市功能區(qū)的識別，文獻[51]引入概率主題模型，將每個城市區(qū)域視為一個文檔，將功能視為一個主題，并通過基于LDA的聚類方法對城市功能區(qū)進行劃分；文獻[52]針對上述方法特征表達能力不足、無法提取移動模式上下文信息的缺點，提出將深度學習和概率主題模型結合的MPETM(mobility pattern embedded topic model)框架，對區(qū)域進行主題建模及功能區(qū)劃分。文獻[53]提出了城市功能區(qū)識別框架UFAI：基于匿名軌跡數(shù)據(jù)進行個體出行特征刻畫，以此劃分出8類人群；在此基礎上，通過構建并訓練多任務深度學習模型，完成城市功能區(qū)識別。

此外，在檢測功能區(qū)方面，社交媒體的簽到數(shù)據(jù)賦予了靜態(tài)POI未及的數(shù)據(jù)人類移動規(guī)律信息。文獻[54]提出了基于低秩近似的LRA模型，并用一年社交媒體簽到數(shù)據(jù)探測城市功能區(qū)及其時間模式。多源數(shù)據(jù)融合方面，文獻[55]將主題模型與支持向量機融合，并結合遙感影像數(shù)據(jù)探測城市功能區(qū)。文獻[56]提出了一種基于出租車軌跡和微博簽到數(shù)據(jù)的城市集群檢測與評估方法。該方法基于居民日常出行空間相似性，采用聚合空間聚類方法對城市集群進行檢測；用跨區(qū)域出行指數(shù)、通勤方向指數(shù)和滿足需求指數(shù)3個指標對檢測到的土地利用功能進行合理性評估。

1.5 體狀要素提取

目前，對于道路場景靜態(tài)要素感知主要集中在平面交通；但隨著數(shù)字城市的發(fā)展，建筑物群、立體交叉口、城市下穿隧道等三維體狀要素提取成為立體交通道路網(wǎng)中不可或缺的部分，在道路交通三維仿真模擬、車輛軌跡跟蹤、車輛定位導航和路徑優(yōu)化等領域具有重要的意義[57]。

在智慧城市建設中，提取建筑物三維模型是構建智慧城市的基礎和關鍵[58]。目前，一般采用激光雷達技術[59]、攝影測量(如貼近攝影測量[60]、傾斜攝影測量[61])作為采集大規(guī)模、精細建筑三維空間信息的重要手段[62]。

城市交叉口的空間位置、轉向信息、三維結構是構成城市各級交通路網(wǎng)數(shù)據(jù)的關鍵，承擔著連通整個道路網(wǎng)絡的功能。相比于1.2.2節(jié)描述的平面交叉口，由多種空間渠化功能構成的立體交叉口具有拓撲連通關系復雜、空間線性結構多樣、交通行駛規(guī)則變化快等特征[63]。

然而，目前利用眾包數(shù)據(jù)進行道路場景三維制圖的研究少之又少，更別提立體交叉口提取?，F(xiàn)有方法主要在二維道路網(wǎng)絡的基礎上，借助軌跡高程分割、車輛俯仰角等方法獲取高程變化信息，進行三維道路結構的重建。例如，文獻[64]將車輛的俯仰角與2D交通地理信息系統(tǒng)(GIS-T)數(shù)據(jù)庫中的道路高程計算出的傾斜角進行比較，以便在車輛進入或離開多層次道路網(wǎng)絡(例如立交橋、高架路等)時將其鎖定在正確的道路層級上。文獻[65]提出了一種從車輛軌跡中提取立體交叉口三維結構的方法(圖4)：通過檢測變化點，將軌跡分為不同高程趨勢的段；利用數(shù)據(jù)融合技術尋求不同軌跡之間的共識，得到斜坡和水平截面的范圍和高程；并基于語義分割和聚合提升算法，重建詳細的三維連接結構。

圖4 立體交叉口三維線結構與垂直關系提取結果[65]

2 道路場景動態(tài)活動行為“流”感知

1989年，Manuel Castells 在文獻[66]中首次提出流空間：流空間是通過流動而運作的共享時間之社會實踐的物質(zhì)組織。文獻[67]認為流空間是圍繞人流、物流、資金流、技術流和信息流等要素流動而建立起來的空間，以信息技術為基礎的網(wǎng)絡流線和快速交通流線為支撐，創(chuàng)造一種有目的的、反復的、可程式化的動態(tài)運動。

在流對象的建模方面，早期對空間現(xiàn)象和過程的研究大多基于對點事件的建模和分析[68-69]。近年來，逐漸有學者發(fā)現(xiàn)單個空間點不能描述空間中的連續(xù)移動行為，于是將個體或群體兩個空間位置之間的流動表達為起點到止點的有向線段。隨著GIS領域的發(fā)展，諸多學者嘗試用時空集成建模與表達定量化分析人類行為[70]。為了更直觀地復現(xiàn)人群的時空移動特征，時空路徑逐漸被引入個體和群體移動的描述和表達研究中，并廣泛應用于個體活動特征及群體行為模式的挖掘[71-72]。

在對網(wǎng)絡流對象的建模和表達方面，文獻[73]基于移動對象的方法提出了一種針對網(wǎng)絡空間中移動目標的數(shù)據(jù)模型，該模型在網(wǎng)絡表達的基礎上，將移動目標建模為網(wǎng)絡空間中具有移動屬性的一個點對象。無論是流模式中移動目標本身還是時空移動軌跡，目前的建模與表達方法主要以空間點模式為基礎[74]，如通過分析軌跡點的分布規(guī)律研究人類移動性及車輛的運動規(guī)律[75-76]。以上研究對傳統(tǒng)意義上發(fā)生在均質(zhì)平面中的流事件進行了描述和建模，但對于道路網(wǎng)絡空間中的人、車、物移動形成的活動流，目前尚且缺乏全面、統(tǒng)一的建模與表達方法。

為此，下列將從道路動態(tài)場景感知及流模式分析的角度，構建道路網(wǎng)絡空間活動流模型，給出活動流的一階核密度估計和二階相關性分析，形成道路網(wǎng)絡空間活動流的時空建模與多尺度分析理論方法。

2.1 道路網(wǎng)絡空間活動流的多尺度時空建模

人、車、物在道路網(wǎng)絡中的移動受到網(wǎng)絡空間格局與拓撲關系的影響，在道路網(wǎng)絡中呈一種連續(xù)線狀分布。道路網(wǎng)絡空間活動流模型(network activity flow model，NAFM)是對發(fā)生在道路網(wǎng)絡中的人流、車流、物流等事件和現(xiàn)象的抽象描述。NAFM的內(nèi)容主要包括：道路網(wǎng)絡活動流的多維表達和道路網(wǎng)絡活動流的定量測度兩個方面。其中，活動流的表達是對道路網(wǎng)絡活動流發(fā)生和分布的普適性表達；活動流的測度是對道路網(wǎng)絡活動流不同屬性特征的定量描述和歸納。

2.1.1 道路網(wǎng)絡活動流的時空表達

本文將在道路網(wǎng)絡空間中連續(xù)移動、具有確切起止點和發(fā)生過程的活動和事件稱為道路網(wǎng)絡空間活動流，表達為

NAm=[IDm,(Sm,STm),(Em,ETm),Lm,Attrm]

其中，NAm表示第m個道路網(wǎng)絡空間活動流；IDm表示第m個道路網(wǎng)絡空間活動的編號；Sm、STm分別表示為活動事件發(fā)生的起始位置點和時間；Em、ETm分別表示為活動事件發(fā)生的終止位置點和時間；Lm用來描述活動的發(fā)生過程；Attrm表示其語義屬性，如活動目的、活動模式、類型等。

在二維表達的基礎上(圖5(a))，為了反映出活動流空間位置和屬性特征的時空協(xié)同過程，需要對道路網(wǎng)絡活動流在三維乃至多維空間中進行表達。圖5(b)所示為個體活動流在時空三維坐標系下的表達，通過將個體的移動表達為時空路徑，可以反映活動流的位置隨時間的變化情況；圖5(c)為道路網(wǎng)絡活動流的多維表達，多維時空表達不僅能夠反映活動流的時空特征，同時能夠直觀地表達活動流的多種屬性，例如速度、能耗、污染物排放等。

圖5 道路網(wǎng)絡活動流的多維表達

2.1.2 道路網(wǎng)絡活動流的測度

為了全面理解道路網(wǎng)絡活動流，需要分析活動流在不同方面的特征。總體而言，道路網(wǎng)絡活動流具有兩類特征：第1類是流的語義特征，例如流的ID、流的類型(人流、車流、貨物流等)、流的目的(通勤、居住地遷移)，或是通行模式(步行、公交車、出租車等)。第2類則是通過定量量化的方式得到的、以數(shù)值描述的特征，也稱為道路網(wǎng)絡活動流的測度，如流速度、密度等。與以歐氏距離為基本測度的平面空間點不同，道路網(wǎng)絡活動流的測度需考慮流的完整性、網(wǎng)絡幾何與拓撲等約束。表1給出了對道路網(wǎng)絡活動流特征的定量表達與描述。

表1 道路網(wǎng)絡活動流特征的定量測度

2.2 道路網(wǎng)絡空間活動流的一階特性

在對道路網(wǎng)絡空間中的流事件進行合理表達的基礎上，為了深入挖掘和理解流事件的空間模式，挖掘流事件的空間分布所隱含的人類活動特征和地理知識，需要發(fā)展一套適合于網(wǎng)絡空間背景，具有一定長度、方向和分布空間的流事件的分析方法。

空間事件分析方法主要分為以密度計算為基礎的一階分析方法和以距離度量為基礎的二階分析方法，本節(jié)主要對網(wǎng)絡流事件的一階特性(即密度特性)進行闡述。

在密度分析方面，最具代表性的方法是核密度估計(kernel density estimation,KDE)[77]。KDE方法由Parsen于1956年和1962年提出并完善，是分析空間要素聚集效應的一種重要的非參數(shù)估計方法[78-79]。不同于通過統(tǒng)計單位面積上事件個數(shù)表征樣本分布模式的樣方法，KDE方法考慮到空間事件發(fā)生和分布的地理學第一定律，即“空間位置越近的事件關系越大”，在度量空間點事件的密度的基礎上，將整個空間平面生成一個光滑的密度表面，從而分析點事件的空間聚集特征，并識別事件的高發(fā)區(qū)域[80]。

傳統(tǒng)的KDE方法基于各向同性的二維均質(zhì)空間，以歐氏距離為度量估計整個空間內(nèi)事件的密度分布。后來網(wǎng)絡KDE方法逐漸被提出并應用于網(wǎng)絡現(xiàn)象的分析和研究中[68-69]，基本原理是在密度的度量過程和結果表達中以網(wǎng)絡距離代替歐氏距離。盡管網(wǎng)絡KDE方法在最近十幾年間得到了發(fā)展，但由于網(wǎng)絡計算要比平面計算復雜得多，網(wǎng)絡KDE在方法的完善性和應用面上還遠不如平面KDE。特別是針對發(fā)生在網(wǎng)絡空間中、具有起止點并呈連續(xù)線狀分布的流事件的KDE分析方法仍然有所欠缺。

目前網(wǎng)絡流事件的分析方法主要有兩類，第1類是將線狀事件的空間分布轉化為點事件的空間分布，如文獻[68，81]分別將交叉口密度和道路中心點作為道路密度的近似；第2類直接采用平面線要素KDE方法，忽視了網(wǎng)絡空間的形狀和拓撲特征，如采用平面線事件KDE方法估計路網(wǎng)密度或軌跡密度[82-83]。表2總結了目前點事件和流事件的一階空間分析方法。

表2 點事件和流事件一階核密度估計總結

為了能夠準確度量發(fā)生在道路網(wǎng)絡空間中流事件的密度、全面分析流事件在網(wǎng)絡空間中的分布模式，文獻[90]提出了道路網(wǎng)絡活動流的核密度估計方法。該方法首先構建了活動流密度分布函數(shù)，并分析單個流事件在道路網(wǎng)絡空間中的密度分布；然后考慮到網(wǎng)絡方向和拓撲關系估計道路網(wǎng)絡空間的流密度，并顧及網(wǎng)絡節(jié)點處密度計算的特殊情況，實現(xiàn)了道路網(wǎng)絡流密度的精確估計，如圖6所示。

圖6 顧及網(wǎng)絡拓撲關系的線事件密度分布[91]

2.3 道路網(wǎng)絡空間活動流的二階特性

網(wǎng)絡流事件的二階空間分析方法主要指以距離計算為基礎的空間異質(zhì)性分析方法，其中應用最為廣泛的是Ripley 's K函數(shù)法[92]。

Ripley 's K函數(shù)法是一種平面空間點事件模式的多尺度分析方法。該方法以空間泊松分布為假設，通過在不同距離尺度下對空間點的聚集程度進行分析，識別觀測點事件在不同尺度下的聚集模式。在度量空間事件的距離并識別空間類簇的過程中，由于不同距離尺度下觀測事件的空間鄰域大小不同，度量得到的空間模式往往不同。因此，在對空間事件進行聚類分析時，需要一個合適的距離尺度作為聚類的判別標準。

Ripley 's K函數(shù)法分為全局Ripley 's K函數(shù)法(global Ripley 's K function)和局部Ripley 's K函數(shù)法(local Ripley 's K function)。前者為整個研究區(qū)域的所有點事件生成一個K函數(shù)值，判斷研究區(qū)域中事件整體是否呈聚集模式；后者能夠通過度量研究區(qū)域中各點對之間的距離實現(xiàn)不同距離尺度下類簇的定量提取[93]。

在網(wǎng)絡事件的分析方面，文獻[94]提出了網(wǎng)絡Ripley 's K函數(shù)，將Ripley 's K函數(shù)在歐氏度量空間的基礎上向網(wǎng)絡空間進行了改進和拓展。之后有學者進一步驗證了平面Ripley 's K函數(shù)法會對網(wǎng)絡事件的聚集程度產(chǎn)生過檢測[95-96]。但是目前Ripley 's K函數(shù)主要還是應用于空間點模式分析，在對線狀分布的流事件的分析方面還有所欠缺。平面空間流事件多尺度聚類分析的一種簡單方式是ESRI ArcMap中提供的Ripley 's K函數(shù)功能，其處理方式是以流事件的質(zhì)心代替整個流事件，基本原理是“以點代線”。但是對于網(wǎng)絡活動流事件，在度量其距離時既要考慮到流事件的整體性，又要考慮到網(wǎng)絡格局和拓撲關系的限制，因而網(wǎng)絡活動流的Ripley 's K函數(shù)更加復雜。表3總結了目前點事件和流事件的二階空間分析方法。

表3 點事件和流事件Ripley 's K函數(shù)研究

文獻[99]提出了一種適用于發(fā)生和分布于道路網(wǎng)絡空間中、連續(xù)分布的網(wǎng)絡流事件的多尺度聚類分析方法——道路網(wǎng)絡活動流的Ripley 's K函數(shù)分析方法。該方法在顧及網(wǎng)絡活動流的整體性和網(wǎng)絡拓撲與方向性的基礎上，發(fā)展網(wǎng)絡活動流事件的空間距離度量方法,實現(xiàn)了網(wǎng)絡空間流事件之間的距離度量，如圖7(a)所示；在此基礎上，構建了網(wǎng)絡活動流多尺度聚類分析Ripley 's K函數(shù)(NRK-F)，包括全局多尺度聚類分析Ripley 's K函數(shù)(global NRK-F)和局部多尺度聚類分析Ripley 's K函數(shù)(local NRK-F)，如圖7(b)所示；最后討論了網(wǎng)絡空間背景下流事件的隨機模擬方法，并分析了流事件在網(wǎng)絡空間中的分布模式。

圖7 道路網(wǎng)絡空間活動流的多尺度聚類分析[99]

3 道路場景高時空分辨率感知應用

基于上述構建了高精度道路地圖眾包感知理論體系和道路網(wǎng)絡空間活動流建模方法，下列闡述了靜態(tài)基礎設施“形”結構與動態(tài)活動行為“流”模式的交互方式及具體應用?？傮w而言，道路場景高時空分辨率感知應用非常廣泛，主要交互方式包括：

(1)“形”+“流”的疊置分析，如地理空間異質(zhì)性分析的人群移動感知、車流擁堵分析、能耗排放感知等。

(2)以“形”控“流”的模式分析，如交通流管控分析的城市機動車限牌、道路橋梁限號通行、車輛類型限行等。

(3)借“流”定“形”的應用分析，如道路網(wǎng)絡規(guī)劃建設的基礎設施選址、城市道路規(guī)劃、復雜路網(wǎng)優(yōu)化等。

本文立足于測繪、地理學科視角，以“形”“流”疊置分析應用為例，簡要闡述道路場景“形”結構與“流”模式交互作用下的“人-車-物”感知應用，如圖8所示。

圖8 道路場景高時空分辨率感知應用

3.1 道路網(wǎng)絡空間下的人流感知分析

人群流動是影響城市內(nèi)部社會經(jīng)濟活力、基礎設施建設、公共服務設施配置，以及城市道路交通狀態(tài)、居民住宅、生態(tài)環(huán)境等諸多方面的重要因素之一[100]。人流空間是由人、空間、設施、信息技術等要素，以及它們之間互動關系抽象組成的城市復雜網(wǎng)絡空間。其中，人群是人流空間中最為核心及活躍的主題，人群在不同城市空間之間的流動構建起了空間的交互聯(lián)系，同時促進了其他要素在該空間內(nèi)的相互關聯(lián)、聚集或擴散，從而推動了城市形態(tài)結構與功能分區(qū)的發(fā)展[5]。

近年來，已有諸多國內(nèi)外學者圍繞人群的流動與城市空間結構特征、功能分區(qū)及其時空耦合關系，以及流動空間下的時空模擬預測等展開了豐富的研究。具體而言，在城市空間結構特征與功能分區(qū)方面，文獻[101]對手機信令數(shù)據(jù)進行了空間聚類和密度分級，用于識別城市公共中心的等級和職能類型；文獻[102]分析和比較了上海市不同等級商業(yè)中心消費者數(shù)量的空間分布特征，探討了不同等級商業(yè)中心的消費者空間分布特點；文獻[76]利用出租車GPS軌跡數(shù)據(jù)，將哈爾濱城市區(qū)域劃分為400個不同的交通區(qū)，并通過分析工作日和周末的出發(fā)點和目的地分布，理解不同時空分布下的人群移動特征。兩者時空耦合關系研究方面，諸多學者通過探究城市空間活力[103]、城市熱點區(qū)域[104-105]、空間步行可達性[106]、城市擇醫(yī)等級[107]及社區(qū)生活圈[108-109]等研究主題，揭示城市空間結構分布對人群流動的影響及時空異質(zhì)特征。而在城市空間人流時空模擬預測方面，目前研究主要集中在交通領域，利用此類數(shù)據(jù)蘊含的高精度流動信息，采用深度學習、圖網(wǎng)絡、復雜網(wǎng)絡等技術方法，探究構建城市人流模擬預測的技術方法框架[5,110-111]。

在人流行為探測感知方面，一類集中在人流時空分布與移動模式，文獻[112]顧及道路網(wǎng)絡POI信息及地理鄰域相關特性，構建了基于情境感知的非負張量分解模型，用于從城市異構數(shù)據(jù)中挖掘并解釋人群移動模式；文獻[15]提出了基于主活動區(qū)域的人流時空分布算法，用于分析基于居住地的人類日常移動模式。另一類主要探究人群流動的異常行為，文獻[113]利用實時動態(tài)的交通路況信息和手機定位請求數(shù)據(jù)，通過融合STL時序分解技術與極端學生化偏差統(tǒng)計檢驗的時間序列異常探測方法，監(jiān)測和分析暴雨內(nèi)澇災害事件中城市道路交通和人群活動的時空響應特征。文獻[114]提出了一種結合現(xiàn)實空間交通數(shù)據(jù)與賽博空間社交媒體數(shù)據(jù)的城市活動事件時空建模分析方法，探測識別與事件顯著相關的城市時空區(qū)域和交通流，刻畫事件全過程中城市地理空間與行為空間的人流時空演變特征。

3.2 道路網(wǎng)絡空間下的城市交通流感知

交通網(wǎng)絡作為人群流動、社會活動與經(jīng)濟發(fā)展的基礎，影響著城市內(nèi)部空間結構與城市間交互關系的形成[115]。因此，開展交通流研究，特別是城市路網(wǎng)交通流的理論研究，對于促進城市的可持續(xù)發(fā)展具有重要作用。

近年來，利用時空軌跡數(shù)據(jù)感知道路網(wǎng)絡的運行狀態(tài)成為GIS領域的重要研究方向。一般而言，交通流的研究可以分為3個尺度：區(qū)域/路網(wǎng)尺度、道路/路段尺度及車道/轉向尺度[116]。在區(qū)域/路網(wǎng)尺度上，學者主要從宏觀角度研究交通狀態(tài)與城市空間結構、土地利用、路網(wǎng)形態(tài)的關系[117-118]。在道路/路段尺度上，已有文獻通過各路段駛過車輛的平均速度或通行時間感知交通狀態(tài)，如使用環(huán)路探測器[119]、道路攝像頭[120]等；然而，這兩種數(shù)據(jù)的獲取都需要依賴固定傳感器，價格昂貴且空間覆蓋范圍有限。采用社交媒體文本[121-122]挖掘實時交通信息是目前新興的城市動態(tài)交通流感知方法，但由于社交媒體數(shù)據(jù)的定位精度低、滯后性和發(fā)布人群的有偏性，其在大規(guī)模交通事件探測方面應用有限。浮動車GPS數(shù)據(jù)的每條記錄都包含其ID、時間戳、經(jīng)緯度和行駛速度；且由于車輛在城市道路上行駛，如果軌跡數(shù)據(jù)的密度足夠大，可以覆蓋城市道路網(wǎng)絡[118]。因此，較高的路網(wǎng)覆蓋率和采樣頻率使得GPS軌跡數(shù)據(jù)成為交通信息的重要數(shù)據(jù)源，為動態(tài)交通流的探測奠定了基礎。

在時空軌跡數(shù)據(jù)的基礎上，筆者遵循地理學經(jīng)典的“格局-過程-機理”的研究范式，以感知道路交通流狀態(tài)、理解區(qū)域關聯(lián)及演化規(guī)律、洞察流動模擬預測為研究邏輯線索，對道路網(wǎng)絡空間下的城市交通流進行建模與分析。

目前車輛GPS軌跡已經(jīng)成為滴滴、百度、高德等互聯(lián)網(wǎng)和地圖服務商為用戶提供即時交通信息的主要數(shù)據(jù)源。在利用車輛軌跡進行交通流狀態(tài)感知方面，主要集中在對交通狀態(tài)異常的探測與分析，如交通擁堵、交通事故等。例如，文獻[119，123]從歷史GPS軌跡中探測出周期性交通擁堵的時空分布模式；文獻[124]利用GPS軌跡聚類獲得了道路上較精細的擁堵范圍。事件檢測方面，基于對浮動車數(shù)據(jù)的預處理，文獻[125]歸納分析了不同類型的事件檢測方法，并提出基于卷積神經(jīng)網(wǎng)絡的交通事件自動檢測算法；文獻[126]通過分析交通事件發(fā)生時的交通參數(shù)特性，提出了一種改進的累積和算法，用于復現(xiàn)事件發(fā)生路段軌跡。

基于對道路交通狀態(tài)的感知，學者能夠對交通流進行更深層次的認知與理解，如分析擁堵區(qū)域之間的關聯(lián)性和演化傳播規(guī)律。文獻[127]利用出租車軌跡數(shù)據(jù)分析了道路交通狀態(tài)的自相關模式；文獻[128]從城市道路的幾何形態(tài)和拓撲結構特征出發(fā)，提出了基于交通狀態(tài)變化的路段空間識別規(guī)則，用于描述道路交通狀態(tài)變化影響的空間異質(zhì)性；文獻[129]基于探測到的交通擁堵事件，對其傳播模式進行了可視化分析。

在狀態(tài)感知、機理分析的基礎上，通過抽象道路間交互作用機制，選取合適的量化測度方法，采用神經(jīng)網(wǎng)絡、機器學習、遷移學習等方法構建交通流模擬預測模型[130-131]，展開不同道路場景下的驗證評估。近年來，基于歷史GPS軌跡實現(xiàn)交通狀態(tài)預測、交通擁堵預測、通行時間預測及路徑規(guī)劃等是當前研究的熱點。文獻[132]提出了一種基于注意力的動態(tài)時空神經(jīng)網(wǎng)絡市區(qū)交通流量預測模型，采用多層三維卷積捕捉城市區(qū)域交通流動性，改進的殘差結構結合空間注意力機制對空間依賴性進行建模分析；文獻[133]基于馬爾可夫模型進行道路擁堵的時空分布預測；文獻[134]基于捕獲的潛在交通狀態(tài)，提出了一種基于馬爾可夫鏈的改進方法，通過考慮鄰接路段的時空相關性估計路徑旅行時間；文獻[135]將出租車司機經(jīng)驗作為先驗知識，提出約束深度強化學習算法，在線計算不同時間段內(nèi)OD間的最快路線。

然而，目前在車道/轉向尺度上的交通狀態(tài)研究仍然較少，極大程度上依賴于車道級高精度交通數(shù)據(jù)。車道級方面，文獻[136]利用車道級線圈與交通信號燈數(shù)據(jù)探測車道級擁堵路段；文獻[137]通過考慮車輛換道、轉向和直行等不同行車特點，建立車道級路段行車代價模型，提出了一種分層路徑軌跡搜索方法，以支持自動駕駛的車道級軌跡規(guī)劃。轉向級方面，文獻[138]提出一種基于出租車GPS軌跡的轉向級交通擁堵事件感知方法，用于分析交叉口不同轉向的擁堵時間、擁堵強度和擁堵距離等轉向級精細交通擁堵狀態(tài)(圖9(a))；文獻[89]利用低頻時空GPS軌跡數(shù)據(jù)，分析了交叉口的不同通行模式(左轉、直行和右轉)，動態(tài)確定不同通行模式下的交叉口范圍，建立了不同轉向下通行時間的模糊回歸模型，實現(xiàn)了對交叉口通行時間的準確探測(圖9(b))；文獻[139]利用低頻GNSS軌跡數(shù)據(jù)，提出了基于圖卷積網(wǎng)絡的轉向級交通流預測方法(圖9(c))：首先，顧及軌跡點間車輛運動模式，提出一種排隊起始點估計模型；其次，基于對偶圖理論構建轉向連通關系的圖結構；最后，基于圖卷積神經(jīng)網(wǎng)絡提出一種顧及轉向時空模式的交通預測模型。

圖9 轉向級交通流的精細感知[89,116,138-139]

3.3 道路網(wǎng)絡空間下的能耗與排放流感知

隨著我國城市化進程的不斷加快，作為派生需求的交通運輸業(yè)也實現(xiàn)了顯著增長，使得城市交通系統(tǒng)的能源消耗及污染物排放成為道路網(wǎng)絡空間“物”流感知的研究熱點。

據(jù)統(tǒng)計，2019年交通運輸業(yè)直接能耗4.39億噸標準煤，占全社會能耗的9.01%[140]。日益增長的交通碳排放不僅影響著城市環(huán)境和氣候，也嚴重阻礙了城市生態(tài)文明建設和可持續(xù)發(fā)展。2019年國務院印發(fā)的《交通強國建設綱要》中強調(diào)將生態(tài)文明建設和交通運輸發(fā)展相融合，推進城市交通綠色低碳發(fā)展。2021年中央經(jīng)濟工作會議中提出落實2030年應對氣候變化國家自主貢獻目標，力爭實現(xiàn)2030年前碳達峰、2060年前碳中和的目標；而城市交通運輸作為主要的碳排放源之一，是實現(xiàn)“雙碳”目標的重要發(fā)力點。

應用排放模型對車輛能耗及排放進行估計是當前研究熱點。近幾十年來，大量能耗、排放估計模型得到發(fā)展，如美國環(huán)保局開發(fā)的MOVES模型[141]、歐洲環(huán)境署開發(fā)的COPERT模型[142]、美國加州空氣資源局開發(fā)的EMFAC模型、國際可持續(xù)發(fā)展研究中心與加州大學河邊分校開發(fā)的IVE模型等[143-144]。文獻[145]利用高頻GPS軌跡數(shù)據(jù)，以車輛加速度為代入?yún)?shù)估計了新加坡城區(qū)的路網(wǎng)機動車排放量；文獻[146—147]利用GPS軌跡數(shù)據(jù)得到出租車在各軌跡段的平均速度、行駛里程等參數(shù)，并與COPERT模型結合，分別估計了上海和成都路網(wǎng)的能耗和排放時空分布；文獻[148]將時間地理學中的時空路徑概念引入車輛時空行為特征的分析中，提出了一種基于出租車軌跡數(shù)據(jù)的油耗與排放估計方法。具體而言，該方法首先在時空三維坐標系下建立個體車輛的時空路徑，并從中識別單個車輛的移動/停留行為，用于對移動參數(shù)的提取及各時空路徑段的活動分析。在此基礎上，通過區(qū)分時空路徑中的冷啟動階段和熱啟動階段，利用微觀模型(CMEM)對燃料消耗及排放進行更加精細的估計。

在交通可持續(xù)發(fā)展與治理策略方面，文獻[149]從人、車、路、交通基礎設施和交通環(huán)境5個方面分析了衡量低碳交通對城市交通生態(tài)環(huán)境貢獻的主要指標。文獻[150]通過分析城市交通系統(tǒng)結構及各要素因果關系，將城市交通能耗與排放系統(tǒng)劃分為：人口、經(jīng)濟、私家車、公共交通、物流與貨運、交通基礎設施、能源消耗與排放等7個子系統(tǒng)，并利用系統(tǒng)動力學方法建立城市交通減排治理決策模型。文獻[151]探討了城市交通碳減排的激勵機制與實現(xiàn)途徑，包括發(fā)展TOD模式、推進節(jié)能減排技術應用、激勵低碳行駛、培育低碳出行文化等方式。

4 結 語

道路場景作為道路基礎設施與活動行為共同構成的綜合體，承載著城市范圍內(nèi)與城市間大量的人口和物質(zhì)要素流動[5]。大數(shù)據(jù)時代，人人都是城市地理信息的使用者、感知者和采集者。由大眾采集的手機定位、車載GNSS軌跡、社交媒體、公交地鐵刷卡等時空大數(shù)據(jù)，是現(xiàn)代社會人類與交通空間交互所產(chǎn)生的一種時空大數(shù)據(jù)，具有采集簡單、成本低、空間覆蓋廣、時間連續(xù)性好等優(yōu)點，為高時空分辨率道路場景感知提供了可能。

道路場景靜態(tài)基礎設施要素通常分為點狀、線狀、面狀與體狀要素，利用時空大數(shù)據(jù)能夠對不同類型的城市基礎設施進行探測。點狀要素如興趣點(POI)獲取、道路交叉口識別等；線狀要素如道路、地鐵等交通網(wǎng)絡的提取與變化檢測；面狀要素的提取主要集中在城市形態(tài)、土地利用類型、結構功能分區(qū)等方面；體狀要素指立體交叉口、多層次交通空間等。

在動態(tài)活動行為“流”感知方面，突破了傳統(tǒng)的點模式分析局限，構建了道路網(wǎng)絡空間活動流模型，給出了活動流的一階核密度估計和二階相關性分析，形成了道路網(wǎng)絡空間活動流的時空建模與多尺度分析理論方法。

基于上述構建的高精度道路地圖眾包感知理論體系和道路網(wǎng)絡空間活動流建模方法，本文闡述了靜態(tài)基礎設施“形”結構與動態(tài)活動行為“流”模式的交互方式，并以“形”“流”疊置為例，探究了道路場景下“人-車-物”地理多元流的感知應用。人流感知主要分為人流行為探測感知和人流-城市耦合關系兩大類；前者集中在人流時空分布與移動模式、人群流動的異常行為探測等方面；后者主要圍繞人群的流動與城市空間結構特征、功能分區(qū)及其時空耦合關系、流動空間下的時空模擬預測等展開了豐富的研究。車流感知目前主要集中在道路/路段尺度，實現(xiàn)道路交通流狀態(tài)的探測、區(qū)域關聯(lián)及演化規(guī)律的認知和道路交通狀態(tài)的預測及路徑規(guī)劃等。物流感知層面，本文集中在對道路網(wǎng)絡空間下車輛移動所產(chǎn)生的能耗及排放流的感知與分析。