[论文解读] Inferring Taxi Status Using GPS Trajectories

Yin Zhu, Yu Zheng+4 more|arXiv (Cornell University)|May 20, 2012

Human Mobility and Location-Based Analysis参考文献 25被引用 25

一句话总结

本文提出一种两阶段模型，利用GPS轨迹推断出租车状态——载客、空驶或停车。该模型结合单条轨迹与历史轨迹的特征工程，融合道路网络数据，采用停车检测算法对轨迹进行分段，并应用隐半马尔可夫模型（HSMM）与局部概率分类器，提升状态推断的准确性，在600辆出租车的真实世界数据集上表现优异。

ABSTRACT

In this paper, we infer the statuses of a taxi, consisting of occupied, non-occupied and parked, in terms of its GPS trajectory. The status information can enable urban computing for improving a city's transportation systems and land use planning. In our solution, we first identify and extract a set of effective features incorporating the knowledge of a single trajectory, historical trajectories and geographic data like road network. Second, a parking status detection algorithm is devised to find parking places (from a given trajectory), dividing a trajectory into segments (i.e., sub-trajectories). Third, we propose a two-phase inference model to learn the status (occupied or non-occupied) of each point from a taxi segment. This model first uses the identified features to train a local probabilistic classifier and then carries out a Hidden Semi-Markov Model (HSMM) for globally considering long term travel patterns. We evaluated our method with a large-scale real-world trajectory dataset generated by 600 taxis, showing the advantages of our method over baselines.

研究动机与目标

• 通过从GPS数据中推断实时出租车状态，支持城市计算。
• 解决利用不完整且嘈杂的GPS轨迹对出租车状态（载客、空驶、停车）进行分类的挑战。
• 通过准确的出租车状态检测，提升交通规划与交通管理能力。
• 开发一种可扩展且稳健的方法，适用于大规模城市出租车车队。

提出的方法

• 从单条轨迹与历史GPS轨迹中提取有效特征，整合道路网络数据。
• 设计停车状态检测算法，于停车事件处将轨迹分割为子轨迹。
• 利用提取的特征训练局部概率分类器，以预测每个轨迹点的状态。
• 应用隐半马尔可夫模型（HSMM）以建模长期时间依赖性，提升全局状态推断能力。
• 采用两阶段推断模型：先进行局部分类，再通过HSMM实现全局优化。
• 在包含600辆出租车的大规模真实世界数据集上验证该方法，评估其性能。

实验结果

研究问题

• RQ1 如何从稀疏且嘈杂的GPS轨迹中准确推断出租车状态？
• RQ2 从轨迹、历史数据和地理上下文提取的哪些特征最能支持状态分类？
• RQ3 如何可靠地检测停车事件，以实现轨迹的有意义分段以提升推断效果？
• RQ4 建模长期出行模式在多大程度上能提升状态预测的准确性？
• RQ5 在真实场景中，所提出的两阶段模型与基线方法相比表现如何？

主要发现

• 所提方法在600辆出租车的真实世界数据集上，显著优于基线方法，实现出租车状态分类。
• 历史轨迹与道路网络数据的整合，提升了特征的相关性与分类准确性。
• 停车检测算法成功识别停车事件，实现了有意义的轨迹分段。
• 两阶段模型结合局部分类与基于HSMM的全局建模，其准确率高于仅使用局部或全局组件的模型。
• HSMM组件有效捕捉了长期时间模式，减少了状态转换的误分类。
• 该方法在大规模城市GPS数据上表现出鲁棒性与可扩展性，支持实际的城市计算应用。