《城市出租车上下客的GPS轨迹时空分布探测方法》(阅读笔记)20171229

《城市出租车上下客的GPS轨迹时空分布探测方法》2015

Abstract：

本文将出租车不同时段上下客量投影到城市路网上，提出采用线密度概念和模型，对出租车上下客进行时空分布特征探测和分析，刻画不同时间粒度，不同空间尺度上出租车上下客的时空变化规律，为乘客找到出租车和出租车找到客源提供可靠的依据。

BASELINE：

1、提出一种能表达复杂时间的时间元组

原文如下：

2、声明 ：基于离散点的聚类方法无法准确描述出租车上下客点的位置

原文如下：

现有的点密度算法或聚类算法都基于离散点，这些算法在实现中往往会忽略和割裂FCD点之间的关联性

在出租车GPS轨迹数据中，有一个属性是描述出租车是否载客的状态信息，其中1 表示载客，0 表示空载，由于GPS采集的出租车轨迹数据时间间隔大约40~60 s，使轨迹数据中无法准确获得上下客点位置

3、提出了 基于线密度 探测出租车上下客事件 的方法

线密度定义：
假定一条不规则形状的曲线R，赋予一个权值W表示在 曲线R 上出现的线性事件的量。给这条曲线添加任意多个节点，这些结点将曲线R打断成多个子线 段R1，R2，…，Rn，相应地分别赋予每个子线段一个权值W1，W2，…，Wn，这些权值即代表某个子线段 Ri 上出现的线性事件发生的量，那么，子线段Ri 上 线性事件经过的量Wi与在曲线R上出现的线性事 件的量W的比值，即为在该子线段Ri 上该线性事 件的线密度LD(Line Density)，表示如式（1）所示。

$$LD={W_i\over W}$$

文章发现，线密度越大，发生该线型事件的概率越大

4、参考文献中，有两篇文献值得后续阅读

[ 6 ] 孙飞,张霞,唐炉亮,等.基于GPS轨迹大数据的优质客源时空分布研究[J].地球信息科学学报,2015,17(3):329-335. (OK)

[14] Li B, Zhang D, Sun L, et al. Hunting or waiting? Discovering passenger-finding strategies from a large-scale realworld taxi dataset[C]. 2011 IEEE International Conference on Pervasive Computing and Communications Workshops, 2011:63-68. (OK)

思考：

能否利用文中提到的用‘线密度’描述出租车上下客事件的方法，去描述载客点聚集区域？那么描述子不是一个个点，而是一个矢量，所构建的时空分布图是什么样的呢？