同一条轨迹,能同时告诉乘客、司机和包裹该怎么走吗?
论文名片|Wanyi Zhang、Fei Meng、Chengwu Liao、Chao Chen,Enabling Smart Mobility for People and Beyond With Heterogeneous Trajectory Data,IT Professional,2024,26(5):71–78,当前版本日期 2024 年 10 月 1 日。DOI:10.1109/MITP.2024.3428333。本文依据该期正式版解读。这是一篇面向智慧出行的框架性特稿,并用作者已有的两项任务说明框架落到数字上时长什么样。
一辆已经接上乘客的出租车,车上同时叠着几件事。乘客想知道还要多久、这条路是不是在绕;司机想少堵一会儿、再多完成一单;后备箱若还有空位,一个包裹也想搭上这段本来就要走的路。城市部门还可能希望这辆车顺路看一看环境,而不必另派一辆专用监测车。
这些要求都落在同一串轨迹上,轨迹本身却不说明该先满足谁。按需叫车把人和车的匹配放进手机平台,平台记下位置、时间,以及上下车前后的数字足迹。于是问题从“有没有数据”变成:同一批异构轨迹里,哪些知识属于人群的共同移动,哪些只属于某一个人,货物这种人以外的对象能不能共用这套知识。
这篇文章把轨迹知识分成多数人的群体移动和少数人的个人特征,再按乘客、司机、城市规划者、旅行者和货物说明各自要用哪一层。文中带着明确分母的数字只有两处,都来自作者回看自己的已有任务:出行目的的 F1 随活动类别差得很远;用出租车顺路带货时,配送请求变多,送成的比例下降。
先说结论
- 信息物理世界里的轨迹被归纳成三点:可以大规模汇集,同时带有时间、地点和情境,并且分别留下乘客、司机和规划者的决定。这是对数据含义的划分,文中没有新的采集规模统计。
- 行为理解被排成由易到难的五级:识别移动、为移动建模、预测移动、推断移动意图、再借移动促成行动。服务一旦改变出行,下一批轨迹也会改变,所以整条路径被画成闭环。闭环画在框架图上,文中没有服务上线前后的轨迹对比。
- 出行目的实验使用北京和上海。图的纵轴是各类别 F1(%)。正文只点名上海的两个结果:交通(Transportation)超过 80%,餐饮(Dining)低于 50%。柱上没有标出其余精确数值,也没有样本量、标注来源和对照模型。
- 顺路寄件使用纽约超过 19,000 辆出租车的路网与 GPS 轨迹。实验横轴上每日配送请求大约 10,000 单的那一档,被作者视为接近真实情景:完成量大约 9,500 单,成功率超过 94%。成功率的分母是当日配送请求数,不是出租车数。请求继续增加时,完成量上升,成功率下降。
同一批轨迹里,群体规律和个人特征各指向哪里?
按需叫车出现之前,乘客和出租车在路上彼此寻找,行程不透明,也难调度、难监管。平台把双方接进同一套实时订单和位置信息之后,轨迹可以从蜂窝网络、车载 GPS 或手机汇入数据中心。作者把这种数据称为信息物理世界(cyberphysical world)中的轨迹:人还在路上移动,匹配、下单和记录已经发生在线上。
他们强调三个特点。遍在,是指轨迹不再依赖路边偶然相遇,而能被多种设备持续积累。异构,是指一条记录至少可以包含三类信息:经纬度、时间戳,以及用来描写该位置行为或地点的情境,例如目的地周围的兴趣点(points of interest,POI)或土地利用。代表性,是指一次行程里不同人做了不同决定:乘客决定从哪里出发、前往哪里,司机决定走哪条路,规划者对政策和道路设施的管理则间接体现在车怎么在路网上移动。
因此同一条轨迹要分开读。对乘客,轨迹覆盖行程前后去过哪里、做过什么,以及城市中更细的移动。对司机,它包含日常路线,也包含载客和找客两种状态下车辆的物理运动。对规划者,全市轨迹只能间接反映管理和设施如何影响车辆,并不能直接记录某项政策文本。

图 1|同一批轨迹里,群体规律和个人特征分别通向哪些服务?
图中没有子图字母。左侧轨迹数据分成上下两支。上方是多数人的移动知识,包括统计性的群体移动、时空演化模式和实时群体移动,箭头指向异常警报、城市规划、区域画像、疫情防控、交通监测与预测、众包货运和群智感知。下方是少数人的移动知识,概括为意图、偏好、驾驶风格等,箭头指向广告、推荐和主动驾驶辅助。右侧上下两个服务框都标着智慧城市服务。这些箭头表示作者给出的知识与服务对应关系,图中没有测量服务效果。来源:原论文 Fig. 1。
上方三类知识的用途在正文里有分工。统计性的群体移动用来识别偏离日常的异常移动,服务安全。时空演化用来描写人流如何随时间和空间变化。这两类一起被看作城市规划、区域画像和疫情防控这类全局工作的输入。实时群体移动告诉城市里车队现在在怎么走,供群智感知(crowdsensing,用已有车辆顺路采集城市状态)和众包货运(crowd-shipping,用行程中的剩余运力捎带货物)使用。三类又都被认为有助于预测和监测拥堵与行程时间,并进一步支持导航、路径、调度和事件检测。
下方的个人知识更细。乘客历史上去过的地点暗示偏好,目的地的功能、特征和土地利用用来推测此行想做什么。司机的粗粒度路线对应服务策略,加速度、方向变化这类细粒度运动对应驾驶风格。图 1 列出的服务只是例子,作者写明还可能有别的服务。
需求、知识和服务,为什么要连成闭环?
已有工作各有侧重:有的梳理一般的人类移动模式,有的预测乘客与司机的需求,有的在轨迹稀疏时估计行程时间。本文想把带情境的轨迹用到更宽的对象上,包括人,也包括人以外的货运。

图 2|智慧出行为什么被画成一个会改写下一轮轨迹的闭环?
图中没有子图字母。左侧是人的移动:不同参与者产生行为,行为留下轨迹。轨迹进入下方的行为理解,先做数据基础处理,再做数据挖掘,向上得到知识。知识支撑右侧的智慧服务。中间的需求分析接收参与者的要求,也把要回答的问题交给行为理解。最上方的箭头从服务返回人的移动,表示服务会改变之后的出行,从而改变下一批轨迹。来源:原论文 Fig. 2。
需求分析要先问三件事:服务包含哪些功能,需要什么知识,使用哪种数据形式。作者说需求通常靠对市民和游客的调查收集,安全和费用是主要牵动因素。文章没有给出问卷人数、城市或题项,所以这一步停留在流程位置上。
行为理解被放在中间,并分成五级,由易到难依次是:识别移动、为移动建模、预测移动、推断移动意图、借移动促成行动。原始轨迹先要经过挑选、清洗、地图匹配、压缩和隐私保护。隐私手段被举为匿名或差分隐私,目标是保留可用分析、同时不暴露个人身份。随后的挖掘可以是统计、常规数据挖掘、机器学习、表示学习、深度学习和强化学习。意图这类隐含信息往往还要轨迹以外的情境,单靠坐标不够。
服务开发时,需求决定做什么,知识决定怎么做,同时还要考虑真实环境里的计算能力和系统限制。图 2 的返回箭头是这个框架最强的主张:智慧服务不只读取轨迹,还会改变移动,于是改变之后被记录下来的轨迹。这个闭环被用来说明可持续,文中没有测量某一项服务上线后轨迹分布移动了多少。
五类对象各自调用哪一层知识?
后面的讨论先把移动分成两类。公共移动指公交、火车、地铁等大运量系统上的行程,轨迹沿线路和站点集中,反映的群体知识更整齐。私人移动指私人车辆或按需服务上的个人行程,更分散,作者认为需要更个性化的方案。乘客、司机和货物主要按私人移动来写;规划者主要按公共移动来写;旅行者则两类知识都可以用。这是组织材料的口径,文中没有把同一任务在公交轨迹和出租车轨迹上的误差并列出来。
乘客在行程前和行程中关心时间和费用。可行做法是从历史轨迹提取各路段随时间变化的平均车速,再累加得到某条路线的总行程时间和费用。行程中的安全需求,是拿当前轨迹和历史轨迹归纳出的常走路线比相似度或距离,用来判断异常程度。行程结束后,乘客还希望得到与此行目的匹配的信息。作者举的例子是:中午从工作地前往餐饮区,可以视为用餐意图。因此要用 POI 和土地利用给起讫点对画像。也就是说,预测、异常提醒和个性化推荐可以在行程尚未结束时给出。这个例子后来会碰到一个数量上的反差:餐饮恰好是上海实验里 F1 较低的类别。
司机的要求被收成四句:知道更多、赚得更多、省得更多、开得更安全。知道更多,指实时或未来拥堵,需要路网上的实时群体移动和交通流演化。作者指出可以用卷积神经网络和图卷积网络表示城市里的空间依赖,用长短期记忆网络表示时间依赖,再预测交通需求。赚得更多,指多完成订单。轨迹被分成找客、送客和服务区域偏好;把司机的日常移动和收入连起来,才能找出高收入司机与平均收入司机差别最大的服务策略,供低收入司机学习。省得更多,既包括少花时间,也包括少花油;油耗主要联系到加减速等个人驾驶行为,比较不同路线的油耗后推荐更省油的路线。更安全,则依赖驾驶状态的转移,例如速度、加速度和航向变化,再用基于图的深度学习提取这些转移,以识别和提醒激进驾驶。这四句都是需求与可行技术的对应,本文没有报告收入差、节油量或激进驾驶的识别率。
规划者的困难是:决策会影响人怎么移动,但从轨迹观察走到决策仍然低效。文中举出图神经网络预测动态起讫需求矩阵,并把起讫分布画出来,供设置新公交线路时查看。做移动式环境监测时,规划者希望调用已经装有传感器的出租车或公交,而不是专门派车,以减少成本和人工。这种群智感知依赖任务分配和实时群体位置,作者认为出租车队适合,因为它的时空覆盖广,而且能实时回传轨迹。这里的省成本和省人工是动机,本文没有给出节省的金额或人工数量。
旅行者面对的是陌生城市里的路线规划,约束有两项:有限的游玩时间,以及个人偏好。偏好来自旅行者在景点、商场等地点留下的数字足迹;各段所需时间来自移动出租车的历史轨迹。两部分合在一起,才能生成个性化游览路线。文章没有给出路线被采纳的比例或时间估计误差。
货物把速度和费用放在对立的位置上。人和货的运营方式有重叠:二者都是沿路网把对象运到目的地。作者因此考虑出租车队的额外装载能力,让包裹“搭便车”。历史出租车轨迹用来找出包裹站点之间预计行程时间下的短路径;车队实时上报的轨迹和状态,包括起点、终点和剩余运力,再交给包裹改道和出租车调度。目标是用更少的车和司机满足更多配送,从而减轻拥堵、污染和费用。这个目标在下一节只有送达比例和完成量的实验结果,污染和费用本身没有测量。
两个已有实验,数字到底落在什么分母上?
作者用两项自己的任务把上述框架落到结果上。
第一项是出行目的预测,想在不使用敏感个人信息的条件下理解乘客意图。输入是车辆 GPS 轨迹和公开的 POI 签到,用来描写行程情境和活动语义。模型是双注意力图嵌入网络,用来表示行程情境之间的复杂关联,并输出目的类别。评估数据来自两座城市的真实数据集;图例把它们标为北京和上海。正文没有写轨迹条数、时间范围、标注由谁完成,也没有写与哪个基线模型比较。
第二项是用正在载客的出租车捎带包裹,做成按时送达的快递系统。效率评估使用纽约路网,以及超过 19,000 辆出租车产生的 GPS 轨迹。图中横轴是每日包裹配送请求数,不是出租车数,也不是某一次人口普查里的真实包裹总数。大约 10,000 单这一档,被单独称为接近真实情景。

图 3|出行目的和顺路带货,各自在什么基线上发生变化?
(a)纵轴为各类别 F1(%),刻度从 0 到 100;青绿柱是北京,橙色柱是上海。横轴九类从左到右为休闲(Recreation)、户外(Outdoors)、购物(Shopping)、餐饮(Dining)、教育(Education)、交通(Transportation)、回家(Homing)、健康(Health)、工作(Working)。柱上没有数字标签。正文写明,上海的交通类超过 80%,餐饮类低于 50%。图上还可以直接看出方向:餐饮柱上海矮于北京,交通柱上海高于北京。单类 F1 只说明该活动类别被判对的相对把握,不能换成“一百次出行里对了八十次”,也不能当成拥堵预测或全体出行的总准确率。两城排序不同,上海的两个锚点不能挪到北京。
(b)横轴为每日包裹配送请求数,刻度画到 50,000;红色三角、左轴为成功率,范围 0 到 1;绿色圆点、右轴为完成量,刻度画到 25,000。请求增多时红线下降、绿线上升并逐渐变缓。正文给出的锚点是请求大约 10,000 单时,完成量大约 9,500 单,成功率超过 94%。成功率以当日请求数为分母。超过 19,000 辆是提供轨迹的出租车规模,不在横轴上。大约 9,500 与超过 94% 描述的是同一档请求,二者都带有“大约”或“超过”,文章没有把它们写成精确的 9,500/10,000。来源:原论文 Fig. 3。
把图 3(a)和前面的餐饮例子放在一起,界限就清楚了。中午从工作地到餐饮区,在叙述里是一个很直观的用餐意图;在上海的柱上,餐饮却是正文点名低于 50% 的类别。模型输出的是与标签相比的 F1,不是直接观察到的乘客意图。交通类较高,只说明这一活动类别在该实验里更容易分对。文章没有解释高或低来自类别样本量、地点语义是否清楚,还是模型结构。
图 3(b)回答的是速度和费用冲突里的一个操作问题:请求变多以后,捎带系统还能送成多少。完成量上升同时成功率下降,说明多送和按时送成不能在这张图里同时变好。作者把大约 10,000 单称为接近真实情景,这是他们选定的参照档,不是算法在任意单量下都保持 94% 以上。曲线右端成功率更低,文中没有规定多低仍然可以接受,也没有把拥堵、污染或费用的下降写成实测结果。
作者把哪些问题留在数字外面?
数据可以继续加。可穿戴设备、社交媒体能把行为知识写得更细,也会带来隐私问题。哪些数据可以用、怎样安全地用,文章列为未决问题,没有给一个数据清单或隐私预算。
模型一侧有两道张力。深度网络被写成当前用轨迹建模人类移动时表现领先的工具,但计算量大,难以放进无处不在、又要及时响应的场景;效果和轻量需要一起考虑。另一道张力是可解释性。深度模型常被当作黑箱,输出难以建立信任,学到的有效知识也不便继续分析。对敏感任务,用不用深度模型本身就是问题。本文的出行目的模型正是一个深度嵌入网络,文章没有展示它的注意力或图结构如何对应某一次行程的理由。
更直接卡住图 3 的是真值。轨迹里嵌着许多行为,出行目的和驾驶风格却往往不能被准确记录或标注。没有真值时,研究者常用聚类得到隐含知识的粗略分布,由此做出的应用仍然缺少把握。因此,上海交通类超过 80%、餐饮类低于 50%,是模型相对一套未说明标签的类别 F1;它不能当成乘客真实意图的观测比例。驾驶风格、收入策略和油耗之间的关系,本文同样没有真值实验。
作者随后把下一步放在四个方向:轨迹的地图匹配和压缩要能在计算有限的手机上及时完成;用基于位置的社交网络、激光雷达和摄像头给轨迹补上语义和路面情境;车与车协作需要邻车实时位置,轨迹共享在定位、车联网和 5G 发展后可能成为位置来源;出租车队的移动还可以继续承担顺路感知和顺路货运,把人的智慧出行延伸到别的城市功能。这些是展望,不是本文新做的实验。
一句话总结
同一条轨迹可以拆成群体移动和个人特征,分别支撑乘客、司机、规划、旅行和顺路货运;本文能量化展示的,是上海出行目的里交通类 F1 超过 80%、餐饮类低于 50%,以及纽约出租车轨迹上每日请求大约 10,000 单时完成大约 9,500 单、成功率超过 94%,请求再多则成功率下降。
核心来源
- IT Professional 正式版,核对题目、作者、卷期、页码与 2024 年 10 月 1 日的当前版本日期。图 1 至图 3 均出自这一版本。
- 顺路寄件系统来自作者引用的 CrowdDeliver:Chao Chen 等,IEEE Transactions on Intelligent Transportation Systems,2017,18(6):1478–1496,DOI:10.1109/TITS.2016.2607458。纽约实验里大约 10,000 单、大约 9,500 单和超过 94% 写在 2024 年这篇文章正文中;2017 年论文的其余设定,本文没有逐项复述。
- 出行目的实验在本文中没有单独给出先前论文、代码或数据入口。正文只说明使用两座城市的车辆 GPS 与公开 POI 签到,以及双注意力图嵌入网络。
作者介绍
以下身份与研究方向均来自论文末尾的作者简介,不另补论文未列出的职务。
- Wanyi Zhang:重庆大学博士后,博士毕业于意大利特伦托大学。研究方向为普适计算与情境识别。
- Fei Meng:重庆大学博士生,硕士同样来自重庆大学。研究方向为面向智慧城市的多源异构数据挖掘与信息融合。
- Chengwu Liao:中国联通重庆高级算法工程师,博士毕业于重庆大学。研究方向为面向智慧城市的移动计算与深度学习。
- Chao Chen:重庆大学计算机科学正教授,通信作者,博士毕业于法国索邦大学。研究方向为普适计算、绿色物流和智慧城市大数据分析。论文写明工作部分受国家自然科学基金 62322601、62172066 以及重庆优秀青年基金 CSTB2023NSCQJQX0025 资助。
延伸思考
以下是 AI 基于论文结果所作的延伸,不属于原论文结论。
若把出行目的直接接成行程中的推荐,上海这张柱状图会先挡住餐饮。论文用“中午从工作地去餐饮区”说明用餐意图很好懂,但上海餐饮类 F1 低于 50%,交通类超过 80%。九个类别如果共用一个触发规则,正文拿来举例的餐饮,恰好落在没有过半的那一档。更谨慎的用法是:在上海,自动建议先只从交通类这种写明超过 80% 的类别起步,餐饮类先做成可以忽略的提示。其余类别柱上没有数字,也没有类别样本量,还不能排进同一个自动触发名单。
顺路寄件也不该把超过 94% 当成车队的固定成绩。这个比例的分母是大约 10,000 单每日请求,完成量大约 9,500 单;图上请求增加到数万单时,红线下降、绿线只是变缓地上升。运营要先写出可以接受的成功率,再回到这张图上看对应的请求规模。把 10,000 单理解成唯一真实需求,会忽略作者只是称这一档接近真实情景;只追求右端的完成量,则会接受更低的送达比例。拥堵、污染和费用是否因此下降,仍要另测。
框架图里的返回箭头还提醒一件部署时才会出现的事。目的预测和捎带调度一旦改变乘客、司机和包裹的路线,下一轮 GPS 就不再是训练当时的轨迹。图 3 的柱高和曲线没有包含这种自我改写。上线后至少要用新轨迹重算类别 F1,以及在同一请求分母下重算成功率,才能知道闭环是把原来的数字保住了,还是把餐饮类和高峰请求档推得更差。