利用词向量模型分析城市道路交通空间相关性

• Published in: Ce hui xue bao Vol. 46; no. 12; pp. 2032 - 2040
• Main Author: 刘康;仇培元;刘希亮;张恒才;王少华;陆锋
• Format: Journal Article
• Language: Chinese; English
• Published: Beijing Surveying and Mapping Press 01.12.2017
• Subjects: Driving conditions; Embedding; Heterogeneity; Interpolation; Machine learning; Natural language processing; Roads & highways; Segments; Spatial heterogeneity; Temporal variations; Traffic; Traffic models; Transportation; Travel; Word2Vec; 交通相关性; 出行路径; 浮动车数据
• ISSN: 1001-1595; 1001-1595
• DOI: 10.11947/j.AGCS.2017.20170166

刻画城市道路之间的交通相关性是提高交通插值及预测水平的基础。现有研究及应用通常假设一定空间或拓扑距离内的道路相互之间具有相关性,这种方式忽视了道路之间交通影响的时空异质性。例如,上游道路交通流通常不会均匀扩散到所有下游道路,而是集中在特定方向上。道路之间产生交通影响和交互作用的根本原因是大量机动车辆穿梭其中。为从数据驱动的角度度量道路之间的交通相关性,从而顾及其时空异质性,本文利用词向量模型Word2Vec从大量机动车出行路径中挖掘道路之间的交通交互影响关系。首先把“路段-路径”类比为“词-文档”;其次利用Word2Vec模型从大量路径（文档）中为每条路段（词）训练出一个实数向量（词向量）;然后以向量之间的余弦相似度度量对应路段之间的交通相关性;最后利用交通状态数据对结果进行验证。以北京市200万条出租车出行路径为数据进行试验,结果表明：（1）平均水平上,向量相似度越高的邻近路段,其交通状态变化趋势也越相似,证明了本文方法可以正确度量道路之间的交通相关性,并刻画出其空间异质性;（2）工作日早、晚高峰及节假日路段之间的交通相关性大于工作日平峰和周六日,其合理性体现了本文方法可以正确捕捉道路交通相关性的时间异质性。本文方法及分析可为交通规划、诱导等提供方法论和理论基础。