基于泛在位置數(shù)據(jù)的城市道路網(wǎng)精細建模

鄧敏1，佘婷婷1，黃金彩1，劉慧敏1，張建國，鄭旭東

(1.中南大學地球科學與信息物理學院，湖南長沙，410083；2.博通智慧城市研究院，湖南長沙，410007)

道路網(wǎng)地理空間數(shù)據(jù)作為國家基礎地理信息的重要組成部分，在智慧城市、智能交通以及居民日常生活方面發(fā)揮著重要的作用。隨著城市交通的迅速發(fā)展，道路網(wǎng)結構日益復雜，幾何拓撲精細、語義信息豐富、更新速度高的精細道路網(wǎng)信息成為智能交通和智慧城市建設中的關鍵需求。然而，傳統(tǒng)的道路網(wǎng)數(shù)據(jù)采集方法需通過專業(yè)人員測繪或者衛(wèi)星影像矢量化等，需要投入大量的人力和物力，成本較高[1]。新興的泛在位置數(shù)據(jù)如車輛軌跡數(shù)據(jù)、社交媒體簽到數(shù)據(jù)、興趣點POI數(shù)據(jù)等具有來源廣泛、實時、語義信息豐富等優(yōu)點，在道路網(wǎng)幾何、拓撲、語義的精細建模方面具有巨大的潛力，因此，利用泛在位置數(shù)據(jù)進行道路網(wǎng)精細建模已成為當前研究的熱點問題。目前，基于泛在位置數(shù)據(jù)的道路網(wǎng)提取算法主要包括柵格化方法[2-4]、增量融合法[5-7]以及聚類法[8-10]。其中，柵格化方法的核心思想是將軌跡數(shù)據(jù)轉化為灰度圖像或者密度圖像，采用數(shù)學形態(tài)學方法對圖像進行膨脹和腐蝕操作來提取道路網(wǎng)；增量融合法主要以隨機選取的1條軌跡作為初始路段，不斷融入新軌跡線作為新增的路段，并提取整體道路網(wǎng)；聚類化法主要對軌跡點或軌跡線進行聚類并獲得點簇或線簇，通過連接聚類中心點或線來提取道路網(wǎng)。這些方法主要用于提取道路網(wǎng)幾何形態(tài)，且結構不夠精細，尤其在交叉口處，幾何拓撲結構信息丟失嚴重。此外，道路網(wǎng)語義信息(如道路名稱、等級、速度信息)對于提供個性化導航服務、實現(xiàn)智能交通管控等方面具有重要作用。國內外相關學者利用泛在位置數(shù)據(jù)提取道路語義信息估計道路的平均行駛時間[11-12]，對提取車道速度限制[12]、擁堵[13-15]和道路等級[12,16]等進行了研究，這些信息的獲取通常需要與已有道路網(wǎng)匹配。然而，道路網(wǎng)日新月異的變化導致匹配的效果和效率都很不理想，難以提取道路網(wǎng)語義信息。為此，本文作者提出一種利用泛在位置數(shù)據(jù)對城市道路網(wǎng)幾何、拓撲、語義進行精細建模的方法。首先，提取道路交叉口的位置和范圍信息，實現(xiàn)交叉口和路段的分治；然后，針對道路交叉口內軌跡和路段軌跡進行分類，實現(xiàn)道路網(wǎng)精細的幾何拓撲結構建模；最后，利用簽到POI等位置文本和軌跡速度信息，提取道路交叉口轉向規(guī)則、道路名稱、速度等語義信息。

1 道路交叉口和路段分治策略

1.1 交叉口的位置和范圍提取

據(jù)統(tǒng)計，60%的軌跡都為低頻采樣軌跡[17]。由于低頻軌跡數(shù)據(jù)存在定位精度低、采樣稀疏等問題，若根據(jù)角度方向閾值識別轉向角變化較大軌跡點，則難以準確識別道路交叉口的位置和區(qū)域。然而，大量的軌跡點傾向于在交叉口處表現(xiàn)出較相似的時空、語義特性；軌跡點轉向角亦具有較強空間相關性，表現(xiàn)為交叉口區(qū)域的高值正相關(熱點)和路段區(qū)域的低值正相關(冷點)。采用局部空間自相關分析[18]探測交叉口內軌跡轉向角熱點，并利用自適應空間點聚類方法[19]進行熱點聚類，識別交叉口的位置、范圍。

令T={P1,P2,…,PN}為任一軌跡，其中，Pi為軌跡第i個采樣點，

式中：i=1，2，…，N；xi為軌跡點Pi的橫坐標；yi為軌跡點Pi的縱坐標；ti為軌跡點Pi的當前采樣時間；νi為軌跡點Pi的瞬時速度；θi為軌跡點Pi的瞬時行駛方向角。利用熱點分析識別道路交叉口位置和范圍，如圖1所示。圖1(a)中，軌跡轉向角定義為ai=|θi-θi-1|。軌跡點轉向角的局部空間G*統(tǒng)計值[18]為

圖1 利用熱點分析識別道路交叉口位置和范圍Fig.1 Identifying location and boundary of road intersections by hotspot analysis

式中：N為空間鄰域內軌跡點i的鄰域軌跡點個數(shù)。wij為點pi的空間權重。局部G*統(tǒng)計值是一種度量空間要素自相關程度的指標，用以測度空間要素與周圍領域要素之間的相關程度，其中，正相關表示該要素與周圍鄰域要素的屬性(如軌跡點轉向角)呈正相關性，分為熱點(高值正相關)和冷點(低值正相關)。某個軌跡點劃分為熱點的鄰域內軌跡點的轉向角都普遍較大，在空間上聚集于道路交叉口內，如圖1(b)所示。局部G*統(tǒng)計能有效避免空間異常的影響，對軌跡點的噪音具有穩(wěn)健性。本文將1%置信區(qū)間(G*＞2.58)下的熱點識別為交叉口軌跡點。

軌跡轉向角熱點分析能有效區(qū)分交叉口區(qū)域軌跡點和非交叉口區(qū)域軌跡點。進而，利用自適應空間點聚類算法(即ASCDT算法[19])進行熱點空間聚類，以區(qū)分不同道路交叉口并提取交叉口的數(shù)量、位置和范圍。ASCDT算法能夠有效處理軌跡熱點的不同形狀、密度和等級所造成的空間異質性。通過分析ASCDT算法得到的結果，認為空間點簇的個數(shù)即為交叉口的個數(shù)，每個空間點簇的最小外接圓所覆蓋的空間區(qū)域為道路交叉口的覆蓋范圍。

1.2 交叉口出入口檢測

道路交叉口定義為連接3條及以上分支道路的區(qū)域[20]，而每條分支道路都有1個入口和出口(單向通行道路只有1個入口或出口)。車輛軌跡由于受交叉口幾何、拓撲結構的限制，會從分支道路的入口進入交叉口，并選擇另一出口離開交叉口區(qū)域，因此，每條軌跡會在交叉口區(qū)域產(chǎn)生1個入口點和出口點，稱為候選入口點和候選出口點。這些候選出入口點可通過計算軌跡和交叉口范圍的交點得到。

設軌跡T的一段{Pi,Pi+1}與交叉口邊界相交，并產(chǎn)生候選出入口點。由于低頻軌跡具有低質量、低采樣率等特性，{Pi,Pi+1}可能與多個交叉口相交，如圖2所示。軌跡Tj的一段{Ps,Ps+1}與56號和57號交叉口相交。對于某一特定交叉口，軌跡段{Pi,Pi+1}與其空間相交關系僅包含以下3種：

1){Pi,Pi+1}進入交叉口，產(chǎn)生1個候選入口點ei，如軌跡Ti的一段{Pi,Pi+1}與47號交叉口相交，產(chǎn)生1個候選入口點ei。

2){Pi,Pi+1}離開交叉口，產(chǎn)生1個候選出口點ej，如軌跡Ti的一段{Pj,Pj+1}與47號交叉口相交，產(chǎn)生1個候選出口點ej。

3){Pi,Pi+1}通過交叉口區(qū)域，同時產(chǎn)生候選入口點ek和候選出口點et，如軌跡Ti的一段{Pk,Pk+1}與58號交叉口相交，產(chǎn)生候選入口點ek和候選出口點et。

圖2 軌跡分段Fig.2 Track segmentation

基于上述軌跡段{Pi,Pi+1}與道路交叉口空間相交關系的類型，對研究區(qū)域內軌跡進行空間分段，可得到研究區(qū)域內所有軌跡與交叉口的交點，即候選出入口點。提取候選出入口點的計算流程見算法1。

其中：CM為研究區(qū)域中提取得到的所有交叉口數(shù)據(jù)；Cm為與該軌跡相交的交叉口數(shù)據(jù)集；s為循環(huán)變量；Cs為Cm的子集。根據(jù)算法1，可在研究區(qū)域內識別所有候選入口點Eentr和出口點Eexit。記錄這些候選點所屬軌跡ID、所屬交叉口ID、坐標(x，y)等信息，將這些候選點進行標準化記錄為

式中：K為研究區(qū)域中共有K個候選出入口點；ttid為點ei所屬的軌跡編號；cid為點ei所屬的交叉口編號；(x,y)為點ei的坐標；tp用以表示點ei為候選入口點(tp=0)或者候選出口點(tp=1)。根據(jù)候選出入口點所在軌跡的位置，可以將軌跡劃分為交叉口內軌跡Tint(見圖2中虛線)和路段軌跡Tout(見圖2中實線)。

圖3 基于候選出入口點自適應聚類的交叉口的出入口檢測Fig.3 Intersection entrance and exit detection by adaptive clustering of candidate entrance and exit points

在提取候選出入口點E的基礎上，選擇任一交叉口內候選出入口點E(cid=i)，利用ASCDT算法對E(cid=i)進行聚類，如圖3(b)所示。該交叉口候選出入口點被識別為5個簇，為該交叉口連接了5個分支道路。將識別的簇劃分為候選入口點簇E(cid=i,tp=0)和候選出口點簇E(cid=i,tp=1)，分別計算候選入口點簇E(cid=i,tp=0)和候選出口點簇E(cid=i,tp=1)的平均坐標即為真實道路出入口位置，如圖3(c)所示，其中，紅色方框為交叉口入口點檢測結果，黑色圓框為交叉口出口點檢測結果。

2 道路網(wǎng)幾何拓撲精細建模

2.1 交叉口轉向模式聚類

2.1.1 軌跡幾何相似性度量

為了對交叉口進行精細幾何、拓撲建模，需要識別交叉口內轉向模式。記T1={P1,P2,…,Pm}，T2={P1,P2,…,Pn}為2條交叉口內軌跡，由于軌跡采樣的稀疏性，T1和T2軌跡點之間并非存在一一對應關系，從而需要對軌跡進行重新采樣。通常在2個采樣點之間以dl(通常設置為25 m)為步長，等步長插入軌跡點。然后，以r為閾值(通常設置為25 m)，定義2條軌跡之間的公共子軌跡。一般地，軌跡上可能存在多段公共子軌跡，記第i段公共子軌跡為si，最長公共子軌跡為lcstT1，計算式為

同理可計算T2的最長公共子軌跡。于是，T1與T2之間的最長公共子軌跡的相似性定義為

其中：|T1|表示軌跡T1的整體長度。

2.1.2 軌跡方向相似性度量

考慮到道路含2個不同行駛方向，識別交叉口轉向模式需要顧及軌跡方向信息。車輛軌跡的方向相似性定義為2條軌跡之間方向的差異。為量化這種差異，對軌跡T1建立一種“距離-方向”函數(shù)F1(x)，定義為

式中：x∈[0,1]，是方向函數(shù)F1(x)的獨立變量；xi∈[0,1]，是從軌跡起點到軌跡上任一點Pi的累積長度與軌跡整體長度的比例，即軌跡段{P1,…,Pi}與軌跡整體{P1,…,Pm}的長度之比；Δxi為相鄰軌跡點Pi+1和Pi累計長度比例差異；Δhi為相鄰軌跡點Pi+1和Pi的行駛方向角。由式(6)可知，“距離-方向”函數(shù)是分段線性函數(shù)，如圖4所示。

給定變量x∈[0,1]，軌跡T1和T2的“距離-方向”函數(shù)分別描述為F1(x)和F2(x)，進而軌跡T1和T2的方向相似性計算式為

圖4 軌跡的“距離-方向”函數(shù)Fig.4 “Distance-direction”function of trajectories

式中：xi和xj分別為軌跡點Pi∈T1和Pj∈T2的累積長度比率；m和n分別為T1和T2的軌跡點個數(shù)；ΔF(x)為F1(x)和F2(x)的歸一化差值，

基于軌跡的幾何相似性和方向相似性，軌跡之間的總體相似性則可定義為sim(T1,T2)=simlcst(T1,T2)×0.5+simori(T1,T2)×0.5。則軌跡之間的距離矩陣可以定義為D=(dij)N×N(其中，dij=1-sim(Ti,Tj))。

2.1.3 交叉口轉向模式聚類

由于同種轉向模式軌跡之間存在較大相似性，因而，可利用軌跡層次聚類[21]的方法，對交叉口內軌跡Tint進行聚類，用于探測交叉口內的轉向模式。在層次聚類過程中，利用“凝聚法”自底向上進行聚類，直到所有軌跡合并為1個簇為止。同時，利用Davies-Bouldin指標[22]對聚類結果有效性進行評價(即DB指標)，識別合理的轉向模式個數(shù)。本文將聚類個數(shù)設置為n1～n2(實驗中設置為2～40)，選擇DB指數(shù)最小時對應的聚類個數(shù)K為最佳聚類結果。通過分析DB指標可以發(fā)現(xiàn)，有效的聚類簇內部應足夠緊密，且簇與簇之間具有較大分離性，可通過計算簇的緊密性和分離性比率對聚類結果進行評價。因此，DB指標越小，聚類有效性越強。

2.2 路段軌跡分類

在出入口識別的基礎上，軌跡被劃分為交叉口內軌跡Tint和路段軌跡Tout，其中，可從Tout中提取路段的幾何、拓撲結構信息。通過分析交叉口連通性對路段進行幾何、拓撲精細建模。

Tout可劃分為2類：包含1個候選出入口點的軌跡和包含多個候選出入口點的軌跡。交叉口及其拓撲連接矩陣示意圖如圖5所示(其中，0表示無連接，1表示存在連接)。由圖5可知包含1個侯選出入口的軌跡所在的路段為懸掛路段，由于候選出入口點信息包含所屬交叉口編號，因此，構造交叉口之間的拓撲連接矩陣D，根據(jù)交叉口的拓撲連通性對路段軌跡進行分類。如圖5所示，矩陣內元素D(i×j)為交叉口之間的同一類連接模式，即交叉口i與j之間有軌跡連接。由于存在單向通行道路的存在，因此，矩陣D是非對稱矩陣，若存在交叉口3到5的軌跡，而5到3的軌跡不存在，則所提方法具有提取車道級道路網(wǎng)的能力。

根據(jù)交叉口之間的拓撲連接矩陣D(N×N)，可對軌跡進行分類。首先，根據(jù)D(N×N)篩選出屬于同種連接模式D(i×j)的路段軌跡Tout(i,j)；然后，利用2.1.3節(jié)所提軌跡聚類方法對Tout(i,j)進行聚類。由于受道路交叉口探測精度影響，若干道路交叉口未被探測，本文對Tout(i,j)進行聚類可識別不同連接路徑，從而考慮交叉口探測精度的影響。2條交叉口之間軌跡Tout(i,j)的不同連接模式如圖6所示，其中，實線為交叉口的不同連接路徑，本文方法能夠對其有效識別。

對于懸掛路段(圖6中虛線)，其特點在于只含1個候選出入口點，因此，分別提取每個交叉口的懸掛軌跡數(shù)據(jù)Tout(i)，根據(jù)2.1.3節(jié)軌跡聚類方法對Tout(i)進行聚類。在上述基于交叉口連通性分析和懸掛軌跡分類的基礎上，可對研究區(qū)域路段軌跡Tout進行有效分類，進而對每一類軌跡的中心線進行提取，獲得城市道路網(wǎng)的精細幾何和拓撲結構。

圖5 交叉口及其拓撲連接矩陣示意圖Fig.5 Intersections and topological connection matrix

圖6 2個交叉口之間軌跡Tout(i,j)的不同連接模式Fig.6 Different connection modes of track Tout(i,j)between intersection i and j

2.3 道路網(wǎng)幾何、拓撲結構精細建模

在對Tint和Tout進行聚類、分類的基礎上，令CL(i)為Tint或Tout的軌跡簇，采用K段主曲線算法[23]提取CL(i)的中心線即車道線，進而生成道路網(wǎng)，記為RD。

K段主曲線由VERBEEK等提出[24]，采用局部主成分分析的方法來計算第K條線段，依據(jù)光滑性連接形成主曲線，如圖7所示。K段主曲線的算法步驟主要由以下幾步組成。

Step 1：初始化。輸入軌跡點數(shù)據(jù)P=(P1,P2,…,Pn)，計算第1主成分，并取3σ為初始的線段長度，其中σ是第1主成分的標準差，得到初始線段l1和其Voronoi區(qū)域V1。

Step 2：插入新線段。若k≤kmax，則計算Pi并滿足：

式中：dist(Ps)=mind(Ps,lj)，為Ps與線段lj之間的最小距離；dist(Ps,Pj)=||Ps-Pj||2，為Ps與Pj之間距離的平方；j∈1～k。計算點Pi的Voronoi區(qū)域Vq并取Vq的第1主成分線，以3σ作為新增線段lk的長度并記錄其 Voronoi區(qū)域Vk。

Step 3：調整。若新增線段后，所有線段舊的Voronoi區(qū)域{V1，V2，…，Vk}與新的 Voronoi區(qū)域{V1′,V2′，…，Vk′}不同，則將新的 Voronoi區(qū)域賦給舊的Voronoi區(qū)域，并重復Step 2，直到Voronoi區(qū)域不變?yōu)橹埂?/p>

Step 4：優(yōu)化。將k條線段構造成哈密頓回路，并利用城市旅行商問題(TSP)進行優(yōu)化形成哈密頓回路。

3 基于車輛軌跡和簽到文本的道路網(wǎng)語義信息建模

3.1 交叉口轉向規(guī)則語義提取

交叉口內軌跡簇的轉向規(guī)則可通過挖掘每條軌跡的轉向規(guī)則得到。交叉口轉向規(guī)則判別如圖8所示。

設P1為軌跡起始點，Pm為該軌跡終點，θ1和θ2分別為P1和Pm的行駛方向角，Pi為軌跡上任一點，則該軌跡的轉向規(guī)則如下：

圖7 利用K段主曲線提取車道線Fig.7 Extracting lane lines using K-segment principal curve

圖8 交叉口轉向規(guī)則判別Fig.8 Intersection turning rules inference

1)若θ1-θ2≈ ±180°，則轉向規(guī)則為“掉頭”；2)若P1Pm×P1Pi(1＜i＜m)為正，則轉向規(guī)則為“右轉”；

3)若P1Pm×P1Pi(1＜i＜m)為負，則轉向規(guī)則為“左轉”；

4)若P1Pm×P1Pi(1＜i＜m)為零向量，則轉向規(guī)則為“直行”。

通過上述分析可得到軌跡簇內每條軌跡的轉向規(guī)則：當簇內超過50%以上軌跡判定為某一特定轉向規(guī)則時，則該轉向規(guī)則定義為軌跡簇的轉向規(guī)則；當交叉口內未發(fā)現(xiàn)某個轉向規(guī)則的軌跡簇時，則認為該轉向規(guī)則在交叉口內是禁止的。

3.2 道路名稱提取

地圖POI和微博簽到文本中包含大量與道路相關的信息，如道路名稱等。本文利用高德地圖POI和新浪微博簽到文本數(shù)據(jù)，基于Jiaba分詞技術(https://github.com/fxsjy/jiebademo)，從這些位置文本的地址字段中將道路名稱劃分出來。如對于POI地址“湖北省武漢市江漢路527號，武漢美術館對面”，利用Jieba中文分詞之后的結果為：“湖北省/武漢市/江漢路/527/號/，/武漢/美術館/對面”。進而，提取出含有“路”“大道”“街道”和“街”關鍵詞的詞語。

由于POI數(shù)量眾多，密度空間分布差異大，可將POI與道路網(wǎng)進行匹配，以50 m為緩沖區(qū)，提取道路路段的緩沖區(qū)內的POI數(shù)據(jù)，如圖9所示。然后，基于Jieba分詞技術提取其緩沖區(qū)內POI所含道路名稱，生成道路名稱頻度直方圖，并選取頻度最大的道路名稱為該路段道路名稱。從圖9可見：示例路段的名稱可以描述為“丁字橋路”。

3.3 道路網(wǎng)平均速度提取

將所提取道路網(wǎng)按100 m進行重采樣(即速度信息識別的空間分辨率設置為100 m)，記為RD={e1,e2,…,em}，并將GPS軌跡點與所建模的道路網(wǎng)進行匹配。于是，道路網(wǎng)RD的每條邊ei都有若干GPS點(記為Pei={P1,P2,…,Pni})與之匹配，這些GPS點的時間和速度信息可用于提取道路網(wǎng)的速度信息。將Pei劃分為24個時段，統(tǒng)計路段ei在24個時段內平均速度信息，從而獲得整個路網(wǎng)RD在24個時段內的速度信息。

4 實驗結果與分析

4.1 實驗數(shù)據(jù)

為驗證本文方法的有效性，選取武漢市武昌區(qū)一塊靠近長江南岸、面積約13 km×11 km的區(qū)域作為實驗區(qū)域。該研究區(qū)域為武漢市人口、經(jīng)濟、商業(yè)較集中的區(qū)域，包含武昌火車站等交通樞紐和洪山廣場等商業(yè)中心，并包含復雜道路網(wǎng)結構。如研究區(qū)域內包含了十字路口、T型路口、Y型路口、立交橋、環(huán)形路口等各種形態(tài)各異、結構復雜的道路交叉口。此外，在武昌火車站附近，道路網(wǎng)密度高，交叉口密集，適合驗證本文所提方法在處理復雜路網(wǎng)、密集路網(wǎng)的有效性。選取2014年5月1日的浮動車GPS軌跡數(shù)據(jù)，包含1 129 466個軌跡點，經(jīng)重采樣和預處理后，含60 045條軌跡線。

4.2 道路交叉口位置和范圍探測

利用熱點分析和聚類方法對交叉口的位置和范圍進行探測，結果如圖10所示。

圖9 利用緩沖區(qū)內POI進行道路段名稱提取Fig.9 Road name extraction using POI in buffer for

圖10 研究區(qū)域交叉口探測結果Fig.10 Results of intersection detection of study area

從圖10可見：轉向角熱點主要分布于交叉口區(qū)域，表明熱點分析的有效性；此外，研究區(qū)域包含大量復雜類型的道路交叉口，空間分布密度不一、形態(tài)各異、大小和范圍差異巨大，采用本文方法較好地探測了道路交叉口的位置和范圍。為了對道路交叉口探測結果進行定量評價，采用本文方法與文獻[24]中方法分別計算交叉口探測結果的精度P、召回率R和F，表達式為：

式中：tp為正確探測交叉口數(shù)量；fp為錯誤探測交叉口數(shù)量；fn為未探測交叉口數(shù)量。通過與百度地圖、高德地圖進行人工判別，經(jīng)統(tǒng)計發(fā)現(xiàn)本文所提方法共識別道路交叉口157個，正確識別136個，錯誤識別21個，未識別26個。由式(10)可知：本文方法交叉口探測精度P、召回率R和F分別為86.6%，84.0%和85.3%；文獻[24]所提方法共識別道路交叉口186個，正確識別138個，錯誤識別48個，未識別24個，因而，交叉口探測精度P、召回率R和F分別為74.2%，85.2%和79.3%。圖11所示為本文方法和文獻中[24]中方法所提路網(wǎng)與遙感影像的疊加對比結果。從圖11可以發(fā)現(xiàn)：本文方法提取的道路骨架與影像中道路更加吻合，包含更少誤提取的懸掛路段；同時，本文方法計算的交叉口探測精度P以及F明顯比文獻[24]中方法的效果好。從圖11(b)可以發(fā)現(xiàn)本文方法可以有效地提取精細的復雜道路交叉口。

4.3 道路網(wǎng)幾何拓撲、語義精細建模結果

道路網(wǎng)精細幾何拓撲結構、道路名稱信息和速度信息的建模結果如圖12所示。

從圖12可見：所生成的道路網(wǎng)具有名稱、方向、速度等信息，在路段上包含2條車道線，也體現(xiàn)了本文方法在道路網(wǎng)精細建模方面的優(yōu)勢。其中，圖12(b)所示為立交橋區(qū)域模擬結果，由于高程差異導致立交橋幾何結構復雜，本文成功地對其進行了精細建模；圖12(b)和(c)所示為較復雜道路交叉口模擬結果，其中，圖12(b)左上角所示為包含高架式立交橋模擬結果，圖12(c)所示為環(huán)形路口模擬結果。圖12(d)～(f)所示分別為十字路口、“T”型路口、“Y”型路口較常見道路交叉口?？梢姡芯繀^(qū)域包含的道路交叉口形態(tài)各異、結構復雜，所提方法對研究區(qū)域道路網(wǎng)實現(xiàn)了精細建模，在路段和交叉口幾何拓撲結構上，具有精細車道線；在語義信息方面，提取了道路網(wǎng)名稱、速度等信息。

圖11 本文方法與文獻[24]中方法提取路網(wǎng)與遙感影像比較Fig.11 Comparison between remote sensing image and road network extracted by methods in the paper and Ref.[24]

為了驗證本文方法道路名稱提取結果的有效性，通過對高德地圖、百度地圖進行人工判斷，共識別含名稱的道路237個，其中正確識別的道路名稱為229個，錯誤識別的道路名稱為8個，未識別的道路名稱有8個，因而，道路名稱識別的精度P、召回率R和F分別為97.0%，96.6%和96.8%，表明本文方法在復雜城市場景下道路網(wǎng)幾何、拓撲、語義精細建模方面的有效性。

將所建模道路網(wǎng)的平均速度信息劃分為24個時段，統(tǒng)計道路網(wǎng)24個時段內的平均速度，并劃分到[0，5)，[5，10)，[10，15)和[15，+∞)共4個區(qū)間內，分析其時空特征。圖13所示為其中4個主要時刻道路網(wǎng)平均速度的空間分布情況。從圖13可見：道路網(wǎng)平均速度的空間分布在一定程度上表征了道路擁堵的時空分布特征。

本實驗中采用2014年5月1日的車輛GPS軌跡數(shù)據(jù)對道路網(wǎng)平均速度進行演化分析，可以發(fā)現(xiàn)：1)9:00—12:00，武昌火車站附近具有明顯的擁堵現(xiàn)象，這可能由于“五一節(jié)”旅游人數(shù)增多，導致上午在武昌火車站附近呈現(xiàn)明顯的車流高峰，并且一直持續(xù)到12:00；2)在24個時段內，研究區(qū)域下方的立交橋附近較少出現(xiàn)車輛行駛緩慢的現(xiàn)象，表明該區(qū)域無擁堵出現(xiàn)；3)武珞路作為武漢市較繁華的路段，從8:00—16:00都具有明顯的車輛行駛緩慢現(xiàn)象，而16:00后車行緩慢現(xiàn)象減輕；4)雄楚大道與嶺南路交叉口處，在9:00—12:00易發(fā)生擁堵，交通緩慢，此外，在20:00—23:00容易發(fā)生擁堵，表明該交叉口具有重要的交通地位。整體上看，10:00—12:00的擁堵情況最嚴重，這種擁堵現(xiàn)象可能與“五一節(jié)”假期出行高峰有關，16:00—22:00則易出現(xiàn)局部車行緩慢現(xiàn)象。

圖13 道路網(wǎng)若干典型時段內平均速度信息Fig.13 Road network average speed information of several typical time

5 結論

1)道路網(wǎng)精細幾何、拓撲、語義信息是實現(xiàn)智能交通、導航及行車規(guī)劃的前提。泛在位置數(shù)據(jù)由于具有動態(tài)、實時的特性，為道路網(wǎng)精細信息的實時獲取提供了新的數(shù)據(jù)源。

2)本文提出一種城市道路網(wǎng)幾何、拓撲、語義信息一體化精細建模方法。利用武漢市車輛軌跡數(shù)據(jù)進行實驗分析，驗證了本文方法的有效性。所提方法可以滿足快速實時道路網(wǎng)幾何、拓撲、語義信息精細獲取需要，為智慧城市建設、智能交通系統(tǒng)提供支持。