面向港口停留区域识别的船舶停留轨迹提取方法

郑振涛 赵卓峰 王桂玲 徐垚

摘 要：针对港口停留区域识别时船舶轨迹大数据的精度低、稀疏、漂移等问题，提出了一种多约束条件下的船舶停留轨迹提取（MPTSSE）方法。首先，结合船舶轨迹数据特点，给出了用于停留区域识别与提取的停留段概念的定义;其次，建立了基于速度、时间差、停留时长、距离等多约束的轨迹停留段提取模型和并行化轨迹停留段提取算法;最后，基于Hadoop框架给出了船舶轨迹大数据集上的轨迹停留段提取算法实现。基于真实船舶轨迹数据的实验结果表明，与基于Stop/Move模型的轨迹停留提取方法相比，MPTSSE方法在三个港口泊位的提取中准确率提高了22%。MPTSSE方法能有效避免轨迹停留段误分割情况，同时在大规模船舶轨迹数据下具有较高的执行效率。

关键词：港口停留区域;船舶轨迹数据;停留轨迹;多约束提取;Hadoop框架

中图分类号： TP312

文献标志码：A

Abstract： Ship trajectory data shows the characteristics of low precision， sparseness and trajectory drift for the port parking area recognition. To improve the accuracy of port parking area recognition based on ship trajectory big data， a Multi-constrained and Parallel Track Stay Segment Extraction （MPTSSE） method was proposed. Firstly， the definition of stay segment based on ship trajectory data was given as a basic concept for parking area identification. Secondly， a stay segment extraction model based on multiple constraints， such as speed， time difference， dwell time and distance， was introduced. Furthermore， a parallel trajectory stay segment extraction algorithm was proposed. Finally， Hadoop framework was adopted to implement the proposed algorithm. In comparison experiments with the trajectory stay segment extraction method based on Stop/Move model based on real ship trajectory big dataset， the accuracy of MPTSSE is increased by 22% in berth recognition of three ports. The MPTSSE method can effectively avoid misdivision of track stay segment and has better execution efficiency under large-scale ship trajectory dataset.

Key words： port stay area; ship trajectory data; trajectory stay trajectory; multi-constrained extraction; Hadoop framework

0 引言

港口停留区域主要包括锚地和泊位两类场所。其中，锚地是指供船舶在水上抛锚以便安全停泊、避风防台、等待检验引航、从事水上过驳、编解船队及其他作业的港口水域;泊位是指港区内能停靠船舶的位置，即一艘设计标准船型停靠码头所占用的岸线长度或占用的停船位置。目前，传统的港口停留区域的识别主要采用人工调绘、遥感影像的方式，这样的方式成本较高，更新周期长，难以满足实际应用需求。此外由于锚地和泊位与陆地交通领域的兴趣点（Point Of Interest， POI）不同，锚地区域等POI信息可能会随着不同季节或者港口地理环境的改变而出现锚泊区域扩大和缩小的情况。港口停留区域是连接海洋运输的关键节点，对于港口整体规划、运营管理以及指导船舶航行等都具有重要意义。

船舶轨迹数据是通过船舶自动识别系统（Automatic Identification System， AIS）收集得到一系列船舶位置数据。随着AIS的广泛应用，长期以来积累的船舶轨迹数据也不断丰富，从而使得利用船舶轨迹数据识别得到港口泊位和锚地的停留区域成为可能。这种方式可以有效解决传统勘测方式成本高、更新缓慢的问题。具体反映到港口停留区域方面，由于船舶在港口泊位卸载货物、乘客上岸或者在港口附近的锚地等待进入泊位时具有不同的行为模式，使得在港口停留区域的船舶轨迹数据表现出不同的停留特征，因此，如何在大量的船舶轨迹数据中提取符合泊位及锚地停留模式的轨迹就成为了识别泊位和锚地停留区域的关键。

当前停留点或停留区域的识别工作主要集中在陆地交通领域，研究者提出了多种基于轨迹数据的停留点提取方法，大致可以分为集成地理背景信息的方法，基于轨迹导出特征的方法和基于密度聚类的方法以及逐级合并的停留識别方法。文献[1-2]从地理背景信息出发，通过检测移动对象相对于不同地理实体，例如兴趣点和感兴趣区域（Region Of Interest， ROI）的时空关系来识别轨迹停留。具体来说，这类方法通过计算轨迹在地理实体内部或其邻域范围内的累积连续停留时间来判断轨迹在该处是否存在停留行为。该类方法适用于在已有地理背景数据环境下查询或挖掘轨迹与地理实体间联系的应用，但无法从地理背景信息缺失的区域提取出停留信息。文献[3]使用基于轨迹导出特征的方法来提取停留轨迹信息，通过在轨迹中诸如速度、加速度、点密度、转向角、信号缺失等一个或多个特征上设置规则，从轨迹数据中提取出停留信息。由于轨迹停留识别的最佳特征选取往往取决于特定的数据或应用，使得该类方法的通用性受到一定程度的制约。文献[4-6]基于密度聚类的方法提取停留数据，该方法要求具有大量高精度位置数据，而不适合船舶AIS轨迹数据采样稀疏、轨迹点易丢失和存在大量噪点的情况。张治华[7]提出了逐级合并的方法来提取停留点轨迹数据，该方法虽然在一定程度上克服了噪点数据对停留识别的影响，但是其简单的合并策略易导致不同停留的合并。

船舶在水面上航行，船舶之间间距大、行动网络无约束、时空跨度大、速度相对较低等特点，使得船舶轨迹数据表现出不同于陆地交通轨迹数据的特征。船舶在港口卸载货物或者在港口附近的锚地或者港外锚地等待进入泊位时具有不同的行为模式，使得在港口停留区域的船舶轨迹数据具有不同的停留模式。此外，陆地交通轨迹停留点提取方法一般还可以利用丰富、准确的路网信息和地理信息来帮助提取轨迹停留数据，而由于船舶是在不受限的海面上航行，海域地理信息相对不完善，船舶轨迹数据和陆地交通数据相比，由于自身的运动特征以及地理信息的不完善，从而使得基于地理信息来提取船舶停留轨迹的方法不太可行。

针对已有的轨迹停留点提取方法存在的局限性和基于轨迹大数据的背景下，本文提出了一种基于船舶轨迹大数据的多约束并行化停留点提取（Multi-constrained and Parallel Track Stay Segment Extraction， MPTSSE）方法，并针对由于船舶轨迹大数据的精度低、稀疏、漂移等的问题造成的完整停留轨迹段被误分割成多个停留段的问题进行了改进。

1 船舶轨迹大数据

轨迹数据是移动对象的位置和时间的记录序列，它一直是交通运输工程、交通地理学分析研究的主要数据源，例如，轨迹数据中比较常见的车辆的时空轨迹，目前对陆地轨迹数据开展的研究比较多[8-10]。

船舶轨迹是关注区域内所有船舶运动路线的记录。当考察船舶运动总体演变过程时，可忽略单条船只尺寸及其船体姿态变化，此时单条船只被视为点状的运动目标，相应的航迹便被记录为时间有序的数据列表。船舶轨迹数据包含了船舶在每一个采样点对应的时间戳、经纬度、航首向、对地航向、速度等动态信息以及船舶本身的静态信息。海量船舶轨迹数据可用于挖掘船舶行为组合的总体特征。船舶运动模式的考虑因素包括内在属性、空间约束、环境条件和他船影响等。

目前的船舶轨迹数据主要来自AIS自动采集的数据，一年的数据量达到120GB，包括全球范围大约8000艘油轮、货轮以及客船的轨迹数据。实际应用中所使用的船舶轨迹数据是对原始AIS轨迹数据进行“动静关联”处理后的数据。所谓动静关联的处理指的是把轨迹数据对应的船舶的一些静态属性信息（例如世界标准时间（Coordinated Universal Time， UTC）、水上移动通信业务标识码（Maritime Mobile Service Identify， MMSI）、国际海事组织的识别码（International Maritime Organization， IMO）、经度、纬度以及船舶长度和宽度等）和轨迹数据的动态信息进行关联。文中使用的数据是基于动静关联的AIS数据，动静关联的数据字段有27个字段，其中包括10个动态数据字段，14个静态数据字段以及3个计算字段。本文使用部分数据字段，并对部分数据字段作一个简要说明。

轨迹的数据格式如表1所示。

船舶轨迹数据和陆地交通轨迹数据相比，主要存在以下几个不同的特点：

1）轨迹数据精度低。船舶AIS采集间隔较长（10～15s），传统的基于密度聚类的方法来提取停留区域则无法适用。

2）轨迹漂移性。船舶在锚地和泊位区域停留时如果遇到风浪等天气时会发生漂移现象，按照传统的停留点提取方法容易出现一条完整的轨迹停留段被误分割成多个停留段的问题。

3）轨迹稀疏性。出于安全考虑，船舶之间的距离比较远，基于轨迹导出特征的方法来提取停留信息也不太可行。

2 基于船舶轨迹数据的停留区域识别基础概念

目前，船舶轨迹分析一般包括以下步骤：数据采集、数据清洗、数据存储及管理、轨迹数据几何操作、轨迹数据分析策略选择和轨迹分析结果的输出[11]。使用船舶轨迹数据进行停留区域识别时，则需要对船舶的停留行为特征进行刻画。船舶的停留行为一般发生在港口区域附近，船舶在经过一段时间航行到达目的港区域时，一般会在码头靠泊或者在锚地区域抛锚。在港口附近表现为停留和聚集模式，此时的船舶轨迹具有相似的运动特征和几何特征，基于这些特征对船舶的靠泊和锚泊行为进行描述分析。本章引入停留段的概念来描述船舶在停留区域的轨迹集合。

定义1 轨迹。Pi=（ti，xi，yi），0

船舶在海上航行到达目的港后，会在港口区域附近停留。在此时间范围内，轨迹的地理空间变化范围比较小，速度接近于0或者低速行驶，船舶停留一段时间后一般会返航或者继续航行前往下一个目的地。这说明船舶的停留行为表现出是一段停留轨迹，由一些停留的轨迹点组成，这些停留点的集合被称为停留段。

定义2 停留段Stop=（Pk，Pk+1，…，Pk+n）。其中，Pk轨迹点满足一定的条件：1）轨迹速度小于一定的阈值;2）这种停留状态需要持续一定的时间。

从定义2中可以得到，船舶停留轨迹点不单是由轨迹点的速度来定义的，而是由轨迹点的速度特征和时间特征共同决定。此外由于受到轨迹采集误差的影响，从船舶轨迹提取停留數据时需要加上相邻轨迹点的时间约束和距离约束。在船舶停留期间，会有大量的停留轨迹生成，停留轨迹点数目也作为一个约束条件。

由于AIS轨迹数据量比较大，采集间隔比较稀疏，此外大多数的轨迹停留点提取方法都针对陆地交通轨迹，船舶在海上航行的时候，船舶与受限于公路网络中移动的车辆不同，其移动在空间上几乎是无约束的;其次船舶轨迹数据历时长且动态变化平缓[12]，因此船舶的轨迹和陆地交通的轨迹相比会有明显不同的运动特征。

3 多约束条件下港口停留区域识别与提取方法

由于船舶轨迹数据采集间隔比较稀疏，岸基AIS采集信号存在丢失现象，因此会产生大量的噪点数据，常见的噪点数据类型有经纬度越界、时间格式不正确、轨迹点丢失等。这会对提取轨迹停留段产生比较大的影响，因此需要对轨迹数据进行预处理，例如：删除动态信息表中MMSI编码为0的记录;删除明显错误的AIS数据（如速度出现负值，速度>15m/s，经度>180°，纬度>90°等）。

港口停留区域识别与提取的方法如图1所示，包括：①运用多约束条件下的并行化提取轨迹停留段算法提取轨迹停留段;②综合运用分类模型、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类和聚簇合并的方法提取港口停留区域。

3.1 基于多约束的并行化轨迹停留段提取MPTSSE算法

算法思想 对于船舶轨迹数据首先按照MMSI分类进行处理，每个船舶对应着唯一的MMSI号，由于原始轨迹是乱序排列的，因此首先对轨迹数据按照时间戳采集顺序进行排序，任何相邻的轨迹点都是时间上相邻的轨迹点。

接下来依次遍历轨迹点，如果遇到轨迹点的速度小于速度阈值maxV，则把这个轨迹点作为候选停留段的第一个停留点，此外由于船舶轨迹数据中含有大量的噪点数据，仅仅基于速度阈值得到的候选停留点可能不是真正位于港口停留区域的轨迹点，因此对候选停留点添加相邻轨迹点的距离约束和时间差约束条件，判断相邻轨迹点的时间差值和距离差值是不是在给定的阈值范围内，如果轨迹点同时满足速度阈值、相邻轨迹点的时间差阈值和距离阈值三个条件，则把这个轨迹点添加到候选停留段集合中。

如果遇到一个速度大于速度阈值的轨迹点，考虑到船舶在锚地抛锚和在泊位停泊的时候会出现漂移现象。在这些港口停留区域的某个时刻，船舶的速度和相邻两个点的距离阈值不满足设定的阈值，但是此刻的轨迹点仍然是属于轨迹停留段，因此需要考虑这种现象。对于这种情况，接下来计算这个轨迹点P的前后各m个轨迹点，考虑到对应轨迹点P的前后各m个轨迹点有可能超出了轨迹停留段的范围，因此需要对轨迹点P前后各m个轨迹点添加一个速度约束和距离约束条件，从轨迹点P前后分别得到满足约束条件的轨迹点集合，计算这些点集的平均速度值和距离阈值，如果计算得到的平均速度阈值和距离阈值满足设定的速度阈值和相邻两个点的距离约束条件，则认为这个轨迹点仍然是轨迹停留段的一部分，这样就避免了一条完整的轨迹停留段被错误分割成多个轨迹停留段的问题。如果计算得到的平均速度和相邻两个点的距离都不满足速度阈值条件和距离约束条件，则把轨迹点P的前一个轨迹点作为候选停留段的最后一个点。

船舶在港口停留区域一般会产生大量的停留轨迹点，本文算法设置一个轨迹点数目的约束条件，判断候选停留段的轨迹点段数目是否满足数目约束条件。

船舶可能在异常情况下偶尔停船，但是这些停留轨迹段并不是港口停留区域的一部分，船舶在锚地抛锚和码头泊位靠泊的时候会有一定的抛锚时间和靠泊时间，因此添加一个停留时长约束条件。判断候选停留段集合的停留时间是不是满足停留时长st阈值条件，候选停留段的停留时长的计算使用候选停留段集合中第一个点对应的时间戳与候选停留段集合中最后一个停留点的时间差值，如果计算得到的值满足停留时长约束条件时，则把这个候选停留段作为停留段保存起来。由于船舶在航行过程中的航行时间比较长，因此一条MMSI船舶对应的轨迹数据可能会包含多个停留段。MPTSSE提取算法步骤如下：

1）确定速度阈值maxV，停留时长阈值st，相邻两个轨迹点的时间差阈值T，距离阈值Dis。

2）对MMSI船舶对应的轨迹线数据，按照采集时刻进行排序。

3）定义候选停留点集合L1和停留点集合L2。

4）遍历轨迹线中的轨迹点的速度属性值，如果遇到某一个时刻的轨迹点对应的速度小于速度阈值maxV和其相邻轨迹点的时间差值小于时间阈值T并且相邻两个点的距离小于距离阈值Dis，则把这个时刻对应的轨迹点作为候选停留点集合L1的第一个轨迹点并加入候选停留点集合L1中，并依次遍历，如果满足约束条件，则把轨迹点作为候选停留点加入L1中，直到遇到某时刻的速度大于速度阈值maxV。考虑到漂移现象，首先计算对应时刻轨迹点P的前后m个轨迹点，对轨迹点P前后各m个轨迹点设置速度和距离约束条件，从轨迹点P前后分别得到满足约束条件的轨迹点集合，计算这些點集的平均速度值和距离阈值，如果满足设定的速度阈值和相邻两个点的距离阈值，则认为这个轨迹点仍然属于轨迹停留段并加入候选停留点集合L1中。继续遍历轨迹点，如果轨迹点都不满足上面的约束条件，遍历结束，则把这个不满足约束条件的轨迹点的前一个轨迹点作为候选停留点集合的最后一个轨迹点。

5）判断候选停留点集合L1中的轨迹点的数目是不是大于n，如果为真，则接下来计算候选停留点集合L1中这段轨迹的停留时长，由于轨迹是按照时间戳排序后的，因此直接把L1中最后一个点对应的时间戳和第一个候选停留点的时间戳的差值dt作为这段候选停留点的停留时长。

6）如果dt>st，则把这段候选停留点集合L1中的加入停留点集合L2。

7）清空候选停留点集合L1，并继续遍历轨迹点，重复计算过程4）～6），直至轨迹点遍历结束。

8）最终得到每个MMSI船舶在一段时间内的多个停留段集合。

3.2 基于停留段的港口停留区域提取

停留段轨迹数据在港口区域呈现聚集模式，对提取出来的停留段接下来使用分类模型，分别得到港口停留区域的锚地和泊位停留数据。以港口停留区域中的泊位提取为例，每一个聚类簇可以看作是一个泊位，但是由于不同的船舶具有不同的长度和宽度，此外船舶选择靠泊的泊位也和船舶类型有很大的关系，例如大型油轮和货轮需要选择泊位面积比较大的泊位去靠泊，因此对同一个泊位而言，不同船舶在其泊位位置上产生的停留轨迹位置和数目也不相同，不同的簇代表的可能是同一个泊位，所以需要对聚类后的生成的停留轨迹簇进行合并，并对合并后的簇的求其中心点，中心点的经纬度数据就代表泊位的位置。

4 基于Hadoop框架的MPTSSE提取算法实现

考虑到船舶轨迹数据的海量性，本文选用Hadoop大数据处理框架来实现MPTSSE提取算法。如图2所示，基于MapReduce模型给出了算法的并行化实现逻辑。

多约束条件下的船舶轨迹停留段提取MPTSSE算法的实现如下。

1）map阶段。map函数从动静关联的数据中提取时间戳、经纬度、速度、航行状态、船只长度和宽度属性信息。map阶段的输出：以MMSI作为key，以提取的属性信息作为value，也就是按照MMSI号分类保存轨迹数据信息。

2）reduce阶段。

①遍历reduce的value值，把MMSI号对应的轨迹数据保存到集合arraylist1中，然后再把arraylist1中数据保存到double类型的二维数组num[][]中。

②对数组num中的数据按照时间戳的顺序进行升序排列，得到按照采集时刻排序的轨迹数据。

③定义停留时长阈值st，相邻两个轨迹点的距离阈值Dis，相邻两个轨迹点的时间阈值T.T。此处的“T.”的书写，即T后面有一个点号，这样书写正确吗？请明确。回复：后面的点号应该是逗号，请把点号改成逗号。速度阈值maxV，定义候选轨迹停留段集合L1，停留轨迹段集合L2。

④遍历每个MMSI船只的轨迹点，并判断是否满足上述的阈值条件：如果满足则添加到候选停留段集合L1中;如果不满足则进一步判断是否属于停留漂移数据，如果是则添加到L1中。

⑤最后计算候选停留段L1的停留时长和轨迹点数目是否满足停留时长阈值st和轨迹点数目约束条件，如果满足，则把L1加入到L2中。

⑥清空L1，重复过程④⑤，直至遍历结束。

⑦多文件输出，以MMSI号作为文件名，得到每条MMSI船舶的停留段数据。

5 实验

实验运行环境的Hadoop集群包括17个节点、1个master节点和16个slave节点，内存总大小是640GB。实验使用的是2016年6月份的船舶轨迹数据，实验数据以地理区域范围为渤海湾为例，从中提取得到2755艘MMSI船舶AIS数据文件，每个MMSI文件包含了对应MMSI号船舶的6月份全天的采集时刻的轨迹数据信息，文件数据大小为3.06GB。

本文以渤海区域的停留点提取为验证实例，来进行船舶轨迹停留轨迹数据的提取。本文提出的停留点提取算法运行时间为25min 50s（1550s），总共得到9259006个停留轨迹点。具体结果如图3～5所示。

实例中泊位停留点数据提取按照如下步骤处理：

1）对提取出来的停留点采用分类模型，对锚地数据和泊位数据进行分类，分别得到锚地数据和泊位数据。

2）进一步对泊位数据使用DBSCAN聚类算法进行聚类处理，并去除噪点数据。

3）对聚类后的结果按照一定的合并规则进行合并处理，最终得到合并后的聚类结果。

4）最后对合并后的聚类结果提取各个簇的中心点，得到泊位中心点的数据。

同时，实验还选取了传统陆地交通领域较多采用的，向隆刚等[13]提出的Stop/Move模型进行同样的泊位提取。

实验以天津港、秦皇岛港和大连港的泊位提取为例，通过与已知的实际泊位对比分析得到算法的评价指标。

本文算法模型与Stop/Move模型在泊位位置正确时的数量的提取正确率如表2所示。

从表2看出，结果证明了本文模型提取算法的正确性和有效性，基于本文提出的MPTSSE得到的泊位正确性更高，但同时也存在部分泊位提取不出来的问题或者提取不正确的问题，问题的原因分析如下：

1）轨迹数量不足。目前使用的轨迹数据是一个月的IMO船只的数据，停留数据的数据量大小对泊位提取数目的正确性有很大影响。

2）轨迹数据类型不足。目前使用的轨迹数据是IMO船只类型，IMO船只一般是一些大型船只，因此一些小型船只类型的泊位则无法提取。

3）停留提取算法的参数设置。目前的停留算法的速度阈值是0.3m/s，设置的最短停留时长是2h。其中速度阈值maxV对提取停留数据影响很大。如果速度阈值设置较大的话，泊位区域的停留数据就会包含一些噪点数据;如果速度取值过小的话，会损失一部分轨迹停留数据，影响最终的泊位提取结果。

6 結语

港口停留区域指船舶航行过程中在港口附近抛锚和停泊的地理区域，对于指导船舶航行和港口管理具有重要意义。本文针对港口停留区域识别时船舶轨迹大数据的精度低、稀疏、漂移等问题，提出一种基于多约束的并行化轨迹停留段提取MPTSSE方法以及基于Hadoop框架的实现，有效解决了一段完整的停留轨迹段被误分为多个停留段的问题，并极大地提高了轨迹停留数据的提取速度和集群资源的利用率;然而，本文提出的基于多约束的并行化轨迹停留段提取方法还有一些可以继续改进完善的地方，例如对约束条件的改进，约束条件的增加会导致计算量和内存占用的大幅度增加。在以后的研究工作中将进一步探索和研究基于多约束的并行化轨迹停留段提取方法以及船舶停留轨迹段的分类和港口区域边界的精确化提取。

参考文献 （References）

[1] ZHENG Y， ZHANG L， XIE X， et al. Mining correlation between locations using human location history [C]// Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York： ACM， 2009： 472-475.

[2] ALVARES L O， BOGORNY V， KUIJPERS B， et al. A model for enriching trajectories with semantic geographical information [C]// Proceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems. New York： ACM， 2007： 1-8.

[3] ROCHA J A M R， OLIVEIRA G， ALVARES L O， et al. DB-SMoT： a direction-based spatio-temporal clustering method [C]// Proceedings of the 5th IEEE International Conference Intelligent Systems. Piscataway， NJ： IEEE， 2010： 114-119.

[4] PALMA A T， BOGORNY V， KUIJPERS B， et al. A clustering-based approach for discovering interesting places in trajectories [C]// Proceedings of the 2008 ACM Symposium on Applied Computing. New York： ACM， 2008： 863-868.

[5] TRAN L H， NGUYEN Q V H， NGOC H， et al. Robust and hierarchical stop discovery in sparse and diverse trajectories [EB/OL]. （2012-06-15）[2018-01-24]. http：cn.bing.com/academic/profile？id=1894965895&v=paper_preview&mkt=zh-cn.

[6] ZIMMERMANN M， KIRSTE T， SPILIOPOULOU M. Finding Stops in Error-Prone Trajectories of Moving Objects with Time-Based Clustering [M]. Berlin： Springer， 2009： 275-286.

[7] 張治华.基于GPS轨迹的出行信息提取研究[D].上海：华东师范大学，2010：51-58.（ZHANG Z H. Deriving trip information from GPS trajectories [D]. Shanghai： East China Normal University， 2010： 51-58.）

[8] BILJECKI F， LEDOUX H， VAN OOSTEROM P. Transportation mode-based segmentation and classification of movement trajectories [J]. International Journal of Geographical Information Science， 2013， 27（2）： 385-407.

[9] 许佳捷，郑凯，池明旻，等.轨迹大数据：数据、应用与技术现状[J].通信学报，2015，36（12）：97-105.（XU J J， ZHENG K， CHI M M， et al. Trajectory big data： data， application and technology status [J]. Journal on Communications， 2015， 36（12）：97-105.）

[10] 李婷，裴韬，袁烨城，等.人类活动轨迹的分类、模式和应用研究综述[J].地理科学进展，2014，33（7）：938-948.（LI T， PEI T， YUAN Y C， et al. A review of the classification， models and applications of human activity trajectories [J]. Progress in Geography， 2014， 33（7）： 938-948.）

[11] 高强，张凤荔，王瑞锦，等.轨迹大数据：数据处理关键技术研究综述[J].软件学报，2017，28（4）：959-992.（GAO Q， ZHANG F L， WANG R J， et al. Trajectory big data： a review of key technologies in data processing [J]. Journal of Software， 2017， 28（4）： 959-992.）

[12] 陈金海，陆锋，彭国均.海洋运输船舶轨迹分析研究进展[J].中国航海，2012，35（3）：53-57.（CHEN J H， LU F， PENG G J. The progress of research in maritime vessel trajectory analysis [J]. Navigation of China， 2012， 35（3）： 53-57.）

[13] 向隆刚，龚健雅，吴涛，等.一种面向Stop/Move抽象的轨迹时空关系[J].武汉大学学报（信息科学版），2014，39（8）：956-962.（XIANG L G， GONG J Y， WU T， et al. Spatio-temporal trajectory relationships based on Stop/Move abstraction [J]. Geomatics and Information Science of Wuhan University， 2014， 39（8）：956-962.）