基于云边端协同的智慧城市车辆轨迹大数据挖掘和出行模式识别

中国计算机学会

摘要—本文针对不同类型数据的特点，基于云边端协同技术，从处理延迟、带宽消耗和隐私安全等多角度对城市车辆轨迹大数据采集、预处理、数据分析和数据应用四个方面进行系统地讨论和总结。

肖 竹（湖南大学）

龙望晨（湖南大学）

曾凡仔（湖南大学）

关键词：云边端协同 智慧城市 轨迹大数据 数据挖掘 模式识别

引言

        智慧城市的发展给城市交通管理带来了巨大的挑战和机遇。得益于物联网通信等信息技术的快速发展，越来越多的智能化设备在城市道路和车辆上开始普及。这些智能化设备通过不间断地实时采集道路交通状况和车辆行驶状态，形成了海量的交通轨迹大数据，这些数据记录了车辆位置和交通状态随时间变化的特征和规律。挖掘轨迹大数据中蕴含的规律并识别城市交通内在的特征模式，以构建城市智慧交通，能够为交通疏导、环境治理和城市规划等一系列应用提供技术支撑。

       在对智慧城市车辆轨迹大数据处理的过程中，传统的数据处理方法往往无法满足实时性要求，大规模的轨迹数据传输容易导致网络拥堵，车辆轨迹数据中包含的个人隐私和敏感信息可能遭到泄露和滥用，因此处理延迟、带宽消耗和隐私安全等问题成为制约智慧城市车辆轨迹大数据挖掘和出行模式识别的重要因素。随着云计算、大数据和边缘计算等技术的不断发展，基于云边端协同的技术为智慧城市车辆轨迹大数据处理提供了全新的思路。利用云边端协同技术，将数据采集任务分散到边缘节点，可以提高数据处理速度和数据传输效率，解决数据采集环节的瓶颈问题；利用云边端协同技术，可以实现对海量轨迹数据的实时压缩和存储，同时避免传统数据预处理环节带来的延迟和带宽消耗等问题；利用云边端协同技术，能够有效利用云端和边缘资源，配合数据脱敏、数据加密等手段，在提高数据处理效率和分析准确度的同时有效保护用户隐私信息，确保数据应用的安全性。基于云边端协同的智慧城市车辆轨迹大数据挖掘和出行模式识别是解决智慧交通难题的关键之一，本文将从处理延迟、带宽消耗和隐私安全等多个角度对城市车辆大数据采集、预处理、数据分析和数据应用四个方面进行系统地讨论和总结。

轨迹数据采集

       轨迹数据采集设备多种多样，包含视频监控（surveillance cameras）、地感线圈（loop detectors）、无线射频识别（Radio Frequency Identification，RFID）和汽车电子标识（Electronic Registration Identification，ERI）等，也包含安装在智能车辆内的车载诊断系统（On-Board Diagnostics，OBD）设备（如图1所示）和全球定位系统（Global Positioning System，GPS）设备等。

       不同的轨迹数据采集设备的部署方式、适用场景、部署规模、部署代价和采集内容也不尽相同。视频监控设备一般由政府在城市范围内的道路侧进行大规模部署，由于部署的规模较大，其成本也较高。视频监控设备作为静态采集设备收集汽车流量、汽车速度等数据信息。RFID和ERI等也属于静态采集设备，一般由政府或企业部署在城市的部分区域，主要收集车辆识别代号和车流等信息。GPS设备通常部署在汽车上，并动态收集汽车所处的经纬度、海拔、速度等信息，通常由企业或者用户自己部署，单台车辆的部署成本相对较低。OBD设备也是一种由企业或者用户部署的廉价动态信息采集器，通过专用接口连接汽车并动态获取车辆的速度、加速度、转向度等信息。

       云边端协同的数据采集方式如图2所示。车辆轨迹数据包括车辆在道路上的位置、速度、加速度、方向、照片、视频等信息，通过车载传感器、GPS设备和交通监控摄像头等采集设备完成数据采集，采集到的数据通过车辆内部的数据总线或无线通信方式传输到车辆的计算设备上，也可以通过移动网络、Wi-Fi或车载通信网络将数据传输到云服务器上。云端通常使用分布式存储系统按照时间、地点或车辆等维度组织、存储和管理海量的车辆轨迹数据，以支持后续的查询和分析；利用强大的计算和分析能力，对车辆轨迹数据进行实时处理和分析，以提取有价值的信息并支持智能交通管理和决策。总的来说，云边端协同的车辆轨迹数据采集方式具有多种优势：首先，云边端协同技术能够实时采集和传输车辆轨迹数据，使得数据的获取和处理几乎是即时的，这一点对于交通管理和路径规划等实时应用非常重要；其次，云边端协同技术通过分布式存储和计算，可以存储和分析海量的轨迹数据，从而提供更全面和准确的交通信息；再次，云边端协同技术支持多源数据集成，将不同类型、不同格式、不同区域的轨迹数据集进行融合，从而提供更加广泛和全局的视角；最后，云边端协同技术可以从时间、空间、速度、方向等多维度对车辆轨迹数据进行分析，帮助揭示交通流量、拥堵状况、出行模式等问题，为城市交通管理提供更深入的理解。

轨迹数据预处理

       受限于地理环境、硬件资源和通信技术等，轨迹数据在采集过程中普遍存在数据缺失、稀疏和冗余等问题，这些问题越严重，轨迹中蕴含的有用信息越少，轨迹数据的质量越差，其应用价值也越低。例如，由于某些区域或时间段内缺乏车辆位置数据，从轨迹数据中准确地推断出车辆的位置可能变得困难，进而对交通规划、路径优化等应用产生影响；稀疏的轨迹数据也可能导致数据分析结果有偏见，由于某些区域的车辆数量较少，导致该区域的交通流量可能被低估而造成误导性的分析结果；对于某些需要基于轨迹数据建立模型的应用，稀疏的数据可能使模型的训练和预测变得困难。

       利用轨迹填充（trajectory interpolation）、轨迹生成（trajectory generation）和轨迹压缩（trajectory compression）等技术对轨迹数据进行预处理，能够有效地缓解轨迹数据缺失、稀疏和冗余等问题。

       轨迹填充技术通过推断缺失的数据或估算未观测到的数据，将低采样率轨迹数据转换为较高采样率轨迹数据，以满足不同应用对数据完整性的要求。有研究发现，轨迹数据表现出一定的周期性特征和规律[1]，因此可以通过挖掘采集轨迹数据中蕴含的知识填充缺失数据从而解决数据缺失和轨迹稀疏问题。常用的轨迹填充技术分为基于统计学习的轨迹填充方法和基于深度学习的轨迹填充方法。

       基于统计学习的轨迹填充方法通常假设车辆以相对稳定的速度行驶并且整个交通遵循概率分布，利用概率分布的统计特征对车辆轨迹数据的多维时空相关性进行建模，以预测缺失数据，实现轨迹填充。该类方法通常会借助各类技术（如张量分解、奇异值分解、广义误差分布、贝叶斯概率矩阵分解等）学习轨迹数据中存在的特定模式或分布特征，并利用学习到的知识预测缺失数据。

       基于深度学习的轨迹填充方法充分利用深度神经网络对复杂关系的建模能力学习时间、空间和轨迹上下文之间的关系并实现轨迹填充[2]。由于基于深度学习的轨迹填充方法主要以端到端的方式进行多种深度神经网络模型（如循环神经网络、长短期记忆网络、门控循环神经网络、深度卷积神经网络、注意力神经网络、生成对抗网络等）的训练和预测，这类方法对轨迹数据的质量和数量都有比较高的要求。

       轨迹生成技术基于对移动物体的行为规律和运动特征进行建模和分析，生成与真实车辆轨迹相似的合成车辆轨迹。轨迹生成技术有两大优势：（1）它提供了一个有效的解决方案处理数据不足问题。在实际场景中，数据收集可能成本高昂或困难重重，导致没有足够的数据满足应用程序的要求。轨迹生成技术通过足够的真实的合成数据解决这一问题。（2）它解决了隐私泄露问题。在轨迹数据收集期间，用户的隐私信息包含在车辆轨迹中，例如车辆用户所有权、位置和个人信息。为了在保证真实数据质量的同时保护用户隐私，轨迹生成技术以可容忍的相似程度替换或删除某些隐私敏感的数据。

       轨迹生成技术的实现方法多样，常见的方法包括利用生成对抗网络、卷积神经网络、门控循环神经网络、生成对抗性模仿学习、变分自动编码器和变阶马尔科夫模型等。虽然实现方法各异，但对于合成的轨迹都有相同的要求：不仅要保护用户隐私，还要真实地反映出车辆的移动模式和固有特征规律，并同时保持轨迹的多样性。为了衡量合成轨迹的质量，通常会从相似性、隐私性和多样性三个方面进行评价。相似性是一个最基本的评价指标，具体到不同的应用场景中，相似度评价指标可能不同，如欧氏距离、动态时间规整（Dynamic Time Warping，DTW）距离、弗雷歇（Fréchet）距离等，但其最终目的都是用来评价合成轨迹与原轨迹是否相似。隐私性是一个重要的评价指标，用于衡量模型能否有效保护用户的敏感信息，并使得难以基于合成轨迹推测出原轨迹用户信息。多样性用来判断合成的轨迹数据是否与原始轨迹具有相同的分布特征。相似性和多样性是一对矛盾的指标，轨迹相似性高的场景下，其多样性则相对较低，而提高轨迹的多样性则会降低其相似性。因此，在轨迹合成时需要权衡考虑相似性和多样性。

       轨迹压缩技术在保证数据具有一定程度质量和完整性的前提下，对轨迹中的数据进行删除，实现轨迹数据的压缩，这样能够解决轨迹采集过程中由于轨迹数据采集量过大带来的存储空间不足、处理延迟和带宽消耗方面的各种可持续问题。

       轨迹压缩技术的原则是在尽可能减少数据量的前提下，保留轨迹数据的关键信息。按压缩方式的不同，轨迹压缩技术可以分为直线简化方法和地图匹配方法两大类。直线简化方法基于指定的距离或误差度量的原则，试图通过删除轨迹中的部分节点，将部分或整体轨迹简化为直线形态来近似原始轨迹。这些被移除的节点不是轨迹中重要的位置点，不会改变轨迹的重要特征。这种方法的优点是能够有效地压缩轨迹数据量，但同时也会降低轨迹在数据分析类型应用上的价值。地图匹配方法通过将轨迹作为路段序列投影到道路网络上，充分利用道路网络信息删除每个路段的重复轨迹点，降低轨迹数据量。地图匹配方法的优点是在保持轨迹主要特征的同时能够对轨迹数据进行较大限度的压缩，缺点是依赖不断更新的道路网络数据，并且处理成本很高。

       在轨迹数据预处理的过程中，云边端协同技术可以通过边缘设备和云端之间的合作，利用边缘设备本地的计算能力和云端的存储资源，在轨迹填充过程中进行数据恢复和补全，从而提高轨迹数据的完整性和准确性；通过结合边缘设备和云端的计算能力，基于边缘设备收集实时的环境信息，利用云端强大的计算和分析能力，二者协同工作可以实现更精确和准确的轨迹生成；通过调节边缘设备和云端之间的计算任务，利用边缘设备进行轨迹数据的初步处理和压缩，将压缩后的数据传输到云端进行进一步的分析和存储，以减少对网络带宽的需求，提高数据传输的效率，并在保证数据质量的前提下降低存储成本。

轨迹数据分析

       车辆轨迹数据在微观上体现了个体的出行特征和规律，在宏观上反映了城市交通整体的变化趋势和周期性特点，本节将分别讨论基于个体和群体轨迹数据的分析方法。

       个体行为分析 传感器在车辆穿梭于不同区域间的过程中采集的时空信息形成了车辆轨迹，单个车辆的轨迹可以分解为移动状态轨迹和静止状态轨迹[3]（如图3所示）。个体移动轨迹分析能够得到个体的出行时间和出行路线等移动行为特征。出行时间是车辆从起点行驶到目的地所耗费的时间，已知车辆的出发时间，对出行时间进行估计以确定车辆的到达时间（ETA）是车辆轨迹分析的主要研究方向之一。想要准确地预测车辆的到达时间面临许多挑战，如行驶距离、行驶速度、交通状况、交通路线、驾驶习惯和天气条件等多种因素。近些年，深度神经网络因其具有超强的复杂关系拟合能力而逐渐成为解决ETA问题的主流方法。除了出行时间，出行路线也是近年来个体行为分析的热点，其中包含频繁路径、出行距离和出行速度等重要行为特征，这些特征为理解用户的出行语义行为提供了重要的信息基础。个体静止轨迹分析重点关注两个方面：一是个体的停留位置，二是个体在某个位置上的停留时长。掌握个体的日常出行位置及停留时长，能够从语义上理解个体的停留行为，这不仅能为兴趣点推荐、广告推送等商业类应用提供支撑信息，也能够为停车场设置、城市规划等政府决策提供重要的信息参考[4]。

       群体行为分析 可以分为行为模式发现和交通流变换规律两类。行为模式发现主要研究车辆出行行为的时空演化规律，如移动模式、聚集模式和排放模式；交通流变换规律反映了车辆群体在城市区域之间行驶的动态迁移特征，包括交通量预测、出发地-目的地（O-D）流量分析和出行需求估计。对车辆轨迹中的群体行为进行分析，可以帮助我们深入理解城市道路交通的运行机制，对于优化城市交通管理、提升道路交通效率具有十分重要的意义。

云边端协同技术在轨迹数据分析中具有独特的优势：边缘设备收集并传输实时信息，而云端提供强大的计算和分析能力，可以对个体的轨迹数据进行模式识别、异常检测、行为预测等操作，以了解个体的行为特征、出行习惯等，并据此进行精准的个性化服务、安全管理等。云端可以对边缘设备上传的信息进行聚类、轨迹关联、群体行为分析等操作，发现群体的流动规律、社交网络关系等重要信息，进而推动城市规划、交通管理、应急响应等方面的决策制定。

轨迹数据应用

       车辆轨迹数据具有广泛的应用领域[5]，本节对交通预测（traffic prediction）、路径推荐（route recommendation）、轨迹用户链接（trajectory-user linking）、轨迹异常检测（trajectory anomaly detection）和基于轨迹数据的城市规划（trajectory-based urban planning）五个热门应用进行介绍。

       交通预测包括预测与交通相关的流量、出行需求、速度和条件等。根据不同的研究对象，交通预测研究可以分为车站级、路段级和区域级交通预测，相应地可以理解为点、线和面级城市交通预测。车站级交通预测主要对城市交通点（如车站、路口等）的车流、车速和出行需求进行预测，其结果可用于交通管控、安全监测和城市规划等。路段级交通预测关注城市路段级交通状态，对城市重要关键道路的交通状态进行预测，能够帮助交通管理机构掌握城市路段的车流状态，尤其是高峰时段主干道路中规律性的交通状态，并制定相应的交通管理策略。区域级交通预测聚焦的是城市各区域的整体交通状态，区域的划分方式主要有两种：一种是基于直线网格将整个城市划分为规则的方形网格区域，另一种是基于道路将城市划分为不规则的区域。区域层面的交通预测能够帮助政府有效地理解城市各区域交通状态的演变机制，并为制定合理的城市规划政策提供重要的依据。当前交通预测的主流技术是利用机器学习和深度学习等技术基于各式各样的轨迹数据集，构建预测模型来预测城市站点、道路和区域的交通状态。

       路径推荐旨在根据车辆轨迹数据、交通状况和用户偏好等信息为用户提供最佳的出行路径建议。路径推荐的原理是通过分析历史车辆轨迹数据、实时交通状况和用户偏好等多维信息，运用相关算法和模型进行计算和匹配，从而为用户提供最优的出行路径建议。基于路径推荐的系统需要考虑道路拥堵情况、交通信号灯控制、用户出行习惯等因素，以最大程度地提高用户出行的效率和舒适度。路径推荐能够为智能导航系统、出行规划建议、物流配送优化和交通管理决策等提供支持。

       轨迹用户链接是指将车辆轨迹数据与相应的用户行为数据相结合，从而推断出车辆对应的用户或者用户对应的车辆的过程。这种链接方式可以帮助我们更好地了解车辆或者用户的行为特征和行动模式，进而进行更精细化的分析和管理。其原理是通过将车辆轨迹数据和用户行为数据之间的时间、空间和行为等信息进行匹配和比对，建立起二者之间的联系。可以使用基于距离匹配的方法、基于时空匹配的方法、基于统计学习的方法等相关算法和技术实现轨迹用户链接。轨迹用户链接具有非常广泛的应用前景，例如可以了解用户的出行需求和偏好，以提供个性化的交通服务，如智能路线推荐、多模态出行方案等；可以了解不同用户群体的行为特征和需求，为城市规划和交通管理提供参考，如公共交通线路优化、停车资源分配等；也可以评估不同驾驶员的行为特征和安全性，提供驾驶行为建议和安全警示。

       轨迹异常检测是指在车辆轨迹数据中识别和检测出与正常行为模式不符的异常轨迹的过程，可以帮助我们发现交通事故、恶意行为或其他异常情况，从而加强对交通安全和城市管理的监控和预警。轨迹异常检测的原理是通过分析和比对车辆轨迹数据中的时间、空间和行为信息，识别出与正常行为模式有较大差异的轨迹。可以使用聚类分析、统计学习、时空分析等多种算法和技术进行异常检测。通过轨迹异常检测，可以识别出与正常驾驶行为模式不符的轨迹，从而及时发现潜在的交通事故风险，并采取相应的预警和应急措施；可以识别出具有恶意行为特征的轨迹，如违规变道、超速驾驶等，以便及时采取相应的执法措施；可以识别出与犯罪活动相关的轨迹模式，如可疑的停车行为、异常的路线选择等，从而加强对犯罪活动的监测和打击；可以为城市管理部门提供数据支持，帮助优化交通信号灯控制、交通流调度、道路规划等，改善城市交通运行和规划效率。

       基于轨迹数据的城市规划通过对大量的轨迹数据进行挖掘和分析，能够揭示城市中的出行模式、交通瓶颈、人流热点等信息，为改善城市交通、土地利用和公共服务等方面的规划和决策提供科学依据。通过对轨迹数据进行聚类、时空分析、网络分析、交通模型建立与仿真等，可以揭示不同区域的交通流量、出行方式、出行时间分布等信息，掌握城市中的交通流量、交通拥堵情况、出行模式等，为交通规划提供依据，优化交通网络和交通系统；可以了解人员和车辆的分布情况，为土地利用规划提供依据，合理布局居住区、商业区、工业区等用地情况；可以了解人员的活动区域和热点[6]，为公共服务设施的布局提供依据，优化公共交通线路、医疗设施、教育设施等的位置和数量；可以了解城市的空间使用情况和人员流动模式，为城市设计和改造提供依据，提升城市的宜居性和可持续性。

发展趋势和挑战

       当前对车辆轨迹数据挖掘的研究取得了一些令人振奋的成果，但该领域仍然面临众多挑战，同时也存在一些全新的机遇：

       车辆轨迹隐私保护（vehicle trajectory privacy preservation） 是一种对车辆轨迹数据进行加密和去标识化处理，以保护车主隐私的技术。车辆轨迹隐私保护技术通过将车辆轨迹数据进行匿名化、聚合化和差分隐私等处理，防止黑客和其他非法访问者获取车主的个人信息，避免车主的个人信息被轨迹数据关联，进一步保护车主的隐私。对车辆轨迹数据进行匿名化处理，是指去除与车主身份相关的敏感信息，例如将车辆标识符替换为匿名的ID，或者将车辆位置信息进行模糊化处理。聚合化处理是将车辆轨迹数据进行聚合处理，以降低个体数据的识别风险。例如，将轨迹数据进行时间或空间的聚合，以减少对个体车辆追踪的可能性。差分隐私处理是应用差分隐私技术，向车辆轨迹数据中加入一定的噪声，使数据分析结果仍然有意义但无法准确推断个体车辆的具体隐私信息。当前车辆轨迹隐私保护仍然面临一系列挑战，例如如何保证车辆轨迹数据在整个存储、传输和处理过程中的安全仍然是困难的。在保护车主隐私的同时，车辆轨迹数据又具有重要的应用价值，如交通规划和智能交通系统。如何在数据利用与隐私保护之间找到平衡，也是一个不小的挑战。此外，当前隐私保护技术仍存在一定的局限性，如匿名化和差分隐私技术的精度问题[7]。

       轨迹数据稀疏性（sparsity in vehicle trajectory data） 由于设备安装不全面或覆盖范围有限、数据在传输过程中可能发生错误或丢失等，导致某些区域或时间段内车辆轨迹数据缺失或不完整。轨迹数据稀疏性会给数据的应用带来一系列的挑战：由于缺乏某些区域或时间段内的车辆位置数据，从轨迹数据中准确地推断出车辆的位置可能变得困难，进而对交通规划、路径优化等应用产生影响；稀疏的轨迹数据也可能导致数据分析结果带有偏见。对于某些需要基于轨迹数据建立模型的应用，稀疏的数据可能使模型的训练和预测变得困难，因为缺乏足够的数据样本可能会降低模型的准确性和可靠性。针对车辆轨迹数据稀疏性问题，虽然已有研究尝试采取数据插值、数据融合、模型预测和数据共享等策略提高轨迹数据的完整性和准确性，但是由于轨迹获取过程中信息的不确定性，现有技术在准确性、完整性和通用性方面仍然面临严峻的挑战。

       多源异构数据融合（multi-source heterogeneous data fusion） 将不同类型数据与轨迹数据融合成标准化格式，能够提高车辆轨迹数据的应用价值。事实上，不同的数据源可能会采用不同的数据收集技术、数据处理方法或数据格式等，这就导致轨迹数据存在差异或不一致性[8]。因此，多源异构数据融合需要解决不同数据源间的数据匹配、数据转换和数据质量控制等问题。城市中与车辆轨迹数据相关的多源异构数据主要有三类，包括时空静态数据（点数据、面数据和路网等）、空间静态时间动态数据（天气、事件、节假日等）和时空动态数据（车辆轨迹）。然而，目前还没有统一的架构能实时高效地集成上述多源异构数据，需要一种通用的体系结构服务于各种各样的应用程序。

       车辆碳足迹估算（vehicle carbon footprint estimation）　随着“双碳”问题的提出，基于城市车辆轨迹数据的道路交通“碳足迹”和“碳中和”研究备受关注。道路交通的“碳足迹”是根据城市车辆轨迹数据计算的。与传统的自上而下的测量方法相比，城市车辆碳排放的异质性和时空差异可以清晰规范地用于控制关键环节的碳减排。然而，由于技术背景的限制，车辆轨迹数据的燃料类型等参数很难获得，这对“碳足迹”测量提出了新的挑战。开发城市车辆排放模型、编制城市道路交通车辆排放清单，并基于城市私家车轨迹数据测量个人交通碳足迹，已成为低碳减排的重要目标。

       基于车辆轨迹的智能交通系统数字孪生（trajectory enabled digital twin for ITS） 利用车辆实时轨迹数据构建和模拟交通系统的虚拟副本，可以实现对交通系统状态和性能的准确预测和优化。在数字孪生的框架下，车辆轨迹数据作为输入，通过建立适当的模型和算法进行分析和推断，生成与实际交通系统相对应的虚拟交通系统。该虚拟系统可以模拟不同时间段、不同区域和不同情景下的交通流动、拥堵情况、路况变化等。通过与真实交通系统对比，可以评估各种交通管理策略的效果，并对未来交通系统的演变趋势进行预测。基于车辆轨迹的智能交通系统数字孪生可以为交通管理和规划提供重要支持，目前在数据质量与规范、模型建立与优化、实时性与预测能力以及多模态交通系统等方面的研究还不够深入，需要进一步探索和应用。　■

参考文献：

[1] Xiao Z, Xu S, Wang D, et al. On Extracting Regular Travel Behavior of Private Cars Based on Trajectory Data Analysis[J]. IEEE Transactions on Vehicular Technology, 2020, 69(12):14537-14549.

[2] 肖竹, 钱鑫, 蒋洪波, 等. 一种基于双向RNN的私家车轨迹重构算法[J]. 通信学报, 2020, 41(12): 171-181.

[3] Liu C, Xiao Z, Wang D, et al. Exploiting Spatiotemporal Correlations of Arrive-Stay-Leave Behaviors for Private Car Flow Prediction[J]. IEEE Transactions on Network Science and Engineering, 2022, 9(2):834-847.

[4] Xiao Z, Fang H, Jiang H, et al. Understanding Private Car Aggregation Effect via Spatio-temporal Analysis of Trajectory Data[J]. IEEE Transactions on Cybernetics, 2023, 53(4):2346-2357, DOI: 10.1109/TCYB.2021.3117705.

[5] 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, 2016, 28(4): 959-992.

[6] Xiao Z, Li H, Jiang H, et al. Predicting Urban Region Heat via Learning Arrive-Stay-Leave Behaviors of Private Cars[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(10): 10843-10856.

[7] Jiang H, Li J, Zhao P, et al. Location Privacy-Preserving Mechanisms in Location-based Services: A Comprehensive Survey[J]. ACM Computing Surveys (CSUR), 2021, 54(1): 1-36.

[8] 刘晨曦, 王东, 陈慧玲, 等. 多源异构数据融合的城市私家车流量预测研究[J]. 通信学报, 2021, 42(3): 54-64.

版权声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任。