甘蜜，卿三东，刘晓波*，李丹丹

(西南交通大学，a.交通运输与物流学院；b.综合交通大数据应用技术国家工程实验室；c.综合交通国家地方联合实验室，成都611756)

0 引言

随着物联网和通讯技术的发展，海量的移动对象轨迹数据为挖掘人类出行规律、研究人类行为、城市车辆和出行需求特征等提供丰富的信息支持，为MaaS(Mobility as a Service)理念下可持续交通运输系统分析、设计、优化和管理提供新的思路[1-2]。然而，已有研究大多聚焦于人群移动或客运交通系统，较少以公路货运系统作为研究对象。事实上，公路货物运输是国民经济的重要组成部分，也是经济持续发展的基本需要和前提条件。据统计，2019年我国公路货物运输量达343.5×108t，在货运总量中占73%，我国公路货运市场规模达到5×1012元人民币，跃居世界首位[3]。同样，美国公路货运在货物市场中也占据着主要比例，约为69%，据美国联邦公路管理局预测，公路货运量在2012—2045年期间将增长45%[4]。由此可见，公路货运在综合交通系统中持续占据重要地位，迫切需要合理且先进的货运管理与规划提升公路货运效率。

近年来，因交通管理部门管理需要，我国重型货车已经基本实现了定位装置的全覆盖；同时，因无车承运人和网络货运业务的发展，也产生了以满帮、货拉拉和滴滴货运等为代表的在线货运服务平台。这些平台通过货车司机手机应用或车载定位设备实现了司机和货车全程定位，产生了海量的时空轨迹大数据，为货运研究提供新的数据来源。这些轨迹信息里蕴含了公路货运系统的运行本质和深层特征，是智慧物流系统智慧化决策的基础。同时，随着云计算、大数据、人工智能和机器学习、边缘计算、自主物件、量子计算、数字孪生等技术的快速发展，亟需对数据资源进行深入挖掘和剖析，为进一步优化货运系统提供科学支持。

因此，本文在梳理国内外相关文献的基础上，以货车轨迹数据在公路货车系统中的应用为重点研究对象，从货运出行信息辨识、货运系统关键特征预测、货运系统应用3 个方面论述最新研究动态，总结既有研究的目标、方法和创新结果。此外，本文在总结现有研究存在问题的基础上展望未来可能的研究方向，为轨迹数据挖掘在公路货运系统的应用研究提供新的思路和参考。文献综述框架如图1所示。

图1 文献综述框架Fig.1 Literature review framework

1 基于轨迹数据的货运出行信息辨识

货车轨迹数据通常包含车辆的经度、纬度、时间戳、速度及方向角等信息，对这些信息进行归纳统计可初步了解货运出行状况，但视角较为局限。在货运系统规划与管理中，还需要车辆停留点、活动目的、车辆类型、货物类型、出行模式与出行链等信息。由此，学者通过对货车轨迹数据进行一定的加工处理，间接得到更加深入的货运出行信息，全面分析货运出行状况。

1.1 货运停留点识别、分类及信息挖掘

停留点识别与分类是基于轨迹数据货运研究的基础，通过识别停留点及其停留目的，将连续的货车轨迹分成若干段，从而提取行程并识别活动区域，便于后续货运特征及出行模式等分析。在货运过程中，停留点通常结合停车相关活动进行区分，主要包括3类：装卸货物的起讫点(OD)，由于休息、饮食、加油、事故、重度拥堵等事件引起的停留点，由于红绿灯、轻度拥堵、收费等事件引起的停留点[5]。在识别停留点过程中，通常先设定足够小的速度阈值，通过与货车瞬时速度或其一定范围内的平均速度对比判别可能的停留点，再通过一定的方法识别停留点类型。

现有文献关于停留点类型识别方法可分为3种类别。第1类方法为辅助信息法，主要借助货车司机调查数据、土地利用信息等辅助信息进行识别。例如，ALHO 等[6]利用轨迹数据结合司机调查反馈信息识别货车停留点类型。该方法在研究小样本时能达到较好的识别效果，但受限于辅助信息的可获取性和数据规模，且移植性较差。第2类方法为规则判别法，其中，停留时间是最常用的判别标准，通过设定停留时间阈值与计算的停留时间对比，确定停车点类型[7]。停留时间的阈值随研究背景不同而变化，例如，在城市内部的货运停留点识别中，RICHARDSON[8]和SHARMAN等[9]分别将阈值设定为3 min 和5 min。而GINGERICH 等[10]在长途跨境货运研究中，将停留时间阈值设定为15～45 min。该方法易于操作，但分类结果较为粗糙，无法实现精准分类，通常作为初步筛选程序。第3类方法为机器学习算法，所述文献中常用的方法包括：基于空间密度的K-Means 算法[11]、DBSCAN 算法[5,12]、支持向量机(Support Vector Machine, SVM)[12-13]、随机森林(Random Forest,RF)[14]、最大熵模型[10]等，这类方法通常选择停留时间、距离某一特定位置的距离作为区分特征，识别精度较高。例如，YANG等[13]获取了纽约市曼哈顿某货运公司的配送轨迹数据，并基于停留时间、与市中心之间的距离、与最近邻瓶颈路段的距离等特征，利用SVM 分类器将城市内部的配送车辆停车点分为配送点及非配送点两类，准确率达到99%。GONG 等[12]在取得轨迹数据的基础上还获取了司机反馈的社会人口经济属性、家和工作地位置等信息，将DBSCAN 与SVM 相结合，通过分析得到停留点类型、停留时间及与家/工作地的距离之间的联系，从而选择停留时间、与簇中心的平均距离、与家/工作地距离作为SVM 的输入特征，优化活动停留点的分类模型，分类准确率达到94%。此外，区别于常规的识别方法，SIRIPIROTE 等[15]基于轨迹数据和路网信息得到停留时间、与最近邻道路距离等特征的概率密度分布，采用极大似然估计的方法，识别跨城运输货车的装卸点和休息点，准确率达85%。

停留点的识别精度随所采用的方法、活动特征及使用的GPS 数据特征(样本大小、覆盖区域和采样率等)不同而具有差异，快速、准确地从海量GPS 数据中识别货运停留点仍然是需要深入探索的问题。

1.2 车辆/货物识别与分类

在交通运输相关研究中，车辆类别信息对于运输排放控制、道路设计与管理、交通流量估计及城市规划等具有重要意义。目前，实际应用中通常采用定点检测或拍摄的方式采集车辆类型信息，但受限于稀疏覆盖的道路附属设施限制[16]。而车载定位数据的连续性、高覆盖性为车辆类别信息的获取提供可能，因此，部分学者致力于通过定位数据划分车辆类型，以充分挖掘其价值。SUN等[17]首次利用车辆轨迹数据区分乘用车和货车，通过特征分析发现，乘用车和货车在加减速的变化特征相比于速度特征具有更显著的差异，由此，基于加减速的变化特征采用SVM 分类器对车辆进行分类，分类准确率达到95.8%。之后，SUN 等[18]基于前期研究进一步探索，主要优化之处在于考虑多种特征组合输入SVM分类器，将车辆类别分为乘用车、小型货车及大型货车3类，并根据数据采样率浮动分析分类效果的影响，结果表明，分类精度随采样率下降而下降，采样间隔保持在5 s 之内才能保证较好的分类效果。针对样本量及数据采样率问题，SIMONCINI等[19]在研究中使用低采样率(90 s)的近100万条GPS 轨迹数据进行货运车辆分类，开发了一种基于循环神经网络(Recurrent Neural Network,RNN)的深度学习框架，通过输入距离、时间、速度、加速度和道路类型等特征进行训练，在车辆两分类(轻载和重载)与三分类(轻载、中载和重载)任务中分别进行测试，并与SVM、RF等传统机器学习算法进行对比，结果表明，提出的RNN深度学习框架在车辆分类性能上显著优于传统机器学习算法，两分类和三分类准确率分别达到86.7%和75.8%。基于前者研究，DABIRI 等[16]利用虚拟称重站信息标注了约30 万条GPS 数据，开发了基于卷积神经网络的车辆分类模型(Convolutional Neural Network for Vehicle Classification, CNN-VC)，分别应用于车辆两分类与三分类任务中，并与SVM、RF、RNN 以及邻近算法(K-Nearest Neighbor,KNN)等方法进行对比，结果表明，提出的CNN-VC框架具有显著优势，在两分类及三分类任务中准确率分别为77.1%和61.0%。

此外，也有学者试图从轨迹数据中提取车辆运输的货物信息，但这些信息挖掘一般需要基于停留点的分析，AKTER[4]在识别停留点基础上，结合高精度地图人工标注了部分货运个体运输的货类，考虑停留持续时间、停车时间段、行程长度和行程时间等特征，采用RF进行训练，将运输货类分为工业品、农产品、矿石、化学品和杂货等类别，不同货物的分类准确率从50%～96%不等。而SIRIPIROTE等[15]在利用GPS 数据识别了停留点及活动目的的基础上，通过分析货车个体的OD点位置及活动组合，成功识别了7类车辆运输货物，包括：大米、糖、纸、动物饲料、酒精饮料、汽油及混凝土。而受限于轨迹数据提供的有限信息，基于轨迹数据的车辆分类结果仍然较为粗糙且较难进行多类型识别，需要更先进的方法及辅助信息使车辆分类效果更细致和准确。

1.3 货运出行(链)模式识别

通过挖掘货运轨迹数据提取货运相关时空特征，可进一步分析货运活动出行及出行链模式，支撑货运出行行为建模、货运需求预测、综合交通仿真等研究[20]。在所述的多数研究中，货运出行是指货车、司机和货物从一个位置出发，中间无装卸货物等主要停车活动而直接到达另外一个位置。基于货运出行的概念，货运出行链被定义为货车、司机和货物进行一系列出行而形成的具有时间序列的出行链结，货车通常由一个固定的位置出发，经过一系列主要停车活动之后回到原出发位置[4,15,20-23]。在出行模式方面，通常基于货运OD 点进行研究，例如，MA等[24]在成功识别货运OD点的基础上，分析货运个体的平均出行距离和停车活动时间分布，根据特征差异将货运个体出行模式分为访问出行、本地出行及环形出行，并将出行模式与货运车辆类型进行匹配。GAN 等[25]从大量轨迹数据中提取货运主要OD点，并将货运个体出行划分为走廊模式、环形模式和枢纽辐射模式3种典型出行模式。不同于根据货运特征直接描述出行模式，李颖等[26]基于GPS 数据分析不同轨迹相似度算法在三维轨迹数据(经度、纬度和速度)上的聚类效果，结果表明，最长公共子序列(Longest Common Subsequence, LCS)算法对基于地理空间轨迹的货运速度模式分类效果优异，在货车运营管理等方面具有应用潜力。

在货运出行链方面，通常基于主要停车点和活动类型结合进行，例如，PATEL[27]根据识别的主要停车点及其停车目的识别了不同公司货运车辆的出行链。MA等[22]利用3天的GPS数据构建了单个货车的出行链，挖掘出行链模式，但由于数据集太小，未对出行链的共性进行深入分析。针对此问题，YOU 等[23]用一年的GPS 数据分析货车出行链，成功发现货运个体出行链在访问位置及频率方面的共性，并基于此，将出行链分为4种模式。DUAN等[21]针对多日出行链模式问题，从GPS数据中提取平均出行链数、平均停留点数、平均停留时间、平均出行时间、平均出行距离及轨迹相似比例等特征，采用改进K-means 算法得到5 种出行链模式，分析出行链模式与货车类型的匹配问题。

综上所述，现有基于轨迹数据的货运出行信息辨识研究主要集中于货运停留点、货运车辆/货物、货运活动出行及出行链模式等方面，也有部分研究涉及行驶轨迹识别、道路瓶颈识别与分类，取得了丰富的成果[26,28-30]。但货运出行与旅客出行具有显著差异，目前所采用的方法多移植于旅客出行研究，需要针对货运出行独特特征进行深入研究。

2 基于轨迹数据的货运系统关键特征预测

类似于人类出行，货物运输也遵循着一定的模式和规律，预测货运相关特征对于货运规划和管理具有重要意义。现有研究针对货运空间位置、行程时间、流量及需求等方面进行了探索性研究。为便于对比分析，本文从预测的关键特征、考虑因素、使用方法和预测评价等方面对所述文献进行总结，如表1所示。

表1 基于轨迹数据的货运特征预测文献综述Table 1 Literature review of freight characteristics prediction based on trajectory data

针对货车时空位置的可预测性问题，GAN等[25]对比了基于网格和基于POI(Point of Interest)类型的货车位置可预测度，结果表明，对于两种映射方案，卡车司机的位置可预测度大致相同，可预测度最高达83%，但明显低于普通出行群体。基于此，GAN 等[36]利用KNN、CART 和SVM 模型预测了货车的下一个空间位置，并分别讨论了空间尺度、回转半径与预测精度的关系，结果表明，预测精度随空间尺度的细化而降低，随回转半径增大而降低，货车的下一个空间位置在城市尺度和区县尺度下的最高预测精度分别达到94%和82%。

在货运行程时间预测方面，WANG 等[32-33]通过分析高速道路各分段货车流量与点速度的关系，通过K-means结合回归的方法分段预测行程时间，发现指数回归对于行程时间与速度-密度的拟合效果最好。针对城市物流配送场景，HUGHES等[34]基于案例GPS数据集及额外配送信息，分别对各种传统风险持续时间模型、传统回归模型和机器学习模型的预测性能进行对比分析，并选择其中表现优异的模型构建了KNN 结合回归模型的两阶段模型，结果表明，先通过机器学习分类器判别行程时间是否超过预设阈值后再进行回归拟合能达到最佳的预测效果。在行程时间可靠性方面，不同于传统的采用第95%[40]和第80%[41]行程时间的估计方法，WANG等[31,33,35]分析货车点速度随时间及道路分段的变化特征，发现点速度变异系数和道路分段密度是行程时间可靠性的最佳衡量指标，采用K-means结合线性回归预测行程时间可靠性，具有一定参考价值。

在货运需求预测方面，现有研究主要基于流量和时间等特征结合需求预测模型进行。AHN 等[37]基于货车访问位置的次数和持续时间，结合SVR模型预测了城市中建筑工程项目的材料运输需求，基于此需求预估相关项目运输成本。蔡静[39]基于走行时间、节点流量和路段属性，结合OD 逆向推演模型预测了4 种货车通行政策下的路网货运需求。YOU[38]基于出行链信息，结合改进最大熵模型分别预测了低峰期(1～4月)、平峰期(5，11，12月)、高峰期(6～10月)以及全年尺度下的加州南海岸区域货运需求，结果表明，平峰期尺度下的预测精度最高，全年尺度下预测精度最低。

综上所述，基于轨迹数据预测货运特征具备可行性，但区别于乘用车辆及普通出行群体，载货车辆和货车司机具有特殊的职业性和规律性，还需要针对具体运输任务、货车司机属性及货运政策等进行深入研究。

3 货运轨迹数据与系统应用

3.1 货运系统路径优化：货运出行路径选择行为分析

出行路径选择行为研究是交通运输需求研究的重要组成部分，通过对出行者路径选择行为进行建模分析，能够深入理解出行者路径选择的影响因素和偏好，为出行供需规划与管理提供决策支持。传统的选择行为分析主要通过问卷调查的方式收集出行者的反馈信息，包含RP(Revealed Preference)和SP(Stated Preference)两类数据，受限于成本，通过问卷收集RP 数据无法大规模进行且效率较低；而SP 数据存在假设偏差的固有缺陷。因此，利用货车GPS 数据获取货车司机出行RP 数据，分析其路径选择行为成为更佳选择[42]。

选择行为分析通常包含选择集生成、影响因素选择及模型构建分析3 个步骤。在选择集生成方面，现有文献通过识别货运OD点后结合地图匹配找出各OD点可能的路径，例如，BISWAS等[43]为便于建模，在研究中仅考虑从GPS数据中提取出的货车经过路径。TAHLYAN[44]不仅考虑数据中货车的经过路径，还结合地图生成了OD间的其他相关性低的路线进行对比。KAMALI 等[45]通过共享路径比例衡量路径间的相关性，将生成路径按相关性进行初步分类，并强调路径多样性对选择行为分析的重要性。HESS 等[46]研究发现，与其他路径相似度越低的路径被选择的概率越高，证实了前者的假设。此外，也有学者通过直接指定选择集的方式进行研究[31,47-48]。

在影响因素和模型的选择方面，现有文献主要考虑了时间、费用和道路属性等因素，结合离散选择模型进行研究，例如，WANG 等[31,48]针对高速货运路径选择行为，考虑行程时间、行程时间可靠性及通行费率等关键因素，建立多项Logit 模型(Multinomial Logit Model,MNL)，研究结果证明了关键因素的显著负影响作用。HESS等[46]为分析长途重载货车司机的路径选择行为，在时间和费用的基础上加入道路类型和行程距离作为关键因素，考虑路径间相关性，建立误差成分Logit 模型(Error Component Lgoit,ECL)，并与MNL 模型进行对比，结果表明，ECL模型显著优于MNL模型，通过弹性分析发现不同于城市货运，路径属性变化对于长途重载货车司机的路径选择行为影响较小。TOLEDO 等[49]建立的混合Logit 模型(Mixed Logit,MXL)中额外考虑了行程时间变化、货车司机过往货运经验和地图软件是否推荐等因素，结果证明了这些因素对跨城货运司机路径选择行为的显著影响并识别了司机个体的偏好异质性。针对跨境运输尺度下的货运路径选择行为，GINGERICH 等[47]选择加拿大至美国的两条主要跨境路径作为选择集，考虑行程时间、时间段、以往选择经历、行业类型、承运商偏好等因素，分别建立二项Logit 模型(Binary Logit, BL)和MXL 模型进行分析，结果表明，平均跨境时间显著负向影响选择行为，时间段、过去选择经历、承运商偏好及行业类型也具有显著影响。针对选择模型改进方面，BISWAS 等[43]将行程时间作为潜变量开发了融合潜变量的选择模型(Integrated Choice and Latent Variable, ICLV)框架，并与传统模型进行比较，证明了该模型在数据拟合上的优越性。此外，也有研究将因素归纳为经济性、便捷性和时效性，建立MNL模型分析路径选择行为[39]。特别地，OKA等[50]认为考虑以多次出行目的地选择为基础的出行链选择更为合理，将GPS数据与东京货运大调查数据结合，建立递归Logit 模型，成功识别了东京大都市区货运司机的偏好，即货运司机更倾向于选择所需出行时间短、人口多、道路长和物流设施更加集中的区域作为目的地。

3.2 货运安全风险评估：货运停车休息行为与行驶安全

在货物运输活动中，驾驶员长时间连续驾驶造成的交通事故频繁发生，因此，许多地区颁布了货运服务时长法律，要求驾驶员在连续工作一定时长后必须停车休息。对货运中的停车休息行为进行研究，有助于了解货运停车需求，优化道路停车设施规划，保证驾驶员安全。现有文献主要研究安全风险较高的长途重载货车的夜间停车行为，CORRO等[51]通过GPS数据和夜间停车调查数据讨论高速路停车设施使用情况，结果表明，停车休息区存在较严重的过载。NEVLAND 等[52]将停车类型分为9 种类别，讨论各类别停车类型需求，在重点分析非法停车行为的基础上提出停车休息区规划政策建议。为探索影响停车设施使用的关键因素，HAQUE 等[53]建立基于泊松分布的有序响应Probit 模型(Ordered-Response Probit,ORP)，结果表明，天气、时间段、邻近道路的货车流量和道路属性对停车设施利用率有显著影响。MAHMUD等[54]将停车休息区按便捷程度分为6种类型，通过聚类得到夜间长时停车、非高峰长时停车和非高峰短时停车3种停车休息模式，并将不同停车休息模式与停车休息区类型进行匹配分析。此外，SEYA 等[55]不仅关注货车是否停车或在什么类型的功能区停车，也关注货车停留时间的影响因素，建立更先进的多重离散连续选择模型，分析长途重载货车在高速路上停车休息区类型和停留时间，结果表明，货车司机倾向于在离终点更近的服务区停车，停车空间、服务区之间的距离、停车体验对停车类型选择及停车时间有积极正影响，是否有便利店显著影响是否选择停车，商店和餐厅设施显著影响停留时间。

安全行驶是一切运输活动的前提，超速行驶和疲劳驾驶时刻危害着道路交通安全。基于货运轨迹数据，学者们也研究了货车司机驾驶行为，为探索影响驾驶风险的关键因素，郑留洋[56]通过Kmeans 结合贝叶斯判别函数识别货车驾驶风险，并使用有序Probit模型和SVM分类器分析驾驶速度、时间和天气等因素对驾驶风险的影响，结果表明，平均行驶速度、加速度和行驶时间均为驾驶风险的正向影响因素，在恶劣天气和夜间行驶的货车具有更高的驾驶风险。此外，在考虑司机个体及环境因素影响的基础上，DE VRIES[57]通过49 名货运司机问卷调查引入驾驶员个人性格特征，并结合GPS数据提取风险驾驶行为和驾驶效率进行相关性分析，结果表明，越谨慎的驾驶员表现出越危险的驾驶行为，越外向的司机的驾驶效率越低，司机的安全意识与驾驶效率呈正相关。

3.3 绿色货运系统：货运排放及能耗分析

车辆尾气排放是空气污染的主要来源之一，对生态环境和人类健康产生诸多有害影响。而多以柴油发动机为驱动的货运车辆在尾气排放方面占据主要比例，通过GPS数据获取货车运行特征可以估计货运活动的排放水平，为排放控制、环境保护和政策规划提供基础数据。现有文献主要分析碳氧化物、氮氧化物和PM2.5等有害物质排放，例如，PLUVINET 等[58]通过车载GPS 收集城市货运车辆的轨迹数据，并通过综合模式排放模型(Comprehensive Modal Emission Model, CMEM)估算货运碳排放，比较不同出行目的以及道路类型对货车碳排放的影响。在前者的研究基础上，GAN等[59]利用CMEM估算深圳市货运碳排放，并采用多元线性回归的方法探索出行目的、OD 人口密度、OD 节点之间的欧氏距离、车辆整备重量等因素对碳排放的影响，结果表明，不同出行目的碳排放及其关键影响因素具有显著差异。HULAGU 等[60]在研究中更多地考虑氮氧化物、PM2.5以及挥发性有机化合物等排放物质，从宏观(仅考虑速度)和微观(同时考虑速度和速度变化)两个角度估计各排放物的组成。也有研究主要针对某个或多个城市整体排放进行估计，例如，IBARRA-ESPINOSA 等[61]利用车辆排放清单模型估计巴西圣保罗市的整体排放清单。HOLGUIN-VERAS 等[62]通过GPS 数据和其他车载设备获取的信息估计美国纽约、巴西圣保罗及哥伦比亚波哥大的城市排放总量。国内以清华大学环境学院刘欢团队为代表，在道路交通系统排放及空气质量影响方面，利用GPS 轨迹数据，开发了多套面向交通大数据、排放瞬时变化的算法模型。其中，YANG等[63]通过GPS数据结合货运调查估计中国各省范围的整体排放，克服了传统的以货车注册地为基准的排放测量缺陷；DENG等[64]提出一种TrackATruck 方法，使用超过2000 亿条货车的北斗导航卫星系统信号，建立了较高时空分辨率和较低不确定性的京津冀地区的排放清单。

在货运能耗方面，NGUYEN 等[65]通过GPS 数据和燃油消耗记录分析了货车在进行废物回收工作的各个阶段的油耗，并评估了路径和装卸时间优化等策略对油耗的影响。MOORE[66]针对城市内部货运油耗问题，考虑使用不同燃料(例如，电动、非电动等)的货车类型组合的多种场景，并讨论分析不同场景下的燃料消耗情况。XU等[67]在获取货车GPS数据及发动机状态数据的基础上，开发了基于能耗指数和广义回归神经网络模型的两种新型模型，分析油耗与驾驶行为之间的关系，并与CMEM等传统模型进行对比，结果表明，新开发模型在能耗估计上显著优于传统模型。此外，VENTER等[68]基于GPS 数据对南非高速路上行驶的货车和乘用车进行了油耗对比分析。随着社会经济的高速发展，人们将更加关注健康及公平性问题，而现有研究主要聚焦于货运排放及能耗的量化研究，对于货运排放及能耗造成的居民健康及税收公平等问题的讨论还有所欠缺，未来需要结合社会人口属性展开深入研究。

3.4 政策支持：数据驱动的货运政策评估

基于货运GPS 数据对比货运政策实施前后时期的货运特征，可以客观评价货运政策的实施效果，从而针对性提出货运政策改善措施。现有文献主要分析道路收费、城市配送时间和区域通行等政策对货运特征、流量和路径选择行为的影响。例如，WANG等[48]评估了美国普吉特湾地区公路收费政策对货车运行速度和出行路径选择行为的影响，结果表明，收费政策实施后货车速度有所提升，是否收费和费率均显著负向影响出行路径选择行为。OKA 等[50]评估了东京市区分时段收费政策对于货运目的地选择的影响，结果表明，收费政策显著降低了货车至市区的出行频率。VENTER 等[69]评估了南非地区高速公路的不同类型收费政策(例如，高速收费、燃油税等)下各司机群体的收益成本，从而评估各种收费政策对于不同群体的公平性。在配送时间政策评估方面，FU 等[70]通过对比两种配送时间政策的运输效率，评估配送时间由高峰时段(白天)转移为非高峰时段(晚上)的效益，结果表明，配送时间段的变更能显著提高货物配送效率。HOLGUIN-VERAS 等[62]通过排放的减少率评估了采用不同转移比例的配送时间政策的实施效果，结果表明，完全实施非高峰时段配送能减少约45%的城市排放总量。在通行政策方面，蔡静[39]通过对比北京市货车限行政策前后的货运流量，评估政策实施效果，结果表明，货车限行政策显著减少了北京市区内部及由北京过境的货运流量。

除上述应用之外，货运轨迹数据也可用于丰富货运调查[51,71-73]、车辆怠速分析[74]、货运出发与到达时间分析[9]等。总之，货运轨迹数据的应用范围已较为广泛，为货运规划、环境保护、安全管理和交通政策制定提供了关键决策支持。

4 结论

(1)针对货车驾驶员的研究不足，未全面挖掘其在货物运输中活动出行行为特征。应结合货车司机心理和偏好因素，深层次的理解货车出行行为。事实上，货运活动出行与普通个体出行有较大差异，货运出行中伴随着货物装卸、长途运行中可能出现的汽车维修保养，以及加油和停车休息，也涉及到相对高额的过路费用、加油费用、货款担保等，货车司机更偏向于选择熟悉的路径，或者综合成本相对较低的路径，而并非最短路径。其出行驱动因素和目的、出行热点、出行距离和出行时空分布等都有所不同。特别是从驱动因素看，货运活动出行受到驾驶员个体偏好和货运任务需求双驱动，比起一般的个体出行，有特殊性和复杂性，其出行选择是司机对路径熟悉程度和获得订单可能性两者的均衡博弈。在未来的研究中，可将货运轨迹数据与其他多源数据相结合，从个体和群体两个层面深入探索货车驾驶员的独特特征。在个体层面，在货运活动中获利突出且稳定的驾驶员是货运活动中的实践专家，这类驾驶员具有更加贴合现实货运活动的宝贵实践经验，如何从众多驾驶员中识别高效驾驶员独特货运行为特征并借鉴其经验在系统中进行学习推广有待深入研究；如何通过对货车行为的预判，通过提供更好的Maas 服务，降低空载率，节能减排，降低货车出行成本也有待深入研究。在群体层面，可结合驾驶员群体社会人口属性进行货运供应市场细分，并针对不同群体分析活动行为，助力货运供需及车货匹配机制的分析。

(2)与近年来快速发展的自动驾驶技术结合的研究不足，缺乏重大事件影响下的货运策略研究。以货车为运输载体的货运市场在自动驾驶技术的冲击下必将出现巨大改变，相对于行驶于城市内部的车辆，货车在其行驶环境下具有更强的自由度，更易实现自动驾驶。同时，诸如新冠疫情等突发公共卫生事件的爆发也将对公路货运产生巨大影响。在未来的研究中，可基于货运轨迹数据从自动驾驶货车组队及应急货运政策两个方面进行深入研究。在自动驾驶货车组队方面，可通过时空轨迹数据挖掘和交通网络仿真技术探索不同货车组队模式的可行性及先进性。在应急货运政策方面，可通过精准预测技术和仿真技术探索在不同的紧急条件下现有货运政策的适应性，并基于预测结果开发和改进应急条件下货运政策。

(3)对基于货车移动获得的公路货运系统中车在地域活动的“车地交互”关系，货源在地域产生的“货地交互”关系，车货供需情况等“知识发现”研究不够，对整合散乱社会运力的关键技术研究也不足，缺乏基于轨迹数据挖掘的公路货运平台、需求客户和货车个体之间的利益关系及匹配机制的研究。在车地关系方面，可以根据货车高精度轨迹数据，挖掘货运系统中的地理热点，监控货运系统异常，开发货车专用导航和LBS(Location Based Service)服务，生成应急状态下货车最优行驶轨迹，实现精细化货车运行控制。在货地关系方面，可以根据货车与装载货源之间的关系，多维度、高粒度的刻画公路货运系统货源分布情况、货运通道情况，实现货物流动全流程的溯源和监控。在车货供需关系和匹配方法方面，可通过车货时空分布情况的挖掘和预测，实时动态掌握车货供需热区和冷区，将诸如深度强化学习等人工智能方法应用于综合调度系统中，基于海量时空轨迹数据、货单数据及业务反馈数据训练智能匹配模型，预测货运需求及供应产生的时间和空间位置，实现系统调度优化。在平台机制方面，可在挖掘客户和货车个体偏好的基础上，分析不同计价规则和激励政策条件下系统内各方的收益及整体系统效率，优化平台管理机制，实现各方利益公平。