基于Android 的轨迹分析应用设计与实现

肖雷鸣， 卿粼波， 冯 田

（1 四川大学 电子信息学院， 成都 610065； 2 四川大学 建筑与环境学院， 成都 610207）

0 引 言

在卫星定位技术与移动互联网软硬件技术的高速发展背景下，人们出行时产生的海量轨迹数据以各种方式被获取并保存下来。 这些轨迹数据都记录了移动对象长时间的位置变化，其反映出的移动对象人群的移动与活动特征、兴趣爱好和社会习惯等丰富的时空特征信息，引起了城市规划、社会学等多个领域研究学者的关注。 至今，研究者们已利用采集到的轨迹数据进行了大量的研究，挖掘出了轨迹数据在许多领域的应用价值［1-3］。 例如，轨迹数据已用于通勤［4］与职住空间分析［5］、交通路线的优化与设计［6-7］、城市交通状态的划分与识别［8］、城市绿道系统效用评估［9］、识别城市功能区［10］、商业选址［11］、个性化推荐路线［12］、道路推荐［13］、交通热点分析［14］等方面。

大量对轨迹数据的研究，使轨迹数据的分析方法形成了一定的研究范式。 研究者们通常将轨迹处理研究分为轨迹信息采集与轨迹分析两个步骤。GPS 嵌入式设备采集的轨迹数据［15］与信令数据［16］是研究者常用的数据来源，但由于前者造价昂贵，后者数据精度较低、获取渠道存在限制等原因，且随着本世纪以来Android 操作系统的迅猛发展［17］，借由地图平台营造的位置定位信息服务，致使研究者们更多地选择自主设计相关软件来持续获取定位信息［18］。 在轨迹数据分析方面，有研究者使用基于时间序列的聚类算法识别轨迹的停留点［19］、高频点与异常点［20］以及打车热点［21］等轨迹语义点；也有研究者利用判别分析［22］、支持向量机［23］等方法［24］识别轨迹中不同的出行方式，以及利用隔离机制进行轨迹异常检测［25］、利用轨迹信息测算持有者的运动能量消耗［26］等方法对轨迹进行分析。

尽管研究者们对轨迹数据的采集与分析流程已较为熟悉，但纵观现有研究，仍普遍存在以下3 个问题:

（1）轨迹采集与轨迹分析的割裂:采集端（GPS嵌入式设备、Android 设备）与分析处理端（PC 服务器）的分离导致无法对轨迹进行实时分析，同时也提高了实验环境的搭建成本。

（2）轨迹分析算法与实际应用的割裂:研究多针对单一语义进行分析（停留点、出行方式等），研究成果无法整合，非专业人员复现难度大，投入应用难度更大。

（3）缺乏易用的实时可视化系统。

基于上述原因，本文开发了一款集轨迹采集、轨迹分析（多语义）、轨迹可视化、轨迹分享四种功能为一体的轨迹分析应用。 该应用基于Android 平台与百度地图SDK 开发，能持续采集使用者的经纬度、速度、室内状态、POI 等轨迹信息；同时，通过嵌入在软件内部的相关算法（时间切片、停留点识别、语义分段等）对轨迹进行分段，计算出轨迹停留点、出行方式、起始时间、总时间、总距离等重要语义信息；此外，设计分享模块将分析结果以Excel 表格形式分享，便于研究者二次分析。 本文开发的轨迹分析软件，实现了对轨迹的实时采集、多种语义分析、可视化与保存分享，具有实时、集成、易用的特点，适用于各领域有轨迹采集与分析需求的相关人员。

1 系统设计

1．1 需求分析与模块设计

从目前轨迹研究中采集困难、分析片面、程序复杂、实用性弱四个角度进行需求分析。 采集轨迹数据时，用户需要实时查看定位数据以确认数据的正确采集或者进行轨迹的调整；轨迹采集结束后，用户需要即时得到分析结果，包括轨迹的时间、距离、速度、出行方式等详细信息；用户需要借助可视化界面对出行轨迹进行判断；在得到分析数据后，用户希望保存或分享原始数据与分析数据，便于后续研究。根据上述需求设计了四大功能模块，如图1 所示。由图1 可知，对这4 个模块的研发功能，拟展开阐释分述如下。

图1 轨迹分析应用模块设计Fig． 1 Design of trajectory analysis application module

（1）轨迹采集模块:在地图上能实时查看持有者的位置、速度、室内状态、附近POI 等信息；同时保存采集到的单点定位信息。

（2）轨迹分析模块:对单点定位信息进行分析。通过轨迹切片、停留点识别、切片整合、语义分段等算法对长时轨迹进行分段，并获得每段轨迹的用时、距离、出行方式等详细信息。

（3）轨迹可视化模块:在地图上可视化长时轨迹。 根据持有者不同的出行方式，以不同的颜色可视化轨迹片段，并添加始末点和停留点的点标记，点击标记能查看距离和用时等信息。

（4）轨迹分享模块:分享模块设计了保存与分享两大功能，能保存定位信息与分析结果至Excel表格，并支持一键分享至微信和QQ。

1．2 软件服务流程

软件的服务流程如图2 所示。 用户打开App后，软件自动加载地图界面；点击开始定位即可进行轨迹定位（定位过程中用户能在地图上查看当前的定位信息，也可以退出App 界面，系统则会自动在后台采集定位信息）；点击结束定位，软件自动进行轨迹分析、可视化以及保存分析文件，最后，用户可以选择是否分享文件。 整个操作过程中，使用按键少，操作简便。

图2 轨迹分析应用服务流程Fig． 2 Service process of trajectory analysis application module

2 关键模块实现

2．1 地图与定位模块

地图与定位模块是App 的基础模块。 此模块提供用户可视化与交互界面，用户能实时查看所处位置，获取地址、GPS、速度等详细信息。 地图模块中添加监听按钮用于开启与结束定位，实现轨迹采集与轨迹分析的功能。

模块调用百度地图 SDK 中的MapView.getMap（） 方法获取基础的地图可视化界面，地图界面拥有基础的缩放查看功能；然后，通过基本参数的设置与监听注册，获取定位服务；获取定位服务对象后，通过setScanSpan（） 等方法设置定位时间间隔等回调参数；最后，在回调函数中使用相应的get方法获取所需的定位信息；图3 为定位模块的方法流程图。 此外，当前时刻回调的定位信息会储存至动态Stringbuffer变量中，使用TextView.setText（）方法将储存的变量值以文本框的形式添加到地图界面，如图4 所示。 同时，自定义Point类来描述当前时刻定位点，自定义的静态List ＜Point ＞变量pointlist储存所有时刻的定位信息，用于后续的轨迹分析模块。

图3 定位模块方法流程Fig． 3 The method flow of the positioning module

图4 定位信息Fig． 4 Positioning information

2．2 轨迹分析模块

轨迹分析模块是轨迹分析应用的核心模块，对定位模块储存的连续单点定位信息进行分析，得到轨迹的用时、距离、停留点、出行方式等信息。 轨迹分析模块细分为轨迹切片、切片识别与整合、语义分段与输出规范化四个部分。 各部分的功能划分如图5 所示。

图5 轨迹分析模块Fig． 5 Trajectory analysis module

2.2.1 轨迹切片

即便定位模块单点定位信息的采集频率足够高，但对于时间跨度较大的轨迹，单点GPS 定位信息很难有效地描述轨迹的状态。

问题1使用连续的单点定位描述长时轨迹，描述结果整体性差。 例如，当一段长时间的步行中有多次短暂停留（几秒左右），这一段步行轨迹就会被描述为大量的步行轨迹片段与停留轨迹片段。

问题2使用采样间隔较大的单点定位来描述长时轨迹，相当于对连续的单点定位进行抽样，而使用单点定位信息来描述连续的轨迹会产生较大的误差。

针对上述存在的问题，为保证轨迹分析的整体性和低误差，本文提出使用轨迹切片的方法对长时轨迹进行分析，将整个轨迹片段按固定时间尺度进行切分，然后进行整体分析。 切片大小（切片包含的单点定位个数）为clipsize，由本小节问题1 可知，clipsize值不宜过小，此外clipsize值根据采集的轨迹时长灵活设置（本文系统测试时长为30 min 内，测试中clipsize的值设置为60，即轨迹分析的精度以1 min为单位）。

轨迹切片如图6 所示，长时轨迹被切片为固定长度的片段，一个轨迹切片中有多个定位点，切片和单个定位点具有独立的属性，其中单点定位的pointlogi、pointlati、pointspeed、pointindoor等属性由定 位 模 块 的getLatitude（ ）、getLongtitude（ ）、getSpeed（）、getUserIndoorState（） 等方法获取，切片的属性（clipspeed、clipindoor、clipvehicle等）由单点定位属性计算得到。keypoint为切片的第一个单点定位索引。

图6 轨迹切片Fig． 6 Trajectory slices

2.2.2 切片识别与整合

轨迹切片后，利用切片包含的单点定位的属性对切片的速度、室内状态、出行方式等属性进行识别。 这里给出研究阐述如下。

（1） 速 度:clipspeed由 从pointlist中 获 取 的pointspeed计算得到，即:

（2）室内状态:当每个clip 中clipindoor的数值大于clipsize／2 时，clipindoor设置为1（1 表示室内，0 表示室外）。

（3）出行方式:停留与非停留两种状态。 当切片识别为非停留状态时，其出行方式由clipspeed（单位为m／s）确定，在采集的社会实验数据［27～29］的范围内可将出行方式划分为步行（0 ＜clipspeed≤1.4）、 自行车（1.4＜clipspeed≤5）、 汽车（5＜clipspeed≤8.3），地铁（clipspeed ＞8.3） 四类。

停留状态的识别是出行方式识别的关键部分。停留点类型如图7 所示。 由图7 可知，停留点分为静止型停留点和徘徊型停留点两类。 在识别停留片段时，存在以下情况:

图7 停留点类型Fig． 7 Stop point types

情况1使用速度判别停留点时，会漏判徘徊型停留点。

情况2使用距离阈值判别停留点，当运动速度较快时，存在切片内大量定位点速度为0、但仍有定位点超出距离阈值，导致静止型停留点误判为运动轨迹片段的情况。

为同时保证2 类停留点的准确识别，本文提出使用速度和距离联合判断停留点，判别算法如下:

算法1 联合速度与距离判断的停留点识别

for（intpoint ＝keypoint；point - keypoint ＜clipsize；point ＋＋）｛

if（（pointlist.get（point）.speed）＝＝0）

i ＋＋； ／ ／统计速度为零的定位点

if（GetDistance（pointlist.get（point）.pointlist.get（keypoint））＜30）

j ＋＋；／ ／统计处于距离阈值内的定位点

｝

if（i ＞＝clipsize／2‖j ＝＝clipsize）｛／ ／联合判断

clipvehicle＝“停留”

clipspeed＝0.0；

｝

程序中，point为单点定位在pointlist中的索引，i为速度为0 的point个数，j为小于距离阈值的point个数，距离阈值设置为30 m，代表停留时所允许的徘徊范围，可根据实际需求设置。

切片识别后，为进一步分析与输出，将判别属性相同的切片进行整合。 切片整合示意如图8 所示。

图8 切片整合Fig． 8 Slice integration

2.2.3 语义分段

在实际测试中，行驶速度较高的交通工具在行进过程中，速度不会稳定地保持在某段大小范围内，通常会因为不同的路况导致暂时的低速行驶，从而导致出现机动车运动轨迹被误判为步行、自行车的情况。

针对上述误差，提出使用已判别后的轨迹片段的语义进行二次分析的方法。 语义分段算法的部分核心代码如下:

算法2 语义分段算法

for（inti＝0；i ＜cliplist.size（） - 1；i ＋＋）｛

if（cliplist.get（i ＋1）.id-cliplist.get（i）.id ＜2）

／ ／连续值小于clipsize的2 倍则视为短时轨迹

cliplist.get（i）.semantic ＝″timetooshort″；

｝

for（inti＝0；i ＜cliplist.size（） - 1；i ＋＋）｛

if（cliplist.get（i）.semantic ＝＝″timetooshort″）

if（cliplist.get（i ＋1）.semantic ＝＝ ″timetooshort″）

c ＋＋；…；／ ／变量c为短时轨迹连续出现的次数

else｛

／ ／加权平均前c段短时轨迹的速度

clip.speed ＝getavespeed（i -c，i，cliplist）；

／ ／二次判别出行方式

clip.vehicle ＝getavevehicle（clip.speed）；

／ ／重新统计连续短时轨迹数量

c＝0；…；

｝｝

首先，标记出高速运动片段及其邻近的短时轨迹片段的语义属性（semantic）为短时（timtooshort），然后使用getavespeed（） 方法对连续的标记轨迹做均值处理，使用getavevehicle（） 方法重新判断速度和出行方式属性，同时考虑到速度为零的片段对速度均值的影响较大，停留片段将不被标记；语义分段的示意图如图9 所示。

图9 语义分段Fig． 9 Semantic segmentation

2.2.4 输出规范化

通过自定义Output类将每段轨迹的停留、出行方式、速度、室内外状态等属性信息存入实例中，并通 过 自 定 义 的getallDistance（ ） 函 数 与getspendTime（） 函数计算各段轨迹的始末时间与总距离，通过Output实例的各类属性规范描述每段轨迹的信息，为后续的轨迹可视化及轨迹文件生成与分享提供易用的输入数据。

2．3 轨迹可视化模块

轨迹可视化模块的功能为将轨迹分析模块得到的结果呈现在地图上。 在绘制地图上不同交通方式的轨迹以不同颜色绘制，且添加了停留点点击窗口用于呈现相关信息。 点击后的可视化结果如图10所示。 可视化使用百度地图SDK 组件，可视化之前将会获取轨迹段的始末索引信息，使用mBaiduMap.addOverlay（） 方法将非停留轨迹片段所包含的point绘制在地图上，实例化PolylineOptions（） 对象设置绘制的粗细与颜色；对于停留的轨迹段，将其对应的point存储至一个数组中，同时通过mBaiduMap.showInfoWindows（） 方 法 批 量 绘 制 点 标 记， 创 建InfoWindow.OnInfoWindowClickListener监听对象，重写onInfoWindowClick（） 方法来设置点击后弹出的信息窗口，显示的内容为Output类的对象。

图10 轨迹可视化Fig． 10 Trajectory visualization

2．4 保存与分享模块

保存与分享模块的功能主要由自定义FileUtil工具类中的writeToExcel（） 方法与ShareUtils 工具类中的ShareWechatFriend（） 方法实现。 在App 文件目录下的files 目录中创建.xls 文件。 第一个sheet表单，命名为“GPS 信息”，用于写入pointlist 列表中存储的单点定位信息，第一列的表头信息与Point 类的属性对应，保存的文件格式如图11 所示；第二个sheet 表单命名为“分析结果”，用于写入outputlist中保存的分析结果，第一列的表头信息与Output类的属性对应，保存的文件格式如图12 所示。

图11 单点定位信息保存格式Fig． 11 Single－point positioning information save format

图12 轨迹分析结果保存格式Fig． 12 Trajectory analysis result save format

以微信分享为例，在自定义的ShareWechatFriend（）方法中，使用packageManager.getInstalledPackages（）方法获取PackageInfo参数，根据PackageInfo的值判定是否安装微信客户端， 然后使用FileProvider.getUriForFile（）方法使保存在本地的.xls文件能提供给外部应用，最后使用setPackage（PACKAGE_WECHAT）与setAction（Intent.ACTION_SEND） 方法调用微信，加载出分享页面，并分享创建的xls 文件。 分享页面如图13 所示。

图13 分享页面Fig． 13 Share page

3 系统测试

3．1 App 开发环境

本文开发的轨迹分析应用是一款在Windows7操作系统环境下，使用Android Studio 3.1.23 集成开发环境进行开发的软件，其中Android SDK 开发工具包版本为API 29，适配Android 10.0（Q）平台。 软件的基本功能与核心算法全部使用Java 语言编程实现，软件的可视化界面设计主要使用XML 语言与Java 语言完成设计。 开发中，Java 语言使用的开发工具包版本为jdk 1.8.0_301，保存与输出的数据使用xls 文件格式存储，使用Redmi Note 7 手机进行调试与测试，软件输出的所有结果都由测试机实测产生。 Release 版本的APK 文件大小在15 Mb 左右。

3．2 GPS 定位精准度测试

本文软件使用百度定位SDK 采集单点定位信息，虽然定位信息已用相应的格式保存至Excel 表格，但是无法直观地判断采集的定位信息是否合理，因此设计了对比实验，对软件GPS 定位的精准度进行测试，测试方法如下。

使用谷歌GPS 定位手表采集的定位数据与轨迹分析App 采集的定位数据进行多次比对，并可视化两者的轨迹路线图。 GPS 手表的可视化使用谷歌专用的“GPX”软件完成，轨迹处理App 定位数据的可视化由自主设计的可视化模块完成；绘制二者的速度曲线进行对比，如图14（a）、14（b）所示。

从图14 中的速度曲线图可看出，两者采集的单点GPS 数据准确度基本一致，证明App 采集的单点定位数据的可靠性。

此外，由图14（a）可知，0.6 ～1.2 h 的高速时段是一段客车的运动轨迹，但由于轨迹速度曲线并不稳定，容易出现类别误判为停留点或者其他交通工具；图14（b）中的红色虚线部分，GPS 手表甚至出现速度异常片段。 上述现象表明，利用单点定位信息作为轨迹分段的依据是存在较大误差的，这也是本文对轨迹进行切片与语义分段的一个重要原因。

图14 精准度对比Fig． 14 Comparison of accuracy

3．3 轨迹分析测试

根据出行的距离，轨迹分析测试分为短程测试与长程测试。

3.3.1 短程测试

短程测试步骤如下:打开App→点击开始定位开始采集定位信息→查看可视化轨迹→点击结束定位→保存与分享文件。

本例短程测试的轨迹路径为:教学楼停留-步行至食堂-食堂用餐-步行寻找共享单车-等待共享单车解锁-骑车返回教学楼门口-步行进入教学楼。测试流程如图15 所示。 轨迹采集过程中，软件可退至后台运行，整个操作过程只需点击3 次按钮。

图15 短程测试Fig． 15 Short distance test

3.3.2 长程测试

由于测试人员在测试过程中不可避免会乘坐高速移动的交通工具，而此类交通工具的速度往往是不稳定的，因此增加长程测试来验证语义分段算法处理此类轨迹的有效性。 测试结果是一段乘坐机动车的出行轨迹，由于存在红绿灯、堵车等情况，机动车的速度不够稳定。 将未使用语义分段的分析结果（图16（a））与使用语义分段的分析结果（图16（b））全部保存至本地进行对比，可以看出，使用语义分段算法后，将交通工具识别为自行车的轨迹片段归化为了汽车。 最终的分析结果与实际相符，验证了语义分段算法的有效性。

图16 长程测试Fig． 16 Long distance test

4 结束语

本文基于Android 平台与百度地图SDK，开发了一款集轨迹采集、轨迹分析、轨迹可视化、轨迹分享四种功能为一体的轨迹综合处理系统，能实现对轨迹进行实时采集并分析轨迹的多种语义信息，还可支持可视化与轨迹分享；App 可用于辅助解决通勤分析、职住协调、道路优化等问题，但由于研究时间的局限性，App 中仍有一些不足之处，其功能也有待进一步开发。 今后可优化或添加如下功能:

（1）实时绘制轨迹功能。 在轨迹分析App 中，可视化模块是在用户停止定位后可视化整段轨迹的，不够直观。 今后可将可视化模块升级为实时绘制模块，这样在采集定位信息的过程中就开始绘制轨迹，能使用户更直观地了解到当前的轨迹动向，带来更好的交互性。

（2）语义分段优化。 语义分段还不够精准。 在遇到复杂的轨迹路线或者苛刻的定位环境（地铁站内）会导致语义分段生成的结果不够精准。 今后可考虑将附近POI 类型或者车道信息纳入语义分段的判断条件中，以进一步提高轨迹分析的准确度。