《Sustainability》：A Recognition Framework for Personalized Trip Chain Feature Map of Hazardous Materials Transport Vehicles
Bangju Chen,
Jiahao Ma,
Yikai Luo,
Leilei Chen and
Yan Li
编辑推荐：
针对危险品运输风险呈现链式分布、时空规律性及个体异质性的特点，本文提出一个集成轨迹补全、驻留点识别与特征提取的个性化行程链特征谱识别框架。该研究利用条件Wasserstein生成对抗网络(WGAN-GP)补全缺失轨迹，采用KMETHOD聚类算法识别关键停留点，并结合BERT模型进行兴趣点(POI)语义过滤，最终通过阈值激活的多层特征编码图(TAFEM)方法生成风险特征谱。基于广东液化天然气(LNG)运输轨迹数据的验证表明，所提框架可高效识别行程链并生成相应特征谱，为风险识别与主动安全管理提供支持。
危险品（Hazardous Materials, HazMat）运输是现代社会经济活动和产业链运行中不可或缺的一环，但其运输事故可能造成严重的人员伤亡、财产损失和环境破坏。尽管道路危险品运输事故在交通事故总量中占比较小，但其后果往往比普通货运运输更为严重。更令人担忧的是，虽然许多国家已广泛使用车载传感器来监控危险品运输车辆的实时运行状态，但这些数据的利用效率仍然较低，大部分管理措施仍处于事后响应而非主动预防的模式。与此同时，危险品运输通常具有小批量、相对固定的起讫点和稳定的运输路线等特点。如果能够利用连续的轨迹数据，从时空视角刻画车辆的个性化运行模式，并提取差异化的行程链特征谱，将能为制定主动管控措施、提升运输各环节的安全与效率提供有力支持。因此，构建一个危险品运输车辆的个性化行程链特征谱识别框架，具有重要的现实需求和应用价值。
然而，这一目标的实现面临多重技术挑战。首先，在实际运输过程中，轨迹数据常因信号遮挡、干扰和复杂环境而频繁缺失，这使得无法提取相应时段的车辆运行特征。其次，危险品运输车辆在单次行程中可能呈现多种作业类型，如“单点接收-多点送达”，不同行程段所载货物量不同，导致关联的风险特性也差异显著。如何准确识别完整的行程链及各子链的起讫点，成为精确刻画各子行程作业特性的前提。最后，尽管危险品运输过程规律性强，但在驾驶员行为、交通状况和周边环境方面仍存在随机性，需要一种有效的方法来识别每个子行程链的特征谱。针对这些挑战，研究人员在《Sustainability》期刊上提出并验证了一个综合性的识别框架。
为了开展此项研究，作者团队主要应用了三种关键技术方法。首先，设计了一个基于条件Wasserstein生成对抗网络(WGAN-GP)的轨迹补全模型，该模型整合了多头自注意力机制和梯度惩罚(Gradient Penalty, GP)，以应对大规模轨迹缺失、频繁的全球导航卫星系统(Global Navigation Satellite System, GNSS)信号漂移和模型训练不稳定的问题，能够高效准确地重构不完整的行驶轨迹。其次，提出了一种融合自适应多阈值聚类算法(K-Means-multiplE-THreshOlds-adaptive-DBSCAN, KMETHOD)与基于BERT(Bidirectional Encoder Representations from Transformers)模型的大语言模型语义识别方法，用于解决行程链结构识别困难以及区分临时停留与关键行程驻留点的问题。该方法还结合周围兴趣点(Points of Interest, POIs)信息来提取与危险品运输相关的设施类型。最后，开发了一种基于阈值激活特征编码图(Threshold-Activated Feature Encoding Map, TAFEM)的风险特征谱生成方法，以解决个性化行程链特征影响因素不明确的问题，从而系统地表征行程链特征、量化影响因素。研究的实验数据来源于中国广东省的液化天然气(Liquefied Natural Gas, LNG)运输轨迹数据。
3.1. 车辆轨迹补全模块设计
轨迹补全模块基于条件Wasserstein生成对抗网络与梯度惩罚(Conditional WGAN-GP)设计。该模块包含生成器和判别器两部分，通过整合多头自注意力机制与双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)编码器，克服了传统方法在补全大规模缺失轨迹段时存在的偏差和失真问题，能够有效捕捉历史数据中的长程时间依赖性和局部动态变化。引入梯度惩罚和包括重构损失、速度平滑损失在内的辅助损失函数，显著提升了补全轨迹的精度、物理合理性和训练稳定性。实验结果表明，该模型在不同缺失率场景下，平均绝对误差(Mean Absolute Error, MAE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和动态时间规整(Dynamic Time Warping, DTW)指标分别为2.34–3.33、6.05–7.74和0.74–1.21，优于其他基准模型。
3.2. 行程链识别与关键驻留点提取
针对轨迹点通常在停车位置周围密集聚集的特点，研究提出了KMETHOD双层聚类算法。该算法结合自适应机制和阈值规则，利用贝叶斯优化搜索最优的基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)参数，以识别有效的车辆停车点，并去除噪声。进一步地，通过集成周围的POI信息，应用基于BERT的语义识别模型提取与危险品运输相关的设施类型。结合行程信息，该方法能够准确识别行程链的起讫点(Origin–Destination, OD)，并将完整行程划分为子行程段。实验验证表明，该算法对驻留点持续时间和位置的识别准确率达到98.35%，基于BERT的方法在OD点识别中达到了92.83%的最高准确率，有效捕获了全面的行程链信息。
3.3. 基于TAFEM的行程链特征谱生成
在确定了子行程段之后，研究提出了TAFEM方法来揭示每个行程段的运行模式。该方法通过提取行程段特定的轨迹特征，对相关属性进行编码，并识别具有显著特征变化的节点，构建了一个表征行程链特征谱的多特征图。TAFEM能够精确表征个性化危险品运输安全风险的时空分布和潜在因果因素，为风险识别和安全管策略提供了可靠的基础。
4. 实验与验证
使用来自中国广东省的LNG运输轨迹数据对所提出的方法进行综合评估。实验结果表明，所提出的框架能够有效地识别行程链并生成其对应的特征谱。轨迹补全模型、行程链识别算法和特征谱生成方法均在各自的评估指标上表现优异，证实了所提方法的有效性和鲁棒性。
结论与讨论
本研究构建了一个用于危险品运输车辆个性化行程链特征谱识别的综合框架。该框架的主要贡献包括：（1）设计了一个条件Wasserstein生成对抗网络与梯度惩罚(WGAN-GP)模型，用于在轨迹数据大规模缺失、GNSS频繁漂移和模型训练不稳定等问题下，对危险品运输车辆轨迹进行补全。（2）提出了一种融合多阈值自适应聚类方法与大型语言模型（BERT）的行程链识别算法，有效解决了行程链结构识别困难和区分临时停车与关键行程驻留点的难题。（3）开发了一种基于阈值激活特征编码图(TAFEM)的风险特征谱生成方法，系统地刻画了行程链特征，量化了影响因素，实现了对危险品运输特征谱的全面建模。
研究的实验验证充分证明了所提框架在识别危险品运输行程链和生成个性化风险特征谱方面的有效性和优越性。这标志着在利用海量轨迹数据进行危险品运输风险主动感知与管理方面迈出了关键一步，为实现从“事后响应”到“事前预防”的管控模式转变提供了有力的理论方法和技术工具支持。未来研究可考虑将更多维度的数据（如天气、路况、车辆状态）集成到特征谱中，并探索该框架在其他高风险货运领域（如易燃易爆品运输）的应用潜力。
