全局检索与知识浏览

大规模GPS轨迹数据为人类移动性提供了丰富的观测信息，但因缺乏个体层面的真实标签、GPS噪声导致的空间不确定性以及兴趣点（POI）覆盖不全，且不同出行目的在行为模式上存在根本差异，故对检测出的停留点分配出行目的仍具挑战性。本文提出一种弱监督框架，该框架整合了邻域级POI语义区域与距离加权空间似然，并针对必要性活动与非必要性活动采用差异化推断策略，同时引入多阶段帕累托优化，在无需标注标签的前提下，联合最小化推断结果与家庭出行调查统计数据之间的分布差异，并最大化推断可靠性。在洛杉矶超过8100万个停留点（staypoint）上的评估表明，相较于可比基线方法，该框架分别将活动类型频率、起始时间及持续时间的Jensen-Shannon距离（JSD）降低了23%、48%和12%。所提方法为从原始GPS轨迹生成语义标注的移动性数据提供了一条可扩展且具备不确定性感知能力的路径，适用于交通需求建模与交通政策分析。

本文提供了一组公开可用的微观车辆轨迹（MVT）数据集，该数据集通过无人机（UAV）在异质性、区域化的城市交通条件下采集。传统路边视频采集方法在高密度混合交通场景中常因遮挡、视场角受限及车辆运动不规则等问题而失效。基于无人机的录制方式提供了俯视视角，可有效缓解上述问题，并更充分地捕捉空间与时间动态特征。本文所述数据集利用Data from Sky（DFS）平台提取，并在前期研究中通过人工计数、区间平均速度及浮动车轨迹进行了验证。每个数据集包含以每秒30帧分辨率记录的时间戳车辆位置、速度、纵向与横向加速度以及车辆分类信息。数据采集于印度国家首都辖区六个路段中部位置，覆盖多样化的交通组成与密度水平。探索性分析揭示了若干关键行为模式，包括车道保持偏好、速度分布特征以及异质性与区域化交通环境中典型的横向机动行为。本数据集旨在为全球研究界提供资源，以支持仿真建模、安全评估及区域化交通条件下的行为研究。通过公开发布这些实证数据集，本工作为研究人员提供了独特机会，以开发、测试并验证更能准确表征复杂城市交通环境的模型。

按需经济的快速发展深刻重塑了城市交通与物流格局，但将多站点配送任务序列与实际路径几何信息关联的公开数据仍十分稀缺。本文发布了一个基于饿了么平台脱敏记录构建的北京市即时配送任务城市尺度路径重建路线数据集。该数据集包含2020年2月期间79,648条重建的配送波次记录，关联986个匿名骑手标识符，覆盖267,529单订单。每条配送波次中，“派单”“取餐”和“送达”动作点均按原始记录时间戳排序，并通过高德地图骑行路径服务查询相邻动作点之间的路径，从而生成连续的路径几何信息。最终数据集记录了基于导航的骑行路径及对应的动作序列，揭示出具有启发性的时空规律性。原始记录验证表明，路径距离具有高度一致性，而耗时具有一致性中等水平。该城市数据资源可支持城市分析与交通管理领域的研究者开展配送活动研究、建模城市物流系统，并制定可持续发展政策。

车联万物（V2X）通信系统依赖于既包含车辆轨迹数据、又涵盖具备真实保真度的无线网络参数的数据集，以支撑预测与优化模型的构建。当前存在一项极为关键的研究基础设施缺口：公开可用的数据集通常仅覆盖移动性或网络参数二者之一，极少提供将两者统一整合的单一视图。本文提出MINT-V2X，该数据集通过耦合SUMO交通动力学仿真与OMNeT++/Simu5G网络仿真生成。其验证框架由14项标准化测试构成，依据3GPP Release 14（C-V2X）、ETSI标准及香农容量理论设计。最终数据集包含3小时城市交通仿真中1,386辆车辆与15个路侧单元（RSU）产生的987万条同步数据点。我们通过网络指标相关性（CQI-SINR：0.993；SINR-PDR：0.946）验证了严格的算法一致性。最后，我们通过RSU负载预测案例研究展示了该数据集的价值：相比仅依赖网络历史数据的基线方法，引入轨迹数据可显著提升预测性能。该数据集、实验代码及完整的SUMO配置文件均已开源至GitHub仓库，以支持在其他仿真平台上的复现。

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

出版日期：2026年9月；来源：《交通运输研究C辑：新兴技术》（Transportation Research Part C: Emerging Technologies），第190卷；作者：赵培林、黄义一（Yiik Diew Wong）、朱峰（Feng Zhu）

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

出版日期：2026年12月；来源：《交通运输研究C辑：新兴技术》（Transportation Research Part C: Emerging Technologies），第193卷；作者：王兴敏、王子豪、扎卡里·杰罗姆、刘宏宇

城市轨迹生成是交通仿真、城市规划与移动性分析的一项基础任务。然而，由于现有研究常采用不同的数据集、预处理流程、轨迹表示方法及评估指标，轨迹生成方法间的系统性比较仍十分困难。这种碎片化使得难以判断所报告的性能差异究竟源于生成机制本身，还是源于实验协议的不一致。为解决此问题，我们提出 CityTrajBench——一个面向城市尺度车辆轨迹生成的统一基准框架与协议。CityTrajBench 在统一设定下标准化了数据接入、轨迹归一化、特征构建、模型适配、地图感知后处理、模型选择及多层级评估。该基准支持多种异构生成器，包括统计基线模型、基于变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型（diffusion）及流匹配（flow-matching）的模型，并在三个真实城市轨迹数据集上对其进行评估。基准评估维度涵盖全局空间真实性、行程级分布保真度、轨迹级几何相似性、条件移动一致性以及计算效率。实验揭示了不同模型族间的显著权衡：DiffTraj 在轨迹级几何保真度上表现最优；DiffRNTraj 在结构敏感的全局真实性方面具有竞争力；TrajFlow 则在真实性、质量、条件一致性与效率之间实现了良好平衡。与此同时，一个简单的马尔可夫基线模型在粗粒度行程统计与局部运动统计上仍具竞争力。这些发现表明，城市轨迹生成质量本质上是多目标的，不存在单一模型能在所有评估准则上全面占优，且 CityTrajBench 提供了一个可复现、可扩展、可比较的评估平台。

无序交通流以弱化或缺失的车道规则为特征，在车辆异质性显著且持续发生横向交互的条件下形成，从而挑战了传统基于车道的建模假设。本研究利用无人机采集的城市主干道高分辨率轨迹数据，对无序交通的宏观与微观特性开展实证分析。采用Edie框架的二维扩展方法量化集总交通变量，并构建二维基本图，结果表明一维公式不足以充分表征交通状态，并凸显横向再分布的持续作用。拥堵传播通过时空速度场直接估计，揭示了连贯的停走波现象，其动力学行为与常规车道化交通流相似，尽管车辆交互具有高度异质性。在微观层面，采用稳态跟驰-领航识别方法分析期望车头时距与最小横向间距、车辆尺寸分布及运动学特征，发现显著的车辆类别间异质性，可解释无序交通行为。本研究建立了连接车辆级交互与集总交通动力学的实证框架，并为无序混合交通系统的交通模型校准与验证提供了数据驱动基础。

轨迹计算是一个关键研究领域，涵盖轨迹数据管理与挖掘，在位置服务、城市交通和公共安全等实际应用中具有重要作用，因而受到广泛关注。传统方法主要依赖简单的时空特征，面临计算复杂、可扩展性有限以及难以适应现实世界复杂性等挑战。本文全面综述了轨迹计算从深度学习到近期大语言模型（LLM）阶段的发展脉络与最新进展。首先，我们定义轨迹数据，并简要介绍常用的深度学习模型；继而系统梳理深度学习在轨迹管理（预处理、存储、分析与可视化）与轨迹挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、行程时间估计、异常检测及移动性生成）中的应用。此外，我们探讨了以基础模型（foundation models）和大语言模型为代表的大型模型在轨迹计算中的新兴研究方向与最新进展，这些进展有望重塑下一代轨迹计算范式。文中还总结了典型应用场景、公开数据集及工具包。最后，我们归纳了当前轨迹计算研究面临的主要挑战，并提出未来研究方向。相关论文与开源资源已整理汇总，并持续更新于：https://github.com/yoshall/Awesome-Trajectory-Computing。

导航服务的集体影响尚不明确：尽管通常对个体驾驶员有益，但其可能无意中重塑城市交通模式。我们在意大利佛罗伦萨、米兰和罗马开展模拟研究，整合了GPS数据、道路网络及主流导航服务提供商的路径推荐信息。我们识别出一种集聚效应：随着采用率上升，路径多样性下降，交通流与排放逐渐集中于更少的道路。在完全采用情形下，路径多样性较忽略所有路径推荐的基线情形最多降低14%。此外，导航服务在低采用率水平下可减少CO₂排放，但此类效益随采用率升高而减弱、消失，甚至在特定城市与特定服务的阈值之上发生逆转。我们在抽象化实验环境中复现了上述实验，所得结果与真实城市观测结果一致。

城市交通流受土地利用配置与时空异质出行需求之间复杂非线性交互作用的支配。传统的全球回归模型和时间序列模型无法同时捕捉跨多种出行方式的多尺度动态特征。本研究提出一种GeoAI混合分析框架，依次整合多尺度地理加权回归（MGWR）、随机森林（RF）和时空图卷积网络（ST-GCN），以建模机动车、公共交通和主动出行三种方式下交通流模式的时空异质性及其与土地利用的交互作用。将该框架应用于涵盖两种对比鲜明城市形态的六座城市中350个交通分析区的实证校准数据集，得出四项主要发现：(i) GeoAI混合模型的均方根误差（RMSE）为0.119，决定系数（R^2）为0.891，优于所有基准模型23-62%；(ii) SHAP分析表明，土地利用混合度是机动车流量的最强预测因子，而公交站点密度是公共交通的最强预测因子；(iii) DBSCAN聚类识别出五种功能迥异的城市交通类型，轮廓系数为0.71，且GeoAI混合模型的残差Moran's I指数为0.218（p<0.001），较OLS基线降低72%；(iv) 跨城市迁移实验显示，簇内迁移性中等（R^2>=0.78），但跨簇泛化能力有限，凸显了城市形态背景的主导作用。该框架为规划者和交通工程师提供了可解释、可扩展的工具包，用于支持循证的多模态出行管理和土地政策设计。

理解城市移动模式对设计高效且可持续的交通系统至关重要。受帕多瓦市及其周边地区实际应用的启发，我们提出了一种新颖的统计框架，用于分析和聚类基于电话数据生成的移动轨迹。我们引入一种成分表示法来刻画个体移动行为，该方法将设备定位的不确定性与周围道路网络信息相结合，在每个时间点编码与观测位置相容的不同道路类型所占比例。这一表述自然地纳入了测量不确定性，并使轨迹演化于单纯形空间中。为建模此类数据，我们构建了一个面向成分时间序列的状态空间框架，同时刻画电话定位误差与潜在移动过程的时间动态特性。在此表示基础上，我们提出一种基于状态空间模型混合分布的模型驱动聚类方法，以识别具有相似演化特征的轨迹群组。该方法可将个体移动行为在群体层面聚合为可解释的移动模式。案例研究结果表明，该方法能够有效揭示有意义的移动行为，其发现对政策制定者具有潜在参考价值。

交通仿真对城市公共交通基础设施干预措施的规划至关重要，其依赖于按车辆类型划分的起讫点（OD）数据。现有数据源均存在局限：稀疏分布的收费站传感器可提供准确的分车型车辆计数，而基于蜂窝网络活动的大规模移动性数据虽能捕捉人群聚合流动，却缺乏出行方式的细分，且存在系统性偏差。本研究构建了一个机器学习框架，利用稀疏的收费站计数作为真实值，对蜂窝网络数据进行校正与细分。该模型通过时间与空间特征，学习聚合移动性数据与车辆数据之间的复杂关系；并基于公交线路推断目的地，结合路径分配逻辑，将校正后的流量在OD对之间进行分配。该方法应用于挪威特隆赫姆市一处公交场站扩建项目，生成了按车辆长度类别划分的逐小时OD矩阵。结果表明，有限但精确的传感器测量值可用于校正大规模但聚合的移动性数据，从而产出具有实证基础的背景车流估计。此类宏观尺度估计可在目标位置进一步细化为微观尺度分析。该框架提供了一种可推广的方法，用以从蜂窝网络数据生成起讫点数据，从而支持下游任务——例如在数据匮乏情境下开展详尽的交通仿真，辅助城市规划者做出科学决策。

城市交通监测在安全分析、拥堵管理和事故响应中起着关键作用。Robotaxi（自动驾驶出租车）部署的增长为网络级交通监测提供了新机遇。尽管 Robotaxi 主要设计用于载客服务，但其也可被用作途经传感器以收集交通数据。与传统基础设施传感器或探测车辆相比，Robotaxi 车队构成了一个协同感知环境，能够集体采集时空连续的交通信息。本文提出了一种新颖的动态 Robotaxi 路径规划框架，明确将交通监测任务纳入目标函数。该框架引入了：(1) 一种与 Robotaxi 感知能力相匹配的基于单元的网络表示方法；(2) 一种用于量化 Robotaxi 时空覆盖率的单元级监测指标；以及 (3) 一种混合整数线性规划 (MILP) 模型，旨在同时最小化时变行程时间并最大化交通监测性能。研究在 SUMO 中构建了一个 5x5 的城市网格网络，并在三种 Robotaxi 市场渗透率（2%、5% 和 10%）及一系列目标权重组合下评估了该框架。结果表明，在目标函数中纳入时空网络覆盖率能有效提升交通监测性能。值得注意的是，通过合理设置两个目标之间的权重，可以同时改善监测性能和 Robotaxi 的平均速度。这表明更好的网络监测有助于更准确的交通状态预测和提升出行效率。这种双赢局面可能激励 Robotaxi 运营商贡献其车辆作为交通监测的途经传感器。

ATDM轨迹验证项目开发了一个验证框架和一个轨迹计算引擎，用于比较与验证仿真车辆轨迹及动力学特性与实测车辆轨迹及动力学特性。现场数据被用于演示如何利用实地布设的仪器化车辆数据，结合该验证框架对仿真车辆动力学特性进行验证。车辆轨迹数据是在主动交通需求管理（ATDM）轨迹级验证项目的另一项任务中独立采集的。本项目的主要目标是建立一种在轨迹层面验证仿真车辆动力学特性的方法。基于轨迹数据计算了微观与宏观性能指标，并将其应用于多项验证测试中，涵盖安全性、车辆运行限值、驾驶员舒适度以及交通流等方面。

本文详细描述并表征了一个新型开源车辆轨迹数据集 SWIFTraj，该数据集由配备 5.4K 分辨率相机的 16 架无人机组成的机群所拍摄视频构建而成。该数据集在多个方面区别于现有开源轨迹数据集：其一，它提供了长达 4.5 公里的高速公路连续长距离轨迹，支持对交通现象及其时空演化进行深入研究；其二，数据采集地点覆盖一条长距离高速公路走廊及其相连的部分城市路网所构成的集成网络，有利于从网络视角开展交通分析与建模。本文全面探讨了该数据集在交通研究中的潜在应用，包括多尺度下的交通流分析、建模与控制，以及与自动驾驶相关的一系列课题。最后，SWIFTraj 作为完全免费开放的开源数据集发布，以支持并加速交通领域未来的研究进展。该数据集可通过 SWIFTraj 官方网站（https://www.swiftraj.com）公开获取。

本研究考察了影响德国城市（汉堡）与乡村（图特林根）地区公共交通出行体验的事件，旨在识别影响出行体验并进而影响出行行为的事件。研究通过移动应用程序，由图特林根21名参与者与汉堡70名参与者记录日常出行，并实时评估出行体验及采集情境数据。采用多层回归分析方法，评估准点率、运力供给、公共交通信息等事件对行程中体验的影响。结果表明，在图特林根，充足的公共交通运力供给对出行体验具有最强的正向影响，而准点率缺失与个人主观幸福感低下则具有最强的负向影响；在汉堡，准点率缺失与负面信息事件的影响最大。这些识别出的影响为改善本地公共交通的决策与措施提供了依据。

本文详细描述并表征了一个新型开源车辆轨迹数据集 SWIFTraj，该数据集由配备 5.4K 分辨率相机的 16 架无人机组成的机群所拍摄视频构建而成。该数据集在多个方面区别于现有开源轨迹数据集：其一，它提供了长达 4.5 公里的高速公路连续长距离轨迹，支持对交通现象及其时空演化进行深入研究；其二，数据采集地点覆盖一条长距离高速公路走廊及其相连的部分城市路网所构成的集成网络，有利于从网络视角开展交通分析与建模。本文全面探讨了该数据集在交通研究中的潜在应用，包括多尺度下的交通流分析、建模与控制，以及与自动驾驶相关的一系列课题。最后，SWIFTraj 作为完全免费开放的开源数据集发布，以支持并加速交通领域未来的研究进展。该数据集可通过 SWIFTraj 官方网站（https://www.swiftraj.com）公开获取。

出版日期：2026年11月；来源：《交通运输研究D辑：交通与环境》（Transportation Research Part D: Transport and Environment），第160卷；作者：Mobina Nankali、Grace Arndtsen、Michael W. Levin

出版日期：2026年7月；来源：《Cities》，第174卷；作者：前田修太、加藤春香

识别能向过往车辆交通提供最大视觉曝光度的地点，是城市分析中的核心问题，其应用涵盖城市设计、导航、基于位置的服务以及街面设施的布设。传统选址方法通常依赖静态交通流量统计或主观评估。本研究提出一种数据驱动的方法，通过分析大规模城市环境中的网联车辆轨迹数据，客观量化地点可见性。我们基于插值所得的车辆轨迹，为每个车辆位置构建前向投影的可见区域，以建模动态驾驶员视场；再结合从OpenStreetMap提取的建筑顶点位置，量化沿道路分布的数千个潜在兴趣点的累积视觉曝光量（即“可见性计数”）。本研究的核心技术贡献在于：在建筑顶点上构建BallTree空间索引，从而支持高效（时间复杂度为O(logN)）的半径查询，以判定哪些顶点落入数百万轨迹点所对应的视域圆内——该方法显著优于暴力几何检查。分析揭示两项关键发现：1）可见性高度集中，可识别出若干“视觉热点”，其曝光量远高于平均水平；2）各顶点的聚合可见性计数服从对数正态分布。

轨迹预测是自动驾驶与协同驾驶系统的关键使能技术。然而，现有主流基准数据集大多以传感器为中心、地理范围受限，或基于合成移动轨迹，无法真实反映现实世界中车路协同（V2X）通信的动力学特性。本文提出CAMASA——一个大规模基于基础设施的数据集，源自摩德纳智能汽车区域（Modena Automotive Smart Area, MASA）Living Lab采集的协同感知消息（Cooperative Awareness Messages, CAMs）与去中心化环境通知消息（Decentralized Environmental Notification Messages, DENMs）。该数据集包含在真实城市交通条件下持续数月采集的逾4000万条CAM及200万条DENM。我们设计了一套严格的预处理流程，涵盖数据过滤、伪匿名化关联（以应对ETSI隐私规范导致的stationID动态变更）以及时间归一化（生成10 Hz采样率的轨迹），适用于运动预测与时序分析任务。CAMASA重建了逾14,000公里车辆行驶路径，并涵盖数万个唯一station ID，为协同式智能交通系统（Cooperative Intelligent Transportation Systems, C-ITS）研究提供了具有统计显著性的实证基础。除轨迹预测外，该数据集还可用于校准微观城市交通仿真器（如SUMO），并支持构建面向真实部署场景的智能交通系统（Intelligent Transportation Systems, ITS）数字孪生体，实现交通移动模式与V2X通信覆盖的联合建模。