重型货车是现代物流系统的核心载体，其运行特征的精准刻画对提升物流效率、适应经济发展、环境保护与基础设施规划等需求具有重要意义。识别重型货车的停留行为（包括时间、地点、时长与目的）是深入分析其运行特征的关键基础。本文提出一种基于轨迹点序列的时空聚类方法（Velocity-Originated Spatio-Temporal Clustering of Trajectory Point Sequences, VSTC-TPS），该方法融合GPS数据的时空维度信息，并引入自适应阈值机制，以有效处理不同车辆轨迹数据的异质性。基于上海市一周时间超过10万辆重型货车的7.12亿条GPS记录进行验证，本方法在处理速度与聚类精度上均优于多种现有算法结合复杂网络社区识别技术，还进一步揭示了上海市内部显著的物流联系格局与差异化的货运社区结构。本研究不仅为物流参与者提供了更科学的决策依据，也为优化城市货运系统、降低环境影响、推动可持续城市发展提供了有效的工具与参考。

关键词：市内重型货车；GPS数据；停留点识别；货运社区识别

重型货车是城市内部货运的核心载体，在需求密集、时效敏感的城市环境中，对维持经济活力与供应链连续性具有关键作用。尽管其数量占城市货运车辆比例不足50%，却承担了超过75%的货运量。然而，重型货车在保障物流畅通的同时，也带来空气污染、交通拥堵和道路安全等突出问题，亟需在发挥其物流价值与缓解负面效应之间取得平衡。

准确识别重型货车的停留行为（时间、地点、时长与目的），是优化货运系统、制定科学政策的重要基础。现有数据采集方法如调研统计、利用路侧传感器等存在样本有限、成本高或易受干扰等问题。随着重型货车全面安装车载单元（Onboard Unit， OBU），轨迹数据为停留行为识别提供了新途径，但仍面临技术挑战：现有识别方法或依赖主观阈值、抗干扰能力弱，或计算复杂、难以适应大规模异构数据。

为此，本文提出一种基于轨迹点序列的时空聚类方法，融合GPS时空特征，引入自适应阈值机制，以提升在异质数据中的识别精度与效率。以上海市10万余辆重型货车、超7亿条GPS记录为实证对象，验证了本方法的优越性能。进一步结合网络社区分析，揭示城市内部的物流关联结构，为货运优化与可持续城市治理提供支撑。

经过数据预处理，本文从数据精度和采样间隔两个方面分析了车辆间轨迹数据的异质性，在密度聚类算法OPTICS（Ordering Points To Identify the Clustering Structure）的核心原理基础上，重新定义了可达距离的计算，进一步考虑了轨迹点序列的时间顺序约束，将可达距离的计算融合了时间与空间双重维度信息，使其不仅反映点的空间临近性，也捕捉了其时间上的连续性。

为验证识别方法的准确性，本文从重型货车轨迹数据集中随机抽取1000辆样本车辆的轨迹数据，在地理信息系统中，将抽选车辆的轨迹数据与高德地图的卫星地图以及利用高德地图API爬取的货运相关兴趣点数据进行人工叠加分析，停留点识别准确率达96.78%，活动位置识别准确率为88.26%。

本文在交通小区层面，对货运活动热点区域（图2）和OD分布（图3）开展分析，并利用复杂网络社区发现算法，识别上海市交通小区间的货运组团联系（图4），主要揭示了上海市重型货车的空间活动规律与区域间货运联系特征：货运活动呈现显著的外围集聚特征；服务港口集疏运和产业供应链的特征明显；货运社区通常以港口、货运火车站、物流园区及制造业基地为中心等。

图2 货运活动点分布

图3 交通小区间OD量分布

本研究提出了一种针对重型货车停留行为识别的轨迹点序列时空聚类方法（VSTC-TPS）。结果表明，该方法在准确性与计算效率方面均表现出色，为物流与城市管理提供了有效的分析工具。物流管理者可借助该方法深入洞察车队运营状况，进而优化调度策略与运输路线，实现燃油消耗与运营成本的降低；城市交通管理者则能基于对车辆移动模式与货运活动区域的精准分析，制定数据驱动型的交通管理政策，提升货运系统整体效能。

VSTC-TPS方法的核心优势在于自适应阈值机制，该机制使其能够有效应对不同来源GPS数据的质量异质性，从而在大型车队管理或多源数据场景中保持稳健性能。尽管本研究的验证是基于重型货车强制安装车载单元（OBU）所获取的全样本轨迹数据，但该方法框架具备良好的泛化能力。这种自适应设计使其同样适用于部分样本或数据覆盖不完整的场景，仍可保证停留点识别的可靠性。

随着数据匿名化技术与跨机构协作机制的日益成熟，VSTC-TPS方法在国际范围内的应用潜力有望进一步释放。通过与各行业利益相关方的深度合作，该方法可为全球不同城市的可持续货运规划与智慧治理提供通用且可靠的解决方案。