国际知名学术期刊《Journal of Transport Geography》2026年1月发表了我院学者牵头完成的论文《哈尔滨重型货车活动出行链的时空分析：一种多分辨率GPS数据融合方法》（Spatiotemporal analysis of heavy-duty truck activity-trip chains in Harbin, China: A multi-resolution GPS data fusion approach）。论文由哈尔滨市市政工程设计院交通研究中心主任滕鲁、莱斯大学助理教授钱昕午、同济大学李兴华教授、刘皓冰教授、郭赟韬副教授、硕士生李明樾共同完成。
Li, M., Li, X., Guo, Y., Qian, X., Liu, H., & Teng, L. (2026). Spatiotemporal analysis of heavy-duty truck activity-trip chains in Harbin, China: A multi-resolution GPS data fusion approach. Journal of Transport Geography, 131, 104562.
免费访问链接：
https://authors.elsevier.com/a/1mUOd3RpEOiiOb
重型货车（HDT）是城市货运系统的核心运力载体，但在复杂大都市区场景中，其运行的时空规律与组织机制尚未得到系统、可解释的梳理与阐释。为此，本研究提出多分辨率时空融合（Multi-Resolution Spatiotemporal Fusion, MRSF）框架，通过融合大规模GPS轨迹、兴趣点（POI）语义信息及道路网络属性，深度挖掘哈尔滨市的典型货运模式。研究首先将原始轨迹重构为结构化活动出行链（activity-trip chain），并结合周边POI功能类别，推断货车停靠活动的具体目的；随后，在嵌套式多尺度空间分辨率下融合多维度时空特征，进一步对出行特性与活动语义进行联合编码构建相似度矩阵，实现对潜在货运模式的稳健识别。本研究使用哈尔滨市2万余辆HDT一周时间的真实运行数据，MRSF框架共识别出160,983条活动出行链，提炼出5类业务功能清晰、空间指向明确的典型货运模式，分别为：多停靠工业物流、城际整车运输、城市食品配送、城市首末公里集散、区域农业货运分销。多项实验及鲁棒性检验结果显示，相较于固定分辨率或单一特征的基线方法，MRSF框架在聚类有效性、类间可分性、结果可解释性及稳定性上均展现出更优性能。该研究成果为货运分区规划、运输走廊组织、路径优化等运营管理工作及政策制定，提供了切实可行的数据支撑与方法参考。
关键词：重型货车；活动链；时空聚类；多分辨率数据融合；POI语义分析
在大都市区货运系统中，HDT是承载装卸、补给、集散及跨城衔接等各类货运活动的核心运营主体。与客运通勤不同，货运具有更为显著的任务导向与链式组织特征：一次作业过程中可能包含多次停靠、跨越多类功能区。
然而，现有相关研究仍存在三类典型瓶颈。
1.尺度错配：固定空间分辨率要么过于粗放，掩盖城市内部货运细节，要么过于精细，使得跨区域链式货运行为被割裂，无法完整捕捉整体规律；
2.语义缺失：仅依赖距离、时长、速度等传统出行特征参数，难以解释货车停靠的核心原因，无法准确推断货运活动目的，导致行为解读流于表面；
3.可解释性不足：针对无监督学习得出的聚类结果，多数缺乏明确业务逻辑支撑，难以落地为货运分区治理、运输走廊组织及监管策略，实用性受限。
因此，本研究旨在构建一种统一框架，通过将原始GPS轨迹重构为活动出行链、为重型货车停留点赋予语义功能、从多尺度多维度时空信息中聚类出可解释的货运模式，破解上述研究瓶颈。
本文构建的多分辨率时空融合（MRSF）框架，打造了“出行链结构化—多分辨率融合—相似度建模与聚类识别”的一体化流程，可实现对重型货车活动出行链模式的可解释识别，同时精准刻画其出行行为。
该框架主要包括三个模块：
1.出行链结构化模块（Trip Chain Structuring Module, TCSM）：基于车辆轨迹数据识别货运相关停靠事件，据此将连续GPS点序列重构为结构化活动出行链（activity-trip chain）。同时引入POI功能类别作为语义依据，对停靠目的与活动类型进行推断标注，为货车移动行为注入活动语义信息，显著提升货运链式行为的可解释性与可迁移性。
2. 分辨率融合模块（Resolution Fusion Module, RFM）：大都市区货运系统普遍存在市内短距离配送与城际整车运输并存的多尺度空间特征。该模块构建嵌套式空间尺度体系，在不同尺度下提取对应时空特征表征，通过自适应层级权重与尺度融合机制实现跨尺度信息的协同融合，既能保留城市内部细粒度货运差异，又能捕捉跨区域货运结构性规律，有效缓解固定分辨率设定带来的尺度偏误。
3.特征聚合模块（Feature Aggregation Module, FAM）：对出行动态特征（如距离、时间、速度等）与活动属性特征（如停靠目的、功能语义等）实施联合编码，构建统一相似度矩阵，据此开展模式识别与聚类分析工作。该模块确保聚类结果不仅在统计层面具备可分性，更在业务功能与空间指向上形成统一解释框架，强化结果实用性。
图4 相似性建模：多维动态时间规整（MD-DTW）
本研究的主要贡献体现在两方面：（1）构建“轨迹—活动出行链重构—多分辨率时空融合—多特征统一相似度建模与模式识别”的端到端框架，在聚类有效性、类间可分性、可解释性及稳定性等指标上，均优于固定分辨率及单一特征基线方法；（2）基于哈尔滨市2万余辆HDT一周内的真实运营数据，识别出160,983条活动出行链，聚类得到五类功能差异化的典型货运模式，为大都市货运分区治理、走廊组织、减排管理及路径优化等工作，提供切实的实证依据与政策支撑。
基于哈尔滨市重型货车的轨迹数据，MRSF框架共识别得到160,983条活动出行链，并归纳出五类具有明确业务功能的典型货运模式。结果表明，各模式在服务空间范围、出行距离分布、停留时长及活动目的构成等维度均呈现系统性差异，并且能够与真实运营场景一一映射：
多项实验及鲁棒性检验结果显示，相较于固定分辨率或单一特征的基线方法，MRSF框架在核心性能指标上均展现出更优表现。该研究成果可为货运分区规划、运输走廊组织、路径优化等运营管理工作及政策制定，提供切实可行的数据支撑与方法参考。
