用于机会主义城市感知的车辆车队优化：一种基于上下文的熵方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Vehicle fleet optimization for opportunistic urban sensing: A context-aware entropy-based approach

车辆驱动的移动众包感知研究提出自适应效用量化方法，整合多源公开数据（街景影像、POI、路网特征、交通拥堵指数）量化不同场景下的传感效用，并通过上下文感知的熵最大化算法优化车辆编队以平衡预算与覆盖多样性。基于广州320辆出租车实测数据，验证其在PM2.5监测和热暴露分析中优于传统方法，且对空间时间分辨率变化具有鲁棒性。

　　

钟慧|卢青龙|龙志旭|刘永红|郑新虎

系统中心，香港科技大学（广州），中国广州，511453

摘要

基于车辆的移动众包提供了一种经济高效的数据收集解决方案。然而，在不同的应用场景中测量感知效用以及在预算限制下优化车辆车队仍然是关键挑战。为此，本研究提出了一种自适应的效用量化方法，该方法整合了多种公开可用的数据集，包括街景图像、兴趣点（POIs）、道路网络特征和交通拥堵指数，以考虑各种空间和时间模式，确保其应用的灵活性。随后提出了一种基于上下文的熵车辆选择算法，以在最小化冗余观测的同时最大化车队的感知效用，从而实现覆盖范围的多样性。我们使用由中国广州320辆出租车生成的大规模真实世界感知数据集进行了案例研究，这些出租车执行了多种感知任务，涵盖了空气污染物和热指标的监测。大量实验结果表明，所提出的方法通常优于现有策略，在使用更少车辆的情况下实现了更高的感知精度。为了进一步评估其鲁棒性，我们测试了出租车轨迹的时空一致性以及对空间和时间分辨率的敏感性。结果表明，车辆轨迹表现出强烈的日变化特征。尽管较粗的时空分辨率可以降低感知复杂性并提高性能，但所提出的方法在不同分辨率配置下表现仍然相当好。消融研究进一步揭示了由交通动态提供的时间特征的关键作用，而来自静态特征的空间特征仅带来边际收益。这些发现为开发预算敏感且跨场景的城市感知策略提供了理论和实践见解，特别是对于快速变化的任务，如城市环境监测。

引言

智慧城市技术的快速发展推动了城市感知基础设施的广泛部署（Du等人，2018年；Liu等人，2025年）。从智能手机到车载传感器，无处不在的感知设备使移动众包成为可能，这种模式利用人类的流动性进行大规模数据收集（Calabrese等人，2013年；Ghahramani等人，2020年；Ji等人，2023a年）。通过将个体转化为动态感知节点，移动众包增强了关键城市指标的动态测量，包括环境条件、交通动态和基础设施完整性（Anjomshoaa等人，2018年；Bock等人，2017年；Bonola等人，2016年）。与受固定空间覆盖范围限制的传统静态传感器网络不同，这种新的感知方法利用人类移动来实现更精细的时空分辨率和自适应城市感知（Ma等人，2014年；Wang等人，2018年）。

基于车辆的移动众包，通常称为驾车感知（DS），近年来由于其成本效益、部署灵活性和广泛的时空覆盖范围而受到越来越多的研究关注（Batur等人，2022年；Ji等人，2023b年；Tonekaboni等人，2020年）。迄今为止，用于实施DS的车辆通常可以分为两类：机会性车辆（例如出租车、公交车和垃圾车）和租赁车辆（例如专用服务车辆和无人机）。通过为非专用车辆配备传感器，DS可以在日常运营过程中机会性地收集城市数据（Ji等人，2023a年）。因此，这种基于车辆的感知方法最小化了对常规车辆活动的干扰，显著降低了数据收集的复杂性，同时提高了可扩展性。与成本高昂且部署频率较低的租赁车辆相比，DS利用现有的车辆车队作为移动感知平台，成为最广泛采用的移动众包方法之一。然而，它在量化感知效用和优化车辆车队方面也存在挑战，因为数据收集者缺乏完全控制权，这些车辆通常由独立第三方运营。为简单起见，除非另有说明，这里的DS特指基于车辆的驾车感知。

鉴于感知数据的效用在很大程度上取决于车辆车队的时空覆盖密度，上述两个挑战在大多数情况下是相互关联的。因此，它们通常可以统一为一个优化问题，旨在确定在平衡感知分辨率和运营成本所需的最小车队规模（Cruz等人，2020年；Han等人，2024年）。优化框架涉及两个基本组成部分，即基于车辆时空覆盖的个体感知效用建模，以及车辆加入车队后的感知效用增益量化。显然，这些组成部分直接影响车队选择和传感器部署策略。尽管先前的研究表明即使小型车队也能实现广泛的空间覆盖（O’Keeffe等人，2019年），但确定最佳车队规模仍然是一个未解决的问题，特别是考虑到目前还没有共识来量化不同应用场景下的感知效用。例如，空气质量监测和城市热岛分析需要更高的时间分辨率，因为污染物水平和热梯度变化迅速，而建筑环境评估和基础设施网络分析对细粒度的时间变化不太敏感（Batur等人，2022年；Caminha等人，1976年；Fan等人，2021年）。此外，由于不同地理区域的相对重要性，存在异构的空间感知需求（Tonekaboni等人，2020年）。人口密集的城市中心和交通枢纽需要比周边区域更精细的监测（Desouza等人，2020年）。此外，许多现有研究忽略了不同时空分辨率对机会性感知性能的影响，这在实践中非常重要，这通常是由于与成本和部署持续时间相关的实验限制（Anjomshoaa等人，2018年）。因此，大多数研究在公里级别上进行，而许多实际感知应用需要更精细的空间和时间粒度（Han等人，2024年）。

本研究通过开发一个灵活的车辆车队优化框架，在预算限制下最大化机会性城市感知效用，从而在这一方向上取得了进展。具体来说，我们提出了一种概率建模方法来表征单个车辆的感知效用，该方法结合了从多种公开可用数据集中提取的城市环境的空间和时间特征。这种方法通过考虑与任务相关的城市指标的时空动态，促进了多个城市感知任务整合到一个统一的优化框架中，从而提供了高灵活性。为了解决车辆之间时空覆盖的潜在重叠和冗余问题，我们引入了一种基于上下文的最大熵方法来进行最佳车队选择。与仅基于绝对边际收益的传统方法不同，我们的基于熵的方法明确将车队选择与任务相关特征联系起来，从而产生提供更丰富和更具任务信息量的感知覆盖的车辆车队。本文的贡献有三方面：

•

我们提出了一种基于通用感知效用函数的新车辆车队优化模型，该模型整合了多源公开可用数据。该模型能够适应特定于任务的应用场景，同时满足各种感知要求和用户定义的偏好。此外，该方法利用这些时空权重在预算限制内有效处理不同的感知优先级。

•

我们系统地研究了时空分辨率对感知覆盖范围的影响，并通过一系列具有不同感知优先级权重的消融研究评估了所提出框架的鲁棒性。

•

我们使用从中国广州320辆配备GPS的出租车收集的大规模真实世界数据集验证了所提出的方法。评估了两个典型的城市感知应用，包括空气质量监测和热暴露监测，使用了多种污染物和热指标。

在实际应用中，感知设备成本低廉且便携，但容易断开连接，需要频繁校准和维护（Desouza等人，2020年）。因此，部署成本的主要部分在于设备的在线维护，而不是传感器设备本身。通过识别具有更强感知效用的车辆，所提出的方法旨在支持成本效益高的长期部署，并最大化整体感知性能。

本文的其余部分结构如下：第2节回顾了DS优化方法的相关文献。第3节阐述了问题陈述并介绍了感知效用量化方法，随后是车辆车队优化算法。第4节详细介绍了研究区域、数据集和实验设置。第5节介绍了时空分析、收敛性评估、覆盖函数比较和敏感性分析。最后，第6节讨论了政策含义、局限性和未来研究方向。

相关工作

相关工作

本节回顾了三个关键领域的相关工作：感知效用量化、城市感知的车队优化，以及多源开放数据在任务相关时空上下文中的潜力。

方法论

在本节中，我们首先介绍了论文中使用的符号，并阐述了城市感知效用优化问题。然后，我们介绍了为基于车辆的机会性感知任务设计的灵活且自适应的城市感知效用优化方法框架。随后，依次详细介绍了框架中的关键组成部分，即感知效用量化和边际感知效用增益估计方法。

实验设计

为了验证所提出的机会性车辆车队优化方法，我们在位于中国广州中心区域的真实世界城市交通网络中进行了实验。该研究区域包括四个主要行政区（越秀区、海珠区、天河区和荔湾区），这些区域共同代表了城市的政治、经济和文化中心。总面积约为280平方公里，永久人口密度约为每平方公里2.2万人

空气质量感知任务的时空模式

PM_2.5污染已被认为是广州的主要环境健康问题（Tian等人，2018年；Zhong等人，2023年）。因此，本研究重点关注PM_2.5的时空特性，作为代表目标，以说明研究区域内城市空气质量感知的动态和挑战。除非另有说明，分析的时间分辨率设置为1小时，空间分辨率设置为500米，与已建立的

结论与讨论

为了解决跨场景感知效用量化的挑战，本研究提出了一种自适应的车辆车队优化框架，该框架整合了异构的开源数据用于时空权重的推导，包括街景图像、兴趣点（POIs）、道路网络和交通拥堵指数。该框架在预算限制下提高了感知效率。考虑到基于边际效用的贪婪算法中经常遇到的时空冗余，我们提出了一种

CRediT作者贡献声明

钟慧：写作——审阅与编辑，撰写初稿，可视化，方法论，形式分析，数据管理，概念化。卢青龙：写作——审阅与编辑，撰写初稿，监督，方法论，概念化。龙志旭：可视化，形式分析，数据管理。刘永红：写作——审阅与编辑，监督，资金获取，概念化。郑新虎：写作——审阅与编辑，监督，项目管理，资金筹措