Spatiotemporal Extent Detection Method of Bike Travel Source-Sink Based on Adaptive Density Clustering

WANG Xiaolong; SHI Yan; WANG Da; TANG Zhong'an; LIU Baoju; CHEN Bingrong; DENG Min

doi:10.13203/j.whugis20230362

您当前的位置：

首页 >

文章列表页 >

Spatiotemporal Extent Detection Method of Bike Travel Source-Sink Based on Adaptive Density Clustering

Cartography and GIS | 更新时间：2026-11-05

- Spatiotemporal Extent Detection Method of Bike Travel Source-Sink Based on Adaptive Density Clustering
- Geomatics and Information Science of Wuhan University Vol. 50, Issue 11, Pages: 2339-2351(2025)
- 作者机构：
  
  1.中南大学地球科学与信息物理学院，湖南长沙 410083
  2.湖南省地理空间信息工程技术研究中心，湖南长沙，410018
  3.湖南省第三测绘院，湖南长沙，410018
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20230362
  CLC： P208
- Received：21 August 2024，
  
  Published：05 November 2025
- 稿件说明：
移动端阅览
汪晓龙,石岩,王达，等.基于自适应密度聚类的单车出行源汇时空区域探测方法[J].武汉大学学报（信息科学版）,2025,50(11):2339-2351.

WANG Xiaolong,SHI Yan,WANG Da,et al.Spatiotemporal Extent Detection Method of Bike Travel Source-Sink Based on Adaptive Density Clustering[J].Geomatics and Information Science of Wuhan University,2025,50(11):2339-2351.
汪晓龙,石岩,王达，等.基于自适应密度聚类的单车出行源汇时空区域探测方法[J].武汉大学学报（信息科学版）,2025,50(11):2339-2351. DOI：10.13203/j.whugis20230362

WANG Xiaolong,SHI Yan,WANG Da,et al.Spatiotemporal Extent Detection Method of Bike Travel Source-Sink Based on Adaptive Density Clustering[J].Geomatics and Information Science of Wuhan University,2025,50(11):2339-2351. DOI：10.13203/j.whugis20230362

摘要

无桩共享单车凭借灵活性强、成本低、全天供应等优势，已成为当前中国共享单车服务的主要形式。然而，过于灵活的无桩共享单车经常出现特定时空域内稀缺借不到或堆积还不进的供需失衡现象。准确、精细地探测共享单车出行OD(origin-destination)分布失衡时空范围与失衡程度是可靠认知单车供需关系、科学调度单车资源和发展绿色可持续公共交通的关键问题。当前研究大多利用预定义网格等方式划分空间单元，进而构建指标度量出行OD失衡程度，并设置失衡阈值提取源汇范围。基于人工先验硬性划分时空单元和设置失衡阈值的方式极易低估源汇时空范围与失衡程度，且当前缺乏出行源汇区域及时序演化的耦合分析，为此，提出一种基于时空密度的二元聚类方法自适应地提取出行源汇。首先，基于密度显著性统计判别视角适应性地提取OD核点；进而构建二元变量分布失衡统计判别提取源汇邻域；最后，利用时空邻接约束扩展提取出行源汇的精细时空范围。利用厦门岛无桩共享单车轨迹数据进行实验

发现在早高峰内共识别出11 351个源区域和9 453个汇区域，每小时源汇数量最高可达1 925个，其中源区域失衡指数集中于[0.5

1]，汇区域失衡指数集中于[-1

-0.5]，证明所提方法能够精细、可靠地提取表征车辆借还分布失衡的出行源汇空间区域、持续时间及其失衡程度。

Abstract

Objectives

Due to its strong flexibility

low cost

and continuous availability

dockless shared bicycles have become the primary form of bike-sharing services in China. However

the excessive flexibility of dockless shared bicycles often leads to a supply-demand imbalance

manifested by scarcity within specific temporal and spatial domains

where bikes cannot be found or accumulate without being used. Accurately and precisely detecting the spatial and temporal extent

as well as the degree of imbalance in the origin-destination (OD) distribution of shared bicycle trips is a crucial issue for understanding the reliable cognition of bike supply and demand relationships

scientifically dispatching bike resources

and developing green and sustainable public transportation. Currently

most studies use predefined grids to divide spatial units and then construct metrics to measure the degree of OD imbalance

setting imbalance thresholds to extract source and sink regions. The method of manually predefining rigid spatial units and setting imbalance thresholds tends to underestimate the spatial and temporal extent of sources and sinks and the degree of imbalance. Additionally

there is a lack of coupled analysis of the temporal and spatial evolution of travel source and sink areas.

Methods

To this end

this paper proposes a bivariate clustering method based on spatiotemporal density to adaptively extract trip sources and sinks. First

spatial kernel density estimation and information entropy theory are introduced to adaptively extract OD core points from the perspective of density significance test. Second

a bivariate distribution imbalance statistical method is constructed to identify source and sink core points of shared bike trips

and density-based clustering extension strategies are implemented for fine-grained identification of source-sink spatial regions. Finally

based on the detected source-sink spatial regions

OD point event intensity and imbalance significance tests are designed based on OD point temporal density distribution and event type probability distribution

to identify the sources and sink time periods of shared bike trips.

Results

Experimental results using dockless shared bicycle trajectory data in Xiamen Island reveal that within the morning peak hours

this method identified 11 351 source areas and 9 453 sink areas. The number of sources and sinks can reach up to 1 925 per hour. The imbalance index for source areas is concentrated in the range [0.5

while for sink areas

it is concentrated in the range [-1

-0.5]. This demonstrates that the proposed method can accurately and reliably extract spatial regions

durations

and degrees of imbalance that characterize the distribution imbalance of vehicle borrowing and returning.

Conclusions

In order to overcome the problems that the spatial detection results of shared bicycle travel source and sink are heavily dependent on the rigid pre-division of spatiotemporal units

the predefined threshold of algorithm parameters and source and sink indicators

and the lack of spatiotemporal coupling mining analysis of source and sink

this paper proposes an adaptive spatial detection algorithm for traffic travel source and sink based on binary variable density clustering. A case study was carried out in the actual data of shared bicycles in Xiamen Island.

关键词

Keywords

references

SHAHEEN S A ， ZHANG H ， MARTIN E ， et al . China's Hangzhou Public Bicycle ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 2011 ， 2247 （ 1 ）： 33 - 41 .

AI Y ， LI Z P ， GAN M ， et al . Retraction Note： A Deep Learning Approach on Short-Term Spatiotemporal Distribution Forecasting of Dockless Bike-Sharing System ［J］. Neural Computing and Applications ， 2024 ， 36 （ 25 ）： 15927 .

LIU Z Y ， SHEN Y Y ， ZHU Y M . Inferring Dockless Shared Bike Distribution in New Cities ［C］// The 11th ACM International Conference on Web Search and Data Mining ， Marina Del Rey， CA USA ， 2018 .

仝照民，刘耀林，张紫怡，等 . 骑行流密度聚类下的共享单车源汇空间识别［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 1 ）： 184 - 196 .

TONG Zhaomin ， LIU Yaolin ， ZHANG Ziyi ， et al . Bike-Sharing Source-Sink Space Recognition Based on Riding Flow Density Clustering Method ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 1 ）： 184 - 196 .

CHEN L B ， ZHANG D Q ， PAN G ， et al . Bike Sharing Station Placement Leveraging Heterogeneous Urban Open Data ［C］// ACM International Joint Conference on Pervasive and Ubiquitous Computing ， Osaka， Japan ， 2015 .

柯日宏，吴升，柯玮文 . 一种识别共享单车潮汐点的时空模型和基于 K NN-LightGBM的租还需求预测方法［J］. 地球信息科学学报， 2023 ， 25 （ 4 ）： 741 - 753 .

KE Rihong ， WU Sheng ， KE Weiwen . A Spatial-Temporal Model for Identifying Tidal Shared-Bicycle Stops and Bicycle Sharing Demand Prediction Based on KNN-LightGBM ［J］. Journal of Geo-Information Science ， 2023 ， 25 （ 4 ）： 741 - 753 .

LIU Y ， WANG F H ， XIAO Y ， et al . Urban Land Uses and Traffic ‘Source-Sink Areas’： Evidence from GPS-Enabled Taxi Data in Shanghai ［J］. Landscape and Urban Planning ， 2012 ， 106 （ 1 ）： 73 - 87 .

高楹，宋辞，舒华，等 . 北京市摩拜共享单车源汇时空特征分析及空间调度［J］. 地球信息科学学报， 2018 ， 20 （ 8 ）： 1123 - 1138 .

GAO Ying ， SONG Ci ， SHU Hua ， et al . Spatial-Temporal Characteristics of Source and Sink Points of Mobikes in Beijing and Its Scheduling Strategy ［J］. Journal of Geo-Information Science ， 2018 ， 20 （ 8 ）： 1123 - 1138 .

姜晓，白璐斌，楼夏寅，等 . 基于多尺度时空聚类的共享单车潮汐特征挖掘与需求预测研究［J］. 地球信息科学学报， 2022 ， 24 （ 6 ）： 1047 - 1060 .

JIANG Xiao ， BAI Lubin ， LOU Xiayin ， et al . Usage Patterns Identification and Flow Prediction of Bike-Sharing System Based on Multiscale Spatiotemporal Clustering ［J］. Journal of Geo-Information Science ， 2022 ， 24 （ 6 ）： 1047 - 1060 .

LI S Y ， ZHUANG C G ， GUO E T ， et al . Research on Bike-Sharing Travel Behavior： A Review of the Chinese Language Literature ［J］. Transactions in Urban Data， Science， and Technology ， 2023 ， 2 （ 2-3 ）： 100 - 122 .

盛宇裕，毕硕本，范京津，等 . 运用交通运行状况指标分析交通热点时空模式［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 5 ）： 746 - 754 .

SHENG Yuyu ， BI Shuoben ， FAN Jingjin ， et al . Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 5 ）： 746 - 754 .

FANG Z X ， YANG X P ， XU Y ， et al . Spatiotemporal Model for Assessing the Stability of Urban Human Convergence and Divergence Patterns ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 11 ）： 2119 - 2141 .

高楹，宋辞，郭思慧，等 . 接驳地铁站的共享单车源汇时空特征及其影响因素［J］. 地球信息科学学报， 2021 ， 23 （ 1 ）： 155 - 170 .

GAO Ying ， SONG Ci ， GUO Sihui ， et al . Spatial-Temporal Characteristics and Influencing Factors of Source and Sink of Dockless Sharing Bicycles Connected to Subway Stations ［J］. Journal of Geo-Information Science ， 2021 ， 23 （ 1 ）： 155 - 170 .

GAO F ， LI S Y ， TAN Z Z ， et al . Understanding the Modifiable Areal Unit Problem in Dockless Bike Sharing Usage and Exploring the Interactive Effects of Built Environment Factors ［J］. International Journal of Geographical Information Science ， 2021 ， 35 （ 9 ）： 1905 - 1925 .

WONG D W S . The Modifiable Areal Unit Problem（MAUP）［M］// Janelle D G， Warf B， Hansen K，eds. WorldMinds： Geographical Perspectives on 100 Problems . Dordrecht ： Springer ， 2004 ： 571 - 575 .

唐建波，刘启亮，刘博，等 . 一种基于重排检验的时空聚类方法［J］. 武汉大学学报（信息科学版）， 2017 ， 42 （ 4 ）： 503 - 511 .

TANG Jianbo ， LIU Qiliang ， LIU Bo ， et al . A Spatiotemporal Clustering Method Based on Permutation Test ［J］. Geomatics and Information Science of Wuhan University ， 2017 ， 42 （ 4 ）： 503 - 511 .

陆川伟，孙群，季晓林，等 . 一种基于核距离的车辆轨迹点聚类方法［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 7 ）： 1082 - 1088 .

LU Chuanwei ， SUN Qun ， JI Xiaolin ， et al . A Method of Vehicle Trajectory Points Clustering Based on Kernel Distance ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 7 ）： 1082 - 1088 .

刘耀林，方飞国，王一恒 . 基于手机数据的城市内部就业人口流动特征及形成机制分析：以武汉市为例［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 12 ）： 2212 - 2224 .

LIU Yaolin ， FANG Feiguo ， WANG Yiheng . Characteristics and Formation Mechanism of Intra-Urban Employment Flows Based on Mobile Phone Data—Taking Wuhan City as an Example ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 12 ）： 2212 - 2224 .

李昊明，蔡忠亮 . 土地利用紧凑性与城市交通拥堵关联研究［J］. 测绘地理信息， 2021 ， 46 （ S1 ）： 20 - 24 .

LI Haoming ， CAI Zhongliang . Correlation Between Land Use Compactness and Urban Traffic Congestion ［J］. Journal of Geomatics ， 2021 ， 46 （ S1 ）： 20 - 24 .

石岩，王达，陈袁芳，等 . 流空间邻近关系约束下的流行病分布空间异常探测方法［J］. 测绘学报， 2021 ， 50 （ 6 ）： 777 - 788 .

SHI Yan ， WANG Da ， CHEN Yuanfang ， et al . An Anomaly Detection Approach from Spatio Distributions of Epidemic Based on Adjacency Constraints in Flow Space ［J］. Acta Geodaetica et Cartographica Sinica ， 2021 ， 50 （ 6 ）： 777 - 788 .

PEI T ， WANG W Y ， ZHANG H C ， et al . Density-Based Clustering for Data Containing Two Types of Points ［J］. International Journal of Geographical Information Science ， 2015 ， 29 （ 2 ）： 175 - 193 .

LIU Q L ， WU Z H ， DENG M ， et al . Network-Constrained Bivariate Clustering Method for Detecting Urban Black Holes and Volcanoes ［J］. International Journal of Geographical Information Science ， 2020 ， 34 （ 10 ）： 1903 - 1929 .

曹昕婷，刘昭 . 厦门城市空间演化及发展探析［J］. 中南林业科技大学学报， 2009 ， 29 （ 3 ）： 181 - 184 .

CAO Xinting ， LIU Zhao . Analysis on Urban Spatial Evolution and Development of Xiamen City ［J］. Journal of Central South University of Forestry and Technology ， 2009 ， 29 （ 3 ）： 181 - 184 .

李峰清，赵民，吴梦笛，等 . 论大城市“多中心” 空间结构的“空间绩效” 机理：基于厦门LBS画像数据和常规普查数据的研究［J］. 城市规划学刊， 2017 （ 5 ）： 21 - 32 .

LI Fengqing ， ZHAO Min ， WU Mengdi ， et al . Polycentric Mage-City and Its Mechanism of Spatial Performance： Findings from Xiamen Based on LBS and Census Data ［J］. Urban Planning Forum ， 2017 （ 5 ）： 21 - 32 .

DENG M ， YANG X X ， SHI Y ， et al . A Density-Based Approach for Detecting Network-Constrained Clusters in Spatial Point Events ［J］. International Journal of Geographical Information Science ， 2019 ， 33 （ 3 ）： 466 - 488 .

BORRUSO G . Network Density Estimation： Analysis of Point Patterns over a Network ［C］// Computational Science and Its Applications — ICCSA 2005 . Berlin， Heidelberg ： Springer ， 2005 ： 126 - 132 .

吕峥，孙群，赵国成，等 . 顾及方向关系的农村居民地聚类方法［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 4 ）： 631 - 638 .

LÜ Zheng ， SUN Qun ， ZHAO Guocheng ， et al . A Clustering Method of Rural Settlement Considering Direction Relation ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 4 ）： 631 - 638 .

刘瑜，汪珂丽，邢潇月，等 . 地理分析中的空间效应［J］. 地理学报， 2023 ， 78 （ 3 ）： 517 - 531 .

LIU Yu ， WANG Keli ， XING Xiaoyue ， et al . On Spatial Effects in Geographical Analysis ［J］. Acta Geographica Sinica ， 2023 ， 78 （ 3 ）： 517 - 531 .

SHANNON C E . A Mathematical Theory of Communication ［J］. Bell System Technical Journal ， 1948 ， 27 （ 3 ）： 379 - 423 .

ZHAO P X ， QIN K ， YE X Y ， et al . A Trajectory Clustering Approach Based on Decision Graph and Data Field for Detecting Hotspots ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 6 ）： 1101 - 1127 .

SHIODE S . Street-Level Spatial Scan Statistic and STAC for Analysing Street Crime Concentrations ［J］. Transactions in GIS ， 2011 ， 15 （ 3 ）： 365 - 383 .

LI W W ， WANG S H ， ZHANG X Y ， et al . Understanding Intra-Urban Human Mobility Through an Exploratory Spatiotemporal Analysis of Bike-Sharing Trajectories ［J］. International Journal of Geographical Information Science ， 2020 ， 34 （ 12 ）： 2451 - 2474 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Research Progress of Spatiotemporal Data Mining and Prediction for Maritime Transportation

Research Progress in Eco-Geological Environmental Monitoring and Construction of an Intelligent Monitoring System in the Qinling Mountains

Research Progress in Spatiotemporal Modeling， Analysis， and Prediction of Urban Activity Flows in Built Environment

Machine Learning-Based Remote Sensing Retrieval of Soil Moisture： Advances and Challenges

Tectonic Geodesy： Research Advancements， Opportunities， and Challenges

Related Author

XU Lei

LU Yifan

XU Xiaohan

YU Hongchu

Qun SUN

Mianmian CHENG

Bowei WEN

Li XU

Related Institution

School of Navigation, Wuhan University of Technology

State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology

Sanya Science and Education Innovation Park of Wuhan University of Technology

National Engineering Research Center for Geographic Information System, China University of Geosciences

Institute of Geospatial Information, Information Engineering University

AI问答

⁰