这是我们最近发在JAT上的额一篇论文，论文相对比较简单。
1.文章概述
首先我们基于以前的一项工作提取出路网上所有的通勤车，然后将这些通勤车的时空出行链保存下来，存储为时空出行链库，分别将时空出行链分开为时间链和空间链。在此基础上使用DTW算法分别度量不同车辆之间的时间链和空间链的距离，并将时间距离矩阵和空间距离矩阵合并成时空距离矩阵。以时空距离矩阵为相似性度量矩阵，用DBSCAN聚类挖掘关键通勤路径，当然我们也尝试了层次聚类、kmeans聚类等聚类方法，发现对于这种情况，DBSCAN几乎唯一可以成功的聚类方法。这可能是因为路网车辆出行时空链的异质性很严重所导致的。
文章总体框架见下图所示：
2.数据源方法论
数据主要是用车牌识别数据，用车牌识别数据提取出了通勤车的时空出行链。
主要是用到DTW算法、DBSCAN算法，都是比较常见的算法，不做过多介绍了。
3.论文源码和参考文献
源代码gitee仓库
源代码github仓库
Wenbin Yao, Caijun Chen, Hongyang Su, Nuo Chen, Sheng Jin, Congcong Bai, “Analysis of Key Commuting Routes Based on Spatiotemporal Trip Chain”, Journal of Advanced Transportation, vol. 2022, Article ID 6044540, 15 pages, 2022. https://doi.org/10.1155/2022/6044540