城市密集路网环境下车辆出行路径识别方法

1.本发明属于交通大数据的信令数据信息识别领域，具体涉及一种基于手机信令数据的城市密集路网环境下车辆出行路径识别方法，主要应用于机动化的出行道路识别。

背景技术：

2.车辆出行路径是个体完整出行链的基础信息，对于拥堵溯源、交通预测模型改进，尤其是非集计预测模型改进具有重要意义，为追踪流行病患者与病毒传播路径提供帮助。通过累计获取关键道路的到发、过境交通量，也为城市新增道路与道路改扩建提供依据，保障政府决策与规划建设的科学合理性。然而现有调查方法存在成本高、实施难度大、动态更新差、主观回忆多等问题，难以满足实际需求。同时现有数据采集方法，如线圈，rfid，智能视频等仅能通过路段流量估计出行路径，成本高、易受外界干扰；gps数据可有效识别交通出行路径，但需大量居民配合，难以大规模、长期实施。亟须一种新手段弥补现有调查方法缺陷。
3.信令数据具有匿名、被动采集的特点，保证了获取方便、成本低、覆盖面广、动态性强等优势，克服个体隐私泄露与大规模、长期实时的困难。但信令数据定位精度仅能达到通信层面，多用于观测交通小区及以上粒度的人口流动，在个体精细出行特征识别领域存在较大空白。在出行路径识别中，现有方法多利用信令数据替代出行轨迹，或针对稀疏路网进行识别，无法识别复杂环境下的个体出行路径。
4.因此本发明基于手机信令数据，构建了一种密集路网环境下的城市机动化出行轨迹提取技术，首先利用时空聚类算法、高斯滤波与非均匀有理b样条曲线实现出行路径精细化拟合，再利用修正概率匹配算法、考虑方向角与路网拓扑结构的修复算法进行出行道路识别。本发明能够为城市道路交通状况实时检测与动态管控提供支撑，对现阶段城市交通的精细化管理具有重要意义。

技术实现要素：

5.为了克服现有技术的上述缺点，本发明提出了一种基于手机信令数据的城市密集路网环境下车辆出行路径识别方法，旨在解决密集路网环境下的个体机动化出行路径识别难题。本发明首先构建城市道路网络、采集并预处理个体信令数据，然后利用时空聚类算法、高斯滤波和非均匀有理b样条曲线精细化构建出行路径拟合曲线，再利用改进概率匹配算法将拟合曲线的节点匹配至实际路网中，最后根据方向角和路网拓扑特征修复识别结果，完成出行路径识别。
6.本发明解决其技术问题所采用的技术方案是：一种城市密集路网环境下车辆出行路径识别方法，包括如下步骤：
7.步骤一、采集手机信令数据，构建目标城市道路网络，统一坐标系；
8.步骤二、对步骤一采集的信令数据进行预处理，剔除通信失败、数据重复、字段缺失、乒乓切换及信号漂移产生的信令数据；
9.步骤三、基于时空聚类算法与高斯滤波平滑信令数据，构建完整的个体信令轨迹；
10.步骤四、基于非均匀有理b样条曲线进行出行路径拟合；
11.步骤五、出行路径匹配；
12.步骤六、对出行路径进行修复，完成出行路径识别。
13.与现有技术相比，本发明的积极效果是：
14.本发明针对现阶段出行路径识别中，直接将信令数据作为出行轨迹，或者仅能识别稀疏路网环境下高快速路出行路径的缺陷，提出了密集路网环境下的出行路径识别方法。在路径拟合模块，根据信令数据分布特性，融合时空聚类算法、高斯滤波的信令数据平滑，根据出行路径的形状任意的特征，利用非均匀有理b样条曲线拟合出行轨迹；在路径识别模块，根据路网分布修正现有概率匹配算法，实现拟合轨迹节点的对应道路匹配，考虑拟合节点与路网间的位置关系，融合方向角和路网拓扑结构对出行路径识别结果进行修正；最终识别密集路网环境下的出行路径。具体优点包括：
15.一、基于时空聚类算法和高斯滤波的信令数据平滑
16.不同区域密度存在差异，且多布设于道路两侧建筑物中，造成信令数据相对出行路段呈现一种波动分布，尤其是当车辆掉头行驶或停留时，手机终端将与周边反复交互，容易造成误识别。
17.对此本发明首先利用时空聚类算法，根据信令数据时空特性进行聚类，然后出其中未被聚类的数据，以其为基准将个体信令数据分为段，再针对各段信令数据，分别利用高斯滤波，逐步进行信令位置信息的加权平均，实现数据平滑处理，最终将平滑后与未平滑的信令数据重新组合，构建完整的个体信令数据。
18.二、基于非均匀有理b样条曲线进行出行路径拟合
19.实际出行随城市路网结构、个体属性及偏好、出行方式的不同存在较大差异，呈现出形状任意的出行路径。对此本发明用非均匀有理b样条曲线，以平滑后的信令数据为控制点，逐步拟合实际出行轨迹，并提取拟合轨迹的所有节点坐标(xi,yi)，为出行路径识别提供基础。非均匀有理b样条曲线在局部性表达上优势突出，也进一步降低信令数据波动对路径拟合的影响。
20.三、修正概率匹配算法进行路径匹配
21.概率匹配算法是路径识别的常用方法，通过分析轨迹点固定阈值范围的所有道路实现出行路径匹配。但实际出行中，分布不均匀使得固定距离阈值内道路数量差异过大，部分离散点无法匹配或匹配过多的道路，造成最终匹配结果存在较大误差。对此本发明对概率匹配算法进行如下两步修正，并以非均匀有理b样条的拟合节点为输入进行匹配。
22.1)修改固定距离阈值为道路数量阈值m，保障每个拟合节点具有稳定的匹配道路数。
23.2)以是否存有公共匹配道路作为统计对象选择依据，当前e个与第e+1个拟合节点无公共匹配道路时，将前e个拟合节点作为统计对象，实现节点的自动拆分，再寻该组拟合节点似然概率最大的匹配道路。其中拟合节点越密集，拆分偏差造成的误识别越小。
24.四、考虑方向角特征和路网拓扑结构的出行路径识别修正
25.在道路网络密集复杂区域，实际出行路径周围路段容易与拟合曲线相交，造成相交路段误识别，同时由于每个拟合节点均将进行道路匹配，造成匹配结果大量重复，对此本
发明提出考虑方向角和路网拓扑的修复方法，包括如下5个步骤：
26.1)剔除重复数据和突变数据。首先对连续且重复识别结果去重。然后对于任意相同道路编号中的连续路段，若存在少量其他道路编号的数据，则剔除；
27.2)对于道路编号相同的连续识别结果，补充路段编号不连续的部分；
28.3)计算所有识别路段及拟合节点的方向角，对于某路段与对应拟合节点夹角，若其小于夹角阈值的比例小于设定概率，或拟合节点数量小于判别数量阈值时，剔除该路段；
29.4)对于道路编号相同的连续识别结果，重新补充路段编号不连续的部分；
30.5)若不同道路编号的两条连续识别路段，其间距大于距离阈值，顺序补充两个道路编号下的剩余路段，直到补充路段间存在距离最小值或相交。
31.本发明的优点在于：在数据采集方面，信令数据由移动运营商储存，获取相对容易，同时手机信令数据具有覆盖范围广、连续性强、被动采集、成本低等特点，相比其他数据类型更适合提取个体轨迹等出行特征。在出行路径拟合方面，深入考虑信令数据与实际出行路径间的空间位置关系，首次结合时空聚类算法、高斯滤波进行平滑处理；并考虑个体出行轨迹的差异性，选用非均匀有理b样条进行路径拟合，进一步降低信令数据波动对路径拟合的影响。在路径识别方面，深入分析信令数据的分布特性差异，对现有路径匹配算法进行修正，克服了概率匹配算法在分布不均匀时匹配效果较差的问题；并首次提出基于方向角的修正方法，能够快速准确剔除重复匹配，以及道路相交导致的误识别路径。本发明最终实现基于手机信令数据的城市密集路网环境出行路径识别的技术突破，能对拥堵溯源、流行病患者与病毒传播路径追踪提供帮助，也为城市新增道路与道路改扩建提供依据，保障政府决策与规划建设的科学合理性。
附图说明
32.本发明将通过例子并参照附图的方式说明，其中：
33.图1为本发明的总体识别流程图；
34.图2为本发明的不同分布信令数据的平滑效果示意图，其中：(a)直线行驶中信令数据处于道路两侧；(b)直线行驶中信令数据处于道路一侧；(c)掉头行驶中信令数据处于道路一侧；(d)掉头行驶中信令数据处于道路两侧；
35.图3为修正概率匹配算法示意图；
36.图4为识别结果图，其中：(a)原始信令数据分布；(b)高速滤波平滑后的信令数据分布；(c)使用非均匀有理b样条曲线拟合出行路径；(d)出行路径识别结果；
37.图5为模型识别效果分析图，其中：(a)最短距离识别算法；(b)线性插值补点算法；(c)不考虑结果修复方法；(d)本发明提出的模型。
具体实施方式
38.如图1所示，本发明的总体识别流程图包括：
39.一、基本数据提取与分析
40.首先对本发明涉及到的信令数据、路网数据字段分别进行解析。信令数据字段由移动运营商提供，主要包含识别码、时间戳、当前位置区编码及小区编码、当前经纬度，各字段含义如表1所示。
41.表1信令数据主要字段
[0042][0043]
路网数据由网络爬虫或人工构建，每条道路包含多条路段，主要包含道路编号、路段编号、路段起点经纬度、路段终点经纬度，各字段含义如表2所示。
[0044]
表2路网数据主要字段
[0045][0046]
二、基础数据预处理
[0047]
数据预处理用于处理通信系统不稳定造成信令数据，包括小样本、通信失败、数据重复、字段缺失、乒乓切换及信号漂移数据，减少对识别过程的干扰，包括以下几种情况：
[0048]
1)删除lac、cid变化小于1次的数据，避免因单次出行数据量过小将无法分析。
[0049]
2)直接删除通信失败、字段缺失、数据重复冗余产生的信令数据，避免匹配错误。
[0050]
3)设定最大速度阈值，逐步计算相邻信令数据间的切换速度，剔除切换速度大于设定阈值的所有信令数据，多次迭代保证所有数据的切换速度均小于阈值，避免乒乓切换、信号漂移对识别的干扰。
[0051][0052]
公式(1)为切换速度计算公式，其中(x1,y1)，(x2,y2)为任意相邻信令数据坐标，δt为对应时间间隔，r为地球半径，为6371004m；为弧度转换常数，为π/180。
[0053]
三、出行路径精细化拟合
[0054]
出行路径精细化拟合包括两部分：信令数据平滑与出行路径拟合，首先削弱信令数据的波动程度，再将削弱后的信令数据作为控制点实现路径拟合。
[0055]
1、信令数据平滑
[0056]
由于多布设于道路两侧建筑物中，实际信令数据相对出行路段呈现一种波动分布，需先利用时空聚类算法选择平滑对象，然后利用高斯滤波平滑该波动。
[0057]
在时空聚类算法选择平滑对象中，以各信令数据的经度、纬度、时间戳为输入，计算各数据点特定时空范围内的信令数据量，寻核心聚类点，并通过多次迭代形成若干不规则的簇类，每个簇的信令数据具有高度相似的时空特性。随后，出聚类结果中未被聚类的数据，以其为基准将所有信令数据分为若干段，分别将作为高斯滤波平滑的输入。
[0058]
在高斯滤波波动平滑中，以各段信令数据的经纬度为输入，逐步计算各信令坐标
与周围若干信令数据坐标的加权平均值，其中权值以当前信令数据为中心，满足高斯分布。图2为不同行驶过程中信令数据分布与高斯滤波平滑效果示意图。完成各段信令数据位置平滑后，再将平滑后与未平滑的信令数据按原始时间戳顺序重新组合，构建完整的个体信令数据。
[0059]
2、出行路径拟合
[0060]
本发明考虑非均匀有理b样条曲线能够拟合任意形状，局部性表达优势突出的特性，以平滑后个体完整的信令数据经纬度、时间戳为输入控制点，完成拟合节点个数设定后，以任意三个连续的控制点为基础，逐步计算各节点的经纬度与时间戳。输出带有时间特征的出行拟合轨迹。
[0061][0062][0063][0064]
公式(2)是h+1个控制点的非均匀有理b样条表达式，pr为第r个控制点集，即时空聚类中第r个信令点簇；c(s)为拟合路径节点s的坐标；n
r,c
(s)为c阶b样条基函数，由cox-de boor递归公式定义。
[0065]
四、出行路径匹配与修复
[0066]
出行路径匹配与修复包括两部分：出行路径匹配与出行路径修复。完成路径拟合后，还需要将拟合节点与实际路网匹配，并根据匹配效果进行结果修正，最终实现由信令数据到实际路网间的映射。
[0067]
1、出行路径匹配
[0068]
本发明结合信令数据定位精度低，通信与道路网络在城市中心区分布密集、郊区分布稀疏的特性，对基于gps数据的概率匹配算法做如下修正：
[0069]
1)修改固定距离阈值为道路数量阈值m，保障每个拟合节点具有稳定的匹配道路数。
[0070]
2)以是否存有公共匹配道路作为统计对象选择依据，当前e个与第e+1个拟合节点无公共匹配道路时，将前e个拟合节点作为统计对象，实现节点的自动拆分，再寻该组拟合节点似然概率最大的匹配道路。其中拟合节点越密集，拆分偏差造成的误识别越小。
[0071]
本发明以拟合节点、构建的道路网络为输入进行道路匹配，修正概率匹配算法示意如图3所示，其中拟合节点{c1,c2,c3,c4,c5}存在共同道路a，节点c6没有匹配至道路a，因此将概率最大的道路a视为前5个拟合节点的匹配道路，然后分别匹配至道路a中距离最近的路段上(结果为{a1,a2,a2,a3,a3})，再按此方法将拟合节点{c6,c7}匹配至路段e1(结果为{e1,e1})。
[0072]
2、出行路径修复
[0073]
修正概率匹配算法存在两类问题：(1)每个拟合节点均将进行道路匹配，导致匹配结果存在大量重复数据(如图3匹配结果为{a1,a2,a2,a3,a3,e1,e1}，实际出行路径为{a1,a2,
a3,e1})。(2)在道路网络密集复杂区域，实际出行路径周围路段容易与拟合曲线相交，造成相交路段误识别。对此本发明提出考虑方向角和路网拓扑的修复方法，包括如下5个步骤：
[0074]
1)剔除重复数据和突变数据。首先对于连续且重复的识别路段，保留唯一值。然后对于任意一段道路编号相同、路段编号连续的识别结果，当其中存在1～2条其他道路编号数据时，将其他道路编号的数据剔除。
[0075]
2)补充相同道路编号内的缺失路段。对于一段道路编号相同的连续识别结果，当其路段编号不连续时，将其补充连续，构成基本的出行路径。
[0076]
3)根据方向角剔除相交路段误识别数据。计算所有识别路段及拟合节点的方向角θ1(-90
°
《θ1≤90
°
)，对于某识别路段，当匹配至该路段的拟合节点与路段方向角的夹角θ2(0
°
《θ2≤90
°
)小于夹角阈值的比例小于概率阈值μ，或拟合节点数量小于判别数量阈值η时，将该路段视为相交路段并剔除。
[0077]
4)再次补充相同道路编号内的缺失路段。重新寻所有道路编号相同的连续识别结果，当其路段编号不连续时，将其补充连续。
[0078]
5)补充不同道路编号间的缺失路段。对于道路编号不同的任意两条连续识别路段，当路段间距离大于距离阈值λ时，顺序补充两个道路编号下的剩余路段，直到补充路段间存在距离最小值或相交。
[0079]
五、出行路径识别实例展示
[0080]
出行路径识别实例包括三部分：个体出行实例、现有方法对比及不同环境识别效果对比。在个体出行实例中，详细展示了原始信令数据分布与主要步骤下的识别效果。在现有方法对比中，展示了本发明提出方法与现有路径匹配方法的效果差异。在不同环境识别效果中，展示了本发明在不同出行长度、城市环境、道路等级下的识别效果。
[0081]
1、个体出行实例
[0082]
图4为基于信令数据的出行路径识别实例。在该例中，出行路径位于路网密集复杂的城市中心区，具有大约5km的平行路段，其中平行路段间隔最短为265m，最长间隔约800m。图4(a)为原始出行信令数据分布，相对于实际出行路径存在较大波动与反复，图4(b)为经时空聚类、高斯滤波平滑结果，即使出行路线事先未知，平滑结果仍基本落在实际出行道路上，且拟合效果随着信令数据密度增大而更优，从源头提升出行路径识别的可行性。图4(c)是基于滤波数据的非均匀有理b样条出行路径拟合结果，通过加密节点数量，保障修正概率匹配算法的有效应用，并进一步平滑数据波动特征，其中也分离了如图4(b)圆圈内与反复交互造成的回旋，降低误识别风险。图4(d)为出行路径识别结果，仅在信令数据较稀疏的东侧，识别结果与实际路径存在差异。
[0083]
2、现有方法对比
[0084]
本发明对比了现有道路匹配中最短距离识别算法、线性插值补点算法，以及不考虑结果修复的三类算法。最短距离识别算法是将预处理后的信令数据直接分配到距离最近的路段上，并根据路网结构进行修复的识别方法。线性插值补点算法是根据信令数据间隔时间与经纬度，等比例插入中间轨迹点，再将轨迹点按最短距离匹配至最近的路段并修复的方法，
[0085]
图5为最终对比结果，其中横坐标代表实际出行长度，纵坐标代表识别出行路径长度。可见，随出行距离的增大，最短距离识别算法结果明显偏离真实值，错误出行长度缓慢
增加；线性插值补点算法极大提升了不同情况下的识别准确率，但错误识别长度也显著增加；不考虑结果修复的方法在正确识别结果与线性插值补点基本一致，同时显著降低了错误识别长度；引入方向角特征后，本发明提出的模型识别结果更接近真实出行，同时错误识别长度再次下降，说明本发明提出模型识别效果显著。
[0086]
3、不同环境识别效果对比
[0087]
表3为不同路径长度和路径折点数的识别结果，路径折点是指行驶方向上转角大于40
°
相邻两个路段的交点。不同路径长度的识别准确率均维持在80％以上，绝大多数高于85％，随路径长度增加而略微下降，长度指标略高于数量指标。在识别错误率上，两种指标错误率平均维持在6％-7％，呈现先增大后降低的趋势，且长度指标低于数量指标。从路径折点来看，识别准确率与错误率先下降再上升，当折点数为10-15个时，准确率分别下降至81.60％、77.25％，错误率下降至2.92％、2.84％。
[0088]
表3不同出行长度下的识别结果
[0089][0090]
表4不同城市区域、路网密度、交通状态下的识别结果。不同路网密度与城市区域识别结果相似，准确率保持在85％-90％，错误率分别在5％、7％左右，这与不同城区路网密度的建设差异有关。从交通状态看，识别准确率随道路拥堵从87％提升至93％，这是因为拥堵状态多发生于城市中心区，路网密度大，信令数据更密集频繁，导致拥堵路段错误率更高，不同交通状态错误率在5％-8％。
[0091]
表4不同城市环境下的识别结果
[0092][0093]
表5为不同道路等级的识别结果，道路等级指个体出行过程中经过距离最长道路的等级。其中识别准确率保持在90％以上，错误率随着道路等级的下降而上升明显，分别达到5％、9.41％与21.59％。除样本数量较低、道路网络密集外，以次干路为主的出行长度较
短(平均为3.72km)，路段长度对识别结果造成了非常明显的影响，即使小部分路段拟合失误都将造成较大误差。
[0094]
表5不同道路等级下的识别结果
[0095]

技术特征：

1.一种城市密集路网环境下车辆出行路径识别方法，其特征在于：包括如下步骤：步骤一、采集手机信令数据，构建目标城市道路网络，统一坐标系；步骤二、对步骤一采集的信令数据进行预处理，剔除通信失败、数据重复、字段缺失、乒乓切换及信号漂移产生的信令数据；步骤三、基于时空聚类与高斯滤波平滑信令数据，构建完整个体信令轨迹；步骤四、基于非均匀有理b样条曲线进行出行路径拟合；步骤五、出行路径匹配；步骤六、对出行路径进行修复，完成出行路径识别。2.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步骤二所述剔除乒乓切换及信号漂移产生的信令数据的方法为：设定最大速度阈值，逐步计算相邻信令数据间的切换速度，剔除切换速度大于设定阈值的所有信令数据，多次迭代保证所有数据的切换速度均小于阈值。3.根据权利要求2所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：所述切换速度按如下公式进行计算：式中，(x1,y1)，(x2,y2)为任意相邻信令数据坐标，δt为对应时间间隔，r为地球半径，取值为6371004 m；为弧度转换常数，取值为π/180。4.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步骤三所述对信令数据进行平滑，构建完整的个体信令数据的方法为：首先利用时空聚类算法，根据信令数据时空特性进行聚类，然后出未被聚类的数据，以其为基准将个体信令数据分段，再针对各段信令数据，分别利用高斯滤波，逐步进行信令位置信息的加权平均，实现数据平滑处理，最终将平滑后与未平滑的信令数据按原始时间戳顺序重新组合，构建完整的个体信令轨迹。5.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步骤四所述基于非均匀有理b样条曲线进行出行路径拟合的方法为：采用非均匀有理b样条曲线，以平滑后的信令数据为控制点，逐步拟合实际出行轨迹，并提取拟合轨迹的所有节点坐标。6.根据权利要求5所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：所述节点坐标按如下公式计算：述节点坐标按如下公式计算：式中，h为非均匀有理b样条曲线控制点的个数，p
r
为时空聚类中第r个信令点簇；c(s)为拟合路径节点s的坐标；n
r,c
(s)为c阶b样条基函数。7.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步
骤五所述出行路径匹配的方法为：对基于gps数据的概率匹配算法进行如下修正：1)修改固定距离阈值为道路数量阈值，保障每个拟合节点具有稳定的匹配道路数；2)以是否存有公共匹配道路作为统计对象选择依据，当前e个与第e+1个拟合节点无公共匹配道路时，将前e个离散点作为统计对象进行拆分，再寻该组节点的匹配道路。8.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步骤六所述对出行路径进行修复的方法包括如下步骤：第一步、对连续重复识别结果进行去重，并剔除突变的识别路段；第二步、对于道路编号相同的连续识别结果，补充路段编号不连续的部分；第三步、计算所有识别路段及拟合节点的方向角，对于某路段与对应拟合节点夹角，若其小于夹角阈值的比例小于设定概率，或拟合节点数量小于判别数量阈值时，剔除该路段；第四步、对于道路编号相同的连续识别结果，再次补充路段编号不连续的部分；第五步、对于不同道路编号的两条连续识别路段，当其间距大于距离阈值时，顺序补充两个道路编号下的剩余路段，直到补充路段间存在距离最小值或相交。9.根据权利要求8所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：第一步所述对连续重复识别结果进行去重，并剔除突变的识别路段的方法为：首先对于连续且重复的识别路段，保留唯一值；然后对于任意一段道路编号相同、路段编号连续的识别结果，当其中存在1～2条其他道路编号数据时，将其他道路编号的数据剔除。10.根据权利要求1所述的城市密集路网环境下车辆出行路径识别方法，其特征在于：步骤一所述手机信令数据包括：msid、时间戳、lac、cid、经纬度；道路网络数据包括：道路编号、路段编号、路段起点经纬度、路段终点经纬度。

技术总结

本发明公开了一种城市密集路网环境下车辆出行路径识别方法，包括如下步骤：步骤一、采集手机信令数据，构建目标城市道路网络，统一坐标系；步骤二、对步骤一采集的信令数据进行预处理，剔除通信失败、数据重复、字段缺失、乒乓切换及信号漂移产生的信令数据；步骤三、基于时空聚类与高斯滤波平滑信令数据，构建完整的个体出行信令轨迹；步骤四、基于非均匀有理B样条曲线进行出行路径拟合；步骤五、出行路径匹配；步骤六、对出行路径进行修复，完成出行路径识别。本发明最终实现基于手机信令数据的城市密集路网环境出行路径识别的技术突破，能对拥堵溯源、流行病患者与病毒传播路径追踪提供帮助，也为城市新增道路与道路改扩建提供依据。据。据。