[发明专利]一种基于轨迹相似度的移动对象出行规律分析方法及装置

权利要求书

1.一种基于轨迹相似度的移动对象出行规律分析方法，其特征在于，包括以下步骤：

获取前端卡口设备捕获的数据，并存入数据库；前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码；

按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询，从数据库中获取该时间段内目标对象的若干个轨迹点，将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录；

依次选取目标对象的每两条不同日期的出行轨迹记录，计算每两条不同日期的出行轨迹之间的轨迹相似度；

将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较，筛选出日常出行轨迹，当轨迹相似度大于或等于设定的阈值，则判定两条不同日期的出行轨迹之间具有相似性，否则，判定两条不同日期的出行轨迹之间不具有相似性，返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户；

计算每两条不同日期的出行轨迹之间的轨迹相似度，具体包括：计算每两条不同日期的出行轨迹之间的时间相似度系数SIM，根据时间相似度系数SIM，使用最长公共子序列算法计算每两条不同日期的出行轨迹之间的轨迹相似度；

时间相似度系数计算公式为：

其中，ΔT为设定的时间精度，T_i(a)表示该车辆在第a天某个时间点达到某个卡口L_i(a)的准确时刻，T_j(b)表示该车辆在第b天某个时间点达到某个卡口L_j(b)的准确时刻，δ(L_i(a)，L_j(b))表示位置重合度，当两个轨迹点的卡口相同时，δ(L_i(a)，L_j(b))为1，否则为0。

2.如权利要求1所述的基于轨迹相似度的移动对象出行规律分析方法，其特征在于：使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为：

其中，SIM为时间相似度系数，len_a为轨迹序列L_a的长度，len_b为轨迹序列L_b的长度，min(len_a，len_b)指len_a、len_b中的较小值，L(a,b)为两条轨迹序列L_a、L_b的最长公共子序列的长度，其中设L_a＝a₁,a₂,…,a_i,L_b＝b₁,b₂,…,b_j，a_i表示轨迹序列L_a第i个轨迹点，b_i表示轨迹序列L_b第j个轨迹点，当i＝0或j＝0时，空序列是a_i和b_j的最长公共子序列，故L(a,b)＝0；当a_i＝b_j时，L(a,b)等于a_i-1和b_j-1的最长公共子序列；当a_i≠b_j时,即找出a_i-1和b_j的一个最长公共子序列及a_i和b_j-1的一个最长公共子序列，L(a,b)等于这两个公共子序列中较长者。

3.如权利要求1所述的基于轨迹相似度的移动对象出行规律分析方法，其特征在于：步骤S1)中的前端卡口为抓拍过车图片的车辆卡口，车辆卡口采集过车数据，通过图像识别后，其所包含的数据类型有：

{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…}，其中，DeviceId表示车卡设备ID，StorageUrl1表示前端设备抓拍图片，Longitude与Latitude表示车辆抓拍时的经纬度，AppearTime表示抓拍时车辆出现的时间节点，PlateNo表示抓拍车牌号码，PlateColor表示车牌颜色，将这些结构化数据写入数据库中持久化保存。