基于轨迹相似度匹配的人车关联分析方法及系统与流程

本发明涉及轨迹分析领域，尤其涉及一种基于轨迹相似度匹配的人车关联分析方法及系统。

背景技术：

随着移动通信技术不断发展，持有移动设备的用户量在不断上升，各基站接收到的移动数据基本可以确定用户设备的位置以及即时时间。与此同时，大都市每日产生的车辆卡口过车抓拍图片数以亿计，这些移动数据为公安业务中寻找嫌疑车辆的同行车辆以及确认嫌疑车辆内人员身份提供了数据支持。为了获取嫌疑车辆的同行车辆或同行手机mac，移动轨迹的相似度也就成为了研究的重点。

目前，常用的轨迹的相似度算法为基于距离的相似度比较算法，主要包括有欧式距离算法、兴趣点挖掘算法、余弦相似度算法等。其中欧式距离算法是计算轨迹相似度最常用的方法，该方法通过同一纬度中两个轨迹点的欧式距离，进而得到两条轨迹的欧氏距离。然而该方法不考虑轨迹中时间条件的因素，那么即便是在不同时间内呈现类似轨迹的两条轨迹也可能被认为是相似轨迹，导致匹配错误。因此，有必要对上述欧式距离算法进行改进。

技术实现要素：

本发明的目的在于提供一种基于轨迹相似度匹配的人车关联分析方法及系统，旨在用于解决现有的欧式距离算法不考虑轨迹中时间条件的因素导致匹配错误的问题。

本发明是这样实现的：

一方面，本发明提供一种基于轨迹相似度匹配的人车关联分析方法，包括以下步骤：

s1，获取前端卡口设备采集的车辆、手机的时空数据并存入数据库；

s2，根据用户设置的查询时间段以及嫌疑车辆或手机的特征值，从数据库中获取该时间段内嫌疑对象的若干个轨迹点，按照时间排序构成嫌疑对象轨迹；

s3，将查询时间段划分为若干个时间区间，将嫌疑对象在轨迹点的停留时间与单个时间区间的总时间的比值作为该轨迹点的位置权重，加权计算嫌疑对象在各时间区间的综合位置；

s4，计算嫌疑对象轨迹与其他对象轨迹的加权欧式距离；

s5，根据设置的关联级别阈值对步骤s4计算的结果进行过滤，筛选出满足阈值要求的轨迹并按照欧式距离由小到大排列展示。

进一步地，所述步骤s1中的前端卡口设备包括抓拍过车图片的车辆卡口点位、捕获手机mac的wi-fi卡口点位。

进一步地，所述步骤s1中获取的时空数据包括车辆号牌或手机mac、获取时间starttime、抓拍地点经度lon、纬度lat。

进一步地，所述步骤s3具体包括：

s3.1，将查询时间段划分为若干个时间区间，将获取的轨迹点按照时间归类分入各个时间区间，在单个时间区间内，将嫌疑对象从轨迹点i至其下一个轨迹点所经历的时间作为嫌疑对象在轨迹点i停留的时间△t，并利用公式计算轨迹点i的位置权重，公式如下：

其中，wti表示轨迹点i的位置权重，δti表示嫌疑对象在轨迹点i停留的时间，tall表示单个时间区间的总时间；

s3.2，通过某时间区间内每个轨迹点的位置权重wti，得到嫌疑对象在该时间区间的综合位置，计算方法如下：

其中dix与diy表示嫌疑对象在轨迹点i所属时间区间的综合位置的总经纬度，m为轨迹点i所属时间区间的轨迹点总数，loni和lati为轨迹点i的经纬度。

进一步地，所述步骤s4具体包括：

将待匹配的嫌疑对象轨迹d与其他对象轨迹进行加权的欧式距离计算，公式如下：

其中，d为嫌疑对象轨迹，m为其他某个对象轨迹，n为时间区间的个数，e(d，m)为轨迹d与轨迹m之间的欧式距离，distance(di，mi)表示轨迹d中与轨迹m中第i个轨迹点所属时间区间的综合位置di，mi的距离。

另一方面，本发明还提供一种基于轨迹相似度匹配的人车关联分析系统，包括：数据获取模块、嫌疑对象轨迹获取模块、区间综合位置计算模块、欧式距离计算模块以及结果展示模块；

所述数据获取模块用于获取前端卡口设备采集的车辆、手机的时空数据并存入数据库；

所述嫌疑对象轨迹获取模块用于根据用户设置的查询时间段以及嫌疑车辆或手机的特征值，从数据库中获取该时间段内嫌疑对象的若干个轨迹点，按照时间排序构成嫌疑对象轨迹；

所述区间综合位置计算模块用于将查询时间段划分为若干个时间区间，将嫌疑对象在轨迹点的停留时间与单个时间区间的总时间的比值作为该轨迹点的位置权重，加权计算嫌疑对象在各时间区间的综合位置；

所述欧式距离计算模块用于计算嫌疑对象轨迹与其他对象轨迹的加权欧式距离；

所述结果展示模块用于根据设置的关联级别阈值对步骤s4计算的结果进行过滤，筛选出满足阈值要求的轨迹并按照欧式距离由小到大排列展示。

进一步地，所述前端卡口设备包括抓拍过车图片的车辆卡口点位、捕获手机mac的wi-fi卡口点位。

进一步地，所述数据获取模块获取的时空数据包括车辆号牌或手机mac、获取时间starttime、抓拍地点经度lon、纬度lat。

进一步地，所述区间综合位置计算模块具体用于：

将查询时间段划分为若干个时间区间，将获取的轨迹点按照时间归类分入各个时间区间，在单个时间区间内，将嫌疑对象从轨迹点i至其下一个轨迹点所经历的时间作为嫌疑对象在轨迹点i停留的时间△t，并利用公式计算轨迹点i的位置权重，公式如下：

其中，wti表示轨迹点i的位置权重，δti表示嫌疑对象在轨迹点i停留的时间，tall表示单个时间区间的总时间；

通过某时间区间内每个轨迹点的位置权重wti，得到嫌疑对象在该时间区间的综合位置，计算方法如下：

其中dix与diy表示嫌疑对象在轨迹点i所属时间区间的综合位置的总经纬度，m为轨迹点i所属时间区间的轨迹点总数，loni和lati为轨迹点i的经纬度。

进一步地，所述所述欧式距离计算模块具体用于：

将待匹配的嫌疑对象轨迹d与其他对象轨迹进行加权的欧式距离计算，公式如下：

其中，d为嫌疑对象轨迹，m为其他某个对象轨迹，n为时间区间的个数，e(d，m)为轨迹d与轨迹m之间的欧式距离，distance(di，mi)表示轨迹d中与轨迹m中第i个轨迹点所属时间区间的综合位置di，mi的距离。

与现有技术相比，本发明具有以下有益效果：

本发明提供的这种基于轨迹相似度匹配的人车关联分析方法及系统，在移动大数据环境下，通过以时间维度为条件的加权方式对基于欧式距离的相似度匹配方法进行改进，避免了欧氏距离算法会将相隔较远的时间段内两条轨迹作为相似轨迹，降低轨迹相似度的对比过程复杂度，同时以公安业务为背景，可以根据改进的轨迹相似度算法，得到设定时间段内嫌疑对象的同行车辆与同行手机mac，再利用条件参数中的阈值进行过滤，从而帮助公安用户确认嫌疑对象的同行车辆以及嫌疑车辆内人员身份，帮助公安人员尽快破案。

附图说明

图1为本发明实施例提供的一种基于轨迹相似度匹配的人车关联分析方法的流程图；

图2为本发明实施例提供的一种基于轨迹相似度匹配的人车关联分析系统的方框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于轨迹相似度匹配的人车关联分析方法，包括以下步骤：

s1，获取前端卡口设备采集的车辆、手机的时空数据并存入数据库；

s2，根据用户设置的查询时间段以及嫌疑车辆或手机的特征值，从数据库中获取该时间段内嫌疑对象的若干个轨迹点，按照时间排序构成嫌疑对象轨迹；

s3，将查询时间段划分为若干个时间区间，将嫌疑对象在轨迹点的停留时间与单个时间区间的总时间的比值作为该轨迹点的位置权重，加权计算嫌疑对象在各时间区间的综合位置；

s4，计算嫌疑对象轨迹与其他对象轨迹的加权欧式距离；

s5，根据设置的关联级别阈值对步骤s4计算的结果进行过滤，筛选出满足阈值要求的轨迹并按照欧式距离由小到大排列展示。

下面对上述各个步骤进行详细说明。

在一个实施例中，所述步骤s1中的前端卡口设备包括部署于目标区域内的抓拍过车图片的车辆卡口点位、捕获手机mac的wi-fi卡口点位等，目标区域可以为城市或其他范围的区域，通过这些卡口点位可以获取到车辆、手机的时空数据，所述步骤s1中获取的时空数据具有多组，每组数据包括车辆号牌或手机mac、获取时间starttime、抓拍地点经度lon、纬度lat等。获取的数据进行清洗后存储在数据库中。

在一个实施例中，所述步骤s3具体包括：

s3.1，将查询时间段划分为若干个时间区间，将获取的轨迹点按照时间归类分入各个时间区间，在单个时间区间内，将嫌疑对象从轨迹点i至其下一个轨迹点所经历的时间作为嫌疑对象在轨迹点i停留的时间△t，即轨迹点i与其下一个轨迹点的获取时间差，并利用公式计算轨迹点i的位置权重，该位置权重是指在计算嫌疑对象在轨迹点i所属时间区间的综合位置时轨迹点i的权重，公式如下：

其中，wti表示轨迹点i的位置权重，δti表示嫌疑对象在轨迹点i停留的时间，tall表示单个时间区间的总时间；

s3.2，通过某时间区间内每个轨迹点的位置权重wti，以及轨迹点的坐标经纬度，得到嫌疑对象在该时间区间的综合位置，计算方法如下：

其中dix与diy表示嫌疑对象在轨迹点i所属时间区间的综合位置的总经纬度，m为轨迹点i所属时间区间的轨迹点总数，loni和lati为轨迹点i的经纬度。

进一步地，所述步骤s4具体包括：

将待匹配的嫌疑对象轨迹d与其他对象轨迹进行加权的欧式距离计算，公式如下：

其中，d为嫌疑对象轨迹，m为其他某个对象轨迹，n为时间区间的个数，e(d，m)为轨迹d与轨迹m之间的欧式距离，distance(di，mi)表示轨迹d中与轨迹m中第i个轨迹点所属时间区间的综合位置di，mi的距离。

本发明实施例在移动大数据环境下，通过以时间维度为条件的加权方式对基于欧式距离的相似度匹配方法进行改进，避免了欧氏距离算法会将相隔较远的时间段内两条轨迹作为相似轨迹，降低轨迹相似度的对比过程复杂度，同时以公安业务为背景，可以根据改进的轨迹相似度算法，得到设定时间段内嫌疑对象的同行车辆与同行手机mac，再利用条件参数中的阈值进行过滤，从而帮助公安用户确认嫌疑对象的同行车辆以及嫌疑车辆内人员身份，帮助公安人员尽快破案。

基于同一发明构思，本发明实施例还提供一种基于轨迹相似度匹配的人车关联分析系统，由于该系统解决问题的原理与前述实施例一种基于轨迹相似度匹配的人车关联分析方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

如图2所示，为本发明实施例提供的一种基于轨迹相似度匹配的人车关联分析系统，可以用于执行上述方法实施例，该系统包括：数据获取模块11、嫌疑对象轨迹获取模块12、区间综合位置计算模块13、欧式距离计算模块14以及结果展示模块15；

所述数据获取模块11用于获取前端卡口设备采集的车辆、手机的时空数据并存入数据库；

所述嫌疑对象轨迹获取模块12用于根据用户设置的查询时间段以及嫌疑车辆或手机的特征值，从数据库中获取该时间段内嫌疑对象的若干个轨迹点，按照时间排序构成嫌疑对象轨迹；

所述区间综合位置计算模块13用于将查询时间段划分为若干个时间区间，将嫌疑对象在轨迹点的停留时间与单个时间区间的总时间的比值作为该轨迹点的位置权重，加权计算嫌疑对象在各时间区间的综合位置；

所述欧式距离计算模块14用于计算嫌疑对象轨迹与其他对象轨迹的加权欧式距离；

所述结果展示模块15用于根据设置的关联级别阈值对步骤s4计算的结果进行过滤，筛选出满足阈值要求的轨迹并按照欧式距离由小到大排列展示。

在一个实施例中，所述前端卡口设备包括抓拍过车图片的车辆卡口点位、捕获手机mac的wi-fi卡口点位。

在一个实施例中，所述数据获取模块11获取的时空数据包括车辆号牌或手机mac、获取时间starttime、抓拍地点经度lon、纬度lat。

在一个实施例中，所述区间综合位置计算模块13具体用于：

将查询时间段划分为若干个时间区间，将获取的轨迹点按照时间归类分入各个时间区间，在单个时间区间内，将嫌疑对象从轨迹点i至其下一个轨迹点所经历的时间作为嫌疑对象在轨迹点i停留的时间△t，并利用公式计算轨迹点i的位置权重，公式如下：

其中，wti表示轨迹点i的位置权重，δti表示嫌疑对象在轨迹点i停留的时间，tall表示单个时间区间的总时间；

通过某时间区间内每个轨迹点的位置权重wti，得到嫌疑对象在该时间区间的综合位置，计算方法如下：

其中dix与diy表示嫌疑对象在轨迹点i所属时间区间的综合位置的总经纬度，m为轨迹点i所属时间区间的轨迹点总数，loni和lati为轨迹点i的经纬度。

在一个实施例中，所述所述欧式距离计算模块14具体用于：

将待匹配的嫌疑对象轨迹d与其他对象轨迹进行加权的欧式距离计算，公式如下：

其中，d为嫌疑对象轨迹，m为其他某个对象轨迹，n为时间区间的个数，e(d，m)为轨迹d与轨迹m之间的欧式距离，distance(di，mi)表示轨迹d中与轨迹m中第i个轨迹点所属时间区间的综合位置di，mi的距离。

本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。