一种通过轨迹关联度识别车辆驾驶者的系统和方法与流程

本发明属于交通大数据
技术领域：
，特别涉及一种通过轨迹关联度识别车辆驾驶者的系统和方法。
背景技术：
：城市的快速扩张带来了城市人口的迅速膨胀，随之而来的是车辆给城市交通带来的堵塞和交通事故频发，增加了城市道路秩序维护成本。在车辆事故处理时，快速确定事故车辆驾驶人员信息，对于提高后续事故处理事件效率，降低执法成本是非常重要的环节。同时，随着定位技术的高速发展和道路监控系统的完善，在提高城市交通畅通以及快速定位当时驾驶人员方面，对于车辆行为建立分析体系变得可行。由于在城市交通流特征中，车辆的行驶轨迹包含详细的交通流微观参数，通过对城市交通路网中车辆行为轨迹的提取、聚集和整合分析，可以系统科学地再现车辆的运行场景，有效获得城市网络交通流的宏观运行状态，结合驾驶人员行为轨迹分析结构和时空分布特点为快速定位当时驾驶人员分析提供重要数据支撑。技术实现要素：本发明提供了一种通过轨迹关联度识别车辆驾驶者的系统和方法，通过车辆信息再现车辆行为轨迹，定位系统驾驶人员行为轨迹，根据车辆行为轨迹与人员行为轨迹进行时空轨迹共振，确定目标驾驶人员。本发明实施了之一，一种通过轨迹关联度识别车辆驾驶者的系统，该系统包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块，时序轨迹采集模块，用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据，并且形成轨迹数据库，数据清洗模块，用于对包括车辆信息和驾驶人员信息的数据进行处理和整合，对采集到的轨迹数据进行分类及匹配后，结合时间和空间维度进行轨迹还原，按照业务需求确定划分维度区间，分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图，轨迹关联度计算模块，根据确定的维度区间，将车辆轨迹与驾驶人员行为轨迹进行对比，根据业务需求设定共振阈值，超过该阈值的群体为轨迹吻合度高群体，从中确定车辆当时的驾驶人员。本发明建立的车辆轨迹数据库以及驾驶人员行为轨迹数据库，可以助力城市交通流分析，并且为轨迹的分析挖掘带来更好的参考价值。同时，采用时空序列计算模型，并对数据进行时空序列聚类分析，极大地提高了轨迹的分析挖掘准确性与完善性，更加准确快速识别确定车辆驾驶人员。附图说明通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：图1本发明实施了中涉及的基于聚类的空间尺度转换过程示意图。图2本发明实施了中识别车辆驾驶者的系统的流程示意图。具体实施方式根据一个或者多个实施例，如图2所示，一种通过轨迹关联度识别车辆驾驶者的系统，该系统包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块。时序轨迹采集模块，用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据，并且形成轨迹数据库。数据清洗模块，用于对包括车辆信息和驾驶人员信息的数据进行处理和整合，对采集到的轨迹数据进行分类及匹配后，结合时间和空间维度进行轨迹还原，按照业务需求确定划分维度区间，分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图。轨迹关联度计算模块，根据确定的维度区间，将车辆轨迹与驾驶人员行为轨迹进行对比，根据业务需求设定共振阈值，超过该阈值的群体为轨迹吻合度高群体，从中确定车辆当时的驾驶人员。根据一个或者多个实施例，一种通过轨迹关联度识别车辆驾驶者的系统，包括，时序轨迹采集模块，该模块包括一系列的时序轨迹采集工具，通过收集这些工具采集的时序轨迹数据形成轨迹库，包括车辆行驶轨迹与驾驶人员行为轨迹。数据清洗模块，其中的数据包括车辆信息和驾驶人员信息，车辆信息是从道路监控设备以及平台抽取并整合而成，因车辆数据包含许多属性，该算法仅利用到车牌号、检测时间、设备点位地址、设备点位编号、进口道方向及车道编号作为属性数据。驾驶人员信息是通过移动端信息采集系统，采集驾驶人员的活动信息数据，例如网吧数据、旅店数据、wi-fi移动端数据等，以确定驾驶人员的日常行为轨迹。对车辆信息和驾驶人员信息进行数据整合，将采集到的轨迹信息进行相关的分类及匹配后，结合时间和空间维度进行轨迹还原，按照业务需求确定划分维度区间，分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图。轨迹关联度计算模块，根据确定的维度区间，将车辆轨迹与驾驶人员行为轨迹进行对比，根据业务需求设定共振阈值，超过该阈值的群体(物理位置共振，时间范围共振，同时满足)为轨迹吻合度高群体，以此确定车辆当时驾驶人员。轨迹关联度计算模块的计算步骤包括：步骤s1，确定轨迹、时间、空间的三维共振图，基于点与多边形的叠加，面积加权，最大化保留以及修正的面域加权等，进行空间尺度的转换。利用聚类分析技术，将小粒度的空间单元或对象进行合并为较大的空间单元，病采用统计值对簇的特征进行特征描述。该步骤结合空间尺度的转换，如图1所示。转换过程是，当前小尺度时空序列由大尺度下反映整体特征的数据与当前小尺度中反映局部特征的数据构成表达式为：对应的时间序列在小尺度下的偏差序列表达式为：对时空序列数据进行聚类分析，获取反映当前尺度趋势部分的大尺度数据，然后将当前尺度的趋势部分剔除掉，剩余的为当前尺度数据中反映偏差部分。步骤s2，选择共振区域确定共振群体，根据步骤s1确定的三维共振图，可根据条件筛选出共振的群体。利用时空序列聚类分析依据空间单元在空间域上的邻接性与时间域上的相似性，可以将时空序列划分为不同的簇，并使得在满足空间邻接性的条件下，簇内的相似性尽可能大，而簇间的相似性尽可能小，由此确定出满足条件的共振群体。根据一个或者多个实施例，设车辆信息如下表。车a地点a检测时间a车道信息a进道口信息a车b地点b检测时间b车道信息b进道口信息b车c地点c检测时间c车道信息c进道口信息c……………一种通过轨迹关联度识别车辆驾驶者的方法包括步骤：step1：抽取车辆行驶轨迹数据；step2:抽取驾驶人员行为轨迹数据；step3：结合路况复杂程度设置时间窗口阈值为10min，根据检测到的车牌号，将地点、车道信息、进道口信息结合时间维度确定车辆行驶轨迹图；step4：结合时间维度、驾驶人员的上网数据(包含上网地点、上网时间以及下网时间)、住店信息(包含住店时间、离店时间)、wi-fi探测到的信息(包含地址、时间)、停车场信息(停车时间段)确定驾驶人员行为轨迹图；step5：利用时空序列模型，将车辆行驶轨迹与驾驶人员行驶轨迹进行计算，形成映射关系。根据路况设定共振阈值为3次，即车辆行驶轨迹与驾驶人员行为轨迹产生3次以上共振筛选出来，以上为车c与驾驶员a为轨迹高度相似群体，可以初步判定为当时驾驶人员。将车辆c的信息与驾驶人员a的信息提供给有关部门做后续事件的跟踪查询。值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。当前第1页12