本发明涉及计算机技术领域，特别涉及一种行驶轨迹获取方法和装置。
背景技术：
目前城市道路中行驶的车辆的数量呈指数型增长，城市交通拥挤的现象日益严重。为了提高城市路网的运行效率，需要基于车辆的行驶轨迹对城市路网进行分析。
相关技术中，通常根据车载终端的全球定位系统(globalpositioningsystem，gps)定位确定车辆的行驶轨迹，再根据这些行驶轨迹对城市路网进行分析。
然而，目前城市道路中行驶的车辆并非均安装有车载终端，分析城市路网所依据的行驶轨迹有限，导致对城市路网进行分析得到的结果的准确性低。
技术实现要素：
为了解决现有技术中分析城市路网所依据的行驶轨迹有限，导致对城市路网进行分析得到的结果的准确性低的问题，本发明实施例提供了一种行驶轨迹获取方法和装置。所述技术方案如下：
第一方面，提供了一种行驶轨迹获取方法，所述方法包括：获取各卡口的车辆通过记录，所述卡口的车辆通过记录包含通过所述卡口的车辆的车辆标识、所述车辆通过所述卡口的时间和所述卡口的标识；将包含有效车辆标识的车辆通过记录按照车辆通过记录中的时间进行排序，根据排序结果生成各个有效车辆标识对应的历史行驶轨迹；识别每条历史行驶轨迹中的停靠路段，根据所述停靠路段将所述历史行驶轨迹划分成单次行驶轨迹，统计相同单次行驶轨迹的第一频数；根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹；其中，所述停靠路段为车辆发生经停行为时在相邻卡口间的交通路段。
由于城市路网中卡口广泛分布，各卡口的车辆通过记录可包含通过所有通过该卡口的车辆的车辆通过记录，能够反映出车辆的历史行驶行为，因而通过车辆通过记录生成各个有效车辆标识对应的历史行驶轨迹，并在识别每条历史行驶轨迹中的停靠路段之后，根据识别出的停靠路段将所该历史行驶轨迹划分成单次行驶轨迹，可得到城市路网中绝大部分车辆的单次行驶轨迹；解决了相关技术中根据各车载终端中全球定位系统记录的行驶轨迹分析城市路网分析结果准确性低的问题；达到了提高城市路网分析结果的准确性的效果。
另外，通过根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹，由于通用行驶轨迹是城市路网中绝大部分车辆的单次行驶轨迹中频繁出现的轨迹，因而利用上述方式获取到的通用行驶轨迹对交通路段间的关系进行分析时，可使得到的分析结果更加准确。
另外，由于单次行驶轨迹中不存在停靠路段，是车辆一次行驶过程所对应的轨迹，因此根据频数从单次行驶轨迹中确定出的通用行驶轨迹所对应的交通路段存在关联关系，这些交通路段的卡口也存在关联关系。
可选的，所述识别每条历史行驶轨迹中的停靠路段，包括：对于所述历史行驶轨迹中两两相邻的第一卡口组合，获取所述第一卡口组合对应的车辆通过记录中的时间作为车辆通过所述第一卡口组合的通行时间；确定所述通行时间所对应的一个时段，获取所述第一卡口组合在所述时段对应的正常通行时长中的最长通行时长，所述正常通行时长为未发生停靠、未超速行驶的通行时长；根据所述通行时间计算所述车辆通过所述第一卡口组合的通行时长，在所述通行时长大于所述最长通行时长时，将所述第一卡口组合之间的路段确定为所述历史行驶轨迹中的停靠路段。
同一路段在不同时段的交通状况存在差异，车辆在不超速、不经停行为的情况下通过该路段所使用的正常通行时长也存在差异，通过确定车辆通过该第一卡口组合的两个通行时间对应的时段，获取该第一卡口组合在该时段对应的正常通行时长中的最长通行时长，将该车辆通过该第一卡口组合的通行时长与该最长通行时长相比较来确定该第一卡口组合之间的路段是否为停靠路段，提高了停靠路段识别的准确性。
可选的，所述获取所述第一卡口组合在所述时段对应的正常通行时长中的最长通行时长，包括：获取每个车辆在所述时段内通过所述第一卡口组合的通行时长；确定所述每个车辆的通行时长所在的时长区间，统计位于各时长区间的通行时长的数量，根据统计结果生成概率密度函数；对所述概率密度函数进行假设性检验，将符合假设的通行时长取值中的最大值确定为第一候选最长通行时长；利用累积和(cumulativesum,cusum)算法和所述概率密度函数确定出异常通行时长，将所述异常通行时长之外的通行时长中的最大值确定为第二候选最长通行时长；将所述第一候选最长通行时长和第二候选最长通行时长中的最大值确定为所述第一卡口组合在所述时段对应的正常通行时长中的最长通行时长；其中，所述概率密度函数的自变量为通行时长。
通过获取符合假设的通行时长和利用cusum算法确定出的异常通行时长之外的通行时长，可过滤掉车辆超速行驶或车辆途中经停情况下通过该第一卡口组合间路段所使用的通行时长得到正常通行时长。
可选的，所述根据所述停靠路段将所述历史行驶轨迹划分成单次行驶轨迹，包括：将所述历史行驶轨迹中排序第一的车辆通过记录确定为一个起点，排序在最后的车辆通过记录确定为一个终点；将所述停靠路段中排序在前的车辆通过记录确定为上一条单次行驶轨迹的终点，排序在后的车辆通过记录确定为下一条单次行驶轨迹的起点。
可选的，所述方法还包括：提取每条通用行驶轨迹中符合预定条件的第二卡口组合；计算每种第二卡口组合的支持度和至少两个置信度；将支持度满足支持度阈值和至少一个置信度满足置信度阈值的第二卡口组合确定为强关联关系的卡口组合；其中，所述预定条件包含预设卡口项数和/或第二卡口组合内的卡口在所述通用行驶轨迹中的位置是否连续。
由于从同一条通用行驶轨迹中提取出的卡口存在关联关系，通过提取每条通用行驶轨迹中符合预定条件的第二卡口组合，可挖掘不同类型的相互关联的卡口，比如，卡口项数为2的二项关联卡口，卡口项数大于2的多项关联卡口；再比如，通用行驶轨迹中位置连续的关联卡口，通用行驶轨迹中位置不连续的关联卡口。
通过计算各个第二卡口组合的支持度和至少两个置信度，确定各个第二卡口组合内卡口间的关联程度，在某第二卡口组合的支持度满足支持度阈值和至少一个置信度满足置信度阈值时，认为该第二卡口组合内卡口间的关联程度较强，将该第二卡口组合确定为强关联关系的卡口组合，能够从所有第二卡口组合中筛选出卡口间关联程度强的卡口组合。
可选的，所述计算每种第二卡口组合的支持度和至少两个置信度，包括：对于任一种第二卡口组合，统计所述第二卡口组合的第二频数；对所述第二频数与通用行驶轨迹的数量求商，将得到的结果作为所述第二卡口组合的支持度；对于所述第二卡口组合内的任一卡口，统计所有第二卡口组合中包含除所述任一卡口以外的其他卡口的数量，对所述第二频数与统计结果求商，将得到的结果作为所述任一卡口在所述第二卡口组合中对应的置信度。
第二方面，提供了一种行驶轨迹获取装置，所述装置包括：获取模块，用于获取各卡口的车辆通过记录，所述卡口的车辆通过记录包含通过所述卡口的车辆的车辆标识、所述车辆通过所述卡口的时间和所述卡口的标识；生成模块，用于将所述获取模块获取到的包含有效车辆标识的车辆通过记录按照车辆通过记录中的时间进行排序，根据排序结果生成各个有效车辆标识对应的历史行驶轨迹；识别模块，用于识别所述生成模块生成的每条历史行驶轨迹中的停靠路段；划分模块，用于根据所述识别模块识别出的停靠路段将所述历史行驶轨迹划分成单次行驶轨迹，统计相同单次行驶轨迹的第一频数；第一确定模块，用于根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹；其中，所述停靠路段为车辆发生经停行为时在相邻卡口间的交通路段。
可选的，所述识别模块，包括：第一获取单元，用于对于所述历史行驶轨迹中两两相邻的第一卡口组合，获取所述第一卡口组合对应的车辆通过记录中的时间作为车辆通过所述第一卡口组合的通行时间；第二获取单元，用于确定所述第一获取单元获取到的通行时间所对应的一个时段，获取所述第一卡口组合在所述时段对应的正常通行时长中的最长通行时长，所述正常通行时长为未发生停靠、未超速行驶的通行时长；确定单元，根据所述第一获取单元获取到的通行时间计算所述车辆通过所述第一卡口组合的通行时长，在所述通行时长大于所述第二获取单元获取到的最长通行时长时，将所述第一卡口组合之间的路段确定为所述历史行驶轨迹中的停靠路段。
可选的，所述第二获取单元，用于：获取每个车辆在所述时段内通过所述第一卡口组合的通行时长；确定所述每个车辆的通行时长所在的时长区间，统计位于各时长区间的通行时长的数量，根据统计结果生成概率密度函数；对所述概率密度函数进行假设性检验，将符合假设的通行时长取值中的最大值确定为第一候选最长通行时长；利用cusum算法和所述概率密度函数确定出异常通行时长，将所述异常通行时长之外的通行时长中的最大值确定为第二候选最长通行时长；将所述第一候选最长通行时长和第二候选最长通行时长中的最大值确定为所述第一卡口组合在所述时段对应的正常通行时长中的最长通行时长；其中，所述概率密度函数的自变量为通行时长。
可选的，所述划分模块，用于：将所述历史行驶轨迹中排序第一的车辆通过记录确定为一个起点，排序在最后的车辆通过记录确定为一个终点；将所述停靠路段中排序在前的车辆通过记录确定为上一条单次行驶轨迹的终点，排序在后的车辆通过记录确定为下一条单次行驶轨迹的起点。
可选的，所述装置还包括：提取模块，用于提取每条通用行驶轨迹中符合预定条件的第二卡口组合；计算模块，用于计算所述提取模块提取的每种第二卡口组合的支持度和至少两个置信度；第二确定模块，用于将支持度满足支持度阈值和至少一个置信度满足置信度阈值的第二卡口组合确定为强关联关系的卡口组合；其中，所述预定条件包含预设卡口项数和/或第二卡口组合内的卡口在所述通用行驶轨迹中的位置是否连续。
可选的，所述计算模块，包括：统计单元，用于对于任一种第二卡口组合，统计所述第二卡口组合的第二频数；第一计算单元，用于对所述统计单元统计到的第二频数与通用行驶轨迹的数量求商，将得到的结果作为所述第二卡口组合的支持度；第二计算单元，用于对于所述第二卡口组合内的任一卡口，统计所有第二卡口组合中包含除所述任一卡口以外的其他卡口的数量，对所述统计单元统计到的第二频数与统计结果求商，将得到的结果作为所述任一卡口在所述第二卡口组合中对应的置信度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的行驶轨迹获取方法的流程图；
图2a是本发明另一个实施例提供的行驶轨迹获取方法的流程图；
图2b是本发明另一个实施例中提供的识别一条历史行驶轨中的停靠路段的流程图；
图2c是本发明另一个实施例中提供的根据停靠路段将一条历史行驶轨迹划分成单次行驶轨迹的示意图；
图2d是本发明另一个实施例中提供的计算第二卡口组合的支持度和至少两个置信度的流程图；
图3a是本发明另一个实施例中提供的获取第一卡口组合在某时段对应的正常通行时长中的最长通行时长的流程图；
图3b是本发明另一个实施例中提供的对概率密度函数进行假设性检验的示意图；
图4a是本发明一个实施例中提供的行驶轨迹获取装置的结构方框图；
图4b是本发明另一个实施例中提供的行驶轨迹获取装置的结构方框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明的实施例进行详细说明之前，首先对本发明实施例中涉及的一些概念或设备功能进行如下说明：
1、卡口是指设置有监测设备的出入口。
2、设置在卡口的监测设备具备如下功能：拍摄通过该卡口的车辆的图像，将该图像的拍摄时间作为该车辆通过该卡口的时间；识别图像中车辆的车辆标识，将该车辆标识、该时间以及该卡口的标识作为一条车辆通过记录；将其生成的车辆通过记录通过网络发送给服务器。
以车辆标识为车牌号来举例说明。监测设备在检测到有车辆从卡口a经过时，对经过的车辆进行抓拍获得图像，并记录拍摄时间为2016年11月9日18:09:58。监测设备对抓拍到的图像进行车牌号全自动识别，得到车牌号为京*****，则该监测设备生成的一条车辆通过记录可以为：卡口a_2016-11-918:09:58_车辆京*****。
3、服务器具备如下功能：从与其建立网络连接的各监测设备获取车辆通过记录，利用获取到的车辆通过记录获取通用行驶轨迹，进而分析城市路网。
本发明实施例提供的行驶轨迹获取方法，各步骤的执行主体可以为服务器。例如，该服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。为了便于描述，在下述各个方法实施例中，仅以各步骤的执行主体为服务器进行举例说明，但对此不构成限定。
请参考图1，其示出了本发明一个实施例提供的行驶轨迹获取方法的流程图。如图1所示，该行驶轨迹获取方法可以包括如下几个步骤。
步骤110，获取各卡口的车辆通过记录，该卡口的车辆通过记录包含通过该卡口的车辆的车辆标识、该车辆通过该卡口的时间和该卡口的标识。
可选的，上述车辆的车辆标识可以为该车辆的车牌号。
步骤120，将包含有效车辆标识的车辆通过记录按照车辆通过记录中的时间进行排序，根据排序结果生成各个有效车辆标识对应的历史行驶轨迹。
其中，有效车辆标识为合法车辆标识，如有效车辆标识为非套牌车牌号。服务器确定车辆标识是否为有效车辆标识为本领域普通技术人员所能实现的。比如，服务器获取该车辆标识对应的参考图像(该参考图像可由用户提供)，获取卡口处监测设备拍摄的图像，分别获取这两幅图像的纹理特征码，计算这两个纹理特征码之间的相似度。若相似度小于相似度阈值，则判定该车辆标识为有效车辆标识，否则，该车辆标识为非法车辆标识。本实施例对确定车辆标识是否为有效车辆标识的方式不再一一赘述。
对于每一有效车辆标识，服务器获取包含该车辆标识的所有车辆通过记录。对于获取到的车辆通过记录，服务器可先剔除其中的有效车辆标识，再按照车辆通过记录中的时间的先后顺序进行排序，得到该有效车辆标识对应的历史行驶轨迹；或者，服务器先按照车辆通过记录中的时间的先后顺序排序，再剔除其中的有效车辆标识，得到该有效车辆标识对应的历史行驶轨迹。
以有效车辆标识为京*****来举例说明，服务器获取到的包含京*****的所有车辆通过记录如下：卡口a_2016-11-918:09:58_车辆京*****；卡口b_2016-11-918:11:01_车辆京*****；卡口c_2016-11-918:13:13_车辆京*****。服务器按照车辆通过记录中记录时间的先后顺序对以上车辆通过记录进行排序，剔除排序后的各车辆通过记录中的有效车辆标识，得到车辆京*****的历史行驶轨迹为：a_2016-11-918:09:58->b_2016-11-918:11:01->c_2016-11-918:13:13->d_2016-11-118:30:01->e_2016-11-118:32:01。其中，符号组合“->”用于分隔两条车辆通过记录。
步骤130，识别每条历史行驶轨迹中的停靠路段，根据停靠路段将该历史行驶轨迹划分成单次行驶轨迹，统计相同单次行驶轨迹的第一频数。
其中，上述停靠路段为车辆发生经停行为时所在相邻卡口间的交通路段，该相邻卡口为历史行驶轨迹中位置相邻的卡口。单次行驶轨迹为车辆一次行驶过程中未发生经停行为时的轨迹。
以识别有效车辆标识京*****对应历史行驶轨迹中的停靠路段来举例说明，车辆京*****的历史行驶轨迹为：a_2016-11-918:09:58->b_2016-11-918:11:01->c_2016-11-918:13:13->d_2016-11-118:30:01->e_2016-11-118:32:01。服务器可识别出车辆京*****在卡口c与卡口d间发生了经停行为，卡口c与卡口d间的路段为停靠路段，则服务器可将历史行驶轨迹划分成两条单次行驶轨迹，两条单次行驶轨迹分别为：1、a->b->c；2、d->e。
服务器在将每条历史行驶轨迹划分成单次行驶轨迹后，统计相同单次行驶轨迹的第一频数。举例来讲，单次行驶轨迹a->b->c与单次行驶轨迹a->b->c->d不相同。对于单次行驶轨迹a->b->c，统计所有单次行驶轨迹中a->b->c出现的次数得到a->b->c的第一频数。
步骤140，根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹。
服务器统计相同单次行驶轨迹的第一频数，服务器将第一频数大于频数阈值的单次行驶轨迹确定为通用行驶轨迹。其中，频数阈值可由系统开发人员设定，也可由服务器根据单次行驶轨迹的数量、有效车辆标识的数量设定。本实施例不对频数阈值的设置作具体限定。
以服务器根据单次行驶轨迹的数量确定频数阈值来举例说明，服务器可将单次行驶轨迹的数量的十分之一确定为频数阈值。若服务器对100个车辆的历史行驶轨迹进行划分得到1000条单次行驶轨迹，则频数阈值为100。若单次行驶轨迹a->b->c的频数为350，则服务器将单次行驶轨迹a->b->c确定为通用行驶轨迹。
一条通用行驶轨迹中的各卡口间存在关联关系。比如，当车辆通过通用行驶轨迹中任一卡口时，该车辆通过该通用行驶轨迹中其他卡口的可能性较高。再比如，在通用行驶轨迹中任一卡口的车流量持续增长的情况下，该通用行驶轨迹中其他卡口随之增长的可能性较高。再比如，在通用行驶轨迹中任一卡口发生交通拥堵时，该通用行驶轨迹中其他卡口发生拥堵的可能性较高。
以通用行驶轨迹a->b->c来举例说明，通用行驶轨迹中的卡口为卡口a、卡口b和卡口c，这些卡口之间存在关联关系。
综上所述，本发明实施例提供的行驶轨迹获取方法，由于城市路网中卡口广泛分布，各卡口的车辆通过记录可包含通过所有通过该卡口的车辆的车辆通过记录，能够反映出车辆的历史行驶行为，因而通过车辆通过记录生成各个有效车辆标识对应的历史行驶轨迹，并在识别每条历史行驶轨迹中的停靠路段之后，根据识别出的停靠路段将所该历史行驶轨迹划分成单次行驶轨迹，可得到城市路网中绝大部分车辆的单次行驶轨迹；解决了相关技术中根据各车载终端中全球定位系统记录的行驶轨迹分析城市路网分析结果准确性低的问题；达到了提高城市路网分析结果的准确性的效果。
另外，通过根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹，由于通用行驶轨迹是城市路网中绝大部分车辆的单次行驶轨迹中频繁出现的轨迹，因而利用上述方式获取到的通用行驶轨迹对交通路段间的关系进行分析时，可使得到的分析结果更加准确。
另外，由于单次行驶轨迹中不存在停靠路段，是车辆一次行驶过程所对应的轨迹，因此根据频数从单次行驶轨迹中确定出的通用行驶轨迹所对应的交通路段存在关联关系，这些交通路段的卡口也存在关联关系。
请参考图2a，其示出了本发明另一个实施例提供的行驶轨迹获取方法的流程图。如图2a所示，该行驶轨迹获取方法可以包括如下几个步骤。
步骤210，获取各卡口的车辆通过记录，该卡口的车辆通过记录包含通过该卡口的车辆的车辆标识、该车辆通过该卡口的时间和该卡口的标识。
可选的，上述车辆的车辆标识可以为该车辆的车牌号。
步骤220，将包含有效车辆标识的车辆通过记录按照车辆通过记录中的时间进行排序，根据排序结果生成各个有效车辆标识对应的历史行驶轨迹。
本步骤220的说明可参考步骤120的解释说明。
步骤230，识别每条历史行驶轨迹中的停靠路段，停靠路段为车辆发生经停行为时在相邻卡口间的交通路段。
可选的，识别一条历史行驶轨中的停靠路段可通过如图2b所示的几个步骤实现。
步骤231中，对于该历史行驶轨迹中两两相邻的第一卡口组合，获取第一卡口组合对应的车辆通过记录中的时间作为车辆通过该第一卡口组合的通行时间。
对于该历史行驶轨迹中排序两两相邻的两条车辆通过记录，服务器将其中记录的两个卡口标识对应的卡口作为第一卡口组合，将其中记录的时间确定为车辆通过该第一卡口组合的通行时间，该车辆是指具备该历史行驶轨迹对应车辆标识的车辆。
以有效车辆标识为京*****对应的历史行驶轨迹来举例说明，服务器获取该历史行驶轨迹中排序相邻的两条车辆通过记录，这两条车辆通过记录可以为a_2016-11-918:09:58和b_2016-11-918:11:01。服务器将卡口a和b作为第一卡口组合，将时间2016-11-918:09:58和2016-11-918:11:01确定为车辆京*****通过卡口a、b的通行时间。
步骤232中，确定上述通行时间所对应的一个时段，获取该第一卡口组合在该时段对应的正常通行时长中的最长通行时长。
本实施例不对时段的划分做具体的限定，可根据实际情况确定。可选的，可将一天划分成若干个时段。比如，将一天24小时划分成12个时长相等的时段，[0:00，2:00)为第一个时段，[2:00，4:00)为第二个时段，其他依次类推，[22:00，0:00)为第十二个时段，2016-11-9的[0:00，2:00)与2016-11-10的[0:00，2:00)为同一个时段。
可选的，将一周划分成若干个时段。比如，将一周划分成84个时长相等的时段，星期一的[0:00，2:00)为第一个时段，星期一的[2:00，4:00)为第二个时段，其他依次类推，星期日的[22:00，0:00)为第八十四个时段。
服务器在确定上述通行时间对应的一个时段时，可通过以下几种可能的实施方式实现：
在第一种可能的实施方式中，服务器确定出上述两个通行时间中时间顺序靠前的通行时间所位于的时段，将该时段确定为上述两个通行时间对应的一个时段。
以两个通行时间分别为2016-11-918:09:58和2016-11-918:11:01来举例说明，将时间顺序靠前的通行时间2016-11-918:09:58对应的时段[18:00，20:00)确定为这两个通行时间对应的时段。
在第二种可能的实施方式中，当上述两个通行时间位于同一时段时，将该时段确定为上述两个通行时间对应的时段；当上述两个通行时间位于两个不同时段时，确定这两个通行时间之间的时间范围占这两个时段的比例，将比例高的时段确定为上述两个通行时间对应的时段。
以两个通行时间为2016-11-919:30:00和2016-11-922:10:00来举例说明，2016-11-919:30:00对应的时段为[18:00，20:00)，2016-11-922:10:00对应的时段为[22:00，24:00)，两个通行时间之间的时间范围为2016-11-919:30:00～2016-11-922:10:00。两个通行时间之间的时间范围占时段[18:00，20:00)的比例为0.25，占时段[18:00，20:00)的比例为0.083，将时段[18:00，20:00)确定为这两个通行时间对应的时段。
服务器在确定出上述两个通行时间对应的时段后，获取该第一卡口组合在该时段对应的正常通行时长中的最长通行时长。其中，正常通行时长为行驶车辆在未发生停靠、未超速行驶的情况下，通过第一卡口组合可能使用的通行时长，最长通行时长为正常通行时长中的最大值。
每个第一卡口组合在各时段的最长通行时长可由系统开发人员设定，也可由服务器根据该时段内通过第一卡口组合的各个车辆所使用的通行时长计算得到。
步骤233中，根据上述通行时间计算该车辆通过该第一卡口组合的通行时长，在该通行时长大于该最长通行时长时，将该第一卡口组合之间的路段确定为该历史行驶轨迹中的停靠路段。
服务器计算上述两个通行时间的差值得到该车辆通过该第一卡口组合的通行时长。以两个通行时间为2016-11-918:09:58和2016-11-918:11:01来举例说明，服务器计算通行时间2016-11-918:09:58与通行时间2016-11-918:11:01的差值，得到该车辆通过卡口a、b的通行时长为63秒。
服务器在该通行时长大于该最长通行时长时，将该第一卡口组合之间的路段确定为该历史行驶轨迹中的停靠路段。
举例来讲，以两个通行时间为2016-11-918:09:58和2016-11-919:09:58来举例说明，车辆京*****通过卡口a、b所使用的通行时长为1小时，这两个通行时间对应的时段[18:00，20:00)。若卡口a、b在时段[18:00，20:00)的最长通行时长为80s，则服务器认为车辆京*****在卡口a、b间发生了经停行为，卡口a、b间的路段为该历史行驶轨迹中的停靠路段。
步骤240，根据该历史行驶轨迹中的停靠路段将该历史行驶轨迹划分成单次行驶轨迹。
服务器将该历史行驶轨迹中排序第一的车辆通过记录确定为一个起点，排序在最后的车辆通过记录确定为一个终点；将该历史行驶轨迹的停靠路段中排序在前的车辆通过记录确定为上一条单次行驶轨迹的终点，排序在后的车辆通过记录确定为下一条单次行驶轨迹的起点。对于每条单次行驶轨迹，服务器剔除该单次行驶轨迹中各车辆通过记录中的时间。
举例来讲，如图2c所示为车辆京*****的历史行驶轨迹，卡口c与卡口d间的路段为停靠路段。服务器可将该历史行驶轨迹划分成两条单次行驶轨迹，分别为：a_2016-11-918:09:58->b_2016-11-918:11:01->c_2016-11-918:13:13和d_2016-11-118:30:01->e_2016-11-118:32:01。服务器剔除其中记录的时间，得到两条单次行驶轨迹分别为：a->b->c和d->e。
步骤250，统计相同单次行驶轨迹的第一频数，根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹。
本步骤的说明可参考步骤140的解释说明。
由于通用行驶轨迹是城市路网中绝大部分车辆的单次行驶轨迹中频繁出现的轨迹，服务器利用通用行驶轨迹对城市路网进行分析使得分析结果更加准确。服务器还可基于通用行驶轨迹分析城市路网中一些交通路段间的关系，具体可基于通用行驶轨迹分析这些交通路段的卡口间关系实现。服务器对卡口间关系的分析可参考步骤260至步骤280。
步骤260，提取每条通用行驶轨迹中符合预定条件的第二卡口组合。
其中，预定条件包含预设卡口项数和/或第二卡口组合内的卡口在通用行驶轨迹中的位置是否连续。
以预定条件为卡口项数为2、卡口在通用行驶轨迹中的位置连续来举例说明，从通用行驶轨迹a->b->c中提取出符合预定条件的第二卡口组合：(a，b)和(b，c)。
再以预定条件为卡口项数为2、卡口在通用行驶轨迹中的位置不连续，从通用行驶轨迹(a->b->c)中提取出符合预定条件的第二卡口组合为(a，c)。
再以预定条件为卡口项数为2来举例说明，从通用行驶轨迹a->b->c中提取出符合预定条件的第二卡口组合：(a，b)、(a，c)和(b，c)。
步骤270，计算每种第二卡口组合的支持度和至少两个置信度。
本步骤可通过如图2d所示的几个步骤实现。
步骤271，对于任一种第二卡口组合，统计该第二卡口组合的第二频数。
包含卡口标识完全相同的卡口组合为一种第二卡口组合，服务器统计每种第二卡口组合的第二频数。例如，第二卡口组合(a，b，c)与第二卡口组合(a，c，b)为一种第二卡口组合，第二卡口组合(a，b，c)与第二卡口组合(a，b，d)不为同一种第二卡口组合。
步骤272，对该第二频数与通用行驶轨迹的数量求商，将得到的结果作为该第二卡口组合的支持度。
以预定条件为卡口项数为3、卡口在通用行驶轨迹中的位置连续来举例说明，所有的通用行驶轨迹如表1所示，第二卡口组合(a，b，c)的第二频数为3、所有通用行驶轨迹的数量为4，则第二卡口组合(a，b，c)的支持度为75％。
表1
步骤273，对于该第二卡口组合内的任一卡口，统计所有第二卡口组合中包含除该任一卡口以外的其他卡口的数量，对该第二频数与统计结果求商，将得到的结果作为该任一卡口在该第二卡口组合中对应的置信度。
举例来讲，所有的通用行驶轨迹仍旧参见表1，对于第二卡口组合(a，b，c)内的卡口a，服务器需要统计包含b、c的第二卡口组合。仍旧参见表1，服务器从第1、2、4条通用行驶轨迹中均可提取出第二卡口组合(a，b，c)和(b，c，d)。因此，服务器可统计出包含卡口b、c的第二卡口组合的数量为6。由于第二卡口组合(a，b，c)的第二频数为3，卡口a在第二卡口组合(a，b，c)的置信度为50％。
步骤280，将支持度满足支持度阈值和至少一个置信度满足置信度阈值的第二卡口组合确定为强关联关系的卡口组合。
符合不同预定条件的第二卡口组合所对应的支持度阈值不完全相同，对应的置信度阈值也不完全相同。一般的，符合相同预定条件的第二卡口组合所对应的支持度阈值和置信度阈值相同。
其中，支持度阈值和置信度阈值由系统开发人员设定，比如系统开发人员在确定符合同一预定条件的第二卡口组合所对应的支持度阈值时，可先根据经验确定出支持度阈值可取值的范围，然后利用大量的实验数据进行验证，从中确定出支持度阈值的取值。
综上所述，本发明实施例提供的行驶轨迹获取方法，由于城市路网中卡口广泛分布，各卡口的车辆通过记录可包含通过所有通过该卡口的车辆的车辆通过记录，能够反映出车辆的历史行驶行为，因而通过车辆通过记录生成各个有效车辆标识对应的历史行驶轨迹，并在识别每条历史行驶轨迹中的停靠路段之后，根据识别出的停靠路段将所该历史行驶轨迹划分成单次行驶轨迹，可得到城市路网中绝大部分车辆的单次行驶轨迹；解决了相关技术中根据各车载终端中全球定位系统记录的行驶轨迹分析城市路网分析结果准确性低的问题；达到了提高城市路网分析结果的准确性的效果。
另外，通过根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹，由于通用行驶轨迹是城市路网中绝大部分车辆的单次行驶轨迹中频繁出现的轨迹，因而利用上述方式获取到的通用行驶轨迹对交通路段间的关系进行分析时，可使得到的分析结果更加准确。
另外，由于单次行驶轨迹中不存在停靠路段，是车辆一次行驶过程所对应的轨迹，因此根据频数从单次行驶轨迹中确定出的通用行驶轨迹所对应的交通路段存在关联关系，这些交通路段的卡口也存在关联关系。
另外，由于同一路段在不同时段的交通状况存在差异，车辆在不超速、不经停行为的情况下通过该路段所使用的正常通行时长也存在差异，通过确定车辆通过该第一卡口组合的两个通行时间对应的时段，获取该第一卡口组合在该时段对应的正常通行时长中的最长通行时长，将该车辆通过该第一卡口组合的通行时长与该最长通行时长相比较来确定该第一卡口组合之间的路段是否为停靠路段，提高了停靠路段识别的准确性。
另外，由于从同一条通用行驶轨迹中提取出的卡口存在关联关系，通过提取每条通用行驶轨迹中符合预定条件的第二卡口组合，可挖掘不同类型的相互关联的卡口，比如，卡口项数为2的二项关联卡口，卡口项数大于2的多项关联卡口；再比如，通用行驶轨迹中位置连续的关联卡口，通用行驶轨迹中位置不连续的关联卡口。
通过计算各个第二卡口组合的支持度和至少两个置信度，确定各个第二卡口组合内卡口间的关联程度，在某第二卡口组合的支持度满足支持度阈值和至少一个置信度满足置信度阈值时，认为该第二卡口组合内卡口间的关联程度较强，将该第二卡口组合确定为强关联关系的卡口组合，能够从所有第二卡口组合中筛选出卡口间关联程度强的卡口组合。
可选的，获取第一卡口组合在某时段对应的正常通行时长中的最长通行时长可通过如图3a所示的几个步骤实现。
在步骤310中，获取每个车辆在该时段内通过该第一卡口组合的通行时长。
服务器获取第一卡口组合内的两个卡口在各历史行驶轨迹中位置相邻时对应的两条车辆通过记录。若这两条车辆通过记录中的时间与该时段相对应，服务器计算这两条车辆通过记录中时间的差值得到一个通行时长。
以获取车辆京*****在时段[18：00，20)通过第一卡口组合(a，b)的通行时长来举例说明。车辆京*****的历史行驶轨迹为：a_2016-11-918:09:58->b_2016-11-918:11:01->c_2016-11-918:13:13，卡口a与卡口b在该历史行驶轨迹中位置相邻，服务器获取卡口a和卡口b对应的车辆通过记录。这两条车辆通过记录中的通行时间分别为2016-11-918:09:58和2016-11-918:11:01，与时段[18：00，20)相对应。服务器计算这两条车辆通过记录中时间的差值，得到车辆在时段[18：00，20)通过第一卡口组合(a，b)的通行时长。
在步骤320中，确定每个车辆的通行时长所在的时长区间，统计位于各时长区间的通行时长的数量，根据统计结果生成概率密度函数。
比如，时长区间可以为[0s，5s)、[5s，10s)、[10s，15s)、[15s，20s)等等，其他依次类推。其中，本实施例不对时长区间的划分作具体限定，具体实施时，该时长区间可由系统开发人员设定。
举例来讲，通行时长为11s所在的时长区间为[10s，15s)。
服务器确定每个车辆的通行时长所在的时长区间，统计位于各个时长区间的通行时长的数量。根据统计结果生成概率密度函数时，对于每个时长区间，服务器将位于该时长区间的通行时长的数量与通行时长的总数量的商作为该时长区间对应的概率。
服务器利用各时长区间对应概率生成概率密度函数，该概率密度函数的自变量为通行时长，因变量为概率密度。具体的，服务器针对每个时长区间，对该时长区间对应的概率与该时长区间的长度求商得到该时长区间对应的概率密度。服务器根据各时长区间的取值以及各时长区间对应的概率密度生成概率密度函数。
在步骤330中，对该概率密度函数进行假设性检验，将符合假设的通行时长取值中的最大值确定为第一候选最长通行时长。
服务器将符合假设的通行时长确定为正常通行时长，将正常通行时长中的最大值确定为第一候选最长通行时长。可选的，在对概率密度函数进行假设性检验时所使用的显著性水平通常为0.05或0.01，显著性水平为被拒绝概率的上限值。
以显著性水平为0.05来举例说明，如图3b所示为某路段在某时段的通行时长的概率密度函数，其中的阴影均为拒绝域，单个拒绝域的面积不超过0.025。自变量坐标轴上m点与y点之间的取值符合假设，也就是说符合假设的正常通行时长的范围为：m点取值～y点取值。其中，y点取值为符合假设的通行时长的最大值，服务器将y点取值确定为第一候选最长通行时长。
在步骤340中，利用cusum算法和该概率密度函数确定出异常通行时长，将该异常通行时长之外的通行时长中的最大值确定为第二候选最长通行时长。
在概率密度函数的自变量中选取n个观察点，选取的第i+1个观察点的取值与第i个观察点的取值的差值均为预定数值δ，选取的第n个观察点的取值与上述各时长区间取值的最大值差值小于δ。其中，i、δ和n均为正整数，n>i。
在此，本实施例以通过检验统计量来用于假设检验计算的统计量。在零假设情况下，这项统计量服从一个给定的概率分布，而这在另一种假设下则不然。从而若检验统计量的值落在上述分布的临界值之外，则可认为前述零假设未必正确。举例来讲，在概率密度函数的自变量通行时长中选取10个观察点，这些观察点的取值可分别为5s、10s、15s、20s、25s、30s、35s、40s、45s以及50s。对于第i个观察点，服务器计算前i个观察点对应的检验统计量。在前i个观察点对应的检验统计量低于异常门限值时，服务器将第i个观察点的取值确定为正常取值，否则，将第i个观察点的取值确定为异常取值。其中，异常门限值通常由系统开发人员设定。
在xi不为任一两两相邻时长区间的分界值时，将第i个观察点的对数似然数值确定为0，将前i-1个观察点对应的检验统计量ti-1的取值确定为ti；在xi为相邻时长区间的分界值时，对排序在后的时长区间对应的概率密度与排序在前的时长区间对应的概率密度求商得到第i个观察点的似然数值，计算该似然数值的自然对数得到对数似然数值，利用该对数似然数值与前i-1个观察点对应的检验统计量ti-1相加求和，将求和结果与数值0中的最大值确定为前i个观察点对应的检验统计量ti。其中，上述相邻时长区间中排序在前的时长区间的上限值与排序在后的时长区间的下限值相等，为这两个相邻时长区间的分界值；当i为1时，前i-1个观察点对应的检验统计量t0的取值为0。
服务器将确定出的异常取值确定为一个异常通行时长取值范围的最小值，将确定出的与该异常取值最接近的正常取值作为该异常通行时长取值范围的上限值。也就是说，[异常取值，该异常取值最接近的正常取值)内的通行时长均为异常通行时长。
举例来讲，观察点的取值可分别为5s、10s、15s、20s、25s、30s、35s，其他的以此类推。若服务器确定出第5个观察点的取值25s为正常取值，第6个观察点的取值30s为异常取值，第7、8个观察点的取值也为异常取值，第9个观察点的取值45s为正常取值，则服务器可确定出[30s,45s)内的通行时长均为异常通行时长。
服务器将数值0与第n个观察点取值间除异常通行时长之外的通行时长确定为正常通行时长，将该正常通行时长中的最大值确定为第二候选最长通行时长。
在步骤350中，将第一候选最长通行时长和第二候选最长通行时长中的最大值确定为该第一卡口组合在该时段对应的正常通行时长中的最长通行时长。
通过获取符合假设的通行时长和利用cusum算法确定出的异常通行时长之外的通行时长，可过滤掉车辆超速行驶或车辆途中经停情况下通过该第一卡口组合间路段所使用的通行时长得到正常通行时长。
图4a是本发明一个实施例中提供的行驶轨迹获取装置的结构方框图。本实施例以该行驶轨迹获取装置应用于服务器中来举例说明。如图4a所示，该行驶轨迹获取装置包括：获取模块410、生成模块420、识别模块430、划分模块440和第一确定模块450。
获取模块410，用于获取各卡口的车辆通过记录，该卡口的车辆通过记录包含通过该卡口的车辆的车辆标识、该车辆通过该卡口的时间和该卡口的标识。
生成模块420，用于将获取模块410获取到的包含有效车辆标识的车辆通过记录按照车辆通过记录中的时间进行排序，根据排序结果生成各个有效车辆标识对应的历史行驶轨迹。
识别模块430，用于识别生成模块420生成的每条历史行驶轨迹中的停靠路段。
划分模块440，根据识别模块430识别出的停靠路段将该历史行驶轨迹划分成单次行驶轨迹，统计相同单次行驶轨迹的第一频数。
第一确定模块450，用于根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹。
其中，上述停靠路段为车辆发生经停行为时在相邻卡口间的交通路段。
在一种可能的实施方式中，如图4b所示，图4b是本发明另一个实施例中提供的行驶轨迹获取装置的结构方框图，识别模块430，包括：第一获取单元431、第二获取单元432和确定单元433。
第一获取单元431，用于对于该历史行驶轨迹中两两相邻的第一卡口组合，获取该第一卡口组合对应的车辆通过记录中的时间作为车辆通过该第一卡口组合的通行时间。
第二获取单元432，用于确定第一获取单元431获取到的通行时间所对应的一个时段，获取该第一卡口组合在该时段对应的正常通行时长中的最长通行时长，该正常通行时长为未发生停靠、未超速行驶的通行时长。
确定单元433，根据第一获取单元431获取到的通行时间计算该车辆通过该第一卡口组合的通行时长，在该通行时长大于第二获取单元432获取到的最长通行时长时，将该第一卡口组合之间的路段确定为该历史行驶轨迹中的停靠路段。
在一种可能的实施方式中，如图4b所示，第二获取单元432，用于：获取每个车辆在该时段内通过该第一卡口组合的通行时长；确定上述每个车辆的通行时长所在的时长区间，统计位于各时长区间的通行时长的数量，根据统计结果生成概率密度函数；对该概率密度函数进行假设性检验，将符合假设的通行时长取值中的最大值确定为第一候选最长通行时长；利用cusum算法和该概率密度函数确定出异常通行时长，将该异常通行时长之外的通行时长中的最大值确定为第二候选最长通行时长；将第一候选最长通行时长和第二候选最长通行时长中的最大值确定为该第一卡口组合在该时段对应的正常通行时长中的最长通行时长；其中，该概率密度函数的自变量为通行时长。
在一种可能的实施方式中，如图4b所示，划分模块440，用于：将该历史行驶轨迹中排序第一的车辆通过记录确定为一个起点，排序在最后的车辆通过记录确定为一个终点；将该停靠路段中排序在前的车辆通过记录确定为上一条单次行驶轨迹的终点，排序在后的车辆通过记录确定为下一条单次行驶轨迹的起点。
在一种可能的实施方式中，如图4b所示，该行驶轨迹获取装置，还包括：提取模块460、计算模块470和第二确定模块480。
提取模块460，用于提取每条通用行驶轨迹中符合预定条件的第二卡口组合。
计算模块470，用于计算提取模块460提取的每种第二卡口组合的支持度和至少两个置信度。
第二确定模块480，用于将支持度满足支持度阈值和至少一个置信度满足置信度阈值的第二卡口组合确定为强关联关系的卡口组合。
其中，上述预定条件包含预设卡口项数和/或第二卡口组合内的卡口在该通用行驶轨迹中的位置是否连续。
在一种可能的实施方式中，如图4b所示，计算模块470，包括：统计单元471、第一计算单元472和第二计算单元473。
统计单元471，用于对于任一种第二卡口组合，统计该第二卡口组合的第二频数。
第一计算单元472，用于对统计单元471统计到的第二频数与通用行驶轨迹的数量求商，将得到的结果作为该第二卡口组合的支持度。
第二计算单元473，用于对于该第二卡口组合内的任一卡口，统计所有第二卡口组合中包含除该任一卡口以外的其他卡口的数量，对统计单元471统计到的第二频数与统计结果求商，将得到的结果作为该任一卡口在该第二卡口组合中对应的置信度。
综上所述，本发明实施例提供的行驶轨迹获取装置，由于城市路网中卡口广泛分布，各卡口的车辆通过记录可包含通过所有通过该卡口的车辆的车辆通过记录，能够反映出车辆的历史行驶行为，因而通过车辆通过记录生成各个有效车辆标识对应的历史行驶轨迹，并在识别每条历史行驶轨迹中的停靠路段之后，根据识别出的停靠路段将所该历史行驶轨迹划分成单次行驶轨迹，可得到城市路网中绝大部分车辆的单次行驶轨迹；解决了相关技术中根据各车载终端中全球定位系统记录的行驶轨迹分析城市路网分析结果准确性低的问题；达到了提高城市路网分析结果的准确性的效果。
另外，通过根据各单次行驶轨迹的第一频数从各单次行驶轨迹中确定出通用行驶轨迹，由于通用行驶轨迹是城市路网中绝大部分车辆的单次行驶轨迹中频繁出现的轨迹，因而利用上述方式获取到的通用行驶轨迹对交通路段间的关系进行分析时，可使得到的分析结果更加准确。
另外，由于单次行驶轨迹中不存在停靠路段，是车辆一次行驶过程所对应的轨迹，因此根据频数从单次行驶轨迹中确定出的通用行驶轨迹所对应的交通路段存在关联关系，这些交通路段的卡口也存在关联关系。
需要说明的是：上述实施例中提供的行驶轨迹获取装置在获取行驶轨迹时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的行驶轨迹获取装置与行驶轨迹获取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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。