本发明属于城市智能交通系统的技术领域，尤其涉及基于车牌识别数据的通勤车辆时空轨迹重构方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
通勤交通是城市高峰期交通组成中较为稳定且占比较高的出行类型，常见的通勤方式有公共交通、私人小汽车、出租车、非机动车等。在城镇化的进程下，城市职住分离情况明显，中、大型城市的通勤距离增大，加之人们经济水平的不断提升与机动车保有量的逐步增长，私家车通勤逐渐成为通勤交通中不可忽视的出行方式，同时也对高峰期交通状况产生较为严重的影响。对通勤车辆的路径挖掘及时空轨迹重构，能够从时空维度有效发现高峰期城市交通拥堵的形成机理及通勤交通的供需特点，从而为制定通勤车辆引导措施、高峰期交通管控策略等提供重要参考。
目前国内外对通勤车辆的分析研究中，多使用问卷调查、手机信令等数据，且着重于通勤车辆的时空分布特点，对个体出行行为的关注较少。而随着城市路网中高清卡口系统的布设，利用车牌自动识别数据追踪车辆的出行行为已经成为个体出行研究的手段之一。然而由于城市部分区域高清卡口摄像头的布设密度不高、特殊情况下车牌抓取效果不理想等因素，使用车牌自动识别数据分析通勤交通出行行为特征仍存在一定难度。
发明人在研究中发现，虽然现有专利文献中，涉及通勤车辆的识别及相关的特征分析，但是对个体通勤车辆的出行时空轨迹研究较少，且在对通勤车辆轨迹的重构中，多注重空间轨迹的补全，对单日通勤轨迹的时间还原准确性较低。
技术实现要素：
为克服上述现有技术的不足，本发明提供了基于车牌识别数据的通勤车辆时空轨迹重构方法，利用单一车牌识别数据作为数据源，能够有效识别出路网中进行长期通勤的小汽车出行个体，且对这部分车辆进行时空轨迹重构，能够较为准确完整地还原通勤车辆在路网中的时空信息。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
基于车牌识别数据的通勤车辆时空轨迹重构方法，包括：
采集城市道路拓扑信息及基于车牌信息车辆在城市道路上的运行时间及位置信息；
基于个体车辆通过城市道路各卡口的时间，对同一车牌相邻记录时间值作差，获取该车辆通过两点位的旅行时间；
结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速；
基于通勤车辆的出行特点，选取设定的特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆；
获取车辆原始出行路径：将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位，表示成车辆轨迹；
以不同轨迹之间的距离为参考指标，计算车辆时空轨迹相似度：
基于车辆时空轨迹相似度对通勤轨迹补全：补全轨迹的空间位置缺失及还原时间节点，准确获知通勤车辆出现在路网中各交叉口的时间，实现通勤车辆时空轨迹重构。
本发明的另一方面公开了一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述所述的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
本发明的另一方面公开了一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述所述的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
本发明的另一方面公开了基于车牌识别数据的通勤车辆时空轨迹重构系统，包括城市卡口摄像系统及服务器，城市卡口摄像系统采集车牌数据记录，并传输至所述服务器，所述被配置为：
接收城市道路拓扑信息及车牌数据记录，车牌数据记录包括车牌信息车辆在城市道路上的运行时间及位置信息；
基于个体车辆通过城市道路各卡口的时间，对同一车牌相邻记录时间值作差，获取该车辆通过两点位的旅行时间；
结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速；
基于通勤车辆的出行特点，选取设定的特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆；
获取车辆原始出行路径：将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位，表示成车辆轨迹；
以不同轨迹之间的距离为参考指标，计算车辆时空轨迹相似度：
基于车辆时空轨迹相似度对通勤轨迹补全：补全轨迹的空间位置缺失及还原时间节点，准确获知通勤车辆出现在路网中各交叉口的时间，实现通勤车辆时空轨迹重构。
以上一个或多个技术方案存在以下有益效果：
1.本公开技术方案对数据质量要求较低。所提出的方法能够在城市卡口系统布设率与抓取率不尽理想或由于其他原因导致的轨迹数据不连续的情况下，利用有限数据获取小汽车通勤个体较为完整且准确的通勤出行信息。
2.本公开技术方案为更高效、实用的通勤轨迹重构方法。在识别通勤车辆及获取通勤车辆出行信息的过程中，只需使用车牌识别数据，无需其他多种交通数据源作为支撑，省去多源数据清洗、融合等步骤，过程操作简便高效，实用性更强。
3.本公开技术方案更准确地还原车辆时空轨迹。所提出的方法在对通勤轨迹进行重构时，利用通勤车辆的交通分布特性，不仅补全轨迹的空间位置缺失，对时间节点的还原也提高了精度，能够更准确地获知通勤车辆出现在路网中各交叉口的时间，为高峰期分时段交通管理与控制提供了技术支撑。
4.传统交通管理控制措施多考虑交通量、排队长度、旅行时间等总体交通特性，忽略个体通勤者在交通系统中的重要意义。本发明的关注对象为城市通勤个体，所获得的结果可进一步用于个体出行行为分析，从而为高峰期交通控制策略提供个体出行角度的信息支持。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本公开实施例子基于车牌识别数据进行通勤车辆时空重构方法的流程示意图；
图2是本公开实施例子中所采集到的原始车牌数据记录示例图；
图3(a)-图3(b)是本公开实施例子中经聚类分析的各类别车辆在路网的没小时交通量图；
图4是本公开实施例子中某车辆某一出行轨迹示意图；
图5(a)-图5(b)是本公开实施例子中不同参数下轨迹重构准确率对比图；
图6(a)-图6(b)是本公开实施例子中经轨迹重构后获得的高峰期主要通勤路径图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
发明整体构思：
首先选取表征通勤车辆的不同指标进行聚类分析，获得具有长期通勤特征的车辆数据集；建立具有时间约束的最长公共子序列(lcss)模型，计算各通勤车辆的时空轨迹相似度，同时考虑出行时间匹配程度、道路拓扑信息等因素，对不完整出行轨迹进行时空补全。
实施例一
本实施例公开了一种利用车牌识别数据进行通勤车辆时空轨迹重构的方法，本实施例子的目的是：对具有通勤特征的小汽车进行时空轨迹重构，获得完整的小汽车通勤出行信息。
基于车牌数据的通勤车辆时空轨迹重构方法，如图1所示，本实施例以济南市包含四条东西向主干道的区域路网进行分析展示，如图2所示。该路网含主要交叉口节点42个，进口断面136个；其中，有设备覆盖的交叉口为38个，进口断面95个。分析时间由2018年12月15日至2019年1月14日期间(共31天，其中工作日20天)，分析时段为早高峰(6:30～9:30)及晚高峰(16:30～19:30)，共包含车牌识别数据4103.46万条，识别出车牌95.82万个，车牌数据记录如图1所示，包含卡口编号、通过时间、车牌号、车道方向、车道编号等字段。
本发明所述车牌数据记录由城市卡口摄像系统获得。卡口系统为布设在城市道路交叉口的图像采集系统，当车辆经过交叉口时，系统前端的摄像机采集到车辆的照片，并将车辆照片、拍摄时间与设备编号回传至控制中心，通过图像识别技术得到图片中车辆的车牌号、车身颜色、车牌类型、车辆类型等信息。路网信息则通过实景地图、实地调研等方式获取。
本发明实施例获取车辆的车牌数据记录并不限于上述方法，只要能够采集到车辆位置信息和车辆时间信息的设备或采集手段都属于本发明的保护范围，本发明实施例对如何采集车牌数据记录不作过多限定。
包括步骤如下：
步骤一：建立交叉口连接表
连接表包含交叉口点位连接关系、路段长度、路段方向、车道编号与车道转向以及路段所属道路编号等信息。该表所包含的信息用来计算路段平均速度、判断交叉口各车道的前、后连接点位等。其中，使用na表示交叉口a，c(na,nb)表示交叉口a与交叉口b的连接关系，若c(na,nb)＝1，则表示交叉口a与交叉口b直接相连，若c(na,nb)＝0，则反之。
实施中，根据路网基础信息建立基于交叉口编号、交叉口点位编号、交叉口连接关系、路段长度、路段方向、车道编号、车道转向以及路段所属道路编号等信息。遍历研究区域范围内的交叉口，并获取所有c(na,nb)的值(c(na,nb)＝c(nb,na))，存储在数据表中。
步骤二：建立车辆信息数据表
该表包含车牌号码、车辆被检测到的位置以及通过该位置的合理时间，是提取车辆出行轨迹的基本表。对同一车牌相邻记录时间值作差，可获取该车辆通过两点位的旅行时间。假设某车辆通过相邻交叉口a、b的时间分别为ta、tb，则车辆在该路段的旅行时间为tab＝tb-ta。由于车辆可能存在绕行、停留等行为，由车牌数据获取的部分路段旅行时间过长，无法准确反应该路段的交通状况；此外，由于设备识别错误产生的车牌匹配混乱也会导致旅行时间值的异常。因此，采用平均值与标准差循环过滤的方法剔除旅行时间不合理的记录，具体步骤如下：
(1)计算各统计时段内的旅行时间平均值tavg及标准差tstd；
(2)剔除对应旅行时间值处于(tavg-2tstd,tavg 2tstd)区间外的车牌记录，获得新的车牌记录集与旅行时间集；
(3)重复操作(1)，(2)，直至所获得的旅行时间集不再更新。
原始数据包含设备点位编号、对应交叉口编号、车牌号码、车牌检测时间等信息，且数据记录按照设备点位排序，无法直接使用。为方便进一步数据处理，在按照前述步骤二所述方法建立车辆信息数据表之前，对原始数据作简单处理。首先选取目标路网中所包含的全部设备点位编号记录，将其按照车牌号、通过时间、排序，即可获得车辆在路网中被不同检测器检测的时间；将同一车牌号同一天内的相邻记录作差，获得该车辆通过不同点位间路段的旅行时间。接下来按照步骤二所述方法，通过平均值与标准差循环过滤剔除旅行时间不合理的车牌通过记录。
步骤三：建立路段速度表
该表包含各路段不同时间段的平均行程车速，用于后续进行路径时间补全时的路段行程时间参考。结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速。各路段不同统计时段的速度标准值计算方法如下：
(1)对于起终点均有检测设备的路段lab：
(2)对于无完整检测设备的路段lab：选择该路段所属道路上包含该路段且起终点均有检测设备的最短路径pab，按照上述旅行时间滤值方法获得路径pab在各时段的旅行时间均值
其中，sp为路径pab的长度，sab为目标路段的长度。
实施中，选取合适的时间间隔值作为路段速度的时间间隔，在此选取时间间隔为15分钟作为一个时间间隔周期。将上一步所获得的合理车速按照路段信息表中的路段编号与时间间隔分类，获得不同路段在各时间间隔的平均旅行车速；同时按照前述步骤三中的方法，为无完整检测设备的路段进行速度估算，从而获得所有路段的分时段速度表。
步骤四：建立通勤车辆候选集
采用k-means 聚类算法实现通勤车辆的识别。k-means聚类是无监督聚类方法的一种，事先输入聚类类别参数k，算法随机确定k个点作为初始聚类中心，并采用距离作为判断分类的指标，将数据点划分至距离最近的中心点簇中。k-means聚类的成本函数为：
其中，μi是簇ci的质心，
k-means 算法针对k-means算法的随机初始化质心进行优化，随机选取第一个聚类中心后，按照与当前聚类中心的距离确定下一个聚类中心被选取的概率，可有效减少迭代次数。
考虑通勤车辆的出行特点，选取高峰时段总出行天数(f1)、高峰时段工作日出行天数占比(f2)、工作日日出行次数稳定性(f3，以工作日日出行次数标准差表示)3个特征参数作为聚类变量。对聚类变量进行归一化，使各特征值数量级相同，且数值都在(0,1)区间内：
式中，zij为第j个样本的聚类变量fj的标准化特征值；fij为第j个样本的聚类变量fj的初始值；min(fj)所有为聚类变量fj中的最小值；max(fj)为所有聚类变量fj中的最大值。
实施例子中，在进行通勤车辆识别之前，首先剔除无通勤特征的车辆，即：剔除公交车、出租车牌、工作日高峰时段无出行车辆(即f1＝0)以及当日高峰期只被检测到一次的车辆，共获取有效车牌28.83万个，出行记录488.14万条。对以上数据集进行k-means 聚类，根据calinski-harabasz计算结果，当k＝5时，k-means 聚类的类间距离和类内距离最佳。各类车辆工作日与非工作日在路网中检测到的日均流量变化如图3(a)-图3(b)所示。工作日期间，类别2车辆在高峰时段(6:00-9:00、16:00-19:00)出行量远高于其他类别车辆(早高峰时段路网中类别2车辆数最高达到2.8万辆/小时，其他车辆最高仅1.2万辆/小时；晚高峰时段分别为1.4万辆/小时与0.7万辆/小时)，具有明显的通勤行为特征。相较晚高峰，类别2车辆早高峰数量更多，分布更为紧凑。此外，非工作日期间，各类别车辆在路网中的流量差别较小，日间均处于0.2万辆/小时-0.7万辆/小时，且无明显高峰。因此可以推断，类别2车辆为用于通勤出行的小汽车。提取类别2中所有车辆记录，并将车牌号转换为车辆编号，以方便下一步计算分析。
步骤五：获取车辆原始出行路径
将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位；用交叉口编号表示检测设备位置，得到由交叉口编号序列nx(n1,n2,...,ni)和时间序列tx(t1,t2,...,ti)表示的一条车辆轨迹：
trx(c)＝{n1(t1),n2(t2),...,ni(ti)}(iv)
其中，trx(c)为车辆c第x天的出行轨迹，ni为车辆c经过的交叉口，ti为经过该交叉口的时间。
实施例子中，按照步骤五所述方法获取某车辆某一天早高峰的出行路径，如图4所示，图中深色实线为车辆125的第8条出行路径，其轨迹表示为：
tr8(125)＝{9(t9),16(t16),17(t17),18(t18),30(t30),29(t29),28(t28),40(t40),41(t41)}
步骤六：时空轨迹相似度计算
轨迹相似性的度量主要以不同轨迹之间的距离为参考指标。常用的轨迹相似度计算方法有最长公共子序列模型(lcss:longestcommonsequence)、动态时间弯曲模型(dtw:dynamictimewarping)、编辑距离模型(editdistance)等。由于工作时间固定、出行偏好稳定、对城市交通的熟悉度较高，通勤个体工作日的出行路径具有较强的时空相似性，具体表现在以下方面：
■每日高峰期间出行路径较为固定；
■每日出发时间相似；
■每日到达路网中特定位置的时间相似；
■每日通勤出行时长相似
结合城市路网自身的时间周期特性，对通勤车辆不同日的出行轨迹时空相似度进行度量。由于通勤轨迹的空间表示为交叉口编号序列，采样点离散且总数确定，可采用最长公共子序列方法(lcss)分析轨迹的空间相似性。lcss方法通过从不同轨迹中寻找最长的公共子序列并将结果转化为lcss距离来度量相似性，对采样率没有要求。为同时考虑轨迹间的时间相似程度，在lcss距离计算中加入时间约束因子，计算方法如公式(v)所示：
式中，l(trr,trs)为两轨迹trr、trs间的lcss长度；nr、ns分别表示两条轨迹中的交叉口编号。当轨迹长度(即其包含的位置点数)lr或ls为0时，两轨迹的lcss长度为0；当nr＝ns，且其所对应的时间戳差值|tr-ts|小于时间阈值θ(分钟)时，两轨迹的lcss长度值增加1；否则分别计算trr剔除位置点nr后的子轨迹rest(trr)与trs的lcss长度以及trs剔除位置点ns的子轨迹rest(trs)与trr的lcss长度，并取其中较大者继续进行迭代。
车辆c第r天的出行路径与该车辆其他路径的相似度ss(trr,trx)的计算方法由公式(vi)给出。其中，l(trr)为路径trr的长度，trx为车辆c第x天的出行路径，trx(n)、trr(n)分别为各轨迹的位置序列。
实施例子中，按照步骤六所述方法对通勤车辆不同日的通勤路径进行轨迹相似度计算，其关键在于改进的lcss算法中时间约束因子θ的取值。θ的取值对路径补全成功率的影响体现在历史路径与待补全路径的实际相似程度及待补全路径的相似路径数量两方面。当θ较大，即相似度判断条件较为宽松时，部分与目标路径空间相似而时间差异较大的路径被识别为相似路径，因此会影响路径补全效果；而当θ值较小时，相似轨迹数量骤减，补全过程难以参考出行偏好，故补全成功率较低；考虑到早高峰期间，通勤车辆出发时间更加固定，且路线自由度相对较低，而晚高峰期间，由于通勤个体的出发时间更加自由，本实施例中分别选取20、40作为早、晚高峰的轨迹相似度计算中的θ的取值。
步骤七：通勤车辆时空轨迹重构
由于交通流密度不稳定、光照影响、设备故障、天气异常等原因，存在卡口设备漏检通过车辆的情况；此外，城市视频检测设备尚未能覆盖所有交叉口的全部方向，因此车辆出行轨迹中常包含不完全连通的交叉口序列，需通过合适方法将车辆路径补全。
路径补全需要综合考虑通勤个体的路径选择行为偏好与路网实际信息。由于通勤个体对城市交通状况有较好的了解，其在路径选择时更倾向于耗时较短的方案，且对历史出行具有较强依赖，具体体现在路径的实际长度及多日通勤路径的轨迹相似度两方面。此外，交叉口间的连接关系与转向关系确定了缺失路径起终点的连接路段，而车辆的实际旅行时间与各路段的平均旅行时间则是路径补全的客观参照。
为方便表示，将一条出行轨迹中第j段漏检子路径的起、终点分别记为oj、dj，则一个包含j段漏检路径的轨迹序列可表示为：
tr(c)＝{n1(t1),n2(t2),o1(to1),d1(td1),...,oj(toj),dj(tdj),...,nj(tj)}
其中，
通勤轨迹补全方法如下：
step1
根据行驶方向与车辆转向信息，推断与oj相连的下一点位nj及与dj相连的上一点位lj，并根据路段速度标准值计算车辆行驶至nj、lj的时间：
由nj与lj的关系分情况讨论：
若c(nj,lj)＝1，即nj与lj直接相连，则漏检子路径为：
若nj＝lj，即nj与lj为同一交叉口，则漏检路径为：
否则，将nj、lj及其对应的时间戳插入轨迹序列，执行step2。
step2
根据该轨迹的通勤路径相似度集合{ss(trr,tr1),ss(trr,tr2),...,ss(trr,trx)}，选择与其相似度最高的轨迹tri，寻找tri中以nj与lj为起讫点且长度大于2的交叉口序列，将其插入原轨迹中；若tri中不存在符合条件的序列，则选择相似度次高的轨迹，重复上述步骤，直至不存在相似度高于σ的未访问轨迹，其中σ为轨迹相似性阈值；
step3
更新nj与lj的值，重复step2，直至nj与lj不再改变；
step4
对于根据路段匹配和轨迹相似度更新后的漏检路径，漏检原因多由检测设备缺失造成。这种情况下，采用旅行时间匹配与最短路相结合的方法进行路径补全，即选取漏检路径起讫点间距离最短的前5条路径pi(i＝1,2,...,5)及根据路段标准速度值计算的路径旅行时间δti(i＝1,2,...,5)，则漏检路径的位置序列为：
为验证轨迹补全方法的时空有效性，从不含漏检情况的出行路径中随机选择m条交叉口节点不少于8个的路径，组成完整路径集ptest＝{p1,p2,...,pj,...,pm}；随机剔除首末节点间的连续i个节点，以模拟含漏检情况的路径，得到漏检路径集
其中，
补全算法的整体成功率ηi由公式(ix)计算得出：
对具有通勤特征的小汽车进行时空轨迹重构，获得完整的小汽车通勤出行信息，是进一步研究通勤个体交通行为并制定相关管理措施的首要任务。
实施例子中，提取前述第4步所获通勤车辆集中所有车辆一个月的早、晚高峰记录，分别获得35.40万条、29.88万条出行路径，其中存在漏检情况的路径占比分别为：69％、72％，说明车牌漏检情况较为普遍，路径补全对进一步分析通勤车辆的出行行为十分有必要。
按照步骤七所提方法进行时空轨迹重构，并验证轨迹补全方法的时空有效性。从不含漏检情况的出行路径中随机选择m条(本实施例中m取200)交叉口节点不少于8个的路径，进行轨迹重构准确率验证。
早、晚高峰路径补全效果与轨迹相似度时间约束参数θ(单位：分钟)的取值关系及与轨迹相似阈值σ的关系如附图4、附图5(a)-图5(b)所示。相似轨迹阈值σ表示个体历史路径的可参考程度，当σ取值较高时，候选相似路径的整体可参考性更大，但数量相对较少。σ＝0.5时，早晚高峰的路径补全整体效果较好，分别达到90％、80％。
根据补全后的通勤车辆时空信息挖掘主要通勤路径，如附图6(a)-图6(b)所示(2018年12月19日)。早高峰期间，主要通勤路径集中在经十路东西方向与解放路东西方向，且由历山路、山大路左转驶入与驶出经十路的流量较大，造成交通压力；晚高峰期间，路网整体通勤压力降低，经十路东西向通勤交通量较大，经十路与山大路交叉口的左转通勤压力依然较大，超过1000辆/时；此外，考虑限行因素，早高峰期间泉城路路段由东向西的通勤车辆，晚高峰时会选择其平行街道泺源大街作为替代通勤道路。
本实施例通过应用车牌识别数据，能够识别出目标路网中具有通勤特征的小汽车，并准确重构通勤个体每日的时空轨迹。
基于与实施例子一中同样的发明构思，本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
基于与实施例子一中同样的发明构思，本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
基于与实施例子一中同样的发明构思，本实施例的目的是提供基于车牌识别数据的通勤车辆时空轨迹重构系统，包括服务器，所述服务器被配置为：
接收城市道路拓扑信息及基于车牌信息车辆在城市道路上的运行时间及位置信息；
基于个体车辆通过城市道路各卡口的时间，对同一车牌相邻记录时间值作差，获取该车辆通过两点位的旅行时间；
结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速；
基于通勤车辆的出行特点，选取设定的特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆；
获取车辆原始出行路径：将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位，表示成车辆轨迹；
以不同轨迹之间的距离为参考指标，计算车辆时空轨迹相似度：
基于车辆时空轨迹相似度对通勤轨迹补全：补全轨迹的空间位置缺失及还原时间节点，准确获知通勤车辆出现在路网中各交叉口的时间，实现通勤车辆时空轨迹重构。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
1.基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，包括：
采集城市道路拓扑信息及基于车牌信息车辆在城市道路上的运行时间及位置信息；
基于个体车辆通过城市道路各卡口的时间，对同一车牌相邻记录时间值作差，获取该车辆通过两点位的旅行时间；
结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速；
基于通勤车辆的出行特点，选取设定的特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆；
获取车辆原始出行路径：将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位，表示成车辆轨迹；
以不同轨迹之间的距离为参考指标，计算车辆时空轨迹相似度：
基于车辆时空轨迹相似度对通勤轨迹补全：补全轨迹的空间位置缺失及还原时间节点，准确获知通勤车辆出现在路网中各交叉口的时间，实现通勤车辆时空轨迹重构。
2.如权利要求1所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，建立车辆信息数据表，存储个体车辆通过各卡口的时间，采用平均值与标准差循环过滤的方法剔除旅行时间不合理的记录：
计算各统计时段内的旅行时间平均值tavg及标准差tstd；
剔除对应旅行时间值处于(tavg-2tstd,tavg 2tstd)区间外的车牌记录，获得新的车牌记录集与旅行时间集；
进一步的技术方案，针对起终点均有检测设备的路段及无完整检测设备的路段分别计算各路段不同统计时段的速度标准值。
3.如权利要求1所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，选取高峰时段总出行天数、高峰时段工作日出行天数占比、工作日日出行次数稳定性特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆。
4.如权利要求1所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，获取车辆原始出行路径时，用交叉口编号表示检测设备位置，得到由交叉口编号序列和时间序列表示的一条车辆轨迹。
5.如权利要求1所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，对通勤车辆不同日的出行轨迹时空相似度进行度量：基于通勤轨迹的空间表示为交叉口编号序列，采样点离散且总数确定，采用最长公共子序列方法分析轨迹的空间相似性。
6.如权利要求1所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，基于车辆时空轨迹相似度对通勤轨迹补全时：
根据该轨迹的通勤路径相似度集合，选择与其相似度最高的轨迹，寻找相似度最高的轨迹中符合要求的交叉口序列，将其插入原轨迹中；
若相似度最高的轨迹中不存在符合条件的序列，则选择相似度次高的轨迹，直至不存在相似度高于σ的未访问轨迹，其中σ为轨迹相似性阈值，对漏检路径补全。
7.如权利要求6所述的基于车牌识别数据的通勤车辆时空轨迹重构方法，其特征是，对于根据路段匹配和轨迹相似度更新后的漏检路径，漏检原因由检测设备缺失造成的，采用旅行时间匹配与最短路相结合的方法进行路径补全，即选取漏检路径起讫点间距离最短的靠前的多条路径及根据路段标准速度值计算的路径旅行时间，获得漏检路径的位置序列。
8.一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的基于车牌识别数据的通勤车辆时空轨迹重构方法的步骤。
10.基于车牌识别数据的通勤车辆时空轨迹重构系统，其特征是，包括城市卡口摄像系统及服务器，城市卡口摄像系统采集车牌数据记录，并传输至所述服务器，所述被配置为：
接收城市道路拓扑信息及车牌数据记录，车牌数据记录包括车牌信息车辆在城市道路上的运行时间及位置信息；
基于个体车辆通过城市道路各卡口的时间，对同一车牌相邻记录时间值作差，获取该车辆通过两点位的旅行时间；
结合道路拓扑信息与各路段旅行时间信息，即可获得车辆的行程车速；
基于通勤车辆的出行特点，选取设定的特征参数作为聚类变量，对聚类变量进行归一化，识别出通勤车辆；
获取车辆原始出行路径：将车牌识别记录按照车牌号、过车时间排序，即可获得每辆车经过的设备点位，表示成车辆轨迹；
以不同轨迹之间的距离为参考指标，计算车辆时空轨迹相似度：
基于车辆时空轨迹相似度对通勤轨迹补全：补全轨迹的空间位置缺失及还原时间节点，准确获知通勤车辆出现在路网中各交叉口的时间，实现通勤车辆时空轨迹重构。
技术总结