CN111563137B - 一种用于重合轨迹的分析方法和系统 - Google Patents

Abstract

本发明给出了一种用于重合轨迹的分析方法和系统，包括基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合；利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈；遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。该用于重合轨迹的分析方法和系统基于海量数据场景下，可以自动分析出与特定轨迹重合的未知轨迹，并及时预警，大大降低了人工分析研判的工作，分析效率高。

Description

一种用于重合轨迹的分析方法和系统

技术领域

本发明涉及轨迹分析的技术领域，尤其是一种用于重合轨迹的分析方法和系统。

背景技术

随着社会进入大数据时代，各地的大数据系统接入大量轨迹数据，这些数据存储着大量的经纬度信息，标识出每个对象真实的活动情况，这些轨迹数据成为案件侦查中的重要研判依据，如何快速分析出与特定轨迹线重合的未知轨迹线，成为扩大分析战果的关键。然而这些轨迹数据由于数据体量大、关联性差，传统的分析手段往往只能通过人工方式，一条条数据进行查看，工作效率极其低下，成为制约业务工作开展的主要瓶颈，成为大数据研究的一个重要课题。

由于大数据系统接入的轨迹数据体量大、关联性差等特点，目前市场上现有的分析方法，只能通过人工观看的方式或基于两条或多条已知轨迹线，分析它们的重合度，这些技术存在以下不足：1)重合轨迹分析的范围小，只能针对两条或多条已知的轨迹线进行分析，可分析的数据在视频大数据中比例极小，导致很多潜在的有价值的轨迹数据无法被挖掘出来；2)重合轨迹分析的时效差，传统方法需要明确两个或两个以上的分析条件才能进行分析，分析结果往往滞后，影响数据服务业务工作的价值。

发明内容

为了解决现有技术中的轨迹数据体量大、关联性差导致分析结果滞后技术问题，本发明提出了一种用于重合轨迹的分析方法和系统，实现重合轨迹的自动预警，提升分析轨迹信息的工作效率。

在一个方面，本发明提出了一种用于重合轨迹的分析方法，包括以下步骤：

S1：基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合；

S2：利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈；

S3：遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。

优选的，步骤S1中根据发生时间将待分析轨迹集合划分为多个子集合具体为：响应于待分析轨迹集合的间隔时间大于第一时间阈值，根据发生时间的时间范围将待分析轨迹集合划分为多个子集合。

进一步优选的，第一时间阈值为24小时，且时间范围包括6-18、18-24和24-6。将时间划分为多个时间段进行分析，能够简化分析的复杂程度，提高分析效率。

优选的，随机数设置为两个等分点距离/6或两个等分点距离/3。凭借随机数的设定，可以便于获取等分点的轨迹相似圈。

优选的，轨迹信息库的要素包括记录ID、属性、属性值、经度、纬度、发生时间和状态。凭借要素的多样性，可以确保分析结构的准确性和有效性。

优选的，还包括对结果集合进行分析的方法，具体包括：

S4：对结果集合Zn进行聚合分析获取最终结果集合；

S5：基于轨迹重合规则库，计算最终结果集合中各属性的分值，生成包括属性、属性值和分值的轨迹分析结果集合；

S6：过滤轨迹分析结果集合中与基准轨迹集合相同属性和属性值的数据，获取最终分析结果集合。

进一步优选的，步骤S4中的聚合分析具体包括：

获取结果集合Zn中的结果集合Z1与结果集合Z2的交集生成结果集合V1-2，分别获取结果集合Z1和结果集合V1-2的差集生成结果集合X1，结果集合Z2和结果集合V1-2的差集生成结果集合X2，合并结果集合X1和结果集合X2获取结果集合V1；

遍历结果集合Zn，获得最终结果集合V1，V1-2，V1-2-3，…，V1-2-3-…-n。

进一步优选的，步骤S6中获取最终分析结果集合之前还包括，过滤分值小于预设分值的数据项。通过过滤低分值的数据项可以提高最终结果的准确度。

进一步优选的，最终结果集合的要素包括发生时间段、属性、属性值和出现次数。结果结合的要素可以获取该轨迹的详细信息，便于分析人员使用。

进一步优选的，还包括计算出最终结果集合的属性值的分数，具体计算公式为：Sum(出现次数*发生时间段对应的权重)。

根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述方法。

根据本发明的第三方面，提出了一种用于重合轨迹的分析系统，该系统包括：

基准轨迹获取单元：配置用于基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合；

重合轨迹分析单元：配置用于利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈；

结果集合生成单元：配置用于遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。

优选的，还包括结果集合分析单元，结果集合分析单元具体包括：

聚合分析单元：配置用于对结果集合Zn进行聚合分析获取最终结果集合；

轨迹分析结果集合生成单元：配置用于基于轨迹重合规则库，计算最终结果集合中各属性的分值，生成包括属性、属性值和分值的轨迹分析结果集合；

最终分析结果生成单元：配置用于过滤轨迹分析结果集合中与基准轨迹集合相同属性和属性值的数据，获取最终分析结果集合。

进一步优选的，最终分析结果生成单元还配置用于过滤分值小于预设分值的数据项。

本发明提出了一种用于重合轨迹的分析方法和系统，该方法利用比对集合构造算法自动构造出特定轨迹线的重合度比对数据集，再分析比对数据集，使分析结果集合不断地逼近与基准轨迹重合；再通过结果集合分析法，迭代分析不同的结果集合，并从结果集合中排除干扰数据，最终得到与基准轨迹重合的未知轨迹数据，实现重合轨迹的自动预警，提升分析轨迹信息的工作效率。基于对基准轨迹的重合分析数据集的自动构造技术，实现了由已知轨迹智能分析出与之重合的未知轨迹，分析速度快，分析结果准确，大大降低了人工分析研判的工作。该方法和系统基于海量数据场景下，可以自动分析出与特定轨迹重合的未知轨迹，并及时预警，大大降低了人工分析研判的工作，分析效率比人工分析提高超过10倍以上。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的一个实施例的一种用于重合轨迹的分析方法的流程图；

图3是本申请的一个具体的实施例的一种用于重合轨迹的整体分析流程图；

图4是本申请的一个具体的实施例的探查引擎动态匹配的流程图；

图5是本申请的一个具体的实施例的结果集合分析的流程图；

图6是本申请的一个实施例的一种用于重合轨迹的整体分析系统的框架图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的基于大数据的数据采集方法的示例性系统架构100。

如图1所示，系统架构100可以包括数据服务器101，网络102和主服务器103。网络102用以在数据服务器101和主服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

主服务器103可以是提供各种服务的服务器，例如对数据服务器101上传的信息进行处理的数据处理服务器。数据处理服务器可以进行重合轨迹的分析。

需要说明的是，本申请实施例所提供的用于重合轨迹的分析方法一般由主服务器103执行，相应地，用于重合轨迹的分析方法的装置一般设置于主服务器103中。

需要说明的是，数据服务器和主服务器可以是硬件，也可以是软件。当为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。

应该理解，图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

根据本申请的一个实施例的用于重合轨迹的分析方法，图2示出了根据本申请的实施例的用于重合轨迹的分析方法的流程图。如图2所示，该方法包括以下步骤：

S201：基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合。

在具体的实施例中，轨迹数据的数据结构主要包括轨迹重合规则库和轨迹信息库。其中，轨迹重合规则库为获取不同类型数据源在不同时间段内的轨迹重合的权重信息，轨迹重合规则库的主要探查规则如表1所示。

表1.探查规则表

轨迹信息库表征为获取每种属性的所有轨迹信息，定义规则如表2所示。

表2.轨迹信息表

属性名称	属性描述	备注
			ID	记录Id
SX	属性	1-手机号、2-车牌号…
			SXJ	属性值
JD	经度
			WD	纬度
FSSJ	发生时间
			zt	状态	0-不可用，1-可用

在具体的实施例中，基准轨迹线在固定时间段范围的轨迹数据具有一定的规律性，通过分析这些规律性可将基准轨迹线分成不同的分析轨迹线，再取其中等分点，自动构造出比对集合，就可以分析出特定时间范围内与基准轨迹线重合的概率。

在优选的实施例中，响应于待分析轨迹集合的间隔时间大于第一时间阈值，根据发生时间的时间范围将待分析轨迹集合划分为多个子集合。优选的，第一时间阈值为24小时，且时间范围包括6-18、18-24和24-6。通过时间段的划分，可以将待分析轨迹集合划分为多个子集合，减少分析的数据量，提高分析的效率和准确率。

S202：利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈。凭借轨迹相似圈可以获取轨迹库中与轨迹相似圈有交集的集合，便于进行重合轨迹的分析。

在优选的实施例中，随机数设置为两个等分点距离/6或两个等分点距离/3，经过本申请发明人的多次试验，该随机数的设定可以生成合适的轨迹相似圈用于与轨迹库中的轨迹集合取交集后获取重合轨迹信息。可替代的，随机数除了设置为两个等分点距离/6或两个等分点距离/3之外，还可以设置为其他数值，例如两个等分点距离/4或两个等分点距离/2，具体可以根据实际的分析要求进行调整，同样可以实现本发明的技术效果。

在具体的实施例中，轨迹信息库的要素包括记录ID、属性、属性值、经度、纬度、发生时间和状态。多要素的轨迹信息库可以为重合轨迹的分析提供更多的数据基础，提高分析的准确性和数据的有效性。

S203：遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。

在具体的实施例中，基于基准轨迹集合中的比对属性以及轨迹相似圈的发生时间两个条件，可以从轨迹信息库中获取到轨迹相似结果集合，通过对轨迹相似集合的交集可以得到该分析轨迹线上轨迹相似圈共同出现的结果集合，将该结果集合保存，具体的保存基准属性值、结果集合和比对属性对应的关系，即可实现通过已知属性分析未知属性的轨迹重合结果，例如可以自动分析出与某一手机号相同轨迹的车牌号。

图3示出了根据本申请的一个具体的实施例的一种用于重合轨迹的整体分析流程图，如图3所示，在针对大数据系统接入的轨迹数据集中，自动分析轨迹数据集，一条特定轨迹线的重合轨迹的使用场景，通过比对集合构造算法、结果集合分析法两种算法，自动构造出特定轨迹线的重合度比对集合，再分析比对集合，使分析结果集合不断地逼近与基准轨迹重合；最终从分析结果集合中排除干扰数据，得到与基准轨迹重合的未知轨迹数据，实现相似轨迹的自动预警，提升大数据智能化应用效率。

图4示出了根据本发明的实施例的探查引擎动态匹配的流程图，如图4所述，探查引擎动态匹配包括以下步骤：

S401：开始。

S402：分析条件；该动态分析条件包括基准属性StandardItem、基准属性值StandardValue、开始时间StartTime、结束时间EndTime和比对属性CompareItem。

S403：基准轨迹获取。结合轨迹信息库获取基准轨迹集合T，要素为经度JD、纬度WD、发生时间FSSJ，计算出T的起始时间CSSJ＝min(FSSJ)，终止时间ZZSJ＝max(FSSJ)，最后再计算出T的间隔小时数ZGXC＝Hour(ZZSJ-CSSJ)。

S404：比对集合构造。当间隔小时数超过24，则T分别根据发生时间分别落在每一天的6-18，18-24，24-6范围的数据，形成N个基准轨迹集合Tn。遍历基准轨迹集合Tn，计算基准轨迹集合Tn的长度，根据设置的分析间隔阀值，取基准轨迹集合Tn的等分点m＝长度/分析间隔阀值，以等分点为中心，R为半径画出轨迹相似圈Pm，其中R＝随机数(两等分点距离/6，两等分点距离/3)

S405：重合轨迹分析。遍历基准轨迹集合Tn，遍历基准轨迹集合Tn的子集中轨迹相似圈Pm，根据基准轨迹集合Tn的比对属性CompareItem、轨迹相似圈Pm的发生时间FSSJ两个条件，从轨迹信息库获取到轨迹相似结果集合Rm；将Rm取交集，得到该分析轨迹线上轨迹相似圈共同出同出现的集合，即为结果集合Zn。

S406：保存结果集合。保存基准属性值、结果集合Zn和比对属性对应的关系，即可实现通过已知属性分析未知属性的轨迹重合结果，例如可以自动分析出与某一手机号相同轨迹的车牌号。

S407：结束。

探查引擎动态匹配利用基准轨迹线在固定时间段范围的轨迹数据具有一定的规律性，通过分析这些规律性可将基准轨迹线分成不同的分析轨迹线，再取其中等分点，自动构造出比对集合，就可以分析出特定时间范围内与基准轨迹线重合的概率。

继续参考图5，图5示出了根据本发明的实施例的结果集合分析的流程图，如图5所示，结果集合分析具体包括以下步骤：

S501：开始。

S502：遍历结果集合。

S503：聚合分析。遍历结果集合Zn；结果集合Z1与结果集合Z2取交集形成结果集合V1-2，再将结果集合Z1与结果集合V1-2取差集形成结果集合X1，结果集合Z2与结果集合V1-2取差集生成结果集合X2，将结果集合X1和X2合并成结果集合V1，本次运算最终得到结果集合V1-2和V1，对V1-2打上出现次数的标签2，对V1打上出现次数的标签1；再结合结果集合Z3进行分析得到最终结果集合V1-2-3、V1-2、V1；以此类推直到遍历结束，得到最终的结果集合V1-…-n，…，V1，其中，集合要素为：发生时间段、属性、属性值、出现次数。

S504：结果修正。结合轨迹重合规则库，对结果集合V1-…-n，…，V1，分别计算出每种属性每个属性值的最终得分，具体的计算公式为Sum(出现次数*发生时间段对应的权重CZ)，最后得到轨迹分析结果集合V，其中集合要素为属性、属性值、最终得分。

S505：干扰分析。过滤掉轨迹分析结果集合V根据与基准轨迹相同属性和相同属性值的数据，并过滤掉最终得分少于预先设置阀值的数据项，得到最终分析结果集合R。

S506：判断是否遍历结束。若遍历结束则进入步骤S507，若遍历未结束，则返回步骤S503继续进行聚合分析。

S507：结束。保存与基准轨迹重合的未知轨迹集合。

结果集合分析通过分析不同时间段重合的轨迹，隶属于同一身份的概率，再加上重合次数等维度，就可以从海量的轨迹数据中，不断缩小分析结果的集合，最终自动分析出与基准轨迹重合概率最高的未知轨迹，并及时预警。

上述用于重合轨迹的分析方法主要利用比对集合构造算法自动构造出特定轨迹线的重合度比对数据集，再分析比对数据集，使分析结果集合不断地逼近与基准轨迹重合；再通过结果集合分析法，迭代分析不同的结果集合，并从结果集合中排除干扰数据，最终得到与基准轨迹重合的未知轨迹数据，实现重合轨迹的自动预警，提升分析轨迹信息的工作效率。对比现有技术，上述方法具有以下特点：重合轨迹分析的范围不同，本发明使用比对集合构造算法，结合用户设定的单条基准轨迹条件，智能构造出基准轨迹线的比对结果集，最大化提升轨迹数据的分析范围；重合轨迹分析的效率不同，本发明结合比对集合构造算法和结果集合分析法，自动分析出基准轨迹不同重合度的数据，并过滤干扰数据，使分析结果越来越准确，大大提高了轨迹数据的分析效率。

继续参考图6，图6示出了根据本发明的实施例的一种用于重合轨迹的整体分析系统的框架图。该系统具体包括基准轨迹获取单元601、重合轨迹分析单元602、结果集合生成单元603和结果集合分析单元604。

在具体的实施例中，基准轨迹获取单元601：配置用于基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合；重合轨迹分析单元602：配置用于利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈；结果集合生成单元603：配置用于遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。

在具体的实施例中，结果集合分析单元604，结果集合分析单元具体包括：聚合分析单元6041：配置用于对结果集合Zn进行聚合分析获取最终结果集合；轨迹分析结果集合生成单元6042：配置用于基于轨迹重合规则库，计算最终结果集合中各属性的分值，生成包括属性、属性值和分值的轨迹分析结果集合；最终分析结果生成单元6043：配置用于过滤轨迹分析结果集合中与基准轨迹集合相同属性和属性值的数据，获取最终分析结果集合。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将待分析基准轨迹集合划分为多个子集合；利用预设的分析间隔阈值将子集合中的轨迹等分，利用随机数作为等分点的半径获取等分点的轨迹相似圈；遍历待分析基准轨迹集合以及轨迹相似圈，利用比对属性和发生时间获取轨迹信息库中与等分点的轨迹相似结果集合，并利用轨迹相似结果集合的交集获得重合轨迹的结果集合Zn。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于重合轨迹的分析方法，其特征在于，包括以下步骤：

S1：基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将所述待分析基准轨迹集合划分为多个子集合；

S2：利用预设的分析间隔阈值将所述子集合中的轨迹等分，利用随机数作为等分点的半径获取所述等分点的轨迹相似圈；

S3：遍历所述待分析基准轨迹集合以及所述轨迹相似圈，利用比对属性和发生时间获取所述轨迹信息库中与等分点的轨迹相似结果集合，并利用所述轨迹相似结果集合的交集获得重合轨迹的结果集合Zn；

还包括对所述结果集合Zn进行分析的方法，具体包括：

S4：对所述结果集合Zn进行聚合分析获取最终结果集合；

S5：基于轨迹重合规则库，计算所述最终结果集合中各属性的分值，生成包括属性、属性值和分值的轨迹分析结果集合；

S6：过滤所述轨迹分析结果集合中与所述基准轨迹集合相同属性和属性值的数据，获取最终分析结果集合；

其中，步骤S4中的聚合分析具体包括：

获取所述结果集合Zn中的结果集合Z1与结果集合Z2的交集生成结果集合V1-2，分别获取所述结果集合Z1和所述结果集合V1-2的差集生成结果集合X1，所述结果集合Z2和所述结果集合V1-2的差集生成结果集合X2，合并所述结果集合X1和所述结果集合X2获取结果集合V1；

遍历结果集合Zn，获得最终结果集合V1，V1-2，V1-2-3，…，V1-2-3-…-n。

2.根据权利要求1所述的用于重合轨迹的分析方法，其特征在于，步骤S1中根据发生时间将所述待分析基准轨迹集合划分为多个子集合具体为：响应于所述待分析基准轨迹集合的间隔时间大于第一时间阈值，根据所述发生时间的时间范围将待分析轨迹集合划分为多个子集合。

3.根据权利要求2所述的用于重合轨迹的分析方法，其特征在于，所述第一时间阈值为24小时，且所述时间范围包括6-18、18-24和24-6。

4.根据权利要求1所述的用于重合轨迹的分析方法，其特征在于，所述随机数设置为两个所述等分点距离/6或两个所述等分点距离/3。

5.根据权利要求1所述的用于重合轨迹的分析方法，其特征在于，所述轨迹信息库的要素包括记录ID、属性、属性值、经度、纬度、发生时间和状态。

6.根据权利要求1所述的用于重合轨迹的分析方法，其特征在于，步骤S6中获取最终分析结果集合之前还包括，过滤所述分值小于预设分值的数据项。

7.根据权利要求1所述的用于重合轨迹的分析方法，其特征在于，所述最终结果集合的要素包括发生时间段、属性、属性值和出现次数。

8.根据权利要求7所述的用于重合轨迹的分析方法，其特征在于，还包括计算出所述最终结果集合的所述属性值的分数，具体计算公式为：Sum(所述出现次数*所述发生时间段对应的权重)。

9.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。

10.一种用于重合轨迹的分析系统，其特征在于，所述系统包括：

基准轨迹获取单元：配置用于基于轨迹信息库获取待分析基准轨迹集合，并根据发生时间将所述待分析基准轨迹集合划分为多个子集合；

重合轨迹分析单元：配置用于利用预设的分析间隔阈值将所述子集合中的轨迹等分，利用随机数作为等分点的半径获取所述等分点的轨迹相似圈；

结果集合生成单元：配置用于遍历所述待分析基准轨迹集合以及所述轨迹相似圈，利用比对属性和发生时间获取所述轨迹信息库中与等分点的轨迹相似结果集合，并利用所述轨迹相似结果集合的交集获得重合轨迹的结果集合Zn；

还包括结果集合分析单元，所述结果集合分析单元具体包括：

聚合分析单元：配置用于对所述结果集合Zn进行聚合分析获取最终结果集合；

轨迹分析结果集合生成单元：配置用于基于轨迹重合规则库，计算所述最终结果集合中各属性的分值，生成包括属性、属性值和分值的轨迹分析结果集合；

最终分析结果生成单元：配置用于过滤所述轨迹分析结果集合中与所述基准轨迹集合相同属性和属性值的数据，获取最终分析结果集合；

其中，所述聚合分析单元中的聚合分析具体包括：

获取所述结果集合Zn中的结果集合Z1与结果集合Z2的交集生成结果集合V1-2，分别获取所述结果集合Z1和所述结果集合V1-2的差集生成结果集合X1，所述结果集合Z2和所述结果集合V1-2的差集生成结果集合X2，合并所述结果集合X1和所述结果集合X2获取结果集合V1；

遍历结果集合Zn，获得最终结果集合V1，V1-2，V1-2-3，…，V1-2-3-…-n。

11.根据权利要求10所述的用于重合轨迹的分析系统，其特征在于，所述最终分析结果生成单元还配置用于过滤所述分值小于预设分值的数据项。

Images