1.一種基于車牌規則和時空可達性的車牌識別智能查錯方法，其特征在于，該方法包括以下步驟：

規則匹配：對于接收到的過車記錄，提取車牌號字段信息，并將提取出的車牌號與全國車牌號規則庫中的所有規則進行依次匹配，若滿足任意一條規則，則說明匹配成功，若不滿足任何規則，則匹配失敗，說明該條過車記錄的車牌識別錯誤。

時空可達性分析：對于接收到的一批連續時間內的過車數據，按照車牌號和抓拍時間信息，將同一個車牌號對應的所有過車記錄按照抓拍時間先后順序排序，并提取抓拍地點、抓拍相機，構成一個時空軌跡序列。將此時空軌跡序列與已有路網數據比對進行時空可達性分析，找出不合理的軌跡點，該軌跡點對應的過車數據即為可能的車牌識別錯誤數據。

2.根據權利要求1所述的基于車牌規則和時空可達性的車牌識別智能查錯方法，其特征在于所述方法之前還包括：

在數據庫中預設全國車牌號規則表，該規則表保存了全國所有車牌號的字符串正則規則。

在數據庫中預設路網數據，該路網數據通過相機序列表來表示，該相機序列表保存了長度為3的頻繁相機序列。

3.根據權利要求2所述的基于車牌規則和時空可達性的車牌識別智能查錯方法，其特征在于所述學習路網信息的方法包括以下步驟：

獲取一段時間的全量過車數據，對同一車牌號的所有過車數據按照相機抓拍時間先后順序排序，并提取抓拍時間、抓拍相機，得到所有車輛經過各個相機的相機序列。

步驟a得到的所有相機序列構成序列模式數據庫SDB。

對SDB應用SPADE算法進行頻繁序列模式挖掘，找出長度為3的頻繁相機序列FSSet。

4.根據權利要求1所述的基于車牌規則和時空可達性的車牌識別智能查錯方法，其所述的規則匹配的方法具體步驟包括：

對于全國車牌號規則庫中所有規則，將其規則規定的字符串前兩位作為該條規則前綴，以此前綴對全國車牌號規則表建立索引；

提取該條過車數據中車牌號，并取車牌號字符串前2位作為前綴prefix；

按照prefix查詢全國車牌號規則庫，找出與prefix相同的所有規則regexlist；

將該條過車數據中車牌號與regexlist中正則規則依次匹配，若與任意一條都未能匹配成功，則說明該條過車數據中車牌號識別錯誤；否則認為該條過車數據中車牌號通過規則匹配。

5.根據權利要求1所述的基于車牌規則和時空可達性的車牌識別智能查錯方法，其所述的時空可達性分析的方法具體步驟包括：

對于一段時間內(要求至少12小時)構成的一個車輛時空軌跡序列，執行以下步驟：

若該序列長度小于最小閾值min_seqlen，則認為該序列對應的所有過車數據車牌識別錯誤；

設置一個長度為3，步長為2的滑動窗口win，對落在窗口內的長度為3的時空軌跡{tr₁，tr₂，tr₃}，提取其相機序列e_devicelist＝{de₁，de₂，de₃}，并查找預設的相機序列表：

情況1：若相機序列表中存在e_devicelist，則說明該窗口內時空軌跡對應的過車數據車牌識別正確；

情況2：若相機序列表中不存在e_devicelist，則在相機序列表中分別查找包含{de₁，de₂}，{de₂，de₃}，{de₁，de₃}的相機序列，若存在{de₁，de₂}，則認為tr₃對應的過車數據車牌識別錯誤；若存在{de₂，de₃}，則認為tr₁對應的過車數據車牌識別錯誤；若存在{de₁，de₃}，則認為tr₂對應的過車數據車牌識別錯誤：若認為tr₃對應的過車數據車牌識別錯誤，則滑動窗口win下 一步步長調整為2。

情況3：若上述兩種情況都不滿足，則認為tr₁，tr₂，tr₃對應的過車數據中車牌識別錯誤。

6.一種基于車牌規則和時空可達性的車牌識別智能查錯方法，其特征在于該系統包括以下模塊：

數據導入模塊，用于將車牌識別數據從交通數據中心數據庫導入到本系統；

規則預置模塊，用于對全國車牌規則庫進行維護，包括數據導入、讀取、編輯和更新；

時空軌跡提取模塊，用于將連續時間范圍內的全量車牌識別數據根據車牌號和相機抓拍時間，計算提取所有車輛的行車軌跡。

路網信息學習模塊，用于從大量車輛行車軌跡中，通過序列模式挖掘，學習出路網信息，本發明中路網信息用相機序列模式來形式化表示。

規則分析模塊，用于對車牌識別數據應用全國車牌規則庫規則進行車牌字符串正則規則正確性分析。

時空可達性分析模塊，用于對車牌識別數據進行時空可達性分析，對于違背時空可達性的數據，認為其有可能是車牌識別錯誤數據。