CN104462236A - 一种基于大数据的伴随车辆识别方法和装置 - Google Patents

Abstract

提出一种基于大数据的伴随车辆识别方法和装置，基于用户输入的目标车辆的车牌号、查询开始时间和结束时间、以及跟车间隔，确定在所述开始时间和结束时间之间所述目标车辆所经过的每一卡口信息和对应的时间点，进而分析并识别所述目标车辆在所述开始时间至结束时间之间经过上述每一卡口时的伴随车辆。所述方法和装置分析占用时间短、识别结果准确，极大地提高了工作效率。

Description

一种基于大数据的伴随车辆识别方法和装置

技术领域

本发明涉及计算机信息分析技术领域，具体涉及一种基于大数据的伴随车辆识别方法和装置。

背景技术

大数据(Big data)通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce、HBase一样的框架来向数十、数百或甚至数千的电脑分配工作。大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理(MPP)数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

所述伴随车辆是指，在输入目标车辆车牌号码、车牌类型、开始时间、结束时间、跟车时间间隔(例如开始或结束时间前和/或后几秒/几分钟)、经过卡口的条件下，自动分析出的目标辆车在上述选择的时间范围内所经过的上述各个卡口时的前后一段时间间隔(可配置，如前后30秒)内均同时出现过的车辆信息。由于需要分析的信息量巨大，并且期望尽可能迅速地获得分析结果，因此急需提出一种基于大数据的伴随车辆识别方法。

发明内容

为了实现上述目的，本发明提出一种基于大数据的伴随车辆识别方法，包括：

S1：获得用户输入的目标车辆的车辆信息、查询开始时间和结束时间、以及跟车间隔；

S2：基于所述目标车辆的车辆信息，查询在所述开始时间和结束时间之间所述目标车辆所经过的各个卡口和对应的时间；

S3：根据所述跟车间隔、所述目标车辆所经过的各个卡口和对应的时间，分别查询所述各个卡口在上述跟车间隔内的过车信息；

S4：对步骤S3中查找到的所有所述过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

优选地，在步骤S1前还包括步骤：

S01:采集经过各个卡口的车辆的车辆信息并记录对应的时间；

S02：存储采集的所述车辆信息、对应的时间、以及对应的卡口。

优选地，在步骤S02后、步骤S1前还包括步骤：

S03：基于存储的所述车辆信息、对应的时间、以及对应的卡口在solr中建立分布式索引；

所述步骤S2和S3中所执行的相应查询操作基于所述分布式索引完成。

优选地：

所述步骤S1中的所述跟车间隔具体为目标车辆经过某一卡口对应的时间前和/或后的一段时间。

优选地：

所述车辆信息包括车牌号。

本发明提出的一种基于大数据的伴随车辆识别装置，包括：

获取模块，用于获得用户输入的目标车辆的车辆信息、查询开始时间和结束时间、以及跟车间隔；

第一查询模块，用于基于所述目标车辆的车辆信息，查询在所述开始时间和结束时间之间所述目标车辆所经过的各个卡口和对应的时间；

第二查询模块，用于根据所述跟车间隔、所述目标车辆所经过的各个卡口和对应的时间，分别查询所述各个卡口在上述跟车间隔内的过车信息；

识别模块，用于对所述第二查询模块查找到的所有所述过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

优选地，还包括：

信息采集模块，用于采集经过各个卡口的车辆的车辆信息并记录对应的时间；

存储模块，用于存储信息采集模块所采集的所述车辆信息、对应的时间、以及对应的卡口。

优选地，还包括：

建立模块，用于基于存储模块中存储的所述车辆信息、对应的时间、以及对应的卡口在solr中建立分布式索引；

所述第一查询模块和第二查询模块分别基于所述分布式索引执行相应的查询操作。

优选地：

所述跟车间隔具体为目标车辆经过某一卡口对应的时间前和/或后的一段时间。

优选地：

所述车辆信息包括车牌号。

本发明的有益效果是：分析占用时间短、识别结果准确，极大地提高了工作效率。

附图说明

附图1是本发明提出的基于大数据的伴随车辆识别方法流程图。

附图2是本发明提出的基于大数据和Solr分布式索引的伴随车辆识别方法流程图。

附图3是本发明提出的基于大数据的伴随车辆识别装置原理框图。

具体实施方式

下面将结合附图对本发明提出的方案进行详细描述。

实施方式一：

参见附图1，其示出了本发明实施方式一所提出的方法流程图，包括如下步骤：

S1：获得用户输入的目标车辆的车牌号、查询开始时间和结束时间、以及跟车间隔。

在本步骤中，所述查询开始时间和结束时间即本次查询开始到结束的时间范围，例如2014-8-0115:30:21至2014-8-0208:10:20。

S2：查询在所述开始时间和结束时间之间所述目标车辆所经过的每一卡口信息和对应的时间点。

例如：在开始时间2014-8-0115:30:21至结束时间2014-8-0208:10:20，查询到目标车辆京A12345在2014-8-0118:00:00经过济南市龙奥南路，目标车辆京A12345在2014-8-0118:20:00经过济南市解放东路。

S3：根据所述跟车间隔、所述目标车辆经过每一卡口信息和对应的时间点，分别查找所述每一卡口在上述跟车间隔内的所有过车信息。

步骤S1中的所述跟车间隔即目标车辆经过某一卡口时刻前后的一段时间，例如，若所述跟车间隔设置为300秒时，则在步骤S3中需要分别查询在2014-8-0117:55:00至18:05:00之间经过济南市龙奥南路的所有车辆信息以及在2014-8-0118:15:00至18:25:00之间经过济南市解放东路的所有车辆信息，这些车辆信息即所述过车信息。

S4：对步骤S3中查找到的所述所有过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

本步骤中的所述伴随车辆即在给定的跟车间隔内，伴随所述目标车辆在开始时间2014-8-0115:30:21至结束时间2014-8-0208:10:20出现在每一卡口的车辆。

特别地，在步骤S1中，不限于用户输入的目标车辆的车牌号，还可以是其它特征信息，例如颜色等。

在步骤S1前还可以包括如下步骤：

S01:采集经过各个卡口的车辆的车辆信息并记录对应的时间；

S02：存储采集的所述车辆信息、对应的时间、以及对应的卡口。

优选地，所述车辆信息可以包括车牌号、颜色或者其它能够标识所述车辆的特征信息。

通过上述基于大数据的伴随车辆识别方法能够快速获得所述伴随车辆信息。

实施方式二：

Solr是一个独立的企业级搜索应用服务器，它对外提供类似于Web-service的API接口。用户可以通过http请求，向搜索引擎服务器提交一定格式的XML文件，生成索引；也可以通过Http Get操作提出查找请求，并得到XML或json格式的返回结果。SolrCloud是Solr4.0版本以后基于Solr和Zookeeper的分布式搜索方案。SolrCloud是Solr的基于Zookeeper一种部署方式。

基于上述特性，本发明可以采用基于SolrCloud+多线程的方法，对卡口车辆信息中的指定字段建立索引信息，从而提供了方便快速的多维查询。

参见附图2，其示出了本发明实施方式二提出的方法流程图，包括如下步骤：

1.用户输入目标车辆车牌号(例如京A12345)，车辆经过的卡口列表(例如济南市龙奥南路，济南市奥体西路，济南市解放东路)，开始时间和结束时间(例如2014-8-0115:30:21至2014-8-0208:10:20)，跟车间隔时间(例如300秒)。

2.对目标车辆车牌号码，卡口信息，经过每一卡口的时间在solr中建立分布式索引。

3.分别查询车牌号京A12345在济南市龙奥南路、济南市奥体西路、济南市解放东路三个地点在时间段2014-8-0115:30:21至2014-8-0208:10:20之内的过车信息。例如查询到京A12345在2014-8-0118:00:00经过济南市龙奥南路，京A12345在2014-8-0118:20:00经过济南市解放东路。

4.根据用户输入的目标车辆车牌号，卡口，经过该卡口的时间和跟车间隔计算出需要查询过车信息的各个卡口的时间范围。例如当跟车间隔时间为300秒时，需要查询卡口济南市龙奥南路在2014-8-0117:55:00至2014-8-0118:05:00的所有过车信息。以及济南市解放东路2014-8-0118:15:00至2014-8-0118:25:00的所有过车信息。

5.对第4步中查询出的过车信息进行求交集。得出在2014-8-0115:30:21至2014-8-0208:10:20范围内，对于京A12345在卡口济南市龙奥南路、济南市奥体西路可能的伴行车辆。

实施方式三：

参见附图3，其示出了本发明提出的一种基于大数据的伴随车辆识别装置，包括：

获取模块，用于获得用户输入的目标车辆的车牌号、查询开始时间和结束时间、以及跟车间隔。

第一查询模块，用于查询在所述开始时间和结束时间之间所述目标车辆所经过的每一卡口信息和对应的时间点。

第二查询模块，用于根据所述跟车间隔、所述目标车辆经过每一卡口信息和对应的时间点，分别查询所述每一卡口在上述跟车间隔内的过车信息。

识别模块，用于对所述第二查询模块查找到的所有所述过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

优选地，所述装置还包括：

信息采集模块，用于采集经过各个卡口的车辆的车辆信息并记录对应的时间；

存储模块，用于存储信息采集模块所采集的所述车辆信息、对应的时间、以及对应的卡口。

优选地，还包括：

建立模块，用于基于存储模块中存储的所述车辆信息、对应的时间、以及对应的卡口在solr中建立分布式索引；

所述第一查询模块和第二查询模块分别基于所述分布式索引执行相应的查询操作。

上述伴随车辆识别装置还可以根据其它能够标识车辆的特征的信息执行查询，例如颜色等；所述装置可以采用硬件方式实现，例如FPGA器件、专用集成电路等。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。

Claims (10)

1.一种基于大数据的伴随车辆识别方法，其特征在于，包括：

S1：获得用户输入的目标车辆的车辆信息、查询开始时间和结束时间、以及跟车间隔；

S2：基于所述目标车辆的车辆信息，查询在所述开始时间和结束时间之间所述目标车辆所经过的各个卡口和对应的时间；

S3：根据所述跟车间隔、所述目标车辆所经过的各个卡口和对应的时间，分别查询所述各个卡口在上述跟车间隔内的过车信息；

S4：对步骤S3中查找到的所有所述过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

2.如权利要求1所述的方法，其特征在于，在步骤S1前还包括步骤：

S01:采集经过各个卡口的车辆的车辆信息并记录对应的时间；

S02：存储采集的所述车辆信息、对应的时间、以及对应的卡口。

3.如权利要求2所述的方法，其特征在于，在步骤S02后、步骤S1前还包括步骤：

S03：基于存储的所述车辆信息、对应的时间、以及对应的卡口在solr中建立分布式索引；

所述步骤S2和S3中所执行的相应查询操作基于所述分布式索引完成。

4.如权利要求1至3任一项所述的方法，其特征在于：

所述步骤S1中的所述跟车间隔具体为目标车辆经过某一卡口对应的时间前和/或后的一段时间。

5.如权利要求1至3任一项所述的方法，其特征在于：

所述车辆信息包括车牌号。

6.一种基于大数据的伴随车辆识别装置，其特征在于，包括：

获取模块，用于获得用户输入的目标车辆的车辆信息、查询开始时间和结束时间、以及跟车间隔；

第一查询模块，用于基于所述目标车辆的车辆信息，查询在所述开始时间和结束时间之间所述目标车辆所经过的各个卡口和对应的时间；

第二查询模块，用于根据所述跟车间隔、所述目标车辆所经过的各个卡口和对应的时间，分别查询所述各个卡口在上述跟车间隔内的过车信息；

识别模块，用于对所述第二查询模块查找到的所有所述过车信息求交集，从而识别所述目标车辆在所述开始时间至结束时间之间的伴随车辆。

7.如权利要求6所述的装置，其特征在于，还包括：

信息采集模块，用于采集经过各个卡口的车辆的车辆信息并记录对应的时间；

存储模块，用于存储信息采集模块所采集的所述车辆信息、对应的时间、以及对应的卡口。

8.如权利要求7所述的装置，其特征在于，还包括：

建立模块，用于基于存储模块中存储的所述车辆信息、对应的时间、以及对应的卡口在solr中建立分布式索引；

所述第一查询模块和第二查询模块分别基于所述分布式索引执行相应的查询操作。

9.如权利要求6至8任一项所述的装置，其特征在于：

所述跟车间隔具体为目标车辆经过某一卡口对应的时间前和/或后的一段时间。

10.如权利要求6至8任一项所述的装置，其特征在于：

所述车辆信息包括车牌号。