CN104933136A - 基于海量车牌自动识别数据的动态拼车方法和系统 - Google Patents
基于海量车牌自动识别数据的动态拼车方法和系统 Download PDFInfo
- Publication number
- CN104933136A CN104933136A CN201510330632.9A CN201510330632A CN104933136A CN 104933136 A CN104933136 A CN 104933136A CN 201510330632 A CN201510330632 A CN 201510330632A CN 104933136 A CN104933136 A CN 104933136A
- Authority
- CN
- China
- Prior art keywords
- share
- car
- data
- vehicle group
- magnanimity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
- G06F16/1824—Distributed file systems implemented using Network-attached Storage [NAS] architecture
- G06F16/183—Provision of network file services by network file servers, e.g. by using NFS, CIFS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于海量车牌自动识别数据的动态拼车方法和系统。该系统基于云计算环境下的Hadoop和Spark并行处理与分析框架,高效的处理海量车牌自动识别数据,及时准确的为用户提供拼车推荐服务。不同于传统拼车系统需要出发地和目的地等作为查询条件,该方法和系统通过给定一段时间范围,即可对共同出现在一定数量监测点的车辆利用频繁项集发现算法进行并行的分析和挖掘,实现可拼车车辆组的动态推荐功能。
Description
技术领域
本发明涉及互联网大数据分析挖掘技术领域,具体涉及到互联网(包含移动互联网)、手机和电脑等可联网终端、Hadoop和Spark等大数据分析挖掘工具,尤其涉及一种基于海量车牌自动识别数据的动态拼车方法和系统。
背景技术
海量车牌自动识别(The Automatic Number Plate Recognition)数据是对交通摄像头捕捉到的道路交通数据进行处理生成的数据,简称ANPR数据,至少包含<车牌号,监测点,时间点>三个字段的信息。
Hadoop是一个能够对大量数据进行分布式存储和处理的软件框架,它以一种可靠、高效、可伸缩的方式进行数据处理;HDFS是Hadoop框架中的一个高度容错性的用于存储管理数据的文件系统,能提供高吞吐量的数据访问,非常适合大规模数据集上的应用。Spark是继Hadoop之后的新一代大数据分布式处理框架,是一个基于内存计算的开源集群计算系统。
可拼车车辆组的查询分为有目标车牌号和无目标车牌号的可拼车车辆组查询,基于Hadoop和Spark等技术,可以对海量车牌自动识别数据进行分析处理,为动态拼车系统提供了技术可行性。
当前的拼车方法一般主要基于用户输入的出发地、目的地以及出发时间等信息进行匹配筛选,无法及时在用户出行路线变换(包括出发地、目的地变化或出发地和目的地相同但途径路线变化)时做出动态调整。动态拼车方法通过对海量车牌识别数据的分析,根据用户的出行轨迹,无需用户输入出发地和目的地,通过指定目标车牌号和时间范围或者只指定时间范围来发现拼车对象,并可根据用户出行路线及时进行动态调整。其中指定目标车牌号和时间范围适用于用户在已知某一车辆车牌号,需要查询某段时间可拼车车辆组的场景;只指定一段时间则适用于仅通过给定时间范围查询所有可拼车车辆组的场景。
由于车牌识别数据的数据量大,现有技术很难基于对海量车牌识别数据的高效分析来进行动态拼车。据统计,中国一个大型城市部署的带车牌识别功能的摄像头可达到5000个,高峰期每个摄像头车牌识别数据的采集频率可达1条/秒,每天的交通高峰折算率按0.33统计的话,则一天的车辆识别数据记录数将达到1.44亿条,数据量约12G。当前技术在处理如此大量的车牌自动识别数据时往往存在计算和存储的瓶颈,查询和分析需要很长的时间,不能及时的将查询分析结果反馈给用户。
随着硬件和软件技术的发展,大规模并行处理技术的成熟,针对现有拼车方法和系统存在的上述问题,有必要在云计算环境下的数据并行处理与分析框架的基础上,发明一种为用户提供高效的动态拼车对象发现的方法和系统,及时准确的将拼车对象发现结果反馈给用户。
发明内容
本发明的目的在于解决上述现有方法和系统中存在的问题,基于Hadoop和Spark等技术,提出一种高效的利用海量车牌自动识别数据,对在同一时段共同出现在一定数量监测点的车辆进行并行分析和挖掘,来发现可拼车车辆组的动态拼车方法和系统。
基于海量车牌自动识别数据的动态拼车方法和系统包括动态拼车方法和系统两部分。动态拼车系统基于云计算环境下的Hadoop和Spark并行框架,通过高效的分析处理数据,及时准确的为用户提供拼车推荐服务。不同于传统拼车方法和系统需要出发地和目的地等作为查询条件,该方法和系统通过给定一段时间范围,即可对共同出现在一定数量监测点的车辆进行分析和挖掘,实现可拼车车辆组的动态推荐功能。动态拼车方法分为以下步骤:(1)获取用户查询条件(2)查询车辆轨迹(3)查询点伴随车辆组(4)查询可拼车车辆组(5)产生拼车推荐结果(6)将推荐结果反馈给用户。其中步骤(2)(3)(4)(5)都是基于Spark框架进行的分布式并行查询与分析,特别是步骤(4),使用并行化的频繁项集发现算法来挖掘可拼车车辆组。
该动态拼车方法和系统所处理的数据是海量车牌自动识别数据,是对交通摄像头捕捉到的海量道路交通数据进行处理后生成的数据,数据至少包含<车牌号,监测点,时间点>三个字段的信息。——是否数据分析层完成
基于海量车牌自动识别数据的动态拼车方法是根据一段时间范围内车辆所经过的监测点位置序列得到车辆轨迹,根据车辆轨迹得到一定时间范围内共同经过同一监测点的点伴随车辆组,根据点伴随车辆组得到一定时间内在一定数目的监测点共同出现的可拼车车辆组。其中,可拼车车辆是指可以提供拼车服务的车主的车辆,有拼车需求的人可以搭乘此车辆进行拼车,可拼车车辆的集合称为可拼车车辆组。一定数目的监测点数量必须大于等于设定的监测点数量阈值,而监测点阈值由系统根据不同时段车流量自动设定。
一种基于海量车牌自动识别数据的动态拼车方法和系统,包含以下几个层次:
(1)数据采集层。负责采集从城市交通摄像头中产生的监控数据,并将数据输送到存储层。
(2)存储层。存储层由HDFS和关系数据库组成,分别负责存储从采集层传送过来的监控数据和从数据分析层传送过来的处理后的结果数据。
(3)数据分析层。根据服务层传送过来的用户查询条件利用Spark框架分析处理HDFS中的监控数据,并将分析结果存储到关系数据库中。
(4)服务层。接收用户输入的查询条件,将查询条件传送给数据分析层,并负责从关系数据库中查询数据分析层处理后的结果,将查询分析结果返回给用户。
用户通过前台操作界面或者REST对外服务接口输入查询条件,系统通过后台获取用户输入的查询条件。查询条件可包括:(1)目标车牌号和起止时间;(2)起止时间。
查询条件分别对应系统的两种查询分析功能,分别是有目标车牌号的可拼车车辆组查询和无目标车牌号的可拼车车辆组查询,其中“目标车牌号”是指已知的某车辆的车牌号,可以查询与其行驶路线相似的其他可拼车的车辆组。
本发明提出的一种基于海量车牌自动识别数据的动态拼车方法和系统中,动态拼车分析模块包括以下四个数据分析处理子模块:
(1)车辆轨迹查询子模块。根据用户输入的查询条件,基于海量车牌自动识别数据,通过后台查询目标车辆或所有车辆的轨迹。
(2)点伴随车辆组查询子模块。根据车辆轨迹计算点伴随车辆组。
(3)可拼车车辆组查询子模块。对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法计算可拼车车辆组。然后将可拼车车辆组的查询结果存入关系数据库便于查询。
(4)拼车推荐子模块。根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果,将拼车推荐结果按照匹配优先级排序后存储到关系数据库中便于服务层将结果反馈给用户。
本发明还包括以下方案
一种基于海量车牌自动识别数据的动态拼车系统,其特征在于该系统包括数据采集模块、存储模块、数据分析模块和服务模块,其中:
数据采集模块采集从城市交通摄像头中产生的监控数据,并将数据输送到存储模块;
存储模块存储从数据采集模块传送过来的监控数据和从数据分析模块传送过来的处理后的结果数据;
数据分析模块根据服务模块传送过来的用户查询条件分析处理存储模块中的监控数据,并将分析结果存储到存储模块中;
服务模块接收用户输入的查询条件,将查询条件传送给数据分析模块,并从存储模块中查询数据分析模块处理后的结果,将查询分析结果返回给用户。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其特征在于:所述处理的输入数据是来自交通摄像头的海量车牌自动识别数据,该自动识别数据至少包括车牌号,监测点,时间点三个字段的信息。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其特征在于数据分析模块包括以下四个数据分析处理子模块:
车辆轨迹查询子模块,其根据用户输入的查询条件,基于海量车牌自动识别数据,通过后台根据一段时间范围内车辆所经过的监测点位置序列得到目标车辆或所有车辆的车辆轨迹;
点伴随车辆组查询子模块,其根据车辆轨迹计算点伴随车辆组;
可拼车车辆组查询子模块,其对点伴随车辆组进行分析从而求得可拼车车辆组,然后将可拼车车辆组的查询结果存入存储模块;
拼车推荐子模块,其将可拼车车辆组的推荐结果按照匹配优先级排序后存储到存储模块中便于服务模块将结果反馈给用户。
所述的一种基于海量车牌自动识别数据的动态拼车系统,点伴随车辆组查询子模块计算点伴随车辆组采用如下方式:根据车辆轨迹得到一段时间内共同经过同一监测点的点伴随车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
可拼车车辆组查询子模块求得可拼车车辆组块是基于以下方式:根据点伴随车辆组得到一段时间内在一定数目的监测点共同出现的可拼车车辆组,其中,可拼车车辆是指可以提供拼车服务的车主的车辆,有拼车需求的人可以搭乘此车辆进行拼车,可拼车车辆的集合称为可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
可拼车车辆组查询子模块求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
拼车推荐子模块确定可拼车车辆组的推荐结果的匹配优先级是由其根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定的。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
存储模块包括HDFS和关系数据库,HDFS存储从采集模块传送过来的监控数据,关系数据库存储从数据分析模块传送过来的处理后的结果数据。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
数据分析模块采用如下方式分析处理存储模块中的监控数据:根据服务模块传送过来的用户查询条件利用Spark框架分析处理HDFS中的监控数据。
所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
查询条件包括:(1)目标车牌号和起止时间;(2)起止时间。
一种基于海量车牌自动识别数据的动态拼车方法,其特征在于包括以下步骤:
(1)获取用户查询条件;
(2)查询车辆轨迹;
(3)查询点伴随车辆组;
(4)查询可拼车车辆组;
(5)产生拼车推荐结果;
(6)将推荐结果反馈给用户。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(2)具体采用如下方式:根据用户输入的查询条件,基于海量车牌自动识别数据,通过后台根据一段时间范围内车辆所经过的监测点位置序列得到目标车辆或所有车辆的车辆轨迹。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(3)具体采用如下方式:根据车辆轨迹得到一段时间内共同经过同一监测点的点伴随车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(4)具体采用如下方式:对点伴随车辆组利进行分析从而求得可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(5)具体采用如下方式:将可拼车车辆组的推荐结果按照匹配优先级排序。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
步骤(4)求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
步骤(5)产生拼车推荐结果是基于以下方法:根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定可拼车车辆组的推荐结果按照匹配优先级。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:步骤(2)(3)(4)(5)都是基于Spark框架进行的分布式并行查询与分析。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中步骤(4),使用并行化的频繁项集发现算法来挖掘可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于海量车牌自动识别数据,是对交通摄像头捕捉到的海量道路交通数据进行处理后生成的数据,该数据至少包含车牌号,监测点,时间点三个字段的信息。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于步骤(4)查询可拼车车辆组是根据点伴随车辆组得到一段时间范围内在一定数目的监测点共同出现的可拼车车辆组,其中,可拼车车辆是指可以提供拼车服务的车主的车辆,有拼车需求的人可以搭乘此车辆进行拼车,可拼车车辆的集合称为可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中一段时间范围内在一定数目的监测点存在伴随关系的可拼车车辆组,一定数目的监测点必须大于等于设定的监测点数量阈值,其中监测点阈值根据不同时段车流量自动设定。
一种基于海量车牌自动识别数据的动态拼车方法,其特征在于该方法包括以下步骤:
(1)采集从城市交通摄像头中产生的监控数据并存储该数据;
(2)接收用户输入的查询条件;
(3)根据用户查询条件分析存储的监控数据,并存储分析结果;
(4)查询存储的分析结果并将查询结果返回给用户。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于步骤(3)具体采用如下方式:
根据用户输入的查询条件,基于海量车牌自动识别数据,查询目标车辆或所有车辆的车辆轨迹;
根据车辆轨迹计算点伴随车辆组;
对点伴随车辆组利进行分析从而求得可拼车车辆组,然后将可拼车车辆组的查询结果存入存储模块便于查询;
将可拼车车辆组的推荐结果按照匹配优先级排序后存储到存储模块中。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
可拼车车辆组的推荐结果的匹配优先级是根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定的。
所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
采用如下方式分析存储的监控数据:根据用户查询条件利用Spark框架分析处理HDFS中的监控数据。
所述的动态拼车方法,其特征在于所述方法采用如权利要求1-10所述的系统实现。
本发明的有益效果是:本方法和系统能够处理海量车牌自动识别数据,满足了指定时间段内的可拼车车辆组发现的需求,并且基于云计算环境下的并行处理框架,在处理海量数据时分析处理性能得到极大的提升,能及时地将查询结果反馈给用户。
附图说明
图1是本发明系统的网络拓扑图。
图2是本发明系统的层次结构图。
图3是本发明方法动态拼车分析过程的模块图。
图4是本发明方法的实施流程图。
图5是本发明方法实施流程图的辅助示意图。
具体实施方式
下面将结合附图对本发明提出的方法和系统进行详细描述。
附图1展示了本发明系统的网络拓扑图。客户端使用户可以通过网络访问本系统,客户端可以是手机、电脑等终端设备;服务器端是部署在云环境中的由多台机器组成的集群上的动态拼车系统;城市交通摄像头不断生成数据,数据通过网络被采集到服务器端。
附图2展示了本发明系统的层次结构图。用户通过各种终端设备,如手机、电脑等登入本系统,然后通过以下几个层次结构得到拼车推荐结果。
数据采集层。负责采集从城市交通摄像头中产生的交通监控数据,并通过网络将数据通过到消息存储系统进行缓存,最后输送到存储层。
存储层。存储层由HDFS和关系数据库组成。HDFS负责存储从数据采集层传送过来的监控数据,便于通过Spark框架进行分析处理,关系数据库负责保存从数据分析层传送过来的处理后的结果数据,便于服务层的查询结果反馈。
数据分析层。根据服务层传送过来的用户查询条件,利用Spark框架采用动态拼车方法并行的分析处理HDFS中的监控数据,并将分析结果存储到关系数据库中。
服务层。接收用户输入的查询条件,将查询条件传送给数据分析层,并负责从关系数据库中查询出数据分析层处理后的结果,将查询结果返回给用户。
附图3展示了本发明方法动态拼车分析过程的模块图。包括:
车辆轨迹查询子模块。根据用户输入的查询条件,基于存储在HDFS中的海量车牌自动识别数据,通过后台查询目标车辆或所有车辆的经过的监测点序列;
点伴随车辆组查询子模块。根据车辆轨迹查询在一定的时间范围内共同经过同一监测点的车辆组;
可拼车车辆组查询子模块。对点伴随车辆利用关联分析的挖掘方法挖掘一定时间内在一定数目的监测点共同出现的可拼车车辆组。然后将可拼车车辆组的查询结果存入关系数据库便于查询。可拼车车辆组查询子模块求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
拼车推荐子模块。根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果,将拼车推荐结果按照匹配优先级排序后存储到关系数据库中便于服务层将结果推荐给用户。
附图4展示了本发明方法的实施流程图。本发明方法包括以下流程:
S1:通过操作界面或者REST形式对外查询服务接口获取用户的查询条件,查询条件可包括:(1)目标车牌号和起止时间;(2)起止时间。
以查询条件(2)无目标车牌号的可拼车车辆组查询为例。图5是本发明方法实施流程图的辅助示意图,图中,共有{s1,s2,…s6}6个监测点,{v1,v2,…,v10}10辆车,横坐标是车辆经过某监测点的时间,纵坐标是监测点的位置,假定监测点阈值为5,时间阈值为30分钟。
交通管理部门为了减轻城市交通压力,鼓励高峰时段的用户拼车出行,需要公布指定时间内的可拼车车辆组数据供市民拼车查询。例如查询条件如下:查询起止时间—2012-11-1 07:00:00至2012-11-1 07:30:00,即要求查询从2012-11-1 07:00:00至2012-11-107:30:00这30分钟内的所有可拼车车辆组数据。
S2:根据用户输入的查询条件,从海量车牌自动识别数据中查询所有车辆的经过的监测点序列所组成的车辆轨迹。
例如,从2012-11-1 07:00:00至2012-11-1 07:30:00这30分钟内车辆v1的车辆轨迹是{s1,s2,s3,s4,s5,s6},车辆v2的车辆轨迹是{s1,s2,s3,s5},依次可以查询出其它车辆的车辆轨迹。
S3:根据查询出来的所有车辆的车辆轨迹,查询在一定的时间范围内共同经过同一监测点的所有车辆组。
例如,车辆{v1,v2,v7,v3,v4}和{v8,v10,v5}在这30分钟内共同经过了s1监测点,因此其在s1监测点下就组成了点伴随车辆{v1,v2,v7,v3,v4,v8,v10,v5},同样可以查询出其他监测点下的点伴随车辆组。
S4:对点伴随车辆组利用频繁项集发现算法挖掘一定时间内在一定数目的监测点共同出现的可拼车车辆组。其中一定数目的监测点必须大于等于设定的监测点数量阈值。
例如,车辆组{v1,v2,v3,v4}共同经过了{s1,s2,s3,s5}4个监测点,而车辆组{v5,v10}共同经过了{s1,s2,s3,s4,s6}五个监测点,所以车辆组{v5,v10}满足大于等于设定的监测点阈值5,在这种情况下,车辆v5,v10共同组成可拼车车辆组。交通管理部门或相关拼车公司可以在获得交管主管部门及用户授权的前提条件下,将该数据对公众提供拼车推荐服务,以方便私家车车主在有拼车出行需求时(例如车辆限行时)获得拼车对象的推荐服务。
S5:对具有拼车需求的普通用户。系统可以根据可拼车车辆组的查询结果,结合上下文中的用户个人信息和历史查询记录,将拼车推荐结果按照匹配优先级排序后反馈给用户。
S6:系统将拼车推荐结果通过操作界面或REST对外服务接口反馈给用户。
以上所述实例仅用于说明本发明的技术方案,并不用于限制本发明,本领域的普通技术人员应当理解:凡在本发明的原则和精神之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (28)
1.一种基于海量车牌自动识别数据的动态拼车系统,其特征在于该系统包括数据采集模块、存储模块、数据分析模块和服务模块,其中:
数据采集模块采集从城市交通摄像头中产生的监控数据,并将数据输送到存储模块;
存储模块存储从数据采集模块传送过来的监控数据和从数据分析模块传送过来的处理后的结果数据;
数据分析模块根据服务模块传送过来的用户查询条件分析处理存储模块中的监控数据,并将分析结果存储到存储模块中;
服务模块接收用户输入的查询条件,将查询条件传送给数据分析模块,并从存储模块中查询数据分析模块处理后的结果,将查询结果返回给用户。
2.根据权利要求1所述的一种基于海量车牌自动识别数据的动态拼车系统,其特征在于所述处理的输入数据是来自交通摄像头的海量车牌自动识别数据,该自动识别数据至少包括车牌号,监测点,时间点三个字段的信息。
3.根据权利要求1所述的一种基于海量车牌自动识别数据的动态拼车系统,其特征在于数据分析模块包括以下四个数据分析处理子模块:
车辆轨迹查询子模块,其根据用户输入的查询条件,基于海量车牌自动识别数据,通过后台根据一段时间范围内车辆所经过的监测点位置序列得到目标车辆或所有车辆的车辆轨迹;
点伴随车辆组查询子模块,其根据车辆轨迹计算点伴随车辆组;
可拼车车辆组查询子模块,其对点伴随车辆组进行分析从而求得可拼车车辆组,然后将可拼车车辆组的查询结果存入存储模块;
拼车推荐子模块,其将可拼车车辆组的推荐结果按照匹配优先级排序后存储到存储模块中便于服务模块将结果反馈给用户。
4.根据权利要求3所述的一种基于海量车牌自动识别数据的动态拼车系统,其特征在于:点伴随车辆组查询子模块计算点伴随车辆组采用如下方式:根据车辆轨迹得到一段时间内共同经过同一监测点的点伴随车辆组。
5.根据权利要求3所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
可拼车车辆组查询子模块求得可拼车车辆组块是基于以下方式:根据点伴随车辆组得到一段时间内在一定数目的监测点共同出现的可拼车车辆组,其中,可拼车车辆是指可以提供拼车服务的车主的车辆,有拼车需求的人可以搭乘此车辆进行拼车,可拼车车辆的集合称为可拼车车辆组。
6.根据权利要求3所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
可拼车车辆组查询子模块求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
7.根据权利要求3所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
拼车推荐子模块确定可拼车车辆组的推荐结果的匹配优先级是由其根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定的。
8.根据权利要求1-7之一所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
存储模块包括HDFS和关系数据库,HDFS存储从采集模块传送过来的监控数据,关系数据库存储从数据分析模块传送过来的处理后的结果数据。
9.根据权利要求1-8之一所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
数据分析模块采用如下方式分析处理存储模块中的监控数据:根据服务模块传送过来的用户查询条件利用Spark框架分析处理HDFS中的监控数据。
10.根据权利要求1-9之一所述的一种基于海量车牌自动识别数据的动态拼车系统,其中:
查询条件包括:(1)目标车牌号和起止时间;(2)起止时间。
11.一种基于海量车牌自动识别数据的动态拼车方法,其特征在于包括以下步骤:
(1)获取用户查询条件;
(2)查询车辆轨迹;
(3)查询点伴随车辆组;
(4)查询可拼车车辆组;
(5)产生拼车推荐结果;
(6)将推荐结果反馈给用户。
12.根据权利要求11所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(2)具体采用如下方式:根据用户输入的查询条件,基于海量车牌自动识别数据,通过后台根据一段时间范围内车辆所经过的监测点位置序列得到目标车辆或所有车辆的车辆轨迹。
13.根据权利要求11或12所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(3)具体采用如下方式:根据车辆轨迹得到一段时间内共同经过同一监测点的点伴随车辆组。
14.根据权利要求11-13之一所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(4)具体采用如下方式:对点伴随车辆组利进行分析从而求得可拼车车辆组。
15.根据权利要求11-14之一所述的一种基于海量车牌自动识别数据的动态拼车方法,其中,
步骤(5)具体采用如下方式:将可拼车车辆组的推荐结果按照匹配优先级排序。
16.根据权利要求11或14所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
步骤(4)求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
17.根据权利要求11或15所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
步骤(5)产生拼车推荐结果是基于以下方法:根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定可拼车车辆组的推荐结果按照匹配优先级。
18.根据权利要求11-17之一所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:步骤(2)(3)(4)(5)都是基于Spark框架进行的分布式并行查询。
19.根据权利要求18所述的一种基于海量车牌自动识别数据的动态拼车方法,其中步骤(4),使用并行化的频繁项集发现算法来挖掘可拼车车辆组。
20.根据权利要求12所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于海量车牌自动识别数据,是对交通摄像头捕捉到的海量道路交通数据进行处理后生成的数据,该数据至少包含车牌号,监测点,时间点三个字段的信息。
21.根据权利要求11所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于步骤(4)查询可拼车车辆组是根据点伴随车辆组得到一段时间范围内在一定数目的监测点共同出现的可拼车车辆组,其中,可拼车车辆是指可以提供拼车服务的车主的车辆,有拼车需求的人可以搭乘此车辆进行拼车,可拼车车辆的集合称为可拼车车辆组。
22.根据权利要求21所述的一种基于海量车牌自动识别数据的动态拼车方法,其中一段时间范围内在一定数目的监测点存在伴随关系的可拼车车辆组,一定数目的监测点必须大于等于设定的监测点数量阈值,其中监测点阈值根据不同时段车流量自动设定。
23.一种基于海量车牌自动识别数据的动态拼车方法,其特征在于该方法包括以下步骤:
(1)采集从城市交通摄像头中产生的监控数据并存储该数据;
(2)接收用户输入的查询条件;
(3)根据用户查询条件分析存储的监控数据,并存储分析结果;
(4)查询存储的分析结果并将查询结果返回给用户。
24.根据权利要求23所述的一种基于海量车牌自动识别数据的动态拼车方法,其特征在于步骤(3)具体采用如下方式:
根据用户输入的查询条件,基于海量车牌自动识别数据,查询目标车辆或所有车辆的车辆轨迹;
根据车辆轨迹计算点伴随车辆组;
对点伴随车辆组利进行分析从而求得可拼车车辆组,然后将可拼车车辆组的查询结果存入存储模块便于查询;
将可拼车车辆组的推荐结果按照匹配优先级排序后存储到存储模块中。
25.根据权利要求24所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
求得可拼车车辆组块是基于以下方式:对点伴随车辆组利用关联规则分析方法,基于频繁子集发现算法,从而求得可拼车车辆组。
26.根据权利要求25所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
可拼车车辆组的推荐结果的匹配优先级是根据上下文中的用户个人信息和历史查询记录,结合可拼车车辆组的查询结果确定的。
27.根据权利要求23-26之一所述的一种基于海量车牌自动识别数据的动态拼车方法,其中:
采用如下方式分析存储的监控数据:根据用户查询条件利用Spark框架分析处理HDFS中的监控数据。
28.根据权利要求11-27所述的动态拼车方法,其特征在于所述方法采用如权利要求1-10所述的系统实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330632.9A CN104933136B (zh) | 2015-06-15 | 2015-06-15 | 基于海量车牌自动识别数据的动态拼车方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330632.9A CN104933136B (zh) | 2015-06-15 | 2015-06-15 | 基于海量车牌自动识别数据的动态拼车方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933136A true CN104933136A (zh) | 2015-09-23 |
CN104933136B CN104933136B (zh) | 2019-05-03 |
Family
ID=54120303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510330632.9A Active CN104933136B (zh) | 2015-06-15 | 2015-06-15 | 基于海量车牌自动识别数据的动态拼车方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933136B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106254536A (zh) * | 2016-09-23 | 2016-12-21 | 江西洪都航空工业集团有限责任公司 | 一种基于分布式计算的电动汽车远程数据监控系统 |
CN106846815A (zh) * | 2017-03-29 | 2017-06-13 | 深圳万智联合科技有限公司 | 一种高效的智能交通管理大数据分析系统 |
CN108765978A (zh) * | 2018-04-27 | 2018-11-06 | 榛硕(武汉)智能科技有限公司 | 一种新型车速预警系统 |
CN110220526A (zh) * | 2019-05-15 | 2019-09-10 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN110851450A (zh) * | 2019-11-12 | 2020-02-28 | 重庆邮电大学 | 一种基于增量计算的伴随车即时发现方法 |
CN111861079A (zh) * | 2019-10-15 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 服务请求处理方法、装置、设备及存储介质 |
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496130A (zh) * | 2011-11-15 | 2012-06-13 | 王家庆 | 一种高效运营出租车的实时移动商务系统 |
CN103294758A (zh) * | 2012-02-23 | 2013-09-11 | 福特全球技术公司 | 车辆驾驶匹配系统和方法 |
US20140129578A1 (en) * | 2012-11-08 | 2014-05-08 | Sap Ag | System and method for carpool matching |
CN103942811A (zh) * | 2013-01-21 | 2014-07-23 | 中国电信股份有限公司 | 分布式并行确定特征目标运动轨迹的方法与系统 |
CN104217249A (zh) * | 2014-07-02 | 2014-12-17 | 浙江工业大学 | 一种基于时间与费用约束的动态拼车匹配方法 |
-
2015
- 2015-06-15 CN CN201510330632.9A patent/CN104933136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496130A (zh) * | 2011-11-15 | 2012-06-13 | 王家庆 | 一种高效运营出租车的实时移动商务系统 |
CN103294758A (zh) * | 2012-02-23 | 2013-09-11 | 福特全球技术公司 | 车辆驾驶匹配系统和方法 |
US20140129578A1 (en) * | 2012-11-08 | 2014-05-08 | Sap Ag | System and method for carpool matching |
CN103942811A (zh) * | 2013-01-21 | 2014-07-23 | 中国电信股份有限公司 | 分布式并行确定特征目标运动轨迹的方法与系统 |
CN104217249A (zh) * | 2014-07-02 | 2014-12-17 | 浙江工业大学 | 一种基于时间与费用约束的动态拼车匹配方法 |
Non-Patent Citations (2)
Title |
---|
卢帅 等: ""一种车辆移动对象相似轨迹查询算法"", 《计算机与数字工程》 * |
郑苏杭: ""面向海量交通信息流的分布式序列模式挖掘研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106254536A (zh) * | 2016-09-23 | 2016-12-21 | 江西洪都航空工业集团有限责任公司 | 一种基于分布式计算的电动汽车远程数据监控系统 |
CN106846815A (zh) * | 2017-03-29 | 2017-06-13 | 深圳万智联合科技有限公司 | 一种高效的智能交通管理大数据分析系统 |
CN108765978A (zh) * | 2018-04-27 | 2018-11-06 | 榛硕(武汉)智能科技有限公司 | 一种新型车速预警系统 |
CN110220526A (zh) * | 2019-05-15 | 2019-09-10 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN110220526B (zh) * | 2019-05-15 | 2023-07-04 | 浙江工业大学之江学院 | 基于路径时间价值的anpr车辆导行方案生成方法 |
CN111861079A (zh) * | 2019-10-15 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 服务请求处理方法、装置、设备及存储介质 |
CN110851450A (zh) * | 2019-11-12 | 2020-02-28 | 重庆邮电大学 | 一种基于增量计算的伴随车即时发现方法 |
CN110851450B (zh) * | 2019-11-12 | 2023-07-18 | 重庆邮电大学 | 一种基于增量计算的伴随车即时发现方法 |
CN117575298A (zh) * | 2024-01-16 | 2024-02-20 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
CN117575298B (zh) * | 2024-01-16 | 2024-04-30 | 华侨大学 | 一种基于关联规则的城际拼车订单调度方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104933136B (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933136A (zh) | 基于海量车牌自动识别数据的动态拼车方法和系统 | |
AU2015295944A1 (en) | Aggregate query method and system for traffic data flows | |
US20140067800A1 (en) | Systems and methods for analyzing and predicting automotive data | |
CN106323301A (zh) | 一种道路情报的获取方法及装置 | |
CN105956015A (zh) | 一种基于大数据的服务平台整合方法 | |
CN103838867A (zh) | 日志处理方法和装置 | |
CN102902752A (zh) | 一种日志监控方法及系统 | |
Cao et al. | The design of an IoT-GIS platform for performing automated analytical tasks | |
WO2022083684A1 (zh) | 一种路网运行的管理方法、装置、存储介质及终端 | |
CN105678214A (zh) | 云环境下基于卷积神经网络车型识别的车流量统计方法 | |
CN104462222A (zh) | 一种卡口车辆通行数据的分布式存储方法及系统 | |
CN103150177A (zh) | 一种更新公交线路数据的方法、装置和系统 | |
CN105224658A (zh) | 一种大数据的实时查询方法和系统 | |
CN111680108B (zh) | 一种数据存储方法、装置及一种数据获取方法、装置 | |
CN111815946A (zh) | 一种异常路段的确定方法、装置、存储介质和电子设备 | |
WO2019244671A1 (ja) | 情報処理装置、情報交換システム、情報処理方法および情報処理プログラム | |
CN112560724A (zh) | 车辆监控方法、装置和云控平台 | |
CN104615765A (zh) | 一种移动用户上网记录的数据处理方法及装置 | |
CN113946294A (zh) | 一种分布式储存系统及其数据处理方法 | |
CN111159152B (zh) | 基于大数据处理技术的二次运维数据融合方法 | |
KR102054984B1 (ko) | 위치 정보를 이용한 분석용 경로 데이터 생성 방법과, 생성 시스템과, 위치 정보를 이용한 분석용 경로 데이터 생성 서비스를 운영하는 방법 및 운영 시스템 | |
CN105095224A (zh) | 一种在移动通信网络中进行olap分析的方法、装置和系统 | |
CN109933568A (zh) | 一种工业大数据平台系统及其查询方法 | |
CN105631633A (zh) | 一种跨终端物流数据采集及智能统计系统 | |
Kemp et al. | Towards Cloud big data services for intelligent transport systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |