CN105825671B - 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 - Google Patents
一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 Download PDFInfo
- Publication number
- CN105825671B CN105825671B CN201610159886.3A CN201610159886A CN105825671B CN 105825671 B CN105825671 B CN 105825671B CN 201610159886 A CN201610159886 A CN 201610159886A CN 105825671 B CN105825671 B CN 105825671B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- wheelpath
- bayonet
- adjoint
- data
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于大数据车辆全轨迹碰撞的伴随车分析方法,包括S1、行车轨迹运算;按车牌号码分组、按过车时间排序,对每辆车的过车数据进行聚合,计算出每辆车的行车轨迹;S2、行车轨迹数据存储;将行车轨迹以“时间‑卡口‑车牌”为行键,以“时间‑卡口‑过车信息”为主键,建立行车轨迹数据序列存储于Hbase数据库中;S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较,判断在当前卡口的伴随车辆;S4、判断是否在其他卡口伴随;在同一卡口伴随后,继续基于各自当前的行车轨迹计算是否还有其他的卡口存在伴随,当伴随的卡口数量达到指定的N次,则判定两车符合伴随出行的条件,认定为伴随车。
Description
技术领域
本发明涉及智能交通领域,更具体的说,是涉及一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统。
背景技术
随着机动车的普及,在各类刑事案件中使用机动车作案的情况也越来越多。机动车移动迅速、活动范围大的特点给公安部门的案件侦查增大了难度。近年来,公路车辆智能检测记录系统(俗称卡口系统)在我国大部分城市道路得到了广泛的应用,实现了车辆路口图像抓拍、车牌号码识别、车辆行驶状态分析等车辆经过卡口的信息数据(简称过车数据)的采集,为涉车案件的侦破提供了丰富的线索。但是卡口系统所采集的数据量及其庞大,许多更为重要的关联信息有待作进一步的挖掘。伴随车分析就是对海量过车数据进行关联分析后得到的非常实用的信息。
伴随车是指一辆以上的车辆同时经过某些卡口点位,且各自经过卡口点的时间差在指定的范围内。犯罪分子在踩点和作案时,通常会使用多辆汽车,以提高成功率。从卡口系统的角度看,团体作案具体表现为多辆车同时出没于特定卡口覆盖范围,利用该特征,从海量过车数据中,就可以提取出满足特定条件的车辆,提高侦破效率,这就是伴随车辆分析。
然而,传统的伴随车分析方法受限于分析服务器内存,以及关系型数据库字段数量的限定,往往只能基于限定的很短时间范围内的过车数据进行分析。这样分析出来的伴随车并不能完整的反应车辆之间的伴随出行情况,对案件侦破的帮助有限。
发明内容
有鉴于此,有必要针对上述问题,提供一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统,通过特定行车轨迹格式进行聚合、分析计算,提供准确的、两两相关的伴随车信息。
为了实现上述目的,本发明的技术方案如下:
一种基于大数据车辆全轨迹碰撞的伴随车分析方法,包括以下步骤:
S1、行车轨迹运算;按车牌号码分组、按过车时间排序,对每辆车的过车数据进行聚合,计算出每辆车的行车轨迹;
S2、行车轨迹数据存储;将行车轨迹以“时间-卡口-车牌”为行键,以“时间-卡口-过车信息”为列,建立行车轨迹数据序列存储于Hbase数据库中;
S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较,判断在当前卡口的伴随车辆;
S4、判断是否在其他卡口伴随;在同一卡口伴随后,继续基于各自当前的行车轨迹计算是否还有其他的卡口存在伴随,当伴随的卡口数量达到指定的N次,则判定两车符合伴随出行的条件,认定为伴随车。
作为优选的,所述步骤S1中和步骤S3中,通过MapReduce算法模型分别对过车数据和行车轨迹数据进行聚合。
作为优选的,所述步骤S2中,行车轨迹与过车数据一一对应,每一条过车数据都计算出一条行车轨迹数据,所述行车轨迹数据包括所有当前过车时间之前的过车数据。
作为优选的,所述步骤S4中,N≧2。
作为优选的,所述步骤S1中,按过车数据中的车牌号码分组,以经过卡口的时间由大到小排序来进行聚合。
作为优选的,所述步骤S3具体包括:
S301、依次提取步骤S2中的行车轨迹数据,按卡口编号分组、按过车时间排序,对所有行车轨迹数据进行聚合,聚合后的行车轨迹均为行键“时间-卡口-车牌”中卡口相同的数据,表示当前时间里车辆均经过同一卡口;
S302、将各个车辆经过该卡口的时间进行比较,只要经过时间在指定的±△T时间内,即认为两车在该卡口伴随行驶。
一种根据上述方法进行伴随车分析的系统,包括过车数据存储模块、行车轨迹计算模块、行车轨迹存储模块、伴随车分析模块和伴随车结果解析模块;
所述过车数据存储模块用于管理原始过车数据;
所述行车轨迹计算模块用于计算车辆的行车轨迹;
所述行车轨迹数据存储模块用于计算出行车轨迹数据;
所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析,并计算出伴随车结果;
所述伴随车结果解析模块,用于将计算得到的伴随车结果解析并存储。
作为优选的,所述过车数据存储模块和行车轨迹数据存储模块采用列式数据库Hbase完成存储。
作为优选的,所述行车轨迹计算模块和伴随车分析模块为大数据计算、分析中心,通过MapReduce算法模型完成计算。
与现有技术相比,本发明的有益效果在于:本发明首先以天为单位,提取所有车辆的过车数据。然后对所有的过车数据进行分析、挖掘,以车牌号码为维度计算出每辆车的行车轨迹,利用Hbase列式数据库列可以无限扩展的特点,将行车轨迹按车牌号为主键存储于Hbase中,再将所有车的行车轨迹按卡口聚合后两两进行关联分析,计算出每辆车与之相关联的伴随车。本发明基于大数据的分布式集群计算模式,避免了计算时服务器内存的限制,同时列式数据库Hbase能很好的解决数据库字段数量的约束,在此基础上,本发明摒弃了以往基于限定时间内的过车数据进行分析的方式,改为基于车辆全轨迹数据进行伴随车分析的方法,该方法计算出的伴随车可有效的反映出每辆车在指定的日期里的伴随车车牌号码、伴随经过的卡口、伴随时间等信息。
附图说明
图1为本发明实施例1中方法的流程框图;
图2为本发明实施例1中方法的具体流程示意图;
图3为本发明实施例2中系统的结构框图。
具体实施方式
下面结合附图和实施例对本发明所述的一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统作进一步说明。
以下是本发明所述的的最佳实例,并不因此限定本发明的保护范围。
实施例1
图1示出了本发明所述的一种基于大数据车辆全轨迹碰撞的伴随车分析方法,包括以下步骤:
S1、行车轨迹运算;按车牌号码分组、按过车时间排序,对每辆车的过车数据进行聚合,计算出每辆车的行车轨迹;
S2、行车轨迹数据存储;将行车轨迹以“时间-卡口-车牌”为行键,以“时间-卡口-过车信息”为列,建立行车轨迹数据序列存储于Hbase数据库中;
S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较,判断在当前卡口的伴随车辆;
S4、判断是否在其他卡口伴随;在同一卡口伴随后,继续基于各自当前的行车轨迹计算是否还有其他的卡口存在伴随,当伴随的卡口数量达到指定的N次,则判定两车符合伴随出行的条件,认定为伴随车。
在本实施例中,图2示出了本发明所述方法的具体流程步骤,其中,更具体的:
(1)过车数据聚合与行车轨迹计算;
过车数据是车辆经过卡口监控设备时,设备采集的车辆行驶信息。该步骤主要是按过车数据中的车牌号码分组,以经过卡口的时间由大到小排序来进行聚合。具体聚合的操作由MapReduce计算模型进行操作,MapReduce能充分利用集群分布式计算的特点,按照指定的分组方式和大小排序逻辑对数据进行聚合。
聚合之后,每一组过车数据都将是来自同一个车牌号码,并且是已经按照时间由大到小完成排序。实际上,这已经是完整的行车轨迹,之后只需要再将这些聚合后的数据按照要求的格式完成存储即可,格式如表一。
由于每辆车在行驶过程中,经过的卡口数据都是不确定的,且车辆每经过一个卡口点位,该车当前时间的行车轨迹也是与之前或者之后经过其他卡口点位时的行车轨迹存在差别。所以在进行行车轨迹计算时,每辆车每经过一个卡口点位都将得到一条长度各异的行车轨迹。并且行车轨迹将与过车数据一一对应,每一条过车数据都计算出一条这样的行车轨迹:包含所有经过时间小于等于当前过车时间的过车数据,如表一。
表一
(2)行车轨迹聚合;
经(1)得到的行车轨迹是以“时间_卡口_车牌”为行健,与过车数据一一对应,并且列族中保存着小于等于行健“时间_卡口_车牌”中时间的该车牌所有行车轨迹。在该行车轨迹上再以行健“时间_卡口_车牌”中卡口分组,以行健“时间_卡口_车牌”中时间由小到大排序进行聚合。
(3)比较相邻的行车轨迹;
经(2)聚合后的数据每一组都是行健“时间_卡口_车牌”中卡口相同的行车轨迹,并且都是以行健“时间_卡口_车牌”中时间由小到大完成排序的。对于每组的数据,首先依次将数据提取、加载到计算节点的缓存中。然后分析缓存中的数据是否有行健“时间_卡口_车牌”中时间距当前行车轨迹行健“时间_卡口_车牌”中时间的差值超过伴随车定义的时间范围±△T的,如果有将其从缓存中清除。
(4)判断是否在当前卡口伴随;
行车轨迹存入缓存之后,将该行车轨迹数据与缓存中的数据进行比较。因为缓存中的数据都是距当前数据时间差在指定的±△T内的,同时经过(2)聚合之后,处于同一计算组的数据的行健“时间_卡口_车牌”中的卡口编号又都是相同的。
因此,只要缓存中的数据与当前数据不是属于同一车牌号码,则可判定两车在当前卡口是伴随车。
(5)判断是否在其他卡口伴随;
通常情况下,两车在一个卡口伴随,并不能被判定为伴随车。所以在(4)中发现缓存中有某一条数据所对应的车辆与当前车辆是伴随车关系时,需要继续根据这两辆车的行车轨迹进行深度的二次碰撞。
假设在取出车辆A的行车轨迹进行对比分析时,车辆A和车辆B在卡口K1被判定为伴随行驶,同时车辆A和车辆B的当前行车轨迹数据如表二所示,分别为:
表二
现在需要将车辆A当前列族中的行车轨迹取出,依次与车辆B当前列族中的行车轨迹进行比较。因为车辆A在经过卡口K1之前是经过卡口K2,所以首先查找车辆B当前的行车轨迹是否有经过卡口K2,如果有则将各自经过卡口K2的经过时刻进行比较,若时间差在±△T内则判断车辆A和车辆B在卡口K2是伴随出行(即|T12-T22|<=△T)。
按照以上原理,依次将车辆A的行车轨迹数据逐个与车辆B的进行碰撞,计算出在当前时间两车的伴随出行次数。只要次数达到系统设定的伴随次数时,即认定两车是相互的伴随车。
实施例2
图3示出了根据实施例1中所述方法进行车辆伴随分析的系统,包括过车数据存储模块、行车轨迹计算模块、行车估计存储模块、伴随车分析模块和伴随车结果解析模块;
所述过车数据存储模块用于管理原始过车数据;
所述行车轨迹计算模块用于计算车辆的行车轨迹;
所述行车轨迹数据存储模块用于计算出行车轨迹数据;
所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析,并计算出伴随车结果;
所述伴随车结果解析模块,用于将计算得到的伴随车结果解析并存储。
作为优选的,所述过车数据存储模块和行车轨迹数据存储模块采用列式数据库Hbase完成存储。
作为优选的,所述行车轨迹计算模块和伴随车分析模块为大数据计算、分析中心,通过MapReduce算法模型完成计算。
综上所述,本发明首先以天为单位,提取所有车辆的过车数据。然后对所有的过车数据进行分析、挖掘,以车牌号码为维度计算出每辆车的行车轨迹,利用Hbase列式数据库列可以无限扩展的特点,将行车轨迹按车牌号为主键存储于Hbase中,再将所有车的行车轨迹按卡口聚合后两两进行关联分析,计算出每辆车与之相关联的伴随车。本发明基于大数据的分布式集群计算模式,避免了计算时服务器内存的限制,同时列式数据库Hbase能很好的解决数据库字段数量的约束,在此基础上,本发明摒弃了以往基于限定时间内的过车数据进行分析的方式,改为基于车辆全轨迹数据进行伴随车分析的方法,该方法计算出的伴随车可有效的反映出每辆车在指定的日期里的伴随车车牌号码、伴随经过的卡口、伴随时间等信息。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于大数据车辆全轨迹碰撞的伴随车分析方法,其特征在于,包括以下步骤:
S1、行车轨迹运算;按车牌号码分组、按过车时间排序,对每辆车的过车数据进行聚合,以经过卡口的时间由大到小排序来进行聚合,计算出每辆车的行车轨迹;
S2、行车轨迹数据存储;将行车轨迹以“时间-卡口-车牌”为行键,以“时间-卡口-过车信息”为列,建立行车轨迹数据序列存储于Hbase数据库中;
S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较,判断在当前卡口的伴随车辆;
S301、依次提取步骤S2中的行车轨迹数据,按卡口编号分组、按过车时间排序,对所有行车轨迹数据进行聚合,聚合后的行车轨迹均为行键“时间-卡口-车牌”中卡口相同的数据,表示当前时间里车辆均经过同一卡口;
S302、将各个车辆经过该卡口的时间进行比较,只要经过时间在指定的±△T时间内,即认为两车在该卡口伴随行驶;
S4、判断是否在其他卡口伴随;在同一卡口伴随后,继续基于各自当前的行车轨迹计算是否还有其他的卡口存在伴随,当伴随的卡口数量达到指定的N次,则判定两车符合伴随出行的条件,认定为伴随车。
2.根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法,其特征在于,所述步骤S1中和步骤S3中,通过MapReduce算法模型分别对过车数据和行车轨迹数据进行聚合。
3.根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法,其特征在于,所述步骤S2中,行车轨迹与过车数据一一对应,每一条过车数据都计算出一条行车轨迹数据,所述行车轨迹数据包括所有当前过车时间之前的过车数据。
4.根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法,其特征在于,所述步骤S4中,N≧2。
5.根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法,其特征在于,所述步骤S1中,按过车数据中的车牌号码分组,以经过卡口的时间由大到小排序来进行聚合。
6.一种根据权利要求1至5任一所述方法进行伴随车分析的系统,其特征在于,包括过车数据存储模块、行车轨迹计算模块、行车估计存储模块、伴随车分析模块和伴随车结果解析模块;
所述过车数据存储模块用于管理原始过车数据;
所述行车轨迹计算模块用于计算车辆的行车轨迹;
所述行车轨迹数据存储模块用于计算出行车轨迹数据;
所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析,并计算出伴随车结果,以经过卡口的时间由大到小排序来进行聚合;
所述伴随车结果解析模块,用于将计算得到的伴随车结果解析并存储。
7.根据权利要求6所述的系统,其特征在于,所述过车数据存储模块和行车轨迹数据存储模块采用列式数据库Hbase完成存储。
8.根据权利要求6所述的系统,其特征在于,所述行车轨迹计算模块和伴随车分析模块为大数据计算、分析中心,通过MapReduce算法模型完成计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159886.3A CN105825671B (zh) | 2016-03-21 | 2016-03-21 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159886.3A CN105825671B (zh) | 2016-03-21 | 2016-03-21 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825671A CN105825671A (zh) | 2016-08-03 |
CN105825671B true CN105825671B (zh) | 2019-04-05 |
Family
ID=56523951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159886.3A Active CN105825671B (zh) | 2016-03-21 | 2016-03-21 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825671B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909612B (zh) * | 2017-01-11 | 2020-12-29 | 浙江宇视科技有限公司 | 一种跟随行为数据的处理方法和装置 |
CN107590250A (zh) * | 2017-09-18 | 2018-01-16 | 广州汇智通信技术有限公司 | 一种时空轨迹生成方法及装置 |
CN108197140A (zh) * | 2017-11-24 | 2018-06-22 | 中国电子科技集团公司电子科学研究院 | 时空同现的挖掘方法、服务器及计算机可读存储介质 |
CN108564788B (zh) * | 2018-06-07 | 2021-09-10 | 重庆邮电大学 | 一种基于流式大数据的同行车辆发现方法 |
CN108932839B (zh) * | 2018-06-19 | 2020-08-04 | 浙江大华技术股份有限公司 | 一种同行车辆判断方法及装置 |
CN109059907B (zh) * | 2018-06-27 | 2020-11-27 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、装置、计算机设备和存储介质 |
CN111008360B (zh) * | 2019-11-20 | 2023-11-03 | 安徽百诚慧通科技股份有限公司 | 一种基于深度优先搜索的车辆固定轨迹的分析方法及系统 |
CN116824866B (zh) * | 2023-08-29 | 2024-01-02 | 武汉中科通达高新技术股份有限公司 | 基于时间和地理因素的伴随车分析方法、系统及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200669A (zh) * | 2014-08-18 | 2014-12-10 | 华南理工大学 | 一种基于Hadoop的套牌车识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289659B (zh) * | 2011-06-23 | 2013-01-02 | 杭州诚道科技有限公司 | 伴随车检测方法 |
WO2014186466A2 (en) * | 2013-05-14 | 2014-11-20 | Gkn Driveline North America, Inc. | Vehicle differential disconnect assembly |
CN103366566B (zh) * | 2013-06-25 | 2015-05-06 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
-
2016
- 2016-03-21 CN CN201610159886.3A patent/CN105825671B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200669A (zh) * | 2014-08-18 | 2014-12-10 | 华南理工大学 | 一种基于Hadoop的套牌车识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105825671A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825671B (zh) | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 | |
CN109584553B (zh) | 一种基于时空信息的路段关联度缺失补全方法 | |
CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
CN106846801A (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
CN103413437B (zh) | 一种基于车辆数据采集的道路交叉口转向识别方法及系统 | |
CN106022296B (zh) | 一种基于车辆热点区域的概率聚合的套牌车检测方法 | |
CN105741553A (zh) | 基于动态阈值的识别车辆轨迹中停靠路段的方法 | |
CN105913668B (zh) | 一种基于海量交通数据统计的定向套牌车检测方法 | |
CN111680377B (zh) | 一种交通态势仿真方法、系统和电子设备 | |
CN108364461A (zh) | 一种车辆行驶轨迹预测方法 | |
CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别系统 | |
CN105448092B (zh) | 一种关联车辆的分析方法及装置 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN107506368A (zh) | 一种类案嫌疑车辆的确定方法及装置 | |
CN106251635A (zh) | 一种套牌嫌疑车牌号的识别方法及系统 | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN104517445A (zh) | 一种基于大数据的套牌车辆识别方法 | |
CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
CN105138525B (zh) | 交通视频处理装置和方法及检索装置和方法 | |
CN105913656B (zh) | 基于分布式统计频繁过车的方法及系统 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN107610471A (zh) | 车辆套牌检测方法及系统 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 |
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 |