CN109697856A - 一种车辆信息查缉方法 - Google Patents

Abstract

本发明公开了一种车辆信息查缉方法，属于查缉信息技术领域，包括：建立部署：建立MySQL表、程序包以及程序执行；建立四色预警：根据积分评判预警可疑信息，主动提醒案件信息，平台自主创建多种案件模型，根据不同方式多种元素预判获取得到的积分，综合累计分析结果；建立分值系统：基于场所封控和聚集，任务检测记录重点人的触控和聚集行为，然后依据在一段时间内这些行为的累计次数根据公式计算得到分值。本发明能够当同一区域的重点人员超过告警人数时、当超过一名重点人员在较短时间内于同一地点出现时以及当指定重点人员在指定区域出现的话，即发送区域告警信息，实现快速预警、准确定位、侦查办案、维稳反恐工作的目的。

Description

一种车辆信息查缉方法

技术领域

本发明涉及一种查缉系统，特别是涉及一种车辆信息查缉方法，属于查缉信息技术领域。

背景技术

移动互联网技术迅猛发展，深刻改变了人类的生活方式，信息技术的触角已经延伸到了各行各业。

随着手机智能化的发展，除了具有其基本的通讯功能外，还更多代替了电脑、相机、电视机、导航仪等用于办公、学习、导航、购物、娱乐等，成为人们必不可少的随身物品，甚至有人说手机是人类新长出的器官。截止2017年4月，中国移动电话用户总数达到135亿户，其中4G用户总数更是突破8亿户。

因此，侦查系统要追踪一个对象，只需要找到其使用的手机号码就能够很快锁定对象。手机信息不仅显示其持有人的位置，同时通过对手机大量位置信息的汇总分析，来判断持有人的活动范围和规律，成为破案的一种常用的、非常有效的手段。因此，通过建设陆路查缉信息化系统，对于办案工作的重要性不言而喻。

因此需要一种车辆信息查缉方法，能够可以做到特定目标预警，例如将辖区重点人员的相关信息预置，当对象经过时将上报信息给侦查员，并能够做到人数统计及聚集预警，就是统计某个区域人数当超过预设阈值时将上报信息给侦查员，该功能可以用于大型活动、群体性事件人员统计、聚集预警。

发明内容

本发明的主要目的是为了提供一种车辆信息查缉方法，当同一区域的重点人员超过告警人数时、当超过一名重点人员在较短时间内于同一地点出现时以及当指定重点人员在指定区域出现的话，即发送区域告警信息，实现快速预警、准确定位、侦查办案、维稳反恐工作的目的。

本发明的目的可以通过采用如下技术方案达到：

一种车辆信息查缉方法，包括：

建立部署：建立MySQL表、程序包以及程序执行；

建立四色预警：根据积分评判预警可疑信息，主动提醒案件信息，平台自主创建多种案件模型，根据不同方式多种元素预判获取得到的积分，综合累计分析结果；

建立分值系统：基于场所封控和聚集，任务检测记录重点人的触控和聚集行为，然后依据在一段时间内这些行为的累计次数根据公式计算得到分值。

所述MySQL表包括：

配置表：t_fw_plate_behave_type、t_fw_plate_detourmodel、t_fw_plate_executparameter、t_fw_plate_frequency_line；配置表可提供给前端修改，程序启动前需要给这些表设置初始配置；

过程数据表：t_fw_plate_behave、t_fw_plate_traces、t_fw_plate_info；

结果表：t_fw_plate_clew。

所述程序包包括bigdata-bholap-3.0-SNAPSHOT.jar、相关jars以及shell脚本。

所述程序执行包括流程：

设置定时任务：crontab–e；

加入：*/60****sh/usr/olap/fourColorWarningNew；

设置固定间隔时间执行一次程序；根据数据挤压状况，进行定时任务的设置；若某次定时任务未跑完，下一次的定时任务运行时会通过shell脚本检测是否有相关进程，如果有则中断此次定时任务。

所述四色预警包括三个模块：车牌属性模块、车辆频繁往返检测模块、车辆绕路模型检测模块；

其中，所述车牌属性模块：包含车牌颜色、归属地，可根据需求进行扩展其他属性；

车辆频繁往返检测模块、车辆绕路模型检测模块：检测到符合规则时会将相应的行为写入到t_fw_plate_behave表，并记录时间。

对于新增车牌属性，将新增的车牌信息更新到t_fw_plate_info表中。

所述车辆频繁往返检测包括步骤：

(1)需要表t_fw_plate_frequency_line数据支持，其中前端需要设置频繁往返场所，支持不同用户差异性设置；

(2)对于每次新增的数据将其轨迹按时间排序，剔除方位为中的轨迹点，然后依次滑动遍历，前后两个方位有变化时，将该行为写入t_fw_plate_behave表，同时将比较的两个轨迹点中的后一个轨迹点时间写入createtime字段。

(3)检测完每次的新增轨迹之后，将新增轨迹点中剔除所有频繁往返线路不包含的场所后，对轨迹点按时间从新排序，将最后一个轨迹点的场所编号和时间戳写入到t_fw_plate_traces表中。

所述车辆绕路模型检测：对于每一个车牌数据，在t_fw_plate_traces表中存放其最近的历史轨迹，设置正常绕路时间范围Q，其步骤为：

1)如果满足：判断其起点所处时间，如果在Q时之间，则为正常时间绕路，反之为非正常时间绕路，将车牌、行为类型、绕路模型编号、起点时间戳写入到t_fw_plate_behave，对剩下部分轨迹经过判断选择新的历史轨迹更新到t_fw_plate_traces表的historical_traces字段；

2)如果不满足任何绕路模型：找出轨迹中某个绕路模型起点的场所；

3)检测轨迹中是否满足某个模型及权值计算：遍历所有模型判断轨迹中是否满足其中某个或某些模型。

4)积分计算：首先需要查询t_fw_plate_behave表中指定时间的行为记录，得到每个车牌每种行为类型的次数，然后查询t_fw_plate_behave_type表中各行为类型的积分计算参数；利用公式：

Value＝(1-base^(-count))*bound_score

对于每个车牌计算其每种行为类型的分值，然后求和，对于总分值大于min_score的车牌，将相关信息写入到t_fw_plate_clew。

所述分值系统：通过车牌伴随mac/imsi，然后比对重点人库中的mac/imsi，若两者有交集，则相关重点人当时可能在该车上；若被检测到可能有重点人在车上，则该车牌的积分直接给分M；重点人可能在该车上的有效期为一天。

本发明的有益技术效果：

1.本发明提供的陆路查缉信息化系统，能够做到特定目标预警，例如将辖区重点人员的相关信息预置，当对象经过时将上报信息给侦查员，并能够做到人数统计及聚集预警，统计某个区域人数当超过预设阈值时将上报信息给侦查员，该功能主要用于大型活动、群体性事件人员统计、聚集预警。

2.本发明提供的陆路查缉信息化系统，当同一区域的重点人员超过告警人数时、当超过一名重点人员在较短时间内于同一地点出现时以及当指定重点人员在指定区域出现时，能够发送区域告警信息，实现快速预警、准确定位、侦查办案、维稳反恐的目的。

附图说明

图1为按照本发明的陆路查缉信息化系统的一优选实施例的当同一区域的重点人员超过告警人数时发送预警信息的流程图；

图2为按照本发明的陆路查缉信息化系统的一优选实施例的当超过一名重点人员在较短时间内于同一地点出现时发送预警信息的流程图。

图3为t_fw_plate_traces表示意图；

图4为t_fw_plate_clew推荐线索表；

图5为t_fw_plate_frequency_line频繁往返线路表；

图6为t_fw_plate_detourmodel绕路模型检测模型参数表；

图7为t_fw_plate_behave_type积分计算相关参数表；

图8 t_fw_plate_executparameter四色预警任务运行相关参数；

具体实施方式

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

一种车辆信息查缉方法，包括：

建立部署：建立MySQL表、程序包以及程序执行；

建立四色预警：根据积分评判预警可疑信息，主动提醒案件信息，平台自主创建多种案件模型，根据不同方式多种元素预判获取得到的积分，综合累计分析结果；

建立分值系统：基于场所封控和聚集，任务检测记录重点人的触控和聚集行为，然后依据在一段时间内这些行为的累计次数根据公式计算得到分值。

所述MySQL表包括：

配置表：t_fw_plate_behave_type、t_fw_plate_detourmodel、t_fw_plate_executparameter、t_fw_plate_frequency_line；配置表可提供给前端修改，程序启动前需要给这些表设置初始配置；

过程数据表：t_fw_plate_behave、t_fw_plate_traces、t_fw_plate_info；

结果表：t_fw_plate_clew。

所述程序包包括bigdata-bholap-3.0-SNAPSHOT.jar、相关jars以及shell脚本。

所述程序执行包括流程：

设置定时任务：crontab–e；

加入：*/60****sh/usr/olap/fourColorWarningNew；

设置固定间隔时间执行一次程序；根据数据挤压状况，进行定时任务的设置；若某次定时任务未跑完，下一次的定时任务运行时会通过shell脚本检测是否有相关进程，如果有则中断此次定时任务。

所述四色预警包括三个模块：车牌属性模块、车辆频繁往返检测模块、车辆绕路模型检测模块，是否有重点人在车上；

其中，所述车牌属性模块：包含车牌颜色、归属地，可根据需求进行扩展其他属性，如车牌颜色为黄色，基本为大货车，为客户不关注的车辆，在总体积分上会有减分操作(具体值可调)，对于用户关注的车牌归属地，可以在总积分上加分；

车辆频繁往返检测模块、车辆绕路模型检测模块：检测到符合规则时会将相应的行为写入到t_fw_plate_behave表，并记录时间。

涉及的MySQL表有：

t_fw_plate_behave；

tv_fw_plate_behave_type；

t_fw_plate_clew；

t_fw_plate_detourmodel；

t_fw_plate_executparameter；

t_fw_plate_info；

t_fw_palte_sitecode2direction；

t_fw_plate_traces；

t_fw_plate_frequency_line；

基于场所封控和聚集，任务检测记录重点人的触控和聚集行为，然后依据在一段时间内这些行为的累计次数根据公式计算得到分值。

涉及的MySQL表有：

t_keyman_point_behave；

t_keyman_point_behave_type；

t_keyman_point_clew；

t_keyman_point_executparameter；

t_keyman_point_model；

为了更好的理解本发明，本发明还提出Redis扩充db数量的方法

a、停止redis服务；

b、打开redis.conf文件，修改配置参数databases的值为32：

databases 32

c、启动redis服务；

d、执行redis-cli命令，并在redis命令行中执行select 16来检验16-31号db是否已经开启；

3.2Redis库具体规划

db16：

告警类型(pengtou/juji)_告警号：告警区域1(sitecode)，告警区域2，...

db17：

告警区域1，告警区域2，...：告警号

db18：

人脸标签(face_label)：重点人员id(id)

db19：

重点人员id：重点人员姓名_重点人员年龄

db20：

车牌/IMSI信息_重点人员id：信息标识

db21：

告警区域(sitecode)：设备编号(devicenum)

db22：

告警号：告警间隔时间_告警人数_截止时间_告警人id

db23：

对于新增车牌属性，将新增的车牌信息更新到t_fw_plate_info表中。在车辆频繁往返和绕路模型检测所得积分的基础上，如果该车牌为黄色，则在整体积分上减去相应的值(如：设定值为10)，如果是用户关注的车牌归属地，则在整体积分上加上相应的值(如：设定值为10)。

所述车辆频繁往返检测包括步骤：

(1)需要表t_fw_plate_frequency_line数据支持，其中前端需要设置频繁往返场所，支持不同用户差异性设置；作为示例：

line_id：频繁往返线路id；

user_name：用户名；

start_sitecodes：频繁往返开始区域场所集合，多个以#连接；

end_sitecodes：频繁往返结束区域场所集合，多个以#连接；

briefbehave：线路名称或描述(web使用)；

createtime：创建时间(web使用)；

(2)对于每次新增的数据将其轨迹按时间排序，剔除方位为中(9centre)的轨迹点，然后依次滑动遍历，前后两个方位有变化时，将该行为写入t_fw_plate_behave表，同时将比较的两个轨迹点中的后一个轨迹点时间写入createtime字段。作为示例：

user_name：用户名；

car_license：车牌号；

behave_type：行为类型；

model_id：频繁往返线路id或绕路模型线路id；

createtime：创建时间戳(轨迹发生改变的时间戳)；

(3)检测完每次的新增轨迹之后，将新增轨迹点中剔除所有频繁往返线路不包含的场所后，对轨迹点按时间从新排序，将最后一个轨迹点的场所编号和时间戳写入到t_fw_plate_traces表中。作为示例：

car_license：车牌号

historical_traces：对应车牌最近的历史轨迹信息(绕路检测中需要用，此处不用)

direction：对应车牌最近一次记录的场所(必须是所有频繁往返模型中出现的场所)和对应时间戳。

所述车辆绕路模型检测：对于每一个车牌数据，在t_fw_plate_traces表中存放其最近的历史轨迹historical_traces字段，作为示例，对于车牌鄂A12345，其最近的历史轨迹为h＝s0#t0,s1#t1,s2#t2,s3#t3，当前执行处理的轨迹c＝s4#t4,s5#t5,s6#t6。

a.将h和c合并，即：s0#t0,s1#t1,s2#t2,s3#t3,s4#t4,s5#t5,s6#t6；

b.检测s0#t0,s1#t1,s2#t2,s3#t3,s4#t4,s5#t5,s6#t6是否满足某个或多个绕路模型；设置正常绕路时间范围Q，作为示例Q(6～22时)，其步骤为：

1)如果满足：如s1#t1,s2#t2,s3#t3,s4#t4满足绕路模型，判断其起点所处时间，如果在6～22时之间，则为正常时间绕路，反之为非正常时间绕路，将车牌、行为类型、绕路模型编号、起点时间戳写入到t_fw_plate_behave，对剩下部分轨迹经过判断选择新的历史轨迹更新到t_fw_plate_traces表的historical_traces字段；

作为示例而言：参照图4，如依次检测s5和s6，如果s5为某个绕路模型的起点，将s4#t4,s5#t5,s6#t6更新表t_fw_plate_traces中鄂A12345对应的historical_traces字段值。如果s5不是任何绕路模型起点，s6为某个绕路模型的起点，将s5#t5,s6#t6更新表t_plate_traces中鄂A12345对应的historical_traces字段值。如果s6不是某个绕路模型的起点，则将s6#t6更新表t_plate_traces中鄂A12345对应的historical_traces字段值。

2)如果不满足任何绕路模型：找出轨迹中某个绕路模型起点的场所；具体为,找出s0、s1、s2、s3、s4、s5、s6中为某个绕路模型起点的场所(0个、1个或n个)。对于0个：将s6#t6更新表t_fw_plate_traces中鄂A12345对应的historical_traces字段值。

对于1个：如果是s4，则将s3#t3,s4#t4,s5#t5,s6#t6更新表t_fw_plate_traces中鄂A12345对应的historical_traces字段值。

对于n个：选择时间最大的那个(s3、s5都是绕路模型起点，则选择s5)，将s4#t4,s5#t5,s6#t6更新表t_fw_plate_traces中鄂A12345对应的historical_traces字段值。

3)检测轨迹中是否满足某个模型及权值计算：依次遍历s0#t0,s1#t1,s2#t2,s3#t3,s4#t4,s5#t5,s6#t6中是否满足其中某个或某些模型。具体而言：

模型1示例：Ss,Sx,Sy,Se，其中Ss,Se分别为模型开始场所和结束场所，Sx,Sy为中间可能经过的场所，Sx,Sy可以满足一个或多个，以及由于绕路从Ss到Se可能的时间范围[Ts,Te]。

模型2示例：Sn,Ss,Sx,Sy,Se,Sn，其中Ss,Se分别为模型开始场所和结束场所，Sx,Sy为中间可能经过的场所，Sn为模型前或后不应该出现的场所(零个或多个)，以及由于绕路从Ss到Se可能的时间范围[Ts,Te]。

4)积分计算：首先需要查询t_fw_plate_behave表中指定时间的行为记录，得到每个车牌每种行为类型的次数(如：鄂A12345的10行为次数count＝2)。然后查询t_fw_plate_behave_type表中各行为类型的积分计算参数(如行为10的基准值base＝2，分值上限bound_score＝50)，然后查询t_fw_plate_behave_type表中各行为类型的积分计算参数；利用公式：

Value＝(1-base^(-count))*bound_score

对于每个车牌计算其每种行为类型的分值，然后求和，如果该车牌为黄牌，则在总分值的基础上-10(可设置)分。对于总分值大于min_score(依据t_fw_plate_executparameter表中min_score字段的值)的车牌，将相关信息写入到t_fw_plate_clew推荐线索表。

为了更进一步的对本发明进行理解参照图4，作为示例而言：

user_name：用户名

recommend_content：推荐内容

recommend_type：推荐类型

updatetime：更新时间戳

recommend_status：推荐线索状态0待核实1正在核实2已布控3非可疑线索(前端控制)

behave_type：可疑行为类型，多个用<br>连接

support_evidence：可疑行为名称及对应次数，多个用<br>连接，与上面可疑行为类型一一对应

suspicion_sore：积分分值

目前定时任务中只将admin用户的模型检测行为计算的分值超过阈值的写入这个结果表。对于非admin用户，提供了一个接口，如：http://172.16.1.112:8082/bigdata-dmweb/bh/fourColor/getUserTargetScore？userName＝jidu&behave_statistics_day＝30&minScore＝25&timeStamp＝1500397140。如果也需要将非admin用户的结果写入结果表中，可另外增加一个定时任务(不建议这样做，建议非admin用户需要查看的时候提交任务)。

提供接口计算一个或多个车牌的各项分值，如：http://172.16.1.112:8082/bigdata-dmweb/bh/fourColor/getPlateScoreWithUser？username＝admin&plates＝'粤MN1873'闽F15093','粤MT5947','粤MUJ026'&timeStamp＝1498841940。

所述分值系统：通过车牌伴随mac/imsi，然后比对重点人库中的mac/imsi，若两者有交集，则相关重点人当时可能在该车上；若被检测到可能有重点人在车上，则该车牌的积分直接给分100；重点人可能在该车上的有效期为一天，即如果重点人在接下来的时间里未被检测到可能在这辆车上，一天时间后，该车牌的积分将恢复正常(即不受之前检测到可能存在重点人的影响)。

为了更好的理解本发明，下面通过附图来做进一步说明，仅作为示例而言：

参照图5，

line_id：频繁往返线路id

user_name：用户名

start_sitecodes：频繁往返开始区域场所集合，多个以#连接

end_sitecodes：频繁往返结束区域场所集合，多个以#连接

briefbehave：线路名称或描述(web使用)

createtime：创建时间(web使用)

前端做一个单独的地图页面展示所有设备，供用户圈选关注的往返区域，将用户圈选的往返区域分别包含的场所写入到表t_fw_plate_frequency_line中，往和返两个区域场所编号不要存在交集。

参照图6

model_id：模型编号；

user_name：用户名；

startsitecode：模型起点场所编号；

endsitecode：模型终点场所编号；

path：模型起点到终点之间可能经过的场所(可能多个，用#连接)；

detourtimerange：模型从起点到终点的时间(分钟)范围，用#连接；

briefbehave：模型行为描述，允许为空；

notfollowedby：起点之前的一个轨迹点不应该包含的场所(可多个用#分割)，允许为空；

notfollow：终点之后的一个轨迹点不应该包含的场所(可多个用#分割)，允许为空；

createtime：创建时间；

其中如果前端需要展示具体检测到哪些绕路模型，则可以根据t_fw_plate_behave表中的model_id查询对应的briefbehave(模型行为描述)。由用户户根据当地实际情况进行设置

参照图7

user_name：用户名；

behave_type：行为类型编码；

base：该行为基准分；

bound_score：该行为分值上限；

behave_name：行为名称；

other_condition：其他条件，如正常时段绕路时间段，关注的归属地设置等。不同的用户可以设置不同的行为相关参数

参照图8

last_execut_time：当前最后一次执行时间戳(秒)，首次初始化时间设置为某次定时(如60分钟)执行时间的前一分，如1501520340(2017/8/1 0:59:0)，考虑到车牌数据延迟(如果数据延迟较严重，可以暂时停任务，拉大last_execut_time和当前时间差)。

detect_interval：执行一批次任务的时间跨度(分钟)；

min_score：四色预警推荐到线索表的最小积分；

behave_statistics_day：统计当前执行时间前的n天每个车牌所有被检测出的行为，计算总积分。

任务为准实时任务，设置定时，每detect_interval分钟执行一次，处理最近detect_interval分钟新增的数据。

其中detect_interval、min_score、behave_statistics_day可供前端配置，任务启动前就配置好。last_execut_time字段任务运行过程中程序自动更新，前端不用管。

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。

Claims (9)

1.一种车辆信息查缉方法，其特征在于，包括：

建立部署：建立MySQL表、程序包以及程序执行；

建立四色预警：根据积分评判预警可疑信息，主动提醒案件信息，平台自主创建多种案件模型，根据不同方式多种元素预判获取得到的积分，综合累计分析结果；

建立分值系统：基于场所封控和聚集，任务检测记录重点人的触控和聚集行为，然后依据在一段时间内这些行为的累计次数根据公式计算得到分值。

2.根据权利要求1所述的一种车辆信息查缉方法，其特征在于：所述MySQL表包括：

配置表：t_fw_plate_behave_type、t_fw_plate_detourmodel、t_fw_plate_executparameter、t_fw_plate_frequency_line；配置表可提供给前端修改，程序启动前需要给这些表设置初始配置；

过程数据表：t_fw_plate_behave、t_fw_plate_traces、t_fw_plate_info；

结果表：t_fw_plate_clew。

3.根据权利要求1所述的一种车辆信息查缉方法，其特征在于：所述程序包包括bigdata-bholap-3.0-SNAPSHOT.jar、相关jars以及shell脚本。

4.根据权利要求1所述的一种车辆信息查缉方法，其特征在于：所述程序执行包括流程：

设置定时任务：crontab–e；

加入：*/60****sh/usr/olap/fourColorWarningNew；

设置固定间隔时间执行一次程序；根据数据挤压状况，进行定时任务的设置；若某次定时任务未跑完，下一次的定时任务运行时会通过shell脚本检测是否有相关进程，如果有则中断此次定时任务。

5.根据权利要求1所述的一种车辆信息查缉方法，其特征在于：所述四色预警包括三个模块：车牌属性模块、车辆频繁往返检测模块、车辆绕路模型检测模块；

其中，所述车牌属性模块：包含车牌颜色、归属地，可根据需求进行扩展其他属性；

车辆频繁往返检测模块、车辆绕路模型检测模块：检测到符合规则时会将相应的行为写入到t_fw_plate_behave表，并记录时间。

6.根据权利要求5所述的一种车辆信息查缉方法，其特征在于：对于新增车牌属性，将新增的车牌信息更新到t_fw_plate_info表中。

7.如权利要求5所述的一种车辆信息查缉方法，其特征在于：所述车辆频繁往返检测包括步骤：

(1)需要表t_fw_plate_frequency_line数据支持，其中前端需要设置频繁往返场所，支持不同用户差异性设置；

(2)对于每次新增的数据将其轨迹按时间排序，剔除方位为中的轨迹点，然后依次滑动遍历，前后两个方位有变化时，将该行为写入t_fw_plate_behave表，同时将比较的两个轨迹点中的后一个轨迹点时间写入createtime字段。

(3)检测完每次的新增轨迹之后，将新增轨迹点中剔除所有频繁往返线路不包含的场所后，对轨迹点按时间从新排序，将最后一个轨迹点的场所编号和时间戳写入到t_fw_plate_traces表中。

8.根据权利要求5所述的一种车辆信息查缉方法，其特征在于：所述车辆绕路模型检测：对于每一个车牌数据，在t_fw_plate_traces表中存放其最近的历史轨迹，设置正常绕路时间范围Q，其步骤为：

1)如果满足：判断其起点所处时间，如果在Q时之间，则为正常时间绕路，反之为非正常时间绕路，将车牌、行为类型、绕路模型编号、起点时间戳写入到t_fw_plate_behave，对剩下部分轨迹经过判断选择新的历史轨迹更新到t_fw_plate_traces表的historical_traces字段；

2)如果不满足任何绕路模型：找出轨迹中某个绕路模型起点的场所；

3)检测轨迹中是否满足某个模型及权值计算：遍历所有模型判断轨迹中是否满足其中某个或某些模型。

4)积分计算：首先需要查询t_fw_plate_behave表中指定时间的行为记录，得到每个车牌每种行为类型的次数，然后查询t_fw_plate_behave_type表中各行为类型的积分计算参数；利用公式：

Value＝(1-base^(-count))*bound_score

对于每个车牌计算其每种行为类型的分值，然后求和，对于总分值大于min_score的车牌，将相关信息写入到t_fw_plate_clew。

9.根据权利要求1所述的一种车辆信息查缉方法，其特征在于：所述分值系统：通过车牌伴随mac/imsi，然后比对重点人库中的mac/imsi，若两者有交集，则相关重点人当时可能在该车上；若被检测到可能有重点人在车上，则该车牌的积分直接给分M；重点人可能在该车上的有效期为一天。