CN110310478B - 基于大数据分析的套牌车辆的识别方法及系统、存储介质 - Google Patents

Abstract

本发明公开了一种基于大数据分析的套牌车辆的识别方法及系统、计算机可读取的存储介质。本发明的基于大数据分析的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，综合了卡口对的行车时间和概率分布进行对比，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。并且，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

Description

基于大数据分析的套牌车辆的识别方法及系统、存储介质

技术领域

本发明涉及智能交通技术领域，特别地，涉及一种基于大数据分析的套牌车辆的识别方法及系统、存储介质。

背景技术

套牌车辆，俗称克隆车，是指参照真牌车的型号和颜色，将号码相同的假牌套在同样型号和颜色的车上。套牌车主因为套用别人的牌照，所以在路上行驶时胆大妄为，做出任意穿红灯、轧黄线等严重违反交通法规的行为，对交通安全带来了严重的安全隐患，或者家庭内、朋友圈内自我套牌，以逃避相关审查和费用。由于套牌车辆隐蔽性强、调查取证困难等特点，且目前尚无一种有效的方法或系统实现对其的自动识别，故如何准确识别套牌车辆已成为运管主管部门急需解决的问题，成为管控套牌车辆的重中之重。

发明内容

本发明提供了一种基于大数据分析的套牌车辆的识别方法及系统、存储介质，以解决现有技术无法对套牌车辆进行准确识别的技术问题。

根据本发明的一个方面，提供一种基于大数据分析的套牌车辆的识别方法，包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵KK_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n，复制卡口对二维矩阵KK_m；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录；将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)以得到号牌相邻卡口对轨迹序列K_a；

步骤S4：基于车辆通行卡口对记录建立卡口对行车时间最小阈值二维矩阵KK_T；

步骤S5：基于车辆通行卡口对记录建立卡口对流向概率二维矩阵KK_p；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；及

步骤S7：从号牌相邻卡口对轨迹序列K_a的第一个卡口对开始，获取前后依次通过的卡口对(k_i，k_j)及其卡口对行车时间，查询卡口对流向概率二维矩阵KK_P和卡口对行车时间最小阈值二维矩阵KK_T，获得卡口对(k_i，k_j)的概率区间和最小时间阈值，若卡口对(k_i，k_j)落在低概率区间且行车时间小于最小时间阈值，则为套牌车，若卡口对(k_i，k_j)落在低概率区间，而行车时间大于最小时间阈值，则为疑似套牌车，若卡口对(k_i，k_j)落在高概率区间，而行车时间小于最小时间阈值，则为疑似套牌车。

进一步地，所述步骤S4包括以下步骤：

步骤S41：根据步骤S3中的车辆通行卡口对记录，将车辆经过卡口对(k_i，k_j)中卡口k_i的时间记为t_ki，经过卡口k_j的时间记为t_kj，则卡口对(k_i，k_j)的行程时间为t_ij＝t_kj－t_ki，对卡口对(k_i，k_j)所有的行车时间t_ij应用正态分布，取u－3σ的t_ij作为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；或者通过离群点算法或聚类算法找到每个卡口对的行车时间t_ij的离群点阈值，离群点阈值即为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；

步骤S42：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对行车时间最小时间阈值t(k_i，k_j)，卡口对二维矩阵KK_m变成卡口对行车时间最小阈值二维矩阵KK_T。

进一步地，所述步骤S5包括以下步骤：

步骤S51：根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)；

步骤S52：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将复制的卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵KK_P。

进一步地，所述套牌车辆的识别方法还包括以下步骤：

步骤S8：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库。

进一步地，所述套牌车辆的识别方法还包括以下步骤：

步骤S9：对套牌车辆进行捕捉；

所述步骤S9包括：

步骤S91：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S92：将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

本发明还提供一种基于大数据分析的套牌车辆的识别系统，适用于如上所述的识别方法，包括

数据采集模块，用于获取进行套牌车辆识别所需的基础数据，

大数据分析识别模块，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器，用于控制所述数据采集模块采集基础数据和用于控制所述大数据分析识别模块进行数据建模、统计分析并识别套牌车辆；

所述控制器分别与所述数据采集模块和大数据分析识别模块连接，所述数据采集模块和大数据分析识别模块连接。

进一步地，所述识别系统还包括

套牌车捕捉终端，与所述控制器连接，用于对套牌车辆进行捕捉；

所述套牌车捕捉终端包括

号牌获取单元，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元，用于在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

进一步地，所述大数据分析识别模块包括

卡口对行车时间最小阈值矩阵建模单元，用于建立卡口对行车时间最小阈值二维矩阵KK_T；

卡口对流向概率矩阵建模模块，用于建立卡口对流向概率二维矩阵KK_P和利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

分析识别模块，用于通过对各个号牌的卡口对通行概率与行车时间之间比对分析来识别套牌车。

本发明还提供一种计算机可读取的存储介质，用于存储基于大数据分析对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵KK_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n，复制卡口对二维矩阵KK_m；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，并将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)以得到号牌相邻卡口对轨迹序列K_a；

步骤S4：基于车辆通行卡口对记录建立卡口对行车时间最小阈值二维矩阵KK_T；

步骤S5：基于车辆通行卡口对记录建立卡口对流向概率二维矩阵KK_p；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；及

步骤S7：从号牌相邻卡口对轨迹序列K_a的第一个卡口对开始，获取前后依次通过的卡口对(k_i，k_j)及其卡口对行车时间，查询卡口对流向概率二维矩阵KK_P和卡口对行车时间最小阈值二维矩阵KK_T，获得卡口对(k_i，k_j)的概率区间和最小时间阈值，若卡口对(k_i，k_j)落在低概率区间且行车时间小于最小时间阈值，则为套牌车，若卡口对(k_i，k_j)落在低概率区间，而行车时间大于最小时间阈值，则为疑似套牌车，若卡口对(k_i，k_j)落在高概率区间，而行车时间小于最小时间阈值，则为疑似套牌车。

本发明具有以下有益效果：

本发明的基于大数据分析的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，综合了卡口对的行车时间和概率分布进行对比，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。并且，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

本发明的基于大数据分析的套牌车辆的识别系统同样具有上述优点。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的基于大数据分析的套牌车辆的识别方法的流程示意图。

图2是本发明优选实施例的图1中的步骤S4的子流程示意图。

图3是本发明优选实施例的图1中的步骤S5的子流程示意图。

图4是本发明优选实施例的图1中的步骤S10的子流程示意图。

图5是本发明另一实施例的基于大数据分析的套牌车辆的识别系统的模块结构示意图。

图6是本发明另一实施例的图5中的套牌车捕捉终端的模块结构示意图。

图7是本发明另一实施例的图5中的数据采集模块的模块结构示意图。

图8是本发明另一实施例的图5中的数据清洗模块的模块结构示意图。

图9是本发明另一实施例的图5中的大数据分析识别模块的模块结构示意图。

附图标号说明：

11、控制器；12、数据采集模块；13、数据清洗模块；14、大数据分析识别模块；15、套牌车捕捉终端；121、号牌采集单元；122、卡口数据采集单元；123、卡口经纬度采集单元；131、数据选择单元；132、数据清洗单元；133、数据转换单元；141、卡口对行车时间最小阈值矩阵建模单元；142、卡口对流向概率矩阵建模单元；143、分析识别单元；151、号牌获取单元；152、捕捉单元。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。

如图1所示，本发明的优选实施例提供一种基于大数据分析的套牌车辆的识别方法，用于对套牌车辆进行快速、准确识别。所述套牌车辆的识别方法包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口对二维矩阵KK_m，并复制卡口对二维矩阵KK_m，具体地，建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵KK_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n，复制卡口对二维矩阵KK_m；

步骤S3：建立车辆通行卡口对记录，具体地，获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，并将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)以得到号牌相邻卡口对轨迹序列K_a；

步骤S4：基于车辆通行卡口对记录建立卡口对行车时间最小阈值二维矩阵KK_T；

步骤S5：基于车辆通行卡口对记录建立卡口对流向概率二维矩阵KK_p；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；及

步骤S7：识别出套牌车辆的号牌和疑似套牌车辆的号牌，具体地，从号牌相邻卡口对轨迹序列K_a的第一个卡口对开始，获取前后依次通过的卡口对(k_i，k_j)及其卡口对行车时间，查询卡口对流向概率二维矩阵KK_P和卡口对行车时间最小阈值二维矩阵KK_T，获得卡口对(k_i，k_j)的概率区间和最小时间阈值，若卡口对(k_i，k_j)落在低概率区间且行车时间小于最小时间阈值，则为套牌车，若卡口对(k_i，k_j)落在低概率区间，而行车时间大于最小时间阈值，则为疑似套牌车，若卡口对(k_i，k_j)落在高概率区间，而行车时间小于最小时间阈值，则为疑似套牌车。

可以理解，在所述步骤S1中，所述卡口编号是从卡口经纬度数据库或车辆运行轨迹数据库中得到的。

可以理解，所述步骤S2中得到的卡口对二维矩阵KK_m为

可以理解，在所述步骤S3中，是从交通卡口系统中获取车辆卡口数据，车辆卡口数据至少包括车辆号牌、卡口编号、经过时间、卡口照片，并根据车辆卡口数据生成车辆运行轨迹数据库。例如，一辆车依次经过A、C、F、B……K_i卡口，则该车的号牌卡口轨迹序列K_T＝＝{A，C，F，B……k_i}，所述号牌卡口轨迹序列K_T包括卡口编号，并且隐含车辆行驶的方向，即卡口方向；然后，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对(k_i，k_j)并得到号牌卡口对轨迹序列K_d＝{(A，A)，(A，C)，(A，B)，(C，B)，(C，F)，(F，B)……(k_i，k_j)}，其中(A，A)代表着车辆在A卡口处掉头，(A，C)代表着车辆从A卡口驶向C卡口，(A，B)代表着车辆从A卡口驶向B卡口，……；再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，卡口对(ki，kj)表示车辆先经过卡口ki，下一次经过卡口kj，其格式如下：

卡口k<sub>i</sub>

卡口k<sub>j</sub>

经过卡口k<sub>i</sub>的时间

经过卡口k<sub>j</sub>的时间

车牌号码

最后，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)，以得到号牌相邻卡口对轨迹序列K_a＝{(A，C)，(C，F)，(F，B)……(k_i，k_j)}。其中，号牌卡口轨迹序列K_T为车辆连续通过的卡口，因此卡口对轨迹序列K_d中的卡口对在地理位置和卡口方向上相邻，且与k_i相邻的卡口通常在4个左右。

还可以理解，在所述步骤S3中，还可以根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据。另外，还可以过滤掉那些不完整的数据、错误的数据和重复的数据，并可以对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。

可以理解，如图2所示，所述步骤S4具体包括以下步骤：

步骤S41：统计卡口对行车时间和行车时间最小阈值，具体地，根据步骤S3中的车辆通行卡口对记录，将车辆经过卡口对(k_i，k_j)中卡口k_i的时间记为t_ki，经过卡口k_j的时间记为t_kj，则卡口对(k_i，k_j)的行程时间为t_ij＝t_kj－t_ki，对卡口对(k_i，k_j)所有的行车时间t_ij应用正态分布，取u－3σ的t_ij作为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；或者通过离群点算法或聚类算法找到每个卡口对的行车时间t_ij的离群点阈值，离群点阈值即为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；

步骤S42：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对行车时间最小时间阈值t(k_i，k_j)，卡口对二维矩阵KK_m变成卡口对行车时间最小阈值二维矩阵KK_T，KK_T如下所示：

可以理解，由于号牌卡口轨迹序列K_T为车辆连续通过的卡口，因此号牌卡口对轨迹序列K_d中前后相邻依次通过的相邻卡口的行车时间最短，非相邻卡口的时间较长，由于样本量较大，即使存在卡口损坏、误拍、数据清洗、套牌等影响行车时间的因素，对最小时间阈值的影响很小，从而确保识别结果十分准确。

可以理解，如图3所示，所述步骤S5具体包括以下步骤：

步骤S51：统计卡口对流向概率，具体地，根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)。采用卡口对流向概率，可以在不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，识别准确度高。格式如下：

卡口k<sub>i</sub>

卡口k<sub>j</sub>

流向概率P<sub>ij</sub>

步骤S52：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将复制的卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵KK_P，KK_P如下所示

可以理解，在所述步骤S5中，由于号牌卡口轨迹序列K_T为车辆连续通过的卡口序列，因此号牌卡口对轨迹序列K_d中的卡口对在地理位置和卡口方向上都是相邻，一般与k_i相邻的卡口通常在4个左右，卡口k_i为起始卡口的流向概率可分化为高概率区间和低概率区间，即使存在卡口损坏、误拍、数据清洗、套牌，对概率区间分化影响很小，从而确保了识别结果具有很高的准确度。

可以理解，作为优选的，所述套牌车辆的识别方法还包括以下步骤：

步骤S8：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库，供后续抓捕套牌车。

可以理解，作为优选的，所述套牌车辆的识别方法还包括以下步骤：

步骤S9：对套牌车辆进行捕捉。

如图4所示，其中，所述步骤S9具体包括：

步骤S91：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S92：在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

本发明的基于大数据分析的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，综合了卡口对的行车时间和概率分布进行对比，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。并且，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，如图5所示，本发明的另一实施例还提供一种基于大数据分析的套牌车辆的识别系统，其优选适用于如上所述的基于大数据分析的套牌车辆的识别方法，所述识别系统包括

数据采集模块12，用于获取进行套牌车辆识别所需的基础数据，所述基础数据至少包括车辆号牌数据和车辆卡口数据；

大数据分析识别模块14，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器11，用于控制所述数据采集模块12采集基础数据和用于控制所述大数据分析识别模块14进行数据建模、统计分析并识别套牌车辆；

所述控制器11分别与所述数据采集模块12和大数据分析识别模块14连接，所述数据采集模块12和大数据分析识别模块14连接。

可以理解，作为优选的，所述识别系统还包括

套牌车捕捉终端15，与所述控制器11连接，用于对套牌车辆进行捕捉。其中，所述控制器11还用于推送套牌车辆信息给套牌车捕捉终端15。

如图6所示，所述套牌车捕捉终端15包括

号牌获取单元151，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元152，用于将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

如图7所示，所述数据采集模块12包括

号牌采集单元121，用于从交通车管数据系统中获取车辆号牌数据，车辆号牌数据至少包括车辆号牌、车辆类型、营运类型等，并生成车辆号牌数据库；

卡口数据采集单元122，用于从交通卡口系统中获取车辆卡口数据，车辆卡口数据至少包括车辆号牌、卡口编号、经过时间、卡口照片，并生成车辆运行轨迹数据库；

卡口经纬度采集单元123，用于从交通卡口系统中获取卡口的地理位置数据，卡口的地理位置数据至少包括卡口编号、卡口所属位置区域、卡口经纬度，并生成卡口经纬度数据库。其中，所述卡口经纬度采集单元123可以省略。

可以理解，作为优选的，所述识别系统还包括

数据清洗模块13，分别与控制器11、数据采集模块12和大数据分析识别模块14连接，用于根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据，过滤掉那些不完整的数据、错误的数据和重复的数据，及对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。

如图8所示，所述数据清洗模块13包括

数据选择单元131，用于根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据。

数据清洗单元132，用于过滤掉那些不完整的数据、错误的数据和重复的数据；

数据转换单元133，用于对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。可以理解，所述数据转换单元133可以省略。

如图9所示，所述大数据分析识别模块14包括

卡口对行车时间最小阈值矩阵建模单元141，用于建立卡口自身的迪卡尔积，穷尽所有卡口对，并对每个卡口对行车时间进行大数据分析，获取卡口对行车时间阈值，并赋值给迪卡尔积中相应的卡口对，以建立卡口对行车时间最小阈值二维矩阵KK_T；

卡口对流向概率矩阵建模单元142，用于建立卡口自身的迪卡尔积，穷尽所有卡口对，并对每个卡口对流向概率进行大数据分析，获得各号牌运行轨迹中前后依次通过的相邻卡口对的流向概率，并赋值给迪卡尔积中相应的卡口对，以建立卡口对流向概率二维矩阵KK_P，还用于利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

分析识别单元143，用于通过对各个号牌的卡口对通行概率与行车时间之间比对分析来识别套牌车。

本发明的基于大数据分析的套牌车辆的识别系统，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，综合了卡口对的行车时间和概率分布进行对比，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。并且，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，本发明的另一实施例还提供一种计算机可读的存储介质，用于存储基于大数据分析对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵KK_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n，复制卡口对二维矩阵KK_m；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，并将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)以得到号牌相邻卡口对轨迹序列K_a；

步骤S4：基于车辆通行卡口对记录建立卡口对行车时间最小阈值二维矩阵KK_T；

步骤S5：基于车辆通行卡口对记录建立卡口对流向概率二维矩阵KK_p；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；及

步骤S7：从号牌相邻卡口对轨迹序列K_a的第一个卡口对开始，获取前后依次通过的卡口对(k_i，k_j)及其卡口对行车时间，查询卡口对流向概率二维矩阵KK_P和卡口对行车时间最小阈值二维矩阵KK_T，获得卡口对(k_i，k_j)的概率区间和最小时间阈值，若卡口对(k_i，k_j)落在低概率区间且行车时间小于最小时间阈值，则为套牌车，若卡口对(k_i，k_j)落在低概率区间，而行车时间大于最小时间阈值，则为疑似套牌车，若卡口对(k_i，k_j)落在高概率区间，而行车时间小于最小时间阈值，则为疑似套牌车。

一般计算机可读取介质的形式包括：软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据分析的套牌车辆的识别方法，其特征在于，

包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵KK_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n，复制卡口对二维矩阵KK_m；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，并将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对(k_i，k_j)以得到号牌相邻卡口对轨迹序列K_a；

步骤S4：基于车辆通行卡口对记录建立卡口对行车时间最小阈值二维矩阵KK_T；

步骤S5：基于车辆通行卡口对记录建立卡口对流向概率二维矩阵KK_p；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；及

步骤S7：从号牌相邻卡口对轨迹序列K_a的第一个卡口对开始，获取前后依次通过的卡口对(k_i，k_j)及其卡口对行车时间，查询卡口对流向概率二维矩阵KK_P和卡口对行车时间最小阈值二维矩阵KK_T，获得卡口对(k_i，k_j)的概率区间和最小时间阈值，若卡口对(k_i，k_j)落在低概率区间且行车时间小于最小时间阈值，则为套牌车，若卡口对(k_i，k_j)落在低概率区间，而行车时间大于最小时间阈值，则为疑似套牌车，若卡口对(k_i，k_j)落在高概率区间，而行车时间小于最小时间阈值，则为疑似套牌车；

所述步骤S4包括以下步骤：

步骤S41：根据步骤S3中的车辆通行卡口对记录，将车辆经过卡口对(k_i，k_j)中卡口k_i的时间记为t_ki，经过卡口k_j的时间记为t_kj，则卡口对(k_i，k_j)的行程时间为t_ij＝t_kj－t_ki，对卡口对(k_i，k_j)所有的行车时间t_ij应用正态分布，取u－3σ的t_ij作为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；或者通过离群点算法或聚类算法找到每个卡口对的行车时间t_ij的离群点阈值，离群点阈值即为卡口k_i到卡口k_j的最小时间阈值t(k_i，k_j)；

步骤S42：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对行车时间最小时间阈值t(k_i，k_j)，卡口对二维矩阵KK_m变成卡口对行车时间最小阈值二维矩阵KK_T；

所述步骤S5包括以下步骤：

步骤S51：根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)；

步骤S52：初始时，将卡口对二维矩阵KK_m中的卡口对(k_i，k_j)赋值为0，然后将复制的卡口对二维矩阵KK_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵KK_P。

2.如权利要求1所述的基于大数据分析的套牌车辆的识别方法，其特征在于，

所述套牌车辆的识别方法还包括以下步骤：

步骤S8：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库。

3.如权利要求2所述的基于大数据分析的套牌车辆的识别方法，其特征在于，

所述套牌车辆的识别方法还包括以下步骤：

步骤S9：对套牌车辆进行捕捉；

所述步骤S9包括：

步骤S91：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S92：将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

4.一种基于大数据分析的套牌车辆的识别系统，适用于如权利要求1-3任一项所述的识别方法，其特征在于，

包括

数据采集模块(12)，用于获取进行套牌车辆识别所需的基础数据，

大数据分析识别模块(14)，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器(11)，用于控制所述数据采集模块(12)采集基础数据和用于控制所述大数据分析识别模块(14)进行数据建模、统计分析并识别套牌车辆；

所述控制器(11)分别与所述数据采集模块(12)和大数据分析识别模块(14)连接，所述数据采集模块(12)和大数据分析识别模块(14)连接。

5.如权利要求4所述的基于大数据分析的套牌车辆的识别系统，其特征在于，

所述识别系统还包括

套牌车捕捉终端(15)，与所述控制器(11)连接，用于对套牌车辆进行捕捉；

所述套牌车捕捉终端(15)包括

号牌获取单元(151)，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元(152)，用于在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

6.如权利要求4所述的基于大数据分析的套牌车辆的识别系统，其特征在于，

所述大数据分析识别模块(14)包括

卡口对行车时间最小阈值矩阵建模单元(141)，用于建立卡口对行车时间最小阈值二维矩阵KK_T；

卡口对流向概率矩阵建模模块(142)，用于建立卡口对流向概率二维矩阵KK_P和利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

分析识别模块(143)，用于通过对各个号牌的卡口对通行概率与行车时间之间比对分析来识别套牌车。

7.一种计算机可读取的存储介质，用于存储基于大数据分析对套牌车辆进行识别的计算机程序，其特征在于，该计算机程序在计算机上运行时执行如权利要求1所述的套牌车辆的识别方法的步骤。

Images