CN110415511A - 车辆信息管理方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种车辆信息管理方法、装置及存储介质，属于大数据处理技术领域。所述方法包括：获取N种数据源，并确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，然后按照相同车辆的属性进行合并的方式，将N种数据源中出现的所有车辆的属性进行合并，得到与多个车辆档案。也即，在本发明实施例中，每个车辆的车辆档案是根据N种数据源确定的，当数据源不同时，确定的车辆的信息种类也不同，因此确定的车辆档案包括的信息比较全面，且无需花费过多人力资源，有利于该车辆信息管理方法的推广。

Description

车辆信息管理方法、装置及存储介质

技术领域

本发明涉及大数据处理技术领域，特别涉及一种车辆信息管理方法、装置及存储介质。

背景技术

随着车辆的日益增加，需要对不同车辆的信息进行管理，以形成车辆档案系统，以便于有关部门能够快速查阅某个车辆的信息。比如，交通管理部门可以通过车辆档案系统查阅某个车辆的违规信息。

相关技术中，当需要对车辆进行信息管理时，通过人工方式采集每个车辆的信息，并将各个车辆的信息按照对应的车牌号码进行区分，之后通过人工方式录入每个车牌号码对应的车辆的信息，以得到车辆档案系统。比如，车管所的工作人员通过人工方式登记每个车辆的信息，登记的信息可以包括车牌号码、酒驾次数、闯红灯次数、违法停车次数等信息，并通过人工方式将每个车辆的信息录入计算机中，按照车牌号码的方式区分各个不同的车辆的信息，得到车辆档案系统。后续若交通管理部门需要查阅某个车辆的酒驾次数，只需根据该车辆的车牌号码查询该车辆档案系统即可。

由于上述方法中是通过人工方式采集每个车辆的信息，因此，录入的车辆的信息种类可能比较单一，且人工成本较高，不利于上述车辆档案系统的推广应用。

发明内容

为了解决相关技术的问题，本发明实施例提供了一种车辆信息管理方法、装置及存储介质。所述技术方案如下：

第一方面，提供了一种车辆信息管理方法，所述方法包括：

获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据；

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征；

按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆的多个属性和每个属性的属性值。

可选地，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆；

所述根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，包括：

按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源对应的多个数据集合，每个数据集合对应一个车辆；

根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

可选地，所述按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案之后，还包括：

对于所述多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与所述车辆档案A对应同一车辆的车辆档案；

对于所述车辆档案A包括的任一属性B，根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新。

可选地，所述N种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，每个属性设置有对应的属性统计类型，所述属性统计类型包括累计属性和时限属性，所述累计属性是指对应的属性用于描述车辆在当前时间之前的特征，所述时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，所述第二预设时间段的时长大于所述第一预设时间段的时长；

所述根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新，包括：

若所述属性B对应的属性统计类型为所述累计属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中；

若所述属性B对应的属性统计类型为所述时限属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中，并将合并后的所述属性B的属性值中不属于所述第二预设时间段内的属性值删除。

可选地，每个车辆档案包括的多个属性中存在类型为字典属性的属性，所述字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，所述字典值用于描述对应的字典的出现次数；

所述根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，包括：

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆对应的所有字典和每个字典的出现次数；

将每种数据源中出现的每个车辆对应的所有字典中属于同一属性的字典进行归类，得到与每个车辆对应的多个字典集合，每个字典集合包括的字典对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应属性的属性值。

可选地，所述按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，包括：

确定多个属性集合，每个属性集合中包括所述N种数据源中出现的同一车辆的所有属性以及每个属性的属性值；

将每个属性集合中重复出现的属性以及所述重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

可选地，所述N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个，所述牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、所述摄像机拍摄到所述车牌画面时的拍摄时间信息和所述摄像机拍摄到所述车牌画面时对应车辆的位置信息中的至少一个，所述车管库中的每条车管库数据包括对应车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个，所述云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据，所述研判数据库中的研判数据是指通过车辆研判算法确定的数据。

可选地，所述多个属性包括静态属性、统计属性和行为属性；

所述静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个，所述固定属性用于标识对应的车辆，所述车牌属性用于描述对应车辆的车牌信息，所述车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，所述二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，所述模型属性是指通过预设学习模型对对应车辆的信息进行学习得到的模型；

所述统计属性包括活动属性和二次识别行为属性中的至少一个，所述活动属性用于描述对应车辆在时间和/或空间维度上的活动信息，所述二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性；

所述行为属性用于描述对应车辆的驾驶行为。

第二方面，提供一种车辆信息管理装置，所述装置包括：

获取模块，用于获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据；

确定模块，用于根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征；

合并模块，用于按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆的多个属性和每个属性的属性值。

可选地，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆；

所述确定模块，具体用于：

按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源对应的多个数据集合，每个数据集合对应一个车辆；

根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

可选地，所述装置还包括：

查找模块，用于对于所述多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与所述车辆档案A对应同一车辆的车辆档案；

更新模块，用于对于所述车辆档案A包括的任一属性B，根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新。

可选地，所述N种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，每个属性设置有对应的属性统计类型，所述属性统计类型包括累计属性和时限属性，所述累计属性是指对应的属性用于描述车辆在当前时间之前的特征，所述时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，所述第二预设时间段的时长大于所述第一预设时间段的时长；

所述更新模块，具体用于：

若所述属性B对应的属性统计类型为所述累计属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中；

若所述属性B对应的属性统计类型为所述时限属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中，并将合并后的所述属性B的属性值中不属于所述第二预设时间段内的属性值删除。

可选地，每个车辆档案包括的多个属性中存在类型为字典属性的属性，所述字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，所述字典值用于描述对应的字典的出现次数；

所述确定模块，具体用于：

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆对应的所有字典和每个字典的出现次数；

将每种数据源中出现的每个车辆对应的所有字典中属于同一属性的字典进行归类，得到与每个车辆对应的多个字典集合，每个字典集合包括的字典对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应属性的属性值。

可选地，所述合并模块，具体用于：

确定多个属性集合，每个属性集合中包括所述N种数据源中出现的同一车辆的所有属性以及每个属性的属性值；

将每个属性集合中重复出现的属性以及所述重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

可选地，所述N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个，所述牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、所述摄像机拍摄到所述车牌画面时的拍摄时间信息和所述摄像机拍摄到所述车牌画面时对应车辆的位置信息中的至少一个，所述车管库中的每条车管库数据包括对应车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个，所述云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据，所述研判数据库中的研判数据是指通过车辆研判算法确定的数据。

可选地，所述多个属性包括静态属性、统计属性和行为属性；

所述静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个，所述固定属性用于标识对应的车辆，所述车牌属性用于描述对应车辆的车牌信息，所述车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，所述二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，所述模型属性是指通过预设学习模型对对应车辆的信息进行学习得到的模型；

所述统计属性包括活动属性和二次识别行为属性中的至少一个，所述活动属性用于描述对应车辆在时间和/或空间维度上的活动信息，所述二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性；

所述行为属性用于描述对应车辆的驾驶行为。

第三方面，提供了一种车辆信息管理装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述第一方面所述的任一项方法的步骤。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述第一方面所述的任一方法的步骤。

根据本公开实施例的第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的任一方法的步骤。

本发明实施例提供的技术方案带来的有益效果是：

在本发明实施例中，获取N种数据源，并确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，然后按照相同车辆的属性进行合并的方式，将N种数据源中出现的所有车辆的属性进行合并，得到与多个车辆档案。也即，在本发明实施例中，每个车辆的车辆档案是根据N种数据源确定的，当数据源不同时，确定的车辆的信息种类也不同，因此确定的车辆档案包括的信息比较全面，且无需花费过多人力资源，有利于该车辆信息管理方法的推广。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆信息管理方法流程图；

图2是本发明实施例提供的一种车辆信息管理装置框图；

图3是本发明实施例提供的另一种车辆信息管理装置框图；

图4是本发明实施例提供的另一种车辆信息管理装置框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

在对本发明实施例进行详细的解释说明之前，先对本发明实施例涉及的名词予以介绍。

属性，用于描述对应车辆的驾驶特征或车辆自身特征。比如，车辆的车牌号码为该车辆的一个属性，车辆自身的颜色为该车辆的一个属性，车辆在一定时间段内通过某个卡口的次数也可以为该车辆的一个属性。

累计属性，是指对应的属性用于描述车辆在当前时间之前的特征。比如，若属性为车辆对应的主驾驶不系安全带的次数，该属性即为描述车辆在当前时间之前主驾驶不系安全带的所有次数。

时限属性，是指对应的属性为车辆在一定时间段内的特征。比如，车辆在最近7天内入城次数，即为时限属性。

字典属性，是指一个属性包括多个字典，每个字典为该属性的一个实例，且每个字典对应一个字典值，该字典值用于描述对应的字典的出现次数。比如，某个车辆的属性“车辆品牌年款”包括多个字典，分别为2017年、2016年、2015年和2014年，对应的字典值分别为2次、0次、10次和1次，也即，对于该车辆，统计出的车辆品牌年款为2017年的次数为2次，计出的车辆品牌年款为2016年的次数为0次、计出的车辆品牌年款为2015年的次数为10次，计出的车辆品牌年款为2014年的次数为1次。

接下来对本发明实施例提供的车辆信息管理方法进行详细解释说明。

图1是本发明实施例提供的一种车辆信息管理方法流程图，如图1所示，该方法包括如下步骤：

步骤101，获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据。

在本发明实施例中，为了实现对车辆进行全面的信息管理，从N种数据源中获取车辆的信息。也即，对于每种数据源，该数据源包括的多条数据中的每条数据用于描述一个车辆的一个特征。

在一种可能的实现方式中，该N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个。比如，N为4，也即，获取的四种数据源分别为与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源。

上述四种数据源仅仅是用于举例说明，实际应用中，可以将任何用于描述车辆特征的数据源作为步骤101中的数据源，本发明实施例在此不做具体限定。

其中，牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、该摄像机拍摄到该车牌画面时的拍摄时间信息和该摄像机拍摄到该车牌画面时对应的车辆的位置信息中的至少一个。

车管库中的每条车管库数据包括对应的车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个。其中，车牌信息可以包括对应的车辆的车牌是否为等级车牌。厂家信息可以包括对应的车辆的制造国名称或制造厂名称。车检信息可以包括初次登记日期、最近定检日期、检验有效截止日期和强制报废截止日期。车辆尺寸信息可以包括车外廓长、车外廓宽和车外廓高等信息。

需要说明的是，实际应用中，该车管库中的车管库数据可以为车辆在车管所登记的任一条数据，而不局限于前述的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息。比如车管库数据还可以包括对应的车辆在车管库登记的车主的身份信息，或者对应的车辆的发动机号码信息等等。

云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据。比如，该云分析数据可以为是否是本地车，是否是黄标车，车辆的品牌，车辆的颜色，车辆的品牌年款，车辆上是否有挂饰品，车辆当前所处的位置，主驾驶是否系安全带、副驾驶是否系安全带，前排是否有儿童，天窗是否有人站立，主驾驶是否正在使用手机等等。也即，实际应用中，云分析数据可以为服务器对摄像机采集的视频画面分析出的任何数据。

研判数据库中的研判数据是指通过车辆研判算法确定的数据，比如，研判数据包括用于描述车辆是否为套牌车辆和/或是否为假牌车辆的数据。当然，研判数据还可以为其他通过研判算法确定出的车辆的信息，在此同样不做具体限定。

另外，需要说明的是，对于每种数据源，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆。也即，对于每种数据源包括的任一条数据，该条数据对应一组车牌号码和车牌颜色，且该条数据用于描述该车牌号码和车牌颜色对应的车辆的一个特征。

比如，对于牌识数据库包括多条牌识数据，每条牌识数据与一组车牌号码和车牌颜色对应。对于车管库中的多条车管库数据，每条车管库数据与一组车牌号码和车牌颜色对应。对于云分析数据库中的多条云分析数据，每条云分析数据与一组车牌号码和车牌颜色对应。对于研判数据库中的多条研判数据，每条研判数据同样与一组车牌号码和车牌颜色对应。

步骤102，根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及该至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征。

由步骤101可知，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，且一组车牌号码和车牌颜色用于标识一个车辆，因此步骤102具体可以通过以下两个步骤实现：

(1)按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源中的多个数据集合，每个数据集合对应一个车辆。

比如，对于云分析数据库中的多条云分析数据，由于每条云分析数据与一组车牌号码和车牌颜色对应，因此可以按照车牌号码和车牌颜色的不同，对该多条云分析数据进行分类，得到多个数据集合，每个数据集合包括至少一条云分析数据，且每个数据集合包括的云分析数据对应的车牌号码和车牌颜色相同，也即，每个数据集合包括的云分析数据为描述同一个车辆的云分析数据。

由于每个数据集合包括的云分析数据为描述同一个车辆的云分析数据，因此，对于每个数据集合，可以根据该数据集合包括的数据分析出对应的车辆的至少一个属性和每个属性的属性值，具体地，可以通过下述步骤(2)分析对应的车辆的至少一个属性和每个属性的属性值。

为了后续便于说明，在此，对本发明实施例提供的车辆的属性进行解释说明。

在本发明实施例中，车辆的属性包括静态属性、统计属性和行为属性。

其中，静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个。

具体地，固定属性用于标识对应的车辆，比如，固定属性可以是对应车辆的车牌号码和车牌颜色。车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，比如，车辆属性包括对应车辆的车辆品牌、车辆年款、车辆颜色、车辆深度和车辆图片。车牌属性用于描述对应车辆的车牌信息，比如，车牌属性包括对应车辆的车牌归属地、车牌类型、车牌状态。

车管库属性是指根据车管库中的数据分析出的属性，比如，该车管库属性可以包括车牌是否登记、是否为抵押车辆、车主信息，车辆识别代码、是否为进口车、发动机号码，车身颜色、车身尺寸、厂家信息以及车检信息等等。

二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，比如，二次识别车辆属性包括对应车辆是黄标车的次数、是否存在危险品和是否存在挂饰。其中，黄标车是指尾气排放量查过排放量阈值的车辆，排放量阈值是相关部分设置的。

模型属性是指通过预设学习模型对对应的车辆的信息进行学习得到的模型。预设学习模型是预先通过训练数据训练出的网络模型，在此不再详细阐述。

其次，统计属性包括活动属性和二次识别行为属性中的至少一个。

具体地，活动属性用于描述对应车辆在时间和/或空间维度上的活动信息。比如，活动属性包括对应车辆在第三预设时间段内经过目标地域范围的次数、在该第三预设时间段包括的各个第四预设时间段内经过目标地域范围的次数、在该第三预设时间段内经过目标地域范围内的各个卡口的次数、以及在该第三预设时间段内经过目标地域范围内的各个区域的次数。

其中，第三预设时间段和第四预设时间段为预先设置的时间段，该第三预设时间段可以为7天、15天或30天等等，该第四预设是时间段可以为1小时、2小时或3小时等等。比如，第四预设时间段为1小时，第三预设时间段为7天，目标地域范围为××省，则活动属性包括对应的车辆在最近7天内经过××省的次数、在最近7天内包括每个小时内经过××省的次数、在最近7天内经过××省内的各个卡口的次数、以及在最近7天内经过××省的各个区域的次数。

二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性。比如，二次识别行为属性包括晚上主/副驾驶打开遮阳板次数、主/副驾驶不系安全带次数、主驾驶打电话次数、前排儿童次数、天窗站人次数中的至少一个。

另外，行为属性用于描述对应车辆的驾驶行为。比如，行为属性包括违章次数、套牌次数、假牌次数、出/入城次数、夜间行车次数、落脚点的位置信息和行驶轨迹信息。其中，落脚点是指对应车辆的停车时间超过停车时间阈值的位置点。停车时间阈值为预先设置的时长，比如，停车时间阈值为4小时，那么落脚点指的是对应车辆停车时间超过4小时的位置点。

上述对车辆的属性的归类只是一种实现方式，实际应用中，可以按照其他的归类方式统计车辆的属性，本发明实施例在此不做具体限定。

(2)根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

具体地，对于任一数据集合，根据上述步骤(1)中出现的各个车辆属性，对该数据集合中包括数据进行分析，得到该数据集合对应的车辆的至少一个属性以及每个属性的属性值。

另外，在本发明实施例中，每个车辆的车辆档案包括的多个属性中存在类型为字典属性的属性，该字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，该字典值用于描述对应的字典的出现次数。

此时，步骤102的实现方式具体可以为：在每种数据源中确定每个车辆对应的所有字典和每个字典的出现次数；将每个车辆对应的所有字典中属于同一属性的字典进行归类，得到多个字典集合，每个字典集合对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应的属性的属性值。

比如，对于任一种数据源包括的多条数据统计之后，得到某个车辆对应的字典“年款为2017年”的出现次数为1次，字典“年款为2016年”的出现次数为0次，字典“年款为2015年”的出现次数为10次，字典“车辆颜色为黄色”的出现次数为10次，字典“车辆颜色为绿色”的出现次数为1次，字典“车辆颜色为红色”的出现次数为0次。

其中，字典“年款为2017年”、字典“年款为2016年”和字典“年款为2015年”对应同一个属性：车辆品牌年款，字典“车辆颜色为黄色”、字典“车辆颜色为绿色”和字典“车辆颜色为红色”对应同一个属性：车辆颜色。也即，对于该车辆，属性“车辆品牌年款”包括3个字典：字典“年款为2017年”、字典“年款为2016年”和字典“年款为2015年”，这三个字典对应的字典值分别为1次、0次和10次。属性“车辆颜色”包括三个字典：字典“车辆颜色为黄色”、字典“车辆颜色为绿色”和字典“车辆颜色为红色”，这三个字典对应的字典值分别为10次、1次和0次。

需要说明的是，步骤102是针对N种数据源中的每种数据源来执行步骤102的操作，也即是，对于N种数据源中任一数据源，均通过步骤102确定在该数据源中出现的每个车辆的至少一个属性，以及至少一个属性中每个属性的属性值。

步骤103，按照相同车辆的属性进行合并的方式，将该N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆多个属性和每个属性的属性值。

由于步骤102是对每种数据源进行处理的，也即，针对每种数据源通过步骤102可以得到与该种数据源对应的各个的车辆的至少一个属性。当对每种数据源处理之后，由于不同数据源可能包括同一车辆的属性，因此，需要对与各种数据源对应的各个车辆的属性进行合并。

其中，步骤103的实现方式具体可以为：确定多个属性集合，每个属性集合中包括N种数据源中出现的同一车辆的所有属性以及每个属性的属性值，将每个属性集合中重复出现的属性以及重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

下面举例说明对得到的各个车辆的属性进行合并的详细过程，其中，下述例子合并属性时，对应的属性值也是按照上述方法合并，下述例子以如何合并属性为例进行说明。

比如，该N种数据源分别为数据源1、数据源2、数据源3。其中，根据数据源1得到的各个车辆的属性如下述表1所示。其中，根据数据源1可以得到车辆1的至少一个属性：属性1、属性2、属性3。得到车辆2的至少一个属性：属性1、属性3、属性4。得到车辆3的至少一个属性：属性1、属性2、属性3。得到车辆4的至少一个属性：属性1、属性2、属性3。得到车辆5的至少一个属性：属性3、属性4、属性6。

表1

根据数据源2得到的各个车辆的属性如下述表2所示。其中，根据数据源2可以得到车辆1的至少一个属性：属性1、属性2、属性4。得到车辆3的至少一个属性：属性5、属性3、属性4。得到车辆4的至少一个属性：属性1、属性6、属性3。得到车辆5的至少一个属性：属性5、属性6、属性7。得到车辆6的至少一个属性：属性3、属性4、属性6。

表2

根据数据源3得到的各个车辆的属性如下述表3所示。其中，根据数据源3可以得到车辆1的至少一个属性：属性8、属性9、属性3。得到车辆2的至少一个属性：属性1、属性3、属性4。得到车辆4的至少一个属性：属性9、属性2、属性3。得到车辆5的至少一个属性：属性1、属性9、属性3。得到车辆6的至少一个属性：属性4、属性5、属性6。

表3

对上述三个表格的属性进行归一处理，也即，对属于同一车辆的属性进行统计，可以如下表4所示的属性列表。

其中，车辆1对应的属性为：与数据源1对应的属性1、属性2、属性3，与数据源2对应的属性1、属性2、属性4，与数据源3对应的属性8、属性9、属性3。

车辆2对应的属性为：与数据源1对应的属性1、属性3、属性4，与数据源3对应的属性1、属性3、属性4。

车辆3对应的属性为：与数据源1对应的属性1、属性2、属性3，与数据源2对应的属性5、属性3、属性4。

车辆4对应的属性为：与数据源1对应的属性1、属性2、属性3，与数据源2对应的属性1、属性6、属性3，与数据源3对应的属性9、属性2、属性3。

车辆5对应的属性为：与数据源1对应的属性3、属性4、属性6，与数据源2对应的属性5、属性6、属性7，与数据源3对应的属性1、属性9、属性3。

车辆6对应的属性为：与数据源2对应的属性3、属性4、属性6，与数据源3对应的属性4、属性5、属性6。

表4

从上述各个车辆对应的属性可以发现，对于某个车辆，可能存在两个以上相同的属性，将重复出现的属性剔除。此时，得到各个车辆的属性如下表5所示。

表5

如表5所示，剔除重复出现的属性之后，与每个车辆对应的属性集合中的属性互不相同，可以根据与每个车辆对应的属性集合以及属性集合中每个属性的属性值，生成与该车辆对应的车辆档案。

步骤104，对存储的车辆档案进行更新。

在本发明实施例中，为了提高对N种数据源进行处理的速度，每次仅对一定时间段的数据源进行处理，之后定期根据更新的数据源对已经确定的车辆档案进行更新即可。也即，每种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，这样上述通过步骤101至步骤103得到的车辆档案中的车辆属性为一定时间段内的车辆属性，因此，需要根据步骤103中得到的车辆档案对存储的车辆档案进行更新。

步骤104具体可以为：对于多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与车辆档案A对应同一车辆的车辆档案，对于车辆档案A包括的任一属性B，根据车辆档案A中属性B的属性值，对查找到的车辆档案中的属性B的属性值进行更新。也即是，当数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据时，对于任一个车辆，需根据步骤103中确定的车辆档案对存储的车辆档案进行更新。

其中，第一预设时间段为预设设置的时长，该第一预设时间段为1天、2天或3天等等。比如，第一预设时间段为1天，则该N中数据源即为当前时间之前1天内统计的N种数据源。

另外，在本发明实施例中，对于每个属性设置有对应的属性统计类型，该属性统计类型包括累计属性和时限属性。其中，累计属性是指对应的属性用于描述车辆在当前时间之前的特征，时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，第二预设时间段的时长大于第一预设时间段的时长。

因此，根据车辆档案A中属性B的属性值，对查找到的车辆档案中的属性B的属性值进行更新的实现方式可以为：若属性B对应的属性统计类型为累计属性，则将车辆档案A中属性B的属性值合并至查找到的车辆档案中属性B的属性值中。若属性B对应的属性统计类型为时限属性，则将车辆档案A中属性B的属性值合并至查找到的车辆档案中属性B的属性值中，并将合并后的属性B的属性值中不属于第二预设时间段内的属性值删除。

比如，第一时间段为1天，若属性B为主驾驶不系安全带的次数，则该属性B为累计属性。此时，对于任一数据源，由于该数据源记录的是当前时间之前1天内的数据，因此步骤103中得到的车辆档案A的主驾驶不系安全带的次数是指该车辆在当前时间之前1天内不系安全带的次数，因此，需要车辆档案A中的主驾驶不系安全带的次数和查找到车辆档案中的该车辆不系安全带的次数进行合并，得到该车辆在当前时间之前不系安全带的次数。也即，将车辆档案A中属性B的属性值合并至查找得到的车辆档案中属性B的属性值中。

若属性B为最近7天内的入城次数，当前时间为1月8号，则车辆档案A中的入城次数为1月8号这一天内该车辆的入城次数。此时查找得到的该车辆档案A中的入城次数为1月1号至1月7号的7天内的入城次数，因此，在将车辆档案A中的入城次数和查找到的车辆档案中的入城次数合并后，需要将查找到的车辆档案中该车辆的入城次数中的过期数据(1月1号的入城次数)删除。在删除过期数据之后，查找到的车辆档案中该车辆的入城次数为该车辆在1月2号至1月7号的时间段内的入城次数。

需要说明的是，当N大于1时，在上述步骤101至步骤104中，是先根据多种数据源得到多个车辆档案，然后根据得到的车辆档案对存储的车辆档案进行更新。可选地，当N为1时，在上述步骤101至步骤104中，是根据一种数据源得到多个车辆档案，然后根据得到的车辆档案对存储的车辆档案进行更新，这时候如果存在多个数据源，可以按照上述步骤101至步骤104的方式依次对多个数据源进行处理，直至处理完所有的数据源。

比如，当前存在3个数据源，分别标记为第一数据源、第二数据源和第三数据源，步骤101至步骤104中的N为1。先通过步骤101至步骤104根据第一数据源得到多个车辆档案，并根据得到的多个车辆档案对存储的车辆档案进行更新，存储更新之后的各个车辆档案。然后同样通过步骤101至步骤104根据第二数据源得到多个车辆档案，并根据这时候得到的多个车辆档案继续对最近一次更新之后的各个车辆档案进行更新。最后同样通过步骤101至步骤104根据第三数据源得到多个车辆档案，并根据这时候得到的多个车辆档案继续对最近一次更新之后的各个车辆档案进行更新。

在本发明实施例中，获取N种数据源，并确定在每种数据源中出现的每个车辆的至少一个属性，以及该至少一个属性中每个属性的属性值，然后按照相同车辆的属性进行合并的方式，将该N种数据源中出现的所有车辆的属性进行合并，得到与多个车辆档案。也即，在本发明实施例中，每个车辆的车辆档案是根据N种数据源确定的，当数据源不同时，确定的车辆的信息种类也不同，因此确定的车辆档案包括的信息比较全面，且无需花费过多人力资源，有利于该车辆信息管理方法的推广。

参见图2，本发明实施例提供了一种车辆信息管理装置200，该装置200包括获取模块201、确定模块202和合并模块203：

获取模块201，用于获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据；

确定模块202，用于根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征；

合并模块203，用于按照相同车辆的属性进行合并的方式，将N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆的多个属性和每个属性的属性值。

可选地，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆；

确定模块202，具体用于：

按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源对应的多个数据集合，每个数据集合对应一个车辆；

根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

可选地，参见图3，该装置200还包括查找模块204和更新模块205：

查找模块204，用于对于多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与车辆档案A对应同一车辆的车辆档案；

更新模块205，用于对于车辆档案A包括的任一属性B，根据车辆档案A中属性B的属性值，对查找到的车辆档案中的属性B的属性值进行更新。

可选地，N种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，每个属性设置有对应的属性统计类型，属性统计类型包括累计属性和时限属性，累计属性是指对应的属性用于描述车辆在当前时间之前的特征，时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，第二预设时间段的时长大于第一预设时间段的时长；

更新模块205，具体用于：

若属性B对应的属性统计类型为累计属性，则将车辆档案A中属性B的属性值合并至查找到的车辆档案中属性B的属性值中；

若属性B对应的属性统计类型为时限属性，则将车辆档案A中属性B的属性值合并至查找到的车辆档案中属性B的属性值中，并将合并后的属性B的属性值中不属于第二预设时间段内的属性值删除。

可选地，每个车辆档案包括的多个属性中存在类型为字典属性的属性，字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，字典值用于描述对应的字典的出现次数；

确定模块202，具体用于：

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆对应的所有字典和每个字典的出现次数；

将每种数据源中出现的每个车辆对应的所有字典中属于同一属性的字典进行归类，得到与每个车辆对应的多个字典集合，每个字典集合包括的字典对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应属性的属性值。

可选地，合并模块203，具体用于：

确定多个属性集合，每个属性集合中包括N种数据源中出现的同一车辆的所有属性以及每个属性的属性值；

将每个属性集合中重复出现的属性以及重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

可选地，N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个，牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、摄像机拍摄到车牌画面时的拍摄时间信息和摄像机拍摄到车牌画面时对应车辆的位置信息中的至少一个，车管库中的每条车管库数据包括对应车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个，云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据，研判数据库中的研判数据是指通过车辆研判算法确定的数据。

可选地，多个属性包括静态属性、统计属性和行为属性；

静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个，固定属性用于标识对应的车辆，车牌属性用于描述对应车辆的车牌信息，车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，模型属性是指通过预设学习模型对对应车辆的信息进行学习得到的模型；

统计属性包括活动属性和二次识别行为属性中的至少一个，活动属性用于描述对应车辆在时间和/或空间维度上的活动信息，二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性；

行为属性用于描述对应车辆的驾驶行为。

在本发明实施例中，获取N种数据源，并确定在每种数据源中出现的每个车辆的至少一个属性，以及该至少一个属性中每个属性的属性值，然后按照相同车辆的属性进行合并的方式，将该N种数据源中出现的所有车辆的属性进行合并，得到与多个车辆档案。也即，在本发明实施例中，每个车辆的车辆档案是根据N种数据源确定的，当数据源不同时，确定的车辆的信息种类也不同，因此确定的车辆档案包括的信息比较全面，且无需花费过多人力资源，有利于该车辆信息管理方法的推广。

需要说明的是：上述实施例提供的车辆信息管理装置在管理车辆信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆信息管理装置与车辆信息管理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图4是本发明实施例提供的另一种车辆信息管理装置，如图4所示，装置400包括中央处理单元(CPU)401、包括随机存取存储器(RAM)402和只读存储器(ROM)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。装置400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。

基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为装置400提供非易失性存储。也就是说，大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。

根据本申请的各种实施例，装置400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即装置400可以通过连接在系统总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。

上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的上述车辆信息管理的方法的指令。

本发明实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述实施例所述的车辆信息管理的方法。

本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例所述的车辆信息管理的方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (18)

1.一种车辆信息管理方法，其特征在于，所述方法包括：

获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据；

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征；

按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆的多个属性和每个属性的属性值。

2.如权利要求1所述的方法，其特征在于，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆；

所述根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，包括：

按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源对应的多个数据集合，每个数据集合对应一个车辆；

根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

3.如权利要求1所述的方法，其特征在于，所述按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案之后，还包括：

对于所述多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与所述车辆档案A对应同一车辆的车辆档案；

对于所述车辆档案A包括的任一属性B，根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新。

4.如权利要求3所述的方法，其特征在于，所述N种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，每个属性设置有对应的属性统计类型，所述属性统计类型包括累计属性和时限属性，所述累计属性是指对应的属性用于描述车辆在当前时间之前的特征，所述时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，所述第二预设时间段的时长大于所述第一预设时间段的时长；

所述根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新，包括：

若所述属性B对应的属性统计类型为所述累计属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中；

若所述属性B对应的属性统计类型为所述时限属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中，并将合并后的所述属性B的属性值中不属于所述第二预设时间段内的属性值删除。

5.如权利要求1所述的方法，其特征在于，每个车辆档案包括的多个属性中存在类型为字典属性的属性，所述字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，所述字典值用于描述对应的字典的出现次数；

所述根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，包括：

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆对应的所有字典和每个字典的出现次数；

将每种数据源中出现的每个车辆对应的所有字典中属于同一属性的字典进行归类，得到与每个车辆对应的多个字典集合，每个字典集合包括的字典对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应属性的属性值。

6.如权利要求1至5任一所述的方法，其特征在于，所述按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，包括：

确定多个属性集合，每个属性集合中包括所述N种数据源中出现的同一车辆的所有属性以及每个属性的属性值；

将每个属性集合中重复出现的属性以及所述重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

7.如权利要求1所述的方法，其特征在于，所述N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个，所述牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、所述摄像机拍摄到所述车牌画面时的拍摄时间信息和所述摄像机拍摄到所述车牌画面时对应车辆的位置信息中的至少一个，所述车管库中的每条车管库数据包括对应车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个，所述云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据，所述研判数据库中的研判数据是指通过车辆研判算法确定的数据。

8.如权利要求1所述的方法，其特征在于，所述多个属性包括静态属性、统计属性和行为属性；

所述静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个，所述固定属性用于标识对应的车辆，所述车牌属性用于描述对应车辆的车牌信息，所述车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，所述二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，所述模型属性是指通过预设学习模型对对应车辆的信息进行学习得到的模型；

所述统计属性包括活动属性和二次识别行为属性中的至少一个，所述活动属性用于描述对应车辆在时间和/或空间维度上的活动信息，所述二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性；

所述行为属性用于描述对应车辆的驾驶行为。

9.一种车辆信息管理装置，其特征在于，所述装置包括：

获取模块，用于获取N种数据源，N为大于或等于1的正整数，每种数据源包括多条数据；

确定模块，用于根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆的至少一个属性，以及所述至少一个属性中每个属性的属性值，每个属性用于描述对应车辆的驾驶特征或车辆自身特征；

合并模块，用于按照相同车辆的属性进行合并的方式，将所述N种数据源中出现的所有车辆的属性进行合并，得到多个车辆档案，每个车辆档案包括同一车辆的多个属性和每个属性的属性值。

10.如权利要求9所述的装置，其特征在于，每种数据源包括的多条数据中的每条数据与一组车牌号码和车牌颜色对应，一组车牌号码和车牌颜色用于标识一个车辆；

所述确定模块，具体用于：

按照车牌号码和车牌颜色的不同，对每种数据源包括的多条数据进行分类，得到每种数据源对应的多个数据集合，每个数据集合对应一个车辆；

根据每个数据集合包括的数据，确定与每个数据集合对应的车辆的至少一个属性以及每个属性的属性值。

11.如权利要求9所述的装置，其特征在于，所述装置还包括：

查找模块，用于对于所述多个车辆档案中的任一车辆档案A，从存储的车辆档案中查找与所述车辆档案A对应同一车辆的车辆档案；

更新模块，用于对于所述车辆档案A包括的任一属性B，根据所述车辆档案A中所述属性B的属性值，对查找到的车辆档案中的所述属性B的属性值进行更新。

12.如权利要求11所述的装置，其特征在于，所述N种数据源中包括的数据为在当前时间之前的第一预设时间段内采集到的数据，每个属性设置有对应的属性统计类型，所述属性统计类型包括累计属性和时限属性，所述累计属性是指对应的属性用于描述车辆在当前时间之前的特征，所述时限属性是指对应的属性用于描述车辆在当前时间之前的第二预设时间段内的特征，所述第二预设时间段的时长大于所述第一预设时间段的时长；

所述更新模块，具体用于：

若所述属性B对应的属性统计类型为所述累计属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中；

若所述属性B对应的属性统计类型为所述时限属性，则将所述车辆档案A中所述属性B的属性值合并至查找到的车辆档案中所述属性B的属性值中，并将合并后的所述属性B的属性值中不属于所述第二预设时间段内的属性值删除。

13.如权利要求9所述的装置，其特征在于，每个车辆档案包括的多个属性中存在类型为字典属性的属性，所述字典属性是指对应的属性包括多个字典，每个字典为对应的属性的一个实例，且每个字典对应一个字典值，所述字典值用于描述对应的字典的出现次数；

所述确定模块，具体用于：

根据每种数据源包括的多条数据，确定在每种数据源中出现的每个车辆对应的所有字典和每个字典的出现次数；

将每种数据源中出现的每个车辆对应的所有字典中属于同一属性的字典进行归类，得到与每个车辆对应的多个字典集合，每个字典集合包括的字典对应的属性为对应的车辆的一个属性，每个字典集合中包括的各个字典的字典值为对应属性的属性值。

14.如权利要求9至13任一所述的装置，其特征在于，所述合并模块，具体用于：

确定多个属性集合，每个属性集合中包括所述N种数据源中出现的同一车辆的所有属性以及每个属性的属性值；

将每个属性集合中重复出现的属性以及所述重复出现的属性的属性值剔除，并根据剔除后的每个属性集合生成对应车辆的车辆档案。

15.如权利要求9所述的装置，其特征在于，所述N种数据源包括与牌识数据库对应的数据源、与车管库对应的数据源、与云分析数据库对应的数据源和与研判数据库对应的数据源中的至少一个，所述牌识数据库包括多条牌识数据，每条牌识数据包括摄像机从拍摄到的车牌画面中识别出的车牌号码信息和车牌颜色信息、所述摄像机拍摄到所述车牌画面时的拍摄时间信息和所述摄像机拍摄到所述车牌画面时对应车辆的位置信息中的至少一个，所述车管库中的每条车管库数据包括对应车辆的车牌信息、车主信息、厂家信息、车检信息以及车辆尺寸信息中的至少一个，所述云分析数据库中的云分析数据是指服务器对摄像机针对车辆采集的视频画面进行分析得到的数据，所述研判数据库中的研判数据是指通过车辆研判算法确定的数据。

16.如权利要求9所述的装置，其特征在于，所述多个属性包括静态属性、统计属性和行为属性；

所述静态属性包括固定属性、车牌属性、车辆属性、车管库属性、二次识别车辆属性和模型属性中的至少一个，所述固定属性用于标识对应的车辆，所述车牌属性用于描述对应车辆的车牌信息，所述车辆属性用于描述对应车辆的品牌信息、年款信息和外观信息中的至少一个，所述二次识别车辆属性是对采集到的对应车辆的视频画面进行分析识别之后得到的关于车辆自身信息的属性，所述模型属性是指通过预设学习模型对对应车辆的信息进行学习得到的模型；

所述统计属性包括活动属性和二次识别行为属性中的至少一个，所述活动属性用于描述对应车辆在时间和/或空间维度上的活动信息，所述二次识别行为属性是指对采集到的对应车辆的视频画面进行分析之后得到的关于车辆中人员信息的属性；

所述行为属性用于描述对应车辆的驾驶行为。

17.一种车辆信息管理装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-8所述的任一项方法的步骤。

18.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现权利要求1-8所述的任一项方法的步骤。