CN111078973A - 基于大数据的套牌车识别方法、设备及存储介质 - Google Patents

Abstract

本发明涉及车牌识别以及大数据技术领域，尤其涉及一种基于大数据的套牌车识别方法、设备及存储介质；识别方法，包括步骤：生成车辆和电子设备关联大数据集合；利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌。本发明所公开的基于大数据的套牌车识别方法、设备及存储介质，不增加额外投入，充分利用已有社会大数据资源，在海量车牌、无线电子设备ID、常住地以及往返常住地天数等时空数据中识别出疑似套牌车，进而识别出疑似套牌车的真实车牌号码，实用性更高，应用成本更低。

Description

基于大数据的套牌车识别方法、设备及存储介质

技术领域

本发明涉及车牌识别以及大数据技术领域，尤其涉及一种基于大数据的套牌车识别方法、设备及存储介质。

背景技术

随着人们生活水平的提高，道路上的车辆越来越多，为了避免拥堵，很多城市实行限号上路行驶措施。为了逃避限行措施以及交通电子眼，有些车主开始伪造车牌(也称为套牌车)或遮挡车牌，对交通秩序和车辆管理造成极大障碍。

车牌识别技术已经成熟，并得到广泛应用。为了实现套牌车辆自动识别，人们提出了很多方法：例如，时空轨迹方法是利用相同车牌的车辆不可能出现在两个不同的地点；车辆结构化特征方法是比较相同车牌的车辆的车型、车款、车色等特征。如果套牌车辆与真牌辆车的结构化特征和车牌都相同，即使采用计算机视觉技术提取的车辆结构化特征很准确，也很难识别出哪一辆车是套牌车辆。例如：

沈贝伦等【1】提出一种基于深度学习的套牌车识别方法，先基于时空规则识别出嫌疑车辆，然后利用车辆结构化特征判别出套牌车辆，方法存在的不足：1)真牌车辆与套牌车辆如果不同时出现在不同地点，时空规则失效；2)当真牌车辆和套牌车辆的结构化特征一致时，方法中的二次识别算法失效。

赵仁明等【2】提出一种基于大数据的套牌车识别方法，与【1】的方法类似，首先基于时空规则识别出嫌疑车辆，然后将嫌疑车辆分别与车管所登记图片相比对，从而判断出套牌车辆。方法存在的不足：1)需要使用车辆管理数据库，2)套牌车与真牌车外观一致时，不能做出判断。

另一方面，随着移动互联网和物联网技术的发展，无线电子设备(如手机、智能音箱、智能手表、手环、车载WIFI，电子车牌等)正快速融入人们的生活，成为车辆驾驶员随身携带的生活必需品。WIFI路由器、RFID读卡器、蓝牙基站等无线基站通过分析接收到的移动设备数据报文可以提取出无线电子设备的全局ID或MAC地址，以及当时的时间和位置。

基于车牌识别和电子设备ID识别技术，邵良开等【3】提出一种利用驾驶员与终端的关联关系确定套牌车辆的方法，利用车牌和驾驶者终端在某卡口同时出现找到车牌和驾驶者终端关联关系，对于同一个车牌的两个终端，如果终端1关联的卡口集合与终端2关联的卡口集合的交集元素个数小于预定值，则该车牌为嫌疑套牌车。方法存在的不足：1)真牌车和套牌车同时出现在某卡口时套牌车识别算法才有效，这影响了算法的适应性；2)不能判断哪辆车为套牌车。

万华林等【4】提出一种基于时空轨迹匹配的移动目标关联方法，通过挖掘给定时间段的卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹，进而计算出车辆和无线电子设备的常住地位置；通过计算车辆轨迹与无线电子设备轨迹的公共轨迹点，将车辆车牌与电子设备进行关联，并生成车牌、电子设备ID、常住地等关联数据记录。

本专利将基于方法【4】从车辆、电子设备活动轨迹大数据中提取出车牌、电子设备ID、常住地以及车辆往返常住地天数等关联数据记录进一步挖掘出疑似套牌车，并自动识别出套牌车真实车牌。

因此，为了解决上述问题，急需发明一种新的基于大数据的套牌车识别方法、设备及存储介质。

发明内容

本发明的目的在于：提供一种基于大数据的套牌车识别方法、设备及存储介质，

本发明提供了下述方案：

一种基于大数据的套牌车识别方法，包括以下步骤：

基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合；

利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；

利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌。

利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合的步骤，具体为：

导入并清洗最近1年由基于时空轨迹匹配的移动目标关联方法生成的车牌与电子设备关联数据记录，生成4元组数据记录集合S1，S1＝{(plate_i,MAC_i,home_i,days_i),i∈N}，N为正整数；

遍历集合S1，取出集合元素(plate_i,MAC_i,home_i,days_i)∈S1，如果存在(plate_j,MAC_j,home_j,days_j)∈S1,j≠i，使得plate_i＝plate_j，但MAC_i≠MAC_j,且home_i≠home_j，那么plate_i或plate_j为疑似套牌车；

如果days_i-days_j≥n,n∈N，n为预定义阈值，则plate_j为疑似套牌车；同样地，如果days_j-days_i≥n,n∈N(n为预定义阈值)，则plate_i为疑似套牌车。

利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌的步骤，具体为：

基于集合S1，生成以电子设备MAC为主关键字的3元组数据记录集合S2，S2＝{(MAC_i,plate_i,home_i),i∈N}：

对疑似套牌车plate_i(i∈N)，根据相关联的数据记录(plate_i,MAC_i,home_i,days_i)∈S1，获取相关联的电子设备全局地址MAC_i；

遍历集合S2，查找出元素(MAC_k,plate_k,home_k)∈S2，使得MAC_k＝MAC_i；

对于(MAC_k,plate_k,home_k)∈S2和(plate_i,MAC_i,home_i,days_i)∈S1，如果plate_k≠plate_i,且home_k≠home_i，则plate_k为套牌车plate_i的真实车牌。

基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合的步骤，具体为：

导入并清洗给定时间段的卡口车牌识别数据和无线电子设备探测数据；

根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹：

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置；

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，计算车辆轨迹与无线电子设备轨迹的公共轨迹点，得到以时间为序的最大相同轨迹点集合；

根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与无线电子设备进行关联，并生成数据记录。

根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹的步骤，具体为：

根据给定时间段和车牌提取该车牌车辆每天轨迹数据，数据格式为：(plate，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据给定时间段和MAC地址提取该MAC每天轨迹数据，数据格式为：(MAC，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据时间段和TID地址提取该TID每天轨迹数据，数据格式为：(TID，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))。

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置的步骤，具体为：

顺序从车辆或电子设备轨迹数据库取出一天轨迹；

如果当天轨迹的出发地点loc^start与结束地点loc^end相同，即Dis tan ce(loc^start,loc^end)<β(β>0)，则将车辆或无线电子设备在该位置常驻地计算器加1；

如果车辆或电子设备在该位置常驻地计算器数量大于预定义门限，或者从该位置出发最后回到该位置的天数比例大于预定义门限，则loc^start和loc^end为车辆或无线电子设备的宿主位置Home。

车辆A轨迹为

电子设备B轨迹为

(1)顺序遍历T_A，提取T_A中每一个

(0<i<m)；

(2)如果T_B中存在

使得

且

则

与

为T_A和T_B的相同轨迹点，记作

k表示第k+1个相同轨迹点；否则j＝j+1，返回步骤(1)；

(3)遍历轨迹T_A和轨迹T_B，得到以时间为序的最大相同轨迹点集合，

(4)计算集合T_max中元素的个数，记为p(p∈N)；

(5)如果

且

则p＝p+δ(δ>0)。

根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与电子设备进行关联，并生成数据记录的步骤，具体为：

如果p>q(q>0，为预定义阈值)，则关联车辆车牌与该电子设备，生成数据记录relate(plate,MAC,date)。

一种电子设备，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器执行所述存储器中的计算机程序，以实现所述的基于大数据的套牌车识别方法。

一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时，用于实现所述的基于大数据的套牌车识别方法。

本发明产生的有益效果：

本发明所公开的基于大数据的套牌车识别方法、设备及存储介质，基于大数据的套牌车识别方法，包括以下步骤：基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合；利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌；不增加额外投入，充分利用已有社会大数据资源，在海量车牌、无线电子设备ID、常住地以及往返常住地天数等时空数据中识别出疑似套牌车，进而识别出疑似套牌车的真实车牌号码；与现有技术相比，本发明公开的套牌车识别方法不要求套牌车和真牌车同时出现在不同地点，因而实用性更高；与现有技术相比，本发明公开的套牌车识别方法不需要人工参与，也不需要车辆管理数据库支持，因而应用成本更低。

附图说明

图1为本发明的基于大数据的套牌车识别方法的流程框图。

图2为本发明的基于大数据的套牌车疑似套牌车识别方法的流程框图。

图3为本发明的基于大数据的套牌车真实车牌识别方法的流程框图。

图4为本发明的基于时空轨迹匹配的移动目标关联方法的流程框图。

图5为本发明的电子设备的结构框图

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

参见图1所示，一种基于大数据的套牌车识别方法，包括以下步骤：

基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合；

利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；

利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌。

参见图2所示，利用生成的车辆和电子设备关联大数据集合S，进行疑似套牌车识别，得到疑似套牌车数据集合的步骤，具体为：

导入并清洗最近1年由基于时空轨迹匹配的移动目标关联方法生成的车牌与电子设备关联数据记录，生成4元组数据记录集合S1，S1＝{(plate_i,MAC_i,home_i,days_i),i∈N}，N为正整数；

遍历集合S1，取出集合元素(plate_i,MAC_i,home_i,days_i)∈S，如果存在(plate_j,MAC_j,home_j,days_j)∈S,j≠i，使得plate_i＝plate_j，但MAC_i≠MAC_j,且home_i≠home_j，那么plate_i或plate_j为疑似套牌车；

如果days_i-days_j≥n,n∈N，n为预定义阈值，则plate_j为疑似套牌车；同样地，如果days_j-days_i≥n,n∈N(n为预定义阈值)，则plate_i为疑似套牌车。

参见图3所示，利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌的步骤，具体为：

基于集合S1，生成以电子设备MAC为主关键字的4元组数据记录集合S2，S2＝{(MAC_i,plate_i,home_i),i∈N}：

对疑似套牌车plate_i(i∈N)，根据相关联的数据记录(plate_i,MAC_i,home_i,days_i)∈S1，获取相关联的电子设备全局地址MAC_i；

遍历集合S2，查找出元素(MAC_k,plate_k,home_k)∈S2，使得MAC_k＝MAC_i；

对于(MAC_k,plate_k,home_k)∈S2和(plate_i,MAC_i,home_i,days_i)∈S1，如果plate_k≠plate_i,且home_k≠home_i，则plate_k为套牌车plate_i的真实车牌。

参见图4所示，基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合的步骤，具体为：

导入并清洗给定时间段的卡口车牌识别数据和无线电子设备探测数据；

根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹：

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置；

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，计算车辆轨迹与无线电子设备轨迹的公共轨迹点，得到以时间为序的最大相同轨迹点集合；

根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与无线电子设备进行关联，并生成数据记录。

根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹的步骤，具体为：

根据给定时间段和车牌提取该车牌车辆每天轨迹数据，数据格式为：(plate，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据给定时间段和MAC地址提取该MAC每天轨迹数据，数据格式为：(MAC，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据时间段和TID地址提取该TID每天轨迹数据，数据格式为：(TID，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))。

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置的步骤，具体为：

顺序从车辆或电子设备轨迹数据库取出一天轨迹；

如果当天轨迹的出发地点loc^start与结束地点loc^end相同，即Dis tan ce(loc^start,loc^end)<β(β>0)，则将车辆或无线电子设备在该位置常驻地计算器加1；

如果车辆或电子设备在该位置常驻地计算器数量大于预定义门限，或者从该位置出发最后回到该位置的天数比例大于预定义门限，则loc^start和loc^end为车辆或无线电子设备的宿主位置Home。

车辆A轨迹为

电子设备B轨迹为

(1)顺序遍历T_A，提取T_A中每一个

(0<i<m)；

(2)如果T_B中存在

使得

且

则

与

为T_A和T_B的相同轨迹点，记作

k表示第k+1个相同轨迹点；否则j＝j+1，返回步骤(1)；

(3)遍历轨迹T_A和轨迹T_B，得到以时间为序的最大相同轨迹点集合，

(4)计算集合T_max中元素的个数，记为p(p∈N)；

(5)如果

且

则p＝p+δ(δ>0)。

根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与电子设备进行关联，并生成数据记录的步骤，具体为：

如果p>q(q>0，为预定义阈值)，则关联车辆车牌与该电子设备，生成数据记录relate(plate,MAC,date)。

参见图1所示，一种电子设备，包括存储器1和处理器2；所述存储器用于存储计算机程序；所述处理器执行所述存储器中的计算机程序，以实现所述的基于大数据的套牌车识别方法。

一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时，用于实现所述的基于大数据的套牌车识别方法。

本实施例中所述基于大数据的套牌车识别方法、设备及存储介质，基于大数据的套牌车识别方法，包括以下步骤：基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合；利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌；不增加额外投入，充分利用已有社会大数据资源，在海量车牌、无线电子设备ID、常住地以及往返常住地天数等时空数据中识别出疑似套牌车，进而识别出疑似套牌车的真实车牌号码；与现有技术相比，本发明公开的套牌车识别方法不要求套牌车和真牌车同时出现在不同地点，因而实用性更高；与现有技术相比，本发明公开的套牌车识别方法不需要人工参与，也不需要车辆管理数据库支持，因而应用成本更低。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于大数据的套牌车识别方法，其特征在于，包括以下步骤：

基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合；

利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合；

利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌。

2.根据权利要求1所述的基于大数据的套牌车识别方法，其特征在于，利用生成的车辆和电子设备关联大数据集合，进行疑似套牌车识别，得到疑似套牌车数据集合的步骤，具体为：

导入并清洗最近1年由基于时空轨迹匹配的移动目标关联方法生成的车牌与电子设备关联数据记录，生成4元组数据记录集合S1，S1＝{(plate_i,MAC_i,home_i,days_i),i∈N}，N为正整数；

遍历集合S1，取出集合元素(plate_i,MAC_i,home_i,days_i)∈S1，如果存在(plate_j,MAC_j,home_j,days_j)∈S1,j≠i，使得plate_i＝plate_j，但MAC_i≠MAC_j,且home_i≠home_j，那么plate_i或plate_j为疑似套牌车；

如果days_i-days_j≥n,n∈N，n为预定义阈值，则plate_j为疑似套牌车；同样地，如果days_j-days_i≥n,n∈N(n为预定义阈值)，则plate_i为疑似套牌车。

3.根据权利要求2所述的基于大数据的套牌车识别方法，其特征在于，利用生成的车辆和电子设备关联大数据集合和疑似套牌车数据集合，进行套牌车真实车牌识别，得到套牌车的真实车牌的步骤，具体为：

基于集合S1，生成以电子设备MAC为主关键字的3元组数据记录集合S2，S2＝{(MAC_i,plate_i,home_i),i∈N}：

对疑似套牌车plate_i(i∈N)，根据相关联的数据记录(plate_i,MAC_i,home_i,days_i)∈S1，获取相关联的电子设备全局地址MAC_i；

遍历集合S2，查找出元素(MAC_k,plate_k,home_k)∈S2，使得MAC_k＝MAC_i；

对于(MAC_k,plate_k,home_k)∈S2和(plate_i,MAC_i,home_i,days_i)∈S1，如果plate_k≠plate_i,且home_k≠home_i，则plate_k为套牌车plate_i的真实车牌。

4.根据权利要求3所述的基于大数据的套牌车识别方法，其特征在于，基于时空轨迹匹配的移动目标关联方法，生成车辆和电子设备关联大数据集合的步骤，具体为：

导入并清洗给定时间段的卡口车牌识别数据和无线电子设备探测数据；

根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹：

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置；

根据提取出的车辆和无线电子设备的位置集合或活动轨迹，计算车辆轨迹与无线电子设备轨迹的公共轨迹点，得到以时间为序的最大相同轨迹点集合；

根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与无线电子设备进行关联，并生成数据记录。

5.根据权利要求4所述的基于大数据的套牌车识别方法，其特征在于，根据卡口车牌识别数据和无线电子设备探测数据，提取车辆和无线电子设备每天基于时间顺序的位置集合或活动轨迹的步骤，具体为：

根据给定时间段和车牌提取该车牌车辆每天轨迹数据，数据格式为：(plate，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据给定时间段和MAC地址提取该MAC每天轨迹数据，数据格式为：(MAC，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))；

根据时间段和TID地址提取该TID每天轨迹数据，数据格式为：(TID，home，date，(time^start,loc^start)，(time¹,loc¹)，(time²,loc²)，...，(time^end,loc^end))。

6.根据权利要求5所述的基于大数据的套牌车识别方法，其特征在于，根据提取出的车辆和无线电子设备的位置集合或活动轨迹，分别计算车辆和无线电子设备的宿主位置的步骤，具体为：

顺序从车辆或电子设备轨迹数据库取出一天轨迹；

如果当天轨迹的出发地点loc^start与结束地点loc^end相同，即Distance(loc^start,loc^end)<β(β>0)，则将车辆或无线电子设备在该位置常驻地计算器加1；

如果车辆或电子设备在该位置常驻地计算器数量大于预定义门限，或者从该位置出发最后回到该位置的天数比例大于预定义门限，则loc^start和loc^end为车辆或无线电子设备的宿主位置Home。

7.根据权利要求6所述的基于大数据的套牌车识别方法，其特征在于，车辆A轨迹为

电子设备B轨迹为

(1)顺序遍历T_A，提取T_A中每一个

(2)如果T_B中存在

使得

且

则

与

为T_A和T_B的相同轨迹点，记作

k表示第k+1个相同轨迹点；否则j＝j+1，返回步骤(1)；

(3)遍历轨迹T_A和轨迹T_B，得到以时间为序的最大相同轨迹点集合，

(4)计算集合T_max中元素的个数，记为p(p∈N)；

(5)如果

且

则p＝p+δ(δ>0)。

8.根据权利要求7所述的基于大数据的套牌车识别方法，其特征在于，根据计算得到的最大相同轨迹点集合以及车辆和无线电子设备的宿主位置，将车辆车牌与电子设备进行关联，并生成数据记录的步骤，具体为：

如果p>q(q>0，为预定义阈值)，则关联车辆车牌与该电子设备，生成数据记录relate(plate,MAC,date)。

9.一种电子设备，其特征在于：包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器执行所述存储器中的计算机程序，以实现如权利要求1-8中任一所述的基于大数据的套牌车识别方法。

10.一种计算机可读存储介质，其特征在于：存储有计算机程序，该计算机程序被处理器执行时，用于实现如权利要求1-8中任一所述的基于大数据的套牌车识别方法。

Images