CN112269809A - 一种基于rbm数据结构实现区域首次出现的实施方法 - Google Patents

一种基于rbm数据结构实现区域首次出现的实施方法 Download PDF

Info

Publication number
CN112269809A
CN112269809A CN202011294535.6A CN202011294535A CN112269809A CN 112269809 A CN112269809 A CN 112269809A CN 202011294535 A CN202011294535 A CN 202011294535A CN 112269809 A CN112269809 A CN 112269809A
Authority
CN
China
Prior art keywords
time
license plate
data
plate number
space
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.)
Granted
Application number
CN202011294535.6A
Other languages
English (en)
Other versions
CN112269809B (zh
Inventor
宋冕冕
张跃
胡兴
谢伟
武永涛
何焜
许�鹏
刘云龙
高军
闻号
李航
洪汛
孙雪永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Sun Create Electronic Co Ltd
Original Assignee
Anhui Sun Create Electronic Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Sun Create Electronic Co Ltd filed Critical Anhui Sun Create Electronic Co Ltd
Priority to CN202011294535.6A priority Critical patent/CN112269809B/zh
Publication of CN112269809A publication Critical patent/CN112269809A/zh
Application granted granted Critical
Publication of CN112269809B publication Critical patent/CN112269809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于RBM数据结构实现区域首次出现的实施方法，该方法具体包括下述步骤：步骤一：将车牌号映射成int型的ID，将近几个月的车牌号与ID映射结果放到缓存中，同时将所有车牌号和ID映射结果持久化到数据库；本发明通过应用于车辆首次入城该业务场景外，还应用于地点可灵活选择，即空间上的灵活性更大，且时间范围也可灵活选择，并实时分析出结果，为实现时间空间灵活性选择以及实时分析的效果，运用Roaring Bitmap数据结构来替代传统的关系存储，节省了物理存储空间，又提升了运算效率，查询时间更快，该方法还可应用于车辆大数据挖掘领域，但不限于此领域，对于WIFI大数据挖掘领域同样适用，从而使得该方法的应用范围广泛。

Description

一种基于RBM数据结构实现区域首次出现的实施方法
技术领域
本发明涉及平安城市、智慧城市技术领域，具体为一种基于RBM数据结构实现区域首次出现的实施方法。
背景技术
随着社会和技术的发展，城市车辆越来越多，车辆涉及的违法犯罪也越来越多。车辆大数据挖掘分析也愈加重要。本发明提出了一种解决数据区域首次出现的技术方案。可应用于车辆大数据挖掘领域，但不限于此领域。对于WIFI 大数据挖掘领域同样适用，不在此一一赘述。在车辆大数据挖掘中目前已有关于首次入城的解决方案。本发明除了应用于车辆首次入城该业务场景外，还应用于地点可灵活选择，即空间上的灵活性更大，且时间范围也可灵活选择。为了实现时间和空间选择的灵活性，同时可实时分析出结果。本发明涉及到以下相关技术。
本发明涉及的Roaring Bitmap数据结构，此数据结构可高效压缩数据，节省数据的存储空间，降低了空间上的复杂度。另外，Roaring Bitmap可实现快速高效的位图运算，比如且运算，或运算，排序等，降低了时间复杂度。本发明涉及了LRU缓存淘汰策略，即LeastRecently Used，结合持久化数据存储，可实现快速高效检索所需数据。
发明内容
本发明的目的在于提供一种基于RBM数据结构实现区域首次出现的实施方法。
本发明的目的可以通过以下技术方案实现：一种基于RBM数据结构实现区域首次出现的实施方法，该方法具体包括下述步骤：
步骤一：将车牌号映射成int型的ID，将近几个月的车牌号与ID映射结果放到缓存中，同时将所有车牌号和ID映射结果持久化到数据库；
步骤二：将历史过车数据按照Roaring Bitmap数据结构进行压缩存储；
步骤三：将当天过车数据按照上述步骤二中的流程压缩后，存到缓存中，每10分钟更新一次；
步骤四：在上述步骤一至步骤三完成后，用户输入回溯时间，目标区域，查询时间，以获取在回溯时间，目标区域未出现，且查询时间出现的车辆。
作为本发明的进一步改进方案：步骤一中是通过LRU策略进行处理将车牌号映射成int型的ID中，在将所有车牌号和ID映射结果持久化到数据库后，通过车牌号查ID，或通过ID查到对应车牌号。
作为本发明的进一步改进方案：步骤二中数据压缩存储流程的具体过程为：
S1：对每天过车数据按卡口，车牌号去重，获得去重后的数据；
S2：将每条去重后的过车记录转换成以卡口为key，以由当前卡口下的车牌号组成的Roaring Bitmap为value的map，并按照日期存储到数据库；
S3：将当前日期下所有卡口对应Roaring Bitmap合并获得全城范围的 RoaringBitmap，并存储到分布式数据库中，提高检索效率。
作为本发明的进一步改进方案：步骤四种的算法逻辑流程具体为：
K1：用户从前端传入回溯时间，查询时间，区域；
K2：根据输入的查询时间判断是否只是分析当天的车辆相对于回溯时间内，在目标区域有哪些车辆首次出现。若是，则从当天的缓存数据中查询；若否，则从当天缓存数据和历史持久化数据库中查询。此过程可获得查询时空的过车数据集合；
K3：根据输入的回溯时间和区域，从持久化的数据库中查询回溯时空的过车数据集合；
K4：在查询时空中出现且在回溯时空中从未出现过，即是在该区域该时间段首次出现的车牌号，即在RBM1出现，且不在RBM2出现的车牌号就是符合逻辑的车牌号。
图1中车牌号与ID的映射：将近几个月的车牌号放到缓存中和同时将所有车牌号和ID映射结果持久化。图2中数据压缩存储流程图：(1)对每天过车数据按卡口，车牌号去重获得去重后的数据；(2)将每条去重后的过车记录转换成以卡口为key，以由当前卡口下的车牌号组成的Roaring Bitmap为value 的map，并按照日期存储到数据库；(3)将当前日期下所有卡口对应Roaring Bitmap合并获得全城范围的Roaring Bitmap，并存储到分布式数据库中，提高检索效率。图3中算法逻辑流程图：(1)用户从前端传入回溯时间，查询时间，区域；(2)根据输入的查询时间判断是否只是分析当天的车辆相对于回溯时间内，在目标区域有哪些车辆首次出现。若是，则从当天的缓存数据中查询；若否，则从当天缓存数据和历史持久化数据库中查询。此过程可获得查询时空的过车数据集合，图3中简称为RBM1；(3)根据输入的回溯时间和区域，从持久化的数据库中查询回溯时空的过车数据集合，图3中简称为RBM2；在查询时空中出现且在回溯时空中从未出现过，即是在该区域该时间段首次出现的车牌号，即在RBM1出现且不在RBM2出现的车牌号就是符合逻辑的车牌号。此运算即是利用Roaring Bitmap快速高效的位图运算的优势，以实现实时分析。
RBM具体指代Roaring Bitmap。
本发明的有益效果：
通过将车牌号映射成int型的ID，将近几个月的车牌号与ID映射结果放到缓存中，同时将所有车牌号和ID映射结果持久化到数据库；将历史过车数据按照Roaring Bitmap数据结构进行压缩存储；将当天过车数据按照上述步骤二中的流程压缩后，存到缓存中，每10分钟更新一次；用户输入回溯时间，目标区域，查询时间，以获取在回溯时间，目标区域未出现，且查询时间出现的车辆，通过应用于车辆首次入城该业务场景外，还应用于地点可灵活选择，即空间上的灵活性更大，且时间范围也可灵活选择，并实时分析出结果，为实现时间空间灵活性选择以及实时分析的效果，运用Roaring Bitmap数据结构来替代传统的关系存储，节省了物理存储空间，又提升了运算效率，查询时间更快，该方法还可应用于车辆大数据挖掘领域，但不限于此领域，对于WIFI大数据挖掘领域同样适用，从而使得该方法的应用范围广泛；
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明涉及的车牌号-ID映射流程图。
图2为本发明涉及的过车数据压缩流程图。
图3为本发明涉及的算法逻辑流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-3所示，本发明为一种基于RBM数据结构实现区域首次出现的实施方法，该方法具体包括下述步骤：
步骤一：将车牌号映射成int型的ID，以缩小占用空间。车牌号与ID的映射，运用LRU策略，将近几个月的车牌号与ID映射结果放到缓存中。同时将所有车牌号和ID映射结果持久化到数据库。此映射结果可以通过车牌号查ID，也可以通过ID查到对应车牌号，车牌号与ID映射流程图如下图1；
步骤二：将历史过车数据按照Roaring Bitmap数据结构进行压缩存储，减少数据存储占用空间。数据压缩存储流程图如下图2：
S1：对每天过车数据按卡口，车牌号去重，获得去重后的数据；
S2：将每条去重后的过车记录转换成以卡口为key，以由当前卡口下的车牌号组成的Roaring Bitmap为value的map，并按照日期存储到数据库；
S3：将当前日期下所有卡口对应Roaring Bitmap合并获得全城范围的 RoaringBitmap，并存储到分布式数据库中，提高检索效率。
步骤三：将当天过车数据按照下图2中的流程压缩后，存到缓存中，每10 分钟更新一次。存到缓存中可实现快速检索当天的过车数据。
步骤四：在上述步骤一至步骤三完成后，用户输入回溯时间，目标区域，查询时间，以获取在回溯时间，目标区域未出现且查询时间出现的车辆有哪些。算法逻辑流程图如下图3：
K1：用户从前端传入回溯时间，查询时间，区域；
K2：根据输入的查询时间判断是否只是分析当天的车辆相对于回溯时间内，在目标区域有哪些车辆首次出现。若是，则从当天的缓存数据中查询；若否，则从当天缓存数据和历史持久化数据库中查询。此过程可获得查询时空的过车数据集合，图3中简称为RBM1；
K3：根据输入的回溯时间和区域，从持久化的数据库中查询回溯时空的过车数据集合，图3中简称为RBM2；
K4：在查询时空中出现且在回溯时空中从未出现过，即是在该区域该时间段首次出现的车牌号，即在RBM1出现且不在RBM2出现的车牌号就是符合逻辑的车牌号。此运算即是利用Roaring Bitmap快速高效的位图运算的优势，以实现实时分析。
实施例一
一天过车数据3700万条，为实现区域首次出现，需要3个字段，卡口，车牌号，过车时间。按照卡口，车牌号去重后有2200万条记录。该市共有5000 个卡口，则一个卡口平均抓拍4400个不同的车牌号。
空间占用维度：
运用Roaring Bitmap数据结构空间占用计算如下：一个卡口下对应一个 RoaringBitmap，该Roaring Bitmap包含来了该卡口所有的车牌号，即此例中的4400个车牌号放在一个Roaring Bitmap。而一个Roaring Bitmap中由int 型的车牌号构成，一个int型的车牌号存储到Roaring Bitmap中只占用2byte。因此，一个卡口下存储4400个映射后的int型车牌号占用空间 2byte*4400＝8800byte＝8.59kb。那么一天所有数据占用空间是 8.59kb*5000＝41.94M。
不运用Roaring Bitmap数据结构空间占用计算如下：按照卡口20个byte，车牌号8个byte，过车时间8个byte，即一条记录占用20+8+8＝36byte，一天所有数据去重后2200万条数据，占用空间 36byte*22000000＝792000000byte＝755.31M。
对比可知，运用Roaring Bitmap数据结构，一天数据占用空间压缩了 755.31/41.94＝18倍。因此，从空间占用维度上本发明提供的解决方案更有优势。
运算时间复杂度上：本发明旨在解决区域首次出现的需求，用户需要输入回溯时间，查询时间和区域。在数据采集设备不变的情况下，基于Roaring Bitmap 数据结构，在做图3中的不在回溯时空且在查询时空的运算是位运算，时间复杂度为O(1)。而不基于Roaring Bitmap的数据结构，在做图三中的不在回溯时空且在查询时空的运算是位运算，时间复杂度为O(m*n)，其中m是回溯时空的数据条数，n是查询时空的数据条数。因此，从运算时间复杂度上本发明提供的解决方案更有优势。
如工作人员欲分析在回溯时间内2020年8月1号到2020年10月31号从未出现，而在查询时间2020年11月1号到2020年11月2号内出现的车牌号，目标区域指公安人员关注的区域，即查询区域，可根据过车记录中的摄像机所在卡口点确定，查询时空即是查询时间和目标区域，回溯时空即是指回溯时间和目标区域。
本发明在工作时，图1中车牌号与ID的映射：将近几个月的车牌号放到缓存中和同时将所有车牌号和ID映射结果持久化。图2中数据压缩存储流程图： (1)对每天过车数据按卡口，车牌号去重获得去重后的数据；(2)将每条去重后的过车记录转换成以卡口为key，以由当前卡口下的车牌号组成的Roaring Bitmap为value的map，并按照日期存储到数据库；(3)将当前日期下所有卡口对应Roaring Bitmap合并获得全城范围的Roaring Bitmap，并存储到分布式数据库中，提高检索效率。图3中算法逻辑流程图：(1)用户从前端传入回溯时间，查询时间，区域；(2)根据输入的查询时间判断是否只是分析当天的车辆相对于回溯时间内，在目标区域有哪些车辆首次出现。若是，则从当天的缓存数据中查询；若否，则从当天缓存数据和历史持久化数据库中查询。此过程可获得查询时空的过车数据集合，图3中简称为RBM1；(3)根据输入的回溯时间和区域，从持久化的数据库中查询回溯时空的过车数据集合，图3中简称为 RBM2；在查询时空中出现且在回溯时空中从未出现过，即是在该区域该时间段首次出现的车牌号，即在RBM1出现且不在RBM2出现的车牌号就是符合逻辑的车牌号。此运算即是利用Roaring Bitmap快速高效的位图运算的优势，以实现实时分析。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (4)

1.一种基于RBM数据结构实现区域首次出现的实施方法，其特征在于，该方法具体包括下述步骤：
步骤一：将车牌号映射成int型的ID，将近几个月的车牌号与ID映射结果放到缓存中，同时将所有车牌号和ID映射结果持久化到数据库；
步骤二：将历史过车数据按照Roaring Bitmap数据结构进行压缩存储；
步骤三：将当天过车数据按照上述步骤二中的流程压缩后，存到缓存中，每10分钟更新一次；
步骤四：在上述步骤一至步骤三完成后，用户输入回溯时间，目标区域，查询时间，以获取在回溯时间，目标区域未出现，且查询时间出现的车辆。
2.根据权利要求1所述的一种基于RBM数据结构实现区域首次出现的实施方法，其特征在于，步骤一中是通过LRU策略进行处理将车牌号映射成int型的ID中，在将所有车牌号和ID映射结果持久化到数据库后，通过车牌号查ID，或通过ID查到对应车牌号。
3.根据权利要求1所述的一种基于RBM数据结构实现区域首次出现的实施方法，其特征在于，步骤二中数据压缩存储流程的具体过程为：
S1：对每天过车数据按卡口，车牌号去重，获得去重后的数据；
S2：将每条去重后的过车记录转换成以卡口为key，以由当前卡口下的车牌号组成的Roaring Bitmap为value的map，并按照日期存储到数据库；
S3：将当前日期下所有卡口对应Roaring Bitmap合并获得全城范围的RoaringBitmap，并存储到分布式数据库中，提高检索效率。
4.根据权利要求1所述的一种基于RBM数据结构实现区域首次出现的实施方法，其特征在于，步骤四种的算法逻辑流程具体为：
K1：用户从前端传入回溯时间，查询时间，区域；
K2：根据输入的查询时间判断是否只是分析当天的车辆相对于回溯时间内，在目标区域有哪些车辆首次出现，若是，则从当天的缓存数据中查询；若否，则从当天缓存数据和历史持久化数据库中查询，此过程可获得查询时空的过车数据集合；
K3：根据输入的回溯时间和区域，从持久化的数据库中查询回溯时空的过车数据集合；
K4：在查询时空中出现且在回溯时空中从未出现过，即是在该区域该时间段首次出现的车牌号，即在RBM1出现，且不在RBM2出现的车牌号就是符合逻辑的车牌号。
CN202011294535.6A 2020-11-18 2020-11-18 一种基于rbm数据结构实现区域首次出现的实施方法 Active CN112269809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011294535.6A CN112269809B (zh) 2020-11-18 2020-11-18 一种基于rbm数据结构实现区域首次出现的实施方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011294535.6A CN112269809B (zh) 2020-11-18 2020-11-18 一种基于rbm数据结构实现区域首次出现的实施方法

Publications (2)

Publication Number Publication Date
CN112269809A true CN112269809A (zh) 2021-01-26
CN112269809B CN112269809B (zh) 2022-07-05

Family

ID=74339488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011294535.6A Active CN112269809B (zh) 2020-11-18 2020-11-18 一种基于rbm数据结构实现区域首次出现的实施方法

Country Status (1)

Country Link
CN (1) CN112269809B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781091A (zh) * 2021-04-14 2021-12-10 北京沃东天骏信息技术有限公司 一种物品属性值的监控方法和装置
CN115169588A (zh) * 2022-09-06 2022-10-11 深圳前海中电慧安科技有限公司 电像计算时空轨迹车码关联方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593982A (zh) * 2013-11-27 2014-02-19 苏州科达科技股份有限公司 一种快速定位初次入城车辆的方法及系统
CN104679829A (zh) * 2015-01-28 2015-06-03 北京易华录信息技术股份有限公司 对车牌号进行快速搜索的方法及装置
CN105760548A (zh) * 2016-03-21 2016-07-13 武汉烽火众智数字技术有限责任公司 一种基于大数据跨域比对的车辆首次出现分析方法及系统
CN106529424A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
CN107195179A (zh) * 2017-05-27 2017-09-22 中国科学技术大学苏州研究院 基于网络的单路口交通流量统计分析方法及系统
CN107688646A (zh) * 2017-08-30 2018-02-13 武汉烽火众智数字技术有限责任公司 一种基于es的卡口数据区域碰撞分析的方法
CN108389394A (zh) * 2018-04-23 2018-08-10 泰华智慧产业集团股份有限公司 车辆初次入城分析的方法及系统
CN110263862A (zh) * 2019-06-21 2019-09-20 北京字节跳动网络技术有限公司 信息的推送方法、装置、电子设备及可读存储介质
CN111161541A (zh) * 2018-11-07 2020-05-15 杭州海康威视系统技术有限公司 车辆监控方法、装置、系统及车辆监控设备
CN111198884A (zh) * 2019-12-27 2020-05-26 福建威盾科技集团有限公司 一种车辆初次入城信息处理方法及信息处理系统
US20200201760A1 (en) * 2018-12-20 2020-06-25 Ebay Inc. Compressed cache using dynamically stacked roaring bitmaps

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593982A (zh) * 2013-11-27 2014-02-19 苏州科达科技股份有限公司 一种快速定位初次入城车辆的方法及系统
CN104679829A (zh) * 2015-01-28 2015-06-03 北京易华录信息技术股份有限公司 对车牌号进行快速搜索的方法及装置
CN105760548A (zh) * 2016-03-21 2016-07-13 武汉烽火众智数字技术有限责任公司 一种基于大数据跨域比对的车辆首次出现分析方法及系统
CN106529424A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
CN107195179A (zh) * 2017-05-27 2017-09-22 中国科学技术大学苏州研究院 基于网络的单路口交通流量统计分析方法及系统
CN107688646A (zh) * 2017-08-30 2018-02-13 武汉烽火众智数字技术有限责任公司 一种基于es的卡口数据区域碰撞分析的方法
CN108389394A (zh) * 2018-04-23 2018-08-10 泰华智慧产业集团股份有限公司 车辆初次入城分析的方法及系统
CN111161541A (zh) * 2018-11-07 2020-05-15 杭州海康威视系统技术有限公司 车辆监控方法、装置、系统及车辆监控设备
US20200201760A1 (en) * 2018-12-20 2020-06-25 Ebay Inc. Compressed cache using dynamically stacked roaring bitmaps
CN110263862A (zh) * 2019-06-21 2019-09-20 北京字节跳动网络技术有限公司 信息的推送方法、装置、电子设备及可读存储介质
CN111198884A (zh) * 2019-12-27 2020-05-26 福建威盾科技集团有限公司 一种车辆初次入城信息处理方法及信息处理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINJUN WU，等: "CAMP: A New Bitmap Index for Data Retrieval in Traffic Archival", 《IEEE COMMUNICATIONS LETTERS》 *
林志庆: "车牌识别和信息管理系统的设计与实现", 《福建师范大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781091A (zh) * 2021-04-14 2021-12-10 北京沃东天骏信息技术有限公司 一种物品属性值的监控方法和装置
CN115169588A (zh) * 2022-09-06 2022-10-11 深圳前海中电慧安科技有限公司 电像计算时空轨迹车码关联方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112269809B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112269809B (zh) 一种基于rbm数据结构实现区域首次出现的实施方法
CN109828967B (zh) 一种伴随关系获取方法、系统、设备、存储介质
KR101400816B1 (ko) 개별적으로 액세스 가능한 데이터 유닛의 기억 관리 방법 및 시스템
CN106528865A (zh) 一种快速精准的交通大数据清洗方法
Zhou et al. Efficient polygon amalgamation methods for spatial OLAP and spatial data mining
CN104462222A (zh) 一种卡口车辆通行数据的分布式存储方法及系统
CN106919675A (zh) 一种数据存储方法及装置
CN101751475B (zh) 号段记录压缩方法及其装置
CN114357000A (zh) 一种区块链交易数据检索系统、方法、设备及存储介质
CN116013084B (zh) 交通管控场景确定方法、装置、电子设备及存储介质
CN113704342A (zh) 一种轨迹伴随分析的方法、系统、设备和存储介质
CN114153898A (zh) 梳理数据库表间关系的方法、装置及应用
Liu et al. A spatio-temporal-textual crime search engine
Brakatsoulas et al. Practical data management techniques for vehicle tracking data
CN105447100A (zh) 一种基于形状特征的云图检索方法
Grover et al. Review of current crime prediction techniques
Dunn et al. NIBRS data available for secondary analysis
CN110765221A (zh) 时空轨迹数据的管理方法和装置
CN115114293A (zh) 一种数据库索引的创建方法、相关装置、设备及存储介质
CN109408727B (zh) 基于多维感知数据的用户关注信息智能推荐方法及系统
Nitsure et al. Unlocking new york city crime insights using relational database embeddings
Jing-Sheng Parallel CLARANS-improvement and application of CLARANS algorithm
Hu et al. Mining both frequent and rare episodes in multiple data streams
CN116778720B (zh) 一种交通工况场景库搭建及应用方法、系统和电子设备
Chen et al. Applying Spatio-temporal Analysis in Telecom Fraud Investigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant