CN115203354B - 一种车码轨迹预关联方法、装置、计算机设备及存储介质 - Google Patents
一种车码轨迹预关联方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115203354B CN115203354B CN202211125417.1A CN202211125417A CN115203354B CN 115203354 B CN115203354 B CN 115203354B CN 202211125417 A CN202211125417 A CN 202211125417A CN 115203354 B CN115203354 B CN 115203354B
- Authority
- CN
- China
- Prior art keywords
- code
- hash
- data
- license plate
- vehicle
- 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.)
- Active
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
- G06F16/29—Geographical information databases
-
- 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
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车码轨迹预关联方法、装置、计算机设备及存储介质。该方法包括:获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。实现了车码关系的预关联,从而实现了在大数据条件下满足快速、实时计算的需求,同时也兼顾了结果的准确性。
Description
技术领域
本发明实施例涉及智能安防技术领域,尤其涉及一种车码轨迹预关联方法、装置、计算机设备及存储介质。
背景技术
安全是社会发展的基石,而随着社会经济的发展,以及一些突发的非传统安全威胁因素的增加,社会对安全也有着越来越高的需求,城市智能安防系统可以通过人工智能与大数据技术赋能社会安全。随着居民收入的增长以及城市物流系统的发展,越来越多的人员、物资依赖于车进行流动。对于车的监控、关联、预警也成为了城市智能安防系统中至关重要的一环,而这就需要有高效、准确、快速的车码关联系统。在当今社会手机通常是不离身的,因而手机的轨迹信息可以在很大程度上代表人的轨迹信息。在侦查、防控场景中,常常需要将IMSI码与车牌关联起来,从而确定同车人员。随着车码关联需求的增加,关联算法与系统的研究、开发也成为了一个前沿热点问题,也有着极大的社会安全价值。城市智能安防系统在应用时,通常会实时地流入全城监控设备采集的数据,并希望能对城内各道路、各区域的安全风险实时预警,而车码关联是这些预警功能的基础算法,只有快速、准确的将车与码关联,才能知道车中可能有哪些人,进而提供更全面的预警信息。则在城市智能安防系统的应用场景中具有如下特点:(1)实时性要求极高,希望对于实时流入的数据在数分钟内进行快速的车码关联;(2)数据极多,需要实时处理全城流入的数据,每日流入的数据量可达千万级。
现有的车码关联技术主要是基于大数据条件的机器学习算法建模,其对计算的时间、空间消耗巨大,成本高且难以满足应用场景的实时性需求,通常是离线计算以得到过去一段时间内的结果,难以实时监控预警。基于大数据条件的机器学习算法建模,是基于城市的海量监控数据训练模型,将训练好的模型部署后,预测车码关系对关联的概率,这就需要将车、码结成关系对再交由模型预测。记有m个车记录,n个码记录,复杂度会变成O(m*n),在千万的数量下,复杂度为O(1014),车码关系对的组合使得实时计算变得难以实现。
发明内容
本发明实施例提供一种车码轨迹预关联方法、装置、计算机设备及存储介质,以实现在大数据条件下满足快速、实时计算的需求,并兼顾预关联关系确定的准确性。
第一方面,本发明实施例提供了一种车码轨迹预关联方法,该方法包括:
获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。
可选的,所述获取车牌数据和IMSI数据,包括:
通过所述车牌相机获取车牌相片源数据,以及通过所述侦码设备获取IMSI源数据;
分别对所述车牌相片源数据和所述IMSI源数据进行预处理,得到车牌相片数据和所述IMSI数据,所述预处理包括关键字段缺失数据删除;
将所述车牌相片数据中的车牌相片输入光学字符识别系统,以得到所述车牌数据;
对所述车牌数据和所述IMSI数据进行存储,并基于字段构建索引。
可选的,所述根据车牌相机和侦码设备的位置信息构建设备映射关系,包括:
将所述车牌相机和所述侦码设备的位置信息存储在设备信息表中,所述位置信息包括经纬度、场所标签和点位信息;
根据所述设备信息表中的所述位置信息,对满足预设条件的车牌-侦码设备对构建映射关系,以得到所述设备映射关系。
可选的,所述根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据,包括:
根据所述车牌数据形成各个车牌的车时空轨迹,以及根据所述IMSI数据形成各个IMSI码的码时空轨迹;
根据预设时间间隔分别对所述车时空轨迹和所述码时空轨迹进行切片,得到车时间切片和码时间切片;
根据所述车时间切片、所述码时间切片和所述设备映射关系将所述车时空轨迹转化为第一二维二进制稀疏数组作为所述车轨迹数据,以及将所述码时空轨迹转化为第二二维二进制稀疏数组作为所述码轨迹数据。
可选的,所述使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签,包括:
分别将所述第一二维二进制稀疏数组和所述第二二维二进制稀疏数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组;
根据预设哈希除数和预设哈希位数生成哈希乘数,并构造所述预设最小哈希公式为:
将所述第一一维二进制稀疏数组和所述第二一维二进制稀疏数组分别作为所述待计算目标,并使用所述预设最小哈希公式进行计算,以得到所述车哈希标签和所述码哈希标签。
可选的,所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码,包括:
将所述车哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述车分桶标签;
将所述码哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述码分桶标签;
将分桶标签相同的车牌和IMSI码存储在同一个表中。
可选的,在所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码之后,还包括:
根据目标车牌确定其所出现的第一目标分桶,统计所述第一目标分桶中的各个IMSI码的第一出现次数,根据所述第一出现次数选取结果IMSI码并与所述目标车牌形成预关联关系对;或者,
根据目标IMSI码确定其所出现的第二目标分桶,统计所述第二目标分桶中的各个车牌的第二出现次数,根据所述第二出现次数选取结果车牌并与所述目标IMSI码形成预关联关系对。
第二方面,本发明实施例还提供了一种车码轨迹预关联装置,该装置包括:
数据获取模块,用于获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
轨迹数据生成模块,用于根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
哈希标签计算模块,用于使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
分桶标签计算模块,用于使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的车码轨迹预关联方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的车码轨迹预关联方法。
本发明实施例提供了一种车码轨迹预关联方法,首先获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系,然后根据车牌数据、IMSI数据和设备映射关系生成预设格式的车轨迹数据和码轨迹数据,再使用预设最小哈希公式分别对车轨迹数据和码轨迹数据进行计算,得到车哈希标签和码哈希标签,最后使用预设分桶转换哈希函数分别对车哈希标签和码哈希标签进行计算,得到车分桶标签和码分桶标签,从而可以划分得到分桶标签相同的车牌和IMSI码。本发明实施例所提供的车码轨迹预关联方法,通过将车牌和IMSI码这两种不同模态的数据源映射在同一个度量空间,并运用改进的最小哈希算法生成分桶标签,以将关联强度较高的车牌与IMSI码划分在同一个分桶中,即实现了车码关系的预关联,从而实现了在大数据条件下满足快速、实时计算的需求,同时也兼顾了结果的准确性。
附图说明
图1为本发明实施例一提供的车码轨迹预关联方法的流程图;
图2为本发明实施例二提供的车码轨迹预关联装置的结构示意图;
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的车码轨迹预关联方法的流程图。本实施例可适用于在大数据条件下对车牌与IMSI码进行关联的情况,该方法可以由本发明实施例所提供的车码轨迹预关联装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系。
其中,车牌数据可以包括车牌(ID)、时间、经纬度以及设备等字段,IMSI数据可以包括IMSI码(ID)、时间、经纬度以及设备等字段,IMSI(International Mobile SubscriberIdentity)表示国际移动用户识别码,用以区分移动网络的不同用户,具体可以指手机的IMSI,每个手机SIM卡都会有唯一的IMSI码。车牌相机可以拍摄车牌相片,并记录经纬度、时间等信息,侦码设备可以采集周围一定范围内的手机IMSI信号,并记录经纬度、时间、IMSI码、号码归属地等信息,根据设备的类型以及参数设置,采集范围通常在200-1500米不等。预先可以根据车牌相机和侦码设备的位置信息构建设备映射关系,得到相互映射的车牌-侦码设备对,成对的设备所采集的数据之间可能存在一定的关联,从而便于后续基于该设备映射关系将不同模态的数据映射到同一个度量空间,以便后续的哈希处理,度量空间在数学中指一个集合,并且该集合中的任意元素的距离是可定义的,通过将车牌数据和IMSI数据映射到同一个度量空间中,可以方便计算其间的相似度。
可选的,所述获取车牌数据和IMSI数据,包括:通过所述车牌相机获取车牌相片源数据,以及通过所述侦码设备获取IMSI源数据;分别对所述车牌相片源数据和所述IMSI源数据进行预处理,得到车牌相片数据和所述IMSI数据,所述预处理包括关键字段缺失数据删除;将所述车牌相片数据中的车牌相片输入光学字符识别系统,以得到所述车牌数据;对所述车牌数据和所述IMSI数据进行存储,并基于字段构建索引。
具体的,可以首先在需要的道路上安装、连接、调试车牌相机,以通过车牌相机在现场实时抓取车牌相片源数据,得到稳定的车牌相片数据源,同样可以在需要的道路上安装、连接、调试侦码设备,以通过侦码设备在现场实时抓取IMSI源数据,得到稳定的IMSI数据源。然后可以将获得的数据以合适的形式存储在数据库中,具体可以对获得的车牌相片源数据和IMSI源数据进行预处理,如进行关键字段缺失数据删除等等,由于设备在传输或采集过程中可能极小概率出错导致关键字段丢失,缺失了这些关键信息的数据对于算法没有价值,为了节省存储空间和计算资源,可以将经纬度、时间等关键字段缺失的数据删除,完成预处理后即可得到所需的IMSI数据,同时可得到车牌相片数据。接着可以利用车牌相片数据获取所需的车牌数据,具体可以将车牌相片数据中的车牌相片输入到光学字符识别(Optical Character Recognition,OCR)系统进行识别,光学字符识别是指通过用字符识别方法将照片或视频中的文字形状翻译成计算机字符的过程,以提取得到各张车牌相片中的车牌号码,从而可以根据得到的车牌,结合原车牌相片数据中的经纬度、时间等字段得到所需的车牌数据。最后可以对得到的车牌数据和IMSI数据进行存储,同时可以基于时间、经纬度、ID等字段对数据构建索引,以方便后续算法查询、调用数据。其中,索引(Index)是数据库中常用的一种技术,作用相当于图书中的目录,可以极大的加速数据库中的查询。
可选的,所述根据车牌相机和侦码设备的位置信息构建设备映射关系,包括:将所述车牌相机和所述侦码设备的位置信息存储在设备信息表中,所述位置信息包括经纬度、场所标签和点位信息;根据所述设备信息表中的所述位置信息,对满足预设条件的车牌-侦码设备对构建映射关系,以得到所述设备映射关系。
具体的,在完成设备的安装调试后,可以向设备信息表存储各个设备的经纬度、设备类型、点位信息和场所标签等信息。然后即可根据设备信息表中存储的内容,对满足预设条件的车牌-侦码设备对构建映射关系并进行存储,从而得到所需的设备映射关系。其中,预设条件可以包括设备距离条件、场所标签条件和点位信息条件等等。设备距离条件可以根据经纬度计算车牌相机与侦码设备之间的设备距离,并使得设备距离不超过预设空间距离阈值。场所标签条件可以根据车牌相机与侦码设备的场所标签进行判断,确定是否是属于同一场所的设备,如可以将同一个医院、小区或者学校的设备关联起来。点位信息条件可以根据车牌相机与侦码设备的点位信息进行判断,确定设备间是否存在点位密切关联,如属于同一条高速公路的设备可能间距很远,但也应该关联起来,因为沿高速公路开的车,经过了一个设备后肯定也会经过点位关联的另一个设备。
S12、根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据。
其中,预设格式可以是一种便于后续进行哈希计算时调用的数据格式,即实现将车牌数据和IMSI数据这两种不同模态的数据映射到同一个度量空间中,映射为同一种形式,从而便于进行相似性比较。具体则可以根据车牌数据将同一辆车在不同地点采集到的数据融合得到车牌的轨迹信息,并根据IMSI数据将同一个IMSI在不同地点采集到的数据融合得到手机的轨迹信息,再基于上述生成的设备映射关系,利用车牌相机与侦码设备之间的关联性对两种轨迹信息进行转换,以得到所需的车轨迹数据和码轨迹数据。
S13、使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签。
具体的,最小哈希(minHash)算法最早提出应用在搜索引擎上用于网页快速去重,后来在文本相似度计算等领域也得到了大量应用。最小哈希算法属于LSH(locality-sensitive hashing,局部敏感哈希)类算法,其基本思想与传统的哈希算法相反,传统的哈希算法只负责将原始内容尽量均匀随机的映射为一个签名值,原理上相当于伪随机数产生算法,原始输入相差很小时传统哈希的输出也很有可能相差很大,而LSH类算法除了像传统哈希一样给出一个映射签名值外,其输出还可以保留原始输入的相似度。但是原始的最小哈希算法由于车牌数据和IMSI数据本质上是完全不同的数据源导致无法直接应用在车码关联问题中,因此本实施例可通过上述的说明将两种不同模态的数据映射到同一个度量空间中,并将原始的最小哈希算法加以创造性的改造,以与车码关联问题相适应,从而便于进行相似性的比较。具体则可以在获得车轨迹数据和码轨迹数据之后,使用预设最小哈希公式分别对车轨迹数据和码轨迹数据进行计算,并分别得到对应的车哈希标签和码哈希标签。
可选的,所述根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据,包括:根据所述车牌数据形成各个车牌的车时空轨迹,以及根据所述IMSI数据形成各个IMSI码的码时空轨迹; 根据预设时间间隔分别对所述车时空轨迹和所述码时空轨迹进行切片,得到车时间切片和码时间切片;根据所述车时间切片、所述码时间切片和所述设备映射关系将所述车时空轨迹转化为第一二维二进制稀疏数组作为所述车轨迹数据,以及将所述码时空轨迹转化为第二二维二进制稀疏数组作为所述码轨迹数据。
其中,预设格式即可以是二维二进制稀疏数组。具体的,可以根据数据库中的车牌(ID)索引,将同一个车牌的数据分别形成相应的车时空轨迹{c1,c2,…,cn_c},其中,n_c表示对应车牌的车牌轨迹点数量。类似的,可以根据数据库中的IMSI码(ID)索引,将同一个IMSI码的数据分别形成相应的码时空轨迹{I1,I2,…,In_i},其中,n_i表示对应IMSI码的IMSI轨迹点数量。然后进行时间离散化,分别将车时空轨迹和码时空轨迹按照预设时间间隔进行时间切片,从而得到车时间切片和码时间切片,具体可以每5分钟作为一个切片,其中的预设时间间隔可以根据城市、道路等信息进行动态调整。得到码时间切片之后,即可根据码时间切片将码时空轨迹转化为第二二维二进制稀疏数组作为码轨迹数据,第二二维二进制稀疏数组可以是Bimsi={bi,j imsi},其中,如果侦码设备j在第i个时间切片采集到了imsi(IMSI码),则bi,j imsi的值为1,如果侦码设备j在第i个时间切片没采集到imsi,则bi,j imsi的值为0。
然后可以根据车时间切片和设备映射关系将车时空轨迹转化为第一二维二进制稀疏数组作为车轨迹数据,第一二维二进制稀疏数组可以是Bcar={bi,j car},其中,如果侦码设备j关联的车牌相机在第i个时间切片采集到了car(车牌),则bi,j car的值为1,如果侦码设备j关联的车牌相机在第i个时间切片没采集到car,则bi,j car的值为0。
进一步可选的,所述使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签,包括:分别将所述第一二维二进制稀疏数组和所述第二二维二进制稀疏数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组;根据预设哈希除数和预设哈希位数生成哈希乘数,并构造所述预设最小哈希公式为:
其中,H1(x)表示哈希结果,x表示待计算目标,表示所述哈希乘数,表示所述预
设哈希除数,mod表示取余数;将所述第一一维二进制稀疏数组和所述第二一维二进制稀疏
数组分别作为所述待计算目标,并使用所述预设最小哈希公式进行计算,以得到所述车哈
希标签和所述码哈希标签。
具体的,首先可以分别将得到的第一二维二进制稀疏数组和第二二维二进制稀疏
数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组,以便进行哈希计算。然
后生成预设哈希除数,如可以是5003,预设哈希除数必须为质数,机器的性能越好则可以设
置的越大。再确定预设哈希位数,如可以是50,机器存储空间越大则可以设置的越大,同时
要小于预设哈希除数。则可以根据预设哈希除数和预设哈希位数生成哈希乘数,具体可以
在间生成预设哈希位数个不同的正整数,进而可以构造得到上述
预设最小哈希公式。然后将第一一维二进制稀疏数组作为待计算目标经过预设最小哈希公
式的计算,得到的哈希结果即可作为所需的车哈希标签,以及将第二一维二进制稀疏数组
作为待计算目标经过预设最小哈希公式的计算,得到的哈希结果即可作为所需的码哈希标
签。
S14、使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。
具体的,在得到车哈希标签和码哈希标签之后,可以基于车哈希标签和码哈希标签,经过预设分桶转换哈希函数的计算,得到车分桶标签和码分桶标签,从而可以将车牌和IMSI码按照分桶标签进行存储,即每个分桶中存储的是关联强度较高的车牌和IMSI码,得到了一定的预关联关系。
可选的,所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码,包括:将所述车哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述车分桶标签;将所述码哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述码分桶标签;将分桶标签相同的车牌和IMSI码存储在同一个表中。
具体的,可以首先构造预设分桶转换哈希函数,由于该函数的计算关系到数据存储的安全,故函数形式需要保密。然后可以将每个车牌对应的预设哈希位数(m)的车哈希标签中,每n位(n可以随m的大小适当调整)结果拼接在一起,再经过预设分桶转换哈希函数的计算,得到m/n个车分桶标签。类似的,可以将每个IMSI码对应的m位码哈希标签中,每n位结果拼接在一起,再经过预设分桶转换哈希函数的计算,得到m/n个码分桶标签。最终即可按照各个分桶标签将分桶标签相同的车牌和IMSI码存储在同一个表中。
在上述技术方案的基础上,可选的,在所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码之后,还包括:根据目标车牌确定其所出现的第一目标分桶,统计所述第一目标分桶中的各个IMSI码的第一出现次数,根据所述第一出现次数选取结果IMSI码并与所述目标车牌形成预关联关系对;或者,根据目标IMSI码确定其所出现的第二目标分桶,统计所述第二目标分桶中的各个车牌的第二出现次数,根据所述第二出现次数选取结果车牌并与所述目标IMSI码形成预关联关系对。
具体的,可以将上述得到的分桶内容应用到车码关系对的生成中,如应用在车找码或码找车的业务需求中。在车找码时,首先可确定待调查的目标车牌,然后确定目标车牌出现的第一目标分桶,再取出桶内的对象,并统计各个第一目标分桶中出现的各个IMSI码的第一出现次数,随后可以按照第一出现次数对各个IMSI码从大到小进行排序,输出次数排序靠前的一个或多个结果IMSI码并与目标车牌形成预关联关系对。在码找车时,首先可确定待调查的目标IMSI码,然后确定目标IMSI码出现的第二目标分桶,再取出桶内的对象,并统计各个第二目标分桶中出现的各个车牌的第二出现次数,随后可以按照第二出现次数对各个车牌从大到小进行排序,输出次数排序靠前的一个或多个结果车牌并与目标IMSI码形成预关联关系对。上述预关联关系对的确定过程,相比于传统确定关联关系对的过程,车牌和IMSI码关系对不直接交互,从而避免了笛卡尔积的复杂度膨胀,减少了计算、存储的消耗,同时可以将相关性较大,即可能关联的车牌和IMSI码形成关系对,大部分不相关的即可被过滤掉。对于a辆车和b个IMSI码,计算复杂度可以从通常的O(a*b)转换成O(minHash)*O(a+b),最小哈希的复杂度在默认参数下为O(100)~O(1000),对于千万人口的城市,则可以将复杂度从通常的O(1014)下降到O(1010),可以实现10000倍左右的加速。同时通过实际测试也表明,可以以极小的精度牺牲(小于千分之一)为代价加速最终车码关联的计算,从而能够在大数据条件下满足快速、实时的计算需求。进一步的,得到的预关联关系对即可直接作为最终车码关联的结果,在精度要求较高的场合,也可以作为下游计算任务的输入,从而避免全量计算,减小下游应用的计算量。
本发明实施例所提供的技术方案,首先获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系,然后根据车牌数据、IMSI数据和设备映射关系生成预设格式的车轨迹数据和码轨迹数据,再使用预设最小哈希公式分别对车轨迹数据和码轨迹数据进行计算,得到车哈希标签和码哈希标签,最后使用预设分桶转换哈希函数分别对车哈希标签和码哈希标签进行计算,得到车分桶标签和码分桶标签,从而可以划分得到分桶标签相同的车牌和IMSI码。通过将车牌和IMSI码这两种不同模态的数据源映射在同一个度量空间,并运用改进的最小哈希算法生成分桶标签,以将关联强度较高的车牌与IMSI码划分在同一个分桶中,即实现了车码关系的预关联,从而实现了在大数据条件下满足快速、实时计算的需求,同时也兼顾了结果的准确性。
实施例二
图2为本发明实施例二提供的车码轨迹预关联装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中,用于执行本发明任意实施例所提供的车码轨迹预关联方法。如图2所示,该装置包括:
数据获取模块21,用于获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
轨迹数据生成模块22,用于根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
哈希标签计算模块23,用于使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
分桶标签计算模块24,用于使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。
本发明实施例所提供的技术方案,首先获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系,然后根据车牌数据、IMSI数据和设备映射关系生成预设格式的车轨迹数据和码轨迹数据,再使用预设最小哈希公式分别对车轨迹数据和码轨迹数据进行计算,得到车哈希标签和码哈希标签,最后使用预设分桶转换哈希函数分别对车哈希标签和码哈希标签进行计算,得到车分桶标签和码分桶标签,从而可以划分得到分桶标签相同的车牌和IMSI码。通过将车牌和IMSI码这两种不同模态的数据源映射在同一个度量空间,并运用改进的最小哈希算法生成分桶标签,以将关联强度较高的车牌与IMSI码划分在同一个分桶中,即实现了车码关系的预关联,从而实现了在大数据条件下满足快速、实时计算的需求,同时也兼顾了结果的准确性。
在上述技术方案的基础上,可选的,数据获取模块21,包括:
源数据获取单元,用于通过所述车牌相机获取车牌相片源数据,以及通过所述侦码设备获取IMSI源数据;
预处理单元,用于分别对所述车牌相片源数据和所述IMSI源数据进行预处理,得到车牌相片数据和所述IMSI数据,所述预处理包括关键字段缺失数据删除;
车牌识别单元,用于将所述车牌相片数据中的车牌相片输入光学字符识别系统,以得到所述车牌数据;
数据存储单元,用于对所述车牌数据和所述IMSI数据进行存储,并基于字段构建索引。
在上述技术方案的基础上,可选的,数据获取模块21,包括:
位置信息存储单元,用于将所述车牌相机和所述侦码设备的位置信息存储在设备信息表中,所述位置信息包括经纬度、场所标签和点位信息;
映射关系构建单元,用于根据所述设备信息表中的所述位置信息,对满足预设条件的车牌-侦码设备对构建映射关系,以得到所述设备映射关系。
在上述技术方案的基础上,可选的,轨迹数据生成模块22,包括:
时空轨迹形成单元,用于根据所述车牌数据形成各个车牌的车时空轨迹,以及根据所述IMSI数据形成各个IMSI码的码时空轨迹;
时间切片划分单元,用于根据预设时间间隔分别对所述车时空轨迹和所述码时空轨迹进行切片,得到车时间切片和码时间切片;
轨迹数据转化单元,用于根据所述车时间切片、所述码时间切片和所述设备映射关系将所述车时空轨迹转化为第一二维二进制稀疏数组作为所述车轨迹数据,以及将所述码时空轨迹转化为第二二维二进制稀疏数组作为所述码轨迹数据。
在上述技术方案的基础上,可选的,哈希标签计算模块23,包括:
稀疏数组展开单元,用于分别将所述第一二维二进制稀疏数组和所述第二二维二进制稀疏数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组;
最小哈希公式构造单元,用于根据预设哈希除数和预设哈希位数生成哈希乘数,并构造所述预设最小哈希公式为:
哈希标签计算单元,用于将所述第一一维二进制稀疏数组和所述第二一维二进制稀疏数组分别作为所述待计算目标,并使用所述预设最小哈希公式进行计算,以得到所述车哈希标签和所述码哈希标签。
在上述技术方案的基础上,可选的,分桶标签计算模块24,包括:
车分桶标签计算单元,用于将所述车哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述车分桶标签;
码分桶标签计算单元,用于将所述码哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述码分桶标签;
车码存储单元,用于将分桶标签相同的车牌和IMSI码存储在同一个表中。
在上述技术方案的基础上,可选的,该车码轨迹预关联装置,还包括:
第一预关联关系对形成模块,用于在所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码之后,根据目标车牌确定其所出现的第一目标分桶,统计所述第一目标分桶中的各个IMSI码的第一出现次数,根据所述第一出现次数选取结果IMSI码并与所述目标车牌形成预关联关系对;或者,
第二预关联关系对形成模块,用于在所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码之后,根据目标IMSI码确定其所出现的第二目标分桶,统计所述第二目标分桶中的各个车牌的第二出现次数,根据所述第二出现次数选取结果车牌并与所述目标IMSI码形成预关联关系对。
本发明实施例所提供的车码轨迹预关联装置可执行本发明任意实施例所提供的车码轨迹预关联方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述车码轨迹预关联装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,该计算机设备包括处理器31、存储器32、输入装置33及输出装置34;计算机设备中处理器31的数量可以是一个或多个,图3中以一个处理器31为例,计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车码轨迹预关联方法对应的程序指令/模块(例如,车码轨迹预关联装置中的数据获取模块21、轨迹数据生成模块22、哈希标签计算模块23及分桶标签计算模块24)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的车码轨迹预关联方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取车牌数据和IMSI数据,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备,可用于向用户展示预关联结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种车码轨迹预关联方法,该方法包括:
获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车码轨迹预关联方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种车码轨迹预关联方法,其特征在于,包括:
获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码;
所述根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据,包括:
根据所述车牌数据形成各个车牌的车时空轨迹,以及根据所述IMSI数据形成各个IMSI码的码时空轨迹;
根据预设时间间隔分别对所述车时空轨迹和所述码时空轨迹进行切片,得到车时间切片和码时间切片;
根据所述车时间切片、所述码时间切片和所述设备映射关系将所述车时空轨迹转化为第一二维二进制稀疏数组作为所述车轨迹数据,以及将所述码时空轨迹转化为第二二维二进制稀疏数组作为所述码轨迹数据;
所述使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签,包括:
分别将所述第一二维二进制稀疏数组和所述第二二维二进制稀疏数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组;
根据预设哈希除数和预设哈希位数生成哈希乘数,并构造所述预设最小哈希公式为:
将所述第一一维二进制稀疏数组和所述第二一维二进制稀疏数组分别作为所述待计算目标,并使用所述预设最小哈希公式进行计算,以得到所述车哈希标签和所述码哈希标签。
2.根据权利要求1所述的车码轨迹预关联方法,其特征在于,所述获取车牌数据和IMSI数据,包括:
通过所述车牌相机获取车牌相片源数据,以及通过所述侦码设备获取IMSI源数据;
分别对所述车牌相片源数据和所述IMSI源数据进行预处理,得到车牌相片数据和所述IMSI数据,所述预处理包括关键字段缺失数据删除;
将所述车牌相片数据中的车牌相片输入光学字符识别系统,以得到所述车牌数据;
对所述车牌数据和所述IMSI数据进行存储,并基于字段构建索引。
3.根据权利要求1所述的车码轨迹预关联方法,其特征在于,所述根据车牌相机和侦码设备的位置信息构建设备映射关系,包括:
将所述车牌相机和所述侦码设备的位置信息存储在设备信息表中,所述位置信息包括经纬度、场所标签和点位信息;
根据所述设备信息表中的所述位置信息,对满足预设条件的车牌-侦码设备对构建映射关系,以得到所述设备映射关系。
4.根据权利要求1所述的车码轨迹预关联方法,其特征在于,所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码,包括:
将所述车哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述车分桶标签;
将所述码哈希标签按位平均划分为多份,并将每份中的标签拼接在一起后经所述预设分桶转换哈希函数计算得到对应的多个所述码分桶标签;
将分桶标签相同的车牌和IMSI码存储在同一个表中。
5.根据权利要求1所述的车码轨迹预关联方法,其特征在于,在所述使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码之后,还包括:
根据目标车牌确定其所出现的第一目标分桶,统计所述第一目标分桶中的各个IMSI码的第一出现次数,根据所述第一出现次数选取结果IMSI码并与所述目标车牌形成预关联关系对;或者,
根据目标IMSI码确定其所出现的第二目标分桶,统计所述第二目标分桶中的各个车牌的第二出现次数,根据所述第二出现次数选取结果车牌并与所述目标IMSI码形成预关联关系对。
6.一种车码轨迹预关联装置,其特征在于,包括:
数据获取模块,用于获取车牌数据和IMSI数据,并根据车牌相机和侦码设备的位置信息构建设备映射关系;
轨迹数据生成模块,用于根据所述车牌数据、所述IMSI数据以及所述设备映射关系生成预设格式的车轨迹数据和码轨迹数据;
哈希标签计算模块,用于使用预设最小哈希公式分别对所述车轨迹数据和所述码轨迹数据进行计算,得到车哈希标签和码哈希标签;
分桶标签计算模块,用于使用预设分桶转换哈希函数分别对所述车哈希标签和所述码哈希标签进行计算,得到车分桶标签和码分桶标签,以划分得到分桶标签相同的车牌和IMSI码;
所述轨迹数据生成模块,包括:
时空轨迹形成单元,用于根据所述车牌数据形成各个车牌的车时空轨迹,以及根据所述IMSI数据形成各个IMSI码的码时空轨迹;
时间切片划分单元,用于根据预设时间间隔分别对所述车时空轨迹和所述码时空轨迹进行切片,得到车时间切片和码时间切片;
轨迹数据转化单元,用于根据所述车时间切片、所述码时间切片和所述设备映射关系将所述车时空轨迹转化为第一二维二进制稀疏数组作为所述车轨迹数据,以及将所述码时空轨迹转化为第二二维二进制稀疏数组作为所述码轨迹数据;
所述哈希标签计算模块,包括:
稀疏数组展开单元,用于分别将所述第一二维二进制稀疏数组和所述第二二维二进制稀疏数组展开为第一一维二进制稀疏数组和第二一维二进制稀疏数组;
最小哈希公式构造单元,用于根据预设哈希除数和预设哈希位数生成哈希乘数,并构造所述预设最小哈希公式为:
哈希标签计算单元,用于将所述第一一维二进制稀疏数组和所述第二一维二进制稀疏数组分别作为所述待计算目标,并使用所述预设最小哈希公式进行计算,以得到所述车哈希标签和所述码哈希标签。
7.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的车码轨迹预关联方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的车码轨迹预关联方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125417.1A CN115203354B (zh) | 2022-09-16 | 2022-09-16 | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125417.1A CN115203354B (zh) | 2022-09-16 | 2022-09-16 | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115203354A CN115203354A (zh) | 2022-10-18 |
CN115203354B true CN115203354B (zh) | 2022-12-02 |
Family
ID=83572992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211125417.1A Active CN115203354B (zh) | 2022-09-16 | 2022-09-16 | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203354B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778292B (zh) * | 2023-08-18 | 2023-11-28 | 深圳前海中电慧安科技有限公司 | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346289A (zh) * | 2018-02-13 | 2018-07-31 | 重庆交通大学 | 一种高速公路人车关联系统及方法 |
CN108809637A (zh) * | 2018-05-02 | 2018-11-13 | 西南交通大学 | 基于混合密码的lte-r车-地通信非接入层认证密钥协商方法 |
CN109669967A (zh) * | 2018-12-13 | 2019-04-23 | 深圳市信义科技有限公司 | 一种基于大数据技术的时空数据关联分析方法 |
CN111159254A (zh) * | 2019-12-30 | 2020-05-15 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
CN112218243A (zh) * | 2020-09-03 | 2021-01-12 | 北京北大千方科技有限公司 | 海量人车数据的关联方法、装置、设备及存储介质 |
WO2021175411A1 (en) * | 2020-03-03 | 2021-09-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Object location information provisioning for autonomous vehicle maneuvering |
CN114120428A (zh) * | 2022-01-18 | 2022-03-01 | 深圳前海中电慧安科技有限公司 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
-
2022
- 2022-09-16 CN CN202211125417.1A patent/CN115203354B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346289A (zh) * | 2018-02-13 | 2018-07-31 | 重庆交通大学 | 一种高速公路人车关联系统及方法 |
CN108809637A (zh) * | 2018-05-02 | 2018-11-13 | 西南交通大学 | 基于混合密码的lte-r车-地通信非接入层认证密钥协商方法 |
CN109669967A (zh) * | 2018-12-13 | 2019-04-23 | 深圳市信义科技有限公司 | 一种基于大数据技术的时空数据关联分析方法 |
CN111159254A (zh) * | 2019-12-30 | 2020-05-15 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
WO2021175411A1 (en) * | 2020-03-03 | 2021-09-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Object location information provisioning for autonomous vehicle maneuvering |
CN112218243A (zh) * | 2020-09-03 | 2021-01-12 | 北京北大千方科技有限公司 | 海量人车数据的关联方法、装置、设备及存储介质 |
CN114120428A (zh) * | 2022-01-18 | 2022-03-01 | 深圳前海中电慧安科技有限公司 | 一种图码联侦关联方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
transformer networks for trajectory forecasting;Giuliari等;《international conference for pattern recognition》;20200331;10335-10342 * |
基于大数据技术的公路涉毒防控体系的设计研究;李寓星;《数字技术与应用》;20210725;156-160 * |
Also Published As
Publication number | Publication date |
---|---|
CN115203354A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
CN109634946B (zh) | 一种基于大数据挖掘的轨迹智能匹配关联分析方法 | |
CN111090681B (zh) | 一种团伙挖掘方法、装置、设备及存储介质 | |
CN104318327A (zh) | 一种车辆轨迹预测分析方法 | |
Chen et al. | Radar: Road obstacle identification for disaster response leveraging cross-domain urban data | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
CN115203354B (zh) | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 | |
CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
EP3443482A1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN114328780B (zh) | 基于六角格的智慧城市地理信息更新方法、设备及介质 | |
CN111405475A (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
Yin et al. | A multi-task learning framework for road attribute updating via joint analysis of map data and GPS traces | |
CN113313098B (zh) | 视频处理方法、设备、系统及存储介质 | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN112738725B (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
CN112363996B (zh) | 用于建立电网知识图谱的物理模型的方法及系统和介质 | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
US20230196772A1 (en) | Query-oriented event recognition system and method | |
CN116524210A (zh) | 自动驾驶数据筛选方法、系统、电子设备和存储介质 | |
CN116610849A (zh) | 获取轨迹相似的移动对象的方法、装置、设备及存储介质 | |
CN112308464B (zh) | 业务流程数据处理方法和装置 | |
CN111427977A (zh) | 电子眼数据的处理方法及装置 | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
CN112148904B (zh) | 一种报警联动录像的索引方法及装置 | |
CN112289028B (zh) | 一种涉车套牌发现方法、装置、设备和介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Dongfeng Inventor after: Yu Yiyang Inventor after: Si Min Inventor before: Wang Dongfeng Inventor before: Yu Yiyang Inventor before: Yang Dewu |