一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统的制作方法
【专利摘要】本发明涉及一种基于大数据车辆全轨迹碰撞的伴随车分析方法，包括S1、行车轨迹运算；按车牌号码分组、按过车时间排序，对每辆车的过车数据进行聚合，计算出每辆车的行车轨迹；S2、行车轨迹数据存储；将行车轨迹以“时间?卡口?车牌”为行键，以“时间?卡口?过车信息”为主键，建立行车轨迹数据序列存储于Hbase数据库中；S3、判断是否在当前卡口伴随；通过经过同一卡口的时间比较，判断在当前卡口的伴随车辆；S4、判断是否在其他卡口伴随；在同一卡口伴随后，继续基于各自当前的行车轨迹计算是否还有其他的卡口存在伴随，当伴随的卡口数量达到指定的N次，则判定两车符合伴随出行的条件，认定为伴随车。
【专利说明】
-种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
技术领域
[0001] 本发明设及智能交通领域，更具体的说，是设及一种基于大数据车辆全轨迹碰撞 的伴随车分析方法及系统。
【背景技术】
[0002] 随着机动车的普及，在各类刑事案件中使用机动车作案的情况也越来越多。机动 车移动迅速、活动范围大的特点给公安部口的案件侦查增大了难度。近年来，公路车辆智能 检测记录系统(俗称卡口系统)在我国大部分城市道路得到了广泛的应用，实现了车辆路口 图像抓拍、车牌号码识别、车辆行驶状态分析等车辆经过卡口的信息数据(简称过车数据） 的采集，为设车案件的侦破提供了丰富的线索。但是卡口系统所采集的数据量及其庞大，许 多更为重要的关联信息有待作进一步的挖掘。伴随车分析就是对海量过车数据进行关联分 析后得到的非常实用的信息。
[0003] 伴随车是指一辆W上的车辆同时经过某些卡口点位，且各自经过卡口点的时间差 在指定的范围内。犯罪分子在踩点和作案时，通常会使用多辆汽车，W提高成功率。从卡口 系统的角度看，团体作案具体表现为多辆车同时出没于特定卡口覆盖范围，利用该特征，从 海量过车数据中，就可W提取出满足特定条件的车辆，提高侦破效率，运就是伴随车辆分 析。
[0004] 然而，传统的伴随车分析方法受限于分析服务器内存，W及关系型数据库字段数 量的限定，往往只能基于限定的很短时间范围内的过车数据进行分析。运样分析出来的伴 随车并不能完整的反应车辆之间的伴随出行情况，对案件侦破的帮助有限。
【发明内容】
[0005] 有鉴于此，有必要针对上述问题，提供一种基于大数据车辆全轨迹碰撞的伴随车 分析方法及系统，通过特定行车轨迹格式进行聚合、分析计算，提供准确的、两两相关的伴 随车信息。
[0006] 为了实现上述目的，本发明的技术方案如下：
[0007] -种基于大数据车辆全轨迹碰撞的伴随车分析方法，包括W下步骤：
[000引S1、行车轨迹运算；按车牌号码分组、按过车时间排序，对每辆车的过车数据进行 聚合，计算出每辆车的行车轨迹；
[0009] S2、行车轨迹数据存储;将行车轨迹W咐间-卡口-车牌"为行键，时间-卡口- 过车信息"为列，建立行车轨迹数据序列存储于化ase数据库中；
[0010] S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较，判断在当前卡口的 伴随车辆；
[0011] S4、判断是否在其他卡口伴随;在同一卡口伴随后，继续基于各自当前的行车轨迹 计算是否还有其他的卡口存在伴随，当伴随的卡口数量达到指定的N次，则判定两车符合伴 随出行的条件，认定为伴随车。
[0012] 作为优选的，所述步骤SI中和步骤S3中，通过MapReduce算法模型分别对过车数据 和行车轨迹数据进行聚合。
[0013] 作为优选的，所述步骤S2中，行车轨迹与过车数据一一对应，每一条过车数据都计 算出一条行车轨迹数据，所述行车轨迹数据包括所有当前过车时间之前的过车数据。
[0014] 作为优选的，所述步骤S4中，N含2。
[0015] 作为优选的，所述步骤S1中，按过车数据中的车牌号码分组，W经过卡口的时间由 大到小排序来进行聚合。
[0016] 作为优选的，所述步骤S3具体包括：
[0017] S301、依次提取步骤S2中的行车轨迹数据，按卡口编号分组、按过车时间排序，对 所有行车轨迹数据进行聚合，聚合后的行车轨迹均为行键"时间-卡口-车牌"中卡口相同的 数据，表示当前时间里车辆均经过同一卡口；
[0018] S302、将各个车辆经过该卡口的时间进行比较，只要经过时间在指定的±ΔΤ时间 内，即认为两车在该卡口伴随行驶。
[0019] -种根据上述方法进行伴随车分析的系统，包括过车数据存储模块、行车轨迹计 算模块、行车轨迹存储模块、伴随车分析模块和伴随车结果解析模块；
[0020] 所述过车数据存储模块用于管理原始过车数据；
[0021 ]所述行车轨迹计算模块用于计算车辆的行车轨迹；
[0022] 所述行车轨迹数据存储模块用于计算出行车轨迹数据；
[0023] 所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析，并计算出伴随车结 果；
[0024] 所述伴随车结果解析模块，用于将计算得到的伴随车结果解析并存储。
[0025] 作为优选的，所述过车数据存储模块和行车轨迹数据存储模块采用列式数据库 化ase完成存储。
[0026] 作为优选的，所述行车轨迹计算模块和伴随车分析模块为大数据计算、分析中屯、， 通过MapReduce算法模型完成计算。
[0027] 与现有技术相比，本发明的有益效果在于:本发明首先W天为单位，提取所有车辆 的过车数据。然后对所有的过车数据进行分析、挖掘，W车牌号码为维度计算出每辆车的行 车轨迹，利用化ase列式数据库列可W无限扩展的特点，将行车轨迹按车牌号为主键存储于 化ase中，再将所有车的行车轨迹按卡口聚合后两两进行关联分析，计算出每辆车与之相关 联的伴随车。本发明基于大数据的分布式集群计算模式，避免了计算时服务器内存的限制， 同时列式数据库化ase能很好的解决数据库字段数量的约束，在此基础上，本发明擬弃了 W 往基于限定时间内的过车数据进行分析的方式，改为基于车辆全轨迹数据进行伴随车分析 的方法，该方法计算出的伴随车可有效的反映出每辆车在指定的日期里的伴随车车牌号 码、伴随经过的卡口、伴随时间等信息。
【附图说明】
[0028] 图1为本发明实施例1中方法的流程框图；
[0029] 图2为本发明实施例1中方法的具体流程示意图；
[0030] 图3为本发明实施例2中系统的结构框图。
【具体实施方式】
[0031] 下面结合附图和实施例对本发明所述的一种基于大数据车辆全轨迹碰撞的伴随 车分析方法及系统作进一步说明。
[0032] W下是本发明所述的的最佳实例，并不因此限定本发明的保护范围。
[0033] 实施例1
[0034] 图1示出了本发明所述的一种基于大数据车辆全轨迹碰撞的伴随车分析方法，包 括W下步骤：
[0035] S1、行车轨迹运算；按车牌号码分组、按过车时间排序，对每辆车的过车数据进行 聚合，计算出每辆车的行车轨迹；
[0036] S2、行车轨迹数据存储;将行车轨迹W咐间-卡口-车牌"为行键，时间-卡口- 过车信息"为列，建立行车轨迹数据序列存储于化ase数据库中；
[0037] S3、判断是否在当前卡口伴随;通过经过同一卡口的时间比较，判断在当前卡口的 伴随车辆；
[0038] S4、判断是否在其他卡口伴随;在同一卡口伴随后，继续基于各自当前的行车轨迹 计算是否还有其他的卡口存在伴随，当伴随的卡口数量达到指定的N次，则判定两车符合伴 随出行的条件，认定为伴随车。
[0039] 在本实施例中，图2示出了本发明所述方法的具体流程步骤，其中，更具体的：
[0040] (1)过车数据聚合与行车轨迹计算；
[0041 ]过车数据是车辆经过卡口监控设备时，设备采集的车辆行驶信息。该步骤主要是 按过车数据中的车牌号码分组，W经过卡口的时间由大到小排序来进行聚合。具体聚合的 操作由MapReduce计算模型进行操作，MapReduce能充分利用集群分布式计算的特点，按照 指定的分组方式和大小排序逻辑对数据进行聚合。
[0042] 聚合之后，每一组过车数据都将是来自同一个车牌号码，并且是已经按照时间由 大到小完成排序。实际上，运已经是完整的行车轨迹，之后只需要再将运些聚合后的数据按 照要求的格式完成存储即可，格式如表一。
[0043] 由于每辆车在行驶过程中，经过的卡口数据都是不确定的，且车辆每经过一个卡 口点位，该车当前时间的行车轨迹也是与之前或者之后经过其他卡口点位时的行车轨迹存 在差别。所W在进行行车轨迹计算时，每辆车每经过一个卡口点位都将得到一条长度各异 的行车轨迹。并且行车轨迹将与过车数据一一对应，每一条过车数据都计算出一条运样的 行车轨迹:包含所有经过时间小于等于当前过车时间的过车数据，如表一。
[0044]
[0045] 表一
[0046] (2)行车轨迹聚合；
[0047] 经（1)得到的行车轨迹是时间_卡口 _车牌"为行健，与过车数据一一对应，并且 列族中保存着小于等于行健"时间_卡口 _车牌"中时间的该车牌所有行车轨迹。在该行车轨 迹上再W行健"时间_卡口_车牌"中卡口分组，W行健"时间_卡口 _车牌"中时间由小到大排 序进行聚合。
[004引（3)比较相邻的行车轨迹；
[0049] 经(2)聚合后的数据每一组都是行健"时间_卡口 _车牌"中卡口相同的行车轨迹， 并且都是W行健"时间_卡口_车牌"中时间由小到大完成排序的。对于每组的数据，首先依 次将数据提取、加载到计算节点的缓存中。然后分析缓存中的数据是否有行健"时间_卡口_ 车牌"中时间距当前行车轨迹行健"时间_卡口_车牌"中时间的差值超过伴随车定义的时间 范围± ΔΤ的，如果有将其从缓存中清除。
[0050] (4)判断是否在当前卡口伴随；
[0051] 行车轨迹存入缓存之后，将该行车轨迹数据与缓存中的数据进行比较。因为缓存 中的数据都是距当前数据时间差在指定的±ΔΤ内的，同时经过(2)聚合之后，处于同一计 算组的数据的行健"时间_卡口 _车牌"中的卡口编号又都是相同的。
[0052] 因此，只要缓存中的数据与当前数据不是属于同一车牌号码，则可判定两车在当 前卡口是伴随车。
[0053] (5)判断是否在其他卡口伴随；
[0054] 通常情况下，两车在一个卡口伴随，并不能被判定为伴随车。所W在(4)中发现缓 存中有某一条数据所对应的车辆与当前车辆是伴随车关系时，需要继续根据运两辆车的行 车轨迹进行深度的二次碰撞。
[0055] 假设在取出车辆A的行车轨迹进行对比分析时，车辆A和车辆Β在卡口Κ1被判定为 伴随行驶，同时车辆A和车辆B的当前行车轨迹数据如表二所示，分别为：
[0化6]
[0化7] 表二
[005引现在需要将车辆A当前列族中的行车轨迹取出，依次与车辆B当前列族中的行车轨 迹进行比较。因为车辆A在经过卡口 K1之前是经过卡口 K2,所W首先查找车辆B当前的行车 轨迹是否有经过卡口 K2,如果有则将各自经过卡口 K2的经过时刻进行比较，若时间差在± ΔΤ内则判断车辆A和车辆B在卡口K2是伴随出行（即|Τ12-Τ22|< = ΔΤ)。
[0059] 按照W上原理，依次将车辆A的行车轨迹数据逐个与车辆Β的进行碰撞，计算出在 当前时间两车的伴随出行次数。只要次数达到系统设定的伴随次数时，即认定两车是相互 的伴随车。
[0060] 实施例2
[0061] 图3示出了根据实施例1中所述方法进行车辆伴随分析的系统，包括过车数据存储 模块、行车轨迹计算模块、行车估计存储模块、伴随车分析模块和伴随车结果解析模块；
[0062] 所述过车数据存储模块用于管理原始过车数据；
[0063] 所述行车轨迹计算模块用于计算车辆的行车轨迹；
[0064] 所述行车轨迹数据存储模块用于计算出行车轨迹数据；
[0065] 所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析，并计算出伴随车结 果；
[0066] 所述伴随车结果解析模块，用于将计算得到的伴随车结果解析并存储。
[0067] 作为优选的，所述过车数据存储模块和行车轨迹数据存储模块采用列式数据库 化ase完成存储。
[0068] 作为优选的，所述行车轨迹计算模块和伴随车分析模块为大数据计算、分析中屯、， 通过MapReduce算法模型完成计算。
[0069] 综上所述，本发明首先W天为单位，提取所有车辆的过车数据。然后对所有的过车 数据进行分析、挖掘，W车牌号码为维度计算出每辆车的行车轨迹，利用化ase列式数据库 列可W无限扩展的特点，将行车轨迹按车牌号为主键存储于化ase中，再将所有车的行车轨 迹按卡口聚合后两两进行关联分析，计算出每辆车与之相关联的伴随车。本发明基于大数 据的分布式集群计算模式，避免了计算时服务器内存的限制，同时列式数据库化ase能很好 的解决数据库字段数量的约束，在此基础上，本发明擬弃了 W往基于限定时间内的过车数 据进行分析的方式，改为基于车辆全轨迹数据进行伴随车分析的方法，该方法计算出的伴 随车可有效的反映出每辆车在指定的日期里的伴随车车牌号码、伴随经过的卡口、伴随时 间等信息。
[0070] W上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并 不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员 来说，在不脱离本发明构思的前提下，还可W做出若干变形和改进，运些都属于本发明的保 护范围。因此，本发明专利的保护范围应W所附权利要求为准。
【主权项】
1. 一种基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于，包括以下步骤： 51、 行车轨迹运算;按车牌号码分组、按过车时间排序，对每辆车的过车数据进行聚合， 计算出每辆车的行车轨迹； 52、 行车轨迹数据存储;将行车轨迹以"时间-卡口-车牌"为行键，以"时间-卡口 -过车 信息"为列，建立行车轨迹数据序列存储于Hbase数据库中； 53、 判断是否在当前卡口伴随;通过经过同一卡口的时间比较，判断在当前卡口的伴随 车辆； 54、 判断是否在其他卡口伴随;在同一卡口伴随后，继续基于各自当前的行车轨迹计算 是否还有其他的卡口存在伴随，当伴随的卡口数量达到指定的N次，则判定两车符合伴随出 行的条件，认定为伴随车。2. 根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于， 所述步骤S1中和步骤S3中，通过MapReduce算法模型分别对过车数据和行车轨迹数据进行 聚合。3. 根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于， 所述步骤S2中，行车轨迹与过车数据一一对应，每一条过车数据都计算出一条行车轨迹数 据，所述行车轨迹数据包括所有当前过车时间之前的过车数据。4. 根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于， 所述步骤S4中，NS2。5. 根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于， 所述步骤S1中，按过车数据中的车牌号码分组，以经过卡口的时间由大到小排序来进行聚 合。6. 根据权利要求1所述的基于大数据车辆全轨迹碰撞的伴随车分析方法，其特征在于， 所述步骤S3具体包括： 5301、 依次提取步骤S2中的行车轨迹数据，按卡口编号分组、按过车时间排序，对所有 行车轨迹数据进行聚合，聚合后的行车轨迹均为行键"时间-卡口-车牌"中卡口相同的数 据，表示当前时间里车辆均经过同一卡口； 5302、 将各个车辆经过该卡口的时间进行比较，只要经过时间在指定的土 ΛΤ时间内， 即认为两车在该卡口伴随行驶。7. -种根据权利要求1至6任一所述方法进行伴随车分析的系统，其特征在于，包括过 车数据存储模块、行车轨迹计算模块、行车估计存储模块、伴随车分析模块和伴随车结果解 析模块； 所述过车数据存储模块用于管理原始过车数据； 所述行车轨迹计算模块用于计算车辆的行车轨迹； 所述行车轨迹数据存储模块用于计算出行车轨迹数据； 所述伴随车分析模块用于基于行车轨迹数据进行聚合、分析，并计算出伴随车结果； 所述伴随车结果解析模块，用于将计算得到的伴随车结果解析并存储。8. 根据权利要求7所述的系统，其特征在于，所述过车数据存储模块和行车轨迹数据存 储模块采用列式数据库Hbase完成存储。9. 根据权利要求7所述的系统，其特征在于，所述行车轨迹计算模块和伴随车分析模块 为大数据计算、分析中心，通过MapReduce算法模型完成计算。
【文档编号】G08G1/01GK105825671SQ201610159886
【公开日】2016年8月3日
【申请日】2016年3月21日
【发明人】任博, 罗超, 龙剑
【申请人】武汉烽火众智数字技术有限责任公司