本发明涉及智能交通
技术领域：
：，特别涉及一种基于临近点位分析的在线车辆行驶状态检测方法和系统。
背景技术：
：：目前，智能交通(ITS)的开发应用已取得巨大成就，美、欧、日等发达国家基本上完成了ITS体系框架，在重点发展领域大规模应用。可以说，科学技术的进步极大推动了交通的发展，而ITS的提出并实施，又为高新技术发展提供了广阔的发展空间。随着国内外对交通信息处理研究的逐步深入，统计分析技术、人工智能技术、数据挖掘技术、并行计算技术等逐步被应用于交通信息的处理中，使得交通信息的处理得到不断的发展和革新，更加满足ITS各子系统管理者、用户的需求。然而，随着社会经济的快速发展，城市道路交通日趋完善，车辆数据激增，一个大型城市每天的有几百万过车数据，在最高峰时期甚至高达几千万过车数据。在大数据时代，数据规模变得越来越大，并且由于数据的增长速度和非结构化的特性，现有技术中的工具已无法在用户可容忍的时间内对数据进行采集、管理和处理，导致无法及时准确完成车辆行驶状态的在线检测。技术实现要素：本发明实施例的目的在于提供一种基于临近点位分析的在线车辆行驶状态检测方法和系统，旨在解决现有技术无法在用户可容忍的时间内对数据进行采集、管理和处理，导致无法及时准确完成车辆行驶状态的在线检测等问题。根据本发明实施例的一方面，提供了一种基于临近点位分析的在线车辆行驶状态检测方法，包括：当目标车辆经过第一卡口点位时，根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围；根据所述目标车辆的特征信息和所述时间范围对所述目标车辆进行布控；当所述目标车辆到所述第一卡口点位的第一临近点位时，根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态。优选地，所述根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态，包括：根据所述目标车辆的当前通行数据和布控数据，判断所述目标车辆到达所述第一临近点位的第一时间是否位于，所述目标车辆从所述第一卡口点位达到所述第一临近点位的第一时间范围；根据判断结果确定所述目标车辆的行驶状态。优选地，所述根据判断结果确定所述目标车辆的行驶状态，包括：当所述判断结果为所述第一时间在所述第一时间范围内时，确定所述目标车辆的行驶状态正常；当所述判断结果为所述第一时间小于所述第一时间范围的最小时间时，确定所述目标车辆的行驶状态为超速状态；当所述判断结果为所述第一时间大于所述第一时间范围的最大时间时，确定所述目标车辆的行驶状态为低速状态。优选地，在所述根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态之后，所述方法还包括：对所述目标车辆进行撤控，并优化所述第一临近点位的配置数据。优选地，在所述根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围之前，所述方法还包括：根据各卡口点位之间的路段坐标信息计算得到各路段的空间距离；获取各路段的限速区间；根据各路段的空间距离和限速区间，计算得到所述各路段各种类型的车辆通行的时耗范围。另一方面，本发明还提供一种基于临近点位分析的在线车辆行驶状态检测系统，包括：计算模块，用于当目标车辆经过第一卡口点位时，根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围；布控模块，用于根据所述目标车辆的特征信息和所述时间范围对所述目标车辆进行布控；检测模块，用于当所述目标车辆到所述第一卡口点位的第一临近点位时，根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态。优选地，所述检测模块，包括：判断模块，用于根据所述目标车辆的当前通行数据和布控数据，判断所述目标车辆到达所述第一临近点位的第一时间是否位于，所述目标车辆从所述第一卡口点位达到所述第一临近点位的第一时间范围；确定模块，用于根据判断结果确定所述目标车辆的行驶状态。优选地，所述确定模块，用于当所述判断结果为所述第一时间在所述第一时间范围内时，确定所述目标车辆的行驶状态正常；当所述判断结果为所述第一时间小于所述第一时间范围的最小时间时，确定所述目标车辆的行驶状态为超速状态；当所述判断结果为所述第一时间大于所述第一时间范围的最大时间时，确定所述目标车辆的行驶状态为低速状态。优选地，所述系统还包括：撤控及优化模块，用于在所述检测模块根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态之后，对所述目标车辆进行撤控，并优化所述第一临近点位的配置数据。优选地，所述系统还包括：空间距离计算模块，用于在所述计算模块根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围之前，根据各卡口点位之间的路段坐标信息计算得到各路段的空间距离；限速区间获取模块，用于获取各路段的限速区间；时耗范围计算模块，用于根据各路段的空间距离和限速区间，计算得到所述各路段各种类型的车辆通行的时耗范围。与现有技术相比，本发明实施例的有益效果在于：本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测方法和系统，能够高效地并发处理大规模的车辆通行实时数据，确保用户及时准确的掌握车辆行驶状态的在线检测状态。附图说明图1是本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测方法流程图；图2是本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测具体方法流程图；图3是本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测系统结构示意图；图4是本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测系统具体结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。如图1所示，本发明实施例提供了一种基于临近点位分析的在线车辆行驶状态检测方法，包括：当目标车辆经过第一卡口点位时，根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围；根据所述目标车辆的特征信息和所述时间范围对所述目标车辆进行布控；当所述目标车辆到所述第一卡口点位的第一临近点位时，根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态。其中，所述根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态，包括：根据所述目标车辆的当前通行数据和布控数据，判断所述目标车辆到达所述第一临近点位的第一时间是否位于，所述目标车辆从所述第一卡口点位达到所述第一临近点位的第一时间范围；根据判断结果确定所述目标车辆的行驶状态。其中，所述根据判断结果确定所述目标车辆的行驶状态，包括：当所述判断结果为所述第一时间在所述第一时间范围内时，确定所述目标车辆的行驶状态正常；当所述判断结果为所述第一时间小于所述第一时间范围的最小时间时，确定所述目标车辆的行驶状态为超速状态；当所述判断结果为所述第一时间大于所述第一时间范围的最大时间时，确定所述目标车辆的行驶状态为低速状态。其中，在所述根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态之后，所述方法还包括：对所述目标车辆进行撤控，并优化所述第一临近点位的配置数据。其中，在所述根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围之前，所述方法还包括：根据各卡口点位之间的路段坐标信息计算得到各路段的空间距离；获取各路段的限速区间；根据各路段的空间距离和限速区间，计算得到所述各路段各种类型的车辆通行的时耗范围。本发明实施例提供的基于临近点位分析的在线车辆行驶状态检测方法，能够高效地并发处理大规模的车辆通行实时数据，确保用户及时准确的掌握车辆行驶状态的在线检测状态。参考图2，下面详细说明一下基于临近点位分析的在线车辆行驶状态检测方法的具体步骤：步骤S1，依次配置各卡口点位的临近点位关联关系。然后通过GIS地理信息系统等获取各卡口点位间路段坐标，计算各路段的空间距离；获取各路段的最高限速和最低限速值，并根据T＝S/V计算出各路段各种类型车辆通行需要的时耗范围最小时耗Tmin和最大时耗Tmax。其中，T：时耗，S：距离，V：速度；将各路段及其对应的车辆通行所需时耗范围等数据以Key-Value的形式初始化到系统缓存(如Redis等)中。其中，Redis是一个key-value存储系统，它支持存储的value类型相对更多，包括string(字符串)、list(链表)、set(集合)、zset(sortedset--有序集合)和hash(哈希类型)。这些数据类型都支持push/pop、add/remove及取交集并集和差集及更丰富的操作，为了保证效率，数据都是缓存在内存中。redis会周期性的把更新的数据写入磁盘或者把修改操作写入追加的记录文件，并且在此基础上实现了master-slave(主从)同步，数据可以从主服务器向任意数量的从服务器上同步，从服务器可以是关联其他从服务器的主服务器。步骤S2，当有车辆经过某卡口点位A时，系统根据保存在内存中的该点位的临近点位信息和到达各临近点位的时耗范围Tmin和Tmax高效计算出目标车辆到达各临近点位的时间范围Rmin和Rmax；其中，Rmin：最早到达时间，Rmax：最晚到达时间。步骤S3，针对点位A的各个临近点位，根据点位A上识别的目标车辆特征(如车牌号码、车身颜色，以及车脸上的细节特征)以及目标车辆到达各临近点位的时间范围Rmin和Rmax对目标车辆进行布控。步骤S4，当车辆到达点位A的某一个临近点位B时，通过对比目标车辆的当前通行数据和布控数据，判断目标车辆到达点位B的时间是否在预计的车辆到达时间范围Rmin和Rmax之内。如果在时间范围Rmin和Rmax之内，则视为行驶状态正常，直接进入下一步骤。如果不在时间范围Rmin和Rmax之内，则视为行驶状态异常：假如目标车辆在Rmin之前到达点位B，那么目标车辆可能存在超速行为，也可能被其它车辆套牌，通过布控数据中的车辆细节特征可以进一步判断车辆是否被套牌等异常状态；假如目标车辆在Rmax之后到达点位B，那么目标车辆可能中途出现故障、低速行驶，或者该路段当前拥堵等异常状态；假如目标车辆在Rmax之后长时间未到达而同行的其它车辆已到达，那么目标车辆可能在该路段出现交通事故、停车休息、车辆故障等异常状态。通过比对分析将车辆行驶异常状态分类告警推送到系统消息中心(如Kafka等)，系统实时响应告警消息并进行异常管理。其中，Kafka是一个开源的系统，旨在提供一个统一的，高吞吐、低延迟的分布式消息处理平台来对实时数据进行处理。它最早由LinkedIn开发，开源于2011年并被贡献给了Apache。Kafka区别于传统RabbitMQ、ApacheActiveMQ等消息系统的地方主要在于：分布式系统特性，易于扩展；为发布和订阅提供高吞吐量；支持多订阅，可以自动平衡消费者；可以将消息持久化到磁盘，可以用于批量消费，例如ETL等。步骤S5，完成临近点位布控比对和异常告警之后，则即时撤控，清除比对过程中的临时数据，释放分析过程中占用的系统资源。步骤S6，系统根据过车记录自动优化临近点位配置数据，如系统根据不同日期、不同时段、不同车辆类型、过车数量等数据进行统计，迭代更新临近点位配置数据，如车辆到达时间范围Rmin和Rmax、不同类型车辆的区间测速值等，使系统不断完善。如图3所示，本发明还提供一种基于临近点位分析的在线车辆行驶状态检测系统，包括：计算模块，用于当目标车辆经过第一卡口点位时，根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围；布控模块，用于根据所述目标车辆的特征信息和所述时间范围对所述目标车辆进行布控；检测模块，用于当所述目标车辆到所述第一卡口点位的第一临近点位时，根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态。其中，所述检测模块，包括：判断模块，用于根据所述目标车辆的当前通行数据和布控数据，判断所述目标车辆到达所述第一临近点位的第一时间是否位于，所述目标车辆从所述第一卡口点位达到所述第一临近点位的第一时间范围；确定模块，用于根据判断结果确定所述目标车辆的行驶状态。其中，所述确定模块，用于当所述判断结果为所述第一时间在所述第一时间范围内时，确定所述目标车辆的行驶状态正常；当所述判断结果为所述第一时间小于所述第一时间范围的最小时间时，确定所述目标车辆的行驶状态为超速状态；当所述判断结果为所述第一时间大于所述第一时间范围的最大时间时，确定所述目标车辆的行驶状态为低速状态。其中，所述系统还包括：撤控及优化模块，用于在所述检测模块根据所述目标车辆的当前通行数据和布控数据，检测所述目标车辆的行驶状态之后，对所述目标车辆进行撤控，并优化所述第一临近点位的配置数据。其中，所述系统还包括：空间距离计算模块，用于在所述计算模块根据所述第一卡口点位的各临近点位信息和各路段各种类型的车辆通行的时耗范围，计算得到所述目标车辆从所述第一卡口点位达到所述第一卡口点位的各临近点位的时间范围之前，根据各卡口点位之间的路段坐标信息计算得到各路段的空间距离；限速区间获取模块，用于获取各路段的限速区间；时耗范围计算模块，用于根据各路段的空间距离和限速区间，计算得到所述各路段各种类型的车辆通行的时耗范围。参考图4，下面详细说明一下该基于临近点位分析的在线车辆行驶状态检测系统的架构。首先，系统将临近点位配置、点位空间距离、最大最小限速值，以及通过计算得到的各路段各种类型车辆通行需要的时耗范围等信息写入高速缓存Redis中，提供给Storm分析结点在异常行驶状态检测过程中快速读取和更新。Storm是一个开源的分布式实时计算系统，可以简单、可靠的处理大量的数据流。Storm有很多使用场景：如实时分析，在线机器学习，持续计算，分布式RPC，ETL等。Storm支持水平扩展，具有高容错性，保证每个消息都会得到处理，而且处理速度很快(在一个小集群中，每个结点每秒可以处理数以百万计的消息)。Storm的部署和运维都很便捷，而且更为重要的是可以使用任意编程语言来开发应用。Storm有着非常快的处理速度，单节点可以达到百万个元组每秒，此外它还具有高扩展、容错、保证数据处理等特性。然后，来自卡口、电警、ETC等前端设备的车辆通行实时数据流被实时写入“大数据计算中心”的Kafka消息系统中，同时启用新的线程将车辆通行数据持久化到HBase中。其中，HBase-HadoopDatabase，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PCServer上搭建起大规模结构化存储集群。它在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。其次，Storm的Topology从Kafka消息系统中将信息读取出来，把这些消息通过Bolts进行临近点位间的异常行驶状态检测。最后，Storm将检测到的异常状态告警消息实时写入Kafka，同时启用新的线程将告警消息持久化到HBase中，提供给上层应用系统订阅和深度应用。为了能高效地并发处理大规模的车辆通行实时数据，该系统使用Kafka+Storm来设计，同时，为了满足高扩展性，将Storm和Kafka分别部署到不同的服务器上，如果需要更多的计算能力，可以随时通过创建新的服务器的方式来完成。此外为了满足高可用性，每台相同功能的服务器也需要至少部署2台，这样一旦一台服务器出现问题，另外一台服务器也可以持续提供服务。另外，该系统使用Redis+HBase来设计既能满足配置数据和计算产生的临时数据的快速访问，又能满足海量数据的持久化需求。以上实施方式仅用于说明本发明，而并非对本发明的限制，有关
技术领域：
：的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。当前第1页1 2 3 当前第1页1 2 3