本發(fā)明屬于智能交通、車輛偵查和數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于大數(shù)據(jù)的車輛積分預(yù)警系統(tǒng)及其方法。

背景技術(shù)：

隨著改革開放的深入，人民生活水平不斷提高，機動車數(shù)量迅猛增長，城市現(xiàn)代化建設(shè)步伐不斷加快，與交通相關(guān)的刑事和治安案件也逐年上升，特別是像肇事或作案后駕車逃逸、盜搶車輛、違章車輛和假牌套牌車輛等問題日益凸顯，給公安偵查工作帶來巨大挑戰(zhàn)。

犯罪分子利用車輛作案通常會有預(yù)謀，如踩點，在特殊時間頻繁出現(xiàn)在高危區(qū)域；為了逃避公安機關(guān)打擊，可能對車輛進行偽裝改造，如套牌、假牌車輛及遮擋等；像具有前科的人員，也很有可能再犯；物以類聚，人以群分，與有前科的人相關(guān)聯(lián)的人員比普通人出現(xiàn)犯罪的幾率要高。因此，可以結(jié)合各項指標，建立一種積分模型，對可能出現(xiàn)違法的車輛進行預(yù)警，防范于未然。

一般大型城市的日均過車數(shù)據(jù)量通常為百萬或千萬級別，面對如此大規(guī)模的數(shù)據(jù)量，通過人工方式進行車輛分析，顯然已經(jīng)無法完成，而且常規(guī)的車輛研判系統(tǒng)也無法完成實時處理和分析。

大數(shù)據(jù)(Big Data)通常用來形容大量非結(jié)構(gòu)化或者半結(jié)構(gòu)化的數(shù)據(jù)，這些數(shù)據(jù)在關(guān)系型數(shù)據(jù)庫用于分析時會花費過多時間和金錢。大數(shù)據(jù)分析相比于傳統(tǒng)的數(shù)據(jù)倉庫應(yīng)用，具有數(shù)據(jù)量大、查詢分析復(fù)雜等特點。通過應(yīng)用大數(shù)據(jù)的一些特殊技術(shù)，如分布式文件系統(tǒng)、并行處理分析和云計算平臺等，以實現(xiàn)高吞吐量、高并發(fā)、有效時間內(nèi)處理海量數(shù)據(jù)的需求。

因此，迫切需要一種基于大數(shù)據(jù)技術(shù)的車輛積分預(yù)警方法，及時有針對性打擊違法犯罪現(xiàn)象，促進社會和諧穩(wěn)定發(fā)展。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就在于克服現(xiàn)有技術(shù)存在的問題，提供一種基于大數(shù)據(jù)的車輛積分預(yù)警方法及系統(tǒng)。

本發(fā)明的目的是這樣實現(xiàn)的：

一、基于大數(shù)據(jù)的車輛積分預(yù)警系統(tǒng)(簡稱系統(tǒng))

本系統(tǒng)包括依次交互的實時過車數(shù)據(jù)整合模塊、二次識別集群、大數(shù)據(jù)實時運算中心和告警模塊。

二、基于大數(shù)據(jù)的車輛積分預(yù)警方法(簡稱方法)

本方法包括下列步驟：

開始

①建立積分預(yù)警模型

根據(jù)實際需要，將車輛外觀特征屬性和非外觀特征屬性，分別賦予一定權(quán)值，設(shè)定預(yù)警分數(shù)線，創(chuàng)建一種或者多種預(yù)警模型，保存到高性能庫中，然后初始化該模型；

②提取車輛特征信息

通過前端相機識別車輛的基本外觀信息，再利用二次識別，對車輛圖片進一步挖掘分析，獲取到更加詳細的外觀特征信息，將識別結(jié)果結(jié)構(gòu)化后發(fā)送至消息訂閱服務(wù)器；

③計算車輛積分

分布式計算引擎從消息訂閱服務(wù)器中獲取步驟②提取的車輛特征信息，解析步驟①中建立的預(yù)警模型，遍歷每個預(yù)警項，計算加權(quán)值后累加，根據(jù)模型設(shè)定的預(yù)警分數(shù)線判斷是否為可疑車輛，具體步驟如下：

A、判斷模型是否含外觀特征項(310)，是則進入步驟B，否則跳轉(zhuǎn)到步驟C；

B、計算外觀特征積分

用模型中的每個外觀特征項與車輛特征信息進行比對，根據(jù)符合度計算加權(quán)分數(shù)，不符合時記0分；

C、判斷模型是否含非外觀特征項，是則進入步驟D，否則跳轉(zhuǎn)到步驟E；

D、計算非外觀特征積分

遍歷非外觀特征積分項，如果是涉及到高危人員、違章數(shù)據(jù)等需要關(guān)聯(lián)查詢的項，則關(guān)聯(lián)查詢相應(yīng)的庫，存在對應(yīng)記錄時，則認為匹配并計算該項的加權(quán)值，否則記0分；如果積分項是關(guān)于時間、地點檢測的，可以從車輛特征信息中直接獲取并進行比較，符合時計算該項的加權(quán)值，否則記0分；

E、判斷積分是否超過預(yù)警分數(shù)線，是則進入步驟④，否則跳轉(zhuǎn)到步驟⑤

外觀特征與非外觀特征的積分求和，得到車輛積分，然后與該模型的分數(shù)線進行比較，超過預(yù)警分數(shù)線時進入步驟④，否則本次分析邏輯結(jié)束，可進入下一條車輛特征分析；

④產(chǎn)生告警

結(jié)合車輛信息與積分細則生成預(yù)警消息，發(fā)送至消息訂閱服務(wù)器，告警模塊訂閱后會立即收到預(yù)警消息，產(chǎn)生相應(yīng)告警，其他車輛管理、車輛偵查相關(guān)系統(tǒng)也可訂閱，共享預(yù)警消息；

⑤結(jié)束。

本發(fā)明具有下列優(yōu)點和積極效果：

①系統(tǒng)架構(gòu)穩(wěn)定高效，吞吐量大，能夠?qū)崟r處理分析海量車輛通行數(shù)據(jù)；

②系統(tǒng)結(jié)構(gòu)開放，易于同現(xiàn)有的車輛相關(guān)系統(tǒng)集成，如數(shù)據(jù)整合模塊可以從不同系統(tǒng)抽取車輛通行數(shù)據(jù)，預(yù)警信息可以共享給其他系統(tǒng)使用；

③預(yù)警模型靈活多變，可以根據(jù)實際需求自由設(shè)定積分項，對各類高危車輛進行預(yù)警，及時有針對性打擊違法犯罪現(xiàn)象，促進社會和諧穩(wěn)定發(fā)展。

附圖說明

圖1是本系統(tǒng)的結(jié)構(gòu)方框圖；

圖2是本方法的步驟圖。

圖中：

10—實時過車數(shù)據(jù)整合模塊；

20—二次識別集群，

21、22……2m—第1、2……m識別節(jié)點，m是自然數(shù)，？≤m≤？；

30—大數(shù)據(jù)實時運算中心，

31—Kafka，

32—Spark，

33—SolrCloud；

40—告警模塊40。

具體實施方式

下面結(jié)合附圖和實施例詳細說明：

一、系統(tǒng)

1、總體

如圖1，本系統(tǒng)包括依次交互的實時過車數(shù)據(jù)整合模塊10、二次識別集群20、大數(shù)據(jù)實時運算中心30和告警模塊40。

2、功能模塊

1)實時過車數(shù)據(jù)整合模塊10

采用ETL技術(shù)，實時獲取卡口、ETC、電警等前端設(shè)備的車輛通行數(shù)據(jù)，發(fā)送給二次識別集群進行處理20。

2)二次識別集群20

由多個識別節(jié)點(21-2m)組成的分布式二次識別集群，識別算法由C/C++實現(xiàn)，以便高效、實時處理車輛通行數(shù)據(jù)，提取車輛特征信息，如車輛品牌、有無年檢標、號牌遮蓋、駕駛員面部遮擋等，然后將識別結(jié)果發(fā)送至大數(shù)據(jù)集群30中的Kafka31。

3)大數(shù)據(jù)實時運算中心30

大數(shù)據(jù)實時運算中心30包括依次交互的Kafka31、Spark32和SolrCloud33。

(1)Kafka31

是一種高性能消息發(fā)布訂閱系統(tǒng)，可達每秒百萬消息吞吐量，非常適合轉(zhuǎn)發(fā)過車記錄這樣的大規(guī)模數(shù)據(jù)；

該組件主要作用是，接收來自二次識別集群20處理的車輛特征信息；接收Spark32分析后的預(yù)警消息，轉(zhuǎn)發(fā)給告警模塊40。

(2)Spark32

是一種專為大規(guī)模數(shù)據(jù)處理而設(shè)計的快速通用的計算引擎。系統(tǒng)啟動時從SolrCloud33中獲取預(yù)警模型并初始化，啟動后再由預(yù)警模型管理模塊通知更新模型。通過Kafka Stream從Kafka31獲取車輛特征信息，由Spark Stream并行處理分析，根據(jù)預(yù)警模型，計算外觀特征和非外觀特征的積分，其中計算非外觀特征積分的過程中會涉及到關(guān)聯(lián)查詢SolrCloud33，最后得到車輛積分，將超過預(yù)警分數(shù)線的車輛信息、積分細則格式化為預(yù)警消息發(fā)送給Kafka31。

(3)SolrCloud33

是一種基于Solr和Zookeeper的分布式搜索方案，提供高性能的檢索服務(wù)。

本系統(tǒng)中用于存儲預(yù)警模型，高危人員，違章記錄，異常行為等數(shù)據(jù)，供Spark032高速關(guān)聯(lián)查詢。

4)告警模塊40

訂閱Kafka31預(yù)警消息，獲取預(yù)警消息后生成相應(yīng)告警，如發(fā)出聲音、發(fā)送短信等等方式；其他車輛管理、車輛偵查相關(guān)系統(tǒng)也可以訂閱Kafka31，共享預(yù)警消息。

二、基于大數(shù)據(jù)的車輛積分預(yù)警方法(簡稱方法)

本方法包括下列步驟：

0、開始-000

①建立積分預(yù)警模型-100

根據(jù)實際需要，將車輛外觀特征屬性(包括車輛品牌、號牌遮擋、無牌、遮擋面部和有無年檢標)和非外觀特征屬性(包括車主是否高危人員、存在違章記錄或者異常行為)，分別賦予一定權(quán)值，設(shè)定預(yù)警分數(shù)線，創(chuàng)建一種或者多種預(yù)警模型，保存到高性能庫中，然后初始化該模型；

例1：在某區(qū)域a，利用改裝號牌的車輛案發(fā)率有上升趨勢，作案時間為晚上11點至凌晨5點之間，嫌疑人多數(shù)有前科，現(xiàn)需要一種積分預(yù)警模型，對該區(qū)域內(nèi)的可疑車輛進行預(yù)警，參考示例如下(注意可以根據(jù)實際情況進行添加或刪除預(yù)警項，修改權(quán)值及預(yù)警分數(shù)線)：

例2：某白色奧迪小轎車，車牌號末三位是789，具有重大嫌疑；考慮到車身顏色受光線影響，可能導(dǎo)致識別不正確，以不容易出現(xiàn)識別錯誤的特征項優(yōu)先，提高權(quán)值，現(xiàn)建立如下積分預(yù)警模型：

②提取車輛特征信息-200

通過前端相機識別車輛的基本外觀信息(包括車身顏色、車輛類型、號牌號碼和行駛速度)；再利用二次識別，對車輛圖片進一步挖掘分析，獲取到更加詳細的外觀特征信息(包括車輛品牌、有無年檢標、號牌遮蓋和駕駛員面部遮擋)，將識別結(jié)果結(jié)構(gòu)化后發(fā)送至消息訂閱服務(wù)器(如Kafka)；

③計算車輛積分300

分布式計算引擎(如Spark)從消息訂閱服務(wù)器中獲取步驟②提取的車輛特征信息，解析步驟①中建立的預(yù)警模型，遍歷每個預(yù)警項，計算加權(quán)值后累加，根據(jù)模型設(shè)定的預(yù)警分數(shù)線判斷是否為可疑車輛，具體步驟如下：

A、判斷模型是否含外觀特征項-310，是則進入步驟B，否則跳轉(zhuǎn)到步驟C；

B、計算外觀特征積分-320

用模型中的每個外觀特征項與車輛特征信息進行比對，根據(jù)符合度計算加權(quán)分數(shù)，不符合時記0分；

參考步驟①中的例1模型，如果車輛遮擋號牌，則外觀特征積分為：8(遮擋號牌)+0(無牌車輛)＝8分；如果號牌識別正常，則外觀特征積分為：0(遮擋號牌)+0(無牌車輛)＝0分；

參考步驟①中的例2模型,如果出現(xiàn)一輛灰色奧迪小轎車，號牌位數(shù)是789，則外觀特征積分為：10(車輛號牌)+7(車輛品牌)+5(車輛類型)+0(車身顏色)＝22分；如果出現(xiàn)一輛白色奧迪小轎車，號牌位數(shù)是888，則外觀特征積分為：0(車輛號牌)+7(車輛品牌)+5(車輛類型)+5(車身顏色)＝17分；

C、判斷模型是否含非外觀特征項-330，是則進入步驟D，否則跳轉(zhuǎn)到步驟E；

D、計算非外觀特征積分-340

遍歷非外觀特征積分項，如果是涉及到高危人員、違章數(shù)據(jù)等需要關(guān)聯(lián)查詢的項，則關(guān)聯(lián)查詢相應(yīng)的庫(SolrCloud)，存在對應(yīng)記錄時，則認為匹配并計算該項的加權(quán)值，否則記0分；如果積分項是關(guān)于時間、地點檢測的，可以從車輛特征信息中直接獲取并進行比較，符合時計算該項的加權(quán)值，否則記0分；

參考步驟①中的例1模型，可以根據(jù)車牌獲取車主信息，如身份證號等，然后去高危人員庫中查詢比對，如果車主是涉案在逃人員，則涉案在逃項記50分，如果車主與某慣犯存在密切的關(guān)聯(lián)關(guān)系，則關(guān)聯(lián)人員項記15分，以此類推，車輛套牌、盜搶車輛等項也可以通過關(guān)聯(lián)查詢檢測，然后計算加權(quán)值。根據(jù)前端相機抓拍的時間、地點，可以確定車輛是否在可疑時間段、高危區(qū)域出現(xiàn)。如前端相機屬于區(qū)域A內(nèi)，那么該前端相機抓拍的車輛在高危區(qū)域項的得分均為5分。某車輛經(jīng)過時間為2017-01-01 13：11：53，顯然不屬于可疑時間段內(nèi)，該項得0分，如經(jīng)過時間為2017-02-03 23：38：07，則屬于可疑時間段內(nèi)，該項得3分；

步驟①中的例2模型均為外觀特征積分項，不需要經(jīng)過此步驟；

E、判斷積分是否超過預(yù)警分數(shù)線-350，是則進入步驟④，否則跳轉(zhuǎn)到步驟⑤

外觀特征與非外觀特征的積分求和，得到車輛積分，然后與該模型的分數(shù)線進行比較，超過(≧預(yù)警分數(shù)線)時進入步驟④，否則本次分析邏輯結(jié)束，可進入下一條車輛特征分析；

④產(chǎn)生告警400

結(jié)合車輛信息與積分細則生成預(yù)警消息，發(fā)送至消息訂閱服務(wù)器(如Kafka)，告警模塊訂閱后會立即收到預(yù)警消息，產(chǎn)生相應(yīng)告警(如采用聲學(xué)、光學(xué)和短信的方式)，其他車輛管理、車輛偵查相關(guān)系統(tǒng)也可訂閱，共享預(yù)警消息。

⑤結(jié)束-500。