基于大數據的車輛積分預警系統及其方法技術方案

本發明專利技術公開了一種基于大數據的車輛積分預警系統及其方法，屬于智能交通、車輛偵查和數據挖掘領域。本系統包括依次交互的實時過車數據整合模塊、二次識別集群、大數據實時運算中心和告警模塊。本方法是：①建立積分預警模型（100）；②提取車輛特征信息；③計算車輛積分；④產生告警；⑤結束。本發明專利技術系統架構穩定高效，吞吐量大，能夠實時處理分析海量車輛通行數據；系統結構開放，易于同現有的車輛相關系統集成，如數據整合模塊可以從不同系統抽取車輛通行數據，預警信息可以共享給其他系統使用；預警模型靈活多變，可以根據實際需求自由設定積分項，對各類高危車輛進行預警，及時有針對性打擊違法犯罪現象，促進社會和諧穩定發展。

Vehicle integral early warning system based on large data and method thereof

The invention discloses a vehicle integral early warning system based on large data and a method thereof, belonging to the field of intelligent transportation, vehicle detection and data mining. The system consists of the real-time vehicle passing data integration module, the two identification cluster, the big data real-time operation center and the alarm module. The method comprises the following steps: (1) establishing an integral early warning model (100); extracting vehicle characteristic information; calculating vehicle integration; generating alarms; and ending. The invention is stable and efficient system architecture, high throughput, real-time processing and analysis of massive traffic data; open system structure, is easy to be associated with the existing vehicle system integration, such as data integration module can access data from different systems from the vehicle, the warning information can be shared with other systems; early warning model is flexible, according to the actual needs of freedom set the integral item of early warning for the various types of high-risk vehicles, timely and targeted against illegal crime phenomenon, promote social harmony and stable development.

【技術實現步驟摘要】
基于大數據的車輛積分預警系統及其方法
本專利技術屬于智能交通、車輛偵查和數據挖掘領域，具體涉及一種基于大數據的車輛積分預警系統及其方法。
技術介紹
隨著改革開放的深入，人民生活水平不斷提高，機動車數量迅猛增長，城市現代化建設步伐不斷加快，與交通相關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。犯罪分子利用車輛作案通常會有預謀，如踩點，在特殊時間頻繁出現在高危區域；為了逃避公安機關打擊，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，與有前科的人相關聯的人員比普通人出現犯罪的幾率要高。因此，可以結合各項指標，建立一種積分模型，對可能出現違法的車輛進行預警，防范于未然。一般大型城市的日均過車數據量通常為百萬或千萬級別，面對如此大規模的數據量，通過人工方式進行車輛分析，顯然已經無法完成，而且常規的車輛研判系統也無法完成實時處理和分析。大數據(BigData)通常用來形容大量非結構化或者半結構化的數據，這些數據在關系型數據庫用于分析時會花費過多時間和金錢。大數據分析相比于傳統的數據倉庫應用，具有數據量大、查詢分析復雜等特點。通過應用大數據的一些特殊技術，如分布式文件系統、并行處理分析和云計算平臺等，以實現高吞吐量、高并發、有效時間內處理海量數據的需求。因此，迫切需要一種基于大數據技術的車輛積分預警方法，及時有針對性打擊違法犯罪現象，促進社會和諧穩定發展。
技術實現思路
本專利技術的目的就在于克服現有技術存在的問題，提供一種基于大數據的車輛積分預警方法及系統。本專利技術的目的是這樣實現的：一、基于大數據的車輛積分預警系統(簡稱系統)本系統包括依次交互的實時過車數據整合模塊、二次識別集群、大數據實時運算中心和告警模塊。二、基于大數據的車輛積分預警方法(簡稱方法)本方法包括下列步驟：開始①建立積分預警模型根據實際需要，將車輛外觀特征屬性和非外觀特征屬性，分別賦予一定權值，設定預警分數線，創建一種或者多種預警模型，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，將識別結果結構化后發送至消息訂閱服務器；③計算車輛積分分布式計算引擎從消息訂閱服務器中獲取步驟②提取的車輛特征信息，解析步驟①中建立的預警模型，遍歷每個預警項，計算加權值后累加，根據模型設定的預警分數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，根據符合度計算加權分數，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、違章數據等需要關聯查詢的項，則關聯查詢相應的庫，存在對應記錄時，則認為匹配并計算該項的加權值，否則記0分；如果積分項是關于時間、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值，否則記0分；E、判斷積分是否超過預警分數線，是則進入步驟④，否則跳轉到步驟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線進行比較，超過預警分數線時進入步驟④，否則本次分析邏輯結束，可進入下一條車輛特征分析；④產生告警結合車輛信息與積分細則生成預警消息，發送至消息訂閱服務器，告警模塊訂閱后會立即收到預警消息，產生相應告警，其他車輛管理、車輛偵查相關系統也可訂閱，共享預警消息；⑤結束。本專利技術具有下列優點和積極效果：①系統架構穩定高效，吞吐量大，能夠實時處理分析海量車輛通行數據；②系統結構開放，易于同現有的車輛相關系統集成，如數據整合模塊可以從不同系統抽取車輛通行數據，預警信息可以共享給其他系統使用；③預警模型靈活多變，可以根據實際需求自由設定積分項，對各類高危車輛進行預警，及時有針對性打擊違法犯罪現象，促進社會和諧穩定發展。附圖說明圖1是本系統的結構方框圖；圖2是本方法的步驟圖。圖中：10—實時過車數據整合模塊；20—二次識別集群，21、22……2m—第1、2……m識別節點，m是自然數，？≤m≤？；30—大數據實時運算中心，31—Kafka，32—Spark，33—SolrCloud；40—告警模塊40。具體實施方式下面結合附圖和實施例詳細說明：一、系統1、總體如圖1，本系統包括依次交互的實時過車數據整合模塊10、二次識別集群20、大數據實時運算中心30和告警模塊40。2、功能模塊1)實時過車數據整合模塊10采用ETL技術，實時獲取卡口、ETC、電警等前端設備的車輛通行數據，發送給二次識別集群進行處理20。2)二次識別集群20由多個識別節點(21-2m)組成的分布式二次識別集群，識別算法由C/C++實現，以便高效、實時處理車輛通行數據，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，然后將識別結果發送至大數據集群30中的Kafka31。3)大數據實時運算中心30大數據實時運算中心30包括依次交互的Kafka31、Spark32和SolrCloud33。(1)Kafka31是一種高性能消息發布訂閱系統，可達每秒百萬消息吞吐量，非常適合轉發過車記錄這樣的大規模數據；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分析后的預警消息，轉發給告警模塊40。(2)Spark32是一種專為大規模數據處理而設計的快速通用的計算引擎。系統啟動時從SolrCloud33中獲取預警模型并初始化，啟動后再由預警模型管理模塊通知更新模型。通過KafkaStream從Kafka31獲取車輛特征信息，由SparkStream并行處理分析，根據預警模型，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聯查詢SolrCloud33，最后得到車輛積分，將超過預警分數線的車輛信息、積分細則格式化為預警消息發送給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。本系統中用于存儲預警模型，高危人員，違章記錄，異常行為等數據，供Spark032高速關聯查詢。4)告警模塊40訂閱Kafka31預警消息，獲取預警消息后生成相應告警，如發出聲音、發送短信等等方式；其他車輛管理、車輛偵查相關系統也可以訂閱Kafka31，共享預警消息。二、基于大數據的車輛積分預警方法(簡稱方法)本方法包括下列步驟：0、開始-000①建立積分預警模型-100根據實際需要，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)，分別賦予一定權值，設定預警分數線，創建一種或者多種預警模型，保存到高性能庫中，然后初始化該模型；例1：在某區域a，利用改裝號牌的車輛案發率有上升趨勢，作案時間為晚上11點至凌晨5點之間，嫌疑人多數有前科，現需要一種積分預警模型，對該區域內的可疑車輛進行預警，參考示例如下(本文檔來自技高網...

【技術保護點】
一種基于大數據的車輛積分預警系統，其特征在于：包括依次交互的實時過車數據整合模塊（10）、二次識別集群（20）、大數據實時運算中心（30）和告警模塊（40）。

【技術特征摘要】
1.一種基于大數據的車輛積分預警系統，其特征在于：包括依次交互的實時過車數據整合模塊（10）、二次識別集群（20）、大數據實時運算中心（30）和告警模塊（40）。2.按權利要求1所述的一種基于大數據的車輛積分預警系統，其特征在于：所述的實時過車數據整合模塊10是一種采用ETL技術，實時獲取卡口、ETC、電警等前端設備的車輛通行數據，發送給二次識別集群進行處理（20）。3.按權利要求1所述的一種基于大數據的車輛積分預警系統，其特征在于：所述的二次識別集群（20）由多個識別節點組成的分布式二次識別集群，識別算法由C/C++實現，以便高效、實時處理車輛通行數據，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，然后將識別結果發送至大數據集群（30）中的Kafka31。4.按權利要求1所述的一種基于大數據的車輛積分預警系統，其特征在于：所述的大數據實時運算中心（30）包括依次交互的Kafka（31）、Spark（32）和SolrCloud（33）。5.按權利要求1所述的一種基于大數據的車輛積分預警系統，其特征在于：所述的告警模塊（40）是一種訂閱Kafka31預警消息，獲取預警消息后生成相應告警。6.基于權利要求1-5所述車輛積分預警系統的車輛積分預方法，其特征在于包括下列步驟：開始（000）①建立積分預警模型（100）根據實際需要，將車輛外觀特征屬性和非外觀特征屬性，分別賦予一定權值，設定預警分數線，創建一種或者多種預警模型，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（200）通過前端相機識別...

【專利技術屬性】
技術研發人員：張龍濤，羅超，賈麗娜，張仁輝，尹飛，諶家奇，
申請(專利權)人：武漢烽火眾智數字技術有限責任公司，
類型：發明
國別省市：湖北,42