基于大数据的车辆路线循迹问题分析

唐宇健 陈雅

摘   要：随着国内交通信息系统的完善，对道路、交通、车辆的监控也更加完善，形成了基于交通线路的动态监控系统。该系统的应用为交通管理、案件侦破、事故处理等工作提供了极大的便利，具有极高的应用价值。异常车辆预警就是通过对车辆路线循迹进行深入挖掘、整合、分析，形成转型预警方案，从海量的车辆动态信息中发现问题，指导相关部门采取及时的应对措施。基于大数据的交通分析和研究已经形成了爆发式增长，在充分地进行理论研究和对策研究后，大数据背景下的智能交通管理建设正如火如荼地进行，如何利用现有的多元数据采集渠道，加强数据处理的效率，高效、准确、及时地提供数据分析结果，很多地区和领域都进行了广泛的研究。文章对此展开了深入的分析。

关键词：大数据;路线循迹;异常车辆;动态监控

1    多元大数据采集端口

1.1  电子眼

各大城市都已经在道路上安装了电子眼，主要交通干道都架设有摄像头或各类交通传感器，为违章车辆的动态取证提供了技术保障，进一步完善视频图像采集，减少各类造成图片不清晰的因素，通过识别将车辆登记编号、车主信息等返回中心计算机数据库[1]。

1.2  GPS与北斗系统

由美国国防部设计和建成的全球定位系统（Global Positioning System，GPS）和由我国建设的“北斗”卫星导航定位系统[2]（预计2020年实现全球覆盖）都有着车辆跟踪、出行规划和信息查询等功能，将这两套系统丰富的数据源引入，将成为高质量的数据采集端口。目前，只要车辆安装有车载定位设备，通过读取卫星定位数据的经度坐标（Longitude）、纬度坐标（Latitude）、高度坐标（Altitude）和时间（Time）等信息，也可以协助获取车辆轨迹信息。

1.3  公路联网监控系统

全国各地的公路联网监控系统隶属交通运输部门，加强与交通运输部门的合作，整合采集的道路信息。类似的系统中也匹配有车辆图像信息采集摄像头，在对数字视频信息进行智能图像信息处理后，将数据信息进行计算、分析，以便得到有价值的支撑数据。

2    大数据平台体系与机制

进行大数据平台的设计和建设需要在制度上给出强有力的保障，一个自上而下、多元联动、职责明确的平台结构就要脱离现有框架，前瞻性地进行升级，并应对更多的更新和挑战。

2.1  车辆数据采集顶层平台

依托城市现有的智能交通系统，扩大原公安交通部门的数据采集量级，提升数据分析和数据分类的能力，从而建立一个多元、多网、多维的平台架构。

在顶层架构中，智能交通系统作为顶层架构，开放访问权限;元数据来源丰富，上文提到的人们生活中可接触到的联网感知终端都可以成为数据源提供者;经过数据清洗和数据转换，根据易读性和关联性将数据分为结构化数据、非结构化数据和半结构数据;通过数据分类，提取所用信息存入数据库中;公安警局的数据来源由原来的单源变为多源，使得原来需要人工推断和估测的部分更加有理有据，增加可靠性。

2.2  利益相关者的数据权责和风险

数据已经不只是简单的数学字符组合，也正成为宝贵的资产。数据的相关者在不同领域中有不同要素，各展所长。比如数据采集者，精通各种技术手段，设计各种电子设备进行高效率的数据采集;数据分析者，精通数据演算和分析;数据管理者，因某种管理职责和利益考虑而管理大数据[3]。

2.3  数据分析及采集偏差问题处理

在大数据采集过程中，数据是多了，但也会存在盲点、偏差、阴影，甚至自相矛盾的黑暗地带。

本文关注的问题集中在车辆的运动轨迹上，所以基于“公安警局技术侦查数据分析中心”的数据平台，读取某个时间T（i）指向的具体位置（Xi，Yi）是系统重点分析的内容。其中，i=0，即设定的起始值。假设信息采集起点，即i=0时，在大数据平台中获取一个数据集：

其中：X表示经度，Y表示纬度，I表示数据采集的时间轴点。根据目标数据在特征集中的分布，可以测算出一条车辆运动的轨迹。

如果各时间段的数据集存在盲点和偏差，就需要调用多元数据，进行数据测算和推演。将不同来源的数据进行权限设定，P（j）表示第j个数的权重比，n表示元数据的个数，因此，。新推演出来的某个时间轴的数据信息可以通过训练得知：

3    大数据模型应用研究

3.1  历史数据模型预警

卡口监控信息包括道路监控信息，是基于交通道路的动态监控信息，其时间周期性表现地较为明显，通过大数据技术的应用，能够形成基于道路和时间两个维度的数据模型，对道路的实际情况进行描述[4]。通过对历史信息规律进行提炼、总结，就能够形成历史信息预警方案，只要将实时监控信息与历史信息预警模型进行对比、分析，就能够及时发现异常情况，指导有关部门展开相关的工作。这种预警方案，是卡口大数据应用的基础模式，被广泛地应用于不同领域，可以根据预警能力的不同，调整信息对比属性，从而实现预警效果。

3.2  联动数据模型预警

区域内的道路是一个完整的系统，任何车辆的行驶都必须是在道路系统之内的，这就意味着车辆信息在区域内是动态可控的[5]。这种检测机制就是通过信息联动的形式，实现动态的监控，从变化中发现问题所在。联动数据模型预警就是要实现区域内所有卡口的信息联通，对每一辆车的运动情况进行监控，任何车辆信息的缺失、增加或变化，都可以被及时监控，并反饋到相关卡口，实现异常车辆信息预警。

4    结语

当前，应用卡口大数据进行异常车辆预警研究的趋势相对明确，都在积极开展整体和个体综合预警机制的研究，就是通过大数据进行数据处理和动态信息监控，建立双入口预警。既可以从日常卡口数据中发现异常车辆，并进行跟踪、监控，又可以根据侦查需求对特定类型车辆或特定车辆进行动态监测，并对比历史数据和整体数据信息对车辆异常信息进行预警。这种双入口的预警方案，灵活性更强，能够有效减少预警工作量，提高预警工作效率。

[參考文献]

[1]关金平，关志超，陈乙周，等.新型城镇化时期交通大数据云平台体系建设实践—以深圳市为例[M].北京：电子工业出版社，2017.

[2]赵光辉，朱谷生.大数据交通—从认知升级到应用实例[M].北京：机械工业出版社，2018.

[3]丁三军，薛宇，王朝霞，等.基于模糊数据挖掘的虚拟环境主机故障预测[J].计算机工程，2015（11）：202-206.

[4]欧阳晨.海关应用大数据的实践与思考[J].海关与经贸研究，2016（3）：33-43.

[5]李健.车辆轮胎痕迹特征分析与鉴定技术的研究[D].西安：长安大学，2013.

Analysis of vehicle route tracking based on big data

Tang Yujian1， Chen Ya2

（1.Nanning Tobacco Monopoly Administration， Nanning 530007， China; Guangxi Police College， Nanning 530023， China）

Abstract：With the improvement of the domestic transportation information system， the monitoring of roads， traffic and vehicles is more perfect， and a dynamic monitoring system based on traffic lines is formed. The application of this system provides great convenience for traffic management， case detection， accident handling， etc.， and has a very high application value. The abnormal vehicle early warning is to form a transformation early warning plan through in-depth excavation， integration， and analysis of vehicle route tracking. From the vast amount of vehicle dynamic information， problems are found and relevant departments are guided to take timely response measures. Traffic analysis and research based on big data have formed an explosive growth. After full theoretical research and countermeasures research， the management of intelligent traffic construction under the background of big data is in full swing， and how to make use of existing multiple data collection channels. Improve the efficiency of data processing， provide data analysis results in an efficient， accurate and timely manner， and conduct extensive research in many regions and fields. This paper carries out an in-depth analysis of this.

Key words：big data; route tracking; unusual vehicles; dynamic monitoring