本發(fā)明涉及智能交通
技術領域：
：，特別涉及一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法和系統(tǒng)。
背景技術：
：：目前，智能交通(ITS)的開發(fā)應用已取得巨大成就，美、歐、日等發(fā)達國家基本上完成了ITS體系框架，在重點發(fā)展領域大規(guī)模應用?？梢哉f，科學技術的進步極大推動了交通的發(fā)展，而ITS的提出并實施，又為高新技術發(fā)展提供了廣闊的發(fā)展空間。隨著國內(nèi)外對交通信息處理研究的逐步深入，統(tǒng)計分析技術、人工智能技術、數(shù)據(jù)挖掘技術、并行計算技術等逐步被應用于交通信息的處理中，使得交通信息的處理得到不斷的發(fā)展和革新，更加滿足ITS各子系統(tǒng)管理者、用戶的需求。然而，隨著社會經(jīng)濟的快速發(fā)展，城市道路交通日趨完善，車輛數(shù)據(jù)激增，一個大型城市每天的有幾百萬過車數(shù)據(jù)，在最高峰時期甚至高達幾千萬過車數(shù)據(jù)。在大數(shù)據(jù)時代，數(shù)據(jù)規(guī)模變得越來越大，并且由于數(shù)據(jù)的增長速度和非結(jié)構(gòu)化的特性，現(xiàn)有技術中的工具已無法在用戶可容忍的時間內(nèi)對數(shù)據(jù)進行采集、管理和處理，導致無法及時準確完成車輛行駛狀態(tài)的在線檢測。技術實現(xiàn)要素：本發(fā)明實施例的目的在于提供一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法和系統(tǒng)，旨在解決現(xiàn)有技術無法在用戶可容忍的時間內(nèi)對數(shù)據(jù)進行采集、管理和處理，導致無法及時準確完成車輛行駛狀態(tài)的在線檢測等問題。根據(jù)本發(fā)明實施例的一方面，提供了一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法，包括：當目標車輛經(jīng)過第一卡口點位時，根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍；根據(jù)所述目標車輛的特征信息和所述時間范圍對所述目標車輛進行布控；當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)。優(yōu)選地，所述根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)，包括：根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位于，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間范圍；根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)。優(yōu)選地，所述根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)，包括：當所述判斷結(jié)果為所述第一時間在所述第一時間范圍內(nèi)時，確定所述目標車輛的行駛狀態(tài)正常；當所述判斷結(jié)果為所述第一時間小于所述第一時間范圍的最小時間時，確定所述目標車輛的行駛狀態(tài)為超速狀態(tài)；當所述判斷結(jié)果為所述第一時間大于所述第一時間范圍的最大時間時，確定所述目標車輛的行駛狀態(tài)為低速狀態(tài)。優(yōu)選地，在所述根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)之后，所述方法還包括：對所述目標車輛進行撤控，并優(yōu)化所述第一臨近點位的配置數(shù)據(jù)。優(yōu)選地，在所述根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍之前，所述方法還包括：根據(jù)各卡口點位之間的路段坐標信息計算得到各路段的空間距離；獲取各路段的限速區(qū)間；根據(jù)各路段的空間距離和限速區(qū)間，計算得到所述各路段各種類型的車輛通行的時耗范圍。另一方面，本發(fā)明還提供一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測系統(tǒng)，包括：計算模塊，用于當目標車輛經(jīng)過第一卡口點位時，根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍；布控模塊，用于根據(jù)所述目標車輛的特征信息和所述時間范圍對所述目標車輛進行布控；檢測模塊，用于當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)。優(yōu)選地，所述檢測模塊，包括：判斷模塊，用于根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位于，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間范圍；確定模塊，用于根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)。優(yōu)選地，所述確定模塊，用于當所述判斷結(jié)果為所述第一時間在所述第一時間范圍內(nèi)時，確定所述目標車輛的行駛狀態(tài)正常；當所述判斷結(jié)果為所述第一時間小于所述第一時間范圍的最小時間時，確定所述目標車輛的行駛狀態(tài)為超速狀態(tài)；當所述判斷結(jié)果為所述第一時間大于所述第一時間范圍的最大時間時，確定所述目標車輛的行駛狀態(tài)為低速狀態(tài)。優(yōu)選地，所述系統(tǒng)還包括：撤控及優(yōu)化模塊，用于在所述檢測模塊根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)之后，對所述目標車輛進行撤控，并優(yōu)化所述第一臨近點位的配置數(shù)據(jù)。優(yōu)選地，所述系統(tǒng)還包括：空間距離計算模塊，用于在所述計算模塊根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍之前，根據(jù)各卡口點位之間的路段坐標信息計算得到各路段的空間距離；限速區(qū)間獲取模塊，用于獲取各路段的限速區(qū)間；時耗范圍計算模塊，用于根據(jù)各路段的空間距離和限速區(qū)間，計算得到所述各路段各種類型的車輛通行的時耗范圍。與現(xiàn)有技術相比，本發(fā)明實施例的有益效果在于：本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法和系統(tǒng)，能夠高效地并發(fā)處理大規(guī)模的車輛通行實時數(shù)據(jù)，確保用戶及時準確的掌握車輛行駛狀態(tài)的在線檢測狀態(tài)。附圖說明圖1是本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法流程圖；圖2是本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測具體方法流程圖；圖3是本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測系統(tǒng)結(jié)構(gòu)示意圖；圖4是本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測系統(tǒng)具體結(jié)構(gòu)示意圖。具體實施方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明實施例進一步詳細說明。如圖1所示，本發(fā)明實施例提供了一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法，包括：當目標車輛經(jīng)過第一卡口點位時，根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍；根據(jù)所述目標車輛的特征信息和所述時間范圍對所述目標車輛進行布控；當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)。其中，所述根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)，包括：根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位于，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間范圍；根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)。其中，所述根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)，包括：當所述判斷結(jié)果為所述第一時間在所述第一時間范圍內(nèi)時，確定所述目標車輛的行駛狀態(tài)正常；當所述判斷結(jié)果為所述第一時間小于所述第一時間范圍的最小時間時，確定所述目標車輛的行駛狀態(tài)為超速狀態(tài)；當所述判斷結(jié)果為所述第一時間大于所述第一時間范圍的最大時間時，確定所述目標車輛的行駛狀態(tài)為低速狀態(tài)。其中，在所述根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)之后，所述方法還包括：對所述目標車輛進行撤控，并優(yōu)化所述第一臨近點位的配置數(shù)據(jù)。其中，在所述根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍之前，所述方法還包括：根據(jù)各卡口點位之間的路段坐標信息計算得到各路段的空間距離；獲取各路段的限速區(qū)間；根據(jù)各路段的空間距離和限速區(qū)間，計算得到所述各路段各種類型的車輛通行的時耗范圍。本發(fā)明實施例提供的基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法，能夠高效地并發(fā)處理大規(guī)模的車輛通行實時數(shù)據(jù)，確保用戶及時準確的掌握車輛行駛狀態(tài)的在線檢測狀態(tài)。參考圖2，下面詳細說明一下基于臨近點位分析的在線車輛行駛狀態(tài)檢測方法的具體步驟：步驟S1，依次配置各卡口點位的臨近點位關聯(lián)關系。然后通過GIS地理信息系統(tǒng)等獲取各卡口點位間路段坐標，計算各路段的空間距離；獲取各路段的最高限速和最低限速值，并根據(jù)T＝S/V計算出各路段各種類型車輛通行需要的時耗范圍最小時耗Tmin和最大時耗Tmax。其中，T：時耗，S：距離，V：速度；將各路段及其對應的車輛通行所需時耗范圍等數(shù)據(jù)以Key-Value的形式初始化到系統(tǒng)緩存(如Redis等)中。其中，Redis是一個key-value存儲系統(tǒng)，它支持存儲的value類型相對更多，包括string(字符串)、list(鏈表)、set(集合)、zset(sortedset--有序集合)和hash(哈希類型)。這些數(shù)據(jù)類型都支持push/pop、add/remove及取交集并集和差集及更豐富的操作，為了保證效率，數(shù)據(jù)都是緩存在內(nèi)存中。redis會周期性的把更新的數(shù)據(jù)寫入磁盤或者把修改操作寫入追加的記錄文件，并且在此基礎上實現(xiàn)了master-slave(主從)同步，數(shù)據(jù)可以從主服務器向任意數(shù)量的從服務器上同步，從服務器可以是關聯(lián)其他從服務器的主服務器。步驟S2，當有車輛經(jīng)過某卡口點位A時，系統(tǒng)根據(jù)保存在內(nèi)存中的該點位的臨近點位信息和到達各臨近點位的時耗范圍Tmin和Tmax高效計算出目標車輛到達各臨近點位的時間范圍Rmin和Rmax；其中，Rmin：最早到達時間，Rmax：最晚到達時間。步驟S3，針對點位A的各個臨近點位，根據(jù)點位A上識別的目標車輛特征(如車牌號碼、車身顏色，以及車臉上的細節(jié)特征)以及目標車輛到達各臨近點位的時間范圍Rmin和Rmax對目標車輛進行布控。步驟S4，當車輛到達點位A的某一個臨近點位B時，通過對比目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，判斷目標車輛到達點位B的時間是否在預計的車輛到達時間范圍Rmin和Rmax之內(nèi)。如果在時間范圍Rmin和Rmax之內(nèi)，則視為行駛狀態(tài)正常，直接進入下一步驟。如果不在時間范圍Rmin和Rmax之內(nèi)，則視為行駛狀態(tài)異常：假如目標車輛在Rmin之前到達點位B，那么目標車輛可能存在超速行為，也可能被其它車輛套牌，通過布控數(shù)據(jù)中的車輛細節(jié)特征可以進一步判斷車輛是否被套牌等異常狀態(tài)；假如目標車輛在Rmax之后到達點位B，那么目標車輛可能中途出現(xiàn)故障、低速行駛，或者該路段當前擁堵等異常狀態(tài)；假如目標車輛在Rmax之后長時間未到達而同行的其它車輛已到達，那么目標車輛可能在該路段出現(xiàn)交通事故、停車休息、車輛故障等異常狀態(tài)。通過比對分析將車輛行駛異常狀態(tài)分類告警推送到系統(tǒng)消息中心(如Kafka等)，系統(tǒng)實時響應告警消息并進行異常管理。其中，Kafka是一個開源的系統(tǒng)，旨在提供一個統(tǒng)一的，高吞吐、低延遲的分布式消息處理平臺來對實時數(shù)據(jù)進行處理。它最早由LinkedIn開發(fā)，開源于2011年并被貢獻給了Apache。Kafka區(qū)別于傳統(tǒng)RabbitMQ、ApacheActiveMQ等消息系統(tǒng)的地方主要在于：分布式系統(tǒng)特性，易于擴展；為發(fā)布和訂閱提供高吞吐量；支持多訂閱，可以自動平衡消費者；可以將消息持久化到磁盤，可以用于批量消費，例如ETL等。步驟S5，完成臨近點位布控比對和異常告警之后，則即時撤控，清除比對過程中的臨時數(shù)據(jù)，釋放分析過程中占用的系統(tǒng)資源。步驟S6，系統(tǒng)根據(jù)過車記錄自動優(yōu)化臨近點位配置數(shù)據(jù)，如系統(tǒng)根據(jù)不同日期、不同時段、不同車輛類型、過車數(shù)量等數(shù)據(jù)進行統(tǒng)計，迭代更新臨近點位配置數(shù)據(jù)，如車輛到達時間范圍Rmin和Rmax、不同類型車輛的區(qū)間測速值等，使系統(tǒng)不斷完善。如圖3所示，本發(fā)明還提供一種基于臨近點位分析的在線車輛行駛狀態(tài)檢測系統(tǒng)，包括：計算模塊，用于當目標車輛經(jīng)過第一卡口點位時，根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍；布控模塊，用于根據(jù)所述目標車輛的特征信息和所述時間范圍對所述目標車輛進行布控；檢測模塊，用于當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)。其中，所述檢測模塊，包括：判斷模塊，用于根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位于，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間范圍；確定模塊，用于根據(jù)判斷結(jié)果確定所述目標車輛的行駛狀態(tài)。其中，所述確定模塊，用于當所述判斷結(jié)果為所述第一時間在所述第一時間范圍內(nèi)時，確定所述目標車輛的行駛狀態(tài)正常；當所述判斷結(jié)果為所述第一時間小于所述第一時間范圍的最小時間時，確定所述目標車輛的行駛狀態(tài)為超速狀態(tài)；當所述判斷結(jié)果為所述第一時間大于所述第一時間范圍的最大時間時，確定所述目標車輛的行駛狀態(tài)為低速狀態(tài)。其中，所述系統(tǒng)還包括：撤控及優(yōu)化模塊，用于在所述檢測模塊根據(jù)所述目標車輛的當前通行數(shù)據(jù)和布控數(shù)據(jù)，檢測所述目標車輛的行駛狀態(tài)之后，對所述目標車輛進行撤控，并優(yōu)化所述第一臨近點位的配置數(shù)據(jù)。其中，所述系統(tǒng)還包括：空間距離計算模塊，用于在所述計算模塊根據(jù)所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗范圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間范圍之前，根據(jù)各卡口點位之間的路段坐標信息計算得到各路段的空間距離；限速區(qū)間獲取模塊，用于獲取各路段的限速區(qū)間；時耗范圍計算模塊，用于根據(jù)各路段的空間距離和限速區(qū)間，計算得到所述各路段各種類型的車輛通行的時耗范圍。參考圖4，下面詳細說明一下該基于臨近點位分析的在線車輛行駛狀態(tài)檢測系統(tǒng)的架構(gòu)。首先，系統(tǒng)將臨近點位配置、點位空間距離、最大最小限速值，以及通過計算得到的各路段各種類型車輛通行需要的時耗范圍等信息寫入高速緩存Redis中，提供給Storm分析結(jié)點在異常行駛狀態(tài)檢測過程中快速讀取和更新。Storm是一個開源的分布式實時計算系統(tǒng)，可以簡單、可靠的處理大量的數(shù)據(jù)流。Storm有很多使用場景：如實時分析，在線機器學習，持續(xù)計算，分布式RPC，ETL等。Storm支持水平擴展，具有高容錯性，保證每個消息都會得到處理，而且處理速度很快(在一個小集群中，每個結(jié)點每秒可以處理數(shù)以百萬計的消息)。Storm的部署和運維都很便捷，而且更為重要的是可以使用任意編程語言來開發(fā)應用。Storm有著非?？斓奶幚硭俣龋瑔喂?jié)點可以達到百萬個元組每秒，此外它還具有高擴展、容錯、保證數(shù)據(jù)處理等特性。然后，來自卡口、電警、ETC等前端設備的車輛通行實時數(shù)據(jù)流被實時寫入“大數(shù)據(jù)計算中心”的Kafka消息系統(tǒng)中，同時啟用新的線程將車輛通行數(shù)據(jù)持久化到HBase中。其中，HBase-HadoopDatabase，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統(tǒng)，利用HBase技術可在廉價PCServer上搭建起大規(guī)模結(jié)構(gòu)化存儲集群。它在Hadoop之上提供了類似于Bigtable的能力。HBase是Apache的Hadoop項目的子項目。HBase不同于一般的關系數(shù)據(jù)庫，它是一個適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫。另一個不同的是HBase基于列的而不是基于行的模式。其次，Storm的Topology從Kafka消息系統(tǒng)中將信息讀取出來，把這些消息通過Bolts進行臨近點位間的異常行駛狀態(tài)檢測。最后，Storm將檢測到的異常狀態(tài)告警消息實時寫入Kafka，同時啟用新的線程將告警消息持久化到HBase中，提供給上層應用系統(tǒng)訂閱和深度應用。為了能高效地并發(fā)處理大規(guī)模的車輛通行實時數(shù)據(jù)，該系統(tǒng)使用Kafka+Storm來設計，同時，為了滿足高擴展性，將Storm和Kafka分別部署到不同的服務器上，如果需要更多的計算能力，可以隨時通過創(chuàng)建新的服務器的方式來完成。此外為了滿足高可用性，每臺相同功能的服務器也需要至少部署2臺，這樣一旦一臺服務器出現(xiàn)問題，另外一臺服務器也可以持續(xù)提供服務。另外，該系統(tǒng)使用Redis+HBase來設計既能滿足配置數(shù)據(jù)和計算產(chǎn)生的臨時數(shù)據(jù)的快速訪問，又能滿足海量數(shù)據(jù)的持久化需求。以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關
技術領域：
：的普通技術人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應由權利要求限定。當前第1頁1 2 3 當前第1頁1 2 3