移动对象数据流下相似轨迹查询方法研究
1绪论
近年来，物联网及大数据处理受到越来越多的关注，其应用前景十分广阔。移动车辆相似轨迹查询涉及物联网技术及大数据处理技术，是当前移动对象数据管理研究中的一个热点，可以应用到车辆辑查防控等诸多领域。车牌识别数据是一种针对城市道路行驶车辆的新兴监测数据，其具有数据量大、时空相关、位置可测等特征。现阶段，对交通系统中海量车牌识别数据相似轨迹查询处理的相关技术研究比较有限，作为智能交通系统的重点之一，车辆相似轨迹查询研究面临着严峻挑战。
1.1研究背景
随着传感器技术及物联网技术的快速发展，与智能交通相关的应用迅速起。众多专家学者对智能交通相关的研究，不断推进着我国交通的现代化，改善居民的生活驾车体验，推动我国交通领域发展。近年来，随着政府对交通基础设施的不断投入，我国交通领域迎来更快的发展期。
智能交通感知平台系统作为新兴应用之一，通过对交通数据分析，进而对交通做出预测，同时分析车辆轨迹规律，在交通现代化过程中占有越来越重要的地位。本文即针对交通领域车辆相似轨迹查询问题，提出一种新的相似轨迹查询方法，通过智能传感器抓取识别车牌信息，运用车牌识别技术提取车牌识别数据，在此基础上对车牌识别数据进行冗余蹄选，完成对识别数据预处理，随后通过对数据进行有效性分析，点伴随计算，进行轨迹相似度计算，最终完成相似轨迹查询；同时借助分布式计算、多级流水线技术，降低数据规模，提高查询效率，最终实现高效快速查询相似轨迹。
车牌识别数据主要通过车牌识别技术来获取，通过部署在城市道路上的摄像头采集车辆图像信息，运用计算机图像识别技术，将汽车牌照从复杂背景中提取出来，通过车牌提取、特征提取、图像预处理、字符识别等技术，识别提取车牌信息，并在此基础上形成包含车辆标识、出现地点、时间等内容的车牌识别数据信息。随着车牌识别技术的完善以及车牌捕获率与识别率的显著提高，基于车牌识别数据的车辆出行信息采集手段在很多城市被广泛部署应用。与浮动车辆信息采集技术等相关技术比，基于车牌识别数据的车辆信息采集技术具有检测样本量大、工作连续性强、数据精确度高、覆盖车辆范围广等特点。
1.2研究问题及分析
1.2.1应用案例
近年来，随着我国科学技术不断发展，经济总量不断提高，人民生活水平逐渐提高，一些城市的机动车辆不断增长，以北上广深等国际性大都市为例，北京2021年民用在册机动车辆保有量540万，上海50万，广东全省突破1350万，这给城市交通的正常运行和高效管理提出了巨大的挑战。为了能够高效的管理城市道路车辆，各大中城市均着手开发车辆监管系统。本课题基于智能交通感知平台系统，通过部署在城市道路的传感器摄像头装置，采用车牌识别技术采集数据，同时配合车辆GPS定位装置等感知技术，汇集城市车牌识别数据，在此基础上，分析车牌识别数据集，为城市道路规划提供支持，辅助公安民警办案等。图1.1为智能感知平台应用示意图。
该系统平台基本操作流程如下：
1）监测点监测所有经过车辆。
2）对机动车车牌进行识别，提取必要信息，监测点ID，经过时间，车牌号，行车方向等息。
3）生成车牌识别数据集，数据经过预处理后传送到数据中心服务器。
4）服务器端相关业务应用对车牌识别数据集进行处理，如相似轨迹计算等，并提供其它各种服务。
完成处理后，将计算结果存入数据库，供其它相关应用查询或展示。
2相关工作
2.1轨迹相似性
道路上行驶着各种车辆，其轨迹具有一定程度的相似性，对其轨迹进行相似性计算，可以用来辅助道路规划及交通管理，例如每天上班高峰期都会有大量的车辆从各个居住区驶往各个工业园办公区域，其中很多车辆轨迹具有很大的相似性，提取出一些高度相似的道路，可以用来辅助城市道路规划，增加公交车辆次，扩宽及兴建城市道路，解决城市拥堵问题；轨迹相似性查询也可以用来辅助公安民警办案，査询一些伴随车辆，排查犯罪嫌疑人。
移动对象相似轨迹查询是移动对象数据管理领域的一个研究热点。一些研究者提出了很多面向移动对象的相似轨迹查询方法，但在最初的研究中它们很多缺乏对移动对象轨迹时间属性的特别考虑。
基于关联规则的相似轨迹查询：基于关联规则的相似轨迹査询适用于车牌识别数据类型，通过对一定时间区间的监测数据进行整理，运用数据挖掘关联规则，将数据集整理成不同的频繁集，随后对频繁集进行处理，逐步蹄选频繁集，去除不满足相似条件的频繁项，最后输出打印，完成查询目前的频繁集划分依据主要由三类组成，一类是基于时间片的频繁集划分，以初始大小相对固定的时间片为一个频繁集，依次扩展整理；另一类为基于监测地点划分的频繁集，以单个监测点为标识，所有经过此监测点的数据为一个频繁集，依次对频繁集蹄选，完成计算，本文采用方法即属于此类；最后一类为基于车辆标识划分的频繁集，每个轨迹为一个频繁项，求频繁项之间关联，最终完成计算，输出结果。
基于聚类规则的相似轨迹查询：基于聚类规则的相似轨迹查询主要针对浮动车辆类型数据，通过计算空间距离进行相似轨迹判定，对识别数据进行整理，将空间距离小于阈值的所有识别数据划分为同一个聚类元组，依次随时间推移，实时跟踪不同的小元组集合，判定车辆是否伴随此类方法适用于指定车辆跟踪判定，一般用于政府及企业车队监控，及城市道路公交车辆路线规划等，便于实时监控，保护车队整体安全。
2.2分布式计算
分布式计算是一门计算机科学，是一种新的计算方式，主要研宄分布式系统。一个分布式系统包括若干通过网络互联的计算机，这些计算机互相配合以完成一个共同的目标。具体的过程是：将需要进行大量计算的待处理数据分割成相互独立的小块，由多台计算机分别进行计算，完成计算后，合并计算结果，最终得出结论。与其它算法相比，分布式计算主要具有以下三个优点：
1）共享稀有计算资源。
2）通过分布式计算反馈调整，平衡计算负载并保证较高的可扩展性。
3）充分利用计算机配置。
随着计算机的不断普及，电脑的有效利用问题随之产生，分布式计算由此产生。在实际情况中，电脑大部分情况下处于闲置现实，在开机现实下，CPU没有得到完全利用，经常处于等待命令现实，CPU利用率相对低下。网络的出现，使得连接调用这些拥有计算资源的计算机成为现实，分布式计算即基于此种情况提出，目前己经存在一些软件应用，利用闲置CPU来进行计算，如基因组计算及天气预报计算等，便是借由计算机屏幕保护应用，利用闲置进行计算，此种情况可以理解为一种分布式计算。利用成千上万台普通电脑，共同计算某一个问题的一个模块部分，极大了提高了计算速度，同时利用计算机资源，具有重要意义。
分布式系统可以将一些本身十分复杂但是可以划分成大量更小计算片段的问题分解为许多小的计算部分，把这些模块部分分配给分布式系统内部的联网计算机，进行并行处理，最后将这些结果整合，得到最终结果。分布式系统也可以用来帮助一些缺乏资金，具有公益性质的科学研究，加快人类科学技术发展进步；同时也可以有效利用联网机器的闲置资源，发挥机器的处理能力，服务大众，其具有重要意义。
3基于海量车牌识别数据的相似轨迹査询研究..........12
3.1海量车牌识别数据............12
3.2轨迹相似相关概念.........14
4基于Hadoop的相似轨迹查询系统的实现...............21
4.1智能交通系统简述.............21
4.2相似轨迹查询总体设计..........22
5实验与评价..............34
5.1实验准备与设计...........35
5实验与评价
5.1实验准备与设计
本章以Hadoop基于平台的相似轨迹查询系统为基础，以某市城市道路行车记录为数据基础，通过一系列测试，验证该分布式相似轨迹查询系统的高效性、正确性及通用性。
集群平台架构图下图5.1所示：
结论
6.1论文工作总结
智能交通应用作为新兴应用之一，己经深入到我们的实际生活之中，随着我国人民的生活水平不断提高，城市道路机动车快速增加，同时道路交通监控设备部署不断完善，在方便人们生活的同时，也带来了极大的交通压力。利用交通监控数据，可以高效监控车辆，合理规划道路，指导出行，同时也可以为公安民警部门提供辅助，抓捕犯罪嫌疑人，保证人民安全，智能交通管理系统由此而生，该系统通过对车牌识别数据分析处理，判断车辆轨迹相似性，用来辅助公安部门办案，同时为打击犯罪提供技术支持。
为了高效快速査询车辆相似轨迹，本文提出了一种基于Hadoop平台的相似轨迹查询算法，一方面利用HDFS存储系统来存储车牌识别数据，通过冗余筛选策略解决车牌识别数据的有效性问题，通过监测点元组划分解决车牌识别数据的划分问题，同时提出轨迹相似度定义，利用分布式计算平台Hadoop来进行相似轨迹计算，通过多级mapreduce流水线来查询相似轨迹，解决高效查询相似轨迹问题。
6.2进一步展望
随着分布式系统的发展，相关技术不断进步，对分布式计算过程不断优化，以期提高査询效率，高效正确的查询相似轨迹。本文提出的算法也存在一些不足，需要进一步完善，未来工作主要包括以下三个方面：
（1）数据冗余筛选优化
本文需要处理的数据规模庞大，结构复杂，存在很多冗余无效数据，需要进行进一步的筛选处理，去除无效冗余数据，降低需要处理的数据规模，进而提高査询效率。
（2）分布式计算优化
本文采用多级流水线分布式计算，通过对计算任务分解，分成多个计算过程，由Hadoop集群来计算査询，下一步主要对计算过程进行跟踪分析，调整相关参数，加快计算过程，降低中间结果，提高相似度，进而提高查询效率。
（3）进一步对相似轨迹查询算法测试优化。
参考文献（略）