原文传递
基于海量车牌识别数据的伴随车辆组发现方法研究
| 论文题名： | 基于海量车牌识别数据的伴随车辆组发现方法研究 |
| 关键词： | 智能交通系统;车牌识别数据;伴随车辆组;发现算法;并行框架 |
| 摘要： | 随着现代社会科学技术的发展，城市道路监控技术越来越成熟，与此同时违法犯罪行为也越来越猖獗，严重威胁着社会的安全，如何利用信息技术对犯罪嫌疑车辆进行有效的监控和管理成为了新的问题。通过对海量车牌识别数据进行分析和处理，能够发现伴随车辆组，在犯罪嫌疑车辆追踪等方面具有广泛的应用前景。 然而在当前单一机器模式下，伴随车辆组发现方法在时间和空间上存在处理性能低和内存占用高等问题。针对这些问题，论文依托于“智能交通云管理平台”项目，从犯罪嫌疑车辆追踪的应用场景出发，提出了一种基于并行FP-Growth算法的伴随车辆组发现方法，利用该方法可以实现对海量车牌识别数据的分析处理，且在不同技术框架下实现该方法并进行了性能对比。实验结果的分析表明，针对海量车牌识别数据该方法能够很好的进行伴随车辆组发现，具有广阔的应用前景。本文的主要贡献如下： （1）提出了一种伴随车辆组发现方法—FP-DTC方法。该方法针对关联规则挖掘中的FP-Growth算法做了改进和优化，使数据可以均衡的分配到集群中每一个节点，是一种基于多级任务并行模式的处理方法，包含数据预处理、车辆轨迹生成、点伴随组计算以及伴随车辆组发现四个任务，能够更加高效的进行频繁子集的挖掘，可应对海量车牌识别数据处理中涉及到的伴随车辆组发现问题。 （2）利用分布式并行处理框架Spark及Hadoop分别实现了该方法，并在云计算环境下进行了部署实验。实验结果表明，FP-DTC方法能够高效的实现海量车牌识别数据的分析处理，解决了单一机器模式下的运行内存不足等问题，可有效的提高发现伴随车辆组的效率。 （3）建立了伴随车辆组发现的原型系统，并将FP-DTC方法应用到系统当中，取得了良好的运行效果。进一步说明本文提出的方法能够有效的从海量车牌识别数据中寻找出经常一起出现的伴随车辆，为公安部门办案中的犯罪嫌疑车辆追踪提供参考。 |
| 作者： | 曹波 |
| 专业： | 软件工程 |
| 导师： | 韩燕波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东科技大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
