论文部分内容阅读
随着城市机动车保有量的增长,伴随的问题也日益显现,其中车辆盗窃、利用机动车辆进行犯罪活动的案件也越来越多。对于犯罪涉案机动车,往往因为机动车辆具有机动性高、隐蔽性强等特点,因此容易快速逃逸现场,并不易被排查出,从而成为严重威胁社会安全的重要因素。所以,对机动车辆进行监控和管理成为新的问题。通过对以往大量涉案机动车行为的研究和分析,发现涉案机动车辆往往存在频繁出现于作案现场附近以及存在多辆车辆伴随出现的现象。本文基于《深圳市网格化机动车识别综合应用系统建设》项目,借助该系统前期运行所得的车辆车牌照识别数据,对布控区域内的涉案车辆的伴随情况、涉案车辆的历史轨迹以及对潜在涉案车辆的伴随车辆情况进行了分析。因为车辆数据十分庞大,仅一期项目的80个布控点每天的车牌照识别数据已经达到了百万级,因此在如此庞大的数据中如何快速、高效的获得涉案车辆或潜在涉案车辆的历史轨迹和伴随情况成为十分值得研究的问题。近年来,各种数据挖掘方法的逐渐成熟和在各个领域得到广泛应用,为解决以上问题给出了很好的解决思路。本文基于传统布尔关联分析对涉案车辆的历史轨迹和伴随情况进行了挖掘。并针对伴随车辆发现问题,对传统的布尔关联分析方法进行了改进和扩展,提出了新的基于相似度的关联分析,通过与传统布尔关联方法比较,结果显示在选择合适的相似度和规则析出阈值后本文扩展方法在伴随车辆发现中更为有效。本文的工作主要有以下几点:(1)分析课题背景,确定研究目标,提出需要解决的主要问题;并对提出问题进行抽象,得到其数学描述。(2)在对数据挖掘方法进行简要综述的基础上,重点研究了关联挖掘方法的研究进展及其在交通领域的应用进展。(3)针对提出问题,提取车牌照数据,并对原始数据进行了数据清洗、数据转换,以适合布尔关联分析。(4)使用布尔关联分析对涉案车辆的历史轨迹和伴随情况进行了分析,并分析了潜在的涉案伴随车辆。(5)提出基于相似度的扩展布尔关联分析方法,对涉案车辆的伴随情况,和潜在涉案车辆的伴随情况予以了分析,并与传统布尔关联分析方法进行了比较,结果显示本文扩展方法更为有效。