基于车牌识别数据的行驶轨迹重构和排放测算

随着特大城市的发展,柴油车等高排放车辆成为城市的主要移动污染源之一,对大气环境质量控制造成越来越大的压力.基于道路交通车辆的车牌自动识别数据集,从识别断面的车辆通过时空数据推算车辆的行驶轨迹,获取城市级别高排放车辆的热点行驶路径、出行特征及活动规律,为制定车辆减排政策(如高排放车辆的管控及低排放区划定等)提供定量方法和科学依据.提出基于地图应用程序开发接口(application programming interfaces,API)导航的车辆行驶轨迹重构方法,较为真实地还原车辆行驶路径,并结合移动源排放测算(motor vehicle emission simulator,MOVES)模型对行驶车辆的多种污染物排放进行估算.以中国深圳市运行的柴油车为研究对象,分析验证该方法的可行性及可靠性.结果表明,该方法可完整重构柴油车在深圳市的运行轨迹,并实现对排放的估算,为机动车污染物减排提供辅助决策支持.

基于车牌识别流数据的伴随车辆发现算法

针对伴随车辆发现及其实时性问题,基于随时间变化的车牌识别流数据,提出一种采用并行频繁项集发现(PFID)技术的伴随车辆组实时发现算法。该算法根据频繁项挖掘Eclat算法的思想,并利用分布式流数据处理框架Spark Streaming生成最大伴随车辆组。实验结果表明,与排列组合算法及FP-Growth算法相比,PFID算法消耗内存更少,响应时间更短,在秒级响应时间内能找到伴随车辆组,达到及时预警目的。