主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
朱美玲,刘晨,王雄斌,韩燕波.基于车牌识别流数据的车辆伴随模式发现方法.软件学报,2017,28(6):1498-1515
基于车牌识别流数据的车辆伴随模式发现方法
Approach to Discover Companion Pattern Based on ANPR Data Stream
投稿时间:2016-05-07  修订日期:2016-07-15
DOI:10.13328/j.cnki.jos.005220
中文关键词:  流式时空大数据  大数据分析  伴随模式  频繁序列挖掘
英文关键词:big spatio-temporal data stream  big data analytics  companion pattern  frequent sequence mining
基金项目:国家自然科学基金(61672042);北京市市委组织部、北京市优秀人才培养资助,青年骨干个人项目;北方工业大学“人才强校计划”青年拔尖人才培育计划
作者单位E-mail
朱美玲 天津大学 计算机科学与技术学院, 天津 300072
大规模流数据集成与分析技术北京市重点实验室(北方工业大学), 北京 100144
北方工业大学 云计算研究中心, 北京 100144 
meilingzhu2006@126.com 
刘晨 大规模流数据集成与分析技术北京市重点实验室(北方工业大学), 北京 100144
北方工业大学 云计算研究中心, 北京 100144 
 
王雄斌 大规模流数据集成与分析技术北京市重点实验室(北方工业大学), 北京 100144
北方工业大学 云计算研究中心, 北京 100144 
 
韩燕波 大规模流数据集成与分析技术北京市重点实验室(北方工业大学), 北京 100144
北方工业大学 云计算研究中心, 北京 100144 
 
摘要点击次数: 1411
全文下载次数: 1051
中文摘要:
      针对伴随车辆检测这一新兴的智能交通应用,在一种特殊的流式时空大数据——车牌识别流式大数据(ANPR)下,重新定义了Platoon伴随模式,提出PlatoonFinder算法,即时地在车牌识别数据流上挖掘Platoon伴随模式.主要贡献包括:第一,将Platoon伴随模式发现问题映射为数据流上的带有时空约束的频繁序列挖掘问题,与传统频繁序列挖掘算法仅考虑序列元素之间位置关系不同,该算法能够在频繁序列挖掘的过程中有效处理序列元素之间复杂的时空约束关系;第二,该算法融入了伪投影等性能优化技术,针对数据流的特点进行了性能优化,能够有效应对车牌识别流式大数据的速率和规模,从而实现车辆Platoon伴随模式的即时发现.通过在真实车牌识别数据集上的实验分析表明:PlatoonFinder算法的平均延时显著低于经典的Aprior和PrefixSpan等频繁模式挖掘算法,也低于真实情况下交通摄像头的车牌识别最小时间间隔.因此,所提出的算法可以有效地发现伴随车辆组及其移动模式.
英文摘要:
      Companion vehicle discovery is a newly emerging intelligent transportation application. Aiming at it, this paper redefines the Platoon companion pattern over a special type of spatio-temporal data stream, or ANPR (automatic number plate recognition data). Accordingly, a PlatoonFinder algorithm is also proposed to mine Platoon companions over ANPR data stream instantly. First, Platoon discovery problem is transformed into frequent sequence mining problem with customized spatio-temporal constraints. Compared to traditional frequent sequence mining algorithms, this new algorithm can effectively handle complex spatio-temporal relationships among sequence elements rather than their positions. Second, the new algorithm also integrates several optimization techniques such as pseudo projection to greatly improve the efficiency. It can efficiently deal with high speed and large scale ANPR data stream so as to instantly discover Platoon companions. Experiments show that the latency of the algorithm is significantly lower than classic frequent pattern mining algorithms including Apriori and Prefixspan. Furthermore, it is also lower than the minimum time interval between any two real ANPR data records. Hence, the proposed algorithm can discover Platoon companions effectively and efficiently.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利