本发明公开了一种基于大数据进行车辆轨迹预测的方法，包括：确定目标车辆的行驶路径，获取历史车辆数据，从历史车辆数据中提取：行驶基础数据和对比数据，将基础数据和对比数据，按照采集时间从近到远进行排序，计算目标车辆通过第一目标位点F1的第一概率P1X，和从当前位点C到第一目标位点F1所用的第一时间T1X。通过本发明，降低了对工作人员的经验要求，并且能够在预测轨迹的同时预测时间，同时将结构化和非结构化数据进行了统一处理，提高了工作效率。
1.一种基于大数据进行车辆轨迹预测的方法，其特征在于，包括：
确定目标车辆的行驶路径，所述行驶路径包括：所述目标车辆的当前位点C和第一历史位点O1，其中，所述第一历史位点O1为与所述当前位点C相邻的上一个位点；
获取历史车辆数据，其中，所述历史车辆数据包括预设时间段内多个车辆的车辆数据，所述车辆数据包括一个车辆在所述预设时间段内的行驶路径，所述行驶路径，包括：多个所述位点和所述位点的采集时间；
所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和第一参照位点A的所述车辆数据，作为基础数据，其中：所述第一参照位点A是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和所述第一目标位点F1的所述车辆数据，作为对比数据；
将所述基础数据，按照所述采集时间从近到远进行排序，获取所述基础数据中前20％的所述车辆数据，作为第一基础组，获取所述基础数据中紧邻所述第一基础组的后30％所述车辆数据作为第二基础组，获取所述基础数据中最后50％所述车辆数据，作为第三基础组；
将所述对比数据，按照所述采集时间从近到远进行排序，获取所述对比数据中前20％的所述车辆数据，作为第一对比组，获取所述对比数据中紧邻所述第一对比组的后30％所述车辆数据作为第二对比组，获取所述对比数据中最后50％所述车辆数据，作为第三对比组；
采用下列公式计算所述目标车辆通过所述第一目标位点F1的第一概率P1X，和从当前位点C到所述第一目标位点F1所用的第一时间T1X：P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)其中：U11X是所述第一对比组中所述车辆数据的个数，U12X是所述第二对比组中所述车辆数据的个数，U13X是所述第三对比组中所述车辆数据的个数，U11是所述第一基础组中所述车辆数据的个数，U12是所述第二基础组中所述车辆数据的个数，U13是所述第三基础组中所述车辆数据的个数，T11X是所述第一对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T12X是所述第二对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T13X是所述第三对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T11是所述第一基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T12是所述第二基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T13是所述第三基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时。
2.根据权利要求1所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，还包括：选取任一所述位点作为第二目标位点F2；
所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一参照位点A和第二参照位点B的所述车辆数据，作为基本数据，其中：所述第二参照位点B是任一位点，所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一目标位点F1和所述第二目标位点F2的车辆数据，作为对照数据；
将所述基本数据，按照所述采集时间从近到远进行排序，获取所述基本数据中前20％的所述车辆数据，作为第一基本组，获取所述基本数据中紧邻所述第一基本组的后30％所述车辆数据，作为第二基本组，获取所述基本数据中最后50％所述车辆数据，作为第三基本组；
将所述对照数据，按照所述采集时间从近到远进行排序，获取所述对照数据中前20％的所述车辆数据，作为第一对照组，获取所述对照数据中紧邻所述第一对照组的后30％所述车辆数据作为第二对照组，获取所述对照数据中最后50％所述车辆数据，作为第三对照组；
采用下列公式计算所述目标车辆通过所述第一目标位点F1和所述第二目标位点F2的第二概率P2X，以及从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2所用的第二时间T2X：P2X＝(U21X*5+U22X*3+U23X*2)/(U21*5+U22*3+U23*2)T2X＝(T21X*5+T22X*3+T23X*2)/(T21*5+T22*3+T23*2)其中：U21X是所述第一对照组中所述车辆数据的个数，U22X是所述第二对照组中所述车辆数据的个数，U23X是所述第三对照组中所述车辆数据的个数，U21是所述第一基本组中所述车辆数据的个数，U22是所述第二基本组中所述车辆数据的个数，U23是所述第三基本组中所述车辆数据的个数，T21X是所述第一对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T12X是所述第二对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T23X是所述第三对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T21是所述第一基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T12是所述第二基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T13是所述第三基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时。
3.根据权利要求1所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，在选取任一位点作为第一目标位点F1之前，还包括：从所述目标车辆的所述行驶路径中获取，与所述第一历史位点O1相邻的上一位点，作为第二历史位点O2；
此时，所述基础数据和所述对比数据的所述行驶路径中，都依次包括：所述第二历史位点O2、所述第一历史位点O1和所述当前位点C。
4.根据权利要求2所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，在选取任一位点作为第一目标位点F1之前，还包括：从所述目标车辆的所述行驶路径中获取，与所述第一历史位点O1相邻的上一位点，作为第二历史位点O2；
此时，所述基础数据、所述基本数据、所述对比数据和所述对照数据的所述行驶路径中，都依次包括：所述第二历史位点O2、所述第一历史位点O1和所述当前位点C。
5.根据权利要求1-4任一所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，所述获取历史车辆数据，进一步为：获取非结构化车辆数据；
6.根据权利要求5所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，所述结构化车辆数据存储在面向列的分布式数据库系统中，所述数据库系统对外提供统一的接口；
所述将所述非结构化车辆数据转化为结构化车辆数据，进一步为：
提取所述非结构化车辆数据的信息，将所述信息按照所述结构的格式进行录入。
7.根据权利要求6所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，所述非结构化车辆数据，包括：视频、图片和语音；
当所述非结构化车辆数据是所述视频时，提取所述视频中的帧画面，采用图片识别方法获取所述帧画面中的信息；
当所述非结构化车辆数据是所述图片时，采用所述图片识别方法获取所述帧画面中的信息；
非结构化车辆数据是语音时，采用语音识别系统将所述语音转化为文字，获取所述文字中的信息。
8.据权利要求1所述的一种基于大数据进行车辆轨迹预测的方法，其特征在于，所述车辆数据，还包括：车牌号码。
一种基于大数据进行车辆轨迹预测的方法
技术领域
[0001] 本发明涉及车辆轨迹预测领域，更具体地，涉及一种基于大数据进行车辆轨迹预测的方法。
背景技术
[0002] 现代社会，犯罪分子作案后往往采用驾车逃逸的方式逃避追踪，公安机关在追捕犯罪分的时候，一方面，要派遣车辆追踪犯罪分子，另一方面，也需要提前预判犯罪分子可能的逃窜路线，在最有可能的多个路线上布置警力，提前做好拦截。
[0003] 随着涉车犯罪的增加，针对车辆的布控查缉在破案工作中扮演着越来越关键的角色。当前追缉嫌疑车辆，多采用人工查看视频、图片等资料的传统方式分析其历史行驶轨迹寻找目标车辆的出行规律，或通过应用系统查询某辆车多个特定时间段区域范围内的行车轨迹，然后经过分析总结在特定的时间特定的地点布控堵截，工作量大、耗费人力物力多，效率低，信息滞后，而且对于工作人员的经验要求较高，难以推广应用，而且对车辆路径的预测耗时较多，耽误追捕犯罪分子的时间，此外，很多时候即使预测出车辆的行驶路径，也很难预测车辆通过该行驶路径的时间，导致布置警力不及时，这些缺陷都给公安机关追捕犯罪分子造成了诸多困难。
[0004] 另一方面，捕获车辆路径数据的方式逐渐增多，包括摄像头拍摄的录像、图片和传统的人工记录数据等，捕获方式的增多导致数据量的迅速增加，大多数情况，人们是难以在短时间快速掌握如此大量的数据并进行分析总结，从而预判车辆的轨迹的。
[0005] 因此，提供一种能够基于大数据进行车辆轨迹预测的方法，降低对人员的经验要求，是本领域亟待解决的问题。
发明内容
[0006] 有鉴于此，本发明提供了一种基于大数据进行车辆轨迹预测的方法，解决了现有技术中对工作人员经验要求高的问题。
[0007] 为了解决上述技术问题，本发明提出一种基于大数据进行车辆轨迹预测的方法，包括：
[0008] 确定目标车辆的行驶路径，所述行驶路径包括：所述目标车辆的当前位点C和第一历史位点O1，其中，所述第一历史位点O1为与所述当前位点C相邻的上一个位点；
[0009] 选取任一位点作为第一目标位点F1；
[0010] 获取历史车辆数据，其中，所述历史车辆数据包括预设时间段内多个车辆的车辆数据，所述车辆数据包括一个车辆在所述预设时间段内的行驶路径，所述行驶路径，包括：多个所述位点和所述位点的采集时间；
[0011] 从所述历史车辆数据中提取：
[0012] 所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和第一参照位点A的所述车辆数据，作为基础数据，其中：所述第一参照位点A是任一位点，[0013] 所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C和所述第一目标位点F1的所述车辆数据，作为对比数据；
[0014] 将所述基础数据，按照所述采集时间从近到远进行排序，获取所述基础数据中前20％的所述车辆数据，作为第一基础组，获取所述基础数据中紧邻所述第一基础组的后
30％所述车辆数据作为第二基础组，获取所述基础数据中最后50％所述车辆数据，作为第三基础组；
[0015] 将所述对比数据，按照所述采集时间从近到远进行排序，获取所述对比数据中前20％的所述车辆数据，作为第一对比组，获取所述对比数据中紧邻所述第一对比组的后
30％所述车辆数据作为第二对比组，获取所述对比数据中最后50％所述车辆数据，作为第三对比组；
[0016] 采用下列公式计算所述目标车辆通过所述第一目标位点F1的第一概率P1X，和从当前位点C到所述第一目标位点F1所用的第一时间T1X：
[0017] P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)
[0018] T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)
[0019] 其中：U11X是所述第一对比组中所述车辆数据的个数，U12X是所述第二对比组中所述车辆数据的个数，U13X是所述第三对比组中所述车辆数据的个数，U11是所述第一基础组中所述车辆数据的个数，U12是所述第二基础组中所述车辆数据的个数，U13是所述第三基础组中所述车辆数据的个数，T11X是所述第一对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T12X是所述第二对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T13X是所述第三对比组中各车辆从所述当前位点C到所述第一目标位点F1的平均用时，T11是所述第一基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T12是所述第二基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时，T13是所述第三基础组中各车辆从所述当前位点C到所述第一参照位点A的平均用时。
[0020] 可选的，还包括：
[0021] 选取任一所述位点作为第二目标位点F2；
[0022] 从所述历史车辆数据中提取：
[0023] 所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一参照位点A和第二参照位点B的所述车辆数据，作为基本数据，其中：所述第二参照位点B是任一位点，
[0024] 所述行驶路径中依次包括所述第一历史位点O1、所述当前位点C、所述第一目标位点F1和所述第二目标位点F2的车辆数据，作为对照数据；
[0025] 将所述基本数据，按照所述采集时间从近到远进行排序，获取所述基本数据中前20％的所述车辆数据，作为第一基本组，获取所述基本数据中紧邻所述第一基本组的后
30％所述车辆数据，作为第二基本组，获取所述基本数据中最后50％所述车辆数据，作为第三基本组；
[0026] 将所述对照数据，按照所述采集时间从近到远进行排序，获取所述对照数据中前20％的所述车辆数据，作为第一对照组，获取所述对照数据中紧邻所述第一对照组的后
30％所述车辆数据作为第二对照组，获取所述对照数据中最后50％所述车辆数据，作为第三对照组；
[0027] 采用下列公式计算所述目标车辆通过所述第一目标位点F1和所述第二目标位点F2的第二概率P2X，以及从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2所用的第二时间T2X：
[0028] P2X＝(U21X*5+U22X*3+U23X*2)/(U21*5+U22*3+U23*2)
[0029] T2X＝(T21X*5+T22X*3+T23X*2)/(T21*5+T22*3+T23*2)
[0030] 其中：U21X是所述第一对照组中所述车辆数据的个数，U22X是所述第二对照组中所述车辆数据的个数，U23X是所述第三对照组中所述车辆数据的个数，U21是所述第一基本组中所述车辆数据的个数，U22是所述第二基本组中所述车辆数据的个数，U23是所述第三基本组中所述车辆数据的个数，T21X是所述第一对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T12X是所述第二对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T23X是所述第三对照组中各车辆从所述当前位点C通过所述第一目标位点F1和所述第二目标位点F2的平均用时，T21是所述第一基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T12是所述第二基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时，T13是所述第三基本组中各车辆从所述当前位点C通过所述第一参照位点A和所述第二参照位点B的平均用时。
[0031] 可选的，在选取任一位点作为第一目标位点F1之前，还包括：从所述目标车辆的所述行驶路径中获取，与所述第一历史位点O1相邻的上一位点，作为第二历史位点O2；
[0032] 此时，所述基础数据和所述对比数据的所述行驶路径中，都依次包括：所述第二历史位点O2、所述第一历史位点O1和所述当前位点C。
[0033] 可选的，在选取任一位点作为第一目标位点F1之前，还包括：从所述目标车辆的所述行驶路径中获取，与所述第一历史位点O1相邻的上一位点，作为第二历史位点O2；
[0034] 此时，所述基础数据、所述基本数据、所述对比数据和所述对照数据的所述行驶路径中，都依次包括：所述第二历史位点O2、所述第一历史位点O1和所述当前位点C。
[0035] 可选的，所述获取历史车辆数据，进一步为：
[0036] 获取非结构化车辆数据；
[0037] 将所述非结构化车辆数据转化为结构化车辆数据；
[0038] 获取所有结构化车辆数据作为所述历史车辆数据。
[0039] 可选的，所述结构化车辆数据存储在面向列的分布式数据库系统中，所述数据库系统对外提供统一的接口；
[0040] 所述将所述非结构化车辆数据转化为结构化车辆数据，进一步为：
[0041] 提取所述非结构化车辆数据的信息，将所述信息按照所述结构的格式进行录入。
[0042] 可选的，所述非结构化车辆数据，包括：视频、图片和语音；
[0043] 所述提取所述非结构化车辆数据的信息，包括：
[0044] 判断所述非结构化车辆数据的类别；
[0045] 当所述非结构化车辆数据是所述视频时，提取所述视频中的帧画面，采用图片识别方法获取所述帧画面中的信息；
[0046] 当所述非结构化车辆数据是所述图片时，采用所述图片识别方法获取所述帧画面中的信息；
[0047] 非结构化车辆数据是语音时，采用语音识别系统将所述语音转化为文字，获取所述文字中的信息。
[0048] 可选的，所述车辆数据，还包括：车牌号码。
[0049] 与现有技术相比，本发明提供的一种基于大数据进行车辆轨迹预测的方法，实现了如下的有益效果：
[0050] 提供了一种基于大数据进行车辆轨迹预测的方法，对使用该方法的人员无经验要求，解决了现有技术中对工作人员经验要求高的问题，而且采用本方法可以在预测车辆行驶路径的同时，预测车辆行驶到该路径的时间，解决了现有技术中难以预测时间的问题，本方法中采用统一的接口，将非结构化数据统一转化为结构化数据，使各个不同来源、格式的车辆数据方便快捷的接入分析系统，降低数据接入的复杂度，提高数据可接入的范围。
[0051] 通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
[0052] 被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
[0053] 图1为本发明实施例1中一种基于大数据进行车辆轨迹预测的方法的流程图；
[0054] 图2为本发明实施例2中一种基于大数据进行车辆轨迹预测的方法的流程图。
具体实施方式
[0055] 现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
[0056] 以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
[0057] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0058] 在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0059] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0060] 实施例1
[0061] 图1为本发明实施例1中一种基于大数据进行车辆轨迹预测的方法的流程图，如图1所示，本发明提供的一种基于大数据进行车辆轨迹预测的方法，包括：
[0062] S101:确定目标车辆的行驶路径。
[0063] 具体的，需要确定要进行轨迹预测的目标车辆，通过摄像头、拍照、人工记录等方式获取目标车辆已经走过的行驶路径，行驶路径包括：目标车辆的当前位点C和第一历史位点O1，其中，第一历史位点O1为与当前位点C相邻的上一个位点，也就是说，目标车辆从第一历史位点O1行驶到了当前位点C，现在要基于目标车辆已经走过的行驶路径预测其可能走的下一个位点，行驶路径可以包括多个历史位点，在本实施例中只选取第一历史位点，可以提高运算时的速度，但是，也可以选取多个历史位点，提高预测的准确度。
[0064] S102:选取任一位点作为第一目标位点F1。
[0065] 具体的，第一目标位点F1是推测该目标车辆可能行驶到的下一个位点，即猜测目标车辆从当前位点C行驶到第一目标位点F1，本发明提供的方法可以预测，行驶到第一目标位F1的概率和时间，第一目标位点F1可以是任一位点，也就是说，可以是第一历史位点O1，也可以是当前位点C，即预测目标车辆从当前位点C返回第一历史位点O1或是停留在当前位点C不移动。第一目标位点F1，与当前位点C或第一历史位点O1也可以不同。
[0066] S103:获取历史车辆数据，提取基础数据和对比数据。
[0067] 具体的，历史车辆数据包括预设时间段内多个车辆的车辆数据，车辆数据包括一个车辆在预设时间段内的行驶路径，行驶路径包括多个采集时间的位点，从历史车辆数据中提取：行驶路径中依次包括第一历史位点O1、当前位点C和第一参照位点A的车辆数据，作为基础数据，其中：第一参照位点A是任一位点，再从历史车辆数据中提取：行驶路径中依次包括第一历史位点O1、当前位点C和第一目标位点F1的车辆数据，作为对比数据。历史车辆数据的数据量较大，为了提高计算速度，可以设定预设时间段是一年，统计一年前到现在这段时间中，所有行驶路径中，包括：第一历史位点O1和当前位点C的车辆数据，再从中获取行驶路径中同时包括第一目标位点F1的车辆数据，作为对比数据，以及包括第一历史位点O1、当前位点C和第一参照位点A的车辆数据作为基础数据。需要注意的是，一个车辆，在预设的时间内，多次行驶过第一历史位点O1、当前位点C和第一目标位点F1，或是多次行驶过第一历史位点O1、当前位点C和第一参照位点A，此时应当视为多个车辆数据，而不能因为是一个车辆在不同时间的数据，就视为一个车辆数据，即通过几次指定的位点，就记为几个车辆数据。
[0068] S104:将对比数据和基础数据分组。
[0069] 将基础数据，按照采集时间从近到远进行排序，获取基础数据中前20％的车辆数据，作为第一基础组，获取基础数据中紧邻第一基础组的后30％车辆数据作为第二基础组，获取基础数据中最后50％车辆数据，作为第三基础组。
[0070] 将对比数据，按照采集时间从近到远进行排序，获取对比数据中前20％的车辆数据，作为第一对比组，获取对比数据中紧邻第一对比组的后30％车辆数据作为第二对比组，获取对比数据中最后50％车辆数据，作为第三对比组。
[0071] 具体的，按照采集时间从近到远进行排序，就是指，近期采集的数据放在前面，最早采集的数据放在后面，例如采集时间段是同一年的1月到12月，则12月采集的数据放在前面，1月采集的数据放在最后。
[0072] S105:计算第一概率。
[0073] 采用下列公式计算目标车辆通过第一目标位点F1的第一概率P1X：
[0074] P1X＝(U11X*5+U12X*3+U13X*2)/(U11*5+U12*3+U13*2)
[0075] 其中：U11X是第一对比组中车辆数据的个数，U12X是第二对比组中车辆数据的个数，U13X是第三对比组中车辆数据的个数，U11是第一基础组中车辆数据的个数，U12是第二基础组中车辆数据的个数，U13是第三基础组中车辆数据的个数。
[0076] 具体的：人们驾驶车辆的行驶路径和时间密切相关，因为城市建设、道路更改等原因，即使是目的地相同，在不同的时间内人们所选取的路径也是不同的，所以最具有参考价值的数据是近期采集的数据，所以第一对比组的权重设定的最大，采集时间越靠后的数据权重值越小，从而估算出目标车辆通过第一目标位点F1的概率，通过重复上述步骤，就能够计算出目标车辆最有可能选取的行驶路径，可选的，选取第一目标位点F1时，可以先参考第一基础组的行驶路径，选取其中最有可能的位点作为第一目标位点F1。
[0077] S106:计算第一时间T1X。
[0078] 采用下列公式计算目标车辆从当前位点C到第一目标位点F1所用的第一时间T1X：
[0079] T1X＝(T11X*5+T12X*3+T13X*2)/(T11*5+T12*3+T13*2)
[0080] 其中：T11X是第一对比组中各车辆从当前位点C到第一目标位点F1的平均用时，T12X是第二对比组中各车辆从当前位点C到第一目标位点F1的平均用时，T13X是第三对比组中各车辆从当前位点C到第一目标位点F1的平均用时，T11是第一基础组中各车辆从当前位点C到第一参照位点A的平均用时，T12是第二基础组中各车辆从当前位点C到第一参照位点A的平均用时，T13是第三基础组中各车辆从当前位点C到第一参照位点A的平均用时。
[0081] 具体的，第一时间T1X是从当前位点C到达第一目标位点F1所用的时间，计算第一时间T1X时设定权重的考虑与计算第一概率P1X时的考虑相同，在实际情况中，由于目标车辆往往是在不断移动的，所以计算出的第一概率P1X是有时效的，现有技术中，多数没有给出目标车辆移动当下一位点的时间，或是仅仅通过距离除以目标车辆平均车速的方式进行预测，而实际情况中，各个地方的道路情况是不同的，用距离除以速度的方式进行的预测存在很大偏差，本发明中结合了具体的车辆数据，并根据不同的采集时间赋予不同的权重，给出了最有可能的第一时间T1X，提高了预测准确度。
[0082] 实施例2
[0083] 实施例2在实施例1的基础上进行的改进，所有在实施例1中做过的解释也适用于实施例2，实施例1中是基于当前位点C和第一历史位点O1预测将要通过的下一个位点，实施例2是基于当前位点C和第一历史位点O1预测将要通过的下两个位点。
[0084] 图2为本发明实施例2中一种基于大数据进行车辆轨迹预测的方法的流程图，如图2所示，本发明提供的一种基于大数据进行车辆轨迹预测的方法，包括：
[0085] S201:确定目标车辆的行驶路径。
[0086] S202:选取任一位点作为第一目标位点F1，选取任一位点作为第二目标位点F2。
[0087] 具体的，第一目标位点F1和第二目标位点F2是推测该目标车辆可能依次行驶到的下两个位点，即猜测目标车辆从当前位点C行驶到第一目标位点F1，再行驶到第二目标位点F2，第一目标位点F1和第二目标位点F2可以是任一位点，也就是说，两者可以相同也可以不同。
[0088] S203:获取历史车辆数据，提取基本数据和对照数据。
[0089] 从历史车辆数据中提取：行驶路径中依次包括第一历史位点O1、当前位点C、第一参照位点A和第二参照位点B的车辆数据，作为基本数据，其中：第二参照位点B是任一位点。
[0090] 从历史车辆数据中提取：行驶路径中依次包括第一历史位点O1、当前位点C、第一目标位点F1和第二目标位点F2的车辆数据，作为对照数据。
[0091] S204:将基本数据和对照数据分组。
[0092] 将基本数据，按照采集时间从近到远进行排序，获取基本数据中前20％的车辆数据，作为第一基本组，获取基本数据中紧邻第一基本组的后30％车辆数据，作为第二基本组，获取基本数据中最后50％车辆数据，作为第三基本组。
[0093] 将对照数据，按照采集时间从近到远进行排序，获取对照数据中前20％的车辆数据，作为第一对照组，获取对照数据中紧邻第一对照组的后30％车辆数据作为第二对照组，获取对照数据中最后50％车辆数据，作为第三对照组。
[0094] S205:计算第二概率P2X。
[0095] 采用下列公式计算目标车辆通过第一目标位点F1和第二目标位点F2的第二概率P2X：
[0096] P2X＝(U21X*5+U22X*3+U23X*2)/(U21*5+U22*3+U23*2)
[0097] 其中：U21X是第一对照组中车辆数据的个数，U22X是第二对照组中车辆数据的个数，U23X是第三对照组中车辆数据的个数，U21是第一基本组中车辆数据的个数，U22是第二基本组中车辆数据的个数，U23是第三基本组中车辆数据的个数。
[0098] S206:计算第二时间T2X。
[0099] 采用下列公式计算目标车辆从当前位点C通过第一目标位点F1和第二目标位点F2所用的第二时间T2X：
[0100] T2X＝(T21X*5+T22X*3+T23X*2)/(T21*5+T22*3+T23*2)
[0101] 其中：T21X是第一对照组中各车辆从当前位点C通过第一目标位点F1和第二目标位点F2的平均用时，T12X是第二对照组中各车辆从当前位点C通过第一目标位点F1和第二目标位点F2的平均用时，T23X是第三对照组中各车辆从当前位点C通过第一目标位点F1和第二目标位点F2的平均用时，T21是第一基本组中各车辆从当前位点C通过第一参照位点A和第二参照位点B的平均用时，T12是第二基本组中各车辆从当前位点C通过第一参照位点A和第二参照位点B的平均用时，T13是第三基本组中各车辆从当前位点C通过第一参照位点A和第二参照位点B的平均用时。
[0102] 具体的，在本实施例中，预测了依次通过第一目标位点F1和第二目标位点F2的第二概率P2X以及第二时间T2X，第二时间T2X是从当前位点C经过第一目标位点F1到达第二目标位点F2的耗时，可选的，也可以采用实施例1中的方法，先预测从当前位点C到达第一目标位点F1的概率和耗时，再预测从第一目标位点F1到第二目标位点F2的概率和耗时，从而获得第二概率P2X以及第二时间T2X，相比于分两步预测的方法，实施例2中给出的方法通过一步计算，直接获得依次通过第一目标位点F1和第二目标位点F2的第二概率P2X以及第二时间T2X的概率，从而减少了耗时，过提高了计算速度，通过选取不同的第一位点F1和第二位点F2并分别计算对应的第二P2X就可以知道目标车辆最有可能的行驶路径。
[0103] 进一步，在一些可选的实施例中，在选取任一位点作为第一目标位点F1之前，还包括：从目标车辆的行驶路径中获取，与第一历史位点O1相邻的上一位点，作为第二历史位点O2；
[0104] 此时，基础数据和对比数据的行驶路径中，都依次包括：第二历史位点O2、第一历史位点O1和当前位点C。
[0105] 进一步的，在一些可选的实施例中，在选取任一位点作为第一目标位点F1之前，还包括：从目标车辆的行驶路径中获取，与第一历史位点O1相邻的上一位点，作为第二历史位点O2；
[0106] 此时，基础数据、基本数据、对比数据和对照数据的行驶路径中，都依次包括：第二历史位点O2、第一历史位点O1和当前位点C。
[0107] 具体的，在实施例1和实施例2中，都是通过当前位点C和第一历史位点O1来预测下一个或两个位点，为了提高预测精度，可以基于第二历史位点O2、第一历史位点O1和当前位点C进行预测，从而提高计算结果的可靠性和准确度，可选的，在时间充裕的情况下，还可以选取更多的历史位点，进一步提高计算结果的可靠性。
[0108] 进一步的，在一些可选实施例中，获取历史车辆数据，进一步为：获取非结构化车辆数据，将非结构化车辆数据转化为结构化车辆数据，获取所有结构化车辆数据作为历史车辆数据。
[0109] 具体的，车辆数据可能来自各个方面，有较易接入的电警、卡口等数据，计算机可直接读取分析，也有来自社会监控的视频信息、目击者的口供等其它相关信息。单一的平台不具备汇总整合不同渠道信息的能力。关于车辆的视频、图片等信息，均为非结构化车辆数据，不易于计算机直接分析与使用，将非结构化车辆数据通过结构化系统转化为结构化车辆数据，可以解决非结构化车辆数据不易用于计算机直接分析与使用的问题，采用本方法的系统，将获取的非结构化车辆数据交由非结构化存储系统统一存储并提供访问服务，结构化系统将非结构化车辆数据转化为结构化车辆数据后，可以会同资源描述信息进一步处理后存储到面向列的分布式数据库系统中。
[0110] 进一步的，在一些可选实施例中，结构化车辆数据存储在面向列的分布式数据库系统中，数据库系统对外提供统一的接口；将非结构化车辆数据转化为结构化车辆数据，进一步为：提取非结构化车辆数据的信息，将信息按照结构的格式进行录入。
[0111] 具体的，是面向列的分布式数据库对外提供一个统一的数据接口，解决车辆信息格式不一致，来源不一致，不易获取，无法全面分析的问题，而且使用面向列的分布式数据库存储结构化的车辆数据，可以解决普通关系型数据库不能承载车辆数据指数增长及大量数据存储的问题，以及系统不易扩容，及容错容灾能力不好的问题。
[0112] 可选的，非结构化车辆数据，包括：视频、图片和语音；提取非结构化车辆数据的信息，包括：判断非结构化车辆数据的类别；当非结构化车辆数据是视频时，提取视频中的帧画面，采用图片识别方法获取帧画面中的信息；当非结构化车辆数据是图片时，采用图片识别方法获取帧画面中的信息；非结构化车辆数据是语音时，采用语音识别系统将语音转化为文字，获取文字中的信息。
[0113] 具体的：一般卡口、电警等均由政府部门规划大型公司按照一定规范设计部署，可通过数据地址直接读取车辆数据或定时查询其数据库获取车辆数据，再将读取到的在线资源存储到系统指定的临时目录，并自动获取资源相关描述信息。社会监控设备等获取的视频、图片等资源一般不接入网络，无法直接读取，只能通过离线的方式获取，可直接将相关资源直接拷贝到系统指定临时目录，并在系统填写该资料的时间、位置等相关信息，系统会针对资源的类型分别处理，采用图像识别技术或是语音识别技术，获取其中的信息。
[0114] 进一步的，在一些可选的实施例中，车辆数据，还包括：车牌号码。
[0115] 本发明提供了一种基于大数据进行车辆轨迹预测的方法，对使用该方法的人员无经验要求，解决了现有技术中对工作人员经验要求高的问题，而且采用本方法可以在预测车辆行驶路径的同时，预测车辆行驶到该路径的时间，解决了现有技术中难以预测时间的问题，本方法中采用统一的接口，将非结构化数据统一转化为结构化数据，使各个不同来源、格式的车辆数据方便快捷的接入分析系统，降低数据接入的复杂度，提高数据可接入的范围。
[0116] 虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
