类型、车牌颜色、违法行为、处理状态等其它筛选条件在海量违法过车记录数据中对车牌的前缀、中间、后缀做模糊查询并且要求在秒级内返回查询结果。

5、轨迹查询

查询车辆在特定的时间段内的行车轨迹：即在某个时间段内(根据场景，还可以设置车辆类型、颜色深浅、车牌类型、车牌号码、车速、车长、号牌段、车身颜色、车牌颜色等限制条件)，同时经过多个卡口(至少两个以上才能确定一条轨迹)的过车信息。

6、快速统计

针对过车记录表及违法记录表有如下统计需求：

过车记录表车流量统计

以卡口(或车辆类型、车辆归属)为维度结合统计时间、方向、车辆归属地、车辆类型、车牌类型等特定筛选条件对过车记录做统计，生成相应日(或周、月、年)报表：即根据设定的维度，还有根据报表类型分割的时间粒度，统计各个时间区间内的车流量。

过车记录表车流量对比

同一个卡口不同时间段(跨度在1天内)的车流量对比以及不同卡口同一时间段(跨度在1天内)的车流量对比。

通过车流量对比能够对改善城市交通调度提供依据。

违法记录表车辆违法统计

选定一组卡口，在选定的开始时间和结束时间内，统计各卡口所有的过车记录数和违法记录数。

过车记录表特定时间段车流量统计

同车流量对比，时间颗粒度变成一天，并且可以选定一天中具体的若干个时间段。

过车记录车辆行车轨迹统计

根据选定统计方式(即统计维度：包括按车牌类型统计、车牌颜色统计)，统计在选择的时间段内，经过指定轨迹(所谓的轨迹：即由多个卡口确定的一条行车路径，带方向，比如，从路径A->B->C,和路径C->B->A是俩条不同的轨迹)的车流量次数(还包括其他的过滤条件，如：车辆归属地、车辆类型、车牌类型、车牌颜色，同一车牌多次经过指定轨迹按多次计算)。

1.3.2 研判分析

1、过车记录表频度研判

分析出在特定卡口上(一个或多个)，在特定时间段内，过车次数满足一定条件的所有过车信息和过车数：所谓的满足一定条件是指过车次数大于等于(或小于等于或等于)(频度设置)一定数量(频度阈值)，根据设定的频度阈值，分析在某一段时间内通行路口次数超过设定阈值的车辆。

对指定区域(卡口)做过车频度分析，过滤出频繁出入的车辆(过车次数满足指定阈值)进行重点关注，对预防犯罪及嫌犯跟踪有重大贡献。

2、过车记录表特定时段车辆研判

实际上就是阈值为0，时间跨度在1天之内的频度研判。

3、过车记录表短时过车研判

在特定的时间段内，所选择的卡口组合(一个或多个)中的过车时间与参考卡口中的过车时间的绝对值小于设定的某个值(passInterval)的所有过程信息：找出同一车辆同时经过参考卡口及指定卡口组合，过滤出经过参考卡口与指定卡口的时间差小于设定的阈值的车辆，以协助公安人员分析出套牌或超速等其它违章行为的嫌疑车辆。

4、过车记录表车辆初次入城研判

特定时间范围结合特定筛选条件(车辆归属地、车辆类型、车牌类型等特定筛选条件)，找出经过“入城”路口的车辆，并找出这些车辆之前30是否有“入城”记录，如果没有将做重点关注以预防其犯罪。

5、过车记录表区域碰撞研判

特定的N(2<=N<=5)个区域(1~5个卡口组成一个区域),结合各区域指定的时间范围，找出同一辆车在指定条件下经过其中的两个及以上区域的车辆，并统计其经过次数进行数据碰撞。区域碰撞功能给公安查询分析跨区反复作案的嫌疑车辆带来极大的便利。

6、过车记录表行车轨迹研判

特定时间范围结合特定筛选条件(车辆归属地、车辆类型、车牌类型等特定筛选条件)找出制定车牌在此时间范围内的过车记录。

7、过车记录表跟车研判

特定时间段内过车时间相差一定间隔的所有过车信息：首先根据特定时间段(还可以指定车牌或路口名称)查出参考车辆及其过车信息，然后指定一条过车记录，查询出与该记录相隔一定时间段(早或者晚)的所有过车信息。

针对嫌疑车辆可能会结队出行的特点，在刑侦等业务应用时，确定特定嫌疑车辆后，通过数据挖掘的方式分析其通过多个监测点时相邻的车辆号牌，能够找出与嫌疑车辆有关联的车辆，从而获取破案线索。

8、违法记录表违法多发时段研判

特定时间范围给定卡口，以一小时为颗粒度统计出各个时段违法记录数形成一张对比直方图以协助城市交通改造。

违法记录表违法多发地研判

特定时间范围内给定卡口，统计出各个卡口违法记录数形成一张对比直方图以协助城市交通改造。

9、驾驶人员行为源头管控

驾驶人员行为源头管控，是指对开车经常超速在20%以下，但是又有超速习惯的驾驶人员(不违法，但是有违法的嫌疑)，进行专项的分析，然后以非现场执法的形式发送通知短信，进行源头管控;筛选超速10%~20%车辆，然后进行统计，分析其超速行为的概率，从而判断驾驶人员的动态评分规则;

10、特种车辆轨迹时空域分析

基于大数据的特种车辆管控，是指针对类似渣土车、校车等安全等级较高的车辆，通过设定专属的行驶路线，一旦出现车辆偏离行车路线的时候，即发送报警信息给相关人员，从而确保特种车辆始终处于受控的安全状态。

11、车辆遮阳板与案件关联的时空域分析

大数据平台根据卡口的过车数据对每辆过往车辆建立单独的信息库，与车管库的车辆信息库所不同的是，该信息库是专门用于过车信息研判。例如卡口会对每辆过车时是否放下了遮阳板进行检测，大数据平台则统计车辆的全部过车照片，放下遮阳板的次数有多少;打开遮阳板的次数有多少，随后定义一个研判规则，例如这个比例超过50%，那么驾驶人就有一定的违法嫌疑，进入单独的违法嫌疑车辆库;这个信息库往后来看，就是根据一些统计结果来判断驾驶人员的驾驶行为分析。

12、同行车辆多模型分析

基于大数据的同行车辆分析，是指针对具有跟车相关的团伙作案时的车辆进行进一步研判，研判的规则包括筛选某个固定时间区间内同行经过N个卡口数量的车辆信息;筛选某个固定时间内有关多车关联性的分析，举例而言就是通过跟车关联性研判发现车辆A与车辆C有跟车关联性，车辆B与车辆C有跟车关联性，那么分析车辆A和B之间的跟车关联性的嫌疑性。

13、多业务维度积分研判分析

基于大数据平台的多业务维度车辆积分研判，是武进技防和图侦相关干警参考其他地市先进的车辆信息技战法以及结合自身对实际嫌疑车辆研判时所提出的一种新的研判分析方法。其根据对车辆的出没时间属性、出没卡口地点属性、驾驶人员违反行为信息、牌照归属地信息等多种有关车辆属性进行综合考虑，引入一套关于车辆积分研判的方法，因此在对车辆信息进行有针对性地研判时带来一种全新的体验。同时为了满足研判和预警实时性的要求，大数据采用spark流计算的方式保证车辆积分能够实时处理并将结果分发相关人员。

14、基于车辆相关数据的车辆套牌的相关性分析

在现有的视频作战平台中，已经引入了一套根据同一时间内出现在不同地点来判断是否套牌车辆的相关分析手段，但是由于前端卡口设备在车辆识别率上并不能达到100%，因此有一定的误报率;此外该种套牌分析方法在定位一些非当前库内所包含的车辆信息时往往缺乏有效的分析手段;而大数据平台则是利用本期和前三期中一些已经对车辆进行二次结构化处理后的数据(例如车型、车标、子品牌、年款等)进行套牌车分析库，将被盗抢车作为套牌车辆分析的重点，从而判断套牌车辆的可能性;另外大数据平台将在时空领域上结合GIS应用，根据车辆不正常的出没规律来分析套牌车辆的可能性，例如某辆车C在不同的时内从区域A出现在区域B，但是逻辑上区域A和区域B必须经过某几个卡口，但是在该段区域和时间内没有任何关于车辆C的过车卡口描述，因此可以判断车辆C是否为套牌车辆。

15、车辆时空出没规律分析

大数据平台的另一个重要的作用是多元多维度的统计分析方法，针对某一辆车辆信息，大数据平台采用分布式计算的方法将车辆信息的过车点位信息、所有过车卡口的出没频次、出没时间段、经常活动的区域、经常经过的监控点位信息以及违法信息统计和同行车辆信息进行统一展示，可以提供包括车辆的居住地和工作地相关信息预测。同时预留这些数据分析结果，可进一步用于车辆与相关案件关联性的分析。

1.3.3 基于大数据平台的以图搜图功能

以图搜图是当前智能交通综合管控平台针对车辆检索的新型的检索方案，系统支持以一张原始图片为基础搜索条件，根据图片中车辆的特征信息(例如车头、车窗、车内饰等)查询目标车辆，根据特征信息的相似度进行从高到低的检索方案。当前以图搜图主要有云存储和图片服务器两种方案，分别如下图所示：

云存储方案