1 大数据技术概念

大数据具有5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）、Veracity（真实性）。

在交通管理领域，时刻产生海量结构化、非结构化数据，以某中等城市为例，全市视频监控点位约一万个，按每个摄像机2Mbps码流计算，每天将会产生约103TB的视频录像。上述定义表明大数据技术在现代化的交通管理领域应用中，具有极高的前景和应用价值[1]。

2 视觉分析技术与前端结构化数据进行数据重构

单纯依靠前端设备提供的车牌识别、交通违法行为等维度单一的结构化数据，在数据海量产生的今天，难以支撑实战应用平台的需求。为实现更全面、高效的分析研判目标，提高数据精度，可以结合先进的视觉分析技术，对过车图片进行智能化二次识别，利用计算机视觉和深度学习算法将非结构化车辆图片、视频进行分析处理，转换为描述性结构化文本数据[2]。例如前端卡口设备所能采集识别的信息外，车辆品牌、型号、年款、车身颜色、车辆类别等基础数据，以及是否有天窗和行李架、主/副驾驶区、年检标志、纸巾盒、遮阳板、摆件、挂件、车身喷字等特征识别数据，在实战应用中均是可表征车辆特征的特征值。对卡口电警视频图像进行视觉分析后，解析出描述上述特征值的结构化文本作为二次识别的关键值，和成为描述该车辆的多维度的属性值。数据承载设备将二次识别数据与其他原始数据（如卡口名称、过车时间、车牌识别数据）融合后，将其中的高价值视图数据保存到系统数据库中，进而通过安全边界平台传输到数据分析系统中，为平台的大数据研判提供实时数据支撑。

图1 结构化识别示意图

3 数据分析技术与视频结构化技术的深度融合

3.1 数据分析技术与结构化文本数据结合的必要性

运用视频结构化技术构建出高价值型结构化文本数据后，又会产生一个新的结构化数据的海洋，海量的具备时间和空间属性的结构化数据如果没有运用数学模型，结合高性能计算机的辅助下进行挖掘和运算，仍然会是一串串由1和0组成的低价值字符。

如何利用大数据技术对分散、异构、海量的数据进行挖掘分析，对交通路况、出行需求、应急服务数据、移动数据进行有效整合，提高数据利用率，发挥数据价值，从数据中找寻规律，使原来的“事后检索”变成“事前预判”，使其更好地为智能交通系统服务，是现代智能交通服务系统需要改进和完善的重要问题。数据挖掘是利用科学的技术和方法，对信息进行收集和处理，从海量、模糊的数据信息中挖掘出有价值的信息。数据挖掘主要包括4个方面的内容，即分类分析、关联分析、聚类分析、时间序列分析[3]，通过这4种分析方法的应用，从海量数据信息中提取出有效的信息，突出应用性。

3.2 大数据分析技术的实战应用场景与演进方向

当前，结合实际警务工作的需求场景，目前大数据分析平台应用主要有：车辆及人员特征值提取、智能搜车、大数据研判、重点车辆监管、实时预警、数据可视化等。以上应用，可以按照其层次，大体分为目标检索和数据服务两个递进的层次。

目标检索：

在数据检索层面在警务实战应用中相对成熟，可以进行以图搜车、模糊特征搜车等实战应用，通过快速检索车辆信息特征，在过车信息中查找出与车辆特征相似的车辆，并可进行数据导出，深入分析。主要通过车头车辆特征参考图和特征条件选择模块进行选项对应，帮助用户更直观的定位车辆，精确搜索范围和提高搜索速度。

数据服务：

更深层次的数据服务层面，由可将应用的目的性分为两个方向：一是通过整个智能交通系统获得的大量数据，面向公共服务领域，在保障公民隐私的前提下，补充商业地图服务并不具备的对交通信息感知的全面性（例如商业地图不具备对实际运动车辆车型等信息的判断能力）的空白，整合成对市民出行有用的一系列数据，为出行者提供信息发布、智能诱导等服务。智能交通下一步的发展重点如智能公交、智能停车、慢行信息服务等领域。以上数据不仅支撑交通警察部门内部警务资源的调度，同时对公众提供全方位的交通服务，体现了“共治、共建、共享”的社会治理理念。二是将大数据技术、犯罪心理学、犯罪行为学等理论相结合，从海量驳杂无序的数据中，筛选出符合犯罪行为模型的异常行为和特征主体。可在线索极度缺乏的情况下，利用大数据分析对案件进行智能挖掘，找到案件侦破的关键信息和嫌疑对象，快速侦破案件[4]，是目前开展的研究方向之一。