曾经抽样调查是研究交通问题方面的主要手段,而有了大数据处理手段以后,一方面,保证了数据的完整性，不用在“以偏概全”；另一方面，新的研究模式产生了——数据密集型科学，这种科学建立在3种研究方式上，分别是实证、演绎和仿真模拟,这一新的模式对于交通研究方面有深远影响。82429

伴随车辆组实际上就是掌握车辆的驶规律，从而在庞大的数据集ANPR中发现两辆乃至多辆车之间的关系。通过了解哪些车辆经常地在数个卡口同时出现来了解它们之间的深层次的联系，简而言之上就是发现不同车辆的联通点和关联点，因此可以使用关联分析方法来解决。点伴随是指在一定的时间范围内共同经过同一监测点的车辆所具有的一种伴随关系，具有点伴随关系的车辆共同组成点伴随组。前面提到伴随车辆是在一定时间内与追踪车辆以一定概率存在伴随关系的车辆，实际场景中这个概率通常指设定的监测点阈值与点伴随车辆共同经过的监测点数目的比值。因此可以通过对点伴随组进行关联分析，找出满足这一概率的频繁子集车辆，即可求解出伴随车辆组，作为涉案车辆重点追踪和排查的对象。

当前的车辆数据越来越多，据统计，中国一个大型城市部署的带车牌识别功能的摄像头可达到5000个，高峰期每个摄像头车牌识别数据的采集频率可达每秒1条，每天的交通高峰折算率按0。33统计，则一天的车辆识别数据记录数将达到1。44亿条，数据量约12GB[2]。面对如此大量的ANPR数据，利用关联分析方法在单台机器上分析求解伴随车辆组存在大量的计算和存储负担，效率偏低。

目前一些先进的伴随车辆组发现方法及技术被用于全球定位系统(Global Positioning System， GPS)的数据分析[3]，而本文所研究的ANPR数据与GPS数据不同，其记录的位置由于摄像头固定等原因一般都是有限制的，其方法和技术并不完全适用于ANPR数据。文献[4]提出的伴随车辆查询(Accompany Vehicle Discovery， AVD)方法虽然可以适用于ANPR数据的分析，但其采用的滑动时间窗口技术仅在求解点伴随组上提升了效率，最后利用关联分析算法求解伴随车辆时摆脱不了单台机器的计算能力限制。论文网

随着城市机动车保有量的增长,伴随的问题也日益显现,其中车辆盗窃、利用机动车辆进行犯罪活动的案件也越来越多。对于犯罪涉案机动车,往往因为机动车辆具有机动性高、隐蔽性强等特点,因此容易快速逃逸现场,并不易被排查出,从而成为严重威胁社会安全的重要因素[6]。

本文提出的计算方式主要采用滑动时间窗口，在一定程度上减小了工作量提高了效率，改善了暴力搜索等问题的出现。用hadoop搭建的伪分布式模型计算每个卡口的伴随车队，将数据存储到HBase里，再用web界面查询出结果。