CN105119987A - 一种车载网络的移动群智感知方法 - Google Patents
一种车载网络的移动群智感知方法 Download PDFInfo
- Publication number
- CN105119987A CN105119987A CN201510504069.2A CN201510504069A CN105119987A CN 105119987 A CN105119987 A CN 105119987A CN 201510504069 A CN201510504069 A CN 201510504069A CN 105119987 A CN105119987 A CN 105119987A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- server
- perception
- prime
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车载网络的移动群智感知方法,涉及无线通信。包括:移动群智感知服务器向相关区域内的车辆发送征集感知报告的广播信息;收到征集消息的车辆根据自身的感知开销和传输信道状态,采用增强学习算法WoLF-PHC决定是否参与该项目,以及感知的精度;移动群智感知服务器收到车辆的感知报告后,对感知报告的准确度进行评估,并使用WoLF-PHC算法来确定付给车辆的报酬。通过调整给车辆的报酬,激励车辆参与感知任务,从而使服务器获得所需要的车载感知报告。
Description
技术领域
本发明涉及的是无线通信技术领域的方法,具体是涉及一种车载网络的移动群智感知方法,激励车辆上传车载传感器数据到移动群智感知服务器,使服务器既能得到准确的数据又能最大化自己的效益。
背景技术
随着无线通信技术和传感器技术的快速发展,电子移动设备呈现爆炸性增长,移动设备集成了越来越多的传感器以满足丰富的应用。如果能收集移动设备用户的传感器数据,整合、处理、分析这些数据将会有许多新用途,移动群智感知应运而生。
车辆是现代人出行必不可少的工具,在车辆上安装传感器早已不是什么新鲜事,如GPS、加速度传感器、视频监控器等,利用这些传感器可以收集车辆周围环境的信息。而这些传感器随着车辆的移动,覆盖范围广,因此车载传感器可以收集到大范围区域的信息。安装在车辆上的传感器与安装在其他移动设备(如手机、平板电脑)上的传感器相比,对存储容量和功率的限制较小,对传感器的类型、体积大小等也几乎没有限制,而且可能包含的用户隐私内容也较少。
移动群智感知技术结合车载网络产生了许多应用。如中国专利CN103236163提出了一种基于群智网络的交通拥堵规避系统;中国专利CN103278605提出一种利用车载装置CO2sensormodule的大范围CO2浓度监测方法;CarTel移动传感器计算系统利用安装在汽车上的特殊的传感器收集数据,在本地进行数据的初步处理后利用WiFi热点将数据上传到服务器,服务器通过进一步的处理数据可以测量交通堵塞状况,城市WiFi部署等(Hull,Bret,etal."CarTel:adistributedmobilesensorcomputingsystem."Proceedingsofthe4thinternationalconferenceonEmbeddednetworkedsensorsystems.ACM,2006.);PotholePatrol系统利用车上的震动传感器和GPS传感器收集数据来评估路面状况(Eriksson,Jakob,etal."Thepotholepatrol:usingamobilesensornetworkforroadsurfacemonitoring."Proceedingsofthe6thinternationalconferenceonMobilesystems,applications,andservices.ACM,2008.)。
没有用户的参与,就没有数据来源,也就没有移动群智感知。很多移动群智感知应用的提出都假设用户自愿贡献传感器数据,但是,这些移动设备属于个人,而用户参与到移动群智感知中会消耗他们的电池,计算等资源,甚至会有泄露隐私的风险。因此,如何激励用户参与到群智感知中是一个亟待解决的问题。
直观上来说,如果参与到移动群智感知的用户能得到足够的报酬来弥补他们资源的消耗,用户可能就比较愿意参与到群智感知系统中。但是服务器该给用户多少报酬才能激励足够的用户参与到群智感知中来而又使自己的效益最大,用户该如何选择自己是否参与群智感知,以及感知的精度,使自己效益最大。这就构成了服务器与用户间的博弈,用强化学习技术可以为双方找到最佳策略。
发明内容
本发明的目的是提供在车载移动群智感知博弈中为车辆和服务器确定策略,既使服务器获得了所需的车载感知报告,又使双方的效益达到最大的一种车载网络的移动群智感知方法。
本发明包括以下步骤:
步骤1:移动群智感知服务器向相关区域内的m个车辆发送征集感知报告的环境信息;
步骤2:车辆根据自身的感知开销,传输信道状态h和服务器给的报酬范围决定感知精度x;
步骤3:初始化每个车辆的Qi值矩阵;
步骤4:初始化服务器的Qs值矩阵;
步骤5:车辆i观察目前所处的状态si,按策略πi对每个感知精度的概率分布选择具有最大概率的感知精度xi;
步骤6:服务器观察目前所处的状态ss=Χ=[xi]0≤i≤m,根据策略πs对每个价格的概率分布选择具有最大概率的价格yi支付给车辆;
步骤7:服务器计算效益us:
其中β是服务器从单位精度的感知报告中获得的收益,设置为常数;
步骤8:服务器根据公式:
更新Qs值,Qs(ss,y)是服务器在状态ss下选择y时的Qs值。ss'是服务器的下一状态,假设服务器的下一状态与当前状态相同,y'是服务器在下一状态选择的行为;
步骤9:更新服务器的状态计数Cs(ss)和平均策略
Cs(ss)←Cs(ss)+1,
步骤10:更新服务器的策略πs:
π(ss,y)←π(ss,y)+Δsb,
其中,
步骤11:车辆收到服务器给的报酬后,计算即时效益:
其中,Di(xi)为车辆i发送感知精度为xi的报告时的单位能量消耗。h是当前信道状态;
步骤12:车辆根据公式:
更新Qi值,Qi(si,xi)是车辆在状态si下选择xi时的Qi值,si'为车辆的下一状态,假设车辆的下一状态与当前状态相同,xi'是车辆在下一状态选择的行为;
步骤13:更新车辆的状态计数Ci(si)和平均策略
Ci(si)←Ci(si)+1,
步骤14:更新车辆的策略πi(si):
πi(si,xi)←πi(si,xi)+Δsai,
其中,
步骤15:重复步骤5~14,直到满足|Qi(si,xi)-Qi(si',xi')|<0.01,且|Qs(ss,y)-Qs(ss',ys')|<0.01,即Qi(si,xi)和Qs(ss,y)均收敛。
在步骤1中,所述服务器根据车辆的GPS定位系统确定车辆所在地区,服务器征集的信息是车辆周围的环境信息,根据车辆上安装的不同传感器设备,可以获取不同的环境信息;所述环境信息包括但不限于某个路段的交通状况、某片区域的空气质量状况、某条路的路面状况、给车辆的报酬范围等信息。
在步骤2中,所述感知精度x可分为L+1个等级,表示为x∈A=[aj]0≤j≤L,其中ai<aj,假设有N+1个信道状态h,表示为h∈H=[hg]0≤g≤N;所述服务器可选择的价格y有p+1种:y∈Β=[bk]0≤k≤p,其中bl<bk,
所述感知精度可根据文字描述的详细程度和图片的清晰程度来定感知精度,即感知报告的精度,所述感知报告可以是文字形式或图片形式;所述感知报告都附有位置标签,服务器根据不同的应用,有不同的选择报告的方法,可以在同一个地区内只选择一个精度最高的报告或选择所有收到的感知报告;
所述传输信道可设为动态信道。
在步骤3中,所述初始化每个车辆的Qi值矩阵的具体方法可为:车辆i的状态si为服务器给的报酬,对于每个车辆的每一个可能状态si,对车辆的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πi和平均策略矩阵对每一个可选择的动作分配一个概率,所有动作的概率和为1,初始赋值其中|A|是可供车辆选择的感知精度个数;Ci(si)表示每个状态si出现的次数,初始化为0;设置学习因子和折扣因子αi,γi∈(0,1],两个学习速率δil>δiw∈(0,1]。
在步骤4中,所述初始化服务器的Qs值矩阵的具体方法可为:服务器的状态ss为车辆上传的感知报告的精度,对于服务器的每一个可能状态ss,对服务器的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πs和平均策略矩阵初始赋值为其中|B|是可供服务器选择的价格个数;初始化状态计数Cs(ss)为0;设置学习因子和折扣因子αs,γs∈(0,1],两个学习速率δsl>δsw∈(0,1]。
在步骤11中,所述即时效益若较好,则会提高车辆参与群智感知的积极性,即时效益若有较低甚至负的效益,则会打击车辆下一次参与的积极性。
本发明通过采用强化学习算法WoLF-PHC来决定服务器的定价和每个车辆的感知精度,使得服务器和车辆的效益达到最大。
本发明是为了实现无线信号覆盖和交通拥塞检测等多种基于位置的服务。该方法包括:移动群智感知服务器向相关区域内的车辆发送征集感知报告的广播信息;收到征集消息的车辆根据自身的感知开销和传输信道状态,采用增强学习算法WoLF-PHC决定是否参与该项目,以及感知的精度;移动群智感知服务器收到车辆的感知报告后,对感知报告的准确度进行评估,并使用WoLF-PHC算法来确定付给车辆的报酬。本发明通过调整给车辆的报酬,激励车辆参与感知任务,从而使服务器获得所需要的车载感知报告。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
一种车载网络的移动群智感知方法包括以下步骤:
步骤1:移动群智感知服务器向相关区域内的m=5个车辆发送征集感知报告的广播信息,如某个路段的交通状况,某片区域的空气质量状况,某条路的路面状况,以及给车辆的报酬范围等信息。
步骤2:车辆根据自身的感知开销,传输信道状态h和服务器给的报酬范围决定感知的精度。感知精度x分为11个等级,表示为A={0,0.1,0.2,...,1},其中等级0代表不参与群智感知,等级1代表车辆发送的感知报告具有最高精度;假设有6个信道状态H={0,0.3,0.8,1,1.5,2}。服务器可选择的价格y∈Β={0,0.2,0.4,...,15}。
步骤3:初始化每个车辆的Qi值矩阵:车辆i的状态si为服务器给的报酬,对于每个车辆的每一个可能状态si,对车辆的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πi和平均策略矩阵对每一个可选择的动作分配一个概率,所有动作的概率和为1,初始赋值Ci(si)表示每个状态si出现的次数,初始化为0;设置学习因子αi=0.7和折扣因子γi=0.6,两个学习速率δil=0.1,δiw=0.05。
步骤4:初始化服务器的Qs值矩阵:服务器的状态ss为车辆上传的感知报告的精度,对于服务器的每一个可能状态ss,对服务器的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πs和平均策略矩阵初始赋值为初始化状态计数Cs(ss)为0;设置学习因子αs=0.7和折扣因子γs=0.6,两个学习速率δsl=0.1,δsw=0.05。
步骤5:车辆i观察目前所处的状态si,按策略πi对每个感知精度的概率分布选择具有最大概率的感知精度xi。
步骤6:服务器观察目前所处的状态ss=Χ=[xi]0≤i≤m,根据策略πs对每个价格的概率分布选择具有最大概率的价格yi支付给车辆。
步骤7:服务器计算效益us:
其中β=10是服务器从单位精度的感知报告中获得的收益,设置为常数。
步骤8:服务器根据公式:
更新Qs值。Qs(ss,y)是服务器在状态ss下选择y时的Qs值。ss'是服务器的下一状态,假设服务器的下一状态与当前状态相同。y'是服务器在下一状态选择的行为。
步骤9:更新服务器的状态计数Cs(ss)和平均策略
Cs(ss)←Cs(ss)+1,
步骤10:更新服务器的策略πs:
π(ss,y)←π(ss,y)+Δsb,
其中,
步骤11:车辆收到服务器给的报酬后,计算即时效益:
其中,Di=[0,0.1,0.3,0.6,1,1.5,2.1,2.8,3.6,4.5,5.5]为车辆i发送感知精度为xi的报告时的单位能量消耗。h是当前信道状态。
步骤12:车辆根据公式:
更新Qi值。Qi(si,xi)是车辆在状态si下选择xi时的Qi值。si'为车辆的下一状态,假设车辆的下一状态与当前状态相同。xi'是车辆在下一状态选择的行为。
步骤13:更新车辆的状态计数Ci(si)和平均策略
Ci(si)←Ci(si)+1,
步骤14:更新车辆的策略πi(si):
πi(si,xi)←πi(si,xi)+Δsai,
其中,
步骤15:重复步骤5~14,直到满足|Qi(si,xi)-Qi(si',xi')|<0.01,且|Qs(ss,y)-Qs(ss',ys')|<0.01,即Qi(si,xi)和Qs(ss,y)均收敛。
Claims (10)
1.一种车载网络的移动群智感知方法,其特征在于包括以下步骤:
步骤1:移动群智感知服务器向相关区域内的m个车辆发送征集感知报告的环境信息;
步骤2:车辆根据自身的感知开销,传输信道状态h和服务器给的报酬范围决定感知精度x;
步骤3:初始化每个车辆的Qi值矩阵;
步骤4:初始化服务器的Qs值矩阵;
步骤5:车辆i观察目前所处的状态si,按策略πi对每个感知精度的概率分布选择具有最大概率的感知精度xi;
步骤6:服务器观察目前所处的状态ss=Χ=[xi]0≤i≤m,根据策略πs对每个价格的概率分布选择具有最大概率的价格yi支付给车辆;
步骤7:服务器计算效益us:
其中β是服务器从单位精度的感知报告中获得的收益,设置为常数;
步骤8:服务器根据公式:
更新Qs值,Qs(ss,y)是服务器在状态ss下选择y时的Qs值,ss'是服务器的下一状态,假设服务器的下一状态与当前状态相同,y'是服务器在下一状态选择的行为;
步骤9:更新服务器的状态计数Cs(ss)和平均策略
Cs(ss)←Cs(ss)+1,
步骤10:更新服务器的策略πs:
π(ss,y)←π(ss,y)+Δsb,
其中,
步骤11:车辆收到服务器给的报酬后,计算即时效益:
其中,Di(xi)为车辆i发送感知精度为xi的报告时的单位能量消耗,h是当前信道状态;
步骤12:车辆根据公式:
更新Qi值,Qi(si,xi)是车辆在状态si下选择xi时的Qi值,si'为车辆的下一状态,假设车辆的下一状态与当前状态相同,xi'是车辆在下一状态选择的行为;
步骤13:更新车辆的状态计数Ci(si)和平均策略
Ci(si)←Ci(si)+1,
步骤14:更新车辆的策略πi(si):
πi(si,xi)←πi(si,xi)+Δsai,
其中,
步骤15:重复步骤5~14,直到满足|Qi(si,xi)-Qi(si',xi')|<0.01,且|Qs(ss,y)-Qs(ss',ys')|<0.01,即Qi(si,xi)和Qs(ss,y)均收敛。
2.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤1中,所述服务器根据车辆的GPS定位系统确定车辆所在地区,服务器征集的信息是车辆周围的环境信息,根据车辆上安装的不同传感器设备,可以获取不同的环境信息。
3.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤1中,所述环境信息包括但不限于某个路段的交通状况、某片区域的空气质量状况、某条路的路面状况、给车辆的报酬范围等信息。
4.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤2中,所述感知精度x分为L+1个等级,表示为x∈A=[aj]0≤j≤L,其中ai<aj,假设有N+1个信道状态h,表示为h∈H=[hg]0≤g≤N。
5.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤2中,所述服务器选择的价格y有p+1种:y∈Β=[bk]0≤k≤p,其中bl<bk,
6.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤2中,所述感知精度是根据文字描述的详细程度和图片的清晰程度来定感知精度,即感知报告的精度,所述感知报告是文字形式或图片形式;所述感知报告都附有位置标签,服务器根据不同的应用,有不同的选择报告的方法,可以在同一个地区内只选择一个精度最高的报告或选择所有收到的感知报告。
7.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤2中,所述传输信道设为动态信道。
8.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤3中,所述初始化每个车辆的Qi值矩阵的具体方法为:车辆i的状态si为服务器给的报酬,对于每个车辆的每一个可能状态si,对车辆的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πi和平均策略矩阵对每一个可选择的动作分配一个概率,所有动作的概率和为1,初始赋值其中|A|是可供车辆选择的感知精度个数;Ci(si)表示每个状态si出现的次数,初始化为0;设置学习因子和折扣因子αi,γi∈(0,1],两个学习速率δil>δiw∈(0,1]。
9.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤4中,所述初始化服务器的Qs值矩阵的具体方法为:服务器的状态ss为车辆上传的感知报告的精度,对于服务器的每一个可能状态ss,对服务器的所有可选择动作分配一个对应的Q值,每个Q值初始赋值为0;初始化策略矩阵πs和平均策略矩阵初始赋值为其中|B|是可供服务器选择的价格个数;初始化状态计数Cs(ss)为0;设置学习因子和折扣因子αs,γs∈(0,1],两个学习速率δsl>δsw∈(0,1]。
10.如权利要求1所述一种车载网络的移动群智感知方法,其特征在于在步骤11中,所述即时效益若较好,则会提高车辆参与群智感知的积极性,即时效益若有较低甚至负的效益,则会打击车辆下一次参与的积极性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510504069.2A CN105119987B (zh) | 2015-08-17 | 2015-08-17 | 一种车载网络的移动群智感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510504069.2A CN105119987B (zh) | 2015-08-17 | 2015-08-17 | 一种车载网络的移动群智感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105119987A true CN105119987A (zh) | 2015-12-02 |
CN105119987B CN105119987B (zh) | 2018-04-10 |
Family
ID=54667870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510504069.2A Expired - Fee Related CN105119987B (zh) | 2015-08-17 | 2015-08-17 | 一种车载网络的移动群智感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105119987B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682012A (zh) * | 2016-03-31 | 2016-06-15 | 苏州大学 | 一种数据传输方法、移动传感节点及数据传输系统 |
CN106485469A (zh) * | 2016-09-27 | 2017-03-08 | 武汉大学 | 一种位置相关的基于需求的动态激励机制方法 |
CN108810846A (zh) * | 2018-06-20 | 2018-11-13 | 北京邮电大学 | 一种基于城市公共交通的车载网络群感知覆盖方法 |
CN111405469A (zh) * | 2020-03-24 | 2020-07-10 | 辽宁大学 | 基于手机移动传感网络的矿震监测系统及群智定位方法 |
CN112312357A (zh) * | 2020-09-28 | 2021-02-02 | 南斗六星系统集成有限公司 | 一种自动驾驶合作感知场景下在线激励机制的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130079964A1 (en) * | 2011-09-27 | 2013-03-28 | Saturna Green Systems Inc. | Vehicle communication, analysis and operation system |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN103647671A (zh) * | 2013-12-20 | 2014-03-19 | 北京理工大学 | 一种基于Gur Game的群智感知网络管理方法及其系统 |
CN103942955A (zh) * | 2014-03-24 | 2014-07-23 | 河北盛航通信科技有限公司 | 一种基于移动网络的交通路况趋势预测与提示系统 |
-
2015
- 2015-08-17 CN CN201510504069.2A patent/CN105119987B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130079964A1 (en) * | 2011-09-27 | 2013-03-28 | Saturna Green Systems Inc. | Vehicle communication, analysis and operation system |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN103647671A (zh) * | 2013-12-20 | 2014-03-19 | 北京理工大学 | 一种基于Gur Game的群智感知网络管理方法及其系统 |
CN103942955A (zh) * | 2014-03-24 | 2014-07-23 | 河北盛航通信科技有限公司 | 一种基于移动网络的交通路况趋势预测与提示系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682012A (zh) * | 2016-03-31 | 2016-06-15 | 苏州大学 | 一种数据传输方法、移动传感节点及数据传输系统 |
CN105682012B (zh) * | 2016-03-31 | 2019-03-26 | 苏州大学 | 一种数据传输方法、移动传感节点及数据传输系统 |
CN106485469A (zh) * | 2016-09-27 | 2017-03-08 | 武汉大学 | 一种位置相关的基于需求的动态激励机制方法 |
CN108810846A (zh) * | 2018-06-20 | 2018-11-13 | 北京邮电大学 | 一种基于城市公共交通的车载网络群感知覆盖方法 |
CN111405469A (zh) * | 2020-03-24 | 2020-07-10 | 辽宁大学 | 基于手机移动传感网络的矿震监测系统及群智定位方法 |
CN112312357A (zh) * | 2020-09-28 | 2021-02-02 | 南斗六星系统集成有限公司 | 一种自动驾驶合作感知场景下在线激励机制的方法 |
CN112312357B (zh) * | 2020-09-28 | 2022-10-21 | 南斗六星系统集成有限公司 | 一种自动驾驶合作感知场景下在线激励机制的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105119987B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Exploring the spatial variation of ridesourcing demand and its relationship to built environment and socioeconomic factors with the geographically weighted Poisson regression | |
CN105119987A (zh) | 一种车载网络的移动群智感知方法 | |
US20220058701A1 (en) | System and Method for Estimation of Vehicle Accident Damage and Repair | |
RU2683902C2 (ru) | Транспортное средство, способ и система для планирования режимов транспортного средства с использованием изученных предпочтений пользователя | |
Zhao et al. | DSRC-based rear-end collision warning system–An error-component safety distance model and field test | |
CN107358812B (zh) | 基于v2x的停车场管理方法、系统、车载单元及后台服务器 | |
CN108885764B (zh) | 远程信息处理系统及其相应的方法 | |
US8924240B2 (en) | System for monitoring vehicle and operator behavior | |
US20140067434A1 (en) | Methods and Systems for Providing Risk Profile Analytics | |
CN102193000A (zh) | 机动车的系统与确定加速度的方法 | |
US20120239471A1 (en) | Learning driver demographics from vehicle trace data | |
WO2015013217A1 (en) | Device, system and method for capturing motor vehicle behavior | |
US20160283963A1 (en) | Providing real-time access to resources based on driving record | |
Hu et al. | Advancing usage‐based insurance–a contextual driving risk modelling and analysis approach | |
Tian et al. | Evaluating the effectiveness of V2V-based lane speed monitoring application: a simulation study | |
CN107730936A (zh) | 动态调整道路限速的方法、终端及计算机可读存储介质 | |
Hoque et al. | The extent of reliability for vehicle-to-vehicle communication in safety critical applications: an experimental study | |
JP2013257667A (ja) | 交通管制システムおよび交通管制システムの情報提供方法 | |
Ahn et al. | Real‐time estimation of travel speed using urban traffic information system and filtering algorithm | |
Qi et al. | Evaluation of a variable speed limit system using a hierarchical framework under a connected vehicles environment: a case study of a field test in Seattle | |
Khoo et al. | An impact analysis of traffic image information system on driver travel choice | |
US20150321604A1 (en) | In-vehicle micro-interactions | |
JP2016110279A (ja) | 燃費情報提供システム、情報処理装置及び燃費情報提供方法 | |
Xu et al. | A framework of a V2X communication system for enhancing vehicle and pedestrian safety at un-signalized intersections | |
JP2011048608A (ja) | 車載装置及び車両監視システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20180817 |