CN104680335A - 一种新能源汽车的测评方法 - Google Patents
一种新能源汽车的测评方法 Download PDFInfo
- Publication number
- CN104680335A CN104680335A CN201510130661.0A CN201510130661A CN104680335A CN 104680335 A CN104680335 A CN 104680335A CN 201510130661 A CN201510130661 A CN 201510130661A CN 104680335 A CN104680335 A CN 104680335A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- new forms
- model
- energy car
- value
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新能源车的测评方法,包括:利用计算机仿真建立待测评的新能源车的仿真模型;获取所建立待测评的新能源车的仿真模型的各技术指标值;将所获取的各技术指标值归一化后输入计算机运行的测评模型中进行测评,得出所述待测评的新能源车的综合评价值。该方法通过计算机仿真技术和利用计算机运行的测评模型对归一化后的各技术指标值处理,使得该方法可以在车型开发出来之前对车型进行快速测评,并且测评的综合评价结果基本不受人工主观的影响和干预,测评方面比较全面,能够为车型的改进提供有力依据。
Description
技术领域
本发明涉及新能源汽车测评领域,特别是涉及一种新能源汽车的测评方法。
背景技术
新能源汽车被广泛认为是解决汽车尾气污染和是有能源危机等问题的主要途径之一。随着新能源车辆的蓬勃发展,新能源车辆的评估工作变得日趋重要。即使是传统车辆,长久以来其评估工作主要是通过有经验的专家,或者长期的市场反馈才能进行有效的开展,而当车型并不能很好的被大众接受时,已经失去了市场。传统车由于市场相对比较成熟,可以参照市场上成功的车型进行开发,而新能源车辆本来就是新兴市场,如何能够快速的抓住市场是企业车型成功的关键。所以如果能在开发早起就能很好的对车型进行综合评价,则能快速的针对不足进行改进,并大大提高其推出市场后的市场接受度。
对于汽车的测评,长期以来都是在汽车上市之后,通过试驾来进行人为评估,且评估的内容跟评估人的偏好有很大的关系。如果采集的样布不够多的话,那么经常会陷入以偏概全的问题。所以长期以来的汽车评估的特点是:实车,评估内容不确定,评估结果存在偏差,耗费大量的人力物力,周期长。
对于评估的内容主要包括:车辆的动力性,经济性,排放特性,安全性,舒适性等方面,对每一方面不同人关注的方面也不相同,例如对动力性,又有一些评价指标,包括加速性,爬坡性,最高车速等,而加速性又有起步加速,超车加速等不同的场合要求,当然其他性能如经济性或安全性等与动力性类似均具有多重的指标,而每个指标对不同的人来讲,关注度不同,因此对一辆车评价时,具有多指标,不等权重等问题。
现有技术的方案为:目前汽车无论是传统车型还新能源车型,都普遍采用邀请专家或者媒体对车辆进行试驾,由试驾人员对车辆的主观感受,对车辆进行打分和综合评价。
目前这种方法缺点在于:(1)测评必须在车辆开发完成上市之后;(2)测评会随试驾人员的主观偏好有所偏差;(3)测评会受试驾人员的知识水平有所偏差;(4)测评结果对车型的改进基本无作用。
发明内容
基于上述现有技术所存在的问题,本发明提供一种新能源汽车的测评方法,能快速对新能源车进行测评,解决了目前对新能源车的评所存在的个体偏差大,规范性差,而且要等到新车开发完成后才能进行测评的问题。
为解决上述技术问题,本发明提供一种新能源汽车的测评方法,包括:
利用计算机仿真建立待测评的新能源车的仿真模型;
获取所建立待测评的新能源车的仿真模型的各技术指标值;
将所获取的各技术指标值归一化后输入计算机运行的测评模型中进行测评,得出所述待测评的新能源车的综合评价值。
本发明的有益效果为:通过计算机仿真技术和利用计算机运行的测评模型对归一化后的各技术指标值处理,使得该方法可以在车型开发出来之前对车型进行快速测评,并且测评的综合评价结果基本不受人工主观的影响和干预,测评方面比较全面,能够为车型的改进提供有力依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的新能源车测评方法流程图;
图2为本发明实施例提供的新能源车测评方法具体流程图;
图3为本发明实施例提供的测试方法使用的纯电动汽车Simulink模型示意图;
图4为本发明实施例提供的测试方法使用的三层结构的BP神经网络拓扑结构图。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,本发明实施例提供一种新能源车的测评方法,用于对新能源车的综合评价,包括:
步骤1,利用计算机仿真建立待测评的新能源车的仿真模型;
步骤2,获取所建立待测评的新能源车的仿真模型的各技术指标值;
步骤3,将所获取的各技术指标值归一化后输入计算机运行的测评模型中进行测评,得出待测评的新能源车的综合评价值。
上述测评方法中,建立的待测评的新能源车的仿真模型包括:
纯电动车和混合动力车中的任一项;
纯电动车包括:前轮集中驱动纯电动车、后轮集中驱动电动车、全轮集中驱动纯电动车、分布式前轮驱动纯电动车、分布式后轮驱动纯电动车、分布式全轮驱动纯电动车中的任一种;
混合动力车包括:串联型混合动力车、并联型混合动力车中的任一种;其中,并联型混合动力车包括:变速箱前同轴并联型混合动力车、变速箱后同轴并联型混合动力车、不同轴并联型混合动力车中的任一种。
上述测评方法中,获取所建立待测评的新能源车的仿真模型的各技术指标值包括:动力性指标值、经济性指标值、安全性指标值、舒适性指标值和排放性指标值中的任一种或几种。
对目标车型的指标仿真包括动力性指标,经济性指标,安全性指标,舒适性指标和排放性指标。
动力性指标包括:最大爬坡度,最大加速度,最高车速等。
经济性指标包括:等速百公里油耗,工况百公里油耗,等速百公里电耗,工况百公里电耗等。
安全性指标包括:主动安全性和被动安全性;主动安全性用配备的驾驶员辅助系统的数量来衡量,如车道线偏离报警,自适应巡航,盲点检测系统,ABS系统,ESP系统;被动安全用安全气囊的数量,车身的吸能量来表示。
舒适性指标包括:平顺性总加权评价值,空间尺寸和视野尺寸等。
排放性指标包括:尾气一氧化碳量,碳氢化合物量,氮氧化合物量和PM量等。
不同的指标数据的获得是通过对目标车型进行特定工况的仿真获得。
上述测评方法中,将所获取的各技术指标值归一化是将各技术指标值转化为0~1闭区间上的无量纲指标属性值。
上述测评方法中,测评模型采用经过训练的BP人工神经网络模型。
上述测评方法中,经过训练的BP人工神经网络模型的结构是由输入节点为m个,输出节点为一个,中间包含一层隐含层的三层网络,其中m的数值为各个指标值的数量之和。
上述测评方法中,经过训练的BP人工神经网络模型是采用多套新能源车的实车试验得出的技术指标值为输入,以及对应于各输入的新能源车实车的专家综合评价值为输出作为样本进行训练后的模型。即每个样本的输入是一台新能源车的实车试验得出的技术指标值,而该样本的输出是该台新能源车的实车的专家综合评价值。
下面结合具体实施例对本发明的测试方法作进一步说明。
本发明的测评方法是通过采用基于模型的方法,用计算机仿真计算的方式,得到特定的新能源车的各种不同方面的技术指标值,将这些仿真结果归一化后输入到一个作为测评模型的经过训练的BP人工神经网络模型中,得到对该款新能源车的综合评价值,具体测评流程如图2所示。
其中,所测评的新能源车由于其驱动型式存在不同的方式,动力源也有不同的类型,所以其类型很多,本发明中各种新能源车的模型包含的型式主要有:纯电动车,又分为前轮集中驱动纯电动车,后轮集中驱动电动车,全轮集中驱动纯电动车,分布式前轮驱动纯电动车,分布式后轮驱动纯电动车,分布式全轮驱动纯电动车;混合动力车,有分为串联,并联,并联又包括变速箱前同轴并联,变速箱后同轴并联,不同轴并联,涵盖市场上80%驱动形式的新能源车的模型,且所有模型均为参数模型,可通过修改模型的参数实现具体的车型。
其中,对目标车型的指标仿真包括动力性指标,经济性指标,安全性指标,舒适性指标和排放性指标,每一类指标由可分解成多个分指标;
其中,对各个指标进行归一化处理是指将各个指标转化为闭区间[0-1]上的无量纲指标属性值;
上述方法中涉及的人工神经网络是模仿生物结构和功能的一种信息处理系统,由大量神经元相连而成,每个神经元的结构与功能比较简单,但是其组合而成的系统则是很复杂的,能对信息进行大规模并行处理、分布存储。由于其具有良好的适应性、自组织性和容错性并具有较强的学习、记忆、联想、识别等功能,神经网络可以任意逼近复杂的非线性连续系统。本发明将现有的神经网络用作新能源车的测评,为新能源车测评提供了一种强有力的分析工具。
该方法中,作为测评模型的经过训练的BP人工神经网络模型的结构是由输入节点为m个输出节点为一个,中间包含一层隐含层的三层网络。m的数值为各个指标数量之和。多套实车试验指标作为输入,专家对该综合评价为输出作为样本进行训练。
对各种新能源车数学模型的说明如下:
基于Matlab/Simulink的新能源汽车全参数模型,主要用来模拟常见的不同驱动型式和不同动力形式的新能源车辆。这些模型主要通过部件库搭建而成,主要的部件包括:发动机,电机,电池,变速箱,离合器,差速器,分动器,轮胎悬架和车身,通过不同的连接实现多种不同的动力源,多种不同驱动形式的车型模型。
以纯电动模型结构为例,模型包含如下图3所示,主要是分布式驱动纯电动汽车的Simulink模型,主要包括各个电机系统级电机控制器,动力电池系统及控制器,以及车辆动力学,附件系统和道路模型,实现了整车的仿真,其中车辆动力学模型包含车辆的纵向动力学,横向动力学和垂向动力学特征。通过也整车控制器之间的信号交互,能够实现闭环的仿真。每个控制器实现的工具与具体分布式驱动纯电动汽车的对应控制器功能相对应,每个车型会有不同的修改,其他车辆零部件也是需要根据实际车辆的参数进行设置。
对各种性能指标仿真的说明如下:
对目标车型的指标仿真包括动力性指标,经济性指标,安全性指标,舒适性指标和排放性指标。
动力性指标包括:最大爬坡度,最大加速度,最高车速等。
经济性指标包括:等速百公里油耗,工况百公里油耗,等速百公里电耗,工况百公里电耗等。
安全性指标包括:主动安全性和被动安全性;主动安全性用配备的驾驶员辅助系统的数量来衡量,如车道线偏离报警,自适应巡航,盲点检测系统,ABS系统,ESP系统;被动安全用安全气囊的数量,车身的吸能量来表示。
舒适性指标包括:平顺性总加权评价值,空间尺寸和视野尺寸等。
排放性指标包括:尾气一氧化碳量,碳氢化合物量,氮氧化合物量和PM量等。
不同的指标数据的获得是通过对目标车型进行特定工况的仿真获得。
各种指标归一化处理的说明如下:
针对有的指标是越大越好,有的指标是越小越好,而由于各指标梁刚和性质不同,造成了各个指标间的不可共度性,就要求把这些指标通过某一效用函数进行无量纲化且映射到一个有限的区间中,即进行规划处理。为了将他们转化为闭区间[0,1]上的无量纲指标属性值,首先在各自的论域上确定它们的最大值Umax和最小值Umin,U为原始指标值。
对于越大越好的指标,如最大加速度,归一化的指标为:
X=(U-Umin)/(Umax-Umin)。
对于越小越好的指标,如百公里油耗,归一化的指标为:
X=(Umax-U)/(Umax-Umin)。
对BP人工神经网络模型的说明如下:
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。
针对本发明的测评方法,BP人工神经网络模型的结构是由输入节点为m个输出节点为一个,中间包含一层隐含层的三层网络,m的数值为各个指标数量之和,其结果如图4所示,其中ωij和ωj是权系数。
该BP人工神经网络模型在没有经过数据训练前,内部的权系数未知,当有一定数量的样本对其进行训练时,其内部权系数数据则可确定。具体的实现方法是使用多种实际车辆(新能源车)的真实指标值和专家对该种车辆的综合评价值分别作为输入和输出来训练该BP人工神经网络模型后,再作为本发明测评方法中的测评模型的。
本发明测评方法的有益效果为:能在新能源车开发早期就对其快速作出综合评价,可以在车型开发出来之前对车型进行评价,并且评价的结果基本不受人工的影响和干预,评价方面比较全面,能够为车型的改进提供有效依据,较低开发成本和缩短开发周期。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种新能源车的测评方法,其特征在于,包括:
利用计算机仿真建立待测评的新能源车的仿真模型;
获取所建立待测评的新能源车的仿真模型的各技术指标值;
将所获取的各技术指标值归一化后输入计算机运行的测评模型中进行测评,得出所述待测评的新能源车的综合评价值。
2.根据权利要求1所述的一种新能源车的测评方法,其特征在于,所述建立的待测评的新能源车的仿真模型包括:
纯电动车和混合动力车中的任一项;
所述纯电动车包括:前轮集中驱动纯电动车、后轮集中驱动电动车、全轮集中驱动纯电动车、分布式前轮驱动纯电动车、分布式后轮驱动纯电动车、分布式全轮驱动纯电动车中的任一种;
所述混合动力车包括:串联型混合动力车、并联型混合动力车中的任一种;其中,所述并联型混合动力车包括:变速箱前同轴并联型混合动力车、变速箱后同轴并联型混合动力车、不同轴并联型混合动力车中的任一种。
3.根据权利要求1所述的一种新能源车的测评方法,其特征在于,所述获取所建立待测评的新能源车的仿真模型的各技术指标值包括:动力性指标值、经济性指标值、安全性指标值、舒适性指标值和排放性指标值中的任一种或几种。
4.根据权利要求1至3任一项所述的一种新能源车的测评方法,其特征在于,所述将所获取的各技术指标值归一化是将各技术指标值转化为0~1闭区间上的无量纲指标属性值。
5.根据权利要求1至3任一项所述的一种新能源车的测评方法,其特征在于,所述测评模型采用经过训练的BP人工神经网络模型。
6.根据权利要求5所述的一种新能源车的测评方法,其特征在于,所述经过训练的BP人工神经网络模型的结构是由输入节点为m个,输出节点为一个,中间包含一层隐含层的三层网络,其中m的数值为各个指标值的数量之和。
7.根据权利要求5所述的一种新能源车的测评方法,其特征在于,所述经过训练的BP人工神经网络模型是采用多套新能源车的实车试验得出的技术指标值为输入,以及对应于各输入新能源车实车的专家综合评价值为输出作为样本进行训练后的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130661.0A CN104680335A (zh) | 2015-03-24 | 2015-03-24 | 一种新能源汽车的测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130661.0A CN104680335A (zh) | 2015-03-24 | 2015-03-24 | 一种新能源汽车的测评方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104680335A true CN104680335A (zh) | 2015-06-03 |
Family
ID=53315343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510130661.0A Pending CN104680335A (zh) | 2015-03-24 | 2015-03-24 | 一种新能源汽车的测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680335A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933665A (zh) * | 2015-06-23 | 2015-09-23 | 北京寰球时代互联信息技术有限公司 | 车辆推送方法和装置 |
CN106872178A (zh) * | 2017-01-20 | 2017-06-20 | 湖北文理学院 | 一种新能源汽车的综合性能测试方法及系统 |
CN109190879A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
CN110989400A (zh) * | 2019-12-18 | 2020-04-10 | 汉腾汽车有限公司 | 一种纯电动汽车性能仿真系统 |
CN111738458A (zh) * | 2020-05-28 | 2020-10-02 | 杭州三一谦成科技有限公司 | 一种基于车联网的新能源车行驶数据采集处理方法 |
CN112784442A (zh) * | 2021-03-01 | 2021-05-11 | 南京道发科技有限公司 | 一种基于大数据的仿真分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004348403A (ja) * | 2003-05-22 | 2004-12-09 | Yoshiaki Kato | 企業活動評価方法及び評価装置 |
CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
CN101886940A (zh) * | 2010-07-09 | 2010-11-17 | 天津汽车检测中心 | 混合动力电动汽车能耗排放检测系统与检测方法 |
CN103186101A (zh) * | 2011-12-27 | 2013-07-03 | 中联重科股份有限公司 | 整车控制器的硬件在环仿真测试系统 |
CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
-
2015
- 2015-03-24 CN CN201510130661.0A patent/CN104680335A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004348403A (ja) * | 2003-05-22 | 2004-12-09 | Yoshiaki Kato | 企業活動評価方法及び評価装置 |
CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
CN101886940A (zh) * | 2010-07-09 | 2010-11-17 | 天津汽车检测中心 | 混合动力电动汽车能耗排放检测系统与检测方法 |
CN103186101A (zh) * | 2011-12-27 | 2013-07-03 | 中联重科股份有限公司 | 整车控制器的硬件在环仿真测试系统 |
CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933665A (zh) * | 2015-06-23 | 2015-09-23 | 北京寰球时代互联信息技术有限公司 | 车辆推送方法和装置 |
CN106872178A (zh) * | 2017-01-20 | 2017-06-20 | 湖北文理学院 | 一种新能源汽车的综合性能测试方法及系统 |
CN109190879A (zh) * | 2018-07-18 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
CN109190879B (zh) * | 2018-07-18 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 一种训练改编水平评价模型、评价改编水平的方法及装置 |
TWI703515B (zh) * | 2018-07-18 | 2020-09-01 | 香港商阿里巴巴集團服務有限公司 | 訓練改編水準評價模型、評價改編水準的方法及裝置 |
US11074897B2 (en) | 2018-07-18 | 2021-07-27 | Advanced New Technologies Co., Ltd. | Method and apparatus for training adaptation quality evaluation model, and method and apparatus for evaluating adaptation quality |
US11367424B2 (en) | 2018-07-18 | 2022-06-21 | Advanced New Technologies Co., Ltd. | Method and apparatus for training adaptation quality evaluation model, and method and apparatus for evaluating adaptation quality |
CN110989400A (zh) * | 2019-12-18 | 2020-04-10 | 汉腾汽车有限公司 | 一种纯电动汽车性能仿真系统 |
CN111738458A (zh) * | 2020-05-28 | 2020-10-02 | 杭州三一谦成科技有限公司 | 一种基于车联网的新能源车行驶数据采集处理方法 |
CN111738458B (zh) * | 2020-05-28 | 2021-04-23 | 杭州三一谦成科技有限公司 | 一种基于车联网的新能源车行驶数据采集处理方法 |
CN112784442A (zh) * | 2021-03-01 | 2021-05-11 | 南京道发科技有限公司 | 一种基于大数据的仿真分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680335A (zh) | 一种新能源汽车的测评方法 | |
Hu et al. | Model predictive control of hybrid electric vehicles for fuel economy, emission reductions, and inter-vehicle safety in car-following scenarios | |
Zhou et al. | Transferable representation modelling for real-time energy management of the plug-in hybrid vehicle based on k-fold fuzzy learning and Gaussian process regression | |
CN112116156B (zh) | 基于深度强化学习的混动列车的能量管理方法及系统 | |
WO2021212728A1 (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN109703548B (zh) | 一种基于混合动力的汽车动力分配方法 | |
Luo et al. | Drag coefficient modeling of heterogeneous connected platooning vehicles via BP neural network and PSO algorithm | |
CN113010967A (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
CN105835854B (zh) | 一种紧急制动控制系统及其控制方法 | |
Mumcuoglu et al. | Driving behavior classification using long short term memory networks | |
CN115257691A (zh) | 一种基于强化学习的混合动力汽车模式切换控制方法 | |
Shi et al. | Applying a WNN-HMM based driver model in human driver simulation: Method and test | |
Liu et al. | Energy active adjustment and bidirectional transfer management strategy of the electro-hydrostatic hydraulic hybrid powertrain for battery bus | |
Gopalakrishnan et al. | Neuro-fuzzy approach to predictive modeling of emissions from biodiesel powered transit buses | |
CN114969982A (zh) | 一种基于策略迁移的燃料电池汽车深度强化学习能量管理方法 | |
Rong-Feng et al. | Study on drive system of hybrid tree harvester | |
CN109552219A (zh) | 一种基于混合动力汽车的分布式安全监控方法 | |
Song et al. | Adaptive control and optimal power/brake distribution of high speed trains with uncertain nonlinear couplers | |
Jiang et al. | Online optimal energy distribution of composite power vehicles based on BP neural network velocity prediction | |
Liu et al. | Real-time comprehensive driving ability evaluation algorithm for intelligent assisted driving | |
CN111301223A (zh) | 一种电动汽车电池管理系统及管理方法 | |
CN106915354A (zh) | 一种辨认驾驶人员的车载设备及辨认方法 | |
Makarova et al. | Driving Quality Assessment System when Improving Intelligent On-Board System | |
Mumcuoğlu | Driving behavior classification for Heavy-Duty vehicles using LSTM Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150603 |
|
RJ01 | Rejection of invention patent application after publication |