CN105389976A - 用于道路风险指数产生的方法和设备 - Google Patents

用于道路风险指数产生的方法和设备 Download PDF

Info

Publication number
CN105389976A
CN105389976A CN201510542169.4A CN201510542169A CN105389976A CN 105389976 A CN105389976 A CN 105389976A CN 201510542169 A CN201510542169 A CN 201510542169A CN 105389976 A CN105389976 A CN 105389976A
Authority
CN
China
Prior art keywords
data
risk
road
processor
vehicle
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
Application number
CN201510542169.4A
Other languages
English (en)
Other versions
CN105389976B (zh
Inventor
约瑟夫·F·斯塔奈克
约翰·奥塔维奥·米切里尼
蒂莫西·马克·菲尔德坎普
陆建波
曾福林
安东尼·马里奥·迪`阿马托
潘卡序·库马尔
瑞安·李·贝克
梅德维拉·J·斯鲁普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN105389976A publication Critical patent/CN105389976A/zh
Application granted granted Critical
Publication of CN105389976B publication Critical patent/CN105389976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及用于道路风险指数产生的方法和设备。一种系统包括处理器，所述处理器被配置为采集关于当前道路的历史风险影响数据。所述处理器还被配置为采集关于当前道路的当前风险影响数据。此外，所述处理器被配置为基于所述历史风险影响数据来产生针对道路的基线风险指数。所述处理器还被配置为基于所述当前风险影响数据来修改基线风险指数，并基于修改的基线风险指数来提供针对当前道路的风险指数值。

Description

用于道路风险指数产生的方法和设备
技术领域
示意性实施例总体上涉及用于道路风险指数产生的方法和设备。
背景技术
在任意给定区域中，特定道路和十字路口具有比其他道路和十字路口更多的意外事故。例如，这可能是由于较高的交通流量、较高的速度或可能由于未充分设计的道路布局。然而，除了驾驶员观察到在特定位置经常发生事故之外，对于驾驶员来说很难通常辨别出事故通常发生的地点。更多的情况是，当驾驶员正行驶通过新的区域时，驾驶员已没有机会观察任何先前的事故。
发明内容
在第一示意性实施例中，一种系统包括处理器，所述处理器被配置为采集关于当前道路的历史风险影响数据。所述处理器还被配置为采集关于当前道路的当前风险影响数据。此外，所述处理器被配置为基于所述历史风险影响数据来产生针对道路的基线风险指数。所述处理器还被配置为基于所述当前风险影响数据来修改基线风险指数，并基于修改的基线风险指数来提供针对当前道路的风险指数值。
根据本发明的一个实施例，所述处理器还可被配置为：基于关于具有与当前道路相似特性的道路的当前风险影响数据的观测的影响，来修改基线值。
在第二示意性实施例中，一种计算机实现的方法包括：采集关于当前道路的历史风险影响数据。所述方法还包括：采集关于当前道路的当前风险影响数据。所述方法进一步包括：基于历史风险影响数据来产生针对道路的基线风险指数。此外，所述方法包括：基于当前风险影响数据来修改基线风险指数，并基于修改的基线风险指数来提供针对当前道路的风险指数值。
根据本发明的一个实施例，所述方法还可包括：基于采集的数据对特定驾驶员的观测的影响来对采集的数据加权，以改变采集的数据对风险指数值的影响。
在第三示意性实施例中，提供一种非暂时性机器可读存储介质存储指令，当所述指令被执行时，使得处理器执行一种方法，所述方法包括：采集关于当前道路的历史风险数据。所述方法还包括：采集关于当前道路的当前风险影响数据。所述方法进一步包括：基于历史风险影响数据来产生针对道路的基线风险指数。此外，所述方法包括：基于当前风险影响数据来修改基线风险指数，并基于修改的基线风险指数来提供针对当前道路的风险指数值。
根据本发明的一个实施例，所述方法还可包括：基于采集的数据对特定驾驶员的观测的影响来对采集的数据加权，以改变采集的数据对风险指数值的影响。
附图说明
图1示出示意性的车辆计算系统；
图2示出道路风险指数输入的示意性示例；
图3示出道路风险产生过程的示意性示例；
图4A和图4B示出针对道路风险产生的示意性处理；
图5示出针对风险值确定的示意性处理。
具体实施方式
根据需要，在此公开本发明的详细实施例；然而，将理解的是，所公开的实施例仅仅是本发明的示例，其中，本发明可以以各种替代形式来实现。附图无需按比例绘制；一些特征可被夸大或最小化以示出特定组件的细节。因此，在此公开的具体结构和功能细节不应被解释为具有限制性，而仅仅是用于教导本领域技术人员以多种方式利用本发明的代表性基础。
图1示出用于车辆31的基于车辆的计算系统(VCS)1的示例方框拓扑图。这种基于车辆的计算系统1的示例为由福特汽车公司制造的SYNC系统。设置有基于车辆的计算系统的车辆可包含位于车辆中的可视前端界面4。如果所述界面设置有例如触摸敏感屏幕，则用户可还能够与所述界面进行交互。在另一示意性实施例中，通过按钮按压、具有自动语音识别和语音合成的口语对话系统来进行交互。
在图1中所示的示意性实施例1中，处理器3控制基于车辆的计算系统的至少一部分操作。设置在车辆内的处理器允许对命令和例程进行车载处理。另外，处理器被连接到非持久性存储器5和持久性存储器7两者。在此示意性实施例中，非持久性存储器是随机存取存储器(RAM)，持久性存储器是硬盘驱动器(HDD)或闪存。一般说来，持久性(非暂时性)存储器可包括当计算机或其它装置掉电时保持数据的所有形式的存储器。这些存储器包括但不限于：HDD、CD、DVD、磁带、固态驱动器、便携式USB驱动器和任何其它适当形式的持久性存储器。
处理器还设置有允许用户与处理器进行交互的若干不同的输入。在此示意性实施例中，麦克风29、辅助输入25(用于输入33)、USB输入23、GPS输入24、屏幕4(可为触摸屏显示器)和蓝牙输入15全部被提供。还设置有输入选择器51，以允许用户在各种输入之间进行切换。针对麦克风和辅助连接器两者的输入在被传送到处理器之前，由转换器27对所述输入进行模数转换。尽管未示出，但是与VCS进行通信的众多车辆组件和辅助组件可使用车辆网络(诸如但不限于CAN总线)向VCS(或其组件)传送数据并传送来自VCS(或其组件)的数据。
系统的输出可包括但不限于可视显示器4以及扬声器13或立体声系统输出。扬声器被连接到放大器11并通过数模转换器9从处理器3接收其信号。还可分别沿19和21所示的双向数据流进行到远程蓝牙装置(诸如PND54)或USB装置(诸如车辆导航装置60)的输出。
在一示意性实施例中，系统1使用蓝牙收发器15与用户的移动装置53(例如，蜂窝电话、智能电话、PDA或具有无线远程网络连接能力的任何其它装置)进行通信(17)。移动装置随后可用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中，蜂窝塔57可以是WiFi接入点。
移动装置与蓝牙收发器之间的示例性通信由信号14表示。
可通过按钮52或类似的输入来指示移动装置53与蓝牙收发器15进行配对。相应地，指示CPU使得车载蓝牙收发器将与移动装置中的蓝牙收发器进行配对。
可利用例如与移动装置53关联的数据计划、话上数据或DTMF音在CPU3与网络61之间传送数据。可选地，可期望包括具有天线18的车载调制解调器63以便在CPU3与网络61之间通过语音频带传送数据(16)。移动装置53随后可用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中，调制解调器63可与蜂窝塔57建立通信(20)，以与网络61进行通信。作为非限制性示例，调制解调器63可以是USB蜂窝调制解调器，并且通信20可以是蜂窝通信。
在一示意性实施例中，处理器设置有包括用于与调制解调器应用软件进行通信的API的操作系统。调制解调器应用软件可访问蓝牙收发器上的嵌入式模块或固件，以完成与(诸如设置在移动装置中的)远程蓝牙收发器的无线通信。蓝牙是IEEE802PAN(个域网)协议的子集。IEEE802LAN(局域网)协议包括WiFi并与IEEE802PAN具有相当多的交叉功能。两者都适合于车辆内的无线通信。可在这一范围使用的另一通信方式是自由空间光通信(诸如IrDA)和非标准化消费者红外协议。
在另一实施例中，移动装置53包括用于语音频带或宽带数据通信的调制解调器。在话上数据的实施例中，当移动装置的所有者可在数据被传送的同时通过装置说话时，可实施已知为频分复用的技术。在其它时间，当所有者没有在使用装置时，数据传送可使用整个带宽(在一示例中是300Hz至3.4kHz)。尽管频分复用对于车辆与互联网之间的模拟蜂窝通信而言会是常见的并仍在被使用，但其已经很大程度上被用于数字蜂窝通信的码域多址(CDMA)、时域多址(TDMA)、空域多址(SDMA)的混合体所替代。这些都是ITUIMT-2000(3G)兼容的标准，为静止或行走的用户提供高达2mbs的数据速率，并为在移动的车辆中的用户提供高达385kbs的数据速率。3G标准现在正被高级IMT(4G)所替代，其中，所述高级IMT(4G)为在车辆中的用户提供100mbs的数据速率并为静止的用户提供1gbs的数据速率。如果用户具有与移动装置关联的数据计划，则所述数据计划可允许宽带传输且系统可使用宽得多的带宽(加速数据传送)。在另一实施例中，移动装置53被安装至车辆31的蜂窝通信装置(未示出)所替代。在又一实施例中，移动装置(ND)53可以是能够通过例如(而非限制)802.11g网络(即WiFi)或WiMax网络进行通信的无线局域网(LAN)装置。
在一实施例中，传入数据可经由话上数据或数据计划穿过移动装置，穿过车载蓝牙收发器，并进入车辆的内部处理器3。例如，在某些临时数据的情况下，数据可被存储在HDD或其它存储介质7上，直至不再需要所述数据时为止。
可与车辆进行接口连接的另外的源包括：具有例如USB连接56和/或天线58的个人导航装置54、具有USB62或其它连接的车辆导航装置60、车载GPS装置24、或具有与网络61连接的能力的远程导航系统(未示出)。USB是一类串行联网协议中的一种。IEEE1394(火线TM(苹果)、i.LINKTM(索尼)和LynxTM(德州仪器))、EIA(电子工业协会)串行协议、IEEE1284(Centronics端口)、S/PDIF(索尼/飞利浦数字互连格式)和USB-IF(USB开发者论坛)形成了装置-装置串行标准的骨干。多数协议可针对电通信或光通信来实施。
此外，CPU可与各种其它的辅助装置65进行通信。这些装置可通过无线连接67或有线连接69来连接。辅助装置65可包括但不限于个人媒体播放器、无线保健装置、便携式计算机等。
此外或可选地，可使用例如WiFi(IEEE803.11)收发器71将CPU连接到基于车辆的无线路由器73。这可允许CPU在局域路由器73的范围中连接到远程网络。
除了具有由位于车辆中的车辆计算系统执行的示例性处理之外，在某些实施例中，还可由与车辆计算系统通信的计算系统来执行示例性处理。这样的系统可包括但不限于：无线装置(例如但不限于移动电话)或通过无线装置连接的远程计算系统(例如但不限于服务器)。总体上，这样的系统可被称为与车辆关联的计算系统(VACS)。在某些实施例中，VACS的特定组件可根据系统的特定实施而执行处理的特定部分。作为示例而并非限制的方式，如果处理具有与配对的无线装置发送或者接收信息的步骤，则很可能无线装置不执行该处理，这是因为无线装置不会与自身进行信息的“发送和接收”。本领域的普通技术人员将理解何时不适合对给定解决方案应用特定的VACS。在所有解决方案中，预期至少位于车辆自身内的车辆计算系统(VCS)能够执行示例性处理。
在这里讨论的每个示意性实施例中，示出了可由计算机系统执行的处理的示例性非限制示例。针对每个处理，为了执行处理的限制性目的，执行处理的计算系统被配置为用于执行处理的专用处理器是可行的。所有处理无需被全部执行，而应被理解为可被执行以实现本发明的要素的处理类型的示例。可如期望的添加附加步骤或将附加步骤从示例性处理中去除。
图2示出道路风险指数输入的示意性示例。针对在该图中描述的示意性实施例，注意到的是，通用处理器可被临时用作专用处理器，以用于执行在此示出的示例性方法中的部分或全部。当执行提供用于执行所述方法的部分或全部的指令的代码时，处理器可被临时改变目的作为专用处理器，直到方法被完成的时候为止。在另一示例中，在适当的程度上，按照预配置的处理器执行的固件可使处理器充当被提供用于执行所述方法或一些其合理变形的专用处理器。
在示意性实施例中，众包数据被用于产生针对给定区域中的各种道路的风险指数。通过利用来自多种源的数据，并基于多种因素，可以以相对综合和迅速的方式来分析区域中的道路。此外，由于可描述各种因素与事故的程度之间的相关性，所以可对已知的和未知的道路两者做出假设。例如，如果55mph速度限制的道路上的事故被观测到在雨量超过0.5英寸每小时发生的频率是0.05％，而如果驾驶员处在新的地区的暴风雨中，则在55mph道路上的事故的程度可被“猜测”。这是非常简单化的示例，但它示出了采集的数据可如何被用于对关于未曾采集过先前数据的道路做出假设。
使用关于道路的已知数据和针对未知道路的预测风险，可至少基于道路的事故的频率来开发降低事故风险的路线。虽然具有针对道路的较低风险指数的特定路线可能花费较长的时间，但是该路线可能是通常“更安全的”路线，且因此对于任意数量的安全相关的理由会是合适的。
在图2中示出的系统的示意性示例中，示出了多种示例性因素。当然，这些不仅仅是会被考虑到的因素，也可利用在事故可能性的估计中有帮助的任何适合的因素。
在该示例中，每个因素具有实时数据及其静态数据输入。将给出关于每个因素的示例，但这些仅用于示意性目的，且并不意在限制输入或数据。例如，关于交通231，实时数据210可包括但不限于(如果已知的话)：交通的平均速度、车辆密度和车辆类型。静态数据可针对特定分类被限定，诸如，交通分类是实质上动态的，但是如果适当，可使用特定静态数据。例如，历史交通数据可被用于对可能仍距一段距离的即将到来的路线部分在特定当日时间的可能的风险进行评估。
对于数据融合算法的其他输入251可包括事故数据233。这可包括实时事故数据205，诸如但不限于当前事故的严重程度和类型。例如，事故输入的静态数据207可包括：事故的平均/中值严重程度、道路上的一般事故的类型和事故的历史(每天、每周、每月、发生的时间等)。
道路上的环境235也可在确定路线风险的过程中起作用。环境可有益于预测事故可能性，且也可将新的未知的道路与先前观测的道路进行比较。例如，非限制性地，实时环境数据209可包括：当前能见度、天气/地面状况、建造/危险数据、风速和温度。例如，静态输入数据211可包括与在一天中的不同时间发生的事故相关的数据以及将事故与特定环境状况关联的历史数据。
道路类型数据237也可作为评估道路风险的因素被输入。该数据通常为静态输入数据215，且可包括但不限于：当前地面粗糙度/坑洼、道路弯曲/半径、十字路口(存在、频率、停止标志/灯/让行)、道路坡度、道路地面类型、道路类型(高速公路、城市街道等)、车道个数、速度限制。虽然道路数据将处在动态流动中是罕见的，但是动态数据213也可被用作输入。
人为因素239也可在确定过程中起作用。如果(例如，通过由车辆报告的车辆数据)关于驾驶员的数据是已知的，则这可能是有益的。该数据可为动态217或静态219。例如，数据类型可包括：超速习惯(当前或历史的)、驾驶员的年龄、驾驶经历、残障、注意力分散等。该分类中的很多数据可根据什么数据可用而既为当前数据又为历史数据，且有益于确定驾驶员对驾驶风险的自身人为影响。
尽管其他输入可理所应当地也可用，但是另一示例性参数(最后一个示例)包括车辆参数241。例如，非限制性地，实时数据221(如果可用)可包括：当前车辆制动状况、胎压、车载诊断警告、车辆的类型等。例如，静态数据223可包括速度限制、定向的交通流量。
针对所有这些因素，特定动态数据也可如静态历史数据一样可用。类似地，如果适合，当静态历史数据在报告车辆系统中可用时，静态历史数据也可如动态数据一样可用。
系统的数据融合251部分代表被用于确定各种道路的风险指数的算法。这可根据数据提供系统的架构和性能定期地基于一定的时间间隔而产生，或可以以按需方式来产生。该处理的输出为风险指数客户数据261，风险指数客户数据261可被提供到各种车辆以显示/利用沿当前或可选路线的道路的风险数据。
例如，非限制性地，该数据可被用于产生风险提醒271(例如，特定道路风险上升到阈值之上，或可能超出通常规范的范围)、安全路线选择(例如，找到沿着仅具有个N风险或更少的路线的道路)以及被设计为利用该数据的任何其他适合的应用275。
通过记录和分析当前数据(例如，在传输过程中由车辆报告的数据)和历史数据，可观测到针对贯穿整个道路网络的通常行驶的道路的风险模式。观测的相关性也可被用于预测较少行驶的道路的风险，针对较少行驶的道路可能存在较少的可用的实际数据，使得甚至在非熟悉或非通常地区中也可估计风险。相应地，由于驾驶员已经选择了仅呈现选择的相似事故风险程度的道路，所以驾驶员可较自信地行驶。
图3示出道路风险产生过程的示意性示例。针对在该图中描述的示意性实施例，注意到的是，通用处理器可被临时用作专用处理器，以用于执行在此示出的示例性方法中的部分或全部。当执行提供用于执行所述方法的部分或全部的指令的代码时，处理器可被临时改变目的作为专用处理器，直到方法被完成的时候为止。在另一示例中，在适当的程度上，按照预配置的处理器执行的固件可使处理器充当被提供用于执行所述方法或一些其合理变形的专用处理器。
图3中粗略近似的处理示出对风险评估系统的一些潜在输入301。与道路的特征相关的输入303可被输入云算法(305)，以产生针对道路的基础风险指数(例如，基于已知的固定的状况的静态指数)。该指数可基于车辆的GPS位置或沿路线的GPS点而被下载(309)。
代表当前动态状况的动态变量也可被考虑(307)。由于更多的数据被采集且可对特定状况与在这些状况下驾驶的结果之间做出更多相关，所以这些参数对风险计算的影响可随时间被改善。可将这些动态因素与固定的风险值进行结合(311)，以产生针对给定道路或位置的整体风险指数值。
图4A和图4B示出针对道路风险产生的示意性处理。针对在该图中描述的示意性实施例，注意到的是，通用处理器可被临时用作专用处理器，以用于执行在此示出的示例性方法中的部分或全部。当执行提供用于执行所述方法的部分或全部的指令的代码时，处理器可被临时改变目的作为专用处理器，直到方法被完成的时候为止。在另一示例中，在适当的程度上，按照预配置的处理器执行的固件可使处理器充当被提供用于执行所述方法或一些其合理变形的专用处理器。
在该示意性示例中，导航计算系统将产生包括用于检查的一个或更多个道路的路线。如果驾驶员期望将道路风险计入因素中，则针对每个道路或道路的一部分，可调用风险分析处理以确定针对道路或部分道路的风险指数。在该示例中，在401，该处理以输入的针对风险分析的请求而开始。在403，结合该请求，风险分析所期望的一个或更多个道路也被接收。
在该示例中，针对与道路关联的每个道路，动态数据和历史数据被考虑以产生全局风险值。在一些情况下，如在图3中示出的，历史数据将已被计入针对道路的基本风险值的因素中，且将无需匆忙地进行评估。
首先，在该示例中，交通相关的数据405被采集。所述数据可包括但不限于交通的平均速度、车辆密度、车辆类型等。在407，历史交通数据可被用于产生针对道路的基线交通风险值(如果期望，基线交通风险值可被并入全局基线值，在该示例中产生的每个历史基线均可如此)。在409，当前交通数据可被用于基于在请求时刻的实际状况来产生特定风险值。因为“当前”值将趋向随时间衰减，所以两种类型的信息均有用，特别是在道路或路段尚未立刻到达的情况下。
在411，在该示例中还采集针对道路的事故历史。正如每个示例，但仅针对一些示例示出的，如果在413历史数据不存在，则该数据可被忽略。如果存在历史数据(事故的严重程度、事故的类型等)，则在415，可再次产生通常基于事故历史的针对道路的基线风险值。此外，如果存在任何当前事故，则可在417基于当前事故来产生特定风险值。
在419，环境数据也可被利用。虽然历史数据在该分类中可能不是很有用，但是在421，它也可被用于基于通常发生的环境状况(较差的照明、一天中的时间等)来产生针对道路的环境基线。在423，当前数据还可被用于产生当前环境特定风险影响。正如任何因素，权重也可常常被应用到该值上，以抵消任何被利用的数据的相对有效性(例如，基于观测的相关性)。因此，例如，如果确定了当前环境数据相比于历史数据对当前风险具有更加现实的影响，则当前环境数据可被给予的权重是历史数据的权重的十倍。另一方面，在快速改变的环境中，历史数据可被给予更高权重，以将驾驶员实际到达该道路时状况可能改变的可能性计入因素中。
在425，道路特征数据也被考虑到该示例中。由于道路不太可能在正在进行的基础上经历重大改变，所以这是历史数据(例如，道路的构成)可能比当前道路数据更为可能的因素的情况。另一方面，例如，针对泥土路，当前道路构成(泥泞的、湿的等)可实际担任与历史数据同样重要的因素。在427可产生并适当利用针对道路的一般风险值，在429可产生并适当利用针对道路的当前风险值。
在该示例的431中，还可访问驾驶员配置文件(driverprofile)。该配置文件存储关于车辆驾驶员的驾驶行为(观测的和当前的驾驶行为)的数据、以及可被用于评估风险的关于驾驶员的任何有用的人口统计信息。驾驶员数据(年龄、经验、残障、分心、突然倾向于加速或制动等)可被用于基于当前状况(诸如，例如，注意力分散、超速等)来产生针对驾驶员的一般风险配置文件(433)和特定风险配置文件(435)。
最后，在该示例中，在437，关于车辆的数据被产生。在该示例中，该数据与特定车辆相关，即，车辆请求风险数据。该数据可包括针对车辆在特定状况下的历史观测行为，且还可包括当前车辆状态值(低胎压、制动器磨损、低燃料等)。正如其他数据，该数据可在439被用于产生针对车辆历史的标准风险配置文件，以及在441基于当前车辆数据产生针对车辆的当前风险值。
在该示例中，在443，各种产生的风险值可随后基于每个值被观测的对全局风险的影响被适当加权。随着时间推移，该加权可变得更加精确，且可根据道路到道路、车辆到车辆以及驾驶员到驾驶员而不同。由于数据被采集且状况对特定驾驶员或车辆的影响已知，所以权重可被转移以更精确地代表对于该驾驶员的风险。同样地，可基于静态值或动态值通常基于特定分类的影响而转移权重。
一旦所述值已被加权，如果加权被期望，则该处理可在445合计针对每个道路或道路部分的值，并在447针对每个识别的道路或道路部分将输出提供回风险指数的请求实体(典型地，车辆)。该数据可随后被请求实体以适当的方式进行使用。
图5示出针对风险值确定的示意性处理。针对在该图中描述的示意性实施例，注意到的是，通用处理器可被临时用作专用处理器，以用于执行在此示出的示例性方法中的部分或全部。当执行提供用于执行所述方法的部分或全部的指令的代码时，处理器可被临时改变目的作为专用处理器，直到方法被完成的时候为止。在另一示例中，在适当的程度上，按照预配置的处理器执行的固件可使处理器充当提供执行所述方法或一些其合理变形的专用处理器。
在图5中示出的示意性示例中，交通相关的数据的采集被更加详细地示出为数据可被如何采集和利用的代表性示例。类似处理(具有适当的数据类型)可被用于风险产生输入中的每个因素。
例如，在该示意性处理中，在501，当前车辆平均速度被获取。正如所有考虑的因素，车辆速度将对全局道路风险产生一定的(指定的或确定的)影响。在503，确定速度将如何影响风险的一个常用方式可为观测速度与风险的一般统计。例如，这是速度如何改变所有道路上的风险或在某区域的所有道路的风险的代表。
如果在507请求的道路具有历史可用数据，则在509，历史数据可被考虑以确定速度如何改变特定道路上的风险。例如，速度增加5m.p.h可改变5因子(以任意比例尺)的风险。然而，在非常弯曲的道路上，速度增加5m.p.h可被观测到在该特定道路上增加20因子的风险。相应地，如果速度对风险的特定影响和一般影响两者均是可用的，则将考虑速度对风险的特定影响和一般影响两者。
类似地，在511，针对线路的车辆密度将被获取。再次地，在513，密度的一般影响可被观测到，并且针对给定道路，如果在515密度对风险的历史影响是可用的，则在517密度对风险的历史影响可被观测。针对每个因素，就针对道路的特定数据将相比于一般数据提供不同的观测风险影响来讲，两种类型的数据均可被考虑。
在该示例中也考虑速度限制(519)和车辆类型(527)(例如，交通是否是由通勤车、商务车等组成)。在521、529，对于两个因素，因素与风险的一般关系可被考虑。同样地，如果在523、531针对给定道路的因素的历史观测的影响是可用的，则在525、533针对给定道路的因素的历史观测的影响可被考虑。
在该示例中，基于采集的数据，道路上的“交通”的一般基线影响可(例如，通过合计/评估单独的因素)被历史地产生。同样地，当前交通状况的特定影响可被确定。此外，另一类型的加权可被应用。如果针对给定的因素存在足够的历史数据，使得该因素对该道路的特定影响与该因素对具有类似特征的一般道路的一般影响有显著不同，则加权可被改变为对已知的特定影响做更大地加权。这与对应用到给定驾驶员的每个因素影响的加权不同，但可被进一步用于修改结果。
仅作为示例目的，将使用上面的示意性构思来描述场景，以示出每个因素如何适应道路和驾驶员两者的考虑。使用环境、交通和车辆的输入以及环境的“子因素”：天气、环境：一天中的时间、交通：速度、交通：密度、车辆：制动器状况和车辆：胎压、以及风险范围1-100，将示出示例的风险计算。
针对给定道路，当前交通和环境数据被采集，当前交通和环境数据至少包括针对分类的子因素。示例值被采集，其中，环境的示例值：天气＝小雨，环境的示例值：一天中的时间＝下午6点，交通的示例值：速度＝45m.p.h.，交通密度的示例值＝轻度。车辆还报告“车辆：制动器状况＝磨损，车辆：胎压＝35psi”。
针对每个输入，如果适合，则确定针对给定道路的输入的一般影响和特殊影响(如果可用)。因此，针对小雨的情况，观测到的是，一般的小雨使风险增加3因子，但针对700个数据点(在该示例中，有意义的数量)，小雨使风险增加4因子。由于该数据针对特定道路有意义，所以0.9的权重将被分配给特定因素，且0.1的权重将被分配给一般因素。因此，天气＝小雨的全局风险影响是3.6。由于天气是“当前”值，所以这是受到当前状况影响的动态/特定风险因素。
一天中的时间＝下午6点可被观测为在一年中的当前时间与傍晚相关。假设在给定道路上的傍晚驾驶的数据点仅有15个，但存在足够的一般数据。一般地，可观测到的是，在傍晚驾驶使风险增加2因子，且因为不存在足够的特定数据可用，所以所有的权重均赋予特定因素。再次地，这是受到当前状况影响的动态/特定因素。在该示例中，不存在针对环境的基线值，这是因为仅当前环境状况被考虑。因此，在该示例中针对一天中的时间的风险是2。
另外，在该示例中，交通：速度＝45m.p.h可被观测为与一般风险因子1相关。然而，关于该道路，交通：速度可被观测超过500个数据点(仅针对该示例的目的，将被视为有意义)以与风险因子2相关。因为与小雨数据相比存在略少数据点，所以在该示例中，权重0.8将被分配给历史道路特定影响，且0.2将被分配给一般影响，以产生速度风险指数值1.8。这样的加权可帮助考虑下面的事实：即使本地数据存在，也不能确保，如果存在50000个一般数据点和500个本地数据点，一些权重可被赋予给定子因素的全局观测的影响。
交通密度＝轻度可被赋予0风险因子，并且在50个本地数据点的情况下，可具有0.05本地风险因子。在该示例中，虽然50个数据点相当无意义，但是一些小权重(0.05)可被赋予以至少代表对基于本地观测的历史数据的改变的考虑。因此，针对交通密度的全局风险值等于0.025。
交通数据和气候数据两者代表当前状况，因此对针对道路的基线值无影响，这可更有可能从例如路面的静态值中获得。虽然基线可针对在该示例中公开的因素(环境和交通)被获取，但是针对该说明没有基线被获取。
另一方面，车辆的制动器状况(磨损)或胎压(35psi)是相当固定的值，且可提供针对车辆的基线值。再次地，如果针对这些值的一般数据和历史数据可用，则制动器＝磨损的风险影响可通常为4，特殊情况下为3，而胎压＝35psi(针对该车辆建议的)的影响可为0。如果存在足够的数据来证实特定车辆数据的权重为0.9，则车辆的基线风险评级为3.1(4*0.1+3*0.9+0)。
现在，基线和特定值可基于这些值对特定驾驶员的观测的影响来被加权。如果非常少的数据可用，则每个值被赋予相同的权重。这里，权重对于基线和特定因素是单独的(所以，0.5、0.5、1)。因此，在该示例中，最终计算为(0.5*(3.6+2)+0.5*(1.8+0.025))*1*(3.1)。在该示例中，且仅针对示意性目的，风险的等式是加权的特定因素的和(其为针对每个因素的加权子因素的和)乘以加权的基线的和(其为针对每个基线因素的加权子因素的和)。所以针对给定道路的全局风险可约为11.8。
另一方面，可随时间已被观测到的是，特定驾驶员很少受到交通的影响，而更容易受到天气状况的影响。相应地，0.2的权重可被赋予给交通，0.8的权重可被赋予给环境。在这种示例中，针对该驾驶员、针对该道路的全局风险因素可约为15。
在另一示例中，加权可被用于基于观测的驾驶行为来增大或减小因素的影响，而不是如上面示出的平衡因素的影响。在这种情况下，例如，如果很少或没有数据已知，则权重1可被分配给每个因素，在另一种情况下，权重1.2可被分配给天气，且0.5可被分配给交通。这会再次引起天气在全局指数值中被加权更重。
无论使用什么模式，无论采集什么因素，该示例仅单独地针对示意性目的被提供，且不以任何方式限制本发明的范围。可使用任何适合的风险影响因素，可适当地应用权重或不应用权重。此外，还可使用基于输入因素产生针对道路的风险指数值的任何适合的公式。示意性实施例仅示出了风险数据可被如何采集并如何被用于改变路线和驾驶决定的示例。
虽然以上描述了示例性实施例，但这些实施例并不意在描述本发明的所有可能形式。相反地，说明书中所使用的词语是描述性词语而非限制，并且应理解的是，可在不脱离本发明的精神和范围的情况下做出各种改变。此外，可将各种实现的实施例的特征进行组合以形成本发明的进一步的实施例。

Claims (15)

1.一种系统，包括：
处理器，被配置为：
采集关于当前道路的历史风险影响数据；
采集关于当前道路的当前风险影响数据；
基于所述历史风险影响数据来产生针对道路的基线风险指数；
基于所述当前风险影响数据来修改基线风险指数；
基于修改的基线风险指数来提供针对当前道路的风险指数值。
2.如权利要求1所述的系统，其中，所述历史风险影响数据包括道路数据。
3.如权利要求1所述的系统，其中，所述当前风险影响数据包括道路数据。
4.如权利要求1所述的系统，其中，所述历史风险影响数据包括交通数据。
5.如权利要求1所述的系统，其中，所述当前风险影响数据包括交通数据。
6.如权利要求1所述的系统，其中，所述历史风险影响数据包括环境数据。
7.如权利要求1所述的系统，其中，所述当前风险影响数据包括环境数据。
8.如权利要求1所述的系统，其中，所述历史风险影响数据包括车辆操作者数据。
9.如权利要求1所述的系统，其中，所述当前风险影响数据包括车辆操作者数据。
10.如权利要求1所述的系统，其中，所述历史风险影响数据包括车辆数据。
11.如权利要求1所述的系统，其中，所述当前风险影响数据包括车辆数据。
12.如权利要求1所述的系统，其中，所述处理器还被配置为：基于采集的数据对特定驾驶员的观测的影响来对采集的数据加权，以改变采集的数据对风险指数值的影响。
13.如权利要求1所述的系统，其中，所述处理器还被配置为：基于关于当前道路的历史风险影响数据的观测的影响来产生基线值。
14.如权利要求1所述的系统，其中，所述处理器还被配置为：基于关于具有与当前道路相似特性的道路的历史风险影响数据的观测的影响，来产生基线值。
15.如权利要求1所述的系统，其中，所述处理器还被配置为：基于关于当前道路的当前风险影响数据的观测的影响来修改基线值。
CN201510542169.4A 2014-08-29 2015-08-28 用于道路风险指数产生的方法和设备 Active CN105389976B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/473,272 2014-08-29
US14/473,272 US9519670B2 (en) 2014-08-29 2014-08-29 Method and apparatus for road risk indices generation

Publications (2)

Publication Number Publication Date
CN105389976A true CN105389976A (zh) 2016-03-09
CN105389976B CN105389976B (zh) 2021-05-07

Family

ID=55312311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510542169.4A Active CN105389976B (zh) 2014-08-29 2015-08-28 用于道路风险指数产生的方法和设备

Country Status (3)

Country Link
US (1) US9519670B2 (zh)
CN (1) CN105389976B (zh)
DE (1) DE102015113636A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107093224A (zh) * 2017-04-04 2017-08-25 江苏智通交通科技有限公司 车辆超速检测数据有效性评估方法
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
WO2018103313A1 (zh) * 2016-12-06 2018-06-14 杭州海康威视数字技术股份有限公司 发生交通事故的风险预测方法、装置及系统
CN109416873A (zh) * 2016-06-24 2019-03-01 瑞士再保险有限公司 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法
CN110766258A (zh) * 2018-07-25 2020-02-07 高德软件有限公司 一种道路风险的评估方法及装置
CN112700138A (zh) * 2020-12-31 2021-04-23 京东数字科技控股股份有限公司 道路交通风险管理的方法、装置和系统
CN113257039A (zh) * 2021-06-28 2021-08-13 武汉依迅北斗时空技术股份有限公司 基于大数据分析的驾驶预警方法及装置
CN114005284A (zh) * 2021-11-01 2022-02-01 长沙理工大学 一种基于降雨量实时监测的汽车智能预警系统

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10360636B1 (en) 2012-08-01 2019-07-23 Allstate Insurance Company System for capturing passenger and trip data for a taxi vehicle
US9506763B2 (en) * 2015-01-30 2016-11-29 Here Global B.V. Method and apparatus for providing aggregated notifications for travel segments
US11307042B2 (en) * 2015-09-24 2022-04-19 Allstate Insurance Company Three-dimensional risk maps
US10699347B1 (en) 2016-02-24 2020-06-30 Allstate Insurance Company Polynomial risk maps
US10264111B2 (en) 2016-10-04 2019-04-16 Allstate Solutions Private Limited Mobile device communication access and hands-free device activation
US9979813B2 (en) 2016-10-04 2018-05-22 Allstate Solutions Private Limited Mobile device communication access and hands-free device activation
US11295218B2 (en) 2016-10-17 2022-04-05 Allstate Solutions Private Limited Partitioning sensor based data to generate driving pattern map
WO2018144917A1 (en) * 2017-02-02 2018-08-09 Cyber Physical Systems, Inc. Accident-severity scoring device, method, and system
US10489721B2 (en) * 2017-05-23 2019-11-26 Uatc, Llc Path segment risk regression system for on-demand transportation services
US11282009B2 (en) 2017-05-23 2022-03-22 Uatc, Llc Fleet utilization efficiency for on-demand transportation services
US10452072B2 (en) * 2017-05-25 2019-10-22 Ford Global Technologies, Llc Methods and apparatuses for vehicle wading safety
US11087617B2 (en) * 2018-11-26 2021-08-10 GM Global Technology Operations LLC Vehicle crowd sensing system and method
US20240161621A1 (en) * 2022-11-11 2024-05-16 GridMatrix, Inc. Systems that predict accidents and ameliorate predicted accidents
CN116778733B (zh) * 2022-11-26 2024-06-25 南京中科启明星软件有限公司 一种基于大数据的高速公路导航语音预警方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0978706A2 (en) * 1998-08-04 2000-02-09 Ford Global Technologies, Inc., A subsidiary of Ford Motor Company A method and system for generating a navigation route
US7324893B2 (en) * 2004-03-22 2008-01-29 Fujitsu Limited Traffic management system
CN101587644A (zh) * 2009-06-02 2009-11-25 同济大学 基于非连续滑动序列的城市快速路交通事故自动检测方法
US20090326796A1 (en) * 2008-06-26 2009-12-31 Toyota Motor Engineering & Manufacturing North America, Inc. Method and system to estimate driving risk based on a heirarchical index of driving
CN101833858A (zh) * 2009-12-17 2010-09-15 南京城际在线信息技术有限公司 一种基于信号灯系统环形线圈判别道路交通状态的方法
KR20110000238A (ko) * 2009-06-26 2011-01-03 한양대학교 산학협력단 지능형 교통정보시스템 및 이에 있어서 경고 정보 제공 방법
CN101937421A (zh) * 2009-07-03 2011-01-05 上海大潮电子技术有限公司 采集车辆实时运行信息而进行运行安全风险评估的方法
US20110043377A1 (en) * 2009-08-24 2011-02-24 Navteq North America, Llc Providing Driving Condition Alerts Using Road Attribute Data
JP2011081608A (ja) * 2009-10-07 2011-04-21 Ntt Docomo Inc 危険箇所推定装置及び危険箇所推定方法
CN102073851A (zh) * 2011-01-13 2011-05-25 北京科技大学 一种城市交通事故自动识别方法和系统
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN102538811A (zh) * 2010-11-30 2012-07-04 通用汽车环球科技运作有限责任公司 用于基于安全因素来规划车辆路线的系统和方法
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN103218513A (zh) * 2013-03-15 2013-07-24 北京交通大学 一种城市轨道交通运行安全的判定方法
US8606512B1 (en) * 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法
WO2014043301A2 (en) * 2012-09-12 2014-03-20 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100759346B1 (ko) * 1999-10-19 2007-09-17 아메리칸 캘카어 인코포레이티드 사용자 선호도에 기초한 효과적인 내비게이션 기술
US6807481B1 (en) * 2002-10-11 2004-10-19 Ralph F Gastelum Computerized log and compliance system for truck drivers
US6810328B2 (en) 2002-11-23 2004-10-26 Alpine Electronics, Inc Navigation method and system for indicating area-specific traffic information
US20120179363A1 (en) 2011-01-06 2012-07-12 Toyota Motor Engineering & Manufacturing North America, Inc. Route calculation and guidance with consideration of safety
US9146127B2 (en) * 2012-06-27 2015-09-29 International Business Machines Corporation Navigation system providing lane guidance to driver based on driver's driving habits and preferences

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0978706A2 (en) * 1998-08-04 2000-02-09 Ford Global Technologies, Inc., A subsidiary of Ford Motor Company A method and system for generating a navigation route
US7324893B2 (en) * 2004-03-22 2008-01-29 Fujitsu Limited Traffic management system
US8606512B1 (en) * 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
US20090326796A1 (en) * 2008-06-26 2009-12-31 Toyota Motor Engineering & Manufacturing North America, Inc. Method and system to estimate driving risk based on a heirarchical index of driving
CN101587644A (zh) * 2009-06-02 2009-11-25 同济大学 基于非连续滑动序列的城市快速路交通事故自动检测方法
KR20110000238A (ko) * 2009-06-26 2011-01-03 한양대학교 산학협력단 지능형 교통정보시스템 및 이에 있어서 경고 정보 제공 방법
CN101937421A (zh) * 2009-07-03 2011-01-05 上海大潮电子技术有限公司 采集车辆实时运行信息而进行运行安全风险评估的方法
US20110043377A1 (en) * 2009-08-24 2011-02-24 Navteq North America, Llc Providing Driving Condition Alerts Using Road Attribute Data
JP2011081608A (ja) * 2009-10-07 2011-04-21 Ntt Docomo Inc 危険箇所推定装置及び危険箇所推定方法
CN101833858A (zh) * 2009-12-17 2010-09-15 南京城际在线信息技术有限公司 一种基于信号灯系统环形线圈判别道路交通状态的方法
CN102538811A (zh) * 2010-11-30 2012-07-04 通用汽车环球科技运作有限责任公司 用于基于安全因素来规划车辆路线的系统和方法
CN102073851A (zh) * 2011-01-13 2011-05-25 北京科技大学 一种城市交通事故自动识别方法和系统
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
WO2014043301A2 (en) * 2012-09-12 2014-03-20 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN103218513A (zh) * 2013-03-15 2013-07-24 北京交通大学 一种城市轨道交通运行安全的判定方法
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109416873A (zh) * 2016-06-24 2019-03-01 瑞士再保险有限公司 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法
CN109416873B (zh) * 2016-06-24 2022-02-15 瑞士再保险有限公司 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
WO2018103313A1 (zh) * 2016-12-06 2018-06-14 杭州海康威视数字技术股份有限公司 发生交通事故的风险预测方法、装置及系统
CN107093224A (zh) * 2017-04-04 2017-08-25 江苏智通交通科技有限公司 车辆超速检测数据有效性评估方法
CN110766258A (zh) * 2018-07-25 2020-02-07 高德软件有限公司 一种道路风险的评估方法及装置
CN110766258B (zh) * 2018-07-25 2022-04-01 阿里巴巴（中国）有限公司 一种道路风险的评估方法及装置
CN112700138A (zh) * 2020-12-31 2021-04-23 京东数字科技控股股份有限公司 道路交通风险管理的方法、装置和系统
CN113257039A (zh) * 2021-06-28 2021-08-13 武汉依迅北斗时空技术股份有限公司 基于大数据分析的驾驶预警方法及装置
CN114005284A (zh) * 2021-11-01 2022-02-01 长沙理工大学 一种基于降雨量实时监测的汽车智能预警系统

Also Published As

Publication number Publication date
DE102015113636A1 (de) 2016-03-03
CN105389976B (zh) 2021-05-07
US9519670B2 (en) 2016-12-13
US20160063045A1 (en) 2016-03-03

Similar Documents

Publication Publication Date Title
CN105389976A (zh) 用于道路风险指数产生的方法和设备
CN105551281B (zh) 通过众包数据个性化的路线指数
US20220244063A1 (en) Data processing system communicating with a map data processing system to determine or alter a navigation path based on one or more road segments
US11257377B1 (en) System for identifying high risk parking lots
US11656094B1 (en) System for driver's education
US11578990B1 (en) Personalized driving risk modeling and estimation system and methods
US10247565B2 (en) Traffic risk avoidance for a route selection system
CN106023586B (zh) 用于检测车辆交通模式中的异常的方法和装置
US20190101914A1 (en) Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions
EP3679552A1 (en) Electronic logging and track identification system for mobile telematics devices, and corresponding method thereof
CN105023451A (zh) 驾驶场景预测和自动车辆设置调整
CN104050805A (zh) 用于众包交通报告的方法和设备
JP7413503B2 (ja) 車両の安全性能を評価すること
CN108600954A (zh) 用于车辆元件故障统计分析的方法和设备
RU2686387C2 (ru) Транспортное средство, способ оценивания водителя и сервер характеристик водителя
CN105046996A (zh) 用于预测的驾驶需求建模的方法和设备
US20210142590A1 (en) System generated damage analysis using scene templates
CN109017627A (zh) 用于改进车辆保养计划的方法和设备
US20240110800A1 (en) Wear mitigation routing platform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant