CN105551281A - 通过众包数据个性化的路线指数 - Google Patents

通过众包数据个性化的路线指数 Download PDF

Info

Publication number
CN105551281A
CN105551281A CN201510690767.6A CN201510690767A CN105551281A CN 105551281 A CN105551281 A CN 105551281A CN 201510690767 A CN201510690767 A CN 201510690767A CN 105551281 A CN105551281 A CN 105551281A
Authority
CN
China
Prior art keywords
data
vehicle
index
traffic
traffic hazard
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
CN201510690767.6A
Other languages
English (en)
Other versions
CN105551281B (zh
Inventor
安东尼·马里奥·迪·阿马托
约翰·奥塔维奥·米切里尼
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 CN105551281A publication Critical patent/CN105551281A/zh
Application granted granted Critical
Publication of CN105551281B publication Critical patent/CN105551281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle

Abstract

本发明涉及通过众包数据个性化的路线指数。交通事故信息可以被群集以确定发生统计学上增加的水平的交通事故的地理位置。指示在所述位置内的车辆操作状况的指数可以根据众包事件信息因素和包括定义所述因素对所述指数的贡献的系数的指数函数而产生。所述系数可以被优化，以使所述指数预测的统计学上增加的水平的区域与群集的交通事故信息之间的误差最小化。

Description

通过众包数据个性化的路线指数
技术领域
示意性实施例总体上涉及用于道路指数产生的训练和个性化的方法和设备。
背景技术
在任何给定区域，特定道路和十字路口具有比其它道路和十字路口更高的交通事故发生率。这可能是由于较高的交通流量、较高的速度或未充分设计的道路布局所导致的。然而，除非驾驶员观察到在特定位置经常发生事故，否则对于驾驶员来说通常很难辨别出事故经常发生的地点。更多的情况是，当驾驶员正行驶通过新的区域时，驾驶员已没有机会去观察任何先前的交通事故。
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：群集交通事故信息，以确定发生统计学上增加的水平的交通事故的地理位置；根据众包事件信息因素和指数函数产生指示在所述位置内的车辆操作状况的指数，其中，所述指数函数包括定义所述因素对所述指数的贡献的系数；优化所述系数，以使所述指数预测的统计学上增加的水平的区域与群集的交通事故信息之间的误差最小化。
在第二示意性实施例中，一种系统包括车辆的处理器，所述车辆的处理器被配置为：将指示针对车辆的当前驾驶状况的事件信息发送至指数服务器；向所述指数服务器请求针对地理位置的指数；从所述指数服务器接收所述指数，其中，所述指数根据定义了所述事件信息的因素对驾驶事故可能性的贡献的指数函数的系数而被计算。
在第三示意性实施例中，一种非暂时性计算机可读介质包含指令，当所述指令被车辆的处理器执行时使得所述处理器执行以下操作：将指示针对所述车辆的当前驾驶状况的事件信息发送至指数服务器；向所述指数服务器请求针对地理位置的指数；从所述指数服务器接收所述指数，其中，所述指数根据定义了所述事件信息的因素对驾驶事故可能性的贡献的指数函数的系数而被计算。
根据本发明的一个实施例，所述事件信息包括交通数据、环境数据、道路类型数据、人为因素数据以及车辆参数数据中的至少两个。
根据本发明的一个实施例，所述因素包括急剧制动事件和转向沉重事件。
根据本发明的一个实施例，所述服务器被配置为：根据所述车辆的特定驾驶员的历史众包事件信息优化所述系数，以确定针对所述车辆的所述驾驶员优化的系数。
根据本发明的一个实施例，所述服务器被配置为：根据多个驾驶员的历史众包事件信息优化所述系数，以确定针对所述多个驾驶员优化的系数。
根据本发明的一个实施例，所述地理位置是(i)所述车辆所位于的当前地理位置和(ii)所述车辆被规划通过的潜在地理位置中的一个或更多个。
附图说明
图1示出示意性的车辆计算系统；
图2示出道路指数输入的示意性示例；
图3示出道路指数产生过程的示意性示例；
图4示出用于道路指数产生的示意性处理；
图5示出用于道路指数值确定的示意性处理；
图6示出用于道路指数产生的训练和个性化的示意性处理。
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，而仅仅作为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。
道路指数是指示针对给定道路或位置车辆经历交通事故的可能性的量的值。系统可以被配置为：将道路指数分配给路段，以通知驾驶员：注意所述路段，或者重新规划他们的轨迹以完全避开所述路段。在一些情况下，道路指数可以是静态的，意味着所述指数反映对驾驶员可用的相对静态的信息(例如，道路路面状况、路形、道路曲率和速度限制)。道路指数可以通过将众包(crowd-sourced)数据增加到道路指数的静态数据输入以包括与动态状况(例如，如交通拥堵、平均车流速度、当前车辆速度、天气等)关联的输入，来变为动态。
系统可以被配置为：基于反映各个因素的多个输入，产生动态道路指数或静态路线指数，所述各个因素通过产生来呈现。然而，虽然在很多示例中，路形、天气以及交通的贡献全部表现在产生的道路指数中，但是每个因素的具体贡献权重或系数可能是不容易获得的。
改进的用于道路指数产生的系统可以被配置为：接收针对由穿过道路或在某位置上的车辆检测到的事件的众包信息。基于上传的数据，交通事故以及其它信息可以被实时检测并被用于改善道路指数的系数。此外，系统可以接收众包数据，并且可以将识别的活动与道路指数中存在的因素相关联。
在一些情况下，系统还可以被配置为：使用众包事件数据进行训练，以生成针对驾驶员个性化的道路指数。在示例中，特定驾驶员和车辆的组合可在特定位置系统地执行特定交通事故易发机动，但是其它车辆很少针对给定位置报告类似活动。基于所述驾驶员特定的信息，系统可以被配置为：为驾驶员提供道路指数，所述道路指数被调整以反映针对所述驾驶员而特定的交通事故可能性。在下面详细讨论道路指数的产生、训练和个性化的进一步的方面。
图1示出用于车辆131的基于车辆的计算系统(VCS)100的示例方框拓扑图。这种VCS100的示例为由福特汽车公司制造的SYNC系统。设置有VCS100的车辆131可包含位于车辆131中的可视前端界面104。如果设置有例如触摸敏感屏幕，则用户还能够与界面104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所示的示意性VCS100中，处理器103(例如，CPU、应用微处理器、调制解调器处理器等)控制VCS100的至少一部分操作。设置在车辆131内的处理器103允许对命令和例程进行车载处理。另外，处理器103被连接到非持久性存储器105和持久性存储器107两者。在此示意性实施例中，非持久性存储器105是随机存取存储器(RAM)，持久性存储器107是硬盘驱动器(HDD)或闪存。一般而言，持久性(非暂时性)存储器107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、致密盘(CD)、数字通用光盘(digitalversatiledisk，DVD)、磁带、固态驱动器(SSD)、便携式通用串行总线(USB)驱动器和任何其它适当形式的持久性存储器。
处理器103还设置有允许用户与处理器103进行交互的若干不同的输入。在该示意性实施例中，麦克风129、辅助输入125(用于输入133)、USB输入123、GPS输入124、前端界面104(可以包括触屏显示器)和无线电收发器115(诸如，蓝牙输入)全部被提供。还设置有输入选择器151，以允许用户在各种输入之间进行切换。针对麦克风129和辅助输入125两者的输入在被传送到处理器103之前，可由转换器127进行模数转换。尽管未被示出，但是与VCS100进行通信的众多的车辆131组件和辅助组件可使用车辆131的网络(诸如，但不限于控制器局域网(CAN)总线)向VCS100(或其组件)传送数据并传送来自VCS100(或其组件)的数据。
系统的输出可包括但不限于视觉显示器104以及扬声器113或音频系统输出。扬声器113被连接到放大器111并通过数模转换器109从处理器103接收其信号。还可分别沿着在119和121示出的双向数据流进行到远程蓝牙装置(诸如，个人导航装置(PND)154)或USB装置(诸如，车辆导航装置160)的输出。
在一示意性实施例中，系统100使用无线收发器115与用户的移动装置(ND)153(例如，蜂窝电话、智能电话、个人数字助理(PDA)或具有无线远程网络连接能力的任何其它移动装置)进行通信(117)。移动装置153随后可用于通过例如与蜂窝塔157的通信(155)来与车辆131外部的网络161进行通信(159)。在一些实施例中，蜂窝塔157可以是WiFi接入点。移动装置153与无线收发器115之间的示例性通信由连接114表示。使用配对的移动装置153，数据可以通过利用例如与移动装置153关联的数据计划、话上数据、或DTMF音的连接114在处理器103和网络161之间被传送。
可通过按钮152或类似的输入来指示移动装置153与无线收发器115进行配对。相应地，处理器103被指示VCS100的无线收发器115将与移动装置153中的无线收发器(例如，集成在移动装置153中的蓝牙收发器，未示出)进行配对。
另外地或可选地，VCS100可以包括具有天线118的车载调制解调器163，车载调制解调器163被配置为：在处理器103与网络161之间传送(116)数据。该传送可以通过数据带和/或数据通道被执行。移动装置153随后可用于通过例如与蜂窝塔157的通信(155)来与车辆131外部的网络161进行通信(159)。在一些实施例中，调制解调器163可与蜂窝塔157建立通信(120)，以与网络161进行通信。作为非限制性示例，调制解调器163可以是USB蜂窝调制解调器163，并且通信120可以通过蜂窝通信协议来进行。
在一示意性实施例中，处理器103设置有包括与调制解调器应用软件进行通信的应用程序编程接口(API)的操作系统。调制解调器应用软件可访问无线收发器115上的嵌入式模块或固件，以完成与远程无线收发器(诸如，在移动装置153中发现的)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131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(IR)协议。
在另一实施例中，移动装置153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153的所有者可在数据被传送的同时通过移动装置153说话时，可实施被称为频分复用的技术。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300赫兹(Hz)至3.4千赫(kHz))。尽管频分复用对于车辆131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2兆比特每秒(mbs)的数据速率，并为在移动的车辆131中的用户提供高达385千比特每秒(kbs)的数据速率。3G标准现在正被IMT-Advanced(4G)所替代，所述IMT-Advanced(4G)为在车辆131中的用户提供100mbs的数据速率并为静止的用户提供1千兆比特每秒(gbs)的数据速率。如果用户具有与移动装置153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153被安装至车辆131的蜂窝通信装置(未示出)所替代。在又一实施例中，移动装置153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153，穿过车载蓝牙收发器，并进入车辆131的内部处理器103。例如，在某些临时数据的情况下，数据可被存储在HDD或其它持久性存储器107上，直至不再需要所述数据时为止。
可与车辆131进行接口连接的另外的源包括：具有例如USB连接156和/或天线158的PND154、具有USB162或其它连接的车辆导航装置160、车载GPS装置124、或具有与网络161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，处理器103可与各种其它的辅助装置165进行通信。这些辅助装置165可通过无线连接167或有线连接169来连接。辅助装置165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171将处理器103连接到基于车辆的无线路由器173。这可允许处理器103在局域路由器173的范围中连接到远程网络。
除了由位于车辆131中的VCS100执行示例性处理之外，在某些实施例中，还可由与VCS100通信的计算系统来执行示例性处理。这样的系统可以包括但不限于：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)。这样的系统可被统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。通过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，预期至少位于车辆内的车辆计算系统(VCS)自身能够执行示例性处理。
在此讨论的每个示意性实施例中，示出了可由计算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103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步骤的指令的代码时，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，根据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它的一些合理变型的专用处理器。
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道路指数。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，由于可绘制各种因素与交通事故的程度之间的相关性，所以可对已知道路和未知道路两者做出假设。例如，如果在雨量超过0.5英寸每小时的情况下，在55mph的速度限制的道路上以0.05％的频率观测到交通事故，那么如果驾驶员处在暴风雨中的新的地区，则在55mph道路上的交通事故的程度可被“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。
通过使用关于道路的已知数据和针对未知道路的交通事故的预测可能性，可至少基于道路的交通事故的频率来开发降低交通事故的可能性的路线。虽然具有针对道路的较低道路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满足期望的。
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，这些不是仅会被考虑到的因素，还可利用在交通事故可能性的评估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以及输入到因素的静态数据。将针对每个因素给出示例，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201可包括但不限于：车流的平均速度、车辆密度和车辆类型(如果已知的话)。静态数据203可针对诸如交通的特定分类(该分类实质上是动态的)被限定，但是如果适当的话，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当日的特定时间的可能性进行评估。
对于数据融合算法的其它输入251可包括交通事故数据233。这可包括实时交通事故数据205，诸如但不限于当前交通事故的严重程度和类型。例如，交通事故输入的静态数据207可包括：交通事故的平均/中值严重程度、道路上的一般交通事故的类型和交通事故的历史(每天、每周、每月、发生的时间等)。
道路上的环境235也可在确定路线上的交通事故可能性的过程中起作用。环境可被用于预测交通事故可能性，且也可被用于将新的未知的道路与先前观测的道路进行比较。例如而非限制性地，实时环境数据209可包括：当前能见度、天气/地面状况、施工/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交通事故相关的数据以及将交通事故与特定环境状况关联的历史数据。
道路类型数据237也可作为用于评估道路交通事故可能性的因素被输入。该数据通常为静态数据215，且可包括但不限于：当前地面粗糙度/坑洼、道路曲率/半径、十字路口(存在性、频率、停止标志/灯/让行(yield))、道路坡度、路面类型、道路类型(高速公路、城市街道等)、车道个数、速度限制。虽然上述道路数据很少会处在动态波动中，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。如果数据已知是关于驾驶员的(例如，通过由车辆报告的车辆数据)，则这可能是有用的。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、残障情况、注意力分散情况等。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，且可用于确定当驾驶时驾驶员对交通事故可能性的自身人为影响。
另一示例性参数(最后一个示例)包括车辆参数241，但是其它输入当然也可用。例如而非限制性地，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，则当静态历史数据可从报告车辆系统获得时，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部分代表用于确定各种道路的指示交通事故可能性的道路指数的算法。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。该处理的输出为指数客户数据261，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交通事故可能性数据。
例如而非限制性地，该数据可被用于产生交通事故可能性警报271(例如，特定道路的交通事故可能性上升到阈值以上，或可能超出常见规范的范围)、安全路线规划273(例如，找到沿着仅具有为N或更少的交通事故可能性的路线的道路)以及由被设计为利用该数据的任何其它适合的应用275使用。
通过记录和分析当前数据(例如，由行驶中的车辆报告的数据)和历史数据，可针对贯穿整个道路网络的通常行驶的道路观测交通事故可能性模式。观测的相关性也可被用于预测较少行驶的道路的交通事故可能性(针对较少行驶的道路可能存在较少的可用的实际数据)，使得即使在不熟悉或非常见地区中也可近似估计交通事故可能性。相应地，由于驾驶员已经选择了仅呈现选择的交通事故可能性的似乎合适的程度的道路，所以驾驶员可较自信地行驶。
图3示出道路指数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步骤的指令的代码时，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，根据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它的一些合理变型的专用处理器。
图3中的处理的粗略近似性示出了对交通事故可能性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本交通事故可能性指数(例如，基于已知的不变状况的静态指数)。该指数可基于车辆的GPS定位或沿路线的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做出特定状况与在这些状况下驾驶的结果之间的更多的相关性，所以这些参数对交通事故可能性计算的影响可随着时间被改善。该动态因素可与固定的交通事故可能性值进行结合(311)，以产生针对给定道路或位置的整体交通事故可能性指数值。
图4示出针对道路交通事故可能性产生的示意性处理。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步骤的指令的代码时，处理器可被临时改变目的作为专用处理器，直到方法被完成时为止。在另一示例中，在适当的程度上，根据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它的一些合理变型的专用处理器。
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。如果驾驶员期望将交通事故可能性计入因素中，则针对每个道路或道路的每部分，可调用交通事故可能性分析处理以确定针对道路或道路部分的交通事故可能性指数。在该示例中，在401，该处理随着输入的针对交通事故可能性分析的请求而开始。在403，结合该请求，期望交通事故可能性分析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因素，动态数据和历史数据被考虑以产生全局的交通事故可能性值。在一些情况下，如在图3中示出的，历史数据将作为因素被计入针对道路的基本交通事故可能性值中，且将无需立即(onthefly)被评估。
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车流的平均速度、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准交通事故可能性值(如果期望的话，基准交通事故可能性值可被并入全局基准值，如同在该示例中产生的每个历史基准那样)。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当前的特定交通事故可能性值。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来临的情况下。
在该示例中，在411，还采集针对道路的交通事故历史。正如每个示例，但仅针对几个示例示出的，如果在413历史数据不存在，则该数据可被省略。如果再次出现历史数据(交通事故的严重程度、交通事故的类型等)，则在415，可产生总体上基于交通事故历史的针对道路的基准交通事故可能性值。此外，如果存在任何当前交通事故，则可在417基于当前交通事故来产生特定交通事故可能性值。
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依然有用，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准。在423，当前数据还可被用于产生当前环境的特定交通事故可能性影响。正如任何因素，权重也可常常被施加于所述值，以抵消任何被利用的数据的相对有效性(例如，基于观测的相关性的相对有效性)。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交通事故可能性具有更加现实的影响，则当前环境数据可被施加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，历史数据可被施加更高的权重，以将直至驾驶员实际到达该道路时为止状况可能改变的情况作为因素计入可能性中。
在该示例中，在425，道路特征数据也被考虑。由于道路不太可能在持续发展的基础上经历重大改变，所以该示例是历史数据(例如，道路的路面状况(makeup))可能比当前道路数据更为可能作为因素的情况。另一方面，例如，针对泥土路，当前道路路面状况(泥泞的、湿的等)实际可作为与历史数据同样重要的因素。根据情况，在427可产生并利用针对道路的一般交通事故可能性值，在429可产生并利用针对道路的当前交通事故可能性值。
在该示例中，在431还可访问驾驶员档案(profile)。该档案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、以及可被用于评估交通事故可能性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、残障情况、注意力分散情况、突然加速或制动的倾向等)可被用于产生基于当前状况(诸如，注意力分散情况、超速等)的特定交通事故可能性档案(435)和针对驾驶员的一般交通事故可能性档案(433)。
在该示例中，最后，在437，关于车辆的数据被采集。在该示例中，该数据与特定车辆(即，请求交通事故可能性数据的车辆)相关。该数据可包括针对车辆在特定状况下的历史观测表现，且还可包括当前车辆状态值(低胎压、制动器磨损、低燃料等)。正如其它数据，该数据可在439被用于产生历史的针对车辆的标准交通事故可能性档案，以及在441产生基于当前车辆数据的针对车辆的当前交通事故可能性值。
在该示例中，在443，产生的各种交通事故可能性值可随后基于观测的每个值对全局交通事故可能性的影响而被适当加权。随着时间推移，该加权可变得更加精确，且可根据不同的道路、不同的车辆以及不同的驾驶员而变化。由于数据被采集且状况对特定驾驶员或车辆的影响已知，所以权重可被改变以更准确地表示对于驾驶员的交通事故可能性。此外，可基于静态值或动态值通常基于特定分类而具有的影响而改变权重。在下面针对图6详细讨论调整权重的进一步的方面。
一旦所述值已被加权(如果加权被期望)，则该处理可在445整合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请求交通事故可能性指数的实体(通常为车辆)。该数据可随后被请求实体以适当的方式进行使用。
图5示出针对交通事故可能性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步骤的指令的代码时，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，根据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它的一些合理变型的专用处理器。
在图5中示出的示意性示例中，作为数据可被如何采集和利用的代表性示例，更详细地示出交通相关的数据的采集。类似处理(具有适当的数据类型)可被用于交通事故可能性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，车辆速度将对道路的全局交通事故可能性产生一定的(指定的或确定的)影响。在503，确定速度将如何影响交通事故可能性的一个常用方式可为观测速度相对于交通事故可能性的一般统计。例如，这表示了速度如何改变所有道路上的交通事故可能性或在某区域的所有道路上的交通事故可能性。
如果在507请求的道路具有可用的历史数据，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交通事故可能性。例如，速度增加5英里每小时(MPH)可将交通事故可能性改变为原来的5倍(以任意比例尺)。然而，在非常弯曲的道路上，可观测到速度增加5MPH使得在该特定道路上的交通事故可能性增加到更高的倍数(例如，20倍)。相应地，如果速度对交通事故可能性的特定影响和一般影响两者均是可用的，则将考虑所述特定影响和所述一般影响两者。
类似地，在511，针对路线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密度对交通事故可能性的历史影响是可用的，则在517密度对交通事故可能性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相比于一般数据将提供不同的观测到的交通事故可能性影响来讲，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，车流是否是由通勤车、商务车等组成)。在521、529，对于两个因素，所述两个因素与交通事故可能性的一般关系可被考虑。同样地，如果在523、531针对给定道路的所述两个因素的历史观测的影响是可用的，则在525、533所述影响可被考虑。
如上所述，虽然路形、天气和交通的贡献可以表现在产生的交通事故可能性指数中，但是每个因素的特定贡献权重可能不容易得到。作为示例，等式(1)示出了一种可行的考虑到路形、天气状况以及众包数据的交通事故可能性指数计算(537、539)：
Ri(k)＝
f1(路形(k),a1,..,an)+f2(天气(k),an+1,..,am)+
f3(众包数据(k),am+1,..,al)(1)其中，k表示正被计算的交通事故可能性指数Ri所针对的位置；并且，a1…al表示在交通事故可能性指数的产生中用于加权各个因素的系数。
为了使交通事故可能性指数Ri与交通事故易发操作状况良好地关联，系数a1…al可以被训练以适当地强调贡献因素(例如，在给定示例中的路形、天气状况以及众包数据)。一种训练系数a1…al的方法可以通过使用历史交通事故数据(诸如，由政府机关或保险公司提供用于相对地总结交通事故易发十字路口或路段的数据)。然而，历史交通事故数据可能是相对稀疏的(例如，针对于可能的十字路口和路段是不完整的)和不被系统地更新的(例如，不规律地被更新或以大时间间隔(诸如，每年一次或两次)地被更新)。因此随着新的交通事故易发路线出现，或随着其它的交通事故易发路线被维修或变的较少通行，交通事故易发路线关联的交通事故可能性指数Ri可能变得过时。此外，由于缺少用于针对特定驾驶员训练交通事故可能性指数系数的个性化数据，所以系数a1…al的训练可能不能提供个性化的交通事故可能性指数Ri。
针对路线交通事故可能性指数的改善的系统可以被配置为：接收针对由穿过道路或在某位置的车辆131检测到的事件的众包信息。在示例中，车辆131的内部数据调制解调器163可以被利用，以将控制器局域网(CAN)总线数据上传到交通事故可能性服务器，所述交通事故可能性服务器用于分析和路线交通事故可能性指数的产生和分析。在另一示例中，移动装置153(例如，驾驶员的移动电话或其它具有网络功能的装置(network-capabledevice))可以上传诸如车辆速度和车辆位置的信息。基于被上传的数据，交通事故信息和其它信息可以通过交通事故可能性指数服务器被实时检测，并被用于改善用于产生交通事故可能性指数的系数。
众包数据还可以捕获交通事故易发活动，尽管交通事故易发活动可能未导致交通事故，但是可以指示交通事故相对易发的路线状况，尤其是如果这些事件由于已经在特定区域被高频率地记录而被证实。这些交通事故易发活动的示例包括急剧制动(hardbraking)事件(例如，高减速率)、高转向角速率等。系统可以接收众包数据，并且可以将识别的活动与呈现在路线交通事故可能性指数中的因素进行关联。
在一些情况下，系统还可以被配置为：使用众包交通事故易发事件数据进行训练，以生成针对驾驶员个性化的道路交通事故可能性指数。在示例中，特定的驾驶员和车辆的组合可以在特定位置系统地执行特定交通事故易发机动，但是其它车辆针对给定位置很少报告类似活动。基于该驾驶员特定信息，系统可以被配置为：为驾驶员提供交通事故可能性指数，所述交通事故可能性指数被调整以反映针对该驾驶员的交通事故可能性。
图6示出针对道路交通事故可能性指数产生的训练和个性化的示例性处理。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设置为专用处理器，以用于执行在此示出的示例性方法中的部分或全部。当执行提供执行所述方法的部分或全部步骤的指令的代码时，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，根据预配置的处理器执行的固件可使处理器充当被设置为执行所述方法或它的一些合理变型的专用处理器。
在图6中示出的示意性实施例中，针对由穿过道路或在各个位置的车辆131检测到的事件，在601，一个或更多个车辆131将众包信息上传到交通事故可能性指数服务器。所述信息可以包括：例如，上传数据的车辆131的GPS位置、以及诸如针对图2在上面详细讨论的实时输入数据201、205、209、213、217、221(例如，关于交通、交通事故、环境、道路类型、人为因素和车辆参数的实时输入数据)的各个方面。所述众包信息可以由车辆处理器103根据穿过控制器局域网(CAN)总线的数据进行编译，并利用车辆131的内部数据调制解调器163或经由与车辆131配对的移动装置153被提供给交通事故可能性指数服务器。
在603，利用接收到的众包信息，交通事故可能性事件服务器(即，交通事故可能性指数服务器)可以群集众包信息。所述群集可以参照数据元素的分组，所述数据元素的分组以针对于众包信息(601)的一个或更多个因素、在同一群集中的数据元素相比于在其它群集中的数据元素彼此更相似的方式来进行。数据可以被群集以识别众包信息(601)的特定因素对应于交通事故可能性较高的位置所在的位置。在示例中，交通事故可能性事件服务器可以被配置为：群集在其中指示急剧制动事件和/或转向沉重(hardsteering)事件的因素以相比于其它位置的相对频率发生的位置。
在605，根据交通事故可能性指数函数和众包信息(601)，交通事故可能性事件服务器还可以产生交通事故可能性指数。如上面针对图2至图5所讨论的，在605，可以产生交通事故可能性指数，例如，通过利用类似于等式(1)的等式执行静态和动态数据元素的数据融合251来确定针对各种道路的交通事故可能性指数。对于初始运行，在交通事故可能性指数的产生中用于加权指数因素的系数a1…al可以是初始默认值。例如，作为一些可能性，针对区域或位置的系数a1…al的初始默认值可以是跨因素的相等权重、针对相邻的和先前计算的区域或位置的权重的平均值、或跨越所有区域或位置的权重的平均值。
在操作607，交通事故可能性事件服务器可以确定在操作605中计算出的交通事故可能性指数是否预测了在操作603确定的群集的位置。例如，所述服务器可以执行余值回归分析，以针对计算的交通事故可能性指数确定实际的交通事故数据是否支持：计算的指示高交通事故可能性的交通事故可能性指数位于所述具有证明的较高交通事故等级的位置或区域。作为另一示例，所述服务器可以确定计算的交通事故可能性指数是否准确地指示具有较高驾驶交通事故可能性的区域(在有或没有确证的交通事故数据的情况下)，在所述具有较高驾驶交通事故可能性的区域内诸如急剧制动或转向机动的群集的高交通事故可能性机动发生。作为又一示例，所述服务器可以确定计算的交通事故可能性指数是否准确地指示具有较高交通驾驶事故可能性的区域，在所述具有较高交通驾驶事故可能性的区域内，在潮湿状况下发生急剧制动或转向机动的群集。如果余值被确定在预定义阈值内(例如，其中，计算的针对每个交通事故可能性指数的余值的平方和在预定义限制内)，则交通事故可能性事件服务器可以确定系数a1…al是可接受的，并且可以将控制传递到操作609以保持现有系数a1…al继续用于计算交通事故可能性指数。
如果相反地，所述服务器确定交通事故可能性指数不在预定义阈值内并且因此未充分预测实际的交通事故或驾驶数据支持特定位置或区域具有较高的交通事故可能性，则在611，所述服务器可以重新优化针对交通事故可能性指数函数的交通事故可能性指数系数，以使交通事故可能性指数预测与群集的位置之间的余值最小化。例如，可以通过诸如回归分析(例如，将线性回归拟合到模型响应，并使用标准化回归系数作为敏感度的直接测量值)、基于方差的分析(例如，将输入和输出的不确定性量化为概率分布，并将输出方差分解成归属于众包信息输入的部分和这些输入的组合，使得输出对众包信息的元素的敏感度通过由该输入引起的输出的方差量被测量)以及筛选(例如，在对接收到的众包信息的剩余集应用更加翔实的分析之前，除去所述接收到的众包信息的没有影响的部分)的敏感度分析技术来执行所述重新优化。在613，分析的结果可以将系数a1······al的集合更新为可以针对于具有高交通事故可能性因素的群集位置与被指示为历史上具有群集交通事故或其它事件的位置之间的方差提供更好的预测能力的新集合。
通过基于群集的众包数据训练路线交通事故可能性指数，系统可以深刻理解诸如天气、路形和交通信息的元素可以如何被加权以增加计算的交通事故可能性指数的预测值。相应地，系统可以针对众包信息的多个因素训练路线交通事故可能性指数的产生，而不仅仅针对与历史交通事故数据的相关性。因为可以相对连续地通过交通事故可能性指数服务器从车辆131收集众包数据，所以路线交通事故可能性指数和系数还可以连续地被更新。此外，依据交通事故易发事件而不仅仅依据交通事故来表征交通事故可能性指数可以提供机会以抢先将路线分类为较高交通事故可能性，从而潜在地消除在路线可能被分类为较高交通事故可能性之前发生交通事故的必然性。另外，路线交通事故可能性指数可以针对给定位置基于当前天气或交通信息而确定性地变化。此外，针对具有类似天气和交通的类似位置，交通事故可能性指数可以相对一致。
作为进一步的可能性，系统可以被利用来提供驾驶员特定的系数权重。从而，所述方法提供了发展个性化的路线交通事故可能性指数的方式，所述个性化的交通事故可能性指数反映个人驾驶特性而不是假设所有驾驶员对于诸如天气、路形以及交通的因素具有相同的敏感度。
在示例中，当特定驾驶员在特定状况下操作特定车辆131时可能在特定位置系统地执行交通事故易发机动(例如，通过来自车辆131的众包信息证明的突然制动机动)，而来自其它车辆131的众包信息可能很少针对给定位置报告类似活动。该识别可以被执行，例如，通过执行将针对车辆131的众包信息的群集与针对其它车辆131的众包信息的群集进行比较来执行(包括或不包括驾驶员的车辆131)。
作为另一可能性，第一群集和加权可以使用针对所有车辆131的信息被执行。基于结果，第二群集和加权随后可以使用利用作为系数的基准集合的第一加权结果的针对驾驶员的车辆131的信息被执行。如果所述系数的基准集合超过了特定的预定义阈值，则所述系数的基准集合的重新优化可以使用针对驾驶员的车辆131的信息来执行。作为又一进一步的可能性，当相比于其它车辆131的众包信息来群集针对驾驶员的车辆131的众包信息时，可以通过对针对驾驶员的车辆131的众包信息赋予较高的贡献量来强调驾驶员的行为。
相应地，驾驶员特定的系数集合可以被计算，所述驾驶员特定的系数集合更好地反映针对特定驾驶员的交通事故可能性，进而可以被用来提供驾驶员特定交通事故可能性指数，以反映特定于所述驾驶员的交通事故可能性。例如，当在潮湿状况下转向时，驾驶员可能对于做出驾驶错误具有特别的敏感性，并且因此，与下雨有关的天气因素可以被分配系数，使得在针对所述驾驶员的交通事故可能性指数的计算中对那些因素进行较高的加权。从而，在相同操作和环境状况下驾驶的在同一位置的两辆车可以基于不同的驾驶员特定系数具有不同的路线交通事故可能性指数(以及潜在地具有不同的推荐路线)。
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 (14)

1.一种系统，包括：
处理器，被配置为：
群集交通事故信息，以确定发生统计学上增加的水平的交通事故的地理位置；
根据众包事件信息的因素和指数函数产生指示在所述位置内的车辆操作状况的指数，其中，所述指数函数包括定义所述因素对所述指数的贡献的系数；
优化所述系数，以使所述指数预测的统计学上增加的水平的区域与群集的交通事故信息之间的误差最小化。
2.如权利要求1所述的系统，其中，所述众包事件信息包括交通数据、环境数据、道路类型数据、人为因素数据以及车辆参数数据中的至少两个。
3.如权利要求1所述的系统，其中，所述因素包括急剧制动事件和转向沉重事件。
4.如权利要求1所述的系统，其中，所述处理器还被配置为：根据特定车辆驾驶员的历史众包事件信息优化所述系数，以确定被配置为产生针对所述驾驶员优化的指数的系数。
5.如权利要求1所述的系统，其中，所述交通事故信息还包括：根据所述众包事件信息识别的交通事故。
6.如权利要求1所述的系统，其中，所述处理器被包括在指数服务器装置中，所述指数服务器装置还被配置为：从多个车辆通过广域网接收所述众包事件信息。
7.如权利要求1所述的系统，其中，所述处理器还被配置为：从车辆接收针对用于地理位置的指数的请求；并且根据所述指数函数以及所述系数将所述指数提供给车辆。
8.如权利要求7所述的系统，其中，所述地理位置是所述车辆所位于的当前地理区域。
9.一种系统，包含：
车辆的处理器，被配置为：
将指示针对所述车辆的当前驾驶状况的事件信息发送至指数服务器；
向所述指数服务器请求针对地理位置的指数；
从所述指数服务器接收所述指数，其中，所述指数根据定义了所述事件信息的因素对驾驶事故可能性的贡献的指数函数的系数而被计算。
10.如权利要求9所述的系统，其中，所述事件信息包括交通数据、环境数据、道路类型数据、人为因素数据以及车辆参数数据中的至少两个。
11.如权利要求9所述的系统，其中，所述因素包括急剧制动事件和转向沉重事件。
12.如权利要求9所述的系统，其中，所述指数服务器被配置为：根据所述车辆的特定驾驶员的历史众包事件信息优化所述系数，以确定针对所述车辆的所述驾驶员优化的系数。
13.如权利要求9所述的系统，其中，所述指数服务器被配置为：根据多个驾驶员的历史众包事件信息优化所述系数，以确定针对所述多个驾驶员优化的系数。
14.如权利要求9所述的系统，其中，所述地理位置是(i)所述车辆所位于的当前地理位置和(ii)所述车辆被规划通过的潜在地理位置中的一个或更多个。
CN201510690767.6A 2014-10-22 2015-10-22 通过众包数据个性化的路线指数 Active CN105551281B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/520,422 US10037695B2 (en) 2014-10-22 2014-10-22 Personalized route indices via crowd-sourced data
US14/520,422 2014-10-22

Publications (2)

Publication Number Publication Date
CN105551281A true CN105551281A (zh) 2016-05-04
CN105551281B CN105551281B (zh) 2021-03-09

Family

ID=55698561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510690767.6A Active CN105551281B (zh) 2014-10-22 2015-10-22 通过众包数据个性化的路线指数

Country Status (3)

Country Link
US (1) US10037695B2 (zh)
CN (1) CN105551281B (zh)
DE (1) DE102015117970A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108372860A (zh) * 2017-01-30 2018-08-07 通用汽车环球科技运作有限责任公司 使用众包驾驶行为来检测路面的方法和系统
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
CN111310295A (zh) * 2018-11-26 2020-06-19 通用汽车环球科技运作有限责任公司 车辆人群感测系统和方法
CN111798662A (zh) * 2020-07-31 2020-10-20 公安部交通管理科学研究所 一种基于时空网格化数据的城市交通事故预警方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152037B2 (en) * 2013-07-09 2018-12-11 Ford Global Technologies, Llc System and method for feedback error learning in non-linear systems
JP6079721B2 (ja) * 2014-08-07 2017-02-15 トヨタ自動車株式会社 車両用運転支援システム
US10053093B2 (en) * 2015-11-24 2018-08-21 Bendix Commercial Vehicle Systems Llc Method and system for controlling a cruise control system
US20170167885A1 (en) * 2015-12-10 2017-06-15 International Business Machines Corporation Gps routing based on driver
GB2556427A (en) 2016-10-06 2018-05-30 Ford Global Tech Llc Vehicle with environmental context analysis
US20180180432A1 (en) 2016-12-22 2018-06-28 Ford Global Technologies, Llc Vehicular traffic pattern application
US10127814B2 (en) 2017-02-03 2018-11-13 Ford Global Technologies, Llc Advanced V2X event dissemination
CN107093216A (zh) * 2017-04-14 2017-08-25 广州地理研究所 基于汽车电子标识的城市交通拥堵收费方法和装置
US20180345801A1 (en) * 2017-06-06 2018-12-06 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for optimizing battery pre-charging using adjusted traffic predictions
US10911542B2 (en) * 2018-03-27 2021-02-02 Toyota Research Institute, Inc. Systems and methods of incentivized data sharing
US11164128B2 (en) * 2018-04-27 2021-11-02 Cubic Corporation Optimizing emergency services logistics using data from a smart traffic control system
WO2019225539A1 (ja) * 2018-05-23 2019-11-28 日本電気株式会社 無線通信識別装置および無線通信識別方法
US10883850B2 (en) 2018-09-05 2021-01-05 International Business Machines Corporation Additional security information for navigation systems
US20220101443A1 (en) * 2018-12-27 2022-03-31 Pioneer Corporation Accident index calculation apparatus, information providing apparatus, content selection apparatus, insurance premium setting apparatus, accident index calculation method, and program
US11100793B2 (en) * 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
US11648938B2 (en) 2019-10-02 2023-05-16 Toyota Motor North America, Inc. Braking data mapping
DE102021100424A1 (de) 2021-01-12 2022-07-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Prädizieren eines Fahrerfehlers, insbesondere eines menschlichen Versagens in einem Fahrzeug
US11587441B1 (en) 2021-09-30 2023-02-21 Lytx, Inc. Location risk determination and ranking based on vehicle events and/or an accident database

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1937764A (zh) * 2005-09-20 2007-03-28 铃木旭 汽车行驶记录器
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
US20120130625A1 (en) * 2010-11-19 2012-05-24 International Business Machines Corporation Systems and methods for determining traffic intensity using information obtained through crowdsourcing
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
CN103177570A (zh) * 2012-12-25 2013-06-26 北京交通发展研究中心 一种早晚高峰交通拥堵指数的预测方法
CN103337184A (zh) * 2013-07-11 2013-10-02 上海济安交通工程咨询有限公司 基于时间、交通流和天气的城市道路限速指示系统及控制方法
CN103366551A (zh) * 2012-04-05 2013-10-23 郭海锋 一种道路交通安全评价方法
CN103500503A (zh) * 2013-09-17 2014-01-08 北京中广睛彩导航科技有限公司 一种基于众包模式的精准路况分析方法及系统
CN103824449A (zh) * 2014-03-18 2014-05-28 山东交通学院 一种利用众包来寻找及处理道路事故黑点的方法
CN103824448A (zh) * 2014-01-28 2014-05-28 交通运输部公路科学研究所 基于众包模式的交通信息推送服务方法和系统
CN104006820A (zh) * 2014-04-25 2014-08-27 南京邮电大学 一种个性化的动态实时导航方法及导航系统
US20140278074A1 (en) * 2013-03-14 2014-09-18 Qualcomm Incorporated Navigation Using Crowdsourcing Data

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6175803B1 (en) 1998-08-04 2001-01-16 Ford Global Technologies, Inc. Vehicle navigation route generation with user selectable risk avoidance
KR100845568B1 (ko) 1999-10-19 2008-07-10 아메리칸 캘카어 인코포레이티드 사용자 선호도에 기초한 효과적인 내비게이션 기술
US6587785B2 (en) 2001-09-21 2003-07-01 General Motors Corporation Method and system for mobile vehicle re-routing
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
US7680596B2 (en) 2004-04-06 2010-03-16 Honda Motor Co., Ltd. Route calculation method for a vehicle navigation system
US8606512B1 (en) 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
US8160811B2 (en) 2008-06-26 2012-04-17 Toyota Motor Engineering & Manufacturing North America, Inc. Method and system to estimate driving risk based on a hierarchical index of driving
US8332242B1 (en) 2009-03-16 2012-12-11 United Services Automobile Association (Usaa) Systems and methods for real-time driving risk prediction and route recommendation
US9552726B2 (en) 2009-08-24 2017-01-24 Here Global B.V. Providing driving condition alerts using road attribute data
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
US20140074402A1 (en) 2012-09-12 2014-03-13 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
US9187099B2 (en) * 2013-10-17 2015-11-17 Richard M. Powers Systems and methods for predicting weather performance for a vehicle

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1937764A (zh) * 2005-09-20 2007-03-28 铃木旭 汽车行驶记录器
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
US20120130625A1 (en) * 2010-11-19 2012-05-24 International Business Machines Corporation Systems and methods for determining traffic intensity using information obtained through crowdsourcing
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
CN103366551A (zh) * 2012-04-05 2013-10-23 郭海锋 一种道路交通安全评价方法
CN103177570A (zh) * 2012-12-25 2013-06-26 北京交通发展研究中心 一种早晚高峰交通拥堵指数的预测方法
US20140278074A1 (en) * 2013-03-14 2014-09-18 Qualcomm Incorporated Navigation Using Crowdsourcing Data
CN103337184A (zh) * 2013-07-11 2013-10-02 上海济安交通工程咨询有限公司 基于时间、交通流和天气的城市道路限速指示系统及控制方法
CN103500503A (zh) * 2013-09-17 2014-01-08 北京中广睛彩导航科技有限公司 一种基于众包模式的精准路况分析方法及系统
CN103824448A (zh) * 2014-01-28 2014-05-28 交通运输部公路科学研究所 基于众包模式的交通信息推送服务方法和系统
CN103824449A (zh) * 2014-03-18 2014-05-28 山东交通学院 一种利用众包来寻找及处理道路事故黑点的方法
CN103824449B (zh) * 2014-03-18 2015-08-19 山东交通学院 一种利用众包来寻找及处理道路事故黑点的方法
CN104006820A (zh) * 2014-04-25 2014-08-27 南京邮电大学 一种个性化的动态实时导航方法及导航系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108372860A (zh) * 2017-01-30 2018-08-07 通用汽车环球科技运作有限责任公司 使用众包驾驶行为来检测路面的方法和系统
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
CN111310295A (zh) * 2018-11-26 2020-06-19 通用汽车环球科技运作有限责任公司 车辆人群感测系统和方法
CN111310295B (zh) * 2018-11-26 2024-04-12 通用汽车环球科技运作有限责任公司 车辆人群感测系统和方法
CN111798662A (zh) * 2020-07-31 2020-10-20 公安部交通管理科学研究所 一种基于时空网格化数据的城市交通事故预警方法

Also Published As

Publication number Publication date
US20160117921A1 (en) 2016-04-28
US10037695B2 (en) 2018-07-31
CN105551281B (zh) 2021-03-09
DE102015117970A1 (de) 2016-04-28

Similar Documents

Publication Publication Date Title
CN105551281A (zh) 通过众包数据个性化的路线指数
CN105389976A (zh) 用于道路风险指数产生的方法和设备
US11656094B1 (en) System for driver's education
US11054278B2 (en) Road frustration index risk mapping and mitigation
EP3139131B1 (en) Methods and systems for driver assistance
US10185999B1 (en) Autonomous feature use monitoring and telematics
US11443388B2 (en) Detecting transportation company trips in a vehicle based upon on-board audio signals
US10204460B2 (en) System for performing driver and vehicle analysis and alerting
US10055794B1 (en) Determining autonomous vehicle technology performance for insurance pricing and offering
US20190101914A1 (en) Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions
CN105023451A (zh) 驾驶场景预测和自动车辆设置调整
JP7413503B2 (ja) 車両の安全性能を評価すること
US11125556B2 (en) Method and system for monitoring and assessing road conditions
US20220034678A1 (en) Automated driving based on driver frustration
CN105046996A (zh) 用于预测的驾驶需求建模的方法和设备
US11783264B2 (en) Vehicle driver safety performance based on relativity
CN105588574A (zh) 用于避开目的地拥堵的方法和系统
CN105931457A (zh) 确定和传输驾驶员特性的方法和系统
CA3198898A1 (en) Automated driving based on driver frustration
US20240110800A1 (en) Wear mitigation routing platform
US20240116515A1 (en) Driver scoring 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