CN105869412A - 一种基于车辆行驶数据的急加速行为识别方法 - Google Patents
一种基于车辆行驶数据的急加速行为识别方法 Download PDFInfo
- Publication number
- CN105869412A CN105869412A CN201610280492.3A CN201610280492A CN105869412A CN 105869412 A CN105869412 A CN 105869412A CN 201610280492 A CN201610280492 A CN 201610280492A CN 105869412 A CN105869412 A CN 105869412A
- Authority
- CN
- China
- Prior art keywords
- main constituent
- speed change
- change factor
- data
- contribution ratio
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于车辆技术领域,具体涉及一种基于车辆行驶数据的急加速行为识别方法,包括如下步骤:(1)采集车辆行驶数据,所述车辆行驶数据包括瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速;(2)通过主成分分析法得到变速因子;(3)对变速因子取阈值;(4)通过比较变速因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急加速行为:当变速因子的得分大于或等于阈值时,所述时刻为急加速时刻。本发明所述方法克服了现有技术的缺陷,显著提高了急加速行为识别的准确性、有效性。
Description
技术领域
本发明属于车辆技术领域,具体涉及一种基于车辆行驶数据的急加速行为识别方法。
背景技术
根据道路交通事故统计表明,危险驾驶行为是造成交通事故的重要原因之一,其中急加速是事故高发的危险驾驶行为。对于汽车制造企业来说,如果能够准确评估驾驶员在驾驶行为尤其是急加速行为中的表现,就能针对驾驶行为更加合理地设计车型,增加车辆的适用性,提高安全系数。
随着车联网的发展,车辆行驶轨迹(例如:经度、维度)及车辆物理特征(例如:瞬时速度、加速度、方向盘转角)的记录和保存成为可能,这使得研究人员能利用丰富的车辆行驶数据来评估驾驶行为。
在车辆行驶过程中,急加速是一种很不安全的驾驶行为,它往往让车辆短时间内达到较大速度,一旦车辆遇到紧急情况时司机有可能来不及有效应对,极易发生险情。因此“急加速”一直被认定为司机危险驾驶行为之一。
然而,如何从数据中准确识别“急加速行为”却是一个没有定论的问题。大部分业界或学术研究多采用“加速度”作为识别该过程的重要指标,通常的做法是划分一个加速度阈值,超过此阈值即定义为“急加速”。如武汉大学的任慧君采用“当加速度超过3m/s2时为急加速”的标准,台湾交通部运输研究所95年出台的《先进大众运输系统(APTS)整体研究发展计划—公车行车安全管理系统计划》中,将每秒加速度5km/h定义为急加速,以及在台湾及大陆逐渐兴起的行车记录仪记录标准中,将急加速定义为时速≥70km/h并且加速度>3km/h/s。
但是,只根据加速度判定的结果有时并不准确,存在片面、判断准确率低的缺陷。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于主成分分析法、准确率高的基于车辆行驶数据的急加速行为识别方法。
本发明解决问题的技术方案是:基于车辆行驶数据的急加速行为识别方法,包括如下步骤:
(1)采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速;
(2)通过主成分分析法得到变速因子:将所述瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速作为4个原始指标,通过主成分分析法合成相同数量的主成分,然后选取累计方差贡献率为85%以上的前三个主成分,再将选取的所述前三个主成分以各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权重进行线性组合,形成变速因子;
(3)对变速因子取阈值;
(4)通过比较变速因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急加速行为:当变速因子的得分大于或等于阈值时,所述时刻为急加速时刻。
进一步地,所述步骤(2)中,通过主成分分析法得到变速因子的步骤包括:
(2.1)根据采集的车辆行驶数据,建立数据矩阵X’=(x′ij)n×p,其中,n为记录数,p为指标数,x′ij表示第i行第j列的数据,且i≤n,j≤p;将瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速这4个原始指标作为主成分分析的原始变量,取p=4;
(2.2)对各指标数据进行标准化,以便消除各项指标在量纲和数量级的差别,标准化的方法是将每个数据x′ij先减去第j个指标的均值(即数据矩阵的列均值),再除以第j个指标的标准差(即数据矩阵的列标准差),得到标准化后的数据xij,进而得到标准化数据矩阵;每个指标的均值为0,方差为1;
(2.3)根据标准化数据矩阵建立协方差矩阵R,协方差矩阵R能反映各个指标之间的相关性,协方差矩阵R的每个元素Rij代表i、j变量的协方差,计算公式为:
其中k为整数,代表i、j变量的第k个取值;
(2.4)求解协方差矩阵R的特征值和特征向量:通过解特征方程|λE-R|=0求出p个特征值λi,i=1,2…p,其中E为单位矩阵,特征值λi的大小正是各个原始的主成分的方差,能反映主成分所包含的加速度信息量的多少,并分别求出对应于特征值λi的特征向量,求解过程是将协方差矩阵R进行分解,公式为:
其中,λi是协方差矩阵R的特征值,ei是长度为p的特征向量,ei T是ei的转置向量;
再将特征值λi按照从大到小的顺序排列,得到:
λ1>λ2>…>λp;
(2.5)计算各主成分的方差贡献率及累计方差贡献率,并根据累计方差贡献率确定最终入选的主成分个数:
方差贡献率的计算公式为:
累计方差贡献率的计算公式为即把排名前i的方差贡献率累计求和;
选取累计方差贡献率为85%以上的前m个主成分,取m=3;
(2.6)通过载荷矩阵写出主成分计算式:
载荷矩阵是表示主成分与原始变量线性转换关系的矩阵,载荷矩阵的系数正是每个主成分对应的特征向量的值,据此写出第i个主成分fi的计算公式:
fi=e1i*x1+e2i*x2+…+epi*xp,
其中,epi是第p个特征向量的第i个分量,xp是第p个指标;它是一个n维向量,因此得到的主成分也是一个n维向量;
(2.7)根据选取出的m个主成分计算每条记录的变速因子的得分,第i条记录的变速因子si的得分的计算公式为:
其中任意一项fki表示第k个主成分的第i个分量,系数的计算公式为:
进一步地,所述步骤(3)中,所述变速因子的阈值为3。
进一步地,所述步骤(2.5)中,选取累计方差贡献率大于85%的前三个主成分。
进一步地,所述步骤(2.5)中,选取出的前三个主成分的方差贡献率分别为53.5%,21.8%,14.5%,然后在步骤(2.7)中计算出的所述前三个主成分的系数分别为0.596,0.243,0.161,因此第i条记录的变速因子si的得分的计算公式为:
si=0.596*f1i+0.243*f2i+0.161*f3i。
进一步地,所述选取出的前三个主成分的累积贡献率能达到89.8%以上,说明这三个主成分能代表89.8%的速度变化信息。
本发明的有益效果为:本发明利用主成分分析法的降维思想,将多指标转化为综合指标,降低观测空间的维度,获取最主要的信息,通过将与急加速相关的几个变量用主成分分析法进行综合,显著提高了急加速行为识别的准确性、有效性。
附图说明
图1是本发明所述基于车辆行驶数据的急加速行为识别方法的流程图;
图2是应用本发明所述方法得到的变速因子和加速实验中瞬时速度的对比折线图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的说明。
如图1所示,基于车辆行驶数据的急加速行为识别方法,包括如下步骤:
(1)采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速;
(2)通过主成分分析法得到变速因子:将所述瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速作为4个原始指标,通过主成分分析法合成相同数量的主成分,然后选取累计方差贡献率为85%以上的前三个主成分,再将选取的所述前三个主成分以各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权重进行线性组合,形成变速因子;
(3)对变速因子取阈值;
(4)通过比较变速因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急加速行为:当变速因子的得分大于或等于阈值时,所述时刻为急加速时刻。
所述步骤(2)中,通过主成分分析法得到变速因子的步骤包括:
(2.1)根据采集的车辆行驶数据,建立数据矩阵X’=(x′ij)n×p,其中,n为记录数,p为指标数,x′ij表示第i行第j列的数据,且i≤n,j≤p;将瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速这4个原始指标作为主成分分析的原始变量,取p=4;
(2.2)对各指标数据进行标准化,以便消除各项指标在量纲和数量级的差别,标准化的方法是将每个数据x′ij先减去第j个指标的均值(即数据矩阵的列均值),再除以第j个指标的标准差(即数据矩阵的列标准差),得到标准化后的数据xij,进而得到标准化数据矩阵;每个指标的均值为0,方差为1;
(2.3)根据标准化数据矩阵建立协方差矩阵R,协方差矩阵R能反映各个指标之间的相关性,协方差矩阵R的每个元素Rij代表i、j变量的协方差,计算公式为:
其中k为整数,代表i、j变量的第k个取值;
(2.4)求解协方差矩阵R的特征值和特征向量:通过解特征方程|λE-R|=0求出p个特征值λi,i=1,2…p,其中E为单位矩阵,特征值λi的大小正是各个原始的主成分的方差,能反映主成分所包含的加速度信息量的多少,并分别求出对应于特征值λi的特征向量,求解过程是将协方差矩阵R进行分解,公式为:
其中,λi是协方差矩阵R的特征值,ei是长度为p的特征向量,ei T是ei的转置向量;
再将特征值λi按照从大到小的顺序排列,得到:
λ1>λ2>…>λp;
(2.5)计算各主成分的方差贡献率及累计方差贡献率,并根据累计方差贡献率确定最终入选的主成分个数:
方差贡献率的计算公式为:
累计方差贡献率的计算公式为即把排名前i的方差贡献率累计求和;
选取累计方差贡献率为85%以上的前m个主成分,取m=3;
(2.6)通过载荷矩阵写出主成分计算式:
载荷矩阵是表示主成分与原始变量线性转换关系的矩阵,载荷矩阵的系数正是每个主成分对应的特征向量的值,据此写出第i个主成分fi的计算公式:
fi=e1i*x1+e2i*x2+…+epi*xp,
其中,epi是第p个特征向量的第i个分量,xp是第p个指标;它是一个n维向量,因此得到的主成分也是一个n维向量;
(2.7)根据选取出的m个主成分计算每条记录的变速因子的得分,第i条记录的变速因子si的得分的计算公式为:
其中任意一项fki表示第k个主成分的第i个分量,系数的计算公式为:
所述步骤(3)中,所述变速因子的阈值为3。
所述步骤(2.5)中,选取累计方差贡献率大于85%的前三个主成分。
所述步骤(2.5)中,选取出的前三个主成分的方差贡献率分别为53.5%,21.8%,14.5%,然后在步骤(2.7)中计算出的所述前三个主成分的系数分别为0.596,0.243,0.161,因此第i条记录的变速因子si的得分的计算公式为:
si=0.596*f1i+0.243*f2i+0.161*f3i。
所述选取出的前三个主成分的累积贡献率能达到89.8%以上,说明这三个主成分能代表89.8%的速度变化信息。
采用本发明所述方法进行实验,具体实验过程为:
汽车启动之后,先经过一段短暂的平稳行驶过程,然后突然踩油门让汽车急加速,之后将速度降低,以低速平稳驾驶一段时间后再缓慢踩油门,让汽车缓慢加速起来,当速度达到一定程度时,逐渐减速直至停车。
实验记录的速度数据如图2所示,细线表示行驶的瞬时速度的变化,粗线表示变速因子得分的波动,横坐标表示时间,左边的纵坐标表示瞬时速度,右边的纵坐标表示变速因子。本发明确定识别急加速时刻的标准是:当某时刻变速因子得分≥3时,该时刻即为急加速时刻。
如图2所示,本发明所述方法能准确识别所有急加速的情形,并能把普通的加速行为区分开。例如在图2中所示的实验数据中,50s左右变速因子得分为4.5,高于阈值3,因此此时被判断为急加速时刻,而与此同时,瞬时速度曲线呈现出一个明显的速度突增趋势,在10s内速度由0增加到83.7km/h,即对应真实实验中的急加速阶段,因此此处识别有效;另外,瞬时速度曲线显示汽车在75s之后对应实验中的缓慢加速阶段:此阶段内速度在42s内才从0提升到60km/h,同时变速因子得分也不高,低于阈值3。由此可见,变速因子能准确识别出急加速过程,而不会把正常加速过程误识别为急加速。其他小组实验都同样证明了本发明所述方法的有效性。
本发明的基本原理是:
本发明借助于主成分分析法,主成分分析法是一种数据降维的统计方法,它借助于一个正交变换,将原始的多个指标综合成能概括原来大部分信息的少数几个指标,不损失重要信息的前提下,降低观测空间的纬度。
在实际问题研究中,为了全面、系统地分析问题,必须考虑众多影响因素。这些涉及的因素一般称为指标或者变量。因为每个指标都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。主成分分析正是适应这一要求产生的,是解决这类问题的理想工具。
总体来说,主成分分析旨在利用降维的思想,把多指标转化为少数几个综合指标,降低观测空间的维数,以获取最主要的信息。假设有p个指标,因此至多有p个综合指标(主成分)。由于总方差不增不减,前几个综合指标的方差较大,而后几个综合指标的方差较小。严格说,只有前几个综合指标才称得上“主”成分,后几个综合指标实为“次”成分。实践中总是保留前几个,忽略后几个。保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比。
本发明将四个原始指标经过组合形成四个主成分,然后选取累积贡献率为85%以上的前三个主成分,再将前三个主成分以其方差贡献率比例作为权重进行线性组合,最终合成了一个综合指标,即变速因子,然后通过对变速因子取阈值来判断汽车的急加速行为。
本发明并不限于上述实施方式,在不背离本发明实质内容的情况下,本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。
Claims (6)
1.一种基于车辆行驶数据的急加速行为识别方法,其特征在于,包括如下步骤:
(1)采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速;
(2)通过主成分分析法得到变速因子:将所述瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速作为4个原始指标,通过主成分分析法合成相同数量的主成分,然后选取累计方差贡献率为85%以上的前三个主成分,再将选取的所述前三个主成分以各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权重进行线性组合,形成变速因子;
(3)对变速因子取阈值;
(4)通过比较变速因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急加速行为:当变速因子的得分大于或等于阈值时,所述时刻为急加速时刻。
2.根据权利要求1所述的基于车辆行驶数据的急加速行为识别方法,其特征在于,所述步骤(2)中,通过主成分分析法得到变速因子的步骤包括:
(2.1)根据采集的车辆行驶数据,建立数据矩阵X’=(x′ij)n×p,其中,n为记录数,p为指标数,x′ij表示第i行第j列的数据,且i≤n,j≤p;将瞬时油耗、瞬时加速度、瞬时速度的每秒变化量、发动机转速这4个原始指标作为主成分分析的原始变量,取p=4;
(2.2)对各指标数据进行标准化,标准化的方法是将每个数据x′ij先减去第j个指标的均值,再除以第j个指标的标准差,得到标准化后的数据xij,进而得到标准化数据矩阵;
(2.3)根据标准化数据矩阵建立协方差矩阵R,协方差矩阵R的每个元素Rij代表i、j变量的协方差,计算公式为:
其中k为整数;
(2.4)求解协方差矩阵R的特征值和特征向量:通过解特征方程|λE-R|=0求出p个特征值λi,i=1,2…p,其中E为单位矩阵;并分别求出对应于特征值λi的特征向量,求解过程是将协方差矩阵R进行分解,公式为:
其中,λi是协方差矩阵R的特征值,ei是长度为p的特征向量,ei T是ei的转置向量;
再将特征值λi按照从大到小的顺序排列,得到:
λ1>λ2>…>λp;
(2.5)计算各主成分的方差贡献率及累计方差贡献率,并根据累计方差贡献率确定最终入选的主成分个数:
方差贡献率的计算公式为:
累计方差贡献率的计算公式为
选取累计方差贡献率为85%以上的前m个主成分,取m=3;
(2.6)通过载荷矩阵写出主成分计算式:
载荷矩阵的系数正是每个主成分对应的特征向量的值,据此写出第i个主成分fi的计算公式:
fi=e1i*x1+e2i*x2+…+epi*xp,
其中,epi是第p个特征向量的第i个分量,xp是第p个指标;
(2.7)根据选取出的m个主成分计算每条记录的变速因子的得分,第i条记录的变速因子si的得分的计算公式为:
其中任意一项fki表示第k个主成分的第i个分量,系数的计算公式为:
3.根据权利要求1所述的基于车辆行驶数据的急加速行为识别方法,其特征在于,所述步骤(3)中,所述变速因子的阈值为3。
4.根据权利要求2所述的基于车辆行驶数据的急加速行为识别方法,其特征在于,所述步骤(2.5)中,选取累计方差贡献率大于85%的前三个主成分。
5.根据权利要求2所述的基于车辆行驶数据的急加速行为识别方法,其特征在于,所述步骤(2.5)中,选取出的前三个主成分的方差贡献率分别为53.5%,21.8%,14.5%,然后在步骤(2.7)中计算出的所述前三个主成分的系数分别为0.596,0.243,0.161,因此第i条记录的变速因子si的得分的计算公式为:
si=0.596*f1i+0.243*f2i+0.161*f3i。
6.根据权利要求4所述的基于车辆行驶数据的急加速行为识别方法,其特征在于,所述选取出的前三个主成分的累积贡献率能达到89.8%以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610280492.3A CN105869412B (zh) | 2016-04-28 | 2016-04-28 | 一种基于车辆行驶数据的急加速行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610280492.3A CN105869412B (zh) | 2016-04-28 | 2016-04-28 | 一种基于车辆行驶数据的急加速行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105869412A true CN105869412A (zh) | 2016-08-17 |
CN105869412B CN105869412B (zh) | 2018-04-03 |
Family
ID=56629833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610280492.3A Active CN105869412B (zh) | 2016-04-28 | 2016-04-28 | 一种基于车辆行驶数据的急加速行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105869412B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106828502A (zh) * | 2016-12-30 | 2017-06-13 | 中国第汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN109655284A (zh) * | 2019-01-28 | 2019-04-19 | 北京苹果知科技有限公司 | 一种汽车急起检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001305154A (ja) * | 2000-02-14 | 2001-10-31 | Mitsubishi Electric Corp | 加速度検知装置 |
JP2010023768A (ja) * | 2008-07-23 | 2010-02-04 | Honda Motor Co Ltd | 車両および車両状態推定装置 |
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价系统及评价方法 |
CN104484725A (zh) * | 2014-12-30 | 2015-04-01 | 大连楼兰科技股份有限公司 | 一种基于主成分线性加权的驾驶风险评估的方法 |
CN104504903A (zh) * | 2014-12-31 | 2015-04-08 | 北京赛维安讯科技发展有限公司 | 交通事件采集装置及方法、交通事件监测系统及方法 |
-
2016
- 2016-04-28 CN CN201610280492.3A patent/CN105869412B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001305154A (ja) * | 2000-02-14 | 2001-10-31 | Mitsubishi Electric Corp | 加速度検知装置 |
JP2010023768A (ja) * | 2008-07-23 | 2010-02-04 | Honda Motor Co Ltd | 車両および車両状態推定装置 |
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价系统及评价方法 |
CN104484725A (zh) * | 2014-12-30 | 2015-04-01 | 大连楼兰科技股份有限公司 | 一种基于主成分线性加权的驾驶风险评估的方法 |
CN104504903A (zh) * | 2014-12-31 | 2015-04-08 | 北京赛维安讯科技发展有限公司 | 交通事件采集装置及方法、交通事件监测系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106828502A (zh) * | 2016-12-30 | 2017-06-13 | 中国第汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN106828502B (zh) * | 2016-12-30 | 2020-06-26 | 中国第一汽车股份有限公司 | 汽车驾驶员踩踏油门发生不良驾驶行为的识别方法 |
CN109655284A (zh) * | 2019-01-28 | 2019-04-19 | 北京苹果知科技有限公司 | 一种汽车急起检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105869412B (zh) | 2018-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN103150677B (zh) | 激进驾驶状态识别方法及系统 | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
CN107953888A (zh) | 一种道路类型识别方法及系统 | |
CN105808857A (zh) | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN105355054A (zh) | 驾驶行为的识别方法和装置 | |
CN105975756A (zh) | 一种基于车辆行驶数据的急转弯行为识别方法 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
Zardosht et al. | Identifying driver behavior in preturning maneuvers using in-vehicle CANbus signals | |
Luo et al. | Research of vehicle rear-end collision model considering multiple factors | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
US10336210B2 (en) | Selection of range for an electric device having a rechargeable energy storage unit | |
Gorman et al. | Model of fleet-wide safety benefits of Lane Departure Warning systems | |
Park et al. | Development of complexity index and predictions of accident risks for mixed autonomous driving levels | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN114818381A (zh) | 自动驾驶汽车测试场景库的构建方法 | |
Li et al. | Evaluation method for aggressiveness of driving behavior using drive recorders | |
Ping et al. | Spectral clustering based approach for evaluating the effect of driving behavior on fuel economy | |
Li et al. | Modeling and verification of heavy-duty truck drivers’ car-following characteristics | |
CN115456036A (zh) | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 | |
CN117238131B (zh) | 一种车联网环境下交通流特性分析方法 |
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 |