CN106023586A - 用于检测车辆交通模式中的异常的技术 - Google Patents

用于检测车辆交通模式中的异常的技术 Download PDF

Info

Publication number
CN106023586A
CN106023586A CN201610172170.7A CN201610172170A CN106023586A CN 106023586 A CN106023586 A CN 106023586A CN 201610172170 A CN201610172170 A CN 201610172170A CN 106023586 A CN106023586 A CN 106023586A
Authority
CN
China
Prior art keywords
vehicle
data
section
traffic
abnormal
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
CN201610172170.7A
Other languages
English (en)
Other versions
CN106023586B (zh
Inventor
I·泰陶里安
R·H·沃海比
S·亨特
李宏
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.)
Intel Corp
Original Assignee
Intel Corp
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 Intel Corp filed Critical Intel Corp
Publication of CN106023586A publication Critical patent/CN106023586A/zh
Application granted granted Critical
Publication of CN106023586B publication Critical patent/CN106023586B/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
    • G08G1/01—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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/096725—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 generates 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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental

Abstract

用于监控车辆交通的技术包括交通分析服务器，所述交通分析服务器接收来自沿道路的路段定位的基础设施传感器的基础设施数据以及来自沿该路段行驶的一个或多个车辆的车辆数据。交通分析服务器基于路段的预期交通行为来确定在通过该路段的交通数据中是否存在异常。交通分析服务器基于与该路段相关联的历史交通模式、基于在与该路段的特定时间窗相对应的先前时间窗期间捕捉到的历史车辆数据和历史基础设施数据，来确定该路段在该特定时间窗内的预期交通行为描述和要求保护了其他实施例。

Description

用于检测车辆交通模式中的异常的技术
背景
一般而言，为了操作，车辆依赖于与车辆各组件相连的各种传感器以及多个控制单元(例如，引擎控制单元(ECU)、传输控制单元(TCU)等)，所述多个控制单元依赖于来自传感器的数据来对来自车辆的驾驶员的输入作出响应。例如，当驾驶员踩下油门来使车辆加速时，与车辆的引擎耦合的进气节流阀打开，使更多空气进入引擎。作为响应，与进气节流阀耦合的传感器向ECU提供信号，该信号可以例如提示ECU提高燃料比。在加速期间，附加的传感器可以监控其他变量，诸如到引擎的空气流量(mass airflow)、排气中的氧气水平、引擎所驱动的驱动轴的转速、轮子旋转监控等等，这些其他变量可能影响ECU如何响应。
现代车辆另外包括可由用户相接车载系统(例如，备份相机显示系统、车载资讯娱乐系统、导航系统、停车辅助系统、盲点监控系统、车道偏离警告系统、等等)用来在操作期间辅助车辆驾驶员的其他传感器(例如，存在传感器、相机、全局位置定位器等等)。例如，一些车辆装备有停车辅助相机和传感器在导航进出停车点时向驾驶员提供引导。而且，一些车辆另外包括集成软件，该集成软件分析来自停车辅助相机和传感器的反馈以便在没有驾驶员的辅助的情况下停靠车辆。在这种车辆中，集成软件向ECU提供输入(例如，加速度、减速度、方向盘角度、等等)以便将车辆成功地导航进出停车点。如此，车辆的操作取决于集成软件的完整性。
附图简述
此处描述的概念通过示例图示并且不限于附图中。为图示的简洁和清楚，附图中图示的元件不必要按比例绘制。在适当考虑时，在各附图之间重复用参考标记来指示相应的或类似的元件。
图1是用于监控和分析车辆交通数据的系统的至少一个实施例的简化框图；
图2是图1的系统的车辆的至少一个实施例的简化框图；
图3是图1的系统的交通分析服务器的至少一个实施例的简化框图；
图4是可由图3的交通分析服务器建立的环境的至少一个实施例的简化框图；以及
图5-7是用于标识车辆交通数据中的异常的方法的至少一个实施例的简化流程图，所述方法可由图3的交通分析服务器执行。
附图的详细描述
尽管本公开的概念可以有各种修改和替代形式，但其具体实施例已经在附图中通过示例示出并且将在此详细描述。然而应当理解，无意将本公开的概念限制于所公开的特定形式，而相反，本发明意图覆盖与本公开以及所附权利要求书一致的所有修改、等价物和替代物。
说明书中引用“一个实施例”、“一实施例”、“一说明性实施例”等等指示所述实施例可以包括一种特定的特征、结构或特性，但买一个实施例可以或可以不必要包括该特定的特征、结构或特性。此外，这种短语不必要指同一个实施例。而且，当结合一实施例描述一特定的特征、结构或特性时，可以认为本领域的技术人员知道结合其他实施例来实施这种特征、结构或特性，无论其他实施例是否明确描述。此外，应当理解，以“A、B和C中的至少一个”形式的列表中包括的项目可以意味着(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或者(A、B和C)。类似地，以“A、B或C中的至少一个”形式列出的项目可以意味着(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或者(A、B和C)。
在一些情况下，所公开的实施例可以用硬件、固件、软件或者它们的任意组合来实现。所公开的实施例也可以被实现为由一个或多个暂态或非暂态机器可读(例如，计算机可读)存储介质携带或者存储的指令，该机器可读存储介质可由一个或多个处理器读取和执行。机器可读存储介质可以被体现为用于存储或发射信息的任何存储设备、机制或其他实体结构，所述信息的形式可由机器(例如，易失性或非易失性存储器、媒体光盘或其他媒体设备)读取。
在附图中，一些结构或方法特征可以以具体的排列和/或排序示出。然而应当理解，这种具体的排列和/或排序不是必需的。然而，在一些实施例中，这种特征可以以与图示附图中所示的方式和/或次序不同的方式和/或次序来排列。此外，在一特定附图中包括结构或方法特征不意味着意指这种特征在全部实施例中都是必需的，在一些实施例中，这种特征可以不被包括或者可以与其他特征组合。
现在参照图1，在一说明性实施例中，一种用于监控和分析车辆交通数据的系统100包括一个或多个车辆102、一个或多个基础设施(infrastructure)传感器110、以及交通分析服务器108，每一者都通过一个或多个网络106通信。车辆102中的每一者包括车载计算系统104，该车载计算系统104能跟经由网络106中的一者或多者向交通分析服务器108发送车辆数据(例如，速度、轨迹、位置、等等)。类似地，基础设施传感器110的每一者能够经由网络106中的一者或多者向交通分析服务器108发送基础设施数据。基础设施数据可以被体现为指示基础设施传感器110所处的路段114的特征或方面的任何类型的数据、或者从中可确定路段114的特征或方面的数据。例如，基础设施数据包括但不限于：环境信息(例如，气候信息、道路状况、等等)以及/或者关于驶过路段114的车辆102的信息，诸如车辆102的数量、车辆102的行驶速度、各车辆102间的距离、车辆102作出的变道、等等。
在一些实施例中，系统100可以包括一个或多个移动计算设备116，一般属于车辆102的拥有者(例如，驾驶员、操作者、乘客等)。如以下更详细讨论的，移动计算设备116可能能够向交通分析服务器108提供附加的车辆数据102。例如，应用可以在移动计算设备116上执行，该应用也可以向交通分析服务器108提供速度、轨迹、位置以及/或者其他车辆102相关信息，交通分析服务器108可以使用这些信息来确认从车载计算系统104接收到的车辆数据。
在使用中，交通分析服务器108接收车辆数据和基础设施数据，并且基于对随时间聚集的车辆和基础设施数据的分析来确定交通模式。为此，交通分析服务器108将每条道路112(例如，州间高速公路、州内道路、等等)分成多个路段114。在一些实施例中，路段114可以被相等地分割(例如，道路的每一英里、每个城市街区、等等)。作为补充或替代地，在一些实施例中，路段114可以被分成不相等的部分，诸如在离开州间高速公路的各出口之间。例如，交通分析服务器108可以基于道路112延伸的特定部分的交通流量是多还是少，动态地部分关闭道路112的延伸(stretch)。在这一示例中，交通分析服务器108可以部分关闭道路112中与少交通流量相对应的较长部分，而道路112中与较多交通流量相对应的另一部分可以被分成若干个较小部分。在这种实施例中，交通分析服务器108可以使用机器学习算法来分隔各路段114，该机器学习算法可以随时间而更新特定路段的长度。此外，交通分析服务器108基于每一路段114在给定时刻或给定时间窗(例如，一小时时间窗、高峰期、早晨、晚上、等等)的历史车辆和基础设施数据的分析，来确定该路段的交通模式。
交通分析服务器108另外地基于路段114以及当前时刻来确定接收到的车辆数据和/或基础设施数据是否指示异常或者偏离预期交通行为。为检测该异常，交通分析服务器108将各历史交通模式与当前车辆数据和/或当前基础设施数据相比较。交通分析服务器108进一步监控与其中标识了异常的路段114相邻的路段的当前车辆数据和/或当前基础设施数据。相应地，交通分析服务器108可以跟踪所标识的异常以及/或者评估所检测的异常是否有效(例如，车辆102的软件的恶意黑客、车辆102的失灵组件、等等)。此外，交通分析服务器108评估所标识的异常是否与特定车辆102或是车辆组102相关联，并且基于与异常相关联的响应策略，若需要进一步动作则可采取进一步动作(例如，通知当局、禁用(诸)车辆102、等等)。
在图示系统100中，每一车辆102的车载计算系统104被另外配置成助益自组织(ad-hoc)网络118的创建。自组织网络118助益一辆车辆102的车载计算系统与其他车辆102的车载计算系统104之间的通信。此外，在一些实施例中，其他车辆102的车载计算系统104可以另外将与另一车辆102有关的车辆信息提供给交通分析服务器108。在一些实施例中，创建自组织网络118的能力可以诸如受无线范围、车辆类型(例如，品牌、公司、军事部门等)、通信协议等的约束、或限制。
每辆车辆102可以被体现为能沿道路112行驶的任一类型的车辆，并且可以包括汽油车、柴油车、天然气车、电力车、全地形车、摩托车以及其他类型的车辆。虽然图示车辆102被体现为能在道路112上行驶的车辆，但应当理解，在一些实施例中，车辆102可以被体现为任何类型的车辆，诸如船舶、飞机、火车等等。还应当理解，在一些实施例中，道路112可以指任何类型的土地，诸如泥土路、碎石路、公路等。
如图2所示，车辆102包括电子控制单元(ECU)202、通信电路210、多个传感器220以及图1的车载计算系统。应当理解，车辆102可另外包括各种其他或附加组件，诸如哪些在车辆中常见的组件(例如，引擎、变速箱、传动轴、车轴、轮子、刹车等)，为保持描述简洁而在此未图示。ECU 202可以被体现为能执行此处描述的功能的任何类型的车辆控制单元、车辆控制电路或车辆控制计算设备。在使用中，ECU 202被配置成接收指示车辆102的组件的各种操作参数、以及/或者车辆102的操作的期望状态的信息。ECU 202被另外配置成基于接收到的信号确定控制信号并将控制信号提供给车辆102的组件中的一者或多者以控制车辆102的操作。在一些实施例中，信号可以从车辆102的传感器220以及/或者车辆102的操作者的输入被接收，例如诸如经由车载计算系统104。另外或或者，在一些实施例中，信号可以从外部源被接收，诸如交通分析服务器108和/或移动计算设备116。应当理解，尽管图示车辆102包括单个ECU 202，在一些实施例中，车辆102可以包括任何数量的ECU 202(例如，引擎控制模块(ECM)、传输控制模块(TCM)、动力传动系(powertrain)控制模块(PCM)、刹车控制模块(BCM)等等)来控制车辆102的操作。
示例性通信电路210包括内部通信电路212和外部通信电路214。内部通信电路212可以被体现为能促进内部通信以便互连车辆102的各组件的任何通信电路、设备或其集合，诸如在ECU 202和车辆102的各组件之间，包括车载计算系统104和传感器220。例如，在一些实施例中，内部通信电路212可以包括控制器区域网络(CAN)、本地互连网络(LIN)等等。外部通信电路214可以被体现为能够助益车辆102和网络(例如，图1的网络106)间的外部通信的任何通信电路、设备或其集合。外部通信电路214可以被配置成使用任一个或多个无线通信技术(例如，移动电话语音和数据通信技术)以及蜂窝通信协议(例如，码分多址(CDMA)、全球移动通信系统(GSM)、等)以及/或者无线协议(例如，WiMAX)来实施这样的通信。
传感器220可以被体现为能够感测和/或测量车辆102的操作数据以及/或者道路112的状况数据的任何类型的传感器。在使用中，传感器220被配置成向ECU 202提供电子传感器数据信号，所述电子传感器数据信号指示车辆102的各组件的所感测和/或测量的信息的瞬时值。例如，在一些实施例中，传感器可以被体现为存在传感器222、位置传感器224、相机226、麦克风228以及/或者任何其他传感器230。
存在传感器222可以被配置为能够检测车辆102外部的物理参照并且计算从物理参考到车辆的距离的任何类型的传感器。存在传感器可以被体现为光测量传感器、光电传感器、雷达传感器、激光传感器、等等。位置传感器224可以被配置为能够确定车辆102的当前位置的任何类型的传感器。相机226可以被配置为能捕捉图像数据的任何类型的传感器。在一些实施例中，图像数据可以包括道路112的一个或多个交通状况和/或特征，诸如道路类型、道路状况、其他车辆102、车道指示符等等。
麦克风228可以被配置为能够捕捉车辆102发出的声音以及/或者车辆102的拥有者的任何类型的传感器。例如，在一些实施例中，麦克风228可以感测驾驶员为了调节车辆的操作或者与车载计算系统104交互而作出的语音命令。在一些实施例中，麦克风228可另外或替代地感测道路噪声和/或引擎噪声。在一些实施例中，其他传感器230可以包括能够测量指示车辆102的组件的状态以及/或者通过车辆102的组件的物质通量(matterthroughput)的信号的任一个或多个传感器，诸如致动器位置传感器、磁场传感器、流量传感器、压力传感器、温度传感器、速度传感器、颗粒物传感器、液位传感器、等等。
再次参照图1，如前所述，每一个车载计算系统104与车辆102相关联。车辆计算系统104可以被体现为能够执行此处所述功能的任何类型的车载计算系统、或设备。在使用中，车载计算系统104可以被配置成向操作者和/或外部计算设备(例如，交通分析服务器108)提供传感器驱动数据以及/或者从该操作者和/或外部计算设备接收传感器驱动数据，以及从操作者、交通分析服务器108和/或模块计算设备116接收输入命令。例如，车载计算系统104可以被体现为远程诊断通信系统、备份相机显示系统、车载资讯娱乐系统、导航系统、盲点监控系统、车道偏离警告系统、车载安全系统、停车辅助系统、以及/或者另一车载计算系统。车载计算系统104可另外被配置成向交通分析服务器108提供车辆102的接收到的传感器数据。
网络106可以被体现为任何类型的有线或无线通信网络，包括蜂窝网络(例如，全球移动通信系统(GSM)、3G、长期演进(LTE)、全球微波接入互操作性(WiMAX)等)、数字订户线(DSL)网络、电缆网络(例如，同轴网络、光纤网络等)、电话网络、局域网(LAN)或广域网(WAN)、全球网络(例如，互联网)、或者它们的任意组合。如前所述，车载计算系统104、基础设施传感器110以及移动计算设备116中的每一个都能够经由网络106与交通分析服务器108通信。相应地，网络106可以包括为助益来往于交通分析服务器108所需的任何数量的网络设备(例如，接入点、路由器、交换机、服务器等等)。
基础设施传感器110可以被体现为能够感测沿一路段114的环境数据以及/或者外部地监控驶过该路段114的车辆102的车辆交通数据的任何类型的传感器。基础设施传感器110可以包括例如交通相机、天气传感器、位置传感器、重量传感器、雷达传感器、速度传感器、交通信号传感器、车道传感器、以及/或者能够感测路段114的特征以及/或者通过路段114的车辆交通的任何其他类型的传感器。
移动计算设备116可以被体现为能够执行此处所述的功能的任何类型的计算设备。例如，移动计算设备116可以被体现为且不限于：智能电话、平板电脑、膝上型电脑、笔记本电脑、移动计算设备、蜂窝电话、手机、消息收发设备、车辆远程信息处理装置、分布式计算系统、多处理器系统、消费者电子设备以及/或者被配置成执行此处所述功能的任何其他计算设备。在使用中，移动计算设备116被配置成与车载计算系统104和/或交通分析服务器108通信。为此，移动计算设备可以被配置成使用任一个或多个无线通信技术(例如，移动电话语音和数据通信技术)以及蜂窝通信协议(例如，码分多址(CDMA)、全球移动通信系统(GSM)、等)以及/或者无线协议(例如，WiMAX)来实施这样的通信。
交通分析服务器108可以被体现为能执行此处所述功能的任何类型的计算或计算设备，包括但不限于：服务器、刀片服务器、计算机、台式电脑、智能电话、工作站、膝上型电脑、笔记本电脑、平板电脑、移动计算设备、可穿戴计算设备、网络设备、web设备、分布式计算系统、基于处理器的系统、以及/或者消费者电子设备。如以下将进一步详细描述的，交通分析服务器108被配置成通过网络106与车载计算系统104、基础设施传感器110以及移动计算设备通信。
现在参照图3，车载计算系统104、交通分析服务器108和移动计算设备116中的每一个可以具有彼此类似的组件(尽管可能有不同的功率和/或稳健性)。那些类似组件在图3中示出并且在以下关于交通分析服务器108而讨论，可以理解，这种描述可等价地应用于(诸)车载计算系统104和(诸)移动计算设备116的类似组件。
如图3所示，交通分析服务器108包括处理器302、输入/输出(I/O)子系统304、存储器306、数据存储设备308以及通信电路310。处理器302可以被体现为能够执行此处所述的功能的任何类型的处理器。处理器302可以被体现为单核或多核处理器、数字信号处理器、微控制器、或者其他处理器或处理/控制电路。
存储器306可以被体现为能执行此处所述功能的任何类型的易失性或非易失性存储器或者数据存储器。在操作中，存储器306可以存储在交通分析服务器108的操作期间使用的各种数据和软件，诸如操作系统、应用、程序、库和驱动器。存储器306经由I/O子系统304在通信上耦合至处理器302，I/O子系统304可以被体现为用于助益与处理器302、存储器306或交通分析服务器108的其他组件的输入/输出操作的电路和/或组件。例如，I/O子系统304可以被体现为、或以其他方式包括存储器控制器集线器、输入/输出控制集线器、固件设备、通信链路(即，点对点链路、总线链路、电线、电缆、光导、印刷电路板迹线等等)以及/或者其他用于助益输入/输出操作的组件和子系统。在一些实施例中，I/O子系统304可以形成片上系统(SoC)的一部分并且连同处理器302、存储器306以及交通分析服务器108的其他组件被结合在单个集成电路芯片上。
数据存储设备308可以被体现为任何类型的设备或者被配置用于数据的短期或长期存储的设备，诸如例如，存储器设备和电路、存储器卡、硬盘驱动器、固态驱动器或者其他数据存储设备。在一些实施例中，数据存储设备308可用于存储一个或多个飞地(enclave)的内容。在由数据存储设备308存储时，安全飞地中的内容可以被加密以防止未经授权的访问。
交通分析服务器108的通信电路310可以被体现为能够通过网络106在交通分析服务器108以及车载计算系统104、基础设施传感器110和/或移动计算设备116之间进行通信的任何通信电路、设备或其集合。通信电路310可以被配置为使用任一个或多个通信技术(例如，有线或无线通信)以及相关联的协议(例如，以太网、WiMAX等)来实施这种通信。
在一些实施例中，交通分析服务器108可以另外包括一个或多个外围设备312，诸如显示器(例如，液晶显示器(LCD)、发光二极管(LED)、等离子显示器、阴极射线管(CRT)等)、键盘、鼠标、一个或多个数据存储设备(例如，内部或外部硬驱)以及/或者其他用户相接的I/O外围设备。外围设备312中包括的特定外围设备可以取决于例如交通分析服务器108的预期用途。例如，在一些实施例中，显示器可以耦合至触摸屏以允许用户与交通分析服务器108交互。外围设备312经由多个信号路径在通信上耦合至I/O子系统304，从而允许I/O子系统304和/或处理器302从外围设备312接收输入并向外围设备312发送输出。
现在参照图4，在一实施例中，交通分析服务器108在操作期间建立环境400。图示的环境400包括网络通信模块410、数据聚合模块420、交通模式确定模块430、交通模式分析模块440、异常分析模块450以及策略实施模块460。环境400的模块、逻辑以及其他组件中的每一个可以被体现为硬件、软件、固件或者它们的组合。例如，环境400的模块、逻辑以及其他组件的每一个可以形成处理器或交通分析服务器108的其他硬件组件的一部分，或者以其他方式由处理器或交通分析服务器108的其他硬件组件所建立。如此，在一些实施例中，环境400的模块中的一个或多个可以被体现为电路或电子设备的集合(例如，网络通信电路、数据聚合电路、交通模式确定电路、交通模式分析电路、异常分析电路、策略实施电路等等)。图示的环境400另外包括车载数据402、基础设施数据404以及响应策略数据406，这些数据中的每一者都可由交通分析服务器108的各种模块和/或子模块所访问。应当理解，交通分析服务器108可以包括计算设备中常见的其他组件、子组件、模块和设备，为描述清楚未在图4中图示。
网络通信模块410被配置成助益去往交通分析服务器108的进入网络通信以及来自交通分析服务器108的外出网络通信，这些网络通信(即，网络分组)包含交通数据(例如，车辆数据、基础设施数据等等)。换言之，网络通信模块410被配置成从一计算设备(例如，车载计算系统104、基础设施传感器110以及移动计算设备116)接收包含交通数据的网络分组，并且将包含命令数据(例如，车辆操作命令、传感器数据查询命令等等)的网络分组发送至车辆102的车载计算系统104、基础设施传感器110以及/或者移动计算设备116。相应地，在一些实施例中，网络通信模块410的功能的至少一部分可由通信电路310执行。车辆数据可以被体现为指示车辆102的操作特征的任何类型的数据。操作特征可以包括车辆102的速度、位置以及任何其他传感器可获取数据。例如，车辆数据可以对应于指示车辆的组件的当前状态的数据，诸如致动器位置、流量水平、液位、压力水平、温度水平、速度、等等。
数据聚合模块420被配置成收集和存储由交通分析服务器108所接收的交通数据，诸如来自车载计算系统104、基础设施传感器110以及/或者移动计算设备116的交通数据。在一些实施例中，数据聚合模块420可以基于相关联的路段114(即，道路112的已分割区段)来存储数据，并且可以包括与接收到交通数据(例如，车辆数据、基础设施数据等等)的时间相关联的时间戳。在一些实施例中，所收集的车辆数据可以被存储于车辆数据402中，而基础设施数据可以被存储于基础设施数据404中。在其他实施例中，车辆和基础设施数据可以被存储于单个数据库中。
交通模式确定模块430被配置成分析历史交通数据(即，先前收集到的车辆数据和基础设施数据)以确定交通模式。为此，交通模式确定模块430包括历史交通模式确定模块432、预期交通行为确定模块434以及当前交通行为确定模块436。历史交通模式确定模块432被配置成基于先前诸几年的特定时间窗的历史交通数据来确定历史交通模式，在先前诸年中已经收集到该特定时间窗以及路段114的历史交通数据。例如，历史交通模式可以包括在该特定时间窗驶经该路段114的车辆102的平均数量、在该特定时间窗驶经该路段的车辆102的平均速度率、等等。
预期交通行为确定模块434被配置成基于交通模式确定预期交通行为(例如，预期交通流量模式)。预期交通行为可以是驶经路段114的车辆102在对应于将来时间(即，在上一次分析历史交通数据后的一年)的特定时刻所表现出的任何类型的行为。例如，预期交通行为可以包括驶经路段114的车辆102的交通流量的特征，诸如车辆102的密度、车辆102的平均速度率、车辆102之间的平均距离、等等。在一些实施例中，预期交通行为确定模块434可以使用滞后算法(hysteresis)和/或各种机器学习算法来基于接收到交通数据的时间(即，时间和日期)预测路段114的预期交通行为，并且基于预期交通行为来检测异常。
当前交通行为确定模块436被配置成基于交通分析服务器108所接收到的当前交通数据(即，当前收集到的车辆数据和基础设施数据)来确定当前交通行为。类似于预期交通行为，当前交通行为可以是驶经路段114的车辆102在可基于当前交通数据确定的当前时刻、或接近当前的时刻所表现出的任何类型的交通相关行为。
交通模式分析模块440被配置成标识每一个路段114的异常。为此，交通模式分析模块440包括异常检测模块442、异常模式确定模块444、异常概率计算模块446和异常优先级确定模块448。异常检测模块442被配置成基于预期交通行为和当前交通行为之间的比较来检测或标识异常。异常模式确定模块444被配置成基于所确定的异常来创建每一个路段114的异常模式。异常模式可以是指示异常在一时间段内的行为的任何类型的模式。异常概率计算模块446被配置成计算每一个所标识的异常的异常概率。异常概率指示相应的异常会在当前交通行为中发生的可能性。异常优先级确定模块448被配置成对所标识的异常排序。在一些实施例中，具有最高概率的所检测异常可以被排序成被使得它们首先被解决(address)。例如，所检测的异常可以基于为每一个所标识异常计算的异常概率从最高概率至最低概率被排序。
异常分析模块450被配置成基于优先级来分析经排序的异常，以确定该异常是否是有效异常(即，异常被验证为存在)。换言之，异常分析模块450被配置成验证异常是否归因于可验证因素，诸如恶意行动(例如，驱动ECU 202、车载计算系统104等的软件的软件黑客)、车辆102的故障组件、等等。在一些实施例中，异常分析模块450可以进一步被配置成以对应于最高概率异常在较低概率异常之前被验证的次序来验证异常是否有效(即，基于经排序的已检测异常)。异常分析模块450包括异常跟踪模块452和异常评估模块454。异常跟踪模块452被配置成跟踪跨路段114的异常以标识车辆102中可能负责引起该异常的一者或多者。异常评估模块454被配置成评估所标识的(诸)车辆以便或确认或拒绝异常的有效性。
响应策略实施模块460被配置成基于所确认的异常的策略来对所标识的(诸)车辆采取动作。为此，响应策略实施模块460包括异常报告模块462和车辆控制模块464。异常报告模块462被配置成根据相应的策略来报告所标识的(诸)车辆。例如，异常报告模块462可以基于特定异常的响应策略而将所标识的(诸)车辆报告给执法部门、紧急服务部门、车辆销售商、车辆制造商、车辆服务站等等。此外，异常报告模块462可以将异常报告给所标识的(诸)车辆的操作者以便向操作者通知该异常，从而或确认该异常或通知将要对所标识的(诸)车辆采取动作。车辆控制模块464被配置成承担对于所标识的(诸)车辆的控制并且基于与异常相关联的响应策略来采取动作。例如，车辆控制模块464可以向所标识的(诸)车辆发送结束(kill)命令，该结束命令使所标识的(诸)车辆降低速度以及/或者改变方向。在一些实施例中，策略可以被存储在响应策略数据406中。
现在参照图5，在使用中，交通分析服务器108可以执行用于标识车辆交通数据中的异常的方法500。图示方法500开始于方框502，其中交通分析服务器108确定对于特定路段(例如，图1的路段114)是否接收到当前交通数据(例如，车辆数据、基础设施数据等等)。如前所述，当前交通数据可由交通分析服务器108从各个源接收到，包括车载计算系统104、基础设施传感器110和/或移动计算设备116。如果当前交通数据尚未被接收，则方法500循环回到方框502，以便继续确定交通分析服务器108是否接收到关于特定路段的当前交通数据。否则，方法500前进至方框504，其中交通分析服务器108基于当前交通数据确定当前交通行为。当前交通行为可以被体现为、或以其他方式包括：指示由驶经路段114的车辆102所表现出的任何类型的交通相关行为，这些交通相关行为可以使用当前交通数据来确定。
在方框506中，交通分析服务器108将在方框504确定的当前交通行为与历史交通模式相比较，以检测路段114的异常。在方框508，交通分析服务器108确定是否检测到异常。若否，则方法500前进至方框510，如图6所示，其中交通分析服务器108收集在方框502接收到的当前交通数据。在一些实施例中，在方框512，交通分析服务器108收集当前车辆数据。作为补充或替代，在一些实施例中，在方框514，交通分析服务器108收集当前基础设施数据。
在方框516，交通分析服务器108另外收集能够影响当前交通数据的当前外部影响数据。外部影响数据可以是指示能影响车辆数据或基础设施数据的因素的任何类型的数据。交通分析服务器108可以从远程源(诸如图1的基础设施传感器110)或可从中确认外部影响数据的其他源接收这种外部影响数据。例如，可以从能在图1的移动计算设备116上执行的应用获取人群来源信息。在另一示例中，外部影响数据可以是从负责跟踪这种外部影响数据的各种实体被获取的，诸如从web服务器处获取，管理该交通分析服务器108的实体可以从所述web服务器提取数据。
可收集的当前外部影响数据的示例在方框518-524描述。在一些实施例中，在方框518，交通分析服务器108可以收集每个路段的道路建设数据。作为补充或替代，在一些实施例中，在方框520，交通分析服务器108可以收集当前油价数据(例如，每加仑的价格)。在一些实施例中，在方框522，交通分析服务器108可以补充或替代地收集当前天气数据(例如，雨天条件、雾天条件、雪天条件、零度以下条件等等)。另外或替代地，在一些实施例中，在方框524，交通分析服务器108可以收集当前日历相关数据。例如，当前日历相关数据可以指示当前日子是假期、平日、工作日、还是一般的度假日、等等。在方框526，交通分析服务器108将方框510和516处收集的数据与之前收集的数据组合。例如，组合数据可以基于该数据在其中被收集的时间窗以及/或者一特定路段来分配。
在方框528，交通分析服务器108基于组合的交通数据来确定历史交通模式。在一些实施例中，在方框530，交通分析服务器108可以按每一路段114来确定交通模式。作为补充或替代地，在一些实施例中，在方框532，交通分析服务器108可以基于日期和时间来确定交通模式。例如，交通分析服务器108可以分析在诸年间的特定时间窗的历史交通数据，在该特定时间窗中已收集到该特定时间窗的历史交通数据和/或外部影响数据。在方框534，交通分析服务器108基于历史交通模式和外部影响数据来确定预期交通行为。预期交通行为可以是驶经路段114的车辆102在对应于将来时间(即，在上一次分析历史交通数据后的一年)的特定时刻所表现出的任何类型的行为。例如，预期交通行为可以包括驶经路段114的车辆102的交通流量的特征，诸如车辆102的密度、车辆102的平均速度率、车辆102之间的平均距离、等等。在一些实施例中，交通分析服务器108可以使用滞后算法和/或各种机器学习算法来基于接收到交通数据的时间(即，时间和日期)预测路段114的预期交通行为，并且基于预期交通行为来检测异常。另外，交通分析服务器108可以基于历史外部影响数据来调节预期交通行为。方法500从方框534返回至方框502，其中交通分析服务器108确定是否已接收到特定路段的当前交通数据。
再次参照图5，如果在方框508、交通分析服务器108检测到异常，则方法500前进至方框536。在方框536，交通分析服务器108评估所检测的异常是否有效。换言之，交通分析服务器108确认异常是否可归因于一可确认的因素，诸如恶意攻击、车辆102的故障组件、等等。在一些实施例中，在方框538，交通分析服务器108可以基于所检测的异常来确定异常模式。异常模式可以是指示异常在一段时间内的行为的任何类型的模式。作为补充或替代，在一些实施例中，在方框540，交通分析服务器108可以基于预期交通行为来确定异常的概率。在一些实施例中，在方框542，交通分析服务器108可以补充或替代地评估能影响当前交通数据的当前外部影响数据，以确认所检测的异常。例如，交通分析服务器108可以评估当前天气条件是否正在影响交通数据，以使异常可归因于当前天气条件。在另一示例中，交通分析服务器108可以确定当前日子是否落在与从中确定交通模式的先前收集的交通数据不一致的那一天(例如，假期、周末等)。作为补充或替代，在一些实施例中，在方框544，交通分析服务器108可以连接至车辆的操作者以确认所检测的异常。例如，交通分析服务器108可以连接至路段114中车辆102的操作者(例如，经由另一车辆的车载计算系统104以及/或者另一车辆的操作者的移动计算设备116)，以便向车辆102的操作者确认该异常。
在方框546，交通分析服务器108确定所检测的异常是否基于方框538处的评估而被确认。如果否，则方法500前进至方框512，其中收集当前交通数据。如果交通分析服务器108确定所检测的异常有效，则方法前进至图7的方框548，其中交通分析服务器108标识与在方框538确认的异常相关联的一个或多个车辆102。
在一些实施例中，在方框550，交通分析服务器108可以相对于与路段114相邻的路段的之前检测的异常来评估所检测的异常，以尝试标识哪个(些)车辆102可能是异常的原因。作为补充或替代，在一些实施例中，交通分析服务器108可以向路段中的一个或多个车辆102的车载计算系统104和/或基础设施传感器110提供指示，以定标一个或多个可疑车辆来标识哪个(些)车辆102可能是异常的原因。
在方框554，交通分析服务器108标识与所确认的异常相关联的策略。在方框556，交通分析服务器108实施所标识的策略。在一些实施例中，在方框558，交通分析服务器108可以报告与所确认的异常相关联的(诸)车辆。例如，交通分析服务器108可以基于该所标识异常以及被标识为所确认异常的原因的(诸)车辆的响应策略，将与所确认的异常相关联的(诸)车辆102报告给执法部门、紧急服务机构、车辆销售商、车辆制造商、车辆服务站等等。作为补充或替代，在一些实施例中，在方框560，交通分析服务器108可以连接至与所确认的异常相关联的(诸)车辆102。例如，交通分析服务器108可以经由受影响车辆的车载计算系统104和/或车辆102的操作者的移动计算设备108而连接至该受影响车辆102，以便向操作者警告该异常和/或向车辆102的操作者确认该异常。在一些实施例中，在方框562，交通分析服务器108可以补充或替代地取得对与所确认的异常相关联的(诸)车辆102的控制。例如，交通分析服务器108可以向被确定为与所确认的异常相关联的(诸)车辆102发送结束命令，以便强制该(诸)车辆102降速或是停靠至道路112的路边。
不例
以下提供了此处公开的技术的说明性示例。所述技术的一个实施例可以包括以下描述的各示例中的任一个或多个以及任意组合。
示例1包括一种用于监控车辆交通的计算设备，所述计算设备包括一网络通信模块，所述网络通信模块用于接收来自与道路的路段相关联的一个或多个基础设施传感器的基础设施数据以及来自位于所述路段上的一个或多个车辆的车辆数据，其中所述基础设施数据指示所述路段的特征，且其中所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；交通模式确定模块，用于(i)基于所述车辆数据和所述基础设施数据来确定所述路段的当前交通行为、以及(ii)基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为，其中所述历史交通模式是基于在先前时间段期间捕捉到的历史车辆数据和历史基础设施数据；以及交通模式分析模块，用于基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中。
示例2包括示例1的主题，其中，确定预期交通行为包括：(i)在所述先前时间段期间接收来自所述一个或多个基础设施传感器的基础设施数据、(ii)在所述先前时间段期间接收来自位于所述路段上的一个或多个车辆的车辆数据、以及(iii)基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
示例3包括示例1和2中任一个的主题，且其中，确定预期交通行为包括：在先前时间段期间接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素。
示例4包括示例1-3的任一个的主题，且其中生成历史交通模式包括：基于基础设施数据、车辆数据以及外部影响数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
示例5包括示例1-4的任一个的主题，且其中，所述网络通信模块还用于在相应车辆驶经所述路段时接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素，且其中确定所述路段的当前交通行为包括基于车辆数据、基础设施数据和外部影响数据来确定所述路段的当前交通行为。
示例6包括示例1-5的任一个的主题，且其中接收来自位于所述路段上的一个或多个车辆的车辆数据包括：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自所述至少一个车辆的车载计算系统的车辆数据。
示例7包括示例1-6的任一个的主题，且其中接收来自位于所述路段上的一个或多个车辆的车辆数据包括：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自位于所述至少一个车辆中的移动计算设备的车辆数据。
示例8包括示例1-7的任一个的主题，且进一步包括异常分析模块，用于响应于确定异常已发生而标识与所述异常相关联的一个或多个车辆。
示例9包括示例1-8的任一个的主题，且其中标识与所述异常相关联的一个或多个车辆包括跟踪与所述道路相邻的路段上的异常。
示例10包括示例1-9的任一个的主题，且进一步包括异常分析模块，用于响应于确定异常已发生而确定所述异常是否是有效异常。
示例11包括示例1-10的任一个的主题，且其中确定所述异常是否是有效异常包括：分析指示能影响所述车辆数据或所述基础设施数据的因素的外部影响数据。
示例12包括示例1-11的任一个的主题，且其中确定所述异常是否是有效异常包括：(i)为所述异常生成异常模式，其中所述异常模式指示所述异常在一时间段上的行为；以及(ii)基于所述异常模式来确定所述异常是否是有效异常。
示例13包括示例1-12的任一个的主题，且其中确定所述异常是否是有效异常包括：(i)为可能在当前交通行为中发生的多个异常计算异常概率，其中每个异常概率指示相应异常会在当前交通行为中发生的可能性；(ii)基于与所述多个异常的每个异常相关联的异常概率对所述多个异常排序；以及(iii)基于所述多个异常的排序来确定所确定的异常是否是有效异常。
示例14包括示例1-13的任一个的主题，且还包括异常分析模块，用于(i)响应于确定异常已发生而确定异常是否是有效异常、以及(ii)响应于确定异常是有效异常而标识与异常相关联的一个或多个车辆；以及策略实施模块，用于相对于一个或多个所标识的车辆而实施响应策略。
示例15包括示例1-14的任一个的主题，且其中实施响应策略包括将一个或多个所标识的车辆报告给当局。
示例16包括示例1-15的任一个的主题，且其中实施响应策略包括与一个或多个所标识的车辆通信以便向一个或多个所标识的车辆的操作者通知所确定的异常。
示例17包括示例1-16的任一个的主题，且其中实施响应策略包括与一个或多个所标识的车辆通信以便承担对一个或多个所标识的车辆的控制。
示例18包括示例1-17的任一个的主题，且其中承担一个或多个所标识的车辆的控制包括：向一个或多个所标识的车辆发送结束命令，其中所述结束命令使所述一个或多个车辆(i)降低速度或者(ii)改变方向。
示例19包括示例1-18的任一个的主题，且其中接收来自与所述路段相关联的一个或多个基础设施传感器的基础设施数据包括：从交通相机、天气传感器、位置传感器、重量传感器、雷达传感器、速度传感器、交通信号传感器或者车道传感器中的至少一者接收基础设施数据。
示例20包括一种用于监控车辆交通的方法，所述方法包括：由交通分析服务器接收来自与道路的路段相关联的一个或多个基础设施传感器的基础设施数据，其中所述基础设施数据指示所述路段的特征；由所述交通分析服务器接收来自位于所述路段上的一个或多个车辆的车辆数据，其中所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；由交通分析服务器基于所述车辆数据和所述基础设施数据来确定所述路段的当前交通行为；由所述交通分析服务器基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为，其中所述历史交通模式是基于在先前时间段期间捕捉到的历史车辆数据和历史基础设施数据；以及由所述交通分析服务器基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中。
示例21包括示例20的主题，其中，确定预期交通行为包括：由所述交通分析服务器在所述先前时间段期间接收来自所述一个或多个基础设施传感器的基础设施数据、由所述交通分析服务器在所述先前时间段期间接收来自位于所述路段上的一个或多个车辆的车辆数据、以及由所述交通分析服务器基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
示例22包括示例20和21中任一个的主题，且其中，确定预期交通行为包括：在先前时间段期间接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素。
示例23包括示例20-22的任一个的主题，且其中生成历史交通模式包括：由所述交通分析服务器基于基础设施数据、车辆数据以及外部影响数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
示例24包括示例20-23的任一个的主题，且还包括，由所述交通分析服务器在相应车辆驶经所述路段时接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素，且其中确定所述路段的当前交通行为包括基于车辆数据、基础设施数据和外部影响数据来确定所述路段的当前交通行为。
示例25包括示例20-24的任一个的主题，且其中接收来自位于所述路段上的一个或多个车辆的车辆数据包括：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自所述至少一个车辆的车载计算系统的车辆数据。
示例26包括示例20-25的任一个的主题，且其中接收来自位于所述路段上的一个或多个车辆的车辆数据包括：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自位于所述至少一个车辆中的移动计算设备的车辆数据。
示例27包括示例20-26的任一个的主题，且进一步包括由所述交通分析服务器响应于确定异常已发生而标识与所述异常相关联的一个或多个车辆。
示例28包括示例20-27的任一个的主题，且其中标识与所述异常相关联的一个或多个车辆包括跟踪所述道路的相邻路段上的异常。
示例29包括示例20-28的任一个的主题，且进一步包括由所述交通分析服务器响应于确定异常已发生而确定所述异常是否是有效异常。
示例30包括示例20-29的任一个的主题，且其中确定所述异常是否是有效异常包括：由所述交通分析服务器分析指示能影响所述车辆数据或所述基础设施数据的因素的外部影响数据。
示例31包括示例20-30的任一个的主题，且其中确定所述异常是否是有效异常包括：由所述交通分析服务器为所述异常生成异常模式，其中所述异常模式指示所述异常在一时间段上的行为；以及由所述交通分析服务器基于所述异常模式来确定所述异常是否是有效异常。
示例32包括示例20-31的任一个的主题，且其中确定所述异常是否是有效异常包括：由所述交通分析服务器为可能在当前交通行为中发生的多个异常计算异常概率，其中每个异常概率指示相应异常会在当前交通行为中发生的可能性；基于与所述多个异常的每个异常相关联的异常概率对所述多个异常排序；以及基于所述多个异常的排序来确定所确定的异常是否是有效异常。
示例33包括示例20-32的任一个的主题，且还包括由所述交通分析服务器响应于确定异常已发生而确定异常是否是有效异常、由所述交通分析服务器响应于确定异常是有效异常而标识与异常相关联的一个或多个车辆；以及相对于一个或多个所标识的车辆而实施响应策略。
示例34包括示例20-33的任一个的主题，且其中实施响应策略包括将一个或多个所标识的车辆报告给当局。
示例35包括示例20-34的任一个的主题，且其中实施响应策略包括与一个或多个所标识的车辆通信以便向一个或多个所标识的车辆的操作者通知所确定的异常。
示例36包括示例20-35的任一个的主题，且其中实施响应策略包括与一个或多个所标识的车辆通信以便承担一个或多个所标识的车辆的控制。
示例37包括示例20-36的任一个的主题，且其中承担一个或多个所标识的车辆的控制包括：向一个或多个所标识的车辆发送结束命令，其中所述结束命令使所述一个或多个车辆(i)降低速度或者(ii)改变方向。
示例38包括示例20-37的任一个的主题，且其中接收来自与所述路段相关联的一个或多个基础设施传感器的基础设施数据包括：由所述交通分析服务器从交通相机、天气传感器、位置传感器、重量传感器、雷达传感器、速度传感器、交通信号传感器或者车道传感器中的至少一者接收基础设施数据。
示例39包括一种计算设备，所述计算设备包括处理器和存储器，所述存储器中存储有多个指令，所述多个指令在由处理器执行时使所述计算设备执行示例20-38的任一个的方法。
示例40包括一个或多个机器可读存储介质，所述一个或多个机器可读存储介质上存储有多个指令，所述多个指令响应于被执行而使计算设备执行示例20-38的任一个的方法。
示例41包括一种用于监控车辆交通的计算设备，所述计算设备包括：用于接收来自与道路一路段相关联的一个或多个基础设施传感器的基础设施数据的装置，其中所述基础设施数据指示所述路段的特征；用于接收来自位于所述路段上的一个或多个车辆的车辆数据的装置，其中所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；用于基于所述车辆数据和所述基础设施数据来确定所述路段的当前交通行为的装置；用于基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为的装置，其中所述历史交通模式是基于在先前时间段期间捕捉到的历史车辆数据和历史基础设施数据；以及用于基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中的装置。
示例42包括示例41的主题，其中，用于确定预期交通行为的装置包括：用于在所述先前时间段期间接收来自所述一个或多个基础设施传感器的基础设施数据的装置、用于在所述先前时间段期间接收来自位于所述路段上的一个或多个车辆的车辆数据的装置、以及用于基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式的装置。
示例43包括示例41和42中任一个的主题，且其中，用于确定预期交通行为的装置包括：用于在先前时间段期间接收来自远程源的外部影响数据的装置，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素。
示例44包括示例41-43的任一个的主题，且其中用于生成历史交通模式的装置包括：用于基于基础设施数据、车辆数据以及外部影响数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
示例45包括示例41-44的任一个的主题，且还包括，由所述交通分析服务器在相应车辆驶经所述路段时接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响车辆数据或基础设施数据的因素，且其中用于确定所述路段的当前交通行为的装置包括用于基于车辆数据、基础设施数据和外部影响数据来确定所述路段的当前交通行为的装置。
示例46包括示例41-45的任一个的主题，且其中用于接收来自位于所述路段上的一个或多个车辆的车辆数据的装置包括：用于在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自所述至少一个车辆的车载计算系统的车辆数据的装置。
示例47包括示例41-46的任一个的主题，且其中用于接收来自位于所述路段上的一个或多个车辆的车辆数据的装置包括：用于在位于所述路段上的车辆中的至少一个车辆驶经所述路段时接收来自位于所述至少一个车辆中的移动计算设备的车辆数据。
示例48包括示例41-47的任一个的主题，且进一步包括由所述交通分析服务器响应于确定异常已发生而标识与所述异常相关联的一个或多个车辆的装置。
示例49包括示例41-48的任一个的主题，且其中用于标识与所述异常相关联的一个或多个车辆的装置包括用于跟踪所述道路的相邻路段上的异常的装置。
示例50包括示例41-49的任一个的主题，且进一步包括由所述交通分析服务器响应于确定异常已发生而确定所述异常是否是有效异常的装置。
示例51包括示例41-50的任一个的主题，且其中用于确定所述异常是否是有效异常的装置包括：用于分析指示能影响所述车辆数据或所述基础设施数据的因素的外部影响数据的装置。
示例52包括示例41-51的任一个的主题，且其中用于确定所述异常是否是有效异常的装置包括：用于为所述异常生成异常模式的装置，其中所述异常模式指示所述异常在一时间段上的行为；以及用于基于所述异常模式来确定所述异常是否是有效异常的装置。
示例53包括示例41-52的任一个的主题，且其中用于确定所述异常是否是有效异常的装置包括：用于为可能在当前交通行为中发生的多个异常计算异常概率的装置，其中每个异常概率指示相应异常会在当前交通行为中发生的可能性；用于基于与所述多个异常的每个异常相关联的异常概率对所述多个异常排序的装置；以及用于基于所述多个异常的排序来确定所确定的异常是否是有效异常的装置。
示例54包括示例41-53的任一个的主题，且还包括用于响应于确定异常已发生而确定异常是否是有效异常的装置、用于响应于确定异常是有效异常而标识与异常相关联的一个或多个车辆的装置；以及用于相对于一个或多个所标识的车辆而实施响应策略的装置。
示例55包括示例41-54的任一个的主题，且其中用于实施响应策略的装置包括用于将一个或多个所标识的车辆报告给当局的装置。
示例56包括示例41-55的任一个的主题，且其中用于实施响应策略的装置包括用于与一个或多个所标识的车辆通信以便向一个或多个所标识的车辆的操作者通知所确定的异常的装置。
示例57包括示例41-56的任一个的主题，且其中用于实施响应策略的装置包括用于与一个或多个所标识的车辆通信以便承担对一个或多个所标识的车辆的控制的装置。
示例58包括示例41-57的任一个的主题，且其中用于承担一个或多个所标识的车辆的控制的装置包括：用于向一个或多个所标识的车辆发送结束命令的装置，其中所述结束命令使所述一个或多个车辆(i)降低速度或者(ii)改变方向。
示例59包括示例41-58的任一个的主题，且其中用于接收来自与所述路段相关联的一个或多个基础设施传感器的基础设施数据的装置包括：由所述交通分析服务器从交通相机、天气传感器、位置传感器、重量传感器、雷达传感器、速度传感器、交通信号传感器或者车道传感器中的至少一者接收基础设施数据的装置。

Claims (25)

1.一种用于监控车辆交通的计算设备，所述计算设备包括：
网络通信模块，用于接收来自与道路的路段相关联的一个或多个基础设施传感器的基础设施数据以及来自位于所述路段上的一个或多个车辆的车辆数据，其中所述基础设施数据指示所述路段的特征，且其中所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；
交通模式确定模块，用于(i)基于所述车辆数据和所述基础设施数据来确定所述路段的当前交通行为；以及(ii)基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为，其中所述历史交通模式是基于在先前时间段期间捕捉的历史车辆数据和历史基础设施数据；以及
交通模式分析模块，用于基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中。
2.如权利要求1所述的计算设备，其特征在于，确定预期交通行为包括：(i)在所述先前时间段期间接收来自所述一个或多个基础设施传感器的基础设施数据、(ii)在所述先前时间段期间接收来自位于所述路段上的一个或多个车辆的车辆数据、以及(iii)基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
3.如权利要求1所述的计算设备，其特征在于，所述网络通信模块还用于在所述相应车辆驶经所述路段时接收来自远程源的外部影响数据，其中所述外部影响数据指示能影响所述车辆数据或所述基础设施数据的因素，以及
其中确定所述路段的当前交通行为包括：基于所述车辆数据、所述基础设施数据以及所述外部影响数据来确定所述路段的当前交通行为。
4.如权利要求1所述的计算设备，其特征在于，接收来自位于所述路段上的一个或多个车辆的车辆数据包括从以下中的至少一者接收车辆数据：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时所述至少一个车辆的车载计算系统；以及在位于所述路段上的车辆中的至少一个车辆驶经所述路段时位于所述至少一个车辆中的一个或多个移动设备中的一个或多个移动计算设备。
5.如权利要求1所述的计算设备，其特征在于，进一步包括：
异常分析模块，用于(i)响应于确定异常已发生而标识与所述异常相关联的一个或多个车辆、以及(ii)响应于确定所述异常已发生而确定所述异常是否是有效异常。
6.如权利要求5所述的计算设备，其特征在于，标识与所述异常相关联的一个或多个车辆包括跟踪所述道路的相邻路段上的异常。
7.如权利要求5所述的计算设备，其特征在于，确定所述异常是否是有效异常包括：分析指示能影响所述车辆数据或所述基础设施数据的因素的外部影响数据。
8.如权利要求7所述的计算设备，其特征在于，确定所述异常是否是有效异常包括：(i)为所述异常生成异常模式，其中所述异常模式指示所述异常在一时间段上的行为；以及(ii)基于所述异常模式来确定所述异常是否是有效异常。
9.如权利要求7所述的计算设备，其特征在于，确定所述异常是否是有效异常包括：(i)为可能在当前交通行为中发生的多个异常确定异常概率，其中每个异常概率指示相应异常会在当前交通行为中发生的可能性；(ii)基于与所述多个异常的每个异常相关联的异常概率对所述多个异常排序；以及(iii)基于所述多个异常的排序来确定所确定的异常是否是有效异常。
10.如权利要求1所述的计算设备，其特征在于，进一步包括：
异常分析模块，用于(i)响应于确定所述异常已发生而确定所述异常是否是有效异常、以及(ii)响应于确定所述异常是有效异常而标识与所述异常相关联的一个或多个车辆。
策略实施模块，用于相对于一个或多个所标识的车辆而实施响应策略。
11.如权利要求10所述的计算设备，其特征在于，实施响应策略包括以下的至少一者：向当局报告一个或多个所标识的车辆，与所述一个或多个所标识的车辆通信以便向所述一个或多个所标识的车辆的操作者通知所确定的异常，与一个或多个所标识的车辆通信以承担对所述一个或多个所标识的车辆的控制以便使所述一个或多个车辆(i)降低速度或(ii)改变方向。
12.如权利要求1所述的计算设备，其特征在于，接收来自与所述路段相关联的一个或多个基础设施传感器的基础设施数据包括：从交通相机、天气传感器、位置传感器、重量传感器、雷达传感器、速度传感器、交通信号传感器或者车道传感器中的至少一者接收基础设施数据。
13.一种用于监控车辆交通的计算设备，所述计算设备包括：
用于从与道路的路段相关联的一个或多个基础设施传感器接收基础设施数据的装置，其中所述基础设施数据指示所述路段的特征；
用于从位于所述路段上的一个或多个车辆接收车辆数据的装置，其中所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；
用于基于所述车辆数据和所述基础设施数据为所述路段确定当前交通行为的装置；
用于基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为的装置，其中所述历史交通模式是基于在先前时间段期间捕捉的历史车辆数据和历史基础设施数据；以及
用于基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中的装置。
14.如权利要求13所述的计算设备，其特征在于，用于确定所述预期交通行为的装置包括：
用于在所述先前时间段期间从所述一个或多个基础设施传感器接收基础设施数据的装置，
用于在所述先前时间段期间从位于所述路段上的一个或多个车辆接收车辆数据的装置，以及
用于基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式的装置。
15.如权利要求13所述的计算设备，其特征在于，进一步包括：
用于在所述相应车辆驶经所述路段时从远程源接收外部影响数据的装置，其中所述外部影响数据指示能影响所述车辆数据或所述基础设施数据的因素，以及
其中用于确定所述路段的当前交通行为的装置包括：用于由所述交通分析服务器基于所述车辆数据、所述基础设施数据以及所述外部影响数据来确定所述路段的当前交通行为的装置。
16.如权利要求13所述的计算设备，其特征在于，用于接收来自位于所述路段上的一个或多个车辆的车辆数据的装置包括用于从以下中的至少一者接收车辆数据的装置：在位于所述路段上的车辆中的至少一个车辆驶经所述路段时所述至少一个车辆的车载计算系统；以及在位于所述路段上的车辆中的至少一个车辆驶经所述路段时位于所述至少一个车辆中的一个或多个移动计算设备。
17.如权利要求13所述的计算设备，其特征在于，进一步包括：
用于响应于确定所述异常已发生而确定所述异常是否是有效异常的装置；以及
用于响应于确定所述异常已发生而标识与所述异常相关联的一个或多个车辆的装置。
18.如权利要求17所述的计算设备，其特征在于，用于标识与所述异常相关联的一个或多个车辆的装置包括用于跟踪所述道路的相邻路段上的异常的装置。
19.如权利要求17所述的计算设备，其特征在于，用于确定所述异常是否是有效异常的装置包括：用于分析指示能影响所述车辆数据或所述基础设施数据的因素的外部影响数据的装置。
20.如权利要求17所述的计算设备，其特征在于，进一步包括：
用于生成所述异常的异常模式的装置，其中所述异常模式指示所述异常在一时间段上的行为，以及
用于基于所述异常模式来确定所述异常是否是有效异常的装置。
21.如权利要求17所述的计算设备，其特征在于，进一步包括：
用于由所述交通分析服务器来计算可能发生于所述当前交通行为中的多个异常的异常概率的装置，其中每个异常概率指示相应异常会发生于所述当前交通行为中的可能性，
用于基于与所述多个异常的每一个异常相关联的异常概率来对所述多个异常排序的装置，以及
用于基于所述多个异常的排序来确定所确定的异常是否是有效异常的装置。
22.如权利要求13所述的计算设备，其特征在于，进一步包括：
用于响应于确定所述异常已发生而确定所述异常是否是有效异常的装置，
用于响应于确定所述异常已发生而标识与所述异常相关联的一个或多个车辆的装置，以及
用于相对于所述一个或多个所标识车辆而实施响应策略的装置。
23.一种用于监控车辆交通的方法，所述方法包括：
由交通分析服务器从与道路的路段相关联的一个或多个基础设施传感器接收基础设施数据，其中所述基础设施数据指示所述路段的特征；
由所述交通分析服务器从位于所述路段上的一个或多个车辆接收车辆数据，其中，所述车辆数据指示在相应车辆驶经所述路段时所述相应车辆的操作特征；
由交通分析服务器基于所述车辆数据和所述基础设施数据为所述路段确定当前交通行为；
由所述交通分析服务器基于与所述路段相关联的历史交通模式来确定所述路段的预期交通行为，其中所述历史交通模式是基于在先前时间段期间捕捉的历史车辆数据和历史基础设施数据；以及
由所述交通分析服务器基于所述当前交通行为和所述预期交通行为的比较来确定异常是否已发生于所述当前交通行为中。
24.如权利要求23所述的方法，其特征在于，确定预期交通行为包括：
由所述交通分析服务器在所述先前时间段期间从所述一个或多个基础设施传感器接收基础设施数据，
由所述交通分析服务器在所述先前时间段期间从位于所述路段上的一个或多个车辆接收车辆数据，以及
由所述交通分析服务器基于在所述先前时间段期间接收到的基础设施数据和车辆数据的分析来对于所述先前时间段生成与所述路段相关联的历史交通模式。
25.如权利要求23所述的方法，其特征在于，进一步包括：
由所述交通分析服务器响应于确定所述异常已发生而确定所述异常是否是有效异常，
由所述交通分析服务器响应于确定所述异常已发生而标识与所述异常相关联的一个或多个车辆，以及
相对于所述一个或多个所标识车辆而实施响应策略。
CN201610172170.7A 2015-03-28 2016-03-24 用于检测车辆交通模式中的异常的方法和装置 Active CN106023586B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/672,102 2015-03-28
US14/672,102 US11482100B2 (en) 2015-03-28 2015-03-28 Technologies for detection of anomalies in vehicle traffic patterns

Publications (2)

Publication Number Publication Date
CN106023586A true CN106023586A (zh) 2016-10-12
CN106023586B CN106023586B (zh) 2019-06-04

Family

ID=56974695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610172170.7A Active CN106023586B (zh) 2015-03-28 2016-03-24 用于检测车辆交通模式中的异常的方法和装置

Country Status (2)

Country Link
US (1) US11482100B2 (zh)
CN (1) CN106023586B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN110291362A (zh) * 2016-12-06 2019-09-27 日产北美公司 生成用于自主车辆的解决方案数据以克服问题状况
CN110602031A (zh) * 2018-06-13 2019-12-20 罗伯特·博世有限公司 用于处理通信网络中的异常的方法和设备
CN111127919A (zh) * 2019-12-31 2020-05-08 上海能塔智能科技有限公司 一种交通数据校验方法、交通数据广播方法及系统
CN111210604A (zh) * 2019-10-22 2020-05-29 高新兴创联科技有限公司 基于轨道车运行事件关联模型的异常事件预警方法
CN112751822A (zh) * 2019-10-31 2021-05-04 丰田自动车株式会社 通信装置及操作方法、异常判定装置及方法、存储介质
CN112849153A (zh) * 2019-11-12 2021-05-28 通用汽车环球科技运作有限责任公司 用于监视道路段的方法和系统
CN113079296A (zh) * 2021-03-31 2021-07-06 重庆风云际会智慧科技有限公司 基于双向视频的执法勘察设备
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10037689B2 (en) * 2015-03-24 2018-07-31 Donald Warren Taylor Apparatus and system to manage monitored vehicular flow rate
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
MX2017014452A (es) * 2015-05-11 2018-03-16 True Mfg Co Inc Maquina de hielo con notificacion automatica para indicar cuando se requiere mantenimiento.
US10043006B2 (en) * 2015-06-17 2018-08-07 Accenture Global Services Limited Event anomaly analysis and prediction
US11397801B2 (en) * 2015-09-25 2022-07-26 Argus Cyber Security Ltd. System and method for controlling access to an in-vehicle communication network
US10109185B1 (en) * 2016-07-25 2018-10-23 360fly, Inc. Method and apparatus for traffic monitoring based on traffic images
US20180199357A1 (en) * 2017-01-12 2018-07-12 Hcl Technologies Limited System for transmitting aircraft data to ground station(s) via one or more communication channels
EP3358542B1 (en) * 2017-02-01 2020-12-09 Kapsch TrafficCom AG A method of predicting a traffic behaviour in a road system
US11062536B2 (en) * 2017-02-21 2021-07-13 Ford Global Technologies, Llc Method and apparatus for statistical vehicle element failure analysis
DE102017218222A1 (de) * 2017-10-12 2019-04-18 Continental Automotive Gmbh Bestimmung der Position eines späteren Haltepunktes eines Fahrzeugs
US10540892B1 (en) 2017-10-26 2020-01-21 State Farm Mutual Automobile Insurance Company Technology for real-time detection and mitigation of remote vehicle anomalous behavior
FR3082984B1 (fr) * 2018-06-26 2021-05-21 Transdev Group Dispositif electronique et procede de surveillance d'un ensemble de vehicules automobiles autonomes, systeme de transport et programme d'ordinateur associes
US10878701B2 (en) 2018-10-09 2020-12-29 Ford Global Technologies, Llc Detection of attacks on vehicle networks
US10847029B2 (en) * 2018-10-09 2020-11-24 Here Global B.V. Method, apparatus, and system for automatic road closure detection
SE1851450A1 (en) * 2018-11-23 2020-05-24 Scania Cv Ab Method, Computer Program, Control Unit for Detecting Faults in a Driver-Assistance System and Vehicle
CN111383444B (zh) * 2018-12-28 2021-08-17 腾讯大地通途（北京）科技有限公司 预测路况状态的方法、装置、服务器及存储介质
US11100793B2 (en) * 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
US10796571B2 (en) * 2019-01-31 2020-10-06 StradVision, Inc. Method and device for detecting emergency vehicles in real time and planning driving routes to cope with situations to be expected to be occurred by the emergency vehicles
US11049390B2 (en) * 2019-02-26 2021-06-29 Here Global B.V. Method, apparatus, and system for combining discontinuous road closures detected in a road network
GB2585243A (en) * 2019-07-05 2021-01-06 Valerann Ltd Traffic event and road condition identification and classification
CN110659808A (zh) * 2019-08-30 2020-01-07 广东方纬科技有限公司 一种基于车辆出行数据的交通分析方法、系统及存储介质
WO2021066784A1 (en) * 2019-09-30 2021-04-08 Siemens Mobility, Inc. System and method for detecting speed anomalies in a connected vehicle infrastructure environment
US11587433B2 (en) * 2019-10-31 2023-02-21 Here Global B.V. Method, apparatus, and system for probe anomaly detection
US11468768B2 (en) * 2019-11-18 2022-10-11 Here Global B.V. Method, apparatus, and system for automatic road closure detection during probe anomaly
US11414088B2 (en) * 2020-01-16 2022-08-16 Toyota Motor Engineering & Manufacturing North America, Inc. Anomalous driver detection system
US11718288B2 (en) * 2020-03-23 2023-08-08 Toyota Motor North America, Inc. Consensus-based transport event severity
US11574543B2 (en) 2020-03-23 2023-02-07 Toyota Motor North America, Inc. Transport dangerous location warning
CN112258842A (zh) * 2020-10-26 2021-01-22 北京百度网讯科技有限公司 交通监测方法、装置、设备及存储介质
KR20220078772A (ko) * 2020-12-03 2022-06-13 현대모비스 주식회사 차량의 교차로 주행 제어 시스템 및 방법
US20220375340A1 (en) * 2021-05-20 2022-11-24 Blyncsy, Inc. Machine-learning based control of traffic operation

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020111725A1 (en) * 2000-07-17 2002-08-15 Burge John R. Method and apparatus for risk-related use of vehicle communication system data
US20040210353A1 (en) * 2001-04-20 2004-10-21 Rice Kevin Joseph Vehicle driver quality determination method and system
CN101540103A (zh) * 2008-03-17 2009-09-23 上海宝康电子控制工程有限公司 交通信息采集及事件处理的方法与系统
CN101783075A (zh) * 2010-02-05 2010-07-21 北京科技大学 一种城市环形道路交通流预测系统
CN102368355A (zh) * 2011-10-19 2012-03-07 北京世纪高通科技有限公司 快速更新交通数据的方法和系统
US20120162431A1 (en) * 2010-12-23 2012-06-28 Scott Riesebosch Methods and systems for monitoring traffic flow

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7119696B2 (en) * 2001-11-19 2006-10-10 Volvo Trucks North America, Inc. System for ensuring driver competency
JP4492702B2 (ja) * 2008-01-11 2010-06-30 トヨタ自動車株式会社 異常検出装置
WO2012093897A2 (ko) * 2011-01-06 2012-07-12 엘지전자 주식회사 세탁처리장치 및 원격 제어기
CN103959354B (zh) * 2011-08-31 2017-12-05 株式会社 Kmw 用于提供安全驾驶信息的路灯和用于使用路灯来提供安全驾驶信息的系统
US9253753B2 (en) * 2012-04-24 2016-02-02 Zetta Research And Development Llc-Forc Series Vehicle-to-vehicle safety transceiver using time slots
US9129532B2 (en) * 2012-04-24 2015-09-08 Zetta Research and Development LLC, ForC series Hybrid protocol transceiver for V2V communication
EP2873064A4 (en) * 2012-07-13 2016-05-25 iRezQ AB EMERGENCY INDICATOR WITHIN AN ALARM COMMUNITY
US9104535B1 (en) * 2012-12-19 2015-08-11 Allstate Insurance Company Traffic based driving analysis
US9081650B1 (en) * 2012-12-19 2015-07-14 Allstate Insurance Company Traffic based driving analysis
US20140279573A1 (en) * 2013-03-15 2014-09-18 Walter E. Coats Revocable Trust System and method for automatic and intelligent form generation
US20150024705A1 (en) * 2013-05-01 2015-01-22 Habib Rashidi Recording and reporting device, method, and application
US10692370B2 (en) * 2014-03-03 2020-06-23 Inrix, Inc. Traffic obstruction detection
US9766625B2 (en) * 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
US9913099B2 (en) * 2014-08-06 2018-03-06 Mobile Video Computing Solutions, LLC Crash event detection, response and reporting apparatus and method
WO2016022984A1 (en) * 2014-08-08 2016-02-11 Fusar Technologies, Inc. Helmet system and methods
KR101592788B1 (ko) * 2014-11-19 2016-02-18 현대자동차주식회사 이상 차량 처리 방법 및 이를 수행하는 v2x 통신 시스템
US9347779B1 (en) * 2014-12-10 2016-05-24 Here Global B.V. Method and apparatus for determining a position of a vehicle based on driving behavior
US9545995B1 (en) * 2015-07-14 2017-01-17 Qualcomm Incorporated Control normalization for unmanned autonomous systems
US9834223B2 (en) * 2015-12-15 2017-12-05 Ford Global Technologies, Llc Diagnosing and supplementing vehicle sensor data
JP6327273B2 (ja) * 2016-03-22 2018-05-23 トヨタ自動車株式会社 車両用情報提供装置
US10042055B2 (en) * 2016-04-20 2018-08-07 Here Global B.V. Traffic volume estimation
JP2017208750A (ja) * 2016-05-20 2017-11-24 ローム株式会社 映像監視装置、映像表示システム、及び車両
US10165231B2 (en) * 2016-06-29 2018-12-25 International Business Machines Corporation Visualization of navigation information for connected autonomous vehicles
JP6489080B2 (ja) * 2016-08-04 2019-03-27 トヨタ自動車株式会社 車両制御装置
US10571913B2 (en) * 2016-08-05 2020-02-25 Aptiv Technologies Limited Operation-security system for an automated vehicle
RU2664034C1 (ru) * 2017-04-05 2018-08-14 Общество С Ограниченной Ответственностью "Яндекс" Способ и система создания информации о трафике, которая будет использована в картографическом приложении, выполняемом на электронном устройстве

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020111725A1 (en) * 2000-07-17 2002-08-15 Burge John R. Method and apparatus for risk-related use of vehicle communication system data
US20040210353A1 (en) * 2001-04-20 2004-10-21 Rice Kevin Joseph Vehicle driver quality determination method and system
CN101540103A (zh) * 2008-03-17 2009-09-23 上海宝康电子控制工程有限公司 交通信息采集及事件处理的方法与系统
CN101783075A (zh) * 2010-02-05 2010-07-21 北京科技大学 一种城市环形道路交通流预测系统
US20120162431A1 (en) * 2010-12-23 2012-06-28 Scott Riesebosch Methods and systems for monitoring traffic flow
CN102368355A (zh) * 2011-10-19 2012-03-07 北京世纪高通科技有限公司 快速更新交通数据的方法和系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110291362A (zh) * 2016-12-06 2019-09-27 日产北美公司 生成用于自主车辆的解决方案数据以克服问题状况
CN110291362B (zh) * 2016-12-06 2020-09-29 日产北美公司 生成用于自主车辆的解决方案数据以克服问题状况
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN109844832B (zh) * 2016-12-30 2021-06-15 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN110602031A (zh) * 2018-06-13 2019-12-20 罗伯特·博世有限公司 用于处理通信网络中的异常的方法和设备
CN110602031B (zh) * 2018-06-13 2024-01-09 罗伯特·博世有限公司 用于处理通信网络中的异常的方法和设备
CN111210604B (zh) * 2019-10-22 2021-06-15 高新兴创联科技有限公司 基于轨道车运行事件关联模型的异常事件预警方法
CN111210604A (zh) * 2019-10-22 2020-05-29 高新兴创联科技有限公司 基于轨道车运行事件关联模型的异常事件预警方法
CN112751822A (zh) * 2019-10-31 2021-05-04 丰田自动车株式会社 通信装置及操作方法、异常判定装置及方法、存储介质
CN112751822B (zh) * 2019-10-31 2023-04-07 丰田自动车株式会社 通信装置及操作方法、异常判定装置及方法、存储介质
CN112849153A (zh) * 2019-11-12 2021-05-28 通用汽车环球科技运作有限责任公司 用于监视道路段的方法和系统
CN111127919A (zh) * 2019-12-31 2020-05-08 上海能塔智能科技有限公司 一种交通数据校验方法、交通数据广播方法及系统
CN113079296A (zh) * 2021-03-31 2021-07-06 重庆风云际会智慧科技有限公司 基于双向视频的执法勘察设备
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN106023586B (zh) 2019-06-04
US20160284212A1 (en) 2016-09-29
US11482100B2 (en) 2022-10-25

Similar Documents

Publication Publication Date Title
CN106023586B (zh) 用于检测车辆交通模式中的异常的方法和装置
US11418519B2 (en) Systems and methods for detection of malicious activity in vehicle data communication networks
Li et al. Influence of cyber-attacks on longitudinal safety of connected and automated vehicles
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
CN111095955B (zh) 用于联网车辆网络安全的系统和方法
US10516681B2 (en) Vehicle correlation system for cyber attacks detection and method thereof
JP2019525301A (ja) 自動化されたリスク制御システムを含む自律的又は部分的に自律的な自動車及びそれに対応する方法
US11699205B1 (en) Providing a GUI to enable analysis of time-synchronized data sets pertaining to a road segment
US11170639B2 (en) Transportation threat detection system
Khan et al. Autonomous vehicles: A study of implementation and security.
CA3065731C (en) Systems and methods for system generated damage analysis
Katrakazas et al. Cyber security and its impact on CAV safety: Overview, policy needs and challenges
Wideberg et al. A smartphone application to extract safety and environmental related information from the OBD-II interface of a car
Sabaliauskaite et al. Integrated safety and cybersecurity risk analysis of cooperative intelligent transport systems
Kaja Artificial intelligence and cybersecurity: Building an automotive cybersecurity framework using machine learning algorithms
Siddiqui et al. Bird's-eye view on the Automotive Cybersecurity Landscape & Challenges in adopting AI/ML
Narayanan et al. Using semantic technologies to mine vehicular context for security
Boddupalli et al. Redem: Real-time detection and mitigation of communication attacks in connected autonomous vehicle applications
Bouchelaghem et al. Autonomous Vehicle Security: Literature Review of Real Attack Experiments
Sharma et al. Towards an AI-based after-collision forensic analysis protocol for autonomous vehicles
Qurashi et al. Toward Attack Modeling Technique Addressing Resilience in Self-Driving Car
Tyagi et al. Future Intelligent Vehicles: Open Issues, Critical Challenges, and Research Opportunities
Madhav et al. IMPROVE: Intelligent machine learning based portable, reliable and optimal verification system for future vehicles
Han et al. A unified anomaly detection methodology for lane-following of autonomous driving systems
Qurashi et al. Autonomous vehicles: Security challenges and game theory-based countermeasures

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