CN106529599B - 一种面向事件的驾驶员生态驾驶行为评估方法 - Google Patents
一种面向事件的驾驶员生态驾驶行为评估方法 Download PDFInfo
- Publication number
- CN106529599B CN106529599B CN201610998585.XA CN201610998585A CN106529599B CN 106529599 B CN106529599 B CN 106529599B CN 201610998585 A CN201610998585 A CN 201610998585A CN 106529599 B CN106529599 B CN 106529599B
- Authority
- CN
- China
- Prior art keywords
- event
- driver
- speed
- acceleration
- driving behavior
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003542 behavioural effect Effects 0.000 claims abstract description 12
- 230000001419 dependent effect Effects 0.000 claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 72
- 239000000446 fuel Substances 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 11
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
本发明公开了一种面向事件的驾驶员生态驾驶行为评估方法，包括：获取驾驶行为及能耗数据，确定行为参数阈值；根据行为参数阈值，确定驾驶事件定义并标准化驾驶事件次数；构建评估模型。本发明从微观驾驶行为出发，将其转换为可操作、量化、油耗紧密相关的生态驾驶事件，并通过分析车辆运行参数与油耗之间的影响关系确定事件判别阈值，大大提升了本发明的科学性可用性；同时本发明以车辆实际油耗为因变量，构建驾驶员个体生态驾驶行为评估模型，确保评估结果与车辆油耗之间的一致性，提升评估方法可信度，利于本发明的实际应用。
Description
技术领域
本发明涉及交通节能减排技术领域，尤其涉及一种面向事件的驾驶员生态驾驶行为评估方法。
背景技术
近年来我国车辆保有量不断增加，交通领域在消耗大量能源的同时，也带来了严重的空气污染，严重影响人们生活质量。相对于改进车辆技术、使用清洁能源等策略，生态驾驶以其最经济、最现实、易实施、见效快等特点，成为交通领域节能减排的重要手段。
世界各国针对生态驾驶进行了一系列的研究，提出多种生态驾驶方法并进行推广应用；我国近年来刚刚引入生态驾驶，已取得了丰富的研究成果。然而，目前我国生态驾驶相关的宣传、推广手段多以文本介绍、视频宣传、试点活动等“一对多”静态、离线的方式进行，难以使驾驶员深入了解生态驾驶方法。虽然目前市场上已出现部分可评估驾驶员驾驶行为生态性的产品，但通过使用评测发现，其评估方法较为粗糙，评分结果与车辆油耗之间基本无对应关系，难以吸引驾驶员采取生态驾驶操作，导致相关成果应用效果不佳。
发明内容
针对上述问题中存在的不足之处，本发明提供一种面向事件的驾驶员生态驾驶行为评估方法。
为实现上述目的，本发明提供一种面向事件的驾驶员生态驾驶行为评估方法，包括：
步骤1、获取驾驶行为及能耗数据，所述驾驶行为及能耗数据包括车辆运行时间、车辆运行速度和车辆瞬时油耗；
步骤2、确定行为参数阈值，所述行为参数包括运行速度参数、加速度参数和工况持续时间参数；
步骤3、根据行为参数阈值，确定驾驶事件定义并标准化驾驶事件次数；所述驾驶事件包括：急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、良好起步、走走停停和良好刹车；
步骤4、构建评估模型
应用线性换算方法，建立驾驶员百公里油耗的百分制评分体系；
应用主成分分析法，对标准化后的驾驶事件次数重构主成分变量；应用线性回归方法，以百公里油耗评分为因变量、重构后的主成分变量为参数，构建驾驶员生态驾驶行为评估模型。
作为本发明的进一步改进，在步骤1中，数据粒度不低于1Hz，所采集的驾驶员样本数不低于300。
作为本发明的进一步改进，所述步骤2包括：
步骤2.1、确定低速运行速度参数阈值sLS和高速运行速度参数阈值sHS；
步骤2.2、确定急加速加速度参数阈值aSA和急减速加速度参数阈值aSD；
步骤2.3、确定长时加速工况持续时间参数阈值Ta和长时怠速工况持续时间参数阈值Ti。
作为本发明的进一步改进，所述步骤2.1包括：
统计各速度值下平均瞬时油耗，并换算为百公里油耗；
计算各速度值下车辆百公里油耗随速度变化率：
式中：f为油耗变化率，s为运行速度，g(s)为运行速度s下百公里油耗；
取油耗变化率阈值ε＝3％处对应的行车速度sLS为低速运行速度参数阈值；
取油耗变化率阈值ε＝1％处对应的行车速度sHS为高速运行速度参数阈值。
作为本发明的进一步改进，所述步骤2.2包括：
依据速度数据，计算加速度参数：
a(t)＝s(t)-s(t-1)
式中：s(t)为t秒时运行速度，a(t)为t秒时加速度；
统计各加速度值下平均瞬时油耗，计算各加速度值下车辆瞬时油耗随加速度变化率：
式中：f为油耗变化率，g(a)为加速度a下平均瞬时油耗；
取油耗变化率阈值ε＝1％处对应的加速情况下车辆加速度aSA为急加速加速度参数阈值；
取油耗变化率阈值ε＝1％处对应的减速情况下车辆加速度aSD为急减速加速度参数阈值。
作为本发明的进一步改进，所述步骤2.3包括：
取长时加速工况持续时间参数阈值Ta为5s，取长时怠速工况持续时间参数阈值Ti为60s。
作为本发明的进一步改进，所述步骤3包括：
步骤3.1、确定驾驶事件定义
(1)急加速：a(t)＞aSA，连续的急加速视为一次事件；
(2)急减速：a(t)＜aSD，连续的急减速视为一次事件；
(3)长时加速：Da(t)＞Ta，大于Ta的连续加速视为一次事件；
(4)长时怠速：Di(t)＞Ti，大于Ti的连续怠速视为一次事件；
(5)低速行驶：60s内速度均值小于sLS，连续的低速行驶视为一次事件；
ave(s(t),s(t-1),...s(t-59))≤sLS
(6)良好匀速：5s内：
①、速度均值大于sHS，ave(s(t),s(t-1),s(t-2),s(t-3),s(t-4))≥sHS；
②、总速度变化值小于1km/h，abs(s(t)-s(t-4))≤1km/h；
③、逐秒速度变化小于等于1km/h
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1km/h；
④、速度标准差<1.5，std(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1.5
连续的良好匀速视为一次事件；
(7)良好起步：从怠速开始起步，5秒内：
①、加速度变化在(10,20)km/h内
10km/h≤s(t)-s(t-4)≤20km/h；
②、工况积为1或3
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝1||
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝3；
③、最大加速度amax＜aSA
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤aSA；
连续的良好起步视为一次事件；
(8)走走停停：起步后3s内再次怠速，连续的走走停停视为一次事件；
(9)良好刹车：5秒内：
①、加速度变化在(-25,-15)km/h内
-25km/h≤s(t)-s(t-4)≤-15km/h；
②、工况积在(31,49)内
31＜m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＜49；
③、最大减速度amin≥aSD
min(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≥aSD；
连续的良好刹车视为一次事件；
上式中：a(t)为t秒时车辆加速度；Da(t)为t秒时加速工况持续时间，Di(t)为t秒时怠速工况持续时间，s(t)为t秒时车辆速度，ave、std、abs、max、min分别表示求均值、求标准差、求绝对值、求最大值、求最小值；m(t)为t秒时工况代码，m(t)的取值为1、2、3、4，其中1、2、3、4分别代表加速、减速、匀速和怠速；
步骤3.2、标准化驾驶事件次数
根据步骤3.1中驾驶事件定义，识别并统计所采集驾驶员样本各驾驶员1天上述驾驶事件出现次数；计算1天内驾驶员行程距离；以车辆行程距离为参数，计算行程距离内各生态驾驶事件平均出现次数，作为评估模型参数，完成参数标准化：
Niu＝Ni/Disi
式中：Niu为事件i标准化后的发生次数，Ni为驾驶员1天内事件i的发生次数，Disi为驾驶员1天内行程距离；i为步骤3.1种提出的7种事件代码，急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、走走停停事件分别对应i取1-7；
良好起步与良好刹车事件通过以下方法进行标准化：
Nu＝N/NA
式中：Nu为事件良好起步和良好刹车标准化后的发生次数，N为驾驶员1天内事件良好起步和良好刹车的发生次数，NA为驾驶员1天内起步和刹车总次数。
作为本发明的进一步改进，在步骤4中，建立驾驶员百公里油耗的百分制评分体系的方法为：
以线性换算方式，将1天内驾驶员百公里油耗换算为百分制评分，换算方法为：
式中：SCOREiA为百分制评分，gi为第i位驾驶员1天内百公里油耗，gmin为1天所采集样本中最小百公里油耗，gmax为1天所采集样本中最大百公里油耗。
作为本发明的进一步改进，在步骤4中，重构主成分变量的方法为：
应用主成分分析法，重构主成分变量；
主成分抽取条件：
Ri>1
式中：Ri为第i个主成分特征值，共获得主成分变量m个，分别为F1、F2、...Fm。
作为本发明的进一步改进，在步骤4中，构建驾驶员生态驾驶行为评估模型的方法为：
应用线性回归方法，以驾驶员百公里油耗评分为因变量，以重构的主成分变量为参数，构建评估模型，模型形式为：
SCOREM＝b+a1F1+a2F2+…+amFm
式中：SCOREM为模型评估得分，a1、a2、…am为各主成分变量的系数，b为常数项。
与现有技术相比，本发明的有益效果为：
本发明公开的一种面向事件的驾驶员生态驾驶行为评估方法，相比现有技术，本发明从微观驾驶行为出发，将其转换为可操作、量化、油耗紧密相关的生态驾驶事件，并通过分析车辆运行参数与油耗之间的影响关系确定事件判别阈值，大大提升了本发明的科学性可用性；同时本发明以车辆实际油耗为因变量，构建驾驶员个体生态驾驶行为评估模型，确保评估结果与车辆油耗之间的一致性，提升评估方法可信度，利于本发明的实际应用。
附图说明
图1为本发明一种实施例公开的面向事件的驾驶员生态驾驶行为评估方法的流程图；
图2为本发明一种实施例公开的百公里油耗随速度变化率图；
图3为本发明一种实施例公开的平均瞬时油耗随加速度变化率图；
图4为本发明一种实施例公开的评估模型验证结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决现有技术中存在的问题，本发明提供一种面向事件的驾驶员生态驾驶行为评估方法；其关键在于针对驾驶员个体，甄别其非生态驾驶行为，评估驾驶员驾驶行为生态性，使驾驶员了解其生态驾驶不足，从而为驾驶员针对性的生态驾驶技能提升提供支持。
因此，本发明基于驾驶员驾车时车辆运行速度数据，将车辆微观运行速度参数转换为驾驶员可理解、可操作的驾驶事件，并以车辆油耗为参考，建立与油耗成正相关的生态驾驶行为百分制评估体系，为生态驾驶行为的推广与应用提供技术基础。
下面结合附图对本发明做进一步的详细描述：
如图1所示，本发明提供一种面向事件的驾驶员生态驾驶行为评估方法，包括：
步骤1、获取驾驶行为及能耗数据
本发明应用所需驾驶行为及能耗数据包括车辆运行时间(s)、车辆运行速度(km/h)和车辆瞬时油耗(L/h)；数据粒度不低于1Hz，所采集的驾驶员样本数不低于300。
步骤2、确定行为参数阈值
本发明所需确定的行为参数包括运行速度参数、加速度参数和工况持续时间参数。
步骤2.1、确定低速运行速度参数阈值sLS和高速运行速度参数阈值sHS；
以秒为单位，统计各速度值下平均瞬时油耗，并换算为百公里油耗(即油耗与行驶距离的比值，L/100km)。
计算各速度值下车辆百公里油耗随速度变化率：
式中：f为油耗变化率，s为运行速度，g(s)为运行速度s下百公里油耗；
取油耗变化率阈值ε＝3％处对应的行车速度sLS为低速运行速度参数阈值；
取油耗变化率阈值ε＝1％处对应的行车速度sHS为高速运行速度参数阈值。
步骤2.2、确定急加速加速度参数阈值aSA和急减速加速度参数阈值aSD；
依据速度数据，计算加速度参数：
a(t)＝s(t)-s(t-1)
式中：s(t)为t秒时运行速度，a(t)为t秒时加速度；
以秒为单位，统计各加速度值下平均瞬时油耗，计算各加速度值下车辆瞬时油耗随加速度变化率：
式中：f为油耗变化率，g(a)为加速度a下平均瞬时油耗；
取油耗变化率阈值ε＝1％处对应的加速情况下车辆加速度aSA为急加速加速度参数阈值；
取油耗变化率阈值ε＝1％处对应的减速情况下车辆加速度aSD为急减速加速度参数阈值。
步骤2.3、确定长时加速工况持续时间参数阈值Ta和长时怠速工况持续时间参数阈值Ti。
取长时加速工况持续时间参数阈值Ta为5s，取长时怠速工况持续时间参数阈值Ti为60s。
步骤3、根据行为参数阈值，确定驾驶事件定义并标准化驾驶事件次数
本发明考虑实际驾驶过程中驾驶操作，将生态驾驶建议转化为9种与车辆油耗相关的驾驶事件，包括：急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、良好起步、走走停停和良好刹车。
步骤3.1、确定驾驶事件定义
(1)急加速：a(t)＞aSA，连续的急加速视为一次事件；
(2)急减速：a(t)＜aSD，连续的急减速视为一次事件；
(3)长时加速：Da(t)＞Ta，大于Ta的连续加速视为一次事件；
(4)长时怠速：Di(t)＞Ti，大于Ti的连续怠速视为一次事件；
(5)低速行驶：60s内速度均值小于sLS，连续的低速行驶视为一次事件；
ave(s(t),s(t-1),...s(t-59))≤sLS
(6)良好匀速：5s内：
①、速度均值大于sHS，ave(s(t),s(t-1),s(t-2),s(t-3),s(t-4))≥sHS；
②、总速度变化值小于1km/h，abs(s(t)-s(t-4))≤1km/h；
③、逐秒速度变化小于等于1km/h
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1km/h；
④、速度标准差<1.5，std(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1.5
连续的良好匀速视为一次事件；
(7)良好起步：从怠速开始起步，5秒内：
①、加速度变化在(10,20)km/h内
10km/h≤s(t)-s(t-4)≤20km/h；
②、工况积为1或3
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝1||
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝3；
③、最大加速度amax＜aSA
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤aSA；
连续的良好起步视为一次事件；
(8)走走停停：起步后3s内再次怠速，连续的走走停停视为一次事件；
(9)良好刹车：5秒内：
①、加速度变化在(-25,-15)km/h内
-25km/h≤s(t)-s(t-4)≤-15km/h；
②、工况积在(31,49)内
31＜m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＜49；
③、最大减速度amin≥aSD
min(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≥aSD；
连续的良好刹车视为一次事件；
上式中：a(t)为t秒时车辆加速度；Da(t)为t秒时加速工况持续时间，Di(t)为t秒时怠速工况持续时间，s(t)为t秒时车辆速度，ave、std、abs、max、min分别表示求均值、求标准差、求绝对值、求最大值、求最小值；m(t)为t秒时工况代码，m(t)的取值为1、2、3、4，其中1、2、3、4分别代表加速、减速、匀速和怠速；
步骤3.2、标准化驾驶事件次数
根据步骤3.1中驾驶事件定义，识别并统计所采集驾驶员样本各驾驶员1天上述驾驶事件出现次数；计算1天内驾驶员行程距离；以车辆行程距离为参数，计算行程距离内各生态驾驶事件平均出现次数，作为评估模型参数，完成参数标准化：
Niu＝Ni/Disi
式中：Niu为事件i标准化后的发生次数，Ni为驾驶员1天内事件i的发生次数，Disi为驾驶员1天内行程距离；i为步骤3.1种提出的7种事件代码，急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、走走停停事件分别对应i取1-7；
良好起步与良好刹车事件通过以下方法进行标准化：
Nu＝N/NA
式中：Nu为事件良好起步和良好刹车标准化后的发生次数，N为驾驶员1天内事件良好起步和良好刹车的发生次数，NA为驾驶员1天内起步和刹车总次数。
步骤4、构建评估模型
统计所采集样本驾驶员1天内百公里油耗，并以线性换算方式，建立油耗的百分制评分体系，获得各百公里油耗对应的评分。以标准化后的驾驶事件出现次数为参数，以各驾驶员油耗评分为因变量，首先利用主成分分析重构新的主成分变量，消除共线性问题；最后应用多元线性回归，构建驾驶员生态驾驶行为评估模型。
步骤4.1：建立百分制评分体系
以线性换算方式，将1天内驾驶员百公里油耗换算为百分制评分，换算方法为：
式中：SCOREiA为百分制评分，gi为第i位驾驶员1天内百公里油耗，gmin为1天所采集样本中最小百公里油耗，gmax为1天所采集样本中最大百公里油耗。
步骤4.2：重构主成分变量
应用主成分分析法，重构主成分变量；
主成分抽取条件：
Ri>1
式中：Ri为第i个主成分特征值，共获得主成分变量m个，分别为F1、F2、...Fm。
步骤4.3：构建评估模型
应用线性回归方法，以驾驶员百公里油耗评分为因变量，以重构的主成分变量为参数，构建评估模型。模型形式为：
SCOREM＝b+a1F1+a2F2+…+amFm
式中：SCOREM为模型评估得分，a1、a2、…am为各主成分变量的系数，b为常数项。
实施例1：本例以北京市伊朗特出租车1天的运行数据进行计算示例。
步骤1：获取驾驶行为及能耗数据
利用车载OBD接口和GPS模块，获取307辆伊朗特出租车驾驶行为及能耗数据。表1为某出租车30秒运行时间内数据示例。
表1驾驶行为特征参数示例
| 采集时间 | 仪表盘速度(km/h) | 瞬时油耗(L/h) |
| 20140815000000 | 68 | 2.915848 |
| 20140815000001 | 68 | 3.285532 |
| 20140815000002 | 69 | 4.42788 |
| 20140815000003 | 68 | 2.885979 |
| 20140815000004 | 69 | 5.05824 |
| 20140815000005 | 69 | 3.962052 |
| 20140815000006 | 69 | 3.956848 |
| 20140815000007 | 68 | 2.885979 |
| 20140815000008 | 69 | 5.0397 |
| 20140815000009 | 67 | 2.864644 |
| 20140815000010 | 68 | 5.256 |
| 20140815000011 | 68 | 4.086948 |
| 20140815000012 | 67 | 2.186191 |
| 20140815000013 | 68 | 4.03854 |
| 20140815000014 | 68 | 3.1138 |
| 20140815000015 | 68 | 2.130244 |
| 20140815000016 | 68 | 1.6827 |
| 20140815000017 | 67 | 1.243184 |
| 20140815000018 | 68 | 2.70366 |
| 20140815000019 | 68 | 1.922084 |
| 20140815000020 | 68 | 1.9429 |
| 20140815000021 | 69 | 2.6604 |
| 20140815000022 | 70 | 2.61714 |
| 20140815000023 | 70 | 1.911676 |
| 20140815000024 | 70 | 1.91688 |
| 20140815000025 | 71 | 2.6295 |
| 20140815000026 | 71 | 1.91688 |
| 20140815000027 | 71 | 3.6342 |
| 20140815000028 | 71 | 3.665424 |
| 20140815000029 | 72 | 4.66272 |
| 20140815000030 | 72 | 3.587364 |
表1中，数据采集时间为2014年08月15日00时00分00秒至2014年08月15日00时00分30秒。仪表盘速度单位为km/h，瞬时油耗单位0.01L/h。
步骤2：确定行为参数阈值
步骤2.1：确定低速高速运行速度参数阈值
统计各速度值下平均瞬时油耗，并计算各速度值下车辆百公里油耗随速度变化率，如图2所示。
取油耗变化率阈值ε＝3％处对应的行车速度sLS＝23km/h为低速运行速度参数阈值；
取油耗变化率阈值ε＝1％处对应的行车速度sHS＝60km/h为高速运行速度参数阈值。
步骤2.2：急加速、急减速时加速度参数阈值
统计各加速度值下平均瞬时油耗，并计算油耗变化率，如图3所示。
分别取油耗变化率阈值ε＝1％处，加速、减速情况下对应的车辆加速度aSA＝4km/h/s和aSD＝-5km/h/s，分别作为急加速、急减速时加速度参数阈值。
步骤2.3：长时加速、怠速工况持续时间阈值确定
取长时加速阈值Ta为5s，取长时怠速阈值Ti为60s。
步骤3：确定驾驶事件定义并标准化事件次数
步骤3.1：确定驾驶事件定义
依据步骤2中参数阈值，将各驾驶事件的判别阈值定义如下：
(1)、急加速：a(t)＞4km/h/s，连续的急加速视为一次事件；
(2)、急减速：a(t)＜-5km/h/s，连续的急减速视为一次事件；
(3)、长时加速：Ta(t)＞5s，大于5s的连续加速视为一次事件；
(4)、长时怠速：Ti(t)＞60s，大于60s的连续怠速视为一次事件；
(5)、低速行驶：60s内速度均值小于23km/h，连续的低速行驶视为一次事件；
ave(s(t),s(t-1),…,s(t-59))≤23km/h
(6)、良好匀速：5s内：
速度均值大约60km/h
总速度变化值小于1km/h
逐秒速度变化小于等于1km/h
速度标准差<1.5
连续的良好匀速视为一次事件
ave(s(t),s(t-1),s(t-2),s(t-3),s(t-4))≥60km/h
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1km/h/s
std(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1.5
abs(s(t)-s(t-4))≤1km/h
(7)、良好起步：从怠速开始起步，5秒内：
5秒内加速度变化在(10,20)km/h内
工况积为1或3
最大加速度amax＜4km/h/s
连续的良好起步视为一次事件
10km/h≤s(t)-s(t-4)≤20km/h
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝1||
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝3
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4),a(t-5))≤4km/h
(8)、走走停停：起步后3s内再次怠速，连续的走走停停时间视为一次事件；
(9)、良好刹车：5秒内：
加速度变化在(-25,-15)km/h内
工况积在(31,49)内
最大减速度amin≥-5km/h
连续的良好刹车视为一次事件
-25km/h≤s(t)-s(t-4)≤-15km/h
31<m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)<49
min(a(t),a(t-1),a(t-2),a(t-3),a(t-4),a(t-5))≥-5km/h
步骤3.2：驾驶事件次数统计
识别并计算各个驾驶员在数据采集周期(一天)内、平均50km行程中上述10种驾驶事件出现次数。
以某驾驶员甲为例，1天内平均50km各事件出现次数和频率如表2所示。
表2平均50km行程中各事件出现次数
表中1-9分别代表急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、良好起步、走走停停和良好刹车事件。
步骤4：构建评估模型
步骤4.1：建立百分制评分体系
统计采集样本中最大gmin＝6L/100km，gmax＝14L/100km，故油耗与评分转换计算公式为：
以驾驶员甲为例，其1天内百公里油耗为FPH为9.577L/100km，则其油耗评分为73.17分。
步骤4.2：重构主成分变量
利用主成分分析方法，重构获得3个主成分变量，其表达式如下：
F1＝0.181NAS+0.184NDS+0.187NLA+0.167NLI+0.195NLS
-0.172NHS-0.010NSM+0.088NSS+0.060NBM
F2＝0.155NAS+0.227NDS-0.038NLA-0.175NLI-0.068NLS
+0.138NHS+0.375NSM-0.322NSS+0.592NBM
F3＝0.145NAS+0.217NDS-0.129NLA-0.183NLI-0.136NLS
+0.270NHS-0.681NSM+0.367NSS+0.369NBM
其中：
F1：第1主成分
F2：第2主成分
F3：第3主成分
NAS：平均50km急加速事件出现次数
NDS：平均50km急减速事件出现次数
NLA：平均50km长时加速事件出现次数
NLI：平均50km长时怠速事件出现次数
NLS：平均50km低速运行事件出现次数
NHS：平均50km良好匀速事件出现次数
NSM：平均50km良好起步事件出现次数
NSS：平均50km走走停停事件出现次数
NBM：平均50km良好刹车事件出现次数
以驾驶员甲为例，代入其标准化后驾驶事件参数值，重构后主成分变量为：F1＝1.02782、F2＝0.90725、F3＝-0.39481。
步骤4.3：构建评估模型
应用线性回归分析方法，构建北京市伊朗特出租车驾驶员生态驾驶行为评估模型，如下：
SCOREM＝80.549-6.927F1+1.455F2+0.565F3
以驾驶员甲为例，代入重构主成分变量值，其模型评分为74.53。与通过油耗换算获得的得分(73.17)相比，其相对误差为1.86％。
为进一步验证本算法准确性，选取63名伊兰特出租车一天的运行数据进行评分计算，测算得油耗评分与模型评分如图4所示。计算63位驾驶员生态驾驶行为模型评分与应得评分之间误差，公式如下：
式中，Ei：第i位驾驶员模型评分与应得评分之间误差(％)。
评估模型验证结果4所示。以63位驾驶员评估结果平均误差为指标，面向驾驶事件的生态驾驶行为评估模型误差为3.53％，即评估模型准确率达96.47％。由此可知，本发明提出的生态驾驶行为评估算法与车辆实际百公里油耗具有较好的线性关系，评分能够较好的反映驾驶员生态驾驶行为水平。
本发明公开的一种面向事件的驾驶员生态驾驶行为评估方法，相比现有技术，本发明从微观驾驶行为出发，将其转换为可操作、量化、油耗紧密相关的生态驾驶事件，并通过分析车辆运行参数与油耗之间的影响关系确定事件判别阈值，大大提升了本发明的科学性可用性；同时本发明以车辆实际油耗为因变量，构建驾驶员个体生态驾驶行为评估模型，确保评估结果与车辆油耗之间的一致性，提升评估方法可信度，利于本发明的实际应用。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向事件的驾驶员生态驾驶行为评估方法，其特征在于，包括：
步骤1、获取驾驶行为及能耗数据，所述驾驶行为及能耗数据包括车辆运行时间、车辆运行速度和车辆瞬时油耗；
步骤2、确定行为参数阈值，所述行为参数包括运行速度参数、加速度参数和工况持续时间参数；
步骤3、根据行为参数阈值，确定驾驶事件定义并标准化驾驶事件次数；所述驾驶事件包括：急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、良好起步、走走停停和良好刹车；
标准化驾驶事件次数的方法为：
根据驾驶事件定义，识别并统计所采集驾驶员样本各驾驶员1天上述驾驶事件出现次数；计算1天内驾驶员行程距离；以车辆行程距离为参数，计算行程距离内各生态驾驶事件平均出现次数，作为评估模型参数，完成参数标准化：
Niu＝Ni/Disi
式中：Niu为事件i标准化后的发生次数，Ni为驾驶员1天内事件i的发生次数，Disi为驾驶员1天内行程距离；i为下述7种事件代码，急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、走走停停事件分别对应i取1-7；
良好起步与良好刹车事件通过以下方法进行标准化：
Nu＝N/NA
式中：Nu为事件良好起步和良好刹车标准化后的发生次数，N为驾驶员1天内事件良好起步和良好刹车的发生次数，NA为驾驶员1天内起步和刹车总次数；
步骤4、构建评估模型
应用线性换算方法，建立驾驶员百公里油耗的百分制评分体系；
应用主成分分析法，对标准化后的驾驶事件次数重构主成分变量；应用线性回归方法，以百公里油耗评分为因变量、重构后的主成分变量为参数，构建驾驶员生态驾驶行为评估模型。
2.如权利要求1所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，在步骤1中，数据粒度不低于1Hz，所采集的驾驶员样本数不低于300。
3.如权利要求1所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，所述步骤2包括：
步骤2.1、确定低速运行速度参数阈值sLS和高速运行速度参数阈值sHS；
步骤2.2、确定急加速加速度参数阈值aSA和急减速加速度参数阈值aSD；
步骤2.3、确定长时加速工况持续时间参数阈值Ta和长时怠速工况持续时间参数阈值Ti。
4.如权利要求3所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，所述步骤2.1包括：
统计各速度值下平均瞬时油耗，并换算为百公里油耗；
计算各速度值下车辆百公里油耗随速度变化率：
式中：f为油耗变化率，s为运行速度，g(s)为运行速度s下百公里油耗；
取油耗变化率阈值ε＝3％处对应的行车速度sLS为低速运行速度参数阈值；
取油耗变化率阈值ε＝1％处对应的行车速度sHS为高速运行速度参数阈值。
5.如权利要求3所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，所述步骤2.2包括：
依据速度数据，计算加速度参数：
a(t)＝s(t)-s(t-1)
式中：s(t)为t秒时运行速度，a(t)为t秒时加速度；
统计各加速度值下平均瞬时油耗，计算各加速度值下车辆瞬时油耗随加速度变化率：
式中：f为油耗变化率，g(a)为加速度a下平均瞬时油耗；
取油耗变化率阈值ε＝1％处对应的加速情况下车辆加速度aSA为急加速加速度参数阈值；
取油耗变化率阈值ε＝1％处对应的减速情况下车辆加速度aSD为急减速加速度参数阈值。
6.如权利要求3所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，所述步骤2.3包括：
取长时加速工况持续时间参数阈值Ta为5s，取长时怠速工况持续时间参数阈值Ti为60s。
7.如权利要求3所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，所述步骤3包括：
步骤3.1、确定驾驶事件定义
(1)急加速：a(t)＞aSA，连续的急加速视为一次事件；
(2)急减速：a(t)＜aSD，连续的急减速视为一次事件；
(3)长时加速：Da(t)＞Ta，大于Ta的连续加速视为一次事件；
(4)长时怠速：Di(t)＞Ti，大于Ti的连续怠速视为一次事件；
(5)低速行驶：60s内速度均值小于sLS，连续的低速行驶视为一次事件；
ave(s(t),s(t-1),...s(t-59))≤sLS
(6)良好匀速：5s内：
①、速度均值大于sHS，ave(s(t),s(t-1),s(t-2),s(t-3),s(t-4))≥sHS；
②、总速度变化值小于1km/h，abs(s(t)-s(t-4))≤1km/h；
③、逐秒速度变化小于等于1km/h
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1km/h；
④、速度标准差<1.5，std(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤1.5
连续的良好匀速视为一次事件；
(7)良好起步：从怠速开始起步，5秒内：
①、加速度变化在(10,20)km/h内
10km/h≤s(t)-s(t-4)≤20km/h；
②、工况积为1或3
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝1||
m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＝3；
③、最大加速度amax＜aSA
max(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≤aSA；
连续的良好起步视为一次事件；
(8)走走停停：起步后3s内再次怠速，连续的走走停停视为一次事件；
(9)良好刹车：5秒内：
①、加速度变化在(-25,-15)km/h内
-25km/h≤s(t)-s(t-4)≤-15km/h；
②、工况积在(31,49)内
31＜m(t)×m(t-1)×m(t-2)×m(t-3)×m(t-4)＜49；
③、最大减速度amin≥aSD
min(a(t),a(t-1),a(t-2),a(t-3),a(t-4))≥aSD；
连续的良好刹车视为一次事件；
上式中：a(t)为t秒时车辆加速度；Da(t)为t秒时加速工况持续时间，Di(t)为t秒时怠速工况持续时间，s(t)为t秒时车辆速度，ave、std、abs、max、min分别表示求均值、求标准差、求绝对值、求最大值、求最小值；m(t)为t秒时工况代码，m(t)的取值为1、2、3、4，其中1、2、3、4分别代表加速、减速、匀速和怠速；
步骤3.2、标准化驾驶事件次数
根据步骤3.1中驾驶事件定义，识别并统计所采集驾驶员样本各驾驶员1天上述驾驶事件出现次数；计算1天内驾驶员行程距离；以车辆行程距离为参数，计算行程距离内各生态驾驶事件平均出现次数，作为评估模型参数，完成参数标准化：
Niu＝Ni/Disi
式中：Niu为事件i标准化后的发生次数，Ni为驾驶员1天内事件i的发生次数，Disi为驾驶员1天内行程距离；i为步骤3.1种提出的7种事件代码，急加速、急减速、长时加速、长时怠速、低速行驶、良好匀速、走走停停事件分别对应i取1-7；
良好起步与良好刹车事件通过以下方法进行标准化：
Nu＝N/NA
式中：Nu为事件良好起步和良好刹车标准化后的发生次数，N为驾驶员1天内事件良好起步和良好刹车的发生次数，NA为驾驶员1天内起步和刹车总次数。
8.如权利要求1所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，在步骤4中，建立驾驶员百公里油耗的百分制评分体系的方法为：
以线性换算方式，将1天内驾驶员百公里油耗换算为百分制评分，换算方法为：
式中：SCOREiA为百分制评分，gi为第i位驾驶员1天内百公里油耗，gmin为1天所采集样本中最小百公里油耗，gmax为1天所采集样本中最大百公里油耗。
9.如权利要求1所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，在步骤4中，重构主成分变量的方法为：
应用主成分分析法，重构主成分变量；
主成分抽取条件：
Ri>1
式中：Ri为第i个主成分特征值，共获得主成分变量m个，分别为F1、F2、...Fm。
10.如权利要求9所述的面向事件的驾驶员生态驾驶行为评估方法，其特征在于，在步骤4中，构建驾驶员生态驾驶行为评估模型的方法为：
应用线性回归方法，以驾驶员百公里油耗评分为因变量，以重构的主成分变量为参数，构建评估模型，模型形式为：
SCOREM＝b+a1F1+a2F2+…+amFm
式中：SCOREM为模型评估得分，a1、a2、…am为各主成分变量的系数，b为常数项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610998585.XA CN106529599B (zh) | 2016-11-11 | 2016-11-11 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610998585.XA CN106529599B (zh) | 2016-11-11 | 2016-11-11 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106529599A CN106529599A (zh) | 2017-03-22 |
| CN106529599B true CN106529599B (zh) | 2019-09-10 |
Family
ID=58351513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610998585.XA Active CN106529599B (zh) | 2016-11-11 | 2016-11-11 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106529599B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563423B (zh) * | 2017-08-24 | 2020-07-03 | 北京交通发展研究院 | 一种轻型机动车生态驾驶行为的综合评价方法 |
| CN108362504B (zh) * | 2018-01-09 | 2019-10-29 | 北京荣之联科技股份有限公司 | 车辆平稳性评估方法及装置 |
| CN109445409B (zh) * | 2018-10-24 | 2019-12-27 | 百度在线网络技术（北京）有限公司 | 自动驾驶系统的评估方法、装置、设备及存储介质 |
| CN110782110B (zh) * | 2019-01-29 | 2023-07-18 | 长城汽车股份有限公司 | 评价驾驶员驾驶情况的方法和装置及机器可读存储介质 |
| CN111598367B (zh) * | 2019-02-20 | 2023-04-07 | 杭州海康威视数字技术股份有限公司 | 驾驶行为评价方法、装置、计算设备和存储介质 |
| CN111311903B (zh) * | 2019-02-25 | 2021-07-30 | 厦门雅迅网络股份有限公司 | 一种车辆行驶状态监控方法、终端设备及存储介质 |
| CN110049108A (zh) * | 2019-03-25 | 2019-07-23 | 钛马信息网络技术有限公司 | 一种网联车辆事件生成方法及装置 |
| CN109901561A (zh) * | 2019-04-18 | 2019-06-18 | 北京汇通天下物联科技有限公司 | 一种基于多维度统计的ems终端设备故障远程诊断方法 |
| CN110481558B (zh) * | 2019-08-19 | 2021-05-25 | 北京汽车股份有限公司 | 车辆及其驾驶行为的分析方法 |
| CN111311783A (zh) * | 2020-02-24 | 2020-06-19 | 重庆众鸿科技有限公司 | 一种车载油耗数据分析方法及系统 |
| CN112026781A (zh) * | 2020-06-22 | 2020-12-04 | 心有灵犀科技股份有限公司 | 一种驾驶员行为数据的分析方法及系统 |
| CN114677011A (zh) * | 2022-03-25 | 2022-06-28 | 黑河学院 | 一种驾驶员生态驾驶行为评估方法 |
| CN114954299B (zh) * | 2022-05-19 | 2023-02-17 | 李诣坤 | 一种降低汽车油耗的油耗预警方法及系统 |
| CN116186570B (zh) * | 2023-02-27 | 2024-03-12 | 东南大学 | 一种考虑不同交通场景的生态驾驶评估方法 |
| CN117649143A (zh) * | 2023-11-29 | 2024-03-05 | 山东大学 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104132704A (zh) * | 2014-07-16 | 2014-11-05 | 深圳市凯伦圣科技有限公司 | 一种油耗的分析方法及分析系统 |
| 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 |
| CN104599347A (zh) * | 2014-12-26 | 2015-05-06 | 广州通易科技有限公司 | 一种在地图上展现驾驶行为的方法 |
| CN104765969A (zh) * | 2015-04-22 | 2015-07-08 | 北京交通大学 | 驾驶行为分析方法 |
| CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和系统 |
| CN104786967A (zh) * | 2015-04-22 | 2015-07-22 | 北京九五智驾信息技术股份有限公司 | 驾驶行为分析系统 |
-
2016
- 2016-11-11 CN CN201610998585.XA patent/CN106529599B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104132704A (zh) * | 2014-07-16 | 2014-11-05 | 深圳市凯伦圣科技有限公司 | 一种油耗的分析方法及分析系统 |
| 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 |
| CN104599347A (zh) * | 2014-12-26 | 2015-05-06 | 广州通易科技有限公司 | 一种在地图上展现驾驶行为的方法 |
| CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和系统 |
| CN104765969A (zh) * | 2015-04-22 | 2015-07-08 | 北京交通大学 | 驾驶行为分析方法 |
| CN104786967A (zh) * | 2015-04-22 | 2015-07-22 | 北京九五智驾信息技术股份有限公司 | 驾驶行为分析系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP 神经网络的北京市出租车油耗模型研究;侯亚美 等;《道路交通与安全》;20151031;第15卷(第5期);43-49 |
| 基于主成分分析与 BP 神经元网络的驾驶能耗组合预测模型研究;赵晓华 等;《交通运输系统工程与信息》;20161031;第16卷(第5期);185-191 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106529599A (zh) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529599B (zh) | 一种面向事件的驾驶员生态驾驶行为评估方法 | |
| CN106203735B (zh) | 一种机动车驾驶员驾驶行为能耗特征测算方法 | |
| US20200043324A1 (en) | Method for obtaining road condition information, apparatus thereof, and storage medium | |
| CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
| CN107067722A (zh) | 一种新的车辆行驶工况构建方法 | |
| CN110275934A (zh) | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 | |
| CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
| CN111833480B (zh) | 驾驶行为检测方法、装置和车辆 | |
| García‐ferrer et al. | The relationship between road traffic accidents and real economic activity in Spain: common cycles and health issues | |
| CN109552338A (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
| CN110276954A (zh) | 基于北斗定位系统的车辆行驶行为综合评分方法 | |
| CN110728772A (zh) | 一种有轨电车典型行驶工况构建方法 | |
| CN108647836A (zh) | 一种驾驶员节能评价方法和系统 | |
| CN109993966A (zh) | 一种构建用户画像的方法及装置 | |
| CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
| CN106960189A (zh) | 一种基于隐含马尔可夫模型的驾驶意图判定方法 | |
| CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
| CN116340718A (zh) | 一种基于轨迹数据的汽车碳排放估计模型构建方法及系统 | |
| CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
| CN113928333B (zh) | 基于辅助驾驶的降能耗方法及系统 | |
| CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
| CN109960889B (zh) | 轨道交通工具线路典型速度-时间行驶工况构建方法 | |
| Zhai et al. | Comparative analysis of drive-cycles, speed limit violations, and emissions in two cities: Toronto and Beijing | |
| CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
| CN113095387A (zh) | 基于联网车载adas的道路风险识别方法 |
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 |