CN107003430B - 路面状态预测方法和路面状态预测系统 - Google Patents

路面状态预测方法和路面状态预测系统 Download PDF

Info

Publication number
CN107003430B
CN107003430B CN201580068217.9A CN201580068217A CN107003430B CN 107003430 B CN107003430 B CN 107003430B CN 201580068217 A CN201580068217 A CN 201580068217A CN 107003430 B CN107003430 B CN 107003430B
Authority
CN
China
Prior art keywords
pavement state
prediction
road surface
estimation
state
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
Application number
CN201580068217.9A
Other languages
English (en)
Other versions
CN107003430A (zh
Inventor
花塚泰史
中泽一真
若尾泰通
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.)
Fukurichi Dori
Original Assignee
Fukurichi Dori
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 Fukurichi Dori filed Critical Fukurichi Dori
Publication of CN107003430A publication Critical patent/CN107003430A/zh
Application granted granted Critical
Publication of CN107003430B publication Critical patent/CN107003430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
    • G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B60T2210/12—Friction
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Regulating Braking Force (AREA)

Abstract

为了提供精确地预测预定范围内的位置处的路面状态，本发明被配置为使得根据如下内容来预测预定范围内的位置处的路面状态：使用通过搭载于车辆的车载传感器所获得的作为与行驶时的车辆(Wi)的行为有关的信息的车辆信息所计算出的路面估计判定值；以及利用使用路面估计判定值所估计出的估计路面状态来预测预定范围内的位置处的路面状态时的在预定范围内的位置处所计算出的路面估计判定值；或者已经估计出的估计路面状态的时间变化。

Description

路面状态预测方法和路面状态预测系统
技术领域
本发明涉及用于预测车辆行驶中的路面的状态的方法，并且更特别地涉及用于使用驶过预定范围内的位置的车辆所估计出的路面状态数据和车辆信息来预测路面状态的方法。
背景技术
为了提高车辆的行驶安全性，期望精确地估计车辆行驶中的路面的状态并将信息反馈至车辆控制。如果可以估计出路面状态，则由于驾驶者在发起诸如制动或转向等的危险避让控制之前可以例如使ABS制动的高级控制有效，因此可以大幅提高车辆行驶的安全性。
作为已经提出的用于估计行驶中的车辆下的路面状态的方法，存在用于通过检测行驶中的车辆的轮胎振动并且根据所检测出的轮胎振动的时序波形估计路面状态来估计路面状态的方法(例如，参见专利文献1～3)、以及用于通过检测由轮胎产生的轮胎噪声并根据所检测到的轮胎噪声的声压水平来估计路面状态的方法(例如，参见专利文献4)。
现有技术文献
专利文献
专利文献1：日本特开2014-35279
专利文献2：日本特开2011-242303
专利文献3：日本特开2003-182476
专利文献4：日本特开平8-261993
发明内容
发明要解决的问题
然而，以上列举的已知技术使得能够预测车辆行驶中的路面的状态，但是其难以根据路面状态的预测结果来预测预定范围内的位置的路面状态的变化。
为了解决上述问题而作出本发明，并且本发明的目的是提供用于精确地预测预定范围内的位置处的路面状态的方法。
用于解决问题的方案
根据本发明实施例的路面状态预测方法，包括：利用搭载于车辆上的车载传感器，获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值，或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，其中，在预测所述路面状态的步骤中，根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而计算出的路面估计判定值的时间变化、或者所述估计路面状态的时间变化，来计算作为所述预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例SRP，然后根据所计算出的所述预测出现比例SRP来预测所述预定范围内的位置处的路面状态。
附图说明
图1是示出根据本发明的第一实施例的路面状态预测系统的结构的图。
图2是示出加速度传感器的位置的示例的图。
图3是示出路面状态估计部件的示例的图以及示出特征向量的计算方法的图。
图4是示出服务器的数据存储部件中所分类并存储的数据的图。
图5是示出实际统计图M-k以及路面状态的预测图的示例的图。
图6是示出根据本发明的第一实施例的路面状态预测方法的流程图。
图7是示出根据本发明的第二实施例的路面状态预测系统的结构的图。
图8是示出天气模型的示例的图。
图9是示出依赖于天气和温度的路面状态的发生频率的图。
图10是示出使用天气模型所校正后的路面状态的预测值的图。
图11是示出根据本发明的第三实施例的路面状态预测系统的结构的图。
图12是示出利用使用针对各路面状态的基准图所计算出的适合度和天气模型所校正后的路面状态的预测值的图。
图13是示出根据本发明的第四实施例的路面状态预测系统的结构的图。
图14是示出使用转变模型所计算出的路面状态的预测值的图。
图15是示出根据本发明的第五实施例的路面状态预测方法的图。
图16是示出根据本发明的第五实施例的路面状态预测方法的图。
具体实施方式
第一实施例
图1是示出根据本发明的第一实施例的路面状态预测系统的结构的功能块图。该系统包括车辆W1～WN，并且各车辆Wi(i＝1～N)包括作为车载传感器的加速度传感器11、GPS装置12、路面状态估计部件13、车辆信息收集部件14、发送器15和接收器16。
服务器20包括接收器21、数据存储部件22和发送器23。路面状态预测装置30根据通过多个车辆W在多个时刻在预定范围内的位置处所估计出的估计路面状态的时间变化，来预测预定范围内的位置处的路面状态。
应当注意，“车辆的数量N”是“车辆总数”。也就是说，在存在预定时间且预定范围内的位置处的一个车辆的多个数据的情况下，将这多个数据作为单独数据进行处理。
服务器20和路面状态预测装置30设置在路面状态管理中心2中。
路面状态估计部件13、车辆信息收集部件14和路面状态预测装置30例如由计算机软件构成。
如图2所示，加速度传感器11大致配置在轮胎40的内衬层41的轮胎气室42侧的中央部。加速度传感器11检测从路面R输入至轮胎40的胎面43的振动(轮胎振动)。
配备有未示出的GPS天线和接收器的GPS装置12获取车辆Wi的位置数据，并且根据其位置数据来计算车辆的行驶速度。
路面状态估计部件13使用加速度传感器11所检测到的轮胎振动的时序波形，来将行驶中的车辆下的路面估计为DRY(干燥)路面、WET(湿润)路面、SNOW(积雪)路面和ICE(结冰)路面其中任一。作为如上所述的路面状态估计部件13，如图3的(a)所示，可以包括：振动波形提取部件131，用于从加速度传感器11提取轮胎振动的时序波形；开窗(windowing)部件132；特征向量计算部件133；存储部件134，用于存储四个路面模型；核函数计算部件135；以及路面状态判断部件136。这种路面状态估计装置13K可以根据通过如图3的(b)所示以预定时间宽度T对轮胎振动的时序波形进行开窗所提取出的各时间窗的时序波形来计算具有多个特定频带的振动水平(ak1～akm)作为分量的各特征向量Xk(ak1,ak2,……,akm)，根据这些特征向量以及针对预先确定出的各路面状态的特征向量来计算核函数，并且根据使用核函数的识别(判别)函数的值来将路面状态估计为DRY路面、WET路面、SNOW路面和ICE路面其中任一。应当注意，针对各路面状态的特征向量是通过将测试车辆分别行驶于DRY路面、WET路面、SNOW路面和ICE路面上所确定出的具有多个特定频带作为分量的特征向量。
注意，路面状态估计部件13可以设置在轮胎40内或者车体上。在路面状态估计部件13设置在车体上的情况下，如下结构应当是优选的：不将加速度传感器所检测到的加速度波形的数据从轮胎40侧发送至车体侧，并且计算装置设置在轮胎40侧，并且将路面状态的估计时所要使用的频带值(诸如从加速度波形中所检测到的特定频带的振动水平等)、或者频带值的计算值发送至路面状态估计部件13。
车辆信息收集部件14收集路面状态估计部件13所估计出的路面状态(以下称为“估计路面状态”)以及GPS装置12所获得的车辆的位置数据，并且将它们连同用于识别车辆的车辆ID一起作为车辆信息发送至发送器15。车辆信息包括车辆ID和与获得车辆信息的时间有关的数据(时间数据)。应当注意，所要使用的时间数据可以是加速度的时序波形的提取时刻、位置数据的获得时刻或者数据的发送时刻。由于这些时刻几乎相同，因此将任意时刻作为时间数据都不存在问题。
发送器15将车辆信息连同车辆信息收集部件14所收集到的估计路面状态数据、车辆的位置数据和用于识别车辆的车辆ID一起从未示出的发送天线发送至路面状态管理中心2中的服务器20。
接收器16接收与通过路面状态管理中心2中的路面状态预测装置30所预测出的预定范围内的位置处的路面状态有关的数据，并且从服务器20的发送器23发送该数据。应当注意，所接收到的与路面状态有关的预测数据可以显示在设置于车辆中的监视器上，以使得可以通知驾驶者针对预定范围内的位置的路面状态的预测结果。
此外，可以将路面状态的预测结果反馈至车辆控制，由此提高车辆的行驶安全性。
服务器20通过其接收器21接收从各车辆Wi(i＝1～N)发送来的包括与估计路面状态有关的数据的车辆信息，将这些数据分类成针对预定范围内的位置的各时刻的数据，将它们存储在数据存储部件22中，并且将路面状态预测装置30所预测出的与预定范围内的位置的路面状态有关的预测数据发送至登记车辆。
将各车辆Wi的车辆信息分类并存储在数据存储部件22中。
更具体地，如图4所示，将分别由多个车辆W(1)j(j＝1～m1)在多个时刻t(1)k(t-n1～t-1)在预定位置L1处所获得的数据存储在数据存储部件22的存储区域221中。并且，将分别由多个车辆W(2)j(j＝1～m2)在多个时刻t(2)k(k＝-n2～-1)在预定位置L2处所获得的数据存储在存储区域222中。同样，将分别由多个车辆W(r)j(j＝1～mr)在多个时刻t(r)k(t-nr～t-r)在预定位置Lr处所获得的数据存储在存储区域22r中。
应当注意，这里，m1+m2+……+mr+……＝N。此外，注意，获得数据的时刻的数量nr可以随着位置Lr而变化，或者针对全部位置Lr相同。
按时间顺序来存储在预定位置Lr处的数据。
应当注意，在时刻tk的数据是指在包括时刻tk的预定时间宽度Δtk内(例如，tk-Δtk/2≦t≦tk+Δtk/2)所获得的数据。预定时间宽度Δtk可以不必是固定的，而可以随着预定位置而变化。
预定时间宽度Δtk例如可以是1～5分钟。此外，这里使用的“预定范围”是指包括道路地图上的预设位置上的范围。例如，如图4所示，可以使用导航用的道路地图上的适当大小的格子来进行对预定范围的指定。如此的结构是优选的，这是因为其确保了车辆Wi的车辆位置的一致性，或者更具体地，确保了车辆W(r)j与服务器20的车辆位置的一致性。
此外，登记车辆不仅包括搭载有路面状态估计部件13的车辆Wi，而且还可以包括与服务器20相通信的任意车辆。
路面状态预测装置30包括统计数据生成部件31、实际统计数据存储部件32、预测统计数据生成部件33和路面状态预测部件34。路面状态预测装置30使用在时刻t-n至时刻t-1获得的车辆信息来预测未来的时刻tp(p>0)的预定范围内的位置Lr处的路面状态。
统计数据生成部件31从服务器20的数据存储部件22所存储的数据中取出与在当前时刻t0之前的时刻t(r)k(k＝-n1～-1)的在预定范围内的位置Lr处所获得的估计路面状态有关的mr个数据，使用这些数据来分别对估计出DRY路面、WET路面、SNOW路面和ICE路面的车辆的数量进行计数，并且针对估计路面状态R(R：DRY路面、WET路面、SNOW路面和ICE路面)各自生成总计了在时刻t(r)k的预定范围内的位置Lr处的估计路面状态R的出现比例的图(以下称为实际统计数据M(r)k)。应当注意，在预定时间内的预定范围内的位置处从一个车辆发送多个数据的情况下，将该数据作为来自单独的车辆的数据进行处理。在这种情况下，车辆的数量为车辆总数。此外，注意，可以通过参考车辆ID来判断数据是否来自同一车辆。
针对各位置Lr来进行路面状态的预测。然而，以下将给出预测位置Lr处的路面状态的情况的说明。注意，以下省略表示位置Lr的下标r，以使得利用Wj(j＝1～m)来表示在时刻tk通过位置Lr的车辆，并且利用Mk来表示实际统计数据。
图5的(a)是示出实际统计数据Mk的示例的表，以及图5的(b)是示出后述的路面状态的预测结果的预测统计数据MpC的表。
实际统计数据Mk是针对各路面状态R所计算出的在时刻tk(k＝-n～-1)的估计路面状态R(R：DRY、WET、SNOW和ICE)的出现比例SRk。预测统计数据MpC是针对各路面状态R所计算出的未来时刻tp(p>0)的出现比例的预测值SRp(以下称为预测出现比例)。
出现比例SRk是通过以下公式来计算出的：SRk＝(估计路面状态R的计数)/(总数)。注意，实际统计数据Mk是针对各时刻tk生成的。
实际统计数据Mk的生成通常在紧接着在时刻t-1的估计路面状态数据的存储之后进行，其中，时刻t-1是紧挨着进行预测的时刻tp之前的时刻。
实际统计数据存储部件32按时间顺序存储统计数据生成部件31所生成的实际统计数据Mk。
预测统计数据生成部件33使用按如图5的(a)所示的时序所排列的多个(这里为10个)实际统计数据Mk，来生成未来时刻tp(p>0)的预定范围内的位置Lr的预测统计数据MpC。
更具体地，利用n次函数GR(t)(n≧3)分别对在时刻t-10～t-1的估计路面状态R的出现比例SRk的时间变化进行近似，并且分别求出在t＝tp时该近似函数(n次函数)的函数值GR(tp)。然后，通过分别使用这四个函数值GR(tp)计算在时刻tp的路面状态R的预测出现比例SRp来生成预测统计数据MpC。
预测出现比例SRp是通过将各路面R的函数值GR(tp)除以四个函数值GR(tp)之和(ΣRGR(tp))所求出的。
也就是说，通过SDp＝GD(tp)/ΣRGR(tp)来计算DRY路面的预测出现比例。并且，通过SWp＝GW(tp)/ΣRGR(tp)来计算WET路面的预测出现比例。同样，通过SSp＝GS(tp)/ΣRGR(tp)来计算SNOW路面的预测出现比例。并且，通过SIp＝GI(tp)/ΣRGR(tp)来计算ICE路面的预测出现比例。预测出现比例SDp、SWp、SSp和SIp之和是1。
图5的(b)是表示路面状态的预测结果的预测统计数据MpC的示例。
路面状态预测部件34将路面状态R预测成DRY路面、WET路面、SNOW路面和ICE路面其中任一。更具体地，路面状态预测部件34从预测统计数据MpC中选择表示最高预测出现比例SRp(图5的(b)中的DRY路面)的估计路面状态R，并且预测所选择的该路面状态作为在时刻tp的预定范围内的位置Lk处的路面状态R(tp)。
通过使用如此的路面状态的预测结果来重复对路面状态的预测，可以预测出更未来的时刻tq(tq>tp)的路面状态R(tq)。
接着，将参考图6的流程图来说明路面状态预测系统1的操作。
首先，通过参与车辆Wi(i＝1～N)来获得估计路面状态和诸如车辆位置等的车辆信息(步骤S10)。并且，将这些信息连同车辆ID和获取时刻的数据一起发送至路面状态管理中心2中的服务器20(步骤S11)。
接着，在服务器20，按获取时刻顺序来存储针对预定位置Lr的估计路面状态数据和车辆信息(步骤S12)。
然后，在统计数据生成部件31，针对各时刻tk(k＝-n～-1)，生成作为预定位置Lr处的估计出DRY路面的车辆的计数、估计出WET路面的车辆的计数、估计出SNOW路面的车辆的计数和估计出ICE路面的车辆的计数的统计数据的实际统计数据Mk，并且按时序排列这些统计数据(步骤S13)。
接着，利用n次函数GR(t)分别对在时刻t-n～t-1的估计路面状态R的出现比例SRk的时间变化进行近似(步骤S14)，并且分别求出作为未来时刻tp的n次函数GR(t)的值的函数值GR(tp)。并且，分别使用这四个函数值GR(tp)来求出在时刻tp的路面状态R的预测出现比例SRp(步骤S15)。
并且，将表示预测出现比例SRp的最高值的估计路面状态R预测为在时刻tp的路面状态R(tp)(步骤S16)。
最后，将与所判断出的路面状态有关的信息发送至登记车辆。
应当注意，在要预测与位置Lr不同的位置Lr’处的路面状态的情况下，过程返回至步骤S13，并且继续对路面状态的预测。
如上所述，在第一实施例中，通过在驶过预定范围内的位置的多个车辆Wi各自上设置的加速度传感器11来检测行驶中的轮胎的振动的时序波形。并且，使用该信息，分别估计在多个时刻tk(k＝-n～-1)的路面状态R。同时，利用n次函数GR(t)分别对这些估计路面状态的时间变化进行近似，并且根据n次函数GR(t)的函数值GR(tp)，求出在预定范围内的位置处的在未来时刻tp的路面状态R的预测出现比例SRp。并且，根据预测出现比例SRp的大小来预测未来的路面状态R(tp)。因此，可以以良好的精度来预测未来的路面状态。
应当注意，在第一实施例中，通过利用n次函数GR(t)对路面状态的时间变化进行近似，来求出在时刻tp的路面状态R的预测出现比例SRp。然而，可以是如下结构：例如，可以使用在根据加速度传感器的输出或GPS数据来预测随时间变化的车辆位置时所使用的诸如Kalman(卡尔曼)滤波器或粒子滤波器等的时序滤波器，以获得路面状态R的预测出现比例SRp。
此外，在第一实施例中，通过在多个车辆Wi各自上设置的路面状态估计部件13所估计出的在时刻t-10～t-1的估计路面状态R的出现比例SRk的时间变化，来获得在时刻tp的路面状态R(tp)的预测出现比例SRp。然而，代替路面状态估计部件13，可以在各车辆Wi中设置在估计路面状态R时所使用的用于估计路面估计判定值Kk的判定值估计部件，并且可以根据在时刻t-10～t-1的路面估计判定值Kk来求出在时刻tp的路面估计判定值的预测值Kp。并且，可以根据预测值Kp来预测在时刻tp的路面状态R(tp)。
此外，在第一实施例中，将估计路面状态的统计数据分类成DRY路面、WET路面、SNOW路面和ICE路面四种状态。然而，可以将均为光滑的SNOW路面和ICE路面组合为危险路面，并且可以判断危险路面的发生概率。
第二实施例
在本发明的第一实施例中，没有考虑车辆行驶中的位置处的天气变化。然而，如图7所示，可以在如第一实施例的图1所示的路面状态预测装置30的预测统计数据生成部件33和路面状态预测部件34之间设置天气校正部件35，并且可以基于针对预定范围内的位置Lr在时刻tp的天气预报数据来对路面状态预测部件34所预测出的在时刻tp的路面状态R(tp)进行校正。这将进一步提高路面状态的预测精度。
天气校正部件35包括天气预报数据获得单元35a、天气模型存储单元35b以及天气校正单元35c。
天气预报数据获得单元35a通过连接至未示出的因特网来获得包括时刻tp的时间带的天气和温度的预报数据。
天气模型存储单元35b存储四种天气模型MR(R：DRY、WET、SNOW和ICE)。图8的(a)～(d)示出天气模型MR的示例。图的各轴表示温度(℃)和天气(1：晴天；2：多云；3：降雨；4：降雪)。并且，在天气是m(m＝1～4)的情况下路面状态R的概率是pTmR。可以通过曲面来表示作为两个变量(T和m)的函数的概率pTmR。
应当注意，这些概率pTmR之和、即Σp＝pTmD+pTmW+pTmS+pTmI不是1。因此对于实际用途，使用标准化后的概率。以下将pTmR＝pTmD/Σp称为发生频率。
例如，如图9的(a)所示，在温度是8℃并且天气是晴天的情况下，路面状态为DRY的发生频率P8,1,D是0.7，路面状态为WET的发生频率P8,1,W是0.2，以及路面状态为SNOW的发生频率P8,1,S和路面状态为ICE的发生频率P8,1,I均是0.05。此外，如图9的(b)所示，在温度是-3℃并且天气是降雪(m＝4)的情况下，路面状态为DRY的发生频率P-3,4,D和路面状态为WET的发生频率P-3,4,W均是0.05，路面状态为SNOW的发生频率P-3,4,S是0.7，以及路面状态为ICE的发生频率P-3,4,I是0.2。
使用预定位置Lr处的过去的天气状况和路面状态数据来生成天气模型MR。应当注意，可以针对不同季节或不同月份来生成天气模型MR。在本示例中，使用四种不同的天气和-10℃～10℃的温度。然而，可以对天气进行更精细地分类，并且可以使用温度的不同范围和刻度的间隔。
天气校正单元35c基于天气预报数据获得单元35a所获得的包括时刻tp的时间带中的天气为m且温度为T的预报数据，从天气模型存储单元35b中所存储的天气模型中取出天气为m并且温度是T时的发生频率pTmD、pTmW、pTmS和pTmI的数据，并且使用这些发生频率pTmD、pTmW、pTmS和pTmI来对预测统计数据生成部件33所计算出的路面状态R的预测出现比例SRp进行校正。
更具体地，如图10所示，将天气模型的发生频率pTmR与上述第一实施例中所预测出的在时刻tp的路面状态R的预测出现比例SRp进行累加，并使用由此获得的值作为校正后的路面状态R的预测出现比例SRpz。并且，通过比较路面状态R的SRpz来预测在时刻tp的路面状态R。这里，由于天气是降雨(m＝3)并且温度是1℃，因此DRY路面的发生频率是pTmD＝0.17，WET路面的发生频率是pTmW＝0.51，SNOW路面的发生频率是pTmS＝0.16，以及ICE路面的发生频率pTmI＝0.16。
在校正之后，通过SDpz＝PTmD·SDp来计算DRY路面的预测出现比例，以及通过SWpz＝PTmW·SWp来计算WET路面的预测出现比例。此外，通过SSpz＝PTmS·SSp来计算SNOW路面的预测出现比例，以及通过SIpz＝PTmI·SIp来计算ICE路面的预测出现比例。
应当注意，图10示出校正后的路面状态R的预测出现比例SRpz的值作为以使总和(ΣRSRpz)为1的方式而标准化后的值。
路面状态预测部件34将表示校正后的最高预测值(预测出现比例SRpz)的路面状态预测为在时刻tp的在预定范围内的位置Lk处的路面状态Rz(tp)。
通过使用如此的路面状态的预测结果来重复对路面状态的预测，可以在考虑了天气的情况下来预测更未来的时刻tq(tq>tp)的路面状态Rz(tq)。
第三实施例
在上述第二实施例中，通过使用在天气为m并且温度为T时的发生频率pTmD、pTmW、pTmS和pTmI对路面状态R的预测出现比例SRp进行校正，来预测考虑了天气的路面状态Rz(tq)。然而，如图11所示，可以在如第二实施例的图7所示的路面状态预测装置30的预测统计数据生成部件33和天气校正部件35之间设置图存储部件36和适合度计算部件37，其中图存储部件36用于存储针对各路面状态(R：DRY路面、WET路面、SNOW路面和ICE路面)的基准图MR0，以及适合度计算部件37用于通过使用针对各路面状态的基准图MR0来计算预测统计数据生成部件33所生成的路面状态R的预测出现比例SRp的适合度J。并且，代替天气校正单元35c，可以设置用于根据所计算出的适合度J以及在天气为m并且天气为T时的发生频率pTmD、pTmW、pTmS和pTmI来预测路面状态Rz(tp)的天气概率添加单元35d。这样，可以以更高的预测精度来预测考虑了天气的路面状态Rz(tp)。
注意，以下将详细说明针对各路面状态的基准图MR0和适合度J。
如图12所示，针对DRY路面的基准图MD0是通过将装配有标准轮胎的测试车辆以恒定速度在DRY路面上行驶多次所获得的估计路面状态的统计数据。在测试车辆行驶于DRY路面上的状态下所创建的针对DRY路面的基准图MD0示出将路面估计为DRY路面的比率PDD0、将路面估计为WET路面的比率PDW0、将路面估计为SNOW路面的比率PDS0和将路面估计为ICE路面的比率PDI0的绘图。
此外，在测试车辆行驶于WET路面上的状态下所创建的针对WET路面的基准图MW0示出将路面估计为DRY路面的比率PWD0、将路面估计为WET路面的比率PWW0、将路面估计为SNOW路面的比率PWS0和将路面估计为ICE路面的比率PWI0的绘图。并且，在测试车辆行驶于SNOW路面上的状态下所创建的针对SNOW路面的基准图MS0示出将路面估计为DRY路面的比率PSD0、将路面估计为WET路面的比率PSW0、将路面估计为SNOW路面的比率PSS0和将路面估计为ICE路面的比率PSI0的绘图。
此外，在测试车辆行驶于ICE路面上的状态下所创建的针对ICE路面的基准图MI0示出将路面估计为DRY路面的比率PID0、将路面估计为WET路面的比率PIW0、将路面估计为SNOW路面的比率PIS0和将路面估计为ICE路面的比率PII0的绘图。
当然，在基准图MD0中，PDD0最高；在基准图MW0中，PWW0最高；在基准图MS0中，PSS0最高；以及在基准图MI0中，PII0最高。
以下，将比率PRR’0称为基准出现比例。并且，这里R和R’是D、W、S和I其中任一。
如图12所示，适合度计算部件37使用针对各路面的基准图MD0～MI0，来分别计算作为预测统计数据生成部件33所生成的预测统计数据MpC的预测出现比例SRp的适合度JR(R：DRY、WET、SNOW和ICE)，并且将所计算出的这四个适合度JR发送至天气校正部件35的天气概率添加单元35d。
在基准图MD0中，使用预测统计数据MpC中的预测出现比例SRp和上述的基准出现比例PDD0、PDW0、PDS0和PDI0，通过以下公式(1)来计算DRY适合度JD。
JD＝esp{-(|SDp–PDD0|2+|SWp–PDW0|2+|SSp–PDS0|2+|SIp–PDI0|2)}……(1)
同样，通过以下公式(2)～(4)来分别计算WET适合度JW、SNOW适合度JS和ICE适合度JI。
JW＝esp{-(|SDp–PWD0|2+|SWp–PWW0|2+|SSp–PWS0|2+|SIp–PWI0|2)}……(2)
JS＝esp{-(|SDp–PSD0|2+|SWp–PSW0|2+|SSp–PSS0|2+|SIp–PSI0|2)}……(3)
JI＝esp{-(|SDp–PID0|2+|SWp–PIW0|2+|SSp–PIS0|2+|SIp–PII0|2)}……(4)
天气概率添加单元35d使用天气为m且温度为T时的发生频率PTmR与通过适合度计算部件37所计算出的适合度JR的乘积，来计算天气为m且温度为T时的路面状态的出现比例SRpZ。
在天气为m且温度为T时，通过SDpZ＝PTmD·JD来计算DRY路面的预测出现比例。通过SWpZ＝PTmW·JW来计算WET路面的预测出现比例。此外，通过SSpZ＝PTmS·JS来计算SNOW路面的预测出现比例。并且，通过SIpZ＝PTmI·JI来计算ICE路面的预测出现比例。
应当注意，图12示出被标准化成以使得总和(ΣRSRpZ)为1的天气为m且温度为T时的路面状态R的预测出现比例SRpZ的值。
路面状态预测部件34将表示天气为m且温度为T时的最高预测值(预测出现比例SRpZ)的路面状态预测为在时刻tp的预定范围内的位置Lk处的路面状态RZ(tp)。
通过使用如此的路面状态的预测结果来重复对路面状态的预测，可以在考虑了天气的情况下预测更未来的时刻tq(tq>tp)的路面状态RZ(tq)。
在上述第三实施例中，通过将天气模型的发生频率PTmR与根据预测统计数据MpC中的预测出现比例SRp和针对各路面状态的基准图MR0而获得的适合度JR进行累加，来预测天气为m且温度为T时的路面状态R的出现比例SRpZ。然而，可以生成对天气为m(m＝1～4)且温度为T时的各路面状态R的出现比例PRmT进行绘图的路面天气模型MRmT，并且可以根据通过数据生成部件33和路面天气模型MRmT所生成的路面状态R的预测出现比例SRp来预测预测出现比例。
此外，在上述第一至第三实施例中，使用通过针对各路面状态R所计算出的多个车辆Wi所估计出的路面状态的出现比例SRk的实际统计数据Mk来预测在时刻tp的路面状态R(tp)。然而，在时刻tk仅存在通过了预定位置Lr处的一个车辆Wx的情况下，无法生成在时刻tk的实际统计数据Mk。
在这种情况下，使用以上述第三实施例中所述的针对各路面状态的基准图MR0作为实际统计数据Mk。
更具体地，在通过车辆Wx所估计出的估计路面状态是DRY路面的情况下，使用针对DRY路面的基准图MD0作为在时刻tk的实际统计数据Mk。
如上所述，基准图MD0是车辆行驶于DRY路面上时将路面估计为DRY路面的比率PDD0、将路面估计为WET路面的比率PDW0、将路面估计为SNOW路面的比率PDS0和将路面估计为ICE路面的比率PDI0的绘图。因此，与将DRY路面的出现比例假定为1.0的情况相比，使用基准图MD0来替代实际统计数据Mk可以得到更接近于实际情况的实际统计数据Mk。因而，针对路面状态的预测可以确保充分的精度。
这同样适用于通过预定位置Lr的车辆的数量有限(例如小于10个车辆)的情况。例如，在仅存在通过该位置的三个车辆(其中，车辆Wx和Wy将路面状态估计为DRY路面以及车辆Wz将路面状态估计为WET路面)的情况下，可以根据基准图MD0和基准图MW0来生成实际统计数据Mk。为此，优选根据车辆的数量来进行加权；例如，针对基准图MD0的权重是2(加权系数wD＝2/3)，以及针对基准图MW0的权重是1(加权系数wW＝1/3)。
这样，通过预先针对各路面状态生成基准图MR0，即使在通过预定位置Lr的车辆的数量有限的情况下，也可以精确地预测未来的路面状态。
此外，在上述第一至第三实施例中，多个车辆Wi用于对路面状态的预测。然而，利用针对各路面状态的基准图MR0，还可以通过使一个车辆Wp行驶于包括多个预定位置的路线多次，来预测多个预定位置Lr处的路面状态Rr(tp)。
也就是说，在时刻ta、tb、tc......将预定位置Lr处的估计路面状态从车辆Wp发送至服务器20，并且在时刻ta+h、tb+h、tc+h......将预定位置Lr’处的估计路面状态从车辆Wp发送至服务器20。例如，在预定位置Lr处的估计路面状态R随着如时刻ta、tb、tc......(a<b<c<0)的经过而改变。因此，通过利用路面R的基准图MR0所替代的时刻tm(m>0)处的车辆Wp所估计出的估计路面状态R可以用作实际统计数据Mk。这样，可以如在上述第一至第三实施例中那样预测在时刻tm的路面状态。应当注意，可以针对各车辆Wp来改变基准图MR0。
第四实施例
在上述第一实施例中，根据在预定范围内的位置处所估计出的在多个时刻tk(k＝-n～-1)的路面状态R的时间变化来预测未来时刻tp(p>0)的路面状态R(tp)的出现比例SRp。然而，如图13所示，通过设置路面状态转变预测部件38，可以根据统计数据生成部件31所生成的过去数据中的时刻t-1的数据来预测未来时刻tp的路面状态R(tp)的预测出现比例SRp。
应当注意，在本示例中，统计数据生成部件31根据服务器20的数据存储部件22中所存储的数据，针对各估计路面状态R来生成总计了在作为紧挨在进行预测的时刻tp之前的时刻t(r)-1的时刻t的预定范围内的位置Lr处所估计出的估计路面状态R的出现比例的图。
路面状态转变预测部件38包括转变模型存储单元38a和出现比例预测值计算单元38b。
如图14所示，转变模型存储单元38a存储四种转变模型TR(R：DRY、WET、SNOW和ICE)。
针对各路面状态R所生成的转变模型TR表示在时刻tk的路面状态Rk变成在时刻tk+1的路面状态R’的概率(以下称为转变概率)。
例如，在图14的中央上部的DRY转变模型TD的情况下，DRY路面状态继续的概率qD,D是0.7；DRY路面变成WET路面的概率qD,W是0.2；DRY路面变成SNOW路面的概率qD,S是0.05；以及DRY路面变成ICE路面的概率qD,I是0.05。使用过去的路面状态R的数据来生成这些转变概率qR,R。
出现比例预测值计算单元38b通过使用上述转变概率qR,R’而校正针对在时刻t-1的估计路面状态R的出现比例预测值SR-1，来计算出现比例预测值SRp。针对各路面状态R来计算出现比例预测值SRpt。
分别通过以下公式(5)～(8)来计算针对各路面状态R的出现比例预测值SDpt、SWpt、SSpt和SIpt。
SDpt＝SD-1·qD,D+SW-1·qW,D+SS-1·qS,D+SI-1·qI,D......(5)
SWpt＝SD-1·qD,W+SW-1·qW,W+SS-1·qS,W+SI-1·qI,W......(6)
SSpt＝SD-1·qD,S+SW-1·qW,S+SS-1·qS,S+SI-1·qI,S......(7)
SIpt＝SD-1·qD,I+SW-1·qW,I+SS-1·qS,I+SI-1·qI,I......(8)
路面状态预测部件34将表示这些出现比例预测值SDpt、SWpt、SSpt和SIpt中的最高值的路面状态预测为在时刻tp的在预定范围内的位置Lk的路面状态R(tp)。
这样，根据预先确定出的路面状态的转变概率qR,R’以及作为过去数据的时刻t-1的估计路面状态R的出现比例SR-1，来预测未来时刻tp(p>0)的路面状态R的预测出现比例SRpt。因而，可以通过简单的方案来预测未来时刻tp的路面状态Rt(tp)。
在上述第四实施例中，使用预先根据过去数据所确定出的转变概率qR,R’来获得出现比例预测值SDpt、SWpt、SSpt和SIpt。然而，作为转变概率，例如，可以将同一路面状态R继续的概率设置为q’R,R＝0.8，并且可以将路面状态R改变成路面状态R’的概率设置为q’R,R’＝(0.2)/3。应当注意，分母3是除了路面状态R以外的路面状态R’的数量。
在这种情况下，分别通过以下公式(5’)～(8’)来计算针对各路面状态R的出现比例预测值S’Dpt、S’Wpt、S’Spt和S’Ipt。
S’Dpt＝SD-1·0.8+SW-1·0.2/3+SS-1·0.2/3+SI-1·0.2/3...(5’)
S’Wpt＝SD-1·0.2/3+SW-1·0.8+SS-1·0.2/3+SI-1·0.2/3...(6’)
S’Spt＝SD-1·0.2/3+SW-1·0.2/3+SS-1·0.8+SI-1·0.2/3...(7’)
S’Ipt＝SD-1·0.2/3+SW-1·0.2/3+SS-1·0.2/3+SI-1·0.8...(8’)
这样，用于使用预设的估计路面状态的转变概率q’R,R’或者预先确定出的估计路面状态的转变概率qR,R’预测在tp时刻的路面状态的方法可以适用于在过去数据的数量有限的情况下的初期阶段的预测。这使得在不存在充分量的过去数据的情形下能够进行预测。
第五实施例
在上述第四实施例中，使用根据过去数据(t＝t-1)和预先确定出的路面状态的转变概率所求出的出现比例预测值SRpt来预测未来时刻tp的路面状态R(tp)。然而，可以使用作为在时刻t-1的预测出现比例的先前预测出现比例VR-1、第四实施例中所述的转变概率qR,R’、以及第一实施例中所确定出的预测出现比例SRp，来获得未来时刻tp的路面状态R的预测出现比例VRp。并且，使用这些出现比例预测值VDp、VWp、VSp和VIp，可以预测在时刻tp的路面状态R(tp)。这样，可以以甚至更高的精度来预测未来的路面状态。
现在，将参考图15来给出预测出现比例VRp的获得过程的说明。
在已知直至时刻t-1的先前预测出现比例、即VR-n、......VR-2、VR-1(计算值)以及实际统计数据M-n、......M-2、M-1的情况下，进行对预测出现比例VRp的计算。注意，最初的先前的预测出现比例VR-n是设置值。
首先，获得在时刻t-1的先前预测出现比例VR-1和转变概率qR,R’的乘积PR,R’p(过程1)。
接着，从在时刻tp之前的时刻(即，时刻t-n、......t-3、t-2、t-1)的实际统计数据M-n、......M-2、M-1获得在时刻tp的预测出现比例SRp(过程2)。注意，由于预测出现比例SRk的预测方法与第一实施例相同，因此省略其说明。
然后，计算在过程1中所获得的乘积PR,R’p和在过程2中所获得的预测出现比例SRp之间乘积VRp，并且使用乘积VRp作为未来时刻tp的路面状态R的预测出现比例(过程3)。
最后，将这些预测出现比例VDp、VWp、VSp和VIp彼此进行比较，并且将示出最高值的路面状态预测为在时刻tp的预定范围内的位置Lk处的路面状态R(tp)(过程4)。应当注意，可以将过程1和过程2颠倒。
应当知道，在实际测量出在时刻tp的实际统计数据Mp时，不必说，时刻tp变成“先前时刻t-1”，时刻t-1变成时刻t-2，并且最初时刻t-n变成时刻t-n-1(将过去时刻增加1)。
在图15中，将由SRp＝-k所表示的在时刻t-k的预测出现比例与在时刻t-k实际测量出的出现比例SR-k相区分。在实际测量出在时刻tk的实际统计数据Mk的时点，利用出现比例SR-k来替代预测出现比例SRp＝-k。
通过重复该操作，可以预测更未来的时刻tq(tq>tp)的路面状态R(tk)。
在上述第五实施例中，使用乘积PR,R’p和预测出现比例SRp的乘积作为未来时刻tp的路面状态R的预测出现比例VRp。然而，代替预测出现比例SRp，可以使用作为与各路面状态相对应的模型的基准图MR0的基准出现比例PR,R’和预测出现比例SRp之间的适合度JRp。
采用与第三实施例的方式同样的方式，通过以下公式(9)来计算适合度JRp。
JRp＝exp{-(|SDp–PRD0|2+|SWp–PRW0|2+|SSp–PRS0|2+|SIp–PRI0|2)}......(9)
此外，在上述第五实施例中，所使用的预测出现比例是第一实施例中所获得的预测出现比例SRp。然而，可以使用通过在第二实施例中所获得的天气模型所校正的预测出现比例SRpz、或者使用各路面状态的图MR0和天气模型所校正后的预测出现比例SRpZ，来获得路面状态R的预测出现比例VRp。这样，可以进行考虑了天气变化的预测，从而使得能够甚至以更高精度来预测未来的路面状态。
应当注意，在考虑了天气变化的另一预测方法中，可以生成作为天气预报数据的针对天气或者天气和温度的转变模型TRT，并且可以使用转变模型TRT、先前预测出现比例VR-1和预测出现比例SRp，来获得未来时刻tp的路面状态的预测出现比例VRp。
在上述第四实施例中，根据预先确定出的转变模型TR和在时刻t-1的出现比例SR-1，来预测未来时刻tp的路面状态R(tp)的预测出现比例SRpt。然而，通过根据实际统计数据Mk的转变状态而改变转变模型TR，可以进一步提高路面状态R(tp)的预测精度。
以下将给出转变模型TR的改变方法的说明。
首先，进行核查，以找出作为实际测量数据的在时刻t-1的出现比例SR-1如何从作为在紧挨着时刻t-1之前的时刻的时刻t-2的出现比例SR-2发生改变。
例如，如图16所示，假设在时间从t-2过去至t-1，DRY路面的出现比例已经从SD-2＝0.7减小至SD-1＝0.6，并且WET路面的出现比例已经从SW-2＝0.1增大至SW-1＝0.2(在SNOW和ICE中未改变)。
这里，如果在实际测量数据中路面状态R的出现比例的改变率是vR-k＝SR-k/SR-k-1，则vD-1＝0.86，vW-1＝2.0以及vS-1＝vD-k＝1.00。
因而，在转变模型TD中DRY路面状态继续的概率从qD,D＝0.7改变成uD,D＝vD,D·qD,D＝0.6，并且DRY路面改变成WET路面的概率从qD,W＝0.2改变成uD,W＝vW-1·qD,W＝0.4。然而，将uD,R标准化，以使得改变之后的转变概率之和为1。
通过针对其它转变模型TW、TS和TI重复上述操作来改变转变模型TR。
以下，将改变之后的转变模型称为UR，并且将路面状态从R转变成R’的的概率称为uR,R’。
接着，可以通过利用上述uR,R’对在时刻t-1的估计路面状态R的出现比例SR-1进行校正，来计算出现比例预测值SRpT。
针对出现比例预测值SRpT的计算公式如以下公式(10)所示。
SRpT＝SD-1·uD,R+SW-1·uW,R+SS-1·uS,R+SI-1·uI,R......(10)
针对各路面状态R来计算出现比例预测值SRpT。
路面状态预测部件34将表示这些出现比例预测值SDpT、SWpT、SSpT和SIpT中的最高值的路面状态预测为在时刻tp的在预定范围内的位置Lk处的路面状态RT(tp)。
这样，根据过去数据(实际统计数据Mk)的转变状态来改变路面状态的转变概率uR,R’。因此，可以甚至以更高精度来预测未来时刻tp的路面状态RT(tp)。
在上述第六实施例中，使用从在时刻t-2的出现比例SR-2向在时刻t-1的出现比例SR-1的改变率vR来改变转变模型TR。然而，可以使用在时刻t-1之前的一系列时刻t-m、......t-3、t-2的改变率vR-m、......vR-2、vR-1来改变转变模型TR。如上所述，路面状态R的出现比例的改变率可以通过vR-k＝SR-k/SR-k-1来计算。
更具体地，利用n次函数GR(t)对在时刻t-m～t-1的出现比例的改变率vR-m、......vR-2、vR-1进行近似，并且可以求出在t＝tp的近似函数(n次函数)的函数值GR(tp)的各函数值。然后，根据这四个函数值GR(tp)来获得在时刻tp的出现比例的改变率vRp。之后，通过利用出现比例的改变率vRp计算路面状态从R转变成R’的概率uR,R’来改变转变模型TR。
或者，可以利用出现比例的改变率vR-k的计算公式(例如，出现比例的改变率vR-m、......vR-2、vR-1的平均值或线性组合)，来获得在时刻tp的出现比例的改变率vRp。
此外，在上述第六实施例中，使用在时刻t-1的出现比例SR-1和转变概率uR,R’来计算出现比例预测值SRpT。然而，可以使用作为时刻t-1的预测出现比例的先前预测比例VR-1以及转变概率uR,R’，来预测路面状态。
此外，可以根据与地形有关的信息以及与如天气预报所供给的天气和温度有关的信息来改变转变概率uR,R’。
至此，已经参考了本发明的具体实施例说明了本发明。然而，本发明的技术范围不限于所述的实施例的范围。并且，对于本领域技术人员而言显而易见，可以在不偏离本发明的精神和范围的情况下，对本发明进行各种变形、改变和改进。
例如，上述第一实施例至第六实施例不限于将估计路面状态的统计数据分类成DRY路面、WET路面、SNOW路面和ICE路面这四种状态。例如，可以通过路面摩擦系数μ来进行分类，或者分类成“高-μ道路(μ≧0.7)”、“中间-μ道路(0.3<μ<0.7)”和“低-μ道路(μ≦0.3)”。
此外，在上述第一实施例至第六实施例中，根据通过在多个车辆Wi各自中设置的路面状态估计部件13所估计出的时刻t-10至时刻t-1的估计路面状态为R的出现比例SRk的时间变化，来获得在时刻tp的路面状态R的出现比例的预测值SRp。然而，代替路面状态估计部件13，可以在车辆Wi各自中设置估计路面状态R时所使用的用于估计路面估计判定值K的判定值估计部件。并且，可以根据时刻t-10至时刻t-1的路面估计判定值Kk来获得在时刻tp的路面估计判定值的预测值Kp。并且，可以根据预测值Kp来预测在时刻tp的路面状态Rp。
此外，在上述第一实施例至第六实施例中，路面状态估计部件13设置在各个车辆Wi中。然而，可以是如下结构：路面状态估计部件13设置在路面状态管理中心2中，并且将在估计路面状态时所使用的多个频带值(从加速度波形中所检测到的特定频带的振动水平)或者频带值的计算值发送至路面状态管理中心2。
利用该结构，不再需要将路面状态估计部件13设置于轮胎40内，因而轮胎内的系统可以轻量化。
此外，在上述第一实施例至第六实施例中，使用如下的路面状态判断装置，其中该路面状态判断装置被配置为根据使用核函数的识别(判别)函数的值，来将路面状态估计为DRY路面、WET路面、SNOW路面和ICE路面其中之一。然而，可以使用其它路面状态估计部件。例如，这种路面状态估计装置可以被配置为通过将频率分析应用于加速度传感器11所检测到的加速度的时序波形所获得的振动谱的振动水平与示出路面摩擦系数μ和振动水平之间的预定关系的G-表来估计路面状态摩擦系数μ。或者，这种其它路面状态判断单元可以被配置为根据通过安装至轮胎或轮辋的加速度传感器所提供的时序来估计路面状态。
或者，这种路面估计部件可以检测由行驶中的轮胎所产生的轮胎噪声。并且，通过将所检测到的轮胎噪声的设置频率范围内的声压水平的平均值与基准声压水平相比较，可以将路面状态估计为充分湿的沥青道路、轻微湿的沥青道路、干燥的沥青道路、或者结冰道路。
根据本发明实施例的路面状态预测方法，包括：通过搭载于车辆上的车载传感器来获得作为与行驶时的车辆的行为有关的信息的车辆信息的步骤；以及利用使用车辆信息所计算出的估计路面状态时所要使用的路面估计判定值、或者使用路面估计判定值所估计出的估计路面状态来预测预定范围内的位置的路面状态的步骤。在预测路面状态的步骤中，根据使用通过了预定范围内的位置的车辆所获得的车辆信息所计算出的路面估计判定值的时间变化、或者估计路面状态的时间变化，来计算作为预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例SRp，然后根据所计算出的预测出现比例SRp来预测预定范围内的位置处的路面状态。
时刻tk的下标k在k<0的情况下是指当前时刻t0之前的时刻(过去)、并且在k>0的情况下是指当前时刻t0之后的时刻(未来)。应当注意，在当前时刻t＝t0，假定还没有车辆信息是可用的。此外，应当知道，要预测的在预定范围内的位置处的路面状态是指作为在时刻tp(p>0)的路面状态的未来的路面状态R(tp)、或者在当前时刻t的路面状态。
此外，在时刻tk的路面估计判定值(或者估计路面状态)是指在包括时刻tk的时间宽度Δtk内(例如，tk-Δtk/2≦t≦tk+Δtk/2)所获得的路面估计判定值(或者估计路面状态)。
这样，使用在预定范围内的位置处所获得的多个时刻的路面估计判定值、或者估计路面状态的时间变化，来预测预定范围内的位置处的未来的路面状态。因此，可以以良好的精度来预测未来的路面状态。
此外，在根据本发明的另一实施例的路面状态预测方法中，利用估计路面状态的预设转变概率q’RR’或者估计路面状态的预定转变概率qRR’、以及作为路面状态的预测时刻tp之前的时刻t-1的预测出现比例的先前出现比例VR-1，来对在预定范围内的位置处的路面状态的预测出现比例VRp进行校正，从而计算作为预测出现比例SRp的校正值的出现比例预测值VRp。
这样，使用估计路面状态的预设转变概率q’RR’或者估计路面状态的预定转变概率qRR’、以及已经计算出的先前出现比例VR-1，来对在预定范围内的位置处的预测出现比例SRp进行校正。结果，可以以良好的精度来预测未来的路面状态。
根据本发明的又一实施例的路面状态预测方法，包括：通过搭载于车辆上的车载传感器来获得作为与行驶时的车辆的行为有关的信息的车辆信息的步骤；以及利用使用车辆信息所计算出的估计路面状态时所要使用的路面估计判定值或者使用路面估计判定值所估计出的估计路面状态来预测在预定范围内的位置处的路面状态的步骤。在预测路面状态的步骤中，根据使用通过了预定范围内的位置的车辆所获得的车辆信息所估计出的估计路面状态、以及估计路面状态的预设转变概率或者估计路面状态的预定转变概率，来预测在预定时刻之后的时刻的预定范围内的位置处的路面状态。
这样，使用估计路面状态的预设转变概率q’RR’或者估计路面状态的预定转变概率qRR’，来预测在时刻tp的路面状态。因而，可以容易地预测时刻tp的路面状态。
此外，在根据本发明的又一实施例的路面状态预测方法中，使用基于在路面状态的预测时刻之前的时刻所获得的车辆信息所估计出的路面状态的出现比例，来对估计路面状态的预设转变概率q’RR’或者估计路面状态的预定转变概率qRR’进行校正。
这样，通过利用实际确定出的路面状态的出现比例来对转变概率q’RR’或转变概率qRR’进行校正，可以进一步提高未来的路面状态的预测精度。
此外，在另一方法中，基于诸如天气、温度、降水量、风速和日照时间等的天气预报信息来对预测路面状态R(tp)进行校正。
这里，“校正”表示预测出的路面状态随着与如天气预报所提供的天气或温度有关的信息而改变，并且在存在任何改变的情况下，将呈现路面状态的预测。
这样，基于天气预报信息来对所预测出的路面状态进行校正。因此，可以进一步提高路面状态的预测精度。
此外，在校正时所要使用的信息可以包括在预定范围内的其它位置处的路面状态的估计结果。更具体地，在过去的条件(天气、交通量、路面状态的估计结果)中，可以使用与预定范围内的位置A相关的预定范围内的位置B处的路面状态的估计结果来对预定范围内的位置A处的估计结果进行校正。
此外，在根据本发明的又一实施例的路面状态预测方法中，可以使用预测出的路面状态R(tp)来预测甚至比进行预测的时刻tp之后的时刻tq(tq>tp)的路面状态R(tq)
这样，通过使用预测结果来重复对路面状态的预测，可以预测更未来的路面状态。
应当理解，本发明的上述概要并不需要记载本发明所需的全部特征，并且意图将全部这些特征的子组合包括在本发明中。
工业上的应用
如这里所述，本发明提供以良好的精度来判断在预定时间内、预定范围内的位置处的路面状态的方法。因此，如果将判断结果通知给沿着预定范围内的位置行驶的车辆，则可以提高车辆的行驶安全性。
附图标记的说明
1 路面状态预测系统
2 路面状态管理中心
W1～WN 车辆
11 加速度传感器
12 GPS装置
13 路面状态估计部件
14 车辆信息收集部件
15 发送器
16 接收器
20 服务器
21 接收器
22 数据存储部件
23 发送器
30 路面状态预测装置
31 统计数据生成部件
32 实际统计数据存储部件
33 预测统计数据生成部件
34 路面状态预测部件
35 天气校正部件
35a 天气预报数据获得单元
35b 天气模型存储单元
35c 天气校正单元
36 预测值校正部件
36a 转变模型存储部件
36b 出现比例预测值计算部件
36c 预测值校正部件
40 轮胎
41 内衬层
42 轮胎气室
43 胎面
44 轮辋

Claims (9)

1.一种路面状态预测方法，包括：
利用搭载于车辆上的车载传感器，获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值，或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，在预测所述路面状态的步骤中，根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而计算出的路面估计判定值的时间变化、或者所述估计路面状态的时间变化，来计算作为所述预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例，然后根据所计算出的所述预测出现比例来预测所述预定范围内的位置处的路面状态，
在所述路面状态预测方法中，使用预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率、以及作为在预测路面状态的时刻之前的时刻的预测出现比例的先前出现比例，来对针对所述预定范围内的位置所预测出的路面状态的预测出现比例进行校正。
2.一种路面状态预测方法，包括：
利用搭载于车辆上的车载传感器，获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，在预测所述路面状态的步骤中，根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而估计出的估计路面状态、以及预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率，来预测在预定时刻之后的时刻的所述预定范围内的位置处的路面状态，
在所述路面状态预测方法中，使用基于在预测路面状态的时刻之前的时刻所获得的车辆信息而估计出的路面状态的出现比例，来对所述预先设定的估计路面状态的转变概率或者所述预先求出的估计路面状态的转变概率进行校正。
3.一种路面状态预测方法，包括：
利用搭载于车辆上的车载传感器，获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值，或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，在预测所述路面状态的步骤中，根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而计算出的路面估计判定值的时间变化、或者所述估计路面状态的时间变化，来计算作为所述预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例，然后根据所计算出的所述预测出现比例来预测所述预定范围内的位置处的路面状态，
在所述路面状态预测方法中，基于天气预报的信息来对所预测出的所述路面状态或者所校正后的所述路面状态进行校正。
4.一种路面状态预测方法，包括：
利用搭载于车辆上的车载传感器，获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，在预测所述路面状态的步骤中，根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而估计出的估计路面状态、以及预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率，来预测在预定时刻之后的时刻的所述预定范围内的位置处的路面状态，
在所述路面状态预测方法中，基于天气预报的信息来对所预测出的所述路面状态或者所校正后的所述路面状态进行校正。
5.根据权利要求1至4中任一项所述的路面状态预测方法，其中，使用所预测出的所述路面状态或者所校正后的所述路面状态，来预测在比进行了预测的时刻更后的时刻的路面状态。
6.一种路面状态预测系统，包括：
车载传感器，其搭载于车辆上，并且被配置为获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
路面状态预测装置，其用于利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，所述路面状态预测装置包括：
预测出现比例计算部件，用于根据使用由通过预定范围内的位置的车辆所获得的车辆信息而计算出的路面估计判定值的时间变化、或者估计路面状态的时间变化，来计算作为所述预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例，以及
路面状态预测部件，用于根据所计算出的所述预测出现比例来预测所述预定范围内的位置处的路面状态，
所述路面状态预测装置使用预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率、以及作为在预测路面状态的时刻之前的时刻的预测出现比例的先前出现比例，来对针对所述预定范围内的位置所预测出的路面状态的预测出现比例进行校正。
7.一种路面状态预测系统，包括：
车载传感器，其搭载于车辆上，并且被配置为获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
路面状态预测装置，用于利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，所述路面状态预测装置根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而估计出的估计路面状态、以及预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率，来预测在预定时刻之后的时刻的所述预定范围内的位置处的路面状态，并使用基于在预测路面状态的时刻之前的时刻所获得的车辆信息而估计出的路面状态的出现比例，来对所述预先设定的估计路面状态的转变概率或者所述预先求出的估计路面状态的转变概率进行校正。
8.一种路面状态预测系统，包括：
车载传感器，其搭载于车辆上，并且被配置为获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
路面状态预测装置，其用于利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，所述路面状态预测装置包括：
预测出现比例计算部件，用于根据使用由通过预定范围内的位置的车辆所获得的车辆信息而计算出的路面估计判定值的时间变化、或者估计路面状态的时间变化，来计算作为所述预定范围内的位置处的路面状态的出现比例的各路面状态的预测出现比例，以及
路面状态预测部件，用于根据所计算出的所述预测出现比例来预测所述预定范围内的位置处的路面状态，
所述路面状态预测装置基于天气预报的信息来对所预测出的所述路面状态或者所校正后的所述路面状态进行校正。
9.一种路面状态预测系统，包括：
车载传感器，其搭载于车辆上，并且被配置为获得作为与行驶时的所述车辆的行为有关的信息的车辆信息；以及
路面状态预测装置，用于利用使用所述车辆信息所计算出的用于估计路面状态的路面估计判定值、或者利用使用所述路面估计判定值所估计出的估计路面状态，来预测预定范围内的位置处的路面状态，
其中，所述路面状态预测装置根据使用由通过所述预定范围内的位置的车辆所获得的车辆信息而估计出的估计路面状态、以及预先设定的估计路面状态的转变概率或者预先求出的估计路面状态的转变概率，来预测在预定时刻之后的时刻的所述预定范围内的位置处的路面状态，并基于天气预报的信息来对所预测出的所述路面状态或者所校正后的所述路面状态进行校正。
CN201580068217.9A 2014-10-14 2015-10-14 路面状态预测方法和路面状态预测系统 Active CN107003430B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014-210322 2014-10-14
JP2014210322A JP6408854B2 (ja) 2014-10-14 2014-10-14 路面状態予測方法
PCT/JP2015/079029 WO2016060161A1 (ja) 2014-10-14 2015-10-14 路面状態予測方法及び路面状態予測システム

Publications (2)

Publication Number Publication Date
CN107003430A CN107003430A (zh) 2017-08-01
CN107003430B true CN107003430B (zh) 2019-10-18

Family

ID=55746703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580068217.9A Active CN107003430B (zh) 2014-10-14 2015-10-14 路面状态预测方法和路面状态预测系统

Country Status (5)

Country Link
US (1) US20170241778A1 (zh)
EP (1) EP3208638A4 (zh)
JP (1) JP6408854B2 (zh)
CN (1) CN107003430B (zh)
WO (1) WO2016060161A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6614073B2 (ja) 2016-09-06 2019-12-04 株式会社デンソー 路面状態推定装置
US11312383B2 (en) 2016-09-13 2022-04-26 Panasonic Intellectual Property Management Co., Ltd. Road surface condition prediction system, driving assistance system, road surface condition prediction method, and data distribution method
JP6810654B2 (ja) * 2017-05-18 2021-01-06 日本電信電話株式会社 路面データ収集装置、方法、及びプログラム
US10953887B2 (en) 2017-06-20 2021-03-23 Nira Dynamics Ab Road condition monitoring
US10311728B2 (en) * 2017-08-11 2019-06-04 Here Global B.V. Method and apparatus for providing a confidence-based road event message
KR102505910B1 (ko) * 2017-11-17 2023-03-06 한국전자통신연구원 서리 예측 시스템 및 서리 예측 방법
CN108045376B (zh) * 2017-11-30 2019-10-25 广州小鹏汽车科技有限公司 一种基于路面附着能力的车辆控制方法、系统及汽车
CN111566715A (zh) * 2018-03-29 2020-08-21 松下知识产权经营株式会社 控制装置以及地图生成方法
JP7103201B2 (ja) * 2018-12-20 2022-07-20 トヨタ自動車株式会社 情報処理システム、プログラム、及び情報処理方法
JP7335713B2 (ja) * 2019-03-28 2023-08-30 株式会社Subaru 路面判定装置
CN110211384B (zh) * 2019-06-24 2020-07-24 中国汽车工程研究院股份有限公司 基于车车通讯的路况实现方法
CN111739283B (zh) * 2019-10-30 2022-05-20 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
US11321976B2 (en) * 2019-11-06 2022-05-03 Schrader Electronics Limited Adaptively configuring a tire mounted sensor (TMS) with a vehicle-provided parameter
JP7422562B2 (ja) 2020-03-02 2024-01-26 株式会社ブリヂストン 路面状態予測方法
CN113737703A (zh) * 2021-10-08 2021-12-03 徐州徐工环境技术有限公司 一种扫路机的喷水降尘自动控制方法、系统及扫路机
US20230117152A1 (en) * 2021-10-18 2023-04-20 Kawasaki Motors, Ltd. Control requirement determiner, rough terrain vehicle, and control requirement determining method
DE102022200159A1 (de) * 2022-01-10 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Erkennen eines Fahrbahnzustands basierend auf Messdaten einer Inertialsensorik eines Fahrzeugs

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004198188A (ja) * 2002-12-17 2004-07-15 Yokogawa Denshikiki Co Ltd 路面状態判別予測装置及び方法
JP2006017502A (ja) * 2004-06-30 2006-01-19 Japan Weather Association 路面凍結可能性指数算出システム、路面凍結可能性指数算出方法及び路面凍結可能性指数算出プログラム
JP2006030139A (ja) * 2004-07-21 2006-02-02 Japan Weather Association 路面状態予測システム、路面状態予測方法及び路面状態予測プログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6853894B1 (en) * 2000-04-24 2005-02-08 Usa Technologies, Inc. Global network based vehicle safety and security telematics
US6919821B1 (en) * 2000-05-19 2005-07-19 Navteq North America, Llc Method and system for collecting meteorological data using in-vehicle systems
US8521426B2 (en) * 2008-02-04 2013-08-27 Weather Central, Lp System and method for weather mapping to road segments
FI124059B (fi) * 2008-09-19 2014-02-28 Aalto Korkeakoulusaeaetioe Parannus ajoneuvojen ajonhallintajärjestelmiin
JP5657917B2 (ja) * 2010-05-19 2015-01-21 株式会社ブリヂストン 路面状態推定方法
JP5837341B2 (ja) * 2011-06-24 2015-12-24 株式会社ブリヂストン 路面状態判定方法とその装置
WO2013011992A1 (ja) * 2011-07-20 2013-01-24 株式会社ブリヂストン 路面状態推定方法、及び路面状態推定装置
US9110196B2 (en) * 2012-09-20 2015-08-18 Google, Inc. Detecting road weather conditions
WO2014062109A1 (en) * 2012-10-19 2014-04-24 Forslof Lars Method and system for monitoring road conditions

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004198188A (ja) * 2002-12-17 2004-07-15 Yokogawa Denshikiki Co Ltd 路面状態判別予測装置及び方法
JP2006017502A (ja) * 2004-06-30 2006-01-19 Japan Weather Association 路面凍結可能性指数算出システム、路面凍結可能性指数算出方法及び路面凍結可能性指数算出プログラム
JP2006030139A (ja) * 2004-07-21 2006-02-02 Japan Weather Association 路面状態予測システム、路面状態予測方法及び路面状態予測プログラム

Also Published As

Publication number Publication date
US20170241778A1 (en) 2017-08-24
CN107003430A (zh) 2017-08-01
EP3208638A1 (en) 2017-08-23
JP2016080451A (ja) 2016-05-16
WO2016060161A1 (ja) 2016-04-21
EP3208638A4 (en) 2018-03-14
JP6408854B2 (ja) 2018-10-17

Similar Documents

Publication Publication Date Title
CN107003430B (zh) 路面状态预测方法和路面状态预测系统
EP4257376A2 (en) System and method for vehicle tire performance modeling and feedback
JP4329711B2 (ja) 交通情報システム
CN105473983B (zh) 路面上的短期不平度的检测
CN107003429A (zh) 路面状态判断系统
US9849736B2 (en) Tire position determination system
WO2016056568A1 (ja) 路面状態判別システム
US20220016939A1 (en) System and method for feature extraction from real-time vehicle kinetics data for remote tire wear modeling
JP2016057836A (ja) 移動体分析システムおよび移動体の方向軸推定方法
CN109791047A (zh) 里程和速度估计
Wahlström et al. Risk assessment of vehicle cornering events in GNSS data driven insurance telematics
CN106940930B (zh) 高速公路行程时间预测系统和预测方法
JP2004151910A (ja) 車両走行支援装置および方法
JP2011076410A (ja) 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
Zhao et al. CPDM: An efficient crowdsensing-based pothole detection and measurement system design
Stribling Use of smartphones to measure pavement roughness across multiple vehicle types at different speeds
Langstand et al. Learning to cooperatively estimate road surface friction
KR20170111240A (ko) 차량 단위 배출 지표 평가를 위한 실시간 차량운행 요약 정보 수집 방법 및 안전 운행 지수 산정 시스템에서 수집된 운행 정보를 이용한 차량 단위 배출 지표 분석 방법
Langstrand et al. Estimating road friction from kinematic summaries at curved sections
Mizrachi et al. Road surface characterization using crowdsourcing vehicles
An et al. Data Preprocessing Method for ANN-Based Travel Time Estimation Using Insufficient GPS Data
JP2013225186A (ja) 交通情報生成システムおよび交通情報生成プログラム

Legal Events

Date Code Title Description
PB01 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