CN107153916A - 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 - Google Patents

一种基于fcm聚类和bp神经网络的驾驶行为评价方法 Download PDF

Info

Publication number
CN107153916A
CN107153916A CN201710298137.3A CN201710298137A CN107153916A CN 107153916 A CN107153916 A CN 107153916A CN 201710298137 A CN201710298137 A CN 201710298137A CN 107153916 A CN107153916 A CN 107153916A
Authority
CN
China
Prior art keywords
mrow
msub
driving behavior
vehicle
cluster
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.)
Pending
Application number
CN201710298137.3A
Other languages
English (en)
Inventor
吴仲城
吴紫恒
李芳�
张俊
罗健飞
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.)
Anhui Kemei Network Information Technology Co Ltd
Original Assignee
Anhui Kemei Network Information Technology Co Ltd
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 Anhui Kemei Network Information Technology Co Ltd filed Critical Anhui Kemei Network Information Technology Co Ltd
Priority to CN201710298137.3A priority Critical patent/CN107153916A/zh
Publication of CN107153916A publication Critical patent/CN107153916A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于FCM聚类和BP神经网络的驾驶行为评价方法，属于车联网技术领域，方法包括：从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集；从样本数据集中提取样本车辆的驾驶行为特征参数；搭建基于Hadoop的Spark的集群平台运行FCM聚类算法，并根据预设的聚类个数，得到驾驶行为特征参数的聚类结果；创建BP神经网络，并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的BP神经网络进行训练；利用训练后BP神经网络，对经归一化处理后的待评价驾驶行为进行评价。通过对车联网数据进行挖据分析，提高了驾驶行为评价的准确性和科学性。

Description

一种基于FCM聚类和BP神经网络的驾驶行为评价方法
技术领域
本发明涉及车联网技术领域，特别涉及一种基于FCM聚类和BP神经网络的架势行为评价方法。
背景技术
近年来，随着物联网技术的飞速发展以及车联网技术的不断普及，车载终端等车联网移动设备无时无刻不产生大量的车联网数据，利用这些设备可以非常方便的实现大规模车辆的监控、调度和远程管理，从而提高车辆使用效率，方便政府以及企业车辆的管理。
目前，对驾驶速度行为的评价一般是通过一系列的驾驶行为减分单元：急加速减分单元、急减速减分单元、急转弯减分单元等，根据急加/减速、急转弯次数等数据进行减分，实现驾驶行为评级分数计算。评价过程的主观性较强，评价结果不够科学、准确。
发明内容
本发明的目的在于提供一种基于FCM聚类和BP神经网络的驾驶速度行为评价方法，以对驾驶行为进行客观、科学的评价。
为实现以上目的，本发明提供一种基于FCM聚类和BP神经网络的驾驶行为评价方法，该方法包括：
S1、从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集；
S2、从样本数据集中提取样本车辆的驾驶行为特征参数；
S3、搭建基于Hadoop的Spark的集群平台，并将驾驶行为特征参数保存在分布式文件系统HDFS中；
S4、将FCM聚类算法部署在Spark平台上，并根据预设的聚类个数，得到驾驶行为特征参数的聚类结果；
S5、创建BP神经网络，并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的BP神经网络进行训练，得到BP神经网络模型；
S6、利用BP神经网络模型，对经归一化处理后的待评价驾驶行为进行评价。
进一步地，步骤S1，具体包括：
以车牌、起止时间为查询条件从车联网数据库中查询样本车辆的行驶卫星定位信号集合。
进一步地，步骤S2中的样本车辆的驾驶行为特征参数，具体包括：车速超速时间比例、急加速次数、急减速次数以及急转弯次数。
进一步地，步骤S2，具体包括：
调用高德地图中的抓路服务API获取道路最高限速值；
采集车辆在预设时间段内的行驶速度值，并与道路最高限速值进行比较，得到车辆在预设时间段内的车速超速时间比例Ov；
根据预设时间段内采集的任意两个连续的采样点k-1、k的行驶速度信息，计算车辆在k时刻的加速度值；
根据车辆在k时刻的加速度值、设定的急加速加速度阈值以及设定的急减速的加速度阈值，计算车辆急加速次数Act和急减速次数Dct；
根据车辆在k时刻的加速度值、设定的急转弯的速度限值以及设定的行驶方向角改变阈值，计算车辆的急转弯次数Stt。
进一步地，步骤S4，具体包括：
S41、输入样本车辆的驾驶行为特征参数，并初始化当前迭代次数、聚类数、聚类中心、迭代停止域及最大迭代次数；
S42、判断当前迭代次数是否小于最大迭代次数，如果是则执行步骤S43，如果否则执行步骤S45；
S43、更新FCM聚类算法的隶属度和聚类中心；
S44、判断FCM聚类算法的目标函数是否满足收敛条件，如果是则执行步骤S45，如果否则将当前迭代次数加1后执行步骤S42；
S45、输出驾驶行为特征参数的聚类结果。
进一步地，步骤S43，具体包括：
利用隶属度更新式对FCM聚类算法的隶属度进行更新，隶属度更新式具体为：
利用聚类中心更新式对FCM聚类算法的聚类中心进行更新，聚类中心更新式具体为：
其中，uij为样本数据集X＝[x1,x2,…,xj,…xn]中第j个样本数据xj对第i个聚类中心vi的隶属度，1≤i≤c，1≤j≤n，c为聚类个数，n为样本数据集中的样本总数，m为模糊度参数。
进一步地，步骤S44中FCM聚类算法的目标函数为：
d(xj,vi)＝||xj-vi||，
其中，uij∈{0,1}，V＝(vi)c为样本车辆的驾驶行为特征参数的聚类中心矩阵，U为隶属度集，d(xj,vi)为第j个样本数据xj与第i个聚类中心vi间的欧拉距离。
与现有技术相比，本发明存在以下技术效果：本发明利用车联网技术对驾驶行为信息进行提取，通过数据计算分析与挖据，对驾驶行为特征参数进行科学聚类，并将聚类结果作为训练样本对创建的BP网络进行训练得到BP神经网络模型，然后通过BP神经网络模型客观的对待评估的驾驶行为进行在线评估。建立了车联网数据、驾驶速度行为特征以及道路安全三者之间的关联机理，提高了驾驶行为评价的准确性和科学性。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是本发明一实施例中一种基于FCM聚类和BP神经网络的驾驶行为评价方法的流程示意图；
图2是本发明一实施例中步骤S4的细分步骤的流程示意图；
图3是本发明一实施例中利用驾驶行为特征参数聚类结果训练后的BP神经网络的结构图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种基于FCM聚类和BP神经网络的驾驶行为评价方法，该方法包括如下步骤S1至S6：
S1、从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集；
S2、从样本数据集中提取样本车辆的驾驶行为特征参数；
S3、搭建基于Hadoop的Spark的集群平台，并将驾驶行为特征参数保存在分布式文件系统HDFS中；
需要说明的是，搭建基于Hadoop的Spark的集群平台来运行FCM聚类算法，能极大的提高运算效率。
S4、将FCM聚类算法部署在Spark平台上，并根据预设的聚类个数，得到驾驶行为特征参数的聚类结果；
需要说明的是，该处的预设的聚类个数可以为优、良、合格、差四个等级或者分为其它等级。
S5、创建BP神经网络，并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的BP神经网络进行训练，得到BP神经网络模型；
S6、利用BP神经网络模型，对经归一化处理后的待评价驾驶行为进行评价。
进一步地，步骤S1，具体包括：
以车牌、起止时间为查询条件从车联网数据库中查询样本车辆的行驶卫星定位信号集合。
本实施例中以车牌、起止时间为查询条件，按照周、日、月或季度从车联网数据库中查询出样本车辆的行驶卫星定位信号集合，每个卫星定位信号包含车牌号、时间、经度、纬度、速度、方向角等6个字段，格式为{car_id,t,longitude,latitude,v，h}。通过对卫星定位信号进行基于车牌号索引的存储和查询，提高了查询效率，进而提高了驾驶行为评价的效率。
进一步地，步骤S2中的样本车辆的驾驶行为特征参数，具体包括：车速超速时间比例Ov、急加速次数Act、急减速次数Dct以及急转弯次数Stt。
进一步地，步骤S2，具体包括如下细分步骤：
调用高德地图中的抓路服务API获取道路最高限速值；
具体地，高德地图抓路服务API是根据坐标点抓取道路，即根据给定的坐标点、车辆的方位角以及行驶速度，抓取就近的道路，抓取的道路条数与上传坐标点的数量一致。使用API前需先用户在高德地图官网申请Key，填写车辆唯一标识carid，经纬度locations，GPS采样时间time等必填参数。
采集车辆在预设时间段内的行驶速度值，并与道路最高限速值进行比较，得到车辆在预设时间段内的车速超速时间比例Ov；
具体地，车速超速时间比例(％)的计算过程为将采集的车辆在一天、一周或者一个月等时间段内的行驶速度值与道路最高限速值进行比较，判断车辆的行驶速度值是否超速，从而得到车辆在一段时间内的超速次数Ovt，车辆超速时间比例为C为总采样次数。
根据预设时间段内采集的任意两个连续的采样点k-1、k的行驶速度信息，计算车辆在k时刻的加速度值；
具体地，车辆在k时刻的加速度值Ak为：Ak＝(vk-vk-1)/(tk-tk-1)，其中，vk为车辆在k时刻的速度值，vk-1在k-1时刻的速度值，tk为车辆在k时刻的采样时间，tk-1为车辆在k-1时刻的采样时间。
根据车辆在k时刻的加速度值、设定的急加速加速度阈值以及设定的急减速的加速度阈值，计算车辆急加速次数Act和急减速次数Dct；
根据车辆在k时刻的加速度值、设定的急转弯的速度限值以及设定的行驶方向角改变阈值，计算车辆的急转弯次数Stt。
进一步地，如图2所示，步骤S4，具体包括如下细分步骤：
S41、输入样本车辆的驾驶行为特征参数，并初始化当前迭代次数、聚类数、聚类中心、迭代停止域及最大迭代次数；
S42、判断当前迭代次数是否小于最大迭代次数，如果是则执行步骤S43，如果否则执行步骤S45；
S43、更新FCM聚类算法的隶属度和聚类中心；
S44、判断FCM聚类算法的目标函数是否满足收敛条件，如果是则执行步骤S45，如果否则将当前迭代次数加1后执行步骤S42；
S45、输出驾驶行为特征参数的聚类结果。
进一步地，在步骤S43中，具体包括：
利用隶属度更新式对FCM聚类算法的隶属度进行更新，隶属度更新式具体为：
利用聚类中心更新式对FCM聚类算法的聚类中心进行更新，聚类中心更新式具体为：
其中，uij为样本数据集X＝[x1,x2,…,xj,…xn]中第j个样本数据xj对第i个聚类中心vi的隶属度，1≤i≤c，1≤j≤n，c为聚类个数，n为样本数据集中的样本总数，m为模糊度参数。
进一步地，在步骤S44中FCM聚类算法的目标函数为：
d(xj,vi)＝||xj-vi||，
其中，uij∈{0,1}，V＝(vi)c为样本车辆的驾驶行为特征参数的聚类中心矩阵，U为隶属度集，d(xj,vi)为第j个样本数据xj与第i个聚类中心vi间的欧拉距离。
本发明具有的有益效果如下：
(1)对车联网的大数据进行挖掘分析，通过对驾驶行为特征参数进行聚类，利用聚类结果训练BP神经网络，通过训练后的BP神经网络客观的对待评价驾驶行为进行评价，提高了驾驶行为评价的准确性和科学性。
(2)在运算过程中，通过搭建Spark集群运行平台运行聚类算法，极大的提高了聚类算大的运算效率。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (7)

1.一种基于FCM聚类和BP神经网络的驾驶行为评价方法，其特征在于，包括：
S1、从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集；
S2、从样本数据集中提取样本车辆的驾驶行为特征参数；
S3、搭建基于Hadoop的Spark的集群平台，并将驾驶行为特征参数保存在分布式文件系统HDFS中；
S4、将FCM聚类算法部署在Spark平台上，并根据预设的聚类个数，得到驾驶行为特征参数的聚类结果；
S5、创建BP神经网络，并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的BP神经网络进行训练，得到BP神经网络模型；
S6、利用BP神经网络模型，对经归一化处理后的待评价驾驶行为进行评价。
2.如权利要求1所述的方法，其特征在于，所述的步骤S1，具体包括：
以车牌、起止时间为查询条件从车联网数据库中查询样本车辆的行驶卫星定位信号集合。
3.如权利要求1所述的方法，其特征在于，所述的步骤S2中的样本车辆的驾驶行为特征参数，具体包括：车速超速时间比例Ov、急加速次数Act、急减速次数Dct以及急转弯次数Stt。
4.如权利要求3所述的方法，其特征在于，所述的步骤S2，具体包括：
调用高德地图中的抓路服务API获取道路最高限速值；
采集车辆在预设时间段内的行驶速度值，并与道路最高限速值进行比较，得到车辆在预设时间段内的车速超速时间比例Ov；
根据预设时间段内采集的任意两个连续的采样点k-1、k的行驶速度信息，计算车辆在k时刻的加速度值；
根据车辆在k时刻的加速度值、设定的急加速加速度阈值以及设定的急减速的加速度阈值，计算车辆急加速次数Act和急减速次数Dct；
根据车辆在k时刻的加速度值、设定的急转弯的速度限值以及设定的行驶方向角改变阈值，计算车辆的急转弯次数Stt。
5.如权利要求4所述的方法，其特征在于，所述的步骤S4，具体包括：
S41、输入样本车辆的驾驶行为特征参数，并初始化当前迭代次数、聚类数、聚类中心、迭代停止域及最大迭代次数；
S42、判断当前迭代次数是否小于最大迭代次数，如果是则执行步骤S43，如果否则执行步骤S45；
S43、更新FCM聚类算法的隶属度和聚类中心；
S44、判断FCM聚类算法的目标函数是否满足收敛条件，如果是则执行步骤S45，如果否则将当前迭代次数加1后执行步骤S42；
S45、输出驾驶行为特征参数的聚类结果。
6.如权利要求5所述的方法，其特征在于，所述的步骤S43，具体包括：
利用隶属度更新式对FCM聚类算法的隶属度进行更新，隶属度更新式具体为：
<mrow> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>r</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mfrac> </msup> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>;</mo> </mrow>
利用聚类中心更新式对FCM聚类算法的聚类中心进行更新，聚类中心更新式具体为：
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> </mrow> </mfrac> <mo>;</mo> </mrow>
其中，uij为样本数据集X＝[x1,x2,…,xj,…xn]中第j个样本数据xj对第i个聚类中心vi的隶属度，1≤i≤c，1≤j≤n，c为聚类个数，n为样本数据集中的样本总数，m为模糊度参数。
7.如权利要求6所述的方法，其特征在于，所述的步骤S44中FCM聚类算法的目标函数为：
<mrow> <msub> <mi>J</mi> <mrow> <mi>A</mi> <mi>F</mi> <mi>C</mi> <mi>M</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>U</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mi>j</mi> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <msup> <mi>d</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
d(xj,vi)＝||xj-vi||，
其中，uij∈{0,1}，V＝(vi)c为样本车辆的驾驶行为特征参数的聚类中心矩阵，U为隶属度集，d(xj,vi)为第j个样本数据xj与第i个聚类中心vi间的欧拉距离。
CN201710298137.3A 2017-04-30 2017-04-30 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 Pending CN107153916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710298137.3A CN107153916A (zh) 2017-04-30 2017-04-30 一种基于fcm聚类和bp神经网络的驾驶行为评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710298137.3A CN107153916A (zh) 2017-04-30 2017-04-30 一种基于fcm聚类和bp神经网络的驾驶行为评价方法

Publications (1)

Publication Number Publication Date
CN107153916A true CN107153916A (zh) 2017-09-12

Family

ID=59792642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710298137.3A Pending CN107153916A (zh) 2017-04-30 2017-04-30 一种基于fcm聚类和bp神经网络的驾驶行为评价方法

Country Status (1)

Country Link
CN (1) CN107153916A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944553A (zh) * 2017-11-22 2018-04-20 浙江大华技术股份有限公司 一种cnn模型的微调方法及装置
CN108407816A (zh) * 2018-01-19 2018-08-17 杭州砺玛物联网科技有限公司 一种汽车驾驶员驾驶评估方法及系统
CN108423006A (zh) * 2018-02-02 2018-08-21 辽宁友邦网络科技有限公司 一种辅助驾驶预警方法及系统
CN108711016A (zh) * 2018-06-05 2018-10-26 合肥湛达智能科技有限公司 一种基于bp神经网络的驾驶行为评分方法
CN108860162A (zh) * 2018-07-18 2018-11-23 平安科技（深圳）有限公司 电子装置、基于用户驾驶行为的安全预警方法及存储介质
CN109033332A (zh) * 2018-07-20 2018-12-18 汉纳森（厦门）数据股份有限公司 驾驶行为分析方法、介质及系统
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
CN110262491A (zh) * 2019-06-25 2019-09-20 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN110321954A (zh) * 2019-07-03 2019-10-11 中汽研（天津）汽车工程研究院有限公司 适合国内人群的驾驶风格分类和识别方法及系统
EP3533681A3 (en) * 2018-08-03 2020-03-18 Baidu Online Network Technology (Beijing) Co., Ltd. Method for detecting safety of driving behavior, apparatus and storage medium
CN111259943A (zh) * 2020-01-10 2020-06-09 天津大学 基于机器学习的温跃层预测方法
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及系统
CN111874000A (zh) * 2020-07-22 2020-11-03 重庆长安新能源汽车科技有限公司 判别驾驶行为安全等级的方法及存储介质
CN112373482A (zh) * 2020-11-23 2021-02-19 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
TWI720380B (zh) * 2017-12-15 2021-03-01 大陸商北京嘀嘀無限科技發展有限公司 用於優化線上隨選服務的系統和方法
WO2021036083A1 (zh) * 2019-08-26 2021-03-04 格物汽车科技(苏州)有限公司 自动驾驶的驾驶员行为模型开发方法、设备和存储介质
CN112766373A (zh) * 2021-01-19 2021-05-07 汉纳森（厦门）数据股份有限公司 一种基于车联网下驾驶行为分析方法
CN113252057A (zh) * 2021-05-13 2021-08-13 青岛科技大学 一种基于高德导航数据的驾驶倾向性辨识方法和系统
CN115909752A (zh) * 2022-11-01 2023-04-04 东南大学 一种基于车辆用户历史数据的急转弯识别及统计方法
US11651229B2 (en) 2017-11-22 2023-05-16 Zhejiang Dahua Technology Co., Ltd. Methods and systems for face recognition

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633359A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有驾驶风格识别的自适应车辆控制系统
CN101746269A (zh) * 2010-01-08 2010-06-23 东南大学 基于软计算的疲劳驾驶融合检测方法
CN104268701A (zh) * 2014-09-29 2015-01-07 清华大学 一种营运车辆驾驶安全性评价系统及评价方法
CN106095963A (zh) * 2016-06-17 2016-11-09 上海经达信息科技股份有限公司 互联网+时代下的车辆驾驶行为分析大数据公共服务平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633359A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有驾驶风格识别的自适应车辆控制系统
CN101746269A (zh) * 2010-01-08 2010-06-23 东南大学 基于软计算的疲劳驾驶融合检测方法
CN104268701A (zh) * 2014-09-29 2015-01-07 清华大学 一种营运车辆驾驶安全性评价系统及评价方法
CN106095963A (zh) * 2016-06-17 2016-11-09 上海经达信息科技股份有限公司 互联网+时代下的车辆驾驶行为分析大数据公共服务平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张开: "《基于云计算的驾驶行为分析》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》 *
顼美姣: "《基于驾驶人特性的汽车追尾预警算法研究》", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技II辑》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944553A (zh) * 2017-11-22 2018-04-20 浙江大华技术股份有限公司 一种cnn模型的微调方法及装置
US11651229B2 (en) 2017-11-22 2023-05-16 Zhejiang Dahua Technology Co., Ltd. Methods and systems for face recognition
TWI720380B (zh) * 2017-12-15 2021-03-01 大陸商北京嘀嘀無限科技發展有限公司 用於優化線上隨選服務的系統和方法
US11455582B2 (en) 2017-12-15 2022-09-27 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for optimizing an online on-demand service
CN108407816A (zh) * 2018-01-19 2018-08-17 杭州砺玛物联网科技有限公司 一种汽车驾驶员驾驶评估方法及系统
CN108423006A (zh) * 2018-02-02 2018-08-21 辽宁友邦网络科技有限公司 一种辅助驾驶预警方法及系统
CN108711016A (zh) * 2018-06-05 2018-10-26 合肥湛达智能科技有限公司 一种基于bp神经网络的驾驶行为评分方法
CN108860162A (zh) * 2018-07-18 2018-11-23 平安科技（深圳）有限公司 电子装置、基于用户驾驶行为的安全预警方法及存储介质
CN108860162B (zh) * 2018-07-18 2022-02-15 平安科技（深圳）有限公司 电子装置、基于用户驾驶行为的安全预警方法及存储介质
CN109033332A (zh) * 2018-07-20 2018-12-18 汉纳森（厦门）数据股份有限公司 驾驶行为分析方法、介质及系统
EP3533681A3 (en) * 2018-08-03 2020-03-18 Baidu Online Network Technology (Beijing) Co., Ltd. Method for detecting safety of driving behavior, apparatus and storage medium
US11084494B2 (en) 2018-08-03 2021-08-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method for detecting safety of driving behavior, apparatus, device and storage medium
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法
CN110262491B (zh) * 2019-06-25 2021-12-14 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110262491A (zh) * 2019-06-25 2019-09-20 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN110321954A (zh) * 2019-07-03 2019-10-11 中汽研（天津）汽车工程研究院有限公司 适合国内人群的驾驶风格分类和识别方法及系统
WO2021036083A1 (zh) * 2019-08-26 2021-03-04 格物汽车科技(苏州)有限公司 自动驾驶的驾驶员行为模型开发方法、设备和存储介质
CN111259943A (zh) * 2020-01-10 2020-06-09 天津大学 基于机器学习的温跃层预测方法
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及系统
CN111874000A (zh) * 2020-07-22 2020-11-03 重庆长安新能源汽车科技有限公司 判别驾驶行为安全等级的方法及存储介质
CN112373482A (zh) * 2020-11-23 2021-02-19 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
CN112766373A (zh) * 2021-01-19 2021-05-07 汉纳森（厦门）数据股份有限公司 一种基于车联网下驾驶行为分析方法
CN113252057A (zh) * 2021-05-13 2021-08-13 青岛科技大学 一种基于高德导航数据的驾驶倾向性辨识方法和系统
CN115909752A (zh) * 2022-11-01 2023-04-04 东南大学 一种基于车辆用户历史数据的急转弯识别及统计方法
CN115909752B (zh) * 2022-11-01 2023-12-15 东南大学 一种基于车辆用户历史数据的急转弯识别及统计方法

Similar Documents

Publication Publication Date Title
CN107153916A (zh) 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
US10496881B2 (en) PU classifier for detection of travel mode associated with computing devices
CN110060484B (zh) 一种基于区块链的公路客运违章实时预警系统及方法
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
WO2017051411A1 (en) Near real-time modeling of pollution dispersion
US10952026B2 (en) Neural network classifier for detection of travel mode associated with computing devices
US11049390B2 (en) Method, apparatus, and system for combining discontinuous road closures detected in a road network
CN106970402A (zh) 异常gps数据的过滤方法和装置
CN102708698A (zh) 基于车联网的车辆最优路径导航方法
CN108597227A (zh) 高速公路收费站下道交通流量预测方法
US11257306B1 (en) System and method for analyzing telematics data
CN107038503A (zh) 一种共享设备的需求量预测方法及系统
CN113779429A (zh) 交通拥堵态势预测方法、装置、设备及存储介质
CN110889444A (zh) 一种基于卷积神经网络的驾驶轨迹特征分类方法
CN111740981A (zh) 一种汽车gps轨迹数据压缩方法
US11468768B2 (en) Method, apparatus, and system for automatic road closure detection during probe anomaly
CN110830915B (zh) 一种确定起点位置的方法及装置
CN117172554A (zh) 覆冰灾害风险预测方法、装置、设备及存储介质
CN111950798A (zh) 一种基于小波神经网络的区域短期人流量趋势预测方法及其系统
CN108536825A (zh) 一种识别房源数据是否重复的方法
CN107331149A (zh) 预测车辆行驶时间的方法和装置
CN104036330A (zh) 一种基于MapReduce的降雨量分类预测方法
CN116629425A (zh) 车辆能耗的计算方法、装置、计算机可读介质及电子设备
Habtie et al. Cellular network based real-time urban road traffic state estimation framework using neural network model estimation
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

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170912