CN108944799A - 车辆驾驶行为异常处理方法和装置 - Google Patents
车辆驾驶行为异常处理方法和装置 Download PDFInfo
- Publication number
- CN108944799A CN108944799A CN201710356101.6A CN201710356101A CN108944799A CN 108944799 A CN108944799 A CN 108944799A CN 201710356101 A CN201710356101 A CN 201710356101A CN 108944799 A CN108944799 A CN 108944799A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- vehicle
- current driving
- probability
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
Abstract
本发明公开了一种车辆驾驶行为异常处理方法和装置。其中,该方法包括:采集车辆的当前驾驶行为特征,其中,当前驾驶行为特征用于表示当前用户的驾驶行为;确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常;通过预设的方式发出提示信息,其中,提示信息用于提示车辆当前的驾驶行为出现异常。本发明解决了由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题。
Description
技术领域
本发明涉及汽车领域,具体而言,涉及一种车辆驾驶行为异常处理方法和装置。
背景技术
随着车联网技术的迅速发展,海量的汽车形式数据被收集,通过计算机技术对这些数据进行分析和处理,已经产生各种各样的应用,如路况实时计算、远端车辆控制等,但也随之也带来一些新的挑战,比如汽车防盗。传统的防盗技术是通过中控门锁系统实现,然而,随着汽车开放给网络更多的权限,通过网络漏洞来入侵车主的车联网账户等方式来破解汽车防盗系统成为可能。为了防止汽车被盗,主要通过以下几种装置或系统来应对:
(1)机械式防盗装置,主要是利用机械锁来防止汽车操控装置的使用,但是这种装置容易被破解,而且影响司机的操作体验。
(2)电子式防盗装置,利用迅速发展的计算机和电子高科技技术,通过钥匙芯片来提供防盗的功能,然而,当钥匙芯片遗失后,任何拥有钥匙芯片的人都可开锁并启动汽车,因此,仍存在汽车被盗的可能。
(3)基于物联网技术的汽车防盗系统,这种系统能够在用户发现被盗时,通过GPS定位车辆位置、远程控制汽车熄火等,但是这种方法并不能让用户在车辆被盗的第一时间感知到,耽误了时间,降低了用户找回汽车的可能性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆驾驶行为异常处理方法和装置,以至少解决由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题。
根据本发明实施例的一个方面,提供了一种车辆驾驶行为异常处理方法,包括:采集车辆的当前驾驶行为特征,其中,所述当前驾驶行为特征用于表示当前用户的驾驶行为;确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出所述概率小于所述预设阈值时,确定所述车辆当前的驾驶行为出现异常;通过预设的方式发出提示信息,其中,所述提示信息用于提示所述车辆当前的驾驶行为出现异常。
根据本发明实施例的另一方面,还提供了一种车辆驾驶行为异常处理装置,包括:第一采集单元,用于采集车辆的当前驾驶行为特征,其中,所述当前驾驶行为特征用于表示当前用户的驾驶行为;第一确定单元,用于确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;第二确定单元,用于在判断出所述概率小于预设阈值时,确定所述车辆当前的驾驶行为出现异常;提示单元,用于通过预设的方式发出提示信息,其中,所述提示信息用于提示所述车辆当前的驾驶行为出现异常。
在本发明实施例中,采用采集车辆的当前驾驶行为特征,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常,通过预设的方式发出提示信息,以提示当前驾驶行为出现异常,通过确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率来确定车辆当前的驾驶行为是否出现异常,达到了根据当前驾驶行为特征判断出当前车辆的驾驶行为是否出现异常的目的,从而实现了能及时发现车辆驾驶行为异常的技术效果,进而解决了由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的车辆驾驶行为异常处理方法的硬件环境的示意图;
图2是根据本发明实施例的一种可选的车辆驾驶行为异常处理方法的流程图;
图3是根据本发明实施例的又一种可选的车辆驾驶行为异常处理方法的流程图;
图4是根据本发明实施例的一种正态分布模型的示意图;
图5是根据本发明实施例的又一种可选的车辆驾驶行为异常处理方法的流程图;
图6是根据本发明实施例的一种可选的车辆驾驶行为异常处理装置的示意图;以及
图7是根据本发明实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
异常检测:是数据挖掘的一种方法,目标是发现与大多数对象不同的其他对象,因为异常对象的属性明显偏离正常属性的期望,也称偏差检测,异常对象称作离群点。
实施例1
根据本发明实施例,提供了一种车辆驾驶行为异常处理的方法实施例。
可选地,在本实施例中,上述车辆驾驶行为异常处理方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中,其中,硬件环境包括网络环境。如图1所示,服务器102通过网络与终端104进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端104并不限定于PC、手机、平板电脑等。本发明实施例的车辆驾驶行为异常处理方法可以由服务器102来执行,也可以由终端104来执行,还可以是由服务器102和终端104共同执行。其中,终端104执行本发明实施例的车辆驾驶行为异常处理方法也可以是由安装在其上的客户端来执行。
在一个可选的应用场景中,用户在驾驶车辆时每个人都有自己的驾驶习惯,例如,在起步时的油门踩的角度不同导致的加速度不同,在刹车时的加速度也不同,这些不同的驾驶习惯对于一个人来说往往是有规律的,而不同人的驾驶习惯往往不同,因此车辆行驶过程中实时采集车辆的当前驾驶行为特征,将采集到的驾驶行为特征和存储的车主的历史驾驶行为特征进行比对,可以确定当前驾驶的用户是否是车主。以起步时的加速度为例,如果车主起步时的加速度一般为5-10km/h,如果车辆检测到加速度大于15km/h,根据预设的正态分布模型计算得到加速度大于15km/h的概率为1%,小于预设阈值10%,则表明当前是车主驾驶的可能性很小,被盗的可能性很大,因此,此时可以确定当前驾驶行为出现异常,可以通过预设的方式向车主发出提醒,以使车主及时了解到出现的异常情况,及时发现车辆被盗,提高找回的机会。
图2是根据本发明实施例的一种可选的车辆驾驶行为异常处理方法的流程图,如图2所示,该方法可以包括以下步骤:
步骤S202,采集车辆的当前驾驶行为特征,其中,当前驾驶行为特征用于表示当前用户的驾驶行为。
步骤S204,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
步骤S206,在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常。
步骤S208,通过预设的方式发出提示信息,其中,提示信息用于提示车辆当前的驾驶行为出现异常。
通过上述步骤S202至步骤S208,通过采集车辆的当前驾驶行为特征,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常,通过预设的方式发出提示信息,以提示当前驾驶行为出现异常,通过确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率来确定车辆当前的驾驶行为是否出现异常,可以解决了由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题,进而达到能及时发现车辆驾驶行为异常的技术效果。
在步骤S202提供的技术方案中,在车辆的当前驾驶行为特征可以是多种特征,例如,车辆在起步时的速度、加速度、到达平稳行驶所需的时间,转弯过程中方向盘最常呈现的角度,转弯时间,车辆在刹车时候的加速度、时间等,车辆的当前驾驶行为特征还可以是拥堵时的驾驶特征、拐弯特征、变道特征、超车特征等多种类型的行为特征,需要说明的是,采集车辆的当前驾驶行为特征可以是采集上述驾驶行为特征中的某一种,也可以是采集上述驾驶行为特征中的多种,采集的驾驶行为特征的种类越多,越能够精确反映当前驾驶行为特征。
在步骤S204提供的技术方案中,历史驾驶行为特征集合是过去的一段时间内或者过去的所有时间内车主的驾驶行为特征的集合,预存的历史驾驶行为特征集合中的驾驶行为参数可以是连续的数值,也可以是分散的数值,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率可以是通过预设的模型计算得到的,如果当前驾驶行为特征只有一种特征,则出现的概率是该特征的数值在历史数值集合中出现的概率,如果当前驾驶行为特征包括多个特征,则当前驾驶行为特征出现的概率是每一种驾驶行为特征出现的概率的乘积。
在步骤S206提供的技术方案中,预设阈值是根据用户驾驶行为特征具体设定的概率的阈值,在确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率之后,将计算得到的概率与预设阈值进行比较,判断概率是否小于预设阈值。如果判断出概率小于预设阈值,则说明在车主的历史驾驶行为特征中,几乎没有出现过当前的驾驶行为,确定车辆当前的驾驶行为出现异常,当前的驾驶行为极有可能不是车主本人操作的,存在车辆被盗的风险,在一些应用场景中,即使车辆没有被盗,是车主本人操作,但车主本人可能因饮酒或者过度疲劳等多种原因导致操作与平时操作习惯偏离较大,此时,需要确定车辆当前的驾驶行为出现异常,该异常可以是车辆被盗,也可以是虽然没有被盗但是驾驶行为不符合常规,可能存在危险,因此在判断出概率小于预设阈值时确定车辆当前的驾驶行为出现异常。在当前驾驶行为特征出现的概率小于预设阈值的情况下确定车辆当前的驾驶行为出现异常可以及时发现车辆可能存在的异常行为,例如被盗,或者车主驾驶时可能出现的异常等。
在步骤S208提供的技术方案中,在确定出车辆当前的驾驶行为出现异常之后,可以通过预设方式发出提示信息,其中,提示信息用于提示车辆为被盗状态,还可以锁定车辆。提示信息可以通过多种预设方式发出,例如,可以向预设的用户发送短信、发送邮件、拨打电话、或者向通讯软件的账号发送消息等提示车辆可能被盗,还可以直接报警。除了发出提示信息之外,还可以通过车联网技术锁定车辆,或者通过GPS定位查找到车辆当前的位置,以及时找到车辆,提高找回汽车的可能性,保护了用户的财产安全。
作为一种可选的实施例,如果判断出概率大于等于预设阈值,则确定车辆当前的驾驶行为正常;将当前驾驶行为特征添加到预存的历史驾驶行为特征集合中。如果判断出概率大于等于预设阈值,则说明当前驾驶行为是车主的驾驶行为,可以将当前的驾驶行为特征添加到预存的历史驾驶行为特征集合中,以进一步完善历史驾驶行为特征集合。
作为一种可选的实施例,在根据预设的判别模型对车辆的当前驾驶行为特征进行判别之前,需要建立预设的判别模型,判别模型建立步骤可以是:采集车辆的历史驾驶行为特征,其中,车辆的历史驾驶行为特征为车辆在历史时间段内车主驾驶的驾驶行为特征,历史时间段可以是用户自定义的历史时间段,也可以是从车辆出厂开始的时间段;对车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;根据处理后的特征数据建立预设的判别模型。其中,数据预处理和特征提取的过程可以是对于驾驶行为特征进行分类和数据整理,得到每一类驾驶行为特征及对应的参数值,得到处理后的特征数据,将每一类特征数据看做是正态分布的,基于处理后的特征数据建立判别模型,判别模型可以是正态分布模型,正态分布模型的参数基于处理后的特征数据得到,通过建立的预设的判别模型可以对车辆的当前驾驶行为特征进行判别,得到当前驾驶行为特征出现的概率。
作为一种可选的实施例,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率可以是:读取车辆的当前驾驶行为特征;根据预设的判别模型对车辆的当前驾驶行为特征进行判别,得到判别结果,其中,预设的判别模型用于确定当前驾驶行为特征出现的概率;根据判别结果确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。由于预设的判别模型可以确定当前驾驶行为特征出现的概率,因此当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率可以通过预设的判别模型来计算得到。通过预设的判别模型计算得到当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率可以精确得到当前驾驶行为特征的发生概率,提高数据计算的准确性。
作为一种可选的实施例,车辆的当前驾驶行为特征包括多个驾驶行为参数,在历史时间段内车主驾驶的驾驶行为参数符合正态分布,根据处理后的特征数据建立预设的判别模型可以是:建立每个驾驶行为参数的正态分布模型,根据预设的判别模型对车辆的当前驾驶行为特征进行判别,得到判别结果可以是:通过每个驾驶行为参数的正态分布模型分别对车辆的多个当前驾驶行为参数进行判别,可以将车辆的多个当前驾驶行为参数分别输入到对应的每个驾驶行为参数的正态分布模型中,得到当前驾驶行为参数出现的概率。由于当前驾驶行为特征包括多个驾驶行为参数,假设每个驾驶行为参数之间互相独立,互不影响,在建立预设的判别模型时可以对每个参数单独建立判别模型,将车辆的多个当前驾驶行为参数分别输入到对应的驾驶行为参数的正态分布模型,以得到每个驾驶行为参数出现的概率,然后将多个概率的乘积作为当前驾驶行为特征出现的概率。通过对多个驾驶行为参数分别计算概率,可以更全面地反映当前用户的驾驶行为的特性,能够使得判断结果更准确。
作为一种可选的实施例,当前驾驶行为特征包括车辆加速起步特征和/或减速停车特征,对车辆的历史驾驶行为特征进行数据预处理可以是:将加速起步特征中平稳速度低于第一预设阈值的数值滤除;将减速停车特征中加速度高于第二预设阈值的数值滤除。通过一些不符合常规的数据滤除可以得到更加精确的判别模型。由于加速起步过程中平稳速度较低时可能是出现了堵车,在这种特殊路况下的车辆驾驶行为特征可能不具有代表性,因此,可以将这类数值删除,以提高驾驶行为特征的准确性。
本发明还提供了一种优选实施例,图3是根据本发明实施例的又一种可选的车辆驾驶行为异常处理方法的流程图,如图3所示,该优选实施例包括以下步骤:
步骤S301,用户历史车辆驾驶数据采集。对用户的历史的车辆驾驶数据进行采集。
步骤S302,数据预处理及特征提取。对采集到的数据进行预处理和特征提取,数据预处理包括对一些不合规律的数据进行滤除。
步骤S303,判别模型判断是否是本人操作。将预处理和特征提取之后的数据通过学习训练得到判别模型。
步骤S304,新的驾驶车辆行驶记录。检测新的驾驶车辆行驶记录。
步骤S305,车辆被盗报警。获取到新的驾驶车辆行驶记录之后,将数据输入到判别模型,得到判别结果。如果判断出当前的驾驶车辆行为是车主本人操作,则将当前的行为作为新的历史记录,用于更新训练数据,如果判断出当前驾驶行为不是车主本人操作,则发出车辆被盗报警。
本发明实施例的技术方案通过采集用户历史的驾驶数据学习用户驾驶习惯,比如起步、刹车等特征,当汽车再次被发动后,使用异常检测的方法,通过当前用户的驾驶习惯判断是否为车主本人。当判断不是时,即可触发防盗的一系列措施,如短信或电话通知车主、通过车联网技术锁住车辆(如可能)等,这样能够让用户在最短时间内获知车辆被盗,以及时应对。
随着车联网技术的发展,车辆自身环境和状态信息的采集及处理变的十分简单,可以对这些数据进行加工获得相应的特征,本发明实施例主要考虑的特征有如下两个:
(1)、用户驾车开始行驶时的起步特征,用起步时的加速度代表,即:
其中,t代表到速度达到平稳时花费的时间,ds代表行驶的距离。需要注意的是,可以对平稳速度较低的情况进行过滤处理,因为平稳速度较低属于可能堵车的情形,此时的起步速度可能较平时有差异,不具有代表性。
(2)、用户减速停车时的刹车特征,用停车时的加速度代表,即:
其中,t代表速度从平稳到停车时花费的时间,de代表行驶的距离。过滤开始速度较低和停车时加速度较大的情况,前者可能在堵车时发生,后者则可能在急刹的情况发生。
本发明实施例可以作为一种基于统计模型的异常检测方法,模型的具体方案如下:
(1)首先选择用户的驾驶习惯特征,并假设这些习惯特征是独立且各自服从正态分布。
正态分布是一个在数学、物理及工程等领域都非常重要的概率分布,若随机变量X服从一个数学期望为μ、标准差为σ的高斯分布,记为:X~N(μ,σ2),则其概率密度函数为:
正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。如图所示,是一个N(0,1)的正态分布。
(2)根据历史数据分别计算各特征服从的正态分布的参数。
图4是根据本发明实施例的一种正态分布模型的示意图,如图4所示,设特征分别为x1,……xn,用代表第i个特征的第j个样本值,则
(3)当出现新的驾驶行为时,计算其概率p(x):
根据数据选定一个概率阈值ε,概率阈值的选定需要结合具体情况确定,当p(x)≥ε时,则为本人驾驶,反之则不是。至此,得到了一个能够判别是否是用户本人驾驶的模型。
获取新的用户驾驶数据记录后,输入到上面的模型中进行判别,如果大于阈值,则说明符合用户的历史驾驶习惯,仅需将数据加入用户历史数据集中;反之,则需要进行报警,通过短信或电话方式告知用户,以便尽快采取补救措施。
通过上述技术方案,在车辆被盗时,能够使用户快速感知,使用户能够在第一时间内进行应对,将损失减小到最少;能够不断吸收新的驾驶记录数据,能够不断适应用户驾驶习惯的改变,是一种自适应的方案。
在本发明实施例中,上述的异常检测方法也可以使用其他方法,例如,1-classsvm方法等。
本发明实施例还提供了一种车辆驾驶行为异常处理方法,图5是根据本发明实施例的又一种可选的车辆驾驶行为异常处理方法的流程图,如图5所示,该车辆驾驶行为异常处理方法包括以下几个步骤:
步骤S501,采集车辆的当前驾驶行为特征。
步骤S502,通过判别模型计算出现概率。
通过将当前驾驶行为特征输入到预设的判别模型中,计算得到出现概率。
步骤S503,判断出现概率是否大于等于预设概率。
计算车主驾驶车辆时可能出现的当前驾驶行为特征的概率,如果大于预设概率,则说明极有可能是车主本人驾驶,如果概率小于预设概率,说明可能不是车主本人操作。
步骤S504,如果出现概率小于预设概率,则说明不是车主本人操作,车辆可能被盗。
步骤S505,通知用户或者锁定车辆,也可以报警。
步骤S506,如果出现概率大于等于预设概率,则说明可能是车主本人操作。
步骤S507,如果是车主本人操作,则将当前驾驶行为特征添加到历史驾驶行为特征集合中。
根据历史驾驶行为特征集合可以建立预设的判别模型,根据更新的数据可以定期更新判别模型,使模型更加符合车主的操作习惯,提高模型判别的准确度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述车辆驾驶行为异常处理方法的车辆驾驶行为异常处理装置。图6是根据本发明实施例的一种可选的车辆驾驶行为异常处理装置的示意图,如图6所示,该装置可以包括:
第一采集单元10,用于采集车辆的当前驾驶行为特征,其中,当前驾驶行为特征用于表示当前用户的驾驶行为;
第一确定单元20,用于确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;
第二确定单元30,用于在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常;
提示单元40,用于通过预设的方式发出提示信息,其中,提示信息用于提示车辆当前的驾驶行为出现异常。
需要说明的是,该实施例中的第一采集单元10可以用于执行本申请实施例1中的步骤S202,该实施例中的第一确定单元20可以用于执行本申请实施例1中的步骤S204,该实施例中的第二确定单元30可以用于执行本申请实施例1中的步骤S206,该实施例中的提示单元40可以用于执行本申请实施例1中的步骤S208。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
通过上述模块,可以解决了由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题,进而达到能及时发现车辆驾驶行为异常的技术效果。
作为一种可选的实施例,第一确定单元20包括:读取模块,用于读取车辆的当前驾驶行为特征;判别模块,用于根据预设的判别模型对车辆的当前驾驶行为特征进行判别,得到判别结果,其中,预设的判别模型用于确定当前驾驶行为特征出现的概率;确定模块,用于根据判别结果确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
作为一种可选的实施例,该装置还包括:第二采集单元,用于在根据预设的判别模型对车辆的当前驾驶行为特征进行判别之前,采集车辆的历史驾驶行为特征,其中,车辆的历史驾驶行为特征为车辆在历史时间段内车主驾驶的驾驶行为特征;处理单元,用于对车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;建立单元,用于根据处理后的特征数据建立预设的判别模型。
作为一种可选的实施例,车辆的当前驾驶行为特征包括多个驾驶行为参数,在历史时间段内车主驾驶的驾驶行为参数符合正态分布,建立单元用于建立每个驾驶行为参数的正态分布模型,判别模块用于通过每个驾驶行为参数的正态分布模型分别对车辆的多个当前驾驶行为参数进行判别,得到当前驾驶行为参数出现的概率。
作为一种可选的实施例,当前驾驶行为特征包括车辆加速起步特征和/或减速停车特征,处理单元包括:第一滤除模块,用于将加速起步特征中平稳速度低于第一预设速度的数值滤除;和/或第二滤除模块,用于将减速停车特征中加速度高于第二预设速度的数值滤除。
作为一种可选的实施例,该装置还包括:第三确定单元,用于根据判别结果确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率之后,在判断出概率大于等于预设阈值时,确定车辆当前的驾驶行为正常;添加单元,用于将当前驾驶行为特征添加到预存的历史驾驶行为特征集合中。
作为一种可选的实施例,该装置还包括:锁定单元,用于锁定车辆。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
实施例3
根据本发明实施例,还提供了一种用于实施上述车辆驾驶行为异常处理方法的服务器或终端。
图7是根据本发明实施例的一种终端的结构框图,如图7所示,该终端可以包括:一个或多个(图中仅示出一个)处理器201、存储器203、以及传输装置205(如上述实施例中的发送装置),如图7所示,该终端还可以包括输入输出设备207。
其中,存储器203可用于存储软件程序以及模块,如本发明实施例中的车辆驾驶行为异常处理方法和装置对应的程序指令/模块,处理器201通过运行存储在存储器203内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆驾驶行为异常处理方法。存储器203可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器203可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置205用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置205包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置205为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器203用于存储应用程序。
处理器201可以通过传输装置205调用存储器203存储的应用程序,以执行下述步骤:采集车辆的当前驾驶行为特征,其中,当前驾驶行为特征用于表示当前用户的驾驶行为;确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常;通过预设的方式发出提示信息,其中,提示信息用于提示车辆当前的驾驶行为出现异常。
处理器201还用于执行下述步骤:读取车辆的当前驾驶行为特征;根据预设的判别模型对车辆的当前驾驶行为特征进行判别,得到判别结果,其中,预设的判别模型用于确定当前驾驶行为特征出现的概率;根据判别结果确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
处理器201还用于执行下述步骤:采集车辆的历史驾驶行为特征,其中,车辆的历史驾驶行为特征为车辆在历史时间段内车主驾驶的驾驶行为特征;对车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;根据处理后的特征数据建立预设的判别模型。
处理器201还用于执行下述步骤:建立每个驾驶行为参数的正态分布模型,通过每个驾驶行为参数的正态分布模型分别对车辆的多个当前驾驶行为参数进行判别,得到当前驾驶行为参数出现的概率。
处理器201还用于执行下述步骤:将加速起步特征中平稳速度低于第一预设速度的数值滤除;和/或将减速停车特征中加速度高于第二预设速度的数值滤除。
处理器201还用于执行下述步骤:在判断出概率大于等于预设阈值时,确定车辆当前的驾驶行为正常;将当前驾驶行为特征添加到预存的历史驾驶行为特征集合中。
处理器201还用于执行下述步骤:锁定车辆。
采用本发明实施例,通过采集车辆的当前驾驶行为特征,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常,通过预设的方式发出提示信息,以提示当前驾驶行为出现异常,通过确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率来判断车辆当前的驾驶行为是否出现异常,达到了根据当前驾驶行为特征判断出当前车辆的驾驶行为是否出现异常的目的,从而实现了能及时发现车辆驾驶行为异常的技术效果,进而解决了由于车辆防盗方法不智能造成的被盗不能及时发现的技术问题。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图7所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如,终端还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例4
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行车辆驾驶行为异常处理方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,采集车辆的当前驾驶行为特征,其中,当前驾驶行为特征用于表示当前用户的驾驶行为;
S2,确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;
S3,在判断出概率小于预设阈值时,确定车辆当前的驾驶行为出现异常;
S4,通过预设的方式发出提示信息,其中,提示信息用于提示车辆当前的驾驶行为出现异常。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:读取车辆的当前驾驶行为特征;根据预设的判别模型对车辆的当前驾驶行为特征进行判别,得到判别结果,其中,预设的判别模型用于确定当前驾驶行为特征出现的概率;根据判别结果确定当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:采集车辆的历史驾驶行为特征,其中,车辆的历史驾驶行为特征为车辆在历史时间段内车主驾驶的驾驶行为特征;对车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;根据处理后的特征数据建立预设的判别模型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:建立每个驾驶行为参数的正态分布模型,通过每个驾驶行为参数的正态分布模型分别对车辆的多个当前驾驶行为参数进行判别,得到当前驾驶行为参数出现的概率。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:将加速起步特征中平稳速度低于第一预设速度的数值滤除;和/或将减速停车特征中加速度高于第二预设速度的数值滤除。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:在判断出概率大于等于预设阈值时,确定车辆当前的驾驶行为正常;将当前驾驶行为特征添加到预存的历史驾驶行为特征集合中。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:锁定车辆。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,在本实施例中,处理器根据存储介质中已存储的程序代码执行车辆驾驶行为异常处理方法。
可选地,在本实施例中,处理器根据存储介质中已存储的程序代码执行车辆驾驶行为异常处理方法。
本发明实施例还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,处理器通过计算机程序执行本发明实施例的车辆驾驶行为异常处理方法。电子装置可以是计算机、智能手机等多种类型的电子装置。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种车辆驾驶行为异常处理方法,其特征在于,包括:
采集车辆的当前驾驶行为特征,其中,所述当前驾驶行为特征用于表示当前用户的驾驶行为;
确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;
在判断出所述概率小于预设阈值时,确定所述车辆当前的驾驶行为出现异常;
通过预设的方式发出提示信息,其中,所述提示信息用于提示所述车辆当前的驾驶行为出现异常。
2.根据权利要求1所述的方法,其特征在于,确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率包括:
读取所述车辆的当前驾驶行为特征;
根据所述预设的判别模型对所述车辆的当前驾驶行为特征进行判别,得到判别结果,其中,所述预设的判别模型用于确定所述当前驾驶行为特征出现的概率;
根据所述判别结果确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
3.根据权利要求2所述的方法,其特征在于,在根据所述预设的判别模型对所述车辆的当前驾驶行为特征进行判别之前,所述方法还包括:
采集所述车辆的历史驾驶行为特征,其中,所述车辆的历史驾驶行为特征为所述车辆在历史时间段内车主驾驶的驾驶行为特征;
对所述车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;
根据所述处理后的特征数据建立所述预设的判别模型。
4.根据权利要求3所述的方法,其特征在于,所述车辆的当前驾驶行为特征包括多个驾驶行为参数,在历史时间段内车主驾驶的驾驶行为参数符合正态分布,
根据所述处理后的特征数据建立所述预设的判别模型包括:建立每个驾驶行为参数的正态分布模型,
根据所述预设的判别模型对所述车辆的当前驾驶行为特征进行判别,得到所述判别结果包括:通过每个驾驶行为参数的正态分布模型分别对所述车辆的多个当前驾驶行为参数进行判别,得到所述当前驾驶行为参数出现的概率。
5.根据权利要求3所述的方法,其特征在于,所述当前驾驶行为特征包括车辆加速起步特征和/或减速停车特征,对所述车辆的历史驾驶行为特征进行数据预处理包括:
将所述加速起步特征中平稳速度低于第一预设速度的数值滤除;
和/或将所述减速停车特征中加速度高于第二预设速度的数值滤除。
6.根据权利要求2所述的方法,其特征在于,在根据所述判别结果确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率之后,所述方法还包括:
在判断出所述概率大于等于所述预设阈值时,确定所述车辆当前的驾驶行为正常;
将所述当前驾驶行为特征添加到所述预存的历史驾驶行为特征集合中。
7.根据权利要求1所述的方法,其特征在于,在确定所述车辆当前的驾驶行为出现异常之后,所述方法还包括:
锁定所述车辆。
8.一种车辆驾驶行为异常处理装置,其特征在于,包括:
第一采集单元,用于采集车辆的当前驾驶行为特征,其中,所述当前驾驶行为特征用于表示当前用户的驾驶行为;
第一确定单元,用于确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率;
第二确定单元,用于在判断出所述概率小于预设阈值时,确定所述车辆当前的驾驶行为出现异常;
提示单元,用于通过预设的方式发出提示信息,其中,所述提示信息用于提示所述车辆当前的驾驶行为出现异常。
9.根据权利要求8所述的装置,其特征在于,所述第一确定单元包括:
读取模块,用于读取所述车辆的当前驾驶行为特征;
判别模块,用于根据所述预设的判别模型对所述车辆的当前驾驶行为特征进行判别,得到判别结果,其中,所述预设的判别模型用于确定所述当前驾驶行为特征出现的概率;
确定模块,用于根据所述判别结果确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第二采集单元,用于在根据所述预设的判别模型对所述车辆的当前驾驶行为特征进行判别之前,采集所述车辆的历史驾驶行为特征,其中,所述车辆的历史驾驶行为特征为所述车辆在历史时间段内车主驾驶的驾驶行为特征;
处理单元,用于对所述车辆的历史驾驶行为特征进行数据预处理和特征提取,得到处理后的特征数据;
建立单元,用于根据所述处理后的特征数据建立所述预设的判别模型。
11.根据权利要求10所述的装置,其特征在于,所述车辆的当前驾驶行为特征包括多个驾驶行为参数,在历史时间段内车主驾驶的驾驶行为参数符合正态分布,
所述建立单元用于建立每个驾驶行为参数的正态分布模型,
所述判别模块用于通过每个驾驶行为参数的正态分布模型分别对所述车辆的多个当前驾驶行为参数进行判别,得到所述当前驾驶行为参数出现的概率。
12.根据权利要求10所述的装置,其特征在于,所述当前驾驶行为特征包括车辆加速起步特征和/或减速停车特征,所述处理单元包括:
第一滤除模块,用于将所述加速起步特征中平稳速度低于第一预设速度的数值滤除;
和/或第二滤除模块,用于将所述减速停车特征中加速度高于第二预设速度的数值滤除。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第三确定单元,用于在根据所述判别结果确定所述当前驾驶行为特征在预存的历史驾驶行为特征集合中出现的概率之后,在判断出所述概率大于等于所述预设阈值时,确定所述车辆当前的驾驶行为正常;
添加单元,用于将所述当前驾驶行为特征添加到所述预存的历史驾驶行为特征集合中。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
15.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356101.6A CN108944799B (zh) | 2017-05-18 | 2017-05-18 | 车辆驾驶行为异常处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356101.6A CN108944799B (zh) | 2017-05-18 | 2017-05-18 | 车辆驾驶行为异常处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108944799A true CN108944799A (zh) | 2018-12-07 |
CN108944799B CN108944799B (zh) | 2022-06-03 |
Family
ID=64461435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710356101.6A Active CN108944799B (zh) | 2017-05-18 | 2017-05-18 | 车辆驾驶行为异常处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108944799B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807436A (zh) * | 2019-11-07 | 2020-02-18 | 深圳鼎然信息科技有限公司 | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 |
CN110901582A (zh) * | 2019-11-19 | 2020-03-24 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于驾驶行为相似度的被盗车辆追踪方法 |
CN110969844A (zh) * | 2019-11-19 | 2020-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于行车数据计算驾驶行为相似度的方法及应用 |
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN111391859A (zh) * | 2020-03-23 | 2020-07-10 | 东风小康汽车有限公司重庆分公司 | 车主识别预警方法及系统 |
CN111994087A (zh) * | 2020-09-02 | 2020-11-27 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、系统、车辆及介质 |
CN112398814A (zh) * | 2020-10-26 | 2021-02-23 | 易显智能科技有限责任公司 | 一种基于大数据的驾驶行为数据防篡改方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100207847B1 (ko) * | 1997-08-14 | 1999-07-15 | 정몽규 | 자동차의 도난 방지 장치 및 그 제어 방법 |
CN103871122A (zh) * | 2014-03-11 | 2014-06-18 | 深圳市朗仁科技有限公司 | 驾驶行为分析方法及分析系统 |
CN103942954A (zh) * | 2014-03-19 | 2014-07-23 | 浙江宇视科技有限公司 | 车辆参数信息的分析预警方法及其分析预警系统 |
US20140309806A1 (en) * | 2012-03-14 | 2014-10-16 | Flextronics Ap, Llc | Intelligent vehicle for assisting vehicle occupants |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN105966406A (zh) * | 2016-05-04 | 2016-09-28 | 成都景博信息技术有限公司 | 汽车盗抢监控方法 |
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 |
CN106128099A (zh) * | 2016-07-01 | 2016-11-16 | 斑马信息科技有限公司 | 驾驶员识别方法和装置 |
-
2017
- 2017-05-18 CN CN201710356101.6A patent/CN108944799B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100207847B1 (ko) * | 1997-08-14 | 1999-07-15 | 정몽규 | 자동차의 도난 방지 장치 및 그 제어 방법 |
US20140309806A1 (en) * | 2012-03-14 | 2014-10-16 | Flextronics Ap, Llc | Intelligent vehicle for assisting vehicle occupants |
CN103871122A (zh) * | 2014-03-11 | 2014-06-18 | 深圳市朗仁科技有限公司 | 驾驶行为分析方法及分析系统 |
CN103942954A (zh) * | 2014-03-19 | 2014-07-23 | 浙江宇视科技有限公司 | 车辆参数信息的分析预警方法及其分析预警系统 |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN105966406A (zh) * | 2016-05-04 | 2016-09-28 | 成都景博信息技术有限公司 | 汽车盗抢监控方法 |
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 |
CN106128099A (zh) * | 2016-07-01 | 2016-11-16 | 斑马信息科技有限公司 | 驾驶员识别方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN111325437B (zh) * | 2019-02-18 | 2021-09-24 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN110807436A (zh) * | 2019-11-07 | 2020-02-18 | 深圳鼎然信息科技有限公司 | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 |
CN110901582A (zh) * | 2019-11-19 | 2020-03-24 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于驾驶行为相似度的被盗车辆追踪方法 |
CN110969844A (zh) * | 2019-11-19 | 2020-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于行车数据计算驾驶行为相似度的方法及应用 |
CN111391859A (zh) * | 2020-03-23 | 2020-07-10 | 东风小康汽车有限公司重庆分公司 | 车主识别预警方法及系统 |
CN111994087A (zh) * | 2020-09-02 | 2020-11-27 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、系统、车辆及介质 |
CN112398814A (zh) * | 2020-10-26 | 2021-02-23 | 易显智能科技有限责任公司 | 一种基于大数据的驾驶行为数据防篡改方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108944799B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108944799A (zh) | 车辆驾驶行为异常处理方法和装置 | |
US11934520B2 (en) | Detecting data anomalies on a data interface using machine learning | |
US11748474B2 (en) | Security system and methods for identification of in-vehicle attack originator | |
CN111095955B (zh) | 用于联网车辆网络安全的系统和方法 | |
EP3693935A1 (en) | A method and system for vehicle protection | |
US10139827B2 (en) | Detecting physical threats approaching a vehicle | |
CN108540579B (zh) | 驾驶员身份在线监测方法、装置和存储介质 | |
US20160173513A1 (en) | Apparatuses and methods for security in broadcast serial buses | |
DE102014223258A1 (de) | Tragbarer Computer in einem autonomen Fahrzeug | |
Kuwahara et al. | Supervised and unsupervised intrusion detection based on CAN message frequencies for in-vehicle network | |
US11567509B2 (en) | Control system, control method, and non-transitory storage medium | |
Alfardus et al. | Intrusion detection system for can bus in-vehicle network based on machine learning algorithms | |
CN105913657B (zh) | 一种汽车安全状态智能监测方法 | |
Zualkernan et al. | Digimesh-based social internet of vehicles (siov) for driver safety | |
DE112016007466T5 (de) | Computer eines autonomen fahrzeugs | |
CN108900634A (zh) | 一种基于v2x的车辆远程控制方法及系统 | |
JP2019214249A (ja) | 検知装置、コンピュータプログラム、検知方法及び学習モデル | |
US20220019662A1 (en) | Log management device and center device | |
EP4049470B1 (en) | A method for determining reliability of received data | |
WO2021111865A1 (ja) | 判定装置、判定プログラム及び判定方法 | |
WO2020225681A1 (en) | Anti-hijacking system and method for an autonomous machine | |
DE102018210959A1 (de) | Verfahren zur Überwachung einer Verkehrskomponente, insbesondere eines Kraftfahrzeugs, auf eine unautorisierte Aktivität, sowie System | |
CN104890624A (zh) | 一种车辆防盗方法及装置 | |
EP3474240A1 (de) | Verfahren und system zur aktivierung einer sicherheitsfunktion über ein externes gerät | |
CN111907471B (zh) | 钥匙提示方法、装置、车辆及存储介质 |
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 |