CN109118034B - 驾驶行为三维定量综合评价方法 - Google Patents
驾驶行为三维定量综合评价方法 Download PDFInfo
- Publication number
- CN109118034B CN109118034B CN201810614303.0A CN201810614303A CN109118034B CN 109118034 B CN109118034 B CN 109118034B CN 201810614303 A CN201810614303 A CN 201810614303A CN 109118034 B CN109118034 B CN 109118034B
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- evaluation
- driving
- comfort
- comprehensive evaluation
- 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
Images
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
Abstract
本发明提供了一种驾驶行为三维定量综合评价方法,基于安全性的角度,根据模糊综合评价法,得出驾驶人不良驾驶行为的风险评价指数n1,构造驾驶行为安全评估模型D1;基于经济性的角度,根据节气门开度合理性隶属函数和稳定性评价函数,计算出经济性评价指数n2,构造驾驶行为经济评估模型D2;基于舒适性的角度,根据驾驶过程中各轴向加速度,确定舒适性评价指数n3,构造驾驶行为舒适评估模型D3;最后基于安全、经济、舒适评估模型,构造关于驾驶行为的三维综合评价模型P。从安全性、经济性、舒适性三方面着手综合评价,可以弥补传统驾驶行为评价方法的不足,使驾驶行为评价模型更加完整,结果更加完善。
Description
技术领域
本发明涉及一种综合性的关于驾驶行为的三维定量评价方法。
背景技术
随着人们经济水平的提高,越来越多的家庭拥有私家车,驾驶员的数目也随之增多。据公安部交管局统计,截至2017年6月底,全国机动车保有量达3.04亿辆,其中汽车2.05亿辆;机动车驾驶人达3.71亿人,其中汽车驾驶人3.28亿人。驾驶员不但是交通信息的接受和处理者,而且是决策和控制者。因此,对驾驶员进行驾驶行为的综合评价至关重要。
查阅现有专利,中国发明专利申请201310221581.7公开的车辆经济驾驶评价服务器及车辆驾驶管理方法,提供了一种车辆经济驾驶评价服务器,并对驾驶行为作出经济驾驶评价。中国发明专利申请201611177920.6公开的驾驶行为分析方法、装置及系统,从安全的角度对车辆运行信号进行分析,确定是否发生危险驾驶行为事件,生成驾驶行为评价结果并保存。中国发明专利申请201610294434.62公开的驾驶行为综合评价方法,基于安全驾驶隶属度和经济驾驶隶属度对驾驶行为进行综合评价。
总的来看,上述发明专利对驾驶行为的评价主要是从经济、安全的角度,评价角度还不够全面,从而构造的评价模型产生的结果不够准确。因此,需要设计一种更加全面的驾驶行为评价系统及方法。
发明内容
针对以往驾驶行为评价方法维度单一、不够全面,定性评价居多的缺点,本发明提出一种关于驾驶行为的三维定量评价系统方法。该系统方法从安全性、经济性、舒适性三方面着手综合评价,可以弥补传统驾驶行为评价方法的不足,使驾驶行为评价模型更加完整,结果更加完善。
本发明是通过以下技术手段实现上述技术目的的。
驾驶行为三维定量综合评价方法,其特征在于,包括如下步骤:
(4)基于驾驶行为安全、经济、舒适评估模型,构造关于驾驶行为的三维综合评价模型P,P=w1D1+w2D2+w3D3,w1+w2+w3=1;P值越大,代表驾驶行为的综合评价结果越好,其中,w1、w2、w3通过层次分析法中确定权重的方法获得;构建的驾驶行为的三维综合评价模型P用于评价驾驶员的驾驶行为。
进一步地,所述步骤(1)中,获取风险评价指数n1包括以下步骤:
确定具体的不良驾驶行为,统计规定时间T内,不良驾驶行为发生的次数;对驾驶人不良驾驶行为进行分层次的模糊综合评价,得出驾驶人不良驾驶行为的风险评价指数n1;
所述模糊综合评价法获取风险评价过程为:
所有的不良驾驶行为集合为U0={U1,U2,…,Un},确定因素集U={U1,U2,U3,U4,U5},其分解的因素子集Ui={Ui1,Ui2}={驾驶行为Ui发生的次数,驾驶行为Ui的次数占五种驾驶行为次数总和的百分比},i=1,2,3,4,5;确定评价集V={v1,v2,v3,v4,v5}={1,2,3,4,5}={很轻微,轻微,一般,严重,很严重};通过问卷调查法,对十位有十年以上驾龄的驾驶员,针对五种典型的不良驾驶行为本身所属危险程度、单个不良驾驶行为的发生次数所属危险程度、单个不良驾驶行为发生次数占总次数百分比对应的危险程度,进行单选投票,计算单个指标的得票数占该项行为的总数的比例,由此可得三大项的判断矩阵,即:
五种不良驾驶行为本身所属危险程度构成的判断矩阵:
单个不良驾驶行为的发生次数所属危险程度构成判断矩阵:
单个不良驾驶行为发生次数占总次数百分比所属的危险程度构成判断矩阵:
由[v1 v2 v3 v4 v5]gX=[a11 a22 a33 a44 a55],根据归一法确定一级权重向量A=[a1,a2,a3,a4,a5],确定二级权重向量Ai=[Ai1,Ai2],Ai1+Ai2=1;
根据不良驾驶行为识别算法统计得到的五种类别行为次数及单个行为占总数的百分比,对照Y、Z判断矩阵,得到一行五列的Yu和Zv,u=1,2…,5;v=1,2,…,5,构建二行五列的模糊隶属度矩阵驾驶行为Ui综合评价为Bii=[Ai1,Ai2]·Ruv;综合五种不良驾驶行为因素,可得模糊评价矩阵R=[B11,B22,B33,B44,B55]T,最后可得两层模糊评价后的结果B=A·R=[b1,b2,b3,b4,b5];
进一步地,所述确定的五种不良驾驶行为包括:空档滑行、不打转向灯转向、转向同时刹车、猛踩油门、急速制动;
不良驾驶行为的统计采用根据车速信息、档位信息、方向盘转角信息、加速度信息、油门信息、刹车信息、转向灯信息设计的识别算法进行。
进一步地,所述步骤(2)中,获取经济评价指数n2的方法为:
进一步地,所述步骤(3)中,获取舒适评价指数n3的方法为:
在时间T内,每隔时间间隔Δt’,利用加速度传感器采集水平x、y轴和垂直方向z轴的加速度,第m次记为记录组,m=1,2,…,k’;计算出三个轴向的总加权加速度均方根值根据所属的范围确定人体的主观感受;人体的主观感受分为没有不舒服S1、有一些不舒服S2、相当不舒服S3、不舒服S4、很不舒服S5、极不舒服S6,将人体的主观感受定量化:没有不舒服S1=5,有一些不舒服S2=4,相当不舒服S3=3,不舒服S4=2,很不舒服S5=1,极不舒服为S6=0;统计时间T内,人体主观感受Sc对应的次数Tc,c=1,2,…,6;构造公式计算舒适评价指数n3;
<0.315:没有不舒适S1=5;
0.315~0.63:有一些不舒服S2=4;
0.63~1:相当不舒服S3=3;
1~1.6:不舒服S4=2;
1.6~2.5:很不舒服S5=1;
>2.5:极不舒服S6=0。
进一步地,所述步骤(4)中,利用驾驶行为的三维综合评价模型P评价驾驶行为的方法为:在时间T内,采集以下参数:不良驾驶行为U1,U2,U3,U4,U5分别发生的次数,每隔Δt间隔采集节气门开度,每隔Δt’间隔采集x,y,z轴方向的加速度;根据采集的信息,利用所述三维综合评价模型P进行综合评价。
与现有驾驶行为评价系统及方法相比,本发明具有的优点在于:
1.本发明的评价方法系统更加全面。传统驾驶行为评价系统及方法主要围绕安全性或经济性或者经济性和安全性展开,不够全面,但是本发明的评价方法系统包括安全性、经济性、舒适性三个方面,又各有侧重。
2.本发明的评价方法更加具体化。日常生活中,对驾驶人的驾驶行为评价一般比较抽象,本发明从安全性、经济性、驾驶性三方面定量评价,通过建立数学综合评价模型,能获取具体的评价数值,具有参考价值。
3.本发明的评价方法系统适用范围更广。在出租车行业中,除了驾驶行为的安全性、经济性,舒适性也是不可忽视的因素,因此,本评价方法系统除了对私家车驾驶员进行驾驶行为评价后,还能应用于出租车行业对司机驾驶行为的评价。
附图说明
图1是本发明所述驾驶行为三维定量评价方法的原理结构图;
图2是驾驶行为安全性评估的流程图;
图3是本发明所述不良驾驶行为空档滑行的识别算法图;
图4是本发明所述不良驾驶行为转弯同时刹车、不打转向灯转向的识别算法图;
图5是本发明所述不良驾驶行为猛踩油门、猛踩刹车的识别算法图;
图6是驾驶行为经济性评估的流程图;
图7是驾驶行为舒适性评估的流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,该图是本发明的驾驶行为三维定量评价方法的原理结构图,该评价方法包括安全评估模块、经济评估模块、舒适评估模块。基于模块中安全评估模型、经济评估模型和舒适评估模型,构造驾驶行为三维定量评价模型。本评价方法具有全面化、定量化以及适用性广的优点。
如图2所示,构造安全评估模型的步骤如下:
步骤s11:确定典型的不良驾驶行为,并设计相应的识别算法,具体包括:
(1)确定五种典型的不良驾驶行为:空档滑行、不打转向灯转向、转向同时刹车、行驶过程中猛踩油门、行驶过程中急速制动。
(2)如图3所示,设计空档滑行的识别算法:
系统识别车速大于0,获取档位信息,判断是否为空档。如果是空档,且延时10s后再检测仍为空档,则空档滑行次数加1;否则,返回车速查询状态。
(3)如图4所示,设计转弯同时刹车、不打转向灯转向的识别算法:
系统识别车速大于0,获取方向盘转角信息,如果方向盘转角大于设定阈值,说明驾驶人在进行转向操作,进一步判断是否有刹车信号,若有则转弯同时刹车次数加1,若没有则进入不打转向灯转向的识别流程。进一步获取方向盘方向信息,若为左转向但没有开启左转向灯,或者右转向没有开启右转向灯,则不打转向灯转向次数加1;否则,回到开始重新查询车速信息。
(4)如图5所示,设计行驶过程中猛踩油门、猛踩刹车的识别算法:
系统识别车速大于0,获取加速度信息,判断加速度绝对值是否大于设定阈值。如果加速度绝对值大于设定阈值,且有油门信息,则猛踩油门次数加1;如果加速度绝对值大于设定阈值,且有刹车信息,则猛踩刹车次数加1;否则,回到开始重新查询车速信息。
步骤s12:在规定的时间T内,根据识别算法统计各不良驾驶行为的发生次数。相应地,计算出各不良驾驶行为次数占不良驾驶行为总次数的比例。
步骤s13:对不良驾驶行为进行分层次的模糊综合评价,具体包括:
(1)确定因素集U={U1,U2,U3,U4,U5}={空档滑行U1,不打转向灯转向U2,转向同时刹车U3,猛踩油门U4,急速制动U5},分解的因素子集Ui={Ui1,Ui2}={该驾驶行为发生的次数,该驾驶行为次数的百分比}(i=1,2,3,4,5);
(2)确定评价集V={v1,v2,v3,v4,v5}={1,2,3,4,5}={很轻微,轻微,一般,严重,很严重};
(3)通过问卷调查法,调查对象为十位有十年以上驾龄的驾驶员,针对五种典型的不良驾驶行为本身所属危险程度、单个不良驾驶行为的发生次数所属危险程度、单个不良驾驶行为发生次数占总次数百分比对应的危险程度,进行单选投票,计算单个指标的得票数在该项行为的总数的比例,由此可得三大项评判矩阵X、Y、Z:
五种不良驾驶行为本身所属危险程度构成的判断矩阵:
单个不良驾驶行为的发生次数所属危险程度构成判断矩阵:
单个不良驾驶行为发生次数占总次数百分比所属的危险程度构成判断矩阵:
其中,问卷调查投票表格设计如下,每行只选一个评价语:
根据五种不良驾驶行为本身所属危险程度构成的判断矩阵X,由[v1 v2 v3 v4 v5]gX=[a11 a22 a33 a44 a55],再根据归一法确定一级权重向量A=[a1,a2,a3,a4,a5]。
(5)确定二级权重向量Ai=[Ai1,Ai2],Ai1+Ai2=1;根据重要程度,取Ai1=0.6,Ai2=0.4。
(6)根据不良驾驶行为识别算法统计得到的五种类别行为次数及单个行为占总数的百分比,对照Y、Z判断矩阵,得到一行五列的矩阵Yu和Zv,u=1,2…,5,v=1,2,…,5;构建二行五列的模糊隶属度矩阵驾驶行为Ui综合评价为Bii=[Ai1,Ai2]·Ruv;
(7)综合五种不良驾驶行为因素,可得模糊评价矩阵R=[B11,B22,B33,B44,B55]T,最后可得两层模糊评价后的结果B=A·R=[b1,b2,b3,b4,b5];
步骤s15:构造驾驶行为安全评估模型D1。
如图6所示,构造经济评估模型的步骤如下:
步骤s22:计算节气门开度合理性隶属度αd。
步骤s23:计算节气门开度稳定性评价μd。
步骤s24:计算经济评价指数n2。
步骤s25:构造驾驶行为经济评估模型D2。
如图7所示,构造舒适评估模型的步骤如下:
步骤s33:计算舒适评价指数n3,具体包括:
人体的主观感受分为没有不舒服S1、有一些不舒服S2、相当不舒服S3、不舒服S4、很不舒服S5、极不舒服S6;
统计时间T内,人体主观感受的次数Tc,c=1,2,…,6,Tc为在时间T内Sc发生的次数,范围标准如下表所示。
a<sub>w</sub>范围 | 人的主观感受 |
<0.315 | 没有不舒适S<sub>1</sub>=5 |
0.315~0.63 | 有一些不舒服S<sub>2</sub>=4 |
0.63~1 | 相当不舒服S<sub>3</sub>=3 |
1~1.6 | 不舒服S<sub>4</sub>=2 |
1.6~2.5 | 很不舒服S<sub>5</sub>=1 |
>2.5 | 极不舒服S<sub>6</sub>=0 |
(2)将人体的主观感受定量化:没有不舒服S1=5,有一些不舒服S2=4,相当不舒服S3=3,不舒服S4=2,很不舒服S5=1,极不舒服为S6=0。
步骤s34:构造驾驶行为舒适评估模型D3。
基于驾驶行为安全、经济、舒适评估模型,构造关于驾驶行为的三维定量评价模型P:P=w1D1+w2D2+w3D3,w1+w2+w3=1。P值越大,代表驾驶行为的综合评价结果越好。
其中,w1、w2、w3通过层次分析法中确定权重的方法获得。在驾驶行为综合评价模型中,重要程度排序如下:安全、经济、舒适。评价权重表如下:
评价因素C<sub>pq</sub> | 安全w<sub>1</sub> | 经济w<sub>2</sub> | 舒适w<sub>3</sub> | A<sub>t</sub> | A<sub>t</sub><sup>0</sup> |
安全w<sub>1</sub> | 1 | 2 | 3 | 1.817 | 0.539 |
经济w<sub>2</sub> | 1/2 | 1 | 2 | 1 | 0.297 |
舒适w<sub>3</sub> | 1/3 | 1/2 | 1 | 0.550 | 0.164 |
∑ | — | — | — | 3.367 | 1 |
最后可得模型权重为:w1=0.539,w2=0.297,w3=0.164。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.驾驶行为三维定量综合评价方法,其特征在于,包括如下步骤:
(4)基于驾驶行为安全、经济、舒适评估模型,构造关于驾驶行为的三维综合评价模型P,P=w1D1+w2D2+w3D3,w1+w2+w3=1;P值越大,代表驾驶行为的综合评价结果越好,其中,w1、w2、w3通过层次分析法中确定权重的方法获得;构建的驾驶行为的三维综合评价模型P用于评价驾驶员的驾驶行为;
其中,所述步骤(1)中,获取风险评价指数n1包括以下步骤:
确定具体的不良驾驶行为,统计规定时间T内,不良驾驶行为发生的次数;对驾驶人不良驾驶行为进行分层次的模糊综合评价,得出驾驶人不良驾驶行为的风险评价指数n1;
所述模糊综合评价法获取风险评价过程为:
所有的不良驾驶行为集合为U0={U1,U2,…,Un},确定因素集U={U1,U2,U3,U4,U5},其分解的因素子集Ui={Ui1,Ui2}={驾驶行为Ui发生的次数,驾驶行为Ui的次数占五种驾驶行为次数总和的百分比},i=1,2,3,4,5;确定评价集V={v1,v2,v3,v4,v5}={1,2,3,4,5}={很轻微,轻微,一般,严重,很严重};通过问卷调查法,对十位有十年以上驾龄的驾驶员,针对五种典型的不良驾驶行为本身所属危险程度、单个不良驾驶行为的发生次数所属危险程度、单个不良驾驶行为发生次数占总次数百分比对应的危险程度,进行单选投票,计算单个指标的得票数占该项行为的总数的比例,由此可得三大项的判断矩阵,即:
五种不良驾驶行为本身所属危险程度构成的判断矩阵:
单个不良驾驶行为的发生次数所属危险程度构成判断矩阵:
单个不良驾驶行为发生次数占总次数百分比所属的危险程度构成判断矩阵:
由[v1 v2 v3 v4 v5]gX=[a11 a22 a33 a44 a55],根据归一法确定一级权重向量A=[a1,a2,a3,a4,a5],确定二级权重向量Ai=[Ai1,Ai2],Ai1+Ai2=1;
根据不良驾驶行为识别算法统计得到的五种类别行为次数及单个行为占总数的百分比,对照Y、Z判断矩阵,得到一行五列的Yu和Zv,u=1,2…,5,v=1,2,…,5;构建二行五列的模糊隶属度矩阵驾驶行为Ui综合评价为Bii=[Ai1,Ai2]·Ruv;综合五种不良驾驶行为因素,可得模糊评价矩阵R=[B11,B22,B33,B44,B55]T,最后可得两层模糊评价后的结果B=A·R=[b1,b2,b3,b4,b5];
2.根据权利要求1所述的驾驶行为三维定量综合评价方法,其特征在于,所述确定的五种不良驾驶行为包括:空档滑行、不打转向灯转向、转向同时刹车、猛踩油门、急速制动;
不良驾驶行为的统计采用根据车速信息、档位信息、方向盘转角信息、加速度信息、油门信息、刹车信息、转向灯信息设计的识别算法进行。
3.根据权利要求1所述的驾驶行为三维定量综合评价方法,其特征在于,所述步骤(2)中,获取经济评价指数n2的方法为:
4.根据权利要求3所述的驾驶行为三维定量综合评价方法,其特征在于,所述步骤(3)中,获取舒适评价指数n3的方法为:
在时间T内,每隔时间间隔Δt’,利用加速度传感器采集水平x、y轴和垂直方向z轴的加速度,第m次记为记录组,m=1,2,…,k’;计算出三个轴向的总加权加速度均方根值根据所属的范围确定人体的主观感受;人体的主观感受分为没有不舒服S1、有一些不舒服S2、相当不舒服S3、不舒服S4、很不舒服S5、极不舒服S6,将人体的主观感受定量化:没有不舒服S1=5,有一些不舒服S2=4,相当不舒服S3=3,不舒服S4=2,很不舒服S5=1,极不舒服为S6=0;统计时间T内,人体主观感受Sc对应的次数Tc,c=1,2,…,6;构造公式计算舒适评价指数n3;
7.根据权利要求6所述的驾驶行为三维定量综合评价方法,其特征在于,所述步骤(4)中,利用驾驶行为的三维综合评价模型P评价驾驶行为的方法为:在时间T内,采集以下参数:不良驾驶行为U1,U2,U3,U4,U5分别发生的次数,每隔△t间隔采集节气门开度,每隔Δt’间隔采集x,y,z轴方向的加速度;根据采集的信息,利用所述三维综合评价模型P进行综合评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614303.0A CN109118034B (zh) | 2018-06-14 | 2018-06-14 | 驾驶行为三维定量综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614303.0A CN109118034B (zh) | 2018-06-14 | 2018-06-14 | 驾驶行为三维定量综合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118034A CN109118034A (zh) | 2019-01-01 |
CN109118034B true CN109118034B (zh) | 2021-11-23 |
Family
ID=64822256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810614303.0A Active CN109118034B (zh) | 2018-06-14 | 2018-06-14 | 驾驶行为三维定量综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118034B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006268208A1 (en) * | 2005-07-12 | 2007-01-18 | Eastern Virginia Medical School | System and method for automatic driver evaluation |
CN105430085A (zh) * | 2015-11-30 | 2016-03-23 | 华南理工大学 | 一种使用节气门开度评估驾驶行为经济性的系统及方法 |
CN106022561A (zh) * | 2016-05-05 | 2016-10-12 | 广州星唯信息科技有限公司 | 驾驶行为综合评价方法 |
CN106651210A (zh) * | 2016-12-30 | 2017-05-10 | 重庆邮电大学 | 基于can数据的驾驶人综合素质评价方法 |
-
2018
- 2018-06-14 CN CN201810614303.0A patent/CN109118034B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006268208A1 (en) * | 2005-07-12 | 2007-01-18 | Eastern Virginia Medical School | System and method for automatic driver evaluation |
CN105430085A (zh) * | 2015-11-30 | 2016-03-23 | 华南理工大学 | 一种使用节气门开度评估驾驶行为经济性的系统及方法 |
CN106022561A (zh) * | 2016-05-05 | 2016-10-12 | 广州星唯信息科技有限公司 | 驾驶行为综合评价方法 |
CN106651210A (zh) * | 2016-12-30 | 2017-05-10 | 重庆邮电大学 | 基于can数据的驾驶人综合素质评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109118034A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN110182217B (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN106651210B (zh) | 基于can数据的驾驶人综合素质评价方法 | |
CN113468670B (zh) | 一种自动驾驶车辆整车级别的性能评价方法 | |
CN109118034B (zh) | 驾驶行为三维定量综合评价方法 | |
CN113487197A (zh) | 一种基于topsis评价模型的车联网信息筛选方法 | |
Liang et al. | Comprehensive identification of driving style based on vehicle's driving cycle recognition | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN114120645A (zh) | 一种自然行驶环境下交通场景的提取方法 | |
CN112229642B (zh) | 一种基于工效学的乘用车驾驶动态舒适性测试分析方法 | |
Chauhan et al. | Development of candidate driving cycles for an urban arterial corridor of Vadodara city | |
CN112308136A (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN111222740A (zh) | 基于三角模糊分析法和熵值法的制动踏板感觉评价方法 | |
CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及系统 | |
CN112362356A (zh) | 一种考虑乘员舒适度的智能车制动停车能力测试方法 | |
Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China | |
Jiang et al. | US national household travel survey used to validate exposure estimates by the quasi-induced exposure technique | |
Zhou et al. | Testing scenarios construction for connected and automated vehicles based on dynamic trajectory clustering method | |
CN111881988B (zh) | 基于少数类过采样方法的异质不平衡数据故障检测方法 | |
CN113807669A (zh) | 一种城市道路交叉口客货分离系统改造的方案评选方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
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 | |
Gao et al. | Driver identification based on stop-and-go events using naturalistic driving data | |
Ruiwen et al. | Research on a Comprehensive Evaluation System for Driving Behavior by Introducing Fuzzy Evaluation Based on Natural Driving Data | |
Qin et al. | Road classification based on system response with consideration of tire enveloping |
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 |