CN109615879A - 基于车联网的车速异常预警模型、方法及模型构建方法 - Google Patents
基于车联网的车速异常预警模型、方法及模型构建方法 Download PDFInfo
- Publication number
- CN109615879A CN109615879A CN201811621593.8A CN201811621593A CN109615879A CN 109615879 A CN109615879 A CN 109615879A CN 201811621593 A CN201811621593 A CN 201811621593A CN 109615879 A CN109615879 A CN 109615879A
- Authority
- CN
- China
- Prior art keywords
- speed
- early warning
- vehicle
- component
- speed difference
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Abstract
本发明公开了一种基于车联网的车速异常预警模型、方法及模型构建方法,模型构建方法包括:筛选速度数据的步骤、抽取速度分量的步骤、计算速度差分量的步骤、对速度差分量进行分组的步骤和采用四分位法计算分组安全区间,并构建预警模型的步骤。车速异常预警方法包括:获取待检测车辆速度数据的步骤、计算速度差分量的步骤,和采用前述预警模型,对速度差分量进行预警检测的步骤。本发明方案针对车速等级,可进行连续性的、全方位的车速异常监测,检测效果更为全面,预警效果更准确。
Description
技术领域
本发明涉及车联网领域,尤其是一种基于车联网的车速异常预警模型、方法及模型构建方法。
背景技术
车速异常行为的确定,往往都是事后检验。目前市场上,没有一个成熟应对车辆速度异常的预警技术。交警部门通过大量车辆事故推断车辆事故前车辆的异常行驶情况。大量汽车厂商在新车出厂前也会通过大量碰撞测试来了解车辆异常速度范围。这种事后检验或者厂商碰撞试验会消耗大量的人力物力。并且实验数据仅仅能说明理论问题,在实际汽车行驶场景中,环境复杂并且多变,不能囊括实际发生的问题。
针对预警,大多导航仪或者手机定位软件或相关类设备都是超速之后,给予用户预警提示,即使应用到后台,也是对超速行为的监控。或者在导航结束后对于超速、急加速、急刹车行为的统计。然而现实生活中,当用户车速存在其它异常情况时,没有一套有效完善的机制对用户车辆进行预警。
发明内容
本发明的发明目的在于:针对上述存在的问题,划定车速异常的范围,利用海量历史数据构建异常预警模型,同时提供一种用于对车辆速度的异常情况进行监控的方法,通过预警模型对车速进行异常检测。以实时对车速异常情况进行全方位检测、预警。
本发明采用的技术方案如下:
一种基于车联网的车辆速度异常预警模型构建方法,包括以下步骤:
A.从每一辆车上传的速度数据中,筛选速度数据的步骤;
B.对每一辆车所筛选的速度数据进行速度分量抽取的步骤;
C.对每一辆车所抽取出的速度分量,基于时间顺序计算出速度差分量的步骤;
D.将每一辆车的速度差分量,基于对应的速度分量进行分组的步骤;
E.分别对每一个分组中的速度差分量,采用四分位法,计算出安全区间;并基于每一个分组所计算的安全区间,构建预警模型的步骤。
基于海量历史行车速度数据,构建出针对加速度进行检测用的预警模型,进而克服现有方案中,仅检测超速行为一种异常车速而对车速异常检测不全面的缺陷。同时,基于降速梯度的检测对于碰撞事件的异常预警更为精准。针对速度进行分组,可以使得模型对于各等级的速度的判断具有针对性,利用四分位法基于大量速度差分量计算安全区间,可以确定出针对于相应速度等级的异常检测区间,使得对于车速异常的预警更为及时、准确。
进一步的,上述步骤A-E具体为:
A.接收海量车载设备上传的速度数据,分别取每一辆车在停车前T1时间内的速度数据;
B.对每一辆车所取的速度数据,以预定时长为间隔,抽取出N个速度分量(V1、V2……VN);
C.对每一辆车的N个速度分量,以时间顺序,对每相邻两个速度分量作差,计算出N个速度差分量(Dv1、Dv2……DvN);
D.基于每一辆车的速度分量,将所有车辆的速度差分量划入预构建的M个分组(A、B、C……)中的相应分组;
E.分别计算每一个分组的上四分位QiY和下四分位QjY,得到每一个分组的安全区间KY=[QiY,QjY],再构建集合族K={KA,KB,KC……},其中,Y对应于相应的分组(A、B、C……);将集合族K进行保存,得到速度异常预警模型。
将每一辆车的历史速度数据进行分组统计分析,可以得到具有针对性的预警模型,使得对车速的异常检测更为精准。
进一步的,上述步骤D中,所述基于每一辆车的速度分量,为基于每一辆车的首个速度分量。
基于首个速度分量进行分组,可以确定所检测行为的起始点,这样就可以对一段时间内的行为进行连续性的检测,相对于对单个时间点车速、急加速或急减速的统计,更能代表车辆的行为,预警结果更为准确。
为解决上述全部或部分问题,本发明提供了一种采用上述车辆速度异常预警模型构建方法所构建的车辆速度异常预警模型。
为解决上述全部或部分问题,本发明提供了一种车辆速度异常预警方法,包括以下步骤:
F.获取待检测车辆的速度数据的步骤;
G.在检测区间内,从上述速度数据中抽取速度分量,并以时间顺序计算出速度差分量的步骤;
H.采用上述车辆速度异常预警模型,对G中的速度差分量进行检测。
基于构建的预警模型,对车速进行检测,可以及时、准确地对车辆速度,尤其是易发生碰撞事件的车速进行预警。
进一步的,上述步骤G具体为:
在预设检测区间T2内,以预定时长为间隔,抽取出Z个速度分量(V1、V2……VZ),以时间顺序,对每相邻两个速度分量作差,得到Z个速度差分量。
对一段时间内的车速/速度差进行连续性检测,更能代表车辆行为,使得检测结果更为准确,预警效果更好。
进一步的,上述步骤H具体为:
采用所述车辆速度异常预警模型,分别对所述Z个速度差分量进行异常检测。
分别对速度差进行异常检测,可以使得对检测区间内的检测覆盖面积更广,更全面。
进一步的,上述分别对所述Z个速度差分量进行异常检测具体为:依次对所述Z个速度差分量进行异常检测。
依次对速度差进行异常检测,可以在检测出异常时,跳出异常检测,节省了对后续数据检测的计算量。
进一步的,上述步骤H具体为:
确定速度分量对应于预警模型中的分组,再判断Z个速度差分量是否在对应的分组的安全区间内,若否,则发出预警信息。基于速度的预警模型确认,可以使得对速度差的检测更具针对性,进而得到更为准确的车速异常检测结果,预警效果更好。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明可以对车辆速度进行连续性、全方位的异常检测,基于历史海量数据所构建的检测模型,可以确保检测具有依据,具备科学性;同时,基于对速度等级的分组,可以使得预警模型对车速的检测更具针对性,检测依据符合相应车速的等级的特征,这使得本发明所构建的预警模型,以及基于该模型的检测方法对车速的异常预警更为准确。
2、本发明所构建的预警模型,为基于车辆的连续性车速所构建的模型,对于车辆行为的描述更为全面,相应的,对于车辆车速的异常检测同样为连续性检测,相对于对单点位车速加速度的检测,事件描述更为准确,预警检测更为全面,预警效果更好。
3、本发明在检测过程中,所需的计算量较小,有效降低了预警计算的计算量。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是车速异常预警模型构建方法流程图。
图2是车速异常预警方法流程图。
图3是车速异常预警检测的一个实施例。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
如图1所示,本实施例公开了一种基于车联网的车辆速度异常预警模型构建方法,包括以下步骤:
A.从每一辆车上传的速度数据中,筛选速度数据的步骤;
B.对每一辆车所筛选的速度数据进行速度分量抽取的步骤;
C.对每一辆车所抽取出的速度分量,基于时间顺序计算出速度差分量的步骤;
D.将每一辆车的速度差分量,基于对应的速度分量进行分组的步骤;
E.分别对每一个分组中的速度差分量,采用四分位法,计算出安全区间;并基于每一个分组所计算的安全区间,构建预警模型的步骤。
如图2所示,本实施例公开了一种车辆速度异常预警方法,包括以下步骤:
F.获取待检测车辆的速度数据的步骤;
G.在检测区间内,从上述速度数据中抽取速度分量,并以时间顺序计算出速度差分量的步骤;
H.采用上述实施例中构建的预警模型,对G中的速度差分量进行检测。
本实施例公开了一种基于车联网的车辆速度异常预警模型构建方法,包括以下步骤:
A.接收海量车载设备上传的速度数据,分别取每一辆车在停车前T1时间内的速度数据;
B.对每一辆车所取的速度数据,以时长X(如1秒)为间隔,抽取出N个速度分量(V1、V2……VN);
C.对每一辆车的N个速度分量,以时间顺序,对每相邻两个速度分量作差,计算出N个速度差分量(Dv1、Dv2……DvN);最后一个速度差分量为停车速度与最后一个速度分量的差值;
D.基于每一辆车的速度分量的首个(或最大)分量,将所有车辆的速度差分量划入预构建的M个分组(A、B、C……)中的相应分组;
E.分别计算每一个分组的上四分位QiY和下四分位QjY,得到每一个分组的安全区间KY,再构建集合族K={KA,KB,KC……},其中,Y对应于相应的分组(A、B、C……),KY=[QiY,QjY](即KA=[QiA,QjA],KB=[QiB,QjB],KC=[QiC,QjC]……);将集合族K进行保存,得到速度异常预警模型。
对应于每一个速度等级(对应于分组),设置有相应的速度差安全区间,在该安全区间之外,则表示速度异常。
一种基于上述预警模型的车辆速度异常预警方法,包括以下步骤:
F.接收并解析待检测车载设备发送的数据包中的速度数据;
G.在预设检测区间T2内,以时长X为间隔,抽取出Z个速度分量(V1、V2……VZ),以时间顺序,对每相邻两个速度分量作差,得到Z个速度差分量;
H.基于上述实施例构造的预警模型,对所述Z个速度差分量进行异常检测。
具体而言,上述H为,基于预警模型,分别(如依次)对Z个速度差分量进行异常检测。过程为:确定速度分量对应于预警模型中的分组,再分别判断Z个速度差分量是否在对应的分组的安全区间内,若否,则发出预警信息。当然,也可以在确定速度分量对应的预警模型分组后,先筛选出Z个速度差中的最大值,再判断该速度差最大值是否在对应的分组的安全区间内,若否,则发出预警信息。检测平台将所述预警信息推送给用户端。先挑选出特征值,直接对特征值进行检测,一方面,可以确保检测结果具有代表性,另一方面,可以有效节省逐一检测所需的计算量。
如图3所示,本实施例公开了另一种基于车联网的车辆速度异常预警模型构建方法,包括以下步骤:
A.接收海量车载设备上传的速度数据,分别取每一辆车在停车前17秒内的速度数据;
B.对每一辆车所取的速度数据,以1秒为间隔,抽取出17个速度分量(V1、V2……V17);
C.对每一辆车的17个速度分量,以时间顺序,对每相邻两个速度分量作差,即后项减前项(如Dv1=V2-V1……Dv17=0-V17),计算出17个速度差分量(Dv1、Dv2……Dv17),速度差分量Dv17为停车速度(即0)与速度分量V17的差值;
D.基于每一辆车的速度分量的首个分量V1,将所有车辆的速度差分量划入预构建的5个分组(A、B、C、D、E)中的相应分组,其中,5个分组为基于速度所构建的分组,具体为:A:[80,+∞),B:[60,80),C:[40,60),D:[20,40),E:[0,20);例如车辆的速度分量V1=65,则将车辆的速度差分量划入分组B,通过相同的方式,将每一辆车的速度差分量划入对应的分组内;得到如下对应关系:
分组A:[80,+∞)→Dv1,Dv2,Dv3,Dv4,Dv5,Dv6,Dv7,Dv8,Dv9,Dv10……,
分组B:[60,80)→Dv1,Dv2,Dv3,Dv4,Dv5,Dv6,Dv7,Dv8,Dv9,Dv10……,
分组C:[40,60)→Dv1,Dv2,Dv3,Dv4,Dv5,Dv6,Dv7,Dv8,Dv9,Dv10……,
分组D:[20,40)→Dv1,Dv2,Dv3,Dv4,Dv5,Dv6,Dv7,Dv8,Dv9,Dv10……,
分组E:[0,20)→Dv1,Dv2,Dv3,Dv4,Dv5,Dv6,Dv7,Dv8,Dv9,Dv10……;
E.分别计算分组A-E(中的速度差分量)的上四分位QiY和下四分位QjY,得到每一个分组的安全区间KA、KB、KC、KD、KE,其中,KY=[QiY,QjY], 构建集合族K={KA,KB,KC,KD,KE}并保存,得到速度异常预警模型。
本实施例基于上一实施例,公开了一种车辆速度异常预警方法,针对于每一辆车,包括以下步骤:
F.接收并解析待检测车载设备高频采集的数据包;
G.在预设检测区间30秒内,以1秒间隔,抽取出30个速度分量(V1、V2……V30),以时间顺序,对每相邻两个速度分量作差,得到30个速度差分量;
H.基于速度分量V1,确定预警模型中的分组(例如V1=65,则选择预警模型中的分组B),再分别判断30个速度差分量是否在所选择分组(如分组B)的安全区间(KB)内,若是,则回到步骤F,否则,向第三方监管服务器发出预警信息;第三方监管服务器将预警信息推送给客户端。
本实施例公开了一种车速异常预警模型,其由上述车速异常预警模型构建方法实施例或车速异常预警方法中,预警模型构建步骤构建而成。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (9)
1.一种基于车联网的车辆速度异常预警模型构建方法,其特征在于,包括以下步骤:
A.从每一辆车上传的速度数据中,筛选速度数据的步骤;
B.对每一辆车所筛选的速度数据进行速度分量抽取的步骤;
C.对每一辆车所抽取出的速度分量,基于时间顺序计算出速度差分量的步骤;
D.将每一辆车的速度差分量,基于对应的速度分量进行分组的步骤;
E.分别对每一个分组中的速度差分量,采用四分位法,计算出安全区间;并基于每一个分组所计算的安全区间,构建预警模型的步骤。
2.如权利要求1所述的基于车联网的车辆速度异常预警模型构建方法,其特征在于,上述步骤A-E具体为:
A.接收海量车载设备上传的速度数据,分别取每一辆车在停车前T1时间内的速度数据;
B.对每一辆车所取的速度数据,以预定时长为间隔,抽取出N个速度分量(V1、V2……VN);
C.对每一辆车的N个速度分量,以时间顺序,对每相邻两个速度分量作差,计算出N个速度差分量(Dv1、Dv2……DvN);
D.基于每一辆车的速度分量,将所有车辆的速度差分量划入预构建的M个分组(A、B、C……)中的相应分组;
E.分别计算每一个分组的上四分位QiY和下四分位QjY,得到每一个分组的安全区间KY=[ QiY,QjY],再构建集合族K={KA,KB,KC……},其中,Y对应于相应的分组(A、B、C……);将集合族K进行保存,得到速度异常预警模型。
3.如权利要求2所述的基于车联网的车辆速度异常预警模型构建方法,其特征在于,所述步骤D中,所述基于每一辆车的速度分量,为基于每一辆车的首个速度分量。
4.一种采用如权利要求1-3之一所述的车辆速度异常预警模型构建方法所构建的车辆速度异常预警模型。
5.一种车辆速度异常预警方法,其特征在于,包括以下步骤:
F.获取待检测车辆的速度数据的步骤;
G.在检测区间内,从上述速度数据中抽取速度分量,并以时间顺序计算出速度差分量的步骤;
H.采用如权利要求4所述的车辆速度异常预警模型,对G中的速度差分量进行检测。
6.如权利要求5所述的车辆速度异常预警方法,其特征在于,所述步骤G具体为:
在预设检测区间T2内,以预定时长为间隔,抽取出Z个速度分量(V1、V2……VZ),以时间顺序,对每相邻两个速度分量作差,得到Z个速度差分量。
7.如权利要求6所述的车辆速度异常预警方法,其特征在于,所述步骤H具体为:
采用所述车辆速度异常预警模型,分别对所述Z个速度差分量进行异常检测。
8.如权利要求7所述的车辆速度异常预警方法,其特征在于,所述分别对所述Z个速度差分量进行异常检测具体为:依次对所述Z个速度差分量进行异常检测。
9.如权利要求6-8之一所述的车辆速度异常预警方法,其特征在于,所述步骤H具体为:
确定速度分量对应于预警模型中的分组,再判断Z个速度差分量是否在对应的分组的安全区间内,若否,则发出预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621593.8A CN109615879B (zh) | 2018-12-28 | 2018-12-28 | 基于车联网的车速异常预警模型、方法及模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621593.8A CN109615879B (zh) | 2018-12-28 | 2018-12-28 | 基于车联网的车速异常预警模型、方法及模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615879A true CN109615879A (zh) | 2019-04-12 |
CN109615879B CN109615879B (zh) | 2020-12-11 |
Family
ID=66012826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621593.8A Active CN109615879B (zh) | 2018-12-28 | 2018-12-28 | 基于车联网的车速异常预警模型、方法及模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615879B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110745139A (zh) * | 2019-10-17 | 2020-02-04 | 北京百度网讯科技有限公司 | 车辆速度确定方法、装置及存储介质 |
CN112365721A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3076088B2 (ja) * | 1991-07-09 | 2000-08-14 | パイオニア株式会社 | 距離補正係数の自動補正装置 |
US20070208493A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Identifying unrepresentative road traffic condition data obtained from mobile data sources |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101458871A (zh) * | 2008-12-25 | 2009-06-17 | 北京中星微电子有限公司 | 一种智能交通分析系统及其应用系统 |
CN102087789A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于交通状态参数的交通状态判别系统和方法 |
CN102163368A (zh) * | 2010-05-10 | 2011-08-24 | 陈勃生 | 不安全驾驶行为的识别与监控系统及方法 |
CN102314772A (zh) * | 2010-07-01 | 2012-01-11 | 北京中星微电子有限公司 | 一种车辆超速检测方法和装置及车辆超速报警系统 |
CN104408935A (zh) * | 2014-12-09 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种车辆异常行驶智能分析系统和分析方法 |
CN104590275A (zh) * | 2014-11-27 | 2015-05-06 | 厦门雅迅网络股份有限公司 | 一种驾驶行为分析方法 |
US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
CN105869402A (zh) * | 2016-05-12 | 2016-08-17 | 中山大学 | 基于多类型浮动车数据的高速公路路段速度修正方法 |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 |
KR20180096367A (ko) * | 2017-02-20 | 2018-08-29 | 김준배 | 제한속도 인공지능 가변시스템 |
-
2018
- 2018-12-28 CN CN201811621593.8A patent/CN109615879B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3076088B2 (ja) * | 1991-07-09 | 2000-08-14 | パイオニア株式会社 | 距離補正係数の自動補正装置 |
US20070208493A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Identifying unrepresentative road traffic condition data obtained from mobile data sources |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101458871A (zh) * | 2008-12-25 | 2009-06-17 | 北京中星微电子有限公司 | 一种智能交通分析系统及其应用系统 |
CN102087789A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于交通状态参数的交通状态判别系统和方法 |
CN102163368A (zh) * | 2010-05-10 | 2011-08-24 | 陈勃生 | 不安全驾驶行为的识别与监控系统及方法 |
CN102314772A (zh) * | 2010-07-01 | 2012-01-11 | 北京中星微电子有限公司 | 一种车辆超速检测方法和装置及车辆超速报警系统 |
US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
CN104590275A (zh) * | 2014-11-27 | 2015-05-06 | 厦门雅迅网络股份有限公司 | 一种驾驶行为分析方法 |
CN104408935A (zh) * | 2014-12-09 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种车辆异常行驶智能分析系统和分析方法 |
CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
CN105869402A (zh) * | 2016-05-12 | 2016-08-17 | 中山大学 | 基于多类型浮动车数据的高速公路路段速度修正方法 |
KR20180096367A (ko) * | 2017-02-20 | 2018-08-29 | 김준배 | 제한속도 인공지능 가변시스템 |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 |
Non-Patent Citations (1)
Title |
---|
李雪: "基于云模型的道路交通安全等级评价", 《北京工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110745139A (zh) * | 2019-10-17 | 2020-02-04 | 北京百度网讯科技有限公司 | 车辆速度确定方法、装置及存储介质 |
CN112365721A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
CN112365721B (zh) * | 2020-09-14 | 2021-10-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615879B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428343B (zh) | 一种多车驾驶行为分析和危险预警方法及系统 | |
KR101769102B1 (ko) | Obd와 스마트폰을 사용한 보험사 서버와 연동된 자동차 운행기록 분석 시스템 및 방법 | |
US20190152489A1 (en) | Methods and apparatus for vehicle operation analysis | |
JP4469297B2 (ja) | 運転診断方法およびその装置 | |
CN104827963B (zh) | 一种用于车辆防撞智能预警的方法、控制系统以及控制装置 | |
US20150371457A1 (en) | Method and system for retrieving vehicular parameters from a vehicle data bus | |
CN104732785A (zh) | 一种驾驶行为分析和提醒的方法及系统 | |
CN109406161B (zh) | 一种基于距离测试的前防卫碰撞测试系统及其测试方法 | |
CN102967728A (zh) | 利用加速度传感器检测车辆运动状态的方法和装置 | |
CN105223034B (zh) | 一种制动性能测试方法及其系统 | |
CN107490485A (zh) | 车辆健康度检测方法、装置及车辆 | |
CN105761323A (zh) | 基于车载数据的碰撞事件识别方法与装置 | |
CN105654719A (zh) | 一种疲劳驾驶分析方法和装置 | |
CN109615879A (zh) | 基于车联网的车速异常预警模型、方法及模型构建方法 | |
CN103247092A (zh) | 一种基于场景的驾驶行为评价方法 | |
CN104992571B (zh) | 一种基于移动终端的超速预警方法及系统 | |
CN109466509B (zh) | 一种针对车辆被整体拖动事件的远程监控方法 | |
CN107742417A (zh) | 一种车辆事故报警方法及装置 | |
CN109387218A (zh) | 车载设备及道路维护辅助管理系统 | |
CN109360417B (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及系统 | |
CN106017949A (zh) | 一种无人车应急响应时间的测试方法及装置 | |
CN109919066A (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN108062856B (zh) | 一种基于车载obd接口的车辆碰撞检测系统及方法 | |
El Masri et al. | Toward self-policing: Detecting drunk driving behaviors through sampling CAN bus data | |
CN203825447U (zh) | 一种乘用车辆obd监控平台 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Vehicle speed anomaly early warning model, method and model construction method based on Internet of vehicles Effective date of registration: 20211012 Granted publication date: 20201211 Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd. Pledgor: CHENGDU LUXINGTONG INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021510000247 |