CN110239559B - 基于新能源车数据的危险驾驶车辆检测方法及装置 - Google Patents
基于新能源车数据的危险驾驶车辆检测方法及装置 Download PDFInfo
- Publication number
- CN110239559B CN110239559B CN201910589919.1A CN201910589919A CN110239559B CN 110239559 B CN110239559 B CN 110239559B CN 201910589919 A CN201910589919 A CN 201910589919A CN 110239559 B CN110239559 B CN 110239559B
- Authority
- CN
- China
- Prior art keywords
- data
- new energy
- vehicle
- behavior
- acceleration
- 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
-
- 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
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/10—Accelerator pedal position
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于新能源车数据的危险驾驶车辆检测方法及装置,属于数据挖掘领域。本发明以新能源车数据为基础,针对大范围车辆的海量交通数据,利用聚类、拟合以及回归等数据挖掘方法,计算车辆的异常加速/减速行为特征值、计算异常加速踏板行程行为特征值,进而计算其反应车辆危险驾驶行为程度的总特征值。通过该方法只要通过输入新能源车在一定时间段内的运行数据,就能够判断该车辆是否为危险驾驶车辆。通过真实的车辆交通事故数据对比分析可知,本发明的危险驾驶检测方法能够有效地识别出危险驾驶车辆。
Description
技术领域
本发明属于数据挖掘领域,具体涉及一种基于新能源车数据的危险驾驶车辆检测方法及装置。
背景技术
由于驾驶人员数量激增,驾驶人员的驾驶技能以及驾驶行为参差不齐,有些人由于驾龄较短,开车不熟练,而有些人虽然有一定时间的驾龄,但开车我行我素,这些都是交通事故的潜在因素。所以分析驾驶人员的危险驾驶行为对道路交通安全具有重大社会意义。
随着新能源汽车补贴政策的支持,大力推进新能源汽车进一步发展,近年来新能源汽车生产企业和市场保有量突飞猛进,新能源汽车发展趋势不可逆转,未来成长空间巨大,这也给道路交通安全带来了许多问题及隐患,故而对新能源汽车的危险驾驶行为检测具有重要意义。另一方面由于新能源车辆的数据采集设备所采集数据和浮动车采集数据是不一致的。其中新能源车采集数据较浮动车采集数据增添了加速踏板行程、制动状态等数据,这些参数是浮动车采集数据中没有的,便也不能再采用浮动车的危险驾驶行为检测方法了。其二由于新能源车缺失经纬度信息,故而基于浮动车数据的危险驾驶行为检测方法已经不再适用于新能源车了,因此对于新能源汽车的危险驾驶检测需要提出新的方法。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种
本发明所采用的具体技术方案如下:
一种基于新能源车数据的危险驾驶车辆检测方法,其步骤如下:
S1:获取包括目标新能源车辆在内的所有新能源车在连续时段内的运行数据,所述的运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程;
S2:对包括目标新能源车辆在内的每一辆新能源车的运行数据,以两个相邻时刻的数据记录时间和瞬时速度为一组,计算两个相邻时刻内的平均速度和加速度绝对值|ai|,作为一组变速行为样本;每一辆新能源车分别得到一个变速行为样本数据集;
S3:分别计算每辆新能源车的加速行为特征曲线和减速行为特征曲线,再对所有新能源车的加速行为特征曲线和减速行为特征曲线分别进行聚类,得到相对异常加速行为的阈值曲线和相对异常减速行为的阈值曲线,两条曲线的自变量为车速,因变量为加速度绝对值;
S4:分别计算每辆新能源车的加速踏板行程变化特征曲线,再对所有新能源车的加速踏板行程变化特征曲线进行聚类,得到相对异常踩踏加速踏板行为的阈值曲线,曲线的自变量为车速,因变量为加速踏板行程;
S5:对于待检测的目标新能源车,根据三条阈值曲线分别计算异常加速行为特征值Vac、异常减速行为特征值Vad和异常踩踏加速踏板行为特征值Vsa,然后综合计算其危险驾驶行为总特征值Vall,若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
基于上述技术方案,各步骤可采用如下方法具体实现。
式中:ti和Vi分别为第i条数据的数据记录时间和对应的瞬时速度,ti+1和Vi+1分别为第i+1条数据的数据记录时间和对应的瞬时速度。
作为优选,所述的步骤S3的具体实现方法为:
S301:对于每一辆新能源车中的每组变速行为样本,根据对应的前后两个时刻的瞬时速度,判断车辆在该时段内处于加速状态还是减速状态,若处于加速状态则将该样本作为加速行为样本,若处于减速状态则将该样本作为减速行为样本;
S302:对同一辆新能源车的所有加速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第一加速度序列,然后取第一加速度序列的第P百分位数(P取值根据需要进行调整,优选为90)作为该速度区间的加速行为特征点;对于所有速度区间的加速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的加速行为特征曲线;最后将所有新能源车的加速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常加速行为的阈值曲线y=A1x2+B1x+C1;
S303:对同一辆新能源车的所有减速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第二加速度序列,然后取第二加速度序列的第P百分位数(P取值根据需要进行调整,优选为90)作为该速度区间的减速行为特征点;对于所有速度区间的减速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的减速行为特征曲线;最后将所有新能源车的减速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常减速行为的阈值曲线y=A2x2+B2x+C2。
作为优选,所述的步骤S4的具体实现方法为:
S402:在每个速度区间内将落入该区间的所有样本按照加速踏板行程从小到大进行排序,得到加速踏板行程序列,然后取加速踏板行程序列的第Q百分位数(Q取值根据需要进行调整,优选为90)作为该速度区间的踏板行为特征点;
S404:将所有新能源车的加速踏板行程变化特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常踩踏加速踏板行为的阈值曲线y=A3x2+B3x+C3。
作为优选,所述的步骤S5的具体实现方法为:
S501:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count加速条车辆处于加速状态的加速行为样本,逐条将加速行为样本的平均速度作为自变量代入阈值曲线y=A1x2+B1x+C1中,然后与同一条加速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条加速行为样本视为异常加速;
计算异常加速行为特征值:
式中:Count异常加速为Total_Count加速条加速行为样本中被视为异常加速的样本条数;
S502:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count减速条车辆处于减速状态的减速行为样本,逐条将减速行为样本的平均速度作为自变量代入阈值曲线y=A2x2+B2x+C2中,然后与同一条减速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条数据视为异常减速;
计算异常减速行为特征值:
式中:Count异常减速为Total_Count减速条减速数据中被视为异常减速的数据条数;
S503:对于待检测的目标新能源车,其运行数据中共含有Total_Count加速踏板行程条加速踏板行程数据,逐条将加速踏板行程数据中的当前瞬时速度Vi作为自变量代入阈值曲线y=A3x2+B3x+C3中,然后与同一条加速踏板行程数据中的加速踏板行程jsi进行比较,若满足jsi>(A3*Vi 2+B3*Vi+C3),则将该条数据视为异常踩踏加速踏板;
计算异常踩踏加速踏板行为特征值:
式中:Count异常踩踏为Total_Count加速踏板行程条加速踏板行程数据中被视为异常踩踏加速踏板的数据条数;
S504:对于待检测的目标新能源车,计算其危险驾驶行为总特征值Vall,计算公式为:
Vall=αVac+βVad+γVsa
S505:若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
作为优选,所述的步骤S5中,危险驾驶行为总特征值的计算公式,由所有新能源车的事故数据拟合得到。
作为优选,所述的步骤S504中,危险驾驶行为总特征值Vall的计算公式为:
Vall=0.5Vac+0.3Vad+0.2Vsa。
作为优选,所述的步骤S2中,在计算变速行为样本之前,需要对每一辆新能源车的运行数据进行稀疏数据补全,在两条相邻时刻的数据之间增添一条补全数据。
本发明的另一目的在于提供一种基于新能源车数据的危险驾驶车辆检测装置,其包括数据采集装置、数据处理装置和危险驾驶预警装置;
所述的数据采集装置安装于新能源车上,用于实时采集并记录新能源车在运行过程中的运行数据,并将其发送给数据处理装置;所述的运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程;
所述的数据处理装置用于实现如权利要求1所述的检测方法;
所述的危险驾驶预警装置用于对数据处理装置识别出的危险驾驶车辆进行预警。
作为优选,所述的危险驾驶预警装置安装于新能源车的终端上,或者安装于远程监控平台上。
本发明相对于现有技术而言,具有以下有益效果:
本发明以新能源车数据为基础,针对大范围车辆的海量交通数据,利用聚类、拟合以及回归等数据挖掘方法,计算车辆的异常加速/减速行为特征值、计算异常加速踏板行程行为特征值,进而计算其反应车辆危险驾驶行为程度的总特征值。通过该方法只要通过输入新能源车在一定时间段内的运行数据,就能够判断该车辆是否为危险驾驶车辆。通过真实的车辆交通事故数据对比分析可知,本发明的危险驾驶检测方法能够有效地识别出危险驾驶车辆。
附图说明
图1为本发明的检测方法流程图;
图2为增添补全数据示意图;
图3为车辆变速行为的特征曲线;
图4为相对异常变速行为的阈值曲线;
图5为车辆异常加速踏板行程变化的特征曲线;
图6为30辆车的危险驾驶行为总特征值和交通事故次数对照图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
如图1所示,一种基于新能源车数据的危险驾驶车辆检测方法,其步骤如下:
S1:获取包括目标新能源车辆在内的所有新能源车在连续时段内的运行数据,所述的运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程。
S2:对包括目标新能源车辆在内的每一辆新能源车的运行数据,以两个相邻时刻的数据记录时间和当前瞬时速度为一组,计算两个相邻时刻内的平均速度和加速度绝对值|ai|,作为一组变速行为样本;每一辆新能源车分别得到一个变速行为样本数据集;
式中:ti和Vi分别为第i条数据的数据记录时间和对应的瞬时速度,ti+1和Vi+1分别为第i+1条数据的数据记录时间和对应的瞬时速度。
另外,若获得的新能源车的运行数据中,相邻两条数据间隔时间过长,则容易导致样本总量过于稀疏,可以考虑在计算变速行为样本之前,对每一辆新能源车的运行数据进行稀疏数据补全,在两条相邻时刻的数据之间增添一条补全数据,使其数据规模增加50%,相当于将原始数据的稀疏性降低了50%。
S3:分别计算每辆新能源车的加速行为特征曲线和减速行为特征曲线,再对所有新能源车的加速行为特征曲线和减速行为特征曲线分别进行聚类,得到相对异常加速行为的阈值曲线和相对异常减速行为的阈值曲线,两条曲线的自变量为车速,因变量为加速度绝对值。
本实施例中,步骤S3的具体实现方法为:
S301:对于每一辆新能源车中的每组变速行为样本,根据对应的前后两个时刻的瞬时速度,判断车辆在该时段内处于加速状态还是减速状态(当然,也可以引入同一时刻的加速踏板行程值和刹车踏板行程值,辅助判断处于加速状态还是减速状态),若处于加速状态则将该样本作为加速行为样本,若处于减速状态则将该样本作为减速行为样本;
S302:对同一辆新能源车的所有加速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第一加速度序列,然后取第一加速度序列的第P百分位数作为该速度区间的加速行为特征点;对于所有速度区间的加速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的加速行为特征曲线;最后将所有新能源车的加速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常加速行为的阈值曲线y=A1x2+B1x+C1;
S303:对同一辆新能源车的所有减速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第二加速度序列,然后取第二加速度序列的第P百分位数作为该速度区间的减速行为特征点;对于所有速度区间的减速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的减速行为特征曲线;最后将所有新能源车的减速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常减速行为的阈值曲线y=A2x2+B2x+C2。
S4:分别计算每辆新能源车的加速踏板行程变化特征曲线,再对所有新能源车的加速踏板行程变化特征曲线进行聚类,得到相对异常踩踏加速踏板行为的阈值曲线,曲线的自变量为车速,因变量为加速踏板行程。
本实施例中,步骤S4的具体实现方法为:
S402:在每个速度区间内将落入该区间的所有样本按照加速踏板行程从小到大进行排序,得到加速踏板行程序列,然后取加速踏板行程序列的第Q百分位数作为该速度区间的踏板行为特征点;
S404:将所有新能源车的加速踏板行程变化特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常踩踏加速踏板行为的阈值曲线y=A3x2+B3x+C3。
S5:对于待检测的目标新能源车,根据三条阈值曲线分别计算异常加速行为特征值Vac、异常减速行为特征值Vad和异常踩踏加速踏板行为特征值Vsa,然后综合计算其危险驾驶行为总特征值Vall,若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
本实施例中,步骤S5的具体实现方法为:
对于待检测的目标新能源车,根据三条阈值曲线分别计算异常加速行为特征值Vac、异常减速行为特征值Vad和异常踩踏加速踏板行为特征值Vsa,然后综合计算其危险驾驶行为总特征值Vall,若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
S501:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count加速条车辆处于加速状态的加速行为样本,逐条将加速行为样本的平均速度作为自变量代入阈值曲线y=A1x2+B1x+C1中,然后与同一条加速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条加速行为样本视为异常加速;
计算异常加速行为特征值:
式中:Count异常加速为Total_Count加速条加速行为样本中被视为异常加速的样本条数;
S502:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count减速条车辆处于减速状态的减速行为样本,逐条将减速行为样本的平均速度作为自变量代入阈值曲线y=A2x2+B2x+C2中,然后与同一条减速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条数据视为异常减速;
计算异常减速行为特征值:
式中:Count异常减速为Total_Count减速条减速数据中被视为异常减速的数据条数;
S503:对于待检测的目标新能源车,其运行数据中共含有Total_Count加速踏板行程条加速踏板行程数据,逐条将加速踏板行程数据中的当前瞬时速度Vi作为自变量代入阈值曲线y=A3x2+B3x+C3中,然后与同一条加速踏板行程数据中的加速踏板行程jsi进行比较,若满足jsi>(A3*Vi 2+B3*Vi+C3),则将该条数据视为异常踩踏加速踏板;
计算异常踩踏加速踏板行为特征值:
式中:Count异常踩踏为Total_Count加速踏板行程条加速踏板行程数据中被视为异常踩踏加速踏板的数据条数;
S504:对于待检测的目标新能源车,计算其危险驾驶行为总特征值Vall,计算公式为:
Vall=αVac+βVad+γVsa
危险驾驶行为总特征值的计算公式中,α、β和γ分别为权重,可由所有新能源车的事故数据拟合得到。
S505:若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
基于上述S1~S5的检测方法,可以对新能源车的危险驾驶行为进行检测。该检测方法可以将海量的新能源车运行数据进行汇总,然后通过数据分析后识别出存在危险驾驶行为的车辆。因此,可以基于这种方法,进一步提供一种基于新能源车数据的危险驾驶车辆检测装置,该装置的基本模块包括数据采集装置、数据处理装置和危险驾驶预警装置。
其中,数据采集装置安装于新能源车上,用于实时采集并记录新能源车在运行过程中的运行数据,并将其发送给数据处理装置。运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程。数据采集装置可以是车辆本身自带的模块,也可以另外加装。数据处理装置通过GPRS、WIFI、蓝牙等远程传输方式,将其采集的数据实时或者定时发送至数据处理装置中。
数据处理装置可以是服务器、云平台等形式,作用是实现前述的S1~S5所述的检测方法,对不同新能源车发送的海量数据进行处理,识别出其中的危险驾驶车辆。
危险驾驶预警装置用于对数据处理装置识别出的危险驾驶车辆进行预警。它可以安装于新能源车的终端上,用于提醒驾驶人员安全驾驶;也可以安装于远程监控平台上,用于供监管人员查看进而对驾驶人员进行提醒。危险驾驶预警装置可以是对人员具有声音、视觉、触感上有提醒作用的硬件,如蜂鸣器、警示灯等,也可以是能够在控制界面上跳出提醒的软件模块。
为了使本领域技术人员更好的理解本发明的具体实现,以下基于前述的检测方法,通过实施例对其实现过程进行进一步的展示。
实施例
本实施例中,数据采集自上海市经授权的千余辆装有采集装置的新能源车,数据时间为某年1个月数据,数据以天为单位,每天的数据量约30千万条;每条数据之间的时间间隔约为30秒,因此这些数据较为稀疏。由于数据存在稀疏性,因此本实施例通过数学计算的方式来增添补全数据,尽量降低数据的稀疏性,通过实验证明稀疏地选取数据多数情况下是可以正确的描述数据的基本走势。故而数据具有数据量大、数据准确性高等特点。同时,这些新能源车在同一年的事故发生次数数据也被同步采集,用于进行后续分析。
下面详细描述具体的检测方法流程,本实施例的基本检测方法如前述的S1~S4所述,具体步骤不再赘述,主要展示各步骤的具体实现和技术效果。
步骤1.读入真实新能源车数据
向数据库中导入新能源车数据,新能源车数据包括车辆编号、数据生成日期、时间、累计里程、瞬时速度、加速踏板行程、刹车踏板行程,创建新能源车数据表(如表1所示)。
表1新能源车数据表
车辆编号 | 日期 | 时间(24小时制) | 累计里程 | 瞬时速度 | 加速踏板行程 | 刹车踏板行程 |
步骤2.计算异常变速(加减速)行为特征值
相对异常变速指的是车辆相比于整个车辆群体,在行驶过程中的变速行为(包括加速和减速行为)更为剧烈,而剧烈变速通常是追尾等事故的本质原因。主要有以下步骤:
2.1.补全稀疏数据
由于本实施例中的新能源车的运行数据存在一定的稀疏性,因此需要进行数据补全操作,具体是在两条相邻新能源车数据之间增添一条补全数据,补全的原则是使得车辆在这两段运动中加速度之和保持最小。
本实施例中,数据补全的方法参照(张迪.基于浮动车GPS数据分析的车辆相对异常驾驶行为研究[D].)一文中对于浮动车的数据补全方法,具体说明如下:
表2为数据中某辆车的两条时间相邻的数据,表中只展示了本章需要用到的时间TIME,速度SPEED两个字段,这里为了解释方便,对两条数据进行编号,第1条数据用g1表示,第2条数据用g2表示。
表2某辆车的两条时间相邻的运行数据
由于从g1到g2的21秒时间内没有数据,所以将该段路程视为匀加速运动,速度从speed1匀加速到speed2,设两条数据之间的时间间隔为t,则该段匀加速运动的路程记为S_speed1,2,根据定积分的原理,S_speed1,2等于图2中斜线填充的阴影部分梯形的面积,即:
所以该车辆在21秒的时间内,速度从33.3km/h匀加速到40.7km/h,共行驶了S_speed1,2=215.83m。
但在实际情况中,车辆并非为匀加速运动。由g1和g2的坐标,根据表中Cumulativemileage(累计里程)可以计算得出车辆实际行驶的路程S1,2为191.50m,那么它的平均速度为32.83km/h。虽然我们不可能完全推测车辆在21秒时间之内的运动状态变化,但由于平均速度既小于speed1=33.3km/h也小于speed2=40.7km/h,由此可以看出,车辆在从g1到g2的21秒时间之内,肯定至少有一段减速过程,然后又有一段加速过程,由此可以将车辆的运动过程视为从g1先匀减速运动到某一速度值,然后再匀加速运动至g2。本发明根据推测出的此客观事实,在g1和g2之间增添一条补全数据。
设车辆在时间间隔为t=g1.TIME-g2.TIME的时间内,速度从v1变化到v2;
如图2右图所示,设增添的补全数据的速度为v3。将v1~v3和v3~v2都视为匀变速运动,v1~v3的时间为t1,加速度为a1,v3~v2的时间为t2,加速度为a2,图中阴影部分两个梯形的面积之和则是两段匀变速运动的行驶路程,记为S1~3~2。
增添补全数据的原则有两条:
第1条,轨迹路程S1,2等于两段匀变速运动的行驶路程S1~3~2,也即图2左图中矩形的面积等于右图两个梯形的面积之和;
第2条,由于本发明针对的是相对异常变速行为,增添的补全数据不应该增加原始数据的相对异常性,而应该在符合第一条原则的前提下尽可能使补全后的数据平滑合理,所以要求两段匀变速行为的加速度之和即|a1|+|a2|保持最小。
满足以上两条拟合原则的v3即是我们增添的补全数据
下面介绍v3的推导过程,也即|a1|+|a2|取最小值的推导过程。
首先,由矩形的面积等于两个梯形的面积之和可以得出:
S1,2=S1~3~2 (1.2)
S1,2和S1~3~2分别为:
由(1.2)、(1.3)和(1.4)可得:
另外有:
t=t1+t2 (1.6)
由(1.5)和(1.6)可以推出v3,即:
由(1.7)可以计算得到a1和a2:
设y=|a1|+|a2|,由(1.8)和(1.9)可知,y的表达式中只有t1一个未知变量,要使得y取最小值,首先求y关于t1的导数,此处使用Matlab2014计算,得到:
使(1.10)等于0:
得出:
由(1.12)得出,当t1=1/2×t时,|a1|+|a2|取到最小值,即补全数据的时间位于两条时间相邻数据的时间中点时,补全后的数据最为平滑合理,此时v3为:
而v3对应的数据时间g3.TIME为:
根据(1.13)和(1.14)对浮动车原始数据集中每辆车的浮动车数据增添补全数据,包括补全数据的速度以及对应的数据时间。
例如,对表2的两条时间相邻数据增添补全数据后产生的新数据如表3所示:
表3对表2数据增添补全数据后产生的新数据
使用上述方法,既可以对本发明的稀疏新能源车原始运行数据进行增添补全,其数据规模增加了50%,相当于将原始数据的稀疏性降低了50%。
基于前述稀疏补全后的数据,针对包括目标新能源车辆在内的每一辆新能源车的运行数据,以两个相邻时刻的数据记录时间和瞬时速度为一组,计算两个相邻时刻内的平均速度和加速度绝对值|ai|,作为一组变速行为样本。
其中:
式中:ti和Vi分别为第i条数据的数据记录时间和对应的瞬时速度,ti+1和Vi+1分别为第i+1条数据的数据记录时间和对应的瞬时速度。
每一辆新能源车均可得到多组变速行为样本,形成一个变速行为样本数据集。
2.2.单辆车变速行为样本(加速度分布模式探究)
2.3.单辆车变速行为建模
由于驾驶过程中对于加速和减速作出的反馈是存在不同的,因此需要将加速时的数据与减速时的数据分开进行建模。
本实施例中,对于每一辆新能源车中的每组变速行为样本,根据对应的前后两个时刻的瞬时速度变化,判断车辆在该时段内处于加速状态还是减速状态。若处于加速状态则将该样本作为加速行为样本,若处于减速状态则将该样本作为减速行为样本。
对同一辆新能源车的所有加速行为样本,将其按照平均速度大小划分成8个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第一加速度序列,然后取第一加速度序列的第90百分位数的样本作为该速度区间的加速行为特征点。对于所有速度区间的加速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,利用不同类型的方程拟合特征曲线,对比不同拟合曲线的均方根误差,得出使用y=Ax2+Bx+C拟合车辆变速行为的特征曲线最为合适,以编号为1426的车辆为例其特征曲线如图3所示。因此,本实施例中,按照二元一次方程进行回归,得到每辆新能源车的加速行为特征曲线。
同理,基于新能源车的所有减速行为样本,以与加速行为样本相同的方法,得到每辆新能源车的加速行为特征曲线。
2.4.相对异常变速行为阈值计算
在拟合了所有车辆的变速行为特征曲线后,将所有新能源车的加速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类。聚类结果中包含样本数据最多的类簇代表了多数车辆的变速行为特征,所以本发明将包含样本数据最多的类簇的中心曲线作为相对异常变速行为模型的阈值曲线y=A1x2+B1x+C1,如图4所示:
同样的,将所有新能源车的减速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常减速行为的阈值曲线y=A2x2+B2x+C2。
2.5.通过异常变速行为特征值计算公式得出单辆车异常变速行为特征值
对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count加速条车辆处于加速状态的加速行为样本,逐条将加速行为样本的平均速度作为自变量x代入阈值曲线y=A1x2+B1x+C1中,然后与同一条加速行为样本中的加速度绝对值|ai|进行比较:
计算异常加速行为特征值:
式中:Count异常加速为Total_Count加速条加速行为样本中被视为异常加速的样本条数;Count异常加速初始值为0。
对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count减速条车辆处于减速状态的减速行为样本,逐条将减速行为样本的平均速度作为自变量代入阈值曲线y=A2x2+B2x+C2中,然后与同一条减速行为样本中的加速度绝对值|ai|进行比较:
计算异常减速行为特征值:
式中:Count异常减速为Total_Count减速条减速数据中被视为异常减速的数据条数;Count异常减速初始值为0。
步骤3.计算异常加速踏板行程行为特征值
加速踏板行程作为整车最重要的输入量之一,其信号的变化直接反映了驾驶员的操作意图。其输出信号应满足以下要求:稳定性、连续性、单调性和适应性。如果信号出错,将导致车辆失控,甚至出现严重的安全问题。鉴于加速踏板行程如此的重要,本实施例对异常加速踏板行程行为进行了分析。分析数据发现,加速踏板行程与速度有一定的关系,有时又不是完全相关的,但是其状态是影响安全驾驶的重要因素。
3.1.相对异常加速踏板行程行为建模
对于单辆新能源车的数据,研究其加速踏板行程和速度的分布关系。在分析了大量车辆的数据之后,证实车辆行驶过程中速度(v)和加速踏板行程(B)成反比关系。
对同一辆新能源车的所有运行数据,按照其平均速度大小划分成8个速度区间。在每个速度区间内将落入该区间的所有样本按照加速踏板行程从小到大进行排序,得到加速踏板行程序列,然后取加速踏板行程序列的第90百分位数作的样本为该速度区间的踏板行为特征点。对于所有速度区间的踏板行为特征点,以平均速度为自变量,以加速踏板行程为因变量,拟合特征曲线。对比不同拟合曲线的均方根误差,得出使用一元二次方程y=Ax2+Bx+C拟合效果最佳,拟合车辆异常加速踏板行程变化的特征曲线最为合适,如图5所示。因此对于每辆新能源车,按照二元一次方程进行回归,得到每辆新能源车的加速踏板行程变化特征曲线。
3.2.相对异常加速踏板行程行为阈值计算
同理在拟合了所有车辆的加速踏板行程变化特征曲线后,将所有新能源车的加速踏板行程变化特征曲线作为样本,使用基于密度的聚类方法对其进行聚类。聚类结果中包含样本数据最多的类簇代表了多数车辆的加速踏板行程变化特征,所以本发明将包含样本数据最多的类簇的中心曲线作为相对异常加速踏板行程行为模型的阈值曲线,其公式为:y=A3x2+B3x+C3。
3.3.异常加速踏板行程行为特征值计算公式
对于待检测的目标新能源车,其运行数据中共含有Total_Count加速踏板行程条加速踏板行程数据,逐条将加速踏板行程数据中的当前瞬时速度Vi作为自变量x代入阈值曲线y=A3x2+B3x+C3中,然后与同一条加速踏板行程数据中的加速踏板行程jsi进行比较:
若满足jsi>(A3*Vi 2+B3*Vi+C3),则将该条数据视为异常踩踏加速踏板,Count异常踩踏加1;
计算异常踩踏加速踏板行为特征值:
式中:Count异常踩踏为Total_Count加速踏板行程条加速踏板行程数据中被视为异常踩踏加速踏板的数据条数;Count异常踩踏初始值设为0。
步骤4.结合事故数据做数据分析,得到检测危险驾驶的方法
基于前述步骤,可以得到待检测的目标新能源车的三个特征值Vac、Vad和Vsa,这三个特征值代表了该车辆的三种危险驾驶行为发生频率。根据危险驾驶行为检测方法分析计算公式进行分析,计算出危险驾驶行为总特征值Vall,计算方法如下公式4.1:
Vall=αVac+βVad+γVsa (4.1)
危险驾驶行为总特征值的计算公式中,α、β和γ分别为权重,可由所有新能源车的事故数据拟合得到。
本实施例中,将所有车辆的新能源车辆数据作为输入,先计算每辆车的各个异常行为特征值,代入不同的权重(α、β和γ)的值,计算得出危险驾驶总特征值。然后使用真实发生的新能源车辆交通事故数据(发生事故次数大于3次的车辆则算为危险驾驶,其余数据为负样本)进行实验分析对比。
本实施例的权重(α、β和γ)取值确定方法如下:
使用斯皮尔曼等级相关系数以计算危险驾驶行为总特征值和交通事故次数的相关性。斯皮尔曼等级相关系数是统计学中用来估计两个变量之间相关性的方法,其公式为:
其中di为两个变量的等级值之差,即若有两个变量为X和Y,则di为:
di=xi-yi (4.3)
斯皮尔曼等级相关系数的取值范围为[-1,1],正值表示两个变量呈正相关,值越接近1,正相关性越强;负值表示负相关,越接近于-1,负相关性越强。α,β分别从0.1到0.8依次递增,由公式(4.1)可得γ=1-α-β,结果如表3:
表3不同权重系数下危险驾驶行为总特征值和交通事故次数的斯皮尔曼等级相关系数
(γ=1-α-β)
由表3看出,当α=0.5,β=0.3,γ=1-α-β=0.2时,危险驾驶行为总特征值和交通事故次数的斯皮尔曼等级相关系数最高,值为0.75104,这表示此时危险驾驶行为总特征值和交通事故次数呈现最强的正相关性,据此危险驾驶行为总特征值的公式为:
Vall=0.5Vac+0.3Vad+0.2Vsa (4.4)
图6计算得出的30辆车的危险驾驶行为总特征值和其交通事故次数的对照图,事故次数只取事故次数大于3次的车辆则认定为危险驾驶。
由图6也可以看出,部分车辆的危险驾驶行为总特征值和交通事故次数呈很强的相关性。虽然某些车辆总特征值高的而事故次数却比特征值低的少,但其总特征值在0.4以上波动,也就是说总特征值0.4为一个临界点,超过其值则认为其车辆为危险驾驶反之则不是。因此,总体来说实验结果能够证明本发明提出的危险驾驶行为检测方法较为合理有效。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种基于新能源车数据的危险驾驶车辆检测方法,其特征在于,步骤如下:
S1:获取包括目标新能源车辆在内的所有新能源车在连续时段内的运行数据,所述的运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程;
S2:对包括目标新能源车辆在内的每一辆新能源车的运行数据,以两个相邻时刻的数据记录时间和瞬时速度为一组,计算两个相邻时刻内的平均速度和加速度绝对值|ai|,作为一组变速行为样本;每一辆新能源车分别得到一个变速行为样本数据集;
S3:分别计算每辆新能源车的加速行为特征曲线和减速行为特征曲线,再对所有新能源车的加速行为特征曲线和减速行为特征曲线分别进行聚类,得到相对异常加速行为的阈值曲线和相对异常减速行为的阈值曲线,两条曲线的自变量为车速,因变量为加速度绝对值;
S4:分别计算每辆新能源车的加速踏板行程变化特征曲线,再对所有新能源车的加速踏板行程变化特征曲线进行聚类,得到相对异常踩踏加速踏板行为的阈值曲线,曲线的自变量为车速,因变量为加速踏板行程;
S5:对于待检测的目标新能源车,根据三条阈值曲线分别计算异常加速行为特征值Vac、异常减速行为特征值Vad和异常踩踏加速踏板行为特征值Vsa,然后综合计算其危险驾驶行为总特征值Vall,若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆;
所述的步骤S3的具体实现方法为:
S301:对于每一辆新能源车中的每组变速行为样本,根据对应的前后两个时刻的瞬时速度,判断车辆在该时段内处于加速状态还是减速状态,若处于加速状态则将该样本作为加速行为样本,若处于减速状态则将该样本作为减速行为样本;
S302:对同一辆新能源车的所有加速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第一加速度序列,然后取第一加速度序列的第P百分位数作为该速度区间的加速行为特征点;对于所有速度区间的加速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的加速行为特征曲线;最后将所有新能源车的加速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常加速行为的阈值曲线y=A1x2+B1x+C1;
S303:对同一辆新能源车的所有减速行为样本,将其按照平均速度大小划分成若干个速度区间;在每个速度区间内将落入该区间的所有样本按照|ai|从小到大进行排序,得到第二加速度序列,然后取第二加速度序列的第P百分位数作为该速度区间的减速行为特征点;对于所有速度区间的减速行为特征点,以平均速度为自变量,以加速度绝对值|ai|为因变量,按照二元一次方程进行回归,得到每辆新能源车的减速行为特征曲线;最后将所有新能源车的减速行为特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常减速行为的阈值曲线y=A2x2+B2x+C2;
所述的步骤S4的具体实现方法为:
S402:在每个速度区间内将落入该区间的所有样本按照加速踏板行程从小到大进行排序,得到加速踏板行程序列,然后取加速踏板行程序列的第Q百分位数作为该速度区间的踏板行为特征点;
S404:将所有新能源车的加速踏板行程变化特征曲线作为样本,使用基于密度的聚类方法对其进行分类,将包含样本最多的类簇的中心曲线作为相对异常踩踏加速踏板行为的阈值曲线y=A3x2+B3x+C3;
所述的步骤S5的具体实现方法为:
S501:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count加速条车辆处于加速状态的加速行为样本,逐条将加速行为样本的平均速度作为自变量代入阈值曲线y=A1x2+B1x+C1中,然后与同一条加速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条加速行为样本视为异常加速;
计算异常加速行为特征值:
式中:Count异常加速为Total_Count加速条加速行为样本中被视为异常加速的样本条数;
S502:对于待检测的目标新能源车,其变速行为样本数据集中共含有Total_Count减速条车辆处于减速状态的减速行为样本,逐条将减速行为样本的平均速度作为自变量代入阈值曲线y=A2x2+B2x+C2中,然后与同一条减速行为样本中的加速度绝对值|ai|进行比较,若满足则将该条数据视为异常减速;
计算异常减速行为特征值:
式中:Count异常减速为Total_Count减速条减速数据中被视为异常减速的数据条数;
S503:对于待检测的目标新能源车,其运行数据中共含有Total_Count加速踏板行程条加速踏板行程数据,逐条将加速踏板行程数据中的当前瞬时速度Vi作为自变量代入阈值曲线y=A3x2+B3x+C3中,然后与同一条加速踏板行程数据中的加速踏板行程jsi进行比较,若满足jsi>(A3*Vi 2+B3*Vi+C3),则将该条数据视为异常踩踏加速踏板;
计算异常踩踏加速踏板行为特征值:
式中:Count异常踩踏为Total_Count加速踏板行程条加速踏板行程数据中被视为异常踩踏加速踏板的数据条数;
S504:对于待检测的目标新能源车,计算其危险驾驶行为总特征值Vall,计算公式为:
Vall=αVac+βVad+γVsa
S505:若该目标新能源车的危险驾驶行为总特征值Vall高于特征值阈值,则判定该车辆为危险驾驶车辆。
3.如权利要求1所述的基于新能源车数据的危险驾驶车辆检测方法,其特征在于,所述的步骤S5中,危险驾驶行为总特征值的计算公式,由所有新能源车的事故数据拟合得到。
4.如权利要求1所述的基于新能源车数据的危险驾驶车辆检测方法,其特征在于,所述的步骤S504中,危险驾驶行为总特征值Vall的计算公式为:
Vall=0.5Vac+0.3Vad+0.2Vsa。
5.如权利要求1所述的基于新能源车数据的危险驾驶车辆检测方法,其特征在于,所述的步骤S2中,在计算变速行为样本之前,需要对每一辆新能源车的运行数据进行稀疏数据补全,在两条相邻时刻的数据之间增添一条补全数据。
6.一种基于新能源车数据的危险驾驶车辆检测装置,其特征在于,包括数据采集装置、数据处理装置和危险驾驶预警装置;
所述的数据采集装置安装于新能源车上,用于实时采集并记录新能源车在运行过程中的运行数据,并将其发送给数据处理装置;所述的运行数据包括车辆编号、数据记录时间、当前累计里程、当前瞬时速度、当前加速踏板行程;
所述的数据处理装置用于实现如权利要求1所述的检测方法;
所述的危险驾驶预警装置用于对数据处理装置识别出的危险驾驶车辆进行预警。
7.如权利要求6所述的基于新能源车数据的危险驾驶车辆检测装置,其特征在于,所述的危险驾驶预警装置安装于新能源车的终端上,或者安装于远程监控平台上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589919.1A CN110239559B (zh) | 2019-07-02 | 2019-07-02 | 基于新能源车数据的危险驾驶车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589919.1A CN110239559B (zh) | 2019-07-02 | 2019-07-02 | 基于新能源车数据的危险驾驶车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110239559A CN110239559A (zh) | 2019-09-17 |
CN110239559B true CN110239559B (zh) | 2020-11-24 |
Family
ID=67890660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910589919.1A Active CN110239559B (zh) | 2019-07-02 | 2019-07-02 | 基于新能源车数据的危险驾驶车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110239559B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112009266B (zh) * | 2020-09-01 | 2022-02-01 | 三一专用汽车有限责任公司 | 动力参数标定方法、装置、车辆和计算机可读存储介质 |
CN112185131A (zh) * | 2020-10-14 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 车辆行使状态判断方法、装置、计算机设备及存储介质 |
CN113379233B (zh) * | 2021-06-08 | 2023-02-28 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
CN114328622A (zh) * | 2021-12-28 | 2022-04-12 | 成都路行通信息技术有限公司 | 一种大数据流式计算的数据异常捕获实时处理方法及系统 |
CN114419893B (zh) * | 2022-01-30 | 2023-02-28 | 重庆长安汽车股份有限公司 | 一种基于车端数据的道路问题检测方法及可读存储介质 |
CN114463876B (zh) * | 2022-02-14 | 2023-12-19 | 亿咖通(湖北)技术有限公司 | 提醒补充能源的方法、装置、设备、介质及程序产品 |
CN116383678B (zh) * | 2022-12-05 | 2024-05-03 | 吉林大学 | 一种营运客车异常变速行为常发性路段识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1780090A1 (en) * | 2005-10-28 | 2007-05-02 | CRF Societa'Consortile per Azioni | Method for defining the driving style of a vehicle driver |
US9925987B1 (en) * | 2015-12-11 | 2018-03-27 | Lytx, Inc. | Driving abnormality detection |
CN107284451A (zh) * | 2017-06-22 | 2017-10-24 | 北京雄信息科技有限公司 | 基于gps的不良驾驶行为的监测方法和系统 |
CN110910636B (zh) * | 2017-11-27 | 2021-08-10 | 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 |
CN109035757A (zh) * | 2018-05-09 | 2018-12-18 | 北京九五智驾信息技术股份有限公司 | 分析驾驶行为的方法 |
-
2019
- 2019-07-02 CN CN201910589919.1A patent/CN110239559B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110239559A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110239559B (zh) | 基于新能源车数据的危险驾驶车辆检测方法及装置 | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
CN108091133B (zh) | 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 | |
CN106407563A (zh) | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 | |
CN112508392A (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
CN103531042A (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
Chen et al. | Comparison of time to collision and enhanced time to collision at brake application during normal driving | |
CN103150677A (zh) | 激进驾驶状态识别方法及系统 | |
Hu et al. | Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models | |
CN113920732B (zh) | 一种针对特定驾驶人群的道路交通事故风险预警方法 | |
Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
Meng et al. | Modification of Newell’s car-following model incorporating multidimensional stochastic parameters for emission estimation | |
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
CN115311858B (zh) | 基于交通流韧性的城市路段分级管制方法 | |
Das et al. | Longitudinal traffic conflict analysis of autonomous and traditional vehicle platoons in field tests via surrogate safety measures | |
Julio-Rodriguez et al. | Environment classification using machine learning methods for eco-driving strategies in intelligent vehicles | |
CN111707476A (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
CN109145401B (zh) | 一种计算机动车排放清单的方法、系统及终端设备 | |
Chauhan et al. | Development of candidate driving cycles for an urban arterial corridor of Vadodara city | |
Luo et al. | Evaluation on the Fuel Economy of Automated Vehicles with Data-Driven Simulation Method | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
Higgs | Application of naturalistic truck driving data to analyze and improve car following models | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
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 |