CN110268454A - 确定车辆的定制安全速度 - Google Patents

Abstract

根据从许多路段上的多个行程和多个驾驶员收集到的信息来确定车辆的定制安全速度。所收集到的信息包括沿着路段行进的速度、以及可能的诸如驾驶员、一天中的时间、一周中的哪一天、天气和道路条件、太阳的角度、或其它因素等的附加信息。鉴于来自新行程的信息，可以在各路段上比较驾驶员的速度与来自先前行程(例如，相似的道路、天气条件、驾驶员)的相关数据。比较得到表示驾驶员的速度的安全性的评分。

Description

确定车辆的定制安全速度

相关申请的交叉引用

本发明是要求2016年12月20日提交的美国申请15/384,730的优先权的国际申请。以上引用的申请的内容通过引用而全文并入于此。

背景技术

本发明涉及安全车辆速度的评估，更特别地涉及在不同的驾驶条件下测量驾驶员群体以确定这种安全速度。在一些方面，目的是基于个体驾驶员以及行进时的道路条件来确定“定制速度限制”。

驾驶员、市政当局和保险公司共同对鼓励人们以安全速度行进感兴趣。然而，确定安全速度可能是困难的。

通常，安全速度是通过与官方速度限制的比较来确定的。市政当局通常通过进行“交通和工程调查”来设置速度限制。调查测量所考虑的道路上的实际驾驶速度，并且速度限制通常是基于所观察到的速度的第85个百分位数而设置的。使用第85个百分位数的决定是由图1所示的“所罗门曲线(Solomon Curve)”启示的。该曲线表明，碰撞的风险与相对于平均速度的偏离相关；比典型速度行进得快得多或慢得多与升高的碰撞率相关联。

然而，单一的官方速度限制假设对于路段具有通用的安全速度。然而，安全速度高度依赖于驾驶员和道路条件。例如，由于天气(雨、雪、雾、风速)、建筑、黑暗、太阳眩光、交通、经验不足的驾驶员、疲劳的驾驶员或许多其它因素，速度限制可能无法反映安全速度。

此外，可能很难仅基于单一的速度限制来衡量安全的程度。例如，超过速度限制15英里每小时在某些道路上可能是安全的，但在其它道路上是危险的。由于这种模糊性，因此不存在用以在不同路段上比较驾驶员的细分的超速行为的公认方法。因此，可能很难识别最危险的驾驶员超速发生的位置。

这种困难使得更难帮助驾驶员改变其自身的行为以变得更加安全，而且使得市政当局或保险公司更难评估风险。

发明内容

在一方面，一般来说，从许多路段上的多个行程和多个驾驶员收集信息。所收集到的信息包括沿着所述路段行进的速度、以及可能的诸如驾驶员、一天中的时间、一周中的哪一天、天气和道路条件、太阳的角度、或其它因素等的附加信息。在给出来自新行程的信息的情况下，可以在各路段上将驾驶员的速度与来自先前行程(例如来自相似的道路、天气条件、驾驶员等)的相关数据进行比较。比较得到表示驾驶员的速度的安全性的评分。

在另一方面，一般来说，执行应用的智能手机在车辆中随驾驶员一起行进，并记录车辆的速度、其沿道路网的位置、以及行进时间。记录数据持续地或不时分批地发送至服务器。服务器存储多个车辆的数据，该数据表示在道路网中的多个路段上的行进速度。

针对所述多个路段中的各路段，针对该路段处理收集到的数据以确定该路段的速度特征。例如，服务器计算在高峰时间行进和非高峰时间行进期间观察到的速度的累积分布。在一些实施例中，一旦已经进行表征，就使用该表征来将特定范围的速度标记为例如“安全”、“略有风险”或“有很大风险”。

为了评估个体车辆，针对在行程过程中车辆所行进的各路段从该车辆收集车辆数据。该数据用于计算各路段的分段特定风险评分。针对行程中的各路段聚集这些分段特定评分，以创建针对该行程或针对多个行程的全局风险。例如，在一些实施例中，可以将个体车辆的中值速度与在类似条件下其它车辆的中值速度进行比较。然后可以将该评分提供给车辆的驾驶员，或者可选地提供给第三方(例如保险公司)。

在另一方面，一般地，方法涉及表征目标车辆在道路网上的速度。该方法包括收集并存储数据，其中该数据包括来自穿过道路网中的多个路段的一个或多个车辆的段速度。针对多个路段中的各路段，处理所收集到的与路段相关联的数据以确定针对该路段的速度表征。针对路段序列中的各路段，还(例如，与收集一个或多个车辆的数据相结合地或者在其之后)收集来自目标车辆的数据。针对路段序列中的一个或多个路段，将针对该路段的速度表征与从该段上的目标车辆收集到的数据组合，以计算该段上的目标车辆的速度的分段特定评分。提供根据分段特定评分中的一个或多个而确定的用于表征车辆的速度的数据。

各方面可以包括以下特征中的一个或多个。

提供用于表征车辆的速度的数据包括将该数据提供至目标车辆的驾驶员。

该方法还包括聚集针对路段序列中的各路段的分段特定评分以计算目标车辆的驾驶评分。提供用于表征车辆的速度的数据包括提供驾驶评分。

在收集并存储数据时，一个或多个车辆包括多个车辆。

在收集并存储数据时，该数据包括多个分段速度，各分段速度与相应路段、车辆或车辆的驾驶员、以及穿过该段的时间相关联。

处理所收集到的与路段相关联的数据以确定该路段的速度表征包括确定该路段上的车辆的速度分布。

将速度表征与从目标车辆收集到的数据组合以计算目标车辆的速度的分段特定评分包括将该路段的速度分布与根据针对目标车辆收集到的数据而确定的速度组合。

将路段的速度分布与根据针对目标车辆收集到的数据而确定的速度组合包括确定目标车辆的速度在该路段的速度分布中的百分位数。

目标车辆的速度的分段特定评分包括根据百分位数而确定的评分。

根据百分位数而确定的评分包括定量评分。

根据百分位数而确定的评分包括分类评分。

所述路段上的车辆的速度分布包括使用针对穿过该路段的车辆所收集到的分段速度。

确定所述路段上的车辆的速度分布还包括使用针对穿过与该路段相似的其它路段的车辆所收集到的分段速度。

确定车辆的速度分布包括根据相似的路段的相似性来对这些路段的数据进行加权。

目标车辆的速度的分段特定评分包括分类评分。

在另一方面，一般地，机器可读介质包括存储于其上的指令。在处理器上执行指令使该处理器进行以上阐述的任意方法的所有步骤。

在另一方面，一般地，计算机实现的系统包括被配置为进行以上阐述的任意方法的所有步骤的处理器。

一个或多个实施例的优点可以包括以下。

相比于基于传统交通和工程调查方法的速度限制，与路段上的驾驶员速度有关的经验数据可以提供对安全速度的更准确的评估。此外，使用这些方法收集到的经验数据可以用于通知设置速度限制的市政当局或其它实体。例如，由于许多速度限制被有意设置为在道路上驾驶的速度的第85个百分位数，因此可以动态地计算路段上的经验速度的第85个百分位数，从而得到更准确的建议速度限制。

相比于传统道路调查方法，数据收集方法可以提供以更低成本收集到的更多数据。这进而允许更好地估计第85个速度百分位数。鉴于要处理的数据量很大，其分析结果可以连续地更新，并且可以更迅速地获得。

市政当局或保险公司可能对最频繁行进的道路最感兴趣。一个或多个实施例可以能够快速地产生高交通量路段的准确估计，这是因为大部分数据都是在该路段上收集到的。收集大量数据还将允许从用于填充地图数据库的经验数据中推断速度限制。

各方面允许估计个体驾驶员或车辆的相对驾驶行为。在给出了经验速度分布的情况下，服务器可以将用户的每次行程的百分位数进行关联。然后，用户的行为可以被描述为百分位数分布。这种描述允许我们将来自不同路段的行为组合。基于道路的功能分类(例如，主要高速公路与小巷)、道路几何结构、一天中的时间、以及恶劣的天气等来表征驾驶员的超速习惯更是有用的。

路段的安全速度通常是道路条件的函数。例如，驾驶员在夜间可能需要比在白天更缓慢地在道路上驾驶。本发明允许对条件经验速度分布进行估计，其中以下任何一项可能是该估计的因素：给定路段上的天气条件、一天中的时间、一周中的哪一天、或者相对于太阳眩光的驾驶方向(“太阳是否直射到眼睛里”)。

为了帮助驾驶员变得更安全，系统可以识别该驾驶员相对于其他驾驶员在哪条道路上超速最多。识别这些道路将从经验分布中受益，例如从对第85个以上的百分位数的了解中受益。

根据以下描述和权利要求书，本发明的其它特征和优点将是显而易见的。

附图说明

图1示出当驾驶员偏离平均速度时，车辆碰撞风险如何增加。

图2是示出在服务器和多个车辆、用户以及第三方之间通信驾驶信息的处理的图。

图3是作为一天中的时间的函数的平均速度的极图。

图4是作为根据一天中的时间以及周末相对于工作日的平均速度的极图。

图5是实际路段上的速度的累积密度函数(CDF)、以及两个特定驾驶员的速度CDF。

图6是用以将速度测量值转换为驾驶评分的方法的图。

图7是描述与图2相对应的处理的流程图。

具体实施方式

参考图2，多个汽车100能够与服务器110进行通信，以向服务器提供与各汽车有关的驾驶信息。更具体地，在多个实施例中，汽车的驾驶员携带诸如智能手机等的个人装置，其中该个人装置在内部包括用于收集速度、位置和时间数据、并与服务器通信数据的传感器、处理器和通信装置。服务器110保有所有车辆的驾驶信息的日志112。然后，该服务器基于来自汽车的日志数据112来向各驾驶员提供与其表现有关的反馈。代表性汽车120被示出在道路130上。道路130被示出为划分成较小的路段131～135，其中汽车120占据路段131。

随着车辆穿过特定路段(例如，图1中的路段131)，车辆中的个人装置收集速度样本的时间序列(例如每秒一个样本)。这些样本可以汇总为单个数字(例如，均值速度或中值速度)、几个数字(例如，速度的均值和方差)，或者保留为完整的速度样本集。将完整的速度样本或其汇总称为用户在该分段上的“分段速度”。随着车辆120在一次行程中穿过多个路段(例如，包括路段131～135)，个人装置确定该车辆在这次行程中的各路段上的分段速度122。一般地，在服务器110处将分段上的车辆分段速度与来自其它行程的(相同或相似分段上的)、按行程的相似性进行加权的分段速度的分布进行比较。这种比较得到与驾驶员的表现有关的信息。

对于特定车辆穿过的特定路段，服务器110通过将分段速度与来自其它相似行程的针对相同分段(或相似分段)所记录的分段速度进行比较、并且根据基于行程相似性的加权组合这些比较，来计算评分。其它行程可能来自相同或其他驾驶员。行程的相似性基于以下一个或多个度量的组合：天气(包括雨、雪、雾、风速)、建筑、黑暗、太阳眩光、交通、驾驶员经验、驾驶员疲劳、驾驶员分心、该驾驶员或该车辆在这路段或其它路段上的典型速度、或者道路、驾驶员和环境的其它特征。此后，将这类度量称为“协变量(covariate)度量”。以下进一步讨论相似分段的使用。

为了确定用于组合比较的权重，系统考虑了速度分布作为协变量度量的函数如何变化。提供两个示例。这些权重通常通过当协变量度量在驾驶中变化时的速度测量值获知。例如，图3示出在一天的时间中均值速度的变化；清晨(3am～6am)的驾驶速度比白天的驾驶速度快得多。图4示出组合了多个协变量度量(在这种情况下为一天中的时间以及周末相对于工作日)的值。工作日高峰时间的典型速度明显降低。

存在用以设置权重的多种方式。第一，权重可以直接通过系统的专门知识来设置。第二，权重可被设置为使留存速度数据的可能性最大化。第三，权重可被设置为使安全数据的预测的准确度最大化。

给出用于设置权重的第三种技术的更详细示例。假设安全数据包括车辆碰撞的时间和位置。设想在给定速度和协变量度量的情况下，路段R上存在发生碰撞的未知概率。将这一概率写成prob(R上的碰撞|速度，协变量度量)。对于单独的个别路段，可以使用逻辑回归来设置协变量的权重。为了组合多个路段上的统计信息，可以随机选择一组权重并将碰撞数据分为训练集和测试集。可以例如使用随机梯度下降来优化训练数据的权重，使用测试数据进行验证以防止过度拟合。

一旦已经计算出每个路段的评分，就可以直接向相关方(诸如驾驶员)报告该评分。还可以聚集每个行程的分段评分、每个用户的分段评分、每个车辆的分段评分、每个日历时间的分段评分(例如，两周以上的驾驶的均值评分)、每个驾驶时间的分段评分(例如，每小时驾驶的均值评分)、或每个距离的分段评分(例如，每公里的均值评分)。

图5示出按驾驶员加权的、许多驾驶员和行程中在单个路段上的速度的累积分布函数(CDF)。另外，其示出两个特定驾驶员的CDF。这两个驾驶员的CDF与一般CDF不同且彼此不同。

为清楚起见提供更详细的示例。(数值、协变量度量和权重被提供作为具体的示例，并且在不同的实施例中可能不同。)该示例在图6中示出。假设车辆601在周一的8:30AM～8:32AM之间在小雨中以分段速度603行进穿过路段602。

考虑将同一路段上的其它行程分为三类，并计算各类的经验累积分布函数：在工作日的8:00～9:00AM之间在小雨中发生的行程(605)；在7:00～8:00AM或9:00～10:00AM之间在小雨中发生的行程(606)；以及所有其它行程(604)。分段速度603与标绘图上的垂直线(607)相对应；一般地，这条垂直线与各CDF在不同高度(分位数)处相交。与CDF 605的交点标记为608(分位数为0.50处)，并且与CDF 606的交点标记为609(分位数为0.15处)。如610所表示的，通过对分位数(608)和(609)的加权组合来产生最终评分。例如，可以取评分＝0.7*(0.5)+0.3*(0.15)＝0.395。(为604赋予权重零，因此将其包括在加权和中没有影响。)

如果路段评分超过第85个百分位数或低于第15个百分位数(即，评分>0.85或评分<0.15)，则可以将该评分解释为“有轻度风险”；如果路段评分超过第95个百分位数或低于第5个百分位数，则可以将评分解释为“有很大风险”。

针对两个不同驾驶员所观察到的分位数可以显著不同。

可以参考图7所示的流程图来理解上述系统的操作。参考图7，系统从多个车辆收集分段速度数据(步骤401)。如以上所讨论的，可以首先在车辆中收集该数据，然后将改数据分批发送至服务器，或者可选地，可以持续地将数据发送至服务器。使用针对各路段的该数据来计算针对所有段的分段数据403(步骤402)。服务器还收集特定车辆的数据(步骤404)。使用路段特征403，系统计算用户的分段特定速度数据(例如在段中行进的中值速度)(步骤405)。系统聚集车辆所行进的路段上的分段特定数据(步骤407)，并计算驾驶员评分(步骤408)，其中该评分可被提供给驾驶员或第三方。在一些实例中，所聚集的评分可能特定于路段的分类(即，类型)，例如特定于高速公路或地面街道或者特定于诸如一天中的时间(例如白天驾驶相对于夜间驾驶)等的一些其它类别。

在其它实施例中，一些方面可能有所不同。特别地，作为中值的替代，可以记录一段上的速度的替代统计数据，诸如均值速度、均值和方差、Z评分、中值和四分位距、或所有速度样本等。(针对路段或一次或多次行程的)评分可以包括置信区间或其它指示或不确定度。可以增加速度余量而不是评价所观察到的速度，来原谅有风险的超速中的一些部分。例如，可以将针对所评估的个别路段所观察到的中值速度修改为向群体中值速度接近例如5英里每小时。输出评分可以是离散的(例如，“安全”相对于“略有风险”相对于“有很大风险”)或连续的(例如，0.12相对于0.87)。为了避免在同一路段上多次驾驶的驾驶员的权重过高，可以通过每个驾驶员在该路段上的行程次数来使权重减小。(例如，如果驾驶员穿过特定路段X次，则使权重以X的附加乘积因子减小。)

在仅根据特定路段的记录数据不能获得足以估计该路段的速度分布(即，稀疏数据或缺失数据)的数据的情况下，可以根据相似条件下的相似路段上的数据来推断速度分布。例如，通过找到相似道路类型(例如，高速公路或地面街道)、道路几何结构和道路条件的其它路段，可以对速度样本进行池化，并且可以推断出所有相似路段的速度分布。

可选地，在处理稀疏数据时，通过将速度样本转换为适当类型的代表性速度样本，可以使用来自不同路段(或不同环境下的相同路段)的速度样本。例如，假设观察路段A和路段B这两者在晴朗天气下的速度分布。基于分位数对速度样本进行匹配，并拟合回归R1。接着，拟合段A上在晴朗天气下的速度与下雨时的速度之间的速度回归R2。通过对晴朗天气下的路段A的原始CDF应用R2和R1，可以获得对下雨时的路段B的CDF的估计。

在转换并组合来自各种不同路段和条件的样本时，使这些附加样本的权重基于估计的不精确度而降低(例如，如果转换产生方差高的估计，则转换后样本的权重将是低的)。回归的不确定度可以通过各种技术(诸如使用高斯过程回归)来估计。估计技术可以依赖于两个路段的相似性的概念。第32段中所讨论的权重提供了相似性的定量度量。

用于处理稀疏数据的附加技术是利用驾驶员的先前驾驶历史。例如，假设希望估计路段上的均值速度的第85个百分位数。在缺少附加信息的情况下，将需要许多样本来进行可靠估计。假设只能在路段进行一次测量。然而，假设先前的测量值表明，该特定驾驶员在大多数其它道路上经常在第83与第87个百分位数之间进行驾驶。然后，单个数据点是对第85个百分位数的相当准确的估计。利用所有驾驶员的先前超速行为实现以较少的数据对速度分布的更准确的估计。

在上述的一个或多个示例中，使用驾驶员的智能手机来收集车辆的速度数据和位置数据。可选实施例可以使用美国专利8,457,880“TELEMATICS USING PERSONAL MOBILEDEVICES”、以及美国专利9,228,836“INFERENCE OF VEHICULAR TRAJECTORYCHARACTERISTICS WITH PERSONAL MOBILE DEVICES”中所描述的技术。上述文献通过引用而并入于此。此外，可以使用贴附至车辆的装置，例如美国先前公开US2015/0312655A1“System and Method for Obtaining Vehicle Telematics Data”中所描述的标签，上述文献也通过引用而并入于此。

在其它实施例中，在确定路段的安全速度范围时，除了群体速度之外，系统还可以将道路的速度限制考虑在内。

为了保持电池寿命或减少数据传输，可以仅记录和/或传输基础速度测量的一部分或汇总。

上述方法的实现可以使用硬件、软件或硬件和软件的组合来实现数据处理步骤(例如，数据存储、数据缩减和数据通信)。硬件可以包括专用集成电路(ASICS)。软件可以是非暂时性介质(例如，非易失性半导体存储器)上所存储的用于使标签、智能手机和/或服务器中的一个或多个处理器进行上述过程的指令。

应当理解，上述说明旨在示出而非限制由所附权利要求书的范围定义的本发明的范围。其它实施例在所附权利要求书的范围内。

Claims (16)

1.一种用于表征目标车辆在道路网上的速度的方法，所述方法包括：

收集并存储数据，所述数据包括来自穿过道路网中的多个路段的一个或多个车辆的分段速度；

针对所述多个路段中的各路段，处理所收集到的与所述路段相关联的数据以确定针对所述路段的速度表征；

针对路段序列中的各路段，收集来自所述目标车辆的数据；

针对所述路段序列中的一个或多个路段，将针对所述路段的速度表征与从所述路段上的所述目标车辆收集到的数据组合，以计算所述路段上所述目标车辆的速度的分段特定评分；以及

提供根据所述分段特定评分中的一个或多个分段特定评分而确定的用于表征所述车辆的速度的数据。

2.根据权利要求1所述的方法，其中，处理所收集到的与路段相关联的数据以确定针对所述路段的速度表征包括确定所述路段上的车辆的速度分布。

3.根据权利要求2所述的方法，确定所述路段上的车辆的速度分布包括使用针对穿过所述路段的车辆所收集到的分段速度。

4.根据权利要求3所述的方法，其中，确定所述路段上的车辆的速度分布还包括使用针对穿过与所述路段相似的其它路段的车辆收集到的分段速度。

5.根据权利要求4所述的方法，其中，确定车辆的速度分布包括根据相似的路段的相似性来对这些路段的数据进行加权。

6.根据权利要求1至5中任一项所述的方法，其中，提供用于表征所述车辆的速度的数据包括将所述数据提供至所述目标车辆的驾驶员。

7.根据权利要求1至6中任一项所述的方法，还包括：

聚集针对所述路段序列中的各路段的分段特定评分以计算所述目标车辆的驾驶评分；以及

其中提供用于表征所述车辆的速度的数据包括提供所述驾驶评分。

8.根据权利要求1至7中任一项所述的方法，其中，在收集并存储所述数据时，所述一个或多个车辆包括多个车辆。

9.根据权利要求1至8中任一项所述的方法，其中，在收集并存储所述数据时，所述数据包括多个分段速度，各分段速度与相应路段、车辆或车辆的驾驶员、以及穿过该段的时间相关联。

10.根据权利要求1至9中任一项所述的方法，其中，将所述速度表征与从所述目标车辆收集到的数据组合以计算所述目标车辆的速度的分段特定评分包括将该路段的速度分布与根据针对所述目标车辆收集到的数据而确定的速度组合。

11.根据权利要求10所述的方法，其中，将所述路段的速度分布与根据针对所述目标车辆收集到的数据而确定的速度组合包括确定所述目标车辆的速度在所述路段的速度分布中的百分位数。

12.根据权利要求11所述的方法，其中，所述目标车辆的速度的分段特定评分包括根据所述百分位数而确定的评分。

13.根据权利要求12所述的方法，其中，根据所述百分位数而确定的评分包括定量评分。

14.根据权利要求12所述的方法，其中，根据所述百分位数而确定的评分包括分类评分。

15.根据权利要求1至14中任一项所述的方法，其中，所述目标车辆的速度的分段特定评分包括分类评分。

16.一种机器可读介质，其包括存储于其上的指令，其中在处理器上执行所述指令使所述处理器表征目标车辆在道路网上的速度，所述表征包括：

接收并存储数据，所述数据包括来自穿过道路网中的多个路段的一个或多个车辆的分段速度；

针对所述多个路段中的各路段，处理所收集到的与所述路段相关联的数据以确定针对所述路段的速度表征；

针对路段序列中的各路段，接收来自所述目标车辆的数据；

针对所述路段序列中的一个或多个路段，将针对所述路段的速度表征与从所述路段上的所述目标车辆收集到的数据组合以计算所述路段上所述目标车辆的速度的分段特定评分；以及

提供根据所述分段特定评分中的一个或多个分段特定评分而确定的用于表征所述车辆的速度的数据。