CN110428604B - 一种基于轨迹和地图数据的出租车违停监测与预警方法 - Google Patents

一种基于轨迹和地图数据的出租车违停监测与预警方法 Download PDF

Info

Publication number
CN110428604B
CN110428604B CN201910692251.3A CN201910692251A CN110428604B CN 110428604 B CN110428604 B CN 110428604B CN 201910692251 A CN201910692251 A CN 201910692251A CN 110428604 B CN110428604 B CN 110428604B
Authority
CN
China
Prior art keywords
data
parking
map
taxi
road
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
Application number
CN201910692251.3A
Other languages
English (en)
Other versions
CN110428604A (zh
Inventor
咸化彩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN201910692251.3A priority Critical patent/CN110428604B/zh
Publication of CN110428604A publication Critical patent/CN110428604A/zh
Application granted granted Critical
Publication of CN110428604B publication Critical patent/CN110428604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

为针对出租车特殊性、共性的频繁停车、违章停车等危险驾驶行为进行监测，弥补没有监控的区域对出租车停车行为的监测，保障交通安全，本发明提供了一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，包括步骤数据处理、轨迹数据与数字地图的匹配、上下乘客停车点判读和违法停车判读及预警，将采样数据判读出的停车点簇与地图信息、POI信息中违规停车范围比对，时刻监测出租车是否违规停车。本发明促进了轨迹数据、POI数据、道路数据的融合应用，拓展了信息挖掘的方向，保障交通安全。

Description

一种基于轨迹和地图数据的出租车违停监测与预警方法
技术领域
本发明涉及交通安全领域，具体的说是一种基于轨迹数据、POI(Point ofInterest)数据、地图数据等多源数据对出租车违法停车驾驶行为进行监警的方法和系统。
背景技术
出租车是城市机动车里的重要类型，也是一个城市的名片，但出租车驾驶员开车时需留意潜在客源、满足乘客随意上下车需求等特质，易诱发违章停车等驾驶行为，对城市道路交通流组织，以及城市交通安全造成了极大的负面影响。出租车中频繁停车、违法停车几乎是出租车特有和共有的特点。
目前对车辆违法停车的监测研究多集中在增设监测仪器进行监测，大体可分为两类：一类是基于视频的监测，杨胜等发明“违法停车取证系统及方法”、武波涛等发明的“违法停车自动识别方法及装置”、姜廷顺等发明的“一种提醒车主违法停车行为的方法及装置”、李文德等发明“一种违法停车的自动取证方法”等都是基于视频图像的处理判断进行违法停车的监测；另一类是基于检测设备的监测，丁昊等发明“一种对道路拥堵状态分析及违法停车检测的方法及装置”、潘进等“一种对道路拥堵状态分析及违法停车检测的方法及装置”等利用检测矩阵或者红外测距仪等检测设备进行违法停车的监测。目前利用轨迹数据、地图数据、POI等多源数据监测出租车违法停车的研究和专利较少。
目前出租车都配备了定位系统(北斗或者GPS)的数据，基于车辆定位数据(GPS)监测车辆驾驶行为的研究多集中在对不良驾驶行为的监测，如姚峰军等申请的“基于GPS的不良驾驶行为的监测方法和系统-申请公开”；罗赞文发明“一种基于北斗或者GPS数据的车辆实时驾驶行为优劣评估方法”，主要是利用GPS数据分析急加速、急刹车、急转弯、超速行驶、夜间加上、疲劳驾驶等驾驶行为；对GPS轨迹数据整体分析较少，对出租车违法停车的监测几乎没有涉及。
针对出租车经常出现的频繁停车、违法停车问题，如何充分利用挖掘出租车自带的GPS轨迹数据信息，如何充分利用海量的基础电子地图数据信息以及丰富的POI等信息，对出租车特定的频繁变道停车、违法停车这种共有、特有的驾驶行为进行监测是未来的研究方向。
发明内容
本发明的目的是提供一种基于多源数据的出租违法停车监测与预警系统，主要利用出租车的轨迹数据结合电子地图信息、POI数据，针对出租车特殊性、共性的频繁停车、违章停车等危险驾驶行为进行监测，以弥补没有监控的区域对出租车停车行为的监测，保障交通安全。
本发明的实现通过一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，包括以下步骤：
A.数据处理：将原始北斗或者GPS定位数据进行数据清洗和重构，去掉异常数据和冗余数据；
B.轨迹数据与数字地图的匹配；将经过步骤A处理后的车辆的北斗或者GPS数据快速匹配到数字地图上，把其中的车辆轨迹数据与数字地图相关联，确定车辆所属路段，每经过采样间隔T秒进行一次采样，其中1≤T≤10；
C.停车点簇判断：每次采样的速度为V，当连续三个以上速度V＝0时，判定为停车状态，停车状态时轨迹数据中车辆轨迹线上形成点簇，计算得到车c辆点簇的位置信息，获取点簇的方位角信息及载客状态信息；
D.上下乘客停车点判读：在停车点簇判读出来后，根据地图中道路中心线位置和地图数据里车道的数量，模拟数道路边缘线，引入上下乘客停车点判读函数
F＝[G,(D,H)]
其中：G为载客状态值，D为轨迹线方向变化角度，H为点簇中心距离道路边线的距离。当函数F满足：G存在多种载客状态值，或D≥90°且H≤1米时，判读为车辆位于上下乘客停车点；
E.违法停车判读及预警：在判读出车辆位于上下乘客停车点后，将上下乘客停车点与地图信息、POI信息相结合，当车辆的上下乘客停车点在违规停车范围之内时，判读为违法停车，并发出预警。
本发明的进一步技术方案是，所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，步骤E所述违规停车范围包括：
①地图信息中：道路的交叉路口、铁路道口、急弯路、宽度不足4米的窄路、桥梁、陡坡、距离隧道的道路中心线50米以内，道路以及地图中有禁停标志、标线、隔离设施的路段以及人行横道、施工地段路段；
②POI信息中：距离公共汽车站、急救站、加油站、消防队30米以内的路段。
本发明的进一步技术方案是，所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，步骤C启用K均值聚类算法计算得到车辆点簇的位置信息、方位角信息及载客状态信息，包括以下步骤：
C1.是随机选取K个对象，即速度为0的点，作为聚类中心。
本发明的进一步技术方案是，所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，步骤B中所述轨迹数据包含出租车ID、时间戳、经纬度、速度、方位角、载客状态6个字段。
本发明的进一步技术方案是，所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，步骤B还包括以下步骤：
B1.利用轨迹和路网对轨迹数据和匹配进行校正。
本发明的有益效果：本发明针对出租车特殊性、共性的频繁停车、违章停车危险驾驶行为，提供了一种基于轨迹数据、地图数据、POI数据等多源数据相结合的出租车违法停车监测方法，弥补没有监控的区域对出租车停车行为的监测，又促进了轨迹数据、POI数据、道路数据的融合应用，拓展了信息挖掘的方向，保障交通安全。
附图说明
图1为出租车不同状态下停车点簇。
具体实施方式
下面将结合本发明实施例及附图，对本发明的技术方案进行进一步的阐述。
实施例1
如图1所示，本发明的实现过程为一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，包括步骤：
A.数据处理：将车辆甲的原始北斗或者GPS定位数据进行数据清洗和重构，去掉异常数据和冗余数据；
B.轨迹数据与数字地图的匹配；将经过步骤A处理后的该车辆的北斗或者GPS数据快速匹配到数字地图上，把其中的车辆轨迹数据与数字地图相关联，确定车辆所属路段，每经过2秒进行一次采样；
C.停车点簇判断：某时段T1中，该车辆连续6次采样速度为0，通过K均值聚类算法得到停车点簇中心位于A处，载客状态值G1发生变化，轨迹线方向变化角度D1＝100°，点簇中心距离道路边线的距离H1＝0.8米；某时段T2中，该车辆连续5次采样速度为0，通过K均值聚类算法得到停车点簇中心位于B处，载客状态值G2未发生变化，轨迹线方向变化角度D2＝0，点簇中心距离道路边线的距离H2＝2米c；
D.上下乘客停车点判读：根据上下乘客停车点判读函数
F＝[G,(D,H)]
可得，在A处车辆甲位于上下乘客停车点，在B处则不位于上下乘客停车点；
E.违法停车判读及预警：通过地图信息、POI信息返回可知A点位于宽度不足4米的窄路上，因此在T1时段判读为违法停车，并发出预警；在T2时段不发出预警。
实施例2
如图1所示，本发明的实现过程为一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，包括步骤：
A.数据处理：将车辆乙的原始北斗或者GPS定位数据进行数据清洗和重构，去掉异常数据和冗余数据；
B.轨迹数据与数字地图的匹配；将经过步骤A处理后的该车辆的北斗或者GPS数据快速匹配到数字地图上，把其中的车辆轨迹数据与数字地图相关联，确定车辆所属路段，每经过1秒进行一次采样；
C.停车点簇判断：某时段T1中，该车辆连续8次采样速度为0，通过K均值聚类算法得到停车点簇中心位于C处，载客状态值G未发生变化，轨迹线方向变化角度D＝95°，点簇中心距离道路边线的距离H＝0.5米；
D.上下乘客停车点判读：根据上下乘客停车点判读函数
F＝[G,(D,H)]
虽然载客状态值G未变化，但由于D≥90°且H≤1米，可得，在该状态下车辆乙不位于上下乘客停车点；
E.违法停车判读及预警：通过地图信息、POI信息返回可知该上下乘客停车点在违规停车范围之内，判读为违法停车，并发出预警。
实施例3
如图1所示，本发明的实现过程为一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，包括步骤：
A.数据处理：将车辆乙的原始北斗或者GPS定位数据进行数据清洗和重构，去掉异常数据和冗余数据；
B.轨迹数据与数字地图的匹配；将经过步骤A处理后的该车辆的北斗或者GPS数据快速匹配到数字地图上，把其中的车辆轨迹数据与数字地图相关联，确定车辆所属路段，每经过1秒进行一次采样；
C.停车点簇判断：某时段T1中，该车辆连续5次采样速度为0，通过K均值聚类算法得到停车点簇中心位于D处，载客状态值G发生变化，轨迹线方向变化角度D＝103°，点簇中心距离道路边线的距离H＝0.8米；
D.上下乘客停车点判读：根据上下乘客停车点判读函数
F＝[G,(D,H)]
可得，在该状态下车辆乙位于上下乘客停车点；
E.违法停车判读及预警：在判读出车辆位于上下乘客停车点后，将上下乘客停车点与地图信息、POI信息相结合，得到该上下乘客停车点不在该路段的违规停车范围内，因此不发出预警。

Claims (5)

1.一种基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，其特征在于，包括以下步骤：
A.数据处理：将原始北斗或者GPS定位数据进行数据清洗和重构，去掉异常数据和冗余数据；
B.轨迹数据与数字地图的匹配；将经过步骤A处理后的车辆的北斗或者GPS数据快速匹配到数字地图上，把其中的车辆轨迹数据与数字地图相关联，确定车辆所属路段，每经过采样间隔T秒进行一次采样，其中1≤T≤10；
C.停车点簇判断：每次采样的速度为V，当连续三个以上速度V＝0时，判定为停车状态，停车状态时轨迹数据中车辆轨迹线上形成点簇，计算得到车辆点簇的位置信息，获取点簇的方位角信息及载客状态信息；
D.上下乘客停车点判读：在停车点簇判读出来后，根据地图中道路中心线位置和地图数据里车道的数量，模拟数道路边缘线，引入上下乘客停车点判读函数
F＝[G,(D,H)]
其中：G为载客状态值，D为轨迹线方向变化角度，H为点簇中心距离道路边线的距离，当函数F满足：G存在多种载客状态值，或D≥90°且H≤1米时，判读为车辆位于上下乘客停车点；
E.违法停车判读及预警：在判读出车辆位于上下乘客停车点后，将上下乘客停车点与地图信息、POI信息相结合，当车辆的上下乘客停车点在违规停车范围之内时，判读为违法停车，并发出预警。
2.根据权利要求1所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，其特征在于，步骤E所述违规停车范围包括：
①地图信息中：道路的交叉路口、铁路道口、急弯路、宽度不足4米的窄路、桥梁、陡坡、距离隧道的道路中心线50米以内，道路以及地图中有禁停标志、标线、隔离设施的路段以及人行横道、施工地段路段；
②POI信息中：距离公共汽车站、急救站、加油站、消防队30米以内的路段。
3.根据权利要求1-2任一所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，其特征在于，所述步骤C启用K均值聚类算法计算得到车辆点簇的位置信息、方位角信息及载客状态信息，包括以下步骤：
C1.是随机选取K个对象，即速度为0的点，作为聚类中心。
4.根据权利要求1-2任一所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，其特征在于，步骤B中所述轨迹数据包含出租车ID、时间戳、经度、纬度、速度、方位角、载客状态7个字段。
5.根据权利要求1-2任一所述的基于GPS轨迹数据和地图数据的出租车违规停车监测与预警方法，其特征在于，步骤B还包括以下步骤：
B1.利用轨迹和路网对轨迹数据和匹配进行校正。
CN201910692251.3A 2019-07-30 2019-07-30 一种基于轨迹和地图数据的出租车违停监测与预警方法 Active CN110428604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910692251.3A CN110428604B (zh) 2019-07-30 2019-07-30 一种基于轨迹和地图数据的出租车违停监测与预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910692251.3A CN110428604B (zh) 2019-07-30 2019-07-30 一种基于轨迹和地图数据的出租车违停监测与预警方法

Publications (2)

Publication Number Publication Date
CN110428604A CN110428604A (zh) 2019-11-08
CN110428604B true CN110428604B (zh) 2022-04-22

Family

ID=68411319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910692251.3A Active CN110428604B (zh) 2019-07-30 2019-07-30 一种基于轨迹和地图数据的出租车违停监测与预警方法

Country Status (1)

Country Link
CN (1) CN110428604B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126144B (zh) * 2019-11-20 2021-10-12 浙江工业大学 一种基于机器学习的车辆轨迹异常检测方法
CN111190891B (zh) * 2019-12-27 2023-07-25 武汉长江通信产业集团股份有限公司 一种多语义轨迹数据分段存储方法
CN113742606A (zh) * 2020-05-29 2021-12-03 京东城市(北京)数字科技有限公司 对象识别方法、装置、电子设备及可读存储介质
CN112036338B (zh) * 2020-09-03 2024-02-02 杭州海康威视系统技术有限公司 目标行为的识别方法、装置及系统
CN113778986B (zh) * 2021-08-20 2023-08-29 江西省军民融合研究院 基于北斗时空数据重构与数据挖掘的运载工具监管分析方法
CN113838227B (zh) * 2021-10-13 2022-06-24 中化现代农业有限公司 一种车辆异常停留监控方法及系统
CN113946646A (zh) * 2021-11-02 2022-01-18 京东城市(北京)数字科技有限公司 车辆驻留检测方法、装置、电子设备和存储介质
CN115392407B (zh) * 2022-10-28 2023-03-24 中建五局第三建设有限公司 基于无监督学习的危险源预警方法、装置、设备及介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4010316B2 (ja) * 2005-03-25 2007-11-21 住友電気工業株式会社 違法駐車取締りシステムおよび方法
JP4621256B2 (ja) * 2005-11-02 2011-01-26 富士通株式会社 駐車違反業務用携帯端末および駐車違反業務用プログラム
CN101241643A (zh) * 2008-03-05 2008-08-13 中科院嘉兴中心微系统所分中心 基于传感器网络技术的客运车辆监控系统
CN102607553B (zh) * 2012-03-06 2014-08-13 北京建筑工程学院 一种基于出行轨迹数据的行程识别方法
CN104680774A (zh) * 2013-11-28 2015-06-03 昆山研达电脑科技有限公司 汽车高速公路违规停车提醒系统及其方法
CN103903438B (zh) * 2014-03-14 2015-10-28 深圳先进技术研究院 客运车辆违规停车地点识别方法及系统
US10024684B2 (en) * 2014-12-02 2018-07-17 Operr Technologies, Inc. Method and system for avoidance of accidents
CN106157611A (zh) * 2015-04-24 2016-11-23 石立公 一种停车检测系统及其停车检测方法
DE102015225413A1 (de) * 2015-12-16 2017-06-22 Robert Bosch Gmbh Verfahren zur Erkennung von Falschparkern
CN107229682A (zh) * 2017-05-10 2017-10-03 东南大学 一种基于大型数据库的出租车位置数据处理方法
CN108734008B (zh) * 2018-04-26 2021-12-07 东华大学 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法
CN109885639B (zh) * 2019-03-21 2022-12-23 江苏智通交通科技有限公司 可视化的出租车上下车特征分析方法
CN110021185B (zh) * 2019-04-04 2021-03-02 邵沈齐 一种智慧交通管理系统

Also Published As

Publication number Publication date
CN110428604A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110428604B (zh) 一种基于轨迹和地图数据的出租车违停监测与预警方法
CN109859500B (zh) 一种基于车路协同的高速合流区安全预警方法
CN110549941A (zh) 一种基于实时信息的行人碰撞分级预警方法
CN110428621A (zh) 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN113034952B (zh) 一种基于车路协同的路段交通安全实时预警系统
CN110264742B (zh) 一种适用于高速公路的车载信息监测装置及其警示方法
CN112542054B (zh) 一种车辆监控方法、装置及交通管理系统
CN106228826B (zh) 行车路段状况的提示方法及装置
CN110766943B (zh) 一种基于事故数据的不良驾驶行为判定的监测方法和系统
Kumar et al. A model based approach to predict stream travel time using public transit as probes
Goh et al. Experimental microsimulation modeling of road safety impacts of bus priority
CN108648490A (zh) 一种自动驾驶汽车限速信息响应能力的测试方法
JP2023093660A (ja) 制御装置、制御方法、および、制御装置用プログラム
CN110299027A (zh) 一种基于轨迹数据和地图数据的车辆变道监测与安全预警方法
CN114387785A (zh) 一种基于智慧公路的安全管控方法、系统及可存储介质
Elhenawy et al. C-ITS safety evaluation methodology based on cooperative awareness messages
RU2704357C1 (ru) Способ управления работой системы активной безопасности транспортных средств
Conche et al. Use of CCTV to determine road accident factors in urban areas
RU2457544C2 (ru) Способ координации движения транспортных средств и комплексного контроля за безопасностью дорожного движения
CN116844341B (zh) 一种基于互联网的汽车出行监控系统
CN113487873A (zh) 一种公路交通安全智能检测系统
CN111105618B (zh) 一种用于判断高速路上车辆的停靠状态的方法和系统
Fei et al. Spatiotemporal clustering in urban transportation: a bus route case study in Washington DC
US11587441B1 (en) Location risk determination and ranking based on vehicle events and/or an accident database
Ambros et al. Identification of road horizontal alignment inconsistencies–A pilot study from the Czech Republic

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
CB03 Change of inventor or designer information

Inventor after: Xian Huacai

Inventor before: Xian Huacai

Inventor before: Feng Haixia

Inventor before: Zhang Mengmeng

Inventor before: Zhang Licai

Inventor before: Bai Yan

Inventor before: Liu Haitao

Inventor before: Sun Guanglin

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant