CN110766031A - 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 - Google Patents
一种基于驾驶人行为特征的驾驶人甄别系统及其方法 Download PDFInfo
- Publication number
- CN110766031A CN110766031A CN201810841355.1A CN201810841355A CN110766031A CN 110766031 A CN110766031 A CN 110766031A CN 201810841355 A CN201810841355 A CN 201810841355A CN 110766031 A CN110766031 A CN 110766031A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- vehicle
- driving
- behavior
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于驾驶人行为特征的驾驶人甄别系统及方法,属于大数据技术领域,包含车载OBD设备和云计算平台,为驾驶人建立一套驾驶行为数据指纹模型,用于甄别驾驶人身份的方法;包括驾驶人驾驶相关的数据集的采集、驾驶人行为数据处理、驾驶人行为特征因子的提取、驾驶人数据指纹建模、驾驶人行程匹配等。
Description
技术领域
本发明属于大数据技术领域,特别涉及一种基于驾驶人行为特征的驾驶人甄别系统及其方法。
背景技术
近年来车联网的兴起,UBI(User Behavior Insurance)基于驾驶人驾驶行为与驾驶性格的保险,在全球各国的开始广泛推广。UBI通过车联网获取的海量数据,对驾驶人的驾驶行为与驾驶性格等各项数据进行分析,评定驾驶人风险级别,从而给予不同的保费优惠,是一种新型的差异化费率及服务的保险方案。
这种差异化的费率是建立在对驾驶人行为习惯好坏的基础上的,所以甄别车辆每次出行的驾驶人是非常重要的前提,每个人的行为习惯、常用驻车点、常用行驶路线等都是会有区别的;所以对每个驾驶人建立一个数据指纹模型,用于甄别驾驶人的每次出行;从而更精准匹配驾驶人的所有出行记录的驾驶行为作风险评级;对驾驶人及保险公司非常有益,更能推动UBI快速发展。
发明内容
本发明的目的是提供一种基于驾驶人行为特征的驾驶人甄别系统及其方法,解决了利用车联网技术对车主的日常驾驶习惯、驾驶行为特征、活跃区域等驾驶数据进行分析,为驾驶人身份甄别建立数据指纹模型支持的技术问题。
为实现上述目的,本发明采用以下技术方案:
一种基于驾驶人行为特征的驾驶人甄别系统,包括用于采集驾驶相关数据的车载OBD设备和用于预处理、清洗、集成和建立指纹模型的云平台,车载OBD 设备通过移动通信网络与云平台通信。
优先的,所述车载OBD设备的型号为GID4.0;所述云平台包括数个服务器集群,服务器集群采用Hadoop分布式系统基础架构。
优先的,所述OBD设备与所述云平台通信采用的通信协议为JT/T808。
一种基于驾驶人行为特征的驾驶人甄别方法,包括如下步骤:
步骤1:建立一种基于驾驶人行为特征的驾驶人甄别系统,其中车载OBD设备实时采集驾驶人驾驶过程中的所有动态行为类数据、车辆安全类数据、设备传感类数据和位置轨迹类数据,并将以上数据打包成驾驶数据包;
步骤2:车载OBD设备GID4.0通过移动通信网络将驾驶数据包发送给云平台;
步骤3:云平台存储海量的驾驶数据包,生成驾驶历史数据,云平台从驾驶历史数据中分析出驾驶人驾驶行为相关类数据、行驶路径轨迹类数据和车辆状态类数据集,并对这些数据进一步分析挖掘出,每辆车历史驾驶中最显著的驾驶行为特征因子;
步骤4:云平台根据驾驶行为特征因子的显著情况,计算出驾驶行为特征因子的权重;通过驾驶人每次驾驶采集到的动态行为数据,并且按不同的驾驶行为特征分组;综合每次驾驶过程中发生的行为特征频率,计算出每个驾驶行为特征因子能表征该驾驶人的权重;
步骤5:云平台根据驾驶行为特征因子为每个驾驶人建立唯一的驾驶行为数字指纹模型;并对模型做持续测试验证,不断的迭代完善驾驶人的指纹模型,用该指纹模型作为甄别驾驶人身份的方法。
优先的,在执行步骤1时,动态行为类数据包括急加速、急减速、急转弯、急刹车、四急持续时长、刹车力度、引擎转速、变道频次、驾驶速度区间、平均时速、超速情况、疲劳驾驶和怠速时长;车辆安全类数据包括车辆电压情况、不同速度区间百公里油耗、违章情况和出险情况;设备传感类数据包括各个车辆传感器采集的数据;位置轨迹类数据包括活动区域半径、兴趣商圈、常驻点和轨迹规律。
优先的,在执行步骤3时包括如下步骤:
步骤A:在云平台建立DMG终端接入网关、DPE数据预处理模块、DB数据存储模块、DAM数据分机挖掘模块和Mode1指纹模型模块;
步骤B:安装在车辆上的车载OBD设备通过GPS模块、CAN总线OBD接口采集车辆行驶过程中的车辆CAN总线数据、GPS数据和G-Sensor进行采集存储,并按照既定频率把采集的数据上传至DMG终端接入网关;
步骤C:DMG终端接入网关按照JT/T808对数据进行解析,并区GPS、CAN、 G-Sensor,将分消息类型数据传递给DPE数据预处理模块中的消息中间件KAFKA;
步骤D:DPE数据预处理模块对消息中间件中数据进行数据筛选、异常数据清理、数据集成和数据转换,并格式化为分析模型对象关系型数据存储到DB数据存储模块中;
步骤E:DAM数据分机挖掘模块从DB数据存储模块中抽取DPE数据预处理模块预处理后的车辆行驶过程中的数据和车联网第三方数据,车联网第三方数据包含POI、天气和路网;再对数据做进一步的清洗、集成、转换、规约和分组;对数据进行分析挖掘计算出每个驾驶人的驾驶行为特征因子的权重,并建立对应的指纹模型用于甄别驾驶人,并且不断根据驾驶人的出行迭代完善该模型。
优先的,在执行步骤5时包括如下步骤:
步骤S1:判断车辆是否启动;是,执行步骤S2;否执行步骤S1;
步骤S2:车载OBD设备GID4.0开始采集车辆的行驶过程中的GPS、CAN、 G-Sensor数据数据并缓存;
步骤S3:判断是否到达上传数据的时间:是,执行步骤S4;否,执行步骤 S2;
步骤S4:车载OBD设备GID4.0将车辆的动态/静态数据和所有传感器获取的车辆数据上传给云平台;
步骤S5:云平台对车载OBD设备GID4.0上传的数据进行处理存储、分析计算和挖掘;
步骤S6:云平台为每个驾驶人建立唯一的驾驶指纹模型,通过不断迭代的方式更精确的完善模型,并通过该模型来精准甄别驾驶人。
本发明所述的一种基于驾驶人行为特征的驾驶人甄别系统及其方法,解决了利用车联网技术对车主的日常驾驶习惯、驾驶行为特征、活跃区域等驾驶数据进行分析,为驾驶人身份甄别建立数据指纹模型支持的技术问题,本发明基于IOV 的端-管-云架构实现的,利用车联网技术对车主的日常驾驶习惯、驾驶行为特征、活跃区域等车辆驾驶情况数据进行分析,为驾驶人身份甄别建立数据指纹模型支持。本发明是UBI模式不可或缺的一部分,直接通过驾驶人的历史驾驶情况建立身份甄别的数据指纹模型,再对驾驶人的每次驾驶做模型匹配,甄别是否属于投保驾驶人,降低赔付风险成本;模型匹配后的驾驶记录,更能精准的评定驾驶人的驾驶行为的等级,为投保驾驶人提供个性化保费及服务;便于公安交管部门对道路安全的管理,事故责任人甄别防顶包,防止车辆被盗用,失窃等。
附图说明
图1是本发明的系统架构图;
图2是驾驶人指纹模型流程图
图3是本发明的云平台驾驶人行为数据处理流程图。
具体实施方式
实施例1:
如图1所示的一种基于驾驶人行为特征的驾驶人甄别系统,包括用于采集驾驶相关数据的车载OBD设备和用于预处理、清洗、集成和建立指纹模型的云平台,车载OBD设备通过移动通信网络与云平台通信。
优先的,所述车载OBD设备的型号为GID4.0;所述云平台包括数个服务器集群,服务器集群采用Hadoop分布式系统基础架构。
优先的,所述OBD设备与所述云平台通信采用的通信协议为JT/T808。
实施例2:
如图2和图3所示的实施例2所述的一种基于驾驶人行为特征的驾驶人甄别方法是基于实施例1所述的一种基于驾驶人行为特征的驾驶人甄别系统实现的,包括如下步骤:
步骤1:建立一种基于驾驶人行为特征的驾驶人甄别系统,其中车载OBD设备实时采集驾驶人驾驶过程中的所有动态行为类数据、车辆安全类数据、设备传感类数据和位置轨迹类数据,并将以上数据打包成驾驶数据包;
车载OBD设备通过GPS模块实时采集车辆运行时的经纬度,速度,高度,加速度等,通过OBD接口模块获取车辆实时的运行状态和静态信息;当车辆在启动状态下,智能车载终端根据指定的频率上传采集的数据包。通过GPS模块采集的相关数据可以判别车辆的行驶轨迹规律、活动区域半径、兴趣商圈、常驻点等,平均速度,加速度可以判别车辆的四急(急加速、急减速、急转弯、急刹车)、超速、变道等;通过OBD模块获取的车辆实时状态则可以提取车辆的电压情况、怠速、刹车力度、油门力度、点熄火情况判断是否长时间疲劳驾驶等;另外违章、保险等相关数据都由车联网服务商获取;以上作为驾驶人行为特征习惯分析的基础原始数据。
步骤2:车载OBD设备通过移动通信网络将驾驶数据包发送给云平台;
驾驶人驾驶行为特征无法直接通过车载OBD设备采集的源数据来表征,车载 OBD设备采集的数据上传至云平台后,需要在云平台将采集的数据清洗,转换,并存储等预处理后再进行统计分析,驾驶人行为特征因子挖掘,根据分析挖掘出的驾驶人行为特征因子,再根据每个驾驶人历史出行采集的海量数据,计算每一个驾驶人的特征因子权重,并建立相应的数据指纹模型。
步骤3:云平台存储海量的驾驶数据包,生成驾驶历史数据,云平台从驾驶历史数据中分析出驾驶人驾驶行为相关类数据、行驶路径轨迹类数据和车辆状态类数据集,并对这些数据进一步分析挖掘出显著的驾驶行为特征因子;显著的驾驶行为特征因子为司机在驾驶过程中最易发生、最常见的特征因子;
驾驶人行为特征因子包括多个方面,如表1所示,主要特征因子包括如:不同速度区间的四急(急加速、急减速、急转弯、急刹车)情况、四急持续时长、刹车力度、引擎转速、变道频次、驾驶速度区间、平均时速、超速情况、疲劳驾驶、怠速时长、活动区域半径、兴趣商圈、常驻点、轨迹规律、车辆电压情况、不同速度区间百公里油耗、违章情况、出险情况等;同车辆不同的驾驶人的操作都会由不同的性格特征、行为习惯影响着驾驶人行为特征因子权重。
表1
在驾驶人行为特征因子提取时,车载终端采集的行车过程中的信息,其中急加速、急减速、急刹车、急转弯、变道频次、油耗、刹车力度、引擎转速、怠速等信息与驾驶人性格特征直接相关,这些数据信息分别通过不同的方法处理得到。
急加速:通过采集车辆速度,引擎转速;相邻采样点间的速度差值为正值时,除以采样的时间间隔,为此时的加速度值,如果加速度值满足既定的加速度阈值,引擎转速大于该速度区间下的引擎转速(不同速度区间加速度阈值不同和引擎转速阈值不同),就开始计算此急加速度过程,当加速度值小于加速度阈值一段时间,就会结束计算急加速过程,并记录发生了急加速行为。
急减速:通过采集车辆速度,引擎转速;相邻采样点间的速度差值为负值时,除以采样的时间间隔,为此时的减速度值,如果减速度值满足既定的加速度阈值,且引擎转速小于阈值,就开始计算此急减速度过程,当加速度值大于加速度阈值一段时间,就会结束计算急减速过程,并记录发生了急减速行为。
急刹车:同急减速,发生行为的阈值不同。
急转弯:通过获取GPS的方向角与采集的车速来计算,当车转弯的时候会有一个角度,这时如果转弯的角度与车速到了一个阈值,算为一个急转弯的过程开始,如果此行为持续时间超过阈值,算此时有一个急转弯的动作;中途转弯的角度与车速若低于阈值并超出一定时间,则判断急转弯过程终止,并记录发生了急转弯行为。
变道频次:通过获取GPS的方向角的变化阈值,当变道时车辆GPS角度会发生变化,当变化角度达到触发阈值,且持续时间按照特定速度区间达到阈值,则记录一次变道。
怠速超长:通过CAN总线OBD模块采集的车辆的引擎转速、车辆运行速度,当速度为0时,并且引擎转速处于特定阈值范围,则认为发生怠速,且持续时间达到一定阈值认为发生一次怠速超长。
步骤4:云平台根据驾驶行为特征因子的显著情况,计算出驾驶行为特征因子的权重;计算权重时通过驾驶人每次驾驶采集到的动态行为数据,并且按不同的驾驶行为特征分组;综合每次驾驶过程中发生的行为特征频率,计算出每个驾驶行为特征因子能表征该驾驶人的权重
步骤5:云平台为每个驾驶人建立唯一的驾驶指纹模型;并对模型做持续测试验证,不断的迭代完善驾驶人的指纹模型,用该指纹模型作为甄别驾驶人身份的方法。
优先的,在执行步骤1时,动态行为类数据包括急加速、急减速、急转弯、急刹车、四急持续时长、刹车力度、引擎转速、变道频次、驾驶速度区间、平均时速、超速情况、疲劳驾驶和怠速时长;车辆安全类数据包括车辆电压情况、不同速度区间百公里油耗、违章情况和出险情况;设备传感类数据包括各个车辆传感器采集的数据;位置轨迹类数据包括活动区域半径、兴趣商圈、常驻点和轨迹规律。
优先的,在执行步骤3时包括如下步骤:
步骤A:在云平台建立DMG终端接入网关、DPE数据预处理模块、DB数据存储模块、DAM数据分机挖掘模块和Mode1指纹模型模块;
步骤B:安装在车辆上的车载OBD设备通过GPS模块、CAN总线OBD接口采集车辆行驶过程中的数据,并对CAN总线数据、GPS数据和加速度传感器采集的加速度数据进行采集存储,并按照既定频率把采集的数据上传至DMG终端接入网关;
步骤C:DMG终端接入网关按照既定协议对数据进行解析,并区分消息类型将数据传递给DPE数据预处理模块中的消息中间件;消息中间件为KAFKA;
步骤D:DPE数据预处理模块对消息中间件中数据进行数据筛选、异常数据清理、数据集成和数据转换,并格式化为平台标准化数据存储到DB数据存储模块中;
步骤E:DAM数据分机挖掘模块从DB数据存储模块中抽取DPE数据预处理模块预处理后的车辆行驶过程中的数据和车联网第三方数据,车联网第三方数据包含POI、天气、路网等;再对数据做进一步的清洗、集成、转换、规约和分组;对数据进行分析挖掘计算出每个驾驶人的驾驶行为特征因子的权重,并建立对应的指纹模型用于甄别驾驶人,并且不断根据驾驶人的出行迭代完善该模型。
优先的,在执行步骤5时包括如下步骤:
步骤S1:判断车辆是否启动;是,执行步骤S2;否执行步骤S1;
步骤S2:车载OBD设备开始采集车辆的动态/静态数据和所有传感器获取的车辆数据并缓存;
步骤S3:判断是否到达上传数据的时间:是,执行步骤S4;否,执行步骤 S2;
步骤S4:车载OBD设备将车辆的动态/静态数据和所有传感器获取的车辆数据上传给云平台;
步骤S5:云平台对车载OBD设备上传的数据进行处理存储、分析计算和挖掘;
步骤S6:云平台为每个驾驶人建立唯一的驾驶指纹模型,通过不断迭代的方式更精确的完善模型,并通过该模型来精准甄别驾驶人。
本发明基于IOV的端-管-云架构提出的驾驶人行为特征因子提取方法,从车载终端获取与驾驶行为特征相关的数据信息,将数据传输至云端进行分析、计算和挖掘特征因子权重,根据每个驾驶人的驾驶行为特征因子权重建立唯一的数据指纹模型。
本发明的驾驶人驾驶行为特征的关键数据有四急(急加速、急减速、急转弯、急刹车)频次及持续时长、油门力度、变道频次、怠速情况等关键数据提取计算方式。
本发明将活动区域、常驻点、行为轨迹规律、交通违章情况、事故出险情况等参与驾驶人驾驶行为特征因子计算。
本发明所述的一种基于驾驶人行为特征的驾驶人甄别系统及其方法,解决了利用车联网技术对车主的日常驾驶习惯、驾驶行为特征、活跃区域等驾驶数据进行分析,为驾驶人身份甄别建立数据指纹模型支持的技术问题,本发明基于IOV 的端-管-云架构实现的,利用车联网技术对车主的日常驾驶习惯、驾驶行为特征、活跃区域等车辆驾驶情况数据进行分析,为驾驶人身份甄别建立数据指纹模型支持。本发明是UBI模式不可或缺的一部分,直接通过驾驶人的历史驾驶情况建立身份甄别的数据指纹模型,再对驾驶人的每次驾驶做模型匹配,甄别是否属于投保驾驶人,降低赔付风险成本;模型匹配后的驾驶记录,更能精准的评定驾驶人的驾驶行为的等级,为投保驾驶人提供个性化保费及服务;便于公安交管部门对道路安全的管理,事故责任人甄别防顶包,防止车辆被盗用,失窃等。
Claims (7)
1.一种基于驾驶人行为特征的驾驶人甄别系统,其特征在于:包括用于采集驾驶相关数据的车载OBD设备和用于预处理、清洗、集成和建立指纹模型的云平台,车载OBD设备通过移动通信网络与云平台通信。
2.如权利要求1所述的一种基于驾驶人行为特征的驾驶人甄别系统,其特征在于:所述车载OBD设备的型号为GID4.0;所述云平台包括数个服务器集群,服务器集群采用Hadoop分布式系统基础架构。
3.如权利要求1所述的一种基于驾驶人行为特征的驾驶人甄别系统,其特征在于:所述OBD设备与所述云平台通信采用的通信协议为JT/T808。
4.一种基于驾驶人行为特征的驾驶人甄别方法,其特征在于:包括如下步骤:
步骤1:建立一种基于驾驶人行为特征的驾驶人甄别系统,其中车载OBD设备实时采集驾驶人驾驶过程中的所有动态行为类数据、车辆安全类数据、设备传感类数据和位置轨迹类数据,并将以上数据打包成驾驶数据包;
步骤2:车载OBD设备GID4.0通过移动通信网络将驾驶数据包发送给云平台;
步骤3:云平台存储海量的驾驶数据包,生成驾驶历史数据,云平台从驾驶历史数据中分析出驾驶人驾驶行为相关类数据、行驶路径轨迹类数据和车辆状态类数据集,并对这些数据进一步分析挖掘出,每辆车历史驾驶中最显著的驾驶行为特征因子;
步骤4:云平台根据驾驶行为特征因子的显著情况,计算出驾驶行为特征因子的权重;通过驾驶人每次驾驶采集到的动态行为数据,并且按不同的驾驶行为特征分组;综合每次驾驶过程中发生的行为特征频率,计算出每个驾驶行为特征因子能表征该驾驶人的权重;
步骤5:云平台根据驾驶行为特征因子为每个驾驶人建立唯一的驾驶行为数字指纹模型;并对模型做持续测试验证,不断的迭代完善驾驶人的指纹模型,用该指纹模型作为甄别驾驶人身份的方法。
5.如权利要求4所述的一种基于驾驶人行为特征的驾驶人甄别方法,其特征在于:在执行步骤1时,动态行为类数据包括急加速、急减速、急转弯、急刹车、四急持续时长、刹车力度、引擎转速、变道频次、驾驶速度区间、平均时速、超速情况、疲劳驾驶和怠速时长;车辆安全类数据包括车辆电压情况、不同速度区间百公里油耗、违章情况和出险情况;设备传感类数据包括各个车辆传感器采集的数据;位置轨迹类数据包括活动区域半径、兴趣商圈、常驻点和轨迹规律。
6.如权利要求4所述的一种基于驾驶人行为特征的驾驶人甄别方法,其特征在于:在执行步骤3时包括如下步骤:
步骤A:在云平台建立DMG终端接入网关、DPE数据预处理模块、DB数据存储模块、DAM数据分机挖掘模块和Mode1指纹模型模块;
步骤B:安装在车辆上的车载OBD设备通过GPS模块、CAN总线OBD接口采集车辆行驶过程中的车辆CAN总线数据、GPS数据和G-Sensor进行采集存储,并按照既定频率把采集的数据上传至DMG终端接入网关;
步骤C:DMG终端接入网关按照JT/T808对数据进行解析,并区GPS、CAN、G-Sensor,将分消息类型数据传递给DPE数据预处理模块中的消息中间件KAFKA;
步骤D:DPE数据预处理模块对消息中间件中数据进行数据筛选、异常数据清理、数据集成和数据转换,并格式化为分析模型对象关系型数据存储到DB数据存储模块中;
步骤E:DAM数据分机挖掘模块从DB数据存储模块中抽取DPE数据预处理模块预处理后的车辆行驶过程中的数据和车联网第三方数据,车联网第三方数据包含POI、天气和路网;再对数据做进一步的清洗、集成、转换、规约和分组;对数据进行分析挖掘计算出每个驾驶人的驾驶行为特征因子的权重,并建立对应的指纹模型用于甄别驾驶人,并且不断根据驾驶人的出行迭代完善该模型。
7.如权利要求4所述的一种基于驾驶人行为特征的驾驶人甄别方法,其特征在于:在执行步骤5时包括如下步骤:
步骤S1:判断车辆是否启动;是,执行步骤S2;否执行步骤S1;
步骤S2:车载OBD设备GID4.0开始采集车辆的行驶过程中的GPS、CAN、G-Sensor数据数据并缓存;
步骤S3:判断是否到达上传数据的时间:是,执行步骤S4;否,执行步骤S2;
步骤S4:车载OBD设备GID4.0将车辆的动态/静态数据和所有传感器获取的车辆数据上传给云平台;
步骤S5:云平台对车载OBD设备GID4.0上传的数据进行处理存储、分析计算和挖掘;
步骤S6:云平台为每个驾驶人建立唯一的驾驶指纹模型,通过不断迭代的方式更精确的完善模型,并通过该模型来精准甄别驾驶人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841355.1A CN110766031A (zh) | 2018-07-27 | 2018-07-27 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841355.1A CN110766031A (zh) | 2018-07-27 | 2018-07-27 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766031A true CN110766031A (zh) | 2020-02-07 |
Family
ID=69327964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810841355.1A Pending CN110766031A (zh) | 2018-07-27 | 2018-07-27 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766031A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113442935A (zh) * | 2021-07-15 | 2021-09-28 | 华中科技大学 | 一种商用车不良驾驶行为的判断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN106428015A (zh) * | 2016-09-12 | 2017-02-22 | 惠州Tcl移动通信有限公司 | 一种智能行车辅助方法及装置 |
CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
-
2018
- 2018-07-27 CN CN201810841355.1A patent/CN110766031A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN106428015A (zh) * | 2016-09-12 | 2017-02-22 | 惠州Tcl移动通信有限公司 | 一种智能行车辅助方法及装置 |
CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113442935A (zh) * | 2021-07-15 | 2021-09-28 | 华中科技大学 | 一种商用车不良驾驶行为的判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784587B (zh) | 一种驾驶行为评价系统 | |
CN110060484B (zh) | 一种基于区块链的公路客运违章实时预警系统及方法 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CA2777931C (en) | System for monitoring vehicle and operator behavior | |
CN107784251A (zh) | 基于图像识别技术对驾驶行为评价的方法 | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
CN107564280B (zh) | 基于环境感知的驾驶行为数据采集分析系统和方法 | |
CN109076093A (zh) | 控制车辆中基于传感器的数据采集和信号处理的系统和方法 | |
CN105389864A (zh) | 一种汽车ubi信息提取的方法 | |
CN102737510A (zh) | 一种基于移动智能终端的实时交通路况采集方法 | |
CN112071061A (zh) | 基于云计算和数据分析的车辆服务系统 | |
CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN104200667A (zh) | 一种基于手机信号数据的交通拥堵分级检测方法 | |
CN108764042A (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
CN114841679B (zh) | 车辆行驶数据的智能管理系统 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
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 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN111914687A (zh) | 一种基于车联网主动识别事故的方法 | |
CN108665084B (zh) | 一种对驾驶风险的预测方法及系统 | |
CN111192450A (zh) | 一种联网车辆管理方法及系统 | |
CN110766031A (zh) | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 | |
CN112129290A (zh) | 用于监测骑行设备的系统及方法 | |
WO2019197345A1 (en) | Vehicular motion assessment method |
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 |