CN110910636A - 一种基于海量交通数据分析的车辆异常转弯行为分析方法 - Google Patents

一种基于海量交通数据分析的车辆异常转弯行为分析方法 Download PDF

Info

Publication number
CN110910636A
CN110910636A CN201911064227.1A CN201911064227A CN110910636A CN 110910636 A CN110910636 A CN 110910636A CN 201911064227 A CN201911064227 A CN 201911064227A CN 110910636 A CN110910636 A CN 110910636A
Authority
CN
China
Prior art keywords
turning
data
vehicle
road
abnormal
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
Application number
CN201911064227.1A
Other languages
English (en)
Other versions
CN110910636B (zh
Inventor
李建元
李万清
张迪
温晓岳
王辉
张标标
张文广
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.)
Yinjiang Technology Co.,Ltd.
Original Assignee
Enjoyor Co Ltd
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 Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN201911064227.1A priority Critical patent/CN110910636B/zh
Publication of CN110910636A publication Critical patent/CN110910636A/zh
Application granted granted Critical
Publication of CN110910636B publication Critical patent/CN110910636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于海量交通数据分析的车辆异常转弯行为分析方法，本发明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对车辆的转弯行为进行判断并评分，再以行为评分为依据，对驾驶人员和车辆的转弯安全行为进行排名，具有适用范围广，数据量大，准确性高的特点。本发明的数据源可以是出租车、大货车、物流车、两客一危车辆等等特定群体的GPS行驶轨迹数据，也可以是所有加装了GPS设备的社会车辆产生的GPS轨迹数据，应用范围广。

Description

一种基于海量交通数据分析的车辆异常转弯行为分析方法
本发明是申请号为201711206149.5、申请日为2017年11月27日、名为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的分案申请。
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种基于海量交通数据分析的车辆异常转弯行为分析方法。
背景技术
随着社会经济的发展，人们生活水平的进步，越来越多的人将机动车作为出行工具，这也给道路交通安全带来了许多问题及隐患。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驾驶安全行为，特别是分析转弯行为，是对道路交通安全具有重大社会意义。
目前业内对于驾驶安全行为，特别是对于转弯行为的分析存在很多不足，有的需要发明一种复杂的终端设备来监控车辆，有的只对特定群体的车辆(如某物流公司的所有货车)进行分析，概括来说就是研究成本高或研究的车辆对象范围有限。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于海量交通数据分析的车辆异常转弯行为分析方法，本发明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对车辆的转弯行为进行判断并评分，再以行为评分为依据，对驾驶人员和车辆的转弯安全行为进行排名，具有适用范围广，数据量大，准确性高的特点。本发明的数据源可以是出租车、大货车、物流车、两客一危车辆等等特定群体的GPS行驶轨迹数据，也可以是所有加装了GPS设备的社会车辆产生的GPS轨迹数据，应用范围广。
本发明是通过以下技术方案达到上述目的：一种基于海量交通数据分析的车辆异常转弯行为分析方法，包括如下步骤：
(1)在数据库中导入浮动车数据和地图数据，基于浮动车数据和地图数据分别创建GPS数据表和路网信息表；并对浮动车数据进行预处理完成GPS数据表的修正；
(2)利用数据挖掘方法分析车辆的异常转弯行为，异常转弯行为指异常路口转弯行为或非路口转弯行为；将当前车辆的转弯行为参数与转弯行为参数基准阈值进行比较，判断是否发生异常转弯行为；其中，转弯行为参数包括车速、方位角差，转弯行为参数基准阈值通过历史交通数据统计获得。
作为优选，所述异常路口转弯行为的判断方法为：根据方位角、位置坐标求取转弯半径，以转弯半径为变量，转弯速度为因变量，拟合单个车辆的转弯速度阈值曲线；抽取N辆车拟合的转弯速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的转弯速度阈值曲线作为基准转弯速度阈值曲线；当车辆行驶的转弯速度超出当前转弯半径对应的基准转弯速度阈值曲线中的转弯速度阈值时，则车辆出现异常路口转弯行为。
作为优选，所述非路口转弯行为的判断方法为：根据前后GPS点的方位角差判断是否有掉头行为，比较前后GPS点所在路段是否为同一条路段，当同一条路段时，则车辆出现非路口转弯行为。
作为优选，还包括如下步骤：
(3)对发生的异常转弯行为进行统计打分，并以异常转弯行为评分为依据，对驾驶人员的转弯行为进行排名。
作为优选，所述对异常路口转弯行为的评分方法如下：
(A)取路网信息表，并从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计出路网中的路口，并找出跨路口轨迹链，创建跨路口轨迹链表，表中的每两条相邻数据是一对跨路口轨迹链；
(B)计算转弯半径和转弯速度，创建得到转弯参数表；计其中，算方法如下：
读取跨路口轨迹链表，同一辆车的一对跨路口轨迹链的方位角度差为Δd＝|diri+1-diri|；其经纬度坐标为<lon1，lat1>和<lon2，lat2>，计算出该数据对所行驶的路程为distance＝arccos[coslat1*coslat2*cos(lon1-lon2)+sinlat1*sin lat2]*Earthh_Ridus
根据如下公式计算得到转弯半径为
Figure BDA0002258820420000031
转弯速度取两条数据的速度平均值，如下所示：
Figure BDA0002258820420000041
(C)根据Ransac模型计算转弯行为回归直线，并创建转弯行为回归直线参数表；
(D)对所有车辆的转弯行为回归直线聚类分析：取转弯行为回归直线参数表的数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，进行抽样分析以及聚类分析，确定转弯行为阈值线y＝Kx+B；
(E)根据y＝Kx+B计算每辆车的转弯行为评分：取转弯参数表，对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；Count异常转弯代表异常转弯行为的频次值，创建异常路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
Figure BDA0002258820420000042
作为优选，所述对非路口转弯行为的评分方法为：
(i)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计N辆车的掉头Δd，获得阈值Δd2，并找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，其中，Δd2可取160°，反向行驶数据数量为Count反向，所在路段为Road1和Road2；
(ii)若Road1＝Road2，掉头次数Count掉头加1；
(iii)若Road1＜＞Road2，则读取路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同；若相同，则掉头次数Count掉头加1；
(iv)创建非路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
Figure BDA0002258820420000051
本发明的有益效果在于：(1)本发明利用真实海量GPS数据以及地图道路数据，数据具有数据量大、数据准确性高等特点；(2)该方法更为科学合理地制定出一系列评估转弯行为安全性的指标体，可为评价驾驶员的转弯习惯、驾驶转弯技术和安全意识提供较为客观的依据。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例1：如图1所示，一种基于海量交通数据分析的车辆异常转弯行为分析方法，本发明以浮动车GPS数据为例，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分析车辆的异常转弯行为，其中异常转弯行为指异常路口转弯行为，通过当前车辆的转弯行为参数与转弯行为参数基准阈值比较，对不安全的异常转弯行为进行判断，并进行统计打分，再以异常转弯行为评分为依据，对驾驶人员和车辆的转弯行为进行排名。其中，转弯行为参数包括车速、方位角差，转弯行为参数基准阈值通过历史交通数据统计获得。
具体包括如下步骤：
步骤1.读入真实浮动车数据和地图数据
向数据库中导入浮动车数据、地图数据，浮动车数据包括车辆编号、数据生成时间、轨迹点坐标、瞬时速度、方位角、归属路段(需要根据经纬度和地理信息数据进行计算)，创建GPS数据表，如表1所示；地图数据包含字段有路段ID、起点经纬度、中点经纬度、终点经纬度、路段长度，创建路网信息表，如表2所示；
车辆编号 时间 经度 纬度 瞬时速度 方位角 归属路段
表1
路段ID 起点经度 起点纬度 中点经度 中点纬度 终点经度 终点纬度 路段长度
表2
步骤2.对浮动车数据进行预处理
由于设备和上传网络的不稳定，部分数据存在较大误差，需要进行预处理，方法如下：
2-1.根据表1，统计出车辆编号信息表，如表3所示。
车辆编号 数据量
表3
2-2.按照表3车辆编号信息表中的车辆编号顺序，分别对表1中每辆车的数据按照时间先后顺序排序，正常情况下，如果该车辆的经纬度信息在一个连续时间段内保持不变，则意味着它停在原地不动，但在表1中却发现有许多经纬度信息长时间保持不变，而其速度值却波动很大的数据，这些数据就是需要修正的异常数据，我们将连续5条以上经纬度保持不变的数据的速度值设为0(该时间段首尾的2条GPS数据除外)；
2-3.利用地图栅格化算法计算表1中每条数据所在的路段，将结果填入该表的归属路段字段中。
步骤3.计算异常路口转弯行为评分(针对一辆车分析)：
从表1中分别读取车辆x的GPS数据(按时间先后顺序)，如表4所示，比如取出的数据中有以下同一辆车的两条时间相邻的数据。
车辆编号 时间 经度 纬度 速度 方位角 归属路段
…… …… …… …… …… …… ……
车辆x T<sub>i</sub> lon<sub>i</sub> lat<sub>i</sub> Speed<sub>i</sub> dir<sub>i</sub> Road<sub>x</sub>
车辆x T<sub>i+1</sub> lon<sub>i+1</sub> lat<sub>i+1</sub> Speed<sub>i+1</sub> dir<sub>i+1</sub> road<sub>y</sub>
…… …… …… …… …… …… ……
表4
3-1.取表2和表4，统计出路网中的路口，并找出跨路口轨迹链，创建表5所示的跨路口轨迹链表，表中每两条相邻数据是一对跨路口轨迹链。
车辆编号 时间 经度 纬度 速度 方位角 归属路段
车辆x T<sub>i</sub> lon<sub>i</sub> lat<sub>i</sub> Speed<sub>i</sub> dir<sub>i</sub> Road<sub>x</sub>
车辆x T<sub>i+1</sub> lon<sub>i+1</sub> lat<sub>i+1</sub> Speed<sub>i+1</sub> dir<sub>i+1</sub> road<sub>y</sub>
…… …… …… …… …… …… ……
表5
3-2.计算转弯半径r和转弯速度v
读取表13，同一辆车一对跨路口轨迹链(每两条相邻数据)的方位角度差为
Δd＝|diri+1-diri| (4.2.1)
其经纬度坐标为＜lon1,lat1＞和＜lon2,lat2＞，计算出该数据对所行驶的路程：
dis tance＝arccos[coslat1*cos lat2*cos(lon1-lon2)+sin lat1*sin lat2]*Earth_Ridus
(4.2.2)
把转弯时的行驶路程近似为弧长，Δd当做圆心角，根据弧长公式变形可以计算出此次转弯的转弯半径为
Figure BDA0002258820420000081
转弯速度取两条数据的速度平均值
Figure BDA0002258820420000082
创建表6所示的转弯参数表：
转弯半径r 转弯速度v<sub>转弯</sub>
表63-3根据Ransac模型计算转弯行为回归直线
实验过程中发现，由于数据存在不可避免的误差，有时会出现一些异常值，为了避免异常值对回归分析的影响，所以采用Ransac随机采样一致性算法，该算法属于一种不确定算法，每次运算都会有一定的概率得到一个合理的结果，这个概率随着迭代次数的增加而增加，所以总能通过增加迭代次数来获得一个比较满意的结果。
Ransac算法中假设数据分为内点和外点，其中内点是指位置分布符合给定参数的回归模型的点，而外点是那些和回归模型不相匹配的点，即外点可能是极端数据噪音点或者设备测量错误的点。在本篇专利中，将表6车辆x的转弯参数表中的数据放入r-v坐标系中，对坐标系中的散点进行回归分析，内点是指分布在回归直线附近的点，而外点是指偏离回归直线的点(转弯半径r或者转弯速度v异常)。
下面简述Ransac算法的步骤：
1).通过迭代的方式，每次迭代都从表6车辆x的转弯参数表中取一组子集作假设检验，假设被选择的数据子集是内点，通过这些内点计算出一组回归直线，计算出所有内点到此回归直线的距离均值，记为
Figure BDA0002258820420000091
2).而表6中没被选到的数据就是此时的外点，将此时所有的外点和上一步计算出的回归直线比较。
记某一外点到回归直线的距离为d外点i，若
Figure BDA0002258820420000092
则将该点放入内点集合；
记录此时的内点占整个数据集的比例，若达到设定的比例阈值P(可调参数，一般取80％-95％，取决于大部分车r-v坐标图中点的散列程度)，则记录下当前的回归模型的参数,记为最优模型；若没有，则进行下一步；
3).根据新的内点集合重新计算回归直线；
4).经过设定的迭代次数T(可调参数，本专利方法中设为1000次)后，返回当前记录的最优模型；
将通过Ransac模型计算出的转弯行为回归直线的参数存入表7所示的转弯行为回归直线参数表中；
车辆编号 直线斜率k 直线截距b
表73-4对所有车辆的转弯行为回归直线聚类分析
取表7数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，按照抽样调查方法进行抽样分析以及聚类分析，最终确定转弯行为阈值线y＝Kx+B；
3-5.根据y＝Kx+B计算每辆车的转弯行为评分
取表6，比如对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；
Count异常转弯代表异常转弯行为的频次值，我们将评分定义为(如公式(4.5.1)所示：
Figure BDA0002258820420000101
创建表8所示的异常转弯行为评分表，将上述结果填入其中：
车辆编号 异常转弯行为评分
表8
步骤4.以异常转弯行为评分为依据，对驾驶人员和车辆的转弯行为进行排名。
实施例2：一种基于海量交通数据分析的车辆异常转弯行为分析方法，本发明以浮动车GPS数据为例，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分析车辆的异常转弯行为，其中异常转弯行为指非路口转弯行为，通过当前车辆的转弯行为参数与转弯行为参数基准阈值比较，对不安全的异常转弯行为进行判断，并进行统计打分，再以异常转弯行为评分为依据，对驾驶人员和车辆的转弯行为进行排名。其中，转弯行为参数包括车速、方位角差，转弯行为参数基准阈值通过历史交通数据统计获得。具体包括如下步骤：
步骤1.读入真实浮动车数据和地图数据；
步骤2.对浮动车数据进行预处理；
步骤3.计算非路口转弯行为评分：
非路口转弯行为是指不经过路口而在当前行驶的路段内进行掉头行驶的行为。
读取表4，按照公式4.2.1，统计N辆车的掉头Δd，获得阈值Δd2，找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，Δd2可取160°。反向行驶数据数量为Count反向，所在路段为Road1和Road2。
由于有些路段的正反两个方向的车道在路网数据中记为两条路段，而有些小型路段则将两个车道记为一条路段，所以对于掉头行驶有以下两种情况：
1).Road1＝Road2，掉头次数Count掉头加1；
2).Road1＜＞Road2，读取表2路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同。
若相同，则说明Road1和Road2是同属同一条路段的两个方向的车道，掉头次数Count掉头加1；
若不相同，则说明Road1和Road2是不相关的两条路段。
Figure BDA0002258820420000121
创建表9所示的非路口转弯行为评分表，将上述结果填入其中：
车辆编号 非路口转弯行为评分
表9
步骤4.以异常转弯行为评分为依据，对驾驶人员和车辆的转弯行为进行排名。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (5)

1.一种基于海量交通数据分析的车辆异常转弯行为分析方法，其特征在于，包括如下步骤：
(1)在数据库中导入浮动车数据和地图数据，基于浮动车数据和地图数据分别创建GPS数据表和路网信息表；并对浮动车数据进行预处理完成GPS数据表的修正；
(2)利用数据挖掘方法分析车辆的异常转弯行为，异常转弯行为指异常路口转弯行为或非路口转弯行为；将当前车辆的转弯行为参数与转弯行为参数基准阈值进行比较，判断是否发生异常转弯行为；其中，转弯行为参数包括车速、方位角差，转弯行为参数基准阈值通过历史交通数据统计获得；
其中，所述异常路口转弯行为的判断方法为：根据方位角、位置坐标求取转弯半径，以转弯半径为变量，转弯速度为因变量，拟合单个车辆的转弯速度阈值曲线；抽取N辆车拟合的转弯速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的转弯速度阈值曲线作为基准转弯速度阈值曲线；当车辆行驶的转弯速度超出当前转弯半径对应的基准转弯速度阈值曲线中的转弯速度阈值时，则车辆出现异常路口转弯行为。
2.根据权利要求1所述的一种基于海量交通数据分析的车辆异常转弯行为分析方法，其特征在于：所述非路口转弯行为的判断方法为：根据前后GPS点的方位角差判断是否有掉头行为，比较前后GPS点所在路段是否为同一条路段，当同一条路段时，则车辆出现非路口转弯行为。
3.根据权利要求1所述的一种基于海量交通数据分析的车辆异常转弯行为分析方法，其特征在于：还包括如下步骤：
(3)对发生的异常转弯行为进行统计打分，并以异常转弯行为评分为依据，对驾驶人员的转弯行为进行排名。
4.根据权利要求1所述的一种基于海量交通数据分析的车辆异常转弯行为分析方法，其特征在于：所述对异常路口转弯行为的评分方法如下：
(A)取路网信息表，并从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计出路网中的路口，并找出跨路口轨迹链，创建跨路口轨迹链表，表中的每两条相邻数据是一对跨路口轨迹链；
(B)计算转弯半径和转弯速度，创建得到转弯参数表；计其中，算方法如下：
读取跨路口轨迹链表，同一辆车的一对跨路口轨迹链的方位角度差为Δd＝|diri+1-diri|；其经纬度坐标为＜lon1，lat1>和＜lon2，lat2>，计算出该数据对所行驶的路程为
distance＝arccos[coslat1*coslat2*cos(lon1-lon2)+sinlat1*sinlat2]*Earth_Ridus
根据如下公式计算得到转弯半径为
Figure FDA0002258820410000021
转弯速度取两条数据的速度平均值，如下所示：
Figure FDA0002258820410000022
(C)根据Ransac模型计算转弯行为回归直线，并创建转弯行为回归直线参数表；
(D)对所有车辆的转弯行为回归直线聚类分析：取转弯行为回归直线参数表的数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，进行抽样分析以及聚类分析，确定转弯行为阈值线y＝Kx+B；
(E)根据y＝Kx+B计算每辆车的转弯行为评分：取转弯参数表，对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；Count异常转弯代表异常转弯行为的频次值，创建异常路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
Figure FDA0002258820410000031
5.根据权利要求1所述的一种基于海量交通数据分析的车辆异常转弯行为分析方法，其特征在于：所述对非路口转弯行为的评分方法为：
(i)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计N辆车的掉头Δd，获得阈值Δd2，并找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，其中，Δd2可取160°，反向行驶数据数量为Count反向，所在路段为Road1和Road2；
(ii)若Road1＝Road2，掉头次数Count掉头加1；
(iii)若Road1＜＞Road2，则读取路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同；若相同，则掉头次数Count掉头加1；
(iv)创建非路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
Figure FDA0002258820410000041
CN201911064227.1A 2017-11-27 2017-11-27 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 Active CN110910636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911064227.1A CN110910636B (zh) 2017-11-27 2017-11-27 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

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711206149.5A CN108091133B (zh) 2017-11-27 2017-11-27 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
CN201911064227.1A CN110910636B (zh) 2017-11-27 2017-11-27 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

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201711206149.5A Division CN108091133B (zh) 2017-11-27 2017-11-27 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

Publications (2)

Publication Number Publication Date
CN110910636A true CN110910636A (zh) 2020-03-24
CN110910636B CN110910636B (zh) 2021-08-10

Family

ID=62173242

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201711206149.5A Active CN108091133B (zh) 2017-11-27 2017-11-27 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
CN201911064227.1A Active CN110910636B (zh) 2017-11-27 2017-11-27 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

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201711206149.5A Active CN108091133B (zh) 2017-11-27 2017-11-27 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

Country Status (1)

Country Link
CN (2) CN108091133B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108091133B (zh) * 2017-11-27 2020-01-10 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
CN108909719B (zh) * 2018-07-27 2019-12-17 爱驰汽车有限公司 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质
CN109448387B (zh) * 2018-10-17 2021-06-29 四川德鑫航空设备股份有限公司 基于轨迹的违规行驶判定方法
CN109615879B (zh) * 2018-12-28 2020-12-11 成都路行通信息技术有限公司 基于车联网的车速异常预警模型、方法及模型构建方法
CN109671275B (zh) * 2019-02-14 2020-11-24 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN110001653B (zh) * 2019-03-29 2021-03-26 腾讯科技（深圳）有限公司 一种驾驶行为评估方法、服务器及计算机可读介质
CN110239559B (zh) * 2019-07-02 2020-11-24 绍兴数鸿科技有限公司 基于新能源车数据的危险驾驶车辆检测方法及装置
CN110379163B (zh) * 2019-07-26 2020-09-08 银江股份有限公司 一种基于轨迹数据的车辆异常减速区域检测方法及系统
CN110555733A (zh) * 2019-09-02 2019-12-10 上海评驾科技有限公司 一种基于智能手机的用户行程驾乘识别的方法
CN110728842B (zh) * 2019-10-23 2021-10-08 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110766943B (zh) * 2019-10-25 2021-12-14 山东交通学院 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
US11420649B2 (en) * 2020-03-24 2022-08-23 Here Global B.V. Method, apparatus, and computer program product for generating turn paths through an intersection
EP4148700A4 (en) * 2020-05-26 2023-03-29 Huawei Technologies Co., Ltd. DATA PROCESSING METHOD, APPARATUS AND DEVICE
CN111724599B (zh) * 2020-06-30 2021-07-16 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111968365B (zh) * 2020-07-24 2022-02-15 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN111881863B (zh) * 2020-08-03 2021-04-13 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN113515562B (zh) * 2021-09-13 2022-02-08 天津所托瑞安汽车科技有限公司 一种事故数据分析方法、装置、设备及存储介质
CN114187489B (zh) * 2021-12-14 2024-04-30 中国平安财产保险股份有限公司 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN116704750B (zh) * 2023-05-06 2024-01-12 浙江大学 一种基于聚类算法的交通状态识别方法、电子设备、介质
CN116401560B (zh) * 2023-06-07 2023-08-25 上海伯镭智能科技有限公司 一种基于无人驾驶车辆的运行异常检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120001770A1 (en) * 2010-06-30 2012-01-05 Hyundai Motor Company System and method of providing traffic information with turning information at intersections
US20140184797A1 (en) * 2012-12-27 2014-07-03 Automotive Research & Testing Center System for detecting vehicle driving state
CN104463244A (zh) * 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及系统
CN104765969A (zh) * 2015-04-22 2015-07-08 北京交通大学 驾驶行为分析方法
CN105761483A (zh) * 2014-12-16 2016-07-13 高德软件有限公司 一种车辆数据处理方法及设备
CN106297280A (zh) * 2015-05-22 2017-01-04 高德软件有限公司 一种信息处理方法和装置
CN106840176A (zh) * 2016-12-28 2017-06-13 济宁中科先进技术研究院有限公司 Gps时空数据增量路网实时更新和轨迹匹配系统
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
CN108091133B (zh) * 2017-11-27 2020-01-10 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201205125D0 (en) * 2012-02-08 2012-05-09 Tomtom Int Bv Methods using speed distribution profiles
CN104590275B (zh) * 2014-11-27 2019-01-08 厦门雅迅网络股份有限公司 一种驾驶行为分析方法
CN104699955B (zh) * 2015-01-31 2017-12-19 北京新能源汽车股份有限公司 一种驾驶行为评分方法及其系统
CN106127883B (zh) * 2016-06-23 2018-11-02 北京航空航天大学 驾驶事件检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120001770A1 (en) * 2010-06-30 2012-01-05 Hyundai Motor Company System and method of providing traffic information with turning information at intersections
US20140184797A1 (en) * 2012-12-27 2014-07-03 Automotive Research & Testing Center System for detecting vehicle driving state
CN104463244A (zh) * 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及系统
CN105761483A (zh) * 2014-12-16 2016-07-13 高德软件有限公司 一种车辆数据处理方法及设备
CN104765969A (zh) * 2015-04-22 2015-07-08 北京交通大学 驾驶行为分析方法
CN106297280A (zh) * 2015-05-22 2017-01-04 高德软件有限公司 一种信息处理方法和装置
CN106840176A (zh) * 2016-12-28 2017-06-13 济宁中科先进技术研究院有限公司 Gps时空数据增量路网实时更新和轨迹匹配系统
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
CN108091133B (zh) * 2017-11-27 2020-01-10 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

Also Published As

Publication number Publication date
CN108091133B (zh) 2020-01-10
CN110910636B (zh) 2021-08-10
CN108091133A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN110910636A (zh) 一种基于海量交通数据分析的车辆异常转弯行为分析方法
CN104008647B (zh) 一种基于机动车行驶模式的道路交通能耗量化方法
CN103996287B (zh) 一种基于决策树模型的车辆强制换道决策方法
CN105448108B (zh) 一种基于隐马尔科夫路网匹配的超速判别方法
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN107273520B (zh) 一种基于货车监控数据的装卸货地点识别方法
CN102102992B (zh) 基于多级网络划分的匹配道路初筛方法及地图匹配系统
CN110239559B (zh) 基于新能源车数据的危险驾驶车辆检测方法及装置
CN108313054A (zh) 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN106781456A (zh) 一种车辆驾驶安全性的评估数据处理方法及系统
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
CN114999181B (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
CN105527110B (zh) 汽车燃油经济性的评估方法和装置
Chen et al. Evaluating the impacts of grades on vehicular speeds on interstate highways
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
CN106780049B (zh) 一种车辆金融授信方法及装置
Li et al. Traffic accident analysis based on C4. 5 algorithm in WEKA
CN114495519B (zh) 一种高速公路智慧可视化展示系统
CN110390815A (zh) 判定快速道路多个测速仪组合对交通事故数量影响的方法
CN115204755A (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN110047167A (zh) 车辆急转弯次数等效统计方法
CN113011713B (zh) 一种基于信息熵的驾驶员驾驶稳定性评估方法
CN115035713A (zh) 智慧交通碳排放监测系统和方法
CN109448377B (zh) 一种使用卫星定位数据进行车辆行驶安全性评价的方法
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
CP01 Change in the name or title of a patent holder

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee before: ENJOYOR Co.,Ltd.

CP01 Change in the name or title of a patent holder