CN110991651B - 一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 - Google Patents
一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 Download PDFInfo
- Publication number
- CN110991651B CN110991651B CN201911208094.0A CN201911208094A CN110991651B CN 110991651 B CN110991651 B CN 110991651B CN 201911208094 A CN201911208094 A CN 201911208094A CN 110991651 B CN110991651 B CN 110991651B
- Authority
- CN
- China
- Prior art keywords
- tbox
- model
- decision tree
- intelligent terminal
- user
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000005265 energy consumption Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
针对现有技术中确定车辆的最优消耗路线的问题，本发明提供一种基于TBOX的用户驾驶习惯的能耗预测分析系统及方法，属于数据分析处理领域。本发明包括：S1、利用TBOX平台从TBOX智能终端中获取用户驾驶习惯数据，作为训练数据集；S2、根据各品牌车型分别构建决策树模型；S3、利用训练数据集训练决策树模型；S4、将训练完的决策树模型更新TBOX智能终端中的相应模型；S5、根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；S6、TBOX智能终端将计算的最优消耗路线展示给驾驶人。
Description
技术领域
本发明涉及一种用户驾驶习惯的能耗预测分析系统及方法，属于数据分析处理领域。
背景技术
随着全球能源需求不断增长，资源日趋枯竭，汽柴油等传统矿物燃料价格高涨，城市交通导致的污染日益严重。对于传统燃料动力车辆，拥堵会大大增加燃料消耗，但驾驶员往往无法在行程中及时了解路况、气象及各种信息，不能及时调整线路规划，可能浪费大量时间和能源。
在此背景下，急需一种能够分析、预测车辆能耗的系统，确定最优消耗路线。现有确定最优消耗路线的已知方法的共同点在于这些方法都基于区段简化的消耗模型，因此经常只给出关于节能路线的粗略预计。
发明内容
针对现有技术中确定车辆的最优消耗路线的问题，本发明提供一种基于TBOX(Telematics BOX，车联网系统)的用户驾驶习惯的能耗预测分析系统及方法。
本发明的一种基于TBOX的用户驾驶习惯的能耗预测分析方法，所述方法包括：
S1、利用TBOX平台从TBOX智能终端中获取用户驾驶习惯数据，作为训练数据集；
S2、根据各品牌车型分别构建决策树模型；
S3、利用训练数据集训练决策树模型；
S4、将训练完的决策树模型更新TBOX智能终端中的相应模型；
S5、根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
S6、TBOX智能终端将计算的最优消耗路线展示给驾驶人。
作为优选，所述S1中，所述训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
作为优选，所述S3中，利用随机森林算法训练决策树模型，
利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别。
本发明还提供一种基于TBOX的用户驾驶习惯的能耗预测分析系统，所述系统包括：
数据导入模块，用于将TBOX平台中的用户驾驶习惯数据导入，作为训练数据集；
构建模块，用于根据各品牌车型分别构建决策树模型；
训练模块，用于利用训练数据集训练决策树模型；
更新模块，用于将训练完的决策树模型更新TBOX智能终端中的相应模型；
消耗分析模块，根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
显示模块，用于利用TBOX智能终端将计算的最优消耗路线展示给驾驶人。
作为优选，所述数据导入模块中，训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
作为优选，所述训练模块中，利用随机森林算法训练决策树模型，
利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别。
本发明的有益效果，本发明实现了一套应用于航天科技TBOX智能终端采集的大规模数据样本下，利用一种随机森林的机器学习算法，进行多因子间计算预测车辆耗能的分析方法。结合地理空间信息系统，以及气象信息、道桥坡路、车型适配、司机驾驶行为等相关要素，对车辆用能耗差进行综合分析研判。可以在指定导航路径时，优化计算出能耗较低的出行路线，辅助节能环保、低碳减排等方面。
附图说明
图1为本发明的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的一种基于TBOX的用户驾驶习惯的能耗预测分析方法，所述方法包括：
S1、利用TBOX平台从TBOX智能终端中获取用户驾驶习惯数据，作为训练数据集；
S2、根据各品牌车型分别构建决策树模型；
S3、利用训练数据集训练决策树模型；
S4、利用OTA将训练完的决策树模型无线远程更新TBOX智能终端中的相应模型；
S5、根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
S6、TBOX智能终端将计算的最优消耗路线展示给驾驶人。
本实施方式的S1中，所述训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
本实施方式的城市气象信息包括每个途径路段的环境及气象状况信息，包括环境温度、雨、雪、路面结冰预警信息等；
本实施方式的道桥坡路包括途径每个路段的路况、海拔高度和路线特征(比如高速、高架快速路、城市中心干线、微循环小路等)，车型适配包括品牌车型，司机驾驶行为为TBOX平台从TBOX智能终端中获取用户驾驶习惯数据，包括各路段的消耗。
本实施方式的S3中，利用随机森林算法训练决策树模型，利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别。
本实施方式的随机森林算法是分类和回归问题中一类常用的融合学习方法，结合了多个机器学习的算法，从而得到了效果更好的模型。预测结果是所有决策树输出的组合，这样能够减少波动，并且提高预测的准确度。本发明简单直观，模型可导出流程树结构视图；
本实施方式还提供一种基于TBOX的用户驾驶习惯的能耗预测分析系统，包括：
数据导入模块，用于将TBOX平台中的用户驾驶习惯数据导入，作为训练数据集；
构建模块，用于根据各品牌车型分别构建决策树模型；
训练模块，用于利用训练数据集训练决策树模型；
更新模块，用于将训练完的决策树模型更新TBOX智能终端中的相应模型；
消耗分析模块，根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
显示模块，用于利用TBOX智能终端将计算的最优消耗路线展示给驾驶人。
本实施方式的数据导入模块中，训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
本实施方式的训练模块中，利用随机森林算法训练决策树模型，
利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (4)
1.一种基于TBOX的用户驾驶习惯的能耗预测分析方法，其特征在于，所述方法包括：
S1、利用TBOX平台从TBOX智能终端中获取用户驾驶习惯数据，作为训练数据集；
S2、根据各品牌车型分别构建决策树模型；
S3、利用训练数据集训练决策树模型；
所述S3中，利用随机森林算法训练决策树模型，利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别；
S4、将训练完的决策树模型更新TBOX智能终端中的相应模型；
S5、根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
S6、TBOX智能终端将计算的最优消耗路线展示给驾驶人。
2.根据权利要求1所述的一种基于TBOX的用户驾驶习惯的能耗预测分析方法，其特征在于，所述S1中，所述训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
3.一种基于TBOX的用户驾驶习惯的能耗预测分析系统，其特征在于，所述系统包括：
数据导入模块，用于将TBOX平台中的用户驾驶习惯数据导入，作为训练数据集；
构建模块，用于根据各品牌车型分别构建决策树模型；
训练模块，用于利用训练数据集训练决策树模型；
所述训练模块中，利用随机森林算法训练决策树模型，利用随机森林算法基于多种数据训练数据集构建多棵决策树，组合成一个新的模型，模型的输出结果是所有决策树输出的组合，每棵树的预测结果都视为一张投票，获得投票数最多的类别就是预测的类别；
更新模块，用于将训练完的决策树模型更新TBOX智能终端中的相应模型；
消耗分析模块，根据用户的目的地，利用TBOX智能终端中的模型计算最优消耗路线；
显示模块，用于利用TBOX智能终端将计算的最优消耗路线展示给驾驶人。
4.根据权利要求3所述的一种基于TBOX的用户驾驶习惯的能耗预测分析系统，其特征在于，所述数据导入模块中，训练数据集包括城市气象信息、道桥坡路、车型适配、司机驾驶行为的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208094.0A CN110991651B (zh) | 2019-11-30 | 2019-11-30 | 一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208094.0A CN110991651B (zh) | 2019-11-30 | 2019-11-30 | 一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991651A CN110991651A (zh) | 2020-04-10 |
| CN110991651B true CN110991651B (zh) | 2023-04-28 |
Family
ID=70088928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911208094.0A Active CN110991651B (zh) | 2019-11-30 | 2019-11-30 | 一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991651B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496079A (zh) * | 2011-12-12 | 2012-06-13 | 北京航空航天大学 | 一种道路能耗与排放的监测方法 |
| CN104025075A (zh) * | 2011-10-26 | 2014-09-03 | 托马斯·保罗·希德 | 用于车队导航、调度以及多个车辆、多个目的地指定路线的方法及系统 |
| CN105447525A (zh) * | 2015-12-15 | 2016-03-30 | 中国科学院软件研究所 | 一种数据预测分类方法及装置 |
| CN106203646A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 定制化行程推荐系统和方法 |
| CN106971057A (zh) * | 2017-02-16 | 2017-07-21 | 上海大学 | 一种驾驶习惯数据分析方法 |
| CN108382398A (zh) * | 2017-02-02 | 2018-08-10 | 英特尔公司 | 情境导出式驾驶员辅助 |
| CN108444486A (zh) * | 2017-02-16 | 2018-08-24 | 高德信息技术有限公司 | 一种导航路线排序方法和装置 |
| CN109213134A (zh) * | 2017-07-03 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 生成自动驾驶策略的方法和装置 |
| CN109272278A (zh) * | 2018-10-26 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于crdc的工厂物流智能运输系统 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
| CA3028642A1 (en) * | 2017-12-29 | 2019-06-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for path determination |
| CN110288849A (zh) * | 2019-07-29 | 2019-09-27 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
| CN110366710A (zh) * | 2017-02-27 | 2019-10-22 | 华为技术有限公司 | 用于控制自动驾驶车辆操作以确定规划路径的规划系统和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8705666B2 (en) * | 2010-04-02 | 2014-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Decoding for MIMO systems |
-
2019
- 2019-11-30 CN CN201911208094.0A patent/CN110991651B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104025075A (zh) * | 2011-10-26 | 2014-09-03 | 托马斯·保罗·希德 | 用于车队导航、调度以及多个车辆、多个目的地指定路线的方法及系统 |
| CN102496079A (zh) * | 2011-12-12 | 2012-06-13 | 北京航空航天大学 | 一种道路能耗与排放的监测方法 |
| CN105447525A (zh) * | 2015-12-15 | 2016-03-30 | 中国科学院软件研究所 | 一种数据预测分类方法及装置 |
| CN106203646A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 定制化行程推荐系统和方法 |
| CN108382398A (zh) * | 2017-02-02 | 2018-08-10 | 英特尔公司 | 情境导出式驾驶员辅助 |
| CN108444486A (zh) * | 2017-02-16 | 2018-08-24 | 高德信息技术有限公司 | 一种导航路线排序方法和装置 |
| CN106971057A (zh) * | 2017-02-16 | 2017-07-21 | 上海大学 | 一种驾驶习惯数据分析方法 |
| CN110366710A (zh) * | 2017-02-27 | 2019-10-22 | 华为技术有限公司 | 用于控制自动驾驶车辆操作以确定规划路径的规划系统和方法 |
| CN109213134A (zh) * | 2017-07-03 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 生成自动驾驶策略的方法和装置 |
| CA3028642A1 (en) * | 2017-12-29 | 2019-06-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for path determination |
| CN110214296A (zh) * | 2017-12-29 | 2019-09-06 | 北京嘀嘀无限科技发展有限公司 | 用于路线确定的系统和方法 |
| CN109272278A (zh) * | 2018-10-26 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于crdc的工厂物流智能运输系统 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
| CN110288849A (zh) * | 2019-07-29 | 2019-09-27 | 电子科技大学 | 一种基于混合交通模式的出行路线推荐方法 |
Non-Patent Citations (2)
| Title |
|---|
| Improved Vehicle Steering Pattern Recognition by Using Selected Sensor Data;Zhenchao Ouyang 等;《IEEE Transactions on Mobile Computing》;第17卷(第6期);第1383-1396页 * |
| 基于机器学习的驾驶员节能评价研究;孙天恒;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第04期);第C035-428页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991651A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109801491B (zh) | 基于风险评估的智能导航方法、装置、设备及存储介质 | |
| Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| KR102115109B1 (ko) | 인터랙티브 텔레매틱스 시스템 | |
| US20210164792A1 (en) | Method and system for risk determination of a route | |
| US11450202B2 (en) | Method and system for determining a geographical area occupied by an intersection | |
| JP4997011B2 (ja) | 自動車の燃料消費量推定システム、経路探索システム、及び運転指導システム | |
| CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
| CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
| US9399471B2 (en) | Apparatus for automatically controlling vehicle speed and method of using the same | |
| US20140032087A1 (en) | Reducing fuel consumption by accommodating to anticipated road and driving conditions | |
| US20160167642A1 (en) | Method for optimising the energy consumption of a hybrid vehicle | |
| Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
| CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
| Ding et al. | Greenplanner: Planning personalized fuel-efficient driving routes using multi-sourced urban data | |
| Bousonville et al. | Estimating truck fuel consumption with machine learning using telematics, topology and weather data | |
| Boggio-Marzet et al. | Combined influence of traffic conditions, driving behavior, and type of road on fuel consumption. Real driving data from Madrid Area | |
| Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
| CN113673756B (zh) | 车辆的推荐车速确定方法、装置及计算机设备 | |
| Tafidis et al. | Exploring crowdsourcing information to predict traffic-related impacts | |
| CN117854301A (zh) | 一种公交车行进路线动态调整方法、装置、设备及介质 | |
| CN110991651B (zh) | 一种基于tbox的用户驾驶习惯的能耗预测分析系统及方法 | |
| Zhao et al. | Greenroute: a generalizable fuel-saving vehicular navigation service | |
| CN114413923B (zh) | 一种行驶路线推荐方法、装置、存储介质及系统 | |
| Tiedong et al. | Applying floating car data in traffic monitoring |
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 |