CN111127884A - 基于车辆行为的长下坡路段车辆失速判别方法系统 - Google Patents
基于车辆行为的长下坡路段车辆失速判别方法系统 Download PDFInfo
- Publication number
- CN111127884A CN111127884A CN201911307264.0A CN201911307264A CN111127884A CN 111127884 A CN111127884 A CN 111127884A CN 201911307264 A CN201911307264 A CN 201911307264A CN 111127884 A CN111127884 A CN 111127884A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- stall
- long downhill
- layer
- 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
- 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
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Abstract
本发明适用于车辆失速判断技术领域,提供了一种基于车辆行为的长下坡路段车辆失速判别系统,包括:数据采集层,用于采集预设的车辆动态和/或静态数据;计算资源层,用于为采集到的数据提供计算及存储机制;数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;支撑层,用于对处理过的车辆运行数据进行态势判别;应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。本发明还提供一种车辆失速判别方法。借此,本发明可提高长下坡路段车辆速度失控的监测管理,降低联动事故发生的概率。
Description
技术领域
本发明涉及车辆失速判别技术领域,尤其涉及一种基于车辆行为的长下坡路段车辆失速判别方法及系统。
背景技术
从车辆角度而言,发生事故原因表明主要是车辆制动失灵,随着下坡长度增加,刹车制动距离增长,刹车鼓温度随之升高,当达到失效温度,就可能会引起刹车失灵。
目前连续纵坡路段交通安全保障措施主要是限速,设置护栏、坡顶强制停车检查、避险车道等设施,缺乏对失速车辆提前判别的方法和理论研究。
综上可知,现有技术在实际使用上显然存在不便与缺陷,所以有必要加以改进。
发明内容
针对上述的缺陷,本发明的目的在于提供一种基于车辆行为的长下坡路段车辆失速判别方法及系统,其可以提高长下坡路段车辆速度失控的监测管理,降低联动事故发生的概率。
为了实现上述目的,本发明提供一种基于车辆行为的长下坡路段车辆失速判别系统,包括:
数据采集层,用于采集预设的车辆动态和/或静态数据;
计算资源层,用于为采集到的数据提供计算及存储机制;
数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;
支撑层,用于对处理过的车辆运行数据进行态势判别;
应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述数据采集层采集的数据包括:车辆雷达测速数据、车辆鸣笛数据及道路环境特征数据。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述计算资源层包括计算模块、存储模块及备份模块。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述数据资源层用于建立数据接口,对数据进行二次识别。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述应用层用于通过大数据挖掘技术,根据失速车辆运行特征及道路特征,对数据进行分析处理。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述应用层用于建立与车辆速度、道路坡度、路面特性数据的关联关系。
根据本发明的基于车辆行为的长下坡路段车辆失速判别系统,所述应用层用于构建不同时间特征、不同道路特征、不同气象特征、速度变化规律与车辆失速之间特征关系。
本发明还提供一种基于车辆行为的长下坡路段车辆失速判别方法,包括以下步骤:
步骤A,建立统一数据接口,进行车辆失速判别算法构建所需的数据资源的提取;
步骤B,执行数据融合及交叉分析,形成对车辆运行识别基础画像;结合鸣笛识别技术、毫米雷达波测速技术、车辆失速车辆速度运行规律分析,确定为基于车辆行为的长下坡路段车辆失速判别算法构建提供支撑;
步骤C,建立速度、车辆特征、道路特征、气象环境等失速车辆与路段特征的实际数据关联模型库;
步骤D,建立失速车辆算法模型;
步骤E,对实现同一影响因素或多种影响因素共同作用的失速车辆运行特征分析提取;
步骤F,基于车辆行为的长下坡路段车辆失速判别算法,构建车辆失速监测预警体系,实现长下坡路段失速车辆的研判分析。
本发明适用于车辆失速判断技术领域,提供了一种基于车辆行为的长下坡路段车辆失速判别系统,包括:数据采集层,用于采集预设的车辆动态和/或静态数据;计算资源层,用于为采集到的数据提供计算及存储机制;数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;支撑层,用于对处理过的车辆运行数据进行态势判别;应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。本发明还提供一种车辆失速判别方法。借此,本发明可提高长下坡路段车辆速度失控的监测管理,降低联动事故发生的概率。
附图说明
图1是本发明的系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参见图1,本发明提供了一种基于车辆行为的长下坡路段车辆失速判别系统,其包括:
数据采集层,用于采集预设的车辆动态和/或静态数据;
计算资源层,用于为采集到的数据提供计算及存储机制;
数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;
支撑层,用于对处理过的车辆运行数据进行态势判别;
应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。
具体的,本发明数据采集层采集的数据来源包括车辆雷达测速数据、车辆鸣笛数据、道路环境特征数据等车辆运行相关的动静态数据;数据资源层,负责将数据采集层采集到的不同来源、不同格式的车辆相关运行动静数据进行清洗、存储,并面向基础支撑层提供基础的数据服务。应用支撑层,针对处理过的车辆运行数据进行基础特征画像、鸣笛识别、速度运行态势判别,应用层,针对基础特征画像、鸣笛识别、速度运行态势判别的结果,形成基于车辆行为的长下坡路段车辆失速判别算法。
其中,所述数据采集层由道路线型、道路环境、卡口数据、鸣笛数据、雷达测速等车辆运行动静态数据组成,所述数据采集层的数据来源为公安交管数据、交通运输数据、互联网数据等海量多源异构数据,所述数据计算资源层的输入端与数据采集层进行连接,所述数据计算资源层的输出端与数据资源层进行连接,数据资源层为应用支撑层提供数据支撑,所述应用支撑层包含车辆基础特征画像、车辆鸣笛识别、雷达测速识别、车辆运行态势研判系统,所述车辆失速判别应用层包括基于车辆行为的长下坡路段车辆失速判别算法的车辆速度监测预警。
该基于人工智能技术的车辆行为的长下坡路段车辆失速判别算法设计合理,数据资源层建立统一的数据接口,且对数据进行二次识别,按照统一的数据标准进行数据格式转换,能够长下坡路段车辆失速算法所需的数据资源的提取,并提高数据,质量和利用率,数据计算资源层通过对接数据量的分析、接收数据与历史失速车辆运行数据的对比分析实现数据服务监控,可以根据用户设置对数据接收异常进行筛选,提升系统运行的识别率和准确性,基础支撑层利用基础特征画像、鸣笛识别、速度运行态势判别技术,结合数据资源层的道路特征数据、历史车辆失速数据,进行数据融合及交叉分析,形成对车辆车牌识别、速度识别、鸣笛定位识别,为后续长下坡路段车辆失速判别算法构建提供支撑,长下坡路段车辆失速判别算法通过人工智能数据挖掘技术,根据历史失速车辆运行特征及规律,对长下坡路段失速车辆运行特征进行充分分析研究,对车辆特征数据、运行数据、道路环境特征数据进行挖掘和相关性分析,优化失速车辆判别算法,车辆失速判别应用层建立与车辆类型、道路线型、道路环境、运行速度、交通管理、鸣笛等多种数据或交通管理方案的关联关系,形成车辆失速判别算法,车辆失速判别算法应用自我学习人工神经网络模型,学习历史车辆失速运行特征规律,对同一影响因素或多种影响因素共同作用的车辆失速特征分析提取,形成长下坡路段车辆失速判别算法,车辆失速判别算法构建不同车辆运行特征、不同道路环境、不同道路线型特征,不同车辆失速事件特征的车辆失速变化规律,实现长下坡路段车辆失速的识别及预警,及时、准确的对车辆失速行为进行判别。
一种基于车辆行为的长下坡路段车辆失速判别算法,其使用方法由以下几个步骤构成:
步骤A,建立统一数据接口,进行车辆失速判别算法构建所需的数据资源的提取,包括长下坡路段交通数据(如道路基础数据、车辆运行数据、鸣笛数据、车辆画像数据等);
步骤B,利用大数据画像技术,进行数据融合及交叉分析,形成对车辆运行识别基础画像;结合鸣笛识别技术、毫米雷达波测速技术、车辆失速车辆速度运行规律分析,确定为基于车辆行为的长下坡路段车辆失速判别算法构建提供支撑;
步骤C,通过挖掘失速车辆运行数据规律,建立速度、车辆特征、道路特征、气象环境等失速车辆与路段特征的实际数据关联模型库;
步骤D,建立失速车辆算法模型。通过大数据分析技术,自我学习人工神经网络模型,通过人工智能数据挖掘技术,根据失速车辆特征数据,对算法模型进行优化调整,对历史失速车辆运行特征进行分析,研判车辆失速运行规律;
步骤E,实现同一影响因素或多种影响因素共同作用的失速车辆运行特征分析提取;
步骤F,基于车辆行为的长下坡路段车辆失速判别算法,基于车辆行为的长下坡路段车辆失速判别算法,构建车辆失速监测预警体系,实现长下坡路段失速车辆的研判分析。
工作原理:速度算法模型主要通过对汇聚的车辆速度失控监测数据(含道路坡度、阻力系数,车辆类型)进行汇聚、清洗、关联、碰撞和挖掘,实现速度失控监测数据的预处理,利用大数据的相关算法,实现速度失控数据分析,建立失速车辆速度变化模型,分析历史数据形成判定模型计算的结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
综上所述,本发明适用于车辆失速判断技术领域,提供了一种基于车辆行为的长下坡路段车辆失速判别系统,包括:数据采集层,用于采集预设的车辆动态和/或静态数据;计算资源层,用于为采集到的数据提供计算及存储机制;数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;支撑层,用于对处理过的车辆运行数据进行态势判别;应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。本发明还提供一种车辆失速判别方法。借此,本发明可提高长下坡路段车辆速度失控的监测管理,降低联动事故发生的概率。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,包括:
数据采集层,用于采集预设的车辆动态和/或静态数据;
计算资源层,用于为采集到的数据提供计算及存储机制;
数据资源层,用于将所述数据采集层采集到数据进行清洗、存储,并为支撑层提供基础数据;
支撑层,用于对处理过的车辆运行数据进行态势判别;
应用层,用于根据支撑屋的态势判别结果,生成基于车辆行为的长下坡路段车辆失速判别策略。
2.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述数据采集层采集的数据包括:车辆雷达测速数据、车辆鸣笛数据及道路环境特征数据。
3.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述计算资源层包括计算模块、存储模块及备份模块。
4.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述数据资源层用于建立数据接口,对数据进行二次识别。
5.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述应用层用于通过大数据挖掘技术,根据失速车辆运行特征及道路特征,对数据进行分析处理。
6.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述应用层用于建立与车辆速度、道路坡度、路面特性数据的关联关系。
7.根据权利要求1所述的基于车辆行为的长下坡路段车辆失速判别系统,其特征在于,所述应用层用于构建不同时间特征、不同道路特征、不同气象特征、速度变化规律与车辆失速之间特征关系。
8.一种基于车辆行为的长下坡路段车辆失速判别方法,其特征在于,包括以下步骤:
步骤A,建立统一数据接口,进行车辆失速判别算法构建所需的数据资源的提取;
步骤B,执行数据融合及交叉分析,形成对车辆运行识别基础画像;结合鸣笛识别技术、毫米雷达波测速技术、车辆失速车辆速度运行规律分析,确定为基于车辆行为的长下坡路段车辆失速判别算法构建提供支撑;
步骤C,建立速度、车辆特征、道路特征、气象环境等失速车辆与路段特征的实际数据关联模型库;
步骤D,建立失速车辆算法模型;
步骤E,对实现同一影响因素或多种影响因素共同作用的失速车辆运行特征分析提取;
步骤F,基于车辆行为的长下坡路段车辆失速判别算法,构建车辆失速监测预警体系,实现长下坡路段失速车辆的研判分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307264.0A CN111127884A (zh) | 2019-12-18 | 2019-12-18 | 基于车辆行为的长下坡路段车辆失速判别方法系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307264.0A CN111127884A (zh) | 2019-12-18 | 2019-12-18 | 基于车辆行为的长下坡路段车辆失速判别方法系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127884A true CN111127884A (zh) | 2020-05-08 |
Family
ID=70499465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911307264.0A Pending CN111127884A (zh) | 2019-12-18 | 2019-12-18 | 基于车辆行为的长下坡路段车辆失速判别方法系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127884A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071069A (zh) * | 2020-09-17 | 2020-12-11 | 吉林大学 | 一种长下坡路段货运车辆制动失效诊断方法 |
CN112634614A (zh) * | 2020-12-16 | 2021-04-09 | 安徽百诚慧通科技有限公司 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203055183U (zh) * | 2012-12-28 | 2013-07-10 | 长安大学 | 一种长大下坡路段大型车辆制动失灵警报装置 |
DE10006403B4 (de) * | 2000-02-12 | 2015-07-09 | Volkswagen Ag | Verfahren zur Geschwindigkeits- und Abstandsregelung eines Kraftfahrzeuges |
CN108960428A (zh) * | 2018-06-22 | 2018-12-07 | 北京易华录信息技术股份有限公司 | 一种基于人工智能技术的路网运行知识库构建方法 |
CN110096045A (zh) * | 2018-01-30 | 2019-08-06 | 现代自动车株式会社 | 基于大数据的车辆预测控制系统及其方法 |
-
2019
- 2019-12-18 CN CN201911307264.0A patent/CN111127884A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10006403B4 (de) * | 2000-02-12 | 2015-07-09 | Volkswagen Ag | Verfahren zur Geschwindigkeits- und Abstandsregelung eines Kraftfahrzeuges |
CN203055183U (zh) * | 2012-12-28 | 2013-07-10 | 长安大学 | 一种长大下坡路段大型车辆制动失灵警报装置 |
CN110096045A (zh) * | 2018-01-30 | 2019-08-06 | 现代自动车株式会社 | 基于大数据的车辆预测控制系统及其方法 |
CN108960428A (zh) * | 2018-06-22 | 2018-12-07 | 北京易华录信息技术股份有限公司 | 一种基于人工智能技术的路网运行知识库构建方法 |
Non-Patent Citations (1)
Title |
---|
梁萌: "汽轮机故障诊断技术研究", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071069A (zh) * | 2020-09-17 | 2020-12-11 | 吉林大学 | 一种长下坡路段货运车辆制动失效诊断方法 |
CN112071069B (zh) * | 2020-09-17 | 2021-07-30 | 吉林大学 | 一种长下坡路段货运车辆制动失效诊断方法 |
CN112634614A (zh) * | 2020-12-16 | 2021-04-09 | 安徽百诚慧通科技有限公司 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
CN112634614B (zh) * | 2020-12-16 | 2022-05-06 | 安徽百诚慧通科技股份有限公司 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102881162B (zh) | 大规模交通信息的数据处理及融合方法 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN111477005B (zh) | 一种基于车辆状态及行车环境的智能感知预警方法及系统 | |
CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN112287566B (zh) | 一种自动化驾驶场景库生成方法、系统及电子设备 | |
CN103971523A (zh) | 一种山区道路交通安全动态预警系统 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN111127884A (zh) | 基于车辆行为的长下坡路段车辆失速判别方法系统 | |
CN104794184A (zh) | 一种基于大规模数据的贝叶斯分类算法的黑车识别方法 | |
CN101064061A (zh) | 异类交通信息实时融合方法 | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
Yu et al. | Prediction of instantaneous driving safety in emergency scenarios based on connected vehicle basic safety messages | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、系统和存储介质 | |
CN113222187B (zh) | 一种共享助力车刹车健康度智能监测方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
Larhgotra et al. | Traffic monitoring and management system for congestion comtrol using iot and ai | |
CN110956072B (zh) | 一种基于大数据分析的驾驶技能培训方法 | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
Yuan et al. | Real-time long-range road estimation in unknown environments | |
CN116401944B (zh) | 一种基于大数据的智慧交通管理系统 | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
Singh et al. | Road pothole detection from smartphone sensor data using improved LSTM | |
CN117601903B (zh) | 车辆行驶场景的生成方法、装置和存储介质及电子设备 | |
CN114064656B (zh) | 一种基于路端感知系统的自动驾驶场景识别与转化方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |