CN111439273A - 一种不良驾驶检测模型精度提升的方法及系统 - Google Patents
一种不良驾驶检测模型精度提升的方法及系统 Download PDFInfo
- Publication number
- CN111439273A CN111439273A CN202010237720.5A CN202010237720A CN111439273A CN 111439273 A CN111439273 A CN 111439273A CN 202010237720 A CN202010237720 A CN 202010237720A CN 111439273 A CN111439273 A CN 111439273A
- Authority
- CN
- China
- Prior art keywords
- detection model
- driving
- vehicle
- bad
- data
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种不良驾驶检测模型精度提升的方法及系统。该方法包括:接收初始行车数据;根据行车数据建立不良驾驶行为检测模型,基于不良驾驶行为检测模型得到仿真数据;对仿真数据进行分析,并对不良驾驶行为检测模型进行调整得到调整后检测模型;将调整后检测模型下发至车载终端,并接收车载终端和司机况反馈的实时行车数据,对不良驾驶行为检测模型进行优化,得到优化的检测模型。本发明实施例通过在不良驾驶行为检测模型中加入人在回路的干预,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异对模型进行不断调整和优化,大幅度提升检测模型的精度。
Description
技术领域
本发明涉及驾驶辅助技术领域,尤其涉及一种不良驾驶检测模型精度提升的方法及系统。
背景技术
针对交通道路中存在大量不良驾驶行为,为提高道路安全,一般是通过建立不良驾驶行为的检测模型,有效识别各种危险驾驶行为,提醒司机和道路管理人员进行识别和预防。不良驾驶行为分析对司机的管理非常有用,能够根据不同的车型、车况等信息将不良驾驶行为分析的精度提升到更高的水平,可以帮助管理部门更有效精确管理司机。
而已有的检测方案是只能通过手动根据车型配置相关的参数,不能综合各种信息进行运算,也缺少持续提升精度的能力。
因此,需要提出一种能有效提升检测模型精度的方法。
发明内容
本发明实施例提供一种不良驾驶检测模型精度提升的方法及系统,用以解决现有技术中运用现有的不良驾驶行为检测模型限制于其精度不够高,无法持续提升检测精度的缺陷。
第一方面,本发明实施例提供一种不良驾驶检测模型精度提升的方法,包括:
接收车载终端发送的初始行车数据;
根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;
对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;
将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
优选地,所述不良驾驶行为检测模型是基于预设不良驾驶行为类型、车辆类型和车况类型所建立。
优选地,所述预设不良驾驶行为类型包括急加速、急刹车、空档滑行、低档高速、高档低速、超速、严重超速、过长怠速、疲劳驾驶、粘离合、长时间离合、长时间刹车、带刹车滑行、空档滑行、停车立即熄火、冷车行驶、停车踩踏油门、急转弯、超转、怠速空调、未系安全带、带手刹行驶、带故障行驶、大油门、转弯不打转向灯、随意变道、普通道路长期开远光灯、快速车道慢行、乱按喇叭、未关车门行驶和逆行;
所述车辆类型包括轻型轿车、轻型客车、大型客车、轻型卡车、重型卡车和牵引车;
所述车况类型包括发动机寿命、车桥变形、刹车片磨损、液压不足、气压不足、尾气浓度、轮速差异、车辆载重情况、若干开关量状态和若干传感器数据。
优选地,所述初始行车数据包括车速、油门开度、刹车开关量、方向盘转角、左转向灯开关量、右转向灯开关量、档位、离合器开关量、转速、扭矩、里程、远光灯开关量、GPS坐标、时间和车身姿态。
优选地,所述车载终端包括电子地图。
第二方面,本发明实施例提供一种不良驾驶检测模型精度提升的方法,包括:
获取初始行车数据,将所述初始行车数据发送至云计算中心;
接收所述云计算中心发送的调整后检测模型;
基于所述调整后检测模型,将获取到的实时行车数据反馈至所述云计算中心,以供所述云计算中心根据所述实时行车数据对所述调整后检测模型进行优化。
优选地,所述云计算中心包括电子地图。
第三方面,本发明实施例提供一种不良驾驶检测模型精度提升的系统,包括:
接收模块,用于接收车载终端发送的初始行车数据;
建立仿真模块,用于根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;
分析调整模块,用于对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;
优化模块,用于将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
第四方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述不良驾驶检测模型精度提升的方法的步骤。
第五方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述不良驾驶检测模型精度提升的方法的步骤。
本发明实施例提供的不良驾驶检测模型精度提升的方法及系统,通过在不良驾驶行为检测模型中加入人在回路的干预,由人工进行数据分析,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异对模型进行不断调整和优化,大幅度提升检测模型的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于人在回路的不良驾驶检测模型示意图;
图2为本发明实施例提供的一种不良驾驶检测模型精度提升的方法流程图;
图3为本发明实施例提供的一种不良驾驶检测模型精度提升的另一方法流程图;
图4为本发明视实施例提供的一种不良驾驶检测模型精度提升的模型结构图;
图5为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动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。
为解决现有技术中不良驾驶检测模型的检测精度不高的现状,本发明实施例将对不良驾驶检测模型的分析分为两个部分,如图1所示,一部分是云端服务器计算,另一部分是车载终端计算。车载终端主要功能有数据采集、模型验证、司机交互、云端交互;云端服务器主要功能有数据存储、数据分析、建立模型、仿真、工程师交互、终端交互。
图2为为本发明实施例提供的一种不良驾驶检测模型精度提升的方法流程图,如图2所示,本发明实施例为云计算中心一侧,包括:
S1,接收车载终端发送的初始行车数据;
S2,根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;
S3,对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;
S4,将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
具体地,云计算中心接收车载终端发来的初始行车数据,根据该初始行车数据建立不良驾驶行为检测的模型,模型建立后并进行数据仿真,再对仿真数据进行分析,对不良驾驶行为检测的模型进行调整,再将调整好的检测模型下发到车载终端,检测模型会自动分析车载终端采集到的数据,并进行识别,将识别的结果上报云计算中心,同时也反馈给司机。云计算中心对车载终端和司机上报的结果进行分析,并调整分析方法,优化模型,逐步提高模型的检测精度,最终得到不断优化的检测模型。
此处,模型的建立过程首先是先有车辆数据的生成,来后通过对数据的分析建立各种模型,建立模型后再进行验证,根据结果再进行调整,或调整车辆数据、或调整分析方法、或调整模型。人在回路的过程,首先由人工进行数据分析,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异,对数据再次分析,建立新的模型,再次仿真,如次反复循环迭代,提高模型的精度。而为了提高模型的精度,模型分析过程中势必会加入其他对模型精度有影响的数据分析。
本发明实施例通过在不良驾驶行为检测模型中加入人在回路的干预,由人工进行数据分析,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异对模型进行不断调整和优化,大幅度提升检测模型的精度。
基于上述实施例,所述不良驾驶行为检测模型是基于预设不良驾驶行为类型、车辆类型和车况类型所建立。
其中,所述预设不良驾驶行为类型包括急加速、急刹车、空档滑行、低档高速、高档低速、超速、严重超速、过长怠速、疲劳驾驶、粘离合、长时间离合、长时间刹车、带刹车滑行、空档滑行、停车立即熄火、冷车行驶、停车踩踏油门、急转弯、超转、怠速空调、未系安全带、带手刹行驶、带故障行驶、大油门、转弯不打转向灯、随意变道、普通道路长期开远光灯、快速车道慢行、乱按喇叭、未关车门行驶和逆行;
所述车辆类型包括轻型轿车、轻型客车、大型客车、轻型卡车、重型卡车和牵引车;
所述车况类型包括发动机寿命、车桥变形、刹车片磨损、液压不足、气压不足、尾气浓度、轮速差异、车辆载重情况、若干开关量状态和若干传感器数据。
具体地,不良驾驶行为检测模型受车型、车况的影响如表1所示:
表1
根据上表可知,不同的不良驾驶模型与车型、道路、载重情况以及司机都有或多或少的关联,虽然通过已知的车型、道路等信息可以进行相应的参数调整,但仍存在着一定的差异。即使相同的车型之间生产的批次不同,保养不同,使用寿命不同,造成的结果也不同。通过人在回路的技术可以持续修正这个不足,从而达到较高精度。
基于上述任一实施例,所述初始行车数据包括车速、油门开度、刹车开关量、方向盘转角、左转向灯开关量、右转向灯开关量、档位、离合器开关量、转速、扭矩、里程、远光灯开关量、GPS坐标、时间和车身姿态。
其中,所述车载终端包括电子地图。
具体地,车载终端采集的数据包含车速、油门开度、刹车开关量、方向盘转角、左转向灯开关量、右转向灯开关量、档位、离合器开关量、转速、扭矩、里程、远光灯开关量、GPS坐标、时间、车身姿态等,同时车载终端和云计算中心都具备电子地图。
可以理解的是,加入了人在回路对检测模型的干预,一般通过对车型的适配、阈值调优以及通过车型、扭矩、转速的阈值与载重关系表等方式来进行模型调整和优化,对照不同的不良驾驶行为,如表2所示:
表2
本发明实施例由于引入人为因素的参与,使得检测模型与阈值得到不断优化,其检测精度也得到大幅提升。
图3为本发明实施例提供的一种不良驾驶检测模型精度提升的另一方法流程图,如图3所示,本发明实施例为车载终端一侧,包括:
T1,获取初始行车数据,将所述初始行车数据发送至云计算中心;
T2,接收所述云计算中心发送的调整后检测模型;
T3,基于所述调整后检测模型,将获取到的实时行车数据反馈至所述云计算中心,以供所述云计算中心根据所述实时行车数据对所述调整后检测模型进行优化。
具体地,车载终端首先获取车辆的初始行车数据,将初始行车数据发给云计算中心,由云计算中心进行建模、仿真,并对模型进行调整,接收云计算中心发来的调整后检测模型,并实时更新接收的行车数据,再将实时行车数据反馈至云计算中心,供云计算中心不断地进行模型的优化调整。
本发明实施例通过在不良驾驶行为检测模型中加入人在回路的干预,由人工进行数据分析,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异对模型进行不断调整和优化,大幅度提升检测模型的精度。
图4为本发明视实施例提供的一种不良驾驶检测模型精度提升的模型结构图,如图4所示,包括:接收模块41、建立仿真模块42、分析调整模块43和优化模块44;其中:
接收模块41用于接收车载终端发送的初始行车数据;建立仿真模块42用于根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;分析调整模块43用于对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;优化模块44用于将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过在不良驾驶行为检测模型中加入人在回路的干预,由人工进行数据分析,通过数据分析建立各种模型,建立模型后进行仿真或真实环境应用,再对仿真的结果进行验证,人工验证时根据预测的结果与实际结果的差异对模型进行不断调整和优化,大幅度提升检测模型的精度。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器830中的逻辑指令,以执行如下方法:接收车载终端发送的初始行车数据;根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:接收车载终端发送的初始行车数据;根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种不良驾驶检测模型精度提升的方法,其特征在于,包括:
接收车载终端发送的初始行车数据;
根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;
对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;
将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
2.根据权利要求1所述的不良驾驶检测模型精度提升的方法,其特征在于,所述不良驾驶行为检测模型是基于预设不良驾驶行为类型、车辆类型和车况类型所建立。
3.根据权利要求2所述的不良驾驶检测模型精度提升的方法,其特征在于,所述预设不良驾驶行为类型包括急加速、急刹车、空档滑行、低档高速、高档低速、超速、严重超速、过长怠速、疲劳驾驶、粘离合、长时间离合、长时间刹车、带刹车滑行、空档滑行、停车立即熄火、冷车行驶、停车踩踏油门、急转弯、超转、怠速空调、未系安全带、带手刹行驶、带故障行驶、大油门、转弯不打转向灯、随意变道、普通道路长期开远光灯、快速车道慢行、乱按喇叭、未关车门行驶和逆行;
所述车辆类型包括轻型轿车、轻型客车、大型客车、轻型卡车、重型卡车和牵引车;
所述车况类型包括发动机寿命、车桥变形、刹车片磨损、液压不足、气压不足、尾气浓度、轮速差异、车辆载重情况、若干开关量状态和若干传感器数据。
4.根据权利要求1或2所述的不良驾驶检测模型精度提升的方法,其特征在于,所述初始行车数据包括车速、油门开度、刹车开关量、方向盘转角、左转向灯开关量、右转向灯开关量、档位、离合器开关量、转速、扭矩、里程、远光灯开关量、GPS坐标、时间和车身姿态。
5.根据权利要求1所述的不良驾驶检测模型精度提升的方法,其特征在于,所述车载终端包括电子地图。
6.一种不良驾驶检测模型精度提升的方法,其特征在于,包括:
获取初始行车数据,将所述初始行车数据发送至云计算中心;
接收所述云计算中心发送的调整后检测模型;
基于所述调整后检测模型,将获取到的实时行车数据反馈至所述云计算中心,以供所述云计算中心根据所述实时行车数据对所述调整后检测模型进行优化。
7.根据权利要求6所述的不良驾驶检测模型精度提升的方法,其特征在于,所述云计算中心包括电子地图。
8.一种不良驾驶检测模型精度提升的系统,其特征在于,包括:
接收模块,用于接收车载终端发送的初始行车数据;
建立仿真模块,用于根据所述初始行车数据建立不良驾驶行为检测模型,基于所述不良驾驶行为检测模型得到仿真数据;
分析调整模块,用于对所述仿真数据进行分析,并对所述不良驾驶行为检测模型进行调整,得到调整后检测模型;
优化模块,用于将所述调整后检测模型下发至车载终端,并接收所述车载终端和司机根据实际行车情况反馈的实时行车数据,根据所述实时行车数据对所述不良驾驶行为检测模型进行优化,得到优化的检测模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述不良驾驶检测模型精度提升的方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述不良驾驶检测模型精度提升的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237720.5A CN111439273A (zh) | 2020-03-30 | 2020-03-30 | 一种不良驾驶检测模型精度提升的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237720.5A CN111439273A (zh) | 2020-03-30 | 2020-03-30 | 一种不良驾驶检测模型精度提升的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111439273A true CN111439273A (zh) | 2020-07-24 |
Family
ID=71649324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237720.5A Pending CN111439273A (zh) | 2020-03-30 | 2020-03-30 | 一种不良驾驶检测模型精度提升的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111439273A (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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534366A (zh) * | 2016-12-19 | 2017-03-22 | 北京经纬恒润科技有限公司 | 驾驶行为分析方法、装置及系统 |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
CN108682148A (zh) * | 2018-05-11 | 2018-10-19 | 重庆邮电大学 | 混合交通状态下基于机器学习的非网联车状态估计方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110027546A (zh) * | 2019-04-28 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种优化驾驶行为的方法及装置 |
CN110171426A (zh) * | 2019-05-23 | 2019-08-27 | 重庆大学 | 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统 |
CN110309723A (zh) * | 2019-06-04 | 2019-10-08 | 东南大学 | 一种基于人体特征细分类的驾驶员行为识别方法 |
CN110723148A (zh) * | 2019-10-29 | 2020-01-24 | 杭州鸿泉物联网技术股份有限公司 | 不良驾驶行为的识别方法与识别装置 |
-
2020
- 2020-03-30 CN CN202010237720.5A patent/CN111439273A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106534366A (zh) * | 2016-12-19 | 2017-03-22 | 北京经纬恒润科技有限公司 | 驾驶行为分析方法、装置及系统 |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
CN108682148A (zh) * | 2018-05-11 | 2018-10-19 | 重庆邮电大学 | 混合交通状态下基于机器学习的非网联车状态估计方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110027546A (zh) * | 2019-04-28 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种优化驾驶行为的方法及装置 |
CN110171426A (zh) * | 2019-05-23 | 2019-08-27 | 重庆大学 | 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统 |
CN110309723A (zh) * | 2019-06-04 | 2019-10-08 | 东南大学 | 一种基于人体特征细分类的驾驶员行为识别方法 |
CN110723148A (zh) * | 2019-10-29 | 2020-01-24 | 杭州鸿泉物联网技术股份有限公司 | 不良驾驶行为的识别方法与识别装置 |
Non-Patent Citations (1)
Title |
---|
张育林等: "《动态系统故障诊断理论与应用》", 31 December 1997, 国防科技大学出版社 * |
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 |
---|---|---|
JP7371359B2 (ja) | 車両リスク評価用のデジタルツイン | |
US9747730B2 (en) | Driver measurement and incentive system for improving fuel-efficiency | |
US20140379171A1 (en) | Apparatus and method for controlling vehicle | |
DE102019102956A1 (de) | Verfahren und systeme zum erkennen und lokalisieren von strassengefahren | |
CN111348039B (zh) | 一种基于加速度变化率优化的驾驶主动干预系统及方法 | |
CN106704573A (zh) | 一种基于车辆档位的车辆状态判断方法、装置及系统 | |
CN111968372A (zh) | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 | |
CN105501221A (zh) | 一种基于车车通信的自适应巡航系统和控制方法 | |
DE102018131646A1 (de) | Fahrerwarnsysteme und verfahren | |
CN110356398A (zh) | 一种车速调整方法、装置、控制器及汽车 | |
CN110843765A (zh) | 一种自动驾驶方法、装置及电子设备 | |
CN110775069A (zh) | 一种混行模式下车辆驾驶模式识别装置和方法 | |
DE102019102760A1 (de) | Steuern eines verbrennungsmotorleerlaufsegelns in einem fahrzeug mittels relativer fahrzeuggeschwindigkeit | |
CN111439273A (zh) | 一种不良驾驶检测模型精度提升的方法及系统 | |
CN111537236B (zh) | 一种交通拥堵辅助系统测试方法 | |
CN107499133A (zh) | 电动汽车加速踏板开度的控制方法、装置和电动汽车 | |
CN116674558A (zh) | 一种确定全地形驾驶模式的方法、车辆和存储介质 | |
CN113580947B (zh) | 车辆能量回收方法及装置、车辆及存储介质 | |
CN112158206B (zh) | 一种智能车强制换道汇入点确定方法及装置 | |
CN108956156A (zh) | 车辆的制动抱死系统的性能测试方法及其装置 | |
CN114435379A (zh) | 车辆经济性驾驶控制方法及装置 | |
US20180265085A1 (en) | Dynamically after vehicle following distance using probe data | |
CN205428245U (zh) | 汽车防追尾碰撞预警装置 | |
DE102021110863B4 (de) | Verfahren und systeme zur autonomen fahrerschulung | |
CN117184081B (zh) | 一种停车控制方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |