CN111552926A - 基于车联网的驾驶行为评价方法、系统及存储介质 - Google Patents
基于车联网的驾驶行为评价方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111552926A CN111552926A CN202010349857.XA CN202010349857A CN111552926A CN 111552926 A CN111552926 A CN 111552926A CN 202010349857 A CN202010349857 A CN 202010349857A CN 111552926 A CN111552926 A CN 111552926A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- score
- habit
- variable
- driving
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000006855 networking Effects 0.000 claims abstract description 10
- 238000007477 logistic regression Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 101100112673 Rattus norvegicus Ccnd2 gene Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Transportation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于车联网的驾驶行为评价方法、系统及存储介质，包括：步骤1.从车联网数据库中提取用户行为数据；步骤2.使用逐步回归对特征变量进行反复筛选，直到筛选出显著性最优的解释变量；步骤3.对特征变量通过变量分箱，再对特征变量进行WOE转换完成自变量构造，使用逻辑回归模型进行训练，得到训练后的模型，输出模型的变量参数；步骤4.根据评分卡转换方法，输出驾驶习惯、充电习惯、安全性以及能耗这四个维度变量的分值，分值越高，表示驾驶行为越好；步骤5.将四个维度变量得分进行加权，得到最终的驾驶行为得分，并进行等级转化，输出驾驶行为评级。本发明从驾驶习惯、充电习惯、安全性和能耗综合对驾驶行为进行评级。
Description
技术领域
本发明属于汽车车联网的技术领域，具体涉及一种基于车联网的驾驶行为评价方法、系统及存储介质。
背景技术
随着电动汽车的推广及普及，电动汽车用户数据积累也达到了一定量级，有必要开发一种基于车联网的驾驶行为评价方法，以帮助用户改进驾驶行为，减少事故发生概率，增加车辆的使用寿命。
发明内容
本发明的目的是提供一种基于车联网的驾驶行为评价方法、系统及存储介质，能从驾驶习惯、充电习惯、安全性和能耗综合对驾驶行为进行评级。
第一方面，本发明所述的一种基于车联网的驾驶行为评价方法，包括车联网数据库，所述车联网数据库包括驾驶习惯数据、充电习惯数据和安全性相关数据、能耗相关数据，其方法包括以下步骤：
步骤1.从车联网数据库中提取用户行为数据，包含驾驶习惯数据、充电习惯数据、安全性相关数据、能耗相关数据，将提取的用户行为数据构建各分析维度的特征变量集，基于特征变量集构建各纬度的样本集；
步骤2.使用逐步回归对特征变量进行反复筛选，直到筛选出显著性最优的解释变量；
步骤3.对特征变量通过变量分箱，再对特征变量进行WOE转换完成自变量构造，使用逻辑回归模型进行训练，得到训练后的模型，输出模型的变量参数；
步骤4.根据评分卡转换方法，输出驾驶习惯、充电习惯、安全性以及能耗这四个维度变量的分值，分值越高，表示驾驶行为越好；
步骤5.将四个维度变量得分进行加权计算，得到最终的驾驶行为得分，并进行等级转化，输出驾驶行为评级。
进一步，所述步骤1中，基于提取的用户行为数据构建各分析维度的数据集特征变量集，即输出驾驶习惯特征变量集、充电习惯特征变量集、安全性相关特征变量集和能耗相关特征变量集；
基于数据集特征变量集构建各维度的样本集，即构建出驾驶习惯模型样本集、充电习惯模型样本集、安全模型样本集和能耗模型样本集。
进一步，所述逻辑回归模型的参数形式为：
其中，z＝θ0+θ1x1+θ2x2+...+θnxn＝θTx；
根据以上公式对参数θ进行估计，θ表示hθ(x)结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：
P(y＝1|x；θ)＝(hθ(x))y*(1-hθ(x))1-y；
P(y＝0|x；θ)＝1-hθ(x)；
其中，xn代表特征变量，θ代表参数，n是变量个数；
所述步骤4中，计算每个维度变量分值的公式如下：
score总＝A+B*(θTx)＝A+B(ω0+ω1x1+…+ωixi)
＝(A+B*ω0)+B*ω1x1+…+B*ωixi
其中，score总代表每个维度分值，A和B代表常数，xi代表特征分箱后的变量，ωi代表每个变量的权重，i是特征分箱后的变量个数；
进一步，所述步骤5具体为：
将驾驶习惯得分、充电习惯得分、安全性得分、能耗得分分别按照权重为α：β：γ：σ计算总驾驶行为得分，并将分数分为m个等级，输出该总驾驶行为得分所对应的驾驶行为评级。
第二方面，本发明所述的一种基于车联网的驾驶行为评价系统，包括处理器和存储器；
所述存储器上存储有能被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时能实现如本发明所述的基于车联网的驾驶行为评价方法的步骤。
第三方面，本发明所述的一种存储介质，所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如本发明所述的基于车联网的驾驶行为评价方法的步骤。
本发明具有以下优点：本方法充分考虑了电动汽车数据特性，从驾驶习惯、充电习惯、安全性和能耗这四个维度对驾驶行为进行评级，每个维度均通过模型计算得分，最终能够得到一个综合的驾驶行为评级。
附图说明
图1是本实施例的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
参见图1，本实施例中，一种基于车联网的驾驶行为评价方法，包括车联网数据库，所述车联网数据库包括驾驶习惯数据、充电习惯数据和安全性相关数据、能耗相关数据，其方法包括以下步骤：
步骤1.从车联网数据库中提取用户行为数据，包含驾驶习惯数据、充电习惯数据、安全性相关数据、能耗相关数据，将提取的用户行为数据构建各分析维度的特征变量集，基于特征变量集构建各纬度的样本集；
步骤2.使用逐步回归对特征变量进行反复筛选，直到筛选出显著性最优的解释变量；
步骤3.对特征变量通过变量分箱，再对特征变量进行WOE转换完成自变量构造，使用逻辑回归模型进行训练，得到训练后的模型，输出模型的变量参数；
步骤4.根据评分卡转换方法，输出驾驶习惯、充电习惯、安全性以及能耗这四个维度变量的分值，分值越高，表示驾驶行为越好；
步骤5.将四个维度变量得分进行加权计算，得到最终的驾驶行为得分，并进行等级转化，输出驾驶行为评级。
以下对本实施例进行详细的说明：
一、所述步骤1具体包括以下步骤：
(1.1)从车联网数据库中提取用户行为数据
提取用户驾驶行为数据类型，比如：包含：踏板行程、胎压、行驶里程、空调温度、电机转速、行驶里程、转角速度、转向角度和能耗等。
具体字段在计算时根据现有字段及特征进行选取。
(1.2)将提取的用户行为数据构建各分析维度的特征变量集
驾驶习惯特征变量集，比如,包含：加速踏板标准差、制动踏板标准差、速度标准差、低速占比、中速占比、高速占比和三急数据等；
充电习惯特征变量集，比如,包含：最低电量、充电开始SOC、充电结束SOC、快充次数和慢充次数等；
安全性相关特征变量集，比如,包含：方向盘震动状态、驾驶员脱手次数、安全带违规次数、急加速、急减速和急转弯等；
能耗相关特征变量集，比如,包含：速度标准差、空调设定温度平均值、温度平均值和怠速占比等。
各维度模型的特征变量根据实际计算时的字段数据进行选取。
(1.3)基于特征变量集构建各维度的样本集，包含正负样本，负样本标记为a，正样本标记为b。视数据量进行过采样或欠采样，尽量使正负样本比接近1：1。样本集示例如下：
| vin1 | 特征变量 | b |
| vin2 | 特征变量 | b |
| vin3 | 特征变量 | a |
驾驶习惯模型样本集：筛选速度标准差、油门踏板深度标准差、制动踏板深度标准差排序的前k％的单次行程数据作为负样本，后k％作为正样本；
充电习惯模型样本集：筛选一段时间内动力电池最低电量从小到大排序，且快充模式充入的电量从多到少排序的前k％的用户数据作为负样本，后k％作为正样本。
安全模型样本集：筛选一段时间内安全违规次数(包括安全带违规、方向盘脱手、车门违规)从大到小排序，排序的前k％的用户数据作为负样本，后k％作为正样本。
能耗模型样本集：筛选一段时间内使用平均百公里能耗值得到驾驶行为相关的能耗值，使用此能耗最高的前k％为负样本，能耗最低的前k％为正样本。
二、所述步骤2具体为：
逐步回归的基本思想是将变量逐个引入回归模型，每引入一个解释变量后都要进行F检验(即回归方程的显著性检验)，并对已经选入的解释变量逐个进行t检验(即回归系数显著性检验)，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。
三、所述步骤(3)具体为：
(3.1)对特征变量通过变量分箱，即对连续变量离散化，可采用等距、等频的方法。再对特征变量进行WOE转换完成自变量构造。
WOE即证据权重，可以将逻辑回归模型转化为标准评分卡格式，WOE是对原始自变量的一种编码形式，要对一个变量进行WOE编码，需要首先把这个变量进行分组处理(也叫离散化、分箱)。
WOE＝ln(好习惯用户占比/坏习惯用户占比)×100％＝优势比；
WOE越大，差异越大，这个分组里的坏样本可能性就越大，WOE越小，差异越小，这个分组里的坏样本可能性就越小。
(3.2)使用逻辑回归算法进行训练，得到训练后的模型，输出各模型的变量参数。
逻辑回归属于广义线性回归模型，公式如下：
其中，z＝θ0+θ1x1+θ2x2+...+θnxn＝θTx；
根据式进一步对参数θ进行估计，θ的值有特殊的含义，表示hθ(x)结果取1的概率，因此，对于输入x分类结果为类别1和类别0的概率分别为：
P(y|x；θ)＝(hθ(x))y*(1-hθ(x))1-y；
P(y＝0|x；θ)＝1-hθ(x)；
其中：xn代表特征变量，θ代表参数，n是变量个数。
四、所述步骤4具体为：
根据评分卡转换方法，将各维度变量对应的分值输出，将每个维度变量的总分定为X分，分值越高，表示驾驶行为越好。
score总＝A+B*(θTx)＝A+B(ω0+ω1x1+…+ωixi)
＝(A+B*ω0)+B*ω1x1+…+B*ωixi
其中：score总代表每个维度分值，A和B代表常数，xi代表特征分箱后的变量，ωi代表每个变量的权重，i是特征分箱后的变量个数。
五、所述步骤5具体为：
将驾驶习惯得分、充电习惯得分、安全性得分、能耗得分按照权重为α：β：γ：σ计算总驾驶行为得分。将分数分为m个等级，每个得分对应一个等级，可得驾驶行为评级。
驾驶行为评级可应用于以下几个方面：
(1)用户画像，根据不同业务部门对用户画像的需求，从驾驶行为评级指标中抽取部分适应性指标进行聚类，并描述用户类别的核心特征提供给业务部门做进一步的业务应用。
(2)保险公司差异化车险，利用车主驾驶行为得分作为保险定价模型的输入。
(3)通过将驾驶行为评级结果及驾驶建议推送推送给车辆用户，促进驾驶人员的安全驾驶、良好驾驶，减少事故发生概率、增加车辆使用寿命等。
Claims (7)
1.一种基于车联网的驾驶行为评价方法，其特征在于：包括车联网数据库，所述车联网数据库包括驾驶习惯数据、充电习惯数据和安全性相关数据、能耗相关数据，其方法包括以下步骤：
步骤1.从车联网数据库中提取用户行为数据，包含驾驶习惯数据、充电习惯数据、安全性相关数据、能耗相关数据，将提取的用户行为数据构建各分析维度的特征变量集，基于特征变量集构建各纬度的样本集；
步骤2.使用逐步回归对特征变量进行反复筛选，直到筛选出显著性最优的解释变量；
步骤3.对特征变量通过变量分箱，再对特征变量进行WOE转换完成自变量构造，使用逻辑回归模型进行训练，得到训练后的模型，输出模型的变量参数；
步骤4.根据评分卡转换方法，输出驾驶习惯、充电习惯、安全性以及能耗这四个维度变量的分值，分值越高，表示驾驶行为越好；
步骤5.将四个维度变量得分进行加权计算，得到最终的驾驶行为得分，并进行等级转化，输出驾驶行为评级。
2.根据权利要求1所述的基于车联网的驾驶行为评价方法，其特征在于：所述步骤1中，基于提取的用户行为数据构建各分析维度的数据集特征变量集，即输出驾驶习惯特征变量集、充电习惯特征变量集、安全性相关特征变量集和能耗相关特征变量集；
基于数据集特征变量集构建各维度的样本集，即构建出驾驶习惯模型样本集、充电习惯模型样本集、安全模型样本集和能耗模型样本集。
3.根据权利要求2所述的基于车联网的驾驶行为评价方法，其特征在于：所述逻辑回归模型的参数形式为：
其中：z＝θ0+θ1x1+θ2x2+...+θnxn＝θTx；
根据以上公式对参数θ进行估计，θ表示hθ(x)结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：
P(y|x；θ)＝(hθ(x))y*(1-hθ(x))1-y；
P(y＝0|x；θ)＝1-hθ(x)；
其中：xn代表特征变量，n是变量个数。
4.根据权利要求3所述的基于车联网的驾驶行为评价方法，其特征在于：所述步骤4中，计算每个维度变量分值的公式如下：
score总＝A+B*(θTx)＝A+B(ω0+ω1x1+…+ωixi)
＝(A+B*ω0)+B*ω1x1+…+B*ωixi
其中：score总代表每个维度分值，A和B代表常数，xi代表特征分箱后的变量，ωi代表每个变量的权重，i是特征分箱后的变量个数。
5.根据权利要求4所述的基于车联网的驾驶行为评价方法，其特征在于：所述步骤5具体为：
将驾驶习惯得分、充电习惯得分、安全性得分、能耗得分分别按照权重为α：β：γ：σ计算总驾驶行为得分，并将分数分为m个等级，输出该总驾驶行为得分所对应的驾驶行为评级。
6.一种基于车联网的驾驶行为评价系统，其特征在于：包括处理器和存储器；
所述存储器上存储有能被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时能实现如权利要求1至5任意一项所述的基于车联网的驾驶行为评价方法的步骤。
7.一种存储介质，其特征在于：所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如权利要求1至5任意一项所述的基于车联网的驾驶行为评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010349857.XA CN111552926A (zh) | 2020-04-28 | 2020-04-28 | 基于车联网的驾驶行为评价方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010349857.XA CN111552926A (zh) | 2020-04-28 | 2020-04-28 | 基于车联网的驾驶行为评价方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111552926A true CN111552926A (zh) | 2020-08-18 |
Family
ID=72007837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010349857.XA Pending CN111552926A (zh) | 2020-04-28 | 2020-04-28 | 基于车联网的驾驶行为评价方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111552926A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330462A (zh) * | 2020-11-05 | 2021-02-05 | 刘华玲 | 一种智能投顾方法 |
| CN113033651A (zh) * | 2021-03-22 | 2021-06-25 | 上海仙塔智能科技有限公司 | 一种提高驾驶安全性的方法和装置 |
| CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、系统及存储介质 |
| CN113469458A (zh) * | 2021-07-22 | 2021-10-01 | 南京领行科技股份有限公司 | 驾驶习惯评价方法、装置及电子设备 |
| CN113581188A (zh) * | 2021-06-30 | 2021-11-02 | 桂林电子科技大学 | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 |
| CN117238131A (zh) * | 2023-09-14 | 2023-12-15 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
| WO2024067387A1 (zh) * | 2022-09-26 | 2024-04-04 | 深蓝汽车科技有限公司 | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104494601A (zh) * | 2014-12-18 | 2015-04-08 | 清华大学苏州汽车研究院（吴江） | 基于obd的驾驶行为分析及驾驶辅助系统 |
| CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线（北京）新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
| CN106022926A (zh) * | 2016-05-25 | 2016-10-12 | 彩虹无线（北京）新技术有限公司 | 一种基于里程和驾驶行为安全性的保费扣减方法 |
| US20190143994A1 (en) * | 2017-04-18 | 2019-05-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining safety score of driver |
| CN109858566A (zh) * | 2019-03-01 | 2019-06-07 | 成都新希望金融信息有限公司 | 一种基于多层模型构建增加入模维度的评分卡的方法 |
| CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
-
2020
- 2020-04-28 CN CN202010349857.XA patent/CN111552926A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104494601A (zh) * | 2014-12-18 | 2015-04-08 | 清华大学苏州汽车研究院（吴江） | 基于obd的驾驶行为分析及驾驶辅助系统 |
| CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线（北京）新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
| CN106022926A (zh) * | 2016-05-25 | 2016-10-12 | 彩虹无线（北京）新技术有限公司 | 一种基于里程和驾驶行为安全性的保费扣减方法 |
| US20190143994A1 (en) * | 2017-04-18 | 2019-05-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining safety score of driver |
| CN109858566A (zh) * | 2019-03-01 | 2019-06-07 | 成都新希望金融信息有限公司 | 一种基于多层模型构建增加入模维度的评分卡的方法 |
| CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程兴乾: "基于车联网的用户驾驶行为统计分析研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 黄丽蓉: "基于DBN的驾驶行为习惯分析与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330462A (zh) * | 2020-11-05 | 2021-02-05 | 刘华玲 | 一种智能投顾方法 |
| CN113033651A (zh) * | 2021-03-22 | 2021-06-25 | 上海仙塔智能科技有限公司 | 一种提高驾驶安全性的方法和装置 |
| CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、系统及存储介质 |
| CN113158947B (zh) * | 2021-04-29 | 2023-04-07 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、系统及存储介质 |
| CN113581188A (zh) * | 2021-06-30 | 2021-11-02 | 桂林电子科技大学 | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 |
| CN113469458A (zh) * | 2021-07-22 | 2021-10-01 | 南京领行科技股份有限公司 | 驾驶习惯评价方法、装置及电子设备 |
| WO2024067387A1 (zh) * | 2022-09-26 | 2024-04-04 | 深蓝汽车科技有限公司 | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 |
| CN117238131A (zh) * | 2023-09-14 | 2023-12-15 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
| CN117238131B (zh) * | 2023-09-14 | 2024-05-07 | 中国民航大学 | 一种车联网环境下交通流特性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111552926A (zh) | 基于车联网的驾驶行为评价方法、系统及存储介质 | |
| Li et al. | Dual-loop online intelligent programming for driver-oriented predict energy management of plug-in hybrid electric vehicles | |
| Huang et al. | An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle | |
| Suzdaleva et al. | An online estimation of driving style using data-dependent pointer model | |
| Rios-Torres et al. | Fuel consumption for various driving styles in conventional and hybrid electric vehicles: Integrating driving cycle predictions with fuel consumption optimization | |
| CN110543098B (zh) | 插电式混合动力系统构型的选择方法 | |
| Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
| Gong et al. | Statistical analysis of PHEV fleet data | |
| Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
| Komnos et al. | Analysing the real-world fuel and energy consumption of conventional and electric cars in Europe | |
| CN110969844A (zh) | 一种基于行车数据计算驾驶行为相似度的方法及应用 | |
| Zacharof et al. | An estimation of heavy-duty vehicle fleet CO2 emissions based on sampled data | |
| Shi et al. | Applying a WNN-HMM based driver model in human driver simulation: Method and test | |
| Chen et al. | A novel method of developing driving cycle for electric vehicles to evaluate the private driving habits | |
| CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
| Yuan et al. | Paving the way for autonomous vehicle testing in accident scenario analysis of yizhuang development Zone in Beijing | |
| Lu et al. | A bi-level distribution mixture framework for unsupervised driving performance evaluation from naturalistic truck driving data | |
| Sun et al. | Personalized eco-driving for intelligent electric vehicles | |
| Yuan et al. | Study of driving cycle of city tour bus based on coupled GA-K-means and HMM algorithms: a case study in Beijing | |
| CN114818381A (zh) | 自动驾驶汽车测试场景库的构建方法 | |
| Ma et al. | A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods | |
| Weber et al. | Data-driven bev modeling for realistic consumption calculation in traffic simulation | |
| Anida et al. | Driving cycle analysis for fuel rate and emissions in Kuala Terengganu city during go-to-work time | |
| CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
| Chen et al. | Driving-data-driven platform of driving behavior spectrum for vehicle networks |
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: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |