CN111798091B - 一种基于变道持续时间的高速公路变道评分模型建立方法 - Google Patents
一种基于变道持续时间的高速公路变道评分模型建立方法 Download PDFInfo
- Publication number
- CN111798091B CN111798091B CN202010462553.4A CN202010462553A CN111798091B CN 111798091 B CN111798091 B CN 111798091B CN 202010462553 A CN202010462553 A CN 202010462553A CN 111798091 B CN111798091 B CN 111798091B
- Authority
- CN
- China
- Prior art keywords
- lane change
- value
- change duration
- duration
- variable
- 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
- 230000008859 change Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000007477 logistic regression Methods 0.000 claims abstract description 9
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明提供了一种基于变道持续时间的高速公路变道评分模型建立方法,包括采集变道持续时间的历史数据,制定异常值判定规则;建立Logistic回归变道持续时间模型;优化剔除因变量影响程度不高的自变量;根据确定的变道持续时间模型,建立用于提醒驾驶员注意潜在变道风险的评分卡。本发明一种基于变道持续时间的高速公路变道评分模型建立方法,配选取对变道持续时间影响较深的自变量,建立变道持续时间评分模型,以打分的形式对驾驶员的变道行为进行评估,可以在汽车变道过程中实时监测驾驶员行为,对超出安全变道持续时间的行为予以警告,也可以形成驾驶员变道行为历史信息,作为交通管理者制定相关政策法规的参考依据。
Description
技术领域
本发明属于智能网联汽车领域,尤其是涉及一种基于变道持续时间的高速公路变道评分模型建立方法。
背景技术
在现有技术条件下,层出不穷的ADAS功能中,针对变道行为的辅助系统研究相对较少,目前只有一款变道辅助系统(LCA)面市。此外,现有的相关系统研究中,对变道驾驶行为的研究不多,且大部分是专注于危险场景、事故场景等非典型变道场景,针对典型变道场景的分析相对较少,而专门研究变道持续时间问题的技术方案属于空白。但变道持续时间是变道行为模型中是一个非常关键的变量,可以通过对变道持续时间进行检测,得到变道成功与否的概率,从而对汽车行驶安全状态进行判断,在必要时对驾驶员做出警示,起到防患于未然的作用。因此,能否提出有效的安全变道时间模型,利用理论计算结果与实时数据的比较来进行变道行为状态的判断,对新一代变道辅助系统的研发十分必要,也是迫切需要解决的技术问题。
发明内容
有鉴于此,本发明旨在提出一种基于变道持续时间的高速公路变道评分模型建立方法,选取对变道持续时间影响较深的自变量,建立变道持续时间评分模型,以打分的形式对驾驶员的变道行为进行评估,可以在汽车变道过程中实时监测驾驶员行为,对超出安全变道持续时间的行为予以警告,也可以形成驾驶员变道行为历史信息,作为交通管理者制定相关政策法规的参考依据。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于变道持续时间的高速公路变道评分模型建立方法:
步骤1:采集变道持续时间的历史数据,制定异常值判定规则;
步骤2:建立Logistic回归变道持续时间模型;
步骤3:将步骤1中的历史数据放入步骤2中建立的回归变道持续时间模型进行回归分析,优化剔除因变量影响程度不高的自变量;
步骤4:根据步骤3中确定的变道持续时间模型,建立用于提醒驾驶员注意潜在变道风险的评分卡。
进一步的,在步骤1中:制定异常值判定规则如下:
将变道持续时间(DeltaTime)的历史数据由小到大排列,上25%分位数<DeltaTime<下25%分位数,此时DeltaTime被判定为正常值;DeltaTime≤上25%分位数或DeltaTime≥上25%分位数,此时DeltaTime被判定为异常值。
进一步的,在步骤2中:建立Logistic回归变道持续时间模型如下:
log(Odds)=β0+β1 Speed+β2 Acceleration_x+β3 Acceleration_y+β4 new_CPosition
+β5 Turn+β6 ObjectRelativeVelocity_x+β7 ObjectRelativeVelocity_y
+β8 ObjectRelativeAcceleration_x+β9 ObjectRelativeAcceleration_y
+β10 ObjectPosition_x+β11 ObjectPosion_y+β12 new_Gategory+β13 TTC1st
Odds代表变道时间异常值概率与正常概率的比值,异常值概率用p表示,则正常概率用(1-p)表示;βi为各自变量的系数;变道持续时间相关的各自变量释义如下:
进一步的,在步骤3中,优化剔除因变量影响程度不高的自变量方法如下:
计算WOE值:
对每种自变量进行分类处理(也叫离散化、分箱等)后所进行的编码操作,它代表的是自变量取某个值的时候对于变道持续时间的影响大小:
其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量,WOEi代表每一个自变量取不同类别时的值;
计算IV值:
IVi代表每一个自变量取不同类别时的值,IV代表每一个自变量对应的值,其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量;
当自变量x1,x2两两之间的相关系数时,表明二者相关性较大,需要二选一,此时比较两自变量IV值大小,留下IV值较大者(且IV>0.1);
当自变量与其他自变量之间没有较强相关性时,保留IV>0.1的自变量;
进一步的,在步骤4中:
评分卡分值如下:
其中,(A-B*β0)为基础分值;是第i个变量(共有ti个类)对应的第ti个类别上的WOEi,由步骤3中WOEi值计算得出;/>是二元变量,表示变量i是否取第ti个值,是则为1,不是则为0;
上式中及βi均有步骤3中优化后的回归变道持续时间模型直接得出(回归系数和机器训练二分类器返回的可能性概率值);
上式中常数A和B的计算方法:
P0=A-B*Log(θ0)
P0-PDO=A-B*Log(2*θ0)
其中,θ0是实际样本因变量数据估计假设比率(失败成功比率),P0为600分,PDO为20分,计算得出A和B。
进一步的,在步骤3中,对每种自变量进行分类时,如果自变量是连续型变量,则以四分位值为依据分类;如果自变量是离散型变量,则以同一参数的不同取值(类型)作为依据分类。
相对于现有技术,本发明一种基于变道持续时间的高速公路变道评分模型建立方法,具有以下优势:
本发明一种基于变道持续时间的高速公路变道评分模型建立方法,配选取对变道持续时间影响较深的自变量,建立变道持续时间评分模型,以打分的形式对驾驶员的变道行为进行评估,可以在汽车变道过程中实时监测驾驶员行为,对超出安全变道持续时间的行为予以警告,也可以形成驾驶员变道行为历史信息,作为交通管理者制定相关政策法规的参考依据。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明实施例一种基于变道持续时间的高速公路变道评分模型建立方法流程示意图。
具体实施方式
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。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
一种基于变道持续时间的高速公路变道评分模型建立方法:
步骤1:采集变道持续时间的历史数据,制定异常值判定规则;
步骤2:建立Logistic回归变道持续时间模型;
步骤3:将步骤1中的历史数据放入步骤2中建立的回归变道持续时间模型进行回归分析,优化剔除因变量影响程度不高的自变量;
步骤4:根据步骤3中确定的变道持续时间模型,建立用于提醒驾驶员注意潜在变道风险的评分卡。
进一步的,在步骤1中:制定异常值判定规则如下:
将变道持续时间(DeltaTime)的历史数据由小到大排列,上25%分位数<DeltaTime<下25%分位数,此时DeltaTime被判定为正常值;DeltaTime≤上25%分位数或DeltaTime≥上25%分位数,此时DeltaTime被判定为异常值。
进一步的,在步骤2中:建立Logistic回归变道持续时间模型如下:
log(Odds)=β0+β1 Speed+β2 Acceleration_x+β3 Acceleration_y+β4 new_CPosition
+β5 Turn+β6 ObjectRelativeVelocity_x+β7 ObjectRelativeVelocity_y
+β8 ObjectRelativeAcceleration_x+β9 ObjectRelativeAcceleration_y
+β10 ObjectPosition_x+β11 ObjectPosition_y+β12 new_Category+β13 TTC1st
Odds代表变道时间异常值概率与正常概率的比值,异常值概率用p表示,则正常概率用(1-p)表示;βi为各自变量的系数;变道持续时间相关的各自变量释义如下:
进一步的,在步骤3中,优化剔除因变量影响程度不高的自变量方法如下:
计算WOE值:
对每种自变量进行分类处理(也叫离散化、分箱等)后所进行的编码操作,它代表的是自变量取某个值的时候对于变道持续时间的影响大小:
其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量,WOEi代表每一个自变量取不同类别时的值;
计算IV值:
IVi代表每一个自变量取不同类别时的值,IV代表每一个自变量对应的值,其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量;
当自变量x1,x2两两之间的相关系数时,表明二者相关性较大,需要二选一,此时比较两自变量IV值大小,留下IV值较大者(且IV>0.1);
当自变量与其他自变量之间没有较强相关性时,保留IV>0.1的自变量;
进一步的,在步骤4中:
评分卡分值如下:
其中,(A-B*β0)为基础分值;是第i个变量(共有ti个类)对应的第ti个类别上的WOEi,由步骤3中WOEi值计算得出;/>是二元变量,表示变量i是否取第ti个值,是则为1,不是则为0;
上式中及βi均由步骤3中优化后的回归变道持续时间模型(机器训练二分类器返回的可能性概率值)直接得出;
上式中常数A和B的计算方法:
P0=A-B*Log(θ0)
P0-PDO=A-B*Log(2*θ0)
其中,θ0是实际样本因变量数据估计假设比率(失败成功比率),P0为600分,PDO为20分,计算得出A和B。
进一步的,在步骤3中,对每种自变量进行分类时,如果自变量是连续型变量,则以四分位值为依据分类;如果自变量是离散型变量,则以同一参数的不同取值(类型)作为依据分类。
在本发明的一个实施例中:
以北京、上海、广州三个城市高速公路采集而来的数据作为样本,得到变道持续时间的上25%分位数为4s,下25%分位数为8s,故令变道时间大于8s或小于4s的值全部重新赋值为1并取名为异常值,令变道时间在4s到8s的值全部重新赋值为0并取名为正常值。建立Logistic回归变道持续时间模型后,ObjectRelativeVelocity_x(与前车的纵向相对速度)和TTC1st(与前车的最短碰撞时间)的相关性很大,ObjectRelativeVelocity_y(与前车的横向相对速度)与ObjectPosition_y(与前车的横向距离)相关性很大,具体留哪个参数需要结合IV值。
ObjectRelativeVelocity_y比TTC1st的IV值小,ObjectRelativeVelocity_y比ObjectPosition_y的IV值大,所以结合相关系数表,留下TTClst和ObjectRelativeVelocity_y这两个变量,
进一步,筛选出IV值大于0.1的特征,这些特征具有较大的预测能力,这些特征是本车纵向加速度(Acceleration_x),本车横向加速度(Acceleration_y),与前车的相对横向速度(ObjectRelativeVelocity_y),与前车的相对纵向加速度(ObjectRelativeAcceleration_x),与前车的相对横向加速度(ObjectRelativeAcceleration_y),与前车的最短碰撞时间(TTC1st),及前车种类(new_Category),最终确定共7个自变量。
进一步,使用逻辑回归算法训练模型,在进行模型训练时,随机抽样高速公路采集而来的数据70%的样本作为训练集,30%的样本作为测试集,并使用训练集数据训练模型,将测试集数据代入回归模型中进行预测,并对模型准确率进行打分评估,AUC的值为0.78,说明该模型的预测能力较好。
最后得到的回归变道持续时间模型如下:
log(Odds)=-0.064-0.155Acceleration_x-1.315Acceleration_y-0.858ObjectRelativeVelocity_y-0.538ObjectRelativeAcceleration_x-0.413ObjectRelativeAcceleration_y-1.182TTC1st-1.362new_Category
根据实际样本因变量数据估计假设比率(失败成功比率)θ0=1∶8
求解后,A=540,B=28,于是计算得分公式为:
最终,评分卡的分值可以写成下列形式:
利用上述公式制作变道持续时间评分表如下:
变道持续时间评分表
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于变道持续时间的高速公路变道评分模型建立方法,其特征在于:
步骤1:采集变道持续时间的历史数据,制定异常值判定规则;
步骤2:建立Logistic回归变道持续时间模型;
在步骤2中:建立Logistic回归变道持续时间模型如下:
log(Odds)=β0+β1Speed+β2Acceleration_x+β3Acceleration_y+β4new_CPosition+β5Turn+β6ObjectRelativeVelocity_x+β7ObjectRelativeVelocity_y+β9ObjectRelativeAcceleration_x+β9ObjectRelativeAcceleration-y+β10ObjectPosition_x+β11ObjectPosition_y+β12new_Category+β13TTC1st;
Odds代表变道时间异常值概率与正常概率的比值,异常值概率用p表示,则正常概率用1-p表示;βi为各自变量的系数;Speed为速度,Acceleration_x为纵向加速度,Acceleration_y为横向加速度,new_CPosition为与前车的横向相对加速度,Turn为本车转向灯使用情况,TTC1st为与前车的最短碰撞时间,ObjectRelativeVelocity_x为与前车的纵向相对速度,ObjectRelativeVelocity_y为与前车的横向相对速度,ObjectRelativeAcceleration_x为与前车的纵向相对加速度,ObjectRelativeAcceleration_y为与前车的横向相对加速度,ObjectPosition_x为与前车的纵向相对位置,ObjectPosition_y为与前车的横向相对位置,new_Category为前车车辆类型;
步骤3:将步骤1中的历史数据放入步骤2中建立的回归变道持续时间模型进行回归分析,优化剔除因变量影响程度不高的自变量;
在步骤3中,优化剔除因变量影响程度不高的自变量方法如下:
计算WOE值:
对每种自变量进行分类处理后所进行的编码操作,它代表的是自变量取某个值的时候对于变道持续时间的影响大小:
其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量,WOEi代表每一个自变量取不同类别时的值;
计算IV值:
IVi代表每一个自变量取不同类别时的值,IV代表每一个自变量对应的值,其中Bi,BT,Gi,GT分别为第i类中正常行为的数量、总的正常变道行为数量、第i类中异常行为数量、总的异常行为数量;
当自变量x1,x2两两之间的相关系数时,表明二者相关性较大,需要二选一,此时比较两自变量IV值大小,留下IV值较大者;
当自变量与其他自变量之间没有较强相关性时,保留IV>0.1的自变量;
步骤4:根据步骤3中确定的变道持续时间模型,建立用于提醒驾驶员注意潜在变道风险的评分卡;
在步骤4中:
评分卡分值如下:
其中,(A-B*β0)为基础分值;是第i个变量对应的第ti个类别上的WOEi,由步骤3中WOEi值计算得出;/>是二元变量,表示变量i是否取第ti个值,是则为1,不是则为0;
上式中及βi均有步骤3中优化后的回归变道持续时间模型直接得出;
上式中常数A和B的计算方法:
P0=A-B*Log(θ0);
P0-PDO=A-B*Log(2*θ0);
其中,θ0是实际样本因变量数据估计假设比率,P0为600分,PDO为20分,计算得出A和B。
2.根据权利要求1所述的一种基于变道持续时间的高速公路变道评分模型建立方法,其特征在于:在步骤1中:制定异常值判定规则如下:
将变道持续时间的历史数据由小到大排列,上25%分位数<DeltaTime<下25%分位数,此时DeltaTime被判定为正常值;DeltaTime≤上25%分位数或DeltaTime≥上25%分位数,此时DeltaTime被判定为异常值。
3.根据权利要求1所述的一种基于变道持续时间的高速公路变道评分模型建立方法,其特征在于:在步骤3中,对每种自变量进行分类时,如果自变量是连续型变量,则以四分位值为依据分类;如果自变量是离散型变量,则以同一参数的不同取值作为依据分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462553.4A CN111798091B (zh) | 2020-05-27 | 2020-05-27 | 一种基于变道持续时间的高速公路变道评分模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462553.4A CN111798091B (zh) | 2020-05-27 | 2020-05-27 | 一种基于变道持续时间的高速公路变道评分模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798091A CN111798091A (zh) | 2020-10-20 |
CN111798091B true CN111798091B (zh) | 2024-04-12 |
Family
ID=72806721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462553.4A Active CN111798091B (zh) | 2020-05-27 | 2020-05-27 | 一种基于变道持续时间的高速公路变道评分模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798091B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114945961B (zh) * | 2020-11-12 | 2024-03-08 | 深圳元戎启行科技有限公司 | 变道预测回归模型训练方法、变道预测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140021178A (ko) * | 2012-08-09 | 2014-02-20 | 연세대학교 산학협력단 | 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 |
CN108733962A (zh) * | 2018-06-13 | 2018-11-02 | 山西大学 | 一种无人车的拟人驾驶员控制模型的建立方法和系统 |
DE102018008599A1 (de) * | 2018-10-31 | 2020-04-30 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum Bestimmen einer Trajektorie für ein Kraftfahrzeug |
-
2020
- 2020-05-27 CN CN202010462553.4A patent/CN111798091B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140021178A (ko) * | 2012-08-09 | 2014-02-20 | 연세대학교 산학협력단 | 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 |
CN108733962A (zh) * | 2018-06-13 | 2018-11-02 | 山西大学 | 一种无人车的拟人驾驶员控制模型的建立方法和系统 |
DE102018008599A1 (de) * | 2018-10-31 | 2020-04-30 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum Bestimmen einer Trajektorie für ein Kraftfahrzeug |
Non-Patent Citations (7)
Title |
---|
基于深度学习DBN算法的高速公路危险变道判别模型;赵玮;徐良杰;冉斌;汪济洲;;东南大学学报(自然科学版);20170720(第04期);第205-211页 * |
基于自然驾驶数据的驾驶员紧急变道行为开环模型;朱西产;刘智超;李霖;;汽车安全与节能学报;20151215(第04期);第38-42页 * |
基于驾驶员行为的变道车辆行驶特征研究;冯杰;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20190715;C034-277 * |
经验因素与车道类型对汽车驾驶员变道决策的影响;霍东超;常若松;杨思佳;马锦飞;;人类工效学;20200220(第01期);第10-17页 * |
考虑紧急程度的机器学习仿真变道模型;李捷;李韬;徐大林;;指挥控制与仿真(第04期);第94-98页 * |
高速公路出匝分流区超车道车辆车道变换模型;刘伟铭;邓如丰;张阳;莫琛;;公路交通科技;20120815(第08期);第110-115页 * |
高速公路小客车驾驶员变道行为研究;乔建刚;李瑞;周荣贵;;中国安全科学学报;20151115(第11期);第94-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798091A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112071061A (zh) | 基于云计算和数据分析的车辆服务系统 | |
CN107221196A (zh) | 车辆驾驶风险评估方法、装置、系统及可读存储介质 | |
CN104590275A (zh) | 一种驾驶行为分析方法 | |
CN113609016B (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN109062183A (zh) | 新能源汽车远程监控分析方法和系统 | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN103606247B (zh) | 利用车况和驾驶员生理参数进行交通预警的方法及系统 | |
CN111798091B (zh) | 一种基于变道持续时间的高速公路变道评分模型建立方法 | |
CN112967497A (zh) | 共享汽车监管系统及监管方法 | |
CN116186884A (zh) | 一种智能网联汽车功能安全与预期功能安全联动验证方法 | |
CN112270840B (zh) | 车路协同环境下基于单车运动特征的信息可信辨识方法 | |
CN110723148A (zh) | 不良驾驶行为的识别方法与识别装置 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
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 | |
CN115871682A (zh) | 驾驶员安全驾驶行为的监测、评价和预警方法及系统 | |
CN115630777A (zh) | 一种基于车载终端采集数据的车辆驾驶行为评分系统 | |
CN114973179A (zh) | 一种长下坡安全防控方法、装置、电子设备及系统 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN111724492B (zh) | 一种高速公路etc智能自动引导收费系统 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 | |
CN112373482A (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
CN112622921A (zh) | 一种检测司机异常驾驶行为的方法、装置及电子设备 | |
CN109785464A (zh) | 一种出租车远程监控及驾驶行为评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |