CN111833616A - 面向网联货车超载识别的数据质量控制方法及装置 - Google Patents
面向网联货车超载识别的数据质量控制方法及装置 Download PDFInfo
- Publication number
- CN111833616A CN111833616A CN202010666564.4A CN202010666564A CN111833616A CN 111833616 A CN111833616 A CN 111833616A CN 202010666564 A CN202010666564 A CN 202010666564A CN 111833616 A CN111833616 A CN 111833616A
- Authority
- CN
- China
- Prior art keywords
- data
- truck
- acceleration
- preset
- average speed
- 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.)
- Granted
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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向网联货车超载识别的数据质量控制方法及装置,本发明基于大量的历史货车逐秒数据,分析了不同道路类型、货车类型及平均速度区间下的货车加速度分布特征,从而建立了各道路类型、货车类型及平均速度区间下的货车加速度分布模型,最终得到了货车的加速度分布模型库,是考虑了不同类型货车在实际道路运行时在不同道路类型及平均速度下的加速度随机性特征,从而建立的货车加速度分布模型库能够体现货车的加速度随机性特征;从而,将该货车加速度分布模型库应用于货车运行数据重构方法,能够实现网联货车不连续数据或速度精度不满足需求的数据的快速修正,使得重构的数据能够符合货车的加速度随机性特征。
Description
技术领域
本发明涉及数据重构技术领域,具体涉及一种面向网联货车超载识别的数据质量控制方法及装置。
背景技术
目前重型货车作为公路运输的载运工具,承担了繁重的货物运输任务。在追求利益的市场经济环境下,超载超限现象十分普遍,严重危害公共交通安全,同时对国家的道路、桥梁安全也形成了较大的威胁。对于重型货车的载重识别这一问题,目前基于功率分布与自学习的货车超载识别方法能够实现路网实时运行的重型货车载重的快速有效识别,其中,货车功率需基于逐秒货车运行数据中的速度和加速度进行计算,且速度精度至少需要保留一位小数。而网联车设备在采集货车的逐秒运行数据时,网联车设备经常出现1秒甚至几秒的数据时间缺口或采集的速度数据为整数,这些数据质量问题直接导致货车功率计算不准确,进一步导致货车超载识别不准确。因此,对网联实时采集的不连续货车运行数据或精度不满足要求的货车速度数据进行重构是尤为必要的。
目前,对于采集的货车速度数据不满足精度要求的情况,现有研究未建立方法对小数部分补齐。对于采集的货车运行数据不连续的情况,目前主要采用非线性插值方法进行数据重构。非线性插值方法主要包括三次Hermite插值、三次样条插值和拉格朗日插值。非线性插值法对缺失的数据重构原理为根据数据采集的缺失点前后速度值和时间值进行拟合建立非线性插值等数学函数,根据建立的数学函数对缺失点的速度进行重构。由于实际道路交通状态的复杂性和驾驶行为的不确定性,货车的加速度具备随机性特征,但是运用非线性插值方法得到的重构轨迹与实际采集的轨迹相比过于平滑,不能刻画货车在实际道路运行时的加减速随机性特征,进而也导致货车功率计算不准确,也进一步导致货车超载识别不准确。
发明内容
有鉴于此,本发明实施例提供了一种面向网联货车超载识别的数据质量控制方法及装置,以解决现有的不连续数据重构方法不能刻画货车的加速度随机性特征的问题。
根据第一方面,本发明实施例提供了一种面向网联货车超载识别的数据质量控制方法,包括:获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;对第二货车速度数据进行检测,识别需重构的数据的位置;根据第二地理信息数据确定货车运行的第二道路类型;根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间;根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数;根据需重构的数据紧邻的上一个数据及加速度随机数计算得到需重构的数据的补足数据;根据补足数据对货车运行数据进行重构。
可选地,对第二货车速度数据进行检测,识别需重构的数据的位置,包括:根据第二货车速度数据计算第二货车速度数据的小数位数;判断第二货车速度数据的小数位数是否大于或等于第一预设阈值;如果小数位数大于或等于第一预设阈值,计算各相邻第二货车速度数据之间的时间差;判断时间差是否满足第二预设阈值;如果时间差满足第二预设阈值,确定时间差满足第二预设阈值的两个第二货车速度数据为非连续数据,时间差满足第二预设阈值的两个第二货车速度数据之间的位置为需重构的数据的位置。
可选地,如果小数位数小于第一预设阈值,计算小数位数小于第一预设阈值的第二货车速度数据与相邻的第二货车速度数据之间的时间差;判断时间差是否满足第三预设阈值;如果时间差满足第三预设阈值,确定小数位数小于第一预设阈值的第二货车速度数据为需要补齐小数位数的数据。
可选地,需重构的数据为非连续数据,在根据补足数据对货车运行数据进行重构之前,还包括:根据补足数据及补足数据的下一个数据计算加速度值;判断加速度随机数、加速度值是否在预设加速度阈值范围内;如果加速度随机数、加速度值在预设加速度阈值范围内,根据补足数据对货车非连续数据进行重构。
可选地,如果加速度随机数不在预设加速度阈值范围内或加速度值不在预设加速度阈值范围内,返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。
可选地,需重构的数据为需要补齐小数位数的数据,在根据补足数据对货车运行数据进行重构之前,还包括:对补足数据进行取整;判断补足数据的取整值是否等于需要补齐小数位数的数据的值,以及加速度随机数是否在预设加速度阈值范围内;如果补足数据的取整值等于需要补齐小数位数的数据的值,以及加速度随机数在预设加速度阈值范围内,根据补足数据对货车需要补齐小数位数的数据进行重构。
可选地,如果补足数据的取整值不等于需要补齐小数位数的数据的值,或加速度随机数不在预设加速度阈值范围内,返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。
可选地,货车加速度分布模型库通过如下步骤建立:获取货车历史运行数据,货车历史运行数据包括地理信息数据、货车类型及货车速度数据;根据地理信息数据确定货车运行的道路类型;根据各道路类型预设的第一时间周期将货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;根据第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;根据各平均速度区间内的货车速度数据计算各平均速度区间内货车的加速度数据;根据道路类型、货车类型及第二预设聚类模型分别将各平均速度区间内货车的加速度数据进行聚类,得到各道路类型、货车类型及平均速度区间下的货车加速度分布;将各道路类型、货车类型及平均速度区间下的货车加速度分布进行拟合,得到各道路类型、货车类型及平均速度区间下的货车加速度分布模型;根据各道路类型、货车类型及平均速度区间下的货车加速度分布模型构建货车加速度分布模型库。
可选地,货车加速度分布模型库的建立步骤还包括:根据各道路类型、货车类型及平均速度区间下货车加速度分布模型分别统计各道路类型、货车类型及平均速度区间下货车加速度的第一预设百分数及第二预设百分数的分位数;根据第一预设百分数及第二预设百分数的分位数确定各道路类型、货车类型及平均速度区间下货车加速度的阈值范围。
可选地,地理信息数据包括第一经纬度数据,根据地理信息数据确定货车运行的道路类型,包括:获取地理信息系统数据,地理信息系统数据包括第二经纬度数据和道路类型数据;根据第一经纬度数据、第二经纬度数据和道路类型数据确定货车运行的道路类型。
可选地,第一聚类模型为:
Speed bin=n,n≤vaverage<n+2;
其中,Speed bin为平均速度区间,vaverage为第一时间周期内货车的平均速度。
可选地,通过如下公式计算各平均速度区间内货车的加速度数据:
其中,a为机动车加速度(m/s2),vt和vt+1分别为货车当前秒和下一秒的速度(km/h)。
可选地,第二聚类模型为:
Acceleration bin=n,0.1×n≤a<0.1×n+0.1,n∈[-30,30];
其中,Acceleration bin为加速度区间(m/s2);a为机动车逐秒加速度(m/s2)。
根据第二方面,本发明实施例提供了一种面向网联货车超载识别的数据质量控制装置,包括:第二获取模块,获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;检测模块,用于对第二货车速度数据进行检测,识别需重构的数据的位置;第二确定模块,用于根据第二地理信息数据确定货车运行的第二道路类型;第三计算模块,用于根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;第三聚类模块,用于根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;第三确定模块,用于根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间;获取模块,用于根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数;第四计算模块,用于根据需重构的数据紧邻的上一个数据及加速度随机数计算得到需重构的数据的补足数据;重构模块,用于根据补足数据对货车运行数据进行重构。
根据第三方面,本发明实施例提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的面向网联货车超载识别的数据质量控制方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的面向网联货车超载识别的数据质量控制方法。
本发明实施例提供的面向网联货车超载识别的数据质量控制方法及装置,通过获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;对第二货车速度数据进行检测,识别需重构的数据的位置;根据第二地理信息数据确定货车运行的第二道路类型;根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间,从而可以得到需重构数据对应的的货车类型、第二道路信息及平均速度区间,基于得到的需重构数据对应的的货车类型、第二道路信息及平均速度区间,从而可以从预设的货车加速度分布模型库中选取相应的加速度分布模型,产生加速度随机数,进而对需重构的数据进行重构,能够实现网联货车不连续数据的快速修正,使得重构的数据能够符合货车的加速度随机性特征。并且,基于该货车加速度分布模型库的货车运行数据重构方法,也可以对货车速度精度不满足要求的数据进行小数补齐,弥补了现有技术中缺乏速度小数补齐方法的缺陷。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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示出了本发明实施例的面向网联货车超载识别的数据质量控制方法的流程图;
图2示出了本发明实施例的货车加速度分布模型库建立方法的流程图;
图3示出了本发明实施例快速路、平均速度为50km/h下的不同车重加速度分布对比图;
图4示出了本发明实施例重型货车在平均速度为40km/h下的不同道路类型加速度分布对比图;
图5示出了本发明实施例轻型货车在快速路上不同平均速度下的加速度分布对比图;
图6(a)-6(d)示出了本发明实施例重型货车在快速路上平均速度为38km/h下的加速度分布概率密度拟合结果图;
图7示出了本发明实施例的面向网联货车超载识别的数据质量控制装置的结构框图;
图8示出了本发明实施例的计算机设备的结构框图。
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,本领域技术人员在没有作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。
本发明实施例提供了一种面向网联货车超载识别的数据质量控制方法,如图1所示,包括:
S201.获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;具体地,第二地理信息数据包括经度数据和维度数据。第二货车类型根据货车的车重进行划分,主要分为轻型货车、中型货车和重型货车。第二货车速度数据为货车逐秒速度数据。
S202.对第二货车速度数据进行检测,识别需重构的数据的位置;具体地,对第二货车速度数据进行检测,可以检测出存在质量问题的数据,例如非连续数据、精度不满足要求的速度数据、错误数据等。需重构的数据可以是相邻数据间时间差满足第二预设阈值的非连续的速度数据或相邻数据间时间差满足第一预设阈值且精度不满足要求的速度数据。而针对错误数据,相邻数据间时间差大于第二预设阈值的非连续数据,相邻数据间时间差大于第一预设阈值且精度不满足要求的速度数据,可以进行标定,不参与货车的超载识别。
S203.根据第二地理信息数据确定货车运行的第二道路类型;具体地,地理信息系统数据记录了经度数据、维度数据与其对应的快速路信息,根据地第二理信息数据可以匹配地理信息系统数据,得到货车运行的第二道路类型。第二道路类型主要分为快速路和非快速路这两种道路类型。在不同道路类型下,加速度分布特征存在差异,因此需要确定货车运行的第二道路类型。
S204.根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;具体地,将第二货车速度数据进行短程划分的目的是为了能够更加准确地匹配不同平均速度区间下的加速度分布模型。因此,在本发明实施例中,快速路以60秒的时间粒度进行短程划分,非快速路以180秒的时间粒度进行短程划分,非快速路短程划分时间更长的原因在于非快速路上包括交叉口,180秒既可以包含机动车在基本路段的行驶特征,又可以包含其在交叉口的行驶特征。在完成短程划分后,根据各短程内的货车速度数据,可以计算到每个短程内的平均速度。
S205.根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;具体地,对每个短程进行平均速度计算后,可以以一定步长将计算到的每个短程的平均速度进行聚类,得到多个平均速度区间。第一聚类模型可以为:
Speed bin=n,n≤vaverage<n+2;
其中,Speed bin为平均速度区间,vaverage为第一时间周期内货车的平均速度。
S206.根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间;具体地,根据需重构的数据的位置及各平均速度区间内的第二货车速度数据,可以对应得到需重构的数据所属的平均速度区间。
S207.根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数;具体地,根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间,可以选取相应的加速度分布模型产生加速度随机数。
S208.根据需重构的数据紧邻的上一个数据及加速度随机数计算得到需重构的数据的补足数据;具体地,新生成的速度为:vt补=vt-1+3.6×at,其中,vt补为补足数据,vt-1为需重构的数据紧邻的上一个数据,at为加速度随机数。
S209.根据补足数据对货车运行数据进行重构。
本发明实施例提供的面向网联货车超载识别的数据质量控制方法,通过获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;对第二货车速度数据进行检测,识别需重构的数据的位置;根据第二地理信息数据确定货车运行的第二道路类型;根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间,从而可以得到需重构数据对应的的货车类型、第二道路信息及平均速度区间,基于得到的需重构数据对应的的货车类型、第二道路信息及平均速度区间,从而可以从预设的货车加速度分布模型库中选取相应的加速度分布模型,产生加速度随机数,进而对需重构的数据进行重构,能够实现网联货车不连续数据的快速修正,使得重构的数据能够符合货车的加速度随机性特征。并且,基于该货车加速度分布模型库的货车运行数据重构方法,也可以对货车速度精度不满足要求的数据进行小数补齐,弥补了现有技术中缺乏速度小数补齐方法的缺陷。
在可选的实施例中,货车加速度分布模型库通过如下步骤建立:如图2所示,包括:
S101.获取货车历史运行数据,货车历史运行数据包括地理信息数据、货车类型及货车速度数据;具体地,地理信息数据包括经度数据和维度数据。货车类型根据货车的车重进行划分,主要分为轻型货车、中型货车和重型货车。货车速度数据为货车逐秒速度数据。
S102.根据地理信息数据确定货车运行的道路类型;具体地,地理信息系统数据记录了经度数据、维度数据与其对应的快速路信息,根据地理信息数据可以匹配地理信息系统数据,得到货车运行的道路类型。道路类型主要分为快速路和非快速路这两种道路类型。在不同道路类型下,加速度分布特征存在差异,因此确定货车运行的道路类型,对不同道路类型进行货车的加速度分布特征的分析是有必要的。
S103.根据各道路类型预设的第一时间周期将货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;具体地,将货车速度数据进行短程划分的目的是为了能够更加准确地刻画不同平均速度下的加速度分布特征。其中短程划分的时间过长,会使得短程包含多种行驶状态而无法刻画货车在实际道路上的加速度分布特征。因此,在本发明实施例中,为了能够体现不同平均速度在的货车行驶特征,不至于使多种行驶状态相互干扰,快速路以60秒的时间粒度进行短程划分,非快速路以180秒的时间粒度进行短程划分,非快速路短程划分时间更长的原因在于非快速路上包括交叉口,180秒既可以包含机动车在基本路段的行驶特征,又可以包含其在交叉口的行驶特征。在完成短程划分后,根据各短程内的货车速度数据,可以计算到每个短程内的平均速度。
S104.根据第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;具体地,对每个短程进行平均速度计算后,可以以一定步长将计算到的每个短程的平均速度进行聚类,得到多个平均速度区间。
S105.根据各平均速度区间内的货车速度数据计算各平均速度区间内货车的加速度数据;具体地,根据每个平均速度区间内的逐秒货车速度数据,可以计算得到每个平均速度区间内的货车的加速度数据。
S106.根据道路类型、货车类型及第二预设聚类模型分别将各平均速度区间内货车的加速度数据进行聚类,得到各道路类型、货车类型及平均速度区间下的货车加速度分布;具体地,计算到每个平均速度区间内的货车的加速度数据后,可以依据道路类型、货车类型以及聚类规则对每个平均速度区间内的货车加速度数据进行聚类,得到基于不同道路类型、货车类型及平均速度区间的货车加速度分布。例如,图3为快速路、平均速度为50km/h下的不同车重加速度分布对比,可以看到,随着车重的增大,加速度分布更加集中。原因是车重越大,车辆的惯性越大,车辆运行更加平稳。图4为重型货车在平均速度为40km/h下的不同道路类型加速度分布对比,可以看到,快速路的加速度分布更加集中,非快速路更加分散。原因是非快速路上有信号灯,车辆经过交叉口时,存在停车和启动的情况,这时产生的加速度较大。图5为轻型货车在快速路上不同平均速度下的加速度分布对比,可以看到,随着速度的增加,加速度分布更加集中。原因是当速度较高时,车辆逐渐趋向于自由流状态,考虑道路限速及驾驶舒适度两方面的因素,驾驶员尽可能保持平稳行驶,因此加速度分布更加集中。
S107.将各道路类型、货车类型及平均速度区间下的货车加速度分布进行拟合,得到各道路类型、货车类型及平均速度区间下的货车加速度分布模型;具体地,对不同车重、道路类型、平均速度区间下的加速度分布进行概率密度拟合后,可以得到了相应条件下的货车加速度分布模型。加速度分布模型建立的思路是运用多种概率密度函数分别对不同车重、道路类型、平均速度区间下的加速度分布概率密度进行拟合,每个加速度分布选取拟合优度最高的概率密度函数作为该分布下的加速度分布模型。
例如,图6(a)-6(d)为重型货车在快速路上平均速度为38km/h下的加速度分布概率密度拟合结果,其中,图6(a)为Laplace分布拟合结果,图6(b)为高斯分布拟合结果,图6(c)为对数正态分布拟合结果,图6(d)为韦伯分布拟合结果。本实施例中仅展示了四种概率密度函数的拟合结果,但并不以此为限。通过对比多种概率密度函数的拟合优度,确定最佳的概率密度函数。
通过对不同车重、道路类型及平均速度下的加速度分布的概率密度函数进行多次地拟合,可得到货车的加速度分布模型库,表1为加速度分布模型库示例。
表1
S108.根据各道路类型、货车类型及平均速度区间下的货车加速度分布模型构建货车加速度分布模型库。
本发明实施例提供的货车加速度分布模型库,基于大量的历史货车逐秒数据,分析了不同道路类型、货车类型及平均速度区间下的货车加速度分布特征,从而建立了各道路类型、货车类型及平均速度区间下的货车加速度分布模型,从而得到了货车加速度分布模型库,是考虑了不同类型货车在实际道路运行时,在不同道路类型及平均速度下的加速度随机性特征,从而建立的货车加速度分布模型库能够体现货车的加速度随机性特征;从而,将该货车加速度分布模型库应用于货车运行数据重构方法,能够实现网联货车不连续数据的快速修正,使得重构的数据能够符合货车的加速度随机性特征。
在可选的实施例中,货车加速度分布模型库建立步骤还包括:根据各道路类型、货车类型及平均速度区间下货车加速度分布模型分别统计各道路类型、货车类型及平均速度区间下货车加速度的第一预设百分数及第二预设百分数的分位数;根据第一预设百分数及第二预设百分数的分位数确定各道路类型、货车类型及平均速度区间下货车加速度的阈值范围。
具体地,加速度分布特征模型用于生成加速度随机数对速度精度不满足或非连续数据进行修正,而修正后轨迹的加速度值是否符合货车的实际行驶特征,需要挖掘货车在不同瞬时速度下的加速度波动范围,用于数据修正后的轨迹校验。本发明实施例中分别统计不同车重、道路类型及平均速度区间下的加速度的99%分位数和1%分位数作为加速度的阈值。
通过确定各道路类型、货车类型及平均速度区间下货车加速度的阈值范围,可以为后续的速度小数补齐及非连续数据重构的轨迹校验提供关键参数。
在可选的实施例中,地理信息数据包括第一经纬度数据,根据地理信息数据确定货车运行的道路类型,包括:获取地理信息系统数据,地理信息系统数据包括第二经纬度数据和道路类型数据;根据第一经纬度数据、第二经纬度数据和道路类型数据确定货车运行的道路类型。
具体地,由于地理信息系统数据和货车历史运行数据共有经纬度数据,通过经纬度数据的匹配,可以获取每条逐秒货车数据的道路类型信息。通过获取地理信息系统数据,可以快速得到货车运行的道路类型。
在可选的实施例中,第一聚类模型为:
Speed bin=n,n≤vaverage<n+2;
其中,Speed bin为平均速度区间,vaverage为第一时间周期内货车的平均速度。
通过将第一聚类模型的步长设置为2,可以较密集地得到货车的平均速度区间,从而建立的货车加速度模型分布较为密集。
在可选的实施例中,通过如下公式计算各平均速度区间内货车的加速度数据:
其中,a为机动车加速度(m/s2),vt和vt+1分别为货车当前秒和下一秒的速度(km/h)。
在可选的实施例中,第二聚类模型为:
Acceleration bin=n,0.1×n≤a<0.1×n+0.1,n∈[-30,30];
其中,Acceleration bin为加速度区间(m/s2);a为机动车逐秒加速度(m/s2)。
在可选的实施例中,对第二货车速度数据进行检测,识别需重构的数据的位置,包括:根据第二货车速度数据计算第二货车速度数据的小数位数;判断第二货车速度数据的小数位数是否大于或等于第一预设阈值;如果小数位数大于或等于第一预设阈值,计算各相邻第二货车速度数据之间的时间差;判断时间差是否满足第二预设阈值;如果时间差满足第二预设阈值,确定时间差满足第二预设阈值的两个第二货车速度数据为非连续数据,时间差满足第二预设阈值的两个第二货车速度数据之间的位置为需重构的数据的位置。如果小数位数小于第一预设阈值,计算小数位数小于第一预设阈值的第二货车速度数据与相邻的第二货车速度数据之间的时间差;判断时间差是否满足第三预设阈值;如果时间差满足第三预设阈值,确定小数位数小于第一预设阈值的第二货车速度数据为需要补齐小数位数的数据。
具体地,第一预设阈值为1,第二预设阈值为(1,2],第三预设阈值为1。对于第二货车速度数据精度的判定,可以计算货车的第二速度数据的小数位数,当小数位数小于1位时,则视为速度精度不满足要求,相反,则视为速度精度满足要求,如果速度精度不满足要求,则进一步计算速度精度不满足要求的当前速度数据的时间与上一条数据的时间差Δt,当Δt等于1时,视为数据连续但是精度不满足要求,需要进行速度的小数补齐。当Δt大于1时,则对数据进行标记,不参与后续的货车超载识别。
对于第二货车速度数据连续性的判定,可以在完成速度精度满足要求的判定后,进一步计算速度精度满足要求的当前速度数据的时间与上一条数据的时间差Δt,当1<Δt≤2时,视为非连续数据,需要进行缺失速度数据的重构;当Δt大于2时,则对数据进行标记,不参与后续的货车超载识别;当Δt=1时,则视为连续数据,可直接用于货车的超载识别。
通过对第二货车速度数据进行检测,可以识别速度精度不满要求的第二货车速度数据以及连续性不满足要求的第二货车速度数据,可以为后续对需要重构的数据进行准确的判断。
在可选的实施例中,需重构的数据为非连续数据,在根据补足数据对货车运行数据进行重构之前,还包括:根据补足数据及补足数据的下一个数据计算加速度值;判断加速度随机数、加速度值是否在预设加速度阈值范围内;如果加速度随机数、加速度值在预设加速度阈值范围内,根据补足数据对货车非连续数据进行重构。如果加速度随机数不在预设加速度阈值范围内或加速度值不在预设加速度阈值范围内,返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。
具体地,对速度小数位数进行补齐时,需要对补齐小数位数的第二货车速度的轨迹进行校验。轨迹校验的目的是保证在对速度小数进行补齐的同时,货车的加速度范围符合货车的实际行驶轨迹。在对速度小数补齐时需要满足以下两个条件,两个条件中有一个不满足要求,则需要重新返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。两个条件为:
2)补齐小数后的速度与上一秒速度的加速度值在阈值范围内,其中加速度阈值范围的设定方法参见上述货车加速度分布模型库建立步骤的实施例中的描述,在此不再赘述。
在可选的实施例中,需重构的数据为需要补齐小数位数的数据,在根据补足数据对货车运行数据进行重构之前,还包括:对补足数据进行取整;判断补足数据的取整值是否等于需要补齐小数位数的数据的值,以及加速度随机数是否在预设加速度阈值范围内;如果补足数据的取整值等于需要补齐小数位数的数据的值,以及加速度随机数在预设加速度阈值范围内,根据补足数据对货车需要补齐小数位数的数据进行重构。如果补足数据的取整值不等于需要补齐小数位数的数据的值,或加速度随机数不在预设加速度阈值范围内,返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。
具体地,对非连续数据进行重构后,需要对重构后的第二货车速度数据进行轨迹校验。轨迹校验的目的是保证在对缺失速度进行重构的同时,货车的加速度范围符合货车的实际行驶特征。在对缺失数据重构时需要满足以下两个条件,两个条件中有一个不满足则返回执行根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数的步骤。两个条件为:
1)重构后的速度与上一秒速度的加速度值在阈值范围内,其中加速度阈值范围的设定方法参见上述货车加速度分布模型库建立步骤的实施例中的描述,在此不再赘述。
2)重构后的速度与下一秒速度的加速度值在阈值范围内,其中加速度阈值范围的设定方法参见上述货车加速度分布模型库建立步骤的实施例中的描述,在此不再赘述。
本发明实施例提供了一种面向网联货车超载识别的数据质量控制装置,如图7所示,包括:
第二获取模块41,获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;具体的实施方式详见上述实施例步骤S201的描述,在此不再赘述。
检测模块42,用于对第二货车速度数据进行检测,识别需重构的数据的位置;具体的实施方式详见上述实施例步骤S202的描述,在此不再赘述。
第二确定模块43,用于根据第二地理信息数据确定货车运行的第二道路类型;具体的实施方式详见上述实施例步骤S203的描述,在此不再赘述。
第三计算模块44,用于根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;具体的实施方式详见上述实施例步骤S204的描述,在此不再赘述。
第三聚类模块45,用于根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;具体的实施方式详见上述实施例步骤S205的描述,在此不再赘述。
第三确定模块46,用于根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间;具体的实施方式详见上述实施例步骤S206的描述,在此不再赘述。
获取模块47,用于根据第二货车类型、第二道路类型、需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到需重构的数据对应的加速度随机数;具体的实施方式详见上述实施例步骤S207的描述,在此不再赘述。
第四计算模块48,用于根据需重构的数据紧邻的上一个数据及加速度随机数计算得到需重构的数据的补足数据;具体的实施方式详见上述实施例步骤S208的描述,在此不再赘述。
重构模块49,用于根据补足数据对货车运行数据进行重构。具体的实施方式详见上述实施例步骤S209的描述,在此不再赘述。
本发明实施例提供的面向网联货车超载识别的数据质量控制装置,通过获取货车运行数据,货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;对第二货车速度数据进行检测,识别需重构的数据的位置;根据第二地理信息数据确定货车运行的第二道路类型;根据第二道路类型预设的第一时间周期将第二货车速度数据进行划分,并计算各第一时间周期内货车的平均速度;根据预设第一预设聚类模型将平均速度进行聚类,得到多个平均速度区间;根据需重构的数据的位置及各平均速度区间确定需重构的数据对应的平均速度区间,从而可以得到需重构数据对应的的货车类型、第二道路信息及平均速度区间,基于得到的需重构数据对应的的货车类型、第二道路信息及平均速度区间,从而可以从预设的货车加速度分布模型库中选取相应的加速度分布模型,产生加速度随机数,进而对需重构的数据进行重构,能够实现网联货车不连续数据的快速修正,使得重构的数据能够符合货车的加速度随机性特征。并且,基于该货车加速度分布模型库的货车运行数据重构方法,也可以对货车速度精度不满足要求的数据进行小数补齐,弥补了现有技术中缺乏速度小数补齐方法的缺陷。
本发明实施例还提供了一种计算机设备,如图8所示,包括:处理器31和存储器32,其中处理器31和存储器32可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的面向网联货车超载识别的数据质量控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的面向网联货车超载识别的数据质量控制方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器31所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的一个或者多个模块存储在存储器32中,当被处理器31执行时,执行如图1所示实施例中面向网联货车超载识别的数据质量控制方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (16)
1.一种面向网联货车超载识别的数据质量控制方法,其特征在于,包括:
获取货车运行数据,所述货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;
对所述第二货车速度数据进行检测,识别需重构的数据的位置;
根据所述第二地理信息数据确定所述货车运行的第二道路类型;
根据所述第二道路类型预设的第一时间周期将所述第二货车速度数据进行划分,并计算各所述第一时间周期内货车的平均速度;
根据预设第一预设聚类模型将所述平均速度进行聚类,得到多个平均速度区间;
根据所述需重构的数据的位置及各所述平均速度区间确定所述需重构的数据对应的平均速度区间;
根据所述第二货车类型、第二道路类型、所述需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到所述需重构的数据对应的加速度随机数;
根据所述需重构的数据紧邻的上一个数据及所述加速度随机数计算得到所述需重构的数据的补足数据;
根据所述补足数据对所述货车运行数据进行重构。
2.根据权利要求1所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述对所述第二货车速度数据进行检测,识别需重构的数据的位置,包括:
根据所述第二货车速度数据计算所述第二货车速度数据的小数位数;
判断所述第二货车速度数据的小数位数是否大于或等于第一预设阈值;
如果所述小数位数大于或等于第一预设阈值,计算各相邻所述第二货车速度数据之间的时间差;
判断所述时间差是否满足第二预设阈值;
如果所述时间差满足第二预设阈值,确定所述时间差满足第二预设阈值的两个所述第二货车速度数据为非连续数据,所述时间差满足第二预设阈值的两个所述第二货车速度数据之间的位置为需重构的数据的位置。
3.根据权利要求2所述的面向网联货车超载识别的数据质量控制方法,其特征在于,
如果所述小数位数小于第一预设阈值,计算所述小数位数小于第一预设阈值的所述第二货车速度数据与相邻的所述第二货车速度数据之间的时间差;
判断所述时间差是否满足第三预设阈值;
如果所述时间差满足第三预设阈值,确定所述小数位数小于第一预设阈值的所述第二货车速度数据为需要补齐小数位数的数据。
4.根据权利要求1所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述需重构的数据为非连续数据,在所述根据所述补足数据对所述货车运行数据进行重构之前,还包括:
根据所述补足数据及所述补足数据的下一个数据计算加速度值;
判断所述加速度随机数、所述加速度值是否在预设加速度阈值范围内;
如果所述加速度随机数、所述加速度值在预设加速度阈值范围内,根据所述补足数据对所述货车非连续数据进行重构。
5.根据权利要求4所述的面向网联货车超载识别的数据质量控制方法,其特征在于,
如果所述加速度随机数不在预设加速度阈值范围内或所述加速度值不在预设加速度阈值范围内,返回执行根据所述第二货车类型、第二道路类型、所述需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到所述需重构的数据对应的加速度随机数的步骤。
6.根据权利要求1所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述需重构的数据为需要补齐小数位数的数据,在所述根据所述补足数据对所述货车运行数据进行重构之前,还包括:
对所述补足数据进行取整;
判断所述补足数据的取整值是否等于所述需要补齐小数位数的数据的值,以及所述加速度随机数是否在预设加速度阈值范围内;
如果所述补足数据的取整值等于所述需要补齐小数位数的数据的值,以及所述加速度随机数在预设加速度阈值范围内,根据所述补足数据对所述货车需要补齐小数位数的数据进行重构。
7.根据权利要求6所述的面向网联货车超载识别的数据质量控制方法,其特征在于,
如果所述补足数据的取整值不等于所述需要补齐小数位数的数据的值,或所述加速度随机数不在预设加速度阈值范围内,返回执行根据所述第二货车类型、第二道路类型、所述需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到所述需重构的数据对应的加速度随机数的步骤。
8.根据权利要求1所述的面向网联货车超载识别的数据质量控制方法,所述货车加速度分布模型库通过如下步骤建立:
获取货车历史运行数据,所述货车历史运行数据包括地理信息数据、货车类型及货车速度数据;
根据所述地理信息数据确定所述货车运行的道路类型;
根据各道路类型预设的第一时间周期将所述货车速度数据进行划分,并计算各所述第一时间周期内货车的平均速度;
根据第一预设聚类模型将所述平均速度进行聚类,得到多个平均速度区间;
根据各所述平均速度区间内的所述货车速度数据计算各所述平均速度区间内货车的加速度数据;
根据所述道路类型、所述货车类型及第二预设聚类模型分别将各所述平均速度区间内货车的加速度数据进行聚类,得到各所述道路类型、货车类型及平均速度区间下的货车加速度分布;
将各所述道路类型、货车类型及平均速度区间下的货车加速度分布进行拟合,得到各所述道路类型、货车类型及平均速度区间下的货车加速度分布模型;
根据各所述道路类型、货车类型及平均速度区间下的货车加速度分布模型构建货车加速度分布模型库。
9.根据权利要求8所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述货车加速度分布模型库的建立步骤还包括:
根据各所述道路类型、货车类型及平均速度区间下货车加速度分布模型分别统计各所述道路类型、货车类型及平均速度区间下货车加速度的第一预设百分数及第二预设百分数的分位数;
根据所述第一预设百分数及第二预设百分数的分位数确定各所述道路类型、货车类型及平均速度区间下货车加速度的阈值范围。
10.根据权利要求8所述的面向网联货车超载识别的数据质量控制方法,其特征在于,地理信息数据包括第一经纬度数据,所述根据所述地理信息数据确定所述货车运行的道路类型,包括:
获取地理信息系统数据,所述地理信息系统数据包括第二经纬度数据和道路类型数据;
根据所述第一经纬度数据、第二经纬度数据和道路类型数据确定所述货车运行的道路类型。
11.根据权利要求8所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述第一聚类模型为:
Speed bin=n,n≤vaverage<n+2;
其中,Speed bin为平均速度区间,vaverage为第一时间周期内货车的平均速度。
13.根据权利要求8所述的面向网联货车超载识别的数据质量控制方法,其特征在于,所述第二聚类模型为:
Acceleration bin=n,0.1×n≤a<0.1×n+0.1,n∈[-30,30];
其中,Acceleration bin为加速度区间(m/s2);a为机动车逐秒加速度(m/s2)。
14.一种面向网联货车超载识别的数据质量控制装置,其特征在于,包括:
第二获取模块,获取货车运行数据,所述货车运行数据包括第二地理信息数据、第二货车类型及第二货车速度数据;
检测模块,用于对所述第二货车速度数据进行检测,识别需重构的数据的位置;
第二确定模块,用于根据所述第二地理信息数据确定所述货车运行的第二道路类型;
第三计算模块,用于根据所述第二道路类型预设的第一时间周期将所述第二货车速度数据进行划分,并计算各所述第一时间周期内货车的平均速度;
第三聚类模块,用于根据预设第一预设聚类模型将所述平均速度进行聚类,得到多个平均速度区间;
第三确定模块,用于根据所述需重构的数据的位置及各所述平均速度区间确定所述需重构的数据对应的平均速度区间;
获取模块,用于根据所述第二货车类型、第二道路类型、所述需重构的数据对应的平均速度区间及预设货车加速度分布模型库,得到所述需重构的数据对应的加速度随机数;
第四计算模块,用于根据所述需重构的数据紧邻的上一个数据及所述加速度随机数计算得到所述需重构的数据的补足数据;
重构模块,用于根据所述补足数据对所述货车运行数据进行重构。
15.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-13任意一项所述的面向网联货车超载识别的数据质量控制方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-13任意一项所述的面向网联货车超载识别的数据质量控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666564.4A CN111833616B (zh) | 2020-07-10 | 2020-07-10 | 面向网联货车超载识别的数据质量控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666564.4A CN111833616B (zh) | 2020-07-10 | 2020-07-10 | 面向网联货车超载识别的数据质量控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833616A true CN111833616A (zh) | 2020-10-27 |
CN111833616B CN111833616B (zh) | 2021-11-16 |
Family
ID=72900575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010666564.4A Active CN111833616B (zh) | 2020-07-10 | 2020-07-10 | 面向网联货车超载识别的数据质量控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833616B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241472A (zh) * | 2015-11-17 | 2016-01-13 | 厦门雅迅网络股份有限公司 | 一种基于obd车速的车辆行驶里程统计方法及装置 |
CN109215347A (zh) * | 2018-10-22 | 2019-01-15 | 北京航空航天大学 | 一种基于众包轨迹数据的交通数据质量控制方法 |
CN110597649A (zh) * | 2019-09-06 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、系统及装置 |
CN110956800A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视系统技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
-
2020
- 2020-07-10 CN CN202010666564.4A patent/CN111833616B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241472A (zh) * | 2015-11-17 | 2016-01-13 | 厦门雅迅网络股份有限公司 | 一种基于obd车速的车辆行驶里程统计方法及装置 |
CN110956800A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视系统技术有限公司 | 一种路段交通数据预处理方法、装置及电子设备 |
CN109215347A (zh) * | 2018-10-22 | 2019-01-15 | 北京航空航天大学 | 一种基于众包轨迹数据的交通数据质量控制方法 |
CN110597649A (zh) * | 2019-09-06 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、系统及装置 |
Non-Patent Citations (2)
Title |
---|
ZUFEN LI 等: "Developing Operating Mode Distributions from Sparse Trajectories for Emission Estimation", 《TRANSPORTATION RESEARCH RECORD:JOURNAL OF TRANSPORTATION RESEARCH BOARD》 * |
翟志强: "面向路段交通排放评价的机动车比功率分布不确定性分析", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111833616B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN108335485B (zh) | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 | |
CN111127931B (zh) | 一种智能网联汽车的车路云协同方法、装置及系统 | |
CN109784254B (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN112348848A (zh) | 一种交通参与者的信息生成方法及系统 | |
CN113155173A (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN116434529B (zh) | 城际公路货运特征分析方法、装置和电子设备 | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及系统 | |
CN114162133B (zh) | 驾驶场景的风险评估方法、装置和计算机可读存储介质 | |
CN111833616B (zh) | 面向网联货车超载识别的数据质量控制方法及装置 | |
CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN117238112A (zh) | 一种桥梁结构健康监测预警的方法及相关设备 | |
Feng et al. | Modelling and simulation for safe following distance based on vehicle braking process | |
CN112615604A (zh) | 智能驾驶感知系统的滤波方法、装置及电子设备 | |
CN112729862B (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 | |
CN115588008A (zh) | 基于视觉的单车规范摆放的判定方法及其应用 | |
CN115050007A (zh) | 牵引车以及拖板车的识别方法、装置及电子设备、存储介质 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN114419894A (zh) | 一种路内停车泊位设置与使用监测的方法与系统 | |
CN112581060A (zh) | 基于车辆装卸点的配货需求度检测方法、装置及设备 | |
CN110161544B (zh) | 一种车辆驾驶状态的识别方法、装置及存储介质 | |
CN110827152A (zh) | 一种保险评估方法、系统及服务器 | |
CN111325869A (zh) | 一种车辆疲劳驾驶精确判断方法、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |