CN112132376B - 一种非机动车骑行品质评价方法 - Google Patents

一种非机动车骑行品质评价方法 Download PDF

Info

Publication number
CN112132376B
CN112132376B CN202010672892.5A CN202010672892A CN112132376B CN 112132376 B CN112132376 B CN 112132376B CN 202010672892 A CN202010672892 A CN 202010672892A CN 112132376 B CN112132376 B CN 112132376B
Authority
CN
China
Prior art keywords
riding
degree
axis
dynamic
acceleration
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
Application number
CN202010672892.5A
Other languages
English (en)
Other versions
CN112132376A (zh
Inventor
倪颖
周诗旖
陈佳琪
李逸昕
王诗菡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010672892.5A priority Critical patent/CN112132376B/zh
Publication of CN112132376A publication Critical patent/CN112132376A/zh
Application granted granted Critical
Publication of CN112132376B publication Critical patent/CN112132376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种非机动车骑行品质评价方法，包括以下步骤：基于受控实验和实地骑行实验，得到动态骑行特征参数计算公式。根据自然骑行实验，获取骑行行为数据和骑行者满意度评分。基于骑行行为数据，利用动态骑行特征参数计算公式，得到自然骑行实验涉及路段的动态骑行特征参数；获取初始评价指标，基于初始评价指标、动态骑行特征参数和骑行者满意度评分，利用有序Logit回归模型得到关键评价指标；利用关键评价指标和骑行者满意度评分建立随机森林骑行品质评价模型，输入真实骑行数据，得到真实骑行数据对应路段的品质评价。与现有技术相比，品质评价更加客观和精确。

Description

一种非机动车骑行品质评价方法
技术领域
本发明涉及非机动车骑行领域，尤其是涉及一种非机动车骑行品质评价方法。
背景技术
在全球环境污染加剧的背景下，自行车受到更多的关注，出行比例不断增加，政府部门也希望提高其出行比例。但一直以来受到小汽车为主导的城市道路建设的影响，自行车出行的利益被忽视，骑行环境的安全性存在隐患，舒适性需要提高，急需要建立科学、合理、全面、可操作自行车骑行品质评价体系，作为设施规划设计、运行管理的有力依据。
传统的骑行品质评价体系或借鉴机动车交通分析思路侧重评价交通流指标，或基于个人主观感受调查，均有一定的局限性。国内的研究多借鉴机动车交通分析思路，侧重于交通流特性评价指标，如骑行速度、占道面积、超车数、延误等。国外的研究者多从自行车出行者的角度出发，基于主观意愿调查，基于调研数据进行分析或建模得出出行品质评价。其中，自行车服务水平模型(BLOS)被广泛用于自行车交通规划、设计、策略制定，许多研究基于这些模型进行优化，但这种研究方式需要较大样本量，且评价指标主要以交通设施类为主，缺乏骑行相关数据，不能完全解释骑行环境。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种非机动车骑行品质评价方法。
本发明的目的可以通过以下技术方案来实现：
一种非机动车骑行品质评价方法，该方法包括以下步骤：
步骤S1：基于受控实验和实地骑行实验，得到动态骑行特征参数计算公式。
步骤S2：根据自然骑行实验，获取骑行行为数据和骑行者满意度评分。
步骤S3：基于骑行行为数据，利用动态骑行特征参数计算公式，得到自然骑行实验涉及路段的动态骑行特征参数；
步骤S4：获取初始评价指标，基于初始评价指标、动态骑行特征参数和骑行者满意度评分，利用有序Logit回归模型得到关键评价指标；
步骤S5：利用关键评价指标和骑行者满意度评分建立随机森林骑行品质评价模型，输入真实骑行数据，得到真实骑行数据对应路段的品质评价。
所述的骑行行为数据和真实骑行数据通过安装于自行车的摄像头和9轴姿态角度传感器获取。
所述动态骑行特征参数包括骑行与否特征、颠簸程度特征、纵向稳定性特征和横向稳定性特征，动态骑行特征参数基于x-y-z坐标系，骑行前方为y轴，垂直方向为z轴，右侧横向为x轴。
所述的骑行与否特征通过z轴加速度az的波动水平得到，az与预设z轴加速度阈值比较确定骑行与否；所述纵向稳定性特征通过y轴加速度ay得到，ay与预设y轴加速度阈值比较确定加速过程与减速过程。
所述的az大于1.1g或小于0.9g判断为骑行，所述ay≥0.168g时判断为加速过程，所述ay≤-0.294g判断为减速过程。
所述的颠簸程度特征通过z轴加速度的均方根得到，计算公式为：
Figure BDA0002582974420000021
其中，T为统计样本的时间长度，az为z轴加速度，azT为z轴加速度的均方根，azT与预设颠簸程度阈值比较得到颠簸程度。
所述的azT≤0.1337g时，颠簸程度为低，azT∈(0.1337g，0.2583g)时，颠簸程度为中，azT≥0.2583g时，颠簸程度为高。
所述的横向稳定性特征包括横向失衡程度和横向失衡时间，所述横向失衡时间通过z轴与竖直方向夹角θz得到，计算公式为：
Figure BDA0002582974420000022
其中，σ为θz的标准差，
Figure BDA0002582974420000023
为均值，Z为归一标准化值；
所述横向失衡呈通过z轴角速度ωz的均方根得到，计算公式为：
Figure BDA0002582974420000031
其中，T为统计样本的时间长度，ωzT为z轴角速度ωz的均方根，ωzT与预设失衡程度阈值比较得到失衡程度。
所述的Z≥2或Z≤-2时，判断为横向稳定性失衡过程。
所述的关键评价指标包括人非分隔类型、周边用地类型、机动车流量、行人流量、机非分隔类型、非机动车流量、横向失衡程度、减速时间和横向失衡时间。
与现有技术相比，本发明具有以下优点：
(1)骑行行为数据等数据通过安装于自行车的摄像头和9轴姿态角度传感器获取，可以收集到骑行过程中客观且高质量的数据。
(2)将动态骑行特征参数纳入指标评价中，这一过程运用有序Logit回归模型的客观手段，完善了评价的解释性，同时提高了关键评价指标的精度。
(3)在骑行品质评价模型建立前，合理且客观的筛选关键评价指标，提高了骑行品质评价模型的精度。
附图说明
图1为本发明的流程图；
图2为本发明的骑行行为数据获取示意图；
图3为本发明的关键评价指标获取示意图；
图4为本发明的随机森林骑行品质评价模型构建示意图；
图5为本发明实施例选取范围图；
图6为本发明实施例骑行品质地图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种非机动车骑行品质评价方法，包括步骤：
(一)实验自行车设计
实验自行车设计及对应三维坐标系如图2所示，竖杆靠左把手处竖直安装运动摄像头GoPro Hero3+，拍摄骑行前方实况，辅助数据分析及验证实验有效性。靠左把手处水平安装9轴姿态角度传感器，采集三维方向的加速度、角速度及角度，并设定采集频率，有效评估自行车动态骑行特征参数。正前方骑行方向为y轴方向，垂直方向为z轴方向，右横向为x轴方向。
(二)进行控制实验及实地骑行实验，得到动态骑行特征参数计算公式
基于控制实验获得骑行与否特征、颠簸程度特征、纵向稳定性特征(均为常见的骑行品质的动态参数)，基于实地骑行实验优化横向稳定性特征的分析与识别。
其中：
(1)骑行与否特征：
基于时间序列的z轴加速度的波动水平判断是否为骑行状态，z轴加速度az大于1.1g或小于0.9g的第一个点为骑行与非骑行状态的分界点。
(2)颠簸程度特征：
基于z轴加速度的均方根来表示路面的整体颠簸情况，计算公式为：
Figure BDA0002582974420000041
式中：az为某时刻z轴方向的加速度；T为统计样本的时间长度。
其中，azT≤0.1337g时，颠簸程度为低；azT∈(0.1337g，0.2583g)时，颠簸程度为中；azT≥0.2583g时，颠簸程度为高。
(3)纵向稳定性特征：
基于y轴加速度判断纵向稳定性：ay≥0.168g时，有加速过程存在；ay≤-0.294g时，有减速过程存在。
(4)横向稳定性特征：
横向稳定性特征包括横向失衡程度和横向失衡时间，横向失衡时间通过z轴与竖直方向夹角θz得到，根据z-score标准化算法公式进行判断，公式为：
Figure BDA0002582974420000042
式中：σ为θz的标准差。
其中，Z≥2或Z≤-2时，即判断为处于横向稳定性失衡过程中。
z轴角速度ωz的均方根衡量横向稳定性的失衡程度，公式为：
Figure BDA0002582974420000051
式中：ωzT为z轴角速度ωz的均方根；T为统计样本的时间长度。
表1动态骑行特征参数的意义及公式
Figure BDA0002582974420000052
(三)设计并进行自然骑行实验，获取骑行行为数据和骑行者满意度评分
基于路网调查，以涵盖差异性较大路段为原则，选定实验地点，记录路段断面设计要素、周边环境要素及交通流要素。组织骑行者在实验路网上使用上述实验自行车进行实验，调查时间段内均为晴天。运动摄像头全程记录骑行前方视野，数据传感器采集到时间频率为0.1s的骑行特征数据，包括三维方向的加速度、角速度及角度。骑行者每骑行完成一个路段，为该路段的骑行品质进行评分，服务品质的评分为5分制，1分至5分分别表示非常不满意、不满意、一般满意、满意及非常满意，满意程度随分值逐步增加。由骑行行为数据和(二)中计算公式得到自然骑行实验涉及路段的动态骑行特征参数。
(四)初始骑行品质评价指标
通过对国内外既有相关研究的梳理，提炼相应的评价指标。指标重点关注出行的安全性、舒适性两大方面。安全性指标：机非分隔类型、机动车流量、非机动车流量、行人流量、人非分隔类型、横向稳定性，舒适性指标：纵向稳定性、颠簸程度、路边停车、公交站数量、出入口数量、周边用地类型。
(五)筛选关键评价指标
自然骑行实验得到342份骑行行为数据和对应的骑行者满意度评分，将动态骑行特征参数归一化处理，转为无量纲参数，映射数据到0-1范围内，相关计算公式及意义如表1所示。
表2有序Logit模型结果对比
Figure BDA0002582974420000061
基于初始评价指标，结合动态骑行特征参数和骑行者满意度评分，使用有序Logit回归模型进一步进行评价指标的筛选，得出对骑行品质有显著影响的关键评价指标。
本次有序Logit模型样本量为342，被解释变量观察值Y为对应的骑行者满意度评分，分别表示非常不满意、不满意、一般满意、满意及非常满意。影响因素X即从初始骑行品质评价指标和动态骑行特征参数中进行筛选。相对于模型2，模型1纳入动态骑行特征参数，分别是横向失衡程度、横向失衡时间及减速时间，结果如下表2所示。模型1的R2相比于模型2提高约0.08，说明动态骑行特征参数的加入能够提高模型的精度。最终筛选出对骑行品质有显著影响的9个关键评价指标：人非分隔类型、周边用地类型、机动车流量、行人流量、机非分隔类型、非机动车流量、横向失衡程度、减速时间、横向失衡时间。
(六)建立骑行品质评价模型
基于筛选所得9个关键评价指标作为输入参数，使用随机森林模型建立骑行品质评价模型，随机森林模型构建过程如图4所示。选定一定的路网范围，基于骑行品质评价模型，得出各路段的分数，绘制骑行品质评价地图，直观得出城市道路自行车骑行品质。
本实施例以上海市杨浦区某一路网为例，试验范围如图5所示。静态交通设施类参数根据实地情况进行记录，骑行数据通过摄像头和9轴姿态角度传感器获取，按照上述方法流程对数据进行处理，通过骑行品质评价模型，得到路段自行车骑行品质，根据其得分绘制骑行品质地图。
本实施例各路段输入参数如下表3所示，骑行品质地图如图6所示。
表3模型应用输入参数
Figure BDA0002582974420000071
其中：机非分隔类型/人非分隔类型：0-无物理分隔、1-有物理分隔；机动车流量/非机动车流量/行人流量：1-低、2-中、3-高；用地类型：0-非商业用地、1-商业用地。

Claims (2)

1.一种非机动车骑行品质评价方法，其特征在于，该方法包括以下步骤：
步骤S1：基于受控实验和实地骑行实验，得到动态骑行特征参数计算公式；
步骤S2：根据自然骑行实验，获取骑行行为数据和骑行者满意度评分；
步骤S3：基于骑行行为数据，利用动态骑行特征参数计算公式，得到自然骑行实验涉及路段的动态骑行特征参数；
步骤S4：获取初始评价指标，基于初始评价指标、动态骑行特征参数和骑行者满意度评分，利用有序Logit回归模型得到关键评价指标；
步骤S5：利用关键评价指标和骑行者满意度评分建立随机森林骑行品质评价模型，输入真实骑行数据，得到真实骑行数据对应路段的品质评价；
所述动态骑行特征参数包括骑行与否特征、颠簸程度特征、纵向稳定性特征和横向稳定性特征，动态骑行特征参数基于x-y-z坐标系，骑行前方为y轴，垂直方向为z轴，右侧横向为x轴；
所述的骑行与否特征通过z轴加速度az的波动水平得到，az与预设z轴加速度阈值比较确定骑行与否；所述纵向稳定性特征通过y轴加速度ay得到，ay与预设y轴加速度阈值比较确定加速过程与减速过程；
所述的az大于1.1g或小于0.9g判断为骑行，所述ay≥0.168g时判断为加速过程，所述ay≤-0.294g判断为减速过程；
所述的颠簸程度特征通过z轴加速度的均方根得到，计算公式为：
Figure FDA0003939349580000011
其中，T为统计样本的时间长度，az为z轴加速度，azT为z轴加速度的均方根，azT与预设颠簸程度阈值比较得到颠簸程度；
所述的azT≤0.1337g时，颠簸程度为低，azT∈(0.1337g，0.2583g)时，颠簸程度为中，azT≥0.2583g时，颠簸程度为高；
所述的横向稳定性特征包括横向失衡程度和横向失衡时间，所述横向失衡时间通过z轴与竖直方向夹角θz得到，计算公式为：
Figure FDA0003939349580000021
其中，σ为θz的标准差，
Figure FDA0003939349580000022
为均值，Z为归一标准化值；
所述横向失衡程度通过z轴角速度ωz的均方根得到，计算公式为：
Figure FDA0003939349580000023
其中，T为统计样本的时间长度，ωzT为z轴角速度ωz的均方根，ωzT与预设失衡程度阈值比较得到失衡程度；
所述的Z≥2或Z≤-2时，判断为横向稳定性失衡过程；
所述的骑行行为数据和真实骑行数据通过安装于自行车的摄像头和9轴姿态角度传感器获取。
2.根据权利要求1所述的一种非机动车骑行品质评价方法，其特征在于，所述的关键评价指标包括人非分隔类型、周边用地类型、机动车流量、行人流量、机非分隔类型、非机动车流量、横向失衡程度、减速时间和横向失衡时间。
CN202010672892.5A 2020-07-14 2020-07-14 一种非机动车骑行品质评价方法 Active CN112132376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010672892.5A CN112132376B (zh) 2020-07-14 2020-07-14 一种非机动车骑行品质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010672892.5A CN112132376B (zh) 2020-07-14 2020-07-14 一种非机动车骑行品质评价方法

Publications (2)

Publication Number Publication Date
CN112132376A CN112132376A (zh) 2020-12-25
CN112132376B true CN112132376B (zh) 2023-02-07

Family

ID=73850233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010672892.5A Active CN112132376B (zh) 2020-07-14 2020-07-14 一种非机动车骑行品质评价方法

Country Status (1)

Country Link
CN (1) CN112132376B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793056A (zh) * 2021-09-24 2021-12-14 上海交通大学 面向多源数据的街道可骑行指数动态评估实现方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015178066A1 (ja) * 2014-05-22 2015-11-26 ソニー株式会社 情報処理装置および情報処理方法
CN107290156A (zh) * 2017-07-01 2017-10-24 长安大学 一种评价路面自行车骑行舒适性的方法及装置
CN108777066A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合线性模型的非机动车道服务水平评价方法
CN108776650A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合高斯模型的非机动车道服务水平评价方法
CN109190871A (zh) * 2018-07-05 2019-01-11 北京交通大学 一种基于vr技术的非机动车道路段服务水平测算方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85107759A (zh) * 1985-10-26 1986-05-10 赵兴龙 强陀螺，超稳定单点接地车
JPH1135298A (ja) * 1997-07-15 1999-02-09 Toyota Autom Loom Works Ltd 産業車両用揺動制御装置
US6527291B1 (en) * 1999-10-08 2003-03-04 Carl R. Hurtig Upright comfort bicycle with improved safety

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015178066A1 (ja) * 2014-05-22 2015-11-26 ソニー株式会社 情報処理装置および情報処理方法
CN107290156A (zh) * 2017-07-01 2017-10-24 长安大学 一种评价路面自行车骑行舒适性的方法及装置
CN108777066A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合线性模型的非机动车道服务水平评价方法
CN108776650A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合高斯模型的非机动车道服务水平评价方法
CN109190871A (zh) * 2018-07-05 2019-01-11 北京交通大学 一种基于vr技术的非机动车道路段服务水平测算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于路面振动和光电容积脉搏波的骑行效果评价研究;刘俊山;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20200615(第06期);第6-40页 *

Also Published As

Publication number Publication date
CN112132376A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN109448369B (zh) 高速公路实时运行风险计算方法
CN103235891B (zh) 基于车辆垂向振动系统辨识的路面识别系统及方法
CN109050535B (zh) 一种基于车辆姿态的快速地形工况辨识方法
CN103895649B (zh) 一种驾驶员安全驾驶预警方法
CN107145989A (zh) 基于人‑车‑交通路况的实际行驶工况构建方法
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
CN107705635B (zh) 信号交叉口电动自行车的交通冲突判别方法
CN104792937A (zh) 一种基于车载重力加速度传感器的桥头跳车检测评价方法
CN106651210A (zh) 基于can数据的驾驶人综合素质评价方法
CN112132376B (zh) 一种非机动车骑行品质评价方法
CN113554877B (zh) 一种基于可变限速的长上坡交通流稳定性提升方法
CN111080158A (zh) 一种基于复合权重的城市路口通行危险指数评价方法
CN107180534B (zh) 支持向量回归机融合的高速公路路段平均速度估计方法
CN109405962B (zh) 一种道路交通噪声频谱计算方法
CN107742177A (zh) 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法
CN105489016B (zh) 一种城市道路运行情况评估方法
CN114359877A (zh) 基于融合特征的无人履带车辆道路类型识别方法和系统
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN112129290A (zh) 用于监测骑行设备的系统及方法
CN105468888A (zh) 一种汽车运动控制性能的评估方法及装置
Yang et al. Effects of personal factors on bicycle commuting in developing countries: case study of Nanjing, China
CN114550442B (zh) 一种基于车路协同的自动驾驶车辆状态评估及预警方法
CN112801482B (zh) 一种数据驱动的非机动车骑行适宜性评价系统
CN106529778A (zh) 基于智能手机的公共汽车乘车舒适性指标构建方法
CN112308171A (zh) 一种基于模拟驾驶器的车辆位置预测建模方法

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