CN112149908B - 车辆驾驶预测方法、系统、计算机设备及可读存储介质 - Google Patents

车辆驾驶预测方法、系统、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN112149908B
CN112149908B CN202011038208.4A CN202011038208A CN112149908B CN 112149908 B CN112149908 B CN 112149908B CN 202011038208 A CN202011038208 A CN 202011038208A CN 112149908 B CN112149908 B CN 112149908B
Authority
CN
China
Prior art keywords
user
driving behavior
current period
model
behavior habit
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
CN202011038208.4A
Other languages
English (en)
Other versions
CN112149908A (zh
Inventor
蒋磊
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.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202011038208.4A priority Critical patent/CN112149908B/zh
Publication of CN112149908A publication Critical patent/CN112149908A/zh
Application granted granted Critical
Publication of CN112149908B publication Critical patent/CN112149908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • B60W2050/0029—Mathematical model of the driver
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Educational Administration (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车辆驾驶预测方法，所述方法包括：监测用户驾驶车辆时的车辆运行数据；将所述车辆运行数据转换为用于描述用户行为习惯的参数指标；根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中；通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率；及根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率。本发明提供的车辆驾驶预测方法，可以根据参数向量和用户习惯高效地预测用户下一步会有出现什么行为，并根据各种行为出现的概率来预测事故发生概率，使得用户可以调整不良驾驶行为习惯，减少事故的发生。

Description

车辆驾驶预测方法、系统、计算机设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车辆驾驶预测方法、系统、计算机设备以及计算机可读存储介质。
背景技术
随着车辆的逐年增加，交通事故严重威胁人们的生命财产安全。为降低交通事故发生率，传统的解决方案是：从交通道路、外界环境、汽车性能等因素进行分析，以在交通事故发生时向驾驶员发出警报，提供躲避事故的躲避措施，因此，国内外很多机构都在研究汽车碰撞预警系统。
然而，本发明人认为：用户的驾驶行为习惯，才是导致事故发生的重要因素。在汽车行驶过程中，情况瞬息万变，对应不同的道路情况进行习惯性的反应，才是事故发生的重要因素。因此，有必要提供一种车辆驾驶预测方法，来根据用户习惯高效地预测用户应对场景下的行为和相应的事故概率。
发明内容
本发明的目的是提供一种车辆驾驶预测方法、系统、计算机设备以及计算机可读存储介质，用于根据用户习惯高效地预测下一步的行为，从而进一步预测发生事故的概率。
本发明的一个方面提供了一种车辆驾驶预测方法，所述方法包括：监测用户驾驶车辆时的车辆运行数据；将所述车辆运行数据转换为用于描述用户行为习惯的参数指标；根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中；通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率；及根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率。
可选的，所述将所述参数向量输入训练好的用户驾驶行为习惯模型中的步骤包括：S1：创建主线程、第一副线程和第二副线程；第一副线程加载有第一用户驾驶行为习惯模型，所述第二幅线程加载有第二用户驾驶行为习惯模型，所述第一用户驾驶行为习惯模型和所述第二用户驾驶行为模块均为所述用户驾驶行为习惯模型；S2：通过所述主线程获取当前周期的车辆运行数据，并根据所述当前周期的车辆运行数据生成相应的当前周期的参数指标；S3：通过所述主线程将所述当前周期的参数指标传送至所述第一副线程中；S4：通过所述第一副线程根据所述当前周期的参数指标生成当前周期的参数向量，将所述当前周期的参数向量输入到所第一用户驾驶行为习惯模型，并根据所述第一用户驾驶行为习惯模型输出预测结果；S5：通过所述主线程获取所述当前周期的实际结果以及从所述第一副线程中获取所述当前周期对应的预测结果，将所述当前周期的参数指标、所述当前周期的预测结果和实际结果输入到所述第二副线程中；S6：通过所述第二副线程根据所述当前周期的参数指标、所述当前周期的预测结果和实际结果，修改所述第二用户驾驶行为习惯模型的模型参数；重复执行步骤S2至步骤S6直至到达预设时间长度之后，通过所述主线程获取所述第二副线程中的更新后的第二用户驾驶行为习惯模型，并将所述更新后的第二用户驾驶行为习惯模型加载到所述第一副线程中，以替换所述第一用户驾驶行为习惯模型，以使所述第一副线程基于所述更新后的第二用户驾驶习惯模型进行预测操作。
可选的，在所述步骤S1之后，所述方法还包括：维持所述第一副线程处于工作状态；检测所述车辆是否处于稳定路段；及若所述车辆处于所述稳定路段，则启动所述第二副线程，否则暂停所述第二副线程。
可选的，在所述步骤S6之后，所述方法还包括：将修改后的模型参数上传至区块链中。
可选的，所述用户驾驶行为习惯模型为基于LSTM-CNN的深度神经网络；所述将所述参数向量输入训练好的用户驾驶行为习惯模型中的步骤，包括：将所述参数向量输入到所述用户驾驶行为习惯模型中的LSTM模块中，以通过所述LSTM模块得到输出向量；及将该输出向量输入至所述用户驾驶行为习惯模型中的CNN模块中，以通过所述CNN模块输出预测结果。
可选的，在所述根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率的步骤之后，所述方法还包括：根据预测出的所述事故概率，对用户行为习惯进行校正。
可选的，所述根据预测出的所述事故概率，对用户行为习惯进行校正包括：当检测到所述事故概率处于预定等级时，则将所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为；及将所述最优行为提供给所述用户，以便用户根据所述最优行为纠正驾驶行为。
本发明的再一个方面提供了一种车辆驾驶预测系统，所述系统包括：监测模块，用于监测用户驾驶车辆时的车辆运行数据；转换模块，用于将所述车辆运行数据转换为用于描述用户行为习惯的参数指标；输入模块，用于根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中；输出模块，用于通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率；及预测模块，用于根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率。
本发明的再一个方面提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行上述计算机程序时用于实现如上任一项所述的车辆驾驶预测方法的步骤。
本发明的又一个方面提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时用于实现如上任一项所述的车辆驾驶预测方法的步骤。
本发明提供的车辆驾驶预测方法、系统、计算机设备以及计算机可读存储介质，可以根据参数向量和用户习惯预测用户下一步会有出现什么行为，并根据各种行为出现的概率来预测事故发生概率，使得用户可以调整不良驾驶行为习惯，减少事故的发生。另外，本发明中的车辆预测过程并不是直接使用车辆运行数据，而是根据所述车辆运行数据进行计算转换，得到用于描述用户行为习惯的参数指标，此方式有效降低了用户驾驶行为习惯模型的计算资源消耗，并且维持高的预测效率。
附图说明
图1示意性示出了根据本发明实施例一的车辆驾驶预测方法的流程图；
图2示意性示出了根据本发明实施例一中的预测与在线训练的并行步骤流程图；
图3示意性示出了根据本发明实施例二的车辆驾驶预测系统的框图；以及
图4示意性示出了根据本发明实施例三的适于实现车辆驾驶预测方法的计算机设备的硬件架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。
实施例一
本实施例以计算机设备作为单一执行主体，以进行示例性描述。
图1示意性示出了根据本发明实施例一的车辆驾驶预测方法的流程图。
如图1所示，该车辆驾驶预测方法可以包括步骤S100～步骤S108，其中：
步骤S100，监测用户驾驶车辆时的车辆运行数据。
在示例性的实施例中，可以通过各个控制系统和各个感应系统，读取和存储各个控制系统和感应系统(如，发动机控制系统、变速器控制系统、车辆线控转向系统、制动器控制系统、仪表盘控制系统、速度感应系统等等)的运行数据。在另一些实施例中，也可以借助外部设备，如行车记录仪获取部分或全部车辆运行数据。
在示例性的实施例中，所述车辆运行数据包括，但不限于：行驶速度、转向数据、刹车数据等。例如：行驶速度：可以通过速度感应系统、变速器控制系统中的至少一种，来获取所述行驶速度；转向数据：可以监听车辆线控转向系统或者方向盘感应系统，以获得转向数据；刹车数据：可以通过刹车系统或行驶速度得到。
步骤S102，将所述车辆运行数据转换为用于描述用户行为习惯的参数指标。
所述参数指标可以是预先设定各种指标。
在示例性的实施例中，所述参数指标包括以下一个或多个：驾驶时间段、驾驶速度、是否变道、是否超车、驾驶场景、是否跟车、是否刹车、刹车距离、操作反应时长、驾驶时长、是否违法、车辆类型。通过以上参数指标至少可以知道：
1.用户的分时段驾驶速度；
2.用户改变车道的车辆速度及变道速度；
3.用户在超车时的车辆速度及变道速度；
4.用户在分场景的驾驶速度；
5.用户跟车时的时速及距离；
6.用户的刹车的习惯及距离；
7.用户对道路安全法的违法行为情况；
8.用户汽车操作反应时间；
9.用户驾驶汽车的时间及驾驶时间段；
10.用户驾驶汽车的类型。
步骤S104，根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中。
应理解，在本实施例中，计算机设备并不是直接使用车辆运行数据，而是根据所述车辆运行数据进行计算转换，得到用于描述用户行为习惯的参数指标，此方式有效降低了用户驾驶行为习惯模型的计算资源消耗，并且维持高的预测效率。
应理解，所述用户驾驶行为习惯模型可以是通过离线数据、在线数据或离线数据+在线数据训练得到的。作为一种示例，以下提供在线训练过程，或离线+在线训练中的在线训练过程。
在示例性的实施例中，预测与在线训练是并行执行的，在预测过程中亦可以有训练步骤。且如图2所示，所述将所述参数向量输入训练好的用户驾驶行为习惯模型中的步骤包括S1～S8：
S1：创建主线程、第一副线程和第二副线程；第一副线程加载有第一用户驾驶行为习惯模型，所述第二幅线程加载有第二用户驾驶行为习惯模型，所述第一用户驾驶行为习惯模型和所述第二用户驾驶行为模块均为所述用户驾驶行为习惯模型。
S2：通过所述主线程获取当前周期的车辆运行数据，并根据所述当前周期的车辆运行数据生成相应的当前周期的参数指标。
S3：通过所述主线程将所述当前周期的参数指标传送至所述第一副线程中。
S4：通过所述第一副线程根据所述当前周期的参数指标生成当前周期的参数向量，将所述当前周期的参数向量输入到所第一用户驾驶行为习惯模型，并根据所述第一用户驾驶行为习惯模型输出预测结果。
S5：通过所述主线程执行以下步骤：获取所述当前周期的实际结果以及从所述第一副线程中获取所述当前周期对应的预测结果，将所述当前周期的参数指标、所述当前周期的预测结果和实际结果输入到所述第二副线程中。
S6：通过所述第二副线程根据所述当前周期的参数指标、所述当前周期的预测结果和实际结果，修改所述第二用户驾驶行为习惯模型的模型参数。所述模型参数可以包括系数W和偏置项b；这些模型参数可以采用BP(反向传播算法)计算推导出。
S7：判断是否达到预设时间长度。如果是，则进入步骤S2，否则进入步骤S8。
S8：通过所述主线程获取所述第二副线程中的更新后的第二用户驾驶行为习惯模型，并将所述更新后的第二用户驾驶行为习惯模型加载到所述第一副线程中，以替换所述第一用户驾驶行为习惯模型，以使所述第一副线程基于所述更新后的第二用户驾驶习惯模型进行预测操作。
通过步骤S1至步骤S8可知，在本实施例中，实时得到的参数指标，不仅用于预测，同时用于特殊架构(主线程、加载有第一用户驾驶行为习惯模型的第一副线程、加载有第二用户驾驶行为习惯模型的第二副线程)，从而具有以下技术效果：(1)可以利用实时数据进行实时训练，实现小时级别、甚至分钟级别的模型训练。(2)可以减少训练时的计算资源消耗少：所述第一副线程执行首次预测的一批预测结果，可以共享给所述第二副线程，用于所述第二副线程中的BP计算，而不用所述第二副线程重复计算出这批预测结果，从而在一定程度上节省计算资源的消耗。
在示例性的实施例中，在所述步骤S1之后，计算机设备还可以通过所述主线程执行以下步骤：步骤S200，维持所述第一副线程处于工作状态；步骤S202，检测所述车辆是否处于稳定路段；步骤S204，若所述车辆处于所述稳定路段，则启动所述第二副线程，否则暂停所述第二副线程。通过本实施例中的这种计算资源配置方式，即保障了实时预测效率，又可以在空闲时间充分利用计算资源实时在线增量训练。具体的：(1)由于在非稳定路段的复杂情况下，大量预测需要消耗计算资源，为保障及时有效的预测工作，可以暂停所述第二副线程的训练工作，以将计算资源集中用于第一副线程的预测工作中。(2)相比于非稳定路段，稳定路段中的车辆运行变化小，预测工作相对稀疏，此时可以认为是空闲时间。为了充分利用资源，所述第二副线程能够根据当前资源使用情况选择性的在空闲时间进行模型训练。
在示例性的实施例中，所述用户驾驶行为习惯模型为基于LSTM(Long Short-TermMemory，长短期记忆网络)-CNN(Convolutional Neural Networks，卷积神经网络)的深度神经网络；所述步骤S104可以包括步骤S300～S302，其中：步骤S300，将所述参数向量输入到所述用户驾驶行为习惯模型中的LSTM模块中，以通过所述LSTM模块得到输出向量；步骤S302，将该输出向量输入至所述用户驾驶行为习惯模型中的CNN模块中，以通过所述CNN模块输出预测结果。在本实施例中，所述LSTM模块捕获长期依赖性，而所述CNN模块提取时不变特征。经试验发现本结构尤其适用了驾驶行为预测，具有很高的灵敏度和很低的误报率。
需要说明的是，所述参数向量的各个元素为降维和归一之后得到的数值。所述降维在于去重以保留差异化数据。
步骤S106，通过用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率。
即，可以根据参数向量和用户习惯预测用户下一步会有出现什么行为，并根据各种行为出现的概率来预测事故发生概率。
步骤S108，根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率。
具体的，可以根据事故概率进行等级划分，根据不同等级进行相应的响应操作。
在示例性的实施例中，在所述根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率的步骤之后，所述车辆驾驶预测方法还包括：步骤S400，根据预测出的所述事故概率，对用户行为习惯进行校正。
进一步的，所述步骤S400包括：步骤S500，当检测到所述事故概率处于预定等级时，则将所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为；步骤S502，将所述最优行为提供给所述用户，以便用户根据所述最优行为纠正驾驶行为。
作为示例：
事故概率可以分为3级：
第一等级：事故概率比较低，低于20％；
第二等级：事故概率一般，在20％和50％之间；
第三等级：事故概率比较高，高于50％；
当所述事故概率处于第三等级时，可以发起警报或选择最优行为控制车辆的运行，以取代用户控制。
最优行为通过以下步骤得到：
当检测到所述事故概率处于所述第三等级，则所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为。
该最优行为模型可以为通过海量数据训练得到的深度神经网络模型，体现运行数据-最优行为之间的映射关系，即基于该运行数据实时该最优行为，事故概率最低。
用户行为习惯校正步骤：
当检测到所述事故概率处于所述第二或第三等级，则所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为；
将最优行为提供给所述用户，以便用户根据所述最优行为纠正驾驶行为。
在用户行为不断得到纠正之后，用户的用户驾驶行为习惯模型(第二用户驾驶行为习惯模型)在在线训练过程中，亦不断趋近所述最优行为模型。
用户的驾驶行为习惯，是导致事故发生的重要因素。在汽车行驶过程中，情况瞬息万变，对应不同的道路情况进行习惯性的反应，是事故发生的重要因素。可以根据预测结果，预测用户不同的驾驶行为习惯的事故概率。用户可以根据预测结果，调整不良驾驶行为习惯，减少事故的发生。本发明的优点还包括在线的模型使用和训练架构，使得可以不断得到与用户最近最节俭的习惯以便精确判断用户的驾驶行为预测。并通过最优行为模型不断输出和提示用户纠正各种情形下的行为，使得用户的用户驾驶行为习惯模型逐渐趋同于最优行为模型。
另外，在所述步骤S6之后，所述车辆驾驶预测方法还包括：将修改后的模型参数上传至区块链中。在得到修改后的模型参数之后，可以将该修改后的模型参数上传至区块链中，基于模型参数得到对应的摘要信息，具体来说，摘要信息由该更新后的进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证该更新后的是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
实施例二
图3示出了根据本发明实施例二的车辆驾驶预测系统的框图，该车辆驾驶预测系统可以被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，以下描述将具体介绍本实施例中各程序模块的功能。
如图3所示，所述车辆驾驶预测系统300可以包括以下组成部分：
监测模块310，用于监测用户驾驶车辆时的车辆运行数据。
转换模块320，用于将所述车辆运行数据转换为用于描述用户行为习惯的参数指标。
输入模块330，用于根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中。
输出模块340，用于通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率。
预测模块350，用于根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率。
可选的，所述输入模块330用于：S1：创建主线程、第一副线程和第二副线程；第一副线程加载有第一用户驾驶行为习惯模型，所述第二幅线程加载有第二用户驾驶行为习惯模型，所述第一用户驾驶行为习惯模型和所述第二用户驾驶行为模块均为所述用户驾驶行为习惯模型；S2：通过所述主线程获取当前周期的车辆运行数据，并根据所述当前周期的车辆运行数据生成相应的当前周期的参数指标；S3：通过所述主线程将所述当前周期的参数指标传送至所述第一副线程中；S4：通过所述第一副线程根据所述当前周期的参数指标生成当前周期的参数向量，将所述当前周期的参数向量输入到所第一用户驾驶行为习惯模型，并根据所述第一用户驾驶行为习惯模型输出预测结果；S5：通过所述主线程执行以下步骤：获取所述当前周期的实际结果以及从所述第一副线程中获取所述当前周期对应的预测结果，将所述当前周期的参数指标、所述当前周期的预测结果和实际结果输入到所述第二副线程中；S6：通过所述第二副线程根据所述当前周期的参数指标、所述当前周期的预测结果和实际结果，修改所述第二用户驾驶行为习惯模型的模型参数；重复执行步骤S2至步骤S6直至到达预设时间长度之后，通过所述主线程获取所述第二副线程中的更新后的第二用户驾驶行为习惯模型，并将所述更新后的第二用户驾驶行为习惯模型加载到所述第一副线程中，以替换所述第一用户驾驶行为习惯模型，以使所述第一副线程基于所述更新后的第二用户驾驶习惯模型进行预测操作。
可选的，所述预测与训练协同模块，还用于：维持所述第一副线程处于工作状态；检测所述车辆是否处于稳定路段；及若所述车辆处于所述稳定路段，则启动所述第二副线程，否则暂停所述第二副线程。
可选的，还包括上传模块(未图示)：用于将修改后的模型参数上传至区块链中。
可选的，所述用户驾驶行为习惯模型为基于LSTM-CNN的深度神经网络；所述输入模块330还用于：将所述参数向量输入到所述用户驾驶行为习惯模型中的LSTM模块中，以通过所述LSTM模块得到输出向量；及将该输出向量输入至所述用户驾驶行为习惯模型中的CNN模块中，以通过所述CNN模块输出预测结果。
可选的，还包括习惯校正模块(未图示)，用于：根据预测出的所述事故概率，对用户行为习惯进行校正。
可选的，还包括习惯校正模块，还用于：当检测到所述事故概率处于预定等级时，则将所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为；及将所述最优行为提供给所述用户，以便用户根据所述最优行为纠正驾驶行为。
实施例三
图4示意性示出了根据本发明实施例三的适于实现车辆驾驶预测方法的计算机设备的硬件架构示意图。本实施例中，所述计算机设备2其是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以是智能手机、平板电脑、行车记录仪、汽车报警器、车载电子设备或工作站、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图4所示，计算机设备2至少包括但不限于：可通过系统总线相互通信链接存储器21、处理器22、网络接口23。其中：
存储器21至少包括一种类型的计算机可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储模块，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(SmartMedia Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储模块也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如车辆驾驶预测方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，简称为CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作，例如执行与计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据。
网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在计算机设备2与其他计算机设备之间建立通信连接。例如，网络接口23用于通过网络将计算机设备2与外部终端相连，在计算机设备2与外部终端之间的建立数据传输通道和通信连接等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystem of Mobile communication，简称为GSM)、宽带码分多址(Wideband Code DivisionMultiple Access，简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图4仅示出了具有部件21-23的计算机设备，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的车辆驾驶预测方法还可以被分割为一个或者多个程序模块，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
实施例四
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例中的车辆驾驶预测方法的步骤。
本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中的车辆驾驶预测方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种车辆驾驶预测方法，其特征在于，所述方法包括：
监测用户驾驶车辆时的车辆运行数据；
将所述车辆运行数据转换为用于描述用户行为习惯的参数指标；
根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中；
通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率；及
根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率；
其中，所述将所述参数向量输入训练好的用户驾驶行为习惯模型中的步骤包括：
S1：创建主线程、第一副线程和第二副线程；所述第一副线程加载有第一用户驾驶行为习惯模型，所述第二副线程加载有第二用户驾驶行为习惯模型，所述第一用户驾驶行为习惯模型和所述第二用户驾驶行为模块均为所述用户驾驶行为习惯模型；
S2：通过所述主线程获取当前周期的车辆运行数据，并根据所述当前周期的车辆运行数据生成相应的当前周期的参数指标；
S3：通过所述主线程将所述当前周期的参数指标传送至所述第一副线程中；
S4：通过所述第一副线程根据所述当前周期的参数指标生成当前周期的参数向量，将所述当前周期的参数向量输入到所第一用户驾驶行为习惯模型，并根据所述第一用户驾驶行为习惯模型输出预测结果；
S5：通过所述主线程获取所述当前周期的实际结果以及从所述第一副线程中获取所述当前周期对应的预测结果，将所述当前周期的参数指标、所述当前周期的预测结果和实际结果输入到所述第二副线程中；
S6：通过所述第二副线程根据所述当前周期的参数指标、所述当前周期的预测结果和实际结果，修改所述第二用户驾驶行为习惯模型的模型参数；
重复执行步骤S2至步骤S6直至到达预设时间长度之后，通过所述主线程获取所述第二副线程中的更新后的第二用户驾驶行为习惯模型，并将所述更新后的第二用户驾驶行为习惯模型加载到所述第一副线程中，以替换所述第一用户驾驶行为习惯模型，以使所述第一副线程基于所述更新后的第二用户驾驶习惯模型进行预测操作。
2.根据权利要求1所述的车辆驾驶预测方法，其特征在于，在所述步骤S1之后，所述方法还包括：
维持所述第一副线程处于工作状态；
检测所述车辆是否处于稳定路段；及
若所述车辆处于所述稳定路段，则启动所述第二副线程，否则暂停所述第二副线程。
3.根据权利要求1所述的车辆驾驶预测方法，其特征在于，在所述步骤S6之后，所述方法还包括：将修改后的模型参数上传至区块链中。
4.根据权利要求1所述的车辆驾驶预测方法，其特征在于，所述用户驾驶行为习惯模型为基于LSTM-CNN的深度神经网络；所述将所述参数向量输入训练好的用户驾驶行为习惯模型中的步骤，包括：
将所述参数向量输入到所述用户驾驶行为习惯模型中的LSTM模块中，以通过所述LSTM模块得到输出向量；及
将该输出向量输入至所述用户驾驶行为习惯模型中的CNN模块中，以通过所述CNN模块输出预测结果。
5.根据权利要求1所述的车辆驾驶预测方法，其特征在于，在所述根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率的步骤之后，所述方法还包括：
根据预测出的所述事故概率，对用户行为习惯进行校正。
6.根据权利要求5所述的车辆驾驶预测方法，其特征在于，所述根据预测出的所述事故概率，对用户行为习惯进行校正包括：当检测到所述事故概率处于预定等级时，将所述运行数据输入到最优行为模型中，以通过所述最优行为模型得到最优行为；及
将所述最优行为提供给所述用户，以便用户根据所述最优行为纠正驾驶行为。
7.一种车辆驾驶预测系统，其特征在于，所述系统包括：
监测模块，用于监测用户驾驶车辆时的车辆运行数据；
转换模块，用于将所述车辆运行数据转换为用于描述用户行为习惯的参数指标；
输入模块，用于根据所述参数指标生成参数向量，并将所述参数向量输入训练好的用户驾驶行为习惯模型中；
输出模块，用于通过所述用户驾驶行为习惯模型基于所述参数向量输出预测结果，该预测结果包括各个行为的出现概率；及
预测模块，用于根据所述用户驾驶行为习惯模型输出的预测结果，预测事故概率；
其中，所述输入模块用于：S1：创建主线程、第一副线程和第二副线程；第一副线程加载有第一用户驾驶行为习惯模型，所述第二副线程加载有第二用户驾驶行为习惯模型，所述第一用户驾驶行为习惯模型和所述第二用户驾驶行为模块均为所述用户驾驶行为习惯模型；S2：通过所述主线程获取当前周期的车辆运行数据，并根据所述当前周期的车辆运行数据生成相应的当前周期的参数指标；S3：通过所述主线程将所述当前周期的参数指标传送至所述第一副线程中；S4：通过所述第一副线程根据所述当前周期的参数指标生成当前周期的参数向量，将所述当前周期的参数向量输入到所第一用户驾驶行为习惯模型，并根据所述第一用户驾驶行为习惯模型输出预测结果；S5：通过所述主线程执行以下步骤：获取所述当前周期的实际结果以及从所述第一副线程中获取所述当前周期对应的预测结果，将所述当前周期的参数指标、所述当前周期的预测结果和实际结果输入到所述第二副线程中；S6：通过所述第二副线程根据所述当前周期的参数指标、所述当前周期的预测结果和实际结果，修改所述第二用户驾驶行为习惯模型的模型参数；重复执行步骤S2至步骤S6直至到达预设时间长度之后，通过所述主线程获取所述第二副线程中的更新后的第二用户驾驶行为习惯模型，并将所述更新后的第二用户驾驶行为习惯模型加载到所述第一副线程中，以替换所述第一用户驾驶行为习惯模型，以使所述第一副线程基于所述更新后的第二用户驾驶习惯模型进行预测操作。
8.一种计算机设备，包括存储器、处理器以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计算机程序时用于实现权利要求1至6任一项所述车辆驾驶预测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时用于实现权利要求1至6任一项所述车辆驾驶预测方法的步骤。
CN202011038208.4A 2020-09-28 2020-09-28 车辆驾驶预测方法、系统、计算机设备及可读存储介质 Active CN112149908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011038208.4A CN112149908B (zh) 2020-09-28 2020-09-28 车辆驾驶预测方法、系统、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011038208.4A CN112149908B (zh) 2020-09-28 2020-09-28 车辆驾驶预测方法、系统、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112149908A CN112149908A (zh) 2020-12-29
CN112149908B true CN112149908B (zh) 2023-09-08

Family

ID=73895627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011038208.4A Active CN112149908B (zh) 2020-09-28 2020-09-28 车辆驾驶预测方法、系统、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112149908B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393669A (zh) * 2021-06-11 2021-09-14 阿波罗智联(北京)科技有限公司 交通工具的控制方法、装置、设备、介质及程序产品
CN114343661B (zh) * 2022-03-07 2022-05-27 西南交通大学 高铁司机反应时间估计方法、装置、设备及可读存储介质
CN117422169B (zh) * 2023-10-18 2024-06-25 酷哇科技有限公司 基于因果干预的车险用户驾驶行为分析与预测方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
CN107563512A (zh) * 2017-08-24 2018-01-09 腾讯科技（上海）有限公司 一种数据处理方法、装置以及存储介质
CN108248609A (zh) * 2016-12-29 2018-07-06 现代自动车株式会社 混合动力车辆和在混合动力车辆中预测驾驶样式的方法
CN110321422A (zh) * 2018-03-28 2019-10-11 腾讯科技（深圳）有限公司 在线训练模型的方法、推送方法、装置以及设备
CN110386145A (zh) * 2019-06-28 2019-10-29 北京理工大学 一种目标驾驶员驾驶行为实时预测系统
CN111081021A (zh) * 2019-12-30 2020-04-28 泰康保险集团股份有限公司 一种行车安全控制方法、行车安全装置、移动终端及支架

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
CN108248609A (zh) * 2016-12-29 2018-07-06 现代自动车株式会社 混合动力车辆和在混合动力车辆中预测驾驶样式的方法
CN107563512A (zh) * 2017-08-24 2018-01-09 腾讯科技（上海）有限公司 一种数据处理方法、装置以及存储介质
CN110321422A (zh) * 2018-03-28 2019-10-11 腾讯科技（深圳）有限公司 在线训练模型的方法、推送方法、装置以及设备
CN110386145A (zh) * 2019-06-28 2019-10-29 北京理工大学 一种目标驾驶员驾驶行为实时预测系统
CN111081021A (zh) * 2019-12-30 2020-04-28 泰康保险集团股份有限公司 一种行车安全控制方法、行车安全装置、移动终端及支架

Also Published As

Publication number Publication date
CN112149908A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112149908B (zh) 车辆驾驶预测方法、系统、计算机设备及可读存储介质
US20210206382A1 (en) Information processing apparatus, information processing system, information processing method, and program
US20130042148A1 (en) Malfunction analysis apparatus, malfunction analysis method, and recording medium
WO2015160900A1 (en) Assessing asynchronous authenticated data sources for use in driver risk management
EP3349126B1 (en) Method, device, storage medium, and apparatus for automatically discovering fuel station poi
CN115099684B (zh) 企业安全生产管理系统及其管理方法
CN113353086A (zh) 一种车辆控制方法、装置及电子设备
CN113212442A (zh) 一种轨迹感知车辆驾驶分析方法及系统
CN117576804A (zh) 一种车辆自适应阈值的告警方法、装置、设备及存储介质
CN117325881A (zh) 一种车辆告警预测方法、装置、电子设备及存储介质
CN116385185A (zh) 一种车险评估辅助方法、装置、计算机设备及存储介质
CN114394099B (zh) 车辆行驶异常识别方法、装置、计算机设备及存储介质
CN111260912B (zh) 车辆编队的处理方法及装置
CN111524389B (zh) 车辆驾驶方法和装置
CN112465602B (zh) 一种订单推送的方法、装置、计算机设备以及计算机可读存储介质
CN112706776A (zh) 道路标定数据的确定方法、装置、电子设备及存储介质
CN114199274A (zh) 一种车辆行程确定方法、装置、设备及可读存储介质
CN113815631A (zh) 基于历史驾驶行为的驾驶提醒方法、装置、设备及介质
US10332211B1 (en) Risk analysis based on electronic security levels of a vehicle
CN112328970A (zh) 基于车辆性能参数的事故预测方法和系统
CN111193617A (zh) 网页篡改识别方法、装置、电子设备及存储介质
CN112887262B (zh) 一种基于多源信息融合的汽车信息安全防护方法及装置
CN114475093B (zh) 轮胎磨损提醒方法、装置、设备及存储介质
CN116886579B (zh) 车辆网络安全评估方法、装置、电子设备及存储介质
CN111583632B (zh) 车辆驾驶风险应对方法、装置

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