CN112836917A - 一种由两套风险评级模型组成的风险评级系统 - Google Patents
一种由两套风险评级模型组成的风险评级系统 Download PDFInfo
- Publication number
- CN112836917A CN112836917A CN202011310938.5A CN202011310938A CN112836917A CN 112836917 A CN112836917 A CN 112836917A CN 202011310938 A CN202011310938 A CN 202011310938A CN 112836917 A CN112836917 A CN 112836917A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk rating
- driving
- waybill
- vehicle
- 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
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 9
- 241001282135 Poromitra oscitans Species 0.000 claims description 7
- 206010048232 Yawning Diseases 0.000 claims description 7
- 230000000391 smoking effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000004399 eye closure Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 11
- 230000009977 dual effect Effects 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 208000028752 abnormal posture Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种由两套风险评级模型组成的风险评级系统，包括车辆运单风险评级模型和司机驾驶行为风险评级模型，风险评级系统设计的目的是在商用货车运单层级上预测风险；商用货车的运单是指商用货车进行一次从承运货物到交付货物的过程，包括商用货车从发货起始点到送货终点及其期间停车的全部过程；两套模型可用于商用货车车队风险管理，通过匹配运单风险和驾驶员风险，使商用货车总风险达到最低。
Description
[技术领域]
本发明涉及车辆运行预警系统技术领域，尤其涉及一种应用效果突出、精准度高的由两套风险评级模型组成的风险评级系统。
[背景技术]
当前市场上对商用车实时驾驶风险的预测，主要基于车辆年度GPS数据。该方法缺乏车辆和司机的驾驶影像信息所反映的危险行为情况。该方法缺乏重要风险因素，例如高危时段、行驶路段、气象等。该方法不区分驾驶员的风险因素和运单的风险因素。该方法采纳车辆全年度的驾驶数据，如全年里程、全年驾驶时长等，没有考虑每次运单的不同风险因素。
[发明内容]
为克服现有技术所存在的问题，本发明提供一种应用效果突出、精准度高的由两套风险评级模型组成的风险评级系统。
本发明解决技术问题的方案是提供一种由两套风险评级模型组成的风险评级系统，包括车辆运单风险评级模型和司机驾驶行为风险评级模型；设计该风险评级系统旨在预测商用货车运单层级上的风险；此文档中“运单”指商用货车从运单起点到运单终点的行驶过程，即商用货车从发货起点到运单终点及其期间停车的全部过程；两套模型可用于商用货车车队风险管理，通过匹配运单风险和驾驶员驾驶行为风险以掌控商用货车运单层级的行驶风险。
优选地，所述车辆运单风险评级模型用以评估运单自身风险；司机驾驶行为风险评级模型用以评估驾驶员驾驶行为风险。
优选地，所述两套模型都是有监督学习模型，都有目标变量和预测变量；两套模型的目标变量均为是否高危场景频率；高危场景频率指车辆在5秒内由大于60变为0。车辆运单风险评级模型的预测变量包括车辆种类(货车/ 运单、长途客车、市内公交)，车型，车龄，行驶时间段，驾驶路线，总里程，道路类型等级(高速/省道/国道/市内)及各类占比，气象预报(是否有恶劣天气，包括暴雨、冰雪)，是否有山路，货物类型；司机驾驶行为风险评级模型的预测变量包括驾驶员年龄，驾龄，司机历史疲劳驾驶(包括闭眼、打哈欠)、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警频率(百公里告警次数)，司机历史百公里多变量预警(高危时段、疲劳驾驶、分神驾驶、车道告警、恶劣天气等危险因素组合)次数，司机历史出险频率等。
优选地，所述两套模型开发中所用的数据是商用货车监控平台采集的历史数据；车辆运单风险评级模型的数据来源包括车队数据库中存储的车辆种类、车型、车龄、货物类型等信息，第三方数据库中存储的行驶时间段、驾驶路线、总里程等信息，通过连接外部数据源即气象API、地图API获取的气象预报、道路类型等级及各类占比、是否有山路等信息；司机驾驶行为风险评级模型的数据来源包括车队数据库中存储的驾驶员年龄、驾龄、司机历史出险频率等信息，第三方数据库中存储的疲劳驾驶、闭眼、打哈欠、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警次数、总里程、多变量预警等信息。
优选地，所述车辆运单风险评级模型的实施过程是由物流公司将运单号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库、外部数据源获取预测变量的数据；司机驾驶行为风险评级模型的实施过程是由物流公司将驾驶员编号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库获取预测变量的数据；所有车辆运单风险评级和司机驾驶行为风险评级随着驾驶次数的增加而更新。
与现有技术相比，本发明一种由两套风险评级模型组成的风险评级系统基于风险评级模型方法论，通过分析影响车辆运行风险的多种维度，设计双重影响因子模型：车辆运单风险评级模型和司机驾驶行为风险评级模型，可实现对高风险危险驾驶行为的精准预测。
[具体实施方式]
为使本发明的目的，技术方案及优点更加清楚明白，以下结合及实施例，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仅用于解释本发明，并不用于限定此发明。
发明一种由两套风险评级模型组成的风险评级系统1包括车辆运单风险评级模型和司机驾驶行为风险评级模型；设计该风险评级系统旨在预测商用货车运单层级上的风险；此文档中“运单”指商用货车从运单起点到运单终点的行驶过程，即商用货车从发货起点到运单终点及其期间停车的全部过程；两套模型可用于商用货车车队风险管理，通过匹配运单风险和驾驶员驾驶行为风险以掌控商用货车运单层级的行驶风险。
优选地，所述车辆运单风险评级模型用以评估运单自身风险；司机驾驶行为风险评级模型用以评估驾驶员驾驶行为风险。
优选地，所述两套模型都是有监督学习模型，都有目标变量和预测变量；两套模型的目标变量均为是否高危场景频率；高危场景频率指车辆在5秒内由大于60变为0。车辆运单风险评级模型的预测变量包括车辆种类(货车/ 运单、长途客车、市内公交)，车型，车龄，行驶时间段，驾驶路线，总里程，道路类型等级(高速/省道/国道/市内)及各类占比，气象预报(是否有恶劣天气，包括暴雨、冰雪)，是否有山路，货物类型；司机驾驶行为风险评级模型的预测变量包括驾驶员年龄，驾龄，司机历史疲劳驾驶(包括闭眼、打哈欠)、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警频率(百公里告警次数)，司机历史百公里多变量预警(高危时段、疲劳驾驶、分神驾驶、车道告警、恶劣天气等危险因素组合)次数，司机历史出险频率等。
优选地，所述两套模型开发中所用的数据是商用货车监控平台采集的历史数据；车辆运单风险评级模型的数据来源包括车队数据库中存储的车辆种类、车型、车龄、货物类型等信息，第三方数据库中存储的行驶时间段、驾驶路线、总里程等信息，通过连接外部数据源即气象API、地图API获取的气象预报、道路类型等级及各类占比、是否有山路等信息；司机驾驶行为风险评级模型的数据来源包括车队数据库中存储的驾驶员年龄、驾龄、司机历史出险频率等信息，第三方数据库中存储的疲劳驾驶、闭眼、打哈欠、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警次数、总里程、多变量预警等信息。
优选地，所述车辆运单风险评级模型的实施过程是由物流公司将运单号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库、外部数据源获取预测变量的数据；司机驾驶行为风险评级模型的实施过程是由物流公司将驾驶员编号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库获取预测变量的数据；所有车辆运单风险评级和司机驾驶行为风险评级随着驾驶次数的增加而更新。
优选地，所述双重影响因子模型对接数据库，实时采集模型相关维度的数据，实时计算风险评级，将结果返回监控平台和智能预警系统，为监控人员提供分阶段的风险管控应对措施。
多变量风险评级模型设计的目的是在商用货车运单层级上预测风险。商用货车的运单是指商用货车进行一次从承运货物到交付货物的过程，包括商用货车从发货起始点到送货终点及其期间停车的全部过程。
多变量风险评级模型的双重影响因子模型都是监督学习模型。多变量风险评级模型开发方法有两种。第一种是通过机器学习算法形成排序的打分公式，算法包括逻辑回归、k最近邻算法、支持向量机、AdaBoost元算法等。第二种是统计学逻辑回归算法，算法如下：
司机驾驶行为风险评级模型的因变量是运单中是否有高危急刹车场景。高危急刹车场景指车辆在5秒内由大于60变为0。自变量包括驾驶员年龄，驾龄，司机历史百公里疲劳驾驶(包括闭眼、打哈欠)、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞等告警次数，司机历史百公里多变量预警(高危时段、疲劳驾驶、分神驾驶、车道告警、恶劣天气等危险因素组合)次数，司机历史出险频率。模型的数据来源包括用户上传信息至平台数据库、车载设备在行车过程中传输信息至平台数据库。
车辆运单风险评级模型的因变量是运单中是否有高危急刹车场景。自变量包括车辆种类(货车/运单、长途客车、市内公交)，车型，车龄，行驶时间段，驾驶路线，总里程，道路类型等级(高速/省道/国道/市内)及各类占比，气象预报(是否有恶劣天气，包括暴雨、冰雪)，是否有山路，货物类型。模型的数据来源包括车队方输入平台数据库(车辆信息、货物信息)、连接外部数据源(气象API、地图API)、车载设备在行车过程中传输信息至平台数据库(行驶时间段，驾驶路线，总里程)。
优选地，所述系统通过风险评级模型为车辆和司机评分，从而预测出险概率，为监控人员、车队管理者提供不同风险等级的应对措施。根据模型评分下的风险等级，对应管控措施，强化企业针对性安全管理水平。低风险：对于1-3分的低风险车辆和司机采取常规安全管理。中风险:对于4-7分的中风险车辆和司机采取重点关注、强化管理。高风险:对于8-10分的高风险车辆和司机采取重点监管，规范教育。
多变量风险评级模型首先输出运单预期出险频率。如果预期出险频率的分布符合正态分布，则对所有预期出险频率由低到高排序，并将预期出险频率等数量切割为10份，对这10份预期出险频率分别赋予1到10分。
通过多变量风险评级模型为车辆和司机预测出险概率，从而评出分数等级，为监控人员、车队管理者提供有预测性的量化估计和不同风险等级的应对措施。根据模型评分下的风险等级，对应管控措施，强化企业针对性安全管理水平。
将模型通过接口对接不同形式的客户数据库、车载设备和多变量智能预警系统，实时采集模型相关维度的数据，将数据关键字段与模型整合，形成实时模型因子和评分公式，实时计算风险评级。司机驾驶行为风险评级评分可以随运单数的增加而更新。将不断更新迭代的模型、车辆评分、司机评分返回至车辆、车载设备、客户数据库、车辆监控平台和多变量智能预警系统，从而在不同第三方平台实时、完整、自动、高效为监控人员提供分等级的风险管控应对措施。
主要用于商用车主动安全的自动化监管过程中做出改进，通过智能判断危险驾驶行为、自动主动干预驾驶，以实现商用车驾驶风险的降低。
与现有技术相比，本发明一种由两套风险评级模型组成的风险评级系统1 通过还原事故真相，实现预警规则智能迭代，智能预警系统通过情景挖掘发现造成事故的多重原因，替代单一告警，本发明可实现对高风险危险驾驶行为的精准预测。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。
Claims (5)
1.一种由两套风险评级模型组成的风险评级系统，其特征在于：包括车辆运单风险评级模型和司机驾驶行为风险评级模型；设计该风险评级系统旨在预测商用货车运单层级上的风险；此文档中“运单”指商用货车从运单起点到运单终点的行驶过程，即商用货车从发货起点到运单终点及其期间停车的全部过程；两套模型可用于商用货车车队风险管理，通过匹配运单风险和驾驶员驾驶行为风险以掌控商用货车运单层级的行驶风险。
2.如权利要求1所述的一种由两套风险评级模型组成的风险评级系统，其特征在于：所述车辆运单风险评级模型用以评估运单自身风险；司机驾驶行为风险评级模型用以评估驾驶员驾驶行为风险。
3.如权利要求1或2所述的一种由两套风险评级模型组成的风险评级系统，其特征在于：所述两套模型都是有监督学习模型，都有目标变量和预测变量；两套模型的目标变量均为是否高危场景频率；高危场景频率指车辆在5秒内由大于60变为0，车辆运单风险评级模型的预测变量包括车辆种类(货车/运单、长途客车、市内公交)，车型，车龄，行驶时间段，驾驶路线，总里程，道路类型等级(高速/省道/国道/市内)及各类占比，气象预报(是否有恶劣天气，包括暴雨、冰雪)，是否有山路，货物类型；司机驾驶行为风险评级模型的预测变量包括驾驶员年龄，驾龄，司机历史疲劳驾驶(包括闭眼、打哈欠)、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警频率(百公里告警次数)，司机历史百公里多变量预警(高危时段、疲劳驾驶、分神驾驶、车道告警、恶劣天气等危险因素组合)次数，司机历史出险频率等。
4.如权利要求1或2所述的一种由两套风险评级模型组成的风险评级系统，其特征在于：所述两套模型开发中所用的数据是商用货车监控平台采集的历史数据；车辆运单风险评级模型的数据来源包括车队数据库中存储的车辆种类、车型、车龄、货物类型等信息，第三方数据库中存储的行驶时间段、驾驶路线、总里程等信息，通过连接外部数据源即气象API、地图API获取的气象预报、道路类型等级及各类占比、是否有山路等信息；司机驾驶行为风险评级模型的数据来源包括车队数据库中存储的驾驶员年龄、驾龄、司机历史出险频率等信息，第三方数据库中存储的疲劳驾驶、闭眼、打哈欠、姿态异常、抽烟、打电话、车距过近、车道偏离、前车碰撞、行人探测、超时驾驶、超速驾驶等告警次数、总里程、多变量预警等信息。
5.如权利要求1所述的一种由两套风险评级模型组成的风险评级系统，其特征在于：所述车辆运单风险评级模型的实施过程是由物流公司将运单号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库、外部数据源获取预测变量的数据；司机驾驶行为风险评级模型的实施过程是由物流公司将驾驶员编号导入风险评级系统，风险评级系统连接车队数据库、第三方数据库获取预测变量的数据；所有车辆运单风险评级和司机驾驶行为风险评级随着驾驶次数的增加而更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310938.5A CN112836917A (zh) | 2020-11-20 | 2020-11-20 | 一种由两套风险评级模型组成的风险评级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310938.5A CN112836917A (zh) | 2020-11-20 | 2020-11-20 | 一种由两套风险评级模型组成的风险评级系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112836917A true CN112836917A (zh) | 2021-05-25 |
Family
ID=75923205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011310938.5A Pending CN112836917A (zh) | 2020-11-20 | 2020-11-20 | 一种由两套风险评级模型组成的风险评级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836917A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361086A (zh) * | 2021-05-31 | 2021-09-07 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
| WO2023237486A1 (en) | 2022-06-07 | 2023-12-14 | Swiss Reinsurance Company Ltd. | Electronic vulnerability detection and measuring system and method for susceptibility or vulnerability of truck fleet to occurring accident events |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033614A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网技术的道路危险货物运输动态风险预警系统 |
| CN110033615A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网的道路危险货物运输动态风险评估方法 |
-
2020
- 2020-11-20 CN CN202011310938.5A patent/CN112836917A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033614A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网技术的道路危险货物运输动态风险预警系统 |
| CN110033615A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网的道路危险货物运输动态风险评估方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361086A (zh) * | 2021-05-31 | 2021-09-07 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
| CN113361086B (zh) * | 2021-05-31 | 2024-05-28 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
| WO2023237486A1 (en) | 2022-06-07 | 2023-12-14 | Swiss Reinsurance Company Ltd. | Electronic vulnerability detection and measuring system and method for susceptibility or vulnerability of truck fleet to occurring accident events |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11526167B1 (en) | Autonomous vehicle component maintenance and repair | |
| US20230143946A1 (en) | Autonomous vehicle operation feature monitoring and evaluation of effectiveness | |
| US10414407B1 (en) | Driving analysis using vehicle-to-vehicle communication | |
| US10395332B1 (en) | Coordinated autonomous vehicle automatic area scanning | |
| US10324463B1 (en) | Autonomous vehicle operation adjustment based upon route | |
| US10755566B2 (en) | Method and apparatus for determining location-based vehicle behavior | |
| US20220005291A1 (en) | Autonomous vehicle operation feature monitoring and evaluation of effectiveness | |
| US20220244736A1 (en) | Autonomous vehicle operation feature monitoring and evaluation of effectiveness | |
| EP3013643A2 (en) | Onboard vehicle accident detection and damage estimation system and method of use | |
| CN112836917A (zh) | 一种由两套风险评级模型组成的风险评级系统 | |
| US20210334865A1 (en) | Used Car Pricing Based on Telematics Information | |
| Ahmed et al. | Driver Performance and Behavior in Adverse Weather Conditions: Microsimulation and Variable Speed Limit Implementation of the SHRP2 Naturalistic Driving Study Results-Phase 3 | |
| CN111080202B (zh) | 一种面向油量节省的作业车辆的效能管理方法及系统 | |
| CN112530164B (zh) | 一种高海拔地区道路主动驾驶安全预警方法及系统 | |
| Colombaroni et al. | Coherence analysis of road safe speed and driving behaviour from floating car data | |
| Liao et al. | Driver route planning method based on accident risk cost prediction | |
| Imaninasab et al. | Modeling crash frequency of heavy vehicles in rural freeways | |
| US20240025397A1 (en) | Electronic vulnerability detection and measuring system and method for susceptibility or vulnerability of truck fleet to occurring accident events | |
| US20230055238A1 (en) | System and method of vehicle risk analysis | |
| US20240157934A1 (en) | Systems and methods for generating vehicle safety scores and predicting vehicle collision probabilities | |
| Bogren et al. | Intelligent transportation systems and support system for winter road maintenance | |
| Walker et al. | Integrating Transformative Technologies in Indiana’s Transportation Operations | |
| CN117456714A (zh) | 车辆安全预警方法、系统、设备及存储介质 | |
| Yang et al. | Anomaly Detection and Performance Visualization of Truck Parking Information and Management Systems | |
| Garber et al. | Advanced technologies for improving large-truck safety on two-lane secondary roads |
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: 20210525 |
|
| RJ01 | Rejection of invention patent application after publication |