CN112990742A - 一种驾驶行为习惯评价方法 - Google Patents

一种驾驶行为习惯评价方法 Download PDF

Info

Publication number
CN112990742A
CN112990742A CN202110349594.7A CN202110349594A CN112990742A CN 112990742 A CN112990742 A CN 112990742A CN 202110349594 A CN202110349594 A CN 202110349594A CN 112990742 A CN112990742 A CN 112990742A
Authority
CN
China
Prior art keywords
driving behavior
behavior habit
value
evaluation
evaluation method
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
Application number
CN202110349594.7A
Other languages
English (en)
Inventor
王磊
赛影辉
王志超
肖飞
韦圣兵
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.)
Wuhu Automotive Prospective Technology Research Institute Co ltd
Chery Automobile Co Ltd
Original Assignee
Wuhu Automotive Prospective Technology Research Institute Co ltd
Chery Automobile Co Ltd
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 Wuhu Automotive Prospective Technology Research Institute Co ltd, Chery Automobile Co Ltd filed Critical Wuhu Automotive Prospective Technology Research Institute Co ltd
Priority to CN202110349594.7A priority Critical patent/CN112990742A/zh
Publication of CN112990742A publication Critical patent/CN112990742A/zh
Pending legal-status Critical Current

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及驾驶行为评价技术领域，提供了一种驾驶行为习惯评价方法，包括如下步骤：S1、获取车辆的运行工况数据；S2、对运行工况数据进行预处理，形成网络层指标；S3、构建基于ANP的驾驶行为习惯评估体系。发明将驾驶行为习惯准确评价作为总目标，基于专家知识库中的经验知识构建控制层，接着对车辆运行工况数据进行预处理，形成相应指标，考虑专家经验知识的耦合性完成网络层的构建。并将驾驶行为习惯分成优秀，良好，一般，较差，特差五个层级，构建了用户驾驶习惯评估体系，实现对驾驶员的驾驶行为习惯等级准确评估。

Description

一种驾驶行为习惯评价方法
技术领域
本发明涉及到驾驶行为评价技术领域，提供了一种驾驶行为习惯评价方法。
背景技术
随着汽车在当今社会下的普及，驾驶人的驾驶行为习惯也正得到越来越多的重视。驾驶行为是指驾驶人通过听觉、视觉等感觉器官，感知周围不断变化的车辆、道路、交通信号等交通状况，通过大脑分析所形成的物理行为。这种物理行为包括了改变行车速度、方向，选择是否停驶，车辆保养等等。随着驾驶人驾龄的延长，驾驶行为会形成一种积久养成的驾车方式，即驾驶行为习惯。驾驶人是否能形成良好的驾驶行为习惯，会对驾驶人乃至社会的诸多方面带来影响，因此对如何准确的评估驾驶人的驾驶习惯，帮助驾驶人改善自己的不良驾驶行为已然成为了一个重要问题。
发明内容
本发明提供了一种驾驶行为习惯评价方法，旨在改善上述问题。
本发明是这样是实现的，一种驾驶行为习惯评价方法，所述方法具体包括如下步骤：
S1、获取车辆的运行工况数据；
S2、对运行工况数据进行预处理，形成网络层指标；
S3、构建基于ANP的驾驶行为习惯评估体系。
进一步的，所述运行工况数据包括：车速、GPS位置、纵向加速度、横向加速度、发动机转速、发动机水温数据。
进一步的，运行工况数据的预处理包括缺失值、异常值的处理。
进一步的，缺失值的处理方法具体如下：
首先计算每列属性中缺失值比例，如果缺失值比例占比低于占比阈值，则直接删除缺失值；如果缺失值的占比高于占比阈值，且缺失值为定距型数据，以该列属性的平均值来插补缺失的值，若缺失值为非定距型属性，则用列属性的众数来填补缺失值。
进一步的，异常值的处理方法具体如下：
首先识别数据中的异常值，若异常值占比低于占比阈值，则直接删除异常值；若异常值的占比高于占比阈值，且缺失值为定距型数据，则以该列属性的平均值来替换异常值，若缺失值为非定距型属性，则用列属性的众数来替换异常值。
进一步的，所述步骤S3具体包括如下步骤：
S31、建立ANP网络结构模型；
S32、构造无权重超矩阵；
S33、对无权重超矩阵进行加权处理，获取驾驶行为习惯最优秀状态等级。
进一步的，所述步骤S32具体包括如下步骤：
S321、判断准则Bi中的子准则Cij对驾驶行为习惯评价等级造成影响的判断矩阵记为
Figure BDA0003002068760000021
采用根法求
Figure BDA0003002068760000022
的最大特征根和对应的特征向量，并进行一致性检验；
S322、构建驾驶行为习惯各等级ai对准则Bi中的子准则Cij影响的判断矩阵
Figure BDA0003002068760000026
采用根法求
Figure BDA0003002068760000023
的最大特征根和对应的特征向量；
S323、判断矩阵
Figure BDA0003002068760000024
及
Figure BDA0003002068760000025
的特征向量，构造无权重超矩阵W；
进一步的，所述步骤S33具体包括如下步骤：
S331、确定加权矩阵；
S332、计算加权超矩阵
Figure BDA0003002068760000031
S333、求解极限超矩阵
Figure BDA0003002068760000032
当加权矩阵极限收敛且唯一时，得到了极限超矩阵；
S334、根据收敛的极限超矩阵合成排序结果，获得不同经验知识评价等级下的权重，权重最大的优秀状态等级即为驾驶行为习惯当前的最优秀评价等级。
发明提供了一种基于ANP的驾驶行为习惯的评价方法，将驾驶行为习惯准确评价作为总目标，基于专家知识库中的经验知识构建控制层，接着对车辆运行工况数据进行预处理，形成相应指标，考虑专家经验知识的耦合性完成网络层的构建。并将驾驶行为习惯分成优秀，良好，一般，较差，特差五个层级，构建了用户驾驶习惯评估体系，实现对驾驶员的驾驶行为习惯等级准确评估。
附图说明
图1为本发明实施例提供的驾驶行为习惯评价方法流程图；
图2为本发明实施例提供的ANP网络结构模型示意图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
图1为本发明实施例提供的驾驶行为习惯评价方法流程图，该方法具体包括如下步骤：
步骤1：数据获取。通过连接在车辆上的OBD数据采集终端实时获取所述车辆的运行工况数据，包括：车速、GPS位置、纵向加速度、横向加速度、发动机转速、发动机水温等数据项。
步骤2：数据预处理及网络层指标获取。车辆的运行过程中可能会经过一些复杂环境路段，如隧道、山区路段等，导致OBD数据采集终端在数据采集与传输过程中出现了数据缺失、数据异常等问题。此外，OBD数据采集终端采集到的原始数据同网络层指标项存在一定程度上的不一致，因此需要对原始数据集进行处理获取到网络层的指标项数据集。
步骤2.1：数据预处理。主要是对原始数据集中的缺失值、异常值进行预处理。对于数据集中存在的缺失值，首先计算每列属性中缺失值比例，如果缺失值比例占比较低，则直接删除缺失值；如果缺失值的占比较高，且缺失值为定距型数据，就以该列属性的平均值来插补缺失的值，如果缺失值为非定距型属性，则用列属性的众数来填补缺失值。
对于原始数据集中存在异常值，首先需要对异常值进行识别，当原始数据集中的观测数据在“平均值±3*标准差”之外时，这些观测数据则为异常值。如果异常值占比较低，则直接删除异常值；如果异常值的占比较高，且缺失值为定距型数据，就以该列属性的平均值来替换异常值，如果缺失值为非定距型属性，则用列属性的众数来替换异常值。
步骤2.2：网络层指标的获取。通过对已经预处理过的原始数据集结合专家经验知识进行计算，形成对应的指标项数据集。
步骤3：基于ANP的驾驶行为习惯评估体系构建，如图2所示；
将驾驶行为习惯准确评估作为总目标，通过调用专家知识库中的经验知识构建评估体系控制层，在指标项数据集中获取与控制层准则相关的数据项构建网络层元素集，将驾驶行为习惯等级如优秀，良好，一般，较差，特差作为网络层的评价方案，构建基于ANP的驾驶行为习惯评价体系。根据评价结果，获取驾驶行为习惯评价等级，为驾驶行为改善提供参考意见。
步骤3.1：建立ANP网络结构模型。
ANP网络结构模型即本发明中的驾驶行为习惯评价体系，包括三个层次：目标层、控制层和网络层。评估体系的总目标是驾驶行为习惯的准确评价；控制层由车辆专家知识库中的经验知识构成；网络层包含与控制层经验知识相关的指标项数据元素集以及驾驶行为习惯评价等级，驾驶行为习惯等级包括优秀，良好，一般，较差，特差。
步骤3.2：构造无权重超矩阵。首先构造不同准则对驾驶行为习惯评价等级造成影响的判断矩阵，求出判断矩阵对应的特征向量和最大特征根，进行一致性检验。准则即驾驶行为习惯评价的指标，如安全性、经济性等。
接着构造驾驶行为评价等级对各个准则造成影响的判断矩阵，同样地，求出所有判断矩阵对应的特征向量和最大特征根，进行一致性检验。在此基础上，构造ANP无权重超矩阵。
在构造判断矩阵时，根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准。判断矩阵各元素之间的重要程度由专家结合指标数据项波动情况与机理知识等，按1-9标度法则进行打分，1-9标度法则：判断矩阵中用于比较两两元素的相对重要程度的法则。各级的标度的含义如下表：
Figure BDA0003002068760000051
Figure BDA0003002068760000061
步骤3.2.1：构造控制层中不同准则对驾驶行为习惯等级评价方案影响程度的判断矩阵。判断准则Bi中的子准则Cij对驾驶行为习惯评价等级造成影响的判断矩阵记为
Figure BDA0003002068760000062
采用根法求
Figure BDA0003002068760000063
的最大特征根
Figure BDA0003002068760000064
和它对应的特征向量P(ij)，并进行一致性检验，其中i＝1,2,…,N，N为驾驶行为习惯评价中的准则数量；j＝1,2,…ni，ni表示第i个准则所包含的子准则数量。
具体过程如下：
For(i＝1；i≤N；i++)
For(j＝1；j≤ni；j++)
构造判断矩阵
Figure BDA0003002068760000065
如下表：
C<sub>ij</sub> a<sub>1</sub> a<sub>2</sub> a<sub>3</sub> a<sub>4</sub> a<sub>5</sub>
a<sub>1</sub> 1 a<sub>12</sub> a<sub>13</sub> a<sub>14</sub> a<sub>15</sub>
a<sub>2</sub> a<sub>21</sub> 1 a<sub>23</sub> a<sub>24</sub> a<sub>25</sub>
a<sub>3</sub> a<sub>31</sub> a<sub>32</sub> 1 a<sub>34</sub> a<sub>35</sub>
a<sub>4</sub> a<sub>41</sub> a<sub>42</sub> a<sub>43</sub> 1 a<sub>45</sub>
a<sub>5</sub> a<sub>51</sub> a<sub>52</sub> a<sub>53</sub> a<sub>54</sub> 1
利用根法求最大特征值
Figure BDA0003002068760000066
和它对应的特征向量P(ij)，计算判断矩阵
Figure BDA0003002068760000067
每一行元素的积；
Figure BDA0003002068760000068
其中，ahk指判断矩阵中各个单元格的标度值，
Figure BDA0003002068760000069
指判断矩阵中第k行各个单元格标度的乘积。
计算
Figure BDA00030020687600000610
的5次方根：
Figure BDA00030020687600000611
对向量
Figure BDA0003002068760000071
进行归一化处理，令：
Figure BDA0003002068760000072
求得最大特征根对应的特征向量为：
Figure BDA0003002068760000073
判断矩阵
Figure BDA0003002068760000074
的最大特征根
Figure BDA0003002068760000075
Figure BDA0003002068760000076
Figure BDA0003002068760000077
是指第h行指标的权重向量；
对判断矩阵进行一致性检验
求出一致性指标C.I(ij)：
Figure BDA0003002068760000078
N是指判断矩阵的维数；
查表得平均随机一致性指标R.I(ij)
计算一致性比率C.R(ij)：
Figure BDA0003002068760000079
If(C.R(ij)≤0.1)，则接受判断矩阵，否则修正判断矩阵。
步骤3.2.2：构建驾驶行为习惯各等级ai对准则Bi中的子准则Cij影响的判断矩阵
Figure BDA00030020687600000710
采用根法求
Figure BDA00030020687600000711
的最大特征根
Figure BDA00030020687600000712
和它对应的特征向量Q(h)，具体过程如下：
For(h＝1；h≤5；h++)
For(i＝1；i≤N；i++)
For(j＝1；j≤ni；j++)
构造判断矩阵
Figure BDA00030020687600000713
如下表：
Figure BDA00030020687600000714
Figure BDA0003002068760000081
利用根法求最大特征值
Figure BDA0003002068760000082
和它对应的特征向量
Figure BDA0003002068760000083
计算判断矩阵
Figure BDA0003002068760000084
每一行元素的积：
Figure BDA0003002068760000085
计算
Figure BDA0003002068760000086
的ni次方根：
Figure BDA0003002068760000087
对向量
Figure BDA0003002068760000088
进行归一化处理，令：
Figure BDA0003002068760000089
求得最大特征根对应的特征向量为
Figure BDA00030020687600000810
判断矩阵
Figure BDA00030020687600000811
的最大特征根
Figure BDA00030020687600000812
对判断矩阵进行一致性检验，求出一致性指标C.I(h)，
Figure BDA00030020687600000813
查表得平均随机一致性指标R.I(h)，计算一致性比率C.R(h)，
Figure BDA00030020687600000814
If(C.R(h)≤0.1)，则接受判断矩阵
Figure BDA00030020687600000815
否则，修正判断矩阵
Figure BDA00030020687600000816
步骤3.2.3：确定无权重超矩阵W。假定驾驶行为习惯评价等级间相互独立，互不影响，基于以上两种判断矩阵的特征向量，构造无权重超矩阵W如下：
Figure BDA00030020687600000817
Figure BDA0003002068760000091
步骤3.3：对无权重超矩阵进行处理，获取驾驶行为习惯最优秀状态等级。
步骤3.3.1：确定加权矩阵。根据决策者偏好确定超矩阵W中N个准则组的权重，由这些权重构成的加权矩阵记为F：
Figure BDA0003002068760000092
这里的权重指的是各个准则组指标(BN)的权重。如f1N代表第一个准则组指标相对于第N个准则组指标的权重。权重大小的确定通过决策者主观偏好来确定，也就是主观打分。
步骤3.3.2：计算加权超矩阵
Figure BDA0003002068760000093
实现超矩阵W列归一化：
Figure BDA0003002068760000101
其中，
Figure BDA0003002068760000102
步骤3.2.3：求解极限超矩阵
Figure BDA0003002068760000103
u表示超举证自乘的次数，当加权矩阵极限收敛且唯一时，就得到了极限超矩阵，此时可以停止加权超矩阵的自乘过程。
步骤3.2.4：根据收敛的极限超矩阵合成排序结果，获得不同经验知识评价等级下的权重，权重最大的优秀状态等级即为驾驶行为习惯当前的最优秀评价等级。从而实现了驾驶行为习惯评价等级精准评价，为改善驾驶行为提供参考依据。
本发明提供了一种基于ANP的驾驶行为习惯的评价方法，将驾驶行为习惯准确评价作为总目标，基于专家知识库中的经验知识构建控制层，接着对车辆运行工况数据进行预处理，形成相应指标，考虑专家经验知识的耦合性完成网络层的构建。并将驾驶行为习惯分成优秀，良好，一般，较差，特差五个层级，构建了用户驾驶习惯评估体系，实现对驾驶员的驾驶行为习惯等级准确评估。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (8)

1.一种驾驶行为习惯评价方法，其特征在于，所述方法具体包括如下步骤：
S1、获取车辆的运行工况数据；
S2、对运行工况数据进行预处理，形成网络层指标；
S3、基于ANP构建驾驶行为习惯评估体系。
2.如权利要求1所述驾驶行为习惯评价方法，其特征在于，所述运行工况数据包括：车速、GPS位置、纵向加速度、横向加速度、发动机转速、发动机水温数据。
3.如权利要求1所述驾驶行为习惯评价方法，其特征在于，运行工况数据的预处理包括缺失值、异常值的处理。
4.如权利要求3所述驾驶行为习惯评价方法，其特征在于，缺失值的处理方法具体如下：
首先计算每列属性中缺失值比例，如果缺失值比例占比低于占比阈值，则直接删除缺失值；如果缺失值的占比高于占比阈值，且缺失值为定距型数据，以该列属性的平均值来插补缺失的值，若缺失值为非定距型属性，则用列属性的众数来填补缺失值。
5.如权利要求3所述驾驶行为习惯评价方法，其特征在于，异常值的处理方法具体如下：
首先识别数据中的异常值，若异常值占比低于占比阈值，则直接删除异常值；若异常值的占比高于占比阈值，且缺失值为定距型数据，则以该列属性的平均值来替换异常值，若缺失值为非定距型属性，则用列属性的众数来替换异常值。
6.如权利要求1所述驾驶行为习惯评价方法，其特征在于，所述步骤S3 具体包括如下步骤：
S31、建立ANP网络结构模型；
S32、构造无权重超矩阵；
S33、对无权重超矩阵进行加权处理，获取驾驶行为习惯最优秀状态等级。
7.如权利要求6所述驾驶行为习惯评价方法，其特征在于，所述步骤S32具体包括如下步骤：
S321、判断准则Bi中的子准则Cij对驾驶行为习惯评价等级造成影响的判断矩阵记为
Figure FDA0003002068750000021
采用根法求
Figure FDA0003002068750000022
的最大特征根和对应的特征向量，并进行一致性检验；
S322、构建驾驶行为习惯各等级ai对准则Bi中的子准则Cij影响的判断矩阵
Figure FDA0003002068750000023
采用根法求
Figure FDA0003002068750000024
的最大特征根和对应的特征向量；
S323、判断矩阵
Figure FDA0003002068750000025
及
Figure FDA0003002068750000026
的特征向量，构造无权重超矩阵W。
8.如权利要求6所述驾驶行为习惯评价方法，其特征在于，所述步骤S33具体包括如下步骤：
S331、确定加权矩阵；
S332、计算加权超矩阵
Figure FDA0003002068750000027
S333、求解极限超矩阵
Figure FDA0003002068750000028
当加权矩阵极限收敛且唯一时，就得到了极限超矩阵；
S334、根据收敛的极限超矩阵合成排序结果，获得不同经验知识评价等级下的权重，权重最大的优秀状态等级即为驾驶行为习惯当前的最优秀评价等级。
CN202110349594.7A 2021-03-31 2021-03-31 一种驾驶行为习惯评价方法 Pending CN112990742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110349594.7A CN112990742A (zh) 2021-03-31 2021-03-31 一种驾驶行为习惯评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110349594.7A CN112990742A (zh) 2021-03-31 2021-03-31 一种驾驶行为习惯评价方法

Publications (1)

Publication Number Publication Date
CN112990742A true CN112990742A (zh) 2021-06-18

Family

ID=76338712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110349594.7A Pending CN112990742A (zh) 2021-03-31 2021-03-31 一种驾驶行为习惯评价方法

Country Status (1)

Country Link
CN (1) CN112990742A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109895783A (zh) * 2019-03-21 2019-06-18 奇瑞汽车股份有限公司 一种电动汽车驾驶行为监测评价系统及方法
CN110276542A (zh) * 2019-06-18 2019-09-24 合肥工业大学 基于anp的复杂装备健康状态评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109895783A (zh) * 2019-03-21 2019-06-18 奇瑞汽车股份有限公司 一种电动汽车驾驶行为监测评价系统及方法
CN110276542A (zh) * 2019-06-18 2019-09-24 合肥工业大学 基于anp的复杂装备健康状态评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李扬: "驾驶行为安全性多属性评价方法及应用研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
楚文慧等: "驾驶行为安全性评价研究综述", 《公路交通科技》 *

Similar Documents

Publication Publication Date Title
CN112201038B (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN108072381B (zh) 一种路径规划的方法及装置
CN109635830B (zh) 用于估算汽车质量的有效数据的筛选方法
CN112416986B (zh) 基于分层个性化联邦学习的用户画像实现方法及系统
CN113435707B (zh) 基于深度学习和计权型多因子评价的测土配方施肥方法
CN114463977A (zh) 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN108020427B (zh) 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法
CN108709561B (zh) 一种基于全局路网特征的不同尺度数据的匹配算法
CN104679956A (zh) 考虑动态特性的高速压力机底座可靠性稳健设计方法
CN108764676B (zh) 一种高维多目标评价方法及系统
CN104156943B (zh) 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法
CN106777169A (zh) 一种基于车联网数据的用户出行喜好分析方法
CN106022480A (zh) 基于d-s证据理论的机器人功能模块粒度划分评价方法
CN112579900B (zh) 二手车置换信息推荐方法、系统及设备
CN112149230A (zh) 一种强风铁路风致列车舒适性劣化预测方法
CN114898165A (zh) 一种基于模型通道剪裁的深度学习知识蒸馏方法
CN106919719A (zh) 一种面向大数据的信息补全方法
CN110866775A (zh) 一种基于机器学习的用户空铁联程城际出行信息处理方法
CN107577736A (zh) 一种基于bp神经网络的文件推荐方法及系统
CN113988705A (zh) 一种交通安全风险评估方法及装置
CN114821854B (zh) 一种工况切换对车辆油耗影响评估方法
CN114187261A (zh) 一种基于多维注意力机制的无参考立体图像质量评价方法
CN109147322B (zh) 一种城市交通大数据处理中多源数据自适应融合方法
CN112990742A (zh) 一种驾驶行为习惯评价方法
CN116595621A (zh) 一种混凝土坝变形融合诊断方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618