CN113011713A - 一种基于信息熵的驾驶员驾驶稳定性评估方法 - Google Patents
一种基于信息熵的驾驶员驾驶稳定性评估方法 Download PDFInfo
- Publication number
- CN113011713A CN113011713A CN202110210514.XA CN202110210514A CN113011713A CN 113011713 A CN113011713 A CN 113011713A CN 202110210514 A CN202110210514 A CN 202110210514A CN 113011713 A CN113011713 A CN 113011713A
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- road
- sequence
- road type
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 90
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通安全技术领域,公开了一种基于信息熵的驾驶员驾驶稳定性评估方法,包括:实时采集驾驶员的驾驶速度数据及对应的原始位置数据,获取驾驶行为序列和原始道路类型序列;对每个原始道路类型序列进行平滑处理,剔除不光滑数据,得到平滑处理后的道路类型序列;获取在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列;计算该驾驶员在每种道路类型下的所有驾驶行为序列的信息熵,从而得到该驾驶员在每种道路类型下的驾驶稳定性。本发明能够根据不同的驾驶行为评估不同道路状况下驾驶员的驾驶稳定性,为提高交通安全,降低交通事故的发生率提供重要依据。
Description
技术领域
本发明涉及道路交通安全技术领域,具体涉及一种基于信息熵的驾驶员驾驶稳定性评估方法。
背景技术
随着国民经济的快速发展和城市化进程的加快,我国机动车拥有量和道路交通量迅速增长,交通事故问题日趋突出。已有研究表明,驾驶员因素是导致交通事故的主要原因,驾驶员的驾驶稳定性不同,对交通安全的贡献也就不同。驾驶稳定性高的驾驶员的驾驶安全性高,其引发交通事故的概率会大大减低。相反,驾驶稳定性低的驾驶员的驾驶危险性较高,其极易引发的交通事故。因此,驾驶员的驾驶稳定性对于交通安全至关重要,如何评估驾驶员的驾驶稳定性就显得尤为重要。
目前,已有成果针对驾驶员的驾驶稳定性评估的研究较少,不能满足交通安全管理的需求。
发明内容
针对现有技术中存在的问题,本发明的目的在于提出一种基于信息熵的驾驶员驾驶稳定性评估方法,能够根据不同的驾驶行为评估不同道路状况下驾驶员的驾驶稳定性,为提高交通安全,降低交通事故的发生率提供重要依据。
为了达到上述目的,本发明采用以下技术方案予以实现。
一种基于信息熵的驾驶员驾驶稳定性评估方法,包括以下步骤:
步骤1,实时采集驾驶员的驾驶速度数据及对应的原始位置数据,根据驾驶速度数据获取该驾驶员的驾驶行为序列;根据原始位置数据获取行驶道路类型数据,进而得到原始道路类型序列;
其中,所述原始位置数据为车辆的经度和纬度;
步骤2,对每个原始道路类型序列进行平滑处理,剔除不光滑数据,得到平滑处理后的道路类型序列;
步骤3,获取在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列;
步骤4,对于每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列,计算该驾驶员在每种道路类型下的所有驾驶行为序列的信息熵,从而得到该驾驶员在每种道路类型下的驾驶稳定性。
本发明技术方案的特点和进一步的改进在于:
进一步地,采集数据的时间间隔为5s。
进一步地,所述根据驾驶速度数据获取该驾驶员的驾驶行为序列,具体为:
首先,根据驾驶速度数据,计算驾驶员的驾驶加速度at:
其中,vt为t时刻的速度,vt-1为t-1时刻的速度,Δt为采样时间间隔;
其次,按驾驶加速度将驾驶行为进行分类,具体分为五类:快减速、慢减速、正常驾驶、慢加速、快加速;每个类别对应一个代码;
最后,确定驾驶行为序列长度,获得驾驶员的多个驾驶行为序列。
更进一步地,所述驾驶行为序列的长度为8。
更进一步地,当加速度at≤-1.389m/s2时,确定为快减速;
当加速度-1.389m/s2<at≤-0.278m/s2时,确定为慢减速;
当加速度-0.278m/s2<at≤0.139m/s2时,确定为正常驾驶;
当加速度0.139m/s2<at≤0.556m/s2时,确定为慢加速;
当加速度at>0.556m/s2时,确定为快加速。
进一步地,根据原始位置数据获取行驶道路类型数据,具体为:依据车辆GPS传感器获取车辆当前的经度和纬度,再结合百度地图API,先确定车辆行驶位置是否为高速路段,其次对于非高速路段,与路口的距离<5m的判定为交叉口路段,其余路段为普通路段,从而确定车辆当前位置的行驶道路类型;
其中,所述行驶道路类型包含高速路段、普通路段和交叉口,每种类型对应一个代码。
更进一步地,所述原始道路类型序列的长度与驾驶行为序列的长度相同。
进一步地,所述对行驶道路类型数据进行平滑处理,剔除不光滑数据,具体为:
由于驾驶行为序列的长度与原始道路类型序列的长度相同,则在同一驾驶行为序列中的道路类型相同,基于此对每个原始道路类型序列进行平滑处理:
其中,LB为平滑处理后的道路类型数据,n1、n2、n3分别为任一道路类型序列中的高速路段、普通路段、交叉口的个数;a、b、c分别为高速路段、普通路段、交叉口的代码。
进一步地,所述在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列,具体为:对于某一评估时间段内该驾驶员在每种道路类型下的驾驶行为序列,定义该驾驶员在任一种道路类型下总发生概率之和大于设定阈值的驾驶行为序列为正常驾驶模式下的驾驶行为序列。
进一步地,所述计算该驾驶员在每种道路类型下的所有驾驶行为序列的信息熵,具体为:
与现有技术相比,本发明的有益效果为:
本发明通过采集车辆的速度数据以及行驶道路类型,通过将离散的驾驶及道路数据序列化的思想,获取驾驶员的驾驶行为序列和道路类型序列,并将信息熵引入不同道路状况下驾驶员的驾驶稳定性的评估,能够较为准确的评估某驾驶员在不同道路类型下的驾驶稳定性,进而评估驾驶员在不同道路类型下的驾驶风险。本发明主要服务于运输企业安全管理系统,当识别到某驾驶员的驾驶稳定性较差即驾驶风险等级较高时,可对该驾驶员采取相应的管理培训措施,以提高其驾驶安全性,具有较强的实用性。本发明的应用能够大大降低因驾驶员的风险驾驶导致的交通事故,提高交通系统的整体安全性。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的一种基于信息熵的驾驶员驾驶稳定性评估方法的实现流程图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供一种基于信息熵的驾驶员驾驶稳定性评估方法,包括以下步骤:
步骤1,实时采集驾驶员的驾驶速度数据及对应的原始位置数据,根据驾驶速度数据获取该驾驶员的驾驶行为序列;根据原始位置数据获取行驶道路类型数据,进而得到原始道路类型序列;
其中,所述原始位置数据为车辆的经度和纬度;
进一步地,速度数据通过车辆的GPS数据进行采集;道路类型数据通过车辆的GPS传感器获取。采集数据的时间间隔为5s。
进一步地,所述根据驾驶速度数据获取该驾驶员的驾驶行为序列,具体为:
首先,根据驾驶速度数据,计算驾驶员的驾驶加速度at:
其中,vt为t时刻的速度,vt-1为t-1时刻的速度,Δt为采样时间间隔;实际上,at为Δt时段的平均加速度。
其次,按驾驶加速度将驾驶行为进行分类,具体分为五类:快减速、慢减速、正常驾驶、慢加速、快加速;每个类别对应一个代码;具体如下表1所示:
表1驾驶行为的判别规则
加速度(m/s<sup>2</sup>) | ≦-1.389 | (-1.389,-0.278] | (-0.278,0.139] | (0.139,0.556] | ﹥0.556 |
驾驶行为 | 1 | 2 | 3 | 4 | 5 |
本实施例中,1、2、3、4、5分别表示快减速、慢减速、正常驾驶、慢加速、快加速对应的代码,也可以使用其他的代码。本发明的驾驶行为具体的确定方法是按从大到小的加速度排序分别取前30%位和70%位的加速度和减速度作为阈值。
最后,确定驾驶行为序列长度,获得驾驶员的多个驾驶行为序列。本实施例中,每个驾驶行为序列的长度为8,因此,本实施例中的每个驾驶行为序列为一个由代码1、2、3、4、5组成的长度为8的序列。
本发明中确定行驶道路类型主要依据车辆的GPS传感器获取的经纬度数据,放入Python中结合百度地图API进行自动分类,将道路类型分为高速路段、普通路段和交叉口,每种类型对应一个代码;本实施例采用a、b、c分别作为高速路段、普通路段和交叉口的代码,以此按采样时间点顺序形成长度为8的原始道路类型序列。
本发明中,原始道路类型序列的长度与驾驶行为序列的长度相同。
步骤2,对每个原始道路类型序列进行平滑处理,剔除不光滑数据,得到平滑处理后的道路类型序列;
本实施例中,由于驾驶行为序列的长度与原始道路类型序列的长度相同,都为8,而在同一驾驶行为序列中的道路类型应相同,基于此对每个原始道路类型序列进行平滑处理,具体出来公式为:
其中,LB为平滑处理后的道路类型数据,n1、n2、n3分别为任一道路类型序列中的高速路段、普通路段、交叉口的个数;a、b、c分别为高速路段、普通路段、交叉口的代码。
以上处理过程的依据为:
由于速度采集时间为5s/次,因此,每个道路类序列所代表的行驶时长为8×5s=40s,结合实际驾驶中各种类型道路上驾驶员的驾驶时长,对以下情形做出平滑处理:
1)驾驶员在高速路段行驶时,不应出现交叉口,若出现应视为高速路段;
驾驶员在高速路段行驶时,如果出现普通路段,其数量应不少于10个,否则应视为高速路段。
2)驾驶员在普通路段行驶时,如果出现高速路段,其数量应不少于15个,否则应视为普通路段;
驾驶员在普通路段行驶时,如果出现交叉口,应对交叉口做保留。
3)驾驶员在交叉口行驶时,如果出现高速路段,其数量应不少于15个,否则不能视为高速路段;
驾驶员在交叉口行驶时,如果出现普通路段,其数量应不少于2个,否则应视为交叉口。
步骤3,获取在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列;
对于某一评估时间段(一般大于2个月)内该驾驶员在每种道路类型下的驾驶行为序列,定义该驾驶员在任一种道路类型下总发生概率之和大于设定阈值的驾驶行为序列为正常驾驶模式下的驾驶行为序列。
本实施例中,对不同道路类型下驾驶员的驾驶行为序列做相关研究,将发生总概率之和大于50%的驾驶行为序列作为驾驶员正常驾驶模式的驾驶行为。
步骤4,对于每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列,计算该驾驶员在每种道路类型下的所有驾驶行为序列的信息熵,从而得到该驾驶员在每种道路类型下的驾驶稳定性。
本发明利用信息熵反映驾驶行为链的复杂程度,从而表征驾驶稳定性;采用驾驶员在不同路段的纵向驾驶行为序列信息熵来考量驾驶员的稳定性,如果信息熵越大,驾驶紊乱性也就越大,那么驾驶行为序列的相似性越低,驾驶稳定性越差。
依据公式计算正常驾驶模式下,驾驶员在不同道路状况下的信息熵,信息熵值越大,驾驶行为链需要更多的信息来反映,驾驶行为链的混乱程度越高,驾驶稳定性Sr(d)越差。
驾驶员的驾驶稳定性评估可能与诸多因素的选取有关,因此本发明基于多名驾驶员(大于30名)的驾驶实测数据对驾驶行为的划分、道路类型的分类进行数据分析,研究表明当检测序列长度为8时,评估结果较为稳定,因此本发明选定驾驶行为序列长度为8。在异常驾驶的情况下,评估驾驶员驾驶稳定性意义甚微,因此本发明考虑在正常驾驶模式下不同道路类型条件下评估驾驶员稳定性的差异。此外驾驶员的稳定性是驾驶员长时间驾驶风格的反应,因此本文在对数据处理过程中,均采用长时间(2-5个月)的驾驶员整体的驾驶数据,数据的预处理过程也考虑到行驶道路状况做了平滑。
本发明首先通过对各驾驶员的速度数据进行分析,设计加速度指标,并利用特征指标,转化得出驾驶员的驾驶行为序列。而后利用所获取的每位驾驶员的GPS经纬度数据,将行驶道路类型分为高速路段、普通路段和交叉口。驾驶行为的划分是驾驶员稳定性评估的基础,最后,通过驾驶行为序列的信息熵反应驾驶员的驾驶稳定性。此外,驾驶行为序列的长度选取直接关系到驾驶员稳定性评估的合理与否。
本发明通过实时采集车辆速度数据以及经纬度数据,通过驾驶行为的划分以及道路类型的分类,克服基于短时段的评估结果的不准确性以及不稳定性,通过长时段的检测来考量驾驶员的驾驶稳定性。本发明主要服务于车辆安全系统和运输企业安全管理系统,驾驶员在不同道路状况下的稳定性不同,给交通安全带来的隐患程度也不同,运输企业在驾驶员的管理层面可以合理的进行分批、分类、不同程度的教育,从而降低营运车辆的事故频数,为运输企业的管理带来便捷,提高运输企业的运营效益。另外,本发明可以在驾驶员驾驶状态出现长时间波动时,对其给予合理的建议,从而提高驾驶员的安全性。本发明的实际应用可以大大降低因驾驶员的个人驾驶行为导致的交通事故导致,能够提高交通系统的整体安全性。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,包括以下步骤:
步骤1,实时采集驾驶员的驾驶速度数据及对应的原始位置数据,根据驾驶速度数据获取该驾驶员的驾驶行为序列;根据原始位置数据获取行驶道路类型数据,进而得到原始道路类型序列;
其中,所述原始位置数据为车辆的经度和纬度;
步骤2,对每个原始道路类型序列进行平滑处理,剔除不光滑数据,得到平滑处理后的道路类型序列;
步骤3,获取在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列;
步骤4,对于每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列,计算该驾驶员在每种道路类型下的所有驾驶行为序列的信息熵,从而得到该驾驶员在每种道路类型下的驾驶稳定性。
2.根据权利要求1所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,采集数据的时间间隔为5s。
4.根据权利要求3所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,所述驾驶行为序列的长度为8。
5.根据权利要求3所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,当加速度at≤-1.389m/s2时,确定为快减速;
当加速度-1.389m/s2<at≤-0.278m/s2时,确定为慢减速;
当加速度-0.278m/s2<at≤0.139m/s2时,确定为正常驾驶;
当加速度0.139m/s2<at≤0.556m/s2时,确定为慢加速;
当加速度at>0.556m/s2时,确定为快加速。
6.根据权利要求1所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,根据原始位置数据获取行驶道路类型数据,具体为:依据车辆GPS传感器获取车辆当前的经度和纬度,再结合百度地图API,先确定车辆行驶位置是否为高速路段,其次对于非高速路段,与路口的距离<5m的判定为交叉口路段,其余路段为普通路段,从而确定车辆当前位置的行驶道路类型;
其中,所述行驶道路类型包含高速路段、普通路段和交叉口,每种类型对应一个代码。
7.根据权利要求1所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,所述原始道路类型序列的长度与驾驶行为序列的长度相同。
9.根据权利要求1所述的基于信息熵的驾驶员驾驶稳定性评估方法,其特征在于,所述在每种道路类型下该驾驶员正常驾驶模式下的驾驶行为序列,具体为:对于某一评估时间段内该驾驶员在每种道路类型下的驾驶行为序列,定义该驾驶员在任一种道路类型下总发生概率之和大于设定阈值的驾驶行为序列为正常驾驶模式下的驾驶行为序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210514.XA CN113011713B (zh) | 2021-02-25 | 2021-02-25 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210514.XA CN113011713B (zh) | 2021-02-25 | 2021-02-25 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011713A true CN113011713A (zh) | 2021-06-22 |
CN113011713B CN113011713B (zh) | 2023-11-14 |
Family
ID=76385808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110210514.XA Active CN113011713B (zh) | 2021-02-25 | 2021-02-25 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202921A (zh) * | 2021-12-09 | 2022-03-18 | 洛阳师范学院 | 交通流量的多尺度符号动态熵分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104590275A (zh) * | 2014-11-27 | 2015-05-06 | 厦门雅迅网络股份有限公司 | 一种驾驶行为分析方法 |
CN110210980A (zh) * | 2018-06-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种驾驶行为评估方法、装置和存储介质 |
CN110222596A (zh) * | 2019-05-20 | 2019-09-10 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶员行为分析防作弊方法 |
CN110588658A (zh) * | 2019-09-26 | 2019-12-20 | 长安大学 | 一种基于综合模型检测驾驶员风险等级的方法 |
WO2020132543A1 (en) * | 2018-12-20 | 2020-06-25 | Nauto, Inc. | System and method for analysis of driver behavior |
-
2021
- 2021-02-25 CN CN202110210514.XA patent/CN113011713B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104590275A (zh) * | 2014-11-27 | 2015-05-06 | 厦门雅迅网络股份有限公司 | 一种驾驶行为分析方法 |
CN110210980A (zh) * | 2018-06-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种驾驶行为评估方法、装置和存储介质 |
WO2020132543A1 (en) * | 2018-12-20 | 2020-06-25 | Nauto, Inc. | System and method for analysis of driver behavior |
CN110222596A (zh) * | 2019-05-20 | 2019-09-10 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶员行为分析防作弊方法 |
CN110588658A (zh) * | 2019-09-26 | 2019-12-20 | 长安大学 | 一种基于综合模型检测驾驶员风险等级的方法 |
Non-Patent Citations (2)
Title |
---|
AIFEN F.等: "Driver Risk Assessment Using Traffic Violation and Accident Data by Machine Learning Approaches", 2018 3RD IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION ENGINEERING (ICITE) * |
牛世峰 等: "卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型", 中国公路学报 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202921A (zh) * | 2021-12-09 | 2022-03-18 | 洛阳师范学院 | 交通流量的多尺度符号动态熵分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113011713B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110588658B (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN112668172B (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN111724505A (zh) | 一种行驶工况构建方法及装置 | |
CN113011713B (zh) | 一种基于信息熵的驾驶员驾驶稳定性评估方法 | |
CN106126637A (zh) | 一种交通工具类别识别方法及装置 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
CN109979198B (zh) | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 | |
CN115762140B (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
CN115794801B (zh) | 一种挖掘自动驾驶事故致因链式关系的数据分析方法 | |
CN113032452B (zh) | 一种基于欧氏距离的驾驶员驾驶稳定性评估方法 | |
CN113011712B (zh) | 基于欧氏距离和信息熵的驾驶员驾驶稳定性评估方法 | |
CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
CN110705628A (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
CN113743466B (zh) | 一种基于决策树的道路类型识别方法及系统 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
CN112937592B (zh) | 基于车头时距来辨识驾驶风格的方法及系统 | |
CN114013285B (zh) | 一种电动汽车实际续驶里程评估方法 | |
CN117829370B (zh) | 一种交通事故严重程度预测方法、系统及计算机设备 | |
CN117037466A (zh) | 一种基于门架数据的高速公路交通状态确定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |