CN113442935B - 一种商用车不良驾驶行为的判断方法及系统 - Google Patents
一种商用车不良驾驶行为的判断方法及系统 Download PDFInfo
- Publication number
- CN113442935B CN113442935B CN202110800443.9A CN202110800443A CN113442935B CN 113442935 B CN113442935 B CN 113442935B CN 202110800443 A CN202110800443 A CN 202110800443A CN 113442935 B CN113442935 B CN 113442935B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- threshold value
- speed
- driving
- data
- 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
Links
Images
Classifications
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
-
- 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
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Abstract
本发明公开了一种商用车不良驾驶行为的判断方法及系统,其中,一种商用车不良驾驶行为的判断方法包括,通过传感器采集车辆行驶数据;利用无线通讯模块将所述车辆行驶数据传输至云端;清洗车辆行驶数据,并基于切比雪夫定理、描述性统计分析策略确定不良驾驶行为特征阈值;结合车辆行驶数据和不良驾驶行为特征阈值,识别不良驾驶行为;本发明通过对商用车辆行驶数据的实时采集可识别出驾驶员在驾驶过程中的多种不良驾驶行为,有助于实时监控驾驶员驾驶行为,帮助驾驶员养成良好的驾驶习惯,提升驾驶的安全性,降低事故发生率,创造更加安全、高效的运输环境,保障驾驶员和货物运输安全。
Description
技术领域
本发明涉及车联网交通安全的技术领域,尤其涉及一种商用车不良驾驶行为的判断方法及系统。
背景技术
车联网时代的到来,促使物流行业快速发展,公路的货运量和周转量呈逐年攀升之势。与此同时,道路交通事故率迅猛增长,危害人民的生命财产安全,给社会带来巨大经济损失,因此,货运安全问题亟待解决。
交通事故的发生受众多因素的影响,包括客观因素、社会因素、环境因素、驾驶员自身因素等。对交通事故成因的研究表明,由驾驶员个体的不良驾驶行为造成的交通事故占事故总数的92.7%,集中体现为驾驶员积极和消极情绪状态,从而对车辆的操控行为失去合理性和规范性,出现急加速、急刹车等不安全驾驶行为,导致追尾、刮碰、侧翻等交通事故,对驾驶员和其他道路交通参与者的生命财产安全造成了极大的威胁。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了商用车不良驾驶行为的判断方法,能够实现对多种商用车不良驾驶行为类型的识别,填补了商用车不良驾驶行为判断与识别领域的空白。
为解决上述技术问题,本发明提供如下技术方案:包括,一种商用车不良驾驶行为的判断方法,其特征在于:包括,通过传感器采集车辆行驶数据;利用无线通讯模块将所述车辆行驶数据传输至云端;清洗所述车辆行驶数据,并基于切比雪夫定理、描述性统计分析策略确定不良驾驶行为特征阈值;结合所述车辆行驶数据和不良驾驶行为特征阈值,识别不良驾驶行为。
作为本发明所述的商用车不良驾驶行为的判断方法的一种优选方案,其中:所述车辆行驶数据包括,车辆属性:底盘号、车辆VIN码、车辆类型;GPS数据:经纬度、GPS海拔、GPS车速、GPS加速度、GPS里程、GPS方向;车辆状态数据:ECU车速、加速度、转速、油门开度、档位状态、仪表车速累积里程、变速箱输出轴转速、发动机负荷百分比、发动机扭矩百分比、扭矩、车辆行驶时间、机油压力、终端电池电量、水温。
作为本发明所述的商用车不良驾驶行为的判断方法的一种优选方案,其中:清洗所述车辆行驶数据包括,缺失值的填补、异常值的检测以及跳变数据的删除与修正。
作为本发明所述的商用车不良驾驶行为的判断方法的一种优选方案,其中:所述不良驾驶行为特征阈值包括驻车运行阈值、油门开度阈值、急加速阈值、急减速阈值、急刹车阈值、车速过高阈值、超长怠速阈值、低挡高速阈值和超速行驶阈值。
作为本发明所述的商用车不良驾驶行为的判断方法的一种优选方案,其中:还包括,根据任意10辆车一个月内的油门开度信息,基于切比雪夫定理取z=2与描述性统计分析策略80%分位数,确定油门开度阈值;根据任意10辆车一个月内的加速度信息,利用描述性统计分析策略98%分位数,确定急加速阈值和急减速阈值;根据所述任意10辆车一个月内的负加速度信息,基于切比雪夫定理取z=6与描述性统计分析策略80%分位数,确定急刹车阈值;根据海量商用车辆行驶数据的实际分布,确定驻车运行阈值、车速过高阈值、超长怠速阈值、低挡高速阈值、超速行驶阈值;其中,z为标准差个数。
作为本发明所述的商用车不良驾驶行为的判断方法的一种优选方案,其中:所述识别包括驻车运行识别、大油门识别、车速过高识别、急加速识别、急减速识别、急刹车识别、超长怠速识别、低挡高速识别、超速行驶识别;所述驻车运行识别:行驶车速等于0,发动机转速大于0rpm,且持续时间大于1分钟,则判定为驻车运行;所述大油门识别:油门开度大于等于85%,持续时间大于等于2秒,则判定为大油门;所述急加速识别:加速度大于等于0.4m/s2,持续时间大于等于2秒,且速度差大于等于2.88km/h,则判定为急加速;所述急减速识别:加速度小于等于-0.63m/s2,持续时间大于等于2秒,且速度差大于等于4.54km/h,则判定为急减速;所述急刹车识别:负加速度小于等于-1.17m/s2,且减速末期车速小于20km/h,则判定为急刹车;所述车速过高识别:当前档位为最高档位,且发动机转速大于该发动机的最大经济转速,则判定为车速过高;所述超长怠速识别:车速等于0,发动机转速小于800rpm,持续时间大于等于60秒,则判定为超长怠速;所述低挡高速识别:当前变速档位小于最高档位,且加速度小于0.2m/s2,且发动机转速大于等于发动机经济转速,且持续时间大于等于1秒,则判定为低挡高速;所述超速行驶识别:所述车速大于90km/h且持续时间大于等于2秒,则判定为超速行驶。
作为本发明所述的商用车不良驾驶行为的判断系统的一种优选方案,其中:包括,车辆行驶数据获取模块,用于获取车辆上多个传感器所采集的车辆行驶数据;其中,所述车辆行驶数据包括行驶车速、行驶加速度、发动机转速、油门开度、档位状态和扭矩百分比;车辆行驶数据传输模块与所述车辆行驶数据获取模块连接,用于传输所述车辆行驶数据;车辆行驶数据计算模块与所述车辆行驶数据传输模连接,用于计算车辆行驶数据;车辆行驶数据分析识别模块与所述车辆行驶数据计算模块连接,用于分析所述车辆行驶数据,识别商用车不良驾驶行为;其中,所述商用车不良驾驶行为包括:驻车运行、大油门、急加速、急减速、急刹车、车速过高、超长怠速、低挡高速、超速行驶。
作为本发明所述的商用车不良驾驶行为的判断系统的一种优选方案,其中:包括,所述车辆行驶数据计算模块包括数据清洗子模块和阈值确定子模块;所述数据清洗子模块用于对所述车辆行驶数据进行缺失值的填补、异常值的检测以及一些跳变数据的删除与修正操作;所述阈值确定子模块,用于确定商用车不良驾驶行为特征阈值。
本发明的有益效果:通过对商用车辆行驶数据的实时采集可识别出驾驶员在驾驶过程中的多种不良驾驶行为,有助于实时监控驾驶员驾驶行为,帮助驾驶员养成良好的驾驶习惯,提升驾驶的安全性,降低事故发生率,创造更加安全、高效的运输环境,保障驾驶员和货物运输安全。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的商用车不良驾驶行为的判断方法的不良驾驶行为(大油门、急加速、急减速和急刹车)的阈值确定与识别流程示意图;
图2为本发明第一个实施例所述的商用车不良驾驶行为的判断方法的不良驾驶行为(驻车运行、车速过高、超长怠速、低挡高速和超速行驶)的阈值确定与识别流程示意图;
图3为本发明第一个实施例所述的商用车不良驾驶行为的判断方法的流程示意图;
图4为本发明第二个实施例所述的商用车不良驾驶行为的判断方法的油门开度分布直方图;
图5为本发明第二个实施例所述的商用车不良驾驶行为的判断方法的加速度分布直方图;
图6为本发明第三个实施例所述的商用车不良驾驶行为的判断系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~3,为本发明的第一个实施例,该实施例提供了一种商用车不良驾驶行为的判断方法,包括:
S1:通过传感器采集车辆行驶数据。
车辆行驶数据包括:车辆属性,如底盘号、车辆VIN码、车辆类型;GPS数据,如经纬度、GPS海拔、GPS车速、GPS加速度、GPS里程、GPS方向;车辆状态数据,如ECU车速、加速度、转速、油门开度、档位状态、仪表车速累积里程、变速箱输出轴转速、发动机负荷百分比、发动机扭矩百分比、扭矩、总车辆行驶时、机油压力、终端电池电量、水温。
其中,ECU车速、转速、油门开度、档位状态、仪表车速累积里程、变速箱输出轴转速、发动机负荷百分比、发动机扭矩百分比、扭矩、总车辆行驶时、机油压力、终端电池电量、水温等数据可通过TBOX或OBD设备从汽车总线上采集;加速度可通过三轴加速度传感器采集;GPS数据,如经纬度、GPS海拔、GPS车速、GPS加速度、GPS里程、GPS方向等可通过定位设备(如Global Positioning System,全球定位系统)采集定位信息。
在采集车辆行驶数据时,可根据所要识别的不良驾驶行为的类型有目的地选取所要采集行车数据的类型。
S2:利用无线通讯模块将车辆行驶数据传输至云端。
随着车联网及通信行业的快速发展,携带丰富网络协议的无线通讯模块已经得到了广泛应用;利用带有无线通讯模块的车载设备可快速地实现互联网接入,从而实现行车数据到云端的传输。
S3:清洗车辆行驶数据,并基于切比雪夫定理、描述性统计分析策略确定不良驾驶行为特征阈值。
(1)清洗车辆行驶数据
缺失值的填补、异常值的检测以及跳变数据的删除与修正。
(2)确定不良驾驶行为特征阈值
不良驾驶行为特征阈值包括驻车运行阈值、油门开度阈值、急加速阈值、急减速阈值、急刹车阈值、车速过高阈值、超长怠速阈值、低挡高速阈值和超速行驶阈值。
根据任意10辆车一个月内的油门开度信息,基于切比雪夫定理取z=2与描述性统计分析策略80%分位数,确定油门开度阈值;根据任意10辆车一个月内的加速度信息,利用描述性统计分析策略98%分位数,确定急加速阈值和急减速阈值;根据任意10辆车一个月内的负加速度信息,基于切比雪夫定理取z=6与描述性统计分析策略80%分位数,确定急刹车阈值;根据海量商用车辆行驶数据的实际分布,确定驻车运行阈值、车速过高阈值、超长怠速阈值、低挡高速阈值、超速行驶阈值;
具体的,①确定驻车运行阈值:依据经验与实车数据分布情况,将车速阈值定为0、发动机转速阈值定为0rpm以及持续时间阈值定为1分钟,即当行驶车速等于0,且发动机转速大于0rpm,且持续时间大于1分钟,则判定为驻车运行。
②油门开度阈值:
a)由任意10辆车的vin码取出各自车辆工况表中一个月内的全部油门开度信息;
b)分析这10辆车一个月内踩踏油门阶段时的油门开度信息,基于切比雪夫定理:
在任意一个数据集中,与平均数的距离在z个标准差之内的数据值所占的比例至少为(1-1/z2),其中z是大于1的任意实数;结合数据实际表现情况,取z=2,则至少有75%的数据值与平均数的距离在2个标准差之内;其中10辆车分析结果如下表。
表1:10辆车油门开度信息分析结果。
c)对表1切比雪夫定理分析结果进行描述性统计分析,取80%分位数为85,则确定的油门开度阈值为85%,根据实车数据分布情况,取持续时间阈值为2秒。
d)最终确定将油门开度大于等于85%,持续时间大于等于2秒,判定为大油门。
③急加速阈值:
a)由任意10辆车的vin码取出各自车辆工况表中一个月内的加速度信息;
b)分析这10辆车一个月内的正加速度信息,基于描述性统计分析方法,依据98%分位数确定正加速度阈值,结果如下表所示。
表2:10辆车正加速度信息分析结果。
c)依据上表,取正加速度98%分位数的平均值0.4,即0.4为确定的急加速正加速度阈值,根据实车数据分布情况,取持续时间阈值为2秒;
d)根据加速度计算公式:a=Δv/Δt,可确定速度差阈值为2.88km/h;
e)最终确定将加速度大于等于0.4m/s2,且持续时间大于等于2秒,且速度差大于等于2.88km/h,判定为急加速。
④急减速阈值:
a)由任意10辆车的vin码取出各自车辆工况表中一个月内的加速度信息;
b)分析这10辆车一个月内的负加速度信息,基于描述性统计分析策略,依据98%分位数确定负加速度阈值,结果如下表所示。
表3:10辆车加速度信息分析结果。
c)依据上表,取负加速度98%分位数的平均值-0.63,即-0.63为确定的急减速负加速度阈值,根据实车数据分布情况,取持续时间阈值为2秒。
d)根据加速度计算公式:a=Δv/Δt,可确定速度差阈值为4.54km/h。
e)最终确定将加速度小于等于-0.63m/s2,且持续时间大于等于2秒,且速度差大于等于4.54km/h,则判定为急减速。
⑤急刹车阈值:
a)由任意10辆车的vin码取出各自车辆工况表中一个月内的加速度信息;
b)分析这10辆车一个月内的负加速度信息,基于切比雪夫定理:
在任意一个数据集中,与平均数的距离在z个标准差之内的数据值所占的比例至少为(1-1/z2),其中z是大于1的任意实数;结合数据实际表现情况,取z=6,则至少有97.2%的数据值与平均数的距离在6个标准差之内;其中10辆车分析结果如下表。
表4:10辆车加速度信息分析结果。
c)对上表切比雪夫定理分析结果进行描述性统计分析,取80%分位数为-1.17,则确定的急刹车负加速度阈值为-1.17,根据实车数据分布情况,取末速度阈值为20km/h。
d)最终确定将负加速度小于等于-1.17m/s2,且减速末期车速小于20km/h,判定为急刹车。
⑥车速过高阈值:
依据经验与实车数据分布情况,将当前档位为最高档,且发动机转速大于该发动机的最大经济转速,判定为车速过高。
⑦超长怠速阈值:
依据经验与实车数据分布情况,车速阈值定为0,转速阈值定为800rpm,持续时间阈值定为60秒,即当车速等于0,发动机转速小于800rpm,持续时间大于等于60秒,则判定为超长怠速。
⑧低挡高速阈值:
依据经验与实车数据分布情况,将当前变速档位小于最高档位,且加速度小于0.2,且发动机转速大于等于发动机经济转数,且持续时间大于等于1秒,判定为低挡高速。
⑨超速行驶阈值:
依据经验与实车数据分布情况,将车速阈值确定为90km/h,持续时间阈值确定为2秒,即当车速大于90km/h且持续时间大于等于2秒,则判定为超速行驶。
本领域技术人员应当了解,所确定的商用车不良驾驶行为阈值并不局限于上述实施例中所描述的数值,由于客观因素、社会因素、环境因素、驾驶员自身因素等因素的影响,对不良驾驶行为确定的阈值有不同结果,但所提阈值确定方法仍可沿用。
S4:结合车辆行驶数据和不良驾驶行为特征阈值,识别不良驾驶行为。
从车辆行驶数据中提取出包括行驶车速、行驶加速度、发动机转速、油门开度、档位状态、扭矩百分比在内的数据,通过对这些数据的分析,得出驾驶员是否有包括驻车运行、大油门、急加速、急减速、急刹车、车速过高、超长怠速、低挡高速、超速行驶的不良驾驶行为。
其中识别包括驻车运行识别、大油门识别、车速过高识别、急加速识别、急减速识别、急刹车识别、超长怠速识别、低挡高速识别、超速行驶识别;
具体的,(1)驻车运行识别:行驶车速等于0,发动机转速大于0rpm,且持续时间大于1分钟,则判定为驻车运行。
(2)大油门识别:油门开度大于等于85%,持续时间大于等于2秒,则判定为大油门。
(3)急加速识别:加速度大于等于0.4m/s2,持续时间大于等于2秒,且速度差大于等于2.88km/h,则判定为急加速;
(4)急减速识别:加速度小于等于-0.63m/s2,持续时间大于等于2秒,且速度差大于等于4.54km/h,则判定为急减速;
(5)急刹车识别:负加速度小于等于-1.17m/s2,且减速末期车速小于20km/h,则判定为急刹车;
(6)车速过高识别:当前档位为最高档位,且发动机转速大于该发动机的最大经济转速,则判定为车速过高;
驾驶时,车辆会处于一个档位;以商用车16个档位为例,假设驾驶员现在挂10档运行,那么当前档位就是10挡,低于最高档位16档。
(7)超长怠速识别:车速等于0,发动机转速小于800rpm,持续时间大于等于60秒,则判定为超长怠速;
(8)低挡高速识别:当前变速档位小于最高档位,且加速度小于0.2m/s2,且发动机转速大于等于发动机经济转速,且持续时间大于等于1秒,则判定为低挡高速;
(8)超速行驶识别:车速大于90km/h且持续时间大于等于2秒,则判定为超速行驶。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择的不良驾驶行为判断方法和采用本方法进行测试,以较为科学的手段分析试验结果,以验证本方法所具有的真实效果。
将本方法编写为matlab程序,用于检测商用车辆不良驾驶行为;所测得10辆车一个月内的油门开度阈值分布如下表。
表1:10辆车一个月内的油门开度阈值。
结合上表和图4(油门开度分布直方图)可知,油门开度大于85%占比约5%左右,且其分布大致符合正态分布,因此该项阈值设定可近似服从3σ原则,可视为合理的。
所测得10辆车一个月内的加速度阈值分布如下表。
表2:10辆车一个月内的加速度阈值分布。
结合上表和图5可知,急加速、急减速和急刹车的加速度均属于较为极端情况,急加速的加速度a>0.4m/s2占比约3%,急减速的减速度a<-0.63m/s2占比同样约3%,近似等于急加速的分布,急刹车的减速度a<-1.17m/s2占比均小于1%,属于极少数情况,符合实际情况。
其中1辆车一个月内的行驶数据,其重要字段信息如下表。
表3:1辆车一个月内的行驶数据中的重要字段信息。
参考上表重要字段信息,基于本方法编写相应matlab程序,可计算该车一个月内的各项不良驾驶行为,如下表所示。
表4:该车一个月内的各项不良驾驶行为。
将上表各项不良驾驶行为统计,如下表所示。
表5:一个月内各项不良驾驶行为次数。
由上表可知,将本方法付诸实践可求得所述商用车各项不良驾驶行为,其中,所有车辆在均存在较多大油门行为,符合商用车的驾驶特点;车辆1、车辆2和车辆9的各项不良驾驶行为次数较高,且驻车运行次数较少,因此可初略判断其运行路况多为高速公路,而其余车辆的各项不良驾驶行为次数均不高,唯独急加速、急减速、驻车运行稍多,可推断其驾驶环境需要不断启停,多为城郊道路;基于以上分析可知,将本方法运用实践可实时且合理地对商用车不良驾驶行为进行判断。
实施例3
参照图4,为本发明的第三个实施例,该实施例不同于第一个实施例的是,提供了一种商用车不良驾驶行为的判断系统,包括:车辆行驶数据获取模块100、车辆行驶数据传输模块200、车辆行驶数据计算模块300和车辆行驶数据分析识别模块400。
车辆行驶数据获取模块100,用于获取车辆上多个传感器所采集的车辆行驶数据;其中,车辆行驶数据包括行驶车速、行驶加速度、发动机转速、油门开度、档位状态和扭矩百分比。
车辆行驶数据传输模块200与车辆行驶数据获取模块100连接,用于传输车辆行驶数据。
车辆行驶数据计算模块300与车辆行驶数据传输模块200连接,用于计算车辆行驶数据;其包括数据清洗子模块301和阈值确定子模块302;数据清洗子模块301用于对车辆行驶数据进行缺失值的填补、异常值的检测以及一些跳变数据的删除与修正操作;阈值确定子模块302,用于确定商用车不良驾驶行为特征阈值。
车辆行驶数据分析识别模块400与车辆行驶数据计算模块300连接,用于分析车辆行驶数据,识别商用车不良驾驶行为;其中,商用车不良驾驶行为包括:驻车运行、大油门、急加速、急减速、急刹车、车速过高、超长怠速、低挡高速、超速行驶。
本实施例提供的商用车不良驾驶行为的判断系统通过对车辆行驶数据的实时采集可识别出驾驶员在驾驶过程中多种类型的不良驾驶行为,有助于驾驶员养成良好的驾驶习惯,提升驾驶的安全性,降低事故发生率,创造更加安全、高效的运输环境,保障驾驶员和货物运输安全。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种商用车不良驾驶行为的判断方法,其特征在于:包括,
通过传感器采集车辆行驶数据;
利用无线通讯模块将所述车辆行驶数据传输至云端;
清洗所述车辆行驶数据,并基于切比雪夫定理、描述性统计分析策略确定不良驾驶行为特征阈值;所述不良驾驶行为特征阈值包括驻车运行阈值、油门开度阈值、急加速阈值、急减速阈值、急刹车阈值、车速过高阈值、超长怠速阈值、低挡高速阈值和超速行驶阈值;
根据任意10辆车一个月内的油门开度信息,基于切比雪夫定理取z=2与描述性统计分析策略80%分位数,确定油门开度阈值;
根据任意10辆车一个月内的加速度信息,利用描述性统计分析策略98%分位数,确定急加速阈值和急减速阈值;
根据所述任意10辆车一个月内的负加速度信息,基于切比雪夫定理取z=6与描述性统计分析策略80%分位数,确定急刹车阈值;
根据海量商用车辆行驶数据的实际分布,确定驻车运行阈值、车速过高阈值、超长怠速阈值、低挡高速阈值、超速行驶阈值;其中,z为标准差个数;
结合所述车辆行驶数据和不良驾驶行为特征阈值,识别不良驾驶行为。
2.如权利要求1所述的商用车不良驾驶行为的判断方法,其特征在于:所述车辆行驶数据包括商用车辆行驶数据包括,
车辆属性:底盘号、车辆VIN码、车辆类型;
GPS数据:经纬度、GPS海拔、GPS车速、GPS加速度、GPS里程、GPS方向;
车辆状态数据:ECU车速、加速度、转速、油门开度、档位状态、仪表车速累积里程、变速箱输出轴转速、发动机负荷百分比、发动机扭矩百分比、扭矩、车辆行驶时间、机油压力、终端电池电量、水温。
3.如权利要求2所述的商用车不良驾驶行为的判断方法,其特征在于:清洗所述车辆行驶数据包括,
缺失值的填补、异常值的检测以及跳变数据的删除与修正。
4.如权利要求3所述的商用车不良驾驶行为的判断方法,其特征在于:所述识别包括驻车运行识别、大油门识别、车速过高识别、急加速识别、急减速识别、急刹车识别、超长怠速识别、低挡高速识别、超速行驶识别;
所述驻车运行识别:行驶车速等于0,发动机转速大于0rpm,且持续时间大于1分钟,则判定为驻车运行;
所述大油门识别:油门开度大于等于85%,持续时间大于等于2秒,则判定为大油门;
所述急加速识别:加速度大于等于0.4m/s2,持续时间大于等于2秒,且速度差大于等于2.88km/h,则判定为急加速;
所述急减速识别:加速度小于等于-0.63m/s2,持续时间大于等于2秒,且速度差大于等于4.54km/h,则判定为急减速;
所述急刹车识别:负加速度小于等于-1.17m/s2,且减速末期车速小于20km/h,则判定为急刹车;
所述车速过高识别:当前档位为最高档位,且发动机转速大于该发动机的最大经济转速,则判定为车速过高;
所述超长怠速识别:车速等于0,发动机转速小于800rpm,持续时间大于等于60秒,则判定为超长怠速;
所述低挡高速识别:当前变速档位小于最高档位,且加速度小于0.2m/s2,且发动机转速大于等于发动机经济转速,且持续时间大于等于1秒,则判定为低挡高速;
所述超速行驶识别:所述车速大于90km/h且持续时间大于等于2秒,则判定为超速行驶。
5.一种商用车不良驾驶行为的判断系统,基于权利要求1所述的商用车不良驾驶行为的判断方法,其特征在于:包括,
车辆行驶数据获取模块(100),用于获取车辆上多个传感器所采集的车辆行驶数据;其中,所述车辆行驶数据包括行驶车速、行驶加速度、发动机转速、油门开度、档位状态和扭矩百分比;
车辆行驶数据传输模块(200)与所述车辆行驶数据获取模块(100)连接,用于传输所述车辆行驶数据;
车辆行驶数据计算模块(300)与所述车辆行驶数据传输模块(200)连接,包括数据清洗子模块(301)和阈值确定子模块(302);
所述数据清洗子模块(301)用于对所述车辆行驶数据进行缺失值的填补、异常值的检测以及一些跳变数据的删除与修正操作;
所述阈值确定子模块(302),用于基于切比雪夫定理、描述性统计分析策略确定不良驾驶行为特征阈值;所述不良驾驶行为特征阈值包括驻车运行阈值、油门开度阈值、急加速阈值、急减速阈值、急刹车阈值、车速过高阈值、超长怠速阈值、低挡高速阈值和超速行驶阈值;
根据任意10辆车一个月内的油门开度信息,基于切比雪夫定理取z=2与描述性统计分析策略80%分位数,确定油门开度阈值;
根据任意10辆车一个月内的加速度信息,利用描述性统计分析策略98%分位数,确定急加速阈值和急减速阈值;
根据所述任意10辆车一个月内的负加速度信息,基于切比雪夫定理取z=6与描述性统计分析策略80%分位数,确定急刹车阈值;
根据海量商用车辆行驶数据的实际分布,确定驻车运行阈值、车速过高阈值、超长怠速阈值、低挡高速阈值、超速行驶阈值;其中,z为标准差个数;
车辆行驶数据分析识别模块(400)与所述车辆行驶数据计算模块(300)连接,用于分析所述车辆行驶数据,识别商用车不良驾驶行为;其中,所述商用车不良驾驶行为包括:驻车运行、大油门、急加速、急减速、急刹车、车速过高、超长怠速、低挡高速、超速行驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800443.9A CN113442935B (zh) | 2021-07-15 | 2021-07-15 | 一种商用车不良驾驶行为的判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800443.9A CN113442935B (zh) | 2021-07-15 | 2021-07-15 | 一种商用车不良驾驶行为的判断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113442935A CN113442935A (zh) | 2021-09-28 |
CN113442935B true CN113442935B (zh) | 2023-04-14 |
Family
ID=77816240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110800443.9A Active CN113442935B (zh) | 2021-07-15 | 2021-07-15 | 一种商用车不良驾驶行为的判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113442935B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083154A (zh) * | 2022-06-13 | 2022-09-20 | 中国第一汽车股份有限公司 | 一种车辆行驶事件的检测方法、装置、电子设备及介质 |
CN116704780A (zh) * | 2023-07-05 | 2023-09-05 | 山东理工大学 | 一种基于gps轨迹数据的异常驾驶行为识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
CN107226025B (zh) * | 2017-05-15 | 2020-08-18 | 长安大学 | 一种实时监控驾驶行为的系统的实时监控方法 |
JP7120534B2 (ja) * | 2018-01-26 | 2022-08-17 | 株式会社デンソーテン | 運転支援装置、及び運転特性の学習方法 |
CN110766031A (zh) * | 2018-07-27 | 2020-02-07 | 江苏迪纳数字科技股份有限公司 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
CN109455184B (zh) * | 2018-09-29 | 2020-09-11 | 一汽解放汽车有限公司 | 一种用于载货商用车的驾驶行为判定系统 |
CN109263578B (zh) * | 2018-10-17 | 2020-07-07 | 汉纳森(厦门)数据股份有限公司 | 车辆安全驾驶方法、介质及装置 |
CN111461185A (zh) * | 2020-03-19 | 2020-07-28 | 哈尔滨工程大学 | 一种基于改进K-means的驾驶行为分析方法 |
CN111439273A (zh) * | 2020-03-30 | 2020-07-24 | 杭州鸿泉物联网技术股份有限公司 | 一种不良驾驶检测模型精度提升的方法及系统 |
CN112613406B (zh) * | 2020-12-24 | 2022-06-14 | 吉林大学 | 一种基于大数据的商用车多维度运行评估方法 |
-
2021
- 2021-07-15 CN CN202110800443.9A patent/CN113442935B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113442935A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113442935B (zh) | 一种商用车不良驾驶行为的判断方法及系统 | |
CN108001453B (zh) | 一种识别高能耗驾驶行为的方法及系统 | |
CN104590275A (zh) | 一种驾驶行为分析方法 | |
CN103717470A (zh) | 旨在燃料节约的机动车辆驾驶方式评价 | |
CN112356837A (zh) | 车辆载重监测方法、服务器及控制系统 | |
CN104417368A (zh) | 用于告知燃料高效驾驶的方法和系统 | |
CN112070927A (zh) | 一种高速公路车辆微观驾驶行为分析系统与分析方法 | |
CN109493446A (zh) | 数据处理方法及装置 | |
CN114511178A (zh) | 共享出行用户安全驾驶行为的监测方法及系统 | |
JP2019114039A (ja) | 異常検出装置 | |
US10040459B1 (en) | Driver fuel score | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN111367968B (zh) | 驾驶数据处理方法、装置、设备及存储介质 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN114426025B (zh) | 驾驶辅助方法、装置、计算机设备和存储介质 | |
CN114228719B (zh) | 车辆辅助制动方法、电子设备及存储介质 | |
EP3891512B1 (en) | System and method for providing an indication of driving performance | |
CN114999150A (zh) | 路段拥堵判别方法、装置、车辆及存储介质 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
KR20160100264A (ko) | Dtg 빅데이터를 이용하는 연비 예측 모델 생성 방법 | |
CN111798091A (zh) | 一种基于变道持续时间的高速公路变道评分模型建立方法 | |
US9965907B1 (en) | Running characteristic for frequent data readings | |
CN115188205B (zh) | 一种基于道路信息的汽车行驶工况修正方法 | |
US20230391342A1 (en) | Road surface damage detection device, road surface damage detection method, and storage device | |
CN114742287A (zh) | 一种驾驶行为分析方法与系统 |
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 |