CN114676175A - 一种道路颠簸点检测方法、装置、设备及介质 - Google Patents

一种道路颠簸点检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114676175A
CN114676175A CN202210297104.8A CN202210297104A CN114676175A CN 114676175 A CN114676175 A CN 114676175A CN 202210297104 A CN202210297104 A CN 202210297104A CN 114676175 A CN114676175 A CN 114676175A
Authority
CN
China
Prior art keywords
data
sensor
deformation
time
difference value
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
Application number
CN202210297104.8A
Other languages
English (en)
Other versions
CN114676175B (zh
Inventor
孙堑
吴金霖
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210297104.8A priority Critical patent/CN114676175B/zh
Publication of CN114676175A publication Critical patent/CN114676175A/zh
Application granted granted Critical
Publication of CN114676175B publication Critical patent/CN114676175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种道路颠簸点检测方法、装置、设备及介质，涉及数据处理领域，尤其涉及智能交通技术领域。具体实现方案为：获取第一时间序列数据，第一时间序列数据为车辆在待测路段上行驶过程中，车辆上的传感器采集到的每一采样时刻的形变数据；对第一时间序列数据进行时间序列预测，得到第二时间序列数据，第二时间序列数据包括第一时间序列的每一采样时刻对应的形变数据预测值；计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为待测路段上的颠簸点。可以在降低检测复杂度的情况下，提高检测颠簸点的效率。

Description

一种道路颠簸点检测方法、装置、设备及介质
技术领域
本公开涉及数据处理技术领域，尤其涉及智能交通技术领域。
背景技术
载重车辆在运输货物时，会经过一些颠簸路段，颠簸路段会影响载重车辆的行车速度和行车安全，同时还可能会造成载重车辆上的货物破损，为了避免颠簸路段对载重车辆的行驶造成影响，需要在规划载重车辆行驶路线时对颠簸路段进行规避。
发明内容
本公开提供了一种道路颠簸点检测方法、装置、设备及介质。
根据本公开的第一方面，提供了一种道路颠簸点检测方法，包括：
获取第一时间序列数据，所述第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据；
对所述第一时间序列数据进行时间序列预测，得到第二时间序列数据，所述第二时间序列数据包括所述第一时间序列的每一采样时刻对应的形变数据预测值；
计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点。
根据本公开的第二方面，提供了一种道路颠簸点检测装置，包括：
获取模块，用于获取第一时间序列数据，所述第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据；
预测模块，用于对所述第一时间序列数据进行时间序列预测，得到第二时间序列数据，所述第二时间序列数据包括所述第一时间序列的每一采样时刻对应的形变数据预测值；
计算模块，用于计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
颠簸点确定模块，用于对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种道路颠簸点检测方法的流程图；
图2是本公开实施例提供的第一时间序列数据和第二时间序列数据的折线图的示例性示意图；
图3是本公开实施例提供的另一种道路颠簸点检测方法的流程图；
图4是本公开实施例提供的一种传感器数据相关程度的示例性示意图；
图5是本公开实施例提供的另一种道路颠簸点检测方法的流程图；
图6a为本公开实施例中提供的一种街景校验示例性示意图；
图6b为本公开实施例中提供的另一种街景校验示例性示意图；
图7为本公开实施例中提供的另一种街景校验示例性示意图；
图8为本公开实施例提供的一种确定颠簸点的颠簸程度方法的流程图；
图9为本公开实施例提供的一种道路颠簸点检测装置的结构示意图；
图10是用来实现本公开实施例的道路颠簸点检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
相关技术中，对颠簸路段的规避主要依靠载重车辆司机的自身经验进行判断，但是随着物流配送网络的日益复杂，司机依靠自身经验只能规避特定的小部分颠簸路段。
因此需要对物流配送网络中的所有路线进行道路颠簸点检测，将各路段上的颠簸点的位置标注出来，而目前对道路颠簸点的检测主要依靠人工使用各种专业的仪器设备对待测路段进行实地检测，例如，使用纵剖面式检测仪，反应式检测仪和惯性式检测仪等设备对待测路段进行实地检测，而人工使用这些仪器设备进行道路颠簸点检测的过程十分繁琐，时效性差。
为了解决上述问题，本公开实施例提供了一种道路颠簸点检测方法，该方法可以由电子设备执行，电子设备可以为智能手机、平板电脑、台式电脑、服务器等设备。
以下对本公开实施例提供的道路颠簸点检测方法进行详细介绍。
如图1所示，本公开实施例提供了一种道路颠簸点检测方法，该方法包括：
S101、获取第一时间序列数据。
其中，第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据。
其中，车辆为载重车辆，例如，可以为货车或物流车等装载货物的车辆。
采样时刻是第一时间序列数据中每一形变数据对应的采集时间点。
本公开实施例中，待测路段为需要进行颠簸点检测的路段，车辆中的传感器可以安装在车辆上的任一部位，该传感器可以检测到该传感器安装部位形变数据。
例如，本公开实施例中的传感器可以为重力传感器，具体可以为形变传感器，该形变传感器可以安装在车辆的车轴部位，用于检测并记录车辆车轴在车辆行驶过程中的形变数据。
本公开实施例中，车辆中的传感器还可以是车辆中智能设备的传感器，智能设备的传感器也可以采集形变数据，其中，智能设备可以是安装在车辆上的，也可以是车辆中人员携带的智能设备，例如，智能设备可以是车辆中的车载终端或者车辆中人员携带的手机、平板电脑等智能设备，本公开实施例对此不做具体限定。
S102、对第一时间序列数据进行时间序列预测，得到第二时间序列数据。
其中，第二时间序列数据包括第一时间序列的每一采样时刻对应的形变数据预测值。
如图2所示，图2为本公开实施例提供的一种时间序列数据示例性示意图，图2包括第一时间序列数据的折线图以及根据第一时间序列数据预测得到的第二时间序列数据的折线图。
本公开实施例中，可以通过时间序列分析对第一时间序列数据进行预测，其中，时间序列分析是一种通过输入与时间相关的序列数据预测下一时间点的数据的方法，具体地，可以通过无监督学习得到的时间序列模型对第一时间序列数据进行预测，得到第二时间序列数据。
例如，本公开实施例中的形变数据为车辆中安装的传感器采集到的形变量，第一时间序列数据为时长为60s的时间序列数据，每一秒都对应一个形变量，将该时长为60s的时间序列数据输入时间序列模型后，时间序列模型可以确定一个时间窗，假设该时间窗为5S，则时间序列模型可以根据时长为60s的时间序列数据中，第1S到5S的时间序列数据预测第6s的形变量预测值，第2S到6S的时间序列数据预测第7s的形变量预测值，以此类推，可以得到第二时间序列数据中第6S至60S的形变量预测值，可选地，可以将第一时间序列中第1S至第5S的对应的形变量作为第二时间序列中第1S至第5S的形变量预测值，就可以得到包括第1S至第60S形变量预测值的第二时间序列数据。
一种实现方式中，当第一时间序列数据为平稳序列时，可以选用自回归滑动平均模型(Autoregressive moving average model，ARMA模型)对第一时间序列数据进行预测。当第一时间序列数据为非平稳序列时，需要将第一时间序列数据转化为平稳序列，再进行预测，可以选用差分整合移动平均自回归模型(Autoregressive Integrated MovingAverage model，ARIMA模型)对第一时间序列数据进行预测，ARIMA模型可以通过差分运算将非平稳序列转化为平稳序列。
此外，上述时间序列模型的参数的确定方式为：通过赤池信息准则(AkaikeInformation Criterion，AIC)和贝叶斯信息准则(Bayesian Information Criterion，BIC)进行计算，选取BIC或AIC结果最小时模型的参数值作为最终模型的参数。
S103、计算每一采样时刻对应的形变数据与形变数据预测值之间的差值。
本公开实施例中，通过计算每一采样时刻对应的形变数据与形变数据预测值之间的差值，就可以得到每一采样时刻对应的差值。
S104、对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为待测路段上的颠簸点。
本公开实施例中，传感器在采样时刻采集到形变数据的同时，车辆中的行车记录仪还可以采集到在该采样时刻车辆所处位置的地理坐标，即车辆所处位置的经纬度，电子设备可以获取车辆中行车记录仪采集到的地理坐标，进而，可以将差值大于指定阈值的采样时刻对应的地理坐标作为待测路段上的颠簸点。
其中，指定阈值可以为预先设置的值，也可以为通过对各采样时刻对应的差值进行统计分析得到的值，具体对差值进行统计分析得到指定阈值的方法将在下文进行描述。
采用本公开实施例，通过传感器获取第一时间序列数据，即获取了车辆在待测路段上行驶过程中的每一采样时刻的形变数据，基于第一时间序列数据预测得到第二时间序列数据，第二时间序列数据包括的形变数据预测值相当于车辆在平整的道路上行驶时每一采样时刻的形变数据，由于车辆在颠簸路面行驶时的形变数据和车辆在平整路面行驶时的形变数据之间的差值较大，所以可以通过计算每一采样时刻对应的形变数据与形变数据预测值之间的差值，对各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为待测路段上的颠簸点。可见，在上述检测过程中未引入额外的设备对道路进行实地检测，实现简单，可以提高检测效率。
实际业务场景中，在车辆的行驶过程中车辆上的传感器会实时采集传感器数据，采集到的传感器数据中可能存在影响确定颠簸点的数据，为了提高颠簸点检测的准确性，需要对传感器数据进行数据清洗，在此基础上S101具体可以实现为：
获取车辆在待测路段行驶过程中，车辆上的传感器采集到的传感器数据，对传感器数据进行数据清洗，将数据清洗后的每一采样时刻对应的形变数据作为第一时间序列数据。
其中，传感器数据包括具有对应关系的时间与形变数据，形变数据为重力加速度或形变量。
可以理解的是，车辆中的传感器会实时采集形变数据，并记录采集到的每一形变数据和采集该形变数据的采集时刻。
需要说明的是，在车辆中的传感器为车辆上安装的传感器的情况下，传感器采集到的形变数据为形变量或重力加速度。
在车辆中的传感器为车辆中的智能设备中的传感器的情况下，传感器采集到的形变数据为重力加速度。
由于车辆在待测路段上行驶时，可能会存在加速、减速或者速度为零的情况，而车辆加速或者减速都会使得传感器检测到的形变数据产生变化，为了避免将车辆加速或减速产生的形变数据变化当做车辆经过颠簸点产生的形变数据变化，所以需要将车辆在加速或者减速时的传感器采集的形变数据去除掉，车辆速度为零时，说明此时车辆处于静止状态，此时传感器采集的形变数据也要去除。
并且由于车辆在装卸货物时，也会使得形变数据产生较大变化，所以需要将车辆重量变化较大时段，传感器采集到的形变数据去除掉。
针对上述可能会使得形变数据产生较大变化的情况，本公开实施例中，可以通过获取车辆中安装的传感器实时记录的车辆重量，进而，获取车辆重量变化较大的时段，将该时段的传感器采集到的形变数据去除掉。
还可以通过获取车辆中行车记录仪实时记录的车辆速度，获取车辆加速、减速和速度为零的时段，将该时段的传感器采集到的形变数据去除掉。
通过上述数据清洗过程，可以排除由于车辆加速或者减速时传感器采集的形变数据，即排除了车辆加速或者减速造成的形变数据变化，使得到的形变数据变化均为车辆经过颠簸点产生的形变数据变化，提升了颠簸点检测的准确度，同时将车辆静止和车辆重量变化较大时，传感器采集的形变数据去除，减少了后续对第一时间序列预测时无效数据的干扰，可以提升对第一时间序列的预测准确度。
在本公开另一实施例中，车辆上可能会安装多个传感器，采集到的多个传感器的传感器数据中可能存在影响确定颠簸点的数据，为了提高颠簸点检测的准确性，可以对采集到的传感器数据进行预处理，如图3所示，上述S101具体可以实现为：
S1011、获取车辆在待测路段行驶过程中，车辆上的多个传感器采集到的传感器数据。
其中，传感器数据包括具有对应关系的时间与形变数据，形变数据为重力加速度或形变量。
S1012、分别对每个传感器的传感器数据进行数据清洗。
其中，数据清洗过程与上述实施例描述的数据清洗过程一致，此处不再赘述。
S1013、基于数据清洗后，各传感器的传感器数据之间的相似度，从多个传感器中选择指定传感器。
本公开实施例中，可以计算多个传感器的传感器数据两两之间的相似度，因相似度高的传感器之间的数据相似，为降低计算量，可以从传感器数据相似度高的多个传感器中选择一个传感器作为指定传感器，另外，为了保证颠簸点检测的准确性，若一个传感器与其他传感器之间的相似度均较低，则将该传感器作为指定传感器。
如图4所示，图4为对8个传感器的传感器数据进行相似度计算得到的热力图，根据该图可以从传感器1、传感器2、传感器3、传感器4、传感器5、传感器6、传感器7和传感器8中，选取传感器2、传感器3、传感器6和传感器7作为指定传感器。
可选地，本公开实施例还可以计算各个传感器数据的偏度值和峰度值，若某一传感器的传感器数据的偏度值和峰度值，与其他传感器的传感器数据的偏度值和峰度值的差异均较大，则可将该传感器的传感器数据剔除，即不将该传感器作为指定传感器。
例如，如果车辆的一个车轴上安装传感器A和传感器B，另一个车轴安装传感器C和传感器D，若传感器A的传感器数据与其他传感器数据的偏度值和峰度值的差异均较大，则可将传感器A的传感器数据剔除。其中，如果传感器A和传感器B的传感器数据差异较大，说明传感器A所在一侧的道路可能颠簸程度过高，或者传感器A的传感器数据异常。如果传感器A与同一侧的传感器C的传感器数据差异也较大，则说明传感器A的传感器数据确实存在异常，可将传感器A的传感器数据剔除。
如此可以将异常传感器数据剔除，保证传感器数据的准确性，提升颠簸点检测的准确性。
S1014、将数据清洗后，指定传感器的传感器数据中，每一采样时刻对应的形变数据作为指定传感器的第一时间序列数据。
其中，指定传感器数量可以为一个或多个。
采用本公开实施例通过计算车辆上多个传感器的传感器数据之间的相似度，从传感器数据相似度高的传感器中选取一个传感器作为指定传感器，可以减小计算量，同时将相似度低的传感器作为指定传感器，可以提升传感器数据的准确性，进而，提升了最终颠簸点检测的准确性。
在通过上述图3的流程得到多个指定传感器对应的第一时间序列数据的情况下，上述S103具体可以实现为：
针对每个指定传感器，基于该指定传感器的第一时间序列数据和第二时间序列数据，计算每一采样时刻对应的形变数据与形变数据预测值之间的差值。将计算得到的各指定传感器在同一采样时刻的多个差值进行标准化处理，得到每个采样时刻对应的一个差值。
本公开实施例中，指定传感器的数量可以为多个，此时需要针对每一指定传感器的第一时间序列数据进行预测，得到每一指定传感器对应的第二时间序列。
本公开实施例中，每一指定传感器在同一采样时刻都会对应一个差值，例如，指定传感器数量为4个，则在每一采样时刻对应4个差值，此时，需要对每一采样时刻对应的4个差值进行标准化处理，得到一个差值，即每一采样时刻对应一个标准化差值。
后续进行差值分析时，可以针对各采样时刻对应的标准化差值进行分析，如此可以综合多个指定传感器采集的传感器数据进行颠簸点检测，可以提升颠簸点检测的准确性。
在本公开另一实施例中，上述S104中指定阈值可以为预先设置的值，还可以为通过对各个采样时刻对应的差值进行分析得到的值，如图5所示，上述S104具体可以实现为：
S1041、对计算得到的各采样时刻对应的差值进行分析，得到指定阈值。
指定阈值可以是通过对各采样时刻对应的差值进行统计分析得到的，S1041具体可以实现为：
对计算得到的各采样时刻对应的差值进行统计分析，得到平均值、标准差和置信区间，基于平均值、标准差和置信区间，计算指定阈值。
在本公开实施例中，各个采样时刻都对应一个差值，多个差值的分布符合正态分布，因此可以统计多个差值的平均值、标准差和置信区间，将置信区间右边界处对应的差值作为指定阈值。
例如，可以将90％置信区间的右边界处的差值作为指定阈值，则指定阈值＝平均值+1.645*标准差。
上述对各采样时刻对应的差值进行统计分析，得到平均值、标准差和置信区间的方法，相当于得到了多个差值的分布规律，将置信区间右边界处的对应的差值作为指定阈值，避免指定阈值选取过大或过小，提高了指定阈值的选取准确度。
在本公开实施例中，可以对等于指定阈值的差值对应的采样时刻在待测路段上的地理坐标进行街景校验，即通过地图APP中的街景功能查看该地理坐标处的路面是否存在不平整的情况，如图6a和图6b所示，图6a和图6b为两种街景校验的示例性示意图，其中，图6a中的路面存在不平整的情况，而图6b中的路面是平整的。
针对于图6b中的情况，若该地理坐标处的路面是平整的，则需要重新执行S1041，调整置信区间，例如可以从90％置信区间调整为95％置信区间，重新计算指定阈值，直至通过对指定阈值进行街景校验，确定确实存在路面不平整的情况，则确定可以使用此次计算得到的指定阈值确定颠簸点。
需要说明的是，等于指定阈值的差值对应的采样时刻可能会有多个，可以对其中一个或多个采样时刻对应的地理坐标进行街景校验。
S1042、获取大于指定阈值的差值对应的各目标采样时刻。
S1043、将各目标采样时刻在待测路段上的地理坐标，作为待测路段上的颠簸点。
本公开实施例中，可以对得到的多个颠簸点进行抽样，然后对抽样的颠簸点进行街景校验，用以验证本方案检测颠簸点的准确率，如图7所示，图7为对经纬度为113.286928174023,23.4640176275531的颠簸点进行街景校验的示例性示意图。
在实际业务场景中，采用本实施例对208074个采样时刻的差值进行挖掘，得到7804个颠簸点，从7084个颠簸点中抽样进行街景校验，验证了抽样部分的颠簸点，估算得到本方案检测颠簸点准确率为75％左右。
采用本公开实施例，由于第二时间序列是根据第一时间序列预测得到的，存在预测误差，所以各采样时刻可能会存在预测误差导致的差值，为了准确找到颠簸点，需要对多个差值进行分析，确定出指定阈值，相当于找到了预测误差导致的差值和颠簸导致的差值之间的临界值，进而，可以将差值大于指定阈值的采样时刻在待测路段上地理坐标，作为待测路段上的颠簸点，也就提升了检测颠簸点的准确性。
在本公开另一实施例中，在确定出颠簸点之后，还可以对各颠簸点的颠簸程度进行区分，在上述S104之后，还可以基于各颠簸点对应的差值，确定各颠簸点的颠簸程度。
通过确定待测路段上各个颠簸点的颠簸程度，可以更准确更直观地确定待测路段的平整度，有助于对待测路段的路况信息展示。
本公开实施例中，颠簸程度的等级划分规则可以由技术人员根据实际业务场景进行设置，本公开实施例对颠簸程度的等级划分规则不做具体限定。
一种实现方式中，颠簸点的颠簸程度可以根据差值大小进行划分，例如，可以预先设置一个固定值，将大于该固定值的差值对应的颠簸点的颠簸程度确定为重度颠簸，将小于或等于该固定值的差值对应的颠簸点的颠簸程度确定为轻度颠簸。
另一种实现方式中，还可以对各颠簸点对应的差值进行数据探索性分析(Exploratory Data Analysis，EDA)，得到颠簸点差值箱线图，根据差值箱线图划分颠簸程度，如图8所示，基于各颠簸点对应的差值，确定各颠簸点的颠簸程度，具体可以实现为：
S801、对各颠簸点对应的差值进行箱线图分析，得到各颠簸点对应的差值的统计值。
其中，统计值包括最大值、最小值、上四分位数、下四分位数，还可以包括：平均值、标准差和中位数等。
S802、基于统计值确定多个颠簸程度区间。
本公开实施例中，颠簸程度区间可以根据实际业务场景进行设置，本公开实施例对具体划分颠簸程度区间的方式不做具体限定。
例如，可以将[最小值，上四分位数]确定为轻度颠簸区间，将[上四分位数,最大值]确定为重度颠簸区间，得到两个颠簸程度区间。
还可以将[最小值，下四分位数]确定为轻度颠簸区间，[下四分位数，上四分位数]确定为中度颠簸区间，[上四分位数，最大值]确定为重度颠簸区间，得到三个颠簸程度区间。
S803、将各颠簸点对应的差值与各颠簸程度区间进行匹配，得到各颠簸点的颠簸程度。
本公开实施例中，可以根据颠簸点对应的差值所处的区间，确定该颠簸点的颠簸程度。
例如，[上四分位数，最大值]区间为重度颠簸区间，颠簸点a对应的差值在[上四分位数，最大值]内，则颠簸点a的颠簸程度为重度颠簸。
采用本公开实施例，通过对各颠簸点对应的差值进行箱线图分析，划分不同的颠簸程度区间，可以提升确定各颠簸点的颠簸程度的准确性，进而，可以更直观地展示待测路段的颠簸程度。
在本公开另一实施例中，在确定颠簸点之后，还可以计算待测路段的颠簸指数，计算方式为：
将待测路段上的颠簸点数量与第一时间序列数据包括的形变数据数量之间的比值，作为待测路段的颠簸指数。
可以理解的是，待测路段的颠簸指数越大，表示待测路段的颠簸程度越高，车辆行驶过程中需要规避颠簸指数大的路段。
例如，待测路段上的颠簸点数量为100个，第一时间序列中一共包括500个采样时刻对应的形变数据，则待测路段的颠簸指数为100/500＝0.2。
通过计算待测路段的颠簸点数量和第一时间序列数据包括的形变数据数量之间的比值，作为待测路段的颠簸指数，进而，可以根据各路段的颠簸指数判断该路段的颠簸程度，使得各路段的颠簸程度可以更直观呈现给用户。
通过上述颠簸程度划分和颠簸指数的计算，本方案可以根据颠簸点数量和每一颠簸点的颠簸程度两个维度对待测路段进行颠簸程度估计，实现对颠簸路段的标记，进而可以将标记的颠簸路段的道路信息进行展示，还可以对即将经过的颠簸路段进行预先提示，有助于货车及时规避不平整道路，提高了运输速率，降低了货损率。
作为示例，道路上的井盖可能造成轻度颠簸，小坑洼、减速带、伸缩缝、膨胀节等可能造成中度颠簸，大坑洼可能造成重度颠簸，提醒司机减速慢行。
同时本公开实施例提供的道路颠簸点检测方法，不依靠特定设备进行实地检测，只需利用车辆上原本就装配的传感器进行数据采集，不增加额外的成本，可以提高检测效率，还可以实现对待测路段边运营、边检测。
本公开实施例中，颠簸点的检测是通过时间序列异常检测算法实现的。时间序列异常检测算法是从正常的时间序列数据中检测异常的事件或行为的过程，即通过对第一时间序列数据进行时间序列分析，预测得到第二时间序列数据，再通过比较第一时间序列数据和第二时间序列数据之间各个采样时刻的差值，确定颠簸点。
对应于上述方法实施例，本公开实施例还提供了一种道路颠簸点检测装置，如图9所示，该装置包括：
获取模块901，用于获取第一时间序列数据，第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据；
预测模块902，用于对第一时间序列数据进行时间序列预测，得到第二时间序列数据，第二时间序列数据包括第一时间序列的每一采样时刻对应的形变数据预测值；
计算模块903，用于计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
颠簸点确定模块904，用于对计算模块计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为待测路段上的颠簸点。
在本公开另一实施例中，颠簸点确定模块904，具体用于：
对计算得到的各采样时刻对应的差值进行分析，得到指定阈值；
获取大于指定阈值的差值对应的各目标采样时刻；
将各目标采样时刻在待测路段上的地理坐标，作为待测路段上的颠簸点。
在本公开另一实施例中，颠簸点确定模块904，具体用于：
对计算得到的各采样时刻对应的差值进行统计分析，得到平均值、标准差和置信区间；
基于平均值、标准差和置信区间，计算指定阈值。
在本公开另一实施例中，该装置还包括：
颠簸程度确定模块，用于基于各颠簸点对应的差值，确定各颠簸点的颠簸程度。
在本公开另一实施例中，颠簸程度确定模块，具体用于：
对各颠簸点对应的差值进行箱线图分析，得到各颠簸点对应的差值的统计值，统计值包括最大值、最小值、上四分位数、下四分位数；
基于统计值确定多个颠簸程度区间；
将各颠簸点对应的差值与各颠簸程度区间进行匹配，得到各颠簸点的颠簸程度。
在本公开另一实施例中，该装置还包括：
颠簸指数确定模块，用于将待测路段上的颠簸点数量与第一时间序列数据包括的形变数据数量之间的比值，作为待测路段的颠簸指数。
在本公开另一实施例中，获取模块901，具体用于：
获取车辆在待测路段行驶过程中，车辆上的传感器采集到的传感器数据，传感器数据包括具有对应关系的时间与形变数据，形变数据为重力加速度或形变量；
对传感器数据进行数据清洗；
将数据清洗后的每一采样时刻对应的形变数据作为第一时间序列数据。
在本公开另一实施例中，获取模块901，具体用于：
获取车辆在待测路段行驶过程中，车辆上的多个传感器采集到的传感器数据，传感器数据包括具有对应关系的时间与形变数据，形变数据为重力加速度或形变量；
分别对每个传感器的传感器数据进行数据清洗；
基于数据清洗后，各传感器的传感器数据之间的相似度，从多个传感器中选择指定传感器；
将数据清洗后，指定传感器的传感器数据中，每一采样时刻对应的形变数据作为指定传感器的第一时间序列数据。
在本公开另一实施例中，指定传感器的数量为多个；计算模块903，具体用于：
针对每个指定传感器，基于该指定传感器的第一时间序列数据和第二时间序列数据，计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
将计算得到的各指定传感器在同一采样时刻的多个差值进行标准化处理，得到每个采样时刻对应的一个差值。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如道路颠簸点检测方法。例如，在一些实施例中，道路颠簸点检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的道路颠簸点检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行道路颠簸点检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种道路颠簸点检测方法，包括：
获取第一时间序列数据，所述第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据；
对所述第一时间序列数据进行时间序列预测，得到第二时间序列数据，所述第二时间序列数据包括所述第一时间序列的每一采样时刻对应的形变数据预测值；
计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点。
2.根据权利要求1所述的方法，其中，所述对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点，包括：
对计算得到的各采样时刻对应的差值进行分析，得到所述指定阈值；
获取大于所述指定阈值的差值对应的各目标采样时刻；
将各目标采样时刻在所述待测路段上的地理坐标，作为所述待测路段上的颠簸点。
3.根据权利要求2所述的方法，其中，所述对计算得到的各采样时刻对应的差值进行分析，得到所述指定阈值，包括：
对计算得到的各采样时刻对应的差值进行统计分析，得到平均值、标准差和置信区间；
基于所述平均值、所述标准差和所述置信区间，计算所述指定阈值。
4.根据权利要求1-3任一项所述的方法，在所述对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点之后，所述方法还包括：
基于各颠簸点对应的差值，确定各颠簸点的颠簸程度。
5.根据权利要求4所述的方法，其中，所述基于各颠簸点对应的差值，确定各颠簸点的颠簸程度，包括：
对各颠簸点对应的差值进行箱线图分析，得到各颠簸点对应的差值的统计值，所述统计值包括最大值、最小值、上四分位数、下四分位数；
基于所述统计值确定多个颠簸程度区间；
将各颠簸点对应的差值与各颠簸程度区间进行匹配，得到各颠簸点的颠簸程度。
6.根据权利要求1所述的方法，其中，在所述对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点之后，所述方法还包括：
将所述待测路段上的颠簸点数量与所述第一时间序列数据包括的形变数据数量之间的比值，作为所述待测路段的颠簸指数。
7.根据权利要求1所述的方法，其中，所述获取第一时间序列数据，包括：
获取所述车辆在所述待测路段行驶过程中，所述车辆上的传感器采集到的传感器数据，所述传感器数据包括具有对应关系的时间与形变数据，所述形变数据为重力加速度或形变量；
对所述传感器数据进行数据清洗；
将数据清洗后的每一采样时刻对应的形变数据作为所述第一时间序列数据。
8.根据权利要求1所述的方法，其中，所述获取第一时间序列数据，包括：
获取所述车辆在所述待测路段行驶过程中，所述车辆上的多个传感器采集到的传感器数据，所述传感器数据包括具有对应关系的时间与形变数据，所述形变数据为重力加速度或形变量；
分别对每个传感器的传感器数据进行数据清洗；
基于数据清洗后，各传感器的传感器数据之间的相似度，从所述多个传感器中选择指定传感器；
将数据清洗后，所述指定传感器的传感器数据中，每一采样时刻对应的形变数据作为所述指定传感器的第一时间序列数据。
9.根据权利要求8所述的方法，其中，所述指定传感器的数量为多个；所述计算每一采样时刻对应的形变数据与形变数据预测值之间的差值，包括：
针对每个指定传感器，基于该指定传感器的第一时间序列数据和第二时间序列数据，计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
将计算得到的各指定传感器在同一采样时刻的多个差值进行标准化处理，得到每个采样时刻对应的一个差值。
10.一种道路颠簸点检测装置，包括：
获取模块，用于获取第一时间序列数据，所述第一时间序列数据为车辆在待测路段上行驶过程中，车辆中的传感器采集到的每一采样时刻的形变数据；
预测模块，用于对所述第一时间序列数据进行时间序列预测，得到第二时间序列数据，所述第二时间序列数据包括所述第一时间序列的每一采样时刻对应的形变数据预测值；
计算模块，用于计算每一采样时刻对应的形变数据与形变数据预测值之间的差值；
颠簸点确定模块，用于对计算得到的各采样时刻对应的差值进行数据分析，将差值大于指定阈值的采样时刻对应的地理坐标，作为所述待测路段上的颠簸点。
11.根据权利要求10所述的装置，其中，所述颠簸点确定模块，具体用于：
对计算得到的各采样时刻对应的差值进行分析，得到所述指定阈值；
获取大于所述指定阈值的差值对应的各目标采样时刻；
将各目标采样时刻在所述待测路段上的地理坐标，作为所述待测路段上的颠簸点。
12.根据权利要求11所述的装置，其中，所述颠簸点确定模块，具体用于：
对计算得到的各采样时刻对应的差值进行统计分析，得到平均值、标准差和置信区间；
基于所述平均值、所述标准差和所述置信区间，计算所述指定阈值。
13.根据权利要求10-12任一项所述的装置，所述装置还包括：
颠簸程度确定模块，用于基于各颠簸点对应的差值，确定各颠簸点的颠簸程度。
14.根据权利要求13所述的装置，其中，所述颠簸程度确定模块，具体用于：
对各颠簸点对应的差值进行箱线图分析，得到各颠簸点对应的差值的统计值，所述统计值包括最大值、最小值、上四分位数、下四分位数；
基于所述统计值确定多个颠簸程度区间；
将各颠簸点对应的差值与各颠簸程度区间进行匹配，得到各颠簸点的颠簸程度。
15.根据权利要求10所述的装置，其中，所述装置还包括：
颠簸指数确定模块，用于将所述待测路段上的颠簸点数量与所述第一时间序列数据包括的形变数据数量之间的比值，作为所述待测路段的颠簸指数。
16.根据权利要求10所述的装置，其中，所述获取模块，具体用于：
获取所述车辆在所述待测路段行驶过程中，所述车辆上的传感器采集到的传感器数据，所述传感器数据包括具有对应关系的时间与形变数据，所述形变数据为重力加速度或形变量；
对所述传感器数据进行数据清洗；
将数据清洗后的每一采样时刻对应的形变数据作为所述第一时间序列数据。
17.根据权利要求10所述的装置，其中，所述获取模块，具体用于：
获取所述车辆在所述待测路段行驶过程中，所述车辆上的多个传感器采集到的传感器数据，所述传感器数据包括具有对应关系的时间与形变数据，所述形变数据为重力加速度或形变量；
分别对每个传感器的传感器数据进行数据清洗；
基于数据清洗后，各传感器的传感器数据之间的相似度，从所述多个传感器中选择指定传感器；
将数据清洗后，所述指定传感器的传感器数据中，每一采样时刻对应的形变数据作为所述指定传感器的第一时间序列数据。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
CN202210297104.8A 2022-03-24 2022-03-24 一种道路颠簸点检测方法、装置、设备及介质 Active CN114676175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297104.8A CN114676175B (zh) 2022-03-24 2022-03-24 一种道路颠簸点检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297104.8A CN114676175B (zh) 2022-03-24 2022-03-24 一种道路颠簸点检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114676175A true CN114676175A (zh) 2022-06-28
CN114676175B CN114676175B (zh) 2024-07-16

Family

ID=82073950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297104.8A Active CN114676175B (zh) 2022-03-24 2022-03-24 一种道路颠簸点检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114676175B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685932A (zh) * 2022-10-31 2023-02-03 青岛家哇云网络科技有限公司 基于大数据的物流信息智能管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103669183A (zh) * 2013-12-02 2014-03-26 黑龙江科技大学 路面平整度的时间序列模型
US20140163770A1 (en) * 2011-07-20 2014-06-12 Bridgestone Corporation Road surface condition estimating method, and road surface condition estimating apparatus
JP2019001367A (ja) * 2017-06-16 2019-01-10 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
CN110852542A (zh) * 2018-08-21 2020-02-28 上海汽车集团股份有限公司 一种道路平整度的计算方法及系统
CN111627237A (zh) * 2020-05-21 2020-09-04 北京骑胜科技有限公司 路况检测方法、装置、服务器和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140163770A1 (en) * 2011-07-20 2014-06-12 Bridgestone Corporation Road surface condition estimating method, and road surface condition estimating apparatus
CN103669183A (zh) * 2013-12-02 2014-03-26 黑龙江科技大学 路面平整度的时间序列模型
JP2019001367A (ja) * 2017-06-16 2019-01-10 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
CN110852542A (zh) * 2018-08-21 2020-02-28 上海汽车集团股份有限公司 一种道路平整度的计算方法及系统
CN111627237A (zh) * 2020-05-21 2020-09-04 北京骑胜科技有限公司 路况检测方法、装置、服务器和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘庆华;张为公;李忠国;: "基于路面垂直动载自回归建模的IRI测量方法", 东南大学学报(自然科学版), no. 06, 20 November 2007 (2007-11-20) *
王佳秋;邓慧;王葳;马松林;: "应用路面平整度预测的数学模型促进黑龙江省高速公路建设", 经济研究导刊, no. 11, 15 April 2016 (2016-04-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685932A (zh) * 2022-10-31 2023-02-03 青岛家哇云网络科技有限公司 基于大数据的物流信息智能管理系统及方法

Also Published As

Publication number Publication date
CN114676175B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
US11579307B2 (en) Method and apparatus for detecting obstacle
US9824580B2 (en) Method, computer readable storage medium and system for producing an uncertainty-based traffic congestion index
CN113593218B (zh) 交通异常事件的检测方法、装置、电子设备及存储介质
CN112579464A (zh) 自动驾驶算法的校验方法、装置、设备以及存储介质
CN112526999A (zh) 速度规划方法、装置、电子设备和存储介质
CN114120650B (zh) 用于生成测试结果的方法、装置
CN111352142A (zh) 室内停车定位方法、装置、电子设备和介质
CN112651535A (zh) 局部路径规划方法、装置、存储介质、电子设备及车辆
CN113066302A (zh) 车辆信息预测方法、装置及电子设备
CN114676175A (zh) 一种道路颠簸点检测方法、装置、设备及介质
CN113284337B (zh) 基于车辆轨迹多维数据的od矩阵计算方法及装置
CN114625744A (zh) 电子地图的更新方法和装置
CN114104046A (zh) 列车空滑的判断方法、装置、设备及计算机可读存储介质
CN114037821A (zh) 污染物检测方法、装置、设备和存储介质
US11417114B2 (en) Method and apparatus for processing information
JP2018180906A (ja) 混雑予測プログラム、混雑予測装置、及び混雑予測方法
CN114323693B (zh) 车路云感知系统的测试方法、装置、设备及存储介质
CN113470343B (zh) 阻断道路的开通检测方法、装置、设备及存储介质
CN115240400A (zh) 车辆位置识别方法和装置、车辆位置输出方法和装置
CN115206102A (zh) 确定交通路径的方法、装置、电子设备和介质
CN115183785A (zh) 车辆状态的检测方法、装置、终端、程序产品和运输工具
CN114547551A (zh) 基于车辆上报数据的路面数据获取方法及云端服务器
CN112836626A (zh) 事故确定方法及装置、模型训练方法及装置、电子设备
CN113052397A (zh) 上车信息的确定方法、装置、电子设备和存储介质
CN114298967A (zh) 高精地图数据变更的质量检测方法、装置、设备及存储介质

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