CN114722975B - 基于模糊理论和大数据分析的驾驶意图识别方法及系统 - Google Patents

基于模糊理论和大数据分析的驾驶意图识别方法及系统 Download PDF

Info

Publication number
CN114722975B
CN114722975B CN202210637423.9A CN202210637423A CN114722975B CN 114722975 B CN114722975 B CN 114722975B CN 202210637423 A CN202210637423 A CN 202210637423A CN 114722975 B CN114722975 B CN 114722975B
Authority
CN
China
Prior art keywords
driving
driving intention
data
clustering
intention
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
Application number
CN202210637423.9A
Other languages
English (en)
Other versions
CN114722975A (zh
Inventor
闫伟
胥凌志
王俊博
王伟
周之光
袁子洋
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210637423.9A priority Critical patent/CN114722975B/zh
Publication of CN114722975A publication Critical patent/CN114722975A/zh
Application granted granted Critical
Publication of CN114722975B publication Critical patent/CN114722975B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请属于智能驾驶及大数据分析技术领域，具体涉及一种基于模糊理论和大数据分析的驾驶意图识别方法及系统，包括以下步骤：获取历史驾驶数据；对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；根据所得到的聚类中心构建驾驶意图识别规则库；基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度。

Description

基于模糊理论和大数据分析的驾驶意图识别方法及系统
技术领域
本申请属于智能驾驶及大数据分析技术领域，具体涉及一种基于模糊理论和大数据分析的驾驶意图识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本申请相关的背景技术信息，不必然构成在先技术。
随着智能辅助驾驶系统的成熟，汽车能够通过采集汽车的运行状态和驾驶员的操作信号来有效识别驾驶员的驾驶意图，为进行能量管理和扭矩分配等提供了依据，从而实现智能化的车辆控制策略，在提高车辆经济性，排放性和安全性的同时提高驾驶员的舒适性和操作性。
据发明人了解，现有的关于驾驶意图的研究，往往是根据驾驶员所操作的加速踏板开度，制动踏板开度和方向盘转角等数据，综合车辆内外部因素，使用合适的识别模型得到，如聚类方法等，获得驾驶意图识别的专家系统；但是没有针对聚类内部数据相对中心的分布情况的相关研究，其置信度存疑。
发明内容
为了解决上述问题，本申请提出了一种基于模糊理论和大数据分析的驾驶意图识别方法及系统，基于实时采集的驾驶数据，通过规则库和数据参数分布得出驾驶意图识别结果以及该意图的置信度，提高驾驶意图识别的准确性。
根据一些实施例，本申请的第一方案提供了一种基于模糊理论和大数据分析的驾驶意图识别方法，采用如下技术方案：
一种基于模糊理论和大数据分析的驾驶意图识别方法，包括以下步骤：
获取历史驾驶数据；
对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；
根据所得到的聚类中心构建驾驶意图识别规则库；
基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；
根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；
基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度。
作为进一步的技术限定，所获取的历史驾驶数据包括加速踏板数据、制动踏板数据和方向盘转角数据，以及加速踏板、制动踏板和方向盘转角随时间的变化量。
进一步的，将所获取的历史驾驶数据参数标准化处理，将所得到的数据映射到预设的数据范围内。
进一步的，采用K-means算法，将标准化处理后的历史驾驶数据参数进行组合，构造聚类参数，得到不同参数组合下的驾驶意图聚类中心，构建历史驾驶数据与驾驶意图相匹配的驾驶意图识别规则库。
作为进一步的技术限定，所述基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理的具体过程为：以聚类中心为原点，沿聚类半径平均划分，分别计算每个历史驾驶数据参数的聚类半径，对所得到的聚类半径进行标准化处理，得到标准化处理后的聚类半径区间，采用R-square判断不同驾驶意图簇团内的数据分布形态特征，得到不同驾驶意图的分布规律。
进一步的，所述驾驶意图识别规则库包括激进型驾驶意图、稳健型驾驶意图和保守型驾驶意图。
进一步的，所述保守型驾驶意图的分布特征符合正态分布，则保守型驾驶意图的置信度模糊隶属度函数为
Figure 110932DEST_PATH_IMAGE001
，其中x表示聚类半径区间的中间值。
进一步的，所述稳健型驾驶意图分布特征符合韦伯分布，则稳健型驾驶意图的置信度模糊隶属度函数为
Figure 651635DEST_PATH_IMAGE002
，其中x表示聚类半径区间的中间值。
进一步的，所述激进型驾驶意图的分布特征符合韦伯分布，则激进型驾驶意图的置信度模糊隶属度函数为
Figure 701631DEST_PATH_IMAGE003
，其中x表示聚类半径区间的中间值。
根据一些实施例，本申请的第二方案提供了一种基于模糊理论和大数据分析的驾驶意图识别系统，采用如下技术方案：
一种基于模糊理论和大数据分析的驾驶意图识别系统，包括：
获取模块，被配置为获取历史驾驶数据；
聚类模块，被配置为对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；
建模模块，被配置为根据所得到的聚类中心构建驾驶意图识别规则库；
处理模块，被配置为基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；
识别模块，被配置为根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；
计算模块，被配置为基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度。
与现有技术相比，本申请的有益效果为：
本申请为提高驾驶意图数据分析的有效性，通过聚类算法进行驾驶员历史驾驶数据的聚类分析，构建驾驶意图识别规则库；再通过大数据分析的方式发现驾驶意图簇团的参数分布特征并对其进行模糊化处理；结合模糊化处理结果和聚类结果得出不同驾驶意图的推理规则以及推理结果的置信度；将实时采集的数据标准化后，通过规则库和数据参数分布得出驾驶意图识别结果以及该意图的置信度；基于驾驶员驾驶数据，建立了驾驶意图识别规则库，为构建控制策略提供了依据，通过大数据分析发现不同驾驶意图下的参数分布规律，提高了驾驶意图识别的准确性，实用性强。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本申请实施例一中的基于模糊理论和大数据分析的驾驶意图识别方法的流程图；
图2是本申请实施例二中的基于模糊理论和大数据分析的驾驶意图识别系统的结构框图。
具体实施方式
下面结合附图与实施例对本申请作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本申请实施例一介绍了一种基于模糊理论和大数据分析的驾驶意图识别方法。
如图1所述的一种基于模糊理论和大数据分析的驾驶意图识别方法，包括：采集驾驶员的驾驶数据，采用K-means算法（即K-均值聚类算法）聚类，得到不同驾驶意图的聚类中心和簇团，形成驾驶意图识别的规则库；采用大数据分析的方式，分析出簇团内不同驾驶意图参数相对于簇团中心的分布形式并进行模糊化处理，得到基于此规则的置信度，由此获得驾驶意图的识别方法；将实时采集的驾驶数据标准化处理后，采用驾驶意图识别方法得到此时的具体驾驶意图和置信度，实现基于模糊理论和大数据分析的驾驶意图识别。
作为一种或多种实施方式，所采集的驾驶员的驾驶数据包括加速踏板、制动踏板、方向盘转角等数据以及其随时间每秒变化量，参数数据由多次行驶在市内、市郊、高速等不同路况下测试获得。由于不同驾驶数据参数的变化范围相差很大，需将其所有的参数值映射到范围
Figure 567956DEST_PATH_IMAGE004
中，映射操作的公式为
Figure 437823DEST_PATH_IMAGE005
，其中，y表示映射后的参数值，x表示所获取的驾驶数据，x min表示所获取的驾驶数据的最小值，x max 表示所获取的驾驶数据的最小值。
作为一种或多种实施方式，采用K-means算法聚类，将驾驶数据参数标准化后通过组合的方式作为聚类参数，在本实施例中，设定K为3，得出在不同参数组合下的驾驶意图聚类中心和簇团，包括激进型驾驶意图、稳健型驾驶意图和保守型驾驶意图，由此得到了驾驶参数归属不同驾驶意图的规则库。
通过大数据分析发现激进型驾驶意图、稳健型驾驶意图和保守型驾驶意图的簇团内数据的分布形态特征，具体分析过程如下：对于不同驾驶意图簇团的数据参数，以聚类中心为原点计算每个参数点的聚类半径并对其进行标准化处理到
Figure 47796DEST_PATH_IMAGE006
的区间。平均划分聚类半径区间，如划分为20份，分析落在不同聚类半径区间的参数量。取聚类半径区间的中间值作为x轴变量，参数量作为y轴变量，根据确定系数R-square判断不同驾驶意图的分布规律。
使用R-square判断不同分布规律，R-square可由
Figure 450833DEST_PATH_IMAGE007
计算得出，式中，SST表示总平方和，SSR表示回归平方和，SSE表示残差平方和，且
Figure 753638DEST_PATH_IMAGE008
,
Figure 110801DEST_PATH_IMAGE009
,
Figure 258886DEST_PATH_IMAGE010
。选取使R-square最大的分布作为该驾驶意图的分布特征，对参数分布特征进行模糊化处理，由模糊处理结果和驾驶意图聚类结果得到驾驶意图聚类簇团中每个参数点归属其聚类中心的置信度模糊隶属度函数。
保守型驾驶意图分布特征符合正态分布，其中一个参数的分布函数即激进型驾驶意图的置信度模糊隶属度函数
Figure 142528DEST_PATH_IMAGE011
为
Figure 491601DEST_PATH_IMAGE012
，其R-square为0.9962；稳健型驾驶意图的分布特征均符合韦伯分布，其中一个参数的分布函数即稳健型驾驶意图的置信度模糊隶属度函数
Figure 195115DEST_PATH_IMAGE013
为
Figure 22257DEST_PATH_IMAGE002
，其R-square为0.9293；激进型驾驶意图的分布特征符合韦伯分布，其中一个参数的分布函数即激进型驾驶意图的置信度模糊隶属度函数
Figure 25985DEST_PATH_IMAGE014
为
Figure 405013DEST_PATH_IMAGE003
，其R-square为0.9352。
在得到驾驶意图规则库和驾驶意图的置信度模糊隶属度函数之后，对实时采集到的驾驶数据进行驾驶意图的识别判断，具体过程为：实时采集加速踏板开度、制动踏板开度、方向盘转角数据，以及其对应的变化率，将得到的驾驶参数标准化处理；将得到的标准化后实时数据与所构建的驾驶意图规则库进行匹配，得到具体的驾驶意图，即根据实时驾驶数据所识别出来的驾驶意图；基于所识别出来的驾驶意图和前序步骤中所得到的驾驶意图的置信度模糊隶属度函数，得出所识别出来的该驾驶意图的置信度。
本实施例通过聚类算法进行驾驶员历史驾驶数据的聚类分析，构建驾驶意图识别规则库；再通过大数据分析的方式发现驾驶意图簇团的参数分布特征并对其进行模糊化处理；结合模糊化处理结果和聚类结果得出不同驾驶意图的推理规则以及推理结果的置信度；将实时采集的数据标准化后，通过规则库和数据参数分布得出驾驶意图识别结果以及该意图的置信度；基于驾驶员驾驶数据，建立了驾驶意图识别规则库，为构建控制策略提供了依据，通过大数据分析发现不同驾驶意图下的参数分布规律，提高了驾驶意图识别的准确性，实用性强。
实施例二
本申请实施例二介绍了一种基于模糊理论和大数据分析的驾驶意图识别系统。
如图2所示的一种基于模糊理论和大数据分析的驾驶意图识别系统，包括：
获取模块，被配置为获取历史驾驶数据；
聚类模块，被配置为对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；
建模模块，被配置为根据所得到的聚类中心构建驾驶意图识别规则库；
处理模块，被配置为基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；
识别模块，被配置为根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；
计算模块，被配置为基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度。
详细步骤与实施例一提供的基于模糊理论和大数据分析的驾驶意图识别方法相同，在此不再赘述。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (3)

1.一种基于模糊理论和大数据分析的驾驶意图识别方法，其特征在于，包括以下步骤：
获取历史驾驶数据，将所获取的历史驾驶数据参数标准化处理，将所得到的数据映射到预设的数据范围内；
对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；
根据所得到的聚类中心构建驾驶意图识别规则库，具体的，采用K-means算法，将标准化处理后的历史驾驶数据参数进行组合，构造聚类参数，得到不同参数组合下的驾驶意图聚类中心，构建历史驾驶数据与驾驶意图相匹配的驾驶意图识别规则库；
基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；
根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；
基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度；
所述基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理的具体过程为：以聚类中心为原点，沿聚类半径平均划分，分别计算每个历史驾驶数据参数的聚类半径，对所得到的聚类半径进行标准化处理，得到标准化处理后的聚类半径区间，采用R- square判断不同驾驶意图簇团内的数据分布形态特征，得到不同驾驶意图的分布规律；
所述驾驶意图识别规则库包括激进型驾驶意图、稳健型驾驶意图和保守型驾驶意图；
所述保守型驾驶意图的分布特征符合正态分布，则保守型驾驶意图的置信度模糊隶属度函数为
Figure DEST_PATH_IMAGE001
，其中x表示聚类半径区间的中间值；
所述稳健型驾驶意图分布特征符合韦伯分布，则稳健型驾驶意图的置信度模糊隶属度函数为
Figure 290524DEST_PATH_IMAGE002
，其中x表示聚类半径区间的中间值；
所述激进型驾驶意图的分布特征符合韦伯分布，则激进型驾驶意图的置信度模糊隶属度函数为
Figure DEST_PATH_IMAGE003
，其中x表示聚类半径区间的中间值。
2.如权利要求1中所述的一种基于模糊理论和大数据分析的驾驶意图识别方法，其特征在于，所获取的历史驾驶数据包括加速踏板数据、制动踏板数据和方向盘转角数据，以及加速踏板、制动踏板和方向盘转角随时间的变化量。
3.一种基于模糊理论和大数据分析的驾驶意图识别系统，采用了权利要求1-2中任一项所述的基于模糊理论和大数据分析的驾驶意图识别方法，其特征在于，包括：
获取模块，被配置为获取历史驾驶数据；
聚类模块，被配置为对所获取的历史驾驶数据进行聚类分析，得到不同驾驶意图的聚类中心和簇团；
建模模块，被配置为根据所得到的聚类中心构建驾驶意图识别规则库；
处理模块，被配置为基于大数据分析对所得到的簇团内的不同驾驶意图参数进行模糊化处理，得到驾驶意图的置信度模糊隶属度函数；
识别模块，被配置为根据采集到的实时驾驶数据和所构建的驾驶意图识别规则库，识别所采集到的实时驾驶数据的驾驶意图；
计算模块，被配置为基于所得到的驾驶意图的置信度模糊隶属度函数，计算所识别出来的驾驶意图的置信度。
CN202210637423.9A 2022-06-08 2022-06-08 基于模糊理论和大数据分析的驾驶意图识别方法及系统 Active CN114722975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637423.9A CN114722975B (zh) 2022-06-08 2022-06-08 基于模糊理论和大数据分析的驾驶意图识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637423.9A CN114722975B (zh) 2022-06-08 2022-06-08 基于模糊理论和大数据分析的驾驶意图识别方法及系统

Publications (2)

Publication Number Publication Date
CN114722975A CN114722975A (zh) 2022-07-08
CN114722975B true CN114722975B (zh) 2022-08-30

Family

ID=82232734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637423.9A Active CN114722975B (zh) 2022-06-08 2022-06-08 基于模糊理论和大数据分析的驾驶意图识别方法及系统

Country Status (1)

Country Link
CN (1) CN114722975B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN110516746A (zh) * 2019-08-29 2019-11-29 吉林大学 一种基于无标签数据的驾驶员跟车行为风格分类方法
CN111133447A (zh) * 2018-02-18 2020-05-08 辉达公司 适于自主驾驶的对象检测和检测置信度
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
CN111907523A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于模糊推理的车辆跟驰寻优控制方法
CN113177660A (zh) * 2021-04-28 2021-07-27 平安科技（深圳）有限公司 驾驶意图预测与处理方法、装置、设备及存储介质
CN113401143A (zh) * 2021-07-19 2021-09-17 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN114049616A (zh) * 2021-12-01 2022-02-15 清华大学 一种基于模糊分类的立体空间目标检测方法及系统
WO2022063774A1 (en) * 2020-09-23 2022-03-31 Continental Automotive Gmbh A continuously, adaptive detection computer-implemented method of environment features in autonomous and assisted driving of an ego-vehicle

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8751300B2 (en) * 2007-06-22 2014-06-10 International Business Machines Corporation Pixel cluster transit monitoring for detecting click fraud
US20100209886A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Driving skill recognition based on u-turn performance
WO2013023061A1 (en) * 2011-08-09 2013-02-14 Ims Solutions, Inc. Vehicle monitoring system with automatic driver identification
US20190126921A1 (en) * 2018-12-20 2019-05-02 Intel Corporation Computer-assisted or autonomous driving method and apparatus with consideration for travelers' intent

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN111133447A (zh) * 2018-02-18 2020-05-08 辉达公司 适于自主驾驶的对象检测和检测置信度
CN110516746A (zh) * 2019-08-29 2019-11-29 吉林大学 一种基于无标签数据的驾驶员跟车行为风格分类方法
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
CN111907523A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于模糊推理的车辆跟驰寻优控制方法
WO2022063774A1 (en) * 2020-09-23 2022-03-31 Continental Automotive Gmbh A continuously, adaptive detection computer-implemented method of environment features in autonomous and assisted driving of an ego-vehicle
CN113177660A (zh) * 2021-04-28 2021-07-27 平安科技（深圳）有限公司 驾驶意图预测与处理方法、装置、设备及存储介质
CN113401143A (zh) * 2021-07-19 2021-09-17 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN114049616A (zh) * 2021-12-01 2022-02-15 清华大学 一种基于模糊分类的立体空间目标检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Driving Intention Intelligent Identification Method for Hybrid Vehicles Based on Fuzzy Logic Inference;Tang Xianzhi 等;《2010 International Symposium on Computational Intelligence and Design》;20101231;全文 *
基于聚类的PaaS平台流量监控的迁移研究;董琪等;《电信工程技术与标准化》;20170715(第07期);全文 *
驾驶威胁感知评估方法;郭孜政 等;《吉林大学学报（工学版）》;20120131;全文 *

Also Published As

Publication number Publication date
CN114722975A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN107862864B (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN110555989B (zh) 一种基于Xgboost算法的交通量预测方法
CN111260117B (zh) 一种基于气象因子的ca-narx水质预测方法
CN111161814A (zh) 一种基于卷积神经网络的DRGs自动分组方法
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN113401123B (zh) 融合驾驶模式信息的汽车预测巡航参数自整定控制系统
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
CN107025468A (zh) 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN106971241B (zh) 基于模糊神经网络预测污水水质数据的方法
Agrawal et al. Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom
CN111783943A (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN112700162A (zh) 轨道交通空调运行状态的评估方法及装置
CN110807601B (zh) 一种基于截尾数据的园区道路劣化分析方法
CN114722975B (zh) 基于模糊理论和大数据分析的驾驶意图识别方法及系统
CN117542195A (zh) 一种交通运行状态识别方法、装置、设备及介质
CN108922191B (zh) 一种基于软集合的行程时间的计算方法
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN114707573A (zh) 一种基于基本驾驶操作事件的无监督驾驶风格分析方法
CN111652512A (zh) 一种用于节能减排的多性能评价平台与方法
CN112613181B (zh) 一种基于模拟驾驶器和ann算法的驾驶状态建模方法
CN112035546B (zh) 一种车况信号数据的油耗相关性因子分析方法
CN114266401B (zh) 一种底盘发动机故障预测方法及系统

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