CN115909752A - 一种基于车辆用户历史数据的急转弯识别及统计方法 - Google Patents
一种基于车辆用户历史数据的急转弯识别及统计方法 Download PDFInfo
- Publication number
- CN115909752A CN115909752A CN202211354720.9A CN202211354720A CN115909752A CN 115909752 A CN115909752 A CN 115909752A CN 202211354720 A CN202211354720 A CN 202211354720A CN 115909752 A CN115909752 A CN 115909752A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sharp
- data
- lat
- angle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 14
- 230000006855 networking Effects 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000028838 turning behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
Images
Abstract
本发明所属一种基于车辆用户历史数据的急转弯识别及统计方法,通过对用户历史行车数据进行分析,识别与统计用户驾驶急转弯驾驶行为,为实现对用户出行安全性分析和监控提供数据支撑,充分利用现有车载设备以及车联网云平台数据库等条件,通过一套识别及统计方法,即可实现企业车联网云平台内所有车辆急转弯行为的识别与统计,该方法易于实现,泛化能力强,可在多种平台下进行部署应用,利于实际生产应用。
Description
技术领域
本发明属于车联网领域,特别涉及一种基于车辆用户历史数据的急转弯识别及统计方法。
背景技术
T-box(Telematics BOX,车载远程信息处理器),被称为车辆与云端通信的桥梁,T-Box作为车内与外界进行信息交换的系统,主要功能是实现汽车与车联网服务云平台之间的通信,是车联网的核心部分。T-Box集成了OBD、MCU/CPU、FLASH、SENSOR、GPS/北斗定位/GPRS、3G/4G、WIFI、蓝牙等模块于一体的嵌入式系统。T-Box对内与车辆CAN总线相连,对外通过云平台、数据库互联。通过T-Box可实现车辆远程控制、车辆行驶信息上传等功能。
车辆实际行驶状态信息可从车辆内部CAN总线中获取,T-Box从CAN总线中获取车辆实时运行数据信息(车速、高精度定位信息、发动机转速、车辆故障码等),通过数据通信上传至车联网服务云平台数据库中。
随着定位导航技术不断发展,以及我国北斗卫星导航系统现已逐步开始对民用市场开放,这就使得在环境恶劣和通信不佳的情况下仍可保持通信。通过北斗/GPS组合定位等其他方法可以使得车载定位终端精度也在不断提高,对车辆的轨迹跟踪也变得更加的精确。
车辆在行驶过程中由于外部因素引起的车辆不能沿直线行驶,而快速改变车道的行为称为车辆急转弯行为,在急转弯行为情况下,驾驶员会明显感到生理和心理上不适,严重行为会导致车辆失控,侧翻等威胁生命安全,因此对驾驶员历史行车数据中急转弯行为进行判别与行为统计,以及对驾驶员进行安全行车在教育,降低驾驶员驾驶车辆急转弯行为的发生是一个亟待解决的问题;
现有技术方案如下
申请号:CN202010092568.6,专利名称“一种车辆急加速急减速和急转弯的判断装置及其判断方法”的技术对比:
与“一种车辆急加速急减速和急转弯的判断装置及其判断方法”的技术对比:“一种车辆急加速急减速和急转弯的判断装置及其判断方法”的技术方案中仅提出一种车辆急加速急减速和急转弯的判断装置,包括处理器和所述处理器连接的加速度传感器,且所述处理器设有传感器车速输入接口和车辆是否处于急加速、急减速和急转弯的状态输出接口。本文的技术方案中充分利用现有车辆内部各硬件设施性能,发明一种高效、性能优越、稳定的基于车辆用户历史数据的急转弯识别及统计方法,通过对用户历史行车数据进行分析,识别与统计用户驾驶急转弯驾驶行为,为实现对用户出行安全性分析和监控提供数据支撑。两者研究的硬件性能和利用的车辆硬件设施基础不同,急转弯识别及统计方法借助的数据平台也不同。
申请号:CN201910806821.7,专利名称“一种基于车联网数据的急转弯识别方法”的技术对比:
与“一种基于车联网数据的急转弯识别方法”的技术对比:“一种基于车联网数据的急转弯识别方法”的技术方案中获取车辆位置数据后得到连续三点的位置坐标,并将该位置数据建立经度和纬度矩阵,计算车辆在两条轨迹线上改变的角度,并匹配预设角度阈值进而判断是否急转弯。本文的技术方案中是基于车辆用户历史数据的急转弯识别及统计方法,通过对用户历史行车数据进行分析,识别与统计用户驾驶急转弯驾驶行为,为实现对用户出行安全性分析和监控提供数据支撑,充分利用现有车载设备以及车联网云平台数据库等条件,通过一套识别及统计方法,即可实现企业车联网云平台内所有车辆急转弯行为的识别与统计。因此,无论是计算原理还是识别与统计方法,以及数据采集及分析方法两者都存在明显的差异。
申请号:CN201910298505.3,专利名称“车辆急转弯次数等效统计方法”的技术对比:
与“车辆急转弯次数等效统计方法”的技术对比:“车辆急转弯次数等效统计方法”的技术方案是通过以局部平均值代替瞬时状态来处理稀疏GPS/北斗数据,通过概率阀值判断和识别车辆的等效急转弯次数,得出车辆的等效急转弯次数。“车辆急转弯次数等效统计方法”在研究方法上,是统计急转弯次数时采取等效统计原则,并不计较精确的“急转弯”次数,重点在比较不同行驶车辆“急转弯”次数的大小。本文是通过研究企业车联网服务云平台数据库中车辆有效行车历史数据,包括数据采集时间、发动机转速、车辆行驶车速、侧向加速度、位置信息等,并进行一系列的方向角计算及滤波处理后判断方向角信息是否存在,若不存在,需要根据经纬度信息进行获取,再次进行滤波处理。重复类似步骤与匹配,达到车辆急转弯行为的识别与统计目的。
申请号:CN201910113320.0,专利名称“一种获取车辆以及交通状态的方法”的技术对比:
与“一种获取车辆以及交通状态的方法”的技术对比:“一种获取车辆以及交通状态的方法”的技术方案是通过对车辆的行驶状态的相关数据进行特定的数据处理,通过数据处理结果反映车辆以及交通的状况,实现对车辆状态的监测以及对交通状态的监测。本文是基于车辆用户历史数据的急转弯识别及统计方法,通过对用户历史行车数据进行分析,识别与统计用户驾驶急转弯驾驶行为,充分利用现有车载设备以及车联网云平台数据库等条件,通过一套识别及统计方法,实现企业车联网云平台内所有车辆急转弯行为的识别与统计,并在多种平台下进行部署应用,利于实际生产应用。
为此,本发明提出一种基于车辆用户历史数据的急转弯识别及统计方法,显得尤为重要。
发明内容
为了进一步对驾驶员驾驶行为进行研究分析,需要对驾驶员急转弯行为特征识别及统计,充分利用现有车辆内部各硬件设施性能,提出了一种高效、性能优越、稳定的基于车辆用户历史数据的急转弯识别及统计方法。
本发明解决问题的技术方案是:一种基于车辆用户历史数据的急转弯识别及统计方法,所述方法具体包括如下步骤:
为实现上述目的,本发明采取的技术方案是:
一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于,具体步骤如下:
(1)从企业车联网服务云平台数据库中获取车辆具体某一天24小时所有车辆有效行车历史数据,所述的行车历史数据包括数据采集时间、发动机转速、车辆行驶车速、侧向加速度、位置信息;
(2)方向角计算及滤波处理:判断方向角信息是否存在,若不存在,需要根据经纬度信息进行获取,并进行滤波处理;
(3)获取到滤波后方向角数据,进一步获取相邻三个点之间方向角变化,计算第一个方向角和第二个方向角之间的方向角差值,由于第一个方向角是由第一个点和第二个点计算出,第二个方向角是由第二个点和第三个点计算出,所计算出的方向角差值即为三个点之间的空间方向角变化率,即连续三个点的方向角变化,重复步骤(3)直至所有方向角计算完成;
(4)急转弯特征空间轨迹匹配:空间急转弯特征轨迹寻找,步骤(3)对24小时内所有数据进行方向角计算后,得到每连续三个点之间的方向角变化率,设定空间位置急转弯过程方向角变化率阈值α1,与实际计算得到的相对比,若实际车辆方向角变化率超过该阈值α1,则该相邻时间段出现空间急转弯特征轨迹,重复步骤(4);
(5)急转弯特征行驶速度或侧向加速度二次匹配:避免因当车辆出现急转弯特征轨迹,由于车辆在45-55km/h速度或4-5m/s2侧向加速度,即连续三秒内以45-55km/h的行车速度、4-5m/s2侧向加速度在小于4m的转弯半径情况下进行转弯情况而造成误判,需要进行二次筛选匹配,设定急转弯情况下车辆侧向加速度或行驶车速最高阈值,在初次匹配上基础上进行二次筛选,并重复步骤(5)直至所有急转弯特征轨迹筛选完成;
(6)急转弯特征记录及统计:经步骤(5)筛选后获取的车辆急转弯行驶数据索引信息,还需进一步判断该索引信息是否连续,将连续的急转弯索引记录为1次急转弯,获取当天总的急加速次数;将所有急转弯数据索引信息长度记为当天累积急加速总时间,然后在将当天急加速总次数和当天累积急加速总时间平均到车辆实际运行时间中。
作为本发明进一步改进,所述步骤(2)方向角计算及滤波处理的步骤包括:
(2.1)将步骤(1)获取的数据表示为:
Data=[T Engine_n Veh_v Veh_lat_acc Lon Lat Az];
其中车辆数据采集时间T=[t1 t2 … tn],间隔时间1s采集一次车辆状态信息;
车辆运行状态信息:24小时内车辆发动机转速数据Engine_n=[n1 n2 … nn],行驶车速Veh_v=[v1 v2 … vn],侧向加速度Veh_lat_acc=[a1 a2 … an];
位置信息:经度Lon=[lon1 lon2 … lonn],纬度Lat=[lat1 lat2 … latn],以及方位角Az=[θ1 θ2 … θn];
(2.2)若方位角数据不存在,根据两点经纬度信息(lon1 lat1),(lon2 lat2)计算两点之间的方位角度,在计算之前需要将经纬度转换为弧度值(lon1_rad lat1_rad),(lon2_rad lat2_rad);
(2.3)两点之间角度Angle计算公式为:
两点之间角度Angle向真北方向转化得到方位角Az,转化公式为:
Az=(Angle+360)%360,即所得Angle加360,然后在对结果对360取余,所得的余数即为方位角;
(2.5)对方位角θi=0的数据点进行均值滤波平滑处理,且滤波顺序为以时间升序进行滤波,计算公式为:
作为本发明进一步改进,所述步骤(2)方向角计算及滤波处理的步骤包括:
(2.1)将步骤(1)获取的数据表示为:
Data=[T Engine_n Veh_v Veh_lat_acc Lon Lat Az];
其中车辆数据采集时间T=[t1 t2 … tn],间隔时间1s采集一次车辆状态信息;
车辆运行状态信息:24小时内车辆发动机转速数据Engine_n=[n1 n2 … nn],行驶车速Veh_v=[v1 v2 … vn],侧向加速度Veh_lat_acc=[a1 a2 … an];
位置信息:经度Lon=[lon1 lon2 … lonn],纬度Lat=[lat1 lat2 … latn],以及方位角Az=[θ1 θ2 … θn];
(2.2)若方位角数据不存在,根据两点经纬度信息(lon1 lat1),(lon2 lat2)计算两点之间的方位角度,在计算之前需要将经纬度转换为弧度值(lon1_rad lat1_rad),(lon2_rad lat2_rad);
(2.3)两点之间角度Angle计算公式为:
(2.4)两点之间角度Angle向真北方向转化得到方位角Az,转化公式为:
Az=(Angle+360)%360,即所得Angle加360,然后在对结果对360取余,所得的余数即为方位角;
(2.5)对方位角θi=0的数据点进行均值滤波平滑处理,且滤波顺序为以时间升序进行滤波,计算公式为:
作为本发明进一步改进,所述步骤(3)获取相邻三个点之间方向角变化的步骤包括:
(3.1)经步骤(2)平滑滤波后,对两个相邻的方位角θi,θi+1进行做差值,并取绝对值得到相邻三点方位角,计算公式为:
Δθ=|θi+1-θi|;
(3.2)重复步骤(3.1)计算所有两两相邻的方位角,得到方位角变化矩阵:
δθ=[Δθ1 Δθ2 … Δθm],其中m=n-1。
作为本发明进一步改进,所述步骤(4)急转弯特征空间轨迹匹配步骤包括:
(4.1)经步骤(3)获取到的方位角变化矩阵δθ,其中每一个元素均可代表连续三个点之间的方位角变化差值,因此连续三点方位角变化率可以近似表示为
(4.2)空间急转弯特征轨迹寻找,一般汽车的转向角在30度到40度之间,方位角变化率阈值取α1=[30,40]之间;
(4.3)若方位角变化矩阵δθ中元素大于α1,即判定为该元素所对应行驶时间段具有急转弯趋势;
(4.4)记录具有急转弯趋势所对应的元素索引。
作为本发明进一步改进,所述步骤(5)急转弯特征二次速度或加速度匹配步骤包括:
(5.1)获取步骤(4)中急转弯趋势特征空间轨迹的元素索引值index,index+2即为该方位角所对应的原始数据中索引;
(5.2)设定急转弯行驶速度阈值V,若在转弯趋势下行驶速度超过V,即可匹配为急转弯特征,默认情况下规定V=30km/h;
(5.3)设定急转弯侧向加速度阈值若在转弯趋势下侧向加速度超过即可匹配为急转弯特征,默认情况下规定
(5.4)判断步骤(5.1)中返回到原始数据中索引,其所对应的车辆行驶时的侧向加速度或者行驶车速是否大于急转弯行驶速度阈值或者侧向加速度阈值,优先采用侧向加速度进行判定,若车辆没有侧向加速度传感器,无车辆侧向加速度数据,则采用行驶车速进行判定,若超过规定阈值,则将该段识别为急转弯段,并记录相对应的索引。
7、根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(6)中,急转弯特征记录及统计步骤包括:
(6.1)获取步骤(5)中急转弯特征索引,统计急转弯次数Times,判断是否存在连续急转弯情况,先对急转弯索引进行分段,在统计片段数,即可获取车辆行驶过程中总的急转弯次数Times;
(6.2)获取步骤(5)中急转弯特征索引,统计急转弯累积时间Acc_time,计算急转弯特征索引长度,然后加上步骤(6.1)中Times*2,即可获取急转弯累积时间Acc_time;
(6.3)为了使Times和Acc_time更具有参考意义,计算出车辆实际运行时间T_runing,即发动机转速不为0的时间段累积时长。
(6.4)将Times和Acc_time平均到车辆实际运行时间T_runing,得到Ave_Times,Ave_Acc_time即车辆每运行一小时发生急转弯次数和累积发生时间,计算公式:
与现有技术相比,本发明的有益效果为:
本发明所属一种基于车辆用户历史数据的急转弯识别及统计方法,通过对用户历史行车数据进行分析,识别与统计用户驾驶急转弯驾驶行为,为实现对用户出行安全性分析和监控提供数据支撑,充分利用现有车载设备以及车联网云平台数据库等条件,通过一套识别及统计方法,即可实现企业车联网云平台内所有车辆急转弯行为的识别与统计,该方法易于实现,泛化能力强,可在多种平台下进行部署应用,利于实际生产应用。
附图说明
图1是本发明所述基于车辆用户历史数据的急转弯识别及统计方法流程图;
图2是本发明所述方向角变化率计算原理图;
图3是本发明所叙述急转弯特征空间轨迹匹配原理图;
图4是本发明所叙述急转弯特征行驶速度或侧向加速度二次匹配流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示,基于车辆用户历史数据的急转弯识别及统计方法,步骤如下:
(1)从企业车联网服务云平台数据库中获取车辆具体某一天24小时所有车辆有效行车历史数据,所述的行车历史数据包括数据采集时间、发动机转速、车辆行驶车速、侧向加速度、位置信息;
(2)方向角计算及滤波处理:判断方向角信息是否存在,若不存在,需要根据经纬度信息进行获取,并进行滤波处理;
(3)获取到滤波后方向角数据,进一步获取相邻三个点之间方向角变化,计算第一个方向角和第二个方向角之间的方向角差值,由于第一个方向角是由第一个点和第二个点计算出,第二个方向角是由第二个点和第三个点计算出,所计算出的方向角差值即为三个点之间的空间方向角变化率,即连续三个点的方向角变化,重复步骤(3)直至所有方向角计算完成;
(4)急转弯特征空间轨迹匹配:空间急转弯特征轨迹寻找,步骤(3)对24小时内所有数据进行方向角计算后,得到每连续三个点之间的方向角变化率,设定空间位置急转弯过程方向角变化率阈值α1,与实际计算得到的相对比,若实际车辆方向角变化率超过该阈值α1,则该相邻时间段出现空间急转弯特征轨迹,重复步骤(4);
(5)急转弯特征二次速度或加速度匹配:避免因当车辆出现急转弯特征轨迹,由于车辆在较低速度或较低侧向加速度(横向加速度),即连续三秒内以较低的行车速度、侧向加速度在较小的转弯半径情况下进行转弯情况而造成误判,需要进行二次筛选匹配,设定急转弯情况下车辆侧向加速度或行驶车速最高阈值,在初次匹配上基础上进行二次筛选,并重复步骤(5)直至所有急转弯特征轨迹筛选完成;
(6)急转弯特征记录及统计:经步骤(5)筛选后获取的车辆急转弯行驶数据索引信息,还需进一步判断该索引信息是否连续,将连续的急转弯索引记录为1次急转弯,获取当天总的急加速次数;将所有急转弯数据索引信息长度记为当天累积急加速总时间,然后在将当天急加速总次数和当天累积急加速总时间平均到车辆实际运行时间中。
如图2所示,所述步骤(2)方向角计算及滤波处理的步骤包括:
(2.1)将步骤(1)获取的数据表示为:
Data=[T Engine_n Veh_v Veh_lat_acc Lon Lat Az];
其中车辆数据采集时间T=[t1 t2 … tn],间隔时间1s采集一次车辆状态信息;
车辆运行状态信息:24小时内车辆发动机转速数据Engine_n=[n1 n2 … nn],行驶车速Veh_v=[v1 v2 … vn],侧向加速度Veh_lat_acc=[a1 a2 … an];
位置信息:经度Lon=[lon1 lon2 … lonn],纬度Lat=[lat1 lat2 … latn],以及方位角Az=[θ1 θ2 … θn];
(2.2)若方位角数据不存在,根据两点经纬度信息(lon1 lat1),(lon2 lat2)计算两点之间的方位角度,在计算之前需要将经纬度转换为弧度值(lon1_rad lat1_rad),(lon2_rad lat2_rad);
(2.3)两点之间角度Angle计算公式为:
两点之间角度Angle向真北方向转化得到方位角Az,转化公式为
Az=(Angle+360)%360,即所得Angle加360,然后在对结果对360取余,所得的余数即为方位角;
(2.5)对方位角θi=0的数据点进行均值滤波平滑处理,且滤波顺序为以时间升序进行滤波,计算公式为:
进一步地,所述步骤(3)获取相邻三个点之间方向角变化的步骤包括:
(3.1)经步骤(2)平滑滤波后,对两个相邻的方位角θi,θi+1进行做差值,并取绝对值得到相邻三点方位角,计算公式为:
Δθ=|θi+1-θi|;
(3.2)重复步骤(3.1)计算所有两两相邻的方位角,得到方位角变化矩阵:
δθ=[Δθ1 Δθ2 … Δθm],其中m=n-1;
进一步地,如图3所示,所述步骤(4)急转弯特征空间轨迹匹配步骤包括:
(4.1)经步骤(3)获取到的方位角变化矩阵δθ,其中每一个元素均可代表连续三个点之间的方位角变化差值,因此连续三点方位角变化率可以近似表示为
(4.2)空间急转弯特征轨迹寻找,汽车的转向角一般在30度到40度之间,方位角变化率阈值取α1=[30,40]之间;
(4.3)若方位角变化矩阵δθ中元素大于α1,即判定为该元素所对应行驶时间段具有急转弯趋势;
(4.4)记录具有急转弯趋势所对应的元素索引。
进一步地,如图4所示,所述步骤(5)急转弯特征二次速度或加速度匹配步骤包括:
(5.1)获取步骤(4)中急转弯趋势特征空间轨迹的元素索引值index,index+2即为该方位角所对应的原始数据中索引;
(5.2)设定急转弯行驶速度阈值V,若在转弯趋势下行驶速度超过V,即可匹配为急转弯特征,默认情况下规定V=30km/h;
(5.3)设定急转弯侧向加速度阈值若在转弯趋势下侧向加速度超过即可匹配为急转弯特征,默认情况下规定
(5.4)判断步骤(5.1)中返回到原始数据中索引,其所对应的车辆行驶时的侧向加速度或者行驶车速是否大于急转弯行驶速度阈值或者侧向加速度阈值,优先采用侧向加速度进行判定,若车辆没有侧向加速度传感器,无车辆侧向加速度数据,则采用行驶车速进行判定,若超过规定阈值,则将该段识别为急转弯段,并记录相对应的索引;
所述步骤(6)中,急转弯特征记录及统计步骤包括:
(6.1)获取步骤(5)中急转弯特征索引,统计急转弯次数Times,判断是否存在连续急转弯情况,先对急转弯索引进行分段,在统计片段数,即可获取车辆行驶过程中总的急转弯次数Times;
(6.2)获取步骤(5)中急转弯特征索引,统计急转弯累积时间Acc_time,计算急转弯特征索引长度,然后加上步骤(6.1)中Times*2,即可获取急转弯累积时间Acc_time;
(6.3)为了使Times和Acc_time更具有参考意义,计算出车辆实际运行时间T_runing,即发动机转速不为0的时间段累积时长。
(6.4)将Times和Acc_time平均到车辆实际运行时间T_runing,得到Ave_Times,Ave_Acc_time即车辆每运行一小时发生急转弯次数和累积发生时间,计算公式:
在具体生产部署应用时,本发明可以运行在用户终端或在线云平台服务器中,应用部署较为灵活,作为一种简单高效的分析识别方法工具,通过调用企业内部车联网服务云平台数据库进行分析识别,并将识别结果传递给车联网远程监控服务云平台,实现对驾驶员驾驶行为习惯分析与追踪,保障驾驶员行车安全性。
总体来说,本发明提供了一种简单高效灵活泛化能力强的识别算法,利用大量车辆行驶数据进行分析,从大量用户行车数据中获取驾驶员在驾驶车辆时的状态信息,探寻驾驶员在驾驶车辆过程中表现出的行为规律,以便后续结合数据挖掘、机器学习、深度学习等技术对驾驶员用户画像模型开发。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (7)
1.一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于,具体步骤如下:
(1)从企业车联网服务云平台数据库中获取车辆具体某一天24小时所有车辆有效行车历史数据,所述的行车历史数据包括数据采集时间、发动机转速、车辆行驶车速、侧向加速度、位置信息;
(2)方向角计算及滤波处理:判断方向角信息是否存在,若不存在,需要根据经纬度信息进行获取,并进行滤波处理;
(3)获取到滤波后方向角数据,进一步获取相邻三个点之间方向角变化,计算第一个方向角和第二个方向角之间的方向角差值,由于第一个方向角是由第一个点和第二个点计算出,第二个方向角是由第二个点和第三个点计算出,所计算出的方向角差值即为三个点之间的空间方向角变化率,即连续三个点的方向角变化,重复步骤(3)直至所有方向角计算完成;
(4)急转弯特征空间轨迹匹配:空间急转弯特征轨迹寻找,步骤(3)对24小时内所有数据进行方向角计算后,得到每连续三个点之间的方向角变化率,设定空间位置急转弯过程方向角变化率阈值α1,与实际计算得到的相对比,若实际车辆方向角变化率超过该阈值α1,则该相邻时间段出现空间急转弯特征轨迹,重复步骤(4);
(5)急转弯特征行驶速度或侧向加速度二次匹配:避免因当车辆出现急转弯特征轨迹,由于车辆在45-55km/h速度或4-5m/s2侧向加速度,即连续三秒内以45-55km/h的行车速度、4-5m/s2侧向加速度在小于4m的转弯半径情况下进行转弯情况而造成误判,需要进行二次筛选匹配,设定急转弯情况下车辆侧向加速度或行驶车速最高阈值,在初次匹配上基础上进行二次筛选,并重复步骤(5)直至所有急转弯特征轨迹筛选完成;
(6)急转弯特征记录及统计:经步骤(5)筛选后获取的车辆急转弯行驶数据索引信息,还需进一步判断该索引信息是否连续,将连续的急转弯索引记录为1次急转弯,获取当天总的急加速次数;将所有急转弯数据索引信息长度记为当天累积急加速总时间,然后在将当天急加速总次数和当天累积急加速总时间平均到车辆实际运行时间中。
2.根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(2)方向角计算及滤波处理的步骤包括:
(2.1)将步骤(1)获取的数据表示为:
Data=[T Engine_n Veh_v Veh_lat_acc Lon Lat Az];
其中车辆数据采集时间T=[t1 t2…tn],间隔时间1s采集一次车辆状态信息;
车辆运行状态信息:24小时内车辆发动机转速数据Engine_n=[n1 n2…nn],行驶车速Veh_v=[v1 v2…vn],侧向加速度Veh_lat_acc=[a1 a2…an];
位置信息:经度Lon=[lon1 lon2…lonn],纬度Lat=[lat1 lat2…latn],以及方位角Az=[θ1 θ2…θn];
(2.2)若方位角数据不存在,根据两点经纬度信息(lon1 lat1),(lon2 lat2)计算两点之间的方位角度,在计算之前需要将经纬度转换为弧度值(lon1_rad lat1_rad),(lon2_radlat2_rad);
(2.3)两点之间角度Angle计算公式为:
两点之间角度Angle向真北方向转化得到方位角Az,转化公式为:
Az=(Angle+360)%360,即所得Angle加360,然后在对结果对360取余,所得的余数即为方位角;
(2.5)对方位角θi=0的数据点进行均值滤波平滑处理,且滤波顺序为以时间升序进行滤波,计算公式为:
3.根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(2)方向角计算及滤波处理的步骤包括:
(2.1)将步骤(1)获取的数据表示为:
Data=[T Engine_n Veh_v Veh_lat_acc Lon Lat Az];
其中车辆数据采集时间T=[t1 t2…tn],间隔时间1s采集一次车辆状态信息;
车辆运行状态信息:24小时内车辆发动机转速数据Engine_n=[n1 n2…nn],行驶车速Veh_v=[v1 v2…vn],侧向加速度Veh_lat_acc=[a1 a2…an];
位置信息:经度Lon=[lon1 lon2…lonn],纬度Lat=[lat1 lat2…latn],以及方位角Az=[θ1 θ2…θn];
(2.2)若方位角数据不存在,根据两点经纬度信息(lon1 lat1),(lon2 lat2)计算两点之间的方位角度,在计算之前需要将经纬度转换为弧度值(lon1_rad lat1_rad),(lon2_radlat2_rad);
(2.3)两点之间角度Angle计算公式为:
(2.4)两点之间角度Angle向真北方向转化得到方位角Az,转化公式为:
Az=(Angle+360)%360,即所得Angle加360,然后在对结果对360取余,所得的余数即为方位角;
(2.5)对方位角θi=0的数据点进行均值滤波平滑处理,且滤波顺序为以时间升序进行滤波,计算公式为:
4.根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(3)获取相邻三个点之间方向角变化的步骤包括:
(3.1)经步骤(2)平滑滤波后,对两个相邻的方位角θi,θi+1进行做差值,并取绝对值得到相邻三点方位角,计算公式为:
Δθ=|θi+1-θi|;
(3.2)重复步骤(3.1)计算所有两两相邻的方位角,得到方位角变化矩阵:
δθ=[Δθ1 Δθ2…Δθm],其中m=n-1。
6.根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(5)急转弯特征二次速度或加速度匹配步骤包括:
(5.1)获取步骤(4)中急转弯趋势特征空间轨迹的元素索引值index,index+2即为该方位角所对应的原始数据中索引;
(5.2)设定急转弯行驶速度阈值V,若在转弯趋势下行驶速度超过V,即可匹配为急转弯特征,默认情况下规定V=30km/h;
(5.4)判断步骤(5.1)中返回到原始数据中索引,其所对应的车辆行驶时的侧向加速度或者行驶车速是否大于急转弯行驶速度阈值或者侧向加速度阈值,优先采用侧向加速度进行判定,若车辆没有侧向加速度传感器,无车辆侧向加速度数据,则采用行驶车速进行判定,若超过规定阈值,则将该段识别为急转弯段,并记录相对应的索引。
7.根据权利要求1所述的一种基于车辆用户历史数据的急转弯识别及统计方法,其特征在于:所述步骤(6)中,急转弯特征记录及统计步骤包括:
(6.1)获取步骤(5)中急转弯特征索引,统计急转弯次数Times,判断是否存在连续急转弯情况,先对急转弯索引进行分段,在统计片段数,即可获取车辆行驶过程中总的急转弯次数Times;
(6.2)获取步骤(5)中急转弯特征索引,统计急转弯累积时间Acc_time,计算急转弯特征索引长度,然后加上步骤(6.1)中Times*2,即可获取急转弯累积时间Acc_time;
(6.3)为了使Times和Acc_time更具有参考意义,计算出车辆实际运行时间T_runing,即发动机转速不为0的时间段累积时长。
(6.4)将Times和Acc_time平均到车辆实际运行时间T_runing,得到Ave_Times,Ave_Acc_time即车辆每运行一小时发生急转弯次数和累积发生时间,计算公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354720.9A CN115909752B (zh) | 2022-11-01 | 2022-11-01 | 一种基于车辆用户历史数据的急转弯识别及统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354720.9A CN115909752B (zh) | 2022-11-01 | 2022-11-01 | 一种基于车辆用户历史数据的急转弯识别及统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909752A true CN115909752A (zh) | 2023-04-04 |
CN115909752B CN115909752B (zh) | 2023-12-15 |
Family
ID=86482699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354720.9A Active CN115909752B (zh) | 2022-11-01 | 2022-11-01 | 一种基于车辆用户历史数据的急转弯识别及统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909752B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152954A (ja) * | 2014-02-10 | 2015-08-24 | Jx日鉱日石エネルギー株式会社 | 情報処理装置および情報処理方法 |
CN107153916A (zh) * | 2017-04-30 | 2017-09-12 | 安徽中科美络信息技术有限公司 | 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 |
CN107415953A (zh) * | 2017-04-28 | 2017-12-01 | 东软集团股份有限公司 | 一种驾驶行为识别方法、装置及设备 |
CN109671275A (zh) * | 2019-02-14 | 2019-04-23 | 成都路行通信息技术有限公司 | 一种获取车辆以及交通状态的方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN110060370A (zh) * | 2019-04-15 | 2019-07-26 | 上海经达信息科技股份有限公司 | 车辆急加速急减速次数等效统计方法 |
CN110444017A (zh) * | 2019-07-29 | 2019-11-12 | 山东交通学院 | 一种基于轨迹数据和地图数据的去除道路线形对车辆急转弯影响的方法 |
CN110509925A (zh) * | 2019-08-29 | 2019-11-29 | 合肥工业大学 | 一种基于车联网数据的急转弯识别方法 |
CN111131617A (zh) * | 2019-12-28 | 2020-05-08 | 长安大学 | 一种基于智能手机的驾驶行为分析与反馈方法 |
NO20200136A1 (en) * | 2020-01-31 | 2021-08-02 | Abax As | A sensor device for analyzing and determining vehicle operating mode, a method for analyzing and determining vehicle operating mode using sensor device and a system for analyzing and determining vehicle operating mode |
WO2022042853A1 (en) * | 2020-08-28 | 2022-03-03 | Siemens Industry Software Netherlands B.V. | Critical scenario identification for verification and validation of vehicles |
CN114379559A (zh) * | 2021-12-30 | 2022-04-22 | 武汉理工大学 | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 |
CN114639185A (zh) * | 2020-12-16 | 2022-06-17 | 威智金融科技股份有限公司 | 先进驾驶辅助系统的资料分析系统 |
CN114817371A (zh) * | 2022-05-13 | 2022-07-29 | 南京依维柯汽车有限公司 | 一种基于XGBoost的车辆行驶工况识别方法 |
TW202238077A (zh) * | 2021-03-17 | 2022-10-01 | 如珊有限公司 | 行車軌跡的分析重整系統及方法 |
-
2022
- 2022-11-01 CN CN202211354720.9A patent/CN115909752B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152954A (ja) * | 2014-02-10 | 2015-08-24 | Jx日鉱日石エネルギー株式会社 | 情報処理装置および情報処理方法 |
CN107415953A (zh) * | 2017-04-28 | 2017-12-01 | 东软集团股份有限公司 | 一种驾驶行为识别方法、装置及设备 |
CN107153916A (zh) * | 2017-04-30 | 2017-09-12 | 安徽中科美络信息技术有限公司 | 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN109671275A (zh) * | 2019-02-14 | 2019-04-23 | 成都路行通信息技术有限公司 | 一种获取车辆以及交通状态的方法 |
CN110060370A (zh) * | 2019-04-15 | 2019-07-26 | 上海经达信息科技股份有限公司 | 车辆急加速急减速次数等效统计方法 |
CN110444017A (zh) * | 2019-07-29 | 2019-11-12 | 山东交通学院 | 一种基于轨迹数据和地图数据的去除道路线形对车辆急转弯影响的方法 |
CN110509925A (zh) * | 2019-08-29 | 2019-11-29 | 合肥工业大学 | 一种基于车联网数据的急转弯识别方法 |
CN111131617A (zh) * | 2019-12-28 | 2020-05-08 | 长安大学 | 一种基于智能手机的驾驶行为分析与反馈方法 |
NO20200136A1 (en) * | 2020-01-31 | 2021-08-02 | Abax As | A sensor device for analyzing and determining vehicle operating mode, a method for analyzing and determining vehicle operating mode using sensor device and a system for analyzing and determining vehicle operating mode |
WO2022042853A1 (en) * | 2020-08-28 | 2022-03-03 | Siemens Industry Software Netherlands B.V. | Critical scenario identification for verification and validation of vehicles |
CN114639185A (zh) * | 2020-12-16 | 2022-06-17 | 威智金融科技股份有限公司 | 先进驾驶辅助系统的资料分析系统 |
TW202238077A (zh) * | 2021-03-17 | 2022-10-01 | 如珊有限公司 | 行車軌跡的分析重整系統及方法 |
CN114379559A (zh) * | 2021-12-30 | 2022-04-22 | 武汉理工大学 | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 |
CN114817371A (zh) * | 2022-05-13 | 2022-07-29 | 南京依维柯汽车有限公司 | 一种基于XGBoost的车辆行驶工况识别方法 |
Non-Patent Citations (1)
Title |
---|
宋海娜;: "基于加速度计的智能网联汽车驾驶行为建模方法", 移动通信, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115909752B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410586B (zh) | 一种基于多元数据融合的交通状态检测方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
EP2171673B1 (en) | Recording and reporting of driving characteristics using wireless mobile device | |
CA2811879C (en) | Driver profiling system and method | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN115909752B (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN112927511A (zh) | 一种基于驾驶员年龄和性别识别的车辆预警方法 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN110509925A (zh) | 一种基于车联网数据的急转弯识别方法 | |
CN110544378B (zh) | 一种手机用户拥车情况的判断方法 | |
CN109448377B (zh) | 一种使用卫星定位数据进行车辆行驶安全性评价的方法 | |
CN114756599A (zh) | 一种基于车辆gps数据的驾驶员异常变速辨识方法 | |
CN113252057A (zh) | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN110766031A (zh) | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN117194930B (zh) | 基于车辆行驶数据的隧道路段安全监控方法 | |
CN116881796B (zh) | 基于卡尔曼滤波的燃油车续航里程预测方法 | |
CN113903169B (zh) | 一种交通优化方法、装置、电子设备及存储介质 | |
CN116061962B (zh) | 一种关于车辆轮胎打滑的可降油耗提醒方法及装置 |
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 |