CN116348935A - 用于预测未来超速的方法、电子装置及系统 - Google Patents
用于预测未来超速的方法、电子装置及系统 Download PDFInfo
- Publication number
- CN116348935A CN116348935A CN202180070809.XA CN202180070809A CN116348935A CN 116348935 A CN116348935 A CN 116348935A CN 202180070809 A CN202180070809 A CN 202180070809A CN 116348935 A CN116348935 A CN 116348935A
- Authority
- CN
- China
- Prior art keywords
- data
- electronic device
- overspeed
- server
- trained
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种针对车辆检测超速的方法,包括从电子数据库获得地理区域的车队的历史轨迹数据;通过伺服器的微处理器来确定历史轨迹数据的速度分布;在与车辆相关联的电子装置上,计算已确定未来超速概率;其中,获得包括通过伺服器针对历史轨迹数据向电子数据库传送电子请求,并且将历史轨迹数据从电子数据库传送至伺服器。一种电子装置,包括轨迹数据获取电路;通信电路,用来从伺服器接收针对已受训分类器的预受训权重;处理器,用来基于轨迹数据,使用配置有预受训权重的分类器,计算高于预定阈值的未来超速概率。用于该方法的系统及用于该方法的储存计算机可执行代码的计算机可读介质。
Description
技术领域
本公开的一方面涉及针对车队的车辆检测超速的方法。本公开的另一方面涉及针对车队的车辆用于检测超速的电子装置。本公开的另一方面涉及针对车队的车辆用于检测超速的系统。
背景技术
对于一些国家,道路系统未充裕地提供可用于确定车队的驾驶员是否超速的法定速限。国家之间可有所不同,例如,一些国家可具有定义良好的法定速限,而其他国家则可能缺乏速限,即使对于高速公路亦然。现有解决方案适用于地图数据针对高速公路、地方道路及甚至小巷富含速限的国家或地理区域。然而,用于充实地图数据的现有技术属于资源密集型且需要手动输入。因此,避免超速需要提供更有效率的方法。
发明内容
本公开的一方面涉及针对车队的车辆检测超速的方法。该方法可包括从电子数据库获得多个地理区域的各地理区域的车队的历史轨迹数据。该方法可包括通过伺服器的微处理器针对各地理区域确定历史轨迹数据的速度分布。该方法可包括,基于该速度分布,通过与车辆相关联的电子装置的微处理器,确定车辆的当前速度高于与可在其中记录当前速度的当前地理区域中的速度分布的预定百分位数对应的阈值速度,当前地理区域对应于各地理区域中的至少一者。伺服器及电子数据库可经由通信接口彼此通信耦合。获得可包括通过伺服器针对历史轨迹数据向电子数据库传送电子请求,并且可进一步包括经由通信接口将历史轨迹数据从电子数据库传送至伺服器。
本公开的额一方面涉及包括车队、伺服器、及多个电子装置的系统,其中,多个电子装置的每个电子装置可与车队的车辆相关联,并且可包括:
轨迹数据获取电路,被配置为获取当前轨迹数据;
处理器,被配置为基于速度分布,确定车辆的当前速度是否可高于与可在其中记录当前速度的当前地理区域中的速度分布的预定百分位数对应的阈值速度,当前地理区域对应于各地理区域中的至少一者,
其中,伺服器可被配置为从电子数据库获得多个地理区域的各地理区域的车队的历史轨迹数据;以及通过微处理器,针对各地理区域确定历史轨迹数据的速度分布。
本公开的一方面涉及针对车队的车辆检测超速的方法。该方法可包括从电子数据库获得多个地理区域的各地理区域的车队的历史轨迹数据。该方法可包括通过伺服器的微处理器针对各地理区域确定历史轨迹数据的速度分布。该方法可包括基于速度分布,例如基于速度分布的一个或多个百分位数,将电子分类器训练成已受训分类器。伺服器及电子数据库可经由通信接口彼此通信耦合。获得可包括通过伺服器针对历史轨迹数据向电子数据库传送电子请求,并经由通信接口将历史轨迹数据从电子数据库传送至伺服器。该方法可包括在与车辆相关联的电子装置上计算已确定未来超速概率,并且可进一步包括确定该已确定未来超速概率高于预定阈值。
本公开的一方面涉及电子装置。该电子装置可包括被配置为获取当前轨迹数据的轨迹数据获取电路。该电子装置可包括通信电路,其被配置为例如从伺服器接收针对已受训分类器的预受训权重。该电子装置可包括处理器,其被配置为基于轨迹数据,使用配置有预受训权重的已受训分类器来计算未来超速概率。该电子装置可进一步确定未来超速概率是否高于预定阈值。
本公开的一方面涉及一种系统,其包括伺服器及多个电子装置。多个电子装置的各电子装置可与车队的车辆相关联,并且可根据各种实施例来配置。伺服器可被配置为从电子数据库获得多个地理区域的各地理区域的车队的历史轨迹数据。伺服器可被配置为产生预受训权重作为训练该分类器的结果,并且可进一步被配置为向电子装置上传预受训权重,从而在电子装置上提供已受训分类器。
本公开的方面涉及根据各种实施例用于本文中所公开的各方法的计算机程序产品,该计算机程序产品包括计算机可执行代码,该计算机可执行代码包括指令,当程序可由计算机执行时,指令使该计算机执行该方法。
本公开的一方面涉及非暂时性计算机可读介质,其储存包括指令的计算机可执行代码以从轨迹数据获取电路获得当前轨迹数据。可执行代码可包括用以经由配置的通信电路例如从伺服器接收针对已受训分类器的预受训权重的指令。该可执行代码可包括用以将具有预受训权重的分类器配置成已受训分类器的指令。该可执行代码可包括用以使用已受训分类器并基于轨迹数据来计算未来超速概率的指令。
附图说明
当结合非限制实例及附图考量时,参照详细描述,可以更好地理解本发明,其中:
图1示出了根据各种实施例的包括电子装置100B及伺服器100A的系统100的示意图;
图2示出了被划分成多个地理区域的城市的地图区域210;
图3示出了根据一些实施例的针对车队的车辆检测超速的方法350的流程图350;
图4示出了根据各种实施例的方法的流程图400;
图5示出了根据各种实施例的用于训练分类器的方法的流程图500;
图6示出了根据各种实施例的包括括训练该分类器及上传预受训权重的流程图;
图7示出了地图710的地理区域717,地理区域717通过四个转角(针点714)所界定;
图8示出了根据各种实施例的从一个地理区域的历史数据计算出的速度分布;
图9示出了根据各种实施例的可通过电子装置执行的方法的示意图;以及
图10示出了根据一实例的系统的示意图。
具体实施方式
以下详细描述参照以例示方式示出可实践本公开的特定细节及实施例的附图。这些实施例经充分详细说明而使得所属技术领域技术人员能够实践本公开。可利用其他实施例并且可进行结构化及逻辑改变而不会脱离本公开的范畴。各种实施例不必然互斥,因为一些实施例可与一或多个其他实施例组合以形成新实施例。
在方法、装置和系统中的一个的上下文中描述的实施例对于其他方法、装置或系统类似地有效。类似的是,在方法的上下文中所描述的实施例对于装置或系统类似地有效,反之亦然。
在一实施例的上下文中所述的特征可相应地适用于其他实施例中的相同或类似特征。在一实施例的上下文中所述的特征可相应地适用于其他实施例,即使在这些其他实施例中没有明确说明亦然。此外,如针对一实施例的上下文中的特征所描述的新增及/或组合及/或替代例可相应地适用于其他实施例中的相同或类似特征。
在各种实施例的上下文中,关于特征或元件使用的冠词“一个”(a)、“一个”(an)及“该”(the)包括对一或多个特征或元件之一参照。
“及/或”一词于本文中使用时,包括相关联所列项目中的一个或多个的任何及全部组合。
根据各种实施例,针对车队的车辆检测超速的方法可包括从电子数据库获得多个地理区域的各地理区域的车队的历史轨迹数据。如本文中所使用的且根据各种实施方式,表述“轨迹数据”或“历史轨迹数据”可包括地理数据,诸如地理空间坐标,并且可进一步包括例如通过全球定位系统GPS所提供的时间。作为时间的替代方案或除了时间以外,轨迹数据或历史轨迹数据还可包括与轨迹数据点相关联的速度,该速度可从平均、拟合等,基于一个或多个相邻点计算出来。轨迹数据可从一个或多个移动车辆的位置的记录获得。例如纬度、经度及时间,轨迹数据可进一步包括海拔。GPS坐标可根据全球大地坐标系统WGS 84,例如G1762版本,但不受限于此。根据各种实施例,轨迹数据可包括多个轨迹数据点,其中,各数据点可包括纬度、经度、及速度,并且可进一步包括方位。可将轨迹迹线,(例如GPS迹线)定义为与时间戳相关联的记录序列。各记录(亦称为轨迹数据点)包括位置及时间戳。历史轨迹数据可包括随时间储存的来自车队的一个或多个车辆的多条轨迹迹线的集合。轨迹数据可以是真实世界数据,例如真实世界GPS数据。
根据各种实施例,地理区域代表地球表面上的区域。例如,一个城市可由多个地理区域表示,这可通过将网格应用于城市的地图上来定义。在一个实例中,网格将地图划分成预定大小(诸如250米×250米)的地理区域(亦称为网格小区)。如本文中所使用的且根据各种实施例,术语“地理”及“地理空间”可互换使用。
根据各种实施例,针对车队的车辆检测超速的方法可进一步包括通过伺服器的微处理器,针对各地理区域确定历史轨迹数据的速度分布。根据各种实施例,速度分布可以是累增分布函数,并且可进一步被归一化。
根据一些实施例,可以在确定分布速度之前预处理历史轨迹数据,替代地,可以在将轨迹数据添加至历史数据之前预处理轨迹数据。这样的预处理可减少噪声(例如,由GPS定位误差引起的噪声)量。
根据各种实施例,可预处理当前轨迹数据,例如,以避免位置及/或速度计算的不准确性。因此,新增至历史轨迹数据的轨迹数据可以是已预处理的当前轨迹数据。
根据各种实施例,历史轨迹数据可通过将轨迹数据储存在数据库中来获得。可在数据库中收集、储存来自车队的车辆及驾驶员的电子装置的轨迹数据,例如GPS数据。由于电子装置(例如:智能手机或平板计算机)与驾驶员相关联,因此可善用来自驾驶员的数据以推断不同城市及国家的速限。
根据各种实施例,与电子装置相关联的驾驶员的驾驶员概况数据可包括驾驶员特征数据,例如,指出过往超速事故。驾驶员概况可进一步包括与驾驶员相关联的车辆的相应车辆特性数据,例如,车辆为四轮车辆还是两轮车辆、机动等。
根据一些实施例,可以在确定速度分布之前将历史轨迹数据去偏斜,替代地,可以在将轨迹数据添加至历史数据之前将历史数据去偏斜。例如当以固定速率(例如1轨迹数据点/秒)捕获GPS数据时,可使用这样的去偏斜,这在车辆以相较于更高速度的更低速度行进时,每单位距离将产生更高的数据量。
根据一些实施例,针对车队的车辆检测超速的方法可进一步包括基于与速度的反比关系将速度分布去偏斜。由于轨迹数据点获取率基于与速度的反比关系。例如,去偏斜可为线性的并且在速度分布上实施。分布的去偏斜可比将轨迹数据去偏斜消耗更少运算资源。
针对车队的车辆检测超速的方法可包括基于速度分布确定车辆的当前速度可高于阈值速度。根据一些实施例,该确定基于统计模型而是统计性。根据一些实施例,该确定系基机器学习模型,并且可通过机器学习来执行,例如通过已受训分类器来执行。
根据一些实施例,针对车队的车辆检测超速的方法可包括基于速度分布确定车辆的当前速度可高于阈值速度,该阈值速度对应于可在其中记录当前速度的当前地理区域中的速度分布的预定百分位数。替代地或另外,针对车队的车辆检测超速的方法可包括基于速度分布确定未来超速概率。
根据各种实施例,当前地理区域可对应于历史轨迹数据在伺服器中可用的各地理区域中的至少一者。确定可通过与车辆相关联的电子装置的微处理器来执行。伺服器及电子数据库可经由通信接口彼此通信耦合。
根据各种实施例,超速或未来超速风险(或概率)可通过经由报警(例如,使用可听警报、语音警报、显示器上的信息、送至电子装置的推送通知)向驾驶员指出。替代地或另外,可利用元数据将超速或未来超速概率从电子装置传送至伺服器,该元数据可随着时间(例如,以每日为基础)予以汇集并回报为超速报告。例如,如果使驾驶员分心是一个问题,则可关闭在驾驶期间发出警报。
未来超速为超速预期,可潜在阻止事故发生,因为驾驶员提前收到通知并因此察觉其处于监测状态。根据各种实施例,可针对未来,例如,下一分钟,例如提前20到30秒,提供对未来超速(本文中亦称为即将超速)的预测。
在针对车队的车辆检测超速的方法中,获得车队的历史轨迹数据可包括通过伺服器针对历史轨迹数据向电子数据库传送电子请求,并且可进一步包括经由通信接口将历史轨迹数据从电子数据库传送至伺服器。
根据一些实施例,针对车队的车辆检测超速的方法可包括针对各地理区域基于速度分布在伺服器上计算阈值速度;将多个地理区域的各地理区域的阈值速度上传至电子装置。替代地或另外,该方法可包括向电子装置上传针对所有多个地理区域的相应百分位数或相应阈值速度。上传可经由伺服器与装置之间的相应通信接口自动进行,例如,根据需要或规律地进行,诸如每周一次。例如针对整个城市或整个国家进行规律更新,以减小任何时间滞后或由于通信连线不良导致在需要时没有信息可用的风险。相较于上传完整历史数据,阈值、百分位数、或分布的规律上传也未占用装置中的很多存储空间或通信频宽。此外,由于伺服器未将历史数据曝露至装置,因此提供了增强型数据保护。根据各种实施例,预定阈值为阈值速度或基于该阈值速度所确定。
根据一些实施例,该方法可进一步包括基于速度分布计算已确定未来超速概率可高于预定阈值。该计算可在与车辆相关联的电子装置上进行。如果该确定在装置上运行,则降低对网路连线能力及查询后端的依赖性。
根据各种实施例,已确定概率可通过已受训分类器计算。该方法可进一步包括基于速度分布,将电子分类器训练成已受训分类器。电子装置可储存已受训分类器。电子装置可包括张量流(tensorflow),并且分类器可基于张量流。
根据各种实施例,训练可进一步基于包括情境信息的训练情境数据。计算已确定未来超速概率可进一步基于包括当前情境信息的当前情境数据。根据各种实施例,训练情境数据可包括训练天气数据,并且当前情境数据可包括当前天气数据。替代地或另外,训练情境数据可包括训练驾驶员概况,并且当前情境数据可包括与电子装置相关联的驾驶员的驾驶员概况,其中,训练驾驶员概况及驾驶员概况中的每个可包括驾驶员特征数据,例如,指出过往超速事故。训练驾驶员概况及驾驶员概况中的每个可进一步包括与驾驶员相关联的车辆的相应车辆特性数据,例如,车辆是四轮车辆还是两轮车辆、机动等。替代地或另外,训练情境数据及当前情境数据可包括以下相应一个或多个:当日的时间、当周的日子、公共假日数据。
根据各种实施例,情境数据及当前情境数据可包括以下相应一个或多个:路况数据、道路特性数据、当前交通型态、邻域类型。
根据各种实施例,可从下列一个或多个选择情境数据(诸如训练情境数据及当前情境数据):天气数据、驾驶员概况数据、当日的时间、当周的日子、公共假日数据、白天或夜晚、路况数据、路段状况、路段类型、道路特性数据、当前交通型态、邻域类型。每个驾驶员概况可包括与对应驾驶员相关联的车辆的车辆特性数据。
根据各种实施例,情境数据(诸如训练情境数据及当前情境数据)可包括曾经在一给定网格小区中发生的若干超速事故。
根据各种实施例,情境数据、以及对应的训练情境数据及当前情境数据可包括给定地理区域的超速风险分数。
可导致意外事故或碰撞的路段上的速度型态被视为不安全。其由于下雨、风暴或其他恶劣天气条件而可能不安全。特定速度在白天可能安全,但在夜晚则不那么安全。可有将安全速度在其他情况下更改为不安全的特定交通型态。路况本身可对交通造成一些危险,例如坑洞、转弯、障碍物。对汽车安全的速度对于两轮车可能不安全。由于此推理,如根据各种实施例使用的超速定义系扩大到超出法定速限,并且基于安全背景。在本公开的上下文中,超速亦可意味着不安全速度。
路段的类型可以是在确定安全或不安全速度时有用的情境信息。地图,(例如城市的地图)以网格划分成多个地理区域,并且当前位置对齐(映射)至含有当前位置的网格小区,即当前地理区域。然而,网格小区可具有许多不同道路类型,有些可以是高速公路,而另一些则可以是狭窄的当地道路。有趣的是,已发现交通速度数据分析显示车辆速度分布具有高斯混合模型的特性。各网格小区在其边界内可具有多种道路类型。例如,各网格小区可含有高速公路段、及当地道路。高斯可先予以确定再输入到分类器里。例如,通过分布的自动化高斯反卷积。根据各种实施例,系统可包括自动化高斯分量确定器,该自动化高斯分量确定器被配置为针对各地理区域从历史轨迹数据之速度分布确定高斯分量。根据各种实施例,分类器可被配置为基于高斯分量来确定高斯分量中的一个或多个的道路类型。
车辆移动型态的附加特性可用于识别车辆可能属于的特定车型/类别。这种评估快速且需要的存储使用空间小。一旦知道路段类型,便可针对“不安全高速”预测评估相关已受训模型。根据各种实施例,系统可包括预受训车辆识别符,其可以是已受训分类器,该识别符被配置为基于车辆移动型态输出车辆类型。车辆类型可包括下列一个或多个:四轮车辆、两轮车辆、机动车辆、人力车辆、车辆模型。
应知,不需要确定地理区域中的特定路段,因为路段类型已足够。因此,电子装置不需要使用指出驾驶员所在路段的地图,从而与使用综合地图的系统相比,用于从当前位置确定背景的存储器及运算资源更少。鉴于在移动装置上运行的限制条件,这种从位置对齐至背景的方式亦运作良好。
根据各种实施例,可在伺服器上训练电子分类器。可将已受训分类器的预受训权重从伺服器上传至电子装置,由此在电子装置上提供已受训分类器。预受训权重的上传消耗少量频宽,并且可在有规则的间隔下进行,例如每周一次或每月一次。
根据各种实施例,电子装置可包括被配置为获取当前轨迹数据的轨迹数据获取电路。在装置上,适当背景的识别包括读取轨迹数据(例如:GPS感测器数据),诸如纬度、经度、及速度。可从时间戳确定速度,例如,通过GSP模组确定。该电子装置可包括通信电路,其被配置为从伺服器接收针对已受训分类器的预受训权重。电子装置可包括处理器。处理器可被配置为将配置有预受训权重的分类器(即已受训分类器)用于基于轨迹数据计算高于预定阈值的未来超速概率。此背景下的已受训分类器可包括可通过处理器处理(使用)的已受训指令集及权重。电子装置可包括分类器。电子装置可包括已受训分类器。
根据各种实施例,系统可包括车队、伺服器、及多个电子装置。各电子装置均与伺服器的车辆相关联。该系统可包括被配置为获取当前轨迹数据的轨迹数据获取电路。该系统可包括通信电路,其被配置为从伺服器接收针对已受训分类器的预受训权重。该系统可包括处理器,该处理器被配置为将配置有预受训权重的已受训分类器(即已受训分类器)用于基于当前轨迹数据计算高于预定阈值的未来超速概率。此背景下的已受训分类器可意味着可通过处理器处理(使用)的已受训指令集及权重。该系统可包括该分类器。该系统可包括已受训分类器。
根据各种实施例,非暂时性计算机可读介质可储存计算机可执行代码。根据各种实施例,该代码可包括用以使计算机(例如:电子装置的处理器)执行针对车队的车辆检测超速的方法的指令。该代码可包括用以使计算机(例如:电子装置的处理器)从轨迹数据获取电路获得当前轨迹数据的指令。该代码可包括用以经由通信电路从伺服器接收针对已受训分类器的预受训权重的指令。该代码可包括用以将具有预受训权重的分类器配置成已受训分类器的指令。该代码可包括用以计算未来超速概率高于预定阈值的指令。计算可使用已受训分类器,并且可基于当前速度及/或基于轨迹数据。轨迹数据包括至少两个轨迹数据点,任选地至少包括3个轨迹数据点。3个或多个轨迹数据点可允许速度取平均,由此降低或避免由于GPS获取误差导因于速度计算错误。
图1示出了包括电子装置100B(例如:智能手机)及伺服器100A的系统100。伺服器100A及电子装置100B可彼此通信耦合以供数据传输。
伺服器100A具有至少一个处理器110及用于储存电子数据库111的存储器109。存储器109及处理器110可在单一单元中实施,或可置放于不同位置,例如云端。应知,尽管伺服器106描述为单一伺服器,其功能在实际应用中,通常仍将通过多个伺服器计算机的布置结构提供(例如,实施云端服务)。因此,可将伺服器所提供的在本文中所描述的功能理解为通过伺服器或伺服器计算机的布置结构提供。在一个实例中,数据库可凭借DynamoDB、或另一NoSQL数据库来实施,因为NoSQL数据库未强加于严格的架构,这提供了数据结构的灵活性,由此允许未来数据随着实施改良而变更。DynamoDB具有可靠性,并且可大规模运作,而大部分操作可在云端上进行,因此允许容易的自动比例调整。
电子装置100B可包括轨迹数据获取电路,该轨迹数据获取电路被配置为获取当前轨迹数据,例如从卫星信号(诸如GPS)计算出的轨迹数据。电子装置100B具有屏幕,该屏幕示出电子叫车应用程序的图形驱动程序界面(GUI),该电子叫车应用程序已由电子装置的驾驶员(例如:出租车司机)先在其电子装置上安装,并且已开启(例如,启动)以执行运输订单。电子装置100B具有处理器(未示出)。
GUI 101包括驾驶员所在位置附近的地图102。应用程序可基于位置服务,例如基于GPS的位置服务,来确定位置。地图102亦可示出要行进的轨迹,从而辅助驾驶员行驶。GUI可包括其他特征,例如,GUI 101可包括可接收自订单的出发点103用方框及目的地104用方框。亦可存在菜单(未示出),其允许驾驶员选择各种选项,例如有关乘客的信息、自动付款或现金付款等。
GUI可包括警报方框,其可呈现或变更外观(例如:闪光)以指出驾驶员何时超速或何时有即将超速风险。根据各种实施例,电子装置100B被配置为在检测到超速时发出警报,及/或被配置为在预测即将超速时发出警报。可将即将超速定义为未来超速概率高于预定阈值。
图2示出了划分成多个地理区域的城市的地图区域210,以举例方式示出为由线条214分开的正方形(诸如215及217)。地图包括代表道路212的数据。图2示出了位于地理区域217中的(驾驶员的)车辆的当前位置216。针对车辆检测超速的方法可确定车辆的当前速度是否高于阈值速度。针对车辆检测超速的方法可包括确定未来超速概率是否高于预定阈值。例如,该方法可确定不同轨迹(例如从当前位置到所示位置A、B或C)的超速概率。该方法可根据所选轨迹计算超速概率,例如对于位置的概率可以是A=10%、B=8%、C=82%。给定预定阈值,例如75%,当驾驶员选择轨迹218并朝向C行驶时,可触发警报(例如,在电子装置上显示的警报),因为82%>75%。
图3示出了根据一些实施例的针对车队的车辆检测超速的方法350的流程图350。方法350包括从电子数据库111获得多个地理区域的各地理区域的车队的历史轨迹数据352。获得可包括通过伺服器100A(例如通过伺服器的处理器)针对历史轨迹数据352向电子数据库111传送电子请求,并经由通信接口将历史轨迹数据从电子数据库111传送至伺服器100A。
该方法可包括通过伺服器100A的微处理器针对各地理区域确定354历史轨迹数据的速度分布。
该方法可包括,基于速度分布,通过与车辆相关联的电子装置100B的微处理器确定车辆的当前速度可高于与可在其中记录当前速度的当前地理区域中的速度分布354的预定百分位数对应的阈值速度,该当前地理区域对应于各地理区域中的至少一者。例如,如图3所示,可在356中确定速度分布的一个或多个百分位数。任选地,如果需要,该方法可包括例如在确定百分位数之前将分布去偏斜。在图3的实例中,该方法可包括情境数据的提供359。在步骤358中,将各种区域的百分位数及其情境数据、以及当前速度用于确定驾驶员是超速或是否即将超速。替代地或另外,该方法可基于百分位数或基于分布的分布数据来确定驾驶员是否超速或即将超速,如图4所示。图4示出了一方法的流程图400,该方法包括将速度分布的百分位数上传到驾驶员之装置上452以及使用各种区域的百分位数、及当前速度在驾驶员的装置上确定驾驶员是否超速或即将超速的步骤454。
根据各种实施例,确定驾驶员是否超速或即将超速可基于可先通过自动化高斯分量确定器确定的速度分布的高斯分量。高斯分量的使用可允许分类器识别道路类型。
图5示出了根据各种实施例的用于训练分类器的方法的流程图500,根据一些实施例,示出检测超速的方法。方法500包括从电子数据库111获得多个地理区域的各地理区域的车队的历史轨迹数据502。获得可包括通过伺服器100A(例如通过该伺服器的处理器)针对历史轨迹数据502向电子数据库111传送电子请求,并经由通信接口将历史轨迹数据从电子数据库111传送至伺服器100A。
用于训练的方法可包括通过伺服器100A的微处理器为训练数据集针对各地理区域确定504历史轨迹数据的速度分布,以及将分类的结果与地表实况作比较,并且反复动作,直到分类器的分类结果与地表实况之间已经达到充分收敛为止。替代地或另外,数据集包括速度分布的百分位数,其可在步骤506中确定,并且为训练数据集的部分,以使得可顾及速度分布的百分位数来执行训练。准确度可凭借包括相应地表实况的测试数据集来统计确定。
根据各种实施例,训练可进一步基于可先通过自动化高斯分量确定器确定的速度分布的高斯分量。高斯分量的使用可允许分类器识别道路类型。
根据各种实施例,训练数据集可包括情境数据。相应地,测试数据集可包括测试情境数据。情境数据可诸如训练(或测试)情境数据及当前情境数据,可从下列一个或多个选择:天气数据、驾驶员概况、当日的时间、当周的日子、公共假日数据、白天或夜晚、路况数据、路段状况、路段类型、道路特性数据、当前交通型态、邻域类型。各驾驶员概况可包括与对应驾驶员相关联的车辆的车辆特性数据。
根据各种实施例,可在伺服器100A上训练电子分类器,如图6的流程图600的步骤602所示。可将已受训分类器的预受训权重从伺服器100A上传604至电子装置100B,由此在电子装置100B上提供已受训分类器。相较于上传已受训分类器的整个指令集,仅上传预受训权重可于减少频宽消耗的情况下在电子装置100B上实现规律更新。在伺服器100A上提供训练实质降低电子装置100B上的资源使用,并且允许提升数据安全性,因为不需要将历史数据发送至电子装置100B。
在下文中,示出如何针对例示性数据集确定速度分布。图7示出了地图710的地理区域717,为了说明性目的,地理区域717通过250米×250米网格小区713的四个转角(针点714)所界定。地理区域包括路段712。
在图7及图8的实例中,来自印尼巴淡市的数据系用于说明。轨迹数据筛选如下,i)速度大于0;ii)驾驶员被标记为移运中‘IN_TRANSIT’,意味着驾驶员接受行程,并且驾驶员当前正在将乘客移动至目的地;iii)预约码并非NULL,意味着驾驶员活动被识别(且非受拒绝)为有效付费行程,并且存在可查询的已验证码;iv)轨迹数据获取(例如:GPS)的准确度小于或等于20m;v)确认ping状态(例如:‘2’),这确认上传的数据有效且可用于进一步运算。对于城市内的各网格小区,符合以上准则的轨迹数据点针对预定时间框予以汇集,例如汇集一整月。从图8的四个作图,左上方的作图示出针对一整月在地理区域717中回报的归一化的速度分布。当驾驶员移动是非行程相关活动的部分时,移运中标志及/或预约码的使用避免运行该方法。因此,可节省运算资源。
图8以举例方式示出了针对地理区域717的速度分布的直方图(a)。左上方的直方图(a)将会偏斜,因为相较于移动更快的车辆,以更慢速度行驶的车辆将登记更多轨迹数据点(例如:GPS ping)。直方图(b)为速度分布的去偏斜直方图,其通过对直方图(a)中所示的分布进行线性重新加权而建立。相比于与速度更慢的GPS位置点,与更高速度相关联的轨迹数据点受予更大权重。静态ping被从分析排除,因为其未针对虚拟速限确定提供任何值。在各直方图(a)及(b)中,概率密度函数(pdf)在分布上拟合,高斯反卷积以3个分量comp_1、comp_2及comp_3示出。高斯反卷积可通过自动化高斯分量确定器执行。
左下方的曲线图(c)示出针对速度去偏斜前(cdf)及后(已去偏斜cdf)的累增分布函数。从已去偏斜cdf,可确定速度分布的百分位数,例如,可确定速度分布的第85、第95、第99百分位数。
根据各种实施例,可在电子装置上向下推送(例如上传)具有整个城市网格坐标及其相应百分位数的文件(例如:一JavaScript对象表示法(json)文件)。在一行程期间,可确定传入GPS ping的网格位置,并且可将当前速度与阈值作比较。阈值可基于百分位数来确定,例如基于第85、第95、第99百分位数数据来确定。例如,可将类似于第85百分位数+8km/h规则的初始方法设定为一阈值。由于电子装置可伴随网格坐标运作,因此不需要将整个地图上传至电子装置。
根据各种实施例,确定超速可通过将车辆的当前速度与阈值速度作比较来执行。阈值速度可对应于当前地理区域中速度分布的预定百分位数,例如:第85百分位数、第85百分位数+8km/h、第95百分位数或第99百分位数。
根据各种实施例,为了确定驾驶员是否超速,该方法可考量在二个或更多个速度确定上的持续性超速。因此,在一些实施例中,包括速度的至少两个ping(即轨迹数据点)需要跨越设定阈值,并且这至少两个ping不能等同。在一些实施例中,违反阈值规则的单一GPS ping将不视为超速。这允许从GPS速度检测瞬时速度的误差更小,因为有一些时间滞后,并且在最佳状况下,手机GPS感测器的数据率为1Hz。此亦补偿由于接收不良或多路径所致的可能低准确度,有时会影响基于多普勒的速度测量。根据一些实施例,如果要针对超速检测将轨迹数据点列入考量,则轨迹数据点的准确度必须优于30米。
违规可经由推送通知或有声警报在行程期间或在行程结束时向驾驶员示出。替代地或另外,违规可伴随元数据发送回到后端,该元数据可每天汇集并且回报为超速报告。例如,如果使驾驶员分心是一个问题,则可关闭在驾驶期间发出警报。
图9示出了根据各种实施例的可通过电子装置执行的方法的示意图。可提供包括已受训分类器的电子装置。电子装置可包括从伺服器获得的所储存数据,诸如地图数据902、与驾驶员(例如:驾驶员概况数据)及/或车辆904相关的情境数据、以及其他情境数据906(天气、当日的时间)。地图数据902可包括地理区域的坐标(例如:网格坐标),并且可进一步包括下列一个或多个:速度分布、百分位数、预定速度阈值。电子装置可进一步利用可通过位置接收器模组912,例如GPS接收器,获得的当前轨迹数据。所储存数据可通过特征产生器914预处理,其可包括自动化高斯分量确定器及/或其他数据预处理。例如,鉴于速度分布及当前地理区域(或可从其确定当前地理区域的当前位置),特征产生器914可确定速度分布的高斯分量,并且可进一步识别对应于当前位置的最可能路段。特征产生器914可输出特征阵列,诸如速度百分位数(例如第50、第95、第99百分位数)、及由于超速所导致的意外事故概率。例示性阵列可看起来像[20,25,27,0.00002]。所储存数据可已先储存在电子装置的存储器中,例如,在从伺服器接收之后储存,并且可针对已受训分类器用作为输入特征。地图特征922可从地图数据902获得,驾驶员特征924可从驾驶员概况数据904获得,并且情境特征926可从其他情境数据906获得。已受训分类器可被配置为将输入特征嵌入到其神经网路的神经元内,例如,可将地图特征922、驾驶员特征924及情境特征926串连,并且在串连向量930中以串连形式用作为输入。
根据各种实施例,已受训分类器可被配置为基于轨迹数据计算未来超速概率。电子装置可被配置为确定超速概率是否高于预定阈值。例如,如果所计算概率为0.739,并且阈值为0.75,则未确定未来超速,而且,例如,电子装置可不发出未来超速警报。在另一实例中,如果所计算概率为0.85,并且阈值为0.75,则确定未来超速,而且,例如,电子装置可发出未来超速警报。替代地或另外,分类器可受训练以确定当前速度不安全,例如,通过具有代表当前不安全速度概率的输出类别来确定。电子装置可将当前不安全速度概率与阈值作比较,且由此确定车辆的当前速度是否安全或不安全。
根据各种实施例,未来超速概率的计算及超速概率是否高于预定阈值的确定可即时执行,因此,驾驶员在行驶中可即时接收警报以向其发出有关未来超速的警报。替代地或另外,可即时执行当前速度是否不安全的确定,因此,驾驶员在行驶中可即时接收警报以向其发出有关当前不安全超速的警报。根据各种实施例,当训练电子分类器时,可将警报驾驶员的轨迹数据排除在训练数据之外,例如,可将警报驾驶员的轨迹数据排除在历史轨迹数据之外,或先从历史轨迹数据筛选掉再训练。
图10示出根据一实例的系统的示意图,其包括伺服器100A及电子装置100B(例如智能手机,其与驾驶员相关联)。电子装置100B可向安全性后端发送191数据,诸如轨迹数据及当前速度。电子装置100B亦可向安全性后端查询191特征。安全性后端可向数据库DB查询193特征,并且数据库DB可向安全性后端发送194所述特征,进而可向电子装置100B发送所述特征。数据库DB可汇集取自历史轨迹数据库S3、驾驶员概况数据、及其他情境数据的特征。可通过周期性DB更新数据程序在DB处更新历史轨迹数据。因此,该程序的移动部分未曝露任何API。后端API提供用以检索城市、驾驶员相关特征集的方式。此特征变更缓慢,因此需要相当低的刷新率,例如每2或3周一次。
在一个实例中,用以获得地图数据、速度分布、及其他情境数据的API包括已曝露端点、内部端点、及方法GET。此API可从电子装置呼叫,并且将回传地图数据、速度分布(例如:速度分布数据及/或速度分布的百分位数),并且可回传其他情境数据,接着可将该其他情境数据用于对电子装置进行速度检测。在一个实例中,方法GET可包括纬度及经度字段,例如如表1所示。
字段名称 | 类型 | 定义 | 实例 | 必要项 |
纬度 | 浮点 | 纬度 | 1.2312 | 是 |
经度 | 浮点 | 经度 | 2.3212 | 是 |
表1
在一个实例中,来自API的响应可包括特征(例如:地图数据、速度分布、及其他情境内容),并且可进一步包括通过指示符,例如,如表2所示。
表2
在一个实例中,用以获得驾驶员概况数据的API包括已曝露端点、一内部端点、及方法GET。此API可从电子装置呼叫,并且将回传诸如年龄、历程等驾驶员特征,接着可将所述驾驶员特征用于在电子装置上进行速度检测。在一个实例中,方法GET不包括任何参数。在一个实例中,来自API的响应可包括驾驶员概况(亦称为驾驶员特征),并且可进一步包括通过指示符,如下面的表3所示。
字段名称 | 类型 | 定义 | 实例 | 必要项 |
通过 | 布林 | 是否呼叫成功? | 真|假 | 是 |
特征 | json | 年龄、历史等 | 是 |
表3
在一个实例中,用以获得要求频繁更新的另一情境数据(例如:可以是即时数据)的API包括已曝露端点、内部端点、及方法GET。此API可从电子装置呼叫,并且将回传诸如天气数据、即时交通数据等需为最新的情境数据,接着可将该情境数据用于在电子装置上进行速度检测。在一个实例中,方法GET可包括纬度及经度栏位,并且可进一步包括时间戳,例如,如表4所示。
字段名称 | 类型 | 定义 | 实例 | 必要项 |
纬度 | 浮点 | 纬度 | 1.2312 | 是 |
经度 | 浮点 | 经度 | 2.3212 | 是 |
时间戳 | 整数 | 时间 | 15728873783 | 否 |
表4
在一个实例中,来自API的响应可包括另一情境数据,并且可进一步包括通过指示符,例如,如表5所示。
字段名称 | 类型 | 定义 | 实例 | 必要项 |
通过 | 布林 | 是否呼叫成功? | 真|假 | 是 |
特征 | json | 天气、交通等 | 是 |
表5
可将从伺服器获得的特征,例如地图数据、速度分布、及其他情境内容、驾驶员概况数据、需要频繁更新的情境数据解串,接着插入到电子装置的已受训分类器,例如基于张量流的基础设施。
在一个实例中,地图数据的架构可如表6所示。
表6
尽管本公开已参照特定实施例特别示出并作说明,所属技术领域技术人员仍应了解的是,可于其中进行形式及细节方面的各种改变,但不会脱离如随附申请专利范围所定义的本发明的精神与范畴。因此,本发明的范畴通过随附申请专利范围指出,并且因此意欲囊括落入申请专利范围均等论述的意义及范围内的所有变化。
Claims (26)
1.一种针对车队的车辆检测超速的方法(550),所述方法(550)包括:
从电子数据库(111)获得多个地理区域的各地理区域(217,717)的所述车队的历史轨迹数据(552);
通过伺服器(100A)的微处理器针对各地理区域(217,717)确定所述历史轨迹数据的速度分布(554);
基于所述速度分布,在与所述车辆相关联的电子装置(100B)上,计算已确定未来超速概率;
其中,所述伺服器和所述电子数据库(111)经由通信接口彼此通信耦合,
获得包括通过所述伺服器(100A)针对所述历史轨迹数据(552)向所述电子数据库(111)传送电子请求,并经由所述通信接口将所述历史轨迹数据(552)从所述电子数据库(111)传送至所述伺服器(100A)。
2.根据权利要求1所述的方法(550),进一步包括确定所述已确定未来超速概率高于预定阈值。
3.根据权利要求1或权利要求2所述的方法(550),其中,所述预定阈值为阈值速度或基于所述阈值速度所确定,以及
其中,对于各地理区域(217,717),基于所述速度分布计算所述阈值速度。
4.根据前述权利要求中任一项所述的方法(550),进一步包括将所述多个地理区域的各地理区域(217,717)的所述阈值速度从所述伺服器(100A)上传至所述电子装置(100B),并且其中,在所述伺服器(100A)上执行计算所述阈值速度。
5.根据前述权利要求中任一项所述的方法(550),进一步包括基于与所述分布的数据点的速度的反比关系对所述速度分布进行去偏斜。
6.根据前述权利要求中任一项所述的方法,包括向所述电子装置(100B)针对所有多个地理区域上传相应百分位数或相应阈值速度。
7.根据前述权利要求中任一项所述的方法(550),其中,所述已确定概率通过已受训分类器所计算,并且其中,所述方法(550)进一步包括基于所述速度分布将电子分类器训练成所述已受训分类器。
8.根据权利要求7所述的方法(550),其中,训练进一步基于包括情境信息的情境数据;并且计算所述已确定未来超速概率进一步基于包括当前情境信息的当前情境数据。
9.根据权利要求8所述的方法(550),其中,情境数据包括训练天气数据,并且当前情境数据包括当前天气数据。
10.根据权利要求8或权利要求9所述的方法(550),其中,情境数据包括训练驾驶员概况数据,并且当前情境数据包括与所述车辆相关联的驾驶员的驾驶员概况数据,其中,所述训练驾驶员概况数据及所述驾驶员概况数据中的每个包括相应车辆特性数据及/或驾驶员特征。
11.根据权利要求8至10中任一项所述的方法(550),其中,情境数据及当前情境数据包括以下相应一个或多个:当日的时间、当周的日子、公共假日数据。
12.根据权利要求8至11中任一项所述的方法(550),其中,情境数据及当前情境数据包括以下相应一个或多个:路况数据、道路特性数据、当前交通型态、邻域类型。
13.根据权利要求7至11中任一项所述的方法(550),其中,所述电子分类器在所述伺服器(100A)上受训练,并且其中,已受训分类器的预受训权重从所述伺服器(100A)上传至所述电子装置(100B),由此在所述电子装置(100B)上提供所述已受训分类器。
14.一种电子装置(100B),包括:
轨迹数据获取电路,被配置为获取当前轨迹数据,所述当前轨迹数据包括多个地理区域的当前地理区域的轨迹数据;
通信电路,被配置为接收针对已受训分类器的预受训权重;
处理器,被配置为基于该轨迹数据,使用配置有所述预受训权重的所述已受训分类器来计算未来超速概率。
15.根据权利要求14所述的电子装置(100B),其中,计算未来超速概率进一步基于所述地理区域的速度分布。
16.根据权利要求14或权利要求15所述的电子装置(100B),其中,所述通信电路进一步被配置为向所述电子装置(100B)接收所述多个地理区域的各地理区域(217,717)的百分位数或阈值速度。
17.根据权利要求16所述的电子装置(100B),其中,所述通信电路进一步被配置为针对所有所述多个地理区域接收相应百分位数或相应阈值速度。
18.根据权利要求14至17中任一项所述的电子装置(100B),其中,所述预定阈值为所述阈值速度,或基于所述当前地理区域的阈值速度及/或百分位数所确定,以及
其中,所述电子装置(100B)进一步被配置为确定所述未来超速概率是否高于所述预定阈值。
19.根据权利要求14至18中任一项所述的电子装置(100B),其中,计算所述已确定未来超速概率进一步基于包括当前情境信息的当前情境数据。
20.根据权利要求19所述的电子装置(100B),其中,当前情境数据包括当前天气数据。
21.根据权利要求19或权利要求20所述的电子装置(100B),其中,情境数据包括当前情境数据,所述当前情境数据包括与所述车辆相关联的驾驶员的驾驶员概况数据,其中,所述训练驾驶员概况数据及所述驾驶员概况数据中的每个包括相应车辆特性数据及/或驾驶员特征。
22.根据权利要求19至21中任一项所述的电子装置(100B),其中,当前情境数据包括以下相应一个或多个:当日的时间、当周的日子、公共假日数据。
23.根据权利要求19至22中任一项所述的电子装置(100B),其中,当前情境数据包括以下相应一个或多个:路况数据、道路特性数据、当前交通型态、邻域类型。
24.一种包括伺服器(100A)和多个电子装置(100B)的系统,
其中,所述多个电子装置的每个电子装置与车队的车辆相关联,并且根据权利要求14至23中的一项来配置;
其中,所述伺服器(100B)被配置为从电子数据库(111)获得多个地理区域的各地理区域(217,717)的所述车队的历史轨迹数据(552);以及
其中,所述伺服器(100A)被配置为产生预受训权重作为训练所述分类器的结果,并且进一步被配置为向所述电子装置(100B)上传所述预受训权重,从而在所述电子装置(100B)上提供所述已受训分类器。
25.一种计算机程序产品,包括计算机可执行代码,所述计算机可执行代码包括指令,当程序由计算机执行时,所述指令使该计算机执行根据权利要求1至13中任一项所述的方法。
26.一种非暂时性计算机可读介质,其储存包括指令的计算机可执行代码,用来进行以下步骤:
从轨迹数据获取电路获得当前轨迹数据;
经由配置的通信电路从伺服器接收针对已受训分类器的预受训权重;
将具有所述预受训权重的分类器配置成已受训分类器;以及
使用所述已受训分类器并基于所述轨迹数据来计算未来超速概率。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202010293T | 2020-10-16 | ||
SG10202010293T | 2020-10-16 | ||
PCT/SG2021/050483 WO2022081082A1 (en) | 2020-10-16 | 2021-08-18 | Method, electronic device, and system for predicting future overspeeding |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116348935A true CN116348935A (zh) | 2023-06-27 |
Family
ID=81209490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180070809.XA Pending CN116348935A (zh) | 2020-10-16 | 2021-08-18 | 用于预测未来超速的方法、电子装置及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11823572B2 (zh) |
CN (1) | CN116348935A (zh) |
TW (1) | TW202216510A (zh) |
WO (1) | WO2022081082A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116368544A (zh) * | 2020-10-16 | 2023-06-30 | 格步计程车控股私人有限公司 | 用于检测超速的方法、电子装置及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8478499B2 (en) * | 2010-06-07 | 2013-07-02 | Ford Global Technologies, Llc | System and method for vehicle speed monitoring using historical speed data |
CN103632540B (zh) * | 2012-08-20 | 2015-11-25 | 同济大学 | 基于浮动车数据的城市主干道交通运行信息处理方法 |
FR3009640B1 (fr) * | 2013-08-07 | 2022-11-18 | Coyote Sys | Dispositif et procede de mise a jour automatique d'une base de donnees des vitesses limites de circulation |
DE102017209667A1 (de) * | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie |
US10546490B2 (en) * | 2017-09-29 | 2020-01-28 | Here Global B.V. | Method and apparatus for identifying a transport mode of probe data |
US20210125076A1 (en) * | 2019-10-29 | 2021-04-29 | Denso International America, Inc. | System for predicting aggressive driving |
-
2021
- 2021-08-18 WO PCT/SG2021/050483 patent/WO2022081082A1/en active Application Filing
- 2021-08-18 CN CN202180070809.XA patent/CN116348935A/zh active Pending
- 2021-08-18 US US18/032,010 patent/US11823572B2/en active Active
- 2021-08-24 TW TW110131314A patent/TW202216510A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US11823572B2 (en) | 2023-11-21 |
US20230306841A1 (en) | 2023-09-28 |
TW202216510A (zh) | 2022-05-01 |
WO2022081082A1 (en) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3322961B1 (en) | Methods and systems for detecting a closure and/or opening of a navigable element | |
CN106662458B (zh) | 用于改进地图和导航数据的可穿戴传感器数据 | |
US10699564B1 (en) | Method for defining intersections using machine learning | |
US11721206B2 (en) | Method, apparatus, and system for automatic verification of road closure reports | |
CN104851295A (zh) | 获取路况信息的方法和系统 | |
US20200111357A1 (en) | Method, apparatus, and system for automatic road closure detection | |
CN107993001A (zh) | 一种风险评估的可视化方法、装置及存储介质 | |
Kaack et al. | Truck traffic monitoring with satellite images | |
CA3224300A1 (en) | System and method for monitoring a vehicle | |
US11428535B2 (en) | System and method for determining a sign type of a road sign | |
US11823572B2 (en) | Method, electronic device, and system for predicting future overspeeding | |
US11995983B2 (en) | Method, electronic device, and system for detecting overspeeding | |
US11238291B2 (en) | Method, apparatus, and computer program product for determining if probe data points have been map-matched | |
EP4273501A1 (en) | Method, apparatus, and computer program product for map data generation from probe data imagery | |
JP2019040378A (ja) | コンピュータプログラム、走行道路判定方法、走行道路判定装置、車載装置およびデータ構造 | |
US20230206753A1 (en) | Method, apparatus, and system for traffic prediction based on road segment travel time reliability | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
CN115114312A (zh) | 地图数据更新方法、装置及电子设备 | |
WO2015170385A1 (ja) | 移動手段判別システム、移動手段判別方法、及び計算機読み取り可能な非一時的な記憶媒体 | |
CN113379162A (zh) | 农村公路机动车行驶量估计方法 | |
Zhang et al. | Low-cost realtime horizontal curve detection using inertial sensors of a smartphone | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN115982306B (zh) | 一种目标对象的逆行行为识别方法、装置 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
WO2019038987A1 (ja) | コンピュータプログラム、走行車線特定装置および走行車線特定システム |
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 |