CN116416795B - 基于交通大数据的僵尸车监察方法及系统 - Google Patents
基于交通大数据的僵尸车监察方法及系统 Download PDFInfo
- Publication number
- CN116416795B CN116416795B CN202310361238.6A CN202310361238A CN116416795B CN 116416795 B CN116416795 B CN 116416795B CN 202310361238 A CN202310361238 A CN 202310361238A CN 116416795 B CN116416795 B CN 116416795B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- database
- zombie
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 12
- 239000000446 fuel Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 11
- 239000000295 fuel oil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
Abstract
本发明公开了一种基于交通大数据的僵尸车监察方法及系统,方法包括:步骤一、交通大数据清洗:从交管平台获取各个区域的车辆登记数据,并存储于预建立的待管车辆数据库;对待管车辆数据库清洗,并基于车辆的动力能源类型得到清晰化的纯电车辆数据集;步骤二、续航里程更新;步骤三、续航时长分析;步骤四、僵尸车数据整理:定义剩余可续航时长为零,且维持时长超过T1的车辆为嫌疑车辆,并将对应数据放入预建立的待审核数据库;根据车辆登记数据发送车辆活动证明提示数据至车主,并接收和获取车主的反馈;识别反馈,并将待审核数据库中的车辆标记为僵尸车或做对应数据删除。本申请具有帮助相关人员对僵尸车管理,减少公共资源占用的效果。
Description
技术领域
本申请涉及物联网大数据挖掘分析技术领域,尤其是涉及一种基于交通大数据的僵尸车监察方法及系统。
背景技术
根据相关数据显示,国内机动车保有量已经达到3.9亿辆,因此交通通行压力和停车问题显得日益严峻。
上述中的停车问题,除了局部地域人流量大,车位有限导致外,还有一个原因是:僵尸车;僵尸车指的是长期停放、无人维护的车辆,其不仅占用道路、停车位等公共资源,还存在各种安全隐患。
如某些工业产业园区,车位被相同的几辆汽车长期所占据,不仅使得原本紧张的停车问题加剧,还因为车辆长期处于暴晒之下,存在自燃、爆胎等安全隐患,因此本申请提出一种新的技术方案。
发明内容
为了帮助相关人员对僵尸车管理,减小僵尸车的公共资源占用和安全隐患,本申请提供一种基于交通大数据的僵尸车监察方法及系统。
第一方面,本申请提供一种基于交通大数据的僵尸车监察方法,采用如下的技术方案:
一种基于交通大数据的僵尸车监察方法,包括:
步骤一、交通大数据清洗,其包括:
从交管平台获取各个区域的车辆登记数据,并存储于预建立的待管车辆数据库;
对待管车辆数据库清洗,并基于车辆的动力能源类型得到清晰化的纯电车辆数据集;
步骤二、续航里程更新,其包括:
从充电桩管理平台获取用户数据和对应的充电动态数据;
基于用户数据将充电动态数据和待管车辆数据库中的对应车辆关联;
根据充电动态数据和车辆对应厂家提供的续航计算模型 ,估算车辆的当前极限续航里程;
步骤三、续航时长分析,其包括:
根据最近一次的当前极限续航里程及当前极限续航里程产生时间,以预设续航消耗规则估算车辆的剩余可续航时长;
步骤四、僵尸车数据整理,其包括:
定义剩余可续航时长为零,且维持时长超过T1的车辆为嫌疑车辆,并将对应数据放入预建立的待审核数据库;
根据车辆登记数据发送车辆活动证明提示数据至车主,并接收和获取车主的反馈;
识别反馈,并将待审核数据库中的车辆标记为僵尸车或做对应数据删除。
可选的,所述步骤一、交通大数据清洗,其还包括:
接收权限账户的录入数据;
根据录入数据建立僵尸车风险划分规则,定义低风险、中风险和高风险车辆,并分别匹配筛选条件;
移动待管车辆数据库中的低风险车辆的对应数据,并存储于另一预建立的备案数据库。
可选的,电车筛选条件至少包括车辆的使用年限;
基于车辆的使用年限查找预存的电池容量衰减关系表,匹配电池容量衰减参数,并导入纯电车辆的续航计算模型。
可选的,所述步骤一,其还包括:得到清晰化的燃油车辆数据集;
所述步骤二、其还包括:
获取加油站的视频监控数据;
对视频监控数据进行有效图像简化处理, 得到各个车辆加油始末节点时间;
根据预设的加油效率计算模型,计算得到预估的加油量;
根据加油量始末节点时间、加油量和和车辆对应厂家提供的续航计算模型,估算车辆的当前极限续航里程。
可选的,所述续航消耗规则包括:
根据某一车辆的过往续航分析记录,计算历次真实续航时长;
根据历次真实续航时长和对应的极限续航里程,计算历次的续航消耗速率,并求均值、方差和标准差,定义正态分布中最大占比范围的数据的均值为标准续航消耗速率;
以标准续航消耗速率计算车辆的剩余可续航时长。
可选的,所述待管车辆数据库还存储有交通违法数据,且根据车牌号关联对应车辆;
所述步骤四,其还包括:
当某一车辆的交通违法数据更新,且该车辆记录在待审核数据库,则对该车辆做数据清理审核,且对审核通过的车辆的数据做清理;
当某一车辆的交通违法数据更新,且该车辆没有记录在待审核数据库,则对该车辆中止执行步骤三,且维持T1时长。
可选的,所述数据清理审核,其包括:
计算交通违法数据更新的车辆记入待审核数据库的时长T2;
调取交通违法记录中的图像和待管车辆数据库中相同车牌号的车辆登记数据,做车辆特征比对;或,调取交通违法记录,识别得到违法位置、违法时间和车牌号;调取待管车辆数据库中相同车牌号的车辆在违法时间的定位数据,定位数据和违法位置比对;
定义比对结果为不同的车辆为问题车辆;
发送问题车辆的比对数据至指定交管人员,并接收和识别反馈,确定是否将待审核数据库中的车辆对应数据做删除。
第二方面,本申请提供一种基于交通大数据的僵尸车监察系统,采用如下的技术方案:
一种基于交通大数据的僵尸车监察系统,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如上述任一种基于交通大数据的僵尸车监察方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:可以对各个车辆做续航分析,根据续航情况和各个车辆的上一次加油/充电时间评估其是否已经处于长期停用状态,以此帮助相关工作人员进行僵尸车的监察,减少此类车辆对公共资源的占用,减少其可能导致的安全隐患。
附图说明
图1是本申请的方法的步骤示意图;
图2是本申请的均值、标准方差应用示意图。
实施方式
以下结合附图1-2对本申请作进一步详细说明。
本申请实施例公开一种基于交通大数据的僵尸车监察方法。
参照图1,基于交通大数据的僵尸车监察方法包括:
步骤一、交通大数据清洗;
步骤二、续航里程更新;
步骤三、续航时长分析;
步骤四 、僵尸车数据整理。
可以理解的是,本方法先利用交通大数据,整理出各个车辆的数据,然后再对各个车辆做续航分析,根据续航情况去判断各个车辆是否已经处于长期停用状态,以此帮助相关工作人员进行僵尸车的监察,减少此类车辆对公共资源的占用,减少其可能导致的安全隐患。
在本申请的一个实施例中,上述步骤一,其包括:
从交管平台获取各个区域的车辆登记数据和交通违法数据,并存储于预建立的待管车辆数据库;以及,
对待管车辆数据库清洗,并基于车辆的动力能源类型得到清晰化的纯电车辆数据集、燃油车数据集。
其中,车辆登记数据,包括车管所记录的车辆数据,其至少有车牌号(以下简称车牌)、车型、车辆颜色、所有人及联系方式。交通违法数据,即诸如交管12123公布的违法记录。
需要注意的是,在本方法应用于某一城市时,交管平台的车辆登记数据,其除了当地各个车管所记录的车辆数据外,还有对高速进出口的通行记录,并以此更新对应城市的车辆数据。
在本实施例中对数据的清洗,除了剔除重复数据、一致化外,更主要的是得到各个数据子集,并遵循工作人员预先给出的分类标准-动力能源类型,得到纯电车辆数据集、燃油车辆数据集。
由于本方法考虑个人信息安全及电车驾驶安全,不介入车机获取车辆数据;同时,混动车辆续航相对繁杂、不可控,所以本方法暂时只提取纯电、燃油两类车的数据,并对其分析处理。
在本申请的一个实施例中,上述步骤二、续航里程更新,其包括:
1)、仅针对纯电车辆:
从充电桩管理平台获取用户数据和对应的充电动态数据;
基于用户数据将充电动态数据和待管车辆数据库中的对应车辆关联。
可以理解的是,考虑充电效率、安全及家庭充电设施布设许可,纯电车辆可认为主要以充电桩充电为主,而当前各大品牌及第三方运营的充电桩已经实现App上线,将用户的充电及费用结算管理转为线上进行;由此,产生有对应的用户数据(车牌、所有人)、充电动态数据(如:什么时候充电/时长);因此本方法可以通过对接相关平台,得到以上数据。
之后,根据充电动态数据和车辆对应厂家提供的续航计算模型 ,估算车辆的当前极限续航里程。
可以理解的是,相同电量,不同品牌、型号的车辆,动力系统是不同的,因此其续航计算过程差异;具体结果差异,可参见车机、仪表盘上显示的续航里程;本实施例中的计算模型可采用车载系统相同的内容,其从厂家获取录入,具体计算为现有技术;另一燃油车相同,因此不再赘述。
2)、针对燃油车辆:
相对而言,燃油车因为结算方式可以是现金、在线支付等,且是否开票也存在不同,所以对燃油车的续航里程更新以加油站布设的视频监控数据做基础;具体地:
获取加油站的视频监控数据;
对视频监控数据进行有效图像简化处理,得到各个车辆加油始末节点时间;
根据预设的加油效率计算模型(油枪效率),计算得到预估的加油量;
根据加油量始末节点时间、加油量和和车辆对应厂家提供的续航计算模型,估算车辆的当前极限续航里程。
其中,有效图像简化处理,即视频抽取关键帧的图像,得到图像数据集后删除视频监控数据;关键帧,其在本实施例中指的是,车辆进出指定加油区的图像;该步通过将实时图像与油站标准空置图比较,在指定加油区出现车辆特征像素覆盖即可确定。加油始末时间,更为精准的确定方式是,通过识别油枪进出汽车加油口的图像确定。具体精准度,根据用户要求确定即可,毕竟僵尸车的判定时长也只是一个粗略数值。
需要注意的是,无论是纯电车辆,还是燃油车辆,应用本方法时均至少需要人工主动上传一次当前极限续航里程、油量/电量,校正续航里程更新分析的基准,保证该方法能顺利展开。后续的,所需反馈也起类似作用。
在本方法的一个实施例中,针对纯电车辆,还考虑有电池容量衰减因素,因此本方法还包括:
基于车辆的使用年限查找预存的电池容量衰减关系表,匹配电池容量衰减参数,并导入纯电车辆的续航计算模型。
电池容量衰减关系表,其由汽车厂商及相关单位提供,用于表明电池容量随使用时长的变化。因此,当纯电车辆发生电池更换之后,需要至少做一次数据更新上传,以避免续航计算模型中所使用的电池容量误差过大。
完成上述两步后,即可执行步骤三、续航时长分析,其包括:
根据最近一次的当前极限续航里程及当前极限续航里程产生时间,以预设续航消耗规则估算车辆的剩余可续航时长。
在本方法的一个实施例中,续航消耗规则,并非采用固定值,如:一天10公里或一个月一箱油的续航;毕竟不同用户存在诸多差异,即便采用固定值计算,也需要先将用户按照过往的充电、加油频次做等级划分,一个等级,匹配一个固定值。
本方法优先的,以下述方式做续航消耗分析:
根据某一车辆的过往续航分析记录(即,上述步骤二的充电动态更新相隔时长计算),计算历次真实续航时长;
根据历次真实续航时长和对应的极限续航里程,计算历次续航消耗速率,并求均值、方差和标准差,定义正态分布中最大占比范围的数据的均值为标准续航消耗速率;
以标准续航消耗速率计算车辆的剩余可续航时长。
参照图2,关于上述均值(μ)、方差、标准差(s)的应用:建立双轴坐标系,Y轴为消耗速率,X轴以均值为中点(原点),X轴两侧以一个标准差作为增减单位计算后的坐标点,由此可到正态分布图;此时,一个标准差内的数据为一个图块,且中点左右对称数值定义组成一个图块。
由此,可得到最大图块(占比范围)的数据;对其再次求均值,所得的续航消耗速率认为是最接近该车辆的真实情况,所以定义其为标准续航消耗速率,并以此做续航时长计算。
在本方法的一个实施例中,上述步骤四、僵尸车数据整理,其包括:
定义剩余可续航时长为零,且维持时长超过T1(如:一周)的车辆为嫌疑车辆,并将对应数据放入预建立的待审核数据库;
根据车辆登记数据发送车辆活动证明提示数据至车主(如:根据手机号短信发送至手机),并接收和获取车主的反馈;其中,反馈至少包括:剩余油量、电量图片/数据、最新一次行程记录;
识别反馈,并将待审核数据库中的车辆标记为僵尸车或做对应数据删除;如:反馈无法证明三天之内有行驶,则增加标记;否则,为删除。
根据上述内容可知,交管部门及相关人员可以在需要时可以从数据库中调取可能存在僵尸车嫌疑的车辆,以及时处理,减少此类车辆的公共资源占用等。
在本方法的一个实施例中,在步骤一、交通大数据清洗阶段,其还包括:
接收权限账户(管理员账户)的录入数据;
根据录入数据建立僵尸车风险划分规则,定义低风险、中风险和高风险车辆,并分别匹配筛选条件;
移动待管车辆数据库中的低风险车辆的对应数据,并存储于另一预建立的备案数据库。
关于僵尸车风险划分规和筛选条件,可以理解的是:1、根据车辆的使用年限划分,新车出现的几率是相对低的,如:4年以下的认为低风险;2、根据是否为共享汽车划分;相对而言,共享汽车因为位置、经营管理情况,更容易出现僵尸车。
通过上述内容,可以有效缩减待管车辆数据库的体量,减少非必要的算力资源浪费。
在本方法的一个实施例中,还结合有交通违法数据做僵尸车数据的排查,具体地,步骤四,其还包括:
当某一车辆的交通违法数据更新(产生新的违法记录),且该车辆记录在待审核数据库,则对该车辆做数据清理审核,且对审核通过的车辆的数据做清理;
当某一车辆的交通违法数据更新,且该车辆没有记录在待审核数据库,则对该车辆中止执行步骤三,且维持T1时长。
根据上述内容可知,如果一辆车出现的新的违法记录,那么会根据其是否已经被记录在待审核数据库中做不同的响应,没有在库,则认定违法记录为其最新的活动记录,中止一段时间对其做僵尸车排查;如果在库,则做数据清理审核。
关于做数据清理审核,本实施例中主要是为了排查套牌车,其包括:
1)、计算交通违法数据更新的车辆记入待审核数据库的时长T2,用作相关人员评测参考;
2)、调取交通违法记录中的图像和待管车辆数据库中相同车牌号的车辆登记数据,做车辆特征比对(如:车辆的颜色、车型);
3)、定义比对结果为不同的车辆为问题车辆;
4)、发送问题车辆的比对数据至指定交管人员(手机),并接收和识别反馈,确定是否将待审核数据库中的车辆对应数据做删除。
需要注意的是,对于“高明”的套牌车而言,其会将车型、颜色等均做模仿,此时大多需要人工通过验证车架号是否磨损、改写等完成辨别,因此不再上述的排查能力内。
在用户(车主)愿意开放车机/定位模块的数据(优选的,定位模块配置另一以ETC单元类似功能的方式供电)的前提下,对于上述步骤2)还有另一实现方式:
调取交通违法记录,识别得到违法位置、违法时间和车牌号;
调取待管车辆数据库中相同车牌号的车辆在违法时间的定位数据,定位数据和违法位置比对。
可以理解的是,上述引入定位数据比对的方式,可以有效提高套牌车的排查精准性。
本申请实施例还公开一种基于交通大数据的僵尸车监察系统。
基于交通大数据的僵尸车监察系统,包括存储器和处理器,存储器上存储有能够被处理器加载并执行如上述任一种基于交通大数据的僵尸车监察方法的计算机程序。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (7)
1.一种基于交通大数据的僵尸车监察方法,其特征在于,包括:
步骤一、交通大数据清洗,其包括:
从交管平台获取各个区域的车辆登记数据,并存储于预建立的待管车辆数据库;
对待管车辆数据库清洗,并基于车辆的动力能源类型得到清晰化的纯电车辆数据集;
步骤二、续航里程更新,其包括:
从充电桩管理平台获取用户数据和对应的充电动态数据;
基于用户数据将充电动态数据和待管车辆数据库中的对应车辆关联;
根据充电动态数据和车辆对应厂家提供的续航计算模型,估算车辆的当前极限续航里程;
步骤三、续航时长分析,其包括:
根据最近一次的当前极限续航里程及当前极限续航里程产生时间,以预设续航消耗规则估算车辆的剩余可续航时长;所述续航消耗规则包括:
根据某一车辆的过往续航分析记录,计算历次真实续航时长;
根据历次真实续航时长和对应的极限续航里程,计算历次的续航消耗速率,并求均值、方差和标准差,定义正态分布中最大占比范围的数据的均值为标准续航消耗速率;
以标准续航消耗速率计算车辆的剩余可续航时长;
步骤四、僵尸车数据整理,其包括:
定义剩余可续航时长为零,且维持时长超过T1的车辆为嫌疑车辆,并将对应数据放入预建立的待审核数据库;
根据车辆登记数据发送车辆活动证明提示数据至车主,并接收和获取车主的反馈;
识别反馈,并将待审核数据库中的车辆标记为僵尸车或做对应数据删除。
2.根据权利要求1所述的基于交通大数据的僵尸车监察方法,其特征在于,所述步骤一、交通大数据清洗,其还包括:
接收权限账户的录入数据;
根据录入数据建立僵尸车风险划分规则,定义低风险、中风险和高风险车辆,并分别匹配筛选条件;
移动待管车辆数据库中的低风险车辆的对应数据,并存储于另一预建立的备案数据库。
3.根据权利要求2所述的基于交通大数据的僵尸车监察方法,其特征在于:电车筛选条件至少包括车辆的使用年限;
基于车辆的使用年限查找预存的电池容量衰减关系表,匹配电池容量衰减参数,并导入纯电车辆的续航计算模型。
4.根据权利要求1所述的基于交通大数据的僵尸车监察方法,其特征在于了,所述步骤一,其还包括:得到清晰化的燃油车辆数据集;
所述步骤二、其还包括:
获取加油站的视频监控数据;
对视频监控数据进行有效图像简化处理,得到各个车辆加油始末节点时间;
根据预设的加油效率计算模型,计算得到预估的加油量;
根据加油量始末节点时间、加油量和和车辆对应厂家提供的续航计算模型,估算车辆的当前极限续航里程。
5.根据权利要求1所述的基于交通大数据的僵尸车监察方法,其特征在于:所述待管车辆数据库还存储有交通违法数据,且根据车牌号关联对应车辆;
所述步骤四,其还包括:
当某一车辆的交通违法数据更新,且该车辆记录在待审核数据库,则对该车辆做数据清理审核,且对审核通过的车辆的数据做清理;
当某一车辆的交通违法数据更新,且该车辆没有记录在待审核数据库,则对该车辆中止执行步骤三,且维持T1时长。
6.根据权利要求5所述的基于交通大数据的僵尸车监察方法,其特征在于,所述数据清理审核,其包括:
计算交通违法数据更新的车辆记入待审核数据库的时长T2;
调取交通违法记录中的图像和待管车辆数据库中相同车牌号的车辆登记数据,做车辆特征比对;或,调取交通违法记录,识别得到违法位置、违法时间和车牌号;调取待管车辆数据库中相同车牌号的车辆在违法时间的定位数据,定位数据和违法位置比对;
定义比对结果为不同的车辆为问题车辆;
发送问题车辆的比对数据至指定交管人员,并接收和识别反馈,确定是否将待审核数据库中的车辆对应数据做删除。
7.一种基于交通大数据的僵尸车监察系统,其特征在于:包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至6中任一种基于交通大数据的僵尸车监察方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310361238.6A CN116416795B (zh) | 2023-04-06 | 2023-04-06 | 基于交通大数据的僵尸车监察方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310361238.6A CN116416795B (zh) | 2023-04-06 | 2023-04-06 | 基于交通大数据的僵尸车监察方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416795A CN116416795A (zh) | 2023-07-11 |
CN116416795B true CN116416795B (zh) | 2023-11-10 |
Family
ID=87059181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310361238.6A Active CN116416795B (zh) | 2023-04-06 | 2023-04-06 | 基于交通大数据的僵尸车监察方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416795B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388663A (zh) * | 2018-08-24 | 2019-02-26 | 中国电子科技集团公司电子科学研究院 | 一种面向社会安全领域的大数据智能分析平台 |
CN110517503A (zh) * | 2019-08-28 | 2019-11-29 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的僵尸车分析预警方法及装置 |
CN111461024A (zh) * | 2020-04-02 | 2020-07-28 | 福建工程学院 | 基于智能车载终端的僵尸车识别方法 |
CN111540194A (zh) * | 2020-03-23 | 2020-08-14 | 深圳奇迹智慧网络有限公司 | 车辆监测数据处理方法、装置、计算机设备和存储介质 |
WO2020211456A1 (zh) * | 2019-04-16 | 2020-10-22 | 北京嘀嘀无限科技发展有限公司 | 电动车辆续航里程测量方法、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386308A (zh) * | 2023-04-04 | 2023-07-04 | 淮安中科晶上智能网联研究院有限公司 | 一种基于电子围栏的电动车监管系统及方法 |
-
2023
- 2023-04-06 CN CN202310361238.6A patent/CN116416795B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388663A (zh) * | 2018-08-24 | 2019-02-26 | 中国电子科技集团公司电子科学研究院 | 一种面向社会安全领域的大数据智能分析平台 |
WO2020211456A1 (zh) * | 2019-04-16 | 2020-10-22 | 北京嘀嘀无限科技发展有限公司 | 电动车辆续航里程测量方法、电子设备及存储介质 |
CN110517503A (zh) * | 2019-08-28 | 2019-11-29 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的僵尸车分析预警方法及装置 |
CN111540194A (zh) * | 2020-03-23 | 2020-08-14 | 深圳奇迹智慧网络有限公司 | 车辆监测数据处理方法、装置、计算机设备和存储介质 |
CN111461024A (zh) * | 2020-04-02 | 2020-07-28 | 福建工程学院 | 基于智能车载终端的僵尸车识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116416795A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Gennaro et al. | Big data for supporting low-carbon road transport policies in Europe: Applications, challenges and opportunities | |
Nazari et al. | Modeling electric vehicle adoption considering a latent travel pattern construct and charging infrastructure | |
Gnann | Market diffusion of plug-in electric vehicles and their charging infrastructure | |
CN104155118A (zh) | 一种汽车健康体检系统 | |
CN110059832A (zh) | 辅助装置、辅助方法及辅助系统 | |
Habib et al. | Effect of parking charges at transit stations on park-and-ride mode choice: lessons learned from stated preference survey in Greater Vancouver, Canada | |
Hu et al. | Exploring the effect of battery capacity on electric vehicle sharing programs using a simulation approach | |
US20200027183A1 (en) | Network computer system to determine suitabilities of vehicles using blockchain records | |
DE102021123067A1 (de) | Sicherer Transportmittel-Datenaustausch | |
Gnann et al. | How to address the chicken-egg-problem of electric vehicles? Introducing an interaction market diffusion model for EVs and charging infrastructure | |
Mandev et al. | Empirical charging behavior of plug-in hybrid electric vehicles | |
CN110675041A (zh) | 一种公务用车管理系统 | |
Rozhkova et al. | An overview of aspects of autonomous vehicles’ development in digital era | |
Li et al. | Can a bikesharing system reduce fuel consumption? Case study in Tucson, Arizona | |
CN114201571B (zh) | 加油站推荐方法、装置、电子设备及存储介质 | |
Comi et al. | A methodology to design and assess scenarios within SULPS: the case of Bologna | |
CN116416795B (zh) | 基于交通大数据的僵尸车监察方法及系统 | |
Tal et al. | Where are Used Electric Vehicles and Who are the Buyers? | |
JP7392624B2 (ja) | 制御装置、制御方法、及びプログラム | |
CN110046927B (zh) | 一种共享汽车的数据分析方法及装置 | |
CN113283734B (zh) | 一种执法执勤车辆监督管理方法及系统 | |
Bianchessi et al. | Vehicle-sharing: technological infrastructure, vehicles, and user-side devices-Technological review | |
Masmoudi et al. | An adaptive large neighborhood search heuristic for the green dial‐a‐ride problem | |
De | Next-Gen business models for the automotive industry for connected cars and services | |
Sharma et al. | Intelligent vehicle registration certificate |
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 |