CN116978232A - 一种基于车联网的车辆数据管理系统及方法 - Google Patents
一种基于车联网的车辆数据管理系统及方法 Download PDFInfo
- Publication number
- CN116978232A CN116978232A CN202311222261.3A CN202311222261A CN116978232A CN 116978232 A CN116978232 A CN 116978232A CN 202311222261 A CN202311222261 A CN 202311222261A CN 116978232 A CN116978232 A CN 116978232A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- sample
- road
- 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.)
- Granted
Links
- 238000013523 data management Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013210 evaluation model Methods 0.000 claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于车联网的车辆数据管理系统及方法,通过获取样本车辆的历史行驶路段作为样本路段,根据样本车辆的历史车辆状态数据以及样本路从而的路段样本数据、环境样本数据和交通样本数据建立车辆影响评估模型,基于车辆影响评估模型建立数据管理模式选择模型,获取第一车辆的第一车辆数据,以及第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据,通过车辆影响评估模型将第一路段划分为多个第一子路段,通过数据管理模式选择模型为每个第一子路段配置对应的第一数据管理模式,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证基于不同环境/不同类型路段的数据管理模式调整的智能、高效与精细化。
Description
技术领域
本发明涉及车联网技术领域,具体涉及一种基于车联网的车辆数据管理系统及方法。
背景技术
随着城市化进程改进步伐的加快,城镇流动人口的急剧增加,车辆作为其中一种常用的交通运输承载工具,其在人们的日常生活中的作用更加重要。随着汽车智能化和网联化程度的普及,大数据的应用涉及车辆管理的方方面面,通过对车辆实现全车型、全系统的大数据收集,可为用户提供例如车辆状态监测及维修保养建议等,以预防故障发生,从而提升用户的使用体验。目前,车辆数据管理的方案已经无法满足对车辆数据进行针对性、高效性、智能化管理的需求,无法实现对车辆数据的有效管理。
发明内容
本发明正是基于上述问题,提出了一种基于车联网的车辆数据管理系统及方法,通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证基于不同环境/不同类型路段的数据管理模式调整的智能、高效与精细化。
有鉴于此,本发明的一方面提出了一种基于车联网的车辆数据管理系统,包括:云服务器、物联网服务器、智能物联网终端;其中,
所述云服务器被配置为:
获取样本车辆的样本车辆数据;
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。
可选地,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,所述云服务器被配置为:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
本发明的另一方面提供一种基于车联网的车辆数据管理方法,包括:
获取样本车辆的样本车辆数据;
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。
可选地,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
可选地,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据中提取出第一特征;
使用机器学习技术,将提取到的所述第一特征作为输入,将车辆影响结果作为输出,建立车辆影响评估模型。
可选地,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型的步骤,包括:
将所述样本路段按第一预设长度平分成多个第一小段;
对于各个所述第一小段,分别从历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据提取对应的第一小段车辆状态数据、第一小段路段数据、第一小段环境数据和第一小段交通数据;
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型;
整合各个所述第一小段数据管理模式选择模型得到所述数据管理模式选择模型。
可选地,所述根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段的步骤,包括:
根据所述第一车辆的第一速度确定第二预设长度,并根据所述第二预设长度将所述第一路段平分成多个第二小段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型计算每个所述第二小段的第一影响结果;
对所有所述第二小段的所述第一影响结果进行聚类分析,将结果相同或者结果差值在第一预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第二小段中相邻且属于同一聚类的连续小段合并,形成多个第一子路段。
可选地,所述根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型的步骤,包括:
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据、第一小段交通数据、所述车辆影响评估模型确定各个所述第一小段里所述第一车辆受到的第一影响结果集;
根据所述第一影响结果集,配置各个所述第一小段对应的数据管理模式得到数据管理模式集;
将所述车辆影响评估模型和所述数据管理模式集整合,得到能根据实时的车辆状态数据、路段数据、环境数据和交通数据确定实时车辆影响结果并确定与实时车辆影响结果对应的实时数据管理模式的所述数据管理模式选择模型。
可选地,所述根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式的步骤,包括:
对于各个所述第一子路段,利用所述数据管理模式选择模型,基于所述第一车辆数据、所述第一路段数据、所述第一环境数据和所述第一交通数据评估所述第一车辆受到的第一实时影响结果,并根据所述第一实时影响结果确定各个所述第一子路段的第一数据管理模式。
可选地,所述数据管理模式选择模型中包括的数据管理模式有:
在当前车辆处于第一预设正常状态情况下时,分别利用第一采集主体、第一传输通道、第一存储空间、第一调取方式、第一读写方式来采集、传输、存储、调取、读写每种车辆数据的标准数据管理模式;
在当前车辆处于第一预设异常状态情况下时,分别利用第二采集主体、第二传输通道、第二存储空间、第二调取方式、第二读写方式来采集、传输、存储、调取、读写每种车辆数据的异常数据管理模式;
在当前车辆处于第一预设事故状态情况下时,分别利用第三采集主体、第三传输通道、第三存储空间、第三调取方式、第三读写方式来采集、传输、存储、调取、读写每种车辆数据的事故数据管理模式;
在当前车辆与其他车辆进行连接时,分别利用第四采集主体、第四传输通道、第四存储空间、第四调取方式、第四读写方式来采集、传输、存储、调取、读写每种车辆数据的车间数据管理模式;
在当前车辆与道路基础设施进行连接时,分别利用第五采集主体、第五传输通道、第五存储空间、第五调取方式、第五读写方式来采集、传输、存储、调取、读写每种车辆数据的设施数据管理模式;
车辆的各个不同部件的各个部件数据管理模式。
采用本发明的技术方案,基于车联网的车辆数据管理方法通过获取样本车辆的样本车辆数据;从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证基于不同环境/不同类型路段的数据管理模式调整的智能、高效与精细化。
附图说明
图1是本发明一个实施例提供的基于车联网的车辆数据管理系统的示意框图;
图2是本发明一个实施例提供的基于车联网的车辆数据管理方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于车联网的车辆数据管理系统及方法。
如图1所示,本发明一个实施例提供一种基于车联网的车辆数据管理系统,包括:云服务器、物联网服务器、智能物联网终端;其中,
所述云服务器被配置为:
获取样本车辆的样本车辆数据(包括但不限于历史车辆状态数据、历史车辆工作数据);
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据(包括但不限于地形、路面、基础设施等多个维度的数据)、环境样本数据(包括但不限于天气数据、降水数据、温度数据、能见度数据、空气成分数据等)、交通样本数据(包括但不限于车辆数据、车辆行驶数据、事故数据等);
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型(包括但不限于路况、环境、交通情况对车辆产生的影响的评估);
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式(包括但不限于采集数据的类型、采集设备、采集时长、采集频率、处理方式、存储方式、传输方式等);
可以理解的是,在本实施例中,每种不同环境/不同类型路段,对车辆的影响不同,需要对车辆进行监测、保存与传输的数据也不相同;在不同环境/不同类型路段,车辆各种数据的重要性不同,对应的管理方案不同,每经过一种类型的路段/环境,对车辆数据进行一次筛选,以节省资源、提高效率。
采用该实施例的技术方案,通过获取样本车辆的样本车辆数据;从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证基于不同环境/不同类型路段的数据管理模式调整的智能、高效与精细化。
应当知道的是,图1所示的基于车联网的车辆数据管理系统的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,所述云服务器被配置为:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
可以理解的是,为了建立准确的车辆影响评估模型,本实施例中,通过从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据,包括但不限于车交通流参数(如车流量、车速等)、道路线形参数(如弯道半径、坡度等)、道路设施数据(如交通标志、减速带等)、事故统计数据、天气数据、环境数据等;从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;根据所述影响权重构建所述车辆影响评估模型。
请参见图2,本发明的另一实施例提供一种基于车联网的车辆数据管理方法,包括:
获取样本车辆的样本车辆数据(包括但不限于历史车辆状态数据、历史车辆工作数据);
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据(包括但不限于地形、路面、基础设施等多个维度的数据)、环境样本数据(包括但不限于天气数据、降水数据、温度数据、能见度数据、空气成分数据等)、交通样本数据(包括但不限于车辆数据、车辆行驶数据、事故数据等);
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型(包括但不限于路况、环境、交通情况对车辆产生的影响的评估);
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式(包括但不限于采集数据的类型、采集设备、采集时长、采集频率、处理方式、存储方式、传输方式等);
可以理解的是,在本实施例中,每种不同环境/不同类型路段,对车辆的影响不同,需要对车辆进行监测、保存与传输的数据也不相同;在不同环境/不同类型路段,车辆各种数据的重要性不同,对应的管理方案不同,每经过一种类型的路段/环境,对车辆数据进行一次筛选,以节省资源、提高效率。
采用该实施例的技术方案,通过获取样本车辆的样本车辆数据;从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。通过本发明方案,能从多维度全面地对路段进行分析以将其划分为多个子路段以保证基于不同环境/不同类型路段的数据管理模式调整的智能、高效与精细化。
在本发明一些可能的实施方式中,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
可以理解的是,为了建立准确的车辆影响评估模型,本实施例中,通过从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据,包括但不限于车交通流参数(如车流量、车速等)、道路线形参数(如弯道半径、坡度等)、道路设施数据(如交通标志、减速带等)、事故统计数据、天气数据、环境数据等;从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;根据所述影响权重构建所述车辆影响评估模型。
在本发明一些可能的实施方式中,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据中提取出第一特征;
使用机器学习技术,将提取到的所述第一特征作为输入,将车辆影响结果作为输出,建立车辆影响评估模型。
可以理解的是,为了建立准确的车辆影响评估模型,本实施例中,从所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据中提取出第一特征;如从历史车辆状态数据中提取出车辆的平均速度、最大加速度等特征;从路段样本数据中提取出路段的平均坡度、最大曲率等特征;从环境样本数据中提取出环境的平均温度、最大湿度等特征;从交通样本数据中提取出交通的平均流量、最大拥堵程度等特征;使用机器学习技术,将提取到的所述第一特征作为输入,将车辆影响结果作为输出,建立车辆影响评估模型(例如可以使用回归模型、决策树模型、支持向量机模型等进行建模,并通过交叉验证等方法评估模型的性能)。
在本发明一些可能的实施例中,还包括:
模型评估和验证:使用一部分数据(如从第一特征中分离出的训练集)对模型进行训练,然后使用另一部分数据(如从第一特征中分离出的验证集)对车辆影响评估模型进行验证。可以计算车辆影响评估模型的评估指标,如均方根误差(RMSE)、平均绝对误差(MAE)等,来评估模型的准确性和稳定性。
数据管理模式选择:根据所述车辆影响评估模型的结果,对不同的道路状况、环境状况、交通状况进行分析和比较,利用所述数据管理模式选择模型选择相应的数据管理模式(可以制定一套规则或者决策树来进行模式选择,也可以利用机器学习方法进行自动化的模式选择)。
模型优化和更新:根据实际应用情况,对所述数据管理模式选择模型进行优化和更新(可以不断收集新的数据,重新训练模型,提升模型的性能和适应性)。
在本发明的实施例中,可以同时使用由不同方法建立的车辆影响评估模型,以相互验证,进一步保证方案的准确度。
在本发明一些可能的实施方式中,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型的步骤,包括:
将所述样本路段按第一预设长度(如可以按所述样本路段的最低时速、驾驶员的平均反应时间、车辆执行指令所需平均时间确定第一预设长度;还可以按驾驶危险系数高于设定阈值的时速、驾驶员的平均反应时间、车辆执行指令所需平均时间确定第一预设长度;通过限定第一预设长度,可以避免第一小段划分过短导致车辆/驾驶员还没作出反应或者反应刚启动时,车辆已驶出当前第一小段路段,无法及时提供对应的数据管理模式)平分成多个第一小段;
对于各个所述第一小段,分别从历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据提取对应的第一小段车辆状态数据、第一小段路段数据、第一小段环境数据和第一小段交通数据;
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型;
整合各个所述第一小段数据管理模式选择模型得到所述数据管理模式选择模型。
在本实施例中,车辆影响评估模型用于评估不同的道路状况、不同的环境状况、不同的交通状况对车辆产生的影响大小,而数据管理模式选择模型则是用于根据车辆在不同情况下受到的影响大小而选择不同的数据管理模式。
在本发明一些可能的实施方式中,所述根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段的步骤,包括:
根据所述第一车辆的第一速度确定第二预设长度(根据第一速度、第一车辆驾驶员的平均反应时间、第一车辆执行指令所需平均时间确定第二预设长度),并根据所述第二预设长度将所述第一路段平分成多个第二小段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型计算每个所述第二小段的第一影响结果(根据所述车辆影响评估模型,以及所述第二小段对应的路段数据、环境数据、交通数据确定);
对所有所述第二小段的所述第一影响结果进行聚类分析,将结果相同或者结果差值在第一预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第二小段中相邻且属于同一聚类的连续小段合并,形成多个第一子路段。
在本实施例中,通过这种基于数据驱动的方法,可以客观地对路段进行细致划分,区分出对车辆的影响各不相同的子路段,可以为车辆的数据管理提供更智能高效的数据管理模式。
在本发明一些可能的实施方式中,所述根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型的步骤,包括:
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据、第一小段交通数据、所述车辆影响评估模型确定各个所述第一小段里所述第一车辆受到的第一影响结果集;
根据所述第一影响结果集,配置各个所述第一小段对应的数据管理模式得到数据管理模式集(例如缓存本地数据、实时上传、仅上传关键数据等);
将所述车辆影响评估模型和所述数据管理模式集整合,得到能根据实时的车辆状态数据、路段数据、环境数据和交通数据确定实时车辆影响结果并确定与实时车辆影响结果对应的实时数据管理模式的所述数据管理模式选择模型。
在本实施例中,可以根据具体的影响因素结果,选择匹配的数据管理模式,继而指导车载系统的具体数据处理和上传策略,这样通过学习获得的模型,就可以根据实际情况智能地选择车辆数据的管理模式。
在本发明一些可能的实施方式中,所述根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式的步骤,包括:
对于各个所述第一子路段,利用所述数据管理模式选择模型,基于所述第一车辆数据(如车辆具体型号数据、传感器配置、存储能力、车辆状态数据等)、所述第一路段数据(如限速、道路类型、路面类型、道路设施数据等)、所述第一环境数据(如子路段的实时天气、温度等数据)和所述第一交通数据(如子路段的实时交通流量、速度数据等)评估所述第一车辆受到的第一实时影响结果(如可以评估出对油耗、发动机负载、车速平稳性等多个维度的影响),并根据所述第一实时影响结果确定各个所述第一子路段的第一数据管理模式(例如影响较小,可以选择较低频率周期性采集数据;如影响较大,则选择更频繁采集,并实时传输关键数据等)。
本实施例中,通过为每个第一子路段配置数据管理模式,最终得到一组配置好的数据管理策略,下发配置的模式到车载数据管理系统,车载系统按照配置的模式,执行数据的采集、处理和传输,这样就可以利用先进的模型指导车辆智能适应不同的道路环境和状况,从而有效优化数据的管理。
在本发明一些可能的实施方式中,所述数据管理模式选择模型中包括的数据管理模式有:
在当前车辆处于第一预设正常状态情况下时,分别利用第一采集主体(如各种传感器、采集终端等)、第一传输通道(如5G通信通道、光通信通道等)、第一存储空间(如本地空间、云空间、本地空间的不同分区等)、第一调取方式(如直接调取、API调取、流式调取、缓存调取等)、第一读写方式(如可读可写、可读不可写等)来采集、传输、存储、调取、读写每种车辆数据的标准数据管理模式;
在当前车辆处于第一预设异常状态情况下时,分别利用第二采集主体、第二传输通道(如备用的数据传输通道)、第二存储空间、第二调取方式、第二读写方式来采集、传输、存储、调取、读写每种车辆数据的异常数据管理模式;
在当前车辆处于第一预设事故状态情况下时,分别利用第三采集主体、第三传输通道、第三存储空间、第三调取方式、第三读写方式来采集、传输、存储、调取、读写每种车辆数据的事故数据管理模式(如进行传输限制、紧急备份/传输等)
在当前车辆与其他车辆进行连接时,分别利用第四采集主体、第四传输通道、第四存储空间、第四调取方式、第四读写方式来采集、传输、存储、调取、读写每种车辆数据的车间数据管理模式;
在当前车辆与道路基础设施进行连接时,分别利用第五采集主体、第五传输通道、第五存储空间、第五调取方式、第五读写方式来采集、传输、存储、调取、读写每种车辆数据的设施数据管理模式;
车辆的各个不同部件的各个部件数据管理模式。
可以理解的是,本实施例通过在不同的应用场景下确定不同的数据管理模式,而不同的数据管理模式包括利用不同采集主体、不同传输通道、不同存储空间、不同调取方式、不同读写方式来采集、传输、存储、调取、读写每种车辆数据的方案,从而可以针对不同场景快速地提供更为准确的数据管理模式。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种基于车联网的车辆数据管理系统,其特征在于,包括:云服务器、物联网服务器、智能物联网终端;其中,
所述云服务器被配置为:
获取样本车辆的样本车辆数据;
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。
2.根据权利要求1所述的基于车联网的车辆数据管理系统,其特征在于,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,所述云服务器被配置为:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
3.一种基于车联网的车辆数据管理方法,其特征在于,包括:
获取样本车辆的样本车辆数据;
从所述样本车辆数据中获取所述样本车辆的历史行驶路段作为样本路段,并提取所述样本路段对应的路段样本数据、环境样本数据、交通样本数据;
从所述样本车辆数据中获取所述样本车辆的历史车辆状态数据;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型;
根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型;
获取第一车辆的第一车辆数据,以及所述第一车辆预期经过的第一路段的第一路段数据、第一环境数据和第一交通数据;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段;
根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式。
4.根据权利要求3所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述路段样本数据、所述环境样本数据和所述交通样本数据中提取车辆影响数据;
从所述历史车辆状态数据中提取与所述车辆影响数据具有同一时间标记的车辆状态数据;
以所述车辆影响数据作为第一自变量、以所述车辆状态数据作为第一因变量输入预设的第一回归模型,得到所述车辆影响数据中各数据的影响权重;
根据所述影响权重构建所述车辆影响评估模型。
5.根据权利要求3所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据建立车辆影响评估模型的步骤,包括:
从所述历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据中提取出第一特征;
使用机器学习技术,将提取到的所述第一特征作为输入,将车辆影响结果作为输出,建立车辆影响评估模型。
6.根据权利要求4或5所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述历史车辆状态数据、所述路段样本数据、所述环境样本数据、所述交通样本数据、所述车辆影响评估模型建立数据管理模式选择模型的步骤,包括:
将所述样本路段按第一预设长度平分成多个第一小段;
对于各个所述第一小段,分别从历史车辆状态数据、所述路段样本数据、所述环境样本数据和所述交通样本数据提取对应的第一小段车辆状态数据、第一小段路段数据、第一小段环境数据和第一小段交通数据;
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型;
整合各个所述第一小段数据管理模式选择模型得到所述数据管理模式选择模型。
7.根据权利要求6所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型将所述第一路段划分为多个第一子路段的步骤,包括:
根据所述第一车辆的第一速度确定第二预设长度,并根据所述第二预设长度将所述第一路段平分成多个第二小段;
根据所述第一路段数据、所述第一环境数据、所述第一交通数据、所述车辆影响评估模型计算每个所述第二小段的第一影响结果;
对所有所述第二小段的所述第一影响结果进行聚类分析,将结果相同或者结果差值在第一预设差值范围内的小段划分到同一聚类中;
根据聚类结果,将所述第二小段中相邻且属于同一聚类的连续小段合并,形成多个第一子路段。
8.根据权利要求7所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据和第一小段交通数据、所述车辆影响评估模型建立各个所述第一小段的各个第一小段数据管理模式选择模型的步骤,包括:
根据所述第一小段车辆状态数据、所述第一小段路段数据、第一小段环境数据、第一小段交通数据、所述车辆影响评估模型确定各个所述第一小段里所述第一车辆受到的第一影响结果集;
根据所述第一影响结果集,配置各个所述第一小段对应的数据管理模式得到数据管理模式集;
将所述车辆影响评估模型和所述数据管理模式集整合,得到能根据实时的车辆状态数据、路段数据、环境数据和交通数据确定实时车辆影响结果并确定与实时车辆影响结果对应的实时数据管理模式的所述数据管理模式选择模型。
9.根据权利要求8所述的基于车联网的车辆数据管理方法,其特征在于,所述根据所述第一车辆数据、所述第一路段数据、所述第一环境数据、所述第一交通数据和所述数据管理模式选择模型为每个所述第一子路段配置对应的第一数据管理模式的步骤,包括:
对于各个所述第一子路段,利用所述数据管理模式选择模型,基于所述第一车辆数据、所述第一路段数据、所述第一环境数据和所述第一交通数据评估所述第一车辆受到的第一实时影响结果,并根据所述第一实时影响结果确定各个所述第一子路段的第一数据管理模式。
10.根据权利要求9所述的基于车联网的车辆数据管理方法,其特征在于,所述数据管理模式选择模型中包括的数据管理模式有:
在当前车辆处于第一预设正常状态情况下时,分别利用第一采集主体、第一传输通道、第一存储空间、第一调取方式、第一读写方式来采集、传输、存储、调取、读写每种车辆数据的标准数据管理模式;
在当前车辆处于第一预设异常状态情况下时,分别利用第二采集主体、第二传输通道、第二存储空间、第二调取方式、第二读写方式来采集、传输、存储、调取、读写每种车辆数据的异常数据管理模式;
在当前车辆处于第一预设事故状态情况下时,分别利用第三采集主体、第三传输通道、第三存储空间、第三调取方式、第三读写方式来采集、传输、存储、调取、读写每种车辆数据的事故数据管理模式
在当前车辆与其他车辆进行连接时,分别利用第四采集主体、第四传输通道、第四存储空间、第四调取方式、第四读写方式来采集、传输、存储、调取、读写每种车辆数据的车间数据管理模式;
在当前车辆与道路基础设施进行连接时,分别利用第五采集主体、第五传输通道、第五存储空间、第五调取方式、第五读写方式来采集、传输、存储、调取、读写每种车辆数据的设施数据管理模式;
车辆的各个不同部件的各个部件数据管理模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222261.3A CN116978232B (zh) | 2023-09-21 | 2023-09-21 | 一种基于车联网的车辆数据管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222261.3A CN116978232B (zh) | 2023-09-21 | 2023-09-21 | 一种基于车联网的车辆数据管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116978232A true CN116978232A (zh) | 2023-10-31 |
CN116978232B CN116978232B (zh) | 2024-01-12 |
Family
ID=88481781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311222261.3A Active CN116978232B (zh) | 2023-09-21 | 2023-09-21 | 一种基于车联网的车辆数据管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116978232B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1553727A1 (en) * | 2004-01-07 | 2005-07-13 | Research In Motion Limited | System and method for selecting a cellular network on a wireless local area network (WLAN) |
WO2015062540A1 (zh) * | 2013-10-31 | 2015-05-07 | 中国移动通信集团公司 | 基于行车用量模型事件的存储及索引方法及系统 |
CN104954420A (zh) * | 2014-03-25 | 2015-09-30 | 福特全球技术公司 | 可变报告速率远程信息处理 |
CN108765961A (zh) * | 2018-08-03 | 2018-11-06 | 东华理工大学 | 一种基于改进型限幅平均滤波的浮动车数据处理方法 |
CN111049937A (zh) * | 2019-12-31 | 2020-04-21 | 长城汽车股份有限公司 | 智能网联汽车的数据处理系统及数据传输方法 |
CN111538583A (zh) * | 2020-06-23 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种移动环境下车联网的低延迟协同任务处理方法及装置 |
CN111583442A (zh) * | 2020-04-30 | 2020-08-25 | 上海华东汽车信息技术有限公司 | 终端策略配置方法、装置、计算机设备和存储介质 |
CN114154059A (zh) * | 2021-11-22 | 2022-03-08 | 重庆长安汽车股份有限公司 | 基于大数据规则车辆功能主动推荐系统及方法 |
CN115662116A (zh) * | 2022-10-12 | 2023-01-31 | 昆明理工大学 | 一种城市场景下中基于聚类的混合数据分发方法 |
-
2023
- 2023-09-21 CN CN202311222261.3A patent/CN116978232B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1553727A1 (en) * | 2004-01-07 | 2005-07-13 | Research In Motion Limited | System and method for selecting a cellular network on a wireless local area network (WLAN) |
WO2015062540A1 (zh) * | 2013-10-31 | 2015-05-07 | 中国移动通信集团公司 | 基于行车用量模型事件的存储及索引方法及系统 |
CN104954420A (zh) * | 2014-03-25 | 2015-09-30 | 福特全球技术公司 | 可变报告速率远程信息处理 |
CN108765961A (zh) * | 2018-08-03 | 2018-11-06 | 东华理工大学 | 一种基于改进型限幅平均滤波的浮动车数据处理方法 |
CN111049937A (zh) * | 2019-12-31 | 2020-04-21 | 长城汽车股份有限公司 | 智能网联汽车的数据处理系统及数据传输方法 |
CN111583442A (zh) * | 2020-04-30 | 2020-08-25 | 上海华东汽车信息技术有限公司 | 终端策略配置方法、装置、计算机设备和存储介质 |
CN111538583A (zh) * | 2020-06-23 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种移动环境下车联网的低延迟协同任务处理方法及装置 |
CN114154059A (zh) * | 2021-11-22 | 2022-03-08 | 重庆长安汽车股份有限公司 | 基于大数据规则车辆功能主动推荐系统及方法 |
CN115662116A (zh) * | 2022-10-12 | 2023-01-31 | 昆明理工大学 | 一种城市场景下中基于聚类的混合数据分发方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116978232B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
JP6918137B2 (ja) | 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
CN111444302B (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
CN111948541A (zh) | 车辆电池过压预测方法、装置、服务器及存储介质 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN114154695A (zh) | 一种基于迁移学习的城市轨道交通短时客流预测方法 | |
CN116978232B (zh) | 一种基于车联网的车辆数据管理系统及方法 | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN116796158A (zh) | 收集车辆智能化评估数据的方法、系统及车辆 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
CN108460057B (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN111830937B (zh) | 车辆故障识别模型的构建、识别方法及装置、管理系统 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN112990362B (zh) | 矿车驾驶等级识别模型训练方法、装置和终端设备 | |
CN117985026A (zh) | 一种驾驶风格分析方法、装置及车辆 | |
CN111833601B (zh) | 一种低通信开销的宏观交通规律建模方法 | |
CN117454779B (zh) | 道路交通移动源能耗预测方法、电子设备及存储介质 |
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 |