CN117612401A - 位置的评估方法、驾驶行为的分析方法及驾驶管理系统 - Google Patents
位置的评估方法、驾驶行为的分析方法及驾驶管理系统 Download PDFInfo
- Publication number
- CN117612401A CN117612401A CN202211510439.XA CN202211510439A CN117612401A CN 117612401 A CN117612401 A CN 117612401A CN 202211510439 A CN202211510439 A CN 202211510439A CN 117612401 A CN117612401 A CN 117612401A
- Authority
- CN
- China
- Prior art keywords
- parking
- energy saving
- vehicle
- score
- speed
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 18
- 238000012384 transportation and delivery Methods 0.000 description 15
- 230000001186 cumulative effect Effects 0.000 description 9
- 238000004134 energy conservation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 101100444028 Drosophila melanogaster Dso2 gene Proteins 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- LIWAQLJGPBVORC-UHFFFAOYSA-N ethylmethylamine Chemical compound CCNC LIWAQLJGPBVORC-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction 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
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Radar, Positioning & Navigation (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开一种位置的评估方法、驾驶行为的分析方法及驾驶管理系统。在方法中,取得感测数据。依据感测数据决定停车状态;取得停车状态下的感测数据对应的停车位置类别;以及依据停车位置类别及感测数据训练位置建议模型。位置建议模型用于推荐停车位置。依据一个或更多个节能因素决定感测数据的节能分数;依据节能分数产生驾驶行为报告。节能因素是影响车辆的能源消耗的因素。驾驶行为报告说明节能分数的优劣。由此,可改进训练及工作效率。
Description
技术领域
本发明涉及一种数据分析技术,且特别是涉及一种位置的评估方法、驾驶行为的分析方法及驾驶管理系统。
背景技术
车队产业的工作条件造成司机劳动力高龄化和司机流动率高等问题。近年来,疫情使全球的物流产业需求急遽增加,需要顾聘更多新司机来解决大量的配送业务。因此,提升新手司机的教育训练的重要性,不仅是关乎到司机的安全,也影响到车队的经营(例如,因罚单或车损造成成本上扬)。
司机短缺问题日益严重,有些国家甚至开放外国司机加入,以填补司机不足的缺口。当司机抵达新国度时,可能因不熟悉交通状况而造成配送效率低落。若配送范围在都市区域,新手司机寻找停车送货的地点更加困难。
发明内容
有鉴于此,本发明实施例提供一种位置的评估方法、驾驶行为的分析方法及驾驶管理系统,可自动推荐停车位置并决定驾驶行为的优劣。
本发明实施例的位置的评估方法包括(但不仅限于)下列步骤:取得感测数据;依据感测数据决定停车状态;取得停车状态下的感测数据对应的停车位置类别;以及依据停车位置类别及感测数据训练位置建议模型。位置建议模型用于推荐停车位置。
本发明实施例的驾驶行为的分析方法包括(但不仅限于)下列步骤:取得感测数据;依据一个或更多个节能因素决定感测数据的节能分数;依据节能分数产生驾驶行为报告。节能因素是影响车辆的能源消耗的因素。驾驶行为报告说明节能分数的优劣。
本发明实施例的驾驶管理系统包括服务器。服务器通信连接于车载装置。服务器取得停车状态下的车载装置的感测数据对应的停车位置类别,并依据停车位置类别及感测数据训练位置建议模型。位置建议模型用于推荐停车位置。
本发明实施例的驾驶管理系统包括服务器。服务器通信连接于车载装置。服务器依据一个或更多个节能因素决定车载装置的感测数据的节能分数,并依据节能分数产生驾驶行为报告。节能因素是影响装载车载装置的车辆的能源消耗的因素,且驾驶行为报告说明节能分数的优劣。
基于上述,依据本发明实施例的位置的评估方法、驾驶行为的分析方法及驾驶管理系统,可收集感测数据,据以推荐停车地点及/或评估驾驶行为。由此,可提升执行任务的效率及行车安全,并可方便车队经营者管理。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附的附图作详细说明如下。
附图说明
图1是本发明一实施例的驾驶管理系统的示意图;
图2是本发明一实施例的车载装置的元件方块图;
图3是本发明一实施例的服务器的元件图;
图4是本发明一实施例的位置的评估方法的流程图;
图5是本发明一实施例的停车状态的示意图;
图6是本发明一实施例的停车位置类别的示意图;
图7是本发明一实施例的违规地点决定的流程图;
图8是本发明一实施例的停车地点建议的示意图;
图9A是本发明一实施例的远端装置的停车地点建议的示意图;
图9B是本发明一实施例的远端装置的停车地点建议的示意图;
图10A是本发明一实施例的远端装置的任务预览的示意图;
图10B是本发明一实施例的远端装置的任务预览的示意图;
图11是本发明一实施例的驾驶行为的分析方法的流程图;
图12是本发明一实施例的定速巡航分析的示意图;
图13是本发明一实施例的滑行分析的示意图;
图14是本发明一实施例的驾驶员分析的示意图;
图15是本发明一实施例的远端装置的通报的示意图。
符号说明
1:驾驶管理系统
10:车载装置
20:网络存取装置
30:服务器
40:远端装置
11:传感器
12:定位装置
13:通信收发器
14:显示器
15:存储器
16:处理器
33:通信收发器
35:存储器
36:处理器
S410~S440、S710~S740、S111~S113:步骤
PT1:建立类别
PT2:注意类别
PT3:危险类别
IM11~IM14、IM21、IM31、IM32:影像
P1~P5:停留点
I1、I2:导航信息
SV1、SV2:街景影像
I3、I4:任务内容
121:车速
122:节能巡航速度
123:道路限速
D1~D3:级数
I5:通报内容
具体实施方式
图1是依据本发明一实施例的驾驶管理系统1的示意图。请参照图1,驾驶管理系统1包括一个或更多个车载装置10、网络存取装置20、服务器30及一个或更多个远端装置40。
车载装置10是装载、架设、放置或内建于车辆的电子装置。网络存取装置20(如图1所示)可以是基地台、路由器、中继站、核心网络装置或其组合。在一实施例中,车载装置10经由网络存取装置20连线至互联网、区域网络或私人网络。在另一实施例中,车载装置10可与其他装置直接通信。服务器30可以是智能型手机、平板电脑、桌上型电脑、笔记型电脑或云端平台装置。远端装置40(如图1所示)可以是智能型手机、平板电脑、桌上型电脑、笔记型电脑、穿戴式装置或智能助理装置。
图2是依据本发明一实施例的车载装置10的元件方块图。请参照图2,车载装置10包括(但不仅限于)一台或更多台传感器11、定位装置12、通信收发器13、显示器14、存储器15及处理器16。
传感器11可以是影像传感器、加速度计、陀螺仪、电子罗盘、惯性传感器、车上诊断系统(On-Board Diagnostics,OBD)、及/或温度计。在一实施例中,传感器11用以取得感测数据。感测数据可以是影像、加速度、速度、转向、角速度、车速、引擎转速、及/或刹车行为。
定位装置12可以是支持全球定位系统(Global Positioning System,GPS)、格洛纳斯系统(GLONASS)、伽利略定位系统(GALILEO)、北斗卫星导航系统(BeiDou NavigationSatellite System)或其他卫星定位系统的接收器。例如,通过ANT天线并取得10MHz与1PPS(One Pulse Per Second)精准时间源。在一实施例中,定位装置12用以接收定位信号,并据以产生位置信息及/或时间信息。位置信息可以是经纬度、其他地理坐标系的坐标或相对位置。时间信息可包括时区、时间及/或日期。例如,国家海洋电子协会(National MarineElectronics Association,NMEA)数据。在一些实施例中,一笔或更多笔位置信息与其对应时间信息可记录成定位记录。
通信收发器13可以是支持诸如Wi-Fi、行动网络或蓝牙的无线通信技术或支持诸如以太网络、光纤网络、USB的有线通信技术的收发器。在一实施例中,通信收发器13用以与外界电子装置(例如,网络存取装置20、服务器30或远端装置40)传送或接收数据。
显示器14(可选的)可以是液晶显示器(Liquid-Crystal Display,LCD)、(Light-Emitting Diode,LED)显示器、有机发光二极管(Organic Light-Emitting Diode,OLED)、量子点显示器(Quantum dot display)或其他类型显示器。在一实施例中,显示器14用以显示影像或使用者界面。
存储器15可以是任何型态的固定或可移动随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存存储器(Flash Memory)或类似元件或上述元件的组合。在一实施例中,存储器15存储程序代码、装置组态、码本(Codebook)、暂存或永久的数据(例如,感测数据、定位信息、节能分数或驾驶行为报告)。
处理器16可以是中央处理单元(Central Processing Unit,CPU)、图形处理单元(Graphic Processing unit,GPU),或是其他可编程的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor,DSP)、可编程控制器、现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)、特殊应用集成电路(Application-Specific Integrated Circuit,ASIC)、神经网络加速器或其他类似元件或上述元件的组合。在一实施例中,处理器16用以执行车载装置10的所有或部分作业。在一些实施例中,处理器16的功能可通过软件或芯片实现。
在一些实施例中,车载装置10中的一个或更多个元件可分离成其他独立装置(例如,物联网(IoT)装置、行车记录器或智能型手机),且这些装置可形成车载系统。车载系统中的各装置彼此可通过通信收发器13传送或接收数据。
请参阅图3,图3是依据本发明一实施例的服务器30的元件图。服务器30包括(但不仅限于)通信收发器33、存储器35及处理器36。
通信收发器33、存储器35及处理器36的实施态样及功能可分别参酌图2的通信收发器13、存储器15及处理器16,于这不再赘述。在一实施例中,处理器36用以执行服务器30的所有或部分作业。
下文中,将搭配驾驶管理系统1中各装置及/或元件说明本发明实施例所述的方法。本发明实施例方法的各个流程可依照实施情形而调整,且并不仅限于此。
图4是依据本发明一实施例的位置的评估方法的流程图。
在步骤S410中,车载装置10的处理器16取得感测数据。
在一实施例中,车载装置10的处理器16通过一台或更多台传感器11取得感测数据。
5具体而言,如同前述图1中针对传感器11的介绍,依据传感器11的类型,感测数据可以是影像、加速度、速度、转向、角速度、车速、引擎转速、及/或刹车行为。然而,感测数据的类型不限于前述类型,并可能相关于车辆运行的任何状态或参数。
在步骤S420中,车载装置10的处理器16依据感测数据决定停车状态。
具体而言,停车状态代表装载、架设、放置或内建于车载装置10的车辆是否停车。例如,车辆熄火或静止不动。
关于停车状态的决定,在一实施例中,感测数据包括定位记录及车内影像。定位记录是一个或多个时戳(timestamp)与对应的车辆位置的记录。车辆的当前位置可依据定位装置12的定位信号及/或惯性传感器的感测数据决定。例如,当定位装置12未收到定位信号时,处理器16可依据惯性传感器的感测数据并通过惯性导航技术推估后续的位置。车内影像可针对驾驶员及/或其他乘客。
处理器16可依据定位记录决定车辆的停留时间。例如,处理器16每间隔特定时间(例如,1分钟、3分钟或5分钟)确认车辆的位置是否变化或变化在容许范围(相关于定位装置12或传感器11的误差)内。若位置不变或位置的变化在容许范围内,则处理器16累计停留时间。
车载装置10的处理器16可依据车内影像决定车辆内的乘客是否离开座位。依据任务类型,识别的乘客可以是驾驶座上的乘客。处理器16可应用已知的神经网络或特征比对的影像识别技术判断乘客是否离开座位。例如,驾驶座上未侦测到人。
车载装置10的处理器16可依据停留时间及车内影像的决定结果决定停车状态。例如,若目标座位(例如,驾驶座)上的乘客离开座位且/或车辆的停留时间超过一定时间(例如,3分钟、5分钟或10分钟,并可能相关于统计的送货时间),则处理器16可决定车辆为停车状态。
在一实施例中,车载装置10的处理器16可判断车辆的当前位置是否与预计停留点相距特定距离(例如,100、300或500米)内,以辅助确认停留状态。在一实施例中,处理器16通过传感器11的感测数据决定车辆是否熄火。例如,车上诊断系统接收到停止供电的信号,以辅助确认停留状态。
在一实施例中,感测数据包括定位记录及车外影像。车外影像可以是针对车辆前方或四周的影像。
例如,图5是依据本发明一实施例的停车状态的示意图。请参照图5,车外影像是车辆前方的影像。反应于停车状态,处理器16可依据该定位记录中的当前位置、车外影像及时戳,以定义为停车状态下的感测数据。例如,当前位置、车外影像及时戳组合成地理戳(GeoStamp)。地理戳代表车辆在特定时间位于特定位置停车且具有车外影像。处理器16可通过通信收发器13传送这停车状态下的感测数据给服务器30。
在其他实施例中,车载装置10也可定时或反应于触发条件而传送感测数据至服务器30,并可通过服务器30实现停车状态的决定。也就是,服务器30执行步骤S420。
在步骤S430中,服务器30的处理器36取得停车状态下的感测数据对应的停车位置类别。
在一实施例中,停车位置类别包括建议停车类别、注意停车类别及危险停车类别。建议停车类别符合交通规范。“推荐”代表这个车位是合法的,例如、路边停车格、停车场的停车格、卸货仓库的码头空地等。注意停车类别不符合交通规范但对应事故风险(相关于事故的发生率)小于风险门槛值。例如,“注意”代表这地点并非正常适合停车地点,但是可以进行临停的停车地点。例如、黄线或者空地。危险停车类别不符合交通规范且对应事故风险未小于风险门槛值。“危险”属于违法且具有肇事风险的停车地点。例如,红线区域。
在一实施例中,停车位置类别还包括其他/不建议停车类别。例如,“其他/不建议”是系统无法识别的地点、或无划黄线或红线的单行道。然而,停车位置类别还可能有其他变化,并可依据应用者的需求而变更。
在一实施例中,服务器30的处理器36可依据分类规则决定感测数据对应的初始类别。分类规则相关于停车合法性。分类规则可参考政府公开合法停车地点数据库、道路条例规定及各车队司机或特定区域内司机累积的停车地点数据。初始类别是那些停车位置类别中的一者。也就是,服务器30的处理器36依据分类规则判断停车状态下的感测数据属于停车位置类别中的何者。
例如,针对建议停车类别:这地点固定为超过一定比例(例如,百分之25、30或50)的司机停车地点、车外影像侦测出有停车格特征或车外影像内有其他车辆超过特定时间(例如,3、5或10分钟)处于停止状态,且这地点与送货地点相距特定距离(例如,50、100或200米)内。
针对注意停车类别:车外影像所侦测到的道路或路旁特征属于该国交通规范内许可临时短暂停车;或者,这地点无其他司机停放前例,这地点非停车格,且这地点与送货地点相距一定距离(例如,300米以上);车辆停放在停车格,但距离送货地点超过一定范围(例如,500米以上);这地点为空地、无其他司机停放的记录且距离送货地点一定的距离(例如,200米以上);这地点于送货途中距离停车前超过一定时间,例如,车辆一个小时内都无遇到其他路上行进的车辆。
针对危险停车类别:这地点曾经有司机停放记录,但是车外影像侦测无任何可停车的道路特征。例如,无停车格,且附近无其他车辆停放超过一定时间(例如,1、3或5分钟);这地点为单行道但是道路明显大于一般道路(例如,超过1.5倍道的宽度)。
针对其他/不建议停车类别:这地点无法被识别是否可停车(例如,不属于前述那些类别);距离送货地点超过一定距离(例如,800米以上);这地点经比对图资及车外影像的道路特征后认定属于禁止停车地点(例如,人行道)。
在一实施例中,车辆的路线已决定。路线是由导航系统针对一个或更多个停留点的导航路径或是经输入操作编辑的路径。停留点例如是送货地点、景点或餐厅。处理器16可取得停留点的评估范围(例如,半径300米、500米或1公里)内的街景影像。例如,通过通信收发器13下载街景影像。接着,处理器16可通过基于神经网络或特征比对的影像识别技术判断停车格或空地,或者通过通信收发器13传送至服务器30并通过服务器30识别停车格、空地或其他停车位。这些停车位可结合其位置信息并供后续审核。
在一实施例中,停车格、空地或其他停车位可以是通过输入装置(图未示)接收使用者在检视器上针对导航图资/街景影像的识别操作所得出。这些停车位可结合其位置信息并供后续审核。
服务器30的处理器36可取得初始类别的审核结果。审核结果可以是通过输入装置(图未示)接收使用者(例如,车队管理者或数据处理人员)在检视器上针对初始类别的标记操作所得出。标记操作可以是确认初始类别或修改初始类别成为另一个停车位置类别。
例如,图6是依据本发明一实施例的停车位置类别的示意图。请参照图6,检视器(通过车载装置10、服务器30或远端装置的显示器实现)可呈现根据初始类别(例如,停车位置类别可以是建议类别PT1、注意类别PT2及/或危险类别PT3的停车位置)分类的影像(例如,车外影像)。例如,属于建议类别PT1、注意类别PT2及危险类别PT3的停车位置的影像IM11~IM14、IM21、IM31、IM32分别位于检视器所显示的使用者界面中的不同列,且使用者界面通过类别名称(如图所示的“建议”、“注意”、“危险”)区别不同类型的影像。建议类别PT1的影像IM11~IM14的内容可能是车辆位于车格、路边无画线区域或空地。注意类别PT2的影像IM21的内容可能是车辆位于暂停区域或指定时段停车区域。而危险类别PT3的影像IM31、IM32的内容可能是车辆位于禁停线上、人行道或公车停靠区。
需说明的是,在其他实施例中,处理器36也可能是将初始类别直接作为停车位置类别而未经审核,或者完全由标记操作来决定停车位置类别。
在步骤S440中,服务器30的处理器36依据停车位置类别及感测数据训练位置建议模型。
具体而言,位置建议模型用于建议停车位置,且位置建议模型是通过机器学习演算法所训练。机器学习模型/演算法(例如,应用已知的神经网络、支持向量机(SupportVector Machine,SVM)、或随机森林(Random Forest))可分析训练样本以自中获得规律,从而通过规律对未知数据预测。而位置建议模型即是经学习后所建构出的机器学习模型,并据以对待评估数据(例如,感测数据)推论所属的停车位置类别或推荐的停车位置。将停车定点区分成适合停车、临时停车或高危险停车地点(例如,推荐、注意或危险等停车位置类别),通过大数据分析及影像判断结果,自动归纳并逐渐建立适合停车地点的数据库,以便后续最为推荐新手驾驶的停留地。值得注意的是,由于停车地点为一个区域概念,并非固定位置,因此需要通过数据分析及学习,才能逐步建立推荐停车区域及范围。
除了停车地点的建议,本发明实施例还能评估(易)违规地点。
图7是依据本发明一实施例的违规地点决定的流程图。请参照图7,在步骤S710中,服务器30的处理器36可统计违规事件的事件次数。
在一实施例中,感测数据包括定位记录,且违规事件的发生地点与定位记录的地点相距在统计范围(例如,半径10、50或100米)内。例如,违规事件是司机自行回报的或自业者自行提供的违规记录所得到的,通过通信收发器33串接政府的公开数据库(例如,记录发生时间、地点、伤亡人数及经纬度)所取得的,或是通过车载装置10的影像识别或基于惯性感测数据的驾驶不良行为(例如,分心驾驶、疲劳驾驶、逆向行驶、闯红灯、急刹、急转弯、怠速或超速)判断所取得的。统计时间可以是3天、一周或一个月。
在步骤S720中,服务器30的处理器36可判断事件次数是否超过次数门槛值(例如,10、20或30次)。
在步骤S730中,针对这些超过次数门槛值的违规事件,反应于事件次数超过次数门槛值,服务器30处理器36可分类这些违规事件对应的事件地点。
例如,将半径10或20米内的事件地点对应的违规事件分类到同一个事件组。
在步骤S740中,服务器30的处理器36可依据事件地点定义违规地点。例如,某一个事件组对应的区域范围标记为(易)违规地点。而其他未超过次数门槛值的事件可定义成违规地点候选。
针对停车地点的提示,在一实施例中,服务器30的处理器36可通过位置建议模型决定路线中的停留点对应的建议停车类别的第一停车地点。路线是由导航系统针对一个或更多个停留点的导航路径或是经输入操作编辑的路径。停留点例如是送货地点、景点或餐厅。
在一实施例中,服务器30的处理器36可通过位置建议模型判断停留点的推荐范围(例如,半径100、200或300米)内的街景影像是否为建议停车类别。若属于建议停车类别,则处理器36将这街景影像对应的地点作为建议停车类别的第一停车地点。或者,这些第一停车地点已存储在停车数据库中,服务器30的处理器36可自停车数据库找寻推荐范围内的第一停车地点。
在一实施例中,若有多个第一停车地点,则服务器30的处理器36可依据先前停车次数的多寡来排序这些第一停车地点。例如,停车次数越高的第一停车地点最优先推荐。
例如,图8是依据本发明一实施例的停车地点建议的示意图。请参照图8,路线包括停留点P1~P5。服务器30的处理器36可在以停留点P1为圆心的推荐范围(例如,200米)内决定属于推荐类别PT1的停车地点,在以停留点P2为圆心的推荐范围(例如,200米)内决定属于注意类别PT2的停车地点,并以停留点P4为圆心的推荐范围(例如,200米)内决定属于危险类别PT3的停车地点。不同停车位置类别可以不同视觉图案、颜色、大小或文字呈现。
在一实施例中,反应于车辆位于停留点的推荐范围内,车载装置10的处理器16可通过显示器14或乘客的远端装置40提供这第一停车地点及其街景影像。
例如,图9A是依据本发明一实施例的远端装置40的停车地点建议的示意图。请参照图9A,当车辆在距停留点200米内时,远端装置40可显示与属于推荐停车类别的停车地点P6的导航信息I1(例如,预计抵达时间为1分钟且距离160米)及街景影像SV1。
又例如,图9B是依据本发明一实施例的远端装置40的停车地点建议的示意图。请参照图9B,车辆继续移动,远端装置40可显示属于推荐停车类别的另一个停车地点P7的导航信息I2(例如,预计抵达时间为3分钟且距离320米)及街景影像SV2。
除了停车位置类别的建议,远端装置40或车载装置10也可提供违规地点的建议。例如,当定位装置12所得到的位置信息表示车辆移动至与违规地点相距警示范围(例如,半径50、100或300米)内,则远端装置40或车载装置10提供这违规地点及其街景影像。
在一实施例中,服务器30的处理器36可通过位置建议模型或基于审核结果取得路线中的停留点的评估范围(例如,100、200或300米)内的街景影像对应的停车位置类别,并自评估范围内的街景影像中提供受决定为建议停车类别的第二停车地点。也就是说,服务器30的处理器36可通过位置建议模型判断停留点的评估范围内的街景影像是否为建议停车类别。若属于建议停车类别,则服务器30的处理器36将这街景影像对应的地点作为建议停车类别的第二停车地点。这第二停车地点被存储至停车数据库,以供后续存取。
在一实施例中,车载装置10的处理器16可通过显示器14或乘客的远端装置40提供任务内容。
图10A是依据本发明一实施例的远端装置的任务预览的示意图。请参照图10A,以送货为例,任务内容I3包含总共要跑几趟,每趟有几个配送点要配送,并显示一天的天气来提醒司机,路程是否因天气影响而增减。
图10B是依据本发明一实施例的远端装置的任务预览的示意图。请参照图10B,任务内容I4包括每一任务的配送细节(例如,收货人、地址、车程及易违规事件提醒)。每一任务还搭配一键通话功能,以方便使用者预先询问收货人是否在家方便收货。若收货人不在,远端装置40通过接收使用者界面中的略过(skip)按钮上的点击操作,可跳过这单并自动重新规划路线。
此外,远端装置40还可如图9A及图9B事先显示本次任务可供建议临停候选地点,并显示停车热区地图位置及街景影像。由此,可方便司机通过地图模式直接预览路线,可直觉观察配送点、易违规事件提醒图示及停车热区建议地点。
此外,司机在配送过程中可使用车载装置10所提供的功能。例如,导航配送路线、易违规事件提醒(语音及画面)、停车热区建议、配送细节查看(例如,收货人、地址、路程、一键通话、略过任务)。配送过程中,停车地点或违规地点可通过语音提醒,但也可关闭语音提醒。语音提醒功能的切换可一并通知给管理端的远端装置40,以方便了解提醒状态。
另一方面,为了实现节能减碳,帮助车队管理者减少不必要的能源耗损所造成的成本问题,也落实环境保护的企业责任,需要进一步分析驾驶行为是否符合节能要求。
图11是依据本发明一实施例的驾驶行为的分析方法的流程图。请参照图11,步骤S111的说明可参酌图4的步骤410,于此不再赘述。
服务器30的处理器36可依据一个或更多个节能因素决定感测数据的节能分数(步骤S112)。具体而言,节能因素是影响车辆的能源消耗的因素。
在一实施例中,感测数据包括车辆的车速,节能因素包括定速巡航,且节能分数包括定速巡航的次分数。
图12是依据本发明一实施例的定速巡航分析的示意图。请参照图12,服务器30的处理器36可统计旅程中的(实际)车速121与节能巡航速度122之间的第一累积差异。例如,以秒为单位,比对节能巡航速度122减去车速111的差值的绝对值,并累加每一秒的差值的绝对值。
在一实施例中,旅程可以是一天的总旅程或其他时间范围内的旅程。车辆完全静止时,不累计差值。节能巡航速度可能依据车辆的类型及/或道路而不同,并相关于节能模式下的行驶速度。
另一方面,服务器30的处理器36可统计旅程中的(实际)车速121与道路速限123之间的第二累积差异。例如,以秒为单位,比对道路速限123减去车速111的差值(如图所示的网底部分)的绝对值,并累加每一秒的差值的绝对值。车辆完全静止时,不累计差值。
接着,服务器30的处理器36可依据第一累积差异及第二累积差异决定这定速巡航的次分数。当节能巡航速度122大于道路速限123时,服务器30的处理器36可仅累计第一累积差异。当道路速限123大于节能巡航速度122时,服务器30的处理器36可仅累计第二累积差异。
接着,服务器30的处理器36将第一累积差异及第二累积差异加总。若加总值所占旅程的总时数的比例越低,则定速巡航的次分数越高。也就是,实际行驶的车速121接近节能巡航速度122或道路速限123的比例越高,因此节省越多能量。而若加总值所占旅程的总时数的比例越高,则定速巡航的次分数越低。也就是,实际行驶的车速121接近节能巡航速度122或道路速限123的比例越低,因此越耗能。
在一实施例中,感测数据包括车辆的刹车行为,节能因素包括滑行,且节能分数包括滑行的次分数。图13是依据本发明一实施例的滑行分析的示意图。
请参照图13,滑行的定义可以是,车辆在红灯前停止线前50米或与前车距离50米(然而距离不以此为限),车外影像中无法侦测前方有车辆,车辆是放开油门且车速大于零。处理器36可统计旅程中的滑行至一个或更多个停止点的刹车行为的刹车次数。例如,到达第一个停止点之前,刹车次数为3次。服务器30的处理器36可依据刹车次数决定这旅程中的滑行的次分数。例如,旅程中所有刹车次数占停止点的数目的刹车比例。若这刹车比例越高,则滑行的次分数越低,且越耗能。而若这刹车比例越低,则滑行的次分数越高,且节省越多能量。
在一实施例中,感测数据包括车辆的超速行为,节能因素包括超速,且节能分数包括超速的次分数。服务器30的处理器36可将一秒内多笔的超速行为组合成一笔行为。若最大车速与速限的速差大于超速门槛值(例如,每小时5公里、10公里或15公里),则服务器30的处理器36定义为超速行为。服务器30的处理器36可依据超速行为的持续时间决定超速事件。若受定义为两超速行为的间隔时间(即,持续时间)超过间隔门槛值(例如,5秒、10秒或20秒),则服务器30的处理器36将这段持续时间的超速行为定义为超速事件。若速差没有大于超速门槛值或持续时间未超过间隔门槛值,则服务器30的处理器36继续侦测后续的超速行为。
服务器30的处理器36可统计旅程中的超速事件的超速次数,并依据超13
速次数决定超速的次分数。若超速次数越多(例如大于对应次数门槛值),则超速的次分数越低,且越耗能。若超速次数越低(例如小于对应次数门槛值),则超速的次分数越高,且节省越多能量。
在一实施例中,感测数据包括车辆的车速及引擎转速,节能因素包括怠速,且节能分数包括怠速的次分数。相似地,服务器30的处理器36可将一秒内多笔的怠速行为组合成一笔行为。处理器36可依据车速及引擎转速决定怠速行为。若统计的车速(例如,平均车速或车速中位数)为零但引擎转速大于零的情况,则服务器30的处理器36定义为怠速行为。若受定义为两怠速行为的间隔时间(即,持续时间)超过累积门槛值(例如,10秒、20秒或1分钟),则服务器30的处理器36将这段持续时间的怠速行为定义为怠速事件。也就是,怠速事件是发生在车速为零但引擎转速大于零的情况下。
服务器30的处理器36可统计旅程中的怠速事件的累积怠速时间。当确定怠速事件时,服务器30的处理器36持续统计这怠速事件的持续时间,以作为累积怠速时间。服务器30的处理器36可依据累积怠速时间决定怠速的次分数。累积怠速时间例如是不超过3分钟(依据法规决定)。若累积怠速时间越多(例如大于对应时间门槛值),则怠速的次分数越低,且越耗能。若累积怠速时间越低(例如小于对应时间门槛值),则怠速的次分数越高,且节省越多能量。
在一实施例中,感测数据包括该车辆的加速度及车速,节能因素包括预期事件,且节能分数包括预期事件的次分数。服务器30的处理器36可依据加速度及速度决定急刹事件。急刹事件是发生在朝车辆的行进方向上的加速度低于加速度下限且车速的变化期间大于变化上限的情况下。
例如,线性加速度计X轴(对应于行进方向)的最小值小于-0.28g(即,加速度下限,符号g为重力单位(gravity unit)),线性加速度计X轴在这段期间的平均累加量(以秒为单位)小于或等于-2.8秒,且车速在这段期间的平均变化期间(以秒为单为)大于或等于5.0秒(即,变化上限)。急刹事件的产生可能是前方车辆造成或发生事故,因此急刹事件的侦测可用于预期事件。
服务器30的处理器36可将一秒内多笔的急刹行为组合成一笔行为。在统计的过程中,若平均线性加速度计X轴小于例如-0.17g且平均车速大于零,则服务器30的处理器36可定义为急刹候选行为。
若两笔急刹候选行为的间隔时间(即,持续时间)超过间隔门槛值(例如,5秒、10秒或20秒),则服务器30的处理器36将这段持续时间的急刹候选行为定义为急刹行为。反之,则服务器30的处理器36继续侦测后续的急刹候选行为。
在一些实施例中,服务器30的处理器36还可通过识别车外影像来判断前方车流的速度及加速度,并据以作为急刹事件的评估。或者,处理器36还可通过识别车外影像中与前车的距离,并对远端装置40或车载装置10提示前车的距离,以减少急刹行为或其他异常刹车行为。
服务器30的处理器36可统计旅程中的急刹事件的急刹次数,并依据急刹次数决定预期事件的分数。若急刹次数越多(例如大于对应次数门槛值),则预期事件的次分数越低,且越耗能。若急刹次数越少(例如小于对应次数门槛值),则预期事件的次分数越高,且节省越多能量。
在一实施例中,感测数据包括车辆的引擎转速,节能因素包括绿带(green band),且节能分数包括绿带的次分数。处理器36可统计旅程中的引擎转速符合目标转速的累积有效转速时间(例如,每分钟1400~1600转)。目标转速是依据车辆的车型及道路状况所决定,并相关于节能模式下的引擎转速。例如,下坡路段的目标转速较低,但上坡路段的目标转速较高。当引擎转速在目标转速的容许范围(例如,每分钟30~50转)内时,服务器30的处理器36可计时,并得出累积有效转速时间。处理器36可依据累积有效转速时间决定绿带的次分数。若累积有效转速时间所占旅程的总时间越多(例如大于对应时间门槛值),则预期事件的次分数越低,且越耗能。若累积有效转速时间所占旅程的总时间越少(例如小于对应时间门槛值),则预期事件的次分数越高,且节省越多能量。
在一实施例中,感测数据包括车辆的车内温度,节能因素包括空调使用,且节能分数包括空调使用的次分数。服务器30的处理器36可统计旅程中的车内温度符合目标温度的累积节能时间。这目标温度是依据气候所决定。
例如,夏天对应于温度下限,且冬天对应于温度上限。当车内温度在目标温度的容许范围(例如,1度或3度)内时,服务器30的处理器36可计时,并得出累积节能时间。
在一实施例中,服务器30的处理器36可依据累积节能时间决定空调使用的次分数。若累积节能时间所占旅程的总时间越多(例如大于对应时间门槛值),则空调使用的次分数越低,且越耗能。若累积节能时间所占旅程的总15
时间越少(例如小于对应时间门槛值),则空调使用的次分数越高,且节省越多能量。
例如,每一温度和每一特定时间(例如:每一分钟为一个单位),夏天车内温度低于标准值范围的情况可视为不良节能驾驶,冬天车内温度高于标准值范围的情况可视为不良节能驾驶。依据整趟行驶时间(即,旅程的总时间),每一单位在不良好驾驶范围内的比例来计算次分数。
表(1)是一范例说明多个节能因素的次分数。
表(1)
/>
在一些实施例中,感测数据还可以是胎压或定期保养通知。服务器30的处理器36可依据胎压过低(例如,小于标准的10%)或保险通知的侦测结果通过通信收发器33通知远端装置40或车载装置10。
在一实施例中,节能因素有多种。服务器30的处理器36可对这些节能因素赋予权重,并将这些节能因素的次分数依据对应权重进行加权运算及/或正规化运算,以得出节能分数。
请参照图11,服务器30的处理器36依据节能分数产生驾驶行为报告(步骤S113)。具体而言,驾驶行为报告说明节能分数的优劣。服务器30的处理器36可自多个节能分数(例如是针对不同车辆或司机)中选择参考分数,并分别比较这些节能分数与参考分数,从而得知驾驶行为是否节能,进而作为节能驾驶的参考学习依据。
在一实施例中,感测数据对应于路线中的多个路段,且这些路段是依据道路特性分类。例如,直线路段、转弯路段、上坡路段、下坡路段、高速路段或非道路路段。服务器30的处理器36可分别产生这些路段的节能分数,并分别比较这些路段的节能分数与对应的参考分数。驾驶行为报告包括这些路段的比较结果。由此,针对各路段比对不同驾驶行为,可帮助驾驶员了解在相同路况条件下如何为最省油的驾驶方式,进而作为节能驾驶指标。
在一实施例中,服务器30的处理器36可依据驾驶行为报告决定驾驶状态。例如,服务器30的处理器36将节能分数与参考分数的分数差异分级,并由级数来评断驾驶状态。若级数越高,则驾驶状态越好。若级数越低,则驾驶状态越差。
服务器30的处理器36可通过通信收发器33对远端装置40或车载装置10通知驾驶状态符合通报条件的情况。通报条件相关于节能分数的排名。
例如,服务器30的处理器36依据级数排名。通报条件是排名越低的车辆或驾驶。因此,服务器30的处理器36可通过通信收发器33对远端装置40或车载装置10提醒驾驶状态。
例如,图14是依据本发明一实施例的驾驶员分析的示意图。请参照图14,假设有三个级数,级数D1的节能分数最接近参考分数,级数D2的节能分数第二接近参考分数,且级数D3的节能分数离参考分数最远。管理者的远端装置40可在电子地图上显示各车辆的位置,并以不同视觉图案/颜色/文字区别不同级数的车辆。针对级数D3,使用者界面还可提供直接通话的选项,以便管理者以语音提醒驾驶员。
在一实施例中,服务器30的处理器36可统计各驾驶的违规行为。违规行为例如是分心驾驶、疲劳驾驶、逆向行驶、闯红灯、急刹、急转弯、怠速或超速。
在一实施例中,在旅程的过程中,若违规行为的违规次数超过对应次数门槛值,则服务器30的处理器36可通报远端装置40或车载装置10。例如,管理者的远端装置40醒目提示违规次数过多的车辆。此外,使用者界面还可提供直接通话的选项,以便管理者以语音提醒驾驶员。
在一实施例中,服务器30的处理器36可识别车内影像中的驾驶座上的乘客是否为已注册的司机。针对非注册的司机,使用者界面还可提供直接通话的选项,以便管理者以语音提醒驾驶员。
图15是依据本发明一实施例的远端装置40的通报的示意图。请参照图15,驾驶员的远端装置40呈现通报内容I5。例如,违规次数过多、节能分数过低或非本人驾驶,请注意。
综上所述,在本发明实施例的位置的评估方法、驾驶行为的分析方法及驾驶管理系统中,收集感测数据,自感测数据找出特征值,结合审核,以作为演算法的训练数据,从而可找出适合停车的推荐地点。物联网装置或者运输载具上的感应器及影像撷取装置可持续收集感测数据,且系统持续训练所需推荐地点的演算法或更新数据库。本发明实施例可提供界面给数据科学家或管理者对所收集感测数据进行修改、审核及标注,本发明实施例也提供界面给开发人员进行演算法参数调整,以确保推荐地点合乎使用者对推荐地点的期望。本发明实施例也提供一个评分机制,自动将驾驶行为依据路径分段比对,找出具有最高节能分数的驾驶人的行驶行为并作为标准依据。路段的比较(benchmark)可作为评估驾驶行为的依据,并产出驾驶行为报告,进而用来作为驾驶训练的参考依据。由此,可改善新手司机不熟悉路况所造成效率低落的问题,协助提升行车安全,节省传统司机带人教育训练、及因不良驾驶习惯造成能耗浪费所带来的营运成本,且提升新手司机执行任务的效率。
虽然结合以上实施例公开了本发明,然而其并非用以限定本发明,任何所属技术领域中普通技术人员,在不脱离本发明的精神和范围内,可作些许的更动与润饰,故本发明的保护范围应当以所附的权利要求所界定的为准。
Claims (20)
1.一种位置的评估方法,包括:
取得感测数据;
依据该感测数据决定停车状态;
取得该停车状态下的该感测数据对应的停车位置类别;以及
依据该停车位置类别及该感测数据训练位置建议模型,其中该位置建议模型用于建议停车位置。
2.如权利要求1所述的位置的评估方法,其中该感测数据包括定位记录及车内影像,且依据该感测数据决定该停车状态的步骤包括:
依据该定位记录决定车辆的停留时间;
依据该车内影像决定该车辆内的乘客是否离开座位;以及
依据该停留时间及该车内影像的决定结果决定该停车状态;
其中该停车状态代表该车辆是否停车。
3.如权利要求1所述的位置的评估方法,其中该感测数据包括定位记录及车外影像,且该评估方法还包括:
反应于该停车状态,依据该定位记录中的当前位置、该车外影像及时戳(timestamp),以定义为该停车状态下的该感测数据。
4.如权利要求1所述的位置的评估方法,其中该停车位置类别包括建议停车类别,且该评估方法还包括:
通过该位置建议模型决定路线中的停留点对应的该建议停车类别的第一停车地点;以及
反应于该车辆位于该停留点的推荐范围内,提供该第一停车地点及其街景影像。
5.如权利要求1所述的位置的评估方法,还包括:
取得路线中的停留点的评估范围内的街景影像;
取得该评估范围内的街景影像对应的该停车位置类别;以及
自该评估范围内的街景影像中提供受决定为该建议停车类别的第二停车地点。
6.如权利要求1所述的位置的评估方法,其中取得该停车状态下的该感测数据对应的该停车位置类别的步骤包括:
依据分类规则决定该感测数据对应的初始类别,其中该分类规则相关于停车合法性;
取得该初始类别的审核结果;以及
依据该审核结果决定该停车位置类别。
7.如权利要求1所述的位置的评估方法,还包括:
统计违规事件的事件次数,其中该感测数据包括定位记录,且该违规事件的发生地点与该定位记录的地点相距在统计范围内;
决定该事件次数是否超过次数门槛值;
反应于该事件次数超过该次数门槛值,分类该违规事件对应的至少一事件地点;以及
依据该至少一事件地点定义违规地点。
8.如权利要求1所述的位置的评估方法,其中该停车位置类别包括建议停车类别、注意停车类别及危险停车类别,该建议停车类别符合交通规范,该注意停车类别不符合该交通规范但对应事故风险小于风险门槛值,且该危险停车类别不符合该交通规范且对应事故风险未小于该风险门槛值。
9.一种驾驶行为的分析方法,包括:
取得感测数据;
依据至少一节能因素决定该感测数据的节能分数,其中该至少一节能因素是影响车辆的能源消耗的因素;以及
依据该节能分数产生驾驶行为报告,其中该驾驶行为报告说明该节能分数的优劣。
10.如权利要求9所述的驾驶行为的分析方法,其中该感测数据对应于路线中的多个路段,该些路段是依据道路特性分类,且依据该节能分数产生该驾驶行为报告的步骤包括:
分别产生该些路段的节能分数;以及
分别比较该些路段的节能分数与对应的参考分数,其中该驾驶行为报告包括该些路段的比较结果。
11.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的车速,该至少一节能因素包括定速巡航,该节能分数包括该定速巡航的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
统计旅程中的该车速与节能巡航速度之间的第一累积差异;
统计该旅程中的该车速与道路速限之间第二累积差异;以及
依据该第一累积差异及该第二累积差异决定该定速巡航的该次分数。
12.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的刹车行为,该至少一节能因素包括滑行,该节能分数包括该滑行的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
统计旅程中的至少一停止点的该刹车行为的刹车次数;以及
依据该刹车次数决定该滑行的该次分数。
13.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的超速行为,该至少一节能因素包括超速,该节能分数包括该超速的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
依据该超速行为的持续时间决定超速事件;
统计旅程中的该超速事件的超速次数;以及
依据该超速次数决定该超速的该次分数。
14.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的车速及引擎转速,该至少一节能因素包括怠速,该节能分数包括该怠速的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
依据该车速及该引擎转速决定怠速事件,其中该怠速事件是发生在该车速为零但该引擎转速大于零的情况下;
统计旅程中的该怠速事件的累积怠速时间;以及
依据该累积怠速时间决定该怠速的该次分数。
15.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的加速度及车速,该至少一节能因素包括预期事件,该节能分数包括该预期事件的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
依据该加速度及该速度决定急刹事件,其中该急刹事件是发生在朝该车辆的行进方向上的该加速度低于加速度下限且该车速的变化期间大于变化上限的情况下;
统计旅程中的该急刹事件的急刹次数;以及
依据该急刹次数决定该预期事件的该次分数。
16.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的引擎转速,该至少一节能因素包括绿带(green band),该节能分数包括该绿带的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
统计旅程中的该引擎转速符合目标转速的累积有效转速时间,其中该目标转速是依据该车辆的车型及道路状况所决定;以及
依据该累积有效转速时间决定该绿带的该次分数。
17.如权利要求9所述的驾驶行为的分析方法,其中该感测数据包括该车辆的车内温度,该至少一节能因素包括空调使用,该节能分数包括该空调使用的次分数,且依据该至少一节能因素决定该感测数据的该节能分数的步骤包括:
统计旅程中的该车内温度符合目标温度的累积节能时间,其中该目标温度是依据气候所决定;以及
依据该累积节能时间决定该空调使用的该次分数。
18.如权利要求9所述的驾驶行为的分析方法,还包括:
依据该驾驶行为报告决定驾驶状态;以及
通知该驾驶状态符合通报条件的情况,其中该通报条件相关于该节能分数的排名。
19.一种驾驶管理系统,包括:
服务器,通信连接于车载装置,其中该服务器取得停车状态下的该车载装置的感测数据对应的停车位置类别,并依据该停车位置类别及该感测数据训练位置建议模型,该位置建议模型推荐停车位置。
20.一种驾驶管理系统,包括:
服务器,通信连接于车载系统,其中该服务器依据至少一节能因素决定该车载装置的感测数据的节能分数,并依据该节能分数产生驾驶行为报告,该至少一节能因素是影响车辆的能源消耗的因素,且该驾驶行为报告说明该节能分数的优劣。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263398187P | 2022-08-15 | 2022-08-15 | |
US63/398,187 | 2022-08-15 | ||
TW111143810 | 2022-11-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612401A true CN117612401A (zh) | 2024-02-27 |
Family
ID=89954790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211510439.XA Pending CN117612401A (zh) | 2022-08-15 | 2022-11-29 | 位置的评估方法、驾驶行为的分析方法及驾驶管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612401A (zh) |
-
2022
- 2022-11-29 CN CN202211510439.XA patent/CN117612401A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202409989A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11670116B2 (en) | Segmenting operational data | |
US10204460B2 (en) | System for performing driver and vehicle analysis and alerting | |
US9778049B2 (en) | Calculating speed and travel times with travel delays | |
US9626642B2 (en) | Calculating speed and travel times with travel delays | |
US10407078B2 (en) | Dynamic learning driving system and method | |
US9129449B2 (en) | Calculating speed and travel times with travel delays | |
US8996287B2 (en) | Calculating speed and travel times with travel delays | |
EP3165034B1 (en) | Automatic geofence determination | |
US8350696B2 (en) | System and method for defining areas of interest and modifying asset monitoring in relation thereto | |
EP1627370B1 (en) | System and method for evaluating vehicle and operator performance | |
JP4790169B2 (ja) | 運行監視システム | |
CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
US20130041521A1 (en) | Vehicle monitoring system with automatic driver identification | |
CN110275934A (zh) | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 | |
CA2917808C (en) | Calculating speed and travel times with travel delays | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
CN117612401A (zh) | 位置的评估方法、驾驶行为的分析方法及驾驶管理系统 | |
EP4325172A1 (en) | Evaluation method of locations, analysis method of driving behavior, and driver management system | |
TWI846147B (zh) | 位置的評估方法、駕駛行為的分析方法及駕駛管理系統 | |
CA2984757C (en) | Segmenting operational data |
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 |