TW202216510A - 用於預測未來的超速之方法、電子裝置及系統 - Google Patents

Abstract

一種針對一車輛偵測超速之方法，其包括從一電子資料庫取得一車隊之、地理區域之歷史軌跡資料；藉由一伺服器之一微處理器來確定該歷史軌跡資料之一速度分布；在與該車輛相關聯之一電子裝置上，計算一已確定未來超速機率；其中取得包括藉由該伺服器針對該歷史軌跡資料向該電子資料庫傳遞一電子請求，並且將該歷史軌跡資料從該電子資料庫傳遞至該伺服器。一種電子裝置，其包括一軌跡資料獲取電路；一通訊電路，用來從一伺服器針對一已受訓分類器接收預受訓權重；一處理器，用來基於軌跡資料，使用組配有該等預受訓權重之一分類器，計算高於一預定門檻之一未來超速機率。一種用於該方法之系統及一種針對該方法儲存電腦可執行碼之電腦可讀媒體。

Description

用於預測未來的超速之方法、電子裝置及系統

本揭露之一態樣係有關於針對車隊之車輛偵測超速之方法。本揭露之另一態樣係有關於針對車隊之車輛用於偵測超速之電子裝置。本揭露之另一態樣係有關於針對車隊之車輛用於偵測超速之系統。

對於一些國家，道路系統未充裕地提供可用於確定一車隊之駕駛員是否超速之法定速限。國家之間可有所不同，舉例而言，一些國家可具有定義良好之法定速限，而其他國家則可能缺乏速限，即使對於高速公路亦然。現有解決方案適用於地圖資料針對高速公路、地方道路及甚至小巷富含速限之國家或地理區域。然而，用於充實地圖資料之現有技巧屬於資源密集型且需要手動輸入。因此，避免超速需要提供更有效率之方法。

本揭露之一態樣係有關於針對一車隊之一車輛偵測超速之一方法。該方法可包括從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料。該方法可包括藉由一伺服器之一微處理器針對各地理區域確定該歷史軌跡資料之一速度分布。該方法可包括，基於該速度分布，藉由與該車輛相關聯之一電子裝置之一微處理器，確定該車輛之一目前速度高於與可在其中記錄該目前速度之一目前地理區域中之該速度分布之一預定百分位數對應之一門檻速度，該目前地理區域對應於該各地理區域中之至少一者。該伺服器及該電子資料庫可經由一通訊介面彼此通訊耦合。取得可包括藉由該伺服器針對該歷史軌跡資料向該電子資料庫傳遞一電子請求，並且可更包括經由該通訊介面將該歷史軌跡資料從該電子資料庫傳遞至該伺服器。

本揭露之一態樣係有關於包括一車隊、一伺服器、及複數個電子裝置之一系統，其中複數個電子裝置之各裝置可與一車隊之一車輛相關聯，並且可包括：

一軌跡資料獲取電路，其被組配用以獲取目前軌跡資料；

一處理器，其被組配用以基於一速度分布，判斷該車輛之一目前速度是否可高於與可在其中記錄該目前速度之一目前地理區域中之該速度分布之一預定百分位數對應之一門檻速度，該目前地理區域對應於該各地理區域中之至少一者，

其中該伺服器可被組配用以從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料；以及藉由一微處理器，針對各地理區域確定該歷史軌跡資料之該速度分布。

本揭露之一態樣係有關於針對車隊之車輛偵測超速之方法。該方法可包括從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料。該方法可包括藉由一伺服器之一微處理器針對各地理區域確定該歷史軌跡資料之一速度分布。該方法可包括基於該速度分布，例如基於該速度分布之一或多個百分位數，將一電子分類器訓練成一已受訓分類器。該伺服器及該電子資料庫可經由一通訊介面彼此通訊耦合。取得可包括藉由該伺服器針對該歷史軌跡資料向該電子資料庫傳遞一電子請求，並經由該通訊介面將該歷史軌跡資料從該電子資料庫傳遞至該伺服器。該方法可包括在與該車輛相關聯之一電子裝置上計算一已確定未來超速機率，並且可更包括確定該已確定未來超速機率高於一預定門檻。

本揭露之一態樣係有關於一電子裝置。該電子裝置可包括被組配用以獲取目前軌跡資料之一軌跡資料獲取電路。該電子裝置可包括一通訊電路，其被組配用以例如從一伺服器針對一已受訓分類器接收預受訓權重。該電子裝置可包括一處理器，其被組配用以基於該軌跡資料，使用組配有該等預受訓權重之該已受訓分類器來計算一未來超速機率。該電子裝置可進一步判斷該未來超速機率是否高於一預定門檻。

本揭露之一態樣係有關於一系統，其包括一伺服器及複數個電子裝置。該等複數個電子裝置之各裝置可與一車隊之一車輛相關聯，並且可根據各項實施例來組配。該伺服器可被組配用以從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料。該伺服器可被組配用以產生預受訓權重作為訓練該分類器之一結果，並且可更被組配用以向該電子裝置上傳該等預受訓權重，藉此在該電子裝置上提供該已受訓分類器。

本揭露之態樣係有關於根據各項實施例用於本文中所揭示各方法之一電腦程式產品，該電腦程式產品包括電腦可執行碼，該電腦可執行碼包括指令，當該程式可由一電腦執行時，該等指令致使該電腦實行該方法。

本揭露之一態樣係有關於一非暫時性電腦可讀媒體，其儲存包括指令之電腦可執行碼，用來從一軌跡資料獲取電路取得目前軌跡資料。該可執行碼可包括用以經由組配之一通訊電路例如從一伺服器針對一已受訓分類器接收預受訓權重之指令。該可執行碼可包括用以將帶有該等預受訓權重之一分類器組配成一已受訓分類器之指令。該可執行碼可包括用以使用該已受訓分類器並基於該軌跡資料來計算一未來超速機率之指令。

以下詳細說明意指以例示方式展示可實踐本揭露之特定細節及實施例的附圖。這些實施例係經充分詳細說明而使得所屬技術領域中具有通常知識者能夠實踐本揭露。可利用其他實施例並且可施作結構化、及邏輯變更但不會脫離本揭露之範疇。各項實施例不必然互斥，因為一些實施例可與一或多個其他實施例組合以形成新實施例。

在方法、裝置或系統之一之上下文中所述之實施例對於其他方法、裝置或系統類似地有效。類似的是，在一方法之上下文中所述之實施例對於一裝置或一系統類似地有效，反之亦然。

在一實施例之上下文中所述之特徵可相應地適用於其他實施例中之相同或類似特徵。在一實施例之上下文中所述之特徵可相應地適用於其他實施例，即使在這些其他實施例中沒有明確說明亦然。再者，如針對一實施例之上下文中之特徵所述之新增及/或組合及/或替代例可相應地適用於其他實施例中之相同或類似特徵。

在各項實施例之上下文中，關於一特徵或元件使用之冠詞「一」、「一個」及「該」包括對一或多個特徵或元件之一參照。

「及/或」一詞於本文中使用時，包括相關聯所列項目中之一或多者之任何及全部組合。

根據各項實施例，針對一車隊之一車輛偵測超速之方法可包括從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料。「軌跡資料」或「歷史軌跡資料」一語於本文中使用時、及根據各項實施例，可包括地理資料，諸如地理空間坐標，並且可更包括舉例如藉由全球定位系統GPS所提供之時間。作為時間之替代方案或除了時間以外，軌跡資料或歷史軌跡資料還可包括與一軌跡資料點相關聯之速度，該速度可從一平均、一擬合等，基於一或多個相鄰點計算出來。軌跡資料可取自一或多個移動車輛之位置記錄。例如緯度、經度及時間，軌跡資料可更包括海拔。GPS坐標可根據全球大地坐標系統WGS 84，例如G1762版本，但不受限於此。根據各項實施例，軌跡資料可包括複數個軌跡資料點，其中各資料點可包括緯度、經度、及速度，並且可更包括方位。可將一軌跡跡線，例如一GPS跡線，定義為與時間戳記相關聯之一記錄序列。各記錄(亦稱為軌跡資料點)包括位置及時間戳記。歷史軌跡資料可包括隨時間儲存之來自車隊之一或多個車輛之複數條軌跡跡線之一集合。軌跡資料可以是真實世界資料，例如真實世界GPS資料。

根據各項實施例，地理區域代表地球表面上之一區域。舉例而言，一城市可由複數個地理區域表示，這可藉由將一網格套用到一城市之地圖上來定義。在一項實例中，網格將一地圖劃分成預定大小之地理區域(亦稱為網格小區)，諸如250公尺 x 250公尺。「地理」及「地理空間」等詞於本文中使用時、及根據各項實施例，可互換使用。

根據各項實施例，針對一車隊之一車輛偵測超速之方法可更包括藉由一伺服器之一微處理器，針對各地理區域確定歷史軌跡資料之一速度分布。根據各項實施例，一速度分布可以是一累增分布函數，並且可進一步予以正規化。

根據一些實施例，可先預處理歷史軌跡資料再確定速度分布，替代地，軌跡資料可先預處理再新增至歷史資料。此類預處理可減少雜訊量，舉例如由GPS定位誤差引起之雜訊量。

根據各項實施例，可預處理目前軌跡資料，舉例而言，用以避免位置及/或速度計算之不準確性。因此，新增至歷史軌跡資料之軌跡資料可以是已預處理目前軌跡資料。

根據各項實施例，歷史軌跡資料可藉由將軌跡資料儲存在一資料庫中來取得。可在一資料庫中收集、儲存來自車隊之車輛及駕駛員之電子裝置之軌跡資料，例如GPS資料。由於一電子裝置(例如：智慧型手機或平板電腦)與一駕駛員相關聯，因此可善用來自駕駛員之資料以推斷不同城市及國家之速限。

根據各項實施例，與電子裝置相關聯之一駕駛員之駕駛員概況資料可包括駕駛員特徵資料，舉例而言，指出過往超速事故。駕駛員概況可更包括與駕駛員相關聯之車輛之相應車輛特性資料，例如，車輛係一四輪車輛還是一2輪車輛、機動等。

根據一些實施例，可先將歷史軌跡資料去偏斜再確定速度分布，替代地，軌跡資料可先去偏斜再新增至歷史資料。例如當以一固定率(例如1軌跡資料點/秒)擷取GPS資料時，可使用此類去偏斜，這在車輛以相較於一更高速度之一更低速度行進時，將產生一高更多之每距離資料量。

根據一些實施例，針對一車隊之一車輛偵測超速之方法可更包括基於與速度之反比關係將速度分布去偏斜。由於一軌跡資料點獲取率係基於與速度之一反比關係。舉例而言，去偏斜可屬於線性並且在速度分布上實施。分布之去偏斜可比將軌跡資料去偏斜消耗更少運算資源。

針對一車隊之一車輛偵測超速之方法可包括基於速度分布確定車輛之一目前速度可高於一門檻速度。根據一些實施例，此確定是基於一統計模型而具有統計性。根據一些實施例，此確定係基於一機器學習模型，並且可藉由機器學習來實行，例如藉由一已受訓分類器來實行。

根據一些實施例，針對一車隊之一車輛偵測超速之方法可包括基於速度分布確定車輛之一目前速度可高於一門檻速度，該門檻速度對應於可在其中記錄該目前速度之一目前地理區域中之該速度分布之一預定百分位數。替代地或另外，針對一車隊之一車輛偵測超速之方法可包括基於速度分布確定一未來超速機率。

根據各項實施例，目前地理區域可對應於該各地理區域中之至少一者，對於該至少一個地理區域，歷史軌跡資料在伺服器中可取用。該確定可藉由與車輛相關聯之電子裝置之一微處理器來實行。該伺服器及該電子資料庫可經由一通訊介面彼此通訊耦合。

根據各項實施例，一超速或一未來超速風險(或機率)可藉由或經由一警示向駕駛員指出，舉例而言，使用一可聽警示、一語音警示、一顯示器上之一訊息、送至電子裝置之一推送通知來指出。替代地或另外，可隨著元資料將一超速或一未來超速機率從電子裝置傳遞至伺服器，該元資料可隨著時間(例如，以每日為基礎)予以匯集並回報為一超速報告。舉例而言，如果使駕駛員分心係一關注事項，則可關閉在駕駛期間發出警示。

一未來超速係一超速預期，可潛在阻止一事故發生，因為駕駛員提前收到通知並因此察覺其處於監測狀態。根據各項實施例，可針對未來，舉例而言，下一分鐘，例如提前20到30秒，提供對未來超速(本文中亦稱為即將超速)之預測。

在針對一車隊之一車輛偵測超速之方法中，取得該車隊之歷史軌跡資料可包括藉由該伺服器針對該歷史軌跡資料向該電子資料庫傳遞一電子請求，並且可更包括經由該通訊介面將該歷史軌跡資料從該電子資料庫傳遞至該伺服器。

根據一些實施例，針對一車隊之一車輛偵測超速之方法可包括針對各地理區域基於該速度分布在該伺服器上計算該門檻速度；將該等複數個地理區域之各地理區域之該門檻速度上傳至該電子裝置。替代地或另外，該方法可包括向該電子裝置針對所有該等複數個地理區域上傳相應百分位數或相應門檻速度。上傳可經由介於該伺服器與該裝置之間的一相應通訊介面自動進行，舉例而言，隨選或規律地進行，諸如每週一次。例如針對一整個城市或一整個國家進行一規律更新，得以減小任何時間滯後或由於通訊連線不良導致在需要時沒有資訊可取用之風險。相較於上傳完整歷史資料，門檻、百分位數、或分布之一規律上傳也未佔用很多位在裝置中之記憶體或通訊頻寬。再者，由於伺服器未將歷史資料曝露至裝置，因此提供一增強型資料保護。根據各項實施例，預定門檻係一門檻速度或基於該門檻速度所確定。

根據一些實施例，該方法可更包括基於速度分布計算一已確定未來超速機率可高於一預定門檻。該計算可在與車輛相關聯之電子裝置上進行。如果該確定在裝置上運行，則降低對網路連線能力及查詢後端之相依性。

根據各項實施例，已確定機率可藉由一已受訓分類器計算。該方法可更包括基於該速度分布，將一電子分類器訓練成一已受訓分類器。電子裝置可儲存已受訓分類器。電子裝置可包括張量流，並且分類器可基於張量流。

根據各項實施例，訓練可進一步基於包括情境資訊之訓練情境資料。計算已確定未來超速機率可進一步基於包括目前情境資訊之目前情境資料。根據各項實施例，訓練情境資料可包括訓練天氣資料，並且目前情境資料可包括目前天氣資料。替代地或另外，訓練情境資料可包括訓練駕駛員概況，並且目前情境資料可包括與電子裝置相關聯之一駕駛員之一駕駛員概況，其中該等訓練駕駛員概況及該駕駛員概況中之各者可包括駕駛員特徵資料，舉例而言，指出過往超速事故。訓練駕駛員概況及駕駛員概況中之各者可更包括與駕駛員相關聯之車輛之相應車輛特性資料，例如，車輛係一四輪車輛還是一2輪車輛、機動等。替代地或另外，訓練情境資料及目前情境資料可包括以下相應之一或多者：當日之時間、當週之日子、公共假日資料。

根據各項實施例，情境資料及目前情境資料可包括以下相應之一或多者：路況資料、道路特性資料、目前交通型態、鄰域類型。

根據各項實施例，可從下列一或多者選擇情境資料，諸如訓練情境資料及目前情境資料：天氣資料、駕駛員概況資料、當日之時間、當週之日子、公共假日資料、白天或夜晚、路況資料、路段狀況、路段類型、道路特性資料、目前交通型態、鄰域類型。各駕駛員概況可包括與一對應駕駛員相關聯之一車輛之車輛特性資料。

根據各項實施例，情境資料，諸如訓練情境資料及目前情境資料，可包括曾經在一給定網格小區中發生之若干超速事故。

根據各項實施例，情境資料、以及對應之訓練情境資料及目前情境資料可包括一給定地理區域之一超速風險分數。

可導致意外事故或碰撞之一路段上之一速度型態係視為不安全。其由於下雨、風暴或其他惡劣天氣條件而可能不安全。一特定速度在白天可能安全，但在夜晚則不那麼安全。可有將安全速度在其他情況下更改為不安全之特定交通型態。路況本身可對交通造成一些危險，例如坑洞、轉彎、障礙物。對汽車安全之速度對於一兩輪車可能不安全。由於此推理，如根據各項實施例使用之超速定義係擴大到超出法定速限，並且係基於安全背景。在本揭露之上下文中，超速亦可意味著不安全速度。

一路段之一類型可以是在確定安全或不安全速度時有用之情境資訊。一地圖，例如一城市之地圖，係以一網格劃分成多個地理區域，並且一目前位置係對齊(映射)至含有目前位置之一網格小區，即目前地理區域。然而，網格小區可具有許多不同道路類型，有些可以是高速公路，而另一些則可以是狹窄之當地道路。有趣的是，已發現交通速度資料分析顯示車輛速度分布具有一高斯混合模型之特性。各網格小區在其邊界內可具有多種道路類型。舉例而言，各網格小區可含有高速公路段、及當地道路。高斯可先予以確定再輸入到分類器裡。舉例而言，藉由分布之一自動化高斯反卷積。根據各項實施例，系統可包括一自動化高斯分量確定器，該自動化高斯分量確定器被組配用以針對各地理區域從歷史軌跡資料之速度分布確定高斯分量。根據各項實施例，分類器可被組配用以基於高斯分量來確定高斯分量中之一或多者之道路類型。

車輛移動型態之附加特性可用於識別車輛可能屬於之特定車型/類別。這種評估快速且需要之記憶體使用空間小。一旦知道路段類型，便可針對「不安全高速」預測評估相關已受訓模型。根據各項實施例，系統可包括一預受訓車輛識別符，其可以是一已受訓分類器，該識別符被組配用以基於車輛移動型態輸出一車輛類型。車輛類型可包括下列一或多者：一四輪車輛、一2輪車輛、一機動車輛、一人力車輛、一車輛模型。

應知，不需要確定地理區域中之特定路段，因為路段類型已足夠。因此，電子裝置不需要使用指出駕駛員所在路段之一地圖，從而與使用綜合地圖之系統相比，用於從目前位置確定背景之記憶體及運算資源更少。鑑於在一行動裝置上運行之限制條件，這種從位置對齊至背景之方式亦運作良好。

根據各項實施例，可在伺服器上訓練電子分類器。可將已受訓分類器之預受訓權重從伺服器上傳至電子裝置，藉此在電子裝置上提供已受訓分類器。預受訓權重之上傳消耗少量頻寬，並且可在有規則之間隔下進行，例如每週一次或每月一次。

根據各項實施例，一電子裝置可包括被組配用以獲取目前軌跡資料之一軌跡資料獲取電路。在裝置上，適當背景之識別包括讀取軌跡資料(例如：GPS感測器資料)，諸如緯度、經度、及速度。可從時間戳記確定速度，舉例而言，藉由一GSP模組確定。該電子裝置可包括一通訊電路，其被組配用以從一伺服器針對一已受訓分類器接收預受訓權重。電子裝置可包括一處理器。處理器可被組配用以將組配有預受訓權重之一分類器(即已受訓分類器)用於基於軌跡資料計算高於一預定門檻之一未來超速機率。此背景下之一已受訓分類器可包括可藉由處理器處理(使用)之已受訓指令集及權重。電子裝置可包括分類器。電子裝置可包括已受訓分類器。

根據各項實施例，一系統可包括一車隊、一伺服器、及複數個電子裝置。各電子裝置均與伺服器之一車輛相關聯。該系統可包括被組配用以獲取目前軌跡資料之一軌跡資料獲取電路。該系統可包括一通訊電路，其被組配用以從一伺服器針對該已受訓分類器接收該等預受訓權重。該系統可包括一處理器，該處理器被組配用以將組配有該等預受訓權重之一已受訓分類器(即該已受訓分類器)用於基於該目前軌跡資料計算高於一預定門檻之一未來超速機率。此背景下之一已受訓分類器可意味著可藉由處理器處理(使用)之已受訓指令集及權重。該系統可包括該分類器。該系統可包括該已受訓分類器。

根據各項實施例，一非暫時性電腦可讀媒體可儲存電腦可執行碼。根據各項實施例，該符碼可包括用以使一電腦(例如：該電子裝置之一處理器)實行針對一車隊之一車輛偵測超速之方法的指令。該符碼可包括用以使一電腦(例如：該電子裝置之一處理器)從一軌跡資料獲取電路取得目前軌跡資料之指令。該符碼可包括用以經由一通訊電路從一伺服器針對一已受訓分類器接收預受訓權重之指令。該符碼可包括用以將帶有該等預受訓權重之一分類器組配成一已受訓分類器之指令。該符碼可包括用以計算一未來超速機率高於一預定門檻之指令。該計算可使用已受訓分類器，並且可基於一目前速度及/或基於軌跡資料。軌跡資料包括至少兩個軌跡資料點，任選地至少包括3個軌跡資料點。3個或更多個軌跡資料點可允許速度取平均，藉此降低或避免由於GPS獲取誤差導因於速度計算錯誤。

圖1展示包括一電子裝置100B (例如：一智慧型手機)及一伺服器100A之一系統100。伺服器100A及電子裝置100B可彼此通訊耦合以供資料傳輸。

伺服器100A具有至少一個處理器110及用於儲存電子資料庫111之一記憶體109。記憶體109及處理器110可在單一單元中實施，或可置放於不同位置，例如一雲端。應知，儘管伺服器106係描述為單一伺服器，其功能在實際應用中，通常仍將藉由多個伺服器電腦之布置結構提供(例如，實施一雲端服務)。因此，可將伺服器所提供，在本文中所述之功能理解為係藉由伺服器或伺服器電腦之一布置結構提供。在一項實例中，資料庫可憑藉DynamoDB、或另一NoSQL資料庫來實施，因為NoSQL資料庫未強加於嚴格之架構，這提供了資料結構之靈活性，藉此允許未來資料隨著實施改良而變更。DynamoDB具有可靠性，並且可大規模運作，而大部分操作可在一雲端上進行，因此允許自動比例調整。

電子裝置100B可包括一軌跡資料獲取電路，該軌跡資料獲取電路被組配用以獲取目前軌跡資料，例如從衛星信號(諸如GPS)計算出之軌跡資料。電子裝置100B具有一螢幕，該螢幕顯示一電子叫車應用程式之圖形驅動程式介面(GUI)，該電子叫車應用程式已由電子裝置之駕駛員(例如：一計程車司機)先在其電子裝置上安裝，並且已開啟(例如，啟動)以實行一運輸訂單。電子裝置100B具有一處理器(未示出)。

GUI 101包括駕駛員所在位置附近之一地圖102。應用程式可基於一位置服務，例如一基於GPS之位置服務，來確定位置。地圖102亦可顯示要行進之軌跡，從而輔助駕駛員行駛。GUI可包括其他特徵，舉例而言，GUI 101可包括可接收自訂單之一出發點103用方塊及一目的地104用方塊。亦可有一選單(未示出)，其允許駕駛員選擇各種選項，例如有關乘客之資訊、自動付款或現金付款等。

GUI可包括一警示方塊，其可呈現或變更外觀(例如：閃光)以指出駕駛員何時超速或何時有一即將超速風險。根據各項實施例，電子裝置100B被組配用以在偵測到超速時發出一警示，及/或被組配用以在預測即將超速時發出一警示。可將即將超速定義為未來超速機率高於預定門檻。

圖2展示劃分成複數個地理區域之一城市之一地圖區域210，以舉例方式展示為由線條214分開之正方形(諸如215及217)。地圖包括代表道路212之資料。圖2展示位在地理區域217中之(一駕駛員之)一車輛之一目前位置216。針對車輛偵測超速之方法可判斷車輛之一目前速度是否高於門檻速度。針對車輛偵測超速之方法可包括判斷一未來超速機率是否高於一預定門檻。舉例而言，該方法可確定不同軌跡之超速機率，例如從目前位置到所示位置A、B或C之超速機率。該方法可根據一所選軌跡計算超速機率，例如對於位置之機率可以是A=10%、B=8%、C=82%。給定一預定門檻，例如75%，當駕駛員選擇軌跡218並朝向C行駛時，可觸發一警示，例如，在電子裝置上顯示之一警示，因為82% ＞ 75%。

圖3根據一些實施例，展示針對一車隊之一車輛偵測超速之一方法350的一流程圖350。方法350包括從一電子資料庫111取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料352。取得可包括藉由伺服器100A (例如藉由該伺服器之該處理器)針對歷史軌跡資料352向電子資料庫111傳遞一電子請求，並經由該通訊介面將該歷史軌跡資料從電子資料庫111傳遞至伺服器100A。

該方法可包括藉由一伺服器100A之一微處理器針對各地理區域確定354該歷史軌跡資料之一速度分布。

該方法可包括，基於該速度分布，藉由與該車輛相關聯之一電子裝置100B之一微處理器，確定該車輛之一目前速度可高於與可在其中記錄該目前速度之一目前地理區域中之速度分布354之一預定百分位數對應之一門檻速度，該目前地理區域對應於該各地理區域中之至少一者。舉例而言，如圖3所示，可在356中確定速度分布之一或多個百分位數。任選地，如果需要，該方法可包括將分布去偏斜，例如，在確定百分位數之前去偏斜。在圖3之實例中，該方法可包括情境資料359之提供。在步驟358中，將各種區域之百分位數及其情境資料、以及一目前速度用於判斷一駕駛員是超速或是否即將超速。替代地或另外，該方法可基於百分位數或基於分布之分布資料來確定一駕駛員是否超速或即將超速，如圖4所示。圖4展示一方法的一流程圖400，該方法包括將速度分布之百分位數上傳452到一駕駛員之裝置上、以及使用各種區域之百分位數、及一目前速度在駕駛員之裝置上判斷一駕駛員是否超速或即將超速之一步驟454。

根據各項實施例，判斷一駕駛員是否超速或即將超速可基於可先藉由自動化高斯分量確定器確定之速度分布之高斯分量。高斯分量之使用可允許一分類器識別一道路類型。

圖5根據各項實施例，展示用於訓練一分類器之一方法的一流程圖500，根據一些實施例，繪示偵測超速之一方法。方法500包括從一電子資料庫111取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料502。取得可包括藉由伺服器100A (例如藉由該伺服器之該處理器)針對歷史軌跡資料502向電子資料庫111傳遞一電子請求，並經由該通訊介面將該歷史軌跡資料從電子資料庫111傳遞至伺服器100A。

用於訓練之方法可包括藉由一伺服器100A之一微處理器為一訓練資料集針對各地理區域確定504歷史軌跡資料之一速度分布，以及將分類之結果與一地表實況作比較，並且反覆動作，直到分類器之分類結果與地表實況之間已經達到一充分收斂為止。替代地或另外，資料集包括速度分布之百分位數，其可在步驟506中確定，並且係訓練資料集之部分，以使得可顧及速度分布之百分位數來實行訓練。準確度可憑藉包括相應地表實況之一測試資料集來統計確定。

根據各項實施例，訓練可進一步基於可先藉由自動化高斯分量確定器確定之速度分布之高斯分量。高斯分量之使用可允許一分類器識別一道路類型。

根據各項實施例，訓練資料集可包括情境資料。相應地，測試資料集可包括測試情境資料。情境資料可諸如訓練(或測試)情境資料及目前情境資料，可從下列一或多者選擇：天氣資料、駕駛員概況、當日之時間、當週之日子、公共假日資料、白天或夜晚、路況資料、路段狀況、路段類型、道路特性資料、目前交通型態、鄰域類型。各駕駛員概況可包括與一對應駕駛員相關聯之一車輛之車輛特性資料。

根據各項實施例，可在伺服器100A上訓練電子分類器，如圖6之流程圖600之步驟602所示。可將已受訓分類器之預受訓權重從伺服器100A上傳604至電子裝置100B，藉此在電子裝置100B上提供已受訓分類器。相較於上傳已受訓分類器之整個指令集，僅上傳預受訓權重可於減少頻寬消耗之情況下在電子裝置100B上實現規律更新。在一伺服器100A上提供訓練實質降低電子裝置100B上之資源使用，並且允許提升資料安全性，因為不需要將歷史資料發送至電子裝置100B。

在下文中，將示範可如何針對一例示性資料集確定速度分布。圖7展示一地圖710之一地理區域717，為了說明性目的，地理區域717係藉由一250公尺 ×250公尺網格小區713之四個轉角(針點714)所界定。地理區域包括路段712。

在圖7及圖8之實例中，來自印尼巴淡市之資料係用於說明。軌跡資料係篩選如下，i)速度大於0；ii)駕駛員係標記為移運中「IN_TRANSIT」，意味著駕駛員接受一行程，並且駕駛員目前正在將乘客移動至目的地；iii)預約碼並非虛無(NULL)，意味著駕駛員活動受辨識(且非受拒絕)為一有效付費行程，並且存在可查詢之已驗證碼；iv)軌跡資料獲取(例如：GPS)之準確度小於或等於20 m；v)確認ping狀態(例如：「2」)，這確認上傳之資料有效且可用於進一步運算。對於城市內之各網格小區，符合以上準則之軌跡資料點係針對一預定時間框予以匯集，例如匯集一整月。從圖8之四個作圖，左上方之作圖展示針對一整月在地理區域717中回報之正規化速度分布。當駕駛員移動非行程相關活動之部分時，移運中標誌及/或預約碼之使用避免運行該方法。因此，可節省運算資源。

圖8以舉例方式針對地理區域717展示速度分布的一直方圖(a)。左上方之直方圖(a)將會偏斜，因為相較於移動更快之車輛，以更慢速度行駛之車輛將登錄更多軌跡資料點(例如：GPS ping)。直方圖(b)係速度分布的一去偏斜直方圖，係藉由對直方圖(a)中所示之分布進行一線性重新加權而建立。相比於與速度更慢之GPS位置點，與更高速度相關聯之軌跡資料點受予更大權重。靜態ping係從分析排除，因為其未針對虛擬速限確定提供任何值。在各直方圖(a)及(b)中，機率密度函數(pdf)在分布上擬合，高斯反卷積係以3個分量comp_1、comp_2及comp_3示出。高斯反卷積可藉由自動化高斯分量確定器實行。

左下方之曲線圖(c)展示針對速度去偏斜前(cdf)及後(已去偏斜cdf)之累增分布函數。從已去偏斜cdf，可確定速度分布之百分位數，例如，可確定速度分布之第85、第95、第99百分位數。

根據各項實施例，可在電子裝置上向下推送(例如上傳)帶有整個城市網格坐標及其相應百分位數之檔案(例如：一JavaScript物件表示法(json)檔案)。在一行程期間，可確定傳入GPS ping之網格位置，並且可將目前速度與一門檻作比較。門檻可基於百分位數來確定，例如基於第85、第95、第99百分位數資料來確定。舉例而言，可將類似於第85百分位數 + 8 km/h規則之一初始方法設定為一門檻。由於電子裝置可伴隨網格坐標運作，因此不需要將整個地圖上傳至電子裝置。

根據各項實施例，確定超速可藉由將車輛之一目前速度與一門檻速度作比較來實行。門檻速度可對應於一目前地理區域中速度分布之預定百分位數，例如：第85百分位數、第85百分位數 + 8 km/h、第95百分位數或第99百分位數。

根據各項實施例，為了判斷駕駛員是否超速，對於二或更多個速度確定，該方法可考量持續性超速。因此，在一些實施例中，包括速度之至少兩個ping (即軌跡資料點)需要跨越設定門檻，並且這至少兩個ping不能等同。在一些實施例中，違反門檻規則之單一GPS ping將不視為超速。這允許從GPS速度偵測瞬時速度之誤差更小，因為有一些時間滯後，並且在最佳狀況下，手機GPS感測器之資料率係1 Hz。此亦補償由於接收不良或多路徑所致之可能低準確度，有時會影響基於都卜勒之速度測量。根據一些實施例，如果要針對超速偵測將軌跡資料點列入考量，則軌跡資料點之準確度必須優於30公尺。

違規可經由推送通知或有聲警示在行程期間或在行程結束時向駕駛員示出。替代地或另外，違規可伴隨元資料發送回到後端，該元資料可每天匯集並且回報為一超速報告。舉例而言，如果使駕駛員分心係一關注事項，則可關閉在駕駛期間發出警示。

圖9根據各項實施例，展示可藉由電子裝置實行之一方法的一示意圖。可提供包括已受訓分類器之電子裝置。電子裝置可包括取自伺服器之所儲存資料，諸如地圖資料902、與駕駛員(例如：駕駛員概況資料)及/或車輛904相關之情境資料、以及其他情境資料906 (天氣、當日之時間)。地圖資料902可包括地理區域之坐標(例如：網格坐標)，並且可更包括下列一或多者：速度分布、百分位數、預定速度門檻。電子裝置可進一步利用可藉由一位置接收器模組912，例如一GPS接收器，取得之目前軌跡資料。所儲存資料可藉由一特徵產生器914預處理，其可包括自動化高斯分量確定器及/或其他資料預處理。舉例而言，鑑於速度分布及目前地理區域(或可從其確定目前地理區域之目前位置)，特徵產生器914可確定速度分布之高斯分量，並且可進一步識別對應於目前位置之最可能路段。特徵產生器914可輸出一特徵陣列，諸如速度百分位數(例如第50、第95、第99百分位數)、及由於超速所致之意外事故機率。一例示性陣列可看起來像[20, 25, 27, 0.00002]。該所儲存資料可已先儲存在電子裝置之一記憶體儲存器中，舉例而言，在從伺服器接收之後儲存，並且可針對已受訓分類器用作為輸入特徵。地圖特徵922可取自地圖資料902，駕駛員特徵924可取自駕駛員概況資料904，並且情境特徵926可取自其他情境資料906。已受訓分類器可被組配用以將輸入特徵嵌入到其神經網路之神經元內，舉例而言，可將地圖特徵922、駕駛員特徵924及情境特徵926串連，並且在一串連向量930中以串連形式用作為輸入。

根據各項實施例，已受訓分類器可被組配用以基於軌跡資料計算一未來超速機率。電子裝置可被組配用以判斷超速機率是否高於一預定門檻。舉例而言，如果所計算機率係0.739，並且門檻係0.75，則未確定未來超速，而且，例如，電子裝置可不發出一未來超速警示。在另一實例中，如果所計算機率係0.85，並且門檻係0.75，則確定未來超速，而且，例如，電子裝置可發出一未來超速警示。替代地或另外，分類器可受訓練以確定一目前速度不安全，舉例而言，藉由具有代表目前不安全速度機率之一輸出類別來確定。電子裝置可將目前不安全速度機率與一門檻作比較，且藉此判斷車輛之目前速度是否安全或不安全。

根據各項實施例，未來超速機率之計算及超速機率是否高於預定門檻之判斷可即時實行，因此，駕駛員在行駛中可即時接收警示以向其發出有關未來超速之警告。替代地或另外，可即時實行一目前速度是否不安全之判斷，因此，駕駛員在行駛中可即時接收警示以向其發出有關目前不安全超速之警告。根據各項實施例，當訓練一電子分類器時，可將警示駕駛員之軌跡資料排除在訓練資料之外，舉例而言，可將警示駕駛員之軌跡資料排除在歷史軌跡資料之外，或先從歷史軌跡資料篩選掉再訓練。

圖10根據一實例展示一系統的一示意圖，其包括一伺服器100A及一電子裝置100B，例如一智慧型手機，其與一駕駛員相關聯。電子裝置100B可向安全性後端發送191資料，諸如軌跡資料及目前速度。電子裝置100B亦可向安全性後端查詢191特徵。安全性後端可向一資料庫DB查詢193特徵，並且資料庫DB可向安全性後端發送194該等特徵，該安全後端進而可向電子裝置100B發送該等特徵。資料庫DB可匯集取自歷史軌跡資料庫S3、駕駛員概況資料、及其他情境資料之特徵。可藉由一週期性DB更新資料程序在DB處更新歷史軌跡資料。因此，該程序之行動部分未曝露任何API。後端API提供用以檢索城市、駕駛員相關特徵集之方式。此特徵變更緩慢，因此需要一相當低之重新整理率，例如每2或3週一次。

在一項實例中，用以取得地圖資料、速度分布、及其他情境資料之一API包括一已曝露端點、一內部端點、及一方法GET。此API可從電子裝置呼叫，並且將回傳地圖資料、速度分布(例如：速度分布資料及/或速度分布之百分位數)，並且可回傳其他情境資料，接著可將該其他情境資料用於對電子裝置進行速度偵測。在一項實例中，方法GET可包括緯度及經度欄位，舉例如表1所示。

欄位名稱	類型	定義	實例	必要項
緯度	浮點	緯度	1.2312	是
經度	浮點	經度	2.3212	是

表1

在一項實例中，來自API之一回應可包括該等特徵(例如：地圖資料、速度分布、及其他情境內容)，並且可更包括一通過指示符，舉例如表2所示。

欄位名稱	類型	定義	實例	必要項
通過	布林	是否呼叫成功？	有成立|不成立	是
特徵	json	速度概況資料、確定地理區域之緯度及經度、以及其他情境資料	[…]	是

表2

在一項實例中，用以取得駕駛員概況資料之一API包括一已曝露端點、一內部端點、及一方法GET。此API可從電子裝置呼叫，並且將回傳諸如年齡、歷程等駕駛員特徵，接著可將該等駕駛員特徵用於在電子裝置上進行速度偵測。在一項實例中，方法GET不包括任何參數。在一項實例中，來自API之回應可包括駕駛員概況(亦稱為駕駛員特徵)，並且可更包括一通過指示符，如下面之表3所示。

欄位名稱	類型	定義	實例	必要項
通過	布林	是否呼叫成功？	有成立|不成立	是
特徵	json	年齡、歷程等		是

表3

在一項實例中，用以取得要求頻繁更新之另一情境資料(例如：可以是即時資料)的一API包括一已曝露端點、一內部端點、及一方法GET。此API可從電子裝置呼叫，並且將回傳諸如天氣資料、即時交通資料等需為最新之情境資料，接著可將該情境資料用於在電子裝置上進行速度偵測。在一項實例中，方法GET可包括緯度及經度欄位，並且可更包括一時間戳記，舉例如表4所示。

欄位名稱	類型	定義	實例	必要項
緯度	浮點	緯度	1.2312	是
經度	浮點	經度	2.3212	是
時間戳記	整數	時間	15728873783	否

表4

在一項實例中，來自API之一回應可包括另一情境資料，並且可更包括一通過指示符，舉例如表5所示。

欄位名稱	類型	定義	實例	必要項
通過	布林	是否呼叫成功？	有成立|不成立	是
特徵	json	天氣、交通等		是

表5

可將取自伺服器之特徵，例如地圖資料、速度分布、及其他情境內容、駕駛員概況資料、需要頻繁更新之情境資料解串，接著插入到電子裝置之已受訓分類器，例如基於張量流之基礎設施。

在一項實例中，地圖資料之一架構可如表6所示。

屬性	類型	說明
cityID	字串	主索引鍵
countryCode	字串	城市之國家代碼
maxLat	浮點	城市之最大緯度
maxLon	浮點	城市之最大經度
minLat	浮點	城市之最小緯度
minLon	浮點	城市之最小經度
speedProfile	JSON物件	一JSON物件針對各地理區域含有一速度分布清單

表6

儘管本揭露已參照特定實施例特別示出並作說明，所屬技術領域中具有通常知識者仍應瞭解的是，可於其中進行形式及細節方面之各種改變，但不會脫離如隨附申請專利範圍所定義之本發明之精神與範疇。因此，本發明之範疇係藉由隨附申請專利範圍指出，並且因此意欲囊括落入申請專利範圍均等論述之意義及範圍內之所有變化。

100:系統 100A:伺服器 100B:電子裝置 101:GUI 103:出發點 104:目的地 109:記憶體 110:處理器 111:電子資料庫 191,194:發送 193:查詢 210:地圖區域 212:道路 214:線條 215,217:正方形 216:目前位置 218:軌跡 350,400,500,600:流程圖 352,354,356,358,359,452,454,502,504,506,508,509,602,604:步驟 710:地圖 712:路段 713:網格小區 714:針點 717:地理區域 902:地圖資料 904:駕駛員概況資料 906:情境資料 912:位置接收器模組 914:特徵產生器 922:地圖特徵 924:駕駛員特徵 926:情境特徵 930:串連向量

本說明將在搭配非限制實例及附圖考量時，參照詳細說明而得以更加瞭解，其中： 圖1根據各項實施例，展示系統100的一示意圖，其包括一電子裝置100B及一伺服器100A； 圖2展示劃分成複數個地理區域之一城市之一地圖區域210； 圖3根據一些實施例，展示針對一車隊之一車輛偵測超速之一方法350的一流程圖350； 圖4根據各項實施例，展示一方法的一流程圖400； 圖5根據各項實施例，展示用於訓練一分類器之一方法的一流程圖500； 圖6根據各項實施例，展示一流程圖，其包括訓練該分類器及上傳預受訓權重； 圖7展示一地圖710之一地理區域717，地理區域717係藉由四個轉角(針點714)所界定； 圖8根據各項實施例，展示從一個地理區域之歷史資料計算出之速度分布； 圖9根據各項實施例，展示可藉由電子裝置實行之一方法的一示意圖；以及 圖10根據一實例，展示一系統的一示意圖。

100:系統

100A:伺服器

100B:電子裝置

101:GUI

103:出發點

104:目的地

109:記憶體

110:處理器

111:電子資料庫

Claims (26)

1. 一種針對一車隊之一車輛偵測超速之方法，該方法包含： 從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料； 藉由一伺服器之一微處理器針對各地理區域確定該歷史軌跡資料之一速度分布； 基於該速度分布，在與該車輛相關聯之一電子裝置上，計算一已確定未來超速機率； 其中該伺服器及該電子資料庫經由一通訊介面彼此通訊耦合， 取得包括藉由該伺服器針對該歷史軌跡資料向該電子資料庫傳遞一電子請求，並經由該通訊介面將該歷史軌跡資料從該電子資料庫傳遞至該伺服器。
2. 如請求項1之方法，其更包含確定該已確定未來超速機率高於一預定門檻。
3. 如請求項1或請求項2之方法，其中該預定門檻係一門檻速度或係基於該門檻速度所確定，以及 其中該門檻速度係針對各地理區域，基於該速度分布所計算。
4. 如請求項1至3中任一項之方法，其更包含將該等複數個地理區域之各地理區域之該門檻速度從該伺服器上傳至該電子裝置，並且其中計算該門檻速度係於該伺服器上進行。
5. 如請求項1至4中任一項之方法，其更包含基於與該分布之資料點之速度之一反比關係對該速度分布進行去偏斜。
6. 如請求項1至5中任一項之方法，其包含向該電子裝置針對所有該等複數個地理區域上傳相應百分位數或相應門檻速度。
7. 如請求項1至6中任一項之方法，其中該已確定機率係藉由一已受訓分類器所計算，並且其中該方法更包含基於該速度分布將一電子分類器訓練成該已受訓分類器。
8. 如請求項7之方法，其中訓練係進一步基於包含情境資訊之情境資料；並且計算該已確定未來超速機率係進一步基於包含目前情境資訊之目前情境資料。
9. 如請求項8之方法，其中情境資料包含訓練天氣資料，並且目前情境資料包含目前天氣資料。
10. 如請求項8或請求項9之方法，其中情境資料包含訓練駕駛員概況資料，並且目前情境資料包含與該車輛相關聯之一駕駛員之駕駛員概況資料，其中該訓練駕駛員概況資料及該駕駛員概況資料中之各者包含相應車輛特性資料及/或駕駛員特徵。
11. 如請求項8至10中任一項之方法，其中情境資料及目前情境資料包含以下相應之一或多者：當日之時間、當週之日子、公共假日資料。
12. 如請求項8至11中任一項之方法，其中情境資料及目前情境資料包含以下相應之一或多者：路況資料、道路特性資料、目前交通型態、鄰域類型。
13. 如請求項7至11中任一項之方法，其中該電子分類器係於該伺服器上受訓練，並且其中該已受訓分類器之預受訓權重係從該伺服器上傳至該電子裝置，藉此在該電子裝置上提供該已受訓分類器。
14. 一種電子裝置，其包含： 一軌跡資料獲取電路，其被組配用以獲取目前軌跡資料，該目前軌跡資料包括複數個地理區域之一目前地理區域之軌跡資料； 一通訊電路，其被組配用以針對一已受訓分類器接收預受訓權重； 一處理器，其被組配用以基於該軌跡資料，使用組配有該等預受訓權重之該已受訓分類器來計算一未來超速機率。
15. 如請求項14之電子裝置，其中計算一未來超速機率係進一步基於該地理區域之一速度分布。
16. 如請求項14或請求項15之電子裝置，其中該通訊電路更被組配用以向該電子裝置接收該等複數個地理區域之各地理區域之一百分位數或一門檻速度。
17. 如請求項16之電子裝置，其中該通訊電路更被組配用以針對所有該等複數個地理區域接收相應百分位數或相應門檻速度。
18. 如請求項14至17中任一項之電子裝置，其中該預定門檻係該門檻速度，或係基於該目前地理區域之一門檻速度及/或一百分位數所確定，以及 其中該電子裝置更被組配用以判斷該未來超速機率是否高於該預定門檻。
19. 如請求項14至18中任一項之電子裝置，其中計算該已確定未來超速機率係進一步基於包含目前情境資訊之目前情境資料。
20. 如請求項19之電子裝置，其中目前情境資料包含目前天氣資料。
21. 如請求項19或請求項20之電子裝置，其中情境資料包含目前情境資料，該目前情境資料包含與該車輛相關聯之一駕駛員之駕駛員概況資料，其中該訓練駕駛員概況資料及該駕駛員概況資料中之各者包含相應車輛特性資料及/或駕駛員特徵。
22. 如請求項19至21中任一項之電子裝置，其中目前情境資料包含以下相應之一或多者：當日之時間、當週之日子、公共假日資料。
23. 如請求項19至22中任一項之電子裝置，其中目前情境資料包含以下相應之一或多者：路況資料、道路特性資料、目前交通型態、鄰域類型。
24. 一種系統，其包含一伺服器及複數個電子裝置， 其中該等複數個電子裝置之各裝置與一車隊之一車輛相關聯，並且係根據請求項14至23中之一項來組配； 其中該伺服器被組配用以從一電子資料庫取得複數個地理區域之各地理區域之該車隊之歷史軌跡資料；以及 其中該伺服器被組配用以產生預受訓權重作為訓練該分類器之一結果，並且更被組配用以向該電子裝置上傳該等預受訓權重，藉此在該電子裝置上提供該已受訓分類器。
25. 一種電腦程式產品，其包含電腦可執行碼，該電腦可執行碼包含指令，當該程式由一電腦執行時，該等指令致使該電腦實行如請求項1至13中任一項之方法。
26. 一種非暫時性電腦可讀媒體，其儲存包含指令之電腦可執行碼，用來進行以下步驟： 從一軌跡資料獲取電路取得目前軌跡資料； 經由組配之一通訊電路從一伺服器針對一已受訓分類器接收預受訓權重； 將帶有該等預受訓權重之一分類器組配成一已受訓分類器；以及 使用該已受訓分類器並基於該軌跡資料來計算一未來超速機率。

Images