CN107066682A - 用于预测道路网内道路摩擦力的设备和方法 - Google Patents
用于预测道路网内道路摩擦力的设备和方法 Download PDFInfo
- Publication number
- CN107066682A CN107066682A CN201710076895.0A CN201710076895A CN107066682A CN 107066682 A CN107066682 A CN 107066682A CN 201710076895 A CN201710076895 A CN 201710076895A CN 107066682 A CN107066682 A CN 107066682A
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- data
- floating car
- friction power
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/02—Measuring coefficient of friction between materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/42—Road-making materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/50—Arrangements in telecontrol or telemetry systems using a mobile data collecting device, e.g. walk by or drive by
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
- H04Q2209/826—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent periodically
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Traffic Control Systems (AREA)
Abstract
用于使用来自连接车辆车队(V1‑n)的数据(D1‑Dn)预测道路摩擦力的***和方法。每个车队车辆包括用于向后端***(5)报告浮动汽车数据集(D1‑Dn)的通信设备(4),浮动汽车数据集包括车辆位置、时间数据以及关于确定道路摩擦力影响参数和与该位置(P1‑Pn)相关的确定道路摩擦力的数据。在预定时段内在中心数据库(6)内收集和集成数据集(D1‑Dn)。使用集成的数据集(D1‑Dn)训练和验证神经网络计算机(7)以产生预测用于特定道路网(3)位置(P1‑Pn)或与该特殊位置(P1‑Pn)相关部段的将来道路摩擦力的模型。一旦训练和验证,神经网络计算机(7)将在接收相同类型的最新输入数据时使用模型来预测这种特殊位置(P1‑Pn)或道路网(3)部段的将来道路摩擦力。
Description
技术领域
本发明涉及一种使用来自配备相应定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***的连接车辆车队的数据预测所述道路摩擦力的***。
本发明进一步涉及一种使用来自配备相应定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***的连接车辆车队的数据预测所述道路摩擦力的方法。
本发明进一步涉及一种适于形成连接车辆车队的一部分的连接车辆,所述连接车辆配备定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***。
背景技术
已经观察到,道路摩擦力随着时间的动态变化典型地取决于构成道路网的不同道路部段的特定特征。在一些道路部段中,例如如果路面自由地暴露于阳光,则路面的冰将融化的更快。在其它道路部段内,例如如果这些道路部段靠近开阔水面,在低温天气路面的冰将更快地形成。
影响道路摩擦力的属性与地貌剖面的形状、地理拓扑结构、地质学有关。参数的数量和组合的大量化使得很难而非不可能产生预报包括道路摩擦力的道路状况的分析模型。
已经提出产生预报包括道路摩擦力的道路状况的这种分析模型,但是产生这种分析模型通常需要专门的能力和了解每个相关属性是如何影响道路摩擦力的。这种分析性预测模型还需要描述整个道路网内每个道路部段相关特征的大量输入数据,例如地理和地质学知识需要 被包含在模型内。在这些情况下就需要描述道路网的数据。为了适应每个道路部段的独有特性,开发用于道路网内每个道路部段的这些分析模型将需要相当多的人力。
但是,因为当今没有可靠地收集描述整个道路网内每个道路部段相关特征的大量输入数据、特别是保持其与变化状况的更新的可行方法,最好的可用数据仅仅描述道路网的当前状态。变化的道路状况可以例如是如下情况:邻近道路部段的森林可能随着时间的流逝在道路上越长越高,在道路上产生更长的遮蔽,这将影响低道路摩擦力的研究,或相反地,伐木作业可能令前面遮蔽的路面重见天日。结果这类数据为此是残缺的,特别是相对于如上所述的变化来说。因而,由于数据的残缺,从这种数据获得的道路摩擦力预报自然具有不确定性的缺陷。
因此需要成本有效地和更准确地管理道路摩擦力预报而不需要如上所述相当多人力的技术方案。
发明内容
此处的实施例旨在提供通过需要更少的努力产生和维持的预报模型更准确地预测道路摩擦力的改进***。
这可通过一种使用来自配备相应定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***的连接车辆车队的数据预测所述道路摩擦力的***来提供,其中连接车辆车队中每个相应的车辆包括:通信设备,被设置为与后端***通信以连续地报告浮动汽车数据(floating car data)集,浮动汽车数据集包括道路网内连接车辆的位置、时间数据以及关于确定道路摩擦力影响参数和与道路网内该位置相关的确定道路摩擦力的数据;并且,用于预测道路摩擦力的所述***进一步包括:位于所述后端***中的中心数据库,被设置为收集所述车队中的连接车辆所报告的浮动汽车数据集和在所述中心数据库内集成预定时段内这种浮动汽车数据集的系列;以及神经网络计算机,被设置为使用来自所述车队内连接车辆的所述集成浮动汽车数据集训练和验证以产生基于相同类型的最新输入数据预测所述道路网内特定位置处将来道路摩擦 力的模型;以及可选的数据预处理设备,被设置为如果用于训练和验证所述神经网络计算机的数据未默认被适当地结构化则将所述浮动汽车数据集预处理为适当的结构;神经网络计算机进一步被设置为一旦训练和验证则接收相同类型的最新输入数据并且使用产生的模型来预测用于道路网内特定位置或与特定位置相关的道路网部段的将来道路摩擦力。
根据第二方面,来自所述连接车辆车队的每个相应车辆的所述浮动汽车数据集包括但不局限于环境温度、刮水器速度、空气湿度、太阳载荷(sun load)、雾灯起动和检测到的实际道路摩擦力。
包括上述数据的浮动汽车数据集包括从现有车辆***和传感器容易得到的数据。
根据第三方面,通信设备被设置为通过无线通信特别是基于蜂窝网络等等的无线数据通信的设备与所述后端***通信。
如上所述通信设备被设置为与后端***通信就提供了容易得到和证实的通信基础设施的成本有效的使用。
根据第四方面,在中心数据库内集成的每个浮动汽车数据集系列包括涉及道路网内特定位置或与特殊位置相关的道路网部段的在所报告的涉及所述道路网内所述特定位置或所述道路网与该特定位置相关部段的确定道路摩擦力之前的特定时间窗内所有浮动汽车数据。
在中心数据库内集成的包括上述数据的浮动汽车数据集系列提供了不需人力就产生和维持描述道路网的最新数据的有效方法。
根据第五方面,神经网络计算机进一步被设置为以基于预定时间间隔或基于来自所述车队内连接车辆的自所述神经网络计算机先前训练和验证以来在所述中心数据库内收集和集成的预确定量的浮动汽车数据集的可用性的再训练频率再训练和再验证以产生预测将来道路摩擦力的最新模型。
如上所述令神经网络计算机进一步被设置为再训练和再验证提供了确保用于预报适应道路网内变化状况的道路摩擦力的最新模型可用性的有效方法。
根据第六方面,神经网络计算机进一步被设置为除了使用来自所述车队内连接车辆的集成浮动汽车数据集外、还使用所述道路网内特 定位置处或所述道路网与该特定位置相关的部段处与时间相关的天气预报数据来训练和验证,以产生预测所述道路网内特定位置处将来道路摩擦力的模型。
如上所述也使用与时间相关的天气预报数据令神经网络计算机进一步被设置为训练和验证就提供了附加增加的道路摩擦力预测质量。
根据第七方面,神经网络计算机进一步被设置为除了使用来自所述车队内连接车辆的集成浮动汽车数据集外、还使用所述道路网内特定位置处或所述道路网与该特定位置相关的部段处与时间相关的实际天气数据来训练和验证,以产生预测所述道路网内特定位置处将来道路摩擦力的模型。
如上所述令神经网络计算机进一步被设置为也使用与时间相关的实际天气数据训练和验证就提供了进一步增加的道路摩擦力预测质量。
此处的实施例还旨在提供用于更准确地预测道路摩擦力的改进方法。
因此,根据第八方面,提供了一种使用来自配备相应定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***的连接车辆车队的数据预测所述道路摩擦力的方法,其中所述方法包括:连接车辆的车队内每个相应车辆使用通信设备与后端***通信以连续地报告浮动汽车数据集,浮动汽车数据集包括所述道路网内的所述连接车辆的位置、时间数据以及关于所确定的道路摩擦力影响参数和涉及所述道路网内该位置的确定道路摩擦力的数据;并且其中所述方法进一步包括:将所述车队中连接车辆所报告的浮动汽车数据集收集在位于所述后端***中的中心数据库内并且在所述中心数据库内集成预定时段内这种浮动汽车数据集的系列;并且使用来自所述车队内连接车辆的所述集成浮动汽车数据集训练和验证神经网络计算机以产生基于相同类型的最新输入数据预测所述道路网内特定位置处将来道路摩擦力的模型;将所述训练和验证的神经网络计算机设置为接收相同类型的最新输入数据,并且使用所述产生的模型预测所述道路网内特定位置或与该特定位置相关的所述道路网部段的将来道路摩擦力。
根据第九方面,进一步包括来自所述连接车辆车队的每个相应车辆的所述浮动汽车数据集至少包括环境温度、刮水器速度、空气湿度、太阳载荷、雾灯起动和检测到的实际道路摩擦力。
包括上述数据的浮动汽车数据集包括从现有车辆***和传感器容易得到的数据。
根据第十方面,进一步包括将通信设备设置为通过无线通信特别是基于蜂窝网络等等的无线数据通信的设备与所述后端***通信。
如上所述通信设备被设置为与后端***通信就提供了容易得到和证实的通信基础设施的成本有效的使用。
根据第十一方面,进一步包括在中心数据库内集成的浮动汽车数据集每个系列包括涉及在所述道路网内特定位置或所述道路网与该特定位置相关的部段的在所报告的涉及所述道路网内特定位置或所述道路网的与该特定位置相关的部段的确定道路摩擦力之前的特定时间窗内的所有浮动汽车数据。
在中心数据库内集成包括上述数据的浮动汽车数据集系列提供了不需人力就产生和维持描述道路网的最新数据的有效方法。
根据第十二方面,进一步包括将神经网络计算机设置为以基于预定时间间隔或基于来自所述车队内连接车辆的自所述神经网络计算机先前训练和验证以来在所述中心数据库内收集和集成的预确定量的浮动汽车数据集的可用性的再训练频率再训练和再验证以产生预测将来道路摩擦力的最新模型。
如上所述令神经网络计算机被设置为再训练和再验证提供了确保用于预报适应道路网内变化状况的道路摩擦力的最新模型可用性的有效方法。
根据第十三方面,进一步包括将神经网络计算机设置为除了使用来自所述车队内连接车辆的集成浮动汽车数据集外、还使用所述道路网内特定位置处或所述道路网与该特定位置相关的部段处与时间相关的天气预报数据来训练和验证,以产生预测所述道路网内特定位置处将来道路摩擦力的模型。
如上所述也使用与时间相关的天气预报数据令神经网络计算机进一步被设置为训练和验证就提供了附加增加的道路摩擦力预测质量。
根据第十四方面,进一步包括将神经网络计算机设置为除了使用来自所述车队内连接车辆的集成浮动汽车数据集外、还使用所述道路网内特定位置处或所述道路网与该特定位置相关的部段处与时间相关的实际天气数据来训练和验证,以产生预测所述道路网内特定位置处将来道路摩擦力的模型。
如上所述也使用与时间相关的实际天气数据令神经网络计算机进一步被设置为训练和验证就提供了进一步增加的道路摩擦力预测质量。
根据最后一个方面,提供了一种适于形成连接车辆车队的一部分的连接车辆,所述连接车辆配备定位***和在对道路摩擦力感兴趣的道路网内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***,它包括:通信设备,被设置为与后端***通信以连续地报告浮动汽车数据集,浮动汽车数据集包括所述道路网内所述连接车辆的位置、时间数据和关于所确定的道路摩擦力影响参数和与所述道路网内该位置相关的所确定道路摩擦力的数据。
上述车辆能够以有效的方式不需人力就获得和更新描述道路网的数据,该数据对于形成和验证预测道路摩擦力的模型从而用于根据此处所述预测道路摩擦力的所述***的实施例和根据如此处所述预测道路摩擦力的方法的至少一些实施例是有用的。
附图说明
在下文中,将仅仅参照附图详述此处的实施例,其中:
图1是根据此处实施例用于预测道路摩擦力的***和方法的示意图。
图2是一连接车辆的示意图,其适于形成根据此处实施例的用于预测道路摩擦力的***和方法中的连接车辆车队的一部分。
此处实施例的其它目的和特征将根据下面结合附图的详细说明更为清楚。然而可以理解,附图仅为说明的目的而非对其的范围的限定,其范围应当参照所附的权利要求。应当进一步理解,附图不一定是按比例描绘的,并且除非另有陈述,它们仅仅意图概念上地示出此处描述的结构和工序。
具体实施方式
在不久的将来,越来越多的道路车辆V1-n将能够检测低和高的道路摩擦力。来自这些车辆V1-n的测量摩擦力数据可被收集在远程数据库6(也称为云或云数据库)中以采集道路网3中道路摩擦力的当前状态的综合描述,即在什么道路部段上发生低道路摩擦力。有关当前道路摩擦力的信息可用于道路车辆的新的安全性相关应用中从而进一步增加道路安全。
若干安全性相关的道路车辆功能将受益于道路摩擦力的将来状态的预测(不局限于当前状态),即,能估算道路网3内不远的将来哪个道路部段将具有低道路摩擦力的预报。
因此,本发明提出了一种方案,使得来自连接车辆V1-n车队的数据可用于准确地和成本有效地预测用于道路网3内特定位置P1-Pn或与特定位置P1-Pn相关的道路网3部段的所关心的道路摩擦力。这基于来自连接车辆V1-n车队的车载***和传感器2的在道路网3内行进期间集成的车辆数据D1-Dn的使用与使用集成数据D1-Dn训练和验证的神经网络计算机7的结合,从而产生模型以预测将来道路摩擦力。
提出使用基于强大的输入数据预先训练好的神经网络计算机7的***用于这种道路摩擦力预测,传统的计算模型类型不足以处理和理解在庞大和可能复杂的道路网3中的道路摩擦力预测所需的大量信息。
同样,由于一些输入数据D1-Dn可能是非结构化的,因此需要新的计算模型来处理和理解它。通过例如由IBM等根据美国DARPA SyNAPSE(神经形态自适应塑性可伸缩的电子***,Systems of Neuromorphic Adaptive Plastic Scalable Electronics)项目开发的认知计算***提供这种新的计算模型。
并非被编程为预期响应于一些输入信号执行功能或任务组所需的每个可能的答案或动作,认知的计算***能够处理数据并且几乎以与人相同的方式从经验中学习。
机器学习或深入学习是通过挖掘、归纳、演绎、模拟和其它方法从已知样本数据或信息获得知识的手段和机理。神经网络计算机7基 于人工神经网络,其为意图模仿人脑结构和功能的信息处理***。
此处将描述的方案是提出使用浮动汽车数据(Floating Cars Data,简称FCD)来产生能预测道路摩擦力的模型且随后作为至模型的输入数据从而产生道路摩擦力的最新预报。
首先要描述且如图1示意性地示出的是用于预测道路摩擦力的***,其使用来自配备相应的定位***1如星载GPS(全球定位***)等和能够确定在所关心的道路摩擦力的道路网3内行进期间的多个道路摩擦力影响参数的一个或多个相应的传感器***2的连接车辆V1-n车队的数据D1-Dn。为简单起见,在图1中仅示出连接车辆V1-n车队中的一个车辆V1,其在道路网3内接近位置Pn。
连接车辆V1-n车队中每个相应的车辆包括:通信设备4,例如无线通信设备,特别是例如在蜂窝网络等等之上的数据通信设备。通信设备4被设置为与后端***5通信以连续地报告包括连接车辆在道路网3内位置P1-Pn的浮动汽车数据集D1-Dn、时间数据和关于所确定的道路摩擦力影响参数和所确定的与道路网3内所述位置P1-Pn相关的道路摩擦力的数据。实际的道路摩擦力例如可由道路车辆的牵引力控制***(未示出)确定。道路摩擦力影响参数包括但不局限于环境温度、刮水器速度、空气湿度、太阳载荷、雾灯起动。
用于预测道路摩擦力的***进一步包括位于后端***5中的中心数据库6,中心数据库6被设置为收集车队中连接车辆V1-n所报告的浮动汽车数据集D1-Dn和在中心数据库6内集成预定时段内的这种浮动汽车数据集D1-Dn系列。
位于后端***5中的中心数据库6或云/云数据库将接收来自所有连接车辆V1-n的浮动汽车数据D1-Dn流。每当连接车辆V1-n通过道路网3内任何给定道路部段或位置P1-Pn时,中心数据库6将可得到新数据,从而更新了涉及地理位置P1-Pn的当前状态数据。这样,对于道路网3内任何给定位置P1-Pn,将具有描述位置P1-Pn处不断变化的当前状态的数据D1-Dn流,例如温度、太阳负载、雨或空气湿度。毫无疑问地,这种数据流D1-Dn将是半连续的和随机的,因为它将取决于道路交通。仅当连接车辆V1-n碰巧通过与位置P1-Pn相联系的道路部段时才有新数据D1-Dn,并且数据流D1-Dn将因此是不定期的,因为连接车 辆V1-n之间的时间典型地在变化。
假定随着时间的过去,足量的连接车辆V1-n已经通过与位置P1-Pn相联系的相同道路部段并且报告不同时间、天数、星期或月的道路摩擦力影响参数和道路摩擦力检测。最终,将有这些历史数据系列的集成数据集,这些历史数据系列均与道路网3内相同位置P1-Pn或相关部段有关,并且均包括在摩擦力测量之前一些时间窗的数据。该集成数据集D1-Dn将提供用于训练和验证神经网络计算机7的足够输入,使得一旦训练和验证,其将包含将能够基于相同类型的最新输入数据(例如温度、空气湿度等等)预测将来道路摩擦力的模型。
然而,如果用于训练和验证神经网络计算机7的数据未默认被适当地结构化,则通常需要被预处理为适当的结构。在此情况下,可选的数据预处理设备10可被设置为将浮动汽车数据集D1-Dn预处理为适当的结构。
在期望间隔(例如一个小时)期间车队内通过的连接车辆V1-n的分布将随着时间而不同。换句话说,从30分钟以前直至15分钟以前可能有数十个浮动汽车数据集D1-Dn被接收,而从15分钟以前直至当前时间可能没有浮动汽车数据集D1-Dn被接收。丢失的浮动汽车数据集D1-Dn即在预定间隔期间未接收到的数据集提供了预测中的复杂情况。因而适于限定用于浮动汽车数据集D1-Dn的基准采样率(reference sampling rate),其对于每个道路部段是不同的。该基准采样率应当被设定为与通过道路部段的连接车辆V1-n的数量成正比。例如,在1小时期间假定车队内10个连接车辆V1-n通过给定部段,则数字10被称为采样率。在结构化浮动汽车数据集D1-Dn中,我们需要注意两种情况:首先是车队内的通过连接车辆V1-n的数量大于采样率;其次是车队内的通过连接车辆V1-n的数量小于采样率。后一情形被称为“丢失数据”情形。当浮动汽车数据集D1-Dn高于采样率时,我们需要降低浮动汽车数据集D1-Dn的采样,即仅等间隔地保持一些数据集,使得最后可得到的浮动汽车数据集D1-Dn数量等于采样率。这是直观的,因为收集的浮动汽车数据集D1-Dn是高度相关的。“丢失数据”情形如下所述。
对于车队内的通过连接车辆V1-n的数量少于采样率的情形来说, 以如下方式处理缺失数据。处理缺失数据的一般方法是开发使用所有其它接收的浮动汽车数据集D1-Dn填充缺失数据项的功能。基于K最近邻法(K-nearest neighbor。简称K-nn)和多层感知器估算(multi-layer perceptron imputation)的估算方法可用于设计这种功能。这种情况下,我们提出使用针对该问题非常有效的方案,其从每个浮动汽车数据集对应于来自相同参数集例如温度、太阳负载等等的测量值的观察中得到启发。如果在给定时间得不到浮动汽车数据集,我们能够使用来自邻近时间的浮动汽车数据集估算缺失数据。更确切地说,对于缺失的浮动汽车数据集的估算值被获得为给定数据集中所有可得到浮动汽车数据集D1-Dn的加权总和,其中权重被如此设定以使更高的权重与接收时间接近缺失数据的时间的浮动汽车数据集相联系。在估算了用于缺失数据的数值之后,缺失部分用估算量代替从而获得其中浮动汽车数据集D1-Dn的数量正好等于采样率的数据集。
有可能从浮动汽车数据集D1-Dn可得到的数据是异类数据是可能的,即一些项可能是实值取值而一些其它项可能仅采取离散值是可能的。温度是第一种类的一个示例,而仅能打开或关闭的刮水器状态是第二种类的一个示例。这种情况下,预处理是令数据成为异类数据所必须的,例如使得所有项具有零平均值。
在结构化所述数据后,若需要,将具有从浮动汽车数据集D1-Dn获得的输入数据。因此,神经网络计算机7被设置为使用来自车队内连接车辆V1-n的集成浮动汽车数据集D1-Dn训练和验证,从而产生基于相同类型的最新输入数据预测道路网3内特定位置P1-Pn处将来道路摩擦力的模型。
神经网络计算机7进一步被设置为一旦训练和验证则接收相同类型的最新输入数据,并且使用产生的模型预测道路网3内特定位置P1-Pn或与特定位置P1-Pn相关的道路网3部段的将来道路摩擦力。因此输出数据对应于预测的将来道路摩擦力。可能的结构化浮动汽车数据集D1-Dn和对应于预测的将来道路摩擦力的输出数据形成了输入-输出配对。
由于数据系列全部与唯一的位置P1-Pn或道路网3部段相关,因此可以理解神经网络计算机7被专门训练以预测道路网3内特定位置的 道路摩擦力。重复对每个唯一位置P1-Pn或道路部段的处理将得到能够预报整个道路网3的道路摩擦力的模型。
训练用于每个道路部段的神经网络计算机7的复杂性是最初观察到道路网3相对于许多方面如何影响道路摩擦力随着时间发展的复杂所致的。必须强调,最终设想有可能执行模型简化以基于不同道路部段之间相似性减少训练的神经网络计算机7的数量。
因此,提出的方案将提供用于道路摩擦力的预报模型而不需设计具有所有相关属性是如何影响道路网3内每个独立道路部段的道路摩擦力的预测的高级分析模型,该模型基于根据历史车辆传感器2数据预报道路摩擦力的神经网络计算机7。
要注意,神经网络计算机7的训练相对于所需的计算机程序能是相对昂贵的操作。但是,由于必须仅完成一次训练来训练神经网络计算机7,所以这不重要。一旦神经网络计算机7被训练为预测用于位置P1-Pn或道路部段的道路摩擦力,则其中最新浮动汽车数据被用于预报功能的预测操作是相对快速和便宜的。
神经网络计算机7的选定类型可能需要定期数据被用作训练的输入。在此情况下,相对较长的时段可用于提供浮动汽车数据的非周期性图案。限定用于训练神经网络计算机7的每个数据集的历史数据系列的窗口随后被分成子周期(子窗口)。要注意,相同的时段可用于所有数据集以使得可能将其组合为具有相同周期的充分数据集,从而能够训练用于道路网3内特定位置P1-Pn的神经网络计算机7。为了使浮动汽车数据的非周期性图案平顺,在实际道路摩擦力测量之前的时间窗周期内的任何浮动汽车数据将被概括为整个周期,不考虑其中数据由连接车辆V1-n测量并报告至中心数据库6的周期期间的精确时间点。要注意,这仅是如何管理非周期性浮动汽车数据以支持神经网络计算机训练的一个示例。
通过使用不同长度例如1h、3h或5h的时间窗来限定数据系列,有可能训练不同预报功能的组以产生具有不同时间范围例如1h、3h或5h的预报功能,所述不同预报功能的组都是在其中一个数据系列(例如1h、3h或5h)上训练的神经网络计算机7。
训练的神经网络计算机7也能用于提供集成包括摩擦力检测数据 的多个浮动汽车数据以估算当前道路摩擦力的功能。此处,时间窗被认为设定在更接近0h,即“当前状态的预报”。测量道路摩擦力的其它参考数据能够用于训练例如从高品质道路摩擦力测量仪器得到的摩擦数据。估算模型的一个目的是将连接车辆V1-n测量的道路摩擦力关联于更准确的摩擦测量值。通过这种训练,估算模型在基于连接车辆V1-n测量的摩擦数据的道路摩擦力估算中将变得更精确。
由于基于道路摩擦力实际测量值的当前道路摩擦力的估算值可预期更少地受到道路部段的独特和不同特性如何随着时间的流逝影响道路摩擦力的动态特性的影响,因此被训练为基于来自连接车辆V1-n的道路摩擦力测量值估算当前道路摩擦力的神经网络计算机7功能可预期更通用,即在整个道路网3上不变。因此估算功能不同于预报功能之处在于它通常适用于整个道路网3而预报功能对于与道路网3内特定位置P1-Pn相关的每个道路部段是唯一的。
根据此处一些实施例,来自连接车辆车队中每个相应车辆V1-n的浮动汽车数据集D1-Dn包括但不局限于环境温度、刮水器速度、空气湿度、太阳负载、雾灯起动和检测到的实际道路摩擦力。令浮动汽车数据集D1-Dn包括上述数据包括了从现有车辆***和传感器2容易得到的数据。
如上所述,根据此处一些实施例,通信设备4被设置为通过无线通信特别是蜂窝网络8等基础上的无线数据通信的设备与后端***5通信,如图中的折线箭头9所示。这就提供了容易得到和经过证实的通信基础设施的有效成本的使用。
根据此处实施例,在中心数据库6中集成的浮动汽车数据集D1-Dn的每个系列包括涉及道路网3内特定位置P1-Pn或与该特定位置P1-Pn相关的道路网3部段的在所报告的涉及道路网3内特定位置P1-Pn或与该特定位置P1-Pn相关的道路网3部段的确定道路摩擦力之前的特定时间窗口内的所有浮动汽车数据。因而,每当连接车辆V1-n检测到实际道路摩擦力高或低时,可能形成新建数据集,包括中心数据库6中用于道路网3内特定位置P1-Pn处和摩擦力检测之前一些限定时间窗的所有相关历史数据系列。藉此,提供了不需人力即可产生和维持描述道路网3的最新数据的有效方法。
为了提供确保用于预报考虑了道路网3内变化状况的道路摩擦力的最新模型可用性的有效方法,根据此处实施例,神经网络计算机7进一步被设置为被再训练和再验证以产生预测将来道路摩擦力的最新模型。再训练和再验证基于预定时间间隔或基于来自所述车队内连接车辆的自所述神经网络计算机先前训练和验证以来在所述中心数据库内收集和集成的预确定量的浮动汽车数据集D1-Dn的可用性的再训练频率进行。
可应用神经网络计算机7的自动再训练从而基于该道路部段的更新近数据集更新神经网络计算机7。这就使得方案适于变化的状况,例如森林随着时间的流逝长得更高故投射在道路上的阴影变得更长,这就影响了低道路摩擦力的研究。神经网络计算机7基于新建数据的再训练将适应这种变化。要注意,这种训练对于哪种状况变化了是不可知的。再训练仍能适应所述变化。这基本上不同于基于一些模型关于一个方面例如阴影是如何影响道路摩擦力的分析功能。因为假定适应变化是缓慢的过程,例如森林生长的缓慢,所以不至于过于频繁地再训练。因此,再训练神经网络计算机7的成本不是问题。
给定最新的输入数据组,令训练的神经网络计算机7计算用于道路摩擦力的预报的操作是比神经网络计算机7的训练过程快得多的操作。这是好事,因为这是重复次数比再训练多得多的操作,例如每当中心数据库6内具有新的浮动汽车数据可用时,用于该位置P1-Pn或道路网3部段的道路摩擦力预测能够被更新。
除了浮动汽车数据外,可用的天气预报可用作至道路摩擦力预测功能的输入。自然可以假定天气预报与道路摩擦力随着时间变化的紧密相关,例如正如关于温度测量的浮动汽车数据与神经网络计算机7预测相关,自然可以假定将与天气预报中的温度预测的类似地紧密相关。因此,用于训练神经网络计算机7的数据集内包括天气预报数据是有意义的。应用于提出的方案,指的是除了每当连接车辆V1-n通过位置P1-Pn或与位置P1-Pn相关的道路部段时收集的浮动汽车数据外,用于位置P1-Pn或道路部段的当前天气预报也被采样并且包括在用于训练神经网络计算机7的数据集内。
根据又一些实施例,为了附加地增加道路摩擦力预测的质量,神 经网络计算机7进一步被设置为除了使用来自所述车队内连接车辆V1-n的集成浮动汽车数据集D1-Dn外、还使用所述道路网3内特定位置P1-Pn处或所述道路网3与该特定位置P1-Pn相关的部段处与时间相关的天气预报数据来训练和验证以产生预测所述道路网3内特定位置P1-Pn处的将来道路摩擦力的模型。
但是,人们注意到天气预报并不总是正确的。实际的将来天气其实不同于预报的将来天气。由于神经网络计算机7的所有训练基于“历史数据”完成,因此采样的“历史天气预报”可被实际天气所替代,因为在训练时这已经是已知的了。因为作为用于神经网络计算机7训练的输入的数据集包括在摩擦力检测数据的时间终止的时间窗上的数据,因此描述在时间窗期间实际天气的浮动汽车数据将是已知的,例如被测量和采样道路摩擦力的相同连接车辆采样为浮动汽车数据,如环境温度和刮水器速度。该策略可消除错误历史天气预报对神经网络计算机7训练的噪音。但是,该策略明显不能消除与最新预报之间的误差。如果天气预报的误差预期是***化的(通常情况不是这样),则明智的是让预报误差仍然留在训练数据中即不用正确的实际天气数据替代它,从而神经网络计算机7被训练为补偿这种***化的误差天气预报。
因而,为了进一步增加道路摩擦力预测的质量,此处根据又一个实施例,指出神经网络计算机7进一步被设置为除了使用来自所述车队内连接车辆V1-n的集成浮动汽车数据集D1-Dn外、还使用所述道路网3内特定位置P1-Pn处或所述道路网3与该特定位置P1-Pn相关的部段处与时间相关的实际天气数据来训练和验证以产生预测所述道路网3内特定位置P1-Pn处的将来道路摩擦力的模型。
此外,本发明也提出了用于更准确地预测道路网3内道路摩擦力的改进方法。这可通过一种用于预测道路摩擦力的方法来提供,其将在下文中参照图1的示意图更详细地描述。所述方法依赖于使用来自配备相应定位***1和在对道路摩擦力感兴趣的道路网3内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***2的连接车辆的车队的数据,其中所述方法包括:
连接车辆V1-n的车队内每个相应车辆使用通信设备4与后端***5通信以连续地报告浮动汽车数据集D1-Dn,所述浮动汽车数据集D1-Dn包括所述道路网3内所述连接车辆的位置P1-Pn、时间数据以及关于所确定的道路摩擦力影响参数和有关所述道路网3内该位置P1-Pn的确定道路摩擦力的数据;
并且其中所述方法进一步包括:
将所述车队内连接车辆V1-n所报告的浮动汽车数据集D1-Dn收集在位于所述后端***5中的中心数据库6内并且在所述中心数据库6内集成预定时段内这种浮动汽车数据集D1-Dn的系列;并且
使用来自所述车队内连接车辆V1-n的所集成的浮动汽车数据集D1-Dn训练和验证神经网络计算机7以产生基于相同类型的最新输入数据预测所述道路网3内特定位置P1-Pn处将来道路摩擦力的模型;并且
可选的,如果用于训练和验证所述神经网络计算机的数据未默认被适当地结构化,则将所述浮动汽车数据集预处理为适当的结构;并且
将所训练和验证的神经网络计算机7设置为接收相同类型的最新输入数据,并且使用所产生的模型预测所述道路网3内特定位置P1-Pn或与该特定位置P1-Pn相关的所述道路网3部段的将来道路摩擦力。
根据一些实施例,所述方法进一步包括在连接车辆V1-n车队中每个相应车辆的浮动汽车数据集D1-Dn中至少包括环境温度、刮水器速度、空气湿度、太阳负载、雾灯起动和检测到的实际道路摩擦力。这就涵盖了从现有车辆***和传感器2容易得到的数据。
更进一步地,根据一些实施例,所述方法进一步包括将通信设备4设置为通过无线通信特别是蜂窝网络8等基础上的无线数据通信的设备与后端***通信,如图中的虚线箭头所示。这就提供了容易得到和经过证实的通信基础设施的有效成本的使用。
为了有效地、不需人力地产生和维持描述道路网3的最新数据,根据此处的又一些实施例,提供的方法进一步包括在中心数据库6内集成的浮动汽车数据集D1-Dn的每个系列包括涉及在所述道路网3内特定位置P1-Pn或所述道路网3与该特定位置P1-Pn相关的部段的在所报告的涉及所述道路网3内特定位置P1-Pn或所述道路网3的与该特定位置P1-Pn相关的部段的确定道路摩擦力之前的特定时间窗内的所有 浮动汽车数据。
提供了确保用于预报考虑了道路网3内变化状况的道路摩擦力的最新模型可用性的有效方法,根据此处又一些实施例,所述方法进一步包括将神经网络计算机7进一步设置为以基于预定时间间隔或基于来自所述车队内连接车辆V1-n的自所述神经网络计算机7先前训练和验证以来在所述中心数据库6内收集和集成的预确定量的浮动汽车数据集D1-Dn的可用性的再训练频率再训练和再验证以产生预测将来道路摩擦力的最新模型。
提供了附加地增加道路摩擦力预测质量的方法的实施例,进一步包括将神经网络计算机7设置为除了使用来自所述车队内连接车辆V1-n的集成浮动汽车数据集D1-Dn外、还使用所述道路网3内特定位置P1-Pn处或所述道路网3与该特定位置P1-Pn相关的部段处与时间相关的天气预报数据来训练和验证,以产生预测所述道路网3内特定位置P1-Pn处将来道路摩擦力的模型。
为了进一步增加道路摩擦力预测的质量,此处的一些实施例提供的方法进一步包括将神经网络计算机7设置为除了使用来自所述车队内连接车辆V1-n的集成浮动汽车数据集D1-Dn外、还使用所述道路网3内特定位置P1-Pn处或所述道路网3与该特定位置P1-Pn相关的部段处与时间相关的实际天气数据来训练和验证,以产生预测所述道路网3内特定位置P1-Pn处将来道路摩擦力的模型。
最后,本发明还提出如图2示意性示出的适于形成连接车辆V1-n车队的一部分的连接车辆V1,连接车辆V1配备定位***1和在对道路摩擦力感兴趣的道路网3内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***2。连接车辆V1包括通信设备4,通信设备4被设置为与后端***5通信以连续地报告浮动汽车数据集D1-Dn,浮动汽车数据集D1-Dn包括道路网3内连接车辆V1的位置P1-Pn、时间数据和关于所确定的道路摩擦力影响参数和与道路网3内位置P1-Pn相关的所确定道路摩擦力的数据。
上述车辆V1能够以有效的方式不需人力就获得和更新描述道路网3的数据,该数据对于形成和验证预测道路摩擦力的模型从而用于根据此处所述预测道路摩擦力的所述***的实施例和如此处所述预测 道路摩擦力的方法的实施例是有用的。
上述实施例可在以下权利要求的范围内变化。
因而,虽然已经示出和描述并指出此处实施例的基本新特征,很清楚本领域技术人员可对所示装置的外形和细节及其操作做出各种省略、和置换以及改变。例如,明确地提出以基本上相同的方式基本上完成相同功能以获得相同结果的那些元件和/或方法步骤的所有组合是等效的。此外,应当认识到与此处任何公开的外形或实施例相关的所示和/或所述的结构和/或元件和/或方法步骤可与任何其它公开或描述或建议的外形或实施例结合,这是常规的设计选择。
Claims (15)
1.一种使用来自配备相应定位***(1)和在对道路摩擦力感兴趣的道路网(3)内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***(2)的连接车辆(V1-n)的车队的数据来预测所述道路摩擦力的***,其特征在于,所述连接车辆V1-n的车队中每个相应的车辆包括:
通信设备(4),被设置为与后端***(5)通信以连续地报告浮动汽车数据集(D1-Dn),所述浮动汽车数据集(D1-Dn)包括所述道路网(3)内连接车辆的位置(P1-Pn)、时间数据以及关于所确定的道路摩擦力影响参数和有关所述道路网(3)内位置(P1-Pn)的确定道路摩擦力的数据;并且
用于预测道路摩擦力的所述***进一步包括:
位于所述后端***(5)中的中心数据库(6),被设置为收集所述车队内的连接车辆(V1-n)所报告的浮动汽车数据集(D1-Dn)和在所述中心数据库(6)内集成预定时段内这种浮动汽车数据集(D1-Dn)的系列;以及
神经网络计算机(7),被设置为使用来自所述车队内连接车辆(V1-n)的集成浮动汽车数据集(D1-Dn)被训练和验证以产生基于相同类型的最新输入数据预测所述道路网(3)内特定位置(P1-Pn)处将来道路摩擦力的模型;以及
可选数据预处理设备(10),被设置为如果用于训练和验证所述神经网络计算机(7)的数据没有被默认适当地结构化,则将所述浮动汽车数据集(D1-Dn)预处理为适当的结构;
所述神经网络计算机(7)进一步被设置为一旦被训练和验证,则接收相同类型的最新输入数据并且使用所产生的模型预测所述道路网(3)内特定位置(P1-Pn)或所述道路网(3)的与该特定位置(P1-Pn)相关的部段的将来道路摩擦力。
2.根据权利要求1所述的***,其特征在于:来自所述连接车辆(V1-n)的车队的每个相应车辆的所述浮动汽车数据集(D1-Dn)包括但不局限于环境温度、刮水器速度、空气湿度、太阳载荷、雾灯起动和检测到的实际道路摩擦力。
3.根据权利要求1到2任意一项所述的***,其特征在于:所述通信设备(4)被设置为通过用于无线通信特别是基于蜂窝网络等等的无线数据通信的设备与所述后端***(5)通信。
4.根据权利要求1-3任意一项所述的***,其特征在于:在所述中心数据库(6)内集成的浮动汽车数据集(D1-Dn)的每个系列包括涉及在所述道路网(3)内特定位置(P1-Pn)或所述道路网(3)与该特定位置(P1-Pn)相关的部段的在所报告的涉及所述道路网(3)内特定位置(P1-Pn)或所述道路网(3)的与该特定位置(P1-Pn)相关的部段的确定道路摩擦力之前的特定时间窗内的所有浮动汽车数据。
5.根据权利要求1-4任意一项所述的***,其特征在于:所述神经网络计算机(7)进一步被设置为以基于预定时间间隔或基于来自所述车队内连接车辆(V1-n)的自所述神经网络计算机(7)先前训练和验证以来在所述中心数据库(6)内收集和集成的预确定量的浮动汽车数据集(D1-Dn)的可用性的再训练频率再训练和再验证以产生预测将来道路摩擦力的最新模型。
6.根据权利要求1-5任意一项所述的***,其特征在于:所述神经网络计算机(7)进一步被设置为除了使用来自所述车队内连接车辆(V1-n)的集成浮动汽车数据集(D1-Dn)外、还使用所述道路网(3)内特定位置(P1-Pn)处或所述道路网(3)与该特定位置(P1-Pn)相关的部段处与时间相关的天气预报数据来训练和验证,以产生预测所述道路网(3)内特定位置(P1-Pn)处将来道路摩擦力的模型。
7.根据权利要求1-5任意一项所述的***,其特征在于:所述神经网络计算机(7)进一步被设置为除了使用来自所述车队内连接车辆(V1-n)的集成浮动汽车数据集(D1-Dn)外、还使用所述道路网(3)内特定位置(P1-Pn)处或所述道路网(3)与该特定位置(P1-Pn)相关的部段处与时间相关的实际天气数据来训练和验证,以产生预测所述道路网(3)内特定位置(P1-Pn)处将来道路摩擦力的模型。
8.一种使用来自配备相应定位***(1)和对道路摩擦力感兴趣的道路网(3)内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***(2)的连接车辆(V1-n)的车队的数据来预测所述道路摩擦力的方法,其特征在于,所述方法包括:
连接车辆(V1-n)的车队内每个相应车辆使用通信设备(4)与后端***(5)通信以连续地报告浮动汽车数据集(D1-Dn),所述浮动汽车数据集(D1-Dn)包括所述道路网(3)内所述连接车辆的位置(P1-Pn)、时间数据以及关于所确定的道路摩擦力影响参数和有关所述道路网(3)内该位置(P1-Pn)的确定道路摩擦力的数据;并且
所述方法包括:
将所述车队内连接车辆(V1-n)所报告的浮动汽车数据集(D1-Dn)收集在位于所述后端***(5)中的中心数据库(6)内并且在所述中心数据库(6)内集成预定时段内这种浮动汽车数据集(D1-Dn)的系列;并且
使用来自所述车队内连接车辆(V1-n)的所集成的浮动汽车数据集(D1-Dn)训练和验证神经网络计算机(7)以产生基于相同类型的最新输入数据预测所述道路网(3)内特定位置(P1-Pn)处将来道路摩擦力的模型;并且
如果用于训练和验证所述神经网络计算机的数据未默认被适当地结构化,则将所述浮动汽车数据集预处理为适当的结构;并且
将所训练和验证的神经网络计算机(7)设置为接收相同类型的最新输入数据,并且使用所产生的模型预测所述道路网(3)内特定位置(P1-Pn)或与该特定位置(P1-Pn)相关的所述道路网(3)部段的将来道路摩擦力。
9.根据权利要求8所述的方法,其特征在于它进一步包括:来自所述连接车辆(V1-n)的车队的每个相应车辆的所述浮动汽车数据集(D1-Dn)至少包括环境温度、刮水器速度、空气湿度、太阳载荷、雾灯起动和检测到的实际道路摩擦力。
10.根据权利要求8-9任意一项所述的方法,其特征在于它进一步包括:将所述通信设备(4)设置为通过用于无线通信特别是基于蜂窝网络等等的无线数据通信的设备与所述后端***(5)通信。
11.根据权利要求8-10任意一项所述的方法,其特征在于它进一步包括:在所述中心数据库(6)内集成的浮动汽车数据集(D1-Dn)的每个系列包括涉及在所述道路网(3)内特定位置(P1-Pn)或所述道路网(3)与该特定位置(P1-Pn)相关的部段的在所报告的涉及所述道路网(3)内特定位置(P1-Pn)或所述道路网(3)的与该特定位置(P1-Pn)相关的部段的确定道路摩擦力之前的特定时间窗内的所有浮动汽车数据。
12.根据权利要求8-11任意一项所述的方法,其特征在于它进一步包括:所述神经网络计算机(7)被设置以基于预定时间间隔或基于来自所述车队内连接车辆(V1-n)的自所述神经网络计算机(7)先前训练和验证以来在所述中心数据库(6)内收集和集成的预确定量的浮动汽车数据集(D1-Dn)的可用性的再训练频率再训练和再验证以产生预测将来道路摩擦力的最新模型。
13.根据权利要求8-12任意一项所述的方法,其特征在于它进一步包括:所述神经网络计算机(7)进一步被设置为除了使用来自所述车队内连接车辆(V1-n)的集成浮动汽车数据集外、还使用所述道路网内特定位置处或所述道路网与该特定位置相关的部段处与时间相关的天气预报数据来训练和验证,以产生预测所述道路网内特定位置处将来道路摩擦力的模型。
14.根据权利要求8-12任意一项所述的方法,其特征在于它进一步包括:所述神经网络计算机(7)进一步被设置为除了使用来自所述车队内连接车辆(V1-n)的集成浮动汽车数据集(D1-Dn)外、还使用所述道路网(3)内特定位置(P1-Pn)处或所述道路网(3)与该特定位置(P1-Pn)相关的部段处与时间相关的实际天气数据来训练和验证,以产生预测所述道路网(3)内特定位置(P1-Pn)处将来道路摩擦力的模型。
15.一种连接车辆(V1),适于形成连接车辆(V1-n)的车队的一部分,所述连接车辆(V1)配备定位***(1)和在对道路摩擦力感兴趣的道路网(3)内行进期间能够确定多个道路摩擦力影响参数的一个或多个相应的传感器***(2),其特征在于,它包括:
通信设备(4),被设置为与后端***(5)通信以连续地报告浮动汽车数据集(D1-Dn),所述浮动汽车数据集(D1-Dn)包括所述道路网(3)内连接车辆的位置(P1-Pn)、时间数据以及关于所确定的道路摩擦力影响参数和有关所述道路网(3)内位置(P1-Pn)的确定道路摩擦力的数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16155263.3 | 2016-02-11 | ||
EP16155263.3A EP3206411B1 (en) | 2016-02-11 | 2016-02-11 | Arrangement and method for predicting road friction within a road network |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107066682A true CN107066682A (zh) | 2017-08-18 |
CN107066682B CN107066682B (zh) | 2022-05-03 |
Family
ID=55357892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710076895.0A Active CN107066682B (zh) | 2016-02-11 | 2017-02-13 | 用于预测道路网内道路摩擦力的设备和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10936940B2 (zh) |
EP (1) | EP3206411B1 (zh) |
CN (1) | CN107066682B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108633A (zh) * | 2019-04-26 | 2019-08-09 | 辽宁工程技术大学 | 一种矿井通风摩擦阻力系数测定的方法 |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657266B2 (en) | 2018-11-16 | 2023-05-23 | Honda Motor Co., Ltd. | Cooperative multi-goal, multi-agent, multi-stage reinforcement learning |
US11093829B2 (en) * | 2017-10-12 | 2021-08-17 | Honda Motor Co., Ltd. | Interaction-aware decision making |
KR102406522B1 (ko) * | 2017-12-12 | 2022-06-10 | 현대자동차주식회사 | 기상 환경 기반 군집 주행 제어 장치, 그를 포함한 시스템 및 그 방법 |
US10762399B2 (en) | 2017-12-18 | 2020-09-01 | Ford Global Technologies, Llc | Using deep video frame prediction for training a controller of an autonomous vehicle |
EP3514494A1 (en) * | 2018-01-19 | 2019-07-24 | Zenuity AB | Constructing and updating a behavioral layer of a multi layered road network high definition digital map |
DE102018217192A1 (de) * | 2018-10-09 | 2020-04-09 | Robert Bosch Gmbh | Verfahren und System zum Bereitstellen einer Reibwertinformation an ein Fahrzeug |
DE102018217193A1 (de) * | 2018-10-09 | 2020-04-09 | Robert Bosch Gmbh | Verfahren und System zum Bereitstellen eines Reibwerts an ein Fahrzeug |
US11440543B2 (en) * | 2019-01-24 | 2022-09-13 | The Regents Of Hte University Of Michigan | Prefix-based bounded-error estimation with intermittent observations |
DE102020113937A1 (de) * | 2019-05-27 | 2020-12-03 | Jtekt Corporation | System zur Bestimmung eines Reifenzustands |
CN112537314A (zh) * | 2019-09-20 | 2021-03-23 | 大陆汽车有限公司 | 用于确定湿路状况的***和方法 |
US11250703B2 (en) * | 2019-09-25 | 2022-02-15 | GM Cruise Holdings, LLC | Highly localized weather data recorded by vehicles in a fleet |
FR3103303B1 (fr) | 2019-11-14 | 2022-07-22 | Continental Automotive | Détermination d’un coefficient de friction pour un véhicule sur une route |
EP3967565B1 (en) * | 2020-09-14 | 2022-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for estimating an environmental condition |
CN114283606A (zh) * | 2020-09-27 | 2022-04-05 | 阿波罗智联(北京)科技有限公司 | 用于车辆导航的方法、装置、设备、***和云控平台 |
DE102020006267A1 (de) * | 2020-10-12 | 2022-04-14 | Daimler Ag | Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, sowie kraftfahrzeugexterne elektronische Recheneinrichtung |
CN112329106A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 道路安全设计方法、***、计算机设备和可读存储介质 |
US20220207348A1 (en) * | 2020-12-29 | 2022-06-30 | Ford Global Technologies, Llc | Real-time neural network retraining |
FR3127065B1 (fr) * | 2021-09-13 | 2023-08-04 | Continental Automotive | Procédé de prédiction d’une condition météo de surface d’un segment routier |
FR3130431B1 (fr) * | 2021-12-14 | 2023-11-24 | Continental Automotive Gmbh | Procédé de prédiction d’une condition de surface d’un segment routier |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7248958B2 (en) * | 2002-11-08 | 2007-07-24 | Kabushiki Kaisha Toyota Chuo Kenkyusho | Road surface state estimating apparatus, road surface friction state estimating apparatus, road surface state physical quantity calculating apparatus, and road surface state announcing apparatus |
US20080030370A1 (en) * | 2006-08-02 | 2008-02-07 | Doyle Marquis D | Method and apparatus for obtaining weather information from road-going vehicles |
WO2010019045A1 (en) * | 2008-08-14 | 2010-02-18 | Modulprodukter As | System for automatic warning and/or braking in a vehicle |
US20110043377A1 (en) * | 2009-08-24 | 2011-02-24 | Navteq North America, Llc | Providing Driving Condition Alerts Using Road Attribute Data |
WO2013173911A1 (en) * | 2012-05-23 | 2013-11-28 | Omer Raqib | Road surface condition classification method and system |
EP2757539A1 (en) * | 2013-01-22 | 2014-07-23 | RoadIT AB | A method and an arrangement for collecting and processing data related to road status |
US9187099B2 (en) * | 2013-10-17 | 2015-11-17 | Richard M. Powers | Systems and methods for predicting weather performance for a vehicle |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012014457A1 (de) * | 2012-07-21 | 2014-01-23 | Audi Ag | Verfahren zum Betreiben eines Kraftfahrzeugs und Kraftfahrzeug |
-
2016
- 2016-02-11 EP EP16155263.3A patent/EP3206411B1/en active Active
-
2017
- 2017-02-03 US US15/424,246 patent/US10936940B2/en active Active
- 2017-02-13 CN CN201710076895.0A patent/CN107066682B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7248958B2 (en) * | 2002-11-08 | 2007-07-24 | Kabushiki Kaisha Toyota Chuo Kenkyusho | Road surface state estimating apparatus, road surface friction state estimating apparatus, road surface state physical quantity calculating apparatus, and road surface state announcing apparatus |
US20080030370A1 (en) * | 2006-08-02 | 2008-02-07 | Doyle Marquis D | Method and apparatus for obtaining weather information from road-going vehicles |
WO2010019045A1 (en) * | 2008-08-14 | 2010-02-18 | Modulprodukter As | System for automatic warning and/or braking in a vehicle |
US20110043377A1 (en) * | 2009-08-24 | 2011-02-24 | Navteq North America, Llc | Providing Driving Condition Alerts Using Road Attribute Data |
WO2013173911A1 (en) * | 2012-05-23 | 2013-11-28 | Omer Raqib | Road surface condition classification method and system |
EP2757539A1 (en) * | 2013-01-22 | 2014-07-23 | RoadIT AB | A method and an arrangement for collecting and processing data related to road status |
US9187099B2 (en) * | 2013-10-17 | 2015-11-17 | Richard M. Powers | Systems and methods for predicting weather performance for a vehicle |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108633A (zh) * | 2019-04-26 | 2019-08-09 | 辽宁工程技术大学 | 一种矿井通风摩擦阻力系数测定的方法 |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
CN110910531B (zh) * | 2019-10-21 | 2020-10-20 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20170236052A1 (en) | 2017-08-17 |
US10936940B2 (en) | 2021-03-02 |
EP3206411B1 (en) | 2020-10-07 |
CN107066682B (zh) | 2022-05-03 |
EP3206411A1 (en) | 2017-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066682A (zh) | 用于预测道路网内道路摩擦力的设备和方法 | |
CN105139086B (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
CN102737510B (zh) | 一种基于移动智能终端的实时交通路况采集方法 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测*** | |
CN109997179A (zh) | 一种非等距时空划分的道路交通异常检测方法 | |
CN112669594B (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
CN104408915B (zh) | 一种交通状态参数的估计方法和*** | |
Ullo et al. | Application of wireless sensor networks to environmental monitoring for sustainable mobility | |
CN108734958B (zh) | 一种交通速度预测方法 | |
CN118025203A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及*** | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN110910531A (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
He | Research based on high-fidelity NGSIM vehicle trajectory datasets: A review | |
CN103310637B (zh) | 基于车载数据的公交车速度获取装置及方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
WO2017105333A1 (en) | Method and system for assessing the trip performance of a driver | |
Khavas et al. | Identifying parameters for microsimulation modeling of traffic in inclement weather | |
EP3391302B1 (en) | Method and system for assessing the trip performance of a driver | |
EP4081835B1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
Gallo et al. | An artificial neural network approach for spatially extending road traffic monitoring measures | |
CN116202575B (zh) | 一种水土保持土壤流失率监测***及方法 | |
CN115993077B (zh) | 复杂路况运输情况下惯导***优选决策方法及*** | |
CN112100721A (zh) | 基于移动群智感知和深度学习的桥梁结构模态识别方法 | |
CN113344759B (zh) | 一种移动源污染排放的分析方法 | |
CN114495486A (zh) | 一种基于层次强化学习的微观交通流预测***及方法 |
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 |