CN108573600A - 一种驾驶员行为诱导与局部交通流优化方法 - Google Patents
一种驾驶员行为诱导与局部交通流优化方法 Download PDFInfo
- Publication number
- CN108573600A CN108573600A CN201710164779.4A CN201710164779A CN108573600A CN 108573600 A CN108573600 A CN 108573600A CN 201710164779 A CN201710164779 A CN 201710164779A CN 108573600 A CN108573600 A CN 108573600A
- Authority
- CN
- China
- Prior art keywords
- driver
- vehicle
- driving
- parameter
- flow
- 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
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多车纵向跟驰状态下的局部交通流优化***。首先采用最小二乘法识别驾驶员性格参数,并将驾驶员分为激进型、稳重型、保守型三类,然后标定稳重型驾驶员的驾驶行为作为良好跟驰参照。再次通过二分法获取驾驶员接受建议的尺度,并提醒驾驶员改进跟驰行为,从而引导驾驶员一步步的形成良好的驾驶习惯。本发明基于不同性格驾驶员其跟驰风格不同,同时针对特定的驾驶员提出其可以接受的驾驶建议尺度,建议驾驶员保持正常的驾驶建议,通过微观上改善驾驶员的驾驶行为,从而宏观上优化局部地区的交通流。
Description
技术领域
本发明属于公共交通技术领域,尤其涉及一种面向局部交通流的多车纵向跟驰技术。本发明通过对存储在云端的不同性格类别驾驶员及不同车型车辆的历史行驶数据进行学习,提出一种局部地区交通流优化方法,适用于车流经常出现走走停停的拥堵的路段。
背景技术
随着经济社会持续快速发展,中国汽车保有量继续呈快速增长趋势。与此同时,随着城市的发展,局部地区(长江大桥、城市隧道等)道路交通拥堵情况仍然十分严峻。
基于此,急需要开展局部地区交通流优化研究。由于驾驶员的性格不同,车辆的类型不同,其驾驶汽车表现的风格不同,如车型(大型车、中型车、小型车)相同的条件(前车与后车的车型固定)下,后车驾驶员类型:激进型驾驶员表现出过近跟车,频繁的加减速;而保守型驾驶员为避免碰撞,表现出过远跟车;前车运行状态相同工况(前车的速度与时间关系)下,小型车跟随小型车时其保持较近的车间距,而小型车跟随大型车则会保持相对较大的车间距。不论是过远还是过近,这都对交通流造成不良影响如降低道路交通通行量,造成走走停停的交通流,甚至会导致大面积拥堵的形成。
随着自动驾驶汽车智能化技术的发展,自动驾驶汽车不仅可以共享道路交通信息,而且还能自我学习。但是其忽略了驾驶人针对特定车型的驾驶风格。不能保证驾驶人的个性化需求和用户体验指数,仅仅把驾驶员当做乘客,驾驶员没有获得参与感。
为了充分利用汽车行驶数据和提高驾驶员的感知度与局部地区交通流优化效果。自车的类型与历史驾驶数据与特定路段历史交通流数据可以保存到云端服务器,并且可以被其他车辆驾驶员获取。通过自车的历史驾驶数据学习得到自车驾驶员的性格参数,通过统计特定路段历史交通流数据得到特定时段交通流的基准预测模型及车辆型号与驾驶员性格类型的分配比例,进而提供相应的可以接受的改进建议,通过算法实现最大通行量或者最低燃油排放等的最优解。从而缓解局部地区的拥堵,提高道路通行能力。
发明内容
为了有效的识别特定类型车辆的驾驶员性格参数(跟驰车间距与跟驰速度),本文通过前导车与跟随车的驾驶员类型-车辆类型(人车匹配)历史行驶数据和道路信息学习,获取特定道路环境下,特定车型下特定性格类型的驾驶员的驾驶习惯,即车型-驾驶员性格参数。结合当前的道路环境信息,提取云端相似的道路环境(坡度、光线强度等)与前导车行驶状态,模拟其车型对应的驾驶员面对相似情况下的驾驶操作。并通过算法提取相同车辆-环境下历史行驶数据中最优的(车速波动最小或油耗最少等)跟驰方式并分析其车辆-驾驶员性格参数,将作为其良好跟驰参照。同类型车辆-环境条件下,设定最优驾驶性格参数。对比后车驾驶员的驾驶性格参数与最优驾驶性格参数,通过动态二分法设定后车驾驶员可以接受的驾驶性格参数作为参照,并依据此参照提供相应的驾驶建议来优化跟随车驾驶员的驾驶行为,通过此方法优化车流中的驾驶员的驾驶行为,从而达到对车流中的每位驾驶员提供可以接受的驾驶建议,最终达到优化局部地区交通流的目的。
本发明通过如下技术方案来实现的。
面向局部地区交通流优化的多车纵向跟驰方法,本发明特征在于:采用如下步骤:
1)、特定类型车辆-特定类型驾驶员性格参数获取
通过上传至云端的每辆车的历史交通数据,删选出跟驰状态(即前方车道有车,跟随车跟随前车行驶状态)中的交通流信息,获取到的跟驰车间距sd与跟驰速度vf,依据公式sd=λvf+L通过最小二乘法,获取时间距λ与停车距离L,通过跟驰时间距与停车距将每辆车对应的驾驶员性格进行分类,λ与L即为驾驶员性格参数,最终得到特定跟车环境下的综合参数,Yn={An,1,An,2,An,3,An,4},Yn表示车队中第n车的综合参数,其中An,1表示车队中第n辆车行驶工况(即汽车的速度时间关系),An,2表示第n辆车的型号(分为大中小型车),An,3表示第n辆车驾驶员对应的驾驶性格参数,An,4表示驾驶员所在的道路环境信息。通过获取第n-1车(前导车)与第n车(跟驰车)的综合参数,从交通历史数据中删选出第n-1车参数一致的Yn-1与除驾驶员性格参数不同的外其他完全一致的Yn,对比跟随车的速度波动性,跟随性最好,选择速度波动性最小的驾驶员的性格参数最为最优驾驶员参照,如附图3。
2)设定驾驶风格参数归一化参照表与动态良好驾驶风格参数
针对前导车车型与驾驶员性格参数以及前车工况确定的前提下,从历史交通数据中提取满足其前导车的相应的同类车型(大中小型)的跟驰车的不同驾驶风格的驾驶员驾驶参数,并将其进行归一化处理。通过标定的驾驶员性格参数与最优驾驶员性格参数,采用动态二分法确定驾驶员可以接受的矫正驾驶性格参数,其具体措施如下:
首先,选取驾驶员自身的驾驶性格参数与最优驾驶员性格参数取中值,作为良好驾驶建议的性格参数,并依据此提供相应的驾驶建议,当驾驶员愿意接受建议且无不良抵触情绪,则将其作为良好驾驶建议参数;若其抵触提供的驾驶建议则在此基础上重新计算良好驾驶员性格参数,此时新的驾驶员性格参数为自身驾驶参数与先前的良好驾驶参数的中值,依次计算直达驾驶员愿意接受驾驶建议为止,最后算出其良好驾驶参数值,如附图4。
3)基于良好驾驶员参数建议条件下的局部交通流优化
当出现走走停停的交通流状态时,驾驶员通过良好驾驶参数对比自己的驾驶行为是否符合要求,当不符合要求时,提供相应的驾驶建议建议其保持良好的驾驶行为。如激进型驾驶员,当判定过分激进时,建议其保持适当车间距行驶,即缓解驾驶过程中激进型驾驶员速度的波动性;如保守型驾驶员,当判定过远跟车时,建议其适当减小跟车车间距,即增大车流单位时间通行量,从而缓解局部地区走走停停交通流。同时,通过云端可以知晓各车道驾驶员归一化性格参数的所占比重,如:某一车道激进型驾驶员所占比重过大,而另外一车道保守型驾驶员所占比重较大,这都不利于交通流的正常运作。可以适当建议驾驶员换道,保证各车道驾驶员性格类型合理分配,从而优化交通流。其车道中人-车特性的具体排序与分配方法如下:把驾驶员看做物体,其驾驶性格特性看做物体的磁性特性,其中激进型驾驶员磁性为N,保守型驾驶员磁性为S,稳重型驾驶员为中性(无磁性)。且排斥力的大小与同种性格驾驶员连续排在一起的数量以及车型有关,即当同种性格类型的驾驶员连续排在一起的数量越多,其排斥力的大小就会呈几何倍数增加;且当同种车型且驾驶员性格相同时的汽车排在一起时,其斥力大小排序最大为大型车,然后是中型车,最后是小型车。排斥力大的车辆之间优先***相反磁性的车辆,当相反磁性的车辆排序完成后,然后是磁性为中性的驾驶员***到为排斥力的车辆之间,从而完成排序。
其具体车辆排序实施方案如下,如图5所示为同向两车道中处于跟驰状态的车流。其中AB中第一位数为车型,其中A表示大型车,B表示中型车,C表示小型车;第二位数表示驾驶员性格类型,A表示激进型,B表示稳重型,C表示保守型。如CC表示保守型驾驶员驾驶小型车。由于汽车与云平台可以相互通信,云平台可以知晓每辆车其周围车辆驾驶员的性格类型,从而可以得到车辆之间的力的特性与大小;F(x,y,z,v)其中x表示力的性质是引力还是斥力;y表示力的大小,其与同性格类型的驾驶员连续排列的数量有关,其力的大小为an,其中a为力的常数,a大于1,n为同种性格驾驶员连续排队的数量;z表示周围可以调节的资源,即旁边车道中可以换道的驾驶员性格类型,用来降低现有车辆之间的斥力大小,从而避免同种性格驾驶员的过长连续排列在同一车道,造成如很多激进型驾驶员排列在一起,当前车以较大的速度减速时,后车以更大的速度减速,最终导致某辆车出现停车的现象的牛鞭效应;v表示允许同种性格驾驶员连续排列的最大数,其与性格类型驾驶员占比以及驾驶员总数有关,当某种性格驾驶员占比为h,其驾驶员总数为g,则v的值为1/h,v向上取整,保证不会同类型驾驶员性格类型不会过多集中。通过此方式,从而降低交通流的速度波动性。如附图5,车道中车辆排序规则图,其中右车道中前面两车(AA、BA)的驾驶员性格类型为激进型,而左车道中第一辆车驾驶员为保守型,第二辆车为稳重型。当云平台通过算法发现右车道前两辆车表现为斥力,而其旁边的车道有异性特性的车辆,由于引力的作用,提出建议,建议左车道中的保守型驾驶员换道进入右车道中,行驶在两车之间。从而避免同性格类型驾驶员过多的集中排序在一起。
附图说明
图1为多车纵向跟驰模型
图2为驾驶员性格参数归一化
图3驾驶员良好驾驶行为参照形成流程图
图4二分法获取驾驶员可以接受的良好驾驶行为建议参数
图5车道中车辆排序规则图
具体实施方式
以下结合附图对本发明作进一步说明。
本发明专利为局部地区交通流优化,现以长江大桥作为优化路段。当该路段出现走走停停的交通流现象时,且前后车辆相互呈现跟随状态。首先通过GPS信息,可以生成历史交通数据库。历史交通数据库包含每辆车的历史行驶记录,通过提取跟驰车与对应的前导车两者的跟随状态的行驶数据,从中通过最小二乘法可以辨识出跟驰车的驾驶风格特性,从而可以将其归类,得到驾驶该车的常见几位驾驶人的各自的驾驶特性。从而进行驾驶参数的标示。并通过当前的驾驶风格,进行驾驶员驾驶参数匹配,从而获得处于长江大桥上的车辆的类型-驾驶员性格参数的人车特性;通过图2中的归一化操作,将驾驶员进行参数定位,通过图4中的二分法获得驾驶员可以接受的驾驶建议的驾驶参数(跟车间距与跟车速度之间的关系),以此作为良好跟车的标准。当其驾驶判定为不良跟车时,提醒驾驶员采用正确的驾驶参数驾驶。此方式可以在保证驾驶员的驾驶体验的前提下,减少车流波动性,从而优化交通流。同时,日积月累后,较少出现驾驶提醒与建议,则认为驾驶员形成了此阶段的驾驶参数塑造,同时重新设置新的驾驶员可以接受的良好跟车标准,再次进行相应的提醒建议。逐步的让驾驶员朝着最优驾驶的驾驶参数方向靠近,一步一步的优化驾驶操作。
通过历史交通数据,提取出运行在长江大桥上的历史交通数据,通过统计软件可以分析出长江大桥上的周一至周五,周六周日、节假日等的各时段的不同天气状态下交通流运行的普遍规律,从而生成基准预测模型,即已知时段、天气状态下交通流的大致运行情况。通过引入残差来标示具体时刻对应的交通流与基准预测模型的偏差。从基准模型中提取组成交通流中车型-驾驶员驾驶参数的分配比例(即大型车的激进型驾驶员、小型车的保守驾驶员等各种人-车特性所占比例),此比例一般在确定的某一范围内。在已知长江大桥中的人-车特性与各驾驶员可以接受建议的驾驶参数(跟驰车间距与跟驰速度特性)情况下,模拟仿真可以得到优化后的车流运行状态。对于多车道,假使左车道中全为大车型-保守型驾驶员,右车道中全为小型车-激进型驾驶员。由于左车道中车辆明明可以保持较近的跟车车间距,但其车辆保持过远的跟车间距,这样会导致左车道通行量很低;而由于右车道中车辆中驾驶员全为激进型,当前车减速时,第一辆车为保持较快的相应,其会以更大的减速度减速,以此类推,到后面将会出现某辆车减速增大到出现停车的状况,导致交通流波动性很大,也不利于交通流的正常运行。针对此,在满足道路行车要求的前提下,已知人-车特性在交通流中所占比例的前提下,通过将人-车特性的比例合理的分配到各车道中,通过此方式可以促进交通流的优化,本发明通过遗传算法来实现各车道中人-车驾驶员的比例与车队中人-车特性位置分配,通过仿真计算出最优的车队跟驰的驾驶中人-车特性的的排序规则。其具体规则如下:首先,在特定的路段下,通过设置不同的人-车特性比例与其在车队中的不同的排序位置,来模拟仿真各人-车特性比例与特定的排序条件下的交通流运行状态,从而找出各人-车特性比例中最优的车辆驾驶人的排序。然后,从现有的正在运行的交通流中各人-车特性比例与排序,通过计算调整各车道中的人-车特性比例与排序,使其达到合理的比例来优化交通流。如,同向两车道中左车道中人-车特性基本上全为小型车激进型驾驶员,而右车道中人-车特性基本上全为小型车保守型驾驶员。通过两者的综合,通过换道行为可以实现两个车道各车道中人-车特性比例不至于某种人-车类型比例过高,不利于交通流运行。通过进行各车道的人-车特性比例与排序的再分配,可以优化道路交通流。
此外,由于识别了驾驶员的人-车特性,当新的驾驶员驾驶该车辆时由于其保持的不同的驾驶风格参数,车辆识别为新的驾驶员可以发出警报从而避免偷车行为。同时,由于识别了驾驶参数,通过分析驾驶员违规前车辆运行参数,识别出驾驶参数,只有该驾驶参数的人可以实行扣分,避免其他人代扣驾驶分,从而一定程度上完善了交通规则的执行度。
Claims (9)
1.一种局部地区交通流优化***。其特征在于,本***通过采集行驶过程中的车流信息,进行驾驶员性格参数识别,并制定良好的驾驶行为标准,判定驾驶员的驾驶行为是否合理,在不改变驾驶员的驾驶体验的前提下,针对特定车型及特定类型的驾驶员提供其能够接受的驾驶建议,从而优化交通流,缓解拥堵。
2.如权利要求1所述,其特征在于,本***通过采集驾驶人跟驰过程中行车状态,通过最小二乘法识别车型(大中小型车)对应于驾驶员性格参数(激进型、稳重型、保守型)的人-车类别。并将大中小型车的对应的驾驶员性格参数进行归一化处理。
3.如权利要求1所述,其特征在于,本***通过动态二分法确定提供驾驶员可以接受的驾驶建议参照。
4.如权利要求3所述,其特征在于,本***通过设立分级式的良好的驾驶行为标准,当驾驶员达到建议后的驾驶行为标准后,可以重新设立新的建议驾驶参照,逐步诱导驾驶员保持更好的驾驶习惯。
5.如权利要求1所述,其特征在于,本***通过GPS采集历史上该路段的车流信息,通过统计软件建立交通流预测模型(基线预测与残差结合),预测该路段各时间段的交通流运行情况,并模拟仿真接受建议对比后的交通流,从而获得最佳的交通流优化,评价交通流优化结果。
6.通过驾驶员性格参数归一化对驾驶员的驾驶参数进行分类,同时通过统计车流中各类型驾驶员驾驶参数所占比重,结合交通流基线预测,提供基于驾驶员驾驶性格参数的合理规划方法,保证交通流正常运作。其具体规划的车道中人-车特性的具体排序与分配方法如下:把驾驶员看做物体,其驾驶性格特性看做物体的磁性特性,其中激进型驾驶员磁性为N,保守型驾驶员磁性为S,稳重型驾驶员为中性(无磁性)。且排斥力的大小与同种性格驾驶员连续排在一起的数量以及车型有关,即当同种性格类型的驾驶员连续排在一起的数量越多,其排斥力的大小就会呈几何倍数增加;且当同种车型且驾驶员性格相同时的汽车排在一起时,其斥力大小排序最大为大型车,然后是中型车,最后是小型车。排斥力大的车辆之间优先***相反磁性的车辆,当相反磁性的车辆排序完成后,然后是磁性为中性的驾驶员***到为排斥力的车辆之间,从而完成排序。
7.如权利要求5所述,当交通流预测为拥堵时,可由云端提供辅助驾驶决策功能,由算法实现最大通行量计算下各车的驾驶员性格参数的分配与排序。
8.提供一种新的防盗识别措施,其特征在于,通过驾驶员性格参数识别,可以得到驾驶该车辆的几个固定的驾驶风格参数,即该车辆的常用驾驶人,从而形成一车多人的绑定关系。当识别出新的驾驶人风格(驾驶参数)驾驶车辆时,***提出警报,防止盗车行为。
9.如权利要求点8,其特征在于,通过实现一车多人的绑定关系,当车辆出现违反交规时进行扣分时,可分析其当时的驾驶风格参数,当不符合其驾驶风格的驾驶入去代扣分时,不予办理,可以防止代扣分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164779.4A CN108573600B (zh) | 2017-03-10 | 2017-03-10 | 一种驾驶员行为诱导与局部交通流优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164779.4A CN108573600B (zh) | 2017-03-10 | 2017-03-10 | 一种驾驶员行为诱导与局部交通流优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573600A true CN108573600A (zh) | 2018-09-25 |
CN108573600B CN108573600B (zh) | 2022-02-08 |
Family
ID=63575847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710164779.4A Active CN108573600B (zh) | 2017-03-10 | 2017-03-10 | 一种驾驶员行为诱导与局部交通流优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573600B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
US20220170543A1 (en) * | 2019-11-14 | 2022-06-02 | Toyota Jidosha Kabushiki Kaisha | Gear stage choosing apparatus, gear stage choosing method, and simulation apparatus |
CN116229727A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于在线仿真的道路拥堵诱导方法及管控*** |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211428A (zh) * | 2006-12-27 | 2008-07-02 | 厦门雅迅网络股份有限公司 | 一种驾驶员习惯统计、分析方法 |
WO2009146978A1 (de) * | 2008-06-06 | 2009-12-10 | Robert Bosch Gmbh | Verfahren und vorrichtung zur erfassung von verkehrsdaten für ein fahrzeug mittels einer fahrzeugeigenen objekterfassungseinrichtung |
CN101929868A (zh) * | 2009-06-23 | 2010-12-29 | 神达电脑股份有限公司 | 利用全球导航卫星***的导航设备规划导航路线的方法 |
CN202495152U (zh) * | 2012-02-27 | 2012-10-17 | 江门市侍卫长汽车防盗有限公司 | 一种基于gps卫星定位技术的驾驶习惯分析*** |
CN102774382A (zh) * | 2011-05-04 | 2012-11-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆驾驶风格确定的***和方法 |
CN102968541A (zh) * | 2012-12-11 | 2013-03-13 | 东南大学 | 基于跟车行为的交通流微观仿真方法 |
CN103246799A (zh) * | 2011-02-09 | 2013-08-14 | 信息移动It股份公司 | 表征车辆驾驶员的驾驶风格的方法 |
CN103413359A (zh) * | 2013-07-18 | 2013-11-27 | 江苏中科天安智联科技有限公司 | 不良驾驶行为分析评价*** |
CN103546577A (zh) * | 2013-10-31 | 2014-01-29 | 深圳先进技术研究院 | 一种实现安全驾驶的方法和*** |
CN104106013A (zh) * | 2012-02-13 | 2014-10-15 | 捷豹路虎有限公司 | 用于车辆的驾驶员建议*** |
CN104354701A (zh) * | 2014-10-29 | 2015-02-18 | 云南大学 | 一种人车交互的实现方法 |
CN104732785A (zh) * | 2015-01-09 | 2015-06-24 | 杭州好好开车科技有限公司 | 一种驾驶行为分析和提醒的方法及*** |
CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和*** |
CN105788236A (zh) * | 2014-12-26 | 2016-07-20 | 浙江大华技术股份有限公司 | 一种交通控制方法及装置 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN106060258A (zh) * | 2016-06-08 | 2016-10-26 | 合肥工业大学 | 一种基于智能手机的驾驶员驾驶风格分析***及其方法 |
CN106428015A (zh) * | 2016-09-12 | 2017-02-22 | 惠州Tcl移动通信有限公司 | 一种智能行车辅助方法及装置 |
-
2017
- 2017-03-10 CN CN201710164779.4A patent/CN108573600B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211428A (zh) * | 2006-12-27 | 2008-07-02 | 厦门雅迅网络股份有限公司 | 一种驾驶员习惯统计、分析方法 |
WO2009146978A1 (de) * | 2008-06-06 | 2009-12-10 | Robert Bosch Gmbh | Verfahren und vorrichtung zur erfassung von verkehrsdaten für ein fahrzeug mittels einer fahrzeugeigenen objekterfassungseinrichtung |
CN101929868A (zh) * | 2009-06-23 | 2010-12-29 | 神达电脑股份有限公司 | 利用全球导航卫星***的导航设备规划导航路线的方法 |
CN103246799A (zh) * | 2011-02-09 | 2013-08-14 | 信息移动It股份公司 | 表征车辆驾驶员的驾驶风格的方法 |
CN102774382A (zh) * | 2011-05-04 | 2012-11-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆驾驶风格确定的***和方法 |
CN104106013A (zh) * | 2012-02-13 | 2014-10-15 | 捷豹路虎有限公司 | 用于车辆的驾驶员建议*** |
CN202495152U (zh) * | 2012-02-27 | 2012-10-17 | 江门市侍卫长汽车防盗有限公司 | 一种基于gps卫星定位技术的驾驶习惯分析*** |
CN102968541A (zh) * | 2012-12-11 | 2013-03-13 | 东南大学 | 基于跟车行为的交通流微观仿真方法 |
CN103413359A (zh) * | 2013-07-18 | 2013-11-27 | 江苏中科天安智联科技有限公司 | 不良驾驶行为分析评价*** |
CN103546577A (zh) * | 2013-10-31 | 2014-01-29 | 深圳先进技术研究院 | 一种实现安全驾驶的方法和*** |
CN104354701A (zh) * | 2014-10-29 | 2015-02-18 | 云南大学 | 一种人车交互的实现方法 |
CN105788236A (zh) * | 2014-12-26 | 2016-07-20 | 浙江大华技术股份有限公司 | 一种交通控制方法及装置 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN104732785A (zh) * | 2015-01-09 | 2015-06-24 | 杭州好好开车科技有限公司 | 一种驾驶行为分析和提醒的方法及*** |
CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和*** |
CN106060258A (zh) * | 2016-06-08 | 2016-10-26 | 合肥工业大学 | 一种基于智能手机的驾驶员驾驶风格分析***及其方法 |
CN106428015A (zh) * | 2016-09-12 | 2017-02-22 | 惠州Tcl移动通信有限公司 | 一种智能行车辅助方法及装置 |
Non-Patent Citations (1)
Title |
---|
吴超仲,等: "考虑驾驶员性格特性的跟驰模型", 《交通运输工程与信息学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110750877B (zh) * | 2019-09-27 | 2024-05-03 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
US20220170543A1 (en) * | 2019-11-14 | 2022-06-02 | Toyota Jidosha Kabushiki Kaisha | Gear stage choosing apparatus, gear stage choosing method, and simulation apparatus |
US11536364B2 (en) * | 2019-11-14 | 2022-12-27 | Toyota Jidosha Kabushiki Kaisha | Gear stage choosing apparatus, gear stage choosing method, and simulation apparatus |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN111968372B (zh) * | 2020-08-25 | 2022-07-22 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN112907971B (zh) * | 2021-02-04 | 2022-06-10 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN116229727A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于在线仿真的道路拥堵诱导方法及管控*** |
Also Published As
Publication number | Publication date |
---|---|
CN108573600B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN104766473B (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
Magana et al. | GAFU: Using a gamification tool to save fuel | |
CN106643747B (zh) | 导航方法及装置 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
CN105608902A (zh) | 一种高速公路事故多发点鉴别***及方法 | |
CN109993215B (zh) | 一种基于交通大数据的路径诱导方法 | |
CN108776852A (zh) | 无桩车辆调度方法和*** | |
CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
Ye et al. | Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings | |
CN107230330A (zh) | 一种基于大数据的旅游交通管理*** | |
CN109145982A (zh) | 驾驶员的身份识别方法及装置、存储介质、终端 | |
CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及*** | |
CN114187766B (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN110633558A (zh) | 一种城市交通***建模*** | |
CN108711285A (zh) | 一种基于道路路口的混合交通模拟方法 | |
Xu et al. | An eco-score system incorporating driving behavior, vehicle characteristics, and traffic conditions | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
CN115936541A (zh) | 一种安全道路推荐方法及设备 | |
Wang et al. | A model of injury severity prediction in traffic accident based on GA-BP neural network | |
CN112632374B (zh) | 一种考虑定制公交的居民出行方式选择分析方法 |
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 |