CN110254435A - 一种驾驶风格识别方法 - Google Patents

一种驾驶风格识别方法 Download PDF

Info

Publication number
CN110254435A
CN110254435A CN201910580087.7A CN201910580087A CN110254435A CN 110254435 A CN110254435 A CN 110254435A CN 201910580087 A CN201910580087 A CN 201910580087A CN 110254435 A CN110254435 A CN 110254435A
Authority
CN
China
Prior art keywords
driving style
opposite
data
recognition methods
road type
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
Application number
CN201910580087.7A
Other languages
English (en)
Other versions
CN110254435B (zh
Inventor
余荣杰
龙晓捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910580087.7A priority Critical patent/CN110254435B/zh
Publication of CN110254435A publication Critical patent/CN110254435A/zh
Application granted granted Critical
Publication of CN110254435B publication Critical patent/CN110254435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种驾驶风格识别方法，该方法包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。与现有技术相比，放宽了驾驶风格识别的数据精度要求，基于低频数据，有利于降低驾驶风格识别的数据采集成本；扩展了低频行车轨迹数据在驾驶风格探究方面的应用；可提高道路交通安全性。

Description

一种驾驶风格识别方法
技术领域
本发明涉及驾驶风格识别领域，尤其是涉及一种驾驶风格识别方法。
背景技术
驾驶风格是表征驾驶人固有驾驶方式的整体性评价指标。驾驶风格研究主要从节能驾驶、交通安全等角度，将驾驶人进行划分。既有研究表明，驾驶人的风格与交通安全密切关联：激进驾驶风格驾驶人存在频繁换道、急加减速、近距离跟驰等不良驾驶行为，易增加事故发生概率。通过驾驶风格研究，对驾驶人日常驾驶的不良驾驶风格进行检测或反馈，可实现对驾驶人驾驶行为的监管和教育，并辅助以相应措施从而提升行车安全性。
面向驾驶风格研究的数据主要包括主观问卷调查和客观驾驶数据两种，并以高精度的驾驶行为数据为主，如采集频率为1Hz、10Hz的高频GPS行车轨迹数据，从加速度、加加速度等微观角度进行驾驶风格评估。然而，当前分时租赁等汽车服务提供企业采集的行车轨迹数据以车辆定位为目的，主要采集低频率的行车轨迹数据(GPS采集间隔30～120s)。如何基于低频行车轨迹数据的特征，构建驾驶风格参数并开展驾驶风格识别仍缺乏合理方案。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种驾驶风格识别方法。
本发明的目的可以通过以下技术方案来实现：
一种驾驶风格识别方法，该方法包括以下步骤：
步骤S1：利用传感器采集行车轨迹数据；
步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；
步骤S3：基于相对超速行为，计算得到驾驶风格参数；
步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。
所述的行车轨迹数据为GPS行车轨迹数据，所述GPS行车轨迹数据为采集间隔30～60s的低频行车轨迹数据。
所述的步骤S2包括：
步骤S21：行车轨迹数据与地理信息数据匹配，获取各轨迹点的道路类型；
步骤S22：提取运行速度高于各轨迹点的道路类型运行车速的99分位数的行为，得到相对超速行为。
所述的步骤S3包括：
步骤S31：基于相对超速行为，计算得到相对超速时间比例；
步骤S32：基于相对超速时间比例，计算得到平均相对超速时间比例；
步骤S33：基于平均相对超速时间比例，计算得到变异系数；
步骤S34：基于变异系数和平均相对超速时间比例，计算得到驾驶风格参数。
对于一次出行，驾驶人在道路类型i上的相对超速时间比例相对超速时间比例ti_speeding％为：
其中，i为道路类型(i＝1,2,…,m)，ti1为运行速度高于i道路类型运行车速的99分位数的行驶时长，ti2为运行速度高于该道路类型一级服务水平最小速度的行驶时长。
j驾驶人各次出行中i道路类型的平均相对超速时间比例xji1为：
其中，p为出行道路类型i的次数，ti_speeding％_l为第l(l＝1,2,…,p)次出行道路类型i的相对超速时间比例。
j驾驶人各次出行中i道路类型的变异系数xji2为：
j驾驶人的驾驶风格参数xj为：
xj＝(xj11,xj12,…,xji1,xji2,…,xjm1,xjm2)
所述的聚类算法为K-Means聚类算法。
与现有技术相比，本发明具有以下优点：
(1)放宽了驾驶风格识别的数据精度要求，基于低频数据，有利于降低驾驶风格识别的数据采集成本。
(2)扩展了低频行车轨迹数据在驾驶风格探究方面的应用。
(3)对于识别出的不良风格驾驶员(如驾驶风格激进群体)，可针对性制定安全教育项目或UBI车险方案等风险管理措施，可提高道路交通安全性并降低企业运营风险。
(4)仅通过车速这一项车辆自身数据进行计算，减少了传感器的使用量和并降低数据流量费用。
(5)驾驶风格参数可以准确体现驾驶风格。
附图说明
图1为本发明的流程图；
图2为K-Means聚类算法流程图；
图3为实施例驾驶风格聚类结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本发明提供了一种基于低频行车轨迹数据的驾驶风格识别方法，以实现不依赖高精度数据即可识别不同驾驶风格的群体，发现潜在高风险驾驶人，为针对性制定安全教育项目或UBI车险方案等风险管理措施提供依据。
本发明提供一种基于低频行车轨迹数据的驾驶风格识别方法，包括以下步骤：
步骤S1：利用传感器采集行车轨迹数据；
步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；
步骤S3：基于相对超速行为，计算得到驾驶风格参数；
步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。
进一步，步骤S1中所述采集的行车轨迹数据为通过车辆设备传感器采集车辆行驶的卫星定位(Global Positioning System,GPS)轨迹数据，行车轨迹数据为低频行车轨迹数据，GPS采集行车轨迹数据间隔为30～60s。
进一步，步骤S2中所述结合地理信息数据得到相对超速行为，具体为：
(2.1)轨迹数据与地理信息图层数据匹配：基于OpenStreetMap(OSM)和开源路线规划引擎(OSRM,Open Source Routing Machine)技术实现轨迹数据与地理信息图层数据的匹配，获取各轨迹点的道路及交通管理信息，包括但不限于道路名称、道路类型i(i＝1,2,…,m)和限速；
(2.2)得到相对超速行为：基于低频行车轨迹数据特点，相对超速行为即驾驶人在道路类型i上运行速度高于该道路类型运行车速的99分位数的行为，基于各轨迹点所处道路类型i与运行车速识别相对超速行为。
其中，分位数含义如下：将一组数据从小到大排序，并计算相应的累计百分位，某一百分位所对应数据的值就称为这一百分位的分位数，即处于p％位置的值称p分位数。
进一步，步骤S3中基于相对超速行为计算驾驶风格参数，具体为：
(3.1)基于相对超速行为，定义相对超速时间比例：对于一次出行，驾驶人在道路类型i上的相对超速时间比例ti_speeding％为：
其中，ti1为该次出行中运行速度高于i道路类型运行车速的99分位数的行驶时长，ti2为该次出行中运行速度高于交通运行通畅状态下典型速度(如一级服务水平最小速度)行驶时长；
(3.2)基于相对超速时间比例，计算以下驾驶风格参数：
j驾驶人各次出行中i道路类型的平均相对超速时间比例xji1为：
其中，p为出行道路类型i的次数，ti_speeding％_l为第l(l＝1,2,…,p)次出行道路类型i的相对超速时间比例。
j驾驶人各次出行中i道路类型相对超速时间比例的变异系数xji2为：
变异系数xji2对该行为稳定性进行表征，即对于特定驾驶人，相对超速是习惯性或偶发行为。
驾驶人j的驾驶风格参数为xj＝(xj11,xj12,…,xji1,xji2,…,xjm1,xjm2)。
进一步，步骤S4中聚类算法为K-Means聚类算法，基于K-Means聚类算法进行驾驶风格的识别与分类，具体为：
(4.1)基于K-Means聚类算法进行驾驶风格评估，具体步骤为：
(4.1a)获取驾驶人集合X＝(x1,x2,…,xj,…,xn)T，并对数据进行归一化处理，得到处理后的矩阵X'＝(x'1,x'2,…,x'j,…,x'n)T；
(4.1b)初始化聚类中心数k＝2；
(4.1c)采用K-Means聚类算法对x'1,x'2,…,x'j,…,x'n进行驾驶风格分类；
(4.1d)计算k聚类下的平均轮廓系数sk，其计算方法为：
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值；
(4.1e)比较sk与sk-1的大小，若sk>sk-1，则令k＝k+1，重复步骤(4.1c)、(4.1d)和(4.1e)；若sk<sk-1则停止循环；
(4.1f)输出最佳聚类数k-1及聚类数k-1下的驾驶风格分类结果；
(4.2)基于驾驶风格分类结果，对不同驾驶风格进行识别。
下面结合一个具体的可选实施例进行说明：
(一)通过车辆设备传感器采集车辆的GPS数据，GPS采集间隔为30s，共获得235位驾驶人、累计19348km的城市快速路驾驶数据。
(二)结合地理信息数据提取相对超速行为，具体步骤如下：
(1)轨迹数据与地理信息图层数据匹配：基于OpenStreetMap(OSM)和开源路线规划引擎(OSRM,Open Source Routing Machine)技术实现轨迹数据与地理信息图层数据的匹配，获取各轨迹点的道路及交通管理信息，包括道路名称、道路类型i(i＝1,2,…,m)和限速，本例中仅包括道路类型i和限速，城市快速路i＝2；
(2)得到相对超速行为：基于低频行车轨迹数据特点，相对超速行为即驾驶人在道路类型i上运行速度高于该道路类型运行车速的99分位数的行为，基于各轨迹点所处道路类型i与运行车速识别相对超速行为，运行车速的99分位数v21＝90km/h。
(三)提出并计算驾驶风格参数，具体步骤为：
(1)基于相对超速行为，定义相对超速时间比例为：驾驶人在道路类型i上的相对超速行为比例t2_speeding％为：运行速度高于城市快速路运行车速的99分位数v21＝90km/h行驶时长t21与运行速度高于一级服务水平最小速度v22＝73km/h行驶时长t22的比值，即：
(2)基于相对超速时间比例，提出并计算以下驾驶风格参数：
j驾驶人在城市快速路的平均相对超速时间比例xj21表征驾驶人的超速倾向，表示为：
j驾驶人在城市快速路的变异系数xj22为：
记驾驶人j的驾驶风格参数为xj＝(xj21,xj22)。
(四)基于K-Means聚类算法进行驾驶风格评估，如图2所示，具体步骤为：
(1)获取驾驶人集合X＝(x1,x2,…,xj,…,x235)T，并对数据进行归一化处理，得到处理后的矩阵X'＝(x'1,x'2,…,x'j,…,x'235)T；
(2)初始化聚类中心数k＝2；
(3)采用K-Means聚类算法对x'1,x'2,…,x'j,…,x'235进行驾驶风格分类；
(4)计算k聚类下的平均轮廓系数sk，其计算方法为：
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值；
(5)比较sk与sk-1的大小，若sk>sk-1，则令k＝k+1，重复步骤(3)、(4)和(5)；若sk<sk-1则停止循环；
(6)输出最佳聚类数k-1及聚类数k-1下的驾驶风格分类结果，本实施例中最佳聚类数为3，最佳聚类数下平均轮廓系数为0.43；
(8)基于驾驶风格分类结果，对不同驾驶风格进行识别：本实施例中，依据相对超速时间比例和各次出行相对超速时间比例的变异系数将驾驶人驾驶风格划分为谨慎、温和、激进三类，如图3所示，各风格分别占样本驾驶人的54.04％、36.60％、9.36％，特点为：
1)谨慎：相对超速时间比例最低且各次出行相对超速时间比例的变异系数较高，即超速倾向低，相对超速为偶发行为；
2)温和：相对超速时间比例较低且各次出行相对超速时间比例的变异系数较高，即超速倾向较低，相对超速为偶发行为；
3)激进：相对超速时间比例最高且各次出行相对超速时间比例的变异系数较低，即超速倾向较高，相对超速在各次出行中较为稳定地出现。
通过上述步骤，完成基于低频数据的驾驶风格识别，相比于现有技术中，驾驶风格评估依赖高精度轨迹数据提取微观驾驶行为特征，上述步骤放宽了驾驶风格评估的数据精度要求，提出了基于低频数据驾驶风格参数以及开展驾驶风格识别的合理方案，有利于降低驾驶风格识别的数据采集成本，并扩展了低频行车轨迹数据在驾驶风格探究方面的应用。对于识别出的不良风格驾驶员(如驾驶风格激进群体)，可针对性制定安全教育项目或UBI车险方案等风险管理措施，可提高道路交通安全性并降低企业运营风险。

Claims (9)

1.一种驾驶风格识别方法，其特征在于，该方法包括以下步骤：
步骤S1：利用传感器采集行车轨迹数据；
步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；
步骤S3：基于相对超速行为，计算得到驾驶风格参数；
步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。
2.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的行车轨迹数据为GPS行车轨迹数据，所述GPS行车轨迹数据为采集间隔30～60s的低频行车轨迹数据。
3.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的步骤S2包括：
步骤S21：行车轨迹数据与地理信息数据匹配，获取各轨迹点的道路类型；
步骤S22：提取运行速度高于各轨迹点的道路类型运行车速的99分位数的行为，得到相对超速行为。
4.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的步骤S3包括：
步骤S31：基于相对超速行为，计算得到相对超速时间比例；
步骤S32：基于相对超速时间比例，计算得到平均相对超速时间比例；
步骤S33：基于平均相对超速时间比例，计算得到变异系数；
步骤S34：基于变异系数和平均相对超速时间比例，计算得到驾驶风格参数。
5.根据权利要求4所述的一种驾驶风格识别方法，其特征在于，对于一次出行，驾驶人在道路类型i上的相对超速时间比例ti_speeding％为：
其中，i为道路类型(i＝1,2,…,m)，ti1为运行速度高于i道路类型运行车速的99分位数的行驶时长，ti2为运行速度高于该道路类型设定速度的行驶时长。
6.根据权利要求5所述的一种驾驶风格识别方法，其特征在于，j驾驶人各次出行中i道路类型的平均相对超速时间比例xji1为：
其中，p为出行道路类型i的次数，ti_speeding％_l为第l(l＝1,2,…,p)次出行i道路类型的相对超速时间比例。
7.根据权利要求6所述的一种驾驶风格识别方法，其特征在于，j驾驶人各次出行中i道路类型的变异系数xji2为：
8.根据权利要求7所述的一种驾驶风格识别方法，其特征在于，j驾驶人的驾驶风格参数xj为：
xj＝(xj11,xj12,…,xji1,xji2,…,xjm1,xjm2)。
9.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的聚类算法为K-Means聚类算法。
CN201910580087.7A 2019-06-28 2019-06-28 一种驾驶风格识别方法 Active CN110254435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910580087.7A CN110254435B (zh) 2019-06-28 2019-06-28 一种驾驶风格识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910580087.7A CN110254435B (zh) 2019-06-28 2019-06-28 一种驾驶风格识别方法

Publications (2)

Publication Number Publication Date
CN110254435A true CN110254435A (zh) 2019-09-20
CN110254435B CN110254435B (zh) 2021-06-04

Family

ID=67923212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910580087.7A Active CN110254435B (zh) 2019-06-28 2019-06-28 一种驾驶风格识别方法

Country Status (1)

Country Link
CN (1) CN110254435B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259767A (zh) * 2020-01-13 2020-06-09 厦门大学 基于交通数据及街景数据的交通违法行为识别方法和***
CN112721949A (zh) * 2021-01-12 2021-04-30 重庆大学 一种自动驾驶车辆纵向驾驶拟人化程度评价方法
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100019880A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on traffic sensing
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN107153916A (zh) * 2017-04-30 2017-09-12 安徽中科美络信息技术有限公司 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
CN108491859A (zh) * 2018-02-11 2018-09-04 郭静秋 基于自动编码机的驾驶行为异质性特征的识别方法
CN109034181A (zh) * 2018-06-05 2018-12-18 广州杰赛科技股份有限公司 移动轨迹的分类方法和装置、设备、存储介质
CN109523390A (zh) * 2018-09-28 2019-03-26 深圳市麦谷科技有限公司 一种根据汽车行驶规律建立风控模型的方法
CN109559507A (zh) * 2018-11-16 2019-04-02 西南交通大学 一种基于历史gps轨迹数据的网约车超速事件识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100019880A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on traffic sensing
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN107153916A (zh) * 2017-04-30 2017-09-12 安徽中科美络信息技术有限公司 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
CN108491859A (zh) * 2018-02-11 2018-09-04 郭静秋 基于自动编码机的驾驶行为异质性特征的识别方法
CN109034181A (zh) * 2018-06-05 2018-12-18 广州杰赛科技股份有限公司 移动轨迹的分类方法和装置、设备、存储介质
CN109523390A (zh) * 2018-09-28 2019-03-26 深圳市麦谷科技有限公司 一种根据汽车行驶规律建立风控模型的方法
CN109559507A (zh) * 2018-11-16 2019-04-02 西南交通大学 一种基于历史gps轨迹数据的网约车超速事件识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259767A (zh) * 2020-01-13 2020-06-09 厦门大学 基于交通数据及街景数据的交通违法行为识别方法和***
CN111259767B (zh) * 2020-01-13 2023-04-18 厦门大学 基于交通数据及街景数据的交通违法行为识别方法和***
CN112721949A (zh) * 2021-01-12 2021-04-30 重庆大学 一种自动驾驶车辆纵向驾驶拟人化程度评价方法
CN112721949B (zh) * 2021-01-12 2022-07-12 重庆大学 一种自动驾驶车辆纵向驾驶拟人化程度评价方法
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法

Also Published As

Publication number Publication date
CN110254435B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
US11836802B2 (en) Vehicle operation analytics, feedback, and enhancement
CN110254435A (zh) 一种驾驶风格识别方法
US9109914B2 (en) Energy efficient routing using an impedance factor
EP2619059B1 (en) Driver profiling system and method
CN106846806A (zh) 基于Isolation Forest的城市道路交通异常检测方法
CN107145989A (zh) 基于人‑车‑交通路况的实际行驶工况构建方法
CN107038860B (zh) 一种基于adas技术及回归模型的用户驾驶行为评分方法
CN104008647A (zh) 一种基于机动车行驶模式的道路交通能耗量化方法
CN104916133B (zh) 一种基于交通轨迹数据的道路海拔信息提取方法及***
CN104933863A (zh) 一种交通道路中异常路段识别的方法及***
CN110188797A (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN103895649A (zh) 一种驾驶员安全驾驶预警方法
CN106956680A (zh) 一种电动汽车驾驶行为识别分析方法
CN109002981A (zh) 驾驶行为评分方法、***、装置及计算机可读存储介质
Szénási et al. Statistical accident analysis supporting the control of autonomous vehicles
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
Cohen et al. Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France
CN113838282A (zh) 基于北斗定位的车辆异常行为检测方法
CN116153082B (zh) 一种基于机器视觉的高速公路路况采集分析处理***
US11113292B2 (en) Feature data storage apparatus and driving feature and distribution databases
CN106651191A (zh) 一种山区高速公路平曲线危险路段识别方法
CN108920753B (zh) 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN116092037A (zh) 融合轨迹空间-语义特征的车辆类型识别方法
Wen et al. Analysis of vehicle driving styles at freeway merging areas using trajectory data
CN114912689B (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及***

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