CN110956867B - 基于大数据驾驶员行为分析的培训***及培训方法 - Google Patents
基于大数据驾驶员行为分析的培训***及培训方法 Download PDFInfo
- Publication number
- CN110956867B CN110956867B CN201910401078.7A CN201910401078A CN110956867B CN 110956867 B CN110956867 B CN 110956867B CN 201910401078 A CN201910401078 A CN 201910401078A CN 110956867 B CN110956867 B CN 110956867B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- driver
- big data
- analysis
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/052—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles characterised by provision for recording or measuring trainee's performance
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据驾驶员行为分析的培训***及培训方法,基于大数据驾驶员行为分析的培训***包括驾驶员大数据采集模块、大数据预处理模块、大数据分析处理模块、驾校培训管理模块;基于大数据驾驶员行为分析的培训方法包括驾驶员大数据采集、大数据预处理、大数据分析处理和驾校培训管理指导几个步骤。本发明有助于改进与完善交通政策的制定以及驾驶考试科目的设计,提高驾驶员培训质量,对道路交通安全带来更高的保障。
Description
技术领域
本发明涉及一种培训***及培训方法,具体涉及一种基于大数据驾驶员行为分析的智能培训***及培训方法。
背景技术
基于我国基本国情,机动车新驾驶人的驾驶技能培训95%以上是在驾校完成的,要想提升新驾驶人的驾驶技能和提高安全驾驶意识关键在于提高驾校培训质量。我国现行的驾驶人道路驾驶培训学时较短,以小型汽车C证为例(C1、C2),道路驾驶培训学时只有24学时;以培训质量较高的德国小型汽车B证为例(B、BE),道路驾驶培训需要42学时,包括30学时的城市道路基础培训和12学时的特殊条件驾驶训练,其中特殊条件驾驶训练包括至少5个郊区道路学时、4个高速公路学时、3个夜间道路学时。因此,对于初学者的道路驾驶技能培训应该有着更实用的培训要求,不能以应试教学为目的。现阶段机动车驾驶培训周期较短、应试教学现象普遍,道路驾驶培训周期适当延长,避免应试教学现象。现阶段我国驾驶培训应试教学现象普遍,教学培训和实际驾驶脱节。
发明内容
发明目的:提供一种基于大数据驾驶员行为分析的培训***及培训方法,从而提高驾校培训质量,提高驾驶员的驾驶技能;改进与完善交通政策的制定以及驾驶考试科目的设计,提高道路交通安全水平,对国家道路交通安全带来更高的保障。
为实现上述目的,本发明采用的技术方案为:基于大数据驾驶员行为分析的培训***包括驾驶员大数据采集模块、大数据预处理模块、大数据分析处理模块、驾校培训管理模块。其中大数据采集模块主要包括采集驾驶员道路交通大数据、采集驾驶员培训大数据。驾驶员道路交通大数据来自各种交通流检测设备,交通检测设备主要包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备等,设备采集交通流数据通过通讯链路传递到公安部交管中心,公安部交管中心对辖区内机动车违法行为进行分类统计,例如:闯红灯、超速行驶、酒后驾驶、轧实线行驶等。同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据。驾驶员培训大数据来自培训车辆车载检测设备,车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置等。车辆车载检测设备主要采集驾驶员在科目三道路驾驶培训过程中的驾驶员培训大数据。
大数据预处理模块主要是对驾驶员培训大数据进行预处理。驾驶员培训大数据包括多种检测装置采集的数据,首先需要去噪去重预处理,本发明公开的去噪去重预处理方法采用了一种基于模式挖掘的数据过滤方法:将驾驶员培训大数据中各类违法扣分驾驶行为列为不同类的扣分兴趣度,根据违法扣分兴趣度指标条件直接进行剪枝,一步到位地挖掘出兴趣模式,可有效实现噪音数据过滤,获得高质量数据,提高数据的正确性、一致性,实现去噪的目的;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群,以提高数据对象之间的个体相似度和个体质量,实现去重目的。进一步,驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
大数据分析处理模块主要是对预处理完的数据进行分析处理,针对驾驶员道路交通大数据和驾驶员培训大数据通过关联分析、回归分析等技术进行挖掘分析,找出二者之间的关系,得到有价值的关联规则,分析交通违法行为与驾驶员培训驾驶行为之间的线性关系,并根据分析结果建立预测模型,基于预测模型对实时获取的数据进行分析预测,预测不同驾驶行为的驾驶员可能发生的交通违法行为的情况,并将预测结果传输到驾校培训管理平台。
驾校培训管理模块根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导,以便学员提高驾驶技能,提高科目三考试通过率。
本发明还公开了一种基于大数据驾驶员行为分析的培训方法,该方法包括:S1驾驶员大数据采集;S2大数据预处理;S3大数据分析处理;S4驾校培训管理指导。
S1驾驶员大数据采集主要采集驾驶员道路交通大数据和驾驶员培训大数据。其中驾驶员道路交通大数据来自各种交通流检测设备,交通检测设备主要包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备等。设备采集交通流数据通过通讯链路传递到公安部交管数据中心,公安部交管中心对辖区内机动车违法行为进行分类统计,同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据。驾驶员培训大数据来自培训车辆车载检测设备,车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置等。车辆车载检测设备主要采集驾驶员在科目三道路驾驶培训过程中的驾驶员培训数据。通过sqoop工具将驾驶员道路交通大数据和驾驶员培训大数据导入大数据平台hive数据库。
S2大数据预处理主要是对驾驶员培训大数据进行预处理。驾驶员培训大数据包括多种检测装置采集的数据,首先需要去噪去重预处理,本发明公开的去噪去重预处理方法采用了一种基于模式挖掘的数据过滤方法:将驾驶培训过程中各类违法扣分驾驶行为列为不同类的扣分兴趣度,将违法扣分兴趣度指标条件直接进行剪枝,一步到位地挖掘出兴趣模式,可有效实现噪音数据过滤,获得高质量数据,提高数据的正确性、一致性,实现去噪的目的;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群,以提高数据对象之间的个体相似度和个体质量,实现去重目的。驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
S3大数据分析处理是对驾驶员道路交通大数据和预处理完的驾驶员培训数据进行分析处理。针对驾驶员道路交通大数据和预处理完的驾驶员培训大数据,使用python和tensorflow连接hive数据库获取数据,通过关联分析、回归分析等技术进行挖掘分析,找出二者之间的关系,得到有价值的关联规则,分析交通违法行为与驾驶员培训驾驶行为之间的线性关系,并根据结果建立预测模型,基于预测模型通过strom对实时获取的数据进行分析预测,预测不同驾驶行为的驾驶员可能发生的交通违法行为的情况,并将预测结果通过sqoop传输到驾校管理平台数据库中,便于驾校对具体的驾驶行为进行针对性指导培训。
S4驾校培训管理指导是驾校管理平台根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导,提高科目三考试通过率,提高学员的驾驶技能。
有益效果:本发明提供一种基于大数据驾驶员行为分析的培训***及培训方法,从而提高了驾驶员培训质量,对道路交通安全带来更高的保障;有助于改进与完善交通政策的制定以及驾驶考试科目的设计,提高道路交通安全水平。
具体实施方式
下面结合实施例对本发明作更进一步的说明。
基于大数据驾驶员行为分析的培训***包括驾驶员大数据采集模块、大数据预处理模块、大数据分析处理模块、驾校培训管理模块。
大数据采集模块主要包括采集驾驶员道路交通大数据、采集驾驶员培训大数据。驾驶员道路交通大数据来自各种交通流检测设备,交通检测设备主要包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备等,设备采集交通流数据通过通讯链路传递到公安部交管数据中心,公安部交管中心对辖区内机动车违法行为进行分类统计,同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据。驾驶员培训大数据来自培训车辆车载检测设备,车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置等。车辆车载检测设备主要采集驾驶员在科目三道路驾驶培训过程中的驾驶员培训大数据。通过sqoop数据迁移工具将驾驶员道路交通大数据、驾驶员培训大数据导入大数据平台hive数据库。
大数据预处理模块主要是对驾驶员培训大数据进行预处理。驾驶员培训大数据包括多种检测装置采集的数据,首先需要去噪去重预处理,本发明公开的去噪去重预处理方法采用了一种基于模式挖掘的数据过滤方法:将驾驶培训过程中各类违法扣分驾驶行为列为不同类的扣分兴趣度,将违法扣分兴趣度指标条件直接进行剪枝,一步到位地挖掘出兴趣模式,可有效实现噪音数据过滤,获得高质量数据,提高数据的正确性、一致性,实现去噪的目的;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群,以提高数据对象之间的个体相似度和个体质量,实现去重目的。驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
大数据分析处理模块主要是对预处理完的数据进行分析处理。针对驾驶员道路交通大数据和驾驶员培训大数据中的多维数据,使用python和tensorflow连接hive数据库获取数据,通过关联分析、回归分析等技术进行挖掘分析,找出二者之间的关系,得到有价值的关联规则,分析交通违法行为与驾驶员培训驾驶行为之间的线性关系,并根据结果建立预测模型,基于预测模型通过strom对实时获取的数据进行分析预测,预测不同驾驶行为的驾驶员可能发生的交通违法行为的情况,并将预测结果通过sqoop传输到驾校培训管理平台数据库中,便于驾校对具体的驾驶行为进行针对性指导培训。
驾校培训管理模块根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导,提高科目三考试通过率,提高学员的驾驶技能。
基于大数据驾驶员行为分析的培训方法主要包括S1驾驶员大数据采集;S2大数据预处理;S3大数据分析处理;S4驾校培训管理指导四个步骤,具体描述如下:
S1驾驶员大数据采集主要采集驾驶员道路交通大数据和驾驶员培训大数据。其中驾驶员道路交通大数据来自各种交通流检测设备,交通检测设备主要包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备等。设备采集交通流数据通过通讯链路传递到公安部交管数据中心,公安部交管中心对辖区内机动车违法行为进行分类统计,同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据。驾驶员培训大数据来自培训车辆车载检测设备,车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置等。车辆车载检测设备主要采集驾驶员在科目三道路驾驶培训过程中的驾驶员培训数据。通过sqoop工具将驾驶员道路交通大数据和驾驶员培训大数据导入大数据平台hive数据库。
S2大数据预处理主要是对驾驶员培训大数据进行预处理,驾驶员培训大数据包括多种检测装置采集的数据,首先需要去噪去重预处理,本发明公开的去噪去重预处理方法采用了一种基于模式挖掘的数据过滤方法:将驾驶员培训大数据中各类违法扣分驾驶行为列为不同类的扣分兴趣度,根据违法扣分兴趣度指标条件直接进行剪枝,一步到位地挖掘出兴趣模式,可有效实现噪音数据过滤,获得高质量数据,提高数据的正确性、一致性,实现去噪的目的;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群,以提高数据对象之间的个体相似度和个体质量,实现去重目的。驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
S3大数据分析处理是对预处理完的数据进行分析处理,针对驾驶员道路交通大数据和驾驶员培训大数据中的多维数据,使用python和tensorflow连接hive数据库获取数据,通过关联分析、回归分析等技术进行挖掘分析,找出二者之间的关系,得到有价值的关联规则,分析交通违法行为与驾驶员培训驾驶行为之间的线性关系,并根据结果建立预测模型,通过strom对实时获取的数据进行分析预测,预测不同驾驶行为的驾驶员可能发生的交通违法行为的情况,并将预测结果通过sqoop传输到驾校管理平台数据库中,便于驾校对具体的驾驶行为进行针对性指导培训。
S4驾校培训管理指导是驾校管理平台根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导,提高科目三考试通过率,提高学员的驾驶技能。
尽管以上对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下,在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种基于大数据驾驶员行为分析的培训***,其特征在于,所述***包括驾驶员大数据采集模块、大数据预处理模块、大数据分析处理模块、驾校培训管理模块;其中:大数据采集模块采集驾驶员道路交通大数据和采集驾驶员培训大数据;大数据预处理模块对驾驶员培训大数据采用基于模式挖掘的数据过滤方法进行去噪去重预处理;大数据分析处理模块针对驾驶员道路交通大数据和预处理完的驾驶员培训大数据通过关联分析、回归分析进行挖掘分析,找出二者之间的关系得到有价值的关联规则,并根据分析结果建立预测模型,然后基于所述预测模型对实时获取的驾校培训车辆驾驶学员的驾驶行为数据进行分析预测,预测不同驾驶行为的可能发生的交通违法行为,并将分析预测结果传输到驾校培训管理模块;驾校培训管理模块根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导;所述驾驶员道路交通大数据具体指正常道路驾驶员道路交通大数据,所述驾驶员培训大数据具体指驾校培训车辆驾驶学员培训大数据。
2.根据权利要求1所述的培训***,其特征在于,所述驾驶员道路交通大数据来自各种交通流检测设备,所述交通流检测设备采集交通流数据通过通讯链路传递到公安部交管中心,公安部交管中心对辖区内机动车违法行为进行分类统计,同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据;所述交通检测设备包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备。
3.根据权利要求1所述的培训***,其特征在于,所述驾驶员培训大数据来自培训车辆车载检测设备,所述车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置。
4.根据权利要求1所述的培训***,其特征在于,所述去噪去重预处理具体包括:将驾驶员培训大数据中各类违法扣分驾驶行为列为不同类的扣分兴趣度,根据违法扣分兴趣度指标条件直接进行剪枝去噪,挖掘出兴趣模式;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群。
5.根据权利要求4所述的培训***,其特征在于,所述去噪去重预处理还包括:驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
6.一种基于大数据驾驶员行为分析的培训方法,其特征在于,该方法包括以下步骤:S1、采集驾驶员道路交通大数据和驾驶员培训大数据;S2、采用基于模式挖掘的数据过滤方法对驾驶员培训大数据进行去噪去重预处理;S3对驾驶员道路交通大数据和预处理后的驾驶员培训大数据通过关联分析、回归分析进行挖掘分析,找出二者之间的关系得到有价值的关联规则,根据分析结果建立预测模型,然后基于所述预测模型对实时获取的驾校培训车辆驾驶学员的驾驶行为数据进行分析预测,预测不同驾驶行为的可能发生的交通违法行为,并将分析预测结果传输到驾校培训管理平台;S4驾校培训管理指导根据大数据分析处理模块得出的分析预测结果,对驾驶员的驾驶行为进行针对性的指导;所述驾驶员道路交通大数据具体指正常道路驾驶员道路交通大数据,所述驾驶员培训大数据具体指驾校培训车辆驾驶学员培训大数据。
7.根据权利要求6所述的培训方法,其特征在于,所述驾驶员道路交通大数据来自各种交通流检测设备,所述交通流检测设备采集交通流数据通过通讯链路传递到公安部交管中心,公安部交管中心对辖区内机动车违法行为进行分类统计,同时采集每次机动车违法行为时对应机动车驾驶员的驾驶图像信息形成驾驶员道路交通大数据;交通检测设备包括视频检测器、地磁检测器、微波检测器、卡口、信号机、路口信号设备。
8.根据权利要求6所述的培训方法,其特征在于,所述驾驶员培训大数据来自培训车辆车载检测设备,所述车载检测设备包括卫星定位检测装置、视频检测装置、雷达检测装置、车辆操作传感检测装置。
9.根据权利要求6所述的培训方法,其特征在于,所述去噪去重预处理具体包括:将驾驶员培训大数据中各类违法扣分驾驶行为列为不同类的扣分兴趣度,根据违法扣分兴趣度指标条件直接进行剪枝去噪,挖掘出兴趣模式;建立驾培数据去重聚类分析抽取模型算法,利用非结构化数据之间的数据映射关系,将映射产生的数据序列放大到数据的相似度的比较范围,把得到的数据分析因子进行数据编码生成初始种群。
10.根据权利要求9所述的培训方法,其特征在于,所述去噪去重预处理还包括:驾驶员培训大数据去噪去重处理后,对得到的数据个体再次进行多维聚类分析,实现细粒度局部分析和扰动,以加快数据种群的多维分析速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401078.7A CN110956867B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据驾驶员行为分析的培训***及培训方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401078.7A CN110956867B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据驾驶员行为分析的培训***及培训方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956867A CN110956867A (zh) | 2020-04-03 |
CN110956867B true CN110956867B (zh) | 2021-07-27 |
Family
ID=69976194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401078.7A Active CN110956867B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据驾驶员行为分析的培训***及培训方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956867B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100336086C (zh) * | 2005-04-30 | 2007-09-05 | 文鹏飞 | 一种机动车行驶信息处理方法及其装置 |
DE102012214464A1 (de) * | 2012-08-14 | 2014-02-20 | Ford Global Technologies, Llc | System zur Überwachung und Analyse des Fahrverhaltens eines Fahrers in einem Kraftfahrzeug |
US10024684B2 (en) * | 2014-12-02 | 2018-07-17 | Operr Technologies, Inc. | Method and system for avoidance of accidents |
CN106570609A (zh) * | 2016-09-22 | 2017-04-19 | 昆明理工大学 | 一种驾驶人动态风险感知能力的测试与评价方法 |
US10621860B2 (en) * | 2017-03-02 | 2020-04-14 | Veniam, Inc. | Systems and methods for characterizing and managing driving behavior in the context of a network of moving things, including for use in autonomous vehicles |
KR20180127578A (ko) * | 2017-05-18 | 2018-11-29 | 유니폴라전자 주식회사 | 수검자의 운전능력을 평가하기 위한 운전능력 평가 시스템 |
CN109035960A (zh) * | 2018-06-15 | 2018-12-18 | 吉林大学 | 基于模拟驾驶平台的驾驶员驾驶模式分析***及分析方法 |
CN109118055B (zh) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
CN109754153A (zh) * | 2018-11-23 | 2019-05-14 | 北京交通大学 | 一种基于持续时间模型的驾驶员违章风险估计方法 |
-
2019
- 2019-05-15 CN CN201910401078.7A patent/CN110956867B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110956867A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
CN107782564B (zh) | 一种自动驾驶车辆测评***及方法 | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN106846801A (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
CN104200669A (zh) | 一种基于Hadoop的***识别方法及*** | |
CN104268599A (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及*** | |
CN105575118A (zh) | 一种失驾人员筛选方法 | |
CN106412508A (zh) | 车辆违章压线智能监控方法和*** | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
Tanprasert et al. | Recognizing traffic black spots from street view images using environment-aware image processing and neural network | |
CN105448105A (zh) | 一种基于巡逻警车的监控*** | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN106919925A (zh) | 一种基于小波熵与人工神经网络的福特汽车检测方法 | |
CN115130895A (zh) | 一种城市交通环境下交叉路口风险研判预警*** | |
CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控*** | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
CN110956867B (zh) | 基于大数据驾驶员行为分析的培训***及培训方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN106504542A (zh) | 车速智能监控方法和*** | |
CN113076821A (zh) | 一种事件的检测方法及装置 | |
CN113504056A (zh) | 一种自动驾驶汽车测试评价***及方法 | |
Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220829 Address after: 211112 No. 1555 Tianyin Avenue, Jiangning District, Nanjing City, Jiangsu Province Patentee after: Duolun Internet Technology Co.,Ltd. Address before: 211112 No. 1555 Tianyin Avenue, Jiangning District, Nanjing City, Jiangsu Province Patentee before: DUOLUN TECHNOLOGY Corp.,Ltd. |