CN113469458A - 驾驶习惯评价方法、装置及电子设备 - Google Patents
驾驶习惯评价方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113469458A CN113469458A CN202110829451.6A CN202110829451A CN113469458A CN 113469458 A CN113469458 A CN 113469458A CN 202110829451 A CN202110829451 A CN 202110829451A CN 113469458 A CN113469458 A CN 113469458A
- Authority
- CN
- China
- Prior art keywords
- parameter group
- habit
- driving
- starting
- determining
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 162
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是关于一种驾驶习惯评价方法、装置及电子设备,涉及数据处理技术领域,本发明包括:获取多个时间段内目标用户的行车数据;针对每个时间段,根据时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;基于第一参数组对应的权重和第二参数组对应的权重,对第一参数组的数值和第二参数组的数值进行加权处理,得到在时间段内的目标用户的急加速习惯评分;确定在时间段内的目标用户的急加速习惯评分对应的级别;根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定目标用户的驾驶习惯。由于本发明实施例通过多个参数评价用户驾驶习惯,提高评价的准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种驾驶习惯评价方法、装置及电子设备。
背景技术
目前,越来越多的车辆行驶在马路上,这就要求路上行程的车辆的司机驾驶习惯比较好,从而可以避免车祸的发生。对于司机的驾驶习惯中,如果司机存在急加速的情况,会导致车祸的概率比较高。所以,评价司机的驾驶习惯是一个非常重要的问题。现有技术中,通过判断用户驾驶的车辆的加速度是否超过阈值的统计量来评价用户的加速习惯。
综上可以看出,现有技术中,评价用户的驾驶习惯的参数比较单一。
发明内容
本发明提供一种驾驶习惯评价方法、装置以及电子设备,能够通过表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值,这些多个指标衡量用户的急加速习惯,从而能够提高判断的准确性。
第一方面,本发明实施例提供的一种驾驶习惯评价方法,包括:
获取多个时间段内目标用户的行车数据;
针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;
基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;
确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
上述方法,能够通过多个时间段内目标用户的行车数据,然后针对每个时间段,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值,从而根据这些参数的数值,确定级别,根据多个时间段的级别,确定目标用户的驾驶习惯,这样本发明能够通过多个衡量目标用户的急加速习惯的参数评价目标用户的驾驶习惯,从而提高了评价的准确性。
在一种可能的实现方式中,所述第一参数组包括:起步速度残差超过残差阈值的次数和/或起步踏板行程超过行程阈值的次数;其中,所述起步速度残差为起步预测速度和起步实际速度之间的差值。
由于用户急加速意愿比较强烈的话,从起步开始就比较着急,所以上述方法,能够通过起步时的速度和/或起步时的踏板行程作为表征用户急加速意愿的参数,更好的表征了用户急加速意愿。
在一种可能的实现方式中,通过以下方式确定残差阈值:
对多个数据组进行线性回归处理,确定起步踏板行程和起步实际速度之间的第一对应关系;其中,每个数据组包括一次起步的起步踏板行程和起步实际速度;
针对每个数据组,根据所述数据组中的起步踏板行程和所述第一对应关系,确定起步预测速度,并确定所述起步预测速度和所述数据组中的起步实际速度之间的差值;
根据多个数据组对应的差值,确定差值和该差值出现的概率之间的第二对应关系;并将根据第一预设概率和所述第二对应关系得到的差值,作为残差阈值。
上述方法,由于实际上道路不同,能够通过多个实际的数据组进行线性回归处理,得到起步踏板行程和起步实际速度之间的第一对应关系,从而确定起步预测速度,并根据该起步预测速度确定起步预测速度和数据组中的起步实际速度之间的差值,根据多个差值找到残差阈值,这样本发明能够通过总结实际的起步踏板行程和起步实际速度之间的实际关系找到残差阈值,提高了残差阈值的准确率。
在一种可能的实现方式中,通过以下方式确定行程阈值:
根据多次起步的起步踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系;
根据第二预设概率和所述第三对应关系得到的起步踏板行程,作为行程阈值。
上述方法,能够通过多次实际的起步时的踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的对应关系,从而能够通过预设概率和该对应关系,确定行程阈值,能够提高阈值的准确性。
在一种可能的实现方式中,根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯,包括:
将多个时间段内的目标用户的急加速习惯评分对应的级别中,出现的个数超过预设个数且最高的级别对应的驾驶习惯,作为所述目标用户的驾驶习惯。
上述方法,能够通过多个级别中出现个数超过预设个数且级别最高的级别对应的驾驶习惯,确定目标用户的驾驶习惯,这样能够实现急加速的程度来确定目标用户的驾驶习惯。
在一种可能的实现方式中,确定在所述时间段内的目标用户的急加速习惯评分对应的级别,包括:
根据评分范围和级别的对应关系,确定在所述时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在所述时间段内的目标用户的急加速习惯评分对应的级别。
上述方法,能够通过评分范围,确定目标用户的级别,实现了级别的确定。
在一种可能的实现方式中,通过以下方式确定所述第一参数组对应的权重和所述第二参数组对应的权重:
根据多个用户的行车数据、所述第一参数组对应的初始权重和所述第二参数组对应的初始权重,得到多个用户的急加速习惯评分;
若多个用户的急加速习惯评分符合正态分布,则确定所述第一参数组对应的初始权重为所述第一参数组对应的权重,所述第二参数组对应的初始权重为所述第二参数组对应的权重;
若多个用户的急加速习惯评分不符合正态分布,则对所述第一参数组对应的初始权重和所述第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合正态分布为止。
由于多个用户的急加速习惯是满足正态分布,所以,上述方法,能够通过是否符合正态分布,来调整第一参数组的权重和第二参数组的权重,使得更加符合实际的情况,提高了权重的准确率。
在一种可能的实现方式中,根据多个用户的行车数据和初始权重,得到多个用户的急加速习惯评分之前,所述方法还包括:
根据多个用户的行车数据,确定每个用户的加速值超过加速阈值的次数;并确定每个用户的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值;
从多个用户的行车数据中,剔除多个用户对应的比值中超过阈值范围的比值对应的行车数据;其中,所述阈值范围是基于多个用户对应的比值和出现每个比值的概率形成的正态分布曲线,得到的第三预设概率对应的比值确定的。
上述方法,能够剔除超过正态分布曲线中得到的比值范围对应的行车数据,从而根据剩余的行车数据进行权重确定,提高了权重确定的准确率。
第二方面,本发明实施例提供的一种驾驶习惯评价装置,包括:
获取模块,用于获取多个时间段内目标用户的行车数据;
级别模块,用于针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
评价模块,用于根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
第三方面,本发明实施例提供的一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如第一方面中任一项所述的驾驶习惯评价方法。
第五方面,本申请还提供一种计算机存储介质,其上存储有计算机程序,该程序被处理单元执行时实现第一方面所述的驾驶习惯评价方法的步骤。
另外,第三方面至第五方面中任一种实现方式所带来的技术效果可参见第一方面和第二方面中不同实现方式所带来的技术效果,此处不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理,并不构成对本发明的不当限定。
图1是本发明实施例提供的一种驾驶习惯评价方法的流程图;
图2是本发明实施例提供的一种司机A的多个时间段的驾驶习惯评分对应的级别的统计图;
图3是本发明实施例提供的一种司机B的多个时间段的驾驶习惯评分对应的级别的统计图;
图4是本发明实施例提供的一种起步踏板行程和起步实际速度之间的第一对应关系的回归示意图;
图5是本发明实施例提供的一种第二对应关系的回归示意图;
图6是本发明实施例提供的一种多个起步实际速度和起步预测速度之间的差值的规律示意图;
图7是本发明实施例提供的一种多个用户的急加速习惯评分的分布示意图;
图8是本发明实施例提供的一种多个用户对应的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值的分布示意图;
图9是本发明实施例提供的一种多个用户级别的分布示意图;
图10是本发明实施例提供的一种驾驶习惯评价装置的结构图;
图11是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
现有的判断用户的急加速行为是仅通过判断加速度是否超过阈值来判断的。对于现有技术中不仅仅是用户实际的急加速行为,还有需要评价用户是否有急加速意愿,所以,现有技术仅通过加速度来判断时,评价参数比较单一。
本发明实施例提供的一种驾驶习惯评价方法、装置及电子设备,能够通过表征用户急加速意愿的第一参数组和表征用户急加速行为的第二参数组来评价用户的驾驶习惯,本发明相比于现有技术来说,通过多个参数评价用户驾驶习惯,提高评价的准确率。
以下对本发明的技术进行详细阐述。
结合图1所示,本发明实施例提供的一种驾驶习惯评价方法,该方法包括:
S100:获取多个时间段内目标用户的行车数据;
S101:针对每个时间段,根据时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;
其中,表征用户急加速意愿的第一参数组包括起步速度残差超过残差阈值的次数和/或起步踏板行程超过行程阈值的次数;其中,起步速度残差为起步预测速度和起步实际速度之间的差值。
表征用户急加速行为的第二参数组包括加速度超过加速阈值的次数与行程里程之间的比值,和/或,加速度超过加速阈值的次数与加速的次数之间的比值。
S102:基于第一参数组对应的权重和第二参数组对应的权重,对第一参数组的数值和第二参数组的数值进行加权处理,得到在时间段内的目标用户的急加速习惯评分;
当第一参数组包括多个参数时,第一参数组对应的权重的个数与第一参数组中的参数的个数相同,第二参数组包括多个参数时,第二参数组对应的权重的个数与第二参数组中的参数的个数相同。
例如,当第一参数组包括起步速度残差超过残差阈值的次数和起步踏板行程超过行程阈值的次数;第二参数组包括加速度超过加速阈值的次数与行程里程之间的比值,和加速度超过加速阈值的次数与加速的次数之间的比值,则通过以下公式确定在时间段内的目标用户的急加速习惯评分:
其中,k1和k4为第二参数组对应的权重,k2和k3为第一参数组对应的权重。y为加速度超过加速阈值的次数,x为加速的次数,p为行程里程,m为起步速度残差超过残差阈值的次数,n为起步踏板行程超过行程阈值的次数。
S103:确定在时间段内的目标用户的急加速习惯评分对应的级别;
S104:根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定目标用户的驾驶习惯。
其中,每个级别均会对应一种驾驶习惯,结合表1所示:
表1
级别 | 驾驶习惯 |
1 | 急加速的习惯 |
2 | 有急加速行为趋势 |
3 | 趋向正常驾驶行为 |
4 | 正常行程较为保守 |
5 | 较为中规中矩的驾驶行为 |
例如,以19个时间段为例,目标用户分别为司机A和司机B,其中,司机A的数据如下:
表2
针对每个时间段,根据每个时间段的数据,确定每个时间段的级别,如表2所示,当时间段为2021/5/19 17:00~18:00,根据x=53,y=17,m=0,n=0,p=1,计算评分为0.46,根据评分0.46,确定级别为2。依次类推求取上述19个时间段的级别。
结合图2所示,可以看出,级别为2的个数为10,级别为3的个数为6,级别为4的个数为2,级别为5的个数为1。
根据上述各个级别的个数,确定司机A的驾驶习惯。
具体方法可以为:将多个时间段内的目标用户的急加速习惯评分对应的级别中,出现的个数超过预设个数且最高的级别对应的驾驶习惯,作为所述目标用户的驾驶习惯。
例如,预设个数为3,则司机A的级别超过预设个数为级别2和级别3,这两个最高级别为级别2,所以司机A的驾驶习惯为级别2对应的驾驶习惯,如表1所示,为有急加速行为趋势。
又如,司机B的数据如下:
表3
针对每个时间段,根据每个时间段的数据,确定每个时间段的级别,如表3所示,当时间段为2021/5/24 8:00~9:00,根据x=405,y=184,m=58,n=0,p=8.5,计算评分为0.81,根据评分0.81,确定级别为1。依次类推求取上述26个时间段的级别。
结合表3和图3所示,可以看出,级别为1的个数为6,级别为2的个数为7,级别为3的个数为5,级别为4的个数为5,级别为5的个数为3。
若预设个数为5,则司机B的级别超过预设个数为级别1、级别2、级别3、级别4,这四个最高级别为级别1,所以司机B的驾驶习惯为级别1对应的驾驶习惯,如表1所示,为急加速的习惯。
起步踏板行程和起步实际速度之间的关系,并非仅仅是车辆的性能决定,还需要实际的道路情况决定的,例如道路为上坡时,道路为下坡时,那么相同的起步踏板行程,起步的实际速度并不同。所以,本发明实施例可以通过实际的起步踏板行程和起步实际速度进行线性回归,找到起步踏板行程和起步实际速度的关系,从而能够确定残差阈值,具体来说:
对多个数据组进行线性回归处理,确定起步踏板行程和起步实际速度之间的第一对应关系;其中,每个数据组包括一次起步的起步踏板行程和起步实际速度;
针对每个数据组,根据数据组中的起步踏板行程和第一对应关系,确定起步预测速度,并确定所述起步预测速度和所述数据组中的起步实际速度之间的差值;
根据多个数据组对应的差值,确定差值和该差值出现的概率之间的第二对应关系;并将根据第一预设概率和所述第二对应关系得到的差值,作为残差阈值。
其中,多个数据组的车辆性能相似。
结合图4所示,对多个数据组进行线性回归处理,得到回归方程:v=2.18+0.36p,v为起步实际速度,p为起步踏板行程。该回归方程为起步踏板行程和起步实际速度之间的第一对应关系。
将每个数据组中的起步踏板行程输入到v=2.18+0.36p中,得到的速度为起步预测速度;并计算起步预测速度和数据组中的起步实际速度之间的差值。
将多个数据组对应的差值进行ks检测,得到差值和该差值出现的概率之间的第二对应关系。当多个数据组对应的差值有10个11.52,20个10,30个11等等,差值11.52出现的概率为10除以数据组对应的差值的总个数,差值10出现的概率为20除以数据组对应的差值的总个数,差值11出现的概率为30除以数据组对应的差值的总个数,依次类推,计算每个出现的差值和该差值出现的概率,根据这些数据进行线性归回,得到差值和该差值出现的概率之间的第二对应关系,结合图5所示,图中的曲线C1为第二对应关系。
然后将第一预设概率输入到第二对应关系中,得到的差值作为残差阈值。
由于多个数据组对应的差值符合正态分布,形如图6中的曲线C2所示,所以,当多个数据组对应的差值不符合正态分布时,说明该多个数据组是不合理的,那么可以再另外选择多个数据组,直到多个数据组对应的差值符合正态分布为止,确定出来的残差阈值可以进一步运算。
如果数据采集的时间间隔比较大时,采集的数据中间状态变化的比较大,误差会比较大,所以,通过以下方式获取起步踏板行程和起步实际速度。
若起步踏板第二帧数据值大于起步踏板第一帧数据值,且起步第二帧车速值大于起步第一帧车速值,且起步第二帧采集时间戳大于起步第一帧采集时间戳,则将起步踏板第二帧数据值和起步踏板第一帧数据值的平均值,作为起步踏板行程;将起步第二帧车速值和起步第一帧车速值的平均值,作为起步实际速度。
同样的,通过以下方式确定行程阈值:
根据多次起步的起步踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系;
根据第二预设概率和第三对应关系得到的起步踏板行程,作为行程阈值。
确定起步踏板行程出现的数值,以及该数值出现的次数,然后将该数值出现的次数除以起步踏板行程的总个数得到该数值出现的概率。依次类推,得到每个数值以及该数值出现的概率,然后根据这些数据进行线性归回,得到起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系。将第二预设概率输入到第三对应关系得到的起步踏板行程,作为行程阈值。
可选的,通过以下方式确定所述第一参数组对应的权重和所述第二参数组对应的权重:
根据多个用户的行车数据、第一参数组对应的初始权重和第二参数组对应的初始权重,得到多个用户的急加速习惯评分;
若多个用户的急加速习惯评分符合正态分布,则确定第一参数组对应的初始权重为第一参数组对应的权重,第二参数组对应的初始权重为第二参数组对应的权重;
若多个用户的急加速习惯评分不符合正态分布,则对第一参数组对应的初始权重和第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合正态分布为止。
示例性的,针对每个用户的行车数据,根据该用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值,然后基于第一参数组对应的初始权重和第二参数组对应的初始权重,对第一参数组的数值和第二参数组的数值进行加权处理,得到在该用户的急加速习惯评分;若多个用户的急加速习惯评分符合正态分布,结合图7所示的曲线C3,则确定第一参数组对应的初始权重为第一参数组对应的权重,第二参数组对应的初始权重为第二参数组对应的权重。
若多个用户的急加速习惯评分不符合正态分布,即不符合图7中的曲线C3,则对第一参数组对应的初始权重和第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合图7中的曲线C3为止。
为了提出不合理数据,在根据多个用户的行车数据和初始权重,得到多个用户的急加速习惯评分之前,所述方法还包括:
根据多个用户的行车数据,确定每个用户的加速值超过加速阈值的次数;并确定每个用户的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值;
从多个用户的行车数据中,剔除多个用户对应的比值中超过阈值范围的比值对应的行车数据;其中,阈值范围是基于多个用户对应的比值和出现每个比值的概率形成的正态分布曲线,得到的第三预设概率对应的比值确定的。
具体来说,针对每个比值,确定该比值出现的次数,以及将该比值出现的次数除以比值的总个数得到该比值出现的概率。依次类推,多个用户对应的比值和出现每个比值的概率进行线性回归,得到正态分布曲线,形如图8的曲线C4所示,然后将该第三预设概率输入到正态分布曲线中,得到的两个比值,O1和O2作为阈值范围的两个界限值,然后剔除超过阈值范围的比值对应的行车数据,也就是剔除小于O1,大于O2的比值对应的行车数据,即剔除掉了数据不合理的部分。
在本发明实施例中,确定在时间段内的目标用户的急加速习惯评分对应的级别,包括:
根据评分范围和级别的对应关系,确定在时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在时间段内的目标用户的急加速习惯评分对应的级别。
具体来说,通过k-means模型,根据评分范围和级别的对应关系,确定在时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在时间段内的目标用户的急加速习惯评分对应的级别。
本发明通过多个用户的行车数据,计算每个用户的急加速习惯评分,然后将每个用户的急加速习惯评分作为训练数据,训练k-means模型,训练得到k-means模型。
训练结果如表4所示:
表4
1级 | 2级 | 3级 | 4级 | 5级 | |
聚类点 | 7621 | 15471 | 19730 | 16941 | 9054 |
聚类中心值 | 0.5883 | 0.4678 | 0.3699 | 0.2721 | 0.1545 |
占比 | 11.07% | 22.48% | 28.67% | 24.62% | 13.16% |
结合图9所示,每一级的占比为11.07%、22.48%、28.67%、24.62%、13.16%,符合正态分布,从而满足实际行车数据的情况。可以看出训练出来的k-means模型。
本发明实施例提供了一种驾驶习惯评价装置,结合图10所示,包括:
获取模块1000,用于获取多个时间段内目标用户的行车数据;
级别模块1010,用于针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
评价模块1020,用于根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
可选的,所述第一参数组包括:起步速度残差超过残差阈值的次数和/或起步踏板行程超过行程阈值的次数;其中,所述起步速度残差为起步预测速度和起步实际速度之间的差值。
可选的,残差阈值模块,用于:
对多个数据组进行线性回归处理,确定起步踏板行程和起步实际速度之间的第一对应关系;其中,每个数据组包括一次起步的起步踏板行程和起步实际速度;
针对每个数据组,根据所述数据组中的起步踏板行程和所述第一对应关系,确定起步预测速度,并确定所述起步预测速度和所述数据组中的起步实际速度之间的差值;
根据多个数据组对应的差值,确定差值和该差值出现的概率之间的第二对应关系;并将根据第一预设概率和所述第二对应关系得到的差值,作为残差阈值。
可选的,行程阈值模块,用于:
根据多次起步的起步踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系;
根据第二预设概率和所述第三对应关系得到的起步踏板行程,作为行程阈值。
可选的,评价模块1020,具体用于:
将多个时间段内的目标用户的急加速习惯评分对应的级别中,出现的个数超过预设个数且最高的级别对应的驾驶习惯,作为所述目标用户的驾驶习惯。
可选的,级别模块1010,具体用于:
根据评分范围和级别的对应关系,确定在所述时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在所述时间段内的目标用户的急加速习惯评分对应的级别。
可选的,权重确定模块,用于:
根据多个用户的行车数据、所述第一参数组对应的初始权重和所述第二参数组对应的初始权重,得到多个用户的急加速习惯评分;
若多个用户的急加速习惯评分符合正态分布,则确定所述第一参数组对应的初始权重为所述第一参数组对应的权重,所述第二参数组对应的初始权重为所述第二参数组对应的权重;
若多个用户的急加速习惯评分不符合正态分布,则对所述第一参数组对应的初始权重和所述第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合正态分布为止。
可选的,权重确定模块,还用于:
根据多个用户的行车数据,确定每个用户的加速值超过加速阈值的次数;并确定每个用户的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值;
从多个用户的行车数据中,剔除多个用户对应的比值中超过阈值范围的比值对应的行车数据;其中,所述阈值范围是基于多个用户对应的比值和出现每个比值的概率形成的正态分布曲线,得到的第三预设概率对应的比值确定的。
本发明实施例提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器具体用于:获取多个时间段内目标用户的行车数据;
针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;
基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;
确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
可选的,所述第一参数组包括:起步速度残差超过残差阈值的次数和/或起步踏板行程超过行程阈值的次数;其中,所述起步速度残差为起步预测速度和起步实际速度之间的差值。
可选的,通过以下方式确定残差阈值:
对多个数据组进行线性回归处理,确定起步踏板行程和起步实际速度之间的第一对应关系;其中,每个数据组包括一次起步的起步踏板行程和起步实际速度;
针对每个数据组,根据所述数据组中的起步踏板行程和所述第一对应关系,确定起步预测速度,并确定所述起步预测速度和所述数据组中的起步实际速度之间的差值;
根据多个数据组对应的差值,确定差值和该差值出现的概率之间的第二对应关系;并将根据第一预设概率和所述第二对应关系得到的差值,作为残差阈值。
可选的,通过以下方式确定行程阈值:
根据多次起步的起步踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系;
根据第二预设概率和所述第三对应关系得到的起步踏板行程,作为行程阈值。
可选的,根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯,包括:
将多个时间段内的目标用户的急加速习惯评分对应的级别中,出现的个数超过预设个数且最高的级别对应的驾驶习惯,作为所述目标用户的驾驶习惯。
可选的,确定在所述时间段内的目标用户的急加速习惯评分对应的级别,包括:
根据评分范围和级别的对应关系,确定在所述时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在所述时间段内的目标用户的急加速习惯评分对应的级别。
可选的,通过以下方式确定所述第一参数组对应的权重和所述第二参数组对应的权重:
根据多个用户的行车数据、所述第一参数组对应的初始权重和所述第二参数组对应的初始权重,得到多个用户的急加速习惯评分;
若多个用户的急加速习惯评分符合正态分布,则确定所述第一参数组对应的初始权重为所述第一参数组对应的权重,所述第二参数组对应的初始权重为所述第二参数组对应的权重;
若多个用户的急加速习惯评分不符合正态分布,则对所述第一参数组对应的初始权重和所述第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合正态分布为止。
可选的,根据多个用户的行车数据和初始权重,得到多个用户的急加速习惯评分之前,所述方法还包括:
根据多个用户的行车数据,确定每个用户的加速值超过加速阈值的次数;并确定每个用户的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值;
从多个用户的行车数据中,剔除多个用户对应的比值中超过阈值范围的比值对应的行车数据;其中,所述阈值范围是基于多个用户对应的比值和出现每个比值的概率形成的正态分布曲线,得到的第三预设概率对应的比值确定的。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由处理器执行以完成上述驾驶习惯评价方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
其中,该电子设备除了上述介绍的处理器以及存储器外,结合图11所示,还包括:射频(Radio Frequency,RF)电路1110、无线保真(Wireless Fidelity,Wi-Fi)模块1120、通信接口1130、显示单元1140、电源1150、处理器1160、存储器1170等部件。本领域技术人员可以理解,图11中示出的电子设备的结构并不构成对电子设备的限定,本申请实施例提供的电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图11对所述电子设备1100的各个构成部件进行具体的介绍:
所述RF电路1110可用于通信过程中,数据的接收和发送。特别地,所述RF电路1110在接收到基站的下行数据后,发送给所述处理器1160处理;另外,将待发送的上行数据发送给基站。通常,所述RF电路1110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier,LNA)、双工器等。
此外,RF电路1110还可以通过无线通信与网络和其他电子设备通信。所述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯***(Global System ofMobile communication,GSM)、通用分组无线服务(General Packet Radio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
Wi-Fi技术属于短距离无线传输技术,所述电子设备1100通过Wi-Fi模块1120可以连接接入点(Access Point,AP),从而实现数据网络的访问。所述Wi-Fi模块1120可用于通信过程中,数据的接收和发送。
所述电子设备1100可以通过所述通信接口1130与其他电子设备实现物理连接。可选的,所述通信接口1130与所述其他电子设备的通信接口通过电缆连接,实现所述电子设备1100和其他电子设备之间的数据传输。
由于在本申请实施例中,所述电子设备1100能够实现通信业务,向其他联系人发送信息,因此所述电子设备1100需要具有数据传输功能,即所述电子设备1100内部需要包含通信模块。虽然图11示出了所述RF电路1110、所述Wi-Fi模块1120、和所述通信接口1130等通信模块,但是可以理解的是,所述电子设备1100中存在上述部件中的至少一个或者其他用于实现通信的通信模块(如蓝牙模块),以进行数据传输。
例如,当所述电子设备1100为手机时,所述电子设备1100可以包含所述RF电路1110,还可以包含所述Wi-Fi模块1120;当所述电子设备1100为计算机时,所述电子设备1100可以包含所述通信接口1130,还可以包含所述Wi-Fi模块1120;当所述电子设备1100为平板电脑时,所述电子设备1100可以包含所述Wi-Fi模块。
所述显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及所述电子设备1100的各种菜单。所述显示单元1140即为所述电子设备1100的显示***,用于呈现界面,实现人机交互。
所述显示单元1140可以包括显示面板1141。可选的,所述显示面板1141可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-EmittingDiode,OLED)等形式来配置。
所述存储器1170可用于存储软件程序以及模块。所述处理器1160通过运行存储在所述存储器1170的软件程序以及模块,从而执行所述电子设备1100的各种功能应用以及数据处理。
可选的,所述存储器1170可以主要包括存储程序区和存储数据区。其中,存储程序区可存储操作***、各种应用程序(比如通信应用)以及人脸识别模块等;存储数据区可存储根据所述电子设备的使用所创建的数据(比如各种图片、视频文件等多媒体文件,以及人脸信息模板)等。
此外,所述存储器1170可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述处理器1160是所述电子设备1100的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在所述存储器1170内的软件程序和/或模块,以及调用存储在所述存储器1170内的数据,执行所述电子设备1100的各种功能和处理数据,从而实现基于所述电子设备的多种业务。
可选的,所述处理器1160可包括一个或多个处理单元。可选的,所述处理器1160可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到所述处理器1160中。
所述电子设备1100还包括用于给各个部件供电的电源1150(比如电池)。可选的,所述电源1150可以通过电源管理***与所述处理器1160逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗等功能。
本发明实施例还提供一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行实现本发明实施例上述任意一项驾驶习惯评价方法。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种驾驶习惯评价方法,其特征在于,包括:
获取多个时间段内目标用户的行车数据;
针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;
基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;
确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
2.根据权利要求1所述的驾驶习惯评价方法,其特征在于,所述第一参数组包括:起步速度残差超过残差阈值的次数和/或起步踏板行程超过行程阈值的次数;其中,所述起步速度残差为起步预测速度和起步实际速度之间的差值。
3.根据权利要求2所述的驾驶习惯评价方法,其特征在于,通过以下方式确定残差阈值:
对多个数据组进行线性回归处理,确定起步踏板行程和起步实际速度之间的第一对应关系;其中,每个数据组包括一次起步的起步踏板行程和起步实际速度;
针对每个数据组,根据所述数据组中的起步踏板行程和所述第一对应关系,确定起步预测速度,并确定所述起步预测速度和所述数据组中的起步实际速度之间的差值;
根据多个数据组对应的差值,确定差值和该差值出现的概率之间的第二对应关系;并将根据第一预设概率和所述第二对应关系得到的差值,作为残差阈值。
4.根据权利要求2所述的驾驶习惯评价方法,其特征在于,通过以下方式确定行程阈值:
根据多次起步的起步踏板行程,确定起步踏板行程和该起步踏板行程出现的概率之间的第三对应关系;
根据第二预设概率和所述第三对应关系得到的起步踏板行程,作为行程阈值。
5.根据权利要求1所述的驾驶习惯评价方法,其特征在于,根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯,包括:
将多个时间段内的目标用户的急加速习惯评分对应的级别中,出现的个数超过预设个数且最高的级别对应的驾驶习惯,作为所述目标用户的驾驶习惯。
6.根据权利要求1所述的驾驶习惯评价方法,其特征在于,确定在所述时间段内的目标用户的急加速习惯评分对应的级别,包括:
根据评分范围和级别的对应关系,确定在所述时间段内的目标用户的急加速习惯评分所属的评分范围对应的级别,为在所述时间段内的目标用户的急加速习惯评分对应的级别。
7.根据权利要求1~6任一所述的驾驶习惯评价方法,其特征在于,通过以下方式确定所述第一参数组对应的权重和所述第二参数组对应的权重:
根据多个用户的行车数据、所述第一参数组对应的初始权重和所述第二参数组对应的初始权重,得到多个用户的急加速习惯评分;
若多个用户的急加速习惯评分符合正态分布,则确定所述第一参数组对应的初始权重为所述第一参数组对应的权重,所述第二参数组对应的初始权重为所述第二参数组对应的权重;
若多个用户的急加速习惯评分不符合正态分布,则对所述第一参数组对应的初始权重和所述第二参数组对应的初始权重进行调整,直到多个用户的急加速习惯评分符合正态分布为止。
8.根据权利要求7所述的驾驶习惯评价方法,其特征在于,根据多个用户的行车数据和初始权重,得到多个用户的急加速习惯评分之前,所述方法还包括:
根据多个用户的行车数据,确定每个用户的加速值超过加速阈值的次数;并确定每个用户的加速值超过加速阈值的次数和每个用户的行驶里程之间的比值;
从多个用户的行车数据中,剔除多个用户对应的比值中超过阈值范围的比值对应的行车数据;其中,所述阈值范围是基于多个用户对应的比值和出现每个比值的概率形成的正态分布曲线,得到的第三预设概率对应的比值确定的。
9.一种驾驶习惯评价装置,其特征在于,包括:
获取模块,用于获取多个时间段内目标用户的行车数据;
级别模块,用于针对每个时间段,根据所述时间段内的目标用户的行车数据,确定表征用户急加速意愿的第一参数组的数值,以及表征用户急加速行为的第二参数组的数值;基于所述第一参数组对应的权重和所述第二参数组对应的权重,对所述第一参数组的数值和所述第二参数组的数值进行加权处理,得到在所述时间段内的目标用户的急加速习惯评分;确定在所述时间段内的目标用户的急加速习惯评分对应的级别;
评价模块,用于根据多个时间段内的目标用户的急加速习惯评分对应的级别,确定所述目标用户的驾驶习惯。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至权利要求8中任一项所述的驾驶习惯评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829451.6A CN113469458B (zh) | 2021-07-22 | 2021-07-22 | 驾驶习惯评价方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829451.6A CN113469458B (zh) | 2021-07-22 | 2021-07-22 | 驾驶习惯评价方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469458A true CN113469458A (zh) | 2021-10-01 |
CN113469458B CN113469458B (zh) | 2024-06-14 |
Family
ID=77881883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829451.6A Active CN113469458B (zh) | 2021-07-22 | 2021-07-22 | 驾驶习惯评价方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114103966A (zh) * | 2021-11-17 | 2022-03-01 | 东风汽车集团股份有限公司 | 一种辅助驾驶的控制方法、装置和*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013227008A (ja) * | 2012-03-27 | 2013-11-07 | National Traffic Safety & Environment Laboratory | 自動ブレーキシステムの評価プログラム、評価装置、及び評価方法 |
KR20150009098A (ko) * | 2013-07-15 | 2015-01-26 | 재단법인 씨윗코리아 | 운행정보 공유 시스템 |
KR20160039822A (ko) * | 2014-10-02 | 2016-04-12 | 현대모비스 주식회사 | 운전자 적응 엠디피에스 제어 장치 |
CN106202872A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 机动车辆驾驶行为评分方法 |
CN108520338A (zh) * | 2018-03-22 | 2018-09-11 | 四川畅云出行信息技术有限公司 | 车辆驾驶行为的评分方法及*** |
CN109263648A (zh) * | 2018-11-16 | 2019-01-25 | 深圳市元征科技股份有限公司 | 一种驾驶行为的评价方法、装置及设备 |
CN109785464A (zh) * | 2019-01-25 | 2019-05-21 | 合肥市智信汽车科技有限公司 | 一种出租车远程监控及驾驶行为评价方法 |
CN109872075A (zh) * | 2019-03-05 | 2019-06-11 | 北京经纬恒润科技有限公司 | 一种油耗相关驾驶行为的评估方法及*** |
CN110533261A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种物流运输车辆的驾驶行为分析优化*** |
KR102090421B1 (ko) * | 2019-03-15 | 2020-03-18 | (주)로프 | 차량 안전운전 습관지수 산정 시스템 |
CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、***及存储介质 |
CN111881808A (zh) * | 2020-07-23 | 2020-11-03 | 长安大学 | 基于连续追踪数据的电动公交起步阶段驾驶员异常操作行为识别方法 |
CN112078591A (zh) * | 2019-06-14 | 2020-12-15 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其驾驶辅助方法 |
CN112508317A (zh) * | 2020-09-01 | 2021-03-16 | 中国汽车技术研究中心有限公司 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
US10990837B1 (en) * | 2019-10-28 | 2021-04-27 | Verizon Connect Ireland Limited | Systems and methods for utilizing machine learning and feature selection to classify driving behavior |
CN112918481A (zh) * | 2021-03-25 | 2021-06-08 | 蔚来汽车科技(安徽)有限公司 | 确定驾驶参数的方法及车辆控制装置 |
-
2021
- 2021-07-22 CN CN202110829451.6A patent/CN113469458B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013227008A (ja) * | 2012-03-27 | 2013-11-07 | National Traffic Safety & Environment Laboratory | 自動ブレーキシステムの評価プログラム、評価装置、及び評価方法 |
KR20150009098A (ko) * | 2013-07-15 | 2015-01-26 | 재단법인 씨윗코리아 | 운행정보 공유 시스템 |
KR20160039822A (ko) * | 2014-10-02 | 2016-04-12 | 현대모비스 주식회사 | 운전자 적응 엠디피에스 제어 장치 |
CN106202872A (zh) * | 2016-06-27 | 2016-12-07 | 江苏迪纳数字科技股份有限公司 | 机动车辆驾驶行为评分方法 |
CN108520338A (zh) * | 2018-03-22 | 2018-09-11 | 四川畅云出行信息技术有限公司 | 车辆驾驶行为的评分方法及*** |
CN109263648A (zh) * | 2018-11-16 | 2019-01-25 | 深圳市元征科技股份有限公司 | 一种驾驶行为的评价方法、装置及设备 |
CN109785464A (zh) * | 2019-01-25 | 2019-05-21 | 合肥市智信汽车科技有限公司 | 一种出租车远程监控及驾驶行为评价方法 |
CN109872075A (zh) * | 2019-03-05 | 2019-06-11 | 北京经纬恒润科技有限公司 | 一种油耗相关驾驶行为的评估方法及*** |
KR102090421B1 (ko) * | 2019-03-15 | 2020-03-18 | (주)로프 | 차량 안전운전 습관지수 산정 시스템 |
CN112078591A (zh) * | 2019-06-14 | 2020-12-15 | 上海博泰悦臻电子设备制造有限公司 | 车辆、车机设备及其驾驶辅助方法 |
CN110533261A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种物流运输车辆的驾驶行为分析优化*** |
US10990837B1 (en) * | 2019-10-28 | 2021-04-27 | Verizon Connect Ireland Limited | Systems and methods for utilizing machine learning and feature selection to classify driving behavior |
CN111552926A (zh) * | 2020-04-28 | 2020-08-18 | 重庆长安新能源汽车科技有限公司 | 基于车联网的驾驶行为评价方法、***及存储介质 |
CN111881808A (zh) * | 2020-07-23 | 2020-11-03 | 长安大学 | 基于连续追踪数据的电动公交起步阶段驾驶员异常操作行为识别方法 |
CN112508317A (zh) * | 2020-09-01 | 2021-03-16 | 中国汽车技术研究中心有限公司 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
CN112918481A (zh) * | 2021-03-25 | 2021-06-08 | 蔚来汽车科技(安徽)有限公司 | 确定驾驶参数的方法及车辆控制装置 |
Non-Patent Citations (1)
Title |
---|
黎忠刚;刘国栋;刘锬;令狐铁民;尹志勇;: "基于OBD技术的驾驶习惯的参数化指标研究", 人类工效学, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114103966A (zh) * | 2021-11-17 | 2022-03-01 | 东风汽车集团股份有限公司 | 一种辅助驾驶的控制方法、装置和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113469458B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613680B (zh) | 续航里程估算方法、装置、设备及存储介质 | |
CN103077718B (zh) | 语音处理方法、***和终端 | |
US9848089B2 (en) | Methods and apparatus to generate an overall performance index | |
US20200141834A1 (en) | Method and device for determining maximum gear ratio of transmission | |
CN113469458B (zh) | 驾驶习惯评价方法、装置及电子设备 | |
EP4322610A1 (en) | Communication processing method, communication apparatus and communication system | |
CN113085869B (zh) | 一种车载路面纵向坡度估算方法及装置 | |
CN115988421A (zh) | 一种基于时间权重聚类的职住地估计方法及装置 | |
CN110415560B (zh) | 基于车联网***的资源量估计方法、碰撞预测方法及装置 | |
CN111107512B (zh) | 一种配置参数更新方法及装置 | |
CN107155192B (zh) | 一种用户体验质量评估方法及装置 | |
CN115123245A (zh) | 驾驶模式切换方法、装置和车辆 | |
CN116647822A (zh) | 一种网络选择方法、装置及存储介质 | |
CN101964993B (zh) | 一种实现用户预警的方法及*** | |
CN112298184B (zh) | 基于人工智能的驾驶切换方法、装置、设备和存储介质 | |
CN113810878A (zh) | 一种基于车联网任务卸载决策的宏基站放置方法 | |
CN114138466A (zh) | 面向智慧公路的任务协同处理方法、装置及存储介质 | |
CN108984289B (zh) | 优先级控制方法、装置及车联网服务平台 | |
CN112929892A (zh) | 功率资源的配置方法、装置及存储介质 | |
CN112053566B (zh) | 电子设备及车辆的出行类型识别方法 | |
CN113411898B (zh) | 调制功率分配方法、cu及终端设备 | |
CN111669443B (zh) | 一种电力车联网的信息处理方法及装置 | |
CN112312448B (zh) | 一种rrc连接数的评估方法和装置 | |
CN114040435B (zh) | 网络覆盖质量的评测方法、装置、存储介质及设备 | |
CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 |
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 |