CN116368544A - 用于检测超速的方法、电子装置及*** - Google Patents
用于检测超速的方法、电子装置及*** Download PDFInfo
- Publication number
- CN116368544A CN116368544A CN202180068780.1A CN202180068780A CN116368544A CN 116368544 A CN116368544 A CN 116368544A CN 202180068780 A CN202180068780 A CN 202180068780A CN 116368544 A CN116368544 A CN 116368544A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- speed
- server
- profile
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 14
- 210000004027 cell Anatomy 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
-
- 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
- G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种针对一车辆检测超速的方法,该方法包括从一电子数据库取得一车队的、地理区域的历史轨迹数据;通过一服务器的一微处理器来针对各地理区域确定该历史轨迹数据的一速度分布;基于该速度分布,通过与该车辆相关联的电子装置的微处理器确定该车辆的当前速度高于阈值速度,该阈值速度与该分布的预定百分位数相对应。一种***和存储用于该方法的计算机可执行码的计算机可读介质。
Description
技术领域
本公开的一方面有关于针对车队的车辆检测超速的方法。本公开的另一方面有关于针对车队的车辆用于检测超速的电子装置。本公开的另一方面有关于针对车队的车辆用于检测超速的***。
背景技术
对于一些国家,道路***未充裕地提供可用于确定一车队之驾驶员是否超速之法定速限。国家之间可有所不同,举例而言,一些国家可具有定义良好之法定速限,而其他国家则可能缺乏速限,即使对于高速公路亦然。现有解决方案适用于地图数据针对高速公路、地方道路及甚至小巷富含速限之国家或地理区域。然而,用于充实地图数据之现有技巧属于资源密集型且需要手动输入。因此,避免超速需要提供更有效率的方法。
发明内容
本公开的一方面系有关于针对一车队之一车辆检测超速之一方法。该方法可包括从一电子数据库取得多个地理区域之各地理区域之该车队之历史轨迹数据。该方法可包括通过一服务器之一微处理器针对各地理区域确定该历史轨迹数据之一速度分布。该方法可包括,基于该速度分布,通过与该车辆相关联之一电子装置之一微处理器,确定该车辆之一当前速度高于与可在其中记录该当前速度之一当前地理区域中之该速度分布之一预定百分位数对应之一阈值速度,该当前地理区域对应于该各地理区域中之至少一者。该服务器及该电子数据库可经由一通信接口彼此通信耦合。取得可包括通过该服务器针对该历史轨迹数据向该电子数据库传递一电子请求,并且可更包括经由该通信接口将该历史轨迹数据从该电子数据库传递至该服务器。
本公开之一方面系有关于包括一车队、一服务器、及多个电子装置之一***,其中多个电子装置之各装置可与一车队之一车辆相关联,并且可包括:
一轨迹数据获取电路,其被配置用以获取当前轨迹数据;
一处理器,其被配置用以基于一速度分布,判断该车辆之一当前速度是否可高于与可在其中记录该当前速度之一当前地理区域中之该速度分布之一预定百分位数对应之一阈值速度,该当前地理区域对应于该各地理区域中之至少一者,
其中该服务器可被配置用以从一电子数据库取得多个地理区域之各地理区域之该车队之历史轨迹数据;以及通过一微处理器,针对各地理区域确定该历史轨迹数据之该速度分布。
本公开之一方面系有关于针对车队之车辆检测超速的方法。该方法可包括从一电子数据库取得多个地理区域之各地理区域之该车队之历史轨迹数据。该方法可包括通过一服务器之一微处理器针对各地理区域确定该历史轨迹数据之一速度分布。该方法可包括基于该速度分布,例如基于该速度分布之一或多个百分位数,将一电子分类器训练成一已受训分类器。该服务器及该电子数据库可经由一通信接口彼此通信耦合。取得可包括通过该服务器针对该历史轨迹数据向该电子数据库传递一电子请求,并经由该通信接口将该历史轨迹数据从该电子数据库传递至该服务器。该方法可包括在与该车辆相关联之一电子装置上计算一已确定的未来超速概率,并且可更包括确定该已确定的未来超速概率高于一预定阈值。
本公开之一方面系有关于一电子装置。该电子装置可包括被配置用以获取当前轨迹数据之一轨迹数据获取电路。该电子装置可包括一通信电路,其被配置用以例如从一服务器针对一已受训分类器接收预受训权重。该电子装置可包括一处理器,其被配置用以基于该轨迹数据,使用配置有该等预受训权重之该已受训分类器来计算一未来超速概率。该电子装置可进一步判断该未来超速概率是否高于一预定阈值。
本公开之一方面系有关于一***,其包括一服务器及多个电子装置。该多个电子装置之各装置可与一车队之一车辆相关联,并且可根据各项实施例来配置。该服务器可被配置用以从一电子数据库取得多个地理区域之各地理区域之该车队之历史轨迹数据。该服务器可被配置用以产生预受训权重作为训练该分类器之一结果,并且可更被配置用以向该电子装置上传该等预受训权重,藉此在该电子装置上提供该已受训分类器。
本公开之方面系有关于根据各项实施例用于本文中所揭示各方法之一计算机程序产品,该计算机程序产品包括计算机可执行码,该计算机可执行码包括指令,当该程序可由一计算机执行时,该等指令致使该计算机实行该方法。
本公开之一方面系有关于一非暂时性计算机可读介质,其储存包括指令之计算机可执行码,用来从一轨迹数据获取电路取得当前轨迹数据。该可执行码可包括用以经由配置之一通信电路例如从一服务器针对一已受训分类器接收预受训权重之指令。该可执行码可包括用以将带有该等预受训权重之一分类器配置成一已受训分类器之指令。该可执行码可包括用以使用该已受训分类器并基于该轨迹数据来计算一未来超速概率之指令。
附图说明
本说明将在搭配非限制实例及附图考量时,参照详细说明而得以更加了解,其中:
图1根据各项实施例,展示***100的一示意图,其包括一电子装置100B及一服务器100A;
图2展示划分成多个地理区域之一城市之一地图区域210;
图3根据一些实施例,展示针对一车队之一车辆检测超速之一方法350的一流程图350;
图4根据各项实施例,展示一方法的一流程图400;
图5根据各项实施例,展示用于训练一分类器之一方法的一流程图500;
图6根据各项实施例,展示一流程图,其包括训练该分类器及上传预受训权重;
图7展示一地图710之一地理区域717,地理区域717系通过四个转角(针点714)所界定;
图8根据各项实施例,展示从一个地理区域之历史数据计算出之速度分布;
图9根据各项实施例,展示可通过电子装置实行之一方法的一示意图;以及
图10根据一实例,展示一***的一示意图。
具体实施方式
以下详细说明意指以例示方式展示可实践本公开之特定细节及实施例的附图。这些实施例系经充分详细说明而使得所属技术领域中具有通常知识者能够实践本公开。可利用其他实施例并且可施作结构化、及逻辑变更但不会脱离本公开之范畴。各项实施例不必然互斥,因为一些实施例可与一或多个其他实施例组合以形成新实施例。
在方法、装置或***之一之上下文中所述之实施例对于其他方法、装置或***类似地有效。类似的是,在一方法之上下文中所述之实施例对于一装置或一***类似地有效,反之亦然。
在一实施例之上下文中所述之特征可相应地适用于其他实施例中之相同或类似特征。在一实施例之上下文中所述之特征可相应地适用于其他实施例,即使在这些其他实施例中没有明确说明亦然。再者,如针对一实施例之上下文中之特征所述之新增及/或组合及/或替代例可相应地适用于其他实施例中之相同或类似特征。
在各项实施例之上下文中,关于一特征或元件使用之冠词「一」、「一个」及「该」包括对一或多个特征或元件之一参照。
「及/或」一词于本文中使用时,包括相关联所列项目中之一或多者之任何及全部组合。
根据各项实施例,针对一车队之一车辆检测超速的方法可包括从一电子数据库取得多个地理区域之各地理区域之该车队之历史轨迹数据。「轨迹数据」或「历史轨迹数据」一语于本文中使用时、及根据各项实施例,可包括地理数据,诸如地理空间坐标,并且可更包括举例如通过全球定位***GPS所提供之时间。作为时间之替代方案或除了时间以外,轨迹数据或历史轨迹数据还可包括与一轨迹数据点相关联之速度,该速度可从一平均、一拟合等,基于一或多个相邻点计算出来。轨迹数据可取自一或多个移动车辆之位置记录。例如纬度、经度及时间,轨迹数据可更包括海拔。GPS坐标可根据全球大地坐标***WGS 84,例如G1762版本,但不受限于此。根据各项实施例,轨迹数据可包括多个轨迹数据点,其中各数据点可包括纬度、经度、及速度,并且可更包括方位。可将一轨迹迹线,例如一GPS迹线,定义为与时间戳记相关联之一记录序列。各记录(亦称为轨迹数据点)包括位置及时间戳记。历史轨迹数据可包括随时间储存之来自车队之一或多个车辆之复数条轨迹迹线之一集合。轨迹数据可以是真实世界数据,例如真实世界GPS数据。
根据各项实施例,地理区域代表地球表面上之一区域。举例而言,一城市可由多个地理区域表示,这可通过将一网格套用到一城市之地图上来定义。在一项实例中,网格将一地图划分成预定大小之地理区域(亦称为网格小区),诸如250公尺x 250公尺。「地理」及「地理空间」等词于本文中使用时、及根据各项实施例,可互换使用。
根据各项实施例,针对一车队之一车辆检测超速的方法可更包括通过一服务器之一微处理器,针对各地理区域确定历史轨迹数据之一速度分布。根据各项实施例,一速度分布可以是一累增分布函数,并且可进一步予以正规化。
根据一些实施例,可先预处理历史轨迹数据再确定速度分布,替代地,轨迹数据可先预处理再新增至历史数据。此类预处理可减少杂讯量,举例如由GPS定位误差引起之杂讯量。
根据各项实施例,可预处理当前轨迹数据,举例而言,用以避免位置及/或速度计算之不准确性。因此,新增至历史轨迹数据之轨迹数据可以是已预处理当前轨迹数据。
根据各项实施例,历史轨迹数据可通过将轨迹数据储存在一数据库中来取得。可在一数据库中收集、储存来自车队之车辆及驾驶员之电子装置之轨迹数据,例如GPS数据。由于一电子装置(例如:智慧型手机或平板计算机)与一驾驶员相关联,因此可善用来自驾驶员之数据以推断不同城市及国家之速限。
根据各项实施例,与电子装置相关联之一驾驶员之驾驶员概况数据可包括驾驶员特征数据,举例而言,指出过往超速事故。驾驶员概况可更包括与驾驶员相关联之车辆之相应车辆特性数据,例如,车辆系一四轮车辆还是一2轮车辆、机动等。
根据一些实施例,可先将历史轨迹数据去偏斜再确定速度分布,替代地,轨迹数据可先去偏斜再新增至历史数据。例如当以一固定率(例如1轨迹数据点/秒)撷取GPS数据时,可使用此类去偏斜,这在车辆以相较于一更高速度之一更低速度行进时,将产生一高更多之每距离数据量。
根据一些实施例,针对一车队之一车辆检测超速的方法可更包括基于与速度之反比关系将速度分布去偏斜。由于一轨迹数据点获取率系基于与速度之一反比关系。举例而言,去偏斜可属于线性并且在速度分布上实施。分布之去偏斜可比将轨迹数据去偏斜消耗更少运算资源。
针对一车队之一车辆检测超速的方法可包括基于速度分布确定车辆之一当前速度可高于一阈值速度。根据一些实施例,此确定是基于一统计模型而具有统计性。根据一些实施例,此确定系基于一机器学习模型,并且可通过机器学习来实行,例如通过一已受训分类器来实行。
根据一些实施例,针对一车队之一车辆检测超速的方法可包括基于速度分布确定车辆之一当前速度可高于一阈值速度,该阈值速度对应于可在其中记录该当前速度之一当前地理区域中之该速度分布之一预定百分位数。替代地或另外,针对一车队之一车辆检测超速的方法可包括基于速度分布确定一未来超速概率。
根据各项实施例,当前地理区域可对应于该各地理区域中之至少一者,对于该至少一个地理区域,历史轨迹数据在服务器中可取用。该确定可通过与车辆相关联之电子装置之一微处理器来实行。该服务器及该电子数据库可经由一通信接口彼此通信耦合。
根据各项实施例,一超速或一未来超速风险(或概率)可通过或经由一警示向驾驶员指出,举例而言,使用一可听警示、一语音警示、一显示器上之一讯息、送至电子装置之一推送通知来指出。替代地或另外,可随着元数据将一超速或一未来超速概率从电子装置传递至服务器,该元数据可随着时间(例如,以每日为基础)予以汇集并回报为一超速报告。举例而言,如果使驾驶员分心系一关注事项,则可关闭在驾驶期间发出警示。
一未来超速系一超速预期,可潜在阻止一事故发生,因为驾驶员提前收到通知并因此察觉其处于监测状态。根据各项实施例,可针对未来,举例而言,下一分钟,例如提前20到30秒,提供对未来超速(本文中亦称为即将超速)之预测。
在针对一车队之一车辆检测超速的方法中,取得该车队之历史轨迹数据可包括通过该服务器针对该历史轨迹数据向该电子数据库传递一电子请求,并且可更包括经由该通信接口将该历史轨迹数据从该电子数据库传递至该服务器。
根据一些实施例,针对一车队之一车辆检测超速的方法可包括针对各地理区域基于该速度分布在该服务器上计算该阈值速度;将该多个地理区域之各地理区域之该阈值速度上传至该电子装置。替代地或另外,该方法可包括向该电子装置针对所有该多个地理区域上传相应百分位数或相应阈值速度。上传可经由介于该服务器与该装置之间的一相应通信接口自动进行,举例而言,随选或规律地进行,诸如每周一次。例如针对一整个城市或一整个国家进行一规律更新,得以减小任何时间滞后或由于通信连线不良导致在需要时没有信息可取用之风险。相较于上传完整历史数据,阈值、百分位数、或分布之一规律上传也未占用很多位在装置中之内存或通信频宽。再者,由于服务器未将历史数据曝露至装置,因此提供一增强型数据保护。根据各项实施例,预定阈值系一阈值速度或基于该阈值速度所确定。
根据一些实施例,该方法可更包括基于速度分布计算一已确定的未来超速概率可高于一预定阈值。该计算可在与车辆相关联之电子装置上进行。如果该确定在装置上运行,则降低对网路连线能力及查询后端之相依性。
根据各项实施例,已确定概率可通过一已受训分类器计算。该方法可更包括基于该速度分布,将一电子分类器训练成一已受训分类器。电子装置可储存已受训分类器。电子装置可包括张量流,并且分类器可基于张量流。
根据各项实施例,训练可进一步基于包括情境信息之训练情境数据。计算已确定的未来超速概率可进一步基于包括当前情境信息之当前情境数据。根据各项实施例,训练情境数据可包括训练天气数据,并且当前情境数据可包括当前天气数据。替代地或另外,训练情境数据可包括训练驾驶员概况,并且当前情境数据可包括与电子装置相关联之一驾驶员之一驾驶员概况,其中该等训练驾驶员概况及该驾驶员概况中之各者可包括驾驶员特征数据,举例而言,指出过往超速事故。训练驾驶员概况及驾驶员概况中之各者可更包括与驾驶员相关联之车辆之相应车辆特性数据,例如,车辆系一四轮车辆还是一2轮车辆、机动等。替代地或另外,训练情境数据及当前情境数据可包括以下相应之一或多者:当日之时间、当周之日子、公共假日数据。
根据各项实施例,情境数据及当前情境数据可包括以下相应之一或多者:路况数据、道路特性数据、当前交通型态、邻域类型。
根据各项实施例,可从下列一或多者选择情境数据,诸如训练情境数据及当前情境数据:天气数据、驾驶员概况数据、当日之时间、当周之日子、公共假日数据、白天或夜晚、路况数据、路段状况、路段类型、道路特性数据、当前交通型态、邻域类型。各驾驶员概况可包括与一对应驾驶员相关联之一车辆之车辆特性数据。
根据各项实施例,情境数据,诸如训练情境数据及当前情境数据,可包括曾经在一给定网格小区中发生之若干超速事故。
根据各项实施例,情境数据、以及对应之训练情境数据及当前情境数据可包括一给定地理区域之一超速风险分数。
可导致意外事故或碰撞的一路段上的一速度型态系视为不安全。其由于下雨、风暴或其他恶劣天气条件而可能不安全。一特定速度在白天可能安全,但在夜晚则不那么安全。可有将安全速度在其他情况下更改为不安全之特定交通型态。路况本身可对交通造成一些危险,例如坑洞、转弯、障碍物。对汽车安全之速度对于一两轮车可能不安全。由于此推理,如根据各项实施例使用之超速定义系扩大到超出法定速限,并且系基于安全背景。在本公开之上下文中,超速亦可意味着不安全速度。
一路段之一类型可以是在确定安全或不安全速度时有用之情境信息。一地图,例如一城市之地图,系以一网格划分成多个地理区域,并且一当前位置系对齐(映射)至含有当前位置之一网格小区,即当前地理区域。然而,网格小区可具有许多不同道路类型,有些可以是高速公路,而另一些则可以是狭窄之当地道路。有趣的是,已发现交通速度数据分析显示车辆速度分布具有一高斯混合模型之特性。各网格小区在其边界内可具有多种道路类型。举例而言,各网格小区可含有高速公路段、及当地道路。高斯可先予以确定再输入到分类器里。举例而言,通过分布之一自动化高斯反卷积。根据各项实施例,***可包括一自动化高斯分量确定器,该自动化高斯分量确定器被配置用以针对各地理区域从历史轨迹数据之速度分布确定高斯分量。根据各项实施例,分类器可被配置用以基于高斯分量来确定高斯分量中之一或多者之道路类型。
车辆移动型态之附加特性可用于识别车辆可能属于之特定车型/类别。这种评估快速且需要之内存使用空间小。一旦知道路段类型,便可针对「不安全高速」预测评估相关已受训模型。根据各项实施例,***可包括一预受训车辆识别符,其可以是一已受训分类器,该识别符被配置用以基于车辆移动型态输出一车辆类型。车辆类型可包括下列一或多者:一四轮车辆、一2轮车辆、一机动车辆、一人力车辆、一车辆模型。
应知,不需要确定地理区域中之特定路段,因为路段类型已足够。因此,电子装置不需要使用指出驾驶员所在路段之一地图,从而与使用综合地图之***相比,用于从当前位置确定背景之内存及运算资源更少。鉴于在一行动装置上运行之限制条件,这种从位置对齐至背景之方式亦运作良好。
根据各项实施例,可在服务器上训练电子分类器。可将已受训分类器之预受训权重从服务器上传至电子装置,藉此在电子装置上提供已受训分类器。预受训权重之上传消耗少量频宽,并且可在有规则之间隔下进行,例如每周一次或每月一次。
根据各项实施例,一电子装置可包括被配置用以获取当前轨迹数据之一轨迹数据获取电路。在装置上,适当背景之识别包括读取轨迹数据(例如:GPS感测器数据),诸如纬度、经度、及速度。可从时间戳记确定速度,举例而言,通过一GSP模组确定。该电子装置可包括一通信电路,其被配置用以从一服务器针对一已受训分类器接收预受训权重。电子装置可包括一处理器。处理器可被配置用以将配置有预受训权重之一分类器(即已受训分类器)用于基于轨迹数据计算高于一预定阈值之一未来超速概率。此背景下之一已受训分类器可包括可通过处理器处理(使用)之已受训指令集及权重。电子装置可包括分类器。电子装置可包括已受训分类器。
根据各项实施例,一***可包括一车队、一服务器、及多个电子装置。各电子装置均与服务器之一车辆相关联。该***可包括被配置用以获取当前轨迹数据之一轨迹数据获取电路。该***可包括一通信电路,其被配置用以从一服务器针对该已受训分类器接收该等预受训权重。该***可包括一处理器,该处理器被配置用以将配置有该等预受训权重之一已受训分类器(即该已受训分类器)用于基于该当前轨迹数据计算高于一预定阈值之一未来超速概率。此背景下之一已受训分类器可意味着可通过处理器处理(使用)之已受训指令集及权重。该***可包括该分类器。该***可包括该已受训分类器。
根据各项实施例,一非暂时性计算机可读介质可储存计算机可执行码。根据各项实施例,该符码可包括用以使一计算机(例如:该电子装置之一处理器)实行针对一车队之一车辆检测超速的方法的指令。该符码可包括用以使一计算机(例如:该电子装置之一处理器)从一轨迹数据获取电路取得当前轨迹数据之指令。该符码可包括用以经由一通信电路从一服务器针对一已受训分类器接收预受训权重之指令。该符码可包括用以将带有该等预受训权重之一分类器配置成一已受训分类器之指令。该符码可包括用以计算一未来超速概率高于一预定阈值之指令。该计算可使用已受训分类器,并且可基于一当前速度及/或基于轨迹数据。轨迹数据包括至少两个轨迹数据点,任选地至少包括3个轨迹数据点。3个或更多个轨迹数据点可允许速度取平均,藉此降低或避免由于GPS获取误差导因于速度计算错误。
图1展示包括一电子装置100B(例如:一智慧型手机)及一服务器100A之一***100。服务器100A及电子装置100B可彼此通信耦合以供数据传输。
服务器100A具有至少一个处理器110及用于储存电子数据库111之一内存109。内存109及处理器110可在单一单元中实施,或可置放于不同位置,例如一云端。应知,尽管服务器106系描述为单一服务器,其功能在实际应用中,通常仍将通过多个服务器计算机之布置结构提供(例如,实施一云端服务)。因此,可将服务器所提供,在本文中所述之功能理解为系通过服务器或服务器计算机之一布置结构提供。在一项实例中,数据库可凭借DynamoDB、或另一NoSQL数据库来实施,因为NoSQL数据库未强加于严格之架构,这提供了数据结构之灵活性,藉此允许未来数据随着实施改良而变更。DynamoDB具有可靠性,并且可大规模运作,而大部分操作可在一云端上进行,因此允许自动比例调整。
电子装置100B可包括一轨迹数据获取电路,该轨迹数据获取电路被配置用以获取当前轨迹数据,例如从卫星信号(诸如GPS)计算出之轨迹数据。电子装置100B具有一萤幕,该萤幕显示一电子叫车应用程序之图形驱动程序接口(GUI),该电子叫车应用程序已由电子装置之驾驶员(例如:一计程车司机)先在其电子装置上安装,并且已开启(例如,启动)以实行一运输订单。电子装置100B具有一处理器(未示出)。
GUI 101包括驾驶员所在位置附近之一地图102。应用程序可基于一位置服务,例如一基于GPS之位置服务,来确定位置。地图102亦可显示要行进之轨迹,从而辅助驾驶员行驶。GUI可包括其他特征,举例而言,GUI 101可包括可接收自订单之一出发点103用方块及一目的地104用方块。亦可有一选单(未示出),其允许驾驶员选择各种选项,例如有关乘客之信息、自动付款或现金付款等。
GUI可包括一警示方块,其可呈现或变更外观(例如:闪光)以指出驾驶员何时超速或何时有一即将超速风险。根据各项实施例,电子装置100B被配置用以在检测到超速时发出一警示,及/或被配置用以在预测即将超速时发出一警示。可将即将超速定义为未来超速概率高于预定阈值。
图2展示划分成多个地理区域之一城市之一地图区域210,以举例方式展示为由线条214分开之正方形(诸如215及217)。地图包括代表道路212之数据。图2展示位在地理区域217中之(一驾驶员之)一车辆之一当前位置216。针对车辆检测超速的方法可判断车辆之一当前速度是否高于阈值速度。针对车辆检测超速的方法可包括判断一未来超速概率是否高于一预定阈值。举例而言,该方法可确定不同轨迹之超速概率,例如从当前位置到所示位置A、B或C之超速概率。该方法可根据一所选轨迹计算超速概率,例如对于位置之概率可以是A=10%、B=8%、C=82%。给定一预定阈值,例如75%,当驾驶员选择轨迹218并朝向C行驶时,可触发一警示,例如,在电子装置上显示之一警示,因为82%>75%。
图3根据一些实施例,展示针对一车队之一车辆检测超速之一方法350的一流程图350。方法350包括从一电子数据库111取得多个地理区域之各地理区域之该车队之历史轨迹数据352。取得可包括通过服务器100A(例如通过该服务器之该处理器)针对历史轨迹数据352向电子数据库111传递一电子请求,并经由该通信接口将该历史轨迹数据从电子数据库111传递至服务器100A。
该方法可包括通过一服务器100A之一微处理器针对各地理区域确定354该历史轨迹数据之一速度分布。
该方法可包括,基于该速度分布,通过与该车辆相关联之一电子装置100B之一微处理器,确定该车辆之一当前速度可高于与可在其中记录该当前速度之一当前地理区域中之速度分布354之一预定百分位数对应之一阈值速度,该当前地理区域对应于该各地理区域中之至少一者。举例而言,如图3所示,可在356中确定速度分布之一或多个百分位数。任选地,如果需要,该方法可包括将分布去偏斜,例如,在确定百分位数之前去偏斜。在图3之实例中,该方法可包括情境数据359之提供。在步骤358中,将各种区域之百分位数及其情境数据、以及一当前速度用于判断一驾驶员是超速或是否即将超速。替代地或另外,该方法可基于百分位数或基于分布之分布数据来确定一驾驶员是否超速或即将超速,如图4所示。图4展示一方法的一流程图400,该方法包括将速度分布之百分位数上传452到一驾驶员之装置上、以及使用各种区域之百分位数、及一当前速度在驾驶员之装置上判断一驾驶员是否超速或即将超速之一步骤454。
根据各项实施例,判断一驾驶员是否超速或即将超速可基于可先通过自动化高斯分量确定器确定之速度分布之高斯分量。高斯分量之使用可允许一分类器识别一道路类型。
图5根据各项实施例,展示用于训练一分类器之一方法的一流程图500,根据一些实施例,绘示检测超速之一方法。方法500包括从一电子数据库111取得多个地理区域之各地理区域之该车队之历史轨迹数据502。取得可包括通过服务器100A(例如通过该服务器之该处理器)针对历史轨迹数据502向电子数据库111传递一电子请求,并经由该通信接口将该历史轨迹数据从电子数据库111传递至服务器100A。
用于训练的方法可包括通过一服务器100A之一微处理器为一训练数据集针对各地理区域确定504历史轨迹数据之一速度分布,以及将分类之结果与一地表实况作比较,并且反复动作,直到分类器之分类结果与地表实况之间已经达到一充分收敛为止。替代地或另外,数据集包括速度分布之百分位数,其可在步骤506中确定,并且系训练数据集之部分,以使得可顾及速度分布之百分位数来实行训练。准确度可凭借包括相应地表实况之一测试数据集来统计确定。
根据各项实施例,训练可进一步基于可先通过自动化高斯分量确定器确定之速度分布之高斯分量。高斯分量之使用可允许一分类器识别一道路类型。
根据各项实施例,训练数据集可包括情境数据。相应地,测试数据集可包括测试情境数据。情境数据可诸如训练(或测试)情境数据及当前情境数据,可从下列一或多者选择:天气数据、驾驶员概况、当日之时间、当周之日子、公共假日数据、白天或夜晚、路况数据、路段状况、路段类型、道路特性数据、当前交通型态、邻域类型。各驾驶员概况可包括与一对应驾驶员相关联之一车辆之车辆特性数据。
根据各项实施例,可在服务器100A上训练电子分类器,如图6之流程图600之步骤602所示。可将已受训分类器之预受训权重从服务器100A上传604至电子装置100B,藉此在电子装置100B上提供已受训分类器。相较于上传已受训分类器之整个指令集,仅上传预受训权重可于减少频宽消耗之情况下在电子装置100B上实现规律更新。在一服务器100A上提供训练实质降低电子装置100B上之资源使用,并且允许提升数据安全性,因为不需要将历史数据发送至电子装置100B。
在下文中,将示范可如何针对一例示性数据集确定速度分布。图7展示一地图710之一地理区域717,为了说明性目的,地理区域717系通过一250公尺×250公尺网格小区713之四个转角(针点714)所界定。地理区域包括路段712。
在图7及图8的实例中,来自印尼巴淡市之数据系用于说明。轨迹数据系筛选如下,i)速度大于0;ii)驾驶员系标记为移运中「IN_TRANSIT」,意味着驾驶员接受一行程,并且驾驶员当前正在将乘客移动至目的地;iii)预约码并非虚无(NULL),意味着驾驶员活动受辨识(且非受拒绝)为一有效付费行程,并且存在可查询之已验证码;iv)轨迹数据获取(例如:GPS)之准确度小于或等于20m;v)确认ping状态(例如:「2」),这确认上传之数据有效且可用于进一步运算。对于城市内之各网格小区,符合以上准则之轨迹数据点系针对一预定时间框予以汇集,例如汇集一整月。从图8之四个作图,左上方之作图展示针对一整月在地理区域717中回报之正规化速度分布。当驾驶员移动非行程相关活动之部分时,移运中标志及/或预约码之使用避免运行该方法。因此,可节省运算资源。
图8以举例方式针对地理区域717展示速度分布的一直方图(a)。左上方之直方图(a)将会偏斜,因为相较于移动更快之车辆,以更慢速度行驶之车辆将登录更多轨迹数据点(例如:GPS ping)。直方图(b)系速度分布的一去偏斜直方图,系通过对直方图(a)中所示之分布进行一线性重新加权而建立。相比于与速度更慢之GPS位置点,与更高速度相关联之轨迹数据点受予更大权重。静态ping系从分析排除,因为其未针对虚拟速限确定提供任何值。在各直方图(a)及(b)中,概率密度函数(pdf)在分布上拟合,高斯反卷积系以3个分量comp_1、comp_2及comp_3示出。高斯反卷积可通过自动化高斯分量确定器实行。
左下方之曲线图(c)展示针对速度去偏斜前(cdf)及后(已去偏斜cdf)之累增分布函数。从已去偏斜cdf,可确定速度分布之百分位数,例如,可确定速度分布之第85、第95、第99百分位数。
根据各项实施例,可在电子装置上向下推送(例如上传)带有整个城市网格坐标及其相应百分位数之档案(例如:一JavaScript物件表示法(json)档案)。在一行程期间,可确定传入GPS ping之网格位置,并且可将当前速度与一阈值作比较。阈值可基于百分位数来确定,例如基于第85、第95、第99百分位数数据来确定。举例而言,可将类似于第85百分位数+8km/h规则之一初始方法设定为一阈值。由于电子装置可伴随网格坐标运作,因此不需要将整个地图上传至电子装置。
根据各项实施例,确定超速可通过将车辆之一当前速度与一阈值速度作比较来实行。阈值速度可对应于一当前地理区域中速度分布之预定百分位数,例如:第85百分位数、第85百分位数+8km/h、第95百分位数或第99百分位数。
根据各项实施例,为了判断驾驶员是否超速,对于二或更多个速度确定,该方法可考量持续性超速。因此,在一些实施例中,包括速度之至少两个ping(即轨迹数据点)需要跨越设定阈值,并且这至少两个ping不能等同。在一些实施例中,违反阈值规则之单一GPSping将不视为超速。这允许从GPS速度检测瞬时速度之误差更小,因为有一些时间滞后,并且在最佳状况下,手机GPS感测器之数据率系1Hz。此亦补偿由于接收不良或多路径所致之可能低准确度,有时会影响基于都卜勒之速度测量。根据一些实施例,如果要针对超速检测将轨迹数据点列入考量,则轨迹数据点之准确度必须优于30公尺。
违规可经由推送通知或有声警示在行程期间或在行程结束时向驾驶员示出。替代地或另外,违规可伴随元数据发送回到后端,该元数据可每天汇集并且回报为一超速报告。举例而言,如果使驾驶员分心系一关注事项,则可关闭在驾驶期间发出警示。
图9根据各项实施例,展示可通过电子装置实行之一方法的一示意图。可提供包括已受训分类器之电子装置。电子装置可包括取自服务器之所储存数据,诸如地图数据902、与驾驶员(例如:驾驶员概况数据)及/或车辆904相关之情境数据、以及其他情境数据906(天气、当日之时间)。地图数据902可包括地理区域之坐标(例如:网格坐标),并且可更包括下列一或多者:速度分布、百分位数、预定速度阈值。电子装置可进一步利用可通过一位置接收器模组912,例如一GPS接收器,取得之当前轨迹数据。所储存数据可通过一特征产生器914预处理,其可包括自动化高斯分量确定器及/或其他数据预处理。举例而言,鉴于速度分布及当前地理区域(或可从其确定当前地理区域之当前位置),特征产生器914可确定速度分布之高斯分量,并且可进一步识别对应于当前位置之最可能路段。特征产生器914可输出一特征阵列,诸如速度百分位数(例如第50、第95、第99百分位数)、及由于超速所致之意外事故概率。一例示性阵列可看起来像[20,25,27,0.00002]。该所储存数据可已先储存在电子装置之一内存储存器中,举例而言,在从服务器接收之后储存,并且可针对已受训分类器用作为输入特征。地图特征922可取自地图数据902,驾驶员特征924可取自驾驶员概况数据904,并且情境特征926可取自其他情境数据906。已受训分类器可被配置用以将输入特征嵌入到其神经网路之神经元内,举例而言,可将地图特征922、驾驶员特征924及情境特征926串连,并且在一串连向量930中以串连形式用作为输入。
根据各项实施例,已受训分类器可被配置用以基于轨迹数据计算一未来超速概率。电子装置可被配置用以判断超速概率是否高于一预定阈值。举例而言,如果所计算概率系0.739,并且阈值系0.75,则未确定未来超速,而且,例如,电子装置可不发出一未来超速警示。在另一实例中,如果所计算概率系0.85,并且阈值系0.75,则确定未来超速,而且,例如,电子装置可发出一未来超速警示。替代地或另外,分类器可受训练以确定一当前速度不安全,举例而言,通过具有代表当前不安全速度概率之一输出类别来确定。电子装置可将当前不安全速度概率与一阈值作比较,且藉此判断车辆之当前速度是否安全或不安全。
根据各项实施例,未来超速概率的计算及超速概率是否高于预定阈值之判断可即时实行,因此,驾驶员在行驶中可即时接收警示以向其发出有关未来超速之警告。替代地或另外,可即时实行一当前速度是否不安全之判断,因此,驾驶员在行驶中可即时接收警示以向其发出有关当前不安全超速之警告。根据各项实施例,当训练一电子分类器时,可将警示驾驶员之轨迹数据排除在训练数据之外,举例而言,可将警示驾驶员之轨迹数据排除在历史轨迹数据之外,或先从历史轨迹数据筛选掉再训练。
图10根据一实例展示一***的一示意图,其包括一服务器100A及一电子装置100B,例如一智慧型手机,其与一驾驶员相关联。电子装置100B可向安全性后端发送191数据,诸如轨迹数据及当前速度。电子装置100B亦可向安全性后端查询191特征。安全性后端可向一数据库DB查询193特征,并且数据库DB可向安全性后端发送194该等特征,该安全后端进而可向电子装置100B发送该等特征。数据库DB可汇集取自历史轨迹数据库S3、驾驶员概况数据、及其他情境数据之特征。可通过一周期性DB更新数据程序在DB处更新历史轨迹数据。因此,该程序之行动部分未曝露任何API。后端API提供用以检索城市、驾驶员相关特征集之方式。此特征变更缓慢,因此需要一相当低之重新整理率,例如每2或3周一次。
在一项实例中,用以取得地图数据、速度分布、及其他情境数据之一API包括一已曝露端点、一内部端点、及一方法GET。此API可从电子装置呼叫,并且将回传地图数据、速度分布(例如:速度分布数据及/或速度分布之百分位数),并且可回传其他情境数据,接着可将该其他情境数据用于对电子装置进行速度检测。在一项实例中,方法GET可包括纬度及经度栏位,举例如表1所示。
栏位名称 | 类型 | 定义 | 实例 | 必要项 |
纬度 | 浮点 | 纬度 | 1.2312 | 是 |
经度 | 浮点 | 经度 | 2.3212 | 是 |
表1
在一项实例中,来自API之一回应可包括该等特征(例如:地图数据、速度分布、及其他情境内容),并且可更包括一通过指示符,举例如表2所示。
表2
在一项实例中,用以取得驾驶员概况数据之一API包括一已曝露端点、一内部端点、及一方法GET。此API可从电子装置呼叫,并且将回传诸如年龄、历程等驾驶员特征,接着可将该等驾驶员特征用于在电子装置上进行速度检测。在一项实例中,方法GET不包括任何参数。在一项实例中,来自API之回应可包括驾驶员概况(亦称为驾驶员特征),并且可更包括一通过指示符,如下面之表3所示。
表3
在一项实例中,用以取得要求频繁更新之另一情境数据(例如:可以是即时数据)的一API包括一已曝露端点、一内部端点、及一方法GET。此API可从电子装置呼叫,并且将回传诸如天气数据、即时交通数据等需为最新之情境数据,接着可将该情境数据用于在电子装置上进行速度检测。在一项实例中,方法GET可包括纬度及经度栏位,并且可更包括一时间戳记,举例如表4所示。
栏位名称 | 类型 | 定义 | 实例 | 必要项 |
纬度 | 浮点 | 纬度 | 1.2312 | 是 |
经度 | 浮点 | 经度 | 2.3212 | 是 |
时间戳记 | 整数 | 时间 | 15728873783 | 否 |
表4
在一项实例中,来自API之一回应可包括另一情境数据,并且可更包括一通过指示符,举例如表5所示。
表5
可将取自服务器之特征,例如地图数据、速度分布、及其他情境内容、驾驶员概况数据、需要频繁更新之情境数据解串,接着***到电子装置之已受训分类器,例如基于张量流之基础设施。
在一项实例中,地图数据之一架构可如表6所示。
表5
尽管本公开已参照特定实施例特别示出并作说明,所属技术领域中具有通常知识者仍应了解的是,可于其中进行形式及细节方面之各种改变,但不会脱离如随附申请专利范围所定义之本发明之精神与范畴。因此,本发明之范畴系通过随附申请专利范围指出,并且因此意欲囊括落入申请专利范围均等论述之意义及范围内之所有变化。
Claims (25)
1.一种针对一车队的一车辆检测超速的方法(550),该方法(550)包含:
从一电子数据库(111)取得多个地理区域的各地理区域(217,717)的该车队的历史轨迹数据(552);
通过一服务器(100A)的一微处理器针对各地理区域(217,717)确定该历史轨迹数据的一速度分布(554);
基于该速度分布,通过与该车辆相关联的一电子装置(100B)的微处理器,确定该车辆的当前速度高于阈值速度,该阈值速度与记录有该当前速度的当前地理区域中的速度分布的预定百分位数(554)相对应,该当前地理区域与所述各地理区域(217,717)中的至少一个相对应;
其中,该服务器及该电子数据库(111)经由一通信接口彼此通信耦合,
取得包括通过该服务器(100A)针对该历史轨迹数据(552)向该电子数据库(111)传递一电子请求,并经由该通信接口将该历史轨迹数据(552)从该电子数据库(111)传递至该服务器(100A)。
2.如权利要求1所述的方法(550),还包含基于各地理区域(217、717)的该速度分布,在该服务器(100)上计算所述阈值速度;以及将该多个地理区域中的各地理区域(217、717)的该阈值速度上传至该电子装置(100B)。
3.如权利要求1或权利要求2所述的方法(550),还包含基于与该分布的数据点的速度的一反比关系,对该速度分布进行去偏斜。
4.如前述权利要求中任一项所述的方法(550),包含向该电子装置(100B)针对所有该多个地理区域上传相应百分位数或相应阈值速度。
5.如前述权利要求中任一项所述的方法(550),还包含:基于该速度分布,在与该车辆相关联的电子装置(100B)上计算一已确定的未来超速概率,并且确定该已确定的未来超速概率高于预定阈值。
6.如权利要求5所述的方法(550),其中,该已确定的概率通过一已受训分类器所计算,并且其中,该方法(550)还包含基于该速度分布将一电子分类器训练成该已受训分类器。
7.如权利要求6所述的方法(550),其中,训练进一步基于包含情境信息的情境数据;并且计算该已确定的未来超速概率进一步基于包含当前情境信息的当前情境数据。
8.如权利要求7所述的方法(550),其中,情境数据包含训练天气数据,并且当前情境数据包含当前天气数据。
9.如权利要求7或权利要求8所述的方法(550),其中,情境数据包含训练驾驶员概况数据,并且当前情境数据包含与该车辆相关联的一驾驶员的驾驶员概况数据,其中,该训练驾驶员概况数据及该驾驶员概况数据中的每一者包含相应车辆特性数据及/或驾驶员特征。
10.如权利要求7至9中任何项所述的方法(550),其中,情境数据及当前情境数据包含以下相应的一者或多者:当日的时间、当周的日子、公共假日数据。
11.如权利要求7至10中任何项所述的方法(550),其中,情境数据及当前情境数据包含以下相应的一者或多者:路况数据、道路特性数据、当前交通型态、邻域类型。
12.如权利要求6至10中任何所述的方法(550),其中,该电子分类器于该服务器(100A)上受训练,并且其中,该已受训分类器的预受训权重从该服务器(100A)上传至该电子装置(100B),从而在该电子装置(100B)上提供该已受训分类器。
13.一种***,包含服务器(100A)和多个电子装置(100B),其中,该多个电子装置中的每一个装置与一车队的一车辆相关联,并且包含:
一轨迹数据获取电路,被配置用以获取当前轨迹数据;
一处理器,被配置为基于速度分布,确定该车辆的当前速度是否高于阈值速度,该阈值速度与记录有该当前速度的当前地理区域中的速度分布的预定百分位数(554)相对应,该当前地理区域与该各地理区域(217,717)中的至少一个相对应;
其中,服务器(100A)被配置为:
从电子数据库(111)取得多个地理区域中的各地理区域(217,717)的该车队的历史轨迹数据(552);以及
通过微处理器确定该各地理区域(217,717)的历史轨迹数据的速度分布(554)。
14.如权利要求13所述的***,其中,所述服务器(100A)进一步被配置为基于各地理区域(217,717)的速度分布,在该服务器(100)上计算所述阈值速度;以及将多个地理区域中的各地理区域(217、717)的阈值速度上传至电子装置(100B)。
15.如权利要求13或权利要求14所述的***,其中,该服务器(100A)进一步被配置为基于与该分布的数据点的速度的一反比关系,对该速度分布进行去偏斜。
16.如前述权利要求中任一项所述的***,其中,每个该电子装置具有通信接口,该通信接口被配置为与该服务器(100A)通信,并且被配置为从该服务器(100A)接收所有该多个地理区域的相应百分比位数或相应阈值速度。
17.如前述权利要求中任一项所述的***,其中,每个该电子装置(100B)进一步被配置为:
计算与该车辆相关联的一已确定的未来超速概率,该计算基于速度分布,以及
确定该已确定的未来超速概率高于预定阈值。
18.如权利要求17所述的***,其中,该已确定的概率通过一已受训分类器所计算,并且其中,该服务器(100A)进一步被配置为基于该速度分布将一电子分类器训练成该已受训分类器。
19.如权利要求18所述的***,其中,训练进一步基于包含情境信息的情境数据;并且计算该已确定的未来超速概率进一步基于包含当前情境信息的当前情境数据。
20.如权利要求19所述的***,其中,情境数据包含训练天气数据,并且当前情境数据包含当前天气数据。
21.如权利要求19或权利要求20所述的***,其中,情境数据包含训练驾驶员概况数据,并且当前情境数据包含与该车辆相关联的一驾驶员的驾驶员概况数据,其中,该训练驾驶员概况数据及该驾驶员概况数据中的每一者包含相应车辆特性数据及/或驾驶员特征。
22.如权利要求19至21中任何项所述的***,其中,情境数据及当前情境数据包含以下相应的一者或多者:当日的时间、当周的日子、公共假日数据。
23.如权利要求19至22中任何项所述的***,其中,情境数据及当前情境数据包含以下相应的一者或多者:路况数据、道路特性数据、当前交通型态、邻域类型。
24.如权利要求18至23中任何项所述的***,其中,该服务器(100A)被配置为生成预受训权重作为该分类器的训练结果,并且进一步被配置为将该预受训权重上传至该电子装置(100B),从而在该电子装置(100B)上提供该已受训分类器。
25.一种计算机程序产品,包含计算机可执行码,该计算机可执行码包含指令,当该程序由一计算机执行时,该指令致使该计算机实行如权利要求1至12中任何项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202010286X | 2020-10-16 | ||
SG10202010286X | 2020-10-16 | ||
PCT/SG2021/050561 WO2022081083A1 (en) | 2020-10-16 | 2021-09-15 | Method, electronic device, and system for detecting overspeeding |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116368544A true CN116368544A (zh) | 2023-06-30 |
Family
ID=81209481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180068780.1A Pending CN116368544A (zh) | 2020-10-16 | 2021-09-15 | 用于检测超速的方法、电子装置及*** |
Country Status (4)
Country | Link |
---|---|
US (2) | US11995983B2 (zh) |
CN (1) | CN116368544A (zh) |
TW (1) | TW202219467A (zh) |
WO (1) | WO2022081083A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704780A (zh) * | 2023-07-05 | 2023-09-05 | 山东理工大学 | 一种基于gps轨迹数据的异常驾驶行为识别方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6505106B1 (en) * | 1999-05-06 | 2003-01-07 | International Business Machines Corporation | Analysis and profiling of vehicle fleet data |
US9412282B2 (en) * | 2011-12-24 | 2016-08-09 | Zonar Systems, Inc. | Using social networking to improve driver performance based on industry sharing of driver performance data |
US9202318B2 (en) * | 2006-09-25 | 2015-12-01 | Appareo Systems, Llc | Ground fleet operations quality management system |
US8478499B2 (en) * | 2010-06-07 | 2013-07-02 | Ford Global Technologies, Llc | System and method for vehicle speed monitoring using historical speed data |
US9489845B2 (en) * | 2011-04-08 | 2016-11-08 | Fleetmatics Development Limited | System and method for providing vehicle and fleet profiles and presentations of trends |
WO2013064437A1 (en) * | 2011-10-31 | 2013-05-10 | Fleetmatics Irl Limited | System and method for peer comparison of vehicles and vehicle fleets |
US20160086391A1 (en) * | 2012-03-14 | 2016-03-24 | Autoconnect Holdings Llc | Fleetwide vehicle telematics systems and methods |
US10380905B2 (en) * | 2012-08-10 | 2019-08-13 | Xrs Corporation | Network communications for transportation management |
CN103632540B (zh) * | 2012-08-20 | 2015-11-25 | 同济大学 | 基于浮动车数据的城市主干道交通运行信息处理方法 |
US9424696B2 (en) * | 2012-10-04 | 2016-08-23 | Zonar Systems, Inc. | Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance |
FR3009640B1 (fr) * | 2013-08-07 | 2022-11-18 | Coyote Sys | Dispositif et procede de mise a jour automatique d'une base de donnees des vitesses limites de circulation |
US9881272B2 (en) * | 2013-09-16 | 2018-01-30 | Fleetmatics Ireland Limited | Vehicle independent employee/driver tracking and reporting |
WO2015170385A1 (ja) * | 2014-05-08 | 2015-11-12 | 株式会社日立製作所 | 移動手段判別システム、移動手段判別方法、及び計算機読み取り可能な非一時的な記憶媒体 |
DE102017209667A1 (de) | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
WO2018229548A2 (en) * | 2017-06-16 | 2018-12-20 | Nauto Global Limited | System and method for contextualized vehicle operation determination |
US20190016341A1 (en) * | 2017-07-17 | 2019-01-17 | Here Global B.V. | Roadway regulation compliance |
US20200201357A1 (en) * | 2018-12-21 | 2020-06-25 | Ford Global Technologies, Llc | Systems and methods for vehicle scheduling and routing |
CN116348935A (zh) * | 2020-10-16 | 2023-06-27 | 格步计程车控股私人有限公司 | 用于预测未来超速的方法、电子装置及*** |
EP4242998A4 (en) * | 2020-11-09 | 2023-11-22 | UISEE (Shanghai) Automotive Technologies Ltd | METHOD AND DEVICE FOR DETERMINING TRAFFIC STREAM INFORMATION, ELECTRONIC DEVICE AND STORAGE MEDIUM |
US11132853B1 (en) * | 2021-01-28 | 2021-09-28 | Samsara Inc. | Vehicle gateway device and interactive cohort graphical user interfaces associated therewith |
-
2021
- 2021-09-15 US US18/031,509 patent/US11995983B2/en active Active
- 2021-09-15 CN CN202180068780.1A patent/CN116368544A/zh active Pending
- 2021-09-15 WO PCT/SG2021/050561 patent/WO2022081083A1/en active Application Filing
- 2021-10-08 TW TW110137581A patent/TW202219467A/zh unknown
-
2024
- 2024-02-28 US US18/590,128 patent/US20240203249A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704780A (zh) * | 2023-07-05 | 2023-09-05 | 山东理工大学 | 一种基于gps轨迹数据的异常驾驶行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202219467A (zh) | 2022-05-16 |
US20230394964A1 (en) | 2023-12-07 |
WO2022081083A1 (en) | 2022-04-21 |
US20240203249A1 (en) | 2024-06-20 |
US11995983B2 (en) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699564B1 (en) | Method for defining intersections using machine learning | |
US20220051032A1 (en) | Road event detection method, apparatus, device and storage medium | |
EP3705849A2 (en) | Method and apparatus for visualizing risk levels associated with aerial vehicle flights | |
EP3322961B1 (en) | Methods and systems for detecting a closure and/or opening of a navigable element | |
US11710074B2 (en) | System for providing corridor metrics for a corridor of a road network | |
US20200286391A1 (en) | Method and apparatus for computing a three-dimensional route based on risk-related data | |
US20160334227A1 (en) | Determining street segment headings | |
US11335191B2 (en) | Intelligent telematics system for defining road networks | |
CN101673460B (zh) | 一种交通信息的质量评价方法、装置及*** | |
US20120323404A1 (en) | System and method for estimating and detecting speed | |
US20240203249A1 (en) | Method, electronic device, and system for detecting overspeeding | |
US11341846B2 (en) | Traffic analytics system for defining road networks | |
US11335189B2 (en) | Method for defining road networks | |
US11428535B2 (en) | System and method for determining a sign type of a road sign | |
EP4273501A1 (en) | Method, apparatus, and computer program product for map data generation from probe data imagery | |
WO2023034141A1 (en) | System and method for monitoring a vehicle | |
US11823572B2 (en) | Method, electronic device, and system for predicting future overspeeding | |
CN113286984A (zh) | 在导航期间为困难机动提供附加指令 | |
US20240085193A1 (en) | Automated dynamic routing unit and method thereof | |
CN103514741A (zh) | 交通拥堵信息处理***及移动通信终端 | |
US20230206753A1 (en) | Method, apparatus, and system for traffic prediction based on road segment travel time reliability | |
Marques et al. | An evaluation of machine learning methods for speed-bump detection on a GoPro dataset | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与*** | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 |
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 |