CN116383678A - 一种营运客车异常变速行为常发性路段识别方法 - Google Patents
一种营运客车异常变速行为常发性路段识别方法 Download PDFInfo
- Publication number
- CN116383678A CN116383678A CN202211578800.2A CN202211578800A CN116383678A CN 116383678 A CN116383678 A CN 116383678A CN 202211578800 A CN202211578800 A CN 202211578800A CN 116383678 A CN116383678 A CN 116383678A
- Authority
- CN
- China
- Prior art keywords
- speed change
- acceleration
- abnormal speed
- abnormal
- road
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 95
- 230000008859 change Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006399 behavior Effects 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种营运客车异常变速行为常发性路段识别方法,本发明涉及营运客车异常变速行为常发性路段识别方法。本发明的目的是为了解决已有交通安全隐患路段排查方法属于事故发生后的统计分析,尚未在事故发生之前对隐患路段进行识别、预警,经济成本高、精度低的问题。一种营运客车异常变速行为常发性路段识别方法具体过程为:步骤1.基础数据采集;步骤2.坐标纠偏;步骤3.基础数据计算;步骤4.异常变速行为识别;步骤5.常发性异常变速路段识别。本发明属于公共交通运营管理技术领域。
Description
技术领域
本发明涉及营运客车异常变速行为常发性路段识别方法。本发明属于公共交通运营管理技术领域。
背景技术
营运客车作为一种重要的公共交通运输方式,具有载客量大、运输效率高、乘车环境舒适等特点,比较适合中短距离的出行。在行车过程中营运客车司机急踩刹车或急踩油门等异常变速行为均可能会造成乘客不适或受伤,还有可能发生追尾、侧翻等事故,引发更为严重的人身伤亡与财产损失。在实际道路上异常变速行为的发生经常存在一定的空间分布规律性,常发生异常变速行为的路段具有较高的安全隐患,对营运客车异常变速行为常发性路段进行识别一方面可以及时对驾驶员进行预警,避免交通事故的发生;另一方面还可以将常发性路段信息提供给道路管理部门,对隐患路段进行改造,以提高道路行车安全性。
当前车辆异常行为判别多采用视频监控或多传感器数据融合的方法,所需数据的规模和质量要求较高,且采集设备和存储设备的经济成本较高。而在车辆异常行为常发性路段识别方面研究还比较少,相关研究多是在现有交通事故数据基础上进行事故风险路段的判别,属于事故发生后的统计分析,尚未在事故发生之前对隐患路段进行识别、预警。
营运客车具有线路固定、班次密集、班次间运行相似性高的特点,并且当前营运客车全部搭载全球定位***(Global Positioning System,GPS),公交企业可以获得大量营运客车在固定线路上运行时的位置、速度、加速度等数据。车辆的异常运动行为都会在GPS数据中有所体现,如果能够基于上述GPS数据进行异常变速行为常发性路段的识别,将无需额外购置其他设备进行数据采集,不仅能够节约经济成本,还可以方便利用积累的大量数据对道路隐患路段进行排查。
发明内容
本发明的目的是为了解决已有交通安全隐患路段排查方法属于事故发生后的统计分析,尚未在事故发生之前对隐患路段进行识别、预警,经济成本高、精度低的问题,提出一种营运客车异常变速行为常发性路段识别方法,以提高常发性路段识别技术的精确性和可靠性。
一种营运客车异常变速行为常发性路段识别方法具体过程为:
步骤1.基础数据采集;
步骤2.基于基础数据进行坐标纠偏;
步骤3.基于基础数据和坐标纠偏计算速度和加速度;
步骤4.基于速度和加速度进行异常变速行为识别;
步骤5.基于异常变速行为进行常发性异常变速路段识别。
本发明的有益效果为:
本发明所提出的一种营运客车异常变速行为常发性路段识别方法,依靠易于获取的车载GPS数据,通过地图匹配,完成坐标纠偏,减少由于采集设备硬件误差带来的负面影响,提高营运客车运行基本参数的精度;通过拟合加速度阈值曲线,确定各速度对应的加速度阈值,以判别营运客车异常变速行为;进而基于密度的噪点空间聚类法(DBSCAN)实现常发性异常变速行为常发路段的识别。该技术可以向营运客车驾驶人提供道路安全预警,避免在异常变速行为常发路段发生交通事故;同时向道路管理部门提供安全隐患路段位置,为路段改建提供帮助。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一:本实施方式一种营运客车异常变速行为常发性路段识别方法具体过程为:
步骤1.基础数据采集;
步骤2.基于基础数据进行坐标纠偏;
步骤3.基于基础数据和坐标纠偏计算速度和加速度;
步骤4.基于速度和加速度进行异常变速行为识别;
步骤5.基于异常变速行为进行常发性异常变速路段识别。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤1中基础数据采集;具体过程为:
步骤1.1.提取一条营运客车线路过去连续N日内所有运行班次的GPS数据,包括GPS数据的采集时间、采样间隔、经纬度、车辆ID、班次方向信息,建议N取值为180;
步骤1.2.营运客车上下行方向的异常变速行为常发性路段空间分布具有明显差异,选取营运客车上行方向运行道路作为研究对象,本发明同样适用于下行方向运行道路;
步骤1.3.定义线路上行方向的运行班次集合为I={i:i=1,2,3,...,I};班次i共有K个GPS数据采集点,班次i的第k个数据采集点坐标表示为其中lng、lat分别表示经度与纬度,单位为°;GPS采样间隔表示为T,单位为s;k=1,2,3,...,K;
步骤1.4.提取营运客车运行线路途经区域的GIS路网,包括道路名称、道路编号、道路等级信息。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤2中基于基础数据进行坐标纠偏(由于GPS坐标的采集是存在偏差的,不能保证坐标点都准确的落在路网上,为了更加准确,认为实现地图匹配后的坐标是更加准确的,此处地图匹配后转换为平面坐标是为了后续计算更加方便);具体过程为:
步骤2.1.采用基于隐马尔科夫模型的地图匹配算法,完成GPS数据采集点与GIS路网的地图匹配,匹配到的路网即为GPS数据采集点实际所处路网;
步骤2.3.将地图匹配后的坐标统一转换为平面坐标/>(比如可以采用投影方式将地图匹配后的坐标统一转换为平面坐标,投影方式可以为UTM 3度分带投影方式),x、y分别是以赤道和中央子午线的交点作为坐标原点的坐标系中,GPS数据采集点距离中央子午线与赤道的投影距离,单位为m。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤3中基于基础数据和坐标纠偏计算速度和加速度;具体过程为:
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤4中基于速度和加速度进行异常变速行为识别;具体过程为:
班次运行速度的最大值表示为vmax;
作为各速度区间下异常变速行为的区分值(此处是将加速度值的第95分位数作为阈值,即超过这个加速度值的认为是非正常的、偏激的变速行为,后面通过多项式的拟合给定加速度阈值,用来判定是否为异常变速行为),只把5%的加速度对应的行为视为偏激变速行为;
步骤4.5.将正加速度与负加速度区分值点集表示为P+、P-,如下式所示;
分别以点集P+、P-中的数据点绘制加速度阈值曲线,横坐标为速度,纵坐标为加速度;
步骤4.6.分别对点集P+、P-采用最小二乘法拟合多项式曲线,以速度v作为自变量,加速度a作为因变量,设多项式曲线函数分别为a+(v)、a-(v);
步骤4.7.多项式a+(v)、a-(v)分别用2到5阶(多项式a+(v)、a-(v)的最高阶数M、H分别取2.3、4.5进行拟合)进行拟合,以偏差平方和L(α)、L(β)最小为目标,确定拟合多项式系数α0,α1,...,αM、β0,β1,...,βH与最高阶数M、H;
步骤4.8.拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤4.4中第95分位数确定方法如下式所示;
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤4.6中分别对点集P+、P-采用最小二乘法拟合多项式曲线,以速度v作为自变量,加速度a作为因变量,设多项式曲线函数分别为a+(v)、a-(v),如下式所示;
式中:M、H分别表示多项式曲线函数a+(v)、a-(v)的最高阶数;α0,α1,...,αM表示拟合多项式系数,β0,β1,...,βH表示拟合多项式系数;vM表示速度v的M阶,vH表示速度v的H阶,vj表示速度v的j阶,vl表示速度v的l阶。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤4.7中L(α)、L(β)计算如下式所示;
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述步骤4.8中拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为;具体过程为:
步骤4.8.1.k=1;
步骤4.8.6.k=k+1,判断k≤K,如果是,转入步骤4.8.2;否则,转入步骤4.8.7;
步骤4.8.7.遍历所有加速度后,筛选出所有异常变速行为点。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是,所述步骤5中基于异常变速行为进行常发性异常变速路段识别;具体过程为:
研究异常变速行为的空间分布情况,将异常变速行为发生的位置记为一次异常变速行为数据,采用基于改进DBSCAN聚类方法对异常变速行为数据进行空间聚类;
步骤5.1.参数定义;具体过程为:
式中:γ,η∈[1,z];
步骤5.1.3.异常变速行为点pψ的邻域表示为Npψ,邻域半径为ε,如下式所示;
步骤5.2.具体聚类步骤;具体过程为:
步骤5.2.1.初始化邻域半径ε,根据异常变速行为特性,不建议选择较大的ε,取ε=100m;
步骤5.2.2.根据道路等级划定簇内最小样本点数可取用最小值为λ1,最大值为λ2(可以根据道路等级灵活调整,比如高速公路、一级公路、二级公路……,可以划定不同的最小样本点数取值范围),λ为整数,取值范围为[λ1,λ2];
步骤5.2.3.初始化,令参数h=0;
步骤5.2.4.λ=λ1+h,输入ε、λ;
5.2.5.采用DBSCAN聚类方法对集合D中所有异常变速行为点pψ(x,y)完成空间聚类;
步骤5.2.7.判断λ1+h≤λ2,如果是,h=h+1,返回步骤5.2.4;否则,进入步骤5.2.8;
每个λ作为输入便对应计算一个总体轮廓系数平均值,步骤5.2.8是对这些总体轮廓系数取最大值;
步骤5.3.确定DBSCAN的聚类参数ε=100m,λ=λ0为最优聚类;
步骤5.4.将集合D中所有异常变速行为点pψ(x,y)经最优聚类后输出簇数量与每个簇内样本点数量,簇数量即为常发性异常变速路段数量,每个簇内样本点数量即为该路段发生的异常变速行为数量;
步骤5.5.样本点分布于路网上,故聚类后的簇形状(由于所有的样本点都是在路网上的,所以聚类后的簇形状是路段)是贴合路网的,所得簇类即为常发性异常变速路段,簇类沿路网方向的边缘点即为异常变速常发性路段起终点。
其它步骤及参数与具体实施方式一至九之一相同。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述方法具体过程为:
步骤1.基础数据采集;
步骤2.基于基础数据进行坐标纠偏;
步骤3.基于基础数据和坐标纠偏计算速度和加速度;
步骤4.基于速度和加速度进行异常变速行为识别;
步骤5.基于异常变速行为进行常发性异常变速路段识别。
2.根据权利要求1所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤1中基础数据采集;具体过程为:
步骤1.1.提取一条营运客车线路过去连续N日内所有运行班次的GPS数据,包括GPS数据的采集时间、采样间隔、经纬度、车辆ID、班次方向信息;
步骤1.2.营运客车上下行方向的异常变速行为常发性路段空间分布具有明显差异,选取营运客车上行方向运行道路作为研究对象,本发明同样适用于下行方向运行道路;
其中lng、lat分别表示经度与纬度,单位为°;GPS采样间隔表示为T,单位为s;k=1,2,3,...,K;
步骤1.4.提取营运客车运行线路途经区域的GIS路网,包括道路名称、道路编号、道路等级信息。
5.根据权利要求4所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤4中基于速度和加速度进行异常变速行为识别;具体过程为:
班次运行速度的最大值表示为vmax;
步骤4.5.将正加速度与负加速度区分值点集表示为P+、P-,如下式所示;
分别以点集P+、P-中的数据点绘制加速度阈值曲线,横坐标为速度,纵坐标为加速度;
步骤4.6.分别对点集P+、P-采用最小二乘法拟合多项式曲线,以速度v作为自变量,加速度a作为因变量,设多项式曲线函数分别为a+(v)、a-(v);
步骤4.7.多项式a+(v)、a-(v)分别用2到5阶进行拟合,以偏差平方和L(α)、L(β)最小为目标,确定拟合多项式系数α0,α1,...,αM、β0,β1,...,βH与最高阶数M、H;
步骤4.8.拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为。
9.根据权利要求8所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤4.8中拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线,据此判断营运客车是否存在异常变速行为;具体过程为:
步骤4.8.1.k=1;
步骤4.8.6.k=k+1,判断k≤K,如果是,转入步骤4.8.2;否则,转入步骤4.8.7;
步骤4.8.7.遍历所有加速度后,筛选出所有异常变速行为点。
10.根据权利要求9所述的一种营运客车异常变速行为常发性路段识别方法,其特征在于:所述步骤5中基于异常变速行为进行常发性异常变速路段识别;具体过程为:
步骤5.1.参数定义;
具体过程为:
式中:γ,η∈[1,z];
步骤5.2.具体聚类步骤;
具体过程为:
步骤5.2.1.初始化邻域半径ε,取ε=100m;
步骤5.2.2.根据道路等级划定簇内最小样本点数可取用最小值为λ1,最大值为λ2,λ为整数,取值范围为[λ1,λ2];
步骤5.2.3.初始化,令参数h=0;
步骤5.2.4.λ=λ1+h,输入ε、λ;
步骤5.2.5.采用DBSCAN聚类方法对集合D中所有异常变速行为点pψ(x,y)完成空间聚类;
步骤5.2.7.判断λ1+h≤λ2,如果是,h=h+1,返回步骤5.2.4;否则,进入步骤5.2.8;
步骤5.3.确定DBSCAN的聚类参数ε=100m,λ=λ0为最优聚类;
步骤5.4.将集合D中所有异常变速行为点pψ(x,y)经最优聚类后输出簇数量与每个簇内样本点数量,簇数量即为常发性异常变速路段数量,每个簇内样本点数量即为该路段发生的异常变速行为数量;
步骤5.5.样本点分布于路网上,故聚类后的簇形状是贴合路网的,所得簇类即为常发性异常变速路段,簇类沿路网方向的边缘点即为异常变速常发性路段起终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578800.2A CN116383678B (zh) | 2022-12-05 | 2022-12-05 | 一种营运客车异常变速行为常发性路段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211578800.2A CN116383678B (zh) | 2022-12-05 | 2022-12-05 | 一种营运客车异常变速行为常发性路段识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383678A true CN116383678A (zh) | 2023-07-04 |
CN116383678B CN116383678B (zh) | 2024-05-03 |
Family
ID=86962056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211578800.2A Active CN116383678B (zh) | 2022-12-05 | 2022-12-05 | 一种营运客车异常变速行为常发性路段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383678B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070074A (zh) * | 2024-04-18 | 2024-05-24 | 安徽博微广成信息科技有限公司 | 道路作业异常识别方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029184A1 (en) * | 2009-07-31 | 2011-02-03 | Systems and Advances Technologies Engineering S.r.I. (S.A.T.E.) | Road Vehicle Drive Behaviour Analysis Method |
CN104933863A (zh) * | 2015-06-02 | 2015-09-23 | 福建工程学院 | 一种交通道路中异常路段识别的方法及*** |
CN109059939A (zh) * | 2018-06-27 | 2018-12-21 | 湖南智慧畅行交通科技有限公司 | 基于隐马尔科夫模型的地图匹配算法 |
CN110239559A (zh) * | 2019-07-02 | 2019-09-17 | 绍兴数鸿科技有限公司 | 基于新能源车数据的危险驾驶车辆检测方法及装置 |
CN114756599A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 一种基于车辆gps数据的驾驶员异常变速辨识方法 |
-
2022
- 2022-12-05 CN CN202211578800.2A patent/CN116383678B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029184A1 (en) * | 2009-07-31 | 2011-02-03 | Systems and Advances Technologies Engineering S.r.I. (S.A.T.E.) | Road Vehicle Drive Behaviour Analysis Method |
CN104933863A (zh) * | 2015-06-02 | 2015-09-23 | 福建工程学院 | 一种交通道路中异常路段识别的方法及*** |
CN109059939A (zh) * | 2018-06-27 | 2018-12-21 | 湖南智慧畅行交通科技有限公司 | 基于隐马尔科夫模型的地图匹配算法 |
CN110239559A (zh) * | 2019-07-02 | 2019-09-17 | 绍兴数鸿科技有限公司 | 基于新能源车数据的危险驾驶车辆检测方法及装置 |
CN114756599A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 一种基于车辆gps数据的驾驶员异常变速辨识方法 |
Non-Patent Citations (1)
Title |
---|
张迪: "基于浮动车GPS数据分析的车辆相对异常驾驶行为研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2019, 15 January 2019 (2019-01-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070074A (zh) * | 2024-04-18 | 2024-05-24 | 安徽博微广成信息科技有限公司 | 道路作业异常识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116383678B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
CN112201038A (zh) | 一种基于单车不良驾驶行为风险的路网风险评估方法 | |
CN110428621B (zh) | 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法 | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN109583081B (zh) | 一种车辆行驶速度预测模型构建方法 | |
CN114379559A (zh) | 一种基于车辆信息采集***的驾驶风险评价特征画像方法 | |
CN114999181A (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及*** | |
CN114064656B (zh) | 一种基于路端感知***的自动驾驶场景识别与转化方法 | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
CN112530164B (zh) | 一种高海拔地区道路主动驾驶安全预警方法及*** | |
CN115909752A (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
CN110544378B (zh) | 一种手机用户拥车情况的判断方法 | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
CN116665456B (zh) | 一种结合高维指标降维处理对交通状态进行评估的方法 | |
CN114255590B (zh) | 基于rfid数据的交通运行分析方法 | |
CN117194930B (zh) | 基于车辆行驶数据的隧道路段安全监控方法 | |
CN114944083B (zh) | 一种高速公路上行驶车辆与前车距离的判断方法 |
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 |