CN117392855B - 基于卫星定位数据的车辆超限超载概率识别方法及*** - Google Patents

基于卫星定位数据的车辆超限超载概率识别方法及*** Download PDF

Info

Publication number
CN117392855B
CN117392855B CN202311706339.9A CN202311706339A CN117392855B CN 117392855 B CN117392855 B CN 117392855B CN 202311706339 A CN202311706339 A CN 202311706339A CN 117392855 B CN117392855 B CN 117392855B
Authority
CN
China
Prior art keywords
track
data
historical
vehicle
track data
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
Application number
CN202311706339.9A
Other languages
English (en)
Other versions
CN117392855A (zh
Inventor
黄小杰
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202311706339.9A priority Critical patent/CN117392855B/zh
Publication of CN117392855A publication Critical patent/CN117392855A/zh
Application granted granted Critical
Publication of CN117392855B publication Critical patent/CN117392855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0104—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
    • G08G1/01—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于卫星定位数据的车辆超限超载概率识别方法及***，方法包括：计算轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长；根据轨迹数据的整体平均速度和运行时长计算轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；若小于预设距离阈值，则将与至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合；计算第一经验分布与第二经验分布之间的有向距离，并根据有向距离计算与当前轨迹数据对应的车辆的超限超载概率。

Description

基于卫星定位数据的车辆超限超载概率识别方法及***
技术领域
本发明属于车辆超限超载概率识别技术领域，尤其涉及一种基于卫星定位数据的车辆超限超载概率识别方法及***。
背景技术
车辆超限超载研判的现有技术主要是硬件技术，依据物理原理和传感设备对车辆是否超限超载可以进行精准的研判，但其缺点是对超限超载车辆的研判地点基本固定（检查设备很少长距离移动，亦或它是仅安装在单辆固定车辆上的车载检测设备），采用逐车检查的方式，其成本较高，覆盖面较小，更难以对车辆超限超载进行跟踪研判，车辆司机可以在稽查站点前将货物卸载或绕过稽查站点而躲避检查。
所以结合现有的硬件技术，通常还有货运车辆信息管理平台帮助对车辆超限超载进行稽查和管理。部分管理平台亦会采用一些数据挖掘和AI技术，通过平台采集的数据对车辆超限超载进行预先研判和跟踪管理，例如采集车辆视频数据，通过图像处理技术（相当于人眼观察）预先判断车辆是否超限超载，或者采集车辆总线数据，分析车辆运行时的油耗、加速度等从而预先研判车辆是否超限超载。通过这些数据及相应的数据技术，可以预先研判车辆的超限超载情况，虽然其预判的准确性并不是很高，仍然需要通过前述硬件技术进一步确认车辆是否超限超载，但是实现了跟踪管理和引导稽查，可以让稽查人员对车辆超限超载检查更有针对性，起到很好的警示性、可以减少大量的人力物力，提升超限超载的稽查效率。通过前述的数据技术预先研判超限超载的缺点是：预判的准确性不高，而且货运车辆信息管理平台并不能方便的获得有关车辆的图像数据、总线数据等，因数据难获取，其适用范围同样受到了较多的限制，难以产生广泛的效益；再则，这些数据的结构复杂，不同汽车厂商的总线标准也不完全一样，通过前述数据和数据技术预先研判超限超载的技术复杂度较高，数据管理和利用的成本也随之增加。
发明内容
本发明提供一种基于卫星定位数据的车辆超限超载概率识别方法及***，用于降低数据获取的门槛，减少数据管理和利用的成本以及扩大跟踪稽查超限超载的范围，从而提升稽查效率助力交通安全。
第一方面，本发明提供一种基于卫星定位数据的车辆超限超载概率识别方法，包括：
获取车辆在当前时段的当前轨迹数据以及在不同历史时段的历史轨迹数据，并形成轨迹集合 ，其中，/>为当前时段的当前轨迹数据，/>为第/>个历史时段的历史轨迹数据，/>；
计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；
根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；
若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据；
计算所述当前轨迹数据的局部平均加速度的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
第二方面，本发明提供一种基于卫星定位数据的车辆超限超载概率识别***，包括：
获取模块，配置为获取车辆在当前时段的当前轨迹数据以及在不同历史时段的历史轨迹数据，并形成轨迹集合，其中，/>为当前时段的当前轨迹数据，/>为第个历史时段的历史轨迹数据，/>；
第一计算模块，配置为计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码/>、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；
判断模块，配置为根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；
定义模块，配置为若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据；
第二计算模块，配置为计算所述当前轨迹数据的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于卫星定位数据的车辆超限超载概率识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于卫星定位数据的车辆超限超载概率识别方法的步骤。
本申请的基于卫星定位数据的车辆超限超载概率识别方法及***，具体以下有益效果：
获取车辆在当前时段的当前轨迹数据以及在不同历史时段的历史轨迹数据，并形成轨迹集合，计算轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，根据轨迹数据的整体平均速度和运行时长计算轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值，若至少一个目标距离小于预设距离阈值，则将与至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，计算当前轨迹数据的局部平均加速度的第一经验分布与均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据有向距离计算与当前轨迹数据对应的车辆的超限超载概率，降低数据获取的门槛，减少数据管理和利用的成本以及扩大跟踪稽查超限超载的范围，从而提升稽查效率助力交通安全。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于卫星定位数据的车辆超限超载概率识别方法的流程图；
图2为本发明一实施例提供一个具体实施例的均衡历史轨迹数据的局部平均加速度的第二经验分布的示意图；
图3为本发明一实施例提供一个具体实施例的当前轨迹数据的局部平均加速度的第一经验分布与均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离示意图；
图4为本发明一实施例提供的一具体实施例的车辆超限超载概率的变化图；
图5为本发明一实施例提供的一种基于卫星定位数据的车辆超限超载概率识别***的结构框图；
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于卫星定位数据的车辆超限超载概率识别方法的流程图。
如图1所示，基于卫星定位数据的车辆超限超载概率识别方法具体包括以下步骤：
步骤S101，获取车辆在当前时刻的当前轨迹数据以及在不同历史时刻的历史轨迹数据，并形成轨迹集合，其中，/>为当前时刻的当前轨迹数据，/>为第/>个历史时刻的历史轨迹数据，/>。
获取并存储车辆若干不同历史时段的卫星定位数据以及车辆当前行驶过程中刚经历时段的卫星定位数据，一个时段对应一条轨迹，它们可分别称为历史轨迹（数据）和当前轨迹（数据）。历史轨迹是指车辆原来的行驶轨迹，当前轨迹即正在行驶车辆所刚走过的轨迹。我们拟通过比较车辆当前轨迹和历史轨迹来估算车辆超限超载的概率。
行驶车辆在某固定时刻的定位数据是如下格式的数据，包含6个字段，含义如下表1。
用符号记为： ，分别代表车辆标识码、车辆司机标识码、车辆行驶时间、车辆所处经度、车辆所处纬度和车辆所处海拔。
每条轨迹按时间顺序存储记录数据。表示车辆和司机标识码为/>的第/>条行驶轨迹中第/>个时刻的定位数据，其中/>，/>。相邻的第/>个时刻和第/>个时刻的时间间隔一般在5至20秒，获取的是车辆行驶轨迹上稀疏的卫星定位数据。
例如，任选其中两条轨迹，即，它们的卫星定位数据样式如下表2。
，
采集数据时可以是不同车辆和不同司机的定位数据，只要根据车辆类型和司机分别对数据进行分类整理即可，相同车辆和司机的定位数据归为一类，此即为轨迹数据。
需要说明的是，对轨迹数据进行清洗整理，去除相邻时间点距离相距很小或很大的数据，即时间改变了，车辆的位置变动很小或很大的点，这些时刻是车辆近乎静止的时刻或者定位出现异常的时刻。
步骤S102，计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码/>、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>。
在本步骤中，计算轨迹集合中各个轨迹数据的局部平均速度的表达式为：
，
式中，为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，/>为第k条轨迹第i时刻的纬度，/>为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值。
计算轨迹集合中各个轨迹数据的整体平均速度的表达式为：
，
式中，为第k条轨迹的整体平均速度；
，
式中，为第k条轨迹第n时刻的行驶时间值，/>为第k条轨迹第1时刻的行驶时间值；
，
式中，为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，/>为第k条轨迹第i时刻的纬度，/>为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值。
计算轨迹集合中各个轨迹数据的局部平均加速度的表达式为：
，
式中，为第k条轨迹第i时刻的加速度，/>为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，/>为第k条轨迹第i时刻的纬度，/>为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值，/>为第k条轨迹第i-1时刻的行驶时间值，/>为第k条轨迹第i-1时刻的经度，/>为第k条轨迹第i-1时刻的纬度，/>为第k条轨迹第i-1时刻的海拔。
步骤S103，根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值。
在本步骤中，设各个历史轨迹数据的整体平均速度和运行时长分别是和/>，，以及当前轨迹数据的整体平均速度和运行时长分别是/>和/>；
计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，其中，计算所述目标距离的表达式为：
，
式中，为当前轨迹数据，/>为第/>个历史轨迹数据。
具体地，预设距离阈值取0.1，即，也可以用/>代替，其中/>是一个较小的正数，它的数值可依据具体数据的情况而调整，是个待定参数。
步骤S104，若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据。
同一位司机驾驶同一辆车辆的速度隐含了车辆行驶的环境、路况、车况等各种信息，例如车辆行驶速度快可能意味着道路通畅、道路限速高、司机比较着急等，车辆行驶速度慢可能意味着道路限速低、阴雨天气等。因而车辆行驶速度可以作为车辆行驶环境、路况、车况等各种信息的一个综合表征指标。那么车辆整体平均速度相近意味着车辆行驶的环境、路况、车况等各种因素对车辆行驶状态、定位数据的综合影响类似，因而轨迹间的距离越小。
轨迹间的距离纳入考虑轨迹的行驶时长，是因为两条轨迹的整体平均速度相同时，如果两轨迹所用时长越接近，则车辆行驶的环境、路况、车况等各种因素对车辆行驶状态的综合影响，对车辆定位数据的影响就越相似。例如三条轨迹的整体平均速度相同，它们所用时长分别是1分钟，100分钟，100分钟，那么显然两条100分钟的车辆轨迹所经历的综合影响因素越接近，整体平均速度相同且被检验的时间越长说明综合影响越相似。
历史均衡轨迹和当前轨迹的距离近似为零意味着各种影响因素对速度，从而对定位数据的综合影响相似，这在一定程度上均衡掉了这些因素的影响，影响相同就相当于这些因素对轨迹数据都没有影响，这就是本申请称均衡历史轨迹数据的原因。再构造与超限超载有关的恰当特征对轨迹数据进行分析，如有差异，则可凸显车辆超限超载的情况。
步骤S105，计算所述当前轨迹数据的局部平均加速度的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
局部平均加速度可以反映行驶车辆超限超载的情况，比如加速度小意味着车辆载重大，但是单个或若干个局部加速度不足于刻画车辆超限超载的情况，所以用轨迹上所有局部平均加速度的经验分布来表征车辆的超限超载。
设当前轨迹数据的局部平均加速度共有个，即/>，计数集合中落入区间/>的元素个数，再除以/>，则得到当前轨迹数据的局部平均加速度的第一经验分布；
再以历史均衡轨迹的局部平均加速度的经验分布计算为例，如下：
设均衡历史轨迹数据的局部平均加速度共有个，即/>，计数集合中落入区间/>的元素个数，再除以/>，则得到均衡历史轨迹数据的局部平均加速度的第二经验分布；第一经验分布和第二经验分布示意如图2所示，呈阶梯状，单调不减，右连续。
计算所述第一经验分布与各个第二经验分布之间的有向距离，即如图3所示，两个经验分布函数图像上点的有向最大间距。
其中，计算所述有向距离的表达式为：
，
式中，为第一经验分布，/>为第二经验分布，/>为经验分布的自变量，/>为实数集合，即/>的变化范围。
以计算为例，求/>最大值时，并不需要遍局部平均加速度经验分布的正有向距离的和/>中所有的/>，这是不可能的。注意到经验分布函数是阶梯函数，其实只要/>遍历/>即可。
其中，分别是轨迹/>和轨迹/>的局部平均加速度，则可得：
，
局部平均加速度的经验分布可以反映车辆轨迹所蕴含的车辆加速度的整体情况，经验分布间的有向距离可以反映当前轨迹和历史均衡轨迹加速度的差别：
为正，则当前轨迹分布函数值（累计概率）大，即/>的局部加速度更集中在小数值的地方，意味着当前轨迹/>的加速度情况比历史均衡轨迹的加速度整体偏小，车辆超限超载的可能越大；
为负，则当前轨迹分布函数值（累计概率）小，即/>的局部加速度更集中在大数值的地方，意味着当前轨迹/>的加速度情况比历史均衡轨迹的加速度整体偏大，车辆超限超载的可能越小。
设是当前轨迹/>与各历史均衡轨迹/>的局部平均加速度经验分布的有向距离，按正有向距离和负有向距离分为两组，所有正有向距离的和记为/>，所有负有向距离和的绝对值记为/>，车辆的超限超载概率记为/>，车辆的超限超载概率的表达式为：
，
式中，为标准正态分布函数，/>为局部平均加速度经验分布的正有向距离的和，为局部平均加速度经验分布的负有向距离的和的绝对值，/>为待定参数，由具体情况确定，如根据车型号、历史数据等调整。
的函数图像如图4所示。
等于1，意味着历史均衡轨迹数据中局部平均加速度大于当前轨迹/>的情况和小于当前轨迹/>的情况基本相同，当前轨迹的局部平均加速度处于历史中等水平，很难判断其是否超限超载，因而概率为/>；
远大于1，意味着当前轨迹的局部平均加速度远小于历史总体水平，加速度小，超限超载的可能性大，/>；
远小于1（接近零），意味着当前轨迹的局部平均加速度远大于历史总体水平，加速度大，超限超载的可能性小，/>。
的值由许多因素/>决定，而且历史均衡轨迹数据的定位数据情况基本相似，所以各个因素/>对/>的影响近似均等，所以/>应该近似服从正态分布，但是/>的取值在/>，而不是，所以将标准正态分布函数/>做变换得到/>的分布函数。
到/>变换有多种方式，可以根据具体车辆车型和业务情况调整。
在一个具体实施例中，选用某司机驾驶一辆渣土车在近似平原和直线的公路上行驶所得的两条轨迹做为历史轨迹，选用另外一条行驶轨迹作为当前行驶轨迹（待计算其“超载”概率，预判是否超载，此时渣土车没有载货超高、超宽等超限情况）。为了检验计算结果，预先知道了渣土车在三条行驶轨迹中是否超载，以便观察计算结果是否和实际情况吻合。
定位数据大概间隔10秒获取一次，以下省略了共同的司机和渣土车编号，并将时间按顺序重新编号，且以渣土车行驶其上的平原直线公路本身为一个坐标轴，其他两个坐标近似为0。
两条历史轨迹如表a、表b、表c所示：
第1步. 计算货车历史轨迹和当前轨迹的局部平均速度、整体平均速度、局部平均加速度、局部平均加速度分布律，并记录每条轨迹的运行时长。
以历史轨迹为例，其前两个定位数据之间的局部平均速度为：
，
类似的，计算其它相邻两个定位点之间的局部平均速度，例如，，计算结果如下表3的第二列。
以历史轨迹为例，其前三个定位数据之间的局部平均加速度（此处未加绝对值，所以计算结果带有符号）为：
，
类似的，计算其它相邻三个定位点之间的局部平均加速度，例如，，计算结果如表3的第三列。/>
计算历史轨迹的整体平均/>；
计算历史轨迹的局部平均加速度的分布律，如表4所示。
，
记录货车历史轨迹的运行时长/>。
类似历史轨迹可得：货车的历史轨迹/>的局部平均速度、整体平均速度、局部平均加速度、局部平均加速度分布律、运行时长。例如表5。
/>
货车的历史轨迹的整体平均速度/>；
计算货车的历史轨迹的局部平均加速度的分布律，如表6所示。
货车的历史轨迹的运行时长/>。
货车当前轨迹的局部平均速度、整体平均速度、局部平均加速度、局部平均加速度分布律、运行时长。例如表7。
货车的当前轨迹的整体平均速度/>；
计算货车的当前轨迹的局部平均加速度的分布律，如表8所示。
货车的当前轨迹的运行时长/>。
第2步.计算货车历史轨迹和当前轨迹的距离，并选出所有与当前轨迹距离小于指定值的历史轨迹，即选出均衡历史轨迹。
以计算历史轨迹与当前轨迹/>间的距离为例：
，
类似的，历史轨迹与当前轨迹/>间的距离为：
，/>
此处约定只要轨迹间距离小于0.1，则被选出作为均衡轨迹，因此均衡历史轨迹集合是。
第3步.计算均衡历史轨迹的局部平均加速度的经验分布和当前轨迹/>的局部平均加速度经验分布的有向距离。如表9所示：
因此，当前轨迹与均衡历史轨迹局部平均加速度经验分布的正有向距离和的绝对值，/>；当前轨迹/>与均衡历史轨迹局部平均加速度经验分布的负有向距离和的绝对值：/>。
第4步.估算当前轨迹货车超限超载概率。
，
即渣土车超载的概率为80.23%，倾向于判断渣土车超载，与实际记录吻合。
以上实例体现了整体平均速度快并不代表没有超限超载，应该利用整体平均速度尽可能“均衡”掉判断超限超载的各种干扰因素，再利用局部平均“加速度的分布”（不能只看某几个局部平均加速度，而应该看整个局部平均加速度的分布）特征来挖掘货车超限超载的信息。
请参阅图5，其示出了本申请的一种基于卫星定位数据的车辆超限超载概率识别***的结构框图。
如图5所示，车辆超限超载概率识别***200，包括获取模块210、第一计算模块220、判断模块230、定义模块240以及第二计算模块250。
其中，获取模块210，配置为获取车辆在当前时刻的当前轨迹数据以及在不同历史时刻的历史轨迹数据，并形成轨迹集合，/>为当前时刻的当前轨迹数据，/>为第/>个历史时刻的历史轨迹数据，/>；第一计算模块220，配置为计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码/>、司机标识码/>、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；判断模块230，配置为根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；定义模块240，配置为若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合/>，其中，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据；第二计算模块250，配置为计算所述当前轨迹数据的第一经验分布与所述均衡历史轨迹集合/>中各个均衡历史轨迹数据的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
应当理解，图5中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于卫星定位数据的车辆超限超载概率识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取车辆在当前时刻的当前轨迹数据以及在不同历史时刻的历史轨迹数据，并形成轨迹集合，其中，/>为当前时刻的当前轨迹数据，/>为第/>个历史时刻的历史轨迹数据，/>；
计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；
根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；
若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据；
计算所述当前轨迹数据的局部平均加速度的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
计算机可读存储介质可以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***、至少一个功能所需要的应用程序；存储数据区可存储根据基于卫星定位数据的车辆超限超载概率识别***的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于卫星定位数据的车辆超限超载概率识别***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图6是本发明实施例提供的电子设备的结构示意图，如图6所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于卫星定位数据的车辆超限超载概率识别方法。输入装置330可接收输入的数字或字符信息，以及产生与基于卫星定位数据的车辆超限超载概率识别***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于卫星定位数据的车辆超限超载概率识别***中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取车辆在当前时刻的当前轨迹数据以及在不同历史时刻的历史轨迹数据，并形成轨迹集合，其中，/>为当前时刻的当前轨迹数据，/>为第/>个历史时刻的历史轨迹数据，/>；
计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值；
若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据，/>为第/>个历史时刻的均衡历史轨迹数据；
计算所述当前轨迹数据的局部平均加速度的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于卫星定位数据的车辆超限超载概率识别方法，其特征在于，包括：
获取车辆在当前时段的当前轨迹数据以及在不同历史时段的历史轨迹数据，并形成轨迹集合，其中，/>为当前时段的当前轨迹数据，/>为第/>个历史时段的历史轨迹数据，/>；
计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码/>、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔/>；
根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值，其中，所述根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离包括：
设各个历史轨迹数据的整体平均速度和运行时长分别是和/>，/>，以及当前轨迹数据的整体平均速度和运行时长分别是/>和/>；
计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，其中，计算所述目标距离的表达式为：
，
式中，为当前轨迹数据，/>为第/>个历史轨迹数据；
若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据，为第/>个历史时段的均衡历史轨迹数据；
计算所述当前轨迹数据的局部平均加速度的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的局部平均加速度的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率，所述计算所述当前轨迹数据的第一经验分布与所述均衡历史轨迹集合/>中各个均衡历史轨迹数据的第二经验分布之间的有向距离包括：
设当前轨迹数据的局部平均加速度共有个，即/>，计数集合/>中落入区间/>的元素个数，再除以/>，则得到当前轨迹数据的局部平均加速度的第一经验分布；
设均衡历史轨迹数据的局部平均加速度共有个，即/>，计数集合中落入区间/>的元素个数，再除以/>，则得到均衡历史轨迹数据的局部平均加速度的第二经验分布；
计算所述第一经验分布与各个第二经验分布之间的有向距离，其中，计算所述有向距离的表达式为：
，
式中，为第一经验分布，/>为第二经验分布，/>为经验分布的自变量，/>为实数集合，即/>的变化范围；
计算与所述当前轨迹数据对应的车辆的超限超载概率的表达为：
，
式中，为标准正态分布函数，/>为局部平均加速度经验分布的正有向距离的和，/>为局部平均加速度经验分布的负有向距离的和的绝对值，/>为待定参数。
2.根据权利要求1所述的一种基于卫星定位数据的车辆超限超载概率识别方法，其特征在于，其中，计算所述轨迹集合中各个轨迹数据的局部平均速度的表达式为：
，
式中，为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，/>为第k条轨迹第i时刻的纬度，为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值。
3.根据权利要求1所述的一种基于卫星定位数据的车辆超限超载概率识别方法，其特征在于，其中，计算所述轨迹集合中各个轨迹数据的整体平均速度的表达式为：
，
式中，为第k条轨迹的整体平均速度；
，
式中，为第k条轨迹第n时刻的行驶时间值，/>为第k条轨迹第1时刻的行驶时间值；
，
式中，为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，/>为第k条轨迹第i时刻的纬度，为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值。
4.根据权利要求1所述的一种基于卫星定位数据的车辆超限超载概率识别方法，其特征在于，其中，计算所述轨迹集合中各个轨迹数据的局部平均加速度的表达式为：
，
式中，为第k条轨迹第i时刻的加速度，/>为第k条轨迹第i时刻的速度，/>为第k条轨迹第i+1时刻的经度，/>为第k条轨迹第i时刻的经度，/>为第k条轨迹第i+1时刻的纬度，为第k条轨迹第i时刻的纬度，/>为第k条轨迹第i+1时刻的海拔，/>为第k条轨迹第i时刻的海拔，/>为第k条轨迹第i+1时刻的行驶时间值，/>为第k条轨迹第i时刻的行驶时间值，为第k条轨迹第i-1时刻的行驶时间值，/>为第k条轨迹第i-1时刻的经度，/>为第k条轨迹第i-1时刻的纬度，/>为第k条轨迹第i-1时刻的海拔。
5.一种基于卫星定位数据的车辆超限超载概率识别***，其特征在于，包括：
获取模块，配置为获取车辆在当前时段的当前轨迹数据以及在不同历史时段的历史轨迹数据，并形成轨迹集合，其中，/>为当前时段的当前轨迹数据，/>为第/>个历史时段的历史轨迹数据，/>；
第一计算模块，配置为计算所述轨迹集合中各个轨迹数据的局部平均速度、整体平均速度和局部平均加速度，以及记录各个轨迹数据的运行时长，其中，轨迹数据包括车辆标识码、司机标识码/>、车辆行驶时间/>、车辆所处经度/>、车辆所处纬度/>和车辆所处海拔；
判断模块，配置为根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，并判断各个目标距离是否小于预设距离阈值，其中，所述根据轨迹数据的整体平均速度和运行时长计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离包括：
设各个历史轨迹数据的整体平均速度和运行时长分别是和/>，/>，以及当前轨迹数据/>的整体平均速度和运行时长分别是/>和/>；
计算所述轨迹集合中各个历史轨迹数据和当前轨迹数据之间的目标距离，其中，计算所述目标距离的表达式为：
，
式中，为当前轨迹数据，/>为第/>个历史轨迹数据；
定义模块，配置为若至少一个目标距离小于预设距离阈值，则将与所述至少一个目标距离对应的至少一个历史轨迹数据定义为均衡历史轨迹数据，并形成均衡历史轨迹集合，其中，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据，/>为第/>个历史时段的均衡历史轨迹数据；
第二计算模块，配置为计算所述当前轨迹数据的第一经验分布与所述均衡历史轨迹集合中各个均衡历史轨迹数据的第二经验分布之间的有向距离，并根据所述有向距离计算与所述当前轨迹数据对应的车辆的超限超载概率，所述计算所述当前轨迹数据的第一经验分布与所述均衡历史轨迹集合/>中各个均衡历史轨迹数据的第二经验分布之间的有向距离包括：
设当前轨迹数据的局部平均加速度共有个，即/>，计数集合/>中落入区间/>的元素个数，再除以/>，则得到当前轨迹数据的局部平均加速度的第一经验分布；
设均衡历史轨迹数据的局部平均加速度共有个，即/>，计数集合中落入区间/>的元素个数，再除以/>，则得到均衡历史轨迹数据的局部平均加速度的第二经验分布；
计算所述第一经验分布与各个第二经验分布之间的有向距离，其中，计算所述有向距离的表达式为：
，
式中，为第一经验分布，/>为第二经验分布，/>为经验分布的自变量，/>为实数集合，即/>的变化范围；
计算与所述当前轨迹数据对应的车辆的超限超载概率的表达为：
，
式中，为标准正态分布函数，/>为局部平均加速度经验分布的正有向距离的和，/>为局部平均加速度经验分布的负有向距离的和的绝对值，/>为待定参数。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
CN202311706339.9A 2023-12-13 2023-12-13 基于卫星定位数据的车辆超限超载概率识别方法及*** Active CN117392855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311706339.9A CN117392855B (zh) 2023-12-13 2023-12-13 基于卫星定位数据的车辆超限超载概率识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311706339.9A CN117392855B (zh) 2023-12-13 2023-12-13 基于卫星定位数据的车辆超限超载概率识别方法及***

Publications (2)

Publication Number Publication Date
CN117392855A CN117392855A (zh) 2024-01-12
CN117392855B true CN117392855B (zh) 2024-02-20

Family

ID=89439605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311706339.9A Active CN117392855B (zh) 2023-12-13 2023-12-13 基于卫星定位数据的车辆超限超载概率识别方法及***

Country Status (1)

Country Link
CN (1) CN117392855B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118097970B (zh) * 2024-04-24 2024-07-12 武汉泰沃滋信息技术有限公司 一种面向车联网的车辆超载风险评估模型构建方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005049355A (ja) * 2004-09-13 2005-02-24 Pioneer Electronic Corp ナビゲーション装置及び速度算出方法
CN107507420A (zh) * 2017-08-15 2017-12-22 深圳智慧车联科技有限公司 车辆超载监控方法、***及车辆
CN112147658A (zh) * 2019-06-27 2020-12-29 财付通支付科技有限公司 一种车辆移动方向的判断方法、装置、设备及存储介质
CN112270460A (zh) * 2020-09-30 2021-01-26 交通运输部规划研究院 一种基于多源数据的超重货车货源站点识别方法
CN113561996A (zh) * 2021-09-23 2021-10-29 国汽智控(北京)科技有限公司 轨迹规划方法及装置
CN115077675A (zh) * 2022-07-21 2022-09-20 鹰驾科技（深圳）有限公司 一种基于北斗导航的货车超载监控***及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005049355A (ja) * 2004-09-13 2005-02-24 Pioneer Electronic Corp ナビゲーション装置及び速度算出方法
CN107507420A (zh) * 2017-08-15 2017-12-22 深圳智慧车联科技有限公司 车辆超载监控方法、***及车辆
CN112147658A (zh) * 2019-06-27 2020-12-29 财付通支付科技有限公司 一种车辆移动方向的判断方法、装置、设备及存储介质
CN112270460A (zh) * 2020-09-30 2021-01-26 交通运输部规划研究院 一种基于多源数据的超重货车货源站点识别方法
CN113561996A (zh) * 2021-09-23 2021-10-29 国汽智控(北京)科技有限公司 轨迹规划方法及装置
CN115077675A (zh) * 2022-07-21 2022-09-20 鹰驾科技（深圳）有限公司 一种基于北斗导航的货车超载监控***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大货车GPS数据的轨迹相似性度量有效性研究;李颖;赵莉;赵祥模;陈珂;;中国公路学报;20200215(02);150-161 *

Also Published As

Publication number Publication date
CN117392855A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN117392855B (zh) 基于卫星定位数据的车辆超限超载概率识别方法及***
CN110371112A (zh) 一种自动驾驶车辆的智能避障***及方法
CN108074396A (zh) 安全行驶评价方法及***
CN105744232A (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN102622885B (zh) 检测交通事件的方法和装置
CN105513349A (zh) 基于双视角学习的山区高速公路车辆事件检测方法
CN108877213A (zh) 交通事故的识别方法及***
CN112749210B (zh) 基于深度学习的车辆碰撞识别方法和***
CN115861973A (zh) 一种道路异常状态检测方法、***、电子设备和存储介质
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
US11836994B2 (en) Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model
CN105957352B (zh) 违章停车检测方法和装置
CN102622883B (zh) 判定交通事件解除的方法及装置
CN103714695A (zh) 一种基于车辆行驶数据分析车辆运营状态方法
CN111967451B (zh) 一种道路拥堵检测方法及装置
CN105719359B (zh) 车辆信息的获取方法和装置
CN108932503A (zh) 恶劣天气下车前障碍的识别方法及装置、存储介质、终端
CN106585634B (zh) 一种对驾驶行为进行分析的方法和装置
CN112557057B (zh) 自动驾驶汽车道路测试运行监管方法、装置及车载终端
CN113393011B (zh) 预测限速信息的方法、装置、计算机设备和介质
CN112766746A (zh) 交通事故识别方法、装置、电子设备和存储介质
CN109034116A (zh) 人流密度检测方法及***
CN117576926B (zh) 车辆违规检测方法、设备及存储介质
CN118172936B (zh) 一种基于车道级交通参数的异常交通事件智能检测方法及***
Gao et al. An In-Car Objects Detection Algorithm Based on Improved Spatial-Temporal Entropy Image

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