CN109583081A - 一种车辆行驶速度预测模型构建方法 - Google Patents
一种车辆行驶速度预测模型构建方法 Download PDFInfo
- Publication number
- CN109583081A CN109583081A CN201811443853.7A CN201811443853A CN109583081A CN 109583081 A CN109583081 A CN 109583081A CN 201811443853 A CN201811443853 A CN 201811443853A CN 109583081 A CN109583081 A CN 109583081A
- Authority
- CN
- China
- Prior art keywords
- speed
- speed data
- prediction model
- parameter
- max
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 230000001419 dependent effect Effects 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶速度预测模型构建方法,包括:获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据,得到速度数据集合;对速度数据集合中异常速度数据进行筛除,得到速度数据集合;以速度数据集合中每个速度数据为多元线性回归模型的因变量,以影响速度的公路几何线形参数为解释变量,将每一个因变量与解释变量进行拟合,移除显著性水平大于预设显著度阈值的解释变量,建立速度参数与解释变量的数学关系,得到速度参数预测模型。
Description
技术领域
本发明涉及目标车辆速度预测技术领域,尤其涉及一种车辆行驶速度预测模型构建方法。
背景技术
现有研究构建的小客车速度预测模型,都是假设速度在平曲线上为常量,减速行为发生在驶入平曲线之前,加速行为发生在驶离平曲线之后。同时,现有的公路线形设计标准也做了同上的假设。在该假设基础上,点速度(瞬时速度)在平曲线中点和切线前中点位置采集,由此构建运行速度模型。
然而,这种速度预测模型存在一定的片面性。因为速度没有在减速或加速的开始点和结束点采集,不能真实描述驾驶员的驾驶行为。而且减速和加速距离也比较难获取,导致无法采集准确的加速度和减速度。为了克服上述数据采集方法的不足,以及速度预测模型构建思路的问题,提出一种客观描述驾驶员驾驶行为,没有预先假设条件的公路小客车速度相关参数的预测方法。
发明内容
基于背景技术存在的技术问题,本发明提出了一种车辆行驶速度预测模型构建方法;
本发明提出的一种车辆行驶速度预测模型构建方法,包括:
S1、获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据,得到速度数据集合;
S2、以速度数据集合中每个速度数据为多元线性回归模型的因变量,以影响速度的公路几何线形参数为解释变量,将每一个因变量与解释变量进行拟合,移除显著性水平大于预设显著度阈值的解释变量,建立速度参数与解释变量的数学关系,得到速度参数预测模型。
优选地,步骤S1中,所述速度数据集合,具体包括:
速度数据集合中速度数据包括85%位平曲线运行车速V85c、85%位直线段运行车速V85l、85%位加速度a85、85%位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep。
优选地,步骤S2中,所述影响速度的公路几何线形参数,具体包括:
直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess。
优选地,步骤S2,将每一个因变量与解释变量进行拟合过程中,还包括:
将最高/最低速度Vmax/Vmin作为约束条件;
当V85c≥Vmax时,V85c=Vmax;当V85c≤Vmin时,V85c=Vmin;
当Vmin<V85c<Vmax时,V85c取预测值;
当V85l≥Vmax时,V85l=Vmax;
当V85l≤Vmin时,V85l=Vmin;
当Vmin<V85l<Vmax时,V85l取预测值。
优选地,步骤S2中,所述速度参数预测模型,具体包括:
其中,DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数,αi(i=1,2,…12)为解释变量的回归系数,β为常数项。
优选地,步骤S1,还包括:对速度数据集合中异常速度数据进行筛除。
本发明在选定的目标公路上,由多位驾驶员驾驶目标车辆,采集运行速度、加速度和减速度等数据,以公路几何线形参数为解释变量,建立数学预测模型,最终得到速度参数预测模型,本发明克服了现有技术中数据采集方法的不足,以及速度预测模型构建思路的问题,提出一种准确描述驾驶员驾驶行为,可以准确、高效的预测新建或改造公路的运行速度等相关速度指标,可作为评价公路项目安全性评价的重要依据。
附图说明
图1为本发明提出的一种车辆行驶速度预测模型构建方法的流程示意图;
图2为本发明的实施例中不同等级公路小客车的最高/最低速度示意图。
具体实施方式
参照图1,本发明提出的一种车辆行驶速度预测模型构建方法,包括:
步骤S1,获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据,得到速度数据集合。
本步骤中速度数据集合具体包括:速度数据集合中速度数据包括85%位平曲线运行车速V85c、85%位直线段运行车速V85l、85%位加速度a85、85%位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep。
在具体方案中,选择N位驾驶员,为确保速度数据采集的代表性和可靠性,驾驶员为男性驾驶员和女性驾驶员比例各半,年龄范围涵盖20-70岁,年龄符合正态分布,驾龄至少2年以上,且行驶里程总计大于10000公里;
目标车辆为普通小汽车,车内安装连续测速仪,用于采集实时车速,在目标车辆顶部安装一个差分GPS天线,以10Hz的频率采集定位数据,在目标车辆头部和尾部安装测距雷达,采集车头时距数据,目标车辆内部在制动踏板、油门踏板和离合器踏板上安装电位器,采集驾驶员操作踏板的行为和时刻,所有的车内和车外设备尽量做好隐蔽工作,以减少对驾驶员和外部目标车辆的影响。
由于考虑目标车辆速度与公路几何线形的关系,因此仅采集自由流状态下的数据,选择交通流状态大部分时段为自由流的等级公路,且包含20个以上直线段,20个以上平曲线公路。
进一步的,为确保采集自然驾驶过程的数据,时间为可视性良好的白天,天气晴好,在获取速度数据之前,选择与目标公路临近的公路进行预实验,保证驾驶人对目标车辆驾驶的熟悉,以提高速度数据的自然性和真实性;每辆目标车辆提供一名研究人员,坐在副驾驶位置,提供路线导航,并同时做好数据采集和操作工作。
在整理的数据基础上,可计算获得的速度数据类型有:85%位平曲线运行车速V85c(km/h)、85%位直线段运行车速V85l(km/h)、85%位加速度a85(m/s2)、85%位减速度d85(m/s2)、平曲线运行速度保持不变的开始点位置距离Lsp(km)(距离平曲线起点的长度)、平曲线运行速度保持不变的结束点位置距离Lep(km)(距离平曲线起点的长度)。
85%位平曲线运行车速V85c(km/h),统计采集的不同驾驶人同一平曲线的运行车速,形成累计速度频率曲线,累计频率为85%时对应的速度,即实验的全部车辆中有85%未达到的速度;85%位直线段运行车速V85l(km/h),统计采集的不同驾驶人同一直线段的运行车速,形成累计速度频率曲线,累计频率为85%时对应的速度,即实验的全部车辆中有85%未达到的速度;85%位加速度a85(m/s2),统计采集的不同驾驶人同一路段的运行加速度,形成累计加速度频率曲线,累计频率为85%时对应的加速度,即实验的全部车辆中有85%未达到的加速度;85%位减速度d85(m/s2),统计采集的不同驾驶人同一路段的运行减速度,形成累计减速度频率曲线,累计频率为85%时对应的减速度,即实验的全部车辆中有85%未达到的减速度;平曲线运行速度保持不变的开始点位置距离Lsp(km),根据车内制动踏板、油门踏板和离合器踏板上电位器采集的数据,判断车辆进入同一平曲线后运行速度保持不变的开始点位置;平曲线运行速度保持不变的结束点位置距离Lep(km),根据车内制动踏板、油门踏板和离合器踏板上电位器采集的数据,判断车辆进入同一平曲线后运行速度保持不变的结束点位置。以上参数为预测对象,即为多元线性回归模型的因变量。
本步骤还包括:对速度数据集合中异常速度数据进行筛除。
在具体方案中,考虑小客车速度与公路几何线形的关系,因此仅分析自由流状态下的数据,如果雷达采集的车头时距小于8秒,表明目标车辆未在自由流状态下行驶,该目标车辆在行驶过程中采集的速度数据为异常速度数据,从速度数据集合中筛除该异常速度数据。
步骤S2,以速度数据集合中每个速度数据为多元线性回归模型的因变量,以影响速度的公路几何线形参数为解释变量,将每一个因变量与解释变量进行拟合,移除显著性水平大于预设显著度阈值的解释变量,建立速度参数与解释变量的数学关系,得到速度参数预测模型。
本步骤中影响速度的公路几何线形参数具体包括:直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess。
本步骤中,将每一个因变量与解释变量进行拟合过程中,将最高/最低速度Vmax/Vmin作为约束条件;
当V85c≥Vmax时,V85c=Vmax;当V85c≤Vmin时,V85c=Vmin;
当Vmin<V85c<Vmax时,V85c取预测值;
当V85l≥Vmax时,V85l=Vmax;
当V85l≤Vmin时,V85l=Vmin;
当Vmin<V85l<Vmax时,V85l取预测值。
本步骤中,所述速度参数预测模型,具体包括:
其中,DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数,αi(i=1,2,…12)为解释变量的回归系数,β为常数项。
在具体方案中,确定影响速度的公路几何线形参数。主要包括直线段长度Ll(km)、平曲线长度Lc(km)、缓和曲线长度Ltc(km)、平曲线曲率1/R(1/km)、上坡坡度Gu(%)、下坡坡度Gd(%)、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel(km/km)、桥梁密度 Nbridge(km/km)、交叉口密度Ncross(个/km)、接入口密度Naccess(个/km)。以上参数为多元线性回归模型的解释变量,参数值均可以从公路设计文件或实地勘测获取。
具体的,采用多元线性回归模型进行速度模型构建,以目标车辆采集的参数为多元线性回归模型的因变量,以公路几何线形参数为解释变量,采用SPSS 软件进行多元线性回归分析,针对每个因变量与解释变量进行拟合分析,移除显著性水平P大于0.05(预设显著度阈值)的解释变量,建立速度参数与解释变量的数学关系,由此分别得到速度参数预测模型。
实施例:
选择的实验公路为一条二级公路,双向四车道,设计速度为60km/h,单车道宽度3.75m,实验里程32km,共计平曲线26个、直线路段31个。主要的公路几何参数包括:平均平曲线长度322.47m、平均平曲线半径824.26m、平均直线段长度857.29m平均纵坡5.65%。
由30个实验驾驶人驾驶实验车辆分别在实验公路路线行驶,采集相关数据。共采集得直线段个体驾驶速度数据930个,平曲线个体驾驶速度数据780个。采用SPSS软件进行多元线性回归分析,建立速度参数与解释变量的数学关系,当参数的置信水平小于0.05,置信度达到95%,相关系数R2分别为0.822、0.791、 0.661、0.608、0.712、0.658,由此分别得到速度参数预测模型:
V85l=110.256+2.114Lt-4.972Gu+5.631Gd-20.582Ntunnel-15.667Nbridge-6.648Ncross-6.764Naccess
由于小客车在实际的公路行驶中,车辆的运行速度不可能无限的增长或降低。因此,将最高/最低速度(Vmax/Vmin)作为约束条件,根据《公路项目安全性评价规范》关于设计速度(Vd)与运行速度协调性的规定,同一路段设计速度和运行速度差值大于20km/h时协调性差。
如图2所示,根据实测数据,确定的小客车最高/最低速度(Vmax/Vmin)值:
当V85c≥Vmax时,V85c=Vmax;
当V85c≤Vmin时,V85c=Vmin;
当Vmin<V85c<Vmax时,V85c取预测值;
当V85l≥Vmax时,V85l=Vmax;
当V85l≤Vmin时,V85l=Vmin;
当Vmin<V85l<Vmax时,V85l取预测值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种车辆行驶速度预测模型构建方法,其特征在于,包括:
S1、获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据,得到速度数据集合;
S2、以速度数据集合中每个速度数据为多元线性回归模型的因变量,以影响速度的公路几何线形参数为解释变量,将每一个因变量与解释变量进行拟合,移除显著性水平大于预设显著度阈值的解释变量,建立速度参数与解释变量的数学关系,得到速度参数预测模型。
2.根据权利要求1所述的车辆行驶速度预测模型构建方法,其特征在于,步骤S1中,所述速度数据集合,具体包括:
速度数据集合中速度数据包括85%位平曲线运行车速V85c、85%位直线段运行车速V85l、85%位加速度a85、85%位减速度d85、平曲线运行速度保持不变的开始点位置距离Lsp、平曲线运行速度保持不变的结束点位置距离Lep。
3.根据权利要求2所述的车辆行驶速度预测模型构建方法,其特征在于,步骤S2中,所述影响速度的公路几何线形参数,具体包括:
直线段长度Ll、平曲线长度Lc、缓和曲线长度Ltc、平曲线曲率1/R、上坡坡度Gu、下坡坡度Gd、平曲线前第一距离阈值的曲率变化率CR1、平曲线前第二距离阈值的曲率变化率CR2、隧道密度Ntunnel、桥梁密度Nbridge、交叉口密度Ncross、接入口密度Naccess。
4.根据权利要求3所述的车辆行驶速度预测模型构建方法,其特征在于,步骤S2,将每一个因变量与解释变量进行拟合过程中,还包括:
将最高/最低速度Vmax/Vmin作为约束条件;
当V85c≥Vmax时,V85c=Vmax;当V85c≤mVin时,V85c=Vmin;当Vmin<85V c<maVx时,V85c取预测值;
当V85l≥Vmax时,V85l=Vmax;当V85l≤Vmin时,V85l=Vmin;当Vmin<V85l<Vmax时,V85l取预测值。
5.根据权利要求4所述的车辆行驶速度预测模型构建方法,其特征在于,步骤S2中,所述速度参数预测模型,具体包括:
其中,DV为因变量代表V85c、V85l、a85、d85、Lsp/Lc、Lep/Lc速度参数,αi(i=1,2,…12)为解释变量的回归系数,β为常数项。
6.根据权利要求1所述的车辆行驶速度预测模型构建方法,其特征在于,步骤S1,还包括:对速度数据集合中异常速度数据进行筛除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443853.7A CN109583081B (zh) | 2018-11-29 | 2018-11-29 | 一种车辆行驶速度预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443853.7A CN109583081B (zh) | 2018-11-29 | 2018-11-29 | 一种车辆行驶速度预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583081A true CN109583081A (zh) | 2019-04-05 |
CN109583081B CN109583081B (zh) | 2024-01-02 |
Family
ID=65925631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811443853.7A Active CN109583081B (zh) | 2018-11-29 | 2018-11-29 | 一种车辆行驶速度预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583081B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307905A (zh) * | 2020-09-30 | 2021-02-02 | 威伯科汽车控制系统(中国)有限公司 | 一种用于车辆预测控制的道路坡度自学习方法及系统 |
CN113393011A (zh) * | 2020-03-13 | 2021-09-14 | 百度在线网络技术(北京)有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
CN114037268A (zh) * | 2021-11-08 | 2022-02-11 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
CN115063986A (zh) * | 2022-04-13 | 2022-09-16 | 石家庄铁道大学 | 隧道出口安全车速计算方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110386A1 (en) * | 2011-10-28 | 2013-05-02 | Thinkware Systems Corporation | Method and apparatus for providing analysis index of roadway section based on road and traffic conditions |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
-
2018
- 2018-11-29 CN CN201811443853.7A patent/CN109583081B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110386A1 (en) * | 2011-10-28 | 2013-05-02 | Thinkware Systems Corporation | Method and apparatus for providing analysis index of roadway section based on road and traffic conditions |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
Non-Patent Citations (1)
Title |
---|
程明: "山区低等级公路改扩建工程小半径曲线段安全措施与效果分析", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393011A (zh) * | 2020-03-13 | 2021-09-14 | 百度在线网络技术(北京)有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
CN113393011B (zh) * | 2020-03-13 | 2024-05-10 | 百度在线网络技术(北京)有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
CN112307905A (zh) * | 2020-09-30 | 2021-02-02 | 威伯科汽车控制系统(中国)有限公司 | 一种用于车辆预测控制的道路坡度自学习方法及系统 |
CN112307905B (zh) * | 2020-09-30 | 2023-03-17 | 采埃孚商用车系统(青岛)有限公司 | 一种用于车辆预测控制的道路坡度自学习方法及系统 |
CN114037268A (zh) * | 2021-11-08 | 2022-02-11 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
CN114037268B (zh) * | 2021-11-08 | 2022-08-19 | 哈尔滨工业大学 | 一种适用于设计阶段的高速公路事前安全性评价系统 |
CN115063986A (zh) * | 2022-04-13 | 2022-09-16 | 石家庄铁道大学 | 隧道出口安全车速计算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109583081B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DK2619059T3 (en) | Driver profiling system and method | |
CN109583081A (zh) | 一种车辆行驶速度预测模型构建方法 | |
Li et al. | Link travel time estimation using single GPS equipped probe vehicle | |
CN207517194U (zh) | 基于车路协同的高速公路运行车速主动预警系统 | |
CN107742432A (zh) | 基于车路协同的高速公路运行车速主动预警系统及控制方法 | |
WO2018122586A1 (zh) | 一种基于舒适度的自动驾驶车速控制方法 | |
CN105303832B (zh) | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 | |
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 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN101694745A (zh) | 基于高速公路几何线形综合技术指标的安全检测方法 | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
CN105046963A (zh) | 基于交通基本图的高架道路路段交通拥堵临界值计算方法 | |
CN110136439A (zh) | 一种适用于自动驾驶车辆的车道宽度设计方法 | |
CN103198710A (zh) | 一种基于减小车辆追尾事故数量的车辆调控方法 | |
Yishui et al. | Research of highway bottlenecks based on catastrophe theory | |
CN109783893B (zh) | 一种考虑路段上下游线形设计参数的连续建模方法 | |
Watters et al. | The relationship between geometric design consistency and safety on rural single carriageways in Ireland | |
Belz et al. | Analyzing the effect of driver age on operating speed and acceleration noise: on-board second-by-second driving data | |
Xu et al. | Longitudinal acceleration of vehicles on complex mountain roads | |
CN103198712B (zh) | 一种雾天状态下减少交通事故的车辆调控方法 | |
Weyland et al. | The potential for traffic emission reduction on freeways with dynamic line control system analyzed with PTV Vissim | |
CN109215345B (zh) | 一种消除交叉口困境区的停车线位置确定方法 | |
CN114670860A (zh) | 一种面向大数据应用的车载屏幕控制系统 | |
CN115240419B (zh) | 一种超高速工况下智能网联车辆加速车道确定方法 | |
CN116415345B (zh) | 一种考虑驾驶人行为的制动毂温度预测方法 |
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 |