使用车头时距动态测量道路性能的方法与流程

1.本发明涉及基于可归因于交通状况的风险来导航车辆，具体地，涉及基于状况或交通流来评估风险并调整车辆的路线或航向以降低其风险或避免该状况。


背景技术：

2.自主车辆监控周围环境，以便能够在交通中导航。虽然能够评估其周围环境，但这些车辆通常意识不到其直接意识之外的大规模交通问题。具体而言，当前的导航系统不具备评估整体交通状况并确定道路风险水平的能力，例如交通可能变得不稳定并对车辆造成危险或阻碍车辆运动的水平。因此，希望能够为车辆提供关于可能影响其机动性和安全性的即将到来的交通状况的适当知识。


技术实现要素：

3.在一示例性实施例中，公开了一种控制路段上车辆和交通流之间的关系的方法。从该路段内的车辆获得遥测数据，该遥测数据与该路段相关。基于遥测数据和路段的道路概况来确定路段的属性。基于该属性来确定指示该路段的交通流中的中断水平的中断分数。当中断分数高于选择的中断阈值时，输出通知信号，该通知信号可用于控制车辆和交通流之间的关系。
4.除了在此描述的一个或多个特征之外，该方法还包括将通知信号输出到以下中的至少一个：用于分析交通流的交通监控设备上的显示器；要显示给交通流的标志；以及用于相对于交通流导航车辆的车辆。对车辆进行导航还包括以下中的至少一个：为车辆选择替代路线、改变车辆行驶的车道、改变车辆的车头时距动态、改变车辆的速度以及改变车辆的速度曲线。该方法还包括当车辆在路段上时，以规则间隔累积来自车辆的遥测数据，将累积的遥测数据存储到车辆的轨迹，并根据轨迹确定路段的属性。道路概况表示在没有中断性事件的情况下路段上的预期交通流。该方法还包括将遥测数据传输到远程服务器，确定路段的属性，并在远程服务器确定中断值。该方法还包括将属性存储在道路度量数据库中，并在选择的时间段到期后从道路度量数据库中清除属性。
5.在另一示例性实施例中，公开了一种用于控制路段上车辆和交通流之间的关系的系统。该系统包括车辆的遥测设备和处理器。车辆的遥测设备获得与车辆正在行驶的路段相关的遥测数据。该处理器配置成基于遥测数据和该路段的道路概况来确定该路段的属性，基于该属性来确定指示该路段的交通流中的中断水平的中断分数，并且当该中断分数高于选择的中断阈值时输出通知信号，该通知信号可用于控制车辆和交通流之间的关系。
6.除了在此描述的一个或多个特征之外，处理器还配置成将通知信号输出到以下中的至少一个：用于分析交通流的交通监控设备上的显示器；要显示给交通流的标志；以及用于相对于交通流导航车辆的车辆。处理器还配置为通过执行以下中的至少一个来导航车辆：选择车辆的替代路线、改变车辆正在行驶的车道、改变车辆的车头时距动态、改变车辆的速度以及改变车辆的速度曲线。处理器还配置成当车辆在路段上时，以规则间隔累积来
自车辆的遥测数据，将累积的遥测数据存储到车辆的轨迹，并根据轨迹确定路段的属性。道路概况表示在没有中断性事件的情况下路段上的预期交通流。该系统还包括道路度量数据库，其中处理器还配置为将属性存储在道路度量数据库中，并在选择的时间段到期后从道路度量数据库中清除属性。
7.在又一示例性实施例中，公开了一种用于控制路段上车辆和交通流之间的关系的服务器。该服务器包括处理器，该处理器配置成从车辆接收遥测数据，该遥测数据与车辆正在经过的路段相关，基于遥测数据和该路段的道路概况确定该路段的属性，基于该属性确定指示该路段的交通流中的中断水平的中断分数，并且当中断分数高于选择的中断阈值时输出通知信号，该通知信号可用于控制车辆和交通流之间的关系。
8.除了在此描述的一个或多个特征之外，处理器还配置成将通知信号输出到以下中的至少一个：用于分析交通流的交通监控设备上的显示器；要显示给交通流的标志；以及用于相对于交通流导航车辆的车辆。处理器还配置成通过执行以下中的至少一个来导航车辆：选择替代路线、改变车辆行驶的车道、改变车头时距动态、改变车辆的速度和改变车辆的速度曲线。处理器还配置成当车辆在路段上时，以规则间隔累积来自车辆的遥测数据，将累积的遥测数据存储到车辆的轨迹，并根据轨迹确定路段的属性。道路概况表示在没有中断性事件的情况下路段上的预期交通流。服务器还包括道路度量数据库，其中处理器还配置为将属性存储在道路度量数据库中，并在选择的时间段到期后从道路度量数据库中清除属性。处理器还配置成从穿过路段的多个其他车辆中的一个和概况服务获得道路概况。
9.当结合附图时，从以下详细描述中，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
10.其他特征、优点和细节仅通过示例的方式出现在以下详细描述中，详细描述参考附图，其中：
11.图1示出了具有根据各种实施例描述的相关轨迹规划系统的车辆；
12.图2示出了在一实施例中适于使用众包遥测数据向车辆通知道路风险的系统的架构的示意图；
13.图3示出了显示图2的系统的细节的示意图；
14.图4示出了在图3的道路安全分析器处执行的方法的流程图；
15.图5示出了用于处理遥测数据以确定道路特性的方法的流程图；
16.图6示出了对存储在道路度量数据库中的历史数据执行的短期维护程序的流程图；
17.图7示出了对道路度量数据库中的历史数据执行的长期维护例程的流程图；
18.图8示出了所选路段的时间图；以及
19.图9示出了一表格，该表格示出了各种属性和相关的缩放值或得分值。
具体实施方式
20.以下描述本质上仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相同或相应的部件和特征。如本文所用，术语模块指的
是处理电路，其可以包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或组)和存储器、组合逻辑电路和/或提供所述功能的其他合适部件。
21.根据示例性实施例，图1示出了根据各种实施例的具有以100描绘的相关轨迹规划系统的车辆10。通常，轨迹规划系统100为车辆10的自动驾驶确定轨迹规划。车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上并基本包围车辆10的部件。车身14和底盘12可以共同形成框架。前轮16和后轮18各自在车身14的相应拐角附近可旋转地联接到底盘12。
22.在各种实施例中，车辆10是自主车辆，并且轨迹规划系统100被结合到自主车辆10(下文中称为自主车辆10)中。自主车辆10例如是被自动控制以将乘客从一个地点运送到另一个地点的车辆。在所示实施例中，自主车辆10被描述为客车，但应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多用途车(suv)、休闲车(rv)等。在示例性实施例中，自主车辆10是所谓的四级或五级自动化系统。四级系统指示“高度自动化”，指的是自动驾驶系统对动态驾驶任务的所有方面的驾驶模式特定性能，即使人类驾驶员没有对干预请求做出适当响应。五级系统表示“完全自动化”，指的是自动驾驶系统在人类驾驶员可以管理的所有道路和环境条件下动态驾驶任务的所有方面的全时性能。
23.如图所示，自主车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、控制器34和通信系统36。在自主车辆10是电动车辆的实施例中，可以没有传动系统22。在各种实施例中，推进系统20可包括内燃机、电机比如牵引马达和/或燃料电池推进系统。传动系统22配置成根据可选择的速度比将动力从推进系统20传递到车辆的前轮16和后轮18。根据各种实施例，传动系统22可包括有级自动变速器、无级变速器或其他合适的变速器。制动系统26配置为向车辆的前轮16和后轮18提供制动扭矩。在各种实施例中，制动系统26可包括摩擦制动器、线制动、再生制动系统如电机和/或其他合适的制动系统。转向系统24影响前轮16和后轮18的位置。尽管出于说明的目的被描绘为包括方向盘，但在本发明范围内预期的一些实施例中，转向系统24可以不包括方向盘。
24.传感器系统28包括一个或多个感测设备40a-40n，其感测自主车辆10的外部环境和/或内部环境的可观测条件。感测设备40a-40n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机、热感相机、超声波传感器和/或其他传感器。相机可以包括两个或更多个彼此隔开选择距离的数码相机，其中两个或更多个数码相机用于获得周围环境的立体图像，以便获得三维图像。感测装置40a-40n可以包括监测车辆动态变量的传感器，例如车辆的速度、加速度、施加制动的次数等。致动器系统30包括一个或多个致动器装置42a-42n，其控制一个或多个车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系统26。
25.控制器34包括至少一个处理器44和计算机可读存储设备或介质46。至少一个处理器44可以是任何定制的或市场上可买到的处理器、中央处理单元(cpu)、图形处理单元(gpu)、与控制器34相关的多个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、宏处理器、它们的任何组合，或者通常是用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(rom)、随机存取存储器(ram)和保活存储器(kam)中的易失性和非易失性存储。kam是永久性或非易失性存储器，当至少一个处理
器44断电时，其可用于存储各种操作变量。计算机可读存储设备或介质46可以使用多种已知存储设备中的任何一种来实现，例如prom(可编程只读存储器)、eprom(电prom)、eeprom(电可擦除prom)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些表示控制器34在控制自主车辆10时使用的可执行指令。
26.指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由至少一个处理器44执行时，这些指令接收并处理来自传感器系统28的信号，执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法，并向致动器系统30生成控制信号，以基于该逻辑、计算、方法和/或算法自动控制自主车辆10的部件。尽管图1中仅示出了一个控制器，但自主车辆10的实施例可以包括任何数量的控制器，这些控制器通过任何合适的通信介质或通信介质的组合进行通信，并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制自主车辆10的特征。
27.在各种实施例中，控制器34的一个或多个指令体现在轨迹规划系统100中，并且当由至少一个处理器44执行时，产生解决环境的运动学和动力学约束的轨迹输出。例如，指令接收处理传感器和映射数据作为输入。这些指令执行基于图形的方法，使用定制的成本函数来处理城市道路和高速公路中的不同道路情况。
28.通信系统36配置为向和从其他实体48无线传送信息，其他实体48例如但不限于其他车辆(“v2v”通信)、基础设施(“v2i”通信)、远程系统、远程服务器、云计算机和/或个人设备。在示例性实施例中，通信系统36是配置成使用ieee 802.11标准或通过使用蜂窝数据通信经由无线局域网(wlan)进行通信的无线通信系统。然而，诸如专用短程通信(dsrc)信道的附加或替代通信方法也被认为在本公开的范围内。dsrc信道是指专门为汽车应用设计的单向或双向短程到中程无线通信信道，以及相应的一组协议和标准。
29.图2示出了在一实施例中适于使用众包遥测数据向车辆10通知道路风险的系统200的架构的示意图。系统200包括车辆域202和云域204内的操作。车辆域202包括自主车辆10。云域204包括一个或多个远程服务器206。信息在车辆域202中的自主车辆10和云域204中的一个或多个远程服务器206之间来回发送。
30.在车辆域202中，自主车辆10使用传感装置40a-40n获得关于其操作的测量，例如其速度、加速度、纬度、经度、制动量、表面状况、检测到的目标的位置等。这些测量被传送到一个或多个远程服务器206。在云域204中，一个或多个远程服务器206基于来自自主车辆10的测量和自主车辆正在穿越的路段的概况来计算各种风险参数。
31.可以在一个或多个远程服务器206处从概况数据库或概况服务208接收概况。概况服务208从多个车辆获得遥测数据，并按照路段、时间范围等组织数据。计算概况以表示在选择时间段内沿选择路段的交通，例如一天中的一个小时、一天中的一刻钟、一个季节时间段等。在另一实施例中，一个或多个远程服务器206可以使用从穿越路段的多个车辆获得的遥测数据，自行编译概况数据。
32.概况表示该时间段内路段上的预期交通流。道路概况通常代表该时间段内路段上的稳定交通流。稳定交通流是指在没有对交通流造成不稳定影响的情况下的交通流，例如道路施工、事故、恶劣的道路条件等。在路段水平上对车辆和周围交通进行的测量在这里被称为度量。使用诸如交通研究模型之类的模型来解释度量，以生成一个或多个属性。一个或多个属性用于生成交通流的概况，该概况由一个或多个属性的平均值和标准偏差来指示。
33.路段的道路概况由该时间段内该路段的一个或多个属性的平均值(均值)和预期变化(标准偏差)来表示。这些属性可以包括但不限于行驶速度不确定性、踏板使用不确定性、观察到的车辆数量、平均速度和速度变化、速度和速度变化的分布、紧急制动和加速、全停次数和空转次数。
34.一个或多个远程服务器206编译来自车辆10的测量，并将计算的属性与道路概况进行比较，以确定每个属性在选择时间内偏离选择路段的稳定交通流的程度。
35.驾驶员或车辆在交通流中面临的不确定性可以用分布来表示。例如，行驶速度不确定性可以作为速度分布的熵值来获得，如由方程(1)给出：
[0036][0037]
其中，是与给定速度vi相关的概率。类似地，踏板使用不确定性可以作为速度变化分布的熵值来获得，如由方程(2)给出：
[0038][0039]
其中，是与给定减速度或加速度dvi相关的概率。对于熵，下限为零表示车辆沿路段的行驶速度完全一致。上限表示行驶速度的完全不确定性和使车辆的行驶速度与周围交通流的速度相匹配所需的踏板使用。熵值是一种属性，可以对其进行校准，以描绘给定时间段内路段的稳定流量。
[0040]
一个或多个远程服务器206基于行驶速度不确定性、踏板使用不确定性和车辆流量的属性值来确定中断分数。中断分数可用于识别交通流的不稳定性，例如增加车头时距动态水平的意外事件。中断分数表示交通流中的中断水平。中断分数以及其他数据可以从一个或多个远程服务器206传送到自主车辆10。中断分数还可以用于确定对自主车辆10的指令，并且这种指令可以从一个或多个远程服务器206发送到自主车辆10。自主车辆10可以基于来自一个或多个服务器的指令、中断分数和/或其他数据来执行导航操作。可替代地，如果自主车辆10正由驾驶员手动驾驶，则驾驶员可以读取指令并相应地操作车辆10。
[0041]
图3示出了示意图300，其示出了图2的系统200的细节。车辆域202包括自主车辆10和基础设施标志302。云域204包括遥测摄取处理器306和一个或多个远程服务器206。
[0042]
车辆10至少包括遥测设备304和导航模块330。遥测设备304捕获各种遥测数据或测量，包括但不限于道路使用者的纬度、道路使用者的经度、时间戳、道路使用者的航向、道路使用者的速率或速度、道路使用者正在穿越的道路的表面状况、道路使用者检测到的任何目标等。遥测设备304将该遥测数据从车辆10传送到云域204。
[0043]
在云域204中，遥测摄取处理器306从车辆10接收遥测数据，并将数据格式转换成适合在远程服务器206使用的格式。遥测摄取处理器306以规则预定间隔比如每三秒从自主车辆10向一个或多个远程服务器206输入数据。
[0044]
一个或多个远程服务器206处理来自遥测摄取处理器306的数据，以确定车辆的风险评估。一个或多个远程服务器206包括数据预处理器308、道路安全分析器318、道路度量数据库320、道路概况服务322、路线服务324和路线引擎326。
[0045]
数据预处理器308执行各种操作以准备用于分析的数据，包括地图匹配310、车辆数据分组312和在发布或订阅服务器314的数据发布。地图匹配310包括将数据的经度和纬
度与来自地图数据库316的地图进行比较，以便确定自主车辆10在不同时间的位置。当自主车辆10在路段内时，数据预处理器执行车辆数据分组312，其中数据被累积。一旦车辆已经离开该路段，累积的数据被分组为代表该路段的轨迹。该轨迹在发布或订阅服务器314上发布。通常，轨迹被发布给道路安全分析器318。
[0046]
道路安全分析器318从数据预处理器308接收轨迹，并执行各种计算。具体而言，道路安全分析器318将轨迹数据与道路概况进行比较，并根据轨迹确定路段的一个或多个属性。道路安全分析器318还计算与一个或多个属性相关的性能值或中断值，并确定交通中断或不利的驾驶员体验的可能性，例如交通停止、走走停停等。道路安全分析器318的操作在此参考图4进行讨论。
[0047]
在道路安全分析器318处确定的属性和中断值然后可被存储到道路度量数据库320。道路度量数据库320提供历史数据库，该历史数据库存储预定时间范围的该数据，并累积来自其他车辆在该时间段内获得的其他轨迹的新数据。在各种实施例中，历史数据可以在短时间范围内保存，例如15分钟，或者在长时间范围内保存，例如一个月。
[0048]
道路概况服务322从道路度量数据库320中提取数据，以向自主车辆10提供指令。例如，当车辆10在选择时间段内穿过路段时，道路概况服务322可从道路度量数据库320中提取选择时间段内选择路段的历史数据，并将该数据提供给车辆10。具体地，道路概况服务322可以向车辆10提供该路段的中断值和/或道路属性。道路概况服务322还可以在中断值与选择的中断阈值比较时提供通知信号，例如当中断值大于选择的中断阈值时。
[0049]
在车辆10处，在导航模块330处接收数据和/或通知信号。导航模块330可以确定在车辆10处实施的行动路线。例如，导航模块330可执行路线选择332以选择比该路段更安全的路线。可替代地，导航模块330可以执行车道选择334，以便将车辆10正在行驶的车道改变为具有更高安全度的车道。此外，导航模块330可以通过例如管理运动336来管理车辆10的操作，运动336诸如车辆10的车头时距和/或速度、或速度曲线、或车辆10的加速或减速水平等。
[0050]
在另一实施例中，来自道路概况服务322的数据和/或通知信号也可被发送到基础设施标志302，其可以显示该数据或对整个交通的适当警告。在另一实施例中，数据和/或通知信号可被发送到由交通工程师或其他用户观察的交通监视器340或交通监视设备或服务器。数据和/或通知信号可以显示在交通监视器340的显示器上，例如在显示器出操作的仪表板上。因此，通知信号控制该路段上车辆和交通流之间的关系，通常是为了减少该路段上交通流的中断。发送给交通工程师的通知可用于分析交通流，以便设计新的交通规则或交通系统。当通知信号被发送到基础设施标志302以显示交通流警告或交通流建议时，以及当通知信号被发送到车辆以控制车辆时，也实现了车辆和交通流之间的关系。
[0051]
一个或多个远程服务器206的路线服务324从道路概况服务322接收数据，并确定交通模式的复杂性。给定交通模式，路线引擎326可以基于车辆的计划路径或目的地来确定替代路线。替代路线可被提供给自主车辆10。
[0052]
图4示出了在图3的道路安全分析器318处执行的方法的流程图400。在框402中，来自轨迹的测量x的统计分析或评估被转换成道路度量m。在框404中，度量m用于确定路段的一个或多个属性(即均值和标准偏差)。在框406中，使用这些属性来生成路段的概况f。在框408中，对属性或属性值进行缩放或评分，以确定它们偏离路段的预期概况。这些属性用于
确定路段和时间段的道路性能值。在一实施例中，可以使用路段的道路概况的模型系数来对属性进行加权。每个属性值乘以其相应的权重，乘积相加得到道路性能值，如方程(3)所示：
[0053][0054]
在框408中，道路性能值用于确定描述在该时间段内沿该路段的不利驾驶员体验的可能性的中断分数。流程图400中所示的过程可以在多个路段上执行多个时间段。
[0055]
图5示出了用于处理遥测数据以确定道路属性的方法的流程图500。在框502中，获取遥测数据。在框504中，遥测数据与地图匹配。在框506中，做出车辆是否仍在该路段中的决定。如果车辆没有离开该路段，则该方法返回到框502以从车辆获取更多遥测数据，从而累积该路段的遥测数据。如果车辆已经离开该路段，则方法推进至框508。在框508中，遥测数据的累积完成并存储在轨迹中，数据存储在被发布给道路度量分析器的轨迹中。在框510中，根据轨迹数据计算路段的属性(例如车头时距动态变量)。在框512中，属性存储在道路度量数据库320中，以更新存储在其中的数据。
[0056]
图6示出了对存储在道路度量数据库320中的历史数据执行的短期维护程序的流程图600。在框602中，参考时间来确定数据是否比选择的短时间段(例如15分钟)更早。如果该时间段没有到期，则该方法推进到框604。在框604中，获得该时间段的路段数据。在框606中，用从路段数据确定的属性更新历史数据库。在框608中，从历史数据库中清除任何过期(即早于15分钟时间周期)的度量。在框610中，确定是否正从额外的路段捕获更多的数据。如果是，则该方法返回到框604，在那里获得附加路段数据。否则，该方法停止。
[0057]
图7示出了对道路度量数据库320中的历史数据执行的长期维护例程的流程图700。在框702中，参考时间来确定数据是否比选择的长时间段(例如一个月)更早。在框704中，获得长达一个月的时间段的路段数据。在框706中，从历史数据库中清除任何过期(即早于一个月的时间段)的度量。在框708中，确定是否正从额外的路段捕获更多的数据。如果是，则该方法返回到框704，其中获得附加路段数据。否则，该方法停止。
[0058]
图8示出了所选路段的时间图800，例如高速公路的路段。时序图800示出了在24小时时间段内为所选择的段计算的各种属性，并将所选择属性与预期概况进行比较。时间沿x轴显示，分为24个一小时的时间段。显示每个时间段的属性。时间图800中表示的交通模式示出了清晨时段(面元0至面元5，大约午夜12点至早上6点)的低交通量。在此期间，交通量较低并且交通趋向于畅通无阻。在面元6到面元9中示出了早晨的交通高峰(大约上午6:00到10:00)。中午业务流量显示在面元10到14中(大约上午10:00到下午3:00)。下午高峰交通示出为从面元15到面元18(大约下午3:00到7:00)。夜间交通显示为从面元19到面元23(大约晚上7:00到午夜12点)。
[0059]
平均速度曲线802示出了24小时时间段内该路段上车辆的平均速度(v)。第一偏差曲线804示出了平均速度的第一标准偏差，第二偏差曲线806示出了平均速度的第二标准偏差。为了说明的目的，仅示出了平均速度的第一偏差的上限。类似地，为了说明的目的，仅示出了平均速度的第二偏差的下限。
[0060]
示出了每个一小时时间段的速度熵分布图808。此外，示出了每个一小时时间段的加速度熵分布图810。速度熵分布图808和加速度熵分布图810都在一小时时间段内被表示为竖直延伸的条，条的高度指示熵值。对于所选时间段，比如一周、一个月等，所选时间段的
速度熵分布图808和加速度熵分布图810可以根据在所选时间段内获得的历史数据来确定。还示出了从当前遥测数据获得的实际速度熵812和实际加速度熵814。
[0061]
一小时时间段内的紧急制动事件816的数量由条表示。预期车辆密度曲线818示出了一段时间内路段上的预期车辆密度。实际车辆密度曲线820示出了在时间图的特定24小时时间段期间路段上的实际车辆密度。
[0062]
在清晨时段(大约午夜12点到早上6点)，交通表现出预期的车辆运动。平均速度曲线802相对恒定，并且通常代表自由流动交通模式。如所预期的，该路段上的车辆数量(实际车辆密度曲线820)相对较低。实际速度熵812和实际加速度熵814分别接近速度熵分布808和加速度熵分布810。
[0063]
在早高峰时间(大约上午6:00到10:00)，车辆数量(实际车辆密度曲线820)增加，如所预期的。实际速度熵812和实际加速度熵814分别保持接近速度熵分布808和加速度熵分布810。在这样的早晨高峰时间期间，平均速度曲线802仍显示交通的自由流动。
[0064]
在中午业务时间(大约上午10:00到下午3:00)，可以看到实际交通工具密度曲线820增加超过早高峰时间的交通工具密度。平均速度仍显示出交通的自由流动。对于不同的一小时时间段(即至少在面元11和14中)，实际速度熵大大高于速度熵分布。类似地，对于这些相同的一小时时间段，实际加速度熵814比加速度熵分布图810高得多。
[0065]
在下午业务时间(大约下午3:00到7:00)，大约在下午6:19发生事故。事故的后果显示在时间段830中。作为事故的结果，车辆减速(本地速度最小值836)并且记录了51次紧急制动事件(条834)。在时间图中，实际车辆密度曲线820下降到面元18中(如本地车辆密度最小值832所示)。实际速度熵812在面元18中(下午5:00到下午6:00)减小到相对较低的值(与面元18中的速度熵分布808相比)。类似地，实际加速度熵814在面元18中被降低到相对较低的值(与加速度熵分布810相比)。如局部速度最小值836所示，速度已经下降到非常低的值，并且明显在由平均速度曲线802的第二偏差曲线806设定的范围之外。
[0066]
在夜间交通时段(大约晚上7点至午夜12点)，交通已从车辆事故中恢复。面元19的局部速度熵840超过了面元19的局部速度熵分布842。另外，面元19的局部加速度熵844超过面元19的局部加速度熵分布846。如速度点838所示，面元19的平均速度大于面元18的一小时时间段内的平均速度(局部速度最小值836)。然而，面元19的平均速度保持较低，并且仍在平均速度的第二标准偏差设定的范围之外。此外，面元19中的实际车辆密度已经从面元18中的本地车辆密度最小值832增加。
[0067]
图9示出了具有各种属性和相关的缩放值或得分值的表格900。将连续两天在一天的选择时间内记录的多个路段的属性制成表格。路段被标记为1到7。第一天(2019年9月18日)显示在前7行，第二天(2019年9月19日)显示在后7行。如第一天所示，与路段1-3和6-7(圆圈908)相比，路段4和5(圆圈906)都具有降低的速度。路段4的中断分数是96，路段5的中断分数是90(圆圈910)。
[0068]
如第二天(2019年9月19日)所示，路段4发生事故。与路段1-3和6-7相比，路段4和5(圆圈912)上的速度降低。路段4的中断分数为100(圆圈914)，指示路段4上发生不稳定、中断或中断性事件。车辆可以使用第二天的中断分数来选择行动，例如改变车道或改变远离路段4的路线。
[0069]
虽然已经参考示例性实施例描述了上述公开，但本领域技术人员将理解，在不脱
离其范围的情况下，可以进行各种改变并且等同物可以替代其元件。此外，在不脱离本公开的实质范围的情况下，可以进行许多修改以使特定的情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。