Πώς ανέλυσα τη δική μου οδική συμπεριφορά χρησιμοποιώντας την επιστήμη δεδομένων

Τα δεδομένα τηλεματικής οχημάτων μπορούν να αποκαλύψουν πολλά για τις οδηγικές σας δεξιότητες

Είσαι καλός οδηγός; Η απάντηση σε μια τέτοια ερώτηση δεν ήταν πολύ αντικειμενική. Ένας τρόπος για να το αναλύσετε αυτό είναι να λάβετε τη γνώμη των επιβατών που ταξιδεύουν μαζί σας ή απλώς να μετρήσετε τα εισιτήρια υπέρβασης ταχύτητας που πληρώσατε! Ωστόσο, όλοι αυτοί είναι πολύ πρωτόγονοι τρόποι για να κρίνουμε την οδηγική συμπεριφορά. Σε αυτό το ιστολόγιο, θα δείξω πώς χρησιμοποίησα δεδομένα για να αναλύσω αντικειμενικά την οδηγική μου συμπεριφορά.

Η ανάλυση οδηγικής συμπεριφοράς χρησιμοποιείται επίσης από επιχειρήσεις για περιπτώσεις χρήσης όπως ο σχεδιασμός ενός ασφαλιστηρίου συμβολαίου βάσει δεδομένων ή η διαχείριση στόλου οχημάτων.

Σε αυτό το ιστολόγιο, θα εξετάσω τεχνικές επιστήμης δεδομένων που μπορούν να βοηθήσουν στη μέτρηση της οδηγικής συμπεριφοράς, όπως π.χ

• Υπερβολική ταχύτητα
• Σκληρή Επιτάχυνση
• Πρόβλεψη
• Μηχανική εκμάθηση για να δει αν η κακή οδήγηση επηρεάζει τις συνθήκες του οχήματος

Το πρώτο πράγμα που πρέπει να αναλύσει κανείς πώς οδηγεί είναι να συλλέγει δεδομένα. Τα περισσότερα οχήματα διαθέτουν αισθητήρες που μετρούν διάφορα πράγματα όπως ταχύτητα, θερμοκρασία, επιτάχυνση και πολλά άλλα. Αυτό γίνεται χρησιμοποιώντας α Τηλεματική του οχήματος συσκευή. Υπάρχουν διάφοροι προμηθευτές που παρέχουν τέτοιες συσκευές.

Αυτή η συσκευή λαμβάνει δεδομένα που καταγράφονται από αισθητήρες και στη συνέχεια τα μεταδίδει στη βάση δεδομένων του προμηθευτή. Τα δεδομένα μπορούν στη συνέχεια να χρησιμοποιηθούν για την κατανόηση της συμπεριφοράς οδήγησης. Μπορείτε επίσης να ζητήσετε από τον προμηθευτή σας να παρέχει πρόσβαση στα δεδομένα, ώστε να μπορείτε να τα αναλύσετε με περισσότερες λεπτομέρειες.

Σε αυτό το ιστολόγιο, θα χρησιμοποιήσω ένα παράδειγμα δεδομένων που συνέλεξα κατά το ταξίδι μου στην Ινδία στην πολιτεία Καρνατάκα. Τα δεδομένα που συλλέχθηκαν είναι για την 21η Αυγούστου 2022. Θα προσπαθήσουμε να μάθουμε αν η οδήγησή μου είναι καλή ή όχι. Τα δεδομένα που συλλέγονται έχουν πληροφορίες όπως φαίνεται παρακάτω.

Τα δεδομένα έχουν ένα αναγνωριστικό συσκευής που προσδιορίζει την τηλεματική συσκευή. Έχει τη χρονική σήμανση της εγγραφής δεδομένων, καθώς και διάφορα πράγματα που μετρώνται, για παράδειγμα, τη θέση του οχήματος που μετράται ως γεωγραφικό πλάτος, γεωγραφικό μήκος και υψόμετρο. Η ταχύτητα του οχήματος μετριέται σε KMPH ή MPH

Ας αναλύσουμε τώρα την οδηγική συμπεριφορά.

Η υπερβολική ταχύτητα είναι ένα από τα πρώτα πράγματα που μπορούν να μετρηθούν για να κατανοήσουμε την οδηγική συμπεριφορά. Εδώ εμφανίζεται η διαδρομή που έκανα στις 21 Αυγούστου 2022. Τα δεδομένα που χρησιμοποιήθηκαν για την πραγματοποίηση αυτής της ανάλυσης βασίζονται στα τηλεματικά δεδομένα σχετικά με τη χρονική σφραγίδα, το γεωγραφικό πλάτος και το γεωγραφικό μήκος.

Το ταξίδι είναι από το Udipi στο Holekattu. Η διαδρομή που ακολουθήθηκε είναι ο αυτοκινητόδρομος αριθμός 66 που εκτείνεται κατά μήκος της δυτικής ακτής της Ινδίας.

Μπορείτε επίσης να παρατηρήσετε έναν δείκτη, ο οποίος είναι μια τοποθεσία όπου καταγράφηκε η μέγιστη ταχύτητα των 92 KMPH. Το όριο ταχύτητας για ένα αυτοκίνητο στην εθνική οδό 66 είναι 100 km/h. Έτσι, το όχημα ήταν εντός των ορίων ταχύτητας, και μπορούμε να δώσουμε ένα πράσινο σημάδι για τη συμπεριφορά υπερβολικής ταχύτητας.

Η σκληρή επιτάχυνση είναι ένα γεγονός όπου εφαρμόζεται περισσότερη δύναμη από την κανονική στο γκάζι ή το σύστημα πέδησης του οχήματος. Μερικοί άνθρωποι μπορεί να το αναφέρουν ως σύνδρομο «μολυβδούχου ποδιού» και μπορεί να είναι ένδειξη επιθετικής ή μη ασφαλούς συμπεριφοράς οδήγησης.

Ας μετρήσουμε τώρα τη σκληρή επιτάχυνση κατά τη διάρκεια του ταξιδιού μου. Εμφανίζονται εδώ μερικοί από τους άλλους δείκτες πριν από την επίτευξη της μέγιστης ταχύτητας 92, η οποία δείχνει την ταχύτητα 73, και στη συνέχεια έως 85, και στη συνέχεια την επίτευξη μέγιστης ταχύτητας 92.

Μπορούμε να βάλουμε αυτές τις ταχύτητες του οχήματος σε χρονική προοπτική με τη γραμμική γραφική παράσταση όπως φαίνεται παρακάτω. Έχετε το χρόνο στον άξονα Χ και την ταχύτητα του οχήματος στον άξονα Υ. Αυτή η καμπύλη αντιστοιχεί στην επιτάχυνση. Άρχισα να επιταχύνω στις 14:43:21 όταν η ταχύτητα ήταν 71 και μετά έφτασα στη μέγιστη ταχύτητα των 92 στις 14:43:49. Έτσι αύξησα την ταχύτητά μου κατά 21 km/h σε 28 δευτερόλεπτα.

Για να δούμε αν αυτή η επιτάχυνση είναι σκληρή επιτάχυνση ή όχι, πρέπει να τη μετατρέψουμε σε βαρυτική δύναμη, που ονομάζεται επίσης δύναμη g, η οποία εφαρμόζεται στο αυτοκίνητο λόγω της επιτάχυνσης. Μια αύξηση ταχύτητας 21 km/h σε 28 δευτερόλεπτα αντιστοιχεί σε επιτάχυνση ag 0.208 m/s2. Παρακάτω φαίνεται μια αντιστοίχιση μεταξύ της δύναμης g σε επίπεδα επιτάχυνσης.

Μια δύναμη g από 0.28 θεωρείται ασφαλής και δεν είναι σκληρή επιτάχυνση. Έτσι, μπορούμε να δώσουμε ένα πράσινο τικ για σκληρή επιτάχυνση.

Ανυπομονησία στην οδήγηση σημαίνει να διαβάζεις το περιβάλλον σου και να παραμένεις ενήμερος κρατώντας τα μάτια και τα αυτιά σου ανοιχτά. Σημαίνει προγραμματισμό εκ των προτέρων και προετοιμασία για την ανάληψη των απαραίτητων μέτρων. Για να προβλέψετε και να σχεδιάσετε τις ενέργειες των άλλων, θα πρέπει να ελέγχετε συνεχώς τι συμβαίνει γύρω σας.

Ας ελέγξουμε τώρα τις ικανότητες προσμονής μου. Για να δούμε τις ικανότητές μου στην πρόβλεψη, μπορούμε να αναλύσουμε τι έκανα μετά την επιτάχυνση. Κοιτάζοντας την καμπύλη που φαίνεται παρακάτω, μπορούμε να παρατηρήσουμε ότι υπάρχει μια απότομη μείωση της ταχύτητας.

Από ταχύτητα 92 χλμ/ώρα, έκλεισα επιτάχυνση στο 1 χλμ/ώρα σε 24 δευτερόλεπτα. Αυτό ισοδυναμεί με δύναμη g — 0.3 και αντιστοιχεί σε σκληρό φρενάρισμα. Ποιος μπορεί να είναι ο λόγος;

Επιτρέψτε μου να αποκαλύψω το μυστικό, καθώς ξέρω ακριβώς τι συνέβη καθώς οδηγούσα το αυτοκίνητο. Αν παρατηρήσουμε τη διαδρομή μετά το σημείο μέγιστης ταχύτητας, βλέπουμε μια γέφυρα ποταμού που ονομάζεται γέφυρα Heroor. Αυτή η γέφυρα είχε μειωμένα όρια ταχύτητας, που ήταν ο λόγος που έπρεπε να αποεπιταχύνω.

Η μείωση από υψηλή ταχύτητα 92 KMPH σε πολύ χαμηλή ταχύτητα 1 KMPH είναι μια σαφής ένδειξη ότι δεν το περίμενα. Ας δώσουμε λοιπόν ένα κόκκινο για την προσμονή!

Ας δούμε τώρα αν η οδηγική συμπεριφορά επηρεάζει το όχημα ή όχι;. Η τηλεματική συσκευή συλλέγει δεδομένα που σχετίζονται με οποιονδήποτε συναγερμό σημάνει από το όχημα. Το μηδέν υποδηλώνει ότι δεν υπάρχουν προβλήματα, ενώ το 1 υποδηλώνει πρόβλημα με το όχημα.

Υπάρχουν επίσης περισσότερες από 50 τιμές αισθητήρων, όπως ταχύτητα οχήματος, επιτάχυνση, οξυγόνο, γκάζι, θερμοκρασία αέρα και πολλά άλλα.

Μπορούμε να χρησιμοποιήσουμε ένα δέντρο αποφάσεων μηχανικής μάθησης για να βρούμε οποιαδήποτε σχέση μεταξύ τιμών αισθητήρα και συναγερμών. Αυτό θα μας βοηθήσει να γνωρίζουμε ποιοι από τους παράγοντες επηρεάζουν την υγεία του οχήματος.

Παρακάτω φαίνεται ένα δέντρο αποφάσεων που έχει διαφορετικούς αισθητήρες ως κόμβους απόφασης και συναγερμούς ως κόμβο εξόδου. Μπορείτε να δείτε ότι οι κορυφαίοι παράγοντες που οδηγούν σε συναγερμούς οχημάτων είναι η ΜΠΑΤΑΡΙΑ, η ΕΠΙΤΑΧΥΣΗ και η ΤΑΧΥΤΗΤΑ.

Έτσι, η κακή οδηγική συμπεριφορά δεν επηρεάζει μόνο την ασφάλεια του οδηγού αλλά και την υγεία του οχήματος.

Ακολουθούν λοιπόν μερικά ενδιαφέροντα συμπεράσματα

• Η συλλογή δεδομένων με χρήση τηλεματικών συσκευών είναι το κλειδί για την ανάλυση της οδηγικής συμπεριφοράς βάσει δεδομένων
• Η ανάλυση της ταχύτητας απαιτεί να ενσωματώσετε δεδομένα ταχύτητας οχήματος με δεδομένα ορίου ταχύτητας
• Η σκληρή επιτάχυνση και η πρόβλεψη μπορούν να υπολογιστούν χρησιμοποιώντας συναρτήσεις χρονοσειρών. Ωστόσο, πρέπει να τεθούν σε προοπτική με την ανάλυση διαδρομής
• Η κακή οδηγική συμπεριφορά δεν είναι ασφαλής τόσο για τον οδηγό όσο και για το όχημα

Αν σας αρέσει το μίνι έργο μου για την ανάλυση της δικής μου οδηγικής συμπεριφοράς μέσω δεδομένων και χρήσης τεχνικών επιστήμης δεδομένων, παρακαλώ εγγραφείτε στο Medium με τον σύνδεσμο παραπομπής μου.

Παρακαλούμε συνεισφέρω για να ενημερώνομαι κάθε φορά που δημοσιεύω μια νέα ιστορία.

Μπορείτε να επισκεφτείτε τον ιστότοπό μου για να κάνετε αναλυτικά στοιχεία με μηδενική κωδικοποίηση. https://experiencedatascience.com

Στον ιστότοπο, μπορείτε επίσης να συμμετάσχετε σε επερχόμενα εικονικά εργαστήρια για μια ενδιαφέρουσα και καινοτόμο εμπειρία επιστήμης δεδομένων και τεχνητής νοημοσύνης.

Εδώ είναι ένας σύνδεσμος προς το κανάλι μου στο YouTube
https://www.youtube.com/c/DataScienceDemonstrated

Πώς ανέλυσα τη δική μου συμπεριφορά οδήγησης χρησιμοποιώντας την επιστήμη δεδομένων Αναδημοσίευση από την Πηγή https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 μέσω https://towardsdatascience.com/feed

Si al principi no tens èxit, aleshores el paracaigudisme no és per a tu.

->