Ajoneuvojen telematiikkatiedot voivat paljastaa paljon ajotaitoistasi
Oletko hyvä kuljettaja? Vastaus tällaiseen kysymykseen ei ole ollut kovin objektiivinen. Yksi tapa analysoida tätä on ottaa huomioon kanssasi matkustavien matkustajien mielipide tai yksinkertaisesti laskea maksamasi ylinopeusliput! Nämä ovat kuitenkin kaikki hyvin alkeellisia tapoja arvioida ajokäyttäytymistä. Tässä blogissa näytän, kuinka olen käyttänyt tietoja ajokäyttäytymiseni objektiiviseen analysointiin.
Ajokäyttäytymisanalyysiä käyttävät yritykset myös käyttötapauksiin, kuten datapohjaisen vakuutuksen suunnitteluun tai ajoneuvokannan hallintaan.
Tässä blogissa käyn läpi datatieteen tekniikoita, jotka voivat auttaa mittaamaan ajokäyttäytymistä, kuten
- Ylinopeus
- Kova kiihtyvyys
- Ennakointi
- Koneoppiminen selvittää, vaikuttaako huono ajo ajoneuvon olosuhteisiin
Ensimmäinen asia, joka analysoidaan kuinka ajaa, on kerätä tietoja. Useimmissa ajoneuvoissa on antureita, jotka mittaavat erilaisia asioita, kuten nopeutta, lämpötilaa, kiihtyvyyttä ja paljon muuta. Tämä tehdään käyttämällä a Ajoneuvon telematiikka laite. On olemassa useita myyjiä, jotka tarjoavat tällaisia laitteita.
Tämä laite ottaa antureiden tallentamat tiedot ja lähettää sen sitten toimittajan tietokantaan. Tietoja voidaan sitten käyttää ajokäyttäytymisen ymmärtämiseen. Voit myös pyytää myyjääsi antamaan pääsyn tietoihin, jotta voit analysoida niitä tarkemmin.
Tässä blogissa käytän esimerkkiä tiedoista, jotka keräsin Intian matkallani Karnatakan osavaltiossa. Kerätyt tiedot ovat 21. elokuuta 2022. Pyrimme selvittämään, onko ajotapani hyvä vai ei. Kerätyillä tiedoilla on alla esitetyt tiedot.
Tiedoilla on laitetunnus, joka tunnistaa telemaattisen laitteen. Siinä on tietueen aikaleima sekä erilaisia asioita, joita mitataan, esimerkiksi ajoneuvon sijainti, joka mitataan leveys-, pituus- ja korkeusasteena. Ajoneuvon nopeus mitataan km/h tai MPH
Analysoidaan nyt ajokäyttäytymistä.
Ylinopeus on yksi ensimmäisistä asioista, joita voidaan mitata ajokäyttäytymisen ymmärtämiseksi. Tässä näkyy reitti, jonka kulkisin 21. elokuuta 2022. Tämän analyysin tekemiseen käytetyt tiedot perustuvat telemaattisiin tietoihin aikaleima-, leveys- ja pituusasteista.
Matka on Udipista Holekatuun. Reitti on valtatie numero 66, joka kulkee Intian länsirannikkoa pitkin.
Voit myös tarkkailla merkkiä, joka on paikka, jossa mitattiin maksiminopeus 92 km/h. Auton nopeusrajoitus valtatiellä 66 on 100 km/h. Ajoneuvo on siis ollut nopeusrajoitusten sisällä ja voimme antaa vihreän rastin ylinopeuskäyttäytymisestä.
Kova kiihdytys on tapahtuma, jossa ajoneuvon kaasu- tai jarrujärjestelmään kohdistetaan normaalia enemmän voimaa. Jotkut ihmiset voivat kutsua tätä "lyijyjalka"-oireyhtymäksi, ja se voi olla merkki aggressiivisesta tai vaarallisesta ajokäyttäytymisestä.
Mitataan nyt kova kiihtyvyys matkani aikana. Tässä on joitain muita merkkejä ennen maksiminopeuden 92 saavuttamista, mikä osoittaa nopeuden 73 ja sitten 85:een ja sitten saavuttaa maksiminopeuden 92.
Voimme asettaa nämä ajoneuvon nopeudet aikaperspektiiviin alla olevan viivakaavion avulla. Sinulla on aika X-akselilla ja ajoneuvon nopeus Y-akselilla. Tämä käyrä vastaa kiihtyvyyttä. Aloin kiihdyttää klo 14:43:21, kun nopeus oli 71 ja saavutin sitten maksiminopeuden 92 klo 14:43:49. Joten lisäsin nopeuttani 21 km/h 28 sekunnissa.
Jotta nähdään, onko tämä kiihtyvyys kovaa kiihtyvyyttä vai ei, meidän on muutettava se gravitaatiovoimaksi, jota kutsutaan myös g-voimaksi, joka kohdistuu autoon kiihtyvyyden vuoksi. Nopeuden lisäys 21 km/h 28 sekunnissa vastaa 0.208 m/s2 kiihtyvyyttä. Alla on kartoitus g-voiman ja kiihtyvyystasojen välillä.
G-voimaa arvosta 0.28 pidetään turvallisena, eikä se ole kova kiihtyvyys. Voimme siis antaa vihreän rastin kovalle kiihtyvyydelle.
Ennakointi ajamisessa tarkoittaa ympäristön lukemista ja tietoisuuden pysymistä pitämällä silmät ja korvat auki. Se tarkoittaa ennakoivaa suunnittelua ja valmistautumista tarvittaviin toimiin. Ennakoidaksesi ja suunnitellaksesi muiden toimia sinun tulee jatkuvasti tarkkailla, mitä ympärilläsi tapahtuu.
Tarkastellaan nyt ennakointitaitojani. Nähdäksemme ennakointitaitoni, voimme analysoida, mitä tein kiihdytyksen jälkeen. Katsomalla alla olevaa käyrää voimme havaita, että nopeus laskee äkillisesti.
92 km/h:n nopeudesta hidastin 1 km/h 24 sekunnissa. Tämä vastaa g-voimaa -0.3 ja vastaa kovaa jarrutusta. Mikä voisi olla syynä?
Anna minun paljastaa salaisuus, koska tiedän tarkalleen mitä tapahtui ajaessani autoa. Jos tarkkailemme reittiä maksiminopeuspisteen jälkeen, näemme jokisillan nimeltä Sankarisilta. Tällä sillalla oli alennettu nopeusrajoituksia, mikä oli syy, miksi minun piti hidastaa kiihtyvyyttä.
Hidastuminen suuresta nopeudesta 92 km/h erittäin alhaiseen nopeuteen 1 km/h on selvä osoitus, jota en odottanut. Antakaamme siis punaisen odotuksen!
Katsotaan nyt, vaikuttaako ajokäyttäytyminen ajoneuvoon vai ei? Telematiikkalaite kerää tietoja kaikista ajoneuvon aiheuttamista hälytyksistä. Nolla tarkoittaa, että ongelmia ei ole, kun taas 1 tarkoittaa, että ajoneuvossa on ongelma.
Anturiarvoja on myös yli 50, kuten ajoneuvon nopeus, kiihtyvyys, happi, kaasu, ilman lämpötila ja paljon muuta.
Voimme käyttää koneoppimispäätöspuuta löytääksemme minkä tahansa yhteyden anturiarvojen ja hälytysten välillä. Tämä auttaa meitä tietämään, mitkä tekijät vaikuttavat ajoneuvon terveyteen.
Alla on esitetty päätöspuu, jossa on eri anturit päätössolmuina ja hälytykset lähtösolmuina. Näet, että tärkeimmät tekijät, jotka johtavat ajoneuvon hälytyksiin, ovat AKKU, KIIHDYTYS ja NOPEUS.
Huono ajokäyttäytyminen ei siis vaikuta pelkästään kuljettajan turvallisuuteen vaan myös ajoneuvon terveyteen.
Joten tässä on mielenkiintoisia johtopäätöksiä
- Tiedonkeruu telemaattisten laitteiden avulla on avainasemassa tietopohjaisessa ajokäyttäytymisen analysoinnissa
- Ylinopeuden analysointi edellyttää ajoneuvon nopeustietojen integroimista nopeusrajoitustietoihin
- Kova kiihtyvyys ja ennakointi voidaan laskea aikasarjafunktioiden avulla. Ne on kuitenkin otettava huomioon reittianalyysin kanssa
- Huono ajokäyttäytyminen ei ole turvallista kuljettajalle eikä ajoneuvolle
Jos pidät miniprojektistani, jossa analysoin omaa ajokäyttäytymistäni datan ja datatieteen tekniikoiden avulla, ole hyvä liittyä Mediumiin viittauslinkilläni.
Ole hyvä merkitä pysyn ajan tasalla aina, kun julkaisen uuden tarinan.
Voit vierailla verkkosivustollani tehdäksesi analytiikkaa nollakoodauksella. https://experiencedatascience.com
Sivustolla voit myös osallistua tuleviin virtuaalisiin työpajoihin mielenkiintoiseen ja innovatiiviseen datatieteeseen ja tekoälyyn.
Tässä linkki YouTube-kanavalleni
https://www.youtube.com/c/DataScienceDemonstrated
Kuinka analysoin omaa ajokäyttäytymistäni datatieteen avulla. Julkaistu uudelleen lähteestä https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 osoitteessa https://towardsdatascience.com/feed
<!-
->
- Bitcoin
- bizbuildermike
- blockchain
- lohkoketjun noudattaminen
- blockchain-konferenssi
- Blockchain-konsultit
- coinbase
- coingenius
- Yhteisymmärrys
- salauskonferenssi
- kryptointi
- kryptovaluutta
- hajautettu
- defi
- Digitaaliset varat
- ethereum
- koneoppiminen
- ei korvattava tunnus
- Platon
- plato ai
- Platonin tietotieto
- Platoblockchain
- PlatonData
- platopeliä
- Monikulmio
- todiste panoksesta
- W3
- zephyrnet