Hogyan elemeztem saját vezetési magatartásomat adattudomány segítségével

A járművek telematikai adatai sokat elárulhatnak vezetési képességeiről

Jó sofőr vagy? Az ilyen kérdésre adott válasz nem volt túl objektív. Ennek elemzésének egyik módja az, ha figyelembe vesszük az Önnel utazó utasok véleményét, vagy egyszerűen megszámoljuk a kifizetett gyorshajtási jegyeket! Ezek azonban mind nagyon primitív módszerek a vezetési viselkedés megítélésére. Ebben a blogban bemutatom, hogyan használtam fel adatokat vezetési viselkedésem objektív elemzésére.

A vezetési viselkedés elemzését a vállalatok olyan használati esetekre is használják, mint például adatvezérelt biztosítási kötvény megtervezése vagy járműflotta-kezelés.

Ebben a blogban olyan adattudományi technikákat fogok átmenni, amelyek segíthetnek a vezetési viselkedés mérésében, mint pl

• Túl gyorshajtás
• Kemény gyorsulás
• előérzet
• Gépi tanulás annak megállapítására, hogy a rossz vezetés befolyásolja-e a jármű állapotát

Az első dolog, hogy elemezze, hogyan vezet valaki, az adatgyűjtés. A legtöbb járműnek van érzékelője, amely különféle dolgokat mér, például sebességet, hőmérsékletet, gyorsulást és még sok mást. Ez az a Jármű telematika eszköz. Különféle gyártók kínálnak ilyen eszközöket.

Ez az eszköz veszi az érzékelők által rögzített adatokat, majd továbbítja a szállítói adatbázisba. Az adatok ezután felhasználhatók a vezetési viselkedés megértésére. Megkérheti a szállítót is, hogy biztosítson hozzáférést az adatokhoz, hogy részletesebben elemezhesse azokat.

Ebben a blogban egy példát használok azokra az adatokra, amelyeket az indiai utazásom során gyűjtöttem, Karnataka államban. Az összegyűjtött adatok 21. augusztus 2022-re vonatkoznak. Megpróbáljuk kideríteni, hogy jól vezetek-e vagy sem. Az összegyűjtött adatok az alábbiak szerint tartalmaznak információkat.

Az adatoknak van egy eszközazonosítója, amely azonosítja a telematikai eszközt. Tartalmazza az adatrekord időbélyegét, valamint különféle dolgokat, amelyeket mérni kell, például a jármű helyzetét, amelyet szélességként, hosszúságként és magasságként mérnek. A jármű sebességét KMPH-ban vagy MPH-ban mérik

Most elemezzük a vezetési viselkedést.

A sebességtúllépés az egyik első mérhető dolog a vezetési viselkedés megértéséhez. Itt látható az az útvonal, amelyet 21. augusztus 2022-én tettem meg. Az elemzéshez felhasznált adatok az időbélyeg, szélesség és hosszúság telematikai adatain alapulnak.

Az utazás Udipiből Holekattuba tart. A megtett útvonal a 66-os autópálya, amely India nyugati partja mentén halad.

Megfigyelhet egy jelzőt is, amely egy olyan hely, ahol a 92 km/h maximális sebességet rögzítették. A 66-os főúton egy személygépkocsi megengedett sebessége 100 km/h. A jármű tehát a sebességhatáron belül volt, és zöld pipát adhatunk a gyorshajtásért.

Az erős gyorsítás olyan esemény, amikor a szokásosnál nagyobb erő hat a jármű gázpedáljára vagy fékrendszerére. Vannak, akik ezt „ólomláb” szindrómának nevezik, és ez az agresszív vagy nem biztonságos vezetési magatartás jelzője lehet.

Most mérjük meg az utam során erős gyorsulást. Itt látható néhány további jelző a 92-es maximális sebesség elérése előtt, amely a 73-as sebességet mutatja, majd a 85-ös sebességet, majd a 92-es maximális sebesség elérését.

Ezeket a járműsebességeket időtávlatba helyezhetjük az alábbi vonalrajz segítségével. Az X-tengelyen megvan az idő, és a jármű sebessége az Y-tengelyen. Ez a görbe a gyorsulásnak felel meg. 14:43:21-kor kezdtem el gyorsítani, amikor a sebesség 71 volt, majd 92:14:43-kor értem el a 49-es maximális sebességet. Így 21 másodperc alatt 28 km/órával növeltem a sebességemet.

Ahhoz, hogy lássuk, ez a gyorsulás durva gyorsulás-e vagy sem, át kell alakítanunk gravitációs erővé, más néven g-erővé, amely a gyorsulás miatt hat az autóra. A 21 km/órás sebességnövekedés 28 másodperc alatt 0.208 m/s2 gyorsulásnak felel meg. Az alábbiakban a g-erő és a gyorsulási szintek közötti leképezés látható.

A 0.28-tól kezdődő g-erő biztonságosnak tekinthető, és nem kemény gyorsulás. Tehát a kemény gyorsításra zöld pipát adhatunk.

A várakozás a vezetés során azt jelenti, hogy olvassa a környezetét, és nyitott szemmel és füllel figyeljen. Ez azt jelenti, hogy jó előre tervezünk, és felkészültünk a szükséges intézkedések megtételére. Mások cselekedeteinek előrelátásához és megtervezéséhez folyamatosan ellenőriznie kell, mi történik körülöttetek.

Most pedig nézzük meg a várakozási képességeimet. Annak érdekében, hogy lássuk a várakozási képességemet, elemezhetjük, mit csináltam gyorsítás után. Az alábbi görbét nézve azt tapasztalhatjuk, hogy a sebesség hirtelen csökken.

92 km/h-s sebességről 1 másodperc alatt gyorsultam le 24 km/h-ra. Ez – 0.3 g-erőnek felel meg, és erős fékezésnek felel meg. Mi lehet az oka?

Hadd áruljam el a titkot, hiszen pontosan tudom, mi történt, miközben vezettem az autót. Ha a maximális sebesség pont utáni útvonalat figyeljük, egy Hőshídnak nevezett folyami hidat látunk. Ezen a hídon csökkentették a sebességkorlátozást, ezért kellett lassítanom.

A nagy, 92 km/h-s sebességről nagyon alacsony, 1 km/h-s sebességre való csökkentés egyértelmű jele annak, hogy nem számítottam rá. Adjunk tehát egy pirosat a várakozásért!

Most nézzük meg, hogy a vezetési viselkedés hatással van-e a járműre vagy sem? A telematikai eszköz adatokat gyűjt a jármű által keltett riasztásokról. A nulla azt jelzi, hogy nincs probléma, míg az 1 azt jelzi, hogy probléma van a járművel.

Több mint 50 érzékelőérték is rendelkezésre áll, mint például a jármű sebessége, gyorsulása, oxigénje, fojtószelepe, levegő hőmérséklete és még sok más.

Használhatunk gépi tanulási döntési fát, hogy megtaláljuk az érzékelőértékek és a riasztások közötti kapcsolatot. Ez segít megtudnunk, hogy mely tényezők befolyásolják a jármű egészségét.

Az alábbiakban egy döntési fa látható, amely döntési csomópontként különböző érzékelőket, kimeneti csomópontként pedig riasztásokat tartalmaz. Láthatja, hogy a járműriasztásokhoz vezető legfontosabb tényezők az AKKUMULÁTOR, GYORSÍTÁS és SEBESSÉG.

A rossz vezetési magatartás tehát nemcsak a vezető biztonságát, hanem a jármű egészségét is befolyásolja.

Tehát itt van néhány érdekes következtetés

• A telematikai eszközökkel történő adatgyűjtés kulcsfontosságú az adatvezérelt vezetési viselkedés elemzéséhez
• A gyorshajtás elemzéséhez integrálnia kell a járműsebesség-adatokat a sebességkorlátozási adatokkal
• A kemény gyorsulás és az előrejelzés idősorfüggvényekkel számítható ki. Ezeket azonban perspektívába kell helyezni az útvonalelemzéssel
• A rossz vezetési magatartás nem biztonságos sem a vezető, sem a jármű számára

Ha tetszik a miniprojektem, amely a saját vezetési viselkedésemet elemzi adatokon keresztül és adattudományi technikákat használ, kérem, csatlakozzon a Médiumhoz az ajánló linkjemmel.

További részletekért kérem lapozgasson a menüben; szülőknek szóló egyéni ajánlatokat pedig a Iratkozz fel hogy mindig értesüljek, amikor új történetet adok ki.

Látogassa meg webhelyemet, ahol nulla kódolású elemzéseket készíthet. https://experiencedatascience.com

A weboldalon a közelgő virtuális workshopokon is részt vehetsz egy érdekes és innovatív adattudományi és mesterséges intelligencia élményért.

Itt van egy link a YouTube csatornámhoz
https://www.youtube.com/c/DataScienceDemonstrated

Hogyan elemeztem saját vezetési magatartásomat adattudomány segítségével? Újraközölve a következő forrásból: https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 a https://towardsdatascience.com/feed oldalon

<!–

->