Bagaimana saya menganalisis Perilaku Mengemudi saya sendiri menggunakan ilmu data

Data telematika kendaraan dapat mengungkapkan banyak hal tentang keterampilan mengemudi Anda

Apakah Anda seorang pengemudi yang baik? Jawaban atas pertanyaan seperti itu tidak terlalu obyektif. Salah satu cara untuk menganalisisnya adalah dengan mengambil pendapat penumpang yang bepergian bersama Anda atau sekadar menghitung tilang yang Anda bayarkan! Namun, ini semua adalah cara yang sangat primitif untuk menilai perilaku mengemudi. Di blog ini, saya akan menunjukkan bagaimana saya menggunakan data untuk menganalisis perilaku mengemudi saya secara objektif.

Analisis perilaku mengemudi juga digunakan oleh perusahaan untuk kasus penggunaan seperti merancang polis asuransi berbasis data atau manajemen armada kendaraan.

Di blog ini saya akan membahas teknik ilmu data yang dapat membantu mengukur perilaku mengemudi seperti

• Lebih ngebut
• Akselerasi Keras
• Antisipasi
• Pembelajaran mesin untuk melihat apakah cara mengemudi yang buruk berdampak pada kondisi kendaraan

Hal pertama yang menganalisis cara seseorang mengemudi adalah mengumpulkan data. Kebanyakan kendaraan memiliki sensor yang mengukur berbagai hal seperti kecepatan, suhu, akselerasi, dan masih banyak lagi. Ini dilakukan dengan menggunakan a Telematika kendaraan perangkat. Ada berbagai vendor yang menyediakan perangkat tersebut.

Perangkat ini mengambil data yang direkam oleh sensor dan kemudian mengirimkannya ke database vendor. Data tersebut kemudian dapat digunakan untuk memahami perilaku mengemudi. Anda juga dapat meminta vendor Anda untuk memberikan akses terhadap data tersebut sehingga Anda dapat menganalisisnya lebih detail.

Di blog ini, saya akan menggunakan contoh data yang saya kumpulkan selama perjalanan saya ke India di negara bagian Karnataka. Data yang dikumpulkan adalah untuk tanggal 21 Agustus 2022. Kami akan mencoba mencari tahu apakah cara mengemudi saya baik atau tidak. Data yang dikumpulkan memiliki informasi seperti gambar di bawah ini.

Data tersebut memiliki ID perangkat yang mengidentifikasi perangkat telematika. Terdapat stempel waktu pencatatan data, serta berbagai hal yang diukur, misalnya posisi kendaraan yang diukur berupa garis lintang, garis bujur, dan ketinggian. Kecepatan kendaraan diukur dalam KMPH atau MPH

Sekarang mari kita menganalisis perilaku mengemudi.

Kecepatan berlebih adalah salah satu hal pertama yang dapat diukur untuk memahami perilaku mengemudi. Berikut adalah rute yang saya ambil pada tanggal 21 Agustus 2022. Data yang digunakan untuk melakukan analisis ini didasarkan pada data telematika cap waktu, lintang, dan bujur.

Perjalanannya dari Udipi ke Holekattu. Jalur yang ditempuh adalah jalan raya nomor 66 yang membentang di sepanjang pantai barat India.

Anda juga dapat mengamati penanda yaitu lokasi yang tercatat kecepatan maksimum 92 KMPH. Batas kecepatan mobil di jalan raya nasional 66 adalah 100 KMPH. Jadi kendaraan sudah dalam batas kecepatan, dan kita bisa memberi tanda centang hijau untuk perilaku ngebut.

Akselerasi keras adalah peristiwa di mana gaya yang lebih besar dari biasanya diterapkan pada akselerator atau sistem rem kendaraan. Beberapa orang mungkin menyebutnya sebagai sindrom 'kaki timah', dan ini bisa menjadi indikator perilaku mengemudi yang agresif atau tidak aman.

Sekarang mari kita ukur akselerasi keras selama perjalanan saya. Berikut ini beberapa penanda lainnya sebelum kecepatan maksimum tercapai 92, yang menunjukkan kecepatan 73, lalu ke 85, dan kemudian mencapai kecepatan maksimum 92.

Kita dapat menempatkan kecepatan kendaraan tersebut dalam perspektif waktu dengan plot garis seperti gambar di bawah ini. Anda mempunyai waktu pada sumbu X dan kecepatan kendaraan pada sumbu Y. Kurva ini berhubungan dengan percepatan. Saya mulai berakselerasi pada 14:43:21 saat kecepatan 71 dan kemudian mencapai kecepatan maksimal 92 pada 14:43:49. Jadi saya meningkatkan kecepatan saya sebesar 21 km/jam dalam 28 detik.

Untuk mengetahui apakah percepatan ini merupakan percepatan yang keras atau bukan, kita perlu mengubahnya menjadi gaya gravitasi, disebut juga gaya-g, yang diterapkan pada mobil akibat percepatan. Peningkatan kecepatan sebesar 21 km/jam dalam waktu 28 detik setara dengan gaya percepatan sebesar 0.208 m/s2. Di bawah ini adalah pemetaan antara g-force dengan tingkat percepatan.

G-force dari 0.28 dianggap aman dan bukan akselerasi yang sulit. Jadi, kita bisa memberi tanda centang hijau untuk akselerasi keras.

Antisipasi dalam berkendara berarti membaca keadaan sekitar dan tetap waspada dengan tetap membuka mata dan telinga. Ini berarti membuat perencanaan jauh ke depan dan bersiap untuk mengambil tindakan yang diperlukan. Untuk mengantisipasi dan merencanakan tindakan orang lain, Anda harus terus-menerus memeriksa apa yang terjadi di sekitar Anda.

Sekarang mari kita periksa kemampuan antisipasiku. Untuk melihat kemampuan antisipasi saya, kita bisa menganalisis apa yang saya lakukan setelah akselerasi. Melihat kurva di bawah ini, kita dapat mengamati adanya penurunan kecepatan secara tiba-tiba.

Dari kecepatan 92KMPH, saya de-akselerasi menjadi 1 KMPH dalam waktu 24 detik. Ini setara dengan gaya-g sebesar — ​​0.3 dan berhubungan dengan pengereman keras. Apa alasannya?

Izinkan saya mengungkapkan rahasianya, karena saya tahu persis apa yang terjadi saat saya sedang mengemudikan mobil. Jika kita mengamati rute setelah titik kecepatan maksimum, kita melihat sebuah jembatan sungai yang disebut jembatan Heroor. Jembatan ini telah mengurangi batas kecepatan, itulah alasan saya harus mengurangi akselerasi.

Berkurangnya kecepatan tinggi 92 KMPH ke kecepatan sangat rendah 1 KMPH merupakan indikasi jelas yang tidak saya antisipasi. Jadi mari kita beri warna merah untuk antisipasi!

Sekarang mari kita lihat apakah perilaku mengemudi berdampak pada kendaraan atau tidak?. Perangkat telematika mengumpulkan data terkait alarm apa pun yang dibunyikan kendaraan. Angka nol menandakan tidak ada masalah, sedangkan angka 1 menandakan ada masalah pada kendaraan.

Terdapat juga lebih dari 50 nilai sensor, seperti kecepatan kendaraan, akselerasi, oksigen, throttle, suhu udara, dan masih banyak lagi.

Kita dapat menggunakan pohon keputusan pembelajaran mesin untuk menemukan hubungan apa pun antara nilai sensor dan alarm. Ini akan membantu kita mengetahui faktor mana yang mempengaruhi kesehatan kendaraan.

Di bawah ini adalah pohon keputusan yang memiliki sensor berbeda sebagai simpul keputusan dan alarm sebagai simpul keluaran. Anda dapat melihat bahwa faktor utama yang menyebabkan alarm kendaraan adalah BATERAI, AKSELERASI, dan KECEPATAN.

Jadi perilaku berkendara yang buruk tidak hanya berdampak pada keselamatan pengemudi tetapi juga berdampak pada kesehatan kendaraan.

Jadi, inilah beberapa kesimpulan menarik

• Pengumpulan data menggunakan perangkat telematika adalah kunci analisis perilaku berkendara berbasis data
• Menganalisis kecepatan mengharuskan Anda mengintegrasikan data kecepatan kendaraan dengan data batas kecepatan
• Akselerasi dan antisipasi keras dapat dihitung menggunakan fungsi deret waktu. Namun, hal tersebut perlu dimasukkan ke dalam perspektif dengan analisis rute
• Perilaku mengemudi yang buruk tidak aman bagi pengemudi dan juga kendaraannya

Jika Anda menyukai proyek kecil saya yang menganalisis perilaku mengemudi saya sendiri melalui data dan menggunakan teknik ilmu data, silakan bergabunglah dengan Medium dengan tautan referensi saya.

Silahkan berlangganan untuk tetap mendapat informasi setiap kali saya merilis cerita baru.

Anda dapat mengunjungi situs web saya untuk membuat analisis tanpa coding. https://experiencedatascience.com

Di situs web, Anda juga dapat berpartisipasi dalam lokakarya virtual mendatang untuk mendapatkan pengalaman ilmu data dan AI yang menarik dan inovatif.

Ini tautan ke saluran YouTube saya
https://www.youtube.com/c/DataScienceDemonstrated

Bagaimana saya menganalisis Perilaku Mengemudi saya sendiri menggunakan ilmu data Diterbitkan ulang dari Sumber https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 melalui https://towardsdatascience.com/feed

<!–

->