Hoe ik mijn eigen rijgedrag analyseerde met behulp van datawetenschap

Voertuigtelematicagegevens kunnen veel onthullen over uw rijvaardigheid

Ben jij een goede chauffeur? Het antwoord op een dergelijke vraag was niet erg objectief. Eén manier om dit te analyseren is door de mening te peilen van de passagiers die met u meereizen of door eenvoudigweg de snelheidsovertredingen te tellen die u heeft betaald! Dit zijn echter allemaal zeer primitieve manieren om rijgedrag te beoordelen. In deze blog laat ik zien hoe ik data heb gebruikt om mijn rijgedrag objectief te analyseren.

Analyse van rijgedrag wordt ook door bedrijven gebruikt voor gebruiksscenario's zoals het ontwerpen van een datagestuurde verzekeringspolis of wagenparkbeheer.

In deze blog bespreek ik data science-technieken die kunnen helpen bij het meten van rijgedrag, zoals

• te hard rijden
• Harde acceleratie
• Verwachting
• Machine learning om te zien of slecht rijgedrag invloed heeft op de voertuigomstandigheden

Het eerste dat u moet analyseren hoe u rijdt, is het verzamelen van gegevens. De meeste voertuigen hebben sensoren die verschillende dingen meten, zoals snelheid, temperatuur, acceleratie en nog veel meer. Dit gebeurt met behulp van een Telematica voor voertuigen apparaat. Er zijn verschillende leveranciers die dergelijke apparaten leveren.

Dit apparaat neemt gegevens op die zijn vastgelegd door sensoren en verzendt deze vervolgens naar de database van de leverancier. De gegevens kunnen vervolgens worden gebruikt om het rijgedrag te begrijpen. U kunt uw leverancier ook vragen om toegang tot de gegevens, zodat u deze gedetailleerder kunt analyseren.

In deze blog gebruik ik een voorbeeld van gegevens die ik heb verzameld tijdens mijn reis naar India in de staat Karnataka. De verzamelde gegevens hebben betrekking op 21 augustus 2022. We zullen proberen erachter te komen of mijn rijgedrag goed is of niet. De gegevens die worden verzameld, bevatten informatie zoals hieronder weergegeven.

De gegevens hebben een apparaat-ID die het telematicaapparaat identificeert. Het bevat de tijdstempel van het gegevensrecord, evenals verschillende dingen die worden gemeten, bijvoorbeeld de positie van het voertuig, die wordt gemeten als breedtegraad, lengtegraad en hoogte. De snelheid van het voertuig wordt gemeten in KMPH of MPH

Laten we nu het rijgedrag analyseren.

Te hard rijden is een van de eerste dingen die gemeten kunnen worden om het rijgedrag te begrijpen. Hier wordt de route weergegeven die ik op 21 augustus 2022 heb afgelegd. De gegevens die zijn gebruikt om deze analyse te maken, zijn gebaseerd op de telematicagegevens over tijdstempel, breedtegraad en lengtegraad.

De reis is van Udipi naar Holekattu. De genomen route is snelweg nummer 66 die langs de westkust van India loopt.

Je kunt ook een markering observeren, een locatie waar de maximale snelheid van 92 km/u werd geregistreerd. De snelheidslimiet voor een auto op rijksweg 66 is 100 km/u. Het voertuig heeft dus binnen de snelheidslimiet gereden en we kunnen een groen vinkje geven bij te hard rijden.

Hard accelereren is een gebeurtenis waarbij meer kracht dan normaal wordt uitgeoefend op het gas- of remsysteem van het voertuig. Sommige mensen noemen dit het ‘lead foot’-syndroom, en het kan een indicator zijn van agressief of onveilig rijgedrag.

Laten we nu de harde acceleratie tijdens mijn reis meten. Hier worden enkele van de andere markeringen weergegeven voordat de maximale snelheid van 92 werd bereikt, wat de snelheid van 73 aangeeft, en vervolgens naar 85, en vervolgens een maximale snelheid van 92 bereiken.

We kunnen deze voertuigsnelheden in een tijdsperspectief plaatsen met de lijngrafiek zoals hieronder weergegeven. U ziet de tijd op de X-as en de voertuigsnelheid op de Y-as. Deze curve komt overeen met de versnelling. Ik begon te accelereren om 14:43:21 toen de snelheid 71 was en bereikte vervolgens de maximale snelheid van 92 om 14:43:49. Dus verhoogde ik mijn snelheid met 21 km/uur in 28 seconden.

Om te zien of deze versnelling een harde versnelling is of niet, moeten we deze omzetten in zwaartekracht, ook wel g-kracht genoemd, die door de versnelling op de auto wordt uitgeoefend. Een snelheidstoename van 21 km/u in 28 seconden komt overeen met een g-kracht van 0.208 m/s2 versnelling. Hieronder ziet u een afbeelding tussen g-kracht en versnellingsniveaus.

Een g-kracht vanaf 0.28 wordt als veilig beschouwd en is geen harde acceleratie. We kunnen dus een groen vinkje geven voor harde acceleratie.

Anticiperen tijdens het autorijden betekent dat u uw omgeving leest en alert blijft door uw ogen en oren open te houden. Het betekent goed vooruit plannen en bereid zijn de nodige actie te ondernemen. Om te anticiperen op en plannen te maken voor de acties van anderen, moet u voortdurend controleren wat er overal om u heen gebeurt.

Laten we nu eens kijken naar mijn anticipatievermogen. Om mijn anticipatievermogen te zien, kunnen we analyseren wat ik deed na het accelereren. Als we naar de onderstaande curve kijken, kunnen we zien dat er een plotselinge afname van de snelheid is.

Vanaf een snelheid van 92 km/u deaccelereerde ik in 1 seconden naar 24 km/u. Dit komt overeen met een g-kracht van – 0.3 en komt overeen met hard remmen. Wat kan de reden zijn?

Laat mij het geheim onthullen, want ik weet precies wat er gebeurde terwijl ik autoreed. Als we de route na het maximumsnelheidspunt bekijken, zien we een rivierbrug genaamd de Heoorbrug. Op deze brug waren lagere snelheidslimieten van toepassing, wat de reden was dat ik moest afremmen.

Het terugbrengen van een hoge snelheid van 92 km/u naar een zeer lage snelheid van 1 km/u is een duidelijke indicatie die ik niet had verwacht. Laten we dus alvast een rood teken geven!

Laten we nu eens kijken of het rijgedrag van invloed is op het voertuig of niet? Het telematicaapparaat verzamelt gegevens met betrekking tot elk alarm dat door het voertuig wordt gegenereerd. Een nul geeft aan dat er geen problemen zijn, terwijl een 1 aangeeft dat er een probleem is met het voertuig.

Er zijn ook meer dan 50 sensorwaarden, zoals voertuigsnelheid, acceleratie, zuurstof, gaspedaal, luchttemperatuur en nog veel meer.

We kunnen een machine-learning beslissingsboom gebruiken om eventuele relaties tussen sensorwaarden en alarmen te vinden. Dit zal ons helpen te weten welke van de factoren van invloed zijn op de gezondheid van het voertuig.

Hieronder ziet u een beslissingsboom met verschillende sensoren als beslissingsknooppunten en alarmen als uitgangsknooppunt. U kunt zien dat de belangrijkste factoren die tot voertuigalarmen leiden, BATTERIJ, ACCELERATIE en SNELHEID zijn.

Slecht rijgedrag heeft dus niet alleen gevolgen voor de veiligheid van de bestuurder, maar ook voor de gezondheid van het voertuig.

Daarom volgen hier enkele interessante conclusies

• Gegevensverzameling met behulp van telematicaapparatuur is de sleutel tot datagestuurde analyse van rijgedrag
• Voor het analyseren van snelheidsovertredingen moet u de snelheidsgegevens van voertuigen integreren met gegevens over de snelheidslimieten
• Harde versnelling en anticipatie kunnen worden berekend met behulp van tijdreeksfuncties. Ze moeten echter in perspectief worden geplaatst met routeanalyse
• Slecht rijgedrag is niet veilig voor zowel de bestuurder als het voertuig

Als je mijn miniproject over het analyseren van mijn eigen rijgedrag aan de hand van data en het gebruik van data science-technieken leuk vindt, alsjeblieft sluit je aan bij Middel met mijn verwijzingslink.

Alstublieft abonneren om op de hoogte te blijven wanneer ik een nieuw verhaal vrijgeef.

U kunt mijn website bezoeken om analyses te maken zonder codering. https://experiencedatascience.com

Op de website kun je ook deelnemen aan komende virtuele workshops voor een interessante en innovatieve data science- en AI-ervaring.

Hier is een link naar mijn YouTube-kanaal
https://www.youtube.com/c/DataScienceDemonstrated

Hoe ik mijn eigen rijgedrag analyseerde met behulp van data science Opnieuw gepubliceerd vanuit de bron https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 via https://towardsdatascience.com/feed

<!–

->