Kjøretøyets telematikkdata kan avsløre mye om dine kjøreferdigheter
Er du en god sjåfør? Svaret på et slikt spørsmål har ikke vært særlig objektivt. En måte å analysere dette på er å ta meningen til passasjerene som reiser med deg eller ganske enkelt telle fartsbøttene du betalte! Dette er imidlertid alle veldig primitive måter å bedømme kjøreatferd på. I denne bloggen vil jeg vise hvordan jeg har brukt data for å analysere kjøreatferden min objektivt.
Kjøreatferdsanalyse brukes også av bedrifter for brukstilfeller som utforming av en datadrevet forsikring eller bilflåtestyring.
I denne bloggen vil jeg gå gjennom datavitenskapelige teknikker som kan hjelpe til med å måle kjøreatferd som f.eks
- Over fart
- Hard akselerasjon
- Forventning
- Maskinlæring for å se om dårlig kjøring påvirker kjøretøyets forhold
Den første tingen å analysere hvordan man kjører er å samle inn data. De fleste kjøretøy har sensorer som måler forskjellige ting som hastighet, temperatur, akselerasjon og mange flere. Dette gjøres ved hjelp av en Kjøretøy telematikk enhet. Det er forskjellige leverandører som tilbyr slike enheter.
Denne enheten tar data registrert av sensorer og sender dem deretter til leverandørdatabasen. Dataene kan deretter brukes til å forstå kjøreatferd. Du kan også be leverandøren om å gi tilgang til dataene slik at du kan analysere dem mer detaljert.
I denne bloggen vil jeg bruke et eksempel på data som jeg samlet inn under min reise til India i delstaten Karnataka. Dataene som samles inn er for 21. august 2022. Vi vil forsøke å finne ut om jeg kjører bra eller ikke. Dataene som samles inn har informasjon som vist nedenfor.
Dataene har en enhets-ID som identifiserer telematikkenheten. Den har tidsstemplet til dataposten, så vel som forskjellige ting, som blir målt, for eksempel posisjonen til kjøretøyet som måles som breddegrad, lengdegrad og høyde. Kjøretøyets hastighet måles i KMPH eller MPH
La oss nå analysere kjøreatferd.
Overfart er noe av det første som kan måles for å forstå kjøreatferd. Her vises ruten jeg tok 21. august 2022. Dataene som ble brukt til å gjøre denne analysen er basert på telematisk data om tidsstempel, breddegrad og lengdegrad.
Turen går fra Udipi til Holekattu. Ruten som er tatt er motorvei nummer 66 som går langs den vestlige kysten av India.
Du kan også observere en markør, som er et sted der den maksimale hastigheten på 92 km/t ble registrert. Fartsgrensen for en bil på riksvei 66 er 100 km/t. Så kjøretøyet har vært innenfor fartsgrensene, og vi kan sette en grønn hake for fartsadferd.
Hard akselerasjon er en hendelse der mer kraft enn normalt påføres kjøretøyets gasspedal eller bremsesystem. Noen mennesker kan referere til dette som "lead foot"-syndrom, og det kan være en indikator på aggressiv eller usikker kjøreatferd.
La oss nå måle hard akselerasjon under turen min. Her er noen av de andre markørene før maksimalhastigheten på 92 ble oppnådd, som viser hastigheten på 73, og deretter til 85, og deretter oppnå en maksimal hastighet på 92.
Vi kan sette disse kjøretøyhastighetene i et tidsperspektiv med linjediagrammet som vist nedenfor. Du har tiden på X-aksen og kjøretøyets hastighet på Y-aksen. Denne kurven tilsvarer akselerasjon. Jeg begynte å akselerere på 14:43:21 når hastigheten var 71 og nådde så makshastigheten på 92 på 14:43:49. Så jeg økte hastigheten med 21 km/t på 28 sekunder.
For å se om denne akselerasjonen er hard akselerasjon eller ikke, må vi konvertere den til gravitasjonskraft, også kalt g-kraft, som blir påført bilen på grunn av akselerasjon. En hastighetsøkning på 21 km/t på 28 sekunder tilsvarer en ag-kraft på 0.208 m/s2 akselerasjon. Nedenfor er en kartlegging mellom g-kraft og akselerasjonsnivåer.
En g-kraft fra 0.28 regnes som trygg og er ikke hard akselerasjon. Så vi kan gi en grønn hake for hard akselerasjon.
Forventning i kjøring betyr å lese omgivelsene og være oppmerksom ved å holde øynene og ørene åpne. Det betyr å planlegge i god tid og være forberedt på å ta nødvendige tiltak. For å forutse og planlegge for andres handlinger bør du hele tiden sjekke hva som skjer rundt deg.
La oss nå se på mine forventningsevner. For å se mine forventningsevner, kan vi analysere hva jeg gjorde etter akselerasjon. Ser vi på kurven vist nedenfor, kan vi observere at det er en plutselig nedgang i hastigheten.
Fra en hastighet på 92 km/t akselererte jeg til 1 km/t på 24 sekunder. Dette tilsvarer en g-kraft på — 0.3 og tilsvarer hard bremsing. Hva kan årsaken være?
La meg avsløre hemmeligheten, siden jeg vet nøyaktig hva som skjedde mens jeg kjørte bilen. Hvis vi observerer ruten etter makshastighetspunktet, ser vi en elvebro kalt Heroor-broen. Denne brua hadde reduserte fartsgrenser, som var grunnen til at jeg måtte de-akselerere.
Å redusere fra en høy hastighet på 92 km/t til en veldig lav hastighet på 1 km/t er en klar indikasjon på at jeg ikke ante. Så la oss gi et rødt for forventning!
La oss nå se om kjøreatferd påvirker kjøretøyet eller ikke?. Telematikkenheten samler inn data relatert til enhver alarm som utløses av kjøretøyet. En null indikerer ingen problemer, mens en 1 indikerer et problem med kjøretøyet.
Det er også mer enn 50 sensorverdier, for eksempel kjøretøyets hastighet, akselerasjon, oksygen, gass, lufttemperatur og mange flere.
Vi kan bruke et maskinlæringsbeslutningstre for å finne enhver sammenheng mellom sensorverdier og alarmer. Dette vil hjelpe oss å vite hvilke av faktorene som påvirker kjøretøyets helse.
Nedenfor vises et beslutningstre som har forskjellige sensorer som beslutningsnoder og alarmer som en utgangsnode. Du kan se at de viktigste faktorene som fører til kjøretøyalarmer er BATTERI, AKSELERASJON og HASTIGHET.
Så dårlig kjøreatferd påvirker ikke bare førersikkerheten, men påvirker også helsen til kjøretøyet.
Så her er noen interessante konklusjoner
- Datainnsamling ved hjelp av telematikkenheter er nøkkelen til datadrevet kjøreatferdsanalyse
- Å analysere fart krever at du integrerer kjøretøyhastighetsdata med fartsgrensedata
- Hard akselerasjon og forventning kan beregnes ved hjelp av tidsseriefunksjoner. De må imidlertid settes i perspektiv med ruteanalyse
- Dårlig kjøreatferd er ikke trygt for både sjåføren og kjøretøyet
Hvis du liker miniprosjektet mitt med å analysere min egen kjøreatferd gjennom data og bruke datavitenskapelige teknikker, vennligst bli med Medium med min henvisningslink.
Vær så snill abonnere å holde meg informert når jeg slipper en ny historie.
Du kan besøke nettstedet mitt for å lage analyser uten koding. https://experiencedatascience.com
På nettsiden kan du også delta i kommende virtuelle workshops for en interessant og innovativ datavitenskap og AI-opplevelse.
Her er en link til min YouTube-kanal
https://www.youtube.com/c/DataScienceDemonstrated
Hvordan jeg analyserte min egen kjøreatferd ved hjelp av datavitenskap Gjenpublisert fra kilde https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 via https://towardsdatascience.com/feed
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- blockchain-overholdelse
- blockchain konferanse
- Blockchain-konsulenter
- coinbase
- coingenius
- Konsensus
- kryptokonferanse
- krypto gruvedrift
- cryptocurrency
- desentralisert
- Defi
- Digitale eiendeler
- ethereum
- maskinlæring
- ikke soppbart token
- plato
- plato ai
- Platon Data Intelligence
- Platoblokkjede
- PlatonData
- platogaming
- polygon
- bevis på innsatsen
- W3
- zephyrnet