Hur jag analyserade mitt eget körbeteende med hjälp av datavetenskap

Fordons telematikdata kan avslöja mycket om dina köregenskaper

Är du en bra förare? Svaret på en sådan fråga har inte varit särskilt objektivt. Ett sätt att analysera detta är att ta åsikten från passagerarna som reser med dig eller helt enkelt räkna de hastighetsböter du betalade! Men dessa är alla mycket primitiva sätt att bedöma körbeteende. I den här bloggen kommer jag att visa hur jag har använt data för att objektivt analysera mitt körbeteende.

Körbeteendeanalys används också av företag för användningsfall som att utforma en datadriven försäkring eller förvaltning av fordonsflottan.

I den här bloggen kommer jag att gå igenom datavetenskapliga tekniker som kan hjälpa till att mäta körbeteende som t.ex

• Över fortkörning
• Hård acceleration
• Förväntan
• Maskininlärning för att se om dålig körning påverkar fordonsförhållandena

Det första man ska analysera hur man kör är att samla in data. De flesta fordon har sensorer som mäter olika saker som hastighet, temperatur, acceleration och många fler. Detta görs med hjälp av en Fordonets telematik enhet. Det finns olika leverantörer som tillhandahåller sådana enheter.

Den här enheten tar data som registrerats av sensorer och överför den sedan till leverantörsdatabasen. Uppgifterna kan sedan användas för att förstå körbeteende. Du kan också be din leverantör att ge åtkomst till data så att du kan analysera den mer i detalj.

I den här bloggen kommer jag att använda ett exempel på data som jag samlat in under min resa till Indien i delstaten Karnataka. Data som samlas in är för den 21 augusti 2022. Vi kommer att försöka ta reda på om min körning är bra eller inte. Uppgifterna som samlas in har information som visas nedan.

Data har ett enhets-ID som identifierar telematikenheten. Den har tidsstämpeln för dataposten, såväl som olika saker som mäts, till exempel fordonets position som mäts som latitud, longitud och höjd. Fordonets hastighet mäts i KMPH eller MPH

Låt oss nu analysera körbeteendet.

Överhastighet är en av de första sakerna som kan mätas för att förstå körbeteendet. Här visas rutten som jag tog den 21 augusti 2022. Datan som används för att göra denna analys är baserad på telematisk data om tidsstämpel, latitud och longitud.

Resan går från Udipi till Holekattu. Rutten som tas är motorväg nummer 66 som går längs Indiens västra kust.

Du kan också observera en markör, som är en plats där den maximala hastigheten på 92 km/h registrerades. Hastighetsgränsen för en bil på riksväg 66 är 100 km/h. Så fordonet har varit inom hastighetsgränserna, och vi kan sätta en grön bock för hastighetsbeteende.

Hård acceleration är en händelse där mer kraft än normalt anbringas på fordonets gas- eller bromssystem. Vissa människor kan hänvisa till detta som "lead foot"-syndrom, och det kan vara en indikator på aggressivt eller osäkert körbeteende.

Låt oss nu mäta hård acceleration under min resa. Här visas några av de andra markörerna innan maxhastigheten på 92 uppnåddes, vilket visar hastigheten 73, och sedan till 85, och sedan uppnå en maxhastighet på 92.

Vi kan sätta dessa fordonshastigheter i ett tidsperspektiv med linjediagrammet som visas nedan. Du har tiden på X-axeln och fordonshastighet på Y-axeln. Denna kurva motsvarar acceleration. Jag började gasa på 14:43:21 när hastigheten var 71 och nådde sedan maxhastigheten 92 vid 14:43:49. Så jag ökade min hastighet med 21 km/h på 28 sekunder.

För att se om denna acceleration är hård acceleration eller inte, måste vi omvandla den till gravitationskraft, även kallad g-kraft, som appliceras på bilen på grund av acceleration. En hastighetsökning på 21 km/tim på 28 sekunder motsvarar en ag-kraft på 0.208 m/s2 acceleration. Nedan visas en kartläggning mellan g-kraft och accelerationsnivåer.

En g-kraft från 0.28 anses vara säker och är inte hård acceleration. Så vi kan ge en grön bock för hård acceleration.

Förväntan på att köra innebär att läsa din omgivning och förbli medveten genom att hålla ögon och öron öppna. Det innebär att planera i god tid och vara beredd att vidta nödvändiga åtgärder. För att förutse och planera för andras handlingar bör du ständigt kontrollera vad som händer runt omkring dig.

Låt oss nu kontrollera mina förväntningsförmåga. För att se mina förutseende färdigheter kan vi analysera vad jag gjorde efter acceleration. Om vi ​​tittar på kurvan nedan kan vi observera att det sker en plötslig minskning av hastigheten.

Från en hastighet på 92 km/h accelererade jag till 1 km/h på 24 sekunder. Detta motsvarar en g-kraft på — 0.3 och motsvarar hård inbromsning. Vad kan orsaken vara?

Låt mig avslöja hemligheten, eftersom jag vet exakt vad som hände när jag körde bilen. Om vi ​​observerar rutten efter maxhastighetspunkten ser vi en flodbro som kallas Heroor-bron. Den här bron hade sänkta hastighetsgränser, vilket var anledningen till att jag var tvungen att gasa ner.

Att sänka från en hög hastighet på 92 km/h till en mycket låg hastighet på 1 km/h är en tydlig indikation på att jag inte förutsåg det. Så låt oss ge ett rött för förväntan!

Låt oss nu se om körbeteendet påverkar fordonet eller inte?. Telematikenheten samlar in data relaterad till alla larm som utlöses av fordonet. En nolla indikerar inga problem, medan en 1 indikerar ett problem med fordonet.

Det finns också mer än 50 sensorvärden, såsom fordonshastighet, acceleration, syre, gas, lufttemperatur och många fler.

Vi kan använda ett beslutsträd för maskininlärning för att hitta någon relation mellan sensorvärden och larm. Detta kommer att hjälpa oss att veta vilka av faktorerna som påverkar fordonets hälsa.

Nedan visas ett beslutsträd som har olika sensorer som beslutsnoder och larm som utgångsnod. Du kan se att de främsta faktorerna som leder till fordonslarm är BATTERI, ACCELERATION och HASTIGHET.

Så dåligt körbeteende påverkar inte bara förarens säkerhet utan påverkar också fordonets hälsa.

Så här är några intressanta slutsatser

• Datainsamling med hjälp av telematikenheter är nyckeln till datadriven körbeteendeanalys
• Att analysera fortkörning kräver att du integrerar fordonshastighetsdata med hastighetsgränsdata
• Hård acceleration och förväntan kan beräknas med tidsseriefunktioner. De måste dock sättas i perspektiv med väganalys
• Dåligt körbeteende är inte säkert för både föraren och fordonet

Om du gillar mitt miniprojekt med att analysera mitt eget körbeteende genom data och använda datavetenskapliga tekniker, snälla gå med i Medium med min remisslänk.

Tveka inte, prenumerera att hålla mig informerad när jag släpper en ny berättelse.

Du kan besöka min webbplats för att göra analyser utan kodning. https://experiencedatascience.com

På webbplatsen kan du också delta i kommande virtuella workshops för en intressant och innovativ datavetenskap och AI-upplevelse.

Här är en länk till min YouTube-kanal
https://www.youtube.com/c/DataScienceDemonstrated

Hur jag analyserade mitt eget körbeteende med hjälp av datavetenskap Återpublicerad från källa https://towardsdatascience.com/how-i-analyzed-my-own-driving-behavior-using-data-science-d3a33efae3ec?source=rss—-7f60cf5620c9— 4 via https://towardsdatascience.com/feed

<!–

->