JP7398383B2 - テレマティクスデータに基づく車両分類 - Google Patents
テレマティクスデータに基づく車両分類 Download PDFInfo
- Publication number
- JP7398383B2 JP7398383B2 JP2020553524A JP2020553524A JP7398383B2 JP 7398383 B2 JP7398383 B2 JP 7398383B2 JP 2020553524 A JP2020553524 A JP 2020553524A JP 2020553524 A JP2020553524 A JP 2020553524A JP 7398383 B2 JP7398383 B2 JP 7398383B2
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- features
- trip
- motion data
- trips
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 95
- 230000001133 acceleration Effects 0.000 claims description 43
- 230000033001 locomotion Effects 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 23
- 239000000725 suspension Substances 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000036962 time dependent Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 21
- 238000013459 approach Methods 0.000 description 20
- 238000005259 measurement Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 14
- 238000005070 sampling Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000013016 damping Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000004905 short-term response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/20—Electric propulsion with power supplied within the vehicle using propulsion power generated by humans or animals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/12—Bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/24—Personal mobility vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Pure & Applied Mathematics (AREA)
- Sustainable Energy (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Description
実施形態には、以下の特徴の1つまたは2つ以上の組み合わせを含めることができる。モーションデータには、加速度、位置、高度の少なくとも1つが含まれる。商用分類には車両タイプが含まれる。商用分類には車両モデルが含まれる。商用分類には車両メーカーが含まれる。デバイスにはセンサーが含まれている。センサーには加速度計が含まれている。センサーにはGPSコンポーネントが含まれている。センサーにはジャイロスコープが含まれている。センサーには気圧計が含まれている。センサーには磁力計が含まれる。デバイスにはタグが含まれている。デバイスにはスマートフォンが含まれる。分類器は、トリップのモーションデータを使用して車両タイプに基づいて構築され、各トリップには、トリップで使用された車両の商用分類がラベル付けされる。トリップの分類を修正するために、訓練された分類器の出力にヒューリスティックが適用される。訓練された分類器で使用するために、モーションデータから特徴が抽出される。特徴には統計特徴が含まれる。特徴には、時間依存特徴が含まれる。時間依存特徴には、自己相関係数と鉛直加速度が含まれる。特徴には、イベントベースの特徴が含まれる。特徴には、サスペンション応答が含まれる。特徴には、パワーウェイトレシオが含まれる。特徴には、空気力学と縦方向摩擦が含まれる。特徴には、横方向動力学が含まれる。特徴には、ハード加速(ハードアクセラレーション)またはハード減速(ハードデアクセラレーション)が含まれる。特徴には、スペクトル特徴が含まれる。スペクトルの特徴は、エンジンの振動に関連している。スペクトルの特徴はジャイロスコープの変動から導き出される。特徴にはメタデータ特徴が含まれる。メタデータ特徴には、時刻、トリップ時間、または道路のタイプの1つ以上が含まれる。分類器は、車両のさまざまな商用分類にわたって確率分布を生成する。ヒューリスティックには、2つの連続する一致するトリップの考慮が含まれる。ヒューリスティックには、軌跡が一致する2つのトリップを考慮することが含まれる。特徴には暗黙的にドライバー入力が含まれる。分類器は、ドライバーの使用パターンを考慮する。
1.ラベル付きのデータを持つトリップを使用して、車両タイプの分類器を作成する。
2.各ユーザーについて、分類器を使用して、ラベルのないトリップを分類する。
[特徴抽出]
通常の高次元データとは異なり、時系列データは、さまざまな次元およびさまざまなチャネルで取得されることが多く、主成分分析(PCA)または特異値分解(SVD)などの一般的な特徴抽出または次元削減アプローチが困難または実行不可能になる。この技術は3つのアプローチを使用する。
サスペンションシステムは、ポットホール(凹み)などの道路のアーチファクトに遭遇したときに車両に加わる衝撃を軽減するように設計されている。この技術は、サスペンションを、次の微分方程式を満たす減衰調和振動子としてモデル化する。
ニュートンの第2法則によって、力は次のように表すことができる。
車両の縦方向の動力学は、次の式となる。
ステアリングからの入力インパルスの大きさが小さく、非常に短い時間で発生するため、車両のハンドリングの測定は注意が必要である。自然なアプローチは、車両が曲がることができるタイトさに対応する曲がり半径を測定することである。このアプローチには2つの問題がある。
2.交通からのノイズ。多くの場合、交通は車両が設計どおりに小さく曲がることを妨げるため、これは大きな問題である。また、交通法によって、ドライバーは左折を右折よりも大きくすることができる(この法律では、ドライバーが道路の右側を運転することが義務付けられていると想定している)。
以前の特徴は、車両の特性に関する重要な情報を含む時系列の時間依存の性質を無視する。たとえば、自己相関は車両のホイールベースを表す。これは、車両が路面の隆起に刺激を受けると、2つの連続するバンプ間のタイムラグは、車両のホイールベースの長さと相関する。この技術は、次の方程式に従って鉛直加速度の自己相関係数
[ハード加速とハードブレーキ]
これらの特徴は時間的に局所化されており、車両のブレーキングおよびトランスミッションと直接相関するため、車両の特性の多くを特徴付けている。この技術では、ハード加速(ハードアクセラレーション)を、縦方向の加速度が0.5m/s2を超えることと定義し、加速フレームを、ハード加速がそのような閾値を超える連続した期間と定義している。この技術は、フレームごとに、その期間の持続時間と平均加速度を計算し、統計的抽出を使用してさまざまなフレームにわたって集計する。
[スペクトル分析]
時系列のスペクトルコンテンツには、時系列の特性に関する豊富な情報が含まれていることが多く、計算に役立つ特徴となっている。スペクトル分析は、画像分類(非特許文献10)や音声認識(非特許文献7)など、多くの分野で広く適用されている。車両では、スペクトルコンテンツは、車両が動いているとき、またはアイドル状態にあるときのエンジン振動に由来する。車両モデルの分類は、ジャイロスコープの変動によって検出された、車両の移動時にエンジンが発する音の分析に基づくことができる。ただし、センサーのサンプリングレートは、そのような情報を取得するのに十分高くない場合がある。したがって、この技術では、周波数が1~2Hzのアイドル状態の振動など、より低い周波数特性を使用できる。車両は加速やブレーキなどの非アイドルイベントを経験する可能性があるため、グローバルフーリエ変換ではなく、短時間フーリエ変換を使用すると便利である(非特許文献7)。この技術は、時間領域信号を重複する短いフレームに分割し、各フレームにフーリエ変換を個別に適用する。フレームのオーバーラップを使用すると、フレームの作成に起因する人為的な境界が緩和される。
技術はトリップから特徴を抽出しようとするが、一部のトリップの信号は破損しているため、特徴の抽出の影響を受けない。このような場合、アルゴリズムはトリップ全体を検討対象から除外する。実験によると、特定の特徴セットでは、トリップの10%のみが破棄される。
[粒度]
分類の課題は、アルゴリズムが機能する粒度のレベルを決定することである。800を超える車両モデルがあり、使用頻度がモデルによって大きく異なるため、車両のメーカーとモデルを直接使用するのは細かすぎる場合がある。さらに、特定の車両モデルを運転するドライバーが少なすぎると、分類器はこれらの特定のドライバーに適合しすぎる危険性がある。同様に、同じメーカー内には複数のタイプの車両があり、それぞれが非常に異なる車両特性を持っているため、ラベルとして車両メーカーを選択することも適切な選択肢ではない。
このリストは、車両のメーカー/モデルとそれに対応するラベルクラスの両方の点で、アルゴリズムの変更を最小限に抑えて拡張できる可能性がある。ここでは、対応するタイプの同様の車両特性に基づくパーティションについて説明する。ただし、リストされている車両モデルのいくつかは2つの異なる車両タイプの特性を共有しているため、この分類は完全ではない。
分類は、多くの利用可能なアプローチによる機械学習の古典的な問題である。この技術は、異種データタイプを処理する機能のおかげで、ランダムフォレスト分類器を使用する(非特許文献11)。分類器を使用して、トリップごとに技術が車両のタイプの確率分布を取得する。
重要な観察は、セットM ={p(x1),...,p(xn)}が、ドライバーが使用する車両に対応することであるので、そのカーディナリティは非常に大きくなることはない。合理的な仮定は、いくつかの小さなkについては M ≦kに制限し、YのすべてのkサブセットMを検索してプロセスを逆にし、同時確率を計算することである。
[ヒューリスティック補正]
説明ではテレメトリ情報のみを使用した予測について説明したが、このアプローチでは、トリップが行われた時刻、場所、所要時間、距離など、トリップのメタデータは無視される。ドライバーの行動は予測可能なパターンに従っているため、この技術は特定のヒューリスティックを使用して、特定のトリップを、同じ車両を共有する1つのグループに高い信頼度でグループ化できる。重要なのは、運転履歴を一連のトリップと見なし、連続するトリップ間の相関関係を見つけることである。
1.連続した照合:2つのトリップが時間的に近く、2番目のトリップの開始位置が最初のトリップの終了位置に近い場合、ドライバーは後のトリップで同じ車両を使用した可能性が高いため、2つのトリップが同じ車両から来る。
[他のアプローチ]
比較のために、技術は代替アルゴリズムを実施できる。これらのアプローチは、データセットの性質と、差別的特徴の特性とを明らかにするのにも役立つ。
上で説明したように、技術は影響を減らすためのエンジニアリング手法を実行しているにもかかわらず、ドライバー入力を含む特徴を暗黙的に抽出する。ドライバーの入力はテレマティクス信号の重要な部分であるため、自然な疑問が生じる。それは、車両識別への影響がどれほど大きいかである。1つのドライバーのみを含むトリップと、複数のドライバーからのトリップとの2つのケースがある。
上記のように、分類またはクラスタリングアルゴリズムは、さまざまな条件で堅牢である必要がある。運転スタイルは、分類の精度に影響を与える主要な要因である可能性がある。したがって、以下のシナリオをカバーする一連のテストを設計する。
2. 運転スタイルテスト。トリップ履歴は複数のドライバーから来て、ドライバーによってラベルが付けられる。分類器は、対応するドライバーによってトリップを分類することが期待されている。
実験では、計算上の制約によって、通常、データセットのサイズを制限する。各テストでは、説明したテストスキームに準拠したデータを収集し、トレーニングデータとテストデータに分割して、10分割交差検証(CV)で精度を報告する。ここでの精度は、正しいラベルで分類されたトリップの割合を示す。精度が十分なデータで安定していることがわかる。すべての分析は、Amazon AWS c4.x8largeインスタンスを使用して行われる。
[同じドライバーテスト]
複数のテストを実行する。各テストでは、少なくとも2つの車両モデルを定期的に運転するドライバーを選択する(各車両モデルは、全トリップ数の少なくとも10%を表す)。ユーザーごとに最も人気のある2つのモデルを選択し、車両の代表性をデータでバランスさせる。分類器は、前述のすべての特徴を備えたランダムフォレストを使用してトレーニングされる。次の精度は、同じユーザーが運転する車両のペアごとに報告される。
[運転スタイルテスト]
複数のドライバーのトリップ履歴を収集し、使用している車両モデルに関係なく、ドライバーのトリップのラベルを付ける。ドライバーごとに100回のトリップを選択し、ランダムフォレスト分類器を実行して、10倍のCVで測定された精度を報告する。
[車両モデルテスト]
複数の車両ペアで実験を行う。各テストでは、車両モデルごとに2000回のトリップを収集するが、同じドライバーからのトリップは30回以下である。ランダムフォレスト分類器を使用して分類器をトレーニングする。
この実験では、表3にリストされている車両モデルのみを使用して、各タイプの車両から20000のトリップをサンプリングし、データセットに30を超えるトリップがないように条件付けした。次に、車両タイプの分類器を作成する。ここでは、SUV、コンパクト、セダンの3種類の車両タイプがある。結果は、車両タイプが正しく分類されたトリップの割合として表示される。
ベーシック:統計的抽出方法と時間依存の特徴を介して収集されたすべての特徴を示す。主に車両の動力学特徴であるが、スペクトル特徴は除く。
スペクトログラム:スペクトログラムの計算から得られた特徴を示す。
ここに示すように、未加工(生)の値を直接使用しても、ランダムな推測より優れた予測能力は得られない。CNNと基本的な特徴は、いくつかの差のある正確さを取得するのに役立つが、重要な貢献は、スペクトルの特徴によって明らかにされる車両の短時間応答を使用することから来る。
分類器をクラスタリング問題に適用した。結果を評価するには、評価基準が異なるため、1台の車両を持つユーザーと、2台以上の車両を持つユーザーとを区別する必要がある。
上記の説明では、コンピュータデバイス、モバイルデバイス、およびその他のデバイスの構造と機能について言及することがある。このようなデバイスのさまざまな実施が可能である。いくつかの実施形態において、コンピュータデバイスは、例えば、ラップトップ、タブレット、ノートブック、デスクトップ、ワークステーション、携帯情報端末、サーバー、ブレードサーバー、メインフレームを含む、様々な形態のデジタルコンピューター、デジタルデバイス、またはデジタルマシンとして実施され得る。その他、モバイルデバイスは、携帯情報端末、タブレット、携帯電話、スマートフォン、およびその他の同様のデバイスとして実施できる。
[付録A]
[形式的な導出]
このセクションでは、明細書で使用されるモデルの機械的および数学的な知識を示す。
いくつかの式は、車両の動力学を詳細に説明している非特許文献4から導出している。
[A.1 縦方向の車両動力学]
図7に示すように、縦方向の動力学は、車両のエンジン出力と縦方向の加速度の特性を数値化したものである。このモデルでは、クォーターカーモデルを想定している。道路のピッチがゼロであると仮定すると、車両に作用する縦方向の力は、次の式で表すことができる。
Faero(F空力)は、空力抵抗である。
FRは、転がり摩擦である。
axは、車両の縦方向加速度である。
転がり摩擦は、タイヤと道路の間の摩擦によって発生し、車両に作用する鉛直力に比例するため、次のように説明できる。
空力抵抗は、速度の2乗に比例する。
実験では、タイヤ力はスリップ力によって生成されることが示されている。スリップ力は、タイヤの回転速度と、車軸の縦方向速度との差として発生する。差はrω-vであり、ここでrはタイヤの半径であり、ωはタイヤの角速度である。次のように、縦方向のスリップ率を定義する。
σ=(rω-v)/(rω) ただし、車両が加速中の場合。
タイヤ力は、次のように計算される。
車両が道路を走行するとき、道路入力による摂動を受ける。サスペンションの目的は、そのような摂動を吸収することである。これによって、乗り心地が向上し、車両の制御が保証される。乗り心地は、鉛直加速度の測定によって定量化できる。
muは、軸質量である。
ksは、サスペンション係数である。
bsは、減衰係数である。
クォーターカーモデルに代わるものは、フロントとリアの両方のサスペンションを含むハーフカーモデルの図9である。本文で説明したように、フロントサスペンションとリアサスペンションの加速度間のレイテンシ(待ち時間)を使用して、車両のホイールベースを推定できる。
kt1,kt2は、前後タイヤの剛性である。
mu1,mu2は、前車軸と後車軸の質量である。
mは、車体の質量である。
lf、lrは、フロントサスペンションとリアサスペンションの重心までの距離である。したがって、lf+lrは、車両のホイールベースに対応する。
転がり(ローリング)は致命的な事故の主な原因の一つである。ロールは、車両が車両のボディに沿った軸に沿ってバランスを保つことができなくなったときに発生する。車両のロールを制御することは、トラクションと、車両の安定性とにとって非常に重要である。
hは、車両の重心の高さである。
その結果、SSFは、リフトオフ加速度、または横転が発生する横方向加速度の閾値を定義する。
[B 短時間フーリエ変換]
時系列Tの場合、重複する可能性のある短いフレームc1,...,ckへと時系列Tを分割する。各フレームでフーリエ変換を適用し、係数の絶対値を取得する。変換後のフレームをd1,…,dkと表す。ここで、フレームiの係数はdi1,…,dimであり、mは係数の番号である。次の特徴抽出を適用する。表記法を簡略化するために、以下のすべての特徴(スペクトルフラックスを除く)について、係数d1,…,dmの単一フレームを考慮し、値は統計的抽出によってフレーム間で集計される。
フレーム内の係数の二乗の合計の平均であるスペクトルエネルギーは、
標準偏差と同等となるスペクトル拡散は、
スペクトル歪度は、データセットの歪度を測定する。最初に3次モーメントを計算する。
スペクトル尖度:最初に4次モーメントを計算する。
スペクトルフラックスは、スペクトル成分の変化を特徴付ける。この特徴では、すべてのフレームc1, c2,...を連続して考慮して計算する。
Claims (26)
- コンピュータが実施する方法であって、前記方法は、
ユーザによって自動車においてトリップ中にデバイスによって生成されたモーションデータを取得する工程と、
前記モーションデータから特徴を抽出する工程と、
訓練された分類器に前記特徴を適用することで、前記特徴と複数の自動車タイプとにわたって、同時確率分布を決定する工程と、
各々が特定自動車タイプを表す複数のグループのうちの少なくとも1つのグループに、前記トリップを割当する工程であって、前記割当は、前記同時確率分布に基づくとともに、
(i)前記自動車における前記トリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、および
(ii)1つまたは複数の以前のトリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、
のうちの1つまたは複数へのヒューリスティックの適用に前記割当は基づく、前記トリップを割当する工程と、および
前記少なくとも1つのグループに少なくとも部分的に基づき、前記トリップ中に使用される前記自動車の特定自動車タイプを決定する工程と、
を備える、方法。 - 前記モーションデータは、加速度、位置、および高度のうちの少なくとも1つを含む、
請求項1に記載の方法。 - 前記デバイスは、センサーを含む、
請求項1に記載の方法。 - 前記センサーは、加速度計、GPSコンポーネント、ジャイロスコープ、気圧計、および磁力計、のうちの少なくとも1つを含む、
請求項3に記載の方法。 - 前記デバイスは、前記自動車に取り付けられたハードウェアデバイスを備える、
請求項1に記載の方法。 - 前記デバイスは、スマートフォンを含む、
請求項1に記載の方法。 - 前記方法はさらに、
前記トリップのモーションデータを使用して自動車タイプに基づいて前記分類器を構築する工程を含み、
各トリップは、前記トリップで使用された自動車の自動車タイプでラベル付けされる、
請求項1に記載の方法。 - 前記特徴は、統計的特徴を含む、
請求項1に記載の方法。 - 前記特徴は、時間依存特徴を含む、
請求項1に記載の方法。 - 前記時間依存特徴は、鉛直加速度の自己相関係数を含む、
請求項9に記載の方法。 - 前記特徴は、イベントベースの特徴を含む、
請求項1に記載の方法。 - 前記特徴は、サスペンション応答と、パワーウェイトレシオと、ならびに、空気力学および軸方向摩擦と、のうちの少なくとも1つを含む、
請求項1に記載の方法。 - 前記特徴は、横方向動力学を含む、
請求項1に記載の方法。 - 前記特徴は、ハード加速またはハード減速を含む、
請求項1に記載の方法。 - 前記特徴は、スペクトル特徴を含む、
請求項1に記載の方法。 - 前記スペクトル特徴は、エンジン振動に関連する、
請求項15に記載の方法。 - 前記スペクトル特徴は、ジャイロスコープの変動から導出される、
請求項15に記載の方法。 - 前記特徴は、メタデータ特徴を含む、
請求項1に記載の方法。 - 前記メタデータ特徴は、時刻、トリップ期間、または道路のタイプのうちの1つまたは複数を含む、
請求項18に記載の方法。 - 前記ヒューリスティックは、2つの連続するマッチングトリップを考慮する工程を含む、
請求項1に記載の方法。 - 前記ヒューリスティックは、軌道が一致する2つのトリップを考慮する工程を含む、
請求項1に記載の方法。 - 前記方法はさらに、前記自動車のモーションデータおよび前記自動車のタイプに基づいて、前記自動車のドライバーのドライビングスコアを決定する工程を含む、
請求項1に記載の方法。 - プロセッサと、
前記プロセッサによって実行される命令のためのストレージと
を備えるシステムであって、
前記命令は、
ユーザによって自動車においてトリップ中にデバイスによって生成されたモーションデータを取得する工程と、
前記モーションデータから特徴を抽出する工程と、
訓練された分類器に前記特徴を適用することで、前記特徴と複数の自動車タイプとにわたって、同時確率分布を決定する工程と、
各々が特定自動車タイプを表す複数のグループのうちの少なくとも1つのグループに、前記トリップを割当する工程であって、前記割当は、前記同時確率分布に基づくとともに、
(i)前記自動車における前記トリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、および
(ii)1つまたは複数の以前のトリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、
のうちの1つまたは複数へのヒューリスティックの適用に前記割当は基づく、前記トリップを割当する工程と、および
前記少なくとも1つのグループに少なくとも部分的に基づき、前記トリップ中に使用される前記自動車の特定自動車タイプを決定する工程と、を備える、システム。 - プロセッサによって実行可能な命令を格納する非一時的な記憶媒体であって、前記命令は、
ユーザによって自動車においてトリップ中にデバイスによって生成されたモーションデータを取得する工程と、
前記モーションデータから特徴を抽出する工程と、
訓練された分類器に前記特徴を適用することで、前記特徴と複数の自動車タイプとにわたって、同時確率分布を決定する工程と、
各々が特定自動車タイプを表す複数のグループのうちの少なくとも1つのグループに、前記トリップを割当する工程であって、前記割当は、前記同時確率分布に基づくとともに、
(i)前記自動車における前記トリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、および
(ii)1つまたは複数の以前のトリップ中に前記デバイスによって生成された前記モーションデータから抽出された1つまたは複数の特徴と、
のうちの1つまたは複数へのヒューリスティックの適用に前記割当は基づく、前記トリップを割当する工程と、および
前記少なくとも1つのグループに少なくとも部分的に基づき、前記トリップ中に使用される前記自動車の特定自動車タイプを決定する工程と、
を備える、非一時的な記憶媒体。 - 前記方法はさらに、
前記複数の自動車タイプから、前記ユーザに関連付けられた自動車タイプサブセットを識別する工程と、
前記特徴と、前記ユーザに関連付けられた前記自動車タイプサブセットと、にわたって前記同時確率分布を決定するように構成された前記訓練された分類器に、前記特徴を適用する工程と、
を備えている、請求項1に記載の方法。 - 前記方法はさらに、前記ユーザによって1つまたは複数の以前のトリップから取得された前記モーションデータに基づき、前記ユーザに関連付けられた前記自動車タイプサブセットを識別する工程を備えている、
請求項25に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862654742P | 2018-04-09 | 2018-04-09 | |
US62/654,742 | 2018-04-09 | ||
PCT/US2019/025730 WO2019199561A1 (en) | 2018-04-09 | 2019-04-04 | Vehicle classification based on telematics data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021519980A JP2021519980A (ja) | 2021-08-12 |
JP7398383B2 true JP7398383B2 (ja) | 2023-12-14 |
Family
ID=68096525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020553524A Active JP7398383B2 (ja) | 2018-04-09 | 2019-04-04 | テレマティクスデータに基づく車両分類 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190311289A1 (ja) |
EP (1) | EP3759717A4 (ja) |
JP (1) | JP7398383B2 (ja) |
DE (1) | DE112019001842T5 (ja) |
WO (1) | WO2019199561A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210140775A1 (en) | 2019-11-07 | 2021-05-13 | Geotab Inc. | Vehicle vocation method |
EP3819839A1 (en) * | 2019-11-07 | 2021-05-12 | GEOTAB Inc. | Vehicle benchmarking method |
CN112907188B (zh) * | 2021-03-12 | 2022-05-24 | 北京化工大学 | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 |
CN113392892A (zh) * | 2021-06-08 | 2021-09-14 | 重庆大学 | 一种基于数据融合的驾驶人驾驶习性辨识方法及装置 |
WO2023102183A2 (en) * | 2021-12-02 | 2023-06-08 | Zendrive, Inc. | System and/or method for personalized driver classifications |
US20230186691A1 (en) * | 2021-12-10 | 2023-06-15 | Ford Global Technologies, Llc | System for query vehicle data |
IT202100031097A1 (it) * | 2021-12-10 | 2023-06-10 | Edison Spa | Metodo e sistema per determinare un numero eccessivo di utenti a bordo di un monopattino elettrico |
US20230267491A1 (en) * | 2022-02-22 | 2023-08-24 | BlueOwl, LLC | Systems and methods for managing insurance |
CN115204417B (zh) * | 2022-09-13 | 2022-12-27 | 鱼快创领智能科技(南京)有限公司 | 基于集成学习的车辆重量预测方法、系统及存储介质 |
JP7356621B1 (ja) | 2023-06-05 | 2023-10-04 | 日立Astemo株式会社 | 二輪車安定走行制御システムのモデル化方法、二輪車安定走行シミュレータ、及びプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005165421A (ja) | 2003-11-28 | 2005-06-23 | Denso Corp | センサフュージョンシステム及びそれを用いた車両制御装置 |
US20160327397A1 (en) | 2015-05-07 | 2016-11-10 | Truemotion, Inc. | Motion detection system for transportation mode analysis |
CN106650801A (zh) | 2016-12-09 | 2017-05-10 | 西南交通大学 | 一种基于gps数据的多类型车辆分类方法 |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020140924A1 (en) * | 1999-01-08 | 2002-10-03 | Richard J. Wangler | Vehicle classification and axle counting sensor system and method |
US20040249557A1 (en) * | 2003-05-28 | 2004-12-09 | Wherenet Corp | Vehicle tag used for transmitting vehicle telemetry data |
US8972161B1 (en) * | 2005-11-17 | 2015-03-03 | Invent.Ly, Llc | Power management systems and devices |
JP5482047B2 (ja) * | 2009-09-15 | 2014-04-23 | ソニー株式会社 | 速度算出装置、速度算出方法及びナビゲーション装置 |
US8996287B2 (en) * | 2011-03-31 | 2015-03-31 | United Parcel Service Of America, Inc. | Calculating speed and travel times with travel delays |
GB201106555D0 (en) * | 2011-04-19 | 2011-06-01 | Tomtom Int Bv | Taxi dispatching system |
US8538686B2 (en) * | 2011-09-09 | 2013-09-17 | Microsoft Corporation | Transport-dependent prediction of destinations |
US20130234929A1 (en) * | 2012-03-07 | 2013-09-12 | Evernote Corporation | Adapting mobile user interface to unfavorable usage conditions |
CA2877453A1 (en) * | 2012-06-21 | 2013-12-27 | Cellepathy Ltd. | Device context determination |
US9200906B1 (en) * | 2013-04-23 | 2015-12-01 | Driveway Software Corporation | System and methods for handheld device based battery efficient context monitoring, detection of a vehicular motion and identification of a specific vehicle |
JP6221364B2 (ja) * | 2013-06-06 | 2017-11-01 | 富士通株式会社 | 運転診断装置、運転診断システム、および運転診断方法 |
US20150045983A1 (en) * | 2013-08-07 | 2015-02-12 | DriveFactor | Methods, Systems and Devices for Obtaining and Utilizing Vehicle Telematics Data |
US9305317B2 (en) * | 2013-10-24 | 2016-04-05 | Tourmaline Labs, Inc. | Systems and methods for collecting and transmitting telematics data from a mobile device |
SG11201605474RA (en) * | 2014-01-10 | 2016-08-30 | Massachusetts Inst Technology | Travel survey systems and methods |
US9728084B2 (en) * | 2015-02-25 | 2017-08-08 | Here Global B.V. | Method and apparatus for providing vehicle classification based on automation level |
US9754485B2 (en) * | 2015-06-16 | 2017-09-05 | DataSpark, PTE. LTD. | Traffic prediction and real time analysis system |
SE539428C2 (en) * | 2015-12-15 | 2017-09-19 | Greater Than S A | Method and system for assessing the trip performance of a driver |
US10037635B2 (en) * | 2016-08-30 | 2018-07-31 | Allstate Insurance Company | Vehicle mode detection systems |
US10677894B2 (en) * | 2016-09-06 | 2020-06-09 | Magna Electronics Inc. | Vehicle sensing system for classification of vehicle model |
US20210133808A1 (en) * | 2016-10-28 | 2021-05-06 | State Farm Mutual Automobile Insurance Company | Vehicle identification using driver profiles |
US11210939B2 (en) * | 2016-12-02 | 2021-12-28 | Verizon Connect Development Limited | System and method for determining a vehicle classification from GPS tracks |
US10345449B2 (en) * | 2016-12-02 | 2019-07-09 | Verizon Connect Ireland Limited | Vehicle classification using a recurrent neural network (RNN) |
US20210172759A1 (en) * | 2017-02-17 | 2021-06-10 | Dataspark Pte Ltd | Map Matching and Trajectory Analysis |
AU2017399007B2 (en) * | 2017-02-17 | 2021-12-23 | Dataspark Pte, Ltd | Mobility gene for trajectory data |
WO2018157955A1 (en) * | 2017-03-01 | 2018-09-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Technique for generating near real-time transport modality statistics |
US20180292471A1 (en) * | 2017-04-06 | 2018-10-11 | Intel Corporation | Detecting a mechanical device using a magnetometer and an accelerometer |
US10268987B2 (en) * | 2017-04-19 | 2019-04-23 | GM Global Technology Operations LLC | Multi-mode transportation management |
US10189425B2 (en) * | 2017-05-02 | 2019-01-29 | Agero, Inc. | Using data collected by a personal electronic device to identify a vehicle |
US9900747B1 (en) * | 2017-05-16 | 2018-02-20 | Cambridge Mobile Telematics, Inc. | Using telematics data to identify a type of a trip |
CN107463940B (zh) * | 2017-06-29 | 2020-02-21 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
US11688212B2 (en) * | 2017-10-31 | 2023-06-27 | Upstream Security, Ltd. | Machine learning techniques for classifying driver behavior |
-
2019
- 2019-04-04 DE DE112019001842.6T patent/DE112019001842T5/de active Pending
- 2019-04-04 JP JP2020553524A patent/JP7398383B2/ja active Active
- 2019-04-04 US US16/375,170 patent/US20190311289A1/en active Pending
- 2019-04-04 WO PCT/US2019/025730 patent/WO2019199561A1/en unknown
- 2019-04-04 EP EP19786210.5A patent/EP3759717A4/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005165421A (ja) | 2003-11-28 | 2005-06-23 | Denso Corp | センサフュージョンシステム及びそれを用いた車両制御装置 |
US20160327397A1 (en) | 2015-05-07 | 2016-11-10 | Truemotion, Inc. | Motion detection system for transportation mode analysis |
CN106650801A (zh) | 2016-12-09 | 2017-05-10 | 西南交通大学 | 一种基于gps数据的多类型车辆分类方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021519980A (ja) | 2021-08-12 |
EP3759717A1 (en) | 2021-01-06 |
WO2019199561A1 (en) | 2019-10-17 |
US20190311289A1 (en) | 2019-10-10 |
EP3759717A4 (en) | 2021-12-15 |
DE112019001842T5 (de) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7398383B2 (ja) | テレマティクスデータに基づく車両分類 | |
Jahangiri et al. | Applying machine learning techniques to transportation mode recognition using mobile phone sensor data | |
Ezzini et al. | Who is behind the wheel? Driver identification and fingerprinting | |
Nguyen et al. | Response-based methods to measure road surface irregularity: A state-of-the-art review | |
Bejani et al. | A context aware system for driving style evaluation by an ensemble learning on smartphone sensors data | |
US10845381B2 (en) | Methods and systems for pattern-based identification of a driver of a vehicle | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
Jahangiri et al. | Developing a support vector machine (SVM) classifier for transportation mode identification by using mobile phone sensor data | |
Khodairy et al. | Driving behavior classification based on oversampled signals of smartphone embedded sensors using an optimized stacked-LSTM neural networks | |
CN106095963B (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
Malik et al. | Driving pattern profiling and classification using deep learning | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
US10990837B1 (en) | Systems and methods for utilizing machine learning and feature selection to classify driving behavior | |
US11694116B2 (en) | Vehicle resiliency, driving feedback and risk assessment using machine learning-based vehicle wear scoring | |
Nirmali et al. | Vehicular data acquisition and analytics system for real-time driver behavior monitoring and anomaly detection | |
EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
He et al. | [Retracted] An Individual Driving Behavior Portrait Approach for Professional Driver of HDVs with Naturalistic Driving Data | |
Kar et al. | Scotto: Real-time driver behavior scoring using in-vehicle data | |
CN116245417A (zh) | 基于舒适性评价的车辆数据测试方法、系统、介质及设备 | |
Priyadharshini et al. | A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style | |
Marafie et al. | AutoCoach: Driving behavior management using intelligent IoT services | |
Qi et al. | Detection of vehicle steering based on smartphone | |
Nguyen | A vehicle classification algorithm based on telematics data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220401 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230418 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230712 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231024 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231121 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231204 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7398383 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |