DE112019001842T5

DE112019001842T5 - Fahrzeugklassifizierung basierend auf Telematikdaten

Info

Publication number: DE112019001842T5
Application number: DE112019001842.6T
Authority: DE
Inventors: Linh Vuong Nguyen
Original assignee: Cambridge Mobile Telematics Inc
Current assignee: Cambridge Mobile Telematics Inc
Priority date: 2018-04-09
Filing date: 2019-04-04
Publication date: 2021-01-14
Also published as: JP2021519980A; JP7398383B2; US20190311289A1; WO2019199561A1; EP3759717A4; EP3759717A1

Abstract

Unter anderem werden Bewegungsdaten von einer Vorrichtung in einem Fahrzeug während einer Fahrt erfasst. Die Bewegungsdaten werden auf einen trainierten Klassifikator angewendet, um eine kommerzielle Klassifizierung des Fahrzeugs zu erstellen.

Description

Hintergrund
In Amerika fahren Menschen im Durchschnitt mehr als 290 Stunden pro Jahr und legen dabei mehr als 10.500 Meilen (ca. 16.898 km) zurück. Die Fahrzeugtelematik bietet eine reiche Quelle zum Verständnis des Fahrverhaltens der Benutzer. Jüngste Fortschritte in den Bereichen Big Data-Verarbeitung, maschinelles Lernen und Sensornetzwerke haben eine effektive Erfassung und Verarbeitung von Telematikdaten ermöglicht, die nicht nur viele traditionelle Probleme gelöst, sondern auch neue Möglichkeiten zum Untersuchen neuer Fragen eröffnet haben. Seit 2006 hat das MIT CarTel-Projekt versucht, Telematikdaten beim Fahren einfach mit Smartphone-Geräten zu sammeln und zu analysieren (Bret Hull, Vladimir Bychkovsky, Yang Zhang, Kevin Chen, Michel Goraczko, Allen Miu, Eugene Shih, Hari Balakrishnan und Samuel Madden. CarTel: A distributed mobile sensor computing system. In Proceedings of the 4th International Conference on Embedded Networked Sensor Systems, Seiten 125 - 138. ACM, 2006). In Kombination mit der Verarbeitung und Analyse von Big Data hat das Projekt auch das Fahrverhalten der Benutzer bewertet und Vorschläge gegeben, um sie zu besserem Fahren anzuleiten.
Mit der Entwicklung von Big-Data-Techniken ändern auch Kfz-Versicherungsgesellschaften ihren Ansatz für Versicherungspreisgestaltung. Traditionelle Ansätze basieren auf statischen, leicht definierbaren Merkmalen wie Alter, Geschlecht, langjährige Erfahrung des Fahrers sowie Fahrzeugmarke und -modell. Fortschritte bei Big Data haben jedoch den Aufstieg eines telemetriegestützten Versicherungsmodells ermöglicht, zum Beispiel des Pay as you go-Modells (J Ferreira und E Minike. Pay-asyou-drive auto insurance in massachusetts: A risk assessment and report on consumer, industry and environmental benefits. Department ofUrban Studies and Planning, Massachusetts Institute ofTechnology. Massachusetts Institute ofTechnology (http://dusp.mit.edu/) for the Conservation Law Foundation, http://www.clf.org/, http://www.clf.org/our-work/healthy-communities/modernizing-transportation/pay-asyou- drive-auto-insurance-payd, 2010). Die neuen Methoden berücksichtigen zusätzliche Informationen, wie z. B. Fahrzeugkilometerstand, Nutzungsmuster oder riskantes Fahrverhalten, und setzen komplexe Modelle für maschinelles Lernen zur Risikobewertung ein. Dies ermöglicht es Versicherungsgesellschaften, für jeden Benutzer einen maßgeschneiderten Versicherungsplan zu erstellen. Der Übergangsprozess hat zu vielen interessanten Fragen geführt und eine Überarbeitung der traditionellen Methoden der Versicherungspreisgestaltung erzwungen.
Kurzfassung
Im Allgemeinen werden in einem Aspekt Bewegungsdaten von einer Vorrichtung in einem Fahrzeug während einer Fahrt erfasst. Die Bewegungsdaten werden auf einen trainierten Klassifikator angewendet, um eine kommerzielle Klassifizierung des Fahrzeugs zu erstellen.
Implementierungen können eines oder eine Kombination von zwei oder mehreren der folgenden Merkmale enthalten. Die Bewegungsdaten enthalten wenigstens eines von Beschleunigung, Standort und Höhenlage. Die kommerzielle Klassifizierung enthält den Fahrzeugtyp. Die kommerzielle Klassifizierung enthält das Fahrzeugmodell. Die kommerzielle Klassifizierung enthält die Fahrzeugmarke. Die Vorrichtung enthält einen Sensor. Der Sensor enthält einen Beschleunigungsmesser. Der Sensor enthält eine GPS-Komponente. Der Sensor enthält ein Gyroskop. Der Sensor enthält ein Barometer. Der Sensor enthält ein Magnetometer. Die Vorrichtung enthält ein Tag. Die Vorrichtung enthält ein Smartphone. Der Klassifikator wird basierend auf dem Fahrzeugtyp unter Verwendung von Bewegungsdaten von Fahrten aufgebaut, wobei jede Fahrt mit der kommerziellen Klassifizierung des auf der Fahrt verwendeten Fahrzeugs gekennzeichnet wird. Heuristik wird auf eine Ausgabe des trainierten Klassifikators angewendet, um die Klassifizierung der Fahrt zu korrigieren. Merkmale werden aus den Bewegungsdaten zur Verwendung durch den trainierten Klassifikator extrahiert. Die Merkmale enthalten statistische Merkmale. Die Merkmale enthalten zeitabhängige Merkmale. Die zeitabhängigen Merkmale enthalten Autokorrelationskoeffizienten einer Vertikalbeschleunigung. Die Merkmale enthalten ereignisbasierte Merkmale. Die Merkmale enthalten Federungsverhalten. Die Merkmale enthalten das Leistungsgewicht. Die Merkmale enthalten Aerodynamik und Längsreibung. Die Merkmale enthalten Seitendynamik. Die Merkmale enthalten starkes Beschleunigen oder Abbremsen. Die Merkmale enthalten spektrale Merkmale. Die spektralen Merkmale sind mit Motorvibrationen verbunden. Die spektralen Merkmale werden aus Gyroskopfluktuationen abgeleitet. Die Merkmale enthalten Metadatenmerkmale. Die Metadatenmerkmale enthalten eines oder mehrere von: Tageszeit, Fahrtdauer oder Straßentyp. Der Klassifikator erzeugt eine Wahrscheinlichkeitsverteilung über verschiedene kommerzielle Klassifizierungen des Fahrzeugs. Die Heuristik enthält Berücksichtigung von zwei aufeinanderfolgenden übereinstimmenden Fahrten. Die Heuristik enthält Berücksichtigung von zwei Fahrten mit übereinstimmenden Trajektorien. Die Merkmale enthalten implizit Fahrereingaben. Der Klassifikator berücksichtigt Fahrernutzungsmuster.
Diese und andere Aspekte, Merkmale und Implementierungen können als Verfahren, Geräte, Systeme, Komponenten, Programmprodukte, Geschäftsmethoden, Mittel oder Schritte zum Durchführen einer Funktion und auf andere Weise ausgedrückt werden.
Diese und andere Aspekte, Merkmale und Implementierungen werden aus den folgenden Beschreibungen einschließlich der Ansprüche ersichtlich.
Figurenliste

1 ist ein Diagramm der aufgezeichneten Daten gegen die Zeit.
2 ist ein Vergleich der aufgezeichneten Daten gegen die Zeit.
3 ist ein Diagramm des Federungsverhaltens gegen die Zeit.
4 ist ein Diagramm der statistischen Merkmale der Vertikalbeschleunigung.
5 ist ein Diagramm des Leistungsgewichts.
6 ist ein Blockdiagramm eines konvolutionären neuronalen Netzwerks.
7 bis 11 sind schematische Diagramme.

Die hier beschriebene Technologie nutzt umfangreiche Telematikdaten, die auf Fahrten gesammelt werden, unter anderem für Fahrzeugmodellerkennung. Bei einigen Implementierungen der Technologie wird Fahrzeugmodellerkennung für Fahrzeugidentifikation eines Benutzers verwendet. Das heißt, angesichts einer Fahrhistorie eines Benutzers auf mehreren Fahrten, wobei jede Fahrt durch ihre Telematikdaten repräsentiert wird, identifiziert die Technologie alle verfügbaren Fahrzeuge und gruppiert die Fahrten basierend auf dem von der Person verwendeten Fahrzeug.
Es gibt mehrere Anwendungen der Ergebnisse. Zum Beispiel ermöglicht die Bestimmung, welches Fahrzeug von einem Benutzer gefahren wurde, eine analytische und verhaltensorientierte Untersuchung des Fahrverhaltens und hilft bei der Abgabe von Vorschlägen zur Verbesserung des Fahrverhaltens. Für Versicherungsgesellschaften bedeutet dies, dass sie das Verhalten von Benutzern in Bezug auf Fahrzeugmodelle in großem Maßstab untersuchen können, um zum Beispiel festzustellen, welche Fahrzeugmodelle anfälliger für unsicheres Fahrverhalten sind.
Bei einigen Implementierungen kann Fahrzeugidentifikation zum Ermitteln einer Fahrbewertung für einen Fahrer des Fahrzeugs verwendet werden. Im Allgemeinen kann unsicheres Fahrverhalten, wie z. B. starkes Beschleunigen, Bremsen oder Kurvenfahren je nach Fahrzeugmodell oder Fahrzeugtyp, wie z. B. SUVs, Limousinen, Motorräder, Kompaktfahrzeuge und Wohnmobile, variieren. Zum Beispiel kann ein Fahrverhalten, das bei einem bestimmten Fahrzeugmodell oder -typ als unsicher gilt, bei einem anderen Fahrzeugmodell oder -typ nicht als unsicher angesehen werden. Durch Identifizieren des Modells oder Typs des vom Fahrer verwendeten Fahrzeugs kann die hier beschriebene Technologie die Analyse der mit dem Fahrer verbundenen Telematikdaten informieren, um sicheres und unsicheres Fahrverhalten des Fahrers zu erkennen. Zum Beispiel kann die Technologie in einigen Fällen modell- oder typenspezifische Schwellenwerte oder andere Metriken auf die Telematikdaten anwenden, um zwischen sicherem und unsicheren Fahrverhalten basierend auf dem vom Fahrer verwendeten Fahrzeug zu unterscheiden. In einigen Fällen kann die Technologie die Telematikdaten mit mehreren Instanzen von Informationen über bekanntes Fahrverhalten vergleichen, um unter anderem sicheres und unsicheres Fahrverhalten zu erkennen, das vom Fahrer verwendete Fahrzeug zu identifizieren oder das Fahrverhalten mit dem Fahrzeugmodell oder -typ zu korrelieren, oder Kombinationen davon. Die Technologie kann die Fahrzeugidentifikation und das erkannte sichere und unsichere Fahrverhalten neben anderen Daten verwenden, um eine Fahrbewertung für den Fahrer des Fahrzeugs zu ermitteln. Die Fahrbewertung kann dem Fahrer zum Beispiel vorgelegt werden, um dem Fahrer zu helfen, sein Fahrverhalten zu verbessern. In einigen Fällen kann die Fahrbewertung einer Versicherungsgesellschaft oder einer anderen Drittpartei vorgelegt werden, zum Beispiel, um es der Versicherungsgesellschaft zu ermöglichen, ihren Versicherungsplan für den Fahrer abzustimmen. Ein wesentliches Problem beim Arbeiten mit Telematikdaten ist schlechte Datenqualität, die eine Vielzahl von Ursachen hat. Da Telematikdaten bei freiem Straßenzustand aufgezeichnet werden, können diese Daten durch externe Faktoren wie Straßenunebenheiten, Verkehr oder Steigungen beeinflusst werden. Derartige externe Faktoren könnten im besten Fall Störungen in die Messungen einbringen und im schlimmsten Fall aufgezeichnete Daten verfälschen (zum Beispiel führt Fahren durch einen Tunnel dazu, dass GPS-Daten nicht mehr verfügbar sind). Eine weitere Schwierigkeit ergibt sich aus der Unvorhersehbarkeit menschlicher Eingaben, die häufig fallspezifisch sind. Wenn Daten vom Smartphone aufgezeichnet werden, kann die Position des Smartphones ebenfalls Störungen in die Messung einbringen. Die niedrige Abtastrate schränkt auch die Möglichkeit ein, granularere Merkmale zu extrahieren, was die Entwicklung guter Merkmale, die verschiedene Fahrzeugmodelle unterscheiden könnten, zusätzlich erschwert.
Frühere Arbeiten haben sich auf verschiedene Aspekte der Fahrzeugklassifizierung unter verschiedenen Messbedingungen konzentriert. Die Theorie der Fahrzeugmodellierung ist in Giancarlo Genta. Motor vehicle dynamics: modeling and simulation, volume 43. World Scientific, 1997, und Rajesh Rajamani. Vehicle dynamics and control. Springer Science & Business Media, 2011, dokumentiert. Traditionell werden die meisten Messungen in einer kontrollierten Umgebung durchgeführt, wobei sich das Fahrzeug im Werkszustand befindet und auf einer geschlossenen Rennstrecke fährt, oder sie erfordern teure Vorbereitungen wie Windkanal und verschiedene kundenspezifische Sensoren. Eine derartige kontrollierte Umgebung ist unter realen Bedingungen, bei denen externe Effekte und Fahreigenschaften die Messungen beeinflussen können, im Allgemeinen nicht anwendbar.
Bei neueren Arbeiten wurde versucht, Algorithmen unter allgemeinen Bedingungen zu entwickeln, wobei nur Messungen von Smartphones verwendet wurden. Zur Transportmoduserkennung haben Forscher einen Smartphone-Beschleunigungsmesser eingesetzt (Samuli Hemminki, Petteri Nurmi und Sasu Tarkoma. Accelerometer-based transportation mode detection on smartphones. In Proceedings of the 11th ACM Conference on Embedded Networked Sensor Systems, Seite 13. ACM, 2013) und haben zum Schätzen des Gewichts eines Fahrzeugs Vertikalbeschleunigung verwendet (Phong X Nguyen, Takayuki Akiyama, Hiroki Ohashi, Masaaki Yamamoto und Akiko Sato. Vehicle's weight estimation using smartphone's acceleration data to control overloading.
International Journal of Intelligent Transportation Systems Research, Seiten 1 - 12, 2015).
Telematikdaten gehören zur Klasse der Zeitreihendaten, daher sind viele Techniken zum Extrahieren von Merkmalen aus Zeitreihendaten relevant, wie z. B. statistische Merkmale, zeitabhängige Merkmale und Spektralanalyse. Eine Quelle gibt einen Überblick über Techniken der Merkmalsextraktion und ihre Anwendung bei akustischen Fingerabdrücken (Geoffroy Peeters. A large set of audio features for sound description (similarity and classification) in the cuidado project. 2004).
Ein ähnliches Problem besteht bei der Klassifizierung von Fahrten in Bezug auf den Fahrstil, für die eine Deep-Learning-Lösung vorgeschlagen wurde (Weishan Dong, Jian Li, Renjie Yao, Changsheng Li, Ting Yuan und Lanjun Wang. Characterizing driving styles with deep learning. arXiv preprint arXiv:1607.03611, 2016). Die hier beschriebene Technologie muss dagegen die Tatsache berücksichtigen, dass Telematikdaten hauptsächlich von Fahrereingaben beeinflusst werden, die stark vom Fahrer abhängig sind, sodass unklar ist, wie invariante, fahrzeugbasierte Merkmale, die nicht vom Fahrstil abhängen, extrahiert werden können.
Die hier beschriebene Technologie enthält einen Algorithmus zum Erkennen des Fahrzeugtyps und Anwenden des Fahrzeugtyps als Teil der Benutzer-Fahrzeug-Identifikation. Das Ergebnis beinhaltete Klassifizierung von 45 Prozent der Fahrten nach dem richtigen Fahrzeugtyp (SUV, Kompakt oder Limousine). Die Technologie kann auch Merkmale bestimmen, die verschiedene Fahrzeugmodelle (Honda Accord versus BMW 5er-Serie) effektiv unterscheiden könnten.
Die Technologie berücksichtigt zwei wichtige Bedingungen, die einfache Modifikation und Skalierung in der realen Welt ermöglichen: Granularität (die Fähigkeit, den Fahrzeugtyp oder das Fahrzeugmodell zu identifizieren, nicht nur Transportmodi wie Zug, Auto oder Gehen) und Allgegenwart (erfordert nur Smartphone-Sensoren und sammelt Daten unter freien Straßenbedingungen im Gegensatz zu kontrollierten Umgebungen wie z. B. geschlossene Rennstrecke und Windkanal).

Bei einigen Implementierungen werden die Telematikdaten entweder vom Smartphone des Benutzers oder von einem von Cambridge Mobile Telematics, Cambridge, Mass., entwickelten und am Fahrzeug angebrachten kundenspezifischen Hardwaregerät aufgezeichnet, das hier einfach als Tag bezeichnet wird. Bei einigen Anwendungen können Daten sowohl von einem Smartphone als auch von einem Tag gesammelt werden. In einem Telematikdatenbestand wurden Fahrten von 2013 bis 2017 an mehreren Orten aufgezeichnet. Verschiedene Sensoren zeichneten Daten mit unterschiedlichen Abtastraten auf, aber zur Vereinfachung nehmen wir an, dass alle Sensoren mit einer festen Rate abgetastet haben, was bei Sensoren mit höherer Abtastrate durch Unterabtastung und bei Sensoren mit niedrigerer Abtastrate durch lineare Interpolation erreicht wird. In Tabelle 1 sind verfügbare Messungen und entsprechende Sensoren aufgeführt. Tabelle 1: Liste verfügbarer Messungen und entsprechender Sensoren

Messungen	Verwendeter Sensor
Längs- (a_x), Seiten- (a_y) und Vertikalbeschleunigung (a_z)	Beschleunigungsmesser
Position und Geschwindigkeit (v)	GPS
Wanken, Nicken und Gieren	Gyroskop
Straßensteigung	Barometer
Fahrzeugorientierung	Magnetometer

Wie in 1 dargestellt, zeichnet das Tag Daten in Rohform für eine bestimmte Fahrt auf, und in den Daten sind alle externen Faktoren, die die Messung beeinflussen können, berücksichtigt. Zum Beispiel bewirkt die Gravitationskraft eine konstante Abwärtsbeschleunigung in vertikaler Richtung des Beschleunigungsmessers. Auch Straßenunebenheiten oder schlechte Wetterbedingungen können die Lesequalität des Tags beeinträchtigen. Ein Verarbeitungsalgorithmus filtert anschließend derartige externe Effekte und richtet die Messungen so aus, dass sie der Straßenorientierung entsprechen. Für viele Fahrten enthielten die Beispielsdaten ein Label mit der Marke und dem Modell des Fahrzeugs, das als korrekt akzeptiert wurde. Das Label wurde jedoch von Benutzern bereitgestellt, und viele Benutzer haben keine Informationen über ihre Fahrzeuge. Der analysierte Datensatz enthält 30 Millionen derartiger gekennzeichneter Fahrten und 90 Millionen nicht gekennzeichneter Fahrten. Die Daten enthielten auch für die Analyse nützliche Metadaten, einschließlich Fahrtinformationen (Zeitstempel für Start/Ende der Fahrt, Start- und Endort, Dauer und Entfernung) und anonymisierte Benutzer-lDs.
Die Technologie verwendet einen halbüberwachten Lernalgorithmus. Ein Klassifikator baut auf dem Fahrzeugtyp auf (wie z. B. SUV, Kompakt oder Limousine) und verwendet Daten von vielen Fahrten vieler Benutzer. Der Klassifikator kann dann angewendet werden, um den Fahrzeugtyp auf Fahrten eines bestimmten Benutzers vorherzusagen. Heuristik kann auf das Fahrzeugnutzungsmuster angewendet werden, um bestimmte Fahrten in dieselben Fahrzeugtypklassen zu gruppieren.
Obwohl die Technologie als eine Clustering-Aufgabe ansprechend charakterisiert werden kann, implementiert sie keinen Clustering-Algorithmus, der einen Ähnlichkeitsbegriff erfordern kann und bei einigen Algorithmen die vorherige Kenntnis der Anzahl von Clustern voraussetzt. Ergebnisse von Clustering-Algorithmen können schwer zu interpretieren sein, und es gibt keine offensichtliche Strategie zur Verbesserung der Ergebnisse außer Feature-Engineering, bei dem es sich häufig um einen Prozess von Versuch und Irrtum handelt. Wenn eine große Menge gekennzeichneter Daten verfügbar ist, können bei korrekter Interpretation halbüberwachte Ansätze verwendet werden.
Algorithmen, die auf globalen Merkmalen beruhen (zum Beispiel globale Analyse während der gesamten Fahrt), leiden unter dem Mangel an unterscheidbaren Merkmalen und Störungen, die durch verschiedene Faktoren der Fahrt verursacht werden, wie z. B. Verkehrsbedingungen.
Wie der Vergleich zwischen zwei verschiedenen Fahrten, die von verschiedenen Fahrzeugmodellen zurückgelegt werden, in 2 zeigt, wird die Fahrttrajektorie auf lange Sicht zum unterscheidenden Faktor, der den lokalen Unterschied, der sich aus dem Fahren verschiedener Fahrzeuge ergibt, dominiert. Daher verwendet die Technologie einen Klassifizierungsalgorithmus, der lokale Strukturen der Zeitreihendaten dort ausnutzt, wo es zur Unterscheidung verschiedener Fahrzeugmodelle ausreicht. Die Technologie akzeptiert bis zu einem gewissen Grad Merkmale, die von Fahrern beeinflusst werden, da Fahrverhaltensmuster von Fahrzeugeigenschaften bestimmt werden. Straßenbedingungen, Wetter oder Verkehr, sind hingegen ausgeschlossen.
Techniken des maschinellen Lernens legen nahe, lokal basierte Merkmale, wie z. B. Beschleunigung, Motorcharakteristika, Federung, Lenkung und Kurvenfahrt, als Merkmale zu erfassen. Verschiedene Arbeiten aus der Physik und dem Maschinenbau geben erste Anhaltspunkte zur Konstruktion derartiger Modelle, aber es gibt zwei Abweichungen von traditionellen technischen Modellen. Einerseits zielt die Technologie darauf ab, das Modell basierend auf empirischer Daten zu rekonstruieren, anstatt die Gültigkeit des Modells im Fahrversuch zu bestätigen. Andererseits können Messfehler, begrenzte Abtastraten und Bedingungen auf freier Straße zu Abweichungen vom idealen Modell führen, und die Technologie verwendet aus Gründen der Recheneffizienz ein abstrakteres oder vereinfachtes Modell.
Obwohl die Abtastrate die Fähigkeit einschränkt, genaue Werte der Parameter zu erhalten, benötigt die Technologie in der Praxis keine derartige Präzision. Da dasselbe Merkmal aus verschiedenen Fahrten im Datensatz mit demselben Algorithmus berechnet wird, würden kleine Anpassungen der Funktion zu einer kleinen Änderung der Merkmalswerte führen, wobei ihre Klassifizierungsfähigkeit erhalten bliebe, solange die Merkmalsextraktionsfunktion einigermaßen gut definiert und kontinuierlich ist.
Da der Klassifikator zwangsläufig Störungen unterliegt, kommt es zu Fehlern beim Klassifizieren der Benutzerfahrten. Daher wendet die Technologie eine heuristische Korrektur an, die den Fahrverlauf als eine Abfolge von Punkten betrachtet und Korrelationen zwischen einigen Paaren von Fahrten findet. Diese Korrelationen ermöglichen es der Technologie, Fahrten in denselben Fahrzeugtyp einzubringen, bei denen der generische Klassifikator nicht mit Sicherheit entscheiden kann.
Zusammenfassend lässt sich feststellen, dass die Technologie drei Schritte verwendet:

1. Erstellen eines Klassifikators auf dem Fahrzeugtyp unter Verwendung von Fahrten mit gekennzeichneten Daten.
2. Verwenden des Klassifikators für jeden Benutzer zum Klassifizieren nicht gekennzeichneter Fahrten.
3. Anwenden nachfolgender heuristischer Korrektur, um gewisse Fahrten in dasselbe Cluster zu gruppieren und die endgültigen Cluster auszugeben.

Merkmalsextraktion
Im Gegensatz zu typischen hochdimensionalen Daten liegen Zeitreihendaten häufig in unterschiedlichen Dimensionen und Kanälen vor, sodass typische Ansätze zur Merkmalsextraktion oder Dimensionsreduktion, wie z. B. Hauptkomponentenanalyse (Principal Component Analysis, PCA) oder Singulärwertzerlegung (Singular Value Decomposition, SVD), schwierig oder nicht durchführbar sind. Die Technologie verwendet drei Ansätze:

1. Extrahieren statistischer Merkmale nach Entfernen ungültiger Datenpunkte in den Daten. Die ausgewählten Merkmale enthalten Mittelwert, Standardabweichung, Versatz, Kurtosis; 25, 50, 75 Perzentil und Minimal-/Maximalwert. Dieser Ansatz ignoriert die zeitabhängige Natur der Daten; seine Einfachheit kann jedoch im Wesentlichen die Art der Zeitreihe erfassen, sich direkt auf die physikalischen Größen beziehen, die die Eigenschaften des Fahrzeugs erfassen, und in der Praxis gute Klassifizierungsergebnisse erzielen.
2. Extrahieren zeitabhängiger Merkmale aus den Daten. Das beachtenswerteste Merkmal ergibt sich aus der Auswertung des Spektrogramms des Signals. Andererseits sind die durch diese Techniken erhaltenen Merkmale nicht ohne weiteres zu erklären, da sie nur tangential mit den physikalischen Größen verbunden sind. Sie können jedoch lokales und ungewöhnliches Verhalten des Fahrzeugs erfassen und sind somit starke Klassifizierungsindikatoren.
3. Extrahieren ereignisbasierter Merkmale, zum Beispiel starkes Bremsen und Beschleunigen. Diese Ereignisse sind häufig zeitlich lokalisiert und werden durch externe Quellen aus Fahrer-Straßen-Bedingungen verursacht. Diese Merkmale erfordern mehr Engineering und Parameterabstimmung, um eine gute Unterscheidungsgenauigkeit zu erreichen.

Einige Merkmale sind von Fahrzeugdynamikmodellierung inspiriert. In Tabelle 2 sind Dynamiken und verbundene Messungen aufgeführt. In der späteren Erörterung wird Extrahieren von Merkmalen intuitiv erläutert. Formale Ableitungen dieser Modelle sind im Anhang zu finden. Tabelle 2: Liste verfügbarer Dynamiken und entsprechender Messungen Federungsverhalten

Fahrzeugdynamikmodell Verbundene Messungen

Längsdynamik a_x,v

Seitendynamik a_y,v

Federungsverhalten a_z

Wankdynamik a_y und Wankwinkel
Das Federungssystem ist so konstruiert, dass es Stöße reduziert, die beim Auftreffen auf Straßenartefakte, wie z. B. Schlaglöcher, auf das Fahrzeug einwirken. Die Technologie modelliert die Federung als einen gedämpften harmonischen Oszillator, der die folgende Differentialgleichung erfüllt $\frac{d^{2} z}{d t^{2}} + 2 ζ ω_{0} \frac{d z}{d t} + ω_{0}^{2} z = 0$
wobei ω₀ die ungedämpfte Winkelfrequenz des Oszillators und ζ das Dämpfungsverhältnis ist. Hier 0<ζ<1, da die gedämpfte Feder durch Straßenstöße verursachte Schwingungen allmählich eliminiert. Mit dem Aufprallwert A₀ zum Zeitpunkt t=0 folgt der Dämpfungswert $z (t) = A_{0} e^{- ζ t} sin (ω_{0} t)$
Um die Parameter ω₀ und ζ zu erlernen, berechnet die Technologie die Autokorrelation der Vertikalbeschleunigungsdaten. v(t) sei die Vertikalbeschleunigung zum Zeitpunkt t. Für eine Verzögerung s≥0 ist die s entsprechende Autokorrelation definiert durch $a (s) = \frac{\int v (t) v (t + s) d t}{\int {| v (t) |}^{2} d t}$
mit v(t)=0 für Werte von t außerhalb des interessierenden Bereichs. Es wird darauf hingewiesen, dass der Nenner der Autokorrelation bei s=0 entspricht, sodass a(0)=1 ist. Die Werte a(s) entsprechen den aus Ist-Daten abgeleiteten empirischen Dämpfungswerten des Federungsverhaltens. Die Werte ω₀ und ζ werden zur Fehlerminimierung gewählt $(ω_{0}, ζ) = {argmin}_{0 \leq ζ < 1, ω \geq 0} \int_{t} {(e^{- ζ t} sin (ω_{0} t) - a (t))}^{2} d t$
Wie das in 3 gezeigte Federungsverhalten über die Zeit zeigt, sind Messfahler verursachende Abweichungen der zurückgelieferten Werte unvermeidlich, da die Technologie empirische Daten verwendet. Es treten jedoch Muster über die Fahrten auf. Bei komfortabel fahrenden Autos ist das Dämpfungsverhältnis typischerweise niedrig (bei 0,2 - 0,3), um den Fahrkomfort zu maximieren, während es bei Gelände- und Rennwagen höher ist (typischerweise 0,5 - 0,7), um den Aufprall schnell zu glätten.
Wie die Darstellung in 4 zeigt, bei der die horizontale Achse das Dämpfungsverhältnis und die vertikale Achse die Schwingungsfrequenz repräsentiert, manifestiert sich die Vertikalbeschleunigung aus vielen autospezifischen Merkmalen, wie z. B. Gewicht und Federungsverhalten (Phong X Nguyen, Takayuki Akiyama, Hiroki Ohashi, Masaaki Yamamoto und Akiko Sato. Vehicle's weight estimation using smartphone's acceleration data to control overloading. International Journal ofIntelligent Transportation Systems Research, Seiten 1 - 12, 2015). Daher kann die Technologie zusätzlich zur Berechnung des Dämpfungskoeffizienten und der Frequenz auch statistische Merkmale der Vertikalbeschleunigung berechnen. Da die Vertikalbeschleunigung jedoch von der Fahrzeuggeschwindigkeit beeinflusst wird, unterteilt die Technologie die Vertikalbeschleunigungswerte anhand der Fahrzeuggeschwindigkeit und sammelt ihre Merkmale separat (Hiroki Ohashi, Takayuki Akiyama, Masaaki Yamamoto und Akiko Sato. Modality classification method based on the model of vibration generation while vehicles are running. In Proceedings of the Sixth ACM SIGSPATIAL International Workshop on Computational Transportation Science, Seite 37. ACM, 2013).
Ein weiteres Problem ist das Gewicht eines Fahrzeugs. In der Praxis hängt die Messung der Vertikalbeschleunigung von der Fahrzeuglast ab, zu der neben dem Leergewicht auch das Gewicht von Insassen, Kraftstoff und zusätzliche Lasten gehören können. Die zusätzlichen Lasten sind besonders problematisch für die Schätzung der Parameter eines SUV-Fahrzeugs, da das Fahrzeuggewicht zwischen verschiedenen Fahrten erheblich variiert.
Leistungsgewicht
Nach Newtons zweitem Gesetz kann die Leistung dargestellt werden als $P = F v = m a_{x} v$
Da jedoch nur Beschleunigungsmesser und GPS-Sensoren verwendet werden, gibt es keine offensichtliche Möglichkeit, auf die Fahrzeugmasse zu schließen. Daher beruht die Technologie auf dem Leistungsgewicht, das P/W=a_xv ist.
Das Sammeln eines derartigen Verhältnisses für jede gültige Stichprobe ergibt eine Zeitreihendarstellung des Beschleunigungsvermögens und des Motoransprechverhaltens des Fahrzeugs. Da das Leistungsgewicht die augenblickliche Änderung des Motors erfassen kann, betrachten wir es als eine zuverlässigere Metrik als die herkömmlichen Metriken, wie z. B. Bremsweg oder die Zeit von 0 bis 60 Meilen pro Stunde. Die Technologie sammelt statistische Merkmale aus Zeitreihen.
5 zeigt eine Darstellung der Standardabweichung und des mittleren Leistungsgewichts für verschiedene Fahrzeuge. Es wird darauf hingewiesen, dass sich das empirische Leistungsgewicht von dem von Herstellern angegebenen Leistungsgewicht unterscheidet, das häufig bei Motorspitzenleistung bei Leergewicht gemessen wird (kein Fahrer an Bord). Dennoch ist es ein wichtiges Maß, da das Leistungsgewicht ausschließlich von der Motorleistung abhängt. Fahrkomfort bietende Kompaktwagen weisen häufig ein niedrigeres Leistungsgewicht auf, während Sportwagen, Luxuswagen und SUVs ein hohes Leistungsgewicht haben, um die größere Fahrzeuggröße auszugleichen.
Aerodynamik und Längsreibung
Fahrzeuglängsdynamik folgt der Gleichung $F = m a_{x} = F_{T} - F_{a e r o} - F_{R}$
wobei F_T die Vorwärtsreifenkraft, F_aero der Luftwiderstand und F_R die Längsrollreibung ist. Bei hoher Geschwindigkeit ist die dominierende Widerstandskraft der Luftwiderstand, der proportional zum Quadrat der Fahrzeuggeschwindigkeit ist
wobei
die atmosphärische Dichte, C_D der Luftwiderstandskoeffizient des Fahrzeugs und A die Fahrzeugfrontfläche ist. Informationen über aerodynamische Spezifikationen von Fahrzeugen sind in Tabelle 8 des Anhangs zu finden. Bestimmte Fahrzeugtypen, wie z. B. SUVs, weisen im Vergleich zu anderen Typen einen höheren Widerstandsbereich auf. Daher benötigen sie zum Betrieb eine höhere Motorleistung und reagieren im Vergleich zu anderen Fahrzeugtypen weniger gut auf Bremsen und Beschleunigen. Statistische Merkmale der Längsbeschleunigung und des Quadrats der Geschwindigkeit würden daher den Unterschied zwischen Fahrzeugtypen erfassen.
Seitendynamik; Lenkmerkmale
Messen des Fahrzeughandlings ist schwierig, da der von der Lenkung kommende Eingangsimpuls von geringer Größe ist und in sehr kurzer Zeit auftritt. Ein natürlicher Ansatz bestünde darin, den Wenderadius zu messen, entsprechend wie eng ein Fahrzeug eine Kurve fahren kann. Bei diesem Ansatz treten zwei Probleme auf:

1. Störungen aufgrund von Fahrverhalten. Dies ist ein geringfügiges Problem, da der Wenderadius tendenziell damit korreliert, wie eng der Fahrer eine Kurve fährt.
2. Störungen aufgrund von Verkehr. Dies ist ein großes Problem, da der Verkehr das Fahrzeug häufig daran hindert, eine möglichst enge Kurve zu fahren. Das Verkehrsrecht veranlasst Fahrer auch dazu, Linkskurven weiter als Rechtskurven zu fahren (vorausgesetzt, das Gesetz fordert Fahren auf der rechten Straßenseite).

Ein besserer Ansatz besteht darin, sich auf statistische Merkmale eines Gyroskopsensors zu verlassen, insbesondere auf die Gierrate. Die Zentrifugalbeschleunigung erhält man durch die Gleichung $a = \frac{ν^{2}}{R}$
wobei a die Gierrate, R der Radius der Kurve und v die Fahrzeuggeschwindigkeit ist. Daher kennzeichnet v²/a zu jedem Zeitpunkt die Wendefähigkeit des Fahrzeugs. Wenn man kleine Werte von a (Angabe, dass das Fahrzeug nicht wendet, oder Sicherstellung numerischer Stabilität) ausschließt, können wir die statistischen Merkmale des Wenderadius sammeln.
Autokorrelationskoeffizienten
Bisherige Merkmale ignorieren die zeitabhängige Natur der Zeitreihe, die wichtige Informationen über Fahrzeugeigenschaften enthält. Zum Beispiel beschreibt die Autokorrelation den Radstand des Fahrzeugs, da die Zeitverzögerung zwischen zwei aufeinanderfolgenden Fahrbahnunebenheiten mit der Radstandlänge des Fahrzeugs korreliert, wenn das Fahrzeug durch Unebenheiten angeregt wird. Die Technologie berechnet die Autokorrelationskoeffizienten der Vertikalbeschleunigung nach folgender
Gleichung $c_{d} = \frac{\sum_{i = 1}^{n} ν [i] ν [i + d]}{\sum_{i = 1}^{n} ν {[i]}^{2}}$
(hier normalisieren wir c₀=1) und verwenden die ersten fünf Koeffizienten als Merkmale. Ähnliche Definitionen können für andere Arten von Messungen vorgenommen werden.
Starkes Beschleunigen und Bremsen
Diese Merkmale sind zeitlokalisiert und charakterisieren viele der Eigenschaften von Fahrzeugen, da sie direkt mit Bremsen und Kraftübertragung eines Fahrzeugs korrelieren.
Die Technologie definiert eine starke Beschleunigung als eine 0.5m/s² überschreitende Längsbeschleunigung und einen Beschleunigungsrahmen als die fortlaufende Periode, in der die starke Beschleunigung diesen Schwellenwert überschreitet. Für jeden Rahmen berechnet die Technologie die Dauer und die mittlere Beschleunigung in dieser Periode und aggregiert über verschiedene Rahmen mittels statistischer Extraktion.
Die gleiche Idee gilt für Bremsereignisse, wobei -0.5m/s² als Schwellenwert verwendet wird. Ebenso kann die Technologie Merkmale mit Seitenbeschleunigung und Vertikalbeschleunigung als Eingabe extrahieren.
Spektralanalyse
Der spektrale Inhalt einer Zeitreihe enthält häufig reichhaltige Informationen über die Eigenschaften der Zeitreihe, was die Berechnung zu einem nützlichen Merkmal macht. Spektralanalyse ist in einer Reihe von Bereichen weit verbreitet, einschließlich Bildklassifizierung (Dengsheng Lu und Qihao Weng. A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing, 28(5):823-870, 2007) und Spracherkennung (Geoffroy Peeters. A large set of audio features for sound description (similarity and classification) in the cuidado project. 2004). Bei Fahrzeugen kommt der spektrale Inhalt von Motorvibrationen, wenn das Fahrzeug entweder in Bewegung ist oder sich im Leerlauf befindet. Die Fahrzeugmodellklassifizierung kann auf der Analyse des Geräusches basieren, das vom Motor abgegeben wird, wenn das Fahrzeug fährt, erkannt durch Gyroskopfluktuation. Die Abtastrate von Sensoren ist jedoch möglicherweise nicht hoch genug, um solche Informationen zu erfassen. Daher kann die Technologie niedrigere Frequenzeigenschaften verwenden, wie z. B. Leerlaufvibrationen, die eine Frequenz von 1 - 2 Hz aufweisen. Da das Fahrzeug Nicht-Leerlauf-Ereignisse wie Beschleunigen und Bremsen erfahren kann, ist es nützlich, die Kurzzeit-Fourier-Transformation anstelle einer globalen Fourier-Transformation durchzuführen (Geoffroy Peeters. A large set of audio features for sound description (similarity and classification) in the cuidado project. 2004). Die Technologie unterteilt das Zeitbereichssignal in überlappende kurze Rahmen und wendet die Fourier-Transformation unabhängig auf jeden Rahmen an. Durch die Verwendung überlappender Rahmen werden die künstlichen Grenzen verringert, die sich aus der Erstellung von Rahmen ergeben.
Bei jedem Rahmen berechnet die Technologie die spektrale Energie, den spektralen Schwerpunkt sowie die spektrale Varianz und aggregiert mittels statistischer Extraktion über verschiedene Rahmen. Die Technologie berechnet auch den spektralen Fluss über die Rahmen, der die Änderung des spektralen Inhalts über die Zeit kennzeichnet. Einzelheiten zur Berechnung dieser Merkmale sind in Anhang A.2 beschrieben.
Feature-Engineering
Obwohl die Technologie versucht, Merkmale aus Fahrten zu extrahieren, sind die Signale einiger Fahrten korrumpiert, was sie für die Merkmalsextraktion unempfindlich macht. In solchen Fällen nimmt der Algorithmus die gesamte Fahrt außer Betracht. Experimente zeigen, dass beim gegebenen Satz von Merkmalen nur 10 Prozent der Fahrten verworfen werden.
Die Unterscheidungsgenauigkeit kann in einigen Sonderfällen durch Einbeziehen von Metadatenmerkmalen, zum Beispiel Tageszeit, Fahrtdauer oder Straßentyp, verbessert werden. Die Intuition geht davon aus, dass für einen einzelnen Fahrer mit jedem Fahrzeugmodell konsistente Fahrverhaltensmuster verbunden sind. Da ein Ziel darin besteht, einen Klassifikator für den Fahrzeugtyp unter Verwendung der Daten von allen Fahrern zu erstellen, macht die große Varianz zwischen den Fahrern derartige Metadatenmerkmale jedoch unbrauchbar. Daher werden solche Merkmale beim Erstellen des Klassifikators nicht berücksichtigt. Die Technologie verwendet diese Metadatenmerkmale nur auf einer Pro-Benutzer-Basis.
Algorithmen
Granularität
Eine Herausforderung bei der Klassifizierung besteht darin, zu entscheiden, auf welcher Granularitätsebene der Algorithmus funktionieren soll. Direkte Verwendung von Fahrzeugmarke und -modell kann zu granular sein, da es mehr als 800 verschiedene Fahrzeugmodelle gibt und die Nutzungshäufigkeit zwischen verschiedenen Modellen erheblich variiert. Darüber hinaus besteht bei zu wenigen Fahrern, die ein bestimmtes Fahrzeugmodell fahren, die Gefahr, dass der Klassifikator für diese spezifischen Fahrer überbestimmt ist. Ebenso ist die Auswahl eines Fahrzeugherstellers als Label keine gute Option, da es von ein und demselben Hersteller mehrere Fahrzeugtypen mit jeweils sehr unterschiedlichen Fahrzeugeigenschaften gibt.

Stattdessen beschränkt die Technologie die Granularität auf den Fahrzeugtyp; das heißt, die Technologie klassifiziert, ob eine Fahrt mit einem Kompaktwagen, einer Limousine oder einem SUV unternommen wird. Wir kennzeichnen einige der gängigen Fahrzeugmodelle manuell mit dem entsprechenden Fahrzeugtyp und bauen das Korpus nur mit diesen Fahrzeugmodellen auf. Tabelle 3: Liste gängiger Fahrzeugmodelle und deren Typ

Fahrzeugmodell	Fahrzeugtyp
VOLKSWAGEN POLO	Limousine
FORD FIESTA	Limousine
HYUNDAI I20	Limousine
FORD RANGER	SUV
VOLKSWAGEN GOLF	Limousine
AUDI A4	Kompakt
BMW 320I	Limousine
FORD ECOSPORT	SUV
TOYOTA COROLLA	Kompakt
HONDA JAZZ	Limousine
AUDI A3	Kompakt
KIA RIO	Kompakt
FORD FIGO	Limousine
LAND ROVER DISCOVERY	SUV
BMW 320D	Kompakt
OPEL CORSA	Limousine
FORD FOCUS	Kompakt
HYUNDAI 1X35	Limousine
TOYOTA FORTUNER	SUV
VOLKSWAGEN TIGUAN	SUV
MERCEDES-BENZ C180	Kompakt
RENAULT CLIO	Limousine
TOYOTA YARIS	Kompakt
NISSAN QASHQAI	SUV
KIA PICANTO	SUV

In der folgenden Erörterung werden nur Fahrzeugmarke und -modell betrachtet. Interne Varianten eines Fahrzeugmodells (wie z. B. Baujahr, Motorleistung oder Anzahl der Türen des Fahrzeugs) werden ignoriert.
Diese Liste kann potenziell erweitert werden, sowohl hinsichtlich der Fahrzeugmarke/des Fahrzeugmodells als auch deren entsprechender Label-Klassen, mit minimaler Änderung des Algorithmus. Hier erörtern wir eine auf ähnlichen Fahrzeugeigenschaftenn des entsprechenden Typs basierende Unterteilung. Diese Klassifizierung ist jedoch nicht perfekt, da einige der aufgeführten Fahrzeugmodelle die Merkmale zweier verschiedener Fahrzeugtypen gemeinsam haben.
Klassifizierung
Klassifizierung ist ein klassisches Problem maschinellen Lernens mit vielen verfügbaren Ansätzen. Die Technologie verwendet einen Random Forest-Klassifikator, da er heterogene Datentypen verarbeiten kann (Leo Breiman. Random Forest. Machine Learning, 45 (1): 5-32, 2001). Mithilfe des Klassifikators erhält die Technologie für jede Fahrt eine Wahrscheinlichkeitsverteilung über Fahrzeugtypen.
Da der Klassifikator auf den generischen Fall trainiert ist, ignoriert er bestimmte benutzerbasierte Informationen, die während des Klassifizierungsschritts eingeführt werden könnten. Zum Beispiel kann Kenntnis der Obergrenze der Anzahl von Fahrzeugen, über die ein Benutzer verfügt, dazu beitragen, den Hypothesenraum einzuschränken. Angenommen, wir haben einen Klassifikator, der als eine Funktion h:X×Y→[0,1] modelliert ist, wobei X der Raum aller Fahrtmerkmale und Y der Raum aller möglichen Labels ist. Für jedes x∈X hat der Klassifikator eine Wahrscheinlichkeitsverteilung über Y, das heißt $\sum_{y \in Y} h (x, y) = 1$
und bezeichnet p(x):=argmax_y∈yh(x,y). Für einen Fahrer mit Fahrten x₁,..,x_n, unter der Annahme, dass Fahrten unabhängig durchgeführt werden, beträgt ihre gemeinsame Wahrscheinlichkeit $\prod_{i = 1}^{n} h (x_{i}, p (x_{i}))$
Die Schlüsselbeobachtung ist, dass die Menge M= {p(x₁),..,p(x_n)} den Fahrzeugen entspricht, die der Fahrer benutzt, daher könnte ihre Kardinalität nicht übermäßig groß sein. Eine vernünftige Annahme ist, sich auf |M|≤k für ein kleines k zu beschränken, den Prozess umzukehren, indem nach allen k-Teilmengen M von Y gesucht wird, und die gemeinsame Wahrscheinlichkeit zu berechnen $P (x_{1},... x_{n}, M) = \prod_{i = 1}^{n} {max}_{y_{i} \in M} h (x_{i}, y_{i})$
M₀ wählen, sodass P(x₁,...,x_n,M₀) maximiert wird, und die Wahrscheinlichkeit der Fahrzeugtypen der interessierenden Fahrt normalisieren.
Heuristische Korrektur
Obwohl bei der Erörterung die Vorhersage nur mit Hilfe von Telemetrieinformationen erfolgte, werden bei diesem Ansatz Metadaten der Fahrt, wie z. B. Tageszeit, Ort, Dauer und Entfernung, ignoriert. Da das Fahrerverhalten vorhersehbaren Mustern folgt, kann die Technologie spezifische Heuristiken verwenden, die mit hoher Sicherheit bestimmte Fahrten mit dem gleichen Fahrzeug in einer Gruppe zusammenfassen. Der Schlüssel besteht darin, den Fahrverlauf als eine Abfolge von Fahrten zu betrachten und Korrelationen zwischen aufeinanderfolgenden Fahrten zu finden.
Die Technologie wendet hier zwei bedeutende Heuristiken an:

1. Konsekutiver Abgleich: Wenn zwei Fahrten zeitlich nahe beieinander liegen und der Startort der zweiten Fahrt nahe am Endort der ersten Fahrt liegt, hat der Fahrer wahrscheinlich dasselbe Fahrzeug für die spätere Fahrt verwendet, sodass die zwei Fahrten vom gleichen Fahrzeug stammen.
2. Trajektorienabgleich: Unter der Annahme, dass der Fahrer wahrscheinlich einige Trajektorien im Laufe der Zeit wiederholt, kann die Technologie Fahrten mit ähnlichen Trajektorien (in beide Richtungen) dem gleichen Fahrzeug zuordnen. Dies kann einfach und mit guter Genauigkeit implementiert werden, indem mehrere Hauptstandorte, wie z. B. Start- und Endstandort, überprüft werden. Um zu vermeiden, dass viele Fahrten durchsucht werden müssen, kann die Technologie nur Fahrten innerhalb eines Zeitfensters von 3 Tagen berücksichtigen.

Obwohl die durch die beiden Heuristiken eingeführte Äquivalenzbeziehung nicht notwendigerweise transitiv ist, könnten wir dennoch alle derartig verknüpften Fahrten dem gleichen Fahrzeug zuordnen. Um das Cluster-Label für diese Fahrten zuzuweisen, berechnen wir die gemeinsame Wahrscheinlichkeit $P (x_{1} = c,... x_{n} = c) = \prod_{i = 1}^{n} h (x_{i}, c)$
und wählen Label c, um die gemeinsame Wahrscheinlichkeit zu maximieren.
Andere Ansätze
Für Vergleiche kann die Technologie alternative Algorithmen implementieren. Diese Ansätze tragen auch dazu bei, die Art des Datensatzes und die Eigenschaften von Unterscheidungsmerkmalen aufzudecken.

1. Rohwert: für jede Fahrt Erstellen eines Merkmalsvektors, der aus den Messungen des Sensors ohne jegliches Feature-Engineering besteht. Wählen eines Intervalls von 2 Minuten und Verwenden dreier Beschleunigungssensoren, sodass ein Merkmalsvektor von 2×60×15×3=5400 Elementen entsteht. Trainieren eines Random Forest-Klassifikators basierend auf diesen Merkmalen.
2. Feature Engineering-basierte Algorithmen, bei denen jedoch einige Komponenten entfernt wurden. Die Technologie kann zwei Fälle implementieren, einen mit nur statistischen Merkmalen und einen weiteren, der statistische Merkmale und ereignisbasierte Merkmale (jedoch ohne Spektrogramm-Merkmale) kombiniert.
3. 1-dimensionales konvolutionäres neuronales Netzwerk (1D-CNN). Mit diesem Ansatz ist es gelungen, Fahrten nach Fahrstil zu klassifizieren (Weishan Dong, Jian Li, Renjie Yao, Changsheng Li, Ting Yuan und Lanjun Wang. Characterizing driving styles with deep learning. arXiv preprint arXiv: 1607.03611, 2016). Bei Deep-Learning-basierten Algorithmen kann anstelle eines umfangreichen handgefertigten Feature-Engineerings ein neuronales Netzwerk implementiert werden, das solche Merkmale während des Trainings implizit lernt und automatisch die richtigen Merkmale in Abhängigkeit von bestimmten Anwendungen auswählt.

Bei einigen Implementierungen kann die Technologie ein 2-Minuten-Segment der Fahrt verwenden, das weiter in Rahmen von 2 Sekunden Länge unterteilt ist, wobei sich aufeinanderfolgende Rahmen um 1 Sekunde überlappen. Bei jedem Rahmen berechnet die Technologie statistische Merkmale der Messungen und ordnet die Merkmale an, um eine statistische Merkmalsmatrix zu bilden. Wie durch das in 6 gezeigte Diagramm des 1-dimensionalen konvolutionären neuronalen Netzwerks dargestellt, wendet die Technologie Konvolution und maximales Pooling über Rahmen nur im Zeitbereich an. Die Ergebnisse nach Konvolution und Pooling werden zu vollständig verbundenen Schichten und anschließend zur Ausgabeschicht verbunden.
Einfluss des Fahrers auf die Fahrzeugidentifizierung
Wie oben erläutert, extrahiert die Technologie implizit Merkmale, die Fahrereingabe enthalten, obwohl sie technische Verfahren zur Verringerung deren Einflusses anwendet. Da Fahrereingabe ein wesentlicher Teil eines Telematiksignals ist, stellt sich natürlich die Frage: Wie groß ist ihr Einfluss auf die Fahrzeugidentifikation? Es gibt zwei Fälle, Fahrten mit nur einem Fahrer und Fahrten, die von mehreren Fahrern stammen.
Wenn die Technologie auf den Fall des gleichen Fahrers beschränkt ist, würde ein Überwachungsverfahren immer noch gute Klassifizierungsergebnisse liefern. Der Grund dafür ist, dass der Fahrstil für einen Fahrer konsistent ist und durch Konditionieren auf den Fahrer das verbleibende Signal den Unterschied zwischen Fahrzeugmodellen manifestiert.
Enthält der Datensatz hingegen Fahrten von mehreren Benutzern, wird die Klassifizierung viel schwieriger. Unterschiedliche Fahrer besitzen verschiedene Varianten desselben Fahrzeugmodells, und selbst bei ein und demselben Fahrzeugmodell weist ihre Nutzung eine große Variation auf. Zusätzlich zum Erstellen des Klassifikators ist Wählen der richtigen Granularität auch entscheidend für die Anwendung auf die Benutzer-Fahrzeug-Identifikation.
Ergebnisse
Wie oben erörtert, muss ein Klassifizierungs- oder Clustering-Algorithmus unter verschiedenen Bedingungen robust sein. Der Fahrstil kann ein wesentlicher Faktor sein, der die Klassifizierungsgenauigkeit beeinflusst. Daher entwerfen wir eine Reihe von Tests, die die folgenden Szenarien abdecken:

1. Test für gleichen Fahrer, wobei derselbe Fahrer mehrere Fahrzeugmodelle fährt. Vom Klassifikator wird erwartet, dass er Fahrten basierend auf Fahrzeugmodellen klassifiziert.
2. Fahrstiltest, bei dem der Fahrverlauf von mehreren Fahrern stammt, die vom Fahrer gekennzeichnet wurden. Vom Klassifikator wird erwartet, dass er Fahrten nach deren entsprechenden Fahrern klassifiziert.
3. Fahrzeugmodelltest, bei dem der Fahrverlauf von mehreren vorbestimmten Fahrzeugmodellen stammt, wobei jedes von vielen Benutzern gefahren wird. Vom Klassifikator wird erwartet, dass er Fahrten nach deren entsprechenden Fahrzeugmodellen klassifiziert.
4. Fahrzeugtypentest, bei dem der Fahrverlauf von vielen Fahrzeugmodellen stammt, wobei jedes durch seinen Fahrzeugtyp gekennzeichnet ist. Vom Klassifikator wird erwartet, dass er Fahrten nach deren entsprechendem Fahrzeugtyp klassifiziert.

Die Tests kann auch unter Verwendung des beschriebenen Klassifikators in Kombination mit zusätzlicher Heuristik zur Benutzer-Fahrzeug-Identifikation durchgeführt werden.
Bei Experimenten beschränken wir typischerweise die Größe des Datensatzes wegen rechnerischer Einschränkungen. Bei jedem Test sammeln wir dem beschriebenen Testschema entsprechende Daten, teilen sie in Trainings- und Testdaten auf und berichten über die Genauigkeit bei 10-facher Kreuzvalidierung (Cross Validation, CV). Die Genauigkeit gibt hier den Prozentsatz der Fahrten an, die mit ihrem korrekten Label klassifizierten sind. Wir stellen fest, dass die Genauigkeit mit ausreichenden Daten eine Ebene erreicht. Alle Analysen werden unter Verwendung der Amazon AWS c4.8xlarge-Instanz durchgeführt.
Klassifizierung
Test für gleichen Fahrer

Wir führen mehrere Tests durch. Für jeden Test wählen wir einen Fahrer aus, der regelmäßig wenigstens zwei Fahrzeugmodelle fährt (und wobei Fahrzeugmodell wenigstens 10 Prozent der Gesamtzahl der Fahrten repräsentiert). Wir wählen die zwei beliebtesten Modelle pro Benutzer aus und gleichen ihre Fahrzeugrepräsentativität in den Daten aus. Der Klassifikator wird unter Verwendung von Random Forest mit allen zuvor beschriebenen Merkmalen trainiert. Die folgende Genauigkeit wird pro Paar von Fahrzeugen, die vom gleichen Benutzer gefahrenen werden, angegeben. Tabelle 4: Klassifizierungsergebnisse des Tests für gleichen Fahrer

Fahrzeugmodell 1	Fahrzeugmodell 2	Genauigkeit (10-fache CV)
HONDA CIVIC	MITSUBISHI PAJERO	79,8
TOYOYA CAMRY	HONDA JAZZ	84,2
BMW 4351	BMW 5501	87,0
VOLKSWAGEN AMAROK	MERCEDES-BENZ C200	79,3
HYUNDAI SANTE	FIAT BRAVO	84,8
FORD FIGO	KIA RIO	67,2
KIA SEDONA	PEUGEOT 107	87,8
BMW 320D	TOYOTA RUNX	87,2

Wie hier gezeigt, ist der Klassifikator, bedingt auf den gleichen Fahrer, in der Lage, Fahrzeugmodelle mit hoher Genauigkeit zu unterscheiden. Obwohl alle Tests auf nur zwei Fahrzeugmodellen ausgelegt sind, ist es unbedeutend, sie auf mehrere Fahrzeugmodelle auszudehnen, wobei ein geringfügiger Genauigkeitsabfall in Kauf genommen wird. Daher kann das Problem effizient gelöst werden, wenn für jeden Fahrer ausreichend gekennzeichnete Daten zum Fahrverlauf pro Fahrzeugmodell vorliegen (ungefähr 20 Fahrten pro Fahrzeug). Die Technologie kann einen Klassifikator pro Benutzer erstellen und diesen auf die Benutzer-Fahrzeug-Identifikation anwenden.
Was eine schwierige Frage bleibt, ist Identifizieren von Fahrzeugmodellen bei Benutzern ohne gekennzeichnete Daten.
Fahrstiltest
Wir erfassen den Fahrverlauf mehrerer Fahrer und kennzeichnen die Fahrt des Fahrers unabhängig vom verwendeten Fahrzeugmodell. Wir wählen 100 Fahrten pro Fahrer aus, lassen einen Random Forest-Klassifikator laufen und geben die durch 10-fache CV gemessene Genauigkeit an. Tabelle 5: Klassifizierungsergebnisse des Fahrstiltests

Anzahl Fahrer Genauigkeit (10-fache CV)

2 95,3

5 77,1

10 57,5
Wie hier gezeigt, gibt das Verfahren gute Genauigkeit beim Klassifizieren des Fahrstils an.
Fahrzeugmodelltest

Wir führen das Experiment mit mehreren Fahrzeugpaaren durch. Bei jedem Test sammeln wir 2000 Fahrten pro Fahrzeugmodell, wobei nicht mehr als 30 Fahrten vom gleichen Fahrer stammen dürfen. Wir trainieren den Klassifikator unter Verwendung des Random Forest-Klassifikators. Tabelle 6: Klassifizierungsergebnisse des Fahrzeugmodelltests (viele Fahrer)

Fahrzeugmodell 1	Fahrzeugmodell 2	Genauigkeit (10-fache CV)
BMW 320D	NISSDAN TIIDA	77,5
FORD FIESTA	MAZDA CX-3	52,1
KIA RIO	ISUZU KB250	71,2
HYUNDAI SANTE	KIA SOUL	67,3
AUDI A3	BMW Z4	75,6
HONDA JAZZ	MERCEDES-BENZ SLK	70,4
HYUNDAI I20	LAND ROVER RANGE	77,0
AUDI A4	HONDA CIVIC	59,8

Der Genauigkeitsabfall im Vergleich zum Test für gleichen Fahrertest legt nahe, dass der vorgeschlagene Feature-Engineering-Ansatz die Fahrereigenschaften berücksichtigt, was zu einer größeren Varianz zwischen den Fahrern in derselben Klasse führt. Das Ergebnis zeigt auch, dass die Klassifizierungsgenauigkeit bei Paaren von Fahrzeugen unterschiedlicher Typen höher ist, was nahelegt, dass ein Klassifikator nach Fahrzeugtyp, obwohl Störungen unterworfen, immer noch als guter Indikator für das Benutzer-Fahrzeugidentifikationsproblem dienen könnte.
Fahrzeugtypentest
In diesem Experiment nehmen wir eine Stichprobe von 20000 Fahrten von jedem Fahrzeugtyp unter ausschließlicher Verwendung der in Tabelle 3 aufgeführten Fahrzeugmodelle, so bedingt, dass kein Fahrer mehr als 30 Fahrten im Datensatz hat. Dann erstellen wir einen Klassifikator nach Fahrzeugtyp. Hier unterscheiden wir drei Fahrzeugstypen: SUV, Kompaktwagen und Limousine. Das Ergebnis wird als Prozentsatz der Fahrten aufgeführt, bei denen der Fahrzeugtyp richtig klassifiziert wurde. Tabelle 7: Klassifizierungsergebnisse des Fahrzeugtypentests

Algorithmus Genauigkeit (10-fache CV)

Rohwert 33,5

1D-CNN 35,0

Grundlegend + Ereignisse 40,5

Grundlegend + Ereignisse + Spektrogramm 45,0
In Tabelle 7 verwenden wir die folgende Kurzschreibweise:

Grundlegend: Zeigt alle über statistische Extraktionsverfahren gesammelten Merkmale und zeitabhängige Merkmale an, hauptsächlich fahrzeugdynamische Merkmale, aber keine spektralen Merkmale.
Ereignisse: Zeigt ereignisbasierte Merkmale, wie z. B. starkes Bremsen und Beschleunigen, an.
Spektrogramm: Zeigt aus Spektrogrammberechnung erhaltene Merkmale an.

Wie hier gezeigt, bietet direktes Verwenden von Rohwerten keine bessere Vorhersagefähigkeit als zufälliges Erraten. Während CNN und grundlegende Merkmale dazu beitragen, eine gewisse Unterscheidungsgenauigkeit zu erzielen, ergibt sich der wesentliche Beitrag aus der Verwendung des Kurzzeitverhaltens eines Fahrzeugs, das sich durch spektrale Merkmale manifestiert.
Clustering
Wir haben den Klassifikator auf das Clustering-Problem angewendet. Um die Ergebnisse zu bewerten, müssen wir zwischen Benutzern mit einem Fahrzeug und Benutzern mit zwei oder mehr Fahrzeugen unterscheiden, da die Bewertungsmetrik unterschiedlich ist.
Für Benutzer mit nur einem Fahrzeug ist die Metrik das Verhältnis zwischen der Größe des größten Clusters und der Gesamtzahl von Fahrten. In diesem Fall beträgt das durchschnittliche Verhältnis ohne Heuristik 0,75 und mit Heuristik beträgt es 0,9. Dies bedeutet, dass der Klassifikatoransatz das Vorhandensein von nur einem Cluster erkennt.
Bei Benutzern mit zwei oder mehr Fahrzeugen müssen wir die erhaltenen Cluster mit Ground Truth-Daten vergleichen, vorbehaltlich Permutationen von Labels. Durch Konstruieren der Wahrheitsmatrix und der Summe über der Permutation mit der größten Größe, geteilt durch die Gesamtzahl der Fahrten, stellen wir fest, dass das durchschnittliche Verhältnis ohne Heuristik 0,55 und mit Heuristik 0,60 beträgt. In diesem Fall erkennt der Klassifikator unterschiedliche Fahrzeuge zu einem gewissen Grad.
Das Ergebnis zeigt, dass der Klassifikator dazu neigt, Fahrten desselben Fahrzeugs verschiedenen Clustern zuzuordnen, weshalb Heuristik zu einem gewissen Grad korrigieren kann. Ein robusterer Klassifikator würde wahrscheinlich die Identifikationsgenauigkeit verbessern. Dementsprechend gibt es einen begrenzenden Faktor für die mit mehreren Fahrzeugen erzielte Genauigkeit, und ein Überwachungsansatz kann zu einem besseren Ergebnis führen.
Die von uns beschriebene Technologie erfordert nur Daten, die von Smartphone-Sensoren mit einfacher Einrichtung gesammelt werden, wodurch Skalierbarkeit und Allgegenwart in verschiedenen Umgebungen ermöglicht wird. Der Erfolg des Algorithmus kombiniert sowohl die Untersuchung der Fahrzeugdynamik als auch das Verständnis des Fahrernutzungsmusters. Letzteres soll die Schwierigkeiten beim Implementieren eines „reinen“ Algorithmus für maschinelles Lernen ausgleichen. Eine einfache Erweiterung des Algorithmus ermöglicht die Klassifizierung von Transportmodi, wie z. B. Zug, Fahrrad oder Gehen.
Abweichungen in Ergebnissen hängen manchmal mit unterschiedlichen Telefonpositionen (zum Beispiel Hand oder Tasche) und unterschiedlichen Smartphone-Modellen (zum Beispiel Android oder iPhone) zusammen. Während die grundlegenden Messungen gleich sind, wenden verschiedene Smartphone-Modelle auch unterschiedliche Algorithmen zur Bewegungserkennung oder Störungsfilterung an. Erkennen des Unterschieds der Qualität der von verschiedenen Smartphone-Modellen gesammelten Daten kann zu einer Verbesserung der Klassifizierungsergebnisse führen.
In der Praxis kann eine vom Benutzer eingegebene Reise zwischen verschiedenen Transportmitteln (wie z. B. von Auto zu Bus oder Zug) wechseln. Selbst wenn bei einer Fahrt nur ein einziges Fahrzeug benutzt wird, stammen nicht alle gesammelten Daten ausschließlich vom Fahren; so kann ein Benutzer zum Beispiel das Fahrzeug an einer Tankstelle anhalten, tanken und die Fahrt dann fortsetzen. Eine Reisesegmentierung, bei der verschiedene in einer bestimmten Reise verschachtelte Transportmodi voneinander getrennt werden, würde die Analysegenauigkeit verbessern und mehr Erkenntnisse über Benutzerfahrverhalten liefern.
Die Technologie, die wir bei Zeitreihenanalyse beschrieben haben, extrahiert häufig die Merkmale nacheinander aus einer einzelnen Zeitreihe. Ein vektorisierter Ansatz, der Merkmale mehrerer Zeitreihen extrahiert, könnte weitere Erkenntnisse über und Beziehungen zwischen verschiedenen Messungen des Fahrzeugs liefern. Ebenso hängen die während des Extraktionsschrittes erhaltenen Merkmale nur lose von der Fahrzeugdynamik ab. Ein systematischerer Ansatz könnte darin bestehen, ein fahrzeugdynamisches Modell zu erstellen und zugrundeliegende Parameter abzuleiten.
Zusätzlich zur Klassifizierung von Fahrzeugtypen kann eine ähnliche Technologie zum Schätzen von Fahrzeugparametern, wie z. B. Leergewicht, Abmessungen und Aerodynamikkoeffizienten, angewendet werden. Dies würde von der Konsistenz der Ground Truth-Daten von verschiedenen Parametern und der Verfügbarkeit der Parameter für viele Fahrzeugmodelle abhängen.
Obwohl bestimmte Aspekte von Benutzerverhalten als Klassifizierungshilfe betrachtet werden, sind diese Eigenschaften häufig fallspezifisch und heuristisch. Ein systematischer Ansatz zur Untersuchung von Benutzerverhalten wäre nützlich, um robustere Fahrzeugidentifikationsmodelle zu implementieren und die Art und Weise aufzudecken, wie Fahrer ihre Fahrzeuge benutzen.
Hardware und Software
In der obigen Erörterung haben wir manchmal auf die Strukturen und Funktionen von Computergeräten, Mobilgeräten und anderen Geräten Bezug genommen. Eine Vielzahl von Implementierungen solcher Geräte ist möglich. Bei einigen Implementierungen kann ein Computergerät als verschiedene Formen von digitalen Computern, digitalen Geräten oder digitalen Maschinen implementiert werden, unter anderem z. B. Laptops, Tablets, Notebooks, Desktops, Workstations, Personal Digital Assistants, Server, Blade-Server und Mainframes. Mobilgeräte können als Personal Digital Assistants, Tablets, Mobiltelefone, Smartphones und andere ähnliche Geräte implementiert werden.
Ein Computergerät kann einen Prozessor, einen Speicher, ein Speichergerät, eine Hochgeschwindigkeitsschnittstelle, die mit einem Speicher und Hochgeschwindigkeitserweiterungsports verbunden ist, und eine Niedriggeschwindigkeitsschnittstelle, die mit einem Niedriggeschwindigkeitsbus und einem Speichergerät verbunden ist, enthalten. Diese Komponenten können über verschiedene Busse miteinander verbunden und auf einer gemeinsamen Hauptplatine oder auf andere Weise montiert werden. Der Prozessor kann Anweisungen zur Ausführung innerhalb des Computergeräts verarbeiten, einschließlich Anweisungen, die im Speicher oder auf dem Speichergerät gespeichert sind, um grafische Daten für eine GUI auf einem externen Eingabe-/Ausgabegerät anzuzeigen, einschließlich z. B. eines mit einer Hochgeschwindigkeitsschnittstelle gekoppelten Displays. Bei einigen Implementierungen können mehrere Prozessoren und/oder mehrere Busse mit mehreren Speichern und Speichertypen verwendet werden. Außerdem können mehrere Computergeräte miteinander verbunden werden, wobei jedes Gerät Teile der erforderlichen Operationen bereitstellt (z. B. als Serverbank, eine Gruppe von Blade-Servern oder ein Multiprozessorsystem).
Der Speicher speichert Daten innerhalb des Computergeräts. Bei einigen Implementierungen enthält der Speicher eine oder mehrere flüchtige Speichereinheiten. Bei einigen Implementierungen enthält der Speicher eine oder mehrere nichtflüchtige Speichereinheiten. Der Speicher kann auch eine andere Form eines computerlesbaren Mediums sein, einschließlich z. B. einer magnetischen oder optischen Platte.
Das Speichergerät ist in der Lage, Massenspeicher für ein Computergerät bereitzustellen. Bei einigen Implementierungen kann das Speichergerät ein computerlesbares Medium sein oder ein solches enthalten, einschließlich z. B. eines Festplattengerät, eines optischen Plattengeräts, eines Bandgeräts, eines Flash-Speichers oder eines anderen ähnlichen Festkörperspeichergeräts, oder eine Anordnung von Geräten, einschließlich Geräten in einem Speicherbereichsnetzwerk oder anderen Konfigurationen. Ein Computerprogrammprodukt kann auf einem Datenträger materiell verkörpert sein. Das Computerprogrammprodukt kann auch Anweisungen enthalten, die bei Ausführung ein oder mehrere Verfahren durchführen, einschließlich z. B. die oben beschriebenen. Der Datenträger ist ein computer- oder maschinenlesbares Medium, einschließlich z. B. des Speichers, des Speichergeräts oder des Speichers auf dem Prozessor.
Jedes Gerät kann drahtlos über eine Kommunikationsschnittstelle kommunizieren, die bei Bedarf eine digitale Signalverarbeitungsschaltung enthalten kann. Die Kommunikationsschnittstelle kann Kommunikation unter verschiedenen Modi oder Protokollen ermöglichen, unter anderem z. B. GSM-Sprachanrufe, SMS-, EMS- oder MMS-Nachrichten, CDMA, TDMA, PDC, WCDMA, CDMA2000 und GPRS. Eine derartige Kommunikation kann z. B. über den Hochfrequenz-Transceiver erfolgen. Zusätzlich kann Nahbereichskommunikation durchgeführt werden, einschließlich z. B. unter Verwendung von Bluetooth®, Wi-Fi oder eines anderen derartigen Transceivers (nicht gezeigt). Darüber hinaus kann das GPS-Empfangsmodul (Global Positioning System) dem Gerät zusätzliche navigations- und ortsbezogene drahtlose Daten bereitstellen, die von auf dem Gerät laufenden Anwendungen entsprechend genutzt werden können.
Das Computergerät kann in verschiedenen Formen implementiert werden. Es kann zum Beispiel als Mobiltelefon implementiert werden. Es kann auch als Teil eines Smartphones, eines Personal Digital Assistant, eines Pads oder eines anderen ähnlichen Mobilgeräts implementiert werden.
Um Interaktion mit einem Benutzer zu ermöglichen, können die hier beschriebenen Systeme und Techniken auf einem Computer implementiert werden, der über ein Anzeigegerät zur Darstellung von Daten (einschließlich Informationen erweiterter Realität (Augmented Reality, AR) für den Benutzer sowie über eine Tastatur und ein Zeigegerät (z. B. Maus oder Trackball) verfügt, mit dem der Benutzer dem Computer Eingaben bereitstellen kann. Es können auch andere Arten von Geräten verwendet werden, um Interaktion mit einem Benutzer zu ermöglichen. Zum Beispiel kann dem Benutzer bereitgestelltes Feedback eine Form von sensorischem Feedback sein (z. B. visuelles Feedback, akustisches Feedback oder taktiles Feedback). Eingaben vom Benutzer können in verschiedener Form empfangen werden, einschließlich akustischer, sprachlicher oder taktiler Eingaben.
Andere Implementierungen fallen ebenfalls in den Geltungsbereich der nachstehenden Ansprüche.
ANHANG A
Formale Ableitungen
In diesem Abschnitt werden mechanische und mathematische Kenntnisse für die in der Beschreibung verwendeten Modelle vorgestellt.
A Fahrzeugdynamik
Mehrere Formeln sind von Rajesh Rajamani. Vehicle dynamics and control. Springer Science & Business Media, 2011 abgeleitet, worin die Fahrzeugdynamik sehr detailliert erklärt wird.
A.1 Fahrzeuglängsdynamik
Wie in 7 gezeigt, quantifiziert die Längsdynamik die Eigenschaften der Fahrzeugmotorleistung und der Längsbeschleunigung. In diesem Modell gehen wir vom Viertelautomodell aus. Unter der Annahme, dass die Straßensteigung Null ist, können die auf ein Fahrzeug wirkenden Längskräfte durch die folgende Gleichung beschrieben werden $F = m a_{x} = F_{T} - F_{a e r o} - F_{R}$

Wobei

F_T die Reifenkraft ist.
F_aero der Luftwiderstand ist.
F_R die Rollreibung ist.
m die Fahrzeugmasse ist.
a_x die Fahrzeuglängsbeschleunigung ist.

Die Rollreibung tritt aufgrund der Reibung zwischen dem Reifen und der Straße auf. Sie ist proportional zur auf das Fahrzeug wirkenden Normalkraft und kann daher beschrieben werden als $F_{R} = - c_{R} m g$
wobei c_R der Rollwiderstandskoeffizient ist.
Der Luftwiderstand ist proportional zum Quadrat der Geschwindigkeit
Hier ist
die Luftdichte, v_wind ist die Windgeschwindigkeit (ein positiver Wert zeigt die Windrichtung gegen die Fahrzeugbewegung an), C_D ist der Luftwiderstandskoeffizient des Fahrzeugs, und A ist der Frontbereich des Fahrzeugs. Die Quantität C_DA kann empirisch durch einen Ausrollversuch bestimmt werden (Robert A White und Helmut Hans Korst. The determination ofvehicle drag contributions from coast-down tests. Technical report, SAE Technical Paper, 1972). Typische Experimente gehen davon aus, dass
ein konstanter Wert bei 101,325kPa ist, gemessen auf Meereshöhe und einer Temperatur von 15 Grad Celsius (Robert C Weast et al. Handbook of physics and chemistry. CRC Press, Boca Raton, 1983-1984, 1986).
In beiden Gleichungen gibt das Minuszeichen die Kraftwirkung gegen die Fahrzeugbewegung an.
Experimente zeigen, dass die Reifenkraft durch die Schlupfkraft erzeugt wird, die sich als Differenz zwischen der Reifendrehgeschwindigkeit und der Längsgeschwindigkeit der Fahrzeugachse ergibt. Die Differenz ist rω-ν, wobei r der Reifenradius und ω die Reifenwinkelgeschwindigkeit ist. Das Längsschlupfverhältnis ist dann definiert als $σ= \frac{r ω−ν}{ν} i f t h e v e h i c l e i s b r a k i n g$
$σ= \frac{r ω−ν}{r ω} i f t h e v e h i c l e i s a c c e l e r a t i n g$

Die Reifenkraft wird dann berechnet gemäß

F_{T} = C_{σ} σ

wobei C_σ die Reifenlängssteifigkeit ist. Tabelle 8: Liste von Fahrzeugen und deren aerodynamische Informationen

Fahrzeugmodell	Luftwiderstandskoeffizient	Frontbereich (m²)	CdA (m²)
VOLKSWAGEN POLO	0,32	2,04	0,65
FORD FIESTA	0,32	2,15	0,69
HYUNDAI 120	0,30	2,55	0,76
FORD RANGER	0,49	2,40	0,96
AUDI A4	0,27	2,20	0,59
BMW 3201	0,28	2,20	0,62
FORD ECOSPORT	0,37	2,90	1,07
TOYOTA COROLLA	0,29	2,09	0,60
AUDI A3	0,31	2,08	0,64
LAND ROVER DISCOVERY	0,36	3,84	1,38
BMW 320D	0,31	2,06	0,64
OPEL CORSA	0,32	1,96	0,62
FORD FOCUS	0,32	2,11	0,67
TOYOTA FORTUNER	0,38	3,40	1,29
VOLKSWAGEN TIGUAN	0,37	2,54	0,94
MERCEDES-BENZ C180	0,30	2,05	0,61
RENAULT CLIO	0,33	1,86	0,61
TOYOTA YARIS	0,29	2,14	0,62
NISSAN QASHQAI	0,33	2,88	0,95
KIA PICANTO	0,34	1,98	0,67

A.2 Designs passiver Federung
Wenn ein Fahrzeug auf der Straße fährt, ist es wegen Impulsen von der Straße Störungen ausgesetzt. Das Ziel der Federung ist es, solche Störungen zu absorbieren, wodurch die Fahrt komfortabler und Kontrolle über das Fahrzeug sichergestellt wird. Die Fahrqualität kann durch Messungen der Vertikalbeschleunigung quantifiziert werden.
Eine passive Federung kann als Federmassensystem modelliert werden. Während eine passive Federung Straßenstörungen lediglich absorbiert, könnte eine aktive Federung den Aktuator dazu veranlassen, externe Kräfte durch elektronische Steuerung zu dämpfen. In diesem Abschnitt betrachten wir nur die passive Federung. Unter Annahme eines in 8 gezeigten Viertelautomodells stellen dessen Parameter Folgendes dar:

m_s entspricht der Fahrzeugmasse.
m_u ist die Achsmasse.
k_s ist der Federungskoeffizient.
k_u ist die Reifensteifheit.
b_s ist der Dämpfungsfaktor.

Eine Alternative zum Viertelautomodell ist das Halbautomodell in 9, das sowohl die Vorder- als auch die Hinterradfederung enthält. Wie im Haupttext erläutert, kann die Latenz zwischen der Beschleunigung der Vorder- und Hinterradfederung zum Schätzen des Fahrzeugradstands verwendet werden.
Die Parameter beim Halbautomodell stellen Folgendes dar:

k_t1,k_t2 sind die Vorder- und Hinterradreifensteifheit.
m_u1,m_u2 sind die Vorder- und Hinterachsmasse.
k₁,k₂ sind Koeffizienten der Vorder- und Hinterfederung.
m ist die Fahrzeugmasse.
ℓ_f, ℓ_r sind der Abstand der Vorder- und Hinterfederung zum Massenzentrum. Daher entspricht ℓ_f+ℓ_r dem Fahrzeugradstand.

A.3 Wankdynamik
Wanken ist eine der Hauptursachen für tödliche Unfälle. Wanken tritt auf, wenn ein Fahrzeug das Gleichgewicht entlang der Achse entlang der Fahrzeugkarosserie nicht mehr halten kann. Kontrolle des Wankens des Fahrzeugs ist entscheidend für Traktion und Fahrzeugstabilität.
Wie in 10 gezeigt, wankt ein Fahrzeug mit größerer Spurbreite und geringerer Höhe intuitiv weniger wahrscheinlich. Formal wird Wankstabilität durch den statischen Stabilitätsfaktor (SSF) quantifiziert, der definiert ist als $S S F = \frac{l_{w}}{2 h}$
wobei

ℓ_w die Fahrzeugspurbreite ist.
h die Höhe des Fahrzeugschwerpunkts ist.
SSF definiert folglich die Abhebebeschleunigung oder die Schwelle der Seitenbeschleunigung, bei der ein Überschlag auftritt.

a_{y - l i f t - o f f} = S S F \cdot g = \frac{l_{w}}{2 h} g

Es wird darauf hingewiesen, dass die obige Quantität rein auf der geometrischen Form des Fahrzeugs basiert und Wankverhinderungsmechanismen, wie z. B. elektronische Stabilitätskontrolle, nicht berücksichtigt. Tabelle 9: SSF und Überschlagsbewertung (statischer Test) (National Research Council (US). Committee for the Study of a Motor Vehicle Rollover Rating System. The National Highway Traffic Safety Administration's Rating System for Rollover Resistance: An Assessment, volume 265. Transportation Research Board, 2002)

Überschlagsgefahr	Unfallwahrscheinlichkeit	SSF
5 Sterne	weniger als 10 Prozent	>1,44
4 Sterne	10 bis 20 Prozent	1,25-1,44
3 Sterne	20 bis 30 Prozent	1,13-1,24
2 Sterne	30 bis 40 Prozent	1,04-1,12
1 Stern	über 40 Prozent	<1,04

Tabelle 10: Durchschnittlicher SSF nach Fahrzeugtyp, Modelljahr 2003 (Marie C Walz. Trends in the static stability factor of passenger cars, light trucks, and vans. Technical report, 2005)

Fahrzeugtyp	SSF
Personenwagen	1,41
SUVs	1,17
Kleinlastwagen	1,18
Minivans	1,24
Lieferwagen	1,12

SSF kann aus der Wankmoment-Balance-Gleichung abgeleitet werden, wie in 11 gezeigt. Hier weist das Fahrzeug die Seitenbeschleunigung a_y auf, und die Last am Innen- und Außenreifen beträgt jeweils F_zl und F_zr. Die Momentengleichung an der Unterseite des Außenreifens lautet $m a_{y} h + F_{z l} l_{w} - m g \frac{l_{w}}{2} = 0$
daher beträgt die Kraft am Innenreifen $F_{z l} = \frac{m g \frac{l_{w}}{2} - m a_{y} h}{l_{w}}$
Wenn F_zl=0 gesetzt wird, ist die einen Überschlag verursachende Schwellenbeschleunigung $a_{y} = \frac{l_{w}}{2 h} g .$
B Kurzzeit-Fourier-Transformation
Eine Zeitreihe T wird in möglichst überlappende kurze Rahmen c₁,..,c_k unterteilt. Bei jedem Rahmen wird Fourier-Transformation angewendet und der Absolutwert der Koeffizienten genommen. Die transformierten Rahmen werden mit d₁,..,d_k bezeichnet, wobei die Koeffizienten für Rahmen i d_i1,..,d_im sind, und m die Anzahl der Koeffizienten ist. Wir wenden die folgenden Merkmalsextraktionen an. Um die Notation zu vereinfachen, betrachten wir für alle folgenden Merkmale (außer dem spektralen Fluss) einen einzelnen Rahmen mit Koeffizienten d₁,..,d_m, und die Werte werden durch statistische Extraktionen über Rahmen aggregiert.
Spektraler Schwerpunkt, der das gewichtete Mittel berechnet $μ = \frac{\sum_{j = 1}^{m} j \cdot d_{j}}{\sum_{j = 1}^{m} d_{j}}$
Spektrale Energie, die die durchschnittliche Quadratsumme der Koeffizienten im Rahmen ist: $R = \frac{1}{m} \sum_{j = 1}^{m} d_{j}^{2}$
Spektrale Streuung, die der Standardabweichung entspricht. $σ^{2} = \sum_{j = 1}^{m} {(j - μ)}^{2} d_{j}$
Spektraler Versatz, der den Versatz des Datensatzes misst. Wir berechnen zuerst das dritte Moment $m_{3} = \sum_{j = 1}^{m} {(j - μ)}^{3} d_{j}$
und teilen es dann durch die dritte Potenz der spektralen Streuung: $γ_{3} = \frac{m_{3}}{σ^{3}} .$
Spektrale Kurtosis: Wir berechnen zuerst das vierte Moment $m_{4} = \sum_{j = 1}^{m} {(j - μ)}^{4} d_{j}$
und teilen es dann durch die vierte Potenz der spektralen Streuung: $γ_{4} = \frac{m_{4}}{γ_{4}}$
Spektraler Fluss, der die Änderung des spektralen Inhalts charakterisiert. Für dieses Merkmal betrachten wir alle Rahmen c₁,c₂,.. der Reihe nach und berechnen $\frac{1}{k - 1} \sum_{i = 2}^{k} {‖ d_{i} - d_{i - 1} ‖}_{2}^{2}$
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Bret Hull, Vladimir Bychkovsky, Yang Zhang, Kevin Chen, Michel Goraczko, Allen Miu, Eugene Shih, Hari Balakrishnan und Samuel Madden. CarTel: A distributed mobile sensor computing system. In Proceedings of the 4th International Conference on Embedded Networked Sensor Systems, Seiten 125 - 138. ACM, 2006 [0001]
Dengsheng Lu und Qihao Weng. A survey of image classification methods and techniques for improving classification performance. International journal of Remote sensing, 28(5):823-870, 2007) [0045]
Spracherkennung (Geoffroy Peeters. A large set of audio features for sound description (similarity and classification) in the cuidado project. 2004 [0045]
Leo Breiman. Random Forest. Machine Learning, 45 (1): 5-32, 2001 [0053]
(Robert C Weast et al. Handbook of physics and chemistry. CRC Press, Boca Raton, 1983-1984, 1986 [0100]

Claims

Verfahren, umfassend Erfassen von Bewegungsdaten von einer Vorrichtung in einem Fahrzeug während einer Fahrt, Anwenden der Bewegungsdaten auf einen trainierten Klassifikator zum Erstellen einer kommerziellen Klassifizierung des Fahrzeugs.
Verfahren nach Anspruch 1, wobei die Bewegungsdaten wenigstens eines von Beschleunigung, Standort und Höhenlage umfassen.
Verfahren nach Anspruch 1, wobei die kommerzielle Klassifizierung den Fahrzeugtyp umfasst.
Verfahren nach Anspruch 1, wobei die kommerzielle Klassifizierung das Fahrzeugmodell umfasst.
Verfahren nach Anspruch 1, wobei die kommerzielle Klassifizierung die Fahrzeugmarke umfasst.
Verfahren nach Anspruch 1, wobei die Vorrichtung einen Sensor umfasst.
Verfahren nach Anspruch 6, wobei der Sensor einen Beschleunigungsmesser umfasst.
Verfahren nach Anspruch 6, wobei der Sensor eine GPS-Komponente umfasst.
Verfahren nach Anspruch 6, wobei der Sensor ein Gyroskop umfasst.
Verfahren nach Anspruch 6, wobei der Sensor ein Barometer umfasst.
Verfahren nach Anspruch 6, wobei der Sensor ein Magnetometer umfasst.
Verfahren nach Anspruch 1, wobei die Vorrichtung ein Tag umfasst.
Verfahren nach Anspruch 1, wobei die Vorrichtung ein Smartphone umfasst.
Verfahren nach Anspruch 1 umfassend Aufbauen des Klassifikators basierend auf dem Fahrzeugtyp unter Verwendung von Bewegungsdaten von Fahrten, wobei jede Fahrt mit der kommerziellen Klassifizierung des auf der Fahrt verwendeten Fahrzeugs gekennzeichnet wird.
Verfahren nach Anspruch 1 umfassend Anwenden von Heuristik auf eine Ausgabe des trainierten Klassifikators, um die Klassifizierung der Fahrt zu korrigieren.
Verfahren nach Anspruch 1 umfassend Extrahieren von Merkmalen aus den Bewegungsdaten zur Verwendung durch den trainierten Klassifikator.
Verfahren nach Anspruch 16, wobei die Merkmale statistische Merkmale umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale zeitabhängige Merkmale umfassen.
Verfahren nach Anspruch 18, wobei die zeitabhängigen Merkmale Autokorrelationskoeffizienten einer Vertikalbeschleunigung umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale ereignisbasierte Merkmale umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale Federungsverhalten umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale Leistungsgewicht umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale Aerodynamik und Längsreibung umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale Seitendynamik umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale starkes Beschleunigen oder starkes Verzögern umfassen.
Verfahren nach Anspruch 16, wobei die Merkmale spektrale Merkmale umfassen.
Verfahren nach Anspruch 26, wobei die spektralen Merkmale mit Motorvibrationen verbunden sind.
Verfahren nach Anspruch 26, wobei die spektralen Merkmale von Gyroskopfluktuationen abgeleitet werden.
Verfahren nach Anspruch 16, wobei die Merkmale Metadatenmerkmale umfassen.
Verfahren nach Anspruch 29, wobei die Metadatenmerkmale wenigstens eines des Folgenden umfassen: Tageszeit, Fahrtdauer oder Straßentyp.
Verfahren nach Anspruch 1, wobei der Klassifikator eine Wahrscheinlichkeitsverteilung über verschiedene kommerzielle Klassifizierungen des Fahrzeugs erstellt.
Verfahren nach Anspruch 15, wobei die Heuristik Berücksichtigung von zwei aufeinanderfolgenden übereinstimmenden Fahrten umfasst.
Verfahren nach Anspruch 15, wobei die Heuristik Berücksichtigung von zwei Fahrten mit übereinstimmenden Trajektorien umfasst.
Verfahren nach Anspruch 16, wobei die Merkmale implizit Fahrereingabe enthalten.
Verfahren nach Anspruch 1, wobei der Klassifikator Fahrernutzungsmuster berücksichtigt.
Verfahren nach Anspruch 1 umfassend Bestimmen einer Fahrbewertung für einen Fahrer des Fahrzeugs basierend auf den Bewegungsdaten und der kommerziellen Klassifizierung des Fahrzeugs.
System, umfassend: einen Prozessor; und Speicher für Anweisungen, die vom Prozessor ausgeführt werden können, um: Bewegungsdaten von einer Vorrichtung in einem Fahrzeug während einer Fahrt zu erfassen, und die Bewegungsdaten auf einen trainierten Klassifikator zum Erstellen einer kommerziellen Klassifizierung des Fahrzeugs anzuwenden.
Nichtflüchtiges Speichermedium, das Anweisungen speichert, die von einem Prozessor ausgeführt werden können, um: Bewegungsdaten von einer Vorrichtung in einem Fahrzeug während einer Fahrt zu erfassen, und die Bewegungsdaten auf einen trainierten Klassifikator zum Erstellen einer kommerziellen Klassifizierung des Fahrzeugs anzuwenden.