大數(shù)據(jù)分析在汽車領(lǐng)域的應(yīng)用

隨著汽車朝著智能化的方向進行發(fā)展，大數(shù)據(jù)分析技術(shù)在汽車領(lǐng)域的應(yīng)用也越來越普遍。本文介紹幾種大數(shù)據(jù)在汽車相關(guān)方面的應(yīng)用。

1 大數(shù)據(jù)用于查詢聯(lián)網(wǎng)汽車總線數(shù)據(jù) [1]

通過無線連接的汽車數(shù)據(jù)傳輸通信技術(shù)，能夠支持車載遠程信息技術(shù)服務(wù)。該項技術(shù)能夠在合理的時間范圍內(nèi)有效處理大量的控制器區(qū)域網(wǎng)絡(luò)（CAN）總線數(shù)據(jù)。這些數(shù)據(jù)對于很多聯(lián)網(wǎng)汽車的應(yīng)用程序來說是必不可少的，因此通過Hadoop框架查詢和提取有用信息將有助于提高安全性和駕駛性能體驗。通過實施分布式計算系統(tǒng)模式分析CAN總線數(shù)據(jù)，產(chǎn)生托管在云里的有效數(shù)據(jù)。此外，利用一個移動應(yīng)用服務(wù)程序?qū)偩€數(shù)據(jù)進行收集和傳輸，并將數(shù)據(jù)傳輸?shù)竭h程數(shù)據(jù)中心。目前遠程數(shù)據(jù)中心包括應(yīng)用服務(wù)器和Hadoop生態(tài)系統(tǒng)蜂窩數(shù)據(jù)倉庫。通過實驗進一步表明，相對于統(tǒng)計分析系統(tǒng)（SAS）框架和HiveQL聲明性語言，MapReduce連接算法是高度可伸縮的，并針對分布式模式進行了優(yōu)化計算。

車輛數(shù)據(jù)的收集與分析可以讓對汽車生態(tài)系統(tǒng)感興趣的汽車制造商、汽車維修商、道路和運輸部們對服務(wù)機構(gòu)進行支持。這些都會提高汽車的安全駕駛性能，但車主訂閱了這項服務(wù)，也許將產(chǎn)生一定的費用。

Figure 4.Processing vehicle’s engine data using Hadoop and MapReduce based on the proposed Monitoring and Analytics framework.

隨著Hadoop平臺項目的開發(fā)，使用Hadoop集成的開源軟件，構(gòu)建大數(shù)據(jù)解決方案是目前來看是可以實現(xiàn)的。在這篇文章中，基于大數(shù)據(jù)技術(shù)，作者創(chuàng)建了一個監(jiān)視和分析框架，通過Hadoop處理汽車相關(guān)數(shù)據(jù)，例如處理發(fā)動機數(shù)據(jù)（見文中Figure 4）,實現(xiàn)處理結(jié)果有效。對汽車制造商、運輸、緊急服務(wù)等第三方服務(wù)，允許通過網(wǎng)絡(luò)訪問有用的信息。使用MapRe?duce編程模型和Apache蜂巢與SAS程序。未來的研究重點將集中在評價遠程車輛的性能，診斷遠程車輛以及特定的聯(lián)網(wǎng)汽車應(yīng)用程序等方面。

2 大數(shù)據(jù)分析與新的智能汽車互聯(lián)構(gòu)架[2]

互聯(lián)智能汽車的連通性可以概括為車輛到車輛（V2V）、車輛到基礎(chǔ)設(shè)施（V2I）和車輛到一切（V2X）三個方面提供。V2X的整體概念是在車輛和所有其他實體之間進行通信，包括行人和移動設(shè)備等，V2X涵蓋了智能汽車連通性的廣泛方面，由于IEEE 802.11p和DSRC的短距離連接的限制性，促使研究人員探索新的通信技術(shù)。據(jù)作者經(jīng)驗，最快的無線網(wǎng)絡(luò)是LTEAdvanced（LTE-A），5G網(wǎng)絡(luò)是一個全球正在進行的研究領(lǐng)域。此外，預(yù)計5G技術(shù)將為車輛智能連接帶來新的功能寬帶，包括超低延遲和無限連接。作者提出了互聯(lián)系統(tǒng)架構(gòu)和設(shè)計方案(文中Figure 4)，這為大數(shù)據(jù)分析提供了基礎(chǔ)。通過eNB實現(xiàn)V2V和V2I,再經(jīng)過LTE EPC與另一eNB連通實現(xiàn)V2X,包括V2P、V2D、V2H。其中演進分組核心（EPC）是一種向4G LTE網(wǎng)絡(luò)提供數(shù)據(jù)和融合語音的框架，eNB是實現(xiàn)與移動設(shè)備通訊的基站，RSU是實現(xiàn)與車連通的路邊裝置。

3 利用大數(shù)據(jù)分析技術(shù)對美國職業(yè)車輛駕駛周期表征、分割和發(fā)展[3]

NREL的研究人員使用一組8個指標來描述每一個驅(qū)動循環(huán)，通過聚類分析，主要成分分析（PCA）和交叉相關(guān)分析，用來確定其中的哪8個指標提供了最多的信息支持細分車輛驅(qū)動模式。集群分析被用來確定車輛行駛的最優(yōu)分組周期指標。最后，重新抽樣方案是研究了樣本偏差對其可能產(chǎn)生的影響，車隊DNA數(shù)據(jù)建立在結(jié)果分割的基礎(chǔ)上。在這個分析中，NREL每天使用從913輛車中的16,250個驅(qū)動循環(huán)。在這些車輛中,108（5 071個周期）是有臥鋪的長途卡車，754（10 765）如文中FIGURE 1所示的職業(yè)車輛。也包含了在數(shù)據(jù)庫中有51輛車（414個周期）被分類為未知職業(yè)，但擁有驅(qū)動循環(huán)數(shù)據(jù)。

FIGURE 1 Sample composition

在這項研究中，車隊DNA數(shù)據(jù)庫繼續(xù)進行生長。執(zhí)行分析，為了支持未來的分析，已經(jīng)開始開發(fā)在車隊DNA大數(shù)據(jù)應(yīng)用程序編程接口中，它提供了簡化的存儲、聚合和分析，使用行業(yè)標準大數(shù)據(jù)框架的函數(shù)，利用分布式處理庫Spark和Hadoop分布flesystem。研究展示了一種新的分析方法驅(qū)動循環(huán)動力學的結(jié)構(gòu)和模式。因此，利用了一個可擴展的數(shù)據(jù)框架和一個大的以及不同的數(shù)據(jù)集，913個獨特的商業(yè)車輛的驅(qū)動循環(huán)數(shù)據(jù)，包括16,250天的操作。作者的方法利用聚合特征提取、k-medoid聚類、以及NREL驅(qū)動工具來實現(xiàn)基本模式在這個群體的駕駛特性中車輛。結(jié)果描述了代表性的驅(qū)動周期在兩個（或三個）的職業(yè)車輛中。

4 基于大數(shù)據(jù)的駕駛模式集群以及結(jié)合駕駛情境評估 [4]

考慮到有效的動力系統(tǒng)控制和實施駕駛輔助功能，司機的駕駛行為及駕駛特性的影響起著越來越大的作用。面對一個廣泛的駕駛特性，現(xiàn)代智能汽車必須能夠在各種情況下做出正確回應(yīng)，駕駛模式不僅依賴于司機的駕駛行為，同時和道路特征、環(huán)境邊界條件和其他方面有很強的關(guān)系。駕駛模式主要受交通信號燈控制的樞紐密度、速度限制、街道功能和類型等控制。因此，為了全面分析某駕駛員的駕駛模式，盡可能的考慮駕駛情況是非常必要的?，F(xiàn)如今，在考慮駕駛情況和環(huán)境邊界條件下，有效的大數(shù)據(jù)技術(shù)可以用來支撐駕駛模式的調(diào)查研究。

在考慮驅(qū)動模式相關(guān)參數(shù)如加速度等額外因素的驅(qū)動模式下，提出了一種用于集群和評估的方法。在所引入的計算方法的第一步驟中，對所涉及的車輛的訪問數(shù)據(jù)進行收集，并對每隔一公里的驅(qū)動段進行分段。這些信息包括車輛行駛路程、行駛速度、加速度以及汽車所處的經(jīng)緯度。第二步，基于駕駛段，建立反應(yīng)駕駛環(huán)境的初始特征矩陣。隨后，為了減少計算的復(fù)雜度，在這個初始特征矩陣上進行主要成分分析，從而減少矩陣的維數(shù)。第三步，通過K值平均算法將駕駛環(huán)境分成三個類別，分別是山地路形、曲折路形、以及平坦路形。最后，將加速度、減速度的標準偏差對當前汽車所處的駕駛模式進行區(qū)分。標準偏差用于將集群驅(qū)動模式分為三個集群（例如，平靜、標準和侵略性等三個模式)。

研究結(jié)果表明，駕駛環(huán)境受到許多變量的影響。描述司機和車輛的周邊環(huán)境包括道路等級、交通狀況和司機的行為本身。根據(jù)駕駛環(huán)境的不同類型和特點，駕駛模式“數(shù)值解”也非常多樣化。駕駛情況信息以及駕駛驅(qū)動模式有助于動力總成優(yōu)化和控制策略的制定，并能夠向高級驅(qū)動程序控制輔助系統(tǒng)提供更多的更準確的反饋信息。此外,這些信息還可以支持車輛的安全處理和控制。通過這種引入的方法提供一組精確的識別駕駛的客觀標簽?zāi)Ｊ?，支持未來智能汽車的發(fā)展和控制。

5 用大數(shù)據(jù)和智能技術(shù)來預(yù)測司機的意圖[5]

把汽車周圍環(huán)境中可用的各種數(shù)據(jù)源作為輸入，以預(yù)測駕駛員的意圖和行為。作為調(diào)查這些潛在的數(shù)據(jù)源的一部分，作者進行了大量的電子日歷上的實驗，并回顧了一些可用的地理參考系統(tǒng)。通過統(tǒng)計分析，計算位置識別精度結(jié)果，探討了日歷位置數(shù)據(jù)的潛在利用率來檢測駕駛員意圖。為了利用在現(xiàn)代車輛中可用的多種多樣的數(shù)據(jù)輸入，提出了一種新的模糊計算建模方法。因為大數(shù)據(jù)和物聯(lián)網(wǎng)的優(yōu)勢，開發(fā)利用智能系統(tǒng)和計算技術(shù)的需求越來越大，這可以降低復(fù)雜性以及在獲取和處理大量的信息方面的認知負擔。研究結(jié)構(gòu)如下：

第一步，識別各種信號和輸入，這些信號和輸入可以被計算機系統(tǒng)利用，以便自動識別駕駛員的意圖和行為。

第二步，詳細地研究了這些數(shù)據(jù)源中的一個。使用多個統(tǒng)計度量，借助于分類性能分析，研究利用電子日歷和地理位置信息來識別駕駛員的位置的潛力。通過這一分析，以揭示司機的意圖旅行到某些目的地。

第三步，提出了一種新的模糊計算建模方法，應(yīng)對和處理來自多個和多種數(shù)據(jù)源的大量數(shù)據(jù)。研究了在新興的大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)革命的范圍內(nèi)預(yù)測駕駛員意圖和行為。

這項研究可以通過技術(shù)增強和相互關(guān)聯(lián)的環(huán)境來實現(xiàn)，無論是在現(xiàn)代車輛內(nèi)部還是外部，都提供了包含大量信息的多個數(shù)據(jù)源。確定并突出數(shù)據(jù)源，重點在預(yù)測駕駛員的預(yù)期目的地、行為、情感/認知狀態(tài)和偏好的領(lǐng)域。其中的研究范圍之一是探索不同輸入源的利用潛力。

為了實現(xiàn)這一目標，詳細調(diào)查了其中一個來源，即電子日歷，電子日歷作為數(shù)據(jù)源來探索，這有助于預(yù)測駕駛員的下一個目的地。為了實現(xiàn)這一目標，分析了來自美洲虎路虎員工使用的群件日歷的數(shù)據(jù)，這些數(shù)據(jù)提供了關(guān)于一般電子日歷使用的一些有趣的統(tǒng)計事實。還研究了準確地識別地理位置的潛力，借助于詞匯來描述從電子日歷條目中獲取的事件的位置。總結(jié)這些結(jié)果，可以得出結(jié)論，利用電子日歷信息可以提高預(yù)測駕駛員下一個目的地的準確性，實驗的數(shù)據(jù)融合成功率保持在92%以上。

為增強預(yù)測駕駛員意圖和偏好的能力，提出了一個最先進的模糊計算模型。其目的是整合多個數(shù)據(jù)源，如電子日歷數(shù)據(jù)，并利用現(xiàn)代連通性增加的優(yōu)點，使車輛能夠訪問豐富的信息源，如社交網(wǎng)絡(luò)、其他智能車等。所提出的框架有可能導(dǎo)致對社會、經(jīng)濟和個體駕駛員產(chǎn)生重大影響。這可以通過開發(fā)應(yīng)用程序來實現(xiàn)，該應(yīng)用程序（流程圖見文中Fig.2）利用預(yù)測的駕駛員意圖、特征，現(xiàn)代車輛的性能和汽車的能力與其他外部、數(shù)字實體通信。這些應(yīng)用有望改變駕駛員與車輛交互的方式，優(yōu)化車輛的整體性能，甚至有助于改善交通管理和智能城市內(nèi)的能源資源。這些功能可以通過先發(fā)制人的衛(wèi)星導(dǎo)航系統(tǒng)來實現(xiàn)?；旌蟿恿囕v電動列車運行的優(yōu)化配置、降低CO2排放量、超前車輛預(yù)處理（加熱/冷卻/除冰）、電動車輛充電優(yōu)化和有效的電網(wǎng)管理，駕駛員識別和車輛個性化。

Fig.2.Predicting destination based on user and activity data[43].