تحلیل رفتار رانندگی با رویکرد مصرف سوخت با استفاده از داده های واحد کنترل الکترونیکی موتور مبتنی بر هوش مصنوعی

در این پژوهش، تحلیل مفهومی بر روی رفتار رانندگی با تمرکز بر مصرف سوخت و خوشه‌بندی رانندگان ارائه شده است. داده‌های رانندگی 80 نفر توسط یک دستگاه ضبط‌کنندۀ داده که به درگاه obd خودرو متصل می‌شود، جمع‌آوری شدند. ویژگی‌های مهم مرتبط با مصرف سوخت توسط ماتریس تشابه و مفاهیم موجود در مبحث قوای محرکه استخراج شدند. در این راستا، برخی متغیرهای کلیدی مانند شتاب‌گیری و ترمزگیزی نیز تعریف شده و بدست آمدند. مدل‌های رگرسیون بر روی ویژگی‌های استخراج‌شده به منظور پیش‌بینی مصرف سوخت اعمال شدند. در این تحلیل، تاثیرگذارترین عوامل رفتار رانندگی بر مصرف سوخت و میزان اثر آن‌ها بدست آمدند. سپس تکنیک‌های یادگیری ماشین بدون نظارت به کار گرفته شدند تا رانندگان بر اساس نحوۀ رانندگی خودر در خوشه‌های مختلف خوشه‌بندی شوند. بررسی مقایسه‌ای بر روی الگوریتم‌های مختلف برای ارزیابی کارایی روش‌های مختلف خوشه‌بندی انجام شده است. در پایان، پیشنهادات ارزشمندی برای سازندگان خودرو، سیاستگذاران و رانندگان با توجه نتایج ارائه شده است که به تاکید اثر رفتار رانندگی بر بهره وری سوخت و پتانسیل های آن برای سیستم های دستیار رانندگی می پردازد.

analyzing driving behavior for fuel efficiency: a machine learning approach using ecu data

in this study, a comprehensive analysis of driving behavior with an emphasis on fuel consumption and driver categorization is presented. data from 80 drivers were collected using a custom-designed datalogger connected to the vehicle’s on-board diagnostics (obd) port. critical features related to driving patterns were extracted through correlation matrix and concepts in the field of powertrain. key variables such as acceleration were identified and derived. regression models were applied to predict fuel consumption based on these driving feature. through this analysis, the most influential factors affecting fuel efficiency were highlighted. additionally, unsupervised machine learning techniques were employed to cluster drivers into distinct groups based on their driving styles. a comparative study of various algorithms was conducted to evaluate the efficacy of different clustering methods. valuable insights for automotive manufacturers, policy makers, and drivers are offered by the results, emphasizing the role of driving behavior in fuel efficiency and the potential for tailored driver assistance