Háttér
A telematika a járműiparban egy mozgó jármű (általában személygépkocsi vagy teherautó) nyomon követésének kvantitatív módszere a fedélzeti GPS és szenzoralapú diagnosztikai rendszer adatainak felhasználása. - Ezeket lehet más forrásokból származó információkkal kombinálni, mint például időjárás-előrejelzés, közúti vagy forgalmi jelentés. A telematikai adatok elemzését a biztosítóktól a szabályozókig és a gyártókig a szereplők széles köre használja a költségek csökkentése, a hatékonyság javítása, az előírások betartása és az új szolgáltatások, például a vezetési magatartáson alapuló biztosítás, az autó concierge-rendszerek és a flottakezelés felállítása érdekében.
Példák
A telematikai elemzés fókusza változhat, de az egyik legáltalánosabb a járműhasználók vezetési magatartásával foglalkozik. Az egyéni járművezetői szokások nyilvánvalóan és jól láthatóan befolyásolják többek között a flotta eszközállapotát, az üzemanyag-takarékosságot, a biztonságot, a menetkényelmet, a környezeti hatást, forgalmitorlódást. A telematika képes mérni azokat a nemkívánatos eseményeket is, túlzott üzemanyag-fogyasztás, sebesség, szabálytalan vagy nem biztonságos megállás, a hirtelen sávváltás, sebességkorlátozás megsértése. Mi közelebbről a vállalati járműhasználók és a flottakezelők komplex adatközpontú alkalmazásaira, a teljesítmény optimalizálására és a nemkívánatos eseményekre vonatkozó riasztásokra összpontosítunk.
Felhasználói kategorizálás
Figyelembe véve a vezető személyét, aki meghatározó tényező a vezetési folyamatban, különböző szempontok alapján alkalmazhatnánk az osztályozást.
Az egyik ilyen szempont a vezetési magatartás: a vezetési stílushoz kapcsolódó tényezők tanulmányozása segíthet a flottatulajdonosoknak megérteni és mérni a járművezetők gépkocsira gyakorolt hatását, az adott vezető sajátos vezetési szokásaihoz kapcsolódó fizikai feltételekre, az üzemanyag-fogyasztásra és a biztosítási költségekre vonatkozóan.
Az elemzésben olyan kategóriákat állíthatunk fel, mint „biztonságos sofőr”, „agresszív sofőr”, „takarékos üzemanyag-fogyasztású sofőr”, „útbarát sofőr” stb., de felismerhetünk olyan veszélyes helyzethez vezető emberi tényezőket is, mint pl. a figyelmetlenség, ittasság.
A vezetési stílusok a különböző országok kulturális, infrastrukturális és meteorológiai viszonyaitól függően eltérők lehetnek, de a mesterséges intelligencia képes általános következtetéseket levonni a konkrét elemzésekhez.
Ezen felismerések birtokában a flottatulajdonosok bátoríthatják a járművezetőket a pozitív magatartásra, illetve megelőzhetik kedvezőtlen vezetési technikák alkalmazását, pontozhatják a legjobb / legrosszabb vezetőiket. Egy érdekes további lehetőség jelenik meg a játékelmélet és a gamifikáció formájában, amelyek felhasználhatók a járművezetői coachinghoz a megfelelő vezetési szokások jutalmazásával, illetve személyre szabott vezetőképzés szervezésével.
Egy másik hasznos módszer a járművezető felismerése vagy azonosítása osztályozási feladattal a biztonság érdekében. A vezetési folyamat definiálható, mérhető jellege miatt az ilyen azonosítás indirekt biometrikai információk gyűjtésének felel meg, és az ilyen módon előállított adatokat valós időben lehet összevetni hitelesített korábbi mintákkal, így anomália esetén — vagyis amikor a tényleges vezető vezetési stílusa eltérést mutat azétól, akinek elvileg vezetnie kellene a gépkocsit — riasztás küldhető a menedzsmentnek vagy flottafelügyeletnek.
Hozzáadott érték MI használatával: A járművezetői szokások nyomon követésével és visszajelzésével a járművek élettartama meghosszabbítáható. Ezen felül a balesetek és egyéb kapcsolódó károk is megelőzhetők.
Javasolt tech stack: Linux, Python (Anaconda), Scikit-learn, TensorFlow, PyTorch,
