DrivingStyles: یک پلتفرم موبایل برای سبک های رانندگی و خصوصیات مصرف سوخت

سیستم های حمل و نقل هوشمند (ITS) برای حل مشکلات دنیای واقعی به برنامه های وسایل نقلیه متصل متکی هستند. تحقیقات در حال حاضر برای حمایت از ایمنی، پویایی و کاربردهای محیطی انجام می‌شود. این مقاله معماری DrivingStyles را معرفی می‌کند، که تکنیک‌های داده کاوی و شبکه‌های عصبی را برای تجزیه و تحلیل و تولید یک طبقه‌بندی از سبک‌های رانندگی و مصرف سوخت براساس خصوصیات راننده، اتخاذ می‌کند. به طور خاص، ما الگوریتمی را اجرا کرده‌ایم که قادر است درجه پرخاشگری هر راننده را مشخص کند. ما همچنین یک روش برای محاسبه، در زمان واقعی، مصرف و اثرات زیست‌محیطی اشتعال جرقه‌ای و وسایل نقلیه دیزلی از مجموعه‌ای از متغیرهای به‌دست‌آمده از واحد کنترل الکترونیکی خودرو (ecu)تهیه کرده‌ایم. در این مقاله، ما تاثیر سبک رانندگی بر مصرف سوخت و نیز همبستگی آن با انتشار گازهای گلخانه‌ای تولید شده توسط هر وسیله نقلیه را نشان می‌دهیم. به طور کلی، پلتفرم ما قادر به کمک به رانندگان در اصلاح عادت‌های بد رانندگی است، در حالی که توصیه‌های مفیدی برای بهبود اقتصاد سوخت و ایمنی رانندگی ارائه می‌دهد.

Intelligent transportation systems (ITS) rely on connected vehicle applications to address real-world problems. Research is currently being conducted to support safety, mobility and environmental applications. This paper presents the DrivingStyles architecture, which adopts data mining techniques and neural networks to analyze and generate a classification of driving styles and fuel consumption based on driver characterization. In particular, we have implemented an algorithm that is able to characterize the degree of aggressiveness of each driver. We have also developed a methodology to calculate, in real-time, the consumption and environmental impact of spark ignition and diesel vehicles from a set of variables obtained from the vehicle’s electronic control unit (ECU). In this paper, we demonstrate the impact of the driving style on fuel consumption, as well as its correlation with the greenhouse gas emissions generated by each vehicle. Overall, our platform is able to assist drivers