大数据分析在汽车领域的应用

随着汽车朝着智能化的方向进行发展，大数据分析技术在汽车领域的应用也越来越普遍。本文介绍几种大数据在汽车相关方面的应用。

1 大数据用于查询联网汽车总线数据 [1]

通过无线连接的汽车数据传输通信技术，能够支持车载远程信息技术服务。该项技术能够在合理的时间范围内有效处理大量的控制器区域网络（CAN）总线数据。这些数据对于很多联网汽车的应用程序来说是必不可少的，因此通过Hadoop框架查询和提取有用信息将有助于提高安全性和驾驶性能体验。通过实施分布式计算系统模式分析CAN总线数据，产生托管在云里的有效数据。此外，利用一个移动应用服务程序对总线数据进行收集和传输，并将数据传输到远程数据中心。目前远程数据中心包括应用服务器和Hadoop生态系统蜂窝数据仓库。通过实验进一步表明，相对于统计分析系统（SAS）框架和HiveQL声明性语言，MapReduce连接算法是高度可伸缩的，并针对分布式模式进行了优化计算。

车辆数据的收集与分析可以让对汽车生态系统感兴趣的汽车制造商、汽车维修商、道路和运输部们对服务机构进行支持。这些都会提高汽车的安全驾驶性能，但车主订阅了这项服务，也许将产生一定的费用。

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

随着Hadoop平台项目的开发，使用Hadoop集成的开源软件，构建大数据解决方案是目前来看是可以实现的。在这篇文章中，基于大数据技术，作者创建了一个监视和分析框架，通过Hadoop处理汽车相关数据，例如处理发动机数据（见文中Figure 4）,实现处理结果有效。对汽车制造商、运输、紧急服务等第三方服务，允许通过网络访问有用的信息。使用MapRe⁃duce编程模型和Apache蜂巢与SAS程序。未来的研究重点将集中在评价远程车辆的性能，诊断远程车辆以及特定的联网汽车应用程序等方面。

2 大数据分析与新的智能汽车互联构架[2]

互联智能汽车的连通性可以概括为车辆到车辆（V2V）、车辆到基础设施（V2I）和车辆到一切（V2X）三个方面提供。V2X的整体概念是在车辆和所有其他实体之间进行通信，包括行人和移动设备等，V2X涵盖了智能汽车连通性的广泛方面，由于IEEE 802.11p和DSRC的短距离连接的限制性，促使研究人员探索新的通信技术。据作者经验，最快的无线网络是LTEAdvanced（LTE-A），5G网络是一个全球正在进行的研究领域。此外，预计5G技术将为车辆智能连接带来新的功能宽带，包括超低延迟和无限连接。作者提出了互联系统架构和设计方案(文中Figure 4)，这为大数据分析提供了基础。通过eNB实现V2V和V2I,再经过LTE EPC与另一eNB连通实现V2X,包括V2P、V2D、V2H。其中演进分组核心（EPC）是一种向4G LTE网络提供数据和融合语音的框架，eNB是实现与移动设备通讯的基站，RSU是实现与车连通的路边装置。

3 利用大数据分析技术对美国职业车辆驾驶周期表征、分割和发展[3]

NREL的研究人员使用一组8个指标来描述每一个驱动循环，通过聚类分析，主要成分分析（PCA）和交叉相关分析，用来确定其中的哪8个指标提供了最多的信息支持细分车辆驱动模式。集群分析被用来确定车辆行驶的最优分组周期指标。最后，重新抽样方案是研究了样本偏差对其可能产生的影响，车队DNA数据建立在结果分割的基础上。在这个分析中，NREL每天使用从913辆车中的16,250个驱动循环。在这些车辆中,108（5 071个周期）是有卧铺的长途卡车，754（10 765）如文中FIGURE 1所示的职业车辆。也包含了在数据库中有51辆车（414个周期）被分类为未知职业，但拥有驱动循环数据。

FIGURE 1 Sample composition

在这项研究中，车队DNA数据库继续进行生长。执行分析，为了支持未来的分析，已经开始开发在车队DNA大数据应用程序编程接口中，它提供了简化的存储、聚合和分析，使用行业标准大数据框架的函数，利用分布式处理库Spark和Hadoop分布flesystem。研究展示了一种新的分析方法驱动循环动力学的结构和模式。因此，利用了一个可扩展的数据框架和一个大的以及不同的数据集，913个独特的商业车辆的驱动循环数据，包括16,250天的操作。作者的方法利用聚合特征提取、k-medoid聚类、以及NREL驱动工具来实现基本模式在这个群体的驾驶特性中车辆。结果描述了代表性的驱动周期在两个（或三个）的职业车辆中。

4 基于大数据的驾驶模式集群以及结合驾驶情境评估 [4]

考虑到有效的动力系统控制和实施驾驶辅助功能，司机的驾驶行为及驾驶特性的影响起着越来越大的作用。面对一个广泛的驾驶特性，现代智能汽车必须能够在各种情况下做出正确回应，驾驶模式不仅依赖于司机的驾驶行为，同时和道路特征、环境边界条件和其他方面有很强的关系。驾驶模式主要受交通信号灯控制的枢纽密度、速度限制、街道功能和类型等控制。因此，为了全面分析某驾驶员的驾驶模式，尽可能的考虑驾驶情况是非常必要的。现如今，在考虑驾驶情况和环境边界条件下，有效的大数据技术可以用来支撑驾驶模式的调查研究。

在考虑驱动模式相关参数如加速度等额外因素的驱动模式下，提出了一种用于集群和评估的方法。在所引入的计算方法的第一步骤中，对所涉及的车辆的访问数据进行收集，并对每隔一公里的驱动段进行分段。这些信息包括车辆行驶路程、行驶速度、加速度以及汽车所处的经纬度。第二步，基于驾驶段，建立反应驾驶环境的初始特征矩阵。随后，为了减少计算的复杂度，在这个初始特征矩阵上进行主要成分分析，从而减少矩阵的维数。第三步，通过K值平均算法将驾驶环境分成三个类别，分别是山地路形、曲折路形、以及平坦路形。最后，将加速度、减速度的标准偏差对当前汽车所处的驾驶模式进行区分。标准偏差用于将集群驱动模式分为三个集群（例如，平静、标准和侵略性等三个模式)。

研究结果表明，驾驶环境受到许多变量的影响。描述司机和车辆的周边环境包括道路等级、交通状况和司机的行为本身。根据驾驶环境的不同类型和特点，驾驶模式“数值解”也非常多样化。驾驶情况信息以及驾驶驱动模式有助于动力总成优化和控制策略的制定，并能够向高级驱动程序控制辅助系统提供更多的更准确的反馈信息。此外,这些信息还可以支持车辆的安全处理和控制。通过这种引入的方法提供一组精确的识别驾驶的客观标签模式，支持未来智能汽车的发展和控制。

5 用大数据和智能技术来预测司机的意图[5]

把汽车周围环境中可用的各种数据源作为输入，以预测驾驶员的意图和行为。作为调查这些潜在的数据源的一部分，作者进行了大量的电子日历上的实验，并回顾了一些可用的地理参考系统。通过统计分析，计算位置识别精度结果，探讨了日历位置数据的潜在利用率来检测驾驶员意图。为了利用在现代车辆中可用的多种多样的数据输入，提出了一种新的模糊计算建模方法。因为大数据和物联网的优势，开发利用智能系统和计算技术的需求越来越大，这可以降低复杂性以及在获取和处理大量的信息方面的认知负担。研究结构如下：

第一步，识别各种信号和输入，这些信号和输入可以被计算机系统利用，以便自动识别驾驶员的意图和行为。

第二步，详细地研究了这些数据源中的一个。使用多个统计度量，借助于分类性能分析，研究利用电子日历和地理位置信息来识别驾驶员的位置的潜力。通过这一分析，以揭示司机的意图旅行到某些目的地。

第三步，提出了一种新的模糊计算建模方法，应对和处理来自多个和多种数据源的大量数据。研究了在新兴的大数据和物联网技术革命的范围内预测驾驶员意图和行为。

这项研究可以通过技术增强和相互关联的环境来实现，无论是在现代车辆内部还是外部，都提供了包含大量信息的多个数据源。确定并突出数据源，重点在预测驾驶员的预期目的地、行为、情感/认知状态和偏好的领域。其中的研究范围之一是探索不同输入源的利用潜力。

为了实现这一目标，详细调查了其中一个来源，即电子日历，电子日历作为数据源来探索，这有助于预测驾驶员的下一个目的地。为了实现这一目标，分析了来自美洲虎路虎员工使用的群件日历的数据，这些数据提供了关于一般电子日历使用的一些有趣的统计事实。还研究了准确地识别地理位置的潜力，借助于词汇来描述从电子日历条目中获取的事件的位置。总结这些结果，可以得出结论，利用电子日历信息可以提高预测驾驶员下一个目的地的准确性，实验的数据融合成功率保持在92%以上。

为增强预测驾驶员意图和偏好的能力，提出了一个最先进的模糊计算模型。其目的是整合多个数据源，如电子日历数据，并利用现代连通性增加的优点，使车辆能够访问丰富的信息源，如社交网络、其他智能车等。所提出的框架有可能导致对社会、经济和个体驾驶员产生重大影响。这可以通过开发应用程序来实现，该应用程序（流程图见文中Fig.2）利用预测的驾驶员意图、特征，现代车辆的性能和汽车的能力与其他外部、数字实体通信。这些应用有望改变驾驶员与车辆交互的方式，优化车辆的整体性能，甚至有助于改善交通管理和智能城市内的能源资源。这些功能可以通过先发制人的卫星导航系统来实现。混合动力车辆电动列车运行的优化配置、降低CO2排放量、超前车辆预处理（加热/冷却/除冰）、电动车辆充电优化和有效的电网管理，驾驶员识别和车辆个性化。

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