Online characterization of driving behaviors from ECU data using adaptive clustering

Drivaware is an efficient and versatile technology platform that integrates advanced technologies for remote real-time telemetry functions of common vehicles (such as cars and trucks) with an innovative methodological approach for the characterization of driving behaviors and consumptions. Drivaware is based on a device (probe) installed on vehicles that preprocesses the collected data on the operating status of the vehicle and on the driver and transmits them to a ground infrastructure that receives and processes the data going to define interesting guide profiles, both in a fully automatic way that integrating a human operator. This thesis concerns the design and the development of a software system related to the Drivaware technology and to the connected patent, for the knowledge extraction from the data coming from the probe of a vehicle using data mining techniques. The raw data collected by the probe are processed in order to reduce the number of variables implied and to identify engine working modes of the involved vehicles (which identify the possible states of a vehicle) and then to extract the driving behavior. We used the K-Means algorithm for off-line analysis and the Sequential K-Means algorithm for on-line analysis. The system architecture implements a two-level process. The first works on raw data collected by the probes, while the other works at duty cycles level. In the first level the raw data are partitioned in clusters that define the engine working modes. The classified data are then agglomerated per duty cycle and, for each of them, it’s calculated the percentage of belonging to each of the previous clusters. In the second level the agglomerated data are in turn partitioned in clusters defining the driving behaviors.

Drivaware è una piattaforma tecnologica efficace e versatile che integra avanzate tecnologie per la telemetria a distanza e in tempo reale di veicoli comuni (come auto e camion) con un innovativo approccio metodologico per la caratterizzazione degli stili di guida e dei consumi. Drivaware si basa su un dispositivo (sonda) installato sui veicoli che preprocessa i dati raccolti sullo stato di funzionamento del mezzo e sul guidatore e li trasmette verso un’infrastruttura a terra che riceve ed elabora i dati andando così a definire interessanti profili di guida e di consumo, sia in modo completamente automatico che integrando un operatore umano. Questa tesi riguarda l’ideazione e lo sviluppo di un sistema software legato alla tecnologia Drivaware e al brevetto collegato, per l’estrazione di conoscenza dai dati provenienti dalla sonda di un autoveicolo utilizzando tecniche di data mining. I dati grezzi raccolti dalla sonda sono elaborati allo scopo di ridurre il numero di variabili coinvolte e di identificare le modalità di funzionamento dei motori dei veicoli interessati (che identificano i possibili stati di un autoveicolo) e di estrarre quindi i comportamenti di guida. In particolare, abbiamo applicato l’algoritmo K-Means per le analisi off-line e l’algoritmo Sequential K-Means per le analisi on-line. L’architettura del sistema implementa un processo a due livelli. Il primo lavora sui dati grezzi raccolti dalle sonde, il secondo lavora a livello di cicli di funzionamento. Nel primo livello i dati grezzi vengono raggruppati in gruppi che definiscono le modalità di funzionamento del motore. I dati classificati vengono poi agglomerati per ciclo di funzionamento e, per ognuno di essi, viene calcolata la percentuale di appartenenza a ciascuno dei precedenti gruppi. Nel secondo livello i dati agglomerati vengono a loro volta partizionati in gruppi che determinano i comportamenti di guida.