我有关于驾驶同一车辆的不同人的速度，加速度，油门和刹车的数据流。我想识别用户的不同类型的行为 - 例如急剧变化的速度或平静的统一运动或滥用车辆等。我将从有限的数据和一组预定义的行为开始。我希望我的程序在获取更多数据的同时识别新行为。
我应该使用哪种算法？如何从可变长度数据流中提取信息？
我的数据：
我正在采样加速度计（x，y，z）的值，车轮速度，绘制的电流（它是电动车辆），电池两端的电压，用户输入的分数（分数0到1），以及制动输入（0或1）。我可以每秒10次的速度进行采样。
示例行为： -
有些人喜欢以稳定的速度驾驶，而其他人则使用高油门，然后释放＆＃34;图案。
此外，有些人喜欢减速，而其他人喜欢跳跃，虽然对车辆不利。
有些人同时使用刹车和油门。这种行为会损坏车辆。
这些是某种类型的模式（预定义的集合）。我想确定行为是否属于其中一种，或者是一种新模式。
答案 0 :(得分：0)
这是一个示例方法：
我假设你正在不断收集速度。
减速度和加速度以速度/时间E.g：sqrt(Delta(x)^2+Delta(y)^2))/(seconds^2)测量，您可以计算它们。
您可以计算以下内容的分布：
假设您为每个驱动程序计算4个维度（不要挂断名称，它们只与指标有些相关）：
收集这些指标后（您可以推断更多，当然），您可以，例如，运行群集。
执行此操作后，您可以按行为聚集驱动程序，您可以覆盖实际数据（如果存在）并查看哪些群集由更多意外驾驶的驱动程序组成，或者循环返回并运行监督学习。或者评估群集特征（例如，极高的冲击和风险统计将描述不安全的行为）
您可以跳过一起计算分布和异常值，只需使用原始聚合（中位数，最大值）指标进行聚类。由于离散条件，您将避免失去灵敏度，但它可能会导致极端异常值的问题。也有一些方法可以解决这个问题。
我建议聚类自己处理聚类数量计算，例如分层聚类/亲和传播或k-means，使用elbow方法重新计算聚类。您应该根据您的表现要求选择一个。
相反或者另外，您可以运行异常值检测以识别行为极端的驱动程序： 按设定尺寸识别所有驾驶员的中心，然后计算距离分布。然后注意距离中心的距离超过阈值的驾驶员是否有意义。这将保证您将识别群集未捕获的行为。