监督与无监督学习

您首先需要决定是否将此作为一个问题来supervised处理unsupervised learning。

对于supervised learning，您需要获取部分数据并将其手动评分为苛刻/激进和正常。我建议你不要走这条路开始。但是，如果您这样做，我建议support vector classifier您使用 a 进行初始测试。

我建议将其视为一个unsupervised learning问题。假设您倾向于成为一个正常/安全的驾驶员，您可以将这种行为视为正常和苛刻/激进的驾驶，如 aanomaly或 a outlier。这称为异常值检测。

特征工程

Feature engineering将在这个问题上发挥重要作用。尽管您注意汽车的纵向和横向轴线，但手机在汽车内的方向是任意的，即它只会放在您的口袋里。因此，最好在一定程度上确定方向。

首先，我会找到加速度矢量的长度（加速度的大小，不考虑其方向）。由于您有三个正交轴，因此您可以使用：

$$||\mathbf{a}||=\mathbf{a}_x^2+\mathbf{a}_y^2+\mathbf{a}_z^2=a$$ 。

此外，您还可以随时间积分加速度矢量并求其大小以求出车速：

$$speed=||\mathbf{v}||=\mathbf{v}_x^2+\mathbf{v}_y^2+\mathbf{v}_z^2=v$$

其中

$$\mathbf{v}(t)=\int_{start-of-trip}^t\mathbf{a}(t)$$

速度对于确定不同加速模式之间的差异非常有用，例如，绕圈行驶会产生恒定的加速度，但也有恒定的速度与按住油门踏板并直线行驶，这可能会随着速度的变化而产生恒定的加速度。

这种方法的一个重要方面在于，数据的积分往往会抑制噪声，而导数（差异）往往会放大噪声。 不要对您的数据进行衍生。

异常值检测

此时，您可以对速度和加速度幅度进行归一化，并找到这两个值的平均值和标准差。当您的标准化速度和加速度幅度超出某个 z 值（例如两个标准偏差）时，您可以将您的驾驶归类为危险驾驶。

不要忘记将速度和加速度视为正交值，并根据各自的 z 值形成一个循环函数，以进行正确的异常值检测。您可以在此处阅读有关 2D 或 nD 异常值检测的信息

请记住，圆的方程是：

$$r^2=a^2+v^2$$

因此，我们可以求解并将其设置为等于标准差。$r$$2$

顺便说一句，请注意，由于方差只是标准差的平方，因此您也可以根据方差来考虑这一点。

现在对于两个标准偏差，如果出现以下情况，驾驶是激进的：

$$\sqrt{\big(\frac{v-\mu_v}{\sigma_v}\big)^2+\big(\frac{a-\mu_a}{\sigma_a}\big)^2} \gt2$$

在线学习组件只需要您不断更新均值和标准差。不过，我建议以某种批处理模式而不是连续进行。

希望这可以帮助！