Hello！新年来到，小编在这里给各位拜个晚年（咳咳，真的好晚，正月都过快完了，好咩）。在这歌舞生平，四海同贺的日子里，小编不得已打断各位看客愉悦的心情，且看下面一组简讯：

每一条冰冷的事故简讯，背后都藏着一个不可挽回的遗憾。“早知道你们是这种不靠谱的老司机，我就… …”事故当事人都希望获得“早知道”的技能，然？不！小编不是来煽情的，提供解决方案才是正题。

那么，如何获得“早知道”的神奇技能呢？是时候祭出我们的神器了：车联网数据统计分析。

首先，小编带大家回顾一下什么是车联网。

车联网，简言之就是通过无线网，收集到你宝贝轿车上的设备产生的数据，再对数据加以统计分析，就可以得到关于你的驾驶习惯信息啦，从而也就知道，你，是哪种“老司机”。关于车联网更详细的介绍，可以移步车联网系列（1）初识车联网。

看到这里，想必各位看官已经迫不及待了。那么，本次“早知道”技能get之路正式开启！

数据描述

本案例数据来自某网站，收集了2014年5月至2014年8月的182008条驾驶记录，主要包括了8辆车在内的754段路程的信息。对数据进行初步整理后，得到14个指标，分别从5个维度对每段路程的驾驶情况进行描述，形成一个完整的驾驶行为体系。

以上就是本案例的简要数据说明。接下来，小编展示部分描述分析的结果，更多的描述分析可以参考完整的精品案例报告。

整体上看，8位驾驶人在早晚高峰出行的路程占比39.3%，在深夜出行的路程占比为5.8%，而属于疲劳驾驶的路程占比3.6%。从平均时速上来看，直方图呈现右偏，集中分布在10-50km/h，推测大多数路程都集中在市区内，时速并不高。


具体地，数据中一共有8辆车的记录，这四组箱线图分别展示了行驶里程、行驶时长、平均时速和时速标准差这四个指标。以1号和3号车为例（也就是每组图的第1个和第3个箱子），能够看出：

1号车的平均行驶里程和行驶时长（以中位数计）比3号车更短；
1号车的行驶里程和行驶时长的分布在一定程度上（箱子宽度）更加分散；
3号车的平均时速和时速标准差两项指标，平均水平（以中位数计）比1号车更高；
3号车的平均时速和时速标准差的分布在一定程度上（箱子宽度）比3号车更加分散。
统计建模

本期案例的统计分析，总共分三步，第一步：对14个驾驶行为指标做因子分析，抽象出3个衡量驾驶行为的因子；第二步：基于驾驶行为影响因子，将754段行程聚类成7类，每一类都有各自的特点；第三步：基于聚类分析结果，可以进一步判断，每个驾驶人的每段行程属于哪一类，建立驾驶人画像。


小编进一步展示因子分析得到的3个因子，分别表现了该路程的行驶速度、行驶强度和出行习惯。

利用各行程在三个因子上的得分，结合聚类分析可以轻松将行程区分开来，再结合车号信息，就可以得到每位驾驶人的驾驶习惯了。

以2号车主为例，聚类模型得到它具有深夜出行、高速驾驶和疲劳驾驶的习惯。根据这种特点，保险公司可以为他私人定制保费，出行APP可以推送疲劳提醒，这样一来，不就实现了”早知道“的神奇技能了吗？