实时运动遥测
F1赛车运动的历史以及使用遥测技术监视汽车设置和性能的历史可以追溯到80年代。第一批电子系统安装在汽车上，仅收集了一个圈的信息，然后在汽车返回车库时下载了数据。上世纪90年代，计算能力的爆炸式 增长促进了F1中智能数据使用 的增长，以及对以更高频率监视汽车中数据的需求。如今， 每辆汽车都具有150至300个实时传输数据的传感器（www.mclaren.com），而且数据获取是如此详尽和准确，以至国际汽联设置规则以限制规则的使用，以保持比赛的不可预测性。一个例子？比赛期间无法向驾驶员发送任何数据。船上安装的传感器通常监视 速度，轮胎温度和磨损，发动机状况，制动器温度，油箱中的燃料，水位等。这些数据还与 天气状况，航迹信息，飞行员的健康状况和GPS相结合（“ F1遥测：数据竞赛”，Nicolas Carpentiers，2016年）。分析师将来自不同来源的大量数据与可扩展的 机器学习算法 集成在一起，以提供预测性和规范性智能。
作为一个用例，我们的团队 对F1-2017 Codemaster为Playstation 4收集的遥测数据建模。游戏数据（称为UDP遥测）可以从PS4中获取为原始数据，并且可以输出到连接到控制台的其他设备或服务器提取的数据。数据的性质与真实的一级方程式赛车产生的数据非常相似，无论该游戏不是想成为模拟器，还是更接近街机游戏。
遥测已与我们的 流媒体平台集成并实时流式传输。仪表盘中显示了分析数据，当玩家转圈时，该数据流将传输遥测数据。此外， 机器学习 模型进行计算和 预测 的 提供也在里面实时 平台。
ML模型的选择受到大量定量和相关测量特征的影响，其主要目标是获得一些潜在变量，以总结汽车的性能。 PCA（主成分分析） 作为数据缩减技术可以满足这些要求。它允许捕获一组特征的方差，从而使它们线性组合（基本上是加权平均值），并创建不相关的新变量，称为 component 。定义模型后，将计算预测，将每个新的流事件提交给模型并提取预测的k分量。
PCA模型的实现归功于我们与 H20 ML Platform的平台集成，从而可以在我们的平台管道内直接调用该模型。 H20 ML平台 是一个开放源代码的机器学习和人工智能平台，允许数据科学家使用称为Flow的Web UI构建可扩展的内存ML模型。
训练后的机器学习模型是按批次计算的，提取的前两个成分捕获 了整个训练集的 63％的变异性。第一个成分可以解释为汽车性能指标， 而第二个 成分可以解释为驾驶员风格指南指标，可以将其从0调整为100。
该 汽车的性能指标 很高涉及轮胎的磨损（0.33），发动机温度（0.18）和燃料箱（-0.33），所以它可以表达的潜力，这辆车有在比赛中的那一刻。所述 驱动器样式指南索引 代替被高度相关的制动器的温度（0.40），齿轮（0.35），发动机速度（0.29），后轮胎的温度（0.25）和节流阀（-0.19），所以它可以表达，而他的驱动程序的功能正在玩。
借助PCA建模和我们的流媒体平台，仪表板可以实时显示 每个新玩家的汽车性能指数 和 驾驶风格指南指数 ，并根据以前的用户体验为用户提供新的智能信息，并快速组合在一起。和智能的方式。
该用例是 流式机器学习的用法示例：实际上， 该算法处理 实时数据流并立即给出结果。实际上，我们的流媒体平台可以加快流程：从原始数据收集到已发布的仪表板，所花费的时间很少，这避免了批量培训模型的过时，并为需要决策的利益相关者提供了即时的答案。 。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！