面向車聯網數據的相關性分析方法

董俊龍 關利海 郝成龍

摘 要：車聯網數據包括車輛數據、駕駛員數據、出行數據以及環境數據。分析、挖掘車聯網數據之間的相關性，發現數據潛在規律，可以更好的指導業務策劃以及產品決策。本文歸納總結了相關性分析常用方法，并闡述每種方法的適用范圍、優缺點以及如何應用于車聯網數據。

關鍵詞：車聯網;大數據;相關性分析

1 前言

相關分析（Analysis of Correlation）是數據分析常用的分析方法之一。通過對不同特征或數據間的關系進行分析，發現數據之間的關聯性，并通過這種強關聯關系，可以對未來趨勢進行預測。相關分析的方法很多，圖表描繪可以直觀發現數據之間的關系，如正相關，負相關或不相關。數值計算的方法可以對數據間關系的強弱進行度量，如完全相關，不完全相關等。模型擬合的方法可以將數據間的關系轉化為數學模型，并通過模型對未來的趨勢進行預測。關聯規則挖掘的方法可以挖掘數據之間的關聯關系。本文結合車聯網數據，著重介紹幾種數據相關性分析的基本方法。

2 車聯網數據類型

車聯網數據舉例說明，如表1所示：

3 相關性分析方法

3.1 數據可視化

通過數據可視化的方法分析數據之間的相關性，如散點圖、折線圖等，適合定性分析，可直觀的表達數據之間聯系、模式或趨勢。優點是對相關關系的展現清晰，缺點是無法對相關關系進行準確的度量，缺乏說服力。比如，展現車速與轉速之間的關系，可以通過散點圖直接表現。

3.2 協方差

協方差用來衡量兩個變量的總體誤差，如果兩個變量的變化趨勢一致，協方差為正，說明兩個變量正相關。如果兩個變量的變化趨勢相反，協方差為負，說明兩個變量負相關。如果兩個變量相互獨立，那么協方差就是0，說明兩個變量不相關。協方差用于定性分析，描述兩組數據之間關系的方向性。優點在于可用數值表示相關性，缺點是無法對相關程度進行度量。

3.3 相關系數

相關系數（Correlation coefficient）是反應變量之間關系密切程度的統計指標，相關系數的取值區間在1到-1之間。1表示兩個變量完全線性相關，-1表示兩個變量完全負相關，0表示兩個變量不相關。相關系數包括pearson、spearman、kendall三種計算方法，優點在于可以定量分析，描述數據之間的單調關系，可通過數值對變量的相關性及強弱進行度量，缺點是無法利用這種關系對數據未來趨勢進行預測。如分析駕駛員體征數據與駕駛數據之間的關系。

3.4 卡方獨立性檢驗

獨立性檢驗，又稱卡方檢驗是統計學的一種檢驗方式，與適合性檢驗同屬于X2檢驗，它是根據次數資料判斷兩類因子彼此相關或相互獨立的假設檢驗。卡方獨立性檢驗，兩個類別變量的獨立性檢驗回歸分析，優點可通過數值對變量的相關性進行度量，缺點是無法利用這種關系對數據進行預測。卡方檢驗僅適用于分類型數據，如性別、天氣、開關狀態等。

3.5 回歸分析

回歸分析（regression analysis）是確定兩組或兩組以上變量間關系的統計方法。回歸分析按照變量的數量分為一元回歸和多元回歸，它可以用于研究數據之間具體模型關系。回歸分析優點是對變量間的關系用數學表達式確定，可進行數據預測。適用范圍：需要確定自變量和因變量。可應用于如車輛故障診斷預測、駕駛行為風險預測等。

3.6 關聯規則

關聯規則（Association Rules）是數據挖掘中較為常用的方法，它是從大量數據中挖掘頻繁項集之間的有趣聯系或相關關系。關聯規則的任務就是為了發現數據集中不同數據項之間的關系，如數據項對另一數據項的影響。如分析駕駛員情緒對駕駛行為的影響。

4 總結

本文總結了數據之間相關性計算方法，并以車聯網數據為例，說明每種方法的優缺點以及適用范圍。相關性分析是進行機器學習、數據挖掘工作之前，前期數據探索的有效方法之一，在實際數據分析時，需要根據數據類型進行合理選擇。

參考文獻：

[1]賈俊平.統計學[M].中國人民大學出版社：北京，2018.