Интернет транспортных средств (IoV) превращает каждый подключенный автомобиль в датчик движения, передающий терабайты кинематических данных с отметками времени, которые могут пролить свет на то, как люди на самом деле управляют автомобилем. Это исследование предлагает масштабируемую аналитическую систему, которая преобразует 3,7 миллиона необработанных дорожных происшествий, зафиксированных 24 000 автомобилями за пятнадцать месяцев (2022-2023 годы), в интерпретируемую таксономию персонажей-водителей. В результате объединения методов устранения шума, основанных на плотности, и иерархической агломеративной кластеризации были созданы шесть повторяющихся профилей водителей, каждый из которых характеризуется отличительными особенностями при ускорении, торможении, прохождении поворотов и соблюдении скоростных ограничений. Последующий классификатор случайных лесов достиг точности 87,3% $(F1= 0,842)$ при назначении профиля в режиме реального времени. Использование в полевых условиях системы профилирования в сочетании с персонализированной обратной связью позволило сократить количество рискованных маневров на 27,8% и сократить расход топлива на 32,4%. Временная надежность $(ICC=0,824)$ и географическая переносимость (Pearson $r=0,791)$ подтверждают, что профили отражают устойчивые стили поведения, а не мимолетные настроения. Таким образом, система предлагает страховщикам, менеджерам автопарков и инженерам по безопасности статистически обоснованную основу для дифференцированного ценообразования рисков, целенаправленного обучения и систем помощи водителю с учетом контекста.
The Internet of Vehicles (IoV) turns every connected automobile into a rolling sensor, delivering terabytes of time-stamped kinematic data that can illuminate how people actually drive. This study puts forward a scalable analytic framework that translates 3.7 million raw driving events recorded by 24 000 vehicles over fifteen months (2022-2023) into an interpretable taxonomy of driving personas. By fusing density-based noise removal with hierarchical agglomerative clustering, six recurrent driver profiles emerged, each marked by distinctive patterns in acceleration, braking, cornering and compliance with speed limits. The subsequent random-forest classifier achieved 87.3% accuracy $(F1=0.842)$ in real-time profile assignment. Field deployment of the profiling engine, coupled with personalised feedback, cut high-risk manoeuvres by 27.8% and squeezed 32.4% more kilometres out of every litre of fuel. Temporal reliability $(ICC=0.824)$ and geographical portability (Pearson $r=0.791$ confirm that the profiles capture enduring behavioural styles rather than ephemeral moods. The framework therefore offers insurers, fleet managers and safety engineers a statistically sound basis for differential risk pricing, targeted coaching and context-aware driver-assist systems.