[학위논문]DTG 실 주행데이터 및 공간정보를 이용한 빅데이터 기반 연료소모량 추정 모델 연구 Big Data-Based Fuel Consumption Estimation Model using Actual On-road DTG Data and Spatial Data원문보기
한국에서 교통사고를 줄이는 목적으로 디지털운행기록계(DTG) 장치가 모든 상용차량에 의무 장착이 되어 GPS 궤적을 포함한 많은 양의 운행기록 데이터가 생성되고 있다. 지금까지 이러한 DTG 데이터는 주로 교통안전운전을 유도하는 용도로 사용되어왔다. 그러나 DTG데이터는 연료소모량을 줄일 수 있는 에코드라이빙 분야 등 다양한 분야로 활용도를 확대할 수 있다. 본 연구는 실제 운행한 대규모 DTG운행 데이터를 ...
한국에서 교통사고를 줄이는 목적으로 디지털운행기록계(DTG) 장치가 모든 상용차량에 의무 장착이 되어 GPS 궤적을 포함한 많은 양의 운행기록 데이터가 생성되고 있다. 지금까지 이러한 DTG 데이터는 주로 교통안전운전을 유도하는 용도로 사용되어왔다. 그러나 DTG데이터는 연료소모량을 줄일 수 있는 에코드라이빙 분야 등 다양한 분야로 활용도를 확대할 수 있다. 본 연구는 실제 운행한 대규모 DTG운행 데이터를 공간 빅데이터 분석을 통해 연료소모량을 추정할 수 있는 모델을 수립하는 연구이다.
기존의 연료소모량 추정 모델은 주로 실험실 환경 또는 일부 지역에 국한되어 검증한 모델로 실제 운행되는 상용차량 대상으로 분석할 경우 수집하기 어려운 변수들이 많고, 한국의 전국을 운행한 다양한 운행기록 데이터를 적용하면 정확도가 낮아지는 문제점이 있다.
본 연구에서는 이러한 문제를 개선하기 위해 DTG데이터와 공간 빅데이터를 이용한 연료소모량 추정 모델인 SBiFEM(Spatial Big Data Fuel EstimationModel)을 제안하였다.
SBiFEM은 운전자 운행특성 및 도로의 다양한 환경정보를 반영하기 위해 운행 패턴과 공간 빅데이터 맵매칭 기술을 이용해 다양한 도로정보들을 입력변수로 추가 활용하는 분석 방법이다. 본 연구에서는 전처리, 공간빅데이터, 운행 패턴 생성에 이르는 전 과정에서 빅데이터 Map Reduce를 활용하는 공간빅데이터 분석 프로세스를 다음과 같이 수립하고 구현, 검증을 하였다.
첫째로, 전처리 기술 고도화이다. 센싱 데이터 및 GPS공간데이터 특성상 많은 양의 이상치 데이터(Outlier)가 존재하고 있어 이를 정제하지 않으면 분석결과도 신뢰할 수 없다. 이를 위해 통계기법 및 운행 패턴 분석을 이용한 필터링 기법을 연구하였다.
둘째로, 대량의 GPS궤적 데이터를 이용한 공간빅데이터 분석 체계이다. 차량 이동 데이터를 분석하기 위해서는 차량이 어느 도로에 위치 했는지를 알기 위한 전자지도와 매칭하는 맵매칭 기술이 필수적이다. 대부분의 맵매칭 기술은 실시간 내비게이션 용도로 주로 사용되어왔기 때문에 빠른 분석 속도를 요하는 빅데이터 분석에 적합하지 않다. 본 연구에서는 대량의 GPS궤적데이터를 전자지도에 매칭하는 빅데이터 맵매칭 기술을 연구하였다.
셋째로, 연료소모량을 추정하는 모델이다. 기존 추정 모델과의 차별점은 실제 운행환경을 반영하기 위한 변수들을 추가했다는 것이다. 한 종류는 차량 운행특성을 반영하는 운행 패턴이고, 또 한 종류는 전국의 다양한 도로 환경 정보이다. 이러한 도로 환경정보를 반영하기 위해 맵매칭 공간빅데이터 프로세스를 이용하였다.
SBiFEM 빅데이터 분석시스템 테스트 및 검증은 5대의 분산 서버에 Hadoop, HBase와 Map Reduce프로그램을 수행하여 성능 검증을 하였다. 또한 연료소모량 추정 모델 검증은 대표적인 연료소모량 및 배출가스 추정 모델인 SIDRA, VSP, VT-Micro등을 DTG데이터를 적용하여 분석한 결과와 본 연구의 모델을 적용한 결과를 비교하여 검증하였다. 비교결과 추정 값과 실제 값을 비교한 Correlation이 0.9169, MAPE(평균절대백분비오차)가 0.1846으로 본 연구의 모델 적용시 가장 우수하게 나와 본 논문에서 개발한 모델의 우수성을 검증하였다.
한국에서 교통사고를 줄이는 목적으로 디지털운행기록계(DTG) 장치가 모든 상용차량에 의무 장착이 되어 GPS 궤적을 포함한 많은 양의 운행기록 데이터가 생성되고 있다. 지금까지 이러한 DTG 데이터는 주로 교통안전운전을 유도하는 용도로 사용되어왔다. 그러나 DTG데이터는 연료소모량을 줄일 수 있는 에코드라이빙 분야 등 다양한 분야로 활용도를 확대할 수 있다. 본 연구는 실제 운행한 대규모 DTG운행 데이터를 공간 빅데이터 분석을 통해 연료소모량을 추정할 수 있는 모델을 수립하는 연구이다.
기존의 연료소모량 추정 모델은 주로 실험실 환경 또는 일부 지역에 국한되어 검증한 모델로 실제 운행되는 상용차량 대상으로 분석할 경우 수집하기 어려운 변수들이 많고, 한국의 전국을 운행한 다양한 운행기록 데이터를 적용하면 정확도가 낮아지는 문제점이 있다.
본 연구에서는 이러한 문제를 개선하기 위해 DTG데이터와 공간 빅데이터를 이용한 연료소모량 추정 모델인 SBiFEM(Spatial Big Data Fuel Estimation Model)을 제안하였다.
SBiFEM은 운전자 운행특성 및 도로의 다양한 환경정보를 반영하기 위해 운행 패턴과 공간 빅데이터 맵매칭 기술을 이용해 다양한 도로정보들을 입력변수로 추가 활용하는 분석 방법이다. 본 연구에서는 전처리, 공간빅데이터, 운행 패턴 생성에 이르는 전 과정에서 빅데이터 Map Reduce를 활용하는 공간빅데이터 분석 프로세스를 다음과 같이 수립하고 구현, 검증을 하였다.
첫째로, 전처리 기술 고도화이다. 센싱 데이터 및 GPS공간데이터 특성상 많은 양의 이상치 데이터(Outlier)가 존재하고 있어 이를 정제하지 않으면 분석결과도 신뢰할 수 없다. 이를 위해 통계기법 및 운행 패턴 분석을 이용한 필터링 기법을 연구하였다.
둘째로, 대량의 GPS궤적 데이터를 이용한 공간빅데이터 분석 체계이다. 차량 이동 데이터를 분석하기 위해서는 차량이 어느 도로에 위치 했는지를 알기 위한 전자지도와 매칭하는 맵매칭 기술이 필수적이다. 대부분의 맵매칭 기술은 실시간 내비게이션 용도로 주로 사용되어왔기 때문에 빠른 분석 속도를 요하는 빅데이터 분석에 적합하지 않다. 본 연구에서는 대량의 GPS궤적데이터를 전자지도에 매칭하는 빅데이터 맵매칭 기술을 연구하였다.
셋째로, 연료소모량을 추정하는 모델이다. 기존 추정 모델과의 차별점은 실제 운행환경을 반영하기 위한 변수들을 추가했다는 것이다. 한 종류는 차량 운행특성을 반영하는 운행 패턴이고, 또 한 종류는 전국의 다양한 도로 환경 정보이다. 이러한 도로 환경정보를 반영하기 위해 맵매칭 공간빅데이터 프로세스를 이용하였다.
SBiFEM 빅데이터 분석시스템 테스트 및 검증은 5대의 분산 서버에 Hadoop, HBase와 Map Reduce프로그램을 수행하여 성능 검증을 하였다. 또한 연료소모량 추정 모델 검증은 대표적인 연료소모량 및 배출가스 추정 모델인 SIDRA, VSP, VT-Micro등을 DTG데이터를 적용하여 분석한 결과와 본 연구의 모델을 적용한 결과를 비교하여 검증하였다. 비교결과 추정 값과 실제 값을 비교한 Correlation이 0.9169, MAPE(평균절대백분비오차)가 0.1846으로 본 연구의 모델 적용시 가장 우수하게 나와 본 논문에서 개발한 모델의 우수성을 검증하였다.
As part of the movement to reduce traffic accidents in Korea, it has become mandatory that all commercial vehicles are equipped with Digital Tachograph (DTG) devices, and large amounts of driving record data, including GPS trajectories, have been generated. So far, such DTG data has been used mainly...
As part of the movement to reduce traffic accidents in Korea, it has become mandatory that all commercial vehicles are equipped with Digital Tachograph (DTG) devices, and large amounts of driving record data, including GPS trajectories, have been generated. So far, such DTG data has been used mainly for the purpose of inducing safe traffic driving. However, the utilization of DTG data is to expand in a variety of fields, such as eco-driving field to reduce fuel consumption.
This study aims to establish a model that can enable fuel consumption estimation using a large amount of actual on-road DTG data and spatial big data analysis. Existing fuel consumption estimation models are mainly verified in a laboratory environment or in limited areas, and there are many variables that are difficult to collect in the actual environments of commercial vehicles. Additionally, if a variety of nationwide Korean driving record data is applied, the problem of lower accuracy arises.
In this study, we proposed the SBiFEM(Spatial Big Data Fuel Estimation Model), which is the fuel consumption estimation model using DTG data and spatial big data analysis to improve this problem. SBiFEM is an analysis method that utilizes a variety of road information as additional input variables by using driving patterns and a spatial big data map-matching technique to reflect the wide range of environmental information of the road. In this study, a spatial big data analysis process using MapReduce is established and the entire process is verified, leading to preprocessing, spatial big data analysis, and driving pattern generation.
First, the preprocess technology was advanced. For sensing data characteristics, there are large amounts of outlier data, so the results are not reliable if this data is not filtered. We studied the filtering technology using statistical techniques and driving pattern analysis.
Second, a spatial big data analysis framework using large amounts of GPS trajectories was created. The map-matching technology is essential for analyzing vehicle travel data. Map-matching is the process of mapping GPS coordinates to road networks to identify appropriate map links. Most map-matching technology is not suitable for big data analysis that requires a fast analysis speed, because it has mainly been used for real-time navigation purposes. In this paper, we studied the map-matching technology using the spatial big data process of mapping GPS coordinates to road networks.
Third, a model for estimating the fuel consumption was established. In contrast with the existing model, we have added variables to reflect the actual driving environment. One kind is driving patterns to reflect the vehicle driving characteristic, and the other kind is the addition of nationwide road environment information as variables. They were used for the spatial big data map-matching process to reflect the road environment information.
To validate the performance of the SBiFEM analysis system, we used five distributed servers to establish a Hadoop/HBase echo system and to run the MapReduce program. To verify the fuel consumption estimation quality of SBiFEM, we compared the results of applying DTG data to the SBiFEM model and exemplary fuel consumption models, which are SIDRA, VSP, and VT-Micro. In the results of the analysis, the correlation comparing the actual value and the estimated value was 0.9169 and the mean absolute percentage error (MAPE) was 0.1846 in SBiFEM; these are superior values compared with other models. These results are expected to verify the excellence of the SBiFEM model.
As part of the movement to reduce traffic accidents in Korea, it has become mandatory that all commercial vehicles are equipped with Digital Tachograph (DTG) devices, and large amounts of driving record data, including GPS trajectories, have been generated. So far, such DTG data has been used mainly for the purpose of inducing safe traffic driving. However, the utilization of DTG data is to expand in a variety of fields, such as eco-driving field to reduce fuel consumption.
This study aims to establish a model that can enable fuel consumption estimation using a large amount of actual on-road DTG data and spatial big data analysis. Existing fuel consumption estimation models are mainly verified in a laboratory environment or in limited areas, and there are many variables that are difficult to collect in the actual environments of commercial vehicles. Additionally, if a variety of nationwide Korean driving record data is applied, the problem of lower accuracy arises.
In this study, we proposed the SBiFEM(Spatial Big Data Fuel Estimation Model), which is the fuel consumption estimation model using DTG data and spatial big data analysis to improve this problem. SBiFEM is an analysis method that utilizes a variety of road information as additional input variables by using driving patterns and a spatial big data map-matching technique to reflect the wide range of environmental information of the road. In this study, a spatial big data analysis process using MapReduce is established and the entire process is verified, leading to preprocessing, spatial big data analysis, and driving pattern generation.
First, the preprocess technology was advanced. For sensing data characteristics, there are large amounts of outlier data, so the results are not reliable if this data is not filtered. We studied the filtering technology using statistical techniques and driving pattern analysis.
Second, a spatial big data analysis framework using large amounts of GPS trajectories was created. The map-matching technology is essential for analyzing vehicle travel data. Map-matching is the process of mapping GPS coordinates to road networks to identify appropriate map links. Most map-matching technology is not suitable for big data analysis that requires a fast analysis speed, because it has mainly been used for real-time navigation purposes. In this paper, we studied the map-matching technology using the spatial big data process of mapping GPS coordinates to road networks.
Third, a model for estimating the fuel consumption was established. In contrast with the existing model, we have added variables to reflect the actual driving environment. One kind is driving patterns to reflect the vehicle driving characteristic, and the other kind is the addition of nationwide road environment information as variables. They were used for the spatial big data map-matching process to reflect the road environment information.
To validate the performance of the SBiFEM analysis system, we used five distributed servers to establish a Hadoop/HBase echo system and to run the MapReduce program. To verify the fuel consumption estimation quality of SBiFEM, we compared the results of applying DTG data to the SBiFEM model and exemplary fuel consumption models, which are SIDRA, VSP, and VT-Micro. In the results of the analysis, the correlation comparing the actual value and the estimated value was 0.9169 and the mean absolute percentage error (MAPE) was 0.1846 in SBiFEM; these are superior values compared with other models. These results are expected to verify the excellence of the SBiFEM model.
주제어
#디지털운행기록계
#빅데이터
#공간정보
#공간빅데이터
#연료소모량
#에코드라이빙
#사물인터넷
#DTG
#Big Data
#Spatial Data
#Fuel Estimation
#Eco-Driving
#Internet of Things
#IoT
학위논문 정보
저자
조원희
학위수여기관
국민대학교 비즈니스IT 전문대학원
학위구분
국내박사
학과
비즈니스IT전공
지도교수
최은미
발행연도
2016
총페이지
ix, 123 p.
키워드
디지털운행기록계,
빅데이터,
공간정보,
공간빅데이터,
연료소모량,
에코드라이빙,
사물인터넷,
DTG,
Big Data,
Spatial Data,
Fuel Estimation,
Eco-Driving,
Internet of Things,
IoT
※ AI-Helper는 부적절한 답변을 할 수 있습니다.