[논문]OBDII 데이터 기반의 실시간 연료 소비량 예측 모델 연구

양희은; 김도현; 최호섭

doi:10.3745/ktsde.2021.10.2.57

OBDII 데이터 기반의 실시간 연료 소비량 예측 모델 연구
A Modeling of Realtime Fuel Comsumption Prediction Using OBDII Data 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.10 no.2, 2021년, pp.57 - 64

양희은 (단국대학교 EduAI센터) , 김도현 ((주)한국축산데이터) , 최호섭 (단국대학교 EduAI센터)

초록
AI-Helper

자율주행차 시대가 도래하면서 ECU (Electronic Control Unit)는 점차 고도화되고 있고, 이에 따라 차량에서 정확한 데이터를 추출하고 분석하려는 연구가 다양하게 시도되어 왔다. 그러나 ECU는 차량 제조사별로 상이한 프로토콜을 가지고 있어 상용 단말기로는 정확한 데이터 추출과 분석이 어렵다. 본 연구에서는 정확한 차량 데이터를 추출하기 위하여 전용 펌웨어를 개발하여 차량의 2019년 1월부터 2월의 실제 주행데이터 53,580건의 데이터를 추출하였으며, 20회가 넘는 실제 도로 주행을 통해서 데이터의 정확도를 검증하였다. 이러한 데이터를 바탕으로 실시간 연료 소비량 예측 모델의 정확도를 높이기 위하여 스태킹 앙상블 기법을 이용하였다. 본 연구에서는 베이스 모델로 Ridge, Lasso, XGBoost, LightGBM이 사용되고 메타 모델은 Ridge가 사용되었으며, 예측 성능은 MAE 0.011, RMSE 0.017로 최적의 결과를 보였다.

Abstract ▼ AI-Helper

This study presents a method for realtime fuel consumption prediction using real data collected from OBDII. With the advent of the era of self-driving cars, electronic control units(ECU) are getting more complex, and various studies are being attempted to extract and analyze more accurate data from vehicles. But since ECU is getting more complex, it is getting harder to get the data from ECU. To solve this problem, the firmware was developed for acquiring accurate vehicle data in this study, which extracted 53,580 actual driving data sets from vehicles from January to February 2019. Using these data, the ensemble stacking technique was used to increase the accuracy of the realtime fuel consumption prediction model. In this study, Ridge, Lasso, XGBoost, and LightGBM were used as base models, and Ridge was used for meta model, and the predicted performance was MAE 0.011, RMSE 0.017.

주제어

표/그림 (15)

그림 Fig. 1. Shape and PIN OUT Protocol of OBDII
그림 Fig. 2. Duration Per Task from Precedent Study
그림 Fig. 3. OBDII Device Display and PCB Hardware
그림 Fig. 4. Flow Chart for Error Correction Algorithm
표 Table 1. OBDII Device Technical Specs
표 Table 2. Error Correction Algorithm Description
그림 Fig. 5. Part of Binary Data from Data Index (Captured from Excel)
표 Table 3. Part of Binary Data Transferred to Features
표 Table 4. Data Classification for Modeling
표 Table 5. Description of Each Items in Feature Set
그림 Fig. 6. Data Histogram of Gear and Foot Break
표 Table 6. Feature Importance
그림 Fig. 7. Flow Chart of Stacking Ensemble
표 Table 7. MAE and RMSE by Model
표 Table 8. MPG Prediction Results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

또한 Gridsearch CV를 활용하여 최적의 매개변수를 찾고, 이를 이용하여 모델의 성능을 향상시키고자 했다. 예시로 Lasso 모델에서 GridSearchCV의 변수인 grid_ridge의 cv_result 를 통한 alpha값의 변화에 따라 평균값의 변화를 파악한 결과, param 리스트는 0.
본 연구는 OBDⅡ의 표준항목을 이용해 가장 효과적인 연비 예측 모델을 개발하고 스태킹 기법을 이용하여 주행 변수와 연비 간 관계를 예측하였다. 기존에도 차량 데이터 관련 연구가 다양하게 시도되어 왔으나, 차량 제조사별 상이한 프로토콜을 가지고 있어 데이터 추출과 분석이 어려웠다.
본 연구에서는 2019년 1월부터 2019년 2월까지의 차량 주행 데이터를 이용해 연비 예측 모델의 효용성을 확인하였다. Table 8은 기존 연구에서 제시하는 예측 모델과 본 논문의 모델을 비교한다.
본 연구에서는 기존에 구입할 수 있는 OBDII 젠더(단말기)들의 문제점을 해결하고자 별도의 하드웨어 단말기와 이에 맞춘 펌웨어를 개발하여 연구를 진행하였다.
기존에도 차량 데이터 관련 연구가 다양하게 시도되어 왔으나, 차량 제조사별 상이한 프로토콜을 가지고 있어 데이터 추출과 분석이 어려웠다. 본 연구에서는 연료 소비량의 정확한 예측을 위해 별도의 하드웨어를 개발하고, 20회가 넘는 실제 도로주행을 통해서 데이터의 정확도를 검증하였다.
실제 주행 환경에서의 특성을 반영하기 어렵다. 본 연구에서는 이러한 부분들에 대해서 보완을 하여 더 정확도가 높은 모델을 제안하고자 한다.
이에 본 연구에서는 MAF (Massive Air Flow)를 포함한 OBDII의 표준항목 데이터들을 수집하여 실제 운행 데이터를 이용한 연료 소비량 예측 모델을 제안한다. 이를 위해서 차량의 데이터를 추출할 수 있는 OBDII 단말기와 펌웨어를 직접 제작하였으며, 가공한 데이터를 기반으로 순간 연료 분사량 변수 및 엔진회전수 등 차량에서 획득할 수 있는 실시간(초당) 변수를 통해 높은 예측 정확도를 달성할 수 있는 방법을 제안하고자 한다.

제안 방법

Table 6과 같이 모델별 상관계수가 상이하게 나타났기 때문에, 본 연구에서는 모델들의 단점을 보완할 수 있도록 앙상블 학습 중 하나인 스태킹 모델을 사용하였다. 개별 모델이 예측한 데이터를 다시 학습 데이터로 사용하여 학습하는 스태킹 기법(k-fold=5, shuffle=false)에 사용할 개별 베이스 모델로 Ridge, Lasso, XGBoost, LGB, Linear Regression 을 사용하였다.
변수를 역으로 알아내는 과정이 필요하다. 그래서 각 인덱스가 의미하는 데이터는 차량을 직접 주행 및 차량 기능 동작을 통해 바이너리 값이 의미하는 데이터 세트를 구축하였다. Table 3은 Fig.
그리하여 본 연구에서는 Fig. 7과 같이 먼저 train과 test 데이터를 5 fold로 나누었다. 즉 데이터를 5개의 fold(k-fold=5) 로 나눈 후, 개별 모델별로 5 fold로 나누어진 데이터를 기반으로 학습을 진행하였다.
주행 연비를 예측하였다. 따라서 대부분 속도, 엔진 회전수, 가속도, 순간 연료분사량을 이용하였다.
기존 연구의 경우, 연비 예측에 대한 성능지표 및 예측에 사용된 데이터가 본 연구와 상이하여 직접적인 성능 비교에는 한계가 있다. 따라서 본 연구에서 제시하는 스태킹 모델을 이용해 총 2가지 경우에 대해 시뮬레이션을 수행하였다. 기존 연구와 유사하게 변수를 적게 적용 (feature = 4개)하였을 경우, MAE는 1.
또한 ECU를 통해서 얻기 어려운 GPS값, 각 축의 기울기를 획득하기 위하여 별도의 GPS 수신기와 자이로센서를 추가하였다.
학습이 완료된 후, 예측을 수행하여 나온 개별 모델의 예측값을 다시 학습 데이터 세트로 사용하여 학습한다. 마지막으로 최종 예측 모델을 선정하여 학습하고, 최종적으로 예측값에 대한 평가를 한다.
즉 데이터를 5개의 fold(k-fold=5) 로 나눈 후, 개별 모델별로 5 fold로 나누어진 데이터를 기반으로 학습을 진행하였다. 모델마다 검증 데이터를(X_test) 입력하여 예측 후, 예측 결과값을 저장하였다. 그리고 5개의 예측값들은 다시 메타 모델의 학습 데이터로 사용하였다.
6과 같이 ‘Gear(기어 단)’ 데이터는 값이 1~14인 반면, ‘Break’ 데이터는 0~1 사이의 값을 포함하고 있다. 변수들의 숫자 편차가 커서 이러한 편차를 줄이기 위해 Scaling 과정을 통하여 데이터를 가공하였으며, Scaling 방법 중 MinMax Scaler를 이용하여 모든 변수의 값이 0~1 사이가 되도록 데이터를 재조정하였다[14].
본 연구에서는 스태킹 기법을 사용하기에 앞서 Linear Regression, Ridge, Lasso, XGBRegressor, LightGBM 예측모델의 성능을 비교하였다. 이 과정에서 성능을 더 잘 평가하기 위해 cross-validation (k=5) 을 사용하여 모델별로 어떠한 매개변수가 선택되는지를 확인하였다.
본 연구에서는 자체 제작한 디바이스를 제어하고 실행하기 위한 펌웨어를 제작하였으며, ECU로부터 CAN 통신을 통해서 차량의 데이터 수집, 수집된 데이터를 내부의 ROM에 저장 및 관리, 실시간 데이터를 모뎀 및 블루투스를 통해서 전송 등의 기본 기능을 수행한다. 또한 Fig.
모델을 생성하였다. 스태킹 앙상블 모델을 사용하였으며, 베이스 모델로는 Ridge, Lasso, XGBoost, LightGBM, 메타모델로는 Ridge 모델을 사용하여 MAE 0.011, RMSE 0.017 성능을 갖는 연비 예측 모델을 제안하였다. 현재 예측모델의 성능이 최소 변수(featrue=4)를 적용했을 때보다 MAE는 약 18%, RMSE는 약 25% 정도 좋은 성능을 나타냈다.
위와 같은 이유로 본 연구에서는 직접 OBDII 하드웨어 및 펌웨어를 제작하여 연구하였으며, OBDII 하드웨어는 ARM 기반의 32비트 CPU와 데이터 저장을 위한 4GB의 롬 메모리가 있으며, 실시간 데이터를 기록 및 저장할 수 있도록 3G/LTE 모뎀과 블루투스 칩을 탑재하였다.
성능을 비교하였다. 이 과정에서 성능을 더 잘 평가하기 위해 cross-validation (k=5) 을 사용하여 모델별로 어떠한 매개변수가 선택되는지를 확인하였다.
이 모델의 기본 구조는 학습 데이터와 테스트 데이터 세트를 사용하며 여러 개의 베이스 모델들을 이용하여 학습한다. 학습이 완료된 후, 예측을 수행하여 나온 개별 모델의 예측값을 다시 학습 데이터 세트로 사용하여 학습한다.
연료 소비량 예측 모델을 제안한다. 이를 위해서 차량의 데이터를 추출할 수 있는 OBDII 단말기와 펌웨어를 직접 제작하였으며, 가공한 데이터를 기반으로 순간 연료 분사량 변수 및 엔진회전수 등 차량에서 획득할 수 있는 실시간(초당) 변수를 통해 높은 예측 정확도를 달성할 수 있는 방법을 제안하고자 한다. 또한 제안하는 예측 모델의 성능을 관련 연구 결과와 비교하여 연료 소비량 예측의 효과성과 연료 소비량 절감을 기대할 수 있을 것으로 판단하였다.
7과 같이 먼저 train과 test 데이터를 5 fold로 나누었다. 즉 데이터를 5개의 fold(k-fold=5) 로 나눈 후, 개별 모델별로 5 fold로 나누어진 데이터를 기반으로 학습을 진행하였다. 모델마다 검증 데이터를(X_test) 입력하여 예측 후, 예측 결과값을 저장하였다.
학습한다. 학습이 완료된 후, 예측을 수행하여 나온 개별 모델의 예측값을 다시 학습 데이터 세트로 사용하여 학습한다. 마지막으로 최종 예측 모델을 선정하여 학습하고, 최종적으로 예측값에 대한 평가를 한다.

대상 데이터

본 연구에서 사용되는 OBDII 데이터는 디지털 운행 기록 장치(Digital Taco Graph; DTG)에서 수집하는 데이터를 전부 포함한(단 상태코드 제외) 총 20개의 항목이 있다. 초 단위로 수집되는 이 데이터 항목들은 측정시각, 엔진회전수, 차량 속도, 레버의 위치, 가속페달량, 순간 연료소모량, 엔진 경고등, GPS 위/경도, 기어 단 수, 페달 및 사이드 브레이크 유무, X/Y/Z축 기울기, 에어컨 유무, 순간 토크, 핸들 조향각, 안전벨트 착용 유무, 방향지시등 상태 등이다.
본 연구에서는 자체 제작한 펌웨어 단말기를 이용하여 아반떼 AD 모델의 2019년 1월부터 2019년 2월의 주행 데이터를 수집하였다. 전체 데이터 53, 580건(초당 Data Set)에서 80%에 해당하는 데이터를 학습 데이터, 20%에 해당하는 데이터를 테스트 데이터(Validation/Test Data)로 사용하였다.
수집하였다. 전체 데이터 53, 580건(초당 Data Set)에서 80%에 해당하는 데이터를 학습 데이터, 20%에 해당하는 데이터를 테스트 데이터(Validation/Test Data)로 사용하였다. 데이터 구성은 Table 4와 같다.
포함한(단 상태코드 제외) 총 20개의 항목이 있다. 초 단위로 수집되는 이 데이터 항목들은 측정시각, 엔진회전수, 차량 속도, 레버의 위치, 가속페달량, 순간 연료소모량, 엔진 경고등, GPS 위/경도, 기어 단 수, 페달 및 사이드 브레이크 유무, X/Y/Z축 기울기, 에어컨 유무, 순간 토크, 핸들 조향각, 안전벨트 착용 유무, 방향지시등 상태 등이다.

이론/모형

학습 중 하나인 스태킹 모델을 사용하였다. 개별 모델이 예측한 데이터를 다시 학습 데이터로 사용하여 학습하는 스태킹 기법(k-fold=5, shuffle=false)에 사용할 개별 베이스 모델로 Ridge, Lasso, XGBoost, LGB, Linear Regression 을 사용하였다.
본 연구에서는 모델의 성능을 높이기 위하여 앙상블 기법 중에 스태킹을 사용하였다. 여기서 앙상블이란 여러 개의 예측모형들을 결합하여 하나의 최종 예측모형을 만드는 방법이다.
성능 측정 지표는 평균절대오차인 MAE(Mean Absolute Error)와 평균제곱근오차인 RMSE(Root Mean Square Error) 를 이용하였다. MAE는 회귀모델의 오류 지표 중 하나로 모델의 예측값과 실제값의 차이를 모두 더한다는 개념으로써절대값을 취하기 때문에 가장 직관적으로 알 수 있는 지표이며, MSE보다는 이상치로부터 영향을 크게 받지 않는다.
그리고 5개의 예측값들은 다시 메타 모델의 학습 데이터로 사용하였다. 이때, 최종 메타 모델 선정은 회귀모델인 Ridge, Lasso, XGBoost, LGB, Linear Regression을 각각 메타 모델로 사용하였을 때가장 좋은 성능을 보인 모델인 Ridge 모델을 선택하여 사용하였다.

성능/효과

6과 같다. Linear Regression과 Ridge에서는 TRIP(L), TRIP(KM), Vss, BELT, SLOP_Y, HANDLE, FCO(uL) 변수가 모델에 많은 영향을 끼치며, Lasso에서는 TRIP(KM), BELT, Vss, ACON, GEAR가 중요 변수로 나타났다. XGBoost에서는 TRIP(L), TRIP(KM), SLOP_Z, LATITUDE, SLOP_X 순서로 상관계수가 높았고, LightGBM에서는 TRIP(KM), LATITUDE, SLOP_Y 순서로 상관계수가 높은 결과를 보였다.
있다. RMSE 값을 측정하였을 때, XGBoost가 0.018 로 성능이 좋았으며, Lasso의 성능이 0.249 로 저조한 결과를 보였다.
Linear Regression과 Ridge에서는 TRIP(L), TRIP(KM), Vss, BELT, SLOP_Y, HANDLE, FCO(uL) 변수가 모델에 많은 영향을 끼치며, Lasso에서는 TRIP(KM), BELT, Vss, ACON, GEAR가 중요 변수로 나타났다. XGBoost에서는 TRIP(L), TRIP(KM), SLOP_Z, LATITUDE, SLOP_X 순서로 상관계수가 높았고, LightGBM에서는 TRIP(KM), LATITUDE, SLOP_Y 순서로 상관계수가 높은 결과를 보였다.
그러나 본 논문에서는 GridSearchCV를 통하여 개별 회귀모델의 최적의 매개 변수를 확인한 결과, 도로 경사도, GPS 위도/경도와 같은 일부 환경변수들도 연비 예측에 영향을 끼치는 것으로 확인되어 20개의 주행 변수를 이용하여 예측 모델을 생성하였다. 스태킹 앙상블 모델을 사용하였으며, 베이스 모델로는 Ridge, Lasso, XGBoost, LightGBM, 메타모델로는 Ridge 모델을 사용하여 MAE 0.
따라서 본 연구에서 제시하는 스태킹 모델을 이용해 총 2가지 경우에 대해 시뮬레이션을 수행하였다. 기존 연구와 유사하게 변수를 적게 적용 (feature = 4개)하였을 경우, MAE는 1.310, RMSE는 2.132 의 결과를 보였으나, 모든 변수를 적용(feature = 20개)할 때 MAE는 0.011, RMSE는 0.017의 결과를 보였다.
반면, 본 연구에서의 연비 예측 모델의 성능은 변수 4개(시각, 엔진회전수, 차량속도, 가속페달량)를 적용하였을 때, MAE는 1.310, RMSE는 2.132가 나왔으며, 변수 20개를 모두 사용하였을 때는 MAE 0.011, RMSE 0.017의 결과를 보였다. 즉, 다양한 환경변수를 고려할 경우, 최소 변수를 적용했을 때보다 MAE는 약 18%, RMSE는 약 25% 정도 좋은 예측 결과를 보여주었다.
이용하여 모델의 성능을 향상시키고자 했다. 예시로 Lasso 모델에서 GridSearchCV의 변수인 grid_ridge의 cv_result 를 통한 alpha값의 변화에 따라 평균값의 변화를 파악한 결과, param 리스트는 0.001, 0.005, 0.008, 0.05, 0.03, 0.1, 0.5, 1, 5를 사용하였으며 그 중 최적의 파라미터 값은 5로 확인되었다.
RMSE는 오차의 제곱에 대하여 평균을 취하고 이를 제곱근한 것을 나타낸다. 오류의 제곱을 구하는 MSE에 root를 씌운 값으로 실제 오류 평균보다 커지는 MSE의 단점을 보완한 지표로 MSE, RMSE 는 값이 작을수록 추정의 정확성이 높아진다.
MAE는 회귀모델의 오류 지표 중 하나로 모델의 예측값과 실제값의 차이를 모두 더한다는 개념으로써절대값을 취하기 때문에 가장 직관적으로 알 수 있는 지표이며, MSE보다는 이상치로부터 영향을 크게 받지 않는다. 이에 본 연구에서는 변동성이 적은 편에 속하는 MAE를 성능 지표로 살펴보는 것이 적절하다고 판단하였다. RMSE는 오차의 제곱에 대하여 평균을 취하고 이를 제곱근한 것을 나타낸다.
017의 결과를 보였다. 즉, 다양한 환경변수를 고려할 경우, 최소 변수를 적용했을 때보다 MAE는 약 18%, RMSE는 약 25% 정도 좋은 예측 결과를 보여주었다.
017 성능을 갖는 연비 예측 모델을 제안하였다. 현재 예측모델의 성능이 최소 변수(featrue=4)를 적용했을 때보다 MAE는 약 18%, RMSE는 약 25% 정도 좋은 성능을 나타냈다.

후속연구

이를 위해서 차량의 데이터를 추출할 수 있는 OBDII 단말기와 펌웨어를 직접 제작하였으며, 가공한 데이터를 기반으로 순간 연료 분사량 변수 및 엔진회전수 등 차량에서 획득할 수 있는 실시간(초당) 변수를 통해 높은 예측 정확도를 달성할 수 있는 방법을 제안하고자 한다. 또한 제안하는 예측 모델의 성능을 관련 연구 결과와 비교하여 연료 소비량 예측의 효과성과 연료 소비량 절감을 기대할 수 있을 것으로 판단하였다.
제안한 모델을 기반으로 운전자에게 보다 정확한 연료 소비량을 제공함으로써, 기업의 비용 절감 및 환경보존 등의 효과도 기대할 수 있다. 향후 더 나아가 신경망 모델을 적용하여 예측 모형의 성능을 고도화하는 연구를 진행할 것이며, 다양한 차종의 데이터를 OBDII 단말기로부터 획득하여 모델에 적용한다면 범용적인 모델을 활용한 실제 응용에 활용될 수 있을 것으로 기대된다.
기대할 수 있다. 향후 더 나아가 신경망 모델을 적용하여 예측 모형의 성능을 고도화하는 연구를 진행할 것이며, 다양한 차종의 데이터를 OBDII 단말기로부터 획득하여 모델에 적용한다면 범용적인 모델을 활용한 실제 응용에 활용될 수 있을 것으로 기대된다.

참고문헌 (16)

T. Lee, J. Jung, J. Kang, H. Choi, and J. Ko, "System for analyzing big data collected while driving a car," The Institute of Electronics and Information Engineers, pp.1367-1370, 2018.
W. J. Lee and D. S. Ko, "Classification of the safe threats using clustering of vehicle OBD2 Data by road section type," Korean Institute of Information Technology, Vol.18, No.4, pp.1-8, 2020.
G. Geraldo, "Differences between on board diagnostic systems (EOBD, OBD-II, OBD-BR1 and OBD-BR2)," SAE Technical Paper 2006-01-2671, 2006.
D. Rimpas, A. Papadakis, and M. Samarakou, "OBD-II sensor diagnostics for monitoring vehicle operation and consumption," Energy Reports, Vol.6, pp.55-63, 2020.

상세보기
T. H. DeFries, M. Sabisch, S. Kishan, F. Posada, J. German, and A. Bandivadekar, "In-use fuel economy and CO 2 emissions measurement using OBD data on US light-duty vehicles," SAE International Journal of Engines, Vol.7, No.3, pp.1382-1396, 2014.

상세보기
A. Aliyu and S. Adeshina, "Classifying auto-MPG data set using neural network," 2014 11th International Conference on Electronics, Computer and Computation (ICECCO), Abuja, pp.1-4, 2014.
M. N. Jamala, and S. S. Abu-Naser, "Predicting MPG for automobile using artificial neural network analysis," Information Systems Research, Vol.2, No.10. pp.5-21, 2018.
K. H. Ahn, A. G. Stefanopoulou, and M. Jankovic, "Tolerant ethanol estimation in flex-fuel vehicles during MAF sensor drifts," Proceedings of the ASME Dynamic Systems and Control Conference 2009, pp.581-588, 2009.
S. Boverie, D. Dubois, X. Guerandel, O. de Mouzon, and H. Prade, "Online diagnosis of engine dyno test benches: A possibilistic approach," Proceedings of the 15th European Conference on Artificial Intelligence (ECAI'02), pp.658-662, 2002.
D. Opitz and R. Maclin, "Popular ensemble methods: An empirical study," Journal of Artificial Intelligence Research, Vol.11, No.1, pp.169-198, 1999.
J. Zaldivar, C. T. Calafate, J. C. Cano, and P. Manzoni, "Providing accident detection in vehicular networks through OBD-II devices and Android-based smartphones," 2011 IEEE 36th Conference on Local Computer Networks, Bonn, pp.813-819, 2011.
FUNK, Tom. System and method for implementing added services for OBD2 smart vehicle connection. U.S. Patent, US10249103B2, 2019.
De Schutter, B. and T. J. J. van den Boom, "Model predictive control for max-min-plus-scaling systems - efficient implementation," Sixth International Workshop on Discrete Event Systems, 2002 Proceedings, pp.343-348, 2002.
W. Cho, "Big Data-Based Fuel Consumption Estimation Model using Actual On-road DTG Data and Spatial Data," Graduate School of Business IT, Kookmin University, 2016.
B. Predic, M. Madic, M. Roganovic, M. Kovacevic, and D. Stojanovic, "Prediction of passenger car fuel consumption using artificial neural network: A case study in the city of Nis," Automatic Control and Robotics, Vol.15, No.2, pp.105-116, 2016.
M. Lee, Y. Park, K. Jung, and J. Yoo, "Estimation of fuel consumption using in-vehicle parameters," International Journal of U- and E- Service, Science and Technology, Vol.4, No.4, pp.37-46, 2011.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증