[논문]Machine Learning Methods to Predict Vehicle Fuel Consumption

Ko, Kwangho

doi:10.9708/jksci.2022.27.09.013

Machine Learning Methods to Predict Vehicle Fuel Consumption 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.9, 2022년, pp.13 - 20

Ko, Kwangho (Dept. of Smart Mobility, Pyeongtaek University)

초록
AI-Helper

본 연구에서는 주행 차량의 실시간 연료소모량을 예측할 수 있는 머신러닝 기법을 제안하고 그 특성을 분석하였다. 머신러닝 학습을 위해 실도로 주행을 실시하여 주행 속도, 가속도, 도로 구배와 함께 연료소모량을 측정하였다. 특성 데이터로 속도, 가속도, 도로구배를, 타깃으로 연료소모량을 지정하여 다양한 머신러닝 모델을 학습시켰다. 회귀법에 해당하는 K-최근접이웃회귀 및 선형회귀와 함께, 분류법에 해당하는 K-최근접이웃분류, 로지스틱회귀, 결정트리, 랜덤포레스트, 그래디언부스팅을 사용하였다. 실시간 연료소모량에 대한 예측 정확도는 0.5 ~ 0.6 수준으로 전반적으로 낮았고, 회귀법의 경우 분류법보다 정확도가 떨어졌다. 총연료소모량에 대한 예측 오차는 0.2 ~ 2.0% 수준으로 상당히 정확했고, 분류법보다 회귀법의 오차가 더 낮았다. 이는 예측 정확도의 기준으로 결정계수(R²)를 사용했기 때문인데, 이 값이 작을수록 타깃의 평균 부근에 예측치가 좁게 분포하기 때문이다. 따라서 실시간 연료소모량 예측에는 분류법이, 총연료소모량 예측에는 회귀법이 적합하다고 할 수 있다.

Abstract ▼ AI-Helper

It's proposed and analyzed ML(Machine Learning) models to predict vehicle FC(Fuel Consumption) in real-time. The test driving was done for a car to measure vehicle speed, acceleration, road gradient and FC for training dataset. The various ML models were trained with feature data of speed, acceleration and road-gradient for target FC. There are two kind of ML models and one is regression type of linear regression and k-nearest neighbors regression and the other is classification type of k-nearest neighbors classifier, logistic regression, decision tree, random forest and gradient boosting in the study. The prediction accuracy is low in range of 0.5 ~ 0.6 for real-time FC and the classification type is more accurate than the regression ones. The prediction error for total FC has very low value of about 0.2 ~ 2.0% and regression models are more accurate than classification ones. It's for the coefficient of determination (R2) of accuracy score distributing predicted values along mean of targets as the coefficient decreases. Therefore regression models are good for total FC and classification ones are proper for real-time FC prediction.

주제어

표/그림 (11)

그림 Fig. 1. Test Vehicle & Equipment
표 Table 1. Test Vehicle Specification
표 Table 2. Test Equipment Specification (VBOX)
표 Table 3. Test Driving Data Measured
표 Table 4. Labelling Scheme
그림 Fig. 2. Prediction Score by Number of Neighbors
그림 Fig. 3. Prediction Characteristics by Regression/Classification
표 Table 5. Prediction Results by KNN – Reg / Class
표 Table 6. Characteristics of ML
표 Table 7. Prediction Results by Machine Learning
그림 Fig. 4. Prediction Characteristics by Regression/Classification

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 저렴한 GPS 센서에서 쉽게 측정할 수 있는 차량의 주행 속도, 가속도 및 도로의 구배(경사도)를 이용하여 실시간으로 차량의 연료소모량을 예측할 수 있는 머신러닝 모델을 제안하고 그 성능과 특성을 분석하였다. 실도로에서 차량 실험을 수행하여 모델 학습에 필요한 데이터를 측정하였고, 확보된 데이터에 대해 다양한 머신러닝 기법을 적용하기 위한 데이터 전처리 기법과 함께 학습된 모델의 예측 성능과 오차를 다양하게 비교 분석하였다.
특히 회귀법(Regression)과 분류법(Classification)에 따라 전처리 과정, 그 예측 성능 및 특성이 달라지는 것을 알 수 있었다. 이를 통해, 실시간 연료소모량, 총 연료소모량 혹은 평균연비의 도시/연산/분석과 같이 다양한 사용 목적에 적합한 머신러닝 모델을 제안하고자 한다.

제안 방법

이러한 주행 조건은 실도로에서는 드물게 발생하므로 얻을 수 있는 데이터의 개수에 제한을 받을 수밖에 없다. 데이터 수가 불충분한 경우 학습이 어려우므로 본 연구에서는 약 24mcc 이상의 넓은 범위의 FC 영역에 모두 레이블 4를 부여하여 학습이 이루어지도록 도모하였다. 이러한 레이블 부여 방식은 실도로 차량실험을 통해 학습 데이터를 확보하는 경우 유용할 것으로 판단된다.
Table6에 각 ML 기법별로 적용한 특성을, Table7에 그 결과를 정리하였는데, 각 기법별로 정규화(SS) 및 특성공학(FE) 적용에 따른 결과도 함께 정리하였다. 또한 이렇게 학습된 모델을 본 연구에 사용된 연료소모량 전체 데이터에 적용하여 예측 총 연료소모량(Total FC : TFC [liter]), 예측 평균연비(FE [km/liter]) 및 실측된 총연료소모량과의 차이 백분율(Error [%])도 정리하였다. 로지스틱회귀의 경우 정규화 및 특성공학의 적용 효과가 좋았지만, 다른 기법의 경우에는 정규화/특성공학 적용여부에 따라 오차(Error)가 크게 달라지지 않았다.
앞에서 언급했듯이 연료소모량의 경우 비선형적인 성질이 있어 분류법을 적용할 필요도 있다. 본 연구에서는 연속적으로 변화하는 연료소모량 타깃을 분류법으로 예측하기 위해 Table4와 같이 연료소모량을 일정한 구간으로 나누어 레이블(Label)을 부여하였다. 연료차단관성주행 영역을 의미하는 레이블 0에서, 고부하영역을 의미하는 레이블 4까지 총 5개의 영역으로 분류하였다.
실도로 주행 실험을 통해 얻은 속도, 가속도, 도로구배 및 실시간 연료소모량을 이용해 차량의 연료소모량 예측을 위한 ML 모델을 학습시켜 그 성능과 특성을 비교하였다. 입력 데이터로 속도/가속도/도로구배를, 타깃으로 실시간 연료소모량(FC)을 설정하여 학습시켰다.
본 연구에서는 저렴한 GPS 센서에서 쉽게 측정할 수 있는 차량의 주행 속도, 가속도 및 도로의 구배(경사도)를 이용하여 실시간으로 차량의 연료소모량을 예측할 수 있는 머신러닝 모델을 제안하고 그 성능과 특성을 분석하였다. 실도로에서 차량 실험을 수행하여 모델 학습에 필요한 데이터를 측정하였고, 확보된 데이터에 대해 다양한 머신러닝 기법을 적용하기 위한 데이터 전처리 기법과 함께 학습된 모델의 예측 성능과 오차를 다양하게 비교 분석하였다. 특히 회귀법(Regression)과 분류법(Classification)에 따라 전처리 과정, 그 예측 성능 및 특성이 달라지는 것을 알 수 있었다.
이상과 같이 역학적인 연산법이나 ML/DL 기법은 선행연구에서 찾아볼 수 있으나, 대표적인 ML 기법인 선형회귀, 로지스틱회귀, 결정트리, 앙상블러닝 등을 적용하여 개별 타깃에 대한 예측 정확도와 전체 주행 데이터에 대한 예측 오차 등을 종합적으로 비교 분석한 연구는 없다. 이에 본 연구에서는 이러한 대표적인 ML 기법을 실도로 주행 실험 데이터에 적용하여 실시간 연료소모량 및 총연료 소모량, 평균연비 등에 대한 예측 성능, 특징 및 그 오차 등을 비교 분석했다.
Table3에 주행실험에서 측정된 데이터의 전반적인 특성을 정리하였다. 주행속도(v), 가속도(a), 도로구배(sin)를 입력(특성) 데이터로 사용하고, 타깃을 실시간 연료소모량(FC : Fuel Consumption)으로 설정하였다. 구배가 큰 도로에서 높은속도/가속도로 주행할 때 연료소모량이 높을 것으로 예상된다.

대상 데이터

ML 적용을 위한 차량 실험 데이터를 확보하기 위해 가솔린 연료를 사용하는 중형 승용차를 실도로에서 주행하였다. 주행속도, 가속도, 도로구배 등을 얻기 위한 GPS 센서와 차량의 실시간 연료소모량을 측정하기 위한 OBD(On Board Diagnostics : 차량 정비용 표준 입출력 단자)가 적용된 VBOX라는 장비를 사용하였다.
약 81km 정도의 실도로 주행을 통해 약 7만 라인의 데이터를 확보하였는데, 평균 주행 속도 40km/h, 총연료소모량 6.5liter, 평균연비 12.5km/liter 정도이다. Table3에 주행실험에서 측정된 데이터의 전반적인 특성을 정리하였다.
주행속도, 가속도, 도로구배 등을 얻기 위한 GPS 센서와 차량의 실시간 연료소모량을 측정하기 위한 OBD(On Board Diagnostics : 차량 정비용 표준 입출력 단자)가 적용된 VBOX라는 장비를 사용하였다. 영국 Racelogics사의 DAS(Data Aquisition System) 장비인 VBOX는 모터스포츠 분야에서 널리 사용되는 장비로 10Hz의 측정속도로 다양한 차량 데이터를 수집한다. 국내에서는 VBOX Korea라는 회사에서 구입이 가능하다(vboxkorea.

데이터처리

다음으로 선형회귀(Lin-Reg), 로지스틱회귀(Log-Reg), 결정트리(DT, 최대분기수(max_depth) 7), 랜덤포레스트 (RF, 최대분기수 7, 가지수(n_estimator) 100개), 그래디 언트부스팅(GB, 가지수 1000개, 학습율(learning rate) 0.1) 기법을 적용하여 학습/시험 데이터에 대한 예측 정확도를 연산하였다. Table6에 각 ML 기법별로 적용한 특성을, Table7에 그 결과를 정리하였는데, 각 기법별로 정규화(SS) 및 특성공학(FE) 적용에 따른 결과도 함께 정리하였다.
앞에서 정리한 ML 기법별로 실시간 연료소모량(FC) 예측 정확도(Score) 및 총연료소모량(TFC) 예측 오차(Error)를 비교 분석하였다. 선형회귀의 경우 예측 정확도(R2)는 낮지만 총연료소모량 오차는 0.
입력 데이터로 속도/가속도/도로구배를, 타깃으로 실시간 연료소모량(FC)을 설정하여 학습시켰다. 예측 정확도(Score) 를 비교하기 위해 결정계수(R2 : 0 ~ 1)를, 전체적인 예측성능을 평가하기 위해 예측 총연료소모량(TFC)과 실측 총 연료소모량의 차이인 오차(Error(%))를 이용하였다.
하이브리드/전기 차량의 경우에는 이러한 조건에서 회생제동 (Regenerative Braking) 모드가 작동되어 에너지소모량이(-)의 값을 가지기도 한다(전력의 회수). 이렇게 비선형적인 변화를 보이는 FC를 예측하기 위해 다양한 ML 기법을 적용하여 그 예측 정확도와 특성 등을 비교, 분석하였다.
이를 확인하기 위해 같은 회귀법에 속하지만 FC 예측정확도와 TFC 예측 오차에 있어 약간의 차이를 보이는 K-최근접이웃 회귀(KNN-Reg)와 선형회귀(LinReg) 모델의 결과를 비교 분석하였다. 두 모델의 동일한 50개 데이터(실시간 연료소모량)에 해당하는 속도별 예측 결과 그래프를 Fig.
우선 K-최근접이웃 회귀/분류 기법을 통해 기본적인 예측 성능을 평가해 보았다. 전체 데이터의 20%를 시험용데이터로 무작위 선정해 이웃의 개수(n_neighbors)를 변화시키면서 예측 정확도를 비교해보았다. 본 연구에서는 사이킷런(Scikit-Learn) 라이브러리의 ML 클래스를 사용하였는데, 예측 정확도(Score)는 회귀의 경우 결정계수 (R2, Coefficient of Determination)이고, 분류의 경우 맞게 분류한 타깃 개수의 비율로 표현된다.
측정된 데이터세트에 K-최근접이웃, 선형회귀, 로지스틱회귀, 결정트리, 랜덤포레스트, 그래디언트부스팅과 같은 ML 기법을 적용하여 그 예측 성능을 평가하였다. FC 의 예측 정확도는 0.

이론/모형

본 연구에서는 ML 기법을 적용하여 FC를 예측한다. ML 기법은 크게 회귀와 분류로 나눌 수 있다.
실시간으로 변화하는 FC를 예측하기 위해서는 회귀법(Regression)이 적당하나, 연료소모량의 비선형성을 고려하기 위해 FC의 크기에 따라 균일하게 구간을 나누어 5개의 레이블을 부여하여 분류법(Classification)도 적용하였다. 연료차단관성주행 영역, 무부하정차 조건을 포함한 저부하 영역, 중저부하 영역, 중고부하 영역, 전부하 조건을 포함한 고부하 영역에 각각 0 ~ 4의 레이블을 부여하였다.
우선 K-최근접이웃 회귀/분류 기법을 통해 기본적인 예측 성능을 평가해 보았다. 전체 데이터의 20%를 시험용데이터로 무작위 선정해 이웃의 개수(n_neighbors)를 변화시키면서 예측 정확도를 비교해보았다.
일반적인 회귀 기법인 선형회귀(Linear Regression), K-최근접 이웃회귀(KNN-Reg : K - Nearest Neighbors Regression)을 적용하여 그 성능을 확인했다. 이때 표준점수(Standard Scale)로 변환하는 경우의 성능 변화도 확인하였고, 3차의 특성공학(3-order Feature Engineering)도 별도로 적용하였다. 표준점수변환은 사용하는 입력 데이터의 스케일에 차이가 있는 경우 평균과 표준편차를 이용하여 정규화하는 기법이고, 특성공학은 입력데이터의 조합(곱과 제곱 등)을 입력 데이터로 사용하여 특성 데이터를 풍부하게 활용할 수 있는 기법으로 ML에서 널리 사용된다.
이러한 데이터 분포는 실도로 주행 조건을 적절히 반영한 결과로 판단된다. 이렇게 총 5개의 영역에 레이블을 지정하여 로지스틱회귀(Logistic Regression), 결정 트리(Decision Tree), 랜덤포레스트(Random Forest), 그래디언트부스팅(Gradient Boosting)과 같은 대표적인 분류 방식의 ML 기법을 적용하였다.
FC가 입력 데이터인 속도/가속도/도로구배에 따라 실시간으로 변화하기 때문에 회귀법으로 예측하는 것이 적절하다. 일반적인 회귀 기법인 선형회귀(Linear Regression), K-최근접 이웃회귀(KNN-Reg : K - Nearest Neighbors Regression)을 적용하여 그 성능을 확인했다. 이때 표준점수(Standard Scale)로 변환하는 경우의 성능 변화도 확인하였고, 3차의 특성공학(3-order Feature Engineering)도 별도로 적용하였다.

성능/효과

측정된 데이터세트에 K-최근접이웃, 선형회귀, 로지스틱회귀, 결정트리, 랜덤포레스트, 그래디언트부스팅과 같은 ML 기법을 적용하여 그 예측 성능을 평가하였다. FC 의 예측 정확도는 0.5 ~ 0.6 정도로, 분류법이 회귀법에 비해 높은 수준이지만 전반적으로 낮은 값으로 볼 수 있 다. 총연료소모량 예측 오차는 회귀법의 경우 0.
62 수준으로 가장 높다. 두 경우 모두 예측 정확도가 0.5 ~ 0.6 수준으로 낮은 편이고, 회귀에 비해 분류 기법의 예측 정확도가 높다는 것을 알 수 있다. 따라서 타깃 FC의 값 자체를 예측하는 회귀법보다 일정 구간으로 나누어 부여한 타깃 레이블을 예측하는 분류법이 차량의 실시간 연료소모량 예측에는 좀더 적합하다고 판단된다.
이는 K-최근접이웃 회귀 모델보다 그 예측치가 타깃의 평균(중앙) 부근에 밀집해 있는 선형회귀 모델의 특성(낮은 결정계수) 때문이다. 따라서 실시간으로 연비나 연료소모량을 도시/연산하는 용도로 사용할 때는 예측 정확도(결정계수)가 높은 분류법 위주로 사용하고, 총연료소모량이나 평균연비 등을 도시/연산하는 것이 중요한 경우에는 총연료소모량 오차율(Error)이낮은 회귀법 위주로 사용하는 것이 유리하다고 판단된다. 또한 연료소모량을 일정 구간으로 나누어서 레이블을 부여하여 분류법을 적용하면 회귀법 대비 예측 표현력도 우수하고, 총연료소모량 예측 오차율도 1% ~ 2% 수준으로 충분히 정확하므로 좀더 범용적으로 사용 가능한 것으로 판단된다.
이상의 분석 결과를 통해, 실시간 연료소모량 예측 정확도는 분류법이 우수하고, 총연료소모량 예측 오차에 있어서는 회귀법이 우수한 결과를 얻었는데, 이는 실시간 연료소모량을 타깃으로 하는 회귀법의 경우 타깃의 변화 범위를 충분히 추종하지 못하고 평균 부근의 좁은 영역에 예측치가 몰려 있기 때문이다. 따라서 차량의 실시간 연료소모량이나 순간연비를 도시/연산하는 용도에 대해서는 회귀 법을, 총연료소모량이나 평균연비를 도시/연산하는 목적에 대해서는 분류법을 적용하는 것이 유리하다.
6 수준으로 낮은 편이고, 회귀에 비해 분류 기법의 예측 정확도가 높다는 것을 알 수 있다. 따라서 타깃 FC의 값 자체를 예측하는 회귀법보다 일정 구간으로 나누어 부여한 타깃 레이블을 예측하는 분류법이 차량의 실시간 연료소모량 예측에는 좀더 적합하다고 판단된다.
따라서 실시간으로 연비나 연료소모량을 도시/연산하는 용도로 사용할 때는 예측 정확도(결정계수)가 높은 분류법 위주로 사용하고, 총연료소모량이나 평균연비 등을 도시/연산하는 것이 중요한 경우에는 총연료소모량 오차율(Error)이낮은 회귀법 위주로 사용하는 것이 유리하다고 판단된다. 또한 연료소모량을 일정 구간으로 나누어서 레이블을 부여하여 분류법을 적용하면 회귀법 대비 예측 표현력도 우수하고, 총연료소모량 예측 오차율도 1% ~ 2% 수준으로 충분히 정확하므로 좀더 범용적으로 사용 가능한 것으로 판단된다. 본 연구에서 결정트리, 랜덤포레스트, 그래디언트부스팅과 같은 분류 기법을 적용했을 때 타깃별 연료소모량 예측 정확도가 회귀 방식보다 높고, 총연료소모량 오차율도 충분히 낮았기 때문이다.
Table5에 그 결과를 정리하였는데, 원래의 입력 데이터를 그대로 사용하는 경우(In), 표준점수로 변환한 경우(SS : Standard Scaled), 특성공학을 적용한 경우(FE : Feature Engineered by 3-order)의 학습/시험 데이터에 대한 예측 정확도를 확인할 수 있다. 시험 데이터에 대한 예측 정확도를 기준으로 비교하면, 회귀의 경우 정규화/특성공학을 적용하는 경우 좀더 정확해지고, 분류의 경우에는 그 효과가 미미함을 알 수 있다.
이상의 분석 결과를 통해, 실시간 연료소모량 예측 정확도는 분류법이 우수하고, 총연료소모량 예측 오차에 있어서는 회귀법이 우수한 결과를 얻었는데, 이는 실시간 연료소모량을 타깃으로 하는 회귀법의 경우 타깃의 변화 범위를 충분히 추종하지 못하고 평균 부근의 좁은 영역에 예측치가 몰려 있기 때문이다. 따라서 차량의 실시간 연료소모량이나 순간연비를 도시/연산하는 용도에 대해서는 회귀 법을, 총연료소모량이나 평균연비를 도시/연산하는 목적에 대해서는 분류법을 적용하는 것이 유리하다.
6 정도로, 분류법이 회귀법에 비해 높은 수준이지만 전반적으로 낮은 값으로 볼 수 있 다. 총연료소모량 예측 오차는 회귀법의 경우 0.2% 수준이었고, 분류법의 경우 1% ~ 2% 정도로 분류법의 오차가 다소 높았지만 전반적으로 오차는 충분히 낮은 수준으로 볼 수 있다.
연료차단관성주행 영역, 무부하정차 조건을 포함한 저부하 영역, 중저부하 영역, 중고부하 영역, 전부하 조건을 포함한 고부하 영역에 각각 0 ~ 4의 레이블을 부여하였다. 특히 고부하 영역은 실도로 주행에서 데이터를 확보하기 어려워 넓은 범위의 FC 구간을 포함하는 것이 필요했다.

참고문헌 (11)

S. Tanaka, "When Tax Incentives Drive Illicit Behavior: The Manipulation of Fuel Economy in the Automobile Industry," J. Environ. Econ. Manag., Vol.104, 2020. DOI: 10.1016/j.jeem.2020.102367

상세보기
W. Huang, Y. Guo and X. Xu, "Evaluation of Real-time Vehicle Energy Consumption and Related Emissions in China: A Case Study of the Guangdong-Hong Kong-Macao Greater Bay Area," J. Clean. Prod., Vol.263, 2020. DOI: 10.1016/j.jclepro.2020.121583

상세보기
S. Baek and J. Jang, "Implementation of Integrated OBD-II Connector with External Network," Inf. Syst., Vol.50, pp.69-75, 2015. DOI: 10.1016/j.is.2014.06.011

상세보기
S. Lee, B. Lee, H. Zhang and C. Sze, "Development of Greenhouse Gas Emissions Model for 2014-2017 Heavy- and Medium-duty Vehicle Compliance," SAE Tech. Pap., 2011. DOI: 10.4271/2011-01-2188
G. Fontaras, R. Luz, K. Anagnostopoulos, D. Savvidis, S. Hausberger and M. Rexeis, "Monitoring CO2 Emissions from HDV in Europe-An Experimental Proof of Concept of the Proposed Methodological Approach," Proceedings of the Conference on Transport and Air Pollution, Austria, September, 2014. JRC91415
K. Ko, B. Moon and T. Lee, "An Economic Calibration Method for Fuel Consumption Model in HDM4," Wirel. Pers. Commun., Vol.89, pp.959-975, 2016. DOI: 10.1007/s11277-016-3353-2

상세보기
S. Alexander, A. Byerly, B. Hendrix, R. Bagwe, E. Santos and Z. Ben-Miled, "A Machine Learning Model for Average Fuel Consumption in Heavy Vehicles," IEEE Trans. Veh. Technol., pp.1-10, 2019. DOI: 10.1109/TVT.2019.2916299

상세보기
S. Wickramanayake and B. Dilum, "Fuel Consumption Prediction of Fleet Vehicles Using Machine Learning: A Comparative Study," Proceedings of the Moratuwa Engineering Research Conference, pp.90-95, April 2016. DOI: 10.1109/MERCon.2016.7480121
J. Ziolkowski, M. Oszczypala, J. Malachowski and J. Szkutnik-Rogoz, "Use of Artificial Neural Networks to Predict Fuel Consumption on the Basis of Technical Parameters of Vehicles," Energies, Vol.14, No.9, 2021. DOI: 10.3390/en14092639

상세보기
H. Vdovic, J. Babic and V. Podobnik, "Eco-efficient Driving Pattern Evaluation for Sustainable Road Transport Based on Contextually Enriched Automotive Data," J. Clean. Prod., Vol.311, 2021. DOI: 10.1016/j.jclepro.2021.127564

상세보기
E. Gonzalez, J. Florez and S. Arab, "Development of the Management Strategies of the ECU for an Internal Combustion Engine: Computer Simulation" Mech. Syst. Signal Process., Vol.22, pp.1356-1373, 2008. DOI: 10.1016/j.ymssp.2007.11.030

상세보기

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