[논문]OBDII 데이터 기반의 회귀 분석을 통한 실시간 연료 소비량 예측

양희은; 김도현

OBDII 데이터 기반의 회귀 분석을 통한 실시간 연료 소비량 예측
Realtime Fuel Consumption Prediction using ln-Vehicle Data from OBDII and Regression Methods 원문보기

양희은 (단국대학교 EduAI센터) , 김도현 (성균관대학교 데이터사이언스융합학과)

자율주행 차량이 많아지고 차량의 ECU가 고도화되면서 정확한 차량의 데이터를 획득하고 분석하여 활용하는 것이 중요해지고 있다. 현재에는 내연 기관 차량의 ECU 데이터를 얻기 위해서 OBDII 포트(규격)에 기반한 CAN동선을 주로 이용하고 있다. 하지만 OBDII 규격을 통해서 연비와 같은 중요한 차량 정보를 얻는 경우, 변환식 (MAF 센서(흡입 공기량 센서)와 공기/연료 비율을 이용)의 오차 범위가 커서 데이터의 정확도가 낮다. 본 연구에서는 머신 러닝 기법 중에 하나인 회귀 기법을 통해서 기존의 계산보디 더 정확한 연비를 구할 수 있는 모델을 개발하였다. 이러한 모델 개발을 통하여 차량의 RAW 데이터를 기반으로 필요한 차량 데이터를 정확하게 구할 수 있게 되었으며 20회가 넘는 실 도로주행을 통해서 본 모델의 정확도를 검증하였다.

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

문제 정의

본 연구는 MAF를 포함한 OBDⅡ의 표준항목을 이용하여 추출한 데이터를 통하여 가장 효과적인 연비 예측 모델을 개발하고자 scaler 및 기계학습 알고리즘 등을 이용하여 변수와 연비와의 관계를 예측하는 연구를 진행하였다.
본 연구에서는 MAF를 포함한 OBDⅡ의 표준항목 데이터들을 이용하여 기존보다 정확하게 차량의 연료소모량을 예측하고자 한다.
이를 위해서 차량의 데이터를 추출 할 수 있는 OBDⅡ 젠더와 단말기, 그리고 펌웨어를 제작하였다. 이를 바탕으로 데이터를 획득하고 가공한 데이터를 기반으로 순간 연료 분살량 변수를 통해 정확하게 연비를 예측하는 모델을 제시[4]하고자 한다.

제안 방법

Statsmodel 라이브러리의 OLS클래스를 이용하여 계수에 대한 분석내용을 와 같이 살펴보았다.
OBDⅡ에서 얻은 바이너리 데이터를 리버스 엔지니어링하여 각 항목들이 의미하는 변수를 역으로 알아내는 과정이 필요하다. 각 인덱스가 의미하는 데이터를 차량 직접 주행 및 기능 동작을 통해 찾아내었다. 그림 3은 바이너리 데이터를 변수에 맞춰 변환한 값이다.
408로 회귀분석으로 추정한 모델이 주어진 데이터를 얼마나 잘 설명하는지에 대한 점수로 값이 1에 가까울수록 데이터를 잘 설명하는 모델이다. 다음으로 F-통계량에 대한 수치를 확인하였을 때, Prob(F-statistic)을 살펴보았다. 각 입력 변수의 p=value값을 확인한 결과 [GEAR] p-value값이 0.
또한 GPS 수신기를 탑재하여 위/경도를 포함하였고, 자이로센서를 포함하여 X, Y, Z 축의 기울기 정보도 포함하였다.
실험은 회귀분석을 기반으로, Linear regression, Ridge, Gradient Boosting, XGBoost, Adaboost 모델 5가지를 구성하여 성능을 측정하였다. 실험은 모델의 학습(Training), 평가(Evaluation), 예측(Prediction) 세 부분으로 나누어 진행하였다. 성능 측정 지표는 평균절대오차, MAE(Mean Absolute Percentage Error)와 평균제곱근 오차인 RMSE(Root Mean Square Error)를 이용하였다.
실험은 회귀분석을 기반으로, Linear regression, Ridge, Gradient Boosting, XGBoost, Adaboost 모델 5가지를 구성하여 성능을 측정하였다. 실험은 모델의 학습(Training), 평가(Evaluation), 예측(Prediction) 세 부분으로 나누어 진행하였다.
또한, feature 간의 단위가 달랐는데 예를 들어 'Gear(기어 단)' 데이터는 값이 1~14인 반면, 'Break' 데이터는 0~1 사이의 값을 포함하고 있다. 이러한 feature값들의 편차를 중이기 위해 Scaling 과정을 통하여 데이터를 가공하였으며, Scaling 방법 중 MinMax Scaler를 이용하여 값이 0~1 사이가 되도록 데이터를 재조정하였다[5].
이를 위해서 차량의 데이터를 추출 할 수 있는 OBDⅡ 젠더와 단말기, 그리고 펌웨어를 제작하였다.
차량의 RAW 데이터를 얻기 위하여 자체적으로 OBDⅡ 하드웨어 및 펌웨어를 제작하였다.

대상 데이터

본 논문에서는 제작한 소프트웨어를 이용하여 2019년 1월부터 2019년 2월의 주행데이터를 수집하였다. 전체 데이터 53,580건(초당 Data Set)에서 80%에 해당하는 데이터를 학습데이터(Training data), 20%에 해당하는 데이터를 테스트데이터(Validation/Test Data)로 사용하였다.
본 논문에서는 제작한 소프트웨어를 이용하여 2019년 1월부터 2019년 2월의 주행데이터를 수집하였다. 전체 데이터 53,580건(초당 Data Set)에서 80%에 해당하는 데이터를 학습데이터(Training data), 20%에 해당하는 데이터를 테스트데이터(Validation/Test Data)로 사용하였다.

이론/모형

실험은 모델의 학습(Training), 평가(Evaluation), 예측(Prediction) 세 부분으로 나누어 진행하였다. 성능 측정 지표는 평균절대오차, MAE(Mean Absolute Percentage Error)와 평균제곱근 오차인 RMSE(Root Mean Square Error)를 이용하였다. 두 개의 지표는 회귀문제의 성능 지표 이며 오차가 커질수록 RMSE값은 커지며, MAE 또한 이상치로 보이는 값이 많을 경우 사용하는 지표로써 값이 클수록 예측에 오차가 많은 것을 나타낸다.

성능/효과

성능 측정 지표는 평균절대오차, MAE(Mean Absolute Percentage Error)와 평균제곱근 오차인 RMSE(Root Mean Square Error)를 이용하였다. 두 개의 지표는 회귀문제의 성능 지표 이며 오차가 커질수록 RMSE값은 커지며, MAE 또한 이상치로 보이는 값이 많을 경우 사용하는 지표로써 값이 클수록 예측에 오차가 많은 것을 나타낸다. 모델 별로 파라미터 값은 가장 최적의 성능을 보이는 값으로 설정하였다.
학습에 사용할 feature들을 살펴보기 위해 모든 수치형 feature들의 분포를 시각화하여 확인해 본 결과 일부 항목들은 매우 불균형 분포를 가진다는 것을 알 수 있었다. 또한, feature 간의 단위가 달랐는데 예를 들어 'Gear(기어 단)' 데이터는 값이 1~14인 반면, 'Break' 데이터는 0~1 사이의 값을 포함하고 있다.
표 5는 3장에서 설명한 실험 모델에 대한 성능을 나타내고 있다. 회귀분석 모델을 적용한 결과, MAE 값이 0.009, RMSE 값이 0.178으로 AdaBoost 모델의 성능이 제일 좋은 것으로 나타났다.

후속연구

더 나아가 신경망 모델을 적용하여 예측 모형의 성능을 고도화[7]하는 연구를 진행할 것이며, 다양한 차종의 데이터를 OBDⅡ 단말기로부터 획득하여 모델에 적용한다면 범용적인 모델을 활용한 실제 응용에 활용될 수 있을 것으로 기대된다.

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

OBDII 데이터 기반의 회귀 분석을 통한 실시간 연료 소비량 예측
Realtime Fuel Consumption Prediction using ln-Vehicle Data from OBDII and Regression Methods 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

OBDII 데이터 기반의 회귀 분석을 통한 실시간 연료 소비량 예측 Realtime Fuel Consumption Prediction using ln-Vehicle Data from OBDII and Regression Methods 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

OBDII 데이터 기반의 회귀 분석을 통한 실시간 연료 소비량 예측
Realtime Fuel Consumption Prediction using ln-Vehicle Data from OBDII and Regression Methods 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper