머신러닝을 이용한 시내버스 연비 운전 점수화 알고리즘 개발에 관한 연구

DC Field Value Language
dc.contributor.advisor이종화, 박진일-
dc.contributor.author김기복-
dc.date.accessioned2022-11-29T02:33:09Z-
dc.date.available2022-11-29T02:33:09Z-
dc.date.issued2022-02-
dc.identifier.other31382-
dc.identifier.urihttps://dspace.ajou.ac.kr/handle/2018.oak/20618-
dc.description학위논문(박사)--아주대학교 일반대학원 :기계공학과,2022. 2-
dc.description.abstract연비 운전(Eco-drive)은 운전 습관 개선을 통하여, 차량의 연비 개선을 유도하는 통용된 개념이다. 차량 가속 또는 가속 페달 조작, 속도를 낮추기 위한 감속 또는 타행 운전, 기어 변속 시점 차이와 같은 다양한 주행 형태 등의 변화를 통하여 연비를 개선할 수 있다. 가속 및 감속과 운행 빈도가 높은 시내버스에서 높은 연비를 달성한 운전자들의 데이터를 분석하여 연비 운전을 통한 시내버스의 연비 개선 타당성을 검증하였고, 연비 운전 감시 항목으로 급출발, 급가속, 급감속, 가속 페달 조작, 타행 운전, 변속 지시 위반, 평균 엔진 속도, 과속, 낮은 엔진 속도에서 수행된 변속을 설정하였다. 감시 항목별로 감시 방법을 설정하고 운행 데이터를 이용하여 각 감시 항목의 지수를 산출하였다. 각 감시 항목의 지수가 연비에 미치는 영향을 파악하기 위해 머신 러닝 연비 예측 모델을 작성하였다. 또한 예측 모델 설명 도구를 이용하여 각 모니터링 항목의 기여도를 분석하였다. 이에 따라 감시 항목별로 점수 배분을 수행하였다. 각 감시 항목 점수를 합산하여 연비 운전 점수로 정의하였다. 연비 운전 점수화 및 서울 시내버스 적용을 통하여, 연평균 12.1%의 연비 개선 효과와 함께 연비 운전 점수가 연비 운전 특성을 대표할 수 있음을 확인하였다. 연간 운행 중 연비 운전 점수는 운행 환경에 따라 차이를 보였고, 연비와 점수 사이의 상관관계를 개선할 필요성이 대두되었다. 본 연구에서는 머신러닝을 통해 연비 운전 점수를 보완하기 위한 운행 환경 인자를 규명하였다. 예측 모델 설명 도구를 통해 연비 예측 모델의 각 입력 변수의 기여도를 평가하여 운행 환경 인자를 운행 시간, 운행 월, 운행 요일, 단위 거리 당 변속 횟수, 브레이크 작동 비율, 노선 특성으로 설정하였다. 측정된 연비는 연간 주행데이터의 각 운행 환경 인자에 따른 평균 연비 간의 관계를 이용하여 정규화하였다. 연비 운전 점수는 해당 연비 운전 점수의 정규화 연비 분포를 기준으로 0.84~1.05배 범위에서 보정된다. 운행 환경 인자를 입력 변수로 포함하는 보정된 연비 운전 점수 예측 머신러닝 모델을 작성하였으며, 상기 과정의 운행 환경 인자 고려를 통한 연비 운전 점수 보정으로 연비와 연비 운전 점수의 상관관계를 개선하였다.-
dc.description.tableofcontents제1장 서론 1 제1절 연구 배경 및 목적 1 제2절 연구 내용 및 방법 3 제2장 연비 운전 점수화 알고리즘 개발 5 제1절 알고리즘 개발 개요 5 제2절 운전 특성에 따른 연비 관계 파악 7 제3절 연비 운전 감시 항목 설정 13 1. 속도 변화 관련 항목 감시 14 2. 변속 지시 및 위반 감시 25 3. 기타 연비 운전 유도 항목 감시 32 제4절 머신러닝을 이용한 감시 항목 점수화 40 1. 머신러닝을 통한 감시 항목의 연비 기여도 파악 42 2. 감시 항목의 연비 운전 점수화 52 제3장 연비 운전 점수의 운행 환경 인자 보정 54 제1절 연비 운전 점수 보정 개요 54 제2절 운행 환경의 연비 인자 파악 55 1. 운행 환경 인자 고려의 필요성 55 2. 운행 환경과 연비의 관계 57 3. 머신러닝을 통한 운행 환경의 연비 인자 파악 66 제3절 운행 환경 인자 보정 연비 운전 점수 산출 70 1. 운행 환경 인자 보정 방법 71 2. 머신러닝을 통한 보정 연비 운전 점수 산출 77 제4장 연구 결과 81 제1절 연비 운전 점수화 시스템의 적용 결과 81 제2절 운행 환경 인자 보정에 따른 점수 변화 86 제5장 결론 90 참고문헌 92-
dc.language.isokor-
dc.publisherThe Graduate School, Ajou University-
dc.rights아주대학교 논문은 저작권에 의해 보호받습니다.-
dc.title머신러닝을 이용한 시내버스 연비 운전 점수화 알고리즘 개발에 관한 연구-
dc.title.alternativeFuel Economy Improvement of Urban Buses with Development of Eco-Drive Scoring Algorithm Using Machine Learning-
dc.typeThesis-
dc.contributor.affiliation아주대학교 일반대학원-
dc.contributor.department일반대학원 기계공학과-
dc.date.awarded2022. 2-
dc.description.degreeDoctoral-
dc.identifier.localId1245006-
dc.identifier.uciI804:41038-000000031382-
dc.identifier.urlhttps://dcoll.ajou.ac.kr/dcollection/common/orgView/000000031382-
dc.subject.keyword머신러닝-
dc.subject.keyword시내버스-
dc.subject.keyword연비-
dc.subject.keyword연비 운전-
dc.subject.keyword연비 운전 점수-
dc.description.alternativeAbstractEco-drive is a widely used concept. It can improve fuel economy for different driving behaviors such as vehicle acceleration or accelerator pedal operation, deceleration or coasting while slowing down, and gear shift timing difference. The feasibility of improving the fuel economy of urban buses by applying eco-drive was verified by analyzing data from drivers who achieved high fuel efficiencies in urban buses with a high frequency of acceleration/deceleration and frequent operation. The items that were monitored for eco-drive were: rapid take-off, rapid acceleration, rapid deceleration, accelerator pedal gradient, coasting rate, shift indicator violation, average engine speed, over speed, and gear shifting under low-end engine speed. The monitoring method for each monitored item was set up, and an index was produced using driving data. A fuel economy prediction model was created using machine learning to determine the contribution of each index to the fuel economy. Furthermore, the contribution of each monitoring item was analyzed using the prediction model explainer. Accordingly, points (defined as the eco-drive score) were allocated for each monitoring item. It was verified that this score can rep-resent the eco-drive characteristics based on the relationship between the score and fuel economy. In addition, it resulted in an average annual fuel economy improvement of 12.1%. During the annual operation, the eco-drive score showed discrepancy depending on the driving environment. This revealed the need to improve the linearity between fuel economy and the score. In this study, the environmental factors of fuel economy were identified to supplement the eco-drive score through machine learning. The environmental factors are examined by assessing the contribution of each input variable of the fuel economy prediction model through prediction model explainer. The driving start time, driving date, number of gear shifts per unit distance, and brake operation ratio, route characteristics during driving were set as the environmental factors of fuel economy. The measured fuel economy is normalized using the relationship between the average fuel economy and each of the environmental factor of the annual driving data. The eco-drive score is corrected in the range of 0.84–1.05 times based on the normalized fuel economy distribution of the equivalent eco-drive score. A corrected eco-drive score prediction model was developed, and the environmental factor of the fuel economy was used as the prediction model feature of the eco-drive score. The correlation between fuel economy and eco-drive score was improved by considering the environmental factors of fuel economy.-
Appears in Collections:
Graduate School of Ajou University > Department of Mechanical Engineering > 4. Theses(Ph.D)
Files in This Item:
There are no files associated with this item.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse