Resumen

El transporte es un factor importante que afecta al consumo de energía, y el comportamiento al volante es uno de los principales factores que influyen en el consumo de combustible de los vehículos. El objetivo de este trabajo es mejorar las bases de datos de control del consumo de combustible a partir de los datos de los teléfonos móviles. A partir de los terminales de telefonía móvil y del sistema de diagnóstico a bordo (OBD) instalados en los taxis, se extraen datos sobre el comportamiento al volante y sobre el consumo de combustible, respectivamente. Al cotejar los datos de comportamiento al volante recogidos por un teléfono móvil con los datos de consumo de combustible recogidos por el OBD, se explora la correlación entre el comportamiento al volante y el consumo de combustible, de forma que se pueda predecir el consumo de combustible del vehículo basándose en los datos del teléfono móvil. Los modelos de predicción del consumo de combustible se construyen utilizando redes neuronales de retropropagación (BP), regresión de vectores de soporte (SVR) y bosques aleatorios. Los resultados muestran que la velocidad media, la velocidad media excepto ralentí (ASEI), la aceleración media, la deceleración media, el porcentaje de tiempo de aceleración, el porcentaje de tiempo de deceleración y el porcentaje de tiempo de crucero son indicadores importantes para la evaluación del consumo de combustible. Los tres modelos pudieron predecir el consumo de combustible con precisión, con un error relativo absoluto inferior al 10%. Se ha demostrado que el modelo de bosque aleatorio es el más preciso y se ejecuta con mayor rapidez, por lo que resulta adecuado para una amplia aplicación. Este método sienta las bases para la mejora de la base de datos de seguimiento y la gestión precisa del consumo de combustible en el transporte urbano.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:datos de consumo de combustible, datos de teléfonos móviles, consumo de combustible de vehículos, velocidad media, datos de comportamiento, consumo de combustible, bases de datos de control del consumo de combustible, modelos de predicción del consumo de combustible, consumo de combustible en el transporte urbano, error relativo absoluto
• Keywords:fuel consumption data, mobile phone data, vehicle fuel consumption, average speed, behavior data, fuel consumption, fuel consumption monitoring databases, fuel consumption prediction models, urban transportation fuel consumption, absolute relative error