Resumen

La obtención precisa del nivel ecológico del rendimiento de cada conductor es la condición previa para una optimización más específica del comportamiento de ecoconducción. Debido a las evidentes ventajas en la extracción de relaciones ocultas, en este estudio se adoptó el aprendizaje automático para explorar la complicada relación entre el rendimiento del conductor y el consumo de combustible del vehículo y, de este modo, predecir el nivel ecológico del rendimiento individual del conductor. Se recopilaron datos sobre el rendimiento del conductor y el consumo de combustible del vehículo a partir de pruebas realizadas con simuladores de conducción. El nivel ecológico se indicó como la puntuación ecológica correspondiente al consumo de combustible del vehículo. La entrada del modelo se diseñó como 10 índices de características del rendimiento del conductor (por ejemplo, número porcentual, valor medio, desviación estándar y potencia de aplicación del pedal de aceleración). La salida se trató como ecoscore. Tomando un número de cien segmentos de datos en el proceso de arranque del vehículo como muestra de entrenamiento, se obtuvieron la estructura, las funciones y la tasa de aprendizaje óptimas de un modelo de red neuronal de retropropagación con tres capas, tras repetidos experimentos de simulación del modelo. La prueba de validación de 16 datos de muestra mostró que la precisión media de predicción de nuestro modelo desarrollado era del 92,89%. Además, el análisis comparativo mostró que el rendimiento del modelo basado en la red neuronal de retropropagación era mejor que el modelo basado en la regresión lineal y el modelo basado en el bosque aleatorio, desde los aspectos del tiempo transcurrido y la precisión de la predicción en la estimación del nivel ecológico del rendimiento del conductor. Los resultados del estudio proporcionan un método eficaz para comprender el nivel ecológico del rendimiento del conductor y contribuir a la optimización del comportamiento de conducción para reducir el consumo de combustible y las emisiones de los vehículos.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:consumo de combustible del vehículo, rendimiento del conductor, rendimiento individual del conductor, modelo, optimización del comportamiento de ecoconducción orientada, precisión media de la predicción, experimentos de simulación del modelo, modelo de red neuronal, elementos de datos de muestra, retropropagación
• Keywords:vehicle fuel consumption, driver performance, individual driver performance, model, targeted ecodriving behavior optimization, mean prediction accuracy, model simulation experiments, neural network model, sample data items, backpropagation