[논문 리뷰] Extended vehicle energy dataset (eVED): an enhanced large-scale dataset for deep learning on vehicle trip energy consumption

Shiliang Zhang, Dyako Fatih외 3명|arXiv (Cornell University)|2022. 03. 16.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 원래의 VED에서 유도된 대규모이며 GPS 정밀도가 높고 기능이 풍부한 데이터셋인 확장된 차량 에너지 데이터셋(eVED)을 소개한다. 이는 지도 매칭 및 API 통합을 통해 원시 차량 이동 기록에 외부 지리공간 속성(예: 속도 제한, 고도, 교차로, 교통 인프라 등)을 보강하여 만들어졌다. 이 풍부한 데이터를 바탕으로 저자들은 LSTM 기반 딥러닝 모델을 훈련시켜 테스트 세그먼트에서 중앙값 속도 예측의 RMSE가 8.9078에 도달했으며, 이는 에너지 소비 모델링 및 개인정보 보호에 유리한 교통 행동 분석에 있어 데이터셋의 유용성을 입증한다.

ABSTRACT

This work presents an extended version of the Vehicle Energy Dataset (VED), which is a openly released large-scale dataset for vehicle energy consumption analysis. Compared with its original version, the extended VED (eVED) dataset is enhanced with accurate vehicle trip GPS coordinates, serving as a basis to associate the VED trip records with external information, e.g., road speed limit and intersections, from accessible map services to accumulate attributes that is essential in analyzing vehicle energy consumption. In particularly, we calibrate all the GPS trace records in the original VED data, upon which we associated the VED data with attributes extracted from the Geographic Information System (QGIS), the Overpass API, the Open Street Map API, and Google Maps API. The associated attributes include 12,609,170 records of road elevation, 12,203,044 of speed limit, 12,281,719 of speed limit with direction (in case the road is bi-directional), 584,551 of intersections, 429,638 of bus stop, 312,196 of crossings, 195,856 of traffic signals, 29,397 of stop signs, 5,848 of turning loops, 4,053 of railway crossings (level crossing), 3,554 of turning circles, and 2,938 of motorway junctions. With the accurate GPS coordinates and enriched features of the vehicle trip record, the obtained eVED dataset can provide a precise and abundant medium to feed a learning engine, especially a deep learning engine that is more demanding on data sufficiency and richness. Moreover, our software work for data calibration and enrichment can be reused to generate further vehicle trip datasets for specific user cases, contributing to deep insights into vehicle behaviors and traffic dynamics analyses. We anticipate that the eVED dataset and our data enrichment software can serve the academic and industrial automotive section as apparatus in developing future technologies.

연구 동기 및 목표

• 차량 에너지 소비 연구를 위한 대규모, 공개, 기능 풍부한 레이블이 부여된 데이터셋의 부족을 해결하기 위해.
• 원래의 차량 에너지 데이터셋(VED)의 정확도를 향상시키기 위해 노이즈가 있는 GPS 트레이스를 보정하고 외부 지리공간 속성으로 풍부하게 보완하기 위해.
• 정확한 시공간 특징을 갖춘 데이터 기반, 개인정보 친화적인 데이터셋을 제공함으로써 교통 연구 분야의 딥러닝 응용을 가능하게 하기 위해.
• 공개 정보만을 사용해 차량 속도를 추정하는 딥러닝 모델을 통해 eVED의 실용적 가치를 입증하기 위해.
• 향후 학술 및 산업 연구에서의 재사용을 위해 향상된 데이터셋과 오픈소스 소프트웨어를 공개하기 위해.

제안 방법

• 원래의 VED 데이터셋의 노이즈가 있는 GPS 좌표를 보정하기 위해 은닉 마르코프 모델(HMM) 기반의 지도 매칭을 적용하여 가장 가능성 높은 도로 세그먼트에 정렬하기 위해.
• QGIS, 오픈스트리트맵(OSM), 오버패스 API, 구글 지도 고도 API를 사용하여 속도 제한, 고도, 교차로, 교통 인프라 등을 포함한 1,200만 건 이상의 지리공간 속성을 추출하기 위해.
• 공간 쿼리 및 지리공간 처리를 통해 도로 경사도, 신호등, 정류장, 횡단보도 등의 외부 특징을 VED 기록에 통합하기 위해.
• 재현 가능하고 커스터마이징된 차량 데이터셋에 대한 재사용을 지원하는 모듈식 소프트웨어 파이프라인을 활용해 데이터를 校정하고 풍부하게 보완하기 위해.
• 각 세그먼트가 240개의 연속된 특징 기록을 포함하는 7,267개의 훈련 및 951개의 테스트 이동 세그먼트에 대해 장기적 단기 기억(LSTM) 네트워크를 훈련시켜 중앙값 차량 속도를 추정하기 위해.
• 최적의 성능을 위해 5,000개의 은닉 유닛, 8개의 입력 특징(시간대, 속도 제한, 경사도, 교통 지점까지의 거리 포함) 및 ReLU/tanh 활성화 함수를 사용해 LSTM 모델을 구성하기 위해.

실험 결과

연구 질문

• RQ1 대규모 차량 에너지 데이터셋은 정확한 GPS 및 풍부한 지리공간 속성을 통해 딥러닝 응용을 위한 기반을 다질 수 있는가?
• RQ2 공개 가능한 지리공간 데이터는 원시 차량 이동 기록과 얼마나 효과적으로 통합되어 교통 및 에너지 모델링을 위한 특징 세트를 풍부하게 할 수 있는가?
• RQ3 민감한 내부 차량 데이터에 의존하지 않고도, 공개된 특징만을 사용해 훈련된 딥러닝 모델이 차량 속도를 얼마나 정확하게 추정할 수 있는가?
• RQ4 개인정보 보호에 안전한 공개 특징만을 사용해 훈련된 딥러닝 모델이 차량 속도 추정에서 어떤 정도의 예측 성능을 보일 수 있는가?
• RQ5 데이터 보강 파이프라인은 특정 연구나 산업 용도에 맞게 맞춤형 데이터셋을 생성하기 위해 재사용 가능할 수 있는가?

주요 결과

• eVED 데이터셋은 원래 VED를 크게 풍부하게 하여 도로 고도 12,609,170건, 속도 제한 12,203,044건, 방향성 속도 제한 12,281,719건을 포함한다.
• 데이터셋에는 교차로 584,551개, 정류장 429,638개, 신호등 195,856개, 정류장 29,397개가 포함되어 있어 세밀한 교통 행동 분석이 가능하다.
• eVED를 기반으로 훈련된 LSTM 모델은 테스트 세트에서 4분간의 이동 세그먼트에 대해 중앙값 차량 속도 예측의 루트 평균 제곱 오차(RMSE)가 8.9078에 도달했다.
• 모델의 성능은 정확한 속도 추정이 공개된 지리공간 및 시간적 특징만을 사용해도 가능하며, 개인정보 위험을 최소화할 수 있음을 입증한다.
• GPS 校정 및 특징 보강을 위한 소프트웨어 파이프라인은 오픈소스로 공개되어 유사한 풍부도를 지닌 맞춤형 데이터셋 생성에 재사용 가능하다.
• eVED 데이터셋은 에너지 효율적인 경로 계획, 차량 행동 모델링, 교통 역학 분석 등 고도의 연구를 가능하게 하며, 특히 딥러닝 응용 분야에서 중요한 기여를 한다.