[논문 리뷰] Vehicle Energy Dataset (VED), A Large-scale Dataset for Vehicle Energy Consumption Research

Geunseob Oh, David J. LeBlanc외 1명|arXiv (Cornell University)|2019. 04. 19.

Vehicle emissions and performance참고 문헌 14인용 수 11

한 줄 요약

이 논문은 미시간주 앤아버에서 383대의 개인용 차량을 대상으로 OBD-II 로거를 통해 1년간 수집한 실차량 에너지 소비 데이터를 담은 대규모 공개 데이터셋인 차량 에너지 데이터셋(VED)을 소개한다. 이 데이터셋은 초단위로 기록된 GPS 이동 경로, 연료/에너지 소비, 속도, 보조 전력 정보를 포함하며, 운전자 행동, 에코드라이빙, 연결형/자율주행 차량 기술 연구에 기여한다. 주요 발견으로는 속도, 온도, 교통 조건에 따른 연비 변동성이 확인되었다.

ABSTRACT

We present Vehicle Energy Dataset (VED), a novel large-scale dataset of fuel and energy data collected from 383 personal cars in Ann Arbor, Michigan, USA. This open dataset captures GPS trajectories of vehicles along with their time-series data of fuel, energy, speed, and auxiliary power usage. A diverse fleet consisting of 264 gasoline vehicles, 92 HEVs, and 27 PHEV/EVs drove in real-world from Nov, 2017 to Nov, 2018, where the data were collected through onboard OBD-II loggers. Driving scenarios range from highways to traffic-dense downtown area in various driving conditions and seasons. In total, VED accumulates approximately 374,000 miles. We discuss participant privacy protection and develop a method to de-identify personally identifiable information while preserving the quality of the data. After the de-identification, we conducted case studies on the dataset to investigate the impacts of factors known to affect fuel economy and identify energy-saving opportunities that hybrid-electric vehicles and eco-driving techniques can provide. The case studies are supplemented with a number of examples to demonstrate how VED can be utilized for vehicle energy and behavior studies. Potential research opportunities include data-driven vehicle energy consumption modeling, driver behavior modeling, machine and deep learning, calibration of traffic simulators, optimal route choice modeling, prediction of human driver behaviors, and decision making of self-driving cars. We believe that VED can be an instrumental asset to the development of future automotive technologies. The dataset can be accessed at https://github.com/gsoh/VED.

연구 동기 및 목표

• 실생활 차량 이동 경로와 고해상도 에너지 소비 데이터를 동시에 포함한 공개 가능한 대규모 데이터셋이 부족한 문제를 해결하기 위해.
• 현대 차량에서의 운전자 행동, 연비 변동성, 에너지 절감 기회 연구를 지원하기 위해.
• 에코라우팅, 에코접근, 자율주행 차량 의사결정 알고리즘의 개발 및 校정을 가능하게 하기 위해.
• 다양한 실생활 조건에서 차량 에너지 소비에 대한 데이터 기반 모델링의 기초를 제공하기 위해.
• 연구 목적을 위해 데이터 품질을 유지하면서도 참가자 개인정보를 보호하기 위해 비식별화를 시행하기 위해.

제안 방법

• 참가자 동의를 얻어 설치한 OBD-II 로거를 통해 383대의 개인용 차량(내연기관차, 하이브리드차, 플러그인 하이브리드차, 전기차)으로부터 시계열 데이터를 수집하였다.
• 12개월간(2017년 11월~2018년 11월) 초단위로 GPS 이동 경로, 연료/에너지 소비, 속도, 보조 전력 정보를 기록하였다.
• 분석에 유용한 데이터 유지와 함께 개인 신원 정보를 제거하기 위해 비식별화 기법을 적용하였다.
• 모든 차량에서 일관된 데이터 확보를 위해 표준화된 OBD-II 프로토콜을 활용해 CAN 버스 신호에 접근하였다.
• 실생활 주행 환경을 기반으로 한 사례 연구를 통해 연비 변동성, 하이브리드 효율성, 에코드라이빙 잠재력에 대해 분석하였다.
• 주행 환경(고속도로, 도심, 교차로), 속도, 온도, 시간대를 기반으로 에너지 소비 패턴을 규명하기 위해 데이터를 분석하였다.

실험 결과

연구 질문

• RQ1 다양한 주행 환경, 속도, 실외 온도에서 연비는 어떻게 변동하는가?
• RQ2 도심 주행 조건에서 하이브리드차 및 전기차는 기존 내연기관차에 비해 얼마나 뛰어난 성능을 보이는가?
• RQ3 정체 시간대와 자유주행 조건에서의 연료 소비 차이는 무엇이며, 차량 유형에 따라 어떻게 달라지는가?
• RQ4 에코접근 및 에코출발 기법이 신호등이 있는 교차로에서 인간 운전자 평균 대비 연료 소비를 얼마나 줄일 수 있는가?
• RQ5 실생활 데이터 기반으로 연결형·자동화된 차량(CAV) 기술이 제공하는 에너지 절감 기회는 무엇인가?

주요 결과

• 고속도로 주행 시 연비는 붐비는 도심 중심지 주행 대비 평균 2.92배 높았다.
• 가장 높은 연비를 보인 속도는 18 m/s(약 40mph)였으며, 이보다 빠르거나 느린 속도에서는 연료 소비가 증가했다.
• -8°C에서의 연료 소비는 20°C일 때 대비 46% 증가했으며, 낮은 온도가 에너지 소비에 미치는 영향을 확인할 수 있었다.
• 정체 시간대 주행은 자유주행 조건과 동일한 조건에서 마일당 67% 더 많은 연료를 소비했다.
• 신호등이 있는 교차로에서 하이브리드차는 내연기관차 대비 287.5% 적은 연료를 소비하여 정체 주행 환경에서의 효율성 우수성을 입증했다.
• 에코접근 및 에코출발 기법은 실생활 신호등 교차로에서 인간 운전자 평균 대비 최대 50%의 연료 소비 절감 효과를 보였다.