[논문 리뷰] Vehicle Fuel Optimization Under Real-World Driving Conditions: An Explainable Artificial Intelligence Approach

Alberto Barbado, Óscar Corcho|arXiv (Cornell University)|2021. 07. 13.

Vehicle emissions and performance참고 문헌 25인용 수 5

한 줄 요약

이 연구는 2020–2021년 기간 동안 수집한 실세계 텔레매틱스 데이터를 활용하여 산업용 차량 허브의 연료 소비를 예측하고 설명하기 위해 설명 가능한 부스팅 머신(Early Stopping Boosting Machine, EBM) 모델을 제안한다. 모델은 주행 행동이 가장 큰 기여 요소로 규명되었으며, 행동 최적화를 통해 약 12–15%의 연료 사용 감소가 가능하다고 예측한다. 설명 내용은 도메인 지식과 일치하며 정량적 지표를 통해 검증되었다.

ABSTRACT

Fuel optimization of diesel and petrol vehicles within industrial fleets is critical for mitigating costs and reducing emissions. This objective is achievable by acting on fuel-related factors, such as the driving behaviour style. In this study, we developed an Explainable Boosting Machine (EBM) model to predict fuel consumption of different types of industrial vehicles, using real-world data collected from 2020 to 2021. This Machine Learning model also explains the relationship between the input factors and fuel consumption, quantifying the individual contribution of each one of them. The explanations provided by the model are compared with domain knowledge in order to see if they are aligned. The results show that the 70% of the categories associated to the fuel-factors are similar to the previous literature. With the EBM algorithm, we estimate that optimizing driving behaviour decreases fuel consumption between 12% and 15% in a large fleet (more than 1000 vehicles).

연구 동기 및 목표

• 실세계 텔레매틱스 데이터를 활용하여 다양한 산업용 허브의 실질적 연료 소비를 예측할 수 있는 기계학습 모델을 개발한다.
• 설명 가능한 부스팅 머신(EBM)이라는 화이트박스 기계학습 접근 방식을 활용해 연료 소비 영향 요인에 대한 해석 가능하고 특징 수준의 설명을 생성한다.
• 최신 기술 동향(SOTA)의 도메인 지식과 비교하여 설명의 정확성과 관련성을 확보하기 위해 설명을 검증한다.
• 비효율적인 주행 행동이 허브 연료 소비에 미치는 경제적 및 환경적 영향을 정량화한다.
• 설명 가능한 인공지능에서 유도된 실질적인 통찰을 통해 연료 절감 및 배출가스 감소 잠재력을 입증한다.

제안 방법

• 2020년부터 2021년까지 다수의 허브 유형(승용차, 트럭 등)의 1,000台 이상의 차량으로부터 실세계 텔레매틱스 데이터를 수집하였다.
• 최신 기술 동향 문헌을 바탕으로 주행 행동, 차량 질량, 여정 특성 등 최대 70개의 연료 영향 요인을 도출하였다.
• 각 허브 데이터셋에 대해 설명 가능한 부스팅 머신(EBM) 모델을 훈련시어 연료 소비를 높은 정확도로 예측하였다.
• EBM에서 유도된 특징 중요도 설명을 생성하여 각 입력 요인이 연료 소비에 미치는 개별적 영향을 정량화하였다.
• 도메인 전문 지식과 비즈니스 규칙, 특징 분류 체계를 통합하여 결과가 전문가 지식과 일치하도록 조정하였다.
• 표준 회귀 평가 지표를 사용해 모델 성능을 평가하였으며, 블랙박스 모델과의 비교를 통해 EBM의 성능을 검증하였다. 설명 품질은 도메인 지식 일치도 및 정량적 지표를 통해 검증되었다.

실험 결과

연구 질문

• RQ1 설명 가능한 부스팅 머신(EBM) 모델은 다양한 산업용 차량 허브의 실세계 연료 소비를 정확하게 예측할 수 있는가?
• RQ2 EBM가 생성한 특징 중요도 설명은 연료 소비 요인에 대한 기존 도메인 지식과 어느 정도 일치하는가?
• RQ3 다양한 허브 유형 간 주행 행동이 연료 소비에 미치는 정량적 영향은 어떠한가?
• RQ4 이와 같은 맥락에서 모델의 예측 성능은 설명 불가능한 블랙박스 모델과 비교해 어떻게 다른가?
• RQ5 모델의 통찰을 바탕으로 주행 행동을 집중적으로 최적화할 경우 예상되는 연료 절감 잠재력은 얼마인가?

주요 결과

• EBM 모델은 높은 성능을 보이는 블랙박스 모델과 유사한 예측 성능을 달성하여 실세계 텔레매틱스 데이터에 대해 우수한 일반화 능력을 입증하였다.
• EBM 모델이 규명한 약 70%의 연료 관련 특징 카테고리가 이전 문헌과 일치하여 설명의 타당성을 확인하였다.
• 주행 행동이 주요 기여 요소로 규명되었으며, 대규모 허브에서 행동 최적화를 통해 약 12–15%의 연료 절감이 가능하다고 예측되었다.
• 주행 행동, 운영 질량, 여정 유형에 대한 EBM 설명은 도메인 지식과 특히 잘 일치하였다.
• 비즈니스 규칙 및 도메인 전문 지식의 통합은 EBM 설명의 이해 가능성과 실용적 관련성을 향상시켰다.
• 정량적 평가를 통해 EBM 설명이 의미 있고 실천 가능한 것으로 확인되었으며, 비용 절감 및 배출가스 감소를 위한 타겟팅 개선 조치를 지원하였다.