[논문 리뷰] Vehicle Speed Prediction using Deep Learning

Joe Lemieux, Yuan Ma|arXiv (Cornell University)|2015. 10. 25.

Vehicle emissions and performance참고 문헌 5인용 수 8

한 줄 요약

이 논문은 역사적 주행 데이터를 활용하여 여정 시작 시 개인 운전자별 차량 속도 프로파일을 예측하기 위한 딥러닝 접근법을 제안한다. 순환 신경망(LSTM)을 활용함으로써 모델은 속도 시계열 예측에 높은 정확도를 달성하여 하이브리드 및 플러그인 전기차에서 사전 경로 수준의 에너지 계획 수립을 통해 에너지 최적화를 가능하게 한다.

ABSTRACT

Global optimization of the energy consumption of dual power source vehicles such as hybrid electric vehicles, plug-in hybrid electric vehicles, and plug in fuel cell electric vehicles requires knowledge of the complete route characteristics at the beginning of the trip. One of the main characteristics is the vehicle speed profile across the route. The profile will translate directly into energy requirements for a given vehicle. However, the vehicle speed that a given driver chooses will vary from driver to driver and from time to time, and may be slower, equal to, or faster than the average traffic flow. If the specific driver speed profile can be predicted, the energy usage can be optimized across the route chosen. The purpose of this paper is to research the application of Deep Learning techniques to this problem to identify at the beginning of a drive cycle the driver specific vehicle speed profile for an individual driver repeated drive cycle, which can be used in an optimization algorithm to minimize the amount of fossil fuel energy used during the trip.

연구 동기 및 목표

• 여정 시작 시 개인 운전자별 속도 프로파일을 예측하여 이중 전력 차량에서 글로벌 에너지 최적화를 달성하고자 한다.
• 평균 교통 흐름과 다름과 동시에 시간에 따라 변하는 운전자 행동의 다양성을 다루고자 한다.
• 정확한 속도 예측을 통해 하이브리드 및 플러그인 전기차의 석유 소비를 줄이고자 한다.
• 개인 운전자에 대해 반복 주행 사이클에 걸쳐 일반화할 수 있는 기계학습 모델을 개발하고자 한다.
• 여정 실행 이전에 신뢰할 수 있는 속도 예측을 제공하여 실시간 에너지 관리 시스템을 지원하고자 한다.

제안 방법

• 반복 주행 사이클에서의 순차적 속도 데이터를 모델링하기 위해 장기 기억 신경망(LSTM)을 활용한다.
• 개인 운전자로부터 수집한 역사적 차량 속도 트레이스 데이터를 기반으로 딥러닝 모델을 훈련시킨다.
• 입력을 동일한 운전자에 의해 수행된 이전 여정을 나타내는 시계열 속도 시퀀스로 처리한다.
• 최소한의 오차로 입력 시퀀스를 미래 속도 프로파일로 매핑하기 위해 지도 학습을 적용한다.
• 주행 패턴의 장기적 의존성을 포착하기 위해 시간에 따른 역전파(backpropagation through time)를 사용해 모델 파라미터를 최적화한다.
• 전체 경로 동안의 미래 속도 값을 예측하기 위해 시퀀스-투-시퀀스 예측을 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 이전 주행 데이터만을 사용하여 여정 시작 시 개인 운전자별 속도 프로파일을 정확하게 예측할 수 있는가?
• RQ2 LSTM 네트워크는 반복 주행 사이클에 걸쳐 운전자 행동의 시간적 동역학을 얼마나 잘 포착할 수 있는가?
• RQ3 개인 운전자별 속도 예측은 하이브리드 및 플러그인 전기차에서 에너지 소비 최적화를 얼마나 향상시킬 수 있는가?
• RQ4 교통 및 경로 조건이 다양한 상황에서 속도 시퀀스를 예측할 때 모델의 성능은 어떠한가?
• RQ5 다양한 경로와 주행 스타일 간에도 높은 예측 정확도를 유지하면서 일반화할 수 있는가?

주요 결과

• 제안된 딥러닝 모델은 반복적인 여정에서의 역사적 데이터만을 사용하여도 개인 운전자별 속도 프로파일에 대해 높은 예측 정확도를 달성한다.
• LSTM 기반 모델은 기존 방법에 비해 운전자 행동의 장기적 시간적 의존성을 더 잘 포착한다.
• 여정 실행 이전에 정확한 속도 시퀀스를 예측함으로써 정밀한 에너지 소비 예측이 가능해진다.
• 동일한 운전자에 대해 여러 차례 반복 주행 사이클의 데이터로 훈련할 경우 예측 정확도가 크게 향상된다.
• 여정 시작 시 신뢰할 수 있는 속도 예측을 제공함으로써 이중 전력 차량에서 실시간 에너지 최적화를 지원한다.
• 다양한 주행 패턴과 경로 특성에 걸쳐도 견고한 성능을 보이며 차량 에너지 관리 시스템에 일반화된 응용이 가능하다.