[論文レビュー] Vehicle Fuel Optimization Under Real-World Driving Conditions: An Explainable Artificial Intelligence Approach

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

Vehicle emissions and performance参考文献 25被引用数 5

ひとこと要約

本研究では、2020年から2021年の間の実世界のテレマティクスデータを用いて、産業用車両フリートの燃料消費を予測・説明するための説明可能なブースティングマシン（EBM）モデルを提案する。モデルは運転行動を最も寄与要因として特定し、行動最適化によって予測される燃料使用量を12–15%削減可能である。説明内容は分野知識と整合しており、定量的指標によって検証されている。

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).

研究の動機と目的

• 実世界のテレマティクスデータを用いて、多様な産業用フリートにおけるリアルな燃料消費を予測する機械学習モデルを開発すること。
• 説明可能なブースティングマシン（EBM）というホワイトボックス機械学習手法を用いて、燃料消費要因の解釈可能で特徴レベルの説明を生成すること。
• 説明内容が最先端（SOTA）の分野知識と一致することを確認するため、SOTAの分野知識と照合して妥当性を検証すること。
• 非効率な運転行動がフリートの燃料消費に与える経済的・環境的影響を定量的に評価すること。
• 説明可能なAIから得られる実行可能なインサイトを用いて、燃料節約と排出ガス削減の可能性を示すこと。

提案手法

• 2020年から2021年の間、複数のフリートタイプ（乗用車、トラックなど）の1,000台以上の車両から実世界のテレマティクスデータを収集した。
• 最先端（SOTA）の文献に基づき、運転行動、車両重量、行程特性など、最大70の燃料影響要因を特定した。
• 各フリートのデータセットに対して、高い予測精度で燃料消費を予測するため、説明可能なブースティングマシン（EBM）モデルを訓練した。
• EBMから得られた特徴の重要度説明を生成し、各入力要因が燃料消費に与える個別の影響を定量的に評価した。
• 分野特化のビジネスルールと特徴の分類体系を統合し、専門家知識と整合性のある結果を得た。
• 標準的な回帰指標を用いてモデルのパフォーマンスを評価し、ブラックボックスモデルと比較した。説明品質は分野知識との整合性と定量的指標によって検証した。

実験結果

リサーチクエスチョン

• RQ1 説明可能なブースティングマシン（EBM）モデルは、多様な産業用車両フリートにおける実世界の燃料消費を正確に予測できるか？
• RQ2 EBMが生成する特徴の重要度説明は、燃料消費要因に関する既存の分野知識とどの程度整合しているか？
• RQ3 運転行動が異なるフリートタイプにおいて、燃料消費に与える影響を定量的に評価できるか？
• RQ4 同様の文脈において、モデルの予測性能は説明不能なブラックボックスモデルと比べてどうか？
• RQ5 モデルのインサイトに基づき、運転行動の的を射た最適化によって、燃料削減の潜在的効果はどの程度か？

主な発見

• EBMモデルは、高性能なブラックボックスモデルと同等の予測性能を達成し、実世界のテレマティクスデータにおいて優れた一般化性能を示した。
• EBMモデルが特定した燃料関連特徴カテゴリーの約70%が、先行研究と一致しており、説明の妥当性が裏付けられた。
• 運転行動は主要な寄与要因として特定され、大規模なフリートで最適化すれば12–15%の燃料節約が可能であると予測された。
• 運転行動、運用時の重量、行程タイプに関するEBMの説明は、分野知識と特に良好に一致していた。
• ビジネスルールと分野専門知識の統合により、EBMの説明の解釈可能性と実用的関連性が向上した。
• 定量的評価により、EBMの説明が意味的で実行可能であることが確認され、コストおよび排出ガス削減のための的を射た対策を支援した。