[论文解读] Vehicle Energy Dataset (VED), A Large-scale Dataset for Vehicle Energy Consumption Research

Geunseob Oh, David J. LeBlanc+1 more|arXiv (Cornell University)|Apr 19, 2019

Vehicle emissions and performance参考文献 14被引用 11

一句话总结

本论文介绍了车辆能效数据集（VED），这是一个大规模、公开获取的数据集，包含来自美国安娜堡383辆个人车辆的真实世界车辆能效数据，通过OBD-II记录器在一年内采集。数据涵盖每秒级别的GPS轨迹、燃油/电能消耗、车速及辅助电源使用情况，支持驾驶员行为、节能驾驶以及联网/自动驾驶车辆技术的研究，关键发现包括：燃油经济性在不同车速、温度和交通状况下存在显著差异。

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.

研究动机与目标

• 为解决缺乏公开可用、大规模结合真实世界车辆轨迹与高分辨率能效数据集的问题。
• 支持人类驾驶员行为、燃油经济性差异及现代车辆节能潜力的研究。
• 支持节能路径规划、节能接近与自动驾驶车辆决策算法的开发与校准。
• 为多样化真实条件下车辆能效的模型驱动建模提供基础。
• 通过去标识化确保参与者隐私，同时保持数据质量以支持研究。

提出的方法

• 通过获得参与者同意，在383辆个人车辆（内燃机车、混合动力车、插电混动车、电动车）上安装OBD-II记录器，采集时间序列数据。
• 在12个月（2017年11月至2018年11月）内以秒级分辨率记录GPS轨迹、燃油/电能消耗、车速及辅助电源使用情况。
• 应用去标识化技术去除个人身份信息，同时保持数据对分析的实用性。
• 采用标准化的OBD-II协议访问所有车辆的CAN总线信号，确保数据一致性。
• 基于真实驾驶场景，开展关于燃油经济性差异、混合动力效率及节能驾驶潜力的案例研究。
• 分析不同驾驶环境（高速公路、城市道路、交叉路口）、车速、温度及一天中不同时段的能效使用模式。

实验结果

研究问题

• RQ1 燃油经济性在不同驾驶环境、车速及环境温度下如何变化？
• RQ2 在城市驾驶条件下，混合动力车与电动车相较于传统内燃机车的性能优势有多大？
• RQ3 高峰时段与畅通交通下的燃油消耗有何差异，且这种差异是否因车辆类型而异？
• RQ4 节能驾驶技术（如节能接近与起步）在信号灯控制的交叉路口中，减少燃油消耗的效果如何？
• RQ5 基于真实世界数据，联网与自动驾驶车辆（CAV）技术能带来哪些节能潜力？

主要发现

• 高速公路行驶的燃油经济性平均比繁忙的城市中心区域高出2.92倍。
• 最高效的车速为18 m/s（约40英里/小时），车速过高或过低时燃油消耗均上升。
• 在-8°C时，燃油消耗相比20°C时增加了46%，凸显低温对能效的显著影响。
• 高峰时段驾驶的燃油消耗比相同条件下的畅通驾驶高出67%。
• 在信号灯附近行驶时，混合动力车的燃油消耗比内燃机车低287.5%，表明其在启停交通中的效率优势。
• 与普通人类驾驶员相比，节能接近与起步技术可使燃油消耗减少高达50%，适用于真实世界信号灯控制的交叉路口。