[论文解读] 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 5

一句话总结

本研究提出了一种可解释增强机器学习（Explainable Boosting Machine, EBM）模型，利用2020–2021年的真实世界车联网数据，预测并解释工业车队的燃油消耗。该模型将驾驶行为识别为最关键的影响因素，通过行为优化可实现12–15%的燃油节省，且解释结果与领域知识一致，并通过定量指标验证。

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).

研究动机与目标

• 开发一种机器学习模型，利用车联网数据预测多样化工业车队的真实世界燃油消耗。
• 使用可解释增强机器学习（EBM）这一白盒机器学习方法，生成燃油消耗驱动因素的可解释、特征级别的解释。
• 将模型解释与领域前沿知识（SOTA）进行对比验证，确保其相关性与一致性。
• 量化低效驾驶行为对车队燃油消耗的经济与环境影响。
• 展示基于可解释人工智能生成的可操作洞察，实现燃油节省与排放减少的潜力。

提出的方法

• 收集了2020年至2021年间来自多种车队类型（乘用车、卡车等）超过1,000辆车辆的真实世界车联网数据。
• 基于SOTA文献，提取最多70个可能影响燃油消耗的特征，包括驾驶行为、车辆质量及行程特征等。
• 在每个车队数据集上训练可解释增强机器学习（EBM）模型，以高精度预测燃油消耗。
• 从EBM生成特征重要性解释，量化每个输入因素对燃油消耗的独立影响。
• 将EBM的解释结果与特定领域的业务规则及特征分类体系结合，确保结果与专家知识一致。
• 使用标准回归指标评估模型性能，并与黑箱模型进行比较；通过领域知识一致性与定量指标验证解释质量。

实验结果

研究问题

• RQ1 可解释增强机器学习（EBM）模型能否在多样化工业车队中准确预测真实世界的燃油消耗？
• RQ2 EBM生成的特征重要性解释在多大程度上与燃油消耗影响因素的既有领域知识一致？
• RQ3 驾驶行为对不同车队类型燃油消耗的影响程度如何量化？
• RQ4 在相同背景下，该模型的预测性能与非可解释的黑箱模型相比如何？
• RQ5 基于模型洞察，通过针对性优化驾驶行为，燃油节省的潜在规模是多少？

主要发现

• EBM模型的预测性能与高性能黑箱模型相当，展现出在真实世界车联网数据上的强大泛化能力。
• EBM模型识别出的约70%的燃油相关特征类别与既有文献一致，证实了解释的有效性。
• 驾驶行为被识别为主要影响因素，通过在大规模车队中优化驾驶行为，有望实现12–15%的燃油节省。
• 模型对驾驶行为、运行质量及行程类型的解释与领域知识高度一致。
• 业务规则与领域专业知识的整合显著提升了EBM解释的可解释性与实际应用价值。
• 定量评估证实，EBM的解释具有实际意义且可操作，支持针对性的节能与减排干预措施。