지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이종화, 박진일
- 발행연도
- 2022
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수17
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
연비 운전(Eco-drive)은 운전 습관 개선을 통하여, 차량의 연비 개선을 유도하는 통용된 개념이다. 차량 가속 또는 가속 페달 조작, 속도를 낮추기 위한 감속 또는 타행 운전, 기어 변속 시점 차이와 같은 다양한 주행 형태 등의 변화를 통하여 연비를 개선할 수 있다.
가속 및 감속과 운행 빈도가 높은 시내버스에서 높은 연비를 달성한 운전자들의 데이터를 분석하여 연비 운전을 통한 시내버스의 연비 개선 타당성을 검증하였고, 연비 운전 감시 항목으로 급출발, 급가속, 급감속, 가속 페달 조작, 타행 운전, 변속 지시 위반, 평균 엔진 속도, 과속, 낮은 엔진 속도에서 수행된 변속을 설정하였다. 감시 항목별로 감시 방법을 설정하고 운행 데이터를 이용하여 각 감시 항목의 지수를 산출하였다.
각 감시 항목의 지수가 연비에 미치는 영향을 파악하기 위해 머신 러닝 연비 예측 모델을 작성하였다. 또한 예측 모델 설명 도구를 이용하여 각 모니터링 항목의 기여도를 분석하였다. 이에 따라 감시 항목별로 점수 배분을 수행하였다. 각 감시 항목 점수를 합산하여 연비 운전 점수로 정의하였다. 연비 운전 점수화 및 서울 시내버스 적용을 통하여, 연평균 12.1%의 연비 개선 효과와 함께 연비 운전 점수가 연비 운전 특성을 대표할 수 있음을 확인하였다.
연간 운행 중 연비 운전 점수는 운행 환경에 따라 차이를 보였고, 연비와 점수 사이의 상관관계를 개선할 필요성이 대두되었다. 본 연구에서는 머신러닝을 통해 연비 운전 점수를 보완하기 위한 운행 환경 인자를 규명하였다. 예측 모델 설명 도구를 통해 연비 예측 모델의 각 입력 변수의 기여도를 평가하여 운행 환경 인자를 운행 시간, 운행 월, 운행 요일, 단위 거리 당 변속 횟수, 브레이크 작동 비율, 노선 특성으로 설정하였다.
측정된 연비는 연간 주행데이터의 각 운행 환경 인자에 따른 평균 연비 간의 관계를 이용하여 정규화하였다. 연비 운전 점수는 해당 연비 운전 점수의 정규화 연비 분포를 기준으로 0.84~1.05배 범위에서 보정된다. 운행 환경 인자를 입력 변수로 포함하는 보정된 연비 운전 점수 예측 머신러닝 모델을 작성하였으며, 상기 과정의 운행 환경 인자 고려를 통한 연비 운전 점수 보정으로 연비와 연비 운전 점수의 상관관계를 개선하였다.
가속 및 감속과 운행 빈도가 높은 시내버스에서 높은 연비를 달성한 운전자들의 데이터를 분석하여 연비 운전을 통한 시내버스의 연비 개선 타당성을 검증하였고, 연비 운전 감시 항목으로 급출발, 급가속, 급감속, 가속 페달 조작, 타행 운전, 변속 지시 위반, 평균 엔진 속도, 과속, 낮은 엔진 속도에서 수행된 변속을 설정하였다. 감시 항목별로 감시 방법을 설정하고 운행 데이터를 이용하여 각 감시 항목의 지수를 산출하였다.
각 감시 항목의 지수가 연비에 미치는 영향을 파악하기 위해 머신 러닝 연비 예측 모델을 작성하였다. 또한 예측 모델 설명 도구를 이용하여 각 모니터링 항목의 기여도를 분석하였다. 이에 따라 감시 항목별로 점수 배분을 수행하였다. 각 감시 항목 점수를 합산하여 연비 운전 점수로 정의하였다. 연비 운전 점수화 및 서울 시내버스 적용을 통하여, 연평균 12.1%의 연비 개선 효과와 함께 연비 운전 점수가 연비 운전 특성을 대표할 수 있음을 확인하였다.
연간 운행 중 연비 운전 점수는 운행 환경에 따라 차이를 보였고, 연비와 점수 사이의 상관관계를 개선할 필요성이 대두되었다. 본 연구에서는 머신러닝을 통해 연비 운전 점수를 보완하기 위한 운행 환경 인자를 규명하였다. 예측 모델 설명 도구를 통해 연비 예측 모델의 각 입력 변수의 기여도를 평가하여 운행 환경 인자를 운행 시간, 운행 월, 운행 요일, 단위 거리 당 변속 횟수, 브레이크 작동 비율, 노선 특성으로 설정하였다.
측정된 연비는 연간 주행데이터의 각 운행 환경 인자에 따른 평균 연비 간의 관계를 이용하여 정규화하였다. 연비 운전 점수는 해당 연비 운전 점수의 정규화 연비 분포를 기준으로 0.84~1.05배 범위에서 보정된다. 운행 환경 인자를 입력 변수로 포함하는 보정된 연비 운전 점수 예측 머신러닝 모델을 작성하였으며, 상기 과정의 운행 환경 인자 고려를 통한 연비 운전 점수 보정으로 연비와 연비 운전 점수의 상관관계를 개선하였다.
목차
제1장 서론 1제1절 연구 배경 및 목적 1제2절 연구 내용 및 방법 3제2장 연비 운전 점수화 알고리즘 개발 5제1절 알고리즘 개발 개요 5제2절 운전 특성에 따른 연비 관계 파악 7제3절 연비 운전 감시 항목 설정 131. 속도 변화 관련 항목 감시 142. 변속 지시 및 위반 감시 253. 기타 연비 운전 유도 항목 감시 32제4절 머신러닝을 이용한 감시 항목 점수화 401. 머신러닝을 통한 감시 항목의 연비 기여도 파악 422. 감시 항목의 연비 운전 점수화 52제3장 연비 운전 점수의 운행 환경 인자 보정 54제1절 연비 운전 점수 보정 개요 54제2절 운행 환경의 연비 인자 파악 551. 운행 환경 인자 고려의 필요성 552. 운행 환경과 연비의 관계 573. 머신러닝을 통한 운행 환경의 연비 인자 파악 66제3절 운행 환경 인자 보정 연비 운전 점수 산출 701. 운행 환경 인자 보정 방법 712. 머신러닝을 통한 보정 연비 운전 점수 산출 77제4장 연구 결과 81제1절 연비 운전 점수화 시스템의 적용 결과 81제2절 운행 환경 인자 보정에 따른 점수 변화 86제5장 결론 90참고문헌 92
최근 본 자료
댓글(0)
0