Second International Conference on Advanced Mechatronics, Design, and Manufacturing Technology - AMDM 2014 1 PREDICCION NEURONAL DE CONSUMO ENERGÉTICO ANTE VARIACIONES DE TRÁFICO VEHICULAR Energy consumption prediction faced to vehicular traffic changes by neuronal network RESUMEN El aumento del parque automotriz en las ciudades, se ha convertido en un factor de importancia, para el análisis que se produce en las empresas del sector transportador, en aspectos específicos como el del consumo energético. Este artículo presenta un algoritmo basado en inteligencia artificial, para la predicción del consumo de combustible en un vehículo, para un trayecto determinado en la ciudad de Bogotá, teniendo en cuenta las variaciones del tráfico. Con esta herramienta de predicción es posible determinar el consumo energético promedio del vehículo e inferir posibles causas de falla del mismo. Palabras clave: consumo energético, modelado de tráfico, red neuronal. ABSTRACT The increase of automotive park in cities has become a factor of importance for the analysis by the transportation sector companies, in specific aspects such as energy consumption. This paper presents an algorithm to predict fuel consumption in a urban vehicle, through neural networks, for a given path in Bogotá, taking into account changes in traffic. This prediction tool may determine the average energy consumption of the vehicle and infer possible causes of failure thereof. JOHN VILLAIZÁN R. Ingeniero en Mecatrónica Asistente de investigación u1801350@unimilitar.edu.co RÓBINSON JIMÉNEZ M. Ingeniero electrónico, M. Sc. Investigador robinson.jimenez@unimilitar.edu.co OLGA RAMOS S. Ingeniera electrónica, M. Sc. Investigadora olga.ramos@unimilitar.edu.co Keywords: Energy consumption, neural network, traffic modeling. 1. INTRODUCCIÓN El tráfico en las vías de cualquier ciudad del mundo es un aspecto que está tomando mucha importancia en temas relacionados con vehículos automotores, tales como el consumo energético el cual es influenciado más que todo por los cambios de aceleración y desaceleración, ya que una alta frecuencia de este comportamiento aumenta considerablemente el gasto de combustible que, de igual forma, influye en la contaminación [1]. Esta contaminación afecta en gran manera la salud pública, gracias a las emisiones de humo y dióxido de azufre (SO2), entre otros [6]. El consumo de combustible tradicionalmente se asocia a factores como el estado del vehículo y el tráfico existente, constituyendo el valor más significativo en costo de operación de un sistema de transporte [8]. Se han realizado varios desarrollos en torno a este tema, por ejemplo, en [2] se muestra un algoritmo de simulación para un modelo de flujo de tráfico con el fin de comprender el comportamiento en un contexto urbano, maximizando el flujo vehicular y minimizando las congestiones, los accidentes y la polución. Por otro lado, en [3] se presenta un algoritmo de asignamiento dinámico de tráfico basado en datos adquiridos desde dispositivos avanzados, unificando las variables de tiempo con el fin de obtener una red de vías Fecha de recepción: 26 de septiembre de 2014 Fecha de aceptación: 1 de octubre de 2014 con tráfico balanceado. Al usar información de tiempo real el algoritmo puede evitar secciones de congestión permitiendo un avance vehicular fluido. En varias investigaciones se han realizado algoritmos de predicción de tráfico, en las que se hace uso de modelos macroscópicos, microscópicos y sub-microscópicos [4]. Con el primer modelo se observa el comportamiento general de flujo y densidad del tráfico; con el segundo se observa el comportamiento vehículo a vehículo, observando la forma como un vehículo realiza el seguimiento del siguiente, y el último observa el comportamiento individual vehicular, por ejemplo, la aceleración, el frenado y el cambio de dirección, entre otras. El tráfico en la ciudad de Bogotá es bastante congestionado debido a que las vías no son suficientemente amplias para la cantidad de vehículos y motocicletas. Sumado a este problema, la calidad de las vías y la cultura ciudadana de las personas intensifican el caos, ya que las personas quieren llegar rápido a sus destinos sobrepasando las normar viales establecidas. Los problemas anteriormente mencionados intensifican la cantidad de arrancadas y tiempos de trayecto, provocando un aumento en el consumo de combustible. La estructura del artículo es la siguiente: en la sección 2 se describe el tramo seleccionado, las variables que influyen en el recorrido y el método para crear la red
2 Second International Conference on Advanced Mechatronics, Design, and Manufacturing Technology - AMDM 2014 neuronal; en la sección 3 se muestran las conclusiones y recomendaciones acerca de los resultados de consumo haciendo uso del algoritmo genético. 2. MATERIALES Y MÉTODOS Debido a que el tráfico de cada día no se puede predecir, ya que es aleatorio por diferentes variables como: restricciones de movilidad, accidentes y flujo vehicular, se ve la necesidad de que las empresas puedan conocer un promedio de consumo de combustible con dichas variaciones con el fin de saber si es necesario realizar mantenimientos preventivos, ya que el aumento de consumo de combustible está ligado a posibles daños en el motor, generando contaminación. Además, para las empresas de transporte es necesario conocer el trato que se le da a sus vehículos y uno de los principales síntomas de mal manejo es el aumento de consumo de combustible. Inicialmente, se procede a tomar datos estadísticos acerca de la información de los desplazamientos en un tramo de la ciudad de Bogotá, en vehículos automotores de servicio urbano, el cual es uno de los medios más utilizados por la ciudadanía. Se escoge un tramo para realizar la estadística de desplazamiento vehicular, este trayecto se escoge debido a que es una de las vías más importantes de la ciudad y una de las más transitadas. El punto de inicio se encuentra en la Carrera 68 No 22 y finaliza en la Carrera 11 No 100, la distancia entre estas dos locaciones es de 9,2 Km, ver figura 1. distancia del tramo seleccionado, los cuales tienen un gasto de combustible aproximado de 0.0001193 g/km. Se realizaron varias tablas de tabulación, la primera consistió en registrar valores generales durante el desplazamiento, como el tiempo total del recorrido y la totalidad de arranques, con esto se logra obtener un promedio de veces que los vehículos deben frenar y arrancar cada minuto. Así mismo, registrar la marca del vehículo y lograr obtener información técnica del mismo (tipo de motor), ver tabla 1. Son en total 40 muestras de las diferentes observaciones diarias, mostrando en la tabla un segmento del mismo. Muestra [min] Arranque Promedio [Veces/min] Tipo de Vehículo Motor 1 50 66 1,32 MB Atego MB OM904LA 4.3cc 2 55 71 1,29090909 Chevrolet NPR Isuzu 4HF1 4.3cc 3 53 72 1,35849057 Chevrolet NPR Isuzu 4HF1 4.3cc 4 51 74 1,45098039 MB Atego MB OM904LA 4.3cc 5 48 61 1,27083333 Chevrolet NPR Isuzu 4HF1 4.3cc 6 50 81 1,62 Chevrolet NPR Isuzu 4HF1 4.3cc 7 62 97 1,56451613 Chevrolet NPR Isuzu 4HF1 4.3cc 8 60 86 1,43333333 MB Atego MB OM904LA 4.3cc 9 59 79 1,33898305 MB Atego MB OM904LA 4.3cc 10 57 67 1,1754386 MB Atego MB OM904LA 4.3cc 11 71 81 1,14084507 Chevrolet NPR Isuzu 4HF1 4.3cc 12 63 74 1,17460317 MB Atego MB OM904LA 4.3cc 13 54 71 1,31481481 Chevrolet NPR Isuzu 4HF1 4.3cc 14 58 72 1,24137931 Chevrolet NPR Isuzu 4HF1 4.3cc 15 60 78 1,3 MB Atego MB OM904LA 4.3cc Tabla 1. Segmento de 15 datos generales del recorrido. En la tabla 2 se registraron la cantidad de frenadasarranque que realizaron los vehículos urbanos en cada minuto del recorrido. Los datos que se presentan en cero reflejan estancamientos en el tráfico. Cada una de la cuarenta muestras se registra minuto a minuto con un rango final de tiempo del recorrido el cual está comprendido entre 47 y 75 minutos. Figura 1. Tramo Calle 22 - Calle 100, Bogotá-Colombia. Se realiza un muestreo durante el recorrido en un horario comprendido entre las 6:30 a. m. a 7:00 a.m., tomando datos del tiempo total del recorrido, número de veces de arranque durante cada minuto, el tipo de vehículo y la información del motor, realizando en total 40 observaciones en días diferentes. Los datos de consumo se obtienen realizando un promedio del gasto en combustible con relación a la distancia de los recorridos realizados normalmente por buses urbanos (Isuzu 4HF1 4.3cc y MB OM904LA 4.3cc), y ajustando el valor con la Muestra 1 2 3 4 5 1 2 3 3 2 2 2 3 2 0 2 0 3 1 2 3 2 1 4 0 0 2 1 0 5 1 2 2 1 3 6 1 1 1 1 1 7 2 2 1 3 3 8 1 1 0 1 1 9 1 2 2 0 2 10 3 1 3 1 2 11 0 3 1 1 0 12 1 0 2 3 1 13 3 0 1 2 3 14 2 3 2 0 1 15 1 0 0 0 1 Tabla 2. Segmento de 15 datos específicos de arranque en cada minuto del recorrido.
Second International Conference on Advanced Mechatronics, Design, and Manufacturing Technology - AMDM 2014. 3 En la tabla 3 se presentan los datos promedio de las anteriores tabulaciones del recorrido. Haciendo uso de la velocidad, se calcula tanto el tiempo como el consumo presentado cada minuto. Arranques Vel. Promedio [m/s] Dist. Recorrida [m] Consumo [g/km] 0 0 0 0 0 1 2 6,94 416,4 0,0496765 2 1 11,45 687 0,0819591 3 0 0 0 0 4 2 5,74 344,4 0,0410869 5 3 3,65 219 0,0261267 6 0 0 0 0 7 0 0 0 0 8 2 8,42 505,2 0,0602704 9 3 4,956 297,36 0,035475 10 2 6,94 416,4 0,0496765 11 0 0 0 0 12 3 4,35 261 0,0311373 13 3 5,72 343,2 0,0409438 14 2 6,23 373,8 0,0445943 15 0 0 0 0 Tabla 3. Segmento de 15 datos específicos de arranque, velocidad promedio, distancia recorrida y consumo de combustible en cada minuto. Se toma el consumo de combustible en función de las variables de tiempo (t), arranques (arr), velocidad (v), distancia (d) y tipo de motor (tmotor) (1). Estos datos son tabulados como se mencionó anteriormente, logrando resultados de consumo promedio con el fin de entrenar la red neuronal como datos de salida. El tipo de motor en este caso se deprecia debido a que la gran mayoría de buses poseían especificaciones similares. Ya que con la velocidad promedio y el número de arranques durante el trayecto, la distancia recorrida se deprecia también. Se realiza un entrenamiento de una red neuronal con el fin de obtener un algoritmo de consumo a partir de un comportamiento de tráfico variable, utilizando los datos previamente mencionados. Se utiliza el módulo de redes neuronales de MatLab, en el que los datos fueron aleatoriamente divididos en tres secciones: entrenamiento, validación y pruebas; cada una con porcentajes de iteración de 75%, 20% y 5% respectivamente de un total de 60 iteraciones. Figura 2. Parámetros de entrada y salidas de la red neuronal El software utiliza el algoritmo iterativo Levenberg- Marquardt para el entrenamiento de la red neuronal, el tipo de red elegido es Feed-Forward backprop, con 5 neuronas establecidas por medio de la regla de la capa oculta-capa entrada, en la que la cantidad de neuronas no debe exceder el doble del número de entradas [5], ver figura 2. Las funciones de transferencia usadas en el entrenamiento son sigmoidales tangenciales y logarítmicas (2). La anterior ecuación (2) describe de forma general la salida de los nodos de la capa oculta y de salida, la cual está en función de p, esta es la sumatoria del producto entre las entradas y los pesos de conexión (3). Con esta configuración se observa, en la figura 3, el aprendizaje del algoritmo alcanzando un (1) rendimiento óptimo en el lapso 34 aproximadamente, esto significa la cantidad de veces que el algoritmo iterativo necesitó para reducir el error asociado, modificando y adaptando los pesos con la capa de salida. (2) (3)
4 Second International Conference on Advanced Mechatronics, Design, and Manufacturing Technology - AMDM 2014 Figura 3. Rendimiento de la red neuronal (MSE) Con la red entrenada, se realiza una prueba de predicción variando la información inicial con el fin de verificar la exactitud del algoritmo. En la figura 4 se puede observar que el algoritmo presenta una respuesta muy aproximada a la real, presentando, en general, un error del 9,14% en los datos de consumo arrojados por el algoritmo. Arranques Vel. Promedio [m/s] Dist. Recorrida [m] Consumo real [g/km] Consumo Red Neuronal [g/km] 0 0 0 0 0 3,82727E-06 1 2 6,94 416,4 0,049677 0,049664185 2 1 11,45 687 0,081959 0,081826519 3 2 6,94 416,4 0,049677 0,049664185 4 0 5,74 344,4 0,041087 2,96946E-05 5 0 3,65 219 0,026127 1,05509E-05 6 1 13,88 832,8 0,099353 0,099361555 7 1 13,88 832,8 0,099353 0,099361555 8 0 8,42 505,2 0,06027 0,000160939 9 3 4,956 297,36 0,035475 0,035475383 10 2 6,94 416,4 0,049677 0,049664185 11 2 6,94 416,4 0,049677 0,049664185 12 0 4,35 261 0,031137 1,44332E-05 13 2 5,72 343,2 0,040944 0,041033028 14 2 6,23 373,8 0,044594 0,044603515 15 2 6,94 416,4 0,049677 0,049664185 Tabla 4. Segmento de 15 datos de consumo de una situación real comparado con el generado por la red neuronal. 3. CONCLUSIONES Y RECOMENDACIONES Figura 4. Comparación de datos reales (verde) vs respuesta de la red neuronal (azul). En la tabla 4 se presenta un segmento de los datos de la anterior gráfica, en la que se observan más detalladamente las diferencias en el consumo de combustible en situación real frente a la predicción generada por la red neuronal. Se realizó un algoritmo de consumo energético ante variaciones de tráfico vehicular, permitiendo predecir el consumo energético de los vehículos urbanos de la ciudad de Bogotá. El tramo y el horario seleccionado permiten realizar suposiciones futuras en ambientes de tráfico medio, lo cual reflejaría desplazamiento en horas valle. En la ejecución de la red neuronal se presentó un error general de predicción del 9,14%, en un recorrido de sesenta segundos, por lo que su efectividad es bastante alta. El uso de este tipo de algoritmos por parte de las empresas que administran los buses de transporte urbanos podrían mejorar los horarios de salida de sus vehículos, optimizar rutas, planear mantenimientos y mejorar los costos en combustible. 4. AGRADECIMIENTOS Esta investigación es apoyada financieramente por la Vicerrectoría de investigaciones de la Universidad Militar Nueva Granada, mediante el ING 1535, desarrollado al interior del grupo de investigación GAV del programa de ingeniería Mecatrónica. 5. BIBLIOGRAFÍA [1] X. Zhou, J. Huang, W. Lv y D. Li, «Fuel Consumption Estimates Based on Driving Pattern Recognition,» IEEE International Conference on Green Computing and Communications and IEEE
Second International Conference on Advanced Mechatronics, Design, and Manufacturing Technology - AMDM 2014. 5 Internet of Things and IEEE Cyber,, pp. 496, 503, 20-23, 2013. [2] G. Brettia, R. Natalini y B. Piccoli, «Numerical algorithms for simulations of a traffic model on road networks,» Journal of Computational and Applied Mathematics, nº 210, pp. 71-77, 2007. [3] D. Yu, X. Yin, L. Du y J. Xie, «Simulation Research on Dynamic Traffic Assignment Model,» Intelligent Computation Technology and Automation, vol. 2, pp. 240,243, 2009. [4] P. Kumar, R. Merzouki, B. Conrard, V. Coelen y B. Bouamama, «Multilevel Modeling of the Traffic Dynamic,» Intelligent Transportation Systems, IEEE Transactions on, pp. 1066,1082, 2014. [5] R. F. López y J. M. Fernández F., Las Redes Neuronales Artificiales, España: Netbiblo, 2008. [6] M. Romero, et all, Contaminacion atmosferica, asma bronquial e infecciones respiratoria agudas en menores de edad, de La Habana, Salud publica de mexico Vol. 46 no. 3, 2004. [7] C. Herrera, El consumo de combustible en Bogota, una aproximacion macroeconomica, Raddar, 2009. [8] J. Posada, C. Gonzalez, consumo de combustible en vehículos, Ingenierias, 2013.