Использование нейросети для анализа данных онлайн-мониторинга автомобилей

Применение типичных ездовых циклов автомобилей (ездовых шаблонов, скоростных профилей) не ограничено только определением показателей топливной экономичности автомобилей или выбросов вредных веществ. В последнее время актуальным является использование цикла для определения разряда аккумуляторной батареи автомобиля с гибридной силовой установкой или электромобиля при его эксплуатации. Ездовой цикл представляет собой развернутую зависимость скорости автомобиля от времени или пройденного расстояния, причем эта зависимость состоит из повторяющихся похожих элементов – отдельных фаз движения. Задача такого скоростного профиля – максимально точно воспроизвести потенциальные условия использования автомобиля. Так как в реальных условиях эксплуатации колебания скорости автомобиля в процессе движения определяются сочетанием случайных факторов, среди которых – дорожная обстановка, технологические условия, квалификация и психоэмоциональное состояние водителя, погодные условия и многое другое. Поэтому для определения каких-либо нормативных показателей автомобилей, необходим цикл, полученный на основе статистической обработки данных о скоростных профилях, полученных при заданных условиях эксплуатации, например, городских. Полученные в результате описания реальных поездок автомобилей многомерные данные, служат базой для получения синтетических или искусственных ездовых циклов. Обычно это или так называемые микро-поездки (microtrips) [8] или отдельные фазы движения, представленные числовыми характеристиками. Основная сложность в получении таких циклов состоит в получении базы данных достаточного размера.

В рамках исследования, направленного на определение характеристик городского ездового цикла [1], [2], [3], [4] был получен большой объем экспериментальных данных скоростных профилей автомобиля. Значения скорости регистрировались с помощью адаптера OBD-2 и далее обрабатывались в программе «CycleSyn» [2], [4] с целью выделения отдельных фаз движения. Накопленная база скоростных профилей перед обработкой была упорядочена в зависимости от типичных условий совершения поездок по соответствующим папкам, которые программа обрабатывала в пакетном режиме. Результаты распознавания фаз сохранялись в текстовом формате с разделителями (табл. 1).

Кроме того, каждый тестовый файл содержал итоговые показатели поездок, рассчитанные «CycleSyn». Результаты представлены ниже.

При совершении поездок в городских условиях в рабочие дни недели установлены следующие показатели.

Средняя длина поездки – 3741,7 м.

Среднее число (ед.):

- Остановок – 7,0;

- Разгонов – 25,0;

- Торможений – 25,0;

- Установившегося движения – 6,0.

Время остановок в цикле – 259,4

Средняя техническая скорость – 23,9 км/час.

Эксплуатационная скорость – 16,4 км/час.

Среднее время установившегося движения – 36,6 сек.

Среднее время разгонов в цикле – 254,4 сек.

Среднее время торможений – 268,6 сек.

Поездки, совершенные в тех же условиях, но в период низкой интенсивности движения имеют следующие параметры:

Средняя длина поездки – 3919,6 м.

Среднее число (ед.):

- Остановок – 6,0;

- Разгонов – 25,0;

- Торможений – 24,0.

Установившегося движения – 11,0

Время остановок в цикле – 33,9 сек.

Средняя техническая скорость – 24,1 км/час.

Эксплуатационная скорость – 17,1 км/час.

Среднее время установившегося движения – 22,5 сек.

Среднее время разгонов в цикле – 9,2 сек.

Среднее время торможений – 14,6 сек.

Поездки, совершенные в городских условиях, но в пиковый период интенсивности движения:

Средняя длина поездки – 3375,4

Среднее число:

- Остановок – 8,0;

- Разгонов – 24,0;

- Торможений – 23,0.

Установившегося движения – 10,0

Время остановок в цикле – 30,1 сек.

Средняя техническая скорость – 22,5 км/час.

Эксплуатационная скорость – 15,2 км/час.

Среднее время установившегося движения – 5,9 сек.

Среднее время разгонов в цикле – 9,8 сек.

Среднее время торможений – 10,6 сек.

Как видно из данных, приведенных выше, несмотря на некоторые отличия имеют место и типичные закономерности в соотношениях отдельных фаз движения.

Анализ характеристик типичных фаз движения автомобиля может помочь установить их среднюю продолжительность. Импортированный в программу Stamm [5], [6] массив значений скорости был подвергнут статистической обработке (рис. 1). Для фаз движения с изменением скорости (разгон, торможение) установлено, что случайная величина длительности фазу подчиняется экспоненциальному закону распределения (рис. 1 – 5).

Рисунок 1 - Статистический анализ длительности динамических фаз движения

DOI:10.23670/IRJ.2022.126.8.2

Обращает на себя внимание тот факт, что распределение случайной величины продолжительности разгона практически идентично распределению продолжительности торможения (рис. 1 и рис. 2). Это отражают и характеристики закона распределения этих случайных величин (табл. 2 и 3).

Рисунок 2 - Распределение случайной величины длительности фазы разгона

DOI:10.23670/IRJ.2022.126.8.3

Число входов нейросети [7] проектируемой для распознавания отдельных фаз движения транспортных средств и их характеристик по данным онлайн-мониторинга автомобилей может быть установлено на основе максимальной длительности динамических фаз (разгон, торможение). Это время определено на основе статистического анализа данных ранее выполненных исследований ездовых циклов автомобилей и не превышает 50 секунд. Однако, учитывая экспоненциальный характер изменения плотности вероятности продолжительности отдельных фаз и возможность определения характеристик фаз за несколько прогонов, можно ограничиться половиной этой величины. Учитывая неравномерный характер изменения времени в отчетах формируемых системами ГНСС-мониторинга, целесообразно использовать связанные пары входов каждый нечетный вход значение скорости, а каждый четный соответствующее календарное время. В результате число входов проектируемой нейронной сети не превышает 100.

Характер поставленной для нейросети задачи предполагает, что достаточно использовать простой трехслойный перцептрон [12]. В этом случае для выбора количества нейронов в скрытом слое можно использовать правило геометрической пирамиды [10]. По этому правилу число нейронов скрытого слоя вычисляется по следующей формуле:

(1)

где k – число нейронов в скрытом слое,

n – число нейронов во входном слое,

m – число нейронов в выходном слое.

 Для нашего случая k = √100∙5 ≈ 22, учитывая тот факт, что количество скрытых нейронов должно составлять 2/3 размера входного слоя плюс размер выходного слоя k = 100 ∙ 2/3 + 5 = 72.

В случае недостаточной точности аппроксимации данных сетью с одним скрытым слоем используем четырехслойный перцептрон число нейронов в слоях вычисляется:

(2)

(3)

(4)

где k1 – число нейронов в первом скрытом слое;

k2 – число нейронов во втором скрытом слое.

Соответственно r = 2,714.

k1 = 5 ∙ 2,7142 = 36,84 ≈ 37.

k2 = 5 ∙ 2,714 = 13,57 ≈ 14.

Таким образом, для распознавания отдельных фаз движения транспортных предлагается использовать нейронную сеть прямого распространения с числом входов не более 100. При максимальном числе входов число скрытых слоев и элементов в каждом из них будет определяться конфигурацией сети и окончательно будет установлено в результате обучения и проверки трех и четырехслойных перцептронов. Предлагаемый в работе подход использования искусственной нейросети для выделения отдельных фаз движения существенно отличается от используемых при синтезе ездовых циклов современных методик [8], [9], [11], [14] так как позволяет более эффективно использовать, искаженные в результате ошибок определения координат с помощью ГНСС, скоростные профили.