Nghiên cứu ứng dụng mạng trí tuệ nhân tạo trong dự đoán tiêu hao nhiên liệu của xe máy ở điều kiện lái thực

Hội nghị Khoa học công nghệ lần thứ XXII

Trường Đại học Giao thơng vận tải

NGHIÊN CỨU ỨNG DỤNG MẠNG TRÍ TUỆ NHÂN TẠO TRONG DỰ
ĐOÁN TIÊU HAO NHIÊN LIỆU CỦA XE MÁY Ở ĐIỀU KIỆN LÁI
THỰC
1

Phạm Ngọc Ninh, 1Trịnh Trọng Nghĩa, 1Nguyễn Đức Khánh, 1Lê Anh Tuấn,
2
Nguyễn Thị Yến Liên
1
2

Viện Cơ khí Động lực – Trường Đại học Bách khoa Hà Nội

Khoa Mơi trường và An tồn Giao thơng - Trường Đại học Giao thông Vận tải
Tác giả liên hệ: Email:

Tóm tắt: Trong nghiên cứu này, nhóm tác giả sử dụng công cụ ANN (Artificial
Neural Network) để xây dựng mơ hình dự đốn tiêu hao nhiên liệu của xe máy ở điều
kiện lái thực. Do sự đa dạng về các dòng xe máy đang lưu hành cũng như hạn chế
thơng tin về các phương tiện này, việc ước tính mức độ tiêu hao nhiên liệu ở điều kiện
vận hành thực tế của xe rất khó khăn. Việc sử dụng mơ hình ANN để dự đốn mức
tiêu thụ nhiên liệu của phương tiện và ước lượng mức phát thải khí hiệu ứng nhà kính
của phương tiện xe máy là một phương pháp hiệu quả. Để thực hiện được nghiên cứu
này, nhóm đã thiết kế chế tạo thiết bị thu thập dữ liệu làm việc tức thời của xe máy
gồm hai thông số vận tốc và lượng nhiên liệu tiêu thụ. Với cơ sở dữ liệu thử nghiệm
trên các tuyến đường đặc trưng của thành phố Hà Nội, mơ hình dự đốn tiêu hao nhiên
liệu đã được xây dựng thành cơng. Mơ hình cho kết quả dự đốn mức tiêu hao nhiên

liệu trung bình với độ chính xác khá cao, sai lệch giữa kết quả dự đoán và kết quả đo
đạc dưới 15%.
Từ khóa: ANN, MLP, Motorcycle, fuel consumption
1. ĐẶT VẤN ĐỀ

Vấn đề liên quan tới tiêu thụ nhiên liệu đang là chủ đề được các nhà chính sách,
nhà sản xuất cũng như người sử dụng phương tiện giao thông đặc biệt quan tâm. Tính
tốn hay ước tính lượng tiêu thụ nhiên liệu của phương tiện giao thông sẽ làm rõ hơn
tính kinh tế nhiên liệu và lượng phát thải độc hại thải ra môi trường. Các nhà khoa học
đã phát triển nhiều mơ hình ước tính lượng tiêu thụ nhiên liệu của phương tiện giao
thơng vận tải. Mơ hình tính tốn góp phần hữu ích trong việc phát triển chính sách, xây
dựng chu trình lái sạch, thân thiện mơi trường. Có nhiều nghiên cứu đã được thực hiện
để xây dựng các mơ hình tính t tốn mức tiêu thụ nhiên liệu [1-7].
Theo các nguồn tài liệu tham khảo, việc phát triển một mơ hình dự đốn tiêu hao
nhiên liệu là q trình sử dụng phương pháp tính tốn để dự đốn các thơng số đầu ra.
Trong đó, sử dụng các phương trình tốn học để mơ tả quy luật liên hệ giữa tiêu hao
nhiên liệu và chế độ vận hành của phương tiện giao thơng, ví dụ như vận tốc, được
-358-


Hội nghị Khoa học công nghệ lần thứ XXII

Trường Đại học Giao thơng vận tải

quan tâm nhiều. Các mơ hình toán học được xây dựng dựa trên thuật nội suy được sử
dụng khá phổ biến [8].
Tuy nhiên, việc sử dụng các mơ hình dựa trên thuật nội suy sẽ gặp khó khăn
trong việc mơ tả các bài tốn phức tạp. Do đó, các mơ hình dự đốn sử dụng cơng
nghệ tín tốn bằng máy tính sẽ khắc phục được hạn chế này mà khơng cần đưa ra các
phương trình mơ tả. Một trong những phương pháp đã và đang được các nhà nghiên

cứu quan tâm là sử dụng mạng nơ ron nhân tạo. Việc sử dụng mạng nơ ron cũng tương
tự như sử dụng các hàm tuyên tính hay phi tuyến nhưng ko cần liệt kê các biến độc lập
hay phụ thuộc [8]. Cấu trúc của mạng nơ ron cũng rất đa dạng, trong đó mơ hình được
sử dụng phổ biến nhất là Feed – forward [8, 9]. Mơ hình này sử dụng thuật toán Back
– propagation là thuật toán được sử dụng phổ biến trong cách lĩnh vực như hàng không
[10], động cơ đốt trong [11], phương tiện giao thông [12, 13] và tàu thủy [14]. Trong
nghiên cứu này, mơ hình dự đốn dựa trên mạng nơ ron được sử dụng để tính tốn
lượng nhiên liệu tiêu thụ của xe máy ở điều kiện lái thực tế.
Để xây dựng mơ hình dự đốn tiêu hao nhiên liệu cho xe máy, cần thu thập dữ
liệu lái thực của xe bao gồm tiêu hao nhiên liệu và vận tốc tức thời theo thời gian. Để
thu thập dữ liệu lái thực của xe, có nhiều phương pháp như sử dụng hộp chuẩn đốn
OBD [15, 16], hoặc tính tốn tiêu hao nhiên liệu gián tiếp qua lưu lượng khí thải của
xe bằng cách sử dụng thiết bị đo khí thải di động [3, 4]. Trong nghiên cứu này, nhóm
tác giả đã phát triển một thiết bị gắn lên xe để đo đạc liên tục tiêu hao nhiên liệu và tốc
độ tức thời của xe. Trong đó, tiêu hao nhiên liệu được xác định gián tiếp qua thời gian
mở kim phun nhiên liệu và tốc độ của xe được xác định gián tiếp qua tốc độ vòng quay
bánh xe.
2. PHƯƠNG PHÁP NGHIÊN CỨU
2.1. Thiết bị thí nghiệm
Q trình nghiên cứu thử nghiệm được tiến hành trên xe máy Piaggio Liberty
3Vie. Thông số kỹ thuật cơ bản của xe được lựa trình bày trong Bảng 1.
Bảng 1. Thông số kỹ thuật cơ bản của xe thử nghiệm
Nhãn hiệu và hangx

Piaggio, Liberty 3Vie

Kiểu động cơ

1 xylanh, 4 kỳ, Đánh lửa điện tử

Năm sản xuất

2013

Số km đã đi

20.000 km

Dung tích xylanh

149 cm3

Cơng suất cực đại

8,60 kW/8000 vịng/phút

Momen cực đại

11,20 Nm/ 6250 vòng/phút

Hệ thống nhiên liệu

Phun xăng điện tử
-359-


Trường Đại học Giao thông vận tải

Hội nghị Khoa học công nghệ lần thứ XXII

2.2. Thiết bị thu thập dữ liệu
Để thu thập dữ liệu lái ngoài thực tế của xe, bao gồm tốc độ và tiêu thụ nhiên
liệu. Nhóm nghiên cứu thực hiện chế tạo một bộ thu thập dữ liệu (DLD-Data logger
device) như được thể hiện trên Hình 1.
Điện thoại di động

Cảm biến hồng ngoại

IR

Mô dul Bluetooth

Khối xử lý

Xung phun

Hình 1. Sơ đồ nguyên lý thiết bị đo đạc, lưu trữ và hiển thị dữ liệu
Như thể hiện trên Hình 1, vận tốc tức thời của xe được xác định qua tốc độ quay
của bánh xe bằng cách sử dụng cảm biến hồng ngoại (IR). Lượng nhiên liệu tiêu thụ
tức thời được xác bằng cách đo độ rộng xung điều khiển phun và đặc tính vịi phun.
Thiết bị thu thập dữ liệu kết nối với thiết bị di động qua Bluetooth để hiện thị và lưu
trữ liên tục dữ liệu tốc độ và tiêu hao nhiên liệu.
2.3. Lựa chọn tuyến đường
Quá trình chạy thực tế trên đường để thu thập dữ liệu lái thực của xe máy ở Hà
Nội, nhóm tác giả lựa chọn những tuyến đường đặc trưng của thành phố [17]. Trung
tâm thành phố Hà Nội được chia thành 4 khu vực, vì vậy tác giả lựa chọn 4 cung
đường đặc trưng để thu thập dữ liệu lái thực. Dữ liệu lái thực sau khi thu thập được xử
lý để loại bỏ các nhiễu và điểm kỳ dị trước khi sử dụng để xây dựng mô hình.
2.4. Xây dựng mơ hình mạng nơ ron dự đốn tiêu hao nhiên liệu
Cấu trúc của mơ hình dự đốn tiêu hao nhiên liệu của xe máy được thể hiện trên

Hình 2. Theo như thể hiện trên sơ đồ, đầu vào của mơ hình gồm 3 thành phần bao gồm
giá trị tốc độ của xe, độ thay đổi tốc độ và biến sign đặc trưng cho chế độ tăng tốc và
giảm tốc của xe.
Thơng số đầu ra của mơ hình là giá trị tiêu thụ nhiên liệu tức thời của xe. Lớp
vào mơ hình có 3 nơ ron tương ứng với 3 giá trị đầu vào. Lớp ra có 1 nơ ron tương ứng
với giá trị dự đoán đầu ra là tiêu hao nhiên liệu. Lớp ẩn của mơ hình được lựa chọn
gồm 18 nơ ron để đảm bảo sai số tính tốn của mơ hình là nhỏ nhất.
Bộ dữ liệu đầu vào để huấn luyện mơ hình (chiếm 80% tổng dữ liệu đo đạc thực
nghiệm) bao gồm 20 file dữ liệu tương đương khoảng 20.000 điểm dữ liệu thể hiện
-360-


Hội nghị Khoa học công nghệ lần thứ XXII

Trường Đại học Giao thông vận tải

mối quan hệ giữa vận tốc, tiêu hao nhiên liệu theo thời gian. Khoảng 20% dữ liệu đo
đạc thực nghiệm được sử dụng để đánh giá mơ hình. Phần dữ liệu này đựa chia thành 2
nhóm. Nhóm thứ nhất được thu thập trên cùng một tuyến đường với bộ dữ liệu dùng
để huấn luyện (đường Giải Phóng). Nhóm thứ hai được thu thập trên một tuyến đường
không nằm trong bộ dữ liệu huấn luyện (đường Trần Khát Chân).

Hình 2. Cấu trúc mơ hình mạng nơ ron
3. KẾT QUẢ VÀ THẢO LUẬN
3.1. Đánh giá độ chính xác của mơ hình dựa trên dữ liệu lái thực có liên hệ với dữ
liệu huấn luyện
Kết quả kiểm tra khả năng dự đốn của mơ hình được thực hiện bằng cách sử
dụng nhóm dữ liệu thu thập trên cung đường Giải Phóng, là cung đường sử dụng để
lấy dữ liệu huấn luyện mơ hình. Kết quả so sánh mối tương quan giữa tiêu hao nhiên
liệu dự đoán và tiêu hao nhiên liệu đo đạc trên thực tế được thể hiện trong Hình 3. Kết

quả so sánh giá trị tiêu hao nhiên liệu tức thời theo thời gian giữa kết quả dự đoán và
giá trị đo đạc được thể hiện trong Hình 4.
Với 3 tập dữ liệu trên cung đường Giải Phóng, kết quả cho thấy khả năng dự
đốn của mơ hình tương đối chính xác. Mẫu 1 (Hình 3-a) cho hệ số tương quan
0,6662, sai lệch chuẩn là 23,142 mg/s và độ lệch chuẩn 12,075%; Mẫu 2 (Hình 3-b)
cho hệ số tương quan 0,6773, sai lệch chuẩn là 27,801 mg/s và độ lệch chuẩn
14,651%; Mẫu 3 (Hình 3-b) cho hệ số tương quan 0,6773, sai lệch chuẩn là 28,825
mg/s và độ lệch chuẩn 14,947%.
Kết quả so sánh giá trị tiêu hao nhiên liệu tức thời ở Hình 4 cho thấy, ở mỗi một
điểm trên đồ thị có sự sai lệch khá lớn giữa giá trị dự đoán và giá trị đo. Trong tồn bộ
thời gian chạy, có khoảng 76,83%, 71,00% và 83,67% các điểm có sai lệch dự đốn
nằm dưới 20%. Lượng nhiên liệu tiêu thụ tính trung bình trên toàn cung đường thử
nghiệm giữa giá trị đo và giá trị dự đốn lần lượt là Mẫu 1 (Hình 4-a) 2,92 và 2,65
lít/100 km (sai lệch 9,4%); Mẫu 2 (Hình 4-b) 2,74 và 2,58 lít/100 km (sai lệch 5,9%)
và Mẫu 3 (Hình 4-c) 2,80 và 2,58 lít/100 km (sai lệch 7,8%).
-361-


Trường Đại học Giao thông vận tải

Hội nghị Khoa học công nghệ lần thứ XXII

300

(a)

250
200
150
100

R= 0.6662
RMSE = 23.142 (mg/s)
MRE = 12.075%

50
0

FC dự đoán (mg/s)

FC dự đoán (mg/s)

300

(b)

250
200
150
100

R= 0.6773
RMSE = 27.801 (mg/s)
MRE = 14.651%

50
0

0

50

100
150
200
FC đo đạc (mg/s)

250

0

50

100
150
200
FC đo đạc (mg/s)

250

300

FC dự đoán (mg/s)

300

(c)

250
200

150
100

R= 0.6773
RMSE = 28.825 (mg/s)
MRE = 14.947%

50
0
0

50

100
150
200
FC đo đạc (mg/s)

250

300

Hình 3. Mối tương quan giữa giá trị đo và giá trị dự đốn của 3 mẫu có liên hệ

3.2. Đánh giá độ chính xác của mơ hình dựa trên dữ liệu lái thực có liên hệ với dữ
liệu độc lập
Bộ dữ liệu độc lập thu thập trên cung đường Trần Khát Chân được sử dụng để
đánh giá khả năng dự đốn của mơ hình với các bộ dữ liệu khơng tương đồng với bộ
dữ liệu huấn luyện mơ hình. Kết quả đánh giá sự tương quan giữa kết quả dự đoán và
giá trị đo đạc được thể hiện trong Hình 5 và giá trị tiêu hao nhiên liệu tức thời theo

thời gian được thể hiện trong Hình 6.
Với 2 tập dữ liệu trên cung đường Trần Khát Chân, kết quả thể hiện rõ hơn khả
năng dự đốn của mơ hình mạng nơ ron. Mẫu 1 (Hình 5-a) cho hệ số tương quan
0,5663, sai lệch chuẩn là 24,8921 mg/s và độ lệch chuẩn 15,202%; Mẫu 2 (Hình 5-b)
cho hệ số tương quan 0,5908, sai lệch chuẩn là 25,903 mg/s và độ lệch chuẩn 16,445%
Trong tồn bộ thời gian chạy, có khoảng 75,94% và 70,76 % các điểm có sai
lệch dự đoán nằm dưới 20%. Như vậy, khả năng dự đoán ở các điểm tương đương với
trường hợp sử dụng bộ dữ liệu của tuyến Giải phóng.
Lượng nhiên liệu tiêu thụ tính trung bình trên tồn cung đường thử nghiệm giữa
giá trị đo và giá trị dự đoán lần lượt là Mẫu 1 (Hình 6-a) 2,42 và 2,56 lít/100 km (sai
lệch 5,91%); Mẫu 2 (Hình 6-b) 2,40 và 2,61 lít/100 km (sai lệch 8,1%). Điều này cho
thấy, trong cung đường chạy, khả năng dự đốn lượng nhiên liệu trung bình cho kết
quả ổn định.
-362-


Trường Đại học Giao thông vận tải

Hội nghị Khoa học công nghệ lần thứ XXII

Tốc độ xe (km/h)

140

FC đo đạc (mg/s)

FC dự đoán (mg/s)

250

100
80

150

60
100
40

50

20

0
0

200

400

600
800
Thời gian (s)

Tốc độ xe (km/h)

140

1000

FC đo đạc (mg/s)

1200

FC dự đoán (mg/s)

0
1400
300

(b)
250

120
100

200

80

150

60

FC (mg/s)

Tốc độ xe (km/h)

FC (mg/s)

200

100
40

50

20

0
0

200

400

Tốc độ xe (km/h)

140

600
Thời gian (s)

800

FC đo đạc (mg/s)

1000

FC dự đoán (mg/s)

0
1200

300

(c)
250

120
100

200

80

150

60

FC (mg/s)

Tốc độ xe (km/h)

120

Tốc độ xe (km/h)

300

(a)

100
40

50

20

0
0

200

400

600
Thời gian (s)

800

1000

0
1200

Hình 4. So sánh giá trị tức thời giữa dự đoán và đo đạc của 3 mẫu liên hệ

-363-

Trường Đại học Giao thông vận tải

Hội nghị Khoa học công nghệ lần thứ XXII
300

(a)

250
200
150

100
R = 0.5663
RMSE = 24.921 (mg/s)
MRE = 15.202%

50
0

FC dự đoán (mg/s)

FC dự đoán (mg/s)

300

(b)

250
200

150
100

R= 0.5908
RMSE = 25.903 (mg/s)
MRE = 16.445%

50

0
0

50

100
150
FC đo đạc (mg/s)

200

250

0

50

100
150
200
FC đo đạc (mg/s)

250

300

Hình 5. Mối tương quan giữa giá trị đo và giá trị dự đoán của 2 mẫu độc lập

Tốc độ xe (km/h)

140

FC đo đạc (mg/s)

FC dự đoán (mg/s)

250

100

80

150

60
100
40
50

20
0

0

200

400

Tốc độ xe (km/h)

140

600
Thời gian (s)

800

FC đo đạc (mg/s)

1000

FC dự đốn (mg/s)

0
1200

300

(b)
250

120

100

200

80

150

60
100
40
50

20
0
0

200

400

600
Thời gian (s)

800

1000

0
1200

Hình 6. So sánh giá trị tức thời giữa dự đoán và đo đạc của 2 mẫu độc lập

-364-

FC (mg/s)

200

FC (mg/s)

Tốc độ xe (km/h)

120

Tốc độ xe (km/h)

300

(a)


Hội nghị Khoa học công nghệ lần thứ XXII

Trường Đại học Giao thông vận tải

4. KẾT LUẬN

Dữ liệu lái và tốc độ tiêu thụ nhiên liệu ngoài thực tế của mẫu xe Piaggio, Liberty
3Vie đã được thu thập một cách liên tục theo từng giây bằng thiết bị mà nhóm nghiên

cứu đã phát triển dựa trên việc ứng dụng cảm biến hồng ngoại và việc đo độ rộng xung
điều khiển phun. Dữ liệu này đã được sử dụng để phát triển mơ hình dự báo mức tiêu
hao nhiên liệu trung bình dựa trên dữ liệu lái ngồi thực tế. Mơ hình mạng thần kinh
nhân tạo đã được sử dụng để phát triển mơ hình dự báo này. Kết quả nghiên cứu cho
thấy mơ hình ANN với 3–1–1 đã cho kết quả dự đốn mức tiêu hao nhiên liệu trung
bình với độ chính xác khá cao, sai lệch giữa kết quả dự đốn và kết quả đo đạc dưới
15%. Mơ hình tiêu thụ nhiên liệu được đề xuất là một công cụ hữu hiệu cho việc dự
báo mức tiêu hao nhiên liệu của xe máy, góp phần quan trọng trong quản lý chất lượng
khơng khí liên quan đến các phương tiện vận tải ở Việt Nam.

TÀI LIỆU THAM KHẢO
1. Rakha HA, Ahn K, Moran K, Saerens B, Van den Bulck E (2011): Virginia tech
comprehensive power-based fuel consumption model: model development and testing.
Transportation Research Part D: Transport and Environment 16, 492-503
2. Xiao Y, Zhao Q, Kaku I, Xu Y (2012): Development of a fuel consumption optimization
model for the capacitated vehicle routing problem. Computers & operations research 39,
1419-1431
3. Song Y-y, Yao E-j, Zuo T, Lang Z-f (2013): Emissions and fuel consumption modeling for
evaluating environmental effectiveness of ITS strategies. Discrete Dynamics in Nature and
Society 2013
4. Bifulco GN, Galante F, Pariota L, Spena MR (2015): A linear model for the estimation of
fuel consumption and the impact evaluation of advanced driving assistance systems.
Sustainability 7, 14326-14343
5. Wang J, Rakha HA (2016): Fuel consumption model for conventional diesel buses. Applied
Energy 170, 394-402
6. Satiennam T, Seedam A, Radpukdee T, Satiennam W, Pasangtiyo W, Hashino Y (2017):
Development of on-road exhaust emission and fuel consumption models for motorcycles and
application through traffic microsimulation. Journal of Advanced Transportation 2017
7. Kan Z, Tang L, Kwan M-P, Zhang X (2018): Estimating vehicle fuel consumption and
emissions using GPS big data. International journal of environmental research and public

health 15, 566
8. Kim D, Lee J (2010): Application of neural network model to vehicle emissions.
International Journal of Urban Sciences 14, 264-275
9. Hsieh WW (2009): Machine learning methods in the environmental sciences: Neural
Networks and Kernels, Cambridge University Press
10. Schilling GD 1997: Modeling aircraft fuel consumption with a neural network, Virginia
Tech
-365-


Hội nghị Khoa học công nghệ lần thứ XXII

Trường Đại học Giao thông vận tải

11. Togun NK, Baysec S (2010): Prediction of torque and specific fuel consumption of a
gasoline engine by using artificial neural networks. Applied Energy 87, 349-355
12. Ertuna L 2016: Prediction of vehicle fuel consumption using feed-forward artificial neural
network model, Working Paper
13. Perrotta F, Parry T, Neves LC (2017): Application of machine learning for fuel
consumption modelling of trucks, 2017 IEEE International Conference on Big Data (Big
Data). IEEE, pp. 3810-3815
14. Le LT, Lee G, Park K-S, Kim H (2020): Neural network-based fuel consumption
estimation for container ships in Korea. Maritime Policy & Management, 1-18
15. Giraldo M, Huertas JI (2019): Real emissions, driving patterns and fuel consumption of
in-use diesel buses operating at high altitude. Transportation Research Part D: Transport and
Environment 77, 21-36
16. Saerens B, Rakha H, Ahn K, Van Den Bulck E (2013): Assessment of alternative
polynomial fuel consumption models for use in intelligent transportation systems applications.
Journal of Intelligent Transportation Systems 17, 294-303

-366-