Aprendizaje Automático No Supervisado para Detectar Anomalías Inminentes en las Pruebas de Economía de Combustible y Emisiones de Vehículos Ligeros
Autores: Fortela, Dhan Lord B.; Fremin, Ashton C.; Sharp, Wayne; Mikolajczyk, Ashley P.; Revellame, Emmanuel; Holmes, William; Hernandez, Rafael; Zappi, Mark
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aprendizaje Automático No Supervisado para Detectar Anomalías Inminentes en las Pruebas de Economía de Combustible y Emisiones de Vehículos Ligeros
Categoría
Ciencias Medioambientales
Subcategoría
Desarrollo sostenible
Palabras clave
Técnicas de aprendizaje automático no supervisado
Economía de combustible
Emisiones
Vehículos ligeros
Análisis de componentes principales
Agrupamiento K-Means
Mapas autoorganizados
Clústeres
Tendencias de datos
CO de combustible
Procedimiento de prueba
Tipo de combustible
EPA de EE. UU.
Anomalía
Correlación
Fabricantes de vehículos
Procedimientos de prueba.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
Este trabajo se centró en demostrar la capacidad de las técnicas de aprendizaje automático no supervisado para detectar anomalías inminentes al extraer tendencias ocultas en los conjuntos de datos de economía de combustible y emisiones de vehículos ligeros (LDVs), que consisten en automóviles y camionetas ligeras. Este estudio de caso utilizó los conjuntos de datos de economía de combustible y pruebas de emisiones de los modelos de vehículos de los años 2015 a 2023, con un total de 34,602 muestras de datos sobre LDVs de los principales fabricantes de vehículos. Se utilizaron tres técnicas no supervisadas: análisis de componentes principales (PCA), agrupamiento K-Means y mapas autoorganizados (SOM). Los resultados muestran que hay grupos de datos que exhiben tendencias no representadas por el conjunto de datos en su totalidad. El CO de combustible frente a la economía de combustible tiene una correlación negativa en todo el conjunto de datos (r = -0.355 para LDVs del año modelo 2022), pero tiene correlaciones positivas en ciertos grupos de muestras (por ejemplo, LDVs del año modelo 2022: r = +0.62 en un grupo K-Means donde la pendiente es de aproximadamente 0.347 g-CO/mi/MPG). Un análisis de series temporales de los resultados del agrupamiento indica que el Procedimiento de Prueba y el Tipo de Combustible, específicamente el Procedimiento de Prueba 11 y el Tipo de Combustible 26 según lo definido por la EPA de EE. UU., podrían ser los contribuyentes a la correlación positiva de CO y Economía de Combustible. Esta tendencia peculiar detectada de CO frente a Economía de Combustible es una anomalía inminente, ya que el uso del Combustible 26 en las pruebas de emisiones con el Procedimiento de Prueba 11 de la EPA de EE. UU. ha ido en aumento a lo largo de los años. Con el hallazgo de que las muestras de datos agrupadas con correlación positiva de CO frente a Economía de Combustible provienen todas de fabricantes de vehículos que realizan de manera independiente los procedimientos de prueba estándar y no de datos de los centros de pruebas de la EPA de EE. UU., se concluyó que la química del uso del Combustible 26 en la realización del Procedimiento de Prueba 11 debería ser reevaluada por la EPA de EE. UU.
Descripción
Este trabajo se centró en demostrar la capacidad de las técnicas de aprendizaje automático no supervisado para detectar anomalías inminentes al extraer tendencias ocultas en los conjuntos de datos de economía de combustible y emisiones de vehículos ligeros (LDVs), que consisten en automóviles y camionetas ligeras. Este estudio de caso utilizó los conjuntos de datos de economía de combustible y pruebas de emisiones de los modelos de vehículos de los años 2015 a 2023, con un total de 34,602 muestras de datos sobre LDVs de los principales fabricantes de vehículos. Se utilizaron tres técnicas no supervisadas: análisis de componentes principales (PCA), agrupamiento K-Means y mapas autoorganizados (SOM). Los resultados muestran que hay grupos de datos que exhiben tendencias no representadas por el conjunto de datos en su totalidad. El CO de combustible frente a la economía de combustible tiene una correlación negativa en todo el conjunto de datos (r = -0.355 para LDVs del año modelo 2022), pero tiene correlaciones positivas en ciertos grupos de muestras (por ejemplo, LDVs del año modelo 2022: r = +0.62 en un grupo K-Means donde la pendiente es de aproximadamente 0.347 g-CO/mi/MPG). Un análisis de series temporales de los resultados del agrupamiento indica que el Procedimiento de Prueba y el Tipo de Combustible, específicamente el Procedimiento de Prueba 11 y el Tipo de Combustible 26 según lo definido por la EPA de EE. UU., podrían ser los contribuyentes a la correlación positiva de CO y Economía de Combustible. Esta tendencia peculiar detectada de CO frente a Economía de Combustible es una anomalía inminente, ya que el uso del Combustible 26 en las pruebas de emisiones con el Procedimiento de Prueba 11 de la EPA de EE. UU. ha ido en aumento a lo largo de los años. Con el hallazgo de que las muestras de datos agrupadas con correlación positiva de CO frente a Economía de Combustible provienen todas de fabricantes de vehículos que realizan de manera independiente los procedimientos de prueba estándar y no de datos de los centros de pruebas de la EPA de EE. UU., se concluyó que la química del uso del Combustible 26 en la realización del Procedimiento de Prueba 11 debería ser reevaluada por la EPA de EE. UU.