Programação Genética aplicada à previsão do consumo de combustível

Abstract

A evolução tecnológica dos sensores e da eletrónica melhorou o desempenho, a confiabilidade e a robustez dos veículos de transporte de mercadorias e de passageiros, assim como as atividades de manutenção, em especial, as de manutenção proativa. Estes avanços, em conjunto com a expansão da aprendizagem computacional possibilitam a criação de novas abordagens de gestão de frotas, abrindo caminho para a geração de novos modelos automatizados que consigam prever o consumo de combustível dos veículos. O objetivo deste trabalho consistiu no estudo do uso da regressão simbólica com Programação Genética como metodologia para a criação automática de um modelo capaz de prever o consumo de combustível de veículos pesados, utilizando dados reais recolhidos por sensores. Além disso, foi analisada a influência que os fatores meteorológicos têm na previsão desse mesmo valor, entre eles a pressão atmosférica e a temperatura do ar. Os resultados obtidos permitem-nos comprovar a viabilidade da técnica para este tipo de problemas, tendo sido capaz de gerar um modelo utilizando apenas 25% das variáveis do modelo criado manualmente pela empresa Stratio Automotive e com erros de previsão inferiores. A incorporação de fatores meteorológicos nos modelos de previsão influenciou o valor do consumo de combustível, porém as melhorias obtidas nos modelos gerados não foram substanciais.

The technological evolution of sensors and electronics has improved performance, reliability and robustness of transport vehicles for the carriage of goods and passengers, as well as the maintenance activities, particularly the proactive maintenance. These advances along with the expansion of computational learning allow the creation of new fleets' management approaches paving the way for the generation of new automated models that are able to predict the fuel consumption of vehicles. The goal of this work was to study the usage of symbolic regressions, created through Genetic Programming, as a methodology for the automatic creation of a model that is capable of predicting the fuel consumption of heavy vehicles, using real data collected by sensors. In addition, a study was conducted to understand the influence of the meteorological factors on the prediction of the same values, including features as the atmospheric pressure and the air temperature. The results obtained were able to prove the feasibility of the technique for this type of problems, as it was able to generate a model using only 25% of the variables from the original expression, created manually by the Stratio Automotive company, and with lower prediction errors. The inclusion of meteorological factors in the prediction models influenced the fuel consumption values, but the improvements in the models generated were not substantial.