Budget:   90.000 Euros

Resume:

Dentro del proyecto se planteaba el análisis teórico –experimental de los ciclos de operación de autobuses, que incluía el análisis de varias variables como velocidad y emisiones utilizando métodos estadísticos avanzados.

En concreto se han analizado las curvas de velocidad  y se han modelado los microciclos mediante dos fases: 1) primer filtrado del ruido y 2) un ajuste a geometrías simplificadas tipo trapecio. En ellas se han aplicado técnicas estadísticas de mínimos cuadrados.

Posteriormente, aplicando las técnicas de inteligencia artificial de redes neuronales-autoencoders, se ha corroborado que la estructura trapezoidal era la adecuada: el modelo de redes neuronales-autoencoders ha encontrado la estructura trapezoidal sin necesidad de hipótesis previas, simplemente utilizando la información contenida en los datos.

Se han desarrollado modelos de Machine Learning supervisado para estimar y predecir las emisiones instantáneas en función de la velocidad y sus retardos y de las condiciones ambientales. Se ha aplicado para este propósito las siguientes técnicas: CART-Random Forests, Boosting, Redes Neuronales y Support vector Machines.

La técnica de Random Forests ha permitido también cuantificar la importancia de las distintas variables de entrada sobre la respuesta (emisiones), y la identificación de las variables sobre las que actuar con el objetivo de la optimización.

Los Random Forests también han permitido la cuantificación de las incertidumbres a partir de intervalos de predicción generados gracias al remuestreo inherente a la técnica.

Los errores de predicción fuera de muestra utilizada en la construcción del modelo, proporcionan una validación del modelo  además de una fuente adicional de cuantificación de la incertidumbre.

Partners:

Instituto Universitario de Investigación del Automóvil (INSIA – UPM)

Financing: