Jorge Jacobo Aburto, Oscar Quiñones Verastegui, Renzo Villegas
Rosales j20.jacobo@gmail.com, oscar.quinones2806@gmail.com, renzovillegas6@gmail.com Asignatura: Matemática Aplicada Escuela Profesional de Ingeniería Industrial y de Sistemas Universidad Nacional de Ingeniería
RESUMEN To creation of the model, we will use
Azure web platform, choosing the Este artículo presenta un modelo Poisson Regression Model. para la estimación del consumo de combustible en vehículos de Key Words: fuel consumption, transporte, con base a literatura prediction model, Coefficient of especializada del tema. El consumo Determination. de combustible se encuentra relacionado a una serie de variables I. PRESENTACIÓN DEL como el peso del auto, el número de PROBLEMA cilindros del motor, la cilindrada, la potencia del motor, aceleración y el Al menos una tercera parte de toda la año del automóvil. energía obtenida a nivel mundial se emplea en el transporte, la mayor parte Para la creación del modelo de la cual es obtenida de derivados del usaremos la plataforma web Azure, petróleo. escogiendo el modelo de regresión de Poisson. Por ello, en cualquier evaluación de costos operativos de un vehículo Palabras Clave: consumo de deben incluirse los gastos derivados combustible, modelo de predicción, del consumo de combustible, ya que Coeficiente de Determinación. son proporcionalmente los más caros. En algunos casos, el costo de los ABSTRACT combustibles constituye más del 50% de los costos de transporte por unidad This article shows a estimation fuel vehicular. consumption model in transport vehicles, based in specialized Según estudios de Osinergmin, los literature about this topic. The fuel hogares de Lima y Callao consumen consumption is related with a serial of 94 galones de gasolina de 90 octanos variables like weight, number of y 27 galones de gasolina de 95 cylinders, engine displacement, octanos, totalizando un consumo engine power, acceleration and the medio de 121 galones mensuales. Esto year of creation. significa que (a un precio medio de 13.7 soles por galón) cada familia gasta 1657.7 soles mensuales solo en combustible. De allí que sea Se ha escogido dos modelos de necesario controlar el rendimiento regresión para realizar una vehicular, con el fin de optimizarlo. comparación: el modelo de regresión lineal y el de Poisson. Se hace necesario poder predecir el consumo de combustible de un A. Modelo de Regresión Lineal: vehículo, para a partir de ello . Según lo describe IBM: “La regresión optimizar el funcionamiento de los lineal estima los coeficientes de la motores, en base a información ecuación lineal, con una o más fidedigna. variables independientes, que mejor prediga el valor de la variable II. OBJETIVOS dependiente. Por ejemplo, puede intentar predecir el total de ventas Nuestro objetivo principal es crear un anuales de un vendedor (la variable modelo predictivo del consumo de dependiente) a partir de variables combustible de un automóvil. Para independientes tales como la edad, ello usaremos herramientas de la formación y los años de Machine Learning, específicamente experiencia”. usaremos un modelo de regresión.
En especial, buscamos probar la B. Modelo de Regresión de
eficiencia de diferentes modelos de Poisson regresión, y escoger el más . Variable de Poisson: Es el número adecuado. de eventos que ocurren en un intervalo temporal o espacial, También buscamos probar la cumpliendo las siguientes condiciones: fiabilidad de las variables recabadas en nuestra base de datos, las que - El número de eventos que ocurren en incluyen valores como: número de el intervalo es independiente del cilindros, cilindrada, caballos de número de eventos que ocurren fuera fuerza, peso, aceleración, año del del mismo. modelo o la marca del auto. - Existe un intervalo lo suficientemente III. DESCRIPCIÓN DE LA pequeño, de tamaño h, para el que la SOLUCIÓN probabilidad de que en el mismo ocurra un sólo evento es proporcional Se ha utilizado un estudio descriptivo al tamaño del intervalo, es decir es Lh, con la información de rendimiento siendo por tanto L (constante) la automotriz entre 1970 y 1982, se probabilidad de que ocurra un incluye modelos de distinta gama y evento en un intervalo de tamaño valor. unidad.
Se ha recopilado literatura - La probabilidad de que en cualquier
especializada que trabaja diferentes intervalo de tamaño h ocurran dos o modelos de predicción, entre ellos se más eventos, es prácticamente 0. ha escogido un modelo de regresión de poisson para la sistematización de . Modelo: El modelo de regresión de las variables. Poisson surge cuando la variable respuesta es una cantidad discreta que se puede modelizar con una Poisson y se quiere estudiar si ciertas variables b) Modelo Mecanicista: explicativas influyen en la variable Encontramos una relación entre las respuesta y cómo lo hacen. Este tipo variables internas del vehículo, tales de variable respuesta suele como las RPM y la potencia (en HP): representar el recuento de sucesos o hechos (por ejemplo, el número UF = f(HP;RPM) de goles marcados en un partido). F = 500*a*b*(UFc/Vc + UFd/Vd)
Por tanto, se considera una variable Siendo F el rendimientos del motor
respuesta Y que toma los valores en (lt/km), UF el consumo instantáneo de {0, 1, 2, ..}, y se va estudiar su combustible (ml/s), V la velocidad relación con otras variables media alcanzada y los subíndices c y d explicativas X mediante un determinan si se encuentra análisis de regresión. Se pretende ascendiendo o descendiendo una construir un modelo para λ(x) = E(Y | pendiente. X = x) es decir, para la media de Y condicionada a cada valor de D. CONSTRUCCIÓN DEL la variable explicativa. MODELO: La función de regresión del modelo Haremos uso de la herramienta de de Poisson se expresaría por: predicción Azure Machine Learning λ(x, β) = e^(x’β). Studio. Trabajaremos un modelo de análisis predictivo. C. Modelos Base: a) Modelos Empíricos: Consideramos los datos de registros Según la revista Ingenierías de la históricos con los que contamos como Universidad de Medellín, existe un base para encontrar el modelo modelo predictivo con la siguiente matemático que se ajuste mejor a la forma: variable que queremos predecir, el consumo. F = a + b/V + c*V^2, Dentro de la plataforma de Azure, siendo F el consumo de combustible debemos subir la base de datos que (galon/km) y V la velocidad media del queremos trabajar, luego agregaremos vehículo. Dicho modelo nos muestra una serie de funcionalidades que una relación directa en consumo y la pasamos a describir a continuación. velocidad alcanzada por el vehículo. . EDIT METADATA: Para definir los Otro modelo que refuerza nuestra tipos de las varibales en la base de suposición es el que también en datos. dicha revista, expresado de la siguiente manera:
L = a + b*V + c*V^2 + d*V^3
Expresado L en lt/km y siendo V la
velocidad media del automóvil. La variable “a” indica la relación peso/potencia. Dentro de las variables, la marca del automóvil se nos reveló como poco incidente en la predicción, por lo que la desechamos del modelo.
V. CONCLUSIONES
1. Ambos modelos de regresión (lineal
y poisson) muestran altos coeficientes de determinación (0.81 y 0.76, respectivamente) lo cual verifica la idoneidad de su aplicación. Figura 1: Primera parte del modelo en Azure. 2. Los modelos son capaces de realizar . SPLIT DATA: Lo usaremos para predicciones cercanas a la realidad particionar del total de registros, lo (comprobado experimentalmente). cuales destinaremos para entrenar dos modelos: de Regresión Lineal y 3. Hace falta un estudio especializado de Regresión de Poisson. que integre la totalidad de variables planteadas en el modelo.
VI. BIBLIOGRAFÍA
. Posada Henao, John y González
Figura 2: Split Data dentro de modelo Machine Calderón, Carlos. “Consumo de Learning. Combustibles en Vehículos para Carretera”, en Revista Ingenierías. . SCORE MODEL y EVALUATE Universidad de Medellín, 2013. MODEL: Los usaremos para evaluar Páginas 35 al 46. la capacidad de predicción del modelo, mediante el coeficiente de . Gurcan Capraz, Ahmet y Ozel, determinación. Finalmente podemos Pinar. “Fuel Consumption Model probar la capacidad de predicción del Applied to Automobiles Using Real- modelo. Time Data: A Comparision of Statistical Models”, en Procedia Computer IV. RESULTADOS Science, 2016. Páginas 774 al 781. Ambos modelos de regresión (lineal y . García Quinteiro, Eva María. poisson) muestran altos coeficientes “Aplicación de Modelos de Regresión de determinación (0.81 y 0.76, de Poisson Bivariados a los resultados respectivamente) lo cual verifica la de los partidos de la Liga Española de idoneidad de su aplicación. Fútbol”. Universidad de Vigo, 2014. Páginas 26 y 27.
. Xavi Puig; Josep Ginebra; Rosa
Gispert. “Análisis de la evolución temporal de la mortalidad mediante Figura 3: Evaluación de los resultados de ambos modelos lineales generalizados”. En modelos. Gaceta Sanitaria, Universidad Politécnica de Cataluña, 2005. Páginas 481 a 485.
. Simon Pouget; Cédric Sauzéat;
Herdé Di Benedetto; Francois Olard. “Viscous Energy Dissipation in Asphalt Pavement Structures and Implication for Vehicle Fuel Consumption”, American Society of Civil Engineers, 2012. Páginas 568 a 576.