Modelo de Machine Learning para la Predicción

del Consumo de Combustible

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

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