Modelo de Machine Learning para la

Predicción del Consumo de

Combustible

Jorge Jacobo Aburto, Oscar Quiñones Verastegui, Renzo Villegas Rosales

Universidad Nacional de Ingeniería - FIIS

j20.jacobo@gmail.com, oscar.quinones2806@gmail.com, renzovillegas6@gmail.com

RESUMEN ABSTRACT

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.
Se ha usado una base de datos de automóviles
creados entre los años 1970 y 1982. Se
incluye también descripciones sobre el
modelo del vehículo, así como la marca.
Para la creación del modelo usaremos la
plataforma web Azure, escogiendo el modelo
de regresión de Poisson.
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.
It has been used a automobile data base created
between 1970 and 1982. It include descriptions
about the vehicle model, likewise brand.
To creation of the model, we will use Azure
web platform, choosing the Poisson Regression
Model.
Key Words: fuel consumption, prediction
model, Coefficient of Determination.

Palabras Clave: consumo de combustible,

modelo de predicción, Coeficiente de
Determinación. I. INTRODUCCIÓN
Al menos una tercera parte de toda la energía II. MATERIAL Y MÉTODOS
obtenida a nivel mundial se emplea en el
transporte, la mayor parte de la cual es
obtenida de derivados del petróleo.
Se ha utilizado un estudio descriptivo con la
información de rendimiento automotriz entre
1970 y 1982, se incluye modelos de distinta
Por ello, en cualquier evaluación de costos gama y valor.
operativos de un vehículo deben incluirse los
gastos derivados del consumo de combustible,
ya que son proporcionalmente los más caros.
Se ha recopilado literatura especializada que
En algunos casos, el costo de los combustibles
trabaja diferentes modelos de predicción, entre
constituye más del 50% de los costos de
ellos se ha escogido un modelo de regresión de
transporte por unidad vehicular.
poisson para la sistematización de las variables.

Según estudios de Osinergmin, los hogares de

Se ha escogido dos modelos de regresión para
Lima y Callao consumen 94 galones de
realizar una comparación: el modelo de
gasolina de 90 octanos y 27 galones de
regresión lineal y el de Poisson.
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 A. Modelo de Regresión Lineal:
soles mensuales solo en combustible. De allí
que sea necesario controlar el rendimiento . Según lo describe IBM: “La regresión lineal
vehicular, con el fin de optimizarlo. 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
Ya han existido estudios preliminares que
predecir el total de ventas anuales de un
buscan relacionar el rendimiento del motor
vendedor (la variable dependiente) a partir de
con variables externas, como la ruta,
variables independientes tales como la edad,
incluyendo así la velocidad media del auto en
la formación y los años de experiencia”.
la carretera, peso del vehículo, rugosidad de la
carretera o número de curvas.

Otros modelos, llamados mecanicistas, se

B. Modelo de Regresión de Poisson
centran en variables internas del vehículo;
muchas de ellas no se hacen de conocimiento . Variable de Poisson: Es el número de eventos
público. Dichos modelos incluyen variables que ocurren en un intervalo temporal o
tales como la potencia del motor, RPM del espacial, cumpliendo las siguientes condiciones:
motor y de las ruedas, entre otros.

- El número de eventos que ocurren en el

Se hace necesario un modelo que pueda intervalo es independiente del número de
incluir variables internas y externas, teniendo eventos que ocurren fuera del mismo.
así una visión más general del desempeño de
un vehículo.

- 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).
2. 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.
III. DESARROLLO 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 comobase para encontrar
el modelo matemático que se ajuste mejor a la
variable que queremos predecir, el consumo.
1. Ambos modelos de regresión (lineal y
poisson) muestran altos coeficientes de
determinación (0.81 y 0.76, respectivamente) lo
Dentro de la plataforma de Azure, debemos cual verifica la idoneidad de su aplicación.
subir la base de datos que queremos trabajar,
luego agregaremos una serie de
funcionalidades que pasamos a describir a
continuación. 2. Los modelos son capaces de realizar
predicciones cercanas a la realidad (comprobado
experimentalmente).

. EDIT METADATA: Para definir los tipos de

las varibales en la base de datos.
3. Hace falta un estudio especializado que
integre la totalidad de variables planteadas en el
modelo.

. 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.

. 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. CONCLUSIONES
 V. 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.