Este documento describe la investigación de un grupo multidisciplinar sobre el aprendizaje continuo personalizado y el uso de big data para mejorar la conducción eficiente. El grupo está desarrollando un sistema que monitorea el comportamiento de los conductores, realiza análisis de aprendizaje, y genera recomendaciones personalizadas para mejorar la eficiencia. El objetivo final es reducir el consumo de combustible y las emisiones de los vehículos mediante la mejora continua del comportamiento del conductor.
2. 02/07/2015 2
Índice
• Contexto de la investigación
• Introducción
• Primeros pasos: CATED, BLED
• Situación actual: introducción de LA
• Situación actual: el sistema completo o casi…
• Adaptive learning
• El futuro…
3. 02/07/2015 3
Investigación aplicada y multidisciplinar
www.adnmobilesolutions.com
Grupo de Investigación DMMS
Universidad de Oviedo
Universidad Nacional de Educación a Distancia
Universidad - Empresa
Objetivo: llegar al mercado con la investigación
Multidisciplinar: informática, telecomunicaciones, electrónica, aprendizaje,
mecánica, organización de empresa, economía, medioambiente…….
4. 02/07/2015 4
Grupo de investigación
• Abel Rionda (ADN Mobile Solutions)
• Alejandro García Pañeda (ADN Mobile Solutions)
• Gabriel Díaz Orueta (Universidad Nacional de Educación a distancia)
• Xabiel García Pañeda (Universidad de Oviedo)
• Roberto García Fernández (Universidad de Oviedo)
• David Melendi Palacio (Universidad de Oviedo)
• Laura Pozueco Álvarez (Universidad de Oviedo)
• Alejandro García Tuero (Universidad de Oviedo)
• María Mitre Aranda (Universidad de Oviedo)
• Sergio Martín Gutiérrez (Universidad Nacional de Educación distancia)
• Jose Antonio Sánchez (Universidad de Oviedo)
• Colaboradores: David Martínez, Alberto Álvarez, David Arbesú, Alejandro
Alija, Javier Peláez, Enrique Jaimez, ….
5. 02/07/2015 5
Introducción
• Contaminación de los vehículos de combustión
• Co2, partículas, …
• Calentamiento global
• Enfermedades respiratorias y
cardiovasculares
• Concienciación de las empresas
• Mejorar su imagen, certificación ISO 50001
• Reducir los costes operativos
• Existen diversos tipos de medidas para mejorar el consumo
• Modificaciones en los vehículos, modernización de la flota,
mantenimiento predictivo, …
• Conducción eficiente (eco driving)
• Se podría reducir en un 10% las emisiones y el consumo
6. 02/07/2015 6
Introducción
• Cursos de conducción eficiente, si pero…
Solución: un nuevo enfoque que
busque un aprendizaje permanente
• Las buenas prácticas se van perdiendo
• Se vuelve a lo de siempre (dejadez, cansancio, …)
• El conocimiento no queda fijado de forma permanente
• La repetición de los cursos no garantiza que las prácticas
se hagan permanentes
7. 02/07/2015 7
Inicio de la investigación: BLED
Blended Learning for Efficient Driving
• Principios del método:
• Blended learning
• Los cursos son importantes pero se olvidan
los conceptos, hay que dar algo más
• Learning by doing/on the job training
• La práctica fija el conocimiento
• Los profesionales no tienen tiempo para
estudiar, hay que aprender al mismo tiempo
que se trabaja
• Long term learning
• Necesitamos que el conocimiento se haga
permanente
• Mejora continua
8. 02/07/2015 8
Inicio de la investigación: BLED
Blended Learning for Efficient Driving
METODOLOGÍA DE APRENDIZAJE PARA CONDUCCIÓN EFICIENTE
BASADA EN LOS PARADIGMAS DE BLENDED LEARNING Y
LEARNING BY DOING
• Profesor + herramientas de e-
learning (a bordo del vehículo y
fuera)
• Diferentes fases para la fijación del
conocimiento
• Informes para el reconocimiento
por parte de la empresa
• Alineada con ISO 50001 (Sistema
de Gestión Energética)
Formación presencial + sistema a bordo + informes mensuales
9. 02/07/2015 9
Inicio de la investigación: CATED
• Obtención de la información de la ECU (Engine
Control Unit) y adición de información GPS
• Sistema especial para vehículos sin
centralita electrónica
• Pantalla para proporcionar feed-back al conductor
• Transmisión al sistema central
10. 02/07/2015 10
Empresa Municipal de Transportes Urbanos de Gijón S.A.,EMTUSA
- Reducción media del 7% de consumo
de combustible
- Extensión del piloto a otras líneas
de la compañía
- Coste reducido: 50-80 €/bus/mes
11. 02/07/2015 11
Líneas de investigación actuales
• Learning analytics (uso de TODOS los
datos que tenemos)
• Recomendaciones automáticas
• Adaptive learning
12. 02/07/2015 12
Learning analytics
• Debemos de saber exactamente qué está
pasando
• Para hacer recomendaciones de mejora (sistemas de
recomendación automáticos, proceso de aprendizaje
adaptativo)
• Gratificar a los conductores (planes de recompensa)
• Saber si los planes compensan económicamente
Proceso analítico del análisis del aprendizaje
Aplicado a la evaluación de profesionales en el puesto de trabajo
13. 02/07/2015 13
En busca de una evaluación objetiva
- Buscar de manera objetiva acciones eficientes y/o ineficientes
de cada conductor, en su comportamiento
- ¿Para qué? Determinación del rendimiento del conductor
con la menor distorsión posible de elementos externos
- ¿Cómo? Mediante definición y detección de patrones de
comportamiento al volante, asociados con métricas claras
- ¿Cómo? Aplicando técnicas de big data, mediante la
correlación de TODOS los datos obtenidos automáticamente del
sistema embarcado, en tiempo real, por cada conductor
- Patrones actuales:
- Eficiencia: Inercia
- Ineficiencia: Aceleración-freno, Freno-aceleración y Ralentí
14. CATED BOX + Learning analytics
Sistema embarcado
Aplicación de
recomendación y alarma
Módulo de procesamiento y
transmisión
Sistema Central
Subsistema de gestión
Subsistema de análisis
CouchDB
SQLServer
SQLServer
Servicios
Web
ELT
Portal
Web
Procesos
periódicos de
tratamiento
de datos
Proactiva
Subsistema de operación
Conductor
Formador
Responsable
flota
Sistema de
turnos
compañía
ECU Captador
Sistema analítico y
generación de informes
CouchDB
replicada
DB
Relacional
Análisis
SSIS
Cuadro de
mando para el
seguimiento de
conductores Sistema de Learning Analytics
Cátedra
Map-matching
Reverse-
geocoding
Contexto
Sistema operativo actual
02/07/2015 14
15. 02/07/2015 15
CouchDB
SQLServer
ELT
CouchDB
replicada
Análisis
SSIS
Cuadro de
mando para el
seguimiento de
conductores
Sistema de
Learning Analytics
Map-matching
Reverse-
geocoding
Contexto
Formador DB
Relacional
1- Módulo de tratamiento de datos – ELT-
Procesamiento complejo de los datos proporcionados por el vehículo
ELT
2- Módulo de corrección de posiciones y geolocalización inversa
Para corrección de posiciones (map-matching) por falta de precisión GPS
Para geolocalización inversa inclusión de la lista de calles del proyecto
Map-matching
Reverse-
geocoding
3- Módulo de análisis:
Análisis de patrones definidos para estudios de evolución del
aprendizaje
Análisis
SSIS
16. 02/07/2015 16
Learning analytics
Proceso analítico del análisis del aprendizaje
Aplicado a la evaluación de profesionales en el puesto de trabajo
Ejemplo de análisis
Puntos críticos de ralentí – patrón de ineficiencia
17. 02/07/2015 17
Learning analytics
Proceso analítico del análisis del aprendizaje
Aplicado a la evaluación de profesionales en el puesto de trabajo
Puntos clave de inercia – patrón de eficiencia
Ejemplos de análisis
18. 02/07/2015 18
Adaptive learning
- Basándonos en los resultados de
los procesos de learning-analytics
creamos un proceso de aprendizaje,
que se adapte al conductor y
que se adapte a su contexto.
- Crear ciclos de mejora continua
19. 02/07/2015 19
1- CONTEXTO:
Reunir información sobre:
- Vehículo
- Servicio
2- BASELINE:
- Rendimiento inicial conductor
- Para plan inicial de formación
3- FORMACIÓN INICIAL
- Parte teórica sobre programa
- Conducción “asistida”
- Informe sobre mejora
20. 02/07/2015 20
4- ANÁLISIS PERIÓDICOS
- Análisis de patrones
- Típicamente 1 mes
5- Nueva evaluación,
Nuevo plan de formación
individualizado
6- Mejora continua:
- Iterar,
- Más fácil de asociar con
plan de recompensas
- Motivación
21. 02/07/2015 21
Adaptive Learning
Proceso analítico del análisis del aprendizaje
Aplicado a la evaluación de profesionales en el puesto de trabajo
Caracterización del funcionamiento del vehículo
Ejemplo de
definición del
contexto
22. 02/07/2015 22
Y el futuro…
• Diseño de nuevos patrones
• Diseño de sistema de recomendaciones automáticas
• Incorporación de nuevos datos al contexto
• Diseño del sistema de generación automática de contexto
• Diseño del sistema analítico basado en data-warehousing
• Desarrollo de un cuadro de mando
• Diseño de una arquitectura de procesamiento big-data
• Diseño de sistemas de presentación
• Cuantificación económica de ahorros
• Definición de planes de recompensa
Tareas en las que estamos trabajando:
24. 02/07/2015 24
- “Blended learning system for efficient professional driving” A. Rionda, X. García Pañeda, R.
García, G. Díaz Orueta, D. Martínez, M. Mitre, D. Arbesú, I. Marín, Computers and Education, 2014.
- “Evaluación del aprendizaje de conducción eficiente en un entorno profesional”. A. Rionda, X.
G. Pañeda, R. García, D. Melendi, A. G. Pañeda, G. Díaz, L. Pozueco, Simposio Internacional de
Informática Educativa (SIIE), Logroño, España. 2014.
- “Service to Manage the Efficient Driving of Combustion Vehicle Fleets to Support ISO 50001.
A. Rionda, D. Martínez, X. G. Pañeda, A. Álvarez, D. Arbesú, G. Díaz Orueta, J. Peláez, A. G. Pañeda.
IEEE Latin America Transactions, 2015
- “Experiencias en la implantación de un sistema de big data: Un caso aplicado a la evaluación
del aprendizaje de técnicas de conducción eficiente”, Congreso Iberoamericano de Telemática (CITA)
Popayán, Colombia, 2015
- “Adaptive learning for efficient driving in urban public transport”, International Conference on
Computer, Information, and Telecommunication Systems (CITS). Gijón/Xixón, España. 2015.
Algunas publicaciones
25. 02/07/2015 25
Proyectos de investigación
- “Diseño y evaluación de métricas de evaluación de aprendizaje para conducción
eficiente de vehículos de combustión”, Ministerio de Economía y Competitividad,
TIN2013-41749-R, Inicio: 01/09/2014, duración del proyecto: 3 años
- “Creación de un sistema automático de detección de patrones de eficiencia y
seguridad a partir de la monitorización del vehículo”, Ministerio del Interior –
Dirección General de Tráfico, SPIP20141277, Inicio: 01/01/2015, duración: 1 año
ISO 50001 (2011) Energy management with guidance for use
The sensor used in the system is a device connected to the vehicle switchboard through the FMS port (J1939 protocol) in heavy vehicles (vans, buses, trucks) or OBD-II in cars. It gathers information which is transmitted to the mobile device/on-board application via Bluetooth. It receives the requests from the on-board application to acquire information about the state of the vehicle and then starts listening for PGNs broadcasted by the switchboard (in heavy vehicles using the J1939 protocol).
PGN is the acronym for Parameter Group Number, which is a data package containing samples from the different variables representing the state of the vehicle (e.g., speed, RPMs, instantaneous and average fuel consumption, or accelerator pedal position). As PGNs are read by the sensor, it extracts the samples of the variables which are interesting for our system and sends them via Bluetooth to the on-board application. The sensor has been designed to automatically connect
to the on-board application to minimize the intrusiveness of the system. Thus, once the driver starts the vehicle, the on-board subsystem runs without any additional interaction and is automatically disconnected once the engine is stopped.
Fleet Management System
Más o menos 4 millones de registros diarios cuando escribimos el CITA
Ahora hay más autobuses
Al final del verano serán el doble con la incorporación de Marruecos
En la actualidad, este sistema se utiliza dentro el servicio de aprendizaje personalizado de la compañía ADN Mobile Solutions como complemento a su tecnología Cated Box. En este sistema se almacenan y procesan las rutas realizadas por:
más de 150 vehículos
de 14 compañías de transporte
a un ritmo de más de 3000 rutas al día,
con una media diaria de más de 4 millones de muestras.
Ver SIIE 2014
SIIE 2015: Análisis SSIS – SQL Server Integration Services, detalles de su funcionamiento.
CITA 2015:
La implementación de este proceso de learning analytics, compuesto en la actualidad por 10 análisis de detección de patrones, ha permitido a la compañía implementar un sistema de aprendizaje personalizado. Este sistema facilita a
formadores y conductores localizar las ineficiencias de una forma precisa. El proceso de learning analytics ha conseguido importantes mejoras respecto a las versiones anteriores del servicio donde simplemente se calculaban indicadores de evolución de las métricas de eficiencia
Se recogen datos del vehículo cada 300 ms., se procesan y se generan valores cada 1,5 s.. Al sistema LA se envían después, cuando se llega al fin de ruta. Entonces se sincronizan las BD de empresa y de la UNIovi
Ralentí
Se busca detectar periodos en que el vehículo esté arrancado, y a velocidad cero, superiores a un cierto tiempo, negociado con el supervisor de la flota en función de las necesidades de su servicio (en una EMT por lo general se establecen 120s).
𝑣=0 𝑡≥120𝑠
Figura:
Ralentí generado en cabeceras de línea, mientras el conductor espera el momento de iniciar una nueva ruta y que sí serían situaciones de ineficiencia que deberían evitarse apagando el motor.
Datos de SIIE 2015
Fig arriba dcha:
Vista general
La otra: Detalle de repetición de inercia
Tabla: datos de un conductor en una segunda ruta
Sobre la tabla:
En el cuadro inferior de las tablas se presenta el consumo y el tiempo, pasado a minutos y segundos, mientras que en el superior tenemos los patrones, siendo “I” la inercia total, “A-F” el patrón de Aceleración-Freno y “F-A” el de Freno-Aceleración. En cuanto a “I+f”, representa el tiempo del patrón de Inercia que además tiene una presencia de freno y por lo tanto reduce su calidad.
La Inercia Pura no es sino la diferencia entre “I” e “I+f”.
Analizando el contenido de ambas tablas podemos ver una disminución en el tiempo total de inercia. También observamos que la inercia pura aumenta con respecto a la Ruta 1, lo que nos indica que la conducción anticipativa fue mucho más efectiva en la Ruta 2.
CITS 2015
Las recomendaciones automáticas son para el formador, para que no tenga que buscar entre los datos que recibe, y pueda concentrarse en lo más significativo
Un cuadro de mando para lanzar todas las tareas analíticas según se necesite y sacra gráficos, recomendaciones, mapas,
Arquitectura de procesamiento big-data, preparando un “cubo” que nos permita sacar los KPIs para analizarlos en diferentes dimensiones: hora, día de la semana, ruta, calle, etc.