Ajuste de un Modelo no Paramétrico B–spline con Intervalos de Confianza Bootstrap de un Ciclo de Conducción Real en un Circuito RDE en la Ciudad de Riobamba, Chimborazo Fitting a Non-parametric B-spline Model with Bootstrap Confidence Intervals of a Real Driving Cycle in an RDE Circuit in the City of Riobamba, Chimborazo
Barra lateral del artículo
Contenido principal del artículo
Resumen
La investigación tuvo como objetivo representar el perfil cinemático mediante ciclos de conducción en condiciones reales RDE. Se recolectaron datos de tres ciclos RDE con tramos urbanos, rurales y de autopista con duración de 56,08 km, en la ciudad de Riobamba, Ecuador. La metodología consistió en una investigación bajo el paradigma positivista, de enfoque cuantitativo, carácter descriptivo y analítico, diseño experimental y computacional. Se emplearon técnicas no paramétricas de regresión con bases B-spline y remuestreo paramétrico Bootstrap para la estimación de incertidumbre. Para superar variaciones propias de la conducción real, se estandarizaron los recorridos mediante interpolación lineal con remuestreo y dominio funcional común de 5,995 segundos, se obtuvo una base de datos apilada de 17,985 observaciones. Los resultados reflejan un MSE de 38,3412 km/h2, RMSE de 6,1920km/h, RRMSE de 19,04% y MAPE de 23,46%, representado adecuadamente la tendencia general de la velocidad. Las 5,000 réplicas permitieron cuantificar la incertidumbre, observándose bandas más amplias en el tramo de autopista debido a su mayor variabilidad. La evaluación del modelo evidencio residuos insesgados media de -0.000km/h, desviación estándar de 16,2172 km/h. Con el uso de 5,000 réplicas Bootstrap con intervalos de predicción al 95% se identificó heteroscedasticidad en fases de autopista debido a mayores niveles de variabilidad.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Araveeporn, A. (2024). The Estimating Parameter and Number of Knots for Nonparametric Regression Methods in Modelling Time Series Data. Modelling 2024, Vol. 5, Pages 1413-1434, 5(4), 1413–1434. https://doi.org/10.3390/MODELLING5040073
Cai, L., & Wang Soujin. (2023). Oracle - efficient global inference for variance funtion in nonparametric regression with missing covariates. https://www3.stat.sinica.edu.tw/statistica/j33n1/j33n113/j33n113.html
Castillo, J., Cordero, D., Fernández, E., Solórzano, B. A., & Jaramillo, P. R. (2024). Definición de un Ciclo Típico de Conducción de un taxi eléctrico en una ciudad Andina. Revista Facultad de Ingeniería Universidad de Antioquia, (114), 63–70. https://doi.org/10.17533/UDEA.REDIN.20240728
Dabčević, Z., Škugor, B., Topić, J., & Deur, J. (2022). Synthesis of Driving Cycles Based on Low-Sampling-Rate Vehicle-Tracking Data and Markov Chain Methodology. Energies , 15(11), 4108. https://doi.org/10.3390/EN15114108
Edwards, A. J. (2022). Aggressive-dynamics metrics for drive-cycle characterization. Transportation Research Interdisciplinary Perspectives, 14, 100592. https://doi.org/10.1016/J.TRIP.2022.100592
Giechaskiel, B., Valverde, V., Melas, A., Clairotte, M., Bonnel, P., & Dilara, P. (2024). Comparison of the Real-Driving Emissions (RDE) of a Gasoline Direct Injection (GDI) Vehicle at Different Routes in Europe. Energies 2024, Vol. 17, Page 1308, 17(6), 1308. https://doi.org/10.3390/EN17061308
Govindarajan, N., Vervliet, N., & De Lathauwer, L. (2022). Regression and Classification With Spline-Based Separable Expansions. Frontiers in Big Data, 5, 688502. https://doi.org/10.3389/FDATA.2022.688496/TEXT
Huang, R., Ni, J., Shi, X., Wang, Q., & Cheng, Z. (2023). Assessing and Characterizing the Effect of Altitude on Fuel Economy, Particle Number and Gaseous Emissions Performance of Gasoline Vehicles under Real Driving. SAE Technical Papers, 81, 1–19. https://doi.org/10.4271/2023-01-0381
Jiang, Z., Wu, L., Niu, H., Jia, Z., Qi, Z., Liu, Y., Zhang, Q., Wang, T., Peng, J., & Mao, H. (2024). Investigating the impact of high-altitude on vehicle carbon emissions: A comprehensive on-road driving study. Science of The Total Environment, 918, 170671. https://doi.org/10.1016/J.SCITOTENV.2024.170671
Jing, Z., Wang, T., Zhang, S., & Wang, G. (2022). Development Method for the Driving Cycle of Electric Vehicles. Energies , 15(22), 8715. https://doi.org/10.3390/EN15228715
Keskin, F., Yıldız, M., & Arslannur, B. (2025). A Data-Driven Framework for Driving Cycle Generation and Analysis. Transportation Research Record, 2679(1), 2199–2212. https://doi.org/10.1177/03611981241260700;ISSUE:ISSUE:DOI
Kim, H., Luan, Y., Zoh, R. S., Wu, G., & Tekwe, C. D. (2023). Parametric and Semiparametric Approaches to Analyzing Device-Based Measures of Energy Expenditure in Zucker Diabetic Fatty Rats. Frontiers in Bioscience , 28(2), 48. https://doi.org/10.31083/J.FBL2802030
Kusalaphirom, T., Satiennam, T., Satiennam, W., & Seedam, A. (2022). Development of a Real-World Eco-Driving Cycle for Motorcycles. Sustainability , 14(10), 6192. https://doi.org/10.3390/SU14106176
Luján, J. M., Piqueras, P., De la Morena, J., & Redondo, F. (2022). Experimental Characterization of Real Driving Cycles in a Light-Duty Diesel Engine under Different Dynamic Conditions. Applied Sciences , 12(5), 2472. https://doi.org/10.3390/APP12052472
Poliak, M., Kubiak, P., Krukowski, M., Turoboś, F., Jaśkiewicz, M., Jaśkiewicz, J., & Frej, D. (2025). Non-Linear Method of Vehicle Velocity Determination Based on Tensor Product B-Spline Approximation with Probabilistic Weights for NHTSA Database of Compact Vehicle Class. Applied Sciences , 16(1), 1–14. https://doi.org/10.3390/APP16010401
Rivera, N., Molina, J., Idrovo, D., & Narváez, J. (2024). Influence Analysis of Driving Style on the Energy Consumption of an Electric Vehicle Through PID Signals Study. Communications in Computer and Information Science, 2049 CCIS, 194–205. https://doi.org/10.1007/978-3-031-58956-0_15/SAVE-RESEARCH
Selk, L., & Gertheiss, J. (2022). Nonparametric regression and classification with functional, categorical, and mixed covariates. Advances in Data Analysis and Classification , 17(2), 519–543. https://doi.org/10.1007/S11634-022-00513-7
Sennefelder, R. M., Micek, P., Clemente, R. M., Carrion Risquez, J., Carvajal, R., & Carrillo Castrillo, J. A. (2022). Driving Cycle Synthesis, Aiming for Realness, by Extending Real-World Driving Databases. IEEE Access, 10, 54123–54135. https://doi.org/10.1109/ACCESS.2022.3175492
Toalombo, B., Meneses, A., Zúñiga, L., & Espín, R. (2022). Modelos de regresión paramétricos polinomiales y no paramétricos B-splines. Una aplicación en ingeniería . Perfiles, 1(28), 72–82. https://doi.org/10.47187/PERF.V1I28.185
Vitale, D., Fratini, G., Helfter, C., Hortnagl, L., Kohonen, K. M., Mammarella, I., Nemitz, E., Nicolini, G., Rebmann, C., Sabbatini, S., & Papale, D. (2024). A pre-whitening with block-bootstrap cross-correlation procedure for temporal alignment of data sampled by eddy covariance systems. Environmental and Ecological Statistics , 31(2), 219–244. https://doi.org/10.1007/S10651-024-00615-9
Wu, Y., Huang, Z., Zheng, Y., Liu, Y., Li, H., Che, Y., Peng, J., & Teodorescu, R. (2023). Spatial–temporal data-driven full driving cycle prediction for optimal energy management of battery/supercapacitor electric vehicles. Energy Conversion and Management, 277, 116628. https://doi.org/10.1016/J.ENCONMAN.2022.116619
Xin, Y., & Gao, J. (2024). Orthogonal series method for uncertain nonparametric regression with application to carbon dioxide emissions. Communications in Statistics - Simulation and Computation, 53(10), 5018–5027. https://doi.org/10.1080/03610918.2023.2169711
Zhang, T., Peng, R., Zhou, Z., Luo, W. M., & Bai, S. (2026). A Small-Sample Reliability Estimation Method Based on Bootstrap Resampling With B-Spline Empirical Distribution and K-Medoids Clustering. Quality and Reliability Engineering International, 10(48), 1–18. https://doi.org/10.1002/QRE.70283;REQUESTEDJOURNAL:JOURNAL:10991638;WGROUP:STRING:PUBLICATION
Zhao, Z., Sun, X., Wang, X., Wang, Y., Fu, J., & Liu, J. (2024). Construction and optimization of representative actual driving cycles based on the improved autoencoder. Scientific Reports , 14(1), 2351-. https://doi.org/10.1038/s41598-024-52865-z
Zúñiga, J. D., & Meneses Freire, M. A. (2024). Bootstrap para calcular intervalos de predicción mediante modelos no paramétricos de regresión funcional de radiación solar. Polo Del Conocimiento, 9(8), 3726–3740. https://doi.org/10.23857/pc.v9i8.7909
Zúñiga, J. D., Zúñiga, J. D., Zúñiga, L. del C., Ruiz, S. B., & Mejía, E. F. (2024). Predicción de series temporales de humedad relativa mediante bootstrap y modelos de regresión funcional no paramétrica. Polo Del Conocimiento, 9(10), 133–146. https://doi.org/10.23857/pc.v9i10.8109