딥 러닝을 활용한 차량 공조 제어 시스템의 개인화

Abstract

최근 자동차 산업은 4차 산업 혁명의 여파로 자율 주행 관련 기술과 자동화 시스템이 급속도로 발전하고 있다. 그러나 자동차 관련 기술의 발전에도 불구하고 교통사고는 신체 질환을 제외한 사망원인 중 가장 높은 비중을 차지한다. 이러한 교통사고의 주원인 중 하나는 산만 운전이다. 산만 운전은 주행 중 휴대전화 사용, 차량 내 기기 조작 등 운전에 온전히 집중할 수 없는 행동으로 인해 발생한다. 산만 운전을 예방하는 것은 교통사고 발생률을 감소시키는 효과를 얻을 수 있으며 인명 피해를 줄이는 데 필요한 요소이다. 본 논문은 교통사고의 주원인 중 공조 제어 조작으로 인한 산만 운전을 예방할 수 있는 딥 러닝을 활용한 차량 공조 제어 개인화 시스템을 제안한다. 제안하는 차량 공조 제어 개인화 시스템은 전통적인 공조 제어 방식의 제어 패턴을 학습한 Compound Model Scaling(CMS)이 적용된 Deep Neural Network(DNN)를 사전 학습 모델로 활용한다. 그리고 개인 공조 선호도가 반영된 소량의 공조 제어 데이터를 사전 학습 모델에 전이 학습하여 효율적인 공조 제어 개인화 네트워크를 구현하였다. 본 논문에서 제안하는 방법은 딥 러닝을 활용한 차량 공조 제어 네트워크 설계 및 성능 분석 실험에서 전통적인 머신 러닝 네트워크 중 가장 높은 성능을 가진 Random forest 대비 평균 공조 예측 정확도가 13.68%p 향상된 98.91%의 평균 공조 제어 예측 정확도를 달성할 수 있었다. 또한 전이 학습을 활용한 차량 공조 제어 네트워크 개인화 실험에서 95.63%의 평균 개인 공조 제어 예측 정확도를 달성할 수 있었다.| Recently, in the automobile industry, technologies and automation systems related to autonomous driving are rapidly developing in the aftermath of the 4th industrial revolution. However, despite advances in automobile-related technologies, traffic accidents account for the highest proportion of deaths excluding physical diseases. One of the main causes of traffic accidents is distracted driving. Distracted driving is caused by behavior that prevents you from fully focusing on driving, such as using a mobile phone while driving or operating devices in a vehicle. Preventing distracted driving can have the effect of reducing the incidence of traffic accidents and is a necessary factor in reducing human casualties. This paper proposes a vehicle air conditioning control personalization system using deep learning that can prevent distracted driving due to air conditioning control manipulation, one of the main cause of traffic accidents. The proposed vehicle air conditioning control personalization system utilizes the Deep Neural Network(DNN) applied with Compound Model Scaling(CMS), which learned the control pattern of the traditional vehicle air conditioning control method, as a pre-trained model. In addition, an efficient air-conditioning control personalization network was implemented by transfer learning a small amount of air-conditioning control data reflecting individual air-conditioning preferences to the pre-trained model. Through the method proposed in this paper, a vehicle air conditioning control network with an average air conditioning prediction accuracy of 98.91%, which is 13.68%p higher than that of the traditional machine learning network, and a vehicle air conditioning control personalization network with an average personal air conditioning pattern prediction accuracy of 95.63% are implemented. The method proposed in this paper was able to achieve the average air conditioning control prediction accuracy of 98.91% improved by 13.68%p compared to Random forest, which has the highest performance among traditional machine learning networks, in vehicle air conditioning control network design and performance analysis experiments using deep learning. In addition, the average personal air conditioning control prediction accuracy of 95.63% could be achieved in the vehicle air conditioning control network personalization experiment using transfer learning.