운전자 행동 및 지도 데이터를 결합한 개인화된 전기차 에너지 소비 예측 프레임워크

본 논문은 배터리 전기차(BEV)의 에너지 소비를 개인화하여 추정하는 통합 프레임워크를 제안합니다. 이 시스템은 단순히 차량 모델링에 그치지 않고, 지도를 기반으로 한 컨텍스트적 특징과 운전자 개개인의 행동 패턴을 결합했다는 점에서 큰 의미가 있습니다.

핵심 구조 및 작동 원리:
이 프레임워크는 여러 모듈의 유기적인 조합으로 이루어져 있습니다. 첫째, **경로 선택(route selection)**과 상세한 도로 특징 처리를 통해 배경 컨텍스트를 확보합니다. 둘째, 규칙 기반의 참조 속도 생성기(rule-based reference velocity generator)와 PID 제어기(PID controller) 기반의 차량 동역학 시뮬레이터가 실제 주행 환경에서의 물리적 움직임을 정확하게 모사합니다.

여기에 가장 중요한 요소로 Bidirectional LSTM 모델이 도입됩니다. 이 모델은 개별 운전자의 행동을 학습하여, 해당 운전자만이 가질 수 있는 고유한 속도 프로파일(individual-specific velocity profiles)을 예측해냅니다. 즉, '어떤 도로'를 달리는지뿐만 아니라 '누가', '어떻게' 운전하는지를 반영합니다.

마지막으로, 이렇게 예측된 개인별 속도 프로파일은 **준정상 상태 역방향 에너지 소비 모델(quasi-steady backward energy consumption model)**과 결합됩니다. 이 모델을 통해 구동력(tractive power), 회생 제동(regenerative braking)의 양, 그리고 배터리 충전 상태(State-of-Charge, SOC)의 변화를 계산합니다.

성과 및 의의:
실제 도시, 고속도로, 오르막길 등 다양한 환경에서 평가한 결과, 본 접근 방식은 운전자 행동 패턴을 매우 정교하게 포착했음이 입증되었습니다. 예를 들어, 교차로에서의 감속(deceleration at intersections), 제한 속도 준수(speed-limit tracking), 그리고 도로 경사에 따른 반응 변화 등을 정확히 모델링했습니다.

결론적으로, 본 연구는 학습된 운전자 행동 패턴과 지도 기반의 컨텍스트 정보, 그리고 물리적 에너지 소비 모델을 결합함으로써, 기존 방법보다 훨씬 정확하고 개인화된 BEV SOC 소모 프로파일을 제공할 수 있음을 보여줍니다. 이는 미래 자율주행 시스템이나 차량 관리 서비스에 중요한 기초 자료가 될 것입니다.