CN114523876A - 车辆状态的预测装置以及存储介质 - Google Patents

车辆状态的预测装置以及存储介质 Download PDF

Info

Publication number
CN114523876A
CN114523876A CN202111294286.5A CN202111294286A CN114523876A CN 114523876 A CN114523876 A CN 114523876A CN 202111294286 A CN202111294286 A CN 202111294286A CN 114523876 A CN114523876 A CN 114523876A
Authority
CN
China
Prior art keywords
vehicle
information
prediction model
home
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111294286.5A
Other languages
English (en)
Inventor
木暮宏光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN114523876A publication Critical patent/CN114523876A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/20—Control strategies involving selection of hybrid configuration, e.g. selection between series or parallel configuration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • B60L50/61—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries by batteries charged by engine-driven generators, e.g. series hybrid electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/62—Hybrid vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/126—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving electric vehicles [EV] or hybrid vehicles [HEV], i.e. power aggregation of EV or HEV, vehicle to grid arrangements [V2G]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种车辆状态的预测装置以及存储介质。车辆状态的预测装置对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测，其中，存储有以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型。通过向该车辆状态预测模型中输入车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息，来预测出车辆是否成为能够实施与外部的电力交付的车辆状态。

Description

车辆状态的预测装置以及存储介质
技术领域
本发明涉及一种车辆状态的预测装置以及存储介质。
背景技术
公知一种电力系统，其以如下方式来实施电力的供需控制，即，使用神经网络来对各电力供需家庭的次日的总电力量、最大电力需要量、总电力需要量进行预测，并基于与该次日的总电力量、最大电力需要量、总电力需要量相关的预测数据，来对电力供需家庭中是否会发生电力不足、或是否会产生电力剩余进行判断，在电力供需家庭中会发生电力不足的情况下，从具备发电设备或蓄电设备的其他电力供需家庭接收电力，而在电力供需家庭中产生电力剩余的情况下，向其他电力供需家庭交付电力(例如参照国际公开第2008/117392号)。
发明内容
可是，在将能够进行与外部的电力交付的车辆并入到这样的电力系统中从而在车辆与外部之间实施电力交付的情况下，会产生对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测的需要。然而，该电力系统关于对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测这一点并未进行任何启示。
本发明鉴于这种状况，提供一种能够对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测的车辆状态的预测装置以及存储介质。
根据本发明，提供了一种车辆状态的预测装置，其对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测，
该车辆状态的预测装置存储有以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型，并且，通过向该车辆状态预测模型中输入上述的至少三个信息，从而对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测。
而且，根据本发明，提供了一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入上述的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型中，输入所取得的上述的至少三个信息，
从该车辆状态预测模型中输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果。
根据本发明，能够适当地对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测。
附图说明
图1为图解性地进行表示的车辆等的整体图。
图2A以及图2B为车辆驱动部的结构图。
图3为用于对SOC量进行说明的图。
图4为用于实施充电控制的流程图。
图5为用于实施充电控制的流程图。
图6为用于对电力交易系统进行说明的图。
图7为表示由预测模型所获得的预测结果的一个示例的图。
图8为因子参数和积存数据等的一览表。
图9为因子参数和积存数据等的一览表。
图10为用于进行数据的积存的流程图。
图11为用于取得本车辆的停留位置的流程图。
图12为表示神经网络的图。
图13为表示车辆的状态和输出值的一览表的图。
图14为表示训练数据集的图。
图15为用于创建训练数据集的流程图。
图16为用于创建训练数据集的流程图。
图17为用于创建训练数据集的流程图。
图18为用于创建训练数据集的流程图。
图19为表示神经网络的图。
图20为表示由预测模型所获得的预测结果的一个示例的图。
图21为表示训练数据集的图。
图22为用于创建训练数据集的流程图。
图23为用于生成预测模型的流程图。
图24为用于实施通信处理的流程图。
图25为用于选择最优手法的流程图。
图26为用于选择最优手法的流程图。
图27为表示由预测模型所获得的预测结果的一个示例的图。
图28为表示训练数据集的图。
图29为用于生成预测模型的流程图。
图30为用于生成预测模型的流程图。
具体实施方式
首先，在参照图1的同时，对能够实施与外部的电力交付的车辆进行说明。当参照图1时，1表示仅由电动机来驱动的EV车辆、或由电动机以及内燃机的双方来驱动的插电式混合动力(PHV)车辆。此外，在图1中分别设为，2表示用于向驱动轮给予驱动力的车辆驱动部，3表示蓄电池，4表示被搭载于车辆1内的电子控制单元。蓄电池3经由插头5来实施蓄电池3与外部的电力交付。另一方面，电子控制单元4像图1所示的那样由数字计算机而构成，并具备利用双向总线6而被相互连接在一起的CPU(微处理器)7、由ROM以及RAM而构成的存储器8、以及输入输出端口9。
此外，在车辆1内，搭载有用于接收来自人工卫星的电波以对车辆1的当前位置进行检测的GPS(Global Positioning System：全球定位系统)接收装置10、对地图数据等进行存储的地图数据存储装置11、导航装置12、和具备显示画面13的操作装置14。并且，在车辆1内，搭载有加速器开度传感器、内燃机转速传感器、车速传感器、大气温度传感器等各种传感器15。这些GPS接收装置10、地图数据存储装置11、导航装置12、操作装置14以及各种传感器15与电子控制单元4相连接。
另一方面，在图1中30表示服务器。如图1所示，在该服务器30内设置有电子控制单元31。该电子控制单元31由数字计算机而构成，并具备利用双向总线32而被相互连接在一起的CPU(微处理器)33、由ROM以及RAM构成的存储器34、以及输入输出端口35。并且，在服务器30内，设置有用于与车辆1实施通信的通信装置36。另一方面，在车辆1上，搭载有用于与服务器30实施通信的通信装置16。
图2A以及图2B为图1所示的车辆驱动部2的结构图，且分别表示代表性的插电式混合动力系统以及EV系统。这些系统由于为人熟知，因此极为简略地进行说明。首先，当参照图2A时，车辆驱动部2具备内燃机20、电动机21、发电机23、例如由行星齿轮机构组成的动力分割机构24、以及电机控制装置25。电动机21由于还发挥发电机的作用，因此通常被称为电动发电机。例如，在进行低速行驶时，车辆1由电动机21来驱动。此时，电力从蓄电池3经由电机控制装置25而被供给至电动机21，且电动机21的输出通过动力分割机构24而被传递至驱动轮。
另一方面，在进行中高速行驶时，车辆1由内燃机20以及电动机21来驱动。此时，一方面内燃机20的输出的一部分通过动力分割机构24而被传递至驱动轮，另一方面，发电机23由内燃机20的输出的一部分来驱动并且电动机21利用发电机23的发电电力来驱动，且电动机21的输出通过动力分割机构24而被传递至驱动轮。此外，在进行车辆1的制动时，电动机21作为发电机而发挥功能，其实施利用电动机21的发电电力来进行蓄电池3的充电的再生控制。此外，在蓄电池3的充电量降低的情况下，发电机23经由动力分割机构24而由内燃机20来驱动，且利用发电机23的发电电力来实施蓄电池3的充电。
接下来，当参照图2B时，车辆驱动部2具备电动机21和电机控制装置25。在图2B所示的EV系统中，电动机21也由于还发挥发电机的作用，因此通常被称为电动发电机。在该EV系统中，车辆1始终由电动机21来驱动。在图2A所示的混合动力系统中，内燃机20以及动力分割机构24由电子控制单元4的输出信号来控制，电动机21以及发电机23基于电子控制单元4的输出信号而由电机控制装置25来控制。另一方面，在图2B所示的EV系统中，电动机21基于电子控制单元4的输出信号而由电机控制装置25来控制。
图3对表示蓄电池3的充电量的SOC(State of charge：充电状态)量进行表示。在图3中，当蓄电池3的充电量为满量时，SOC量成为100％，当蓄电池3的充电量为零时，SOC量成为0％。此外，在图2A所示的插电式混合动力系统中，当例如SOC量降低至被预先设定的下限值SOCX时，在SOC量上升至被预先设定的上限值SOCY之前，发电机23会由内燃机20来驱动，且利用发电机23的发电电力来实施蓄电池3的充电作用。另一方面，在图2B所示的EV系统中，当例如SOC量降低至被预先设定的下限值SOCX时，会被发出应当对蓄电池3进行充电的指令。另外，在下文中，有时会将该SOC量仅表示为SOC。另外，蓄电池3中的电流流出流入量以及蓄电池3的输出电压始终被进行检测，且SOC量基于被检测出的蓄电池3中的电流流出流入量等而在电子控制单元4内被计算出。
图4表示在车辆1搭载了图2A所示的插电式混合动力系统的情况下，电子控制单元4中所执行的蓄电池3的充电控制例程。该充电控制例程通过每隔固定时间的嵌入而被执行。
当参照图4时，首先，在步骤40中，对固定时间内的向蓄电池3的电流流入量ΔI进行读取。接着，在步骤41中，将固定时间内的向蓄电池3的电流流入量ΔI与常数C的积相加到SOC量SOC上。另外，在电流从蓄电池3流出时，电流流入量ΔI成为负值。另外，该SOC量SOC的计算方法仅示出了极其简单的示例，其能够使用公知的各种各样的SOC量SOC的计算方法。
接着，在步骤42中，对SOC量SOC是否低于被预先设定的下限值SOCX进行辨别。当被辨别为SOC量SOC低于被预先设定的下限值SOCX时，进入步骤43，并被发出发电指令。当发出有发电指令时，发电机23会由内燃机20来驱动，且利用发电机23的发电电力来实施蓄电池3的充电作用。另一方面，当在步骤42中被辨别为SOC量SOC并不低于被预先设定的下限值SOCX时，进入步骤44，且对SOC量SOC是否超出了被预先设定的上限值SOCY进行辨别。当被辨别为SOC量SOC超出了被预先设定的上限值SOCY时，进入步骤45，且发电指令被解除。当发电指令被解除时，由内燃机20所实施的发电机23的驱动会被停止，且蓄电池3的充电作用被停止。接着，在步骤46中，再生控制被停止。
图5表示在车辆1搭载了图2B所示的EV系统的情况下，电子控制单元4中所执行的蓄电池3的充电控制例程。该充电控制例程通过每隔固定时间的嵌入而被执行。另外，图5的步骤50、51、52、54分别与图4的步骤40、41、42、44相同。即，当参照图5时，首先，在步骤50中，对固定时间内的向蓄电池3的电流流入量ΔI进行读取。接着，在步骤51中，将固定时间内的向蓄电池3的电流流入量ΔI与常数C的积相加到SOC量SOC上。接着，在步骤52中，对SOC量SOC是否低于被预先设定的下限值SOCX进行辨别。当被辨别为SOC量SOC低于被预先设定的下限值SOCX时，进入步骤53，并发出应当对蓄电池3进行充电的指令。另一方面，当在步骤52中被辨别为SOC量SOC并不低于被预先设定的下限值SOCX时，进入步骤54，并对SOC量SOC是否超出了被预先设定的上限值SOCY进行辨别。当被辨别为SOC量SOC超出了被预先设定的上限值SOCY时，进入步骤55，并且再生控制被停止。
接下来，在参照图6的同时，对使用能够实施与外部的电力交付的车辆1、即搭载了图2A所示的插电式混合动力系统的车辆1或者搭载了图2B所示的EV系统的车辆1，而能够在个体彼此间对电力进行通融的P2P(Peer To Peer：个人对个人)电力交易系统的概要进行简单说明。另外，在图6中，A、B、C分别表示个人住宅，D表示个人住宅A的居住人所就职的工作场所。此外，在图6中，E表示电力供需线路，在各个人住宅A、B、C以及工作场所D处，分别设置有实施经由电力供需线路E的相互的电力交付控制以及与车辆1之间的电力交付控制的电力供需控制设备60，在各电力供需控制设备60上，有时还会连接有像太阳电池板那样的发电设备或蓄电设备。此外，在各个人住宅A、B、C以及工作场所D处，分别设置有用于在与服务器30(图1)之间实施通信的通信设备61。
并且，当车辆1上所搭载的蓄电池3中积蓄有剩余的电力时，为了实现该剩余的电力的有效利用，从而优选为能够将该剩余的电力出售给需要电力的他人。在这种情况下，在P2P电力交易系统中，当网络上的交易市场中由欲卖出电力的人所提示出的希望出售电力量以及卖价、与由欲买入电力的人所提示出的希望购买电力量以及买价相一致时，电力的买卖交易将会成立。当电力的买卖交易成立时，实施从欲卖出电力的人的车辆1向欲买入电力的人的电力的交付、或者从欲卖出电力的人向欲买入电力的人的车辆1的电力的交付、以及从欲买入电力的人向欲卖出电力的人的价款的交付。
另外，在这种情况下，为了从欲卖出电力的人的车辆1向欲买入电力的他人交付电力，或者为了从欲卖出电力的他人向欲买入电力的人的车辆1交付电力，从而需求欲实施电力的交付的人的车辆1成为能够实施电力的交付的车辆状态、即能够实施与外部的电力交付的车辆状态。因此，欲实施电力的交付的人需要对本车辆1会在何时成为能够实施与外部的电力交付的车辆状态进行预测。即，由于在本车辆1正在行驶时无法与他人实施电力的交付，因此需要对本车辆1在何时不行驶进行预测。此外，由于即使当本车辆1并未正在行驶时也必须根据本车辆1的停留场所来对网络上的交易市场进行改变，因此不仅需要对本车辆1是否正在行驶进行预测，还需要对本车辆1正停留在何处进行预测。
例如，在图6中，如果列举个人住宅A的居住人针对本车辆1而实施与外部的电力交付的情况为例，则在本车辆1于个人住宅A、即自家住宅与工作场所D之间进行移动的期间内将无法实施本车辆1与外部的电力交付，而要当本车辆1正在设置有电力供需控制设备60的自家住宅停留时、或正在设置有电力供需控制设备60的工作场所D停留时，才能够实施本车辆1与外部的电力交付。因此，在这种情况下，需要对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测。此外，在这种情况下，为了决定希望出售电力量或者希望购买电力量，从而优选为，对当本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测。
因此，在本发明的一个实施例中，采用如下方式，即，生成对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型，以及，对本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测的预测模型，并基于这些预测模型，来对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测，进而对当本车辆1正在自家住宅与工作场所之间移动时会消耗多少电力进行预测。
接下来，对这些预测模型采用何种方式被创建出进行说明，但是，为了能够容易地理解该预测模型的创建方法，从而先对要使用这些预测模型而获得的预测结果进行说明。图7表示要使用这些预测模型而获得的预测结果的一个示例。另外，在图7中，对以0：00时为基准的一天24小时中的车辆1的状态、即本车辆1是处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所的预测结果，以及本车辆1在自家住宅与工作场所之间移动时的电力消耗量、即蓄电池3的SOC量的变化量ΔSOC的预测结果进行表示。
另外，在日本国的电力自由化市场中，对以30分钟为单位而使电力发电量与电力需要量相一致的“30分钟计划值同时同量”进行了强制化，因此，本车辆1与外部的电力交付需要以30分钟作为基准单位来实施。因此，在图7所示的示例中，利用相同时间长度(30分钟)的时间窗Δt来对一天24小时均等地进行分割，由图7可知，以30分钟作为基准单位，而实施了本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所的预测。在图7所示的示例中，从前日的21点至次日的7点被预测为本车辆1正停留在自家住宅，7点至8点被预测为本车辆1正处于在自家住宅与工作场所之间移动中，8点至19点30分被预测为本车辆1正停留在工作场所，19点30分至21点被预测为本车辆1正处于在自家住宅与工作场所之间移动中。
此外，在图7所示的示例中，仅当被预测为本车辆1正处于在自家住宅与工作场所之间移动中时，对本车辆1的蓄电池3的电力消耗量、即蓄电池3的SOC量的变化量ΔSOC进行预测。另外，虽然在图7所示的示例中时间窗Δt的时间长度被设为30分钟，但是如果“30分钟计划值同时同量”的强制性规定发生变更，则该时间窗Δt的时间长度会伴随于此而被变更，此外，该时间窗Δt的时间长度在日本以外的其他国家会依据该国的强制性规定而被设为任意的时间长度。因此，如果概括性地来表达，则可以说该时间窗Δt为通过对一天24小时均等地进行分割所得到的相同时间长度。
并且，在创建预测模型时，首先，要决定被认为会给针对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所的预测结果带来影响的因子参数，接着，实施与这些因子参数相关的数据的积存作用。在图8中列举出了这些因子参数和所积存的数据。当参照图8时，作为因子参数，采用了本车辆1的位置、自家住宅周围的天气、工作场所周围的天气、日期时间、工作场所处的日程表、由乘坐者在导航装置12中所设定的目的地、本车辆1的车辆速度、以及自家住宅中的消耗电力。另外，在这种情况下，作为自家住宅周围的天气能够使用自家住宅周围的天气预报，作为工作场所周围的天气能够使用工作场所周围的天气预报。
在这种情况下，本车辆1的位置、自家住宅周围的天气、工作场所周围的天气、日期时间、以及工作场所处的日程表会给在自家住宅或工作场所的停留时间段带来影响，因此，会给预测结果带来较大的影响。另一方面，在导航装置12中所设定的目的地表示此后会停留在何处，因此，在导航装置12中所设定的目的地会给停留场所的预测结果带来较大的影响。另一方面，由于当在自家住宅与工作场所之间发生拥堵时会导致本车辆1的速度下降，且其结果会使得向自家住宅或工作场所的到达时间发生延迟，因此在自家住宅或工作场所处的停留时间段会发生变化。因此，本车辆1的速度会给在自家住宅或工作场所处的停留时间段的预测结果带来影响。此外，例如，处于在自家住宅的就寝中会使得自家住宅中的消耗电力较少，而如果应当去上班的居住人开始进行活动，则自家住宅中的消耗电力会上升。因此，自家住宅中的消耗电力与在自家住宅处的停留时间段有关系。
另一方面，作为被认为会给蓄电池3的SOC量的变化量ΔSOC的预测结果带来影响的因子参数，除了图8所列举出的因子参数之外，还可以进一步采用图9所列举出的两个因子参数。即，由于当气温变得较高时本车辆1的暖气装置将被使用，而当气温变得较低时本车辆1的冷气装置将被使用，因此会导致蓄电池3的电力消耗量增大。因此，气温会给蓄电池3的SOC量的变化量ΔSOC的预测结果带来较大的影响。另一方面，对于作为因子参数而采用蓄电池3的SOC量的情况，认为无需进行说明。
在本发明的实施例中，在服务器30(图1)中实施了与因子参数相关的数据的积存作用。图10对在服务器30的电子控制单元31中持续地被执行的数据的积存例程进行了表示，接下来，在参照图8以及图9所示的一览表的同时对该数据的积存例程进行说明。另外，在图8的一览表中的积存数据栏中记载有图7所示的时间窗Δt，该积存数据栏所记载的ts以及te分别表示时间窗Δt的开始时刻和结束时刻。此外，如图7所示，针对各时间窗Δt，以0点作为起点而从1至48按顺序标注有编号，且通过该编号来对为哪个时间窗Δt进行特定。
图10所示的例程例如每30秒而被执行，与各因子参数相关的数据依次被存储到电子控制单元31的存储器34内。在这种情况下，与因子参数相关的数据有时也会从被设置在车辆1和各个人住宅A、B、C以及工作场所D处的通信设备61被依次发送至服务器30，此外有时也会到被设置在车辆1和各个人住宅A、B、C以及工作场所D处的通信设备61中去获取这些与因子参数相关的数据。无论采用何种方式，通过图10所示的数据的积存例程所取得的与各因子参数相关的数据都会被依次存储到电子控制单元31的存储器34内。另外，该与因子参数相关的数据的积存作用会以某日的0点作为起点，而在数年间持续地被执行。
当参照图10时，首先，在步骤100中，对当前的时刻是否为当前的时间窗Δt的开始时刻ts进行辨别。在当前的时刻为当前的时间窗Δt的开始时刻ts时，进入步骤101，并取得本车辆1的位置信息且对之进行存储。另外，在本车辆1的电子控制单元4中，基于由GPS接收装置10所接收到的接收信号、和地图数据存储装置11中所存储的地图数据，而始终对本车辆1的当前位置、即经度和纬度进行计算，在步骤101中，取得与这些经度和纬度相关的信息并对之进行存储。接着，在步骤102中，取得自家住宅周围的天气，并例如当为晴天时存储为1、当为雨天时存储为2、当为雪天时存储为3。在这种情况下，如前文所述，作为自家住宅周围的天气而可以使用自家住宅周围的天气预报。接着，在步骤103中，取得工作场所周围的天气，并例如当为晴天时存储为1、当为雨天时存储为2、当为雪天时存储为3。在这种情况下，也如前文所述的那样，作为工作场所周围的天气而可以使用工作场所周围的天气预报。
接着，在步骤104中，取得日期时间并对之进行存储。具体而言，取得月份、日期、星期几(例如星期日为1、星期一为2…)以及时间窗Δt的编号并对之进行存储。接着，在步骤105中，取得工作场所处的日程表，并例如当时间窗Δt的期间为会议时存储为1、当处于休假中时存储为2、当为其他时存储为3。接着，在步骤106中，取得在导航装置12中所设定的目的地，并例如当目的地为自家住宅时存储为1、当目的地为工作场所时存储为2、当为其他时存储为3。接着，在步骤107中，取得车辆1的速度并对之进行存储。接着，在步骤108中，取得自家住宅中的消耗电力并对之进行存储。该自家住宅中的消耗电力在电力供需控制设备60中被计算出。接着，在步骤109中，取得气温并对之进行存储。接着，在步骤110中，取得蓄电池3的SOC量并对之进行存储。
另一方面，当在步骤100中被辨别为当前的时刻并不为当前的时间窗Δt的开始时刻ts时，进入步骤111，且取得本车辆1的位置信息并对之进行存储。接着，在步骤112中，取得车辆1的速度并对之进行存储。接着，在步骤113中，取得自家住宅中的消耗电力并对之进行存储。接着，在步骤114中，取得气温并对之进行存储。因此，由图8以及图9的一览表中的积存数据栏可知，对于自家住宅周围的天气、工作场所周围的天气、日期时间、工作场所处的日程表、在导航装置12中所设定的目的地以及蓄电池3的SOC量，仅取得当前的时间窗Δt的开始时刻ts处的数据并进行存储，而对于本车辆1的位置信息、车辆1的速度、自家住宅中的消耗电力以及气温，会取得从当前的时间窗Δt的开始时刻ts起至结束时刻te为止的期间的、每隔30秒的数据并进行存储。
当与因子参数相关的数据被积存在电子控制单元31的存储器34内时，使用所积存的因子参数中的本车辆1的位置信息而取得本车辆1的停留位置。图11对在服务器30的电子控制单元31中所执行的本车辆1的停留位置的取得例程进行了表示。当参照图11时，首先，在步骤200中，对夜间的设定时间内、例如0点至5点的期间内的本车辆位置的经度的数值的总计值以及纬度的数值的总计值进行计算。接着，在步骤201中，对这些本车辆位置的经度的数值的平均值LO1以及纬度的数值的平均值LA1进行计算。通常，在夜间，本车辆1会停留在自家住宅。因此，在步骤202中，这些本车辆位置的经度的数值的平均值LO1以及纬度的数值的平均值LA1被设为自家住宅位置的经度以及纬度。
接着，在步骤203中，对白天的设定时间内、例如11点至16点的期间内的本车辆位置的经度的数值的总计值以及纬度的数值的总计值进行计算。接着，在步骤204中，对这些本车辆位置的经度的数值的平均值LO2以及纬度的数值的平均值LA2进行计算。通常，在白天，本车辆1会停留在工作场所。因此，在步骤205中，这些车辆位置的经度的数值的平均值LO2以及纬度的数值的平均值LA2被设为工作场所位置的经度以及纬度。
并且，如前文所述，在本发明的实施例中，创建有对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型、以及对当本车辆1正在自家住宅与工作场所之间移动时会消耗多少电力进行预测的预测模型。在用于创建这些预测模型的手法中存在各种各样的手法，以下，以使用神经网络来创建预测模型的情况为例，首先，对创建对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型的方法进行说明，接着，对创建对当本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测的预测模型的方法进行说明。
图12对为了创建对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型而使用的神经网络70进行了表示。当参照图12时，圆形记号表示人工神经元，在神经网络70中，该人工神经元通常被称为节点或单元(在本申请中，称为节点)。另外，在图12中分别设为，L＝1表示输入层，L＝2以及L＝3表示隐藏层，L＝4表示输出层，x1、x2、…xn-1、xn表示输入层(L＝1)向各节点的输入值。此外，虽然在图12所示的示例中隐藏层(L＝2、L＝3)的层数被设为两层，但是隐藏层(L＝2、L＝3)的层数可以设为任意的层数。另一方面，在该实施例中，输出层(L＝4)的节点的数量被设为三个，输出层(L＝4)从节点的输出值由y1’、y2’、y3’来表示。这些输出值y1’、y2’、y3’被送入Softmax层SM中，从而被转换为分别相对应的输出值y1、y2、y3。这些输出值y1、y2、y3的总计为1，各输出值y1、y2、y3表示相对于1的比例。
并且，作为神经网络70的输入值x1、x2、…xn-1、xn，使用了对图8所示的各时间窗Δt中的因子参数的积存数据进行了一部分加工的数据。关于该对于各因子参数的加工数据在后文进行叙述。另一方面，图13对图12所示的输出值y1’、y2’、y3’以及输出值y1、y2、y3表示何种车辆状态的一览表进行了表示。由图13可知，输出值y1’以及输出值y1表示本车辆1正停留在自家住宅之时，输出值y2’以及输出值y2表示本车辆1正停留在工作场所之时，输出值y3’以及输出值y3表示本车辆1正处于移动中之时。在本发明的实施例中，以在向输入层(L＝1)的各节点输入对于各因子参数的加工数据时输出表示本车辆1正停留在自家住宅之时的输出值y1、或表示本车辆1正停留在工作场所之时的输出值y2、或表示本车辆1正处于移动中之时的输出值y3的方式，来实施神经网络70的加权的学习。
图14对使用输入值x1、x2、…xn-1、xn和示教数据、即真值标签yt所创建出的训练数据集进行了表示。在该图14中，输入值x1、x2、…xn-1、xn如前文所述的那样，使用了对于各因子参数的加工数据。另一方面，在图14中，yt1、yt2、yt3分别表示对于图12所示的输出值y1’、y2’、y3’以及输出值y1、y2、y3的示教数据、即真值标签。即，在图14中，yt1表示本车辆1正停留在自家住宅之时的真值标签，yt2表示本车辆1正停留在工作场所之时的真值标签，yt3表示本车辆1正处于移动中之时的真值标签。在这种情况下，例如，在本车辆1正停留在自家住宅之时，仅真值标签yt1被设为1，而剩余的真值标签yt2、yt3全部被设为零。同样地，在本车辆1正停留在工作场所之时，仅真值标签yt2被设为1，并且剩余的真值标签yt1、yt3全部被设为零。在本车辆1正处于移动中之时，仅真值标签yt3被设为1，并且剩余的真值标签yt1、yt2全部被设为零。
另一方面，如图14所示，在该训练数据集中，取得表示输入值x1、x2、…xn-1、xn与真值标签yt的关系的m个数据。例如，在第2个数据(No.2)中，列举出了所取得的输入值x12、x22、…xn-12、xn2和真值标签yt12、yt22、yt32，且在第m-1个数据(No.m-1)中，列举出了所取得的输入参数的输入值x1m-1、x2m-1…xn-1m-1、xnm-1和真值标签yt1m-1、yt2m-1、yt3m-1。
接下来，在参照图15至图18的同时，对用于使用对于各因子参数的加工数据来创建图14所示的数据集的数据集创建例程进行说明。另外，图15以及图16对用于创建输入值x1、x2、…xn-1、xn的例程进行了表示，图17以及图18对用于创建示教数据、即真值标签yt1、yt2、yt3的例程进行了表示。这些例程在电子控制单元31中，使用存储器34所积存的积存数据而按照各时间窗Δt中的每一个依次被执行。另外，在图8以及图9中，示出了示意性地表示的加工数据和输入值。此外，在本发明的实施例中，数据集被创建在电子控制单元31的存储器34内。
首先，当参照图15以及图16时，最初在步骤300中，使用时间窗Δt内的积存数据来对时间窗Δt内的本车辆位置的经度的数值的平均值LOm进行计算。接着，在步骤301中，将本车辆位置的经度的数值的平均值LOm设为输入值x1，并存储到相对应的数据集栏中。接着，在步骤302中，使用时间窗Δt内的积存数据来对时间窗Δt内的本车辆位置的纬度的数值的平均值LAm进行计算。接着，在步骤303中，将本车辆位置的经度的数值的平均值LAm设为输入值x2，并存储到相对应的数据集栏中。接着，在步骤304中，使用时间窗Δt内的积存数据而将表示时间窗Δ的开始时刻ts处的自家住宅周围的天气的编号设为输入值x3，并存储到相对应的数据集栏中。
接着，在步骤305中，使用时间窗Δt内的积存数据而将表示时间窗Δ的开始时刻ts处的工作场所周围的天气的编号设为输入值x4，并存储到相对应的数据集栏中。接着，在步骤306、307、308、309中，使用时间窗Δt内的积存数据，而将月份、日期、星期几的编号以及时间窗Δt的编号分别设为输入值x5、x6、x7、x8，并存储到相对应的数据集栏中。接着，在步骤310中，使用时间窗Δt内的积存数据而将表示时间窗Δ内的工作场所中的日程表的编号设为输入值x9，并存储到相对应的数据集栏中。接着，在步骤311中，使用时间窗Δt内的积存数据而将表示时间窗Δ的开始时刻ts处的导航装置12中所设定的目的地的编号设为输入值x10，并存储到相对应的数据集栏中。
接着，在步骤312中，使用时间窗Δt内的积存数据来对时间窗Δt内的本车辆1的速度的平均值Vm进行计算。接着，在步骤313中，本车辆1的速度的平均值Vm被设为输入值x11，并被存储到相对应的数据集栏中。接着，在步骤314中，使用时间窗Δt内的积存数据来对时间窗Δt内的自家住宅中的消耗电力的平均值Pm进行计算。接着，在步骤315中，自家住宅中的消耗电力的平均值Pm被设为输入值x12，并被存储到相对应的数据集栏中。
接下来，对用于创建图17以及图18所示的示教数据、即真值标签yt1、yt2、yt3的例程进行说明。该例程针对各时间窗Δt内的积存数据中所存储的每30秒的N0个(N0＝60)数据组而依次被执行。当参照图17以及图18时，首先，在步骤400中，使用时间窗Δt内的积存数据来读取时间窗Δt内的最早的时刻处的车辆位置的经度LO。接着，在步骤401中，使用时间窗Δt内的积存数据来读取时间窗Δt内的最早的时刻处的车辆位置的纬度LA。
接着，在步骤402中，对步骤400中所读取出的车辆位置的经度LO是否位于从图11所示的表示自家住宅位置的经度LO1中减去较小的固定值α所获得的值(LO1-α)与将较小的固定值α和表示自家住宅位置的经度LO1相加所获得的值(LO1+α)之间、且步骤401中所读取出的车辆位置的纬度LA是否位于从图11所示的表示自家住宅位置的经度LA1中减去较小的固定值α所获得的值(LA1-α)与将较小的固定值α和表示自家住宅位置的经度LA1相加所获得的值(LO1+α)之间进行辨别。当LO1-α＜LO＜LO1+α且LO1-α＜LO＜LO1+α时，被辨别为本车辆1正停留在自家住宅，并进入步骤403而将计数值N1加1。接着，进入步骤406。
与此相对，当在步骤402中被辨别为并非LO1-α＜LO＜LO1+α且LO1-α＜LO＜LO1+α时，进入步骤404，并对步骤400中所读取出的车辆位置的经度LO是否位于从图11所示的表示工作场所位置的经度LO2中减去较小的固定值α所获得的值(LO2-α)与将较小的固定值α和表示工作场所位置的经度LO2相加所获得的值(LO2+α)之间、且步骤401中所读取出的车辆位置的纬度LA是否位于从图11所示的表示工作场所位置的经度LA2中减去较小的固定值α所获得的值(LA2-α)与将较小的固定值α和表示工作场所位置的经度LA2相加所获得的值(LO2+α)之间进行辨别。当LO2-α＜LO＜LO2+α且LO2-α＜LO＜LO2+α时，被辨别为本车辆1正停留在工作场所，并进入步骤405而将计数值N2加1。接着，进入步骤406。与此相对，当在步骤404中被辨别为并非LO2-α＜LO＜LO2+α且LO2-α＜LO＜LO2+α时，进入步骤406。
在步骤406中，将计数值N加1。接着，在步骤407中，对计数值N是否达到N0(N0＝60)进行辨别。当计数值N并未到达N0时，结束处理循环。如果结束了处理循环，则在下一个处理循环中，针对时间窗Δt内的下一个时刻处的数据来实施步骤400至步骤406的处理。该步骤400至步骤406的处理被反复实施直至计数值N达到N0为止，且如果计数值N达到了N0，则进入步骤408，且对将计数值N1除以计数值N0所获得的值N1/N0是否大于设定值X、例如0.6进行辨别。当被辨别为N1/N0＞X时，被判断为本车辆1正停留在自家住宅的概率较高，从而进入步骤409且将真值标签yt1设为1，并存储到相对应的数据集栏中。接着，进入步骤413。
与此相对，当在步骤408中被辨别为并非N1/N0＞X时，进入步骤410，并对将计数值N2除以计数值N0所获得的值N2/N0是否大于设定值X、例如0.6进行辨别。当N2/N0＞X时，被判断为本车辆1正停留在工作场所的概率较高，从而进入步骤411且将真值标签yt2设为1，并存储到相对应的数据集栏中。接着，进入步骤413。另一方面，当在步骤410中被辨别为并非N2/N0＞X时，被判断为本车辆1正处于移动中的概率较高，从而进入步骤412且将真值标签yt3设为1，并存储到相对应的数据集栏中。接着，进入步骤413。在步骤413中，将各计数值N、N1、N2清零。
接下来，对创建对当本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测的预测模型的方法进行说明。图19对为了创建对当本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测的预测模型所使用的神经网络71进行了表示。当参照图19时，该神经网络71和图12所示的神经网络70的不同之处仅在于，在神经网络71中输出层(L＝4)的节点的数量被设为一个，且并未设置Softmax层SM。在该神经网络71中，从输出层(L＝4)的节点而输出有输出值y。
并且，在对本车辆1在自家住宅与工作场所之间移动时的电力消耗量、即蓄电池3的SOC量的变化量ΔSOC进行预测时，如前文所述的那样，作为神经网络71的输入值x1、x2、…xn-1、xn，而除了图8所示的输入值x1至x12之外，还使用与气温相关的输入值。另一方面，蓄电池3的SOC量的变化量ΔSOC根据蓄电池3的SOC量的积存数据来进行计算。关于此，在参照表示基于与图7同样的预测模型的预测结果的一个示例的图20的同时进行说明。即，当通过对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型，而预测出表示本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δ时，如图20所示，移动开始时的SOC量被设为SOC1，移动结束时的SOC量被设为SOC2，且这些SOC1与SOC2的差被设为SOC量的变化量ΔSOC(＝SOC2-SOC1)。在这种情况下，在本发明的实施例中，以当除了图8所示的输入值x1至x12之外还向输入层(L＝1)的各节点输入与气温相关的输入值时输出表示SOC量的变化量ΔSOC的输出值y的方式，来实施了神经网络71的加权的学习。
图21对使用输入值x1、x2、…xn-1、xn和示教数据、即SOC量的变化量ΔSOC的实测值yt所创建出的训练数据集进行了表示。在该训练数据集中，也取得表示输入值x1、x2、…xn-1、xn与示教数据、即实测值yt的关系的m个数据。例如，在第2个数据(No.2)中，列举出了所取得的输入值x12、x22、…xn-12、xn2和实测值yt2，在第m-1个数据(No.m-1)中，列举出了所取得的输入参数的输入值x1m-1、x2m-1…xn-1m-1、xnm-1和实测值ytm-1。
接下来，在参照图22的同时，对用于创建图21所示的数据集的数据集创建例程进行说明。该例程使用由对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型而获得的预测结果、和存储器34所积存的积存数据，而在电子控制单元31中按每个时间窗Δt而依次被执行。另外，该数据集也被创建在电子控制单元31的存储器34内。
当参照图22时，首先，在步骤500中，从图14所示的数据集中提取出在被预测为本车辆1正处于在自家住宅与工作场所之间移动中时所使用的各时间窗Δt的输入值x1至x12，并将所提取出的输入值x1至x12存储到图21所示的数据集的相应栏中。接着，在步骤501中，使用各时间窗Δt内的积存数据，来对被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt内的气温的平均值Tm进行计算。接着，在步骤502中，气温的平均值Tm被设为输入值x13，并被存储到相对应的数据集栏中。
接着，在步骤503中，使用各时间窗Δt内的积存数据，并根据被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt内的移动开始时的SOC量SOC1和移动结束时的SOC量SOC2，来对SOC量的变化量ΔSOC(＝SOC2-SOC1)进行计算。接着，在步骤504中，该SOC量的变化量ΔSOC被设为示教数据yt，并被存储到相对应的数据集栏中。采用这种方式，从而创建出图21所示的数据集。
当创建出图14所示的数据集时，使用图23所示的预测模型的生成例程，来创建对本车辆1是正处于在自家住宅与工作场所之间移动中、还是否正停留在自家住宅、或是正停留在工作场所进行预测的预测模型，并且在创建出图21所示的数据集时，使用图23所示的预测模型的生成例程，来创建对SOC量的变化量ΔSOC进行预测的预测模型。这些预测模型的生成例程在服务器30的电子控制单元31中被执行。
首先，如果使用图23所示的预测模型的生成例程来生成对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型的情况进行概要说明，则在步骤600中，依次读取图14所示的数据集中所存储的数据，在步骤601中，实施了图12所示的神经网络70的加权的学习。例如，在步骤600中，从数据集中，读取某个日期的第r个时间窗Δt中的输入值x1至x12、和下一时间窗Δt、即第r+1个时间窗Δt中的示教数据、即真值标签yt1、yt2、yt3。接着，在步骤601中，对表示神经网络70的输出值y1、y2、y3与真值标签yt1、yt2、yt3的差的交叉熵误差E进行计算，并使用误差反向传播法来实施神经网络70的加权的学习，以使交叉熵误差E减小。
接着，在步骤602中，对是否针对数据集的所有数据而已完成神经网络70的加权的学习进行辨别，当针对数据集的所有数据而神经网络70的加权的学习并未完成时，返回至步骤600，并使用下一时间窗Δt、即第r+1个时间窗Δt中的输入值x1至x12、和其下一时间窗Δt、即第r+2个时间窗Δt中的示教数据、即真值标签yt1、yt2、yt3，而实施使用了误差反向传播法的神经网络70的加权的学习。另一方面，在步骤602中，当被辨别为针对数据集的所有数据而神经网络70的加权的学习已完成时，进入步骤603并对已学习的加权进行存储，由此，在当前为某个日期的第r个时间窗Δt的情况下，生成对在其下一时间窗Δt、即第r+1个时间窗Δt中本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型。
采用同样的方式，在当前为某个日期的第r个时间窗Δt的情况下，生成对在其后第二个时间窗Δt、即第r+2个时间窗Δt中本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型，接着，生成对在其后第三个时间窗Δt、即第r+3个时间窗Δt中本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型。接着，使用这些预测模型，而获得对在例如像图7所示的那样的24小时内的时间窗Δt期间本车辆1是处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测结果。因此，能够根据该预测结果，对在将来的24小时以内本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测。
接下来，如果使用图23所示的预测模型的生成例程来生成对SOC量的变化量ΔSOC进行预测的预测模型的情况进行概要说明，则在步骤600中，依次读取图21所示的数据集中所存储的数据，在步骤601中，实施了图19所示的神经网络71的加权的学习。例如，在通过对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型，而被预测为在某个日期的第s个时间窗Δt中本车辆1正处于在自家住宅与工作场所之间移动中的情况下，在步骤600中，从数据集中读取某个日期的第s个时间窗Δt中的SOC量的变化量ΔSOC、即示教数据yt、前一时间窗Δt、即第s-1个时间窗Δt中的输入值x1至x12。接着，在步骤601中，对神经网络71的输出值y与真值标签yt的平方误差E进行计算，并使用误差反向传播法来实施神经网络71的加权的学习，以使平方误差E减小。
接着，在步骤602中，对是否针对数据集的所有数据而已完成神经网络71的加权的学习进行辨别，当针对数据集的所有数据而神经网络71的加权的学习并未完成时，返回至步骤600，并读取某个日期的第s个时间窗Δt之后的某个日期的第k个时间窗Δt中的SOC量的变化量ΔSOC、即示教数据yt、和其前一时间窗Δt、即第k-1个时间窗Δt中的输入值x1至x12。接着，在步骤601中，对神经网络71的输出值y与真值标签yt的平方误差E进行计算，且使用误差反向传播法来实施神经网络71的加权的学习，以使平方误差E减小。另一方面，在步骤602中，当被辨别为针对数据集的所有数据而神经网络71的加权的学习已完成时，进入步骤603并对已学习的加权进行存储，由此，在当前为被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt的前一时间窗Δt的情况下，生成对被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测模型。
采用同样的方式，在当前为被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt的此前第二个时间窗Δt的情况下，生成对被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测模型，接着，在当前为被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt的此前第三个时间窗Δt的情况下，生成对被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测模型。接着，使用这些预测模型，而获得对例如在图7所示的那样的24小时内的时间窗Δt中被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测结果。因此，根据该预测结果，能够对被预测为在将来的24小时以内本车辆1处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测。
采用这种方式，如果获得了对在将来的24小时以内本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测结果、以及对被预测为在将来的24小时以内本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测结果，则如图24的步骤700所示的那样，这些预测结果例如每隔30分钟被发送至本车辆1，并被显示在本车辆1上所搭载的操作装置14的显示画面13上。因此，由于本车辆1的乘坐者能够根据这些预测结果，来对本车辆1某时是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测，并对当本车辆1在自家住宅与工作场所之间移动时会消耗多少电力进行预测，因此能够适当地实施电力的买卖交易。
如此，根据本发明，存储有以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型，在该车辆状态预测模型中，通过输入上述的至少三个信息、即车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息，来对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测。在这种情况下，在与天气相关的信息中包含有天气预报。
在这种情况下，该车辆状态预测模型形成车辆状态预测用的已学习模型。因此，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的已学习模型，所述已学习模型为，以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测用的已学习模型，其中，所述计算机的工作方式为，当输入上述的至少三个信息时，输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果。在这种情况下，在与天气相关的信息中也包含有天气预报。此外，在这种情况下，该已学习模型例如能够使CD-ROM、DVD-ROM等便携型存储介质进行存储。这对于后文叙述的其他已学习模型而言也为同样情况。
此外，在本发明的实施例中，提供了一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入上述的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型中，输入所取得的上述的至少三个信息，
从该车辆状态预测模型中输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果。在这种情况下，在与天气相关的信息中也包含有天气预报。此外，在这种情况下，作为该存储介质，例如能够使用CD-ROM、DVD-ROM等便携型存储介质。这对于后文叙述的其他存储介质而言也为同样情况。
另一方面，在本发明的实施例中，当车辆正停留在能够实施与外部的电力交付的可电力交付停留场所之一时，车辆成为能够实施与外部的电力交付的状态，所存储的上述的车辆状态预测模型由以在输入上述的至少三个信息时输出车辆是否正停留在该可电力交付停留场所的预测结果的方式而进行了学习的停留预测模型而构成，并且，通过向该停留预测模型中输入上述的至少三个信息，从而对车辆是否正停留在可电力交付停留场所进行预测。在这种情况下，在与天气相关的信息中也包含有天气预报。
此外，在本发明的实施例中，上述的停留预测模型以输出被预测为车辆将会停留的可电力交付停留场所、和车辆将会停留在所预测出的可电力交付停留场所的预测时间段的方式来进行了学习，并且，通过向该停留预测模型中输入上述的至少三个信息，从而对车辆将会停留的可电力交付停留场所和车辆将停留的时间段进行预测。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的已学习模型，所述已学习模型为，以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出能够实施与外部的电力交付的可电力交付停留场所且被预测为车辆将会停留的停留场所、和车辆将会停留在该所预测出的停留场所的预测时间段的方式而进行了学习的车辆状态预测用的已学习模型，其中，所述计算机的工作方式为，当输入上述的至少三个信息时，输出所预测出的停留场所和预测时间段。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的程序、以及存储有该程序的计算机可读取的存储介质，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息组成的至少三个信息，
向以在输入上述的至少三个信息时输出能够实施与外部的电力交付的可电力交付停留场所且被预测为车辆将会停留的停留场所、和车辆将会停留在该所预测出的停留场所的预测时间段的方式而进行了学习的车辆状态预测模型中，输入所取得的上述的至少三个信息，
从车辆状态预测模型中输出所预测出的停留场所、和预测时间段。
此外，在本发明的实施例中，存储有以输出由于上述的可电力交付停留场所间的车辆的移动而产生的车辆的蓄电池的SOC值的预测变化量的方式而进行了学习的SOC预测模型，并且，通过向该SOC预测模型中输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，从而对由于可电力交付停留场所间的车辆的移动而产生的SOC值的变化量进行预测。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的已学习模型，所述已学习模型为，以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出由于可电力交付停留场所间的车辆的移动而产生的车辆的蓄电池的SOC值的预测变化量的方式而进行了学习的SOC预测用的已学习模型，其中，所述计算机的工作方式为，当输入上述的至少三个信息时，输出由于可电力交付停留场所间的车辆的移动而产生的SOC值的预测变化量。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的程序、以及存储有该程序的计算机可读取的存储介质，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息组成的至少三个信息，
向以在输入上述的至少三个信息时输出由于可电力交付停留场所间的车辆的移动而产生的车辆的蓄电池的SOC值的预测变化量的方式而进行了学习的SOC预测模型中，输入所取得的上述的至少三个信息，
从该SOC预测模型中输出由于可电力交付停留场所间的车辆的移动而产生的车辆的蓄电池的SOC值的预测变化量。
此外，在本发明的实施例中，利用相同时间长度的时间窗来对一天24小时均等地进行分割，上述的停留预测模型以针对每个被分割出的时间窗而输出车辆是否正停留在可电力交付停留场所处的预测结果的方式而进行了学习，并且，通过向该停留预测模型中输入车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息，从而对车辆是否正停留在可电力交付停留场所处进行预测。在这种情况下，在本发明的一个实施例中，各时间窗的时间长度被设为30分钟。在这种情况下，在与天气相关的信息中也包含有天气预报。
此外，在本发明的实施例中，上述的停留预测模型以针对每个被分割出的时间窗而分别输出是车辆正停留在可电力交付停留场所、还是车辆正在可电力交付停留场所之间进行移动的预测结果的方式而进行了学习，并存储有以输出由于可电力交付停留场所间的车辆的移动而产生的车辆的蓄电池的SOC值的预测变化量的方式而进行了学习的SOC预测模型，并且，通过向SOC预测模型中输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，从而对由于可电力交付停留场所间的车辆的移动而产生的SOC值的变化量进行预测。在这种情况下，在与天气相关的信息中也包含有天气预报。
此外，在本发明的实施例中，当车辆正停留在自家住宅或工作场所时，车辆成为能够实施与外部的电力交付的状态，所存储的上述的车辆状态预测模型由以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中的预测结果的方式而进行了学习的车辆状态预测模型所构成，通过向该车辆状态预测模型中输入上述的至少三个信息，从而对是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中进行预测。在这种情况下，在与天气相关的信息中也包含有天气预报。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的已学习模型，所述已学习模型为，以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中的预测结果的方式而进行了学习的已学习模型，其中，所述计算机的工作方式为，当输入上述的至少三个信息时，输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中的预测结果。
此外，在本发明的实施例中，提供了一种使计算机以如下方式来发挥功能的程序、以及存储有该程序的计算机可读取的存储介质，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入上述的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中的预测结果的方式而进行了学习的车辆状态预测模型中，输入所取得的上述的至少三个信息，
从该车辆状态预测模型中输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所间移动中的预测结果。
此外，在本发明的实施例中，作为上述的车辆状态预测模型的输入信息，除了车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息之外，还使用工作场所中的日程表信息、被搭载于车辆上的导航系统中的目的地信息、车辆的速度信息以及自家住宅中的消耗电力信息。在这种情况下，在与天气相关的信息中也包含有天气预报。
并且，对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型能够通过不同的机器学习手法来生成。作为能够生成该预测模型的机器学习手法，除了至此所说明的使用神经网络的机器学习手法之外，例如还广为人知有使用随机森林、逻辑回归、K最近邻算法、梯度提升等的其他机器学习手法。在这种情况下，在这些机器学习手法中，在遵守计算时间的制约的同时预先决定精度最高的手法极其困难。因此，在本发明的第二实施例中采用如下方式，即，在服务器30(图1)中，从各种各样的不同的机器学习手法中选择最优的机器学习手法。
图25对为了执行该第二实施例而在服务器30的电子控制单元31中所执行的最优手法的选择例程进行了表示。
当参照图25时，首先，在步骤800中，将使用神经网络、随机森林、逻辑回归、K最近邻算法、梯度提升的各机器学习手法的算法存储到电子控制单元31的存储器34内。接着，在步骤801中，使用图10所示的例程而取得数据，并将图14所示的数据集存储到电子控制单元31的存储器34内。接着，在步骤802中，实施由使用了神经网络、随机森林、逻辑回归、K最近邻算法、梯度提升的任意一个各机器学习手法而实现的机器学习处理，接着，在步骤803中，创建出预测模型。
接着，在步骤804中，对是否已完成由所有机器学习手法而实现的机器学习处理进行辨别。当由所有机器学习手法而实现的机器学习处理并未完成时，返回至步骤802，并实施由接下来的机器学习手法而实现的机器学习处理。接着，在步骤804中，当被辨别为由所有机器学习手法而实现的机器学习处理均已完成时，进入步骤805，并实施各机器学习手法的评价。例如，向通过由各机器学习手法而实现的机器学习处理所得到的各预测模型中输入验证数据，基于表示由各预测模型所得到的预测结果的准确度、再现率、精度等的评价值以及计算时间，来实施各机器学习手法的评价。接着，在步骤806中，对评价较高的机器学习手法进行选择。接着，在步骤807中，实施了被选择出的各机器学习手法的超参数的调节。接着，在步骤808中，实施了由被选择出并实施了超参数的调节的任意一个各机器学习手法所实现的机器学习处理，接着，在步骤809中，创建出预测模型。
接着，在步骤810中，对是否已完成由被选择出并实施了超参数的调节的所有机器学习手法而实现的机器学习处理进行辨别。当由所有机器学习手法而实现的机器学习处理并未完成时，返回至步骤808，并实施由接下来的机器学习手法而实现的机器学习处理。接着，在步骤810中，当被辨别为由被选择出并实施了超参数的调节的所有机器学习手法而实现的机器学习处理均已完成时，进入步骤811，并实施各机器学习手法的评价。例如，像前文所述的那样，向通过由各机器学习手法而实现的机器学习处理所得到的各预测模型中输入验证数据，并基于表示由各预测模型所得到的预测结果的准确度、再现率、精度等的评价值以及计算时间，来实施各机器学习手法的评价。接着，在步骤812中，评价最高的机器学习手法被选择为最优的机器学习手法。接着，在步骤813中，通过基于该最优的机器学习手法的机器学习处理，而被创建出最优预测模型。
如此，在该第二实施例中，作为上述的车辆状态预测模型而准备有利用不同的机器学习手法所生成的多个预测模型，并使用验证数据来对这些多个预测模型的评价值进行验证，且在这些多个预测模型中采用评价值最高的预测模型，以作为车辆状态预测模型。
另外，在图7至图24所示的第一实施例中，如图7所示，本车辆1的状态被分类为表示正处于在自家住宅与工作场所之间移动中的移动状态、表示正停留在自家住宅的自家住宅停留状态、和表示正停留在工作场所的工作场所停留状态这三个状态，从而将本车辆1的状态为何种状态作为三个等级的分类问题来解决。在这样的多等级的分类问题中，在存在数据数量极端少的等级的情况下、即数据数量中存在不均衡的情况下，存在学习较为困难的危险性。在第一实施例所示的情况下，在一天的时间段中，成为移动状态的时间段较少，因此，存在学习较为困难的危险性。如此，作为用于回避学习较为困难的危险性的第一方法，而具有将与自家住宅停留状态相关的数据或与工作场所停留状态相关的数据剔除的方法(随机欠采样)、和随机地对与移动状态相关的数据进行复制的方法(上采样)，作为第二方法，具有构筑实施移动状态和非移动状态(自家住宅停留状态以及工作场所停留状态)的二值分类的第一预测模型、以及针对被预测为非移动状态的时间段而实施自家住宅停留状态和工作场所停留状态的二值分类的第二预测模型的方法。
在本发明的第三实施例中，在并不存在学习较为困难的危险性的情况下，被实施第一实施例所示的三个等级的分类，在存在学习较为困难的危险性的情况下，使用上述的第二方法。接下来，在参照图27至图30的同时，对该第三实施例进行说明。图27对基于与图7同样的预测模型的预测结果的一个示例进行表示。在图27所示的第三实施例中，也利用相同时间长度(30分钟)的时间窗Δt对一天24小时均等地进行分割。另一方面，在该第三实施例中，由图27的最上方的图可知，首先，以30分钟作为基准单位，而实施有本车辆1的状态是为移动状态、还是为非移动状态(自家住宅停留状态以及工作场所停留状态)的第一预测。
当本车辆1的状态为移动状态、还是为非移动状态(自家住宅停留状态以及工作场所停留状态)的第一预测完成时，接下来，由图27的中段的图可知，将实施非移动状态(自家住宅停留状态以及工作场所停留状态)是为自家住宅停留状态、还是为工作场所停留状态的第二预测。此外，在该第三实施例中，还由图27的最下方的图可知，仅在被预测为本车辆1的状态为移动状态时，才对本车辆1的蓄电池3的电力消耗量、即蓄电池3的SOC量的变化量ΔSOC进行预测。
图28对被实施这些第一预测以及第二预测时所使用的训练数据集进行了表示。在图28中，输入值x1、x2、…xn-1、xn与图14所示的训练数据集中的输入值x1、x2、…xn-1、xn相同。另一方面，在图28中，yt1、yt2表示示教数据、即真值标签。即，当实施了第一预测时，yt1表示本车辆1的状态为例如非移动状态(自家住宅停留状态以及工作场所停留状态)时的真值标签，yt2表示本车辆1的状态为移动状态时的真值标签。在这种情况下，当本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)时，真值标签yt1被设为1，剩余的真值标签yt2被设为零。同样地，当本车辆1的状态为移动状态时，真值标签yt2被设为1，并且真值标签yt1被设为零。
另一方面，当实施了第二预测时，yt1表示本车辆1的状态为例如自家住宅停留状态时的真值标签，yt2表示本车辆1的状态为工作场所停留状态时的真值标签。在这种情况下，当本车辆1的状态为自家住宅停留状态时，真值标签yt1被设为1，真值标签yt2被设为零。同样地，当本车辆1的状态为工作场所停留状态时，真值标签yt2被设为1，并且真值标签yt1被设为零。
图29以及图30对为了执行第三实施例而在服务器30的电子控制单元31中所执行的预测模型的生成例程进行了表示。
当参照图29时，首先，在步骤900中，对图14所示的数据集中所存储的数据进行读取。接着，在步骤901中，对图14所示的数据集中所存储的数据的数据数量中是否存在不均衡进行辨别。当被辨别为数据数量中存在不均衡时，进入步骤902，并创建出图28所示的形式的数据集X。该数据集X中的输入值x1、x2、…xn-1、xn就照原样地使用图14所示的数据集的输入值x1、x2、…xn-1、xn。
另一方面，数据集X中的示教数据、即真值标签yt1在图14所示的数据集的真值标签yt1(自家住宅停留状态时yt1＝1)以及真值标签yt2(工作场所停留状态时yt2＝1)中的任意一方为1时，被设为1。与此相对，数据集X中的示教数据、即真值标签yt2在图14所示的数据集的真值标签yt3(移动状态时yt3＝1)为1时，被设为1。即，数据集X中的真值标签yt1在本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)时，被设为1，数据集X中的真值标签yt2在本车辆1的状态为移动状态时被设为1。
接着，在步骤903中，实施了与在第一实施例中于图23所示的预测模型的生成例程的步骤601中所实施的神经网络70的加权的学习同样的神经网络的加权的学习。例如，从数据集X中，读取某个日期的第r个时间窗Δt中的输入值x1至x12、和其下一个时间窗Δt、即第r+1个时间窗Δt中的示教数据、即真值标签yt1、yt2。接着，使用误差反向传播法来实施神经网络的加权的学习，以使神经网络的输出值y1、y2与真值标签yt1、yt2的差减小。接着，在步骤904中，对是否针对数据集X的所有数据而已完成神经网络的加权的学习进行辨别，当针对数据集X的所有数据而神经网络的加权的学习并未完成时，返回至步骤903，并使用下一个时间窗Δt、即第r+1个时间窗Δt中的输入值x1至x12、和其下一时间窗Δt、即第r+2个时间窗Δt中的示教数据、即真值标签yt1、yt2，而实施使用了误差反向传播法的神经网络的加权的学习。
采用这种方式，在当前为某个日期的第r个时间窗Δt的情况下，生成对在下一时间窗Δt、即第r+1个时间窗Δt中是本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)、还是本车辆1的状态为移动状态进行预测的第一预测模型。采用同样的方式，当前、某个日期的第r个时间窗Δt的情况下，生成对在此后第二个时间窗Δt、即第r+2个时间窗Δt中是本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)、还是本车辆1的状态为移动状态进行预测的第一预测模型，接着，生成对在此后第三个时间窗Δt、即第r+3个时间窗Δt中是本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)、还是本车辆1的状态为移动状态进行预测的第一预测模型。采用这种方式，如步骤905所记载的那样，创建出所有的第一预测模型。
接着，在步骤906中，创建出图28所示的形式的数据集Y。该数据集Y中的输入值x1、x2、…xn-1、xn就照原样地使用图14所示的数据集的输入值x1、x2、…xn-1、xn。另一方面，数据集Y中的示教数据、即真值标签yt1在图14所示的数据集的真值标签yt1(自家住宅停留状态时yt1＝1)为1时，被设为1。与此相对，数据集Y中的示教数据、即真值标签yt2在图14所示的数据集的真值标签yt2(工作场所停留状态时yt2＝1)为1时，被设为1。即，数据集Y中的真值标签yt1在本车辆1的状态为自家住宅停留状态时被设为1，数据集X中的真值标签yt2在本车辆1的状态为工作场所停留状态时被设为1。
接着，在步骤907中，实施了神经网络的加权的学习，以使得能够针对本车辆1的状态为非移动状态(自家住宅停留状态以及工作场所停留状态)的时间窗Δt，而对本车辆1的状态是为自家住宅停留状态、还是为工作场所停留状态进行预测。例如，从数据集Y中，读取某个日期的第r个时间窗Δt中的输入值x1至x12、和其下一个时间窗Δt、即第r+1个时间窗Δt中的示教数据、即真值标签yt1、yt2。接着，使用误差反向传播法来实施神经网络的加权的学习，以使神经网络的输出值y1、y2与真值标签yt1、yt2的差减小。但是，在这种情况下，在第r+1个时间窗Δt中的本车辆1的状态为移动状态的情况下，并不实施输入值以及真值标签的读取、和神经网络的加权的学习。接着，在步骤908中，对是否针对数据集Y的所有数据而已完成神经网络的加权的学习进行辨别，当针对数据集Y的所有数据而神经网络的加权的学习并未完成时，返回至步骤907，并使用下一个时间窗Δt、即第r+1个时间窗Δt中的输入值x1至x12、和其再下一个时间窗Δt、即第r+2个时间窗Δt中的示教数据、即真值标签yt1、yt2，而实施使用了误差反向传播法的神经网络的加权的学习。在这种情况下，也在第r+2个时间窗Δt中的本车辆1的状态为移动状态的情况下并不实施输入值以及真值标签的读取、和神经网络的加权的学习。
采用这种方式，在当前为某个日期的第r个时间窗Δt、且下一时间窗Δt、即第r+1个时间窗Δt中的本车辆1的状态为非移动状态的情况下，生成对在第r+1个时间窗Δt中本车辆1的状态是为自家住宅停留状态、还是为工作场所停留状态进行预测的第二预测模型。采用同样的方式，在当前为某个日期的第r个时间窗Δt、且此后第二个时间窗Δt、即第r+2个时间窗Δt中的本车辆1的状态为非移动状态的情况下，生成对在第r+2个时间窗Δt中本车辆1的状态是为自家住宅停留状态、还是为工作场所停留状态进行预测的第二预测模型，接着，在其后第三个时间窗Δt、即第r+3个时间窗Δt中的本车辆1的状态为非移动状态的情况下，生成对在第r+3个时间窗Δt中本车辆1的状态是为自家住宅停留状态、还是为工作场所停留状态进行预测的第二预测模型。采用这种方式，如步骤909所记载的那样，创建出所有的第二预测模型。
接着，使用这些第一预测模型以及第二预测模型，而获得对在例如像图7所示的那样的24小时内的时间窗Δt期间，本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测结果。因此，能够根据该预测结果，而对在将来的24小时以内本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测。
当创建出第一预测模型以及第二预测模型时，进入步骤913，创建用于生成对SOC量的变化量ΔSOC进行预测的预测模型的图21所示的形式的数据集Z。该数据集Z与在第一实施例中所使用的数据集相同，作为神经网络的输入值x1、x2、…xn-1、xn，除了图8所示的输入值x1至x12之外，还使用与气温相关的输入值。另一方面，在步骤914中，使用与第一实施例相同的方法来实施神经网络的加权的学习，在步骤915中，当针对数据集Z的所有数据被辨别为神经网络的加权的学习均已完成时，进入步骤916并对神经网络的已学习加权进行存储，由此，与第一实施例同样地，生成了对被预测为本车辆1正处于在自家住宅与工作场所之间移动中的时间窗Δt中的SOC量的变化量ΔSOC进行预测的预测模型。
另一方面，当在步骤901中被辨别为图14所示的数据集中所存储的数据的数据数量中并不存在不均衡时，进入步骤910，并基于图14所示的数据集且使用与第一实施例相同的方法来实施图12所示的神经网络70的加权的学习，在步骤911中，当针对数据集的所有数据而均被辨别为图12所示的神经网络70的加权的学习已完成时，进入步骤912并对已学习的加权进行存储。由此，与第一实施例同样地，生成了对本车辆1是正处于在自家住宅与工作场所之间移动中、还是正停留在自家住宅、或是正停留在工作场所进行预测的预测模型。接着，进入步骤913。
如此，在该第三实施例中，当车辆正停留在自家住宅或工作场所时，车辆成为能够实施与外部的电力交付的状态，所存储的车辆状态预测模型包括，以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所之间移动中的预测结果的方式而进行了学习的第一预测模型，并且，通过向该第一预测模型中输入上述的至少三个信息，从而对是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所之间移动中进行预测。并且，所存储的车辆状态预测模型包括，使用第一预测模型的预测结果，以在输入上述的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果的方式而进行了学习的第二预测模型，并且，通过向该第二预测模型中输入上述的至少三个信息，从而对是车辆正停留在自家住宅、还是车辆正停留在工作场所进行预测。另外，在这种情况下，在与天气相关的信息中也包含有天气预报。
此外，在本发明的实施例中，提供了一种包括第一已学习模型和第二已学习模型在内的已学习模型。该第一已学习模型以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所间移动中的预测结果的方式来进行了学习，该第一已学习模型使计算机以如下方式来发挥功能，即，当输入上述的至少三个信息时，输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所间移动中的预测结果。此外，第二已学习模型在第一已学习模型输出了车辆正停留在自家住宅和工作场所中的某一方这一预测结果时，以在输入上述的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果的方式而进行了学习，该第二已学习模型使计算机以如下方式来发挥功能，即，在第一已学习模型输出了车辆正停留在自家住宅和工作场所中的某一方这一预测结果时，当输入上述的至少三个信息时，输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果。
此外，在本发明的实施例中，提供了一种包括第一程序和第二程序在内的程序、以及存储有包括该第一程序和第二程序在内的程序的计算机可读取的存储介质。
第一程序使计算机以如下方式来发挥功能，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息组成的至少三个信息，
向以在输入上述的至少三个信息时输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所间移动中的预测结果的方式而进行了学习的第一预测模型中，输入所取得的上述的至少三个信息，
从该第一预测模型中输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所间移动中的预测结果。
此外，第二程序使计算机以如下方式来发挥功能，即，
取得上述的至少三个信息，
在该第一预测模型输出了车辆正停留在自家住宅和工作场所中的某一方这一预测结果时，向以在输入上述的至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果的方式而进行了学习的第二预测模型中，输入上述的至少三个信息，
从该第二预测模型中输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果。

Claims (16)

1.一种车辆状态的预测装置，其对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测，其中，
所述车辆状态的预测装置存储有以在输入由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型，并且，通过向该车辆状态预测模型中输入该至少三个信息，从而对车辆是否成为能够实施与外部的电力交付的车辆状态进行预测。
2.如权利要求1所述的车辆状态的预测装置，其中，
当车辆正停留在能够实施与外部的电力交付的可电力交付停留场所之一处时，车辆成为能够实施与外部的电力交付的状态，且所存储的该车辆状态预测模型由以在输入上述至少三个信息时输出车辆是否正停留在该可电力交付停留场所处的预测结果的方式而进行了学习的停留预测模型所构成，并且，通过向该停留预测模型中输入上述至少三个信息，从而对车辆是否正停留在该可电力交付停留场所处进行预测。
3.如权利要求2所述的车辆状态的预测装置，其中，
该停留预测模型以输出被预测为车辆将会停留的该可电力交付停留场所、和车辆将会停留在所预测出的该可电力交付停留场所处的预测时间段的方式而进行了学习，并且，通过向该停留预测模型中输入上述至少三个信息，从而对车辆将会停留的该可电力交付停留场所和车辆将会停留的时间段进行预测。
4.如权利要求2所述的车辆状态的预测装置，其中，
所述车辆状态的预测装置存储有以输出由于该可电力交付停留场所之间的车辆的移动而产生的车辆的蓄电池的充电状态值的预测变化量的方式而进行了学习的充电状态预测模型，并且，通过向该充电状态预测模型中输入上述至少三个信息，从而对由于该可电力交付停留场所之间的车辆的移动而产生的充电状态值的变化量进行预测。
5.如权利要求2所述的车辆状态的预测装置，其中，
利用相同时间长度的时间窗来对一天24小时均等地进行分割，该停留预测模型以针对每个被分割出的时间窗而分别输出车辆是否正停留在该可电力交付停留场所处的预测结果的方式来进行了学习，并且，通过向该停留预测模型中输入上述至少三个信息，从而对车辆是否正停留在该可电力交付停留场所处进行预测。
6.如权利要求5所述的车辆状态的预测装置，其中，
该停留预测模型以针对每个被分割出的时间窗而分别输出车辆是否正停留在该可电力交付停留场所处、或车辆是否正在该可电力交付停留场所之间进行移动的预测结果的方式来进行了学习，并且，所述车辆状态的预测装置存储有以输出由于该可电力交付停留场所之间的车辆的移动而产生的车辆的蓄电池的充电状态值的预测变化量的方式来进行了学习的充电状态预测模型，并且，通过向该充电状态预测模型中输入上述至少三个信息，从而对由于该可电力交付停留场所之间的车辆的移动而产生的充电状态值的变化量进行预测。
7.如权利要求5所述的车辆状态的预测装置，其中，
各时间窗的时间长度为30分钟。
8.如权利要求1所述的车辆状态的预测装置，其中，
当车辆正停留在自家住宅或工作场所时，车辆成为能够实施与外部的电力交付的状态，所存储的该车辆状态预测模型由以在输入上述至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所之间移动中的预测结果的方式而进行了学习的车辆状态预测模型所构成，并且，通过向该车辆状态预测模型中输入上述至少三个信息，从而对是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所之间移动中进行预测。
9.如权利要求1所述的车辆状态的预测装置，其中，
当车辆正停留在自家住宅或工作场所时，车辆成为能够实施与外部的电力交付的状态，所存储的该车辆状态预测模型包括以在输入上述至少三个信息时输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所之间移动中的预测结果的方式而进行了学习的第一预测模型，并且，通过向该第一预测模型中输入上述至少三个信息，从而对是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所间移动中进行预测，而且，所存储的该车辆状态预测模型包括使用第一预测模型的预测结果，而以在输入上述至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果的方式而进行了学习的第二预测模型，并且，通过向该第二预测模型中输入上述至少三个信息，从而对是车辆正停留在自家住宅、还是车辆正停留在工作场所进行预测。
10.如权利要求1所述的车辆状态的预测装置，其中，
作为该车辆状态预测模型而准备有由不同的机器学习手法而生成的多个预测模型，并使用验证数据来对该多个预测模型的评价值进行验证，且在该多个预测模型中采用评价值最高的预测模型以作为该车辆状态预测模型。
11.如权利要求1所述的车辆状态的预测装置，其中，
作为该车辆状态预测模型的输入信息，除了车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息之外，还使用工作场所处的日程表信息、被搭载于车辆上的导航系统中的目的地信息、车辆的速度信息以及自家住宅中的消耗电力信息。
12.一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入该至少三个信息时输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果的方式而进行了学习的车辆状态预测模型中，输入所取得的该至少三个信息，
从该车辆状态预测模型中输出车辆是否成为能够实施与外部的电力交付的车辆状态的预测结果。
13.一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入该至少三个信息时输出能够实施与外部的电力交付的可电力交付停留场所且被预测为车辆将会停留的停留场所、和车辆将会停留在该预测出的停留场所处的预测时间段的方式而进行了学习的车辆状态预测模型中，输入所取得的该至少三个信息，
从该车辆状态预测模型中输出所预测出的该停留场所、和该预测时间段。
14.一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入该至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆正处于在自家住宅与工作场所之间移动中的预测结果的方式而进行了学习的车辆状态预测模型中，输入所取得的该至少三个信息，
从该车辆状态预测模型中输出是车辆正停留在自家住宅、还是车辆正停留在工作场所、或是车辆是否正处于在自家住宅与工作场所之间移动中的预测结果。
15.一种计算机可读取的存储介质，其存储有使计算机以如下方式来发挥功能的程序，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入该至少三个信息时输出由于可电力交付停留场所之间的车辆的移动而产生的车辆的蓄电池的充电状态值的预测变化量的方式而进行了学习的充电状态预测模型中，输入所取得的该至少三个信息，
从该充电状态预测模型中输出由于可电力交付停留场所之间的车辆的移动而产生的车辆的蓄电池的充电状态值的预测变化量。
16.一种计算机可读取的存储介质，其存储有包括第一程序和第二程序在内的程序，其中，
所述第一程序使计算机以如下方式来发挥功能，即，
取得由车辆的位置信息、与天气相关的信息、以及与日期时间相关的信息所组成的至少三个信息，
向以在输入该至少三个信息时输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所之间移动中的预测结果的方式而进行了学习的第一预测模型中，输入所取得的该至少三个信息，
从该第一预测模型中输出是车辆正停留在自家住宅和工作场所中的某一方、还是车辆正处于在自家住宅与工作场所之间移动中的预测结果，
所述第二程序使计算机以如下方式来发挥功能，即，
取得该至少三个信息，
在该第一预测模型输出了车辆正停留在自家住宅和工作场所中的某一方这一预测结果时，向以在输入该至少三个信息时输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果的方式而进行了学习的第二预测模型中，输入该至少三个信息，
从该第二预测模型中输出是车辆正停留在自家住宅、还是车辆正停留在工作场所的预测结果。
CN202111294286.5A 2020-11-05 2021-11-03 车辆状态的预测装置以及存储介质 Pending CN114523876A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020184936 2020-11-05
JP2020-184936 2020-11-05

Publications (1)

Publication Number Publication Date
CN114523876A true CN114523876A (zh) 2022-05-24

Family

ID=78516602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111294286.5A Pending CN114523876A (zh) 2020-11-05 2021-11-03 车辆状态的预测装置以及存储介质

Country Status (4)

Country Link
US (1) US20220135019A1 (zh)
EP (1) EP3995351A1 (zh)
JP (1) JP2022075508A (zh)
CN (1) CN114523876A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2978888B1 (ja) * 1998-06-29 1999-11-15 正 山本 配車計画システム
US20080039980A1 (en) * 2006-08-10 2008-02-14 V2 Green Inc. Scheduling and Control in a Power Aggregation System for Distributed Electric Resources
CA2648972A1 (en) * 2007-12-24 2009-06-24 Yaron Mayer System and method for improved electric cars and/or electric car batteries and/or improved infrastructures for recharging electric cars
JP2012120295A (ja) * 2010-11-30 2012-06-21 Mitsubishi Electric Corp 住宅電気エネルギー管理装置、住宅電気エネルギー管理システム、住宅電気エネルギー管理方法、および、プログラム
JP2013099140A (ja) * 2011-11-01 2013-05-20 Shimizu Corp 電力管理システム、電力管理方法、プログラム
CN103400203A (zh) * 2013-07-19 2013-11-20 西安交通大学 一种基于支持向量机的电动汽车充电站负荷预测方法
CN104124716A (zh) * 2013-04-26 2014-10-29 株式会社日立制作所 充放电引导控制方法和充放电引导控制装置
US20180150764A1 (en) * 2016-11-28 2018-05-31 Here Global B.V. Method and apparatus for providing automated generation of parking restriction data using machine learning
CN110103937A (zh) * 2018-02-01 2019-08-09 本田技研工业株式会社 车辆控制系统、车辆控制方法及存储介质
WO2020100288A1 (ja) * 2018-11-16 2020-05-22 住友電気工業株式会社 充電支援システム、方法、及びコンピュータプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080040263A1 (en) * 2006-08-10 2008-02-14 V2 Green, Inc. Business Methods in a Power Aggregation System for Distributed Electric Resources
US20080052145A1 (en) * 2006-08-10 2008-02-28 V2 Green, Inc. Power Aggregation System for Distributed Electric Resources
US8401708B2 (en) 2007-03-26 2013-03-19 Vpec, Inc. Electric power system
JP6108148B2 (ja) * 2012-05-30 2017-04-05 日本電気株式会社 情報処理装置、情報処理システム、情報処理システムの制御方法、情報処理方法、および情報処理プログラム
JP5623584B1 (ja) * 2013-04-19 2014-11-12 三菱電機株式会社 電動車両管理システム
US10703219B2 (en) * 2013-10-04 2020-07-07 Ford Global Technologies, Llc Vehicle battery charge setpoint control
US11055364B2 (en) * 2017-11-30 2021-07-06 International Business Machines Corporation Parking search time estimation using cognitive analytics
TWI751396B (zh) * 2017-12-29 2022-01-01 英屬開曼群島商睿能創意公司 管理複數個裝置交換站的方法及伺服器系統
WO2019140279A1 (en) * 2018-01-12 2019-07-18 Johnson Controls Technology Company Building energy optimization system with battery powered vehicle cost optimization
US10518750B1 (en) * 2018-10-11 2019-12-31 Denso International America, Inc. Anti-theft system by location prediction based on heuristics and learning
CN111326015A (zh) * 2020-03-27 2020-06-23 北京骑胜科技有限公司 一种停车点推荐方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2978888B1 (ja) * 1998-06-29 1999-11-15 正 山本 配車計画システム
US20080039980A1 (en) * 2006-08-10 2008-02-14 V2 Green Inc. Scheduling and Control in a Power Aggregation System for Distributed Electric Resources
CA2648972A1 (en) * 2007-12-24 2009-06-24 Yaron Mayer System and method for improved electric cars and/or electric car batteries and/or improved infrastructures for recharging electric cars
JP2012120295A (ja) * 2010-11-30 2012-06-21 Mitsubishi Electric Corp 住宅電気エネルギー管理装置、住宅電気エネルギー管理システム、住宅電気エネルギー管理方法、および、プログラム
JP2013099140A (ja) * 2011-11-01 2013-05-20 Shimizu Corp 電力管理システム、電力管理方法、プログラム
CN104124716A (zh) * 2013-04-26 2014-10-29 株式会社日立制作所 充放电引导控制方法和充放电引导控制装置
CN103400203A (zh) * 2013-07-19 2013-11-20 西安交通大学 一种基于支持向量机的电动汽车充电站负荷预测方法
US20180150764A1 (en) * 2016-11-28 2018-05-31 Here Global B.V. Method and apparatus for providing automated generation of parking restriction data using machine learning
CN110103937A (zh) * 2018-02-01 2019-08-09 本田技研工业株式会社 车辆控制系统、车辆控制方法及存储介质
WO2020100288A1 (ja) * 2018-11-16 2020-05-22 住友電気工業株式会社 充電支援システム、方法、及びコンピュータプログラム

Also Published As

Publication number Publication date
JP2022075508A (ja) 2022-05-18
US20220135019A1 (en) 2022-05-05
EP3995351A1 (en) 2022-05-11

Similar Documents

Publication Publication Date Title
US20210065073A1 (en) System and method for presenting electric vehicle charging options
CN105122585B (zh) 电动车辆管理系统
US11740098B2 (en) System and method for providing charging options based on electric vehicle operator activities
Sun et al. Dynamic traffic feedback data enabled energy management in plug-in hybrid electric vehicles
US20220050143A1 (en) System and method for presenting electric vehicle charging options based on a predicted charging speed
US9090255B2 (en) Hybrid vehicle fuel efficiency using inverse reinforcement learning
CN103688137B (zh) 驾驶辅助装置
CN111038334A (zh) 一种电动汽车续驶里程预测方法及装置
CN107791854A (zh) 用于估算电动车辆的可用行驶距离的系统和方法
US20080243330A1 (en) Stop-off facility guidance systems, methods, and programs
Jiang et al. SunChase: Energy-efficient route planning for solar-powered EVs
TW201422472A (zh) 電動車的充電後的行駛範圍預估方法、模組及駕駛輔助裝置
RU2709153C2 (ru) Заряд электротранспортного средства
Fotouhi et al. Electric vehicle energy consumption estimation for a fleet management system
US11938828B2 (en) Controlling the operation of a component in an electric vehicle
CN108082188A (zh) 车辆控制单元（vcu）及其操作方法
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
CN114498632A (zh) 基于新能源和充电设施的配电台区负荷预测方法及装置
CN114523876A (zh) 车辆状态的预测装置以及存储介质
Brunelli et al. A predictive control strategy based on A-ECMS to handle Zero-Emission Zones: Performance assessment and testing using an HiL equipped with vehicular connectivity
Helmus et al. SEVA: A data driven model of electric vehicle charging behavior
CN114043948B (zh) 车辆能耗测算方法、装置、电子设备及存储介质
US20230045214A1 (en) Systems and methods for dynamic charger reservations
Ferreira et al. Electric vehicle assistant based on driver profile
Martínez et al. Electric Vehicle Consumption Estimation based on Heuristics and MLP Artificial Neural Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination