JP2005291081A - 燃料消費量またはｃｏ２排出量の予測モデル作成方法、装置、およびプログラム - Google Patents

Abstract

【課題】実際に自動車を走行させることなく、限定された実験で得られたデータから各種走行パターンや車種における燃料消費量やＣＯ２排出量のデータを正確に推定できる予測モデルを作成する。
【解決手段】走行試験設備２での自動車走行試験により計測システム３で得られた計測データ１４Ａのうち、少なくとも各時点における当該自動車の動きに関係した成分を含むデータ（第１のモデル入力データ）および当該時点での動きの変化に関係した成分を含むデータ（第２のモデル入力データ）からなるモデル入力値と、燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データ１４Ｂを複数生成し、これら時系列データ１４Ｂに基づき新たな入力値から所望の出力値として燃料消費量またはＣＯ２排出量を推定する予測モデル１４Ｃを作成する。
【選択図】 図１

Description

本発明は、物理量の推定技術に関し、特に自動車の燃料消費量またはＣＯ２排出量を推定する予測モデルの作成技術に関するものである

近年、地球温暖化への取り組みが緊急の課題となっている中で、例えば道路計画の策定においては、地理的な面での利便性ばかりではなく、交通流の改善によるＣＯ２排出量の削減によって得られる地球温暖化防止対策への役割が大きなウエイトを占めるようになってきている。また、交通政策や車両の技術改善等、種々の対策により走行時の燃料消費量の抑制を実現することは、個々のユーザーの経済性に大きくプラスするのみならず、省エネルギー政策や地球温暖化対策にも多大な効果が得られる。

道路計画においては、道路の広さ、カーブ、勾配、信号停止等のさまざまな要素により自動車の燃料消費量やＣＯ２排出量が大きく変わることから、道路計画における費用対効果の面も十分考慮してプランニングが行われる必要がある。
したがって、このような道路計画のプランニングの際、高速道や市街地、地方都市、渋滞路など種々の走行条件および道路計画により交通の流れが変化した場合について、各車種の燃料消費量やＣＯ２排出量の傾向を予め得ておく必要がある。

一方、自動車メーカーでは、これまで例えば１０・１５モード燃費試験法で測定された燃費値を向上させることに車両の技術開発での努力を傾注してきた。これに対して、真にユーザーの利益にかなう車両として、ユーザーの使い方に応じて最も燃費に優れた車両を提供するという考え方もある。そのためには各種の走行条件における燃費性能を正しく推定評価して車両開発に反映できるツールが必要とされる。

なお、出願人は、本明細書に記載した先行技術文献情報で特定される先行技術文献以外には、本発明に関連する先行技術文献を出願時までに発見するには至らなかった。
特開２００３−１６１４４号公報

ここで、異なる走行条件や車種ごとに燃料消費量やＣＯ２排出量を得る方法として、実際に自動車を走行させて、あるいはシャシダイナモメータなどを用いて実験走行させることにより実測する方法が考えられる。
しかしながら、あらゆる車種のあらゆる走行パターンについての燃料消費量やＣＯ２排出量のデータを得ることは現実的には不可能であるという問題点があった。

例えば、一車種について、高速道や市街地、地方都市、渋滞路など種々の走行条件における燃料消費量ＣＯ２排出量などのデータを克明に調査したとしても、あらゆる車種や走行パターンのデータをそこから得ることは技術的に困難である。ましてや、すべての車種による広範な走行データを実際にシャシダイナモメータ上で走行して収集しようとすれば、膨大な実験工数、人員、費用が必要となるなど、この種のデータ取りを行うことを考えると、現実的には極めて困難である。したがって、任意の道路計画についてその総量抑制効果を推定することは困難であり、自動車の省エネルギー施策、地球温暖化対策を進める上で大きな障害となっていた。

また、自動車メーカーで、すべて実験によって車両の性能評価を行うのでは、実験量が膨大となることから、開発期間や人員等の面で費用が増加するという問題点もある。したがって、自動車メーカーからユーザーの使い方に応じて最も燃費に優れた車両を提供することは困難であった。

本発明はこのような課題を解決するためのものであり、実際に自動車を走行させることなく、限定された実験で得られたデータから各種走行パターンや車種における燃料消費量やＣＯ２排出量のデータを正確に推定できる燃料消費量またはＣＯ２排出量の予測モデル作成方法、装置、およびプログラムを提供することを目的としている。

このような目的を達成するために、本発明にかかる予測モデル作成方法は、自動車の燃料消費量またはＣＯ２排出量を推定する予測モデルの作成方法であって、走行試験設備での自動車走行試験により得られた計測データのうち、少なくとも各時点における当該自動車の動きに関係した成分を含む第１のモデル入力データおよび当該時点における動きに必要な出力に関係した成分を含む第２のモデル入力データからなるモデル入力値と、これらモデル入力値に対応する燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成する時系列データ生成ステップと、これら時系列データに基づき新たな入力値から所望の出力値を推定する予測モデルを作成するモデル作成ステップとを備えるものである。

この際、第１のモデル入力データとしては、計測データのうち自動車の速度を示すデータを用いてもよく、第２のモデル入力データとしては、計測データのうち自動車の駆動力、車両出力、または加速度のいずれか１つを示すデータを用いてもよい。

また、燃料消費量またはＣＯ２排出量に対して無駄時間および一次遅れ補正処理を行う一次遅れ補正ステップをさらに備え、時系列データ生成ステップで、モデル出力データとして、一次遅れ補正ステップで得られた無駄時間および一次遅れ補正処理後の燃料消費量またはＣＯ２排出量を用いるようにしてもよい。

また、第１または第２のモデル入力データを時間的にシフトさせて得られた第３のモデル入力データを出力する時間シフト補正ステップをさらに備え、時系列データ生成ステップで、モデル入力値として、第１および第２のデータに加えて時間シフト補正ステップで得られた第３のデータを用いるようにしてもよい。

モデル作成ステップの具体例としては、予測モデルとして、各時系列データのモデル入力値を所望の出力許容誤差に応じて量子化して得られた入力空間内の各部分区間ごとに、当該部分区間を示すデータと当該部分区間を代表するモデル出力値とからなる事例データを有する事例ベースを作成し、事例データのモデル出力値として、当該部分区間に属するモデル入力値を持つ１つ以上の時系列データに含まれるモデル出力値を代表する値を用いるようにしてもよい。

また、本発明にかかる予測モデル作成装置は、自動車の燃料消費量またはＣＯ２排出量を推定する予測モデルの作成装置であって、走行試験設備での自動車走行試験により得られた計測データのうち、少なくとも各時点における当該自動車の動きに関係した成分を含む第１のモデル入力データおよび当該時点における当該自動車の動きに必要な出力に関係した成分を含む第２のモデル入力データからなるモデル入力値と、これらモデル入力値に対応する燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成する時系列データ生成手段と、これら時系列データに基づき新たな入力値から所望の出力値を推定する予測モデルを作成するモデル作成手段とを備えるものである。

また、本発明にかかるプログラムは、コンピュータで、上記したいずれかの予測モデル作成方法の各ステップを実行させることにより、新たな入力値から所望の出力値を推定する予測モデルを作成するようにしたものである。

本発明によれば、実際に自動車を走行させることなく、限定された実験で得られたデータから各種走行パターンや車種における燃料消費量やＣＯ２排出量のデータを正確に推定できる予測モデルを容易に作成できる。
したがって、いくつかの典型的な車種によって、例えば排出ガス試験で適用される走行モードについて各瞬間の燃料消費量データやＣＯ２排出量のデータを計測し、本実施の形態にかかる予測モデルに入力することにより、同じ車の高速道走行や、市街地走行、渋滞時の走行においても、そのときの燃費やＣＯ２の総排出量を、実験を行うことなく正確に推定することができる。これにより、国や自治体における道路計画、交通施策等に活用できるだけでなく、車両開発メーカーでの開発の促進に大いに役立つ。

次に、本発明の実施の形態について図面を参照して説明する。
［第１の実施の形態］
まず、図１を参照して、本発明の第１の実施の形態にかかる予測モデル作成装置について説明する。図１は本発明の第１の実施の形態にかかる予測モデル作成装置の構成を示すブロック図である。
この予測モデル作成装置１は、全体として入力データを演算処理するパーソナルコンピュータなどの情報処理装置からなり、画面表示部１１、操作入力部１２、データインターフェース部（以下、データＩ／Ｆ部という）１３、記憶部１４、および制御部１５が設けられている。

本実施の形態にかかる予測モデル作成装置１は、走行試験設備２での自動車走行試験により計測システム３で得られた計測データ４のうち、少なくとも各時点における当該自動車の動きに関係した成分を含むデータ（第１のモデル入力データ）および当該時点での動きの変化（動きに必要な出力）に関係した成分を含むデータ（第２のモデル入力データ）からなるモデル入力値と、燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成し、これら時系列データに基づき新たな入力値から所望の出力値として燃料消費量またはＣＯ２排出量を推定する予測モデルを作成するようにしたものである。

［予測モデル作成装置の構成］
次に、予測モデル作成装置１を構成する各部について説明する。
画面表示部１１は、ＬＣＤやＣＲＴなどの画面表示装置からなり、制御部１５からの制御に基づき各種情報を画面表示する装置である。
操作入力部１２は、キーボードやマウスなどの操作入力装置からなり、オペレータの操作を検出して制御部１５へ出力する装置である。
データＩ／Ｆ部１３は、ＬＡＮなどの通信回線やＣＤ−ＲＯＭなどの記録媒体と制御部１５と間で計測データ４などの各種データを入出力する回路部である。

記憶部１４は、ハードディスクやメモリなどの記憶装置からなり、制御部１５での処理動作に用いるデータやプログラムを記憶する装置である。処理動作に用いるデータとしては、例えば、データＩ／Ｆ部１３から取り込んだ計測データ１４Ａ、制御部１５で予測モデルを作成するため計測データ１４Ａから生成した時系列データ１４Ｂ、および制御部１５で作成した予測モデル１４Ｃなどがある。またプログラムとしては、例えば制御部１５での予測モデル作成処理を実現するためのプログラム１４Ｄなどがある。なお、プログラム１４Ｄは、データＩ／Ｆ部１３を介して通信回線や記録媒体から予め取り込まれ記憶部１４に格納される。

計測データ１４Ａは、走行試験設備２での自動車走行試験により計測システム３で得られた計測データ４であり、自動車走行試験での当該車両の走行状態を示す。計測データ１４Ａの代表的なものとしては、自動車の駆動力、車速、加速度、車両出力、燃料消費量、およびＣＯ２排出量などがある。
時系列データ１４Ｂは、予測モデル１４Ｃの作成に用いられるモデル入力値とモデル出力値との組からなり、計測データ１４Ａに基づき制御部１５で生成される。
予測モデル１４Ｃは、与えられた入力値から対応する出力値を推定して出力するモデルであり、時系列データ１４Ｂに基づき制御部１５で作成される。

制御部１５は、ＣＰＵなどのマイクロプロセッサとその周辺回路を有し、記憶部１４からプログラム１４Ｄを読み込んで実行することにより、上記ハードウェアとプログラム１４Ｄとを協働させて各種機能手段を実現する機能部である。
機能手段としては、データ取得手段１５Ａ、一次遅れ補正手段１５Ｂ、時間シフト補正手段１５Ｃ、データ加工手段１５Ｄ、時系列データ生成手段１５Ｅ、およびモデル作成手段１５Ｆがある。

データ取得手段１５Ａは、データＩ／Ｆ部１３を介して計測データ４を取り込んで記憶部１４へ計測データ１４Ａとして格納する機能手段である。
一次遅れ補正手段１５Ｂは、計測データ１４Ａに含まれる無駄時間および一次遅れを補正する機能手段である。例えば、計測システム３で燃料消費量やＣＯ２排出量を計測する際、エンジンからセンサまでの計測配管の長さなどによりデータ値の変化に時間的遅延が生じ、車速などのようにほとんど遅延なく計測されるデータと計測タイミングにズレが生ずる。一次遅れ補正手段１５Ｂでは、後述する微分方程式を用いて上記ズレを補正する。

時間シフト補正手段１５Ｃは、任意のモデル入力データを時間軸上でシフトさせ、モデル入力値として用いる新たなモデル入力データ（第３のモデル入力データ）を生成する機能手段である。
データ加工手段１５Ｄは、予測モデルの推定精度を向上させるため、モデル入力値やモデル出力値として用いる計測データ１４Ａを加工する機能手段である。ここでの加工処理としては、例えば後述する移動平均補正などがある。

時系列データ生成手段１５Ｅは、計測データ１４Ａや、一次遅れ補正手段１５Ｂ、時間シフト補正手段１５Ｃ、データ加工手段１５Ｄで得られたデータに基づき、モデル入力値とこれに対応するモデル出力値との組から、予測モデル１４Ｃの作成に用いる時系列データ１４Ｂを生成する機能手段である。
モデル作成手段１５Ｆは、時系列データ１４Ｂに基づいて、与えられた入力値から対応する出力値を推定して出力する所望の予測モデル１４Ｃを作成する機能手段である。

［計測データ］
次に、図２を参照して、計測データ１４Ａについて説明する。図２は計測データ例である。
走行試験設備２は、例えばシャシダイナモメータなどのように、平坦な道路に相当するドラム、自動車の慣性質量に相当する回転慣性質量を与えるフライホイール、制御装置の指令により種々の走行抵抗を実現する動力吸収装置などを備え、ドラム上で車両を実験走行させる設備である。そして、この走行試験設備２を用いて、自動車を各種走行モードに基づき実験走行させることにより、その自動車の走行状態を示す計測データ４を計測システム３で計測する。

走行モードとは、排出ガス試験などで規定されている自動車の走行パターンである。例えば、１０モードはゴーストップの多い市街地を擬似した走行パターンを持つ走行モードであり、１０・１５モードは上記１０モードに高速道路やバイパスを含めた走行パターンを持つ走行モードである。このほか、新たな走行モードとしてＣＤモードやＥＤモードなどもある。

計測システム３では、走行試験設備２から自動車の車速、駆動力、車両出力、加速度、燃料消費量、およびＣＯ２排出量などの計測データ４を計測し、これがデータＩ／Ｆ部１３を介して取り込まれ、図２に示すような計測データ１４Ａとして記憶部１４へ格納される。
このうち、車速、駆動力、車両出力、加速度などのデータは車両の走行条件を示すモデル入力データであり、予測モデル１４Ｃのモデル入力値として用いられ、任意の走行条件から推定したい燃料消費量やＣＯ２排出量などのモデル出力データは、予測モデル１４Ｃのモデル出力値として用いられる。
また、モデル入力値については、車速、駆動力、車両出力、加速度などのデータすべて用いる必要はなく、例えばこれらのうちいずれか２つを組み合わせて用いてもよい。

モデル入力データのうち、車速Ｖは、任意の時点（計測タイミング）における単位時間あたりに車両が走行した距離であり、図２の例では単位として時速［ｋｍ／ｈ］が用いられている。
駆動力Ｔは、例えば、エンジンやタイヤの駆動力［Ｎ］×速度［ｋｍ／ｈ］で表され、車両出力Ｐは、例えば、エンジンやタイヤのトルク［Ｎ・ｍ］×回転数［ｒｐｍ］で表される。また加速度Ａは、任意の時点における単位時間あたりに変化した車両速度の変化量であり、図２の例では単位として重力加速度［Ｇ］が用いられている。

また、モデル出力データのうち、燃料消費量は、任意の時点における単位時間あたりに車両で消費された燃料の量であり、図２の例では単位として［ｃｃ／ｓｅｃ］が用いられている。
ＣＯ２排出量は、任意の時点における単位時間あたり単位出力あたりに車両から排出ガスとして排出されたＣＯ２（二酸化炭素）の量であり、例えば単位として［ｇ／ｓｅｃ］が用いられる。

［予測モデルと時系列データ］
次に、図３を参照して、予測モデル１４Ｃと時系列データ１４Ｂについて説明する。図３は予測モデルと時系列データを示す説明図である。
一般に、予測モデルとは、推定条件を示すモデル入力値と所望のモデル出力値との因果関係や推論過程をモデル化したものをいう。本実施の形態で扱う予測モデル１４Ｃは、図３に示すように、得られたモデル入力値５１、例えば自動車の駆動力や車両出力の値が与えられた際、そのモデル入力値５１に対応するモデル出力値５２、例えば燃料消費量やＣＯ２排出量を出力する。

このような予測モデル１４Ｃを作成するには、自動車の実際の振る舞いを示す時系列データ１４Ｂが必要となる。時系列データ１４Ｂは、予め得られたモデル入力値５１とモデル出力値５２との組み合わせからなる複数の組５３で構成される。これら組５３のモデル入力値５１とモデル出力値５２は、走行試験設備２において実際の車両で各種走行モード試験を行うことにより、計測システム３で当該車両の走行状態を示す計測データ４として計測され、記憶部１４へ計測データ１４Ａとして格納される。また、必要に応じて、制御部１５の一次遅れ補正手段１５Ｂやデータ加工手段１５Ｄにより計測データ１４Ａを補正処理したものを組５３のモデル入力値５１とモデル出力値５２として用いる。

また、予測モデル１４Ｃの構成としては、因果関係や推論過程が物理法則を用いた数式で表現される数式モデルでもよく、因果関係や推論過程が数式で明らかにされていないブラックボックス予測モデルでもよい。
このうち、ブラックボックス予測モデルとしては、事例ベース、ファジー推論ベース、さらにはニューラルネットワークなどを用いたモデルがある。特に、事例ベース推論モデルは、位相（Ｔｏｐｏｌｏｇｙ）の概念に基づき、システムの入出力関係の連続性が成り立つ一般的な対象に適用可能な公知のモデリング技術である（例えば、特開平１１−３７２８９８号公報など参照）。

一般的なモデリング技術では、モデルの次数やネットワーク構造などのモデルパラメータを同定する必要があるが、事例ベース推論モデルによれば、所望の出力許容誤差を指定することで入力空間の位相を同定している。すなわち、事例ベース推論モデルは、各時系列データのモデル入力値を所望の出力許容誤差に応じて量子化して得られた入力空間内の各部分区間ごとに事例データを有する予測モデルであり、各事例データは、当該部分区間を示すデータと、当該部分区間に属するモデル入力値を持つ１つ以上の時系列データに含まれるモデル出力値を代表する代表値とからなる。

したがって、各時系列データは上記のようにして同定された入力空間内の各部分区間に事例データとして蓄えられ、出力推定時にはそのモデル入力値に対応する部分区間の事例データの代表値が推定結果となる。また、この際、上記モデル入力値と予め蓄積されている事例データとの入力空間内における位相距離（類似度）により、その推定出力値の信頼性を示すことができる。

［予測モデル作成装置の動作］
次に、図４を参照して、本実施の形態にかかる予測モデル作成装置の動作について説明する。図４は本実施の形態にかかる予測モデル作成処理を示すフローチャートである。
制御部１５は、画面表示部１１に表示した処理メニューに対する操作入力部１２からの予測モデル作成指示に応じて、記憶部１４からプログラム１４Ｄを読み込んで実行することにより、図４の予測モデル作成処理を開始する。
ここでは、モデル入力値として、駆動力Ｔの移動平均値Ｔ＿ＭＡ２、出力Ｐの移動平均値Ｐ＿ＭＡ２、および車両出力Ｐの時間シフト補正値の移動平均値Ｐ＿ＭＡ２＿ＴＳ１，Ｐ＿ＭＡ２＿Ｔ１０を用い、モデル出力値として、燃料消費量Ｆの一次遅れ補正値の移動平均値Ｆ＿ＭＡ２＿ＤＣを用いる場合について説明する。

まず、制御部１５は、データ取得手段１５Ａで、データＩ／Ｆ部１３を介して計測システム３から計測データ４を取り込み、記憶部１４へ計測データ１４Ａとして格納する（ステップ１００）。この計測データ１４Ａの取り込みステップについては、予測モデル作成処理に先立って予め記憶部１４へ格納しておいてもよい。

次に、制御部１５は、一次遅れ補正手段１５Ｂで、記憶部１４の計測データ１４Ａからモデル出力データとして用いる燃料消費量Ｆを読み出して、無駄時間および一次遅れ補正処理を行う（ステップ１０１）。以下、無駄時間および一次遅れ補正処理を単に一次遅れ補正処理という。この一次遅れ補正処理は、図４の式（１）に示されているように、任意の計測タイミングに計測されたモデル出力データＦに微分成分ｄＦ／ｄｔと一次遅れ時定数Ｔとの積を加算することにより一次遅れ補正されたモデル出力データＦ＿ＤＣを算出する。

この一次遅れ補正処理の具体例として、図４の式（２）では、モデル出力データＦｉの計測タイミングｔｉに対して、ｔｉより３ステップ前のｔｉ−３に得られたモデル出力データＦｉ−３と、ｔｉより３ステップ後のｔｉ＋３に得られたモデル出力データＦｉ＋３とからｔｉにおける微分成分を算出している。そして、その微分成分と時定数Ｔとの積をＦｉに加算することにより、ｔｉにおける一次遅れ補正されたモデル出力データＦｉ＿ＤＣを得ている。

図５に一次遅れ補正の有無による燃料消費量Ｆの違いを示す。図５において、横軸は燃料消費量Ｆの計測タイミングｔｉを示す時刻であり、縦軸は燃料消費量Ｆである。一次遅れ補正を行った補正値２０２のほうが、実測値２０１に比較して敏感に変化しており、一次遅れが補正されていることがわかる。
なお、ＣＯ２排出量を推定する予測モデルを作成する場合には、計測データ１４Ａのうち燃料消費量Ｆに代えてＣＯ２排出量が用いられる。

また、制御部１５は、時間シフト補正手段１５Ｃで、記憶部１４の計測データ１４Ａからモデル入力データとして用いる車両出力Ｐを読み出して、時間シフト補正処理を行う（ステップ１０２）。
この時間シフト補正処理の具体例として、図４の式（３）では、モデル入力データｘｉの計測タイミングｔｉに対して、ｔｉより１ステップ前の計測タイミングｔｉ−１に得られたモデル入力データｘｉ−１をｔｉへ時間シフトさせることにより、ｔｉにおける時間シフト補正されたモデル入力データｘｉ＿ＴＳ１を得ている。同じく図４の式（４）では、ｔｉより１０ステップ前の計測タイミングｔｉ−１０に得られたモデル入力データｘｉ−１０をｔｉへ時間シフトさせることにより、ｔｉにおける時間シフト補正されたモデル入力データｘｉ＿ＴＳ１０を得ている。

次に、制御部１５は、データ加工手段１５Ｄで、記憶部１４の計測データ１４Ａから読み出した駆動力Ｔおよび車両出力Ｐと、一次遅れ補正手段１５Ｂにより得られた燃料消費量Ｆ＿ＤＣと、時間シフト補正手段１５Ｃにより得られた車両出力Ｐ＿ＴＳ１，Ｐ＿ＴＳ１０について、移動平均化処理を行う（ステップ１０３）。
この移動平均化処理の具体例として、図４の式（５）では、データｘｉの計測タイミングｔｉに対して、前後２ステップ内に得られた５つのデータｘｉ−２〜ｘｉ＋２の平均値を求めることにより、ｔｉにおける移動平均化されたデータｘｉ＿ＭＡ２を得ている。これにより、Ｔ＿ＭＡ２、Ｐ＿ＭＡ２、Ｆ＿ＭＡ２＿ＤＣ、Ｐ＿ＭＡ２＿ＴＳ１、およびＰ＿ＭＡ２＿ＴＳ１０が生成される。

そして、制御部１５は、時系列データ生成手段１５Ｅで、モデル入力値として用いる各モデル入力データ、すなわちＴ＿ＭＡ２、Ｐ＿ＭＡ２、Ｐ＿ＭＡ２＿ＴＳ１、およびＰ＿ＭＡ２＿ＴＳ１０と、モデル出力値として用いるモデル出力データＦ＿ＭＡ２＿ＤＣとを、それぞれの計測タイミングｔｉごとに組み合わせて個々の時系列データ１４Ｂを生成し、記憶部１４へ格納する（ステップ１０４）。

続いて、制御部１５は、モデル作成手段１５Ｆで、記憶部１４から履歴時系列データ１４Ｂを読み出し、所定のアルゴリズムを用いて、与えられた入力値から対応する出力値を推定して出力する予測モデル１４Ｃを作成し（ステップ１０５）、得られた予測モデル１４Ｃを記憶部１４へ格納して、一連の予測モデル作成処理を終了する。

予測モデル作成のアルゴリズムとしては、その推論モデルに応じたものが用いられる。例えば、数式モデルでは、モデル入力値として用いられる各モデル入力データを入力変数とし、モデル出力値として用いられるモデル出力データを出力変数とする線形関数あるいは非線形関数の解を、各時系列データに基づき導出する公知のアルゴリズムが用いられる。
また、ブラックボックス予測モデルのうちニューラルネットワークを用いたモデルでは、各時系列データを学習させる過程を繰り返し実行するものとなり、ファジー推論ベースを用いたモデルでは、各時系列データから個々のルールを生成させる過程を繰り返し実行するものとなる。

ブラックボックス予測モデルのうち事例ベースを用いたモデルでは、次のようなアルゴリズムとなる。まず、モデル入力値として用いられる各モデル入力データからなる入力空間を格子状に分割し、メッシュと呼ばれる複数の部分区間を設ける。この際、各メッシュに属するモデル入力値を持つ各時系列データのモデル出力値のばらつき幅が、与えられた出力誤差の許容幅以下となるようメッシュの大きさを決定する。そして、各メッシュごとに、そのメッシュに属するモデル入力値を持つ各時系列データのモデル出力値から、例えば平均値を求めることによりその代表値を算出する。そして、各メッシュについて、その入力空間を示すデータ、例えば当該メッシュの中央座標を示す各入力変数の値と上記代表値との組から事例データを生成し、これら事例データを予測モデルとすればよい。

［推定結果］
次に、図６を参照して、作成された予測モデルの推定結果について説明する。図６は本実施の形態にかかる予測モデル作成装置１で作成した予測モデル１４Ｃの推定結果を示すグラフである。
ここでは、図４で述べたように、予測モデル１４Ｃのモデル入力値として、駆動力Ｔ＿ＭＡ２と、車両出力Ｐ＿ＭＡ２と、時間シフト処理した車両出力Ｐ＿ＭＡ２＿ＴＳ１および車両出力Ｐ＿ＭＡ２＿ＴＳ１０とを用い、モデル出力値として、一次遅れ補正処理した燃料消費量Ｆｉ＿ＭＡ２＿ＤＣを用いた。図６の場合、実測値２１１と推定値２１２の相関値として、０．９７８７と極めて高い値が得られ、高精度で推定できる予測モデルを実現できた。なお、図６の推定値２１２は、一次遅れを含む実測値２１１と比較するため、予測モデル１４Ｃで得られたモデル出力値をさらに一次遅れ逆補正したものである。この逆補正については、図４の微分方程式（２）をオイラー法などにより数値的に解けばよい。

上記例では、モデル入力値としては、駆動力Ｔと車両出力Ｐ（駆動力×速度と同等）を元にしたものを用いたが、これらモデル入力値の組み合わせとして、いずれか一方に車速すなわち各時点における当該自動車の動きに関係した成分（動きを示す成分）を含むモデル入力データ（第１のモデル入力データ）を用い、他方に駆動力Ｔ、車両出力Ｐ、あるいは加速度Ａなど、当該時点における動きの変化（動きに必要な出力）に関係した成分（動きの変化を示す成分）を含むモデル入力データ（第２のモデル入力データ）を用いて、それぞれ予測モデルを作成した。
その結果、車速Ｖと駆動力Ｔとを元にしたモデル入力値の場合には、０．９６５８という高い相関値が得られ、車速Ｖと加速度Ａを元にしたモデル入力値の場合には、０．９６０５という高い相関値が得られた。また、車両出力Ｐに代えて計測データ１４Ａの駆動力Ｔと車速Ｖの積を用い、この積Ｔ×Ｖと車速Ｖを元にしたモデル入力値の場合には、０．９６６１という高い相関値が得られた。

このように、本実施の形態では、走行試験設備２での自動車走行試験により計測システム３で得られた計測データ４のうち、少なくとも各時点における当該自動車の動きに関係した成分を含むデータ（第１のモデル入力データ）および当該時点での動きの変化に関係した成分を含むデータ（第２のモデル入力データ）からなるモデル入力値と、燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成し、これら時系列データに基づき新たな入力値から所望の出力値として燃料消費量またはＣＯ２排出量を推定する予測モデルを作成するようにしたので、実際に自動車を走行させることなく、限定された実験で得られたデータから各種走行パターンや車種における燃料消費量やＣＯ２排出量のデータを正確に推定できる予測モデルを容易に作成できる。

したがって、いくつかの典型的な車種によって、例えば排出ガス試験で適用される走行モードについて各瞬間の燃料消費量データやＣＯ２排出量のデータを計測し、本実施の形態にかかる予測モデルに入力することにより、同じ車の高速道走行や、市街地走行、渋滞時の走行においても、そのときの燃費やＣＯ２の総排出量を、実験を行うことなく正確に推定することができる。これにより、国や自治体における道路計画、交通施策等に活用できるだけでなく、車両開発メーカーでの開発の促進に大いに役立つ。

［第２の実施の形態］
次に、図７を参照して、本発明の第２の実施の形態にかかる予測モデル作成装置について説明する。図７は本発明の第２の実施の形態にかかる予測モデル作成装置で得られた推定結果を示すグラフであり、横軸は燃料消費量Ｆの計測タイミングｔｉを示す時刻であり、縦軸は燃料消費量Ｆである。
前述した第１の実施の形態では、燃料消費量Ｆに対して一次遅れ補正手段１５Ｂで一次遅れ補正および移動平均処理を行った燃料消費量Ｆ＿ＭＡ２＿ＤＣをモデル出力データとして用いた場合について説明した。本実施の形態では、一次遅れ補正をせず移動平均処理だけを行った燃料消費Ｆ＿ＭＡ２を用いたものである。なお、予測モデル作成装置の構成やモデル入力値については第１の実施の形態と同じものを用いた。

この結果、図７に示されているように、モデル出力データについて一次遅れ補正しない場合でも、実測値２２１とほぼ同様に推移する推定値２２２が得られ、予測モデルによりある程度一次遅れに対応していることがわかる。
なお、この推定値２２２には、高周波成分が多く含まれており、一次遅れ補正処理を行った燃料消費量Ｆ＿ＭＡ２＿ＤＣを用いた図６の実測値２１１のほうが、実測値２１１と同様に安定して推移しており、一次遅れ補正処理による効果が得られている。

［第３の実施の形態］
次に、図８を参照して、本発明の第３の実施の形態にかかる予測モデル作成装置について説明する。図８は本発明の第３の実施の形態にかかる予測モデル作成装置で得られた推定結果を示すグラフであり、横軸は燃料消費量Ｆの計測タイミングｔｉを示す時刻であり、縦軸は燃料消費量Ｆである。
前述した第１の実施の形態では、計測データ１４Ａから得られた駆動力Ｔと車両出力Ｐに加えて、車両出力Ｐを時間シフト処理して得られたデータ（第３のモデル入力データ）として、車両出力Ｐ＿ＭＡ２＿ＴＳ１と車両出力Ｐ＿ＭＡ２＿ＴＳ１０とを用いた場合について説明した。本実施の形態では、時間シフト処理して得られた車両出力Ｐ＿ＭＡ２＿ＴＳ１と車両出力Ｐ＿ＭＡ２＿ＴＳ１０とを用いず、移動平均処理した駆動力Ｔ＿ＭＡ２と車両出力Ｐ＿ＭＡ２とをモデル入力値として用いたものである。なお、予測モデル作成装置の構成やモデル出力値については第１の実施の形態と同じものを用いた。

この結果、図８に示されているように、モデル入力データとして時間シフト処理したものを用いない場合でも、実測値２３１とほぼ同様に推移する推定値２３２が得られ、両者の相関値として０．９４６３という高い値が得られた。これは、第１の実施の形態の場合の相関値０．９７８７より低いものの、ある程度満足できる推定精度である。また、本実施の形態によれば、モデル作成に用いるモデル入力データの種類数を削減でき、時間シフト処理だけでなくモデル作成処理に要する時間を大幅に削減できる。なお、図８の推定値２３２は、一次遅れを含む実測値２３１と比較するため、予測モデル１４Ｃで得られたモデル出力値をさらに一次遅れ逆補正したものである。この逆補正については、図４の微分方程式（２）をオイラー法などにより数値的に解けばよい。

なお、以上では、一次遅れ補正処理として、図４の式（２）に示したように、計測タイミングｔｉの前後３ステップに得られた２つのデータを用いる場合を例として説明したが、これに限定されるものではなく、一次遅れ補正処理として好適な他のステップのデータを用いればよい。
また、時間シフト処理として、図４の式（３），（４）に示したように、計測タイミングｔｉの１０ステップ前、および１ステップ前のデータを用いる場合を例として説明したが、これに限定されるものではなく、時間シフト処理として好適な他のステップのデータを用いればよい。

また、移動平均処理として、図４の式（５）に示したように、計測タイミングｔｉの前後２ステップ内に得られた５つのデータを用いる場合を例として説明したが、これに限定されるものではなく、移動平均処理として好適な他のステップのデータを用いればよい。
また、モデル入力値として、車両出力Ｐを異なるシフト量で時間シフト処理した２つのデータ（第３のモデル入力データ）を加えた場合を例として説明したが、時間シフト補正の対象となるモデル入力データは、車両出力Ｐに限定されるものではなく他のモデル入力データに対して時間シフト補正を行い、得られたデータをモデル入力値として用いてもよい。また、時間シフト補正して新たに得るモデル入力データの数は、２つに限定されるものではなく、１つだけでもよく３つ以上でもよい。

また、以上では、少なくとも各時点における当該自動車の動きに関係した成分を含むデータ（第１のモデル入力データ）として車速Ｖを用い、当該時点での動きの変化に関係した成分を含むデータ（第２のモデル入力データ）として、駆動力Ｔ、車両出力Ｐ、および加速度Ａのうちのいずれかを用いた場合を例として説明したが、これに加えて他のデータをモデル入力値として用いてもよい。例えば、駆動力Ｔ、車両出力Ｐ、および加速度Ａのうちモデル入力値として採用していないものをさらに組み合わせてもよい。

また、モデル入力値として、エンジンの熱効率に影響するデータを追加してもよい。エンジンの熱効率に影響するデータとしては、例えば、冷却水温度、エアコン作動情報、外気温度などがある。このようなエンジンの熱効率に影響するデータをモデル入力値として加えることにより、これら条件が作用した場合の燃料消費量やＣＯ２排出量を精度よく推定できる。

［推定結果と実測値との比較］
次に、図９〜１４を参照して、前述した第２の実施の形態にかかる予測モデル作成装置で作成した予測モデルの推定結果と実測値との比較について説明する。以下では、ＣＤ３４モードで実験走行して得られた計測データに基づき予測モデルを作成し、その予測モデルで推定した燃料消費量と、実際に車両を走行させて得られた燃料消費量とを比較する。なお、予測モデル作成用のモデル入力データとしては、車両出力、駆動力、加速度、速度を用いた。この際、各モデル入力データは、前後２ステップ内に得られた５つのデータを移動平均化処理して用いた。また、一次遅れ補正処理や時間シフト処理は実施していない。

まず、図９について説明する。図９は、各種走行モードの全区間における燃料消費量の平均値について実測値と推定結果とを比較したグラフであり、横軸に走行モード、縦軸に燃料消費量をとったものである。いずれの走行モードにおいても実測値との誤差が０．７ｋｍ／ｌ（７．０％）以下と小さく、良好な推定結果が得られていることがわかる。

次に、図１０〜１４について説明する。図９では、各走行モードにおける燃料消費量の平均値について比較したが、図１０〜１４では、各走行モードのうちの一部の区間、ここでは車速が低速から高速を経て低速に戻る１つのピーク区間について燃料消費量を比較した。図１０〜１４は、それぞれ１０−１５モード、地方道走行、高速道走行、都市内渋滞路、および都市内一般道に関するグラフであり、横軸に実測した燃料消費量、縦軸に推定した燃料消費量をとったものである。

いずれの走行モードにおいても、実測値と推定値との相関係数Ｒ２＝０．９８以上となり、両者の相関が極めて高いことがわかる。また、両者の関係が直線で表現でき、この傾きを補正すれば極めて高い推定値が得られる。

このように、本実施の形態によれば、実験走行で得られた計測データから作成した推定モデルに基づき、実際に走行して得られる計測値を極めて高い精度で推定できる。特に、その推定結果については、図９に示すような全区間にわたる推定、さらには図１０〜１４に示すような一部区間における推定のいずれについても高い精度が得られていることがわかる。
また、１種類の走行モードの実験走行で得られた計測データから推定モデルを作成した場合でも、他の走行モードについて高い精度で推定することが可能であり、推定モデルを作成するのに必要な計測データが少なくて済み、モデル作成のための作業負担を大幅に削減できる。

本発明の第１の実施の形態にかかる予測モデル作成装置の構成を示すブロック図である。 図１の予測モデル作成装置で用いられる計測データ例である。 予測モデルと時系列データを示す説明図である。 本発明の第１の実施の形態にかかる予測モデル作成処理を示すフローチャートである。 一次遅れ補正の有無による燃料消費量の違いを示すグラフである。 図４の予測モデル作成処理例で得られた推定結果を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果を示すグラフである。 本発明の第３の実施の形態にかかる予測モデル作成処理例で得られた推定結果を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（各走行モード，全区間）を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（１０−１５モード，一部区間）を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（地方道走行，一部区間）を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（高速道走行，一部区間）を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（都市内渋滞路，一部区間）を示すグラフである。 本発明の第２の実施の形態にかかる予測モデル作成処理例で得られた推定結果と実測値との比較（都市内一般道，一部区間）を示すグラフである。

符号の説明

１…予測モデル作成装置、１１…画像表示部、１２…操作入力部、１３…データＩ／Ｆ部、１４…記憶部、１４Ａ…計測データ、１４Ｂ…時系列データ、１４Ｃ…予測モデル、１４Ｄ…プログラム、１５…制御部、１５Ａ…データ取得手段、１５Ｂ…一次遅れ補正手段、１５Ｃ…時間シフト補正手段、１５Ｄ…データ加工手段、１５Ｅ…時系列データ生成手段、１５Ｆ…モデル作成手段、２…走行試験設備、３…計測システム、４…計測データ。

Claims (8)

1. 自動車の燃料消費量またはＣＯ２排出量を推定する予測モデルの作成方法であって、
   走行試験設備での自動車走行試験により得られた計測データのうち、少なくとも各時点における当該自動車の動きに関係した成分を含む第１のモデル入力データおよび当該時点における当該自動車の動きに必要な出力に関係した成分を含む第２のモデル入力データからなるモデル入力値と、これらモデル入力値に対応する燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成する時系列データ生成ステップと、
   これら時系列データに基づき新たな入力値から所望の出力値を推定する予測モデルを作成するモデル作成ステップとを備えることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
2. 請求項１に記載の燃料消費量またはＣＯ２排出量の予測モデル作成方法において、
   前記第１のモデル入力データは、前記計測データのうち前記自動車の速度を示すデータからなることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
3. 請求項１に記載の燃料消費量またはＣＯ２排出量の予測モデル作成方法において、
   前記第２のモデル入力データは、前記計測データのうち前記自動車の駆動力、車両出力、または加速度のいずれか１つを示すデータからなることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
4. 請求項１に記載の燃料消費量またはＣＯ２排出量の予測モデル作成方法において、
   前記計測データの燃料消費量またはＣＯ２排出量に対して無駄時間および一次遅れ補正処理を行う一次遅れ補正ステップをさらに備え、
   前記時系列データ生成ステップは、前記モデル出力データとして、前記一次遅れ補正ステップで得られた無駄時間および一次遅れ補正処理後の燃料消費量またはＣＯ２排出量を用いることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
5. 請求項１に記載の燃料消費量またはＣＯ２排出量の予測モデル作成方法において、
   前記第１または第２のモデル入力データを時間的にシフトさせて得られた第３のモデル入力データを出力する時間シフト補正ステップをさらに備え、
   前記時系列データ生成ステップは、前記モデル入力値として、前記第１および第２のデータに加えて前記時間シフト補正ステップで得られた前記第３のデータを用いることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
6. 請求項１に記載の燃料消費量またはＣＯ２排出量の予測モデル作成方法において、
   前記モデル作成ステップは、前記予測モデルとして、前記各時系列データのモデルモデル入力値を所望の出力許容誤差に応じて量子化して得られた入力空間内の各部分区間ごとに、当該部分区間を示すデータと当該部分区間を代表するモデル出力値とからなる事例データを有する事例ベースを作成し、
   前記事例データのモデル出力値は、当該部分区間に属するモデル入力値を持つ１つ以上の時系列データに含まれるモデル出力値を代表する値からなることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成方法。
7. 自動車の燃料消費量またはＣＯ２排出量を推定する予測モデルの作成装置であって、
   走行試験設備での自動車走行試験により得られた計測データのうち、少なくとも各時点における当該自動車の動きに関係した成分を含む第１のモデル入力データおよび当該時点における当該自動車の動きに必要な出力に関係した成分を含む第２のモデル入力データからなるモデル入力値と、これらモデル入力値に対応する燃料消費量またはＣＯ２排出量を示すモデル出力データからなるモデル出力値との組から時系列データを複数生成する時系列データ生成手段と、
   これら時系列データに基づき新たな入力値から所望の出力値を推定する予測モデルを作成するモデル作成手段とを備えることを特徴とする燃料消費量またはＣＯ２排出量の予測モデル作成装置。
8. コンピュータで、請求項１〜６のいずれかに記載の予測モデル作成方法の各ステップを実行させることにより、新たな入力値から所望の出力値を推定する予測モデルを作成するプログラム。
   

Images