JP2018136754A - 情報処理装置、モビリティデータ収集システム - Google Patents

Abstract

【課題】車両から得られた情報を管理するセンタシステムにおいて、データの維持管理コストを削減しつつサービスの精度を維持する。
【解決手段】所定の収集条件に従って車両から受信したプローブ情報を記憶部に蓄積する蓄積処理部と、蓄積されたプローブ情報に基づいて、あるサービスに関するサービス情報の車両への配信条件となる事象が生じたか否かを判定するためのモデルを生成するモデル生成部と、生成されたモデルにしたがって配信されたサービス情報に含まれる事象が所定の精度で生じたか否かを判定するモデル評価部と、事象が所定の精度で生じたと判定された場合、蓄積されたプローブ情報のうち他のサービスで使用していないプローブ情報を削除する削除部と、を備える。
【選択図】 図５

Description

本発明は、複数の車両に搭載されたセンサ情報を収集、解析する情報処理装置および車両側へ情報を配信するモビリティデータ収集システムに関する。

近年、モノのインターネット（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：ＩｏＴ）に関するサービスが拡大しており、モノにとりつけられたセンサ情報など、収集するデータ量が増加し続けている。

自動車の分野でも走行データ（プローブデータ）を活用した様々なテレマティクスサービスが提供されている。一例として、走行時の位置情報や加速度情報などを用いてドライバの運転を評価し、安全運転の度合いに応じて保険料が変動する自動車保険の様なテレマティクスサービスや、複数車両の位置と速度情報を分析することでより詳細な渋滞情報を配信するテレマティクスサービスが提供されている。

また、自動車の分野では自動運転も実用化されようとしている。自動運転の普及に伴い、カーシェアなどがより一層進むと考えられる。その場合、自動車の所有者とドライバが別々になるため、自動運転車両に乗車するユーザは自動車のメンテナンスなどを気にする機会が減り、自動車の故障リスクが高まる。そのため、故障を未然に防ぐための故障予兆診断サービス等の重要性が増してくると予想される。

一方、プローブデータを収集するテレマティクスセンタと接続する自動車（コネクティッドビークル）の台数が爆発的に増加している。そのため、テレマティクスセンタと自動車間の通信量が膨大となり、プローブデータの保存には非常に大規模なストレージが必要となっている。また、画像データも収集する場合には、通常集めていたプローブデータと比較して非常に大きなデータを扱うため、さらに大規模なストレージが必要となる。加えて、自動運転を見据えて自動車に搭載されるカメラなどを含めた車載センサの数は増加傾向にあり、これらのデータ全てをセンタで収集・解析・活用するビックデータサービスでは、膨大なデータ維持管理コストが必要で、データ量の増大に伴い分析の処理時間が遅くなるという問題点もある。

データの維持管理コストという問題は自動車の分野以外にも存在している。例えば、工場内の作業員の作業風景を撮影した動画情報から、異常行動を検出した際にアラートを上げることで歩留まりの向上を目的とした作業映像解析サービスでは、複数のカメラで撮影した動画情報を蓄積するため、より一層データ管理コストが膨大になる。この様にＩｏＴ関連サービスの普及に伴い様々な分野でデータの維持管理コストが問題となる。

データ維持管理に関する問題の対策として、特許文献１では、データの保管起点と保管有効期限を設定し、期限が過ぎたデータを自動削除するシステムを提供している。

特開２００３−３３０７６３号公報

しかしながら、上記特許文献１に記載の技術では、センタが登録されてからの経過日数に応じて自動でデータを削除するため、古くても重要な情報を削除してしまうことでサービスの質に影響を与える場合がある。例えば自動車の故障診断サービスを提供する場合、十分な量のパーツ情報が収集されれば、それだけ故障診断の精度が高まると考えられる。しかし、市場流通量の少ない車両のパーツはデータ量がそもそも少ない。そういったパーツ情報は登録されてからの経過日数が長くとも、故障診断の精度向上に有益な情報となる。つまり、上記特許文献１に記載の技術では有益な情報まで削除してしまうため、サービスの質に影響を与える可能性がある。

そこで本発明は、蓄積された各種センサ情報の必要性を機械学習モデルに基づき判定し、車両側のデータ収集条件を変更することでセンタ側のデータ維持管理コストを削減することを目的とする。

本発明の代表的な一例は次の通りである。すなわち本発明は、所定の収集条件に従って車両から受信したプローブ情報を記憶部に蓄積する蓄積処理部と、蓄積された前記プローブ情報に基づいて、あるサービスに関するサービス情報の前記車両への配信条件となる事象が生じたか否かを判定するためのモデルを生成するモデル生成部と、生成された前記モデルにしたがって配信された前記サービス情報に含まれる前記事象が所定の精度で生じたか否かを判定するモデル評価部と、前記事象が所定の精度で生じたと判定された場合、蓄積された前記プローブ情報のうち他のサービスで使用していない前記プローブ情報を削除する削除部と、を備えることを特徴とする情報処理装置として構成される。

また、本発明は、上記情報処理装置を備えたモビリティデータ収集システムとしても把握される。

本発明によれば、センタ側のデータ維持管理コストを削減することができる。

第１実施形態におけるシステム全体構成図を示す一例である。 データ蓄積処理の一例を示す処理フロー図である。 収集条件情報一例である。 機械学習モデル評価フロー図の一例である。 データ削除フロー図の一例である。 蓄積データを示すＤＢスキーマの一例である。 収集条件変更処理フロー図の一例である。 サービス情報配信処理フロー図の一例である。 サービス情報出力時の例を示すイメージ図である。 センタ管理画面の一例を示すイメージ図である。 機械学習モデルが更新される様子を示すイメージ図である。 判定テーブルの例を示す図である。

以下、本発明の実施形態について、図面を参照しつつ説明する。

図１は、本実施例によるモビリティデータ収集システム１０００の構成図である。モビリティデータ収集システム１０００は、テレマティクスセンタ１００と、車両２００と、外部サービス３００とがネットワーク４００を介して接続されることで構成される。外部サービス３００とは、例えば、気象情報を公開するＷｅｂサービスや道路交通情報を配信するＷｅｂサービス等、コンテンツを提供するサービスである。実際には、外部サービス３００は、サーバ等の情報処理装置を有し、当該情報処理装置から上記サービスに関する様々なコンテンツが提供される。なお、本実施例において外部サービス３００はなくともよい。ネットワーク４００は、携帯電話網、インターネット網、無線ＬＡＮ等の近距離無線通信網や、あるいはそれら複数の組み合わせで構成された一般的な回線網である。

テレマティクスセンタ１００は、サーバ等の情報処理装置を有し、当該情報処理装置は、演算処理装置１１０と、記憶装置１２０と、通信部１３０と、入出力装置１４０と、を有して構成される。テレマティクスセンタ１００は、カーナビやＧＰＳ（Global Positioning System）等の車載機と移動体通信システムとを利用して、様々な情報やサービスを車両２００に提供するセンタである。

演算処理装置１１０は、さらに、車両２００から送信されたデータや外部サービス３００から送信されたデータを受信するデータ受信部１１１と、受信したデータを記憶装置１２０にデータ毎に必要な処理を施して格納するデータ蓄積処理部１１２と、記憶装置１２０に蓄積されたデータを基に提供するサービスに応じた機械学習モデルを作成・更新する機械学習モデル作成部１１３と、作成された機械学習モデルがサービスの提供基準を満たしているかを評価する機械学習モデル評価部１１４と、サービスの提供基準を満たした機械学習モデルが作成された場合に既に蓄積済みのデータの中から他サービスに利用しないデータの統計情報を算出し新たに記憶装置１２０へ蓄積する統計処理部１１５と、統計情報の算出に利用した元データを記憶装置１２０から削除するデータ削除部１１６と、削除したデータに応じて車両が収集するデータの条件を新しく作成する収集条件作成部１１７と、受信したデータに対して作成した機械学習モデルがサービスを提供するか否かを判定するサービス提供判定部１１８と、サービスを提供する場合に車両２００へ送信するサービス情報のコンテンツを作成するサービス情報作成部１１９と、を有する。

後述するように、データ蓄積処理部１１２は、所定の収集条件に従って車両から受信したプローブ情報を記憶部に蓄積する。また、機械学習モデル作成部１１３は、蓄積されたプローブ情報に基づいて、あるサービスに関するサービス情報の車両への配信条件となる事象が生じたか否かを判定するための機械学習モデルを生成する。また、機械学習モデル評価部１１４は、生成された機械学習モデルにしたがって配信されたサービス情報に含まれる上記事象が所定の精度で生じたか否かを判定する。また、データ削除部１１６は、上記事象が所定の精度で生じたと判定された場合、蓄積されたプローブ情報のうち他のサービスで使用していないプローブ情報を削除する。また、機械学習モデル作成部１１３は、上記事象が一定以上の精度で生じていないと判定された場合、生成されたモデルを、車両から受信したプローブ情報のうち異常を示すプローブ情報を異常状態として識別した新たなモデルに更新する。また、収集条件作成部１１７は、削除されたプローブ情報を送信した車両の収集条件を所定の収集条件から削除した新たな収集条件を作成する。統計処理部１１５は、所定の収集条件にしたがって収集されたプローブ情報のうち他のサービスに使用していないプローブ情報の統計情報を算出し、データ削除部１１６が、上記統計情報に基づいて、他のサービスで使用していないプローブ情報を削除する。

演算処理装置１１０は、ハードウェアとしては、例えば、一般的なＣＰＵ（Central Processing Unit）から構成される。演算処理装置１１０が備える上記各部の機能は、演算装置１１０にインストールされたプログラムを実行することにより実現される。上記プログラムは、ＲＯＭ（Read Only Memory）等の記憶媒体にあらかじめ組み込まれて提供されたり、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録して提供されたり、配布されてもよい。さらには、上記プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供または配布されてもよい。

記憶装置１２０は、さらに、各車両がどの収集条件であるかを管理する収集条件情報１２１と、登録されたユーザの個人情報などを記録するユーザ情報１２２と、車両の加速度や位置などの車両の走行に関する情報を蓄積するプローブ情報１２３と、地図情報１２４と、パーツごとのセンサ情報を記録するパーツ情報１２５と、車両ごとに車種や年式、使われているパーツ情報などを記録する車両情報１２６と、外部サービス３００から取得した情報を記録する外部情報１２７と、機械学習モデル評価部によって評価された結果を記録するモデル評価情報１２８と、衝突防止用の前方カメラやオーバビューカメラなどにより撮影された動画情報１２９と、を有する。本例では、プローブ情報１２３と動画情報１２９とを分けて記憶しているが、動画情報１２９をプローブ情報１２３に含めてもよい。記憶装置１２０は、ハードウェアとしては、例えば、一般的なＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）から構成される。

通信部１３０は、ネットワーク４００を介して、テレマティクスセンタ１００と車両２００または外部サービス３００との間におけるデータを送受信する。通信部１３０は、ハードウェアとしては、例えば、一般的なモデムから構成される。

入出力装置１４０は、テレマティクスセンタ１００のオペレータからの操作を受け付け、本システムで行われた処理の結果を表示する。入出力装置１４０は、ハードウェアとしては、例えば、ＰＣ（Personal Computer）やタブレット端末から構成される。

車両２００は、センサ２１０と、演算処理装置２２０と、記憶装置２３０と、通信部２４０と、入出力装置２５０と、車載端末２６０と、を有して構成される。車両２００は、カーナビやＧＰＳ（Global Positioning System）等の車載機と移動体通信システムとを利用して、テレマティクスセンタ１００から様々な情報やサービスを受ける移動体である。

センサ２１０は、車両２００の状態を検知するためのセンサである。センサ２１０としては、例えば、車両２００に備えられた速度センサ、加速度センサ、アクセル開度センサ、ブレーキ開度センサ、ステアリングセンサ、勾配センサ、ＧＰＳセンサ、温度センサ、歪みセンサ、カメラ、赤外線センサ、ライダー、ミリ波センサ、超音波センサなどが考えられる。なお、センサ２１０は上記以外のセンサでもよい。

演算処理装置２２０は、センサ２１０が検知したセンサ情報をどういう条件で収集するか確認する収集条件確認部２２１と、収集したデータをテレマティクスセンタ１００へ送信するデータ送信処理部２２２と、テレマティクスセンタ１００から送信された新しい収集条件やサービス情報を受信して処理するデータ受信処理部２２３と、受信した新しい収集条件を記憶装置２３０に設定する収集条件設定部２２４と、センサ情報を記憶装置２３０に蓄積するデータ蓄積処理部２２５と、を有する。

演算処理装置２２０は、ハードウェアとしては、例えば、一般的なＣＰＵから構成される。演算装置２２０が備える上記各部の機能は、演算装置２２０にインストールされたプログラムを実行することにより実現される。上記プログラムは、ＲＯＭ等の記憶媒体にあらかじめ組み込まれて提供されたり、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録して提供されたり、配布されてもよい。さらには、上記プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供または配布されてもよい。

記憶装置２３０は、センサ２１０で収集した走行データなどを蓄積したプローブ情報２３１、地図情報２３２、収集条件設定部２２４で登録された収集条件を記録する収集情報２３３、カメラ映像などの動画情報２３４を有する。本例では、プローブ情報２３１と動画情報２３４とを分けて記憶しているが、動画情報２３４をプローブ情報２３１に含めてもよい。記憶装置２３０は、ハードウェアとしては、例えば、一般的なＨＤＤやＳＳＤから構成される。

入出力装置２５０は、運転者等のユーザからの操作を受け付け、本システムで行われた処理の結果を表示する。入出力装置２５０は、ハードウェアとしては、例えば、カーナビやスマートフォン、タッチスクリーンなどが考えられる。

車載端末２６０は、車両２００の動作を電気的に制御する。車載端末２６０は、ハードウェアとしては、例えば、ＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）やＴＣＵ（Ｔｅｌｅｍａｔｉｃｓ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）、カーナビ、スマートフォン、ドライブレコーダなどが考えられる。

テレマティクスセンタ１００が提供するサービスの例として、車両２００の故障予兆を機械学習により検出した場合に車両２００の入出力装置２５０にアラートを提示して、ユーザに故障が発生するよりも前にメンテナンスに誘導するサービスが考えられる。さらにサービスの例として、複数車両の走行データや、外部サービス３００から得られた情報を複合的に分析する機械学習により、これからユーザが走行するルート上で渋滞が発生するかどうかを判定し、渋滞が発生すると予測される場合に渋滞を回避するルートを入出力装置２５０に提示する渋滞予想サービスなども考えられる。なお、本実施例による技術を用いて提供できるテレマティクスサービスは上述した２種類である必要はなく、別のサービスでもよい。

図２を用いてデータ蓄積処理フローの一例を説明する。車両２００が運転開始（Ｓ２００１）した場合、演算処理装置２２０は、センサ２１０から車両センサ情報取得（Ｓ２００２）を開始する。収集するデータとしては車両の位置情報、速度情報、加速度情報、アクセル操作情報、ブレーキ操作情報、ハンドル操作情報、車両勾配情報、温度情報、カメラ映像、障害物との距離情報などが考えられる。なお、上述した以外のデータを取得してもよい。

収集条件確認部２２１は、記憶装置２３０上の収集条件情報２３３に設定された収集条件と取得したセンサ情報を比較して収集条件に合致するか否かを判定する（Ｓ２００３）。収集条件の詳細については後述する。収集条件に合致しない場合（Ｓ２００３：Ｎｏ）、再び車両センサ情報取得処理（Ｓ２００２）に戻る。収集条件に合致する場合（Ｓ２００３：Ｙｅｓ）、データ蓄積処理部２２５は、該当した収集条件に従い収集したセンサ情報を記憶装置２３０にプローブ情報２３１、もしくは動画情報２３４として蓄積する（Ｓ２００４）。プローブ情報２３１には、上記センサ情報と、当該センサ情報が収集されたときの日時を示すセンサ取得日時情報、当該センサのＩＤ（Identifier）等とが対応付けて記憶される。また、動画情報２３４には、センサ情報と同様、上記動画情報２３４と、当該動画情報２３４が収集されたときの日時を示す動画取得日時情報、当該動画のＩＤ等とが対応付けて記憶される。

さらに、データ送信処理部２２２は、データ蓄積処理部２２５が蓄積したデータをテレマティクスセンタ１００へ送信する（Ｓ２００５）。実際には、データ蓄積処理部２２５は、上記プローブ情報２３１や動画情報２３４のほか、これらの情報がどの車両から取得されたものかを識別するための車両ＩＤ（例えば、ナンバープレートや車体番号）と、当該車両の所有者であるユーザを識別するためのユーザ情報（例えば、氏名、年齢、住所、免許証番号）とを対応付けて、テレマティクスセンタ１００に送信する。上記車両ＩＤ、上記ユーザ情報は、あらかじめ記憶装置２３０に記憶しておけばよい。

テレマティクスセンタ１００のデータ受信処理部１１１がデータを受信（Ｓ２００６）した後、受信したデータをデータ蓄積処理部１１２が記憶装置１２０にプローブ情報１２３、もしくは動画情報１２９として蓄積する（Ｓ２００７）。データ蓄積処理部１１２は、複数の車両２００から受信した上記プローブ情報２３１、上記動画情報２３４を、車両ＩＤごとユーザ情報ごとに日付順に並べ替えて履歴形式で記憶装置１２０に蓄積する。

図３を用いてセンサ情報の収集条件の一例について説明する。図３は、本実施例における収集条件情報２３３の一例である。収集条件情報２３３は、車両条件テーブル２３３１と、トリガ条件テーブル２３３２と、データ条件テーブル２３３３とを含む。

車両条件テーブル２３３１には、条件ＩＤ３００と、収集開始条件３０１と、収集終了条件３０２と、対象車両３０３と、収集トリガ３０４とが対応付けて記憶されている。トリガ条件テーブル２３３２には、収集トリガＩＤ３１０と、トリガ開始条件３１１と、トリガ終了条件３１２と、収集データＩＤ３１３と、優先度３１４と、動作周期３１５とが対応付けて記憶されている。データ条件テーブル２３３３には、収集データＩＤ３２０と、データ種別３２１と、サンプリングレート３２２と、収集計算式３２３とが対応付けて記憶されている。

なお、車両条件テーブル２３３１、トリガ条件テーブル２３３２、データ条件テーブル２３３３は、それぞれサービスに応じて上記以外の要素を含んでもよいし、要素を減らしてもよい。また、トリガ条件テーブル２３３２そのものを含まず、車両条件テーブル２３３１の収集トリガ３０４の代わりにデータ条件を設定し、車両条件だけで収集するデータ条件を設定してもよい。

図３に示す例では、収集条件として条件ＩＤ３００がＣ＃１とＣ＃２の２条件が登録されている。Ｃ＃１は、収集開始条件３０１としてエンジンｏｎと収集終了条件としてエンジンoffが設定されているため、エンジンが起動している間にセンサ２１０が検知したセンサ情報が全て収集される。また、Ｃ＃１は、対象車両３０３としてメーカＡの車種Ｂのみに収集条件が絞りこまれていることを示している。さらに、Ｃ＃１は、収集トリガ３０４としてＴ＃１とＴ＃２の２種類が登録されている。

同様にＣ＃２はワイパーが起動している間にセンサ２１０が検知したセンサ情報が全て収集される。また、車両年式が２０１０年１月以降の車両に絞り込み、収集トリガとしてＴ＃１とＴ＃３の２種類を基準にセンサ情報が収集される。

収集トリガ３０４は、それぞれトリガ条件テーブル２３３２の収集トリガＩＤ３１０に設定されている。Ｔ＃１は、トリガ開始条件３１１とトリガ終了条件３１２は何も設定されていないため、全ての情報を収集することを示している。また、Ｔ＃１は、収集データとして収集データＩＤ３１３に記載のＤ＃１のデータを収集することを示している。同様に、Ｔ＃２は、加速度０．３Ｇをトリガとして前後２０秒間の情報を収集し、収集するデータはＤ＃２とＤ＃３であることを示している。また、Ｔ＃３は、港区内を走行していることをトリガとして情報を収集し、収集するデータはＤ＃４であることを示している。

優先度３１４は、複数の収集トリガが設定された場合に数値が小さい方を優先して情報を収集することを示しており、条件ＩＤＣ＃１ではＴ＃１とＴ＃２が設定されているがＴ＃２が優先されることを示している。また、動作周期３１５は、収集したデータをテレマティクスセンタ１００へ送信する処理の動作周期を示しており、Ｔ＃１は６０秒間隔、Ｔ＃２は３０秒間隔、Ｔ＃３は６０秒間隔でデータを送信することを示している。なお、トリガ条件として、上記以外に速度が閾値を超えた場合や、機械学習により異常が検出されたことを条件として設定するなどしてもよい。

収集データ３１３は、それぞれデータ条件テーブル２３３３の収集データＩＤ３２０に設定されている。Ｄ＃１は、データ種別３２１としてブレーキ、アクセル、速度、ＧＰＳ情報を取得し、サンプリングレート３２２として各情報を１秒間隔で取得し、収集計算式として各センサ情報の移動平均を算出して送信することを示している。同様に、Ｄ＃２は、データ種別としてブレーキ、アクセル、速度、ＧＰＳ、エンジン回転数、ハンドル角度の情報をサンプリングレート５０ミリ秒で収集計算式は移動平均を取りながら収集し、Ｄ＃３は、パーツＡの温度とパーツＡの歪みを１５ミリ秒間隔で収集し、Ｄ＃４は、速度とＧＰＳ情報を１秒間隔で収集することをそれぞれ示している。

なお、データ条件として、上記以外にも動画の解像度、コーデック、サンプリングレート（フレームレート）、ビット深度などを設定してもよい。さらに、動画情報はカメラが撮影した動画そのものでなく、ある特徴量を抽出したデータでもよい。具体的には、カメラが撮影した看板情報のみを抽出し送信する場合や人の骨格データのみを抽出することができる。また、前方に車両がある場合をトリガ条件として、路面と前方車両の部分のみ抽出することができる。

図４を用いて本実施例による機械学習モデル評価方法について説明する。テレマティクスセンタ１００の機械学習モデル評価部１１４は、記憶装置１２０に蓄積されたプローブ情報１２３の中から取得日時の新しいデータから優先して蓄積データの一部を取得し（Ｓ４００１）、サービス提供判定部１１８は、機械学習モデル作成部１１３によって既に作成済みの機械学習モデルによりサービス対象の事象を検知できるか否かを判定する（Ｓ４００２）。

ここで、サービスとして故障予兆診断サービスを想定した場合、取得したパーツ情報（図３に示した収集条件情報２２３のデータ条件テーブル２２２３のＤ＃３）などから機械学習によってパーツの故障予兆を検知できるか否かを判定することとなる。例えば、サービス提供判定部１１８は、一定期間あるパーツの温度が閾値以上の温度となっている場合、熱変形による当該パーツの故障の可能性があると判定し、当該パーツの故障予兆を検知する。

また、別のサービスとして渋滞予測サービスを想定した場合は、走行情報（図３に示した収集条件情報２２３のデータ条件テーブル２２２３のＤ＃１、２、４）などから機械学習により走行ルート上に今後渋滞が発生するか否かを判定することとなる。例えば、サービス提供判定部１１８は、一定時間地図上の所定の範囲で同じ道路を走行する複数の車両の速度が閾値未満となっている場合、その道路の上記所定の範囲で渋滞が発生している可能性があると判定し、走行ルート上における渋滞発生予兆を検知する。本例では上記２つのサービスについて説明したが、これらのサービス以外の車両の走行に関する様々なサービスについて適用してもよい。

サービス提供判定部１１８が機械学習によりサービス対象の事象を検知したと判定した場合（Ｓ４００２：Ｙｅｓ）、サービス情報作成部１１９は、ユーザへ提供するサービス情報を作成し、通信部１３０を通じて作成したサービス情報をユーザへ配信する（Ｓ４００３）。サービス情報については、図９を用いて後述する。

その後、サービス提供判定部１１８は、ユーザによる変更があるか否かを判定する（Ｓ４００４）。ユーザによる変更とは、故障予兆サービスを想定した場合、ユーザが故障予兆の現れたパーツを交換することでテレマティクスセンタ１００に送信されるセンサ値が変わることや、渋滞予測サービスの場合、ユーザが渋滞予測地点を避けて別ルートを走行することなどを意味する。前者の場合、サービス提供判定部１１８が、過去に上記センサ値が異常状態であったと判定した場合において、その後車両２００から受信した上記センサ値が正常状態を示す規定値の範囲にあれば当該パーツが交換されたと判定すればよい。また、後者の場合、サービス提供判定部１１８が、リルートされたことを示す情報を受信した場合には走行ルートが別ルートに変更されたと判定すればよい。

サービス提供判定部１１８は、ユーザによる変更があると判定した場合（Ｓ４００４：Ｙｅｓ）、蓄積データ取得Ｓ４００１に戻る。一方、サービス提供判定部１１８は、ユーザによる変更がないと判定した場合（Ｓ４００４：Ｎｏ）、機械学習モデル評価部１１４は、ある条件α内に該当事象があるかどうかを判定する（Ｓ４００５）。

ここで、故障予兆診断サービスの場合、ある条件αとは、故障予兆が出てから一定期間内、例えば１週間以内という条件を意味し、該当事象とは実際に故障が発生するという事象を意味する。また、渋滞予測サービスの場合、ある条件αとは、例えば、渋滞発生箇所を中心とした半径３００メートルの範囲に車両が入り、速度が時速１０ｋｍ以下であるという条件を意味する。

機械学習モデル評価部１１４は、該当事象があると判定した場合（Ｓ４００５：Ｙｅｓ）、作成した機械学習モデルによるサービス提供の判定が成功したとカウントする（Ｓ４００６）。一方、機械学習モデル評価部１１４は、該当事象がないと判定した場合（Ｓ４００５：Ｎｏ）、サービス提供の判定が失敗したとカウントする（Ｓ４００７）。このように、機械学習モデル評価部１１４は、既に作成済みの機械学習モデルにより配信したサービス情報に該当する事象が実際に生じた場合には当該サービス情報の配信は妥当であり、当該配信が成功したと評価する一方、上記配信したサービス情報に該当する事象が実際に生じなかった場合には当該サービス情報の配信が失敗したと評価する。

Ｓ４００２において、サービス提供判定部１１８は、機械学習によりサービス対象の事象を検知しないと判定した場合（Ｓ４００２：Ｎｏ）、ある条件β内に該当事象があるか否かを判定する（Ｓ４００８）。ここで、ある条件αと条件βは同一のものでもよいし、別条件でもよい。

サービス提供判定部１１８が該当事象があると判定した場合（Ｓ４００８：Ｙｅｓ）、機械学習モデル評価部１１４は、機械学習によるサービス提供判定が失敗したとカウントする（Ｓ４００６）。サービス提供判定部１１８が該当事象がないと判定した場合（Ｓ４００８：Ｎｏ）、機械学習の判定は成功であるが、機械学習モデル評価部１１４はカウントはせずに、蓄積データ取得処理（Ｓ４００１）まで戻る。

故障予兆診断サービスを例とすると、ユーザが車両２００をディーラや修理工場に持込み、実際に故障するか否かが判明するよりも以前にパーツを取り替えるなど行った場合、ユーザによる変更（Ｓ４００４）とは、車両２００をディーラや修理工場に持ち込み、テレマティクスセンタ１００のデータ受信処理部１１１が、交換されたパーツのセンサ値を含むプローブ情報１２３、もしくは動画情報１２９を受信することを意味し、サービス情報作成部１１９が、ユーザへ提供するサービス情報を条件αもしくは条件βとしてユーザへ配信（Ｓ４００３）してからの経過日数が１０日以内に実際に故障が発生するか否かを判定する（Ｓ４００５）こととなる。

機械学習モデル評価部１１４は、成功もしくは失敗のカウント後、カウント数がある一定数γ回以上貯まったか否かを判定する（Ｓ４００９）。機械学習モデル評価部１１４は、カウント数が一定数γ回に満たないと判定した場合（Ｓ４００９：Ｎｏ）、蓄積データ取得処理（Ｓ４００１）に戻る。一方、機械学習モデル評価部１１４は、カウント数が一定数γ回以上と判定した場合（Ｓ４００９：Ｙｅｓ）、サービス該当事象の予測精度がサービス毎に必要な精度であるε％以上であるか否かを判定する（Ｓ４００１０）。機械学習モデル評価部１１４は、精度がε％以上と判定した場合（Ｓ４０１０：Ｙｅｓ）、あるサービス提供において機械学習モデル作成部１１３が作成した機械学習モデルで十分と判定し、データ蓄積部１２０にモデル評価情報１２８として記録する（Ｓ４０１１）。一方、機械学習モデル評価部１１４は、精度がε％に満たないと判定した場合（Ｓ４０１０：Ｎｏ）、再び機械学習モデル作成部１１３が蓄積データを基に機械学習モデルを更新し、学習し直す（Ｓ４０１２）。機械学習モデルの更新については図１１を用いて後述する。

なお、上記では記憶装置１２０に蓄積されたデータから取得日時の新しいデータから優先して蓄積データの一部を取得し機械学習モデル評価部１１４が評価を行うが、記憶装置１２０に蓄積された過去データの一部を使った評価など、他の評価データの取得方法を用いてもよい。

図５を用いて本実施例によるテレマティクスセンタ１００に蓄積済みのデータ削除フローについて説明する。データ削除部１１６は、機械学習モデル評価部１１４で作成した機械学習モデルでサービス提供に十分と判定（Ｓ４０１１）された結果を受けて実施される（Ｓ５００１）。

データ削除部１１６は、記憶装置１２０に蓄積されたプローブ情報１２３、動画情報１２９を取得し（Ｓ５００２）、取得したこれらのデータを使う他サービスがあるか否かを判定する（Ｓ５００３）。当該判定については図１２を用いて後述する。

データ削除部１１６は、取得したこれらのデータを使う他サービスがあると判定した場合（Ｓ５００３：Ｙｅｓ）、データ削除部１１６はデータを削除せずに終了する。一方、データ削除部１１６が取得したこれらのデータを使う他サービスがないと判定した場合（Ｓ５００３：Ｎｏ）、統計処理部１１５は、これらのデータから統計情報を算出し（Ｓ５００４）、算出した統計情報に含まれるこれらのデータごとに設けられた削除フラグを、ＦＡＬＳＥ（削除対象外）からＴＵＲＥ（削除対象）に変更する。データ蓄積処理部１１２は統計情報をプローブ情報１２３などに別途記録する（Ｓ５００５）。統計情報は、例えば、車両ＩＤ単位で蓄積されたプローブ情報１２３、動画情報１２９をパーツ単位に集計し、センサ値や当該センサ値の平均、標準偏差等の統計値を記録した情報であり、収集条件にしたがって収集されたデータのうち、他のサービスに使用されないデータを対象として算出された統計値を記録した情報である。統計情報の例については図６を用いて後述する。

さらに、データ削除部１１６は、データ削除フラグを参照し、記憶装置１２０に蓄積されている統計情報算出に利用したデータのうち、当該フラグが削除対象（ＴＲＵＥ）となっているデータを削除する（Ｓ５００６）。収集条件作成部１１７は、統計処理部１１５で作成された統計情報を参照し、サービス提供に新しく情報収集が必要無くなった削除フラグが削除対象（ＴＲＵＥ）とされたデータを今後収集しない収集条件を新たに作成し、端末へ配信する処理を行う（Ｓ５００７）。収集条件変更処理（Ｓ５００７）の詳細については図７を用いて後述する。

なお、取得したデータを使う他サービスがある場合（Ｓ５００３：Ｙｅｓ）においても、サービスに応じてデータを統計情報に置き換えて削除しても問題ない場合、Ｓ５００３の条件分岐を経ずにＳ５００４の処理を行ってもよいし、あるサービスＡとあるサービスＢ以外に取得したデータを使う他サービスが無いかどうかのように、複数サービスで比較してデータを削除しても問題ないか判定してもよい。

図６は、記憶装置１２０に記録されたパーツ情報１２５が統計処理部１１５によって統計情報として記録される一例を示す。パーツ情報１２５は、様々な車両から受信したプローブ情報１２３、動画情報１２９をパーツごとに分類して蓄積された情報である。図６（ａ）は、パーツ情報１２５に格納されたパーツＡに関する蓄積データを表し、車両ＩＤ６００、トリップＩＤ６０1、データ取得時刻６０２、パーツの温度６０３、歪み６０４、削除フラグ６０５が含まれることを示している。図６（ａ）に示す一例では、車両ＩＤがＵ１００１の車両のトリップＩＤがＴ１００１＿０１のデータとして、２０１６年９月２８日２１時４７分５３．８４１秒における温度が３４．９度、歪みが０．８２、削除フラグがＦＡＬＳＥ（削除対象外）であることを示している。

図６（ｂ）は、統計処理部１１５によって図６（ａ）のパーツ情報１２５が統計処理された後のパーツＡの蓄積情報の一例を示す。統計処理後の統計情報にはパーツ名６１０、データ数６１１、温度平均値６１２、温度標準偏差６１３、歪み平均値６１４、歪み標準偏差６１５が含まれることを示している。図６（ｂ）に示す一例では、パーツＡを含むプローブ情報１２３、動画情報１２９が３１２４５５個あり、これらの温度の平均値、標準偏差は、それぞれ３５．１度、０．５４であり、これらの歪みの平均値、標準偏差は、それぞれ０．９９、１．３２であることを示している。このように、統計処理によって、様々な車両から得られたプローブ情報１２３、動画情報１２９に含まれるセンサ値の統計値が算出される。

なお、図６（ａ）に示す以外の情報として、パーツの加速度や圧力、光、磁力などを他の情報をパーツ情報１２５に蓄積してもよい。図６（ｂ）に示す例では、統計情報として温度と歪みの平均値と標準偏差をそれぞれ統計情報処理部１１５が算出して格納しているが、図６（ｂ）に示す例以外にも中央値や最頻値、変動係数、歪度、尖度など提供するサービスに応じて格納する統計情報を変更してもよい。また、統計処理部１１５は、パーツ情報以外にプローブ情報や外部情報なども統計値を算出してそれぞれ格納して、データ削除の対象としてもよい。さらに、統計処理部１１５が算出する統計情報は機械学習によって異常が検出されていない状態（正常状態）のデータからのみ統計情報を算出して記憶装置１２０に格納してもよい。例えば、故障予兆診断サービスの場合、パーツの故障予兆が検出されていない状態を正常状態として、出現頻度の多い正常状態のデータを削除対象とし、出現頻度の少ない異常状態のデータは削除対象外とする。なお、異常状態はサービスに応じて設定されるものとする。

図７を用いて、図５に示した収集条件変更処理（Ｓ５００７）について説明する。テレマティクスセンタ１００の収集条件作成部１１７は、収集条件情報１２１とプローブ情報１２３などに対応付けて蓄積された統計情報、車両情報１２６を記憶装置１２０から取得し（Ｓ７００１）、取得した情報を基に収集条件変更の対象となる車両を特定する（Ｓ７００２）。例えば、図６（ａ）では、収集条件作成部１１７は、車両ＩＤがＵ１００２の車両の削除フラグが「ＴＲＵＥ」であるため、当該車両を収集条件変更の対象となる車両であると特定する。

収集条件作成部１１７は、対象車両ごとの既存収集条件と統計情報を基に変更後の収集条件を作成し（Ｓ７００３）、作成した収集条件を、通信部１３０を通じて配信する（Ｓ７００４）。例えば、収集条件作成部１１７は、特定した車両がメーカＡの車種Ｂで識別される車両である場合、図３に示した車両条件テーブル２３３１に記憶されている条件ＩＤ「Ｃ＃１」に対応する対象車両「メーカＡ＆車種Ｂ」をクリアして、収集条件から除外した新たな収集条件情報２３３を作成する。

車両２００のデータ受信処理部２２３は、上記新たな収集条件情報２３３を受信し（Ｓ７００５）、収集条件設定部２２４が、記憶装置２３０に記録されている収集条件情報２３３を更新する（Ｓ７００６）。収集条件設定部２２４は、収集条件を更新した後、テレマティクスセンタ１００に対して通信部２４０を通じて完了通知を送信する（Ｓ７００７）。テレマティクスセンタ１００が収集条件の更新完了通知を受信した（Ｓ７００８）場合、データ受信処理部１１１は、車両毎の収集条件情報が更新したとして記憶装置１２０記録されている車両毎の収集条件情報１２１を更新する（Ｓ７０００９）。

図８を用いてサービス提供の判定フローについて説明する。テレマティクスセンタ１００のサービス提供判定部１１８は、記憶装置１２０に蓄積されたデータの一部（例えば、直近１ヶ月の最新データ）を抽出して取得し（Ｓ８００１）、機械学習モデル作成部１１３が作成した機械学習モデルにより、取得したデータからサービス対象の事象を検知するか否かを判定する（Ｓ８００２）。サービス提供判定部１１８がサービス対象の事象を検知した場合（Ｓ８００２：Ｙｅｓ）、サービス情報作成部１１９は、サービスにそった配信情報を作成する（Ｓ８００３）。当該配信情報は、図４のＳ４００３で配信されるサービス情報と同様の情報である。サービス提供判定部１１８がサービス対象の事象を検知しなかった場合（Ｓ８００２：Ｎｏ）、データ取得処理（Ｓ８００１）に戻る。

サービス提供判定部１１８は、通信部１３０を通じてサービス情報作成部１１９が作成したサービス情報を車両２００に配信する（Ｓ８００４）。車両２００はサービス情報を受信した場合（Ｓ８００５）、データ受信処理部２２３がサービス情報を入出力装置２５０に出力する（Ｓ８００６）。故障予兆診断サービスの場合、サービス提供判定部１１８がパーツの故障予兆を機械学習により検出した場合（Ｓ８００２：Ｙｅｓ）、サービス情報作成部１１９がユーザにパーツの故障予兆の情報やメンテナンス情報を配信する。

図９は、入出力装置２５０に出力されるサービス情報の例を示すイメージ図である。図９（ａ）は、故障予兆診断サービスのアラート画面の例を示している。出力装置２５０には、故障予兆を検出したことを端的に説明する文言９０１と、故障予兆が検出された該当パーツ情報９０２と、故障が発生するまでの推定期間９０３と、とるべき対策案９０４が含まれる。なお、出力装置２５０に出力する画面には上記の要素以外にもユーザが自身でできるメンテンスの場合にメンテナンス方法を動画で提示したり、該当箇所をグラフィカルに表示したり、メンテンスを受け付けるお店を紹介するＵＲＬを表示したりするなど別要素が含まれていてもよい。また、出力装置２５０で出力する情報はディスプレイではなく、音声による故障予兆の説明など別の出力方法でもよい。

図９（ｂ）は、渋滞予想サービスのアラート画面の例を示している。出力装置２５０には、渋滞を予測し迂回ルートを表示していることを端的に説明する文言９１０と、地図９１１と、車両位置情報を示すアイコン９１２と、従来の走行ルート９１３と、渋滞を迂回するように新しく設定されたルート９１４が含まれる。なお、出力装置に出力する画面には上記の要素以外にも渋滞の混雑度や複数の迂回ルートを表示するなど別要素が含まれていてもよい。また、出力装置２５０で出力する情報はディスプレイではなく、音声による渋滞の説明など別の出力方法でもよい。

図１０は、テレマティクスセンタ１００を管理するオペレータが入出力装置１４０を通じて確認するレポート画面の一例を示すイメージ図である。レポート画面は、オペレータからの操作を受けて、統計処理部１１５が出力装置１４０に出力する。図１０に示すように、レポート画面には、データ削減によって記憶装置１２０に蓄積されたデータ量が変動していることを示すグラフ１０１０と、データを削除した日時１０２１と、削除したデータの内容１０２２と、削除したデータ量１０２３と、削除したデータを除くデータの維持管理費用１０２４が含まれる。

上記グラフ１０１０は、例えば、統計処理部１１５が、データ蓄積処理部１１２により記憶装置１０２に蓄積されたデータ量の推移を時系列にプロットすることにより表すことができる。データを削除した日時１０２１は、統計処理部１１５が、データ削除部１１６により図５のＳ５００６を実行された日時を記録すればよい。削除したデータの内容１０２２は、統計処理部１１５が、図６（ａ）に示した蓄積データのうち削除フラグが「ＴＲＵＥ」を含むデータを記録すればよい。削除したデータ量１０２３は、統計処理部１１５が、データ削除部１１６により削除されたデータの容量を算出して記録すればよい。削除したデータを除くデータの維持管理費用１０２４は、統計処理部１１５が、図５のＳ５００６によりデータが削除された後の記憶装置１０２の使用量に単位容量あたりの単価を乗算する等して算出した値を記録すればよい。

図１１は、機械学習モデルが更新される様子を示すイメージ図であり、一例としてパーツの故障予兆を診断するためのモデルを示している。図１１（ａ）は、更新前の機械学習モデルであり、図１１（ｂ）は、更新後の機械学習モデルである。図１１（ａ）に示すように、更新前のモデルでは、正常データＰと異常データＱとを判別するための分解線Ｌが算出されている。図１１（ａ）では、当該分解線Ｌの内側（正常データ側）に、本来異常データであると判定されるべきデータＱ’が存在するが、このような場合に、機械学習モデル作成部１１３は、図１１（ｂ）に示すように、当該分解線Ｌを、上記データＱ’が当該分解線Ｌの外側（異常データ側）となるように分解線を表す関数を再計算し、分解線Ｌ’のように引きなおす。このような分解線を再計算することにより、異常データを正しく判定することができ、ステップＳ４００５における成功またはＳ４００６における失敗のカウントアップの精度を向上させ、当該事象の予測精度を向上させることができる。

図１２は、図５に示したＳ５００３で用いられる判定テーブルの例を示す図である。図１２に示すように、判定テーブルには、サービス名１２００とそのサービスで利用されるデータとが対応付けて記憶されている。図１２では、例えば、故障予兆診断サービスでは、プローブ情報に含まれる時刻、温度、ゆがみ、位置情報が用いられることを示している。当該判定テーブルは、あらかじめ記憶装置１０２に記憶して置けばよい。このような判定テーブルを記憶しておくことにより、データ削除部１１６は、記憶装置１２０に蓄積されたプローブ情報１２３、動画情報１２９の中で他サービスに用いられるデータがあるか否かを判定することができる。図１２の場合には、故障予兆診断サービスと渋滞予測サービスのいずれも時刻、位置情報が用いられるため、データ削除部１１６は、これらの情報を含むプローブ情報１２３、動画情報１２９については、Ｓ５００３において、他サービスありと判定する。

このように、本実施例では、上記のような各処理を実行するので、サービス提供に影響の無い蓄積済み情報の削除と新たに蓄積されるセンサ情報の収集条件を変更することができ、センタにおけるデータの維持管理コストを低減することができる。また、必要な統計情報は残しておくことでサービス提供における分析時間の短縮効果を得ることができる。

１００ テレマティクスセンタ
１１０ 演算処理装置
１１１ データ受信処理部
１１２ データ蓄積処理部
１１３ 機械学習モデル作成部
１１４ 機械学習モデル評価部
１１５ 統計処理部
１１６ データ削減部
１１７ 収集条件作成部
１１８ サービス提供判定部
１１９ サービス情報作成部
１２０ 記憶装置
１２１ 収集条件情報
１２２ ユーザ情報
１２３ プローブ情報
１２４ 地図情報
１２５ パーツ情報
１２６ 車両情報
１２７ 外部情報
１２８ モデル評価情報
１２９ 動画情報
１３０ 通信部
１４０ 入出力装置
２００ 車両
２１０ センサ
２２０ 演算処理装置
２２１ 収集条件確認部
２２２ データ送信処理部
２２３ データ受信処理部
２２４ 集取条件設定部
２２５ データ蓄積処理部
２３０ 記憶装置
２３１ プローブ情報
２３２ 地図情報
２３３ 収集条件情報
２３４ 動画情報
２４０ 通信部
２５０ 入出力装置
２６０ 車載端末
３００ 外部サービス
４００ ネットワーク

Claims (6)

1. 所定の収集条件に従って車両から受信したプローブ情報を記憶部に蓄積する蓄積処理部と、
   蓄積された前記プローブ情報に基づいて、あるサービスに関するサービス情報の前記車両への配信条件となる事象が生じたか否かを判定するためのモデルを生成するモデル生成部と、
   生成された前記モデルにしたがって配信された前記サービス情報に含まれる前記事象が所定の精度で生じたか否かを判定するモデル評価部と、
   前記事象が所定の精度で生じたと判定された場合、蓄積された前記プローブ情報のうち他のサービスで使用していない前記プローブ情報を削除する削除部と、
   を備えることを特徴とする情報処理装置。
2. 前記事象が一定以上の精度で生じていないと判定された場合、前記生成されたモデルを、前記車両から受信した前記プローブ情報のうち異常を示すプローブ情報を異常状態として識別した新たなモデルに更新するモデル更新部、
   を備えることを特徴とする請求項１に記載の情報処理装置。
3. 削除された前記プローブ情報を送信した車両の収集条件を前記所定の収集条件から削除した新たな収集条件を作成する収集条件作成部、
   を備えることを特徴とする請求項１に記載の情報処理装置。
4. 前記所定の収集条件にしたがって収集された前記プローブ情報のうち他のサービスに使用していない前記プローブ情報の統計情報を算出する統計情報算出部、を備え、
   前記削除部は、前記統計情報に基づいて、前記他のサービスで使用していない前記プローブ情報を削除する、
   ことを特徴とする請求項１に記載の情報処理装置。
5. 前記モデル生成部は、前記サービス情報として前記車両の故障予兆診断サービスもしくは渋滞予測サービスの配信条件となる事象が生じたか否かを判定するためのモデルを生成する、
   ことを特徴とする請求項１に記載の情報処理装置。
6. 車両から受信したプローブ情報に基づいてあるサービスのサービス情報を配信する情報処理装置を備えたモビリティデータ収集システムであって、
   前記車両は、
   前記プローブ情報を検知する検知部と、
   検知された前記プローブ情報を所定の収集条件に従って前記情報処理装置に送信する送信部と、を備え、
   前記情報処理装置は、
   前記車両から受信したプローブ情報を記憶部に蓄積する蓄積処理部と、
   蓄積された前記プローブ情報に基づいて、あるサービスに関するサービス情報の前記車両への配信条件となる事象が生じたか否かを判定するためのモデルを生成するモデル生成部と、
   生成された前記モデルにしたがって配信された前記サービス情報に含まれる前記事象が所定の精度で生じたか否かを判定するモデル評価部と、
   前記事象が所定の精度で生じたと判定された場合、蓄積された前記プローブ情報のうち他のサービスで使用していない前記プローブ情報を削除する削除部と、
   を備えることを特徴とするモビリティデータ収集システム。

Images