JP2019093898A - 運転曲線作成装置 - Google Patents

Abstract

【課題】列車の走行に関わる機器の特性データや列車の走行位置の勾配や曲率を含む環境データを用いることなく、消費エネルギーを推定して、当該消費エネルギーが最小となる運転曲線を作成する。【解決手段】実施形態の運転曲線作成装置は、取得部と、モデル作成部と、運転曲線作成部と、を備える。取得部は、所定区間を走行する車両から、当該車両の位置、速度、加速度、ノッチ番号、重量、および消費エネルギーを含む走行データを取得する。モデル作成部は、取得した走行データが含む位置、速度、加速度、ノッチ番号、および重量を入力としかつ当該走行データが含む消費エネルギーを出力とする非線形回帰モデルであるエネルギーモデルを機械学習によって作成する。運転曲線作成部は、エネルギーモデルを用いて、所定区間における消費エネルギーが最小となる車両の運転曲線を作成する。【選択図】図２

Description

本発明の実施形態は、運転曲線作成装置に関する。

駅間または１つの路線の列車等の車両の走行に要するエネルギーの総和である総エネルギー（消費エネルギーと回生エネルギーの和）が最小となる運転曲線である省エネ運転曲線を求める様々な技術が開発されている。

特表２０１５−５０１７４５号公報 国際公開第２０１６／０４７５９１号

日本機械学会第１６回鉄道技術連合シンポジウム講演論文集 竹内一郎／烏山昌幸著 「サポートベクトルマシン」 講談社 ２０１５年

ところで、省エネ運転曲線を作成する際に用いる車両の消費エネルギーは、車両の走行に関わる機器の特性データ、車両の走行位置の勾配や曲率を含む環境データ等を用いて、運動方程式を立案し、当該運動方程式を用いて求められる。そのため、消費エネルギーを求めるためには、特性データや環境データ等が必要となる。また、実際の車両には、機器の経年劣化や個体差等が存在するため、運動方程式を用いて求められる消費エネルギーと、車両を実際に走行させた場合の消費エネルギーとの間に差が生じることがある。

実施形態の運転曲線作成装置は、取得部と、モデル作成部と、運転曲線作成部と、を備える。取得部は、所定区間を走行する車両から、当該車両の位置、速度、加速度、ノッチ番号、重量、および消費エネルギーを含む走行データを取得する。モデル作成部は、取得した走行データが含む位置、速度、加速度、ノッチ番号、および重量を入力としかつ当該走行データが含む消費エネルギーを出力とする非線形回帰モデルであるエネルギーモデルを機械学習によって作成する。運転曲線作成部は、エネルギーモデルを用いて、所定区間における消費エネルギーが最小となる車両の運転曲線を作成する。

図１は、第１の実施形態にかかる運転曲線作成システムの構成の一例を示す図である。 図２は、第１の実施形態にかかる地上システムの機能構成の一例を示す図である。 図３は、第１の実施形態にかかる地上システムにおいて記憶される走行データのデータ構成の一例を示す図である。 図４は、第１の実施形態にかかる地上システムのモデル作成装置による非線形回帰モデルの作成処理の流れの一例を示すフローチャートである。 図５は、第１の実施形態にかかる地上システムの運転曲線作成装置による運転曲線の作成処理の流れの一例を示すフローチャートである。 図６は、第２の実施形態にかかる地上システムのモデル作成装置による推定モデルの推定値の補正処理の流れの一例を示すフローチャートである。 図７は、第３の実施形態にかかる地上システムによって列車の属性毎にエネルギーモデル、第１走行モデル、および第２走行モデルを作成する処理の一例を説明するための図である。 図８は、第３の実施形態にかかる地上システムによって列車の属性毎にエネルギーモデル、第１走行モデル、および第２走行モデルを作成する処理の一例を説明するための図である。 図９は、第３の実施形態にかかる地上システムによる転移学習モデルの作成処理の一例を説明するための図である。 図１０は、第４の実施形態にかかる地上システムによる転移学習モデルの作成処理の流れの一例を示すフローチャートである。 図１１は、第５の実施形態にかかる地上システムによる走行データの取得処理の一例を説明するための図である。 図１２は、第５の実施形態にかかる地上システムによる走行データの取得処理の一例を説明するための図である。

以下、添付の図面を用いて、本実施形態にかかる運転曲線作成装置を適用した運転曲線作成システムについて説明する。

（第１の実施形態）
図１は、第１の実施形態にかかる運転曲線作成システムの構成の一例を示す図である。図１に示すように、本実施形態にかかる運転曲線作成システムは、列車（車両の一例）の外部に存在する地上システム１００と、列車に搭載される車上システム２００と、を有する。車上システム２００は、データ収集装置２０１と、運転制御装置２０２と、を有する。データ収集装置２０１は、所定区間（例えば、駅間、一路線）を走行する列車の走行状態（例えば、速度、加速度、位置、重量、消費エネルギー、ノッチ番号、架線電圧）を含む走行データを取得する。そして、データ収集装置２０１は、取得した走行データを地上システム１００に送信する。

運転制御装置２０２は、地上システム１００において作成される運転曲線に従って、列車の走行を制御する。本実施形態では、運転制御装置２０２は、列車が有するモータＭやブレーキＢに対して、列車の加速または減速を指示する制御指令を出力することによって、列車の走行を制御する。これにより、車上システム２００は、運転手による列車のノッチ番号の操作や運転曲線に従った列車の走行の制御によって、列車の走行を可能とする。

地上システム１００は、モデル作成装置１０１と、運転曲線作成装置１０２と、を有する。モデル作成装置１０１は、車上システム２００から取得した走行データを入力としかつ列車の走行に要する消費エネルギーを出力とする非線形回帰モデルを機械学習によって作成する。運転曲線作成装置１０２は、モデル作成装置１０１により作成される非線形回帰モデルを示すモデル情報を用いて、所定区間における列車の消費エネルギーが最小となる列車の運転曲線を作成する。そして、運転曲線作成装置１０２は、作成した運転曲線を車上システム２００に送信する。したがって、本実施形態では、モデル作成装置１０１および運転曲線作成装置１０２が、運転曲線作成装置の一例として機能する。

図２は、第１の実施形態にかかる地上システムの機能構成の一例を示す図である。図２に示すように、モデル作成装置１０１は、走行データ記憶部１０３、走行データ取得部１０４、パラメータ記憶部１０５、パラメータ初期化部１０６、およびモデル作成部１０７を有する。運転曲線作成装置１０２は、運転曲線作成部１０８を有する。

走行データ記憶部１０３は、データ収集装置２０１から送信される走行データを記憶する。図３は、第１の実施形態にかかる地上システムにおいて記憶される走行データのデータ構成の一例を示す図である。図３に示すように、走行データ記憶部１０３は、所定区間を列車が走行した日時、列車の位置、列車の速度、列車が選択したノッチ番号、列車の重量、列車が電力の供給を受ける架線の架線電圧、列車の消費エネルギー等を含む走行データを記憶する。

図２に戻り、走行データ取得部１０４は、走行データ記憶部１０３から、非線形回帰モデルの作成に用いる走行データを取得する。本実施形態では、走行データ取得部１０４は、所定区間を走行した列車の速度、加速度、位置、重量、消費エネルギー、ノッチ番号、および架線電圧を含む走行データを取得するが、少なくとも、所定区間を走行した列車の位置、速度、加速度、重量、ノッチ番号、および消費エネルギーを含む走行データを取得する。パラメータ記憶部１０５は、ε−ＳＶＲ（Support Vector Regression）等の機械学習に必要なパラメータ（例えば、ε）を記憶する。パラメータ初期化部１０６は、機械学習によって新たな非線形回帰モデルを作成する際に、パラメータ記憶部１０５から、パラメータを読み出す。

モデル作成部１０７は、走行データ取得部１０４により取得される走行データが含む位置、速度、加速度、ノッチ番号、および重量を入力としかつ当該走行データが含む消費エネルギーを出力とする非線形回帰モデルであるエネルギーモデルを機械学習によって作成する。これにより、列車の運転曲線を作成するために、列車の消費エネルギーの算出に用いる運動方程式を立案する必要が無くなるので、列車の走行に関わる機器の特性データや列車の走行位置の勾配や曲率を含む環境データを用いることなく、消費エネルギーを推定して、当該消費エネルギーが最小となる運転曲線を作成できる。また、特性データや環境データを取得することが困難な路線についても、消費エネルギーを推定して、当該消費エネルギーが最小となる運転曲線を作成できる。さらに、列車の特性データを用いずに運転曲線を作成できるので、列車の経年変化や個体差など、列車の設計値や理論値からずれた列車についても、より精度の高い消費エネルギーに基づいて、運転曲線を作成できる。

本実施形態では、モデル作成部１０７は、走行データ取得部１０４により取得された走行データを教師信号として、ε−ＳＶＲによって、エネルギーモデルを作成する。具体的には、モデル作成部１０７は、ε−ＳＶＲによって、以下に示す三種類の非線形回帰モデルを作成する。モデル作成部１０７は、まず、下記の式（１）に示すように、残差の絶対値がε以下の場合に損失が０となる損失関数を定義する。次いで、モデル作成部１０７は、式（１）に示す損失関数を用いて、ε−ＳＶＲを下記の式（２）で示す最適化問題として定義する。

式（１），（２）において、ω，ｘはベクトルであり、Ｃは交差検証により決定される正則化パラメータであり、εは予め設定されたパラメータである。モデル作成部１０７は、式（１），（２）を用いて、入力するデータをｘに代入し、かつ出力するデータをｙに代入して、ωおよびｂを決定することによって、非線形回帰モデルを作成する。

本実施形態では、モデル作成部１０７は、走行データが含む列車の速度、当該速度の二乗、列車の加速度、列車の重量を含む走行データを入力とし、かつ当該走行データが含む列車の消費エネルギーを出力とするエネルギーモデルを作成する。モデル作成部１０７は、列車の加速度に代えて、走行データが含む列車のノッチ番号を入力としてエネルギーモデルを作成しても良い。また、モデル作成部１０７は、列車の重量に代えて、列車の乗車率を入力としてエネルギーモデルを作成しても良い。

また、モデル作成部１０７は、列車が加速（力行）または減速（制動）した場合における当該列車の加速度を推定する非線形回帰モデルである第１走行モデルをε−ＳＶＲ等の機械学習によって作成する。具体的には、モデル作成部１０７は、走行データが含む列車の速度およびノッチ番号を入力としかつ当該走行データが含む加速度を出力とする第１走行モデルをε−ＳＶＲ等の機械学習によって作成する。また、モデル作成部１０７は、列車が惰行した場合における当該列車の加速度を推定する非線形回帰モデルである第２走行モデルをε−ＳＶＲ等の機械学習によって作成する。具体的には、モデル作成部１０７は、走行データが含む列車の位置および速度を入力としかつ当該走行データが含む加速度を出力とする第２走行モデルをε−ＳＶＲ等の機械学習によって作成する。そして、モデル作成部１０７は、第１走行モデルおよび第２走行モデルを用いて、列車の加速度を推定し、当該推定した加速度を入力とするエネルギーモデルを作成する。

本実施形態では、モデル作成部１０７は、ε−ＳＶＲによって、エネルギーモデル、第１走行モデル、および第２走行モデルを作成しているが、これに限定するものではなく、例えば、ニューラルネットワークや深層学習等によって、エネルギーモデル、第１走行モデル、および第２走行モデルを作成することも可能である。これにより、エネルギーモデル、第１走行モデル、および第２走行モデルの作成に用いる走行データの種類によっては、各モデルの推定精度の向上および学習時間の短縮を図ることができる。

運転曲線作成部１０８は、モデル作成部１０７により作成されるエネルギーモデルを用いて、所定区間における列車の消費エネルギーが最小となる運転曲線を作成する。そして、運転曲線作成部１０８は、作成した運転曲線を、車上システム２００の運転制御装置２０２に送信する。運転制御装置２０２は、運転曲線作成部１０８から受信した運転曲線を、車上システム２００が有する表示部に表示する。これにより、列車の運転手は、車上システム２００が有する表示部に表示された運転曲線を見て、列車のノッチ番号を操作することが可能となり、運転曲線に従った列車の運転を実現できる。また、運転制御装置２０２は、列車を自動運転する場合、受信した運転曲線に従って、列車の走行を制御する。

次に、図４を用いて、本実施形態にかかる地上システム１００のモデル作成装置１０１による非線形回帰モデルの作成処理の流れの一例について説明する。図４は、第１の実施形態にかかる地上システムのモデル作成装置による非線形回帰モデルの作成処理の流れの一例を示すフローチャートである。

走行データ取得部１０４は、走行データ記憶部１０３から、走行データを取得する（ステップＳ４０１）。次に、パラメータ初期化部１０６は、パラメータ記憶部１０５から、パラメータを読み出し、当該読み出したパラメータによって、非線形回帰モデルの作成に用いるパラメータを初期化する（ステップＳ４０２）。

次に、モデル作成部１０７は、取得した各走行データを用いて、ε−ＳＶＲ等の機械学習を行って、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する（ステップＳ４０３）。そして、モデル作成部１０７は、各走行データを用いた機械学習を行う度に、機械学習を行った走行データの数が予め設定された数Ｎより少ないか否かを判断する（ステップＳ４０４）。モデル作成部１０７は、機械学習を行った走行データの数が予め設定された数Ｎに達するまで、機械学習を繰り返す（ステップＳ４０４：Ｙｅｓ）。一方、機械学習を行った走行データの数が予め設定された数Ｎに達した場合（ステップＳ４０４：Ｎｏ）、モデル作成部１０７は、エネルギーモデル、第１走行モデル、および第２走行モデルが完成したと判断する（ステップＳ４０５）。

次に、図５を用いて、本実施形態にかかる地上システム１００の運転曲線作成装置１０２による運転曲線の作成処理の流れの一例について説明する。図５は、第１の実施形態にかかる地上システムの運転曲線作成装置による運転曲線の作成処理の流れの一例を示すフローチャートである。

運転曲線作成部１０８は、走行データ記憶部１０３から、現在の列車の走行データを取得する（ステップＳ５０１）。また、運転曲線作成部１０８は、モデル作成部１０７により作成されたエネルギーモデルを取得する（ステップＳ５０２）。次に、運転曲線作成部１０８は、取得した走行データおよびエネルギーモデルを用いて、例えば、動的計画法によって、列車の現在位置から、次の駅までの列車の運転曲線を作成する。

具体的には、運転曲線作成部１０８は、取得した走行データが示す列車の走行状態から、次の駅までに列車がとり得る走行状態を離散化する。次に、運転曲線作成部１０８は、取得した走行データおよびエネルギーモデルを用いて、各走行状態について、次にとり得る各走行状態への状態遷移による消費エネルギーを推定する（ステップＳ５０３）。次いで、運転曲線作成部１０８は、各走行状態から、次にとり得る走行状態のうち、状態遷移による消費エネルギーの累積が最も小さくなる走行状態への経路を、各走行状態から次にとり得る走行状態への運転曲線として作成する（ステップＳ５０４）。その後、運転曲線作成部１０８は、次の駅までの運転曲線が作成されるまで、ステップＳ５０３およびステップＳ５０４を繰り返し、次の駅までの運転曲線が作成されると、運転曲線が完成したと判断する（ステップＳ５０５）。以上の処理によって、運転曲線作成部１０８は、エネルギーモデルを用いて、所定区間における列車の消費エネルギーが最小となる運転曲線を作成する。

このように、第１の実施形態にかかる地上システム１００によれば、列車の運転曲線を作成するために、列車の消費エネルギーの算出に用いる運動方程式を立案する必要が無くなるので、列車の走行に関わる機器の特性データや列車の走行位置の勾配や曲率を含む環境データを用いることなく、消費エネルギーを推定して、当該消費エネルギーが最小となる運転曲線を作成できる。

（第２の実施形態）
本実施形態は、エネルギーモデル、第１走行モデル、または第２走行モデルである推定モデルの推定値と、実測値との差分である残差を出力する第１残差モデルを機械学習によって作成し、推定モデルの推定値を第１残差モデルの推定値によって補正する例である。以下の説明では、第１の実施形態と同様の構成については説明を省略する。

本実施形態では、モデル作成部１０７は、第１の実施形態と同様にして、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。また、モデル作成部１０７は、エネルギーモデル、第１走行モデル、または第２走行モデルを推定モデルとする。例えば、モデル作成部１０７は、ｉ番目の走行データが含む列車の位置Ｘ＿ｉおよび速度Ｖ＿ｉを入力としかつ当該走行データが含む加速度Ａ＿ｉを出力とする第２走行モデルを推定モデルＰｒｅｄｉｃｔＢＡＳＥ（）とする。

さらに、モデル作成部１０７は、推定モデルの推定値と、実測値との差分である残差を出力する第１残差モデルをε−ＳＶＲ等の機械学習によって作成する。例えば、モデル作成部１０７は、推定モデルＰｒｅｄｉｃｔＢＡＳＥ（）が第２走行モデルである場合、ｉ番目の走行データが含む位置Ｘ＿ｉおよび速度Ｖ＿ｉを入力としかつ残差Ｒ＿ｉを出力とする第１残差モデルＰｒｅｄｉｃｔＲＥＳ（）を機械学習によって作成する。

その後、モデル作成部１０７は、推定モデルの推定値を、第１残差モデルの推定値によって補正する。これにより、推定モデルの推定値の推定精度を向上させることができる。例えば、推定モデルＰｒｅｄｉｃｔＢＡＳＥ（）が第２走行モデルである場合、推定モデルＰｒｅｄｉｃｔＢＡＳＥ（）の推定値Ａｈａｔ＿ｉから、第１残差モデルＰｒｅｄｉｃｔＲＥＳ（）の推定値Ｒｈａｔ＿ｉを減算した値を、第２走行モデルにより推定される加速度とする。

図６は、第２の実施形態にかかる地上システムのモデル作成装置による推定モデルの推定値の補正処理の流れの一例を示すフローチャートである。以下の説明では、図４に示す処理と同様の箇所については説明を省略する。本実施形態では、モデル作成部１０７は、エネルギーモデル、第１走行モデル、または第２走行モデルを推定モデルに決定し、当該推定モデルの推定値を取得する（ステップＳ６０１）。次に、モデル作成部１０７は、ε−ＳＶＲ等の機械学習によって、走行データを入力としかつ推定モデルの推定値と実測値との差分である残差を出力する第１残差モデルを作成する（ステップＳ６０２）。

モデル作成部１０７は、第１残差モデルの作成に用いた走行データの数が予め設定された数Ｎより少ないか否かを判断する（ステップＳ６０３）。モデル作成部１０７は、機械学習を行った走行データの数が予め設定された数Ｎに達するまで、第１残差モデルの機械学習を繰り返す（ステップＳ６０３：Ｙｅｓ）。一方、機械学習を行った走行データの数が予め設定された数Ｎに達した場合（ステップＳ６０３：Ｎｏ）、モデル作成部１０７は、現在の列車の走行データを入力として、第１残差モデルによって残差を推定する（ステップＳ６０４）。そして、モデル作成部１０７は、推定モデルの推定値を、第１残差モデルの推定値によって補正する（ステップＳ６０５）。

このように、第２の実施形態にかかる地上システム１００によれば、推定モデルの推定値を、残差モデルの推定値によって補正することにより、推定モデルの推定値の推定精度を向上させることができる。

（第３の実施形態）
本実施形態は、列車の属性毎に、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する例である。以下の説明では、上述の実施形態と同様の構成については説明を省略する。

図７および図８は、第３の実施形態にかかる地上システムによって列車の属性毎にエネルギーモデル、第１走行モデル、および第２走行モデルを作成する処理の一例を説明するための図である。本実施形態では、モデル作成部１０７は、図７に示すように、列車のメーカー（車体メーカー）および列車の編成情報の組合せ（列車の属性の一例）毎に、エネルギーモデルおよび走行モデル（第１走行モデル、第２走行モデル）を作成する。これにより、列車の属性の差（例えば、列車の経年変化、個体差）を吸収したエネルギーモデル、第１，２走行モデルを作成できるので、より高い精度で消費エネルギーが最小となる運転曲線を作成できる。

また、本実施形態では、モデル作成部１０７は、図８に示すように、列車が力行しているか若しくはブレーキをかけているか、列車のノッチ番号、列車の重量（車両重量）、および架線電圧の組合せ（列車の属性の一例）毎に、エネルギーモデルおよび走行モデルを作成する。これにより、列車の属性の差（例えば、ブレーキ、ノッチ番号、重量、架線電圧の差）を吸収したエネルギーモデル、第１，２走行モデルを作成できるので、より高い精度で消費エネルギーが最小となる運転曲線を作成できる。本実施形態では、列車のメーカー（車体メーカー）および列車の編成情報の組合せ、または列車が力行しているか若しくはブレーキをかけているか、列車のノッチ番号、列車の重量（車両重量）、および架線電圧の組合せを列車の属性の一例としているが、これに限定するもではない。例えば、列車のメーカー、編成情報、ノッチ番号、車両重量、および架線電圧の少なくとも１つを列車の属性として、当該属性毎に、エネルギーモデルおよび走行モデルを作成しても良い。

このように、第３の実施形態にかかる地上システム１００によれば、列車の属性の差を吸収したエネルギーモデル、第１，２走行モデルを作成できるので、より高い精度で消費エネルギーが最小となる運転曲線を作成できる。

（第４の実施形態）
本実施形態は、データ数が多い第１列車の属性に基づき作成された列車のエネルギーモデル、第１走行モデル、または第２走行モデルであるベースモデルを用いて転移学習を実行して、データ数が少ない第２列車の属性の列車のエネルギーモデル、第１走行モデル、および第２走行モデルのうち当該ベースモデルと同一種類の転移学習モデルを作成し、当該転移学習モデルの推定値と実測値との差分である残差を出力する第２残差モデルを機械学習によって作成し、ベースモデルの推定値と転移学習モデルの推定値とから、第２列車の属性に基づき作成したエネルギーモデル、第１走行モデル、および第２走行モデルのうち転移学習モデルと同一種類のモデルの推定値を補正する例である。以下の説明では、上述の実施形態と同様の構成については説明を省略する。

図９は、第３の実施形態にかかる地上システムによる転移学習モデルの作成処理の一例を説明するための図である。列車の属性毎に、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する場合、列車の属性によっては、推定精度が高いモデルを作成するために必要な走行データの数が不足する可能性がある。

例えば、列車の力行時のノッチ番号が６段階存在する場合、実際の列車の走行では、６段階のノッチ番号を全て均等に使用するケースは少なく、列車のノッチ番号毎に、走行データの数に偏りが生じる場合がある。また、列車の編成毎に、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する場合、図９に示すように、編成１の列車については、機械学習による非線形回帰モデルの作成に十分なｎ日分の走行データが揃っていても、新規に導入された編成２の列車については、機械学習による非線形回帰モデルの作成に十分な日数ｎより少ないｍ日分の走行データしか揃っていない可能性がある。

この場合、モデル作成部１０７は、列車の属性のうち、非線形回帰モデルの作成に十分な走行データが存在する列車の属性（すなわち、データ数の多い列車の属性）については、第１の実施形態と同様にして、ε−ＳＶＲ等の機械学習によって、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。そして、モデル作成部１０７は、当該作成したエネルギーモデル、第１走行モデル、または第２走行モデルであるベースモデルを用いて転移学習を実行して、非線形回帰モデルの作成に十分な走行データが存在しない属性（すなわち、データ数が少ない列車の属性）のエネルギーモデル、第１走行モデル、および第２走行モデルのうち当該ベースモデルと同一種類の転移学習モデルを作成する。

例えば、モデル作成部１０７は、列車のノッチ番号：６について、非線形回帰モデルの作成に十分な走行データが存在する場合、列車がノッチ番号：６で走行した場合の走行データが含む列車の位置Ｘ＿６および速度Ｖ＿６を入力としかつ加速度Ａ＿６を出力とする第２走行モデルを機械学習によって作成し、当該第２走行モデルをベースモデルＭ＿６とする。次に、モデル作成部１０７は、ベースモデルＭ＿６を用いて転移学習を実行して、列車がノッチ番号：５で走行した場合の第２走行モデルである転移学習モデルを作成する。これにより、モデル作成部１０７は、列車がノッチ番号：５で走行した場合の走行データが含む列車の位置Ｘ＿５および速度Ｖ＿５を転移学習モデルに入力して、列車の加速度Ａｈａｔ＿５を推定する。

次に、モデル作成部１０７は、ベースモデルの推定値と転移学習モデルの推定値とを用いて、データ数が少ない列車の属性に基づき作成したエネルギーモデル、第１走行モデル、および第２走行モデルのうち転移学習モデルと同一種類のモデルの推定値を補正（更新）する。例えば、モデル作成部１０７は、列車がノッチ番号：６で走行した場合の第２走行モデルであるベースモデルの推定値（加速度）Ａｈａｔ＿５と、列車がノッチ番号：５で走行した場合の第２走行モデルである転移学習モデルの推定値（加速度）Ａｈａｔ＿５との和を、ノッチ番号：５に基づいて作成した第２走行モデルの推定値とする。ここで、推定値Ａｈａｔ＿５は、列車がノッチ番号：５で走行した場合の走行データを入力として求めた推定値である。これにより、走行データが十分に揃っていない列車の属性のエネルギーモデル、第１走行モデル、または第２走行モデルの推定精度を向上させることができるので、より精度の高い消費エネルギーの推定結果に基づいて、運転曲線を作成できる。

図１０は、第４の実施形態にかかる地上システムによる転移学習モデルの作成処理の流れの一例を示すフローチャートである。以下の説明では、図４および図６に示す処理と同様の箇所については説明を省略する。本実施形態では、モデル作成部１０７は、非線形回帰モデルの作成に十分な走行データが存在するある属性の列車のエネルギーモデル、第１走行モデル、または第２走行モデルを、ベースモデルに決定する（ステップＳ８０１）。そして、モデル作成部１０７は、ベースモデルを用いて転移学習を実行して、非線形回帰モデルの作成に十分な走行データが存在しない他の属性のエネルギーモデル、第１走行モデル、および第２走行モデルのうち当該ベースモデルと同一種類の転移学習モデルを作成する（ステップＳ８０２）。モデル作成部１０７は、ベースモデルの推定値と、転移学習モデルの推定値とを用いて、他の属性のエネルギーモデル、第１走行モデル、および第２走行モデルのうち転移学習モデルと同一種類のモデルの推定値を補正する（ステップＳ８０３）。

このように、第４の実施形態にかかる地上システム１００によれば、走行データが十分に揃っていない列車の属性のエネルギーモデル、第１走行モデル、または第２走行モデルの推定精度を向上させることができるので、より精度の高い消費エネルギーの推定結果に基づいて、運転曲線を作成できる。

（第５の実施形態）
本実施形態は、所定区間を走行した列車の走行データのうち、予め設定された日にち分の走行データを用いて、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する例である。以下の説明では、上述の実施形態と同様の箇所については説明を省略する。

図１１および図１２は、第５の実施形態にかかる地上システムによる走行データの取得処理の一例を説明するための図である。本実施形態では、モデル作成部１０７は、走行データ取得部１０４により取得される全ての走行データを用いて、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。よって、モデル作成部１０７は、図１１に示すように、列車の走行データの取得を開始してから、現在までに取得した全ての走行データを用いて、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。これにより、より多くの走行データを用いてエネルギーモデル、第１走行モデル、および第２走行モデルを作成できるので、各モデルの推定精度を向上させることができる。

または、モデル作成部１０７は、走行データ取得部１０４により取得される走行データのうち、現在から予め設定されたに日にち前までの走行データを用いて、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。例えば、モデル作成部１０７は、現在時刻が時刻ｔまたは時刻ｔ＋１である場合、図１２に示すように、時刻ｔまたは時刻ｔ＋１から、予め設定された日にち前までの直近ｎ日分の走行データを用いて、エネルギーモデル、第１走行モデル、および第２走行モデルを作成する。これにより、列車の経年変化を反映したエネルギーモデル、第１走行モデル、および第２走行モデルを作成できる。

このように、第５の実施形態にかかる地上システム１００によれば、より多くの走行データを用いてエネルギーモデル、第１走行モデル、および第２走行モデルを作成できるので、各モデルの推定精度を向上させることができる。また、列車の経年変化を反映したエネルギーモデル、第１走行モデル、および第２走行モデルを作成できる。

以上説明したとおり、第１から第５の実施形態によれば、列車の走行に関わる機器の特性データや列車の走行位置の勾配や曲率を含む環境データを用いることなく、消費エネルギーを推定して、当該消費エネルギーが最小となる運転曲線を作成できる。

なお、本実施形態の地上システム１００で実行されるプログラムは、ＲＯＭ（Read Only Memory）等に予め組み込まれて提供される。また、本実施形態の地上システム１００で実行されるプログラムは、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、フレキシブルディスク（ＦＤ）、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するように構成してもよい。

さらに、本実施形態の地上システム１００で実行されるプログラムを、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するように構成しても良い。また、本実施形態の地上システム１００で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。

本実施形態の地上システム１００で実行されるプログラムは、上述した各部（走行データ取得部１０４、パラメータ初期化部１０６、モデル作成部１０７、および運転曲線作成部１０８）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ（Central Processing Unit）が上記ＲＯＭからプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、走行データ取得部１０４、パラメータ初期化部１０６、モデル作成部１０７、および運転曲線作成部１０８が主記憶装置上に生成されるようになっている。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００ 地上システム
１０１ モデル作成装置
１０２ 運転曲線作成装置
１０３ 走行データ記憶部
１０４ 走行データ取得部
１０５ パラメータ記憶部
１０６ パラメータ初期化部
１０７ モデル作成部
１０８ 運転曲線作成部
２００ 車上システム
２０１ データ収集装置
２０２ 運転制御装置

Claims (9)

1. 所定区間を走行する車両から、当該車両の位置、速度、加速度、ノッチ番号、重量、および消費エネルギーを含む走行データを取得する取得部と、
   取得した前記走行データが含む前記位置、前記速度、前記加速度、前記ノッチ番号、および前記重量を入力としかつ当該走行データが含む前記消費エネルギーを出力とする非線形回帰モデルであるエネルギーモデルを機械学習によって作成するモデル作成部と、
   前記エネルギーモデルを用いて、前記所定区間における前記消費エネルギーが最小となる前記車両の運転曲線を作成する運転曲線作成部と、
   を備える運転曲線作成装置。
2. 前記モデル作成部は、前記走行データが含む前記速度および前記ノッチ番号を入力としかつ当該走行データが含む前記加速度を出力とする非線形回帰モデルである第１走行モデルを機械学習によって作成し、前記走行データが含む前記位置および前記速度を入力としかつ当該走行データが含む前記加速度を出力とする非線形回帰モデルである第２走行モデルを機械学習によって作成し、前記第１走行モデルおよび前記第２走行モデルを用いて、前記車両の加速度を推定し、当該推定した加速度を入力とする前記エネルギーモデルを作成する請求項１に記載の運転曲線作成装置。
3. 前記モデル作成部は、前記エネルギーモデル、前記第１走行モデル、または前記第２走行モデルである推定モデルによる推定値と、実測値との差分である残差を出力する第１残差モデルを機械学習によって作成し、前記推定モデルによる推定値を前記第１残差モデルの推定値によって補正する請求項２に記載の運転曲線作成装置。
4. 前記モデル作成部は、前記車両の属性毎に、前記第１走行モデル、前記第２走行モデル、および前記エネルギーモデルを作成する請求項２または３に記載の運転曲線作成装置。
5. 前記車両の属性は、前記車両のメーカー、前記車両の編成、前記車両が有するノッチ番号、前記車両の重量、および前記車両に電力を供給する架線の電圧の少なくとも１つである請求項４に記載の運転曲線作成装置。
6. 前記モデル作成部は、データ数が多い第１列車の属性に基づき作成した前記車両の前記エネルギーモデル、前記第１走行モデル、または前記第２走行モデルであるベースモデルを用いて転移学習を実行して、データ数が少ない第２列車の属性の前記車両の前記エネルギーモデル、前記第１走行モデル、および前記第２走行モデルのうち前記ベースモデルと同一種類の転移学習モデルを作成し、前記ベースモデルの推定値と前記転移学習モデルの推定値とから、前記第２列車の属性に基づき作成した前記エネルギーモデル、前記第１走行モデル、および前記第２走行モデルのうち前記転移学習モデルと同一種類のモデルの推定値を補正する請求項１から５のいずれか一に記載の運転曲線作成装置。
7. 前記モデル作成部は、ε−ＳＶＲ、ニューラルネットワーク、または深層学習によって前記エネルギーモデル、前記第１走行モデル、および前記第２走行モデルを作成する請求項２に記載の運転曲線作成装置。
8. 前記モデル作成部は、前記取得部により取得された全ての前記走行データを用いて、前記エネルギーモデル、前記第１走行モデル、および前記第２走行モデルを作成する請求項２に記載の運転曲線作成装置。
9. 前記モデル作成部は、前記取得部により取得された前記走行データのうち、現在から予め設定された日にち前までの前記走行データを用いて、前記エネルギーモデル、前記第１走行モデル、および前記第２走行モデルを作成する請求項２に記載の運転曲線作成装置。

Images