JP2021051638A - モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 - Google Patents

Abstract

【課題】車両が送信するデータ量を抑制しつつ、車両の状態を把握しやすくする。【解決手段】モデル作成装置として機能するデータ生成装置２は、車両Ｔが走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得する時系列データ取得部２３１と、学習用時系列データにおける第１パラメータの発生頻度分布を示す第１学習用頻度データと、第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得する学習用頻度データ取得部２３２と、学習用時系列データと、第１学習用頻度データと、第２学習用頻度データとを教師データとして機械学習することにより、第１パラメータの発生頻度データ及び第２パラメータの発生頻度データが入力されたことに応じて第１パラメータの時系列データである生成時系列データを出力する機械学習モデルを作成するモデル作成部２３５と、を有する。【選択図】図４

Description

本発明は、車両に関連するデータを生成するためのモデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法に関する。

車両の速度及び加速度等のデータを取得し、取得したデータに基づいて車両を管理するシステムが知られている（例えば、特許文献１を参照）。

特開２０１２−２４８０８７号公報

車両の状態を把握するためには、時間経過に伴って変化する多数のデータから構成される時系列データをシステムが解析することが望ましい。しかしながら、時系列データはデータサイズが大きいので、車両が時系列データを送信し続けると通信時の負荷が大きい。そこで、車両が送信するデータ量を抑制しつつ、車両の状態を把握しやすくする方法が求められている。

そこで、本発明はこれらの点に鑑みてなされたものであり、車両が送信するデータ量を抑制しつつ、車両の状態を把握しやすくするためのモデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法を提供することを目的とする。

本発明の第１の態様のモデル作成装置は、車両が走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得する時系列データ取得部と、前記学習用時系列データにおける前記第１パラメータの発生頻度分布を示す第１学習用頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得する学習用頻度データ取得部と、前記学習用時系列データと、前記第１学習用頻度データと、前記第２学習用頻度データとを教師データとして機械学習することにより、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データが入力されたことに応じて前記第１パラメータの時系列データである生成時系列データを出力する機械学習モデルを作成するモデル作成部と、を有する。

前記第１パラメータが前記車両の速度及び加速度の少なくともいずれかであり、前記第２パラメータが前記車両で使用される冷却水の温度及び油の温度の少なくともいずれかであってもよい。

前記モデル作成部は、前記機械学習モデルに前記第１学習用頻度データ及び前記第２学習用頻度データを入力した際に前記機械学習モデルから出力される前記生成時系列データと、前記第１学習用頻度データ及び前記第２学習用頻度データに対応する前記学習用時系列データとの差分に基づいて、前記機械学習モデルの重みを更新してもよい。

前記生成時系列データを生成するために用いられる前記第１パラメータに対応する第１生成用頻度データ及び前記第２パラメータに対応する第２生成用頻度データを取得する生成用頻度データ取得部と、前記第１生成用頻度データ及び前記第２生成用頻度データを前記機械学習モデルに入力することにより前記機械学習モデルから出力される前記生成時系列データを出力するデータ出力部と、をさらに有してもよい。

本発明の第２の態様のデータ生成装置は、車両が走行中に測定された第１パラメータの発生頻度分布を示す第１頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２頻度データとを取得する生成用頻度データ取得部と、前記車両の前記第１パラメータの学習用時系列データと、当該学習用時系列データに対応する第１学習用頻度データと、前記第２パラメータに対応する第２学習用頻度データとを教師データとして機械学習した機械学習モデルに、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力することにより、前記第１パラメータの前記発生頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、を有する。

本発明の第３の態様のモデル作成方法は、コンピュータが実行する、車両が走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得するステップと、前記学習用時系列データにおける前記第１パラメータの発生頻度分布を示す第１学習用頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得するステップと、前記学習用時系列データと、前記第１学習用頻度データと、前記第２学習用頻度データとを教師データとして機械学習することにより、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データが入力されたことに応じて前記第１パラメータの時系列データである生成時系列データを出力する機械学習モデルを作成するステップと、を有する。

本発明の第４の態様のデータ生成方法は、コンピュータが実行する、車両が走行中に測定された第１パラメータの発生頻度分布を示す第１頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２頻度データとを取得するステップと、前記車両の前記第１パラメータの学習用時系列データと、当該学習用時系列データに対応する第１学習用頻度データと、前記第２パラメータに対応する第２学習用頻度データとを教師データとして機械学習した機械学習モデルに、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力するステップと、前記機械学習モデルに前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力したことに応じて前記機械学習モデルから出力される生成時系列データを出力するステップと、を有する。

本発明によれば、車両が送信するデータ量を抑制しつつ、車両の状態を把握しやすくすることができるという効果を奏する。

データ生成システムの概要を説明するための図である。 データ生成システムの概要を説明するための図である。 時系列データ及び頻度データの概要を示す図である。 データ生成装置の構成を示す図である。 条件付きＶＡＥにより構成される機械学習モデルをモデル作成部が作成する処理の概要を示す図である。 データ生成部が機械学習モデルを用いて時系列データを生成する過程を示す図である。 データ生成装置における処理の流れを示すフローチャートである。 学習用時系列データ及び学習用頻度データを作成する場合のデータ生成装置の構成を示す図である。 学習用時系列データ及び学習用頻度データの作成方法の概要を示す図である。 モデル作成部が低周波通過フィルタを有するデータ生成装置２の構成を示す図である。 評価結果に基づいて機械学習モデルを更新することが可能なデータ生成装置２の構成を示す図である。 モデル作成装置の構成を示す図である。 本実施の形態に係るデータ生成装置を用いて頻度データから時系列データを作成した実施例を示す図である。

［データ生成システムＳの概要］
図１及び図２は、データ生成システムＳの概要を説明するための図である。データ生成システムＳは、車両Ｔにおいて測定された各種のパラメータの頻度データに基づいて、当該パラメータの時系列データを生成するためのシステムである。データ生成システムＳは、データ収集装置１及びデータ生成装置２を備えている。データ生成装置２は、機械学習モデルを用いて、頻度データに基づいて時系列データを生成する装置である。データ生成装置２は、機械学習モデルを作成するモデル作成装置としても機能する。当該機械学習モデルは、例えば条件付ＶＡＥ（Variational Auto Encoder）又は条件付ＧＡＮ（Generative Adversarial Networks）を含んで構成されている。

図３は、時系列データ及び頻度データの概要を示す図である。図３（ａ）に示すように、時系列データは、時間によって変化するパラメータの値を示すデータであり、例えば１秒ごとの車両Ｔの速度の値から構成されている。図３（ｂ）に示すように、頻度データは、所定の期間内にパラメータの値として想定し得る複数の値が発生した頻度の分布を示すデータである。頻度データは、パラメータを一階微分した値が発生した頻度の分布を示すデータであってもよい。

パラメータが車両Ｔの速度である場合、頻度データは、例えば単位時間（例えば１時間）内に時速１ｋｍの状態が発生した時間、時速２ｋｍの状態が発生した時間等のように、時速Ｎｋｍ（Ｎは０以上の整数）の状態が発生した時間又は割合を示すデータである。パラメータが車両Ｔの速度である場合、頻度データは、単位時間内に所定の加速度が発生した時間又は割合を示すデータであってもよい。なお、車両Ｔが加速している間は加速度が正の値となり、減速している間は加速度が負の値となる。加速度の頻度データは、車両Ｔの複数の速度それぞれに対応する複数の加速度の頻度データを含んでいてもよい。

車両Ｔにおいて測定されるパラメータは、例えば、車両Ｔの速度、車両Ｔの加速度、車両Ｔで使用される冷却水の温度、車両Ｔで使用される油の温度、車両Ｔのアクセル開度、車両Ｔの振動量の少なくともいずれかである。車両Ｔの管理者は、このようなパラメータの時系列データを分析することで、車両Ｔの燃費、車両Ｔの劣化度、車両Ｔの運転者による運転の質等の各種の情報を得ることができる。ところが、車両Ｔから頻度データしか得ることができない場合、このような情報を得ることが困難である。

そこで、データ生成システムＳは、車両Ｔにおいて測定されたパラメータの時系列データ及び頻度データを教師データとして機械学習（例えば深層学習）した機械学習モデルを作成し、作成した機械学習モデルを用いて、車両Ｔから得られた頻度データに基づいて時系列データを生成することを可能にする。車両Ｔの管理者は、データ生成システムＳにおいて生成される時系列データを分析することで、車両Ｔの燃費、劣化度、運転の質等の各種の情報を得ることが可能になる。

以下、図１及び図２を参照しながら、データ生成システムＳの概要を説明する。データ収集装置１は、ネットワークＮを介して多数の車両Ｔにおいて測定されたパラメータのデータを取得する装置であり、例えばコンピュータである。データ生成装置２は、データ収集装置１を介して車両Ｔから取得した時系列データ及び当該時系列データに対応する頻度データを教師データとして機械学習した機械学習モデルを作成するコンピュータである。データ生成装置２は、作成した機械学習モデルを用いて、車両Ｔから得られた頻度データに基づいて時系列データを生成する。

図１は、データ生成装置２が機械学習をして機械学習モデルを作成する間のデータ生成システムＳの動作を示す図である。データ収集装置１は、予め登録された車両Ｔから所定のパラメータ（例えば速度）の測定データを取得する（図１における（１））。データ収集装置１は、取得した測定データの時系列データをデータ生成装置２に送信する（図１における（２））。

データ生成装置２は、データ収集装置１から受信した時系列データに基づいて頻度データを生成し、時系列データ及び頻度データを教師データとして、頻度データが入力されると時系列データを出力する機械学習モデルを作成する（図１における（３））。データ生成装置２が頻度データを生成する代わりに、データ収集装置１が時系列データ及び頻度データをデータ生成装置２に送信してもよい。

続いて、図２を参照して、データ生成装置２が機械学習モデルを作成した後の動作を説明する。車両Ｔは、データ収集装置１に対して測定したパラメータの頻度データを送信する（図２における（４））。データ収集装置１は車両Ｔから受信した頻度データをデータ生成装置２に送信する（図２における（５））。データ生成装置２は、受信した頻度データを機械学習モデルに入力し、機械学習モデルから出力される時系列データを取得することにより時系列データを生成する（図２における（６））。データ生成装置２は生成した時系列データをデータ収集装置１に送信する（図２における（７））。

以上の流れにより、データ生成装置２を利用する車両Ｔの管理者等のユーザが、頻度データに基づいて、所望のパラメータの時系列データを取得することができる。データ生成装置２は、生成した時系列データをデータ収集装置１以外の任意のコンピュータに送信したり、ディスプレイに表示したり、印刷したりしてもよい。

［データ生成装置２の構成及び動作］
図４は、データ生成装置２の構成を示す図である。データ生成装置２は、通信部２１と、記憶部２２と、制御部２３と、を有する。制御部２３は、時系列データ取得部２３１と、学習用頻度データ取得部２３２と、生成用頻度データ取得部２３３と、データ出力部２３４と、モデル作成部２３５と、データ生成部２３６とを有する。データ生成装置２が生成用頻度データ取得部２３３、データ出力部２３４及びデータ生成部２３６を有しない場合、データ生成装置２は、機械学習モデルＭを作成するモデル作成装置として機能する。

通信部２１は、ネットワークＮを介してデータ収集装置１又はその他の外部装置との間でデータを送受信するための通信インターフェースを含む。通信部２１は、外部装置から受信したデータを制御部２３に通知し、制御部２３から入力されたデータを外部装置へと送信する。

記憶部２２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）及びハードディスク等の記憶媒体を含む。記憶部２２は、制御部２３が実行するプログラムを記憶する。また、記憶部２２は、データ収集装置１から受信した時系列データ及び頻度データを一時的に記憶する。

制御部２３は、例えばＣＰＵ（Central Processing Unit）である。制御部２３は、記憶部２２に記憶されたプログラムを実行することにより、時系列データ取得部２３１、学習用頻度データ取得部２３２、生成用頻度データ取得部２３３、データ出力部２３４、モデル作成部２３５及びデータ生成部２３６として機能する。

時系列データ取得部２３１は、車両Ｔが走行中に測定されたパラメータの時系列データを学習用時系列データとして取得する。時系列データ取得部２３１は、例えば、車両Ｔが走行中に測定された車両の速度の時系列データを学習用時系列データとして取得する。時系列データ取得部２３１は、取得した学習用時系列データをモデル作成部２３５に入力する。

学習用頻度データ取得部２３２は、時系列データ取得部２３１が取得した学習用時系列データに対応する学習用頻度データを取得する。学習用頻度データ取得部２３２は、例えば、通信部２１を介して学習用頻度データを取得するが、学習用頻度データ取得部２３２は、学習用時系列データに基づいて学習用頻度データを作成することにより、学習用時系列データから学習用頻度データを取得してもよい。学習用頻度データ取得部２３２は、例えば、学習用時系列データに対応するパラメータの発生頻度分布を示す学習用頻度データと、当該パラメータの一階微分値の発生頻度分布を示す学習用頻度データとを取得する。

学習用時系列データが速度の時系列データである場合、学習用頻度データ取得部２３２は、学習用時系列データにおける速度の発生頻度分布を示す学習用速度頻度データと、学習用時系列データにおける加速度の発生頻度分布を示す学習用加速度頻度データとを取得する。学習用頻度データ取得部２３２は、取得した学習用頻度データをモデル作成部２３５に入力する。

生成用頻度データ取得部２３３は、機械学習モデルＭを用いて時系列データを生成するために用いられる生成用頻度データを取得する。本明細書において、機械学習モデルＭを用いて生成される時系列データを生成時系列データという。生成用頻度データ取得部２３３は、例えば通信部２１を介して、データ収集装置１から生成用速度頻度データ及び生成用加速度頻度データを取得する。生成用頻度データ取得部２３３は、取得した生成用頻度データをデータ生成部２３６に入力する。

データ出力部２３４は、生成用頻度データ取得部２３３がデータ生成部２３６に入力した生成用頻度データに基づいて機械学習モデルＭから出力された生成時系列データを出力する。データ出力部２３４は、例えば、データ生成部２３６から入力された生成時系列データを、通信部２１を介して外部の装置に送信する。

モデル作成部２３５は、機械学習モデルＭを作成し、作成した機械学習モデルＭの重みを記憶部２２に記憶させる。モデル作成部２３５は、モデル作成部２３５が有するメモリ（不図示）に重みを記憶させてもよい。

モデル作成部２３５は、学習用時系列データと、対応する学習用頻度データと、を教師データとして機械学習することにより、頻度データが入力されたことに応じて頻度データに対応する時系列データである生成時系列データを出力する機械学習モデルＭを作成する。学習用時系列データが、車両Ｔの速度の時系列データであり、学習用頻度データが、車両Ｔの速度の頻度データ及び加速度の頻度データであり、生成時系列データが速度の時系列データである場合、機械学習モデルＭは、速度頻度データ及び加速度頻度データが入力されたことに応じて車両Ｔの速度の時系列データである生成時系列データを出力する。

データ生成部２３６は、生成用頻度データ取得部２３３から入力された生成用頻度データを機械学習モデルＭに入力することにより生成時系列データを生成する。生成用頻度データ取得部２３３から入力された生成用頻度データが、車両Ｔの速度の頻度データ及び加速度の頻度データである場合、データ生成部２３６は、車両Ｔの速度の頻度データ及び車両Ｔの加速度の頻度データを入力することにより機械学習モデルＭから出力される速度の時系列データを生成時系列データとして生成する。データ生成部２３６は、生成した生成時系列データをデータ出力部２３４に入力することにより、外部に出力することができる。

［機械学習モデルＭの作成方法］
図５Ａは、機械学習モデルＭの一例として、条件付きＶＡＥにより構成される機械学習モデルＭをモデル作成部２３５が作成する処理の概要を示す図である。図５Ｂは、データ生成部２３６が機械学習モデルＭを用いて時系列データを生成する過程を示す図である。

図５に示すように、機械学習モデルＭは、一例としてのディープニューラルネットワーク（ＤＮＮ）により構成されている。ＤＮＮは、入力層から出力層までの間に複数の層を有しており、それぞれの層に含まれる複数のノードそれぞれに可変の重みが設けられている。機械学習モデルＭが学習する前の重みは初期値となっている。

図５Ａに示すように、モデル作成部２３５は、入力された学習用時系列データ及び学習用頻度データのペアが入力される機械学習モデルＭ−１と、潜在変数ベクトルz及び学習用頻度データが入力される機械学習モデルＭ−２とで構成され、機械学習モデルＭ−２から出力される生成時系列データと、入力した学習用頻度データに対応する学習用時系列データとを比較する。

モデル作成部２３５は、機械学習モデルＭ−２（又は機械学習モデルＭ−１）に学習用速度頻度データ及び学習用加速度頻度データを入力した際に機械学習モデルＭ−２（又は機械学習モデルＭ−１）から出力される生成時系列データと、学習用速度頻度データ及び学習用加速度頻度データに対応する学習用時系列データとの差分に基づいて、機械学習モデルＭ−１の重みを更新する。

モデル作成部２３５は、例えば生成時系列データと学習用時系列データとの差が閾値以上である場合に、生成時系列データを逆伝搬させ、逆伝搬させた経路上のノードの重みを更新する。モデル作成部２３５は、生成時系列データと学習用時系列データとの差が閾値未満になるまで、学習用頻度データを機械学習モデルＭ−２（又は機械学習モデルＭ−１）に入力したことにより生成される生成時系列データと学習用時系列データとの比較と重みの更新とを繰り返す。モデル作成部２３５は、多数の学習用頻度データ及び学習用時系列データのペアを用いて上記の処理を実行することにより、図５Ｂに示す機械学習モデルＭ−３（機械学習モデルＭ−２と実質的に同一のモデル）を作成する。

モデル作成部２３５が機械学習モデルＭ−１を更新して機械学習モデルＭ−３として完成した後には、図５Ｂに示すように、データ生成部２３６が、車両Ｔから取得された頻度データ（生成用頻度データ）を機械学習モデルＭ−３に入力することにより、機械学習モデルＭ−３が、入力された頻度データに対応する生成時系列データを出力する。

［データ生成装置２における処理の流れ］
図６は、データ生成装置２における処理の流れを示すフローチャートである。図６に示すフローチャートは、データ生成装置２が機械学習モデルＭの作成を開始する指示を受けた時点から開始している。

モデル作成部２３５は、機械学習モデルＭを作成する指示を受けると、時系列データ取得部２３１から学習用時系列データを取得する（ステップＳ１）。また、モデル作成部２３５は、学習用頻度データ取得部２３２から学習用頻度データを取得する（ステップＳ２）。ステップＳ１とステップＳ２を実行する順序は任意であり、モデル作成部２３５は、学習用時系列データと学習用頻度データとを同時に取得してもよい。モデル作成部２３５は、学習用時系列データと学習用頻度データのセットを教師データとして機械学習することにより機械学習モデルＭを更新する（ステップＳ１３）。具体的には、モデル作成部２３５は、記憶部２２に記憶された機械学習モデルＭの重みを更新する。

モデル作成部２３５は、更新された機械学習モデルＭの性能を評価し、評価した結果が基準レベル以上であるか否かを判定する（ステップＳ１４）。モデル作成部２３５は、例えば、頻度データを機械学習モデルＭに入力した際に機械学習モデルＭから出力される生成時系列データと、頻度データに対応する時系列データとの相関度が閾値以上である場合に、評価した結果が基準レベル以上であると判定する。

モデル作成部２３５は、評価した結果が基準レベルに達していないと判定した場合（ステップＳ１４においてＮＯ）、ステップＳ１１に戻り、さらなる学習用時系列データ及び学習用頻度データを用いて機械学習を繰り返す。モデル作成部２３５は、評価した結果が基準レベルに達していると判定した場合（ステップＳ１４においてＹＥＳ）、機械学習モデルＭの更新を終了する（ステップＳ１５）。

その後、データ生成部２３６は、時系列データを生成するための生成用頻度データを取得すると（ステップＳ１６）、生成用頻度データを機械学習モデルＭに入力する（ステップＳ１７）。データ生成部２３６は、機械学習モデルＭから出力された生成時系列データを出力する（ステップＳ１８）。

［教師データとして勾配データを使用］
以上の説明においては、モデル作成部２３５が速度の学習用時系列データ、速度の学習用頻度データ及び加速度の学習用頻度データを用いて機械学習モデルＭを作成する場合を例示したが、モデル作成部２３５は他のデータを用いて機械学習モデルＭを作成してもよい。

例えば、学習用頻度データ取得部２３２は、学習用時系列データが取得された間に車両Ｔが走行した場所の勾配を示す学習用勾配データを教師データとしてさらに取得し、モデル作成部２３５が学習用勾配データをさらに用いて機械学習してもよい。学習用勾配データは、時系列データ及び頻度データの少なくともいずれかを含んでよい。

この場合、モデル作成部２３５は、機械学習モデルＭに学習用速度頻度データ、学習用加速度頻度データ及び学習用勾配頻度データを入力した際に機械学習モデルＭから出力される生成時系列データと、学習用速度頻度データ、学習用加速度頻度データ及び学習用勾配頻度データに対応する学習用時系列データとの差分に基づいて、機械学習モデルＭの重みを更新する。このように、モデル作成部２３５が、複数のパラメータのデータを教師データとしてさらに用いることにより、モデル作成部２３５が出力する生成時系列データの精度が向上する。特に、モデル作成部２３５が、速度及び加速度と密接な関係を有する勾配のデータを用いることで、生成時系列データの精度が向上する。

［教師データとして水温・油温度等を使用］
モデル作成部２３５は、変化速度の傾向が異なる複数のパラメータの時系列データ及び頻度データを教師データとして用いて機械学習モデルＭを作成してもよい。第１パラメータは、例えば車両Ｔの速度及び加速度の少なくともいずれかであり、第２パラメータは、例えば車両Ｔで使用される冷却水の温度及び油の温度の少なくともいずれかである。油は、例えばエンジンオイル、ブレーキオイル、ミッションオイル、デフオイルである。

時系列データ取得部２３１は、車両Ｔが走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得する。学習用頻度データ取得部２３２は、学習用時系列データにおける第１パラメータの発生頻度分布を示す第１学習用頻度データと、第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得する。

モデル作成部２３５は、時系列データ取得部２３１が取得した第１パラメータの学習用時系列データと、学習用頻度データ取得部２３２が取得した第１学習用頻度データ及び第２学習用頻度データとを教師データとして機械学習することにより、第１パラメータの発生頻度データ及び第２パラメータの発生頻度データが入力されたことに応じて第１パラメータの時系列データである生成時系列データを出力する機械学習モデルＭを作成する。

この場合、モデル作成部２３５は、機械学習モデルＭに第１学習用頻度データ及び第２学習用頻度データを入力した際に機械学習モデルＭから出力される生成時系列データと、第１学習用頻度データ及び第２学習用頻度データに対応する学習用時系列データとの差分に基づいて、機械学習モデルＭの重みを更新する。モデル作成部２３５は、第１パラメータの値及び第２パラメータの値の一階微分値の頻度データをさらに教師データとして用いてもよい。

モデル作成部２３５が機械学習モデルＭを作成した後には、生成用頻度データ取得部２３３が、生成時系列データを生成するために用いられる第１パラメータに対応する第１生成用頻度データ及び第２パラメータに対応する第２生成用頻度データを取得する。データ生成部２３６は、生成用頻度データ取得部２３３が取得した第１生成用頻度データ及び第２生成用頻度データを機械学習モデルＭに入力し、機械学習モデルＭから出力される第１パラメータの生成時系列データを取得する。データ出力部２３４は、データ生成部２３６が取得した生成時系列データを出力する。

モデル作成部２３５が、このように変化速度の傾向が異なる複数のパラメータの時系列データ及び頻度データを教師データとして機械学習して機械学習モデルＭを作成することにより、第１パラメータの複数の異なる時系列データに対応する頻度データが類似しているとしても、第２パラメータの頻度データが異なり得る。したがって、第２パラメータの頻度データも併用することで、第１パラメータの頻度データだけを機械学習モデルＭに入力する場合に比べて、生成時系列データの精度が向上する。

第２パラメータが冷却水又は油の温度である場合、車両Ｔが低速で走行している間は低い温度の頻度が高く、車両Ｔが高速で走行を継続すると高い温度の頻度が高くなる。したがって、冷却水又は油の温度の頻度データも併用することで、データ生成装置２は、車両Ｔの速度の変化の傾向がより反映された時系列データを生成することが可能になる。

［複数の機械学習モデルＭの利用］
車両Ｔの重量が異なると、速度の変化パターンが異なる場合がある。時系列データを生成する対象となる車両Ｔの重量が大きいにもかかわらず、重量が小さい車両Ｔで測定された教師データを用いて機械学習した機械学習モデルＭをデータ生成部２３６が使用すると、適切な生成時系列データを出力できない蓋然性が高まる。

そこで、モデル作成部２３５は、車両Ｔの重量を特定し、特定した重量に対応する複数の機械学習モデルＭを作成してもよい。モデル作成部２３５は、例えば時系列データ取得部２３１が学習用時系列データとともに取得した車両Ｔの識別情報（例えば車体番号）又は重量を示す情報に基づいて車両Ｔの重量を特定する。

モデル作成部２３５は、教師データとして使用する学習用時系列データ及び学習用頻度データが取得された車両Ｔの重量が第１の範囲である場合に第１の機械学習モデルＭの機械学習を実行し、車両Ｔの重量が第１の範囲と異なる第２の範囲である場合に第２の機械学習モデルＭの機械学習を実行する。モデル作成部２３５が作成する機械学習モデルＭの数は任意であり、モデル作成部２３５は、３個以上の機械学習モデルＭを作成してもよい。

データ生成部２３６は、生成用頻度データ取得部２３３が生成用頻度データとともに取得した車両Ｔの識別情報又は重量を示す情報に基づいて車両Ｔの重量を特定する。データ生成部２３６は、特定した重量に対応する機械学習モデルＭに生成用頻度データを入力することにより、生成時系列データを取得する。このように、データ生成装置２が車両Ｔの重量に対応する複数の機械学習モデルＭを用いることで、頻度データに基づいて生成される時系列データの精度を向上させることができる。

［学習用データの自動生成］
機械学習モデルＭの性能を向上させるには、教師データが多いことが望ましい。しかしながら、車両Ｔにおいて測定されたデータを大量に取得するには長時間を要する。そこで、データ生成装置２は、車両Ｔにおいて測定されたデータに基づく時系列データを用いて、複数の学習用時系列データ及び複数の学習用頻度データを作成してもよい。

図７は、学習用時系列データ及び学習用頻度データを作成する場合のデータ生成装置２の構成を示す図である。図７に示すデータ生成装置２は、学習用時系列データ作成部２３７及び学習用頻度データ作成部２３８を有し、学習用頻度データ取得部２３２を有しない点で、図４に示したデータ生成装置２と異なり、他の点では同じである。

学習用時系列データ作成部２３７は、時系列データ取得部２３１が取得した、車両Ｔにおいて実測された時系列データを分割して複数の分割時系列データを作成し、作成した複数の分割時系列データから選択した複数の選択時系列データを並べ替えて学習用時系列データを作成する。学習用時系列データ作成部２３７は、作成した学習用時系列データを学習用頻度データ作成部２３８に入力する。また、学習用時系列データ作成部２３７は、作成した学習用時系列データをモデル作成部２３５に入力する。

学習用頻度データ作成部２３８は、学習用時系列データ作成部２３７から入力された学習用時系列データにおけるパラメータの発生頻度分布を示す学習用頻度データを作成する。学習用頻度データ作成部２３８は、作成した学習用頻度データをモデル作成部２３５に入力する。

モデル作成部２３５は、学習用時系列データ作成部２３７から入力された学習用時系列データ及び学習用頻度データ作成部２３８から入力された学習用頻度データを教師データとして用いて機械学習をして機械学習モデルＭの重みを更新する。モデル作成部２３５は、時系列データ取得部２３１が取得した実測時系列データ及び当該実測時系列データに対応する頻度データも教師データとして使用してもよい。

図８は、学習用時系列データ及び学習用頻度データの作成方法の概要を示す図である。図８（ａ）は、時系列データ取得部２３１が取得した実測時系列データの例を示す図である。図８（ｂ）は、図８（ａ）に示した実測時系列データを分割し、分割した複数の分割時系列データの一部を並べ替えて作成された学習用時系列データの一例を示す図である。図８（ｂ）においては、図８（ａ）における分割時系列データＡ〜Ｊのうち、Ｈ、Ｄ、Ｉ、Ａの順に並べられた学習用時系列データ、及びＦ、Ｊ、Ｃ、Ｂ、Ｃの順に並べられた学習用時系列データが示されている。図８（ｃ）は、図８（ｂ）に示す学習用時系列データに基づいて作成された学習用頻度データの例を示す図である。

学習用時系列データ作成部２３７は、実測時系列データにおけるパラメータの値が０である時点で実測時系列データを分割することにより、複数の分割時系列データを作成する。そして、学習用時系列データ作成部２３７は、実測時系列データにおけるパラメータの値が０から０よりも大きな値に変化する時点から、０よりも大きな値から０に変化する時点までを分割時系列データとする（例えば、図８（ａ）に符号Ａ〜Ｊで示す時系列データ）。学習用時系列データ作成部２３７がこのようにして分割時系列データを作成することにより、複数の分割時系列データを結合した際に、結合時点でデータが急激に変化することを防げる。したがって、学習用時系列データ作成部２３７は、作成した複数の分割時系列データのうち、任意の分割時系列データを任意の順序で並べることができる。

学習用頻度データ作成部２３８は、学習用時系列データ作成部２３７が作成した学習用時系列データに含まれているパラメータの値（例えば車両Ｔの速度）の発生頻度分布を特定することにより、第１の学習用頻度データ（例えば学習用速度頻度データ）を作成する。その際、学習用頻度データ作成部２３８は、学習用時系列データを一階微分して得た時系列データに含まれる値（例えば車両Ｔの加速度）の発生頻度分布を特定することにより、第１の学習用頻度データと異なる第２の学習用頻度データ（例えば学習用加速度頻度データ）を作成してもよい。学習用頻度データ作成部２３８がこのようにして学習用頻度データを作成することで、１つの学習用時系列データから多数の学習用頻度データを作成することができる。

なお、学習用時系列データ作成部２３７は、同一の組み合わせの複数の選択時系列データを複数の異なる順序で並べ替えて、複数の学習用時系列データを作成してもよい。同一の複数の選択時系列データに基づいて学習用時系列データを作成したとしても、それぞれの選択時系列データの間の期間（時系列データの値が０の期間）が異なるようにすることで、学習用頻度データ作成部２３８は、それぞれの学習用時系列データから異なる学習用頻度データを作成することができる。

複数の選択時系列データの間の期間が同一である場合、すなわち時系列データの値が０の期間が同一である場合、複数の学習用時系列データに基づいて学習用頻度データ作成部２３８が作成する学習用時系列頻度データは同一になる。この場合、データ生成部２３６が１つの生成時系列頻度データを機械学習モデルＭに入力した際に、複数の生成時系列データの候補が発生し得る。このような場合であっても、他のパラメータの学習用時系列データ及び学習用頻度データと併用することにより、機械学習モデルＭが、複数の生成時系列データの候補から、最適な生成時系列データを出力することが可能である。学習用時系列データ作成部２３７及び学習用頻度データ作成部２３８がこのような構成を有することで、学習用頻度データの数を増やしつつ、生成時系列データの精度を維持することができる。

［フィルタによる最適化］
モデル作成部２３５が、機械学習モデルＭから出力される生成時系列データと機械学習モデルＭに入力される頻度データに対応する時系列データとの差に基づいて重みを調整する場合、生成時系列データに高周波成分が存在することにより差が大きくなり過ぎて、過度に重みが調整されてしまう場合がある。そこで、モデル作成部２３５は、機械学習モデルＭが出力する生成時系列データにおける閾値（すなわちカットオフ周波数）以上の周波数成分を除去する低周波通過フィルタをさらに有してもよい。

図９は、モデル作成部２３５が低周波通過フィルタＦを有するデータ生成装置２の構成を示す図である。モデル作成部２３５は、機械学習モデルＭに学習用頻度データを入力した際に機械学習モデルＭから出力される生成時系列データと、学習用頻度データに対応する学習用時系列データとの差分に基づいて、低周波通過フィルタＦの特性を更新する。モデル作成部２３５は、例えば、差分が所定の値以上である場合に、低周波通過フィルタＦのカットオフ周波数を低くするように低周波通過フィルタＦの係数又は構成を変更する。

ただし、低周波通過フィルタＦのカットオフ周波数が低くなり過ぎると、生成時系列データを用いて分析する目的において生成時系列データが役立たないものになってしまう。そこで、モデル作成部２３５は、生成時系列データを使用するユーザから使用目的を示す情報を取得し、取得した使用目的に関連付けて予め記憶部２２に記憶された最低周波数以上にカットオフ周波数がなるようにしてもよい。

例えば、生成時系列データが速度の時系列データである場合、当該生成時系列データを分析することにより車両Ｔの燃費を特定することができる。また、当該生成時系列データを分析することにより、運転者の運転スキルを評価することもできる。

運転手の運転スキルを評価する際には、速度の細かい変動を示す情報の重要度が、燃費を特定する際に比べて低いと考えられる。そこで、モデル作成部２３５は、車両Ｔの速度を示す生成時系列データが燃費の特定に用いられる場合のカットオフ周波数を、生成時系列データが運転スキルの評価に用いられる場合のカットオフ周波数よりも高くする。モデル作成部２３５が、このように、機械学習モデルＭの使用目的に応じて低周波通過フィルタＦの特性を変えることで、生成時系列データの使用目的に適した生成時系列データを出力することができる。

機械学習モデルＭの後段に低周波通過フィルタＦが設けられている場合、モデル作成部２３５は、機械学習モデルＭに学習用頻度データを入力した際に低周波通過フィルタＦから出力される生成時系列データと、学習用頻度データに対応する学習用時系列データとの差分に基づいて、機械学習モデルＭの重みを更新してもよい。このようにすることで、モデル作成部２３５は、低周波通過フィルタＦを用いた場合に機械学習モデルＭの重みを最適化することができる。

なお、モデル作成部２３５が機械学習モデルＭの重みを決定した後に低周波通過フィルタＦの特性を更新してしまうと、更新後の低周波通過フィルタＦの特性においては機械学習モデルＭの重みが最適でないという場合が生じ得る。そこで、モデル作成部２３５は、低周波通過フィルタＦの特性の更新と、機械学習モデルＭの重みの更新とを順番に実行してもよい。

具体的には、モデル作成部２３５は、機械学習モデルＭの重みを更新すると、重みが更新された機械学習モデルＭから出力される生成時系列データと、機械学習モデルＭに入力された頻度データに対応する時系列データとの差分に基づいて低周波通過フィルタＦの特性を更新する。続いて、モデル作成部２３５は、低周波通過フィルタＦの特性が更新された状態で機械学習モデルＭが出力する生成時系列データと低周波通過フィルタＦから出力される時系列データとの差分に基づいて機械学習モデルＭの重みを更新する。モデル作成部２３５は、生成時系列データと、機械学習モデルＭに入力された頻度データに対応する時系列データとの差分が所定の大きさ以下になるまでこれらの処理を繰り返すことで、機械学習モデルＭの重みと低周波通過フィルタＦの特性を最適化することができる。

［機械学習モデルＭの評価に基づく重みの更新］
機械学習モデルＭが出力する生成時系列データと機械学習モデルＭに入力される頻度データに対応する時系列データとの差分に基づいて、モデル作成部２３５が機械学習モデルＭの重みを更新したとしても、重みが更新された機械学習モデルＭが出力する生成時系列データが、時系列データの使用目的において最適な状態になっているとは限らない。例えば速度の生成時系列データに基づいて車両Ｔの燃費を解析する場合、生成時系列データに基づいて特定される燃費と実際の燃費との差が小さい方が好ましい。そこで、データ生成装置２は、この差が小さくなるように機械学習モデルＭの重みを更新する。

図１０は、生成時系列データの使用目的に適した機械学習モデルＭになっているか否かを評価し、評価結果に基づいて機械学習モデルＭを更新することが可能なデータ生成装置２の構成を示す図である。図１０に示すデータ生成装置２は、モデル評価部２３９をさらに有するという点で、図４に示したデータ生成装置２と異なり、他の点で同じである。モデル作成部２３５がモデル評価部２３９を含んでいてもよい。

モデル評価部２３９は、所定の時系列データが測定された期間における車両Ｔの所定の部材の状態の変化に対応する第１情報と、所定の時系列データが入力された機械学習モデルＭから出力される生成時系列データに基づいて特定される所定の部材Ｔの状態の変化に対応する第２情報との差に基づいて機械学習モデルＭを評価した結果をモデル作成部２３５に対して出力する。所定の部材は、車両Ｔの走行に伴って状態が変化する部材であり、例えば燃料、ディーゼル微粒子捕集フィルタ（ＤＰＦ）、各種のオイル、バッテリーである。所定の部材は、例えばデータ生成システムＳを利用するユーザ（例えば車両Ｔの管理者）により設定され、モデル作成部２３５又はモデル評価部２３９が外部装置から取得する。モデル作成部２３５又はモデル評価部２３９は、外部装置から生成時系列データの使用目的を取得し、取得した使用目的に基づいて所定の部材を特定してもよい。

モデル評価部２３９は、時系列データ取得部２３１が取得した所定の時系列データに基づいて第１情報を作成してもよく、外部装置から第１情報を取得してもよい。所定の時系列データは、時系列データ取得部２３１が取得した学習用時系列データであってもよく、生成用頻度データ取得部２３３が取得した他の時系列データであってもよい。

モデル作成部２３５は、モデル評価部２３９から入力された評価結果に基づいて機械学習モデルＭの重みを更新する。具体的には、モデル作成部２３５は、評価結果がユーザにより設定された基準レベル未満である場合に機械学習モデルＭの重みを更新し、評価結果が基準レベル以上である場合に機械学習モデルＭの重みを更新しない。モデル作成部２３５は、第１情報と第２情報との差が基準値よりも大きい場合に機械学習モデルＭの重みを更新し、差が基準値以下である場合に機械学習モデルＭの重みを更新しないようにしてもよい。モデル作成部２３５は、差が基準値以下になるまで、機械学習モデルＭの重みを更新して差を算出する処理を繰り返す。

一例として、時系列データ取得部２３１が、所定の時系列データとして車両Ｔの速度の時系列データ及び加速度の時系列データを取得し、学習用頻度データ取得部２３２が、所定の時系列データに対応する所定の頻度データとして車両Ｔの速度の頻度データ及び加速度の頻度データを取得したとする。この場合、モデル評価部２３９は、所定の時系列データに基づいて特定される燃費（第１情報に対応）と、所定の頻度データを機械学習モデルＭに入力した場合に機械学習モデルＭから出力される生成時系列データに基づいて特定される燃費（第２情報に対応）との差に基づいて機械学習モデルＭを評価した結果を出力する。

モデル評価部２３９は、第１情報と第２情報との差が小さければ小さいほど機械学習モデルＭの評価を高くし、差が大きければ大きいほど機械学習モデルＭの評価を低くする。モデル作成部２３５は、モデル評価部２３９が特定した第１情報としての燃費と第２情報としての燃費との差に基づいて機械学習モデルＭの重みを更新する。

モデル評価部２３９は、機械学習モデルＭに入力する頻度データが車両Ｔで取得された期間に車両Ｔが走行した間の所定の部材の変化の状態を外部装置（例えばデータ収集装置１）から取得してもよい。所定の部材が燃料である場合、モデル評価部２３９は、車両Ｔが走行した距離と、試験期間中の燃料の減少量（すなわち消費量）とに基づいて算出された燃費を示す情報を取得する。また、モデル評価部２３９は、当該期間に取得された頻度データを機械学習モデルＭに入力した場合に機械学習モデルＭから出力される生成時系列データにより特定される車両Ｔの速度の履歴に基づいて、燃費を算出する。モデル評価部２３９は、取得した車両Ｔの実際の燃費と算出した燃費とを比較し、差に対応する評価結果を出力する。

車両Ｔがディーゼルエンジンを有しており、所定の時系列データが車両Ｔの速度の変化を示す時系列データであり、所定の頻度データが車両Ｔの速度の発生頻度分布及び加速度の発生頻度分布を示すデータである場合、モデル評価部２３９は、ディーゼル微粒子捕集フィルタ（以下、ＤＰＦという。）の状態に基づいて機械学習モデルＭを評価してもよい。

具体的には、モデル評価部２３９は、所定の時系列データが測定された期間内のＤＰＦの状態の変化に対応する第１情報と、生成時系列データに基づいて特定されるＤＰＦの状態の変化に対応する第２情報との差に基づいて機械学習モデルＭを評価した結果を出力する。ＤＰＦの状態の変化に対応する情報は、例えば、ＤＰＦに蓄積された粒子状物質（ＰＭ）の量を示す情報である。この場合においても、モデル作成部２３５は、第１情報と第２情報との差に基づいて機械学習モデルＭの重みを更新する。ＤＰＦの状態と車両Ｔの速度とは相関度が高く、例えば、車両Ｔが低速走行をする期間が長いと、ＤＰＦに粒子状物質が蓄積されやすい。そこで、モデル作成部２３５が、車両Ｔの速度との相関度が高いＤＰＦの状態に基づく評価結果を用いて機械学習モデルＭの重みを更新することにより、機械学習モデルＭの精度が向上する。

燃費及びＤＰＦの状態の変化は、車両Ｔが走行した道路の勾配の変化によっても影響される。そこで、モデル作成部２３５は、所定の時系列データが取得された間に車両Ｔが走行した場所の勾配の頻度を示す所定の勾配頻度データを教師データとしてさらに取得して機械学習をしてもよい。この場合、モデル作成部２３５は、機械学習モデルＭに所定の速度頻度データ、所定の加速度頻度データ及び所定の勾配頻度データを入力した際に機械学習モデルＭから出力される生成時系列データと、所定の速度頻度データ、所定の加速度頻度データ及び所定の勾配頻度データに対応する所定の時系列データとの差分に基づいて、機械学習モデルＭの重みを更新する。そして、モデル評価部２３９は、燃費又はＤＰＦの状態の変化に基づいて機械学習モデルＭを評価する。

［モデル評価装置］
モデル評価部２３９の機能は、データ生成装置２と異なるモデル評価装置において実現されてもよい。図１１は、モデル評価装置３の構成を示す図である。モデル評価装置３は、例えばコンピュータであり、通信部３１と、記憶部３２と、制御部３３とを有する。制御部３３は、時系列データ取得部３３１と、情報作成部３３２と、評価結果出力部３３３とを有する。

通信部３１は、通信部２１と同等の機能を有しており、ネットワークＮを介してデータを送受信するための通信インターフェースを有する。通信部３１は、例えばデータ生成装置２から、機械学習モデルＭに入力された頻度データに対応する時系列データ、及び機械学習モデルＭが出力した時系列データを受信し、受信したデータを時系列データ取得部３３１に入力する。また、通信部３１は、評価結果出力部３３３から入力された評価結果をデータ生成装置２に送信する。

記憶部３２は、ＲＯＭ、ＲＡＭ、及びハードディスクを含む。記憶部３２は、制御部３３が実行するプログラムを記憶する。また、記憶部３２は、通信部３１を介して受信した各種のデータを一時的に記憶する。

制御部３３は、例えばＣＰＵであり、記憶部３２に記憶されたプログラムを実行することにより、時系列データ取得部３３１、情報作成部３３２及び評価結果出力部３３３として機能する。

時系列データ取得部３３１は、通信部３１を介して、所定の時系列データに対応するパラメータの頻度データが入力された機械学習モデルＭが出力する上記パラメータの生成時系列データを取得する。また、時系列データ取得部３３１は、通信部３１を介して、生成時系列データを出力した機械学習モデルＭに入力された所定の時系列データを取得する。時系列データ取得部３３１は、所定の時系列データを生成時系列データとともにデータ生成装置２から取得してもよく、生成時系列データと別に取得してもよい。また、時系列データ取得部３３１は、所定の時系列データとともに、所定の時系列データが取得された期間に車両Ｔが走行した距離を示す情報を取得してもよい。

情報作成部３３２は、時系列データ取得部３３１が取得した時系列データに基づいて特定される車両Ｔの所定の部材の状態の変化を示す情報を生成する。具体的には、情報作成部３３２は、所定の時系列データが測定された期間における車両Ｔの所定の部材の状態の変化に対応する第１情報と、生成時系列データに基づいて特定される所定の部材の状態の変化に対応する第２情報とを作成する。

所定の時系列データが車両Ｔの速度の時系列データである場合、情報作成部３３２は、所定の時系列データが測定された期間内の車両Ｔの燃費である第１情報を作成する。具体的には、機械学習モデルＭが、速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、速度の時系列データを一階微分して得られる時系列データにおける加速度の発生頻度分布を示す加速度頻度データと、を教師データとして機械学習して作成された場合、情報作成部３３２は、車両Ｔの速度との相関度が高い燃費を第１情報とする。

情報作成部３３２は、例えば所定の時系列データにおける速度と、予め記憶部３２に記憶された速度と燃料噴射量との関係と、に基づいて算出される燃料消費量を、所定の時系列データが取得された期間の走行距離で除算することにより、第１情報に対応する燃費を算出する。また、情報作成部３３２は、機械学習モデルＭが生成した生成時系列データにおける速度と、予め記憶部３２に記憶された速度と燃料噴射量との関係と、に基づいて算出される燃料消費量を走行距離で除算することにより、第２情報に対応する燃費を算出する。

車両Ｔがディーゼルエンジンを有している場合、情報作成部３３２は、所定の時系列データが測定された期間内のＤＰＦの状態の変化に対応する第１情報と、生成時系列データに基づいて特定されるＤＰＦの状態の変化に対応する第２情報とを作成してもよい。

評価結果出力部３３３は、情報作成部３３２が作成した第１情報及び第２情報との差に基づいて機械学習モデルＭを評価した結果を出力する。評価結果出力部３３３は、差が小さければ小さいほど機械学習モデルＭの評価を高くし、差が大きければ大きいほど機械学習モデルＭの評価を低くする。評価結果出力部３３３は、例えば、通信部３１を介して評価結果をデータ生成装置２に送信する。評価結果出力部３３３は、評価結果をディスプレイに表示させてもよく、プリンタに印刷させてもよい。

このように、機械学習モデルＭが出力できる時系列データのパラメータとの相関度が高い部材の状態の変化に基づいてモデル評価装置３が機械学習モデルＭを評価することで、機械学習モデルＭの管理者又は作成者が、機械学習モデルＭの状態を適切に把握することができる。また、モデル評価装置３が、評価結果をデータ生成装置２に送信することで、データ生成装置２が機械学習モデルＭを改善することができる。

なお、以上の説明においては、情報作成部３３２が所定の時系列データを用いて第１情報を作成する場合を例示したが、情報作成部３３２は、所定の時系列データが取得された間に車両Ｔにおいて実測された第１情報を取得し、評価結果出力部３３３が当該第１情報を用いて機械学習モデルＭを評価してもよい。

［実施例］
図１２は、本実施の形態に係るデータ生成装置２を用いて頻度データから時系列データを作成した実施例を示す図である。図１２（ａ）は、実際に車両Ｔにおいて測定された速度の時系列データを示している。図１２（ｂ）は、図１２（ａ）に示した時系列データに対応する速度の頻度データ及び加速度の頻度データを機械学習モデルＭに入力した際に機械学習モデルＭから出力された時系列データを示している。それぞれのデータは、実際のデータの傾向を維持した状態でデフォルメされている。

図１２（ａ）と図１２（ｂ）とを対比すると、細部においては差が見られるものの、全体的な速度の変化の傾向はほぼ一致している。機械学習モデルＭがさらに学習を重ねることにより、両者の差はさらに小さくなると考えられる。

［本実施の形態による効果］
以上説明したように、データ生成装置２は、車両Ｔが走行中に測定された所定のパラメータの学習用時系列データと、学習用時系列データに対応する学習用頻度データとを教師データとして機械学習することにより、所定のパラメータの頻度データが入力されたことで時系列データを出力可能な機械学習モデルＭを作成することができる。データ生成装置２がこのような機械学習モデルＭを作成することで、所定のパラメータの頻度データしか得ることができない場合であっても、機械学習モデルＭから出力される生成時系列データを解析することで、データ生成装置２を利用する車両Ｔの管理者が、車両Ｔの燃費、部品の劣化度等のように、パラメータに関連する各種の情報を得ることができる。

データ生成装置２は、学習用時系列データに係るパラメータの値を一階微分した値の時系列データに基づく頻度データをさらに教師データとして用いて機械学習モデルＭを作成してもよい。学習用時系列データが速度の時系列データである場合、データ生成装置２は、速度の頻度データ及び加速度の頻度データを用いて機械学習モデルＭを作成する。データ生成装置２がこのように複数の頻度データを用いて機械学習モデルＭを作成することで、機械学習モデルＭの精度が向上する。

さらに、データ生成装置２は、第１パラメータの発生頻度分布を示す第１学習用頻度データと、第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを教師データとして用いて機械学習モデルＭを作成してもよい。データ生成装置２は、第１パラメータの値及び第２パラメータの値の一階微分値の頻度データをさらに教師データとして用いてもよい。データ生成装置２がこのように変化速度の傾向が異なる複数のパラメータに係る頻度データを用いることで、機械学習モデルＭが出力する生成時系列データの精度がさらに向上する。

また、データ生成装置２は、車両Ｔで測定されたパラメータに係る時系列データを分割して複数の分割時系列データを作成し、作成した複数の分割時系列データから選択した複数の選択時系列データを並べ替えて学習用時系列データを作成してもよい。さらに、データ生成装置２は、作成した学習用時系列データにおけるパラメータの発生頻度分布を示す学習用頻度データを作成してもよい。データ生成装置２がこのように動作することで、機械学習に用いることができる教師データを増やすことができるので、機械学習モデルＭの学習期間を短縮したり、機械学習モデルＭの性能を向上させたりすることができる。

また、データ生成装置２は、機械学習モデルＭが出力する生成時系列データにおける閾値以上の周波数成分を除去する低周波通過フィルタをさらに有してもよい。そして、データ生成装置２は、機械学習モデルＭに入力された時系列データと、当該フィルタから出力される時系列データとを比較した結果に基づいて、フィルタの特性や機械学習モデルＭの重みを更新してもよい。データ生成装置２がこのような構成を有することで、データ生成装置２が出力する時系列データをさらに改善することができる。

また、データ生成装置２は、所定の時系列データが測定された期間における車両の所定の部材の状態の変化に対応する第１情報と、生成時系列データに基づいて特定される所定の部材の状態の変化に対応する第２情報との差に基づいて機械学習モデルを評価した結果を出力してもよい。データ生成装置２は、例えば車両Ｔにおいて測定された時系列データに対応する燃費と、機械学習モデルＭが出力した時系列データに基づいて特定される燃費とを比較した結果に基づいて機械学習モデルＭを評価する。データ生成装置２がこのような構成を有することで、データ生成装置２の管理者や作成者が、機械学習モデルＭが適切に構成されているか否かを判断することが可能になる。

そして、データ生成装置２は、このようにして評価された結果に基づいて機械学習モデルＭの重みを更新してもよい。データ生成装置２が、評価結果に基づいて重みを更新することにより、データ生成装置２が、使用目的に適した機械学習モデルＭを作成することが可能になる。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。

例えば、以上の説明においては、データ生成装置２がデータ収集装置１から時系列データ及び頻度データを取得する場合を例示したが、データ生成装置２がデータ収集装置１の機能を有しており、データ生成装置２が複数の車両Ｔから測定データを受信してもよい。

また、以上の説明においては、データ生成装置２として機能するコンピュータが、モデル作成装置の機能を有するとともに、生成用頻度データが入力されたことに応じて機械学習モデルＭから出力された生成時系列データを出力する機能も有する場合を例示したが、データ生成装置２の構成はこれに限らない。データ生成装置２は、モデル作成装置として機能する第１コンピュータと、第１コンピュータに生成用頻度データを入力し、第１コンピュータから生成時系列データを取得する第２コンピュータとによって構成されていてもよい。

１ データ収集装置
２ データ生成装置
３ モデル評価装置
２１ 通信部
２２ 記憶部
２３ 制御部
３１ 通信部
３２ 記憶部
３３ 制御部
２３１ 時系列データ取得部
２３２ 学習用頻度データ取得部
２３３ 生成用頻度データ取得部
２３４ データ出力部
２３５ モデル作成部
２３６ データ生成部
２３７ 学習用時系列データ作成部
２３８ 学習用頻度データ作成部
２３９ モデル評価部
３３１ 時系列データ取得部
３３２ 情報作成部
３３３ 評価結果出力部

Claims (7)

1. 車両が走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得する時系列データ取得部と、
   前記学習用時系列データにおける前記第１パラメータの発生頻度分布を示す第１学習用頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得する学習用頻度データ取得部と、
   前記学習用時系列データと、前記第１学習用頻度データと、前記第２学習用頻度データとを教師データとして機械学習することにより、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データが入力されたことに応じて前記第１パラメータの時系列データである生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
   を有するモデル作成装置。
2. 前記第１パラメータが前記車両の速度及び加速度の少なくともいずれかであり、前記第２パラメータが前記車両で使用される冷却水の温度及び油の温度の少なくともいずれかである、
   請求項１に記載のモデル作成装置。
3. 前記モデル作成部は、前記機械学習モデルに前記第１学習用頻度データ及び前記第２学習用頻度データを入力した際に前記機械学習モデルから出力される前記生成時系列データと、前記第１学習用頻度データ及び前記第２学習用頻度データに対応する前記学習用時系列データとの差分に基づいて、前記機械学習モデルの重みを更新する、
   請求項１又は２に記載のモデル作成装置。
4. 前記生成時系列データを生成するために用いられる前記第１パラメータに対応する第１生成用頻度データ及び前記第２パラメータに対応する第２生成用頻度データを取得する生成用頻度データ取得部と、
   前記第１生成用頻度データ及び前記第２生成用頻度データを前記機械学習モデルに入力することにより前記機械学習モデルから出力される前記生成時系列データを出力するデータ出力部と、
   をさらに有する、
   請求項１から３のいずれか一項に記載のモデル作成装置。
5. 車両が走行中に測定された第１パラメータの発生頻度分布を示す第１頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２頻度データとを取得する生成用頻度データ取得部と、
   前記車両の前記第１パラメータの学習用時系列データと、当該学習用時系列データに対応する第１学習用頻度データと、前記第２パラメータに対応する第２学習用頻度データとを教師データとして機械学習した機械学習モデルに、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力することにより、前記第１パラメータの前記発生頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
   を有するデータ生成装置。
6. コンピュータが実行する、
   車両が走行中に測定された第１パラメータの時系列データを学習用時系列データとして取得するステップと、
   前記学習用時系列データにおける前記第１パラメータの発生頻度分布を示す第１学習用頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２学習用頻度データとを取得するステップと、
   前記学習用時系列データと、前記第１学習用頻度データと、前記第２学習用頻度データとを教師データとして機械学習することにより、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データが入力されたことに応じて前記第１パラメータの時系列データである生成時系列データを出力する機械学習モデルを作成するステップと、
   を有するモデル作成方法。
7. コンピュータが実行する、
   車両が走行中に測定された第１パラメータの発生頻度分布を示す第１頻度データと、前記第１パラメータよりも変化速度が遅い第２パラメータの発生頻度分布を示す第２頻度データとを取得するステップと、
   前記車両の前記第１パラメータの学習用時系列データと、当該学習用時系列データに対応する第１学習用頻度データと、前記第２パラメータに対応する第２学習用頻度データとを教師データとして機械学習した機械学習モデルに、前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力するステップと、
   前記機械学習モデルに前記第１パラメータの発生頻度データ及び前記第２パラメータの発生頻度データを入力したことに応じて前記機械学習モデルから出力される生成時系列データを出力するステップと、
   を有するデータ生成方法。
   
   

Images