JP2021124854A - 運転モード検出装置、運転モード検出システム及び運転モード検出方法 - Google Patents

Abstract

【課題】運転モード検出装置において最適な閾値を動的に自動で設定する。【解決手段】時系列稼働データを収集して運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化部５４と、閾値時系列データを用いて運転モードに対応したテンプレート時系列データを作成するテンプレート作成部５５と、新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより運転モードを検出する運転モード判定部５６を有する。【選択図】図１

Description

本発明は、運転モード検出装置、運転モード検出システム及び運転モード検出方法に関する。

運転中の機器から取得した様々なセンサ値（稼動データ）を診断することによって、機器の故障の予兆を検知し、本格的な故障を未然に防ぐ技術が一般的に普及している。機器の故障の予兆はその機器が関係する特有の運転モード（自動車のアクセル操作、ブレーキ操作、ステアリング操作などの稼働状態）のみに発現する。このため、故障の予兆を検知するためには、稼働データから特有の運転モードが発生している期間を抽出する必要がある。

稼働データのような時系列データから特定の運転モードが発生した期間を抽出する技術としては、非特許文献１の時系列パターンマッチング技術を用いたものがある。非特許文献１では、ある処理を行われた稼働データ（抽出対象時系列データ）に対して、ある閾値以上の期間を抽出し、抽出された期間に対して、ＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）法を用いて運転モードごとのテンプレート時系列データとの類似度を計算し、類似度が最も高いテンプレートの運転モードを抽出された期間の運転モードとして判定する。

Ｐｅｒｆｏｒｍａｎｃｅ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ （ＤＴＷ） ａｎｄ ａ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ （ＭＬ） ｃｌａｓｓｉｆｉｅｒ ｉｎ ｍｅａｓｕｒｉｎｇ ｄｒｉｖｅｒ ｂｅｈａｖｉｏｒ ｗｉｔｈ ｓｍａｒｔｐｈｏｎｅｓ、 Ｊ．Ｅｎｇｅｌｂｒｅｃｈｔ、 ｅｔ．ａｌ． （２０１５）

非特許文献１では、ある閾値を用いて、抽出対象時系列データから何らかの運転モードが発生した期間を抽出する。この閾値は一定の値を用いているが、最適な閾値は自動車の周辺状況やドライバごとに異なると考えられる。一方で、自動車の周辺状況やドライバは自動車の走行によって時々刻々と変化し、最適な閾値も多様に変化すると考えられる。自動車の走行環境やドライバの情報に応じて、手動で最適な閾値を設定することは困難である。

本発明の目的は、運転モード検出装置において、最適な閾値を動的に自動で設定することにある。

本発明の一態様の運転モード検出装置は、移動機器の時系列稼働データを収集して運転モードを検出する運転モード検出装置であって、前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化部と、前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成部と、新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定部と、を有することを特徴とする。

本発明の一態様の運転モード検出システムは、移動機器に設置された端末装置と、前記端末装置にネットワークを介して接続された運転モード検出装置と、を有する運転モード検出システムであって、前記端末装置は、前記移動機器の時系列稼働データを取得する稼働データ取得部を有し、前記運転モード検出装置は、前記稼働データ取得部が取得した前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化部と、前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成部と、新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定部と、を有する。

本発明の一態様の運転モード検出方法は、移動機器の時系列稼働データを収集して運転モードを検出する運転モード検出方法であって、前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化ステップと、前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成ステップと、新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定ステップと、を有することを特徴とする。

本発明の一態様によれば、運転モード検出装置において、最適な閾値を動的に自動で設定することができる。

運転モード検出システムの構成を説明する図である。 特徴量時系列データを説明する図である。 勾配の影響の補正方法を説明する図である。 運転モードが発生した期間を抽出する方法を説明する図である。 抽出した期間のクラスタリング方法とその結果を説明する図である。 テンプレート時系列データ作成の処理フローを説明する図である。 運転モード検出の処理フローを説明する図である。 特徴量時系列データから閾値決定関数を用いて閾値時系列データを作成する方法を説明する図である。 抽出対象時系列データと閾値時系列データを用いてクラスタリングを行う方法を説明する図である。 クラスタの評価方法を説明する図である。 最適化された閾値時系列データが与えられたもとで期間検出を行う方法を説明する図である。 テンプレートの作成方法を説明する図である。

以降、実施形態を、図面を参照しながら詳細に説明する。
実施形態において、具体的には、道路上を走行する自動車から得られる稼働データからある運転モードが発生した期間を抽出するための閾値を決定する例を説明する。なお、本発明は、自動車以外の車両、例えば、自動二輪車、建設機械、船舶、航空機等にも適用可能である。さらに、本発明は、人間等が搭乗しない機器にも適用可能である。実施形態において“車両”と言う語は、“移動する機器”を意味する。

稼働データとは、車両に設置された端末が収集する車載センサや端末のセンサが取得するセンサ値（測定値）である。センサが取得した一次的なデータの他に、一次的なデータを加工・演算した結果算出される二次データも稼働データに含まれる。稼働データの例として、加速度、車速、エンジン回転速度、角速度等、多くの種類が存在する。

ここで、稼働データの特徴は、移動する機器の稼働環境、稼働属性及び稼働状態に対応し、運転モード検出に必要なセンサデータとその変化パターンを情報に含む。稼働環境は、天候、道路属性又は交通状況を含む。天候は、降水の有無、降雪の有無、降水量、降雪量、湿度、風向き、気温の内の少なくとも１つを含む。道路属性は、制限速度、勾配、交通量、交差点数、車線数、幅員の内の少なくとも１つを含む。交通状況は、混雑、渋滞、順調、道路区間ごとの旅行時間の内の少なくとも１つを含む。稼働属性は、ドライバＩＤ、ドライバの運転傾向、車両ＩＤ、車両重量の内の少なくとも１つを含む。稼働状態は、速度、加速度、角加速度、エンジン回転数、移動距離の内の少なくとも１つを含む。

走行環境とは、車両の稼働環境であり、車両が走行する外部環境についての任意の物理量である。走行環境は、車載に設置された端末の位置センサ情報と環境情報を記憶した外部データベースを用いて取得されてもよいし、他の物理センサによって取得されてもよい。走行環境は、天候状態、道路状態及び交通状態の３つである。天候の例は雨や雪、晴れといった情報である。道路状態の例としては、勾配や制限速度である。交通状態としては、道路の渋滞の有無である。天候状態は気象データベース、道路状態は地図データベースから、交通状態は道路交通情報通信システム等から取得され、任意の位置と時間におけるそれぞれの状態が記憶されている。

実施形態の運転モード検出システムが検出の対象とするデータは、稼働データである。運転モード検出システムは、稼働データに対して、ある閾値を用いて何らかの運転モードが発生した期間を抽出し、その抽出された期間についてあらかじめ運転モードごとに登録しておいたテンプレート時系列データと照合し、最も類似度が高いものと同じ運転モードであると判定する。

実施形態の運転モード検出閾値決定方法は、上記の運転モード期間を検出する閾値が走行環境やドライバによって依存することを前提とし、それらの情報に応じて閾値を最適化する。最適化の指標としては、所与の閾値を与えて運転モード検出を行い、クラスタリングを実行した際のクラスタのまとまりの良さ、すなわち、同一クラスタ内のデータの分散の大きさと異なるクラスタ間の分散の大きさから計算される指標を用いる。

図１を参照して、運転モード検出システムの構成を説明する。
運転モード検出システムは、端末装置１と運転モード検出装置２を有する。端末装置１は車両３に設置された移動情報端末である。端末装置１は、主記憶装置１１、通信装置１２、入力装置１３及び端末制御装置１４を備える。主記憶装置１１におけるＩＤ取得部２１及び稼働データ取得部２２はプログラムである。

運転モード検出システム２は、一般的なコンピュータである。運転モード検出システム２は、中央制御装置３１、入力装置３２、出力装置３３、通信装置３４、補助記憶装置３５及び主記憶装置３６を備える。これらはバスで接続されている。補助記憶装置３５は、稼働データ４１、車両情報４２、特徴量データ４３、閾値決定関数４４、テンプレート４５及び検出結果４６を格納している。主記憶装置３６における走行環境情報取得部５１、前処理部５２、特徴量作成部５３、閾値最適化部５４、テンプレート作成部５５及び運転モード判定部５６はプログラムである。

以降の説明において、“○○部は”と動作主体を記した場合、それは、端末装置１の場合は、端末制御装置１４が主記憶装置１１上のプログラムを実行することを意味し、運転モード検出装置２の場合は、中央制御装置３１が補助記憶装置３５もしくは外部データベース４から○○部を読み出し、主記憶装置３６にロードしたうえで○○部の機能を実現することを意味する。また、以降の説明で用いられる類似度とは、ＤＴＷ法などの時系列データ間の類似度を計算する手法を用いて計算されたものとする。

以下に端末装置１上のプログラムの機能について説明する。ＩＤ取得部２１はユーザが入力装置１３を用いて入力した車両３の車両ＩＤとドライバのＩＤを取得する。稼働データ取得部２２は車両３の各センサからセンサ値を収集し、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星などの位置計測システムから電波を受信して自身の位置情報（緯度及び経度）を算出する。それらの時系列データを稼働データとして出力する。

通信装置１２は、無線技術を使用して稼働データ取得部２２が取得した稼働データを運転モード検出装置２にネットワーク５を介して送信する。以下に運転モード検出装置２について説明する。

運転モード検出装置２は、ネットワーク５を介して、外部装置４及び端末装置１と通信可能である。外部装置４は、天候状態、道路状態、勾配状態及び交通状態を位置情報と時刻に関連付けて記憶している。端末装置１が収集した稼働データと車両及びドライバの情報は補助記憶装置３５の稼働データ４１に蓄積される。

走行環境情報取得部５１は、稼働データ４１のうち、位置情報の時系列データをもとに、外部装置４の位置情報と時刻に関連付けられた天候情報、道路状態及び交通状態を照合し、それぞれの時系列データ（走行環境時系列データ）を作成する。天候は、晴れ、曇り、雨及び雪などのカテゴリ変数で表し、道路状態は車両走行位置における道路の制限速度で表し、交通状態は渋滞の有無を示す２値の変数で表す。

前処理部５２は稼働データ４１の位置情報の時系列データと外部装置４の位置と時刻に関連付けられた勾配状態を照合し、勾配の時系列データを作成する。また、稼働データ４１のうち、車両ＩＤの情報と、車両情報４２に蓄積された車両ＩＤごとの車両重量に基づき、車両３の車両重量を算出する。そして、稼働データ４１のうち、進行方向の加速度など、道路の勾配による影響がある物理量について、勾配の値と車両重量から勾配による影響を差し引いた物理量を求める。また、運転モードの抽出対象となる物理量の時系列データについて、その物理量の時系列データの２乗をしたものの移動平均をとり、抽出対象時系列データとして稼働データ４１に格納する。

特徴量作成部５３は、稼働データ４１のドライバの情報を時系列データにし、ドライバ、車両３の速度の時系列データ及び走行環境情報取得部５１が作成した走行環境時系列データを時刻に基づき同期して、特徴量時系列データを作成する。閾値最適化部５３は、特徴量作成部５３が作成した特徴量時系列データを閾値決定関数に与え、閾値の時系列データを作成する。（数１）に閾値決定関数を示す。閾値決定関数は特徴量時系列データの値を変数と適当なパラメータで表される関数である。

σ_ｋ＝ｆ（Ｘ_ｋ｜θ） （数１）
ｆは閾値決定関数であり、σ_ｋは時間ステップｋにおける閾値の値、Ｘ_ｋは時間ステップｋにおける特徴量時系列データの値のベクトル、θは閾値決定関数のパラメータのベクトルである。ある時間ステップｋおける、特徴量時系列データの値のベクトルＸ_ｋが与えられると、パラメータθのもとで閾値決定関数が閾値の値σ_ｋを決定する。閾値決定関数のモデルは深層学習などの機械学習のモデルを用いる。このようにして、閾値決定関数ｆ（Ｘ_ｋ｜θ）は特徴量時系列データから閾値の時系列データを作成する。

次に、閾値時系列データを用いて、抽出対象時系列データＺのうち、閾値の値以上となる期間を抽出し、部分時系列集合を作成する。部分時系列集合に対して、ＤＴＷ法等の時系列データの類似度計算手法を用いて、部分時系列集合のサンプル間の類似度を相互に計算し、その類似度をもとにクラスタリングを行う。この時、クラスタの数は運転モードの数である。この結果生成されたクラスタのまとまりの良さ、すなわち同一クラスタの分散と異なるクラスタ間の分散の大きさから計算される指標の値を計算する。例えば、（数２）のような計算式でクラスタのまとまりの良さを評価する。

Ｗ_ｏｕｔ／Ｗ_ｉｎ （数２）
ここで、Ｗ_ｏｕｔは異なるクラスタの分散の大きさの平均であり、Ｗ_ｉｎは同一のクラスタの分散の平均である。このような指標を所与の閾値関数ｆ（Ｘ_ｋ｜θ）に対して抽出対象時系列データＺから運転モード期間を抽出して部分時系列集合データを作成し、クラスタリングを行った際のクラスタのまとまりの良さを計算する関数を（数３）のように表現する。

ｇ（Ｚ｜ｆ（Ｘ_ｋ｜θ）） （数３）
（数３）を最大化するときのパラメータベクトルθを（数４）のように求めて、閾値決定関数のデータベース４４に格納する。
ａｒｇ ｍａｘθｇ（Ｚ｜ｆ（Ｘ_ｋ｜θ）） （数４）

テンプレート作成部５５は、閾値決定関数が最適化されたという前提のもと、閾値決定関数のデータベース４４に格納された最適な閾値決定関数を用いて、閾値時系列データを作成し、期間抽出を行う。その結果得られた部分時系列集合に対してサンプル間の類似度に基づいてクラスタリングを行う。この時、サンプルは運転モードごとにクラスタを生成し、各クラスタの重心に最も近いサンプルを各運転モードのテンプレート時系列データとして採用する。このようにして選ばれたテンプレート時系列データを運転モードのラベルを付加して、テンプレートのデータベース４５に格納する。

運転モード判定部５６は、テンプレートが作成されたという前提のもと、閾値決定関数を用いて、端末装置１が新たに収集した稼働データに対して、期間抽出を行う。抽出された各期間に対し、テンプレートのデータベース４５に格納されたテンプレート時系列データベースと類似度を計算し、類似度が最も高いものを選択する。そのテンプレート時系列データのラベルをその抽出期間にも付加する。このようにして抽出期間と、そのラベルを検出結果のデータベース４６に格納する。

図２を参照して、特徴量時系列データの例を説明する。
特徴量時系列データは、走行環境取得部５１が出力する天候２０１、制限速度２０２、渋滞の有無２０３の時系列データと、稼働データ４１が記憶するドライバＩＤ２０４の時系列データ及び車両の稼働データのうち速度２０５の時系列データから構成される。なお、ドライバＩＤ２０４の代わりに、ドライバの運転傾向を示す属性ラベル値、例えば、荒い運転や穏やかな運転を示すラベル値を用いてもよい。

図３を参照して、前処理部５２が行う道路の勾配の補正方法の例について説明する。
稼働データのうち、加速度などの物理量は道路の勾配による影響を受ける。加速度の場合を例に、道路の勾配の影響を差し引いて補正する計算式を（数５）に示す。
ａ_ｎ、ｋ＝ａ_ｍ、ｋ−Ｍｇｓｉｎθ_ｋ （数５）
ここで、ａ_ｍ、ｋは時間ステップｋにおける加速度、θ_ｋは、車両３０１に対して環境情報取得部５１が取得した時間ステップｋにおける勾配、Ｍは車両情報のデータベース４２が記憶する車両３０１の重量、ｇは重力加速度、ａ_ｎ、ｋは補正された加速度である。

図４を参照して、運転モードが発生した期間を抽出する方法について説明する。
稼働データから期間抽出を行う際、抽出対象時系列データ４０１の値が特徴量時系列データを入力として閾値決定関数４４が作成した閾値時系列データ４０２の値以上の部分を運転モードが発生した期間、すなわち抽出期間４０３として抽出する。

図５を参照して、抽出期間のクラスタリング方法及び結果について説明する。図５は抽出期間の集合を２つの運転モードにクラスタリングした結果のイメージである。
各抽出期間の時系列データ、すなわち、部分時系列データの類似度をそれぞれ計算し、それに基づきクラスタ分割を行う。図５では２次元平面でデータの分布及びクラスタを表現しているが、実際は相対的な類似度のみで定義される空間上にデータが分布している。５０１、５０２はクラスタリングによって生成されたクラスタであり、５０３のような白丸の点は各部分時系列データであり、それぞれのクラスタ５０１、５０２は重心５０４、５０５を持つ。これらの重心５０２、５０４はクラスタ５０１、５０２内で最も各運転モードの特徴を顕著に有する部分時系列データであるといえる。

図８を参照して、特徴量時系列データ８０１から閾値決定関数を用いて閾値時系列データを作成する方法について説明する。ここでは、閾値決定関数８０２は線形の関数であると仮定して説明する。
図８に示すように、各特徴量時系列データと閾値決定関数８０２の重みづけ係数を線形結合して、閾値時系列データ８０３を作成する。

図９を参照して、抽出対象時系列データ９０１と閾値時系列データ８０３（図８参照）を用いてクラスタリングを行う方法について説明する。
抽出対象時系列データ９０１に閾値時系列データ８０３を与えて運転モードが発生した可能性がある期間を検出し、それらを集めて部分時系列データ集合９０３を作成する。部分時系列データ集合９０３に対して、集合の各要素間の距離に基づいてクラスタリングを行ってクラスタ９０４（クラスタ１、クラスタ２）を作成する。このクラスタ９０４の評価を最大にすることで与えた閾値時系列データ８０３を最適化する。

図１０を参照して、クラスタ９０４の評価方法について説明する。
クラスタ９０４の中心付近には各クラスタ（クラスタ１、クラスタ２）の特徴をよく反映したデータ１００１があり、各クラスタ９０４の中心から離れた位置にはどのクラスタに分類されるかどうかが判別つきにくいデータ１００２がある。データ１００２の割合が少ないとクラスタ９０４はまとまりが良いクラスタになる。すなわち、クラスタ９０４内の分散の値が大きくなり、クラスタ９０４間の分散の値が小さくなる。このクラスタ９０４のまとまりの良さをクラスタ９０４の評価指標としてクラスタ９０４内の分散とクラスタ９０４間の分散の値から指標の値を計算する。

ここで、運転モード検出システムで稼働データから運転モード検出を行うためには、三つの段階を踏む必要がある。第一段階は稼働データ蓄積のフェーズである。稼働データ収集の対象となる車両やドライバの登録を行った後、閾値決定関数のパラメータの学習を行うための稼働データの収集を行い、稼働データ４１に格納する。

第二段階はテンプレート時系列データ作成のフェーズである。蓄積された稼働データをもとに、閾値決定関数のパラメータを閾値最適化部５４を用いて決定し、その閾値決定関数を用いてテンプレート時系列データを作成し、閾値決定関数のデータベース４４とテンプレートのデータベース４５に格納する。

第三段階は運転モード検出のフェーズである。端末装置１が収集した新たな稼働データに対して、閾値決定関数とテンプレート時系列データを用いて運転モードを検出し、検出結果４６に格納する。

図６のフローチャートを参照して、第二段階における処理について説明する。
稼働データ読み込みステップ６０１において、第一段階で収集した稼働データを稼働データのデータベース４１から取得し、主記憶装置３６にロードする。次に、走行環境取得ステップ６０２において、走行環境情報取得部５１が稼働データのうち位置の時系列データと外部装置４の走行環境の情報を対応付けて、車両の走行環境の時系列データを作成する。

次に、勾配補正ステップ６０３において、稼働データのうち位置の時系列データと外部装置４の勾配情報を対応付けて、勾配の時系列データを作成し、それをもとに加速度などの勾配に影響を受ける物理量について、勾配の影響を差し引いた値に補正する。次に、特徴量時系列データ作成６０４において、特徴量作成部５３が走行環境の時系列データ、時系列データ化されたドライバの情報、車両の速度の時系列データをそれぞれ同期し、特徴量時系列データとする。

ステップ６０５〜６０９は閾値最適化部５４が実行し、閾値決定関数のパラメータを最適化する。閾値時系列データ作成ステップ６０５において、閾値最適化部５４が特徴量時系列データを閾値決定関数に与えて、閾値の時系列データを作成する。

次に、ステップ６０６において、抽出対象時系列データ４０２が閾値を超える部分を抽出し、部分時系列データ集合を作成する。ステップ６０７において、部分時系列集合に対して、時系列データの類似度にもとづいてクラスタリングを実行する。クラスタ評価値計算ステップ６０８において、クラスタリングの結果生成されたクラスタの同一クラスタ内の分散の大きさと異なるクラスタ間の分散の大きさから計算される指標の値を計算し、クラスタのまとまりの良さを評価する。

次に、ステップ６０９において、閾値決定関数のパラメータを変化させながら繰り返しステップ６０５〜６０８を実行し、クラスタのまとまりの良さの評価値の変化が閾値以下となったところ、すなわちステップ６１０の条件を満たしたときにループを抜ける。

次に、ステップ６１１において、最適な閾値決定関数のパラメータが与えられたもとで実行されたクラスタリングのクラスタの重心のデータを取得する。

最後に、ステップ６１２において、各クラスタの重心のデータに運転モードごとのラベルを付与し、運転モードのテンプレートとする。

図７のフローチャートを参照して、第三段階における処理について説明する。
ステップ７０１〜７０４は第二段階の場合と同様の処理を行う。ここで、稼働データは第二段階で用いたテンプレート時系列データ作成のための稼働データと異なる新規稼働データである。

次に、ステップ７０５において、閾値決定関数のデータベース４４から第二段階にて最適化された閾値決定関数を用いて閾値の時系列データを作成する。ステップ７０６において、期間抽出を行い、部分時系列データ集合を作成する。次に、ステップ７０７において、テンプレート時系列データのデータベース４５から、運転モードごとのテンプレート時系列データを取得する。ステップ７０８において、各運転モードのテンプレート時系列データと、各部分時系列データとの類似度を計算し、類似度が最も高い運転モードを選択し、部分時系列データにラベリングする。

最後の、ステップ７０９にて、運転モードがラベリングされた部分時系列の情報をもとに、元の稼働データに運転モード発生期間と運転モードの種類をラベリングし、検出結果のデータベース４６に保存する。

ここで、図１１に示すように、最適化された閾値時系列データ１００１が与えられたもとで期間検出を行えば、適切な運転モード発生期間１００２が得られる。

尚、図１２に示すように、最適化された閾値の時系列データ１００１を用いて検出した運転モード発生期間１００２の集合をクラスタリングし、その結果得られた各クラスタ１２０１の中心のデータ１２０２を各運転モードのテンプレートとする。

上記実施形態では、車両に搭載した端末のセンサデータから特定の運転モードを検出するシステムにおいて、車両情報の時系列データと地図、天候及び交通情報のデータベースを照合して走行環境の時系列データを作成し、走行環境の時系列データを特徴量として運転モードを検出する閾値を閾値決定関数により決定する、その閾値決定関数のパラメータを、閾値を与えて期間検出した結果生成された部分時系列データ群をクラスタリングした時の同一クラスタ内のデータの分散の大きさと異なるクラスタに属するデータの分散の大きさから計算される指標を、最大化することで閾値決定関数の最適な値を決定する。

上記実施形態によれば、自動車の走行環境やドライバの情報に応じて運転モードが発生した期間を抽出するための最適な閾値を稼働データから自動で設定することができ、稼働環境や稼働状況が時々刻々と変化する機器の運転モードが発生した期間を正確に抽出できる。

１ 端末装置
２ 運転モード検出装置
３ 車両
４ 外部装置
５ ネットワーク
１１ 主記憶装置
１２ 通信装置
１３ 入力装置
１４ 端末制御装置
２１ ＩＤ取得部
２２ 稼働データ取得部
３１ 中央制御装置
３２ 入力装置
３３ 出力装置
３４ 通信装置
３５ 補助記憶装置
３６ 主記憶装置
４１ 稼働データ
４２ 車両情報
４３ 特徴量データ
４４ 閾値決定関数
４５ テンプレート
４６ 検出結果
５１ 走行環境情報取得部
５２ 前処理部
５３ 特徴量作成部
５４ 閾値最適化部
５５ テンプレート作成部
５６ 運転モード判定部

Claims (15)

1. 移動機器の時系列稼働データを収集して運転モードを検出する運転モード検出装置であって、
   前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化部と、
   前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成部と、
   新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定部と、
   を有することを特徴とする運転モード検出装置。
2. 前記閾値最適化部は、
   前記閾値時系列データを動的に生成するための閾値決定関数のパラメータを可変に設定することにより前記閾値時系列データを最適化することを特徴とする請求項１に記載の運転モード検出装置。
3. 前記閾値最適化部は、
   所定のクラスタリングを実行することにより、前記閾値決定関数の前記パラメータを可変に設定することを特徴とする請求項２に記載の運転モード検出装置。
4. 前記閾値最適化部は、
   前記時系列稼働データから所定の特徴量を抽出することにより生成された特徴量時系列データが前記閾値時系列データを超える部分を抽出して部分時系列データの集合を作成し、
   前記部分時系列データの集合に対して、前記部分時系列データの類似度に基づいて前記クラスタリングを実行して複数のクラスタを生成することを特徴とする請求項３に記載の運転モード検出装置。
5. 前記閾値最適化部は、
   前記クラスタリングを実行する際に、前記クラスタのまとまりの良さを前記クラスタの評価指標とし、前記クラスタ内の分散及び前記クラスタ間の分散の値から前記評価指標をクラスタ評価値として求め、前記クラスタ評価値の変化が所定の閾値以下になるように前記閾値決定関数の前記パラメータを更新することを特徴とする請求項４に記載の運転モード検出装置。
6. 前記テンプレート作成部は、
   前記クラスタ評価値の変化が前記所定の閾値以下となった場合に、前記閾値決定関数の前記パラメータを用いて実行された前記クラスタリングの前記クラスタの重心のデータを取得し、
   前記クラスタの重心のデータに対応する前記部分時系列データにラベルを付与して、前記運転モードごとの前記テンプレート時系列データを作成することを特徴とする請求項５に記載の運転モード検出装置。
7. 前記閾値最適化部は、
   前記新規時系列稼働データを用いて、最適化された前記閾値時系列データを生成し、
   前記新規時系列稼働データから所定の特徴量を抽出することにより生成された特徴量時系列データが前記閾値時系列データを超える部分を抽出して、複数の部分時系列データを作成し、
   前記運転モード判定部は、
   前記テンプレート時系列データと複数の前記部分時系列データとを比較して類似度を求め、前記類似度が最も高い前記部分時系列データを選択することにより前記運転モードを検出することを特徴とする請求項１に記載の運転モード検出装置。
8. 移動機器に設置された端末装置と、前記端末装置にネットワークを介して接続された運転モード検出装置と、を有する運転モード検出システムであって、
   前記端末装置は、
   前記移動機器の時系列稼働データを取得する稼働データ取得部を有し、
   前記運転モード検出装置は、
   前記稼働データ取得部が取得した前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化部と、
   前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成部と、
   新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定部と、
   を有することを特徴とする運転モード検出システム。
9. 前記閾値最適化部は、
   前記閾値時系列データを動的に生成するための閾値決定関数のパラメータを可変に設定することにより前記閾値時系列データを最適化することを特徴とする請求項８に記載の運転モード検出システム。
10. 前記閾値最適化部は、
    所定のクラスタリングを実行することにより、前記閾値決定関数の前記パラメータを可変に設定することを特徴とする請求項９に記載の運転モード検出システム。
11. 前記閾値最適化部は、
    前記時系列稼働データから所定の特徴量を抽出することにより生成された特徴量時系列データが前記閾値時系列データを超える部分を抽出して部分時系列データの集合を作成し、
    前記部分時系列データの集合に対して、前記部分時系列データの類似度に基づいて前記クラスタリングを実行して複数のクラスタを生成することを特徴とする請求項１０に記載の運転モード検出システム。
12. 前記閾値最適化部は、
    前記クラスタリングを実行する際に、前記クラスタのまとまりの良さを前記クラスタの評価指標とし、前記クラスタ内の分散及び前記クラスタ間の分散の値から前記評価指標をクラスタ評価値として求め、前記クラスタ評価値の変化が所定の閾値以下になるように前記閾値決定関数の前記パラメータを更新することを特徴とする請求項１１に記載の運転モード検出システム。
13. 前記テンプレート作成部は、
    前記クラスタ評価値の変化が前記所定の閾値以下となった場合に、前記閾値決定関数の前記パラメータを用いて実行された前記クラスタリングの前記クラスタの重心のデータを取得し、
    前記クラスタの重心のデータに対応する前記部分時系列データにラベルを付与して、前記運転モードごとの前記テンプレート時系列データを作成することを特徴とする請求項１２に記載の運転モード検出システム。
14. 前記閾値最適化部は、
    前記新規時系列稼働データを用いて、最適化された前記閾値時系列データを生成し、
    前記新規時系列稼働データから所定の特徴量を抽出することにより生成された特徴量時系列データが前記閾値時系列データを超える部分を抽出して、複数の部分時系列データを作成し、
    前記運転モード判定部は、
    前記テンプレート時系列データと複数の前記部分時系列データとを比較して類似度を求め、前記類似度が最も高い前記部分時系列データを選択することにより前記運転モードを検出することを特徴とする請求項８に記載の運転モード検出システム。
15. 移動機器の時系列稼働データを収集して運転モードを検出する運転モード検出方法であって、
    前記時系列稼働データを収集して前記運転モードを検出するために用いる閾値時系列データを動的に生成して最適化する閾値最適化ステップと、
    前記閾値時系列データを用いて、前記運転モードに対応したテンプレート時系列データを作成するテンプレート作成ステップと、
    新たに収集した新規時系列稼働データに対して前記テンプレート時系列データを適用することにより前記運転モードを検出する運転モード判定ステップと、
    を有することを特徴とする運転モード検出方法。

Images