JP2021179811A - 配車装置、車両および端末 - Google Patents

配車装置、車両および端末 Download PDF

Info

Publication number
JP2021179811A
JP2021179811A JP2020084802A JP2020084802A JP2021179811A JP 2021179811 A JP2021179811 A JP 2021179811A JP 2020084802 A JP2020084802 A JP 2020084802A JP 2020084802 A JP2020084802 A JP 2020084802A JP 2021179811 A JP2021179811 A JP 2021179811A
Authority
JP
Japan
Prior art keywords
vehicle
vehicle allocation
category
allocation
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020084802A
Other languages
English (en)
Inventor
寛也 千葉
Hiroya Chiba
大樹 横山
Daiki Yokoyama
一樹 藤井
Kazuki Fujii
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2020084802A priority Critical patent/JP2021179811A/ja
Priority to US17/228,708 priority patent/US20210358305A1/en
Priority to CN202110494331.5A priority patent/CN113673806B/zh
Priority to DE102021112337.2A priority patent/DE102021112337A1/de
Publication of JP2021179811A publication Critical patent/JP2021179811A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00571—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by interacting with a central unit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Social Psychology (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

【課題】カテゴリ間における教師データの偏りを緩和することができる配車装置、車両及び端末を提供する。【解決手段】配車装置１０、車両２０及び端末３０がネットワークＮＷを通じて相互に通信可能な配車システム１において、配車装置１０は、ユーザの端末３０からの配車要求を取得した場合、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から、ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両を選定し、選定した車両に対して配車指示を出力する車両選定部１１２を備える。【選択図】図２

Description

本発明は、配車装置、車両および端末に関する。
特許文献１には、動力伝達装置の油圧制御学習機能を備えた車両を配車するシステムにおいて、油圧制御学習の進捗度が低い車両から優先的に配車する技術が開示されている。
特開２０１９−０３２６２５号公報
特許文献１のように、分類学習の学習進捗度に基づいて配車するシステムでは、配車用の車両があるカテゴリ（走行条件、走行環境）で多くの教師データを取得した場合、他のカテゴリにおける教師データに対して、教師データ数に偏りが生まれ、当該他のカテゴリにおける学習結果の精度が低くなるおそれがある。
本発明は、上記に鑑みてなされたものであって、カテゴリ間における教師データの偏りを緩和することができる配車装置、車両および端末を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る配車装置は、ユーザの端末からの配車要求に応じて、車両を配車する配車装置であって、前記配車要求を取得した場合、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両を選定し、選定した車両に対して配車指示を出力する車両選定部を備えることを特徴とする。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が進んでいない車両が優先的に配車されやすくなる。
また、本発明に係る配車装置は、前記車両選定部が、前記複数の車両の中から、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両を選定し、選定した車両に対して配車指示を出力してもよい。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が最も進んでいない車両が優先的に配車される。
また、本発明に係る配車装置は、前記車両選定部が、前記所定のカテゴリのうちの特定のカテゴリの走行履歴が多いユーザから前記配車要求を取得した場合、前記複数の車両の中から、前記特定のカテゴリの学習量が最も少ない車両を選定してもよい。
これにより、ユーザの走行履歴に基づいて配車用車両を選定することができる。
また、本発明に係る配車装置は、前記配車要求に含まれる目的地と、前記ユーザの走行履歴とに基づいて、前記ユーザの走行計画を予測する走行計画予測部を備え、前記車両選定部が、前記複数の車両の中から、前記走行計画予測部で予測された走行計画に含まれるカテゴリの学習量が最も少ない車両を選定してもよい。
これにより、ユーザの走行履歴から予測した走行計画に基づいて配車用車両を選定することができる。
また、本発明に係る配車装置は、前前記複数の車両から、各車両が収集したパラメータを教師データとして学習する学習部を備えてもよい。
これにより、配車装置側で教師データの学習を行うことにより、車両側の計算負荷が軽減される。
また、本発明に係る配車装置は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。
これにより、様々なパラメータを学習することができる。
上述した課題を解決し、目的を達成するために、本発明に係る車両は、ユーザの端末からの配車要求に応じて、配車装置によって配車される車両であって、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習し、配車用の他の車両と比較して、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない場合に、前記配車装置から配車指示を取得することを特徴とする。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が進んでいない車両が優先的に配車されやすくなる。
また、本発明に係る車両は、配車用の他の車両と比較して、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない場合に、前記配車装置から配車指示を取得してもよい。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が最も進んでいない車両が優先的に配車される。
また、本発明に係る車両は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。
これにより、様々なパラメータを学習することができる。
上述した課題を解決し、目的を達成するために、本発明に係る端末は、配車装置に対して配車要求を行う端末であって、ユーザによる配車予約を受け付け、前記配車予約に基づいて前記配車装置に配車要求を出力する配車予約部を備え、前記配車予約部は、前記配車装置に配車要求を出力することにより、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から選定された車両であって、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両に関する情報を、配車予定車両情報として取得することを特徴とする。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が進んでいない車両が優先的に配車されやすくなる。
また、本発明に係る端末は、前記配車予約部が、前記配車装置に配車要求を出力することにより、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から選定された車両であって、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両に関する情報を、配車予定車両情報として取得してもよい。
これにより、配車用の車両のうち、ユーザによる運転時に学習可能なカテゴリの学習が最も進んでいない車両が優先的に配車される。
また、本発明に係る端末は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。
これにより、様々なパラメータを学習することができる。
本発明によれば、ユーザによる運転時に学習可能なカテゴリの学習が進んでいない車両が優先的に配車されるため、カテゴリ間における教師データ数の偏りが緩和され、各車両における学習結果の精度が向上する。
図１は、実施形態１に係る配車装置、車両および端末を有する配車システムを概略的に示す図である。 図２は、実施形態１に係る配車システムの各構成を概略的に示すブロック図である。 図３は、ニューラルネットワークの一例について説明するための図である。 図４は、実施形態１に係る配車システムが実行する配車方法の概要を説明するための図である。 図５は、実施形態１に係る配車システムが実行する配車方法において、複数の車両が競合する場合の選定方法を説明するための図である。 図６は、実施形態１に係る配車システムが実行する配車方法において、端末に表示させる配車予約画面の一例を示す図である。 図７は、実施形態１に係る配車システムが実行する配車方法において、端末に表示させる配車予定車両情報の一例を示す図である。 図８は、実施形態１に係る配車システムが実行する配車方法において、教師データを収集および学習する際の流れを示すフローチャートである。 図９は、実施形態１に係る配車システムが実行する配車方法において、配車予約を行う際の流れを示すフローチャートである。 図１０は、実施形態２に係る配車システムの各構成を概略的に示すブロック図である。 図１１は、実施形態２に係る配車システムが実行する配車方法において、配車予約を行う際の流れを示すフローチャートである。
本発明の実施形態に係る配車装置、車両および端末について、図面を参照しながら説明する。なお、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。
［実施形態１］
本発明の実施形態１に係る配車システムについて、図１〜図７を参照しながら説明する。本実施形態に係る配車システム１は、図１に示すように、配車装置１０と、車両２０と、端末３０と、を有している。配車装置１０、車両２０および端末３０は、いずれも通信機能を備えており、ネットワークＮＷを通じて相互に通信可能に構成されている。このネットワークＮＷは、例えばインターネット回線網、携帯電話回線網等から構成される。
（配車装置）
配車装置１０は、端末３０からの配車要求に応じて、端末３０のユーザに車両２０を配車するための装置である。配車装置１０は、例えばワークステーションやパソコン等の汎用コンピュータによって実現される。
配車装置１０は、図２に示すように、制御部１１と、通信部１２と、記憶部１３と、を備えている。制御部１１は、具体的には、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）等からなるプロセッサと、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、を備えている。
制御部１１は、記憶部１３に格納されたプログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。制御部１１は、具体的には、前記したプログラムの実行を通じて、学習部１１１および車両選定部１１２として機能する。
学習部１１１は、教師データの学習を行う。学習部１１１は、配車用の複数の車両２０から、ネットワークＮＷを通じて、各車両２０が収集した所定のカテゴリごとのパラメータ（学習値）を取得する。このパラメータは、例えば気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度等が含まれる。
続いて、学習部１１１は、上記のパラメータを教師データとして機械学習を施すことにより、学習済みモデルを作成する。そして、学習部１１１は、作成した学習済みモデルを、ネットワークＮＷを通じて各車両２０に出力する。このように、配車装置１０側で教師データの学習を行うことにより、車両２０側の計算負荷が軽減される。
学習部１１１における機械学習方法は特に限定されず、例えばニューラルネットワーク、サポートベクターマシン、決定木、単純ベイズ、ｋ近傍法等の教師あり学習を用いることができる。また、教師あり学習に代えて半教師あり学習を用いてもよい。
以下、具体的な機械学習方法の一例として、ニューラルネットワークについて説明する。ニューラルネットワークは、図３に示すように、入力層と、中間層と、出力層とを有する。入力層は、複数のノードからなり、各ノードには互いに異なる入力パラメータが入力される。中間層は、入力層からの出力が入力される。また、中間層は、入力層からの入力を受ける複数のノードからなる層を含む多層の構造を有する。出力層は、中間層からの出力が入力され、出力パラメータを出力する。中間層が多層構造を有するニューラルネットワークを用いた機械学習は、深層学習と呼ばれる。同図では、入力パラメータが「外気温、外気圧、吸入空気量、点火時期」であり、出力パラメータが「排気温度」である例を示している。学習部１１１は、これらの入力パラメータと出力パラメータとの関係を学習することにより、学習済みモデルを作成する。
車両選定部１１２は、複数の車両２０の中から、端末３０のユーザに配車する車両２０を選定する。車両選定部１１２は、ネットワークＮＷを通じて端末３０からの配車要求を取得した場合、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両２０の中から、ユーザによる運転時に学習可能なカテゴリの学習量（教師データの数）が相対的に少ない車両２０を選定する。
車両選定部１１２は、例えば下記の表１のようにカテゴリＡ〜Ｄ…の教師データの学習を行っている車両Ａ〜Ｃ…がある場合、その中から、ユーザによる運転時に学習可能なカテゴリ（例えばカテゴリＣ）の教師データ数が最も少ない車両Ｃを選定する。
Figure 2021179811
また、車両選定部１１２は、ユーザの過去の走行履歴に基づいて、当該ユーザに配車する車両２０を選定してもよい。例えば図４に示すように、ユーザが４つのカテゴリ（Ａ：急勾配、Ｂ：平地、Ｃ：外気気温、Ｄ：急加速）に関する走行履歴を有しており、車両Ａおよび車両Ｂがユーザの走行履歴と同様のカテゴリ（Ａ：急勾配、Ｂ：平地、Ｃ：外気気温、Ｄ：急加速）の教師データを学習している場合を考える。
この場合、車両選定部１１２は、ユーザの走行履歴の多いカテゴリ（例えばＡ：急勾配、Ｄ：急加速）を選択し、車両Ａおよび車両Ｂのうち、ユーザの走行履歴から選択したカテゴリの教師データの学習量（教師データ数）が最も少ない車両Ａを選定する。そして、車両選定部１１２は、選定した車両Ａに関する情報（以下、「配車予定車両情報」という）をユーザの端末３０に出力するとともに、選定した車両Ａに対して配車指示を出力する。このように、車両選定部１１２は、複数のカテゴリのうちの特定のカテゴリの走行履歴が多いユーザから配車要求を取得した場合、複数の車両２０の中から、特定のカテゴリの教師データの学習量が最も少ない車両２０を選定する。
ここで、前記した「カテゴリ」は、具体的には車両２０の走行条件、走行環境のことを示しており、例えば低速、高速、上り坂、下り坂、外気高温、外気低温、急加速、ＥＣＯ走行、高回転、低回転、平地、高地、低μ路、高μ路、急勾配等が挙げられる。
車両選定部１１２は、車両２０を選定する際に、複数の車両２０が競合する場合は、カテゴリに優先順位を設けて一台の車両２０を選定してもよい。例えば図５の（ａ）に示すように、ユーザが４つのカテゴリ（Ａ：急勾配、Ｂ：平地、Ｃ：外気気温、Ｄ：急加速）に関する走行履歴を有しており、車両Ａおよび車両Ｂがユーザの走行履歴と同様のカテゴリ（Ａ：急勾配、Ｂ：平地、Ｃ：外気気温、Ｄ：急加速）の教師データを学習している場合を考える。
この場合において、例えば「Ａ：急勾配」よりも「Ｄ：急加速」の優先順位を高く設定した場合、車両選定部１１２は、車両Ａおよび車両Ｂのうち、「Ｄ：急加速」の学習量が少ない車両Ａ（図５の（ｂ）参照）を、選定する。一方、例えば「Ｄ：急加速」よりも「Ａ：急勾配」の優先順位を高く設定した場合、車両選定部１１２は、車両Ａおよび車両Ｂのうち、「Ａ：急勾配」の学習量が少ない車両Ｂ（同図の（ｃ）参照）を、選定する。このように、複数の車両２０が競合する場合であっても、カテゴリに優先順位を設けることにより、配車用の車両２０を選定することができる。
通信部１２は、例えばＬＡＮ（Local Area Network）インターフェースボード、無線通信のための無線通信回路等から構成される。通信部１２は、公衆通信網であるインターネット等のネットワークＮＷに接続されている。そして、通信部１２は、当該ネットワークＮＷに接続することにより、車両２０および端末３０との間で通信を行う。
記憶部１３は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部１３には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。
記憶部１３は、配車車両ＤＢ（データベース）１３１を備えている。配車車両ＤＢ１３１は、制御部１１によって実行されるデータベース管理システム（Database Management System：ＤＢＭＳ）のプログラムが、記憶部１３に記憶されるデータを管理することによって構築される。配車車両ＤＢ１３１は、例えば車両２０ごとの教師データが索出可能に格納されたリレーショナルデータベースによって構成されている。
また、記憶部１３には、配車車両ＤＢ１３１の他に、ネットワークＮＷを通じて車両２０から取得したユーザの走行履歴、学習部１１１によって作成された学習済みモデル等が、必要に応じて格納される。
（車両）
車両２０は、外部と通信可能な移動体であり、端末３０からの配車要求に応じて、端末３０のユーザに配車される配車用車両である。この車両２０は、手動運転車と自動運転車のいずれであってもよい。
車両２０は、具体的には、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習しており、その学習結果を配車装置１０に出力する。なお、本実施形態において、車両２０で行う「学習」とは、走行中（配車中）に各種パラメータを収集し、教師データを作成することを意味している。そして、配車装置１０に出力する「学習結果」とは、具体的には教師データのことを意味している。
車両２０は、配車用の他の車両２０と比較して、ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない場合、配車装置１０から配車指示を取得する。なお、車両２０は、配車用の他の車両２０と比較して、ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない場合に配車装置１０から配車指示を取得してもよい。
車両２０は、図２に示すように、制御部２１と、通信部２２と、記憶部２３と、センサ群２４と、を備えている。制御部２１は、車両２０に搭載される各種構成要素の動作を統括的に制御するＥＣＵ（Electronic Control Unit）である。制御部２１は、記憶部２３に格納されたプログラムの実行を通じて、教師データ収集部２１１として機能する。
教師データ収集部２１１は、所定のカテゴリごとの教師データを収集する。なお、本実施形態において、「教師データ」とは、機械学習に必要な入力パラメータおよび出力パラメータの組のことを示している。このように、教師データ収集部２１１によって学習用の教師データを収集し、配車装置１０に逐次出力することにより、様々なパラメータを学習することができる。
教師データ収集部２１１は、具体的には、走行中にセンサ群２４によってパラメータの生データを収集し、所定の前処理等を施すことにより教師データを作成する。そして、教師データ収集部２１１は、作成した教師データを、ネットワークＮＷを通じて配車装置１０に出力する。
通信部２２は、例えばＤＣＭ（Data Communication Module）等から構成され、ネットワークＮＷを介した無線通信により、配車装置１０および端末３０との間で通信を行う。記憶部２３には、例えば教師データ収集部２１１によって収集されたパラメータの生データ、教師データ収集部２１１によって作成された教師データ、ユーザの走行履歴等が、必要に応じて格納される。
センサ群２４は、車両２０の走行中にパラメータを検出および記録するためのものであり、例えば車速センサ、加速度センサ、ＧＰＳセンサ、走行空間センサ（３Ｄ−ＬｉＤＡＲ）、ミリ波センサ、カメラ（撮像装置）、温度センサ、湿度センサ、気圧センサ等から構成される。センサ群２４は、検出したパラメータの生データを教師データ収集部２１１に出力する。
（端末）
端末３０は、ユーザの操作に基づいて、配車装置１０に対して配車要求を行うための端末装置である。端末３０は、例えば車両２０のユーザが所有するスマートフォン、携帯電話、タブレット端末、ウェアラブルコンピュータ等によって実現される。端末３０は、図２に示すように、制御部３１と、通信部３２と、記憶部３３と、操作・表示部３４と、を備えている。制御部３１は、記憶部３３に格納されたプログラムの実行を通じて、配車予約部３１１として機能する。
配車予約部３１１は、操作・表示部３４に配車予約画面を表示させ、当該配車予約画面を通じて、ユーザによる配車予約を受け付ける。続いて、配車予約部３１１は、配車予約に基づいて、配車装置１０に配車要求（配車予約情報）を出力する。この配車要求には、例えば配車希望時刻、配車場所の住所、目的地、ユーザを特定するための情報（例えば氏名、ＩＤ等）が含まれる。
続いて、配車予約部３１１は、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両２０の中から選定された車両２０であって、ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両２０に関する情報を、配車予定車両情報として配車装置１０から取得する。そして、配車予約部３１１は、この配車予定車両情報を操作・表示部３４に表示させる。なお、配車予約部３１１は、ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両２０に関する情報を、配車予定車両情報として配車装置１０から取得してもよい。
配車予約部３１１は、配車予約を行う際に、例えば図６に示すような配車予約画面を操作・表示部３４に表示させる。この配車予約画面は、例えばユーザが操作・表示部３４に表示された配車アプリのアイコンをタップし、配車アプリを起動することにより表示される。同図に示した配車予約画面では、領域３４１に配車希望時刻の入力欄を、領域３４２に配車場所の住所の入力欄を、最下段に送信ボタン３４４を、それぞれ表示させている。なお、配車予約部３１１は、同図に示した項目に加えて、例えば目的地やユーザを特定するための情報（例えば氏名、ＩＤ等）の入力欄を表示させてもよい。
配車予約部３１１は、ユーザによって、配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されると、これらの項目に入力された情報を含む配車要求を配車装置１０に出力する。
配車要求を取得した配車装置１０の車両選定部１１２は、配車車両ＤＢ１３１を参照して、配車予定車両を選定し、例えば図７に示すような配車予定車両情報を操作・表示部３４に表示させる。同図に示した配車予定車両情報では、領域３４５に配車予定車両の画像を、領域３４６に車種、色および乗車定員を表示させている。
通信部３２は、ネットワークＮＷを介した無線通信により、配車装置１０および車両２０との間で通信を行う。記憶部３３には、例えば配車予約部３１１を実現するためのアプリケーションプログラム（配車アプリ）が格納されている。
操作・表示部３４は、例えばタッチパネルディスプレイ等により構成されており、車両２０の乗員の指やペン等による操作を受け付ける入力機能と、制御部３１の制御に基づいて各種情報を表示する表示機能と、を有している。操作・表示部３４は、配車予約部３１１による制御に基づいて、配車予約画面（図６参照）および配車予定車両情報（図７参照）を表示する。
（配車方法）
本実施形態に係る配車システム１が実行する配車方法の処理手順の一例について、図８および図９を参照しながら説明する。以下では、配車システム１において、車両２０を用いて教師データを収集および学習するステップ（以下、「学習ステップ」という）の流れを図８で説明し、配車予約を行うステップ（以下、「配車予約ステップ」という）の流れを図９で説明する。また、以下の配車予約ステップでは、ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両２０を優先的に配車する場合の例について説明する。
＜学習ステップ＞
まず、車両２０の教師データ収集部２１１は、センサ群２４を通じて走行に関連するパラメータの生データを収集する（ステップＳ１）。続いて、教師データ収集部２１１は、生データから教師データを作成する（ステップＳ２）。
続いて、教師データ収集部２１１は、配車装置１０に対して前回教師データを出力してから所定時間経過したか否かを判定する（ステップＳ３）。配車装置１０に対して前回教師データを出力してから所定時間経過していると判定した場合（ステップＳ３でＹｅｓ）、教師データ収集部２１１は、収集した教師データを配車装置１０に出力する（ステップＳ４）。なお、配車装置１０に対して前回教師データを出力してから所定時間経過していないと判定した場合（ステップＳ３でＮｏ）、教師データ収集部２１１は、ステップＳ３に戻る。
続いて、配車装置１０の制御部１１は、教師データを配車車両ＤＢ１３１に格納することにより、当該配車車両ＤＢ１３１を更新する（ステップＳ５）。続いて、配車装置１０の学習部１１１は、教師データについて機械学習を施すことにより学習済みモデルを作成し、作成した学習済みモデルを車両２０に出力する（ステップＳ６）。以上により、配車方法の学習ステップの処理は終了する。
＜配車予約ステップ＞
まず、端末３０の配車予約部３１１は、例えばユーザが操作・表示部３４に表示された配車アプリのアイコンをタップし、配車アプリを起動したか否かを判定する（ステップＳ１１）。配車アプリが起動されたと判定した場合（ステップＳ１１でＹｅｓ）、配車予約部３１１は、配車予約画面（図６参照）を操作・表示部３４に表示させる（ステップＳ１２）。なお、配車アプリが起動されていないと判定した場合（ステップＳ１１でＮｏ）、配車予約部３１１は、ステップＳ１１に戻る。
続いて、配車予約部３１１は、配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたか否かを判定する（ステップＳ１３）。配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたと判定した場合（ステップＳ１３でＹｅｓ）、配車予約部３１１は、配車要求を配車装置１０に出力する（ステップＳ１４）。なお、配車予約画面におけるいずれかの項目が入力されてないか、あるいは送信ボタン３４４が押下されていないと判定した場合（ステップＳ１３でＮｏ）、配車予約部３１１は、ステップＳ１３に戻る。
続いて、配車装置１０の車両選定部１１２は、配車車両ＤＢ１３１を参照し、配車予定車両を選定する（ステップＳ１５）。ステップＳ１５において、車両選定部１１２は、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両２０の中から、ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両２０を選定する。すなわち、車両選定部１１２は、まず複数の車両２０の中から、ユーザによる運転時に学習可能なカテゴリのパラメータを学習している車両２０を絞り込む。そして、車両選定部１１２は、配車車両ＤＢ１３１を参照して、絞り込んだ車両２０の中で教師データ数が最も少ない車両２０を、配車予定車両として選定する。
続いて、車両選定部１１２は、選定した配車予定車両の情報を、端末３０に出力する（ステップＳ１６）。これを受けて、配車予約部３１１は、配車予定車両情報（図７参照）を操作・表示部３４に表示させる（ステップＳ１７）。なお、ステップＳ１６において、車両選定部１１２は、配車予定車両情報を端末３０に出力するとともに、選定した車両２０に対して配車指示を出力する。以上により、配車方法の配車予約ステップの処理は終了する。
以上説明した実施形態１に係る配車装置１０、車両２０および端末３０によれば、配車用の車両２０のうち、ユーザによる運転時に学習可能なカテゴリの教師データの学習が進んでいない車両２０が優先的に配車されるため、カテゴリ間における教師データ数の偏りが緩和され、各車両２０における学習結果の精度が向上する。
ＡＩ学習を行う車両を配車する場合、配車用の車両間で学習の状況が異なるため、車両によって特定のカテゴリでは極端に学習がされない状況が発生しうる。一方、実施形態１に係る配車装置１０、車両２０および端末３０によれば、学習が進んでいない車両２０が優先的に配車されるため、特定のカテゴリで学習がされない状況を抑制することができる。
［実施形態２］
本発明の実施形態２に係る配車システムについて、図１０および図１１を参照しながら説明する。本実施形態に係る配車システム１Ａは、図１０に示すように、配車装置１０Ａと、車両２０と、端末３０と、を備えている。配車装置１０Ａ、車両２０および端末３０は、いずれも通信機能を備えており、ネットワークＮＷを通じて相互に通信可能に構成されている。以下では、前記した配車システム１（図２参照）と同様の構成については説明を省略する。
（配車装置）
配車装置１０Ａは、図１０に示すように、制御部１１Ａと、通信部１２と、記憶部１３と、を備えている。制御部１１Ａは、学習部１１１および車両選定部１１２に加えて、走行計画予測部１１３として機能する。
走行計画予測部１１３は、配車要求に含まれる目的地に関する情報と、ユーザの走行履歴とに基づいて、当該ユーザの走行計画を予測する。この「走行計画」は、例えばユーザがどのエリアをどのような走行条件（カテゴリ）で走行するのかに関する情報を示している。走行計画予測部１１３によってユーザの走行計画を予測した場合、車両選定部１１２は、複数の車両２０の中から、走行計画予測部１１３で予測された走行計画に含まれるカテゴリの学習量が最も少ない車両２０を選定する。
（配車方法）
本実施形態に係る配車システム１Ａが実行する配車方法の処理手順の一例について、図１１を参照しながら説明する。なお、配車システム１Ａにおいて、学習ステップの流れは実施形態１（図８参照）と同様である。以下では、配車予約ステップの流れについて説明する。また、以下の配車予約ステップでは、ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両２０を優先的に配車する場合の例について説明する。
＜配車予約ステップ＞
まず、端末３０の配車予約部３１１は、例えばユーザが操作・表示部３４に表示された配車アプリのアイコンをタップし、配車アプリを起動したか否かを判定する（ステップＳ２１）。配車アプリが起動されたと判定した場合（ステップＳ２１でＹｅｓ）、配車予約部３１１は、配車予約画面（図６参照）を操作・表示部３４に表示させる（ステップＳ２２）。なお、配車アプリが起動されていないと判定した場合（ステップＳ２１でＮｏ）、配車予約部３１１は、ステップＳ２１に戻る。
続いて、配車予約部３１１は、配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたか否かを判定する（ステップＳ２３）。配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたと判定した場合（ステップＳ２３でＹｅｓ）、配車予約部３１１は、配車要求を配車装置１０Ａに出力する（ステップＳ２４）。なお、配車予約画面におけるいずれかの項目が入力されてないか、あるいは送信ボタン３４４が押下されていないと判定した場合（ステップＳ２３でＮｏ）、配車予約部３１１は、ステップＳ２３に戻る。
続いて、配車装置１０Ａの走行計画予測部１１３は、配車要求に含まれる目的地に関する情報とユーザの走行履歴とに基づいて、ユーザの走行計画を予測する（ステップＳ２５）。続いて、車両選定部１１２は、配車車両ＤＢ１３１を参照し、配車予定車両を選定する（ステップＳ２６）。ステップＳ１５において、車両選定部１１２は、まず複数の車両２０の中から、ステップＳ２５で予測した走行計画に含まれるカテゴリのパラメータを学習している車両２０を絞り込む。そして、車両選定部１１２は、配車車両ＤＢ１３１を参照して、絞り込んだ車両２０の中で教師データ数が最も少ない車両２０を、配車予定車両として選定する。
続いて、車両選定部１１２は、選定した配車予定車両の情報を、端末３０に出力する（ステップＳ２７）。これを受けて、配車予約部３１１は、配車予定車両情報（図７参照）を操作・表示部３４に表示させる（ステップＳ２８）。なお、ステップＳ２７において、車両選定部１１２は、配車予定車両情報を端末３０に出力するとともに、選定した車両２０に対して配車指示を出力する。以上により、配車方法の配車予約ステップの処理は終了する。
以上説明した実施形態２に係る配車装置１０Ａ、車両２０および端末３０によれば、配車用の車両２０のうち、ユーザによる運転時に学習可能なカテゴリの学習が進んでいない車両２０が優先的に配車されるため、カテゴリ間における教師データ数の偏りが緩和され、各車両２０における学習結果の精度が向上する。
また、例えばカーシェア用の車両２０において、各車両２０に搭載されたコンピュータ（制御部２１）を用いてオンボード学習を実施する場合、車両２０ごとに走行条件（例えば平地等）に偏りがあると、各車両２０の学習にも偏りが生じ、他の走行条件（例えば急勾配等）特有の問題に対処できない可能性がある。一方、実施形態２に係る配車装置１０Ａ、車両２０および端末３０によれば、車両２０のユーザの走行計画（走行条件）を予測し、その予測結果に基づいて、車両２０間における学習の偏りが解消されるように配車を行うことができる。
さらなる効果や変形例は、当業者によって容易に導き出すことができる。よって、本発明のより広範な態様は、以上のように表わしかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付のクレームおよびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。
例えば、前記した配車システム１，１Ａの配車予約ステップ（図９および図１１参照）では、教師データ数が最も少ない車両２０を選定して配車する場合について説明したが、教師データ数が所定未満の車両２９の中から他の条件に応じて選定してもよく、あるいは、教師データ数が最も少ない車両２０から順に配車可否を判断して最初に可となった車両２０を選定してもよい。
また、前記した配車システム１，１Ａでは、車両２０側で生データの収集および教師データの作成を行い、配車装置１０，１０Ａ側で教師データの学習および学習済みデータの作成を行っていたが、教師データを作成する主体および学習の主体はこれらに限定されない。
配車システム１，１Ａでは、例えば車両２０側で生データの収集を行い、配車装置１０，１０Ａ側で教師データの作成、教師データの学習および学習済みデータの作成を行ってもよい。また、車両２０側で生データの収集、教師データの作成、教師データの学習および学習済みデータの作成を全て行ってもよい。
また、配車システム１，１Ａでは、車両２０の教師データ収集部２１１によって各種パラメータを収集するとしたが、例えば路車間通信や車車間通信等によって各種パラメータを取得して用いてもよい。
また、前記した配車システム１，１Ａは、一般の公道においてユーザに配車を行うシーンを想定して説明を行ったが、例えばあらゆるモノやサービスを情報で繋ぐコネクティッド・シティ等において、自動運転車を利用した配車サービスに配車システム１，１Ａを適用することも可能である。
１，１Ａ 配車システム
１０，１０Ａ 配車装置
１１，１１Ａ 制御部
１１１ 学習部
１１２ 車両選定部
１１３ 走行計画予測部
１２ 通信部
１３ 記憶部
１３１ 配車車両ＤＢ
２０ 車両
２１ 制御部
２１１ 教師データ収集部
２２ 通信部
２３ 記憶部
２４ センサ群
３０ 端末
３１ 制御部
３１１ 配車予約部
３２ 通信部
３３ 記憶部
３４ 操作・表示部
３４１，３４２，３４５，３４６ 領域
３４４ 送信ボタン
ＮＷ ネットワーク

Claims (12)

  1. ユーザの端末からの配車要求に応じて、車両を配車する配車装置であって、
    前記配車要求を取得した場合、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両を選定し、選定した車両に対して配車指示を出力する車両選定部を備えることを特徴とする配車装置。
  2. 前記車両選定部は、前記複数の車両の中から、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両を選定し、選定した車両に対して配車指示を出力することを特徴とする請求項１に記載の配車装置。
  3. 前記車両選定部は、前記所定のカテゴリのうちの特定のカテゴリの走行履歴が多いユーザから前記配車要求を取得した場合、前記複数の車両の中から、前記特定のカテゴリの学習量が最も少ない車両を選定することを特徴とする請求項１に記載の配車装置。
  4. 前記配車要求に含まれる目的地と、前記ユーザの走行履歴とに基づいて、前記ユーザの走行計画を予測する走行計画予測部を備え、
    前記車両選定部は、前記複数の車両の中から、前記走行計画予測部で予測された走行計画に含まれるカテゴリの学習量が最も少ない車両を選定することを特徴とする請求項１に記載の配車装置。
  5. 前記複数の車両から、各車両が収集したパラメータを教師データとして学習する学習部を備えることを特徴とする請求項１から請求項４のいずれか一項に記載の配車装置。
  6. 前記パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項１から請求項５のいずれか一項に記載の配車装置。
  7. ユーザの端末からの配車要求に応じて、配車装置によって配車される車両であって、
    走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習し、
    配車用の他の車両と比較して、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない場合に、前記配車装置から配車指示を取得することを特徴とする車両。
  8. 配車用の他の車両と比較して、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない場合に、前記配車装置から配車指示を取得することを特徴とする請求項７に記載の車両。
  9. 前記パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項７または請求項８に記載の車両。
  10. 配車装置に対して配車要求を行う端末であって、
    ユーザによる配車予約を受け付け、前記配車予約に基づいて前記配車装置に配車要求を出力する配車予約部を備え、
    前記配車予約部は、前記配車装置に配車要求を出力することにより、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から選定された車両であって、前記ユーザによる運転時に学習可能なカテゴリの学習量が相対的に少ない車両に関する情報を、配車予定車両情報として取得することを特徴とする端末。
  11. 前記配車予約部は、前記配車装置に配車要求を出力することにより、走行に関連するパラメータの入出力の関係を、所定のカテゴリごとに学習している複数の車両の中から選定された車両であって、前記ユーザによる運転時に学習可能なカテゴリの学習量が最も少ない車両に関する情報を、配車予定車両情報として取得することを特徴とする請求項１０に記載の端末。
  12. 前記パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項１０または請求項１１に記載の端末。
JP2020084802A 2020-05-13 2020-05-13 配車装置、車両および端末 Pending JP2021179811A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020084802A JP2021179811A (ja) 2020-05-13 2020-05-13 配車装置、車両および端末
US17/228,708 US20210358305A1 (en) 2020-05-13 2021-04-13 Vehicle allocation device, vehicle, and terminal
CN202110494331.5A CN113673806B (zh) 2020-05-13 2021-05-07 配车装置
DE102021112337.2A DE102021112337A1 (de) 2020-05-13 2021-05-11 Fahrzeugzuordnungsvorrichtung, fahrzeug und terminal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020084802A JP2021179811A (ja) 2020-05-13 2020-05-13 配車装置、車両および端末

Publications (1)

Publication Number Publication Date
JP2021179811A true JP2021179811A (ja) 2021-11-18

Family

ID=78280766

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020084802A Pending JP2021179811A (ja) 2020-05-13 2020-05-13 配車装置、車両および端末

Country Status (3)

Country Link
US (1) US20210358305A1 (ja)
JP (1) JP2021179811A (ja)
DE (1) DE102021112337A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032625A (ja) * 2017-08-04 2019-02-28 トヨタ自動車株式会社 車両の配車システム
JP2020009060A (ja) * 2018-07-05 2020-01-16 日産自動車株式会社 車両管理システム及び車両管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7322802B2 (ja) * 2020-05-13 2023-08-08 トヨタ自動車株式会社 配車装置および車両
JP2021179813A (ja) * 2020-05-13 2021-11-18 トヨタ自動車株式会社 配車装置、車両および端末

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032625A (ja) * 2017-08-04 2019-02-28 トヨタ自動車株式会社 車両の配車システム
JP2020009060A (ja) * 2018-07-05 2020-01-16 日産自動車株式会社 車両管理システム及び車両管理方法

Also Published As

Publication number Publication date
US20210358305A1 (en) 2021-11-18
CN113673806A (zh) 2021-11-19
DE102021112337A1 (de) 2021-11-18

Similar Documents

Publication Publication Date Title
US9524514B2 (en) Method and system for selecting driver preferences
WO2019133523A1 (en) Optimizing transportation requests
WO2016063742A1 (ja) 情報提示装置、方法及びコンピュータプログラム製品
US20200027037A1 (en) Information processing method
US20180101923A1 (en) Methods and apparatus to perform actions in public safety incidents based on actions performed in prior incidents
JP7322803B2 (ja) 配車装置および車両
US20210356280A1 (en) Vehicle allocation device, vehicle, and terminal
US20210357837A1 (en) Vehicle allocation device, vehicle, and terminal
CN112612958A (zh) 订单处理方法、装置、电子设备和计算机可读介质
JP2021179811A (ja) 配車装置、車両および端末
CN113673806B (zh) 配车装置
CN113665583B (zh) 车辆调配装置
JP7047680B2 (ja) 情報処理装置、情報処理方法及びプログラム
JP7322804B2 (ja) 配車装置および車両
JP2021179810A (ja) 配車装置
US11995576B2 (en) Vehicle allocation device, vehicle, and terminal
CN115905734A (zh) 一种基于地理位置信息进行智能推荐的方法及装置
CN113673803B (zh) 配车装置、车辆及终端
US20220397408A1 (en) Content Delivery In Real-Time Guided Navigation
WO2019149338A1 (en) Assisting a user of a vehicle with state related recommendations
Ke et al. Optimizing target selection complexity of a recommendation system by skyline query and multi-criteria decision analysis
JP6695836B2 (ja) 監視制御装置、監視制御方法および監視制御プログラム
US20230004859A1 (en) Systems and methods to configure defaults based on a model
JP7371431B2 (ja) 経路情報提供システム、経路情報提供方法、及び経路情報提供プログラム
US20230384101A1 (en) Off-beat location recommendations

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220314

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230118

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230227

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230627