JP2022099235A - ＭａａＳアーキテクチャにおけるフリート車両の充電、燃料注入、および駐車のオーバヘッドの最適化 - Google Patents

Abstract

【課題】密集している都市部における道路交通の増加と待ち時間の長期化の原因となる充電／ガソリンステーションでの混雑を防ぐＭｏｂｉｌｉｔｙ－ａｓ－ａ－Ｓｅｒｖｉｃｅ（ＭａａＳ）アーキテクチャにおけるフリート車両の充電、燃料注入及び駐車のオーバヘッドの最適化システム、計算デバイス及びプログラムを提供する。【解決手段】システムは、スケジューリングサブシステムＭＬＳＳを備える。スケジューリングサブシステムは、取得した車両パラメータ、インフラストラクチャリソース利用可能性情報及び履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成し、車両のフリートにスケジューリング命令を伝達する。スケジューリング命令は、フリート内の車両のうちの１つ又は複数による少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである。【選択図】図３Ａ

Description

本明細書に記載の実施形態は概して、車両管理システム、特に、ネットワークアーキテクチャ（例えば、Ｍｏｂｉｌｉｔｙ－ａｓ－ａ－Ｓｅｒｖｉｃｅ（ＭａａＳ）ネットワークアーキテクチャ）におけるフリート車両の充電、燃料注入、および駐車のオーバヘッドを含む、フリート車両のリソースの最適化に関する。

ＭａａＳネットワークアーキテクチャでは、特に交通量のピーク時に、フリート車両を充電／ガソリンステーションまで走らせることにより充電または燃料補給することが効率的なプロセスでない場合がある。同様に、駐車については、フリート車両に走り回って自力で駐車スポットを見つけさせることも非効率的なフリート管理の原因となる。

添付の図面の図には、限定ではなく例として幾つかの実施形態が示されている。

ある例示的な実施形態に係る、充電／燃料注入／駐車制御システム（ＣＦＰＣＳ）を備えるフリート管理システムを使用したＭａａＳネットワークを示す。

ある例示的な実施形態に係る、ＣＦＰＣＳに関連付けられる例示的な使用事例を示す。

ある例示的な実施形態に係る、図１のＣＦＰＣＳの機械学習（ＭＬ）ベースのスケジューリングサブシステム（ＭＬＳＳ）を示す。

ある例示的な実施形態に係る、図３ＡのＭＬＳＳにより使用される深層学習（ＤＬ）モデルのトレーニングを示したブロックダイアグラムである。

ある実施形態に係る、図３ＡのＭＬＳＳにより使用され得るニューラルネットワークの構造を示す。

ある例示的な実施形態に係る、予測的な再充電／燃料補給によるサービス品質（ＱｏＳ）最適化を伴うフリート管理システムの別の例に関するシステム概要を示す。

ある例示的な実施形態に係る、六角形のグリッドとして表されるサービス圏と、アイコンで表される既存の需要／フリートリソースとを含む、オレゴン州の都市圏ポートランドのマップ表記を示す。

ある例示的な実施形態に係る、ある計画対象期間における需要および有用性の予測に基づく動的サービスエリア境界算出を示す。

ある例示的な実施形態に係る、ユーザ需要予測をフリート範囲予測と組み合わせた動的ＭａａＳサービスエリアマップを示す。

ある例示的な実施形態に係る、予想されるソースホットスポットへの車両のフリートの初期配備を示す。

ある例示的な実施形態に係る、移動式充電ステーションのサービスを受ける幾つかの車両をグループ化するクラスタの例を示す。

ある例示的な実施形態に係る、車両のフリートを管理するための方法を示したフローチャートである。

ある例示的な実施形態に係る、本明細書に記載の手法（例えば、方法）のいずれか１つまたは複数が機能し得る例示的な機械を示したブロックダイアグラムである。

以下の記述には、説明を目的として、幾つかの例示的な実施形態を完全に理解できるよう、多くの具体的な詳細が記載されている。ただし、本開示がこれらの具体的な詳細なくして実践され得ることは当業者にとって明白であろう。

ＭａａＳネットワークでは、車両のフリートが、相乗りサービス、配送サービス、または別のタイプのサービスに関連付けられる自律走行車（ＡＶ）、非自律走行車、または半自律走行車を含む場合がある。フリートの車両は、充電／ガソリンステーションへの移動または駐車スポット探しを行わなければならない場合があり、これによって、燃料および時間の消費が増大し、既に密集している都市部における道路交通が増加し、待ち時間の長期化の原因となり得る充電／ガソリンステーションでの混雑が生じる。

これらの問題に対処する１つの手法は、対象となる位置にあるフリート車両を充電／燃料注入／駐車するための一元化された施設を都市で追加することによるものである。ただし、これによって、ＭａａＳの配備およびフリート管理に関する資本支出（ＣＡＰＥＸ）および運営費（ＯＰＥＸ）が大幅に増大する可能性がある。更に、一時的にサービスを停止しているフリート車両の駐車の問題を解決するには、一元化された施設がごくわずかにあるだけでは不十分な場合がある。

幾つかの態様では、オンラインマーケットプレイス共有プラットフォームが共有駐車および電気車両（ＥＶ）の充電に使用され得る。そのようなプラットフォームでは、財産所有者は、自らの駐車スペースおよびＥＶ充電ユニット（利用可能な場合）を、オンラインプラットフォーム経由でリストに載せることにより賃貸することができる。この解決策は、消費者が一般大衆の車両であり、かつ、サービスプロバイダ（移動式充電／燃料注入、オンラインマーケットプレイス駐車共有）が民生用車両に関するリアルタイム情報（例えば、燃料レベル、ルート計画など）を全く取得できない別個のエンティティである、といったシナリオ向けに設計されている。ただし、ＭａａＳネットワークにおける充電、燃料注入、および駐車は、別様に処理される。ＭａａＳネットワークでは、消費者（フリート車両）およびサービスプロバイダが同じエンティティに属する。サービスプロバイダはフリート車両を完全に制御しており、また、ルート計画、電荷／燃料レベル、リアルタイム交通情報などといった車両からの詳細なリアルタイム情報を有する。従って、以前の解決策は、フリート車両からのリアルタイム情報と、それらの車両に対する制御力とを利用して充電／燃料注入／駐車オーバヘッド操作を最適化しないので、ＭａａＳネットワークに適していない。

開示する手法をＭａａＳネットワークにおけるフリート管理に使用して、充電／燃料補給／駐車操作を効率的かつ自動的に処理してよい。より具体的には、開示するフリート管理システムは、フリート車両の操作を完全に制御でき、かつ、これらの車両からリアルタイムの詳細な情報を取得できるという事実を利用している。提案するフリート管理システムは、以下の例示的な機能で構成され得る。

（ａ）電荷／燃料を運搬および配給するための特殊サービス車両であるエネルギー配給車両（ＥＤＶ）を配備して（燃料供給に関する地方条例に従って）フリート車両のクラスタに電荷／燃料を配給する移動式エネルギー配給システム。

（ｂ）誘導コイルを使用した運転中の移動式再充電であって、過剰な電荷容量、燃料電池、ハイブリッド燃料を有する車両が、後部に装着された誘導コイルを介して前向きのバンパーまたは隣り合わせのフェンダに電流を転送できる場合があり、自律走行車（ＡＶ）および自動運転システム（ＳＤＳ）自動化システムが、誘導コイルを近接して配置し、Ｖ２Ｖネットワーク（Ｂｌｕｅｔｏｏｔｈ（登録商標）およびＷｉ－Ｆｉ ｄｉｒｅｃｔ（登録商標）など）または誘導コイル接続が、マイクロペイメントプロトコルを伝送して、停止せずして再充電の「停止」を実行する場合がある、移動式再充電。この技術によって、オンオフランプと固定式再充電「ステーション」への資本投資とを必要としない移動式再充電インフラストラクチャの新しいサービス機会が使用可能になる。

（ｃ）機械学習（ＭＬ）ベースのスケジューリングサブシステム（ＭＬＳＳ）が、提案するフリート管理システムにおけるインテリジェントスケジューリングエンジンとして使用される。ＭＬＳＳは、フリート車両およびＥＤＶのために最適化された決定および指令を行うための１つまたは複数の機械学習の手法を使用してこれらのオーバヘッド操作を実行することで、交通渋滞を最小化してシステムの全体的な燃料／電荷経済性を向上させるように構成される。

（ｄ）提案するフレームワークは、オンラインマーケットプレイス共有プラットフォームとして構成でき、かつ、ＭＬＳＳと組み合わされるとフリート管理者側に利益をもたらすことができる、情報共有サブシステム（ＩＳＳ）と統合する。ＩＳＳは、財産所有者（住宅、企業など）がフリート車両に自らの施設（駐車スペースおよび／または充電ユニットなど）を賃貸することを可能にし、マイクロペイメントシステムを介して金銭的報酬を獲得することができる。

（ｅ）分散型台帳技術（ＤＬＴ）サブシステム（ＤＬＴＳ）は、価値をデジタル通貨または情報資産または電子契約の形態とすることができる、価値を電力と交換するためのマイクロペイメントフレームワークに関連付けられる機能を実行するように構成され得る。

開示するフリート管理システムの利点のうちの幾つかは、ＭａａＳフリート管理における頻繁なオーバヘッド、すなわち、燃料補給、充電、および駐車を効率的に処理して、効率的なルート計画を実現することによりＭａａＳネットワークのサービススループットを向上させることを含む。提案するＩＳＳのオンラインマーケットプレイスプラットフォームは、ＥＶ充電およびフリート駐車のオーバヘッドを効率的に管理するための更なるリソース（住宅、企業など）を切り開く。

（例えば、ＤＬＴＳによる）支払いの統合によって、成熟した価値変化がもたらされ得る前に、効率向上の複数のポイントに直接報いることができる。例えば、フリート管理の再充電車両が近くのソーラアレイから電力を取り出すことができる場合は、ソーラアレイプロバイダを価値変化に導入することに余分な労力がほとんど必要とされない。なぜなら、電子契約は、フリート車両がソーラアレイに接続し、かつ、電子契約により決定された電子通貨の形態に関係なく即座に支払いを処理することを承認できるからである。これは、商品、株式、情報資産、ステーブルコインやビットコインなどの電子通貨、および、ドルやユーロなどの従来通貨に関する契約などを含み得る。
［フリート管理システムの概要］

フリート車両の充電／燃料注入／駐車オーバヘッドを最適化し、また、これらの操作を自動化するために、開示する手法は、図１に示すようなフリート管理システムを使用してよい。

図１は、ある例示的な実施形態に係る、充電／燃料注入／駐車制御システム（ＣＦＰＣＳ）を備えるフリート管理システム１０２を使用したＭａａＳネットワーク１００を示す。ＭａａＳネットワーク１００は、対応する輸送事業者１１８、１２０、・・・、１２２に関連付けられる車両フリート１２４、１２６、・・・、１２８と通信可能に結合され得るフリート管理システム１０２を含む。フリート管理システム１０２は更に、ＥＤＶおよび他のサービス車両１３０、ＭａａＳユーザ１１５、並びに、ＣＦＰＣＳ１１０の情報共有サブシステム（ＩＳＳ）１１６に登録された財産所有者１１７と通信可能に結合される。

フリート管理システム１０２は、配車サブシステム１０４、車両ゲートウェイ１０６、フリートサービスシステム１０８、ＣＦＰＣＳ１１０、およびフリート技術者アプリケーション１１１を含んでよい。ＣＦＰＣＳ１１０は、ＭＬＳＳ１１２、ＤＬＴＳ１１４、およびＩＳＳ１１６を含んでよい。

図１は、人または物品に輸送手段を提供する車両のフリート１２４、・・・、１２８を備えるＭａａＳシステムの概略的モデルを示す。フリート車両は、複数の異なる輸送事業者（ＴＯ）１１８、・・・、１２２により提供および管理されてよい。ただし、ＭａａＳプロバイダ（例えば、フリート管理システム１０２を管理するサービス事業者）がフリート車両の操作に対する制御を与えられていると想定する。

フリート車両１２４、・・・、１２８は、１つまたは複数のＭａａＳノードで構成されてよい。ＭａａＳノードは、ＭａａＳ計算に共通する様々な必須計算要素を統合した構成要素計算プラットフォームである。ＭａａＳノードアーキテクチャに基づいてフリート車両を中心にフリート管理方法を構築することで、安価でありながら高い品質／信頼度のＭａａＳシステムが製造スケールメリットによって容易に実現されやすくなる。ＭａａＳノードは通常、センサハブ、コンテキストセンサ（位置、速度、進行方向、気温、加速度計、ＡＬＳ、デシベル、空気品質）、コンテキストマネージャ、タスク要求／応答ハンドラ、メッセージバス、ＲＡＮ接続／通信マネージャ、計算／計算アクセラレータ（ｘＰＵ）、自律コントローラモジュール、マイクロペイメントマネージャ、ＭａａＳオーケストレーションスケジューラ／タスクマネージャなどで構成される。

フリート車両１２４、・・・、１２８には、効率的な処理を必要とするオーバヘッドである、反復的な充電／燃料補給／駐車が必要である。人口密度の高い都会では、需要を満たすために大規模なフリートを配備する必要がある場合があり、これによってこれらのオーバヘッドが増大する。充電／燃料注入／駐車操作が効率的に処理されない場合は、それが交通渋滞の原因となり、ボトルネックとなり、結果としてＭａａＳシステムのサービススループットが飽和する可能性がある。

ＣＦＰＣＳ１１０は、現在の交通状況、ルート計画、サービス需要、車両の位置、燃料レベル、および範囲推定などに関する情報をフリート車両および他のソースから定期的に収集するＭＬＳＳ１１２をホストする。この情報に基づいて、ＭＬＳＳ１１２は、各フリート車両が燃料補給、再充電、または駐車する位置およびタイミングについて、（例えば、図３Ｂおよび図３Ｃに示すような１つまたは複数の機械学習（ＭＬ）手法を適用することにより）最適な決定を行う。交通量のピーク時、既存の充電／燃料ステーションが混雑している場合、または、交通状況によってフリート車両がステーションへ迅速に到達できない場合は、スケジューリングエンジンは、ＥＤＶを最適な位置およびタイミングで配備して混雑しているエリアを回避する決定を下すことができる。これは高次元の最適化スペースでは複雑な問題であるため、ＭＬ手法（例えば、ＭＬベースのアルゴリズム）を生かしてほぼ最適な解を計算してよい。

都市部における住宅用、民間、企業の建物には、特定の時間帯に十分に活用されていない駐車スペースおよびＥＶ充電ステーションのようなリソースがある場合がある。これらのリソースをフリート管理に利用できるようにすることが、ＭａａＳの運用にとって有益であろう。ＩＳＳ１１６は、フリート管理に有利なこれらの更なるリソースを使用する機会を切り開く。ＩＳＳ１１６を使用すると、住宅／個人所有者は、利用可能性に基づいて自らのリソースを宣伝し、その結果としてＭａａＳプロバイダから報酬を獲得することができるであろう。

ＤＬＴＳ１１４は、価値をデジタル通貨または情報資産または電子契約の形態とすることができる、価値を電力と交換するためのマイクロペイメントフレームワークとして使用されてよい。このアプローチによって、中央エンティティが政治的影響力、マーケティングの影響、または、資産交換の時点で供給される価値に直接関係しない可能性がある他の要因に基づいて価値変化における様々なエンティティの価値を決定する、複雑な価値連鎖を回避するより直接的な交換相互作用が可能となる。

図２には、ＣＦＰＣＳ１１０を使用した提案するフレームワークの幾つかの例示的な使用事例を示す。

図２は、ある例示的な実施形態に係る、ＣＦＰＣＳに関連付けられる例示的な使用事例２００を示す。図２を参照すると、例示的な使用事例は、ＥＤＶ２０４が駐車場２０２内のＥＶ２０６、２０８、２１０、・・・、２１２に電荷を提供することと、道路２１４上の車両が空の駐車スペースＰ５を検出してよく、基地局２０３を介してフリート管理システム１０２に駐車スペース利用可能性メッセージ２１６を伝達してよいことと、住宅２２２の所有者が、駐車スペースおよびＥＶ充電ユニットの賃貸可能性を示すメッセージ２２４を基地局２０３に伝達することと、基地局２０３が低バッテリの車両２２６に指令２２８を伝達することであって、指令は駐車場２０２で充電するよう車両に命令する、伝達することとを含んでよい。

フリート車両は、無線ネットワーク（４Ｇ、５Ｇ、ＤＳＲＣなど）を介してフリート管理システム１０２に接続されると想定する。フリート車両は、範囲推定、ルート計画、路上交通状況などといった情報を提供することによりフリート管理者側と連携する。車両はフリート管理者側からの燃料注入／充電／駐車指令に従ってよく、状況に応じて、車両はシステムに要求を積極的に送信して、近くの駐車スポットまたは充電ステーションを確保することができる。
［フリートオーバヘッド操作を効率的に処理するためのＭＬＳＳ（またはインテリジェントスケジューリングエンジン）］

図３Ａは、ある例示的な実施形態に係る、図１のＣＦＰＣＳの機械学習（ＭＬ）ベースのスケジューリングサブシステム（ＭＬＳＳ）１１２のダイアグラム３００Ａを示す。図３Ａは、入力パラメータおよび出力指令メッセージに重点を置いたＭＬＳＳ１１２の概要を示す。ＭＬＳＳ１１２は、図３Ａに示すような様々な入力パラメータを処理し、出力で一連の指令を生成して、定義された目的のセットを最適化するように構成される。
［入力パラメータ］

図３Ａに示すように、ＭＬＳＳ１１２は、複数の異なるサブシステムから幾つかの入力パラメータを受け取るように構成される。

フリート車両情報（または車両パラメータ）３０８。フリート車両は充電／燃料注入／駐車のスケジューリングを必要とするＭａａＳエンティティであるため、ＭＬＳＳ１１２は各車両に関する基本情報および現在情報を知る必要がある。フリート車両情報３０８の入力パラメータは、車両ゲートウェイ１０６を介して個々のフリート車両から定期的に取得される。幾つかの態様では、フリート車両は、ＭａａＳプロバイダおよびフリート管理システム１０２への無線接続を通じて車両パラメータを定期的にまたはオンデマンドで伝送するように構成されるものとする。例示的な車両パラメータを以下の表１に列挙する。
［表１］

インフラストラクチャリソース利用可能性３１０。ＭＬＳＳ１１２は、ＭａａＳプロバイダが住宅、空港、ホテル、商用および企業の建物などで駐車およびＥＶ充電のリソースを利用することを可能とするように構成される。ＭＬＳＳ１１２は、ＩＳＳ１１６とのインタフェースを介してインフラストラクチャリソース利用可能性情報を取得することができる。利用可能性情報は、要求された地理的位置に関するリストの形態で、オンデマンドでＭＬＳＳ１１２に提供され得る。リスト内の各要素は、例えば、以下の表２に示すリソース情報を含んでよい。
［表２］

需要予測３１２。需要のピーク時にフリート車両のオーバヘッド操作をスケジューリングすることは回避するのが好ましい場合がある。なぜなら、これらの時間帯にはフリート容量を最大化することが重要だからである。幾つかの態様では、ＭＬＳＳ１１２は、関連するフリート車両が動作している地理的エリア内の将来の需要予測３１２に関する情報を需要予測モジュール３０２から（例えば、オンデマンドで）取得してよい。予測は、要求された時間帯／ｓの要求された地理的エリアにおける予想需要に関する情報を含むものとする。幾つかの態様では、需要予測モジュール３０２は、ＭＬベースであってよく、ＭＬＳＳ１１２の一部であってよい。

対象となる地点（ＰＯＩ）およびルート計画情報３１４。考慮中のコンテキストでは、ＰＯＩは、駐車場および他の駐車スポット、ＥＶ充電ステーション、並びに／またはガソリンステーションなどといった、フリートの使用に利用できる関連リソースである。幾つかの態様では、ルート計画情報は、フリート車両がオーバヘッド操作を完了するための最良のルートおよびタイミングを決定するために、ＭＬＳＳ１１２により使用される。

幾つかの態様では、ＭＬＳＳ１１２は、マップクラウドサービス３０４からＰＯＩおよびルート計画情報を取得することができる。幾つかの態様では、ＭＬＳＳ１１２は、車両ソース位置のセット、リソース目的地のセット、およびタイミングのセットを送信することにより、マップクラウドサービス３０４（例えば、マップ生成またはマップ管理ネットワークであり得るマップクラウド）に照会を行ってよい。マップクラウドは、照会のタイミングについて、各車両とＮ個の最良のリソース目的地との間にＮ個の最良のルートを提供することにより応答してよい（ここで、Ｎは必要に基づいて任意に定義され得る）。最良のルートを算出している間、マップクラウドは、所与のタイミングに関する交通予測を考慮してもよい。マップクラウドにより応答されたルート計画情報は、ＭＬＳＳ１１２により入力パラメータとして使用される。

政府の規則および規制３１６は、地方条例サービス３０６（例えば、政府の規則および規制３１６へのアクセスを提供するネットワーク）から取得されてよい。フリート管理のために住宅用駐車スペースを共有すると、住宅地で更なる交通が発生する可能性がある。更に、地方自治体には特定の制限がある場合がある。例えば、渋滞を回避するための住宅地における交通制限、車両の燃料注入のための指定エリアなどである。ＭＬＳＳ１１２は、市当局と協力して規則を実施するためのメカニズムで構成され得る。

更に、政府の規則および規制は、エネルギー使用税、高速道路の使用税および維持管理税、車両財産税、（エネルギーの販売に対する）販売税、または、ＭａａＳインフラストラクチャを介して提供される電子サービスなどといった課税規則を含んでよい。ＭＬＳＳ１１２は、本明細書に記載のマイクロペイメント機能を活用する徴税のためのメカニズムを提供してよい。
［最適化アルゴリズム］

ＭＬＳＳ１１２は、１つまたは複数のＭＬ手法（最適化アルゴリズムを含む）を使用して、上述のような様々な入力パラメータに関連する最適化の問題を解決するように構成され得る。アクティブなフリート車両の数が増えるにつれて、最適化の問題はより複雑になり、決定論的アルゴリズムで処理するのが難しくなる。従って、アルゴリズムは、ＭＬ手法を使用して最善／ほぼ最善の解を算出してよい。本開示は、最適化基準および関連する制約の非公式な定義を用いて、最適化の問題について大まかに説明する。

［目的］
最適化の問題の目的または目標は、ＭａａＳシステムの全体的な効率および経済性を最大化するようなものであってよい。幾つかの態様では、多目的な最適化の問題が考慮されてよく、それは、充電、燃料補給、および駐車のオーバヘッド間で若干異なる可能性がある。以下では、ＭＬＳＳ１１２の設計中に考慮され得る主な目的（または最適化基準）のうちの幾つかについて説明する。

例示的な目的は、リソース（駐車スポットまたは充電／ガソリンステーション）への予想移動時間と、次のサービス目的地（分かっている場合）への移動時間とを最小化することを含むことができる。移動時間を最小化することで、フリート車両がオーバヘッド操作に起因してもたらす交通足跡を、確実に、可能な限り少なくする。

充電／燃料注入の場合は、例示的な目的は、（充電／ガソリンステーションでの）待ち時間と遂行時間とを含む、予想待機時間を最小化することを含む。充電の場合は、遂行時間は、充電器のワット数に応じて大きく異なる可能性がある。

例示的な目的は、オーバヘッド操作の全費用を最小化することを含む。全費用は、充電、燃料注入、または駐車にかかる直接費用と、リソース目的地への移動の費用のような間接費用とを含む。

例示的な目的は、フリートの利用可能性を最大化すること、および、需要予測の分布に比例してサービスエリア全体に分散させることを含む。

幾つかの態様では、ＭＬＳＳ１１２は、複数の異なるエリア全体にフリート車両のルートを分散させて渋滞を回避することを考慮することもできる。例えば、より多くのフリート車両が同時に同じ燃料補給ステーションを訪れるようにスケジューリングされている場合は、ほぼ確実に、ルート沿いおよびステーションで渋滞が生じることになる。従って、それは回避され得る。

これらの目的の間には幾つかの矛盾が存在するので、最終的な目的関数は個々の目的の加重平均により取得されてよい。幾つかの態様では、重みは動的であり、複数の異なる要因に依存する。幾つかの例は以下の通りである。近い将来により高い需要が予測される場合は、フリートの利用可能性を最大化し、かつ、予想される移動時間および待機時間を最小化するためにより高い重みを使用する一方で、全費用を最小化するためにより小さな重みを使用してよい。車両の夜間駐車の別の例では、オーバヘッド操作の全費用を最小化するために大きな重みを配置する一方で、他の目的のために小さな重みを配置してよい。

最適化パラメータおよび制約。最適化パラメータは、ＭＬＳＳ１１２が上述の目的を実現するために知的に選択する必要がある選択肢である。各最適化パラメータは、１つまたは複数の目的に影響を及ぼしてよい。以下は、（例えば、図３Ａおよび図３Ｂとの関連で説明するようなＭＬモデルトレーニング中に）ＭＬＳＳ１１２が最適化するように構成され得る主なパラメータである。

（ａ）オーバヘッド操作のタイミング：このパラメータは、以上に列挙した全ての目的に影響を及ぼす。フリート車両ごとにこのパラメータを選択する際には、特定の制約が存在する可能性がある。例えば、最新の制限時間は、車両内の残りの電荷／燃料、最も近い利用可能なリソースまでの距離などといった要因の影響を受ける場合がある。

（ｂ）充電／燃料注入／駐車リソース：このパラメータは、専用のＭａａＳ施設、駐車場／燃料補給ステーションなどの公共リソース、および、オンライン共有プラットフォーム（例えば、ＩＳＳ）を介して利用できる住宅／企業リソースを含む、サービスエリアで利用できるリソースのセットに属する。目的の値は、位置、価格／費用、遂行時間などといったリソースの属性に応じて、リソースごとに異なる。政府の規制に起因して、または、予約の制限に起因して、フリート車両のリソースの選択には幾つかの制約が存在する場合がある。

（ｃ）差し向けるＥＤＶの数：（容易に）利用できるリソースが不足している特定の時間帯、例えば、交通量のピーク時には、必要な目的値の実現が難しい場合がある。そのような場合は、ＥＤＶを配備してフリート車両を充電／燃料注入すると、目的値が大幅に向上する場合がある。目的に対するこのパラメータの影響は、ＥＤＶのターゲット位置、タイミングなどといった他の関連パラメータを考慮することにより決定されてよい。

（ＭＬＳＳ１１２の）出力制御指令。ＭＬＳＳ１１２は、上述のような最適化の問題を定期的に解決し、本明細書に記載するような出力３１８、３２０、３２２、および３２４を生成する。反復ごとに、結果として得られる解決策に基づいて、ＭＬＳＳ１１２は特定のタイミングで制御指令を生成する。これらの制御指令は、オーバヘッド操作を実行するためにＭａａＳプロバイダの複数の異なるサブシステムに送信される。スケジューリングエンジンにより生成される主な指令を以下に列挙する。

車両ゲートウェイ１０６に伝達される車両指令３２２。これらの制御指令は、個々のフリート車両に固有のものであり、車両ゲートウェイ１０６を介して送信され、その後、無線ネットワークを介して送信される。これらの指令は、特定の位置を訪れることにより充電／燃料補給／駐車するようにとの車両に対する命令を含んでよい。

配車サブシステム１０４に伝達されるＥＤＶ差し向け指令３２４。これらの制御指令は、ターゲット位置にＥＤＶを差し向けるために配車サブシステム１０４に送信される。それは、運搬する燃料／電荷容量、充電／燃料補給するフリート車両のＩＤなどといった更なる命令も含む。

（ＩＳＳ１１６に送信される）予約指令３２０および（ＤＬＴＳ１１４に送信される）予約支払い３１８。これらの指令は、必要なリソースをオンライン共有プラットフォーム（例えば、ＩＳＳ１１６）で予約するために使用される。リソースの予約に必要とされる支払いは、ＤＬＴＳ１１４の支払いシステムを介して送信される。
［オンラインマーケットプレイス共有プラットフォーム（ＩＳＳ１１６）］

ＩＳＳ１１６によって、ＭａａＳフリート管理システム１０２は、住宅および企業のインフラストラクチャで利用できるリソースを生かすことができる。幾つかの態様では、ＩＳＳ１１６は、財産所有者が自らの民間駐車スペースおよびＥＶ充電器（利用可能な場合）をリストに載せる際に使うことができるフリート管理システム１０２で使用され得るオンラインマーケットプレイス共有プラットフォームを含むことができる。幾つかの態様では、ＩＳＳ１１６のオンライン共有プラットフォームは、（図１に示すような）ＣＦＰＣＳ１１０の一部としてＭＬＳＳ１１２と統合されてよく、その後、最適化プロセス（例えば、図３Ａおよび図３Ｂとの関連で説明するような、ＭＬＳＳ１１２に関するＭＬベースのトレーニングおよびモデル生成）の一部となる。この統合されたセットアップで、フリート管理におけるオーバヘッドプロセスをより大幅に最適化することができ、オンライン共有プラットフォームだけでは最適化を実現できない。

ここで、最適化のためのＩＳＳ１１６の例示的な要件、および、ＭａａＳフリート管理システム１０２とのそのインタフェースについて説明する。幾つかの態様では、ＩＳＳ１１６は、ＣＦＰＣＳ１１０の一部としてＭａａＳプロバイダシステム内でホストされてもよいし、（例えば、フリート管理システム１０２とは別個の外部ネットワークの一部として）外部クラウドサービスによりホストされてもよいと想定され得る。以下は、スケジューリングエンジンと統合され得るＩＳＳ１１６の幾つかの特徴である。

（ａ）ＩＳＳ１１６は、合法的な住宅および企業の所有者がプラットフォーム上で自らのリソース（駐車スペースおよびＥＶ充電器）を登録してリストに載せることができるようにする、信頼できる安全なサービスを実施するように構成される。ＩＳＳ１１６は、リソースの必要な詳細（位置、サイズ、タイプなど）をユーザから正確に収集して検証するための適切なメカニズムを含むこともできる。

（ｂ）幾つかの態様では、ＩＳＳ１１６は、所有者によるリソース価格の（例えば、動的な）設定を可能とするように構成され、登録ユーザがリソースを予約するためのサービスを提供するように構成され得る。

（ｃ）幾つかの態様では、ＩＳＳ１１６は、ユーザによるＤＬＴＳ１１４を介した予約に対する支払いを可能とするように構成される。

（ｄ）幾つかの態様では、ＩＳＳ１１６は、要求された地理的エリア内のリソースの利用可能性についてオンデマンドで照会するためのサービスを提供するように構成される。ＩＳＳ１１６は、対象となるリソースに関する詳細な情報をスケジューリングアルゴリズムが取得する際に使うことができるサービスも提供すべきである。
［マイクロペイメントシステム（例えば、ＤＬＴＳ１１４）］

ＤＬＴＳ１１４は、ＭａａＳネットワーク１００において複数のサービスポイントまたは情報交換インタフェースに拡張するように構成される。スケジューリング、交換、または物々交換に利用できる各リソースには、マイクロペイメント交換インタフェース、電子財布、および取引清算ノードへのアクセスが装備されている。燃料補給／再充電のコンテキストでは、幾つかの実施形態において、エネルギーのプロバイダは、ｎ個のマイクロペイメントトークンと引き換えにｍワットのエネルギーを供給してよい。再充電／燃料補給を必要とするリソースは、電子財布に蓄積され（、かつ、再充電／燃料補給するエネルギーを購入するために後ほど使用され得）るマイクロペイメントトークンで、それが生み出すサービスまたは価値に対する支払いを受け取る。

幾つかの態様では、ＤＬＴＳ１１４におけるマイクロペイメントは、分散型台帳技術（ＤＬＴ）などの非集中的なクリアリングハウスアプローチを使用して取引清算を処理する。ＤＬＴＳノードは、電波塔、基地局、低地球軌道（ＬＥＯ）衛星などの無線アクセスネットワーク（ＲＡＮ）インフラストラクチャへの統合を含め、ＭａａＳネットワーク１００内の任意の位置で仮想的にホストされてもよいし、ＭａａＳエッジノード（照明柱、交通信号、カメラ、モバイルデバイス、ＩｏＴセンサ、または他の車車間/路車間（Ｖ２Ｘ）デバイスなど）に統合されてもよい。

クリーンエネルギーの割引および補助金は、クリーンな太陽光充電ステーションが、エネルギーを供給するための電子契約でエネルギー生成のタイプを証明できる、ＤＬＴＳ１１４によってより容易に追跡され得る。取引には、ワットあたりの査定額が低くなった結果として見返りに交換する必要のあるマイクロペイメントトークンが少なくなるように、クリーンエネルギーの補助金が提供されてよい。例えば、ＥＶは、イーサリアムなどの電子通貨で相乗りからＵｂｅｒのような対価を受け取っている場合がある。充電施設は、イーサをユーロに換算するのではなく、ドルでの支払いのみを受け入れることができる。電子契約の形態で情報資産を含む様々な通貨で交換することにより、不要な換算損失が回避され得る。

幾つかの態様では、ＤＬＴＳ１１４は、処理と引き換えにマイクロペイメントの効率的な処理に使用されるＭａａＳノードで構成され得るマイクロペイメントモジュール（ＭＰＭ）を含む。ＭＰＭには、作業単位（ＵｏＷ）の実行に使用される計算リソースの量を決定するための様々な内部センサ／メータが搭載されてよい。ＭａａＳ操作／作業負荷を実行するために消費されるＵｏＷは集計され、必要に応じて／承認された通りにテナントの電子財布へ課金するために使用される。ＭＰＭは、ＭａａＳノード上でＭａａＳサービスをホストすることに関連付けられる電力、冷却、耐タンパー性、および他の費用を考慮して、「ペイパーユース方式」モデルでリソースに対する支払いを行ってもよい。電子契約は、任意のＭａａＳノード少額取引に対する支払いを保証し、かつ、ＡＣＩＤ（不可分性、一貫性、独立性、永続性）性質および非二重使用などを保証するために作成されてよい。

図３Ｂは、ある例示的な実施形態に係る、図３ＡのＭＬＳＳにより使用される深層学習（ＤＬ）モデル３１０Ｂのトレーニングを示したブロックダイアグラム３００Ｂである。幾つかの例示的な実施形態では、深層学習プログラムを含む機械学習プログラム（ＭＬＰ）は、集合的に機械学習のアルゴリズムまたはツールまたは手法とも呼ばれ、ＭＬＳＳ１１２により実行される本明細書に記載の機能との関連で、データまたは他の人工知能（ＡＩ）ベースの機能を相関させることに関連付けられる操作を実行するために利用される。

図３Ｂに示すように、深層学習モデルトレーニング３０８Ｂは、（特徴を含み得る）トレーニングデータ３０２Ｂに基づいて深層学習アーキテクチャ（ＤＬＡ）３０６Ｂ内で実行される。深層学習モデルトレーニング３０８Ｂの間、ＤＬモデルの更なるトレーニングを目的として、トレーニングデータ３０２Ｂからの特徴が査定され得る。ＤＬモデルトレーニング３０８Ｂの結果、トレーニングされたＤＬモデル３１０Ｂがもたらされる。トレーニングされたＤＬモデル３１０Ｂは、（フリート管理システム１０２内の１つまたは複数の他のサブシステムからＭＬＳＳ１１２により取得され得る）新しいデータ３１４Ｂに基づいて、ＤＬ査定３１６Ｂ（例えば、ＭＬＳＳ１１２の機能との関連で実行される査定）を提供するために使用され得る１つまたは複数の分類器３１２Ｂを含むことができる。

ある例示的な実施形態では、ＤＬＡ３０６Ｂおよび深層学習モデルトレーニング３０８Ｂは、ＭＬＳＳ１１２内で実行される。トレーニングされたモデル３１０Ｂも、ＭＬＳＳ１１２の一部として含まれる。他の態様では、トレーニングおよびモデルストレージは、ＭＬＳＳ１１２がオンデマンドでアクセスできるリモートネットワークで提供され得る。

幾つかの態様では、トレーニングデータ３０２Ｂは、上述のＭＬＳＳ１１２の最適化機能に基づいて構成され得る入力データ３０３Ｂおよび出力データ３０５Ｂを含むことができる。入力データ３０３Ｂおよび出力データ３０５Ｂは、ＤＬモデル３１０ＢをトレーニングするためのＤＬモデルトレーニング３０８Ｂの間に使用される。この関連で、トレーニングされたＤＬモデル３１０Ｂは、新しいデータ３１４Ｂを受信し、データに基づいて特徴を抽出し、新しいデータ３１４Ｂを使用してイベント決定を実行する。

深層学習は、機械学習の一部であり、明示的にプログラムされることなく学習する能力をコンピュータに与える研究分野である。機械学習は、既存のデータから学習してよく、データを相関させてよく、かつ、新しいデータに関する予測を行ってよい、本明細書ではツールとも呼ばれるアルゴリズムの研究および構築を行う。そのような機械学習ツールは、例示的なトレーニングデータ（例えば、トレーニングデータ３０２Ｂ）からモデルを構築して出力または査定３１６Ｂとして表されるデータ駆動型の予測または決定を行うことにより動作する。少数の機械学習ツール（例えば、深層学習アーキテクチャ）に関して例示的な実施形態が提示されているが、本明細書で提示する原則は他の機械学習ツールに適用されてもよい。

幾つかの例示的な実施形態では、複数の異なる機械学習ツールが使用されてよい。例えば、ロジスティック回帰、ナイーブベイズ、ランダムフォレスト、ニューラルネットワーク、行列因数分解、およびサポートベクタマシンツールが、（例えば、トレーニングデータ３０２Ｂを相関させるために）深層学習モデルトレーニング３０８Ｂの間に使用されてよい。

機械学習における２つの一般的なタイプの問題は、分類の問題および回帰の問題である。分類の問題はカテゴリ化の問題とも呼ばれ、項目を幾つかのカテゴリ値のうちの１つに分類することを目的としている（例えば、この対象物はリンゴですか、それともオレンジですか？）。回帰アルゴリズムは、幾つかの項目を（例えば、実数の値を提供することにより）定量化することを目的としている。幾つかの実施形態では、ＤＬＡ３０６Ｂは、結果に影響を及ぼす識別された特徴間の相関関係を見つけるためにトレーニングデータ３０２Ｂを利用する機械学習アルゴリズムを使用するように構成され得る。

機械学習アルゴリズムは、トレーニングデータ３０２Ｂからの特徴を利用して新しいデータ３１４Ｂを分析して、査定３１６Ｂを生成する。これらの特徴は、機械学習モデルをトレーニングするために観察および使用される現象の個々の測定可能な性質を含む。特徴の概念は、線形回帰などの統計手法で使用される説明変数の概念に関連する。パターン認識、分類、および回帰におけるＭＬＰの効果的な操作には、有益で緻密な独立した特徴を選択することが重要である。特徴は、数値特徴、文字列、およびグラフなどの、複数の異なるタイプのものであってよい。幾つかの態様では、トレーニングデータは、これらの特徴を計算デバイスにより使用される数値とする、複数の異なるタイプのものであってよい。

幾つかの態様では、ＤＬモデルトレーニング３０８Ｂの間に使用される特徴は、入力データ３０３Ｂ、出力データ３０５Ｂだけでなく、複数のセンサ（例えば、オーディオセンサ、運動センサ、ＧＰＳセンサ、画像センサ）からのセンサデータと、複数のアクチュエータ（例えば、無線スイッチまたは他のアクチュエータ）からのアクチュエータイベントデータと、複数の外部ソースからの外部情報と、センサ状態データ（例えば、時間センサデータが取得される）、アクチュエータイベントデータ、または外部情報ソースデータに関連付けられるタイマデータと、ユーザ通信情報と、ユーザデータと、ユーザ行動データなどとのうちの１つまたは複数も含むことができる。

機械学習アルゴリズムは、トレーニングデータ３０２Ｂを利用して、査定３１６Ｂの結果に影響を及ぼす識別された特徴間の相関関係を見つける。（識別された特徴を含み得る）トレーニングデータ３０２Ｂを用いることで、ＤＬモデルは、ＤＬＡ３０６Ｂ内のＤＬモデルトレーニング３０８Ｂを使用してトレーニングされる。トレーニングの結果は、トレーニングされたＤＬモデル３１０Ｂ（例えば、図３Ｃのニューラルネットワーク３２０Ｃ）である。ＤＬモデル３１０Ｂが査定の実行に使用される場合は、新しいデータ３１４Ｂが、トレーニングされたＤＬモデル３１０Ｂに入力として提供され、ＤＬモデル３１０Ｂが査定３１６Ｂを出力として生成する。例えば、ＤＬＡ３０６ＢをＭＬＳＳ１１２内に配備して、本明細書に記載するようなＭＬ手法を実行することができる。

図３Ｃは、ある実施形態に係る、図３ＢのＤＬＡ３０６Ｂを使用する図３ＡのＭＬＳＳにより使用され得るニューラルネットワークの構造のダイアグラム３００Ｃを示す。ニューラルネットワーク３２０Ｃは、ソースドメインデータ３１０Ｃ（例えば、１つまたは複数のＭＬベースの手法を実行するためにＭＬＳＳ１１２により提供されるようなデータ）を入力として受け取り、入力層３３０Ｃと、中間の隠れ層３４０Ｃ、３４２Ｃ、３４４Ｃ、３４６Ｃ、および３４８Ｃと、出力層３５０Ｃとを使用してソースドメインデータ３１０Ｃを処理して、結果３６０Ｃを生成する。

層３３０Ｃ～３５０Ｃの各々は、１つまたは複数のノード（または「ニューロン」）を含む。図３Ｃでは、ニューラルネットワーク３２０Ｃのノードが円または楕円として示されている。各ノードは１つまたは複数の入力値を受け取り、０個またはそれより多くの内部変数を使用してこれらの入力値を処理し、１つまたは複数の出力値を生成する。入力層３３０Ｃへの入力は、ソースドメインデータ３１０Ｃからの値である。出力層３５０Ｃの出力は、結果３６０Ｃである。中間層３４０Ｃ～３４８Ｃは、入力または出力のいずれとも直接相互作用せず、かつ、ニューラルネットワーク３２０Ｃの完全に内部にあるため、「隠れ」と呼ばれる。図３Ｃには５つの隠れ層が示されているが、これより多いまたは少ない隠れ層が使用されてもよい。

モデル内にトレーニングデータセットを繰り返し供給して結果を精緻化する幾つかのエポック（例えば、反復）にわたるトレーニングデータセットに対してモデルが実行されてよい。例えば、教師あり学習フェーズでは、モデルを展開して所与の入力セットに関する出力を予測すると同時に、幾つかのエポックにわたりモデルを評価して、トレーニングデータセットに関する最大数の入力に対して、所与の入力に対応するように指定された出力をより確実に提供する。別の例において、教師なし学習フェーズの場合は、モデルを展開してデータセットをｎ個のグループにクラスタリングすると同時に、モデルが所与のグループ内に所与の入力をどれだけ一貫して配置するか、および、モデルが各エポックを通じてこれらｎ個の所望のクラスタをどれだけ確実に生成するかについて、幾つかのエポックにわたりモデルを評価する。

エポックが実行されると、モデルが評価され、その変数の値が調整されて、モデルを反復的により適切に精緻化しようとする試みがなされる。様々な態様において、評価は検出漏れに対して偏っているか、誤検出に対して偏っているか、モデルの全体的な正確度に関して均等に偏っている。これらの値は、使用される機械学習の手法に応じて幾つかの方法で調整されてよい。例えば、遺伝的アルゴリズムまたは進化アルゴリズムでは、所望の出力の予測に最も成功したモデルに関する値が、後続のエポックで使用するモデルに関する値を展開するために使用され、これには更なるデータポイントを提供するためのランダムな変化／変形が含まれてよい。当業者は、線形回帰、ランダムフォレスト、決定木の学習、ニューラルネットワーク、深層ニューラルネットワークなどを含む、本開示で適用され得る他の幾つかの機械学習アルゴリズムに精通しているであろう。

各モデルは、入力に影響を及ぼす１つまたは複数の変数の値を変更して所望の結果へより密接にマッピングすることにより、幾つかのエポックにわたって規則またはアルゴリズムを展開するが、トレーニングデータセットは変更される場合があり、かつ、極めて大きいことが好ましいので、完璧な正確度および精度を実現できない場合がある。従って、学習フェーズを構成する幾つかのエポックを、所与の試行回数または固定の時間／計算予算として設定してもよいし、所与のモデルの正確度が十分に高いか、十分に低い場合、または、正確度が横ばい状態に達した場合に、その回数／予算に達する前に終了してもよい。例えば、トレーニングフェーズがｎ個のエポックを実行して少なくとも９５％の正確度でモデルを生成するように設計され、かつ、そのようなモデルがｎ番目のエポックの前に生成される場合は、学習フェーズは早期に終了し、最終目標の正確度の閾値を満たす生成されたモデルを使用してよい。同様に、所与のモデルがランダム確率閾値（ｒａｎｄｏｍ ｃｈａｎｃｅ ｔｈｒｅｓｈｏｌｄ）を満たすのに十分に不正確である（例えば、モデルが所与の入力に関する真／偽の出力を決定する際に５５％しか正確でない）場合は、そのモデルに関する学習フェーズを早期に終了してよいが、学習フェーズにおける他のモデルはトレーニングを継続してよい。同様に、複数のエポックを通じて所与のモデルが同様の正確度を提供し続けるか、その結果が変動し続けた場合、すなわち、パフォーマンスが横ばい状態に達した場合は、所与のモデルに関する学習フェーズは、エポックの数／計算予算に達する前に終了してよい。

学習フェーズが完了すると、モデルは確定される。幾つかの例示的な実施形態では、確定されたモデルが試験基準と対照して評価される。第１の例では、入力に関する既知の出力を含む試験データセットを確定されたモデル内に供給して、モデルがトレーニングされていないデータを処理する際のモデルの正確度を決定する。第２の例では、誤検出率または検出漏れ率を使用して、確定後のモデルを評価してよい。第３の例では、データクラスタリング間の描写を使用して、データクラスタに関する最も明確な境界を生成するモデルを選択する。

ニューラルネットワーク３２０Ｃは、深層学習ニューラルネットワーク、深層畳み込みニューラルネットワーク、リカレントニューラルネットワーク、または別のタイプのニューラルネットワークであってよい。ニューロンは、メモリであって、所与のニューロンに提供された入力の重みに基づいて当該メモリに保持される値をいつ「記憶」し、いつ「忘れる」かを決定し得るメモリを含む、データ処理および人工知能、特に機械学習で使用されるアーキテクチャ要素である。ニューラルネットワーク３２０Ｃにおけるニューロンの例示的なタイプは、長・短期記憶（ＬＳＴＭ）ノードである。本明細書で使用するニューロンの各々は、ネットワーク内の他のニューロンからの事前定義された数の入力を受け入れて、分析中のフレームのコンテンツに関するリレーショナル出力およびサブリレーショナル出力を提供するように構成される。個々のニューロンをニューラルネットワークの様々な構成でツリー構造に編成しておよび／または連鎖させて、発話におけるフレームの各々がどのように互いに関連しているかに関する相互作用および関係学習モデリングを提供してよい。

例えば、ニューロンとして機能するＬＳＴＭは、入力ベクトル（例えば、時系列データ）と、メモリセルと、出力ベクトルとを処理するための幾つかのゲートを含む。入力ゲートおよび出力ゲートは、メモリセルに流入する情報およびメモリセルから流出する情報をそれぞれ制御するが、忘却ゲートはオプションで、ニューラルネットワークにおける早期のリンクされたセルからの入力に基づいてメモリセルから情報を除去する。トレーニングフェーズの間に様々なゲートに関する重みおよびバイアスベクトルが調整され、トレーニングフェーズが完了すると、それらの重みおよびバイアスが通常操作のために確定される。当業者は、ニューロンおよびニューラルネットワークがプログラムに従って（例えば、ソフトウェア命令を介して）、または、各ニューロンをリンクしてニューラルネットワークを形成する特殊ハードウェアを介して、構築され得ることを理解するであろう。

人工ニューラルネットワークと呼ばれることがあるニューラルネットワークは、動物の脳の生物学的ニューラルネットワークを考慮した結果に基づく計算システムである。そのようなシステムは、学習と呼ばれるパフォーマンスを段階的に向上させて、通常はタスク固有のプログラミングなくしてタスクを実行する。例えば、画像認識において、ニューラルネットワークは、ある対象物に関して名前でタグ付けされた例画像を分析することにより、その対象物を含む画像を識別するように教えられてよく、その対象物および名前を学習した後、分析結果を使用してタグなし画像内のその対象物を識別してよい。ニューラルネットワークは、ニューロンと呼ばれる接続されたユニットの集合に基づいており、ニューロン間のシナプスと呼ばれる各接続は、接続の強度に応じて変化する活性化強度を有する一方向信号を伝送することができる。受信ニューロンは、通常は、潜在的に多くの送信ニューロンからの組み合わされた入力信号が十分な強度（ここでの強度はパラメータである）であるかどうかに基づいて、信号を活性化させ、それに接続されている下流のニューロンへと伝搬することができる。

深層ニューラルネットワーク（ＤＮＮ）は、複数の層で構成される積み重ねられたニューラルネットワークである。これらの層は、計算が行われる場所であるノードで構成され、人間の脳内のニューロン上で大まかにパターン化されており、ニューロンは十分な刺激を受けると発火する。ノードは、データからの入力を、その入力を増幅または減衰させる係数のセットまたは重みと組み合わせる。これによって、アルゴリズムが学習しようとしているタスクに関する入力に重要性が割り当てられる。これらの入力重み積（ｉｎｐｕｔ－ｗｅｉｇｈｔ ｐｒｏｄｕｃｔ）を合計し、その和を、いわゆるノードの活性化関数に通して、その信号がネットワークを更に進行して結果に影響を及ぼすかどうか、および、どの程度進行するかを判断する。ＤＮＮは、特徴抽出および変換のために非線形処理装置の多くの層のカスケードを使用する。連続する各層は、前の層からの出力を入力として使用する。上位レベルの特徴を下位レベルの特徴から導出して、階層的表示を形成する。入力層に続く層は、入力の結果をフィルタリングしており、かつ、次の畳み込み層により使用される、特徴マップを生成する畳み込み層であってよい。

ＤＮＮアーキテクチャのトレーニングでは、変数間の関係を推定するための統計プロセスのセットとして構造化された回帰は、費用関数の最小化を含むことができる。費用関数は、トレーニング例をマッピングして出力を訂正する際にニューラルネットワークがどの程度うまく機能したかを表す数を返す関数として実施されてよい。トレーニングにおいて、費用関数値が所定の範囲内にない場合は、既知のトレーニング画像に基づいてバックプロパゲーションが使用される。ここで、バックプロパゲーションは、確率的勾配降下（ＳＧＤ）法などの最適化方法で使用される人工ニューラルネットワークをトレーニングする一般的な方法である。

バックプロパゲーションの使用は、伝搬および重みの更新を含むことができる。入力は、ニューラルネットワークに提示されると、出力層に達するまで、層ごとにニューラルネットワークを介して前方に伝搬される。その後、費用関数を使用してニューラルネットワークの出力が所望の出力と比較され、出力層内のノードの各々について誤差値が算出される。誤差値は、各ノードの有する関連付けられる誤差値が元の出力への寄与を大まかに表すまで、出力から開始して後方に伝搬される。バックプロパゲーションは、これらの誤差値を使用して、ニューラルネットワークにおける重みに関する費用関数の勾配を算出することができる。算出された勾配を選択された最適化方法に供給することで、重みを更新して、費用関数の最小化を試みる。

幾つかの例示的な実施形態では、各層の構造が事前定義される。例えば、畳み込み層は、小さな畳み込みカーネルおよびそれぞれの対応する畳み込みパラメータを含んでよく、合計層は、２つまたはそれより多くの値の和または加重和を算出してよい。トレーニングは、合計の重み係数を定義する際に役立つ。

ＤＮＮのパフォーマンスを向上させる１つの方法は、特徴抽出層に関するより新しい構造を識別することであり、別の方法は、所望のタスクを達成するために、これらの異なる層でパラメータを識別する方法を向上させることによるものである。所与のニューラルネットワークでは、最適化されるパラメータが数百万存在する場合がある。これら全てのパラメータを一から最適化しようとすると、利用可能な計算リソースの数とトレーニングセット内のデータの量とに応じて、数時間、数日間、または更には数週間かかる場合がある。
［予測的な再充電／燃料補給によるＱｏＳ最適化のフリート管理方法］

幾つかの態様では、タクシー配車サービス用の自律走行車（ＡＶ）のフリートは、スマートシティをナビゲートし、ホットスポットに集合する可能性がある。ホットスポットの位置は、時間帯、曜日、季節などに応じて継続的に変化する可能性がある。日常業務のある時点で、フリート内の幾つかの車両を再充電する必要がある。ホットスポットは時間の経過とともに変化するので、充電の発生し得る位置を固定していると、フリート管理者側にとって費用対効果が高くならない。将来の都市は、この非効率性を回避することに加えて、実際の状態（ｒｅａｌ ｓｔａｔｅ）を固定式充電ステーション用に使用させることにより視覚公害の増加を回避すべきである。固定式充電ステーションでは、オンデマンドのフリートについて、移動が最適以下のものとなり、ダウンタイムが増加する。移動式充電ステーションだけでは、問題が解決されず、悪化する場合がある。

現在のところ、既存の充電解決策の大部分は、固定式インフラストラクチャに基づくものであり、固定式インフラストラクチャは、本明細書に記載の幾つかの課題を提示する。フリート車両は、手動で運転されるか、自動化されているかに関わらず、公共インフラストラクチャの充電／燃料補給位置まで運転しなければならず、それらの車両が運転（および再充電／燃料補給）している期間は、フリート所有者の収入に影響を及ぼすダウンタイムである。

移動式充電インフラストラクチャの状態は依然として早期段階にある。幾つかの態様では、他の車両を充電するために車両が配備され得る。例えば、Ｎａｔｉｏｎ－Ｅ'ｓ Ａｎｇｅｌ Ｃａｒは、立ち往生したＥＶをサポートすることを目的とした移動式充電ステーションである。ただし、現在のところ、移動式充電インフラストラクチャの配備に関するロジックを効率的に管理してフリートのダウンタイムを最小化する完璧な解決策はない。

幾つかの態様では、セルタイプの表記を使用して、車両に関するマップ内のカバレージエリアを説明し、セル間のコリドーを定義して、１つのセルから別のセルに要求が移動する必要がある場合の潜在的なサービス時間を決定してよい。ただし、セルは固定されており、都市におけるホットスポットの動的変化も、フリートの現在の電荷／燃料状態も考慮していない。

充電インフラストラクチャが固定されている場合は、フリート内の車両が長距離を横断して再充電しなければならず、ダウンタイムが増加する場合がある。更に、移動式充電ステーションだけでは、ＡＶのダウンタイムを最小化するという問題が解決されない。開示する手法は、移動式充電ステーションを使用する完璧な解決策として使用され得るが、ＡＶのフリートを効率的にサポートするためのＭＬベースの手法も使用され得る。より具体的には、提案する手法は、電気（または燃料）フリートのパフォーマンスを最大化するために使用されてよい。この手法は、予測使用需要および既存のフリートリソース範囲に基づいて「動的サービス」のリアルタイムマップを作成し、ＡＶのフリートにおける再充電の必要性を予期して、移動式充電ステーション（ＥＤＶとも呼ばれる）を配備することによりサービス品質（ＱｏＳ）を維持／最大化し、決定されたエリアにおける需要をサポートするのに各車両をどれだけ再充電しなければならないかを決定する。開示する手法は、フリートをより効率的に管理し、かつ、個々の車両のダウンタイムを削減するために、（例えば、ＭＬＳＳ１１２により）使用され得る。開示する手法は、以下の更なる利点を提示する。開示する手法は、車両が再充電／燃料補給する必要性を予期し、それらの近くの便利な位置にこの移動式解決策を配備する。開示する手法は、最後の乗車に近い場所で車両を部分的または完全な電荷容量に戻し、それによってダウンタイムを削減するために、ＭＬＳＳ１１２（またはフリート管理システム１０２内の他のサブシステム）により使用され得る。開示する手法は、将来の都市における固定式充電ステーションの視覚公害を減らすために使用される。開示する手法は、固定位置にある公共充電ステーションにおけるフリートの依存性を除去し、かつ、ＡＶから遠く離れている可能性がある固定式充電ステーションへの複数のＡＶの移動を減らすために使用される。

開示する手法は、予測的な需要およびサービスの監視と、サポートされているＭａａＳエリアにおける戦略的な位置への移動式充電ユニットの配備とを通じて、定義されたサービス品質に関連付けられるフリート管理の最適化を実行するために使用され得る。図４は、開示する手法を使用したＭａａＳフリート管理システムに関する構成要素を示す。

図４は、ある例示的な実施形態に係る、予測的な再充電／燃料補給によるサービス品質（ＱｏＳ）最適化を伴うフリート管理システム４００の別の例に関するシステム概要を示す。フリート管理システム４００は、図１のフリート管理システム１０２と同じであってよく、図４はフリート管理システムの異なるネットワーク視点を提供する。

フリート管理システム４００は、リアルタイムフリートダッシュボード４０２、予測的なＭａａＳサービスダッシュボード４０４、フリート維持管理サブシステム４０６、操作サブシステム４０８、乗車計画サブシステム４１０、充電計画サブシステム４１２、サービス予測サブシステム４１４、需要予測サブシステム４１６、マップ情報４１８、フリートテレマティクスサブシステム４２０、配車サブシステム４２２、移動式充電差し向けサブシステム４２４、リアルタイム交通情報（ＲＴＴＩ）４２６、およびＭａａＳユーザアプリケーションプログラミングインタフェース（ＡＰＩ）４２８を含む。

フリートテレマティクスサブシステム４２０および配車サブシステム４２２は、車両のフリート４３０と通信してよい。ＲＴＴＩ４２６は、車両のフリート４３０またはリアルタイム交通情報プロバイダ４３２から取得され得る。マップ情報４１８は、マップソース４３４から取得される。ＭａａＳユーザＡＰＩ４２８は、フリート管理システム４００により提供されるサービスに関連付けられＭａａＳユーザ要求４３６を処理するように構成される。需要予測サブシステム４１６は、サービス要求および履歴サービス要求データにアクセスするように構成され得る。サービス予測サブシステム４１４は、幾つかの車両、車両容量などを含む、サービスが必要とされる場所を予測するように構成される。

ある例示的な実施形態では、開示する手法は、予測的なＭａａＳサービスダッシュボード４０４、充電計画サブシステム４１２、サービス予測サブシステム４１４、需要予測サブシステム４１６、および移動式充電差し向けサブシステム４２４により提供される機能に関連付けられ得る。ある例示的な実施形態では、開示する手法は、開示するＭＬベースの手法を使用して実行され得る予測または計画の機能を実行することができる。この関連で、フリート管理システム４００の開示する予測または計画の機能は、ＭＬＳＳ１１２およびそのＭＬベースの機能により実行され得る。

以下の開示は、静的需要マップから、充電および需要の予測を伴うリアルタイムの動的フリート監視マップへの移行に関連付けられる。

図５は、ある例示的な実施形態に係る、六角形のグリッドとして表されるサービス圏と、アイコンで表される既存の需要／フリートリソースとを含む、オレゴン州の都市圏ポートランドのマップ表記５００を示す。図５は、フリート車両の存在がカバレージエリア、例えば、ポートランド都市圏で監視され得ることを示す。幾つかの態様では、カバレージエリアがサービスニーズとサービスまでの時間とに基づいて分割され、フリート車両の存在および顧客の需要が監視されてよい。例えば、アイコン５０２は、受信するサービス要求を表し、アイコン５０４は、エリアにおける車両の利用可能性を表す。幾つかの態様では、フリート車両をルーティングするためのランダムな時間可変および時間依存性の最小費用経路モデル。

ただし、上述のアプローチは、これらの需要を処理するフリートの能力を表すための機能を含まない。更に、車両の充電／燃料補給の必要性を考慮すると、これらの車両のリアルタイムの位置は、現在の需要または予測される需要をサポートするフリートの能力を反映していない可能性がある。

今日では、車両テレマティクスによって、燃料／バッテリの状態をリモートで監視することができ、この情報を予測されるユーザ需要と組み合わせて、将来のオンデマンドのサービスニーズを決定することができる。そのような情報は、図６に示すように、定義された計画対象期間におけるサービスセルの動的境界推定を作成するために、車両フリートリソース使用予測モデルと組み合わされた需要予測モジュールで使用されてよい。

図６は、ある例示的な実施形態に係る、ある計画対象期間における需要および有用性の予測に基づく動的サービスエリア境界算出のダイアグラム６００を示す。図６を参照すると、ユーザ需要情報６０２をフリートステータス情報６０４と組み合わせて、ユーザ需要およびフリートステータスに関連付けられる境界６０６を生成することができる。幾らかの時間（例えば、ｔｉｍｅ＿ｈｏｒｉｚｏｎ）の後、ユーザ需要はユーザ需要６０８に変化し、フリートステータスはフリートステータス６１０に変化した。更新されたユーザ需要６０８およびフリートステータス６１０は、新しい需要およびフリートステータスを表す境界６１２に境界を更新するために使用される。

ユーザ需要予測モデルは、ＭａａＳアプリケーション／ＡＰＩからの呼び出しを通じて収集されるユーザ需要からの過去データを用いてトレーニングされる。このモデルは、ＭａａＳ輸送要求を開始するときの位置と、意図された目的地とを含む。要求中のコンテキストデータ、およびユーザプロファイルデータも収集される。

幾つかの態様では、フリートの有用性予測モデルは、燃料／バッテリの消費量を推定するために過去データからトレーニングされて、範囲に影響を及ぼす可能性のある車載サービスの使用（例えば、ＡＣ／暖房の使用）だけでなく、車両の特性、平均消費量、および交通情報も入力として受信する。

結果として得られるモデル出力を組み合わせて、計画対象期間内のサービスニーズをカバーするための隣接セル車両の配備を考慮してサービスニーズのホットスポットを識別するのに役立ち得る、サービス到達可能性のセットとして表されるＭａａＳカバレージエリアを算出することができる。結果として得られるマップは、図７に示す可変サイズのセルを用いた動的ＭａａＳサービスエリア予測である。

図７は、ある例示的な実施形態に係る、ユーザ需要予測をフリート範囲予測と組み合わせた動的ＭａａＳサービスエリアマップ７００を示す。図７、時間Ｔにおける動的ＭａａＳサービスエリアマップ７００は、エリア７０２ごとの動的フリート需要予測を取得するためのユーザ需要予測（時間Ｔ＋ＴｉｍｅＨｏｒｉｚｏｎの場合）と、エリア７０４ごとの動的フリート配置予測を取得するためのフリート利用予測とを用いて、（経過時間ＴｉｍｅＨｏｒｉｚｏｎの後に）更新される。動的フリート需要予測と動的フリート範囲予測とを組み合わせて、時間Ｔ＋ＴｉｍｅＨｏｒｉｚｏｎに関連付けられる動的ＭａａＳサービスエリア７０６を取得する。

上述の機能の結果として、フリート管理システムのフリート事業者は、需要および利用可能なリソースを監視すると同時に、フリートリソースの利用可能性が低いためにユーザ需要のホットスポットが収束することで、カバレージ機能が低下し、ひいてはターゲットエリアに関するＭａａＳサービスの品質が低下するといったケースを予測することできる。

このタスクは、需要よりも多くのフリート車両を配備することにより解決されてよい。ただし、そのような解決策は非効果的で、リソースを浪費する場合がある。一方、燃料補給／再充電に起因するリソースのダウンタイムは最適でない。この関連で、移動式充電ステーションは、どのステーションがターゲットとなるサービス品質を維持できるかを適切に監視しながら使用されてよい。

以下の開示は、ＭａａＳ ＱｏＳ保証のための移動式充電ステーションのフリート管理に関連付けられる。

図８は、ある例示的な実施形態に係る、予想されるソースホットスポットへの車両のフリートの初期配備８００を示す。図８を参照すると、図示されているマップは、自律走行車８０２の位置と予想されるソースホットスポット８０４とで更新され得る。

幾つかの態様では、タクシー配車（または他の同様のサービス）、ＡＶがスマートシティに配備されてよい。初期配備は、本部からランダムな位置まで、または、（図８に示すような）スマートシティ内の予想されるソースホットスポットまでであってよい。後者の配備は、効率的なフリートの印であり、この解決策によって為されることである。すなわち、それは、上述のユーザ需要予測モデルを使用して、スマートシティ内にフリートを分散させる。

幾つかの実施形態では、フリート内の幾つかのＡＶが現在の充電レベルにおいて閾値を超える寸前であることが予想されるとき

に、このイノベーションが効力を生じ、可動電荷がミーティングポイントに近づいているときにフリート内のＡＶの予想位置のセットを入力として使用する。フリート管理者またはこの解決策の運営者は、イノベーションの動作とその提案されたアクションとを監督する。

更なる実施形態では、移動式充電ステーションの配備に必要とされる最大時間の推定が以下のように実行され得る。最悪の場合の参考として、開示する機能は、（１つより多くある場合）任意の移動式充電ステーション本部から、一組のＡＶのうちの電荷が

を下回るＡＶへの、任意のＡＶの最も遠い目的地までの位置

を使用する。ここで、

は、ＡＶが再充電を必要としていることを決定する閾値であり、

は、閾値を緩和し、かつ、幾らかの時間をかけてこの解決策が移動式充電コンポーネントの配備を構成できるようにするための、１より大きな係数である。

および

という式が使用されてもよい。ここで、

は、目的地に到達するためのｋ個のウェイポイントの和

を計算する。ＭＨＱは、フリート内の任意のＡＶの最も遠い目的地までの移動式充電ステーションの開始位置であり、

は、移動式ステーションがＨＱから予想される最も遠いＡＶの位置に到達するために横断しなければならない最大距離、すなわち、ウェイポイントの和

である。上述の式では、全ての移動式充電ステーションが、一元化された本部から配備されることが想定され得るが、このイノベーションは、移動式充電ステーションの分散ソース位置に対応することができる。

幾つかの態様では、開示する手法は、計画対象期間内に電荷が

を下回る全ての推定されたＡＶ位置のセット

を構築するために使用され得る。すなわち、このセットは、現在の時間に

を加えたものに等しい時間、移動式充電ステーションがおおよその最も遠い充電位置へ到達するために必要とする最大時間に電荷を必要とし得るＡＶごとの予想位置を含む。

ある例示的な実施形態では、開示する手法は、

（移動式充電ステーションが配備されると、電荷が閾値

を下回ることが予想されるＡＶ）の予想位置のｋ個のクラスタを検出するために使用され得る。変数ｋは、フリートに利用できる移動式充電ステーションの数である。再充電が必要となるｍｉｎ＿ｓｉｚｅ未満のＡＶをクラスタが含む場合は、これらのＡＶは、隣接クラスタに割り当てられ、このクラスタにサービスを提供するはずだった移動式インフラストラクチャは、割り当てられたＡＶ／充電ステーションの比率が最も高いクラスタに再び割り当てられる。

クラスタを形成するために、開示する手法は、再充電の必要性に近づくときのＡＶの予想位置と、クラスタリングアルゴリズムの反復ｉにおける現在の質量中心との間のユークリッド距離の使用を回避することができる。２つのポイント間の距離は、ＡＶが移動式充電の予想位置に到着するために交通量のある通りを横断しなければならない可能性がある時間、およびそういった厄介な問題を反映していない。代わりに、開示する手法は、（図９に示すように）ウェイポイントの和を横断するためにＡＶが必要とする予想時間を使用し、

および

という式を使用してもよい。ここで、

は、

と、候補質量中心

との間の合計距離、すなわち、ウェイポイントの距離の和

であり、

は、質量中心に到達するための予想時間である。

は、クラスタの質量中心に到達するための予想時間が全てのクラスタを通じて最小である場合に、クラスタ

に属し、Ｓは、ＡＶが現在の電荷で質量中心（移動式充電ステーションのおおよその位置）に到達できるかどうかを決定する。言い換えると、関数ｂは、ＡＶが特定のクラスタに属しているかどうかを決定する。

上述の分析が完了すると、移動式ステーションは、割り当てられたクラスタに配備される。開示する手法は、クラスタごとに移動式充電インフラストラクチャを配備するのに最適な位置を決定するために使用され得る。幾つかの態様では、最適な位置は、そのようなクラスタの質量中心のより近くであってよい。この位置の決定は、質量中心の影響だけでなく、移動式インフラストラクチャを配備するのに便利なスペースの利用可能性の影響も受ける。移動式インフラストラクチャは、クラスタごとの最良の位置へ到達するのに必要とされる時間と、ＡＶが移動を完了し、かつ、決定された移動位置に移動する推定時間とを分析しながら、予期して配備される。その結果、（図９に示すように）ＡＶのダウンタイムが最小化される。開示する手法は、クラスタリングアルゴリズム、例えば、Ｋ平均法を使用して、充電する必要があるＡＶのセット内の全てのＡＶがクラスタに割り当てられることを保証してよく、従って移動式充電インフラストラクチャがそれらをカバーする。

図９は、ある例示的な実施形態に係る、移動式充電ステーションのサービスを受ける幾つかの車両をグループ化するクラスタの例のダイアグラム９００を示す。図９を参照すると、図示されているマッピングされたエリアは、自律走行車９０２、電荷が閾値を下回るときのＡＶの予想位置９０４、および移動式充電ステーション９０６の配備を示す。

幾つかの実施形態では、フリートの有用性予測モデルに従って、移動式ホットスポットにある間の車両の再充電が、セクタに割り当てられる可動電荷の容量と、再充電されるＡＶの数とに応じて、完全であっても部分的であってもよい（目標は、ＡＶのダウンタイムを最小化することである）。再充電ステーションはＨＱに戻り、次の充電ラウンドの準備をする。開示する手法を使用して、更にＮ個のＡＶが再充電レベルに近づいていることを検出すると、次のＥＤＶ配備を計画する処理が再開できる。幾つかの実施形態では、フリート内のＡＶが同様の電荷容量を有し、かつ、同様の開始時間から都市を巡回している場合は、クラスタ内の車両のグループが同様の時間に電荷を使い果たす確率が高い。

開示する手法は、将来のスマートシティにおける固定式充電ステーションの存在を最小化するために使用され得るが、このタイプのインフラストラクチャが利用可能である場合は、それが利用可能な最も効率的なオプションである場合にサービス車両へのイノベーションに組み込まれ得る。開示する手法は、予測できない状況のために立ち往生したＡＶに関するリカバリ機能を含んでよい。

図１０は、ある例示的な実施形態に係る、車両のフリートを管理するための方法１０００を示したフローチャートである。図１０を参照すると、方法１０００は、フリート管理システム１０２内のＭＬＳＳ１１２により実行され得る動作１００２、１００４、１００６、１００８、および１０１０を含む。動作１００２では、車両のフリートに関連付けられる車両パラメータ（例えば、フリート車両情報３０８）が取得される。車両パラメータは、例えば、フリート内の車両の各々について移動推定範囲を含む。動作１００４では、車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報（例えば、リソース利用可能性情報３１０）が取得される。動作１００６では、少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報（リソース利用可能性情報３１０の一部であってよい）が取得される。動作１００８では、車両パラメータ、インフラストラクチャリソース利用可能性情報、および履歴使用情報に基づき、機械学習を使用してスケジューリング命令が生成される（例えば、指令３２０、３２２、および３２４）。動作１０１０では、スケジューリング命令が（例えば、車両ゲートウェイ１０６を介して）車両のフリートに伝達されてよい。スケジューリング命令は、フリート内の車両のうちの１つまたは複数による少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするために使用されてよい。

図１１は、ある実施形態に係る、コンピュータシステム１１００の例示的な形態の機械を示したブロックダイアグラムである。その中では、命令のセットまたはシーケンスが実行されて、機械に本明細書に記載の方法のいずれか１つを実行させてよい。代替的な実施形態では、機械はスタンドアロンデバイスとして動作するか、他の機械に接続（例えば、ネットワーク接続）されてよい。ネットワーク接続された配備では、機械は、サーバクライアントネットワーク環境内のサーバまたはクライアントマシンとして動作してもよいし、ピアツーピア（または分散型）ネットワーク環境でピアマシンとして機能してもよい。機械は、車両サブシステム、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、ハイブリッドタブレット、携帯用情報端末（ＰＤＡ）、携帯電話、または、任意の機械であって、その機械により実行されるアクションを指定する命令（シーケンシャルまたは別の方法）を実行できる任意の機械であってよい。更に、単一の機械のみが図示されているが、「機械」という用語はまた、本明細書に記載する方法のいずれか１つまたは複数を実行するための命令の１つ（または複数）のセットを個々にまたは共同で実行する機械の任意の集合を含むと解釈されるものとする。同様に、「プロセッサベースのシステム」という用語は、本明細書に記載する方法のいずれか１つまたは複数を実行するための命令を個々にまたは共同で実行するようプロセッサ（例えば、コンピュータ）により制御または操作される１つまたは複数の機械の任意のセットを含むと解釈されるものとする。

例示的なコンピュータシステム１１００は、少なくとも１つのプロセッサ１１０２（例えば、中央処理装置（ＣＰＵ）、グラフィックス処理装置（ＧＰＵ）、またはその両方、プロセッサコア、計算ノードなど）、メインメモリ１１０４、およびスタティックメモリ１１０６を含み、これらはリンク１１０８（例えば、バス）を介して互いに通信する。コンピュータシステム１１００は更に、ビデオ表示ユニット１１１０、英数字入力デバイス１１１２（例えば、キーボード）、およびユーザインタフェース（ＵＩ）ナビゲーションデバイス１１１４（例えば、マウス）を含んでよい。一実施形態では、ビデオ表示ユニット１１１０、入力デバイス１１１２、およびＵＩナビゲーションデバイス１１１４は、タッチスクリーンディスプレイに組み込まれる。コンピュータシステム１１００は更に、記憶デバイス１１１６（例えば、駆動ユニット）、信号生成デバイス１１１８（例えば、スピーカ）、ネットワークインタフェースデバイス１１２０、および、全地球測位システム（ＧＰＳ）センサ、コンパス、加速度計、ジャイロメータ、磁気計、または他のセンサなどの、１つまたは複数のセンサ（不図示）を含んでよい。幾つかの態様では、プロセッサ１１０２は、メインプロセッサおよび深層学習プロセッサ（例えば、上述のニューラルネットワーク処理を含む深層学習機能を実行するために使用される）を含むことができる。

記憶デバイス１１１６は、本明細書に記載する方法または機能のいずれか１つまたは複数を具現化するか、これにより利用される、データ構造体および命令１１２４（例えば、ソフトウェア）の１つまたは複数のセットが記憶される機械可読媒体１１２２を含む。命令１１２４は、メインメモリ１１０４内、スタティックメモリ１１０６内、および／または、コンピュータシステム１１００により実行中のプロセッサ１１０２内に、完全にまたは少なくとも部分的に存在してもよく、メインメモリ１１０４、スタティックメモリ１１０６、およびプロセッサ１１０２も機械可読媒体を構成する。

ある例示的な実施形態では、機械可読媒体１１２２が単一の媒体であると示されているが、「機械可読媒体」という用語は、１つまたは複数の命令１１２４を記憶する単一の媒体または複数の媒体（例えば、集中データベースもしくは分散データベース、並びに／または、関連付けられるキャッシュおよびサーバ）を含んでよい。「機械可読媒体」という用語はまた、機械で実行するための命令を記憶、エンコード、または運搬でき、かつ、本開示の方法のいずれか１つまたは複数を機械に実行させる、または、そのような命令により利用されるか、そのような命令に関連付けられるデータ構造を記憶、エンコード、または運搬できる、任意の有形媒体を含むと解釈されるものとする。従って、「機械可読媒体」という用語は、以下に限定されるわけではないが、ソリッドステートメモリ、光媒体、および磁気媒体を含むと解釈されるものとする。機械可読媒体の具体的な例は、以下に限定されるわけではないが、半導体メモリデバイス（例えば、電気的プログラマブルリードオンリメモリ（ＥＰＲＯＭ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ））およびフラッシュメモリデバイスを例として含む不揮発性メモリと、内部ハードディスクおよびリムーバブルディスクなどの磁気ディスクと、光磁気ディスクと、ＣＤ－ＲＯＭディスクおよびＤＶＤ－ＲＯＭディスクとを含む。

命令１１２４は更に、幾つかの周知の転送プロトコル（例えば、ＨＴＴＰ）のいずれか１つを利用するネットワークインタフェースデバイス１１２０を介して、伝送媒体を使用して通信ネットワーク１１２６経由で送信または受信されてよい。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット、携帯電話ネットワーク、基本電話（ＰＯＴＳ）ネットワーク、および無線データネットワーク（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）、３Ｇ、および４Ｇ ＬＴＥ／ＬＴＥ－Ａ、５Ｇ、ＤＳＲＣ、またはＷｉＭＡＸネットワーク）を含む。「伝送媒体」という用語は、機械で実行するための命令を記憶、エンコード、または運搬でき、かつ、そのようなソフトウェアの通信を容易にするためのデジタル通信信号もしくはアナログ通信信号または他の無形媒体を含む、任意の無形媒体を含むと解釈されるものとする。

上述の開示を考慮して、以下に様々な例を記載する。なお、別個にまたは組み合わせて挙げられる例の１つまたは複数の特徴が、本願の開示の範囲内で考慮されるべきである。

例１は、スケジューリングサブシステムを備えるシステムであって、上記スケジューリングサブシステムは、車両のフリートに関連付けられる車両パラメータを取得することであって、上記車両パラメータは、上記フリート内の上記車両の各々について移動推定範囲を含む、取得することと、上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得することと、上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得することと、上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成することと、上記車両のフリートに上記スケジューリング命令を伝達することであって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達することとを行うように構成される、システムである。

例２において、例１に記載の主題は、上記少なくとも１つのインフラストラクチャリソースのリソース所有者からの登録要求に基づいて、上記スケジューリングサブシステムと共有されるデータベースに上記インフラストラクチャリソース利用可能性情報を登録するように構成される情報共有サブシステムを含む。

例３において、例２に記載の主題は、上記登録要求が更に、上記少なくとも１つのインフラストラクチャリソースに関する使用料および利用可能時間を含む、主題を含む。

例４において、例２および３のいずれかに記載の主題は、上記スケジューリング命令が、将来時のために上記少なくとも１つのインフラストラクチャリソースの上記使用を予約するための予約命令を含み、上記情報共有サブシステムが更に、上記少なくとも１つのインフラストラクチャリソースの上記リソース所有者に上記予約命令を伝達するように構成される、主題を含む。

例５において、例２から４のいずれかに記載の主題は、上記少なくとも１つのインフラストラクチャリソースが、公共駐車リソース、専用駐車リソース、燃料注入ステーションリソース、および電気車両充電ステーションリソースのうちの１つまたは複数を含む、主題を含む。

例６において、例１から５のいずれかに記載の主題は、上記車両パラメータが更に、上記車両のフリート内の車両ごとの現在の地理的位置およびルート情報を含む、主題を含む。

例７において、例６に記載の主題は、上記車両パラメータが更に、上記現在の地理的位置の近傍にある公共駐車リソースまたは専用駐車リソースに関する駐車可能性情報を含む、主題を含む。

例８において、例１から７のいずれかに記載の主題は、上記移動推定範囲が、上記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、上記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含む、主題を含む。

例９において、例８に記載の主題は、上記スケジューリングサブシステムが更に、上記第１組の電気車両の各々に関する上記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成することであって、上記第２スケジューリング命令が、少なくとも１つのエネルギー配給車両（ＥＤＶ）を上記第１組の少なくとも１つの電気車両の現在の地理的位置にスケジューリングするための命令を含み、上記電気車両に関する上記第１移動推定範囲が、閾値範囲を下回る、生成することを行うように構成される、主題を含む。

例１０において、例９に記載の主題は、上記第２スケジューリング命令が更に、上記電気車両の上記現在の地理的位置から所定の距離内の静止位置で、上記少なくとも１つのＥＤＶによる上記少なくとも１つの電気車両の再充電をスケジューリングするための命令を含む、主題を含む。

例１１において、例９および１０のいずれかに記載の主題は、上記第２スケジューリング命令が更に、上記少なくとも１つのＥＤＶまたは別の電気車両による上記電気車両の再充電を、上記少なくとも１つのＥＤＶまたは上記別の電気車両と、上記電気車両との両方が動いている間にスケジューリングするための命令を含む、主題を含む。

例１２において、例８から１１のいずれかに記載の主題は、上記スケジューリングサブシステムが更に、機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における上記第１組の車両または上記第２組の車両に関する将来の需要を推定し、上記機械学習の手法を適用することで、機械学習を使用して上記地理的位置内での上記将来の期間における上記第１組の車両または上記第２組の車両の将来の有用性を決定するように構成される、主題を含む。

例１３において、例１２に記載の主題は、上記将来の有用性が、上記将来の期間における上記第１組の電気車両の各々に関する推定される電荷と、上記将来の期間における上記第２組の非電気車両の各々に関する推定される燃料レベルとを含む、主題を含む。

例１４において、例１３に記載の主題は、上記スケジューリングサブシステムが更に、上記推定される将来の需要とフリート範囲予測とに基づいて上記サービスエリアのマップを更新することであって、上記フリート範囲予測は、上記推定される電荷と上記推定される燃料レベルとに基づいている、更新することと、エネルギー配給車両（ＥＤＶ）を上記サービスエリア内の地理的位置に配備するようスケジューリングすることであって、上記推定される将来の需要に関連付けられる上記地理的位置が、第１閾値を上回り、上記フリート範囲予測が、第２閾値を下回る、スケジューリングすることとを行うように構成される、主題を含む。

例１５において、例１から１４のいずれかに記載の主題は、上記システムが、分散型台帳技術サブシステム（ＤＬＴサブシステム）を備え、上記ＤＬＴサブシステムは、上記フリート内の車両による上記少なくとも１つのインフラストラクチャリソースの上記使用を検出することと、上記ＤＬＴサブシステムの分散型台帳に台帳記入事項を記録することであって、上記台帳記入事項が、上記車両による上記少なくとも１つのインフラストラクチャリソースの上記使用に対する支払いに関連付けられる、記録することとを行うように構成される、主題を含む。

例１６は、ネットワークインタフェースカード（ＮＩＣ）と、上記ＮＩＣに結合される処理回路とを備える計算デバイスであって、上記処理回路は、車両のフリートに関連付けられる車両パラメータを取得する動作であって、上記車両パラメータは、上記フリート内の上記車両の各々に関する移動推定範囲を含む、取得する動作と、上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する動作と、上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する動作と、上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する動作と、上記ＮＩＣを介して上記車両のフリートに上記スケジューリング命令を伝達する動作であって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する動作とを含む動作を実行するように構成される、デバイスである。

例１７において、例１６に記載の主題は、上記移動推定範囲が、上記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、上記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含み、上記処理回路が、上記第１組の電気車両の各々に関する上記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成する動作であって、上記第２スケジューリング命令が、エネルギー配給車両（ＥＤＶ）を上記第１組の電気車両の現在の地理的位置にスケジューリングするための命令を含み、上記電気車両に関する上記第１移動推定範囲が、閾値範囲を下回る、生成する動作を含む動作を実行するように構成される、主題を含む。

例１８において、例１７に記載の主題は、上記処理回路が、機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における上記第１組の車両または上記第２組の車両に関する将来の需要を推定する動作と、機械学習を使用して上記地理的位置内での上記将来の期間における上記第１組の車両または上記第２組の車両の将来の有用性を決定する動作とを含む動作を実行するように構成され、上記将来の有用性が、上記将来の期間における上記第１組の電気車両の各々に関する推定される電荷と、上記将来の期間における上記第２組の非電気車両の各々に関する推定される燃料レベルとを含む、主題を含む。

例１９において、例１８に記載の主題は、上記処理回路が、上記推定される将来の需要とフリート範囲予測とに基づいて上記サービスエリアのマップを更新する動作であって、上記フリート範囲予測が、上記推定される電荷と上記推定される燃料レベルとに基づいている、更新する動作と、エネルギー配給車両（ＥＤＶ）を上記サービスエリア内の地理的位置に配備するようスケジューリングする動作であって、上記推定される将来の需要に関連付けられる上記地理的位置が、第１閾値を上回り、上記フリート範囲予測は、第２閾値を下回る、スケジューリングする動作とを含む動作を実行するように構成される、主題を含む。

例２０は、命令を備える少なくとも１つの非一時的な機械可読記憶媒体であって、上記命令は、Ｍｏｂｉｌｉｔｙ－ａｓ－ａ－Ｓｅｒｖｉｃｅ（ＭａａＳ）ネットワーク内の計算デバイスの処理回路により実行されると、上記処理回路に、車両のフリートに関連付けられる車両パラメータを取得する動作であって、上記車両パラメータは、上記フリート内の上記車両の各々に関する移動推定範囲を含む、取得する動作と、上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する動作と、上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する動作と、上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する動作と、上記車両のフリートに上記スケジューリング命令を伝達する動作であって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する動作とを含む動作を実行させる、機械可読記憶媒体である。

例２１において、例２０に記載の主題は、上記命令が更に、上記処理回路に、上記フリート内の車両による上記少なくとも１つのインフラストラクチャリソースの上記使用を検出する動作と、分散型台帳に台帳記入事項を記録する動作であって、上記台帳記入事項は、上記車両による上記少なくとも１つのインフラストラクチャリソースの上記使用に対する支払いに関連付けられる、記録する動作とを含む動作を実行させる、主題を含む。

例２２は、命令を備える少なくとも１つの機械可読媒体であって、上記命令は、処理回路により実行されると、上記処理回路に、例１から２１のいずれかを実施する動作を実行させる。

例２３は、例１から２１のいずれかを実施する手段を備える装置である。

例２４は、例１から２１のいずれかを実施するシステムである。

例２５は、例１から２１のいずれかを実施する方法である。

上述の詳細な説明は、詳細な説明の一部を形成する添付の図面への参照を含む。図面は、例示として、実践され得る特定の実施形態を示す。本明細書では、これらの実施形態が「例」とも呼ばれる。そのような例は、図示または説明されている要素に加えて複数の要素を含んでよい。ただし、図示または説明されている要素を含む例も企図される。更には、本明細書で図示または説明する特定の例（または、その１つまたは複数の態様）または他の例（または、その１つまたは複数の態様）に関して、図示または説明されているそれらの要素の任意の組み合わせまたは置換を使用した例（または、その１つまたは複数の態様）も企図される。

本明細書で参照する出版物、特許、および特許文献は、参照により個々に組み込まれるかのように、その全体が参照により本明細書に組み込まれる。本明細書と参照により組み込まれるそれらの文献との間に矛盾した使用がある場合は、組み込まれる参考文献における使用は、本明細書のものに対する補足であり、相容れない矛盾については、本明細書における使用が統制する。

本明細書では、「１つ（ａまたはａｎ）」という用語は、特許文献で見られるように、「少なくとも１つ」または「１つまたは複数」の任意の他の事例または使用とは無関係に、１つまたは１つより多くを含めるために使用される。本明細書では、「または」という用語は、別段の指示がない限り、「ＡまたはＢ」が「ＢではなくＡ」、「ＡではなくＢ」、および「ＡおよびＢ」を含むように、非排他的論理和を指すために使用される。添付の特許請求の範囲では、「含む」および「その中で」という用語を、それぞれの対応する用語「備える」および「ここで」の平易な英語での同等物として使用する。また、以下の特許請求の範囲では、「含む」および「備える」という用語には制約がない。すなわち、ある請求項でそのような用語の後に列挙された要素に加えて複数の要素を含むシステム、デバイス、物品、またはプロセスは、依然としてその請求項の範囲内に含まれるものと見なされる。更に、以下の特許請求の範囲では、「第１」、「第２」、および「第３」などの用語は、単にラベルとして使用されているに過ぎず、それらの対象物の数値的な順序を示唆することを意図するものではない。

上述の説明は、例示を意図するものであり、限定を意図するものではない。例えば、上述の例（または、その１つまたは複数の態様）は、他のものとの組み合わせで使用されてよい。上述の説明を検討する際、当業者などにより他の実施形態が使用されてもよい。要約書は、読み手が技術的開示の性質を迅速に確認できるようにするものである。要約書は、特許請求の範囲または意味の解釈または限定に使用されないという理解の下、提出される。また、上述の発明を実施するための形態では、様々な特徴をグループ化して開示を合理化してよい。ただし、実施形態は当該特徴のサブセットを特徴とし得るので、特許請求の範囲が、本明細書で開示する特徴を全ては記載しない場合もある。更に、実施形態は、特定の例で開示する特徴よりも少ない特徴を含んでよい。従って、以下の特許請求の範囲は、これによって、別個の実施形態として独自に成り立つ請求項と共に、発明を実施するための形態に組み込まれる。本明細書で開示する実施形態の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲が権利を与えられる同等物の全範囲と併せて決定されるべきである。
［他の考えられる項目］
（項目１）
スケジューリングサブシステムを備えるシステムであって、上記スケジューリングサブシステムは、
車両のフリートに関連付けられる車両パラメータを取得することであって、上記車両パラメータは、上記フリート内の上記車両の各々について移動推定範囲を含む、取得することと、
上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得することと、
上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得することと、
上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成することと、
上記車両のフリートに上記スケジューリング命令を伝達することであって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達することと
を行うように構成される、
システム。
（項目２）
上記少なくとも１つのインフラストラクチャリソースのリソース所有者からの登録要求に基づいて、上記スケジューリングサブシステムと共有されるデータベースに上記インフラストラクチャリソース利用可能性情報を登録するように構成される情報共有サブシステム
を更に備える項目１に記載のシステム。
（項目３）
上記登録要求は更に、上記少なくとも１つのインフラストラクチャリソースに関する使用料および利用可能時間を含む、項目２に記載のシステム。
（項目４）
上記スケジューリング命令は、将来時のために上記少なくとも１つのインフラストラクチャリソースの上記使用を予約するための予約命令を含み、
上記情報共有サブシステムは更に、上記少なくとも１つのインフラストラクチャリソースの上記リソース所有者に上記予約命令を伝達するように構成される、
項目２に記載のシステム。
（項目５）
上記少なくとも１つのインフラストラクチャリソースは、
公共駐車リソース、
専用駐車リソース、
燃料注入ステーションリソース、および
電気車両充電ステーションリソース
のうちの１つまたは複数を含む、項目２に記載のシステム。
（項目６）
上記車両パラメータは更に、上記車両のフリート内の車両ごとの現在の地理的位置およびルート情報を含む、項目１に記載のシステム。
（項目７）
上記車両パラメータは更に、上記現在の地理的位置の近傍にある公共駐車リソースまたは専用駐車リソースに関する駐車可能性情報を含む、項目６に記載のシステム。
（項目８）
上記移動推定範囲は、上記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、上記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含む、項目１に記載のシステム。
（項目９）
上記スケジューリングサブシステムは更に、
上記第１組の電気車両の各々に関する上記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成することであって、上記第２スケジューリング命令は、少なくとも１つのエネルギー配給車両（ＥＤＶ）を上記第１組の少なくとも１つの電気車両の現在の地理的位置にスケジューリングするための命令を含み、上記電気車両に関する上記第１移動推定範囲は、閾値範囲を下回る、生成すること
を行うように構成される、項目８に記載のシステム。
（項目１０）
上記第２スケジューリング命令は更に、上記電気車両の上記現在の地理的位置から所定の距離内の静止位置で、上記少なくとも１つのＥＤＶによる上記少なくとも１つの電気車両の再充電をスケジューリングするための命令を含む、項目９に記載のシステム。
（項目１１）
上記第２スケジューリング命令は更に、上記少なくとも１つのＥＤＶまたは別の電気車両による上記電気車両の再充電を、上記少なくとも１つのＥＤＶまたは上記別の電気車両と、上記電気車両との両方が動いている間にスケジューリングするための命令を含む、項目９に記載のシステム。
（項目１２）
上記スケジューリングサブシステムは更に、
機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における上記第１組の車両または上記第２組の車両に関する将来の需要を推定し、
上記機械学習の手法を適用することで、機械学習を使用して上記地理的位置内での上記将来の期間における上記第１組の車両または上記第２組の車両の将来の有用性を決定する
ように構成される、項目８に記載のシステム。
（項目１３）
上記将来の有用性は、
上記将来の期間における上記第１組の電気車両の各々に関する推定される電荷と、
上記将来の期間における上記第２組の非電気車両の各々に関する推定される燃料レベルと
を含む、項目１２に記載のシステム。
（項目１４）
上記スケジューリングサブシステムは更に、
上記推定される将来の需要とフリート範囲予測とに基づいて上記サービスエリアのマップを更新することであって、上記フリート範囲予測は、上記推定される電荷と上記推定される燃料レベルとに基づいている、更新することと、
エネルギー配給車両（ＥＤＶ）を上記サービスエリア内の地理的位置に配備するようスケジューリングすることであって、上記推定される将来の需要に関連付けられる上記地理的位置は、第１閾値を上回り、上記フリート範囲予測は、第２閾値を下回る、スケジューリングすることと
を行うように構成される、項目１３に記載のシステム。
（項目１５）
上記システムは、
分散型台帳技術サブシステム（ＤＬＴサブシステム）
を備え、上記ＤＬＴサブシステムは、
上記フリート内の車両による上記少なくとも１つのインフラストラクチャリソースの上記使用を検出することと、
上記ＤＬＴサブシステムの分散型台帳に台帳記入事項を記録することであって、上記台帳記入事項は、上記車両による上記少なくとも１つのインフラストラクチャリソースの上記使用に対する支払いに関連付けられる、記録することと
を行うように構成される、
項目１に記載のシステム。
（項目１６）
ネットワークインタフェースカード（ＮＩＣ）と、
上記ＮＩＣに結合される処理回路と
を備える計算デバイスであって、
上記処理回路は、
車両のフリートに関連付けられる車両パラメータを取得する動作であって、上記車両パラメータは、上記フリート内の上記車両の各々に関する移動推定範囲を含む、取得する動作と、
上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する動作と、
上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する動作と、
上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する動作と、
上記ＮＩＣを介して上記車両のフリートに上記スケジューリング命令を伝達する動作であって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する動作と
を含む動作を実行するように構成される、
計算デバイス。
（項目１７）
上記移動推定範囲は、上記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、上記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含み、上記処理回路は、
上記第１組の電気車両の各々に関する上記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成する動作であって、上記第２スケジューリング命令は、エネルギー配給車両（ＥＤＶ）を上記第１組の電気車両の現在の地理的位置にスケジューリングするための命令を含み、上記電気車両に関する上記第１移動推定範囲は、閾値範囲を下回る、生成する動作
を含む動作を実行するように構成される、項目１６に記載のデバイス。
（項目１８）
上記処理回路は、
機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における上記第１組の車両または上記第２組の車両に関する将来の需要を推定する動作と、
機械学習を使用して上記地理的位置内での上記将来の期間における上記第１組の車両または上記第２組の車両の将来の有用性を決定する動作と
を含む動作を実行するように構成され、
上記将来の有用性は、上記将来の期間における上記第１組の電気車両の各々に関する推定される電荷と、上記将来の期間における上記第２組の非電気車両の各々に関する推定される燃料レベルとを含む、
項目１７に記載のデバイス。
（項目１９）
上記処理回路は、
上記推定される将来の需要とフリート範囲予測とに基づいて上記サービスエリアのマップを更新する動作であって、上記フリート範囲予測は、上記推定される電荷と上記推定される燃料レベルとに基づいている、更新する動作と、
エネルギー配給車両（ＥＤＶ）を上記サービスエリア内の地理的位置に配備するようスケジューリングする動作であって、上記推定される将来の需要に関連付けられる上記地理的位置は、第１閾値を上回り、上記フリート範囲予測は、第２閾値を下回る、スケジューリングする動作と
を含む動作を実行するように構成される、項目１８に記載のデバイス。
（項目２０）
命令を備える少なくとも１つの非一時的な機械可読記憶媒体であって、
上記命令は、Ｍｏｂｉｌｉｔｙ－ａｓ－ａ－Ｓｅｒｖｉｃｅ（ＭａａＳ）ネットワーク内の計算デバイスの処理回路により実行されると、上記処理回路に、
車両のフリートに関連付けられる車両パラメータを取得する動作であって、上記車両パラメータは、上記フリート内の上記車両の各々に関する移動推定範囲を含む、取得する動作と、
上記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する動作と、
上記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する動作と、
上記車両パラメータ、上記インフラストラクチャリソース利用可能性情報、および上記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する動作と、
上記車両のフリートに上記スケジューリング命令を伝達する動作であって、上記スケジューリング命令は、上記フリート内の上記車両のうちの１つまたは複数による上記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する動作と
を含む動作を実行させる、機械可読記憶媒体。
（項目２１）
上記命令は更に、上記処理回路に、
上記フリート内の車両による上記少なくとも１つのインフラストラクチャリソースの上記使用を検出する動作と、
分散型台帳に台帳記入事項を記録する動作であって、上記台帳記入事項は、上記車両による上記少なくとも１つのインフラストラクチャリソースの上記使用に対する支払いに関連付けられる、記録する動作と
を含む動作を実行させる、項目２０に記載の機械可読記憶媒体。

Claims (22)

1. スケジューリングサブシステムを備えるシステムであって、前記スケジューリングサブシステムは、
   車両のフリートに関連付けられる車両パラメータを取得することであって、前記車両パラメータは、前記フリート内の前記車両の各々について移動推定範囲を含む、取得することと、
   前記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得することと、
   前記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得することと、
   前記車両パラメータ、前記インフラストラクチャリソース利用可能性情報、および前記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成することと、
   前記車両のフリートに前記スケジューリング命令を伝達することであって、前記スケジューリング命令は、前記フリート内の前記車両のうちの１つまたは複数による前記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達することと
   を行うように構成される、
   システム。
2. 前記少なくとも１つのインフラストラクチャリソースのリソース所有者からの登録要求に基づいて、前記スケジューリングサブシステムと共有されるデータベースに前記インフラストラクチャリソース利用可能性情報を登録するように構成される情報共有サブシステム
   を更に備える請求項１に記載のシステム。
3. 前記登録要求は更に、前記少なくとも１つのインフラストラクチャリソースに関する使用料および利用可能時間を含む、請求項２に記載のシステム。
4. 前記スケジューリング命令は、将来時のために前記少なくとも１つのインフラストラクチャリソースの前記使用を予約するための予約命令を含み、
   前記情報共有サブシステムは更に、前記少なくとも１つのインフラストラクチャリソースの前記リソース所有者に前記予約命令を伝達するように構成される、
   請求項２に記載のシステム。
5. 前記少なくとも１つのインフラストラクチャリソースは、
   公共駐車リソース、
   専用駐車リソース、
   燃料注入ステーションリソース、および
   電気車両充電ステーションリソース
   のうちの１つまたは複数を含む、請求項２に記載のシステム。
6. 前記車両パラメータは更に、前記車両のフリート内の車両ごとの現在の地理的位置およびルート情報を含む、請求項１から５のいずれか一項に記載のシステム。
7. 前記車両パラメータは更に、前記現在の地理的位置の近傍にある公共駐車リソースまたは専用駐車リソースに関する駐車可能性情報を含む、請求項６に記載のシステム。
8. 前記移動推定範囲は、前記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、前記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含む、請求項１から５のいずれか一項に記載のシステム。
9. 前記スケジューリングサブシステムは更に、
   前記第１組の電気車両の各々に関する前記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成することであって、前記第２スケジューリング命令は、少なくとも１つのエネルギー配給車両（ＥＤＶ）を前記第１組の少なくとも１つの電気車両の現在の地理的位置にスケジューリングするための命令を含み、前記電気車両に関する前記第１移動推定範囲は、閾値範囲を下回る、生成すること
   を行うように構成される、請求項８に記載のシステム。
10. 前記第２スケジューリング命令は更に、前記電気車両の前記現在の地理的位置から所定の距離内の静止位置で、前記少なくとも１つのＥＤＶによる前記少なくとも１つの電気車両の再充電をスケジューリングするための命令を含む、請求項９に記載のシステム。
11. 前記第２スケジューリング命令は更に、前記少なくとも１つのＥＤＶまたは別の電気車両による前記電気車両の再充電を、前記少なくとも１つのＥＤＶまたは前記別の電気車両と、前記電気車両との両方が動いている間にスケジューリングするための命令を含む、請求項９に記載のシステム。
12. 前記スケジューリングサブシステムは更に、
    機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における前記第１組の車両または前記第２組の車両に関する将来の需要を推定し、
    前記機械学習の手法を適用して、前記地理的位置内での前記将来の期間における前記第１組の車両または前記第２組の車両の将来の有用性を決定する
    ように構成される、請求項８に記載のシステム。
13. 前記将来の有用性は、
    前記将来の期間における前記第１組の電気車両の各々に関する推定される電荷と、
    前記将来の期間における前記第２組の非電気車両の各々に関する推定される燃料レベルと
    を含む、請求項１２に記載のシステム。
14. 前記スケジューリングサブシステムは更に、
    前記推定される将来の需要とフリート範囲予測とに基づいて前記サービスエリアのマップを更新することであって、前記フリート範囲予測は、前記推定される電荷と前記推定される燃料レベルとに基づいている、更新することと、
    エネルギー配給車両（ＥＤＶ）を前記サービスエリア内の地理的位置に配備するようスケジューリングすることであって、前記推定される将来の需要に関連付けられる前記地理的位置は、第１閾値を上回り、前記フリート範囲予測は、第２閾値を下回る、スケジューリングすることと
    を行うように構成される、請求項１３に記載のシステム。
15. 前記システムは、
    分散型台帳技術サブシステム（ＤＬＴサブシステム）
    を備え、前記ＤＬＴサブシステムは、
    前記フリート内の車両による前記少なくとも１つのインフラストラクチャリソースの前記使用を検出することと、
    前記ＤＬＴサブシステムの分散型台帳に台帳記入事項を記録することであって、前記台帳記入事項は、前記車両による前記少なくとも１つのインフラストラクチャリソースの前記使用に対する支払いに関連付けられる、記録することと
    を行うように構成される、
    請求項１から５、１３、および１４のいずれか一項に記載のシステム。
16. ネットワークインタフェースカード（ＮＩＣ）と、
    前記ＮＩＣに結合される処理回路と
    を備える計算デバイスであって、
    前記処理回路は、
    車両のフリートに関連付けられる車両パラメータを取得する動作であって、前記車両パラメータは、前記フリート内の前記車両の各々に関する移動推定範囲を含む、取得する動作と、
    前記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する動作と、
    前記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する動作と、
    前記車両パラメータ、前記インフラストラクチャリソース利用可能性情報、および前記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する動作と、
    前記ＮＩＣを介して前記車両のフリートに前記スケジューリング命令を伝達する動作であって、前記スケジューリング命令は、前記フリート内の前記車両のうちの１つまたは複数による前記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する動作と
    を含む動作を実行するように構成される、
    計算デバイス。
17. 前記移動推定範囲は、前記フリート内の第１組の電気車両の各々に関する残りの電荷に基づく第１移動推定範囲と、前記フリート内の第２組の非電気車両の各々に関する燃料レベルに基づく第２移動推定範囲とを含み、前記処理回路は、
    前記第１組の電気車両の各々に関する前記第１移動推定範囲に少なくとも基づき、機械学習を使用して第２スケジューリング命令を生成する動作であって、前記第２スケジューリング命令は、エネルギー配給車両（ＥＤＶ）を前記第１組の電気車両の現在の地理的位置にスケジューリングするための命令を含み、前記電気車両に関する前記第１移動推定範囲は、閾値範囲を下回る、生成する動作
    を含む動作を実行するように構成される、請求項１６に記載の計算デバイス。
18. 前記処理回路は、
    機械学習を使用して、サービスエリアを形成する地理的位置内での将来の期間における前記第１組の車両または前記第２組の車両に関する将来の需要を推定する動作と、
    前記機械学習を使用して前記地理的位置内での前記将来の期間における前記第１組の車両または前記第２組の車両の将来の有用性を決定する動作と
    を含む動作を実行するように構成され、
    前記将来の有用性は、前記将来の期間における前記第１組の電気車両の各々に関する推定される電荷と、前記将来の期間における前記第２組の非電気車両の各々に関する推定される燃料レベルとを含む、
    請求項１７に記載の計算デバイス。
19. 前記処理回路は、
    前記推定される将来の需要とフリート範囲予測とに基づいて前記サービスエリアのマップを更新する動作であって、前記フリート範囲予測は、前記推定される電荷と前記推定される燃料レベルとに基づいている、更新する動作と、
    エネルギー配給車両（ＥＤＶ）を前記サービスエリア内の地理的位置に配備するようスケジューリングする動作であって、前記推定される将来の需要に関連付けられる前記地理的位置は、第１閾値を上回り、前記フリート範囲予測は、第２閾値を下回る、スケジューリングする動作と
    を含む動作を実行するように構成される、請求項１８に記載の計算デバイス。
20. Ｍｏｂｉｌｉｔｙ－ａｓ－ａ－Ｓｅｒｖｉｃｅ（ＭａａＳ）ネットワーク内の計算デバイスの処理回路に、
    車両のフリートに関連付けられる車両パラメータを取得する手順であって、前記車両パラメータは、前記フリート内の前記車両の各々に関する移動推定範囲を含む、取得する手順と、
    前記車両のフリートにより使用される少なくとも１つのインフラストラクチャリソースに関連付けられるインフラストラクチャリソース利用可能性情報を取得する手順と、
    前記少なくとも１つのインフラストラクチャリソースに関連付けられる履歴使用情報を取得する手順と、
    前記車両パラメータ、前記インフラストラクチャリソース利用可能性情報、および前記履歴使用情報に基づき、機械学習を使用してスケジューリング命令を生成する手順と、
    前記車両のフリートに前記スケジューリング命令を伝達する手順であって、前記スケジューリング命令は、前記フリート内の前記車両のうちの１つまたは複数による前記少なくとも１つのインフラストラクチャリソースの使用をスケジューリングするためのものである、伝達する手順と
    を実行させる、プログラム。
21. 前記処理回路に、
    前記フリート内の車両による前記少なくとも１つのインフラストラクチャリソースの前記使用を検出する手順と、
    分散型台帳に台帳記入事項を記録する手順であって、前記台帳記入事項は、前記車両による前記少なくとも１つのインフラストラクチャリソースの前記使用に対する支払いに関連付けられる、記録する手順と
    を更に実行させる、請求項２０に記載のプログラム。
22. 請求項２０または２１に記載のプログラムを記憶する、機械可読記憶媒体。

Images