JP2024038530A - 予測システム及び予測方法 - Google Patents

Abstract

【課題】高精度な将来の状況予測を可能とする予測装置等を提供する。【解決手段】マイクロコンピュータ１０１（プロセッサ）は、第１タイミングで複数の予測モデルをそれぞれ用いてその時点で観測される状態から予測される第２タイミングの状態を示す予測結果をRAM１０２（第１メモリ）に記憶し、第２タイミングの時点で観測される状態から予測結果に対する正解の状態を示す正解状態を生成する。マイクロコンピュータ１０１は、正解状態と予測モデル毎の予測結果とを比較し、予測モデル毎の正答率を算出し、予測モデル毎に実施された予測の回数を示す予測モデル毎の予測経験値を算出する。マイクロコンピュータ１０１は、予測モデル毎の正答率と、予測モデル毎の予測経験値とを用いて、複数の予測結果から１つの予測結果を選択して出力する。【選択図】図１

Description

本発明は、予測システム及び予測方法に関する。

近年の自動車の開発においては、燃費向上技術のほかに、予防安全技術や自動運転技術といった安全性・利便性を求める開発が積極的になされており、これらの実現手段の一部として車両挙動の予測制御がある。

車両挙動予測制御の一例としては、前方を走行する車両と自車の位置関係を推定する制御があり、予測した将来の状態から、数秒後にドライバーが加速するかしないか、または、衝突防止のために停止する制御をすべきかなどの判断を行うものがある。

これら車両挙動予測制御に対しては、常に安全性が求められ、高い予測精度が必要となり、予測精度を高める方法として、予測の基礎となる計算方法の変更や定数の変更などがある。別の方法としては、ある対象の将来の状態を、複数の予測モデルを用いて予測し、最も確からしい予測モデルの予測結果を出力するシステムが発明されている。

特許文献1では、電気自動車向けの二次電池状態を推定するために複数のモデルに異なる予測方法にて予測をさせると同時に、実際の状態と予測した状態の乖離が最も小さいモデルを評価することで、各々の予測モデルの精度を評価し、最も精度の高い予測モデルの結果を出力する技術の提案がなされている。

先行特許文献1を車両挙動予測に適用した場合、複数の計算方式が異なる予測モデルを用意し、それら予測モデルの精度を評価して、どの予測モデルの結果を採用するか選択し全体的な精度向上が見込める。

特開２０１３－１９０２７４号公報

しかしながら、先行特許文献１では対象として電気自動車向けの二次電池を想定しており、各予測モデルが推定した状態と実際の状態を比較し、どの予測モデルの精度が高いかが判明するまでには時間がかかる。例えば、予測周期が数ミリ秒や数秒などと短い場合の状態の予測に対しては、予測開始直後に誤った予測モデルを選択して全体の予測精度を低下させてしまう懸念がある。

また、新しい考え方に基づく予測モデルを開発した際、従来の予測モデルで予測精度が低い部分が改善する一方、従来の予測モデルで高い予測精度を維持していた領域での予測結果には影響を及ぼさないようにできることが望ましい。

先行特許文献１では各々の予測モデルの精度向上のために、予測モデルが用いるパラメータの最適化がなされているが、予測モデルでうまく予測できていた部分とそうでない部分で予測パラメータの平均化が発生し、結果として予測精度を落としてしまう可能性がある。

本発明は、このような問題に鑑みてなされたものであって、その目的とするところは、ある現在の状況をもとに将来の状況を複数の予測モデルの予測結果をもとに予測する予測装置（システム）において、各々の予測モデルの結果に対し、高精度な将来の状況予測を可能とする予測装置等を提供することにある。

上記目的を達成するために、本発明の一例は、プロセッサと第１メモリを備える予測装置であって、前記プロセッサは、第１タイミングで複数の予測モデルをそれぞれ用いてその時点で観測される状態から予測される第２タイミングの状態を示す予測結果を前記第１メモリに記憶し、前記第２タイミングの時点で観測される状態から前記予測結果に対する正解の状態を示す正解状態を生成し、前記正解状態と前記予測モデル毎の前記予測結果とを比較し、前記予測モデル毎の正答率を算出し、前記予測モデル毎に実施された予測の回数を示す前記予測モデル毎の予測経験値を算出し、前記予測モデル毎の前記正答率と、前記予測モデル毎の前記予測経験値とを用いて、複数の前記予測結果から１つの前記予測結果を選択して出力する。

本発明によれば、高精度な将来の状況予測を可能とする。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本実施形態に係るシステムを車両に搭載する制御装置へ適用した例の構成図である。 図１に挙げた制御装置のドライバーの加減速予測適用例の説明図である。 第一実施形態におけるブロック図である。 測結果正答判定部および調停パラメータ記憶部の処理の説明図である。 正解数と不正解数の総和から、予測経験値を算出する例の説明図である。 第一実施形態に対し予測モデルを追加した場合の第二実施形態を説明した図である。 各々の予測モデルの正答率と予測経験値の変化を説明する図である。 第一実施形態および第二実施形態における制御装置フローチャート図である。 本発明を適用した第三実施形態を説明するためのブロック図である。 状態判別部によって判別する状態に対応する状態IDの表。 状態別調停パラメータを用いた予測正答率を用い調停を実施する例の説明図である。 第三実施形態における制御装置の予測制御の流れを示したフローチャート図である。

以下、図面を用いて、本発明の第一～第三実施形態によるシステムの構成及び動作について説明する。本実施形態は、将来の状態を複数の予測モデルより予測するシステムに関し、特に、複数の予測モデルの予測結果を調停し、システムが出力する予測状態を決定する技術に関する。なお、図面では具体的に車両への適用例を示しているが、本発明の基本原理を説明するための図面であり、本発明の範囲は図面に記載した範囲に限定されるものではない。

［第一実施形態］
図１は、第一実施形態にかかわる予測システムを車両に搭載される制御装置（予測装置）に適用した場合の例である。本実施形態においては、車両を運転するドライバーの加減速を予測することを例に挙げ説明する。本実施形態では車両及び制御装置に言及しているが、むろん本実施形態の適用範囲は上記例に挙げた予測対象や、本実施形態の適用先として挙げた車両及び制御装置に限定されない。

制御装置１００はマイクロコンピュータ１０１（CPU）とRAM１０２（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とROM１０３（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と不揮発性ＲＯＭ１０４（ＥＥＰＲＯＭ）とを備える。この制御装置１００に対して車両から得られる情報を入力する。

制御装置１００には、車両に取り付けられたカメラセンサ１０５からの情報をもとにして得られる先行車との車間距離、車速センサ１０６より取得される自車の車速、加速度センサ１０７より取得される自車の加速度、アクセル開度センサ１０８より取得されるアクセル開度を入力する。

これらの入力を制御装置１００に入力し、制御装置１００は、ドライバーがＸ秒先で加速するか否かを判断し、Ｘ秒先の加速予測を出力する。

制御装置１００が加速予測を出力後、加速予測を受け取った他の制御装置またはデバイスがどのように車両制御を変更することまでの説明は省略するが、例えば、Ｘ秒先まで加速しないと判断できる場合に、エンジンを搭載した車両であれば燃費が重視されるように、図１のＥＣＭ（Ｅｎｇｉｎｅ Ｃｏｎｔｒｏｌ Ｍｏｄｕｌｅ）１０９と接続し、エンジン１１０の運転モードを切り替えるなどの使い方が可能である。

図２は、図１に挙げた制御装置１００に本発明を適用しドライバーの加減速予測する際のモデルを説明したものである。ここでは、ドライバーの加減速予測の定義として、現時刻から３秒後にドライバーがアクセルを操作し直前のアクセル開度以上の値となることを加速すると定義した。また、現時刻から３秒後、ドライバーがアクセルの状態を維持して直前とアクセル開度と同じ開度を保つことを加速しないと定義した。

３秒後にドライバーが加速するか否かを予測する方法として、例えば２つのモデルの例を示す。

１つ目の予測モデル１は、自車車速と、車間距離を入力し、それらを目標と比較して数秒先のドライバーの要求加速度を計算するモデルである。このモデルの計算式は次式で与えられる。

α ： 最大加速度
Vf ： 自車速度
Vdes ： 目標速度
ΔX ： 車間距離
Xsigma ： 目標車間距離
式（１）で、目標車間距離よりも車間距離が離れている場合には加速し、短い場合には加速しないと制御装置１００は判断する。

例えば、自車の車速が目標車速と同じとき、すなわち、Vf／Vdes＝１であるとき、車間距離が目標と離れている場合は、車間の感度に関する項、Xsigma／ΔX、がプラスにはたらき、加速度が正となる。

また車間距離が目標と一致しているとき、すなわち、Xsigma／ΔX＝１であるとき、自車の車速が目標車速よりも超えている場合は、車速の感度に関する項、Vf／Vdesがマイナスに働き加速度が負となる。

この加速度が正となるか負となるかによって、３秒後にドライバーが加速するか否かを制御装置１００は予測する。

２つ目の予測モデル２は、先行車の車速が自車の車速に対して所定値以内の相対速度となるように走行するモデルである。このモデルの計算式は次式で与えられる。

Vf ： 自車速度
Vp ： 先行車速度
thsc： 速度維持判定閾値
thv: 加減速判定閾値
まず式（２）、式（３）において、先行車車速Vpと自車車速Vfの差が速度維持判定閾値以下であることを確認し、先行車に対してある相対速度の範囲内で運転しているか制御装置１００は判定する。このとき先行車に対してある相対速度の範囲内で運転している場合は、ドライバーは加速しないと予測するという論理である。

式（２）においては、先行車車速Vpに対して自車の車速が低い状態にあり、加減速判定閾値thv以上に先行車の車速が速い場合には加速すると制御装置１００は予測する。

また、式（３）においては、先行車車速Vpに対して自車の車速が高い状態にあり、加減速判定閾値thvよりも先行車の車速が低い場合には減速する、すなわち、加速しないと制御装置１００は予測する。

これら２つの予測モデルに対して、図１に示した各センサの入力を与え、３秒後に加速するか否かを制御装置１００に予測させる。

図３に本発明の第一実施形態におけるブロック図を示す。

図２の２つの予測モデルをそれぞれブロック図（図３）における予測モデル１（ブロック３０１）、予測モデル２（ブロック３０２）として組み込んでいる。

予測モデル１と予測モデル２の入力には前述のとおり、車間距離や自車車速が入力される。この入力をもとに予測モデル１と予測モデル２はそれぞれ３秒後にドライバーが加速するか否かを判定し、予測結果を出力する。

一方、ブロック図における正解状態生成部３０３には、現時刻におけるアクセル開度が入力され、直前のアクセル開度と比較してアクセルが踏まれたか、つまり加速したかを判定し正解状態を正解状態生成部３０３は生成する。この正解状態生成部３０３の出力と各々の予測モデルより出力した予測結果を比較する際、各々の予測モデルの出力は３秒後の予測結果であるため、正解状態生成部３０３の判定結果との時刻を合わせるために、予測モデルの予測結果を予測結果記憶部３０４に記憶しておき、３秒前の予測結果が出力されるようにする。

予測結果正答判定部３０５は、予測結果記憶部３０４より出力される３秒前の予測結果と正解状態生成部３０３で算出した正解状態を比較し、各々の予測モデルの予測結果が正解したか否かを判定する。

予測結果正答判定部３０５は、この正解、不正解の情報を調停パラメータ記憶部３０６に出力する。

調停パラメータ記憶部３０６には予測結果正答判定部３０５によって判定した正解、不正解の数が各々の予測モデル別に記憶される。

各予測モデル正答率算出部３０７は各予測モデルの正解の回数と不正解の回数から正答率を算出する。

各予測モデル予測経験値算出部３０８は各予測モデルが何回予測を実施したかを数え、予測経験値を算出する。

予測結果調停部３０９は各予測モデルの予測結果（３０１～３０２）と、各予測モデル正答率算出部３０７で算出した各予測モデル正答率と、各予測モデル予測経験値算出部３０８で算出した各予測モデル予測経験値を用いて、各予測モデルの予測精度の評価値を算出し、予測精度の高い予測モデルの予測結果を最終予測結果として算出する。

図４を用いて、図３の予測結果正答判定部３０５および調停パラメータ記憶部３０６の処理についての具体例を挙げて説明する。

図４では、正解、不正解の状態を混同行列で表している。

例えば、図４の（ａ）のように、現在の状態が「加速する」であるとき、３秒前の各々の予測モデルの予測結果が、「加速する」と予測していれば、正解と判定する。

一方、図４の（ｂ）のように、現在の状態が「加速しない」であるとき、３秒前の各々の予測モデルの予測結果が「加速する」と予測していれば、不正解と判定する。

また、図４の（ｃ）のように、現在の状態が「加速する」であるとき、３秒前の各々の予測モデルの予測結果が「加速しない」と予想していれば、不正解と判定する。

正答率の算出方法としては様々な表現方法が採用可能である。「加速する」ことの正答率算出のために、ここでは、図４－（ａ）に示した、予測「加速する」と実際「加速する」をＴＰ（Ｔｒｕｅ Ｐｏｓｉｔｉｖｅ）として、図４－（ｂ）に示す、予測「加速する」と実際「加速しない」を１つめの不正解ＦＰ（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ）、図４－（ｃ）に示す、予測「加速しない」と実際「加速した」を２つめの不正解ＦＮ（Ｆａｌｓｅ Ｎｅｖａｔｉｖｅ）とし後述の正答率算出に用いる調停パラメータとする。

ＴＮの正解状態に対しては、定義の仕方が種々あり、本発明の実施形態の説明にも不要であることからここでは省略する。

また、３秒後に加速すると予測したことに対して、３．１秒後に加速した場合の正解、不正解の定義についても本発明の実施形態を説明する趣旨から反れるため一部省略するが、例えば予測結果記憶部３０４より３秒前の予測を取得し、予測結果正答判定部３０５で予測結果と正解状態を比較する際に、予測結果記憶部３０４の出力の一部を加工して比較を実施することでTPが極端に低くなる問題を解消することは可能である。

予測結果正答判定部３０５は、TP、FN、FPの状態を判定し、判定した状態を調停パラメータ記憶部３０６に出力する。調停パラメータ記憶部３０６には、予測結果正答判定部３０５によって判定したTP、FN、FPの回数が予測モデル毎に記憶される。

各予測モデル正答率算出部３０７は、各予測モデルの正答率を算出する。正答率に関しては、様々な計算方法が考えられるが、ここでは、前述のTP、FN、FPの値を用いて算出可能なF値を正答率に適用する。F値の計算方法については以下の式で与えられる。

再現率（Ｒｅｃａｌｌ）＝ＴＰ／（ＴＰ＋ＦＮ）
適合率（Ｐｒｅｃｉｓｉｏｎ）＝ＴＰ／（ＴＰ＋ＦＰ）
F値＝（２×Ｐｒｅｃｉｓｉｏｎ×Ｒｅｃａｌｌ）／（Ｐｒｅｃｉｓｉｏｎ＋Ｒｅｃａｌｌ）
ここでは、３秒先の「加速する」の予測に対して、Ｆ値を算出し正答率として適用する例を挙げているが、「加速しない」と予測して間違った場合にその予測を用いる下流の制御影響を考慮し、どの計算式を正答率とするのかは種々考えられ、また例に挙げた計算方法以外の指標を正答率として用いてもよい。

本発明の実施形態の第１の特徴は、各予測モデルの正答率のほかに、予測経験値を調停に用いることである。予測経験値とは、それぞれの予測モデルにおける予測回数を記憶しておき、予測モデルの予測結果の正答率の信頼性を予測回数に応じて表現するものである。

例えば、上記、正答率が１００％の場合に予測回数１回で１回の正解と、予測回数１００回で１００回の正解では正答率の信頼性という点では意味が異なる。

ここで、予測経験値の使い方に関しては、例えば、３００回以上の予測実施を行った場合に、予測モデルの予測結果を信頼してもよいといった定義を用いることで、例えば車両制御開始直後の発進する前後で加減速予測制御の予測結果の正答率が下がってしまうことを防ぐ。

詳細は後述するが、本実施形態のマイクロコンピュータ１０１（プロセッサ）は、第１タイミング（現在時刻）で複数の予測モデルをそれぞれ用いてその時点で観測される状態から予測される第２タイミング（将来時刻）の状態を示す予測結果をRAM１０２（第１メモリ）に記憶し、第２タイミング（現在時刻になった時）の時点で観測される状態から予測結果に対する正解の状態を示す正解状態を生成する。マイクロコンピュータ１０１は、正解状態と予測モデル毎の予測結果とを比較し、予測モデル毎の正答率を算出し、予測モデル毎に実施された予測の回数を示す予測モデル毎の予測経験値を算出する。マイクロコンピュータ１０１は、予測モデル毎の正答率と、予測モデル毎の予測経験値とを用いて、複数の予測結果から１つの予測結果を選択して出力する。これにより、信頼性の高い予測結果が出力される。

上記の予測回数を表現するために、本実施形態の第２の特徴は、予測回数をそれぞれ予測結果正答判定部３０５で出力されるそれぞれの予測モデルの正解数と不正解数の和として算出することである。すなわち、予測モデル毎の予測経験値は、予測モデル毎の正解回数と不正解回数の和である。これにより、予測回数を数えるカウンタが不要となる。

図５を用いて正解数と不正解数の総和から、予測経験値を算出する例を説明する。図５の（ａ）、（ｂ）、（ｃ）は調停パラメータ記憶部に記憶した予測モデル１と予測モデル２それぞれのＴＰ、ＦＮ、ＦＰの値である。これらの値の総和を計算すると図５の（ｇ）になる。また、図５の（Ｉ）、（ＩＩ）、（ＩＩＩ）に示す表は、それぞれ各予測モデルが予測を繰り返し実行し、ＴＰ、ＦＮ、ＦＰが加算されていく様子を示している。

図５の（Ｉ）において、予測モデル１と予測モデル２のＴＰ、ＦＮ、ＦＰの総和は４０である。図５の（Ｉ）の（ｆ）において、予測モデル１のＦ値は０．７５、予測モデル２のＦ値値は０．７７となっている。一方で、図５の（ＩＩ）で、予測モデル１のＦ値は０．８９、予測モデル２のＦ値は０．８２となっている。また、図５の（ＩＩＩ）で、予測モデル１のＦ値は０．８９、予測モデル２のＦ値は０．８２となっており、各予測モデルの正答率は回数を重ねて収束する。

図５の例に示すように、予測経験が少ない状態（Ｉ）での正答率（ｆ）を予測結果の調停に用いた場合に、予測モデル１と予測モデル２の真の正答率が不明な状態で、誤った予測モデルの結果を採用してしまう可能性がある。

そこで、（ｇ）に示す調停パラメータ（ＴＰ、ＦＮ、ＦＰ）の総和を予測経験値として算出し、各予測モデルの予測経験値が所定の値以上であるときに、各予測モデルの予測結果が最終予測結果に反映されるように構成すれば、予測システムが誤った予測を出力することを防ぐことが可能である。また、図５の例の場合は、新たに新しい算出ブロックや追加の情報を記憶することをせずとも予測経験値を追加取得することが可能である。

詳細は後述するが、マイクロコンピュータ１０１（プロセッサ）は、それぞれの予測モデルの予測経験値が閾値を超える場合、その予測モデルの予測結果を選択肢に含めて１つの予測結果を選択し、それぞれの予測モデルの予測経験値が閾値未満である場合、その予測モデルの予測結果を選択肢に含めずに１つの予測結果を選択する。ここで、マイクロコンピュータ１０１（プロセッサ）は、例えば、正答率が最も高い予測モデルの予測結果を選択する。

また、本実施形態の第３の特徴は、それぞれの予測モデルが何回予測を実施したか、すなわち、予測モデルの予測実施回数を予測経験値として保存することである。換言すれば、予測モデル毎の予測経験値は、予測モデル毎に実施され、かつカウントされた予測の回数である。これにより、例えば、予測経験値の時間変化を容易に確認することができる。

例えば、各予測モデルにおいて予測精度を高めるために、あらかじめ予測を許可する条件を考慮している場合は、各モデルにおける予測許可条件を満たした場合に限り、各予測モデルが予測結果を出力する処理を実行した回数を予測経験値として用いる。それぞれ予測モデルの予測が許可される中でどの程度予測を実施し、その予測モデルの正答率は信頼のおけるものかを確認することが可能である。

このようにして得られる各モデルの予測経験値はブロック図（図３）の予測結果調停部３０９で参照され、予測結果調停部３０９は各予測モデルの予測結果と予測正答率と予測経験値をもとに、どのモデルの予測結果を用いるかを決定する。このように、正答率を考慮することに加え、正答率の信頼性を示す数値として予測経験値を加えることで、正答率が高くても予測モデルの値を採用しないようにする。

上記施策により、初期化状態からのシステム立ち上げ時に、各々の予測モデルの不完全な正答率の算出結果により、予測結果の調停が誤り全体の予測結果の正答率を下げてしまうことを防ぐことが可能である。

以上説明したように、本実施形態によれば、高精度な将来の状況予測を可能とする。また、複数の予測モデルを学習させ、ドライバーの特性に合ったものを選択することができる。例えば、図２の目標速度、目標車間距離はドライバーによって異なるが、初期値として一般的な値を設定する。ここで、予測結果の正当判定の過程（図３，３０４－３０７）を経て目標速度、目標車間距離をドライバーの特性にフィッティングさせる（学習）。

また、CO2削減とドライバビリティの両立をすることができる。具体的には、例えば、加速しないと予測した場合、エンジンを停止（コーストストップ）することでCO2を削減することができる。一方、加速すると予測した場合、エンジンを停止しないことで、加速応答性が良好となり、ドライバビリティが良好となる。

さらに、新たに開発されたモデルを車両に追加する上での適合プラットフォームを提供することができる。具体的には、例えば、実験フェーズ又はオンラインアップデート時にアドオン的に新たな予測モデルが追加された場合、ある程度の予測経験値がたまるまでは新たな予測モデルの結果を選択肢から除外し、従来の予測モデルの結果から正答率の高いものを選択する。

［第二実施形態］
第二実施形態として、第一実施形態に対して第３の異なる予測モデル３を追加した場合の例を示す。図６は、第一実施形態で示した予測モデル１と予測モデル２に加え、予測モデル３（ブロック３１０）を追加した状態のブロック図を示す。

予測モデル３の例では図１の車両に備え付けられた加速度センサ１０７より車両の加速度を取得し、加速度がマイナスからプラスに転じる兆候を検知し「加速する」を予測する。

第一実施形態で説明した予測モデル１と予測モデル２が予測システムに接続している状態で、予測モデル１と予測モデル２の調停パラメータはすでに何回かの走行を実施して過去の予測状況と正答率の情報を蓄積していたとする。

一方、予測モデル３の予測を追加する場合には、少なからず制御装置１００のプログラム（ＲＯＭ１０３）を書き換える必要があり、その際にメモリの内容が失われ予測モデル１と予測モデル２のこれまでの調停パラメータ、つまりは予測正答率が損なわれてしまう可能性がある。

本実施形態の第４の特徴は、調停パラメータを不揮発性メモリに書き込むことである。すなわち、マイクロコンピュータ１０１（プロセッサ）は、予測モデル毎の正解回数、不正解回数、及び予測経験値を不揮発性の不揮発性メモリ１０４（第２メモリ）に記憶する。予測モデル１と予測モデル２の調停パラメータを図１の不揮発性メモリ１０４に記憶することによって、予測モデル３を追加した場合においても、予測モデル１と予測モデル２の調停パラメータは保持される。

また、調停パラメータの一つである予測経験値を同時に不揮発性メモリに保持することにより予測モデル１と予測モデル２のこれまでの予測実績の初期化を防ぐことができ、従来の予測における予測精度を維持したまま、予測モデル３の評価をバックグラウンドで進め、予測モデル３の予測経験値が所定値を超えた場合に、予測モデル１、予測モデル２と同様に最終予測結果の出力に反映させるように構成する。

図７は予測モデル３を追加した場合に、各々の予測モデルの正答率と予測経験値が予測回数によって変化する様子を示したものである。

図７の（Ｉ）は、予測モデル３を追加した状態でのシステムの予測開始前の状態を示している。予測モデル１と予測モデル２の調停パラメータ（ａ）～（ｃ）は不揮発性メモリに記憶してあり、それを読み出す。この状態において、予測モデル３の予測はまだ実施が無く、予測モデル３の予測経験値（ｇ）も０である。

図７の（ＩＩ）は、（Ｉ）の状態から、それぞれ２００回の予測の実行を行った状態である。このとき、最も正答率（Ｆ値）の高い予測モデルは予測モデル３である。例えば予測モデルの予測経験が３００回以上でない場合に最終予測結果に反映しないような構成であれば、この時点での正答率が最も高い予測モデル３の予測結果は予測結果の調停に用いられない。

図７の（ＩＩＩ）は、（ＩＩ）の状態から、さらにそれぞれ２００回の予測の実行を行った状態である。この時、予測モデル３の正答率は０．７９であり、予測モデル１、予測モデル２と比較して低い。すると、（ＩＩ）の時点では正答率が高かったが、予測を何回も繰り返した場合に、予測モデル３の予測精度が全体的に低いことが判明したことになる。

このように予測正答率のほかに予測経験値を保持しておくことにより、予測モデル３の正答率が高いが予測の信頼性が低い状態で、予測モデル３が誤った予測結果を出力したとしてもシステムの全体の予測精度低下を防ぐことが可能である。

図８は本発明の第一実施形態および第二実施形態における制御装置１００による予測制御の流れを示したフローチャート図である。以後、図６のブロック図、および図８のフローチャートを用いて各ステップを説明する。

（図８:ステップS８０１）
制御装置１００は予測制御を開始する。

（図８:ステップS８０２）
予測システムの予測モデル１（３０１）、予測モデル２（３０２）、予測モデル３（３１０）がそれぞれ予測結果を出力する。

（図８:ステップS８０３）
各予測モデルは予測結果を予測結果記憶部３０４に格納する。

（図８:ステップS８０４）
正解状態生成部３０３は正解状態を生成する。

（図８:ステップS８０５）
予測結果正答判定部３０５は、ステップ８０３で予測結果記憶部３０４に格納された過去の各予測モデルの予測結果を参照し、ステップ８０４によって生成された正解状態と比較する。

（図８:ステップS８０６）
ステップ８０５にて予測モデルの予測結果と正解を比較した際、予測モデルが正解であれば調停パラメータ記憶部３０６の予測モデル[i]の正解のカウンタ値をインクリメントし調停パラメータ記憶部３０６へ格納する。

（図８:ステップS８０７）
ステップ８０５にて予測モデルの予測結果と正解を比較した際、予測モデルが不正解であれば、調停パラメータ記憶部３０６の予測モデル[i]の不正解のカウンタ値をインクリメントし調停パラメータ記憶部へ格納する。

（図８:ステップS８０８）
ステップS８０６またはステップS８０７によって更新された各予測モデルの正解回数と不正解回数を用いて予測モデル[i]の予測正答率を各予測モデル正答率算出部３０７は算出する。

（図８:ステップS８０９）
ステップS８０６とステップＳ８０７によって算出した各々の予測モデルの調停パラメータの総和を求め予測経験値を算出する。

（図８:ステップS８１０）
ステップS８１０によって算出した各予測モデルの予測経験値が、所定の閾値を上回っているか否かを判定する。

（図８：ステップS８１１）
ステップS８１１にて予測経験値が、所定の閾値以上の場合、予測モデル[i]の予測結果を調停時に選択可能とする。

（図８：ステップＳ８１２）
ステップＳ８１２にて予測経験値が、所定の閾値未満の場合、予測モデル[i]の予測結果を調停時に選択不可能とする。

（図８:ステップS８１３）
全ての予測モデルの予測正答率と予測経験値を算出するために、全予測モデルの調停パラメータを用いた予測正答率と予測経験値の評価が完了したかを判定する。

（図８:ステップS８１４）
ステップＳ８１３にて全ての予測モデルの予測正答率と予測経験値の算出が完了していない場合は、iをインクリメントし次の予測モデルの予測正答率と予測経験値の算出を実施する。

（図８:ステップS８１５）
ステップS８１３にて全ての予測モデルの予測正答率と予測経験値の評価が完了した場合に、ステップS８１５に移行する。

ステップＳ８１１で予測モデルの予測経験値により調停時に選択可能と判断した予測モデルの予測結果と予測正答率の積を算出し最も高い予測モデルの予測結果を予測システムの最終の予測結果として選択する。

ステップＳ８０１からステップＳ８１５までの予測システムに係る演算は、制御装置１００のROM１０３に格納する制御プログラムに含まれ、繰り返し実行される。

［第三実施形態］
図９は、本発明を適用した第三実施形態を説明するためのブロック図である。

本実施形態の第５の特徴は、第一実施形態のシステムをさらに発展させ、状態判定部９０１を追加し、各予測モデルの予測結果と正解を比較して算出した、各予測モデルの正解、不正解の回数を、状態判定部９０１において判定される状況別に予測装置の調停パラメータを状態別調停パラメータ記憶部９０２に記憶することである。

第一実施形態、第二実施形態を説明するために用いた３秒後に加速するか否かを予測するシステムの例を用いて説明する。

予測モデル１（ブロック３０１）、予測モデル２（ブロック３０２）、予測モデル（ブロック３０３）、正解状態生成部３０３、予測結果記憶部３０４、予測結果正答判定部３０５は第一実施形態、第二実施形態で説明した内容と同じ機能である。

状態判定部９０１は、現在の状態（状況）を判別する。ここでの現在の状況は、予測モデルに用いる入力や正解状態を判定するための入力を用いてもよいし、また別の入力を用いてもよい。

図９の例では、状態判定部９０１は、現在の状況を３つの入力より判定し、その判定によって状態判定を行った結果状態別の状態IDを状態別調停パラメータ記憶部９０２に送る。

この例では、状態判定部では、車速、車間距離、相対速度の情報をもとに、状態IDを生成している。図１０は、車速、車間距離、相対速度をそれぞれ８個の状態に判別し、状態IDを生成する様子を示している。

例えば、現在の車速が５０ｋｍ／ｈ、車間距離が４０ｍ、相対速度が＋０．５ｋｍ／ｈの場合、車速の状態は状態４、車間距離の状態は状態３、相対速度の状態は状態５として示され、これらの状態を束ね状態ID４３５とする。

状態別調停パラメータ記憶部９０２は、各予測モデルの予測結果と正解を比較して各予測モデルの正解または不正解を判定後、状態ID別に調停パラメータを記憶する。状態ID４３５の場合、４３５に対応する調停パラメータを更新する。

本実施形態の第５の特徴を備えたシステムでは、図９において状態別調停パラメータ記憶部９０２に記憶した調停パラメータを用いて、各予測モデル正答率の算出が各予測モデル正答率算出部９０３にて行われ、各予測モデルの予測経験値の算出が各予測モデル予測経験値算出部９０４にて実施される。

このとき、予測結果調停部９０５は各予測モデルの予測結果と、状況別予測正答率と、状況別予測経験値を用いて予測結果の調停を実施する。

換言すれば、マイクロコンピュータ１０１（プロセッサ）は、複数のセンサによる測定値のそれぞれが属する範囲に対応するＩＤの組から構成され、かつ第１タイミング（現在時刻）の時点の状態を示す状態ＩＤを算出する。マイクロコンピュータ１０１は、予測モデル毎かつ前記状態ＩＤ毎の正答率を算出し、予測モデル毎かつ状態ＩＤ毎の予測経験値を算出する。マイクロコンピュータ１０１は、予測モデル毎かつ状態ＩＤ毎の正答率と、予測モデル毎かつ状態ＩＤ毎の予測経験値とを用いて、複数の前記予測結果から１つの予測結果を出力する。

本実施形態の第５の特徴によれば、例えば、ある状態においては予測が良く当たり他の予測モデルよりも正答率が高い状態となるが、他の状態においては予測が外れ、他の予測モデルよりも正答率が低い状態であるとき、全状態における正解と不正解の数で正答率が平均化されることを防ぐことができる。この結果、ある状態においては他の予測モデルよりも優れている予測モデルがある場合、他の状態において正答率が低くても、その予測モデルが得意な領域で予測結果をシステムの最終出力に反映することが可能となる。

また本実施形態の第６の特徴は、状態別調停パラメータ記憶部９０２に記憶した各予測モデルのこれまでの予測における正解と不正解数の数を用いて、予測経験値を算出することである。

本実施形態の第６の特徴によれば、追加で予測回数の情報を記憶することなしに予測経験値を算出することが可能であり、状態別に算出した各々の予測モデルの正答率の信頼度を確認することができ、各々の予測モデルの予測結果と、状態別の各予測モデルの正答率と、状態別の各予測モデルの予測経験値によってシステムの最終出力を決定することができる。

具体的な例を、図１１を用いて説明する。上記実施形態で説明している加減速予測制御において、例えば車速が低い領域では、運転者は無意識で先行車を意識した運転を行ったとする。

図１１の（ＩＶ）は予測モデル１～予測モデル３の全体的な予測正答率を示しており、ここで予測モデル２は予測モデル１や予測モデル３に対して劣っている。一方で、例えば車速の状態２、車間距離の状態４、相対速度の状態３、の状態時に選択される状態ID２４３の領域において（図１１の（Ｖ））、予測モデル２は他の予測モデルに対して正答率が高い。

この状態においては、予測モデル２の予測結果の正答率が高く、他の予測モデルを用いるよりも予測モデル２の予測結果を用いた方がシステム全体の予測精度向上が見込める。

また、車速が高い領域において、運転者は先行車の意識よりも目標の速度になるような意識で運転を行ったとする。図１１の（ＶＩ）の状態６４２においては、予測モデル１の結果が最も高い正答率であり、この予測モデル１の予測結果を最終予測結果に選択する。

状態別の正答率を用いて最終的な予測結果を出力したいが、その正答率は信頼できる値か否かを確認したい。本実施形態の第６の特徴によれば、状態判定部によって判定した状態における各予測モデルの予測の実施回数を確認することができ、予測モデル１の正答率が高く、予測経験値も同時に高い場合は予測モデル１の予測結果を最終出力へ出力できる。そのほか、予測モデル１の正答率が高くても、予測経験値が低い場合、すなわち、その状態における予測実績が乏しい場合には予測モデル１の結果を最終結果に反映しないようにすることも可能である。

また、本実施形態の第７の特徴は、各予測モデルの調停パラメータ、すなわち正解数と不正解数ではなく、予測モデルがその状態において予測を実施した回数を予測経験値として記憶することである。

例えば、各予測モデルにおいて予測精度を高めるために、あらかじめ予測を許可する条件を考慮している場合は、各モデルにおける予測許可条件を満たした場合に限り、各予測モデルが予測結果を出力する処理を実行した回数を予測経験値として用いる。状態によっては、ある予測モデルの予測実施は許可され、ある予測モデルの予測実施は不許可となる状態がありえる。その際に、不許可となった予測モデルの調停パラメータを更新しない。

このような構成においては、調停パラメータは各予測モデルがあらかじめ想定した予測の範囲を超えた場合に、予測結果が不正解となって正答率が下がることを防止することが可能であり、各々の予測モデルが意図した予測領域の棲み分けによってシステム全体の予測精度の向上を見込むことができる。

図１２は本発明の第三実施形態における制御装置１００による予測制御の流れを示したフローチャート図である。以後、図９のブロック図および図１２のフローチャートを用いて各ステップを説明する。

（図１２:ステップＳ１２０１）
制御装置１００は予測制御を開始する。

（図１２:ステップＳ１２０２）
予測システムの予測モデル１（３０１）、予測モデル２（３０２）、予測モデル３（３１０）がそれぞれ予測結果を出力する。

（図１２:ステップＳ１２０３）
各予測モデルは予測結果を予測結果記憶部３０４に格納する。

（図１２:ステップＳ１２０４）
正解状態生成部３０３は正解状態を生成する。

（図１２:ステップＳ１２０５）
状態判定部９０１は現在の状態を判定し状態ＩＤを選択する。

（図１２:ステップＳ１２０６）
予測結果正答判定部３０５は、ステップ１２０３で予測結果記憶部３０４に格納された過去の各予測モデルの予測結果を参照し、ステップ１２０４によって生成された正解状態と比較する。

（図１２:ステップＳ１２０７）
ステップ１２０６にて予測モデルの予測結果と正解を比較した際、予測モデルが正解であれば状態別調停パラメータ記憶部９０２の、ステップＳ１２０５で選択した状態ＩＤにおける予測モデル[i]の正解のカウンタ値をインクリメントし状態別調停パラメータ記憶部９０２へ格納する。

（図１２:ステップＳ１２０８）
ステップ１２０６にて予測モデルの予測結果と正解を比較した際、予測モデルが不正解であれば、状態別調停パラメータ記憶部９０２のステップＳ１２０５で選択した状態ＩＤにおける予測モデル[i]の不正解カウンタ値をインクリメントし調停パラメータ記憶部へ格納する。

（図１２:ステップＳ１２０９）
ステップＳ１２０７またはステップＳ１２０８によって更新された状態別の各予測モデルの正解回数と不正解回数を用いて予測モデル[i]の予測正答率を各予測モデル正答率算出部９０３は算出する。

（図１２:ステップＳ１２１０）
ステップＳ１２０６とステップＳ１２０７によって算出した各々の状態別の各予測モデルの調停パラメータの総和を求め予測経験値を各予測モデル予測経験値算出部９０４は算出する。

（図１２：ステップＳ１２１１）
ステップＳ１２１０によって算出した各予測モデルの予測経験値が、所定の閾値を上回っているか否かを判定する。

（図１２：ステップＳ１２１２）
ステップＳ１２１１にて予測経験値が、所定の閾値以上の場合、予測モデル[i]の予測結果を調停時に選択可能とする。すなわち、マイクロコンピュータ１０１（プロセッサ）は、それぞれの予測モデルの予測経験値が閾値を超える場合、その予測モデルの予測結果を選択肢に含めて１つの予測結果を選択する。これにより、信頼性の低い予測結果は選択されない。

（図１２:ステップＳ１２１３）
ステップＳ１２１２にて予測経験値が、所定の閾値未満の場合、予測モデル[i]の予測結果を調停時に選択不可能とする。すなわち、マイクロコンピュータ１０１（プロセッサ）は、それぞれの予測モデルの予測経験値が閾値未満である場合、その予測モデルの予測結果を選択肢に含めずに１つの予測結果を選択する。これにより、信頼性の高い予測結果が選択される。

（図１２:ステップＳ１２１４）
全ての予測モデルの予測正答率と予測経験値を算出するために、全予測モデルの状態別調停パラメータを用いた予測正答率と予測経験値の評価が完了したかを判定する。

（図１２:ステップＳ１２１５）
ステップＳ１２１４にて全ての予測モデルの予測正答率と予測経験値の算出が完了していない場合は、iをインクリメントし次の予測モデルの予測正答率と予測経験値の算出を実施する。

（図１２:ステップＳ１２１６）
ステップＳ１２１３にて全ての予測モデルの予測正答率と予測経験値の評価が完了した場合に、ステップＳ１２１５に移行する。

ステップＳ１２１２で予測モデルの予測経験値により調停時に選択可能と判断した予測モデルの予測結果と予測正答率の積を算出し最も高い予測モデルの予測結果を予測システムの最終の予測結果として選択する。

ステップＳ１２０１からステップＳ１２１６までの予測システムに係る演算は、制御装置１００のROM１０３に格納する制御プログラムに含まれ、繰り返し実行される。

上記の実施形態では、複数の予測モデルによってある事象の予測を実施するシステムにおいて、システム全体の予測精度向上を目的に、各々の予測モデルが算出する予測結果に対して予測正答率を算出し、さらに予測正答率が信頼できる値かどうかを確認するための予測経験値の算出を実施するものを説明した。

ここで、上記説明した図８のＳ８１０または図１２のＳ１２１１で予測経験値を評価するための閾値は、予測モデルに限らず共通にすることもできるし、予測モデル毎に別々の値を用いてもよい。すなわち、閾値は、すべての予測モデルに対して共通の値としてもよいし、閾値は、予測モデル毎に設定してもよい。

例えば、上記第二または第三実施形態において、予測モデル１と予測モデル２は事前に評価されており、最低限のシステムの予測機能として備えるように構成し、システム起動時から予測を開始したいことも考えられる。このような場合には、予測経験値の初期値をあらかじめ調停時に選択可能な回数以上としておくことにより、いずれの予測結果も最終予測結果の選択時に候補として採用することが可能である。換言すれば、予測モデル毎の正解回数、不正解回数、又は予測経験値の初期値は０以外の任意の数である。

上記実施形態の予測経験値では、所定回数の予測実行を行ったか否かを閾値で確認し、閾値を超えない場合は調停時に選択不可能としている。予測経験値の大小にかかわらず各予測モデルの予測結果を最終予測結果の選択肢として含めたい場合には、閾値に用いる値を０以下に設定すればよい。具体的には、例えば、予測モデル毎の正解回数、不正解回数、又は予測経験値の初期値は０である。

この閾値を予測経験値算出用パラメータとし、予測モデル毎に別々の値を持つことで、例えば第二実施形態の例では、予測モデル１と予測モデル２の予測は初回から予測結果調停部において予測結果の選択に用いられ、予測モデル３の予測経験値算出用パラメータを任意の回数に設定しておけば、予測モデル３のみを予測実績が積まれた後に、予測結果の選択肢に入るようにすることが可能である。

また、上記実施形態の予測経験値では、所定回数の予測実行を行ったか否かを閾値で確認し、閾値を超えない場合は予測結果を調停時に選択不可能としている。閾値の判定までを図８のＳ８０９または図１２のＳ１２１０で実施し、判定の結果、閾値を超えていれば予測経験値を１、閾値を超えていなければ予測経験値を０として算出し、その後の予測結果調停のステップＳ８１５またはＳ１２１６において予測結果と予測正答率と予測経験値の積を算出するようにフローチャートを変更すれば、同様の調停を実施することが可能である。

換言すれば、マイクロコンピュータ１０１（プロセッサ）は、（ｉ）予測結果の値と正答率との積が最も高い予測モデルの予測結果を選択する、又は（ｉｉ）予測結果の値と正答率と予測経験値との積が最も高い予測モデルの予測結果を選択するようにしてもよい。これにより、信頼性の高い予測結果が選択される。

また、他の予測結果調停方法としては、予測の実行回数を分子に置き、分母に予測経験値算出用パラメータを設定することで計算を実行し、予測経験値を小数で算出する方法も考えられる。この場合においても、予測経験値算出用パラメータを予測モデル毎にあらかじめ設定することで、各々の予測モデルの予測結果の最終結果の選択に対する寄与度を変更することが可能である。

例えば上記の実施形態で説明した加減速予測制御で、３秒後に加速することを予測するという場合に、予測モデル１の予測結果が「加速する」正答率０．８、予測経験値１、予測モデル２の予測結果が「加速しない」、正答率０．６、予測経験値１、予測モデル３の予測結果が「加速する」、正答率０．９、予測経験値０．５であった場合、予測モデル１の正答率と予測経験値の積は０．８、予測モデル２の正答率と予測経験値の積は０．６、予測モデル３の正答率と予測経験値の積は０．４５となり、予測モデル３の正答率は高いものの予測経験が浅いことから、予測モデル１の予測結果が支持される。

予測モデル３の正答率が０．９で、予測経験値が０．９となった場合、正答率と予測経験値の積は０．８１となり、前述の予測モデル１と予測モデル２の状況と比較した場合は、最も高い評価値となって、予測モデル３の結果が支持される。

換言すれば、マイクロコンピュータ１０１（プロセッサ）は、正答率と予測経験値との積が最も高い予測モデルの予測結果を選択する。これにより、信頼性の高い予測結果が選択される。

このように、予測経験値を小数で表現した場合においては、予測実績が低くても、高い正答率の場合においては、予測結果が最終出力に反映されるように構成することも可能となる。

以上、本発明の実施形態について詳述したが、本発明は、前記の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の精神を逸脱しない範囲で、種々の設計変更を行うことができるものである。例えば、前記した実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。

例えば、実施形態に挙げた3秒後に加速するかを予測する制御について、現在の状態から将来の状態を予測するものに応用が可能であり、例えば、内燃機関のノック予測制御、ターボ車のW/G（Wastegate）制御等にも応用が可能である。また、実施形態に挙げた３秒後に加速するかを予測する制御について、複数のモデルは、実施形態に挙げた予測モデル以外にもニューラルネットワークモデルや他の統計理論に基づくモデルで構成してもよい。

上記実施形態では、カメラセンサ１０５で車間距離を計測しているが、ミリ波レーダー等の他のセンサを用いて車間距離を計測しても良い。

第三実施形態の状態IDが示す状態は３次元（自車車速、車間距離、相対速度）であるが、１次元、２次元、又は４以上の次元であってもよい。自車車速、車間距離、相対速度のほかに、先行車の車速、自車の加速度、アクセル開度、標高などでもよい。

また、本発明を説明するためにブロック図やフローチャートを用いているが、これら説明に用いた図面の各機能および各ステップはソフトウェアで実現してもよいし、ハードウェアで実現してもよく、一部をいずれかで実現してもよい。

また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。さらに、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

なお、本発明の実施形態は、以下の態様であってもよい。

（１）．現在の状態から将来の状態を予測し予測結果を出力する複数の予測モデルと、過去に複数の予測モデルが予測した各予測結果を格納するための予測結果記憶部と、現在の状態から正解状態を生成する正解算出部と、正解状態と予測結果記憶部に格納された複数の予測モデルの過去の予測結果を比較して各予測モデルの予測が正解か否かを判定する予測結果正解判定部と、予測結果正解判定部によって判定した各予測モデルの正解回数と不正解回数を格納するための予測モデル調停パラメータ記憶部と、予測モデル調停パラメータ記憶部に記憶した各予測モデルの正解回数と不正解回数を用いて各予測モデルの正答率を算出する予測モデル正答率算出部と、各予測モデルの予測結果と、各予測モデルの正答率を用いて１つの予測結果を出力する予測結果調停部を備えるシステムにおいて、前記システムは、さらに各予測モデルがそれぞれ何回予測を実施したかをカウントし各予測モデルの予測経験値を算出する予測経験値算出部を備え、前記、予測結果調停部は、各予測モデルの予測結果と、各予測モデルの正答率と、各予測モデルの予測経験値を用いて１つの予測結果を出力することを特徴とするシステム。

（２）．（１）のシステムにおいて、予測経験値算出部は、前記予測モデル調停パラメータ記憶部にて格納する、各予測モデルの正解回数と不正解回数の和によって予測経験値を算出することを特徴とするシステム。

（３）．（１）のシステムにおいて、予測経験値算出部は、各予測モデルが処理を実施した回数をカウントし予測経験値を算出することを特徴とするシステム。

（４）．（１）のシステムにおいて、前記予測モデル調停パラメータ記憶部は、各予測モデルの調停パラメータを不揮発性メモリに書き込むことを特徴するシステム。

（５）．（１）のシステムにおいて、前記システムは、さらに現在の状態を判定し、現在の状態に対応する状態IDを算出する状態判定部を備え、前記、予測結果正解判定部によって判定した各予測モデルの正解回数と不正解回数を状態IDで選択した状態別に記憶するための状態別予測モデル調停パラメータ記憶部を有し、前記、予測結果調停部が、各予測モデルが算出した予測結果を調停する場合に、前記、状態別予測モデル調停パラメータ記憶部に格納した各予測モデルの調停パラメータを用いて算出する状態別予測正答率と、前記、状態別予測モデル調停パラメータ記憶部に格納した各予測モデルの調停パラメータを用いて算出する状態別予測経験値を算出し、前記、各予測モデルの予測結果と、各予測モデルの状態別予測正答率と、各予測モデルの状態別予測経験値を用いて、１つの予測結果を出力することを特徴とするシステム。

（６）．（５）のシステムにおいて、予測経験値算出機能は、前記予測モデル調停パラメータ記憶機能にて格納する、各予測モデルの正解回数と不正解回数の和によって予測経験値を算出することを特徴とするシステム。

（７）．（５）のシステムにおいて、予測経験値算出機能は、各予測モデルが処理を実施した回数をカウントし予測経験値を算出することを特徴とするシステム。

（８）．（５）のシステムにおいて、前記予測モデル調停パラメータ記憶機能は、各予測モデルの調停パラメータを不揮発性メモリに書き込むことを特徴するシステム。

（９）．（４）のシステムにおいて、不揮発性メモリに格納する各々の予測モデルの調停パラメータの初期値をあらかじめ０以外の任意の数に設定しておくことを特徴とするシステム。

（１０）．（４）のシステムにおいて、不揮発性メモリに格納する各々の予測モデルの調停パラメータの初期値をあらかじめ０に設定しておくことを特徴とするシステム。

（１１）．（８）のシステムにおいて、不揮発性メモリに格納する状態別調停パラメータの初期値をあらかじめ０以外の任意の数に設定しておくことを特徴とするシステム。

（１２）．（８）のシステムにおいて、不揮発性メモリに格納する状態別調停パラメータの初期値をあらかじめ０に設定しておくことを特徴とするシステム。

（１３）．（２）または（３）のシステムにおいて、予測経験値算出機能にて算出した予測モデル別の予測経験値を任意の閾値と比較して、各予測モデルの予測経験値が任意の閾値を上回る場合に、前記、予測結果調停部が調停する各々の予測モデルの予測結果を調停の選択肢に含めることを特徴とするシステム。

（１４）．（１３）のシステムにおいて、各予測モデルの予測経験値と比較する任意の閾値は、各予測モデルに対し共通の値を用いることを特徴とするシステム。

（１５）．（１３）のシステムにおいて、各予測モデルの予測経験値と比較する任意の閾値は、各予測モデルに対し別々の値を用いることを特徴とするシステム。

（１６）．（６）または（７）のシステムにおいて、予測経験値算出機能にて算出した各予測モデルの状態別予測経験値を任意の閾値と比較して、各予測モデルの状態別予測経験値が任意の閾値を上回る場合に、前記、予測結果調停部が調停する各々の予測モデルの予測結果を調停の選択肢に含めることを特徴とするシステム。

（１７）．（１６）のシステムにおいて、各予測モデルの状態別予測経験値と比較する任意の閾値は、各予測モデルに対し共通の値を用いることを特徴とするシステム。

（１８）．（１６）のシステムにおいて、各予測モデルの状態別予測経験値と比較する任意の閾値は、各予測モデルに対し別々の値を用いることを特徴とするシステム。

（１）～（１８）のごとく構成された上記実施形態のシステムは、複数の予測モデルが将来の状態を推定し予測結果を出力している状態で、各々の予測モデルの予測結果の正答率を測定しており、また、その正答率が信頼できる正答率か否かを判断するための予測経験を考慮する。そのため、既存のシステムを拡張し、新しい考え方による予測モデルを追加した際、予測モデル追加の副作用による予測精度低下を防止することが可能となる。

また、各予測モデルの調停パラメータを、状況別に細分化して記憶することで、状況別に適宜予測モデルを切り替えることによって、システム全体の予測精度を向上することができる。

１００…制御装置
１０１…マイクロコンピュータ
１０４…不揮発性メモリ
１０５…カメラセンサ
１０６…車速センサ
１０７…加速度センサ
１０８…アクセル開度センサ
１０９…ＥＣＭ
１１０…エンジン
３０１、３０２…予測モデル
３０３…正解状態生成部
３０４…予測結果記憶部
３０５…予測結果正答判定部
３０６…調停パラメータ記憶部
３０７…予測モデル正答率算出部
３０８…予測モデル予測経験値算出部
３０９…予測結果調停部
３１０…予測モデル
９０１…状態判定部
９０２…状態別調停パラメータ記憶部
９０３…予測モデル正答率算出部
９０４…予測モデル予測経験値算出部
９０５…予測結果調停部

Claims (13)

1. プロセッサと第１メモリを備える予測装置であって、
   前記プロセッサは、
   第１タイミングで複数の予測モデルをそれぞれ用いてその時点で観測される状態から予測される第２タイミングの状態を示す予測結果を前記第１メモリに記憶し、
   前記第２タイミングの時点で観測される状態から前記予測結果に対する正解の状態を示す正解状態を生成し、
   前記正解状態と前記予測モデル毎の前記予測結果とを比較し、前記予測モデル毎の正答率を算出し、
   前記予測モデル毎に実施された予測の回数を示す前記予測モデル毎の予測経験値を算出し、
   前記予測モデル毎の前記正答率と、前記予測モデル毎の前記予測経験値とを用いて、複数の前記予測結果から１つの前記予測結果を選択して出力する
   ことを特徴とする予測装置。
2. 請求項１に記載の予測装置であって、
   前記予測モデル毎の予測経験値は、
   前記予測モデル毎の正解回数と不正解回数の和である
   ことを特徴とする予測装置。
3. 請求項１に記載の予測装置であって、
   前記予測モデル毎の予測経験値は、
   前記予測モデル毎に実施され、かつカウントされた予測の回数である
   ことを特徴とする予測装置。
4. 請求項１に記載の予測装置であって、
   不揮発性の第２メモリを備え、
   前記プロセッサは、
   前記予測モデル毎の正解回数、不正解回数、及び前記予測経験値を不揮発性の前記第２メモリに記憶する
   ことを特徴とする予測装置。
5. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   複数のセンサによる測定値のそれぞれが属する範囲に対応するＩＤの組から構成され、かつ前記第１タイミングの時点の状態を示す状態ＩＤを算出し、
   前記予測モデル毎かつ前記状態ＩＤ毎の正答率を算出し、
   前記予測モデル毎かつ前記状態ＩＤ毎の予測経験値を算出し、
   前記予測モデル毎かつ前記状態ＩＤ毎の正答率と、前記予測モデル毎かつ前記状態ＩＤ毎の予測経験値とを用いて、複数の前記予測結果から１つの予測結果を出力する
   ことを特徴とする予測装置。
6. 請求項１に記載の予測装置であって、
   前記予測モデル毎の正解回数、不正解回数、又は前記予測経験値の初期値は０以外の任意の数である
   ことを特徴とする予測装置。
7. 請求項１に記載の予測装置であって、
   前記予測モデル毎の正解回数、不正解回数、又は前記予測経験値の初期値は０である
   ことを特徴とする予測装置。
8. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   それぞれの前記予測モデルの前記予測経験値が閾値以上である場合、前記予測モデルの予測結果を選択肢に含めて１つの予測結果を選択し、
   それぞれの前記予測モデルの予測経験値が前記閾値未満である場合、前記予測モデルの予測結果を選択肢に含めずに１つの予測結果を選択する、
   ことを特徴とする予測装置。
9. 請求項８に記載の予測装置であって、
   前記閾値は、
   すべての前記予測モデルに対して共通の値である
   ことを特徴とする予測装置。
10. 請求項８に記載の予測装置であって、
    前記閾値は、
    前記予測モデル毎に設定される
    ことを特徴とする予測装置。
11. 請求項８に記載の予測装置であって、
    前記プロセッサは、
    （ｉ）正答率が最も高い前記予測モデルの前記予測結果を選択する、又は
    （ｉｉ）正答率と予測経験値との積が最も高い前記予測モデルの前記予測結果を選択する
    ことを特徴とする予測装置。
12. 請求項８に記載の予測装置であって、
    前記プロセッサは、
    （ｉ）予測結果の値と正答率との積が最も高い前記予測モデルを選択する、又は
    （ｉｉ）予測結果の値と正答率と予測経験値との積が最も高い前記予測モデルを選択する
    ことを特徴とする予測装置。
13. 請求項１に記載の予測装置に実行させる予測方法であって、
    第１タイミングで複数の予測モデルをそれぞれ用いてその時点で観測される状態から予測される第２タイミングの状態を示す予測結果を記憶する工程と、
    前記第２タイミングの時点で観測される状態から前記予測結果に対する正解の状態を示す正解状態を生成する工程と、
    前記正解状態と前記予測モデル毎の前記予測結果とを比較し、前記予測モデル毎の正答率を算出する工程と、
    前記予測モデル毎に実施された予測の回数を示す前記予測モデル毎の予測経験値を算出する工程と、
    前記予測モデル毎の前記正答率と、前記予測モデル毎の前記予測経験値とを用いて、複数の前記予測結果から１つの前記予測結果を選択して出力する工程と、
    を含む予測方法。

Images