JP2024048863A - モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 - Google Patents

Abstract

【課題】車両に関連するデータを生成するモデル作成装置、データ生成装置及び各生成方法を提供する。【解決手段】データ生成装置３００において、制御部２３は、車両が高速道路区間を走行中に測定した車両の走行中の時系列データから時系列データに関する発生頻度分布を示す頻度データを取得する学習用頻度データ取得部と、学習用時系列データとそれに対応する学習用頻度データとを教師データとして学習された機械学習モデルに、頻度データを入力して対応する生成時系列データを生成し、出力される生成時系列データに関する発生頻度分布と機械学習モデルに入力した頻度データとの差分を算出し、差分が小さくなるような生成時系列データを出力するモデル生成部と、生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを生成するデータ生成部と、を備える。【選択図】図７

Description

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

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

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

本出願の出願人は、特許文献２において、頻度情報から時系列データを生成する技術を提案している。一例として、特許文献２には、車速の時系列データと、それに対応する車速頻度及び加減速頻度を学習データとして用いて機械学習を行うことで、それら頻度データの入力に応じて生成した車速時系列データを出力する機械学習モデルの作成方法が記載されている。

特開２０１２－２４８０８７号公報 特開２０２１－５１６３７号公報

ところで、特許文献２に記載された技術においては、頻度データの入力に応じて機械学習モデルから生成時系列データを出力するようになっているので、生成時系列データに関する頻度データは入力した頻度データと完全に一致することが望ましい。

入力した頻度データと生成時系列データに関する頻度データに差が生じていた場合の改善策として、機械学習モデルを多層化などの構造変更することで、機械学習モデルをより複雑な表現を可能にする構造とする方法が挙げられる。

しかし、この方法では、多層化につれて計算量が増大し学習時間が長くなる上に、高価で高性能のコンピューターが必要となる場合もある。さらに、所望の精度を得ることが可能なモデル構造の見当をつけるためには試行回数が必要なため、手間もかかる欠点がある。

本発明は、以上の点を考慮してなされたものであり、機械学習モデルを用いて頻度情報から時系列データを生成する場合に、機械学習モデルの構造を変更しなくとも、生成時系列データの再現度を向上させることができる、モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法を提供する。

本発明のモデル作成装置の一つの態様は、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する時系列データ取得部と、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
を備える。

本発明のデータ生成装置の一つの態様は、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部と、
前記車両の高速道路区間走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記機械学習モデルから出力される前記生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得る頻度データ生成部と、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出する差分算出部と、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正する補正部と、
を備え、
前記補正部は、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する。

本発明のモデル作成方法の一つの態様は、
コンピューターが実行するモデル作成方法であって、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
を含む。

本発明のデータ生成方法の一つの態様は、
コンピューターが実行するデータ生成方法であって、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記機械学習モデルから出力される前記生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得るステップと、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出するステップと、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正するステップと、
を含み、
前記生成時系列データを補正するステップでは、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する。

本発明によれば、機械学習モデルを用いて頻度情報から時系列データを生成する場合に、機械学習モデルの構造を変更しなくとも、生成時系列データの再現度を向上させることができるようになる。特に、長い生成時系列データの中から、最も入力側の頻度データと一致する生成時系列データを選択できるため、確実な精度向上が可能である。また、機械学習モデルに対する変更は、出力する生成時系列データの時間軸の長さのみでよいので、機械学習モデルの構造自体を大きく変更する必要がない。

データ生成システムの概要を説明するための図 データ生成システムの概要を説明するための図 図３Ａは時系列データを示す図、図３Ｂは車速の頻度データを示す図、図３Ｃは加速度の頻度データを示す図 データ生成装置の構成を示すブロック図 条件付きＶＡＥにより構成される機械学習モデルを、モデル作成部が作成する処理の概要を示す図 データ生成部が機械学習モデルを用いて時系列データを生成する過程を示す図 データ生成装置における処理の流れを示すフローチャート 実施の形態による補正を実現するための、データ生成装置の構成を示すブロック図 高速道路区間の車速時系列データ例を示す図 実施の形態で用いられる生成時系列データの切り出し及び選択の説明に供する図であり、図９Ａは時間間隔ｔ１での切り出し及び選択の説明に供する図、図９Ｂは時間間隔ｔ２での切り出し及び選択の説明に供する図

以下、本開示の実施の形態を、図面を参照して説明する。

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

図３は、時系列データ及び頻度データの概要を示す図である。図３Ａに示すように、時系列データは、時間によって変化するパラメータの値を示すデータであり、例えば１秒ごとの車両Ｔの速度の値から構成されている。図３Ｂに示すように、頻度データは、所定の期間内における、パラメータの値（速度）の発生頻度の分布を示すデータである。頻度データは、図３Ｃに示したように、パラメータを一階微分した値（加速度）の発生頻度の分布を示すデータであってもよい。

パラメータが車両Ｔの速度である場合、頻度データは、例えば単位時間（例えば１時間）内に時速１ｋｍの状態が発生した時間、時速２ｋｍの状態が発生した時間等のように、時速Ｎｋｍ（Ｎは０以上の整数）の状態が発生した時間又は割合を示すデータである（図３Ｂ参照）。パラメータが車両Ｔの速度である場合、頻度データは、単位時間内に所定の加速度が発生した時間又は割合を示すデータであってもよい（図３Ｃ参照）。なお、車両Ｔが加速している間は加速度が正の値となり、減速している間は加速度が負の値となる。

車両Ｔにおいて測定されるパラメータは、データ生成システムＳは、車両Ｔにおいて測定されたパラメータの時系列データ及び頻度データを教師データとして機械学習（例えば深層学習）した機械学習モデルを作成し、作成した機械学習モデルを用いて、車両Ｔから得られた頻度データに基づいて時系列データを生成することを可能にする。

これにより、データ量の少ない頻度データに基づいて、データ量の大きい時系列データを生成できるようになる。

車両Ｔの管理者は、データ生成システムＳにおいて生成される時系列データを分析することで、車両Ｔの燃費、劣化度、運転の質等の各種の情報を得ることが可能になる。

以下、図１及び図２を参照しながら、データ生成システムＳの概要を説明する。データ収集装置１は、ネットワークＮを介して多数の車両Ｔにおいて測定されたパラメータのデータを取得する装置であり、例えばコンピューターである。

図１に示したように、データ生成装置２は、データ収集装置１を介して車両Ｔから取得した時系列データ及び当該時系列データに対応する頻度データを教師データとして機械学習した機械学習モデルを作成するコンピューターである。また、図２に示したように、データ生成装置２は、作成した機械学習モデルを用いて、車両Ｔから得られた頻度データに基づいて時系列データを生成する。

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

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

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

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

＜２＞データ生成装置２の構成及び動作
図４は、データ生成装置２の構成を示す図である。データ生成装置２は、通信部２１と、記憶部２２と、制御部２３と、を有する。制御部２３は、時系列データ取得部２３１と、学習用頻度データ取得部２３２と、生成用頻度データ取得部２３３と、データ出力部２３４と、モデル作成部２３５と、データ生成部２３６とを有する。

データ生成装置２が生成用頻度データ取得部２３３、データ出力部２３４及びデータ生成部２３６を有しない場合、データ生成装置２は、機械学習モデルＭを作成するモデル作成装置として機能する。

通信部２１は、データ収集装置１又はその他の外部装置との間でデータを送受信するための通信インターフェースである。通信部２１は、受信したデータを制御部２３に送るとともに、制御部２３から入力したデータを外部装置に送る。

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

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

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

学習用頻度データ取得部２３２は、時系列データ取得部２３１が取得した学習用時系列データに対応する学習用頻度データを取得する。学習用頻度データ取得部２３２は、例えば、通信部２１を介して学習用頻度データを取得するが、学習用頻度データ取得部２３２は、学習用時系列データに基づいて学習用頻度データを作成することにより、学習用時系列データから学習用頻度データを取得してもよい。

学習用頻度データ取得部２３２は、学習用頻度データとして、例えば学習用時系列データに関するパラメータの発生頻度分布を示すデータ（図３Ｂ参照）を取得する。また、学習用頻度データ取得部２３２は、学習用頻度データとして、学習用時系列データの一階微分値の発生頻度分布を示すデータ（図３Ｃ参照）を取得してもよい。

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

生成用頻度データ取得部２３３は、機械学習モデルＭを用いて時系列データを生成するために用いられる生成用頻度データを取得する。本明細書において、機械学習モデルＭを用いて生成される時系列データを生成時系列データという。生成用頻度データ取得部２３３は、生成用頻度データとして、生成用速度頻度データ及び／又は生成用加速度頻度データを取得する。生成用頻度データ取得部２３３は、取得した生成用頻度データをデータ生成部２３６に送る。

データ出力部２３４は、データ生成部２３６が生成用頻度データに基づいて機械学習モデルＭから生成した生成時系列データを出力する。データ出力部２３４は、データ生成部２３６から出力された生成時系列データを、通信部２１などの外部の装置に送信する。

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

モデル作成部２３５は、学習用時系列データと、それに関する学習用頻度データと、を教師データとして重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて頻度データに対応する時系列データである生成時系列データを出力する機械学習モデルＭを作成する。

学習用時系列データが、車両Ｔの速度の時系列データであり、学習用頻度データが、車両Ｔの速度の頻度データ及び／又は加速度の頻度データであり、生成時系列データが速度の時系列データである場合、機械学習モデルＭは、速度頻度データ及び／又は加速度頻度データが入力されたことに応じて車両Ｔの速度の時系列データである生成時系列データを出力する。

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

＜３＞機械学習モデルＭの作成方法
図５Ａは、機械学習モデルＭの一例として、条件付きＶＡＥにより構成される機械学習モデルＭをモデル作成部２３５が作成する処理の概要を示す図である。図５Ｂは、データ生成部２３６が機械学習モデルＭを用いて時系列データを生成する過程を示す図である。

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

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

モデル作成部２３５は、機械学習モデルＭ－１及び機械学習モデルＭ－２に学習用頻度データを入力した際に機械学習モデルＭ－２から出力される生成時系列データと、学習用時系列データとの差分に基づいて、機械学習モデルＭ－１及び機械学習モデルＭ－２の重みを更新する。

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

モデル作成部２３５が機械学習モデルＭ－１及び機械学習モデルＭ－２を更新して機械学習モデルＭ－３として完成した後には、図５Ｂに示すように、データ生成部２３６が、車両Ｔから取得された頻度データ（生成用頻度データ）を機械学習モデルＭ－３に入力することにより、機械学習モデルＭ－３が、入力された頻度データに対応する生成時系列データを出力する。

＜４＞データ生成装置２における処理の流れ
図６は、データ生成装置２における処理の流れを示すフローチャートである。図６に示すフローチャートは、データ生成装置２が機械学習モデルＭの作成を開始する指示を受けた時点から開始される。

モデル作成部２３５は、機械学習モデルＭを作成する指示を受けると、時系列データ取得部２３１から学習用時系列データを取得する（ステップＳ１１）。また、モデル作成部２３５は、学習用頻度データ取得部２３２から学習用頻度データを取得する（ステップＳ１２）。ステップＳ１１とステップＳ１２を実行する順序は任意であり、モデル作成部２３５は、学習用時系列データと学習用頻度データとを同時に取得してもよい。モデル作成部２３５は、学習用時系列データと学習用頻度データのセットを教師データとして機械学習することにより機械学習モデルＭを更新する（ステップＳ１３）。具体的には、モデル作成部２３５は、記憶部２２に記憶された機械学習モデルＭの重みを更新する。

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

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

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

＜５＞生成時系列データの補正
図４との対応部分に同一符号を付して示す図７は、さらに改良を加えたデータ生成装置３００の構成を示すブロック図である。データ生成装置３００は、モデル作成部２３５が頻度データ生成部３０１、差分算出部３０２及び補正部３０３を有することを除いて、図４のデータ生成装置２と同様の構成となっている。

なお、頻度データ生成部３０１、差分算出部３０２及び補正部３０３は、更新を終え完成した機械学習モデルＭから出力される生成時系列データを補正するためのものであり、図７の例では、これらをモデル作成部２３５内に設けているが、これらはモデル作成部２３５とデータ生成部２３６との間や、データ生成部２３６内に設けてもよい。

頻度データ生成部３０１は、機械学習モデルＭから出力される生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得る。

差分算出部３０２は、生成用頻度データ取得部２３３により得られた生成用頻度データと、頻度データ生成部３０１により得られた生成頻度データとの差分を算出する。

補正部３０３は、機械学習モデルＭからの生成時系列データの中から、差分算出部３０２により算出された差分が小さくなるような生成時系列データを選択することで、生成時系列データを補正する。

補正部３０３により選択された生成時系列データは、データ生成部２３６に出力される。つまり、生成用頻度データ取得部２３３で得られた生成用頻度データがデータ生成部２３６を経由してモデル作成部２３５に入力され、生成用頻度データに基づく生成時系列データが機械学習モデルＭから出力されると、この生成用頻度データとの差分が小さい生成時系列データが補正部３０３によって選択されてデータ生成部２３６に出力される。

これにより、機械学習モデルＭを用いて生成用頻度データから生成時系列データを得る場合に、機械学習モデルＭの構造を変更しなくとも、生成時系列データの精度を向上させることができるようになる。

次に、図８を用いて、データ生成装置３００の特徴的な動作について説明する。ここでは、扱うデータが車速データである場合を例にとって説明する。

図８は、機械学習モデルＭから出力された生成時系列データ（高速道路区間車速時系列データ）の例を示す。図８からも分かるように、高速道路区間車速時系列データは、全ての時間領域において、ほぼ８０±２０［ｋｍ／ｈ］の範囲内で変動し、大きな差は無い。なお、ここでの高速道路区間車速時系列データとは、パーキングエリア内や料金所区間を除いたものである。

本実施の形態は、このような大きな差がない高速道路区間車速時系列データの中から、生成用頻度データとの差分が小さい領域の生成車速時系列データを選択するといった補正を行うものである。所望の長さＴ０の生成車速時系列データ（この所望の長さＴ０の生成車速時系列データとは、最終的に出力させたい時系列データの長さのことをいう）よりも長く車速時系列データの生成を行い、そこから所定の時間間隔ｔで所望の長さＴ０の複数の生成車速時系列データを切り取る。

そして、複数の生成車速時系列データを頻度データへと変換して生成用頻度データと比較し、最もよく一致する頻度データに対応する生成車速時系列データを選択して出力する。

ここで切り取る時間間隔ｔを大きくすると、候補となるデータ数を抑えることができるため、計算量を抑えることができる。しかし、切り取る時間間隔ｔを大きくすると、頻度データが入力側とより一致する箇所を見落とすおそれがある。逆に時間間隔ｔを小さくすると、候補となるデータ数を増やすことができるが、それに伴い計算量が増大してしまう。

これを考慮して、本実施の形態では、最初に切り取る時間間隔ｔを大きめに設定し、頻度データが一致する区間を大まかに把握した後、その区間周辺に限定して、切り取る時間間隔ｔを小さくして再探索を行う。

図９は、本実施の形態における生成車速時系列データの切り出し及び選択の説明に供する図である。

補正部３０３は、入力された生成車速時系列データ（高速道路区間車速時系列データ）を、図９Ａに示したように、所望の時間長Ｔ０を単位として複数個切り出す。この切り出しは、時間間隔ｔ１を隔てながら行われる。

補正部３０３は、切り出した複数の時間長Ｔ０の生成車速時系列データの中から、差分算出部３０２の差分値が最も小さい頻度データに対応する時間長Ｔ０の生成車速時系列データを選択して出力する。

なお上述したように、図９Ａのように時間間隔ｔ１で抽出した複数の時間長Ｔ０の中から１つを選択してデータ生成部２３６に出力してもよいが、図９Ｂに示したように、さらに時間間隔ｔ１よりも短い間隔で再探索を行って最終的な時間長Ｔ０の生成車速時系列データを選択してデータ生成部２３６に出力してもよい。

具体的に説明する。補正部３０３は、図９Ａで選択した時間長Ｔ０の生成車速時系列データに、当該生成車速時系列データの前後の所定時間分を加えた生成車速時系列データを再探索領域とする。補正部３０３は、この再探索領域の生成車速時系列データを、所望の時間長Ｔ０を単位として複数個切り出す。この切り出しは、時間間隔ｔ１よりも短い時間間隔ｔ２を隔てながら行われる。

補正部３０３は、切り出した複数の時間長Ｔ０の生成車速時系列データの中から、差分算出部３０２の差分値が最も小さい頻度データに対応する時間長Ｔ０の生成車速時系列データを選択して出力する。

＜６＞まとめ
以上説明したように、本実施の形態のモデル作成装置（制御部２３）は、車両Ｔが走行中に測定された車両Ｔの高速道路区間を走行中の時系列データを学習用時系列データとして取得する学習用時系列データ取得部２３１と、学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部２３２と、学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルＭを作成するモデル作成部２３５と、を有する。

本実施の形態のデータ生成装置（制御部２３）は、車両Ｔが高速道路区間を走行中に測定された車両Ｔの走行中の時系列データから時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部２３３と、車両Ｔの高速道路区間走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルＭに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部２３６と、機械学習モデルＭから出力される生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得る頻度データ生成部３０１と、前記頻度データと生成頻度データとの差分を算出する差分算出部３０２と、機械学習モデルＭから出力される生成時系列データの中から、差分算出部３０２により算出された差分が小さくなるような生成時系列データを選択して出力することで、生成時系列データを補正する補正部３０３と、を備え、補正部３０３は、生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、差分算出部３０２の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する。

このようにすることで、機械学習モデルを用いて頻度情報から時系列データを生成する場合に、機械学習モデルの構造を変更しなくとも、生成時系列データの精度を向上させることができるようになる。特に、長い生成時系列データの中から、最も入力側の頻度データと一致する生成時系列データを選択できるため、確実な精度向上が可能である。また、本実施の形態における機械学習モデルに対する変更は、出力する生成時系列データの時間軸の長さのみでよいので、機械学習モデルＭの構造自体を大きく変更する必要がない。

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

上述の実施の形態では、主に時系列データが車両Ｔの速度である場合について述べたが、上述したように時系列データは、これに限らず、例えば、車両Ｔの加速度、車両Ｔで使用される冷却水の温度、車両Ｔで使用される油の温度、車両Ｔのアクセル開度、車両Ｔの振動量など、車両Ｔの走行によりであり時間的に変化する種々のパラメータについての時系列データであり得る。

また、上述の実施の形態では、データ生成装置２がデータ収集装置１から時系列データ及び頻度データを取得する場合を例示したが、データ生成装置２がデータ収集装置１の機能を有しており、データ生成装置２が複数の車両Ｔから測定データを受信してもよい。

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

図８に示したような高速道路区間の時系列データの抽出は、学習用時系列データ取得部２３１で行ってもよく、モデル作成部２３５で行ってもよく、通信部２１で行ってもよく、或いは、データ生成装置３００の外部で行ってもよい。高速道路区間の時系列データの抽出は、例えば車両の位置情報に基づいて行ってもよく、車速に基づいて行ってもよい。

本発明は、車両走行中の車両に関する時系列データを、学習により少ないデータから再現する技術として広く用いることができる。

１ データ収集装置
２、３００ データ生成装置
２１ 通信部
２２ 記憶部
２３ 制御部
２３１ 時系列データ取得部
２３２ 学習用頻度データ取得部
２３３ 生成用頻度データ取得部
２３４ データ出力部
２３５ モデル作成部
２３６ データ生成部
３０１ 頻度データ生成部
３０２ 差分算出部
３０３ 補正部
Ｍ 機械学習モデル
Ｓ データ生成システム
Ｔ 車両

Claims (6)

1. 車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する学習用時系列データ取得部と、
   前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
   前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
   を備える、モデル作成装置。
2. 車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部と、
   前記車両の高速道路区間走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
   前記機械学習モデルから出力される前記生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得る頻度データ生成部と、
   前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出する差分算出部と、
   前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正する補正部と、
   を備え、
   前記補正部は、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する、
   データ生成装置。
3. 前記補正部は、前記生成時系列データから所定の時間間隔ｔ１で所定長さＴ０の生成時系列データを複数切り出し、かつ、切り出した複数の時間長Ｔ０の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長Ｔ０の生成時系列データを選択して出力する、
   請求項２に記載のデータ生成装置。
4. 前記補正部は、
   前記生成時系列データから所定の時間間隔ｔ１で所定長さＴ０の生成時系列データを複数切り出し、かつ、切り出した複数の時間長Ｔ０の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長Ｔ０の生成時系列データを選択し、
   選択した時間長Ｔ０の周辺領域の生成時系列データに対して、前記時間間隔ｔ１よりも短い時間間隔ｔ２で所定長さＴ０の生成時系列データを複数切り出し、かつ、切り出した複数の時間長Ｔ０の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長Ｔ０の生成時系列データを選択して出力する、
   請求項２に記載のデータ生成装置。
5. コンピューターが実行するモデル作成方法であって、
   車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
   前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
   前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
   を含む、モデル作成方法。
6. コンピューターが実行するデータ生成方法であって、
   車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
   前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
   前記機械学習モデルから出力される前記生成時系列データに関する発生頻度分布を示す頻度データを生成頻度データとして得るステップと、
   前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出するステップと、
   前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正するステップと、
   を含み、
   前記生成時系列データを補正するステップでは、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する、
   データ生成方法。

Images