JP7163894B2 - MODEL CREATED DEVICE AND MODEL CREATED METHOD - Google Patents
MODEL CREATED DEVICE AND MODEL CREATED METHOD Download PDFInfo
- Publication number
- JP7163894B2 JP7163894B2 JP2019175146A JP2019175146A JP7163894B2 JP 7163894 B2 JP7163894 B2 JP 7163894B2 JP 2019175146 A JP2019175146 A JP 2019175146A JP 2019175146 A JP2019175146 A JP 2019175146A JP 7163894 B2 JP7163894 B2 JP 7163894B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- data
- series data
- learning
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Description
本発明は、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及びモデル作成方法に関する。 The present invention relates to a model creation apparatus and model creation method for generating vehicle-related data.
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)。 A system is known that acquires data such as the speed and acceleration of a vehicle and manages the vehicle based on the acquired data (see, for example, Patent Literature 1).
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。 In order to grasp the state of a vehicle, it is desirable for the system to analyze time-series data composed of a large number of data that change over time. However, since the time-series data has a large data size, if the vehicle continues to transmit the time-series data, the communication load will be large. Therefore, there is a demand for a method that makes it easier to grasp the state of the vehicle while suppressing the amount of data transmitted by the vehicle.
そこで、本発明はこれらの点に鑑みてなされたものであり、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ためのモデル作成装置及びモデル作成方法を提供することを目的とする。 Therefore, the present invention has been made in view of these points, and it is an object of the present invention to provide a model creation apparatus and a model creation method for facilitating understanding of the state of a vehicle while suppressing the amount of data transmitted by the vehicle. aim.
本発明の第1の態様のモデル作成装置は、車両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と、前記学習用時系列データにおける前記パラメータの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前記学習用頻度データとを教師データとして機械学習することにより、前記パラメータの発生頻度データが入力されたことに応じて前記パラメータの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を記憶する記憶部と、前記学習用時系列データに基づいて特定される前記車両の所定の部材の状態と、前記生成時系列データに基づいて特定される前記所定の部材の状態と、の差に基づいて前記機械学習モデルの重みを更新するモデル作成部と、を有する。 A model generating device according to a first aspect of the present invention includes a time-series data acquisition unit that acquires time-series data of parameters measured while a vehicle is running as time-series data for learning, and A learning frequency data acquisition unit that acquires learning frequency data that indicates a parameter occurrence frequency distribution, and machine learning is performed using the learning time series data and the learning frequency data as teacher data, thereby obtaining the parameter occurrence frequency. a storage unit that stores a machine learning model that outputs generated time-series data that is time-series data of the parameters in response to data input; and a predetermined vehicle that is specified based on the time-series data for learning. and a model creating unit that updates the weight of the machine learning model based on the difference between the state of the member and the state of the predetermined member specified based on the generated time-series data.
前記時系列データ取得部は、前記学習用時系列データとして前記車両の速度の時系列データ及び加速度の時系列データを取得し、前記学習用頻度データ取得部は、前記学習用頻度データとして前記車両の速度の頻度データ及び加速度の頻度データを取得し、前記モデル作成部は、前記学習用時系列データに基づいて特定される燃費と、前記生成時系列データに基づいて特定される燃費との差に基づいて前記機械学習モデルの重みを更新してもよい。 The time-series data acquisition unit acquires speed time-series data and acceleration time-series data of the vehicle as the learning time-series data. The model creation unit obtains the speed frequency data and the acceleration frequency data, and the model creation unit determines the difference between the fuel efficiency specified based on the learning time-series data and the fuel efficiency specified based on the generated time-series data may update the weights of the machine learning model based on
前記車両がディーゼルエンジンを有しており、前記時系列データ取得部は、前記学習用時系列データとして前記車両の速度の時系列データ及び加速度の時系列データを取得し、前記学習用頻度データ取得部は、前記学習用頻度データとして前記車両の速度の頻度データ及び加速度の頻度データを取得し、前記モデル作成部は、前記学習用時系列データに基づいて特定されるディーゼル微粒子捕集フィルタの状態と、前記生成時系列データに基づいて特定されるディーゼル微粒子捕集フィルタの状態との差に基づいて前記機械学習モデルの重みを更新してもよい。 The vehicle has a diesel engine, and the time-series data acquisition unit acquires the speed time-series data and the acceleration time-series data of the vehicle as the learning time-series data, and acquires the learning frequency data. The unit acquires speed frequency data and acceleration frequency data of the vehicle as the learning frequency data, and the model creation unit calculates the state of the diesel particulate filter specified based on the learning time-series data. and the state of the diesel particulate filter identified based on the generated time-series data.
前記モデル作成部は、前記所定の部材を特定するための情報を外部装置から取得してもよい。 The model creation unit may acquire information for specifying the predetermined member from an external device.
前記モデル作成部は、前記生成時系列データの使用目的を外部装置から取得し、取得した前記使用目的に基づいて前記所定の部材を特定してもよい。 The model creation unit may acquire the purpose of use of the generated time-series data from an external device, and identify the predetermined member based on the acquired purpose of use.
前記モデル作成装置は、所定の時系列データが前記車両で測定された期間における前記車両の前記所定の部材の状態の変化に対応する第1情報と、前記所定の時系列データが入力された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基づいて特定される前記所定の部材の状態の変化に対応する第2情報との差に基づいて前記機械学習モデルを評価した結果を前記モデル作成部に対して出力するモデル評価部をさらに有してもよい。 The model generating device receives first information corresponding to changes in the state of the predetermined member of the vehicle during a period in which predetermined time-series data was measured in the vehicle, and the predetermined time-series data. The model creation is performed based on the result of evaluating the machine learning model based on the difference from the second information corresponding to the change in the state of the predetermined member specified based on the generated time-series data output from the machine learning model. You may further have a model evaluation part outputting with respect to a part.
本発明の第2の態様のモデル作成方法は、コンピュータが実行する、車両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ステップと、前記学習用時系列データにおける前記パラメータの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前記学習用頻度データとを教師データとして機械学習することにより、前記パラメータの発生頻度データが入力されたことに応じて前記パラメータの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の重みを更新するステップと、前記学習用時系列データに基づいて特定される前記車両の所定の部材の状態と、前記生成時系列データに基づいて特定される前記所定の部材の状態と、の差に基づいて前記機械学習モデルの重みを更新するステップと、を有する。 A model creation method according to a second aspect of the present invention comprises a computer-executed step of acquiring time-series data of parameters measured while a vehicle is running as learning time-series data; The occurrence frequency data of the parameter is input by obtaining learning frequency data indicating the occurrence frequency distribution of the parameter, and performing machine learning using the learning time-series data and the learning frequency data as teacher data. a step of updating weights of a machine learning model that outputs generated time-series data, which is time-series data of the parameters, in accordance with the above-mentioned parameter; updating the weights of the machine learning model based on the difference between the state and the predetermined member state identified based on the generated time-series data.
本発明によれば、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ことができるという効果を奏する。 ADVANTAGE OF THE INVENTION According to this invention, it is effective in being able to make it easy to grasp the state of a vehicle, suppressing the data amount which a vehicle transmits.
[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。
[Overview of data generation system S]
FIG.1 and FIG.2 is a figure for demonstrating the outline|summary of the data generation system S. FIG. The data generation system S is a system for generating time-series data of various parameters based on frequency data of various parameters measured in the vehicle T. FIG. A data generation system S includes a
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3(a)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3(b)に示すように、頻度データは、所定の期間内にパラメータの値として想定し得る複数の値が発生した頻度の分布を示すデータである。頻度データは、パラメータを一階微分した値が発生した頻度の分布を示すデータであってもよい。 FIG. 3 is a diagram showing an overview of time-series data and frequency data. As shown in FIG. 3(a), the time-series data is data indicating parameter values that change with time, and is composed of, for example, values of the speed of the vehicle T every second. As shown in FIG. 3(b), the frequency data is data indicating the frequency distribution of occurrence of a plurality of values that can be assumed as parameter values within a predetermined period. The frequency data may be data indicating the frequency distribution of occurrence of values obtained by first-order differentiation of parameters.
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。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。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。加速度の頻度データは、車両Tの複数の速度それぞれに対応する複数の加速度の頻度データを含んでいてもよい。 When the parameter is the speed of the vehicle T, the frequency data is N km/h (N is an integer of 0 or more) is data indicating the time or rate at which the state occurred. If the parameter is the speed of the vehicle T, the frequency data may be data indicating the time or rate at which a predetermined acceleration occurs within a unit time. The acceleration takes a positive value while the vehicle T is accelerating, and takes a negative value while the vehicle T is decelerating. The acceleration frequency data may include a plurality of acceleration frequency data corresponding to a plurality of velocities of the vehicle T, respectively.
車両Tにおいて測定されるパラメータは、例えば、車両Tの速度、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の振動量の少なくともいずれかである。車両Tの管理者は、このようなパラメータの時系列データを分析することで、車両Tの燃費、車両Tの劣化度、車両Tの運転者による運転の質等の各種の情報を得ることができる。ところが、車両Tから頻度データしか得ることができない場合、このような情報を得ることが困難である。 The parameters measured in the vehicle T are, for example, the speed of the vehicle T, the acceleration of the vehicle T, the temperature of cooling water used in the vehicle T, the temperature of oil used in the vehicle T, the accelerator opening of the vehicle T, the vehicle At least one of the vibration amounts of T. By analyzing the time-series data of such parameters, the manager of the vehicle T can obtain various types of information such as the fuel efficiency of the vehicle T, the degree of deterioration of the vehicle T, and the quality of driving by the driver of the vehicle T. can. However, if only frequency data can be obtained from the vehicle T, it is difficult to obtain such information.
そこで、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。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。 Therefore, the data generation system S creates a machine learning model by machine learning (for example, deep learning) using time series data and frequency data of parameters measured in the vehicle T as teacher data, and using the created machine learning model, It is possible to generate time-series data based on the frequency data obtained from the vehicle T. By analyzing the time-series data generated by the data generation system S, the manager of the vehicle T can obtain various types of information such as the fuel efficiency, the degree of deterioration, and the quality of driving of the vehicle T.
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である。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である。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。
The outline of the data generation system S will be described below with reference to FIGS. 1 and 2. FIG. The
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間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))。
FIG. 1 is a diagram showing the operation of the data generation system S while the
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が時系列データ及び頻度データをデータ生成装置2に送信してもよい。
The
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、データ収集装置1に対して測定したパラメータの頻度データを送信する(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))。
Next, with reference to FIG. 2, the operation after the
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。
With the flow described above, a user such as an administrator of the vehicle T who uses the
[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。
[Configuration and Operation of Data Generating Device 2]
FIG. 4 is a diagram showing the configuration of the
通信部21は、ネットワークNを介してデータ収集装置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を含む。通信部21は、外部装置から受信したデータを制御部23に通知し、制御部23から入力されたデータを外部装置へと送信する。
The
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。
The
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。
The
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する。時系列データ取得部231は、取得した学習用時系列データをモデル作成部235に入力する。
The time-series
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、例えば、学習用時系列データに対応するパラメータの発生頻度分布を示す学習用頻度データと、当該パラメータの一階微分値の発生頻度分布を示す学習用頻度データとを取得する。
The learning frequency
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と、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とを取得する。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に入力する。
When the learning time-series data is speed time-series data, the learning frequency
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、例えば通信部21を介して、データ収集装置1から生成用速度頻度データ及び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に入力する。
The generation frequency
データ出力部234は、生成用頻度データ取得部233がデータ生成部236に入力した生成用頻度データに基づいて機械学習モデルMから出力された生成時系列データを出力する。データ出力部234は、例えば、データ生成部236から入力された生成時系列データを、通信部21を介して外部の装置に送信する。
The
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。
The
モデル作成部235は、学習用時系列データと、対応する学習用頻度データと、を教師データとし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。
The
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は、生成した生成時系列データをデータ出力部234に入力することにより、外部に出力することができる。
The
[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。
[Method for creating machine learning model M]
FIG. 5A is a diagram showing an overview of processing by the
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。 As shown in FIG. 5, the machine learning model M is composed of a deep neural network (DNN) as an example. A DNN has a plurality of layers from an input layer to an output layer, and variable weights are provided for each of the plurality of nodes included in each layer. The weights before the machine learning model M learns are initial values.
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、入力した学習用頻度データに対応する学習用時系列データとを比較する。
As shown in FIG. 5A, the
モデル作成部235は、機械学習モデルM-2(又は機械学習モデルM-1)に学習用速度頻度データ及び学習用加速度頻度データを入力した際に機械学習モデルM-2(又は機械学習モデルM-1)から出力される生成時系列データと、学習用速度頻度データ及び学習用加速度頻度データに対応する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の重みを更新する。
When the learning speed frequency data and the learning acceleration frequency data are input to the machine learning model M-2 (or the machine learning model M-1), the
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、生成時系列データを逆伝搬させ、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-2(又は機械学習モデルM-1)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。
For example, when the difference between the generated time-series data and the learning time-series data is equal to or greater than a threshold, the
モデル作成部235が機械学習モデルM-1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。
After the
[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している。
[Flow of processing in data generation device 2]
FIG. 6 is a flow chart showing the flow of processing in the
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S1)。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S2)。ステップS1とステップS2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。
When receiving an instruction to create the machine learning model M, the
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、頻度データに対応する時系列データとの相関度が閾値以上である場合に、評価した結果が基準レベル以上であると判定する。
The
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)。
When the
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)。
After that, when the
[教師データとして勾配データを使用]
以上の説明においては、モデル作成部235が速度の学習用時系列データ、速度の学習用頻度データ及び加速度の学習用頻度データを用いて機械学習モデルMを作成する場合を例示したが、モデル作成部235は他のデータを用いて機械学習モデルMを作成してもよい。
[Use gradient data as training data]
In the above description, the case where the
例えば、学習用頻度データ取得部232は、学習用時系列データが取得された間に車両Tが走行した場所の勾配を示す学習用勾配データを教師データとしてさらに取得し、モデル作成部235が学習用勾配データをさらに用いて機械学習してもよい。学習用勾配データは、時系列データ及び頻度データの少なくともいずれかを含んでよい。
For example, the learning frequency
この場合、モデル作成部235は、機械学習モデルMに学習用速度頻度データ、学習用加速度頻度データ及び学習用勾配頻度データを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、学習用速度頻度データ、学習用加速度頻度データ及び学習用勾配頻度データに対応する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の重みを更新する。このように、モデル作成部235が、複数のパラメータのデータを教師データとしてさらに用いることにより、モデル作成部235が出力する生成時系列データの精度が向上する。特に、モデル作成部235が、速度及び加速度と密接な関係を有する勾配のデータを用いることで、生成時系列データの精度が向上する。
In this case, the
[教師データとして水温・油温度等を使用]
モデル作成部235は、変化速度の傾向が異なる複数の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用いて機械学習モデルMを作成してもよい。第1パラメータは、例えば車両Tの速度及び加速度の少なくともいずれかであり、第2パラメータは、例えば車両Tで使用される冷却水の温度及び油の温度の少なくともいずれかである。油は、例えばエンジンオイル、ブレーキオイル、ミッションオイル、デフオイルである。
[Use water temperature, oil temperature, etc. as teaching data]
The
時系列データ取得部231は、車両Tが走行中に測定された第1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。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第1パラメータの発生頻度分布を示す第1学習用頻度データと、第1パラメータよりも変化速度が遅い第2パラメータの発生頻度分布を示す第2学習用頻度データとを取得する。
The time-series
モデル作成部235は、時系列データ取得部231が取得した第1パラメータの学習用時系列データと、学習用頻度データ取得部232が取得した第1学習用頻度データ及び第2学習用頻度データとを教師データとして機械学習することにより、第1パラメータの発生頻度データ及び第2パラメータの発生頻度データが入力されたことに応じて第1パラメータの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。
The
この場合、モデル作成部235は、機械学習モデルMに第1学習用頻度データ及び第2学習用頻度データを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、第1学習用頻度データ及び第2学習用頻度データに対応する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の重みを更新する。モデル作成部235は、第1パラメータの値及び第2パラメータの値の一階微分値の頻度データをさらに教師データとして用いてもよい。
In this case, the
モデル作成部235が機械学習モデルMを作成した後には、生成用頻度データ取得部233が、生成時系列データを生成するために用いられる第1パラメータに対応する第1生成用頻度データ及び第2パラメータに対応する第2生成用頻度データを取得する。データ生成部236は、生成用頻度データ取得部233が取得した第1生成用頻度データ及び第2生成用頻度データを機械学習モデルMに入力し、機械学習モデルMから出力される第1パラメータの生成時系列データを取得する。データ出力部234は、データ生成部236が取得した生成時系列データを出力する。
After the
モデル作成部235が、このように変化速度の傾向が異なる複数の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して機械学習モデルMを作成することにより、第1パラメータの複数の異なる時系列データに対応する頻度データが類似しているとしても、第2パラメータの頻度データが異なり得る。したがって、第2パラメータの頻度データも併用することで、第1パラメータの頻度データだけを機械学習モデルMに入力する場合に比べて、生成時系列データの精度が向上する。
The
第2パラメータが冷却水又は油の温度である場合、車両Tが低速で走行している間は低い温度の頻度が高く、車両Tが高速で走行を継続すると高い温度の頻度が高くなる。したがって、冷却水又は油の温度の頻度データも併用することで、データ生成装置2は、車両Tの速度の変化の傾向がより反映された時系列データを生成することが可能になる。
When the second parameter is the temperature of cooling water or oil, the frequency of low temperatures is high while the vehicle T is traveling at low speed, and the frequency of high temperatures is high when the vehicle T continues to travel at high speed. Therefore, by also using the frequency data of the cooling water or oil temperature, the
[複数の機械学習モデルMの利用]
車両Tの重量が異なると、速度の変化パターンが異なる場合がある。時系列データを生成する対象となる車両Tの重量が大きいにもかかわらず、重量が小さい車両Tで測定された教師データを用いて機械学習した機械学習モデルMをデータ生成部236が使用すると、適切な生成時系列データを出力できない蓋然性が高まる。
[Use of multiple machine learning models M]
Different weights of the vehicle T may result in different speed change patterns. When the
そこで、モデル作成部235は、車両Tの重量を特定し、特定した重量に対応する複数の機械学習モデルMを作成してもよい。モデル作成部235は、例えば時系列データ取得部231が学習用時系列データとともに取得した車両Tの識別情報(例えば車体番号)又は重量を示す情報に基づいて車両Tの重量を特定する。
Therefore, the
モデル作成部235は、教師データとして使用する学習用時系列データ及び学習用頻度データが取得された車両Tの重量が第1の範囲である場合に第1の機械学習モデルMの機械学習を実行し、車両Tの重量が第1の範囲と異なる第2の範囲である場合に第2の機械学習モデルMの機械学習を実行する。モデル作成部235が作成する機械学習モデルMの数は任意であり、モデル作成部235は、3個以上の機械学習モデルMを作成してもよい。
The
データ生成部236は、生成用頻度データ取得部233が生成用頻度データとともに取得した車両Tの識別情報又は重量を示す情報に基づいて車両Tの重量を特定する。データ生成部236は、特定した重量に対応する機械学習モデルMに生成用頻度データを入力することにより、生成時系列データを取得する。このように、データ生成装置2が車両Tの重量に対応する複数の機械学習モデルMを用いることで、頻度データに基づいて生成される時系列データの精度を向上させることができる。
The
[学習用データの自動生成]
機械学習モデルMの性能を向上させるには、教師データが多いことが望ましい。しかしながら、車両Tにおいて測定されたデータを大量に取得するには長時間を要する。そこで、データ生成装置2は、車両Tにおいて測定されたデータに基づく時系列データを用いて、複数の学習用時系列データ及び複数の学習用頻度データを作成してもよい。
[Automatic generation of learning data]
In order to improve the performance of the machine learning model M, it is desirable that there is a large amount of teacher data. However, it takes a long time to acquire a large amount of data measured on the vehicle T. Therefore, the
図7は、学習用時系列データ及び学習用頻度データを作成する場合のデータ生成装置2の構成を示す図である。図7に示すデータ生成装置2は、学習用時系列データ作成部237及び学習用頻度データ作成部238を有し、学習用頻度データ取得部232を有しない点で、図4に示したデータ生成装置2と異なり、他の点では同じである。
FIG. 7 is a diagram showing the configuration of the
学習用時系列データ作成部237は、時系列データ取得部231が取得した、車両Tにおいて実測された時系列データを分割して複数の分割時系列データを作成し、作成した複数の分割時系列データから選択した複数の選択時系列データを並べ替えて学習用時系列データを作成する。学習用時系列データ作成部237は、作成した学習用時系列データを学習用頻度データ作成部238に入力する。また、学習用時系列データ作成部237は、作成した学習用時系列データをモデル作成部235に入力する。
The learning time-series
学習用頻度データ作成部238は、学習用時系列データ作成部237から入力された学習用時系列データにおけるパラメータの発生頻度分布を示す学習用頻度データを作成する。学習用頻度データ作成部238は、作成した学習用頻度データをモデル作成部235に入力する。
The learning frequency
モデル作成部235は、学習用時系列データ作成部237から入力された学習用時系列データ及び学習用頻度データ作成部238から入力された学習用頻度データを教師データとして用いて機械学習をして機械学習モデルMの重みを更新する。モデル作成部235は、時系列データ取得部231が取得した実測時系列データ及び当該実測時系列データに対応する頻度データも教師データとして使用してもよい。
The
図8は、学習用時系列データ及び学習用頻度データの作成方法の概要を示す図である。図8(a)は、時系列データ取得部231が取得した実測時系列データの例を示す図である。図8(b)は、図8(a)に示した実測時系列データを分割し、分割した複数の分割時系列データの一部を並べ替えて作成された学習用時系列データの一例を示す図である。図8(b)においては、図8(a)における分割時系列データA~Jのうち、H、D、I、Aの順に並べられた学習用時系列データ、及びF、J、C、B、Cの順に並べられた学習用時系列データが示されている。図8(c)は、図8(b)に示す学習用時系列データに基づいて作成された学習用頻度データの例を示す図である。
FIG. 8 is a diagram showing an outline of a method for creating learning time-series data and learning frequency data. FIG. 8A is a diagram showing an example of measured time-series data acquired by the time-series
学習用時系列データ作成部237は、実測時系列データにおけるパラメータの値が0である時点で実測時系列データを分割することにより、複数の分割時系列データを作成する。そして、学習用時系列データ作成部237は、実測時系列データにおけるパラメータの値が0から0よりも大きな値に変化する時点から、0よりも大きな値から0に変化する時点までを分割時系列データとする(例えば、図8(a)に符号A~Jで示す時系列データ)。学習用時系列データ作成部237がこのようにして分割時系列データを作成することにより、複数の分割時系列データを結合した際に、結合時点でデータが急激に変化することを防げる。したがって、学習用時系列データ作成部237は、作成した複数の分割時系列データのうち、任意の分割時系列データを任意の順序で並べることができる。
The learning time-series
学習用頻度データ作成部238は、学習用時系列データ作成部237が作成した学習用時系列データに含まれているパラメータの値(例えば車両Tの速度)の発生頻度分布を特定することにより、第1の学習用頻度データ(例えば学習用速度頻度データ)を作成する。その際、学習用頻度データ作成部238は、学習用時系列データを一階微分して得た時系列データに含まれる値(例えば車両Tの加速度)の発生頻度分布を特定することにより、第1の学習用頻度データと異なる第2の学習用頻度データ(例えば学習用加速度頻度データ)を作成してもよい。学習用頻度データ作成部238がこのようにして学習用頻度データを作成することで、1つの学習用時系列データから多数の学習用頻度データを作成することができる。
The learning frequency
なお、学習用時系列データ作成部237は、同一の組み合わせの複数の選択時系列データを複数の異なる順序で並べ替えて、複数の学習用時系列データを作成してもよい。同一の複数の選択時系列データに基づいて学習用時系列データを作成したとしても、それぞれの選択時系列データの間の期間(時系列データの値が0の期間)が異なるようにすることで、学習用頻度データ作成部238は、それぞれの学習用時系列データから異なる学習用頻度データを作成することができる。
Note that the learning time-series
複数の選択時系列データの間の期間が同一である場合、すなわち時系列データの値が0の期間が同一である場合、複数の学習用時系列データに基づいて学習用頻度データ作成部238が作成する学習用時系列頻度データは同一になる。この場合、データ生成部236が1つの生成時系列頻度データを機械学習モデルMに入力した際に、複数の生成時系列データの候補が発生し得る。このような場合であっても、他のパラメータの学習用時系列データ及び学習用頻度データと併用することにより、機械学習モデルMが、複数の生成時系列データの候補から、最適な生成時系列データを出力することが可能である。学習用時系列データ作成部237及び学習用頻度データ作成部238がこのような構成を有することで、学習用頻度データの数を増やしつつ、生成時系列データの精度を維持することができる。
When the periods between the selected time-series data are the same, that is, when the time-series data values are 0 for the same period, the learning frequency
[フィルタによる最適化]
モデル作成部235が、機械学習モデルMから出力される生成時系列データと機械学習モデルMに入力される頻度データに対応する時系列データとの差に基づいて重みを調整する場合、生成時系列データに高周波成分が存在することにより差が大きくなり過ぎて、過度に重みが調整されてしまう場合がある。そこで、モデル作成部235は、機械学習モデルMが出力する生成時系列データにおける閾値(すなわちカットオフ周波数)以上の周波数成分を除去する低周波通過フィルタをさらに有してもよい。
[Optimization by filter]
When the
図9は、モデル作成部235が低周波通過フィルタFを有するデータ生成装置2の構成を示す図である。モデル作成部235は、機械学習モデルMに学習用頻度データを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、学習用頻度データに対応する学習用時系列データとの差分に基づいて、低周波通過フィルタFの特性を更新する。モデル作成部235は、例えば、差分が所定の値以上である場合に、低周波通過フィルタFのカットオフ周波数を低くするように低周波通過フィルタFの係数又は構成を変更する。
FIG. 9 is a diagram showing the configuration of the
ただし、低周波通過フィルタFのカットオフ周波数が低くなり過ぎると、生成時系列データを用いて分析する目的において生成時系列データが役立たないものになってしまう。そこで、モデル作成部235は、生成時系列データを使用するユーザから使用目的を示す情報を取得し、取得した使用目的に関連付けて予め記憶部22に記憶された最低周波数以上にカットオフ周波数がなるようにしてもよい。
However, if the cutoff frequency of the low frequency pass filter F becomes too low, the generated time series data will be useless for the purpose of analysis using the generated time series data. Therefore, the
例えば、生成時系列データが速度の時系列データである場合、当該生成時系列データを分析することにより車両Tの燃費を特定することができる。また、当該生成時系列データを分析することにより、運転者の運転スキルを評価することもできる。 For example, when the generated time-series data is speed time-series data, the fuel consumption of the vehicle T can be specified by analyzing the generated time-series data. Also, by analyzing the generated time-series data, it is possible to evaluate the driving skill of the driver.
運転手の運転スキルを評価する際には、速度の細かい変動を示す情報の重要度が、燃費を特定する際に比べて低いと考えられる。そこで、モデル作成部235は、車両Tの速度を示す生成時系列データが燃費の特定に用いられる場合のカットオフ周波数を、生成時系列データが運転スキルの評価に用いられる場合のカットオフ周波数よりも高くする。モデル作成部235が、このように、機械学習モデルMの使用目的に応じて低周波通過フィルタFの特性を変えることで、生成時系列データの使用目的に適した生成時系列データを出力することができる。
When evaluating a driver's driving skill, the importance of information showing fine fluctuations in speed is considered to be less important than when specifying fuel consumption. Therefore, the
機械学習モデルMの後段に低周波通過フィルタFが設けられている場合、モデル作成部235は、機械学習モデルMに学習用頻度データを入力した際に低周波通過フィルタFから出力される生成時系列データと、学習用頻度データに対応する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の重みを更新してもよい。このようにすることで、モデル作成部235は、低周波通過フィルタFを用いた場合に機械学習モデルMの重みを最適化することができる。
When the low-frequency pass filter F is provided after the machine learning model M, the
なお、モデル作成部235が機械学習モデルMの重みを決定した後に低周波通過フィルタFの特性を更新してしまうと、更新後の低周波通過フィルタFの特性においては機械学習モデルMの重みが最適でないという場合が生じ得る。そこで、モデル作成部235は、低周波通過フィルタFの特性の更新と、機械学習モデルMの重みの更新とを順番に実行してもよい。
Note that if the
具体的には、モデル作成部235は、機械学習モデルMの重みを更新すると、重みが更新された機械学習モデルMから出力される生成時系列データと、機械学習モデルMに入力された頻度データに対応する時系列データとの差分に基づいて低周波通過フィルタFの特性を更新する。続いて、モデル作成部235は、低周波通過フィルタFの特性が更新された状態で機械学習モデルMが出力する生成時系列データと低周波通過フィルタFから出力される時系列データとの差分に基づいて機械学習モデルM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、機械学習モデルMに入力された頻度データに対応する時系列データとの差分が所定の大きさ以下になるまでこれらの処理を繰り返すことで、機械学習モデルMの重みと低周波通過フィルタFの特性を最適化することができる。
Specifically, when the weight of the machine learning model M is updated, the
[機械学習モデルMの評価に基づく重みの更新]
機械学習モデルMが出力する生成時系列データと機械学習モデルMに入力される頻度データに対応する時系列データとの差分に基づいて、モデル作成部235が機械学習モデルMの重みを更新したとしても、重みが更新された機械学習モデルMが出力する生成時系列データが、時系列データの使用目的において最適な状態になっているとは限らない。例えば速度の生成時系列データに基づいて車両Tの燃費を解析する場合、生成時系列データに基づいて特定される燃費と実際の燃費との差が小さい方が好ましい。そこで、データ生成装置2は、この差が小さくなるように機械学習モデルMの重みを更新する。
[Updating Weight Based on Evaluation of Machine Learning Model M]
Based on the difference between the generated time-series data output by the machine learning model M and the time-series data corresponding to the frequency data input to the machine learning model M, the
図10は、生成時系列データの使用目的に適した機械学習モデルMになっているか否かを評価し、評価結果に基づいて機械学習モデルMを更新することが可能なデータ生成装置2の構成を示す図である。図10に示すデータ生成装置2は、モデル評価部239をさらに有するという点で、図4に示したデータ生成装置2と異なり、他の点で同じである。モデル作成部235がモデル評価部239を含んでいてもよい。
FIG. 10 shows the configuration of a
モデル評価部239は、所定の時系列データが測定された期間における車両Tの所定の部材の状態の変化に対応する第1情報と、所定の時系列データが入力された機械学習モデルMから出力される生成時系列データに基づいて特定される所定の部材Tの状態の変化に対応する第2情報との差に基づいて機械学習モデルMを評価した結果をモデル作成部235に対して出力する。所定の部材は、車両Tの走行に伴って状態が変化する部材であり、例えば燃料、ディーゼル微粒子捕集フィルタ(DPF)、各種のオイル、バッテリーである。所定の部材は、例えばデータ生成システムSを利用するユーザ(例えば車両Tの管理者)により設定され、モデル作成部235又はモデル評価部239が外部装置から取得する。モデル作成部235又はモデル評価部239は、外部装置から生成時系列データの使用目的を取得し、取得した使用目的に基づいて所定の部材を特定してもよい。
The
モデル評価部239は、時系列データ取得部231が取得した所定の時系列データに基づいて第1情報を作成してもよく、外部装置から第1情報を取得してもよい。所定の時系列データは、時系列データ取得部231が取得した学習用時系列データであってもよく、生成用頻度データ取得部233が取得した他の時系列データであってもよい。
The
モデル作成部235は、モデル評価部239から入力された評価結果に基づいて機械学習モデルMの重みを更新する。具体的には、モデル作成部235は、評価結果がユーザにより設定された基準レベル未満である場合に機械学習モデルMの重みを更新し、評価結果が基準レベル以上である場合に機械学習モデルMの重みを更新しない。モデル作成部235は、第1情報と第2情報との差が基準値よりも大きい場合に機械学習モデルMの重みを更新し、差が基準値以下である場合に機械学習モデルMの重みを更新しないようにしてもよい。モデル作成部235は、差が基準値以下になるまで、機械学習モデルMの重みを更新して差を算出する処理を繰り返す。
The
一例として、時系列データ取得部231が、所定の時系列データとして車両Tの速度の時系列データ及び加速度の時系列データを取得し、学習用頻度データ取得部232が、所定の時系列データに対応する所定の頻度データとして車両Tの速度の頻度データ及び加速度の頻度データを取得したとする。この場合、モデル評価部239は、所定の時系列データに基づいて特定される燃費(第1情報に対応)と、所定の頻度データを機械学習モデルMに入力した場合に機械学習モデルMから出力される生成時系列データに基づいて特定される燃費(第2情報に対応)との差に基づいて機械学習モデルMを評価した結果を出力する。
As an example, the time-series
モデル評価部239は、第1情報と第2情報との差が小さければ小さいほど機械学習モデルMの評価を高くし、差が大きければ大きいほど機械学習モデルMの評価を低くする。モデル作成部235は、モデル評価部239が特定した第1情報としての燃費と第2情報としての燃費との差に基づいて機械学習モデルMの重みを更新する。
The
モデル評価部239は、機械学習モデルMに入力する頻度データが車両Tで取得された期間に車両Tが走行した間の所定の部材の変化の状態を外部装置(例えばデータ収集装置1)から取得してもよい。所定の部材が燃料である場合、モデル評価部239は、車両Tが走行した距離と、試験期間中の燃料の減少量(すなわち消費量)とに基づいて算出された燃費を示す情報を取得する。また、モデル評価部239は、当該期間に取得された頻度データを機械学習モデルMに入力した場合に機械学習モデルMから出力される生成時系列データにより特定される車両Tの速度の履歴に基づいて、燃費を算出する。モデル評価部239は、取得した車両Tの実際の燃費と算出した燃費とを比較し、差に対応する評価結果を出力する。
The
車両Tがディーゼルエンジンを有しており、所定の時系列データが車両Tの速度の変化を示す時系列データであり、所定の頻度データが車両Tの速度の発生頻度分布及び加速度の発生頻度分布を示すデータである場合、モデル評価部239は、ディーゼル微粒子捕集フィルタ(以下、DPFという。)の状態に基づいて機械学習モデルMを評価してもよい。
The vehicle T has a diesel engine, the predetermined time-series data is time-series data indicating changes in the speed of the vehicle T, and the predetermined frequency data is the occurrence frequency distribution of the speed of the vehicle T and the occurrence frequency distribution of the acceleration of the vehicle T. , the
具体的には、モデル評価部239は、所定の時系列データが測定された期間内のDPFの状態の変化に対応する第1情報と、生成時系列データに基づいて特定されるDPFの状態の変化に対応する第2情報との差に基づいて機械学習モデルMを評価した結果を出力する。DPFの状態の変化に対応する情報は、例えば、DPFに蓄積された粒子状物質(PM)の量を示す情報である。この場合においても、モデル作成部235は、第1情報と第2情報との差に基づいて機械学習モデルMの重みを更新する。DPFの状態と車両Tの速度とは相関度が高く、例えば、車両Tが低速走行をする期間が長いと、DPFに粒子状物質が蓄積されやすい。そこで、モデル作成部235が、車両Tの速度との相関度が高いDPFの状態に基づく評価結果を用いて機械学習モデルMの重みを更新することにより、機械学習モデルMの精度が向上する。
Specifically, the
燃費及びDPFの状態の変化は、車両Tが走行した道路の勾配の変化によっても影響される。そこで、モデル作成部235は、所定の時系列データが取得された間に車両Tが走行した場所の勾配の頻度を示す所定の勾配頻度データを教師データとしてさらに取得して機械学習をしてもよい。この場合、モデル作成部235は、機械学習モデルMに所定の速度頻度データ、所定の加速度頻度データ及び所定の勾配頻度データを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、所定の速度頻度データ、所定の加速度頻度データ及び所定の勾配頻度データに対応する所定の時系列データとの差分に基づいて、機械学習モデルMの重みを更新する。そして、モデル評価部239は、燃費又はDPFの状態の変化に基づいて機械学習モデルMを評価する。
Changes in fuel consumption and DPF state are also affected by changes in the gradient of the road on which the vehicle T travels. Therefore, the
[モデル評価装置]
モデル評価部239の機能は、データ生成装置2と異なるモデル評価装置において実現されてもよい。図11は、モデル評価装置3の構成を示す図である。モデル評価装置3は、例えばコンピュータであり、通信部31と、記憶部32と、制御部33とを有する。制御部33は、時系列データ取得部331と、情報作成部332と、評価結果出力部333とを有する。
[Model evaluation device]
The function of the
通信部31は、通信部21と同等の機能を有しており、ネットワークNを介してデータを送受信するための通信インターフェースを有する。通信部31は、例えばデータ生成装置2から、機械学習モデルMに入力された頻度データに対応する時系列データ、及び機械学習モデルMが出力した時系列データを受信し、受信したデータを時系列データ取得部331に入力する。また、通信部31は、評価結果出力部333から入力された評価結果をデータ生成装置2に送信する。
The
記憶部32は、ROM、RAM、及びハードディスクを含む。記憶部32は、制御部33が実行するプログラムを記憶する。また、記憶部32は、通信部31を介して受信した各種のデータを一時的に記憶する。
The
制御部33は、例えばCPUであり、記憶部32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331、情報作成部332及び評価結果出力部333として機能する。
The
時系列データ取得部331は、通信部31を介して、所定の時系列データに対応するパラメータの頻度データが入力された機械学習モデルMが出力する上記パラメータの生成時系列データを取得する。また、時系列データ取得部331は、通信部31を介して、生成時系列データを出力した機械学習モデルMに入力された所定の時系列データを取得する。時系列データ取得部331は、所定の時系列データを生成時系列データとともにデータ生成装置2から取得してもよく、生成時系列データと別に取得してもよい。また、時系列データ取得部331は、所定の時系列データとともに、所定の時系列データが取得された期間に車両Tが走行した距離を示す情報を取得してもよい。
The time-series
情報作成部332は、時系列データ取得部331が取得した時系列データに基づいて特定される車両Tの所定の部材の状態の変化を示す情報を生成する。具体的には、情報作成部332は、所定の時系列データが測定された期間における車両Tの所定の部材の状態の変化に対応する第1情報と、生成時系列データに基づいて特定される所定の部材の状態の変化に対応する第2情報とを作成する。
The
所定の時系列データが車両Tの速度の時系列データである場合、情報作成部332は、所定の時系列データが測定された期間内の車両Tの燃費である第1情報を作成する。具体的には、機械学習モデルMが、速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、速度の時系列データを一階微分して得られる時系列データにおける加速度の発生頻度分布を示す加速度頻度データと、を教師データとして機械学習して作成された場合、情報作成部332は、車両Tの速度との相関度が高い燃費を第1情報とする。
When the predetermined time-series data is time-series data of the speed of the vehicle T, the
情報作成部332は、例えば所定の時系列データにおける速度と、予め記憶部32に記憶された速度と燃料噴射量との関係と、に基づいて算出される燃料消費量を、所定の時系列データが取得された期間の走行距離で除算することにより、第1情報に対応する燃費を算出する。また、情報作成部332は、機械学習モデルMが生成した生成時系列データにおける速度と、予め記憶部32に記憶された速度と燃料噴射量との関係と、に基づいて算出される燃料消費量を走行距離で除算することにより、第2情報に対応する燃費を算出する。
The
車両Tがディーゼルエンジンを有している場合、情報作成部332は、所定の時系列データが測定された期間内のDPFの状態の変化に対応する第1情報と、生成時系列データに基づいて特定されるDPFの状態の変化に対応する第2情報とを作成してもよい。
When the vehicle T has a diesel engine, the
評価結果出力部333は、情報作成部332が作成した第1情報及び第2情報との差に基づいて機械学習モデルMを評価した結果を出力する。評価結果出力部333は、差が小さければ小さいほど機械学習モデルMの評価を高くし、差が大きければ大きいほど機械学習モデルMの評価を低くする。評価結果出力部333は、例えば、通信部31を介して評価結果をデータ生成装置2に送信する。評価結果出力部333は、評価結果をディスプレイに表示させてもよく、プリンタに印刷させてもよい。
The evaluation
このように、機械学習モデルMが出力できる時系列データのパラメータとの相関度が高い部材の状態の変化に基づいてモデル評価装置3が機械学習モデルMを評価することで、機械学習モデルMの管理者又は作成者が、機械学習モデルMの状態を適切に把握することができる。また、モデル評価装置3が、評価結果をデータ生成装置2に送信することで、データ生成装置2が機械学習モデルMを改善することができる。
In this way, the
なお、以上の説明においては、情報作成部332が所定の時系列データを用いて第1情報を作成する場合を例示したが、情報作成部332は、所定の時系列データが取得された間に車両Tにおいて実測された第1情報を取得し、評価結果出力部333が当該第1情報を用いて機械学習モデルMを評価してもよい。
In the above description, the case where the
[実施例]
図12は、本実施の形態に係るデータ生成装置2を用いて頻度データから時系列データを作成した実施例を示す図である。図12(a)は、実際に車両Tにおいて測定された速度の時系列データを示している。図12(b)は、図12(a)に示した時系列データに対応する速度の頻度データ及び加速度の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から出力された時系列データを示している。それぞれのデータは、実際のデータの傾向を維持した状態でデフォルメされている。
[Example]
FIG. 12 is a diagram showing an example in which time-series data is created from frequency data using the
図12(a)と図12(b)とを対比すると、細部においては差が見られるものの、全体的な速度の変化の傾向はほぼ一致している。機械学習モデルMがさらに学習を重ねることにより、両者の差はさらに小さくなると考えられる。 Comparing FIG. 12(a) and FIG. 12(b), there is a difference in details, but the trend of overall speed change is almost the same. As the machine learning model M learns further, the difference between the two is considered to become even smaller.
[本実施の形態による効果]
以上説明したように、データ生成装置2は、車両Tが走行中に測定された所定のパラメータの学習用時系列データと、学習用時系列データに対応する学習用頻度データとを教師データとして機械学習することにより、所定のパラメータの頻度データが入力されたことで時系列データを出力可能な機械学習モデルMを作成することができる。データ生成装置2がこのような機械学習モデルMを作成することで、所定のパラメータの頻度データしか得ることができない場合であっても、機械学習モデルMから出力される生成時系列データを解析することで、データ生成装置2を利用する車両Tの管理者が、車両Tの燃費、部品の劣化度等のように、パラメータに関連する各種の情報を得ることができる。
[Effects of this embodiment]
As described above, the
データ生成装置2は、学習用時系列データに係るパラメータの値を一階微分した値の時系列データに基づく頻度データをさらに教師データとして用いて機械学習モデルMを作成してもよい。学習用時系列データが速度の時系列データである場合、データ生成装置2は、速度の頻度データ及び加速度の頻度データを用いて機械学習モデルMを作成する。データ生成装置2がこのように複数の頻度データを用いて機械学習モデルMを作成することで、機械学習モデルMの精度が向上する。
The
さらに、データ生成装置2は、第1パラメータの発生頻度分布を示す第1学習用頻度データと、第1パラメータよりも変化速度が遅い第2パラメータの発生頻度分布を示す第2学習用頻度データとを教師データとして用いて機械学習モデルMを作成してもよい。データ生成装置2は、第1パラメータの値及び第2パラメータの値の一階微分値の頻度データをさらに教師データとして用いてもよい。データ生成装置2がこのように変化速度の傾向が異なる複数のパラメータに係る頻度データを用いることで、機械学習モデルMが出力する生成時系列データの精度がさらに向上する。
Further, the
また、データ生成装置2は、車両Tで測定されたパラメータに係る時系列データを分割して複数の分割時系列データを作成し、作成した複数の分割時系列データから選択した複数の選択時系列データを並べ替えて学習用時系列データを作成してもよい。さらに、データ生成装置2は、作成した学習用時系列データにおけるパラメータの発生頻度分布を示す学習用頻度データを作成してもよい。データ生成装置2がこのように動作することで、機械学習に用いることができる教師データを増やすことができるので、機械学習モデルMの学習期間を短縮したり、機械学習モデルMの性能を向上させたりすることができる。
In addition, the
また、データ生成装置2は、機械学習モデルMが出力する生成時系列データにおける閾値以上の周波数成分を除去する低周波通過フィルタをさらに有してもよい。そして、データ生成装置2は、機械学習モデルMに入力された時系列データと、当該フィルタから出力される時系列データとを比較した結果に基づいて、フィルタの特性や機械学習モデルMの重みを更新してもよい。データ生成装置2がこのような構成を有することで、データ生成装置2が出力する時系列データをさらに改善することができる。
The
また、データ生成装置2は、所定の時系列データが測定された期間における車両の所定の部材の状態の変化に対応する第1情報と、生成時系列データに基づいて特定される所定の部材の状態の変化に対応する第2情報との差に基づいて機械学習モデルを評価した結果を出力してもよい。データ生成装置2は、例えば車両Tにおいて測定された時系列データに対応する燃費と、機械学習モデルMが出力した時系列データに基づいて特定される燃費とを比較した結果に基づいて機械学習モデルMを評価する。データ生成装置2がこのような構成を有することで、データ生成装置2の管理者や作成者が、機械学習モデルMが適切に構成されているか否かを判断することが可能になる。
In addition, the
そして、データ生成装置2は、このようにして評価された結果に基づいて機械学習モデルMの重みを更新してもよい。データ生成装置2が、評価結果に基づいて重みを更新することにより、データ生成装置2が、使用目的に適した機械学習モデルMを作成することが可能になる。
Then, the
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。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes are possible within the scope of the gist thereof. be. For example, all or part of the device can be functionally or physically distributed and integrated in arbitrary units. In addition, new embodiments resulting from arbitrary combinations of multiple embodiments are also included in the embodiments of the present invention. The effect of the new embodiment caused by the combination has the effect of the original embodiment.
例えば、以上の説明においては、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。
For example, in the above description, the
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コンピュータと、第1コンピュータに生成用頻度データを入力し、第1コンピュータから生成時系列データを取得する第2コンピュータとによって構成されていてもよい。
Further, in the above description, the computer functioning as the
1 データ収集装置
2 データ生成装置
3 モデル評価装置
21 通信部
22 記憶部
23 制御部
31 通信部
32 記憶部
33 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
237 学習用時系列データ作成部
238 学習用頻度データ作成部
239 モデル評価部
331 時系列データ取得部
332 情報作成部
333 評価結果出力部
1
Claims (7)
前記学習用時系列データにおける前記パラメータの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前記学習用頻度データとを教師データとして機械学習することにより、前記パラメータの発生頻度データが入力されたことに応じて前記パラメータの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を記憶する記憶部と、
前記学習用時系列データに基づいて特定される前記車両の所定の部材の状態と、前記生成時系列データに基づいて特定される前記所定の部材の状態と、の差に基づいて前記機械学習モデルの重みを更新するモデル作成部と、
を有するモデル作成装置。 a time-series data acquisition unit that acquires time-series data of parameters measured while the vehicle is running as time-series data for learning;
a learning frequency data acquisition unit that acquires learning frequency data indicating the occurrence frequency distribution of the parameter in the learning time series data;
By performing machine learning using the learning time-series data and the learning frequency data as teacher data, generated time-series data, which is the time-series data of the parameters, is generated in response to the input of the occurrence frequency data of the parameters. a storage unit that stores the machine learning model to be output;
The machine learning model based on a difference between a state of a predetermined member of the vehicle identified based on the learning time-series data and a state of the predetermined member identified based on the generated time-series data. a model generator that updates the weights of
A model maker having a
前記学習用頻度データ取得部は、前記学習用頻度データとして前記車両の速度の頻度データ及び加速度の頻度データを取得し、
前記モデル作成部は、前記学習用時系列データに基づいて特定される燃費と、前記生成時系列データに基づいて特定される燃費との差に基づいて前記機械学習モデルの重みを更新する、
請求項1に記載のモデル作成装置。 The time-series data acquisition unit acquires time-series data of velocity and time-series data of acceleration of the vehicle as the learning time-series data,
The learning frequency data acquisition unit acquires speed frequency data and acceleration frequency data of the vehicle as the learning frequency data,
The model creation unit updates the weight of the machine learning model based on the difference between the fuel efficiency specified based on the time series data for learning and the fuel efficiency specified based on the generated time series data.
The model creation device according to claim 1.
前記時系列データ取得部は、前記学習用時系列データとして前記車両の速度の時系列データ及び加速度の時系列データを取得し、
前記学習用頻度データ取得部は、前記学習用頻度データとして前記車両の速度の頻度データ及び加速度の頻度データを取得し、
前記モデル作成部は、前記学習用時系列データに基づいて特定されるディーゼル微粒子捕集フィルタの状態と、前記生成時系列データに基づいて特定されるディーゼル微粒子捕集フィルタの状態との差に基づいて前記機械学習モデルの重みを更新する、
請求項1に記載のモデル作成装置。 the vehicle has a diesel engine,
The time-series data acquisition unit acquires time-series data of velocity and time-series data of acceleration of the vehicle as the learning time-series data,
The learning frequency data acquisition unit acquires speed frequency data and acceleration frequency data of the vehicle as the learning frequency data,
The model creation unit is based on the difference between the state of the diesel particulate filter identified based on the learning time-series data and the state of the diesel particulate filter identified based on the generated time-series data. updating the weights of the machine learning model with
The model creation device according to claim 1.
請求項1から3のいずれか一項に記載のモデル作成装置。 The model creation unit acquires information for specifying the predetermined member from an external device,
The model creation device according to any one of claims 1 to 3.
請求項1から4のいずれか一項に記載のモデル作成装置。 The model creation unit acquires the purpose of use of the generated time-series data from an external device, and identifies the predetermined member based on the acquired purpose of use.
The model creation device according to any one of claims 1 to 4.
請求項1から5のいずれか一項に記載のモデル作成装置。 First information corresponding to a change in the state of the predetermined member of the vehicle during a period in which predetermined time-series data was measured by the vehicle, and output from the machine learning model to which the predetermined time-series data were input. outputs to the model creation unit a result of evaluating the machine learning model based on the difference from second information corresponding to the change in the state of the predetermined member specified based on the generated time-series data further comprising a model evaluation unit;
The model creation device according to any one of claims 1 to 5.
車両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ステップと、
前記学習用時系列データにおける前記パラメータの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前記学習用頻度データとを教師データとして機械学習することにより、前記パラメータの発生頻度データが入力されたことに応じて前記パラメータの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の重みを更新するステップと、
前記学習用時系列データに基づいて特定される前記車両の所定の部材の状態と、前記生成時系列データに基づいて特定される前記所定の部材の状態と、の差に基づいて前記機械学習モデルの重みを更新するステップと、
を有するモデル作成方法。
the computer runs
a step of acquiring time-series data of parameters measured while the vehicle is running as time-series data for learning;
a step of acquiring learning frequency data indicating the occurrence frequency distribution of the parameter in the learning time-series data;
By performing machine learning using the learning time-series data and the learning frequency data as teacher data, generated time-series data, which is the time-series data of the parameters, is generated in response to the input of the occurrence frequency data of the parameters. updating the weights of the output machine learning model;
The machine learning model based on a difference between a state of a predetermined member of the vehicle identified based on the learning time-series data and a state of the predetermined member identified based on the generated time-series data. updating the weights of
model creation method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175146A JP7163894B2 (en) | 2019-09-26 | 2019-09-26 | MODEL CREATED DEVICE AND MODEL CREATED METHOD |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175146A JP7163894B2 (en) | 2019-09-26 | 2019-09-26 | MODEL CREATED DEVICE AND MODEL CREATED METHOD |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021051642A JP2021051642A (en) | 2021-04-01 |
JP7163894B2 true JP7163894B2 (en) | 2022-11-01 |
Family
ID=75158032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019175146A Active JP7163894B2 (en) | 2019-09-26 | 2019-09-26 | MODEL CREATED DEVICE AND MODEL CREATED METHOD |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7163894B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7409420B2 (en) | 2022-03-23 | 2024-01-09 | いすゞ自動車株式会社 | Model creation device, data generation device, model creation method, and data generation method |
JP7447925B2 (en) | 2022-03-23 | 2024-03-12 | いすゞ自動車株式会社 | Model creation device and model creation method |
JP7447926B2 (en) | 2022-03-23 | 2024-03-12 | いすゞ自動車株式会社 | Model creation device and model creation method |
JP7444187B2 (en) | 2022-03-23 | 2024-03-06 | いすゞ自動車株式会社 | Model creation device and model creation method |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008164341A (en) | 2006-12-27 | 2008-07-17 | Hino Motors Ltd | Travel controller for vehicle |
JP2018136754A (en) | 2017-02-22 | 2018-08-30 | 株式会社日立製作所 | Information processing apparatus, and mobility data collecting system |
WO2019038951A1 (en) | 2017-08-21 | 2019-02-28 | Mitsubishi Electric Corporation | Control system and method for controlling movement of vehicle |
JP2019133626A (en) | 2018-01-29 | 2019-08-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | Information processing method and information processing system |
JP2019139277A (en) | 2018-02-06 | 2019-08-22 | オムロン株式会社 | Evaluation device, motion control device, evaluation method, and evaluation program |
JP2019502212A5 (en) | 2017-01-13 | 2020-02-06 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410113B2 (en) | 2016-01-14 | 2019-09-10 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
-
2019
- 2019-09-26 JP JP2019175146A patent/JP7163894B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008164341A (en) | 2006-12-27 | 2008-07-17 | Hino Motors Ltd | Travel controller for vehicle |
JP2019502212A5 (en) | 2017-01-13 | 2020-02-06 | ||
JP2018136754A (en) | 2017-02-22 | 2018-08-30 | 株式会社日立製作所 | Information processing apparatus, and mobility data collecting system |
WO2019038951A1 (en) | 2017-08-21 | 2019-02-28 | Mitsubishi Electric Corporation | Control system and method for controlling movement of vehicle |
JP2019133626A (en) | 2018-01-29 | 2019-08-08 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | Information processing method and information processing system |
JP2019139277A (en) | 2018-02-06 | 2019-08-22 | オムロン株式会社 | Evaluation device, motion control device, evaluation method, and evaluation program |
Also Published As
Publication number | Publication date |
---|---|
JP2021051642A (en) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7230755B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
JP7163893B2 (en) | Model evaluation device and model evaluation method | |
JP7226226B2 (en) | MODEL CREATION DEVICE, DATA GENERATION DEVICE, MODEL CREATION METHOD AND DATA GENERATION METHOD | |
JP7230754B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
JP7163894B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
JP7243553B2 (en) | MODEL CREATION DEVICE, DATA GENERATION DEVICE, MODEL CREATION METHOD AND DATA GENERATION METHOD | |
Li et al. | A new microscopic traffic model using a spring-mass-damper-clutch system | |
US20220147897A1 (en) | Machine learning for predictive optmization | |
Massoud et al. | Exploring fuzzy logic and random forest for car drivers’ fuel consumption estimation in IoT-enabled serious games | |
Hamed et al. | Fuel consumption prediction model using machine learning | |
JP7409420B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
JP7447926B2 (en) | Model creation device and model creation method | |
JP7444187B2 (en) | Model creation device and model creation method | |
CN114743385B (en) | Vehicle processing method and device and computer equipment | |
JP7400856B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
JP7447925B2 (en) | Model creation device and model creation method | |
Ma et al. | Evolving testing scenario generation method and intelligence evaluation framework for automated vehicles | |
JP7409421B2 (en) | Model creation device and model creation method | |
JP7400855B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
JP7487759B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
Chen et al. | Traffic flow modeling and simulation based on a novel cellular learning automaton | |
Pontin | AI-Based Race StrategyAssistant and Car data Monitor | |
CN118238677B (en) | Battery management policy configuration method and device for electric automobile | |
Muta et al. | A multi-objective genetic algorithm using intermediate features of simulations | |
Wang | Trajectory Based Traffic Analysis and Control Utilizing Connected Autonomous Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211028 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220914 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220920 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221003 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7163894 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |