JP7243553B2 - 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
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 Download PDFInfo
- Publication number
- JP7243553B2 JP7243553B2 JP2019175141A JP2019175141A JP7243553B2 JP 7243553 B2 JP7243553 B2 JP 7243553B2 JP 2019175141 A JP2019175141 A JP 2019175141A JP 2019175141 A JP2019175141 A JP 2019175141A JP 7243553 B2 JP7243553 B2 JP 7243553B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- learning
- series data
- frequency
- 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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
Claims (9)
- 学習用車両が走行中に測定された前記学習用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と、
前記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、前記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と、
前記学習用時系列データと、対応する前記学習用速度頻度データ及び前記学習用加速度頻度データと、を教師データとして機械学習モデルに入力した際に前記機械学習モデルから出力される生成時系列データと、前記学習用速度頻度データ及び前記学習用加速度頻度データに対応する前記学習用時系列データとの差が閾値以上である場合に、前記生成時系列データを前記機械学習モデル内で逆伝搬させ、逆伝搬させた前記機械学習モデルの経路上のノードの重みを更新する処理を繰り返すことにより、車両の速度の発生頻度分布を示す速度頻度データ及び当該車両の加速度の発生頻度分布を示す加速度頻度データが入力されたことに応じて当該車両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前記機械学習モデルを作成するモデル作成部と、
を有するモデル作成装置。 - 前記学習用時系列データが測定された期間における前記学習用車両の所定の部材の状態の変化に対応する第1情報と、前記学習用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出力するモデル評価部をさらに有する、
請求項1に記載のモデル作成装置。 - 前記学習用頻度データ取得部は、前記学習用時系列データが取得された間に前記学習用車両が走行した場所の勾配を示す学習用勾配データを前記教師データとしてさらに取得し、
前記モデル作成部は、前記機械学習モデルに前記学習用速度頻度データ、前記学習用加速度頻度データ及び前記学習用勾配データを入力した際に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と、前記学習用速度頻度データ、前記学習用加速度頻度データ及び前記学習用勾配データに対応する前記学習用時系列データとの差分に基づいて、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。 - 前記モデル作成部は、前記学習用車両の重量を特定し、特定した前記重量に対応する複数の前記機械学習モデルを作成する、
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。 - 前記生成時系列データを生成するために用いられる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と、
前記生成用速度頻度データ及び前記生成用加速度頻度データを前記機械学習モデルに入力することにより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を出力するデータ出力部と、
をさらに有する、
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。 - 前記学習用加速度頻度データは、前記学習用車両の複数の速度それぞれに対応する加速度頻度データを複数含んでいる、
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。 - 車両が走行中に測定された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する頻度データ取得部と、
請求項1から6のいずれか一項に記載のモデル作成装置によって作成された機械学習モデルに、前記車両の速度の頻度データ及び前記車両の加速度の頻度データを入力することにより、前記速度の頻度データ及び前記車両の加速度の頻度データに対応する前記車両の速度の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、
を有するデータ生成装置。 - コンピュータが実行する、
学習用車両が走行中に測定された前記学習用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ステップと、
前記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、前記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ステップと、
前記学習用時系列データと、対応する前記学習用速度頻度データ及び前記学習用加速度頻度データと、を教師データとして機械学習モデルに入力した際に前記機械学習モデルから出力される生成時系列データと、前記学習用速度頻度データ及び前記学習用加速度頻度データに対応する前記学習用時系列データとの差が閾値以上である場合に、前記生成時系列データを前記機械学習モデル内で逆伝搬させ、逆伝搬させた前記機械学習モデルの経路上のノードの重みを更新する処理を繰り返すことにより、車両の速度の発生頻度分布を示す速度頻度データ及び当該車両の加速度の発生頻度分布を示す加速度頻度データが入力されたことに応じて当該車両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前記機械学習モデルを作成するステップと、
を有するモデル作成方法。 - コンピュータが実行する、
車両が走行中に測定された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するステップと、
請求項1から6のいずれか一項に記載のモデル作成装置によって作成された機械学習モデルに、前記車両の速度の頻度データ及び前記車両の加速度の頻度データを入力するステップと、
前記機械学習モデルに前記車両の速度の頻度データ及び前記車両の加速度の頻度データを入力したことに応じて前記機械学習モデルから出力される前記車両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ステップと、
を有するデータ生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175141A JP7243553B2 (ja) | 2019-09-26 | 2019-09-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175141A JP7243553B2 (ja) | 2019-09-26 | 2019-09-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021051637A JP2021051637A (ja) | 2021-04-01 |
JP7243553B2 true JP7243553B2 (ja) | 2023-03-22 |
Family
ID=75158028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019175141A Active JP7243553B2 (ja) | 2019-09-26 | 2019-09-26 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7243553B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7447926B2 (ja) * | 2022-03-23 | 2024-03-12 | いすゞ自動車株式会社 | モデル作成装置及びモデル作成方法 |
JP7444187B2 (ja) * | 2022-03-23 | 2024-03-06 | いすゞ自動車株式会社 | モデル作成装置及びモデル作成方法 |
JP7447925B2 (ja) * | 2022-03-23 | 2024-03-12 | いすゞ自動車株式会社 | モデル作成装置及びモデル作成方法 |
JP7409420B2 (ja) * | 2022-03-23 | 2024-01-09 | いすゞ自動車株式会社 | 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 |
JP7552755B2 (ja) | 2023-02-08 | 2024-09-18 | いすゞ自動車株式会社 | 推定装置及び推定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012168037A (ja) | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
JP2017227656A (ja) | 2017-10-05 | 2017-12-28 | ヤフー株式会社 | 判定装置、判定方法及び判定プログラム |
JP2018124937A (ja) | 2017-02-03 | 2018-08-09 | 株式会社東芝 | 異常検出装置、異常検出方法およびプログラム |
WO2019163141A1 (ja) | 2018-02-26 | 2019-08-29 | 株式会社日立情報通信エンジニアリング | 状態予測装置および状態予測制御方法 |
-
2019
- 2019-09-26 JP JP2019175141A patent/JP7243553B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012168037A (ja) | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
JP2018124937A (ja) | 2017-02-03 | 2018-08-09 | 株式会社東芝 | 異常検出装置、異常検出方法およびプログラム |
JP2017227656A (ja) | 2017-10-05 | 2017-12-28 | ヤフー株式会社 | 判定装置、判定方法及び判定プログラム |
WO2019163141A1 (ja) | 2018-02-26 | 2019-08-29 | 株式会社日立情報通信エンジニアリング | 状態予測装置および状態予測制御方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021051637A (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7230754B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7230755B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7163893B2 (ja) | モデル評価装置及びモデル評価方法 | |
JP7243553B2 (ja) | 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 | |
JP7226226B2 (ja) | 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 | |
JP7163894B2 (ja) | モデル作成装置及びモデル作成方法 | |
CN109733415B (zh) | 一种基于深度强化学习的拟人化自动驾驶跟驰模型 | |
US20220147897A1 (en) | Machine learning for predictive optmization | |
Li et al. | A new microscopic traffic model using a spring-mass-damper-clutch system | |
Liessner et al. | Simultaneous electric powertrain hardware and energy management optimization of a hybrid electric vehicle using deep reinforcement learning and Bayesian optimization | |
JP7409420B2 (ja) | 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 | |
JP7447926B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7444187B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7400856B2 (ja) | 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 | |
JP7447925B2 (ja) | モデル作成装置及びモデル作成方法 | |
Ma et al. | Evolving testing scenario generation method and intelligence evaluation framework for automated vehicles | |
JP7409421B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7487759B2 (ja) | 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 | |
JP7400855B2 (ja) | 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 | |
Chen et al. | Traffic flow modeling and simulation based on a novel cellular learning automaton | |
JP7552755B2 (ja) | 推定装置及び推定方法 | |
Pontin | AI-Based Race StrategyAssistant and Car data Monitor | |
CN118238677B (zh) | 一种电动汽车的电池管理策略配置方法及装置 | |
Ma | Learning to influence vehicles’ routing in mixed-autonomy networks | |
Sabater Rojas | Combining machine learning and optimization algorithms in 5G networks |
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: 20221011 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221227 |
|
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: 20230207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7243553 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |