JP7310577B2 - 環境予測システム及び環境予測方法 - Google Patents
環境予測システム及び環境予測方法 Download PDFInfo
- Publication number
- JP7310577B2 JP7310577B2 JP2019221271A JP2019221271A JP7310577B2 JP 7310577 B2 JP7310577 B2 JP 7310577B2 JP 2019221271 A JP2019221271 A JP 2019221271A JP 2019221271 A JP2019221271 A JP 2019221271A JP 7310577 B2 JP7310577 B2 JP 7310577B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- environmental
- vehicle
- measured
- 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
- 230000007613 environmental effect Effects 0.000 title claims description 88
- 238000000034 method Methods 0.000 title claims description 9
- 238000012937 correction Methods 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 24
- 230000005855 radiation Effects 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 10
- 239000011521 glass Substances 0.000 description 10
- 239000000779 smoke Substances 0.000 description 9
- 239000000809 air pollutant Substances 0.000 description 8
- 231100001243 air pollutant Toxicity 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 8
- 230000008520 organization Effects 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- 241000218645 Cedrus Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/18—Network protocols supporting networked applications, e.g. including control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Description
本発明は、未来の時刻における環境予測を行う環境予測システム及び環境予測方法に関する。
人が活動するエリアでは、通常、多数の車両が走行している。
特許文献１には、車両から、ワイパーの動作情報を取得することで、車両が走行するエリアの降雨情報を収集するシステムについて記載されている。収集した降雨情報は、例えばインターネット等を利用して配信される他、統計、分析などに利用される。
特許文献２には、車両周辺の気象観測を行うこと、さらに観測結果に基づいて将来の時間の天気予測を行うことが記載されている。
ところで、各国の気象当局、自治体、研究機関などでは、地上に複数の観測点を設けて、風向、風速、気温、降水量などの自動測定を行っている。測定により得られたデータは、気象情報を含む環境情報の把握に利用される他、将来の時刻の天気等を予測するためにも利用される。
車両の周囲で取得される環境データは、車両の周囲の状況等の影響を受けると考えられる。この影響を無視した場合には、環境予測に誤差が入り込むことになる。
本発明の目的は、精度の高い環境予測を行うことにある。
本発明にかかる環境予測システムは、複数の移動体において測定された環境データを、前記移動体の測定位置データおよび前記複数の移動体での測定データと対応づけて収集する収集手段と、測定された前記環境データを、前記測定データに基づいて補正する補正手段と、補正された前記環境データ及び前記測定位置データに基づいて、未来の時刻における空間的な環境予測を行う予測手段と、を備え、前記環境データは、温度センサによる温度データ、及びレインセンサによる雨滴量データ、を含み、前記測定データは、前記移動体の移動速度、及び撮影カメラによって撮影した前記移動体の外部の画像により検出した前記移動体の周囲の交通条件を含み、前記補正手段は、前記温度センサによる温度データを前記移動体の周囲の交通条件に基づいて補正し、前記レインセンサによる雨滴量データを前記移動体の移動速度に基づいて補正し、前記収集手段は、収集対象エリアに位置する前記複数の移動体のうち、移動速度の比較的速い方の前記移動体において測定された前記環境データを収集する。
本発明にかかる環境予測方法は、複数の移動体において測定された環境データを、前記移動体の測定位置データおよび前記複数の移動体での測定データと対応づけて収集する収集ステップと、測定された前記環境データを、前記測定データに基づいて補正する補正ステップと、補正された前記環境データ及び前記測定位置データに基づいて、未来の時刻における空間的な環境予測を行う予測ステップと、を含み、前記環境データは、温度センサによる温度データ、及びレインセンサによる雨滴量データ、を含み、前記測定データは、前記移動体の移動速度、及び撮影カメラによって撮影した前記移動体の外部の画像により検出した前記移動体の周囲の交通条件を含み、前記補正ステップにおいて、前記温度センサによる温度データを前記移動体の周囲の交通条件に基づいて補正し、前記レインセンサによる雨滴量データを前記移動体の移動速度に基づいて補正し、前記収集ステップにおいて、収集対象エリアに位置する前記複数の移動体のうち、移動速度の比較的速い方の前記移動体において測定された前記環境データを収集する。
本発明によれば、移動体が取得する環境データを環境予測に利用することが可能となり、環境予測の精度向上が図られる。
以下に、図面を参照しながら、実施形態について説明する。説明においては、理解を容易にするため、具体的な態様について示すが、これらは実施形態を例示するものであり、他にも様々な実施形態をとることが可能である。
図１は、実施形態にかかる環境予測システム１０の概略構成を示す図である。環境予測システム１０は、天気予測（第三者へ周知する場合に天気予報と呼ばれることもある）、大気汚染物質の分布予測など、数分～１０日程度の未来における空間的な環境予測を行うシステムである。空間的な環境予測とは、１地点あるいは１つの空間平均の環境を予測するのではなく、空間１次元（例えば緯度線に沿って）、空間２次元（例えば地表に沿ったある１面）または空間３次元（例えば鉛直レベルが異なる２以上の水平面）のように空間的拡がりをもつ環境予測をすることをいう。環境予測システム１０には、車両１２、１４と、予測センタ５０と、スマートフォン１００が含まれる。
図１には、２台の車両１２、１４のみを図示したが、人が活動するエリアでは、通常は、多数の車両が走行する状態にある。図１では、車両１２は晴天のエリアを走行しており、車両１４は雨天のエリアを走行している。後述するように、車両１２、１４は、複数のセンサを搭載しており、センサによって環境データを取得して予測センタ５０に送信する。ここで、環境データとは、車両の周囲の環境を示すデータをいう。環境データには、晴、曇、雨、雪などの天気の状態を表すデータ、風速、風向、温度、湿度など大気の状態を表すデータ、日射量、照度などの太陽の状態に基づくデータが含まれる。また、環境データには、雲量、降水量、積雪量など雨雪などに関連したデータ、有害な化学物質濃度など空気中に浮遊または含有される大気汚染物質のデータも含まれる。車両１２、１４は、予測センタ５０から、環境予測の結果について、配信を受けることができる。
なお、車両１２、１４に代えて、または車両１２、１４とともに、航空機、船舶、ドローンなど他の種類の移動体を用いることも可能である。ここで、移動体とは、移動機構を備えた装置をいうものとする。例えば、車両１２、１４は、車輪と駆動エンジンまたは駆動モータとからなる移動機構を備えた移動体であり、航空機は、ジェットエンジンと翼などからなる移動機構を備えた移動体である。
予測センタ５０は、環境予測を行う企業あるいは公的機関等に設置されている。予測センタ５０には、収集サーバ６０、予測サーバ８０及び配信サーバ９０が含まれている。後述するように、予測センタ５０は、車両１２、１４等から環境データ等を収集し、環境予測を行い、環境予測結果を配信する。
スマートフォン１００は、一般的なユーザが使用する携帯型の通信端末である。スマートフォン１００では、アプリケーションプログラムをインストールすることで、予測センタ５０から環境予測の配信を受けることができる。
図２は、図１に図示した車両１２について詳しく説明する図である。車両１２は、ＧＰＳ２０、時計２２、タッチパネル２４、外気温度センサ２６、湿度センサ２８、日射センサ３０、車外撮影カメラ３２、レインセンサ３４、ガラス温度センサ３６、スモッグベンチレーションセンサ３８、スモークセンサ４０及びＰＭ２．５センサ４２を備えている。
このうち、ＧＰＳ２０は、Global Positioning Systemの略称であり、人工衛星を用いて車両１２の位置を検出するセンサである。ＧＰＳ２０による検出結果は、車両１２において測定される環境データが、どの位置で測定されたものかを特定する測定位置データとして用いられる。これにより、環境データを位置の関数として扱うことが可能となり、空間的な環境予測において利用できるようになる。また、走行中の車両１２の位置を継続的に測定することで、車両１２の走行方向（これは車両１２が向いている角度である）、走行速度、走行斜度などの情報を取得することができる。例えば、車両の走行方向は、各種センサの測定結果を補正することにも利用される。さらに、ＧＰＳ２０は、車両１２が、環境データを収集する対象エリアに存在するか否かを確認するためにも利用することができる。
時計２２は、年月日時を表示する装置である。時計２２の出力は、車両１２において検出される環境データが、どの時刻に検出されたものかを特定する測定時刻データとして利用される。
タッチパネル２４は、車両１２の運転者等が入力操作を行うことができるディスプレイである。タッチパネル２４では、カーナビゲーションシステムを呼び出して、目的地までの経路の案内表示をさせることができる。また、タッチパネル２４には、予測センタ５０から配信される環境予測結果の表示を行うこともできる。
外気温度センサ２６は、車両１２の周辺の気温を測定するセンサである。すなわち、外気温度センサ２６は、環境データの一種である外気の温度データを取得する。外気温度センサ２６としては、サーミスタなどを用いることができる。外気温度センサ２６は、例えば、車両１２の前部に設けられたフロントグリル付近に設置される。
フロントグリル付近は、車両１２が発する熱の影響を受けにくい位置である。特に、車両１２が、周囲に別の車両がいない状態で、ある程度以上の速度で走行した場合には、自車及び他車の影響を受けていない外気の温度を検出することになる。他方、例えば、渋滞時には、自車及び他車の発熱の影響を受けた温度を検出することになる。このように、外気の温度データは、交通条件の影響を受ける。外気の温度データに影響を与える交通条件の例としては、車両１２が舗装道路を走行しているか否か、車両１２が都市部を走行しているか否か、車両１２がどの程度の速度で走行しているか停車しているか、車両１２の周囲に別の車両があるか否かなどを挙げることができる。なお、以下に示す他のセンサの検出結果も、交通条件の影響を受ける場合がある。交通条件は、例えば、ＧＰＳ２０のデータに基づいて、また、適宜地図データなどと対応づけることで、把握可能である。
湿度センサ２８は、車両１２の周囲の湿度を測定するセンサである。すなわち、湿度センサ２８は、環境データの一種である湿度データを取得する。湿度センサ２８としては、例えば、ウインドシールドガラス近傍に感湿皮膜を挟んだ２つの電極を設け、電極間の静電容量変化を測定することにより湿度を検出するセンサを挙げることができる。
日射センサ３０は、日射量を測定するセンサである。すなわち日射センサ３０は、環境データの一種である日射量データを取得する。日射センサ３０としては、例えば、フォトダイオードに流れる電流変化を測定するセンサを挙げることができる。上述したＧＰＳ２０による車両１２の角度、及び、時計２２が示す年月日時の情報に基づく太陽位置を考慮することで、電流変化から日射量データが得られる。
車外撮影カメラ３２は、可視光波長帯で撮影を行い、車両の外部の画像を得るセンサである。撮影する画像は、静止画でもよいが、動画とすることで情報量を増やすことができる。車外撮影カメラ３２で撮影した画像には、一般的に、環境データが含まれる。画像に含まれる環境データとしては、降水量、風速、風向、路面状況（乾燥、凍結など）、積雪量、天気（晴、曇、雨、雪など）、雨雲の状態（どの位置にどの程度存在するかなど）を挙げることができる。画像を解析することで、これらの環境データを取得することができる。また、画像の解析によって、自身、土砂崩れなどの自然災害の影響にかかる環境データを取得することも可能である。なお、車外撮影カメラ３２として、可視光波長帯のカメラに代えて、赤外波長帯、紫外波長帯のカメラなどを用いることも可能である。例えば、赤外波長帯を用いた場合には、撮影した画像から周囲の温度データを取得することも可能となる。
なお、車外撮影カメラ３２は、車両１２の周囲の交通条件の把握にも用いられる。例えば、車両１２の周囲に多くの他車両が存在する場合には、車両１２が取得する外気の温度データなどが、車両の影響で若干高温化する可能性がある。車外撮影カメラ３２の撮影画像を解析することで、温度データを環境予測に使用するか否かの判定、あるいは、環境予測に使用する場合の補正の度合いの決定などを行うことが可能となる。
レインセンサ３４は、雨滴量（そして降水量）を検出するセンサである。すなわち、レインセンサ３４は、環境データの一種である雨滴量データあるいは降水量データを取得する。レインセンサ３４は、例えば、ウインドシールドガラスに赤外光を照射するＬＥＤ（Light Emitting Diode）と、その反射光を受光するフォトダイオードを車内に設けることで形成することができる。ウインドシールドガラスに雨滴が付着した場合、ＬＥＤから照射された赤外光の一部が雨滴を通して車外に透過するため、フォトダイオードの受光量が減少する。そこで、この減少量に基づいて雨滴量を検出することができる。レインセンサ３４に、周囲の明るさ（照度）を検知するライトセンサを組み込むことで、周囲照度の変化に応じた雨滴量の補正を行うことができる。雨滴量は、降水量と関連しており、適宜車速などを考慮することで、雨滴量データから降水量データを取得することもできる。
ガラス温度センサ３６は、ウインドシールドガラスに内蔵されたサーミスタによって、ウインドシールドガラスの表面温度を検出するセンサである。ウインドシールドガラスの温度は、外気温度、日射量、走行速度、車室内温度などによって変化する。したがって、ガラス温度センサ３６は、環境データの一種である外気温度、日射量などのデータを含んでおり、走行速度、車室内温度などを考慮した補正処理を行うことで、外気温度、日射量などの環境データを取得することが可能となる。
スモッグベンチレーションセンサ３８は、外気に含まれる炭化水素（ＨＣ：HydroCarbon）、一酸化炭素（ＣＯ：Carbon monOxide）、窒素酸化物（ＮＯｘ：Nitrogen Oxides）などの有害な化学物質を検出するセンサである。すなわち、スモッグベンチレーションセンサ３８は、環境データの一種である大気汚染物質データを取得する。
スモークセンサ４０は、煙を検出するセンサである。煙は、車内において発生することもあるが、車外において発生することもある。車外で発生した煙を検出することで、環境データである外気中の煙データを取得することが可能となる。
ＰＭ２．５センサ４２は、微小粒子状物質センサの一種であり、大気中のＰＭ２．５、すなわち大気中に浮遊する微粒子のうち、粒子径が概ね２．５μｍ以下のものを検出するセンサである。すなわち、ＰＭ２．５センサ４２によって、環境データの一種であるＰＭ２．５データを取得することができる。なお、ＰＭ２．５センサ４２に代えて、例えば、ＰＭ１０センサなど、検出する粒子径が異なる微小粒子状物質センサを使用することも可能である。近年、微小粒子状物質は、健康へ悪影響を与える大気汚染物質であると認識されている。
以上に示した各センサ類は、車両１２において、通常の走行をするため、あるいは快適な走行をするために設けられたものである。したがって、環境データを測定するために、特段、新たなセンサ類を搭載する必要はない。しかし、車両１２に、環境データを測定するために、新たなセンサを搭載することも可能である。一例としては、スギ花粉、ヒノキ花粉などの花粉を検出する花粉センサを挙げることができる。スギ花粉、ヒノキ花粉等の花粉は、多数の花粉アレルギ患者を生み出しており、大気汚染物質ということができる。
車両１２では、これらのセンサが取得する環境データを記憶する。記憶にあたっては、測定が行われた位置を示す測定位置データと、測定が行われた時刻を示す測定時刻データとの対応づけが行われる。そして、車両１２から自発的に、あるいは、予測センタ５０からの要求に応じて、記憶した環境データ、測定位置データ及び測定時刻データを予測センタ５０に送信する。送信には、例えば、Ｗｉ－Ｆｉ（登録商標）などの無線通信を用いることができる。
図３は、予測センタ５０の機能の詳細を説明するブロック図である。予測センタ５０には、収集サーバ６０、予測サーバ８０、配信サーバ９０を含んでいる。収集サーバ６０、予測サーバ８０、配信サーバ９０は、メモリ、プロセッサなどを備えたコンピュータハードウエアを、ＯＳ（Operating System）、アプリケーションプログラムなどのソフトウエアによって制御することで構築された装置である。
収集サーバ６０は、収集手段の一例であり、アプリケーションプログラムの制御の下で、収集条件設定部６２、データ受信部６４、画像解析部６６、データ補正部６８、及びデータ記憶部７０が構築されている。
収集条件設定部６２は、環境データを収集する対象について条件を設定するためのものである。収集条件の設定は、管理者によって行われてもよいし、プログラムに基づいて自動的に行われてもよい。収集条件の例としては、収集対象のエリアの設定、エリアにおいて収集対象となる車両１２、１４についての設定（台数、車種、走行速度など）、収集する環境データの種類、測定時刻などの設定を挙げることができる。上述の交通条件を収集条件に設定することも可能である。
データ受信部６４は、収集条件設定部６２が設定した収集条件に従って、車両１２、１４等から環境データと、対応する測定位置データ及び測定時刻データを取得する。また、必要に応じて、測定時の走行速度データなどを取得することもできる。なお、多数の環境データを取得した後に、収集条件に従って、収集対象となる環境データを選択してもよい。
画像解析部６６は、収集した環境データの中に、車外撮影カメラ３２の画像が含まれる場合に、画像解析を行う。画像解析は、例えば、学習アルゴリズムなどに基づいて行われる。画像解析により、車両１２、１４の周囲における降水量、風速、風向、路面状況、積雪量、天気、雨雲の状態などを把握することができる。また、車両１２、１４の周囲の交通条件も把握される。
データ補正部６８は、補正手段の一例であり、収集した環境データに、環境予想に使うための補正を行う。補正は様々に行うことができる。データ補正部６８では、取集したデータを、測定位置データに基づいて補正することが可能である。測定位置データに基づく補正とは、例えば、測定位置データが示す海抜高度に応じた補正、測定位置データが示すエリアの交通量に基づく補正、測定データが示す車両１２、１４の移動速度に応じた補正などが含まれる。海抜高度に応じた補正とは、海抜高度に応じて温度、気圧などの値が変わることを考慮して環境データの値を修正することをいう。交通量に基づく補正とは、都市部と郊外、あるいは、渋滞時と非渋滞時によって、周囲の車両等の影響が異なるため、その影響を補正することをいう。例えば、外気温度センサ２６が測定する温度は、周囲に存在する車両が多いほど高温化する傾向にあるため、周囲に車両がいない状態で測定される温度に補正することが考えられる。
また、移動速度に応じた補正とは、車両１２、１４のセンサが速度に依存した値を出力する場合にその補正を行うこと、あるいは、車両１２、１４のセンサに与える周囲の車両等の影響が速度によって変わる場合にその補正を行うことなどをいう。例えば、レインセンサ３４は、車両１２、１４が高速で走行する場合には、認識することになる雨粒の数が増える一方で、雨粒の蒸発量も増えることになる。そこで、車両１２、１４の速度に応じた補正を行うことが有効となる。このような補正は、個々の車両１２、１４において行うこともできるが、データ補正部６８が、同じ基準で行うことで、観測データの品質が高まり、環境予測の精度向上を図ることが可能となる。なお、データ補正部６８では、測定位置によらない補正を行うことも可能である。例えば、日射センサ３０が取得する日射量データに対し、車両１２、１４の角度、及び太陽位置に基づいて、値を調整する処理が挙げられる。
データ記憶部７０は、データ補正部６８が補正した環境データを、測定位置データ及び測定時刻データと対応付けて記憶する。
予測サーバ８０は、予測手段の一例であり、空間的な環境予測を行う。予測サーバ８０には、環境予測を行うために、気象予測数値モデル８２、輸送予測数値モデル８４、ＡＩ型予測数値モデル８６が設けられている。また、予測サーバ８０では、気象当局などのデータ保有機関１１０から、気象観測データ１１２及び気象予測データ１１４をネットワーク経由で取得できるように設定されている。一般に、環境予測の精度を高めるためには、多数のデータが必要であり、データ記憶部７０に記憶された環境データのみならず、気象観測データ１１２または気象予測データ１１４を利用した環境予測が行われる。
気象予測数値モデル８２は、大気力学等の微分方程式系を離散化するとともに、解像度以下の気象現象をパラメータ化して作成された数値モデルである。例えば、非静力学系の方程式系では、３次元の風速、温度、密度、水蒸気量などの時間変化が記述され、雲量、降水量、放射などがパラメータとして組み込まれる。気象予測数値モデル８２としては、地球全体の気象予測を行うグローバルモデルと、地球上の一部の地域の気象予測を行う領域モデルとが用意される。ここで気象予測とは、環境予測の一形態であり、天気、気温、風向、風速などの気象状態を予測することをいう。
気象予測数値モデル８２では、初期値に対する時間積分として解かれる場合、過去に時間積分を行って得た気象予測データと、新たに得られた気象観測データを統合して、ある時刻における空間的な初期値を作成する。そして、初期値を時間積分することで、未来の時刻における空間的な気象予測を行う。あるいは、気象予測数値モデル８２が、変分法に基づく４次元同化を行う場合には、新たに得られた気象観測データと整合性させるように、モデル内で保持されている変数の修正を行った上で、時間積分が行われる。
気象予測数値モデル８２では、新たに得られた気象観測データとして、データ記憶部７０に記憶された空間的に分布する環境データを利用するとともに、データ保有機関１１０から取得した気象観測データ１１２を使用する。データ保有機関１１０から取得する気象観測データ１１２には、地上観測点で観測された温度、風向・風速・雨量・日射などのデータの他、人工衛星、気象レーダなどにより得られたデータが含まれる。また、気象予測数値モデル８２が領域モデルである場合には、データ保有機関１１０が提供する気象予測データ１１４を境界条件として使用してもよい。
気象予測数値モデル８２を時間積分することで、数分から１０日程度の気象予測が行われる。気象予測数値モデル８２では、車両１２、１４等から収集した詳細な環境データを利用することができるため精度が向上する。
輸送予測数値モデル８４は、ＮＯｘなどの化学物質、花粉など天然物質を含む様々な物質の空間的な輸送を大気力学的に記述した数値モデルである。輸送予測数値モデル８４は、環境予測の一形態である大気汚染物質の空間的な分布予測に使用することができる。輸送予測数値モデル８４では、発生項及び消滅項を含む物質の移流方程式が離散化されている。移流をさせる風速としては、気象予測数値モデル８２が求めた風速、または、データ保有機関１１０の気象予測データ１１４の風速が使用される。
輸送予測数値モデル８４を用いることで、例えば、ＰＭ２．５の将来の空間的な分布予測をすることが可能となる。すなわち、どの時刻にどのエリアでどの程度の物質濃度となるかを予測することができる。車両１２、１４で測定される空間解像度の高いＰＭ２．５のデータを組み込んだ場合には、移流結果も高い解像度で表現できるため、予測精度を向上させることが期待できる。
輸送予測数値モデル８４では、スモッグベンチレーションセンサ３８によって測定される化学物質あるいはスモークセンサ４０によって測定される煙などの大気汚染物質についても空間的な分布予測を行うことも可能である。
ＡＩ型予測数値モデル８６は、ＡＩ（Artificial Intelligence）に基づく予測数値モデルである。ＡＩ型予測数値モデル８６では、測定データと予測データとの因果関係を、ディープラーニングを用いたアルゴリズム等に基づいて学習することにより、将来の時刻における環境予測を行う。
ＡＩ型予測数値モデル８６による環境予測の例として、データ保有機関１１０が提供するある時刻の気象観測データ１１２と、その気象観測データ１１２に基づいて予測された気象予測データ１１４とを考える。この場合に、ＡＩ型予測数値モデル８６では、ある時刻の気象観測データ１１２と、その時刻におけるデータ記憶部７０に記憶された環境データとの差に基づいて、将来の気象予測データ１１４を修正することができる。
ＡＩ型予測数値モデル８６は、空間的な気象予測にも、大気汚染物質の空間的な分布予測にも利用可能である。ＡＩ型予測数値モデル８６は、特に、経験的な知見が効果的に働きやすい短時間後（例えば、５分後から３時間後程度）の環境予測において、予測精度向上に寄与するものと期待される。
なお、以上に説明した気象予測数値モデル８２、輸送予測数値モデル８４、ＡＩ型予測数値モデル８６は、環境予測の実行形態を例示したものである。環境予測は、他の様々な手法によっても実行可能である。
配信サーバ９０は、配信手段の一例であり、予測サーバ８０による予測結果を配信する。ここで、配信とは、複数のユーザに情報を伝達することをいう。配信サーバ９０には、強制配信部９２とオンデマンド配信部９４と、アラート配信部９６とが含まれる。
強制配信部９２は、ユーザの要求が無くても、強制的に予測結果を配信する処理を行う。例えば、強制配信部９２は、予測結果が得られるたびに、車両１２、１４に送信を行う。また強制配信部９２は、専用のアプリケーションプログラムがインストールされたスマートフォン１００に、予測結果が得られるたびに送信を行う。
オンデマンド配信部９４は、端末からの要求があった場合に、予測結果を配信する。例えば、オンデマンド配信部９４は、ユーザが車両１２、１４のタッチパネル２４において特別な操作をした場合に、予測結果の配信を行う。また、オンデマンド配信部９４は、ユーザが、スマートフォン１００において環境予測の表示を指示した場合に、予想結果の配信を行う。
アラート配信部９６は、予め設定された条件を満たした場合に、対象となるユーザにアラート情報を送信する。例えば、ユーザの居場所に悪天候をもたらす雷雲が接近しているような場合、あるいは、ユーザの居場所に大量のスギ花粉が接近している場合などに、アラート情報が配信される。
図４は、収集サーバ６０が環境データを収集する過程について説明する図である。図４では、収集条件設定部６２により設定されている収集対象エリアの一部を模式的に図示している。収集対象エリアは、Ａ、Ｂ、Ｃ、Ｄで示した縦方向の４列と、１、２、３、４で示した横方向の４行とからなる小エリアに分割されている。小エリアのサイズは、例えば、予測サーバ８０において環境予測を行う空間解像度に応じて決定される。
図４に示した例では、各小エリアにおいて、１台の車両を選択し、環境データを収集するとの収集条件が課されたことを仮定している。
左上のＡ１の小エリアでは、１台の車両１２０のみが走行しており、車両１２０が環境データの収集対象として選択されている。図４では、シェードによって車両１２０が選択されたことを図示している。選択された車両１２０は、比較的交通量の少ない道路を、ある程度の速度（例えば時速４０ｋｍ／ｈ）で走行していることを想定している。このため、車両１２０では、周囲の車両の影響をほとんど受けることなく、温度データなどの環境データを取得できると考えられる。そこで、データ補正部６８では、温度データに対するデータ補正を行うことなく、データ記憶部７０に記憶する。
Ｂ１の小エリアには、２台の車両１２２、１２４が、幹線道路を比較的速い速度（例えば６０ｋｍ／ｈ）でスムーズに走行していることを想定している。Ｂ１のエリアには、２台の車両１２２、１２４のみが走行しているため、このうちの１台である車両１２２が収集対象として選択されている。幹線道路では、交通量が多く、周囲の車両の存在が温度データなどの環境データに影響している可能性がある。しかし、車両１２２は、比較的速い速度で走行しており、車間距離もある程度離れていることが想定されることから、データ補正部６８は、温度データに対しては軽微な補正を行うか、あるいは、補正を行わないことになる。
Ａ２の小エリアでは、交通量の少ない道路を車両１２６が比較的ゆっくり（例えば時速３０ｋｍ／ｈ）走行しており、さらに、幹線道路を車両１２８、１３０、１３２が渋滞気味の速度（例えば時速１５ｋｍ／ｈ）で走行していることを想定している。渋滞した幹線道路では、温度データなどの環境データは、周囲の車両の影響を受けやすい。そこで、Ａ２の小エリアでは、交通量の少ない道路を走行する車両１２６が選択されている。
他方、Ｂ２の小エリアでは、車両は全て幹線道路を渋滞気味に走行しており、その中の１台である車両１３４が選択されている。車両１３４が取得する温度データは、周囲の車両の影響（さらには自車両の影響）によって若干高い値を示していると考えられる。そこで、データ補正部６８では、車両１３４から収集した温度データに対しては、温度を若干低くする補正処理を行って、データ記憶部７０に記憶する。
このように、走行速度あるいは周囲の車両密度などの交通条件を考慮して、環境データを収集することで、環境データの品質を高めることが可能となる。さらに、交通条件が異なる車両から環境データを収集する場合に、データ補正部６８で補正を行うことで、環境データの品質向上を図ることができる。
なお、図４のＣ４の小エリアには車両が走行していない。例えば、山岳エリア、砂漠エリア、海上エリアなどでは走行中の車両が存在しないこともある。また、起動されていない車両（エンジンあるいは駆動モータが起動されていない状態をいう）は存在するものの走行中の車両（言い換えれば起動されている車両）が存在しない状態もありえる。起動されていない車両では、一般にセンサによる環境測定が行われない。そこで、これらの場合には、車両からの環境データの収集を行わないこととなる。
図４に示した例以外にも、収集条件を設定することは可能である。例えば、各小エリアでは複数台の車両または小エリア中の全車両を選択して環境データを収集し、平均値あるいは中央値をその小エリアの環境データの値とすることが考えられる。これにより、小さなスケールの擾乱を無視することになる一方で、環境データの均質化を図ることができる。また、予測サーバ８０における計算グリッドに近い場所を走行する車両から優先的に環境データを収集することも考えられる。これにより、計算誤差を減らすことが期待される。さらには、例えば、あるメーカ製の特定の車種に限定して、環境データを収集するようにしてもよい。これにより、センサの違いによる環境データの誤差を低減することが可能となる。
続いて図５を参照して、配信サーバ９０によって配信される環境予測データの表示例について説明する。図５は、車両１２のタッチパネル２４における表示例を示す図である。
タッチパネル２４では、カーナビゲーションシステム１４０が起動されている。そして、運転者は、自宅を出発地（ＳＴＡＲＴ）として選択し、温泉を到着地（ＧＯＡＬ）として選択している。この結果、カーナビゲーションシステム１４０では、走行経路を二重線で表示している。
カーナビゲーションシステム１４０は、環境予測システムと連動している。そして、カーナビゲーションシステム１４０において、走行経路が設定された場合には、カーナビゲーションシステム１４０が配信サーバ９０のオンデマンド配信部９４に天気予測の配信を依頼する。すなわち、走行経路となる各位置と、走行予定時刻をオンデマンド配信部９４に伝え、対応する気象予測結果を取得する。
タッチパネル２４の下部に表示された小ウインドウ１４２は、天気予測の配信結果を表示している。小ウインドウ１４２は、選択された走行経路を走行した場合における走行予定時間と、天気予報の情報を表示している。具体的には、出発地から到着地までの所要予定時間は４時間と表示されている。そして、出発時から２時間後までは晴れであること、２時間後から２時間４０分後くらいまで曇りであること、２時間４０分後くらいから３時間１５分後くらいまでは雨であること、３時間１５分後から到着までは再び晴れであることを表示している。
天気予報の表示は、様々に行うことが可能である。例えば、小ウインドウ１４２に代えて、あるいは、小ウインドウ１４２とともに、カーナビゲーションシステム１４０が表示する地図上に、天気予報に応じた色を表示するようにしてもよい。これにより、経路上のどの位置でどのような天気となるのかを視覚的に把握することが可能となる。
図５では、小ウインドウ１４２の右上方に、「Bad Weather Alert」と書かれた悪天候アラートボタン１４４も表示されている。悪天候アラートボタン１４４は、悪天候として定められた事象（例えば大雨、雷、竜巻あるいは降雪）の情報を事前に受けるためのボタンである。
悪天候アラートボタン１４４を押した場合、カーナビゲーションシステム１４０は、配信サーバ９０のアラート配信部９６に対し、定期的に、車両１２の位置情報と、アラート配信要求を送信する。アラート配信部９６では、最新の天気予測に基づいて、悪天候が予想されるエリアを把握している。そして、車両１２の走行予定位置が悪天候予想エリアに入るか否かを監視し、入る場合には、車両１２にその旨の配信を行う。
悪天候アラートの配信を受けた場合、車両１２では、タッチパネル２４内に、悪天候が予想されるエリア及び時刻を表示する。これにより、車両１２では、必要に応じて、走行経路の変更、あるいは、休憩可能な施設への立ち寄りなどを行うことが可能となる。悪天候アラートの配信は、悪天候が予想された時点で直ちに行ってもよいし、例えば悪天候が予想される２時間前、あるいは１時間前など、悪天候との遭遇がある程度確実になった段階で行ってもよい。
図５に示した環境予測の配信は、車両１２に限定されるものではなく、例えば、スマートフォン１００、さらには、ＰＣ（Personal Computer）などに対しても同様に行うことが可能である。
以上の説明においては、車両が取得した環境データに対しては、収集サーバ６０の画像解析部６６が解析を行い、データ補正部６８がデータ補正等の処理を行うものとした。しかし、画像解析及びデータ補正の一方または両方の処理を車両において行うようにしてもよい。この場合には、車両における情報処理が増大する一方で、車両から収集サーバ６０へ送信するデータ量を削減できる可能性がある。
１０ 環境予測システム、１２，１４ 車両、２０ ＧＰＳ、２２ 時計、２４ タッチパネル、２６ 外気温度センサ、２８ 湿度センサ、３０ 日射センサ、３２ 車外撮影カメラ、３４ レインセンサ、３６ ガラス温度センサ、３８ スモッグベンチレーションセンサ、４０ スモークセンサ、４２ ＰＭ２．５センサ、５０ 予測センタ、６０ 収集サーバ、６２ 収集条件設定部、６４ データ受信部、６６ 画像解析部、６８ データ補正部、７０ データ記憶部、８０ 予測サーバ、８２ 気象予測数値モデル、８４ 輸送予測数値モデル、８６ ＡＩ型予測数値モデル、９０ 配信サーバ、９２ 強制配信部、９４ オンデマンド配信部、９６ アラート配信部、１００ スマートフォン、１１０ データ保有機関、１１２ 気象観測データ、１１４ 気象予測データ、１２０，１２２，１２４，１２６，１２８，１３０，１３２，１３４ 車両、１４０ カーナビゲーションシステム、１４２ 小ウインドウ、１４４ 悪天候アラートボタン。
Claims (2)
- 複数の移動体において測定された環境データを、前記移動体の測定位置データおよび前記複数の移動体での測定データと対応づけて収集する収集手段と、
測定された前記環境データを、前記測定データに基づいて補正する補正手段と、
補正された前記環境データ及び前記測定位置データに基づいて、未来の時刻における空間的な環境予測を行う予測手段と、
を備え、
前記環境データは、温度センサによる温度データ、及びレインセンサによる雨滴量データ、を含み、
前記測定データは、前記移動体の移動速度、及び撮影カメラによって撮影した前記移動体の外部の画像により検出した前記移動体の周囲の交通条件を含み、
前記補正手段は、前記温度センサによる温度データを前記移動体の周囲の交通条件に基づいて補正し、前記レインセンサによる雨滴量データを前記移動体の移動速度に基づいて補正し、
前記収集手段は、収集対象エリアに位置する前記複数の移動体のうち、移動速度の比較的速い方の前記移動体において測定された前記環境データを収集する、ことを特徴とする環境予測システム。 - 複数の移動体において測定された環境データを、前記移動体の測定位置データおよび前記複数の移動体での測定データと対応づけて収集する収集ステップと、
測定された前記環境データを、前記測定データに基づいて補正する補正ステップと、
補正された前記環境データ及び前記測定位置データに基づいて、未来の時刻における空間的な環境予測を行う予測ステップと、
を含み、
前記環境データは、温度センサによる温度データ、及びレインセンサによる雨滴量データ、を含み、
前記測定データは、前記移動体の移動速度、及び撮影カメラによって撮影した前記移動体の外部の画像により検出した前記移動体の周囲の交通条件を含み、
前記補正ステップにおいて、前記温度センサによる温度データを前記移動体の周囲の交通条件に基づいて補正し、前記レインセンサによる雨滴量データを前記移動体の移動速度に基づいて補正し、
前記収集ステップにおいて、収集対象エリアに位置する前記複数の移動体のうち、移動速度の比較的速い方の前記移動体において測定された前記環境データを収集する、ことを特徴とする環境予測方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019221271A JP7310577B2 (ja) | 2019-12-06 | 2019-12-06 | 環境予測システム及び環境予測方法 |
| US16/997,362 US20210173118A1 (en) | 2019-12-06 | 2020-08-19 | Environment prediction system and environment prediction method |
| CN202011097495.6A CN112925045A (zh) | 2019-12-06 | 2020-10-14 | 环境预测系统和环境预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019221271A JP7310577B2 (ja) | 2019-12-06 | 2019-12-06 | 環境予測システム及び環境予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021092396A JP2021092396A (ja) | 2021-06-17 |
| JP7310577B2 true JP7310577B2 (ja) | 2023-07-19 |
Family
ID=76162547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019221271A Active JP7310577B2 (ja) | 2019-12-06 | 2019-12-06 | 環境予測システム及び環境予測方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210173118A1 (ja) |
| JP (1) | JP7310577B2 (ja) |
| CN (1) | CN112925045A (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11988804B2 (en) * | 2021-02-12 | 2024-05-21 | Raytheon Company | Rule-based environmental condition impact assessments |
| CN114330415B (zh) * | 2021-11-25 | 2022-09-30 | 中国电器科学研究院股份有限公司 | 一种海洋盐雾近海空间分布预测方法 |
| US11835678B2 (en) * | 2021-12-20 | 2023-12-05 | GM Global Technology Operations LLC | Weather data with connected vehicles |
| JP7533500B2 (ja) | 2022-02-18 | 2024-08-14 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| TWM651615U (zh) * | 2022-06-16 | 2024-02-11 | 香港商隆博遠蹤有限公司 | 水產養殖育種預測系統 |
| WO2023248390A1 (ja) * | 2022-06-22 | 2023-12-28 | 日本電信電話株式会社 | 全天日射量推定装置、全天日射量学習装置、全天日射量推定方法、及び全天日射量推定プログラム |
| CN115639320A (zh) * | 2022-09-30 | 2023-01-24 | 阿艾斯泰姆株式会社 | 利用移动车辆大数据的iot城市环境监测预测系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001042052A (ja) | 1999-07-30 | 2001-02-16 | Weather Information System Co Ltd | ダイオキシン類等の化学物質、微粒状降下物等に対する地域環境モニタリングシステム |
| JP2006201024A (ja) | 2005-01-20 | 2006-08-03 | Nagaoka Univ Of Technology | 雪氷水資源の分布型評価方法 |
| US20080046165A1 (en) | 2006-08-18 | 2008-02-21 | Inrix, Inc. | Rectifying erroneous road traffic sensor data |
| JP2012242088A (ja) | 2011-05-16 | 2012-12-10 | Nec Casio Mobile Communications Ltd | 気象予測システム及び気象予測携帯端末 |
| JP2013054004A (ja) | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
| JP2014038068A (ja) | 2012-08-20 | 2014-02-27 | Ntt Docomo Inc | 情報処理装置、情報処理システム及び情報処理方法 |
| JP2015158451A (ja) | 2014-02-25 | 2015-09-03 | 株式会社デンソー | 気象観測システム |
| JP2017128239A (ja) | 2016-01-21 | 2017-07-27 | 株式会社デンソー | 制御装置 |
| JP2018109820A (ja) | 2016-12-28 | 2018-07-12 | 本田技研工業株式会社 | 気象情報処理装置、気象情報処理方法、およびプログラム |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8903950B2 (en) * | 2000-05-05 | 2014-12-02 | Citrix Systems, Inc. | Personalized content delivery using peer-to-peer precaching |
| DE602004028568D1 (de) * | 2004-02-20 | 2010-09-23 | Harman Becker Automotive Sys | Vorrichtung und Verfahren zum Erzeugen von Umgebungsparametern und zum Bestimmen von Wetterinformationen |
| JP4346472B2 (ja) * | 2004-02-27 | 2009-10-21 | 株式会社ザナヴィ・インフォマティクス | 交通情報予測装置 |
| US20070030173A1 (en) * | 2005-07-12 | 2007-02-08 | Honeywell International Inc. | Method and apparatus for high altitude environmental data collection |
| US7733264B1 (en) * | 2007-09-27 | 2010-06-08 | Rockwell Collins, Inc. | System and method for generating weather radar information |
| US8548671B2 (en) * | 2011-06-06 | 2013-10-01 | Crown Equipment Limited | Method and apparatus for automatically calibrating vehicle parameters |
| IL229068A (en) * | 2013-10-24 | 2016-06-30 | Amir Tsaliah | Facility and method for rapid parachute deployment |
| US10700767B2 (en) * | 2016-03-16 | 2020-06-30 | Honeywell International Inc. | Requesting weather data based on pre-selected events |
| CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
| US10625567B2 (en) * | 2017-06-20 | 2020-04-21 | Ford Global Technologies, Llc | System and method for correcting ambient air temperature measurement using a wireless network |
| US11288959B2 (en) * | 2017-10-31 | 2022-03-29 | Bosch Automotive Service Solutions Inc. | Active lane markers having driver assistance feedback |
| US10475336B2 (en) * | 2017-12-04 | 2019-11-12 | Bluesignal Corporation | System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof |
| CN108195376B (zh) * | 2017-12-13 | 2021-06-18 | 天津津航计算技术研究所 | 小型无人机自主导航定位方法 |
| US10752213B2 (en) * | 2019-01-09 | 2020-08-25 | Capital One Services, Llc | Detecting an event and automatically obtaining video data |
| US11087158B2 (en) * | 2019-06-10 | 2021-08-10 | Amazon Technologies, Inc. | Error correction of airborne vehicles using natural patterns |
| KR102367744B1 (ko) * | 2019-08-30 | 2022-02-28 | 엘지전자 주식회사 | 머신 러닝을 이용한 공기청정기의 필터 수명 예측방법 |
-
2019
- 2019-12-06 JP JP2019221271A patent/JP7310577B2/ja active Active
-
2020
- 2020-08-19 US US16/997,362 patent/US20210173118A1/en not_active Abandoned
- 2020-10-14 CN CN202011097495.6A patent/CN112925045A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001042052A (ja) | 1999-07-30 | 2001-02-16 | Weather Information System Co Ltd | ダイオキシン類等の化学物質、微粒状降下物等に対する地域環境モニタリングシステム |
| JP2006201024A (ja) | 2005-01-20 | 2006-08-03 | Nagaoka Univ Of Technology | 雪氷水資源の分布型評価方法 |
| US20080046165A1 (en) | 2006-08-18 | 2008-02-21 | Inrix, Inc. | Rectifying erroneous road traffic sensor data |
| JP2012242088A (ja) | 2011-05-16 | 2012-12-10 | Nec Casio Mobile Communications Ltd | 気象予測システム及び気象予測携帯端末 |
| JP2013054004A (ja) | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
| JP2014038068A (ja) | 2012-08-20 | 2014-02-27 | Ntt Docomo Inc | 情報処理装置、情報処理システム及び情報処理方法 |
| JP2015158451A (ja) | 2014-02-25 | 2015-09-03 | 株式会社デンソー | 気象観測システム |
| JP2017128239A (ja) | 2016-01-21 | 2017-07-27 | 株式会社デンソー | 制御装置 |
| JP2018109820A (ja) | 2016-12-28 | 2018-07-12 | 本田技研工業株式会社 | 気象情報処理装置、気象情報処理方法、およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112925045A (zh) | 2021-06-08 |
| JP2021092396A (ja) | 2021-06-17 |
| US20210173118A1 (en) | 2021-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7310577B2 (ja) | 環境予測システム及び環境予測方法 | |
| US11163319B2 (en) | Link level wind factor computation for efficient drone routing using 3D city map data | |
| US9903733B2 (en) | Vehicular communications network and methods of use and manufacture thereof | |
| Kumar et al. | Wintertime characteristics of aerosols at middle Indo-Gangetic Plain: Impacts of regional meteorology and long range transport | |
| US20190084369A1 (en) | Controlling in-vehicle air quality | |
| Lee et al. | Influence of transboundary air pollutants from China on the high-PM10 episode in Seoul, Korea for the period October 16–20, 2008 | |
| JP7221423B2 (ja) | 時間変動音量予測システム | |
| US11714409B2 (en) | Using environmental information to estimate sensor functionality for autonomous vehicles | |
| US9436784B2 (en) | Validating and calibrating a forecast model | |
| US11322033B2 (en) | Remote surface condition assessment | |
| WO2017185020A1 (en) | System and method for predicting hyper-local conditions and optimizing navigation performance | |
| Lee et al. | A mobile sensor network to map carbon dioxide emissions in urban environments | |
| RU2582500C2 (ru) | Информация о погодных условиях на основе магнитометров | |
| WO2008038968A1 (en) | Method of providing safety information for vehicles and providing system thereof | |
| US11615551B2 (en) | Assessing visibility of a target object with autonomous vehicle fleet | |
| Siems-Anderson et al. | An adaptive big data weather system for surface transportation | |
| JP6818569B2 (ja) | 気象情報処理装置、気象情報処理方法、プログラム | |
| Niedzielski et al. | Are estimates of wind characteristics based on measurements with Pitot tubes and GNSS receivers mounted on consumer-grade unmanned aerial vehicles applicable in meteorological studies? | |
| Izett et al. | Understanding and reducing false alarms in observational fog prediction | |
| JP2022014729A (ja) | 悪環境判定装置、悪環境判定方法 | |
| CN113191030A (zh) | 一种自动驾驶测试场景构建方法及装置 | |
| Kaskaoutis et al. | The combined use of satellite data, air-mass trajectories and model applications for monitoring dust transport over Athens, Greece | |
| JP2021169961A (ja) | 天気情報収集システムおよびそれに含まれる天気情報取得装置 | |
| Ahmed et al. | Synthesis of state-of-the-art in visibility detection systems’ applications and research | |
| Lappin et al. | Data collected using small uncrewed aircraft system during the TRacking Aerosol Convection Interactions ExpeRiment (TRACER) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211224 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221027 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221226 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230328 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230524 |
|
| 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: 20230606 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230619 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7310577 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |