JP7347974B2 - 推定装置、推定方法及び推定プログラム - Google Patents

Description

本発明は、推定装置、推定方法及び推定プログラムに関する。

従来、道路等の路面の状況を収集し、道路の補修等に利用する技術が提案されている。例えば、路面の状態を検出する各種センサを用いて、道路の劣化状況を収集し、補修や点検を行うための情報を収集する技術が提案されている。

特開２００５－１１５６８７号公報

しかしながら、上述した技術では、容易に道路の情報を収集しているとは言えない場合がある。

例えば、上述した技術では、路面の状況を検出する各種のセンサを搭載した端末装置を車両に設置し、予め点検対象となる道路を走行することで、道路の劣化状況を収集する必要がある。

本願は、上記に鑑みてなされたものであって、道路の情報を収集する手間を削減することを目的とする。

本願に係る推定装置は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する取得部と、前記検出情報に基づいて、前記所定の道路を走行する車両のうち一部の車両の種別を推定する車両推定部と、推定された車両の種別に基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する大気推定部とを有することを特徴とする。

実施形態の一態様によれば、道路の情報を収集する手間を削減することができるという効果を奏する。

図１は、道路の状況を推定する推定処理の一例を示す図である。 図２は、大気の汚染状況を推定する推定処理の一例を示す図である。 図３は、道路の状況または大気の汚染状況に関するコンテンツの一例を示す図である。 図４は、実施形態に係る推定装置の構成例を示す図である。 図５は、実施形態に係る検出情報記憶部の一例を示す図である。 図６は、実施形態に係る推定装置によって実行される、道路の状況を推定するための処理手順を示すフローチャートである。 図７は、実施形態に係る推定装置によって実行される、大気の汚染状況を推定するための処理手順を示すフローチャートである。 図８は、ハードウェア構成の一例を示す図である。

以下に、本願に係る推定装置、推定方法及び推定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る推定装置、推定方法及び推定プログラムが限定されるものではない。１つまたは複数の実施形態の詳細は、以下の説明および図面に記載される。また、１つまたは複数の実施形態の各々は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の１つまたは複数の実施形態において同一の部位には同一の符号を付し、重複する説明は省略する。

〔１．推定処理〕
まず、図１、図２および図３を参照して、実施形態に係る推定処理の一例について説明する。

図１は、道路の状況を推定する推定処理の一例を示す図である。一方、図２は、大気の汚染状況を推定する推定処理の一例を示す図である。図１および図２の例では、実施形態に係る推定システム１によって推定処理が行われる。

図１および図２に示すように、推定システム１には、ユーザ装置１０_１～１０_ｎと、ユーザ装置２０と、推定装置１００とが含まれる（ｎは任意の自然数）。本明細書では、ユーザ装置１０_１～１０_ｎを区別する必要がない場合は、ユーザ装置１０_１～１０_ｎを「ユーザ装置１０」と総称する。図１および図２中では図示していないが、推定システム１は、複数台のユーザ装置２０や、複数台の推定装置１００を含んでもよい。

ユーザ装置１０およびユーザ装置２０は、ユーザによって利用される情報処理装置である。ユーザ装置１０およびユーザ装置２０は、スマートフォン、デスクトップ型ＰＣ（Personal Computer）、ノート型ＰＣ、タブレット型ＰＣを含む、任意のタイプの情報処理装置であってもよい。

図１および図２の例では、ユーザ装置１０は、車両を運転するユーザによって利用されるクライアント装置である。これらの例では、ユーザ装置１０は、カーナビゲーションアプリケーション（カーナビアプリと呼ばれる）がインストールされたスマートフォンである。スマートフォンは、例えば、ユーザの車両に設置される。このようなスマートフォンは、車載ホルダに装着され得る。なお、「ユーザの車両に設置されたユーザ装置１０」という用語は、「ユーザの車両に搭載されたユーザ装置１０」を包含し得る。言い換えると、「ユーザ装置１０の設置」という用語は、「ユーザ装置１０の恒久的な設置（例えば、ユーザ装置１０を搭載すること）」を包含し得る。

図１および図２の例では、ユーザ装置２０は、行政機関等のエンティティによって利用されるクライアント装置である。例えば、ユーザ装置２０は、道路交通に関する業務や、大気環境に関する業務を統括する機関のユーザによって利用される。

推定装置１００は、道路交通に関する状況または大気環境に関する状況を推定する情報処理装置である。推定装置１００は、サーバを含む、任意のタイプの情報処理装置であってもよい。図１および図２中では図示していないが、推定装置１００は、ネットワーク網（例えば、インターネット網）を介して、有線又は無線によりユーザ装置１０およびユーザ装置２０と通信を行う。

図１の例では、推定装置１００は、道路交通に関する状況を推定する。例えば、推定装置１００は、道路の劣化度合いを推定する。一方、図２の例では、推定装置１００は、大気環境に関する状況を推定する。例えば、推定装置１００は、道路付近の大気汚染の度合いを推定する。

ところで、従来、車両に関連する情報を用いて、道路交通に関するデータや、大気環境に関するデータを収集するための技術が提案されている。道路交通に関しては、例えば、カメラ、マイク、音響センサ、振動センサ等のセンサを用いて、道路の劣化状態を点検することが提案されている。一方、大気環境に関しては、例えば、沿道に設置された環境センサ（例えば、振動センサ、騒音センサ、大気質センサ、風向風速センサ、日照センサ、温湿度雨量センサ）で検出された気象データと、車種別の交通量データとを用いて、沿道の大気質の汚染を予測することが提案されている。

しかしながら、上述の技術では、道路交通または大気環境に関するデータを収集するために、上述のような様々なセンサが必要となる。それには、多くの時間と費用がかかる場合がある。

そこで、図１および図２の例示的な実施形態では、推定装置１００は、多くの時間と費用をかけることなく、道路交通に関する状況や、大気環境に関する状況を推定するために、以下に説明される推定処理を実行する。

道路の状況を推定する推定処理の一例は、図１を参照して説明される。図１の例では、はじめに、推定装置１００は、検出情報を取得する（ステップＳ１１）。例えば、推定装置１００は、道路Ｒ１を走行する車両に設置されたユーザ装置１０_１から、検出情報（例えば、第１の検出情報）を受信する。例えば、推定装置１００は、ユーザ装置１０_１にインストールされたカーナビアプリを介して、ユーザ装置１０_１から検出情報を受信する。

検出情報は、車両に設置されたユーザ装置１０（例えば、ユーザ装置１０_１）から検出される情報である。例えば、検出情報は、道路を走行する車両に設置されたユーザ装置１０から、リアルタイムに収集されるデータである。収集されるデータは、例えば、ユーザ装置１０のユーザのユーザ情報、このユーザの走行情報、このユーザの挙動情報等のデータである。

上述のユーザ情報は、例えば、ユーザを識別するための識別子（例えば、ユーザＩＤ）を含む。また、上述のユーザの走行情報は、例えば、位置情報（例えば、時刻、経度、緯度）、速度情報（例えば、時刻、進行方向、地点速度、加速度）等の情報を含む。また、上述のユーザの挙動情報は、例えば、センサ情報（例えば、時刻、加速度、方位、音声）を含む。走行情報および挙動情報は、ユーザ装置１０に搭載されたセンサ（例えば、加速度計、ジャイロスコープ、マイクロホン）や、ユーザ装置１０のＧＰＳ（Global Positioning System）機能を用いて収集され得る。なお、車両に設置された装置から収集されるデータは、プローブ情報（すなわち、プローブ（移動体）の情報）、プローブ交通情報、走行データ、ＦＣＤ（Floating Car Data）、テレマティクスデータ（Telematics data）などと呼ばれることもある。

図１の例では、次いで、推定装置１００は、検出情報を取得する（ステップＳ１２）。例えば、推定装置１００は、道路Ｒ１を走行している他の車両に設置されたユーザ装置１０_２から、他の検出情報（例えば、第２の検出情報）を受信する。

図１の例では、次いで、推定装置１００は、取得された検出情報に基づいて、道路Ｒ１を走行する各車両の車種と、道路Ｒ１を走行する際の運転態様とを推定する（ステップＳ１３）。例えば、取得された検出情報は、センサ情報を含む。センサ情報は、例えば、振動情報、加速度情報、音声情報等の情報を含む。推定装置１００は、振動情報、加速度情報、音声情報等の情報に基づいて、道路Ｒ１を走行する各車両の車種と、道路Ｒ１を走行する際の運転態様とを推定することができる。

例えば、図１の例に示されるように、ユーザ装置１０_１から受信された検出情報は、センサ情報ＳＩ１１を含む。例示のために、センサ情報ＳＩ１１に含まれる振動情報は、「ユーザ装置１０_１が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たさないこと」を示すと仮定する。さらに、センサ情報ＳＩ１１に含まれる加速度情報は、「ユーザ装置１０_１が設置された車両の前後加速度の大きさが、所定の条件（例えば、第２の閾値）を満たすこと」を示すと仮定する。この例では、推定装置１００は、ユーザ装置１０_１が設置された車両の車種を、「乗用車」と推定する。言い換えると、推定装置１００は、ユーザ装置１０_１が設置された車両の揺れ方に基づいて、ユーザ装置１０_１が設置された車両の車種を推定する。さらに、推定装置１００は、ユーザ装置１０_１が設置された車両の運転態様を、「運転態様ＤＢ１１」と推定する。「運転態様ＤＢ１１」は、例えば、急ブレーキ等の運転態様に該当する。なお、推定装置１００は、後述のように、車両の車種を推定する機械学習モデル（車両推定モデル）を用いて、ユーザ装置１０_１が設置された車両の車種を推定してもよい。また、推定装置１００は、後述のように、運転態様を推定する機械学習モデル（態様推定モデル）を用いて、道路Ｒ１を走行する際の運転態様を推定してもよい。

上述のセンサ情報ＳＩ１１の場合と同様に、例えば、ユーザ装置１０_２から受信された検出情報は、センサ情報ＳＩ１２を含む。例示のために、センサ情報ＳＩ１２に含まれる振動情報は、「ユーザ装置１０_２が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たすこと」を示すと仮定する。さらに、センサ情報ＳＩ１２に含まれる加速度情報は、「ユーザ装置１０_２が設置された車両の前後加速度の大きさが、所定の条件（例えば、第３の閾値）を満たすこと」を示すと仮定する。この例では、推定装置１００は、ユーザ装置１０_２が設置された車両の車種を、「バス」と推定する。さらに、推定装置１００は、ユーザ装置１０_２が設置された車両の運転態様を、「運転態様ＤＢ１２」と推定する。「運転態様ＤＢ１２」は、例えば、急発進等の運転態様に該当する。

運転態様に関しては、推定装置１００は、取得された検出情報に含まれる速度情報に基づいて、道路Ｒ１を走行する際の運転態様を推定してもよい。例えば、ユーザ装置１０が設置された車両の速度が所定の条件（例えば、第４の閾値）を満たす場合に、推定装置１００は、ユーザ装置１０が設置された車両の運転態様を、「高速度」と推定してもよい。

図１の例では、次いで、推定装置１００は、車種および運転態様の推定結果に基づいて、道路Ｒ１を走行する車両の走行態様を推定し、走行態様の推定結果に基づいて、道路Ｒ１の劣化度合いを推定する（ステップＳ１４）。例えば、推定装置１００は、道路Ｒ１を走行する車両の走行態様として、「所定の車種および所定の運転態様に対応し、かつ所定の期間に道路Ｒ１を走行する複数の車両の台数」を推定する。また、例えば、推定装置１００は、道路Ｒ１の劣化度合いとして、「道路Ｒ１が舗装されてから１年以内に、甌穴（ポットホールとも呼ばれる）が道路Ｒ１に形成される」という状況を推定する。

車両の走行態様の推定に関しては、例えば、推定装置１００は、取得された検出情報に含まれる位置情報に基づいて、カーナビアプリがインストールされたユーザ装置１０が設置された複数の車両であって、所定の期間（例えば、「１日」）に道路Ｒ１を走行した複数の車両の台数を決定する。さらに、推定装置１００は、ユーザ装置１０にインストールされたカーナビアプリの利用率を、所定の記憶装置から取得する。推定装置１００は、決定された複数の車両の台数と、取得されたカーナビアプリの利用率とに基づいて、「所定の車種および所定の運転態様に対応し、かつ所定の期間に道路Ｒ１を走行する複数の車両の台数」を推定することができる。例示のために、カーナビアプリがインストールされたユーザ装置１０が設置された複数の車両であって、車種「乗用車」および運転態様「高速度」に対応し、かつ「１日」に道路Ｒ１を走行する複数の車両の台数が、「５台」であると仮定する。さらに、ユーザ装置１０にインストールされたカーナビアプリの利用率が、「１０％」であると仮定する。この例では、推定装置１００は、車種「乗用車」および運転態様「高速度」に対応し、かつ「１日」に道路Ｒ１を走行する複数の車両の台数を、複数の車両の台数「５台」と「１０（すなわち、１／（１０％＝０．１）」との積「５０台」と推定する。

道路Ｒ１の劣化度合いの推定に関しては、例えば、推定装置１００は、「道路を走行する車両の走行態様に関する条件」に関連付けられた「道路の劣化度合いの状況」が格納されたデータベースを参照して、道路Ｒ１の劣化度合いを推定することができる。例えば、走行態様の推定結果が走行態様に関する条件を満たす場合に、推定装置１００は、道路Ｒ１の劣化度合いを、「道路を走行する車両の走行態様に関する条件に関連付けられた道路の劣化度合いの状況」と推定する。例示のために、データベースが、「道路が舗装されてから１年以内に、甌穴がこの道路に形成される」という状況に関連付けられた条件であって、「車種「バス」および運転態様「急ブレーキ」に対応し、かつ「１日」にこの道路を走行する複数の車両の台数が、「１０台」以上である」という条件を含むと仮定する。この例では、推定装置１００は、道路Ｒ１の劣化度合いを、「道路Ｒ１が舗装されてから１年以内に、甌穴が道路Ｒ１に形成される」という状況と推定する。なお、推定装置１００は、後述のように、所定の道路の状況を推定する機械学習モデル（道路推定モデル）を用いて、道路Ｒ１の劣化度合いを推定してもよい。

図１の例では、その後、推定装置１００は、道路の劣化度合いの推定結果を提供する（ステップＳ１５）。例えば、推定装置１００は、道路の交通に関する業務を統括する機関のユーザによって利用されるユーザ装置２０に、道路の劣化度合いの推定結果に関するコンテンツを提供する。道路の劣化度合いの推定結果に関するコンテンツは、図３に関連して後述される。

大気の汚染状況を推定する推定処理の一例は、図２を参照して説明される。図２の例では、図１のステップＳ１１の場合と同様に、はじめに、推定装置１００は、検出情報を取得する（ステップＳ２１）。例えば、推定装置１００は、道路Ｒ２を走行している車両に設置されたユーザ装置１０_１から、検出情報（例えば、第１の検出情報）を受信する。

図２の例では、図１のステップＳ１２の場合と同様に、次いで、推定装置１００は、検出情報を取得する（ステップＳ２２）。例えば、推定装置１００は、道路Ｒ２を走行している他の車両に設置されたユーザ装置１０_２から、他の検出情報（例えば、第２の検出情報）を受信する。

図２の例では、図１のステップＳ１３の場合と同様に、次いで、推定装置１００は、取得された検出情報に基づいて、道路Ｒ２を走行する各車両の車種と、道路Ｒ２を走行する際の運転態様とを推定する（ステップＳ２３）。

例えば、図１のステップＳ１３の場合と同様に、ユーザ装置１０_１から受信された検出情報は、センサ情報ＳＩ２１を含む。例示のために、センサ情報ＳＩ２１に含まれる振動情報は、「ユーザ装置１０_１が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たさないこと」を示すと仮定する。さらに、センサ情報ＳＩ２１に含まれる加速度情報は、「ユーザ装置１０_１が設置された車両の前後加速度の大きさが、所定の条件（例えば、第２の閾値）を満たすこと」を示すと仮定する。この例では、推定装置１００は、ユーザ装置１０_１が設置された車両の車種を、「乗用車」と推定する。さらに、推定装置１００は、ユーザ装置１０_１が設置された車両の運転態様を、「運転態様ＤＢ２１」と推定する。「運転態様ＤＢ２１」は、例えば、急ブレーキ等の運転態様に該当する。

なお、図２の例では、推定された各車両の車種は、所定の駆動態様に対応する。図２の例に示されるように、例えば、車種「乗用車」は、駆動態様「ガソリン」に対応する。また、例えば、車種「バス」は、駆動態様「ディーゼル」に対応する。

上述のセンサ情報ＳＩ２１の場合と同様に、例えば、ユーザ装置１０_２から受信された検出情報は、センサ情報ＳＩ２２を含む。例示のために、センサ情報ＳＩ２２に含まれる振動情報は、「ユーザ装置１０_２が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たすこと」を示すと仮定する。さらに、センサ情報ＳＩ２２に含まれる加速度情報は、「ユーザ装置１０_２が設置された車両の前後加速度の大きさが、所定の条件（例えば、第３の閾値）を満たすこと」を示すと仮定する。この例では、推定装置１００は、ユーザ装置１０_２が設置された車両の車種を、「バス」と推定する。さらに、推定装置１００は、ユーザ装置１０_２が設置された車両の運転態様を、「運転態様ＤＢ２２」と推定する。「運転態様ＤＢ２２」は、例えば、急発進等の運転態様に該当する。

運転態様に関しては、図１のステップＳ１３の場合と同様に、推定装置１００は、取得された検出情報に含まれる速度情報に基づいて、道路Ｒ２を走行する際の運転態様を推定してもよい。例えば、ユーザ装置１０が設置された車両の速度が所定の条件（例えば、第４の閾値）を満たす場合に、推定装置１００は、ユーザ装置１０が設置された車両の運転態様を、「高速度」と推定してもよい。

図２の例では、次いで、推定装置１００は、車種および運転態様の推定結果に基づいて、道路Ｒ２を走行する車両の走行態様を推定し、走行態様の推定結果と、道路Ｒ２の路面の種別とに基づいて、道路Ｒ２付近の大気汚染の度合いを推定する（ステップＳ２４）。例えば、推定装置１００は、道路Ｒ２付近の大気汚染の度合いとして、「道路粉塵の濃度[μｍ／ｍ^３]」を推定する。道路粉塵は、例えば、アスファルトの薄片である。あるいは、道路粉塵は、ブレーキダスト（Brake Dust）、排気ガスからの微粒子（例えば、鉛、スズ）等の粉塵であってもよい。

例えば、推定装置１００は、「道路を走行する車両の走行態様に関する条件」および「道路の路面の種別に関する条件」に関連付けられた「道路付近の大気汚染の度合い」が格納されたデータベースを参照して、道路Ｒ２付近の大気汚染の度合いを推定する。例えば、走行態様の推定結果が、走行態様に関する条件を満たし、かつ道路Ｒ２の路面の種別が、道路の路面の種別に関する条件を満たす場合に、推定装置１００は、道路Ｒ２の劣化度合いを、「道路を走行する車両の走行態様に関する条件および道路の路面の種別に関する条件に関連付けられた道路付近の大気汚染の度合い」と推定する。例示のために、データベースが、道路付近の大気汚染の度合い「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」に関連付けられた条件であって、「車種「バス」および運転態様「急ブレーキ」に対応し、かつ「１日」にこの道路を走行する複数の車両の台数が、「１０台」以上である」という条件を含むと仮定する。さらに、データベースが、道路付近の大気汚染の度合い「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」に関連付けられた条件であって、道路の路面の種別に関する条件「アスファルト」を含むと仮定する。この例では、推定装置１００は、道路Ｒ２付近の大気汚染の度合いを、「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」と推定する。なお、推定装置１００は、後述のように、所定の道路から所定の範囲における大気の汚染状況を推定する機械学習モデル（大気推定モデル）を用いて、道路Ｒ２付近の大気汚染の度合いを推定してもよい。

図２の例では、図１のステップＳ１５の場合と同様に、その後、推定装置１００は、道路付近の大気汚染の度合いの推定結果を提供する（ステップＳ２５）。例えば、推定装置１００は、大気環境に関する業務を統括する機関のユーザによって利用されるユーザ装置２０に、道路付近の大気汚染の度合いの推定結果に関するコンテンツを提供する。道路付近の大気汚染の度合いの推定結果に関するコンテンツは、図３に関連して後述される。

図３は、道路の状況または大気の汚染状況に関するコンテンツの一例を示す図である。図３のコンテンツＣ１は、推定装置１００によって提供されたコンテンツである。図３の例では、コンテンツＣ１は、道路の状況または大気の汚染状況を示す地図として示されている。図３の例では、コンテンツＣ１は、メンテナンスエリアＭＡ１、メンテナンスエリアＭＡ２、メンテナンスエリアＭＡ３、大気汚染ＡＰ１、道路Ｒ１および道路Ｒ２を含む。例えば、メンテナンスエリアＭＡ１の表示色は、道路Ｒ１の劣化度合いが、「道路Ｒ１が舗装されてから１年以内に、甌穴が道路Ｒ１に形成される」という状況であることを示す。また、例えば、大気汚染ＡＰ１の表示色は、道路Ｒ２付近の大気汚染の度合いが、「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」であることを示す。

なお、図３の例では、メンテナンスエリアＭＡ３は、色分けされていない。例えば、メンテナンスエリアＭＡ３に対応する道路の劣化度合いは、「道路が舗装されてから１年以内に、甌穴が道路に形成されない」という状況であってもよい。また、例えば、メンテナンスエリアＭＡ３に対応する道路付近の大気汚染の度合いは、「道路粉塵の濃度：１０[μｍ／ｍ^３]以下」であってもよい。メンテナンスエリアＭＡ２の表示色は、メンテナンスエリアＭＡ２に対応する道路の劣化度合いが、「道路が補修されてから１年以内に、道路の白線が消える」という状況であることを示してもよい。

上述のように、実施形態に係る推定装置１００は、道路を走行する車両に設置されたユーザ装置１０から取得された検出情報（例えば、プローブ情報）を用いて、車両の車種および運転態様を推定する。そして、推定装置１００は、推定された車両の車種および運転態様を用いて、道路の劣化度合いや、道路付近の大気汚染の度合いを推定する。このように、推定装置１００は、道路の状況や道路付近の大気の状態を、センサで直接測定するのではなく、道路の劣化度合いや道路付近の大気汚染の度合いを、車両の走行態様から推定する。このため、推定装置１００は、道路交通に関するデータや、大気環境に関するデータを収集するための様々なセンサを用いることなく、道路の劣化度合いや、道路付近の大気汚染の度合いを推定することができる。その結果、推定装置１００は、道路のメンテナンスや、道路付近の大気汚染の測定にかかる時間と費用とを低減することができる。以下、このような推定処理を実現する推定装置１００について詳細に説明する。

〔２．推定装置の構成〕
次に、図４を参照して、実施形態に係る推定装置１００の構成例について説明する。図４は、実施形態に係る推定装置１００の構成例を示す図である。図４に示すように、推定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、推定装置１００は、推定装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、ネットワーク網と有線又は無線により接続され、ネットワーク網を介して、ユーザ装置１０およびユーザ装置２０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図４に示すように、記憶部１２０は、検出情報記憶部１２１と、車両推定モデル記憶部１２２と、態様推定モデル記憶部１２３と、道路推定モデル記憶部１２４と、大気推定モデル記憶部１２５と、訓練データ記憶部１２６とを有する。

（検出情報記憶部１２１）
図５は、実施形態に係る検出情報記憶部１２１の一例を示す図である。検出情報記憶部１２１は、検出情報を記憶する。上述のように、検出情報は、車両に設置されたユーザ装置１０から検出される情報である。

検出情報記憶部１２１は、例えば、受信部１３２によって受信された検出情報を記憶する。図５の例では、検出情報記憶部１２１には、「検出情報」が、「ユーザＩＤ」ごとに記憶される。例示として、「検出情報」には、項目「センサ情報」、項目「位置情報」および項目「速度情報」が含まれる。

「ユーザＩＤ」は、車両に設置されたユーザ装置１０を利用するユーザを識別するための識別子を示す。「センサ情報」は、ユーザによって利用されるユーザ装置１０に搭載されたセンサを用いて収集された情報を示す。「センサ情報」には、項目「振動情報」、項目「加速度情報」および項目「音声情報」が含まれる。

「振動情報」は、ユーザ装置１０に搭載されたセンサ（例えば、加速度計）によって検知された振動に関する情報を示す。「加速度情報」は、ユーザ装置１０に搭載されたセンサ（例えば、加速計）によって検知された加速度（例えば、前後加速度、左右加速度、ヨー加速度）に関する情報を示す。「音声情報」は、ユーザ装置１０に搭載されたセンサ（例えば、マイクロホン）によって検知された音声に関する情報を示す。

「位置情報」は、ユーザによって利用されるユーザ装置１０の位置情報を示す。「速度情報」は、ユーザによって利用されるユーザ装置１０の速度情報を示す。

例えば、図５は、「振動情報ＶＩ１１」が、ユーザＩＤ「Ｕ１」で識別されるユーザによって利用されるユーザ装置１０に搭載されたセンサ（例えば、加速度計）を用いて収集されたことを示している。振動情報ＶＩ１１は、例えば、振動変位、振動速度、振動加速度等のパラメータに該当する。

また、例えば、図５は、「加速度情報Ａ１１」が、ユーザＩＤ「Ｕ１」で識別されるユーザによって利用されるユーザ装置１０に搭載されたセンサ（例えば、加速度計）を用いて収集されたことを示している。加速度情報Ａ１１は、例えば、前後加速度、左右加速度、ヨー加速度等のパラメータに該当する。

また、例えば、図５は、「音声情報ＳＯＩ１１」が、ユーザＩＤ「Ｕ１」で識別されるユーザによって利用されるユーザ装置１０に搭載されたセンサ（例えば、マイクロホン）を用いて収集されたことを示している。音声情報ＳＯＩ１１は、例えば、音声信号に該当する。

また、例えば、図５は、「位置情報ＰＩ１１」が、ユーザＩＤ「Ｕ１」で識別されるユーザによって利用されるユーザ装置１０から検出されたことを示している。位置情報ＰＩ１１は、例えば、時刻、経度、緯度等のパラメータに該当する。

また、例えば、図５は、「速度情報ＳＰＩ１１」が、ユーザＩＤ「Ｕ１」で識別されるユーザによって利用されるユーザ装置１０から検出されたことを示している。速度情報ＳＰＩ１１は、例えば、時刻、進行方向、地点速度、加速度等のパラメータに該当する。

（車両推定モデル記憶部１２２）
車両推定モデル記憶部１２２は、車両の車種を推定するための機械学習モデルである車両推定モデル（すなわち、機械学習モデルのデータ）を記憶する。車両推定モデル記憶部１２２は、例えば、以下で説明される受信部１３２によって受信された車両推定モデルを記憶する。車両推定モデル記憶部１２２は、以下で説明される車両推定部１３３によって生成された車両推定モデルを記憶してもよい。車両推定部１３３は、後述のように、所定の訓練データから、車両推定モデルを生成することができる。訓練データから機械学習モデルを生成する過程は、学習または訓練と呼ばれることがある。例えば、訓練データを用いて機械学習モデルを訓練することによって、機械学習モデルは、生成され得る。

（態様推定モデル記憶部１２３）
態様推定モデル記憶部１２３は、運転態様を推定するための機械学習モデルである態様推定モデル（すなわち、機械学習モデルのデータ）を記憶する。態様推定モデル記憶部１２３は、例えば、以下で説明される受信部１３２によって受信された態様推定モデルを記憶する。態様推定モデル記憶部１２３は、以下で説明される態様推定部１３４によって生成された態様推定モデルを記憶してもよい。態様推定部１３４は、後述のように、所定の訓練データから、態様推定モデルを生成することができる。

（道路推定モデル記憶部１２４）
道路推定モデル記憶部１２４は、所定の道路の状況を推定するための機械学習モデルである道路推定モデル（すなわち、機械学習モデルのデータ）を記憶する。道路推定モデル記憶部１２４は、例えば、以下で説明される受信部１３２によって受信された道路推定モデルを記憶する。道路推定モデル記憶部１２４は、以下で説明される道路推定部１３５によって生成された道路推定モデルを記憶してもよい。道路推定部１３５は、後述のように、所定の訓練データから、道路推定モデルを生成することができる。

（大気推定モデル記憶部１２５）
大気推定モデル記憶部１２５は、所定の道路から所定の範囲における大気の汚染状況を推定する機械学習モデルである道路推定モデル（すなわち、機械学習モデルのデータ）を記憶する。大気推定モデル記憶部１２５は、例えば、以下で説明される受信部１３２によって受信された道路推定モデルを記憶する。大気推定モデル記憶部１２５は、以下で説明される大気推定部１３６によって生成された大気推定モデルを記憶してもよい。大気推定部１３６は、後述のように、所定の訓練データから、大気推定モデルを生成することができる。

（訓練データ記憶部１２６）
訓練データ記憶部１２６は、訓練データのデータセット（すなわち、訓練用データセット）を記憶する。訓練データ記憶部１２６は、例えば、以下で説明される受信部１３２によって受信された訓練用データセットを記憶する。記憶された訓練用データセットは、インスタンス（特徴ベクトルとも呼ばれる）を含む。例えば、記憶された訓練用データセットは、ラベルが既知のインスタンスを含む。より具体的には、記憶された訓練用データセットは、特徴量（feature）の値のベクトルであるインスタンスと、このインスタンスのラベル（すなわち、このインスタンスに関連付けられたラベル）とを含む。

例えば、訓練データ記憶部１２６は、上述の車両推定モデルの生成に用いられる訓練用データセットを記憶する。この場合、インスタンスは、例えば、所定の道路を走行する車両の検出装置（例えば、ユーザ装置１０）から検出された情報である、上述の検出情報に対応する。一方、このインスタンスのラベルは、例えば、この検出装置が設置された車両の種別（例えば、車種）に対応する。

また、例えば、訓練データ記憶部１２６は、上述の態様推定モデルの生成に用いられる訓練用データセットを記憶する。この場合、インスタンスは、例えば、所定の道路を走行する車両の検出装置（例えば、ユーザ装置１０）から検出された情報である、上述の検出情報に対応する。一方、このインスタンスのラベルは、例えば、この所定の道路を走行する際の運転態様に対応する。

また、例えば、訓練データ記憶部１２６は、上述の道路推定モデルの生成に用いられる訓練用データセットを記憶する。この場合、インスタンスは、例えば、所定の道路を走行する車両の種別（例えば、車種）に対応する。このインスタンスは、この所定の道路を走行する際の運転態様に対応してもよい。一方、このインスタンスのラベルは、例えば、この所定の道路の状況（例えば、道路の劣化度合い）に対応する。

また、例えば、訓練データ記憶部１２６は、上述の大気推定モデルの生成に用いられる訓練用データセットを記憶する。この場合、インスタンスは、例えば、所定の道路を走行する車両の種別（例えば、車種）に対応する。このインスタンスは、この所定の道路を走行する際の運転態様に対応してもよい。また、このインスタンスは、この所定の道路の路面の種別に対応してもよい。一方、このインスタンスのラベルは、例えば、この所定の道路から所定の範囲における大気の汚染状況（例えば、道路付近の大気汚染の度合い）に対応する。

（制御部１３０）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、推定装置１００内部の記憶装置に記憶されている各種プログラム（推定プログラムの一例に相当）がＲＡＭ等を作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてもよい。

制御部１３０は、図４に示すように、取得部１３１と、受信部１３２と、車両推定部１３３と、態様推定部１３４と、道路推定部１３５と、大気推定部１３６と、道路状況提供部１３７と、地図情報提供部１３８と、案内状況提供部１３９とを有し、以下に説明する情報処理の機能や作用を実現又は実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部１３１）
取得部１３１は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する。例えば、所定の道路を走行する車両のうち一部の車両の検出装置は、車両とともに移動する端末装置、車両に設置された端末装置、車両に搭載された端末装置、車両に結合された検出装置、車両運転中のユーザが持っている端末装置、車両の内部にある端末装置、車両外部に取り付けられた端末装置等の車両に存在する検出装置（例えば、ユーザ装置１０）である。

例えば、取得部１３１は、検出装置により検出された加速度を示す加速度情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された振動を示す振動情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された音声を示す音声情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された速度を示す速度情報を取得する。

取得部１３１は、検出装置により検出されたこの検出装置の位置を示す位置情報をさらに取得してもよい。

取得部１３１は、以下で説明される受信部１３２によって受信された検出情報を取得してもよい。例えば、取得部１３１は、受信部１３２によって受信された加速度情報、振動情報、音声情報、速度情報または位置情報を取得してもよい。また、取得部１３１は、所定の記憶装置から、検出情報を取得してもよい。例えば、取得部１３１は、上述の検出情報記憶部１２１から、検出情報を取得してもよい。取得部１３１は、取得された検出情報を、上述の検出情報記憶部１２１に格納してもよい。

一例では、取得部１３１は、検出情報(例えば、第１の検出情報)と、他の検出情報（例えば、第２の検出情報）とを取得する。

取得部１３１は、上述の車両推定モデル（すなわち、機械学習モデルのデータ）を取得してもよい。取得部１３１は、例えば、以下で説明される受信部１３２によって受信された車両推定モデルを取得してもよい。取得部１３１は、所定の記憶装置から、車両推定モデルを取得してもよい。例えば、取得部１３１は、上述の車両推定モデル記憶部１２２から、車両推定モデルを取得してもよい。取得部１３１は、取得された車両推定モデルを、上述の車両推定モデル記憶部１２２に格納してもよい。

取得部１３１は、上述の態様推定モデル（すなわち、機械学習モデルのデータ）を取得してもよい。取得部１３１は、例えば、以下で説明される受信部１３２によって受信された態様推定モデルを取得してもよい。取得部１３１は、所定の記憶装置から、態様推定モデルを取得してもよい。例えば、取得部１３１は、上述の態様推定モデル記憶部１２３から、態様推定モデルを取得してもよい。取得部１３１は、取得された態様推定モデルを、上述の態様推定モデル記憶部１２３に格納してもよい。

取得部１３１は、上述の道路推定モデル（すなわち、機械学習モデルのデータ）を取得してもよい。取得部１３１は、例えば、以下で説明される受信部１３２によって受信された道路推定モデルを取得してもよい。取得部１３１は、所定の記憶装置から、道路推定モデルを取得してもよい。例えば、取得部１３１は、上述の道路推定モデル記憶部１２４から、道路推定モデルを取得してもよい。取得部１３１は、取得された道路推定モデルを、上述の道路推定モデル記憶部１２４に格納してもよい。

取得部１３１は、上述の大気推定モデル（すなわち、機械学習モデルのデータ）を取得してもよい。取得部１３１は、例えば、以下で説明される受信部１３２によって受信された大気推定モデルを取得してもよい。取得部１３１は、所定の記憶装置から、大気推定モデルを取得してもよい。例えば、取得部１３１は、上述の大気推定モデル記憶部１２５から、大気推定モデルを取得してもよい。取得部１３１は、取得された大気推定モデルを、上述の大気推定モデル記憶部１２５に格納してもよい。

取得部１３１は、上述の訓練データのデータセットを取得してもよい。例えば、取得部１３１は、上述の車両推定モデルの生成に用いられる訓練用データセット、上述の態様推定モデルの生成に用いられる訓練用データセット、上述の道路推定モデルの生成に用いられる訓練用データセット、上述の大気推定モデルの生成に用いられる訓練用データセット等の訓練用データセットを取得してもよい。取得部１３１は、例えば、以下で説明される受信部１３２によって受信された訓練用データセットを取得してもよい。取得部１３１は、所定の記憶装置から、訓練用データセットを取得してもよい。例えば、取得部１３１は、上述の訓練データ記憶部１２６から、訓練用データセットを取得してもよい。取得部１３１は、取得された訓練用データセットを、上述の訓練データ記憶部１２６に格納してもよい。

（受信部１３２）
受信部１３２は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を受信する。例えば、受信部１３２は、所定の情報処理装置から、検出情報を受信する。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、カーナビアプリのユーザ、所定の企業、道路交通に関する業務や、大気環境に関する業務を統括する機関）の装置から、検出情報を受信する。受信部１３２は、受信された検出情報を、検出情報記憶部１２１に格納してもよい。

例えば、受信部１３２は、検出装置により検出された加速度を示す加速度情報を受信する。また、例えば、受信部１３２は、検出装置により検出された振動を示す振動情報を受信する。また、例えば、受信部１３２は、検出装置により検出された音声を示す音声情報を受信する。また、例えば、受信部１３２は、検出装置により検出された速度を示す速度情報を受信する。受信部１３２は、検出装置により検出されたこの検出装置の位置を示す位置情報をさらに受信してもよい。

一例では、受信部１３２は、第１の道路を走行する車両に設置された第１のユーザ装置１０から、検出情報（例えば、第１の検出情報）を受信する。例えば、受信部１３２は、第１のユーザ装置１０にインストールされたカーナビアプリを介して、第１のユーザ装置１０（例えば、ユーザ装置１０_１）から検出情報を受信する。また、受信部１３２は、この第１の道路を走行している他の車両に設置された第２のユーザ装置１０（例えば、ユーザ装置１０_２）から、他の検出情報（例えば、第２の検出情報）を受信する。

受信部１３２は、上述の車両推定モデル（すなわち、機械学習モデルのデータ）を受信してもよい。例えば、受信部１３２は、所定の情報処理装置から、車両推定モデルを受信してもよい。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、所定の企業、所定の大学、所定の研究機関）の装置から、車両推定モデルを受信してもよい。受信部１３２は、受信された車両推定モデルを、車両推定モデル記憶部１２２に格納してもよい。

受信部１３２は、上述の態様推定モデル（すなわち、機械学習モデルのデータ）を受信してもよい。例えば、受信部１３２は、所定の情報処理装置から、態様推定モデルを受信してもよい。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、所定の企業、所定の大学、所定の研究機関）の装置から、態様推定モデルを受信してもよい。受信部１３２は、受信された態様推定モデルを、態様推定モデル記憶部１２３に格納してもよい。

受信部１３２は、上述の道路推定モデル（すなわち、機械学習モデルのデータ）を受信してもよい。例えば、受信部１３２は、所定の情報処理装置から、道路推定モデルを受信してもよい。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、所定の企業、所定の大学、所定の研究機関）の装置から、道路推定モデルを受信してもよい。受信部１３２は、受信された道路推定モデルを、道路推定モデル記憶部１２４に格納してもよい。

受信部１３２は、上述の大気推定モデル（すなわち、機械学習モデルのデータ）を受信してもよい。例えば、受信部１３２は、所定の情報処理装置から、大気推定モデルを受信してもよい。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、所定の企業、所定の大学、所定の研究機関）の装置から、大気推定モデルを受信してもよい。受信部１３２は、受信された大気推定モデルを、大気推定モデル記憶部１２５に格納してもよい。

受信部１３２は、上述の訓練データのデータセットを受信してもよい。例えば、受信部１３２は、上述の車両推定モデルの生成に用いられる訓練用データセット、上述の態様推定モデルの生成に用いられる訓練用データセット、上述の道路推定モデルの生成に用いられる訓練用データセット、上述の大気推定モデルの生成に用いられる訓練用データセット等の訓練用データセットを受信してもよい。受信部１３２は、所定の情報処理装置から、訓練用データセットを受信してもよい。例えば、受信部１３２は、推定装置１００に関係するエンティティ（例えば、カーナビアプリのユーザ、所定の企業、道路交通に関する業務や、大気環境に関する業務を統括する機関）の装置から、訓練用データセットを受信してもよい。受信部１３２は、受信された訓練用データセットを、訓練データ記憶部１２６に格納してもよい。

（車両推定部１３３）
車両推定部１３３は、所定の道路を走行する車両のうち一部の車両の種別を推定する。例えば、検出装置（例えば、ユーザ装置１０）が、この一部の車両に存在する。車両推定部１３３は、検出情報に基づいて、検出装置が設置された車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された検出情報に基づいて、検出装置が設置された車両の種別を推定する。

例えば、車両推定部１３３は、加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、振動情報が示す振動の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された振動情報が示す振動の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、音声情報が示す音声の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された音声情報が示す音声の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、速度情報が示す速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された速度情報が示す速度の特徴に基づいて、車両の種別を推定する。

車両推定部１３３は、車両の種別として、この車両の駆動種別を推定してもよい。

一例では、車両推定部１３３は、取得部１３１によって取得された検出情報に基づいて、第１の道路を走行する各車両の車種を推定する。例えば、取得部１３１によって取得された検出情報は、センサ情報を含む。センサ情報は、例えば、振動情報、加速度情報、音声情報等の情報を含む。車両推定部１３３は、振動情報、加速度情報、音声情報等の情報に基づいて、第１の道路を走行する各車両の車種と、第１の道路を走行する際の運転態様とを推定することができる。

例えば、第１のユーザ装置１０（例えば、ユーザ装置１０_１）から受信された検出情報は、第１のセンサ情報を含む。例示のために、第１のセンサ情報に含まれる振動情報は、「第１のユーザ装置１０が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たさないこと」を示すと仮定する。この例では、車両推定部１３３は、第１のユーザ装置１０が設置された車両の車種を、「乗用車」と推定する。言い換えると、車両推定部１３３は、第１のユーザ装置１０が設置された車両の揺れ方に基づいて、第１のユーザ装置１０が設置された車両の車種を推定する。

また、例えば、第２のユーザ装置１０（例えば、ユーザ装置１０_２）から受信された検出情報は、第２のセンサ情報を含む。例示のために、第２のセンサ情報に含まれる振動情報は、「第２のユーザ装置１０が設置された車両の縦揺れの大きさが、所定の条件（例えば、第１の閾値）を満たすこと」を示すと仮定する。この例では、車両推定部１３３は、第２のユーザ装置１０が設置された車両の車種を、「バス」と推定する。

別の例では、車両推定部１３３は、上述の車両推定モデルを用いて、ユーザ装置１０が設置された車両の車種を推定してもよい。また、車両推定部１３３は、所定の訓練データ（例えば、訓練データ記憶部１２６に記憶された訓練用データセット）から、車両推定モデルを生成してもよい。例えば、車両推定部１３３は、取得部１３１によって取得された検出情報に対応するインスタンス（例えば、検出情報に対応する特徴量の値のベクトル）を、車両推定モデル（例えば、決定木、ＳＶＭ（Support Vector Machine）、単純ベイズ分類器）に入力することによって、車種を出力してもよい。車両推定部１３３は、第１のユーザ装置１０が設置された車両の車種を、「出力された車種」と推定してもよい。また、例えば、車両推定部１３３は、取得部１３１によって取得された検出情報に対応するインスタンスを、車両推定モデル（例えば、ニューラルネット）に入力することによって、「ユーザ装置１０が設置された車両の車種が所定の車種である確率」を出力してもよい。車両推定部１３３は、出力された確率に基づいて、ユーザ装置１０が設置された車両の車種を推定してもよい。

いくつかの例では、車両推定部１３３に推定された各車両の車種は、所定の駆動態様に対応する。例えば、車種「乗用車」は、駆動態様「ガソリン」に対応する。また、例えば、車種「バス」は、駆動態様「ディーゼル」に対応する。いくつかの例では、車両推定部１３３に推定された各車両の車種は、所定の重量に対応してもよい。例えば、車種「乗用車」は、「第１の重量」に対応してもよい。また、例えば、車種「バス」は、「第２の重量」に対応してもよい。いくつかの例では、「車両の車種」は、「車両の駆動態様」または「車両の重量」と読み替えられ得る。

車両の種別（例えば、車種）は、乗用車、バス、トラック、ディーゼル車、ハイブリッドカー、電気自動車等の種別であってもよい。

いくつかの実施形態では、車両推定部１３３は、ユーザ装置１０のユーザが運転する車両の種別（例えば、車種）を示す情報を、ユーザ装置１０から受信してもよい。これにより、車両推定部１３３は、受信された、ユーザ装置１０のユーザが運転する車両の種別を示す情報に基づいて、車両推定モデルの生成に用いられる訓練用データセットに含まれるインスタンスのラベルを決定することができる。

（態様推定部１３４）
態様推定部１３４は、検出情報に基づいて、所定の道路を走行する車両のうち一部の車両が所定の道路を走行する際の運転態様を推定する。例えば、検出装置（例えば、ユーザ装置１０）が、この一部の車両に存在する。態様推定部１３４は、検出情報に基づいて、検出装置が設置された車両が所定の道路を走行する際の運転態様を推定する。例えば、取得部１３１によって取得された検出情報に基づいて、検出装置が設置された車両が所定の道路を走行する際の運転態様を推定する。

例えば、態様推定部１３４は、加速度情報が示す加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定する。例えば、態様推定部１３４は、取得部１３１によって取得された加速度情報が示す加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定する。

また、例えば、態様推定部１３４は、車両の運転態様として、車両が所定の道路を走行する際の速度、加速の態様、もしくは減速の態様の少なくともいずれか１つを推定する。

態様推定部１３４は、位置情報が所定の道路を示す際に、検出装置により検出された加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定してもよい。例えば、態様推定部１３４は、取得部１３１によって取得された位置情報が所定の道路を示す際に、取得部１３１によって取得された加速度情報が示す加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定してもよい。

一例では、態様推定部１３４は、取得部１３１によって取得された検出情報に基づいて、第１の道路を走行する際の運転態様を推定する。例えば、取得部１３１によって取得された検出情報は、センサ情報を含む。センサ情報は、例えば、振動情報、加速度情報、音声情報等の情報を含む。態様推定部１３４は、振動情報、加速度情報、音声情報等の情報に基づいて、第１の道路を走行する際の運転態様を推定することができる。

例えば、第１のユーザ装置１０（例えば、ユーザ装置１０_１）から受信された検出情報は、第１のセンサ情報を含む。例示のために、第１のセンサ情報に含まれる加速度情報は、「第１のユーザ装置１０が設置された車両の前後加速度の大きさが、所定の条件（例えば、第２の閾値）を満たすこと」を示すと仮定する。この例では、態様推定部１３４は、第１のユーザ装置１０が設置された車両の運転態様を、「第１の運転態様」と推定する。「第１の運転態様」は、例えば、急ブレーキ等の運転態様に該当する。

また、例えば、第２のユーザ装置１０（例えば、ユーザ装置１０_２）から受信された検出情報は、第２のセンサ情報を含む。例示のために、第２のセンサ情報に含まれる加速度情報は、「第２のユーザ装置１０が設置された車両の前後加速度の大きさが、所定の条件（例えば、第３の閾値）を満たすこと」を示すと仮定する。この例では、態様推定部１３４は、第２のユーザ装置１０が設置された車両の運転態様を、「第２の運転態様」と推定する。「第２の運転態様」は、例えば、急発進等の運転態様に該当する。

態様推定部１３４は、取得部１３１によって取得された検出情報に含まれる速度情報に基づいて、第１の道路を走行する際の運転態様を推定してもよい。例えば、ユーザ装置１０が設置された車両の速度が所定の条件（例えば、第４の閾値）を満たす場合に、態様推定部１３４は、ユーザ装置１０が設置された車両の運転態様を、「高速度」と推定してもよい。

別の例では、態様推定部１３４は、上述の態様推定モデルを用いて、第１の道路を走行する際の運転態様を推定してもよい。また、態様推定部１３４は、所定の訓練データ（例えば、訓練データ記憶部１２６に記憶された訓練用データセット）から、態様推定モデルを生成してもよい。例えば、態様推定部１３４は、取得部１３１によって取得された検出情報に対応するインスタンス（例えば、検出情報に対応する特徴量の値のベクトル）を、態様推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、運転態様を出力してもよい。態様推定部１３４は、第１の道路を走行する際の運転態様を、「出力された運転態様」と推定してもよい。また、例えば、態様推定部１３４は、取得部１３１によって取得された検出情報に対応するインスタンスを、態様推定モデル（例えば、ニューラルネット）に入力することによって、「第１の道路を走行する際の運転態様が所定の運転態様である確率」を出力してもよい。態様推定部１３４は、出力された確率に基づいて、第１の道路を走行する際の運転態様を推定してもよい。

（道路推定部１３５）
道路推定部１３５は、推定された車両の種別に基づいて、所定の道路の状況を推定する。例えば、道路推定部１３５は、車両推定部１３３によって推定された車両の種別に基づいて、所定の道路の状況を推定する。

例えば、道路推定部１３５は、所定の道路の状況として、この道路の劣化度合いを推定する。

また、例えば、道路推定部１３５は、所定の道路を走行する車両のうち一部の車両の種別に基づいて、この所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、所定の道路の劣化度合いを推定する。

また、例えば、道路推定部１３５は、推定された車両の種別と、推定された運転態様とに基づいて、所定の道路の劣化度合いを推定する。例えば、道路推定部１３５は、車両推定部１３３によって推定された車両の種別と、態様推定部１３４によって推定された運転態様とに基づいて、所定の道路の劣化度合いを推定する。

一例では、道路推定部１３５は、車種および運転態様の推定結果に基づいて、第１の道路を走行する車両の走行態様を推定し、走行態様の推定結果に基づいて、第１の道路の劣化度合いを推定する。例えば、道路推定部１３５は、第１の道路を走行する車両の走行態様として、「所定の車種および所定の運転態様に対応し、かつ所定の期間に第１の道路を走行する複数の車両の台数」を推定する。また、例えば、推定装置１００は、第１の道路の劣化度合いとして、「第１の道路が舗装されてから１年以内に、甌穴が第１の道路に形成される」という状況を推定する。

車両の走行態様の推定に関しては、例えば、道路推定部１３５は、取得された検出情報に含まれる位置情報に基づいて、カーナビアプリがインストールされたユーザ装置１０が設置された複数の車両であって、所定の期間（例えば、「１日」）に第１の道路を走行した複数の車両の台数を決定する。さらに、道路推定部１３５は、ユーザ装置１０にインストールされたカーナビアプリの利用率を、所定の記憶装置から取得する。道路推定部１３５は、決定された複数の車両の台数と、取得されたカーナビアプリの利用率とに基づいて、「所定の車種および所定の運転態様に対応し、かつ所定の期間に第１の道路を走行する複数の車両の台数」を推定することができる。例示のために、カーナビアプリがインストールされたユーザ装置１０が設置された複数の車両であって、車種「乗用車」および運転態様「高速度」に対応し、かつ「１日」に第１の道路を走行する複数の車両の台数が、「５台」であると仮定する。さらに、ユーザ装置１０にインストールされたカーナビアプリの利用率が、「１０％」であると仮定する。この例では、道路推定部１３５は、車種「乗用車」および運転態様「高速度」に対応し、かつ「１日」に第１の道路を走行する複数の車両の台数を、複数の車両の台数「５台」と「１０（すなわち、１／（１０％＝０．１）」との積「５０台」と推定する。

第１の道路の劣化度合いの推定に関しては、例えば、道路推定部１３５は、「道路を走行する車両の走行態様に関する条件」に関連付けられた「道路の劣化度合いの状況」が格納されたデータベースを参照して、第１の道路の劣化度合いを推定することができる。例えば、走行態様の推定結果が走行態様に関する条件を満たす場合に、道路推定部１３５は、第１の道路の劣化度合いを、「道路を走行する車両の走行態様に関する条件に関連付けられた道路の劣化度合いの状況」と推定する。例示のために、データベースが、「道路が舗装されてから１年以内に、甌穴がこの道路に形成される」という状況に関連付けられた条件であって、「車種「バス」および運転態様「急ブレーキ」に対応し、かつ「１日」にこの道路を走行する複数の車両の台数が、「１０台」以上である」という条件を含むと仮定する。この例では、道路推定部１３５は、第１の道路の劣化度合いを、「道路Ｒ１が舗装されてから１年以内に、甌穴が道路Ｒ１に形成される」という状況と推定する。

別の例では、道路推定部１３５は、上述の道路推定モデルを用いて、第１の道路の劣化度合いを推定してもよい。また、道路推定部１３５は、所定の訓練データ（例えば、訓練データ記憶部１２６に記憶された訓練用データセット）から、道路推定モデルを生成してもよい。例えば、道路推定部１３５は、車両推定部１３３によって推定された車両の種別（例えば、車種）に対応するインスタンス（例えば、車両の種別に対応する特徴量の値のベクトル）を、道路推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、道路の劣化度合いを出力してもよい。道路推定部１３５は、第１の道路の劣化度合いを、「出力された道路の劣化度合い」と推定してもよい。また、例えば、道路推定部１３５は、車両推定部１３３によって推定された車両の種別に対応するインスタンスを、道路推定モデル（例えば、ニューラルネット）に入力することによって、「第１の道路の劣化度合いが所定の道路の劣化度合いである確率」を出力してもよい。道路推定部１３５は、出力された確率に基づいて、第１の道路の劣化度合いを推定してもよい。

いくつかの例では、道路推定部１３５は、態様推定部１３４によって推定された運転態様に対応するインスタンス（例えば、運転態様に対応する特徴量の値のベクトル）を、道路推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、道路の劣化度合いを出力してもよい。いくつかの例では、道路推定部１３５は、態様推定部１３４によって推定された運転態様に対応するインスタンスを、道路推定モデル（例えば、ニューラルネット）に入力することによって、「第１の道路の劣化度合いが所定の道路の劣化度合いである確率」を出力してもよい。

一般的に、トラック等の重量車両の交通量が多い場合には、道路が、早く劣化する。上述のように、推定装置１００の車両推定部１３３は、上述の検出情報（例えば、プローブ情報）に基づいて、道路を走行する車両の種別を推定することができる。また、推定装置１００の態様推定部１３４は、検出情報に基づいて、道路を走行する際の運転態様を推定することができる。その結果、道路推定部１３５は、車両の交通量に基づいて、道路の劣化度合いを推定するだけでなく、車両の車種や運転態様に基づいて、道路の劣化度合いを推定することができる。

（大気推定部１３６）
大気推定部１３６は、推定された車両の種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

例えば、大気推定部１３６は、車両の種別と、所定の道路の路面に関する情報とに基づいて、大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別と、所定の道路の路面に関する情報とに基づいて、大気の汚染状況を推定する。

また、例えば、大気推定部１３６は、車両の種別と、所定の道路の路面の素材とに基づいて、大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別と、所定の道路の路面の素材とに基づいて、大気の汚染状況を推定する。

また、例えば、大気推定部１３６は、所定の道路を走行する車両のうち一部の車両の種別に基づいて、この所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

また、例えば、大気推定部１３６は、推定された車両の種別と、推定された運転態様とに基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別と、態様推定部１３４によって推定された運転態様とに基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

一例では、大気推定部１３６は、車種および運転態様の推定結果に基づいて、第２の道路を走行する車両の走行態様を推定し、走行態様の推定結果と、第２の道路の路面の種別とに基づいて、第２の道路付近の大気汚染の度合いを推定する。例えば、大気推定部１３６は、第２の道路付近の大気汚染の度合いとして、「道路粉塵の濃度[μｍ／ｍ^３]」を推定する。道路粉塵は、例えば、アスファルトの薄片である。あるいは、道路粉塵は、ブレーキダスト、排気ガスからの微粒子（例えば、鉛、スズ）等の粉塵であってもよい。

例えば、大気推定部１３６は、「道路を走行する車両の走行態様に関する条件」および「道路の路面の種別に関する条件」に関連付けられた「道路付近の大気汚染の度合い」が格納されたデータベースを参照して、第２の道路付近の大気汚染の度合いを推定する。例えば、走行態様の推定結果が、走行態様に関する条件を満たし、かつ第２の道路の路面の種別が、道路の路面の種別に関する条件を満たす場合に、大気推定部１３６は、第２の道路の劣化度合いを、「道路を走行する車両の走行態様に関する条件および道路の路面の種別に関する条件に関連付けられた道路付近の大気汚染の度合い」と推定する。例示のために、データベースが、道路付近の大気汚染の度合い「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」に関連付けられた条件であって、「車種「バス」および運転態様「急ブレーキ」に対応し、かつ「１日」にこの道路を走行する複数の車両の台数が、「１０台」以上である」という条件を含むと仮定する。さらに、データベースが、道路付近の大気汚染の度合い「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」に関連付けられた条件であって、道路の路面の種別に関する条件「アスファルト」を含むと仮定する。この例では、大気推定部１３６は、第２の道路付近の大気汚染の度合いを、「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」と推定する。

別の例では、大気推定部１３６は、上述の大気推定モデルを用いて、第２の道路付近の大気汚染の度合いを推定してもよい。また、大気推定部１３６は、所定の訓練データ（例えば、訓練データ記憶部１２６に記憶された訓練用データセット）から、大気推定モデルを生成してもよい。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別（例えば、車種）に対応するインスタンス（例えば、車両の種別に対応する特徴量の値のベクトル）を、大気推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、大気汚染の度合いを出力してもよい。大気推定部１３６は、第２の道路付近の大気汚染の度合いを、「出力された大気汚染の度合い」と推定してもよい。また、例えば、車両推定部１３３によって推定された車両の種別に対応するインスタンスを、大気推定モデル（例えば、ニューラルネット）に入力することによって、「第２の道路付近の大気汚染の度合いが所定の大気汚染の度合いである確率」を出力してもよい。道路推定部１３５は、出力された確率に基づいて、第２の道路付近の大気汚染の度合いを推定してもよい。

いくつかの例では、大気推定部１３６は、態様推定部１３４によって推定された運転態様に対応するインスタンス（例えば、運転態様に対応する特徴量の値のベクトル）を、大気推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、大気汚染の度合いを出力してもよい。いくつかの例では、大気推定部１３６は、態様推定部１３４によって推定された運転態様に対応するインスタンスを、大気推定モデル（例えば、ニューラルネット）に入力することによって、「第２の道路付近の大気汚染の度合いが所定の大気汚染の度合いである確率」を出力してもよい。

いくつかの例では、大気推定部１３６は、第２の道路の路面の種別に対応するインスタンス（例えば、路面の種別に対応する特徴量の値のベクトル）を、大気推定モデル（例えば、決定木、ＳＶＭ、単純ベイズ分類器）に入力することによって、大気汚染の度合いを出力してもよい。いくつかの例では、大気推定部１３６は、第２の道路の路面の種別に対応するインスタンスを、大気推定モデル（例えば、ニューラルネット）に入力することによって、「第２の道路付近の大気汚染の度合いが所定の大気汚染の度合いである確率」を出力してもよい。

第２の道路の路面の種別は、アスファルト、コンクリート等の種別であってもよい。

一般的に、車両の交通量が多い場合には、大気が、汚染される。上述のように、推定装置１００の車両推定部１３３は、上述の検出情報（例えば、プローブ情報）に基づいて、道路を走行する車両の種別を推定することができる。また、推定装置１００の態様推定部１３４は、検出情報に基づいて、道路を走行する際の運転態様を推定することができる。その結果、大気推定部１３６は、車両の交通量に基づいて、道路付近の大気汚染の度合いを推定するだけでなく、車両の車種や運転態様に基づいて、道路の劣化度合いを推定することができる。

（道路状況提供部１３７）
道路状況提供部１３７は、道路推定部１３５による推定結果に基づいて、所定の道路をメンテナンスの対象とするか否かを示す情報を提供する。

例えば、道路状況提供部１３７は、メンテナンスの対象となる道路を、メンテナンスの対象とならない道路とは異なる態様で示す地図状況を提供する。

一例では、道路状況提供部１３７は、道路の劣化度合いの推定結果を提供する。例えば、道路状況提供部１３７は、道路の交通に関する業務を統括する機関のユーザによって利用されるユーザ装置２０に、道路の劣化度合いの推定結果に関するコンテンツを提供する。

道路の劣化度合いの推定結果に関するコンテンツは、例えば、メンテナンスエリアを含む。メンテナンスエリアは、例えば、道路のカーブの直前等のエリアであってもよい。このようなエリアは、重量車両を運転するユーザが急ブレーキをかけることが多いエリアである場合がある。

（地図情報提供部１３８）
地図情報提供部１３８は、大気推定部１３６が道路ごとに推定した大気の状況を示す地図情報を提供する。

一例では、地図情報提供部１３８は、道路付近の大気汚染の度合いの推定結果を提供する。例えば、地図情報提供部１３８は、大気環境に関する業務を統括する機関のユーザによって利用されるユーザ装置２０に、道路付近の大気汚染の度合いの推定結果に関するコンテンツを提供する。

（案内状況提供部１３９）
後述されるように、案内状況提供部１３９は、出発地を示す出発地情報と、目的地を示す目的地情報とを受付けると、出発地情報が示す出発地から目的地情報が示す目的地までの移動経路を示す案内情報を提供する。

〔３．推定処理のフロー〕
次に、実施形態に係る推定装置１００による推定処理の手順について説明する。

図６は、実施形態に係る推定装置１００によって実行される、道路の状況を推定するための処理手順を示すフローチャートである。

図６に示すように、一実施形態では、はじめに、取得部１３１は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する（ステップＳ１０１）。

例えば、取得部１３１は、検出装置により検出された加速度を示す加速度情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された振動を示す振動情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された音声を示す音声情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された速度を示す速度情報を取得する。

次いで、車両推定部１３３は、検出情報に基づいて、所定の道路を走行する車両のうち一部の車両の種別を推定する（ステップＳ１０２）。

例えば、車両推定部１３３は、加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、振動情報が示す振動の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された振動情報が示す振動の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、音声情報が示す音声の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された音声情報が示す音声の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、速度情報が示す速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された速度情報が示す速度の特徴に基づいて、車両の種別を推定する。

次いで、道路推定部１３５は、推定された車両の種別に基づいて、所定の道路の状況を推定する（ステップＳ１０３）。

例えば、道路推定部１３５は、所定の道路の状況として、この道路の劣化度合いを推定する。

また、例えば、道路推定部１３５は、所定の道路を走行する車両のうち一部の車両の種別に基づいて、この所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、所定の道路の劣化度合いを推定する。

図７は、実施形態に係る推定装置１００によって実行される、大気の汚染状況を推定するための処理手順を示すフローチャートである。

図７に示すように、一実施形態では、はじめに、取得部１３１は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する（ステップＳ２０１）。

例えば、取得部１３１は、検出装置により検出された加速度を示す加速度情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された振動を示す振動情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された音声を示す音声情報を取得する。

また、例えば、取得部１３１は、検出装置により検出された速度を示す速度情報を取得する。

次いで、車両推定部１３３は、検出情報に基づいて、所定の道路を走行する車両のうち一部の車両の種別を推定する（ステップＳ２０２）。

例えば、車両推定部１３３は、加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、振動情報が示す振動の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された振動情報が示す振動の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、音声情報が示す音声の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された音声情報が示す音声の特徴に基づいて、車両の種別を推定する。

また、例えば、車両推定部１３３は、速度情報が示す速度の特徴に基づいて、車両の種別を推定する。例えば、車両推定部１３３は、取得部１３１によって取得された速度情報が示す速度の特徴に基づいて、車両の種別を推定する。

次いで、大気推定部１３６は、推定された車両の種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する（ステップＳ２０３）。

例えば、大気推定部１３６は、車両の種別と、所定の道路の路面に関する情報とに基づいて、大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別と、所定の道路の路面に関する情報とに基づいて、大気の汚染状況を推定する。

また、例えば、大気推定部１３６は、車両の種別と、所定の道路の路面の素材とに基づいて、大気の汚染状況を推定する。例えば、大気推定部１３６は、車両推定部１３３によって推定された車両の種別と、所定の道路の路面の素材とに基づいて、大気の汚染状況を推定する。

また、例えば、大気推定部１３６は、所定の道路を走行する車両のうち一部の車両の種別に基づいて、この所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

〔４．変形例〕
上述の実施形態に係る推定装置１００は、上記の実施形態以外にも、種々の異なる形態で実施されてよい。そこで、以下では、上記の推定装置１００の他の実施形態について説明する。

〔４－１．道路状況に基づく案内情報〕
案内状況提供部１３９は、出発地を示す出発地情報と、目的地を示す目的地情報とを受付けると、道路推定部１３５による推定結果に基づいて、出発地情報が示す出発地から目的地情報が示す目的地までの移動経路を示す案内情報を提供してもよい。例えば、案内状況提供部１３９は、道路推定部１３５により推定された劣化度合いが所定の条件を満たす道路以外の道路を用いた移動経路を示す案内情報を提供してもよい。例えば、案内状況提供部１３９は、甌穴が形成された道路を避ける経路を探索し、探索された経路を、案内情報として提供してもよい。

いくつかの実施形態では、案内状況提供部１３９は、甌穴が形成された道路を示す情報を、ユーザ装置１０から受信してもよい。この場合、案内状況提供部１３９は、甌穴が形成された道路を避ける経路を探索し、探索された経路を、案内情報として提供してもよい。これにより、道路推定部１３５は、案内状況提供部１３９によって受信された、甌穴が形成された道路を示す情報に基づいて、道路推定モデルの生成に用いられる訓練用データセットに含まれるインスタンスのラベルを決定することができる。道路推定部１３５は、所定の道路を走行する車両の種別（例えば、車両推定部１３３によって推定された車両の種別）または所定の道路を走行する際の運転態様（例えば、態様推定部１３４によって推定された運転態様）と、決定されたラベルとを関連付けることによって、道路推定モデルの生成に用いられる訓練用データセットを生成してもよい。そして、道路推定部１３５は、生成された訓練用データセットを、訓練データ記憶部１２６に格納してもよい。

〔４－２．大気汚染状況に基づく案内情報〕
案内状況提供部１３９は、出発地を示す出発地情報と、目的地を示す目的地情報とを受付けると、大気推定部１３６による推定結果に基づいて、出発地情報が示す出発地から目的地情報が示す目的地までの移動経路を示す案内情報を提供してもよい。例えば、大気推定部１３６は、所定の道路から所定の範囲における大気の汚染状況を推定してもよい。そして、案内状況提供部１３９は、大気推定部１３６により推定された汚染状況が所定の条件を満たす道路以外の道路を用いた移動経路を示す案内情報を提供してもよい。例えば、案内状況提供部１３９は、大気汚染の度合いが「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」である道路を避ける経路を探索し、探索された経路を、案内情報として提供してもよい。

いくつかの実施形態では、案内状況提供部１３９は、大気汚染の度合いが「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」である道路を示す情報を、ユーザ装置１０から受信してもよい。この場合、案内状況提供部１３９は、大気汚染の度合いが「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」である道路を避ける経路を探索し、探索された経路を、案内情報として提供してもよい。これにより、大気推定部１３６は、案内状況提供部１３９によって受信された、大気汚染の度合いが「道路粉塵の濃度：１０～２０[μｍ／ｍ^３]」である道路を示す情報に基づいて、大気推定モデルの生成に用いられる訓練用データセットに含まれるインスタンスのラベルを決定することができる。大気推定部１３６は、所定の道路を走行する車両の種別（例えば、車両推定部１３３によって推定された車両の種別）または所定の道路を走行する際の運転態様（例えば、態様推定部１３４によって推定された運転態様）と、決定されたラベルとを関連付けることによって、大気推定モデルの生成に用いられる訓練用データセットを生成してもよい。そして、大気推定部１３６は、生成された訓練用データセットを、訓練データ記憶部１２６に格納してもよい。

〔４－３．時間帯ごとの大気状況〕
大気推定部１３６は、時間帯ごとに所定の道路から所定の範囲における大気の状況を推定してもよい。また、地図情報提供部１３８は、時間帯ごとの大気の状況を示す地図情報を提供してもよい。例えば、地図情報提供部１３８は、大気推定部１３６によって推定された時間帯ごとの大気の状況を示す地図情報を提供してもよい。例えば、地図情報提供部１３８は、車両の交通量が閾値を満たす時間帯（例えば、交通量の多い時間帯）の大気の状況を示す地図情報を提供してもよい。

〔４－４．推定装置と検出装置との関係〕
一実施形態では、取得部１３１は、所定のネットワークを介して、車両に設置された端末装置が、この端末装置が有する検出装置を用いて検出した検出情報を取得する。すなわち、推定装置１００は、所定のネットワークを介して、車両に設置された端末装置（例えば、ユーザ装置１０）が、この端末装置が有する検出装置を用いて検出した検出情報を取得するサーバであってもよい。他の実施形態では、推定装置１００は、検出装置を有し、車両の端末装置であってもよい。

〔５．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の一部を手動的に行うこともできる。あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

例えば、図４に示した記憶部１２０の一部又は全部は、推定装置１００によって保持されるのではなく、ストレージサーバ等に保持されてもよい。この場合、推定装置１００は、ストレージサーバにアクセスすることで、検出情報等の各種情報を取得する。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る推定装置１００は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一時的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が推定装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。

〔７．効果〕
上述してきたように、実施形態に係る推定装置１００は、取得部１３１と、車両推定部１３３と、大気推定部１３６とを有する。

実施形態に係る推定装置１００において、取得部１３１は、所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する。また、実施形態に係る推定装置１００において、車両推定部１３３は、検出情報に基づいて、所定の道路を走行する車両のうち一部の車両の種別を推定する。また、実施形態に係る推定装置１００において、大気推定部１３６は、推定された車両の種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

また、実施形態に係る推定装置１００において、大気推定部１３６は、車両の種別と、所定の道路の路面に関する情報とに基づいて、大気の汚染状況を推定する。

また、実施形態に係る推定装置１００において、大気推定部１３６は、車両の種別と、所定の道路の路面の素材とに基づいて、大気の汚染状況を推定する。

また、実施形態に係る推定装置１００において、車両推定部１３３は、車両の種別として、この車両の駆動種別を推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出された加速度を示す加速度情報を取得する。また、実施形態に係る推定装置１００において、車両推定部１３３は、加速度情報が示す加速度の特徴に基づいて、車両の種別を推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出された振動を示す振動情報を取得する。また、実施形態に係る推定装置１００において、車両推定部１３３は、振動情報が示す振動の特徴に基づいて、車両の種別を推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出された音声を示す音声情報を取得する。また、実施形態に係る推定装置１００において、車両推定部１３３は、音声情報が示す音声の特徴に基づいて、車両の種別を推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出された速度を示す速度情報を取得する。また、実施形態に係る推定装置１００において、車両推定部１３３は、速度情報が示す速度の特徴に基づいて、車両の種別を推定する。

また、実施形態に係る推定装置１００において、大気推定部１３６は、所定の道路を走行する車両のうち一部の車両の種別に基づいて、この所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

また、実施形態に係る推定装置１００は、検出情報に基づいて、所定の道路を走行する車両のうち一部の車両が所定の道路を走行する際の運転態様を推定する態様推定部１３４を有する。また、実施形態に係る推定装置１００において、大気推定部１３６は、推定された車両の種別と、推定された運転態様とに基づいて、所定の道路から所定の範囲における大気の汚染状況を推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出された加速度を示す加速度情報を取得する。また、実施形態に係る推定装置１００において、態様推定部１３４は、加速度情報が示す加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定する。

また、実施形態に係る推定装置１００において、態様推定部１３４は、車両の運転態様として、車両が所定の道路を走行する際の速度、加速の態様、もしくは減速の態様の少なくともいずれか１つを推定する。

また、実施形態に係る推定装置１００において、取得部１３１は、検出装置により検出されたこの検出装置の位置を示す位置情報をさらに取得する。また、実施形態に係る推定装置１００において、態様推定部１３４は、位置情報が所定の道路を示す際に、検出装置により検出された加速度の特徴に基づいて、所定の道路を走行する際における車両の運転態様を推定する。

また、実施形態に係る推定装置１００は、大気推定部１３６が道路ごとに推定した大気の状況を示す地図情報を提供する地図情報提供部１３８を有する。

また、実施形態に係る推定装置１００において、大気推定部１３６は、時間帯ごとに所定の道路から所定の範囲における大気の状況を推定する。また、実施形態に係る推定装置１００において、地図情報提供部１３８は、時間帯ごとの大気の状況を示す地図情報を提供する。

また、実施形態に係る推定装置１００は、出発地を示す出発地情報と、目的地を示す目的地情報とを受付けると、大気推定部１３６による推定結果に基づいて、出発地情報が示す出発地から目的地情報が示す目的地までの移動経路を示す案内情報を提供する案内状況提供部１３９を有する。

また、実施形態に係る推定装置１００において、大気推定部１３６は、所定の道路から所定の範囲における大気の汚染状況を推定する。また、実施形態に係る推定装置１００において、案内状況提供部１３９は、大気推定部１３６により推定された汚染状況が所定の条件を満たす道路以外の道路を用いた移動経路を示す案内情報を提供する。

また、実施形態に係る推定装置１００は、検出装置を有し、車両に設置された端末装置であってもよい。

また、実施形態に係る推定装置１００において、取得部１３１は、所定のネットワークを介して、車両の端末装置が、この端末装置が有する検出装置を用いて検出した検出情報を取得する。

上述した各処理により、推定装置１００は、道路の情報を収集する手間を削減することができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述した推定装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 推定システム
１０ ユーザ装置
２０ ユーザ装置
１００ 推定装置
１１０ 通信部
１２０ 記憶部
１２１ 検出情報記憶部
１２２ 車両推定モデル記憶部
１２３ 態様推定モデル記憶部
１２４ 道路推定モデル記憶部
１２５ 大気推定モデル記憶部
１２６ 訓練データ記憶部
１３０ 制御部
１３１ 取得部
１３２ 受信部
１３３ 車両推定部
１３４ 態様推定部
１３５ 道路推定部
１３６ 大気推定部
１３７ 道路状況提供部
１３８ 地図情報提供部
１３９ 案内状況提供部

Claims (17)

1. 所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する第１取得部であって、
   前記検出装置は、カーナビゲーションアプリケーションがインストールされたユーザ装置であり、
   前記検出情報は、前記カーナビゲーションアプリケーションを介して受信され、かつ、センサ情報及び位置情報を含む、
   第１取得部と、
   前記所定の道路を走行する車両のうち前記一部の車両の種別を、前記検出情報に含まれる前記センサ情報と、機械学習モデルとを使用して推定する車両推定部であって、前記機械学習モデルは、センサ情報に対応する特徴量を、入力として受け付け、受け付けられた特徴量に対応するセンサ情報を検出した検出装置が設置された車両の種別を出力する、車両推定部と、
   前記位置情報に基づいて、所定の期間に前記所定の道路を走行した前記車両の台数を決定する決定部と、
   前記カーナビゲーションアプリケーションの利用率を取得する第２取得部と、
   前記決定部によって決定された車両の台数及び前記カーナビゲーションアプリケーションの利用率に基づいて、前記車両推定部によって推定された種別に対応し、かつ、前記所定の期間に前記所定の道路を走行する車両の台数を推定する車両台数推定部と、
   前記車両台数推定部によって推定された車両の台数に基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する大気推定部と
   を有することを特徴とする推定装置。
2. 前記大気推定部は、前記車両台数推定部によって推定された車両の台数と、前記所定の道路の路面に関する情報とに基づいて、前記大気の汚染状況を推定する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記大気推定部は、前記車両台数推定部によって推定された車両の台数と、前記所定の道路の路面の素材とに基づいて、前記大気の汚染状況を推定する
   ことを特徴とする請求項２に記載の推定装置。
4. 前記車両推定部は、前記車両の種別として、当該車両の駆動種別を推定する
   ことを特徴とする請求項１～３のうちいずれか１つに記載の推定装置。
5. 前記大気推定部は、前記所定の道路を走行する車両のうち一部の車両の種別に基づいて、当該所定の道路を走行する各車両の種別を推定し、推定した種別に基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する
   ことを特徴とする請求項１～４のうちいずれか１つに記載の推定装置。
6. 前記検出情報に基づいて、前記所定の道路を走行する車両のうち一部の車両が前記所定の道路を走行する際の運転態様を推定する態様推定部
   を有し、
   前記大気推定部は、前記車両台数推定部によって推定された車両の台数と、推定された運転態様とに基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する
   ことを特徴とする請求項１～５のうちいずれか１つに記載の推定装置。
7. 前記第１取得部は、前記検出装置により検出された加速度を示す加速度情報を取得し、
   前記態様推定部は、前記加速度情報が示す加速度の特徴に基づいて、前記所定の道路を走行する際における前記車両の運転態様を推定する
   ことを特徴とする請求項６に記載の推定装置。
8. 前記態様推定部は、前記車両の運転態様として、前記車両が前記所定の道路を走行する際の速度、加速の態様、若しくは減速の態様の少なくともいずれか１つを推定する
   ことを特徴とする請求項６に記載の推定装置。
9. 前記態様推定部は、前記位置情報が前記所定の道路を示す際に、前記検出装置により検出された加速度の特徴に基づいて、前記所定の道路を走行する際における前記車両の運転態様を推定する
   ことを特徴とする請求項６～８のうちいずれか１つに記載の推定装置。
10. 前記大気推定部が道路ごとに推定した前記大気の状況を示す地図情報を提供する地図情報提供部
    を有することを特徴とする請求項１～９のうちいずれか１つに記載の推定装置。
11. 前記大気推定部は、時間帯ごとに前記所定の道路から所定の範囲における大気の状況を推定し、
    前記地図情報提供部は、前記時間帯ごとの大気の状況を示す地図情報を提供する
    ことを特徴とする請求項１０に記載の推定装置。
12. 出発地を示す出発地情報と、目的地を示す目的地情報とを受付けると、前記大気推定部による推定結果に基づいて、前記出発地情報が示す出発地から前記目的地情報が示す目的地までの移動経路を示す案内情報を提供する案内状況提供部
    を有することを特徴とする請求項１～１１のうちいずれか１つに記載の推定装置。
13. 前記大気推定部は、前記所定の道路から所定の範囲における大気の汚染状況を推定し、
    前記案内状況提供部は、前記大気推定部により推定された汚染状況が所定の条件を満たす道路以外の道路を用いた移動経路を示す案内情報を提供する
    ことを特徴とする請求項１２に記載の推定装置。
14. 前記検出装置は、前記車両に設置された前記ユーザ装置である
    ことを特徴とする請求項１～１３のうちいずれか１つに記載の推定装置。
15. 前記第１取得部は、所定のネットワークを介して、前記検出装置が検出した検出情報を取得する
    ことを特徴とする請求項１～１４のうちいずれか１つに記載の推定装置。
16. 推定装置が実行する推定方法であって、
    所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する第１取得工程であって、
    前記検出装置は、カーナビゲーションアプリケーションがインストールされたユーザ装置であり、
    前記検出情報は、前記カーナビゲーションアプリケーションを介して受信され、かつ、センサ情報及び位置情報を含む、
    第１取得工程と、
    前記所定の道路を走行する車両のうち前記一部の車両の種別を、前記検出情報に含まれる前記センサ情報と、機械学習モデルとを使用して推定する車両推定工程であって、前記機械学習モデルは、センサ情報に対応する特徴量を、入力として受け付け、受け付けられた特徴量に対応するセンサ情報を検出した検出装置が設置された車両の種別を出力する、車両推定工程と、
    前記位置情報に基づいて、所定の期間に前記所定の道路を走行した前記車両の台数を決定する決定工程と、
    前記カーナビゲーションアプリケーションの利用率を取得する第２取得工程と、
    前記決定工程によって決定された車両の台数及び前記カーナビゲーションアプリケーションの利用率に基づいて、前記車両推定工程によって推定された種別に対応し、かつ、前記所定の期間に前記所定の道路を走行する車両の台数を推定する車両台数推定工程と、
    前記車両台数推定工程によって推定された車両の台数とに基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する大気推定工程と
    を含むことを特徴とする推定方法。
17. 所定の道路を走行する車両のうち一部の車両の検出装置により検出された検出情報を取得する第１取得手順であって、
    前記検出装置は、カーナビゲーションアプリケーションがインストールされたユーザ装置であり、
    前記検出情報は、前記カーナビゲーションアプリケーションを介して受信され、かつ、センサ情報及び位置情報を含む、
    第１取得手順と、
    前記所定の道路を走行する車両のうち前記一部の車両の種別を、前記検出情報に含まれる前記センサ情報と、機械学習モデルとを使用して推定する車両推定手順であって、前記機械学習モデルは、センサ情報に対応する特徴量を、入力として受け付け、受け付けられた特徴量に対応するセンサ情報を検出した検出装置が設置された車両の種別を出力する、車両推定手順と、
    前記位置情報に基づいて、所定の期間に前記所定の道路を走行した前記車両の台数を決定する決定手順と、
    前記カーナビゲーションアプリケーションの利用率を取得する第２取得手順と、
    前記決定手順によって決定された車両の台数及び前記カーナビゲーションアプリケーションの利用率に基づいて、前記車両推定手順によって推定された種別に対応し、かつ、前記所定の期間に前記所定の道路を走行する車両の台数を推定する車両台数推定手順と、
    前記車両台数推定手順によって推定された車両の台数とに基づいて、前記所定の道路から所定の範囲における大気の汚染状況を推定する大気推定手順と
    をコンピュータに実行させるための推定プログラム。

Images