JP7400855B2 - 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
- JP7400855B2 JP7400855B2 JP2022047071A JP2022047071A JP7400855B2 JP 7400855 B2 JP7400855 B2 JP 7400855B2 JP 2022047071 A JP2022047071 A JP 2022047071A JP 2022047071 A JP2022047071 A JP 2022047071A JP 7400855 B2 JP7400855 B2 JP 7400855B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- series data
- frequency
- time series
- learning
- 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
- 238000000034 method Methods 0.000 title claims description 30
- 238000010801 machine learning Methods 0.000 claims description 104
- 238000012545 processing Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 27
- 230000001133 acceleration Effects 0.000 description 18
- 238000013480 data collection Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Description
本開示は、車両に関連するデータを生成するためのモデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法に関する。
車両の速度及び加速度等のデータを取得し、取得したデータに基づいて車両を管理するシステムが知られている(例えば、特許文献1を参照)。
車両の状態を把握するためには、時間経過に伴って変化する多数のデータから構成される時系列データをシステムが解析することが望ましい。しかしながら、時系列データはデータサイズが大きいので、車両が時系列データを送信し続けると通信時の負荷が大きい。そこで、車両が送信するデータ量を抑制しつつ、車両の状態を把握しやすくする方法が求められている。
本出願の出願人は、特許文献2において、頻度情報から時系列データを生成する技術を提案している。一例として、特許文献2には、車速の時系列データと、それに対応する車速頻度及び加減速頻度を学習データとして用いて機械学習を行うことで、それら頻度データの入力に応じて生成した車速時系列データを出力する機械学習モデルの作成方法が記載されている。
ところで、特許文献2に記載された技術においては、生成時系列データと学習用時系列データの差分を用いて機械学習モデルの重みを更新していることから、大まかに時系列データを再現できる。
しかし、細かな変化などは差分としては小さな値となってしまうので、細かな変化などの再現が困難な問題がある。一方で、この細かな変化は、前記時系列データが車両の速度の時系列データである場合、例えば燃費を評価する際の加速抵抗として重要である。つまり、頻度情報から時系列データを生成する技術において、細かな変化が再現された時系列データを生成することができる機械学習が望まれる。
本発明は、以上の点を考慮してなされたものであり、機械学習モデルを用いて頻度情報から時系列データを生成する場合に、細かな変化が再現された時系列データを生成することができる、モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法を提供する。
本発明のモデル作成装置の一つの態様は、
車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する時系列データ取得部と、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備える。
車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する時系列データ取得部と、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備える。
本発明のデータ生成装置の一つの態様は、
車両が走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部と、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備える。
車両が走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部と、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備える。
本発明のモデル作成方法の一つの態様は、
コンピューターが実行するモデル作成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
前記生成時系列データと、前記学習用時系列データとの差分を算出し、この差分を前記機械学習モデルの重みを求める処理にフィードバックするステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含む。
コンピューターが実行するモデル作成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
前記生成時系列データと、前記学習用時系列データとの差分を算出し、この差分を前記機械学習モデルの重みを求める処理にフィードバックするステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含む。
本発明のデータ生成方法の一つの態様は、
コンピューターが実行するデータ生成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含む。
コンピューターが実行するデータ生成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含む。
本発明によれば、頻度情報から時系列データを生成する場合に、細かな変化が再現された時系列データを生成することができるようになる。
以下、本開示の実施の形態を、図面を参照して説明する。
<1>データ生成システムSの概要
図1及び図2は、データ生成システムSの概要を説明するための図である。データ生成システムSは、車両Tにおいて測定された各種のパラメータの頻度データに基づいて、当該パラメータの時系列データを生成するためのシステムである。データ生成システムSは、データ収集装置1及びデータ生成装置2を備えている。データ生成装置2は、機械学習モデルを用いて、頻度データに基づいて時系列データを生成する装置である。データ生成装置2は、機械学習モデルを作成するモデル作成装置としても機能する。当該機械学習モデルは、例えば条件付VAE(Variational Auto Encoder)又は条件付GAN(Generative Adversarial Networks)を含んで構成されている。
図1及び図2は、データ生成システムSの概要を説明するための図である。データ生成システムSは、車両Tにおいて測定された各種のパラメータの頻度データに基づいて、当該パラメータの時系列データを生成するためのシステムである。データ生成システムSは、データ収集装置1及びデータ生成装置2を備えている。データ生成装置2は、機械学習モデルを用いて、頻度データに基づいて時系列データを生成する装置である。データ生成装置2は、機械学習モデルを作成するモデル作成装置としても機能する。当該機械学習モデルは、例えば条件付VAE(Variational Auto Encoder)又は条件付GAN(Generative Adversarial Networks)を含んで構成されている。
図3は、時系列データ及び頻度データの概要を示す図である。図3Aに示すように、時系列データは、時間によって変化するパラメータの値を示すデータであり、例えば1秒ごとの車両Tの速度の値から構成されている。図3Bに示すように、頻度データは、所定の期間内における、パラメータの値(速度)の発生頻度の分布を示すデータである。頻度データは、図3Cに示したように、パラメータを一階微分した値(加速度)の発生頻度の分布を示すデータであってもよい。
パラメータが車両Tの速度である場合、頻度データは、例えば単位時間(例えば1時間)内に時速1kmの状態が発生した時間、時速2kmの状態が発生した時間等のように、時速Nkm(Nは0以上の整数)の状態が発生した時間又は割合を示すデータである(図3B参照)。パラメータが車両Tの速度である場合、頻度データは、単位時間内に所定の加速度が発生した時間又は割合を示すデータであってもよい(図3C参照)。なお、車両Tが加速している間は加速度が正の値となり、減速している間は加速度が負の値となる。
車両Tにおいて測定されるパラメータは、データ生成システムSは、車両Tにおいて測定されたパラメータの時系列データ及び頻度データを教師データとして機械学習(例えば深層学習)した機械学習モデルを作成し、作成した機械学習モデルを用いて、車両Tから得られた頻度データに基づいて時系列データを生成することを可能にする。
これにより、データ量の少ない頻度データに基づいて、データ量の大きい時系列データを生成できるようになる。
車両Tの管理者は、データ生成システムSにおいて生成される時系列データを分析することで、車両Tの燃費、劣化度、運転の質等の各種の情報を得ることが可能になる。
以下、図1及び図2を参照しながら、データ生成システムSの概要を説明する。データ収集装置1は、ネットワークNを介して多数の車両Tにおいて測定されたパラメータのデータを取得する装置であり、例えばコンピューターである。
図1に示したように、データ生成装置2は、データ収集装置1を介して車両Tから取得した時系列データ及び当該時系列データに対応する頻度データを教師データとして機械学習した機械学習モデルを作成するコンピューターである。また、図2に示したように、データ生成装置2は、作成した機械学習モデルを用いて、車両Tから得られた頻度データに基づいて時系列データを生成する。
図1は、データ生成装置2が機械学習をして機械学習モデルを作成する際のデータ生成システムSの動作を示す図である。データ収集装置1は、予め登録された車両Tから所定のパラメータ(例えば速度)の測定データを取得する(図1における(1))。データ収集装置1は、取得した測定データの時系列データをデータ生成装置2に送信する(図1における(2))。
データ生成装置2は、データ収集装置1から受信した時系列データに基づいて頻度データを生成し、時系列データ及び頻度データを教師データとして、頻度データが入力されると時系列データを出力する機械学習モデルを作成する(図1における(3))。データ生成装置2が頻度データを生成する代わりに、データ収集装置1が時系列データから頻度データを生成し、データ収集装置1が時系列データ及び頻度データをデータ生成装置2に送信してもよい。
続いて、図2を参照して、データ生成装置2が機械学習モデルを作成した後の動作を説明する。車両Tは、測定したパラメータの頻度データをデータ収集装置1に送信する(図2における(4))。データ収集装置1は車両Tから受信した頻度データをデータ生成装置2に送信する(図2における(5))。データ生成装置2は、受信した頻度データを機械学習モデルに入力し、機械学習モデルから出力される時系列データを取得することにより時系列データを生成する(図2における(6))。データ生成装置2は生成した時系列データをデータ収集装置1に送信する(図2における(7))。
以上の流れにより、データ生成装置2を利用する車両Tの管理者等のユーザが、頻度データに基づいて、所望のパラメータの時系列データを取得することができる。データ生成装置2は、生成した時系列データをデータ収集装置1以外の任意のコンピューターに送信したり、ディスプレイに表示したり、印刷したりしてもよい。
<2>データ生成装置2の構成及び動作
図4は、データ生成装置2の構成を示す図である。データ生成装置2は、通信部21と、記憶部22と、制御部23と、を有する。制御部23は、時系列データ取得部231と、学習用頻度データ取得部232と、生成用頻度データ取得部233と、データ出力部234と、モデル作成部235と、データ生成部236とを有する。
図4は、データ生成装置2の構成を示す図である。データ生成装置2は、通信部21と、記憶部22と、制御部23と、を有する。制御部23は、時系列データ取得部231と、学習用頻度データ取得部232と、生成用頻度データ取得部233と、データ出力部234と、モデル作成部235と、データ生成部236とを有する。
データ生成装置2が生成用頻度データ取得部233、データ出力部234及びデータ生成部236を有しない場合、データ生成装置2は、機械学習モデルMを作成するモデル作成装置として機能する。
通信部21は、データ収集装置1又はその他の外部装置との間でデータを送受信するための通信インターフェースである。通信部21は、受信したデータを制御部23に送るとともに、制御部23から入力したデータを外部装置に送る。
記憶部22は、ROM(Read Only Memory)、RAM(Random Access Memory)及びハードディスク等の記憶媒体を含む。記憶部22は、制御部23が実行するプログラムを記憶する。また、記憶部22は、データ収集装置1から受信した時系列データ及び頻度データを一時的に記憶する。
制御部23は、例えばCPU(Central Processing Unit)である。制御部23は、記憶部22に記憶されたプログラムを実行することにより、時系列データ取得部231、学習用頻度データ取得部232、生成用頻度データ取得部233、データ出力部234、モデル作成部235及びデータ生成部236として機能する。
時系列データ取得部231は、車両Tが走行中に測定されたパラメータの時系列データを学習用時系列データとして取得する。時系列データ取得部231は、例えば、車両Tが走行中に測定された車両の速度の時系列データを学習用時系列データとして取得し、これをモデル作成部235に送る。
学習用頻度データ取得部232は、時系列データ取得部231が取得した学習用時系列データに対応する学習用頻度データを取得する。学習用頻度データ取得部232は、例えば、通信部21を介して学習用頻度データを取得するが、学習用頻度データ取得部232は、学習用時系列データに基づいて学習用頻度データを作成することにより、学習用時系列データから学習用頻度データを取得してもよい。
学習用頻度データ取得部232は、学習用頻度データとして、例えば学習用時系列データに関するパラメータの発生頻度分布を示すデータ(図3B参照)を取得する。また、学習用頻度データ取得部232は、学習用頻度データとして、学習用時系列データの一階微分値の発生頻度分布を示すデータ(図3C参照)を取得してもよい。
学習用時系列データが速度の時系列データである場合、学習用頻度データ取得部232は、学習用時系列データにおける速度の発生頻度分布を示す学習用速度頻度データ、及び/又は、学習用時系列データにおける加速度の発生頻度分布を示す学習用加速度頻度データを取得する。学習用頻度データ取得部232は、取得した学習用頻度データをモデル作成部235に送る。
生成用頻度データ取得部233は、機械学習モデルMを用いて時系列データを生成するために用いられる生成用頻度データを取得する。本明細書において、機械学習モデルMを用いて生成される時系列データを生成時系列データという。生成用頻度データ取得部233は、生成用頻度データとして、生成用速度頻度データ及び/又は生成用加速度頻度データを取得する。生成用頻度データ取得部233は、取得した生成用頻度データをデータ生成部236に送る。
データ出力部234は、データ生成部236が生成用頻度データに基づいて機械学習モデルMから生成した生成時系列データを出力する。データ出力部234は、データ生成部236から出力された生成時系列データを、通信部21などの外部の装置に送信する。
モデル作成部235は、機械学習モデルMを作成し、作成した機械学習モデルMの重みを記憶部22に記憶させる。モデル作成部235は、モデル作成部235が有するメモリ(不図示)に重みを記憶させてもよい。
モデル作成部235は、学習用時系列データと、それに関する学習用頻度データと、を教師データとして重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて頻度データに対応する時系列データである生成時系列データを出力する機械学習モデルMを作成する。
学習用時系列データが、車両Tの速度の時系列データであり、学習用頻度データが、車両Tの速度の頻度データ及び/又は加速度の頻度データであり、生成時系列データが速度の時系列データである場合、機械学習モデルMは、速度頻度データ及び/又は加速度頻度データが入力されたことに応じて車両Tの速度の時系列データである生成時系列データを出力する。
データ生成部236は、生成用頻度データ取得部233から入力された生成用頻度データを機械学習モデルMに入力することにより生成時系列データを生成する。生成用頻度データ取得部233から入力された生成用頻度データが、車両Tの速度の頻度データ及び/又は加速度の頻度データである場合、データ生成部236は、車両Tの速度の頻度データ及び/又は車両Tの加速度の頻度データを入力することにより機械学習モデルMから出力される速度の時系列データを生成時系列データとして生成する。データ生成部236により生成された生成時系列データは、データ出力部234を介して外部に出力される。
<3>機械学習モデルMの作成方法
図5Aは、機械学習モデルMの一例として、条件付きVAEにより構成される機械学習モデルMをモデル作成部235が作成する処理の概要を示す図である。図5Bは、データ生成部236が機械学習モデルMを用いて時系列データを生成する過程を示す図である。
図5Aは、機械学習モデルMの一例として、条件付きVAEにより構成される機械学習モデルMをモデル作成部235が作成する処理の概要を示す図である。図5Bは、データ生成部236が機械学習モデルMを用いて時系列データを生成する過程を示す図である。
図5に示すように、機械学習モデルMは、一例としてのディープニューラルネットワーク(DNN)により構成されている。DNNは、入力層から出力層までの間に複数の層を有しており、それぞれの層に含まれる複数のノードそれぞれに可変の重みが設けられている。機械学習モデルMが学習する前の重みは初期値となっている。
図5Aに示すように、モデル作成部235は、入力された学習用時系列データ及び学習用頻度データのペアが入力される機械学習モデルM-1と、潜在変数ベクトルz及び学習用頻度データが入力される機械学習モデルM-2とで構成され、機械学習モデルM-2から出力される生成時系列データと、学習用時系列データとを比較する。
モデル作成部235は、機械学習モデルM-1及び機械学習モデルM-2に学習用頻度データを入力した際に機械学習モデルM-2から出力される生成時系列データと、学習用時系列データとの差分に基づいて、機械学習モデルM-1及び機械学習モデルM-2の重みを更新する。
モデル作成部235は、例えば生成時系列データと学習用時系列データとの差が閾値以上である場合に、前記差を逆伝搬させ、逆伝搬させた経路上のノードの重みを更新する。モデル作成部235は、生成時系列データと学習用時系列データとの差が閾値未満になるまで、学習用頻度データを機械学習モデルM-1及び機械学習モデルM-2に入力したことにより生成される生成時系列データと学習用時系列データとの比較と重みの更新とを繰り返す。モデル作成部235は、多数の学習用頻度データ及び学習用時系列データのペアを用いて上記の処理を実行することにより、図5Bに示す機械学習モデルM-3(機械学習モデルM-2と実質的に同一のモデル)を作成する。
モデル作成部235が機械学習モデルM-1及び機械学習モデルM-2を更新して機械学習モデルM-3として完成した後には、図5Bに示すように、データ生成部236が、車両Tから取得された頻度データ(生成用頻度データ)を機械学習モデルM-3に入力することにより、機械学習モデルM-3が、入力された頻度データに対応する生成時系列データを出力する。
<4>データ生成装置2における処理の流れ
図6は、データ生成装置2における処理の流れを示すフローチャートである。図6に示すフローチャートは、データ生成装置2が機械学習モデルMの作成を開始する指示を受けた時点から開始される。
図6は、データ生成装置2における処理の流れを示すフローチャートである。図6に示すフローチャートは、データ生成装置2が機械学習モデルMの作成を開始する指示を受けた時点から開始される。
モデル作成部235は、機械学習モデルMを作成する指示を受けると、時系列データ取得部231から学習用時系列データを取得する(ステップS11)。また、モデル作成部235は、学習用頻度データ取得部232から学習用頻度データを取得する(ステップS12)。ステップS11とステップS12を実行する順序は任意であり、モデル作成部235は、学習用時系列データと学習用頻度データとを同時に取得してもよい。モデル作成部235は、学習用時系列データと学習用頻度データのセットを教師データとして機械学習することにより機械学習モデルMを更新する(ステップS13)。具体的には、モデル作成部235は、記憶部22に記憶された機械学習モデルMの重みを更新する。
モデル作成部235は、更新された機械学習モデルMの性能を評価し、評価した結果が基準レベル以上であるか否かを判定する(ステップS14)。モデル作成部235は、例えば、頻度データを機械学習モデルMに入力した際に機械学習モデルMから出力される生成時系列データと、学習用時系列データとの差分が閾値未満である場合に、評価した結果が基準レベル以上であると判定する。
モデル作成部235は、評価した結果が基準レベルに達していないと判定した場合(ステップS14においてNO)、ステップS11に戻り、さらなる学習用時系列データ及び学習用頻度データを用いて機械学習を繰り返す。モデル作成部235は、評価した結果が基準レベルに達していると判定した場合(ステップS14においてYES)、機械学習モデルMの更新を終了する(ステップS15)。
その後、データ生成部236は、時系列データを生成するための生成用頻度データを取得すると(ステップS16)、生成用頻度データを機械学習モデルMに入力する(ステップS17)。データ生成部236は、機械学習モデルMから出力された生成時系列データを出力する(ステップS18)。
<5>高周波成分の付加
発明が解決しようとする課題の項でも説明したように、差分に基づく重み付け処理を用いた機械学習においては、細かな変化(換言すれば高周波成分)などは差分としては小さな値となってしまうので、学習用の時系列データが車両の速度の時系列データである場合、細かな車速変化などの再現が困難な問題がある。一方で、この細かな車速変化は、例えば燃費を評価する際の加速抵抗として重要である。つまり、頻度情報から時系列データを生成する技術において、細かな変化が再現された時系列データを生成することができる機械学習が望まれる。
発明が解決しようとする課題の項でも説明したように、差分に基づく重み付け処理を用いた機械学習においては、細かな変化(換言すれば高周波成分)などは差分としては小さな値となってしまうので、学習用の時系列データが車両の速度の時系列データである場合、細かな車速変化などの再現が困難な問題がある。一方で、この細かな車速変化は、例えば燃費を評価する際の加速抵抗として重要である。つまり、頻度情報から時系列データを生成する技術において、細かな変化が再現された時系列データを生成することができる機械学習が望まれる。
本実施の形態では、これを考慮して、学習用時系列データから生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を生成時系列データに付加するようになっている。本実施の形態では、高周波成分の付加の仕方として、以下に説明する2つのパターンを提案する。
<5-1>付加パターン1
図7は、高周波成分の付加パターン1を実現する構成を示すブロック図である。
図7は、高周波成分の付加パターン1を実現する構成を示すブロック図である。
図7のモデル作成部235は、機械学習モデルMから出力される生成時系列データに高周波成分を付加する高周波成分付加部300を有する。高周波成分付加部300によって高周波成分が付与された生成時系列データは、データ生成部236を介してデータ出力部234に送られる。
図8は、高周波成分付加部300の構成例を示すブロック図である。高周波成分付加部300は、時系列データ取得部231からの学習用時系列データをフーリエ変換するフーリエ変換部301と、フーリエ変換後の信号から低域成分を除去するハイパスフィルター302と、ハイパスフィルター302の出力を逆フーリエ変換する逆フーリエ変換部303と、逆フーリエ変換後の信号を高周波成分として機械学習モデルMからの生成時系列データに付与する付与部304と、を有する。
図9は、高周波成分付加部300の処理の様子を示した図である。図9Aはフーリエ変換部301に入力される学習用時系列データの様子を示し、図9Bはフーリエ変換部301及びハイパスフィルター302による処理の様子を示す。図9Bから分かるように、時間領域の学習用時系列データがフーリエ変換部301によって周波数領域の信号に変換される。さらに、周波数領域に変換された信号の低域成分がハイパスフィルター302によってカットされる。
このときのカットオフ周波数は、固定の値に設定してもよく、学習用時系列データの周波数分布に基づいて可変に設定してもよい。例えば、カットオフ周波数を可変に設定する場合、生成時系列データと学習用時系列データの周波数分布を比較し、学習用時系列データに比して生成時系列データにおいて失われている高周波成分を通過させるようなカットオフ周波数を設定すればよい。
図9Cは、逆フーリエ変換部303によって時間領域の信号に変換された時系列データの様子を示す図である。このようにして、ハイパスフィルター302を通過した学習用時系列データの高周波成分が、逆フーリエ変換部303によって時間領域の高周波信号とされ、この高周波信号が付与部304によって生成時系列データに付加される。
このように、機械学習モデルMから出力される生成時系列データにおいて失われる傾向にある、時系列データの高周波成分を、高周波成分付加部300によって付加するようにしたので、頻度情報から時系列データを生成する場合に、細かな変化も再現された時系列データを得ることができるようになる。
<5-2>付加パターン2
図10は、高周波成分の付加パターン2を実現する構成を示すブロック図である。図5Aとの対応部分に同一符号を付して示す図10において、差分回路の前段側に高周波成分付加部300が設けられている。これにより、差分回路には、高周波成分が補完された生成時系列データが入力される。
図10は、高周波成分の付加パターン2を実現する構成を示すブロック図である。図5Aとの対応部分に同一符号を付して示す図10において、差分回路の前段側に高周波成分付加部300が設けられている。これにより、差分回路には、高周波成分が補完された生成時系列データが入力される。
これにより、高周波成分が失われる傾向にある差分を用いた学習時において、随時高周波成分を補完するので、学習の結果得られる機械学習モデルMが、高周波成分を有する生成時系列データを出力できるものとなる。
<6>まとめ
以上説明したように、本実施の形態のモデル作成装置(制御部23)は、車両Tが走行中に測定された車両Tの走行中の時系列データを学習用時系列データとして取得する時系列データ取得部231と、学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部232と、学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルMを作成するモデル作成部235と、学習用時系列データから生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を生成時系列データに付加する高周波成分付加部300と、を備える。
以上説明したように、本実施の形態のモデル作成装置(制御部23)は、車両Tが走行中に測定された車両Tの走行中の時系列データを学習用時系列データとして取得する時系列データ取得部231と、学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部232と、学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルMを作成するモデル作成部235と、学習用時系列データから生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を生成時系列データに付加する高周波成分付加部300と、を備える。
本実施の形態のデータ生成装置(制御部23)は、車両Tが走行中に測定された車両Tの走行中の時系列データから時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部(生成用頻度データ取得部233)と、車両Tの走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルMに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部236と、学習用時系列データから生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を生成時系列データに付加する高周波成分付加部300と、を備える。
このようにすることで、機械学習モデルを用いて頻度情報から時系列データを生成する場合に、細かな変化が再現された時系列データを生成することができる、モデル作成装置及びデータ生成装置を実現できる。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。
上述の実施の形態では、主に時系列データが車両Tの速度である場合について述べたが、上述したように時系列データは、これに限らず、例えば、車両Tの加速度、車両Tで使用される冷却水の温度、車両Tで使用される油の温度、車両Tのアクセル開度、車両Tの振動量など、車両Tの走行によりであり時間的に変化する種々のパラメータについての時系列データであり得る。
また、上述の実施の形態では、データ生成装置2がデータ収集装置1から時系列データ及び頻度データを取得する場合を例示したが、データ生成装置2がデータ収集装置1の機能を有しており、データ生成装置2が複数の車両Tから測定データを受信してもよい。
また、上述の実施の形態では、高周波成分付加部300を、モデル作成部235に設けた場合について述べたが、高周波成分付加部300の位置はこれに限らず、例えば、モデル作成部235とデータ生成部236の間や、データ生成部236内、データ生成部236とデータ出力部234の間に設けてもよい。
また、以上の説明においては、データ生成装置2として機能するコンピューターが、モデル作成装置の機能を有するとともに、生成用頻度データが入力されたことに応じて機械学習モデルMから出力された生成時系列データを出力する機能も有する場合を例示したが、データ生成装置2の構成はこれに限らない。データ生成装置2は、モデル作成装置として機能する第1コンピューターと、第1コンピューターに生成用頻度データを入力し、第1コンピューターから生成時系列データを取得する第2コンピューターとによって構成されていてもよい。
本発明は、車両走行中の車両に関する時系列データを、学習により少ないデータから再現する技術として広く用いることができる。
1 データ収集装置
2 データ生成装置
21 通信部
22 記憶部
23 制御部
231 時系列データ取得部
232 学習用頻度データ取得部
233 生成用頻度データ取得部
234 データ出力部
235 モデル作成部
236 データ生成部
300 高周波成分付加部
301 フーリエ変換部
302 ハイパスフィルター
303 逆フーリエ変換部
M 機械学習モデル
S データ生成システム
T 車両
2 データ生成装置
21 通信部
22 記憶部
23 制御部
231 時系列データ取得部
232 学習用頻度データ取得部
233 生成用頻度データ取得部
234 データ出力部
235 モデル作成部
236 データ生成部
300 高周波成分付加部
301 フーリエ変換部
302 ハイパスフィルター
303 逆フーリエ変換部
M 機械学習モデル
S データ生成システム
T 車両
Claims (7)
- 車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する時系列データ取得部と、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備えるモデル作成装置。 - 前記高周波成分付加部は、
前記学習用時系列データをフーリエ変換するフーリエ変換部と、
フーリエ変換後の信号から低域成分を除去するハイパスフィルターと、
前記ハイパスフィルターの出力を逆フーリエ変換する逆フーリエ変換部と、
逆フーリエ変換後の信号を前記高周波成分として前記生成時系列データに付与する付与部と、
を備える、請求項1に記載のモデル作成装置。 - 前記ハイパスフィルターのカットオフ周波数は、前記学習用時系列データの周波数分布に基づいて可変とされている、
請求項2に記載のモデル作成装置。 - 前記ハイパスフィルターのカットオフ周波数は、前記学習用時系列データと前記生成時系列データとの比較結果に基づいて求められる、
請求項2又は3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走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得する頻度データ取得部と、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加する高周波成分付加部と、
を備えるデータ生成装置。 - コンピューターが実行するモデル作成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含むモデル作成方法。 - コンピューターが実行するデータ生成方法であって、
車両が走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記学習用時系列データから前記生成時系列データに含まれるべき高周波成分を抽出し、抽出した高周波成分を前記生成時系列データに付加するステップと、
を含むデータ生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022047071A JP7400855B2 (ja) | 2022-03-23 | 2022-03-23 | 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 |
---|---|---|---|
JP2022047071A JP7400855B2 (ja) | 2022-03-23 | 2022-03-23 | 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 |
---|---|
JP2023140975A JP2023140975A (ja) | 2023-10-05 |
JP7400855B2 true JP7400855B2 (ja) | 2023-12-19 |
Family
ID=88206521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022047071A Active JP7400855B2 (ja) | 2022-03-23 | 2022-03-23 | 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) | JP7400855B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009223443A (ja) | 2008-03-13 | 2009-10-01 | Sony Corp | 学習装置、学習方法、及び、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 |
JP2021051640A (ja) | 2019-09-26 | 2021-04-01 | 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 |
WO2021079425A1 (ja) | 2019-10-23 | 2021-04-29 | 富士通株式会社 | データ前処理方法、データ前処理装置およびデータ前処理プログラム |
-
2022
- 2022-03-23 JP JP2022047071A patent/JP7400855B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009223443A (ja) | 2008-03-13 | 2009-10-01 | Sony Corp | 学習装置、学習方法、及び、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 |
JP2021051640A (ja) | 2019-09-26 | 2021-04-01 | 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 |
WO2021079425A1 (ja) | 2019-10-23 | 2021-04-29 | 富士通株式会社 | データ前処理方法、データ前処理装置およびデータ前処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023140975A (ja) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
JP7230754B2 (ja) | モデル作成装置及びモデル作成方法 | |
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 | |
Asadi et al. | Human perception-based washout filtering using genetic algorithm | |
CN112508058B (zh) | 基于音频特征分析的变压器故障诊断方法及装置 | |
CN113029559B (zh) | 一种齿轮箱故障诊断方法及系统 | |
Li et al. | A new microscopic traffic model using a spring-mass-damper-clutch system | |
Şen et al. | Mean field games with partially observed major player and stochastic mean field | |
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 | |
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 | |
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 | |
JP7447925B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7447926B2 (ja) | モデル作成装置及びモデル作成方法 | |
Fakhrmoosavy et al. | An intelligent method for generating artificial earthquake records based on hybrid PSO–parallel brain emotional learning inspired model | |
JP7444187B2 (ja) | モデル作成装置及びモデル作成方法 | |
CN113344018A (zh) | 域适应分类器产生 | |
WO2021181963A1 (ja) | 学習用データ生成装置、学習装置、制御装置、学習用データ生成方法、学習方法、制御方法、学習用データ生成プログラム、学習プログラム、及び制御プログラム | |
JP2020035325A (ja) | 設計システム、学習済みモデル生成方法、および設計プログラム | |
KR20190118766A (ko) | 추론을 위한 제한된 볼츠만 머신 구축 방법 및 추론을 위한 제한된 볼츠만 머신을 탑재한 컴퓨터 장치 | |
JP6956913B1 (ja) | 特徴量抽出装置、時系列推論装置、時系列学習システム、時系列特徴量抽出方法、時系列推論方法、及び時系列学習方法 | |
JP7468726B1 (ja) | データ生成装置及びデータ生成方法 | |
JP7409421B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP2024048863A (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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220926 |
|
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: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231120 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7400855 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |