JP7400856B2 - 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

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。

特開２０１２－２４８０８７号公報 特開２０２１－５１６３７号公報

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、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、頻度データ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データから時系列データを生成する場合に、機械学習モデルの作成及び時系列データの生成の難易度を上げることなく、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から高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た前記学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備する前処理部と、
前記学習用時系列データと前記学習用頻度データとを教師データとして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、
前記モデル作成部から出力される前記生成時系列データに前記前処理部で除去した高周波成分に相当する高周波成分を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時系列データから高周波成分を除去した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、
前記生成時系列データに、前記時系列データから除去した高周波成分に相当する高周波成分を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から高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た前記学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備するステップと、
前記学習用時系列データと前記学習用頻度データとを教師データとして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、
出力された前記生成時系列データに前記時系列データから除去した高周波成分に相当する高周波成分を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時系列データから高周波成分を除去した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、
前記生成時系列データに、前記時系列データから除去した高周波成分に相当する高周波成分を付加するステップと、
を含む。

本発明によれば、高周波成分を除去した学習用時系列データを用いて機械学習モデルを作成し、かつ、生成時系列データに、時系列データから除去した高周波成分に相当する高周波成分を付加するようにしたので、換言すれば、高周波成分を用いない学習を行い、かつ、高周波成分を後付けするようにしたので、機械学習モデルの作成及び時系列データの生成の難易度を上げることなく、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。

データ生成システムの概要を説明するための図 データ生成システムの概要を説明するための図 図３Ａは時系列データを示す図、図３Ｂは車速の頻度データを示す図、図３Ｃは加速度の頻度データを示す図 データ生成装置の構成を示すブロック図 条件付きＶＡＥにより構成される機械学習モデルを、モデル作成部が作成する処理の概要を示す図 データ生成部が機械学習モデルを用いて時系列データを生成する過程を示す図 データ生成装置における処理の流れを示すフローチャート 実施の形態によるデータ生成装置の構成を示すブロック図 高周波成分除去部の構成例を示すブロック図 高周波成分除去部の処理の様子を示した図であり、図９Ａは時系列データの様子を示す図、図９Ｂはフーリエ変換部及びローパスフィルターによる処理の様子を示す図、図９Ｃは逆フーリエ変換部によって時間領域の信号に変換された学習用時系列データの様子を示す図 高周波成分付加部の構成例を示すブロック図 高周波成分付加部の処理の様子を示した図であり、図１１Ａは学習用時系列データの様子を示す図、図１１Ｂはフーリエ変換部及びハイパスフィルターによる処理の様子を示す図、図１１Ｃは逆フーリエ変換部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

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。

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。

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＞本実施の形態による学習モデルの作成及び時系列データの生成
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、高周波成分を除去した学習用時系列データを用いて機械学習モデルを作成し、かつ、生成時系列データに、時系列データから除去した高周波成分に相当する高周波成分を付加する。換言すれば、高周波成分を用いない学習を行い、かつ、高周波成分を後付けする。これにより、機械学習モデルの作成及び時系列データの生成の難易度を上げることなく、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。

図４との対応部分に同一符号が付された図７は、本実施の形態のモデル作成装置及びデータ生成装置としての制御部２３の構成を示すブロック図である。

図７の制御部２３は、高周波成分除去部３００を含む前処理部１００を有する。また、制御部２３は、高周波成分付加部４００を有する。

前処理部１００は、時系列データから高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備する。

高周波成分付加部４００は、モデル作成部２３５の機械学習モデルＭから出力される生成時系列データに前処理部１００で除去した高周波成分に相当する高周波成分を付加する。

具体的に説明する。前処理部１００は、時系列データ取得部２３１から出力された時系列データを高周波成分除去部３００に入力する。高周波成分除去部３００は、時系列データから高周波成分を除去して学習用時系列データを得、この学習用時系列データをモデル作成部２３５及び学習用頻度データ取得部２３２に出力する。学習用頻度データ取得部２３２は、高周波成分が除去された学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして得、これをモデル作成部２３５に出力する。

図８は、高周波成分除去部３００の構成例を示すブロック図である。高周波成分除去部３００は、時系列データ取得部２３１からの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高周波成分を除去するローパスフィルター３０２と、ローパスフィルター３０２の出力を逆フーリエ変換する逆フーリエ変換部３０３と、を有する。

図９は、高周波成分除去部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及びローパスフィルター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高周波成分がローパスフィルター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、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。

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、ローパスフィルター３０２を通過した時系列データの低域成分が、逆フーリエ変換部３０３によって時間領域の信号とされ、この信号が学習用時系列データとして出力される。

図１０は、高周波成分付加部４００の構成例を示すブロック図である。高周波成分付加部４００は、時系列データ取得部２３１からの時系列データをフーリエ変換するフーリエ変換部４０１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４０２と、ハイパスフィルター４０２の出力を逆フーリエ変換する逆フーリエ変換部４０３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４０４と、を有する。

図１１は、高周波成分付加部４００の処理の様子を示した図である。図１１Ａはフーリエ変換部４０１に入力される時系列データの様子を示し、図１１Ｂはフーリエ変換部４０１及びハイパスフィルター４０２による処理の様子を示す。図１１Ｂから分かるように、時間領域の時系列データがフーリエ変換部４０１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４０２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、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。

図１１Ｃは、逆フーリエ変換部４０３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４０２を通過した時系列データの高周波成分が、逆フーリエ変換部４０３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４０４によって生成時系列データに付加される。

このように、本実施の形態のモデル作成装置及びデータ生成装置である制御部２３は、高周波成分を除去した学習用時系列データを用いて機械学習モデルを作成し、かつ、生成時系列データに、時系列データから除去した高周波成分に相当する高周波成分を付加する。これにより、機械学習モデルの作成及び機械学習モデルによる時系列データの生成の難易度を上げることなく、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。

なお、ローパスフィルター３０２のカットオフ周波数とハイパスフィルター４０２のカットオフ周波数を同一に設定することが好ましい。このようにすることで、高周波成分除去部３００により除去した時系列データの高周波成分を、高周波成分付加部４００によって元に戻すことができるようになる。

＜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から高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備する前処理部１００と、学習用時系列データと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、モデル作成部２３５から出力される生成時系列データに前処理部１００で除去した高周波成分に相当する高周波成分を付加する高周波成分付加部４００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の走行中の時系列データから高周波成分を除去した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、生成時系列データに、時系列データから除去した高周波成分に相当する高周波成分を付加する高周波成分付加部４００と、を備える。

このようにすることで、機械学習モデルの作成及び機械学習モデルによる時系列データの生成の難易度を上げることなく、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４００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４００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。要は、高周波成分付加部４００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、時系列データから除去した高周波成分に相当する高周波成分を付加できる位置に設けられていればよい。

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
１００ 前処理部
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 高周波成分除去部
３０１、４０１ フーリエ変換部
３０２ ローパスフィルター
３０３、４０３ 逆フーリエ変換部
４００ 高周波成分付加部
Ｍ 機械学習モデル
Ｓ データ生成システム
Ｔ 車両

Claims (7)

1. 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高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た前記学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備する前処理部と、
   前記学習用時系列データと前記学習用頻度データとを教師データとして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、
   前記モデル作成部から出力される前記生成時系列データに前記前処理部で除去した高周波成分に相当する高周波成分を付加する高周波成分付加部と、
   を備えるモデル作成装置。
2. 前記前処理部は、前記時系列データから高周波成分を除去して前記学習用時系列データを得る高周波成分除去部を有し、
   前記高周波成分除去部は、
   前記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高周波成分を除去するローパスフィルターと、
   前記ロー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、
   を備える、
   請求項１に記載のモデル作成装置。
3. 前記高周波成分付加部は、
   前記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２に記載のモデル作成装置。
4. 前記ローパスフィルターのカットオフ周波数と前記ハイパスフィルターのカットオフ周波数は、同一である、
   請求項３に記載のモデル作成装置。
5. 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時系列データから高周波成分を除去した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、
   前記生成時系列データに、前記時系列データから除去した高周波成分に相当する高周波成分を付加する高周波成分付加部と、
   を備えるデータ生成装置。
6. 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から高周波成分を除去したデータを学習用時系列データとして準備するとともに、高周波成分を除去して得た前記学習用時系列データに関する発生頻度分布を示すデータを学習用頻度データとして準備するステップと、
   前記学習用時系列データと前記学習用頻度データとを教師データとして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、
   出力された前記生成時系列データに前記時系列データから除去した高周波成分に相当する高周波成分を付加するステップと、
   を含むモデル作成方法。
7. 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時系列データから高周波成分を除去した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、
   前記生成時系列データに、前記時系列データから除去した高周波成分に相当する高周波成分を付加するステップと、
   を含むデータ生成方法。
   
   

Images