JP7452654B2 - 情報処理装置、制御方法及びプログラム - Google Patents

Description

本開示は、地理的特性に影響を受ける機器の状態に関する推論を行う情報処理装置、制御方法及び記憶媒体の技術分野に関する。

車両などの移動体の故障に関する推論を行う技術が存在する。例えば、特許文献１には、車両検出データ及び修理情報から不具合の原因を推定する規則情報を生成する車両用故障解析サーバであって、過去に同一地域にて生成された規則情報に基づいて、対象の車両に対する不具合の原因を推定する車両用故障解析サーバが開示されている。

特開２０１０－１４４９８号公報

深層学習などの機械学習に基づくモデルを用い、車両などの地理的特性に影響を受ける機器の状態に関する推論を行う場合、学習時の環境と推論時の環境が異なると精度が低下することがある。

本開示では、上述した課題を鑑み、地理的特性に影響を受ける機器の状態に関する推論を好適に行うことが可能な情報処理装置、制御方法及び記憶媒体を提供する。

情報処理装置の一の態様は、推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する選択手段と、前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う推論手段と、を有する情報処理装置である。

制御方法の一の態様は、コンピュータにより、推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う、制御方法である。

プログラムの一の態様は、推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う処理をコンピュータに実行させるプログラムである。

本開示によれば、地理的特性に影響を受ける推論対象機器の状態に関する推論を好適に実行することができる。

第１実施形態に係る推論システムの構成を示す。 （Ａ）データセンタのブロック構成の一例を示す。（Ｂ）推論対象機器のブロック構成の一例を示す。 推論システムの機能ブロックの一例である。 （Ａ）推論モデルが生成されるエリアを明示した地図を示す。（Ｂ）推論対象機器の移動軌跡と中心地とを地図上に明示した図である。 最終推論結果の生成処理の概要を示す図である。 エリア毎の推論モデルの学習用データの生成の概要を示す図である。 エリアに対応する推論モデルの学習の概要を示す図である。 推論結果画面の表示例である。 第１実施形態における推論処理の手順を示すフローチャートの一例である。 変形例３における推論対象機器の機能ブロックの構成図を示す。 変形例４に係るデータセンタ及び推論対象機器の機能的なブロック構成を示す。 第２実施形態における情報処理装置の概略構成図である。 第２実施形態において情報処理装置が実行するフローチャートの一例である。

以下、図面を参照しながら、情報処理装置、制御方法及び記憶媒体の実施形態について説明する。

＜第１実施形態＞
（１）システム構成
図１は、第１実施形態に係る推論システム１００の構成を示す。推論システム１００は、推論対象機器４（図１では車両）の状態に関する推論を、エリア毎に適した推論モデルを組み合わせて使用することで実行する。推論システム１００は、複数のデータセンタ１（１Ａ～１Ｃ、…）と、基地局３と、推論対象機器４とを有する。データセンタ１と基地局３、又は、データセンタ１同士は、ネットワーク２を介してデータ通信を行う。

データセンタ１は、複数台により構成され、各データセンタ１は、担当するエリアとして予め割り当てられたエリアに存在する推論対象機器とデータ通信を行い、当該推論対象機器の状態に関する推論を行う。以後の説明では、便宜上、データセンタ１Ａが担当するエリアに推論対象機器４が存在するものとし、データセンタ１Ａを「エリア担当データセンタ１Ａ」とも呼ぶ。また、「エリア」とは、特に言及がない限り、推論モデルを生成するために論理上区切ったエリアを指すものとする。

エリア担当データセンタ１Ａは、推論対象機器４から供給される推論の実行を要求する要求情報「Ｓ１」に基づき、推論対象機器４の状態に関する推論を行い、上記要求に対する応答を示す応答情報「Ｓ２」を、推論対象機器４に供給する。また、各データセンタ１は、夫々が割り当てられたエリアにおいて適した推論モデルに関する情報を有しており、エリア担当データセンタ１Ａは、推論対象機器４の状態に関する推論に必要な推論モデルに関する追加モデル情報「Ｓ３」を、ネットワーク２を介して他のデータセンタ１（１Ｂ、１Ｃ）から受信する。なお、各データセンタ１は、複数の装置から構成されてもよい。エリア担当データセンタ１Ａは、本開示における「情報処理装置」の一例である。

基地局３は、各データセンタ１が担当するエリア毎に１又は複数設けられており、データセンタ１と推論対象機器４とのデータ通信の中継を行う。

推論対象機器４は、移動体又は携帯型の機器であり、異常検知などの推論の対象となる機器である。図１の例では、推論対象機器４は、車両であり、車両全体又は車両を構成する個々の部品（例えば、エンジン、バッテリ、サスペンション等）に対する状態の推論が行われる。ここで、状態の推論として、例えば、推論対象機器４の異常の有無の判定、推論対象機器４の状態の分類（例えば生じた故障の分類）、又は推論対象機器４の状態を表すスコアの算出などが行われる。推論対象機器４には、位置及び状態を測定するためのセンサが設けられており、推論対象機器４は、センサが生成する出力データなどを含む要求情報Ｓ１を、基地局３を介し、エリア担当データセンタ１Ａに送信する。また、推論対象機器４は、エリア担当データセンタ１Ａから受信する応答情報Ｓ２に基づき、推論結果に関する出力（表示、音出力、又は／及び制御）を行う。なお、推論対象機器４は、車両に限らず、スマートフォン（携帯型端末）などの地理的特性に影響を受ける任意の機器であってもよい。

ここで、推論結果に関する出力として制御を行う場合について補足説明する。例えば、推論対象機器４は、推論の結果、車両で駆動系の故障の予兆が検知された場合、安全に最寄りの整備工場に到達できるように、時速の上限を通常時よりも低く設定する。他の例では、推論対象機器４は、推論の結果、車両で駆動系の故障の予兆が検知された場合、最寄りの整備工場に車両が到達するための運転支援（ナビゲーション又は自動運転）を行う。このように、推論対象機器４は、推論結果に応じて推論対象機器４に関する制御を行うことで、推論対象機器４の故障の発生時でも安全性を好適に確保することができる。

（２）ブロック構成
図２（Ａ）は、データセンタ１のブロック構成の一例を示す。データセンタ１は、機能的には、制御部１１と、記憶部１２と、通信部１３とを含む。制御部１１、記憶部１２及び通信部１３は、データバス１９を介して接続されている。

制御部１１は、記憶部１２に記憶されているプログラムを実行することにより、所定の処理を実行する。制御部１１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、量子プロセッサなどである。制御部１１が実行する処理については、図３の機能ブロック図を参照して具体的に説明する。

記憶部１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの揮発性メモリと、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどの不揮発性メモリとを含む各種のメモリにより構成される。また、記憶部１２には、データセンタ１が所定の処理を実行するためのプログラムが記憶される。なお、データセンタ１が実行するプログラムは、記憶部１２以外の記憶媒体に記憶されてもよい。

また、記憶部１２は、モデル情報２０と、学習用データ２１とを有する。また、記憶部１２は、学習により生成された各推論モデルに対応するエリアに関する情報、各エリアに対応する推論モデルの情報を保有する他のデータセンタ１に関する情報など、後述するデータセンタ１の処理に必要な種々の情報を記憶する。

モデル情報２０は、推論対象機器４の状態を推定する推論モデルに関する情報である。ここで、各データセンタ１は、当該データセンタ１が担当するエリアに適した推論モデルに関するモデル情報２０を有している。エリアに適した推論モデルは、対象のエリアにおいて取得された学習用データ２１に基づきエリア毎に学習された学習モデルであり、記憶部１２は、この学習済の学習モデルのパラメータを、モデル情報２０として記憶している。この場合、推論モデルは、推論対象機器において検出されたデータが入力された場合に、推論対象機器の状態に関する推論結果を出力するように学習された学習モデルとなる。上述のデータは、例えば、推論対象機器に設けられたセンサの出力データ（「センサデータ」とも呼ぶ。）又は／及び推論対象機器における制御データである。上記の制御データは、例えば推論対象機器が車両の場合には、ブレーキペダルの踏み込み量に関する情報、アクセルペダルの踏み込み量（スロットル開度）に関する情報、モータ又はエンジンの出力に関する情報などが含まれる。また、推論モデルは、推論結果として、例えば、異常の有無、異常の種類、異常の度合いを示すスコアの少なくともいずれかを示す情報を出力する。

学習用データ２１は、推論モデルの学習に用いるデータ（訓練用データ）である。モデル情報２０の生成及び学習用データ２１の収集については、図６及び図７を参照して後述する。

通信部１３は、制御部１１の制御に基づき、推論対象機器４などの外部装置とデータの送受信を有線又は無線により行うための通信インターフェースであり、ネットワークアダプタなどが該当する。

なお、データセンタ１の構成は、図２（Ａ）に示す構成に限定されない。例えば、データセンタ１は、管理者などのユーザによる入力を受け付ける入力部、ディスプレイなどの表示部、又はスピーカなどの音出力装置の少なくともいずれかと接続又はこれらの少なくともいずれかを内蔵してもよい。

図２（Ｂ）は、推論対象機器４のブロック構成の一例を示す。推論対象機器４は、機能的には、制御部４１と、記憶部４２と、通信部４３と、インターフェース４４と、入力部４５と、出力部４６と、制御部４７と、センサ群５０と、を含む。これらの推論対象機器４の各要素は、データバス４９を介して接続されている。なお、推論対象機器４が車両の場合、図２（Ｂ）に示す推論対象機器４の各要素は、車両自体により実現されてよく、車両に搭載された車載器により実現されてもよい。

制御部４１は、記憶部４２に記憶されているプログラムを実行することにより、所定の処理を実行する。制御部４１は、ＣＰＵ、ＧＰＵ、量子プロセッサなどである。記憶部４２は、揮発性メモリ及び不揮発性メモリを含む各種のメモリにより構成される。なお、推論対象機器４が車両の場合、制御部４１は、車両のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）であってもよく、車両の運転を支援する車載器であってもよい。後者の場合、車載器は、ＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）などの通信プロトコルを用いて、車両のＥＣＵから種々の情報を受信してもよい。

記憶部４２は、揮発性メモリと不揮発性メモリとを含む各種のメモリにより構成され、推論対象機器４が所定の処理を実行するためのプログラムが記憶される。また、記憶部４２は、作業メモリとして使用される。また、記憶部４２は、移動履歴情報２３を記憶する。移動履歴情報２３は、例えば、推論対象機器４が生成した位置情報が時刻情報と共に関連付けられたデータであり、推論対象機器４の移動時に一定又は不定の間隔により更新される。移動履歴情報２３は、所定期間において推論対象機器４が移動した地理的な中心地の算出に用いられる。

通信部４３は、制御部４１の制御に基づき、データセンタ１などの外部装置とデータの送受信を有線又は無線により行うための通信インターフェースであり、ネットワークアダプタなどが該当する。インターフェース４４は、入力部４５、出力部４６、制御部４７及びセンサ群５０のインターフェース動作を行う。

入力部４５は、例えば、ボタン、スイッチ、タッチパネル、又は音声入力装置である。出力部４６は、例えば、ディスプレイ、プロジェクタなどの表示装置、又は、スピーカなどの音出力装置である。センサ群５０は、推論対象機器４に設けられた各種センサであり、絶対的な位置情報を生成するＧＰＳ受信機５８と、推論対象機器４の状態を検知するために推論対象機器４に設けられた状態検知センサ５９とを含んでいる。状態検知センサ５９は、推論対象機器４の１又は複数の物理量（例えば、電圧、電流、速度、力、トルク、振動量等）を測定する。なお、入力部４５及び出力部４６は、推論対象機器４とインターフェース４４を介して電気的に接続する外部装置であってもよい。また、インターフェース４４は、入力部４５、出力部４６及びセンサ群５０以外の任意の装置のインターフェース動作を行ってもよい。制御部４７は、推論対象機器４が車両などの移動体である場合の移動体の運転支援に関する制御を行う。例えば、制御部４７は、推論の結果、車両で駆動系の故障の予兆が検知された場合、制御部４１の指令に基づき、時速の上限を通常時よりも低く設定したり、最寄りの整備工場に車両が到達するための運転支援（ナビゲーション及び自動運転を含む）を行ったりする。このように、制御部４７は、制御部４１の指令に基づき、推論対象機器４の移動に関する制限又は運転支援を行う。例えば、制御部４１がＥＣＵである場合には、制御部４７は車載器であってもよく、その逆であってもよい。

（３）機能ブロック
次に、エリア担当データセンタ１Ａ及び推論対象機器４が実行する処理の詳細について説明する。概略的には、エリア担当データセンタ１Ａは、推論対象機器４の移動履歴の地理的な中心地に基づき、各データセンタ１が保有するエリア毎の推論モデルから、使用する推論モデルを選択し、選択した推論モデルによる推論結果に基づき、推論対象機器４の状態に関する推論を行う。以後では、推論対象機器４の移動履歴の地理的な中心地を「中心地Ｐｃ」と呼び、中心地Ｐｃに基づき選択した推論モデルを「適合推論モデルＭａ」と呼ぶ。

図３は、推論システム１００の機能ブロックの一例である。エリア担当データセンタ１Ａの制御部１１は、機能的には、要求受信部３１と、推論計画部３２と、モデル情報送受信部３３と、推論実行部３４と、推論統合部３５と、出力制御部３６とを有する。また、推論対象機器４の制御部４１は、機能的には、移動履歴生成部５１と、中心地算出部５２と、推論要求部５３と、出力制御部５４とを有する。なお、図３では、データの授受が行われるブロック同士を実線により結んでいるが、データの授受が行われるブロックの組合せは図３に限定されない。後述する他の機能ブロックの図においても同様である。

まず、推論対象機器４が有する各機能について説明する。

移動履歴生成部５１は、ＧＰＳ受信機５８の出力信号などに基づいて推論対象機器４の現在位置を特定し、特定した現在位置を示す位置情報を移動履歴情報２３に記憶する。なお、移動履歴生成部５１は、生成した位置情報を全て移動履歴情報２３に記憶する代わりに、生成した位置情報に基づく統計情報であってもよい。この場合、例えば、移動履歴生成部５１は、中心地Ｐｃの算出において対象とする期間内における位置座標の平均値及びサンプル数などの情報を、移動履歴情報２３として記憶してもよい。

中心地算出部５２は、移動履歴情報２３を参照して中心地Ｐｃの算出を行う。この場合、中心地算出部５２は、移動履歴を参照する期間を複数設定し、設定した複数の期間ごとに中心地Ｐｃの算出を行う。以後では、中心地Ｐｃの算出において移動履歴を参照する期間を、「中心地算出期間Ｔｐｃ」とも呼ぶ。

例えば、中心地算出部５２は、現在（即ち処理時点）から第１時間長前までの期間を短期の中心地算出期間Ｔｐｃとし、現在から第２時間長前までの期間を中期の中心地算出期間Ｔｐｃとし、現在から第３時間長前までの期間を長期の中心地算出期間Ｔｐｃとする。ここでは、第２時間長は、第１時間長よりも長く、かつ、第３時間長よりも短いものとする。そして、短期、中期、及び長期のそれぞれの中心地算出期間Ｔｐｃにおける移動履歴を移動履歴情報２３から抽出し、短期、中期、及び長期のそれぞれの中心地算出期間Ｔｐｃに対応する中心地Ｐｃの算出を行う。例えば、中心地算出部５２は、短期の中心地算出期間Ｔｐｃに対応する中心地Ｐｃを算出する場合、短期の中心地算出期間Ｔｐｃにおいて生成された位置情報を移動履歴情報２３から抽出する。そして、中心地算出部５２は、抽出した位置情報が示す位置座標（例えば緯度及び経度などの絶対座標）の平均を、短期の中心地算出期間Ｔｐｃに対応する中心地Ｐｃとして算出する。

ここで、中心地算出期間Ｔｐｃの設定について補足説明する。中心地算出期間Ｔｐｃは、互いに重複が生じない期間に設定されてもよい。例えば、中心地算出部５２は、短期の中心地算出期間Ｔｐｃを現在から第１日時までの期間、中期の中心地算出期間Ｔｐｃを第１日時から第１日時より前の第２日時までの期間、長期の中心地算出期間Ｔｐｃを第２日時から第２日時より前の第３日時までの期間に設定してもよい。また、中心地Ｐｃの算出において対象とする期間は、推論対象機器４の前回のメンテナンスが行われた日時を基準として定められてもよい。この場合、中心地算出部５２は、前回のメンテナンス日時から現在までの期間内において、中心地算出期間Ｔｐｃを設定する。この場合、例えば、中心地算出部５２は、推論対象機器４のメンテナンスに関する情報を、記憶部４２又はデータセンタ１などの外部装置から取得することで、上述のメンテナンス日時を認識する。また、中心地算出期間Ｔｐｃは、例えば、初期値が記憶部４２に記憶されており、入力部４５によるユーザ入力に基づき適宜更新されてもよい。また、設定する中心地算出期間Ｔｐｃの個数（即ち中心地Ｐｃの個数）は、２個以下であってもよく、４個以上であってもよい。

推論要求部５３は、推論対象機器４の状態に関する推論を要求する要求情報Ｓ１を生成し、通信部４３を介してエリア担当データセンタ１Ａに要求情報Ｓ１を送信する。この場合、推論要求部５３は、中心地算出部５２が算出した中心地Ｐｃ、及び、状態検知センサ５９が現時点（即ち要求情報Ｓ１を生成するタイミング）において出力するセンサデータを要求情報Ｓ１に含める。センサデータは、推論モデルの入力データとして用いられる。なお、推論要求部５３は、上述のセンサデータに加えて、又はこれに代えて、推論対象機器４において生成される制御データを要求情報Ｓ１に含めてもよい。上記の制御データは、例えば推論対象機器４が車両の場合には、ブレーキペダルの踏み込み量に関する情報、アクセルペダルの踏み込み量（スロットル開度）に関する情報、モータ又はエンジンの出力に関する情報などが含まれる。制御データは、推論モデルの入力データとして用いられる。

なお、推論要求部５３は、予め定められた時間間隔により要求情報Ｓ１を生成してもよく、ユーザ入力よる実行指示を検知した場合に要求情報Ｓ１を生成してもよい。前者において、推論対象機器４の部品毎に推論が行われる場合には、例えば、部品毎に推論を実行すべき時間間隔を示す情報が記憶部４２に記憶されている。

出力制御部５４は、エリア担当データセンタ１Ａから通信部４３を介して応答情報Ｓ２を受信し、受信した応答情報Ｓ２に基づき出力部４６を制御する。この場合、例えば、応答情報Ｓ２は、推論対象機器４の状態に関する推論結果を示す表示情報であり、出力制御部５４は、表示情報に基づき上記の推論結果に関する画面（「推論結果画面」とも呼ぶ。）を出力部４６に表示させる。この推論結果画面については、図９を参照して後述する。なお、出力制御部５４は、データセンタ１による推論結果を表示する代わりに、音声又は警告音等により、推論対象機器４の利用者に推論結果を通知してもよい。

次に、エリア担当データセンタ１Ａが有する各機能について説明する。

要求受信部３１は、推論対象機器４から通信部１３を介して要求情報Ｓ１を受信し、受信した要求情報Ｓ１を推論計画部３２に供給する。

推論計画部３２は、要求情報Ｓ１に含まれる中心地Ｐｃに基づき、中心地Ｐｃ毎に適合推論モデルＭａを決定する。この場合、推論計画部３２は、中心地Ｐｃの各々について、各データセンタ１が担当するエリアと中心地Ｐｃとの距離（「中心地・エリア距離Ｌ」とも呼ぶ。）を算出し、算出した中心地・エリア距離Ｌに基づき、適合推論モデルＭａとする推論モデルを決定する。この場合、例えば、推論計画部３２は、対象となる中心地Ｐｃと、予め定められたエリアの代表地点との距離を中心地・エリア距離Ｌとして算出し、中心地・エリア距離Ｌが最も近い所定個数分のエリアに対応する推論モデルを、適合推論モデルＭａとして定める。なお、推論計画部３２は、所定個数分のエリアに対応する推論モデルを適合推論モデルＭａとして定める代わりに、中心地・エリア距離Ｌが閾値未満となるエリアに対応する推論モデルを、適合推論モデルＭａとして定めてもよい。上述の代表地点の位置、所定個数、及び閾値等の情報は、例えば、記憶部１２に予め記憶されている。

モデル情報送受信部３３は、モデル情報２０に登録されていない適合推論モデルＭａが存在する場合、当該適合推論モデルＭａに関する情報を記憶する他のデータセンタ１に対し、通信部１３を介して当該情報の送信要求を行う。そして、モデル情報送受信部３３は、上記の送信要求の応答として、モデル情報２０に登録されていない適合推論モデルＭａを示す追加モデル情報Ｓ３を、通信部１３を介して受信し、追加モデル情報Ｓ３に基づきモデル情報２０を更新する。また、モデル情報送受信部３３は、他のデータセンタ１からモデル情報２０に記憶されている推論モデルの要求を受信した場合には、要求された推論モデルに対応する追加モデル情報Ｓ３を、要求元のデータセンタ１に送信する。なお、モデル情報送受信部３３は、推論計画部３２の処理に関わらず、他のデータセンタ１が有する最新の推論モデルを示す追加モデル情報Ｓ３の送信要求を、定期的に他のデータセンタ１に対して行ってもよい。この場合、モデル情報送受信部３３は、上記の送信要求に応じて他のデータセンタ１から受信する追加モデル情報Ｓ３に基づき、定期的にモデル情報２０の更新を行う。

推論実行部３４は、モデル情報２０を参照することで、推論計画部３２が決定した適合推論モデルＭａを構成し、構成した各適合推論モデルＭａに要求情報Ｓ１に含まれる推論対象機器４のセンサデータ又は／及び制御データを入力することで、適合推論モデルＭａ毎の推論結果を取得する。そして、推論実行部３４は、取得した適合推論モデルＭａ毎の推論結果を、推論統合部３５に供給する。

推論統合部３５は、推論実行部３４から供給される各適合推論モデルＭａの推論結果を中心地Ｐｃ毎に統合し、さらに中心地Ｐｃ毎に統合された推論結果を統合することで、推論対象機器４の状態に関する最終的な推論結果（「最終推論結果」とも呼ぶ。）を生成する。

まず、推論統合部３５は、中心地Ｐｃ毎に適合推論モデルＭａの推論結果を統合する場合、各適合推論モデルＭａの推論結果の平均化又は多数決等により統合を行う。上記の統合は、アンサンブル学習において用いられる種々の方法に基づくものであってもよい。なお、推論統合部３５は、中心地・エリア距離Ｌに基づき各適合推論モデルＭａの推論結果の重み付けを行ってもよい。この場合、推論統合部３５は、各適合推論モデルＭａに対して推論計画部３２が算出した中心地・エリア距離Ｌが短いほど高い重みとなるように、各適合推論モデルＭａの推論結果の重みを決定する。

また、推論統合部３５は、中心地Ｐｃ毎に統合された推論結果を、中心地Ｐｃ毎に対応する中心地算出期間Ｔｐｃの長さ（即ち算出に用いた移動履歴の長さ）に基づいて重み付けすることで、最終推論結果を算出する。この場合、推論統合部３５は、対応する中心地算出期間Ｔｐｃが長いほど高い重みとなるように、中心地Ｐｃ毎の推論結果に対する重みを決定する。この重み付け処理は、アンサンブル学習において用いられる種々の方法に基づくものであってもよい。推論統合部３５の処理の具体例については、図５を参照して具体的に説明する。

出力制御部３６は、推論統合部３５が生成した最終推論結果に基づき応答情報Ｓ２を生成し、生成した応答情報Ｓ２を、通信部１３を介して推論対象機器４に送信する。なお、出力制御部３６は、推論対象機器４に応答情報Ｓ２を送信するのに代えて、又はこれに加えて、推論対象機器４の管理を行う管理センタへ応答情報Ｓ２を送信してもよい。例えば、推論対象機器４がシャアカーである場合、最終推論結果の内容によって、ドライバーに通知すべきもの、ドライバーと管理センタ（オペレーションセンタ）の双方に通知すべきもの、管理センタに通知すべきもの、の少なくとも３パターンが存在する。以上を勘案し、出力制御部３６は、最終推論結果の内容に応じて、応答情報Ｓ２の送信先を決定してもよい。この場合、例えば、出力制御部３６は、最終推論結果の内容と、応答情報Ｓ２の送信先との関係を予め規定したテーブルなどを参照することで、最終推論結果から、応答情報Ｓ２の送信先を決定する。

なお、図３において説明した制御部１１及び制御部４１の各構成要素は、記憶部１２及び記憶部４２に格納されたプログラムを、それぞれ制御部１１及び制御部４１が実行することによって実現される。また、必要なプログラムを任意の不揮発性記憶媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現してもよい。これらの各構成要素は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。また、これらの各構成要素は、例えばＦＰＧＡ（Field-Programmable Gate Array）又はマイコン等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。以上のことは、後述する他の実施の形態においても同様である。

（４）具体例
次に、図３において説明した処理の具体例について、図４（Ａ）、図４（Ｂ）及び図５を参照して説明する。

図４（Ａ）は、推論モデルが生成されるエリアを明示した地図を示す。図４（Ａ）では、一例として、推論対象機器４が移動を行った大陸を格子状に分けた１６個のエリアＡ１～Ａ１６が存在し、各エリアに対応するデータセンタ１が夫々存在している。なお、エリアの区切り方は、このような格子状の区切りに限られず、推論対象機器４の状態に影響を与える環境条件（例えば、気温、湿度、その他の気象条件、砂漠の有無等）が類似する近隣地点が同一のエリアとなるように非直線状に区切られてもよい。そして、エリアＡ１～Ａ１６の夫々において収集されたデータに基づき、エリアＡ１～Ａ１６の夫々に適した推論モデルが学習される。各エリアでの推論モデルの学習については、図６及び図７を参照して後述する。

図４（Ｂ）は、推論対象機器４が保有する移動履歴情報２３に基づく推論対象機器４の移動軌跡と、中心地Ｐｃ（Ｐｃ１～Ｐｃ３）とを地図上に明示した図である。この例では、推論対象機器４は推論時点においてエリアＡ５に存在し、エリアＡ５を担当するエリア担当データセンタ１Ａは、推論対象機器４から受信する要求情報Ｓ１に基づき推論対象機器４の状態に関する推論を行う。

ここでは、一例として、エリア担当データセンタ１Ａの中心地算出部５２は、短期の中心地算出期間Ｔｐｃに対応する中心地Ｐｃである短期中心地Ｐｃ１、中期の中心地算出期間Ｔｐｃに対応する中心地Ｐｃである中期中心地Ｐｃ２、及び長期の中心地算出期間Ｔｐｃに対応する中心地Ｐｃである長期中心地Ｐｃ３を夫々算出する。ここでは、現在から１週間前までの期間を短期の中心地算出期間Ｔｐｃとし、現在から２週間前までの期間を中期の中心地算出期間Ｔｐｃとし、現在から４週間前までの期間を長期の中心地算出期間Ｔｐｃとしている。図４（Ｂ）に示すように、直近での活動場所の変化により、短期中心地Ｐｃ１と中期中心地Ｐｃ２と長期中心地Ｐｃ３が属するエリアが夫々異なっている。

図５は、短期中心地Ｐｃ１、中期中心地Ｐｃ２及び長期中心地Ｐｃ３の算出後の最終推論結果の生成処理の概要を示す図である。

まず、エリア担当データセンタ１Ａの推論計画部３２は、短期中心地Ｐｃ１、中期中心地Ｐｃ２及び長期中心地Ｐｃ３に夫々に対応する適合推論モデルＭａを決定する。ここでは、推論計画部３２は、一例として、中心地・エリア距離Ｌが短くなる上位４個のエリアに対応する推論モデルを、適合推論モデルＭａとして選定するものとする。この場合、推論計画部３２は、短期中心地Ｐｃ１との中心地・エリア距離Ｌが短くなる上位４個のエリアＡ５、Ａ６、Ａ９、Ａ１０に対応する推論モデルを、短期中心地Ｐｃ１に対する適合推論モデルＭａとして選定する。また、推論計画部３２は、中期中心地Ｐｃ２との中心地・エリア距離Ｌが短くなる上位４個のエリアＡ１０、Ａ１１、Ａ１４、Ａ１５に対応する推論モデルを、中期中心地Ｐｃ２に対する適合推論モデルＭａとして選定する。さらに、推論計画部３２は、長期中心地Ｐｃ３との中心地・エリア距離Ｌが短くなる上位４個のエリアＡ８、Ａ１１、Ａ１２、Ａ１６に対応する推論モデルを、長期中心地Ｐｃ３に対する適合推論モデルＭａとして選定する。

次に、推論実行部３４は、選定された各適合推論モデルＭａによる推論を実行し、推論統合部３５は、その推論結果を中心地Ｐｃ毎に統合することで、短期中心地Ｐｃ１に対応する推論結果と、中期中心地Ｐｃ２に対応する推論結果と、長期中心地Ｐｃ３に対応する推論結果とを夫々生成する。

さらに、推論統合部３５は、中心地Ｐｃ毎の推論結果を、算出に用いた移動履歴の期間長（即ち中心地算出期間Ｔｐｃの長さ）に基づく重み付けにより統合することで、最終推論結果を生成する。この場合、短期の中心地算出期間Ｔｐｃと、中期の中心地算出期間Ｔｐｃと、長期の中心地算出期間Ｔｐｃとの長さの比は、「１：２：４」であることから、推論統合部３５は、上記の比に応じた重み付けにより、中心地Ｐｃ毎の推論結果の統合を行う。これにより、エリア担当データセンタ１Ａは、推論対象機器４の移動履歴に即した推論対象機器４の状態に関する推論を好適に実行することができる。

（５）学習
次に、推論モデルの学習について詳しく説明する。図６は、エリア毎の推論モデルの学習用データ２１（２１ａ、２１ｂ、…）の生成の概要を示す図である。

図６に示すように、各エリアに存在する推論対象機器４（４ａ、４ｂ、…）は、生成したセンサデータ又は／及び制御データを、学習時に推論モデルへ入力するサンプルデータとして、基地局３（３ａ、３ｂ、…）を介してアップロードする。推論対象機器４がアップロードするアップロードデータ「Ｓ４」には、例えば、上記のサンプルデータに加えて、サンプルデータの生成時の位置情報と、ユーザ入力等により指定された正解ラベル（即ち、正解となる推論対象機器４の状態を示す情報）とが含まれている。なお、アップロードデータＳ４の生成及び送信は、推論対象機器４のメンテナンス時に行われてもよい。

アップロードデータＳ４は、送信元の推論対象機器４が存在するエリアを担当するデータセンタ１（１ａ、１ｂ、…）に供給され、学習用データ２１（２１ａ、２１ｂ、…）として記憶される。なお、基地局３は、自身が設置されたエリアと異なるエリアに存在する推論対象機器４から供給されたアップロードデータＳ４を、推論対象機器４が存在するエリアを担当するデータセンタ１に供給する。例えば、推論対象機器４ａがエリアＡ２に存在し、かつ、最寄りの基地局３が基地局３ａである場合には、推論対象機器４ａが生成したアップロードデータＳ４は、推論対象機器４ａの位置情報に基づき、基地局３ａを介してデータセンタ１ｂに供給される。このように、サンプルデータは、供給元の推論対象機器４が存在するエリア毎に収集され、学習用データ２１として記憶される。

図７は、エリア毎の推論モデルの学習の概要を示す図である。図７に示すように、エリアＡ１に対応する推論モデルの学習を行う場合、エリアＡ１に存在する推論対象機器４から収集した学習用データ２１ａに基づき機械学習を実行する。この機械学習は、エリアＡ１を担当するデータセンタ１ａにより実行されてもよく、機械学習用の他の装置により実行されてもよい。ここで、機械学習に用いられる学習モデルは、例えば、アンサンブル学習において弱学習器として用いられる決定木などの学習モデルであってもよく、ニューラルネットワーク又はサポートベクターマシンなどの機械学習に用いられる任意の学習モデルであってもよい。また、これらの学習モデルは、全てのエリアで同一であってもよく、エリア毎に異なっていてもよい。そして、上記の機械学習により、エリアＡ１に対応する推論モデルの学習が行われ、学習済みの推論モデルのパラメータがモデル情報２０ａとして生成される。他のエリアについても同様の機械学習が行われる。

なお、推論モデルは、推論対象機器４の種類（車両の場合には車種）毎に学習が行われてもよい。この場合、アップロードデータＳ４には、推論対象機器４の種類の情報がさらに含まれており、データセンタ１は、推論対象機器４の種類毎に収集した学習用データ２１に基づき、推論対象機器４の各種類に対応する推論モデルの学習を行う。また、推論対象機器４において推論対象となる部品（例えば車両の場合にはエンジン、バッテリ等）が複数存在する場合には、推論モデルは、部品毎に学習及び使用されてもよい。

（６）出力例
図８は、図４（Ｂ）及び図５に示される移動を推論対象機器４が行った場合に、応答情報Ｓ２に基づき出力部４６が表示する推論結果画面の表示例である。推論対象機器４の出力制御部５４は、通信部４３を介してエリア担当データセンタ１Ａから受信する応答情報Ｓ２に基づき、推論結果画面を出力部４６に表示させている。

この場合、エリア担当データセンタ１Ａの出力制御部３６は、最終推論結果に基づき、車両である推論対象機器４のエンジンの異常があると判定し、エンジンのメンテナンスを促す推論結果画面の表示情報を、応答情報Ｓ２として生成する。この場合、例えば、最終推論結果は、エンジンの異常の度合いを示すスコアであり、出力制御部３６は、最終推論結果が示すスコアが所定の閾値以上であることから、エンジンに異常があると判定する。そして、出力制御部３６は、エンジンのメンテナンスが必要である旨のテキスト情報と、地図表示領域６１とを含む推論結果画面の表示情報を生成する。ここで、地図表示領域６１には、全ての中心地算出期間Ｔｐｃに対応する推論対象機器４の移動履歴に基づく移動軌跡及び推論対象機器４の現在位置が明示されている。

また、出力制御部３６は、地図表示領域６１の移動軌跡上において、異常の主な原因となった（即ち、特に影響があった）移動区間を、実線かつ太線により強調表示している。ここで、上述の移動区間の特定方法の具体例について説明する。出力制御部３６は、例えば、各適合推論モデルＭａの推論結果が異常の度合いを示すスコアを含む場合、当該スコアが最も高い適合推論モデルＭａを特定する。そして、出力制御部３６は、特定した適合推論モデルＭａに対応するエリア（ここでは、図４（Ｂ）のエリアＡ１５）内の移動区間を、異常の主な原因となった移動区間として強調表示する。

このように、出力制御部３６は、異常の原因となった推論対象機器４の移動に関する情報を、推論対象機器４に出力させる。これにより、出力制御部３６は、異常判定の根拠となる情報を好適に可視化することができる。

（７）処理フロー
図９は、第１実施形態において推論対象機器４とエリア担当データセンタ１Ａとが行う推論処理の手順を示すフローチャートの一例である。

まず、推論対象機器４は、ＧＰＳ受信機５８等の出力に基づき現在位置を測定し、その測定結果に基づいて移動履歴情報２３の更新を行う（ステップＳ１１）。そして、推論対象機器４は、推論対象機器４の状態に関する推論を行うタイミングであるか否か判定する（ステップＳ１２）。この場合、推論対象機器４内の複数の部品の状態が推論対象であって、部品毎に推論タイミングが異なる場合には、推論対象機器４は、少なくともいずれかの部品に対する状態の推論タイミングであるか否かについて判定する。そして、推論対象機器４は、推論対象機器４の状態に関する推論を行うタイミングではないと判定した場合（ステップＳ１２；Ｎｏ）、ステップＳ１１へ処理を戻す。

一方、推論対象機器４は、推論対象機器４の状態に関する推論を行うタイミングであると判定した場合（ステップＳ１２；Ｙｅｓ）、移動履歴情報２３に基づき、中心地算出期間Ｔｐｃごとに中心地Ｐｃを算出する（ステップＳ１３）。この場合、例えば、推論対象機器４は、前回のメンテナンス日時以後の期間において複数の異なる期間となる中心地算出期間Ｔｐｃを設定し、設定した中心地算出期間Ｔｐｃごとに中心地Ｐｃを算出する。

そして、推論対象機器４は、当該推論対象機器４が属するエリアを担当するエリア担当データセンタ１Ａに対して要求情報Ｓ１を送信する（ステップＳ１４）。この場合、推論対象機器４は、ステップＳ１３で算出した中心地Ｐｃと、状態検知センサ５９の出力データであるセンサデータ又は／及び推論対象機器４内の制御データと、を含む要求情報Ｓ１を、エリア担当データセンタ１Ａに送信する。

エリア担当データセンタ１Ａは、ステップＳ１４において推論対象機器４が送信した要求情報Ｓ１を受信する（ステップＳ２１）。そして、エリア担当データセンタ１Ａは、要求情報Ｓ１に含まれる中心地Ｐｃに基づき、適合推論モデルＭａを中心地Ｐｃ毎に決定する（ステップＳ２２）。そして、エリア担当データセンタ１Ａは、決定した適合推論モデルＭａを構成するために必要なモデル情報２０を取得する（ステップＳ２３）。ここで、エリア担当データセンタ１Ａは、適合推論モデルＭａを構成するために必要なモデル情報２０が不足している場合、他のデータセンタ１から追加モデル情報Ｓ３を受信することで、モデル情報２０を更新する。

そして、エリア担当データセンタ１Ａは、中心地Ｐｃ毎の推論結果を算出する（ステップＳ２４）。この場合、エリア担当データセンタ１Ａは、要求情報Ｓ１に含まれる推論対象機器４のセンサデータ又は／及び制御データを入力データとし、中心地Ｐｃ毎に決定した複数の適合推論モデルＭａを用いることで、中心地Ｐｃ毎の推論結果を算出する。この場合、エリア担当データセンタ１Ａは、任意のアンサンブル学習に従い適合推論モデルＭａを組み合わせることで、中心地Ｐｃ毎の推論結果を取得してもよい。

そして、エリア担当データセンタ１Ａは、中心地Ｐｃ毎の推論結果を、各中心地Ｐｃが対応する中心地算出期間Ｔｐｃの長さに応じた重み付けにより統合する（ステップＳ２５）。これにより、エリア担当データセンタ１Ａは、推論対象機器４の状態に関する最終推論結果を生成する。その後、エリア担当データセンタ１Ａは、最終推論結果に基づき、応答情報Ｓ２を生成し、生成した応答情報Ｓ２を推論対象機器４に送信する（ステップＳ２６）。

そして、推論対象機器４は、ステップＳ２６においてエリア担当データセンタ１Ａが送信した応答情報Ｓ２を受信する（ステップＳ１５）。そして、推論対象機器４は、受信した応答情報Ｓ２に基づき、推論結果に関する出力を行う（ステップＳ１６）。なお、推論対象機器４は、応答情報Ｓ２に基づき異常（即ちメンテナンスの必要）があると判定した場合に限り、ステップＳ１６での出力を行ってもよい。

（８）効果
第１実施形態における効果について補足説明する。

深層学習などの機械学習において、自動車のように地理的特性に影響を受ける対象物が物理環境の影響を強く受け、学習時の環境と推論時の環境が異なると精度が低下することがある。例えば、自動車の異常検知は、平均気温、砂漠、高地、空気汚染度などの環境要因に基づいて、地域特性の影響を受ける可能性がある。一方、予めあらゆる環境でデータを取得し学習モデルを作っておくことができれば、この問題は発生しないが、条件の組み合わせ爆発やラベリングコストのため、現実的でない。

以上を勘案し、第１実施形態における推論システム１００は、推論対象機器４の移動履歴から地理的な中心地Ｐｃを求め、中心地Ｐｃ毎に地理的に近いエリアの推論モデルを用いて推論を行う。そして、推論システム１００は、中心地Ｐｃ毎の推論結果を、移動履歴の長さに基づき重み付けすることで最終推論結果を算出する。このように、各推論モデルの推論結果の重み付けを、車両の移動履歴を考慮に入れたものとすることで、複雑な構成を有するアンサンブル学習に比べて計算コストを好適に削減し、かつ、環境からの影響の蓄積を反映した推論を行うことができる。また、同じような移動履歴を持つ車両の学習データを多量に集める必要が無い。

（９）変形例
次に、第１実施形態において好適な変形例について説明する。以下の変形例は、任意に組み合わせて上述の実施形態に適用してもよい。

（変形例１）
適合推論モデルＭａの推論を、推論対象機器４が存在するエリアを担当するエリア担当データセンタ１Ａが行う代わりに、適合推論モデルＭａに対応するエリアを担当するデータセンタ１が行い、その推論結果をエリア担当データセンタ１Ａが収集してもよい。この場合、例えば、図５に示す例では、短期中心地Ｐｃ１に基づき選定されたエリアＡ５、Ａ６、Ａ９、Ａ１０に対応する推論モデルを、エリアＡ５、Ａ６、Ａ９、Ａ１０の夫々を担当するデータセンタ１が実行する。この場合、各データセンタ１は、エリア担当データセンタ１Ａから推論に必要な入力データ等を適宜受信する。

本変形例によれば、計算負荷をデータセンタ１間において好適に分散することができる。例えば、推論対象機器４が特定のエリアに集中した場合であっても、推論実行のための計算負荷が特定エリアのデータセンタ１に集中することを好適に抑制することができる。

（変形例２）
エリア毎にデータセンタ１を設ける代わりに、１台のデータセンタ１が複数のエリアを担当してもよい。この場合、各データセンタ１は、１又は複数のエリアを担当し、担当するエリアに対応する推論モデルのモデル情報２０を記憶する。本変形例では、データセンタ１は、少なくとも１台存在すればよい。

（変形例３）
推論対象機器４は、エリア担当データセンタ１Ａが実行する推論処理を代わりに実行してもよい。

図１０は、変形例３における推論対象機器４の機能ブロックの構成図を示す。推論対象機器４の制御部４１は、機能的には、移動履歴生成部５１と、中心地算出部５２と、出力制御部５４と、推論計画部５５と、推論実行部５６と、推論統合部５７とを有する。また、推論対象機器４は、予めデータセンタ１と通信を行うことで、使用する可能性がある推論モデルに関する情報をデータセンタ１から受信し、受信した情報をモデル情報２０として記憶部４２に記憶している。

推論計画部５５は、中心地算出部５２が算出する中心地Ｐｃに基づき、図３に示す推論計画部３２と同一処理（即ち適合推論モデルＭａの選定）を行う。また、推論実行部５６は、図３に示す推論実行部３４と同一処理を行うことで、状態検知センサ５９から供給されるセンサデータ又は／及び推論対象機器４内の制御データから、各適合推論モデルＭａの推論結果を算出する。また、推論統合部５７は、図１の推論統合部３５と同一処理を行うことで、最終推論結果を算出する。出力制御部５４は、最終推論結果に基づき、推論対象機器４の状態に関する情報（例えば、推論結果画面の表示情報）を生成し、生成した情報に基づき出力部４６の出力を制御する。

本変形例の構成によれば、推論時でのエリア担当データセンタ１Ａと推論対象機器４とのデータの授受を抑制し、推論のレスポンスの向上及び高頻度の推論実施を好適に実現することができる。本変形例では、推論対象機器４の制御部４１は、本開示における「情報処理装置」の一例である。

（変形例４）
エリア担当データセンタ１Ａは、物理的な距離である中心地・エリア距離Ｌを基準として適合推論モデルＭａを選定する代わりに、環境条件の類似度に基づき適合推論モデルＭａを選定してもよい。

この場合、例えば、エリア担当データセンタ１Ａは、算出した中心地Ｐｃの各々について、中心地Ｐｃでの環境条件と各エリアの環境条件との類似度（「環境類似度」とも呼ぶ。）を算出し、環境類似度に基づき適合推論モデルＭａを選定する。この場合、エリア担当データセンタ１Ａは、環境類似度が高い上位所定個数分のエリアに対応する推論モデルを適合推論モデルＭａとして選定してもよく、予め定めた閾値以上の環境類似度となるエリアに対応する推論モデルを適合推論モデルＭａとして選定してもよい。なお、環境類似度の算出では、例えば、エリア担当データセンタ１Ａは、エリア毎の典型的な環境条件（平均気温、砂漠の有無、大気汚染度、標高等）を示す指標値を予め記憶しておく。そして、エリア担当データセンタ１Ａは、中心地Ｐｃ又は中心地Ｐｃを含むエリアの環境条件を示す指標値と、エリア毎の環境条件を示す指標値とに基づき、所定の式又はルックアップテーブルを用いて、各エリアに対する環境類似度を算出する。なお、エリア担当データセンタ１Ａは、環境条件が類似するエリア同士をグルーピングした情報を予め記憶しておき、対象の中心地Ｐｃが属するエリアと同一グループのエリアに対応する推論モデルを、適合推論モデルＭａとして選定してもよい。

この態様によっても、エリア担当データセンタ１Ａは、適合推論モデルＭａを好適に選定することができる。

（変形例５）
データセンタ１は、中心地Ｐｃの算出を推論対象機器４の代わりに実行してもよい。

図１１は、変形例４に係るデータセンタ１及び推論対象機器４の機能的なブロック構成を示す。本変形例では、データセンタ１は、全てのエリアに対する推論モデルに関するモデル情報２０を記憶しているものとする。また、データセンタ１は、推論対象機器４に関する機器情報２２を記憶している。

機器情報２２は、推論対象機器４の移動履歴を示す移動履歴情報２８と、推論対象機器４のメンテナンスに関するメンテナンス情報２９とを含んでいる。移動履歴情報２８及びメンテナンス情報２９は、推論対象機器４から送信されるアップロードデータ「Ｓ５」に基づき更新される。

推論対象機器４の制御部４１は、機能的には、アップロード部６０と、推論要求部５３と、出力制御部５４とを有する。アップロード部６０は、ＧＰＳ受信機５８の出力等に基づき測定した推論対象機器４の位置情報を、アップロードデータＳ５として通信部４３を介してデータセンタ１に送信する。また、アップロード部６０は、推論対象機器４のメンテンナンスが行われた場合には、メンテンナンスの日時等を示す情報をアップロードデータＳ５としてデータセンタ１に送信してもよい。

データセンタ１の制御部１１は、機能的には、要求受信部３１と、推論計画部３２と、推論実行部３４と、推論統合部３５と、出力制御部３６と、機器情報更新部３７と、中心地算出部３８とを有する。機器情報更新部３７は、推論対象機器４からアップロードデータＳ５を受信した場合に、アップロードデータＳ５に基づき機器情報２２を更新する。

中心地算出部３８は、要求受信部３１が要求情報Ｓ１を推論対象機器４から受信した場合に、機器情報２２に基づき、中心地Ｐｃを算出する。この場合、中心地算出部３８は、例えば、メンテナンス情報２９を参照し、前回のメンテナンス日時以後の期間において複数の中心地算出期間Ｔｐｃを設定する。そして、中心地算出部３８は、設定した各中心地算出期間Ｔｐｃ内の移動履歴を移動履歴情報２８から抽出し、平均化処理を行うことで、中心地算出期間Ｔｐｃごとに中心地Ｐｃを算出する。中心地算出部３８は、算出した中心地Ｐｃと、要求情報Ｓ１に含まれる推論対象機器４のセンサデータ又は／及び制御データとを、推論計画部３２に供給する。その後、推論計画部３２、推論実行部３４、推論統合部３５及び出力制御部３６は、上述した実施形態において説明した処理を行う。

このように、データセンタ１は、中心地Ｐｃの算出を含めた推論処理を包括的に実行してもよい。

（変形例６）
推論統合部３５は、中心地算出期間Ｔｐｃの長さ以外の要素を勘案し、中心地Ｐｃ毎の推論結果の重みを決定してもよい。

例えば、推論統合部３５は、推論対象機器４が車両の場合には、中心地算出期間Ｔｐｃの長さに代えて、又はこれに加えて、車両に付属する部品（タイヤ、サスペンション等）の摩耗の度合いに基づき、中心地Ｐｃ毎の推論結果の重みを決定してもよい。この場合、例えば、推論対象機器４は、上記の部品の摩耗が生じるイベント（車両への衝撃、急ブレーキ、急カーブの通過等）を移動履歴情報２３と共に記憶する。そして、推論対象機器４は、要求情報Ｓ１の生成時には、中心地算出期間Ｔｐｃ毎の上述のイベントの検出結果に関する情報を、要求情報Ｓ１に含める。そして、推論統合部３５は、要求情報Ｓ１に含まれる中心地算出期間Ｔｐｃ毎の上述のイベントの検出結果に基づき、中心地Ｐｃ毎の推論結果の重みを決定する。この場合、例えば、推論統合部３５は、上記のイベントの回数が多い程、対応する推論結果の重みを大きくする。これによっても、推論統合部３５は、中心地Ｐｃ毎の推論結果を好適に統合し、実際の推論対象機器４使用状態に即した最終推論結果を生成することができる。

＜第２実施形態＞
図１２は、第２実施形態における情報処理装置１Ｘの概略構成図である。図１２に示すように、情報処理装置１Ｘは、主に、選択手段３２Ｘと、推論手段３５Ｘとを有する。情報処理装置１Ｘは、第１実施形態（変形例３を除く）におけるデータセンタ１又は変形例３における推論対象機器４とすることができる。また、情報処理装置１Ｘは、複数の装置から構成されてもよい。

選択手段３２Ｘは、推論対象機器の移動履歴の地理的な中心地に基づき、推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する。選択手段３２Ｘは、第１実施形態における推論計画部３２又は推論計画部５５とすることができる。ここで、中心地は、１つであってもよく、複数であってもよい。同様に、適合推論モデルは、１つであってもよく、複数であってもよい。なお、情報処理装置１Ｘは、上述の中心地を自ら算出してもよく、他の装置が算出した中心地の情報を取得してもよい。

推論手段３５Ｘは、推論対象機器において取得されたデータを用いた適合推論モデルの推論結果に基づき、推論対象機器の状態に関する推論を行う。推論手段３５Ｘは、第１実施形態における推論統合部３５又は推論統合部５７とすることができる。なお、情報処理装置１Ｘは、推論対象機器において取得されたデータを用いた適合推論モデルの推論結果を自ら生成してもよく、他の装置から上述の推論結果を取得してもよい。

図１３は、第２実施形態において情報処理装置１Ｘが実行するフローチャートの一例である。まず、情報処理装置１Ｘの選択手段３２Ｘは、推論対象機器の移動履歴の地理的な中心地に基づき、推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する（ステップＳ３１）。そして、推論手段３５Ｘは、推論対象機器において取得されたデータを用いた適合推論モデルの推論結果に基づき、推論対象機器の状態に関する推論を行う（ステップＳ３２）。

このように、第２実施形態によれば、情報処理装置１Ｘは、推論対象機器の移動履歴に基づき使用すべき推論モデルを好適に選択し、環境からの影響の蓄積を反映した推論を好適に行うことができる。

なお、上述した各実施形態において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータである制御部１１等に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記憶媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記憶媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

その他、上記の各実施形態の一部又は全部は、以下の付記のようにも記載され得るが以下には限られない。

［付記１］
推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する選択手段と、
前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う推論手段と、
を有する情報処理装置。

［付記２］
前記選択手段は、対象とする期間が異なる前記移動履歴に基づく複数の前記中心地の各々に対し、前記適合推論モデルを選択し、
前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を統合することで、前記推論対象機器の状態に関する推論を行う、付記１に記載の情報処理装置。

［付記３］
前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を、前記期間の長さに応じた重み付けにより統合する、付記２に記載の情報処理装置。

［付記４］
前記選択手段は、前記中心地毎に複数の前記適合推論モデルを選択し、
前記推論手段は、前記中心地毎に前記複数の適合推論モデルの推論結果を統合し、前記中心地毎の当該推論結果をさらに統合することで、前記推論対象機器の状態に関する推論を行う、付記２または３に記載の情報処理装置。

［付記５］
前記期間は、前記推論対象機器に対する前回のメンテナンスが行われた日時以後の期間内において定められる、付記２～４のいずれか一項に記載の情報処理装置。

［付記６］
前記エリア毎の推論モデルは、エリア毎に取得された学習用データに基づきエリア毎に学習された学習モデルである、付記１～５のいずれか一項に記載の情報処理装置。

［付記７］
前記推論手段は、前記状態に関する推論として、前記状態の異常検知、前記状態の分類、又は当該状態を表すスコアの算出の少なくともいずれかを行う、付記１～６のいずれか一項に記載の情報処理装置。

［付記８］
前記状態の異常を検知した場合、前記異常が生じた原因となる前記推論対象機器の移動に関する情報を出力する、又は、前記推論対象機器に関する制御を行う出力制御手段をさらに有する、付記１～７のいずれか一項に記載の情報処理装置。

［付記９］
前記出力制御手段は、前記推論対象機器の移動に関する情報の出力として、前記移動履歴に基づく前記推論対象機器の移動軌跡において、前記異常が生じた原因となる移動区間を強調表示する、付記８に記載に記載の情報処理装置。

［付記１０］
前記出力制御手段は、前記推論対象機器に関する制御として、前記推論対象機器の移動に関する制限又は運転支援を行う、付記８に記載の情報処理装置。

［付記１１］
前記出力制御手段は、前記状態に関する推論の結果に応じて、前記状態に関する推論の結果の送信先を決定する、付記１～１０のいずれか一項に記載の情報処理装置。

［付記１２］
前記推論対象機器は、車両であり、
前記推論手段は、前記車両の全体又は前記車両を構成する部品に関する状態の推論を行う、付記１～１１のいずれか一項に記載の情報処理装置。

［付記１３］
前記選択手段は、前記エリア毎の前記中心地との距離又は環境条件の類似度に基づいて、前記適合推論モデルを選択する、付記１～１２のいずれか一項に記載の情報処理装置。

［付記１４］
前記推論手段は、前記データとして、前記推論対象機器に設けられたセンサの出力データ又は前記推論対象機器において生成される制御データの少なくとも一方を取得する、付記１～１３のいずれか一項に記載の情報処理装置。

［付記１５］
前記情報処理装置は、前記推論対象機器の一部である、又は、前記推論対象機器から前記データを受信することで前記推論対象機器の状態に関する推論を行う１又は複数の外部装置である、付記１～１４のいずれか一項に記載の情報処理装置。

［付記１６］
コンピュータにより、
推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、
前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う、
制御方法。なお、コンピュータは、複数の装置から構成されてもよい。

［付記１７］
推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、
前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う処理をコンピュータに実行させるプログラムを格納した記憶媒体。

［付記１８］
推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する選択手段と、
前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う推論手段と、
を有する情報処理システム。

［付記１９］
前記選択手段は、対象とする期間が異なる前記移動履歴に基づく複数の前記中心地の各々に対し、前記適合推論モデルを選択し、
前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を統合することで、前記推論対象機器の状態に関する推論を行う、付記１８に記載の情報処理システム。

［付記２０］
前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を、前記期間の長さに応じた重み付けにより統合する、付記１９に記載の情報処理システム。

［付記２１］
前記選択手段は、前記中心地毎に複数の前記適合推論モデルを選択し、
前記推論手段は、前記中心地毎に前記複数の適合推論モデルの推論結果を統合し、前記中心地毎の当該推論結果をさらに統合することで、前記推論対象機器の状態に関する推論を行う、付記１７または１８に記載の情報処理システム。

［付記２２］
前記期間は、前記推論対象機器に対する前回のメンテナンスが行われた日時以後の期間内において定められる、付記１９～２１のいずれか一項に記載の情報処理システム。

［付記２３］
前記エリア毎の推論モデルは、エリア毎に取得された学習用データに基づきエリア毎に学習された学習モデルである、付記１８～２２のいずれか一項に記載の情報処理システム。

［付記２４］
前記推論手段は、前記状態に関する推論として、前記状態の異常検知、前記状態の分類、又は当該状態を表すスコアの算出の少なくともいずれかを行う、付記１８～２３のいずれか一項に記載の情報処理システム。

［付記２５］
前記状態の異常を検知した場合、前記異常が生じた原因となる前記推論対象機器の移動に関する情報を出力する、又は、前記推論対象機器に関する制御を行う出力制御手段をさらに有する、付記１８～２４のいずれか一項に記載の情報処理システム。

［付記２６］
前記出力制御手段は、前記推論対象機器の移動に関する情報の出力として、前記移動履歴に基づく前記推論対象機器の移動軌跡において、前記異常が生じた原因となる移動区間を強調表示する、付記２５に記載に記載の情報処理システム。

［付記２７］
前記出力制御手段は、前記推論対象機器に関する制御として、前記推論対象機器の移動に関する制限又は運転支援を行う、付記２５に記載の情報処理システム。

［付記２８］
前記出力制御手段は、前記状態に関する推論の結果に応じて、前記状態に関する推論の結果の送信先を決定する、付記１８～２７のいずれか一項に記載の情報処理システム。

［付記２９］
前記推論対象機器は、車両であり、
前記推論手段は、前記車両の全体又は前記車両を構成する部品に関する状態の推論を行う、付記１８～２６のいずれか一項に記載の情報処理システム。

［付記３０］
前記選択手段は、前記エリア毎の前記中心地との距離又は環境条件の類似度に基づいて、前記適合推論モデルを選択する、付記１８～２７のいずれか一項に記載の情報処理システム。

［付記３１］
前記推論手段は、前記データとして、前記推論対象機器に設けられたセンサの出力データ又は前記推論対象機器において生成される制御データの少なくとも一方を取得する、付記１８～２８のいずれか一項に記載の情報処理システム。

［付記３２］
前記情報処理システムは、前記推論対象機器の一部である、又は、前記推論対象機器から前記データを受信することで前記推論対象機器の状態に関する推論を行う１又は複数の外部装置である、付記１８～２９のいずれか一項に記載の情報処理システム。

［付記３３］
情報処理システムにより、
推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、
前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う、
制御方法。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。すなわち、本願発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。また、引用した上記の特許文献等の各開示は、本書に引用をもって繰り込むものとする。

１、１Ａ、１Ｂ、１Ｃ データセンタ
１Ｘ 情報処理装置
２ ネットワーク
３ 基地局
４ 推論対象機器
２０ モデル情報
２１ 学習用データ
２２ 機器情報
２３ 移動履歴情報
１００ 推論システム

Claims (10)

1. 推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択する選択手段と、
   前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う推論手段と、
   を有する情報処理装置。
2. 前記選択手段は、対象とする期間が異なる前記移動履歴に基づく複数の前記中心地の各々に対し、前記適合推論モデルを選択し、
   前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を統合することで、前記推論対象機器の状態に関する推論を行う、請求項１に記載の情報処理装置。
3. 前記推論手段は、前記中心地の各々に対する前記適合推論モデルの推論結果を、前記期間の長さに応じた重み付けにより統合する、請求項２に記載の情報処理装置。
4. 前記選択手段は、前記中心地毎に複数の前記適合推論モデルを選択し、
   前記推論手段は、前記中心地毎に前記複数の適合推論モデルの推論結果を統合し、前記中心地毎の当該推論結果をさらに統合することで、前記推論対象機器の状態に関する推論を行う、請求項２または３に記載の情報処理装置。
5. 前記期間は、前記推論対象機器に対する前回のメンテナンスが行われた日時以後の期間内において定められる、請求項２～４のいずれか一項に記載の情報処理装置。
6. 前記エリア毎の推論モデルは、エリア毎に取得された学習用データに基づきエリア毎に学習された学習モデルである、請求項１～５のいずれか一項に記載の情報処理装置。
7. 前記推論手段は、前記状態に関する推論として、前記状態の異常検知、前記状態の分類、又は当該状態を表すスコアの算出の少なくともいずれかを行う、請求項１～６のいずれか一項に記載の情報処理装置。
8. 前記状態の異常を検知した場合、前記異常が生じた原因となる前記推論対象機器の移動に関する情報を出力する、又は、前記推論対象機器に関する制御を行う出力制御手段をさらに有する、請求項１～７のいずれか一項に記載の情報処理装置。
9. コンピュータにより、
   推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、
   前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う、
   制御方法。
10. 推論対象機器の移動履歴の地理的な中心地に基づき、前記推論対象機器の状態に関する推論を行うエリア毎の推論モデルから、使用すべき適合推論モデルを選択し、
    前記推論対象機器において取得されたデータを用いた前記適合推論モデルの推論結果に基づき、前記推論対象機器の状態に関する推論を行う処理をコンピュータに実行させるプログラム。

Images