JP7468726B1 - Data generation device and data generation method - Google Patents
Data generation device and data generation method Download PDFInfo
- Publication number
- JP7468726B1 JP7468726B1 JP2023022670A JP2023022670A JP7468726B1 JP 7468726 B1 JP7468726 B1 JP 7468726B1 JP 2023022670 A JP2023022670 A JP 2023022670A JP 2023022670 A JP2023022670 A JP 2023022670A JP 7468726 B1 JP7468726 B1 JP 7468726B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- time series
- fuel efficiency
- series data
- acceleration
- 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 abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 123
- 239000000446 fuel Substances 0.000 claims abstract description 107
- 238000010801 machine learning Methods 0.000 claims abstract description 94
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 19
- 238000013480 data collection Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 240000006829 Ficus sundaica Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
【課題】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、機械学習モデルの構造を変更せずに生成時系列データの再現度を向上させる。【解決手段】時系列データ生成処理は、車両の速度頻度データ及び加速度頻度データを取得し、学習用加速度頻度データ及び学習用燃費データを教師データとして機械学習した第１機械学習モデルに加速度頻度データを入力し、加速度頻度データに対応する第１燃費を推定し、学習用時系列データ、学習用速度頻度データ及び学習用加速度頻度データを教師データとして機械学習した第２機械学習モデルに、速度頻度データ及び加速度頻度データを入力し、第１生成時系列データを生成し、第１生成時系列データから第２加速度頻度データを取得し、第１機械学習モデルに第２加速度頻度データを入力し、第２加速度頻度データに対応する第２燃費を推定し、第１燃費と第２燃費の差を小さい第２生成時系列データを生成する。【選択図】図１１[Problem] When generating time series data from frequency data using a machine learning model, the reproducibility of the generated time series data is improved without changing the structure of the machine learning model. [Solution] A time series data generation process acquires speed frequency data and acceleration frequency data of a vehicle, inputs the acceleration frequency data to a first machine learning model that has been machine-learned using learning acceleration frequency data and learning fuel efficiency data as teacher data, estimates a first fuel efficiency corresponding to the acceleration frequency data, inputs the speed frequency data and acceleration frequency data to a second machine learning model that has been machine-learned using learning time series data, learning speed frequency data, and learning acceleration frequency data as teacher data, generates first generated time series data, acquires second acceleration frequency data from the first generated time series data, inputs the second acceleration frequency data to the first machine learning model, estimates a second fuel efficiency corresponding to the second acceleration frequency data, and generates second generated time series data with a small difference between the first and second fuel efficiency. [Selected Figure] Figure 11
Description
本発明は、データ生成装置及びデータ生成方法に関する。 The present invention relates to a data generation device and a data generation method.
下記の特許文献１には、車速の時系列データと当該時系列データに対応する車速頻度及び加速度頻度とを学習データとして用いて機械学習した機械学習モデルに、速度及び加速度の頻度データを入力して、対応する時系列データを生成するデータ生成装置が記載されている。 The following Patent Document 1 describes a data generation device that inputs frequency data of speed and acceleration to a machine learning model that has been machine-learned using time series data of vehicle speed and the vehicle speed frequency and acceleration frequency corresponding to the time series data as learning data, and generates corresponding time series data.
特許文献１に記載された技術においては、車両から取得した頻度データの入力に応じて機械学習モデルから生成時系列データを出力するようになっている。したがって、生成時系列データから、例えば実走行試験やシミュレーションソフトを用いて車両の燃費を求めた場合、入力した頻度データの元となった車速時系列データの燃費を再現できることが望ましい。 In the technology described in Patent Document 1, generated time series data is output from a machine learning model in response to input of frequency data acquired from a vehicle. Therefore, when the fuel efficiency of a vehicle is calculated from the generated time series data, for example, by using an actual driving test or simulation software, it is desirable to be able to reproduce the fuel efficiency of the vehicle speed time series data that is the basis of the input frequency data.
しかし、入力した頻度データの元となった車速の時系列データが取得できない場合は、実走行試験やシミュレーションソフトでは車両の燃費を求めることができず、生成時系列データから求めた燃費と比較することができない。 However, if the time series data of vehicle speed that was the basis of the input frequency data cannot be obtained, the vehicle's fuel efficiency cannot be calculated using actual driving tests or simulation software, and it cannot be compared with the fuel efficiency calculated from the generated time series data.
また、入力した頻度データの元となった車速の時系列データから求めた燃費の情報が存在し、生成時系列データから求めた燃費と比較して差が生じていた場合の改善策としては、機械学習モデルを多層化などの構造変更することで、機械学習モデルをより複雑な表現を可能にする構造とする方法が挙げられる。 In addition, if there is information on fuel efficiency calculated from the time series data of vehicle speed that was the basis for the input frequency data, and there is a difference compared to the fuel efficiency calculated from the generated time series data, one possible solution is to change the structure of the machine learning model, such as by making it multi-layered, so that the machine learning model can be structured to enable more complex expressions.
しかし、この方法では、多層化につれて計算量が増大し学習時間が長くなる上に、高価で高性能のコンピュータが必要となる場合もある。さらに、所望の精度を得ることが可能なモデル構造の見当をつけるためには試行回数が必要なため、手間もかかる欠点がある。 However, with this method, the amount of calculation increases as the number of layers increases, and the learning time becomes longer, and it may require expensive, high-performance computers. Furthermore, a number of trials are required to determine a model structure that can achieve the desired accuracy, which is a drawback as it is time-consuming.
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、機械学習モデルの構造を変更しなくとも、生成時系列データの再現度を向上させることを目的とする。 The present invention has been made in consideration of the above points, and aims to improve the reproducibility of generated time series data when generating time series data from frequency data using a machine learning model, without changing the structure of the machine learning model.
本発明の第１の態様においては、車両が走行中に測定された前記車両の速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、所定の速度毎の加速度の発生頻度分布を示す加速度頻度データとを取得する第１取得部と、前記車両の学習用加速度頻度データと、対応する前記車両の燃費を示す学習用燃費データと、を教師データとして機械学習した第１機械学習モデルに、前記加速度頻度データを入力することにより、前記加速度頻度データに対応する第１燃費を推定する第１推定部と、
前記車両の速度の学習用時系列データと、対応する学習用速度頻度データ及び学習用加速度頻度データと、を教師データとして機械学習した第２機械学習モデルに、前記速度頻度データ及び前記加速度頻度データを入力することにより、前記速度頻度データ及び前記加速度頻度データの入力に応じた時系列データである第１生成時系列データを生成する第１生成部と、前記第１生成時系列データから、所定の速度毎の加速度の発生頻度分布を示す第２加速度頻度データを取得する第２取得部と、前記第１機械学習モデルに前記第２加速度頻度データを入力することにより、前記第２加速度頻度データに対応する第２燃費を推定する第２推定部と、前記第１生成時系列データから、前記第１燃費と前記第２燃費の差を小さくする第２生成時系列データを生成する第２生成部と、を備える、データ生成装置を提供する。
In a first aspect of the present invention, there is provided a first acquisition unit that acquires speed frequency data indicating a frequency distribution of speeds in time series data of the speed of the vehicle measured while the vehicle is traveling, and acceleration frequency data indicating a frequency distribution of accelerations for each predetermined speed, and a first estimation unit that estimates a first fuel efficiency corresponding to the acceleration frequency data by inputting the acceleration frequency data into a first machine learning model that has been machine-trained using the learning acceleration frequency data of the vehicle and the corresponding learning fuel efficiency data indicating the fuel efficiency of the vehicle as teacher data;
The present invention provides a data generation device comprising: a first generation unit that generates first generated time series data, which is time series data corresponding to the input of the speed frequency data and the acceleration frequency data, by inputting the speed frequency data and the acceleration frequency data into a second machine learning model that has been machine-learned using learning time series data of the vehicle's speed and corresponding learning speed frequency data and learning acceleration frequency data as teacher data; a second acquisition unit that acquires second acceleration frequency data from the first generated time series data, which indicates an occurrence frequency distribution of acceleration for each predetermined speed; a second estimation unit that estimates a second fuel efficiency corresponding to the second acceleration frequency data by inputting the second acceleration frequency data into the first machine learning model; and a second generation unit that generates second generated time series data from the first generated time series data that reduces a difference between the first fuel efficiency and the second fuel efficiency.
本発明の第２の態様においては、プロセッサが実行する、車両が走行中に測定された前記車両の速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、所定の速度毎の加速度の発生頻度分布を示す加速度頻度データとを取得するステップと、前記車両の学習用加速度頻度データと、対応する前記車両の燃費を示す学習用燃費データと、を教師データとして機械学習した第１機械学習モデルに、前記加速度頻度データを入力することにより、前記加速度頻度データに対応する第１燃費を推定するステップと、前記車両の速度の学習用時系列データと、対応する学習用速度頻度データ及び学習用加速度頻度データと、を教師データとして機械学習した第２機械学習モデルに、前記速度頻度データ及び前記加速度頻度データを入力することにより、前記速度頻度データ及び前記加速度頻度データの入力に応じた時系列データである第１生成時系列データを生成するステップと、前記第１生成時系列データから、所定の速度毎の加速度の発生頻度分布を示す第２加速度頻度データを取得するステップと、前記第１機械学習モデルに前記第２加速度頻度データを入力することにより、前記第２加速度頻度データに対応する第２燃費を推定するステップと、前記第１生成時系列データから、前記第１燃費と前記第２燃費の差を小さくする第２生成時系列データを生成するステップと、を有する、データ生成方法を提供する。 In a second aspect of the present invention, a processor executes the steps of acquiring speed frequency data indicating a frequency distribution of speed occurrence in time series data of the speed of the vehicle measured while the vehicle is traveling, and acceleration frequency data indicating a frequency distribution of acceleration occurrence for each predetermined speed, estimating a first fuel efficiency corresponding to the acceleration frequency data by inputting the acceleration frequency data into a first machine learning model that has been machine-trained using the learning acceleration frequency data of the vehicle and the corresponding learning fuel efficiency data indicating the fuel efficiency of the vehicle as teacher data, and estimating a first fuel efficiency corresponding to the acceleration frequency data, and A data generation method is provided, comprising the steps of: inputting the speed frequency data and the acceleration frequency data into a second machine learning model to generate first generated time series data that is time series data corresponding to the input of the speed frequency data and the acceleration frequency data; acquiring second acceleration frequency data from the first generated time series data that indicates an occurrence frequency distribution of acceleration for each predetermined speed; inputting the second acceleration frequency data into the first machine learning model to estimate a second fuel efficiency corresponding to the second acceleration frequency data; and generating second generated time series data from the first generated time series data that reduces the difference between the first fuel efficiency and the second fuel efficiency.
本発明によれば、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、機械学習モデルの構造を変更しなくとも、生成時系列データの再現度を向上させることができるようになる。 According to the present invention, when generating time series data from frequency data using a machine learning model, it is possible to improve the reproducibility of the generated time series data without changing the structure of the machine learning model.
＜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。
<Outline of Data Generation System S>
1 and 2 are diagrams for explaining an overview of a data generation system S. FIG.
データ生成システムＳは、車両において測定されたパラメータ（速度や加速度）の頻度データに基づいて、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。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。 The data generation system S is a system for generating time series data of parameters (speed and acceleration) based on frequency data of the parameters measured in a vehicle. The data generation system S includes a data collection device 1 and a data generation device 2. The data generation device 2 is a device that generates time series data based on the frequency data using a machine learning model. The machine learning model includes, for example, a conditional VAE (Variational Auto Encoder) or a conditional GAN (Generative Adversarial Networks).
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である。データ生成装置２は、データ収集装置１を介して学習用の車両から取得した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した機械学習モデルを作成するコンピュータである。データ生成装置２は、作成した機械学習モデルを用いて、推定対象の車両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。 The data collection device 1 is a device, such as a computer, that acquires parameter data measured in a large number of vehicles via a network N. The data generation device 2 is a computer that creates a machine learning model that performs machine learning using time series data and frequency data acquired from a learning vehicle via the data collection device 1 as training data. The data generation device 2 uses the created machine learning model to generate time series data based on frequency data acquired from the vehicle to be estimated.
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間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、予め登録された学習用の車両Ｔ１から所定のパラメータ（例えば速度）の測定データを送信する（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））。 Figure 1 shows the operation of the data generation system S while the data generation device 2 performs machine learning to create a machine learning model. The data collection device 1 transmits measurement data of a predetermined parameter (e.g., speed) from a preregistered learning vehicle T1 ((1) in Figure 1). The data collection device 1 transmits the time series data of the acquired measurement data to the data generation device 2 ((2) in Figure 1).
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から学習用データ（学習用頻度データ及び学習用燃費データ）を生成する。データ生成装置２は、学習用データを教師データとした機械学習モデル（具体的には、燃費を推定するための第１機械学習モデルと、時系列データを生成するための第２機械学習モデル）を作成する（図１における（３））。 The data generating device 2 generates learning data (learning frequency data and learning fuel efficiency data) from the time series data received from the data collecting device 1. The data generating device 2 creates machine learning models (specifically, a first machine learning model for estimating fuel efficiency and a second machine learning model for generating time series data) using the learning data as teacher data ((3) in FIG. 1).
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。推定対象の車両Ｔ２は、車両Ｔ２が取得した頻度データ（具体的には、速度頻度データ及び加速度頻度データ）をデータ収集装置１に送信する（図２における（４））。時系列データである測定データではなく、頻度データが送信されるのは、通信量を減らすためである。 Next, referring to FIG. 2, the operation after the data generating device 2 creates a machine learning model will be described. The vehicle T2 that is the subject of estimation transmits frequency data acquired by the vehicle T2 (specifically, speed frequency data and acceleration frequency data) to the data collecting device 1 ((4) in FIG. 2). The frequency data is transmitted instead of the measurement data, which is time-series data, in order to reduce the amount of communication.
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、頻度データを第２機械学習モデルに入力することで第１時系列データを生成する（図２における（６））。また、データ生成装置２は、頻度データを第１機械学習モデルに入力することで燃費を推定する（図２における（７））。 The data collection device 1 transmits the frequency data received from the vehicle T to the data generation device 2 ((5) in FIG. 2). The data generation device 2 generates first time series data by inputting the frequency data into a second machine learning model ((6) in FIG. 2). The data generation device 2 also estimates fuel efficiency by inputting the frequency data into a first machine learning model ((7) in FIG. 2).
データ生成装置２は、詳細は後述するが、第２機械学習モデルの多層化の構造変化をすることなく車両Ｔ２の燃費を高精度に再現すべく、第１時系列データを分割して削除または複製することで、第２時系列データを生成する（図２における（８））。 The data generating device 2, which will be described in detail later, generates the second time series data by dividing and deleting or duplicating the first time series data in order to reproduce the fuel efficiency of the vehicle T2 with high accuracy without changing the multi-layered structure of the second machine learning model ((8) in Figure 2).
＜データ生成装置２の詳細構成＞
図３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を有する。制御部２３は、時系列データ取得部２３１と、学習用データ取得部２３２と、モデル作成部２３３と、第１取得部２３４と、第１推定部２３５と、第１生成部２３６と、第２取得部２３７と、第２推定部２３８と、第２生成部２３９を有する。
<Detailed configuration of data generating device 2>
FIG. 3 is a diagram showing the configuration of the data generating device 2. As shown in FIG.
The data generating device 2 has a communication unit 21, a storage unit 22, and a control unit 23. The control unit 23 has a time-series data acquiring unit 231, a learning data acquiring unit 232, a model creating unit 233, a first acquiring unit 234, a first estimating unit 235, a first generating unit 236, a second acquiring unit 237, a second estimating unit 238, and a second generating unit 239.
通信部２１は、ネットワークＮを介してデータ収集装置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を含む。通信部２１は、外部装置から受信したデータを制御部２３に通知し、制御部２３から入力されたデータを外部装置へと送信する。 The communication unit 21 includes a communication interface for transmitting and receiving data to and from the data collection device 1 or other external devices via the network N. The communication unit 21 notifies the control unit 23 of data received from the external device, and transmits data input from the control unit 23 to the external device.
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等を一時的に記憶する。また、記憶部２２は、後述する機械学習モデルを記憶してもよいし、制御部２３により生成された時系列データを記憶してもよい。 The storage unit 22 includes storage media such as a read only memory (ROM), a random access memory (RAM), and a hard disk. The storage unit 22 stores a program executed by the control unit 23. The storage unit 22 also temporarily stores time series data received from the data collection device 1. The storage unit 22 may also store a machine learning model, which will be described later, or may store time series data generated by the control unit 23.
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、学習用データ取得部２３２、モデル作成部２３３、第１取得部２３４、第１推定部２３５、第１生成部２３６、第２取得部２３７、第２推定部２３８及び第２生成部２３９として機能する。 The control unit 23 is, for example, a CPU (Central Processing Unit). The control unit 23 executes the programs stored in the memory unit 22 to function as a time series data acquisition unit 231, a learning data acquisition unit 232, a model creation unit 233, a first acquisition unit 234, a first estimation unit 235, a first generation unit 236, a second acquisition unit 237, a second estimation unit 238, and a second generation unit 239.
時系列データ取得部２３１は、車両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する。具体的には、時系列データ取得部２３１は、図１に示す複数の学習用車両Ｔ１の車速の時系列データを取得する。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秒ごとの車両の速度の値から構成されている。時系列データ取得部２３１は、取得した時系列データを、学習用データ取得部２３２及びモデル作成部２３３に入力する。時系列データ取得部２３１は、例えば図４に示すような時系列データを取得する。 The time series data acquisition unit 231 acquires time series data of the vehicle speed measured while the vehicle is traveling as learning time series data. Specifically, the time series data acquisition unit 231 acquires time series data of the vehicle speeds of multiple learning vehicles T1 shown in FIG. 1. The time series data is data indicating the values of parameters that change over time, and is composed of, for example, the vehicle speed value every second. The time series data acquisition unit 231 inputs the acquired time series data to the learning data acquisition unit 232 and the model creation unit 233. The time series data acquisition unit 231 acquires, for example, time series data as shown in FIG. 4.
図４は、車両の速度の時系列データを説明するための図である。時系列データは、車両が所定時間に亘って走行する際の速度変化を示すデータであり、例えば１秒ごとに取得されている。 Figure 4 is a diagram for explaining time series data of vehicle speed. The time series data is data that indicates the change in speed when the vehicle travels over a predetermined period of time, and is acquired, for example, every second.
学習用データ取得部２３２は、機械学習を行うための学習用データを取得する。学習用データ取得部２３２は、時系列データ取得部２３１が取得した時系列データの一部を学習用データとして取得する。学習用データ取得部２３２は、学習用データとして、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と、時系列データにおける所定の速度毎の加速度の発生頻度分布を示す学習用加速度頻度データとを取得する。学習用データ取得部２３２は、時系列データを１回微分することにより加速度を求める。 The learning data acquisition unit 232 acquires learning data for performing machine learning. The learning data acquisition unit 232 acquires a portion of the time series data acquired by the time series data acquisition unit 231 as learning data. The learning data acquisition unit 232 acquires, as the learning data, learning speed frequency data indicating the occurrence frequency distribution of speeds in the time series data, and learning acceleration frequency data indicating the occurrence frequency distribution of accelerations for each predetermined speed in the time series data. The learning data acquisition unit 232 calculates acceleration by differentiating the time series data once.
速度頻度データは、例えば、単位時間内に時速１ｋｍ／ｈの状態が発生した時間、時速２ｋｍ／ｈの状態が発生した時間等のように、時速Ｎｋｍ／ｈ（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。加速度頻度データは、例えば、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る。なお、車両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。 The speed frequency data is data that indicates, for example, the time or percentage at which a speed of N km/h (N is an integer equal to or greater than 0) occurs within a unit time, such as the time at which a speed of 1 km/h occurs within a unit time, the time at which a speed of 2 km/h occurs within a unit time, etc. The acceleration frequency data is data that indicates, for example, the time or percentage at which a predetermined acceleration occurs within a unit time. Note that while the vehicle is accelerating, the acceleration is a positive value, and while the vehicle is decelerating, the acceleration is a negative value.
図５は、所定の速度毎の加速度の発生頻度を説明するための図である。加速度の発生頻度分布は、所定の車速の範囲ごとに、発生した加速度の分布を示す。例えば、本実施の形態において、所定の車速の範囲が、１０（ｋｍ／ｈ）の範囲であり、車速の全体の範囲が０～１６０（ｋｍ／ｈ）であるとする。加速度の発生頻度分布は、車速の範囲ごとに、０．５（ｍ／ｓ２）の加速度の幅ごとの頻度が示されたデータであり、加速度の範囲は、－５．０～＋５．０（ｍ／ｓ２）であるとする。すなわち、各車速の範囲に対して、２０の加速度範囲における加速度の発生頻度が示される。加速度の発生頻度分布は、車速及び加速度を３２０クラスに分けた際の各クラスでの発生頻度を示す。１～２０のクラスは、車速がｖ０（０ｋｍ／ｈ）～ｖ１（１０ｋｍ／ｈ）である際の加速度の発生頻度を特定するためのクラスである。例えば、クラス１は、車速がｖ０～ｖ１（ｋｍ／ｈ）であり、かつ加速度がａ０（－５．０ｍ／ｓ２）～ａ１（－４．５ｍ／ｓ２）であることを意味する。同様に、２１～４０のクラスは、車速がｖ１（１０ｋｍ／ｈ）～ｖ２（２０ｋｍ／ｈ）である際の加速度の発生頻度を特定するためのクラスであり、３０１～３２０のクラスは、車速がｖ１５（１５０ｋｍ／ｈ）～ｖ１６（１６０ｋｍ／ｈ）である際の加速度の発生頻度を特定するためのクラスである。なお、上述した、加速度の発生頻度分布における、車速の範囲および加速度の範囲は、例示であって、異なる値を採用することも可能である。 FIG. 5 is a diagram for explaining the occurrence frequency of acceleration for each predetermined speed. The occurrence frequency distribution of acceleration indicates the distribution of the acceleration that occurs for each range of the predetermined vehicle speed. For example, in this embodiment, the predetermined vehicle speed range is 10 (km/h), and the entire range of the vehicle speed is 0 to 160 (km/h). The occurrence frequency distribution of acceleration is data indicating the frequency for each acceleration width of 0.5 (m/s 2 ) for each range of vehicle speed, and the range of acceleration is -5.0 to +5.0 (m/s 2 ). That is, the occurrence frequency of acceleration in 20 acceleration ranges is indicated for each range of vehicle speed. The occurrence frequency distribution of acceleration indicates the occurrence frequency in each class when the vehicle speed and acceleration are divided into 320 classes. The classes 1 to 20 are classes for specifying the occurrence frequency of acceleration when the vehicle speed is v 0 (0 km/h) to v 1 (10 km/h). For example, class 1 means that the vehicle speed is v0 to v1 (km/h) and the acceleration is a0 (-5.0 m/ s2 ) to a1 (-4.5 m/ s2 ). Similarly, classes 21 to 40 are classes for specifying the occurrence frequency of acceleration when the vehicle speed is v1 (10 km/h) to v2 (20 km/h), and classes 301 to 320 are classes for specifying the occurrence frequency of acceleration when the vehicle speed is v15 (150 km/h) to v16 (160 km/h). Note that the vehicle speed ranges and acceleration ranges in the above-mentioned frequency distribution of acceleration occurrence are merely examples, and different values may be used.
学習用データ取得部２３２は、例えば１８００秒の時系列データの１秒毎のクラス（１～３２０のいずれかのクラス）を特定して、特定したクラス毎の数を足し合わせることで、発生頻度分布を示す学習用加速度頻度データを求める。 The learning data acquisition unit 232 identifies a class (any class from 1 to 320) for each second of, for example, 1800 seconds of time series data, and calculates learning acceleration frequency data indicating the occurrence frequency distribution by adding up the numbers for each identified class.
また、学習用データ取得部２３２は、学習用データとして、時系列データから車両の燃費を示す学習用燃費データを取得する。例えば、学習用データ取得部２３２は、所定のシミュレーションソフトを用いることで、時系列データから燃費データを取得できる。 The learning data acquisition unit 232 also acquires learning fuel efficiency data indicating the fuel efficiency of the vehicle from the time series data as learning data. For example, the learning data acquisition unit 232 can acquire the fuel efficiency data from the time series data by using a specific simulation software.
モデル作成部２３３は、加速度頻度データが入力されることに応じて燃費データを出力する第１機械学習モデルを作成する。具体的には、モデル作成部２３３は、学習用加速度頻度データと学習用燃費データを教師データとして機械学習することにより、第１機械学習モデルを作成する。第１機械学習モデルは、加速度頻度データが入力されたことに応じて、燃費データを出力する。また、モデル作成部２３３は、速度の学習用時系列データと、対応する学習用速度頻度データ及び学習用加速度頻度データとを教師データとして機械学習することにより、第２機械学習モデルを作成する。第２機械学習モデルは、学習用速度頻度データ及び学習用加速度頻度データが入力されたことに応じて、時系列データを出力する。なお、モデル作成部２３３は、出力した時系列データを組み合わせることができるように、第２機械学習モデルを複数作成してもよい。 The model creation unit 233 creates a first machine learning model that outputs fuel efficiency data in response to the input of acceleration frequency data. Specifically, the model creation unit 233 creates the first machine learning model by machine learning using the learning acceleration frequency data and the learning fuel efficiency data as teacher data. The first machine learning model outputs fuel efficiency data in response to the input of acceleration frequency data. In addition, the model creation unit 233 creates a second machine learning model by machine learning using the learning time series data of speed and the corresponding learning speed frequency data and learning acceleration frequency data as teacher data. The second machine learning model outputs time series data in response to the input of the learning speed frequency data and the learning acceleration frequency data. Note that the model creation unit 233 may create multiple second machine learning models so that the output time series data can be combined.
モデル作成部２３３は、第１機械学習モデルと第２機械学習モデルを同様に作成する。以下では、第１機械学習モデル（ここでは、単に機械学習モデルと呼ぶ）の作成について、図６を参照しながら説明する。 The model creation unit 233 creates the first machine learning model and the second machine learning model in the same way. Below, the creation of the first machine learning model (here, simply called the machine learning model) is explained with reference to FIG. 6.
図６は、モデル作成部２３３が機械学習モデルＭを作成する処理の概要を示す図である。機械学習モデルＭは、ここでは線形回帰モデルにより構成されているものとする。図６に示すように、機械学習モデルＭは、一例としての線形回帰モデルにより構成されている。線形回帰モデルは、推定したい値を目的変数、推定のために用いる値を説明変数とし、説明変数に可変の重みが設けられた回帰式を作成する。燃費データが目的変数、加速度頻度データが説明変数に対応する。 Figure 6 is a diagram showing an overview of the process in which the model creation unit 233 creates the machine learning model M. Here, the machine learning model M is assumed to be configured as a linear regression model. As shown in Figure 6, the machine learning model M is configured as a linear regression model as an example. In the linear regression model, the value to be estimated is the objective variable, and the value used for the estimation is the explanatory variable, and a regression equation is created in which a variable weight is assigned to the explanatory variable. The fuel efficiency data corresponds to the objective variable, and the acceleration frequency data corresponds to the explanatory variable.
モデル作成部２３３は、学習用頻度データが入力される機械学習モデルＭ－１で構成されている。モデル作成部２３３は、機械学習モデルＭ－１から出力される推定燃費データと、入力した学習用頻度データに対応する学習用燃費データとを比較する。 The model creation unit 233 is composed of a machine learning model M-1 to which learning frequency data is input. The model creation unit 233 compares the estimated fuel consumption data output from the machine learning model M-1 with the learning fuel consumption data corresponding to the input learning frequency data.
モデル作成部２３３は、機械学習モデルＭ－１に学習用頻度データを入力した際に出力される推定燃費データと、学習用燃費データとの差分に基づいて、機械学習モデルＭ－１の重みを更新する。 The model creation unit 233 updates the weights of the machine learning model M-1 based on the difference between the estimated fuel efficiency data output when the learning frequency data is input to the machine learning model M-1 and the learning fuel efficiency data.
モデル作成部２３３は、例えば推定燃費データと学習用燃費データとの差が閾値以上である場合に、重みを更新する。モデル作成部２３３は、推定燃費データと学習用燃費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に入力したことにより推定される燃費データと学習用燃費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２３３は、多数の学習用頻度データ及び学習用燃費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、所望の機械学習モデル（図７に示す第１機械学習モデル）を作成する。 The model creation unit 233 updates the weights, for example, when the difference between the estimated fuel efficiency data and the learning fuel efficiency data is equal to or greater than a threshold. The model creation unit 233 repeats the comparison of the fuel efficiency data estimated by inputting the learning frequency data into the machine learning model M-1 with the learning fuel efficiency data and the updating of the weights, until the difference between the estimated fuel efficiency data and the learning fuel efficiency data becomes less than the threshold. The model creation unit 233 creates the desired machine learning model (the first machine learning model shown in FIG. 7) by performing the above process using a large number of pairs of learning frequency data and learning fuel efficiency data.
モデル作成部２３３は、作成した第１機械学習モデル及び第２機械学習モデルを記憶部２２に記憶させる。ただし、上記に限定されず、モデル作成部２３３は、モデル作成部２３３が有するメモリに、第１機械学習モデル及び第２機械学習モデルを記憶させてもよい。また、モデル作成部２３３は、作成した第１機械学習モデル及び第２機械学習モデルの重みを記憶部２２に記憶させてもよい。 The model creation unit 233 stores the created first machine learning model and second machine learning model in the storage unit 22. However, without being limited to the above, the model creation unit 233 may store the first machine learning model and the second machine learning model in a memory possessed by the model creation unit 233. In addition, the model creation unit 233 may store weights of the created first machine learning model and second machine learning model in the storage unit 22.
第１取得部２３４は、モデル作成部２３３が作成した第１機械学習モデルと第２機械学習モデルに入力する頻度データを取得する。第１取得部２３４は、時系列データを生成する対象の車両（図２に示す車両Ｔ２）の頻度データを、通信部２１を介してデータ収集装置１から取得する。第１取得部２３４は、頻度データとして、車両Ｔ２が走行中に測定された車両Ｔ２の速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、所定の速度毎の加速度の発生頻度分布を示す加速度頻度データ（例えば図５で説明した加速度頻度データ）とを取得する。なお、第１取得部２３４は、データ収集装置１を介さずに、車両Ｔ２から速度頻度データ及び加速度頻度データを取得してもよい。 The first acquisition unit 234 acquires frequency data to be input to the first machine learning model and the second machine learning model created by the model creation unit 233. The first acquisition unit 234 acquires frequency data of a target vehicle (vehicle T2 shown in FIG. 2) for which time series data is to be generated from the data collection device 1 via the communication unit 21. The first acquisition unit 234 acquires, as frequency data, speed frequency data indicating the frequency distribution of speed in the time series data of the speed of vehicle T2 measured while vehicle T2 is traveling, and acceleration frequency data indicating the frequency distribution of acceleration for each predetermined speed (for example, the acceleration frequency data described in FIG. 5). Note that the first acquisition unit 234 may acquire the speed frequency data and the acceleration frequency data from vehicle T2 without going through the data collection device 1.
第１推定部２３５は、第１取得部２３４が取得した加速度頻度データに対応する車両Ｔ２の燃費（第１燃費と呼ぶ）を推定する。第１推定部２３５は、第１取得部２３４が取得した加速度頻度データを第１機械学習モデルに入力することにより、加速度頻度データを取得した車両Ｔ２の第１燃費を推定する。これにより、第１推定部２３５は、シミュレーションソフト等を用いなくても、車両Ｔ２の第１燃費を高速に推定できる。 The first estimation unit 235 estimates the fuel efficiency (referred to as the first fuel efficiency) of the vehicle T2 corresponding to the acceleration frequency data acquired by the first acquisition unit 234. The first estimation unit 235 estimates the first fuel efficiency of the vehicle T2 from which the acceleration frequency data was acquired by inputting the acceleration frequency data acquired by the first acquisition unit 234 into a first machine learning model. This allows the first estimation unit 235 to quickly estimate the first fuel efficiency of the vehicle T2 without using simulation software or the like.
図７は、データ生成装置２が処理を行う際のデータの流れを説明するための図である。第１推定部２３５が、車両Ｔ２から取得された頻度データのうち加速度頻度データを第１機械学習モデルに入力することにより、第１機械学習モデルが、入力された加速度頻度データに対応する第１燃費のデータを出力する。 Figure 7 is a diagram for explaining the flow of data when the data generating device 2 performs processing. The first estimation unit 235 inputs the acceleration frequency data from the frequency data acquired from the vehicle T2 to the first machine learning model, and the first machine learning model outputs first fuel efficiency data corresponding to the input acceleration frequency data.
第１生成部２３６は、第１取得部２３４が取得した速度頻度データ及び加速度頻度データの入力に応じて時系列データ（第１生成時系列データと呼ぶ）を生成する。第１生成部２３６は、第１取得部２３４が取得した速度頻度データ及び加速度頻度データを第２機械学習モデルに入力することにより、第１生成時系列データを生成する。なお、第１生成部２３６は、速度頻度データ及び加速度頻度データが入力された複数の第２機械学習モデルを用いて、各々から出力された複数の生成時系列データを繋げて、第１生成時系列データを生成してもよいし、任意の時系列データを第１生成時系列データに繋げてもよい。 The first generating unit 236 generates time series data (referred to as first generated time series data) in response to the input of the speed frequency data and acceleration frequency data acquired by the first acquiring unit 234. The first generating unit 236 generates the first generated time series data by inputting the speed frequency data and acceleration frequency data acquired by the first acquiring unit 234 to a second machine learning model. Note that the first generating unit 236 may use a plurality of second machine learning models to which the speed frequency data and acceleration frequency data are input, to generate the first generated time series data by linking together a plurality of generated time series data output from each of the second machine learning models, or may link any time series data to the first generated time series data.
第２取得部２３７は、第１生成部２３６が生成した第１生成時系列データから、所定の速度毎の加速度の発生頻度分布を示す第２加速度頻度データを取得する。第２取得部２３７は、第２機械学習モデルに入力した加速度頻度データと同一のクラス区分で、第２加速度頻度データを取得する。 The second acquisition unit 237 acquires second acceleration frequency data indicating the occurrence frequency distribution of acceleration for each predetermined speed from the first generated time series data generated by the first generation unit 236. The second acquisition unit 237 acquires the second acceleration frequency data in the same class classification as the acceleration frequency data input to the second machine learning model.
第２推定部２３８は、第２取得部２３７が取得した第２加速度頻度データに対応する車両Ｔ２の燃費（第２燃費と呼ぶ）を推定する。第２推定部２３８は、第２取得部２３７が取得した第２加速度頻度データを第１機械学習モデルに入力することにより、第２加速度頻度データに対応する第２燃費を推定する。 The second estimation unit 238 estimates the fuel efficiency (referred to as the second fuel efficiency) of the vehicle T2 corresponding to the second acceleration frequency data acquired by the second acquisition unit 237. The second estimation unit 238 estimates the second fuel efficiency corresponding to the second acceleration frequency data by inputting the second acceleration frequency data acquired by the second acquisition unit 237 into the first machine learning model.
第２生成部２３９は、第１推定部２３５が推定した第１燃費と、第２推定部２３８が推定した第２燃費との差分に基づいて、第１生成時系列データから第２生成時系列データを生成する。第２生成部２３９は、第１生成時系列データから、第１燃費と第２燃費の差を小さくする第２生成時系列データを生成する。具体的には、第２生成部２３９は、第１燃費と第２燃費の差を最小化するように、第１生成時系列データを分割して削除または複製して、第２生成時系列データを生成する。 The second generating unit 239 generates second generated time series data from the first generated time series data based on the difference between the first fuel efficiency estimated by the first estimating unit 235 and the second fuel efficiency estimated by the second estimating unit 238. The second generating unit 239 generates second generated time series data from the first generated time series data that reduces the difference between the first fuel efficiency and the second fuel efficiency. Specifically, the second generating unit 239 divides and deletes or duplicates the first generated time series data so as to minimize the difference between the first fuel efficiency and the second fuel efficiency, thereby generating the second generated time series data.
第２生成部２３９は、第２生成時系列データを通信部２１に出力する。つまり、第１生成部２３６で得られた第１生成時系列データが第２取得部２３７及び第２推定部２３８を経由して第２生成部２３９に入力され、第１推定部２３５が推定した第１燃費と、第２推定部２３８が推定した第２燃費との差分が小さくなるような、第２生成時系列データが生成されて通信部２１に出力される。通信部２１は、出力された第２生成時系列データを表示装置等の外部装置に送信する。 The second generating unit 239 outputs the second generated time series data to the communication unit 21. That is, the first generated time series data obtained by the first generating unit 236 is input to the second generating unit 239 via the second acquiring unit 237 and the second estimating unit 238, and second generated time series data is generated such that the difference between the first fuel efficiency estimated by the first estimating unit 235 and the second fuel efficiency estimated by the second estimating unit 238 is small, and is output to the communication unit 21. The communication unit 21 transmits the output second generated time series data to an external device such as a display device.
次に、図８及び図９を用いて、第２生成部２３９の動作の一例を説明する。
図８は、第１生成部２３６から出力された第１生成時系列データの例を示す図である。第１生成時系列データの分割単位は、基準値から値が変動して基準値に戻るまでの区間である。図８の例では、基準値は車速０［ｋｍ／ｈ］である。第２生成部２３９は、第１生成時系列データを分割した複数の分割データを削除または複製して、第２生成時系列データを生成する。
Next, an example of the operation of the second generating unit 239 will be described with reference to FIGS.
Fig. 8 is a diagram showing an example of the first generated time series data output from the first generating unit 236. The division unit of the first generated time series data is a section from a reference value to a point where the value changes and returns to the reference value. In the example of Fig. 8, the reference value is a vehicle speed of 0 [km/h]. The second generating unit 239 deletes or copies a plurality of divided data obtained by dividing the first generated time series data to generate the second generated time series data.
図９は、第１生成時系列データの分割データを削除または複製して、第２生成時系列データを生成する流れを説明する図である。図９（ａ）には第１燃費と第２燃費の比較が示され、図９（ｂ）には第１生成時系列データが示され、図９（ｃ）には第２生成時系列データが示されている。 Figure 9 is a diagram explaining the flow of deleting or duplicating split data of the first generated time series data to generate the second generated time series data. Figure 9(a) shows a comparison between the first and second fuel efficiency, Figure 9(b) shows the first generated time series data, and Figure 9(c) shows the second generated time series data.
ここでは、図９（ａ）に示すように比較した第１燃費と第２燃費の差分が、閾値以上であったとする。その場合、第２生成部２３９は、まず第１生成時系列データを分割した分割データを第２取得部２３７に入力し、分割データあたりの第２加速度頻度データを取得する。次に、分割データあたりの第２加速度頻度データを第２推定部２３８に入力して、分割データあたりの第２燃費を算出し、第２生成部２３９に送信する。そして、第２生成部２３９は、第１燃費と第２燃費を再度比較して、閾値以上の差分の要因となる分割データの削除または複製を決定する（図９（ｂ））。分割データの削除と複製が行われると、図９（ｃ）に示すように第２生成時系列データが得られる。 Here, it is assumed that the difference between the first and second fuel efficiency compared as shown in FIG. 9(a) is equal to or greater than the threshold. In this case, the second generation unit 239 first inputs the divided data obtained by dividing the first generated time series data to the second acquisition unit 237 and acquires the second acceleration frequency data per divided data. Next, the second acceleration frequency data per divided data is input to the second estimation unit 238 to calculate the second fuel efficiency per divided data and transmit it to the second generation unit 239. The second generation unit 239 then compares the first and second fuel efficiency again and determines whether to delete or copy the divided data that is the cause of the difference equal to or greater than the threshold (FIG. 9(b)). When the divided data is deleted or copied, the second generated time series data is obtained as shown in FIG. 9(c).
本実施形態のデータ生成装置２は、第１生成時系列データを分割して複数の分割データとし、第２取得部２３７及び第２推定部２３８により分割データあたりに算出し直した第２燃費と、第１推定部２３５が推定した第１燃費との差分が閾値以上であるか否かを判定した。そして、データ生成装置２は、閾値以上の差分の要因となる分割データを削除または複製することで、前記差分が閾値以下となるように、第２生成時系列データを生成した。しかし、上記に限定されず、図１０に示す処理により第２生成時系列データを得るようにしてもよい。 The data generating device 2 of this embodiment divides the first generated time series data into a plurality of divided data, and determines whether the difference between the second fuel efficiency recalculated for each divided data by the second acquiring unit 237 and the second estimating unit 238 and the first fuel efficiency estimated by the first estimating unit 235 is equal to or greater than a threshold. The data generating device 2 then generates the second generated time series data by deleting or duplicating the divided data that is the cause of the difference equal to or greater than the threshold, so that the difference is equal to or less than the threshold. However, the present invention is not limited to the above, and the second generated time series data may be obtained by the process shown in FIG. 10.
図１０は、第２生成時系列データの生成の流れを説明するための模式図である。第２生成部２３９は、第１生成時系列データを図１０（ａ）に示す複数の分割データ１、分割データ２、・・・、分割データ６に分解する。第２生成部２３９は、分解した複数の分割データの中から第１燃費と第２燃費の差を最小化する山を選択して、図１０（ｂ）に示すように第２生成時系列データを生成する。 Figure 10 is a schematic diagram for explaining the flow of generating the second generated time series data. The second generation unit 239 decomposes the first generated time series data into multiple divided data 1, divided data 2, ..., divided data 6 shown in Figure 10 (a). The second generation unit 239 selects a peak that minimizes the difference between the first fuel efficiency and the second fuel efficiency from the multiple decomposed divided data, and generates the second generated time series data as shown in Figure 10 (b).
また、第２生成部２３９は、複数の分割データをランダムに組み合わせて複数の第２生成時系列データを生成し、各生成時系列データに対応する第２燃費をそれぞれ求め、最も第１燃費との差が小さい第２生成時系列データを選択してもよい。 The second generation unit 239 may also randomly combine multiple split data to generate multiple second generated time series data, calculate the second fuel efficiency corresponding to each generated time series data, and select the second generated time series data that has the smallest difference from the first fuel efficiency.
なお、上述した実施形態では、第１生成時系列データの分割データを削除または複製して、第２生成時系列データを生成しているが、第１生成時系列データのほかに任意の時系列データを用意して分割データの数を増やしてもよいし、第２機械学習モデルを用いない場合は任意の時系列データのみを用いて、同様の処理で第２生成時系列データを生成してもよい。 In the above-described embodiment, the split data of the first generated time series data is deleted or duplicated to generate the second generated time series data, but the number of split data may be increased by preparing any time series data in addition to the first generated time series data, or the second generated time series data may be generated by a similar process using only the arbitrary time series data if the second machine learning model is not used.
上記のようにすることで、第２機械学習モデルに入力した加速度頻度データに応じた燃費を推定でき、第２機械学習モデルに入力した頻度データの元となった車速時系列データが取得できない場合でも車両の燃費を高速に推定することができる。また、第２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、機械学習モデルの構造を変更しなくとも、生成時系列データの再現度を向上させることができるようになる。 By doing as described above, it is possible to estimate fuel efficiency according to the acceleration frequency data input to the second machine learning model, and it is possible to quickly estimate the fuel efficiency of the vehicle even when the vehicle speed time series data that is the source of the frequency data input to the second machine learning model cannot be obtained. Furthermore, when generating time series data from frequency data using the second machine learning model, it is possible to improve the reproducibility of the generated time series data without changing the structure of the machine learning model.
＜データ生成装置２における処理の流れ＞
図１１は、データ生成装置２が時系列データを生成する際の処理の流れを示すフローチャートである。本処理が開始される前に、学習用車両Ｔ１を介して取得した学習用データから第１機械学習モデル及び第２機械学習モデルが作成されている。
<Processing flow in data generating device 2>
11 is a flowchart showing a process flow when the data generating device 2 generates time-series data. Before this process is started, a first machine learning model and a second machine learning model are created from the learning data acquired via the learning vehicle T1.
データ生成装置２の第１取得部２３４は、車両Ｔ２の頻度データである速度頻度データ及び加速度頻度データを取得する（ステップＳ１０２）。次に、第１推定部２３５は、第１取得部２３４が取得した加速度頻度データを第１機械学習モデルに入力することにより、加速度頻度データに対応する第１燃費を推定する（ステップＳ１０４）。 The first acquisition unit 234 of the data generating device 2 acquires speed frequency data and acceleration frequency data, which are frequency data of the vehicle T2 (step S102). Next, the first estimation unit 235 estimates a first fuel efficiency corresponding to the acceleration frequency data by inputting the acceleration frequency data acquired by the first acquisition unit 234 into a first machine learning model (step S104).
第１生成部２３６は、第１取得部２３４が取得した速度頻度データ及び加速度頻度データを第２機械学習モデルに入力することにより、第１生成時系列データを生成する（ステップＳ１０６）。例えば、第１生成部２３６は、図８に示す第１生成時系列データを生成する。 The first generating unit 236 generates first generated time series data by inputting the speed frequency data and acceleration frequency data acquired by the first acquiring unit 234 into the second machine learning model (step S106). For example, the first generating unit 236 generates the first generated time series data shown in FIG. 8.
次に、第２取得部２３７は、第１生成部２３６が生成した第１生成時系列データから、第２加速度頻度データを取得する（ステップＳ１０８）。次に、第２推定部２３８は、第２取得部２３７が取得した第２加速度頻度データを第１機械学習モデルに入力することにより、第２加速度頻度データに対応する第２燃費を推定する（ステップＳ１１０）。 Next, the second acquisition unit 237 acquires second acceleration frequency data from the first generated time series data generated by the first generation unit 236 (step S108). Next, the second estimation unit 238 estimates a second fuel efficiency corresponding to the second acceleration frequency data by inputting the second acceleration frequency data acquired by the second acquisition unit 237 into a first machine learning model (step S110).
次に、第２生成部２３９は、第１推定部２３５が推定した第１燃費と第２推定部２３８が推定した第２燃費との差を小さくする第２生成時系列データを生成する（ステップＳ１１２）。具体的には、第２生成部２３９は、図９に示すように、第１生成時系列データを分割して削除または複製することで、時系列データを生成する。 Next, the second generating unit 239 generates second generated time series data that reduces the difference between the first fuel efficiency estimated by the first estimating unit 235 and the second fuel efficiency estimated by the second estimating unit 238 (step S112). Specifically, the second generating unit 239 generates the time series data by dividing and deleting or duplicating the first generated time series data, as shown in FIG. 9.
その後、データ生成装置２は、生成した第２生成時系列データから第２燃費を求め、求めた第２燃費と第１燃費の差が更に小さくなるように第２生成時系列データを再度生成する。このような処理を所定回数だけ繰り返すことで、データ生成装置２は、第１燃費と第２燃費が最小化する第２生成時系列データを生成できる。 Then, the data generating device 2 calculates the second fuel efficiency from the generated second generated time series data, and regenerates the second generated time series data so that the difference between the calculated second fuel efficiency and the first fuel efficiency is further reduced. By repeating this process a predetermined number of times, the data generating device 2 can generate second generated time series data that minimizes the first fuel efficiency and the second fuel efficiency.
＜本実施形態における効果＞
上述した実施形態のデータ生成装置２は、車両Ｔ２の加速度頻度データを第１機械学習モデルに入力して第１燃費を推定する。また、データ生成装置２は、第２機械学習モデルから出力された第１生成時系列データから取得した第２加速度頻度データを、第１機械学習モデルに入力して第２燃費を推定する。そして、データ生成装置２は、第１燃費と第２燃費の差を小さくする第２生成時系列データを生成する。
これにより、データ生成装置２は、第１燃費と第２燃費を最小化する第２生成時系列データを生成することで、頻度データから精度の高い時系列データを生成できる。また、第２機械学習モデルの多層化等の構造変更をする必要がないので、データ生成装置２は、生成した時系列データに基づいて燃費を短時間かつ高精度に推定できる。
<Effects of this embodiment>
The data generating device 2 of the above-described embodiment inputs the acceleration frequency data of the vehicle T2 into a first machine learning model to estimate the first fuel efficiency. The data generating device 2 also inputs the second acceleration frequency data acquired from the first generated time series data output from the second machine learning model into the first machine learning model to estimate the second fuel efficiency. Then, the data generating device 2 generates second generated time series data that reduces the difference between the first fuel efficiency and the second fuel efficiency.
As a result, the data generating device 2 can generate highly accurate time series data from the frequency data by generating second generated time series data that minimizes the first fuel efficiency and the second fuel efficiency. In addition, since there is no need to change the structure of the second machine learning model, such as by making it multi-layered, the data generating device 2 can estimate the fuel efficiency based on the generated time series data in a short time with high accuracy.
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。 Although the present invention has been described above using embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes are possible within the scope of the gist of the invention. For example, all or part of the device can be configured by distributing or integrating functionally or physically in any unit. In addition, new embodiments resulting from any combination of multiple embodiments are also included in the embodiments of the present invention. The effect of the new embodiment resulting from the combination also has the effect of the original embodiment.
２ データ生成装置
２３４ 第１取得部
２３５ 第１推定部
２３６ 第１生成部
２３７ 第２取得部
２３８ 第２推定部
２３９ 第２生成部
2 Data generating device 234 First acquisition unit 235 First estimation unit 236 First generation unit 237 Second acquisition unit 238 Second estimation unit 239 Second generation unit
Claims (6)
前記車両の学習用加速度頻度データと、対応する前記車両の燃費を示す学習用燃費データと、を教師データとして機械学習した第１機械学習モデルに、前記加速度頻度データを入力することにより、前記加速度頻度データに対応する第１燃費を推定する第１推定部と、
前記車両の速度の学習用時系列データと、対応する学習用速度頻度データ及び学習用加速度頻度データと、を教師データとして機械学習した第２機械学習モデルに、前記速度頻度データ及び前記加速度頻度データを入力することにより、前記速度頻度データ及び前記加速度頻度データの入力に応じた時系列データである第１生成時系列データを生成する第１生成部と、
前記第１生成時系列データから、所定の速度毎の加速度の発生頻度分布を示す第２加速度頻度データを取得する第２取得部と、
前記第１機械学習モデルに前記第２加速度頻度データを入力することにより、前記第２加速度頻度データに対応する第２燃費を推定する第２推定部と、
前記第１生成時系列データから、前記第１燃費と前記第２燃費の差を小さくする第２生成時系列データを生成する第２生成部と、
を備える、データ生成装置。 a first acquisition unit that acquires speed frequency data indicating an occurrence frequency distribution of speeds in time series data of the speed of the vehicle measured while the vehicle is traveling, and acceleration frequency data indicating an occurrence frequency distribution of accelerations for each predetermined speed;
a first estimation unit that estimates a first fuel efficiency corresponding to the acceleration frequency data by inputting the acceleration frequency data into a first machine learning model that has been machine-learned using learning acceleration frequency data of the vehicle and learning fuel efficiency data indicating the corresponding fuel efficiency of the vehicle as teacher data;
a first generation unit that generates first generated time series data, which is time series data corresponding to the input of the speed frequency data and the acceleration frequency data, by inputting the speed frequency data and the acceleration frequency data into a second machine learning model that has been machine-learned using the learning time series data of the speed of the vehicle and the corresponding learning speed frequency data and learning acceleration frequency data as teacher data;
a second acquisition unit that acquires second acceleration frequency data indicating an occurrence frequency distribution of acceleration for each predetermined speed from the first generated time series data;
a second estimation unit that estimates a second fuel efficiency corresponding to the second acceleration frequency data by inputting the second acceleration frequency data to the first machine learning model;
A second generation unit that generates second generated time series data from the first generated time series data so as to reduce a difference between the first fuel efficiency and the second fuel efficiency;
A data generating device comprising:
前記第２生成部は、前記第１生成時系列データを分割し、前記第１燃費と前記第２燃費の差の要因となる分割データを削除または複製して前記第２生成時系列データを生成する、
請求項１に記載のデータ生成装置。 the second generated time series data is data generated by dividing the first generated time series data and deleting or duplicating divided data that is a cause of a difference between the first fuel efficiency and the second fuel efficiency,
The second generation unit divides the first generated time series data, and deletes or copies divided data that is a cause of a difference between the first fuel efficiency and the second fuel efficiency to generate the second generated time series data.
The data generating device according to claim 1 .
前記第１生成時系列データは、分割データを複数繋げたデータであり、
前記第２生成部は、前記複数の分割データを組み合わせて前記第２生成時系列データを生成する、
請求項２に記載のデータ生成装置。 a division unit of the first generated time series data is a section in which a value varies from a speed that is a reference value to a speed that returns to the reference value,
the first generated time series data is data obtained by connecting a plurality of divided data;
The second generation unit combines the plurality of divided data to generate the second generated time series data.
The data generating device according to claim 2.
請求項３に記載のデータ生成装置。 The second generation unit randomly combines the plurality of divided data to generate the second generated time series data.
The data generating device according to claim 3.
請求項３に記載のデータ生成装置。 The second generation unit generates the second generated time series data so as to minimize a difference between the first fuel efficiency and the second fuel efficiency.
The data generating device according to claim 3.
車両が走行中に測定された前記車両の速度の時系列データにおける速度の発生頻度分布を示す速度頻度データと、所定の速度毎の加速度の発生頻度分布を示す加速度頻度データとを取得するステップと、
前記車両の学習用加速度頻度データと、対応する前記車両の燃費を示す学習用燃費データと、を教師データとして機械学習した第１機械学習モデルに、前記加速度頻度データを入力することにより、前記加速度頻度データに対応する第１燃費を推定するステップと、
前記車両の速度の学習用時系列データと、対応する学習用速度頻度データ及び学習用加速度頻度データと、を教師データとして機械学習した第２機械学習モデルに、前記速度頻度データ及び前記加速度頻度データを入力することにより、前記速度頻度データ及び前記加速度頻度データの入力に応じた時系列データである第１生成時系列データを生成するステップと、
前記第１生成時系列データから、所定の速度毎の加速度の発生頻度分布を示す第２加速度頻度データを取得するステップと、
前記第１機械学習モデルに前記第２加速度頻度データを入力することにより、前記第２加速度頻度データに対応する第２燃費を推定するステップと、
前記第１生成時系列データから、前記第１燃費と前記第２燃費の差を小さくする第２生成時系列データを生成するステップと、
を有する、データ生成方法。
The processor executes
acquiring speed frequency data indicating a frequency distribution of speeds in time series data of the speed of the vehicle measured while the vehicle is traveling, and acceleration frequency data indicating a frequency distribution of accelerations for each predetermined speed;
A step of estimating a first fuel efficiency corresponding to the acceleration frequency data by inputting the acceleration frequency data into a first machine learning model that has been machine-learned using learning acceleration frequency data of the vehicle and learning fuel efficiency data indicating the corresponding fuel efficiency of the vehicle as teacher data;
a step of generating first generated time series data which is time series data corresponding to the input of the speed frequency data and the acceleration frequency data by inputting the speed frequency data and the acceleration frequency data into a second machine learning model which is machine-learned using the learning time series data of the speed of the vehicle and the corresponding learning speed frequency data and learning acceleration frequency data as teacher data;
acquiring second acceleration frequency data indicating an occurrence frequency distribution of acceleration for each predetermined speed from the first generated time series data;
A step of estimating a second fuel efficiency corresponding to the second acceleration frequency data by inputting the second acceleration frequency data into the first machine learning model;
generating second generated time series data from the first generated time series data to reduce a difference between the first fuel efficiency and the second fuel efficiency;
The data generation method comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023022670A JP7468726B1 (en) | 2023-02-16 | 2023-02-16 | Data generation device and data generation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023022670A JP7468726B1 (en) | 2023-02-16 | 2023-02-16 | Data generation device and data generation method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7468726B1 true JP7468726B1 (en) | 2024-04-16 |
Family
ID=90667725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023022670A Active JP7468726B1 (en) | 2023-02-16 | 2023-02-16 | Data generation device and data generation method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7468726B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021051639A (en) | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | Model generation apparatus and model generation method |
| US20220080980A1 (en) | 2020-09-15 | 2022-03-17 | Hyundai Motor Company | Device for predicting speed of vehicle and method thereof |
| JP2022089806A (en) | 2020-12-04 | 2022-06-16 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | Modeling operation profiles of vehicle |
| JP2023140983A (en) | 2022-03-23 | 2023-10-05 | いすゞ自動車株式会社 | Model creation apparatus, data generation apparatus, model creation method, and data generation method |
-
2023
- 2023-02-16 JP JP2023022670A patent/JP7468726B1/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021051639A (en) | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | Model generation apparatus and model generation method |
| US20220080980A1 (en) | 2020-09-15 | 2022-03-17 | Hyundai Motor Company | Device for predicting speed of vehicle and method thereof |
| JP2022089806A (en) | 2020-12-04 | 2022-06-16 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | Modeling operation profiles of vehicle |
| JP2023140983A (en) | 2022-03-23 | 2023-10-05 | いすゞ自動車株式会社 | Model creation apparatus, data generation apparatus, model creation method, and data generation method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021232229A1 (en) | Virtual scene generation method and apparatus, computer device and storage medium | |
| JP7163893B2 (en) | Model evaluation device and model evaluation method | |
| JP7230755B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
| JP7230754B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
| Asadi et al. | Human perception-based washout filtering using genetic algorithm | |
| JP7163894B2 (en) | MODEL CREATED DEVICE AND MODEL CREATED METHOD | |
| JP7243553B2 (en) | MODEL CREATION DEVICE, DATA GENERATION DEVICE, MODEL CREATION METHOD AND DATA GENERATION METHOD | |
| JP2021051638A (en) | Model generation apparatus, data generation apparatus, model generation method, and data generation method | |
| Li et al. | A new microscopic traffic model using a spring-mass-damper-clutch system | |
| JP7468726B1 (en) | Data generation device and data generation method | |
| JP7409420B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
| CN112598802B (en) | Thermodynamic diagram generation method and system based on crowdsourcing data | |
| CN106650800B (en) | Markov equivalence class model distributed learning method based on Storm | |
| CN111079175B (en) | Data processing method, data processing device, computer readable storage medium and computer equipment | |
| JP7447926B2 (en) | Model creation device and model creation method | |
| JP7444187B2 (en) | Model creation device and model creation method | |
| JP7447925B2 (en) | Model creation device and model creation method | |
| KR20200097505A (en) | Method, computer program for classifying data and apparatus using the same | |
| CN112199885B (en) | Distributed model training system and application method | |
| JP7283583B2 (en) | Control method, control program, and information processing device | |
| JP7400856B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
| CN114254735A (en) | Distributed botnet model construction method and device | |
| CN113743614A (en) | Method and system for operating a technical installation using an optimal model | |
| JP7400855B2 (en) | Model creation device, data generation device, model creation method, and data generation method | |
| CN116030632B (en) | Mixed traffic flow-oriented performance index calculation method and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230327 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20231006 |
|
| 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: 20240305 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240318 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7468726 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |