JP7487759B2 - モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 - Google Patents
モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 Download PDFInfo
- Publication number
- JP7487759B2 JP7487759B2 JP2022154997A JP2022154997A JP7487759B2 JP 7487759 B2 JP7487759 B2 JP 7487759B2 JP 2022154997 A JP2022154997 A JP 2022154997A JP 2022154997 A JP2022154997 A JP 2022154997A JP 7487759 B2 JP7487759 B2 JP 7487759B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- time series
- series data
- frequency
- generated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 30
- 238000010801 machine learning Methods 0.000 claims description 113
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000446 fuel Substances 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
Images
Landscapes
- Traffic Control Systems (AREA)
Description
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得する時系列データ取得部と、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部と、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するモデル作成部と、
を備える。
車両が高速道路区間を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、
前記車両の高速道路区間走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記機械学習モデルから出力される前記生成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生成頻度データとして得る頻度データ生成部と、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出する差分算出部と、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正する補正部と、
を備え、
前記補正部は、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する。
コンピューターが実行するモデル作成方法であって、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データを学習用時系列データとして取得するステップと、
前記学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得するステップと、
前記学習用時系列データと、それに対応する前記学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルを作成するステップと、
を含む。
コンピューターが実行するデータ生成方法であって、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記機械学習モデルから出力される前記生成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生成頻度データとして得るステップと、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出するステップと、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正するステップと、
を含み、
前記生成時系列データを補正するステップでは、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する。
図1及び図2は、データ生成システムSの概要を説明するための図である。データ生成システムSは、車両Tにおいて測定された各種のパラメータの頻度データに基づいて、当該パラメータの時系列データを生成するためのシステムである。データ生成システムSは、データ収集装置1及びデータ生成装置2を備えている。データ生成装置2は、機械学習モデルを用いて、頻度データに基づいて時系列データを生成する装置である。データ生成装置2は、機械学習モデルを作成するモデル作成装置としても機能する。当該機械学習モデルは、例えば条件付VAE(Variational Auto Encoder)又は条件付GAN(Generative Adversarial Networks)を含んで構成されている。
図4は、データ生成装置2の構成を示す図である。データ生成装置2は、通信部21と、記憶部22と、制御部23と、を有する。制御部23は、時系列データ取得部231と、学習用頻度データ取得部232と、生成用頻度データ取得部233と、データ出力部234と、モデル作成部235と、データ生成部236とを有する。
図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6は、データ生成装置2における処理の流れを示すフローチャートである。図6に示すフローチャートは、データ生成装置2が機械学習モデルMの作成を開始する指示を受けた時点から開始される。
図4との対応部分に同一符号を付して示す図7は、さらに改良を加えたデータ生成装置300の構成を示すブロック図である。データ生成装置300は、モデル作成部235が頻度データ生成部301、差分算出部302及び補正部303を有することを除いて、図4のデータ生成装置2と同様の構成となっている。
以上説明したように、本実施の形態のモデル作成装置(制御部23)は、車両Tが走行中に測定された車両Tの高速道路区間を走行中の時系列データを学習用時系列データとして取得する学習用時系列データ取得部231と、学習用時系列データに関する発生頻度分布を示す学習用頻度データを取得する学習用頻度データ取得部232と、学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより、頻度データが入力されたことに応じて生成時系列データを出力する機械学習モデルMを作成するモデル作成部235と、を有する。
2、300 データ生成装置
21 通信部
22 記憶部
23 制御部
231 時系列データ取得部
232 学習用頻度データ取得部
233 生成用頻度データ取得部
234 データ出力部
235 モデル作成部
236 データ生成部
301 頻度データ生成部
302 差分算出部
303 補正部
M 機械学習モデル
S データ生成システム
T 車両
Claims (4)
- 車両が高速道路区間を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、
前記車両の高速道路区間走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するデータ生成部と、
前記機械学習モデルから出力される前記生成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生成頻度データとして得る頻度データ生成部と、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分を算出する差分算出部と、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分算出部により算出された差分が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正する補正部と、
を備え、
前記補正部は、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する、
データ生成装置。 - 前記補正部は、前記生成時系列データから所定の時間間隔t1で所定長さT0の生成時系列データを複数切り出し、かつ、切り出した複数の時間長T0の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長T0の生成時系列データを選択して出力する、
請求項1に記載のデータ生成装置。 - 前記補正部は、
前記生成時系列データから所定の時間間隔t1で所定長さT0の生成時系列データを複数切り出し、かつ、切り出した複数の時間長T0の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長T0の生成時系列データを選択し、
選択した時間長T0の周辺領域の生成時系列データに対して、前記時間間隔t1よりも短い時間間隔t2で所定長さT0の生成時系列データを複数切り出し、かつ、切り出した複数の時間長T0の生成時系列データの中から、前記差分算出部の差分値が最も小さい頻度データに対応する時間長T0の生成時系列データを選択して出力する、
請求項1に記載のデータ生成装置。 - コンピューターが実行するデータ生成方法であって、
車両が高速道路区間を走行中に測定された前記車両の走行中の時系列データから前記時系列データに関する発生頻度分布を示す頻度データを取得するステップと、
前記車両の走行中の学習用時系列データと、それに対応する学習用頻度データと、を教師データとして差分に基づく重み付け処理を用いて機械学習することにより得られた機械学習モデルに、前記頻度データを入力することにより、前記頻度データに対応する時系列データである生成時系列データを生成するステップと、
前記機械学習モデルから出力される前記生成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生成頻度データとして得るステップと、
前記機械学習モデルに入力した前記頻度データと前記生成頻度データとの差分値を算出するステップと、
前記機械学習モデルから出力される前記生成時系列データの中から、前記差分値が小さくなるような生成時系列データを選択して出力することで、前記生成時系列データを補正するステップと、
を含み、
前記生成時系列データを補正するステップでは、前記生成時系列データから互いに異なる時間の複数の生成時系列データを切り出し、かつ、切り出した複数の生成時系列データの中から、前記差分値が最も小さい頻度データに対応する生成時系列データを選択して出力する、
データ生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022154997A JP7487759B2 (ja) | 2022-09-28 | 2022-09-28 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022154997A JP7487759B2 (ja) | 2022-09-28 | 2022-09-28 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2024048863A JP2024048863A (ja) | 2024-04-09 |
JP7487759B2 true JP7487759B2 (ja) | 2024-05-21 |
Family
ID=90609261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022154997A Active JP7487759B2 (ja) | 2022-09-28 | 2022-09-28 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7487759B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012168037A (ja) | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
WO2019163141A1 (ja) | 2018-02-26 | 2019-08-29 | 株式会社日立情報通信エンジニアリング | 状態予測装置および状態予測制御方法 |
JP2021051638A (ja) | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | 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 |
US20220080980A1 (en) | 2020-09-15 | 2022-03-17 | Hyundai Motor Company | Device for predicting speed of vehicle and method thereof |
-
2022
- 2022-09-28 JP JP2022154997A patent/JP7487759B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012168037A (ja) | 2011-02-15 | 2012-09-06 | Toyota Central R&D Labs Inc | 速度予測装置及びプログラム |
WO2019163141A1 (ja) | 2018-02-26 | 2019-08-29 | 株式会社日立情報通信エンジニアリング | 状態予測装置および状態予測制御方法 |
JP2021051638A (ja) | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | 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 |
US20220080980A1 (en) | 2020-09-15 | 2022-03-17 | Hyundai Motor Company | Device for predicting speed of vehicle and method thereof |
Also Published As
Publication number | Publication date |
---|---|
JP2024048863A (ja) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415048B (zh) | 一种基于强化学习的车辆路径规划方法 | |
Mo et al. | A physics-informed deep learning paradigm for car-following models | |
JP7230755B2 (ja) | モデル作成装置及びモデル作成方法 | |
US20220187087A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
JP7230754B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7163893B2 (ja) | モデル評価装置及びモデル評価方法 | |
JP7243553B2 (ja) | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 | |
JP7226226B2 (ja) | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 | |
JP7163894B2 (ja) | モデル作成装置及びモデル作成方法 | |
CN112580801B (zh) | 一种强化学习训练方法及基于强化学习的决策方法 | |
Wang et al. | Autonomous ramp merge maneuver based on reinforcement learning with continuous action space | |
CN114556248A (zh) | 用于确定传感器配置的方法 | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
Han et al. | Ensemblefollower: A hybrid car-following framework based on reinforcement learning and hierarchical planning | |
JP7487759B2 (ja) | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 | |
JP7409420B2 (ja) | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 | |
US20230297958A1 (en) | Policy creation apparatus, control apparatus, policy creation method, and non-transitory computer readable medium storing program | |
CN113682302A (zh) | 一种驾驶状态估计方法、装置、电子设备及存储介质 | |
Naing et al. | Dynamic car-following model calibration with deep reinforcement learning | |
JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
US20230376832A1 (en) | Calibrating parameters within a virtual environment using reinforcement learning | |
JP7409421B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7444187B2 (ja) | モデル作成装置及びモデル作成方法 | |
JP7447926B2 (ja) | モデル作成装置及びモデル作成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240319 |
|
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: 20240409 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240422 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7487759 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |