JPWO2020069517A5 - - Google Patents

Download PDF

Info

Publication number
JPWO2020069517A5
JPWO2020069517A5 JP2021542074A JP2021542074A JPWO2020069517A5 JP WO2020069517 A5 JPWO2020069517 A5 JP WO2020069517A5 JP 2021542074 A JP2021542074 A JP 2021542074A JP 2021542074 A JP2021542074 A JP 2021542074A JP WO2020069517 A5 JPWO2020069517 A5 JP WO2020069517A5
Authority
JP
Japan
Prior art keywords
vehicle
rider
neural network
clause
emotional state
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.)
Granted
Application number
JP2021542074A
Other languages
Japanese (ja)
Other versions
JP2021533037A (en
JP7465484B2 (en
Publication date
Application filed filed Critical
Priority claimed from PCT/US2019/053857 external-priority patent/WO2020069517A2/en
Publication of JP2021533037A publication Critical patent/JP2021533037A/en
Publication of JPWO2020069517A5 publication Critical patent/JPWO2020069517A5/ja
Application granted granted Critical
Publication of JP7465484B2 publication Critical patent/JP7465484B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Description

当業者は、本発明システムの機能的利点を享受するために多数の設計構成が可能であることを理解することができる。従って、本開示の実施形態の多種多様な構成及び配置を考慮すると、本開示の範囲は、上述の実施形態によって狭められるのではなく、以下の特許請求の範囲の広さによって反映される。
以上に説明した実施形態に基づくものとして、例えば以下に述べる態様のものが考えられる。
（１）
輸送システムであって、
車両動作状態を有する車両と、
遺伝的アルゴリズムを実行して、初期の車両動作状態から変異を生成し、少なくとも１つの最適化された車両動作状態を決定する人工知能システムと、を含むことを特徴とする輸送システム。
（２）
前記車両動作状態は、車両パラメータ値のセットを含み、
前記遺伝的アルゴリズムは、
対応する時間帯のセットに対して前記車両パラメータ値のセットを変化させ、前記対応する時間帯に車両が前記車両パラメータ値のセットに従って動作するようにすること、
前記対応する時間帯の各々について、尺度のセットに従って前記車両動作状態を評価し、評価結果を生成すること、
及び、前記評価結果に基づいて、将来の前記車両の動作のために、最適化された車両パラメータ値のセットを選択すること、を実行することを特徴とする（１）項記載の輸送システム。
（３）
前記車両動作状態は、車両の乗り手の状態を含み、
前記少なくとも１つの最適化された車両動作状態が、前記乗り手の最適化された状態を含むと共に、前記遺伝的アルゴリズムが、前記乗り手の状態を最適化するものであり、
前記尺度のセットに従って評価することは、前記車両パラメータ値に対応する前記乗り手の状態を決定することであることを特徴とする（２）項記載の輸送システム。
（４）
前記車両動作状態は、前記車両の前記乗り手の状態を含み、
前記車両パラメータ値のセットは、車両性能制御値のセットを含み、
前記少なくとも１つの最適化された車両動作状態が、前記車両の性能の最適化された状態を含むと共に、前記遺伝的アルゴリズムが、前記乗り手の状態と前記車両の性能の状態とを最適化するものであり、
前記尺度のセットに従って評価することは、前記車両性能制御値に対応する前記乗り手の状態及び前記車両の性能の状態を決定することであることを特徴とする（３）項記載の輸送システム。
（５）
前記車両パラメータ値のセットは、車両性能制御値のセットを含み、
前記少なくとも１つの最適化された車両動作状態は、前記車両の性能の最適化された状態を含み、
前記遺伝的アルゴリズムは、前記車両の性能の状態を最適化するものであり、
前記尺度のセットに従って評価することは、前記車両性能制御値に対応する前記車両の性能の状態を決定することであることを特徴とする（２）項記載の輸送システム。
（６）
前記車両パラメータ値のセットは、乗り手占有パラメータ値を含み、
前記乗り手占有パラメータ値は、前記車両内に乗り手が存在することを肯定するものであることを特徴とする（２）項記載の輸送システム。
（７）
前記車両動作状態は、前記車両の乗り手の状態を含み、
前記少なくとも１つの最適化された車両動作状態が、前記乗り手の最適化された状態を含むと共に、前記遺伝的アルゴリズムが、前記乗り手の状態を最適化するものであり、
前記尺度のセットに従って評価することは、前記車両パラメータ値に対応する前記乗り手の状態を決定することであることを特徴とする（６）項記載の輸送システム。
（８）
前記乗り手の状態が、乗り手満足度パラメータを含むことを特徴とする（７）項記載の輸送システム。
（９）
前記乗り手の状態は、前記乗り手を表す入力を含み、
前記乗り手を表す入力は、乗り手状態パラメータ、乗り手快適性パラメータ、乗り手感情状態パラメータ、乗り手満足度パラメータ、乗り手目標パラメータ、外出の分類、及びこれらの組み合わせ、からなるグループから選択されることを特徴とする（７）項記載の輸送システム。
（１０）
前記車両パラメータ値のセットは、車両性能制御値のセットを含み、
前記少なくとも１つの最適化された車両動作状態が、前記車両の性能の最適化された状態を含むと共に、前記遺伝的アルゴリズムが、前記乗り手の状態及び前記車両の性能の状態を最適化するものであり、
前記尺度のセットに従って評価することは、前記車両性能制御値に対応する前記乗り手の状態及び前記車両の性能の状態を決定することであることを特徴とする（７）項記載の輸送システム。
（１１）
前記車両パラメータ値のセットは、車両性能制御値のセットを含み、
前記少なくとも１つの最適化された車両動作状態は、前記車両の性能の最適化された状態を含み、
前記遺伝的アルゴリズムは、前記車両の性能の状態を最適化するものであり、
前記尺度のセットに応じて評価することは、前記車両性能制御値に対応する前記車両の性能の状態を決定することであることを特徴とする（６）項記載の輸送システム。
（１２）
前記車両性能制御値のセットは、燃料効率、走行期間、車両耐久力、車両メーカ、車両モデル、車両エネルギー消費プロファイル、燃料容量、リアルタイム燃料レベル、充電容量、充電能力、回生ブレーキ状態、及びこれらの組み合わせ、からなる群から選択されることを特徴とする（１１）項記載の輸送システム。
（１３）
前記車両性能制御値のセットの少なくとも一部が、オンボード診断システム、テレメトリシステム、ソフトウェアシステム、車両に配置されたセンサ、及び車両外部のシステムのうち、少なくとも１つから供給されることを特徴とする（１１）項記載の輸送システム。
（１４）
前記尺度のセットは、車両動作基準のセットに関連することを特徴とする（２）項記載の輸送システム。
（１５）
前記尺度のセットは、乗り手満足度基準のセットに関することを特徴とする（２）項記載の輸送システム。
（１６）
前記尺度のセットは、車両動作基準と乗り手満足度基準との組み合わせに関連することを特徴とする（２）項記載の輸送システム。
（１７）
前記評価結果の各々は、前記車両の性能の状態と前記乗り手の状態との、少なくとも一方に対する影響を示すフィードバックを用いることを特徴とする（２）項記載の輸送システム。
（１８）
輸送システムであって、
車両の状態を表す入力と、前記車両の前記状態中に前記車両に乗っている乗り手の乗り手状態を表す入力とを、前記車両の前記状態又は前記乗り手状態に影響を与える車両パラメータのセットを最適化するために、遺伝的アルゴリズムで処理する人工知能システムを含み、
前記遺伝的アルゴリズムは、前記入力のバリエーションを使用して一連の評価を実行し、
前記一連の評価の各評価は、車両動作状態及び前記乗り手の状態のうち、少なくとも１つに対する影響を示すフィードバックを使用することを特徴とする輸送システム。
（１９）
前記乗り手状態を表す入力は、前記乗り手が前記車両から不在であることを示すことを特徴とする（１８）項記載の輸送システム。
（２０）
前記車両の前記状態は、前記車両動作状態を含むことを特徴とする（１８）項記載の輸送システム。
（２１）
車両パラメータの前記セットの中の車両パラメータは、車両性能パラメータを含むことを特徴とする（１８）項記載の輸送システム。
（２２）
前記遺伝的アルゴリズムは、前記乗り手の前記状態に合わせて、車両パラメータの前記セットを最適化することを特徴とする（１８）項記載の輸送システム。
（２３）
車両パラメータの前記セットを最適化することは、前記遺伝的アルゴリズムによって、好ましい乗り手状態を生み出す少なくとも１つの車両パラメータが特定されたことに応答することを特徴とする（２２）項記載の輸送システム。
（２４）
遺伝的アルゴリズムは、車両性能について車両パラメータの前記セットを最適化するものであることを特徴とする（１８）項記載の輸送システム。
（２５）
前記遺伝的アルゴリズムは、前記乗り手の前記状態について車両パラメータの前記セットを最適化すると共に、車両性能について車両パラメータの前記セットを最適化することを特徴とする（１８）項記載の輸送システム。
（２６）
車両パラメータの前記セットを最適化することは、前記遺伝的アルゴリズムが、有利な車両動作状態と、前記乗り手状態を維持する有利な車両性能とのうち、少なくとも１つを特定することに応答することを特徴とする（２５）項記載の輸送システム。
（２７）
前記人工知能システムは、複数の異なるニューラルネットワークから選択されたニューラルネットワークを更に含み、
前記ニューラルネットワークの前記選択が、遺伝的アルゴリズムを含むと共に、前記ニューラルネットワークの前記選択が、前記複数の異なるニューラルネットワーク間の構造化された競争に基づいていることを特徴とする（１８）項記載の輸送システム。
（２８）
前記遺伝的アルゴリズムは、複数の車両動作システムと乗り手の間の相互作用を処理して、前記最適化された車両パラメータのセットを生成するために、ニューラルネットワークを訓練することを容易にすることを特徴とする（１８）項記載の輸送システム。
（２９）
少なくとも１つの車両パラメータに関連する入力のセットは、オンボード診断システム、テレメトリシステム、車両に設置されたセンサ、及び車両外部のシステムのうち、少なくとも１つによって提供されることを特徴とする（１８）項記載の輸送システム。
（３０）
前記乗り手状態を表す前記入力が、快適性、感情状態、満足度、目標、走行の分類、又は疲労のうち、少なくとも１つを含むことを特徴とする（１８）項記載の輸送システム。
（３１）
前記乗り手状態を表す前記入力は、ドライバ、フリートマネージャ、広告主、商人、オーナー、オペレータ、保険会社、及び規制当局のうちの、少なくとも１つの満足度パラメータを反映していることを特徴とする（１８）項記載の輸送システム。
（３２）
前記乗り手状態を表す前記入力は、認知システムで処理されたときに前記乗り手状態をもたらす、ユーザに関する入力を含むことを特徴とする（１８）項記載の輸送システム。
（３３）
輸送システムであって、
車両の無段変速パワートレインの動作状態を最適化するためのハイブリッドニューラルネットワークを含み、
前記ハイブリッドニューラルネットワークの一部分は、前記車両の状態を分類して、前記車両の分類された状態を生成するように動作し、前記ハイブリッドニューラルネットワークの他の部分は、前記無段変速パワートレインのトランスミッション部分の、少なくとも１つの動作パラメータを最適化するように動作することを特徴とする輸送システム。
（３４）
少なくとも１つのプロセッサ上で動作する人工知能システムを更に含み、
前記人工知能システムは、前記車両の前記状態を分類するために動作するように、前記ハイブリッドニューラルネットワークの前記一部分を操作すると共に、前記人工知能システムは、前記車両の前記分類された状態に基づいて、前記無段変速パワートレインの前記トランスミッション部分の、前記少なくとも１つの動作パラメータを最適化するように、前記ハイブリッドニューラルネットワークの前記他の部分を操作することを特徴とする（３３）項記載の輸送システム。
（３５）
前記車両は、前記車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（３４）項記載の輸送システム。
（３６）
前記車両は、少なくとも半自律的な車両であることを特徴とする（３５）項記載の輸送システム。
（３７）
前記車両は、自動的にルーティングされるようになっていることを特徴とする（３６）項記載の輸送システム。
（３８）
前記車両は、自動運転車両であることを特徴とする（３７）項記載の輸送システム。
（３９）
前記車両の前記分類された状態は、車両メンテナンス状態であることを特徴とする（３４）項記載の輸送システム。
（４０）
前記車両の前記分類された状態は、車両健全状態であることを特徴とする（３４）項記載の輸送システム。
（４１）
前記車両の前記分類された状態は、車両動作状態であることを特徴とする（３４）項記載の輸送システム。
（４２）
前記車両の前記分類された状態は、車両エネルギー利用状態であることを特徴とする（３４）項記載の輸送システム。
（４３）
前記車両の前記分類された状態は、車両充電状態であることを特徴とする（３４）項記載の輸送システム。
（４４）
前記車両の前記分類された状態は、車両満足度状態であることを特徴とする（３４）項記載の輸送システム。
（４５）
前記車両の前記分類された状態は、車両コンポーネント状態であることを特徴とする（３４）項記載の輸送システム。
（４６）
前記車両の前記分類された状態は、車両サブシステム状態であることを特徴とする（３４）項記載の輸送システム。
（４７）
前記車両の前記分類された状態は、車両パワートレインシステム状態であることを特徴とする（３４）項記載の輸送システム。
（４８）
前記車両の前記分類された状態は、車両ブレーキシステム状態であることを特徴とする（３４）項記載の輸送システム。
（４９）
前記車両の前記分類された状態は、車両クラッチシステム状態であることを特徴とする（３４）項記載の輸送システム。
（５０）
前記車両の前記分類された状態は、車両潤滑システム状態であることを特徴とする（３４）項記載の輸送システム。
（５１）
前記車両の前記分類された状態は、車両輸送インフラシステム状態であることを特徴とする（３４）項記載の輸送システム。
（５２）
前記車両の前記分類された状態は、車両乗り手状態であることを特徴とする（３４）項記載の輸送システム。
（５３）
前記ハイブリッドニューラルネットワークの少なくとも一部は、畳み込みニューラルネットワークであることを特徴とする（３４）項記載の輸送システム。
（５４）
車両の無段変速パワートレインの動作を最適化する方法であって、
ハイブリッドニューラルネットワークの第１ネットワークを、少なくとも１つのプロセッサ上で実行することであって、前記第１ネットワークは、前記車両の複数の動作状態を分類し、前記動作状態の少なくとも一部が、前記車両の前記無段変速パワートレインの状態に基づいていること、及び、
前記ハイブリッドニューラルネットワークの第２ネットワークを、前記少なくとも１つのプロセッサ上で実行することであって、前記第２ネットワークは、前記車両の分類された前記複数の動作状態のうちの少なくとも１つについて、前記車両と、前記車両の乗員に関連する少なくとも１つの検出された状態とを記述する入力を処理し、前記第２ネットワークによる前記入力の処理が、前記車両の複数の前記動作状態について、前記車両の前記無段変速パワートレインの少なくとも１つの動作パラメータの最適化をもたらすこと、を含むことを特徴とする方法。
（５５）
前記車両が人工知能システムを含み、
当該方法は、前記人工知能システムによって、前記車両の少なくとも１つの制御パラメータを自動化することを、更に含むことを特徴とする（５４）項記載の方法。
（５６）
前記車両が、少なくとも半自律型の車両であることを特徴とする（５５）項記載の方法。
（５７）
前記車両が、自動的にルーティングされるものであることを特徴とする（５６）項記載の方法。
（５８）
前記車両が、自動運転車両であることを特徴とする（５６）項記載の方法。
（５９）
前記人工知能システムにより、前記無段変速パワートレインの前記最適化された少なくとも１つの動作パラメータに基づいて、前記車両の前記無段変速パワートレインの動作状態を最適化し、このとき、前記無段変速パワートレインのトランスミッション部分の、少なくとも１つの他の動作パラメータを調整することによって最適化すること、を更に含むことを特徴とする（５５）項記載の方法。
（６０）
前記人工知能システムにより、複数のソーシャルデータソースからのソーシャルデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化することを、更に含むことを特徴とする（５９）項記載の方法。
（６１）
前記人工知能システムにより、非構造化データソースからのデータのストリームから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６２）
前記人工知能システムにより、ウェアラブルデバイスから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６３）
前記人工知能システムにより、車載センサから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６４）
前記人工知能システムにより、乗り手のヘルメットから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６５）
前記人工知能システムにより、乗り手のヘッドギアから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６６）
前記人工知能システムにより、乗り手のボイスシステムから供給されたデータを処理することで、前記無段変速パワートレインの前記動作状態を最適化すること、を更に含むことを特徴とする（５９）項記載の方法。
（６７）
前記人工知能システムにより、前記ハイブリッドニューラルネットワークの第３ネットワークを動作させて、前記車両の前記分類された複数の動作状態のうちの少なくとも１つと、前記トランスミッションの少なくとも１つの動作パラメータとに、少なくとも部分的に基づいて、前記車両の状態を予測すること、を更に含むことを特徴とする（５５）項記載の方法。
（６８）
前記ハイブリッドニューラルネットワークの前記第１ネットワークは、前記ハイブリッドニューラルネットワークの前記第１ネットワークの動作結果に応じて、前記第１ネットワークの構造を適応させる構造適応型ネットワークを含むことを特徴とする（５５）項記載の方法。
（６９）
前記ハイブリッドニューラルネットワークの前記第１ネットワークは、ソーシャルデータソースからの複数のソーシャルデータを処理して、前記車両の前記複数の動作状態を分類するものであることを特徴とする（５５）項記載の方法。
（７０）
前記ハイブリッドニューラルネットワークの少なくとも一部が、畳み込みニューラルネットワークであることを特徴とする（５５）項記載の方法。
（７１）
前記車両の前記分類された複数の動作状態のうちの少なくとも１つは、車両メンテナンス状態であることを特徴とする（５４）項記載の方法。
（７２）
前記車両の前記分類された複数の動作状態のうちの少なくとも１つは、車両健全状態であることを特徴とする（５４）項記載の方法。
（７３）
前記車両の前記分類された状態の少なくとも１つは、車両動作状態であることを特徴とする（５４）項記載の方法。
（７４）
前記車両の前記分類された状態の少なくとも１つは、車両エネルギー利用状態であることを特徴とする（５４）項記載の方法。
（７５）
前記車両の前記分類された状態の少なくとも１つは、車両充電状態であることを特徴とする（５４）項記載の方法。
（７６）
前記車両の前記分類された状態の少なくとも１つは、車両満足度状態であることを特徴とする（５４）項記載の方法。
（７７）
前記車両の前記分類された状態の少なくとも１つは、車両コンポーネント状態であることを特徴とする（５４）項記載の方法。
（７８）
前記車両の前記分類された状態の少なくとも１つは、車両サブシステム状態であることを特徴とする（５４）項記載の方法。
（７９）
前記車両の前記分類された状態の少なくとも１つは、車両パワートレインシステム状態であることを特徴とする（５４）項記載の方法。
（８０）
前記車両の前記分類された状態の少なくとも１つは、車両ブレーキシステム状態であることを特徴とする（５４）項記載の方法。
（８１）
前記車両の前記分類された状態の少なくとも１つは、車両クラッチシステム状態であることを特徴とする（５４）項記載の方法。
（８２）
前記車両の前記分類された状態の少なくとも１つは、車両潤滑システム状態であることを特徴とする（５４）項記載の方法。
（８３）
前記車両の前記分類された状態の少なくとも１つは、車両輸送インフラシステム状態であることを特徴とする（５４）項記載の方法。
（８４）
前記車両の前記分類された状態の少なくとも１つは、車両ドライバ状態であることを特徴とする（５４）項記載の方法。
（８５）
前記車両の前記分類された状態の少なくとも１つは、車両乗り手状態であることを特徴とする（５４）項記載の方法。
（８６）
輸送システムであって、
指定された車両のセット間の交渉を促進することによって決定されたルーティングパラメータに基づいて、車両のセット内の少なくとも１つの車両をルーティングする認知システムを含み、
前記交渉は、ルートの少なくとも１つのパラメータへ少なくとも１人のユーザによって帰された値に、関連する入力を受け入れることを特徴とする輸送システム。
（８７）
交渉ベースで車両をルーティングする方法であって、
車両のセット内の少なくとも１つの車両をルーティングするために、車両ルーティングシステムによって使用される複数のパラメータについて、ルート調整値の交渉を促進すること、及び、
前記交渉に基づいて、少なくとも１つの結果を最適化するためのパラメータを、前記複数のパラメータの中から決定すること、を含むことを特徴とする方法。
（８８）
車両ベースのルート交渉インタフェースを介して、車両の前記セット内の前記少なくとも１つの車両をルーティングするために前記車両ルーティングシステムによって使用される前記複数のパラメータについての、ユーザ指示値のセットを取り込むこと、を更に含むことを特徴とする（８７）項記載の方法。
（８９）
ユーザが、前記少なくとも１つの車両の乗り手であることを特徴とする（８８）項記載の方法。
（９０）
ユーザが、車両の前記セット内の前記少なくとも１つの車両によって使用される、道路のセットの管理者であることを特徴とする（８８）項記載の方法。
（９１）
ユーザが、車両の前記セットを含む車両のフリートの管理者であることを特徴とする（８８）項記載の方法。
（９２）
前記複数のパラメータについてオファーされたユーザ指示値のセットを、車両の前記セットに関するユーザへ提供すること、を更に含むことを特徴とする（８７）項記載の方法。
（９３）
前記ルート調整値は、オファーされたユーザ指示値の前記セットに少なくとも部分的に基づいていることを特徴とする（９２）項記載の方法。
（９４）
前記ルート調整値は、前記提供に対する少なくとも１つのユーザ応答に更に基づいていることを特徴とする（９２）項記載の方法。
（９５）
オファーされたユーザ指示値の前記セットに対する、車両の前記セットの前記ユーザによる応答を監視すること、を更に含むことを特徴とする（９２）項記載の方法。
（９６）
前記ルート調整値は、オファーされたユーザ指示値の前記セットと、該セットに対する、車両の前記セットの少なくとも１人のユーザによる少なくとも１つの応答とに、少なくとも部分的に基づいていることを特徴とする（９２）項記載の方法。
（９７）
前記決定されたパラメータは、車両の前記セット内の前記少なくとも１つの車両の、ルートの調整を容易にすることを特徴とする（９２）項記載の方法。
（９８）
前記ルートを調整することは、前記車両ルーティングシステムによる使用のために、前記決定されたパラメータに優先順位を付けることを含むことを特徴とする（９２）項記載の方法。
（９９）
前記交渉を促進することは、サービスの価格の交渉を促進することを含むことを特徴とする（９２）項記載の方法。
（１００）
前記交渉を促進することは、燃料の価格の交渉を促進することを含むことを特徴とする（９２）項記載の方法。
（１０１）
前記交渉を促進することは、充電の価格の交渉を促進することを含むことを特徴とする（９２）項記載の方法。
（１０２）
前記交渉を促進することは、ルーティング行動を取るための報酬の交渉を促進することを含むことを特徴とする（９２）項記載の方法。
（１０３）
交渉ベースの車両ルーティングのための輸送システムであって、
車両のセット内の少なくとも１つの車両をルーティングするために、車両ルーティングシステムによって使用される複数のパラメータのうちの少なくとも１つについて、ユーザのセット内のユーザがルート調整値を交渉するルート調整交渉システムと、
前記複数のパラメータのうちの前記少なくとも１つについての前記ルート調整値に基づいて、車両の前記セットの少なくとも１人のユーザの、ルートの一部を最適化するユーザルート最適化回路と、を含むことを特徴とする輸送システム。
（１０４）
前記ルート調整値は、ユーザ指示値と、該ユーザ指示値に対する、車両の前記セットの少なくとも１人のユーザによる少なくとも１つの交渉応答とに、少なくとも部分的に基づいていることを特徴とする（１０３）項記載の輸送システム。
（１０５）
前記車両ルーティングシステムによって使用される前記複数のパラメータについての、ユーザ指示値が取得される車両ベースルート交渉インタフェースを更に含むことを特徴とする（１０３）項記載の輸送システム。
（１０６）
ユーザが、前記少なくとも１つの車両の乗り手であることを特徴とする（１０５）項記載の輸送システム。
（１０７）
ユーザが、車両の前記セット内の前記少なくとも１つの車両により使用される、道路のセットの管理者であることを特徴とする（１０５）項記載の輸送システム。
（１０８）
ユーザが、車両の前記セットを含む車両フリートの管理者であることを特徴とする（１０５）項記載の輸送システム。
（１０９）
前記複数のパラメータのうちの前記少なくとも１つは、前記少なくとも１つの車両のルートを調整することを特徴とする（１０５）項記載の輸送システム。
（１１０）
前記ルートを調整することは、前記車両ルーティングシステムが使用するために決定されたパラメータに、優先順位を付けることを含むことを特徴とする（１０９）項記載の輸送システム。
（１１１）
前記ユーザ指示値のうちの少なくとも１つは、１つ又は複数のルートパラメータの評価の表現を容易にするためのインタフェースを介して、前記複数のパラメータのうちの少なくとも１つに帰属することを特徴とする（１０５）項記載の輸送システム。
（１１２）
前記車両ベースルート交渉インタフェースは、１つ又は複数のルートパラメータの評価の表現を容易にすることを特徴とする（１０５）項記載の輸送システム。
（１１３）
前記ユーザ指示値は、前記ユーザの行動から得られることを特徴とする（１０５）項記載の輸送システム。
（１１４）
前記車両ベースルート交渉インタフェースは、ユーザ行動を前記ユーザ指示値に変換することを容易にすることを特徴とする（１０５）項記載の輸送システム。
（１１５）
前記ユーザ行動は、車両の前記セット内の少なくとも１つの車両のルートに影響を与えるために、前記車両ルーティングシステムによって使用される、少なくとも１つのパラメータに付与された値を反映することを特徴とする（１１４）項記載の輸送システム。
（１１６）
少なくとも１人のユーザによって示されたユーザ指示値は、前記ユーザによって提供された価値のあるアイテムに相関することを特徴とする（１１４）項記載の輸送システム。
（１１７）
前記価値のあるアイテムは、前記少なくとも１つのパラメータに基づくルーティングの結果と引き換えに、前記価値のあるアイテムを提供することによって、前記ユーザによって提供されることを特徴とする（１１６）項記載の輸送システム。
（１１８）
前記ルート調整値の前記交渉は、車両の前記セットの前記ユーザへ、価値のあるアイテムを提供することを含むことを特徴とする（１０３）項記載の輸送システム。
（１１９）
輸送システムであって、
指定された車両のセット間の調整を促進することで決定されたルーティングパラメータのセットに基づいて、車両のセット内の少なくとも１つの車両をルーティングする認知システムを含み、
前記調整は、前記指定された車両のセット内の車両のユーザのための、少なくとも１つのゲームベースインタフェースから、少なくとも１つの入力を取得することによって達成されることを特徴とする輸送システム。
（１２０）
ルーティングパラメータの前記セットに基づいて、前記少なくとも１つの車両をルーティングする車両ルーティングシステムと、
ゲームベースインタフェースで提供されるゲームアクティビティを実行するために、車両の前記セット内の少なくとも１つの車両に対するルーティングの優先順位を、ユーザが示す前記ゲームベースインタフェースと、を更に含み、
前記ゲームベースインタフェースは、ルーティングパラメータの前記セットに基づいて、有利なルーティング選択肢のセットを行うように、前記ユーザを仕向けるものであることを特徴とする（１１９）項記載の輸送システム。
（１２１）
前記車両ルーティングシステムは、車両の前記セット内の前記少なくとも１つの車両をルーティングする際に、前記ユーザのルーティングの好みを考慮することを特徴とする（１２０）項記載の輸送システム。
（１２２）
前記ゲームベースインタフェースが、車両内での使用のために配置されていることを特徴とする（１２０）項記載の輸送システム。
（１２３）
前記ユーザが、前記少なくとも１つの車両の乗り手であることを特徴とする（１２０）項記載の輸送システム。
（１２４）
前記ユーザが、車両の前記セット内の前記少なくとも１つの車両によって使用される、道路のセットの管理者であることを特徴とする（１２０）項記載の輸送システム。
（１２５）
ユーザが、車両の前記セットを含む車両のフリートの管理者であることを特徴とする（１２０）項記載の輸送システム。
（１２６）
ルーティングパラメータの前記セットは、交通渋滞、希望到着時間、優先ルート、燃料効率、汚染削減、事故回避、悪天候の回避、悪路の回避、燃料消費量の削減、二酸化炭素排出量の削減、地域での騒音の削減、犯罪多発地域の回避、集団的満足度、最大速度制限、有料道路の回避、市道の回避、分断されていない高速道路の回避、左折の回避、運転手が操作する車両の回避、のうちの少なくとも１つを含むことを特徴とする（１２０）項記載の輸送システム。
（１２７）
前記ゲームベースインタフェースで提供されるゲームアクティビティが、コンテストを含むことを特徴とする（１２０）項記載の輸送システム。
（１２８）
前記ゲームベースインタフェースで提供されるゲームアクティビティが、娯楽ゲームを含むことを特徴とする（１２０）項記載の輸送システム。
（１２９）
前記ゲームベースインタフェースで提供されるゲームアクティビティが、対戦ゲームを含むことを特徴とする（１２０）項記載の輸送システム。
（１３０）
前記ゲームベースインタフェースで提供されるゲームアクティビティが、戦略ゲームを含むことを特徴とする（１２０）項記載の輸送システム。
（１３１）
前記ゲームベースインタフェースで提供されるゲームアクティビティが、スカベンジャーハントを含むことを特徴とする（１２０）項記載の輸送システム。
（１３２）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが燃料効率の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３３）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが交通量削減の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３４）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが汚染低減の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３５）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが二酸化炭素排出量削減の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３６）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが近隣のノイズ低減の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３７）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが集団的満足度の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３８）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが事故現場回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１３９）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが犯罪多発地域の回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４０）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが交通渋滞低減の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４１）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが悪天候回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４２）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが最大移動時間の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４３）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが最大速度制限の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４４）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが有料道路回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４５）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが市道回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４６）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが分割されていない高速道路の回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４７）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが左折回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４８）
有利なルーティング選択肢の前記セットは、前記車両ルーティングシステムが運転者操作車両の回避の目的を達成するように構成されていることを特徴とする（１２０）項記載の輸送システム。
（１４９）
ゲームベースで調整された車両ルーティングの方法であって、
ゲームベースインタフェースにおいて、車両ルート優先度に影響を与えるゲームアクティビティを提示すること、
前記ゲームベースインタフェースを介して、前記提示されたゲームアクティビティに対するユーザ応答を受信すること、
前記受信した応答に応じて、前記ユーザのルーティング優先度を調整すること、
車両をルーティングするために使用される少なくとも１つの車両ルーティングパラメータを、車両をルーティングするための調整された前記ルーティング優先度を反映するように決定すること、及び、
前記車両ルーティングシステムを用いて、調整された前記ルーティング優先度を反映するように調整された、少なくとも１つの決定された車両ルーティングパラメータに応じて、車両のセット内の車両をルーティングすること、を含み
前記車両のルーティングは、車両の前記セット内の少なくとも複数の車両について決定された、ルーティングパラメータを調整することを含むことを特徴とする方法。
（１５０）
前記ゲームベースインタフェースによって、前記ゲームアクティビティを受け入れるための報酬値を示すことを更に含むことを特徴とする（１４９）項記載の方法。
（１５１）
前記ゲームベースインタフェースは、前記ゲームアクティビティを受け入れるための前記報酬値を乗り手が交渉するための、ルーティング優先度交渉システムを更に含むことを特徴とする（１５０）項記載の方法。
（１５２）
前記報酬値は、車両の前記セット内の乗り手からの、価値のある寄与をプールした結果であることを特徴とする（１５０）項記載の方法。
（１５３）
車両の前記セット内の前記車両をルーティングするために、前記車両ルーティングシステムによって使用される少なくとも１つのルーティングパラメータは、前記ゲームアクティビティに関連付けられており、前記ゲームアクティビティのユーザの受け入れは、前記ルーティング優先度を反映するように、前記少なくとも１つのルーティングパラメータを調整することを特徴とする（１４９）項記載の方法。
（１５４）
前記提示されたゲームアクティビティに対する前記ユーザ応答が、前記ゲームベースインタフェースとのユーザの相互作用から得られることを特徴とする（１４９）項記載の方法。
（１５５）
車両の前記セット内の前記車両をルーティングするために、前記車両ルーティングシステムによって使用される前記少なくとも１つのルーティングパラメータは、交通渋滞、所望の到着時間、優先ルート、燃料効率、汚染低減、事故回避、悪天候の回避、悪路の回避、燃料消費量の低減、二酸化炭素排出量の低減、地域騒音の低減、犯罪多発地域の回避、集団的満足度、最大速度制限、有料道路の回避、市道の回避、分断されていない高速道路の回避、左折の回避、及び運転手が操作する車両の回避、のうちの少なくとも１つを含むことを特徴とする（１４９）項記載の方法。
（１５６）
前記ゲームベースインタフェースで提示される前記ゲームアクティビティが、コンテストを含むことを特徴とする（１４９）項記載の方法。
（１５７）
前記ゲームベースインタフェースで提示される前記ゲームアクティビティが、娯楽ゲームを含むことを特徴とする（１４９）項記載の方法。
（１５８）
前記ゲームベースインタフェースで提示される前記ゲームアクティビティが、対戦ゲームを含むことを特徴とする（１４９）項記載の方法。
（１５９）
前記ゲームベースインタフェースで提示される前記ゲームアクティビティが、戦略ゲームを含むことを特徴とする（１４９）項記載の方法。
（１６０）
前記ゲームベースインタフェースで提示される前記ゲームアクティビティが、スカベンジャーハントを含むことを特徴とする（１４９）項記載の方法。
（１６１）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、燃料効率の目的を達成することを特徴とする（１４９）項記載の方法。
（１６２）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、交通量減少の目的を達成することを特徴とする（１４９）項記載の方法。
（１６３）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、汚染低減の目的を達成することを特徴とする（１４９）項記載の方法。
（１６４）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、二酸化炭素排出量の削減の目的を達成することを特徴とする（１４９）項記載の方法。
（１６５）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、近隣のノイズ低減の目的を達成することを特徴とする（１４９）項記載の方法。
（１６６）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、集合的満足度の目的を達成することを特徴とする（１４９）項記載の方法。
（１６７）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、事故現場回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１６８）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、犯罪多発地域の回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１６９）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、交通渋滞低減の目的を達成することを特徴とする（１４９）項記載の方法。
（１７０）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、悪天候回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１７１）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、最大移動時間の目的を達成することを特徴とする（１４９）項記載の方法。
（１７２）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、最大速度制限の目的を達成することを特徴とする（１４９）項記載の方法。
（１７３）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、有料道路回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１７４）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、市道回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１７５）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、分割されていない高速道路を回避する目的を達成することを特徴とする（１４９）項記載の方法。
（１７６）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、左折回避の目的を達成することを特徴とする（１４９）項記載の方法。
（１７７）
決定された前記少なくとも１つの車両ルーティングパラメータに応じた前記ルーティングは、運転手が操作する車両を回避する目的を達成することを特徴とする（１４９）項記載の方法。
（１７８）
輸送システムであって、
少なくとも１つの車両をルーティングするための認知システムを含み、
前記ルーティングは、少なくとも部分的に、乗り手インタフェースからの少なくとも１つの入力を処理することに基づいており、
乗り手が少なくとも１つの車両に乗っている間に所定の行動を取ったことに応じて、報酬が前記乗り手に提供されることを特徴とする輸送システム。
（１７９）
報酬ベースで調整された車両ルーティングのための輸送システムであって
報酬を提供するための報酬ベースインタフェースであり、車両のセットに関連するユーザが、前記報酬ベースインタフェースで提供される前記報酬に応答することによって、前記報酬に関連する前記ユーザのルーティング優先度を示す前記報酬ベースインタフェースと、
前記報酬に対するユーザの前記応答から生じる少なくとも１つのユーザ行動を決定すると共に、少なくとも１つのルーティングパラメータに対する対応する効果を決定する報酬提供応答処理回路と、
前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理する車両ルーティングシステムと、を含むことを特徴とする輸送システム。
（１８０）
前記ユーザが、車両の前記セット内の少なくとも１つの車両の乗り手であることを特徴とする（１７９）項記載の輸送システム。
（１８１）
前記ユーザは、車両の前記セット内の少なくとも１つの車両によって使用される、道路のセットの管理者であることを特徴とする（１７９）項記載の輸送システム。
（１８２）
前記ユーザは、車両の前記セットを含む車両フリートの管理者であることを特徴とする（１７９）項記載の輸送システム。
（１８３）
前記報酬ベースインタフェースは、車両内での使用のために配置されることを特徴とする（１７９）項記載の輸送システム。
（１８４）
前記少なくとも１つのルーティングパラメータは、交通渋滞、希望到着時間、優先ルート、燃料効率、汚染削減、事故回避、悪天候の回避、悪路の回避、燃料消費量の削減、二酸化炭素排出量の削減、地域の騒音削減、犯罪多発地域の回避、集団的満足度、最大速度制限、有料道路の回避、市道の回避、未分割高速道路の回避、左折の回避、及び運転手が操作する車両の回避のうち、少なくとも１つを含むことを特徴とする（１７９）項記載の輸送システム。
（１８５）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、燃料効率の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１８６）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、交通量削減の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１８７）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、汚染低減の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１８８）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、二酸化炭素排出量の削減の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１８９）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、近隣騒音低減の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９０）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、集合的満足度の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９１）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、事故現場回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９２）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、犯罪多発地域の回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９３）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、交通渋滞の軽減の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９４）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、悪天候回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９５）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、最大移動時間の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９６）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、最大速度制限の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９７）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、有料道路回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９８）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、市道回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（１９９）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、分割されていない高速道路を回避する目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（２００）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、左折回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（２０１）
前記車両ルーティングシステムは、前記ユーザの前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とを使用して、車両の前記セットのルーティングを管理することで、運転者が操作する車両回避の目的を達成するものであることを特徴とする（１７９）項記載の輸送システム。
（２０２）
報酬ベースで調整された車両ルーティングの方法であって、
報酬ベースインタフェースを介して、前記報酬ベースインタフェースで提供される報酬に対する、車両のセットに関連するユーザの応答を受信すること、
前記ユーザの前記応答に基づいて、ルーティング優先度を決定すること、
前記報酬に対する前記ユーザの前記応答に起因する、少なくとも１つのユーザ行動を決定すること、
少なくとも１つのルーティングパラメータに対する、前記少なくとも１つのユーザ行動の対応する効果を決定すること、及び、
前記ルーティング優先度と、前記少なくとも１つのルーティングパラメータに対する前記対応する効果とに応じて、車両の前記セットのルーティングを管理すること、を含むことを特徴とする方法。
（２０３）
前記ユーザが、車両の前記セット内の少なくとも１つの車両の乗り手であることを特徴とする（２０２）項記載の方法。
（２０４）
前記ユーザが、車両の前記セット内の少なくとも１つの車両によって使用される、道路のセットの管理者であることを特徴とする（２０２）項記載の方法。
（２０５）
前記ユーザが、車両の前記セットを含む車両のフリートの管理者であることを特徴とする（２０２）項記載の方法。
（２０６）
前記報酬ベースインタフェースは、車両内での使用のために配置されることを特徴とする（２０２）項記載の方法。
（２０７）
前記少なくとも１つのルーティングパラメータは、交通渋滞、希望到着時間、優先ルート、燃料効率、汚染削減、事故回避、悪天候の回避、悪路の回避、燃料消費量の削減、二酸化炭素排出量の削減、地域の騒音削減、犯罪多発地域の回避、集団的満足度、最大速度制限、有料道路の回避、市道の回避、未分割高速道路の回避、左折の回避、及び運転手が操作する車両の回避、のうちの少なくとも１つを含むことを特徴とする（２０２）項記載の方法。
（２０８）
前記ユーザは、前記報酬ベースインタフェースで提供された前記報酬を受け入れること、前記報酬ベースインタフェースで提供された前記報酬を拒否すること、或いは、報前記酬ベースインタフェースで提供された前記報酬を無視することによって、前記報酬ベースインタフェースで提供された前記報酬に応答することを特徴とする（２０２）項記載の方法。
（２０９）
前記ユーザは、前記報酬ベースインタフェースで提供された前記報酬を受け入れる或いは拒否することで、前記ルーティング優先度を示すことを特徴とする（２０２）項記載の方法。
（２１０）
前記ユーザは、前記報酬を前記ユーザへ送ることを容易にする、車両の前記セット内の少なくとも１つの車両での行動を引き受けることによって、前記ルーティング優先度を示すことを特徴とする（２０２）項記載の方法。
（２１１）
前記ユーザが前記少なくとも１つのユーザ行動を実行するのに十分な時間を確保できる車両ルートを選択するように、報酬提供応答処理回路を介して、前記車両ルーティングシステムへ信号を送信することを更に含むことを特徴とする（２０２）項記載の方法。
（２１２）
報酬提供応答処理回路を介して、車両ルーティングシステムへ信号を送信することであって、該信号が、前記少なくとも１つのユーザ行動に関連する車両の目的地を示すこと、及び、
前記車両ルーティングシステムによって、前記目的地を含むように、前記少なくとも１つのユーザ行動に関連する前記車両のルートを調整すること、を更に含むことを特徴とする（２０２）項記載の方法。
（２１３）
前記報酬は、車両ルーティングによる、燃料効率の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１４）
前記報酬は、車両ルーティングによる、交通量削減の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１５）
前記報酬は、車両ルーティングによる、汚染低減の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１６）
前記報酬は、車両ルーティングによる、二酸化炭素排出量削減の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１７）
前記報酬は、車両ルーティングによる、近隣でのノイズ低減の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１８）
前記報酬は、車両ルーティングによる、集団的満足度の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２１９）
前記報酬は、車両ルーティングによる、事故現場を回避する目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２０）
前記報酬は、車両ルーティングによる、犯罪多発地域を回避する目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２１）
前記報酬は、車両ルーティングによる、交通渋滞緩和の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２２）
前記報酬は、車両ルーティングによる、悪天候回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２３）
前記報酬は、車両ルーティングによる、最大移動時間の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２４）
前記報酬は、車両ルーティングによる、最大速度制限の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２５）
前記報酬は、車両ルーティングによる、有料道路回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２６）
前記報酬は、車両ルーティングによる、市道回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２７）
前記報酬は、車両ルーティングによる、分割されていない高速道路回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２８）
前記報酬は、車両ルーティングによる、左折回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２２９）
前記報酬は、車両ルーティングによる、運転者が操作する車両回避の目的の達成に関連することを特徴とする（２０２）項記載の方法。
（２３０）
輸送システムであって、
複数のソーシャルデータソースからデータを取り込み、ニューラルネットワークを使用して、個人のグループに対する新たな輸送ニーズを予測するデータ処理システムを含むことを特徴とする輸送システム。
（２３１）
グループの共通輸送ニーズを予測する方法であって、
複数の個人に関するソーシャルメディアソースのデータを収集することであり、前記データが複数のソーシャルメディアソースから提供されること、
前記データを処理して、前記データ内のグループ所属参照に基づいて、前記複数の個人のうちソーシャルグループを形成するサブセットを識別すること、
前記データの中から輸送ニーズを示すキーワードを検出すること、及び、
前記検出されたキーワードに基づいて輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、前記複数の個人の前記サブセットの共通輸送ニーズを特定すること；を含むことを特徴とする方法。
（２３２）
前記共通輸送ニーズを満たすための、少なくとも１つの輸送サービスを提示することを更に含むことを特徴とする（２３１）項記載の方法。
（２３３）
前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（２３１）項記載の方法。
（２３４）
前記ニューラルネットワークは、ソーシャルメディア内のフレーズを輸送アクティビティとマッチングさせることを容易にする、モデルに基づいて訓練されていることを特徴とする（２３１）項記載の方法。
（２３５）
前記ニューラルネットワークは、前記共通輸送ニーズを共有する、前記複数の個人の前記サブセットの目的地及び到着時間の少なくとも１つを予測することを特徴とする（２３１）項記載の方法。
（２３６）
前記ニューラルネットワークは、前記ソーシャルグループ内の個人の一部間のディスカッションスレッドで検出された、輸送ニーズを示すキーワードの分析に基づいて、前記共通輸送ニーズを予測することを特徴とする（２３１）項記載の方法。
（２３７）
前記ソーシャルグループの一部が前記予測された共通輸送ニーズを満たすことを容易にする、少なくとも１つの共有輸送サービスを特定すること、を更に含むことを特徴とする（２３１）項記載の方法。
（２３８）
前記少なくとも１つの共有輸送サービスは、前記ソーシャルグループの前記一部をピックアップすることを容易にする、車両ルートを生成すること含むことを特徴とする（２３７）項記載の方法。
（２３９）
グループのグループ輸送ニーズを予測する方法であって、
複数の個人に関するソーシャルメディアソースのデータを収集することであり、前記データが複数のソーシャルメディアソースから提供されること、
前記データを処理して、前記複数の個人のうち前記グループ輸送ニーズを共有するサブセットを特定すること、
前記データの中から、前記複数の個人の前記サブセットについて、前記グループ輸送ニーズを示すキーワードを検出すること、
前記検出されたキーワードに基づいて輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、前記グループ輸送ニーズを予測すること、及び、
前記グループ輸送ニーズを満たすように、車両ルーティングシステムを指示すること、を含むことを特徴とする方法。
（２４０）
前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（２３９）項記載の方法。
（２４１）
前記グループ輸送ニーズを満たすように前記車両ルーティングシステムを指示することは、前記ソーシャルメディアソースのデータから得られた目的地へ、複数の車両をルーティングすることを含むことを特徴とする（２３９）項記載の方法。
（２４２）
前記グループ輸送ニーズを満たすための少なくとも１つの輸送サービスを提示すること、を更に含むことを特徴とする（２３９）項記載の方法。
（２４３）
前記ニューラルネットワークは、前記ソーシャルメディアのデータ内のフレーズを輸送アクティビティとマッチングさせることを容易にする、モデルに基づいて訓練されることを特徴とする（２３９）項記載の方法。
（２４４）
前記ニューラルネットワークによって、前記グループ輸送ニーズを共有する前記複数の個人の前記サブセットの、目的地及び到着時間の少なくとも１つを予測すること、を更に含むことを特徴とする（２３９）項記載の方法。
（２４５）
前記ニューラルネットワークによって、前記ソーシャルメディアソースのデータ内のディスカッションスレッドで検出された輸送ニーズを示すキーワードの分析に基づいて、前記グループ輸送ニーズを予測すること、を更に含むことを特徴とする（２３９）項記載の方法。
（２４６）
前記複数の個人の前記サブセットの少なくとも一部について、前記予測されたグループ輸送ニーズを満たすことを容易にする、少なくとも１つの共有輸送サービスを特定すること、を更に含むことを特徴とする（２３９）項記載の方法。
（２４７）
前記少なくとも１つの共有輸送サービスは、前記複数の個人の前記サブセットの少なくとも一部をピックアップすることを容易にする、車両ルートを生成することを含むことを特徴とする（２４６）項記載の方法。
（２４８）
グループ輸送ニーズを予測する方法であって、
複数のソーシャルメディアソースからソーシャルメディアソースのデータを収集すること、
データを処理してイベントを特定すること、
前記データ内から前記イベントを示すキーワードを検出して、前記イベントに関連する輸送ニーズを決定すること、及び、
ソーシャルメディアソースのデータに少なくとも部分的に基づいて、輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、前記輸送ニーズを満たすように車両ルーティングシステムを指示すること、を含むことを特徴とする方法。
（２４９）
前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（２４８）項記載の方法。
（２５０）
前記車両ルーティングシステムは、複数の車両を前記イベントに関連する場所へルーティングすることによって、前記輸送ニーズを満たすように指示されることを特徴とする（２４８）項記載の方法。
（２５１）
前記車両ルーティングシステムは、前記イベントに関連する場所に近接した領域を回避するように複数の車両をルーティングすることによって、前記輸送ニーズを満たすように指示されることを特徴とする（２４８）項記載の方法。
（２５２）
前記車両ルーティングシステムは、前記イベントに関連する場所に近接した領域を回避するように、ソーシャルメディアソースのデータが前記輸送ニーズを示さないユーザに関連する車両をルーティングすることによって、前記輸送ニーズを満たすように指示されることを特徴とする（２４８）項記載の方法。
（２５３）
前記輸送ニーズを満たすための少なくとも１つの輸送サービスを提示すること、を更に含むことを特徴とする（２４８）項記載の方法。
（２５４）
前記ニューラルネットワークは、前記ソーシャルメディアソースのデータ内のフレーズを輸送アクティビティとマッチングさせることを容易にする、モデルに基づいて訓練されることを特徴とする（２４８）項記載の方法。
（２５５）
前記ニューラルネットワークは、前記イベントに参加する個人の目的地及び到着時間の少なくとも１つを予測することを特徴とする（２４８）項記載の方法。
（２５６）
前記ニューラルネットワークは、前記ソーシャルメディアソースのデータ内のディスカッションスレッドで検出された、輸送ニーズを示すキーワードの分析に基づいて、前記輸送ニーズを予測することを特徴とする（２４８）項記載の方法。
（２５７）
前記ソーシャルメディアソースのデータで特定された個人の少なくともサブセットについて、前記予測された輸送ニーズを満たすことを容易にする、少なくとも１つの共有輸送サービスを特定すること、を更に含むことを特徴とする（２４８）項記載の方法。
（２５８）
前記少なくとも１つの共有輸送サービスは、前記ソーシャルメディアソースのデータ内で特定された個人の前記サブセットの一部をピックアップすることを容易にする、車両ルートを生成することを含むことを特徴とする（２５７）項記載の方法。
（２５９）
輸送システムであって、
複数のソーシャルデータソースからデータを取得し、ハイブリッドニューラルネットワークを使用して、該ハイブリッドニューラルネットワークで前記複数のソーシャルデータソースからの前記データを処理することに基づいて、輸送システムの動作状態を最適化するデータ処理システムを含むことを特徴とする輸送システム。
（２６０）
輸送システム最適化のためのハイブリッドニューラルネットワークシステムであって、
複数のソーシャルメディアデータソースから提供されたソーシャルメディアデータを分析して、輸送システムに対する局所的な影響を予測する第１ニューラルネットワークと、
前記予測された局所的な影響に基づいて、前記輸送システムの動作状態を最適化する第２ニューラルネットワークと、を含むハイブリッドニューラルネットワークを含むことを特徴とするハイブリッドニューラルネットワークシステム。
（２６１）
前記第１ニューラルネットワークと前記第２ニューラルネットワークとのうち、少なくとも１つが畳み込みニューラルネットワークであることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６２）
前記第２ニューラルネットワークは、車内の乗り手エクスペリエンス状態を最適化するものであることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６３）
前記第１ニューラルネットワークは、車両の位置と前記局所的な影響のエリアとの相関関係に基づいて、前記局所的な影響に寄与する車両のセットを特定することを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６４）
前記第２ニューラルネットワークは、前記局所的な影響の場所に近接する車両について、前記輸送システムのルーティング状態を最適化するものであることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６５）
前記ハイブリッドニューラルネットワークは、輸送システム最適化アクションの結果を示すソーシャルメディアデータ内のキーワードに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６６）
前記ハイブリッドニューラルネットワークは、ソーシャルメディアの投稿に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６７）
前記ハイブリッドニューラルネットワークは、ソーシャルメディアフィードに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６８）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータから得られた評価に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２６９）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータで検出された好き又は嫌いのアクティビティに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７０）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータにおける関係性の指標に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７１）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータで検出されたユーザ行動に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７２）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のディスカッションスレッドに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７３）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のチャットに基づく、予測及び最適化のうちの少なくとも１つについて訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７４）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内の写真に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７５）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内の交通に影響を与える情報に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７６）
前記ハイブリッドニューラルネットワークは、ある場所にいる特定の個人の前記ソーシャルメディアデータ内の表示に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７７）
前記特定の個人が、著名人であることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７８）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所における稀な又は一時的な現象の存在に基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２７９）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所における商取引関連のイベントに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８０）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所における娯楽イベントに基づく、予測及び最適化のうちの少なくとも１つのために訓練されることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８１）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、交通状況を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８２）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、気象条件を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８３）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、娯楽オプションを含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８４）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、リスク関連条件を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８５）
前記リスク関連条件は、潜在的に危険な理由で集まっている群衆を含むことを特徴とする（２８４）項記載のハイブリッドニューラルネットワークシステム。
（２８６）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、商業関連の条件を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８７）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、目標関連の条件を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８８）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、イベントへの出席の推定値を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２８９）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、イベントへの出席の予測を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９０）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、輸送手段を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９１）
前記輸送手段が、自動車交通を含むことを特徴とする（２９０）項記載のハイブリッドニューラルネットワークシステム。
（２９２）
前記輸送手段が、公共交通機関の選択肢を含むことを特徴とする（２９０）項記載のハイブリッドニューラルネットワークシステム。
（２９３）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、ハッシュタグを含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９４）
輸送システムに対する局所的な影響を予測するために分析された前記ソーシャルメディアデータは、トピックの傾向を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９５）
輸送システム最適化アクションの成果が、燃料消費量の削減であることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９６）
輸送システム最適化アクションの成果が、交通渋滞の軽減であることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９７）
輸送システム最適化アクションの成果が、汚染の減少であることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９８）
輸送システム最適化アクションの成果が、悪天候の回避であることを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（２９９）
最適化される前記輸送システムの動作状態は、車内状態を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（３００）
最適化される前記輸送システムの動作状態は、ルーティング状態を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（３０１）
前記ルーティング状態が、個々の車両に対するものであることを特徴とする（３００）項記載のハイブリッドニューラルネットワークシステム。
（３０２）
前記ルーティング状態が、車両のセットに対するものであることを特徴とする（３００）項記載のハイブリッドニューラルネットワークシステム。
（３０３）
最適化される前記輸送システムの動作状態は、ユーザエクスペリエンスの状態を含むことを特徴とする（２６０）項記載のハイブリッドニューラルネットワークシステム。
（３０４）
輸送システムの動作状態を最適化する方法であって、
複数の個人に関するソーシャルメディアソースのデータを収集することであり、前記データが複数のソーシャルメディアソースから供給されること、
ハイブリッドニューラルネットワークを使用して、前記輸送システムの前記動作状態を最適化すること、
前記ハイブリッドニューラルネットワークの第１ニューラルネットワークにより、前記ソーシャルメディアソースのデータを分析して、前記輸送システムへの影響を予測すること、及び、
前記ハイブリッドニューラルネットワークの第２ニューラルネットワークにより、前記予測された影響に応じて、前記輸送システムの少なくとも１つの動作状態を最適化すること、を含むことを特徴とする方法。
（３０５）
前記第１ニューラルネットワーク及び前記第２ニューラルネットワークのうち少なくとも１つが、畳み込みニューラルネットワークであることを特徴とする（３０４）項記載の方法。
（３０６）
前記第２ニューラルネットワークは、車内の乗り手エクスペリエンス状態を最適化することを特徴とする（３０４）項記載の方法。
（３０７）
前記第１ニューラルネットワークは、車両の位置と前記影響のエリアとの相関関係に基づいて、前記影響に寄与する車両のセットを特定することを特徴とする（３０４）項記載の方法。
（３０８）
前記第２ニューラルネットワークは、前記影響の場所に近接した車両について、前記輸送システムのルーティング状態を最適化することを特徴とする（３０４）項記載の方法。
（３０９）
前記ハイブリッドニューラルネットワークは、輸送システム最適化アクションの結果を示すソーシャルメディアデータ内のキーワードに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１０）
前記ハイブリッドニューラルネットワークは、ソーシャルメディアの投稿に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１１）
前記ハイブリッドニューラルネットワークは、ソーシャルメディアのフィードに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１２）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータから得られた評価に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１３）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータで検出された好き又は嫌いのアクティビティに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１４）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータにおける関係性の指標に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１５）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータで検出されたユーザ行動に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１６）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のディスカッションスレッドに基づく、予測及び最適化の少なくとも１つについて訓練されることを特徴とする（３０４）項記載の方法。
（３１７）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のチャットに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１８）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内の写真に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３１９）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内の交通に影響を与える情報に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３２０）
前記ハイブリッドニューラルネットワークは、ある場所にいる特定の個人の前記ソーシャルメディアデータ内の表示に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３２１）
前記特定の個人が、著名人であることを特徴とする（３２０）項記載の方法。
（３２２）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所における稀な又は一時的な現象の存在に基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３２３）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所における商業関連イベントに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３２４）
前記ハイブリッドニューラルネットワークは、前記ソーシャルメディアデータ内のある場所での娯楽イベントに基づく、予測及び最適化の少なくとも１つのために訓練されることを特徴とする（３０４）項記載の方法。
（３２５）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、交通状況を含むことを特徴とする（３０４）項記載の方法。
（３２６）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、気象条件を含むことを特徴とする（３０４）項記載の方法。
（３２７）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、娯楽の選択肢を含むことを特徴とする（３０４）項記載の方法。
（３２８）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、リスク関連の条件を含むことを特徴とする（３０４）項記載の方法。
（３２９）
前記リスク関連の条件が、潜在的に危険な理由で集まる群衆を含むことを特徴とする（３２８）項記載の方法。
（３３０）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、商業関連の条件を含むことを特徴とする（３０４）項記載の方法。
（３３１）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、目標に関連する条件を含むことを特徴とする（３０４）項記載の方法。
（３３２）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、イベントへの参加の推定値を含むことを特徴とする（３０４）項記載の方法。
（３３３）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、イベントへの参加の予測を含むことを特徴とする（３０４）項記載の方法。
（３３４）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、輸送手段を含むことを特徴とする（３０４）項記載の方法。
（３３５）
前記輸送手段が、自動車交通を含むことを特徴とする（３３４）項記載の方法。
（３３６）
前記輸送手段が、公共交通機関の選択肢を含むことを特徴とする（３３４）項記載の方法。
（３３７）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、ハッシュタグを含むことを特徴とする（３０４）項記載の方法。
（３３８）
輸送システムへの影響を予測するために分析された前記ソーシャルメディアデータは、トピックのトレンドを含むことを特徴とする（３０４）項記載の方法。
（３３９）
輸送システム最適化アクションの成果が、燃料消費量の削減であることを特徴とする（３０４）項記載の方法。
（３４０）
輸送システム最適化アクションの成果が、交通渋滞の軽減であることを特徴とする（３０４）項記載の方法。
（３４１）
輸送システム最適化アクションの成果が、汚染の低減であることを特徴とする（３０４）項記載の方法。
（３４２）
輸送システム最適化アクションの成果が、悪天候の回避であることを特徴とする（３０４）項記載の方法。
（３４３）
最適化される前記輸送システムの前記動作状態は、車両内の状態を含むことを特徴とする（３０４）項記載の方法。
（３４４）
最適化される前記輸送システムの前記動作状態は、ルーティング状態を含むことを特徴とする（３０４）項記載の方法。
（３４５）
前記ルーティング状態が、個々の車両に対するものであることを特徴とする（３４４）項記載の方法。
（３４６）
前記ルーティング状態が、車両のセットに対するものであることを特徴とする（３４４）項記載の方法。
（３４７）
最適化される前記輸送システムの前記動作状態は、ユーザエクスペリエンスの状態を含むことを特徴とする（３０４）項記載の方法。
（３４８）
輸送システムの動作状態を最適化する方法であって、
ハイブリッドニューラルネットワークの第１ニューラルネットワークを使用して、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムに影響を与えるものとして分類すること、
前記ハイブリッドニューラルネットワークの第２ネットワークを使用して、前記分類されたソーシャルメディアデータに基づいて、前記輸送システムの少なくとも１つの動作目的を予測すること、及び、
前記ハイブリッドニューラルネットワークの第３ネットワークを使用して、前記輸送システムの前記少なくとも１つの動作目的を達成するように、前記輸送システムの動作状態を最適化すること、を含むことを特徴とする方法。
（３４９）
前記ハイブリッドニューラルネットワークの少なくとも１つの前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（３４８）項記載の方法。
（３５０）
輸送システムであって、
複数のソーシャルデータソースからデータを取得し、ハイブリッドニューラルネットワークを使用して、前記複数のソーシャルデータソースからの前記データを前記ハイブリッドニューラルネットワークで処理することに基づいて、車両の動作状態を最適化するデータ処理システムを含むことを特徴とする輸送システム。
（３５１）
車両の動作状態を最適化する方法であって、
ハイブリッドニューラルネットワークの第１ニューラルネットワークを用いて、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムに影響を与えるものとして分類すること、
前記ハイブリッドニューラルネットワークの第２ニューラルネットワークを用いて、前記分類されたソーシャルメディアデータが、前記輸送システムへ及ぼす１つ以上の影響を予測すること、及び、
前記ハイブリッドニューラルネットワークの第３ニューラルネットワークを用いて、前記輸送システムの少なくとも１つの車両の状態を最適化することであって、前記最適化が、前記予測された１つ以上の影響の、前記少なくとも１つの車両に対する影響に対処すること、を含むことを特徴とする方法。
（３５２）
前記ハイブリッドニューラルネットワークの少なくとも１つの前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（３５１）項記載の方法。
（３５３）
前記ソーシャルメディアデータが、ソーシャルメディアの投稿を含むことを特徴とする（３５１）項記載の方法。
（３５４）
前記ソーシャルメディアデータが、ソーシャルメディアフィードを含むことを特徴とする（３５１）項記載の方法。
（３５５）
前記ソーシャルメディアデータが、ソーシャルメディアで検出された好き又は嫌いのアクティビティを含むことを特徴とする（３５１）項記載の方法。
（３５６）
前記ソーシャルメディアデータが、関係性の指標を含むことを特徴とする（３５１）項記載の方法。
（３５７）
前記ソーシャルメディアデータがが、ユーザの行動を含むことを特徴とする（３５１）項記載の方法。
（３５８）
前記ソーシャルメディアデータが、ディスカッションスレッドを含むことを特徴とする（３５１）項記載の方法。
（３５９）
前記ソーシャルメディアデータが、チャットを含むことを特徴とする（３５１）項記載の方法。
（３６０）
前記ソーシャルメディアデータが、写真を含むことを特徴とする（３５１）項記載の方法。
（３６１）
前記ソーシャルメディアデータが、交通に影響を与える情報を含むことを特徴とする（３５１）項記載の方法。
（３６２）
前記ソーシャルメディアデータが、ある場所にいる特定の個人の表示を含むことを特徴とする（３５１）項記載の方法。
（３６３）
前記ソーシャルメディアデータが、ある場所にいる有名人の表示を含むことを特徴とする（３５１）項記載の方法。
（３６４）
前記ソーシャルメディアデータが、ある場所での稀な又は一過性の現象の存在を含むことを特徴とする（３５１）項記載の方法。
（３６５）
前記ソーシャルメディアデータが、商業関連のイベントを含むことを特徴とする（３５１）項記載の方法。
（３６６）
前記ソーシャルメディアデータが、ある場所での娯楽イベントを含むことを特徴とする（３５１）項記載の方法。
（３６７）
前記ソーシャルメディアデータが、交通状況を含むことを特徴とする（３５１）項記載の方法。
（３６８）
前記ソーシャルメディアデータが、気象条件を含むことを特徴とする（３５１）項記載の方法。
（３６９）
前記ソーシャルメディアデータが、娯楽オプションを含むことを特徴とする（３５１）項記載の方法。
（３７０）
前記ソーシャルメディアデータが、リスク関連の条件を含むことを特徴とする（３５１）項記載の方法。
（３７１）
前記ソーシャルメディアデータが、イベントへの出席の予測を含むことを特徴とする（３５１）項記載の方法。
（３７２）
前記ソーシャルメディアデータが、イベントの出席者の推定値を含むことを特徴とする（３５１）項記載の方法。
（３７３）
前記ソーシャルメディアデータが、イベントで使用される輸送手段を含むことを特徴とする（３５１）項記載の方法。
（３７４）
前記輸送システムへの前記影響が、燃料消費量の削減を含むことを特徴とする（３５１）項記載の方法。
（３７５）
前記輸送システムへの前記影響が、交通渋滞の軽減を含むことを特徴とする（３５１）項記載の方法。
（３７６）
前記輸送システムへの前記影響が、二酸化炭素排出量の削減を含むことを特徴とする（３５１）項記載の方法。
（３７７）
前記輸送システムへの前記影響が、汚染の低減を含むことを特徴とする（３５１）項記載の方法。
（３７８）
前記少なくとも１つの車両の前記最適化された状態が、前記車両の動作状態であることを特徴とする（３５１）項記載の方法。
（３７９）
前記少なくとも１つの車両の前記最適化された状態が、車内状態を含むことを特徴とする（３５１）項記載の方法。
（３８０）
前記少なくとも１つの車両の前記最適化された状態が、乗り手の状態を含むことを特徴とする（３５１）項記載の方法。
（３８１）
前記少なくとも１つの車両の前記最適化された状態が、ルーティング状態を含むことを特徴とする（３５１）項記載の方法。
（３８２）
前記少なくとも１つの車両の前記最適化された状態が、ユーザエクスペリエンスの状態を含むことを特徴とする（３５１）項記載の方法。
（３８３）
前記ソーシャルメディアデータにおける前記最適化の結果の特徴を、前記最適化を改善するためのフィードバックとして使用することを特徴とする（３５１）項記載の方法。
（３８４）
前記フィードバックが、前記結果の好き嫌いを含むことを特徴とする（３８３）項記載の方法。
（３８５）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティを含むことを特徴とする（３８３）項記載の方法。
（３８６）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティのトレンドを含むことを特徴とする（３８３）項記載の方法。
（３８７）
前記フィードバックが、前記結果に関連するハッシュタグを含むことを特徴とする（３８３）項記載の方法。
（３８８）
前記フィードバックが、前記結果の評価を含むことを特徴とする（３８３）項記載の方法。
（３８９）
前記フィードバックが、前記結果に対する要求を含むことを特徴とする（３８３）項記載の方法。
（３９０）
車両の動作状態を最適化する方法であって、
ハイブリッドニューラルネットワークの第１ニューラルネットワークを用いて、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムに影響を与えるものとして分類すること、
前記ハイブリッドニューラルネットワークの第２ニューラルネットワークを用いて、前記分類されたソーシャルメディアデータに基づいて、前記輸送システムの少なくとも１つの車両動作目的を予測すること、及び、
前記ハイブリッドニューラルネットワークの第３ニューラルネットワークを用いて、前記輸送システムの前記少なくとも１つの車両動作目的を達成するように、前記輸送システム内の車両の状態を最適化すること、を含むことを特徴とする方法。
（３９１）
前記ハイブリッドニューラルネットワークの少なくとも１つの前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（３９０）項記載の方法。
（３９２）
前記車両動作目的は、前記車両内の少なくとも１人の乗り手の乗り手状態を達成することを含むことを特徴とする（３９０）項記載の方法。
（３９３）
前記ソーシャルメディアデータが、ソーシャルメディアの投稿を含むことを特徴とする（３９０）項記載の方法。
（３９４）
前記ソーシャルメディアデータが、ソーシャルメディアフィードを含むことを特徴とする（３９０）項記載の方法。
（３９５）
前記ソーシャルメディアデータが、前記ソーシャルメディアで検出された好き嫌いのアクティビティを含むことを特徴とする（３９０）項記載の方法。
（３９６）
前記ソーシャルメディアデータが、関係性の指標を含むことを特徴とする（３９０）項記載の方法。
（３９７）
前記ソーシャルメディアデータが、ユーザの行動を含むことを特徴とする（３９０）項記載の方法。
（３９８）
前記ソーシャルメディアデータが、ディスカッションスレッドを含むことを特徴とする（３９０）項記載の方法。
（３９９）
前記ソーシャルメディアデータが、チャットを含むことを特徴とする（３９０）項記載の方法。
（４００）
前記ソーシャルメディアデータが、写真を含むことを特徴とする（３９０）項記載の方法。
（４０１）
前記ソーシャルメディアデータが、交通に影響を与える情報を含むことを特徴とする（３９０）項記載の方法。
（４０２）
前記ソーシャルメディアデータが、ある場所にいる特定の個人の表示を含むことを特徴とする（３９０）項記載の方法。
（４０３）
前記ソーシャルメディアデータが、ある場所にいる有名人の表示を含むことを特徴とする（３９０）項記載の方法。
（４０４）
前記ソーシャルメディアデータが、ある場所での稀な又は一過性の現象の存在を含むことを特徴とする（３９０）項記載の方法。
（４０５）
前記ソーシャルメディアデータが、商業関連のイベントを含むことを特徴とする（３９０）項記載の方法。
（４０６）
前記ソーシャルメディアデータが、ある場所で娯楽イベントを含むことを特徴とする（３９０）項記載の方法。
（４０７）
前記ソーシャルメディアデータが、交通状況を含むことを特徴とする（３９０）項記載の方法。
（４０８）
前記ソーシャルメディアデータが、気象条件を含むことを特徴とする（３９０）項記載の方法。
（４０９）
前記ソーシャルメディアデータが、娯楽オプションを含むことを特徴とする（３９０）項記載の方法。
（４１０）
前記ソーシャルメディアデータが、リスク関連の条件を含むことを特徴とする（３９０）項記載の方法。
（４１１）
前記ソーシャルメディアデータが、イベントへの出席の予測を含むことを特徴とする（３９０）項記載の方法。
（４１２）
前記ソーシャルメディアデータが、イベントの出席者の推定値を含むことを特徴とする（３９０）項記載の方法。
（４１３）
前記ソーシャルメディアデータが、イベントで使用される輸送手段を含むことを特徴とする（３９０）項記載の方法。
（４１４）
前記輸送システムへの前記影響が、燃料消費の削減を含むことを特徴とする（３９０）項記載の方法。
（４１５）
前記輸送システムへの前記影響が、交通渋滞の軽減を含むことを特徴とする（３９０）項記載の方法。
（４１６）
前記輸送システムへの前記影響が、二酸化炭素排出量の削減を含むことを特徴とする（３９０）項記載の方法。
（４１７）
前記輸送システムへの前記影響が、汚染の低減を含むことを特徴とする（３９０）項記載の方法。
（４１８）
前記最適化された前記車両の状態は、前記車両の動作状態であることを特徴とする（３９０）項記載の方法。
（４１９）
前記最適化された前記車両の状態は、車両内の状態を含むことを特徴とする（３９０）項記載の方法。
（４２０）
前記最適化された前記車両の状態は、乗り手の状態を含むことを特徴とする（３９０）項記載の方法。
（４２１）
前記最適化された前記車両の状態は、ルーティング状態を含むことを特徴とする（３９０）項記載の方法。
（４２２）
前記最適化された前記車両の状態は、ユーザエクスペリエンスの状態を含むことを特徴とする（３９０）項記載の方法。
（４２３）
前記ソーシャルメディアデータにおける前記最適化の結果の特徴を、前記最適化を改善するためのフィードバックとして使用することを特徴とする（３９０）項記載の方法。
（４２４）
前記フィードバックが、前記結果の好き嫌いを含むことを特徴とする（４２３）項記載の方法。
（４２５）
前記フィードバックが、前記結果を参照するソーシャルメディアルアクティビティを含むことを特徴とする（４２３）項記載の方法。
（４２６）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティのトレンドを含むことを特徴とする（４２３）項記載の方法。
（４２７）
前記フィードバックが、前記結果に関連するハッシュタグを含むことを特徴とする（４２３）項記載の方法。
（４２８）
前記フィードバックが、前記結果の評価を含むことを特徴とする（４２３）項記載の方法。
（４２９）
前記フィードバックが、前記結果に対する要求を含むことを特徴とする（４２３）項記載の方法。
（４３０）
輸送システムであって、
複数のソーシャルデータソースからデータを取得し、ハイブリッドニューラルネットワークを使用して、前記複数のソーシャルデータソースからの前記データを処理することに基づいて、車両内の少なくとも１人の乗り手の満足度を最適化するためのデータ処理システムを含むことを特徴とする輸送システム。
（４３１）
乗り手の満足度を最適化する方法であって、
ハイブリッドニューラルネットワークの第１ニューラルネットワークを用いて、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムへの影響を示すものとして分類すること、
前記ハイブリッドニューラルネットワークの第２ニューラルネットワークを用いて、前記輸送システムへの影響を示すものとして分類されたソーシャルメディアデータから得られる、前記輸送システムへの影響によって影響を受ける乗り手満足度の少なくとも１つの側面を予測すること、及び、
前記ハイブリッドニューラルネットワークの第３ニューラルネットワークを用いて、前記輸送システムの車両を利用する少なくとも１人の乗り手の、乗り手満足度の少なくとも１つの側面を最適化すること、を含むことを特徴とする方法。
（４３２）
前記ハイブリッドニューラルネットワークの少なくとも１つの前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（４３１）項記載の方法。
（４３３）
乗り手満足度の前記少なくとも１つの側面が、前記乗り手に提示する娯楽オプションを予測することによって最適化されることを特徴とする（４３１）項記載の方法。
（４３４）
乗り手満足度の前記少なくとも１つの側面が、前記乗り手に利用される車両のルートプランニングを最適化することによって最適化されることを特徴とする（４３１）項記載の方法。
（４３５）
乗り手満足度の前記少なくとも１つの側面が乗り手状態であり、乗り手満足度の前記側面を最適化することは、前記乗り手状態を最適化することを含むことを特徴とする（４３１）項記載の方法。
（４３６）
前記乗り手に固有のソーシャルメディアデータを分析して、乗り手満足度の前記少なくとも１つの側面を最適化する可能性が高い、少なくとも１つの最適化行動を決定することを特徴とする（４３１）項記載の方法。
（４３７）
前記最適化行動は、ユーザの興味のあるポイントを通過することを含むルーティングプランの調整、ソーシャルメディアデータから予測される交通渋滞の回避、及び娯楽オプションの提示、からなるアクション群から選択されることを特徴とする（４３６）項記載の方法。
（４３８）
前記ソーシャルメディアデータが、ソーシャルメディアの投稿を含むことを特徴とする（４３１）項記載の方法。
（４３９）
前記ソーシャルメディアデータが、ソーシャルメディアフィードを含むことを特徴とする（４３１）項記載の方法。
（４４０）
前記ソーシャルメディアデータが、ソーシャルメディアで検出された好き又は嫌いのアクティビティを含むことを特徴とする（４３１）項記載の方法。
（４４１）
前記ソーシャルメディアデータが、関係性の表示を含むことを特徴とする（４３１）項記載の方法。
（４４２）
前記ソーシャルメディアデータが、ユーザの行動を含むことを特徴とする（４３１）項記載の方法。
（４４３）
前記ソーシャルメディアデータが、ディスカッションスレッドを含むことを特徴とする（４３１）項記載の方法。
（４４４）
前記ソーシャルメディアデータが、チャットを含むことを特徴とする（４３１）項記載の方法。
（４４５）
前記ソーシャルメディアデータが、写真を含むことを特徴とする（４３１）項記載の方法。
（４４６）
前記ソーシャルメディアデータが、交通に影響を与える情報を含むことを特徴とする（４３１）項記載の方法。
（４４７）
前記ソーシャルメディアデータが、ある場所にいる特定の個人の表示を含むことを特徴とする（４３１）項記載の方法。
（４４８）
前記ソーシャルメディアデータが、ある場所にいる有名人の表示を含むことを特徴とする（４３１）項記載の方法。
（４４９）
前記ソーシャルメディアデータが、ある場所での稀な又は一過性の現象の存在を含むことを特徴とする（４３１）項記載の方法。
（４５０）
前記ソーシャルメディアデータが、商業関連のイベントを含むことを特徴とする（４３１）項記載の方法。
（４５１）
前記ソーシャルメディアデータが、ある場所での娯楽イベントを含むことを特徴とする（４３１）項記載の方法。
（４５２）
前記ソーシャルメディアデータが、交通状況を含むことを特徴とする（４３１）項記載の方法。
（４５３）
前記ソーシャルメディアデータが、気象条件を含むことを特徴とする（４３１）項記載の方法。
（４５４）
前記ソーシャルメディアデータが、娯楽オプションを含むことを特徴とする（４３１）項記載の方法。
（４５５）
前記ソーシャルメディアデータが、リスク関連の条件を含むことを特徴とする（４３１）項記載の方法。
（４５６）
前記ソーシャルメディアデータが、イベントへの出席の予測を含むことを特徴とする（４３１）項記載の方法。
（４５７）
前記ソーシャルメディアデータが、イベントの出席者の推定値を含むことを特徴とする（４３１）項記載の方法。
（４５８）
前記ソーシャルメディアデータが、イベントで使用される輸送手段を含むことを特徴とする（４３１）項記載の方法。
（４５９）
前記輸送システムへの前記影響が、燃料消費の削減を含むことを特徴とする（４３１）項記載の方法。
（４６０）
前記輸送システムへの前記影響が、交通渋滞の軽減を含むことを特徴とする（４３１）項記載の方法。
（４６１）
前記輸送システムへの前記影響が、二酸化炭素排出量の削減を含むことを特徴とする（４３１）項記載の方法。
（４６２）
前記輸送システムへの前記影響が、汚染の低減を含むことを特徴とする（４３１）項記載の方法。
（４６３）
乗り手満足度の前記最適化された少なくとも１つの側面が、前記車両の動作状態であることを特徴とする（４３１）項記載の方法。
（４６４）
乗り手満足度の前記最適化された少なくとも１つの側面が、車両内の状態を含むことを特徴とする（４３１）項記載の方法。
（４６５）
乗り手満足度の前記最適化された少なくとも１つの側面が、乗り手の状態を含むことを特徴とする（４３１）項記載の方法。
（４６６）
乗り手満足度の前記最適化された少なくとも１つの側面が、ルーティング状態を含むことを特徴とする（４３１）項記載の方法。
（４６７）
乗り手満足度の前記最適化された少なくとも１つの側面が、ユーザエクスペリエンスの状態を含むことを特徴とする（４３１）項記載の方法。
（４６８）
前記ソーシャルメディアデータにおける前記最適化の結果の特徴を、前記最適化を改善するためのフィードバックとして使用することを特徴とする（４３１）項記載の方法。
（４６９）
前記フィードバックが、前記結果の好き嫌いを含むことを特徴とする（４６８）項記載の方法。
（４７０）
前記フィードバックが、前記結果を参照するソーシャルメディアルアクティビティを含むことを特徴とする（４６８）項記載の方法。
（４７１）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティのトレンドを含むことを特徴とする（４６８）項記載の方法。
（４７２）
前記フィードバックが、前記結果に関連するハッシュタグを含むことを特徴とする（４６８）項記載の方法。
（４７３）
前記フィードバックが、前記結果の評価を含むことを特徴とする（４６８）項記載の方法。
（４７４）
前記フィードバックが、前記結果に対する要求を含むことを特徴とする（４６８）項記載の方法。
（４７５）
乗り手満足度を最適化するための乗り手満足度システムであって、
複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムへの影響を示すものとして分類する、ハイブリッドニューラルネットワークの第１ニューラルネットワークと、
前記輸送システムへの前記影響を示すものとして分類された前記ソーシャルメディアデータから得られる、前記輸送システムへの影響によって影響を受ける乗り手満足度の少なくとも１つの側面を予測する、前記ハイブリッドニューラルネットワークの第２ニューラルネットワークと、
前記輸送システム内の車両を利用している少なくとも１人の乗り手の、乗り手満足度の少なくとも１つの側面を最適化する、前記ハイブリッドニューラルネットワークの第３ネットワークと、含むことを特徴とする乗り手満足度システム。
（４７６）
前記ハイブリッドニューラルネットワークの少なくとも１つの前記ニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（４７５）項記載の乗り手満足度システム。
（４７７）
乗り手満足度の前記少なくとも１つの側面は、前記乗り手に提示する娯楽オプションを予測することによって最適化されることを特徴とする（４７５）項記載の乗り手満足度システム。
（４７８）
乗り手満足度の前記少なくとも１つの側面は、前記乗り手が利用する車両のルートプランニングを最適化することによって最適化されることを特徴とする（４７５）項記載の乗り手満足度システム。
（４７９）
乗り手満足度の前記少なくとも１つの側面が乗り手状態であり、乗り手満足度の前記少なくとも１つの側面を最適化することは、前記乗り手状態を最適化することを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８０）
前記乗り手に固有のソーシャルメディアデータを分析して、乗り手満足度の前記少なくとも１つの側面を最適化する可能性が高い、少なくとも１つの最適化行動を決定することを特徴とする（４７５）項記載の乗り手満足度システム。
（４８１）
前記少なくとも１つの最適化行動は、ユーザの関心のあるポイントを通過することを含むようにルーティングプランを調整すること、前記ソーシャルメディアデータから予測される交通渋滞を回避すること、経済的利益を得ること、利他的利益を得ること、及び娯楽オプションを提示すること、からなるグループから選択されることを特徴とする（４８０）項記載の乗り手満足度システム。
（４８２）
前記経済的利益が、燃料の節約であることを特徴とする（４８１）項記載の乗り手満足度システム。
（４８３）
前記利他的利益が、環境負荷の低減であることを特徴とする（４８１）項記載の乗り手満足度システム。
（４８４）
前記ソーシャルメディアデータは、ソーシャルメディアの投稿を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８５）
前記ソーシャルメディアデータは、ソーシャルメディアフィードを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８６）
前記ソーシャルメディアデータは、ソーシャルメディアで検出された好き又は嫌いのアクティビティを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８７）
前記ソーシャルメディアデータは、関係性の指標を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８８）
前記ソーシャルメディアデータは、ユーザの行動を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４８９）
前記ソーシャルメディアデータは、ディスカッションスレッドを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９０）
前記ソーシャルメディアデータは、チャットを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９１）
前記ソーシャルメディアデータは、写真を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９２）
前記ソーシャルメディアデータは、交通に影響する情報を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９３）
前記ソーシャルメディアデータは、ある場所にいる特定の個人の表示を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９４）
前記ソーシャルメディアデータは、ある場所にいる有名人の表示を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９５）
前記ソーシャルメディアデータは、ある場所における稀な又は一過性の現象の存在を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９６）
前記ソーシャルメディアデータは、商業関連のイベントを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９７）
前記ソーシャルメディアデータは、ある場所での娯楽イベントを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９８）
前記ソーシャルメディアデータは、交通状況を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（４９９）
前記ソーシャルメディアデータは、気象条件を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５００）
前記ソーシャルメディアデータは、娯楽オプションを含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０１）
前記ソーシャルメディアデータは、リスク関連の条件を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０２）
前記ソーシャルメディアデータは、イベントへの出席の予測を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０３）
前記ソーシャルメディアデータは、イベントへの出席率の推定値を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０４）
前記ソーシャルメディアデータは、イベントで使用される輸送手段を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０５）
前記輸送システムへの前記影響は、燃料消費量の削減を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０６）
前記輸送システムへの前記影響は、交通渋滞の緩和を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０７）
前記輸送システムへの前記影響は、二酸化炭素排出量の削減を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０８）
前記輸送システムへの前記影響は、汚染の低減を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５０９）
乗り手満足度の前記最適化された少なくとも１つの側面が、車両の動作状態であることを特徴とする（４７５）項記載の乗り手満足度システム。
（５１０）
乗り手満足度の前記最適化された少なくとも１つの側面が、車両内の状態を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５１１）
乗り手満足度の前記最適化された少なくとも１つの側面が、乗り手の状態を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５１２）
乗り手満足度の前記最適化された少なくとも１つの側面が、ルーティング状態を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５１３）
乗り手満足度の前記最適化された少なくとも１つの側面が、ユーザエクスペリエンスの状態を含むことを特徴とする（４７５）項記載の乗り手満足度システム。
（５１４）
前記ソーシャルメディアデータにおける前記最適化の結果の特徴を、前記最適化を改善するためのフィードバックとして使用することを特徴とする（４７５）項記載の乗り手満足度システム。
（５１５）
前記フィードバックが、前記結果の好き嫌いを含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５１６）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティを含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５１７）
前記フィードバックが、前記結果を参照するソーシャルメディアアクティビティのトレンドを含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５１８）
前記フィードバックが、前記結果に関連するハッシュタグを含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５１９）
前記フィードバックが、前記結果の評価を含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５２０）
前記フィードバックが、前記結果に対する要求を含むことを特徴とする（５１４）項記載の乗り手満足度システム。
（５２１）
輸送システムであって、
１つのニューラルネットワークが、車両の乗り手に対応するセンサ入力を処理して前記乗り手の感情状態を判定し、別のニューラルネットワークが、前記車両の少なくとも１つの動作パラメータを最適化して前記乗り手の感情状態を改善する、ハイブリッドニューラルネットワークを含むことを特徴とする輸送システム。
（５２２）
乗り手の満足度のためのハイブリッドニューラルネットワークであって、
乗り手の生理学的状態を収集するために車両に搭載されたセンサから収集されたデータを分析して、車両を利用している前記乗り手の検出された感情状態を検出する第１ニューラルネットワークと、
前記乗り手の好ましい感情状態を達成するために、前記乗り手の前記検出された感情状態に応じて、前記車両の動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とするハイブリッドニューラルネットワーク。
（５２３）
前記第１ニューラルネットワークがリカレントニューラルネットワークであり、前記第２ニューラルネットワークが放射基底関数ニューラルネットワークであることを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２４）
前記ハイブリッドニューラルネットワークにおける少なくとも１つのニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２５）
前記第２ニューラルネットワークは、車両動作状態と前記乗り手の乗り手感情状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２６）
前記第２ニューラルネットワークは、前記第１ニューラルネットワークによる前記乗り手の前記検出された感情状態の検出に応じて、リアルタイムで前記動作パラメータを最適化することを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２７）
前記第１ニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１ニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２８）
最適化される前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への近接性、及び前記ルート沿いの他の車両への近接性のうち、少なくとも１つに影響を与えることを特徴とする（５２２）項記載のハイブリッドニューラルネットワーク。
（５２９）
乗り手の満足度を最適化するための人工知能システムであって、
車両の利用中に乗り手の感情状態を示すデータを取得するために配置された、少なくとも１つのセンサによって取得された、乗り手の生理学的データのパターンを認識することによって、前記車両内の前記乗り手の感情状態の変化を提示するリカレントニューラルネットワークと、
前記乗り手の好ましい感情状態を達成するために、前記乗り手の前記感情状態の変化の前記提示に応じて、前記車両の動作パラメータを最適化する放射基底関数ニューラルネットワークと、を含むハイブリッドニューラルネットワークを含むことを特徴とする人工知能システム。
（５３０）
最適化されるべき前記車両の前記動作パラメータは、前記乗り手の前記好ましい感情状態を誘発するように決定及び調整されることを特徴とする（５２９）項記載の人工知能システム。
（５３１）
乗り手の満足度を最適化するための人工知能システムであって、
車両の利用中に乗り手の画像を撮影するために配置された、少なくとも１つの画像センサによって撮影された、前記乗り手の画像データのパターンを認識することによって、前記車両内の前記乗り手の感情状態の変化を提示する畳み込みニューラルネットワークと、
前記乗り手の好ましい感情状態を達成するために、前記乗り手の前記感情状態の変化の前記提示に応じて、前記車両の動作パラメータを最適化する第２ニューラルネットワークと、を含むハイブリッドニューラルネットワークを含むことを特徴とする人工知能システム。
（５３２）
最適化されるべき前記車両の前記動作パラメータが、前記乗り手の前記好ましい感情状態を誘発するように決定及び調整されることを特徴とする（５３１）項記載の人工知能システム。
（５３３）
輸送システムであって、
車両内の乗り手の顔の画像の特徴ベクトルを処理して前記乗り手の感情状態を判定し、前記乗り手の前記感情状態を改善するように前記車両の操作パラメータを最適化する、人工知能システムを含むことを特徴とする輸送システム。
（５３４）
前記人工知能システムは、
前記車両内の前記乗り手の顔の画像の前記特徴ベクトルのパターンを認識することにより、前記乗り手の前記感情状態を検出する第１ニューラルネットワークであって、前記特徴ベクトルが、前記乗り手の好ましい感情状態及び前記乗り手の好ましくない感情状態のうち、少なくとも１つを示す前記第１ニューラルネットワークと、
前記乗り手の前記好ましい感情状態を達成するために、前記乗り手の前記検出された感情状態に応じて、前記車両の前記動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とする（５３３）項記載の輸送システム。
（５３５）
前記第１ニューラルネットワークがリカレントニューラルネットワークであり、前記第２ニューラルネットワークが放射基底関数ニューラルネットワークであることを特徴とする（５３４）項記載の輸送システム。
（５３６）
前記第２ニューラルネットワークは、前記車両の動作状態と前記乗り手の前記感情状態との間の相関関係に基づいて、前記動作パラメータを最適化することを特徴とする（５３４）項記載の輸送システム。
（５３７）
前記第２ニューラルネットワークが、前記車両の前記動作パラメータの最適値を決定し、前記輸送システムが、前記車両の前記動作パラメータを前記最適値へと調整して、前記乗り手の前記好ましい感情状態を誘発することを特徴とする（５３４）項記載の輸送システム。
（５３８）
前記第１ニューラルネットワークは、訓練データセットを処理することによって、前記特徴ベクトルの前記パターンを分類すると共に、前記パターンを感情状態のセット及びその変化に関連付けることを更に学習し、
前記訓練データセットが、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手の音声認識システムのうち、少なくとも１つからのデータストリームから供給されることを特徴とする（５３４）項記載の輸送システム。
（５３９）
前記第２ニューラルネットワークは、前記第１ニューラルネットワークによる前記乗り手の前記感情状態の検出に応じて、前記動作パラメータをリアルタイムに最適化することを特徴とする（５３４）項記載の輸送システム。
（５４０）
第１ニューラルネットワークは、前記特徴ベクトルのパターンを検出するものであり、該パターンが、前記乗り手の前記感情状態の、第１の感情状態から第２の感情状態への変化に関連付けられており、
前記第２ニューラルネットワークは、前記感情状態の前記変化に関連付けられた前記パターンの前記検出に応じて、前記車両の前記動作パラメータを最適化することを特徴とする（５３４）項記載の輸送システム。
（５４１）
前記第１ニューラルネットワークは、有向サイクルを形成する複数の相互接続されたノードを含み、前記第１ニューラルネットワークは、前記相互接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（５３４）項記載の輸送システム。
（５４２）
前記乗り手の前記顔の画像のセットを処理する特徴ベクトル生成システムを更に含み、
前記画像のセットは、前記乗り手が前記車両に乗っている間に複数の画像捕捉デバイスによって時間間隔でキャプチャされ、
前記画像のセットの前記処理が、前記乗り手の顔の画像の前記特徴ベクトルを生成することを特徴とする（５３４）項記載の輸送システム。
（５４３）
複数の視点から前記車両内の前記乗り手の顔の前記画像のセットをキャプチャするように配置された画像捕捉デバイスと、
前記複数の視点の少なくとも１つからキャプチャされた前記画像のセットから、前記特徴ベクトルを生成する画像処理システムと、を更に含むことを特徴とする（５３４）項記載の輸送システム。
（５４４）
前記第１ニューラルネットワークと前記画像処理システムとの間に、前記特徴ベクトルの時間シーケンスを通信するインタフェースを更に含み、前記特徴ベクトルが前記乗り手の前記感情状態を示すことを特徴とする（５４３）項記載の輸送システム。
（５４５）
前記特徴ベクトルは、前記乗り手の感情状態の変化、前記乗り手の安定した感情状態、前記乗り手の前記感情状態の変化率、前記乗り手の前記感情状態の変化の方向、前記乗り手の前記感情状態の変化の極性、前記乗り手の前記感情状態が前記好ましくない感情状態に変化していること、及び前記乗り手の前記感情状態が前記好ましい感情状態に変化していること、のうちの少なくとも１つを示すことを特徴とする（５３４）項記載の輸送システム。
（５４６）
最適化される前記動作パラメータが、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（５３４）項記載の輸送システム。
（５４７）
前記第２ニューラルネットワークは、前記動作パラメータを調整するために、車両制御システムと相互作用することを特徴とする（５３４）項記載の輸送システム。
（５４８）
前記人工知能システムは、人間の感覚を模倣する１つ以上のパーセプトロンを含むニューラルネットワークを更に含み、前記乗り手の少なくとも１つの前記感覚が刺激される程度に基づいて、前記乗り手の前記感情状態を判定することを容易にすることを特徴とする（５３４）項記載の輸送システム。
（５４９）
前記人工知能システムは、
前記車両内の前記乗り手の顔の画像の前記特徴ベクトルのパターンを認識することで、前記乗り手の前記感情状態の変化を提示するリカレントニューラルネットワークと、
前記乗り手の前記好ましい感情状態を達成するために、前記乗り手の前記感情状態の変化の前記提示に応じて、前記車両の前記動作パラメータを最適化する放射基底関数ニューラルネットワークと、を含むことを特徴とする（５３３）項記載の輸送システム。
（５５０）
前記放射基底関数ニューラルネットワークは、車両動作状態と乗り手感情状態との間の相関関係に基づいて、前記動作パラメータを最適化するものであることを特徴とする（５４９）項記載の輸送システム。
（５５１）
最適化される前記車両の前記動作パラメータは、好ましい乗り手感情状態を誘発するように決定及び調整されることを特徴とする（５４９）項記載の輸送システム。
（５５２）
前記リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムのうち、少なくとも１つからのデータストリームをソースとする訓練データセットから、前記特徴ベクトルの前記パターンを分類し、前記特徴ベクトルの前記パターンを感情状態及びその変化に関連付けることを、更に学習することを特徴とする（５４９）項記載の輸送システム。
（５５３）
前記放射基底関数ニューラルネットワークは、前記リカレントニューラルネットワークによる前記乗り手の前記感情状態の前記変化の前記検出に応じて、前記動作パラメータをリアルタイムで最適化することを特徴とする（５４９）項記載の輸送システム。
（５５４）
前記リカレントニューラルネットワークは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態へ変化していることを示す、前記特徴ベクトルのパターンを検出し、
前記放射基底関数ニューラルネットワークは、感情状態の前記示された変化に応じて、前記車両の前記動作パラメータを最適化することを特徴とする（５４９）項記載の輸送システム。
（５５５）
前記リカレントニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記リカレントニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（５４９）項記載の輸送システム。
（５５６）
前記乗り手が前記車両に乗っている間に、複数の画像捕捉デバイスから経時的にキャプチャされた、前記乗り手の顔の画像を処理する特徴ベクトル生成システムを更に含み、前記画像の前記処理が、前記特徴ベクトルを生成することを特徴とする（５４９）項記載の輸送システム。
（５５７）
前記車両に乗っている前記乗り手の顔の画像を、複数の視点からキャプチャするように配置された画像捕捉デバイスと、前記複数の視点のうちの少なくとも１つからキャプチャされた前記画像から、前記特徴ベクトルを生成する画像処理システムと、を更に含むことを特徴とする（５４９）項記載の輸送システム。
（５５８）
前記リカレントニューラルネットワークと前記画像処理システムとの間に、前記乗り手の前記感情状態を表す前記特徴ベクトルの時間シーケンスが通信されるインタフェースを更に含むことを特徴とする（５５７）項記載の輸送システム。
（５５９）
前記特徴ベクトルは、前記乗り手の感情状態が変化していること、前記乗り手の前記感情状態が安定していること、前記乗り手の前記感情状態の変化率、前記乗り手の前記感情状態の変化の方向、前記乗り手の前記感情状態の変化の極性、乗り手の前記感情状態が好ましくない感情状態へ変化していること、及び乗り手の前記感情状態が好ましい感情状態へ変化していること、のうちの少なくとも１つを示していることを特徴とする（５４９）項記載の輸送システム。
（５６０）
最適化される前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（５４９）項記載の輸送システム。
（５６１）
前記放射基底関数ニューラルネットワークは、前記操作パラメータを調整するために、車両制御システムと相互作用することを特徴とする（５４９）項記載の輸送システム。
（５６２）
前記人工知能システムは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットワークを更に含み、前記乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、乗り手の前記感情状態を判定することを容易にすることを特徴とする（５４９）項記載の輸送システム。
（５６３）
前記人工知能システムは、モジュール式ニューラルネットワークを介して前記乗り手の前記好ましい感情状態を維持するものであり、
前記モジュール式ニューラルネットワークは、
前記車両内の前記乗り手の顔の画像の前記特徴ベクトルを処理してパターンを検出し、前記特徴ベクトルの前記パターンが、前記好ましい感情状態及び前記好ましくない感情状態のうちの少なくとも１つを示す、乗り手感情状態判定ニューラルネットワークと、
前記乗り手感情状態判定ニューラルネットワークからのデータを車両動作状態データに変換する仲介回路と、
前記車両動作状態データに応じて、前記車両の動作パラメータを調整する車両動作状態最適化ニューラルネットワークと、を含むことを特徴とする（５３３）項記載の輸送システム。
（５６４）
前記車両動作状態最適化ニューラルネットワークが、前記乗り手の好ましい感情状態を達成するために、前記車両の前記動作パラメータを調整することを特徴とする（５６３）項記載の輸送システム。
（５６５）
前記車両動作状態最適化ニューラルネットワークが、車両動作状態と乗り手感情状態との相関関係に基づいて、前記動作パラメータを最適化するものであることを特徴とする（５６３）項記載の輸送システム。
（５６６）
最適化される前記車両の前記動作パラメータが、好ましい乗り手感情状態を誘発するように決定及び調整されることを特徴とする（５６３）項記載の輸送システム。
（５６７）
前記乗り手感情状態判定ニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムのうち、少なくとも１つからのデータストリームから供給された訓練データセットから、前記特徴ベクトルの前記パターンを分類し、前記特徴ベクトルの前記パターンを感情状態及びその変化に関連付けることを更に学習することを特徴とする（５６３）項記載の輸送システム。
（５６８）
前記車両動作状態最適化ニューラルネットワークは、前記乗り手感情状態判定ニューラルネットワークによる前記乗り手の感情状態の変化の前記検出に応じて、前記動作パラメータをリアルタイムで最適化するものであることを特徴とする（５６３）項記載の輸送システム。
（５６９）
前記乗り手感情状態判定ニューラルネットワークは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す前記特徴ベクトルのパターンを検出するものであり、
前記車両動作状態最適化ニューラルネットワークは、感情状態の前記示された変化に応じて、前記車両の前記動作パラメータを最適化するものであることを特徴とする（５６３）項記載の輸送システム。
（５７０）
前記人工知能システムは、有向サイクルを形成する複数の接続されたノードを含み、前記人工知能システムは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（５６３）項記載の輸送システム。
（５７１）
前記乗り手が前記車両に乗っている間に複数の画像捕捉デバイスから経時的にキャプチャされた、前記乗り手の顔の画像を処理し、該画像の処理によって特徴ベクトルを生成する、特徴ベクトル生成システムを更に含むことを特徴とする（５６３）項記載の輸送システム。
（５７２）
前記車両に乗っている前記乗り手の顔の画像を、複数の視点からキャプチャするように配置された画像捕捉デバイスと、前記複数の視点のうちの少なくとも１つからキャプチャされた画像から、特徴ベクトルを生成する画像処理システムと、を更に含むことを特徴とする（５６３）項記載の輸送システム。
（５７３）
前記乗り手の感情状態を表す特徴ベクトルの時間シーケンスが通信されるインタフェースを、前記乗り手感情状態判定ニューラルネットワークと前記画像処理システムとの間に更に含むことを特徴とする（５７２）項記載の輸送システム。
（５７４）
前記特徴ベクトルは、前記乗り手の前記感情状態が変化していること、前記乗り手の前記感情状態が安定していること、前記乗り手の前記感情状態の変化率、前記乗り手の前記感情状態の変化方向、及び前記乗り手の前記感情状態の変化の極性のうち、少なくとも１つを示すと共に、乗り手の前記環状状態が好ましくない感情状態へ変形していること、及び乗り手の前記環状状態が好ましい感情状態へ変形していることを示していることを特徴とする（５６３）項記載の輸送システム。
（５７５）
最適化される前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（５６３）項記載の輸送システム。
（５７６）
前記車両動作状態最適化ニューラルネットワークが、前記動作パラメータを調整するために車両制御システムと相互作用することを特徴とする（５６３）項記載の輸送システム。
（５７７）
前記人工知能システムは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを更に含み、前記乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、乗り手の感情状態を判定することを容易にすることを特徴とする（５６３）項記載の輸送システム。
（５７８）
前記乗り手感情状態判定ニューラルネットワークは、人間の感覚を模倣する１つ以上のパーセプトロンを含み、前記乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、乗り手の感情状態を判定することを容易にすることを特徴とする（５６３）項記載の輸送システム。
（５７９）
前記人工知能システムは、前記車両内の前記乗り手の顔の画像の、前記特徴ベクトルのパターンの認識を通じて、前記車両内の前記乗り手の前記感情状態の変化を示すリカレントニューラルネットワークを含み、
前記輸送システムは、
複数の車両動作パラメータを調整することによって、前記車両の動作を制御する車両制御システムと、
前記車両制御システムと前記人工知能システムとの間で、前記乗り手の前記感情状態の示された変化を伝達するフィードバックループであって、前記車両制御システムが、前記乗り手の前記感情状態の示された変化に応じて、前記複数の車両動作パラメータのうちの少なくとも１つを調整する前記フィードバックループと、を更に含むことを特徴とする（５３３）項記載の輸送システム。
（５８０）
前記車両制御システムが、車両動作状態と乗り手感情状態との相関関係に基づいて、前記複数の車両動作パラメータのうちの少なくとも１つを調整することを特徴とする（５７９）項記載の輸送システム。
（５８１）
前記車両制御システムが、好ましい乗り手感情状態を示す、前記複数の車両動作パラメータのうちの少なくとも１つを調整することを特徴とする（５７９）項記載の輸送システム。
（５８２）
前記車両制御システムが、好ましい乗り手の感情状態を生成することを示す、前記複数の車両動作パラメータのうちの少なくとも１つの調整を選択することを特徴とする（５７９）項記載の輸送システム。
（５８３）
前記リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムのうち、少なくとも１つからのデータストリームから供給された訓練データセットから、特徴ベクトルの前記パターンを分類し、それらを感情状態及びその変化に関連付けることを更に学習することを特徴とする（５７９）項記載の輸送システム。
（５８４）
前記車両制御システムは、前記複数の車両動作パラメータのうちの少なくとも１つをリアルタイムで調整することを特徴とする（５７９）項記載の輸送システム。
（５８５）
前記リカレントニューラルネットワークは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す前記特徴ベクトルのパターンを検出し、
前記車両動作制御システムは、前記示された感情状態の変化に応じて、前記車両の動作パラメータを調整することを特徴とする（５７９）項記載の輸送システム。
（５８６）
前記リカレントニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記リカレントニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（５７９）項記載の輸送システム。
（５８７）
前記車両内の前記乗り手の顔の画像を複数の視点からキャプチャするように配置された画像捕捉デバイスと、前記複数の視点のうちの少なくとも１つからキャプチャされた画像から、特徴ベクトルを生成する画像処理システムと、を更に含むことを特徴とする（５７９）項記載の輸送システム。
（５８８）
前記人工知能システムと前記画像処理システムとの間に、前記乗り手の感情状態を表す特徴ベクトルの時間シーケンスが通信されるインタフェースを更に含むことを特徴とする（５８７）項記載の輸送システム。
（５８９）
前記乗り手が前記車両に乗っている間に、複数の画像捕捉デバイスから経時的にキャプチャされた、前記乗り手の顔の画像を処理する特徴ベクトル生成システムを更に含むことを特徴とする（５７９）項記載の輸送システム。
（５９０）
前記特徴ベクトルは、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示すと共に、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（５７９）項記載の輸送システム。
（５９１）
応答的に調整される前記複数の車両動作パラメータのうちの少なくとも１つが、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への近接性、前記ルート沿いの他の車両への近接性に、影響を与えることを特徴とする（５７９）項記載の輸送システム。
（５９２）
応答的に調整される前記複数の車両動作パラメータのうちの少なくとも１つが、前記車両のパワートレイン及び前記車両のサスペンションシステムの動作に影響を与えることを特徴とする（５７９）項記載の輸送システム。
（５９３）
前記少なくとも１つの動作パラメータを調整するために前記車両制御システムと相互作用する、車両動作状態放射基底関数ニューラルネットワークを更に含むことを特徴とする（５７９）項記載の輸送システム。
（５９４）
前記放射基底関数ニューラルネットワークは、前記車両の現在の動作状態に対する前記乗り手の感情状態の反応を示す車両制御データを生成する、前記人工知能システムの仲介コンポーネントを介して、前記リカレントニューラルネットワークと相互作用することを特徴とする（５９３）項記載の輸送システム。
（５９５）
前記乗り手感情状態リカレントニューラルネットワークと、車両動作状態放射基底関数ニューラルネットワークと、仲介システムとを含むモジュール式ニューラルネットワークを更に含み、前記仲介システムは、前記リカレントニューラルネットワークからの乗り手感情状態特徴付けデータを、ＲＢＦが前記少なくとも１つの動作パラメータの調整のために前記車両制御システムと相互作用するために使用する、車両制御データへと処理することを特徴とする（５７９）項記載の輸送システム。
（５９６）
人間の感覚を模倣する１つ以上のパーセプトロンを含み、前記乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて乗り手の感情状態を判定することを容易にする、ニューラルネットを更に含むことを特徴とする（５７９）項記載の輸送システム。
（５９７）
特徴ベクトルのパターンを前記認識することは、前記複数の車両動作パラメータのうちの少なくとも１つを調整する前、前記複数の車両動作パラメータのうちの少なくとも１つを調整している間、及び前記複数の車両動作パラメータのうちの少なくとも１つを調整した後のうち、少なくとも２つの期間に撮影された、前記乗り手の顔の画像の前記特徴ベクトルを処理することを含むことを特徴とする（５７９）項記載の輸送システム。
（５９８）
前記複数の車両動作パラメータの少なくとも１つの調整により、車両内の乗り手の感情状態が改善されることを特徴とする（５７９）項記載の輸送システム。
（５９９）
前記複数の車両動作パラメータの少なくとも１つの調整により、前記乗り手の感情状態が好ましくない感情状態から好ましい感情状態へと変化し、該変化が前記リカレントニューラルネットワークによって示されることを特徴とする（５７９）項記載の輸送システム。
（６００）
前記リカレントニューラルネットワークは、前記複数の動作パラメータのうちの少なくとも１つを調整する前に撮影された、乗り手の顔の画像の特徴ベクトルの第１セットと、前記複数の動作パラメータのうちの少なくとも１つを調整している間又はその後に撮影された、乗り手の顔の画像の特徴ベクトルの第２セットとの間の差を判定することによって、前記車両の動作パラメータの変化に応じて前記乗り手の感情状態の変化を示すことを特徴とする（５７９）項記載の輸送システム。
（６０１）
前記リカレントニューラルネットワークは、前記乗り手の感情状態が第１の感情状態から第２の感情状態に変化していることを示す前記特徴ベクトルのパターンを検出し、前記車両動作制御システムは、前記示された感情状態の変化に応じて、前記車両の動作パラメータを調整することを特徴とする（５７９）項記載の輸送システム。
（６０２）
輸送システムであって、
車両内の乗り手の音声を処理して前記乗り手の感情状態を判定し、前記乗り手の前記感情状態を改善するように、前記車両の少なくとも１つの動作パラメータを最適化する、人工知能システムを含むことを特徴とする輸送システム。
（６０３）
輸送システムにおける乗り手の満足度を向上させるための、音声処理のための人工知能システムであって、
車両を利用している乗り手の音声出力を捕捉するように配置された乗り手音声捕捉システムと、
前記乗り手の前記捕捉された音声出力について前記乗り手の感情状態を分類する、機械学習を使用して訓練された音声解析回路と、
前記乗り手の感情状態を改善された感情状態として分類される感情状態に変更するために、前記車両の少なくとも１つの動作パラメータを最適化する、機械学習を使用して訓練されたエキスパートシステムと、を含むことを特徴とする人工知能システム。
（６０４）
前記乗り手音声捕捉システムは、前記乗り手との対話を行い、前記音声分析回路が乗り手の感情状態を分類するために使用する乗り手のフィードバックを取得する、知的エージェントを含むことを特徴とする（６０３）項記載の人工知能システム。
（６０５）
前記音声分析回路が第１の機械学習システムを使用し、前記エキスパートシステムが第２の機械学習システムを使用することを特徴とする（６０３）項記載の人工知能システム。
（６０６）
前記エキスパートシステムは、個人のセットについて前記少なくとも１つの動作パラメータを調整する際に、前記感情状態の結果のフィードバックに基づいて、前記少なくとも１つの動作パラメータを最適化するように訓練されることを特徴とする（６０３）項記載の人工知能システム。
（６０７）
ルールベースの乗り手状態モデルを更に含み、該モデルは、該モデルのパラメータに関する継続的な対話を介して前記乗り手の前記感情状態を継続的に監視しながら、車両状態の反復のセットを構成することを特徴とする（６０３）項記載の人工知能システム。
（６０８）
前記乗り手の前記感情状態が、前記乗り手の前記捕捉された音声出力と、少なくとも１つの他のパラメータとの組み合わせによって判定されることを特徴とする（６０３）項記載の人工知能システム。
（６０９）
前記少なくとも１つの他のパラメータが、前記乗り手のカメラベースの感情状態の判定であることを特徴とする（６０８）項記載の人工知能システム。
（６１０）
前記少なくとも１つの他のパラメータが、交通情報であることを特徴とする（６０８）項記載の人工知能システム。
（６１１）
前記少なくとも１つの他のパラメータが、気象情報であることを特徴とする（６０８）項記載の人工知能システム。
（６１２）
前記少なくとも１つの他のパラメータが、車両状態であることを特徴とする（６０８）項記載の人工知能システム。
（６１３）
前記少なくとも１つの他のパラメータが、前記乗り手の生理学的データの少なくとも１つのパターンであることを特徴とする（６０８）項記載の人工知能システム。
（６１４）
前記少なくとも１つの他のパラメータが、前記車両のルートであることを特徴とする（６０８）項記載の人工知能システム。
（６１５）
前記少なくとも１つの他のパラメータが、車載オーディオコンテンツであることを特徴とする（６０８）項記載の人工知能システム。
（６１６）
前記少なくとも１つの他のパラメータが、前記車両の速度であることを特徴とする（６０８）項記載の人工知能システム。
（６１７）
前記少なくとも１つの他のパラメータが、前記車両の加速度であることを特徴とする（６０８）項記載の人工知能システム。
（６１８）
前記少なくとも１つの他のパラメータが、前記車両の減速度であることを特徴とする（６０８）項記載の人工知能システム。
（６１９）
前記少なくとも１つの他のパラメータが、ルート沿いの物体への近接性であることを特徴とする（６０８）項記載の人工知能システム。
（６２０）
前記少なくとも１つの他のパラメータが、ルート沿いの他の車両への近接性であることを特徴とする（６０８）項記載の人工知能システム。
（６２１）
乗り手の満足度を向上させるための、音声処理のための人工知能システムであって、
人の音声の分析に基づいて感情状態を分類するように訓練され、乗り手が車両に乗っている間に捕捉された前記乗り手の音声のうち、前記乗り手の少なくとも１つの感情状態に相関する側面を認識することによって、前記乗り手の感情状態を検出する第１ニューラルネットワークと、
前記乗り手の好ましい感情状態を達成するために、前記乗り手の前記検出された感情状態に応じて、前記車両の動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とする人工知能システム。
（６２２）
前記ニューラルネットワークの少なくとも１つが、畳み込みニューラルネットワークであることを特徴とする（６２１）項記載の人工知能システム。
（６２３）
前記第１ニューラルネットワークは、感情状態のクラスを人間の音声のパターンと関連付ける、訓練データセットを使用して訓練されることを特徴とする（６２１）項記載の人工知能システム。
（６２４）
前記第１ニューラルネットワークは、感情状態識別データでタグ付けされた音声記録の訓練データセットを使用して訓練されることを特徴とする（６２１）項記載の人工知能システム。
（６２５）
ルールベースの乗り手状態モデルを更に含み、該モデルは、該モデルのパラメータに関する継続的な対話を介して前記乗り手の前記感情状態を継続的に監視しながら、車両状態の反復のセットを構成することを特徴とする（６２１）項記載の人工知能システム。
（６２６）
前記乗り手の前記感情状態が、前記乗り手の前記捕捉された音声出力と、少なくとも１つの他のパラメータとの組み合わせによって判定されることを特徴とする（６２１）項記載の人工知能システム。
（６２７）
前記少なくとも１つの他のパラメータが、前記乗り手のカメラベースの感情状態判定であることを特徴とする（６２６）項記載の人工知能システム。
（６２８）
前記少なくとも１つの他のパラメータが、交通情報であることを特徴とする（６２６）項記載の人工知能システム。
（６２９）
前記少なくとも１つの他のパラメータが、気象情報であることを特徴とする（６２６）項記載の人工知能システム。
（６３０）
前記少なくとも１つの他のパラメータが、車両の状態であることを特徴とする（６２６）項記載の人工知能システム。
（６３１）
前記少なくとも１つの他のパラメータが、前記乗り手の生理学的データの少なくとも１つのパターンであることを特徴とする（６２６）項記載の人工知能システム。
（６３２）
前記少なくとも１つの他のパラメータが、前記車両のルートであることを特徴とする（６２６）項記載の人工知能システム。
（６３３）
前記少なくとも１つの他のパラメータが、車載オーディオコンテンツであることを特徴とする（６２６）項記載の人工知能システム。
（６３４）
前記少なくとも１つの他のパラメータが、前記車両の速度であることを特徴とする（６２６）項記載の人工知能システム。
（６３５）
前記少なくとも１つの他のパラメータが、前記車両の加速度であることを特徴とする（６２６）項記載の人工知能システム。
（６３６）
前記少なくとも１つの他のパラメータが、前記車両の減速度であることを特徴とする（６２６）項記載の人工知能システム。
（６３７）
前記少なくとも１つの他のパラメータが、ルート沿いの物体への近接性であることを特徴とする（６２６）項記載の人工知能システム。
（６３８）
前記少なくとも１つの他のパラメータが、ルート沿いの他の車両への近接性であることを特徴とする（６２６）項記載の人工知能システム。
（６３９）
輸送システムであって、
車両の電子商取引システムとの乗り手のインタラクションからのデータを処理して乗り手状態を判定し、前記乗り手状態を改善するように、前記車両の少なくとも１つの動作パラメータを最適化する、人工知能システムを含むことを特徴とする輸送システム。
（６４０）
乗り手の満足度を最適化するための乗り手満足度システムであって、
車両内の乗り手によりアクセスされるように配置された電子商取引インタフェースと、
前記配置されたインタフェースとの乗り手のインタラクションを捕捉する乗り手インタラクション回路と、
前記捕捉された前記乗り手インタラクションを処理して乗り手状態を判定する乗り手状態判定回路と、
乗り手状態に応じて、前記乗り手状態を改善するために、前記車両の動作に影響を与える少なくとも１つのパラメータを最適化するように訓練された人工知能システムと、を含むことを特徴とする乗り手満足度システム。
（６４１）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（６４０）項記載の乗り手満足度システム。
（６４２）
前記車両が、少なくとも半自律的な車両であることを特徴とする（６４０）項記載の乗り手満足度システム。
（６４３）
前記車両が、自動的にルーティングされることを特徴とする（６４０）項記載の乗り手満足度システム。
（６４４）
前記車両が、自動運転車両であることを特徴とする（６４０）項記載の乗り手満足度システム。
（６４５）
前記電子商取引インタフェースは、自己適応型であって、前記乗り手のアイデンティティ、前記車両のルート、乗り手の気分、乗り手の行動、車両構成、及び車両状態のうち、少なくとも１つに反応することを特徴とする（６４０）項記載の乗り手満足度システム。
（６４６）
前記電子商取引インタフェースは、前記乗り手のアイデンティティ、前記車両のルート、乗り手の気分、乗り手の行動、車両構成、及び車両状態のうち、少なくとも１つに基づいた、車内関連コンテンツを提供することを特徴とする（６４０）項記載の乗り手満足度システム。
（６４７）
前記電子商取引インタフェースは、車両内の乗り手による使用に適合した、ユーザインタラクションワークフローを実行することを特徴とする（６４０）項記載の乗り手満足度システム。
（６４８）
前記電子商取引インタフェースは、車両内での提示に適合した、検索クエリの１つ以上の結果を提供することを特徴とする（６４０）項記載の乗り手満足度システム。
（６４９）
車両内での提示に適合した前記検索クエリの結果が、車両内での提示に適合した広告と共に、前記電子商取引インタフェースにおいて提示されることを特徴とする（６４０）項記載の乗り手満足度システム。
（６５０）
前記乗り手インタラクション回路は、前記インタフェースに提示されたコンテンツに反応して、イ前記ンタフェースとの乗り手インタラクションを捕捉することを特徴とする（６４０）項記載の乗り手満足度システム。
（６５１）
車両のパラメータを最適化する方法であって、
車内の電子商取引システムでの乗り手インタラクションを捕捉すること、
前記捕捉された乗り手インタラクションと前記車両の少なくとも１つの動作パラメータとに基づいて、乗り手状態を判定すること、
前記乗り手状態を、該乗り手状態に影響を与える車両の少なくとも１つの動作パラメータを提案するように適合された乗り手満足度モデルで処理すること、及び、
前記提案された少なくとも１つの動作パラメータを、乗り手状態の維持及び改善の少なくとも一方のために最適化すること、を含むことを特徴とする方法。
（６５２）
乗り手の満足度を改善するための人工知能システムであって、
乗り手が車両に乗っている間に捕捉された乗り手インタラクションのうち、前記乗り手の少なくとも１つの状態に相関する側面を認識することによって乗り手状態を検出するために、車内の電子商取引システムとの乗り手インタラクションの分析に基づいて、乗り手の状態を分類するように訓練された第１ニューラルネットワークと、
前記乗り手の好ましい状態を実現するために、前記乗り手の前記検出された状態に応じて、前記車両の動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とする人工知能システム。
（６５３）
輸送システムであって、
自動運転車両の環境にある少なくとも１つのモノのインターネットデバイスからのデータを処理して、前記自動運転車両の判定された状態を判定し、前記自動運転車両の前記判定された状態に基づいて、乗り手の状態を改善するために、前記自動運転車両の少なくとも１つの動作パラメータを最適化する、人工知能システムを含むことを特徴とする輸送システム。
（６５４）
車両の動作を最適化することで乗り手の状態を改善する方法であって、
少なくとも１つのモノのインターネットデバイスを用いて、車両動作関連データを捕捉すること、
前記捕捉されたデータを、前記捕捉された車両動作関連データの一部に少なくとも部分的に基づいて前記車両の状態を判定する第１ニューラルネットワークで分析すること、
動作中の前記車両に乗っている乗り手の状態を表すデータを受信すること、
ニューラルネットワークを用いて、動作中の前記車両に乗っている乗り手の状態に影響を与える少なくとも１つの車両動作パラメータを決定すること、及び、
人工知能ベースのシステムを使用して、前記少なくとも１つの車両動作パラメータを最適化し、該最適化の結果、前記乗り手の状態が改善されるようにすること、を含むことを特徴とする方法。
（６５５）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（６５４）項記載の方法。
（６５６）
前記車両が、少なくとも半自律的な車両であることを特徴とする（６５５）項記載の方法。
（６５７）
前記車両が、自動的にルーティングされることを特徴とする（６５６）項記載の方法。
（６５８）
前記車両が、自動運転車両であることを特徴とする（６５７）項記載の方法。
（６５９）
前記少なくとも１つのモノのインターネットデバイスが、自動運転車両の動作環境に配置されることを特徴とする（６５４）項記載の方法。
（６６０）
前記車両に関するデータを捕捉する前記少なくとも１つのモノのインターネットデバイスが、前記車両の外部に配置されていることを特徴とする（６５４）項記載の方法。
（６６１）
前記少なくとも１つのモノのインターネットデバイスが、ダッシュボードカメラであることを特徴とする（６５４）項記載の方法。
（６６２）
前記少なくとも１つのモノのインターネットデバイスが、ミラーカメラであることを特徴とする（６５４）項記載の方法。
（６６３）
前記少なくとも１つのモノのインターネットデバイスが、モーションセンサであることを特徴とする（６５４）項記載の方法。
（６６４）
前記少なくとも１つのモノのインターネットデバイスが、シートベースのセンサシステムであることを特徴とする（６５４）項記載の方法。
（６６５）
前記少なくとも１つのモノのインターネットデバイスが、ＩｏＴ対応の照明システムであることを特徴とする（６５４）項記載の方法。
（６６６）
前記照明システムが、車両の室内照明システムであることを特徴とする（６６５）項記載の方法。
（６６７）
前記照明システムが、ヘッドライト照明システムであることを特徴とする（６６５）項記載の方法。
（６６８）
前記少なくとも１つのモノのインターネットデバイスが、交通信号機のカメラ又はセンサであることを特徴とする（６５４）項記載の方法。
（６６９）
前記少なくとも１つのモノのインターネットデバイスが、路上カメラであることを特徴とする（６５４）項記載の方法。
（６７０）
前記路上カメラが、電話機及び電柱の少なくとも一方に配置されていることを特徴とする（６６９）項記載の方法。
（６７１）
前記少なくとも１つのモノのインターネットデバイスが、路上センサであることを特徴とする（６５４）項記載の方法。
（６７２）
前記少なくとも１つのモノのインターネットデバイスが、車載サーモスタットであることを特徴とする（６５４）項記載の方法。
（６７３）
前記少なくとも１つのモノのインターネットデバイスが、料金所であることを特徴とする（６５４）項記載の方法。
（６７４）
前記少なくとも１つのモノのインターネットデバイスが、道路標識であることを特徴とする（６５４）項記載の方法。
（６７５）
前記少なくとも１つのモノのインターネットデバイスが、交通規制灯であることを特徴とする（６５４）項記載の方法。
（６７６）
前記少なくとも１つのモノのインターネットデバイスが、車両搭載センサであることを特徴とする（６５４）項記載の方法。
（６７７）
前記少なくとも１つのモノのインターネットデバイスが、燃料補給システムであることを特徴とする（６５４）項記載の方法。
（６７８）
前記少なくとも１つのモノのインターネットデバイスが、再充電システムであることを特徴とする（６５４）項記載の方法。
（６７９）
前記少なくとも１つのモノのインターネットデバイスが、ワイヤレス充電ステーションであることを特徴とする（６５４）項記載の方法。
（６８０）
車両内の乗り手の状態を改善するための乗り手状態修正システムであって、
前記車両の動作中にモノのインターネットデバイスによって捕捉された前記車両に関する情報を分析して、前記車両の状態を分類するように動作する第１ニューラルネットワークと、
前記車両の前記分類された状態、前記車両に乗っている乗り手の状態に関する情報、及び車両動作と乗り手状態への影響とを関連付ける情報に基づいて、前記車両の少なくとも１つの動作パラメータを最適化するように動作する第２ニューラルネットワークと、を含むことを特徴とする乗り手状態修正システム。
（６８１）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（６８０）項記載の乗り手状態修正システム。
（６８２）
前記車両が、少なくとも半自律的な車両であることを特徴とする（６８１）項記載の乗り手状態修正システム。
（６８３）
前記車両が、自動的にルーティングされることを特徴とする（６８２）項記載の乗り手状態修正システム。
（６８４）
前記車両が、自動運転車両であることを特徴とする（６８３）項記載の乗り手状態修正システム。
（６８５）
少なくとも１つの前記モノのインターネットデバイスが、自動運転車両の動作環境に配置されていることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６８６）
前記車両に関するデータを捕捉する少なくとも１つの前記モノのインターネットデバイスが、前記車両の外部に配置されていることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６８７）
少なくとも１つの前記モノのインターネットデバイスが、ダッシュボードカメラであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６８８）
少なくとも１つの前記モノのインターネットデバイスが、ミラーカメラであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６８９）
少なくとも１つの前記モノのインターネットデバイスが、モーションセンサであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９０）
少なくとも１つの前記モノのインターネットデバイスが、シートベースのセンサシステムであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９１）
少なくとも１つの前記モノのインターネットデバイスが、ＩｏＴ対応の照明システムであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９２）
前記照明システムが、車両内部の照明システムであることを特徴とする（６９１）項記載の乗り手状態修正システム。
（６９３）
前記照明システムが、ヘッドライト照明システムであることを特徴とする（６９１）項記載の乗り手状態修正システム。
（６９４）
少なくとも１つの前記モノのインターネットデバイスが、交通信号カメラ又はセンサであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９５）
少なくとも１つの前記モノのインターネットデバイスが、路上カメラであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９６）
前記路上カメラが、電話機と電柱との少なくとも一方に配置されていることを特徴とする（６９５）項記載の乗り手状態修正システム。
（６９７）
少なくとも１つの前記モノのインターネットデバイスが、路上センサであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９８）
少なくとも１つの前記モノのインターネットデバイスが、車載サーモスタットであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（６９９）
少なくとも１つの前記モノのインターネットデバイスが、料金所であることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７００）
少なくとも１つの前記モノのインターネットデバイスが、道路標識であることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０１）
少なくとも１つの前記モノのインターネットデバイスが、交通規制灯であることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０２）
少なくとも１つの前記モノのインターネットデバイスが、車両搭載センサであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０３）
少なくとも１つの前記モノのインターネットデバイスが、燃料補給システムであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０４）
少なくとも１つの前記モノのインターネットデバイスが、再充電システムであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０５）
少なくとも１つの前記モノのインターネットデバイスが、ワイヤレス充電ステーションであることを特徴とする（６８０）項記載の乗り手状態修正システム。
（７０６）
人工知能システムであって、
車両の動作環境で捕捉された前記車両に関するデータから、前記車両の動作状態を判定するように訓練されると共に、前記車両が動作している間に少なくとも１つのモノのインターネットデバイスによって捕捉された、前記車両に関する情報を処理することによって、車両の動作状態を識別するように動作する第１ニューラルネットワークと、
車両の動作状態に影響を与える動作パラメータの決定を容易にするデータ構造と、
前記車両に乗車している乗り手の状態に関する情報、及び車両動作と乗り手状態への影響とを関連付ける情報を処理することにより、前記識別された動作状態に基づいて、前記車両の前記決定された動作パラメータのうち少なくとも１つを最適化するように動作する第２ニューラルネットワークと、を含むことを特徴とする人工知能システム。
（７０７）
前記乗り手の前記状態の改善が、前記最適化された少なくとも１つの車両動作パラメータに基づく前記車両動作に応答して捕捉された、前記乗り手の状態を記述する更新データに反映されることを特徴とする（７０６）項記載の人工知能システム。
（７０８）
前記乗り手の前記状態の改善が、前記最適化に応答して前記車両に乗っている間に前記乗り手に関する情報を捕捉するように配置された、少なくとも１つのモノのインターネットデバイスによって捕捉されたデータに反映されることを特徴とする（７０６）項記載の人工知能システム。
（７０９）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（７０６）項記載の人工知能システム。
（７１０）
前記車両が、少なくとも半自律的な車両であることを特徴とする（７０９）項記載の人工知能システム。
（７１１）
前記車両が、自動的にルーティングされることを特徴とする（７１０）項記載の人工知能システム。
（７１２）
前記車両が、自動運転車両であることを特徴とする（７１１）項記載の人工知能システム。
（７１３）
前記少なくとも１つのモノのインターネットデバイスが、自動運転車両の動作環境に配置されていることを特徴とする（７０６）項記載の人工知能システム。
（７１４）
前記車両に関するデータを取得する前記少なくとも１つのモノのインターネットデバイスが、前記車両の外部に配置されていることを特徴とする（７０６）項記載の人工知能システム。
（７１５）
前記少なくとも１つのモノのインターネットデバイスが、ダッシュボードカメラであることを特徴とする（７０６）項記載の人工知能システム。
（７１６）
前記少なくとも１つのモノのインターネットデバイスが、ミラーカメラであることを特徴とする（７０６）項記載の人工知能システム。
（７１７）
前記少なくとも１つのモノのインターネットデバイスが、モーションセンサであることを特徴とする（７０６）項記載の人工知能システム。
（７１８）
前記少なくとも１つのモノのインターネットデバイスが、シートベースのセンサシステムであることを特徴とする（７０６）項記載の人工知能システム。
（７１９）
前記少なくとも１つのモノのインターネットデバイスが、ＩｏＴ対応の照明システムであることを特徴とする（７０６）項記載の人工知能システム。
（７２０）
前記照明システムは、車両の室内照明システムであることを特徴とする（７１９）項記載の人工知能システム。
（７２１）
前記照明システムは、ヘッドライト照明システムであることを特徴とする（７１９）項記載の人工知能システム。
（７２２）
前記少なくとも１つのモノのインターネットデバイスが、交通信号カメラ又はセンサであることを特徴とする（７０６）項記載の人工知能システム。
（７２３）
前記少なくとも１つのモノのインターネットデバイスが、路上カメラであることを特徴とする（７０６）項記載の人工知能システム。
（７２４）
前記路上カメラが、電話機と電柱との少なくとも一方に配置されていることを特徴とする（７２３）項記載の人工知能システム。
（７２５）
前記少なくとも１つのモノのインターネットデバイスが、路上センサであることを特徴とする（７０６）項記載の人工知能システム。
（７２６）
前記少なくとも１つのモノのインターネットデバイスが、車載サーモスタットであることを特徴とする（７０６）項記載の人工知能システム。
（７２７）
前記少なくとも１つのモノのインターネットデバイスが、料金所であることを特徴とする（７０６）項記載の人工知能システム。
（７２８）
前記少なくとも１つのモノのインターネットデバイスが、道路標識であることを特徴とする（７０６）項記載の人工知能システム。
（７２９）
前記少なくとも１つのモノのインターネットデバイスが、交通規制灯であることを特徴とする（７０６）項記載の人工知能システム。
（７３０）
前記少なくとも１つのモノのインターネットデバイスが、車両搭載センサであることを特徴とする（７０６）項記載の人工知能システム。
（７３１）
前記少なくとも１つのモノのインターネットデバイスが、燃料補給システムであることを特徴とする（７０６）項記載の人工知能システム。
（７３２）
前記少なくとも１つのモノのインターネットデバイスが、再充電システムであることを特徴とする（７０６）項記載の人工知能システム。
（７３３）
前記少なくとも１つのモノのインターネットデバイスが、ワイヤレス充電ステーションであることを特徴とする（７０６）項記載の人工知能システム。
（７３４）
輸送システムであって、
車両内のウェアラブルデバイスからの感覚入力を処理して、前記車両内の乗り手の感情状態を判定し、前記乗り手の前記感情状態を改善するために、前記車両の動作パラメータを最適化する人工知能システムを含むことを特徴とする輸送システム。
（７３５）
前記車両が自動運転車両であり、
前記人工知能システムは、前記自動運転車両に乗っている前記乗り手の前記感情状態を、前記乗り手が装着しているウェアラブルセンサのセットからの感情状態提示データのパターンを認識することによって検出するものであり、前記パターンが、前記乗り手の好ましい感情状態及び前記乗り手の好ましくない感情状態のうちの少なくとも１つを示し、
前記人工知能システムは、前記乗り手の検出された好ましい感情状態を維持すること、及び好ましくない感情状態の検出に続いて乗り手の好ましい感情状態を達成することのうち、少なくとも一方を達成するために、前記乗り手の検出された感情状態に応じて前記車両の前記動作パラメータを最適化するものであることを特徴とする（７３４）項記載の輸送システム。
（７３６）
前記人工知能システムは、前記乗り手が装着したウェアラブルセンサのセットから受信した乗り手感情状態提示データを処理することにより、前記乗り手の感情状態を検出するエキスパートシステムを含むことを特徴とする（７３５）項記載の輸送システム。
（７３７）
前記エキスパートシステムは、乗り手のセットの感情状態指標のトレーニングセットと、トレーナーが生成した乗り手感情状態指標とのうち、少なくとも一方を使用して、前記乗り手感情状態提示データを処理することを特徴とする（７３６）項記載の輸送システム。
（７３８）
前記人工知能システムは、前記乗り手の前記感情状態を検出するリカレントニューラルネットワークを含むことを特徴とする（７３５）項記載の輸送システム。
（７３９）
前記リカレントニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記リカレントニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（７３８）項記載の輸送システム。
（７４０）
前記人工知能システムは、前記動作パラメータを最適化する放射基底関数ニューラルネットワークを含むことを特徴とする（７３８）項記載の輸送システム。
（７４１）
前記人工知能システムは、前記動作パラメータを最適化する放射基底関数ニューラルネットワークを含むことを特徴とする（７３５）項記載の輸送システム。
（７４２）
動作パラメータの前記最適化は、車両動作状態と乗り手感情状態との間の相関関係に基づいて行われることを特徴とする（７３５）項記載の輸送システム。
（７４３）
前記相関関係は、乗り手のセットの感情状態指標のトレーニングセットと、人間のトレーナーが生成した乗り手感情状態指標とのうち、少なくとも一方を使用して決定されることを特徴とする（７４２）項記載の輸送システム。
（７４４）
最適化される前記車両の前記動作パラメータは、好ましい乗り手の感情状態を誘発するように決定及び調整されることを特徴とする（７３５）項記載の輸送システム。
（７４５）
前記人工知能システムは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムからのうち、少なくとも１つのデータのストリームから供給された訓練データセットから、前記感情状態提示データの前記パターンを分類し、前記パターンを前記感情状態及びその変化に関連付けることを更に学習することを特徴とする（７３５）項記載の輸送システム。
（７４６）
前記人工知能システムは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す、前記乗り手感情状態提示データのパターンを検出し、前記車両の前記動作パラメータの前記最適化が、感情状態の前記示された変化に応答していることを特徴とする（７３５）項記載の輸送システム。
（７４７）
乗り手感情状態提示データの前記パターンは、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示し、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（７３５）項記載の輸送システム。
（７４８）
最適化される前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（７３５）項記載の輸送システム。
（７４９）
前記人工知能システムが、車両制御システムと相互作用して、前記動作パラメータを最適化することを特徴とする（７３５）項記載の輸送システム。
（７５０）
前記人工知能システムは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを更に含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて前記乗り手の感情状態を判定することを容易にすることを特徴とする（７３５）項記載の輸送システム。
（７５１）
前記ウェアラブルセンサのセットが、腕時計、リング、リストバンド、アームバンド、アンクルバンド、トルソーバンド、スキンパッチ、頭部装着デバイス、アイグラス、フットウェア、グローブ、インイヤーデバイス、衣類、ヘッドフォン、ベルト、フィンガーリング、サムリング、トゥリング、及びネックレスのうち、少なくとも２つを含むことを特徴とする（７３５）項記載の輸送システム。
（７５２）
前記人工知能システムは、前記乗り手の感情状態を好ましい感情状態と好ましくない感情状態との少なくとも１つとして示す、ウェアラブルセンサ生成の感情状態提示データのパターンを判定するために、深層学習を使用することを特徴とする（７３５）項記載の輸送システム。
（７５３）
前記人工知能システムは、乗り手の示された感情状態を達成及び維持することの少なくとも一方のために、前記動作パラメータを少なくとも最適化することによって、前記乗り手の示された感情状態に応答することを特徴とする（７３５）項記載の輸送システム。
（７５４）
前記人工知能システムは、前記乗り手が前記自動運転車両に乗る目的、時間帯、交通状況、天候を示すデータを含む、複数のソースから収集されたコンテキストに基づいて、前記乗り手の好ましい感情状態の特徴を適応させ、該適応された好ましい感情状態を達成及び維持するために前記動作パラメータを最適化することを特徴とする（７３５）項記載の輸送システム。
（７５５）
前記人工知能システムは、前記乗り手の感情状態の検出に応答して、リアルタイムで前記動作パラメータを最適化することを特徴とする（７３５）項記載の輸送システム。
（７５６）
前記車両が自動運転車両であり、
前記人工知能システムは、
前記車両内の前記乗り手により装着された複数のウェアラブル生理学的状態センサの、乗り手の感情状態を示すウェアラブルセンサデータをエキスパートシステムベースで処理することにより、前記乗り手の前記感情状態を検出する第１ニューラルネットワークであって、前記感情状態を示すウェアラブルセンサデータが、前記乗り手の好ましい感情状態及び前記乗り手の好ましくない感情状態のうちの少なくとも１つを示している、前記第１ニューラルネットワークと、
前記乗り手の好ましい感情状態の達成と維持との少なくとも一方のために、前記検出された前記乗り手の感情状態に応じて、前記車両の前記動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とする（７３４）項記載の輸送システム。
（７５７）
前記第１ニューラルネットワークがリカレントニューラルネットワークであり、前記第２ニューラルネットワークが放射基底関数ニューラルネットワークであることを特徴とする（７５６）項記載の輸送システム。
（７５８）
前記第２ニューラルネットワークは、車両動作状態と乗り手感情状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする（７５６）項記載の輸送システム。
（７５９）
最適化される前記車両の前記動作パラメータは、好ましい乗り手の感情状態を誘発するように決定及び調整されることを特徴とする（７５６）項記載の輸送システム。
（７６０）
前記第１ニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムからのうち、少なくとも１つのデータストリームをソースとする訓練データセットから、乗り手の感情状態を示す前記ウェアラブルセンサデータのパターンを分類し、前記パターンを感情状態及びその変化に関連付けることを更に学習することを特徴とする（７５６）項記載の輸送システム。
（７６１）
前記第２ニューラルネットワークは、前記第１ニューラルネットワークによる前記乗り手の感情状態の検出に応答して、前記動作パラメータをリアルタイムに最適化することを特徴とする（７５６）項記載の輸送システム。
（７６２）
前記第１ニューラルネットワークは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す、乗り手の感情状態を示す前記ウェアラブルセンサデータのパターンを検出し、前記第２ニューラルネットワークは、前記示された感情状態の変化に応答して、前記車両の前記動作パラメータを最適化することを特徴とする（７５６）項記載の輸送システム。
（７６３）
前記第１ニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１ニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（７５６）項記載の輸送システム。
（７６４）
前記第１ニューラルネットは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、前記乗り手の感情状態を判定することを容易にすることを特徴とする（７５６）項記載の輸送システム。
（７６５）
前記第１ニューラルネットワークで使用するための、追加の乗り手感情状態提示データを捕捉するように配置された、乗り手生理学的状態センサを更に含むことを特徴とする（７５６）項記載の輸送システム。
（７６６）
乗り手の感情状態を示す前記ウェアラブルセンサデータは、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示し、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（７５６）項記載の輸送システム。
（７６７）
最適化される前記動作パラメータが、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への近接性、及び前記ルート沿いの他の車両への近接性のうち、少なくとも１つに影響を与えることを特徴とする（７５６）項記載の輸送システム。
（７６８）
前記第２ニューラルネットワークは、車両制御システムと相互作用して前記動作パラメータを調整することを特徴とする（７５６）項記載の輸送システム。
（７６９）
前記第１ニューラルネットワークは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、前記乗り手の感情状態を判定することを容易にすることを特徴とする（７５６）項記載の輸送システム。
（７７０）
前記車両が自動運転車両であり、
前記人工知能システムは、前記乗り手により装着されたウェアラブルセンサのセットからの感情状態提示データのパターンを認識することによって、前記自動運転車両に乗っている前記乗り手の前記感情状態の変化を少なくとも部分的に検出するものであり、前記パターンが、前記乗り手の好ましい感情状態の減少及び前記乗り手の好ましくない感情状態の開始のうち、少なくとも一方を示し、
前記人工知能システムは、感情状態提示データの前記パターンと前記車両の動作パラメータのセットとの相関関係に基づいて、感情状態の前記変化を示す前記自動運転車両の少なくとも１つの動作パラメータを判定するものであり、
前記人工知能システムは、前記乗り手の前記好ましい感情状態の回復と、乗り手の前記好ましくない感情状態の発症の低減とのうち、少なくとも一方を達成するために、前記少なくとも１つの動作パラメータの調整を決定するものであることを特徴とする（７３４）項記載の輸送システム。
（７７１）
乗り手の感情状態を示すウェアラブルセンサデータのパターンの前記相関関係が、乗り手のセットの感情状態ウェアラブルセンサ指標のトレーニングセットと、人間のトレーナーが生成した乗り手の感情状態ウェアラブルセンサ指標とのうち、少なくとも１つを使用して決定されることを特徴とする（７７０）項記載の輸送システム。
（７７２）
前記人工知能システムは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムからのうち、少なくとも１つのデータストリームから供給された訓練データセットから、感情状態を示す前記ウェアラブルセンサデータの前記パターンを分類し、該パターンを乗り手の感情状態の変化に関連付けることを更に学習することを特徴とする（７７０）項記載の輸送システム。
（７７３）
乗り手の感情状態を示すウェアラブルセンサデータの前記パターンが、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示し、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（７７０）項記載の輸送システム。
（７７４）
乗り手の感情状態を示す前記ウェアラブルセンサデータを処理した結果から決定された前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（７７０）項記載の輸送システム。
（７７５）
前記人工知能システムは、前記動作パラメータを調整するために車両制御システムと更に相互作用することを特徴とする（７７０）項記載の輸送システム。
（７７６）
前記人工知能システムは、乗り手の感覚の少なくとも１つが刺激される程度に基づいて前記乗り手の感情状態を判定することを容易にする、人間の前記感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを更に含むことを特徴とする（７７０）項記載の輸送システム。
（７７７）
前記ウェアラブルセンサのセットが、腕時計、リング、リストバンド、アームバンド、アンクルバンド、トルソーバンド、スキンパッチ、頭部装着デバイス、アイグラス、フットウェア、グローブ、インイヤーデバイス、衣類、ヘッドフォン、ベルト、フィンガーリング、サムリング、トゥリング、及びネックレスのうち、少なくとも２つを含むことを特徴とする（７７０）項記載の輸送システム。
（７７８）
前記人工知能システムは、前記乗り手の感情状態の前記変化を示す、ウェアラブルセンサ生成の感情状態提示データのパターンを決定するために、深層学習を使用することを特徴とする（７７０）項記載の輸送システム。
（７７９）
前記人工知能システムは、更に、前記乗り手が前記自動運転車両に乗る目的、時間帯、交通状況、天候を示すデータを含む、複数のソースから収集されたコンテキストに基づいて、前記乗り手の感情状態の前記変化を判定し、適応された好ましい感情状態を達成及び維持することの少なくとも一方のために、前記動作パラメータを最適化することを特徴とする（７７０）項記載の輸送システム。
（７８０）
前記人工知能システムは、乗り手の感情状態の変化を検出したことに応答して、前記動作パラメータをリアルタイムに調整することを特徴とする（７７０）項記載の輸送システム。
（７８１）
前記車両が自動運転車両であり、
前記人工知能システムは、
乗り手が装着しているウェアラブルセンサのセットからの、感情状態を示すウェアラブルセンサデータのパターンを認識することによって、前記自動運転車両内の前記乗り手の前記感情状態の変化を示すリカレントニューラルネットワークであって、前記パターンが、前記乗り手の好ましい感情状態の第１の程度及び前記乗り手の好ましくない感情状態の第２の程度のうち、少なくとも一方を示す前記リカレントニューラルネットワークと、
前記乗り手の目標とする感情状態を達成するために、前記乗り手の感情状態の前記変化が示されることに応答して、前記車両の前記動作パラメータを最適化する放射基底関数ニューラルネットワークと、を含むことを特徴とする（７３４）項記載の輸送システム。
（７８２）
更に、前記乗り手の目標とする感情状態を推奨するエキスパートシステムを含むことを特徴とする（７８１）項記載の輸送システム。
（７８３）
前記乗り手の前記目標とする感情状態を達成するために、前記車両の前記動作パラメータを含む前記車両の構成を推奨するエキスパートシステムを更に含み、前記エキスパートシステムは、前記推奨された構成を、前記乗り手に似ていると判定された乗り手からの、複数の構成に対する好意的な反応に基づいたものとすることを特徴とする（７８１）項記載の輸送システム。
（７８４）
前記自動運転車両内の前記乗り手が、前記目標とする感情状態を示すことを可能にするインタフェースを更に含むことを特徴とする（７８１）項記載の輸送システム。
（７８５）
前記放射基底関数ニューラルネットワークは、車両動作状態と乗り手感情状態との間の相関関係に基づいて、前記動作パラメータを最適化することを特徴とする（７８１）項記載の輸送システム。
（７８６）
前記目標とする感情状態は、好ましい乗り手感情状態であり、最適化される前記車両の前記動作パラメータは、前記好ましい乗り手感情状態を誘発するように決定及び調整されることを特徴とする（７８１）項記載の輸送システム。
（７８７）
前記リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムからのうち、少なくとも１つのデータのストリームをソースとする訓練データセットから、感情状態を示すウェアラブルセンサデータの前記パターンを分類し、それらを感情状態及びその変化に関連付けることを更に学習することを特徴とする（７８１）項記載の輸送システム。
（７８８）
前記放射基底関数ニューラルネットワークは、前記リカレントニューラルネットワークによる前記乗り手の感情状態の変化の検出に応答して、リアルタイムで前記動作パラメータを最適化することを特徴とする（７８１）項記載の輸送システム。
（７８９）
前記リカレントニューラルネットワークは、前記乗り手の感情状態が第１の感情状態から第２の感情状態に変化していることを示す、感情状態を示す前記ウェアラブルセンサデータのパターンを検出し、前記放射基底関数ニューラルネットワークは、前記示された感情状態の変化に応じて、前記車両の前記動作パラメータを最適化することを特徴とする（７８１）項記載の輸送システム。
（７９０）
前記リカレントニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記リカレントニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（７８１）項記載の輸送システム。
（７９１）
感情状態を示すウェアラブルセンサデータの前記パターンは、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示し、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（７８１）項記載の輸送システム。
（７９２）
最適化される前記動作パラメータが、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（７８１）項記載の輸送システム。
（７９３）
前記放射基底関数ニューラルネットワークは、車両制御システムと相互作用して前記動作パラメータを調整することを特徴とする（７８１）項記載の輸送システム。
（７９４）
前記リカレントニューラルネットは、人間の感覚を模倣する１つ以上のパーセプトロンを含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて、前記乗り手の感情状態を判定することを容易にすることを特徴とする（７８１）項記載の輸送システム。
（７９５）
前記人工知能システムは、モジュール式ニューラルネットワークの使用によって、前記乗り手の好ましい感情状態を維持するものであり、
前記モジュール式ニューラルネットワークは、
善意車両内の乗り手の感情状態を示すウェアラブルセンサデータを処理してパターンを検出する乗り手感情状態判定ニューラルネットワークであって、感情状態を示す前記ウェアラブルセンサデータで検出された前記パターンが、前記乗り手の好ましい感情状態及び前記乗り手の好ましくない感情状態のうち、少なくとも１つを示すものである前記乗り手感情状態判定ニューラルネットワークと、
前記乗り手感情状態判定ニューラルネットワークからの出力データを、車両動作状態データへと変換する仲介回路と、
前記車両動作状態データに応じて、前記車両の前記動作パラメータを調整する車両動作状態最適化ニューラルネットワークと、を含むことを特徴とする（７３４）項記載の輸送システム。
（７９６）
前記車両動作状態最適化ニューラルネットワークは、前記乗り手の好ましい感情状態を達成するために、前記車両の動作パラメータを調整することを特徴とする（７９５）項記載の輸送システム。
（７９７）
前記車両動作状態最適化ニューラルネットワークは、車両動作状態と乗り手感情状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする（７９５）項記載の輸送システム。
（７９８）
最適化される前記車両の前記動作パラメータは、好ましい乗り手の感情状態を誘発するように決定及び調整されることを特徴とする（７９５）項記載の輸送システム。
（７９９）
前記乗り手感情状態判定ニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手のボイスシステムからのうち、少なくとも１つのデータのストリームをソースとする訓練データセットから、感情状態を示すウェアラブルセンサデータの前記パターンを分類し、それらを感情状態及びその変化に関連付けることを更に学習することを特徴とする（７９５）項記載の輸送システム。
（８００）
前記車両動作状態最適化ニューラルネットワークは、前記乗り手感情状態判定ニューラルネットワークによる前記乗り手の感情状態の変化の検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする（７９５）項記載の輸送システム。
（８０１）
前記乗り手感情状態判定ニューラルネットワークは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す、感情状態を指すウェアラブルセンサデータのパターンを検出し、前記車両動作状態最適化ニューラルネットワークは、前記示された感情状態の変化に応じて、前記車両の前記動作パラメータを最適化することを特徴とする（７９５）項記載の輸送システム。
（８０２）
前記人工知能システムは、有向サイクルを形成する複数の接続されたノードを含み、前記人工知能システムは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（７９５）項記載の輸送システム。
（８０３）
感情状態を示すウェアラブルセンサデータの前記パターンは、前記乗り手の感情状態が変化していること、前記乗り手の感情状態が安定していること、前記乗り手の感情状態の変化率、前記乗り手の感情状態の変化方向、及び前記乗り手の感情状態の変化の極性のうち、少なくとも１つを示し、乗り手の感情状態が好ましくない状態に変化していること、及び乗り手の感情状態が好ましい状態に変化していることを示すことを特徴とする（７９５）項記載の輸送システム。
（８０４）
最適化される前記動作パラメータが、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への接近、及び前記ルート沿いの他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする（７９５）項記載の輸送システム。
（８０５）
前記車両動作状態最適化ニューラルネットワークは、車両制御システムと相互作用して前記動作パラメータを調整することを特徴とする（７９５）項記載の輸送システム。
（８０６）
前記人工知能システムは、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを更に含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて前記乗り手の感情状態を判定することを容易にすることを特徴とする（７９５）項記載の輸送システム。
（８０７）
前記乗り手感情状態判定ニューラルネットワークは、人間の感覚を模倣する１つ以上のパーセプトロンを含み、乗り手の前記感覚の少なくとも１つが刺激される程度に基づいて前記乗り手の感情状態を判定することを容易にすることを特徴とする（７９５）項記載の輸送システム。
（８０８）
前記人工知能システムは、前記車両内の乗り手の感情状態を示すウェアラブルセンサデータのパターンを認識することによって、前記車両内の前記乗り手の前記感情状態の変化を提示するものであり、
前記輸送システムは、
複数の車両動作パラメータを調整して前記車両の動作を制御する車両制御システムと、
前記車両制御システムと前記人工知能システムとの間で、前記乗り手の感情状態の変化の前記提示が伝達されるフィードバックループであって、前記車両制御システムが、前記変化の前記提示に応答して、前記複数の車両動作パラメータのうちの少なくとも１つを調整する前記フィードバックループと、を更に含むことを特徴とする（７３４）項記載の輸送システム。
（８０９）
前記車両制御システムは、車両動作状態と乗り手感情状態との相関関係に基づいて、前記複数の車両動作パラメータのうちの前記少なくとも１つを調整することを特徴とする（８０８）項記載の輸送システム。
（８１０）
前記車両制御システムは、好ましい乗り手の感情状態を示す、前記複数の車両動作パラメータのうちの前記少なくとも１つを調整することを特徴とする（８０８）項記載の輸送システム。
（８１１）
前記車両制御システムは、好ましい乗り手の感情状態を生み出すことを示す、前記複数の車両動作パラメータのうちの前記少なくとも１つの調整を選択することを特徴とする（８０８）項記載の輸送システム。
（８１２）
前記人工知能システムは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、乗り手のヘルメット、乗り手のヘッドギア、及び乗り手の音声システムのうち、少なくとも１つからのデータのストリームから供給された訓練データセットから、感情状態を示すウェアラブルセンサデータの前記パターンを分類し、それらを感情状態及びその変化に関連付けることを更に学習することを特徴とする（８０８）項記載の輸送システム。
（８１３）
前記車両制御システムは、前記複数の車両動作パラメータのうちの前記少なくとも１つをリアルタイムで調整することを特徴とする（８０８）項記載の輸送システム。
（８１４）
前記人工知能システムは、前記乗り手の前記感情状態が第１の感情状態から第２の感情状態に変化していることを示す、感情状態を示す前記ウェアラブルセンサデータのパターンを更に検出し、前記車両動作制御システムは、前記示された感情状態の変化に応答して、前記車両の動作パラメータを調整することを特徴とする（８０８）項記載の輸送システム。
（８１５）
前記人工知能システムは、有向サイクルを形成する複数の接続されたノードを含み、前記人工知能システムは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする（８０８）項記載の輸送システム。
（８１６）
応答的に調整される前記複数の車両動作パラメータのうちの前記少なくとも１つは、前記車両のパワートレイン及び前記車両のサスペンションシステムの動作に影響を与えることを特徴とする（８０８）項記載の輸送システム。
（８１７）
前記少なくとも１つの動作パラメータを調整するために前記車両制御システムと相互作用する、車両動作状態放射基底関数ニューラルネットワークを更に含むことを特徴とする（８０８）項記載の輸送システム。
（８１８）
前記放射基底関数ニューラルネットワークは、前記車両の現在の動作状態に対する前記乗り手の感情状態の反応を示す車両制御データを生成する、人工知能システムの仲介コンポーネントを介して、リカレントニューラルネットワークと相互作用することを特徴とする（８１７）項記載の輸送システム。
（８１９）
前記人工知能システムは、乗り手の感情状態の前記変化を示すための乗り手感情状態リカレントニューラルネットワークと、車両動作状態放射基底関数ニューラルネットワークと、仲介システムと、を含むモジュール式ニューラルネットワークを更に含み、前記仲介システムは、前記リカレントニューラルネットワークからの乗り手感情状態特性データを、前記放射基底関数ニューラルネットワークが前記少なくとも１つの動作パラメータを調整するために前記車両制御システムとの対話に使用する、車両制御データへと処理することを特徴とする（８０８）項記載の輸送システム。
（８２０）
前記人工知能システムは、乗り手の感覚の少なくとも１つが刺激される程度に基づいて前記乗り手の感情状態を判定することを容易にする、人間の前記感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを含むことを特徴とする（８０８）項記載の輸送システム。
（８２１）
感情状態を示すウェアラブルセンサデータのパターンの前記認識は、前記複数の車両動作パラメータのうちの前記少なくとも１つを調整する前、前記複数の車両動作パラメータのうちの前記少なくとも１つを調整している間、及び前記複数の車両動作パラメータのうちの前記少なくとも１つを調整した後のうち、少なくとも２つの期間に捕捉された感情状態を示す前記ウェアラブルセンサデータを処理することを含むことを特徴とする（８０８）項記載の輸送システム。
（８２２）
前記人工知能システムは、前記複数の動作パラメータのうちの少なくとも１つの前記調整の前に捕捉された、乗り手の感情状態を示すウェアラブルセンサデータの第１のセットと、前記複数の動作パラメータのうちの少なくとも１つの前記調整の間又は前記調整の後に捕捉された、前記乗り手の感情状態を示すウェアラブルセンサデータの第２のセットとの間の、差を判定することによって、前記車両の動作パラメータの変化に反応した前記乗り手の前記感情状態の変化を示すことを特徴とする（８０８）項記載の輸送システム。
（８２３）
輸送システムであって、
車両の乗り手に対するシート内広告のための広告市場を管理する認知システムを含み、該認知システムは、前記車両又は前記乗り手の少なくとも１つのパラメータに対応する入力を取り、前記車両のシートにいる乗り手に対してインタフェース内で配信される広告の特性を決定し、前記広告の前記特性が、価格、カテゴリ、位置、及びそれらの組み合わせからなるグループから選択されることを特徴とする輸送システム。
（８２４）
車両のシート内広告の方法であって、
車両の少なくとも１つのパラメータに関連する入力を取ること、
前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力を取ること、及び、
前記車両に関連する入力及び前記乗り手に関連する入力に基づいて、前記車両内のシートにいる乗り手に対して前記車両のインタフェース内で配信する広告の、価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定すること、を含むことを特徴とする方法。
（８２５）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（８２４）項記載の方法。
（８２６）
前記車両が、少なくとも半自律的な車両であることを特徴とする（８２５）項記載の方法。
（８２７）
前記車両が、自動的にルーティングされることを特徴とする（８２６）項記載の方法。
（８２８）
前記車両が、自動運転車両であることを特徴とする（８２７）項記載の方法。
（８２９）
前記認知システムは、更に、広告掲載の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを特徴とする（８２４）項記載の方法。
（８３０）
落札した広告主から、広告が配信されることを特徴とする（８２４）項記載の方法。
（８３１）
広告を配信することが、落札に基づいて行われることを特徴とする（８２４）項記載の方法。
（８３２）
広告を配信すること及び掲載の機会を落札することの、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（８２４）項記載の方法。
（８３３）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（８２４）項記載の方法。
（８３４）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（８２４）項記載の方法。
（８３５）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（８２４）項記載の方法。
（８３６）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（８２４）項記載の方法。
（８３７）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（８２４）項記載の方法。
（８３８）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（８２４）項記載の方法。
（８３９）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の人口統計情報を含むことを特徴とする（８２４）項記載の方法。
（８４０）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の感情状態を含むことを特徴とする方法。
ことを特徴とする（８２４）項記載の方法。
（８４１）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（８２４）項記載の方法。
（８４２）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（８２４）項記載の方法。
（８４３）
車内広告インタラクションを追跡する方法であって、
車両の少なくとも１つのパラメータに関連する入力と、前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力とを取ること、
複数の車両にわたって前記入力を集約すること、
認知システムを使用して、前記集約された入力に基づいて、車内広告の掲載の機会を決定すること、
前記掲載の機会の入札を容易にする広告ネットワークにおいて、前記掲載の機会を提供すること、
前記入札の結果に基づいて、前記車両のユーザインタフェース内に掲載する広告を配信すること、及び、
前記車両の前記ユーザインタフェースに提示された前記広告に対する、車両の乗り手のインタラクションを監視すること、を含むことを特徴とする方法。
（８４４）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（８４３）項記載の方法。
（８４５）
前記車両が、少なくとも半自律的な車両であることを特徴とする（８４４）項記載の方法。
（８４６）
前記車両が、自動的にルーティングされることを特徴とする（８４５）項記載の方法。
（８４７）
前記車両が、自動運転車両であることを特徴とする（８４６）項記載の方法。
（８４８）
落札した広告主から、広告が配信されることを特徴とする（８４３）項記載の方法。
（８４９）
広告を配信することが、落札に基づいて行われることを特徴とする（８４３）項記載の方法。
（８５０）
広告を配信すること及び掲載の機会を落札することの、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（８４３）項記載の方法。
（８５１）
前記広告との前記乗り手のインタラクションに起因する取引の決済として、支払いを解決することを更に含むことを特徴とする（８４３）項記載の方法。
（８５２）
前記監視された車両の乗り手のインタラクション情報を、広告ネットワークに提供することを更に含むことを特徴とする（８４３）項記載の方法。
（８５３）
前記監視された車両の乗り手のインタラクション情報が、クリックベースの支払いを解決するための情報を含むことを特徴とする（８４３）項記載の方法。
（８５４）
前記監視された車両の乗り手のインタラクション情報が、前記監視の分析結果を含むことを特徴とする（８４３）項記載の方法。
（８５５）
前記分析結果が、前記広告への関心の尺度であることを特徴とする（８５４）項記載の方法。
（８５６）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（８５４）項記載の方法。
（８５７）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（８４３）項記載の方法。
（８５８）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（８４３）項記載の方法。
（８５９）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（８４３）項記載の方法。
（８６０）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（８４３）項記載の方法。
（８６１）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（８４３）項記載の方法。
（８６２）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の人口統計情報を含むことを特徴とする（８４３）項記載の方法。
（８６３）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の感情状態を含むことを特徴とする（８４３）項記載の方法。
（８６４）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（８４３）項記載の方法。
（８６５）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（８４３）項記載の方法。
（８６６）
車内広告の方法であって、
車両の少なくとも１つのパラメータに関連する入力と、前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力とを取ること、
複数の車両にわたって前記入力を集約すること、
認知システムを使用して、前記集約された入力に基づいて、車内広告の掲載の機会を決定すること、
前記掲載の機会の入札を促進する広告ネットワークにおいて、前記掲載の機会を提供すること、及び、
前記入札の結果に基づいて、前記車両のインタフェース内に掲載する広告を配信すること、を含むことを特徴とする方法。
（８６７）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（８６６）項記載の方法。
（８６８）
前記車両が、少なくとも半自律的な車両であることを特徴とする（８６７）項記載の方法。
（８６９）
前記車両が、自動的にルーティングされることを特徴とする（８６８）項記載の方法。
（８７０）
前記車両が、自動運転車両であることを特徴とする（８６９）項記載の方法。
（８７１）
前記認知システムは、更に、広告掲載の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを特徴とする（８６６）項記載の方法。
（８７２）
落札した広告主から、広告が配信されることを特徴とする（８６６）項記載の方法。
（８７３）
広告の配信が、落札に基づいて行われることを特徴とする（８６６）項記載の方法。
（８７４）
広告を前記配信すること及び掲載の機会を落札することの、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（８６６）項記載の方法。
（８７５）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（８６６）項記載の方法。
（８７６）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（８６６）項記載の方法。
（８７７）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（８６６）項記載の方法。
（８７８）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（８６６）項記載の方法。
（８７９）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（８６６）項記載の方法。
（８８０）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（８６６）項記載の方法。
（８８１）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の人口統計情報を含むことを特徴とする（８６６）項記載の方法。
（８８２）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の感情状態を含むことを特徴とする（８６６）項記載の方法。
（８８３）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（８６６）項記載の方法。
（８８４）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（８６６）項記載の方法。
（８８５）
車両のシート内広告の広告システムであって、
車両の少なくとも１つのパラメータに関連する入力を取ると共に、前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力を取り、前記車両に関連する入力及び前記乗り手に関連する入力に基づいて、前記車両内のシートにいる乗り手に対して前記車両のインタフェース内で配信される広告の、価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定する、認知システムを含むことを特徴とする広告システム。
（８８６）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（８８５）項記載の広告システム。
（８８７）
前記車両が、少なくとも半自律的な車両であることを特徴とする（８８６）項記載の広告システム。
（８８８）
前記車両が、自動的にルーティングされることを特徴とする（８８７）項記載の広告システム。
（８８９）
前記車両が、自動運転車両であることを特徴とする（８８８）項記載の広告システム。
（８９０）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（８８５）項記載の広告システム。
（８９１）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（８８５）項記載の広告システム。
（８９２）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（８８５）項記載の広告システム。
（８９３）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（８８５）項記載の広告システム。
（８９４）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（８８５）項記載の広告システム。
（８９５）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（８８５）項記載の広告システム。
（８９６）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の人口統計情報を含むことを特徴とする（８８５）項記載の広告システム。
（８９７）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の感情状態を含むことを特徴とする（８８５）項記載の広告システム。
（８９８）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（８８５）項記載の広告システム。
（８９９）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（８８５）項記載の広告システム。
（９００）
更に、前記車両の少なくとも１つのパラメータに関連する前記入力から車両動作状態を判定し、配信される前記広告が、前記判定された車両動作状態に少なくとも部分的に基づいて決定されることを特徴とする（８８５）項記載の広告システム。
（９０１）
更に、前記乗り手の少なくとも１つのパラメータに関連する前記入力から乗り手状態を判定し、配信される前記広告が、前記判定された乗り手状態に少なくとも部分的に基づいて決定されることを特徴とする（８８５）項記載の広告システム。
（９０２）
輸送システムであって、
車両の乗り手に対するシート内広告のための広告市場を管理するハイブリッド認知システムを含み、該ハイブリッド認知システムの少なくとも１つの部分が、前記車両の少なくとも１つのパラメータに対応する入力を処理して車両動作状態を判定し、前記認知システムの少なくとも１つの他の部分が、乗り手に関連する入力を処理して乗り手状態を判定し、
前記認知システムは、前記車両のシートにいる前記乗り手に対してインタフェース内で配信される広告の特性を決定し、該広告の特性が、価格、カテゴリ、位置、及びそれらの組み合わせからなるグループから選択されることを特徴とする輸送システム。
（９０３）
車両のシート内広告のための人工知能システムであって、
前記車両の少なくとも１つのパラメータに関連する入力を処理することにより、前記車両の動作状態を判定する前記人工知能システムの第１の部分と、
乗り手の少なくとも１つのパラメータに関連する入力を処理することにより、前記車両の前記乗り手の状態を判定する前記人工知能システムの第２の部分と、
前記車両の状態及び前記乗り手の状態に基づいて、前記車両のシートにいる乗り手に対して前記車両のインタフェース内で配信される広告の、価格、分類、コンテンツ、及び位置のうち、少なくとも１つを決定する前記人工知能システムの第３の部分と、を含むことを特徴とする人工知能システム。
（９０４）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９０３）項記載の人工知能システム。
（９０５）
前記車両が、少なくとも半自律的な車両であることを特徴とする（９０４）項記載の人工知能システム。
（９０６）
前記車両が、自動的にルーティングされることを特徴とする（９０５）項記載の人工知能システム。
（９０７）
前記車両が、自動運転車両であることを特徴とする（９０６）項記載の人工知能システム。
（９０８）
前記認知システムは、更に、広告掲載の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを特徴とする（９０３）項記載の人工知能システム。
（９０９）
落札した広告主から、広告が配信されることを特徴とする（９０３）項記載の人工知能システム。
（９１０）
広告の配信が、落札に基づいて行われることを特徴とする（９０３）項記載の人工知能システム。
（９１１）
広告の前記配信と掲載の機会の落札との、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（９０３）項記載の人工知能システム。
（９１２）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両の分類を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１３）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１４）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１５）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（９０３）項記載の人工知能システム。
（９１６）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１７）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１８）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の人口統計情報を含むことを特徴とする（９０３）項記載の人工知能システム。
（９１９）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手の感情状態を含むことを特徴とする（９０３）項記載の人工知能システム。
（９２０）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（９０３）項記載の人工知能システム。
（９２１）
乗り手の前記少なくとも１つのパラメータに関連する前記入力は、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（９０３）項記載の人工知能システム。
（９２２）
車内広告インタラクションを追跡する方法であって、
車両の少なくとも１つのパラメータに関連する入力と、前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力とを取得すること、
複数の車両にわたって前記入力を集約すること、
ハイブリッド認知システムを用いて、前記集約された入力に基づいて車内広告の掲載の機会を決定すること、
前記掲載の機会への入札を促進する広告ネットワークにおいて、前記掲載の機会を提供すること、
前記入札の結果に基づいて、前記車両のユーザインタフェースに掲載するための広告を配信すること、及び、
前記車両のユーザインタフェース内に提示された広告に対する、車両の乗り手のインタラクションを監視すること、を含むことを特徴とする方法。
（９２３）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９２２）項記載の方法。
（９２４）
前記車両が、少なくとも半自律的な車両であることを特徴とする（９２３）項記載の方法。
（９２５）
前記車両が、自動的にルーティングされることを特徴とする（９２４）項記載の方法。
（９２６）
前記車両が、自動運転車両であることを特徴とする（９２５）項記載の方法。
（９２７）
前記ハイブリッド認知システムの第１の部分が、前記車両の少なくとも１つのパラメータに関連する入力を処理することによって、前記車両の動作状態を判定することを特徴とする（９２２）項記載の方法。
（９２８）
前記ハイブリッド認知システムの第２の部分が、前記乗り手の少なくとも１つのパラメータに関連する入力を処理することによって、前記車両の前記乗り手の状態を判定することを特徴とする（９２２）項記載の方法。
（９２９）
前記ハイブリッド認知システムの第３の部分が、前記車両の状態及び前記乗り手の状態に基づいて、前記車両内のシートにいる乗り手に対して前記車両のインタフェース内で配信される広告の、価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを特徴とする（９２２）項記載の方法。
（９３０）
落札した広告主から、広告が配信されることを特徴とする（９２２）項記載の方法。
（９３１）
広告を配信することが、落札に基づいて行われることを特徴とする（９２２）項記載の方法。
（９３２）
広告の前記配信と掲載の機会の落札との、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（９２２）項記載の方法。
（９３３）
前記広告との前記乗り手のインタラクションに起因する取引の決済として、支払いを解決することを更に含むことを特徴とする（９２２）項記載の方法。
（９３４）
前記監視された車両の乗り手のインタラクション情報を、広告ネットワークに提供することを更に含むことを特徴とする（９２２）項記載の方法。
（９３５）
前記監視された車両の乗り手のインタラクション情報が、クリックベースの支払いを解決するための情報を含むことを特徴とする（９２２）項記載の方法。
（９３６）
前記監視された車両の乗り手のインタラクション情報が、前記監視の分析結果を含むことを特徴とする（９２２）項記載の方法。
（９３７）
前記分析結果が、前記広告への関心の尺度であることを特徴とする（９３６）項記載の方法。
（９３８）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（９２２）項記載の方法。
（９３９）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（９２２）項記載の方法。
（９４０）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（９２２）項記載の方法。
（９４１）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（９２２）項記載の方法。
（９４２）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（９２２）項記載の方法。
（９４３）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（９２２）項記載の方法。
（９４４）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の人口統計情報を含むことを特徴とする（９２２）項記載の方法。
（９４５）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の感情状態を含むことを特徴とする（９２２）項記載の方法。
（９４６）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（９２２）項記載の方法。
（９４７）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（９２２）項記載の方法。
（９４８）
車内広告の方法であって、
車両の少なくとも１つのパラメータに関連する入力と、前記車両に乗っている乗り手の少なくとも１つのパラメータに関連する入力とを取得すること、
複数の車両にわたって前記入力を集約すること、
ハイブリッド認知システムを用いて、前記集約された入力に基づいて車内広告の掲載の機会を決定すること、
前記掲載の機会への入札を促進すること広告ネットワークにおいて、前記掲載の機会を提供すること、及び、
前記入札の結果に基づいて、前記車両のインタフェース内に掲載するための広告を配信すること、を含むことを特徴とする方法。
（９４９）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９４８）項記載の方法。
（９５０）
前記車両が、少なくとも半自律的な車両であることを特徴とする（９４９）項記載の方法。
（９５１）
前記車両が、自動的にルーティングされることを特徴とする（９５０）項記載の方法。
（９５２）
前記車両が、自動運転車両であることを特徴とする（９５１）項記載の方法。
（９５３）
前記ハイブリッド認知システムの第１の部分が、前記車両の少なくとも１つのパラメータに関連する入力を処理することによって、前記車両の動作状態を判定することを特徴とする（９４８）項記載の方法。
（９５４）
前記ハイブリッド認知システムの第２の部分が、前記乗り手の少なくとも１つのパラメータに関連する入力を処理することによって、前記車両の前記乗り手の状態を判定することを特徴とする（９４８）項記載の方法。
（９５５）
前記ハイブリッド認知システムの第３の部分が、前記車両の状態及び前記乗り手の状態に基づいて、前記車両内のシートにいる乗り手に対して前記車両のインタフェース内で配信される広告の、価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを特徴とする（９４８）項記載の方法。
（９５６）
落札した広告主から、広告が配信されることを特徴とする（９４８）項記載の方法。
（９５７）
広告の配信は、落札に基づいて行われることを特徴とする（９４８）項記載の方法。
（９５８）
広告の前記配信と掲載の機会への落札との、少なくとも一方に対する決済として、支払いを解決することを更に含むことを特徴とする（９４８）項記載の方法。
（９５９）
車両の前記少なくとも１つのパラメータに関連する前記入力は、車両分類を含むことを特徴とする（９４８）項記載の方法。
（９６０）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ディスプレイ分類を含むことを特徴とする（９４８）項記載の方法。
（９６１）
車両の前記少なくとも１つのパラメータに関連する前記入力は、オーディオシステム機能を含むことを特徴とする（９４８）項記載の方法。
（９６２）
車両の前記少なくとも１つのパラメータに関連する前記入力は、画面サイズを含むことを特徴とする（９４８）項記載の方法。
（９６３）
車両の前記少なくとも１つのパラメータに関連する前記入力は、ルート情報を含むことを特徴とする（９４８）項記載の方法。
（９６４）
車両の前記少なくとも１つのパラメータに関連する前記入力は、位置情報を含むことを特徴とする（９４８）項記載の方法。
（９６５）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の人口統計情報を含むことを特徴とする（９４８）項記載の方法。
（９６６）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手の感情状態を含むことを特徴とする（９４８）項記載の方法。
（９６７）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、事前のシート内広告に対する乗り手の反応を含むことを特徴とする（９４８）項記載の方法。
（９６８）
乗り手の前記少なくとも１つのパラメータに関連する前記入力が、乗り手のソーシャルメディアアクティビティを含むことを特徴とする（９４８）項記載の方法。
（９６９）
自動二輪車用ヘルメットを含む輸送システムであって、
前記自動二輪車用ヘルメットは、環境における前記ヘルメットの着用者の位置及び向きの登録に基づいて、拡張現実体験を提供することを特徴とする輸送システム。
（９７０）
自動二輪車用のヘルメットであって、
前記ヘルメットを装着した乗り手と自動二輪車との間の通信を促進するように構成されたデータプロセッサであって、前記自動二輪車及び前記ヘルメットが前記自動二輪車の位置及び方向を伝達する前記データプロセッサと、
前記ヘルメットを装着している乗り手の環境に、コンテンツの拡張を提示することを容易にするように配置されたディスプレイを有する拡張現実システムであって、前記拡張が、前記通信された前記自動二輪車の位置及び向きの登録に応じたものであり、前記拡張の少なくとも１つのパラメータが、前記乗り手及び前記自動二輪車のうちの少なくとも一方に関連する、少なくとも１つの入力に関する機械学習によって決定される前記拡張現実システムと、を含むことを特徴とする自動二輪車用ヘルメット。
（９７１）
前記自動二輪車が、該自動二輪車の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９７０）項記載のヘルメット。
（９７２）
前記自動二輪車が、少なくとも半自律型の自動二輪車であることを特徴とする（９７０）項記載のヘルメット。
（９７３）
前記自動二輪車が、自動的にルーティングされることを特徴とする（９７０）項記載のヘルメット。
（９７４）
前記自動二輪車が、自動運転の自動二輪車であることを特徴とする（９７０）項記載のヘルメット。
（９７５）
前記環境内の前記コンテンツが、前記ヘルメットを装着している前記乗り手の視野の一部で視認可能なコンテンツであることを特徴とする（９７０）項記載のヘルメット。
（９７６）
前記乗り手の前記入力に関する前記機械学習が、前記乗り手の感情状態を判定し、前記少なくとも１つのパラメータの値が、前記乗り手の感情状態に応じて適応されることを特徴とする（９７０）項記載のヘルメット。
（９７７）
前記自動二輪車の前記入力に関する前記機械学習が、前記自動二輪車の動作状態を判定し、前記少なくとも１つのパラメータの値が、前記自動二輪車の動作状態に応じて適応されることを特徴とする（９７０）項記載のヘルメット。
（９７８）
前記少なくとも１つの入力に応答して、前記少なくとも１つのパラメータの値の調整を、前記拡張現実システムに推奨するための、自動二輪車構成エキスパートシステムを更に含むことを特徴とする（９７０）項記載のヘルメット。
（９７９）
拡張現実システムを備えた自動二輪車用のヘルメットであって、
前記ヘルメットを装着した乗り手の環境に、コンテンツの拡張を提示することを容易にするように配置されたディスプレイと、
前記乗り手が乗っている自動二輪車の、位置及び向きの少なくとも一方を登録するための回路と、
前記乗り手及び前記自動二輪車のうち少なくとも一方に関する、少なくとも１つの入力を処理することで、少なくとも１つの拡張パラメータを決定する機械学習回路と、
前記登録された前記自動二輪車の位置及び向きの少なくとも一方に応じて、前記ディスプレイに表示するための拡張要素を生成するものであり、該生成が、前記決定された少なくとも１つの拡張パラメータに少なくとも部分的に基づいている現実拡張回路と、を含むことを特徴とするヘルメット。
（９８０）
前記自動二輪車が、該自動二輪車の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９７９）項記載のヘルメット。
（９８１）
前記自動二輪車が、少なくとも半自律的な自動二輪車であることを特徴とする（９８０）項記載のヘルメット。
（９８２）
前記自動二輪車が、自動的にルーティングされることを特徴とする（９８１）項記載のヘルメット。
（９８３）
前記自動二輪車が、自動運転の自動二輪車であることを特徴とする（９８２）項記載のヘルメット。
（９８４）
前記環境内の前記コンテンツが、前記ヘルメットを装着している前記乗り手の視野の一部で視認可能なコンテンツであることを特徴とする（９７９）項記載のヘルメット。
（９８５）
前記乗り手の前記入力に関する前記機械学習が、前記乗り手の感情状態を判定し、前記少なくとも１つのパラメータの値が、前記乗り手の感情状態に応じて適応されることを特徴とする（９７９）項記載のヘルメット。
（９８６）
前記自動二輪車の前記入力に関する前記機械学習が、前記自動二輪車の動作状態を判定し、前記少なくとも１つのパラメータの値が、前記自動二輪車の動作状態に応じて適応されることを特徴とする（９７９）項記載のヘルメット。
（９８７）
前記少なくとも１つの入力に応答して、前記少なくとも１つのパラメータの値の調整を、前記拡張現実システムに推奨するための、自動二輪車構成エキスパートシステムを更に含むことを特徴とする（９７９）項記載のヘルメット。
（９８８）
車両輸送システムであって、
複数のネットワーク対応車両のうち少なくとも１つの車両からの、動作状態及びエネルギー消費情報を含む入力が、リアルタイムに収集されるネットワーク対応インタフェースを提供する車両情報取り込みポートと、
前記複数のネットワーク対応車両の動作状態及びエネルギー消費情報を、前記取り込みポートを介して受信する車両充電インフラストラクチャ制御システムと、
該車両充電インフラストラクチャ制御システムと機能的に接続された人工知能システムであって、前記動作状態及びエネルギー消費情報の受信に応答して、前記車両充電制御システムが実行する前記複数のネットワーク対応車両の少なくとも一部に対する充電プランが依存する、少なくとも１つの充電プランパラメータを決定する前記人工知能システムと、を含むことを特徴とする車両輸送システム。
（９８９）
車前記両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（９８８）項記載のシステム。
（９９０）
前記車両が、少なくとも半自律的な車両であることを特徴とする（９８８）項記載のシステム。
（９９１）
前記車両が、自動的にルーティングされることを特徴とする（９８８）項記載のシステム。
（９９２）
前記車両が、自動運転車両であることを特徴とする（９８８）項記載のシステム。
（９９３）
前記人工知能システムは、充電インフラストラクチャから離れたクラウドベースのシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（９８８）項記載の車両輸送システム。
（９９４）
充電インフラストラクチャ運用プランに行われたときの、前記少なくとも１つのパラメータへの調整は、前記複数の車両のうちの少なくとも１つが、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（９８８）項記載の車両輸送システム。
（９９５）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電時間、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（９８８）項記載の車両輸送システム。
（９９６）
前記人工知能システムと相互作用して、前記複数の充電プランパラメータのうちの少なくとも１つに調整値を適用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（９８８）項記載の車両輸送システム。
（９９７）
前記充電プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの調整値を適用したことのフィードバックを、前記人工知能システムへ提供することを特徴とする（９９６）項記載の車両輸送システム。
（９９８）
前記フィードバックは、前記調整値が対象充電範囲の充電インフラストラクチャ設備に与える影響を含むことを特徴とする（９９７）項記載の車両輸送システム。
（９９９）
前記人工知能システムが、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（９８８）項記載の車両輸送システム。
（１０００）
前記少なくとも１つの充電プランパラメータの値を調整し、それによって前記複数の車両のうちの少なくとも１つのバッテリ残量の消費を最適化する、充電プラン更新設備を更に含むことを特徴とする（９８８）項記載の車両輸送システム。
（１００１）
前記複数の充電プランパラメータのうちの少なくとも１つは、前記複数の車両のうちの少なくとも１つのルーティングパラメータであることを特徴とする（９８８）項記載の車両輸送システム。
（１００２）
前記人工知能システムは、最適化された少なくとも１つのパラメータに基づいて、複数の充電式車両の近い将来の充電ニーズに対応する充電プランを提供することを特徴とする（９８８）項記載の車両輸送システム。
（１００３）
前記充電インフラストラクチャは、燃料供給ステーション及び充電ステーションのうち、少なくとも１つを含むことを特徴とする（９８８）項記載の車両輸送システム。
（１００４）
前記人工知能システムは、前記複数の車両のうち少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（９８８）項記載の車両輸送システム。
（１００５）
前記少なくとも１つの充電プランパラメータが、複数の車両のうちの少なくとも１つの地理的領域内の、充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（９８８）項記載の車両輸送システム。
（１００６）
前記少なくとも１つの充電プランパラメータが、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（９８８）項記載の車両輸送システム。
（１００７）
エネルギー消費に関する前記入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（９８８）項記載の車両輸送システム。
（１００８）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（９８８）項記載の車両輸送システム。
（１００９）
前記入力は、前記車両のルートプランを含むことを特徴とする（９８８）項記載の車両輸送システム。
（１０１０）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（９８８）項記載の車両輸送システム。
（１０１１）
前記少なくとも１つのパラメータが、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（９８８）項記載の車両輸送システム。
（１０１２）
前記少なくとも１つのパラメータが、前記複数の充電式車両の一部のルートを構成することを特徴とする（９８８）項記載の車両輸送システム。
（１０１３）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測される交通状況に更に基づくことを特徴とする（９８８）項記載の車両輸送システム。
（１０１４）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（９８８）項記載の車両輸送システム。
（１０１５）
前記人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料の状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給のインフラストラクチャに関する入力を処理するために使用されることを特徴とする（９８８）項記載の車両輸送システム。
（１０１６）
人工知能車両輸送システムであって、
複数の車両の車両ルート及び蓄積されたエネルギー状態情報を含む入力を処理し、前記複数の車両のうち少なくとも１つの車両について、対象エネルギー更新領域を予測する第１ニューラルネットワークと、
前記対象エネルギー更新領域内の車両エネルギー更新インフラストラクチャの、車両エネルギー更新インフラストラクチャ使用量及び需要情報を処理して、前記対象エネルギー更新領域内の更新エネルギーへの、前記複数の車両のうちの前記少なくとも１つの車両によるアクセスを容易にする、充電インフラストラクチャ運用プランの少なくとも１つのパラメータを決定する第２ニューラルネットワークと、を含むことを特徴とする人工知能車両輸送システム。
（１０１７）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０１８）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１０１７）項記載の人工知能車両輸送システム。
（１０１９）
前記車両が、自動的にルーティングされることを特徴とする（１０１８）項記載の人工知能車両輸送システム。
（１０２０）
前記車両が、自動運転車両であることを特徴とする（１０１９）項記載の人工知能車両輸送システム。
（１０２１）
前記人工知能車両輸送システムは、充電インフラストラクチャから離れたクラウドベースのシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２２）
前記充電インフラストラクチャ運用プランに行われたときの、前記少なくとも１つのパラメータの調整は、前記複数の車両のうちの前記少なくとも１つの車両が、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２３）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電のための時間の長さ、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電のための入札、利用可能な供給能力、及び充電の需要のうち、少なくとも１つを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２４）
調整値を複数の充電プランパラメータのうちの少なくとも１つに適用するために、前記人工知能車両輸送システムと相互作用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２５）
前記充電プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの前記調整値を適用したことのフィードバックを、前記人工知能車両輸送システムに提供することを特徴とする（１０２４）項記載の人工知能車両輸送システム。
（１０２６）
前記フィードバックは、前記調整値が前記対象充電範囲内の充電インフラストラクチャ設備に与える影響を含むことを特徴とする（１０２５）項記載の人工知能車両輸送システム。
（１０２７）
前記人工知能車両輸送システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２８）
前記少なくとも１つの充電プランパラメータの値を調整することにより、前記複数の車両のうちの少なくとも１つのバッテリ残量状態の消費を最適化する、充電プラン更新設備を更に含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０２９）
前記複数の充電プランパラメータのうちの少なくとも１つは、前記複数の車両のうちの前記少なくとも１つの車両のためのルーティングパラメータであることを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３０）
前記人工知能車両輸送システムは、最適化された少なくとも１つのパラメータに基づいて、前記複数の充電式車両の近未来の充電ニーズに対応する充電プランを提供することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３１）
前記充電インフラストラクチャは、燃料供給ステーション及び充電ステーションのうちの少なくとも１つを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３２）
前記人工知能車両輸送システムは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３３）
前記少なくとも１つの充電プランパラメータが、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部への車両の割り当てを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３４）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３５）
エネルギー消費に関する前記入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３６）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記人工知能車両輸送システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３７）
前記入力は、前記車両のルートプランを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３８）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０３９）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０４０）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０４１）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測された交通状況に更に基づいていることを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０４２）
前記人工知能車両輸送システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０４３）
ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給インフラストラクチャに関する入力を処理するために使用されることを特徴とする（１０１６）項記載の人工知能車両輸送システム。
（１０４４）
分散型輸送システムであって、
複数の車両に関連する入力を取得し、該入力に基づいて前記複数の車両のうちの少なくとも１つの車両の、再充電及びプランの少なくとも１つのパラメータを決定する人工知能システムと、
前記複数の車両から離れた場所にあるクラウドベースのシステムと、
前記複数の車両のうちの前記少なくとも１つの車両に配置されたローカルシステムと、を含み、
前記クラウドベースのシステムが、前記ローカルシステムから前記少なくとも１つの車両に関連する入力を収集し、前記人工知能システムが、少なくとも前記クラウドベースのシステムと前記入力を通信することを特徴とする分散型輸送システム。
（１０４５）
前記少なくとも１つの車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０４６）
前記少なくとも１つの車両が、少なくとも半自律的な車両であることを特徴とする（１０４５）項記載の分散型輸送システム。
（１０４７）
前記少なくとも１つの車両が、自動的にルーティングされることを特徴とする（１０４６）項記載の分散型輸送システム。
（１０４８）
前記少なくとも１つの車両が、自動運転車両であることを特徴とする（１０４７）項記載の分散型輸送システム。
（１０４９）
前記人工知能システムは、充電インフラストラクチャから離れたクラウドベースのシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５０）
充電インフラストラクチャ運用プランに行われたときの、前記少なくとも１つのパラメータの調整は、前記複数の車両のうちの前記少なくとも１つの車両が、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５１）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電のための時間、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５２）
前記人工知能システムと相互作用して、複数の充電プランパラメータのうちの少なくとも１つに調整値を適用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５３）
前記充電プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの前記調整値を適用したことのフィードバックを、前記人工知能システムに提供することを特徴とする（１０５２）項記載の分散型輸送システム。
（１０５４）
前記フィードバックは、対象充電範囲内の充電インフラストラクチャ設備に対する前記調整値の影響を含むことを特徴とする（１０５３）項記載の分散型輸送システム。
（１０５５）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５６）
少なくとも１つの充電プランパラメータの値を調整し、それによって前記複数の車両のうちの少なくとも１つのバッテリ残量の消費を最適化する、充電プラン更新設備を更に含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５７）
前記複数の充電プランパラメータのうちの少なくとも１つは、前記複数の車両のうちの前記少なくとも１つの車両のルーティングパラメータであることを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５８）
前記人工知能システムは、最適化された少なくとも１つのパラメータに基づいて、複数の充電式車両の近未来の充電ニーズに対応した充電プランを提供することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０５９）
前記充電インフラストラクチャは、燃料供給ステーション及び充電ステーションのうちの少なくとも１つを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６０）
前記人工知能システムは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６１）
前記少なくとも１つの充電プランパラメータが、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６２）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電時間の長さ、充電の価値、市場価格、充電の入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６３）
エネルギー消費に関する前記入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６４）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６５）
前記入力は、前記車両のルートプランを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６６）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６７）
前記少なくとも１つのパラメータが、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６８）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０６９）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測された交通状況に更に基づくことを特徴とする（１０４４）項記載の分散型輸送システム。
（１０７０）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１０４４）項記載の分散型輸送システム。
（１０７１）
前記人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料状態に関連する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給インフラストラクチャに関連する入力を処理するために使用されることを特徴とする（１０４４）項記載の分散型輸送システム。
（１０７２）
人工知能システムを含む輸送システムであって、
前記工知能システムは、
車両充電設備利用最適化アルゴリズムを、複数の充電式車両のうち少なくとも１つの車両の対象充電範囲内にある前記複数の充電式車両から収集された、現在の動作状態データを含む複数の入力に適用すること、
複数の充電プランパラメータが、前記対象充電範囲内の充電インフラストラクチャに与える影響を評価すること、
前記複数の充電式車両によるエネルギー使用量を最適化するための、前記複数の充電プランパラメータのうちの少なくとも１つのパラメータを選択すること、及び、
前記複数の入力に対して前記車両充電最適化アルゴリズムを適用した結果に基づいて、前記複数の充電プランパラメータのうちの前記少なくとも１つのパラメータの調整値を生成すること、を実行することを特徴とする輸送システム。
（１０７３）
前記少なくとも１つの車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１０７２）項記載の輸送システム。
（１０７４）
前記少なくとも１つの車両は、少なくとも半自律的な車両であることを特徴とする（１０７３）項記載の輸送システム。
（１０７５）
前記少なくとも１つの車両が、自動的にルーティングされることを特徴とする（１０７４）項記載の輸送システム。
（１０７６）
前記少なくとも１つの車両が、自動運転車両であることを特徴とする（１０７５）項記載の輸送システム。
（１０７７）
人工知能システムを含む輸送ルート計画システムであって
前記人工知能システムは、
対象地理的領域内の複数の充電式車両に対する近い将来の充電の必要性を、前記複数の充電式車両の動作状態に基づいて予測すること、
前記領域内の充電インフラストラクチャの近い将来の利用可能性及び容量の情報を収集すること、及び、
前記予測された充電の必要性と、前記近い将来の利用可能性及び容量の情報とに応じて、前記充電インフラストラクチャに対する充電プランの少なくとも１つのパラメータを最適化すること、を実行することを特徴とする輸送ルート計画システム。
（１０７８）
前記複数の充電式車両のうち少なくとも１つの車両が、該少なくとも１つの車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１０７７）項記載の輸送ルート計画システム。
（１０７９）
前記少なくとも１つの車両は、少なくとも半自律的な車両であることを特徴とする（１０７８）項記載の輸送ルート計画システム。
（１０８０）
前記少なくとも１つの車両が、自動的にルーティングされることを特徴とする（１０７９）項記載の輸送ルート計画システム。
（１０８１）
前記少なくとも１つの車両が、自動運転車両であることを特徴とする（１０８０）項記載の輸送ルート計画システム。
（１０８２）
輸送システムであって、
車両に関する入力に基づいて充電プランの少なくとも１つのパラメータを決定する人工知能システムを含み、
該人工知能システムは、車両に関する入力に基づいて充電プランの前記少なくとも１つのパラメータを決定するハイブリッドニューラルネットワークを含み、
該ハイブリッドニューラルネットワークの第１の部分は、前記車両のルートプランに関連する入力の第１の部分で動作し、前記ハイブリッドニューラルネットワークの第２の別個の部分は、前記車両の充電範囲内の充電インフラストラクチャに関連する入力を含む、前記入力の第２の部分で動作することを特徴とする輸送システム。
（１０８３）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するためのシステムを含むことを特徴とする（１０８２）項記載の輸送システム。
（１０８４）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１０８３）項記載の輸送システム。
（１０８５）
前記車両が、自動的にルーティングされることを特徴とする（１０８４）項記載の輸送システム。
（１０８６）
前記車両が、自動運転車両であることを特徴とする（１０８５）項記載の輸送システム。
（１０８７）
前記ハイブリッドニューラルネットの前記第２の別個の部分が、前記車両の地理的領域内の複数の車両の地理的位置を予測することを特徴とする（１０８２）項記載の輸送システム。
（１０８８）
充電プランの前記少なくとも１つのパラメータは、予測された地理的領域内の充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１０８２）項記載の輸送システム。
（１０８９）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１０８２）項記載の輸送システム。
（１０９０）
車前記両の充電システムに関連する前記入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１０８２）項記載の輸送システム。
（１０９１）
車両輸送システムであって、
複数のネットワーク対応車両のうち少なくとも１つの車両からの、バッテリ状態データを含む入力がリアルタイムに収集される、ネットワーク対応インタフェースを提供する車両情報取り込みポートと、
該取り込みポートを介して、前記複数のネットワーク対応車両のバッテリ状態データを受信する車両充電インフラストラクチャ制御システムと、
該車両充電インフラストラクチャ制御システムと機能的に接続され、前記バッテリ状態データの前記受信に応答して、少なくとも１つの充電プランパラメータを決定する人工知能システムと、を含むことを特徴とする車両輸送システム。
（１０９２）
前記少なくとも１つの車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１０９３）
前記少なくとも１つの車両が、少なくとも半自律的な車両であることを特徴とする（１０９２）項記載の車両輸送システム。
（１０９４）
前記少なくとも１つの車両が、自動的にルーティングされることを特徴とする（１０９３）項記載の車両輸送システム。
（１０９５）
前記少なくとも１つの車両が、自動運転車両であることを特徴とする（１０９４）項記載の車両輸送システム。
（１０９６）
前記複数のネットワーク対応車両の少なくとも一部に対する充電プランは、前記少なくとも１つの充電プランパラメータに依存することを特徴とする（１０９１）項記載の車両輸送システム。
（１０９７）
前記車両充電インフラストラクチャ制御システムが、前記充電プランを実行することを特徴とする（１０９１）項記載の車両輸送システム。
（１０９８）
前記人工知能システムが、充電インフラストラクチャから離れたクラウドベースのシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１０９１）項記載の車両輸送システム。
（１０９９）
前記充電プランに行われるときの、前記少なくとも１つのパラメータの調整は、前記複数の車両のうちの前記少なくとも１つの車両が、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（１０９１）項記載の車両輸送システム。
（１１００）
前記少なくとも１つのパラメータは、充電インフラストラクチャへの経路、提供される充電量、充電時間、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１０１）
前記人工知能システムと相互作用して、複数の前記充電プランパラメータのうちの少なくとも１つに調整値を適用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１０２）
前記充電プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの前記調整値を適用したことのフィードバックを、前記人工知能システムに提供することを特徴とする（１１０１）項記載の車両輸送システム。
（１１０３）
前記フィードバックは、対象充電範囲内の充電インフラストラクチャ設備に対する前記調整値の影響を含むことを特徴とする（１１０２）項記載の車両輸送システム。
（１１０４）
前記人工知能システムが、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１０９１）項記載の車両輸送システム。
（１１０５）
前記少なくとも１つの充電プランパラメータの値を調整し、それによって前記複数の車両のうちの前記少なくとも１つの車両の、バッテリの残りの充電状態の消費を最適化する充電プラン更新設備を更に含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１０６）
複数の充電プランパラメータのうちの前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの前記少なくとも１つの車両のルーティングパラメータであることを特徴とする（１０９１）項記載の車両輸送システム。
（１１０７）
前記人工知能システムは、前記少なくとも１つのパラメータに基づいて、前記複数の充電式車両の近未来の充電ニーズに対応する充電プランを提供することを特徴とする（１０９１）項記載の車両輸送システム。
（１１０８）
充電インフラストラクチャが、燃料供給ステーション及び充電ステーションのうちの少なくとも１つを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１０９）
前記人工知能システムは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（１０９１）項記載の車両輸送システム。
（１１１０）
前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部への車両の割り当てを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１１１）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１１２）
エネルギー消費に関する前記入力は、前記複数の車両の一部のバッテリの充電状態から決定されることを特徴とする（１０９１）項記載の車両輸送システム。
（１１１３）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１０９１）項記載の車両輸送システム。
（１１１４）
前記入力は、前記車両のルートプランを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１１５）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１１６）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（１０９１）項記載の車両輸送システム。
（１１１７）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１０９１）項記載の車両輸送システム。
（１１１８）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測される交通状況に更に基づいていることを特徴とする（１０９１）項記載の車両輸送システム。
（１１１９）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１０９１）項記載の車両輸送システム。
（１１２０）
前記人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料の状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給のインフラストラクチャに関する入力を処理するために使用されることを特徴とする（１０９１）項記載の車両輸送システム。
（１１２１）
前記充電プランが適用される領域は、ジオフェンスによって定義されることを特徴とする（１０９１）項記載の車両輸送システム。
（１１２２）
前記ジオフェンスは、前記領域の管理者によって構成可能であることを特徴とする（１１２１）項記載の車両輸送システム。
（１１２３）
前記ジオフェンスは、前記領域の管理者によって、該管理者が管理又は責任を有する管轄区域と実質的に一致するように構成可能であることを特徴とする（１１２１）項記載の車両輸送システム。
（１１２４）
人工知能システムを含む輸送システムであって、
前記人工知能システムは、
車両充電最適化アルゴリズムを、複数の充電式車両のうちの１つの対象充電範囲内にある前記複数の車両から収集された、現在の充電式車両のバッテリ充電状態及びその予想される使用量を含む、複数の入力に適用すること、
複数の充電プランパラメータが、前記予想されるバッテリ使用量データに与える影響を評価すること、及び、
前記予想されるバッテリ使用量の最適化を促進する複数の充電プランパラメータのうちの少なくとも１つを選択することであって、前記車両充電最適化アルゴリズムが、前記複数の入力に少なくとも部分的に基づいて、前記複数の充電プランパラメータのうちの少なくとも１つの充電プランパラメータの調整値を示し、該調整値が前記複数の充電式車両のうちの少なくとも１つの充電式車両のバッテリ使用量を最適化すること、を実行することを特徴とする輸送システム。
（１１２５）
前記人工知能システムが、充電インフラストラクチャから離れたクラウドベースのシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１１２４）項記載の輸送システム。
（１１２６）
充電プランに行われるときの前記少なくとも１つのパラメータの調整は、複数の車両のうちの少なくとも１つが、対象エネルギー更新領域においてエネルギー更新へのアクセスを有することを保証することを特徴とする（１１２４）項記載の輸送システム。
（１１２７）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電時間、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（１１２４）項記載の輸送システム。
（１１２８）
前記人工知能システムと対話して、前記調整値を前記複数の充電プランパラメータのうちの前記少なくとも１つの充電プランパラメータに適用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（１１２４）項記載の輸送システム。
（１１２９）
前記充電プラン更新設備が、前記複数の充電パラメータのうちの少なくとも１つの充電パラメータの前記調整値を適用したことのフィードバックを、前記人工知能システムに提供することを特徴とする（１１２８）項記載の輸送システム。
（１１３０）
前記フィードバックは、前記対象充電範囲内の充電インフラストラクチャ設備に対する前記調整値の影響を含むことを特徴とする（１１２９）項記載の輸送システム。
（１１３１）
前記人工知能システムが、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１１２４）項記載の輸送システム。
（１１３２）
前記少なくとも１つの充電プランパラメータの値を調整し、それによって前記複数の車両のうちの少なくとも１つのバッテリ残量の消費を最適化する充電プラン更新設備を更に含むことを特徴とする（１１２４）項記載の輸送システム。
（１１３３）
前記複数の充電プランパラメータのうちの前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの少なくとも１つのルーティングパラメータであることを特徴とする（１１２４）項記載の輸送システム。
（１１３４）
前記人工知能システムは、前記少なくとも１つのパラメータに基づいて、前記複数の充電式車両の近い将来の充電ニーズに対応する充電プランを提供することを特徴とする（１１２４）項記載の輸送システム。
（１１３５）
前記少なくとも１つの充電プランパラメータは、燃料供給ステーション及び充電ステーションのうちの少なくとも１つを含む充電インフラストラクチャに影響を与えることを特徴とする（１１２４）項記載の輸送システム。
（１１３６）
前記人工知能システムが、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（１１２４）項記載の輸送システム。
（１１３７）
前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部への車両の割り当てを含むことを特徴とする（１１２４）項記載の輸送システム。
（１１３８）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１１２４）項記載の輸送システム。
（１１３９）
エネルギー消費に関する前記入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１１２４）項記載の輸送システム。
（１１４０）
前記入力は、地理的範囲内の複数の車両の充電状態に関する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１１２４）項記載の輸送システム。
（１１４１）
前記入力は、前記車両のルートプランを含むことを特徴とする（１１２４）項記載の輸送システム。
（１１４２）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１１２４）項記載の輸送システム。
（１１４３）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（１１２４）項記載の輸送システム。
（１１４４）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１１２４）項記載の輸送システム。
（１１４５）
前記少なくとも１つのパラメータを選択することは、前記複数の充電式車両の予測される交通状況に更に基づいて行われることを特徴とする（１１２４）項記載の輸送システム。
（１１４６）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１１２４）項記載の輸送システム。
（１１４７）
前記人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給のインフラストラクチャに関する入力を処理するために使用されることを特徴とする（１１２４）項記載の輸送システム。
（１１４８）
前記対象充電範囲が、ジオフェンスによって定義されることを特徴とする（１１２４）項記載の輸送システム。
（１１４９）
前記対象充電範囲が、領域の管理者によって設定されたジオフェンスによって定義されることを特徴とする（１１２４）項記載の輸送システム。
（１１５０）
前記対象充電範囲が、管理者が管理又は責任を有する管轄区域と実質的に一致するように、領域の前記管理者により設定可能なジオフェンスによって定義されることを特徴とする（１１２４）項記載の輸送システム。
（１１５１）
人工知能システムを含む輸送システムであって、
前記人工知能システムは、
車両充電最適化アルゴリズムを、複数の充電式車両のうちの１つの充電式車両の対象充電範囲内にある前記複数の車両から収集された、現在の充電式車両のバッテリ充電状態及びその予想される使用量を含む複数の入力に適用すること、
複数の充電プランパラメータが、前記予想されるバッテリ使用量データに与える影響を評価すること、
前記予想されるバッテリ使用量の最適化を促進する、前記複数の充電プランパラメータのうちの少なくとも１つの充電プランパラメータを選択すること、及び、
前記複数の入力に対して前記車両充電最適化アルゴリズムを適用した結果に基づいて、前記複数の充電プランパラメータのうちの前記少なくとも１つの充電プランパラメータの調整値を生成すること、を実行することを特徴とする輸送システム。
（１１５２）
前記少なくとも１つの充電プランパラメータは、車両ルーティングを含むとを特徴とする（１１５１）項記載の輸送システム。
（１１５３）
前記少なくとも１つの充電プランパラメータは、割り当てられた充電量又燃料量を含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５４）
前記少なくとも１つの充電プランパラメータは、充電のための時間の長さを含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５５）
前記少なくとも１つの充電プランパラメータは、充電の価値を含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５６）
前記少なくとも１つの充電プランパラメータは、市場価格を含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５７）
前記少なくとも１つの充電プランパラメータは、充電のための入札を含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５８）
前記少なくとも１つの充電プランパラメータは、利用可能な供給能力を含むことを特徴とする（１１５１）項記載の輸送システム。
（１１５９）
前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部への車両の割り当てを含むことを特徴とする（１１５１）項記載の輸送システム。
（１１６０）
前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの前記少なくとも１つの車両のためのルーティングパラメータを含むことを特徴とする（１１５１）項記載の輸送システム。
（１１６１）
前記対象充電範囲が、ジオフェンスによって定義されることを特徴とする（１１５１）項記載の輸送システム。
（１１６２）
前記対象充電範囲が、領域の管理者によって設定可能なジオフェンスによって定義されることを特徴とする（１１５１）項記載の輸送システム。
（１１６３）
前記対象充電範囲は、管理者が管理又は責任を有する管轄区域と実質的に一致するように、領域の前記管理者により設定可能なジオフェンスによって定義されることを特徴とする（１１５１）項記載の輸送システム。
（１１６４）
人工知能システムを含む輸送ルート計画システムであって、
前記人工知能システムは、
対象地理的領域内の複数の充電式車両に対する近い将来の充電の必要性を、前記複数の充電式車両の充電状態に基づいて予測すること、
前記領域内の充電インフラストラクチャについての、近い将来の利用可能性及び容量の情報を収集すること、及び、
予測された前記充電の必要性と、前記近い将来の利用可能性及び容量の情報とに応じて、前記充電インフラストラクチャの充電プランの少なくとも１つのパラメータを最適化すること、を実行することを特徴とする輸送ルート計画システム。
（１１６５）
前記領域が、ジオフェンスによって定義されることを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１６６）
前記領域が、該領域の管理者によって設定されるジオフェンスによって定義されることを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１６７）
前記領域は、該領域の管理者により設定可能なジオフェンスによって、前記管理者が管理又は責任を有する管轄区域と実質的に一致するように定義されることを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１６８）
前記管轄区域が、政府の自治体からなることを特徴とする（１１６７）項記載の輸送ルート計画システム。
（１１６９）
充電プランの前記少なくとも１つのパラメータは、車両ルーティングを含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７０）
充電プランの前記少なくとも１つのパラメータは、割り当てられた充電量又は燃料量を含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７１）
充電プランの前記少なくとも１つのパラメータは、充電のための時間の長さを含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７２）
充電プランの前記少なくとも１つのパラメータは、充電の価値を含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７３）
充電プランの前記少なくとも１つのパラメータは、市場価格を含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７４）
充電プランの前記少なくとも１つのパラメータは、充電のための入札を含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７５）
充電プランの前記少なくとも１つのパラメータは、利用可能な供給能力を含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７６）
充電プランの前記少なくとも１つのパラメータは、前記複数の車両のうちの少なくとも１つの車両の地理的領域内の充電インフラストラクチャの少なくとも一部に対する、車両の割り当てを含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７７）
充電プランの前記少なくとも１つのパラメータは、前記複数の車両のうちの少なくとも１つのためのルーティングパラメータを含むことを特徴とする（１１６４）項記載の輸送ルート計画システム。
（１１７８）
輸送システムであって、
車両に関連する入力に基づいて、充電プランの少なくとも１つのパラメータを決定するための人工知能システムを含み、
該人工知能システムは、車両に関連する入力に基づいて、充電プランの前記少なくとも１つのパラメータを決定するハイブリッドニューラルネットワークを含み、該ハイブリッドニューラルネットワークの第１の部分が、前記車両の充電システムに関連する、前記入力の第１の部分で動作し、前記ハイブリッドニューラルネットワークの第２の別個の部分が、前記充電システムに関連する入力以外の前記車両に関連する入力を含む、前記入力の第２の部分で動作することを特徴とする輸送システム。
（１１７９）
前記ハイブリッドニューラルネットの前記第２の別個の部分が、前記車両の地理的領域内の複数の車両の地理的位置を予測することを特徴とする（１１７８）項記載の輸送システム。
（１１８０）
充電プランの前記少なくとも１つのパラメータは、予測された地理的領域内の充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１１７８）項記載の輸送システム。
（１１８１）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１１７８）項記載の輸送システム。
（１１８２）
前記車両の充電システムに関連する前記入力が、複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１１７８）項記載の輸送システム。
（１１８３）
前記入力は、地理的範囲内の複数の車両の充電状態に関する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１１７８）項記載の輸送システム。
（１１８４）
前記入力は、前記車両のルートプランを含むことを特徴とする（１１７８）項記載の輸送システム。
（１１８５）
入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１１７８）項記載の輸送システム。
（１１８６）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうち、少なくとも１つの自動交渉に影響を与えることを特徴とする（１１７８）項記載の輸送システム。
（１１８７）
前記少なくとも１つのパラメータが、複数の充電式車両の一部のルートを含むことを特徴とする（１１７８）項記載の輸送システム。
（１１８８）
前記少なくとも１つのパラメータを決定することは、複数の充電式車両の予測される交通状況に更に基づくことを特徴とする（１１７８）項記載の輸送システム。
（１１８９）
前記人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１１７８）項記載の輸送システム。
（１１９０）
充電プランの前記少なくとも１つのパラメータが、前記充電プランの領域を定義することを容易にすることを特徴とする（１１７８）項記載の輸送システム。
（１１９１）
領域が、ジオフェンスによって定義されることを特徴とする（１１９０）項記載の輸送システム。
（１１９２）
領域が、該領域の管理者により設定されるジオフェンスによって定義されることを特徴とする（１１９０）項記載の輸送システム。
（１１９３）
領域は、該領域の管理者により設定可能なジオフェンスによって、前記管理者が管理又は責任を有する管轄区域と実質的に一致するように定義されることを特徴とする（１１９０）項記載の輸送システム。
（１１９４）
車両輸送システムであって、
ネットワーク対応インタフェースを提供し、該ネットワーク対応インタフェースを介して、複数のネットワーク対応車両のうちの少なくとも１つの車両から、動作状態及びエネルギー消費の情報がリアルタイムで収集される車両情報取り込みポートと、
該取り込みポートを介して、前記複数のネットワーク対応車両の動作状態及びエネルギー消費の情報を受信する車両充電インフラストラクチャ制御システムと、
前記車両充電インフラストラクチャ制御システムと機能的に接続されたクラウドベースの人工知能システムであって、前記動作状態及びエネルギー消費の情報の前記受信に応答して、前記車両充電インフラストラクチャ制御システムが実行する前記複数のネットワーク対応車両の少なくとも一部のための充電プランが依存する、少なくとも１つの充電プランパラメータを決定する前記人工知能システムと、を含むことを特徴とする車両輸送システム。
（１１９５）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１１９６）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１１９５）項記載の車両輸送システム。
（１１９７）
前記車両が、自動的にルーティングされることを特徴とする（１１９６）項記載の車両輸送システム。
（１１９８）
前記車両が、自動運転車両であることを特徴とする（１１９７）項記載の車両輸送システム。
（１１９９）
前記クラウドベースの人工知能システムは、充電インフラストラクチャから離れたクラウドベースシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１１９４）項記載の車両輸送システム。
（１２００）
充電インフラストラクチャ運用プランに行われたときの、前記少なくとも１つのパラメータの調整は、前記複数の車両のうちの前記少なくとも１つの車両が、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（１１９４）項記載の車両輸送システム。
（１２０１）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電時間、バッテリの状態、バッテリの充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２０２）
前記クラウドベースの人工知能システムと対話して、複数の充電プランパラメータのうちの少なくとも１つに調整値を適用する、前記輸送システムの充電プラン更新設備を更に含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２０３）
前記充電プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの前記調整値を適用したことのフィードバックを、前記クラウドベースの人工知能システムへ提供することを特徴とする（１２０２）項記載の車両輸送システム。
（１２０４）
前記フィードバックは、対象充電範囲内の充電インフラストラクチャ設備に対する前記調整値の影響を含むことを特徴とする（１２０３）項記載の車両輸送システム。
（１２０５）
前記クラウドベースの人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１１９４）項記載の車両輸送システム。
（１２０６）
前記少なくとも１つの充電プランパラメータの値を調整し、それによって前記複数の車両のうちの少なくとも１つのバッテリ残量の消費を最適化する、充電プラン更新設備を更に含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２０７）
複数の充電プランパラメータのうちの前記少なくとも１つは、前記複数の車両のうちの少なくとも１つのルーティングパラメータであることを特徴とする（１１９４）項記載の車両輸送システム。
（１２０８）
前記クラウドベースの人工知能システムは、最適化された少なくとも１つのパラメータに基づいて、前記複数の充電式車両の近未来の充電ニーズに対応する充電プランを提供することを特徴とする（１１９４）項記載の車両輸送システム。
（１２０９）
充電インフラストラクチャが、燃料供給ステーション及び充電ステーションのうち少なくとも１つを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１０）
前記クラウドベースの人工知能システムは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、複数の車両の地理的位置を予測することを特徴とする（１１９４）項記載の車両輸送システム。
（１２１１）
前記少なくとも１つの充電プランパラメータは、前記複数の車両のうちの前記少なくとも１つの車両の地理的領域内の、充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１２）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１３）
前記エネルギー消費に関する入力は、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１１９４）項記載の車両輸送システム。
（１２１４）
前記入力は、地理的範囲内の複数の車両の充電状態に関する入力を含み、前記クラウドベースの人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１１９４）項記載の車両輸送システム。
（１２１５）
前記入力は、前記車両のルートプランを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１６）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１７）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうちの少なくとも１つの自動交渉に影響を与えることを特徴とする（１１９４）項記載の車両輸送システム。
（１２１８）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１１９４）項記載の車両輸送システム。
（１２１９）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測される交通状況に更に基づくことを特徴とする（１１９４）項記載の車両輸送システム。
（１２２０）
前記クラウドベースの人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量うちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１１９４）項記載の車両輸送システム。
（１２２１）
前記クラウドベースの人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給のインフラストラクチャに関する入力を処理するために使用されることを特徴とする（１１９４）項記載の車両輸送システム。
（１２２２）
クラウドベースの人工知能車両輸送システムであって、
複数の車両についての経路ルート及び蓄積されたエネルギー状態情報を含む入力を処理し、前記複数の車両のうちの少なくとも１つの車両について、対象エネルギー更新領域を予測する第１ニューラルネットワークと、
前記対象エネルギー更新領域内の車両エネルギー更新インフラストラクチャ設備について、車両エネルギー更新インフラストラクチャの使用量及び需要情報を処理して、前記対象エネルギー更新領域内の更新エネルギーに対する前記複数の車両のうちの前記少なくとも１つの車両によるアクセスを容易にする、充電インフラストラクチャ運用プランの少なくとも１つのパラメータを決定する第２ニューラルネットワークと、を含み、
前記第１ニューラルネットワークと前記第２ニューラルネットワークとの少なくとも一方が、クラウドベースのコンピューティングシステムのサーバー上で実行されることを特徴とする車両輸送システム。
（１２２３）
前記少なくとも１つの車両が、該車両の少なくとも１つの制御パラメータを自動化するためのシステムを含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２２４）
前記少なくとも１つの車両が、少なくとも半自律的な車両であることを特徴とする（１２２３）項記載の車両輸送システム。
（１２２５）
前記少なくとも１つの車両が、自動的にルーティングされることを特徴とする（１２２４）項記載の車両輸送システム。
（１２２６）
前記少なくとも１つの車両が、自動運転車両であることを特徴とする（１２２５）項記載の車両輸送システム。
（１２２７）
前記クラウドベースの人工知能システムは、充電インフラストラクチャから離れたクラウドベースシステムと、前記充電インフラストラクチャに配置されたローカルシステムとを調整することを特徴とする（１２２２）項記載の車両輸送システム。
（１２２８）
前記充電インフラストラクチャ運用プランに行われるときの、前記少なくとも１つのパラメータの調整は、前記複数の車両のうちの前記少なくとも１つの車両が、対象エネルギー更新領域においてエネルギー更新にアクセスすることを保証することを特徴とする（１２２２）項記載の車両輸送システム。
（１２２９）
前記少なくとも１つのパラメータは、充電インフラストラクチャへのルーティング、提供される充電量、充電時間、バッテリの状態、バッテリ充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電の入札、利用可能な供給能力、及び充電需要のうち、少なくとも１つを含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２３０）
前記クラウドベースの人工知能システムと対話して、調整値を複数の充電プランパラメータのうちの少なくとも１つに適用する、前記システムの充電インフラストラクチャ運用プラン更新設備を更に含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２３１）
前記充電インフラストラクチャ運用プラン更新設備は、前記複数の充電パラメータのうちの少なくとも１つの前記調整値を適用したことのフィードバックを、前記クラウドベースの人工知能システムへ提供することを特徴とする（１２３０）項記載の車両輸送システム。
（１２３２）
前記フィードバックは、前記調整値が対象充電範囲の充電インフラストラクチャ設備に与える影響を含むことを特徴とする（１２３１）項記載の車両輸送システム。
（１２３３）
前記クラウドベースの人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、充電の時間、場所、及び量のうちの少なくとも１つを最適化することを特徴とする（１２２２）項記載の車両輸送システム。
（１２３４）
前記少なくとも１つの充電プランパラメータの値を調整することにより、前記複数の車両のうちの少なくとも１つのバッテリ残量の消費を最適化する、充電インフラストラクチャ運用プラン更新設備を更に含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２３５）
前記複数の充電インフラストラクチャ運用プランパラメータのうちの少なくとも１つは、前記複数の車両のうちの前記少なくとも１つの車両のルーティングパラメータであることを特徴とする（１２２２）項記載の車両輸送システム。
（１２３６）
エネルギー消費に関する前記入力が、前記複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１２２２）項記載の車両輸送システム。
（１２３７）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記クラウドベースの人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１２２２）項記載の車両輸送システム。
（１２３８）
前記入力は、前記少なくとも１つの車両のルートプランを含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２３９）
前記入力は、充電の価値の少なくとも１つの指標を含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２４０）
前記少なくとも１つのパラメータは、車両への充電又は燃料補給の期間、量、及び価格のうちの少なくとも１つの自動交渉に影響を与えることを特徴とする（１２２２）項記載の車両輸送システム。
（１２４１）
前記少なくとも１つのパラメータは、前記複数の充電式車両の一部のルートを含むことを特徴とする（１２２２）項記載の車両輸送システム。
（１２４２）
前記少なくとも１つのパラメータを決定することは、前記複数の充電式車両の予測される交通状況に更に基づくことを特徴とする（１２２２）項記載の車両輸送システム。
（１２４３）
前記クラウドベースの人工知能システムは、エネルギーパラメータを計算し、電気使用量を最適化し、更に充電の時間、場所、及び量のうちの少なくとも１つを最適化する、最適化アルゴリズムを実行することを特徴とする（１２２２）項記載の車両輸送システム。
（１２４４）
前記クラウドベースの人工知能システムは、ハイブリッドニューラルネットワークを更に含み、該ハイブリッドニューラルネットワークの１つのニューラルネットワークが、前記複数の車両の充電又は燃料の状態に関する入力を処理するために使用され、前記ハイブリッドニューラルネットワークの別のニューラルネットワークが、充電又は燃料補給のインフラストラクチャに関する入力を処理するために使用されることを特徴とする（１２２２）項記載の車両輸送システム。
（１２４５）
クラウドベースの人工知能システムを含む輸送システムであって、
前記クラウドベースの人工知能システムは、
車両充電最適化アルゴリズムを、複数の充電式車両のうちの１つの車両の対象充電範囲内にある前記複数の車両からクラウドベースのデータストレージ装置に収集された、現在の充電式車両のバッテリ充電状態及び予想されるその使用量を含む、複数の入力に適用すること、
複数の充電プランパラメータが、前記予想されるバッテリ使用量データに与える影響を評価すること、
前記予想されるバッテリ使用量の最適化を促進する、前記複数の充電プランパラメータのうちの少なくとも１つのパラメータを選択すること、及び、
前記複数の入力に対して前記車両充電最適化アルゴリズムを適用した結果に基づいて、前記複数の充電プランパラメータのうちの前記少なくとも１つのパラメータの調整値を生成すること、を実行することを特徴とする輸送システム。
（１２４６）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１２４５）項記載の輸送システム。
（１２４７）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１２４６）項記載の輸送システム。
（１２４８）
前記車両が、自動的にルーティングされることを特徴とする（１２４７）項記載の輸送システム。
（１２４９）
前記車両が、自動運転車両であることを特徴とする（１２４８）項記載の輸送システム。
（１２５０）
クラウドベースの輸送ルート計画システムであって、
クラウドベースのコンピューティングリソース上で少なくとも部分的に実行するために展開された人工知能システムを含み、
該人工知能システムは、
複数の充電式車両の充電状態に基づいて、対象地理的領域内の前記複数の充電式車両についての近い将来の充電の必要性を予測すること、
前記領域内の充電インフラストラクチャについての、近い将来の利用可能性及び容量の情報を収集すること、及び、
前記予測された充電の必要性と、前記近い将来の利用可能性及び容量の情報とに応じて、前記充電インフラストラクチャの充電プランの少なくとも１つのパラメータを最適化すること、を実行することを特徴とする輸送計画システム。
（１２５１）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１２５０）項記載の輸送計画システム。
（１２５２）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１２５１）項記載の輸送計画システム。
（１２５３）
前記車両が、自動的にルーティングされることを特徴とする（１２５２）項記載の輸送計画システム。
（１２５４）
前記車両が、自動運転車両であることを特徴とする（１２５３）項記載の輸送計画システム。
（１２５５）
輸送システムであって、
クラウドコンピューティングサーバ上で動作し、車両に関連する入力に基づいて充電プランの少なくとも１つのパラメータを決定する人工知能システムを含み、
該人工知能システムは、前記車両に関連する入力に基づいて、前記充電プランの前記少なくとも１つのパラメータを決定するためのハイブリッドニューラルネットワークを含み、該ハイブリッドニューラルネットワークの第１の部分が、前記車両の充電システムに関連する前記入力の第１の部分で動作し、前記ハイブリッドニューラルネットワークの第２の別個の部分が、前記充電システムに関連する入力以外の前記車両に関連する入力を含む、前記入力の第２の部分で動作することを特徴とする輸送システム。
（１２５６）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１２５５）項記載の輸送システム。
（１２５７）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１２５６）項記載の輸送システム。
（１２５８）
前記車両が、自動的にルーティングされることを特徴とする（１２５７）項記載の輸送システム。
（１２５９）
前記車両が、自動運転車両であることを特徴とする（１２５８）項記載の輸送システム。
（１２６０）
前記ハイブリッドニューラルネットの前記第２の別個の部分が、前記車両の地理的領域内の複数の車両の地理的位置を予測することを特徴とする（１２５５）項記載の輸送システム。
（１２６１）
充電プランの前記少なくとも１つのパラメータは、予測された地理的領域内の充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１２５５）項記載の輸送システム。
（１２６２）
前記少なくとも１つの充電プランパラメータは、車両のルーティング、割り当てられた充電量又は燃料量、充電のための時間の長さ、充電の価値、市場価格、充電のための入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１２５５）項記載の輸送システム。
（１２６３）
前記車両の充電システムに関連する前記入力が、複数の車両の一部のバッテリ充電状態から決定されることを特徴とする（１２５５）項記載の輸送システム。
（１２６４）
前記入力は、地理的範囲内の複数の車両の充電状態に関連する入力を含み、前記人工知能システムは、前記複数の車両の地理的位置の予測に基づいて、前記少なくとも１つのパラメータを最適化することを特徴とする（１２５５）項記載の輸送システム。
（１２６５）
分散型輸送システムであって、
複数の車両に関する入力を取得し、該入力に基づいて、前記複数の車両のうちの少なくとも１つの車両の、再充電及びプランの少なくとも１つのパラメータを決定する人工知能システムと、
前記車両から離れたクラウドベースシステムと、
前記複数の車両のうちの少なくとも１つに配置されたローカルシステムと、を含み、
前記クラウドベースシステムが、前記ローカルシステムから車両に関する入力を収集し、前記人工知能システムが、前記入力を少なくとも前記クラウドベースシステムと通信することを特徴とする分散型輸送システム。
（１２６６）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１２６５）項記載の分散型輸送システム。
（１２６７）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１２６６）項記載の分散型輸送システム。
（１２６８）
前記車両が、自動的にルーティングされることを特徴とする（１２６７）項記載の分散型輸送システム。
（１２６９）
前記車両が、自動運転車両であることを特徴とする（１２６８）項記載の分散型輸送システム。
（１２７０）
分散型輸送システムであって、
複数の車両充電インフラストラクチャに関する入力を取得し、該入力に基づいて、前記複数の車両充電インフラストラクチャのうちの少なくとも１つの車両充電インフラストラクチャについての、充電インフラストラクチャ運用プランの少なくとも１つのパラメータを決定する人工知能システムと、
前記車両充電インフラストラクチャから離れたクラウドベースシステムと、
前記複数の車両充電インフラストラクチャのうちの少なくとも１つに配置されたローカルシステムと、を含み、
前記クラウドベースシステムが、前記ローカルシステムから車両充電インフラストラクチャに関する入力を収集し、前記人工知能システムが、少なくとも前記クラウドベースシステムと前記入力を通信することを特徴とする分散型輸送システム。
（１２７１）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１２７０）項記載の分散型輸送システム。
（１２７２）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１２７１）項記載の分散型輸送システム。
（１２７３）
前記車両が、自動的にルーティングされることを特徴とする（１２７２）項記載の分散型輸送システム。
（１２７４）
前記車両が、自動運転車両であることを特徴とする（１２７３）項記載の分散型輸送システム。
（１２７５）
前記クラウドベースシステムは、少なくとも１つのパラメータに基づいて、複数の充電式車両の近未来の充電ニーズに対応する充電インフラストラクチャ運用プランを提供することを特徴とする（１２７０）項記載の分散型輸送システム。
（１２７６）
前記充電インフラストラクチャは、燃料供給ステーション及び充電ステーションのうちの少なくとも１つを含むことを特徴とする（１２７０）項記載の分散型輸送システム。
（１２７７）
前記クラウドベースシステムは、前記複数の車両充電インフラストラクチャの少なくとも１つの地理的領域内の、複数の充電式車両の地理的位置を予測することを特徴とする（１２７０）項記載の分散型輸送システム。
（１２７８）
前記少なくとも１つの充電インフラストラクチャ運用プランパラメータは、前記複数の充電インフラストラクチャのうちの前記少なくとも１つの充電インフラストラクチャの地理的領域内の、充電インフラストラクチャの少なくとも一部に対する車両の割り当てを含むことを特徴とする（１２７０）項記載の分散型輸送システム。
（１２７９）
前記少なくとも１つの充電インフラストラクチャ運用プランパラメータは、車両ルーティング、割り当てられた充電量又は燃料量、充電時間、充電の価値、市場価格、充電の入札、及び利用可能な供給能力のうち、少なくとも１つを含むことを特徴とする（１２７０）項記載の分散型輸送システム。
（１２８０）
輸送システムであって、
各ユーザが車両のユーザインタフェースと相互作用する際に、一連のデータがユーザのセット内の各ユーザについて取得される、ロボティックプロセスオートメーションシステムを含み、
人工知能システムが、前記一連のデータを使用して、前記車両と相互作用して前記ユーザに代わって前記車両とのアクションを自動的に引き受けるように訓練されることを特徴とする輸送システム。
（１２８１）
人間のオペレータによる車両の操作を模倣することを容易にするロボティックプロセスオートメーションの方法であって、
車両制御促進インタフェースに対する人間のインタラクションを追跡すること、
該追跡された人間のインタラクションを、ロボティックプロセスオートメーションシステムの訓練データ構造に記録すること、
前記車両の車両動作状態情報を追跡することであって、前記車両が前記車両制御促進インタフェースを介して制御されるものであること、
前記車両動作状態情報を、前記ロボティックプロセスオートメーションシステムの訓練データ構造に記録すること、及び、
少なくとも１つのニューラルネットワークを使用して、前記ロボティックプロセスオートメーションシステムの訓練データ構造内の前記人間のインタラクション及び前記車両動作状態情報に基づいて、前記人間のインタラクションと一致する方法で前記車両を操作するように人工知能システムを訓練すること、を含むことを特徴とする方法。
（１２８２）
前記訓練された人工知能システムを用いて、前記車両の少なくとも１つの側面を制御することを更に含むことを特徴とする（１２８１）項記載の方法。
（１２８３）
前記人間のインタラクションを模倣するように、前記車両の前記少なくとも１つの側面を制御することに構造化された変動によって、前記車両の前記少なくとも１つの側面を制御することに深層学習を適用すること、及び、前記車両の前記少なくとも１つの側面を制御することからのフィードバックを、機械学習で処理すること、を更に含むことを特徴とする（１２８２）項記載の方法。
（１２８４）
前記車両の前記少なくとも１つの側面を制御することが、前記車両制御促進インタフェースを介して実行されることを特徴とする（１２８２）項記載の方法。
（１２８５）
前記車両の前記少なくとも１つの側面を制御することが、前記人間によって操作される前記制御促進インタフェースをエミュレートする、前記人工知能システムによって実行されることを特徴とする（１２８２）項記載の方法。
（１２８６）
前記車両制御促進インタフェースは、前記人間の音声表現をキャプチャするオーディオキャプチャシステム、ヒューマンマシンインタフェース、メカニカルインタフェース、オプティカルインタフェース、及びセンサベースのインタフェースのうち、少なくとも１つを含むことを特徴とする（１２８１）項記載の方法。
（１２８７）
前記車両動作状態情報を追跡することは、前記人間のインタラクションによって影響を受ける、一連の車両システム及び一連の車両動作プロセスのうちの少なくとも１つを追跡することを含むことを特徴とする（１２８１）項記載の方法。
（１２８８）
前記車両動作状態情報を追跡することは、少なくとも１つの車両システム要素を追跡することを含み、前記少なくとも１つの車両システム要素が、前記車両制御促進インタフェースを介して制御され、前記少なくとも１つの車両システム要素が、前記人間のインタラクションによって影響を受けることを特徴とする（１２８１）項記載の方法。
（１２８９）
前記車両動作状態情報を追跡することは、前記人間のインタラクションの前、間、及び後に前記車両動作状態情報を追跡することを含むことを特徴とする（１２８１）項記載の方法。
（１２９０）
前記車両動作状態情報を追跡することは、前記人間のインタラクションに起因する複数の車両制御システム出力、及び前記人間のインタラクションに応答して達成された車両動作結果のうち、少なくとも１つを追跡することを含むことを特徴とする（１２８１）項記載の方法。
（１２９１）
前記人間のインタラクションを介して達成された結果と一致する結果を得るように、前記車両を制御することを特徴とする（１２８２）項記載の方法。
（１２９２）
複数の車両搭載センサを使用して、前記車両の近辺の状況を追跡及び記録することを更に含み、前記人工知能システムの前記訓練は、前記人間のインタラクションと同時期に追跡された前記車両の前記近辺の状況に更に応じたものであることを特徴とする（１２８２）項記載の方法。
（１２９３）
前記訓練は、リモートセンサからの複数のデータフィードに更に応じたものであり、前記複数のデータフィードは、前記人間のインタラクションと同時期に前記リモートセンサによって収集されたデータを含むことを特徴とする（１２９２）項記載の方法。
（１２９４）
前記人工知能システムは、意思決定を伴うワークフローを採用し、前記ロボティックプロセスオートメーションシステムが、前記意思決定の自動化を促進することを特徴とする（１２８２）項記載の方法。
（１２９５）
前記人工知能システムは、前記車両の遠隔制御を含むワークフローを採用し、前記ロボティックプロセスオートメーションシステムが、前記車両の遠隔制御の自動化を促進することを特徴とする（１２８２）項記載の方法。
（１２９６）
人間による車両の操作を模倣するための輸送システムであって、
ロボティックプロセスオートメーションシステムを含み、該ロボティックプロセスオートメーションシステムは、
車両制御システムインタフェースに対する人間オペレータのインタラクションを捕捉するオペレータデータ収集モジュールと、
少なくとも同時期に前記人間オペレータのインタラクションに関連した車両の応答及び動作状況を捕捉する車両データ収集モジュールと、
少なくとも同時期に前記人間オペレータのインタラクションに関連した環境情報のインスタンスを捕捉する環境データ収集モジュールと、
前記ロボティックプロセスオートメーションシステムが、前記同時期に捕捉された前記車両の応答及び動作状況に関連する、環境情報の複数の前記インスタンスのうちの少なくとも１つを示すデータを検出したことに応答して、前記車両を制御するために前記人間オペレータを模倣するように学習する人工知能システムと、を含むことを特徴とする輸送システム。
（１２９７）
前記オペレータデータ収集モジュールは、ブレーキパターン、追従距離、カーブへの接近加速パターン、車線の好み、及び追い越しの好みを含む、データのパターンを捕捉するものであることを特徴とする（１２９６）項記載の輸送システム。
（１２９８）
前記車両データ収集モジュールは、ステアリング、ブレーキ、加速度、前方監視画像、及び後方監視画像の、状態及び状態の変化を示すデータストリームを提供する複数の車両データシステムから、データを捕捉することを特徴とする（１２９６）項記載の輸送システム。
（１２９９）
前記人工知能システムは、該人工知能システムを訓練するためのニューラルネットワークを含むことを特徴とする（１２９６）項記載の輸送システム。
（１３００）
人間による車両の操作を模倣するロボティックプロセスオートメーションの方法であって、
車両制御システムインタフェースとの人間オペレータのインタラクションを捕捉すること、
少なくとも同時期に前記人間オペレータのインタラクションに関連した車両の応答及び動作状況を捕捉すること、
少なくとも同時期に前記人間オペレータのインタラクションに関連した環境情報のインスタンスを捕捉すること、及び、
環境データ収集モジュールが、前記同時期に捕捉された前記車両の応答及び動作状況に関連する、複数の環境情報の前記インスタンスのうちの少なくとも１つを示すデータを検出したことに応答して、前記人間オペレータを模倣して前記車両を制御するように人工知能システムを訓練すること、を含むことを特徴とする方法。
（１３０１）
前記人工知能システムにおいて深層学習を適用して、前記人間のインタラクションを模倣するように前記車両の少なくとも１つの側面の制御において構造化された変動によって、前記車両の前記少なくとも１つの側面の制御に影響を与えることにより、車両動作安全のマージンを最適化すること、及び、前記車両の前記少なくとも１つの側面の制御からのフィードバックを機械学習で処理すること、を更に含むことを特徴とする（１３００）項記載の方法。
（１３０２）
ロボティックプロセスオートメーションシステムが、前記人工知能システムが採用する意思決定ワークフローの自動化を促進することを特徴とする（１３００）項記載の方法。
（１３０３）
ロボティックプロセスオートメーションシステムが、前記人工知能システムが前記車両を遠隔操作するために採用する、遠隔操作ワークフローの自動化を促進することを特徴とする（１３００）項記載の方法。
（１３０４）
輸送システムであって、
ユーザの状態を改善するように、車内体験のパラメータを自動的にランダム化する人工知能システムを含み、
前記ユーザの状態が、パラメータの変動から恩恵を受けることを特徴とする輸送システム。
（１３０５）
輸送システムであって、
車両内の乗り手の生理学的感知データを収集するための車両インタフェースと、
乗り手の車内体験に関連する一連の結果に基づいて訓練され、感知された乗り手の生理学的データに応答して、前記一連の結果内の少なくとも１つの所望の結果を達成するために、１つ又は複数のユーザ体験パラメータの変動を誘導する人工知能ベースの回路であって、前記変動を誘導することが、前記変動のタイミング及び範囲の制御を含む前記人工知能ベースの回路と、を含むことを特徴とする輸送システム。
（１３０６）
前記誘導された変動が、ランダムな変動を含むことを特徴とする（１３０５）項記載の輸送システム。
（１３０７）
前記誘導された変動が、所定のパターンに従った変動を含むことを特徴とする（１３０５）項記載の輸送システム。
（１３０８）
前記所定のパターンが、レジメンに従って処方されることを特徴とする（１３０７）項記載の輸送システム。
（１３０９）
前記レジメンは、物理療法、カイロプラクティック、及びその他の医学的健康上の利点のうち、少なくとも１つを提供するために開発されることを特徴とする（１３０８）項記載の輸送システム。
（１３１０）
前記１つ又は複数のユーザ体験パラメータが、シートポジション、温度、湿度、キャビンの空気源、又はオーディオ出力のうち、少なくとも１つに影響を与えることを特徴とする（１３０５）項記載の輸送システム。
（１３１１）
前記車両インタフェースは、前記乗り手により着用されるように配置された少なくとも１つのウェアラブルセンサを含むことを特徴とする（１３０５）項記載の輸送システム。
（１３１２）
前記車両インタフェースは、前記乗り手の複数の視点からの画像をキャプチャ及び分析するように配置されたビジョンシステムを含むことを特徴とする（１３０５）項記載の輸送システム。
（１３１３）
前記１つ又は複数のユーザ体験パラメータの前記変動は、前記車両の制御の変動を含むことを特徴とする（１３０５）項記載の輸送システム。
（１３１４）
前記車両の制御の変動が、積極的な運転性能のために前記車両を構成することを含むことを特徴とする（１３１３）項記載の輸送システム。
（１３１５）
前記車両の制御の変動が、非積極的な運転性能のために前記車両を構成することを含むことを特徴とする（１３１３）項記載の輸送システム。
（１３１６）
前記変動は、前記乗り手のホルモンレベルの提示を含む前記生理学的感知データに応じたものであり、前記人工知能ベースの回路は、乗り手の安全性を促進するホルモン状態を促進するために、前記１つ又は複数のユーザ体験パラメータを変動させることを特徴とする（１３０５）項記載の輸送システム。
（１３１７）
輸送システムであって、
ユーザのホルモン系レベルの指標を検出し、安全性を促進するホルモン状態を促進するために、車両内でのユーザ体験を自動的に変化させるシステムを含むことを特徴とする輸送システム。
（１３１８）
輸送システムであって、
車両内の乗り手のホルモン状態データを収集するための車両インタフェースと、
乗り手の車内体験に関連する一連の結果について訓練され、感知された乗り手のホルモン状態データに応答して、前記一連の結果内の少なくとも１つの所望の結果を達成するために、１つ又は複数のユーザ体験パラメータの変動を誘導する人工知能ベースの回路であって、前記一連の結果が、乗り手の安全性を促進する少なくとも１つの結果を含み、前記変動を誘導することが、前記変動のタイミング及び範囲の制御を含む前記人工知能ベースの回路と、を含むことを特徴とする輸送システム。
（１３１９）
前記１つ又は複数のユーザ体験パラメータの前記変動は、前記乗り手の所望のホルモン状態を促進するように、前記人工知能システムによって制御されることを特徴とする（１３１８）項記載の輸送システム。
（１３２０）
前記乗り手の前記所望のホルモン状態が、安全性を促進することを特徴とする（１３１９）項記載の輸送システム。
（１３２１）
前記一連の結果内の前記少なくとも１つの所望の結果は、乗り手の安全性を促進する少なくとも１つの結果であることを特徴とする（１３１８）項記載の輸送システム。
（１３２２）
前記１つ又は複数のユーザ体験パラメータの前記変動は、前記乗り手に提供される食品及び飲料のうちの少なくとも１つを変動させることを含むことを特徴とする（１３１８）項記載の輸送システム。
（１３２３）
前記１つ又は複数のユーザ体験パラメータは、シートポジション、温度、湿度、キャビンの空気源、又はオーディオ出力のうち、少なくとも１つに影響を与えることを特徴とする（１３１８）項記載の輸送システム。
（１３２４）
前記車両インタフェースは、前記乗り手により着用されるように配置された少なくとも１つのウェアラブルセンサを含むことを特徴とする（１３１８）項記載の輸送システム。
（１３２５）
前記車両インタフェースは、前記乗り手の複数の視点からの画像をキャプチャ及び分析するために配置されたビジョンシステムを含むことを特徴とする（１３１８）項記載の輸送システム。
（１３２６）
前記１つ又は複数のユーザ体験パラメータの前記変動は、車両の制御の変動を含むことを特徴とする（１３１８）項記載の輸送システム。
（１３２７）
前記車両の制御の前記変動は、積極的な運転性能のために前記車両を構成することを含むことを特徴とする（１３２６）項記載の輸送システム。
（１３２８）
前記車両の制御の前記変動は、非積極的な運転性能のために車両を構成することを含むことを特徴とする（１３２６）項記載の輸送システム。
（１３２９）
輸送システムであって、
車両パラメータ及びユーザ体験パラメータの少なくとも１つを最適化して、安全性のマージンを提供するためのシステムを含むことを特徴とする輸送システム。
（１３３０）
人間による車両の操作を模倣する際に、安全性のマージンを最適化するための輸送システムであって、
一連のロボティックプロセスオートメーションシステムを含み、該一連のロボティックプロセスオートメーションシステムは、
車両制御システムインタフェースとの人間のオペレータのインタラクションを捕捉するオペレータデータ収集モジュールと、
少なくとも同時期に前記人間のオペレータのインタラクションに関連する車両の応答及び動作状況を捕捉する車両データ収集モジュールと、
少なくとも同時期に前記人間のオペレータのインタラクションに関連する環境情報のインスタンスを捕捉する環境データ収集モジュールと、
前記人間のオペレータを模倣しながら、最適化された安全性のマージンで前記車両を制御することを学習する人工知能システムと、を含み、
該人工知能システムは、前記ロボティックプロセスオートメーションシステムに応答し、前記人工知能システムは、同時期に捕捉された車両の応答及び動作状況に関連する、複数の前記環境情報のインスタンスのうちの少なくとも１つを示すデータを検出するものであり、
前記最適化された安全性のマージンは、前記車両制御システムインタフェースとの、熟練した人間の車両オペレータのセットのインタラクションから収集された、人間のオペレータのインタラクションデータのセットに基づいて、前記車両を制御するように前記人工知能システムを訓練することによって達成されることを特徴とする輸送システム。
（１３３１）
前記オペレータデータ収集モジュールは、ブレーキパターン、追従距離、カーブへの接近加速パターン、車線の好み、又は追い越しの好みを含む、データのパターンを捕捉することを特徴とする（１３３０）項記載の輸送システム。
（１３３２）
前記車両データ収集モジュールは、ステアリング、ブレーキ、加速度、前方監視画像、又は後方監視画像における、状態及び状態の変化を示すデータストリームを提供する複数の車両データシステムから、データを捕捉することを特徴とする（１３３０）項記載の輸送システム。
（１３３３）
前記人工知能システムが、該人工知能システムをトレーニングするためのニューラルネットワークを含むことを特徴とする（１３３０）項記載の輸送システム。
（１３３４）
車両動作安全性の最適化されたマージンを達成するためのロボティックプロセスオートメーションの方法であって、
車両制御促進インタフェースとの、熟練した車両制御を行う人間のインタラクションを追跡すること、
熟練した車両制御を行う人間の前記追跡されたインタラクションを、ロボティックプロセスオートメーションシステムのトレーニングデータ構造に記録すること、
車両の車両動作状態情報を追跡すること、
該車両動作状態情報を、前記ロボティックプロセスオートメーションシステムのトレーニングデータ構造に記録すること、
前記ロボティックプロセスオートメーションシステムのトレーニングデータ構造内の前記熟練した車両制御を行う人間のインタラクション及び前記車両動作状態情報に基づいて、前記熟練した車両制御を行う人間のインタラクションと一致する方法で、車両動作安全性の最適化されたマージンで動作するように、前記車両を少なくとも１つのニューラルネットワークを介して訓練すること、及び、
前記訓練された人工知能システムを用いて、前記車両の少なくとも１つの側面を制御すること、を含むことを特徴とする方法。
（１３３５）
前記熟練した車両制御を行う人間のインタラクションを模倣するために、前記車両の前記少なくとも１つの側面を制御することにおける構造化された変動を通じて、前記車両の前記少なくとも１つの側面を制御することによって、車両動作安全性の前記マージンを最適化するように深層学習を適用すること、及び、前記車両の前記少なくとも１つの側面を制御することからのフィードバックを機械学習で処理すること、を更に含むことを特徴とする（１３３４）項記載の方法。
（１３３６）
前記車両の前記少なくとも１つの側面を制御することは、前記車両制御促進インタフェースを介して実行されることを特徴とする（１３３４）項記載の方法。
（１３３７）
前記車両の前記少なくとも１つの側面を制御することは、前記熟練した車両制御を行う人間によって操作される前記制御促進インタフェースをエミュレートする、前記人工知能システムによって実行されることを特徴とする（１３３４）項記載の方法。
（１３３８）
前記車両制御促進インタフェースは、前記熟練した車両制御を行う人間の可聴表現をキャプチャするオーディオキャプチャシステム、ヒューマンマシンインタフェース、機械的インタフェース、光学的インタフェース、及びセンサベースのインタフェースのうち、少なくとも１つを含むことを特徴とする（１３３４）項記載の方法。
（１３３９）
前記車両動作状態情報を追跡することは、前記熟練した車両制御を行う人間のインタラクションによって影響を受ける、車両システム及び車両動作プロセスのうちの少なくとも１つを追跡することを含むことを特徴とする（１３３４）項記載の方法。
（１３４０）
前記車両動作状態情報を追跡することは、少なくとも１つの車両システム要素を追跡することを含み、前記少なくとも１つの車両システム要素は、前記車両制御促進インタフェースを介して制御され、前記少なくとも１つの車両システム要素は、前記熟練した車両制御を行う人間のインタラクションによって影響を受けることを特徴とする（１３３４）項記載の方法。
（１３４１）
前記車両動作状態情報を追跡することは、前記熟練した車両制御を行う人間のインタラクションの前、間、及び後に、前記車両動作状態情報を追跡することを含むことを特徴とする（１３３４）項記載の方法。
（１３４２）
前記車両動作状態情報を追跡することは、前記熟練した車両制御を行う人間のインタラクションに起因する複数の車両制御システム出力と、前記熟練した車両制御を行う人間のインタラクションに応答して達成された車両動作結果とのうち、少なくとも１つを追跡することを含むことを特徴とする（１３３４）項記載の方法。
（１３４３）
前記熟練した車両制御を行う人間のインタラクションを介して達成された結果と一致する結果を得るように、前記車両を制御することを特徴とする（１３３４）項記載の方法。
（１３４４）
複数の車両搭載センサを使用して、前記車両の近辺の状況を追跡及び記録することを更に含み、前記人工知能システムを訓練することは、前記熟練した車両制御を行う人間のインタラクションと同時期に追跡された前記車両の前記近辺の状況に更に応じたものであることを特徴とする（１３３４）項記載の方法。
（１３４５）
前記訓練をすることは、リモートセンサからの複数のデータフィードに更に応じたものであり、前記複数のデータフィードは、前記熟練した車両制御を行う人間のインタラクションと同時期に前記リモートセンサによって収集されたデータを含むことを特徴とする（１３３４）項記載の方法。
（１３４６）
ロボティックプロセスオートメーションによって車両の人間による操作を模倣する方法であって、
車両へ動作可能に接続された車両制御システムインタフェースとの、人間のオペレータのインタラクションを捕捉すること、
前記人間のオペレータのインタラクションと少なくとも同時期に関連した車両の応答及び動作状況を捕捉すること、
前記人間のオペレータのインタラクションと少なくとも同時期に関連した環境情報を捕捉すること、及び、
前記人間のオペレータを模倣しながら、最適化された安全性のマージンで前記車両を制御するように人工知能システムを訓練することであって、前記人工知能システムが、前記同時期に収集された車両の応答及び動作状況に関連する前記環境情報のインスタンスに関する、環境データ収集モジュールからの入力を取り、前記最適化された安全マージンが、熟練した人間の車両オペレータのインタラクションから収集された人間のオペレータのインタラクションデータのセットと、車両の安全的な事象のセットからの結果データのセットとに基づいて、前記車両を制御するように前記人工知能システムを訓練することによって達成されること、を含むことを特徴とする方法。
（１３４７）
前記人工知能システムの深層学習を適用して、熟練した車両制御を行う人間のインタラクションを模倣するために、前記車両の少なくとも１つの側面を制御することにおける構造化された変動を通じて、前記車両の前記少なくとも１つの側面を制御することに影響を与えることによって、車両動作安全性のマージンを最適化すること、及び、前記車両の前記少なくとも１つの側面を制御することからのフィードバックを機械学習で処理すること、を更に含むことを特徴とする（１３４６）項記載の方法。
（１３４８）
前記人工知能システムは、意思決定を伴うワークフローを採用し、ロボティックプロセスオートメーションシステムが、前記意思決定の自動化を促進することを特徴とする（１３４６）項記載の方法。
（１３４９）
前記人工知能システムは、前記車両の遠隔制御を含むワークフローを採用し、ロボティックプロセスオートメーションシステムが、前記車両の遠隔制御の自動化を促進することを特徴とする（１３４６）項記載の方法。
（１３５０）
輸送システムであって、
車両パラメータのセット、フリートパラメータのセット、ユーザ体験パラメータのセット、及びそれらの組み合わせからなるグループから選択された、パラメータのセットを管理するためのそれぞれの出力を提供するために、エキスパートシステムのセットを設定するインタフェースを含むことを特徴とする輸送システム。
（１３５１）
輸送システムのコンポーネントの構成管理のためのシステムであって、
インタフェースを含み、該インタフェースは、
車両パラメータのセットを管理するための第１エキスパートコンピューティングシステムを設定するための、前記インタフェースの第１の部分と、
車両フリートパラメータのセットを管理するための第２エキスパートコンピューティングシステムを設定するための、前記インタフェースの第２の部分と、
ユーザ体験パラメータのセットを管理するための第３エキスパートコンピューティングシステムを設定するための、前記インタフェースの第３の部分と、を含むことを特徴とする構成管理のためのシステム。
（１３５２）
前記インタフェースは、グラフィカルユーザインタフェースであり、前記インタフェースで操作されると、前記グラフィカルユーザインタフェースに提示された視覚的要素のセットが、前記第１、第２、及び第３エキスパートシステムのうちの１つ以上の、選択及び設定のうちの少なくとも一方を引き起こすことを特徴とする（１３５１）項記載の構成管理のためのシステム。
（１３５３）
前記インタフェースは、アプリケーションプログラミングインタフェースであることを特徴とする（１３５１）項記載の構成管理のためのシステム。
（１３５４）
前記インタフェースは、１つ又は複数の輸送中心のサービス、プログラム、及びモジュールが設定される、クラウドベースのコンピューティングプラットフォームへのインタフェースであることを特徴とする（１３５１）項記載の構成管理のためのシステム。
（１３５５）
輸送システムであって、
前記輸送システムが輸送関連パラメータを管理するための出力を提供するように、エキスパートシステムのセットを設定するためのインタフェースであって、前記パラメータが、車両のセット、車両のフリート、及び輸送システムのユーザ体験のうちの少なくとも１つの操作を促進するものである前記インタフェースと、
前記インタフェース及び複数の前記輸送システムによって設定可能な、前記エキスパートシステムのセットの属性及びパラメータを表す複数の視覚的要素であって、前記インタフェースが、前記視覚的要素の操作を容易にすることよって前記エキスパートシステムのセットの設定を引き起こすように構成されている、前記複数の視覚的要素と、を含むことを特徴とする輸送システム。
（１３５６）
前記複数の輸送システムが、車両のセットを含むことを特徴とする（１３５５）項記載の輸送システム。
（１３５７）
前記複数の輸送システムが、車両のセットをサポートするインフラストラクチャ要素のセットを含むことを特徴とする（１３５５）項記載の輸送システム。
（１３５８）
前記インフラストラクチャ要素のセットが、車両燃料供給要素を含むことを特徴とする（１３５７）項記載の輸送システム。
（１３５９）
前記インフラストラクチャ要素のセットが、車両充電要素を含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６０）
前記インフラストラクチャ要素のセットが、交通制御灯を含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６１）
前記インフラストラクチャ要素のセットが、料金所を含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６２）
前記インフラストラクチャ要素のセットが、鉄道システムを含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６３）
前記インフラストラクチャ要素のセットが、自動化された駐車場施設を含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６４）
前記インフラストラクチャ要素のセットが、車両監視センサを含むことを特徴とする（１３５７）項記載の輸送システム。
（１３６５）
前記視覚的要素は、前記エキスパートシステムのセットで使用するために選択することができる複数のモデルを表示することを特徴とする（１３５５）項記載の輸送システム。
（１３６６）
前記視覚的要素は、前記エキスパートシステムのセットで使用するために選択することができる複数のニューラルネットワークカテゴリを表示することを特徴とする（１３５５）項記載の輸送システム。
（１３６７）
前記複数のニューラルネットワークカテゴリのうち少なくとも１つは、畳み込みニューラルネットワークを含むことを特徴とする（１３６６）項記載の輸送システム。
（１３６８）
前記視覚的要素は、前記複数の視覚的要素によって表されるアイテムの、所定の目的に対する適合性の１つ又は複数の指標を含むことを特徴とする（１３５５）項記載の輸送システム。
（１３６９）
複数のエキスパートシステムを設定することは、前記複数のエキスパートシステムの少なくとも一部が使用するための入力ソースの選択を容易にすることを含むことを特徴とする（１３５５）項記載の輸送システム。
（１３７０）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、１つ又は複数の出力タイプ、ターゲット、持続時間、及び目的の選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７１）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、モデル又は人工知能システム内の１つ又は複数の重みの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７２）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、モデル内のノード又は相互接続の１つ又は複数のセットの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７３）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、グラフ構造の選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７４）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、ニューラルネットワークの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７５）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、入力、出力、又は操作の１つ又は複数の時間帯の選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７６）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、１つ又は複数の動作頻度の選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７７）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、計算の頻度の選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７８）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、前記複数のパラメータに適用するための１つ又は複数のルールの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３７９）
前記インタフェースは、前記複数のエキスパートシステムの少なくとも一部について、入力のいずれか又は前記提供された出力に対して作用するための、１つ又は複数のルールの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３８０）
前記複数のパラメータは、ストレージパラメータ、ネットワーク利用パラメータ、処理パラメータ、及び処理プラットフォームパラメータからなる群から選択される、１つ以上のインフラストラクチャパラメータを含むことを特徴とする（１３５５）項記載の輸送システム。
（１３８１）
前記インタフェースは、人工知能コンピューティングシステムのクラスの選択、該選択された人工知能コンピューティングシステムへの入力ソースの選択、前記選択された人工知能コンピューティングシステムの演算能力の選択、前記人工知能コンピューティングシステムを実行するためのプロセッサの選択、及び前記人工知能コンピューティングシステムを実行した結果の目的の選択を、容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３８２）
前記インタフェースは、前記輸送システム内の少なくとも１つの前記車両の１つ以上の動作モードの選択を容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３８３）
前記インタフェースは、前記複数のエキスパートシステムのうちの少なくとも１つによって生成された出力に対する、特異性の程度を選択することを容易にすることを特徴とする（１３５５）項記載の輸送システム。
（１３８４）
輸送システムであって、
車両構成のための推奨を設定するエキスパートシステムを含み、前記推奨は、車両パラメータ、ユーザ体験パラメータ、及びそれらの組み合わせからなるグループから選択されたパラメータを制御する、前記エキスパートシステムについての設定の少なくとも１つのパラメータを含むことを特徴とする輸送システム。
（１３８５）
車両の構成を推奨する推奨システムであって、
該推奨システムは、車両パラメータ及び車両乗り手体験パラメータのうちの少なくとも１つを制御する、車両制御システムを設定するためのパラメータの推奨を生成するエキスパートシステムを含むことを特徴とする推奨システム。
（１３８６）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１３８５）項記載の推奨システム。
（１３８７）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１３８６）項記載の推奨システム。
（１３８８）
前記車両が、自動的にルーティングされることを特徴とする（１３８７）項記載の推奨システム。
（１３８９）
前記車両が、自動運転車両であることを特徴とする（１３８８）項記載の推奨システム。
（１３９０）
前記エキスパートシステムが、ニューラルネットワークシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９１）
前記エキスパートシステムが、深層学習システムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９２）
前記エキスパートシステムが、機械学習システムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９３）
前記エキスパートシステムが、モデルベースのシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９４）
前記エキスパートシステムが、ルールベースのシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９５）
前記エキスパートシステムが、ランダムウォークベースのシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９６）
前記エキスパートシステムが、遺伝的アルゴリズムシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９７）
前記エキスパートシステムが、畳み込みニューラルネットワークシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９８）
前記エキスパートシステムが、自己組織化システムであることを特徴とする（１３８５）項記載の推奨システム。
（１３９９）
前記エキスパートシステムが、パターン認識システムであることを特徴とする（１３８５）項記載の推奨システム。
（１４００）
前記エキスパートシステムが、ハイブリッド人工知能ベースのシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１４０１）
前記エキスパートシステムが、アクリルグラフベースのシステムであることを特徴とする（１３８５）項記載の推奨システム。
（１４０２）
前記エキスパートシステムは、輸送システム内の車両の複数の乗り手の満足度に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４０３）
前記エキスパートシステムは、乗り手のエンターテイメントの満足度に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４０４）
前記エキスパートシステムは、乗り手の安全性の満足度に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４０５）
前記エキスパートシステムは、乗り手の快適さの満足度に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４０６）
前記エキスパートシステムは、乗り手の車内検索満足度に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４０７）
少なくとも１つの前記乗り手体験パラメータが、交通渋滞のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４０８）
少なくとも１つの前記乗り手体験パラメータが、希望する到着時間のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４０９）
少なくとも１つの前記乗り手体験パラメータが、好ましいルートのパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１０）
少なくとも１つの前記乗り手体験パラメータが、燃料効率のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１１）
少なくとも１つの前記乗り手体験パラメータが、汚染削減のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１２）
少なくとも１つの前記乗り手体験パラメータが、事故回避のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１３）
少なくとも１つの前記乗り手体験パラメータが、悪天候を避けるパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１４）
少なくとも１つの前記乗り手体験パラメータが、悪い道路状況を回避するパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１５）
少なくとも１つの前記乗り手体験パラメータが、燃料消費量の低減のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１６）
少なくとも１つの前記乗り手体験パラメータが、二酸化炭素排出量の削減のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１７）
少なくとも１つの前記乗り手体験パラメータが、地域におけるノイズの低減のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１８）
少なくとも１つの前記乗り手体験パラメータが、犯罪の多い地域を回避するパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４１９）
少なくとも１つの前記乗り手体験パラメータが、集団的満足度のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２０）
少なくとも１つの前記乗り手体験パラメータが、最大速度制限のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２１）
少なくとも１つの前記乗り手体験パラメータが、有料道路の回避パラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２２）
少なくとも１つの前記乗り手体験パラメータが、都市部の道路を回避するパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２３）
少なくとも１つの前記乗り手体験パラメータが、分割されていない高速道路の回避のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２４）
少なくとも１つの前記乗り手体験パラメータが、左折の回避パラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２５）
少なくとも１つの前記乗り手体験パラメータが、運転手が操作する車両の回避のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２６）
少なくとも１つの前記車両パラメータが、燃料消費量のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２７）
少なくとも１つの前記車両パラメータが、二酸化炭素排出量のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２８）
少なくとも１つの前記車両パラメータが、車両速度のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４２９）
少なくとも１つの前記車両パラメータが、車両加速度のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４３０）
少なくとも１つの前記車両パラメータが、移動時間のパラメータであることを特徴とする（１３８５）項記載の推奨システム。
（１４３１）
前記エキスパートシステムは、前記乗り手のユーザ行動と、前記車両のコンテンツアクセスインタフェースとの乗り手のインタラクションとのうち、少なくとも１つに基づいて推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４３２）
前記エキスパートシステムは、前記乗り手のプロファイルと他の乗り手のプロファイルとの類似性に基づいて、推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４３３）
前記エキスパートシステムは、前記乗り手に問い合わせを行い、それに対する乗り手の応答を好ましいものから好ましくないものまでの応答クラスの尺度で分類することを容易にする入力を取ることによって決定された、協調的フィルタリングの結果に基づいて推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４３４）
前記エキスパートシステムは、移動の分類、時間帯、道路の分類、移動期間、構成されたルート、及び乗り手の数、からなるグループから選択された少なくとも１つを含む、前記乗り手に関連するコンテンツに基づいて推奨を生成することを特徴とする（１３８５）項記載の推奨システム。
（１４３５）
輸送システムであって、
車内の検索者にネットワーク検索結果を提供するための検索システムを含むことを特徴とする輸送システム。
（１４３６）
車両の車載ネットワーク検索システムであって、
前記車両の乗り手が前記検索システムに関与することを可能にする乗り手インタフェースと、
過去に行われた複数の車内検索から得られた車内検索基準のセットに基づいて、検索結果を優先させる検索結果生成回路と、
前記検索結果の位置情報と前記車両の設定されたルートとの関連性に基づいて、前記優先された検索結果を順位付けする検索結果表示順位決定回路と、を含むことを特徴とする検索システム。
（１４３７）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１４３６）項記載の検索システム。
（１４３８）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１４３７）項記載の検索システム。
（１４３９）
前記車両が、自動的にルーティングされることを特徴とする（１４３８）項記載の検索システム。
（１４４０）
前記車両が、自動運転車両であることを特徴とする（１４３９）項記載の検索システム。
（１４４１）
乗り手インタフェースは、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインタフェース、通信インタフェース、及びナビゲーションインタフェースのうち、少なくとも１つを含むことを特徴とする（１４３６）項記載の検索システム。
（１４４２）
前記設定されたルートに近接する結果が他の結果よりも先に表示されるように、前記優先された検索結果が前記検索結果表示順位決定回路によって順位付けられることを特徴とする（１４３６）項記載の検索システム。
（１４４３）
前記車内検索基準は、車内検索のセットのランキングパラメータに基づいていることを特徴とする（１４３６）項記載の検索システム。
（１４４４）
前記ランキングパラメータは、前記車内検索のセットにのみ関連して観察されることを特徴とする（１４３６）項記載の検索システム。
（１４４５）
前記検索システムは、車内行動に相関する検索結果を優先させるように、前記検索結果生成回路を適応させることを特徴とする（１４３６）項記載の検索システム。
（１４４６）
前記車内行動に相関する検索結果は、検索を行う前と後との乗り手の行動を比較して決定されることを特徴とする（１４４５）項記載の検索システム。
（１４４７）
複数の検索者に対する検索結果のセットと、車内での乗り手行動モデルに基づく検索結果生成パラメータのセットとから、前記検索結果生成回路を訓練することを容易にする機械学習回路を更に含むことを特徴とする（１４３６）項記載の検索システム。
（１４４８）
車両の車載ネットワーク検索システムであって、
前記車両の乗り手が前記検索システムに関与することを可能にする乗り手インタフェースと、
前記車両が、自動運転モード又は自律モードであるか、或いは活動中のドライバによって運転されているかの検出に基づいて、検索結果を変化させる検索結果生成回路と、
前記検索結果の位置情報と前記車両の設定されたルートとの関連性に基づいて、前記検索結果を順位付けする検索結果表示順位決定回路と、を含むことを特徴とする検索システム。
（１４４９）
ユーザが、前記車両の運転者であるか、或いは前記車両の同乗者であるかに応じて、前記検索結果が異なることを特徴とする（１４４８）項記載の検索システム。
（１４５０）
前記車両は、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１４４８）項記載の検索システム。
（１４５１）
前記車両、が少なくとも半自律的な車両であることを特徴とする（１４５０）項記載の検索システム。
（１４５２）
前記車両が、自動的にルーティングされることを特徴とする（１４５１）項記載の検索システム。
（１４５３）
前記車両が、自動運転車両であることを特徴とする（１４５２）項記載の検索システム。
（１４５４）
前記乗り手インタフェースは、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインタフェース、通信インタフェース、及びナビゲーションインタフェースのうち、少なくとも１つを含むことを特徴とする（１４４８）項記載の検索システム。
（１４５５）
前記設定されたルートに近接する結果が他の結果よりも先に表示されるように、前記検索結果表示順位決定回路によって前記検索結果が順位付けされることを特徴とする（１４４８）項記載の検索システム。
（１４５６）
前記検索結果生成回路により使用される検索基準は、車内検索のセットのランキングパラメータに基づいていることを特徴とする（１４４８）項記載の検索システム。
（１４５７）
前記ランキングパラメータは、前記車載検索のセットにのみ関連して観察されることを特徴とする（１４５６）項記載の検索システム。
（１４５８）
前記検索システムは、車内行動に相関する検索結果を優先させるように、前記検索結果生成回路を適応させることを特徴とする（１４４８）項記載の検索システム。
（１４５９）
前記車内行動に相関する検索結果は、検索を行う前と後との乗り手の行動を比較することで決定されることを特徴とする（１４５８）項記載の検索システム。
（１４６０）
複数の検索者に対する検索結果のセットと、車内での乗り手行動モデルに基づく検索結果生成パラメータのセットとから、前記検索結果生成回路を訓練することを容易にする機械学習回路を更に含むことを特徴とする（１４４８）項記載の検索システム。
（１４６１）
車両の車載ネットワーク検索システムであって、
前記車両の乗り手が前記検索システムに関与することを可能にする乗り手インタフェースと、
ユーザが、前記車両の運転者であるか、或いは前記車両の同乗者であるかに応じて、検索結果を変化させる検索結果生成回路と、
前記検索結果の位置情報と前記車両の設定されたルートとの関連性に基づいて、前記検索結果を順位付けする検索結果表示順位決定回路と、を含むことを特徴とする検索システム。
（１４６２）
前記車両が、該車両の少なくとも１つの制御パラメータを自動化するシステムを含むことを特徴とする（１４６１）項記載の検索システム。
（１４６３）
前記車両が、少なくとも半自律的な車両であることを特徴とする（１４６２）項記載の検索システム。
（１４６４）
前記車両が、自動的にルーティングされることを特徴とする（１４６３）項記載の検索システム。
（１４６５）
前記車両が、自動運転車両であることを特徴とする（１４６４）項記載の検索システム。
（１４６６）
前記乗り手インタフェースは、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインタフェース、通信インタフェース、及びナビゲーションインタフェースのうち、少なくとも１つを含むことを特徴とする（１４６１）項記載の検索システム。
（１４６７）
前記設定されたルートに近接する結果が他の結果よりも先に表示されるように、前記検索結果表示順位決定回路によって前記検索結果が順順位付けされることを特徴とする（１４６１）項記載の検索システム。
（１４６８）
前記検索結果生成回路により使用される検索基準は、車内検索のセットのランキングパラメータに基づいていることを特徴とする（１４６１）項記載の検索システム。
（１４６９）
前記ランキングパラメータは、前記車内検索のセットにのみ関連して観察されることを特徴とする（１４６１）項記載の検索システム。
（１４７０）
前記検索システムは、車内行動に相関する検索結果が優先されるように、前記検索結果生成回路を適応させることを特徴とする（１４６１）項記載の検索システム。
（１４７１）
前記車内行動に相関する検索結果は、検索を行う前と後との乗り手の行動を比較して決定されることを特徴とする（１４７０）項記載の検索システム。
（１４７２）
複数の検索者に対する検索結果のセットと、車内での乗り手行動モデルに基づく検索結果生成パラメータのセットとから、前記検索結果生成回路を訓練することを容易にする機械学習回路を更に含むことを特徴とする（１４６１）項記載の検索システム。
Those skilled in the art can appreciate that numerous design configurations are possible to obtain the functional advantages of the system of the present invention. Accordingly, given the wide variety of configurations and arrangements of embodiments of the disclosure, the scope of the disclosure is not to be narrowed by the embodiments described above, but is reflected by the breadth of the following claims.
Based on the above-described embodiments, for example, the following modes are conceivable.
(1)
A transportation system,
a vehicle having a vehicle operating state;
an artificial intelligence system that executes a genetic algorithm to generate variations from initial vehicle operating conditions to determine at least one optimized vehicle operating condition.
(2)
the vehicle operating conditions include a set of vehicle parameter values;
The genetic algorithm is
varying the set of vehicle parameter values for a corresponding set of time periods such that the vehicle operates according to the set of vehicle parameter values during the corresponding time periods;
evaluating the vehicle operating conditions according to a set of measures for each of the corresponding time periods to generate evaluation results;
and selecting an optimized set of vehicle parameter values for future operation of the vehicle based on the evaluation result.
(3)
the vehicle operating conditions include vehicle rider conditions;
wherein the at least one optimized vehicle operating condition includes an optimized condition of the rider, and wherein the genetic algorithm optimizes the condition of the rider;
3. The transportation system of claim 2, wherein assessing according to the set of measures is to determine the condition of the rider corresponding to the vehicle parameter values.
(4)
the vehicle operating conditions include conditions of the rider of the vehicle;
the set of vehicle parameter values includes a set of vehicle performance control values;
wherein the at least one optimized vehicle operating condition includes an optimized vehicle performance condition, and wherein the genetic algorithm optimizes the rider condition and the vehicle performance condition. and
4. The transportation system of claim 3, wherein assessing according to the set of measures comprises determining the rider's condition and the vehicle's performance condition corresponding to the vehicle performance control value.
(5)
the set of vehicle parameter values includes a set of vehicle performance control values;
the at least one optimized vehicle operating state includes an optimized state of the vehicle's performance;
The genetic algorithm optimizes a state of performance of the vehicle,
3. The transportation system of claim 2, wherein evaluating according to the set of measures is determining a state of performance of the vehicle corresponding to the vehicle performance control value.
(6)
the set of vehicle parameter values includes rider occupancy parameter values;
3. The transportation system of claim 2, wherein the rider occupancy parameter value affirms the presence of a rider in the vehicle.
(7)
the vehicle operating conditions include conditions of a rider of the vehicle;
wherein the at least one optimized vehicle operating condition includes an optimized condition of the rider, and wherein the genetic algorithm optimizes the condition of the rider;
7. The transportation system of claim 6, wherein assessing according to the set of measures is to determine the condition of the rider corresponding to the vehicle parameter values.
(8)
8. The transportation system of claim 7, wherein said rider status includes a rider satisfaction parameter.
(9)
the rider state includes an input representing the rider;
The input representing the rider is selected from the group consisting of a rider state parameter, a rider comfort parameter, a rider emotional state parameter, a rider satisfaction parameter, a rider goal parameter, an outing classification, and combinations thereof. The transport system according to (7).
(10)
the set of vehicle parameter values includes a set of vehicle performance control values;
wherein the at least one optimized vehicle operating condition includes an optimized vehicle performance condition, and wherein the genetic algorithm optimizes the rider condition and the vehicle performance condition. can be,
8. The transportation system of claim 7, wherein assessing according to the set of measures comprises determining the rider's condition and the vehicle's performance condition corresponding to the vehicle performance control value.
(11)
the set of vehicle parameter values includes a set of vehicle performance control values;
the at least one optimized vehicle operating state includes an optimized state of the vehicle's performance;
The genetic algorithm optimizes a state of performance of the vehicle,
7. The transportation system of claim 6, wherein evaluating according to the set of measures is determining a state of performance of the vehicle corresponding to the vehicle performance control value.
(12)
The set of vehicle performance control values includes fuel efficiency, duration, vehicle endurance, vehicle make, vehicle model, vehicle energy consumption profile, fuel capacity, real-time fuel level, charging capacity, charging capacity, regenerative braking status, and (11), characterized in that the transport system is selected from the group consisting of:
(13)
at least a portion of the set of vehicle performance control values are provided from at least one of an on-board diagnostic system, a telemetry system, a software system, a sensor located on the vehicle, and a system external to the vehicle. The transport system according to item (11).
(14)
3. The transportation system of clause 2, wherein the set of measures is associated with a set of vehicle performance criteria.
(15)
3. The transportation system of claim 2, wherein the set of measures relates to a set of rider satisfaction criteria.
(16)
3. The transportation system of claim 2, wherein the set of measures relate to a combination of vehicle performance criteria and rider satisfaction criteria.
(17)
3. The transportation system of claim 2, wherein each of said evaluation results employs feedback indicative of an effect on at least one of said vehicle performance condition and said rider condition.
(18)
A transportation system,
An input representing a state of a vehicle and an input representing a rider state of a rider in said vehicle during said state of said vehicle are combined to optimize a set of vehicle parameters that affect said state of said vehicle or said rider state. including an artificial intelligence system processing with genetic algorithms to optimize
the genetic algorithm performs a series of evaluations using variations of the input;
A transportation system, wherein each evaluation in the series of evaluations uses feedback indicative of an effect on at least one of a vehicle operating condition and the rider condition.
(19)
19. The transportation system of claim 18, wherein the input indicative of rider status indicates that the rider is absent from the vehicle.
(20)
19. The transportation system of claim 18, wherein said condition of said vehicle includes said vehicle operating condition.
(21)
19. The transportation system of clause 18, wherein vehicle parameters in the set of vehicle parameters include vehicle performance parameters.
(22)
19. The transportation system of clause 18, wherein the genetic algorithm optimizes the set of vehicle parameters for the condition of the rider.
(23)
23. The transportation system of clause 22, wherein optimizing the set of vehicle parameters is responsive to identifying by the genetic algorithm at least one vehicle parameter that produces favorable rider conditions.
(24)
19. The transportation system of clause 18, wherein the genetic algorithm optimizes the set of vehicle parameters for vehicle performance.
(25)
19. The transportation system of clause 18, wherein the genetic algorithm optimizes the set of vehicle parameters for the condition of the rider and optimizes the set of vehicle parameters for vehicle performance.
(26)
Optimizing the set of vehicle parameters is responsive to the genetic algorithm identifying at least one of favorable vehicle operating conditions and favorable vehicle performance to maintain the rider conditions. The transport system according to item (25), characterized by:
(27)
the artificial intelligence system further comprising a neural network selected from a plurality of different neural networks;
Clause (18), wherein said selection of said neural network comprises a genetic algorithm and said selection of said neural network is based on structured competition between said plurality of different neural networks. transport system.
(28)
The genetic algorithm facilitates training a neural network to process interactions between multiple vehicle motion systems and a rider to produce the optimized set of vehicle parameters. A transportation system according to (18), characterized in that:
(29)
The set of inputs related to the at least one vehicle parameter is provided by at least one of an on-board diagnostic system, a telemetry system, a sensor located on the vehicle, and a system external to the vehicle (18 ).
(30)
19. The transportation system of clause 18, wherein the input representing the rider state includes at least one of comfort, emotional state, satisfaction, goals, ride classification, or fatigue.
(31)
wherein said input representing said rider status reflects a satisfaction parameter of at least one of a driver, fleet manager, advertiser, merchant, owner, operator, insurance company, and regulator ( 18) A transportation system as described in paragraph 18).
(32)
19. The transportation system of clause 18, wherein the input representing the rider state includes user-related input that, when processed by a cognitive system, yields the rider state.
(33)
A transportation system,
including a hybrid neural network for optimizing the operating conditions of the vehicle's continuously variable powertrain;
A portion of the hybrid neural network is operable to classify a state of the vehicle to produce a classified state of the vehicle, and another portion of the hybrid neural network is operable to classify the state of the vehicle and a transmission of the continuously variable powertrain. A transport system characterized by operating to optimize at least one operating parameter of a portion.
(34)
further comprising an artificial intelligence system operating on at least one processor;
The artificial intelligence system operates the portion of the hybrid neural network to operate to classify the condition of the vehicle, the artificial intelligence system based on the classified condition of the vehicle. , operating said other portion of said hybrid neural network to optimize said at least one operating parameter of said transmission portion of said continuously variable powertrain. system.
(35)
35. The transportation system of clause 34, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(36)
36. The transportation system of clause 35, wherein the vehicle is an at least semi-autonomous vehicle.
(37)
37. The transport system of clause 36, wherein the vehicles are adapted to be automatically routed.
(38)
(37) The transportation system according to item (37), wherein the vehicle is an autonomous vehicle.
(39)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle maintenance status.
(40)
35. The transportation system of claim 34, wherein the categorized condition of the vehicle is vehicle health condition.
(41)
35. The transportation system of clause 34, wherein the categorized state of the vehicle is a vehicle operating state.
(42)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle energy utilization status.
(43)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle charging status.
(44)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is a vehicle satisfaction status.
(45)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is a vehicle component status.
(46)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is a vehicle subsystem status.
(47)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is a vehicle powertrain system status.
(48)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle braking system status.
(49)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle clutch system status.
(50)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle lubrication system status.
(51)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is a vehicle transportation infrastructure system status.
(52)
35. The transportation system of clause 34, wherein the categorized status of the vehicle is vehicle rider status.
(53)
35. The transportation system of clause 34, wherein at least a portion of said hybrid neural network is a convolutional neural network.
(54)
A method for optimizing operation of a continuously variable powertrain of a vehicle, comprising:
executing on at least one processor a first network of hybrid neural networks, said first network classifying a plurality of operational states of said vehicle, at least some of said operational states being based on the state of the continuously variable powertrain of
executing on the at least one processor a second network of the hybrid neural networks, the second network for at least one of the classified plurality of operating states of the vehicle, the processing input describing a vehicle and at least one detected condition associated with an occupant of said vehicle, wherein processing of said input by said second network determines, for a plurality of said operating conditions of said vehicle, said condition of said vehicle; effecting optimization of at least one operating parameter of the continuously variable powertrain.
(55)
the vehicle includes an artificial intelligence system;
55. The method of clause 54, further comprising automating at least one control parameter of the vehicle with the artificial intelligence system.
(56)
(55) The method of paragraph (55), wherein the vehicle is an at least semi-autonomous vehicle.
(57)
57. The method of paragraph 56, wherein the vehicle is automatically routed.
(58)
57. The method of clause 56, wherein the vehicle is a self-driving vehicle.
(59)
optimizing the operating state of the continuously variable powertrain of the vehicle by the artificial intelligence system based on the optimized at least one operating parameter of the continuously variable powertrain; 56. The method of paragraph 55, further comprising optimizing the transmission portion of the powertrain by adjusting at least one other operating parameter.
(60)
Clause (59), further comprising processing social data from a plurality of social data sources with the artificial intelligence system to optimize the operating conditions of the continuously variable powertrain. the method of.
(61)
optimizing the operating conditions of the continuously variable powertrain by processing data supplied by the artificial intelligence system from a stream of data from an unstructured data source; (59).
(62)
60. The method of clause 59, further comprising processing, with the artificial intelligence system, data supplied from a wearable device to optimize the operating conditions of the continuously variable powertrain. .
(63)
60. The method of clause 59, further comprising processing data supplied from onboard sensors by the artificial intelligence system to optimize the operating conditions of the continuously variable powertrain. .
(64)
60. The method of claim 59, further comprising processing, with said artificial intelligence system, data supplied from a rider's helmet to optimize said operating conditions of said continuously variable powertrain. Method.
(65)
60. The method of claim 59, further comprising processing data supplied by the artificial intelligence system from a rider's headgear to optimize the operating conditions of the continuously variable powertrain. Method.
(66)
Clause (59), further comprising, with said artificial intelligence system, processing data supplied from a rider's voice system to optimize said operating conditions of said continuously variable powertrain. the method of.
(67)
The artificial intelligence system operates a third of the hybrid neural networks to determine at least a portion of at least one of the classified plurality of operating states of the vehicle and at least one operating parameter of the transmission. 56. The method of claim 55, further comprising predicting the state of the vehicle based on the statistic.
(68)
55, wherein the first network of the hybrid neural network comprises a structure-adaptive network that adapts the structure of the first network according to the results of operation of the first network of the hybrid neural network (55). The method described in the section.
(69)
56. The method of claim 55, wherein the first of the hybrid neural networks processes a plurality of social data from a social data source to classify the plurality of operational states of the vehicle. Method.
(70)
56. The method of clause 55, wherein at least part of the hybrid neural network is a convolutional neural network.
(71)
55. The method of claim 54, wherein at least one of the classified plurality of operational states of the vehicle is a vehicle maintenance state.
(72)
55. The method of claim 54, wherein at least one of said classified plurality of operating conditions of said vehicle is a vehicle health condition.
(73)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle operating state.
(74)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle energy utilization state.
(75)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is vehicle state of charge.
(76)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle satisfaction state.
(77)
55. The method of paragraph 54, wherein at least one of the categorized states of the vehicle is a vehicle component state.
(78)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle subsystem state.
(79)
55. The method of claim 54, wherein at least one of said categorized conditions of said vehicle is a vehicle powertrain system condition.
(80)
55. The method of claim 54, wherein at least one of said categorized conditions of said vehicle is a vehicle braking system condition.
(81)
55. The method of claim 54, wherein at least one of said categorized conditions of said vehicle is a vehicle clutch system condition.
(82)
55. The method of claim 54, wherein at least one of the categorized conditions of the vehicle is vehicle lubrication system conditions.
(83)
55. The method of claim 54, wherein at least one of the categorized states of the vehicle is a vehicle transportation infrastructure system state.
(84)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle driver state.
(85)
55. The method of claim 54, wherein at least one of said categorized states of said vehicle is a vehicle rider state.
(86)
A transport system,
a cognitive system that routes at least one vehicle in the specified set of vehicles based on routing parameters determined by facilitating negotiation between the set of vehicles;
A transportation system, wherein said negotiation accepts input relating to values attributed by at least one user to at least one parameter of a route.
(87)
A method of routing vehicles on a negotiated basis, comprising:
facilitating negotiation of route adjustments for a plurality of parameters used by a vehicle routing system to route at least one vehicle within a set of vehicles;
determining a parameter among the plurality of parameters for optimizing at least one result based on the negotiation.
(88)
capturing, via a vehicle-based route negotiation interface, a set of user-indicated values for the plurality of parameters used by the vehicle routing system to route the at least one vehicle in the set of vehicles; (87) The method of paragraph (87), further comprising:
(89)
(88) The method of paragraph (88), wherein the user is a rider of said at least one vehicle.
(90)
(88) The method of paragraph (88), wherein the user is an administrator of a set of roads used by said at least one vehicle in said set of vehicles.
(91)
89. The method of clause 88, wherein the user is an administrator of a fleet of vehicles including said set of vehicles.
(92)
(87) The method of clause (87), further comprising providing a set of offered user-indicated values for the plurality of parameters to a user associated with the set of vehicles.
(93)
(92) The method of clause (92), wherein the route adjustment value is based at least in part on the set of offered user instruction values.
(94)
(92) The method of clause (92), wherein the route adjustment value is further based on at least one user response to the offer.
(95)
(92) The method of clause (92), further comprising monitoring responses by the user of the set of vehicles to the set of offered user instructions.
(96)
The route adjustments are based, at least in part, on the set of offered user instructions and at least one response to the set by at least one user of the set of vehicles. The method according to item (92).
(97)
(92) The method of clause (92), wherein the determined parameter facilitates adjusting a route of the at least one vehicle in the set of vehicles.
(98)
93. The method of paragraph 92, wherein adjusting the route includes prioritizing the determined parameters for use by the vehicle routing system.
(99)
(92) The method of clause (92), wherein facilitating negotiation includes facilitating negotiation of a price for a service.
(100)
(92) The method of paragraph (92), wherein facilitating negotiation includes facilitating price negotiation of fuel.
(101)
(92) The method of clause (92), wherein facilitating negotiation includes facilitating negotiation of a price for charging.
(102)
(92) The method of clause (92), wherein facilitating negotiation includes facilitating negotiation of a reward for taking routing action.
(103)
A transportation system for negotiation-based vehicle routing, comprising:
A route adjustment negotiation system in which users in a set of users negotiate route adjustment values for at least one of a plurality of parameters used by the vehicle routing system to route at least one vehicle in the set of vehicles. When,
a user route optimization circuit for optimizing a portion of a route for at least one user of said set of vehicles based on said route adjustment value for said at least one of said plurality of parameters. A transportation system characterized by:
(104)
103, wherein the route adjustment value is based at least in part on a user-indicated value and at least one negotiation response to the user-indicated value by at least one user of the set of vehicles; ).
(105)
103. The transportation system of clause 103, further comprising a vehicle-based route negotiation interface through which user-indicated values for the plurality of parameters used by the vehicle routing system are obtained.
(106)
(105) Transportation system according to clause (105), characterized in that the user is a rider of said at least one vehicle.
(107)
(105) The transportation system of clause (105), wherein the user is an administrator of a set of roads used by said at least one vehicle in said set of vehicles.
(108)
(105) The transportation system of clause (105), wherein the user is an administrator of a vehicle fleet that includes said set of vehicles.
(109)
(105) The transportation system of clause (105), wherein said at least one of said plurality of parameters adjusts a route of said at least one vehicle.
(110)
109. The transportation system of clause 109, wherein adjusting the route includes prioritizing parameters determined for use by the vehicle routing system.
(111)
At least one of the user-indicated values is attributed to at least one of the plurality of parameters via an interface for facilitating expression of an evaluation of one or more route parameters. (105).
(112)
105. The transportation system of clause 105, wherein the vehicle-based route negotiation interface facilitates expression of an estimate of one or more route parameters.
(113)
(105) The transportation system of paragraph (105), wherein the user-indicated value is obtained from the behavior of the user.
(114)
(105) The transportation system of clause (105), wherein the vehicle-based route negotiation interface facilitates translating user behavior into the user instruction value.
(115)
The user behavior is characterized by reflecting a value assigned to at least one parameter used by the vehicle routing system to influence the route of at least one vehicle within the set of vehicles. (114) The transportation system according to item.
(116)
114. The transportation system of clause 114, wherein the user-indicated value indicated by at least one user correlates to an item of value provided by said user.
(117)
116. Transportation according to clause 116, wherein the item of value is offered by the user by offering the item of value in exchange for routing results based on the at least one parameter. system.
(118)
(103) The transportation system of clause (103), wherein said negotiating said route adjustment value includes offering an item of value to said user of said set of vehicles.
(119)
A transportation system,
a cognitive system that routes at least one vehicle in the specified set of vehicles based on a set of routing parameters determined by facilitating coordination between the set of vehicles;
The transportation system, wherein the coordination is accomplished by obtaining at least one input from at least one game-based interface for users of vehicles in the designated set of vehicles.
(120)
a vehicle routing system that routes the at least one vehicle based on the set of routing parameters;
a user indicating a routing priority for at least one vehicle in the set of vehicles for performing a game activity provided in the game-based interface;
(119) The transportation system of clause (119), wherein the game-based interface prompts the user to perform a set of advantageous routing options based on the set of routing parameters.
(121)
120. The transportation system of clause 120, wherein the vehicle routing system considers the user's routing preferences when routing the at least one vehicle in the set of vehicles.
(122)
120. The transportation system of clause 120, wherein the game-based interface is configured for use within a vehicle.
(123)
(120) The transportation system of paragraph (120), wherein the user is a rider of the at least one vehicle.
(124)
(120) The transportation system of clause (120), wherein said user is an administrator of a set of roads used by said at least one vehicle in said set of vehicles.
(125)
120. The transportation system of clause 120, wherein the user is an administrator of a fleet of vehicles including said set of vehicles.
(126)
Said set of routing parameters include: traffic congestion, desired arrival time, preferred route, fuel efficiency, pollution reduction, accident avoidance, bad weather avoidance, bad road avoidance, fuel consumption reduction, carbon footprint reduction, local noise reduction, crime hotspot avoidance, collective satisfaction, maximum speed limit, toll road avoidance, city road avoidance, uninterrupted highway avoidance, left turn avoidance, driver-operated vehicle (120) The transport system of paragraph (120), comprising at least one of: avoidance;
(127)
(120) The transportation system of clause (120), wherein the game activities provided in the game-based interface include contests.
(128)
(120) The transportation system of clause (120), wherein the game activity provided in the game-based interface includes entertainment games.
(129)
(120) The transportation system of clause (120), wherein the game activities provided in the game-based interface include competitive games.
(130)
(120) The transportation system of clause (120), wherein the game activity provided in the game-based interface includes a strategy game.
(131)
(120) The transportation system of clause (120), wherein the game activity provided in the game-based interface includes a scavenger hunt.
(132)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves fuel efficiency objectives.
(133)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves traffic reduction objectives.
(134)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves pollution reduction objectives.
(135)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves carbon footprint reduction objectives.
(136)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a neighborhood noise reduction objective.
(137)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a collective satisfaction objective.
(138)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves the goal of accident scene avoidance.
(139)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves the goal of avoiding high crime areas.
(140)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves the goal of traffic congestion reduction.
(141)
(120) The transportation system of clause (120), wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a goal of inclement weather avoidance.
(142)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a maximum travel time objective.
(143)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a maximum speed limit objective.
(144)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a goal of toll road avoidance.
(145)
(120) The transportation system of clause (120), wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a city road avoidance objective.
(146)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves the objective of undivided highway avoidance.
(147)
(120) The transportation system of clause (120), wherein the set of advantageous routing options is configured such that the vehicle routing system achieves a left turn avoidance objective.
(148)
120. The transportation system of clause 120, wherein the set of advantageous routing options is configured such that the vehicle routing system achieves the objective of driver-operated vehicle avoidance.
(149)
A method of game-based coordinated vehicle routing, comprising:
presenting, in a game-based interface, a game activity that affects vehicle route priority;
receiving a user response to the presented game activity via the game-based interface;
adjusting the user's routing priority in response to the received response;
determining at least one vehicle routing parameter used to route the vehicle to reflect the adjusted routing priority for routing the vehicle;
using the vehicle routing system to route vehicles in a set of vehicles according to at least one determined vehicle routing parameter adjusted to reflect the adjusted routing priority.
A method, wherein routing the vehicle includes adjusting routing parameters determined for at least a plurality of vehicles in the set of vehicles.
(150)
(149) The method of clause (149), further comprising indicating, by the game-based interface, a reward value for accepting the game activity.
(151)
150. The method of clause 150, wherein the game-based interface further includes a routing priority negotiation system for riders to negotiate the reward value for accepting the game activity.
(152)
(150) The method of clause (150), wherein the reward value is the result of pooling valuable contributions from riders in the set of vehicles.
(153)
At least one routing parameter used by the vehicle routing system to route the vehicle within the set of vehicles is associated with the game activity, and user acceptance of the game activity overrides the routing preference. (149), wherein the at least one routing parameter is adjusted to reflect degree.
(154)
149. The method of Clause 149, wherein the user response to the presented game activity is derived from user interaction with the game-based interface.
(155)
The at least one routing parameter used by the vehicle routing system to route the vehicle within the set of vehicles includes traffic congestion, desired arrival time, preferred route, fuel efficiency, pollution reduction, accident avoidance, Avoiding bad weather, avoiding bad roads, reducing fuel consumption, reducing carbon dioxide emissions, reducing local noise, avoiding crime-prone areas, collective satisfaction, maximum speed limits, avoiding toll roads, avoiding city roads (149) The method of paragraph (149) comprising at least one of avoidance, avoidance of uninterrupted highways, avoidance of left turns, and avoidance of driver-controlled vehicles.
(156)
(149) The method of paragraph (149), wherein the game activity presented in the game-based interface includes a contest.
(157)
(149) The method of clause (149), wherein the game activity presented in the game-based interface comprises an entertainment game.
(158)
(149) The method of clause (149), wherein the game activity presented in the game-based interface includes competitive games.
(159)
(149) The method of clause (149), wherein the game activity presented in the game-based interface includes a strategy game.
(160)
(149) The method of clause (149), wherein the game activity presented in the game-based interface includes a scavenger hunt.
(161)
(149) The method of paragraph (149), wherein the routing in response to the determined at least one vehicle routing parameter achieves a fuel efficiency objective.
(162)
149. The method of paragraph (149), wherein said routing in response to said at least one vehicle routing parameter determined achieves a traffic reduction objective.
(163)
149. The method of clause 149, wherein the routing in response to the determined at least one vehicle routing parameter achieves the objective of pollution reduction.
(164)
149. The method of clause 149, wherein the routing in response to the determined at least one vehicle routing parameter achieves the goal of reducing carbon dioxide emissions.
(165)
149. The method of clause 149, wherein said routing in response to said determined at least one vehicle routing parameter achieves a neighborhood noise reduction objective.
(166)
149. The method of paragraph (149), wherein the routing in response to the determined at least one vehicle routing parameter achieves a collective satisfaction objective.
(167)
149. The method of paragraph 149, wherein the routing in response to the determined at least one vehicle routing parameter achieves the goal of accident scene avoidance.
(168)
149. The method of paragraph (149), wherein said routing in response to said at least one vehicle routing parameter determined achieves the goal of avoidance of high crime areas.
(169)
149. The method of paragraph (149), wherein the routing in response to the determined at least one vehicle routing parameter achieves the goal of traffic congestion reduction.
(170)
149. The method of clause 149, wherein the routing in response to the determined at least one vehicle routing parameter achieves a goal of severe weather avoidance.
(171)
149. The method of clause 149, wherein the routing in response to the determined at least one vehicle routing parameter achieves a maximum travel time objective.
(172)
149. The method of clause 149, wherein said routing in response to said determined at least one vehicle routing parameter achieves a maximum speed limit objective.
(173)
149. The method of paragraph (149), wherein said routing in response to said at least one vehicle routing parameter determined achieves a goal of toll road avoidance.
(174)
(149) The method of paragraph (149), wherein said routing in response to said at least one vehicle routing parameter determined achieves the objective of city road avoidance.
(175)
149. The method of paragraph 149, wherein said routing in response to said at least one vehicle routing parameter determined achieves the objective of avoiding undivided highways.
(176)
149. The method of paragraph (149), wherein said routing in response to said at least one vehicle routing parameter determined achieves a left turn avoidance objective.
(177)
149. The method of clause 149, wherein said routing in response to said at least one vehicle routing parameter determined achieves the objective of avoiding driver-controlled vehicles.
(178)
A transport system,
including a cognitive system for routing at least one vehicle;
the routing is based, at least in part, on processing at least one input from a rider interface;
A transportation system, wherein a reward is provided to a rider in response to said rider taking predetermined actions while riding in at least one vehicle.
(179)
A transportation system for reward-based coordinated vehicle routing,
A reward-based interface for providing rewards, wherein a user associated with a set of vehicles indicates a routing preference of said user associated with said reward by responding to said reward provided at said reward-based interface. the reward-based interface;
a reward providing response processing circuit for determining at least one user action resulting from said response of a user to said reward and for determining a corresponding effect on at least one routing parameter;
a vehicle routing system that manages routing of said set of vehicles using said routing preferences of said users and said corresponding effects on said at least one routing parameter.
(180)
179. The transportation system of clause 179, wherein said user is a rider of at least one vehicle in said set of vehicles.
(181)
179. The transportation system of clause 179, wherein said user is an administrator for a set of roads used by at least one vehicle in said set of vehicles.
(182)
(179) The transportation system of clause (179), wherein the user is an administrator of a vehicle fleet that includes the set of vehicles.
(183)
179. The transportation system of paragraph 179, wherein the reward-based interface is deployed for use within a vehicle.
(184)
The at least one routing parameter is traffic congestion, desired arrival time, preferred route, fuel efficiency, pollution reduction, accident avoidance, bad weather avoidance, bad road avoidance, fuel consumption reduction, carbon footprint reduction, area noise reduction, crime hotspot avoidance, collective satisfaction, maximum speed limits, toll road avoidance, city road avoidance, undivided highway avoidance, left turn avoidance, and driver-operated vehicle avoidance (179) The transportation system according to item (179), characterized in that it includes at least one of
(185)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve fuel efficiency objectives. (179) The transportation system according to item (179) characterized by
(186)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles for purposes of traffic reduction. (179) A transportation system according to paragraph (179), characterized in that:
(187)
The vehicle routing system uses the routing priority of the user and the corresponding effect on the at least one routing parameter to manage routing of the set of vehicles to achieve pollution reduction objectives. (179) The transportation system according to item (179) characterized by
(188)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles, thereby reducing a carbon footprint. (179).
(189)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve neighborhood noise reduction purposes. (179) A transportation system according to paragraph (179), characterized in that:
(190)
The vehicle routing system uses the routing preferences of the users and the corresponding effects on the at least one routing parameter to manage the routing of the set of vehicles for collective satisfaction purposes. (179).
(191)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage the routing of the set of vehicles for purposes of accident scene avoidance. (179) A transportation system according to paragraph (179), characterized in that:
(192)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to avoid crime hot spots. (179) A transport system according to item (179), characterized in that it achieves a purpose.
(193)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles for the purpose of reducing traffic congestion. (179).
(194)
The vehicle routing system uses the routing priority of the user and the corresponding effect on the at least one routing parameter to manage the routing of the set of vehicles to achieve the objective of inclement weather avoidance. (179) The transportation system according to item (179) characterized by
(195)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve a maximum travel time objective. (179) A transportation system according to paragraph (179), characterized in that:
(196)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve maximum speed limit objectives. (179) A transportation system according to paragraph (179), characterized in that:
(197)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve toll road avoidance purposes. (179) A transportation system according to paragraph (179), characterized in that:
(198)
The vehicle routing system uses the user's routing preferences and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to achieve city road avoidance purposes. (179) A transportation system according to paragraph (179), characterized in that:
(199)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage the routing of the set of vehicles to provide an undivided highway route. (179), characterized in that it achieves the object of avoiding
(200)
The vehicle routing system uses the routing priority of the user and the corresponding effect on the at least one routing parameter to manage the routing of the set of vehicles to achieve left turn avoidance objectives. (179) The transportation system according to item (179) characterized by
(201)
The vehicle routing system uses the routing preferences of the user and the corresponding effects on the at least one routing parameter to manage routing of the set of vehicles to (179) A transportation system according to paragraph (179), characterized in that it achieves the purpose of avoidance.
(202)
A method of reward-based coordinated vehicle routing, comprising:
receiving, via a reward-based interface, user responses associated with a set of vehicles to rewards provided at the reward-based interface;
determining a routing priority based on the response of the user;
determining at least one user action resulting from the response of the user to the reward;
determining a corresponding effect of the at least one user action on at least one routing parameter; and
managing routing of the set of vehicles according to the routing priority and the corresponding effect on the at least one routing parameter.
(203)
202. The method of clause 202, wherein said user is a rider of at least one vehicle in said set of vehicles.
(204)
202. The method of clause 202, wherein said user is an administrator for a set of roads used by at least one vehicle in said set of vehicles.
(205)
202. The method of clause 202, wherein the user is an administrator of a fleet of vehicles that includes the set of vehicles.
(206)
202. The method of clause 202, wherein the reward-based interface is deployed for use within a vehicle.
(207)
The at least one routing parameter is traffic congestion, desired arrival time, preferred route, fuel efficiency, pollution reduction, accident avoidance, bad weather avoidance, bad road avoidance, fuel consumption reduction, carbon footprint reduction, area noise reduction, avoidance of high-crime areas, collective satisfaction, maximum speed limits, avoidance of toll roads, avoidance of city roads, avoidance of undivided highways, avoidance of left turns, and avoidance of driver-operated vehicles; (202) The method of paragraph (202), comprising at least one of:
(208)
The user accepts the reward provided on the reward-based interface, rejects the reward provided on the reward-based interface, or ignores the reward provided on the reward-based interface. (202), responding to the reward provided at the reward-based interface by:
(209)
202. The method of clause 202, wherein the user indicates the routing preference by accepting or rejecting the reward offered at the reward-based interface.
(210)
Clause 202, wherein the user indicates the routing preference by undertaking an activity in at least one vehicle in the set of vehicles that facilitates sending the reward to the user. described method.
(211)
Sending a signal to the vehicle routing system, via a reward response processing circuit, to select a vehicle route that allows the user sufficient time to perform the at least one user action. The method according to item (202), characterized by:
(212)
sending a signal to a vehicle routing system via a rewarding response processing circuit, the signal indicating a vehicle destination associated with the at least one user action; and
202. The method of clause 202, further comprising adjusting, by the vehicle routing system, a route of the vehicle associated with the at least one user action to include the destination.
(213)
202. The method of clause 202, wherein the reward is related to achieving fuel efficiency objectives through vehicle routing.
(214)
202. The method of clause 202, wherein the reward is related to achieving a traffic reduction objective through vehicle routing.
(215)
202. The method of clause 202, wherein the reward is related to achievement of pollution reduction objectives by vehicle routing.
(216)
202. The method of clause 202, wherein the reward is related to achieving a carbon footprint reduction objective through vehicle routing.
(217)
202. The method of clause 202, wherein the reward is related to achieving a neighborhood noise reduction objective by vehicle routing.
(218)
202. The method of clause 202, wherein the reward is related to achieving a collective satisfaction objective through vehicle routing.
(219)
202. The method of clause 202, wherein the reward is related to achieving the goal of avoiding an accident scene by vehicle routing.
(220)
202. The method of clause 202, wherein the reward is related to achievement of a crime hotspot avoidance goal by vehicle routing.
(221)
202. The method of clause 202, wherein the reward is related to achievement of a traffic congestion reduction objective by vehicle routing.
(222)
202. The method of clause 202, wherein the reward is related to achievement of a severe weather avoidance objective by vehicle routing.
(223)
202. The method of clause 202, wherein the reward is related to achieving a maximum travel time objective by vehicle routing.
(224)
202. The method of clause 202, wherein the reward is related to achieving a maximum speed limit objective by vehicle routing.
(225)
202. The method of clause 202, wherein the reward is related to achieving a toll road avoidance objective by vehicle routing.
(226)
202. The method of clause 202, wherein the reward is related to achieving a city road avoidance objective by vehicle routing.
(227)
202. The method of clause 202, wherein the reward is related to achievement of an undivided highway avoidance objective by vehicle routing.
(228)
202. The method of clause 202, wherein the reward is related to achieving a left turn avoidance objective by vehicle routing.
(229)
202. The method of clause 202, wherein the reward is related to achievement of a driver-controlled vehicle avoidance objective by vehicle routing.
(230)
A transportation system,
A transportation system comprising a data processing system that ingests data from multiple social data sources and uses a neural network to predict emerging transportation needs for a group of individuals.
(231)
A method of predicting a group's common transportation needs, comprising:
collecting social media source data about multiple individuals, wherein said data is provided by multiple social media sources;
processing the data to identify subsets of the plurality of individuals that form social groups based on group affiliation references in the data;
detecting keywords indicative of transportation needs from the data; and
identifying common transportation needs of said subset of said plurality of individuals using a neural network trained to predict transportation needs based on said detected keywords.
(232)
(231) The method of clause (231), further comprising offering at least one transportation service to meet said common transportation need.
(233)
The method of paragraph (231), wherein the neural network is a convolutional neural network.
(234)
(231) The method of paragraph (231), wherein the neural network is trained based on a model that facilitates matching phrases in social media with transportation activity.
(235)
231. The method of clause 231, wherein the neural network predicts at least one of a destination and arrival time for the subset of the plurality of individuals sharing the common transportation need.
(236)
Clause 231, wherein the neural network predicts the common transportation needs based on an analysis of keywords indicative of transportation needs detected in discussion threads among a subset of individuals in the social group. described method.
(237)
231. The method of clause 231, further comprising identifying at least one shared transportation service that facilitates a portion of the social group to meet the predicted common transportation needs.
(238)
237. The method of clause 237, wherein the at least one shared transportation service includes generating a vehicle route that facilitates picking up the portion of the social group.
(239)
A method of predicting group transportation needs of a group, comprising:
collecting social media source data about multiple individuals, wherein said data is provided by multiple social media sources;
processing the data to identify a subset of the plurality of individuals that share the group transportation needs;
detecting from within the data keywords indicative of the group transportation needs for the subset of the plurality of individuals;
predicting the group transportation needs using a neural network trained to predict transportation needs based on the detected keywords;
directing a vehicle routing system to meet said group transportation needs.
(240)
The method of paragraph (239), wherein the neural network is a convolutional neural network.
(241)
(239) characterized in that directing the vehicle routing system to meet the group transportation needs includes routing a plurality of vehicles to a destination derived from the social media source data. described method.
(242)
239. The method of clause 239, further comprising offering at least one transportation service to meet said group transportation needs.
(243)
239. The method of clause 239, wherein the neural network is trained based on a model that facilitates matching phrases in the social media data with transportation activities.
(244)
(239) The method of Clause (239), further comprising predicting, by the neural network, at least one of a destination and an arrival time for the subset of the plurality of individuals sharing the group transportation need. .
(245)
further comprising predicting, by the neural network, the group transportation needs based on analysis of keywords indicative of transportation needs detected in discussion threads in the social media source data (239). The method described in the section.
(246)
further comprising identifying at least one shared transportation service that facilitates meeting the predicted group transportation needs for at least a portion of the subset of the plurality of individuals (239). The method described in the section.
(247)
246. The method of paragraph 246, wherein the at least one shared transportation service includes generating a vehicle route that facilitates picking up at least a portion of the subset of the plurality of individuals.
(248)
A method of predicting group transportation needs, comprising:
Collecting social media source data from multiple social media sources;
processing data to identify events;
detecting keywords within the data that are indicative of the event to determine transportation needs associated with the event; and
directing a vehicle routing system to meet said transportation needs using a neural network trained to predict transportation needs based at least in part on data from social media sources. and how.
(249)
The method of paragraph (248), wherein the neural network is a convolutional neural network.
(250)
248. The method of clause 248, wherein the vehicle routing system is directed to meet the transportation needs by routing a plurality of vehicles to locations associated with the event.
(251)
Clause 248, wherein the vehicle routing system is directed to meet the transportation need by routing a plurality of vehicles to avoid areas proximate to locations associated with the event. the method of.
(252)
The vehicle routing system satisfies the transportation need by routing vehicles associated with users whose data in social media sources do not indicate the transportation need to avoid areas proximate to locations associated with the event. (248) The method of paragraph (248) characterized in that it is instructed to:
(253)
248. The method of clause 248, further comprising offering at least one transportation service to meet said transportation need.
(254)
248. The method of clause 248, wherein the neural network is trained based on a model that facilitates matching phrases in the social media source data with transportation activities.
(255)
248. The method of clause 248, wherein the neural network predicts at least one of a destination and arrival time for individuals participating in the event.
(256)
248. The method of Clause 248, wherein the neural network predicts the transportation needs based on analysis of keywords indicative of transportation needs detected in discussion threads within the social media source data.
(257)
identifying at least one shared transportation service that facilitates meeting the predicted transportation needs for at least a subset of the individuals identified in the social media source data ( 248) The method described in item 248).
(258)
wherein the at least one shared transportation service includes generating a vehicle route that facilitates picking up a portion of the subset of individuals identified within the data of the social media source; 257) The method described in item.
(259)
A transport system,
Obtaining data from multiple social data sources and using a hybrid neural network to optimize operating conditions of a transportation system based on processing said data from said multiple social data sources with said hybrid neural network. A transportation system comprising a data processing system that
(260)
A hybrid neural network system for transportation system optimization, comprising:
a first neural network that analyzes social media data provided from multiple social media data sources to predict local impacts on the transportation system;
and a second neural network that optimizes operating conditions of the transportation system based on the predicted local effects.
(261)
260. The hybrid neural network system of Clause 260, wherein at least one of said first neural network and said second neural network is a convolutional neural network.
(262)
260. The hybrid neural network system of paragraph 260, wherein the second neural network optimizes passenger experience conditions in a vehicle.
(263)
Clause 260, wherein the first neural network identifies a set of vehicles contributing to the local impact based on correlations between vehicle locations and areas of local impact. hybrid neural network system.
(264)
260. The hybrid neural network system of clause 260, wherein the second neural network optimizes routing conditions of the transportation system for vehicles proximate to the location of local influence.
(265)
260. The method of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on keywords within social media data indicative of results of transportation system optimization actions. Hybrid neural network system.
(266)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on social media posts.
(267)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on social media feeds.
(268)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on ratings obtained from the social media data.
(269)
260. The hybrid neural of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on like or dislike activity detected in the social media data. network system.
(270)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on relevance metrics in the social media data.
(271)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on user behavior detected in the social media data.
(272)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on discussion threads within the social media data.
(273)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on chats within the social media data.
(274)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on photos in the social media data.
(275)
260. The hybrid neural network of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on traffic-affecting information in the social media data. system.
(276)
260. The method of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on representations within the social media data of specific individuals at a location. Hybrid neural network system.
(277)
260. The hybrid neural network system of paragraph 260, wherein said particular individual is a public figure.
(278)
The hybrid neural network is trained for at least one of prediction and optimization based on the presence of rare or transient phenomena at a location within the social media data (260). A hybrid neural network system according to any one of the preceding paragraphs.
(279)
260. The hybrid neural of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on commerce-related events at locations within the social media data. network system.
(280)
260. The hybrid neural network system of clause 260, wherein the hybrid neural network is trained for at least one of prediction and optimization based on entertainment events at locations within the social media data. .
(281)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on the transportation system includes traffic conditions.
(282)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes weather conditions.
(283)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes entertainment options.
(284)
260. The hybrid neural network system of Clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes risk-related terms.
(285)
284. The hybrid neural network system of clause 284, wherein the risk-related conditions include crowds gathering for potentially dangerous reasons.
(286)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on the transportation system includes commercial-related terms.
(287)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on the transportation system includes goal-related conditions.
(288)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes estimates of event attendance.
(289)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes predictions of event attendance.
(290)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes means of transportation.
(291)
290. The hybrid neural network system of paragraph 290, wherein the means of transportation includes motor vehicle traffic.
(292)
290. The hybrid neural network system of paragraph 290, wherein the means of transportation includes public transportation options.
(293)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes hashtags.
(294)
260. The hybrid neural network system of clause 260, wherein the social media data analyzed to predict local impacts on transportation systems includes topic trends.
(295)
260. The hybrid neural network system of paragraph 260, wherein the outcome of the transportation system optimization action is a reduction in fuel consumption.
(296)
260. The hybrid neural network system of paragraph 260, wherein the outcome of the transportation system optimization action is the reduction of traffic congestion.
(297)
260. The hybrid neural network system of paragraph 260, wherein the outcome of the transportation system optimization action is pollution reduction.
(298)
260. The hybrid neural network system of paragraph 260, wherein the outcome of the transportation system optimization action is avoidance of inclement weather.
(299)
260. The hybrid neural network system of clause 260, wherein the operational conditions of the transport system that are optimized include vehicle interior conditions.
(300)
260. The hybrid neural network system of clause 260, wherein the operating conditions of the transportation system that are optimized include routing conditions.
(301)
300. The hybrid neural network system of paragraph 300, wherein said routing states are for individual vehicles.
(302)
300. The hybrid neural network system of paragraph (300), wherein the routing states are for a set of vehicles.
(303)
260. The hybrid neural network system of clause 260, wherein the operating conditions of the transport system that are optimized include conditions of user experience.
(304)
A method of optimizing operating conditions of a transportation system, comprising:
collecting social media source data about multiple individuals, wherein said data is sourced from multiple social media sources;
optimizing the operating conditions of the transportation system using a hybrid neural network;
analyzing data from the social media sources to predict impacts on the transportation system with a first neural network of the hybrid neural network;
optimizing at least one operational state of the transportation system in response to the predicted impact with a second neural network of the hybrid neural networks.
(305)
304. The method of clause 304, wherein at least one of said first neural network and said second neural network is a convolutional neural network.
(306)
304. The method of clause 304, wherein the second neural network optimizes the state of the passenger experience in the vehicle.
(307)
304. The method of clause 304, wherein the first neural network identifies a set of vehicles contributing to the impact based on correlations between vehicle locations and the area of impact.
(308)
(304) The method of clause (304), wherein the second neural network optimizes routing conditions of the transportation system for vehicles proximate to the location of impact.
(309)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on keywords in social media data indicating results of transportation system optimization actions.
(310)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on social media posts.
(311)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on social media feeds.
(312)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on ratings obtained from the social media data.
(313)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on like or dislike activity detected in the social media data.
(314)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on relevance metrics in the social media data.
(315)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on user behavior detected in the social media data.
(316)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on discussion threads within the social media data.
(317)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on chats within the social media data.
(318)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on photos in the social media data.
(319)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on traffic-affecting information in the social media data.
(320)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on representations within the social media data of specific individuals at a location.
(321)
(320) The method of paragraph (320), wherein the particular individual is a public figure.
(322)
304. Clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on the presence of rare or transient phenomena at locations within the social media data. the method of.
(323)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on commerce-related events at locations within the social media data.
(324)
304. The method of clause 304, wherein the hybrid neural network is trained for at least one of prediction and optimization based on entertainment events at locations within the social media data.
(325)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes traffic conditions.
(326)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes weather conditions.
(327)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes entertainment options.
(328)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes risk-related terms.
(329)
328. The method of paragraph 328, wherein the risk-related condition includes crowds gathering for potentially dangerous reasons.
(330)
(304) The method of paragraph (304), wherein the social media data analyzed to predict impacts on the transportation system includes commercial-related terms.
(331)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on the transportation system includes conditions related to goals.
(332)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes estimates of event attendance.
(333)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes predictions of event attendance.
(334)
(304) The method of paragraph (304), wherein the social media data analyzed to predict impacts on transportation systems includes transportation modes.
(335)
(334) The method of paragraph (334), wherein the means of transportation includes motor vehicle transportation.
(336)
(334) The method of paragraph (334), wherein the means of transportation includes public transportation options.
(337)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes hashtags.
(338)
304. The method of clause 304, wherein the social media data analyzed to predict impacts on transportation systems includes topical trends.
(339)
(304) The method of paragraph (304), wherein the outcome of the transportation system optimization action is a reduction in fuel consumption.
(340)
304. The method of clause 304, wherein the outcome of the transportation system optimization action is a reduction in traffic congestion.
(341)
304. The method of paragraph 304, wherein the outcome of the transportation system optimization action is pollution reduction.
(342)
304. The method of paragraph 304, wherein the outcome of the transportation system optimization action is avoidance of inclement weather.
(343)
304. The method of clause 304, wherein the operating conditions of the transport system that are optimized include conditions within a vehicle.
(344)
304. The method of clause 304, wherein the operating conditions of the transport system to be optimized include routing conditions.
(345)
344. The method of paragraph 344, wherein said routing states are for individual vehicles.
(346)
344. The method of paragraph 344, wherein the routing state is for a set of vehicles.
(347)
304. The method of clause 304, wherein the operating conditions of the transportation system to be optimized include user experience conditions.
(348)
A method of optimizing operating conditions of a transportation system, comprising:
classifying social media data sourced from multiple social media sources as impacting the transportation system using a first neural network of the hybrid neural network;
predicting at least one operational objective of the transportation system based on the categorized social media data using a second of the hybrid neural networks; and
optimizing operational conditions of the transportation system to achieve the at least one operational objective of the transportation system using a third of the hybrid neural networks.
(349)
348. The method of clause 348, wherein said at least one neural network of said hybrid neural networks is a convolutional neural network.
(350)
A transportation system,
Obtaining data from multiple social data sources and using a hybrid neural network to optimize vehicle operating conditions based on processing said data from said multiple social data sources with said hybrid neural network. A transport system comprising a data processing system.
(351)
A method for optimizing operating conditions of a vehicle, comprising:
classifying social media data sourced from multiple social media sources as impacting the transportation system using a first neural network of the hybrid neural network;
predicting one or more impacts of the categorized social media data on the transportation system using a second neural network of the hybrid neural network; and
optimizing the state of at least one vehicle of the transportation system using a third neural network of the hybrid neural networks, wherein the optimization reduces the predicted one or more effects of the at least A method, comprising: addressing an impact on a single vehicle.
(352)
352. The method of clause 351, wherein said at least one neural network of said hybrid neural networks is a convolutional neural network.
(353)
(351) The method of paragraph (351), wherein the social media data comprises social media posts.
(354)
(351) The method of paragraph (351), wherein the social media data comprises a social media feed.
(355)
(351) The method of paragraph (351), wherein the social media data includes detected like or dislike activity on social media.
(356)
(351) The method of paragraph (351), wherein the social media data includes a relationship indicator.
(357)
(351) The method of paragraph (351), wherein the social media data includes user behavior.
(358)
(351) The method of paragraph (351), wherein the social media data includes discussion threads.
(359)
(351) The method of paragraph (351), wherein the social media data includes chat.
(360)
(351) The method of paragraph (351), wherein the social media data includes photographs.
(361)
(351) The method of paragraph (351), wherein the social media data includes information affecting traffic.
(362)
(351) The method of paragraph (351), wherein the social media data includes representations of specific individuals at a location.
(363)
(351) The method of paragraph (351), wherein the social media data includes representations of celebrities in a location.
(364)
(351) The method of paragraph (351), wherein the social media data includes the presence of rare or transient phenomena at a location.
(365)
(351) The method of paragraph (351), wherein the social media data includes commerce-related events.
(366)
(351) The method of paragraph (351), wherein the social media data includes entertainment events at a location.
(367)
(351) The method of paragraph (351), wherein the social media data includes traffic conditions.
(368)
(351) The method of paragraph (351), wherein the social media data includes weather conditions.
(369)
(351) The method of paragraph (351), wherein the social media data includes entertainment options.
(370)
(351) The method of paragraph (351), wherein the social media data includes risk-related terms.
(371)
(351) The method of paragraph (351), wherein the social media data includes event attendance predictions.
(372)
(351) The method of paragraph (351), wherein the social media data includes estimates of event attendees.
(373)
(351) The method of paragraph (351), wherein the social media data includes transportation used at an event.
(374)
(351) The method of paragraph (351), wherein the impact on the transportation system includes a reduction in fuel consumption.
(375)
(351) The method of paragraph (351), wherein said impact on said transportation system includes reducing traffic congestion.
(376)
(351) The method of Clause (351), wherein said impact on said transportation system includes a reduction in carbon dioxide emissions.
(377)
(351) The method of paragraph (351), wherein said impact on said transportation system includes a reduction in contamination.
(378)
(351) The method of paragraph (351), wherein said optimized state of said at least one vehicle is an operating state of said vehicle.
(379)
(351) The method of paragraph (351), wherein the optimized conditions of the at least one vehicle include interior conditions.
(380)
(351) The method of paragraph (351), wherein said optimized conditions of said at least one vehicle include rider conditions.
(381)
(351) The method of paragraph (351), wherein the optimized state of the at least one vehicle includes a routing state.
(382)
(351) The method of paragraph (351), wherein the optimized state of the at least one vehicle includes a user experience state.
(383)
352. The method of paragraph (351), using features of the results of the optimization in the social media data as feedback to improve the optimization.
(384)
(383) The method of paragraph (383), wherein said feedback includes likes and dislikes of said results.
(385)
(383) The method of paragraph (383), wherein the feedback includes social media activity referencing the results.
(386)
383. The method of paragraph 383, wherein the feedback includes trends in social media activity that reference the results.
(387)
(383) The method of paragraph (383), wherein the feedback includes a hashtag associated with the result.
(388)
(383) The method of paragraph (383), wherein said feedback includes evaluation of said results.
(389)
(383) The method of paragraph (383), wherein said feedback includes a request for said result.
(390)
A method for optimizing operating conditions of a vehicle, comprising:
classifying social media data sourced from multiple social media sources as impacting the transportation system using a first neural network of the hybrid neural network;
predicting at least one vehicle motion objective of the transportation system based on the categorized social media data using a second neural network of the hybrid neural network; and
optimizing vehicle conditions within the transportation system to achieve the at least one vehicle operating objective of the transportation system using a third neural network of the hybrid neural network. how to.
(391)
390. The method of clause 390, wherein said at least one neural network of said hybrid neural networks is a convolutional neural network.
(392)
390. The method of clause 390, wherein the vehicle operational objective includes achieving a rider status for at least one rider in the vehicle.
(393)
(390) The method of paragraph (390), wherein the social media data comprises social media posts.
(394)
(390) The method of paragraph (390), wherein the social media data comprises a social media feed.
(395)
390. The method of paragraph (390), wherein the social media data includes detected likes and dislikes activity on the social media.
(396)
(390) The method of paragraph (390), wherein the social media data includes a relationship indicator.
(397)
(390) The method of paragraph (390), wherein the social media data includes user behavior.
(398)
(390) The method of paragraph (390), wherein the social media data includes discussion threads.
(399)
(390) The method of paragraph (390), wherein the social media data includes chat.
(400)
(390) The method of paragraph (390), wherein the social media data includes photographs.
(401)
(390) The method of paragraph (390), wherein the social media data includes information affecting traffic.
(402)
(390) The method of paragraph (390), wherein the social media data includes representations of specific individuals at a location.
(403)
390. The method of paragraph (390), wherein the social media data includes representations of celebrities in a location.
(404)
(390) The method of paragraph (390), wherein the social media data includes the presence of a rare or transient phenomenon at a location.
(405)
(390) The method of paragraph (390), wherein the social media data includes commerce-related events.
(406)
(390) The method of paragraph (390), wherein the social media data includes entertainment events at a location.
(407)
(390) The method of paragraph (390), wherein the social media data includes traffic conditions.
(408)
(390) The method of paragraph (390), wherein the social media data includes weather conditions.
(409)
390. The method of clause 390, wherein the social media data includes entertainment options.
(410)
(390) The method of paragraph (390), wherein the social media data includes risk-related conditions.
(411)
(390) The method of paragraph (390), wherein the social media data includes event attendance predictions.
(412)
(390) The method of paragraph (390), wherein the social media data includes estimates of event attendees.
(413)
(390) The method of paragraph (390), wherein the social media data includes transportation used at an event.
(414)
(390) The method of Clause (390), wherein the impact on the transportation system includes a reduction in fuel consumption.
(415)
(390) The method of Clause (390), wherein said impact on said transportation system includes reducing traffic congestion.
(416)
(390) The method of Clause (390), wherein said impact on said transportation system includes a reduction in carbon dioxide emissions.
(417)
(390) The method of Clause (390), wherein said impact on said transportation system includes a reduction in contamination.
(418)
390. The method of clause 390, wherein the optimized vehicle conditions are operating conditions of the vehicle.
(419)
390. The method of paragraph (390), wherein the optimized vehicle conditions include in-vehicle conditions.
(420)
390. The method of paragraph 390, wherein the optimized vehicle conditions include rider conditions.
(421)
390. The method of paragraph 390, wherein the optimized vehicle conditions include routing conditions.
(422)
390. The method of clause 390, wherein the optimized vehicle state includes a user experience state.
(423)
390. The method of paragraph (390), using features of the results of the optimization in the social media data as feedback for improving the optimization.
(424)
(423) The method of paragraph (423), wherein the feedback includes likes or dislikes of the results.
(425)
423. The method of paragraph 423, wherein the feedback includes social media activity referencing the results.
(426)
423. The method of paragraph 423, wherein the feedback includes trends in social media activity that reference the results.
(427)
(423) The method of paragraph (423), wherein the feedback includes a hashtag associated with the result.
(428)
(423) The method of paragraph (423), wherein said feedback includes evaluation of said results.
(429)
(423) The method of paragraph (423), wherein the feedback includes a request for the result.
(430)
A transportation system,
Optimizing satisfaction of at least one rider in the vehicle based on obtaining data from multiple social data sources and processing said data from said multiple social data sources using a hybrid neural network. a transportation system comprising a data processing system for composing.
(431)
A method of optimizing rider satisfaction, comprising:
classifying, with a first neural network of the hybrid neural network, social media data sourced from multiple social media sources as indicative of impact on the transportation system;
At least one rider satisfaction score affected by an impact on the transportation system obtained from social media data classified as indicative of an impact on the transportation system using a second neural network of the hybrid neural network. anticipating a side; and
optimizing at least one aspect of rider satisfaction for at least one rider using a vehicle of the transportation system using a third neural network of the hybrid neural networks. .
(432)
431. The method of clause 431, wherein said at least one neural network of said hybrid neural networks is a convolutional neural network.
(433)
431. The method of clause 431, wherein said at least one aspect of rider satisfaction is optimized by predicting entertainment options presented to said rider.
(434)
431. The method of clause 431, wherein said at least one aspect of rider satisfaction is optimized by optimizing route planning of a vehicle utilized by said rider.
(435)
(431) The method of paragraph (431), wherein said at least one aspect of rider satisfaction is rider condition, and optimizing said aspect of rider satisfaction includes optimizing said rider condition. .
(436)
Clause (431) characterized by analyzing said rider-specific social media data to determine at least one optimizing action likely to optimize said at least one aspect of rider satisfaction. the method of.
(437)
The optimization behavior is selected from a group of actions consisting of adjusting a routing plan including passing points of interest of the user, avoiding traffic jams predicted from social media data, and presenting entertainment options. The method according to item (436), characterized by:
(438)
(431) The method of paragraph (431), wherein the social media data comprises social media posts.
(439)
(431) The method of paragraph (431), wherein the social media data comprises a social media feed.
(440)
(431) The method of paragraph (431), wherein the social media data includes detected like or dislike activity on social media.
(441)
(431) The method of paragraph (431), wherein the social media data includes an indication of relationships.
(442)
(431) The method of paragraph (431), wherein the social media data includes user behavior.
(443)
(431) The method of paragraph (431), wherein the social media data includes discussion threads.
(444)
(431) The method of paragraph (431), wherein the social media data includes chat.
(445)
(431) The method of paragraph (431), wherein the social media data includes photographs.
(446)
(431) The method of paragraph (431), wherein the social media data includes information affecting traffic.
(447)
(431) The method of paragraph (431), wherein the social media data includes representations of specific individuals at a location.
(448)
(431) The method of paragraph (431), wherein the social media data includes representations of celebrities in a location.
(449)
(431) The method of paragraph (431), wherein the social media data includes the presence of a rare or transient phenomenon at a location.
(450)
(431) The method of paragraph (431), wherein the social media data includes commerce-related events.
(451)
(431) The method of paragraph (431), wherein the social media data includes entertainment events at a location.
(452)
(431) The method of paragraph (431), wherein the social media data includes traffic conditions.
(453)
(431) The method of paragraph (431), wherein the social media data includes weather conditions.
(454)
(431) The method of paragraph (431), wherein the social media data includes entertainment options.
(455)
(431) The method of paragraph (431), wherein the social media data includes a risk-related condition.
(456)
(431) The method of paragraph (431), wherein the social media data includes event attendance predictions.
(457)
(431) The method of paragraph (431), wherein the social media data includes estimates of event attendees.
(458)
(431) The method of paragraph (431), wherein the social media data includes transportation used at an event.
(459)
(431) The method of paragraph (431), wherein the impact on the transportation system includes a reduction in fuel consumption.
(460)
(431) The method of paragraph (431), wherein said impact on said transportation system includes reducing traffic congestion.
(461)
(431) The method of Clause (431), wherein said impact on said transportation system includes a reduction in carbon dioxide emissions.
(462)
(431) The method of paragraph (431), wherein said impact on said transportation system includes a reduction in contamination.
(463)
(431) The method of paragraph (431), wherein said optimized at least one aspect of rider satisfaction is operating conditions of said vehicle.
(464)
(431) The method of paragraph (431), wherein said optimized at least one aspect of rider satisfaction includes conditions within the vehicle.
(465)
(431) The method of paragraph (431), wherein said optimized at least one aspect of rider satisfaction includes rider condition.
(466)
431. The method of paragraph 431, wherein said optimized at least one aspect of rider satisfaction includes routing status.
(467)
431. The method of clause 431, wherein said optimized at least one aspect of rider satisfaction includes a state of user experience.
(468)
431. The method of paragraph (431), using features of the results of the optimization in the social media data as feedback for improving the optimization.
(469)
468. The method of paragraph 468, wherein said feedback includes likes and dislikes of said results.
(470)
468. The method of paragraph 468, wherein the feedback includes social media activity referencing the results.
(471)
468. The method of paragraph 468, wherein the feedback includes trends in social media activity that reference the results.
(472)
468. The method of paragraph 468, wherein the feedback includes hashtags associated with the results.
(473)
468. The method of paragraph 468, wherein said feedback includes evaluation of said results.
(474)
468. The method of clause 468, wherein said feedback includes a request for said result.
(475)
A rider satisfaction system for optimizing rider satisfaction, comprising:
a first neural network of the hybrid neural networks that classifies social media data sourced from multiple social media sources as indicative of transportation system impact;
a third of said hybrid neural network predicting at least one aspect of rider satisfaction affected by said impact on said transportation system obtained from said social media data categorized as indicative of said impact on said transportation system; 2 neural networks;
a third of said hybrid neural networks for optimizing at least one aspect of rider satisfaction for at least one rider using a vehicle in said transportation system. system.
(476)
475. The rider satisfaction system of clause 475, wherein said at least one neural network of said hybrid neural networks is a convolutional neural network.
(477)
475. The rider satisfaction system of clause 475, wherein said at least one aspect of rider satisfaction is optimized by predicting entertainment options presented to said rider.
(478)
475. The rider satisfaction system of clause 475, wherein said at least one aspect of rider satisfaction is optimized by optimizing route planning for vehicles utilized by said rider.
(479)
(475) characterized in that said at least one aspect of rider satisfaction is rider condition, and optimizing said at least one aspect of rider satisfaction comprises optimizing said rider condition. Described rider satisfaction system.
(480)
Clause (475) characterized by analyzing said rider-specific social media data to determine at least one optimizing action likely to optimize said at least one aspect of rider satisfaction. rider satisfaction system.
(481)
The at least one optimization action includes adjusting a routing plan to pass through a user's points of interest, avoiding traffic jams predicted from the social media data, and obtaining an economic benefit. 480. The rider satisfaction system of clause 480, wherein the system is selected from the group consisting of: , obtaining altruistic benefits, and offering entertainment options.
(482)
481. The rider satisfaction system of paragraph 481, wherein the economic benefit is fuel savings.
(483)
481. The rider satisfaction system of paragraph 481, wherein said altruistic benefit is a reduction in environmental impact.
(484)
475. The rider satisfaction system of clause 475, wherein the social media data includes social media posts.
(485)
475. The rider satisfaction system of clause 475, wherein the social media data includes social media feeds.
(486)
475. The rider satisfaction system of clause 475, wherein the social media data includes likes or dislikes activity detected on social media.
(487)
475. The rider satisfaction system of paragraph 475, wherein the social media data includes a relationship indicator.
(488)
475. The rider satisfaction system of clause 475, wherein the social media data includes user behavior.
(489)
475. The rider satisfaction system of paragraph 475, wherein the social media data includes discussion threads.
(490)
(475) The rider satisfaction system of paragraph (475), wherein the social media data includes chat.
(491)
(475) The rider satisfaction system of paragraph (475), wherein the social media data includes photographs.
(492)
475. The rider satisfaction system of clause 475, wherein the social media data includes information affecting traffic.
(493)
475. The rider satisfaction system of clause 475, wherein the social media data includes representations of specific individuals at a location.
(494)
475. The rider satisfaction system of clause 475, wherein the social media data includes representations of celebrities in a location.
(495)
475. The rider satisfaction system of clause 475, wherein the social media data includes the presence of rare or transient phenomena at a location.
(496)
475. The rider satisfaction system of clause 475, wherein the social media data includes commercial related events.
(497)
475. The rider satisfaction system of clause 475, wherein the social media data includes entertainment events at a location.
(498)
(475) The rider satisfaction system of paragraph (475), wherein the social media data includes traffic conditions.
(499)
475. The rider satisfaction system of paragraph 475, wherein the social media data includes weather conditions.
(500)
475. The rider satisfaction system of clause 475, wherein the social media data includes entertainment options.
(501)
475. The rider satisfaction system of clause 475, wherein the social media data includes risk-related conditions.
(502)
475. The rider satisfaction system of clause 475, wherein the social media data includes event attendance predictions.
(503)
475. The rider satisfaction system of paragraph 475, wherein the social media data includes an estimate of attendance at an event.
(504)
(475) The rider satisfaction system of paragraph (475), wherein the social media data includes transportation used at an event.
(505)
475. The rider satisfaction system of paragraph 475, wherein the impact on the transportation system includes a reduction in fuel consumption.
(506)
475. The rider satisfaction system of paragraph 475, wherein the impact on the transportation system includes mitigation of traffic congestion.
(507)
475. The rider satisfaction system of clause 475, wherein said impact on said transportation system includes a reduction in carbon dioxide emissions.
(508)
475. The rider satisfaction system of paragraph 475, wherein said impact on said transportation system includes a reduction in pollution.
(509)
(475) The rider satisfaction system of paragraph (475), wherein the optimized at least one aspect of rider satisfaction is vehicle operating conditions.
(510)
(475) The rider satisfaction system of paragraph (475), wherein said optimized at least one aspect of rider satisfaction includes in-vehicle conditions.
(511)
475. The rider satisfaction system of paragraph 475, wherein said optimized at least one aspect of rider satisfaction includes rider status.
(512)
(475) The rider satisfaction system of paragraph (475), wherein said optimized at least one aspect of rider satisfaction includes routing status.
(513)
(475) The rider satisfaction system of paragraph (475), wherein said optimized at least one aspect of rider satisfaction includes a state of user experience.
(514)
475. The rider satisfaction system of clause 475, wherein features of the optimization results in the social media data are used as feedback to improve the optimization.
(515)
514. The rider satisfaction system of clause 514, wherein said feedback includes likes and dislikes of said results.
(516)
514. The rider satisfaction system of clause 514, wherein said feedback includes social media activity referencing said results.
(517)
514. The rider satisfaction system of clause 514, wherein the feedback includes trends in social media activity that reference the results.
(518)
514. The rider satisfaction system of clause 514, wherein the feedback includes hashtags associated with the results.
(519)
514. The rider satisfaction system of clause 514, wherein said feedback includes evaluation of said results.
(520)
514. The rider satisfaction system of clause 514, wherein said feedback includes a request for said result.
(521)
A transportation system,
A neural network processes sensor input corresponding to a vehicle occupant to determine an emotional state of the occupant, and another neural network optimizes at least one operating parameter of the vehicle to determine the occupant's emotional state. A transportation system comprising a hybrid neural network that improves
(522)
A hybrid neural network for rider satisfaction, comprising:
a first neural network that analyzes data collected from sensors onboard the vehicle to collect a physiological state of the rider to detect a detected emotional state of the rider utilizing the vehicle;
a second neural network for optimizing operating parameters of the vehicle in response to the detected emotional state of the rider to achieve a preferred emotional state of the rider. .
(523)
522. The hybrid neural network of paragraph 522, wherein the first neural network is a recurrent neural network and the second neural network is a radial basis function neural network.
(524)
522. The hybrid neural network of clause 522, wherein at least one neural network in the hybrid neural network is a convolutional neural network.
(525)
522. The hybrid neural network of clause 522, wherein said second neural network optimizes said operating parameters based on correlations between vehicle operating conditions and rider emotional states of said rider.
(526)
523. The hybrid neural of clause 522, wherein the second neural network optimizes the operating parameters in real time in response to detection of the detected emotional state of the rider by the first neural network. network.
(527)
said first neural network comprising a plurality of connected nodes forming a directed cycle, said first neural network further facilitating bi-directional flow of data between said connected nodes; The hybrid neural network according to paragraph (522).
(528)
The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other parameters along the route. 522. The hybrid neural network of paragraph 522, wherein at least one of proximity to a vehicle is affected.
(529)
An artificial intelligence system for optimizing rider satisfaction, comprising:
of the rider in the vehicle by recognizing patterns in the rider's physiological data acquired by at least one sensor positioned to acquire data indicative of the rider's emotional state during use of the vehicle; a recurrent neural network that presents changes in emotional state;
a radial basis function neural network that optimizes operating parameters of the vehicle in response to the presentation of changes in the emotional state of the rider to achieve a preferred emotional state of the rider. An artificial intelligence system characterized by:
(530)
529. The artificial intelligence system of clause 529, wherein said operating parameters of said vehicle to be optimized are determined and adjusted to induce said preferred emotional state of said rider.
(531)
An artificial intelligence system for optimizing rider satisfaction, comprising:
of the emotional state of the rider in the vehicle by recognizing patterns in the image data of the rider captured by at least one image sensor positioned to capture an image of the rider during use of the vehicle. a convolutional neural network that presents changes;
a second neural network that optimizes operating parameters of the vehicle in response to the presentation of the change in the emotional state of the rider to achieve a preferred emotional state of the rider. An artificial intelligence system characterized by
(532)
531. The artificial intelligence system of clause 531, wherein said operating parameters of said vehicle to be optimized are determined and adjusted to induce said preferred emotional state of said rider.
(533)
A transport system,
An artificial intelligence system for processing feature vectors of facial images of riders in vehicles to determine the emotional state of the rider and optimizing operating parameters of the vehicle to improve the emotional state of the rider. A transportation system characterized by:
(534)
The artificial intelligence system is
a first neural network for detecting the emotional state of the rider by recognizing patterns in the feature vector of an image of the rider's face in the vehicle, wherein the feature vector is the preferred emotional state of the rider; and said first neural network indicative of at least one of said rider's negative emotional state;
a second neural network for optimizing said operating parameters of said vehicle according to said detected emotional state of said rider in order to achieve said preferred emotional state of said rider ( 533) Transportation system according to paragraph.
(535)
534. The transportation system of clause 534, wherein the first neural network is a recurrent neural network and the second neural network is a radial basis function neural network.
(536)
534. The transportation system of clause 534, wherein the second neural network optimizes the operating parameters based on correlations between the operating state of the vehicle and the emotional state of the rider.
(537)
The second neural network determines an optimum value for the operating parameter of the vehicle, and the transportation system adjusts the operating parameter of the vehicle to the optimum value to induce the preferred emotional state of the rider. The transport system according to item (534), characterized by:
(538)
the first neural network further learns by processing a training data set to classify the patterns in the feature vector and to associate the patterns with a set of emotional states and changes thereof;
The training data set is sourced from a data stream from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's speech recognition system. The transport system according to item (534), characterized by:
(539)
534. The transportation system of clause 534, wherein said second neural network optimizes said operating parameters in real time in response to detection of said emotional state of said rider by said first neural network.
(540)
a first neural network for detecting patterns in the feature vector, the patterns associated with changes in the emotional state of the rider from a first emotional state to a second emotional state;
(534) The transportation system of clause (534), wherein the second neural network optimizes the operating parameters of the vehicle in response to the detection of the pattern associated with the change in the emotional state.
(541)
The first neural network includes a plurality of interconnected nodes forming a directed cycle, the first neural network further facilitating bi-directional flow of data between the interconnected nodes. (534), characterized in that the transport system of paragraph (534).
(542)
further comprising a feature vector generation system that processes the set of images of the face of the rider;
the set of images is captured by a plurality of image capture devices at time intervals while the rider is in the vehicle;
534. The transportation system of clause 534, wherein said processing of said set of images produces said feature vector of said rider's facial image.
(543)
an image capture device positioned to capture the set of images of the rider's face in the vehicle from multiple viewpoints;
(534), further comprising an image processing system that generates the feature vector from the set of images captured from at least one of the plurality of viewpoints.
(544)
Clause 543 further comprising an interface between said first neural network and said image processing system for communicating a time sequence of said feature vectors, said feature vectors indicative of said emotional state of said rider. The transportation system described.
(545)
The feature vectors are the change in the emotional state of the rider, the stable emotional state of the rider, the rate of change of the emotional state of the rider, the direction of change in the emotional state of the rider, and the change in the emotional state of the rider. , that the emotional state of the rider has changed to the unfavorable emotional state, and that the emotional state of the rider has changed to the favorable emotional state. The transport system according to item (534), characterized by:
(546)
The operating parameters to be optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, approach to objects along the route, and other vehicles along the route. (534) The transportation system of paragraph (534), wherein at least one of the approach to the
(547)
534. The transportation system of clause 534, wherein the second neural network interacts with a vehicle control system to adjust the operating parameter.
(548)
The artificial intelligence system further includes a neural network including one or more perceptrons that mimic human senses to determine the emotional state of the rider based on the extent to which at least one of the senses of the rider is stimulated. (534) The transportation system of paragraph (534), characterized in that it facilitates to
(549)
The artificial intelligence system is
a recurrent neural network that presents changes in the emotional state of the rider by recognizing patterns in the feature vectors of facial images of the rider in the vehicle;
a radial basis function neural network that optimizes the operating parameters of the vehicle in response to the presentation of changes in the emotional state of the rider to achieve the preferred emotional state of the rider. (533).
(550)
549. The transportation system of clause 549, wherein said radial basis function neural network optimizes said operating parameters based on correlations between vehicle operating states and rider emotional states.
(551)
549. The transportation system of clause 549, wherein the operating parameters of the vehicle to be optimized are determined and adjusted to induce a favorable rider emotional state.
(552)
The recurrent neural network is trained with data streams sourced from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 549. The transportation system of clause 549, further learning from a data set to classify the patterns of the feature vectors and associate the patterns of the feature vectors with emotional states and changes thereof.
(553)
549. The transport of clause 549, wherein said radial basis function neural network optimizes said operating parameters in real time in response to said detection by said recurrent neural network of said change in said emotional state of said rider. system.
(554)
the recurrent neural network detects a pattern in the feature vector indicating that the emotional state of the rider is changing from a first emotional state to a second emotional state;
549. The transportation system of clause 549, wherein the radial basis function neural network optimizes the operating parameters of the vehicle in response to the indicated change in emotional state.
(555)
wherein said recurrent neural network comprises a plurality of connected nodes forming a directed cycle, said recurrent neural network further facilitating bi-directional flow of data between said connected nodes ( 549) Transportation system according to paragraph.
(556)
a feature vector generation system for processing images of the rider's face captured over time from a plurality of image capture devices while the rider is in the vehicle, wherein the processing of the images comprises the 549. Transportation system according to paragraph 549, characterized in that it generates a feature vector.
(557)
an image capture device positioned to capture an image of the face of the occupant of the vehicle from a plurality of viewpoints; and from the images captured from at least one of the plurality of viewpoints, (549), further comprising: an image processing system that generates the vectors.
(558)
(557) The transportation system of Clause (557), further comprising an interface between the recurrent neural network and the image processing system through which the temporal sequence of the feature vectors representative of the emotional state of the rider is communicated.
(559)
The feature vectors are the change of the emotional state of the rider, the stability of the emotional state of the rider, the rate of change of the emotional state of the rider, and the direction of change of the emotional state of the rider. , the polarity of the change in the emotional state of the rider, the emotional state of the rider changing to an unfavorable emotional state, and the emotional state of the rider changing to a favorable emotional state. 549. A transport system according to paragraph 549, characterized in that it shows one.
(560)
The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other vehicles along the route. 549. A transportation system according to paragraph (549), characterized in that it affects at least one of access to.
(561)
549. The transportation system of paragraph 549, wherein the radial basis function neural network interacts with a vehicle control system to adjust the operational parameters.
(562)
The artificial intelligence system further includes a neural network including one or more perceptrons that mimic human senses to determine the emotional state of the rider based on the degree to which at least one of the senses of the rider is stimulated. (549) The transportation system according to paragraph (549), characterized in that it facilitates to
(563)
said artificial intelligence system maintains said preferred emotional state of said rider via a modular neural network;
The modular neural network comprises:
processing the feature vector of an image of the face of the rider in the vehicle to detect a pattern, the pattern of the feature vector indicative of at least one of the favorable emotional state and the unfavorable emotional state; a rider emotional state determination neural network;
an intermediary circuit for converting data from the rider emotional state determination neural network into vehicle operating state data;
(533), further comprising a vehicle operating condition optimization neural network for adjusting operating parameters of the vehicle in response to the vehicle operating condition data.
(564)
563. The transportation system of clause 563, wherein said vehicle operating state optimization neural network adjusts said operating parameters of said vehicle to achieve a preferred emotional state of said rider.
(565)
563. The transportation system of clause 563, wherein said vehicle motion state optimization neural network optimizes said motion parameters based on correlations between vehicle motion states and rider emotional states.
(566)
563. The transportation system of clause 563, wherein said operating parameters of said vehicle to be optimized are determined and adjusted to induce a favorable rider emotional state.
(567)
The rider emotional state determination neural network is fed from data streams from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. (563), further learning to classify the patterns of the feature vectors and associate the patterns of the feature vectors with emotional states and changes thereof from the trained training data set.
(568)
The vehicle motion state optimization neural network optimizes the motion parameters in real time in response to the detection of changes in the rider's emotional state by the rider emotional state determination neural network ( 563) Transportation system according to paragraph.
(569)
The rider emotional state determination neural network detects a pattern of the feature vectors indicating that the rider's emotional state is changing from a first emotional state to a second emotional state;
563. The transportation system of clause 563, wherein the vehicle operating state optimization neural network optimizes the operating parameters of the vehicle in response to the indicated change in emotional state.
(570)
said artificial intelligence system comprising a plurality of connected nodes forming a directed cycle, said artificial intelligence system further facilitating bi-directional flow of data between said connected nodes ( 563) Transportation system according to paragraph.
(571)
a feature vector generation system for processing images of the rider's face captured over time from multiple image capture devices while the rider is in the vehicle and processing the images to generate a feature vector; (563) The transportation system of paragraph (563), further comprising:
(572)
an image capture device positioned to capture an image of the face of the rider in the vehicle from a plurality of viewpoints; and an image captured from at least one of the plurality of viewpoints; (563) The transportation system of paragraph (563), further comprising: a generating image processing system.
(573)
572. The transportation system of clause 572, further comprising an interface between the rider emotional state determination neural network and the image processing system through which a time sequence of feature vectors representing the rider's emotional state is communicated. .
(574)
The feature vectors are the change of the emotional state of the rider, the stability of the emotional state of the rider, the rate of change of the emotional state of the rider, and the direction of change of the emotional state of the rider. and the polarity of the change in the emotional state of the rider, the cyclic state of the rider transforming into a negative emotional state, and the cyclic state of the rider becoming a favorable emotional state. (563) A transportation system according to paragraph (563), characterized in that it is shown to be deformed.
(575)
The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other vehicles along the route. (563) The transportation system of paragraph (563), characterized in that it affects at least one of approach to.
(576)
563. The transportation system of clause 563, wherein said vehicle operating state optimization neural network interacts with a vehicle control system to adjust said operating parameters.
(577)
The artificial intelligence system further includes a neural network including one or more perceptrons that mimic human senses to determine the rider's emotional state based on the degree to which at least one of the rider's senses is stimulated. (563) The transportation system according to paragraph (563), characterized in that it facilitates
(578)
The rider emotional state determination neural network includes one or more perceptrons that mimic human senses to facilitate determining the rider's emotional state based on the extent to which at least one of the senses of the rider is stimulated. (563), the transport system characterized by:
(579)
The artificial intelligence system includes a recurrent neural network that indicates changes in the emotional state of the rider in the vehicle through recognition of patterns in the feature vectors of facial images of the rider in the vehicle;
The transportation system includes:
a vehicle control system that controls operation of the vehicle by adjusting a plurality of vehicle operating parameters;
A feedback loop that communicates indicated changes in the rider's emotional state between the vehicle control system and the artificial intelligence system, wherein the vehicle control system communicates indicated changes in the rider's emotional state. (533) The transportation system of paragraph (533), further comprising: said feedback loop adjusting at least one of said plurality of vehicle operating parameters in response to changes.
(580)
(579) The transportation system of Clause 579, wherein said vehicle control system adjusts at least one of said plurality of vehicle operating parameters based on correlations between vehicle operating conditions and rider emotional states.
(581)
579. The transportation system of Clause 579, wherein said vehicle control system adjusts at least one of said plurality of vehicle operating parameters indicative of a preferred rider emotional state.
(582)
Clause 579: The transportation system of Clause 579, wherein said vehicle control system selects an adjustment of at least one of said plurality of vehicle operating parameters indicative of producing a favorable rider emotional state.
(583)
The recurrent neural network is trained fed from data streams from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 579. The transport system of clause 579, further learning from the data set to classify said patterns of feature vectors and associate them with emotional states and changes thereof.
(584)
Clause 579: The transportation system of Clause 579, wherein said vehicle control system adjusts at least one of said plurality of vehicle operating parameters in real time.
(585)
The recurrent neural network detects patterns in the feature vector indicative of a change in the emotional state of the rider from a first emotional state to a second emotional state;
579. The transportation system of clause 579, wherein the vehicle motion control system adjusts operating parameters of the vehicle in response to changes in the indicated emotional state.
(586)
wherein said recurrent neural network comprises a plurality of connected nodes forming a directed cycle, said recurrent neural network further facilitating bi-directional flow of data between said connected nodes ( 579) Transportation system according to paragraph.
(587)
an image capture device positioned to capture images of the face of the rider in the vehicle from multiple viewpoints; and an image that generates a feature vector from images captured from at least one of the multiple viewpoints. (579) The transportation system of paragraph (579), further comprising: a processing system;
(588)
587. The transportation system of Clause 587, further comprising an interface between said artificial intelligence system and said image processing system through which a time sequence of feature vectors representative of said rider's emotional state is communicated.
(589)
Clause (579) further comprising a feature vector generation system for processing images of the rider's face captured over time from a plurality of image capture devices while the rider is in the vehicle. The transportation system described.
(590)
The feature vector includes information that the rider's emotional state is changing, that the rider's emotional state is stable, rate of change of the rider's emotional state, change direction of the rider's emotional state, and indicating at least one of the polarities of changes in the emotional state of the rider, indicating that the rider's emotional state is changing to an unfavorable state, and indicating that the rider's emotional state is changing to a favorable state A transportation system according to paragraph (579) characterized by:
(591)
at least one of the plurality of responsively adjusted vehicle operating parameters is a route of the vehicle; in-vehicle audio content; speed of the vehicle; acceleration of the vehicle; deceleration of the vehicle; 579. The transport system of Clause 579, affecting proximity, proximity to other vehicles along said route.
(592)
579. The transportation system of Clause 579, wherein at least one of the plurality of responsively adjusted vehicle operating parameters affects operation of a powertrain of the vehicle and a suspension system of the vehicle.
(593)
579. The transportation system of Clause 579, further comprising a vehicle motion state radial basis function neural network interacting with said vehicle control system to adjust said at least one motion parameter.
(594)
The radial basis function neural network interacts with the recurrent neural network through an intermediary component of the artificial intelligence system to generate vehicle control data indicative of the emotional state response of the rider to the current operating state of the vehicle. The transport system according to item (593), characterized by:
(595)
Further comprising a modular neural network including the rider emotional state recurrent neural network, a vehicle motion state radial basis function neural network, and a mediation system, wherein the mediation system receives rider emotional state characterization data from the recurrent neural network. , RBF into vehicle control data used to interact with said vehicle control system for adjustment of said at least one operating parameter.
(596)
further comprising a neural net comprising one or more perceptrons that mimic human senses and facilitating determination of the rider's emotional state based on the extent to which at least one of the senses of the rider is stimulated. A transportation system according to paragraph (579) characterized by:
(597)
The recognizing a pattern of feature vectors includes: prior to adjusting at least one of the plurality of vehicle operating parameters, while adjusting at least one of the plurality of vehicle operating parameters, and before adjusting at least one of the plurality of vehicle operating parameters; (579) processing the feature vectors of images of the rider's face taken at least two time periods after adjusting at least one of the vehicle operating parameters of A transportation system according to paragraph.
(598)
579. The transportation system of clause 579, wherein adjusting at least one of said plurality of vehicle operating parameters improves the emotional state of a rider within the vehicle.
(599)
579, wherein the adjustment of at least one of the plurality of vehicle operating parameters results in a change in the rider's emotional state from a negative emotional state to a favorable emotional state, the change being indicated by the recurrent neural network (579). A transportation system according to paragraph.
(600)
The recurrent neural network comprises a first set of feature vectors of an image of a rider's face taken prior to adjusting at least one of the plurality of operating parameters, and at least one of the plurality of operating parameters. of the rider in response to changes in operating parameters of the vehicle by determining a difference between a second set of feature vectors of an image of the rider's face taken during or after adjusting one of the 579. A transportation system according to paragraph 579, characterized in that it indicates a change in emotional state.
(601)
The recurrent neural network detects patterns in the feature vectors indicative of a change in the rider's emotional state from a first emotional state to a second emotional state, and the vehicle motion control system detects the indicated 579. The transportation system according to paragraph 579, wherein the operating parameters of the vehicle are adjusted in response to changes in the emotional state of the vehicle.
(602)
A transport system,
including an artificial intelligence system that processes audio of a rider in the vehicle to determine an emotional state of the rider and optimizes at least one operating parameter of the vehicle to improve the emotional state of the rider. A transportation system characterized by:
(603)
An artificial intelligence system for speech processing to improve rider satisfaction in a transportation system, comprising:
a rider audio capture system positioned to capture the audio output of a rider utilizing the vehicle;
an audio analysis circuit trained using machine learning that classifies the rider's emotional state for the captured audio output of the rider;
an expert system trained using machine learning that optimizes at least one operating parameter of the vehicle to change the emotional state of the rider to an emotional state classified as an improved emotional state; an artificial intelligence system comprising:
(604)
The rider voice capture system is characterized by an intelligent agent that interacts with the rider and obtains rider feedback for use by the voice analysis circuitry to classify the rider's emotional state (603). ) artificial intelligence system described in paragraph.
(605)
603. The artificial intelligence system of clause 603, wherein the speech analysis circuit uses a first machine learning system and the expert system uses a second machine learning system.
(606)
The expert system is trained to optimize the at least one operational parameter based on feedback of the emotional state results in adjusting the at least one operational parameter for a set of individuals. The artificial intelligence system described in (603).
(607)
further comprising a rule-based rider state model, the model configuring an iterative set of vehicle states while continuously monitoring the emotional state of the rider through continuous interaction with parameters of the model; The artificial intelligence system according to item (603), characterized by:
(608)
603. The artificial intelligence system of clause 603, wherein said emotional state of said rider is determined by a combination of said captured audio output of said rider and at least one other parameter.
(609)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is a camera-based determination of the rider's emotional state.
(610)
(608) The artificial intelligence system of clause (608), wherein the at least one other parameter is traffic information.
(611)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is weather information.
(612)
608. The artificial intelligence system of clause 608, wherein the at least one other parameter is vehicle status.
(613)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is at least one pattern of physiological data of said rider.
(614)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is the route of said vehicle.
(615)
608. The artificial intelligence system of clause 608, wherein the at least one other parameter is in-vehicle audio content.
(616)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is the speed of said vehicle.
(617)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is acceleration of said vehicle.
(618)
608. The artificial intelligence system of clause 608, wherein said at least one other parameter is deceleration of said vehicle.
(619)
(608) The artificial intelligence system of clause (608) wherein the at least one other parameter is proximity to objects along the route.
(620)
(608) The artificial intelligence system of clause (608) wherein said at least one other parameter is proximity to other vehicles along the route.
(621)
An artificial intelligence system for speech processing to improve rider satisfaction, comprising:
trained to classify emotional states based on analysis of a person's voice, and identifying aspects of the rider's voice captured while the rider is in the vehicle that are correlated to at least one emotional state of the rider; a first neural network for detecting the rider's emotional state by perceiving;
a second neural network for optimizing operating parameters of the vehicle in response to the detected emotional state of the rider to achieve a preferred emotional state of the rider. .
(622)
622. The artificial intelligence system of clause 621, wherein at least one of said neural networks is a convolutional neural network.
(623)
622. The artificial intelligence system of clause 621, wherein the first neural network is trained using a training data set that associates classes of emotional states with patterns of human speech.
(624)
622. The artificial intelligence system of clause 621, wherein the first neural network is trained using a training data set of voice recordings tagged with emotional state identification data.
(625)
further comprising a rule-based rider state model, the model configuring an iterative set of vehicle states while continuously monitoring the emotional state of the rider through continuous interaction with parameters of the model; The artificial intelligence system according to item (621), characterized by:
(626)
622. The artificial intelligence system of clause 621, wherein said emotional state of said rider is determined by a combination of said captured audio output of said rider and at least one other parameter.
(627)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is a camera-based emotional state determination of said rider.
(628)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is traffic information.
(629)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is weather information.
(630)
626. The artificial intelligence system of clause 626, wherein the at least one other parameter is vehicle condition.
(631)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is at least one pattern of physiological data of said rider.
(632)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is the route of said vehicle.
(633)
626. The artificial intelligence system of clause 626, wherein the at least one other parameter is in-vehicle audio content.
(634)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is the speed of said vehicle.
(635)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is acceleration of said vehicle.
(636)
626. The artificial intelligence system of clause 626, wherein said at least one other parameter is deceleration of said vehicle.
(637)
626. The artificial intelligence system of clause 626, wherein the at least one other parameter is proximity to objects along the route.
(638)
(626) The artificial intelligence system of clause (626), wherein the at least one other parameter is proximity to other vehicles along the route.
(639)
A transport system,
An artificial intelligence system that processes data from a rider's interaction with a vehicle's e-commerce system to determine rider condition and optimizes at least one operating parameter of the vehicle to improve said rider condition. A transportation system characterized by:
(640)
A rider satisfaction system for optimizing rider satisfaction, comprising:
an e-commerce interface arranged to be accessed by a rider in the vehicle;
a rider interaction circuit that captures rider interaction with the deployed interface;
a rider state determination circuit that processes the captured rider interaction to determine a rider state;
and an artificial intelligence system trained to optimize at least one parameter affecting operation of the vehicle in response to rider conditions to improve said rider conditions. degree system.
(641)
640. The rider satisfaction system of clause 640, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(642)
640. The rider satisfaction system of paragraph 640, wherein the vehicle is an at least semi-autonomous vehicle.
(643)
640. The rider satisfaction system of paragraph 640, wherein the vehicle is automatically routed.
(644)
640. The rider satisfaction system of paragraph 640, wherein the vehicle is an autonomous vehicle.
(645)
The e-commerce interface is self-adaptive and responsive to at least one of the identity of the rider, route of the vehicle, mood of the rider, behavior of the rider, vehicle configuration, and vehicle state. (640) The rider satisfaction system of paragraph (640).
(646)
The e-commerce interface provides in-vehicle related content based on at least one of the identity of the rider, the route of the vehicle, the mood of the rider, behavior of the rider, vehicle configuration, and vehicle state. (640) The rider satisfaction system of paragraph (640).
(647)
640. The rider satisfaction system of clause 640, wherein the e-commerce interface implements user interaction workflows adapted for use by riders in vehicles.
(648)
640. The rider satisfaction system of clause 640, wherein the e-commerce interface provides one or more results of a search query adapted for in-vehicle presentation.
(649)
640. The rider satisfaction system of clause 640, wherein results of the search query adapted for in-vehicle presentation are presented in the e-commerce interface along with advertisements adapted for in-vehicle presentation.
(650)
640. The rider satisfaction system of clause 640, wherein said rider interaction circuitry captures rider interaction with said interface in response to content presented on said interface.
(651)
A method of optimizing vehicle parameters, comprising:
Capturing rider interactions with in-vehicle e-commerce systems;
determining a rider condition based on the captured rider interactions and at least one operating parameter of the vehicle;
processing the rider state with a rider satisfaction model adapted to suggest at least one operating parameter of the vehicle that affects the rider state;
optimizing the proposed at least one operating parameter for at least one of maintaining and improving rider condition.
(652)
An artificial intelligence system for improving rider satisfaction, comprising:
Rider interaction with an in-vehicle e-commerce system to detect rider status by recognizing aspects of rider interactions captured while the rider is in the vehicle that correlate to at least one status of said rider. a first neural network trained to classify the rider's condition based on an analysis of
a second neural network for optimizing operating parameters of the vehicle in response to the detected condition of the rider to achieve a preferred condition of the rider.
(653)
A transport system,
processing data from at least one Internet of Things device in the environment of an autonomous vehicle to determine a determined state of the autonomous vehicle; A transportation system comprising an artificial intelligence system for optimizing at least one operating parameter of said self-driving vehicle to improve conditions of.
(654)
A method for improving rider conditions by optimizing vehicle operation, comprising:
Capturing vehicle motion-related data with at least one Internet of Things device;
analyzing the captured data with a first neural network that determines a condition of the vehicle based at least in part on the captured vehicle motion-related data;
Receiving data representing conditions of a rider on the vehicle during operation;
determining, using a neural network, at least one vehicle operating parameter that affects the condition of an occupant of the vehicle during operation;
optimizing the at least one vehicle operating parameter using an artificial intelligence-based system such that the optimization results in improved condition of the rider.
(655)
(654) The method of paragraph (654), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(656)
(655) The method of paragraph (655), wherein the vehicle is an at least semi-autonomous vehicle.
(657)
656. The method of paragraph 656, wherein the vehicle is automatically routed.
(658)
(657) The method of paragraph (657), wherein the vehicle is a self-driving vehicle.
(659)
(654) The method of clause (654), wherein the at least one Internet of Things device is located in an operating environment of an autonomous vehicle.
(660)
(654) The method of clause (654), wherein the at least one Internet of Things device that captures data about the vehicle is located external to the vehicle.
(661)
(654) The method of clause (654), wherein the at least one Internet of Things device is a dashboard camera.
(662)
(654) The method of clause (654), wherein the at least one Internet of Things device is a mirror camera.
(663)
(654) The method of clause (654), wherein the at least one Internet of Things device is a motion sensor.
(664)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a seat-based sensor system.
(665)
(654) The method of Clause (654), wherein the at least one Internet of Things device is an IoT-enabled lighting system.
(666)
665. The method of paragraph 665, wherein the lighting system is a vehicle interior lighting system.
(667)
665. The method of paragraph 665, wherein the lighting system is a headlight lighting system.
(668)
(654) The method of clause (654), wherein the at least one Internet of Things device is a traffic light camera or sensor.
(669)
(654) The method of clause (654), wherein the at least one Internet of Things device is a street camera.
(670)
669. The method of paragraph 669, wherein the road camera is located on at least one of a telephone and a utility pole.
(671)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a roadway sensor.
(672)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is an automotive thermostat.
(673)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a toll booth.
(674)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a road sign.
(675)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a traffic control light.
(676)
(654) The method of paragraph (654), wherein the at least one Internet of Things device is a vehicle-mounted sensor.
(677)
(654) The method of clause (654), wherein the at least one Internet of Things device is a refueling system.
(678)
(654) The method of clause (654), wherein the at least one Internet of Things device is a recharging system.
(679)
(654) The method of clause (654), wherein the at least one Internet of Things device is a wireless charging station.
(680)
A rider condition modification system for improving rider conditions in a vehicle, comprising:
a first neural network operable to analyze information about the vehicle captured by an Internet of Things device during operation of the vehicle to classify a condition of the vehicle;
optimizing at least one operating parameter of the vehicle based on the categorized state of the vehicle, information about the state of a rider on board the vehicle, and information associating vehicle behavior with effects on rider state; and a second neural network operating to:
(681)
680. The system for modifying rider conditions of clause 680, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(682)
681. The system for modifying rider conditions of clause 681, wherein the vehicle is an at least semi-autonomous vehicle.
(683)
682. The system for modifying rider conditions according to paragraph 682, wherein the vehicle is automatically routed.
(684)
683. The system for modifying rider conditions according to paragraph 683, wherein the vehicle is an autonomous vehicle.
(685)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is located in an operating environment of an autonomous vehicle.
(686)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device that captures data about the vehicle is located external to the vehicle.
(687)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a dashboard camera.
(688)
680. The rider condition modification system of clause 680, wherein at least one Internet of Things device is a mirror camera.
(689)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a motion sensor.
(690)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a seat-based sensor system.
(691)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is an IoT enabled lighting system.
(692)
691. The system for modifying rider conditions according to paragraph 691, wherein the lighting system is a vehicle interior lighting system.
(693)
691. The system for modifying rider conditions according to clause 691, wherein the lighting system is a headlight lighting system.
(694)
680. The system for modifying rider conditions of clause 680, wherein the at least one Internet of Things device is a traffic light camera or sensor.
(695)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a road camera.
(696)
695. The system for correcting rider conditions according to Clause 695, wherein the road camera is located on at least one of a telephone and a utility pole.
(697)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a roadway sensor.
(698)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet-of-Things device is an in-vehicle thermostat.
(699)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a toll booth.
(700)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a road sign.
(701)
680. The system for modifying rider conditions of clause 680, wherein at least one Internet of Things device is a traffic control light.
(702)
680. The system for modifying rider conditions of clause 680, wherein the at least one Internet-of-Things device is a vehicle-mounted sensor.
(703)
680. The system for modifying rider conditions according to clause 680, wherein the at least one Internet of Things device is a refueling system.
(704)
680. The rider condition modification system of clause 680, wherein at least one said Internet of Things device is a recharging system.
(705)
680. The rider state modification system of clause 680, wherein the at least one Internet of Things device is a wireless charging station.
(706)
an artificial intelligence system,
trained to determine the operational state of the vehicle from data about the vehicle captured in the vehicle's operating environment and captured by at least one Internet of Things device while the vehicle is in operation; a first neural network operable to identify operating conditions of a vehicle by processing information about the vehicle;
a data structure that facilitates determining operating parameters that affect the operating state of the vehicle;
The determined behavior of the vehicle based on the identified behavioral conditions by processing information about conditions of riders in the vehicle and information associating vehicle behavior with effects on rider conditions. and a second neural network operable to optimize at least one of the parameters.
(707)
Improvements in the condition of the rider are reflected in updated data describing the condition of the rider captured in response to the vehicle operation based on the optimized at least one vehicle operating parameter. The artificial intelligence system according to item (706).
(708)
improving said condition of said rider in data captured by at least one Internet of Things device arranged to capture information about said rider while in said vehicle in response to said optimization; (706) The artificial intelligence system of paragraph (706) characterized by being reflected.
(709)
706. The artificial intelligence system of clause 706, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(710)
709. The artificial intelligence system of clause 709, wherein the vehicle is an at least semi-autonomous vehicle.
(711)
710. The artificial intelligence system of clause 710, wherein the vehicles are automatically routed.
(712)
(711) The artificial intelligence system of paragraph (711), wherein the vehicle is a self-driving vehicle.
(713)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is located in an operating environment of an autonomous vehicle.
(714)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device for obtaining data about the vehicle is located external to the vehicle.
(715)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a dashboard camera.
(716)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a mirror camera.
(717)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a motion sensor.
(718)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a seat-based sensor system.
(719)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is an IoT enabled lighting system.
(720)
719. The artificial intelligence system of paragraph 719, wherein the lighting system is a vehicle interior lighting system.
(721)
719. The artificial intelligence system of clause 719, wherein the lighting system is a headlight lighting system.
(722)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a traffic light camera or sensor.
(723)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a street camera.
(724)
723. The artificial intelligence system of clause 723, wherein the street cameras are located on telephones and/or utility poles.
(725)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a roadway sensor.
(726)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is an automotive thermostat.
(727)
706. The artificial intelligence system of clause 706, wherein said at least one Internet of Things device is a tollbooth.
(728)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a road sign.
(729)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a traffic control light.
(730)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a vehicle-mounted sensor.
(731)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a refueling system.
(732)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a recharging system.
(733)
706. The artificial intelligence system of clause 706, wherein the at least one Internet of Things device is a wireless charging station.
(734)
A transportation system,
An artificial intelligence system that processes sensory input from wearable devices in a vehicle to determine the emotional state of a rider in the vehicle and optimizes operating parameters of the vehicle to improve the emotional state of the rider. A transport system comprising:
(735)
The vehicle is an automated driving vehicle,
The artificial intelligence system detects the emotional state of the rider in the autonomous vehicle by recognizing patterns in emotional state presentation data from a set of wearable sensors worn by the rider. wherein the pattern indicates at least one of a favorable emotional state of the rider and a negative emotional state of the rider;
The artificial intelligence system to achieve at least one of maintaining a detected favorable emotional state of the rider and achieving a favorable emotional state of the rider following detection of an unfavorable emotional state, 734. The transport system of clause 734, wherein the transport system is adapted to optimize the operating parameters of the vehicle in response to the detected emotional state of the rider.
(736)
Clause 735 wherein said artificial intelligence system includes an expert system for detecting said rider's emotional state by processing rider emotional state presentation data received from a set of wearable sensors worn by said rider. The transportation system described.
(737)
The expert system uses at least one of a training set of rider set emotional state indicators and a trainer-generated rider emotional state indicator to process the rider emotional state presentation data. (736) The transport system described in paragraph.
(738)
735. The transportation system of clause 735, wherein said artificial intelligence system includes a recurrent neural network for detecting said emotional state of said rider.
(739)
wherein said recurrent neural network comprises a plurality of connected nodes forming a directed cycle, said recurrent neural network further facilitating bi-directional flow of data between said connected nodes ( 738) Transportation system according to paragraph.
(740)
738. The transportation system of clause 738, wherein said artificial intelligence system includes a radial basis function neural network for optimizing said operating parameters.
(741)
735. The transportation system of clause 735, wherein said artificial intelligence system includes a radial basis function neural network for optimizing said operating parameters.
(742)
735. The transportation system of clause 735, wherein said optimization of operating parameters is based on correlations between vehicle operating conditions and rider emotional states.
(743)
Clause 742, wherein the correlation is determined using at least one of a training set of rider set emotional state indicators and a human trainer generated rider emotional state indicator. transport system.
(744)
735. The transportation system of clause 735, wherein the operating parameters of the vehicle to be optimized are determined and adjusted to induce a favorable rider emotional state.
(745)
The artificial intelligence system trains fed from a stream of data from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 735. The transport system of clause 735, further learning from a data set to classify the patterns of the emotional state presentation data and associate the patterns with the emotional state and changes thereof.
(746)
The artificial intelligence system detects a pattern in the rider emotional state presentation data indicating that the emotional state of the rider is changing from a first emotional state to a second emotional state, and the behavior of the vehicle. (735) The transport system of clause (735), wherein said optimization of parameters is responsive to said indicated change in emotional state.
(747)
The pattern of the rider's emotional state presentation data is that the rider's emotional state is changing, the rider's emotional state is stable, the rate of change of the rider's emotional state, and the rider's emotional state change. indicating at least one of the direction and the polarity of the change in the rider's emotional state, indicating that the rider's emotional state is changing to an unfavorable state and that the rider's emotional state is changing to a favorable state. (735) The transportation system according to paragraph (735), characterized by showing
(748)
The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other vehicles along the route. (735) The transportation system of paragraph (735), characterized in that it affects at least one of approach to.
(749)
(735) The transportation system of clause (735), wherein said artificial intelligence system interacts with a vehicle control system to optimize said operating parameters.
(750)
The artificial intelligence system further includes a neural network including one or more perceptrons that mimic human senses to determine the rider's emotional state based on the extent to which at least one of the rider's senses is stimulated. (735) The transportation system of paragraph (735) characterized by facilitating the
(751)
The set of wearable sensors includes a watch, ring, wristband, armband, ankle band, torso band, skin patch, head worn device, eye glasses, footwear, gloves, in-ear device, clothing, headphones, belt, finger ring 735, comprising at least two of: , a thumb ring, a toe ring, and a necklace.
(752)
The artificial intelligence system uses deep learning to determine patterns in wearable sensor-generated emotional state presentation data indicative of the rider's emotional state as at least one of a favorable emotional state and a negative emotional state. (735) The transportation system according to paragraph (735), characterized by:
(753)
The artificial intelligence system is adapted to respond to the rider's indicated emotional state by at least optimizing the operating parameters for at least one of achieving and maintaining the rider's indicated emotional state. (735) A transport system as described in paragraph (735) characterized by:
(754)
The artificial intelligence system characterizes the rider's preferred emotional state based on context gathered from multiple sources, including data indicating the rider's purpose for riding the autonomous vehicle, time of day, traffic conditions, and weather. and optimizing the operating parameters to achieve and maintain the adapted preferred emotional state.
(755)
735. The transportation system of clause 735, wherein said artificial intelligence system optimizes said operating parameters in real time in response to detecting said rider's emotional state.
(756)
The vehicle is an automated driving vehicle,
The artificial intelligence system is
A first neural for detecting the emotional state of the rider by expert system-based processing of wearable sensor data indicative of the emotional state of the rider from a plurality of wearable physiological state sensors worn by the rider in the vehicle. the first neural network, wherein the wearable sensor data indicative of the emotional state is indicative of at least one of a preferred emotional state of the rider and a negative emotional state of the rider;
a second neural network for optimizing the operating parameters of the vehicle in response to the detected emotional state of the rider for at least one of achieving and maintaining a preferred emotional state of the rider. (734) The transportation system according to paragraph (734), characterized by
(757)
756. The transportation system of clause 756, wherein said first neural network is a recurrent neural network and said second neural network is a radial basis function neural network.
(758)
756. The transportation system of clause 756, wherein the second neural network optimizes the operating parameters based on correlations between vehicle operating conditions and rider emotional states.
(759)
756. The transportation system of clause 756, wherein the operating parameters of the vehicle to be optimized are determined and adjusted to induce a favorable rider emotional state.
(760)
The first neural network is trained by sourcing at least one data stream from an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 756. The transportation system of clause 756, further learning from the data set to classify patterns in the wearable sensor data indicative of a rider's emotional state and associate the patterns with emotional states and changes thereof.
(761)
756. The transportation system of clause 756, wherein the second neural network optimizes the operating parameters in real time in response to detection of the rider's emotional state by the first neural network.
(762)
the first neural network detects a pattern in the wearable sensor data indicative of a rider's emotional state indicating that the rider's emotional state is changing from a first emotional state to a second emotional state; 756. The transportation system of clause 756, wherein the second neural network optimizes the operating parameters of the vehicle in response to the indicated change in emotional state.
(763)
said first neural network comprising a plurality of connected nodes forming a directed cycle, said first neural network further facilitating bi-directional flow of data between said connected nodes; (756).
(764)
The first neural net includes one or more perceptrons that mimic human senses to facilitate determining the emotional state of the rider based on the extent to which at least one of the senses of the rider is stimulated. (756), characterized in that the transportation system according to paragraph (756).
(765)
756. The transportation system of clause 756, further comprising a rider physiological state sensor positioned to capture additional rider emotional state presentation data for use with said first neural network.
(766)
The wearable sensor data indicating the rider's emotional state includes: the rider's emotional state is changing; the rider's emotional state is stable; the rate of change of the rider's emotional state; and the polarity of the change in the rider's emotional state, indicating that the rider's emotional state is changing to an unfavorable state and that the rider's emotional state is changing to a favorable state. (756) The transportation system according to paragraph (756), characterized in that it indicates that there is a
(767)
The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other parameters along the route. 756. The transportation system of paragraph 756, affecting at least one of proximity to vehicles.
(768)
756. The transportation system of clause 756, wherein said second neural network interacts with a vehicle control system to adjust said operating parameters.
(769)
The first neural network includes one or more perceptrons that mimic human senses to facilitate determining the emotional state of the rider based on the extent to which at least one of the senses of the rider is stimulated. (756), characterized in that the transportation system according to paragraph (756).
(770)
The vehicle is an automated driving vehicle,
The artificial intelligence system may at least partially detect changes in the emotional state of the rider in the autonomous vehicle by recognizing patterns in emotional state presentation data from a set of wearable sensors worn by the rider. wherein the pattern indicates at least one of a decrease in the rider's favorable emotional state and an onset of the rider's unfavorable emotional state;
The artificial intelligence system determines at least one operational parameter of the autonomous vehicle indicative of the change in emotional state based on correlations between the pattern of emotional state presentation data and a set of operational parameters of the vehicle. and
The artificial intelligence system determines adjustments to the at least one operating parameter to achieve at least one of restoring the favorable emotional state of the rider and reducing the onset of the undesirable emotional state of the rider. (734) A transportation system according to paragraph (734), characterized in that it
(771)
said correlation of patterns of wearable sensor data indicative of a rider's emotional state is at least one of a training set of rider's set of emotional state wearable sensor indicators and a human trainer generated rider's emotional state wearable sensor indicators. 770. The transport system of paragraph 770, wherein the transport system is determined using
(772)
The artificial intelligence system includes training data fed from at least one data stream from an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 770. The transportation system of clause 770, further learning to classify the patterns of the wearable sensor data indicative of an emotional state from the set and associate the patterns with changes in the rider's emotional state.
(773)
The patterns of the wearable sensor data indicating the emotional state of the rider are: the emotional state of the rider is changing; the emotional state of the rider is stable; the rate of change of the emotional state of the rider; At least one of the direction of change in the emotional state and the polarity of the change in the emotional state of the rider is indicated, indicating that the emotional state of the rider is changing to an unfavorable state, and that the emotional state of the rider is changing to a favorable state. (770) The transportation system according to paragraph (770), characterized in that it indicates that the
(774)
The operating parameters determined from the results of processing the wearable sensor data indicative of the emotional state of the rider include route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, along the route. (770), the transportation system of clause (770) affecting at least one of the proximity of a vehicle to an object and the proximity of other vehicles along said route.
(775)
(770) The transportation system of Clause (770), wherein said artificial intelligence system further interacts with a vehicle control system to adjust said operating parameters.
(776)
The artificial intelligence system includes a neural network including one or more perceptrons that mimic the human senses to facilitate determining the rider's emotional state based on the extent to which at least one of the rider's senses is stimulated. (770) The transportation system of paragraph (770) further comprising a net.
(777)
The set of wearable sensors includes a watch, ring, wristband, armband, ankle band, torso band, skin patch, head worn device, eye glasses, footwear, gloves, in-ear device, clothing, headphones, belt, finger ring 770, comprising at least two of: , a thumb ring, a toe ring, and a necklace.
(778)
770. The transport of clause 770, wherein the artificial intelligence system uses deep learning to determine patterns in wearable sensor-generated emotional state presentation data indicative of the change in the rider's emotional state. system.
(779)
The artificial intelligence system may further assess the rider's emotional state based on context gathered from multiple sources, including data indicating the rider's purpose for riding the autonomous vehicle, time of day, traffic conditions, and weather. 770. The transportation system of Clause 770, further comprising determining said change and optimizing said operating parameters for at least one of achieving and maintaining an adapted preferred emotional state.
(780)
770. The transportation system of clause 770, wherein the artificial intelligence system adjusts the operating parameters in real time in response to detecting a change in a rider's emotional state.
(781)
The vehicle is an automated driving vehicle,
The artificial intelligence system is
A recurrent neural network that indicates changes in the emotional state of a rider in the autonomous vehicle by recognizing patterns in wearable sensor data indicative of the emotional state from a set of wearable sensors worn by the rider. said recurrent neural network wherein said pattern is indicative of at least one of a first degree of favorable emotional state of said rider and a second degree of unfavorable emotional state of said rider;
a radial basis function neural network that optimizes the operating parameters of the vehicle in response to the indicated change in the rider's emotional state to achieve a target emotional state of the rider. The transportation system according to item (734), characterized by:
(782)
781. The transportation system of clause 781, further comprising an expert system for recommending a target emotional state for said rider.
(783)
further comprising an expert system for recommending a configuration of the vehicle including the operating parameters of the vehicle to achieve the target emotional state of the rider, wherein the expert system recommends the recommended configuration to the rider; 781. The transport system of clause 781, wherein the transport system is based on positive responses to a plurality of configurations from riders determined to be similar to.
(784)
781. The transportation system of clause 781, further comprising an interface that enables the rider in the self-driving vehicle to indicate the target emotional state.
(785)
782. The transportation system of clause 781, wherein the radial basis function neural network optimizes the operating parameters based on correlations between vehicle operating states and rider emotional states.
(786)
781, wherein said target emotional state is a preferred rider emotional state, and said operating parameters of said vehicle to be optimized are determined and adjusted to induce said preferred rider emotional state (781). A transportation system according to paragraph.
(787)
The recurrent neural network is trained with a stream of data sourced from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 781. The transport system of clause 781, further learning from the data set to classify said patterns of wearable sensor data indicative of emotional states and associate them with emotional states and changes thereof.
(788)
782. The transportation system of clause 781, wherein the radial basis function neural network optimizes the operating parameters in real time in response to detection by the recurrent neural network of changes in the rider's emotional state.
(789)
The recurrent neural network detects a pattern of the wearable sensor data indicative of an emotional state indicating that the rider's emotional state is changing from a first emotional state to a second emotional state; 781. The transportation system of clause 781, wherein the neural network optimizes the operating parameters of the vehicle in response to the indicated change in emotional state.
(790)
wherein said recurrent neural network comprises a plurality of connected nodes forming a directed cycle, said recurrent neural network further facilitating bi-directional flow of data between said connected nodes ( 781) Transportation system according to paragraph.
(791)
The pattern of the wearable sensor data indicative of the emotional state includes: the emotional state of the rider is changing; the emotional state of the rider is stable; the rate of change of the emotional state of the rider; and the polarity of the change in the rider's emotional state, indicating that the rider's emotional state is changing to an unfavorable state and that the rider's emotional state is changing to a favorable state. (781).
(792)
The operating parameters to be optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, approach to objects along the route, and other vehicles along the route. (781) A transport system according to paragraph (781), characterized in that it affects at least one of approach to.
(793)
(781) The transportation system of paragraph (781), wherein the radial basis function neural network interacts with a vehicle control system to adjust the operating parameters.
(794)
The recurrent neural net includes one or more perceptrons that mimic human senses to facilitate determining the rider's emotional state based on the degree to which at least one of the rider's senses is stimulated. The transport system according to item (781), characterized by:
(795)
the artificial intelligence system maintains the rider's preferred emotional state through the use of a modular neural network;
The modular neural network comprises:
A rider emotional state determination neural network for processing wearable sensor data indicative of an emotional state of a rider in a bona fide vehicle to detect a pattern, wherein the pattern detected in the wearable sensor data indicative of an emotional state is associated with the rider's emotional state. the rider emotional state determination neural network indicative of at least one of a favorable emotional state and a negative emotional state of the rider;
an intermediary circuit for converting output data from the rider emotional state determination neural network into vehicle operating state data;
(734), further comprising a vehicle operating condition optimization neural network for adjusting said operating parameters of said vehicle in response to said vehicle operating condition data.
(796)
795. The transportation system of clause 795, wherein said vehicle operating state optimization neural network adjusts operating parameters of said vehicle to achieve a preferred emotional state of said rider.
(797)
795. The transportation system of clause 795, wherein the vehicle motion state optimization neural network optimizes the motion parameters based on correlations between vehicle motion states and rider emotional states.
(798)
795. The transportation system of clause 795, wherein the operating parameters of the vehicle to be optimized are determined and adjusted to induce a favorable rider emotional state.
(799)
The rider emotional state determination neural network sources at least one stream of data from an unstructured data source, a social media source, a wearable device, a vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 795, further learning to classify said patterns of wearable sensor data indicative of emotional states and associate them with emotional states and changes thereof from a training data set of .
(800)
Clause 795 wherein the vehicle operating state optimization neural network optimizes the operating parameters in real time in response to detection of changes in the rider's emotional state by the rider emotional state determination neural network. The transportation system described.
(801)
The rider emotional state determination neural network detects a pattern of wearable sensor data indicative of an emotional state indicating that the emotional state of the rider is changing from a first emotional state to a second emotional state; 795. The transportation system of clause 795, wherein the vehicle operating state optimization neural network optimizes the operating parameters of the vehicle in response to changes in the indicated emotional state.
(802)
said artificial intelligence system comprising a plurality of connected nodes forming a directed cycle, said artificial intelligence system further facilitating bi-directional flow of data between said connected nodes ( 795) Transportation system according to paragraph.
(803)
The pattern of the wearable sensor data indicative of the emotional state includes: the emotional state of the rider is changing; the emotional state of the rider is stable; the rate of change of the emotional state of the rider; and the polarity of the change in the rider's emotional state, indicating that the rider's emotional state is changing to an unfavorable state and that the rider's emotional state is changing to a favorable state. (795) A transportation system according to paragraph (795), characterized in that it indicates that there is
(804)
The operating parameters to be optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, approach to objects along the route, and other vehicles along the route. (795) A transportation system according to paragraph (795), characterized in that it affects at least one of approach to.
(805)
795. The transportation system of clause 795, wherein said vehicle operating state optimization neural network interacts with a vehicle control system to adjust said operating parameters.
(806)
The artificial intelligence system further includes a neural network including one or more perceptrons that mimic human senses to determine the rider's emotional state based on the extent to which at least one of the rider's senses is stimulated. (795) The transportation system according to paragraph (795), characterized in that it facilitates
(807)
The rider emotional state determination neural network includes one or more perceptrons that mimic human senses to facilitate determining the rider's emotional state based on the extent to which at least one of the senses of the rider is stimulated. The transport system according to item (795), characterized in that
(808)
wherein the artificial intelligence system presents changes in the emotional state of the rider in the vehicle by recognizing patterns in wearable sensor data indicative of the emotional state of the rider in the vehicle;
The transportation system includes:
a vehicle control system that adjusts a plurality of vehicle operating parameters to control operation of the vehicle;
a feedback loop through which the indication of a change in the rider's emotional state is communicated between the vehicle control system and the artificial intelligence system, wherein the vehicle control system, in response to the indication of the change, (734), further comprising: said feedback loop for adjusting at least one of said plurality of vehicle operating parameters.
(809)
(808) The transportation system of clause (808), wherein the vehicle control system adjusts the at least one of the plurality of vehicle operating parameters based on correlations between vehicle operating conditions and rider emotional states. .
(810)
808. The transportation system of clause 808, wherein said vehicle control system adjusts said at least one of said plurality of vehicle operating parameters indicative of a preferred rider emotional state.
(811)
808. The transportation system of clause 808, wherein the vehicle control system selects the adjustment of the at least one of the plurality of vehicle operating parameters indicative of producing a favorable rider emotional state.
(812)
The artificial intelligence system was fed from a stream of data from at least one of an unstructured data source, a social media source, a wearable device, an in-vehicle sensor, a rider's helmet, a rider's headgear, and a rider's voice system. 808. The transport system of clause 808, further learning from a training data set to classify said patterns of wearable sensor data indicative of emotional states and associate them with emotional states and changes thereof.
(813)
808. The transportation system of clause 808, wherein the vehicle control system adjusts the at least one of the plurality of vehicle operating parameters in real time.
(814)
The artificial intelligence system further detects a pattern of the wearable sensor data indicative of an emotional state indicating that the emotional state of the rider is changing from a first emotional state to a second emotional state; 808. The transportation system of clause 808, wherein the motion control system adjusts operating parameters of the vehicle in response to the indicated change in emotional state.
(815)
said artificial intelligence system comprising a plurality of connected nodes forming a directed cycle, said artificial intelligence system further facilitating bi-directional flow of data between said connected nodes ( 808) Transportation system according to paragraph.
(816)
808. The transport of clause 808, wherein said at least one of said plurality of responsively adjusted vehicle operating parameters affects operation of a powertrain of said vehicle and a suspension system of said vehicle. system.
(817)
808. The transportation system of clause 808, further comprising a vehicle operating state radial basis function neural network interacting with the vehicle control system to adjust the at least one operating parameter.
(818)
The radial basis function neural network interacts with a recurrent neural network through an intermediary component of an artificial intelligence system to generate vehicle control data indicative of the emotional state response of the rider to the current operating state of the vehicle. The transport system according to item (817), characterized by:
(819)
The artificial intelligence system further includes a modular neural network including a rider emotional state recurrent neural network for indicating the change in the rider's emotional state, a vehicle motion state radial basis function neural network, and an intermediary system; A mediation system converts rider emotional state characteristic data from the recurrent neural network into vehicle control data that the radial basis function neural network uses to interact with the vehicle control system to adjust the at least one operating parameter. (808) The transportation system according to item (808).
(820)
The artificial intelligence system includes a neural network including one or more perceptrons that mimic the human senses to facilitate determining the rider's emotional state based on the extent to which at least one of the rider's senses is stimulated. (808) The transportation system of paragraph (808), comprising a net.
(821)
The recognizing patterns of wearable sensor data indicative of an emotional state adjusts the at least one of the plurality of vehicle operating parameters prior to adjusting the at least one of the plurality of vehicle operating parameters. and after adjusting the at least one of the plurality of vehicle operating parameters. (808) The transportation system according to the item.
(822)
The artificial intelligence system comprises: a first set of wearable sensor data indicative of a rider's emotional state captured prior to the adjustment of at least one of the plurality of operating parameters; A change in an operating parameter of the vehicle by determining a difference between a second set of wearable sensor data indicative of the rider's emotional state captured during or after at least one of the adjustments. 808. The transportation system of clause 808, wherein the transportation system is indicative of changes in the emotional state of the rider in response to.
(823)
A transportation system,
a cognitive system for managing an advertising marketplace for in-seat advertising to a vehicle occupant, the cognitive system taking input corresponding to at least one parameter of the vehicle or the occupant and providing information to the occupant in the vehicle seat; determining characteristics of advertisements delivered within interfaces thereof, wherein said characteristics of said advertisements are selected from the group consisting of price, category, location, and combinations thereof.
(824)
A method of in-seat advertising for a vehicle, comprising:
taking input related to at least one parameter of the vehicle;
taking input related to at least one parameter of a rider on the vehicle; and
price, classification, content, and location of advertisements to be delivered within an interface of the vehicle to riders seated within the vehicle based on the vehicle-related input and the rider-related input; determining at least one.
(825)
(824) The method of Clause 824, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(826)
(825) The method of paragraph (825), wherein the vehicle is an at least semi-autonomous vehicle.
(827)
(826) The method of paragraph (826), wherein the vehicle is automatically routed.
(828)
(827) The method of paragraph (827), wherein the vehicle is a self-driving vehicle.
(829)
824. The method of clause 824, wherein the cognitive system further determines at least one of price, classification, content, and location of the advertisement placement.
(830)
(824) The method of paragraph (824), wherein the advertisement is delivered from the winning advertiser.
(831)
(824) The method of paragraph (824), wherein delivering the advertisement is based on the winning bid.
(832)
824. The method of paragraph 824, further comprising resolving payment as settlement for at least one of delivering the advertisement and winning the placement opportunity.
(833)
(824) The method of clause (824), wherein the input related to the at least one parameter of a vehicle includes a vehicle classification.
(834)
(824) The method of clause (824), wherein the input related to the at least one parameter of the vehicle includes a display classification.
(835)
824. The method of clause 824, wherein the input related to the at least one parameter of the vehicle includes audio system features.
(836)
(824) The method of paragraph (824), wherein the input related to the at least one parameter of the vehicle includes screen size.
(837)
(824) The method of clause (824), wherein the input related to the at least one parameter of the vehicle includes route information.
(838)
(824) The method of clause (824), wherein the input related to the at least one parameter of the vehicle includes location information.
(839)
824. The method of clause 824, wherein the input related to the at least one parameter of the rider includes rider demographic information.
(840)
The method, wherein the input related to the at least one parameter of the rider includes the emotional state of the rider.
The method according to item (824), characterized by:
(841)
824. The method of clause 824, wherein the input related to the at least one rider parameter includes the rider's reaction to a prior in-seat advertisement.
(842)
824. The method of clause 824, wherein the input related to the at least one parameter of the rider includes the rider's social media activity.
(843)
A method of tracking in-vehicle advertising interactions, comprising:
taking input related to at least one parameter of a vehicle and input related to at least one parameter of a rider in said vehicle;
aggregating the inputs across multiple vehicles;
using a cognitive system to determine in-vehicle advertising placement opportunities based on said aggregated input;
providing said placement opportunity in an advertising network that facilitates bidding for said placement opportunity;
delivering an advertisement for placement within a user interface of the vehicle based on the results of the bidding;
and monitoring a vehicle rider's interaction with the advertisement presented on the user interface of the vehicle.
(844)
(843) The method of paragraph (843), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(845)
(844) The method of paragraph (844), wherein the vehicle is an at least semi-autonomous vehicle.
(846)
(845) The method of paragraph (845), wherein the vehicle is automatically routed.
(847)
(846) The method of paragraph (846), wherein the vehicle is a self-driving vehicle.
(848)
(843) The method of paragraph (843), wherein the advertisement is delivered from the winning advertiser.
(849)
(843) The method of paragraph (843), wherein delivering the advertisement is based on the winning bid.
(850)
843. The method of paragraph 843, further comprising resolving payment as settlement for at least one of delivering the advertisement and winning the placement opportunity.
(851)
(843) The method of clause (843), further comprising resolving a payment as settlement of a transaction resulting from said rider's interaction with said advertisement.
(852)
843. The method of clause 843, further comprising providing the monitored vehicle rider interaction information to an advertising network.
(853)
843. The method of paragraph 843, wherein the monitored vehicle rider interaction information includes information for resolving click-based payments.
(854)
843. The method of paragraph 843, wherein the monitored vehicle rider interaction information includes analysis of the monitoring.
(855)
(854) The method of paragraph (854), wherein the analytical result is a measure of interest in the advertisement.
(856)
(854) The method of clause (854), wherein the input related to the at least one parameter of a vehicle includes a vehicle classification.
(857)
(843) The method of clause (843), wherein the input related to the at least one parameter of the vehicle includes a display classification.
(858)
(843) The method of paragraph (843), wherein the input related to the at least one parameter of the vehicle includes audio system features.
(859)
(843) The method of paragraph (843), wherein the input related to the at least one parameter of the vehicle includes screen size.
(860)
(843) The method of paragraph (843), wherein the input related to the at least one parameter of the vehicle includes route information.
(861)
(843) The method of paragraph (843), wherein the input related to the at least one parameter of the vehicle includes location information.
(862)
843. The method of clause 843, wherein said input relating to said at least one parameter of a rider includes rider demographic information.
(863)
843. The method of clause 843, wherein said input related to said at least one parameter of the rider includes the emotional state of the rider.
(864)
843. The method of clause 843, wherein said input relating to said at least one rider parameter includes a rider's reaction to a prior in-seat advertisement.
(865)
843. The method of clause 843, wherein the input related to the at least one parameter of the rider includes the rider's social media activity.
(866)
A method of in-vehicle advertising, comprising:
taking input related to at least one parameter of a vehicle and input related to at least one parameter of a rider in said vehicle;
aggregating the inputs across multiple vehicles;
using a cognitive system to determine in-vehicle advertising placement opportunities based on said aggregated input;
providing said placement opportunity in an advertising network that facilitates bidding for said placement opportunity;
serving advertisements for placement within an interface of the vehicle based on results of the bidding.
(867)
(866) The method of Clause 866, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(868)
(867) The method of paragraph (867), wherein the vehicle is an at least semi-autonomous vehicle.
(869)
868. The method of paragraph 868, wherein the vehicle is automatically routed.
(870)
(869) The method of paragraph (869), wherein the vehicle is a self-driving vehicle.
(871)
866. The method of clause 866, wherein the cognitive system further determines at least one of price, classification, content, and location of the advertisement placement.
(872)
866. The method of paragraph 866, wherein the advertisement is delivered from the winning advertiser.
(873)
866. The method of paragraph 866, wherein the delivery of advertisements is based on winning bids.
(874)
866. The method of clause 866, further comprising resolving payment as settlement for at least one of said delivering an advertisement and winning a placement opportunity.
(875)
866. The method of clause 866, wherein the input related to the at least one parameter of the vehicle includes vehicle classification.
(876)
(866) The method of Clause 866, wherein the input related to the at least one parameter of the vehicle includes a display classification.
(877)
866. The method of clause 866, wherein the input related to the at least one parameter of the vehicle includes audio system features.
(878)
(866) The method of paragraph (866), wherein the input related to the at least one parameter of the vehicle includes screen size.
(879)
866. The method of clause 866, wherein the input related to the at least one parameter of the vehicle includes route information.
(880)
(866) The method of clause (866), wherein the input related to the at least one parameter of the vehicle includes location information.
(881)
866. The method of clause 866, wherein said input relating to said at least one parameter of a rider includes rider demographic information.
(882)
866. The method of clause 866, wherein said input related to said at least one parameter of the rider includes the emotional state of the rider.
(883)
866. The method of clause 866, wherein said input relating to said at least one rider parameter includes a rider response to a prior in-seat advertisement.
(884)
866. The method of clause 866, wherein the input related to the at least one parameter of the rider includes the rider's social media activity.
(885)
An advertising system for in-seat advertising of a vehicle,
taking input related to at least one parameter of a vehicle and taking input related to at least one parameter of a rider in said vehicle; based on said vehicle related input and said rider related input; and a cognitive system for determining at least one of price, classification, content, and location of advertisements delivered within an interface of the vehicle to a rider in a seat within the vehicle. advertising system.
(886)
(885) The advertising system of paragraph (885), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(887)
886. The advertising system of clause 886, wherein the vehicle is an at least semi-autonomous vehicle.
(888)
887. The advertising system of paragraph 887, wherein the vehicles are automatically routed.
(889)
888. The advertising system of paragraph 888, wherein the vehicle is a self-driving vehicle.
(890)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of a vehicle includes a vehicle classification.
(891)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of the vehicle includes display classification.
(892)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of the vehicle includes audio system features.
(893)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of the vehicle includes screen size.
(894)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of the vehicle includes route information.
(895)
(885) The advertising system of clause (885), wherein the input related to the at least one parameter of the vehicle includes location information.
(896)
885. The advertising system of clause 885, wherein said input related to said at least one parameter of a rider includes rider demographic information.
(897)
885. The advertising system of clause 885, wherein the input related to the at least one parameter of the rider includes the rider's emotional state.
(898)
885. The advertising system of clause 885, wherein the input related to the at least one parameter of the rider includes the rider's reaction to a prior in-seat advertisement.
(899)
885. The advertising system of clause 885, wherein the input related to the at least one parameter of the rider includes the rider's social media activity.
(900)
Further characterized in that a vehicle operating condition is determined from the input related to at least one parameter of the vehicle, and the advertisement to be delivered is determined based at least in part on the determined vehicle operating condition. (885) The advertising system according to paragraph (885).
(901)
further comprising determining a rider condition from the input related to at least one parameter of the rider, and determining the advertisement to be delivered based at least in part on the determined rider condition; 885) The advertising system according to paragraph.
(902)
A transportation system,
a hybrid cognitive system for managing an advertising marketplace for in-seat advertising to vehicle occupants, at least one portion of the hybrid cognitive system processing inputs corresponding to at least one parameter of the vehicle to determine vehicle operating conditions; and at least one other portion of the cognitive system processes rider-related input to determine rider status;
The cognitive system determines characteristics of advertisements delivered within an interface to the rider in the seat of the vehicle, wherein the characteristics of the advertisements are selected from a group consisting of price, category, location, and combinations thereof. A transport system characterized by:
(903)
An artificial intelligence system for vehicle in-seat advertising, comprising:
a first portion of the artificial intelligence system for determining operating conditions of the vehicle by processing inputs related to at least one parameter of the vehicle;
a second portion of the artificial intelligence system that determines the state of the rider of the vehicle by processing inputs related to at least one rider parameter;
at least one of price, classification, content, and location of advertisements delivered within an interface of the vehicle to a rider in a seat of the vehicle based on the state of the vehicle and the state of the rider; and a third part of said artificial intelligence system for determining.
(904)
(903) The artificial intelligence system of clause (903), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(905)
(904) The artificial intelligence system of clause 904, wherein the vehicle is an at least semi-autonomous vehicle.
(906)
905. The artificial intelligence system of clause 905, wherein the vehicles are automatically routed.
(907)
(906) The artificial intelligence system of paragraph (906), wherein the vehicle is a self-driving vehicle.
(908)
903. The artificial intelligence system of clause 903, wherein the cognitive system further determines at least one of price, classification, content, and location of advertisement placements.
(909)
(903) The artificial intelligence system according to item (903), wherein an advertisement is distributed from an advertiser who has made a successful bid.
(910)
(903) The artificial intelligence system according to item (903), wherein the delivery of advertisements is based on successful bids.
(911)
903. The artificial intelligence system of clause 903, further comprising resolving payment as settlement for at least one of said delivery of an advertisement and winning a placement opportunity.
(912)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the vehicle includes a classification of the vehicle.
(913)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the vehicle includes a display classification.
(914)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the vehicle includes audio system features.
(915)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the vehicle includes screen size.
(916)
(903) The artificial intelligence system of clause (903), wherein said input relating to said at least one parameter of a vehicle includes route information.
(917)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the vehicle includes location information.
(918)
903. The artificial intelligence system of clause 903, wherein said input related to said at least one parameter of a rider includes rider demographic information.
(919)
(903) The artificial intelligence system of clause (903), wherein the input related to the at least one parameter of the rider includes the emotional state of the rider.
(920)
Clause 903. The artificial intelligence system of Clause 903, wherein the input related to the at least one parameter of the rider includes the rider's reactions to prior in-seat advertisements.
(921)
903. The artificial intelligence system of clause 903, wherein the input related to the at least one parameter of the rider includes the rider's social media activities.
(922)
A method for tracking in-vehicle advertising interactions, comprising:
obtaining an input related to at least one parameter of a vehicle and an input related to at least one parameter of a rider in said vehicle;
aggregating the inputs across multiple vehicles;
determining in-vehicle advertising placement opportunities based on the aggregated inputs using a hybrid cognitive system;
providing said placement opportunity in an advertising network that facilitates bidding for said placement opportunity;
delivering an advertisement for placement on a user interface of the vehicle based on the results of the bidding; and
and monitoring vehicle occupant interaction with advertisements presented within a user interface of the vehicle.
(923)
(922) The method of paragraph (922), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(924)
(923) The method of paragraph (923), wherein the vehicle is an at least semi-autonomous vehicle.
(925)
(924) The method of paragraph (924), wherein the vehicle is automatically routed.
(926)
(925) The method of paragraph (925), wherein the vehicle is a self-driving vehicle.
(927)
(922) The method of clause (922), wherein a first portion of the hybrid perception system determines the operational state of the vehicle by processing inputs related to at least one parameter of the vehicle.
(928)
(922) The method of clause (922), wherein a second portion of the hybrid perception system determines the condition of the rider of the vehicle by processing inputs related to at least one parameter of the rider. .
(929)
a third part of the hybrid cognitive system for pricing, classifying advertisements delivered within an interface of the vehicle to a rider in a seat within the vehicle based on the state of the vehicle and the state of the rider; 922. The method of paragraph (922), further comprising determining at least one of: , content, and location.
(930)
(922) The method of paragraph (922), wherein the advertisement is delivered from the winning advertiser.
(931)
922. The method of paragraph 922, wherein delivering the advertisement is based on the winning bid.
(932)
923. The method of clause 922, further comprising resolving payment as settlement for at least one of said delivery of an advertisement and winning a placement opportunity.
(933)
923. The method of clause 922, further comprising resolving a payment as settlement of a transaction resulting from said rider's interaction with said advertisement.
(934)
923. The method of clause 922, further comprising providing the monitored vehicle rider interaction information to an advertising network.
(935)
923. The method of clause 922, wherein the monitored vehicle rider interaction information includes information for resolving click-based payments.
(936)
923. The method of paragraph 922, wherein the monitored vehicle rider interaction information includes analysis of the monitoring.
(937)
(936) The method of paragraph (936), wherein the analytical result is a measure of interest in the advertisement.
(938)
(922) The method of clause (922), wherein the input related to the at least one parameter of a vehicle includes a vehicle classification.
(939)
(922) The method of clause (922), wherein the input related to the at least one parameter of the vehicle includes a display classification.
(940)
(922) The method of clause (922), wherein the input related to the at least one parameter of the vehicle includes an audio system function.
(941)
(922) The method of paragraph (922), wherein the input related to the at least one parameter of the vehicle includes screen size.
(942)
(922) The method of clause (922), wherein the input related to the at least one parameter of the vehicle includes route information.
(943)
(922) The method of clause (922), wherein the input related to the at least one parameter of the vehicle includes location information.
(944)
923. The method of clause 922, wherein said input relating to said at least one parameter of a rider includes rider demographic information.
(945)
923. The method of clause 922, wherein said input related to said at least one parameter of the rider includes the emotional state of the rider.
(946)
923. The method of clause 922, wherein said input related to said at least one rider parameter includes rider reaction to prior in-seat advertisements.
(947)
923. The method of clause 922, wherein the input related to the at least one parameter of the rider includes the rider's social media activities.
(948)
A method of in-vehicle advertising, comprising:
obtaining an input related to at least one parameter of a vehicle and an input related to at least one parameter of a rider in said vehicle;
aggregating the inputs across multiple vehicles;
determining in-vehicle advertising placement opportunities based on the aggregated inputs using a hybrid cognitive system;
facilitating bidding for said placement opportunity, offering said placement opportunity in an advertising network;
serving an advertisement for placement within an interface of the vehicle based on results of the bidding.
(949)
(948) The method of paragraph (948), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(950)
(949) The method of paragraph (949), wherein the vehicle is an at least semi-autonomous vehicle.
(951)
(950) The method of paragraph (950), wherein the vehicle is automatically routed.
(952)
(951) The method of paragraph (951), wherein the vehicle is a self-driving vehicle.
(953)
948. The method of clause 948, wherein a first portion of the hybrid perception system determines the operational state of the vehicle by processing inputs related to at least one parameter of the vehicle.
(954)
(948) The method of paragraph (948), wherein a second portion of the hybrid perception system determines the condition of the rider of the vehicle by processing inputs related to at least one parameter of the rider. .
(955)
a third part of the hybrid cognitive system for pricing, classifying advertisements delivered within an interface of the vehicle to a rider in a seat within the vehicle based on the state of the vehicle and the state of the rider; 948. The method of paragraph (948), further comprising determining at least one of: , content, and location.
(956)
(948) The method of paragraph (948), wherein the advertisement is delivered from the winning advertiser.
(957)
(948) The method of paragraph (948), wherein the delivery of the advertisement is based on the winning bid.
(958)
948. The method of clause 948, further comprising resolving payment as settlement for at least one of said delivery of an advertisement and winning a placement opportunity.
(959)
(948) The method of clause (948), wherein the input related to the at least one parameter of a vehicle includes a vehicle classification.
(960)
(948) The method of clause (948), wherein the input related to the at least one parameter of the vehicle includes a display classification.
(961)
948. The method of clause 948, wherein the input related to the at least one parameter of the vehicle includes audio system features.
(962)
(948) The method of paragraph (948), wherein the input related to the at least one parameter of the vehicle includes screen size.
(963)
(948) The method of clause (948), wherein the input related to the at least one parameter of the vehicle includes route information.
(964)
(948) The method of clause (948), wherein the input related to the at least one parameter of the vehicle includes location information.
(965)
948. The method of clause 948, wherein said input relating to said at least one parameter of a rider includes rider demographic information.
(966)
948. The method of clause 948, wherein the input related to the at least one parameter of the rider includes the emotional state of the rider.
(967)
948. The method of clause 948, wherein said input relating to said at least one rider parameter includes rider reactions to prior in-seat advertisements.
(968)
948. The method of clause 948, wherein the input related to the at least one parameter of the rider includes the rider's social media activity.
(969)
A transportation system including a motorcycle helmet,
A transportation system, wherein the motorcycle helmet provides an augmented reality experience based on registration of the position and orientation of the wearer of the helmet in an environment.
(970)
A helmet for a motorcycle,
a data processor configured to facilitate communication between a rider wearing the helmet and a motorcycle, wherein the motorcycle and the helmet communicate position and orientation of the motorcycle;
An augmented reality system having a display positioned to facilitate presenting an augmentation of content in an environment of a rider wearing the helmet, the augmentation of the communicated motorcycle. said augmented reality responsive to position and orientation registration, wherein at least one parameter of said augmentation is determined by machine learning on at least one input related to at least one of said rider and said motorcycle. A motorcycle helmet comprising: a system;
(971)
970. The helmet of Clause 970, wherein the motorcycle includes a system for automating at least one control parameter of the motorcycle.
(972)
970. The helmet of Clause 970, wherein said motorcycle is an at least semi-autonomous motorcycle.
(973)
970. The helmet of paragraph 970, wherein the motorcycle is automatically routed.
(974)
970. The helmet of paragraph 970, wherein the motorcycle is a self-driving motorcycle.
(975)
970. The helmet of clause 970, wherein the content in the environment is content visible in a portion of the field of view of the rider wearing the helmet.
(976)
Clause 970, wherein said machine learning of said input of said rider determines an emotional state of said rider, and wherein the value of said at least one parameter is adapted in response to said emotional state of said rider. helmet.
(977)
970, wherein the machine learning of the inputs of the motorcycle determines an operating state of the motorcycle, wherein the value of the at least one parameter is adapted responsive to the operating state of the motorcycle (970). ) helmet described in paragraph.
(978)
(970) The method of paragraph (970), further comprising a motorcycle configuration expert system for recommending adjustments to the value of the at least one parameter to the augmented reality system in response to the at least one input. Helmet.
(979)
A motorcycle helmet with an augmented reality system, comprising:
a display positioned to facilitate presenting an enhancement of content to the helmet-wearing rider's environment;
circuitry for registering the position and/or orientation of the motorcycle on which the rider is riding;
a machine learning circuit that determines at least one extended parameter by processing at least one input relating to at least one of the rider and the motorcycle;
generating an expansion element for display on the display in response to at least one of the registered position and orientation of the motorcycle, the production being at least in part to the determined at least one expansion parameter; and a reality augmentation circuit based on an object.
(980)
979. The helmet of Clause 979, wherein the motorcycle includes a system for automating at least one control parameter of the motorcycle.
(981)
980. The helmet of Clause 980, wherein said motorcycle is an at least semi-autonomous motorcycle.
(982)
(981) The helmet of paragraph (981), wherein the motorcycle is automatically routed.
(983)
982. The helmet of paragraph 982, wherein the motorcycle is a self-driving motorcycle.
(984)
979. The helmet of Clause 979, wherein said content in said environment is content visible in a portion of the field of view of said rider wearing said helmet.
(985)
Clause 979, wherein said machine learning of said input of said rider determines an emotional state of said rider, and wherein the value of said at least one parameter is adapted in response to said emotional state of said rider. helmet.
(986)
979, wherein the machine learning of the input of the motorcycle determines an operating state of the motorcycle, wherein the value of the at least one parameter is adapted responsive to the operating state of the motorcycle (979 ) helmet described in paragraph.
(987)
(979) The method of paragraph (979), further comprising a motorcycle configuration expert system for recommending to the augmented reality system an adjustment of the value of the at least one parameter in response to the at least one input. Helmet.
(988)
A vehicle transportation system,
a vehicle information capture port providing a network-enabled interface through which input including operational status and energy consumption information from at least one of the plurality of network-enabled vehicles is collected in real time;
a vehicle charging infrastructure control system that receives operating status and energy consumption information of the plurality of networked vehicles via the intake port;
an artificial intelligence system operatively connected to the vehicle charging infrastructure control system, wherein the vehicle charging control system executes an artificial intelligence system of the plurality of network-enabled vehicles in response to receiving the operating state and energy consumption information; and said artificial intelligence system for determining at least one charging plan parameter upon which a charging plan for at least a portion depends.
(989)
988. The system of Clause 988, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(990)
(988) The system of paragraph (988), wherein the vehicle is an at least semi-autonomous vehicle.
(991)
988. The system of paragraph 988, wherein the vehicle is automatically routed.
(992)
(988) The system of paragraph (988), wherein the vehicle is a self-driving vehicle.
(993)
988. The vehicle transport system of Clause 988, wherein said artificial intelligence system coordinates a cloud-based system remote from a charging infrastructure and a local system located at said charging infrastructure.
(994)
The adjustment to the at least one parameter, when made to the charging infrastructure operational plan, is characterized by ensuring that at least one of the plurality of vehicles has access to energy updates in a target energy update area. (988) The vehicle transportation system described in
(995)
The at least one parameter includes: routing to charging infrastructure, amount of charging provided, charging time, battery condition, battery charging profile, time required to charge, value of charging, index of value, market price, charging (988) The vehicle transportation system of paragraph (988) comprising at least one of bids for, available supply capacity, and charging demand.
(996)
Clause (988), further comprising: said transportation system charging plan update facility interacting with said artificial intelligence system to apply an adjustment value to at least one of said plurality of charging plan parameters. vehicle transport system.
(997)
Clause 996. The vehicle transportation system of Clause 996, wherein the charging plan update facility provides feedback to the artificial intelligence system of application of adjustments to at least one of the plurality of charging parameters.
(998)
Clause 997: The vehicle transport system of Clause 997, wherein the feedback includes the impact of the adjustment on charging infrastructure equipment for the target charging area.
(999)
(988) The vehicle of clause (988), wherein the artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location and amount of charging. transport system.
(1000)
(988) further comprising a charging plan update facility for adjusting the value of said at least one charging plan parameter, thereby optimizing consumption of remaining battery capacity of at least one of said plurality of vehicles. A vehicle transportation system according to any one of the preceding claims.
(1001)
(988) The vehicle transportation system of clause (988), wherein at least one of said plurality of charging plan parameters is a routing parameter of at least one of said plurality of vehicles.
(1002)
988. Vehicle transportation according to clause (988), wherein the artificial intelligence system provides a charging plan for near-term charging needs of a plurality of rechargeable vehicles based on the optimized at least one parameter. system.
(1003)
Clause 988: The vehicle transportation system of Clause 988, wherein said charging infrastructure includes at least one of a fueling station and a charging station.
(1004)
(988) The vehicle transportation system of clause (988), wherein said artificial intelligence system predicts the geographic location of a plurality of vehicles within a geographic region of at least one of said plurality of vehicles.
(1005)
(988) Vehicle transportation according to clause (988), wherein the at least one charging plan parameter comprises allocation of vehicles to at least a portion of the charging infrastructure within at least one geographic region of the plurality of vehicles. system.
(1006)
The at least one charging plan parameter includes vehicle routing, allocated charge or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (988) The vehicle transportation system according to paragraph (988), comprising at least one of:
(1007)
(988) The vehicle transport system of Clause 988, wherein said input relating to energy consumption is determined from battery state of charge of a portion of said plurality of vehicles.
(1008)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the artificial intelligence system optimizes the at least one parameter based on a prediction of geographic locations of the plurality of vehicles. The vehicle transport system according to item (988), characterized by:
(1009)
(988) The vehicle transportation system of clause (988), wherein the input includes a route plan for the vehicle.
(1010)
988. The vehicle transportation system of clause 988, wherein the input includes at least one indication of charging value.
(1011)
(988) The vehicle transport system of Clause (988), wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1012)
(988) The vehicle transport system of Clause (988), wherein said at least one parameter constitutes a route for a portion of said plurality of rechargeable vehicles.
(1013)
(988) The vehicle transportation system of clause (988), wherein determining said at least one parameter is further based on predicted traffic conditions for said plurality of rechargeable vehicles.
(1014)
The artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (988) Vehicle transport system according to item.
(1015)
The artificial intelligence system further includes hybrid neural networks, wherein one neural network of the hybrid neural networks is used to process input relating to the state of charge or fuel of the plurality of vehicles; 988. The vehicle transportation system of paragraph 988, wherein the neural network of is used to process inputs relating to the charging or refueling infrastructure.
(1016)
An artificial intelligence vehicle transportation system comprising:
a first neural network that processes input including vehicle routes and accumulated energy state information for a plurality of vehicles and predicts a target energy update region for at least one of the plurality of vehicles;
processing vehicle energy update infrastructure usage and demand information for vehicle energy update infrastructure within the target energy update area to provide updated energy for the at least one of the plurality of vehicles within the target energy update area; and a second neural network that determines at least one parameter of a charging infrastructure operational plan that facilitates access by one vehicle.
(1017)
(1016) The artificial intelligence vehicle transportation system of clause (1016), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1018)
(1017) The artificial intelligence vehicle transportation system of clause (1017), wherein the vehicle is an at least semi-autonomous vehicle.
(1019)
(1018) The artificial intelligence vehicle transportation system of paragraph (1018) wherein the vehicles are automatically routed.
(1020)
(1019) The artificial intelligence vehicle transportation system of paragraph (1019), wherein the vehicle is a self-driving vehicle.
(1021)
1016. The artificial intelligent vehicle transportation system of clause (1016), wherein the artificial intelligent vehicle transportation system coordinates a cloud-based system remote from a charging infrastructure and a local system located at the charging infrastructure. .
(1022)
Adjusting the at least one parameter, when made to the charging infrastructure operational plan, ensures that the at least one vehicle of the plurality of vehicles has access to energy updates in a target energy update area. The artificial intelligence vehicle transport system according to item (1016), characterized by:
(1023)
The at least one parameter includes routing to charging infrastructure, amount of charging provided, length of time for charging, battery state, battery charging profile, time required for charging, value of charging, value of charging. (1016) The artificial intelligent vehicle transportation system of clause (1016) including at least one of an index, a market price, a bid for charging, an available supply capacity, and a demand for charging.
(1024)
1016 further comprising a transportation system charging plan update facility that interacts with the artificial intelligent vehicle transportation system to apply an adjustment value to at least one of a plurality of charging plan parameters (1016). The artificial intelligent vehicle transportation system of claim 1.
(1025)
(1024) The artificial intelligent vehicle transportation system of paragraph (1024), wherein the charging plan update facility provides feedback to the artificial intelligent vehicle transportation system of application of the adjusted value of at least one of the plurality of charging parameters. Intelligent vehicle transportation system.
(1026)
(1025) The artificial intelligent vehicle transportation system of Clause 1025, wherein the feedback includes the impact of the adjustment on charging infrastructure equipment within the subject charging range.
(1027)
(1016), wherein the artificial intelligence vehicle transportation system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. artificial intelligence vehicle transportation system.
(1028)
(1016) further comprising a charging plan update facility for optimizing consumption of battery state of charge of at least one of said plurality of vehicles by adjusting a value of said at least one charging plan parameter (1016). ).
(1029)
1016. The artificial intelligent vehicle transportation system of clause 1016, wherein at least one of said plurality of charging plan parameters is a routing parameter for said at least one vehicle of said plurality of vehicles.
(1030)
(1016) Clause 1016, wherein the artificial intelligent vehicle transportation system provides a charging plan that addresses near future charging needs of the plurality of rechargeable vehicles based on at least one optimized parameter. artificial intelligence vehicle transportation system.
(1031)
(1016) The artificial intelligence vehicle transportation system of clause (1016), wherein the charging infrastructure includes at least one of a fueling station and a charging station.
(1032)
1016. The artificial intelligence of clause 1016, wherein the artificial intelligence vehicle transportation system predicts the geographic location of a plurality of vehicles within a geographic region of the at least one vehicle of the plurality of vehicles. vehicle transportation system.
(1033)
1016, wherein the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of the at least one vehicle of the plurality of vehicles; The artificial intelligent vehicle transportation system of claim 1.
(1034)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1016) The artificial intelligence vehicle transportation system of paragraph (1016), comprising at least one of:
(1035)
(1016) The artificial intelligence vehicle transportation system of clause (1016), wherein said input relating to energy consumption is determined from battery state of charge of a portion of said plurality of vehicles.
(1036)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the artificial intelligent vehicle transportation system determines the at least one parameter based on a prediction of geographic locations of the plurality of vehicles. (1016).
(1037)
(1016) The artificial intelligence vehicle transportation system of clause (1016), wherein the input includes a route plan for the vehicle.
(1038)
1016. The artificial intelligent vehicle transportation system of clause 1016, wherein the input includes at least one indication of charging value.
(1039)
1016. The artificial intelligent vehicle transportation system of clause 1016, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1040)
(1016) The artificial intelligence vehicle transportation system of clause (1016), wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1041)
1016. The artificial intelligence vehicle transportation system of clause 1016, wherein determining said at least one parameter is further based on predicted traffic conditions for said plurality of rechargeable vehicles.
(1042)
The artificial intelligent vehicle transportation system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (1016) The artificial intelligence vehicle transportation system described in the item.
(1043)
further comprising a hybrid neural network, wherein one neural network of the hybrid neural network is used to process input regarding charging or fuel status of the plurality of vehicles; 1016. The artificial intelligent vehicle transportation system of paragraph 1016 used to process input relating to refueling infrastructure.
(1044)
A decentralized transportation system,
an artificial intelligence system that obtains inputs associated with a plurality of vehicles and determines at least one parameter of recharging and planning for at least one vehicle of the plurality of vehicles based on the inputs;
a cloud-based system remote from the plurality of vehicles;
a local system located on the at least one vehicle of the plurality of vehicles;
Distributed transportation, wherein said cloud-based system collects inputs related to said at least one vehicle from said local systems, and said artificial intelligence system communicates said inputs with at least said cloud-based system. system.
(1045)
1044. The distributed transportation system of Clause 1044, wherein the at least one vehicle includes a system for automating at least one control parameter of the vehicle.
(1046)
1045. The distributed transportation system of clause 1045, wherein said at least one vehicle is an at least semi-autonomous vehicle.
(1047)
1046. The distributed transportation system of clause 1046, wherein the at least one vehicle is automatically routed.
(1048)
1047. The distributed transportation system of Clause 1047, wherein the at least one vehicle is a self-driving vehicle.
(1049)
1044. The distributed transportation system of clause 1044, wherein the artificial intelligence system coordinates cloud-based systems remote from the charging infrastructure and local systems located at the charging infrastructure.
(1050)
adjusting the at least one parameter when made to the charging infrastructure operational plan ensures that the at least one vehicle of the plurality of vehicles has access to energy updates in a target energy update region; The distributed transport system according to item (1044), characterized by:
(1051)
The at least one parameter includes: routing to charging infrastructure, amount of charge provided, time to charge, battery state, battery charge profile, time required to charge, value of charge, index of value, market 1044. The distributed transportation system of paragraph (1044) including at least one of price, charging bids, available supply capacity, and charging demand.
(1052)
(1044), further comprising: said transportation system charging plan update facility interacting with said artificial intelligence system to apply adjustments to at least one of a plurality of charging plan parameters; Decentralized transportation system.
(1053)
1052. The distributed transportation of clause 1052, wherein the charging plan update facility provides feedback to the artificial intelligence system of applying the adjusted value of at least one of the plurality of charging parameters. system.
(1054)
1053. The distributed transportation system of clause 1053, wherein the feedback includes the effect of the adjustment on charging infrastructure equipment within a target charging range.
(1055)
1044. The distribution of clause 1044, wherein the artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. type transport system.
(1056)
(1044) further comprising a charging plan update facility for adjusting the value of at least one charging plan parameter, thereby optimizing consumption of remaining battery capacity of at least one of said plurality of vehicles. A distributed transportation system as described.
(1057)
1044. The distributed transportation system of paragraph 1044, wherein at least one of the plurality of charging plan parameters is a routing parameter for the at least one vehicle of the plurality of vehicles.
(1058)
1044. The decentralized system of clause 1044, wherein the artificial intelligence system provides charging plans for near future charging needs of a plurality of rechargeable vehicles based on the optimized at least one parameter. transport system.
(1059)
1044. The distributed transportation system of Clause 1044, wherein the charging infrastructure includes at least one of a fueling station and a charging station.
(1060)
1044. The distributed transportation system of clause 1044, wherein the artificial intelligence system predicts geographic locations of a plurality of vehicles within a geographic region of the at least one vehicle of the plurality of vehicles. .
(1061)
Clause 1044, wherein the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of the at least one vehicle of the plurality of vehicles. A distributed transportation system as described.
(1062)
The at least one charging plan parameter is at least one of vehicle routing, allocated charging or fuel amount, charging time length, charging value, market price, charging bid, and available supply capacity. 1044. The distributed transport system of paragraph 1044, comprising:
(1063)
1044. The distributed transportation system of clause 1044, wherein the input related to energy consumption is determined from battery state of charge of a portion of the plurality of vehicles.
(1064)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the artificial intelligence system optimizes the at least one parameter based on a prediction of geographic locations of the plurality of vehicles. (1044), characterized in that the distributed transport system according to item (1044).
(1065)
1044. The distributed transportation system of clause 1044, wherein the input includes a route plan for the vehicle.
(1066)
1044. The distributed transportation system of clause 1044, wherein the input includes at least one indication of charging value.
(1067)
1044. The distributed transportation system of clause 1044, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price of charging or refueling the vehicle.
(1068)
(1044) The distributed transportation system of paragraph (1044), wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1069)
1044. The distributed transportation system of clause 1044, wherein determining the at least one parameter is further based on predicted traffic conditions for the plurality of rechargeable vehicles.
(1070)
The artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (1044) The distributed transportation system according to paragraph.
(1071)
The artificial intelligence system further includes a hybrid neural network, wherein one neural network of the hybrid neural network is used to process inputs related to charging or fuel status of the plurality of vehicles, 1044. The distributed transportation system of paragraph 1044, wherein a separate neural network is used to process inputs related to charging or refueling infrastructure.
(1072)
A transportation system including an artificial intelligence system,
The artificial intelligence system
A vehicle charging facility utilization optimization algorithm is applied to a plurality of inputs including current operating state data collected from the plurality of rechargeable vehicles within a target charging range of at least one of the plurality of rechargeable vehicles. to do
Evaluating the impact of multiple charging plan parameters on charging infrastructure within the target charging range;
selecting at least one parameter of the plurality of charging plan parameters to optimize energy usage by the plurality of rechargeable vehicles; and
generating an adjustment value for the at least one of the plurality of charging plan parameters based on results of applying the vehicle charging optimization algorithm to the plurality of inputs. transportation system.
(1073)
1072. The transportation system of Clause 1072, wherein the at least one vehicle includes a system for automating at least one control parameter of the vehicle.
(1074)
1073. The transportation system of clause 1073, wherein the at least one vehicle is at least a semi-autonomous vehicle.
(1075)
1074. The transportation system of clause 1074, wherein the at least one vehicle is automatically routed.
(1076)
1075. The transportation system of Clause 1075, wherein the at least one vehicle is a self-driving vehicle.
(1077)
A transportation route planning system including an artificial intelligence system,
The artificial intelligence system is
predicting near-term charging needs for a plurality of rechargeable vehicles within a geographic region of interest based on operating conditions of the plurality of rechargeable vehicles;
gathering near-term availability and capacity information of charging infrastructure in the region; and
optimizing at least one parameter of a charging plan for the charging infrastructure in response to the predicted charging need and the near-term availability and capacity information. transportation route planning system.
(1078)
1077. The transportation route planning system of Clause 1077, wherein at least one vehicle of said plurality of rechargeable vehicles includes a system for automating at least one control parameter of said at least one vehicle.
(1079)
1078. The transportation route planning system of Clause 1078, wherein said at least one vehicle is at least a semi-autonomous vehicle.
(1080)
1079. The transportation route planning system of Clause 1079, wherein said at least one vehicle is automatically routed.
(1081)
1080. The transportation route planning system of Clause 1080, wherein the at least one vehicle is an autonomous vehicle.
(1082)
A transportation system,
an artificial intelligence system that determines at least one parameter of the charging plan based on inputs regarding the vehicle;
The artificial intelligence system includes a hybrid neural network that determines the at least one parameter of a charging plan based on inputs regarding the vehicle;
A first portion of the hybrid neural network operates on a first portion of input related to route planning of the vehicle, and a second separate portion of the hybrid neural network operates on charging within the charging range of the vehicle. A transportation system comprising infrastructure-related inputs and operating on a second portion of said inputs.
(1083)
1082. The transportation system of Clause 1082, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1084)
1083. The transportation system of paragraph 1083, wherein the vehicle is an at least semi-autonomous vehicle.
(1085)
1084. The transportation system of clause 1084, wherein the vehicles are automatically routed.
(1086)
1085. The transportation system of paragraph 1085, wherein the vehicle is a self-driving vehicle.
(1087)
1082. The transportation system of clause 1082, wherein said second separate portion of said hybrid neural net predicts the geographic location of a plurality of vehicles within a geographic region of said vehicle.
(1088)
1082. The transportation system of clause 1082, wherein the at least one parameter of the charging plan includes allocation of vehicles to at least a portion of the charging infrastructure within the predicted geographic area.
(1089)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1082), the transport system comprising at least one of:
(1090)
1082. The transportation system of clause 1082, wherein the input related to the charging system of the vehicle is determined from a battery state of charge of a portion of the plurality of vehicles.
(1091)
A vehicle transportation system,
a vehicle information capture port providing a network-enabled interface through which input including battery status data is collected in real-time from at least one of the plurality of network-enabled vehicles;
a vehicle charging infrastructure control system that receives battery status data for the plurality of networked vehicles via the intake port;
an artificial intelligence system operatively connected with the vehicle charging infrastructure control system and responsive to the receipt of the battery status data to determine at least one charging plan parameter. .
(1092)
1091. The vehicle transportation system of Clause 1091, wherein said at least one vehicle includes a system for automating at least one control parameter of said vehicle.
(1093)
1092. The vehicle transportation system of clause 1092, wherein said at least one vehicle is an at least semi-autonomous vehicle.
(1094)
1093. The vehicle transport system of clause 1093, wherein the at least one vehicle is automatically routed.
(1095)
1094. The vehicle transportation system of Clause 1094, wherein the at least one vehicle is an autonomous vehicle.
(1096)
1091. The vehicle transportation system of clause 1091, wherein a charging plan for at least a portion of said plurality of network-enabled vehicles is dependent on said at least one charging plan parameter.
(1097)
1091. The vehicle transportation system of paragraph 1091, wherein said vehicle charging infrastructure control system implements said charging plan.
(1098)
1091. The vehicle transportation system of Clause 1091, wherein said artificial intelligence system coordinates a cloud-based system remote from a charging infrastructure and a local system located at said charging infrastructure.
(1099)
adjusting the at least one parameter, when performed on the charging plan, to ensure that the at least one vehicle of the plurality of vehicles has access to an energy update in a target energy update region. (1091) The vehicle transportation system described in paragraph (1091).
(1100)
The at least one parameter includes path to charging infrastructure, amount of charging provided, charging time, battery condition, battery charging profile, time required to charge, value of charging, index of value, market price, charging (1091), comprising at least one of bids for, available supply capacity, and charging demand.
(1101)
(1091) Further comprising: said transportation system charging plan update facility interacting with said artificial intelligence system to apply an adjustment value to at least one of said plurality of said charging plan parameters. vehicle transport system.
(1102)
(1101) The vehicle transport system of clause (1101), wherein the charging plan update facility provides feedback to the artificial intelligence system of applying the adjusted value of at least one of the plurality of charging parameters. .
(1103)
(1102) The vehicle transport system of clause (1102), wherein the feedback includes the effect of the adjustment on charging infrastructure equipment within a target charging range.
(1104)
1091 The vehicle of clause 1091, wherein the artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. transport system.
(1105)
further comprising a charge plan update facility that adjusts the value of the at least one charge plan parameter, thereby optimizing the consumption of the remaining state of charge of the battery of the at least one vehicle of the plurality of vehicles. (1091) A vehicle transport system characterized by:
(1106)
(1091) The vehicle transportation system of paragraph (1091), wherein the at least one charging plan parameter of the plurality of charging plan parameters is a routing parameter of the at least one vehicle of the plurality of vehicles.
(1107)
1091. The vehicle transportation system of clause 1091, wherein the artificial intelligence system provides a charging plan that addresses near future charging needs of the plurality of rechargeable vehicles based on the at least one parameter.
(1108)
1091. The vehicle transportation system of paragraph 1091, wherein the charging infrastructure includes at least one of a fueling station and a charging station.
(1109)
(1091) The vehicular transportation system of clause (1091), wherein the artificial intelligence system predicts a geographic location of a plurality of vehicles within a geographic region of the at least one vehicle of the plurality of vehicles.
(1110)
1091, wherein the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of the at least one vehicle of the plurality of vehicles; A vehicle transportation system according to any one of claims 1 to 3.
(1111)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1091) The vehicle transportation system according to item (1091), characterized by including at least one of
(1112)
1091. The vehicle transportation system of clause 1091, wherein said input relating to energy consumption is determined from a state of charge of a battery of a portion of said plurality of vehicles.
(1113)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the artificial intelligence system optimizes the at least one parameter based on a prediction of geographic locations of the plurality of vehicles. The vehicle transport system according to item (1091), characterized by:
(1114)
(1091) The vehicle transportation system of paragraph (1091), wherein the input includes a route plan for the vehicle.
(1115)
1091. The vehicle transportation system of paragraph 1091, wherein the input includes at least one indication of charging value.
(1116)
1091. The vehicle transportation system of clause 1091, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1117)
(1091) The vehicle transportation system of paragraph (1091), wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1118)
1091. The vehicle transport system of clause 1091, wherein determining said at least one parameter is further based on predicted traffic conditions for said plurality of rechargeable vehicles.
(1119)
The artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (1091) The vehicle transport system described in paragraph.
(1120)
The artificial intelligence system further includes hybrid neural networks, wherein one neural network of the hybrid neural networks is used to process input relating to the state of charge or fuel of the plurality of vehicles; (1091), wherein the neural network of is used to process inputs relating to charging or refueling infrastructure.
(1121)
1091. The vehicle transport system of paragraph 1091, wherein the area to which the charging plan applies is defined by a geofence.
(1122)
(1121) The vehicle transportation system of paragraph (1121), wherein said geofence is configurable by an administrator of said region.
(1123)
1122. The vehicle transportation system of clause 1121, wherein said geofence is configurable by an administrator of said region to substantially coincide with a jurisdiction over which said administrator has control or responsibility.
(1124)
A transportation system including an artificial intelligence system,
The artificial intelligence system is
A vehicle charging optimization algorithm comprising current rechargeable vehicle battery state of charge and its expected usage collected from said plurality of vehicles within a target charging range of one of said plurality of rechargeable vehicles. , applying to multiple inputs,
evaluating the impact of multiple charging plan parameters on the expected battery usage data; and
selecting at least one of a plurality of charging plan parameters that facilitate optimizing the expected battery usage, wherein the vehicle charging optimization algorithm is based at least in part on the plurality of inputs; indicates an adjustment value for at least one of said plurality of charging plan parameters, said adjustment value optimizing battery usage of at least one of said plurality of rechargeable vehicles. A transportation system characterized by performing
(1125)
1124. The transportation system of clause 1124, wherein the artificial intelligence system coordinates cloud-based systems remote from the charging infrastructure and local systems located at the charging infrastructure.
(1126)
The adjustment of the at least one parameter when made to the charging plan is characterized by ensuring that at least one of the plurality of vehicles has access to energy updates in the target energy update region (1124). A transportation system according to paragraph.
(1127)
The at least one parameter includes: routing to charging infrastructure, amount of charging provided, charging time, battery condition, battery charging profile, time required to charge, value of charging, index of value, market price, charging (1124), comprising at least one of bids for, available supply capacity, and charging demand.
(1128)
further comprising a transportation system charging plan update facility that interacts with the artificial intelligence system to apply the adjustment value to the at least one charging plan parameter of the plurality of charging plan parameters ( 1124) Transportation system according to paragraph.
(1129)
1128. The method of paragraph (1128), wherein the charging plan update facility provides feedback to the artificial intelligence system that it has applied the adjusted value of at least one of the plurality of charging parameters. transport system.
(1130)
1129. The transport system of clause 1129, wherein the feedback includes the effect of the adjustment on charging infrastructure equipment within the target charging range.
(1131)
1124. Transportation according to clause 1124, wherein the artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. system.
(1132)
(1124) further comprising a charging plan update facility for adjusting the value of said at least one charging plan parameter, thereby optimizing consumption of remaining battery capacity of at least one of said plurality of vehicles. The transportation system described.
(1133)
1124. The transportation system of clause 1124, wherein the at least one charging plan parameter of the plurality of charging plan parameters is a routing parameter of at least one of the plurality of vehicles.
(1134)
1124. The transportation system of clause 1124, wherein the artificial intelligence system provides a charging plan for near future charging needs of the plurality of rechargeable vehicles based on the at least one parameter.
(1135)
1124. The transportation system of clause 1124, wherein the at least one charging plan parameter affects a charging infrastructure including at least one of a fueling station and a charging station.
(1136)
1124. The transportation system of clause 1124, wherein said artificial intelligence system predicts the geographic location of a plurality of vehicles within a geographic region of said at least one vehicle of said plurality of vehicles.
(1137)
1124, the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of the at least one vehicle of the plurality of vehicles; A transportation system according to paragraph.
(1138)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1124).
(1139)
1124. The transportation system of clause 1124, wherein said input relating to energy consumption is determined from battery state of charge of a portion of said plurality of vehicles.
(1140)
The inputs include inputs relating to states of charge of a plurality of vehicles within a geographic area, and wherein the artificial intelligence system optimizes the at least one parameter based on predictions of geographic locations of the plurality of vehicles. The transport system according to item (1124), characterized by:
(1141)
1124. The transportation system of clause 1124, wherein the input includes a route plan for the vehicle.
(1142)
1124. The transportation system of clause 1124, wherein the input includes at least one indication of charging value.
(1143)
1124. The transportation system of clause 1124, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1144)
1124. The transportation system of clause 1124, wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1145)
1124. The transportation system of clause 1124, wherein selecting the at least one parameter is further based on predicted traffic conditions for the plurality of rechargeable vehicles.
(1146)
The artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (1124) The transport system according to item.
(1147)
The artificial intelligence system further includes a hybrid neural network, wherein one neural network of the hybrid neural network is used to process input regarding charging or fuel status of the plurality of vehicles, and another of the hybrid neural networks is used to process input relating to charging or fuel status of the plurality of vehicles 1124. The transportation system of paragraph 1124, wherein a neural network is used to process inputs relating to charging or refueling infrastructure.
(1148)
1124. The transportation system of clause 1124, wherein the target charging area is defined by a geofence.
(1149)
1124. The transportation system of clause 1124, wherein the target charging area is defined by a geofence set by an area administrator.
(1150)
1124. Clause 1124, wherein the target charging area is defined by the administrator-configurable geofence of an area to substantially coincide with a jurisdiction over which the administrator has control or responsibility. transport system.
(1151)
A transportation system including an artificial intelligence system,
The artificial intelligence system is
The vehicle charging optimization algorithm is adapted to the current rechargeable vehicle battery state of charge collected from the plurality of vehicles within a target charging range of one of the plurality of rechargeable vehicles and its expected state of charge. apply to multiple inputs, including usage,
evaluating the impact of multiple charging plan parameters on the expected battery usage data;
selecting at least one charging plan parameter of the plurality of charging plan parameters that facilitates optimizing the expected battery usage; and
generating an adjustment value for the at least one charging plan parameter of the plurality of charging plan parameters based on results of applying the vehicle charging optimization algorithm to the plurality of inputs. A transportation system characterized by:
(1152)
1151. The transportation system of paragraph 1151, wherein the at least one charging plan parameter includes vehicle routing.
(1153)
1151. The transportation system of clause 1151, wherein the at least one charging plan parameter includes an allocated charge or fuel amount.
(1154)
1151. The transport system of clause 1151, wherein the at least one charging plan parameter includes a length of time for charging.
(1155)
1151. The transportation system of paragraph 1151, wherein the at least one charging plan parameter includes a charging value.
(1156)
(1151) The transportation system of paragraph (1151), wherein the at least one charging plan parameter includes a market price.
(1157)
1151. The transportation system of paragraph 1151, wherein the at least one charging plan parameter includes a bid for charging.
(1158)
1151. The transportation system of clause 1151, wherein the at least one charging plan parameter includes available capacity.
(1159)
Clause 1151 wherein the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of at least one vehicle of the plurality of vehicles. The transportation system described.
(1160)
1151. The transportation system of paragraph 1151, wherein the at least one charging plan parameter includes routing parameters for the at least one vehicle of the plurality of vehicles.
(1161)
1151. The transportation system of clause 1151, wherein the target charging area is defined by a geofence.
(1162)
1151. The transportation system of clause 1151, wherein the target charging area is defined by a geofence configurable by an administrator of the area.
(1163)
Clause 1151, wherein the target charging area is defined by the administrator-configurable geofence of an area to substantially coincide with a jurisdiction over which the administrator has control or responsibility. transport system.
(1164)
A transportation route planning system including an artificial intelligence system,
The artificial intelligence system is
predicting near future charging needs for a plurality of rechargeable vehicles within a geographic region of interest based on the state of charge of the plurality of rechargeable vehicles;
gathering near-term availability and capacity information for charging infrastructure in the region; and
optimizing at least one parameter of a charging plan of the charging infrastructure according to the predicted charging need and the near-term availability and capacity information. transportation route planning system.
(1165)
1164. The transportation route planning system of paragraph 1164, wherein the region is defined by a geofence.
(1166)
1164. The transportation route planning system of Clause 1164, wherein said region is defined by a geofence set by an administrator of said region.
(1167)
1164. The method of clause 1164, wherein the region is defined by a geofence configurable by an administrator of the region to substantially coincide with a jurisdiction over which the administrator has control or responsibility. Transportation route planning system.
(1168)
1167. The transportation route planning system of clause 1167, wherein said jurisdiction comprises a municipality of government.
(1169)
1164. The transportation route planning system of paragraph 1164, wherein the at least one parameter of the charging plan includes vehicle routing.
(1170)
1164. The transportation route planning system of clause 1164, wherein the at least one parameter of the charging plan includes an allocated amount of charging or fuel.
(1171)
1164. The transportation route planning system of clause 1164, wherein the at least one parameter of the charging plan includes length of time for charging.
(1172)
1164. The transportation route planning system of clause 1164, wherein the at least one parameter of the charging plan includes charging value.
(1173)
1164. The transportation route planning system of paragraph 1164, wherein the at least one parameter of the charging plan includes market price.
(1174)
1164. The transportation route planning system of clause 1164, wherein said at least one parameter of a charging plan includes a bid for charging.
(1175)
1164. The transportation route planning system of clause 1164, wherein the at least one parameter of the charging plan includes available capacity.
(1176)
(1164) characterized in that said at least one parameter of a charging plan comprises an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of at least one vehicle of said plurality of vehicles; Transportation route planning system as described.
(1177)
1164. The transportation route planning system of paragraph 1164, wherein said at least one parameter of a charging plan includes routing parameters for at least one of said plurality of vehicles.
(1178)
A transportation system,
an artificial intelligence system for determining at least one parameter of a charging plan based on vehicle-related inputs;
The artificial intelligence system includes a hybrid neural network that determines the at least one parameter of a charging plan based on vehicle-related inputs, wherein a first portion of the hybrid neural network is associated with a charging system of the vehicle. operating on a first portion of said inputs, wherein a second separate portion of said hybrid neural network includes inputs related to said vehicle other than inputs related to said charging system; A transport system characterized by operating in parts.
(1179)
1178. The transportation system of clause 1178, wherein said second separate portion of said hybrid neural net predicts the geographic position of a plurality of vehicles within a geographic region of said vehicle.
(1180)
1178. The transportation system of clause 1178, wherein the at least one parameter of the charging plan includes allocation of vehicles to at least a portion of the charging infrastructure within the predicted geographic region.
(1181)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bidding for charging, and available supply capacity. (1178) The transport system according to paragraph (1178), comprising at least one of:
(1182)
1178. The transportation system of clause 1178, wherein said input associated with said vehicle's charging system is determined from a battery state of charge of a portion of a plurality of vehicles.
(1183)
The inputs include inputs relating to states of charge of a plurality of vehicles within a geographic area, and wherein the artificial intelligence system optimizes the at least one parameter based on predictions of geographic locations of the plurality of vehicles. The transport system according to item (1178), characterized by:
(1184)
1178. The transportation system of paragraph 1178, wherein the input includes a route plan for the vehicle.
(1185)
1178. The transportation system of paragraph 1178, wherein the input includes at least one indication of charging value.
(1186)
1178. The transportation system of clause 1178, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price of charging or refueling the vehicle.
(1187)
1178. The transportation system of clause 1178, wherein the at least one parameter includes a route of a portion of a plurality of rechargeable vehicles.
(1188)
1178. The transportation system of clause 1178, wherein determining the at least one parameter is further based on predicted traffic conditions for the plurality of rechargeable vehicles.
(1189)
The artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. (1178) The transport system described in paragraph.
(1190)
1178. The transportation system of clause 1178, wherein the at least one parameter of a charging plan facilitates defining a region of the charging plan.
(1191)
1190. The transportation system of paragraph 1190, wherein the regions are defined by geofences.
(1192)
1190. The transportation system of paragraph 1190, wherein the region is defined by a geofence set by an administrator of the region.
(1193)
1190. Transportation according to paragraph (1190), wherein a region is defined by a geofence configurable by an administrator of the region to substantially coincide with a jurisdiction over which said manager has control or responsibility. system.
(1194)
A vehicle transportation system,
a vehicle information capture port providing a network-enabled interface through which operational status and energy consumption information is collected in real time from at least one vehicle of the plurality of network-enabled vehicles;
a vehicle charging infrastructure control system that receives operating status and energy consumption information of the plurality of networked vehicles via the intake port;
A cloud-based artificial intelligence system operatively connected to the vehicle charging infrastructure control system, which the vehicle charging infrastructure control system executes in response to the receipt of the operating state and energy consumption information. and said artificial intelligence system determining at least one charging plan parameter upon which a charging plan for at least a portion of said plurality of networked vehicles depends.
(1195)
1194. The vehicle transportation system of paragraph 1194, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1196)
1195. The vehicle transportation system of paragraph 1195, wherein the vehicle is an at least semi-autonomous vehicle.
(1197)
1196. The vehicle transportation system of paragraph 1196, wherein the vehicle is automatically routed.
(1198)
1197. The vehicle transport system of paragraph 1197, wherein the vehicle is an autonomous vehicle.
(1199)
1194. The vehicle transport system of clause 1194, wherein said cloud-based artificial intelligence system coordinates a cloud-based system remote from a charging infrastructure and a local system located at said charging infrastructure.
(1200)
adjusting the at least one parameter when made to the charging infrastructure operational plan ensures that the at least one vehicle of the plurality of vehicles has access to energy updates in a target energy update region; The vehicle transport system according to item (1194), characterized by:
(1201)
The at least one parameter includes: routing to charging infrastructure, amount of charging provided, charging time, battery condition, battery charging profile, time required to charge, value of charging, index of value, market price, charging (1194), including at least one of bids for, available supply capacity, and charging demand.
(1202)
(1194) further comprising a transportation system charging plan update facility that interacts with the cloud-based artificial intelligence system to apply adjustments to at least one of a plurality of charging plan parameters. The vehicle transportation system described.
(1203)
1202. The method of paragraph (1202), wherein the charging plan update facility provides feedback to the cloud-based artificial intelligence system of applying the adjusted value of at least one of the plurality of charging parameters. vehicle transportation system.
(1204)
(1203) The vehicle transport system of clause (1203), wherein the feedback includes the effect of the adjustment on charging infrastructure equipment within a target charging range.
(1205)
Clause 1194, wherein the cloud-based artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. vehicle transport system.
(1206)
(1194) further comprising a charging plan update facility for adjusting the value of said at least one charging plan parameter, thereby optimizing consumption of remaining battery capacity of at least one of said plurality of vehicles; A vehicle transportation system according to any one of claims 1 to 3.
(1207)
1194. The vehicle transport system of clause 1194, wherein said at least one of a plurality of charging plan parameters is a routing parameter of at least one of said plurality of vehicles.
(1208)
Clause 1194, wherein the cloud-based artificial intelligence system provides a charging plan that addresses near-term charging needs of the plurality of rechargeable vehicles based on at least one optimized parameter. The vehicle transportation system described.
(1209)
1194. The vehicle transportation system of paragraph 1194, wherein the charging infrastructure includes at least one of a fueling station and a charging station.
(1210)
(1194) The vehicle of clause (1194), wherein the cloud-based artificial intelligence system predicts a geographic location of a plurality of vehicles within a geographic region of the at least one vehicle of the plurality of vehicles. transportation system.
(1211)
Clause 1194, wherein the at least one charging plan parameter includes an allocation of vehicles to at least a portion of charging infrastructure within a geographic region of the at least one vehicle of the plurality of vehicles. The vehicle transportation system described.
(1212)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1194) The vehicle transportation system according to item (1194), characterized in that it includes at least one of
(1213)
1194. The vehicle transport system of clause 1194, wherein the energy consumption input is determined from battery state of charge of a portion of the plurality of vehicles.
(1214)
The input includes input regarding state of charge of a plurality of vehicles within a geographic area, and the cloud-based artificial intelligence system optimizes the at least one parameter based on a prediction of the geographic location of the plurality of vehicles. (1194).
(1215)
1194. The vehicle transportation system of paragraph 1194, wherein the input includes a route plan for the vehicle.
(1216)
1194. The vehicle transportation system of paragraph 1194, wherein the input includes at least one indication of charging value.
(1217)
1194. The vehicle transportation system of clause 1194, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1218)
(1194) The vehicle transportation system of paragraph (1194), wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1219)
1194. The vehicle transportation system of clause 1194, wherein determining said at least one parameter is further based on predicted traffic conditions for said plurality of rechargeable vehicles.
(1220)
The cloud-based artificial intelligence system is characterized by executing an optimization algorithm that calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, place, and amount of charging. (1194).
(1221)
The cloud-based artificial intelligence system further includes a hybrid neural network, wherein one neural network of the hybrid neural networks is used to process input regarding charging or fuel status of the plurality of vehicles, wherein the hybrid neural network 1194. The vehicle transportation system of paragraph 1194, wherein another neural network of is used to process inputs relating to the charging or refueling infrastructure.
(1222)
A cloud-based artificial intelligence vehicle transportation system, comprising:
a first neural network that processes input including route routes and accumulated energy state information for a plurality of vehicles and predicts a target energy update region for at least one vehicle of the plurality of vehicles;
processing vehicle energy update infrastructure usage and demand information for vehicle energy update infrastructure equipment within said target energy update area to determine said at least one of said plurality of vehicles for updated energy within said target energy update area; a second neural network that determines at least one parameter of a charging infrastructure operational plan that facilitates access by one vehicle;
A vehicle transportation system, wherein at least one of said first neural network and said second neural network runs on a server of a cloud-based computing system.
(1223)
1223. The vehicle transportation system of Clause 1222, wherein said at least one vehicle includes a system for automating at least one control parameter of said vehicle.
(1224)
1223. The vehicle transportation system of clause 1223, wherein said at least one vehicle is at least a semi-autonomous vehicle.
(1225)
1224. The vehicle transport system of clause 1224, wherein the at least one vehicle is automatically routed.
(1226)
1225. The vehicle transportation system of clause 1225, wherein the at least one vehicle is an autonomous vehicle.
(1227)
1222. The vehicle transportation system of clause 1222, wherein the cloud-based artificial intelligence system coordinates a cloud-based system remote from a charging infrastructure and a local system located at the charging infrastructure.
(1228)
adjusting the at least one parameter when made to the charging infrastructure operational plan ensures that the at least one vehicle of the plurality of vehicles has access to energy updates in a target energy update region; The vehicle transport system according to item (1222), characterized by:
(1229)
The at least one parameter includes: routing to charging infrastructure, amount of charging provided, charging time, battery health, battery charging profile, time required to charge, value of charging, index of value, market price, charging (1222) The vehicle transportation system of paragraph (1222) including at least one of bids, available capacity, and charging demand.
(1230)
further comprising a charging infrastructure operational plan update facility of said system interacting with said cloud-based artificial intelligence system to apply adjustments to at least one of a plurality of charging plan parameters (1222). ).
(1231)
1230, wherein the charging infrastructure operational plan update facility provides feedback to the cloud-based artificial intelligence system of applying the adjusted value of at least one of the plurality of charging parameters (1230). A vehicle transportation system according to any one of the preceding claims.
(1232)
(1231) The vehicle transport system of clause (1231), wherein the feedback includes the impact of the adjustment on charging infrastructure equipment for the target charging area.
(1233)
Clause 1222, wherein the cloud-based artificial intelligence system calculates energy parameters, optimizes electricity usage, and optimizes at least one of time, location, and amount of charging. vehicle transport system.
(1234)
further comprising a charging infrastructure operational plan update facility that optimizes remaining battery consumption of at least one of the plurality of vehicles by adjusting the value of the at least one charging plan parameter. (1222) The vehicle transport system described in paragraph.
(1235)
1223. The vehicle transport system of clause 1222, wherein at least one of said plurality of charging infrastructure operational plan parameters is a routing parameter for said at least one vehicle of said plurality of vehicles.
(1236)
(1222) The vehicle transport system of clause (1222), wherein said input relating to energy consumption is determined from battery state of charge of a portion of said plurality of vehicles.
(1237)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the cloud-based artificial intelligence system determines the at least one parameter based on the prediction of geographic locations of the plurality of vehicles. (1222).
(1238)
1222. The vehicle transportation system of paragraph 1222, wherein the input includes a route plan for the at least one vehicle.
(1239)
1222. The vehicle transport system of clause 1222, wherein the input includes at least one indication of charging value.
(1240)
1222. The vehicle transportation system of clause 1222, wherein the at least one parameter affects automatic negotiation of at least one of duration, quantity, and price for charging or refueling the vehicle.
(1241)
(1222) The vehicle transport system of clause (1222), wherein the at least one parameter includes a route of a portion of the plurality of rechargeable vehicles.
(1242)
1222. The vehicle transportation system of clause 1222, wherein determining said at least one parameter is further based on predicted traffic conditions for said plurality of rechargeable vehicles.
(1243)
The cloud-based artificial intelligence system calculates energy parameters, optimizes electricity usage, and executes an optimization algorithm to optimize at least one of time, location, and amount of charging. (1222), characterized in that the vehicle transport system of paragraph (1222).
(1244)
The cloud-based artificial intelligence system further includes a hybrid neural network, wherein one neural network of the hybrid neural networks is used to process input regarding the state of charge or fuel of the plurality of vehicles; 1222. Vehicle transportation system according to clause 1222, characterized in that another neural network of the network is used to process the input regarding the charging or refueling infrastructure.
(1245)
A transportation system comprising a cloud-based artificial intelligence system, comprising:
The cloud-based artificial intelligence system includes:
A vehicle charging optimization algorithm based on current rechargeable vehicle battery charge states collected in a cloud-based data storage device from a plurality of vehicles within a target charging range of one of the plurality of rechargeable vehicles. and its expected usage, to apply to multiple inputs;
evaluating the impact of multiple charging plan parameters on the expected battery usage data;
selecting at least one parameter of the plurality of charging plan parameters that facilitates optimizing the expected battery usage; and
generating an adjustment value for the at least one of the plurality of charging plan parameters based on results of applying the vehicle charging optimization algorithm to the plurality of inputs. transportation system.
(1246)
1245. The transportation system of Clause 1245, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1247)
1246. The transportation system of paragraph 1246, wherein the vehicle is an at least semi-autonomous vehicle.
(1248)
1247. The transportation system of paragraph 1247, wherein the vehicles are automatically routed.
(1249)
1248. The transportation system of paragraph 1248, wherein the vehicle is a self-driving vehicle.
(1250)
A cloud-based transportation route planning system comprising:
including an artificial intelligence system deployed to run at least in part on cloud-based computing resources;
The artificial intelligence system is
predicting near future charging needs for the plurality of rechargeable vehicles in a geographic region of interest based on the state of charge of the plurality of rechargeable vehicles;
gathering near-term availability and capacity information for charging infrastructure in the region; and
optimizing at least one parameter of a charging plan of the charging infrastructure according to the predicted charging need and the near-term availability and capacity information. transportation planning system.
(1251)
1250. The transportation planning system of paragraph 1250, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1252)
(1251) The transportation planning system of paragraph (1251), wherein the vehicle is an at least semi-autonomous vehicle.
(1253)
1252. The transportation planning system of paragraph 1252, wherein the vehicles are automatically routed.
(1254)
1253. The transportation planning system of paragraph 1253, wherein the vehicle is a self-driving vehicle.
(1255)
A transport system,
an artificial intelligence system operating on a cloud computing server and determining at least one parameter of a charging plan based on vehicle-related inputs;
The artificial intelligence system includes a hybrid neural network for determining the at least one parameter of the charging plan based on inputs associated with the vehicle, a first portion of the hybrid neural network comprising: operating on a first portion of said inputs related to a charging system, wherein a second separate portion of said hybrid neural network includes inputs related to said vehicle other than inputs related to said charging system; A transport system, characterized in that it operates in a second part.
(1256)
1255. The transportation system of Clause 1255, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1257)
1256. The transportation system of paragraph 1256, wherein the vehicle is an at least semi-autonomous vehicle.
(1258)
1257. The transportation system of paragraph 1257, wherein the vehicles are automatically routed.
(1259)
1258. The transportation system of paragraph 1258, wherein the vehicle is a self-driving vehicle.
(1260)
1255. The transportation system of clause 1255, wherein said second separate portion of said hybrid neural net predicts the geographic position of a plurality of vehicles within a geographic region of said vehicle.
(1261)
1255. The transportation system of clause 1255, wherein the at least one parameter of the charging plan includes allocation of vehicles to at least a portion of the charging infrastructure within the predicted geographic region.
(1262)
The at least one charging plan parameter includes vehicle routing, allocated charging or fuel amount, length of time for charging, value of charging, market price, bid for charging, and available supply capacity. (1255) The transport system of paragraph (1255), comprising at least one of:
(1263)
1255. The transportation system of clause 1255, wherein said input associated with said vehicle's charging system is determined from a battery state of charge of a portion of a plurality of vehicles.
(1264)
The inputs include inputs related to states of charge of a plurality of vehicles within a geographic area, and the artificial intelligence system optimizes the at least one parameter based on a prediction of geographic locations of the plurality of vehicles. The transport system according to item (1255), characterized in that:
(1265)
A decentralized transportation system,
an artificial intelligence system that obtains input regarding a plurality of vehicles and determines at least one parameter of recharging and planning for at least one vehicle of the plurality of vehicles based on the input;
a cloud-based system remote from the vehicle;
a local system located in at least one of the plurality of vehicles;
A decentralized transportation system, wherein said cloud-based system collects inputs regarding vehicles from said local systems, and said artificial intelligence system communicates said inputs with at least said cloud-based system.
(1266)
1265. The distributed transportation system of clause 1265, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1267)
1266. The distributed transportation system of clause 1266, wherein the vehicles are at least semi-autonomous vehicles.
(1268)
1267. The distributed transportation system of clause 1267, wherein the vehicles are automatically routed.
(1269)
1268. The distributed transportation system of clause 1268, wherein the vehicle is a self-driving vehicle.
(1270)
A decentralized transportation system,
Obtaining input regarding a plurality of vehicle charging infrastructures and determining at least one parameter of a charging infrastructure operational plan for at least one vehicle charging infrastructure of the plurality of vehicle charging infrastructures based on the input. an artificial intelligence system that
a cloud-based system remote from the vehicle charging infrastructure;
a local system located in at least one of the plurality of vehicle charging infrastructures;
A decentralized transportation system, wherein said cloud-based system collects inputs regarding vehicle charging infrastructure from said local systems, and said artificial intelligence system communicates said inputs with at least said cloud-based system.
(1271)
1270. The distributed transportation system of clause 1270, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1272)
1271. The distributed transportation system of clause 1271, wherein the vehicle is at least a semi-autonomous vehicle.
(1273)
1272. The distributed transportation system of clause 1272, wherein the vehicles are automatically routed.
(1274)
1273. The distributed transportation system of clause 1273, wherein the vehicle is an autonomous vehicle.
(1275)
1270. Distributed transportation according to clause 1270, wherein the cloud-based system provides a charging infrastructure operational plan for near future charging needs of a plurality of rechargeable vehicles based on at least one parameter. system.
(1276)
1270. The distributed transportation system of Clause 1270, wherein said charging infrastructure includes at least one of a fueling station and a charging station.
(1277)
1270. The distributed transportation system of clause 1270, wherein said cloud-based system predicts geographic locations of a plurality of rechargeable vehicles within at least one geographic region of said plurality of vehicle charging infrastructures. .
(1278)
wherein the at least one charging infrastructure operational plan parameter includes allocation of vehicles to at least a portion of the charging infrastructure within a geographic region of the at least one charging infrastructure of the plurality of charging infrastructures. (1270) The distributed transportation system of paragraph (1270), characterized in that:
(1279)
The at least one charging infrastructure operational plan parameter is at least one of vehicle routing, allocated charging or fuel amount, charging time, charging value, market price, charging bid, and available supply capacity. The distributed transport system of paragraph (1270), comprising:
(1280)
A transportation system,
a robotic process automation system wherein a set of data is obtained for each user in the set of users as each user interacts with the vehicle's user interface;
A transportation system, wherein an artificial intelligence system is trained using said set of data to interact with said vehicle and automatically undertake actions with said vehicle on behalf of said user.
(1281)
A method of robotic process automation that facilitates mimicking operation of a vehicle by a human operator, comprising:
tracking human interaction with the vehicle control facilitating interface;
recording the tracked human interactions in a training data structure of a robotic process automation system;
tracking vehicle operating state information of the vehicle, wherein the vehicle is controlled via the vehicle control facilitate interface;
recording the vehicle operating state information in a training data structure of the robotic process automation system; and
Using at least one neural network to operate the vehicle in a manner consistent with the human interaction based on the human interaction and the vehicle operating state information in a training data structure of the robotic process automation system. training an artificial intelligence system to
(1282)
1281. The method of Clause 1281, further comprising controlling at least one aspect of the vehicle with the trained artificial intelligence system.
(1283)
applying deep learning to controlling said at least one aspect of said vehicle with variations structured in controlling said at least one aspect of said vehicle to mimic said human interaction; and processing feedback from controlling said at least one aspect of said vehicle with machine learning.
(1284)
1282. The method of clause 1282, wherein controlling the at least one aspect of the vehicle is performed through the vehicle control facilitating interface.
(1285)
1282. The method of clause 1282, wherein controlling said at least one aspect of said vehicle is performed by said artificial intelligence system emulating said control facilitating interface operated by said human.
(1286)
1281, the vehicle control facilitating interface includes at least one of an audio capture system that captures the human voice representation, a human-machine interface, a mechanical interface, an optical interface, and a sensor-based interface. The method described in the section.
(1287)
1281, tracking the vehicle operating state information includes tracking at least one of a set of vehicle systems and a set of vehicle operating processes affected by the human interaction. The method described in the section.
(1288)
Tracking the vehicle operating state information includes tracking at least one vehicle system element, the at least one vehicle system element controlled via the vehicle control facilitating interface, and the at least one vehicle system element 1281. The method of paragraph (1281), wherein an element is affected by said human interaction.
(1289)
1281. The method of paragraph 1281, wherein tracking the vehicle operating state information includes tracking the vehicle operating state information before, during, and after the human interaction.
(1290)
Tracking the vehicle operating state information includes tracking at least one of a plurality of vehicle control system outputs resulting from the human interaction and vehicle operating results achieved in response to the human interaction. The method of paragraph (1281), characterized by comprising:
(1291)
1282. The method of clause 1282, wherein the vehicle is controlled to achieve results consistent with results achieved through the human interaction.
(1292)
further comprising using a plurality of vehicle-mounted sensors to track and record conditions in the vicinity of the vehicle, wherein the training of the artificial intelligence system is performed on the tracked vehicle contemporaneously with the human interaction; 1282. The method of paragraph (1282) further dependent on surrounding circumstances.
(1293)
The training is further responsive to a plurality of data feeds from remote sensors, wherein the plurality of data feeds includes data collected by the remote sensors contemporaneously with the human interaction. (1292) The method described in item.
(1294)
1282. The method of clause 1282, wherein the artificial intelligence system employs a workflow with decision making and the robotic process automation system facilitates automation of the decision making.
(1295)
1282. The method of clause 1282, wherein the artificial intelligence system employs a workflow that includes remote control of the vehicle, and wherein the robotic process automation system facilitates automation of remote control of the vehicle.
(1296)
A transportation system for mimicking human operation of a vehicle, comprising:
a robotic process automation system, the robotic process automation system comprising:
an operator data acquisition module that captures human operator interactions with the vehicle control system interface;
a vehicle data collection module that captures at least contemporaneously vehicle responses and operating conditions associated with said human operator interaction;
an environmental data collection module that captures instances of environmental information associated with said human operator interaction at least contemporaneously;
in response to the robotic process automation system detecting data indicative of at least one of the plurality of instances of environmental information associated with the contemporaneously captured response and operating conditions of the vehicle. , an artificial intelligence system that learns to mimic the human operator to control the vehicle.
(1297)
Clause 1296, wherein the operator data collection module captures patterns of data including braking patterns, following distance, curve approach acceleration patterns, lane preferences, and overtaking preferences. transport system.
(1298)
The vehicle data collection module is characterized in that it captures data from multiple vehicle data systems that provide data streams indicative of states and changes in state of steering, braking, acceleration, forward looking images, and rear looking images. (1296).
(1299)
1296. The transportation system of clause 1296, wherein the artificial intelligence system includes a neural network for training the artificial intelligence system.
(1300)
A method of robotic process automation that mimics human operation of a vehicle, comprising:
capturing human operator interactions with the vehicle control system interface;
Capturing at least contemporaneously vehicle responses and operating conditions associated with said human operator interaction;
capturing instances of environmental information associated with the human operator's interaction at least contemporaneously;
in response to the environmental data collection module detecting data indicative of at least one of the instances of the plurality of environmental information associated with the contemporaneously captured responses and operating conditions of the vehicle; training an artificial intelligence system to mimic a human operator to control the vehicle.
(1301)
applying deep learning in said artificial intelligence system to affect control of said at least one aspect of said vehicle by structured variation in control of said at least one aspect of said vehicle to mimic said human interaction. and processing feedback from control of said at least one aspect of said vehicle with machine learning (1300). The method described in the section.
(1302)
1300. The method of clause 1300, wherein a robotic process automation system facilitates automation of decision-making workflows employed by said artificial intelligence system.
(1303)
1300. The method of clause 1300, wherein a robotic process automation system facilitates automation of a remote operation workflow employed by said artificial intelligence system to remotely operate said vehicle.
(1304)
A transportation system,
including an artificial intelligence system that automatically randomizes parameters of the in-vehicle experience to improve the user's condition;
A transport system, wherein the user's condition benefits from parameter variations.
(1305)
A transportation system,
a vehicle interface for collecting physiological sensory data of a rider in the vehicle;
trained based on a set of outcomes associated with the rider's in-vehicle experience and responsive to sensed rider physiological data to achieve at least one desired outcome in the set of outcomes; Artificial intelligence-based circuitry for inducing variation in a plurality of user experience parameters, wherein inducing variation includes said artificial intelligence-based circuitry including control of timing and extent of said variation. transportation system.
(1306)
1305. The transportation system of clause 1305, wherein the induced variation comprises random variation.
(1307)
1305. The transportation system of clause 1305, wherein the induced variations include variations according to a predetermined pattern.
(1308)
1307. The delivery system of paragraph 1307, wherein said predetermined pattern is prescribed according to a regimen.
(1309)
1308. The delivery system of Clause 1308, wherein said regimen is developed to provide at least one of physical therapy, chiropractic, and other medical health benefits.
(1310)
1305. The transportation system of clause 1305, wherein the one or more user experience parameters affect at least one of seat position, temperature, humidity, cabin air source, or audio output.
(1311)
1305. The transportation system of clause 1305, wherein the vehicle interface includes at least one wearable sensor positioned to be worn by the rider.
(1312)
1305. The transportation system of clause 1305, wherein the vehicle interface includes a vision system arranged to capture and analyze images from multiple viewpoints of the rider.
(1313)
1305. The transportation system of clause 1305, wherein said variation in said one or more user experience parameters includes variation in control of said vehicle.
(1314)
1313. The transportation system of clause 1313, wherein varying control of the vehicle includes configuring the vehicle for aggressive driving performance.
(1315)
1313. The transportation system of clause 1313, wherein varying control of the vehicle includes configuring the vehicle for non-aggressive driving performance.
(1316)
The variation is responsive to the physiological sensory data, including a representation of the rider's hormone levels, and the artificial intelligence-based circuitry is configured to adjust the one to promote a hormonal state that promotes rider safety. 1305. The transportation system of clause 1305, wherein one or more user experience parameters are varied.
(1317)
A transportation system,
A transportation system comprising a system for detecting indicators of a user's hormonal system levels and automatically altering a user's experience within the vehicle to promote hormonal status that promotes safety.
(1318)
A transportation system,
a vehicle interface for collecting hormone status data of a rider in the vehicle;
trained on a set of outcomes associated with a rider's in-vehicle experience and responsive to sensed rider hormone status data to achieve at least one desired outcome within the set of outcomes. An artificial intelligence-based circuit for inducing variations in user experience parameters, wherein the series of results includes at least one outcome that promotes rider safety, and wherein inducing the variations includes timing of the variations and and said artificial intelligence-based circuitry including range control.
(1319)
1318. The transportation system of clause 1318, wherein said variation of said one or more user experience parameters is controlled by said artificial intelligence system to promote a desired hormonal state of said rider.
(1320)
1319. The transportation system of Clause 1319, wherein said desired hormonal status of said rider promotes safety.
(1321)
1318. The transportation system of clause 1318, wherein the at least one desired outcome in the set of outcomes is at least one outcome that promotes rider safety.
(1322)
1318. The transportation system of clause 1318, wherein said varying said one or more user experience parameters comprises varying at least one of food and beverages provided to said rider.
(1323)
1318. The transportation system of clause 1318, wherein the one or more user experience parameters affect at least one of seat position, temperature, humidity, cabin air source, or audio output.
(1324)
1318. The transportation system of clause 1318, wherein the vehicle interface includes at least one wearable sensor positioned to be worn by the rider.
(1325)
1318. The transportation system of clause 1318, wherein the vehicle interface includes a vision system arranged to capture and analyze images from multiple perspectives of the rider.
(1326)
1318. The transportation system of clause 1318, wherein said variation in said one or more user experience parameters includes variation in control of a vehicle.
(1327)
1326. The transportation system of clause 1326, wherein said varying control of said vehicle includes configuring said vehicle for positive driving performance.
(1328)
1326. The transportation system of clause 1326, wherein said varying control of said vehicle includes configuring the vehicle for non-aggressive driving performance.
(1329)
A transportation system,
A transportation system comprising a system for optimizing at least one of vehicle parameters and user experience parameters to provide a margin of safety.
(1330)
A transport system for optimizing margins of safety in simulating human operation of a vehicle, comprising:
a set of robotic process automation systems, the set of robotic process automation systems comprising:
an operator data acquisition module that captures human operator interactions with the vehicle control system interface;
a vehicle data collection module that captures vehicle responses and operating conditions associated with the human operator interaction at least contemporaneously;
an environmental data collection module that captures instances of environmental information associated with said human operator interaction at least contemporaneously;
an artificial intelligence system that learns to control the vehicle with an optimized margin of safety while mimicking the human operator;
The artificial intelligence system is responsive to the robotic process automation system, wherein the artificial intelligence system receives at least one of a plurality of instances of the environmental information related to vehicle responses and operating conditions captured contemporaneously. It detects data indicating
The optimized margin of safety controls the vehicle based on a set of human operator interaction data gathered from interactions of a set of trained human vehicle operators with the vehicle control system interface. A transportation system, characterized in that it is achieved by training said artificial intelligence system to do so.
(1331)
1330. The transportation system of clause 1330, wherein the operator data collection module captures patterns of data including braking patterns, following distance, curve approach acceleration patterns, lane preferences, or overtaking preferences. .
(1332)
The vehicle data collection module is characterized in that it captures data from multiple vehicle data systems that provide data streams indicative of conditions and changes in conditions in steering, braking, acceleration, forward looking images, or rear looking images. (1330).
(1333)
1330. The transportation system of clause 1330, wherein the artificial intelligence system includes a neural network for training the artificial intelligence system.
(1334)
A method of robotic process automation for achieving an optimized margin of vehicle operational safety, comprising:
tracking the interaction of a skilled vehicle control human with the vehicle control facilitating interface;
recording said tracked interactions of a skilled vehicle control human in a training data structure of a robotic process automation system;
tracking vehicle operating state information for the vehicle;
recording the vehicle operating state information in a training data structure of the robotic process automation system;
Based on the skilled vehicle control human interaction and the vehicle operating state information in a training data structure of the robotic process automation system, a vehicle is operated in a manner consistent with the skilled vehicle control human interaction. training the vehicle via at least one neural network to operate with an optimized margin of safety; and
using the trained artificial intelligence system to control at least one aspect of the vehicle.
(1335)
by controlling said at least one aspect of said vehicle through structured variation in controlling said at least one aspect of said vehicle to mimic the interaction of a human performing said skilled vehicle control; applying deep learning to optimize the margin of vehicle operational safety; and processing feedback from controlling the at least one aspect of the vehicle with machine learning. The method of paragraph (1334) characterized by:
(1336)
1334. The method of clause 1334, wherein controlling the at least one aspect of the vehicle is performed through the vehicle control facilitating interface.
(1337)
Controlling the at least one aspect of the vehicle is characterized by being performed by the artificial intelligence system emulating the control facilitating interface operated by a human performing the skilled vehicle control (1334). ) The method described in the section.
(1338)
The vehicle control facilitating interface includes at least one of an audio capture system that captures an audible representation of a human performing the skilled vehicle control, a human machine interface, a mechanical interface, an optical interface, and a sensor-based interface. The method according to item (1334), characterized by:
(1339)
tracking vehicle operating state information includes tracking at least one of vehicle systems and vehicle operating processes affected by human interaction performing the skilled vehicle control ( 1334) method described in item.
(1340)
Tracking the vehicle operating state information includes tracking at least one vehicle system element, the at least one vehicle system element controlled via the vehicle control facilitating interface, and the at least one vehicle system element 1334. The method of clause 1334, wherein elements are influenced by human interaction performing said skilled vehicle control.
(1341)
(1334), wherein tracking the vehicle operating state information includes tracking the vehicle operating state information before, during, and after interaction of the skilled vehicle controlling human; the method of.
(1342)
Tracking the vehicle operating state information comprises a plurality of vehicle control system outputs resulting from the interaction of the skilled vehicle control human and a vehicle achieved in response to the interaction of the skilled vehicle control human. 1334. The method of paragraph 1334, including tracking at least one of the results of the operation.
(1343)
1334. The method of clause 1334, further comprising controlling the vehicle to achieve results consistent with those achieved through human interaction performing the skilled vehicle control.
(1344)
further comprising using a plurality of vehicle-mounted sensors to track and record conditions in the vicinity of the vehicle, and training the artificial intelligence system concurrently with human interaction to perform the skilled vehicle control 1334. The method of clause 1334, further responsive to conditions in the vicinity of the tracked vehicle.
(1345)
The training is further responsive to a plurality of data feeds from remote sensors, the plurality of data feeds collected by the remote sensors contemporaneously with the skilled vehicle control human interaction. (1334).
(1346)
A method of mimicking human operation of a vehicle by robotic process automation, comprising:
capturing human operator interactions with a vehicle control system interface operably connected to the vehicle;
Capturing vehicle responses and operating conditions associated at least contemporaneously with said human operator interaction;
capturing environmental information associated at least contemporaneously with the human operator interaction; and
training an artificial intelligence system to control the vehicle with an optimized margin of safety while imitating the human operator, wherein the artificial intelligence system controls the vehicles collected at the same time; taking input from an environmental data collection module regarding instances of said environmental information related to response and operating conditions of a human operator, wherein said optimized safety margin is gleaned from interaction of a trained human vehicle operator; training the artificial intelligence system to control the vehicle based on a set of interaction data and a set of outcome data from a set of vehicle safety events. A method characterized.
(1347)
Applying deep learning of the artificial intelligence system to the vehicle through structured variation in controlling at least one aspect of the vehicle to mimic the interaction of a skilled vehicle controller. Optimizing margins of vehicle operational safety by influencing controlling at least one aspect and processing feedback from controlling said at least one aspect of said vehicle with machine learning. (1346), further comprising:
(1348)
1346. The method of clause 1346, wherein the artificial intelligence system employs a workflow with decision making and a robotic process automation system facilitates automation of the decision making.
(1349)
1346. The method of clause 1346, wherein the artificial intelligence system employs a workflow that includes remote control of the vehicle, and a robotic process automation system facilitates automation of remote control of the vehicle.
(1350)
A transportation system,
A set of expert systems to provide respective outputs for managing a set of parameters selected from the group consisting of a set of vehicle parameters, a set of fleet parameters, a set of user experience parameters, and combinations thereof. A transport system comprising an interface for setting.
(1351)
A system for configuration management of components of a transportation system, comprising:
an interface, the interface comprising:
a first portion of said interface for configuring a first expert computing system for managing a set of vehicle parameters;
a second portion of said interface for configuring a second expert computing system for managing a set of vehicle fleet parameters;
and a third portion of said interface for configuring a third expert computing system for managing a set of user experience parameters.
(1352)
The interface is a graphical user interface, and when manipulated with the interface, the set of visual elements presented in the graphical user interface is one of the first, second, and third expert systems. 1351. The system for configuration management of paragraph 1351, causing at least one of the above selection and setting.
(1353)
1351. The system for configuration management of clause 1351, wherein the interface is an application programming interface.
(1354)
1351. For configuration management according to clause 1351, wherein the interface is an interface to a cloud-based computing platform on which one or more transportation-centric services, programs, and modules are configured. system.
(1355)
A transportation system,
An interface for configuring a set of expert systems to provide outputs for said transportation system to manage transportation-related parameters, said parameters being a set of vehicles, a fleet of vehicles, and a user of a transportation system. the interface facilitating manipulation of at least one of the experiences;
a plurality of visual elements representing attributes and parameters of the set of expert systems configurable by the interface and a plurality of the transportation systems, the interface facilitating manipulation of the visual elements to and said plurality of visual elements configured to trigger setting of a set of expert systems.
(1356)
1355. The transport system of clause 1355, wherein the plurality of transport systems comprises a set of vehicles.
(1357)
1355. The transportation system of clause 1355, wherein said plurality of transportation systems includes a set of infrastructure elements supporting a set of vehicles.
(1358)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes vehicle fueling elements.
(1359)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes vehicle charging elements.
(1360)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes traffic control lights.
(1361)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes toll booths.
(1362)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes a railroad system.
(1363)
1357. The transportation system of Clause 1357, wherein said set of infrastructure elements includes an automated parking facility.
(1364)
1357. The transportation system of paragraph 1357, wherein the set of infrastructure elements includes vehicle monitoring sensors.
(1365)
1355. The transportation system of clause 1355, wherein the visual element displays a plurality of models that can be selected for use with the set of expert systems.
(1366)
1355. The transportation system of clause 1355, wherein the visual element displays a plurality of neural network categories that can be selected for use with the set of expert systems.
(1367)
1366. The transportation system of clause 1366, wherein at least one of said plurality of neural network categories includes convolutional neural networks.
(1368)
1355. The transportation system of clause 1355, wherein the visual element includes one or more indicators of suitability for a given purpose of the item represented by the plurality of visual elements.
(1369)
1355. The transport system of clause 1355, wherein configuring a plurality of expert systems includes facilitating selection of input sources for use by at least a portion of said plurality of expert systems.
(1370)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more output types, targets, durations, and objectives for at least some of the plurality of expert systems.
(1371)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more weights within a model or artificial intelligence system for at least some of the plurality of expert systems.
(1372)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more sets of nodes or interconnections within a model for at least a portion of the plurality of expert systems.
(1373)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of a graph structure for at least a portion of the plurality of expert systems.
(1374)
1355. The transport system of clause 1355, wherein the interface facilitates selection of neural networks for at least a portion of the plurality of expert systems.
(1375)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more time periods of input, output, or operation for at least some of the plurality of expert systems.
(1376)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more operating frequencies for at least some of the plurality of expert systems.
(1377)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of frequency of calculations for at least some of the plurality of expert systems.
(1378)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more rules to apply to the plurality of parameters for at least a portion of the plurality of expert systems.
(1379)
The interface is characterized by facilitating selection of one or more rules to act on any of the inputs or the provided outputs for at least a portion of the plurality of expert systems. (1355) The transport system described in paragraph.
(1380)
1355. The transportation system of clause 1355, wherein the plurality of parameters includes one or more infrastructure parameters selected from the group consisting of storage parameters, network utilization parameters, processing parameters, and processing platform parameters. .
(1381)
The interface selects a class of artificial intelligence computing system, selects a source of input to the selected artificial intelligence computing system, selects computing power of the selected artificial intelligence computing system, and selects the computing power of the selected artificial intelligence computing system. 1356. The transport system of Clause 1355, facilitating selection of a processor for running the system and selection of a purpose for the results of running the artificial intelligence computing system.
(1382)
1355. The transportation system of clause 1355, wherein the interface facilitates selection of one or more modes of operation of at least one of the vehicles in the transportation system.
(1383)
1355. The transportation system of clause 1355, wherein the interface facilitates selecting a degree of specificity for output generated by at least one of the plurality of expert systems.
(1384)
A transport system,
at least one setting for the expert system comprising an expert system for setting recommendations for vehicle configurations, the recommendations controlling parameters selected from the group consisting of vehicle parameters, user experience parameters, and combinations thereof. A transportation system characterized by including one parameter.
(1385)
A recommendation system for recommending a configuration of a vehicle, comprising:
A recommendation system, wherein the recommendation system includes an expert system that generates parameter recommendations for configuring a vehicle control system that controls at least one of a vehicle parameter and a vehicle rider experience parameter.
(1386)
(1385) The recommendation system of paragraph (1385), wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1387)
1386. The recommendation system of paragraph 1386, wherein the vehicle is an at least semi-autonomous vehicle.
(1388)
1387. The recommendation system of paragraph 1387, wherein the vehicles are automatically routed.
(1389)
1388. The recommendation system of paragraph 1388, wherein the vehicle is an autonomous vehicle.
(1390)
1385. The recommendation system of paragraph 1385, wherein the expert system is a neural network system.
(1391)
1385. The recommendation system of clause 1385, wherein the expert system is a deep learning system.
(1392)
1385. The recommendation system of clause 1385, wherein the expert system is a machine learning system.
(1393)
1385. The recommendation system of paragraph 1385, wherein the expert system is a model-based system.
(1394)
1385. The recommendation system of paragraph 1385, wherein the expert system is a rule-based system.
(1395)
1385. The recommendation system of paragraph 1385, wherein the expert system is a random walk-based system.
(1396)
1385. The recommendation system of paragraph 1385, wherein the expert system is a genetic algorithm system.
(1397)
1385. The recommendation system of paragraph 1385, wherein the expert system is a convolutional neural network system.
(1398)
1385. The recommendation system of paragraph 1385, wherein the expert system is a self-organizing system.
(1399)
1385. The recommendation system of paragraph 1385, wherein the expert system is a pattern recognition system.
(1400)
1385. The recommendation system of paragraph 1385, wherein the expert system is a hybrid artificial intelligence based system.
(1401)
1385. The recommendation system of paragraph 1385, wherein the expert system is an acrylic graph-based system.
(1402)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on satisfaction of multiple riders of vehicles in the transit system.
(1403)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on a rider's entertainment satisfaction.
(1404)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on rider safety satisfaction.
(1405)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on rider comfort satisfaction.
(1406)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on a rider's in-vehicle search satisfaction.
(1407)
1385. The recommendation system of clause 1385, wherein at least one said rider experience parameter is a parameter of traffic congestion.
(1408)
1385. The recommender system of clause 1385, wherein at least one said rider experience parameter is a desired arrival time parameter.
(1409)
1385. The recommender system of clause 1385, wherein at least one said rider experience parameter is a preferred route parameter.
(1410)
1385. The recommendation system of clause 1385, wherein at least one said rider experience parameter is a parameter of fuel efficiency.
(1411)
1385. The recommendation system of clause 1385, wherein at least one of said rider experience parameters is a parameter of pollution reduction.
(1412)
1385. The recommendation system of paragraph 1385, wherein at least one of said rider experience parameters is a parameter of accident avoidance.
(1413)
1385. The recommendation system of clause 1385, wherein at least one of said rider experience parameters is a parameter of avoiding severe weather.
(1414)
1385. The recommendation system of paragraph 1385, wherein at least one said rider experience parameter is a parameter for avoiding bad road conditions.
(1415)
1385. The recommendation system of paragraph 1385, wherein at least one said rider experience parameter is a fuel consumption reduction parameter.
(1416)
1385. The recommendation system of clause 1385, wherein at least one of said rider experience parameters is a carbon footprint reduction parameter.
(1417)
1385. The recommendation system of clause 1385, wherein at least one said rider experience parameter is a local noise reduction parameter.
(1418)
1385. The recommendation system of clause 1385, wherein at least one of said rider experience parameters is a parameter of avoidance of high crime areas.
(1419)
1385. The recommender system of clause 1385, wherein at least one said rider experience parameter is a collective satisfaction parameter.
(1420)
1385. The recommendation system of clause 1385, wherein at least one said rider experience parameter is a maximum speed limit parameter.
(1421)
1385. The recommendation system of paragraph 1385, wherein at least one of said rider experience parameters is a toll road avoidance parameter.
(1422)
(1385) The recommendation system of paragraph (1385), wherein at least one said rider experience parameter is an urban road avoidance parameter.
(1423)
1385. The recommendation system of paragraph 1385, wherein at least one said rider experience parameter is a parameter of undivided highway avoidance.
(1424)
1385. The recommender system of clause 1385, wherein at least one said rider experience parameter is a left turn avoidance parameter.
(1425)
1385. The recommendation system of paragraph 1385, wherein at least one of said rider experience parameters is a parameter of avoidance of a driver-controlled vehicle.
(1426)
1385. The recommendation system of paragraph 1385, wherein the at least one vehicle parameter is a fuel consumption parameter.
(1427)
1385. The recommendation system of paragraph 1385, wherein at least one of said vehicle parameters is a parameter of carbon dioxide emissions.
(1428)
1385. The recommendation system of paragraph 1385, wherein at least one of said vehicle parameters is a parameter of vehicle speed.
(1429)
1385. The recommendation system of paragraph 1385, wherein at least one of said vehicle parameters is a parameter of vehicle acceleration.
(1430)
1385. The recommendation system of paragraph 1385, wherein at least one of said vehicle parameters is a travel time parameter.
(1431)
1385. The recommendation system of clause 1385, wherein said expert system generates recommendations based on at least one of said rider's user behavior and rider interaction with said vehicle's content access interface. .
(1432)
1385. The recommendation system of clause 1385, wherein the expert system generates recommendations based on similarities between the rider's profile and profiles of other riders.
(1433)
Collaborative filtering determined by the expert system taking input that facilitates querying the rider and classifying the rider's response thereto on a scale of response classes from favorable to unfavorable. (1385), wherein the recommendation system generates recommendations based on the results of .
(1434)
The expert system is based on the rider-related content including at least one selected from the group consisting of trip classification, time of day, road classification, duration of trip, configured route, and number of riders. (1385).
(1435)
A transportation system,
A transportation system comprising a search system for providing network search results to a searcher within the vehicle.
(1436)
An in-vehicle network search system for a vehicle,
a rider interface that enables a rider of the vehicle to engage with the search system;
search result generation circuitry that prioritizes search results based on a set of on-board search criteria obtained from multiple previous on-board searches;
a search result display order determining circuit that ranks the prioritized search results based on relevance between the location information of the search results and the set route of the vehicle.
(1437)
1436. The retrieval system of clause 1436, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1438)
1437. The search system of paragraph 1437, wherein the vehicle is an at least semi-autonomous vehicle.
(1439)
1438. The search system of paragraph 1438, wherein the vehicle is automatically routed.
(1440)
1439. The search system of paragraph 1439, wherein the vehicle is an autonomous vehicle.
(1441)
1436. The search system of clause 1436, wherein the rider interface includes at least one of a touch screen, a virtual assistant, an entertainment system interface, a communication interface, and a navigation interface.
(1442)
Item (1436), wherein the prioritized search results are ranked by the search result display ranking circuit so that results proximate to the set route are displayed before other results. Search system as described.
(1443)
1436. The search system of clause 1436, wherein the in-vehicle search criteria are based on ranking parameters of a set of in-vehicle searches.
(1444)
1436. The search system of clause 1436, wherein the ranking parameter is observed only in relation to the set of in-vehicle searches.
(1445)
1436. The search system of paragraph 1436, wherein the search system adapts the search result generation circuitry to prioritize search results correlated with in-vehicle activity.
(1446)
1445. The search system of paragraph 1445, wherein the search results correlated with in-vehicle behavior are determined by comparing rider behavior before and after conducting the search.
(1447)
further comprising a machine learning circuit that facilitates training the search result generation circuit from a set of search results for multiple searchers and a set of search result generation parameters based on an in-vehicle rider behavior model. (1436).
(1448)
An in-vehicle network search system for a vehicle,
a rider interface that enables a rider of the vehicle to engage with the search system;
search result generation circuitry for changing search results based on detecting whether the vehicle is in an autonomous or autonomous mode or is being driven by an active driver;
a search result display order determining circuit that ranks the search results based on relevance between the position information of the search results and the set route of the vehicle.
(1449)
1448. The search system of paragraph 1448, wherein the search results differ depending on whether the user is a driver of the vehicle or a passenger of the vehicle.
(1450)
1448. The retrieval system of paragraph 1448, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1451)
1450. The search system of paragraph 1450, wherein said vehicle is at least a semi-autonomous vehicle.
(1452)
1451. The search system of paragraph 1451, wherein the vehicle is automatically routed.
(1453)
1452. The search system of paragraph 1452, wherein the vehicle is an autonomous vehicle.
(1454)
1448. The search system of clause 1448, wherein the rider interface includes at least one of a touch screen, a virtual assistant, an entertainment system interface, a communications interface, and a navigation interface.
(1455)
(1448), wherein the search results are ranked by the search result display ranking determination circuit such that results close to the set route are displayed before other results; search system.
(1456)
1448. The search system of clause 1448, wherein the search criteria used by the search result generator circuit are based on ranking parameters of a set of in-vehicle searches.
(1457)
1456. The search system of clause 1456, wherein the ranking parameter is observed only in relation to the set of in-vehicle searches.
(1458)
1448. The search system of paragraph 1448, wherein the search system adapts the search result generation circuitry to prioritize search results correlated to in-vehicle activity.
(1459)
1458. The search system of clause 1458, wherein the search results correlated with in-vehicle behavior are determined by comparing rider behavior before and after conducting the search.
(1460)
further comprising a machine learning circuit that facilitates training the search result generation circuit from a set of search results for multiple searchers and a set of search result generation parameters based on an in-vehicle rider behavior model. (1448).
(1461)
An in-vehicle network search system for a vehicle,
a rider interface that enables a rider of the vehicle to engage with the search system;
a search result generation circuit that changes search results depending on whether the user is a driver of the vehicle or a passenger of the vehicle;
a search result display order determining circuit that ranks the search results based on relevance between the position information of the search results and the set route of the vehicle.
(1462)
1461. The retrieval system of clause 1461, wherein the vehicle includes a system for automating at least one control parameter of the vehicle.
(1463)
1462. The search system of paragraph 1462, wherein the vehicle is an at least semi-autonomous vehicle.
(1464)
1463. The search system of paragraph 1463, wherein the vehicle is automatically routed.
(1465)
1464. The search system of paragraph 1464, wherein the vehicle is a self-driving vehicle.
(1466)
1461. The search system of clause 1461, wherein the rider interface includes at least one of a touch screen, a virtual assistant, an entertainment system interface, a communications interface, and a navigation interface.
(1467)
Item (1461), characterized in that the search results are ranked by the search result display order determination circuit so that results close to the set route are displayed before other results. search system.
(1468)
1461. The search system of clause 1461, wherein the search criteria used by the search result generator circuit are based on ranking parameters of a set of in-vehicle searches.
(1469)
1461. The search system of clause 1461, wherein the ranking parameter is observed only in relation to the set of in-vehicle searches.
(1470)
1461. The search system of paragraph 1461, wherein the search system adapts the search result generation circuitry to prioritize search results correlated with in-vehicle activity.
(1471)
1470. The search system of paragraph 1470, wherein the search results correlated with in-vehicle behavior are determined by comparing rider behavior before and after performing the search.
(1472)
further comprising a machine learning circuit that facilitates training the search result generation circuit from a set of search results for multiple searchers and a set of search result generation parameters based on an in-vehicle rider behavior model. (1461).

Claims (7)

乗り手の満足度のためのハイブリッドニューラルネットワークであって、
乗り手の生理学的状態を収集するために車両に搭載されたセンサから収集されたデータを分析して、車両を利用している前記乗り手の検出された感情状態を検出する第１ニューラルネットワークと、
前記乗り手の好ましい感情状態を達成するために、前記乗り手の前記検出された感情状態に応じて、前記車両の動作パラメータを最適化する第２ニューラルネットワークと、を含むことを特徴とするハイブリッドニューラルネットワーク。 A hybrid neural network for rider satisfaction, comprising:
a first neural network that analyzes data collected from sensors onboard the vehicle to collect a physiological state of the rider to detect a detected emotional state of the rider utilizing the vehicle;
a second neural network for optimizing operating parameters of the vehicle in response to the detected emotional state of the rider to achieve a preferred emotional state of the rider. . 前記第１ニューラルネットワークがリカレントニューラルネットワークであり、前記第２ニューラルネットワークが放射基底関数ニューラルネットワークであることを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 2. The hybrid neural network of claim 1 , wherein said first neural network is a recurrent neural network and said second neural network is a radial basis function neural network. 前記ハイブリッドニューラルネットワークにおける少なくとも１つのニューラルネットワークが、畳み込みニューラルネットワークであることを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 2. The hybrid neural network of claim 1 , wherein at least one neural network in said hybrid neural network is a convolutional neural network. 前記第２ニューラルネットワークは、車両動作状態と前記乗り手の乗り手感情状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 2. The hybrid neural network of claim 1 , wherein said second neural network optimizes said operating parameters based on correlations between vehicle operating conditions and rider emotional states of said rider. 前記第２ニューラルネットワークは、前記第１ニューラルネットワークによる前記乗り手の前記検出された感情状態の検出に応じて、リアルタイムで前記動作パラメータを最適化することを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 2. The hybrid neural network of claim 1 , wherein said second neural network optimizes said operating parameters in real time in response to detection of said detected emotional state of said rider by said first neural network. . 前記第１ニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１ニューラルネットワークは、前記接続されたノード間のデータの双方向の流れを更に促進することを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 said first neural network comprising a plurality of connected nodes forming a directed cycle, said first neural network further facilitating bi-directional flow of data between said connected nodes; 2. The hybrid neural network of claim 1 . 最適化される前記動作パラメータは、前記車両のルート、車載オーディオコンテンツ、前記車両の速度、前記車両の加速、前記車両の減速、前記ルート沿いの物体への近接性、及び前記ルート沿いの他の車両への近接性のうち、少なくとも１つに影響を与えることを特徴とする請求項１記載のハイブリッドニューラルネットワーク。 The operating parameters that are optimized include the route of the vehicle, in-vehicle audio content, speed of the vehicle, acceleration of the vehicle, deceleration of the vehicle, proximity to objects along the route, and other parameters along the route. 2. The hybrid neural network of claim 1 , wherein at least one of proximity to a vehicle is affected.
JP2021542074A 2018-09-30 2019-09-30 Highly functional transportation system Active JP7465484B2 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862739335P 2018-09-30 2018-09-30
US62/739,335 2018-09-30
PCT/US2019/053857 WO2020069517A2 (en) 2018-09-30 2019-09-30 Intelligent transportation systems

Publications (3)

Publication Number Publication Date
JP2021533037A JP2021533037A (en) 2021-12-02
JPWO2020069517A5 true JPWO2020069517A5 (en) 2022-10-07
JP7465484B2 JP7465484B2 (en) 2024-04-11

Family

ID=69953381

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021542074A Active JP7465484B2 (en) 2018-09-30 2019-09-30 Highly functional transportation system

Country Status (5)

Country Link
US (48) US11333514B2 (en)
EP (1) EP3856596A4 (en)
JP (1) JP7465484B2 (en)
CA (1) CA3143234A1 (en)
WO (1) WO2020069517A2 (en)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10288439B2 (en) * 2017-02-22 2019-05-14 Robert D. Pedersen Systems and methods using artificial intelligence for routing electric vehicles
US20200215930A1 (en) * 2017-08-10 2020-07-09 Sumitomo Electric Industries, Ltd. Control apparatus, control method, and computer program
US20220374905A1 (en) * 2021-05-19 2022-11-24 Car IQ, Inc. System and method for fraud prevention when using a machine account for a machine conducting transactions
US20220374895A1 (en) * 2021-05-19 2022-11-24 Car IQ, Inc. System and method for conducting transactions using a machine account activated using a machine's credential
WO2020069517A2 (en) * 2018-09-30 2020-04-02 Strong Force Intellectual Capital, Llc Intelligent transportation systems
JP2022513429A (en) * 2018-11-08 2022-02-08 シモウディス，エバンゲロス Systems and methods for managing vehicle data
US11551115B2 (en) * 2018-12-21 2023-01-10 Ashraf Yussouff Systems and methods utilizing machine learning techniques to manage content in standalone multi-tenancy environments
US11046201B2 (en) * 2019-03-25 2021-06-29 Micron Technology, Inc. Electric vehicle charging station system
US11606934B2 (en) 2019-09-10 2023-03-21 Perdue Farms, Inc. Semirigid poultry and/or swine enclosure
US11201801B2 (en) 2019-10-24 2021-12-14 Dell Products L.P. Machine learning-based determinations of lifespan information for devices in an internet of things environment
US11245545B2 (en) 2019-10-24 2022-02-08 Dell Products L.P. Implementation of internet of things-enabled connectivity devices for processing operation information of devices lacking network connectivity
US11289075B1 (en) * 2019-12-13 2022-03-29 Amazon Technologies, Inc. Routing of natural language inputs to speech processing applications
US20210270624A1 (en) * 2020-02-28 2021-09-02 Hyundai Motor Company Apparatus and method of providing contextual-information-based service
US10809080B2 (en) * 2020-03-23 2020-10-20 Alipay Labs (singapore) Pte. Ltd. System and method for determining routing by learned selective optimization
US11475720B2 (en) * 2020-03-31 2022-10-18 Toyota Research Institute, Inc. Methods and systems for collecting sensor data according to a data collection configuration based on an estimated information gain
WO2021236714A1 (en) * 2020-05-19 2021-11-25 Dentalez, Inc. Biometrics-enabled dental operatory
US11748637B2 (en) * 2020-06-30 2023-09-05 Dell Products L.P. Refining mapped human experiences insights within a human experience flow
CN113434995A (en) * 2020-10-13 2021-09-24 天津大学 Intelligent electricity utilization management method for commercial users considering uncertainty of travel of electric automobile
US11487891B2 (en) * 2020-10-14 2022-11-01 Philip Chidi Njemanze Method and system for mental performance computing using artificial intelligence and blockchain
JP2022071797A (en) * 2020-10-28 2022-05-16 株式会社日本総合研究所 Vehicle and display method
EP4233307A1 (en) * 2020-11-20 2023-08-30 Miovision Technologies Incorporated Automatic and semi-automatic traffic configuration system
CN112488400B (en) * 2020-12-04 2023-12-22 南通大学 Traffic travel behavior regulation and control method based on block chain technology and travel plan sharing
CN112896187B (en) * 2021-02-08 2022-07-26 浙江大学 System and method for considering social compatibility and making automatic driving decision
US20220261722A1 (en) * 2021-02-12 2022-08-18 International Business Machines Corporation Agricultural supply chain optimizer
CN113347243A (en) * 2021-05-31 2021-09-03 重庆工程职业技术学院 Driving information recording system and method based on block chain
US11599242B2 (en) 2021-06-04 2023-03-07 Bank Of America Corporation Context-sensitive user interface shortcuts for a wearable device
CN113264031B (en) * 2021-07-07 2022-04-29 重庆大学 Hybrid power system control method based on road surface identification and deep reinforcement learning
AU2022314613A1 (en) * 2021-07-19 2024-03-07 Perdue Foods Llc A semirigid poultry and/or swine enclosure
US20230074139A1 (en) * 2021-09-03 2023-03-09 International Business Machines Corporation Proactive maintenance for smart vehicle
CA3188411A1 (en) * 2022-02-07 2023-08-07 Car IQ, Inc. Blockchain based machine task access and authentication
US20240054528A1 (en) * 2022-08-10 2024-02-15 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for measuring a reaction of a user to an advertisement
US11775872B1 (en) 2022-12-01 2023-10-03 Recentive Analytics, Inc. Techniques for identifying optimal EV charging station locations

Family Cites Families (168)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5400734A (en) 1993-05-10 1995-03-28 Doyon; Paul Automotive amphibious vehicle
JP3079881B2 (en) * 1993-08-10 2000-08-21 三菱自動車工業株式会社 Road traffic condition estimation method and vehicle driving characteristic control method
DE19637210B4 (en) * 1996-09-12 2007-05-24 Siemens Ag Powertrain control for a motor vehicle
US6058352A (en) 1997-07-25 2000-05-02 Physical Optics Corporation Accurate tissue injury assessment using hybrid neural network analysis
FR2790571B1 (en) 1999-03-03 2003-04-04 France Telecom METHOD FOR RECOGNIZING FORMS
US6750763B2 (en) 2002-02-04 2004-06-15 Delphi Technologies, Inc. System and method for measuring oil condition in large engines
US7398257B2 (en) * 2003-12-24 2008-07-08 Yamaha Hatsudoki Kabushiki Kaisha Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
US20060011399A1 (en) * 2004-07-15 2006-01-19 International Business Machines Corporation System and method for controlling vehicle operation based on a user's facial expressions and physical state
US9811935B2 (en) * 2007-04-26 2017-11-07 Ford Global Technologies, Llc Emotive advisory system and method
US8606512B1 (en) * 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
US7982620B2 (en) 2007-05-23 2011-07-19 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for reducing boredom while driving
US8560191B2 (en) 2007-10-26 2013-10-15 GM Global Technology Operations LLC Method and apparatus to control clutch pressures in an electro-mechanical transmission
US7593804B2 (en) 2007-10-31 2009-09-22 Caterpillar Inc. Fixed-point virtual sensor control system and method
US8645047B2 (en) * 2007-11-06 2014-02-04 General Electric Company System and method for optimizing vehicle performance in presence of changing optimization parameters
ITBO20080081A1 (en) * 2008-02-07 2009-08-08 Ferrari Spa METHOD OF CONTROL OF A VEHICLE TO ADAPT THE DYNAMIC BEHAVIOR OF THE VEHICLE IN THE PSYCHO-PHYSICAL STATE OF THE DRIVER
JP4547721B2 (en) 2008-05-21 2010-09-22 株式会社デンソー Automotive information provision system
CA2739401C (en) 2008-10-03 2021-01-12 Duke University Non-regular electrical stimulation patterns for treating neurological disorders
KR101173944B1 (en) * 2008-12-01 2012-08-20 한국전자통신연구원 System and method for controlling sensibility of driver
US8315953B1 (en) 2008-12-18 2012-11-20 Andrew S Hansen Activity-based place-of-interest database
CN102316805B (en) * 2009-02-13 2014-01-29 丰田自动车株式会社 Physiological condition estimation device and vehicle control device
EP2354968A1 (en) 2009-12-30 2011-08-10 Tim Frey Hyperadapter and method for accessing documents in a document base
US10869626B2 (en) 2010-06-07 2020-12-22 Affectiva, Inc. Image analysis for emotional metric evaluation
US10627817B2 (en) * 2010-06-07 2020-04-21 Affectiva, Inc. Vehicle manipulation using occupant image analysis
US11292477B2 (en) 2010-06-07 2022-04-05 Affectiva, Inc. Vehicle manipulation using cognitive state engineering
US10482333B1 (en) * 2017-01-04 2019-11-19 Affectiva, Inc. Mental state analysis using blink rate within vehicles
US11017250B2 (en) 2010-06-07 2021-05-25 Affectiva, Inc. Vehicle manipulation using convolutional image processing
US10592757B2 (en) 2010-06-07 2020-03-17 Affectiva, Inc. Vehicular cognitive data collection using multiple devices
US8718844B2 (en) 2010-07-19 2014-05-06 General Motors Llc Charge notification method for extended range electric vehicles
EP2625061B1 (en) 2010-10-07 2020-06-24 Faurecia Automotive Seating, LLC System, methodologies, and components acquiring, analyzing, and using occupant body specifications for improved seating structures and environment configuration
WO2012088534A1 (en) * 2010-12-23 2012-06-28 Cummins Intellectual Property, Inc. System and method of vehicle speed-based operational cost optimization
US9493130B2 (en) * 2011-04-22 2016-11-15 Angel A. Penilla Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input
KR101901417B1 (en) * 2011-08-29 2018-09-27 한국전자통신연구원 System of safe driving car emotion cognitive-based and method for controlling the same
EP2564777B1 (en) 2011-09-02 2017-06-07 Volvo Car Corporation Method for classification of eye closures
US9124955B2 (en) * 2011-09-19 2015-09-01 Card Guard Scientific Survival Ltd. Vehicle driver monitor and a method for monitoring a driver
WO2014172369A2 (en) * 2013-04-15 2014-10-23 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants and incorporating vehicle crate for blade processors
JP6102282B2 (en) 2012-05-07 2017-03-29 株式会社デンソー Facility search system, facility search program, and vehicle device
US8825374B2 (en) * 2012-06-05 2014-09-02 At&T Intellectual Property I, L.P. Navigation route updates
US9161419B2 (en) * 2012-07-02 2015-10-13 International Business Machines Corporation Intelligent and coordinated lighting of a lighting device
US20150298565A1 (en) 2012-09-03 2015-10-22 Hitachi, Ltd. Charging support system and charging support method for electric vehicle
KR20140080727A (en) * 2012-12-14 2014-07-01 한국전자통신연구원 System and method for controlling sensibility of driver
US9149236B2 (en) 2013-02-04 2015-10-06 Intel Corporation Assessment and management of emotional state of a vehicle operator
US10387429B2 (en) 2013-02-08 2019-08-20 Jive Software, Inc. Fast ad-hoc filtering of time series analytics
US9336269B1 (en) 2013-03-14 2016-05-10 Google Inc. Determining question and answer alternatives
US10019484B2 (en) 2013-07-17 2018-07-10 Google Llc Third party search applications for a search system
KR101779963B1 (en) * 2013-10-31 2017-09-20 한국전자통신연구원 Method of enhancing performance for road-environment recognition device based on learning and apparatus for the same
US20150166069A1 (en) * 2013-12-18 2015-06-18 Ford Global Technologies, Llc Autonomous driving style learning
US20150204684A1 (en) * 2014-01-21 2015-07-23 Abtin Rostamian Methods and systems of multi-dimensional automated ride-sharing optimization
US9242630B2 (en) * 2014-01-28 2016-01-26 GM Global Technology Operations LLC Method and apparatus for controlling a torque converter clutch in a multi-mode powertrain system
US9848814B2 (en) * 2014-02-20 2017-12-26 Faurecia Automotive Seating, Llc Vehicle seat with integrated sensors
JP6467773B2 (en) 2014-02-25 2019-02-13 アイシン・エィ・ダブリュ株式会社 Route search system, route search method and computer program
US9734685B2 (en) * 2014-03-07 2017-08-15 State Farm Mutual Automobile Insurance Company Vehicle operator emotion management system and method
US20150271557A1 (en) 2014-03-24 2015-09-24 Joseph Akwo Tabe Multimedia television system for interactive social media and social network
US20150292894A1 (en) * 2014-04-11 2015-10-15 Telecommunication Systems, Inc. Travel route
US20150301602A1 (en) 2014-04-16 2015-10-22 International Business Machines Corporation Multi Axis Vibration Unit In Device For Tactile Feedback
US9640186B2 (en) 2014-05-02 2017-05-02 International Business Machines Corporation Deep scattering spectrum in acoustic modeling for speech recognition
US9283847B2 (en) * 2014-05-05 2016-03-15 State Farm Mutual Automobile Insurance Company System and method to monitor and alert vehicle operator of impairment
EP2942012A1 (en) * 2014-05-08 2015-11-11 Continental Automotive GmbH Driver assistance system
US20220005291A1 (en) * 2014-05-20 2022-01-06 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US9663111B2 (en) * 2014-05-30 2017-05-30 Ford Global Technologies, Llc Vehicle speed profile prediction using neural networks
US10395032B2 (en) 2014-10-03 2019-08-27 Nokomis, Inc. Detection of malicious software, firmware, IP cores and circuitry via unintended emissions
US20150379530A1 (en) * 2014-06-26 2015-12-31 International Business Machines Corporation Driving business traffic by predictive analysis of social media
US9881428B2 (en) 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure
JP6506004B2 (en) 2014-10-10 2019-04-24 クラリオン株式会社 Search system
US9366543B1 (en) 2014-12-05 2016-06-14 Lenovo (Singapore) Pte. Ltd. Intelligent navigation instruction generator
US10832159B2 (en) * 2014-12-30 2020-11-10 Battelle Memorial Institute Fast efficient evaluation of messages on automotive networks using look-up tables
US20160282132A1 (en) * 2015-03-27 2016-09-29 International Business Machines Corporation Predictive navigation
KR20160122005A (en) 2015-04-13 2016-10-21 엘에스산전 주식회사 Apparatus for energy management of vehicles
US9891065B2 (en) * 2015-06-07 2018-02-13 Apple Inc. Transit incidents
US20160364823A1 (en) 2015-06-11 2016-12-15 Raymond Cao Systems and methods for on-demand transportation
US9493168B1 (en) 2015-06-12 2016-11-15 GM Global Technology Operations LLC Method and apparatus for controlling a control variable of a powertrain system
US10122692B2 (en) 2015-06-16 2018-11-06 Amazon Technologies, Inc. Handshake offload
JP6451537B2 (en) 2015-07-21 2019-01-16 株式会社デンソー Driving support control device
US9610510B2 (en) 2015-07-21 2017-04-04 Disney Enterprises, Inc. Sensing and managing vehicle behavior based on occupant awareness
US9843286B2 (en) 2015-07-23 2017-12-12 Google Inc. Smart solar tile networks
US20170026790A1 (en) * 2015-07-24 2017-01-26 Johnson & Johnson Vision Care, Inc. Biomedical devices for biometric based information communication in vehicular environments
KR20170015115A (en) 2015-07-30 2017-02-08 삼성전자주식회사 Autonomous vehicle and method for controlling the autonomous vehicle
CN106427570A (en) * 2015-08-13 2017-02-22 华邦电子股份有限公司 Safety device of action vehicle and safety monitoring method for safety device
US10117109B2 (en) 2015-08-18 2018-10-30 Tejas Networks, Ltd. System and method for determining optimal placement of telecommunication equipment
US9896100B2 (en) * 2015-08-24 2018-02-20 International Business Machines Corporation Automated spatial separation of self-driving vehicles from other vehicles based on occupant preferences
US9870649B1 (en) * 2015-08-28 2018-01-16 State Farm Mutual Automobile Insurance Company Shared vehicle usage, monitoring and feedback
US9914475B2 (en) * 2015-10-05 2018-03-13 Delphi Technologies, Inc. Humanized steering model for automated vehicles
US20170105667A1 (en) * 2015-10-15 2017-04-20 Josh WEI Stress and Heart Rate Trip Monitoring System and Method
US9944295B2 (en) * 2015-11-27 2018-04-17 Bragi GmbH Vehicle with wearable for identifying role of one or more users and adjustment of user settings
US10791446B2 (en) * 2015-12-14 2020-09-29 Afero, Inc. System and method for an Internet of Things (IoT) gas pump or charging station implementation
US10373522B2 (en) 2016-01-05 2019-08-06 International Business Machines Corporation Generative group-based meal planning system and method
US9827993B2 (en) * 2016-01-14 2017-11-28 Toyota Motor Engineering & Manufacturing North America, Inc. Method and system for improving ride quality in an autonomous vehicle
US9649974B1 (en) * 2016-02-17 2017-05-16 Wipro Limited System and method for assisted real-time control of vehicle headlight
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
US10616249B2 (en) * 2016-03-31 2020-04-07 Intel Corporation Adaptive internet of things edge device security
US10012990B2 (en) 2016-04-01 2018-07-03 Uber Technologies, Inc. Optimizing timing for configuring an autonomous vehicle
US20170316533A1 (en) 2016-04-29 2017-11-02 GM Global Technology Operations LLC Personal safety and privacy features for passengers of an autonomous vehicle based transportation system
US20170329331A1 (en) * 2016-05-16 2017-11-16 Magna Electronics Inc. Control system for semi-autonomous control of vehicle along learned route
JP2017213984A (en) 2016-05-31 2017-12-07 株式会社東芝 Autonomous control system, server device, and autonomous control method
US20170352267A1 (en) 2016-06-02 2017-12-07 GM Global Technology Operations LLC Systems for providing proactive infotainment at autonomous-driving vehicles
US9956963B2 (en) * 2016-06-08 2018-05-01 GM Global Technology Operations LLC Apparatus for assessing, predicting, and responding to driver fatigue and drowsiness levels
US9945679B2 (en) * 2016-06-27 2018-04-17 International Business Machines Corporation Personalized travel routes to reduce stress
US11006082B2 (en) 2016-06-28 2021-05-11 Ennis-Flint, Inc. Highway infrastructure inventory and assessment device
US10250392B2 (en) * 2016-07-01 2019-04-02 Intel Corporation Arbitrary base value for EPID calculation
US10259448B2 (en) 2016-08-17 2019-04-16 GM Global Technology Operations LLC Hybrid vehicle propulsion systems and methods
US10403141B2 (en) 2016-08-19 2019-09-03 Sony Corporation System and method for processing traffic sound data to provide driver assistance
EP3290788B1 (en) * 2016-09-05 2019-11-06 Signify Holding B.V. Light pole
US20180082501A1 (en) * 2016-09-16 2018-03-22 Ford Global Technologies, Llc Integrated on-board data collection
WO2018057978A1 (en) * 2016-09-23 2018-03-29 Apple Inc. Decision making for autonomous vehicle motion control
US11119480B2 (en) 2016-10-20 2021-09-14 Magna Electronics Inc. Vehicle control system that learns different driving characteristics
US20180118218A1 (en) * 2016-10-27 2018-05-03 Ford Global Technologies, Llc Method and apparatus for vehicular adaptation to driver state
US11037177B1 (en) * 2016-10-28 2021-06-15 State Farm Mutual Automobile Insurance Company Vehicle component identification using driver profiles
US10482559B2 (en) * 2016-11-11 2019-11-19 Uatc, Llc Personalizing ride experience based on contextual ride usage data
CN109906461B (en) 2016-11-16 2022-10-14 本田技研工业株式会社 Emotion estimation device and emotion estimation system
WO2018094375A1 (en) 2016-11-21 2018-05-24 Nio Usa, Inc. Method and system for vehicle data optimization
CN110023168B (en) 2016-11-29 2022-03-08 本田技研工业株式会社 Vehicle control system, vehicle control method, and vehicle control program
EP3548843B1 (en) 2016-11-30 2021-01-20 Nissan North America, Inc. Interface for mapping remote support to autonomous vehicles
WO2018099436A1 (en) * 2016-12-01 2018-06-07 Huang Sin Ger A system for determining emotional or psychological states
US10192171B2 (en) * 2016-12-16 2019-01-29 Autonomous Fusion, Inc. Method and system using machine learning to determine an automotive driver's emotional state
US10152875B2 (en) 2017-01-10 2018-12-11 GM Global Technology Operations LLC Systems and methods to detect unexpected electric bicycle events
US10322727B1 (en) * 2017-01-18 2019-06-18 State Farm Mutual Automobile Insurance Company Technology for assessing emotional state of vehicle operator
US9849044B1 (en) 2017-01-30 2017-12-26 SkyRyse, Inc. Vehicle system and method for providing services
US10696249B2 (en) * 2017-02-10 2020-06-30 Koninklijke Philips N.V. Automatic car setting adjustments by identifying driver with health watch wearable or in-car sensors
KR101952149B1 (en) * 2017-03-03 2019-02-27 엔에이치엔엔터테인먼트 주식회사 Method and system for providing route guidance using navigation
EP3594077A4 (en) 2017-03-07 2020-04-08 Nissan Motor Co., Ltd. Travel assistance method and driving control device
US20180260414A1 (en) * 2017-03-10 2018-09-13 Xerox Corporation Query expansion learning with recurrent networks
JP6575934B2 (en) * 2017-03-29 2019-09-18 マツダ株式会社 Vehicle driving support system and vehicle driving support method
US10377386B2 (en) * 2017-04-18 2019-08-13 Aptiv Technologies Limited System for monitoring the physical state of a vehicle occupant
US10942520B1 (en) 2017-04-20 2021-03-09 Wells Fargo Bank, N.A. Creating trip routes for autonomous vehicles
US10282416B2 (en) 2017-05-05 2019-05-07 Apple Inc. Unified framework for text conversion and prediction
US10922566B2 (en) 2017-05-09 2021-02-16 Affectiva, Inc. Cognitive state evaluation for vehicle navigation
US10372130B1 (en) 2017-05-19 2019-08-06 Zoox, Inc. Communicating reasons for vehicle actions
WO2018217640A1 (en) * 2017-05-22 2018-11-29 Via Transporation, Inc. Systems and methods for managing ridesharing vehicles
US10387205B2 (en) * 2017-05-30 2019-08-20 Paypal, Inc. Optimizing runtime environments
CN107364368A (en) 2017-06-09 2017-11-21 上海斐讯数据通信技术有限公司 Vehicle seat adjusting method and its system based on intelligent terminal
WO2019004468A1 (en) * 2017-06-29 2019-01-03 本田技研工業株式会社 Vehicle control system, server device, vehicle control method, and program
TWI646529B (en) 2017-07-25 2019-01-01 雲拓科技有限公司 Active chat device
US10883844B2 (en) 2017-07-27 2021-01-05 Waymo Llc Neural networks for vehicle trajectory planning
US20190050714A1 (en) 2017-08-09 2019-02-14 Ants Technology (Hk) Limited Modular distributed artificial neural networks
US10423934B1 (en) 2017-08-10 2019-09-24 Zoox, Inc. Automated vehicle diagnostics and maintenance
US10532749B2 (en) 2017-08-11 2020-01-14 Uatc, Llc Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback
US10235859B1 (en) * 2017-08-17 2019-03-19 State Farm Mutual Automobile Insurance Company Systems and methods for the mitigation of drowsy or sleepy driving
US10591309B2 (en) 2017-10-12 2020-03-17 International Business Machines Corporation Autonomous vehicle-based guided tour rule selection
US10783778B2 (en) 2017-10-20 2020-09-22 Microsoft Technology Licensing, Llc Traffic data reconciliation and brokering
US10453277B2 (en) 2017-11-20 2019-10-22 The Boeing Company Vehicle monitoring system that dynamically varies data acquisition
US10718630B2 (en) * 2017-12-08 2020-07-21 Ford Global Technologies, Llc Electric vehicle cloud-based optimal charge route estimation
US10569668B2 (en) * 2017-12-21 2020-02-25 Lear Corporation Occupant and fidget detection of a seat assembly
US10147319B1 (en) * 2017-12-22 2018-12-04 Pin-Hua CHEN Safe driving system having function of detecting heart rate variability
US10620631B1 (en) * 2017-12-29 2020-04-14 Apex Artificial Intelligence Industries, Inc. Self-correcting controller systems and methods of limiting the operation of neural networks to be within one or more conditions
US11884205B2 (en) * 2018-01-10 2024-01-30 Mod Worldwide, Llc Messaging system
US20190225232A1 (en) 2018-01-23 2019-07-25 Uber Technologies, Inc. Passenger Experience and Biometric Monitoring in an Autonomous Vehicle
EP3525157A1 (en) * 2018-02-09 2019-08-14 Volkswagen Aktiengesellschaft Method and system for cooperative operation
US10322728B1 (en) * 2018-02-22 2019-06-18 Futurewei Technologies, Inc. Method for distress and road rage detection
KR102481487B1 (en) 2018-02-27 2022-12-27 삼성전자주식회사 Autonomous driving apparatus and method thereof
US11528611B2 (en) * 2018-03-14 2022-12-13 Rose Margaret Smith Method and system for IoT code and configuration using smart contracts
US10852737B2 (en) * 2018-03-22 2020-12-01 Micron Technology, Inc. Power management, dynamic routing and memory management for autonomous driving vehicles
US10578456B2 (en) 2018-03-28 2020-03-03 Intel Corporation Safety enhanced computer assisted driving method and apparatus
US11086317B2 (en) 2018-03-30 2021-08-10 Intel Corporation Emotional adaptive driving policies for automated driving vehicles
US10850693B1 (en) 2018-04-05 2020-12-01 Ambarella International Lp Determining comfort settings in vehicles using computer vision
US10867510B2 (en) 2018-04-05 2020-12-15 Toyota Jidosha Kabushiki Kaisha Real-time traffic monitoring with connected cars
US20190315342A1 (en) 2018-04-13 2019-10-17 GM Global Technology Operations LLC Preference adjustment of autonomous vehicle performance dynamics
US10867218B2 (en) * 2018-04-26 2020-12-15 Lear Corporation Biometric sensor fusion to classify vehicle passenger state
WO2019236608A1 (en) 2018-06-04 2019-12-12 Zume, Inc. Farm and mobile manufacturing
US20190391581A1 (en) * 2018-06-26 2019-12-26 Uber Technologies, Inc. Passenger Health Monitoring and Intervention for Autonomous Vehicles
US20200023846A1 (en) * 2018-07-23 2020-01-23 SparkCognition, Inc. Artificial intelligence-based systems and methods for vehicle operation
US10948915B2 (en) * 2018-08-30 2021-03-16 Intel Corporation Computer-assisted or autonomous driving vehicle incident management method and apparatus
US10583842B1 (en) * 2018-08-31 2020-03-10 Toyota Motor Engineering & Manufacturing North America, Inc. Driver state detection based on glycemic condition
US20200074233A1 (en) * 2018-09-04 2020-03-05 Luminar Technologies, Inc. Automatically generating training data for a lidar using simulated vehicles in virtual space
US11049383B1 (en) * 2018-09-04 2021-06-29 Aidan Lee Shahamad Method for protection of children, seniors and pets from vehicular heatstroke in hot vehicles
US10902279B2 (en) * 2018-09-25 2021-01-26 Honda Motor Co., Ltd. Training saliency
US11036370B2 (en) * 2018-09-25 2021-06-15 Intel Corporation Computer-assisted or autonomous driving vehicles social network
WO2020069517A2 (en) * 2018-09-30 2020-04-02 Strong Force Intellectual Capital, Llc Intelligent transportation systems
US11312372B2 (en) * 2019-04-16 2022-04-26 Ford Global Technologies, Llc Vehicle path prediction
US10696306B1 (en) * 2019-09-25 2020-06-30 Lyft Inc. Evaluating driving control systems for elegant driving

Similar Documents

Publication Publication Date Title
JP7465484B2 (en) Highly functional transportation system
JPWO2020069517A5 (en)
US11694288B2 (en) Method of optimizing rider satisfaction
KR20220164494A (en) Intelligent Transportation System with Digital Twin Interface for Passenger Vehicles
US20240127639A1 (en) Digital twin simulation system and a cognitive intelligence system for vehicle fleet management and evaluation