WO2022270106A1 - タイヤ摩耗予測システム及びタイヤ摩耗予測方法 - Google Patents

タイヤ摩耗予測システム及びタイヤ摩耗予測方法 Download PDF

Info

Publication number
WO2022270106A1
WO2022270106A1 PCT/JP2022/015631 JP2022015631W WO2022270106A1 WO 2022270106 A1 WO2022270106 A1 WO 2022270106A1 JP 2022015631 W JP2022015631 W JP 2022015631W WO 2022270106 A1 WO2022270106 A1 WO 2022270106A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
driver
variable
tire
wear
Prior art date
Application number
PCT/JP2022/015631
Other languages
English (en)
French (fr)
Inventor
ゲート スクールス
デビッド ヘンシャー
Original Assignee
株式会社ブリヂストン
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社ブリヂストン filed Critical 株式会社ブリヂストン
Priority to EP22828025.1A priority Critical patent/EP4361908A1/en
Priority to CN202280037294.8A priority patent/CN117396388A/zh
Publication of WO2022270106A1 publication Critical patent/WO2022270106A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
    • B60C11/24—Wear-indicating arrangements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
    • B60C11/24—Wear-indicating arrangements
    • B60C11/246—Tread wear monitoring systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Definitions

  • the present disclosure relates to a tire wear prediction system that predicts the wear of tires mounted on vehicles that make up a fleet.
  • Patent Document 1 a demand forecasting system for consumables (for example, tires) for fleets composed of multiple vehicles (for example, buses and trucks) owned by transportation companies.
  • Patent Document 1 aggregates the degree of deterioration of consumables and predicts the types and quantities of consumables that are required at vehicle maintenance shops. This can contribute to reducing maintenance costs for the fleet.
  • the following disclosure is made in view of such circumstances, and provides a tire wear prediction system and a tire wear prediction method that can more accurately predict wear of tires mounted on vehicles that constitute a fleet. for the purpose of providing
  • One aspect of the present disclosure is a fuel consumption prediction system (fleet management system 10) that predicts the fuel consumption of vehicles that constitute a fleet, and acquires a plurality of driver-related explanatory variables related to attributes of a driver who drives the vehicle.
  • a driver-related variable acquisition unit (driver-related variable acquisition unit 110), a vehicle-related variable acquisition unit (vehicle-related variable acquisition unit 120) that acquires a plurality of vehicle-related explanatory variables related to attributes of the vehicle, and the driver-related explanation
  • a coefficient setting unit coefficient setting unit 140
  • an objective variable calculation unit objective variable calculation unit 150 that calculates the fuel efficiency as an objective variable using the driver-related explanatory variable and the vehicle-related explanatory variable, wherein the objective variable calculation unit includes the Using the driver-related coefficient and the vehicle-related coefficient, recalculate the fuel consumption prediction value when at least one of the driver attribute and the vehicle attribute is changed.
  • One aspect of the present disclosure is a fuel consumption prediction method for predicting fuel consumption of a vehicle that constitutes a fleet, comprising: obtaining a plurality of driver-related explanatory variables related to attributes of a driver who drives the vehicle; obtaining a plurality of vehicle-related explanatory variables related to attributes; driver-related coefficients applied to the driver-related explanatory variables and the vehicle based on performance values of the driver-related explanatory variables and the vehicle-related explanatory variables; calculating the objective variable, comprising the steps of: setting a vehicle-related coefficient applied to the related explanatory variable; and calculating the fuel efficiency as an objective variable using the driver-related explanatory variable and the vehicle-related explanatory variable.
  • the step uses the driver-related coefficient and the vehicle-related coefficient to recalculate the fuel consumption prediction value when at least one of the driver attribute and the vehicle attribute is changed.
  • One aspect of the present disclosure is a tire wear prediction system (fleet management system 10) for predicting wear of tires mounted on vehicles that constitute a fleet, wherein a plurality of A driver-related variable acquisition unit (driver-related variable acquisition unit 110) that acquires driver-related explanatory variables, and a vehicle-related variable acquisition unit (vehicle-related variable acquisition unit 120) that acquires a plurality of vehicle-related explanatory variables related to attributes of the vehicle. ) and a driver-related coefficient applied to the driver-related explanatory variable and a vehicle-related coefficient applied to the vehicle-related explanatory variable based on actual values of the driver-related explanatory variable and the vehicle-related explanatory variable.
  • driver-related variable acquisition unit 110 that acquires driver-related explanatory variables
  • vehicle-related variable acquisition unit 120 vehicle-related variable acquisition unit that acquires a plurality of vehicle-related explanatory variables related to attributes of the vehicle.
  • the objective variable calculation unit uses the driver-related coefficient and the vehicle-related coefficient to recalculate the predicted wear value when at least one of the driver attribute and the vehicle attribute is changed.
  • One aspect of the present disclosure is a tire wear prediction method for predicting wear of tires mounted on vehicles that constitute a fleet, wherein a plurality of driver-related explanatory variables related to attributes of a driver driving the vehicle are obtained.
  • a vehicle-related variable acquisition unit that acquires a plurality of vehicle-related explanatory variables related to attributes of the vehicle; and the driver-related explanatory variables based on the driver-related explanatory variables and the actual values of the vehicle-related explanatory variables.
  • calculating the wear as an objective variable using the driver-related explanatory variable and the vehicle-related explanatory variable.
  • the step of calculating the objective variable uses the driver-related coefficient and the vehicle-related coefficient to predict the wear when at least one of the driver attribute and the vehicle attribute is changed. recalculate.
  • FIG. 1 is an overall schematic diagram of a fleet and fleet management system 10.
  • FIG. 2 is a functional block configuration diagram of the server computer 100.
  • FIG. 3 is a diagram showing an overall schematic operation flow of the fleet management system 10.
  • FIG. 4 is a diagram showing tire positions for each type of bus.
  • FIG. 5 shows an example aggregation of fleet operations, tire and driver characteristics.
  • FIG. 6 is a diagram showing the relationship between variables.
  • FIG. 7 is an example of a description profile of representative variables (data).
  • FIG. 8 is an example of a description profile of representative variables (data).
  • FIG. 9 is a diagram showing the results of the 3SLS model.
  • FIG. 10 is a diagram showing an example of a simulated scenario.
  • FIG. 11 is a diagram showing the description profile of the maintenance cost data set.
  • FIG. 12 is a diagram showing the results of the maintenance cost model.
  • FIG. 13 shows an example of a simulated scenario using the 3SLS model DSS tool.
  • FIG. 10 manages a fleet, specifically a plurality of vehicles.
  • the fleet management system 10 manages multiple buses that make up the fleet. As shown in FIG. 1, the fleet consists of multiple types of buses (vehicles).
  • the fleet may include regular buses 20, double-decker buses 30, and articulated buses 40.
  • a normal bus 20 is a one-floor rigid vehicle with a low floor or a high floor.
  • the normal bus 20 has one front wheel axle and one rear wheel axle.
  • the double-decker bus 30 has a double-decker structure with a first-floor portion and a second-floor portion.
  • the double-decker bus 30 is also called a double-decker.
  • the double-decker bus 30 has two front axles and one rear axle.
  • the articulated bus 40 has a structure in which two bodies are connected by joints.
  • the articulated bus 40 is also called an Articulated or Bendy bus.
  • the articulated bus 40 has one front axle and one rear axle for the lead vehicle, plus one axle for the rear vehicle.
  • the regular bus 20, the double-decker bus 30, and the articulated bus 40 may be provided as route buses or as charter buses (chartered buses).
  • Regular buses 20, double-decker buses 30 and articulated buses 40 are driven by drivers of the bus operating company that manages the fleet.
  • the bus is driven by a male driver 50A and a female driver 50B.
  • Multiple male drivers 50A and multiple female drivers 50B belong to the bus operating company.
  • the age composition and years of driving experience of the drivers may vary.
  • the fleet management system 10 can provide multiple functions related to fleet management.
  • a fuel consumption prediction system that predicts the fuel consumption of vehicles (buses) that make up the fleet and a tire wear prediction system that predicts the wear of the tires mounted on the vehicles (buses) that make up the fleet can be configured.
  • Such a fuel consumption prediction system and tire wear prediction system may be provided as a decision support system (DSS) that supports decision-making in fleet operating entities (bus operating companies, etc.).
  • DSS decision support system
  • Such a DSS can provide some guidance regarding tire-related impacts on fleet fuel consumption and maintenance costs. Details of DSS will be described later.
  • the fleet management system 10 may include a server computer 100, a mobile terminal 200 and a desktop terminal 300.
  • the server computer 100 can execute a computer program that implements a fuel consumption prediction system and a tire wear prediction system.
  • the server computer 100 may be configured by a single server computer connected to a communication network, or may be configured virtually on a network cloud.
  • a network cloud typically includes the Internet, and includes various information provision services (weather information, etc.) provided on the Internet, storage services, application services, and the like.
  • the mobile terminal 200 and desktop terminal 300 can access the server computer 100 via the communication network.
  • the mobile terminal 200 is typically a smart phone, a tablet terminal, or the like, but may be a laptop personal computer (PC).
  • the desktop terminal 300 is, for example, a relatively large PC (including a monitor) installed in an office of an entity that operates fleets.
  • the mobile terminal 200 and the desktop terminal 300 are used for inputting data to the server computer 100 (fuel consumption prediction system and tire wear prediction system), displaying processing results in the server computer 100, and outputting them.
  • the server computer 100 fuel consumption prediction system and tire wear prediction system
  • the data handled by the fuel consumption prediction system and tire wear prediction system covers a wide range, but can be roughly divided into vehicle (bus type, etc.), tire-related measurement (tread remaining groove amount, temperature, internal pressure, etc.), weather (temperature, etc.), driving (distance, fuel consumption, etc.), drivers (sex, age, years of driving experience, etc.), roads (operation routes, number of traffic lights, number of stops, etc.).
  • TPMS tire pressure monitoring system
  • server computer 100 may directly acquire the weather data and the like via the communication network.
  • FIG. 2 is a functional block configuration diagram of the server computer 100.
  • the server computer 100 includes a driver-related variable acquisition unit 110, a vehicle-related variable acquisition unit 120, a data storage unit 130, a coefficient setting unit 140, an objective variable calculation unit 150, and an output unit 160.
  • the server computer 100 may include a processor, memory, input device, display, external interface, etc. as hardware elements.
  • the server computer 100 fuel consumption prediction system and tire wear prediction system
  • the server computer 100 may be configured virtually on a network cloud.
  • the fuel consumption prediction system predicts the fuel consumption of the vehicles (buses) that make up the fleet. Also, the tire wear prediction system predicts the wear of the tires mounted on the vehicles (buses) that make up the fleet.
  • the driver-related variable acquisition unit 110 can acquire multiple driver-related explanatory variables.
  • Driver-related explanatory variables may be defined as variables related to attributes of a driver who drives a vehicle (bus).
  • driver-related explanatory variables are variables related to the attributes of multiple male drivers 50A and female drivers 50B who drive the normal bus 20, double-decker bus 30, or articulated bus 40.
  • the variables may be interpreted as explanatory variables.
  • Explanatory variables may be defined as variables that explain the objective variable and may also be referred to as independent variables.
  • Explanatory variables may be selected from among the data described above.
  • the objective variable may be defined as the variable you want to predict and may be called dependent variables.
  • the driver-related variable acquisition unit 110 can acquire at least one of the driver's average age, gender ratio, average years of experience, and the number of drivers per predetermined mileage as driver-related explanatory variables.
  • Gender percentage may refer to the percentage of male (or female) drivers out of the total.
  • the number of drivers per predetermined travel distance (Number of drivers per 1,000 kms) means the number of drivers responsible for each predetermined distance (for example, 1,000 km).
  • Driver-related explanatory variables are not limited to such variables, and statistical data related to driver attributes (eg, accident history, blood type, etc.) may be added.
  • the vehicle-related variable acquisition unit 120 can acquire a plurality of vehicle-related explanatory variables related to vehicle (bus) attributes.
  • Vehicle-related explanatory variables may be defined as variables related to vehicle (bus) attributes.
  • the vehicle-related explanatory variables are variables related to the attributes of the normal bus 20, double-decker bus 30, or articulated bus 40.
  • Such variables may be interpreted as explanatory variables in the same way as driver-related explanatory variables.
  • the vehicle-related variable acquisition unit 120 can acquire the wear rate of the tires mounted on the vehicle (bus) as a vehicle-related explanatory variable.
  • the wear rate may be defined as the amount of tread wear per unit traveled distance of the tires mounted on each bus.
  • the wear rate may be defined as the amount of tread wear per unit operating time of the bus.
  • the wear rate may be defined as the remaining tread depth (RTD: Remaining Tread Depth).
  • the vehicle-related variable acquisition unit 120 can acquire the average speed of a vehicle (bus) as a vehicle-related explanatory variable.
  • the average speed may be defined as the average travel speed of the bus for each travel route.
  • the average speed may be defined as the average travel speed per unit operation time of the bus.
  • the vehicle-related variable acquisition unit 120 can acquire the average temperature of the tires mounted on the vehicle (bus) (average tire temperature) as a vehicle-related explanatory variable.
  • the average temperature may be defined as the average of multiple temperature measurements for the tires mounted on each bus.
  • the temperature may be measured by a TPMS sensor attached to the inner surface of the tire or the like, as described above.
  • the acquisition timing of the temperature may be the start of operation, the end of operation, or the timing during operation, but it is desirable to exclude the time when the bus is parked when the bus is not in operation.
  • the data storage unit 130 stores the data (variables) acquired by the driver-related variable acquisition unit 110 and the vehicle-related variable acquisition unit 120.
  • the data storage unit 130 stores data input via the mobile terminal 200 or the desktop terminal 300 and handled by the fuel consumption prediction system and the tire wear prediction system.
  • the coefficient setting unit 140 sets coefficients applied to the driver-related explanatory variables acquired by the driver-related variable acquisition unit 110. Also, the coefficient setting unit 140 sets a coefficient (Coefficient) applied to the vehicle-related explanatory variables acquired by the vehicle-related variable acquisition unit 120 .
  • the coefficient setting unit 140 sets the driver-related coefficients applied to the driver-related explanatory variables. Further, the coefficient setting unit 140 sets vehicle-related coefficients applied to the vehicle-related explanatory variables.
  • the coefficient setting unit 140 can set the driver-related coefficient and the vehicle-related coefficient based on the actual values of the driver-related explanatory variable and the vehicle-related explanatory variable.
  • the actual values of the driver-related explanatory variables and the vehicle-related explanatory variables are the past numerical values of the driver-related explanatory variables acquired by the driver-related variable acquisition unit 110 and the past values of the vehicle-related explanatory variables acquired by the vehicle-related variable acquisition unit 120. It is a numerical value determined based on past numerical values.
  • Driver-related coefficients can be set for each driver-related explanatory variable. Also, a vehicle-related coefficient can be set for each vehicle-related explanatory variable. Note that a common (identical) coefficient may be set for some of all the explanatory variables. Such coefficients may also be replaced by terms such as weights or parameters.
  • the driver-related coefficients and vehicle-related coefficients can be estimated using a three-stage least-squares (3SLS) model.
  • 3SLS three-stage least-squares
  • driver-related explanatory variables vehicle-related explanatory variables
  • driver-related coefficients driver-related coefficients
  • the objective variable calculation unit 150 calculates objective variables using driver-related explanatory variables and vehicle-related explanatory variables.
  • the objective variable calculation unit 150 can calculate fuel efficiency as an objective variable using driver-related explanatory variables and vehicle-related explanatory variables.
  • Fuel consumption is the fuel consumption rate (or consumption).
  • the objective variable calculation unit 150 adjusts the coefficient of at least one of the driver-related explanatory variable and the vehicle-related explanatory variable that affect fuel efficiency (driver-related coefficient or vehicle-related coefficient) to obtain the coefficient. It is possible to estimate the fuel consumption that will change when it is changed.
  • the objective variable calculation unit 150 calculates fuel efficiency as an objective variable, driver attributes (average age, gender ratio, average years of experience, etc.) as explanatory variables that affect fuel efficiency, and vehicle information (years of use, vehicle type). You can set the weighting (parameter) for each explanatory variable based on the past performance of Furthermore, the objective variable calculation unit 150 can recalculate the predicted value of the objective variable when the driver attributes and/or vehicle information are changed.
  • the objective variable calculation unit 150 can calculate tire wear as an objective variable using driver-related explanatory variables and vehicle-related explanatory variables.
  • Tire wear is the amount of tread wear (or RTD) of the tires normally mounted on the bus 20 , double-decker bus 30 or articulated bus 40 .
  • the tire wear referred to herein may be the wear rate, as described above.
  • the objective variable calculation unit 150 changes the coefficient by adjusting at least one coefficient (driver-related coefficient or vehicle-related coefficient) of the driver-related explanatory variable and the vehicle-related explanatory variable that affect wear. It is possible to estimate the wear that changes when
  • the objective variable calculation unit 150 calculates the wear rate (amount of wear per fixed mileage) as the objective variable and driver attributes (average age, gender ratio, average years of experience, etc.) as explanatory variables that affect the wear rate. , and vehicle information (years of use, vehicle type), weighting (parameters) for each explanatory variable can be set. Furthermore, the objective variable calculation unit 150 can recalculate the predicted value of the objective variable when the driver attributes and/or vehicle information are changed.
  • the objective variable calculation unit 150 can use the driver-related coefficient and the vehicle-related coefficient to recalculate the fuel consumption prediction value when at least one of the driver attribute and the vehicle attribute is changed.
  • the objective variable calculation unit 150 can also use the driver-related coefficient and the vehicle-related coefficient to recalculate the tire wear prediction value when at least one of the driver attribute and the vehicle attribute is changed.
  • the output unit 160 can output the data (explanatory variables) acquired by the driver-related variable acquisition unit 110 and the vehicle-related variable acquisition unit 120.
  • the output unit 160 can output the driver-related coefficient and the vehicle-related coefficient set by the coefficient setting unit 140.
  • the output unit 160 can output predicted values of fuel consumption and tire wear calculated by the objective variable calculation unit 150.
  • the output unit 160 provides a function of image data output to a display or the like and data transmission to the mobile terminal 200 or the desktop terminal 300.
  • the output unit 160 may display, transmit, or output the above-described data via a decision support system (DSS) platform.
  • DSS decision support system
  • FIG. 3 shows an overall schematic operation flow of the fleet management system 10. As shown in FIG. Specifically, the operation flow shown in FIG. 3 is common to the fuel consumption prediction system and the tire wear prediction system.
  • the fleet management system 10 acquires driver-related explanatory variables and vehicle-related explanatory variables (S10).
  • the fleet management system 10 acquires explanatory variables related to the attributes of the driver who drives the vehicle (bus) and acquires explanatory variables related to the attributes of the vehicle (bus).
  • the fleet management system 10 calculates coefficients applied to the acquired driver-related explanatory variables and vehicle-related explanatory variables (S20). Specifically, fleet management system 10 calculates driver-related coefficients applied to driver-related explanatory variables and vehicle-related coefficients applied to vehicle-related explanatory variables.
  • the fleet management system 10 calculates (estimates) driver-related coefficients and vehicle-related coefficients using a three-stage least-squares (3SLS) model, as described above.
  • 3SLS three-stage least-squares
  • the fleet management system 10 calculates objective variables using driver-related explanatory variables and vehicle-related explanatory variables (S30).
  • the fleet management system 10 can calculate fuel efficiency as an objective variable using driver-related explanatory variables and vehicle-related explanatory variables. Similarly, fleet management system 10 can use driver-related explanatory variables and vehicle-related explanatory variables to calculate tire wear as an objective variable.
  • the fleet management system 10 can use the driver-related coefficient and the vehicle-related coefficient to recalculate the fuel consumption prediction value when at least one of the driver attribute and the vehicle attribute is changed. Similarly, fleet management system 10 can use driver-related factors and vehicle-related factors to recalculate predicted tire wear when driver attributes and/or vehicle attributes change.
  • the fleet management system 10 outputs the result of recalculation of the predicted value of fuel consumption and/or the result of recalculation of the predicted value of tire wear (S40). Specifically, the fleet management system 10 can display the result on a display or transmit the result to the mobile terminal 200 or the desktop terminal 300.
  • FIG. 10
  • the type of bus may be either a regular bus 20, a double decker bus 30 or an articulated bus 40.
  • the ratio of each bus is also not particularly limited, but generally, the ratio of the normal bus 20 may be high.
  • Fig. 4 shows the tire positions for each type of bus.
  • the bus 20 typically has one front axle and one rear axle.
  • the so-called double tires, in which two tires are assembled in parallel, are usually adopted for the rear wheels of the bus 20, and six tires numbered 1 to 6 are mounted.
  • the double-decker bus 30 has two front wheel axles and one rear wheel axle.
  • the double-decker bus 30 also has double tires on the rear wheels, and eight tires numbered 1 to 8 are installed.
  • the articulated bus 40 has one front wheel axle and one rear wheel axle of the leading vehicle, and one axle of the rear vehicle.
  • the articulated bus 40 also adopts double tires, and ten tires numbered 1 to 10 are mounted.
  • the number of buses and the number of tires are also not particularly limited, but in order to improve the accuracy of predicting fuel consumption and tire wear, it is preferable that there is a parameter of a certain level or more, and the total number of buses is generally 30 or more. It is preferable that the number of tires is approximately 200 or more.
  • the fleet management system 10 can acquire detailed travel record data (by unique vehicle ID) for each bus from an external system (service) connected via a communication network.
  • the data may include the number of seats/passenger capacity of the bus, the number of trips (operations) per day, the number of passengers on each trip, and the operation route associated with the direction at each time.
  • Each trip per vehicle may be given a unique driver ID associated with the driver's experience profile.
  • Such data can provide variables by vehicle ID level, number of trips, average number of passengers per trip, bus seat capacity, average speed per trip, and times of day, e.g. 6 times) may be included.
  • the data may also include service (maintenance) history for each vehicle.
  • the service history may include the following items:
  • a service group may include, for example, the following services.
  • ⁇ Tire-related services mechanical work such as tire punctures, tire wear, retreading, pressure monitoring, tire retention wheel nuts, circuit protection valves
  • Chassis-related services brakes, faults, electrical, engine, cooling/heating, Steering, urea water (AdBlue®) filter, etc.
  • ⁇ Body-related services air conditioning, vehicle body damage, maintenance, repair, ticket vending machines, etc.
  • ⁇ Interior-related services mirrors, glass, windows, windshields, CCTV, steam cleaning, etc.
  • Periodic service periodical inspection, vehicle inspection (RMS) pre-inspection, vehicle inspection (RMS)
  • RTD Remaining tread depth
  • the RTD since the difference in the measured values does not have a large impact, the RTD only needs to be measured at one point along the tire circumference.
  • the tire width direction considering that the outer edge is easily worn and the inner edge is sometimes unevenly worn, it is desirable to measure at a plurality of points (for example, 3 to 4 points). The measurement may be performed using an automatic tool or manually.
  • the wear amount (remaining groove amount) of the tire tread may be defined as follows.
  • TreadLoss (current date tread depth) - (previous date tread depth) Tread depth may be interpreted as the depth of the main grooves formed in the tread.
  • Tire temperature and air pressure can be measured by sensors attached to each tire associated with the vehicle ID and tire position of the bus (see Figure 4).
  • the average temperature and average internal pressure may be based on measurements collected at two consecutive RTD measurement timings.
  • wL 100 km Fuel Consumption
  • service kilometers operating distance
  • the fuel consumption data may be obtained, for example, on a monthly basis, and the amount of tread wear (TreadLoss) and other key variables may be aggregated in the period when a specific TreadLoss occurs.
  • Service kilometers for weighting may be calculated for each sub-period obtained by dividing the monthly fuel consumption data by the RTD measurement interval.
  • the number of traffic lights may include the number of traffic lights and mini-rotaries. Intersections may also include large roundabouts with a road centerline diameter greater than 15 meters.
  • road conditions may be quantified by the length of each type of road function, road surface, number of lanes, etc., based on the road segment data set.
  • tracking data after tire removal or installation may be included.
  • data regarding the tire may be recorded when the tire is removed or replaced.
  • the data includes vehicle ID (of the bus to change tires), location of replaced tires, tire brand name, date of tire replacement, retread depth, tire ID (date + vehicle ID + tire location), installed
  • the condition of each tire (new or retreaded), the number of tire retreads, etc. may also be included.
  • Driver Information Profile For the Driver Information Profile, data such as employee ID (Driver ID), gender, date of birth, date of hire may be included. This data can be associated with each vehicle and each tire by combining it with customer data to obtain the driver's experience during the period of tire tread wear (depth loss).
  • the driving experience and driving profile calculated from this stage may include the number of trips, service kilometers, average speed and number of passengers aggregated by RTD (time to tread depth loss for each tire). .
  • the weather data of the area where the base (bus parking lot) of the entity operating the fleet (bus operating company) is present may be included.
  • the maximum temperature for each month may be included, or the average temperature over a period consistent with the RTD measurement interval.
  • the data may also include the weather (clear, cloudy, rainy, snowy).
  • tread depth measurement period (interval).
  • the measurement period is not particularly limited, but is usually about 10 to 130 days.
  • variables such as average speed, operating route, bus patronage, weather temperature, tire temperature, and air pressure (internal pressure) can change during the tread depth measurement cycle.
  • All variables are preferably aggregated (aggregated) to represent one tread measurement cycle.
  • FIG. 5 shows an example aggregation of fleet operations, tire and driver characteristics.
  • the operation/route characteristics include average speed, distance traveled (every two weeks), average maximum temperature, and so on.
  • the data is aggregated by each appropriate method such as weighted average.
  • Tire characteristics include average temperature and average internal pressure. Driver characteristics also include average age, average years of driving experience and percentage of female drivers.
  • the distance traveled (kms) during the tread measurement period may be in units of two weeks (14 days). For example, if one measurement period is 15 days and another measurement period is 50 days, it is meaningless to directly compare the distance traveled by the buses.
  • the statistical method according to this embodiment uses a jointly estimated three-stage least-squares (3SLS) model (left-hand side (LHS) and right-hand side (RHS) endogenous variables ( A system of equations including endogenous variables) can be used.
  • 3SLS jointly estimated three-stage least-squares
  • LHS left-hand side
  • RHS right-hand side
  • endogenous variables A system of equations including endogenous variables
  • tread depth loss between two measurement timings (points) is important, but the number of measurements depends on the number of consistent data points that can be collected from the same tire.
  • the four models relate to average speed, average tire temperature, tread depth loss, and fuel consumption.
  • the tread depth loss itself is not very informative as it is highly dependent on the distance traveled by the vehicle during the measurement period and a millimeter change does not have the same effect on tires with different tread depths.
  • a transformed variable of tread depth is then used that represents the ratio of tread depth loss per kilometer (tread wear per km) to the previous tread depth. This conversion is as shown in (Equation 1).
  • mileage means the service mileage that each bus has traveled since the last measurement up to the present time.
  • Fig. 6 shows the relationship between each variable. Fuel consumption is partly explained by tire tread depth loss per km, partly by tire temperature, and partly by average speed. explained.
  • each of these endogenous variables is affected by a number of exogenous factors indicated by circles in Figure 6. Although the exogenous factors included in each model shown in FIG. 6 are exemplary listings, the combinations of variables and associated interactions are diverse, as indicated by the equations above.
  • Zellner's 3 SLS estimator is obtained by first regressing all variables on the right-hand side of each equation for all variables in the list of (extrinsic) instruments and retaining the fitted values.
  • the disturbance covariance matrix is estimated using the original variables instead of the fitted variables.
  • Non-iterative 3SLS is used because iteration does not provide efficiency gains and does not produce maximum likelihood estimation results.
  • FIGS. 7 and 8 are examples of descriptive profiles of representative variables (data). As shown in Figures 7 and 8, in the final data example for the statistical and descriptive analysis of the 3SLS model, there are 1,749 observations, each representing one tire.
  • the numerical values shown in FIGS. 7 and 8 are averages (standard deviations), and the numerical values are shown for each bus type (all high-floor buses, low-floor buses, articulated buses, double-decker buses). It is
  • variables are classified into bus characteristics, operation/route characteristics, tire characteristics, and driver characteristics.
  • the dependent (or left) variable of (Equation 2) is the average speed, which is statistically described by some route, operation and bus characteristics.
  • the dependent variable in (Equation 3) is the average tire temperature, which is statistically described by average speed, percentage of kilometers at peak, patronage, air temperature and tire position.
  • the dependent variable in (Equation 4) is tread depth loss, which is statistically explained by average speed, average tire temperature, front tire pressure, distance traveled (km), route characteristics, passenger and tire positions.
  • the dependent variable in (Equation 5) is fuel consumption, which is affected in a statistically significant way by tread depth loss, bus age, mileage, and bus type.
  • FIG. 9 shows the results of the 3SLS model.
  • FIG. 9 shows the coefficient parameter (Coefficient) and t-value (t-test) of each dependent variable.
  • the average speed of the double-decker bus 30 and the low-floor regular bus 20 (Rigid) is higher than that of the other types of buses (articulated bus 40 and high-floor regular bus 20). suggests that it is also higher.
  • the rear (back) tire has a greater tread depth loss than the expected front (front) tire. Also, the inner rear (inner back) tires had a higher percentage of tread depth loss per 1,000 km than the outer rear (outer back) tires (3.7% vs. 1.3%).
  • Articulated buses 40 consume significantly more fuel than other types of buses, followed by double-decker buses 30.
  • the variables under the operator's control i.e., the variables with the ability to change values
  • drivers years of experience, age, number of drivers
  • Tire pressure tire temperature
  • bus age bus type
  • the maximum load capacity per trip increases, the speed decreases (the period of loading and unloading increases).
  • the maximum load per run has different effects on different types of buses.
  • the low-floor normal bus 20 is greatly affected by the maximum load, followed by the double-decker bus 30 and the articulated bus 40.
  • the average speed tends to decrease when many drivers drive one vehicle for a long time (around 1,000km). This may be related to familiarity with the vehicle and route, which reduces average speed.
  • tire temperatures may rise during peak hour driving (impact of congestion and increased braking), times of heavy passenger traffic, and times of high expected temperatures.
  • the maximum load has a large effect on the tire temperature of the articulated bus 40, followed by the high-floor normal bus 20 and the double-decker bus 30, but the low-floor normal bus 20 shows a statistically significant effect.
  • tread depth loss can contribute significantly to fuel savings through improved fuel consumption.
  • opportunities to improve tread depth loss are possible, but other variables such as average speed are usually not under the control of the bus operator, except for driving ability, which varies with driver experience and age.
  • Fig. 11 shows the description profile of the maintenance cost data set.
  • Total maintenance cost per kilometer includes labor and inventory costs for each item.
  • the unit is the Australian dollar (AUD).
  • the tread depth loss used in the model represents the average of all vehicle tires. As shown in Figure 11, various cost components of the total maintenance cost occur.
  • Fig. 12 shows the results of the maintenance cost model.
  • the main variables related to tire performance impact that account for the variation in total maintenance costs are:
  • DSS Decision Support System
  • DSS includes all the relationships shown in Figure 6, so for example if there is a change in the average age of the driver, it affects the average speed and the ratio between tire temperature and tread depth loss. Affect. Tread depth loss also affects fuel consumption.
  • DSS can be applied to the dependent variables (i.e. average speed, average tire temperature, percentage of tread depth loss) by adjusting constant coefficients (see Fig. 9), assuming all other explanatory variables remain unchanged. and fuel consumption).
  • the numerical values of the driver-related coefficients and vehicle-related coefficients may be adjusted on the premise that all other explanatory variables remain unchanged.
  • This scenario can be simulated by changing the five explanatory variables that are considered controllable by the operator. Specifically, the percentage of tires with optimal internal pressure levels (105-115 psi), the age of buses, the average age of drivers, the average years of driving experience of drivers, the percentage of 50A male drivers, the number of drivers, and the number of drivers for each route. is a number.
  • FIG. 10 shows an example of a simulated scenario. Specifically, Figure 10 shows six different simulation scenarios and a base (current situation) with four intrinsic (i.e.) dependent variables (average speed, average tire temperature, tread depth loss per 1,000 km). and the expected impact on fuel consumption).
  • four intrinsic (i.e.) dependent variables average speed, average tire temperature, tread depth loss per 1,000 km. and the expected impact on fuel consumption).
  • Scenario 3 maintains the improved age of the buses in Scenario 2 and raises the average driver age to 55.
  • Scenario 6 adds to the level of Scenario 5 and reduces the number of drivers per 1,000km of each vehicle to 6 (8.61 in the base scenario).
  • the explanatory variable bus age has a significant impact on maintenance costs. Reducing the bus age from 6.73 years to 5 years, as in Scenario 2, saves annual maintenance costs. All simulated scenarios show similar effects in the 3SLS model and the maintenance cost model.
  • Scenario 7 is a model with significant savings in both fuel and maintenance costs.
  • FIG. 13 shows an example of a simulated scenario using the 3SLS model DSS tool. Specifically, FIG. 13 shows an example screenshot of a DSS tool simulation scenario for the 3SLS model and maintenance costs.
  • Savings in fuel consumption may be converted into monetary savings in fuel consumption. For example, considering fuel prices averaging $1.61 per liter (AUD) and fuel credits of $0.12003 per liter, the annual savings would be $1.49 per liter.
  • the total annual mileage provided by the target fleet is assumed to be a predetermined value, but using the DSS tool, it is possible to change the total annual mileage provided by the target fleet.
  • the fleet management system 10 can set the driver-related coefficient and the vehicle-related coefficient based on the actual values of the driver-related explanatory variable and the vehicle-related explanatory variable.
  • the fuel consumption prediction system (specifically, DSS) can recalculate the fuel consumption prediction value when at least one of the driver attribute and vehicle attribute is changed using the driver-related coefficient and the vehicle-related coefficient.
  • driver attributes and “vehicle attributes,” which are variables that can be controlled by the operator (bus operating company), and by recalculating the fuel consumption when these variables are changed, a method for fleet management can be developed. can be presented.
  • prediction accuracy can be improved by using tire wear speed, vehicle average speed, and average tire temperature as explanatory variables for fuel consumption.
  • the fleet management system 10 (tire wear prediction system) uses the driver-related coefficient and the vehicle-related coefficient to predict tire wear when at least one of the attributes of the driver and the attribute of the vehicle (bus) is changed. can be recalculated.
  • driver attributes and “vehicle attributes”, which are variables that the operator (bus operating company) can control, and recalculating the wear rate (tread depth loss) when these variables are changed. It is possible to present methods for fleet management.
  • prediction accuracy can be improved by using the average vehicle speed and average tire temperature as explanatory variables for the wear rate.
  • the fuel consumption prediction system can contribute to reducing the fuel consumption of the buses that make up the fleet.
  • the tire wear prediction system may more accurately predict the wear of the tires on the buses that make up the fleet.
  • the fleet management system 10 can acquire at least one of the drivers' average age, gender ratio, average years of experience, and the number of drivers per predetermined mileage as driver-related explanatory variables. Therefore, fuel consumption and tire wear can be predicted with higher accuracy using driver-related explanatory variables that have a large effect on fuel consumption or wear speed.
  • the fleet management system 10 uses the vehicle-related explanatory variables as the average speed of the bus, the wear rate of the tires attached to the bus (in the case of the fuel consumption prediction system), and the average speed of the tires attached to the bus. You can get the temperature. Therefore, fuel consumption and tire wear can be predicted with higher accuracy using vehicle-related explanatory variables that have a large effect on fuel consumption or wear speed.
  • the driver-related explanatory variables are mainly the average age, gender ratio, average years of experience, and the number of people per predetermined mileage.
  • the variables are not limited and other explanatory variables shown in FIGS. 7 and 8 may be used.
  • the tire wear rate, vehicle average speed, and tire average temperature are used as the vehicle-related explanatory variables, but the vehicle-related explanatory variables are not limited to these explanatory variables. 7 and 8 may be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mechanical Engineering (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

タイヤ摩耗予測システムは、フリートを構成する車両に装着されているタイヤの摩耗を予測する。タイヤ摩耗予測システムは、ドライバー関連説明変数及び車両関連説明変数の実績値に基づいて、ドライバー関連説明変数に適用されるドライバー関連係数、及び車両関連説明変数に適用される車両関連係数を設定し、ドライバー関連説明変数及び車両関連説明変数を用いて、タイヤの摩耗を目的変数として計算する。タイヤ摩耗予測システムは、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合における摩耗の予測値を再計算する。

Description

タイヤ摩耗予測システム及びタイヤ摩耗予測方法
　本開示は、フリートを構成する車両に装着されているタイヤの摩耗を予測するタイヤ摩耗予測システムに関する。
　従来、輸送会社などが所有する複数の車両（例えば、バス及びトラックなど）によって構成されるフリートを対象とした消耗品（例えば、タイヤ）の需要予測システムが知られている（特許文献１）。
　特許文献１に記載されている需要予測システムは、消耗品の劣化度を集計し、車両整備工場において必要となる消耗品の種類及び数量を予測する。これにより、フリートのメンテナンスコストの抑制に貢献し得る。
国際公開第2016/071993号
　複数の車両によって構成されるフリートの場合、効率的な運用の実現には、車両に装着されているタイヤの摩耗を正確に予測することが重要である。
　そこで、以下の開示は、このような状況に鑑みてなされたものであり、フリートを構成する車両に装着されているタイヤの摩耗をより正確に予測し得るタイヤ摩耗予測システム及びタイヤ摩耗予測方法の提供を目的とする。
　本開示の一態様は、フリートを構成する車両の燃費を予測する燃費予測システム（フリート管理システム10）であって、前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するドライバー関連変数取得部（ドライバー関連変数取得部110）と、前記車両の属性に関連する複数の車両関連説明変数を取得する車両関連変数取得部（車両関連変数取得部120）と、前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定する係数設定部（係数設定部140）と、前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記燃費を目的変数として計算する目的変数計算部（目的変数計算部150）とを備え、前記目的変数計算部は、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記燃費の予測値を再計算する。
　本開示の一態様は、フリートを構成する車両の燃費を予測する燃費予測方法であって、前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するステップと、前記車両の属性に関連する複数の車両関連説明変数を取得するステップと、前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定するステップと、前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記燃費を目的変数として計算するステップとを含み、前記目的変数を計算するステップでは、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記燃費の予測値を再計算する。
　本開示の一態様は、フリートを構成する車両に装着されているタイヤの摩耗を予測するタイヤ摩耗予測システム（フリート管理システム10）であって、前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するドライバー関連変数取得部（ドライバー関連変数取得部110）と、前記車両の属性に関連する複数の車両関連説明変数を取得する車両関連変数取得部（車両関連変数取得部120）と、前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定する係数設定部（係数設定部140）と、前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記摩耗を目的変数として計算する目的変数計算部（目的変数計算部150）とを備え、前記目的変数計算部は、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記摩耗の予測値を再計算する。
　本開示の一態様は、フリートを構成する車両に装着されているタイヤの摩耗を予測するタイヤ摩耗予測方法であって、前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するステップと、前記車両の属性に関連する複数の車両関連説明変数を取得する車両関連変数取得部と、前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定するステップと、前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記摩耗を目的変数として計算するステップとを含み、前記目的変数を計算するステップでは、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記摩耗の予測値を再計算する。
図１は、フリート及びフリート管理システム10の全体概略構成図である。 図２は、サーバコンピュータ100の機能ブロック構成図である。 図３は、フリート管理システム10の全体概略動作フローを示す図である。 図４は、バスの種類毎のタイヤ位置を示す図である。 図５は、フリートのオペレーション、タイヤ及びドライバーの特性の集約例を示す図である。 図６は、各変数間の関係を示す図である。 図７は、代表的な変数（データ）の記述プロファイルの例である。 図８は、代表的な変数（データ）の記述プロファイルの例である。 図９は、3SLSモデルの結果を示す図である。 図１０は、シミュレーションされたシナリオの例を示す図である。 図１１は、メンテナンスコスト・データセットの記述プロファイルを示す図である。 図１２は、メンテナンスコストモデルの結果を示す図である。 図１３は、3SLSモデルのDSSツールを使用したシミュレートシナリオの例を示す図である。
　以下、実施形態を図面に基づいて説明する。なお、同一の機能や構成には、同一または類似の符号を付して、その説明を適宜省略する。
　（１）フリート及びフリート管理システムの全体概略構成
　図１は、フリート及びフリート管理システム10の全体概略構成図である。フリート管理システム10は、フリート、具体的には、複数の車両を管理する。
　本実施形態では、フリート管理システム10は、フリートを構成する複数のバスを管理する。図１に示すように、フリートは、複数種類のバス（車両）によって構成される。
　具体的には、フリートには、通常バス20、２階建てバス30及び連節バス40が含まれてよい。
　通常バス20は、低床（low floor）または高床（high floor）を備えた１フロアのリジッドな車両である。本実施形態では、通常バス20は、１つの前輪車軸及び１つの後輪車軸を有する。
　２階建てバス30は、１階部分及び２階部分を有する２階建て構造を有する。２階建てバス30は、ダブルデッカーなどとも呼ばれる。本実施形態では、２階建てバス30は、２つの前輪車軸及び１つの後輪車軸を有する。
　連節バス40は、２つの車体が関節によって連結された構造を有する。連節バス40は、アーティキュレート（Articulated）あるいはベンディ（Bendy）バスなどとも呼ばれる。本実施形態では、連節バス40は、先頭車両の１つの前輪車軸及び１つの後輪車軸に加え、後部車両の１つの車軸を有する。
　なお、通常バス20、２階建てバス30及び連節バス40は、路線バスとして提供されてもよいし、チャーターバス（貸し切りバス）として提供されてもよい。
　通常バス20、２階建てバス30及び連節バス40は、フリートを管理するバス運行会社のドライバーによって運転される。具体的には、当該バスは、男性ドライバー50A及び女性ドライバー50Bによって運転される。バス運行会社には、複数の男性ドライバー50Aと複数の女性ドライバー50Bが属する。また、ドライバーの年齢構成及び運転経験年数は、多様であってよい。
　フリート管理システム10は、フリート管理に関する複数の機能を提供できる。本実施形態では、フリートを構成する車両（バス）の燃費を予測する燃費予測システム、及びフリートを構成する車両（バス）に装着されているタイヤの摩耗を予測するタイヤ摩耗予測システムを構成できる。
　このような燃費予測システム及びタイヤ摩耗予測システムは、フリートを運行する事業体（バス運行会社など）における意思決定を支援する意思決定支援システム（DSS）として提供されてもよい。このようなDSSは、フリートの燃料消費とメンテナンスコストとに及ぼすタイヤ関連の影響に関して、幾つかのガイダンスを提供することができる。DSSの詳細については、後述する。
　フリート管理システム10は、サーバコンピュータ100、携帯端末200及びデスクトップ端末300を含んでよい。
　サーバコンピュータ100は、燃費予測システム及びタイヤ摩耗予測システムを実現するコンピュータプログラムを実行することができる。サーバコンピュータ100は、通信ネットワークに接続されたサーバコンピュータ単体によって構成されてもよいし、ネットワーククラウド上において仮想的に構成されてもよい。
　ネットワーククラウドは、典型的にはインターネットを含み、インターネット上において提供される各種の情報提供サービス（気象情報など）、ストレージサービス、及びアプリケーションサービスなどを含む。
　携帯端末200及びデスクトップ端末300は、通信ネットワークを介してサーバコンピュータ100にアクセスすることができる。
　携帯端末200は、典型的にはスマートフォン及びタブレット型端末などであるが、ラップトップ型のパーソナルコンピュータ（PC）であってもよい。デスクトップ端末300は、フリートを運行する事業体のオフィスなどに設定される比較的大型のPC（モニタを含む）などである。
　携帯端末200及びデスクトップ端末300は、サーバコンピュータ100（燃費予測システム及びタイヤ摩耗予測システム）に対するデータの入力、サーバコンピュータ100での処理結果の表示、出力などに用いられる。
　燃費予測システム及びタイヤ摩耗予測システムが取り扱うデータは広範囲に及ぶが、大別すると、車両（バス種類など）、タイヤ関連測定（トレッド残溝量、温度、内圧など）、天候（気温など）、走行（距離、燃料消費量など）、ドライバー（性別、年齢、運転経験年数など）、道路（運行ルート、信号機数、停留所数など）関連のデータを対象としてよい。
　また、これらのデータの一部は、携帯端末200またはデスクトップ端末300を介してではなく、例えば、タイヤ関連測定データについては、タイヤ空気圧監視システム（TPMS）などを利用したテレメトリーシステムを介して取得されてもよいし、天候データなどについては、サーバコンピュータ100が通信ネットワークを介して直接取得してもよい。
　（２）フリート管理システムの機能ブロック構成
　次に、フリート管理システム10の機能ブロック構成について説明する。具体的には、サーバコンピュータ100によって実現される燃費予測システム及びタイヤ摩耗予測システムの機能ブロック構成について説明する。
　図２は、サーバコンピュータ100の機能ブロック構成図である。図２に示すように、サーバコンピュータ100は、ドライバー関連変数取得部110、車両関連変数取得部120、データ格納部130、係数設定部140、目的変数計算部150及び出力部160を備える。
　これらの機能ブロックは、サーバコンピュータ100のハードウェア上においてコンピュータプログラム（ソフトウェア）を実行することによって実現される。
　具体的には、サーバコンピュータ100は、ハードウェア要素として、プロセッサ、メモリ、入力デバイス、ディスプレイ、外部インターフェースなどを備えてよい。但し、上述したように、サーバコンピュータ100（燃費予測システム及びタイヤ摩耗予測システム）は、ネットワーククラウド上において仮想的に構成されてもよい。
　燃費予測システムは、フリートを構成する車両（バス）の燃費を予測する。また、タイヤ摩耗予測システムは、フリートを構成する車両（バス）に装着されているタイヤの摩耗を予測する。
　ドライバー関連変数取得部110は、複数のドライバー関連説明変数を取得できる。ドライバー関連説明変数とは、車両（バス）を運転するドライバーの属性に関連する変数（variables）と定義されてよい。
　本実施形態では、ドライバー関連説明変数とは、通常バス20、２階建てバス30または連節バス40を運転する複数の男性ドライバー50A及び女性ドライバー50Bの属性に関する変数である。
　当該変数は、説明変数（explanatory variables）と解釈されてよい。説明変数は、目的変数を説明する変数と定義されてよく、独立変数と呼ばれてもよい。説明変数は、上述したデータの中から選択されてよい。
　目的変数は、予測したい変数と定義されてよく、従属変数（dependent variables）と呼ばれてもよい。
　ドライバー関連変数取得部110は、ドライバー関連説明変数として、ドライバーの平均年齢、性別割合、平均経験年数、所定走行距離毎の人数の少なくとも何れかを取得できる。性別割合とは、男性（または女性）ドライバーの全体に占める割合を意味してよい。また、所定走行距離毎の人数（Number of drivers per 1,000 kms）とは、所定距離（例えば、1,000km）毎の担当ドライバーの人数を意味する。
　ドライバー関連説明変数は、このような変数に限られず、ドライバーの属性に関連する統計的なデータ（例えば、事故歴、血液型など）がさらに追加されてもよい。
　車両関連変数取得部120は、車両（バス）の属性に関連する複数の車両関連説明変数を取得できる。車両関連説明変数とは、車両（バス）の属性に関連する変数（variables）と定義されてよい。
　本実施形態では、車両関連説明変数とは、通常バス20、２階建てバス30または連節バス40の属性に関する変数である。
　当該変数は、ドライバー関連説明変数と同様に、説明変数（explanatory variables）と解釈されてよい。
　車両関連変数取得部120は、車両関連説明変数として、車両（バス）に装着されているタイヤの摩耗速度を取得できる。摩耗速度とは、各バスに装着されているタイヤの単位走行距離当たりのトレッドの摩耗量と定義されてよい。或いは、摩耗速度は、バスの単位運行時間当たりのトレッドの摩耗量と定義されてもよい。また、摩耗速度は、トレッドの残溝量（RTD：Remaining Tread Depth）として定義されてもよい。
　また、車両関連変数取得部120は、車両関連説明変数として、車両（バス）の平均速度を取得できる。平均速度とは、走行ルート毎のバスの走行速度の平均と定義されてよい。
　或いは、平均速度とは、バスの単位運行時間当たりの走行速度の平均と定義されてもよい。
　さらに、車両関連変数取得部120は、車両関連説明変数として、車両（バス）に装着されているタイヤの平均温度（平均タイヤ温度）を取得できる。平均温度とは、各バスに装着されているタイヤについて複数回測定された温度の平均と定義されてよい。当該温度は、上述したように、タイヤ内面などに装着されたTPMSのセンサーによって測定されてよい。また、当該温度の取得タイミングは、バスの運行開始、運行終了または運行途中のタイミングでもよいが、バスが運行していない駐車中は除外されることが望ましい。
　データ格納部130は、ドライバー関連変数取得部110及び車両関連変数取得部120によって取得されたデータ（変数）を格納する。また、データ格納部130は、携帯端末200またはデスクトップ端末300を介して入力され、燃費予測システム及びタイヤ摩耗予測システムが取り扱うデータを格納する。
　係数設定部140は、ドライバー関連変数取得部110によって取得されたドライバー関連説明変数に適用される係数（Coefficient）を設定する。また、係数設定部140は、車両関連変数取得部120によって取得された車両関連説明変数に適用される係数（Coefficient）を設定する。
　具体的には、係数設定部140は、ドライバー関連説明変数に適用されるドライバー関連係数を設定する。また、係数設定部140は、車両関連説明変数に適用される車両関連係数を設定する。
　より具体的には、係数設定部140は、ドライバー関連説明変数及び車両関連説明変数の実績値に基づいて、ドライバー関連係数及び車両関連係数を設定できる。
　ドライバー関連説明変数及び車両関連説明変数の実績値とは、ドライバー関連変数取得部110によって取得されたドライバー関連説明変数の過去の数値、及び車両関連変数取得部120によって取得された車両関連説明変数の過去の数値に基づいて決定された数値である。
　ドライバー関連係数は、それぞれのドライバー関連説明変数に対して設定できる。また、車両関連係数は、それぞれの車両関連説明変数に対して設定できる。なお、全ての説明変数のうちの一部に対して共通（同一）の係数が設定されてもよい。また、このような係数は、重み付け或いはパラメータなどの用語で置き換えられてもよい。
　本実施形態では、ドライバー関連係数及び車両関連係数は、３段階の最小二乗（3SLS）モデルを用いて推定できる。但し、必ずしも3SLSモデルを用いなくてもよく、他のSLSモデルなどが用いられてもよい。
　なお、ドライバー関連説明変数、車両関連説明変数、ドライバー関連係数及び車両関連係数の具体例については、後述する。
　目的変数計算部150は、ドライバー関連説明変数及び車両関連説明変数を用いて目的変数を計算する。
　具体的には、目的変数計算部150は、ドライバー関連説明変数及び車両関連説明変数を用いて、燃費を目的変数として計算できる。燃費とは、車両、具体的には、通常バス20、２階建てバス30または連節バス40が所定の走行ルートを所定の条件に従って走行した場合に消費すると想定される燃料の消費率（または消費量）である。
　より具体的には、目的変数計算部150は、燃費に影響するドライバー関連説明変数及び車両関連説明変数の少なくとも何れかの係数（ドライバー関連係数または車両関連係数）を調整することによって、当該係数を変更した場合に変化する燃費を推定できる。
　つまり、目的変数計算部150は、目的変数としての燃費と、燃費に影響を与える説明変数としてのドライバー属性（平均年齢、性別割合、平均経験年数など）、及び車両情報（使用年数、車両タイプ）との過去実績に基づいて、各説明変数の重み付け（パラメータ）を設定できる。さらに、目的変数計算部150は、ドライバー属性及び／または車両情報を変更した場合における目的変数の予測値を再計算できる。
　また、目的変数計算部150は、ドライバー関連説明変数及び車両関連説明変数を用いて、タイヤの摩耗を目的変数として計算できる。タイヤの摩耗とは、通常バス20、２階建てバス30または連節バス40に装着されているタイヤのトレッドの摩耗量（またはRTD）である。或いは、ここで言うタイヤの摩耗とは、上述したように、摩耗速度であってもよい。
　具体的には、目的変数計算部150は、摩耗に影響するドライバー関連説明変数及び車両関連説明変数の少なくとも何れかの係数（ドライバー関連係数または車両関連係数）を調整することによって、当該係数を変更した場合に変化する摩耗を推定できる。
　つまり、目的変数計算部150は、目的変数としての摩耗速度（一定走行距離毎の摩耗量）と、摩耗速度に影響を与える説明変数としてのドライバー属性（平均年齢、性別割合、平均経験年数など）、及び車両情報（使用年数、車両タイプ）との過去実績に基づいて、各説明変数の重み付け（パラメータ）を設定できる。さらに、目的変数計算部150は、ドライバー属性及び／または車両情報を変更した場合における目的変数の予測値を再計算できる。
　このように、目的変数計算部150は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合における燃費の予測値を再計算できる。
　また、目的変数計算部150は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合におけるタイヤの摩耗の予測値を再計算できる。
　出力部160は、ドライバー関連変数取得部110及び車両関連変数取得部120によって取得されたデータ（説明変数）を出力できる。
　また、出力部160は、係数設定部140によって設定されたドライバー関連係数及び車両関連係数を出力できる。
　さらに、出力部160は、目的変数計算部150によって計算された燃費及びタイヤの摩耗の予測値を出力できる。
　具体的には、出力部160は、ディスプレイなどへの画像データ出力、及び携帯端末200またはデスクトップ端末300へのデータ送信の機能を提供する。
　なお、出力部160は、意思決定支援システム（DSS）のプラットフォームを介して上述したデータの表示、送信または出力を実現してもよい。
　（３）フリート管理システムの動作
　次に、フリート管理システム10の動作について説明する。具体的には、フリート管理システム10（燃費予測システム）によるフリートを構成する車両（バス）の燃費の予測動作、及びフリート管理システム10（タイヤ摩耗予測システム）によるフリートを構成する車両（バス）に装着されているタイヤの摩耗を予測動作について主に説明する。
　（３．１）全体概略動作
　図３は、フリート管理システム10の全体概略動作フローを示す。具体的には、図３に示す動作フローは、燃費予測システム及びタイヤ摩耗予測システムにおいて共通である。
　図３に示すように、フリート管理システム10は、ドライバー関連説明変数及び車両関連説明変数を取得する（S10）。
　具体的には、フリート管理システム10は、車両（バス）を運転するドライバーの属性に関連する説明変数を取得するとともに、車両（バス）の属性に関連する説明変数を取得する。
　フリート管理システム10は、取得したドライバー関連説明変数及び車両関連説明変数に適用される係数を算出する（S20）。具体的には、フリート管理システム10は、ドライバー関連説明変数に適用されるドライバー関連係数、及び車両関連説明変数に適用される車両関連係数を算出する。
　より具体的には、フリート管理システム10は、上述したように、３段階の最小二乗（3SLS）モデルを用いてドライバー関連係数及び車両関連係数を算出（推定）する。
　フリート管理システム10は、ドライバー関連説明変数及び車両関連説明変数を用いて目的変数を算出する（S30）。
　具体的には、フリート管理システム10は、ドライバー関連説明変数及び車両関連説明変数を用いて、燃費を目的変数として計算できる。同様に、フリート管理システム10は、ドライバー関連説明変数及び車両関連説明変数を用いて、タイヤの摩耗を目的変数として計算できる。
　さらに、フリート管理システム10は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合における燃費の予測値を再計算できる。同様に、フリート管理システム10は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合におけるタイヤの摩耗の予測値を再計算できる。
　フリート管理システム10は、燃費の予測値の再計算の結果、及び／またはタイヤの摩耗の予測値を再計算の結果を出力する（S40）。具体的には、フリート管理システム10は、当該結果をディスプレイに表示したり、携帯端末200またはデスクトップ端末300に送信したりすることができる。
　（３．２）収集データ
　フリート管理システム10（燃費予測システム及びタイヤ摩耗予測システム）では、燃費及びタイヤの摩耗の予測値を計算するために、次に示すデータがドライバー関連説明変数及び車両関連説明変数として収集される。
　（３．２．１）車両（バス）
　上述したように、バスの種類は、通常バス20、２階建てバス30または連節バス40の何れかでよい。各バスの比率も特に制限されないが、一般的には、通常バス20の比率が高くてよい。
　図４は、バスの種類毎のタイヤ位置を示す。図４に示すように、通常バス20は、１つの前輪車軸及び１つの後輪車軸を有する。通常バス20の後輪には、２本のタイヤを並列に組み付けた、いわゆるダブルタイヤが採用され、１～６の６本のタイヤが装着される。
　２階建てバス30は、２つの前輪車軸及び１つの後輪車軸を有する。２階建てバス30も後輪には、ダブルタイヤが採用され、１～８の８本のタイヤが装着される。
　連節バス40は、先頭車両の１つの前輪車軸及び１つの後輪車軸に加え、後部車両の１つの車軸を有する。連節バス40もダブルタイヤが採用され、１～１０の１０本のタイヤが装着される。
　バスの台数及びタイヤの本数も特に制限されないが、燃費及びタイヤの摩耗の予測精度を高めるためには、一定程度以上の母数が存在することが好ましく、バスの合計台数は概ね３０台以上、タイヤ本数は概ね２００本以上であることが好ましい。
　また、フリート管理システム10は、通信ネットワークを介して接続される外部システム（サービス）から、各バスの詳細な走行記録（一意の車両IDによる）のデータを取得できる。
　当該データには、バスの座席数／乗車定員、日毎の旅行（運行）数、各旅行の乗客数、時刻毎の方向と対応付けられた運行ルートが含まれてよい。車両毎の各旅行には、ドライバーの経験プロファイルと対応付けられた一意のドライバーIDが与えられてよい。
　当該データは、車両IDレベル毎に変数を提供でき、走行（旅行）回数、旅行あたりの平均乗客数、バスの座席定員、旅行毎の平均速度、及び時間区分（times of day、例えば、１日６回）が含まれてよい。
　また、当該データには、車両毎のサービス（メンテナンス）履歴が含まれてもよい。サービス履歴には、以下の項目が含まれてもよい。
　　・サービスグループ
　　・サービスが行われた日付
　　・労働時間数
　　・各サービスのコスト
　　・サービスタイプ
　　・車両がサービスを受けたときの走行距離計の表示
　　・サービスの各レコードの説明
　なお、サービスタイプ及びコストは、各車両のRTDによってカウント及び集計されてよい。
　サービスグループには、例えば、次のようなサービスが含まれてよい。
　　・タイヤ関連サービス：　タイヤのパンク、タイヤの摩耗、リトレッド、内圧の監視、タイヤ保持ホイールナット、回路保護バルブなどの機械的作業
　　・シャーシ関連のサービス：　ブレーキ、故障、電気、エンジン、冷却／加熱、ステアリング、尿素水（AdBlue（登録商標））フィルターなど
　　・車体関連サービス：　空調、車体損傷、メンテナンス、修理、券売機など
　　・インテリア関連サービス：　ミラー、ガラス、窓、フロントガラス、CCTV、スチームクリーンなど
　　・定期サービス：　定期点検、車検（RMS）前検査、車検（RMS）
　（３．２．２）トレッドの残溝量（RTD）
　タイヤトレッドの残溝量（RTD）については、タイヤ（トレッド）表面の異なる位置に異なるトレッド深さが存在し、タイヤの円周に沿って異なる測定値が存在し得る。
　但し、当該測定値の差異は大きな影響を与えないため、RTDは、タイヤ円周に沿って１点のみ測定されればよい。一方、タイヤ幅方向については、外側のエッジが摩耗し易く、内側のエッジも時々偏摩耗することを考慮すると、複数点（例えば、３～４点）を対象として測定されることが望ましい。測定は自動工具が用いられてもよいし、手動でもよい。
　また、タイヤのトレッドの摩耗量（残溝量）は、以下のように定義されてよい。
　　・TreadLoss＝（現在の日付のトレッド深さ）－（前回の日付のトレッド深さ）
　トレッド深さとは、トレッドに形成された主溝の深さと解釈されてよい。
　タイヤ温度及び空気圧（内圧）は、バスの車両ID及びタイヤ位置（図４参照）に関連付けられている各タイヤに取り付けられたセンサーによって測定できる。平均温度及び平均内圧は、２つの連続するRTD測定タイミングにおいて収集された測定値に基づいてよい。
　（３．２．３）燃料消費
　燃料消費（燃費）は、走行距離による加重平均（wL 100 km）が使用されてよい。具体的には、RTDの測定間隔毎に「サービスキロメートル」（営業距離）を使用してwL 100 kmが計算されてよい。
　なお、燃料消費データは、例えば、月ベースで取得され、トレッドの摩耗量（TreadLoss）及び他の主要変数は、特定のTreadLossが発生した期間で集計されてもよい。
　重み付けのためのサービスキロメートルは、毎月の燃料消費データをRTDの測定間隔で分割して得られる各サブ期間について計算されてもよい。
　（３．２．４）道路及びルート
　運行ルートに従った各バスが走行する道路に関しては、信号機及び主要なロータリーの数のデータが含まれてよい。信号機の数には、信号機及びミニロータリーの数が含まれてもよい。また、交差点には、道路の中心線の直径が１５メートルを超える大きなラウンドアバウトが含まれてもよい。
　また、道路状況は、道路のセグメントデータセットに基づいて、各タイプの道路機能の長さ、路面、及び車線数などによって定量化されてもよい。
　（３．２．５）タイヤ関連
　上述したRTD以外に、タイヤの取り外しまたは取り付け後における追跡データ（レコード）が含まれてもよい。例えば、タイヤを取り外し時または交換時などに、当該タイヤに関するデータが記録されてもよい。当該データには、（タイヤを交換するバスの）車両ID、交換されたタイヤの位置、タイヤのブランド名、タイヤ交換の日付、リトレッド深さ、タイヤID（日付+車両ID+タイヤ位置）、装着された各タイヤの状態（新品またはリトレッド（更生））、タイヤ更生の回数などが含まれてもよい。
　（３．２．６）ドライバー情報プロファイル
　ドライバー情報プロファイルに関しては、従業員ID（ドライバーID）、性別、生年月日、雇用日などのデータが含まれてよい。当該データを顧客データと組み合わせ、タイヤトレッドの摩耗（深さ損失）の発生期間におけるドライバーの経験を得ることによって、各車両及び各タイヤと関連付けることができる。
　また、この段階から計算される運転経験と運転プロファイルとは、RTD（各タイヤのトレッド深さ損失が発生する時間）毎に集計された旅行数、サービスキロメートル、平均速度及び乗客数を含んでもよい。
　（３．２．７）気象データ
　気象（天候）に関しては、フリートを運行する事業体（バス運行会社）の基地（バス駐車場）が存在するエリアの気象データが含まれてよい。例えば、各月の最高気温が含まれてもよいし、RTDの測定間隔に一致した期間における平均気温が含まれてもよい。また、当該データには、天候（晴、曇、雨、雪）が含まれてよい。
　（３．３）データ集約
　フリート管理システム10（燃費予測システム及びタイヤ摩耗予測システム）において最も重要な変数の１つは、時間軸上の２つの測定タイミングの期間におけるトレッド深さの変化として測定されるトレッド深さ損失である。当該期間は、トレッド深さの測定周期（間隔）と呼ばれてもよい。当該測定周期は、特に制限されないが、通常、１０日～１３０日程度である。
　当該周期において、バスの年齢、バスの種類、タイヤのブランド、バスの燃料消費量など、問題を引き起こさない（またはほぼ一定の）変数がある。
　一方、平均速度、運行ルート、バス乗客（patronage）、天候温度、タイヤ温度、空気圧（内圧）などの変数は、トレッド深さの測定周期中に変化し得る。
　全ての変数は、１つのトレッド測定周期を表すために集約（集計）されることが好ましい。図５は、フリートのオペレーション、タイヤ及びドライバーの特性の集約例を示す。
　図５に示すように、オペレーション／ルート特性には、平均速度、走行距離（２週間毎）、平均最高気温などが含まれる。また、当該データは、加重平均など、それぞれ適切な方法によって集約される。
　タイヤ特性には、平均温度及び平均内圧が含まれる。また、ドライバー特性には、平均年齢、平均運転経験年数及び女性ドライバーの比率が含まれる。
　なお、運行ルートが長い場合、その特性は、短い運行ルートよりも高く重み付けされてよい。トレッドの測定周期中に走行した距離（kms）は、２週間（１４日間）を単位としてよい。例えば、ある測定周期が１５日間、別の測定周期が５０日間である場合、バスが走行した距離を直接比較するのは意味がないためである。
　（３．４）速度、温度、トレッド深さ及び燃料消費モデル
　次に、速度、温度、トレッド深さ及び燃料消費のモデルに関する内容について説明する。
　（３．４．１）連立方程式モデルシステム
　本実施形態に係る統計的手法は、共同で推定された３段階の最小二乗（3SLS）モデル（左辺（LHS）及び右辺（RHS）の内生変数（endogenous variables）を含む方程式系）を用いることができる。
　上述したように、２つの測定タイミング（ポイント）間におけるトレッド深さ損失が重要であるが、測定数は、同一のタイヤから収集できる一貫したデータポイントの数に依存する。
　４つのモデルは、平均速度、平均タイヤ温度、トレッド深さ損失、及び燃料消費に関連している。トレッド深さ損失自体は、測定周期中に車両が走行した距離に大きく依存し、またミリメートルの変更はトレッド深さが異なるタイヤに同じ効果を及ぼさないため、あまり有益ではない。
　そこで、前回のトレッド深さに対する１キロメートルあたりのトレッド深さ損失（ｋｍ当たりのトレッド摩耗）の割合を表すトレッドの深さの変換された変数が用いられる。この変換は、（式１）に示されているとおりである。
Figure JPOXMLDOC01-appb-M000001
　ここで、当該変数の単位は、次のとおりである。
Figure JPOXMLDOC01-appb-M000002
　次の式に含まれる全ての属性は、トレッド測定周期に基づいて計算される。例えば、走行距離は、各バスが前回の測定から現時点までに走行したサービス走行距離を意味する。
　方程式系は、（式２）～（式５）に示されているとおりである。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
　図６は、各変数間の関係を示す。燃料消費（Fuel consumption）は、部分的にはタイヤのトレッド深さ損失（Tread depth loss per km）によって説明され、部分的にはタイヤ温度（Tyre temperature）によって説明され、部分的には平均速度によって説明される。
　タイヤ温度の一部は、平均速度で説明される。
　これらの内生変数のそれぞれは、図６において円形で示される多くの外生的要因（exogenous factors）の影響を受ける。図６に示されている各モデルに含まれる外生的要因は、例示的に列挙したものであるが、上述した方程式によって示されるように、変数と関連する相互作用の組み合わせは多様である。
　図６に示すように、外乱（誤差項）が同時に相関している場合、２段階最小二乗推定の実行可能な一般化最小二乗（FGLS）バージョンは、一貫性があり、漸近的に効率的な推定に繋がる（Zellner and Theil 1962）。このような推定手順は、３段階最小二乗（3SLS）と呼ばれる。
　Zellnerの3 SLS推定器は、まず（外因）計器のリストにある全ての変数について、各方程式の右辺にある全ての変数を回帰し、当てはめられた値を保持することによって得られる。
　当該イベントでは、この最初の段階の回帰は、当該変数上の１つのパラメータと全ての他のための零で完全なフィットを生成するため、契機変数リストに同様に現れる方程式リスト内の任意の変数は正確に再現される。
　当該推定後、外乱共分散行列は、適合変数ではなく元の変数を用いて推定される。非反復3SLSを使用するのは、反復が効率の向上をもたらさず、最尤推定結果を生成しないためである。
　（３．４．２）収集されたデータの記述プロファイル
　図７及び図８は、代表的な変数（データ）の記述プロファイルの例である。図７及び図８に示すように、3SLSモデルの統計及び記述分析の最終データの例では、1,749の観測値があり、それぞれが１つのタイヤを表している。
　図７及び図８に示されている数値は、平均（標準偏差）であり、バス種類（全て、高床バス、低床バス、連節バス、２階建てバス）毎に区分して数値が示されている。
　また、変数は、バス特性、オペレーション／ルート特性、タイヤ特性及ドライバー特性に区分して示されている。
　（３．４．３）3SLSモデルの結果と解釈
　上述したように、本実施形態では、3SLSモデルが用いられるが、内生変数のそれぞれに統計的に有意な影響を与える可能性を有する、すなわち、平均速度、トレッド深さ損失、平均タイヤ温度、燃料消費が存在する。
　（式２）の従属（または左側）変数は、平均速度であり、幾つかの運行ルート、オペレーション及びバスの特性によって統計的に説明される。
　（式３）の従属変数は、平均タイヤ温度であり、平均速度、ピーク時のキロメートルの割合、乗客（patronage）、気温及びタイヤ位置によって統計的に説明される。
　（式４）の従属変数は、トレッド深さ損失であり、平均速度、平均タイヤ温度、フロントタイヤのタイヤ空気圧、走行距離（km）、ルート特性、乗客及びタイヤ位置によって統計的に説明される。
　（式５）の従属変数は、燃料消費であり、トレッド深さ損失、バスの年齢、走行距離、バスの種類によって統計的に有意な方法で影響を受ける。
　図９は、3SLSモデルの結果を示す。図９には、各従属変数の係数パラメータ（Coefficient）及びt値（t-test）が示されている。
　図９に示されている結果によれば、２階建てバス30及び低床の通常バス20（Rigid）の平均速度が、他の種類のバス（連節バス40及び高床の通常バス20）よりも高いことを示唆している。
　後輪（バック）タイヤは、予想されていた前輪（フロント）タイヤよりもトレッド深さ損失が大きい。また、内側後輪（インナーバック）タイヤは、外側後輪（アウターバック）のタイヤよりも1,000 kmあたりのトレッド深さ損失の割合が大きかった（3.7％対1.3％）。
　連節バス40は、他の種類のバスよりも燃料消費が大幅に高く、２階建てバス30がそれに続く。
　重要なことに、統計的に重要な説明変数の多くはコンテキストに依存し、動作環境を表しているため、オペレーター（バス運行会社）の制御下にはない。相互に関連する４つの方程式（式２～式５）の全てにおいて、オペレーターの制御下にある変数（つまり、値を変更する能力がある変数）は、ドライバー（経験年数、年齢、ドライバー数）、タイヤの空気圧、タイヤ温度、バスの年齢及びバスの種類である。
　また、平均速度の方程式（式２）では、他の全ての条件が同じであるため、２週間あたりの走行距離が長いほど、平均速度が高くなる傾向があることが分かる。1kmあたりの停止回数が多いほど、平均速度は低くなる。
　さらに、走行（運行）毎の最大積載量が高くなると、速度が低下する（積み込みと降車の期間が長くなる）。走行毎の最大負荷は、バスの種類によって異なる影響を及ぼす。低床の通常バス20は最大負荷の影響が大きく、２階建てバス30、連節バス40がそれに続く。
　バス運行会社において長期間働いているドライバーは、より高い平均速度を提供する傾向がある。また、年上のドライバーは平均速度が低い傾向があり、男性ドライバーは平均速度が高い傾向がある。これは主に、運転するルートに関連している。
　興味深いことに、多くのドライバーが１台の車両（1,000kmあたり）を長く運転すると、平均速度が低下する傾向があることを示されている。これは、車両とルートに精通していることに関連している可能性があり、慣れていない場合は平均速度が低下する。
　また、ピーク時の走行中にタイヤ温度が上昇する可能性がある（混雑の影響、及びブレーキングの増加）、乗客が多い時間帯、及び予想される気温が高い時間帯も同様である。
　最大荷重は、連節バス40のタイヤ温度に大きな影響を与え、次に高床の通常バス20、２階建てバス30が続くが、低床の通常バス20では統計的に有意な影響が示されていない。
　また、平均タイヤ温度が高くなると、トレッド深さ損失が大きくなり、平均速度が高くなると、トレッド深さ損失が大きくなる。興味深いことに、最適な空気圧レベル（105～115psiに減らす）は、フロントタイヤのトレッド深さ損失に対する統計的に有意な影響であると見受けられる。これは、最適レベルの空気圧がバックタイヤのトレッド深さ損失に統計的に有意な影響を与えないことを示唆してる。これは他の変数の影響による可能性がある。
　明らかに、トレッド深さ損失の改善は、燃料消費の改善により燃料の節約に大きく貢献し得る。トレッド深さ損失を改善する機会はあり得るが、通常、平均速度などの他の変数は、ドライバーの経験と年齢によって異なる運転能力を除いて、バス運行会社の制御下にはない。
　（３．５）メンテナンスコストの関係
　車両（バス）のメンテナンスコストは、タイヤサービス、シャーシサービス、ボディサービス、インテリアサービス及び日常サービスを考慮し、全ての在庫（タイヤのコストを含む）及び労働作業が含まれる。
　図１１は、メンテナンスコスト・データセットの記述プロファイルを示す。キロメートルあたりの総メンテナンス費用には、各アイテムの人件費及び在庫費用が含まれれる。なお、単位は、オーストラリアドル（AUD）である。
　当該モデルで使用されるトレッド深さ損失は、全ての車両のタイヤの平均を示す。図１１に示すように、総メンテナンスコストの様々なコストコンポーネントにおいて発生する。
　従って、全てのコストを集計し、それらを従属変数として使用するキロメートルあたりのメンテナンスコストとして表し、メンテナンスコストモデルは、他の候補操作、運行ルート、及び他の変数によって説明される。線形回帰方程式は次のとおりである。
Figure JPOXMLDOC01-appb-M000007
　図１２は、当該メンテナンスコストモデルの結果を示す。総メンテナンスコストの変動の原因を説明するタイヤパフォーマンスへの影響に関連する主な変数は、次のとおりである。
　　・車両に装着されている全てのタイヤのトレッド深さ損失の平均
　　・平均タイヤ温度
　　・バスの年齢
　　・車両のルート毎のドライバー数
　　・高床の通常バス20を表すダミー変数
　タイヤのトレッド深さ損失と総メンテナンス費用とには関係性があることが確認できる。
　（３．６）意思決定支援システム（DSS）
　意思決定支援システム（DSS）は、特に、タイヤに関連する影響、燃料消費及びメンテナンスコストに関して、幾つかの重要な影響についてガイダンスを提供できる。DSSを利用すると、ユーザーは、説明変数のレベルを（許容範囲内において動作的に現実的な範囲内で）変更でき、DSSは、影響を受ける他のすべての変数への影響を自動的に計算する。
　DSSには、図６に示されている全ての関係が含まれているため、例えば、ドライバーの平均年齢に変化がある場合、平均速度に影響し、タイヤ温度とトレッド深さ損失との割合に影響する。また、トレッド深さ損失は燃料消費に影響する。
　従って、１つの説明変数（平均速度など）の変化は、４つの方程式全てに含まれていないにもかかわらず、４つの内生従属変数全てに影響を与える可能性がある（例えば、平均速度は燃料消費モデルの直接的な説明変数ではないが、トレッド深さ損失による影響がある）。
　さらに、DSSは、他の全ての説明変数が変更されないことを前提として、定数係数（図９参照）を調整することによって、従属変数（つまり、平均速度、平均タイヤ温度、トレッド深さ損失の割合及び燃料消費）の変更を可能にする。
　つまり、ドライバー関連係数及び車両関連係数は、他の全ての説明変数が変更されないことを前提として、数値が調整されてよい。
　上述したように、幾つかの説明変数が3SLSモデルに含まれているが、それらの全てがオペレーターによって制御できるわけではない。様々なシナリオをシミュレートし、これらの変数が燃料消費と保守コストの節約に与える影響を明らかにしている。
　当該シナリオは、オペレーターが制御できると考えられる５つの説明変数を変更することによってシミュレートできる。具体的には、最適内圧レベル（105～115psi）のタイヤの割合、バスの年齢、ドライバーの平均年齢、ドライバーの平均運転経験年数、男性ドライバー50Aの割合、ドライバーの数及び運行ルート毎のドライバーの数である。
　図１０は、シミュレーションされたシナリオの例を示す。具体的には、図１０は、６つの異なるシミュレーションシナリオとベース（現在の状況）とを示し、４つの内因性（つまり）従属変数（平均速度、平均タイヤ温度、1,000kmあたりのトレッド深さ損失の割合、及び燃料消費量）に与えると予測される影響を示している。
　シナリオ１では、最適内圧レベル（105～115psi）でのタイヤの割合が、54.17％から90.00％に増加する。DSSは、当該シナリオにおける燃料消費の節約量（金額）を示すことができる（シナリオ２～７も同様）。
　シナリオ２では、バスの年齢が6.73年から5年に低下する。
　シナリオ３では、シナリオ２でのバスの改善された年齢を維持し、ドライバーの平均年齢を５５歳に引き上げる。
　シナリオ４では、シナリオ３の改善された説明変数を維持し、ドライバーの経験を３年に短縮する。
　シナリオ５では、シナリオ４のレベルを維持するが、50％が女性ドライバー50Bによって運転される。
　シナリオ６では、シナリオ５のレベルに追加され、各車両の1,000kmあたりのドライバー数を６人（基本シナリオは8.61人）に削減する。
　また、メンテナンスコストの観点では、全ての変更は、トレッド深さ損失と平均タイヤ温度の割合の変更を通じて、直接的または間接的にメンテナンスコストに影響を与え得る。
　シナリオ２で説明されているように、説明変数であるバス年齢は、メンテナンスコストに大きな影響を与える。シナリオ２のように、バスの年齢を6.73年から5年に減らすと、年間メンテナンスコストを節約できる。シミュレートされた全てのシナリオは、3SLSモデルとメンテナンスコストモデルとで同様の効果が確認できる。
　シナリオ７は、燃料コストとメンテナンスコストとの両方が大幅に節約されたモデルである。
　図１３は、3SLSモデルのDSSツールを用いたシミュレートシナリオの例を示す。具体的には、図１３は、3SLSモデル及びメンテナンスコストのDSSツールのシミュレーションシナリオのスクリーンショットの例を示している。
　燃料消費の節約は、燃料消費の金銭的節約に変換されてよい。例えば、燃料の価格が１リットルあたり平均1.61ドル（AUD）であり、１リットルあたり0.12003ドルの燃料クレジットを考慮すると、年間節約量は、１リットルあたり1.49ドルになる。
　また、例えば、対象のフリートが提供する年間運行総距離数は、所定値に想定されるが、DSSツールを使用すると、対象のフリートが提供する年間運行総距離数を変更することもできる。
　（４）作用・効果
　上述した実施形態によれば、以下の作用効果が得られる。具体的には、フリート管理システム10（燃費予測システム）は、ドライバー関連説明変数及び車両関連説明変数の実績値に基づいて、ドライバー関連係数及び車両関連係数を設定できる。また、燃費予測システム（具体的には、DSS）は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両の属性の少なくとも何れかを変更した場合における燃費の予測値を再計算できる。
　つまり、オペレーター（バス運行会社）がコントロールできる変数である「ドライバー属性」及び「車両属性」に着目し、これらの変数を変更した際の燃費を再計算することによって、フリート管理のための手法の提示が可能となる。
　また、燃費の説明変数として、タイヤの摩耗速度、車両の平均速度、平均タイヤ温度を使用することによって、予測精度を向上し得る。
　また、フリート管理システム10（タイヤ摩耗予測システム）は、ドライバー関連係数及び車両関連係数を用いて、ドライバーの属性及び車両（バス）の属性の少なくとも何れかを変更した場合におけるタイヤの摩耗の予測値を再計算できる。
　つまり、オペレーター（バス運行会社）がコントロールできる変数である「ドライバー属性」及び「車両属性」に着目し、これらの変数を変更した際の摩耗速度（トレッド深さ損失）を再計算することによって、フリート管理のための手法の提示が可能となる。
　また、摩耗速度の説明変数として、車両の平均速度、平均タイヤ温度を使用することによって、予測精度を向上し得る。
　すなわち、燃費予測システムは、フリートを構成するバスの燃費の抑制に貢献し得る。また、タイヤ摩耗予測システムは、フリートを構成するバスに装着されているタイヤの摩耗をより正確に予測し得る。
　本実施形態では、フリート管理システム10は、ドライバー関連説明変数として、ドライバーの平均年齢、性別割合、平均経験年数、所定走行距離毎の人数の少なくとも何れかを取得できる。このため、燃費または摩耗速度への影響が大きいドライバー関連説明変数を用いて燃費及びタイヤの摩耗をより高い精度で予測できる。
　本実施形態では、フリート管理システム10は、車両関連説明変数として、バスの平均速度、バスに装着されているタイヤの摩耗速度（燃費予測システムの場合）、及びバスに装着されているタイヤの平均温度を取得できる。このため、燃費または摩耗速度への影響が大きい車両関連説明変数を用いて燃費及びタイヤの摩耗をより高い精度で予測できる。
　（５）その他の実施形態
　以上、実施形態について説明したが、当該実施形態の記載に限定されるものではなく、種々の変形及び改良が可能であることは、当業者には自明である。
　例えば、上述した実施形態では、ドライバー関連説明変数として、主にドライバーの平均年齢、性別割合、平均経験年数、所定走行距離毎の人数が用いられていたが、ドライバー関連説明変数は、これらの説明変数に限定されず、図７及び図８に示されている他の説明変数が用いられてよい。
　また、上述した実施形態では、車両関連説明変数として、タイヤの摩耗速度、車両の平均速度、タイヤの平均温度が用いられていたが、車両関連説明変数もこれらの説明変数に限定されず、図７及び図８に示されている他の説明変数が用いられてよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　10　フリート管理システム
　20　通常バス
　30　２階建てバス
　40　連節バス
　50A　男性ドライバー
　50B　女性ドライバー
　100　サーバコンピュータ
　110　ドライバー関連変数取得部
　120　車両関連変数取得部
　130　データ格納部
　140　係数設定部
　150　目的変数計算部
　160　出力部
　200　携帯端末
　300　デスクトップ端末

Claims (5)

  1. 　フリートを構成する車両に装着されているタイヤの摩耗を予測するタイヤ摩耗予測システムであって、
    　前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するドライバー関連変数取得部と、
    　前記車両の属性に関連する複数の車両関連説明変数を取得する車両関連変数取得部と、
    　前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定する係数設定部と、
    　前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記摩耗を目的変数として計算する目的変数計算部と
    　を備え、
    　前記目的変数計算部は、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記摩耗の予測値を再計算するタイヤ摩耗予測システム。
  2. 　前記ドライバー関連変数取得部は、前記ドライバー関連説明変数として、前記ドライバーの平均年齢、性別割合、平均経験年数、所定走行距離毎の人数の少なくとも何れかを取得する請求項１に記載のタイヤ摩耗予測システム。
  3. 　前記車両関連変数取得部は、前記車両関連説明変数として、前記車両の平均速度を取得する請求項１または２に記載のタイヤ摩耗予測システム。
  4. 　前記車両関連変数取得部は、前記車両関連説明変数として、前記車両に装着されているタイヤの平均温度を取得する請求項１乃至３の何れか一項に記載のタイヤ摩耗予測システム。
  5. 　フリートを構成する車両に装着されているタイヤの摩耗を予測するタイヤ摩耗予測方法であって、
    　前記車両を運転するドライバーの属性に関連する複数のドライバー関連説明変数を取得するステップと、
    　前記車両の属性に関連する複数の車両関連説明変数を取得する車両関連変数取得部と、
    　前記ドライバー関連説明変数及び前記車両関連説明変数の実績値に基づいて、前記ドライバー関連説明変数に適用されるドライバー関連係数、及び前記車両関連説明変数に適用される車両関連係数を設定するステップと、
    　前記ドライバー関連説明変数及び前記車両関連説明変数を用いて、前記摩耗を目的変数として計算するステップとを含み、
    　前記目的変数を計算するステップでは、前記ドライバー関連係数及び前記車両関連係数を用いて、前記ドライバーの属性及び前記車両の属性の少なくとも何れかを変更した場合における前記摩耗の予測値を再計算するタイヤ摩耗予測方法。
PCT/JP2022/015631 2021-06-25 2022-03-29 タイヤ摩耗予測システム及びタイヤ摩耗予測方法 WO2022270106A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP22828025.1A EP4361908A1 (en) 2021-06-25 2022-03-29 Tire wear prediction system and tire wear prediction method
CN202280037294.8A CN117396388A (zh) 2021-06-25 2022-03-29 轮胎磨损预测系统和轮胎磨损预测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021106161A JP2023004481A (ja) 2021-06-25 2021-06-25 タイヤ摩耗予測システム及びタイヤ摩耗予測方法
JP2021-106161 2021-06-25

Publications (1)

Publication Number Publication Date
WO2022270106A1 true WO2022270106A1 (ja) 2022-12-29

Family

ID=84545413

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/015631 WO2022270106A1 (ja) 2021-06-25 2022-03-29 タイヤ摩耗予測システム及びタイヤ摩耗予測方法

Country Status (4)

Country Link
EP (1) EP4361908A1 (ja)
JP (1) JP2023004481A (ja)
CN (1) CN117396388A (ja)
WO (1) WO2022270106A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227141A (ja) * 2004-02-13 2005-08-25 Hitachi Ltd 車両診断システム
WO2016071993A1 (ja) * 2014-11-06 2016-05-12 株式会社日立システムズ 車両消耗品需要予測システムおよび車両消耗品需要予測プログラム
US20190255891A1 (en) * 2018-02-22 2019-08-22 Ford Global Technologies, Llc System and method for tire wear prognostics
US20200334922A1 (en) * 2019-04-16 2020-10-22 Verizon Patent And Licensing Inc. Determining vehicle service timeframes based on vehicle data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227141A (ja) * 2004-02-13 2005-08-25 Hitachi Ltd 車両診断システム
WO2016071993A1 (ja) * 2014-11-06 2016-05-12 株式会社日立システムズ 車両消耗品需要予測システムおよび車両消耗品需要予測プログラム
US20190255891A1 (en) * 2018-02-22 2019-08-22 Ford Global Technologies, Llc System and method for tire wear prognostics
US20200334922A1 (en) * 2019-04-16 2020-10-22 Verizon Patent And Licensing Inc. Determining vehicle service timeframes based on vehicle data

Also Published As

Publication number Publication date
JP2023004481A (ja) 2023-01-17
CN117396388A (zh) 2024-01-12
EP4361908A1 (en) 2024-05-01

Similar Documents

Publication Publication Date Title
US20210215491A1 (en) Cloud-based dynamic vehicle sharing system and method
US8112318B2 (en) System and method for managing a plurality of tires
JP6593798B2 (ja) 車両、車両の通信モジュールと通信するシステム、および１組の車両と通信するシステム
JP2019153291A (ja) デジタルツインシミュレーションに基づく車両の故障予測
US20160078695A1 (en) Method and system for managing a fleet of remote assets and/or ascertaining a repair for an asset
US20140207519A1 (en) System and Method for Identifying Retail Tire Sales
US20160292768A1 (en) Vehicle ratings via measured driver behavior
KR20210101284A (ko) 타이어의 마모 및 수명의 종료를 예측하기 위한 모델
US20220188935A1 (en) Insurance management system
US20230196854A1 (en) Tire replacement system
JP3110243U (ja) タイヤ空気圧点検とタイヤ溝点検に基づき空気圧充填とタイヤ交換・ローテーションの予測と実施を管理するシステム
JP7406048B2 (ja) タイヤ摩耗を予測するための階層的データ構造及び方法
JP6497216B2 (ja) 更生可否判定システムおよび更生可否判定方法
WO2022270106A1 (ja) タイヤ摩耗予測システム及びタイヤ摩耗予測方法
WO2022270111A1 (ja) 燃費予測システム及び燃費予測方法
US11403889B2 (en) Part maintenance and value estimation system
EP4152241A1 (en) Method and computer programmes for the management of vehicle fleets
CN111696350B (zh) 一种基于运营监测数据的电动公交车本地工况评价方法
JP2004279217A (ja) タイヤ空気圧点検によるタイヤ管理方法、タイヤ溝点検及びタイヤ空気圧点検によるタイヤトータル管理方法
JP2023178096A (ja) エネルギー消費量推定装置、エネルギー消費量推定方法、プログラム及びモデルの生成方法
JP2024040784A (ja) タイヤメンテナンス支援装置およびタイヤメンテナンス支援プログラム
Shafik of the Creative Commons Attribution Non-Commercial License 4.0 (CC BY-NC 4.0).
CN117057219A (zh) 轮胎受损预测方法、装置、设备、存储介质及车辆
CN117715771A (zh) 用于实时估计轮胎滚动阻力的系统和方法
CN114910090A (zh) 用于重新模拟车辆使用的系统和方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22828025

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18563740

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280037294.8

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022828025

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022828025

Country of ref document: EP

Effective date: 20240125