WO2023089786A1 - モデル生成装置、予測装置、及びプログラム - Google Patents

モデル生成装置、予測装置、及びプログラム Download PDF

Info

Publication number
WO2023089786A1
WO2023089786A1 PCT/JP2021/042654 JP2021042654W WO2023089786A1 WO 2023089786 A1 WO2023089786 A1 WO 2023089786A1 JP 2021042654 W JP2021042654 W JP 2021042654W WO 2023089786 A1 WO2023089786 A1 WO 2023089786A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
power consumption
usage
model
user
Prior art date
Application number
PCT/JP2021/042654
Other languages
English (en)
French (fr)
Inventor
美帆 岩本
将樹 香西
裕也 南
徹 田中
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2023562062A priority Critical patent/JPWO2023089786A1/ja
Priority to PCT/JP2021/042654 priority patent/WO2023089786A1/ja
Publication of WO2023089786A1 publication Critical patent/WO2023089786A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]

Definitions

  • the present invention relates to technology for predicting the remaining battery capacity of an electric vehicle (EV).
  • EV electric vehicle
  • Non-Patent Document 1 As a conventional technology for predicting the remaining battery capacity of an EV, there is a technology for predicting based on past usage history (Non-Patent Document 1).
  • Non-Patent Document 1 a model is constructed based on EV charging information and traffic information measured on a highway, and based on the model, real-time position information obtained while the EV is running.
  • the current remaining battery capacity is estimated by calculating the distance and average speed from the initial position to the current position and calculating the power consumption during that time.
  • Non-Patent Document 1 There is a technology disclosed in Non-Patent Document 1 for conventional remaining amount prediction, but it is necessary to acquire multiple pieces of information such as EV charging information, traffic information, vehicle type and current position in real time, so processing is difficult. Complex and difficult to implement.
  • the present invention has been made in view of the above points, and aims to provide a technique for predicting the remaining battery capacity of a vehicle more easily than the conventional technique.
  • user information, usage information related to the use of the vehicle by the user, and performance information including the actual value of power consumption due to the use of the vehicle are acquired from the vehicle usage history DB.
  • a data acquisition unit configured as and a model generation unit configured to generate a model for obtaining a predicted value of power consumption in future vehicle use by the user based on the performance information.
  • the disclosed technique provides a technique for predicting the remaining battery capacity of a vehicle more easily than the conventional technique.
  • FIG. 4 is a diagram for explaining an outline of processing; 1 is a configuration diagram of a model generation device according to an embodiment of the present invention; FIG. It is a block diagram of the prediction apparatus in embodiment of this invention. 6 is a flowchart of model generation processing; FIG. 5 is a diagram showing an example of usage history; FIG. 4 is a diagram for explaining data used for model generation; FIG. 5 is a diagram showing an example of usage history; FIG. 4 is a diagram for explaining data used for model generation; It is a figure which shows the example of various parameters. 4 is a flowchart of prediction processing; FIG. 4 is a diagram for explaining remaining battery capacity prediction; It is a figure which shows the hardware configuration example of an apparatus.
  • an electric vehicle is assumed as the target vehicle for remaining battery level prediction, but the target of the present invention is not limited to electric vehicles.
  • the vehicle may be a motorcycle or the like.
  • you may generically call these EV.
  • Vehicles such as company cars whose schedules are managed have driving patterns similar to their usage histories. For example, there is a usage history in which the same person has reserved the same time slot for regular work and regular work, and the driving patterns there are similar. Focusing on this point, the present embodiment makes it possible to predict the remaining battery capacity of an EV with limited parameters.
  • the model generation device 100 acquires, for example, the user, the usage time period, and the actual value of the associated power consumption from the usage history of a schedule-managed EV such as a company car.
  • the model generation device 100 generates a model that models the power consumption of the EV in units of schedules based on the data acquired in S1.
  • the prediction device 200 uses the model generated in S2 to predict the remaining battery capacity of the EV when the EV is scheduled to be used.
  • the model generation device 100 performs model generation and the prediction device 200 performs remaining battery capacity prediction, but this is an example.
  • a single device may perform both model generation and remaining battery capacity prediction.
  • the model generation device 100 may include the functions of the prediction device 200 .
  • FIG. 2 shows a configuration example of the model generating device 100.
  • the model generation device 100 includes a data acquisition unit 110 , a learning processing unit 120 , an output unit 130 and a data storage unit 140 .
  • the model generation device 100 is connected via a network to a usage history DB 300 that stores vehicle usage histories in the vehicle management system, and can acquire usage history data from the usage history DB 300 .
  • the usage history DB 300 (or other external DB, external server, etc.) may store various parameters and their values as shown in FIG. 9 to be described later.
  • FIG. 3 shows a configuration example of the prediction device 200.
  • prediction device 200 includes input unit 210 , power consumption prediction unit 220 , correction coefficient application unit 230 , remaining battery capacity calculation unit 240 , output unit 250 , and data storage unit 260 .
  • the prediction device 200 is connected via a network to a usage schedule DB 400 that stores usage schedules for company cars and the like, and can acquire usage schedule data from the usage schedule DB 400 .
  • a usage schedule DB 400 that stores usage schedules for company cars and the like, and can acquire usage schedule data from the usage schedule DB 400 .
  • Various parameters and their values as shown in FIG. 10 may be stored in the usage schedule DB 400 (or other external DB or external server).
  • model generation device 100 First, the operation of the model generating device 100 will be described in detail along the procedure of the flowchart in FIG. Examples 1, 2, and 3 are described below.
  • the data acquisition unit 110 acquires data from the usage history DB 300 that stores past EV usage histories.
  • FIG. 5 shows an example of the usage history stored in the usage history DB 300. As shown in FIG. In the example shown in FIG. 5, the usage history includes the date and time, the user, and the usage time of the EV at that date and time.
  • the usage history DB 300 also stores the power consumption of the EV that was actually used.
  • the power consumption may be expressed in any unit, but in the present embodiment, the SoC (State Of Charge) of the battery at the start of use of the EV (at the time of departure) is changed to the state of charge at the end of use (at the time of return). It is assumed to be the SoC fluctuation amount obtained by subtracting the SoC of the battery. Note that the SoC may also be referred to as the state of charge or state of charge, with a fully charged SoC being 100% and a fully discharged SoC being 0%.
  • the data acquisition unit 110 stores the data acquired from the usage history DB 300 in the data storage unit 140 in the form of a table (data frame) shown in FIG. 6, for example. As shown in FIG. 6, the data storage unit 140 stores actual values including users, usage time, and power consumption.
  • the learning processing unit 120 reads actual values including users, usage time, and power consumption from the data storage unit 140, performs learning processing, generates a model, and stores the generated model in the data storage unit 140. store in A model is output from the output unit 130 and the output model is input to the prediction device 200 .
  • a model is, for example, information that has power consumption for each schedule that the user and the usage time period are the same.
  • the power consumption for user A's use time period 10:00-14:00 and the power consumption for user B's use time period 11:00-18:00 are shown as models. It shows the image that will be generated.
  • the power consumption in the model may be, for example, a statistical value such as the average value of multiple actual values of the power consumption of the "user-usage period" pair.
  • the power consumption may be classified by a certain width, and the value of the classification may be used. For example, the power consumption is classified into 10%, 20%, . Any number within 100% may be used.
  • the usage history DB 300 of the vehicle management system is used.
  • Data in the usage history DB 300 may be collated and used as input data for learning.
  • the usage history DB 300 there is data of "date and time 1, user A, power consumption X%". When there is “going out”, these can be combined to use "date and time 1, user A, 11:00 to 14:00, power consumption X%" as data for learning.
  • Example 2 will now be described. First, as in Example 1, in S101, the data acquisition unit 110 acquires data from the usage history DB 300 that stores past EV usage histories.
  • FIG. 7 shows an example of the usage history stored in the usage history DB 300 in Example 2.
  • the usage history includes the date and time, the user, and the destination of the EV at that date and time.
  • the usage history DB 300 also stores the power consumption and usage time of the EV that was actually used in response to the reservation.
  • the data acquisition unit 110 stores the data acquired from the usage history DB 300 in the data storage unit 140 in the form of a table (data frame) shown in FIG. 8, for example.
  • the data storage unit 140 stores actual values including users, usage times, departure points, destinations, and power consumption. Note that the starting point may be assumed to be fixed. The following description assumes that the starting point is fixed.
  • the learning processing unit 120 reads actual values including, for example, users, destinations, and power consumption from the data storage unit 140, performs learning processing, generates a model, and stores the generated model as data. Stored in unit 140 .
  • a model is output from the output unit 130 and the output model is input to the prediction device 200 .
  • the model in Example 2 is, for example, information that has power consumption for each schedule with the same user and destination.
  • the lower part of FIG. 8 shows an image in which the power consumption amount for "user A, Otemachi” is generated as a model.
  • the power consumption in the model is, for example, a statistical value such as the average value of multiple actual power consumption values for the "user-destination" pair.
  • the power consumption may be classified by a certain width, and the value of the classification may be used. For example, the power consumption is classified into 10%, 20%, . Any number in % may be used.
  • the model should be generated including the departure point.
  • ... “user A, origin 2, destination 2, 60%”, etc. are generated.
  • a model should be created that includes the usage time.
  • a model for example, "user A, 10:00-14:00, destination 1, 50%”, “user A, 13:00-18:00, destination 1, 40%”, ##User B, 10:00-14:00, Destination 2, 60%”, etc. are generated.
  • a model may be generated by converting the destination (if the departure point is fixed) or the departure point-destination into a distance.
  • the data obtained from the usage history are "Date and time 1, User A, Departure point 1, Destination 1, 50%", “Date and time 2, User A, Departure point 1, Destination 1, 40%”. , . .
  • the learning processing unit 120 accesses the map information of an external server or the like, acquires 4.8 km as the traveling distance from the departure point 1 to the destination 1, and obtains 7.8 km as the traveling distance from the departure point 1 to the destination 2. Assume that .8 km is acquired.
  • Example 3 is an example applicable to both Example 1 and Example 2.
  • the learning processing unit 120 may generate a model by adding information such as the season and temperature obtained from history time stamps.
  • the learning processing unit 120 acquires the temperature corresponding to the date and time of the usage history from the external server, and adds the temperature to the existing learning data as learning data.
  • “temperature K° C., user A, 11:00 to 14:00, power consumption Z %” ....
  • Such historical data can be obtained, and a model can be generated that takes temperature into account.
  • the learning processing unit 120 can also learn correction coefficients based on actual values under various parameter value conditions.
  • the learning processing unit 120 calculates, for example, a correction coefficient for "traffic jam” and 3/4 as a correction coefficient for "no congestion”.
  • the correction coefficient for each value of this “traffic jam information” is stored in the data storage unit 140 and input to the prediction device 200 .
  • correction coefficients can be learned by using actual values corresponding to multiple parameter values for parameters such as road characteristics, weather information, user's driving characteristics, and vehicle characteristics.
  • usage time and destination are used as usage information related to the use of the user's vehicle, but these are examples, and usage information other than these may be used.
  • the input unit 210 acquires future schedule information from the usage schedule DB 400 and inputs it into the prediction device 200 .
  • the remaining battery capacity of each vehicle at the time of departure may be known (for example, 100%), or may be obtained from the usage schedule DB 400 . In the following, it is assumed that the remaining battery capacity of each vehicle is known (for example, 100%) at the time of departure.
  • the usage schedule DB 400 stores schedule information such as date and time, user, usage time (reservation time), destination, etc., and the input unit 210 inputs the schedule information.
  • the input unit 210 may input, for example, “date and time, user, destination” for each date and time, for each user, and for each destination (information for each schedule). ) from the usage schedule DB 400 and input.
  • the power consumption prediction unit 220 obtains the corresponding power consumption by inputting "user, destination” into the model. For example, if the model is "user A, destination 1, 50%" and the input is “user A, destination 1", the power consumption prediction unit 220 predicts the power consumption as 50% can be calculated.
  • the model using the travel distance described in Example 2 is used. can be used.
  • the power consumption prediction unit 220 first acquires the distance of the route from the departure point to the destination 1 (for example, 4.8 km) by accessing an external map information server or the like. Then, "user A, 4.8 km” is converted to “user A, 5 km” according to the distance in the model, and the model "user A, 5 km, 45%” is applied to calculate the power consumption 45% is obtained as the predicted value of .
  • S202 is executed. Note that S202 may not be executed.
  • the correction coefficient application unit 230 acquires parameter values corresponding to the target schedule (eg, “date and time 1, user A, destination 1”) from, for example, an external server.
  • the correction coefficient application unit 230 accesses a server that provides traffic congestion prediction, inputs future date and time 1, departure point to destination 1, and acquires traffic congestion information.
  • the remaining battery capacity calculation unit 240 calculates the remaining battery capacity at the time the vehicle returns by subtracting the predicted value of the power consumption obtained up to S202 from the remaining battery capacity at departure. For example, as shown in FIG. 11, if the remaining battery capacity at departure is S 0 and the predicted power consumption is D 1 , the remaining battery capacity can be calculated as "S 0 -D 1 ".
  • the output unit 250 outputs the calculated predicted value of the remaining battery capacity at the time of return for each schedule. Note that when SoC (%) is obtained as the remaining battery capacity, the remaining capacity in kWh units can be obtained by multiplying the battery capacity by SoC.
  • the remaining battery capacity calculation unit 240 of the prediction device 200 may also perform the process of adding the predicted values of EV.
  • Both the model generation device 100 and the prediction device 200 can be realized by causing a computer to execute a program, for example.
  • This computer may be a physical computer or a virtual machine on the cloud.
  • the model generation device 100 and the prediction device 200 are collectively referred to as "apparatus".
  • the device can be realized by executing a program corresponding to the processing performed by the device using hardware resources such as a CPU and memory built into the computer.
  • the above program can be recorded in a computer-readable recording medium (portable memory, etc.), saved, or distributed. It is also possible to provide the above program through a network such as the Internet or e-mail.
  • FIG. 12 is a diagram showing a hardware configuration example of the computer.
  • the computer of FIG. 12 has a drive device 1000, an auxiliary storage device 1002, a memory device 1003, a CPU 1004, an interface device 1005, a display device 1006, an input device 1007, an output device 1008, etc., which are interconnected by a bus BS.
  • a program that implements the processing in the computer is provided by a recording medium 1001 such as a CD-ROM or memory card, for example.
  • a recording medium 1001 such as a CD-ROM or memory card
  • the program is installed from the recording medium 1001 to the auxiliary storage device 1002 via the drive device 1000 .
  • the program does not necessarily need to be installed from the recording medium 1001, and may be downloaded from another computer via the network.
  • the auxiliary storage device 1002 stores installed programs, as well as necessary files and data.
  • the memory device 1003 reads and stores the program from the auxiliary storage device 1002 when a program activation instruction is received.
  • the CPU 1004 implements functions related to the device according to programs stored in the memory device 1003 .
  • the interface device 1005 is used as an interface for connecting to a network or the like.
  • a display device 1006 displays a GUI (Graphical User Interface) or the like by a program.
  • An input device 1007 is composed of a keyboard, a mouse, buttons, a touch panel, or the like, and is used to input various operational instructions.
  • the output device 1008 outputs the calculation result.
  • the technology according to the present embodiment makes it possible to predict the remaining battery capacity with limited parameters obtained from the past usage history. In other words, there is no need to acquire real-time information while the vehicle is running, as in the conventional technology, and it is possible to predict the remaining battery capacity of the EV more easily than in the conventional technology.
  • This specification discloses at least a model generation device, a prediction device, and a program for each of the following items.
  • (Section 1) Data acquisition configured to acquire user information, usage information related to vehicle usage by the user, and performance information including actual values of power consumption due to vehicle usage from a vehicle usage history DB. Department and and a model generation unit configured to generate a model for obtaining a predicted value of power consumption in future vehicle use by the user based on the performance information.
  • (Section 2) 2. The model generation device according to claim 1, wherein the usage information is a usage time of the vehicle or a destination of the vehicle.
  • the model generation unit acquires the travel distance of the vehicle based on the destination and generates a model based on the travel distance Model generation according to item 2 Device.
  • the model generating unit corrects the power consumption predicted based on the model using a plurality of values of a certain parameter and actual values of respective power consumption corresponding to the plurality of values.
  • the model generation device according to any one of items 1 to 3, wherein the coefficient is calculated.
  • an input unit configured to input user information obtained from a vehicle usage schedule DB and usage plan information including usage information related to the use of the vehicle by the user; a power consumption prediction unit configured to obtain a predicted value of power consumption using a model for obtaining a predicted value of power consumption in future vehicle use by the user; and the use schedule information;
  • a prediction device comprising: a remaining battery capacity calculation unit configured to predict the remaining battery capacity of the vehicle upon arrival by subtracting the predicted value of the power consumption from the remaining battery capacity of the vehicle upon departure.
  • the power consumption prediction unit corrects the predicted value of the power consumption using a correction coefficient corresponding to a parameter value related to the usage schedule information, and the remaining battery capacity calculation unit uses the corrected predicted value.
  • the prediction device which predicts the remaining battery capacity at the time of return.
  • (Section 7) A program for causing a computer to function as each unit in the model generation device according to any one of items 1 to 5.
  • (Section 8) A program for causing a computer to function as each unit in the prediction device according to item 5 or 6.
  • Model generation device 110 Data acquisition unit 120 Learning processing unit 130 Output unit 140 Data storage unit 200 Prediction device 210 Input unit 220 Power consumption prediction unit 230 Correction coefficient application unit 240 Battery level calculation unit 250 Output unit 260 Data storage unit 1000 Drive Device 1001 Recording medium 1002 Auxiliary storage device 1003 Memory device 1004 CPU 1005 interface device 1006 display device 1007 input device 1008 output device

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

モデル生成装置において、車両の利用履歴ＤＢから、利用者の情報、当該利用者の車両の利用に関わる利用情報、及び、車両の利用による消費電力量の実績値を含む実績情報を取得するように構成されたデータ取得部と、前記実績情報に基づいて、前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルを生成するように構成されたモデル生成部とを備える。

Description

モデル生成装置、予測装置、及びプログラム
　本発明は、電気自動車（ＥＶ）のバッテリ残量を予測する技術に関連するものである。
　ＥＶのバッテリ残量を予測する従来技術として、過去の利用履歴に基づいて予測を行う技術がある（非特許文献１）。
　非特許文献１に開示された技術では、高速道路で計測されたＥＶの充電情報や交通情報をもとにモデルを構築し、モデルに基づいて、ＥＶの走行中に取得したリアルタイムな位置情報から初期位置から現在位置までの距離と平均速度を算出し、その間の消費電力量を計算することで現在のバッテリ残量を推定している。
高速道路上での電気自動車の電欠を防止するEV充電ナビシステムhttps://www.global.toshiba/content/dam/toshiba/migration/corp/techReviewAssets/tech/review/2019/05/74_05pdf/f02.pdf
　近年、ＥＶのバッテリを電力の需給制御に活用する動きがある。ＥＶのバッテリを、電力需給制御のための充放電に活用するためには、充放電を実施する対象時刻の数日前～数時間前までにＥＶのバッテリの充放電余力（残量）を把握する必要がある。
　従来の残量予測には、非特許文献１に開示された技術があるが、ＥＶの充電情報や交通情報、車種や現在位置など複数の情報をリアルタイムに取得する必要があることから、処理が複雑になり、実現が難しい。
　本発明は上記の点に鑑みてなされたものであり、従来技術よりも簡易に、車両のバッテリ残量を予測するための技術を提供することを目的とする。
　開示の技術によれば、車両の利用履歴ＤＢから、利用者の情報、当該利用者の車両の利用に関わる利用情報、及び、車両の利用による消費電力量の実績値を含む実績情報を取得するように構成されたデータ取得部と、
　前記実績情報に基づいて、前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルを生成するように構成されたモデル生成部と
　を備えるモデル生成装置が提供される。
　開示の技術によれば、従来技術よりも簡易に、車両のバッテリ残量を予測するための技術が提供される。
処理の概要を説明するための図である。 本発明の実施の形態におけるモデル生成装置の構成図である。 本発明の実施の形態における予測装置の構成図である。 モデル生成処理のフローチャートである。 利用履歴の例を示す図である。 モデル生成に利用するデータを説明するための図である。 利用履歴の例を示す図である。 モデル生成に利用するデータを説明するための図である。 各種パラメータの例を示す図である。 予測処理のフローチャートである。 バッテリ残量予測を説明するための図である。 装置のハードウェア構成例を示す図である。
　以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。
　以下の説明では、バッテリ残量予測対象の車両として電気自動車を想定しているが、本発明の対象は電気自動車に限られない。例えば、車両が、オートバイ等であってもよい。また、これらを総称してＥＶと呼んでもよい。
　（実施の形態の概要）
　社用車などスケジュール管理がなされている車両（ＥＶ）においては、利用履歴に似通った走行パターンがある。例えば、定例作業や定期作業で同じ人が同じ時間帯に予約した利用履歴があり、そこでの走行パターンは似通ったものになる。本実施の形態では、この点に着目し、限られたパラメータでＥＶのバッテリ残量の予測を可能としている。
　図１のフローチャートを参照して、本実施の形態における処理の概要を説明する。まず、Ｓ１において、モデル生成装置１００が、社用車などスケジュール管理されたＥＶの利用履歴から、例えば、利用者と利用時間帯、それに紐づく消費電力量の実績値を取得する。
　Ｓ２において、モデル生成装置１００は、Ｓ１で取得したデータに基づいて、ＥＶの消費電力量をスケジュール単位でモデル化したモデルを生成する。
　Ｓ３において、予測装置２００が、Ｓ２で生成されたモデルを用いて、ＥＶ利用予定におけるＥＶのバッテリ残量の予測を行う。
　なお、本実施の形態では、モデル生成をモデル生成装置１００が行い、バッテリ残量予測を予測装置２００が行うこととしているが、これは一例である。１つの装置が、モデル生成とバッテリ残量予測の両方を行ってもよい。例えば、モデル生成装置１００に予測装置２００の機能が含まれていてもよい。
　（装置構成例）
　図２に、モデル生成装置１００の構成例を示す。図２に示すように、モデル生成装置１００は、データ取得部１１０、学習処理部１２０、出力部１３０、データ格納部１４０を備える。
　また、モデル生成装置１００は、車両管理システムにおける車両の利用履歴を格納した利用履歴ＤＢ３００とネットワークを介して接続しており、利用履歴ＤＢ３００から利用履歴のデータを取得可能である。また、利用履歴ＤＢ３００（あるいはその他の外部ＤＢ、外部サーバ等）には、後述する図９に示すような各種のパラメータとその値が格納されてもよい。
　図３に、予測装置２００の構成例を示す。図３に示すように、予測装置２００は、入力部２１０、消費電力予測部２２０、補正係数適用部２３０、バッテリ残量計算部２４０、出力部２５０、及びデータ格納部２６０を備える。
　また、予測装置２００は、社用車等の利用予定を格納した利用予定ＤＢ４００とネットワークを介して接続されており、利用予定ＤＢ４００から利用予定のデータを取得可能である。また、利用予定ＤＢ４００（あるいはその他の外部ＤＢ、外部サーバ）には、図１０に示すような各種のパラメータとその値が格納されてもよい。
　モデル生成装置１００と予測装置２００の各部の動作については、以下の動作説明のところで説明する。
　（モデル生成装置１００の動作）
　まず、モデル生成装置１００の動作を、図４のフローチャートの手順に沿って詳細に説明する。以下、例１、例２、例３を説明する。
　＜例１＞
　Ｓ１０１において、データ取得部１１０が、過去のＥＶの利用履歴を格納する利用履歴ＤＢ３００からデータを取得する。図５に、利用履歴ＤＢ３００に格納されている利用履歴の例を示す。図５に示す例では、利用履歴は、日時、利用者、その日時のＥＶの利用時間を含む。
　また、利用履歴ＤＢ３００には、実際に使用したＥＶの消費電力量も格納されているものとする。消費電力量をどのような単位で表すこととしてもよいが、本実施の形態では、ＥＶの使用開始時（出発時）のバッテリのＳｏＣ（State Of Charge）から、使用終了時（帰着時）のバッテリのＳｏＣを引いたＳｏＣ変動量であるとしている。なお、ＳｏＣは、充電率または充電状態と呼んでもよく、満充電状態のＳｏＣが１００％、完全放電状態のＳｏＣが０％である。
　データ取得部１１０は、利用履歴ＤＢ３００から取得したデータを、例えば図６に示すテーブル（データフレーム）の形式でデータ格納部１４０に格納する。図６に示すように、データ格納部１４０には、利用者、利用時間、消費電力量からなる実績値が格納される。
　Ｓ１０２において、学習処理部１２０は、データ格納部１４０から、利用者、利用時間、消費電力量からなる実績値を読み出し、学習処理を行って、モデルを生成し、生成したモデルをデータ格納部１４０に格納する。また、出力部１３０からモデルが出力され、出力されたモデルは、予測装置２００に入力される。
　モデルは、例えば、利用者と利用時間帯が同じスケジュール１個単位での消費電力量を有する情報である。図６の下側には、利用者Ａの利用時間帯１０：００－１４：００に対する消費電力量、利用者Ｂの利用時間帯１１：００－１８：００に対する消費電力量が、それぞれモデルとして生成されるイメージを示している。
　モデルにおける消費電力量は、例えば、「利用者－利用時間帯」の組の消費電力量の複数の実績値の平均値等の統計値であってもよい。また、消費電力量を、ある幅で分類し、その分類の値であってもよい。例えば、消費電力量を１０％単位に１０％、２０％、...、１００％に分類し、モデルにおける消費電力量を、例えば上記平均値に基づき、１０％、２０％、...、１００％の中のどれかの数値としてもよい。
　この場合、モデルとして、「利用者Ａ、１０：００－１４：００、４０％」、「利用者Ｂ、１１：００－１８：００、７０％」、...「利用者Ａ、１０：００－１５：００、５０％」等が生成される。
　なお、上記の例では、車両管理システムの利用履歴ＤＢ３００のデータのみを使用したが、車両管理システムとは別に人の予定が登録されたスケジューラ情報がある場合、当該情報も入力し、当該情報と利用履歴ＤＢ３００のデータを突合して学習に使用する入力データとして活用してもよい。例えば、利用履歴ＤＢ３００に、「日時１、利用者Ａ、消費電力量Ｘ％」のデータがあり、スケジューラ情報として、「日時１、利用者Ａ、１１：００～１４：００に社用車で外出」がある場合、これらを組み合わせて、学習用のデータとして、「日時１、利用者Ａ、１１：００～１４：００、消費電力量Ｘ％」を使用することができる。
　＜例２＞
　次に例２を説明する。まず、例１と同様に、Ｓ１０１において、データ取得部１１０が、過去のＥＶの利用履歴を格納する利用履歴ＤＢ３００からデータを取得する。
　図７に、例２における利用履歴ＤＢ３００に格納されている利用履歴の例を示す。図７に示す例では、利用履歴は、日時、利用者、その日時のＥＶの目的地を含む。
　また、利用履歴ＤＢ３００には、予約に対応して実際に使用したＥＶの消費電力量、及び利用時間も格納されているものとする。
　データ取得部１１０は、利用履歴ＤＢ３００から取得したデータを、例えば図８に示すテーブル（データフレーム）の形式でデータ格納部１４０に格納する。図８に示すように、データ格納部１４０には、利用者、利用時間、出発地、目的地、消費電力量からなる実績値が格納される。なお、出発地は、固定であることを想定してもよい。以下の説明では、出発地を固定であるとしている。
　Ｓ１０２において、学習処理部１２０は、データ格納部１４０から、例えば、利用者、目的地、消費電力量からなる実績値を読み出し、学習処理を行って、モデルを生成し、生成したモデルをデータ格納部１４０に格納する。また、出力部１３０からモデルが出力され、出力されたモデルは、予測装置２００に入力される。
　例２におけるモデルは、例えば、利用者と目的地が同じスケジュール１個単位での消費電力量を有する情報である。図８の下側には、「利用者Ａ、大手町」に対する消費電力量が、モデルとして生成されるイメージを示している。
　モデルにおける消費電力量は、例えば、「利用者－目的地」の組の消費電力量の複数の実績値の平均値等の統計値である。また、消費電力量を、ある幅で分類し、その分類の値であってもよい。例えば、消費電力量を１０％単位に１０％、２０％、...、１００％に分類し、モデルにおける消費電力量を、上記平均値に基づき、１０％、２０％、...、１００％の中のどれかの数値としてもよい。
　この場合、モデルとして、「利用者Ａ、目的地１、５０％」、「利用者Ｂ、目的地１、４０％」、...「利用者Ａ、目的地２、６０％」、等が生成される。
　なお、出発地が固定でない場合には、出発地を含めてモデルを生成すればよい。この場合、モデルとして、「利用者Ａ、出発地１、目的地１、５０％」、「利用者Ｂ、出発地１、目的地１、４０％」、...「利用者Ａ、出発地２、目的地２、６０％」、等が生成される。
　また、目的地が同じでも、利用時間で消費電力量がある程度異なる場合には、利用時間も含めてモデルを作成すればよい。この場合、モデルとして、例えば、「利用者Ａ、１０：００－１４：００、目的地１、５０％」、「利用者Ａ、１３：００－１８：００、目的地１、４０％」、...「利用者Ｂ、１０：００－１４：００、目的地２、６０％」、等が生成される。
　また、目的地（出発地が固定の場合）、あるいは、出発地－目的地、を距離に変換して、モデルを生成してもよい。
　例えば、利用履歴から得られたデータが、「日時１、利用者Ａ、出発地１、目的地１、５０％」、「日時２、利用者Ａ、出発地１、目的地１、４０％」、...、、「日時１、利用者Ｂ、出発地１、目的地２、７０％」、「日時２、利用者Ｂ、出発地１、目的地２、６０％」、．．であるとする。この場合、学習処理部１２０は、外部サーバ等の地図情報にアクセスして、出発地１～目的地１の走行距離として４．８ｋｍを取得し、出発地１～目的地２の走行距離として７．８ｋｍを取得したとする。
　この場合、例えば、走行距離を０．５ｋｍ単位でモデルを生成するものとすると、利用履歴の複数データの平均をとって、「利用者Ａ、５ｋｍ、４５％」、「利用者Ｂ、８ｋｍ、６５％」といった形でモデルを生成することができる。このようなモデルを用いることで、後述するように、実績のない目的地へ行く場合でも、目的地までの距離がわかれば、バッテリ残量予測を行うことができる。
　＜例３＞
　次に、例３を説明する。例３は、例１、例２のいずれにおいても適用可能な例である。例えば、エアコン利用の有無が消費電力量に大きく影響する場合には、学習処理部１２０は、履歴のタイムスタンプから得られる季節や気温などの情報を加味して、モデルを生成してもよい。
　例えば、学習処理部１２０は、利用履歴の日時に対応する気温を外部サーバから取得し、学習用のデータとして、既にある学習用のデータに気温を付加する。これにより、例えば、「気温Ｙ℃、利用者Ａ、１１：００～１４：００、消費電力量Ｘ％」、「気温Ｋ℃、利用者Ａ、１１：００～１４：００、消費電力量Ｚ％」、...．といった履歴データを得ることができ、気温を加味したモデルを生成することができる。一例として、「気温２０℃、利用者Ａ、１１：００～１４：００、消費電力量４０％」、「気温３０℃、利用者Ａ、１１：００～１４：００、消費電力量５０％」といったモデルを生成できる。
　また、その他の種々のパラメータを加味してモデルを生成することも可能である。利用できるパラメータとして、例えば、図９に示すものがある。加味するパラメータとして、図９に示すパラメータのうちのいずれか１つを使用してもよいし、いずれか複数を使用してもよい。
　また、学習処理部１２０は、様々なパラメータ値の条件下での実績値に基づいて、補正係数を学習することも可能である。
　例えば、例２に示す方法で作成したモデルとして、「利用者Ａ、目的地１、４０％」が得られたとする。また、このモデルは、日時１、日時２、日時３の「利用者Ａ、目的地１」の実績値から得られたとする。ここで、例として、パラメータが「渋滞情報」であり、「渋滞情報」が、「渋滞」、「やや渋滞」、「渋滞なし」の３段階であり、その情報は、該当日時の該当経路（出発地～目的地」を入力として、外部サーバから得られるものとする。
　そして、例えば、学習処理部１２０は、日時１＝「渋滞」、日時２＝「渋滞なし」、日時３＝「渋滞なし」を取得したとする。ここで、それぞれの消費電力量の実績値が、日時１＝５０％、日時２＝３０％、日時３＝３０％であるとすると、学習処理部１２０は、例えば、「渋滞」時の補正係数として５／４、「渋滞なし」時の補正係数として３／４を算出する。この「渋滞情報」の値毎の補正係数は、データ格納部１４０に格納されるとともに、予測装置２００に入力される。
　上記と同様にして、道路特性、気象情報、利用者の運転特性、車両特性等のパラメータについて、複数のパラメータ値に対応する実績値を用いることで、補正係数を学習することができる。
　なお、本実施の形態では、利用者の車両の利用に関わる利用情報として、利用時間、目的地を使用しているが、これらは例であり、これら以外の利用情報を用いてもよい。
　（予測装置１００の動作）
　次に、モデル生成装置１００の動作を、図１０のフローチャートの手順に沿って説明する。
　ここでは、既に入力部２１０から、モデル生成装置１００で生成されたモデル（パラメータ値毎の補正係数を含む）が入力され、当該モデルがデータ格納部２６０に格納されているとする。
　Ｓ２０１において、まず、入力部２１０は、利用予定ＤＢ４００から、将来のスケジュール情報を取得し、予測装置２００内へ入力する。なお、各車両における出発時のバッテリ残量は既知（例えば１００％）であってもよいし、利用予定ＤＢ４００から取得することとしてもよい。以下では、各車両における出発時のバッテリ残量は既知（例えば１００％）であるとする。
　利用予定ＤＢ４００には、スケジュール情報として、例えば、日時、利用者、利用時間（予約時間）、目的地等が格納されており、入力部２１０は、当該スケジュール情報を入力する。一例として、前述した例２でモデルが生成されていると想定すると、入力部２１０は、例えば、日時毎、利用者毎、目的地毎の「日時、利用者、目的地」（スケジュール単位の情報）を利用予定ＤＢ４００から取得して入力する。
　そして、消費電力予測部２２０は、モデルに「利用者、目的地」を入力することで、対応する消費電力量を得る。例えば、モデルが、「利用者Ａ、目的地１、５０％」であり、入力が「利用者Ａ、目的地１」であるとすると、消費電力予測部２２０は、消費電力量の予測値として５０％を算出できる。
　また、例えば、目的地１が、モデルの目的地にはない目的地（つまり、過去に行ったことがなく、初めて行く目的地）である場合、例２で説明した走行距離を用いたモデルを使用することができる。
　その場合、まず、消費電力予測部２２０は、外部の地図情報サーバにアクセスする等により、出発地～目的地１の経路の距離（例えば、４．８ｋｍ）を取得する。そして、「利用者Ａ、４．８ｋｍ」を、モデルでの距離に合わせて「利用者Ａ、５ｋｍ」に変換し、モデル「利用者Ａ、５ｋｍ、４５％」を適用して、消費電力量の予測値として４５％を得る。
　次に、Ｓ２０２を実行する。なお、Ｓ２０２を実行しないこととしてもよい。Ｓ２０２を実行する場合において、補正係数適用部２３０は、対象としているスケジュール（例：「日時１、利用者Ａ、目的地１」）に対応するパラメータ値を、例えば、外部サーバから取得する。一例として、パラメータを「渋滞情報」とすると、補正係数適用部２３０は、渋滞予測を提供するサーバにアクセスして、将来の日時１、出発地～目的地１を入力として、渋滞情報を取得する。ここで、「渋滞」の情報を得たとして、「渋滞」に対応する補正係数が５／４であるとし、補正前の消費電力量の予測値が４０％であるとすると、補正係数適用部２３０は、（５／４）×４０％＝５０％として、予測値を補正する。
　Ｓ２０３において、バッテリ残量計算部２４０は、Ｓ２０２までに得られた消費電力量の予測値を、出発時のバッテリ残量から引くことにより、車両が帰着した時点でのバッテリ残量を計算する。例えば、図１１に示すように、出発時のバッテリ残量がＳ０、消費電力量の予測値がＤ１であるとすると、バッテリ残量を「Ｓ０－Ｄ１」として算出できる。出力部２５０が、スケジュール毎に、算出された帰着時のバッテリ残量の予測値を出力する。なお、バッテリ残量としてＳｏＣ（％）が得られた場合、バッテリ容量×ＳｏＣにより、ｋＷｈ単位の残量を得ることができる。
　ある特定の将来の日において、算出した１台当たりのＥＶの予測値を全車両で足し合わせることで、例えばその日の夜に利用可能な充放電余力を予測することが可能となる。このように、ＥＶの予測値を足し合わせる処理についても、予測装置２００のバッテリ残量計算部２４０が実行してもよい。
　（ハードウェア構成例）
　モデル生成装置１００、予測装置２００はいずれも、例えば、コンピュータにプログラムを実行させることにより実現できる。このコンピュータは、物理的なコンピュータであってもよいし、クラウド上の仮想マシンであってもよい。以下、モデル生成装置１００、予測装置２００を総称して「装置」と呼ぶ。
　すなわち、当該装置は、コンピュータに内蔵されるＣＰＵやメモリ等のハードウェア資源を用いて、当該装置で実施される処理に対応するプログラムを実行することによって実現することが可能である。上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メール等、ネットワークを通して提供することも可能である。
　図１２は、上記コンピュータのハードウェア構成例を示す図である。図１２のコンピュータは、それぞれバスＢＳで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、インタフェース装置１００５、表示装置１００６、入力装置１００７、出力装置１００８等を有する。
　当該コンピュータでの処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ又はメモリカード等の記録媒体１００１によって提供される。プログラムを記憶した記録媒体１００１がドライブ装置１０００にセットされると、プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。
　メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って、当該装置に係る機能を実現する。インタフェース装置１００５は、ネットワーク等に接続するためのインタフェースとして用いられる。表示装置１００６はプログラムによるＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）等を表示する。入力装置１００７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。出力装置１００８は演算結果を出力する。
　（実施の形態の効果）
　本実施の形態に係る技術により、過去の利用履歴から得られる限られたパラメータでバッテリ残量を予測することが可能となる。つまり、従来技術にように走行中のリアルタイムの情報を取得する必要がなく、従来技術よりも簡易に、ＥＶのバッテリ残量を予測することが可能になる。
　また、車両の予約システムに登録された将来の利用予定を活用することで、例えば１日～数時間先のバッテリ残量を予測し、将来の充放電余力を把握することができるため、ＥＶのモビリティ利用を考慮しつつ需給制御に活用することが可能となる。
　（付記）
　本明細書には、少なくとも下記各項のモデル生成装置、予測装置、及びプログラムが開示されている。
（第１項）
　車両の利用履歴ＤＢから、利用者の情報、当該利用者の車両の利用に関わる利用情報、及び、車両の利用による消費電力量の実績値を含む実績情報を取得するように構成されたデータ取得部と、
　前記実績情報に基づいて、前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルを生成するように構成されたモデル生成部と
　を備えるモデル生成装置。
（第２項）
　前記利用情報は、車両の利用時間、又は、車両の目的地である
　第１項に記載のモデル生成装置。
（第３項）
　前記利用情報が車両の目的地である場合において、前記モデル生成部は、前記目的地に基づいて車両の走行距離を取得し、当該走行距離に基づくモデルを生成する
　第２項に記載のモデル生成装置。
（第４項）
　前記モデル生成部は、あるパラメータの複数の値、及び、当該複数の値に対応するそれぞれの消費電力量の実績値を用いて、前記モデルに基づき予測された消費電力量を補正するための補正係数を算出する
　第１項ないし第３項のうちいずれか１項に記載のモデル生成装置。
（第５項）
　車両の利用予定ＤＢから取得した、利用者の情報、及び、当該利用者の車両の利用に関わる利用情報を含む利用予定情報を入力するように構成された入力部と、
　前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルと、前記利用予定情報を用いて、前記消費電力量の予測値を求めるように構成された消費電力予測部と、
　車両の出発時のバッテリ残量から、前記消費電力量の予測値を引くことにより、車両の帰着時のバッテリ残量を予測するように構成されたバッテリ残量計算部と
　を備える予測装置。
（第６項）
　前記消費電力予測部は、前記利用予定情報に関連するパラメータ値に対応する補正係数を用いて前記消費電力量の予測値を補正し、前記バッテリ残量計算部は、補正後の予測値を用いて帰着時のバッテリ残量を予測する
　第５項に記載の予測装置。
（第７項）
　コンピュータを、第１項ないし第５項のうちいずれか１項に記載のモデル生成装置における各部として機能させるためのプログラム。
（第８項）
　コンピュータを、第５項又は第６項に記載の予測装置における各部として機能させるためのプログラム。
　以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
１００　モデル生成装置
１１０　データ取得部
１２０　学習処理部
１３０　出力部
１４０　データ格納部
２００　予測装置
２１０　入力部
２２０　消費電力予測部
２３０　補正係数適用部
２４０　バッテリ残量計算部
２５０　出力部
２６０　データ格納部
１０００　ドライブ装置
１００１　記録媒体
１００２　補助記憶装置
１００３　メモリ装置
１００４　ＣＰＵ
１００５　インタフェース装置
１００６　表示装置
１００７　入力装置
１００８　出力装置

Claims (8)

  1. 　車両の利用履歴ＤＢから、利用者の情報、当該利用者の車両の利用に関わる利用情報、及び、車両の利用による消費電力量の実績値を含む実績情報を取得するように構成されたデータ取得部と、
    　前記実績情報に基づいて、前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルを生成するように構成されたモデル生成部と
    　を備えるモデル生成装置。
  2. 　前記利用情報は、車両の利用時間、又は、車両の目的地である
    　請求項１に記載のモデル生成装置。
  3. 　前記利用情報が車両の目的地である場合において、前記モデル生成部は、前記目的地に基づいて車両の走行距離を取得し、当該走行距離に基づくモデルを生成する
    　請求項２に記載のモデル生成装置。
  4. 　前記モデル生成部は、あるパラメータの複数の値、及び、当該複数の値に対応するそれぞれの消費電力量の実績値を用いて、前記モデルに基づき予測された消費電力量を補正するための補正係数を算出する
    　請求項１ないし３のうちいずれか１項に記載のモデル生成装置。
  5. 　車両の利用予定ＤＢから取得した、利用者の情報、及び、当該利用者の車両の利用に関わる利用情報を含む利用予定情報を入力するように構成された入力部と、
    　前記利用者による将来の車両利用における消費電力量の予測値を求めるためのモデルと、前記利用予定情報を用いて、前記消費電力量の予測値を求めるように構成された消費電力予測部と、
    　車両の出発時のバッテリ残量から、前記消費電力量の予測値を引くことにより、車両の帰着時のバッテリ残量を予測するように構成されたバッテリ残量計算部と
    　を備える予測装置。
  6. 　前記消費電力予測部は、前記利用予定情報に関連するパラメータ値に対応する補正係数を用いて前記消費電力量の予測値を補正し、前記バッテリ残量計算部は、補正後の予測値を用いて帰着時のバッテリ残量を予測する
    　請求項５に記載の予測装置。
  7. 　コンピュータを、請求項１ないし４のうちいずれか１項に記載のモデル生成装置における各部として機能させるためのプログラム。
  8. 　コンピュータを、請求項５又は６に記載の予測装置における各部として機能させるためのプログラム。
PCT/JP2021/042654 2021-11-19 2021-11-19 モデル生成装置、予測装置、及びプログラム WO2023089786A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023562062A JPWO2023089786A1 (ja) 2021-11-19 2021-11-19
PCT/JP2021/042654 WO2023089786A1 (ja) 2021-11-19 2021-11-19 モデル生成装置、予測装置、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/042654 WO2023089786A1 (ja) 2021-11-19 2021-11-19 モデル生成装置、予測装置、及びプログラム

Publications (1)

Publication Number Publication Date
WO2023089786A1 true WO2023089786A1 (ja) 2023-05-25

Family

ID=86396541

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/042654 WO2023089786A1 (ja) 2021-11-19 2021-11-19 モデル生成装置、予測装置、及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2023089786A1 (ja)
WO (1) WO2023089786A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012228165A (ja) * 2011-04-07 2012-11-15 Honda Motor Co Ltd 電気自動車充電制御システム
JP2016143245A (ja) * 2015-02-02 2016-08-08 トヨタ自動車株式会社 サーバ装置および予約受付方法
JP2020171077A (ja) * 2019-04-01 2020-10-15 株式会社東芝 エネルギー供給システム、情報処理装置、およびエネルギー供給装置
WO2021014899A1 (ja) * 2019-07-19 2021-01-28 パナソニックＩｐマネジメント株式会社 監視装置、管理システム、及び管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012228165A (ja) * 2011-04-07 2012-11-15 Honda Motor Co Ltd 電気自動車充電制御システム
JP2016143245A (ja) * 2015-02-02 2016-08-08 トヨタ自動車株式会社 サーバ装置および予約受付方法
JP2020171077A (ja) * 2019-04-01 2020-10-15 株式会社東芝 エネルギー供給システム、情報処理装置、およびエネルギー供給装置
WO2021014899A1 (ja) * 2019-07-19 2021-01-28 パナソニックＩｐマネジメント株式会社 監視装置、管理システム、及び管理方法

Also Published As

Publication number Publication date
JPWO2023089786A1 (ja) 2023-05-25

Similar Documents

Publication Publication Date Title
Zhang et al. Models, algorithms, and evaluation for autonomous mobility-on-demand systems
Sayarshad et al. A scalable non-myopic dynamic dial-a-ride and pricing problem
JP6928870B2 (ja) 車両および演算システム
JP2014019433A (ja) 逆強化学習を利用するハイブリッド車両の燃料効率向上
JP7016676B2 (ja) 車両制御装置及びその動作方法
CN102959358A (zh) 车辆的电力消耗量计算装置、信息提供装置及信息提供方法
Ritter et al. Long-term stochastic model predictive control for the energy management of hybrid electric vehicles using Pontryagin’s minimum principle and scenario-based optimization
JP7170587B2 (ja) 管理装置、管理方法、およびプログラム
Houshmand et al. Eco-routing of plug-in hybrid electric vehicles in transportation networks
CN113015885A (zh) 使用大数据进行车辆路由的系统和方法
Houshmand et al. Combined eco-routing and power-train control of plug-in hybrid electric vehicles in transportation networks
Aswani et al. Game-theoretic routing of GPS-assisted vehicles for energy efficiency
JPWO2020090949A1 (ja) 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法
Kumar et al. S2RC: A multi-objective route planning and charging slot reservation approach for electric vehicles considering state of traffic and charging station
Chen et al. Routing and scheduling of mobile energy storage system for electricity arbitrage based on two-layer deep reinforcement learning
JP7256097B2 (ja) 情報処理システム及びプログラム
Uribe et al. Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles
Kumar et al. Chaotic Harris Hawks Optimization Algorithm for Electric Vehicles Charge Scheduling
Rigas et al. Algorithms for electric vehicle scheduling in mobility-on-demand schemes
WO2023089786A1 (ja) モデル生成装置、予測装置、及びプログラム
Zhao et al. Path-forecasting for HEV optimal energy management (POEM)
Paparella et al. A time-invariant network flow model for two-person ride-pooling mobility-on-demand
Nagel et al. Heterogeneous tolls and values of time in multi-agent transport simulation
Pickenhain et al. Optimal energy control of hybrid vehicles
Bucsan et al. Mobility analysis of electric autonomous vehicle networks driven by energy-efficient rerouting

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: 21964801

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023562062

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE