CN110816549B - 能源管理装置、模型管理方法以及计算机程序 - Google Patents
能源管理装置、模型管理方法以及计算机程序 Download PDFInfo
- Publication number
- CN110816549B CN110816549B CN201910732018.3A CN201910732018A CN110816549B CN 110816549 B CN110816549 B CN 110816549B CN 201910732018 A CN201910732018 A CN 201910732018A CN 110816549 B CN110816549 B CN 110816549B
- Authority
- CN
- China
- Prior art keywords
- classification rule
- model
- prediction
- information
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004590 computer program Methods 0.000 title claims abstract description 11
- 238000007726 management method Methods 0.000 title abstract description 118
- 238000011156 evaluation Methods 0.000 claims abstract description 99
- 230000010365 information processing Effects 0.000 claims abstract description 57
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 238000003672 processing method Methods 0.000 claims abstract description 3
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 description 60
- 230000008569 process Effects 0.000 description 40
- 238000004891 communication Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- 230000005611 electricity Effects 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005477 standard model Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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"
-
- 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
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Transportation (AREA)
- Educational Administration (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明为信息处理装置、信息处理方法、记录介质、能源管理装置、模型管理方法及计算机程序。具备:行驶状态管理部,根据与移动体的移动状况有关的信息取得包括移动体的多个特征量的行驶数据;预测部,根据将与多个特征量的至少1个有关的多个第1条件与消耗能源量的多个第1预测模型对应起来的第1分类规则和行驶数据计算移动体的消耗能源量的预测值;预测评价部,根据移动体的消耗能源量的预测值和移动体的消耗能源量的实际值的差分判定是否需要更新第1分类规则;模型更新管理部,在被判定为需要更新第1分类规则的情况下,根据行驶数据生成将与多个特征量的至少1个有关的多个第2条件与能源消耗量的多个第2预测模型对应起来的第2分类规则。
Description
本申请以日本专利申请2018-151867(申请日:2018年8月10日)为基础,从该申请享受优先的利益。本申请通过参照该申请,包括该申请的全部内容。
技术领域
本发明的实施方式涉及信息处理装置、模型管理方法以及计算机程序。
背景技术
面向EV(Electric Vehicle:电动汽车)的信息提供***是在EV利用高速公路(收费公路)时参照地图信息而高精度地预测EV的可到达范围以对用户推荐应利用的服务/停车区(SA/PA)的***。可到达的范围(reachable range)还有时被称作驾驶范围(drivingrange)或者巡航范围(cruising range)。SA/PA还有时被称为路边小餐馆(transport café)、休息区(rest area)或者休息点(rest spot)。需要制定能够高效地利用具有充电设备的SA/PA的计划以避免EV缺电。为了计划性地制定如避免缺电那样的SA/PA,需要推测EV的可到达范围,而为了推测EV的可到达范围使用EV的消耗电力量的预测模型。
关于EV的消耗电力量,除了EV自身的基本特性(车型、重量等)、EV的状态(速度、空调器的利用状况等)以外,也受气象、道路环境等外部特性大幅作用。在由于劣化等而EV基本特性变化或者外部特性的变化的影响大时,还有预测模型无法确保消耗电力量的预测性能的情况。
发明内容
本发明的实施方式提供一种生成能够实现高精度的预测的模型的模型管理装置、模型管理方法以及计算机程序。
作为本发明的实施方式的信息处理装置具备:行驶状态管理部,根据与移动体的移动状况有关的信息,取得包括所述移动体的多个特征量的行驶数据;预测部,根据第1分类规则和所述行驶数据计算所述移动体的消耗能源量的预测值,该第1分类规则将与所述多个特征量的至少1个有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;预测评价部,根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新;以及模型更新管理部,在被判定为需要所述第1分类规则的更新的情况下,根据所述行驶数据生成第2分类规则,该第2分类规则将与所述多个特征量的至少1个有关的多个第2条件和多个第2预测模型对应起来。
附图说明
图1是实施方式的信息处理装置的框图。
图2是示出实施方式的通信***的图。
图3是示出路径信息的一个例子的图。
图4是示出路径信息的网络结构的例子的图。
图5是示出交通量计数器管理信息的例子的图。
图6是示出气象信息的例子的图。
图7是示出道路管制信息的一个例子的图。
图8是示出车辆信息的一个例子的图。
图9是示出充电器信息的一个例子的图。
图10是示出计算消耗电力量的例子的图。
图11是示出计算消耗电力量的其他例子的图。
图12是示出学习数据的一个例子的图。
图13是示出分类规则的一个例子的图。
图14是模型管理部的动作的一个例子的流程图。
图15是示出模型管理部的动作的其他例子的流程图。
图16是示出模型管理表以及类别表的例子的图。
图17是示出行驶数据的例子的图。
图18是用于说明计算EV的电池剩余量的具体例的图。
图19是预测评价部的动作的一个例子的流程图。
图20是模型更新管理部的动作的一个例子的流程图。
图21是模型更新管理部的动作的其他例子的流程图。
图22是示出实施方式的信息处理装置的动作的一个例子的流程图。
图23是示出***管理画面的例子的图。
图24是示出实施方式的信息处理装置的硬件结构的图。
(符号说明)
101:信息处理装置;11:通信部;12:用户ID登记部;13:EV导航利用登记部;14:用户DB(数据库);15:地图信息管理部;16:道路管制信息管理部;17:充电器信息管理部;18:气象信息管理部;19:车辆信息管理部;20:***DB;21:控制部;31:模型管理部;32:模型DB;41:预测部;51:行驶状态管理部;52:行驶管理DB;61:预测评价部;71:模型更新管理部;201A~201N:信息装置;211A~211N:服务器;220:通信网络;100:计算机装置;151:处理器(CPU);152:输入接口;153:显示装置;154:通信装置;155:主存储装置;156:外部存储装置;157:总线。
具体实施方式
以下,参照附图说明本发明的实施方式。在以下的说明中,作为移动体以电动汽车(以下称为EV)为例子进行说明,但也可以是EV以外的移动体。作为这样的移动体的例子,有电车、混合动力汽车、燃料电池汽车、飞机、无人机、电动摩托车、具有内燃机的车、船等。
EV使用电池的充电电力(充电能源)在道路上行驶而向各种地点移动。在本实施方式中,作为EV的地点,主要采用EV进行充电的地点即能源供给地点。但是,本实施方式的地点不限于能源供给地点,也可以是地图上的任意的地点。例如,可以是自家,可以是餐厅,也可以是商场,还可以是EV的用户任意地指定的地点。
EV在能源供给地点(以下记载为供给地点或者充电地点)被供给电力,将供给的电力积蓄到电池。EV使用积蓄于电池的电力而移动。EV需要在电池的电力耗尽之前移动到下个供给地点,在那里接受电力的供给。这样,EV在各供给地点进行充电而向目的地移动。此外,在供给地点设置有一个或者多个充电器(能源供给器),EV与任意的充电器以有线或者无线方式连接,接受电力的供给。
此外,在本实施方式中,设想移动体是EV的情况,所以能源供给为充电,供给地点为充电站,能源供给器为充电器,但如果移动体是汽油车,则只要将能源补给替换为燃料补给,将供给地点替换为加油站,以及替换为燃料补给器即可。另外,如果移动体是飞机或者无人机等,则将道路替换为航线,如果移动体是船,则替换为航路即可。这样,针对EV以外的移动体,也能够进行与本实施方式同样的处理。
图1是本发明的实施方式的信息处理装置的框图。图1的信息处理装置101具备通信部11、用户ID登记部12、EV导航利用登记部13、用户DB(数据库)14、地图信息管理部15、道路管制信息管理部16、充电器信息管理部17、气象信息管理部18、车辆信息管理部19、***DB20、控制部21。另外,信息处理装置101具备模型管理部31、模型DB32、预测部41、行驶状态管理部51、行驶管理DB52、预测评价部61、模型更新管理部71。另外,信息处理装置也可以具备作业人员对本装置输入指示或者数据的输入单元、对作业人员显示数据的显示单元。作为输入单元的例子,有键盘、鼠标、触摸面板、声音输入用的麦克风等。作为显示单元的例子,例如有LCD(液晶显示器)、CRT(阴极射线管)以及PDP(等离子体显示器)等。本信息处理装置是针对利用高速公路(收费公路)的EV推荐能源供给地点的面向EV的信息提供***。本信息处理装置作为一个例子设置于设施管理公司或者交通管制局等。但是,本信息处理装置也可以组装于在EV中搭载的车辆导航***(以下车辆导航)等车载装置,也不排除设置于路缘的情况。在设置于路缘的情况下,作业人员也可以对本信息处理装置进行远程操作。
通信部11经由通信网络与各种信息装置、各种服务器等进行通信。
图2示出具备信息处理装置101、各种信息装置以及各种服务器的通信***。如图2所示,信息处理装置101经由通信网络220与信息装置201A~201N、服务器211A~211N连接。通信网络220是有线或者无线或者它们的混合的网络。
通信网络220也可以包括无线LAN的接入点等中继装置。
信息装置201A~201N例如是用户保持的通信终端(智能手机、平板装置、便携电话、笔记本PC等)、搭载于EV的车辆导航等车载装置、设置于EV进行充电的供给地点的充电器、ITS站点(ETC2.0装置)等的通信装置。信息装置201A~201N能够与本信息处理装置实时地通信。ETC2.0装置能够与通信终端以及车辆导航的至少一方通信,例如配置于多个预定的站点。预定的站点可以是ITS站点,也可以是沿着路径的地方,还可以是高速公路的服务区、收费站、建筑物等。ETC装置2.0也可以设置于供电地点的入口和出口,在该情况下,也可以检测EV的进入时刻、离开时刻、进入台数以及离开台数。
通信终端也可以由用户驾驶的EV的其他乘车者(例如就坐于副驾驶席的人)操作。或者,也可以由用户操作通信终端,其他代驾人驾驶EV。向通信终端的输入可以是手动输入也可以是声音输入。以下,将信息装置201A~201N总称为信息装置201。
服务器211A~211N是管理地图信息的地图信息管理服务器、管理气象信息的气象信息管理服务器、管理车辆信息的车辆信息管理服务器、管理充电器信息的充电器信息服务器、管理道路管制信息的道路管制信息服务器等。也可以配置在此举出的以外的服务器。以下,将这些服务器总称而记载为服务器211。
用户ID登记部12从信息装置201接收用户登记请求,进行本实施方式的面向EV的信息提供***的服务(EV导航服务)的用户登记。例如,用户操作信息装置201,打开用于进行EV导航服务的用户登记的应用或者WEB页面,访问用户ID登记部12。用户ID登记部12取得用户的个人信息、用户利用的EV的信息(车型、电池容量、电池劣化度、累计行驶距离、轮胎的种类等),将它们作为用户信息。用户ID登记部12针对用户分发用户ID(EV_ID),将用户ID和用户信息关联起来登记到用户DB14。
EV导航利用登记部13从信息装置201接收利用登记请求,进行用于开始EV导航服务的利用登记。例如,用户在外出时在自家或者EV中等操作信息装置201,打开用于接受EV导航服务的应用或者WEB页面,从信息装置201将包括为了接受本服务而所需的信息的利用登记请求发送到EV导航利用登记部13。例如,发送行驶日期时间(出发IC(枢纽站)的出发预定日期时间、当前日期时间、自家的出发预定日期时间等)、出发地(高速公路的出发IC等)、目的地(目的IC等)、EV的电池容量(在用户登记时已通知的情况下也可以省略)、电池劣化度(在用户登记时已通知的情况下也可以省略)、EV的电池剩余量(能源剩余量)、空调器使用状况(开/关、设定模式、温度设定等)、累积行驶距离(在用户登记时已通知的情况下也可以省略)、轮胎的种类(在用户登记时已通知的情况下也可以省略)、乘车人数等信息。这些信息可以是如果信息装置201是车辆导航则发送在车辆导航中设定的信息,也可以是如果是智能手机等则发送用户输入的信息。将取得的这些信息称为利用登记信息。EV导航利用登记部13针对本次的服务利用分发ID(行驶ID),将行驶ID与利用登记信息关联起来储存到用户DB14,另外通知给后述行驶状态管理部或者模型管理部或者它们两方。另外,本装置与利用登记后的用户的信息装置201进行通信,取得GPS的位置信息、当前时刻、电池的残存电力量(电池剩余量)、空调器使用状况等信息,通知给后述行驶状态管理部或者模型管理部或者它们两方。作为通信的定时,有实时、每一定时间的定时、通过了用户登记的出发IC等预定的IC的定时、本装置发出请求并取得其响应的定时、进入或者离开服务区/停车区(SA/PA)的定时、通过了SA/PA附近的定时等。SA/PA还有时被称为路边小餐馆、休息区或者休息点。
用户DB14保持由用户ID登记部12以及EV导航利用登记部13登记的信息。用户DB14例如是存储器装置、硬盘装置、SSD装置等硬件存储装置。
控制部21通过控制信息处理装置101的各部分进行信息处理装置101整体的控制,实现面向EV的信息提供***的动作。
地图信息管理部15从服务器211取得地图信息,在***DB20中保持以及管理取得的地图信息。地图信息是表示地图要素的位置(纬度、经度)、尺寸、范围等信息的信息。例如,包括与地图上的各位置关联起来的标高信息、各路径(高速公路的各路径、一般道路等各路径)的距离信息、坡度、弯道的角度、路线、方向、KP(公里牌)、JCT(交叉路口)的形状、隧道、光亮部(隧道以外的场所)、路面的状况(铺路状况等)。另外,地图信息包括高速公路中的行车道数、枢纽站(IC)、服务区/停车区(SA/PA)的场所等。
另外,在地图信息中,作为上述地图要素,包括供给地点、SA/PA地点、IC、JCT地点的信息。另外,在地图信息中,作为供给地点、SA/PA地点、IC、JCT地点之间的路径信息,也可以包括路径的距离信息以及该路径的所需行驶时间的信息。
图3示出供给地点之间的路径信息的一个例子。所需行驶时间可以是过去的测量值的平均,也可以是将距离以预定速度行驶的情况所需的时间。另外,也可以是该路径的行驶所需的所需能源、电费的信息。所需能源、电费可以是实际结果的统计值(平均值、中位数等),也可以是通过计算式或者模拟计算的值。也可以用一般的网络结构表现路径信息。
图4示出路径的网络结构的例子。表示供给地点Q1~Qn的节点之间通过虚线所示的链路结合。链路将相互相邻的供给地点彼此结合。可知供给地点Q1与供给地点Q3和Q2分别相邻。另外,从供给地点Q1向供给地点Q3的路径是1个,从供给地点Q1向供给地点Q2的路径也是1个。链路被分配了由被该链路结合的两个节点表示的供给地点之间的路径的特性(在图4中省略了路径的特性的记载)。在本例子中,示出了仅供给地点的网络结构,但除了供给地点以外也可以还包括SA/PA地点、IC、JCT地点作为节点。
另外,地图信息也可以包括识别在各供给地点之间的区间存在的交通量计数器(traffic counter,TC)的TC管理信息。TC是取得与供给地点之间的区间的交通有关的信息的装置。TC是上述地图要素的一个例子。
图5示出TC管理信息的例子。在第1个条目的数据中,在供给地点Qj和相邻的供给地点Qj’的区间,配置有交通量计数器TC1、TC2、…。此外,无需按照TC1、TC2、…的顺序配置交通量计数器。
地图信息管理部15也可以针对每一定期间或者实时地从服务器211取得地图信息的全部或者一部分并更新。
气象信息管理部18从服务器211取得气象信息,在***DB20中保持以及管理取得的气象信息。
图6示出气象信息的一个例子。气象信息例如包括预先决定的各地域以及各日期时间的气温、有无降雨、降水量、风速、风向、总太阳辐射量、降雪量、路面温度、光强度、能见度(雾)、放射线、暴雨等信息。气象信息除了包括过去以及直至当前的气象信息以外,在能够取得将来的预测的气象信息的情况下,也可以还包括预测的气象信息。气象信息管理部18也可以从服务器211每隔一定时间或者实时地取得气象信息。
道路管制信息管理部16从服务器211取得与各路径(区间)有关的道路管制信息,在***DB20中保持以及管理取得的信息。作为道路管制信息,例如有交通量计数器(TC)信息、ETC信息(驶入台数、驶出台数、EV的车型、EV的电池剩余量等)。另外,作为与发生事象有关的信息,有禁止通行、拥堵、事故、故障车、施工、坠落物、火灾、灾害、限速等。另外,作为预测信息的例子,还有拥堵预测、事故发生预测、暴雨预测、沙尘灾害预测等。在上述地图信息(参照图5)中预先得知交通量计数器的设置位置。
图7示出交通量计数器信息的一个例子。交通量计数器的信息例如是速度[km/h]、占有率(占用)[%]、交通量[台/h]、车辆密度[台/km]等信息。速度例如是每一定时间的平均速度、最高速度、最低速度等。道路管制信息管理部16也可以从服务器211每隔一定时间或者实时地取得道路管制信息。另外,也可以每当道路管制信息被更新时从服务器211取得道路管制信息。此外,道路管制信息管理部16也可以并非从服务器211而从交通量计数器直接取得交通量计数器信息。对行名分配时刻、对列名分配TC的ID。在表的各要素中储存有速度(平均速度)的值。以下,主要设想交通量计数器信息作为道路管制信息的情况。
车辆信息管理部19从服务器211取得车型ID、EV厂商、电池容量、电池种类(锂离子电池等)、总重量(在EV中载至额定人数时的重量、EV自身的重量)、电费、电池劣化速度、发售年份等信息(车辆信息),在***DB20中保持以及管理取得的信息。
图8示出车辆信息的一个例子。车型ID针对每个车型具有不同的值。管理车辆信息的服务器211可以是EV厂商的服务器,也可以是集中管理多个EV厂商的车型信息的服务器。车辆信息管理部19也可以从服务器211每隔一定时间取得车型信息。或者,也可以并非从服务器211而从信息装置201取得车型信息。
充电器信息管理部17从服务器211取得关于设置于各供给地点的一个或者多个充电器(能源供给器)的充电器信息。充电器信息管理部17在***DB20中保持以及管理取得的充电器信息。充电器信息管理部17掌握各供给地点的充电器的数量。
图9示出充电器信息的一个例子。充电器信息例如包括用充电器进行充电的用户的用户ID(EV_ID)、供给地点ID、开始充电量、结束充电量、充电开始时刻、充电结束时刻。另外,也可以保持充电效率、充电次数等信息。开始充电量是在使用充电器的充电开始时刻积蓄于EV的电池的电力量。结束充电量是在使用充电器的充电结束时刻积蓄于EV的电池的电力量。结束充电量和开始充电量的差分是EV被充电的电力量。也可以代替开始充电量以及结束充电量,充电器信息包括开始充电量以及结束充电量中的任意一方和被充电的电力量的信息。充电器信息表示相应的供给地点处的能源供给历史。充电器信息管理部17也可以从服务器211每隔一定时间或者实时地取得充电器信息。
充电器信息管理部17也可以并非从服务器211而从充电器直接通过通信取得充电器信息。或者,也可以用户向信息装置201输入充电器信息(GPS的位置信息和充电的电力量等),充电器信息管理部17从信息装置201取得充电器信息。或者,也可以信息装置201(车辆导航等车载装置)从EV读出充电的电力量的信息,将充电器信息发送到信息处理装置101。
通过以时间序列使用关于同一用户的充电器信息,得到表示供给地点之间的每个区间的该用户的消耗电力量、行驶时间以及行驶速度等的消耗历史信息。作为一个例子,通过从某个供给地点的充电开始时刻减去前1个供给地点的充电结束时刻,得到行驶时间。通过将该行驶时间除以该区间的距离,得到行驶速度(平均行驶速度)。此外,还能够构成为与EV通信而实时地取得行驶速度、行驶时刻的信息,根据从EV取得的信息掌握行驶速度以及行驶时间。
图10示出作为消耗历史信息计算某个区间的消耗电力量的例子。示出根据关于某个同一EV的充电器信息计算某个区间的移动的消耗电力量的例子。将具有与某个供给地点(第1个条目的供给地点)处的充电结束时刻最接近的充电开始时刻的其他供给地点(第2个条目的供给地点)确定为下个供给地点。即,确定了3个黑圈所示的供给地点Qj(上次供给地点)的ID、3个△所示的下个供给地点Qj’(下次供给地点)的ID。另外,确定了供给地点Qj处的充电结束的时刻(上次利用结束时刻)、供给地点Qj’处的充电的开始时刻(下次利用开始时刻)、供给地点Qj’处的开始充电时的充电量(下次开始充电量)、供给地点Qj处的充电结束时的充电量(上次结束充电量)。通过从上次结束充电量减去下次开始充电量,计算在从供给地点Qj向供给地点Qj’的移动中消耗的消耗电力量。
图11示出计算消耗电力量的其他例子。在该例子中,使用从信息装置(智能手机)取得的信息。该信息表示识别用户的ID(EV_ID)、GPS信息地点以及充电量。在该情况下,通过从下个地点处的充电量减去某个地点处的充电量,计算消耗电力量。GPS信息地点可以是通过GPS取得的坐标,也可以是在地图信息中与该坐标对应起来的场所、设施等的名称。
***DB20保持由上述各管理部取得的信息(有时称为外部信息)。由各管理部取得的外部信息也可以由各管理部内的缓冲器保持。缓冲器例如是存储器装置、硬盘装置、SSD装置、硬件存储装置。另外,在***DB20中,储存有操作***、信息处理程序、在信息处理中使用的各种数据。操作***是用于控制信息处理装置101的整体动作的计算机程序。信息处理程序是用于信息处理装置101实现后述信息处理的各功能的计算机程序。***DB20例如是存储器装置、硬盘装置、SSD装置、硬件存储装置。
模型管理部31使用多个学习数据,生成计算EV的预测消耗电力量的模型(预测模型)。作为一个例子,使用消耗历史信息(充电器信息)、气象信息、地理信息、车辆信息、道路管制信息、从信息装置(智能手机、车辆导航等)取得的信息的全部或者一部分,生成学习数据。从地理信息管理部15、道路管制信息管理部16、充电器信息管理部17、气象信息管理部18、车辆信息管理部19、信息装置201取得这些信息。
模型管理部31通过将取得的这些信息的全部或者一部分对应起来,生成学习数据。例如,将某个行驶区间(供给地点之间的区间)的消耗电力量、该路径的行驶日期时间的气象信息(温度等)以及某个行驶区间的路径的地理信息(距离、坡度等)对应起来,生成行驶数据,将其作为学习数据。也可以将由后述行驶状态管理部51取得以及管理的行驶数据用作学习数据。在此为了学习用生成的行驶数据和由行驶状态管理部51管理的行驶数据既可以相同也可以不同。
图12示出学***均速度。行驶时间是在行驶区间的行驶中所需的时间。电池容量是EV搭载的电池容量(还被称为电池总量)。空调器有无运转表示在EV行驶中是否开启了空调器。气温表示行驶时的气温。另外,车型表示用户登记的EV的种类。在此示出的项目仅为一个例子,可以存在其他项目,也可以不存在图示的项目的一部分。例如,也可以将确定行驶区间的信息、路径的坡度、湿度、电池剩余量等包含于学***均速度)、距离、行驶时间、消耗电力量、空调器有无运转等表示EV的动作状况,电池剩余量、电池的劣化程度等表示EV的特性,气温、坡度等表示EV的行驶环境。它们是表示EV的移动状况的信息的一个例子。
此外,只要根据与信息装置201直接通信而取得的信息(GPS信息等)确定为了EV从供给地点Qj向下个供给地点Qj’移动而使用的路径(行驶区间)即可。作为其他方法,还能够根据消耗历史信息和地理信息推测EV使用的路径。在推测在对某个EV供给能源的供给地点Qj(例如Q1)与对该EV接着供给能源的供给地点Qj’(例如Q6)之间的移动中使用的路径的情况下,也可以将从供给地点Qj向下个供给地点Qj’的最短的移动路径(最短路径)推测为在移动中使用的路径。作为求解最短路径问题的手法,能够以一般的Dijkstra算法为首而使用Bellman-Ford算法、Gabow算法、Warshall-Floyd算法等。例如,能够用如(Qj,Q4,…,Qj’)那样的供给地点列表表示求出的路径。
上述学习数据的生成仅为一个例子,为了制作学习数据而使用的信息的种类的组合能够任意地决定。也可以还使用EV的车辆信息以及该EV行驶的日期时间的道路管制信息的至少一方来生成学习数据。例如,使用过去一定期间的信息生成学习数据。
模型管理部31依照分类规则,将多个学习数据分类为多个群组(也可以称为聚类)。分类规则例如具有基于行驶距离、行驶时间、行驶速度、电池剩余量、坡度信息、气温、车型等的至少1个的基准。
在模型DB32中,储存有一个或者多个分类规则。分类规则通过作业人员的操作而事先制作,储存到模型DB32。分类规则也可以通过作业人员的操作而更新。另外,分类规则也可以通过后述处理而制作或者更新。另外,在储存有多个分类规则的情况下,也可以设定确定在预测中使用的分类规则的标志。分类规则的结构可以是决策树、聚类模型等任意结构。
图13示出分类规则的一个例子。该分类规则是决策树的例子。包括被分配了特征量的节点(非末端节点)301、302和被分配了群组A、群组B、群组C的末端节点303、304、305。节点301、302被设定了特征量的条件(分支条件),根据满足的分支条件,被分支到下位的节点。学习数据通过这样的结构最终地被分类为与末端节点303~305对应的群组A、群组B、群组C中的任意一个。例如,如果包含于学习数据的行驶速度(特征量)的值小于40km/h且气温(特征量)小于20度,则学习数据被分类为群组A。在该例子中,决策树的节点的特征量仅为行驶速度和气温,但也可以将其他项目(例如坡度)选择为特征量。另外,决策树的深度在图的例子中是2,但深度可以是1也可以是3以上。如后所述,对各群组分别对应起来预测模型。因此,决策树是将特征量的多个第1条件和多个第1预测模型对应起来的分类规则,根据对应的第1条件的成立,选择这些多个第1预测模型。例如,选择与多个第1条件中的成立的第1条件对应的第1预测模型。
模型管理部31根据属于用分类规则分类出的各群组的学习数据,针对每个群组,生成预测模型(模型参数)。模型管理部31将生成的预测模型储存到模型DB32。模型DB32储存每个群组的预测模型。
预测模型的构建方法有人工智能、机器学习、黑盒建模、如定义物理模型那样的白盒建模等许多手法。黑盒建模是在对象的特性不明的情况下使用回归、神经网络、支持向量机(SVM)或者统计等进行建模的方法。白盒建模是在已知对象的特性的情况下定义物理模型等而进行的建模。在本实施方式中,作为一个例子,示出基于多个模型之和的预测模型。在该情况下,也可以将构成预测模型的各个模型称为子模型。预测模型的形式一般能够用以下的式(1)表示。
【式1】
^yi是第i个模型的预测值(输出值),βi是第i个模型的权重系数。LP是模型的个数。^y是预测模型的输出值,是根据各子模型^yi计算出的消耗电力量的加权合计和。子模型的数量也可以是1个。子模型表示的消耗电力量的预测值^y是包括EV的行驶时的区间消耗电力量的值,除此以外,子模型也可以还包括空调器的消耗电力量、雨刷器的消耗电力量、车辆导航的消耗电力量、EV用户在车内充电的智能手机的充电容量等。
作为子模型的例子,有回归模型、规范模型(spec model)、离散值模型。回归模型以及规范模型是作为特征量而采用连续值的连续值模型的一个例子。离散值模型是作为特征量而采用离散值的离散值模型的一个例子。模型管理部31具备:回归模型化单元35,生成回归模型;规范模型化单元36,生成规范模型;以及离散值模型化单元37,生成离散值模型。作为一个例子,^y1是回归模型,^y2是规范模型,^y3是离散值模型。此外,关于回归模型,也可以考虑预测值和真值(实测值)的误差的标准偏差,使用以下的(1-1)。
【式2】
SD是预测模型的预测值和实测值的误差的标准偏差等值,γ是权重系数。在以下的说明中,作为预测模型的型而使用(1),但在使用(1-1)的情况下也能够同样地实施。另外,也可以由操作作业人员输入SD。
在模型是多元回归模型的情况下,基本函数^y1=f(x)例如如以下那样表示。
【式3】
w0、w1、w2、w3、…、wn是成为推测对象的模型参数。x1、x2、x3…、xn是输入变量(特征量)。^y1是输出变量。此外,为了吸收各输入变量的测定单位的差,也可以将输出变量和所有输入变量归一化为平均值0、方差1(标准化(scaling))。作为输入变量的一个例子,有距离、所需时间、外界气温等。它们是包含于学习数据的项目。例如,x1是距离,x2是所需时间,x3是外界气温。输入变量也可以是根据包含于学习数据的多个项目计算的其他值。例如,也可以将通过将距离除以所需时间而得到的速度作为输入变量。
在规范模型的情况下,基本函数^y2=f(x)如以下的式(3)那样表示。w是成为推测对象的系数或者常数。x是某个特征量。^y2是输出变量。w也可以是固定值(例如1)。x可以是包含于学习数据的项目的值,也可以是(2)的回归模型的输出值^y1。用规范模型计算的消耗电力量例如依赖于车型、电池容量。
【式4】
(模型^y2表示行驶的消耗电力的情况的例子)
特征量x也可以是距离(km)/电费(km/kWh)。在该情况下,电费例如可以是目录规范的值,也可以是应推测的系数。也可以w是电费比(车型A的电费/车型B的电费),x是车型B的消耗电力量(用回归模型求出的值)。电费比也可以是应推测的系数。在该情况下,可以认为模型是与车型A和车型B所属的群组对应的模型。
也可以w是电池的劣化程度,x是基于回归模型的消耗电力量。电池的劣化程度例如可以是EV的电池的SoH/平均SoH,也可以是EV的累积行驶距离/平均累积行驶距离。SoH是健康状态(State-of-Health),是表示电池的劣化程度的指标。
也可以w是EV和载物的总重量/EV的总重量(或者平均总重量),x是基于回归模型的消耗电力量。EV和载物的总重量/车的总重量(或者平均总重量)可以根据目录值决定,也可以是通过学习推测的系数。EV和载物的总重量例如是在EV上载置许可的最大的人数和载物时的重量。
(模型^y2表示空调器的消耗电力的情况的例子)
特征量x是空调器使用时间(h),系数w是应推测的系数,单位是kWh/h。
也可以特征量x是温度差(Δ℃),系数w是应推测的系数,单位是kWh/Δ℃。
(^y2表示雨刷器的消耗电力的情况的例子)
特征量x是雨刷器使用时间(h),系数w是应推测的系数,单位是kWh/h。
在离散值模型的情况下,基本函数^y3=f(x)如以下的式(4)那样表示。
例如,作为一定的常数,有EV的空调器的消耗电力量=3(kWh)、或者智能手机充电量=1(kWh)。在离散值模型的情况下,C为应推测的系数或者常数(目录规范的值等)。C的项目包含于学习数据。基于离散值模型的消耗电力量例如是除了行驶以外所消耗的电力量。作为常数C的项目,考虑生成与特定的车型、季节、路面状态对应的模型。在特征量具有多个值的离散值的情况(例如将特征量设为季节的春、夏、秋、冬等)下,通过进行一般公知的虚拟变量化,能够与2值的离散值同样地应对。
只要通过对式(1)应用最大似然法或者最小二乘法等公知的最佳化算法求出式(2)的模型参数w、式(3)的系数w、式(4)的常数C即可。
模型管理部31使用各模型化单元的至少1个来生成预测模型。针对每个群组,生成预测模型^y。生成的预测模型储存到模型DB32。也可以针对每个群组而构成预测模型的各子模型的种类不同。例如,也可以包含于群组A的预测模型的离散化模型是空调器的消耗电力量的值,包含于群组B的预测模型的离散化模型是智能手机的充电量的值。在该情况下,针对每个子模型,准备多个种类,在子模型之间生成种类的组合,评价各组合。只要针对每个群组使用评价最高的组合即可。此外,关于仅有少量学习数据的群组,关于回归模型也可以利用转移学习。
图14是模型管理部31的动作的一个例子的流程图。关于各群组,进行本流程图的动作。关于成为对象的群组,将预测模型的构建方法的候补决定一个或者多个(S101)。作为构建方法的例子,有表示回归模型、规范模型以及离散值模型的合计的模型、表示回归模型和规范模型的合计的模型、表示神经网络、规范模型以及离散值模型的合计的模型等。通过进一步变更各个子模型的类型,考虑有更多的构建方法。
用属于成为对象的群组的学习数据,构建新的预测模型(S102)。将用各构建方法构建出的预测模型作为临时模型登记到模型DB32(S103)。判断是否在各临时模型中设置试用期间(S104)。例如,判断为在新构建模型时不设置试用期间,在进行预测模型的更新处理时设置试用期间。另外,试用期间也可以由操作作业人员任意地设定。也可以用除此以外的方法判断。
在不设置试用期间的情况下(“否”),使用成为对象的群组的学习数据评价临时模型(S105)。作为一个例子,利用临时模型的输出值和实际结果的值的误差(预测误差)的总和,计算评价值(模型评价值)。将评价最高的(模型评价值最小的)临时模型选择为预测模型(S106)。未被选择的临时模型也可以从模型DB32删除。
在此,也可以使用交叉验证法来生成以及评价各临时模型。在该情况下,在步骤S102中,将属于成为对象的群组的学***均值、中位数、方差、四分位数、最大值、最小值等)。根据统计值,将各临时模型中的评价最高的临时模型选择为预测模型。取决于评价方法,有评价越高则统计值越大的情况、评价越高则统计值越低的情况。
另一方面,在步骤S104中设置试用期间的情况下(“是”),收集新的学习数据(S107)。然后,使用新收集的学习数据和过去取得的学习数据,评价各临时模型(S108)。评价的方法与在步骤S105中说明的方法相同,作为在评价中试用的数据而使用新收集的学习数据这点不同。此外,也不排除在新收集的学习数据存在对评价而言充分的个数的情况下仅用新收集的学习数据评价的结构。另外,还能够使用上述交叉验证法。此时,过去的学习数据和新的学习数据混合存在,所以也可以随机地进行学习数据的分割。例如,将对预定个数的测试数据随机地进行采样并把剩余测试数据作为训练数据的处理反复进行K次。
在步骤S108中的评价中,也可以提高新数据的权重。例如,在计算误差的总和时,对针对新数据计算出的误差乘以比针对过去的数据计算出的误差大的权重。另外,在使用交叉验证法的情况下,也可以使在采样中新数据被选择为测试数据或者训练数据的可能性高于过去的数据。
在此,作为临时模型的模型评价值,在上述中示出了作为临时模型的输出值和实际结果的值的误差的总和的例子,但不限定于此。例如,也可以用以下的式(5)评价。在此,示出回归式的例子,但在使用回归模型和规范模型的合计的情况下,只要在下述式中加上根据学习数据的采样数对规范模型的实际结果的值和推测值的差分进行归一化而得到的值即可。
【式6】
n:属于群组的学习数据的采样数
v:回归式的维数、即使用的特征量数
yi(i=1,…,n):第i个采样的消耗电力量的实测值
^yi(i=1,…,n):第i个采样的消耗电力量的预测值
另外,作为模型评价值的其他例子,有均方误差(MSE:Mean Squared Error)、平均绝对误差(MAE:Mean Absolute Error)、R2值(相关系数R的平方,还有时称为确定系数)、均方根误差(RMSE:Root Mean Square Error)、均方根误差率(RMSPE:Root Mean SquarePercentage Error)等。
也可以定义还考虑了消耗电力量的实测值和预测值的误差以外的要素的模型评价值。例如,也可以对模型的数据大小乘以一定的系数,对上述误差的总和等值加上该乘算值,将由此得到的值作为模型评价值。模型的数据大小越大,则使用模型的预测的运算越需要时间,所以越易于选择尺寸小的模型,从而能够期待运算时间以及运算量的减少。
模型管理部31除了如上所述使用预先提供的分类规则以外,还能够自动地生成分类规则。在自动地生成分类规则的情况下,在用下述说明的方法生成了分类规则之后,用上述方法进行使用分类规则来构建预测模型的处理。在此,作为分类规则,示出决策树的情况,但不限定于此。在自动地生成分类规则的情况下,同时进行分类规则的生成和预测模型的构建。在减少预测模型的预测误差的偏差的方向上反复分割决策树。分割节点是指,在该节点中生成多个子节点。例如,使某个节点(父节点)的分割数为2是指,在该节点中生成2个子节点。换言之,是指将属于父节点的数据群分割为与各子节点对应的数据群。在该情况下,需要决定对父节点分配的特征量和基于特征量的值的分支的条件。对父节点分配的特征量可以是存在于学习数据的项目,也可以是运算学习数据中的多个项目而得到的项目。父节点的分割数也可以并非2而是3以上。
在此,考虑通过反复将某个节点分割为2个而使分类规则(决策树)发展的例子。即,通过将父群组分割为2个群组(左群组、右群组),使分类规则成长(使决策树的深度变深)。在决定对父节点分配哪个特征量而决定成为分支的条件的特征量的值时,使用SDR(Standard Deviation Reduction:标准误差减少量)。
图15是示出模型管理部31的动作的例子的流程图。首先,决定分割数(S201)。在此,使分割数为2。分割数可以是预定值,也可以是根据属于成为分割对象的节点的学习数据的数量、包含于学习数据的项目数而决定的值。
以使SDR最大的方式,决定对父节点分配的特征量和成为分支的条件的特征量的值(特征量的条件)(S202)。在决定的特征量的条件下,将学习数据分割为2个子节点(左子节点(左群组)、右子节点(右群组))。作为一个例子,用以下的式(6)表示SDR。在该例子中,作为特征量,使用消耗电力量。另外,也可以针对父节点和子节点先构建预测模型,将其预测值和实测值的误差作为SDR的特征量。
【式7】
T:属于父节点(父群组)的消耗电力量的矢量。采样数是|T|。
T_i(i∈{left,rig t}):属于左群组或者右群组的消耗电力量的矢量。采样数是|T_i|。
sd:求出标准偏差的函数
消耗电力量可以是实测的消耗电力量,也可以是用预测模型计算出的消耗电力量。
设定多个成为条件的候补的特征量的值,用多个候补计算上述SDR。此时,关于候补,也可以对属于父节点的消耗电力量进行分类,将各值全部作为候补。选择SDR最大的特征量和特征量的条件的组。这样,在父节点中临时生成2个子节点。此外,能够与分割为3个以上的情况也同样地计算SDR。此外,在3个分割的情况下,成为条件的候补的特征量的值例如存在2个。
使用生成的决策树将学***均(模型评价值越小则评价越高的情况),则判断为该决策树满足分割条件,否则判断为不满足分割条件。在满足分割条件的情况下(“是”),确定父节点的分割(采用上述临时生成的2个子节点)(S205)。返回到步骤S202,将各子节点分别作为父节点,反复进行与上述同样的处理。此外,也可以当在返回的步骤S202中决定成为对各子节点分配的候补的特征量时,去掉已经对上位节点(包括父节点)分配的特征量。
在不满足分割条件的情况下(“否”),删除临时生成的子节点(中止分割),返回到临时生成子节点之前的决策树(S206),结束处理。作为针对每个子节点递归地进行本处理的结果,能够确定多个决策树。在该情况下,例如从这些多个决策树中最终地选择决策树。例如,计算表示子节点的预测误差的评价值(规则评价值)。例如,计算预测误差的平均、中位数、最大值等统计值。选择规则评价值最小的决策树。在计算平均的情况下,也可以根据属于子节点(群组)的数据数对预测误差乘以权重。另外,也可以针对将属于子节点(群组)的EV的总电池量(电池容量的EV台数量的合计)除以电费而得到的值越大的群组,越减小权重(除算值越大意味着越不易缺电)。另外,也可以对预测误差大于阈值的子节点的个数进行计数,选择该个数最小的决策树。另外,也可以将对子节点的个数乘以一定的系数而得到的结果加到如上所述计算出的统计值等值,将由此得到的值作为规则评价值。由此,易于挑选子节点数少的决策树,能够实现运算量以及运算时间的减少。
作为处理的结束条件,也可以使用上述分割条件以外的条件。例如,也可以以决策树成为预先决定的深度为条件而结束处理。也可以以SDR的最大值小于阈值为条件而结束处理。也可以是其他条件。
模型管理部31用模型DB32管理生成的各预测模型和分类规则。模型管理部31也可以用模型管理表管理各预测模型的模型ID和在各预测模型中使用的特征量的系数。
图16的(A)示出模型管理表的例子。针对消耗电力量以及电池容量等特征量(输入变量)的每一个,示出了使用的系数的值。值为0的特征量意味着不被使用。也可以针对每个特征量如图16的(B)所示管理表示是连续值还是离散值的类别的表(类别表)。也可以将该表利用于各特征量是在离散值模型中使用、还是在连续值模型(回归模型、规范模型)中使用的判断。另外,分类规则可以以安装一般的树结构的形式(参照图13)保持于模型DB32,也可以以程序的形式保持。另外,模型管理部31也可以在模型DB32中保持各预测模型的程序代码(构成预测模型的函数的程序代码)。
预测部41使用预测模型和EV的预测用数据,预测预测对象的行驶区间中的EV的消耗电力量。预测用数据是包括在预测模型的各子模型中使用的项目的数据。但是,还有在子模型中使用的项目是其他子模型的输出值的情况。预测对象的行驶区间例如是至作为下个充电候补的供给地点为止的区间。
行驶状态管理部51管理行驶中的EV的行驶区间的行驶状态(例如每个区间的消耗电力量等)。行驶状态管理部51关于行驶中的EV,取得进行充电的据点之间的行驶区间的行驶数据,用行驶管理DB52管理。能够根据由各管理部15~19、EV导航利用登记部13取得的数据(与移动体的行驶状态有关的信息)生成行驶数据。
图17示出与高速公路有关的行驶管理DB52的例子。关于各EV,管理第1次充电地点、第2次充电地点以及各种变量。在进行了3次以上充电的情况下,在第1次充电地点的列中放入第2次的充电地点的值,在第2次的充电地点的列中放入第3次的充电池点的值。即使在进行了4次以上的充电的情况下,也用同样的方法放入值。时间是在行驶区间的行驶中所需的时间,消耗电力量是在行驶区间的行驶中使用的消耗电力量(实际值),距离是行驶区间的距离。上坡是在行驶区间中有一定值以上的坡度的路径的长度。下坂是在行驶区间中有小于一定值的坡度的路径的长度(用负的值表现)。在此示出的变量仅为一个例子,能够使用各种种类的变量。例如,作为总充电量,也可以追加2个地方的充电的合计充电量。行驶状态管理部51也可以将关于行驶完成后的EV在各行驶区间中预测出的消耗电力量追加到该EV的行驶数据。另外,第1次充电地点和第2次充电地点也可以是希望求出消耗电力量的任意的2个地点。任意的2个地点例如还考虑TC之间、IC之间、IC~充电地点之间等多个组合。
另外,行驶状态管理部51也可以进行如下处理:使用预测部41,根据EV的电池剩余量找到处于可到达的范围的供给地点的候补,从找到的候补中决定该EV的下个供给地点。可到达的范围(reachable range)还有时被称作驾驶范围或者巡航范围。预测对象的行驶区间的开始地点例如可以是任意的供给地点,也可以是行驶中的任意的地点。行驶区间的结束地点例如是成为候补的供给地点。行驶状态管理部51为了针对行驶中的EV计算消耗电力量的预测值,也可以作为行驶数据的时间、平均速度等而使用从预测值、道路信息、气象信息得到的实时的当下值。在需要EV的位置信息的情况下,例如也可以从信息装置201的GPS用通信来取得。在需要EV的电池的残存电力量(电池剩余量)等信息的情况下,可以从信息装置201用通信来取得,也可以根据充电器信息计算该电池剩余量等信息。或者,也可以利用EV的电费来推测电池剩余量。在作为在预测模型中使用的特征量需要电池剩余量时,能够使用这样取得或者推测出的电池剩余量。
行驶状态管理部51根据关于各候补计算的消耗电力量,缩小用EV的电池剩余量可到达的供给地点的范围,从其中决定下个供给地点。关于决定供给地点的方法,只要选择用当前的电池剩余量可到达的供给地点,则可以是任意的方法。例如,在直至目的地的路径是1个的情况下,也可以考虑各供给地点的混杂状况,选择等待时间尽可能少的供给地点,在直至目的地存在多个路径的情况下,可以选择最短的路径上的供给地点,也可以选择拥堵最少的路径或者坡度最小的路径上的供给地点。也可以考虑在离开目的地的IC之后接着可到达的供给地点的地方,决定离开目的地的IC之前的供给地点。将决定的供给地点的信息发送到用户的信息装置201(EV)。发送的信息显示于信息装置201的画面,用户掌握接下来应驶向的供给地点。
使用图18说明行驶状态管理部51计算EV的电池剩余量的具体例。
供给地点A、B、C、D、E、F、G(以下地点A~G)配置于高速公路。这些地点A~G是沿着直至EV的目的地(目的IC)的某个路径配置的SA/PA。EV在地点C进行充电,行驶状态管理部51根据充电器信息或者从信息装置201取得的信息,掌握充电完成后的电池剩余量(也可以是SoC(荷电状态,State of Charge))。将电池剩余量表示为Ea。另外,行驶状态管理部51能够从信息装置201的GPS取得EV的速度以及时刻的信息。EV是当前行驶中且位于地点D与E之间。将2个供给地点X和Y的区间记载为区间XY。示出行驶状态管理部51在EV处于当前的位置时计算区间CD、区间DE、区间EF、区间FG的消耗电力量的例子。作为在预测模型中使用的特征量的例子,使用区间的速度(平均速度)、在区间的行驶中所需的行驶时间。
区间CD是EV已经行驶的过去的区间。区间CD的行驶距离DIScd以及地点D至当前位置N的行驶距离DISdn能够根据地图信息掌握。在地点C完成充电的时刻能够根据充电器信息或者从信息装置201取得的信息掌握。当前位置处的时刻能够从本装置的内部的定时器取得。因此,如果将在地点C完成充电的时刻视为地点C的出发时刻,则能够计算在地点C至当前位置N的行驶中所需的时间tcn。此外,也可以根据从EV的GPS取得的信息,决定EV从地点C出发的时刻。在将地点C至地点D的行驶速度(平均速度)vcd计算为(DIScd+DISdn)/tcn时,在区间CD的行驶中所需的时间tcd能够通过DIScd*vcd计算。因此,能够将vcd、tcd以及其他所需的特征量代入到预测模型来计算(预测)区间CD的消耗电力量(^ycd)。此外,在取得在地点D行驶时的时刻的情况下,也可以通过将区间CD间的距离除以在地点C至地点D的行驶中所需的时间来计算vcd。
区间DE包括EV已经行驶的区间(过去的区间)DN和尚未行驶的区间(将来的区间)NE。在将区间DN的速度vdn与区间CD同样地计算为(DIScd+DISdn)/tcn时,在区间DN的行驶中所需的时间tdn能够通过DISdn*vdn计算。另外,作为区间NE的速度vne,利用配置于该区间的交通量计数器(TC)的值。例如,可以是TC的速度的最新值,也可以是过去一定期间(例如30分钟)的平均。在区间NE的行驶中所需的时间tne能够通过DISne/vne计算。DISne是区间NE的距离。因此,在区间DE的行驶中所需的时间tde能够通过tdn+tne计算。
另外,区间DE的行驶速度(平均速度)vde能够通过(DISdn+DISne)/tde计算。此外,也可以代替DISdn+DISne,从地图信息直接取得区间DE的距离DISde。因此,能够将vde、tde以及其他所需的特征量代入到预测模型来计算(预测)区间DE的消耗电力量(^yde)。
区间EF是EV尚未行驶的区间(将来的区间)。区间EF的速度vef利用配置于该区间的交通量计数器(TC)的值。例如,可以是TC的速度的最新值,也可以是过去一定期间(例如30分钟)的平均。在区间EF的行驶中所需的时间tef能够通过DISef/vef计算。因此,能够将vef、tef以及其他所需的特征量代入到预测模型来计算(预测)区间EF的消耗电力量(^yef)。
区间FG是EV尚未行驶的区间(将来的区间)。因此,能够与区间FG同样地计算(预测)区间FG的消耗电力量(^yfg)。
这样,在行驶区间是过去的区间的情况、包括过去和将来这两方的区间的情况、将来的区间的情况中的任意一个的情况下,都能够计算EV的消耗电力量。因此,能够根据地点C处的电池剩余量Ea和各区间的消耗电力量,确定用EV的当前的电池剩余量可到达的地点。
预测评价部61关于完成了由行驶状态管理部51预测出消耗电力量的区间的行驶的EV,计算消耗电力量的预测值和消耗电力量的实际值的差(误差)。根据计算出的误差,计算针对多个预测模型以及分类规则的组的评价值(以下称为更新判定评价值)。消耗电力量的实际值也可以根据充电器信息来计算。例如,能够根据某个供给地点X的充电结束时的电力量和接着进行充电的供给地点Y的充电开始时的电力量的差,计算区间XY的消耗电力量的实际值。区间XY的消耗电力量的预测值能够根据行驶状态管理部51的预测结果来确定。也可以区间XY包括由行驶状态管理部51预测出的连续的多个区间。例如,如果区间XY是区间CF,则合计区间CD、区间DE、区间EF的预测值,从而能够计算区间CF的消耗电力量的预测值。此外,在能够从信息装置201直接通过通信取得EV的电池剩余量的信息的情况下,还能够取得该信息来计算消耗电力量的实际值。
更新判定评价值被用于判定是否开始用于更新分类规则和预测模型的处理。在更新判定评价值满足基于阈值的更新开始条件的情况(例如更新判定评价值大于阈值的情况)下,开始用于更新分类规则和预测模型的处理。在不满足更新判定条件的情况(例如更新判定评价值小于阈值的情况)下,不开始用于更新分类规则和预测模型的处理。
根据此前关于多个EV计算了1次或者多次的误差,计算更新判定评价值。每当关于EV计算出误差时,重新计算(更新)更新判定评价值。作为更新判定评价值的具体例,有均方误差(MSE)、平均绝对误差(MAE)、R2值、均方根误差(RMSE)、均方根误差率(RMSPE)等。
更新判定评价值也可以针对用分类规则分类出的每个群组而计算。也可以在群组中的满足更新开始条件的群组是阈值以上的情况下,判断为满足更新开始条件。也可以在群组之间计算更新判定评价值的统计值(平均、中央、或者最大值等),在统计值是阈值以上(或者小于阈值。使用阈值以上以及小于阈值的哪一个依赖于统计值的种类)的情况下,判断为满足更新开始条件。也可以在群组之间计算更新判定阈值的平均的情况下,对群组设定权重来计算加权平均。也可以属于群组的数据数越多,则越增大权重。另外,也可以针对将属于群组的EV的总电池量(电池容量的EV台数量的合计)除以电费而得到的值越大的群组,越减小权重(除算值越大意味着越不易缺电)。
图19是预测评价部61的动作的一个例子的流程图。关于完成了由行驶状态管理部51预测出消耗电力量的区间的行驶的EV,计算消耗电力量的预测值和消耗电力量的实际值的差(误差)(S301)。根据计算出的误差,计算针对多个预测模型以及分类规则的组的评价值(更新判定评价值)(S302)。判断更新判定评价值是否满足基于阈值的更新开始条件(S303),在满足更新开始条件的情况下(“是”),决定用于更新分类规则和预测模型的处理的开始(S304)。在不满足更新开始条件的情况下(“否”),不开始用于更新分类规则和预测模型的处理而结束处理。本流程图例如可以每当关于1台EV取得消耗电力量的实际值和预测值时进行,也可以每隔一定时间或者每当计算一定数的误差时进行。
模型更新管理部71在由预测评价部61判断为满足更新开始条件的情况下,开始用于更新分类规则和预测模型的至少一方的处理。
图20是模型更新管理部71的动作的一个例子的流程图。判断是否更新分类规则(S401)。能够用任意的方法判断是否更新分类规则。
作为一个例子,针对用分类规则分类出的每个群组,计算预测模型的误差。为了计算误差,例如使用一定期间的数据。作为在误差的计算中使用的数据,使用在制作预测模型之后取得的数据。也可以除了使用该数据以外,还使用在预测模型的制作中使用的数据。根据各群组的误差,计算评价值(规则评价值)。例如,计算误差的平均、中位数或者最大值等统计值。如果规则评价值是阈值以上,则判断为更新分类规则,如果小于阈值,则判断为不更新分类规则。在计算上述平均的情况下,也可以根据属于子节点(群组)的数据数对预测误差乘以权重。另外,也可以针对将属于子节点(群组)的EV的总电池量(电池容量的EV台数量的合计)除以电费而得到的值越大的群组,越减小权重(除算值越大意味着越不易缺电)。
上述阈值也可以由作业人员使用输入单元输入到本装置。另外,也可以将对某个决定的期间的误差的平均乘以一定的系数而得到的值作为阈值。例如,在容许至该期间的误差的平均的β倍的误差的情况下,将一定的系数的值设为β。
作为判断是否更新分类规则的其他例子,对误差是一定值以上的群组数进行计数。在计数值是阈值以上的情况下,决定更新分类规则。在小于阈值的情况下,决定不更新分类规则。该情况的阈值也可以由作业人员使用上述输入单元输入到本装置。另外,阈值也可以是对群组数乘以一定的系数而得到的值。例如,在将误差大的群组数容许至小于群组数的5%的情况下,将一定的系数的值设为0.05。
在更新分类规则的情况下(“是”),进行在图15中说明的分类规则更新处理(S402)。将当前使用的分类规则(称为原分类规则或者第1分类规则)与在分类规则更新处理中新生成的分类规则(称为更新用分类规则或者第2分类规则)一起保存到模型DB32。其原因为,有可能在后述模型更新处理中丢弃更新用分类规则而返回到原分类规则。接下来,根据在分类规则更新处理中生成的更新用分类规则,进行模型更新处理(S403)。后述模型更新处理的详细内容。
另一方面,在不更新分类规则的情况下(“否”),根据当前使用的分类规则(原分类规则)进行模型更新处理(S403)。
图21是在上述步骤S403中进行的模型更新处理的动作的一个例子的流程图。设想作为分类规则而使用更新用分类规则的情况。步骤S101~S108与图14相同。
模型更新管理部71通过步骤S101~S108的处理,决定各群组的预测模型。在此,将决定出的预测模型称为更新用预测模型。评价更新用分类规则和原分类规则(S501)。即,使用该更新用分类规则的各群组的更新用预测模型来计算规则评价值(更新用规则评价值)。另外,关于原分类规则,使用原预测模型来计算规则评价值(原规则评价值)。此外,在步骤S107中收集的新的数据与在更新用分类规则生成后以及各临时模型生成后取得的学习数据(行驶数据)对应。在步骤S105中使用的数据与在更新用分类规则生成前以及各临时模型生成前取得的学习数据(行驶数据)对应。
比较更新用规则评价值和原规则评价值,判断更新用分类规则以及更新用预测模型是否与原分类规则以及原分类规则相比得到了改善(S502)。例如,在更新用规则评价值小于原规则评价值的情况下,判断为得到了改善,否则,判断为未得到改善。在判断为得到了改善的情况下(“是”),用更新用分类规则和更新用预测模型,更新原分类规则以及原预测模型(S503)。更新前的预测模型与第1预测模型对应,更新后的预测模型与第2预测模型对应。包含于更新用分类规则的特征量的多个条件与特征量的多个第2条件对应。多个第2条件还有可能与包含于原分类规则的多个第1条件相同。另一方面,在判断为未得到改善的情况下(“否”),决定继续使用原分类规则(第1分类规则)和原预测模型(第1预测模型)(S504)。在该情况下,也可以丢弃更新用分类规则和更新用预测模型。
在上述说明中,设想了作为分类规则而使用更新用分类规则,但在上述分类规则更新处理中决定了使用原分类规则的情况下使用原分类规则。在该情况下,只要也进行与图21的流程图相同的处理即可。但是,在步骤S503中,用更新用预测模型更新原预测模型的处理相同,但分类规则直接使用原分类规则这点与使用更新用分类规则的情况不同。
(作为分类规则使用原分类规则来进行模型更新处理的情况的其他处理例)
也可以针对每个群组判断是否进行更新,仅决定了进行更新的群组更新预测模型,关于决定了不进行更新的群组不更新预测模型。更详细而言,计算群组的预测模型(原预测模型)的模型评价值。如果模型评价值是阈值以上,则决定开始用于更新预测模型的处理,如果小于阈值,则决定不开始用于更新预测模型的更新处理。在决定了开始该处理的情况下,进行图21的S101~S108的处理,生成该群组的预测模型(更新用预测模型)。计算以及比较生成的预测模型的模型评价值(更新用模型评价值)和原预测模型的模型评价值(原模型评价值)。如果更新用模型评价值小于原模型评价值,则判断为更新用预测模型相比于原预测模型得到了改善,用更新用预测模型更新原预测模型。更新后的预测模型与第3预测模型对应。在除此以外的情况下,决定直接使用原预测模型。
也可以由作业人员使用输入单元,输入用于在上述中判断是否开始更新处理的阈值。另外,也可以将对某个决定的期间的误差的平均乘以一定的系数而得到的值作为阈值。例如,在容许至该期间的误差的平均的β倍的误差的情况下,将一定的系数的值设为β。
另外,也可以在上述分类规则更新处理中仅更新分类规则的一部分。例如,计算分类规则的各群组的预测模型的模型评价值,确定模型评价值是阈值以上的群组。将确定出的群组所属的子节点的父节点的更下位作为更新的对象。在图13的例子中,设为群组A、B的模型评价值是阈值以上、且群组C的模型评价值小于阈值。在该情况下,将“气温<20”的父节点的下位作为更新的对象。维持“速度<40”的特征量和规定分支的条件的特征量的值(=40)。在模型更新处理中,可以与上述图21的处理相同,但关于群组C,可以决定直接继续使用预测模型并从更新的对象去掉,也可以依照图21的流程图的处理生成更新用的预测模型。
图22是示出本实施方式的信息处理装置101的动作的一个例子的流程图。
行驶状态管理部51经由通信部11从信息装置201(智能手机、车辆导航等)取得行驶中的EV的行驶数据(S601)。行驶状态管理部51将取得的行驶数据储存到行驶管理DB52。
预测部41使用取得的行驶数据、分类规则以及多个预测模型(各群组的预测模型),关于行驶数据表示的行驶区间,计算消耗电力量的预测值(S602)。即,根据行驶数据和分类规则,确定使用的预测模型,根据确定出的预测模型和行驶数据,计算消耗电力量的预测值。
行驶状态管理部51取得上述行驶区间中的EV的消耗电力量的实际值(603)。实际值可以从充电器信息取得,也可以从信息装置201取得。
预测评价部61根据计算出的消耗电力量的预测值和取得的消耗电力量的实际值,计算评价值(更新判定评价值)(S604)。
控制部21判断本处理的结束条件是否成立(S605)。例如,在作业人员输入了结束指示的情况下,判断为结束条件成立。在结束条件成立的情况下(“是”),结束本处理,在未成立的情况下(“否”),进入到步骤S606。
预测评价部61根据在步骤S604中计算出的评价值,判断是否开始用于更新分类规则以及预测模型的处理(S606)。具体而言,判断评价值是否满足更新开始条件。例如,如果评价值是阈值以上,则判断为更新开始条件成立,如果小于阈值,则判断为未成立。在判断为未成立的情况下(“否”),返回到步骤S601。
在判断为更新开始条件成立的情况下(“是”),模型更新管理部71进行分类规则更新处理(参照图15)(S607)。接下来,进行模型更新处理(参照图21)(S608)。之后,返回到步骤S601。
根据分类规则更新处理以及模型更新处理的结果,有分类规则以及预测模型都不被更新的情况、仅任意一方被更新的情况、分类规则的一部分和预测模型的一部分被更新的情况、仅预测模型的一部分被更新的情况等各种方案。
图23示出***管理画面的例子。在图的上图中,示出了分类规则的各群组的预测模型(模型1~模型4的预测模型)的预测误差的推移数据。在图的下图中,以表形式示出了各模型的构建日期时间、最新的预测误差、利用中止日期时间。在时刻t1以前,使用模型1和模型2,模型1的预测误差在时刻t1急速上升。根据时刻t1的模型1的预测误差的上升,通过本实施方式的动作进行分类规则更新处理以及模型更新处理。作为模型1的更新用模型,生成模型3和模型4。模型2被判断为无需更新而继续使用。在试用期间中,与模型1并行地使用模型3和模型4。在时刻t2(=YYYY/MM/DDHH:MM:SS2)试用期间结束。模型3和模型4的平均的模型评价值小于模型1的模型评价值,所以模型1被中止利用,在时刻t2以后使用模型3和模型4。在时刻2以后,也继续使用模型2。此外,在图的下方的表中,模型1的当前的预测误差是时刻t2(利用中止日期时间)下的值。
以上,根据本实施方式,在本信息处理装置的运用时取得EV的消耗电力量的预测值和实际值,根据预测值和实际值的误差,判断是否需要更新分类规则以及预测模型。在需要更新的情况下更新分类规则(即生成新的分类规则),生成与更新后的分类规则对应的预测模型。通过这样进行分类规则的更新,能够构建预测性能高的预测模型。
另外,根据本实施方式,用过去的行驶数据或者将来的行驶数据或者它们两方评价更新后的分类规则,判定预测性能是否比更新前提高。在预测性能降低的情况下,返回到原分类规则。由此,能够防止由于分类规则的更新而预测性能降低。
根据本实施方式,在面向EV的信息提供***的长时间使用中,能够追踪车型的增加、性能变化、利用状况的变化来确保消耗电力量的预测性能。
图24示出本实施方式的信息处理装置101的硬件结构。本实施方式的信息处理装置101由计算机装置100构成。计算机装置100具备CPU151、输入接口152、显示装置153、通信装置154、主存储装置155以及外部存储装置156,它们通过总线157相互连接。
CPU(中央运算装置)151在主存储装置155上执行实现信息处理装置101的上述各功能结构的计算机程序。通过CPU151执行计算机程序,实现各功能结构。
输入接口152是用于将来自键盘、鼠标以及触摸面板等输入装置的操作信号输入到信息处理装置101的电路。
显示装置153显示从信息处理装置101输出的数据或者信息。显示装置153例如是LCD(液晶显示器)、CRT(阴极射线管)以及PDP(等离子体显示器),但不限于此。从计算机装置100输出的数据或者信息能够通过该显示装置153显示。
通信装置154是用于信息处理装置101与外部装置以无线或者有线方式进行通信的电路。能够经由通信装置154从外部装置输入信息。能够将从外部装置输入的信息储存到DB。能够在通信装置154上构建通信部11。
主存储装置155存储实现本实施方式的处理的程序以及在程序的执行中需要的数据以及通过程序的执行生成的数据等。程序在主存储装置155上被展开并执行。主存储装置155例如是RAM、DRAM、SRAM,但不限于此。也可以在主存储装置155上构建各实施方式中的存储部。
外部存储装置156存储上述程序以及在程序的执行中需要的数据以及通过程序的执行生成的数据等。这些程序、数据在本实施方式的处理时被读出到主存储装置155。外部存储装置156例如是硬盘、光盘、闪存存储器以及磁带,但不限于此。也可以在外部存储装置156上构建各实施方式中的存储部。
此外,上述程序可以预先安装到计算机装置100,也可以存储到CD-ROM等存储介质。另外,该程序也可以上载到因特网上。
此外,计算机装置100可以将处理器151、输入接口152、显示装置153、通信装置154以及主存储装置155分别具备一个或者多个,也可以被连接打印机、扫描仪等***设备。
另外,信息处理装置101可以由单一的计算机装置100构成,也可以构成为由相互连接的多个计算机装置100构成的***。
[技术方案1]
一种信息处理装置,具备:
行驶状态管理部,根据与移动体的移动状况有关的信息,取得包括所述移动体的多个特征量的行驶数据;
预测部,根据第1分类规则和所述行驶数据计算所述移动体的消耗能源量的预测值,该第1分类规则将与所述多个特征量的至少1个有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
预测评价部,根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新;以及
模型更新管理部,在被判定为需要所述第1分类规则的更新的情况下,根据所述行驶数据生成第2分类规则,该第2分类规则将与所述多个特征量的至少1个有关的多个第2条件和多个第2预测模型对应起来。
[技术方案2]
根据技术方案1记载的信息处理装置,其中,
所述预测评价部在判断为无需所述第1分类规则的更新的情况下,根据所述行驶数据,判定是否需要所述多个第1预测模型的至少任意一个的更新,
所述模型管理更新部在被判定为需要所述多个第1预测模型的至少任意一个的更新的情况下,根据所述行驶数据,生成代替被判断为需要所述更新的所述第1预测模型的第3预测模型。
[技术方案3]
根据技术方案1或者2记载的信息处理装置,其中,
所述预测部使用所述第1分类规则进行与所述移动体有关的消耗能源量的第1预测,使用所述第2分类规则进行与所述移动体有关的消耗能源量的第2预测,
所述模型更新管理部根据所述消耗能源量的实际值,评价所述第1预测和所述第2预测的性能,在所述第2预测的性能高于所述第1预测的性能的情况下,决定将所述第2分类规则用于与所述移动体有关的消耗能源量的预测,在所述第1预测的性能高的情况下,决定将所述第1分类规则用于与所述移动体有关的消耗能源量的预测。
[技术方案4]
根据技术方案3记载的信息处理装置,其中,
所述预测部使用在所述第2分类规则的生成后取得的所述行驶数据,进行所述第1预测以及所述第2预测。
[技术方案5]
根据技术方案4记载的信息处理装置,其中,
所述预测部还使用在所述第2分类规则的生成前取得的所述行驶数据,进行所述第1预测以及所述第2预测。
[技术方案6]
根据技术方案1~5中的任意一项记载的信息处理装置,其中,
所述第1分类规则是决策树,对所述决策树的多个末端节点对应起来所述多个第1预测模型,对所述决策树的所述多个末端节点以外的节点对应起来所述多个第1条件,或者,
所述第2分类规则是决策树,对所述决策树的多个末端节点对应起来所述多个第2预测模型,对所述决策树的所述多个末端节点以外的节点对应起来所述多个第2条件。
[技术方案7]
根据技术方案1~6中的任意一项记载的信息处理装置,其中,
所述多个第1预测模型中的至少1个或者所述多个第2预测模型中的至少1个是多个类型的模型的总和。
[技术方案8]
根据技术方案1~7中的任意一项记载的信息处理装置,其中,
与所述移动体的移动状况有关的信息包括表示所述移动体的动作状况、所述移动体的特性以及所述移动体的移动环境的值。
[技术方案9]
一种信息处理方法,包括:
根据与移动体的移动状况有关的信息,取得包括所述移动体的多个特征量的行驶数据的步骤;
根据第1分类规则和所述行驶数据计算所述移动体的消耗能源量的预测值的步骤,该第1分类规则将与所述多个特征量的至少1个有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新的步骤;以及
在被判定为需要所述第1分类规则的更新的情况下,根据所述行驶数据生成第2分类规则的步骤,该第2分类规则将与所述多个特征量的至少1个有关的多个第2条件和多个第2预测模型对应起来。
[技术方案10]
一种储存有计算机程序的记录介质,该计算机程序用于使计算机执行:
根据与移动体的移动状况有关的信息,取得包括所述移动体的多个特征量的行驶数据的步骤;
根据第1分类规则和所述行驶数据计算所述移动体的消耗能源量的预测值的步骤,该第1分类规则将与所述多个特征量的至少1个有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新的步骤;以及
在被判定为需要所述第1分类规则的更新的情况下,根据所述行驶数据生成第2分类规则的步骤,该第2分类规则将与所述多个特征量的至少1个有关的多个第2条件和多个第2预测模型对应起来。
此外,本发明不直接限定于上述各实施方式,而能够在实施阶段中在不脱离其要旨的范围内使构成要素变形而具体化。另外,通过适当地组合在上述各实施方式中公开的多个构成要素,能够形成各种发明。另外,例如还考虑从各实施方式所示的全部构成要素删除几个构成要素的结构。进而,也可以适当地组合在不同的实施方式中记载的构成要素。
Claims (12)
1.一种信息处理装置,具备:
移动状态管理部,取得包括表示移动体的移动状况的至少1个特征量的移动数据;
预测部,根据第1分类规则,取得与所述移动数据所满足的第1条件对应起来的第1预测模型,根据所取得的所述第1预测模型计算所述移动体的消耗能源量的预测值,所述第1分类规则将与所述至少1个特征量有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
预测评价部,根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新;以及
模型更新管理部,在被判定为需要所述第1分类规则的更新的情况下,根据所述移动数据生成第2分类规则,该第2分类规则将与所述至少1个特征量有关的多个第2条件和多个第2预测模型对应起来,
所述预测评价部在判定为无需所述第1分类规则的更新的情况下,根据所述移动数据,判定是否需要所述多个第1预测模型的至少任意一个的更新,
所述模型管理更新部在被判定为需要所述多个第1预测模型的至少任意一个的更新的情况下,根据所述移动数据,生成代替被判定为需要所述更新的所述第1预测模型的第3预测模型。
2.根据权利要求1所述的信息处理装置,其中,
所述预测评价部计算根据所述多个第1预测模型的各个第1预测模型计算出的所述预测值与所述实际值的所述差分计算所述第1分类规则的评价值,根据所述评价值判定是否需要所述第1分类规则的更新。
3.根据权利要求2所述的信息处理装置,其中,
所述评价值是所述多个第1预测模型的所述差分的平均、中位数或者最大值。
4.根据权利要求1所述的信息处理装置,其中,
所述预测评价部对所述差分为一定值以上的第1预测模型的个数进行计数,根据计数值判定是否需要所述第1分类规则的更新。
5.根据权利要求1所述的信息处理装置,其中,
所述预测部使用所述第1分类规则进行与所述移动体有关的消耗能源量的第1预测,使用所述第2分类规则进行与所述移动体有关的消耗能源量的第2预测,
所述模型更新管理部根据所述消耗能源量的实际值,评价所述第1预测和所述第2预测的性能,在所述第2预测的性能高于所述第1预测的性能的情况下,决定将所述第2分类规则用于与所述移动体有关的消耗能源量的预测,在所述第1预测的性能高的情况下,决定将所述第1分类规则用于与所述移动体有关的消耗能源量的预测。
6.根据权利要求5所述的信息处理装置,其中,
所述预测部使用在所述第2分类规则的生成后取得的所述移动数据,进行所述第1预测以及所述第2预测。
7.根据权利要求6所述的信息处理装置,其中,
所述预测部还使用在所述第2分类规则的生成前取得的所述移动数据,进行所述第1预测以及所述第2预测。
8.根据权利要求1~7中的任意一项所述的信息处理装置,其中,
所述第1分类规则是决策树,对所述决策树的多个末端节点对应起来所述多个第1预测模型,对所述决策树的所述多个末端节点以外的节点对应起来所述多个第1条件,或者,
所述第2分类规则是决策树,对所述决策树的多个末端节点对应起来所述多个第2预测模型,对所述决策树的所述多个末端节点以外的节点对应起来所述多个第2条件。
9.根据权利要求1~8中的任意一项所述的信息处理装置,其中,
所述多个第1预测模型中的至少1个或者所述多个第2预测模型中的至少1个是多个类型的模型的总和。
10.根据权利要求1~9中的任意一项所述的信息处理装置,其中,
与所述移动体的移动状况有关的信息包括表示所述移动体的动作状况、所述移动体的特性以及所述移动体的移动环境的值。
11.一种信息处理方法,包括:
取得包括表示移动体的移动状况的至少1个特征量的移动数据的步骤;
根据第1分类规则,取得与所述移动数据所满足的第1条件对应起来的第1预测模型,根据所取得的所述第1预测模型计算所述移动体的消耗能源量的预测值的步骤,该第1分类规则将与所述至少1个特征量有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新的步骤;以及
在被判定为需要所述第1分类规则的更新的情况下,根据所述移动数据生成第2分类规则的步骤,该第2分类规则将与所述至少1个特征量有关的多个第2条件和多个第2预测模型对应起来,
在所述第3步骤中,在判定为无需所述第1分类规则的更新的情况下,根据所述移动数据,判定是否需要所述多个第1预测模型的至少任意一个的更新,
在所述第4步骤中,在被判定为需要所述多个第1预测模型的至少任意一个的更新的情况下,根据所述移动数据,生成代替被判定为需要所述更新的所述第1预测模型的第3预测模型。
12.一种储存有计算机程序的记录介质,该计算机程序用于使计算机执行:
取得包括表示移动体的移动状况的至少1个特征量的移动数据的步骤;
根据第1分类规则,取得与所述移动数据所满足的第1条件对应起来的第1预测模型,根据所取得的所述第1预测模型计算所述移动体的消耗能源量的预测值的步骤,该第1分类规则将与所述至少1个特征量有关的多个第1条件和消耗能源量的多个第1预测模型对应起来;
根据所述移动体的消耗能源量的预测值和所述移动体的消耗能源量的实际值的差分,判定是否需要所述第1分类规则的更新的步骤;以及
在被判定为需要所述第1分类规则的更新的情况下,根据所述移动数据生成第2分类规则的步骤,该第2分类规则将与所述至少1个特征量有关的多个第2条件和多个第2预测模型对应起来,
在所述第3步骤中,在判定为无需所述第1分类规则的更新的情况下,根据所述移动数据,判定是否需要所述多个第1预测模型的至少任意一个的更新,
在所述第4步骤中,在被判定为需要所述多个第1预测模型的至少任意一个的更新的情况下,根据所述移动数据,生成代替被判定为需要所述更新的所述第1预测模型的第3预测模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018151867A JP7163099B2 (ja) | 2018-08-10 | 2018-08-10 | エネルギー管理装置、モデル管理方法及びコンピュータプログラム |
JP2018-151867 | 2018-08-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110816549A CN110816549A (zh) | 2020-02-21 |
CN110816549B true CN110816549B (zh) | 2023-05-02 |
Family
ID=67658651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910732018.3A Active CN110816549B (zh) | 2018-08-10 | 2019-08-09 | 能源管理装置、模型管理方法以及计算机程序 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200050954A1 (zh) |
EP (1) | EP3608850A1 (zh) |
JP (1) | JP7163099B2 (zh) |
CN (1) | CN110816549B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11532132B2 (en) * | 2019-03-08 | 2022-12-20 | Mubayiwa Cornelious MUSARA | Adaptive interactive medical training program with virtual patients |
JP7482420B2 (ja) * | 2019-11-29 | 2024-05-14 | パナソニックIpマネジメント株式会社 | 車両管理装置および車両管理プログラム |
US20210256635A1 (en) * | 2020-02-17 | 2021-08-19 | EnergyXchain, LLC | Creating, monitoring, and updating energy transactions using distributed ledger technology and contract codex |
JP7095814B2 (ja) * | 2020-06-15 | 2022-07-05 | Jfeスチール株式会社 | 機械的特性の計測装置、機械的特性の計測方法、物質の製造設備、物質の管理方法および物質の製造方法 |
KR20230010709A (ko) * | 2020-06-15 | 2023-01-19 | 제이에프이 스틸 가부시키가이샤 | 기계적 특성의 계측 장치, 기계적 특성의 계측 방법, 물질의 제조 설비, 물질의 관리 방법 및 물질의 제조 방법 |
JP7095817B2 (ja) * | 2020-06-15 | 2022-07-05 | Jfeスチール株式会社 | 機械的特性の計測装置、機械的特性の計測方法、物質の製造設備、物質の管理方法および物質の製造方法 |
TWI824198B (zh) * | 2020-11-19 | 2023-12-01 | 中華電信股份有限公司 | 預測無人機的耗電量的方法及使用所述方法的無人機 |
JP7414019B2 (ja) * | 2021-01-04 | 2024-01-16 | トヨタ自動車株式会社 | エネルギー消費量推定装置およびエネルギー消費量推定方法 |
CN113112061B (zh) * | 2021-04-06 | 2024-05-28 | 深圳市汉德网络科技有限公司 | 一种预测车辆油耗的方法与装置 |
JP2023035637A (ja) * | 2021-09-01 | 2023-03-13 | 株式会社東芝 | 情報処理装置、情報処理方法、プログラムおよび移動体 |
CN114139803A (zh) * | 2021-11-30 | 2022-03-04 | 广东电网有限责任公司 | 一种风电场站短期功率的预测方法、***、设备和介质 |
WO2023139647A1 (ja) * | 2022-01-18 | 2023-07-27 | 日本電気株式会社 | 処理装置、処理方法及びプログラム |
CN115240418B (zh) * | 2022-07-20 | 2023-07-25 | 浙江科技学院 | 基于因果门控-低通图卷积网络的短时交通流量预测方法 |
JP2024028051A (ja) * | 2022-08-19 | 2024-03-01 | 株式会社ブリヂストン | エネルギー消費量推定装置、モデル生成装置、プログラム及びモデルの生成方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
US7996339B2 (en) * | 2004-09-17 | 2011-08-09 | International Business Machines Corporation | Method and system for generating object classification models |
JP5135308B2 (ja) * | 2009-09-09 | 2013-02-06 | クラリオン株式会社 | エネルギ消費量予測方法、エネルギ消費量予測装置および端末装置 |
JP5742117B2 (ja) * | 2010-06-03 | 2015-07-01 | 日産自動車株式会社 | 車両用の情報提示装置 |
JPWO2013084931A1 (ja) * | 2011-12-08 | 2015-04-27 | 株式会社日立製作所 | 到達可能範囲算出装置、方法、およびプログラム |
JP5930820B2 (ja) * | 2012-04-16 | 2016-06-08 | 三菱電機株式会社 | エネルギー消費量予測装置 |
JP5840090B2 (ja) * | 2012-08-17 | 2016-01-06 | 株式会社東芝 | 消費電力量推定装置 |
US9569984B2 (en) * | 2012-12-11 | 2017-02-14 | Abalta Technologies, Inc. | Recording, monitoring, and analyzing driver behavior |
FR3016218B1 (fr) | 2014-01-03 | 2016-01-01 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
US10248462B2 (en) * | 2014-03-28 | 2019-04-02 | Nec Corporation | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program |
JP6569300B2 (ja) * | 2015-05-27 | 2019-09-04 | 日産自動車株式会社 | 車両消費エネルギー提示装置及び車両消費エネルギー提示方法 |
US10984338B2 (en) * | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
JP6804934B2 (ja) | 2016-10-26 | 2020-12-23 | 株式会社東芝 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
CN106740222A (zh) * | 2017-01-11 | 2017-05-31 | 贵州大学 | 一种电动汽车续驶里程预测方法 |
JP6674637B2 (ja) * | 2017-03-17 | 2020-04-01 | トヨタ自動車株式会社 | 電池制御装置および電池制御システム |
-
2018
- 2018-08-10 JP JP2018151867A patent/JP7163099B2/ja active Active
-
2019
- 2019-08-08 US US16/535,130 patent/US20200050954A1/en active Pending
- 2019-08-09 EP EP19190973.8A patent/EP3608850A1/en not_active Ceased
- 2019-08-09 CN CN201910732018.3A patent/CN110816549B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110816549A (zh) | 2020-02-21 |
JP7163099B2 (ja) | 2022-10-31 |
JP2020027432A (ja) | 2020-02-20 |
EP3608850A1 (en) | 2020-02-12 |
US20200050954A1 (en) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110816549B (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
US11650066B2 (en) | Systems and methods for variable energy routing and tracking | |
TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
US9459111B2 (en) | Methods and apparatus for estimating power usage | |
US9308827B2 (en) | Reachable range calculation apparatus, method, and program | |
US10157242B2 (en) | Charger arrangement planning supporting apparatus, charger arrangement planning supporting method, and program | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
CN105940284B (zh) | 电动移动体信息提供装置及电动移动体信息提供方法 | |
JP2023535828A (ja) | 経路決定方法、装置、機器及び媒体 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
Ferreira et al. | Data mining approach for range prediction of electric vehicle | |
JP6890069B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
JP7062553B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
JP2014145748A (ja) | 電動移動体情報提供装置、電動移動体情報提供方法及びプログラム | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
US12018952B2 (en) | System and method for vehicle routing using big-data | |
CN115079701A (zh) | 一种无人车与无人机协同的路径规划方法 | |
Ferreira et al. | Electric vehicle assistant based on driver profile | |
CN113268709A (zh) | 基于智能体仿真的城市电动汽车充电需求预测方法及*** | |
Decker | Electric vehicle charging and routing management via multi-infrastructure data fusion | |
Lv et al. | Optimization of dynamic parking guidance information for special events | |
Xu et al. | A deployment model of charging pile based on random forest for shared electric vehicle in smart cities | |
EP3617651B1 (en) | Use of a geographic database comprising lane level information for traffic parameter prediction | |
CN118228851A (zh) | 车辆消耗电量的预测方法、电子设备、介质和车辆 | |
TR2023006505A2 (tr) | Elektri̇kli̇ araçlar i̇çi̇n şarj plani si̇stemi̇ ve yöntemi̇ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200813 Address after: Tokyo, Japan Applicant after: Toshiba Corp. Applicant after: TOSHIBA INFRASTRUCTURE SYSTEMS & SOLUTIONS Corp. Address before: Tokyo, Japan Applicant before: Toshiba Corp. Applicant before: TOSHIBA INFRASTRUCTURE SYSTEMS & SOLUTIONS Corp. Applicant before: TOSHIBA DIGITAL SOLUTIONS Corp. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |