JP6804934B2 - 消費エネルギー予測装置及び消費エネルギー予測方法 - Google Patents

Description

本発明の実施形態は、消費エネルギー予測装置及び消費エネルギー予測方法に関する。

近年、電気自動車などのバッテリで駆動する車両が開発されている。そのような車両に対して電力を供給するポイント（充電スタンドなど）は、数が少なく、地理的に限定されることもある。バッテリで駆動する車両が目的のポイントまで到達可能であるか判断するためには、目的のポイントまでの消費エネルギーを予測する必要がある。例えば、車両のユーザは、消費エネルギーを予測する予測サーバなどから、予測される消費エネルギーを取得する。予測サーバには、種々の車両に応じた正確な消費エネルギーを予測する技術が求められる。

特許第５８５５１６３号公報 特開２０１４−１６３７９６号公報 特許第５８１８７７４号公報

上記の課題を解決するために、車両の消費エネルギーを予測することができる消費エネルギー予測装置及び消費エネルギー予測方法を提供する。

実施形態によれば、モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測装置は、学習用データ取得部と、クラスタ分類部と、モデル生成部と、予測用データ取得部と、予測部と、を備える。学習用データ取得部は、車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得する。クラスタ分類部は、前記学習用データ取得部により取得する学習用データを分類基準に従って複数のクラスタに分類する。モデル生成部は、判定部と、第１の生成部と、第２の生成部と、を備える。判定部は、前記クラスタ分類部により分類されたクラスタ毎に、含まれる学習用データの個数が閾値以上であるか判定する。第１の生成部は、前記判定部で前記学習用データの個数が前記閾値以上であると判定されたクラスタについては、学習用データに基づいて回帰により、複数のパラメータを有する車両の消費エネルギーを予測するモデルを生成する。第２の生成部は、前記判定部が前記学習用データの個数が前記閾値以上でないと判定されたクラスタについては、前記クラスタ毎のモデルのパラメータに同一の補正値を積算したパラメータを有する前記クラスタに近接する近似モデルにより車両の消費エネルギーを予測するモデルを生成する。予測用データ取得部は、車両から消費エネルギーを予測するための予測用データを取得する。予測部は、前記予測用データ取得部が取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する。

図１は、第１実施形態に係る予測システムの構成例を示すブロック図である。 図２は、第１実施形態に係る予測サーバの構成例を示すブロック図である。 図３は、第１実施形態に係るクラスタに分類された場合の学習用データの構成例を示す図である。 図４は、第１実施形態に係るクラスタごとに集めた場合の学習用データの構成例を示す図である。 図５は、第１実施形態に係る消費モデル学習部の構成例を示す図である。 図６は、第１実施形態に係るクラスタの例を示す図である。 図７は、第１実施形態に係るパラメータの補正について説明するための図である。 図８は、第１実施形態に係るスパース推定について説明するための図である。 図９は、第１実施形態に係るスパース推定について説明するための図である。 図１０は、第１実施形態に係る予測サーバの動作例を示すフローチャートである。 図１１は、第１実施形態に係る予測サーバの動作例を示すフローチャートである。 図１２は、第１実施形態に係る予測サーバの動作例を示すフローチャートである。 図１３は、第２実施形態に係る予測サーバの構成例を示すブロック図である。 図１４は、第２実施形態に係るクラスタの分類について説明するための図である。 図１５は、第２実施形態に係るクラスタの分類について説明するための図である。 図１６は、第２実施形態に係る予測サーバの動作例を示すフローチャートである。 図１７は、第３実施形態に係る予測システムの構成例を示すブロック図である。 図１８は、第４実施形態に係る予測システムの構成例を示すブロック図である。

以下、実施形態について、図面を参照して説明する。
（第１実施形態）
実施形態に係る予測システムは、道路を走行する電気自動車などの車両が消費する電力を予測するものである。たとえば、予測システムは、予測される消費エネルギー（予測消費エネルギー）を車両のユーザへ提供する。

予測システムが予測消費エネルギーを算出する車両は、バッテリを搭載し自走するものである。以下に説明する各実施形態において予測消費エネルギーの算出対象となる車両は、道路を走行する電気自動車であるものとする。なお、車両は、電気自動車に限定されるものではなく、バッテリで駆動する電車、航空機、又は、船舶などであってもよい。

図１は、実施形態に係る予測システム１の構成例を示すブロック図である。
図１が示すように、予測システム１は、予測サーバ１０、気象情報サーバ２０、交通情報サーバ３０、充電器管理サーバ４０、アプリ管理サーバ５０、充電器Ｑ１乃至Ｑｎ、車両Ｖ１乃至Ｖｎ及びユーザ端末Ｆ１乃至Ｆｎなどを備える。

予測サーバ１０は、気象情報サーバ２０、交通情報サーバ３０、充電器管理サーバ４０及びアプリ管理サーバ５０と通信接続する。たとえば、予測サーバ１０は、インターネット又は独自のネットワークを通じて気象情報サーバ２０、交通情報サーバ３０、充電器管理サーバ４０及びアプリ管理サーバ５０と接続する。

また、充電器管理サーバ４０は、インターネットなどを通じて、充電器Ｑ１乃至Ｑｎと通信接続する。また、アプリ管理サーバ５０は、インターネットなどを通じて、ユーザ端末Ｆ１乃至Ｆｎと通信接続する。また、充電器Ｑ１乃至Ｑｎは、それぞれ車両Ｖ１乃至Ｖｎに搭載されるバッテリに対して充電可能となるように車両に接続する。

予測サーバ１０（消費エネルギー予測装置）は、気象情報サーバ２０、交通情報サーバ３０、充電器管理サーバ４０及びアプリ管理サーバ５０などからの情報に基づいてユーザが使用する車両Ｖ１乃至Ｖｎの予測消費エネルギーを算出する。予測サーバ１０は、アプリ管理サーバ５０を通じて、算出された予測消費エネルギーを車両Ｖ１乃至Ｖｎを所持するユーザのユーザ端末Ｆ１乃至Ｆｎに送信する。予測サーバ１０については、後に詳述する。

気象情報サーバ２０は、気象に関する情報（気象情報）を予測サーバ１０に送信する。気象情報サーバ２０は、気象情報ＤＢ２１を有する。気象情報ＤＢ２１は、複数の気象情報を格納する。気象情報は、所定の期間における気温、降水量、風速、風向又は降雪量などの情報である。気象情報ＤＢ２１は、地域及び期間ごとの気象情報を格納する。たとえば、気象情報サーバ２０は、気象に関するデータを取得すると、当該データに基づいて気象情報を生成し、気象情報ＤＢ２１に格納する。

気象情報サーバ２０は、気象情報ＤＢ２１が格納する気象情報を予測サーバ１０へ送信する。たとえば、気象情報サーバ２０は、予測サーバ１０からのリクエストに応じて気象情報を予測サーバ１０へ送信する。また、気象情報サーバ２０は、定期的に気象情報を予測サーバ１０へ送信してもよい。

交通情報サーバ３０は、道路の交通に関する交通情報を予測サーバ１０へ送信する。交通情報サーバ３０は、複数の交通情報ＤＢ３１を有する。交通情報ＤＢ３１は、交通情報を格納する。交通情報は、所定の道路を走行する各車両の速度（たとえば、各車両の平均速度）を示す情報などである。交通情報ＤＢ３１は、道路ごとの交通情報を格納する。たとえば、交通情報サーバ３０は、新たな道路の交通の関するデータを取得すると、当該データに基づいて交通情報を生成し交通情報ＤＢ３１に格納する。

交通情報サーバ３０は、交通情報ＤＢ３１が格納する交通情報を予測サーバ１０へ送信する。たとえば、交通情報サーバ３０は、予測サーバ１０からのリクエストに応じて交通情報を予測サーバ１０へ送信する。また、交通情報サーバ３０は、定期的に交通情報を予測サーバ１０へ送信してもよい。

充電器管理サーバ４０は、車両Ｖ１乃至Ｖｎの消費エネルギーを示す消費履歴情報を予測サーバ１０へ送信する。消費履歴情報は、たとえば、所定の期間（たとえば、車両Ｖ１乃至Ｖｎの移動を開始してから終了するまで）における車両Ｖ１乃至Ｖｎの消費エネルギーを示す情報などである。

消費履歴情報は、車両Ｖ１乃至Ｖｎの運動情報及び車両情報を含む。充電器管理サーバ４０は、消費履歴情報ＤＢ４１を有する。消費履歴情報ＤＢ４１は、消費履歴情報を格納する。たとえば、充電器管理サーバ４０は、新たなデータを取得すると、当該データに基づいて消費履歴情報を生成し、生成した消費履歴情報を消費履歴情報ＤＢ４１に格納する。

運動情報は、車両Ｖ１乃至Ｖｎの運動エネルギーに関する情報である。運動情報は、たとえば、走行日時、走行区間、当該走行区間の走行距離、当該走行区間を走行した走行時間、及び、当該走行区間に表示されたエネルギー消費量などを含む。
車両情報は、車両Ｖ１乃至Ｖｎに関する情報である。車両情報は、たとえば、車両Ｖ１乃至Ｖｎの車種を示す車種情報、及び、車両Ｖ１乃至Ｖｎに搭載されるバッテリに関するバッテリ情報などを含む。

充電器管理サーバ４０は、充電器Ｑ１乃至Ｑｎからのデータに基づいて消費履歴情報を生成する。たとえば、充電器管理サーバ４０は、充電器Ｑ１乃至Ｑｎから運動情報及び車両情報を取得する。充電器管理サーバ４０は、充電器Ｑ１乃至Ｑｎからの運動情報及び車両情報を示す消費履歴情報を生成し、生成した消費履歴情報を消費履歴ＤＢ４１に追加する。

充電器管理サーバ４０は、消費履歴情報ＤＢ４１が格納する消費履歴情報を予測サーバ１０へ送信する。たとえば、充電器管理サーバ４０は、予測サーバ１０からのリクエストに応じて消費履歴情報を予測サーバ１０へ送信する。また、充電器管理サーバ４０は、定期的に（たとえば、日ごとに）消費履歴情報を予測サーバ１０へ送信してもよい。

充電器Ｑ１乃至Ｑｎは、車両に搭載されたバッテリを充電する。ここでは、充電器Ｑ１乃至Ｑｎは、それぞれ車両Ｖ１乃至Ｖｎに搭載されたバッテリを充電するものとする。充電器Ｑ１乃至Ｑｎは、充電した車両から当該車両の運動情報及び車種情報を取得する。たとえば、充電器Ｑ１乃至Ｑｎは、車両と接続した際に、車両から運動情報及び車種情報を取得する。

充電器Ｑ１乃至Ｑｎは、充電スタンドなどに設置されてもよい。また、充電器Ｑ１乃至Ｑｎは、車両Ｖ１乃至Ｖｎを所持するユーザの住宅に設置されてもよい。

車両Ｖ１乃至Ｖｎは、バッテリを搭載し、バッテリから要求される電力により自走する車両である。車両Ｖ１乃至Ｖｎは、ＧＰＳセンサなどからの信号又は内部の時計などに基づいて自身の運動情報を生成する。また、車両Ｖ１乃至Ｖｎは、自身の車両情報を格納する。または、高速道路のような移動経路が推測可能な道上の充電器の情報を用いて、推定してもよい。

車両Ｖ１乃至Ｖｎは、充電器Ｑ１乃至Ｑｎに接続すると充電器Ｑ１乃至Ｑｎからの電力によりバッテリを充電する。また、車両Ｖ１乃至Ｖｎは、充電器Ｑ１乃至Ｑｎに自身の運動情報及び車両情報を送信する。

アプリ管理サーバ５０は、車両Ｖ１乃至Ｖｎのユーザが所持するユーザ端末Ｆ１乃至Ｆｎに対して予測消費エネルギーを配信する。たとえば、アプリ管理サーバ５０は、ユーザ端末Ｆ１乃至Ｆｎ上で動作するアプリに対して予測消費エネルギーを配信する。

また、アプリ管理サーバ５０は、ユーザ端末Ｆ１乃至Ｆｎから、予測消費エネルギーを予測するために必要な予測用データを取得する。たとえば、アプリ管理サーバ５０は、アプリに対してユーザが入力した操作に基づいて生成された予測用データを当該アプリから取得する。また、予測用データの取得は、アプリ、カーナビ、又は車両からＧＰＳでリアルタイムでデータを取得するようにしてもよい。

予測用データは、ユーザが消費エネルギーを予測したい区間及び日時などを示す走行情報と、ユーザの車両Ｖ１乃至Ｖｎの車両情報とを含む。走行情報は、たとえば、走行日時、出発地及び目的地などの情報である。

アプリ管理サーバ５０は、予測用データＤＢ５１を備える。予測用データＤＢ５１は、予測用データを格納する。
アプリ管理サーバ５０は、予測用データＤＢ５１が格納する予測用データを予測サーバ１０へ所定のタイミングで送信する。

ユーザ端末Ｆ１乃至Ｆｎは、車両Ｖ１乃至Ｖｎを所持又は利用するユーザの端末機器である。たとえば、ユーザ端末Ｆ１乃至Ｆｎは、スマートフォン、タブレットＰＣ、ＰＣ、又は、カーナビなどであってもよい。ユーザ端末Ｆ１乃至Ｆｎは、ユーザから走行情報及び車両情報の入力を受け付ける。ユーザ端末Ｆ１乃至Ｆｎは、走行情報及び車両情報から構成される予測用データを生成する。ユーザ端末Ｆ１乃至Ｆｎは、生成した予測用データをアプリ管理サーバ５０へ送信する。
なお、予測システム１は、上述した構成に限定されるものではなく、適宜、必要な構成を追加し、不要な構成を削除してもよい。

次に、予測サーバ１０について説明する。
予測サーバ１０は、基本的な構成として、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＮＶＭ、通信部、操作部及び表示部などを備える。たとえば、ＣＰＵは、ＮＶＭなどのメモリが格納するプログラムを実行することで種々の処理を実現するプロセッサである。

図２は、予測サーバ１０の機能を説明するブロック図である。
図２が示すように、予測サーバ１０は、学習用データ取得部１１、クラスタ分類部１２、分類基準ＤＢ１３、消費モデル学習部１４、モデルパラメータＤＢ１５、予測用データ取得部１６、消費エネルギー予測部１７、エネルギー消費情報ＤＢ１８及び道路形状情報ＤＢ１９などを備える。

学習用データ取得部１１は、予測消費エネルギーを計算するモデル（消費モデル）を生成するための複数の学習用データを取得する。学習用データは、消費履歴情報、気象情報及び道路形状情報などから構成される。道路形状情報については、後述する。

学習用データ取得部１１は、充電器管理サーバ４０から消費履歴情報を取得する。また、学習用データ取得部１１は、気象情報サーバ２０から気象情報を取得する。学習用データ取得部１１は、充電器管理サーバ４０及び気象情報サーバ２０に対して、消費履歴情報のリクエスト及び気象情報のリクエストをそれぞれ送信してもよい。
また、学習用データ取得部１１は、道路形状情報ＤＢ１９から道路形状情報を取得する。なお、学習用データ取得部１１は、道路形状情報を外部装置から取得してもよい。

学習用データ取得部１１は、消費履歴情報、気象情報及び道路形状情報を対応付けて学習用データを生成する。たとえば、学習用データ取得部１１は、消費履歴情報と、当該消費履歴情報の走行日時に対応する気象情報と、当該消費履歴情報の走行区間に対応する道路形状情報とを対応付けて、学習用データを取得する。

クラスタ分類部１２は、複数の学習用データを複数のクラスタに分類する。たとえば、クラスタ分類部１２は、後述する分類基準ＤＢ１３が格納する分類基準に従って学習用データを複数のクラスタに分類する。たとえば、分類基準は、車両情報又はバッテリ情報などに基づく基準であってもよい。たとえば、分類基準は、車種に基づく基準であってもよい。分類基準は、特定の構成に限定されるものではない。
クラスタ分類部１２は、分類基準ＤＢ１３から分類基準を取得する。クラスタ分類部１２は、取得した分類基準に従って複数の学習用データを複数のクラスタに分類する。

図３は、クラスタ分類部１２がクラスタに分類した学習用データの構成例を示す。
図３が示すように、学習用データは、ＩＤ、エネルギー消費量ｙ、走行距離ｘ１、及び、クラスタ等から構成される。

ＩＤは、学習用データを識別するための識別子である。たとえば、ＩＤは、消費履歴情報に設定されたＩＤであってもよい。また、クラスタ分類部１２は、学習用データにＩＤを付与してもよい。

エネルギー消費量ｙは、車両Ｖ１乃至Ｖｎが走行のために消費した電力である。たとえば、エネルギー消費量ｙは、運動情報から取得された値である。
走行距離ｘ１は、車両Ｖ１乃至Ｖｎが走行した距離である。

クラスタは、クラスタ分類部１２が学習用データに付与したクラスタ名である。ここでは、クラスタ分類部１２は、Ａ、Ｂ又はＣをクラスタ名として付与したものとする。
分類基準ＤＢ１３は、分類基準を格納する。たとえば、分類基準ＤＢ１３は、予めオペレータの操作によって分類基準を格納する。分類基準ＤＢ１３は、オペレータの操作によって分類基準を更新してもよい。

消費モデル学習部１４（モデル生成部）は、クラスタごとに、予測消費エネルギーを算出するためのモデル（モデルパラメータ）を生成する。消費モデル学習部１４は、クラスタごとに学習用データを集める。消費モデル学習部１４は、クラスタに分類される学習用データに基づいて、当該クラスタのモデルを生成する。

図４は、消費モデル学習部１４がクラスタごとに集める学習用データの構成例である。
図４が示す例では、消費モデル学習部１４は、Ａ（クラスタ名）のモデルを生成するために、Ａの学習用データを集める。消費モデル学習部１４は、生成したモデル（モデルのパラメータ）をモデルパラメータＤＢ１５に格納する。

モデルパラメータＤＢ１５は、消費モデル学習部１４が生成したモデルを格納する。モデルパラメータＤＢ１５は、クラスタごとにモデルを格納する。モデルパラメータＤＢ１５は、消費モデル学習部１４が生成したモデルを取得し、既存のモデルを更新してもよい。

予測用データ取得部１６は、アプリ管理サーバ５０から予測用データを取得する。たとえば、予測用データ取得部１６は、アプリ管理サーバ５０から電力予測のリクエストと共に予測用データを取得する。また、予測用データ取得部１６は、交通情報サーバ３０から交通情報を取得する。

消費エネルギー予測部１７は、モデルパラメータＤＢ１５から、予測用データのクラスタに対応するモデルを取得する。また、消費エネルギー予測部１７は、気象情報サーバ２０から、予測用データに対応する気象情報（たとえば、予測用データの日時に対応する気象情報）を取得する。また、消費エネルギー予測部１７は、予測用データに対応する道路形状情報（たとえば、予測用データの出発地及び目的地の間の道路に対応する道路形状情報）を取得する。

消費エネルギー予測部１７（予測部）は、予測用データ及びモデルに基づいて車両Ｖ１乃至Ｖｎで消費される予測消費エネルギーを算出する。消費エネルギー予測部１７は、予測用データに基づいて予測用データのクラスタを判定する。消費エネルギー予測部１７は、分類基準ＤＢ１３が格納する分類基準に基づいてクラスタ分類部１２と同様に、予測用データのクラスタを判定する。

消費エネルギー予測部１７は、取得したモデル、気象情報及び道路形状情報と予測用データとに基づいて、予測消費エネルギーを算出する。たとえば、消費エネルギー予測部１７は、モデルパラメータを含む予測式に気象情報、道路形状情報及び予測用データを代入して予測消費エネルギーを算出する。また、消費エネルギー予測部１７は、さらに、交通情報に基づいて予測消費エネルギーを算出してもよい。

消費エネルギー予測部１７は、算出した予測消費エネルギーを示すエネルギー消費情報をアプリ管理サーバ５０へ送信する。また、消費エネルギー予測部１７は、エネルギー消費情報をエネルギー消費情報ＤＢ１８に格納する。

エネルギー消費情報ＤＢ１８は、消費エネルギー予測部１７が算出した予測消費エネルギーを示すエネルギー消費情報を格納する。

道路形状情報ＤＢ１９は、予め道路形状情報を格納する。道路形状情報は、車体Ｖ１乃至Ｖｎの位置エネルギーに関する情報である。たとえば、道路形状情報は、道路の距離又は勾配などを示す。道路形状情報ＤＢ１９は、道路ごと又は位置ごとの道路形状情報を格納する。
なお、予測サーバ１０は、適宜、必要な構成を追加し、不要な構成を削除してもよい。

次に、消費モデル学習部１４について説明する。
図５は、消費モデル学習部１４の機能を示すブロック図である。
図５が示すように、消費モデル学習部１４は、モデル構築法分類部１４１、モデルパラメータ学習部１４２及び少数データモデルパラメータ学習部１４３などを備える。

モデル構築法分類部１４１（判定部）は、クラスタのモデルを作成する構築法を決定する。モデル構築法分類部１４１は、クラスタに分類される学習用データの個数に基づいて構築法を決定する。たとえば、モデル構築法分類部１４１は、クラスタに分類される学習用データの個数が所定の閾値以上であると、モデルパラメータ学習部１４２でモデルを生成する。また、モデル構築法分類部１４１は、学習用データの個数が所定の閾値より少ないと、少数データモデルパラメータ学習部１４３でモデルを生成する。所定の閾値は、たとえば、予測消費エネルギーを推定するために利用される説明変数の個数である。たとえば、説明変数は、学習用データを構成する個々の要素（消費エネルギーｙを除く）である。説明変数は、距離又は走行時間などである。なお、説明変数は、学習用データを構成する個々の要素の一部であってもよい。

モデルパラメータ学習部１４２（第１の生成部）は、学習用データの個数が所定の閾値より大きいラスタのモデルを算出する。たとえば、モデルパラメータ学習部１４２は、以下の式に従ってエネルギー消費量を算出するための回帰係数を算出する。

式（１）では、ｙは、予測消費エネルギーであり、ｘｉは、説明変数であり、αｉは、回帰係数である。ｐは説明変数の個数であり、ｘｉ、αｉはｉ番目の説明変数を示す。

モデルパラメータ学習部１４２は、式（１）で使用する説明変数を選択する。
たとえば、モデルパラメータ学習部１４２は、学習用データから取得できる説明変数に対して正規化及び主成分分析を行う。たとえば、モデルパラメータ学習部１４２は、分散拡大係数（ＶＩＦ）を算出する。モデルパラメータ学習部１４２は、ＶＩＦが１０以上となる説明変数を除外する。

また、モデルパラメータ学習部１４２は、残りの説明変数を総当たりで組合せて、赤池情報量規準（ＡＩＣ）が最小の説明変数の組合せを決定する。
たとえば、モデルパラメータ学習部１４２は、以下のように説明変数の組合せを生成する。なお、モデルパラメータ学習部１４２は、説明変数同士を加算、減算、積算又は除算して新たな説明変数を設定してもよい。

組合せ１：距離、走行時間、距離×走行時間・・・
組合せ２：距離、距離×走行時間・・・
モデルパラメータ学習部１４２は、上記のように説明変数の組合せを複数生成する。モデルパラメータ学習部１４２は、各組合せについてＡＩＣを算出して、ＡＩＣが最小の組合せを決定する。

モデルパラメータ学習部１４２は、ＡＩＣが最小の組合せを、式（１）で使用する説明変数として選択する。
なお、モデルパラメータ学習部１４２は、ＡＩＣの代わりにベイジアン情報量規準（ＢＩＣ）を算出してもよい。

モデルパラメータ学習部１４２は、選択した説明変数を用いて式（１）を構築する。たとえば、モデルパラメータ学習部１４２は、選択した説明変数に基づいて、αｉを算出する。モデルパラメータ学習部１４２は、算出したαｉをモデルとしてモデルパラメータＤＢ１５に格納する。

少数データモデルパラメータ学習部１４３（第２の生成部）は、学習用データの個数が所定の閾値以下であるクラスタのモデルを算出する。たとえば、モデルパラメータ学習部１４２は、以下の式に従ってエネルギー消費量を算出するための回帰係数を算出する。

式（２）では、ｙは、予測消費エネルギー（エネルギー消費量）であり、ｘｉは、説明変数であり、βｉは、回帰係数である。

少数データモデルパラメータ学習部１４３は、モデルを生成するクラスタに近似するクラスタ（近似クラスタ）のモデル（近似モデル）のモデルに基づいて、対象となるクラスタ（対象クラスタ）のモデルを生成する（転移学習）。

まず、少数データモデルパラメータ学習部１４３は、近似モデルを選択する。たとえば、少数データモデルパラメータ学習部１４３は、モデルパラメータＤＢ１５から各モデルを取得する。少数データモデルパラメータ学習部１４３は、対象クラスタの各学習用データを各モデルに当てはめて、予測消費エネルギーを算出する。少数データモデルパラメータ学習部１４３は、予測消費エネルギーと学習用データのエネルギー消費量との誤差が最も小さいモデルを近似モデルとして選択する。

図６は、対象クラスタと近似クラスタとを示す図である。
図６において、横軸は、推定値（予測消費エネルギー）を示し、縦軸は、実測値（学習用データのエネルギー消費量）を示す。また、図６が示す例において、対象クラスタは、クラスタＢであり、近似クラスタは、クラスタＡである。図６において、各点は、１つの学習用データを示す。即ち、各点は、学習用データからクラスタＡのモデルを用いて得られた予測消費エネルギーと当該学習用データのエネルギー消費量とを示す。また、図６において、線６１は、実測値＝推定値である直線を示す。
図６が示すように、クラスタＡ（近似クラスタ）に属する各点は、予測消費エネルギーとエネルギー消費量とがほぼ一致していることを示す。
また、クラスタＢ（対象クラスタ）に属する各点は、予測消費エネルギーとエネルギー消費量とが一致しないが、比較的両者が近接していることを示す。

少数データモデルパラメータ学習部１４３は、近似クラスタのモデル（近似モデル）に基づいて対象クラスタのモデルを算出する。
たとえば、少数データモデルパラメータ学習部１４３は、βｉを以下の式に従って算出する。

式（３）では、αｉは、近似モデルの回帰係数であり、εｉ（補正値）は、近似モデルと対象クラスタのモデルとの比率を示す。
式（３）が示すように、少数データモデルパラメータ学習部１４３は、βｉをαｉの定数倍として定義する。

即ち、少数データモデルパラメータ学習部１４３は、以下の式に従って予測消費エネルギーｙを算出する。

たとえば、少数データモデルパラメータ学習部１４３は、以下の式の仮定に従ってεｉを算出する。

即ち、少数データモデルパラメータ学習部１４３は、αｉに掛かる係数が一定であるものと仮定する。

少数データモデルパラメータ学習部１４３は、以下の式の通り予測消費エネルギーｙを算出する。

式（６）では、ｙは、予測消費エネルギーを示し、ｙ’は、近似モデルから算出される予測消費エネルギーを示す。

ｙ’は、以下の式で求められる。

即ち、少数データモデルパラメータ学習部１４３は、対象クラスタのモデルを、近似クラスタを用いた線形式と仮定する。少数データモデルパラメータ学習部１４３は、対象クラスタの学習用データに基づいて回帰により、εｅ及びεを算出する。

図７は、対象クラスタのモデルのイメージを示す図である。
図７において、線６２は、式（６）を示す。即ち、線６２は、切片をεｅとし、傾きをεとする直線である。
図７が示すように、線６２は、クラスタＢ（対象クラスタ）の各点に近似する。

また、少数データモデルパラメータ学習部１４３は、βｉを以下の式に従って算出してもよい。

式（８）では、αｉは、近似モデルの回帰係数であり、εｉは、近似モデルと対象クラスタのモデルとの差異を示す。
式（８）が示すように、少数データモデルパラメータ学習部１４３は、αｉにεｉを加算した値をβｉと定義する。
即ち、少数データモデルパラメータ学習部１４３は、以下の式に従って予測消費エネルギーｙを算出する。

近似モデルから算出される予測消費エネルギーとの差異は、以下の式で算出される。

式（１０）では、ｙは、予測消費エネルギーを示し、ｙ’は、近似モデルから算出される予測消費エネルギーを示す。

少数データモデルパラメータ学習部１４３は、対象クラスタのモデルのスパース性を仮定して、スパース推定を行う。即ち、少数データモデルパラメータ学習部１４３は、εｉのいくつかは０であるものと仮定して、モデルを算出する。

次に、スパース推定について説明する。ここでは、回帰係数の推定方法として最小二乗法を用いて説明する。スパース推定には代表的な２つの手法Ｌａｓｓｏ、Ｅｌａｓｔｉｃ Ｎｅｔが存在する。
Ｌａｓｓｏは、Ｅｌａｓｔｉｃ Ｎｅｔの一種であるためＥｌａｓｔｉｃ Ｎｅｔについて説明する。

Ｅｌａｓｔｉｃ Ｎｅｔとは、βを求める最小二乗法を行う際に罰則項を用いて、最小二乗法の損失関数Ｊ(Ｊは実測値と推定値の二乗誤差の和)の最小化問題式（１１）を解く（式（３）は凹関数である）。Ｅｌａｓｔｉｃ Ｎｅｔの罰則項を式(１２)に示す。

λは罰則項の強さを決定するパラメータである。λは、通常、学習用データを分割し、交差検定法により最適なλを決定する（一般的には１０〜１００分割程度）。αは、式（１２）の第一項と第二項の強さを調節するパラメータであり、Ｅｌａｓｔｉｃ Ｎｅｔでは０＜α＜１の範囲で、Ｌａｓｓｏではα＝１である。パラメータの値は任意であるがここでは１０分割、α＝０．５とする。

また、少数データモデルパラメータ学習部１４３は、スパース推定と交差検定法とを用いて、εｉ及び誤差を測定する。
図８は、交差検定法について説明するための図である。
図８では、円１乃至円５は、それぞれ学習用データを示す。また、実線の円は、回帰でεｉ（回帰係数）を求めるために用いられる学習用データを示す。また、破線の円は、求められたεｉを用いて誤差を算出するために用いられる学習用データを示す。ここでは、各試行は、５つの学習用データを用いて行われるものとする。

試行７１では、円１が示す学習用データが誤差を算出するために用いられる。
試行７２では、円２が示す学習用データが誤差を算出するために用いられる。
試行７３では、円３が示す学習用データが誤差を算出するために用いられる。
試行７４では、円４が示す学習用データが誤差を算出するために用いられる。
試行７５では、円５が示す学習用データが誤差を算出するために用いられる。

たとえば、少数データモデルパラメータ学習部１４３は、試行７１において、円２乃至５の学習用データを用いてεｉを算出する。少数データモデルパラメータ学習部１４３は、算出したεｉを用いて円１の学習用データに基づいて予測消費エネルギーを算出する。また、少数データモデルパラメータ学習部１４３は、円１の学習用データのエネルギー消費量と予測消費エネルギーとの差異を誤差として取得する。

同様に、少数データモデルパラメータ学習部１４３は、試行７２乃至７５においても同様の動作を行う。

図９は、εｉと誤差とを示すテーブルである。
図９において、試行ＩＤは、試行を特定する。たとえば、試行ＩＤ「１」乃至「５」は、それぞれ試行７１乃至７５を示す。

図９が示すように、少数データモデルパラメータ学習部１４３は、試行ＩＤ「１」において、ε０＝０、ε１＝０、…誤差＝３２．４％を算出する。同様に、少数データモデルパラメータ学習部１４３は、試行ＩＤ「２」において、ε０＝８．３７２８、ε１＝０、…誤差＝１３．３％を算出する。

また、少数データモデルパラメータ学習部１４３は、εｉを選択するための選択基準値を算出する。選択基準値は、パラメータごとに算出される。選択基準値は、各試行においてεｉ／誤差を算出し各試行におけるεｉ／誤差を平均した値である。

たとえば、ε１の選択基準値を算出する場合、少数データモデルパラメータ学習部１４３は、試行「１」乃至「５」において、ε１／誤差％を算出する。少数データモデルパラメータ学習部１４３は、算出した値を平均して選択基準値を算出する。

少数データモデルパラメータ学習部１４３は、選択基準値に基づいて、対象クラスタのモデルに必要なεｉ（０でないεｉ）の組合せを選択する。たとえば、少数データモデルパラメータ学習部１４３は、最も大きな選択基準値のパラメータに対応するεｉを必要なεｉとして、それ以外のεｉを０と仮定する組合せを生成する。

また、少数データモデルパラメータ学習部１４３は、次に大きな選択基準値のパラメータに対応するεｉも必要なεｉと仮定する組合せを生成する。即ち、少数データモデルパラメータ学習部１４３は、最も大きな選択基準値のパラメータに対応するεｉと次の大きな選択基準値のパラメータに対応するεｉとを０でないと仮定し、他を０と仮定する組合せを生成する。

以上の動作を繰り返して、少数データモデルパラメータ学習部１４３は、選択基準値の大きなパラメータに対応するεｉから０でないと仮定し、組合せを生成する。

少数データモデルパラメータ学習部１４３は、各組合せにおいて回帰でεｉを算出し、モデルパラメータ（βｉ）を算出する。少数データモデルパラメータ学習部１４３は、各モデルのＡＩＣなどを算出し、最も適当な組合せを選択する。

少数データモデルパラメータ学習部１４３は、最も適当な組合せを対象クラスタのモデルに必要なεｉ（０でないεｉ）の組合せと判定する。少数データモデルパラメータ学習部１４３は、当該組合せにおけるεｉに基づいてβｉを算出する。

少数データモデルパラメータ学習部１４３は、算出したβｉをモデルパラメータＤＢ１５に格納する。
なお、少数データモデルパラメータ学習部１４３がスパース推定する方法は、特定の構成に限定されるものではない。

次に、予測サーバ１０の動作例について説明する。
まず、予測サーバ１０が学習用データをクラスタごとのモデルを構築する動作例について説明する。
図１０は、予測サーバ１０が学習用データをクラスタごとのモデルを構築する動作例について説明するためのフローチャートである。

まず、予測サーバ１０の学習用データ取得部１１は、充電器管理サーバ４０からの消費履歴情報と気象情報サーバ２０からの気象情報と道路形状情報ＤＢ１９からの道路形状情報とに基づいて複数の学習用データを取得する（Ｓ１１）。

学習用データ取得部１１が学習用データを取得すると、クラスタ分類部１２は、分類基準ＤＢ１３が格納する分類基準に従って各学習用データを複数のクラスタに分類する（Ｓ１２）。

クラスタ分類部１２が学習用データを複数のクラスタに分類すると、消費モデル学習部１４は、ｉに１を代入する（Ｓ１３）。ここで、ｉは、クラスタを特定する番号である。ここでは、クラスタに１から順に番号が振られているものとする。

ｉに１を代入すると、消費モデル学習部１４は、ｉ番目のクラスタのモデルを構築する（Ｓ１４）。ｉ番目のクラスタのモデルを構築すると、消費モデル学習部１４は、構築したモデルをモデルパラメータＤＢ１５に格納する（Ｓ１５）。

構築したモデルをモデルパラメータＤＢ１５に格納すると、消費モデル学習部１４は、ｉをインクリメントする（Ｓ１６）。ｉをインクリメントすると、ｉがクラスタの数より大きいか判定する（Ｓ１７）。

ｉがクラスタの数より大きくないと判定すると（Ｓ１７、ＮＯ）、消費モデル学習部１４は、Ｓ１４に戻る。
消費モデル学習部１４が、ｉがクラスタの数より大きいと判定すると（Ｓ１７、ＹＥＳ）、予測サーバ１０は、動作を終了する。

次に、予測サーバ１０がモデルを構築する動作例（図１０のＳ１４に相当）について説明する。
図１１は、予測サーバ１０がモデルを構築する動作例について説明するためのフローチャートである。

まず、予測サーバ１０のモデル構築法分類部１４１は、クラスタの学習用データの個数が所定の閾値を超えているか判定する（Ｓ２１）。
モデル構築法分類部１４１が、クラスタの学習用データの個数が所定の閾値より大きいと判定すると（Ｓ２１、ＹＥＳ）、モデルパラメータ学習部１４２は、クラスタの学習用データに基づいてモデルを構築する（Ｓ２２）。

モデル構築法分類部１４１が、クラスタの学習用データの個数が所定の閾値以下であると判定すると（Ｓ２１、ＮＯ）、少数データモデルパラメータ学習部１４３は、モデルパラメータＤＢ１５から各モデルのパラメータを取得する（Ｓ２３）。

各モデルのパラメータを取得すると、少数データモデルパラメータ学習部１４３は、各モデルで予測消費エネルギーを算出する（Ｓ２４）。各モデルで予測消費エネルギーを算出すると、少数データモデルパラメータ学習部１４３は、学習用データのエネルギー消費量と各モデルから算出された予測消費エネルギーとの誤差を算出する（Ｓ２５）。

誤差を算出すると、少数データモデルパラメータ学習部１４３は、最も誤差の少ないモデルを近似モデルとして選択する（Ｓ２６）。近似モデルを選択すると、少数データモデルパラメータ学習部１４３は、近似モデルを補正するεｉを算出する（Ｓ２７）。
モデルパラメータ学習部１４２がクラスタの学習用データに基づいてモデルを構築した場合（Ｓ２２）、又は、少数データモデルパラメータ学習部１４３がεｉを算出した場合（Ｓ２７）、予測サーバ１０は、動作を終了する。

次に、予測サーバが予測用データから予測消費エネルギーを算出する動作例について説明する。
図１２は、予測サーバが予測用データから予測消費エネルギーを算出する動作例について説明するためのフローチャートである。

まず、予測サーバ１０の予測用データ取得部１６は、アプリ管理サーバ５０から予測用データを取得する（Ｓ３１）。たとえば、アプリ管理サーバ５０は、ユーザ端末Ｆ１乃至Ｆｎから予測消費エネルギーを要求するリクエストを受信する。アプリ管理サーバ５０は、リクエストと共に予測用データを予測サーバ１０へ送信する。

予測用データ取得部１６が予測用データを取得すると、消費エネルギー予測部１７は、予測用データのクラスタを判定する（Ｓ３２）。

予測用データのクラスタを判定すると、消費エネルギー予測部１７は、モデルパラメータＤＢ１５から、判定したクラスタのモデルを取得する（Ｓ３３）。モデルを取得すると、消費エネルギー予測部１７は、取得したモデルに従って予測用データから予測消費エネルギーを算出する（Ｓ３４）。

予測消費エネルギーを算出すると、消費エネルギー予測部１７は、算出した予測消費エネルギーを示すエネルギー消費情報をエネルギー消費情報ＤＢ１８に格納する（Ｓ３５）。消費エネルギー予測部１７がエネルギー消費情報をエネルギー消費情報ＤＢ１８に格納すると、予測サーバ１０は、動作を終了する。
なお、消費エネルギー予測部１７は、交通情報サーバ３０からの交通情報にさらに基づいて予測消費エネルギーを算出してもよい。

予測サーバ１０は、算出した予測消費エネルギーをアプリ管理サーバ５０へ送信する。アプリ管理サーバ５０は、予測サーバ１０からの予測消費エネルギーを、リクエストを送信したユーザ端末Ｆ１乃至Ｆｎへ送信する。
ユーザ端末Ｆ１乃至Ｆｎは、受信した予測消費エネルギーを表示部などに表示する。

なお、予測サーバ１０は、予測消費エネルギーを表示部に表示してもよい。

以上のように構成された予測サーバは、学習用データをクラスタに分類する。予測サーバ１０は、各クラスタについてモデルを構築する。予測サーバは、予測用データのクラスタに応じたモデルを用いて当該予測用データから予測消費エネルギーを算出する。その結果、予測サーバは、複数のモデルを使い分けることができ、より効果的に予測消費エネルギーを算出することができる。

また、予測サーバは、学習用データの数が閾値以下であるクラスタについては、近似するモデルに基づいてモデルを構築する。その結果、予測サーバは、学習用データが少ないクラスタについても適切なモデルを構築することができる。

また、予測サーバは、スパース推定を行う際に、選択基準値に基づいて必要なεｉを選択する。その結果、予測サーバは、過学習を防止することができる。

（第２実施形態）
次に、第２実施形態に係る予測システム１’について説明する。
第２実施形態に係る予測システム１’は、分類基準を構築する点で第１実施形態に係る予測システム１と異なる。従って、他の構成については、同一の符号を付して詳細な説明を省略する。

図１は、第２実施形態に係る予測システム１’の構成例を示すブロック図である。
予測システム１’は、予測サーバ１０の代わりに予測サーバ１０’を備える。
その他の各部の構成は、第１実施形態のそれらと同様であるため説明を省略する。

図１３は、予測サーバ１０’の構成例を示すブロック図である。
図１３が示すように、予測サーバ１０’は、さらに、分類基準学習部２５を備える。

分類基準学習部２５は、学習用データに基づいて分類基準を構築する。
たとえば、分類基準学習部２５（第１の分類基準生成部）は、非階層型クラスタ分析を用いて分類基準を構築する。

図１４は、非階層型クラスタ分析を説明するための図である。
分類基準学習部２５は、オペレータからの操作に従って、条件を設定する。図１４が示す例では、分類基準学習部２５は、条件ａ及び条件ｂを設定する。

条件ａは、バッテリ情報が備える所定のパラメータ（パラメータＮ）が所定の閾値（パラメータＮ）より大きいことである。即ち、条件ａは、パラメータＮ＞パラメータＮ閾値である。

条件ｂは、電費が所定の閾値（電費閾値）より大きいことである。即ち、条件ｂは、電費＞電費閾値である。電費は、単位電力あたりに走行した距離である。即ち、電費は、走行距離／エネルギー消費量である。

分類基準学習部２５は、パラメータＮ閾値及び電費閾値を設定する。
次に、図１４が示すように、分類基準学習部２５は、学習用データが条件ａを満たすかを判定する。分類基準学習部２５は、条件ａを満たした学習用データがさらに条件ｂを満たすかを判定する。分類基準学習部２５は、条件ｂを満たす学習用データ（即ち、条件ａ及びｂを満たす学習用データ）をクラスタＡに分類する。

また、分類基準学習部２５は、条件ｂを満たさない学習用データ（即ち、条件ａを満たさないが条件ｂを満たす学習用データ）をクラスタＢに分類する。
また、分類基準学習部２５は、条件ａを満たさない学習用データをクラスタＣに分類する。

分類基準学習部２５は、各クラスタのモデルを構築する。分類基準学習部２５がモデルを構築する方法は、消費モデル学習部１４の動作と同様である。
分類基準学習部２５は、各モデルに従って各クラスタに生じる誤差を算出する。たとえば、分類基準学習部２５は、モデルから算出される予測消費エネルギーと学習用データのエネルギー消費量との差を誤差として算出する。たとえば、分類基準学習部２５は、クラスタの各学習用データから算出される誤差の平均を当該クラスタに生じる誤差として算出する。なお、分類基準学習部２５は、交差検定法を用いてクラスタに生じる誤差を算出してもよい。

分類基準学習部２５は、各クラスタに生じる誤差から評価関数に従って評価値を算出する。たとえば、評価関数は、誤差の総和である。
分類基準学習部２５は、パラメータＮ閾値及び電費閾値を所定の範囲で変更して上記の動作を行う。

分類基準学習部２５は、最も評価値の小さいパラメータＮ閾値及び電費閾値を分類基準として取得する。即ち、分類基準学習部２５は、最も誤差が少ない閾値の組合せを分類基準として取得する。
分類基準学習部２５は、取得した分類基準を分類基準ＤＢ１３に格納する。

なお、分類基準学習部２５は、１つ又は３つ以上の条件を設定してもよい。また、分類基準学習部２５は、異なる条件の階層（条件のつながり）を設定してもよい。分類基準学習部２５が学習用データを分類する条件は、特定の構成に限定されるものではない。

また、分類基準学習部２５（第２の分類基準生成部）は、階層型クラスタ分析を用いて分類基準を構築してもよい。
図１５は、階層型クラスタ分析を説明するための図である。
分類基準学習部２５は、学習用データの説明変数に基づいて学習用データ間の距離を算出する。分類基準学習部２５は、距離の近い学習用データをクラスタとして設定する。例えば、学習用データ間の距離とはいくつかの説明変数を用いたユークリッド距離を示す。ただし、マハラノビス距離などの一般的な距離尺度を用いても構わない。

分類基準学習部２５は、クラスタを設定すると、各クラスタに生じる誤差を算出する。誤差の算出方法は、前述の通りである。
分類基準学習部２５は、各クラスタに生じる誤差から評価関数に従って評価値を算出する。たとえば、評価関数は、誤差の総和である。なお、評価関数は、誤差の総和に、分類数（クラスタの個数）をペナルティとして加算してもよい。

分類基準学習部２５は、異なる分類基準でクラスタを設定する。たとえば、分類基準学習部２５は、距離の近いクラスタを１つのクラスタとして設定する。分類基準学習部２５は、前述の通り、評価値を算出する。

分類基準学習部２５は、以上の動作を繰り返して、最も評価値の小さなクラスタの分類基準を取得する。
分類基準学習部２５は、取得した分類基準を分類基準ＤＢ１３に格納する。

次に、分類基準学習部２５の動作例について説明する。
図１６は、分類基準学習部２５の動作例について説明するためのフローチャートである。ここでは、学習用データ取得部１１は、学習用データを取得しているものとする。

まず、分類基準学習部２５は、予測誤差に無限大を代入する（Ｓ４１）。予測誤差に無限大を代入すると、分類基準学習部２５は、分類基準を設定する（Ｓ４２）。分類基準を設定すると、分類基準学習部２５は、Ｓ４２で設定された分類基準で学習用データをクラスタに分類する（Ｓ４３）。

学習用データをクラスタに分類すると、分類基準学習部２５は、各クラスタのモデルを構築する（Ｓ４４）。各クラスタのモデルに従って、各モデルに生じる誤差を算出する（Ｓ４５）。各モデルに生じる誤差を算出すると、分類基準学習部２５は、各誤差から評価値を算出する（Ｓ４６）。

評価値を算出すると、分類基準学習部２５は、予測誤差より評価値が小さいか判定する（Ｓ４７）。予測誤差より評価値が小さいと判定すると（Ｓ４７、ＹＥＳ）、分類基準学習部２５は、予測誤差に評価値を代入する（Ｓ４８）。予測誤差に評価値を代入すると、分類基準学習部２５は、評価値が最も小さい分類基準をＳ４２で設定した分類基準に置き換える（Ｓ４８）。

予測誤差より評価値が小さくないと判定した場合（Ｓ４７、ＮＯ）、又は、分類基準を置き換えた場合（Ｓ４９）、分類基準学習部２５は、他に設定可能な分類基準があるか判定する（Ｓ５０）。

他に設定可能な分類基準があると判定すると（Ｓ５０、ＹＥＳ）、分類基準学習部２５は、Ｓ４２に戻る。なお、分類基準学習部２５は、Ｓ４２で異なる分類基準を設定する。

他に設定可能な分類基準がないと判定すると（Ｓ５０、ＮＯ）、分類基準学習部２５は、Ｓ４９で置き換えられた最も評価値の小さい分類基準を分類基準ＤＢ１３に格納する（Ｓ５１）。分類基準を格納すると、分類基準学習部２５は、動作を終了する。

以上のように構成された予測サーバは、分類基準に従って予測用データをクラスタに分類し各クラスタのモデルに従って各クラスタに生じる誤差を算出する。予測サーバは、分類基準を変更しながら誤差を算出することで、誤差の小さな分類基準を構築することができる。その結果、予測サーバは、効果的に予測消費エネルギーを算出することができるクラスタを設定することができる。

（第３実施形態）
次に、第３実施形態について説明する。
第３実施系に係る予測システム１’’は、アプリ管理サーバ５０が車両Ｖ１乃至Ｖｎに接続する点で第１実施形態と異なる。従って、他の構成については同一の符号を付して詳細な説明を省略する。

図１７は、第３実施形態に係る予測システム１’’の構成例を示すブロック図である。
図１７が示すように、予測システム１’’は、予測サーバ１０、気象情報サーバ２０、交通情報サーバ３０、アプリ管理サーバ５０’’及び車両Ｖ１乃至Ｖｎなどを備える。

車両Ｖ１乃至Ｖｎは、消費履歴情報及び予測用データをアプリ管理サーバ５０’’へ送信する。たとえば、車両Ｖ１乃至Ｖｎは、処理部、記憶部及び通信部などを備える。車両Ｖ１乃至Ｖｎは、消費履歴情報を生成し格納する。車両Ｖ１乃至Ｖｎは、所定のタイミングで消費履歴情報をアプリ管理サーバ５０’’へ送信する。

また、車両Ｖ１乃至Ｖｎは、予測消費エネルギーが必要なタイミングで予測用データをアプリ管理サーバ５０’’へ送信する。たとえば、車両Ｖ１乃至Ｖｎは、ユーザの操作に従って予測用データをアプリ管理サーバ５０’’へ送信する。たとえば、車両Ｖ１乃至Ｖｎは、予測消費エネルギーを要求するリクエストと共に予測用データをアプリ管理サーバ５０’’へ送信する。

アプリ管理サーバ５０’’は、消費履歴情報ＤＢ４１及び予測用データＤＢ５１を備える。
アプリ管理サーバ５０’’は、アプリ管理サーバ５０の機能に加えて、消費履歴情報ＤＢ４１が格納する消費履歴情報を予測サーバ１０へ送信する機能を有する。たとえば、アプリ管理サーバ５０’’は、予測サーバ１０からのリクエストに応じて消費履歴情報を予測サーバ１０へ送信する。また、アプリ管理サーバ５０’’は、定期的に（たとえば、日ごとに）消費履歴情報を予測サーバ１０へ送信してもよい。

なお、予測システム１０’’は、第２実施形態に係る予測サーバ１０’を備えるものであってもよい。

以上のように構成された予測システムは、車両から消費履歴情報を取得する。その結果、予測システムは、充電器管理サーバを用いることなく学習用データを取得することができる。

（第４実施形態）
次に、第４実施形態について説明する。
第４実施形態に係る予測システム１’’’は、予測サーバ１０’’’がアプリ管理サーバ５０を通じてユーザ端末Ｆ１乃至Ｆｎにモデルを送信する点で第１実施形態に係る予測システム１と異なる。従って、その他の点については、同一の符号を付して詳細な説明を省略する。

第４実施形態に係る予測システム１’’’は、予測サーバ１０’’’を備える。

図１８は、予測サーバ１０’’’の構成例を示すブロック図である。
予測サーバ１０’’’は、学習用データ取得部１１、クラスタ分類部１２、分類基準ＤＢ１３、消費モデル学習部１４、モデルパラメータＤＢ１５、予測用データ取得部１６、消費エネルギー予測部１７、道路形状情報ＤＢ１９及びモデル決定部２６などを備える。

モデル決定部２６は、予測用データに基づいて予測用データのクラスタを判定する。モデル決定部２６は、分類基準ＤＢ１３が格納する分類基準に基づいてクラスタ分類部１２と同様に、予測用データのクラスタを判定する。
モデル決定部２６は、判定したクラスタのモデルをモデルパラメータＤＢ１５から取得する。

なお、予測用データは、クラスタを判定するために必要最低限のデータであってもよい。

予測サーバ１０’’’は、モデル決定部２６が取得したモデルをアプリ管理サーバ５０へ送信する。アプリ管理サーバ５０は、モデルをユーザ端末Ｆ１乃至Ｆｎへ送信する。
ユーザ端末Ｆ１乃至Ｆｎは、アプリ管理サーバ５０から受信したモデルに従って予測消費エネルギーを算出する。たとえば、ユーザ端末Ｆ１乃至Ｆｎは、モデルにユーザが入力したデータを当てはめて予測消費エネルギーを算出する。

また、ユーザ端末Ｆ１乃至Ｆｎは、モデルを格納し継続して使用してもよい。たとえば、ユーザ端末Ｆ１乃至Ｆｎは、予測消費エネルギーを算出する際に、アプリ管理サーバ５０にモデルを要求せずに、内部に格納されるモデルを用いて予測消費エネルギーを算出してもよい。

なお、予測システム１’’’は、第２実施形態又は第３実施形態の特徴を備えるものであってもよい。

以上のように構成された予測システムは、モデルをユーザ端末に送信する。ユーザ端末は、受信したモデルに従って予測消費エネルギーを算出する。そのため、予測サーバは、ユーザから予測用データを取得する必要がなくなる。その結果、予測システムは、ユーザのプライバシーを保護することができる。

ユーザ端末は、継続してモデルを利用することができる。その結果、予測システムは、ユーザ端末からのリクエストを処理する頻度が低下し、予測サーバの負荷を軽減することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
以下に本件出願当初の特許請求の範囲に記載された発明を付記する。
［Ｃ１］
モデルを用いて車両の消費エネルギーを予測する予測システムで用いられる消費エネルギー予測装置であって、
車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを備える複数の学習用データを取得する学習用データ取得部と、
前記学習用データ取得部により取得する学習用データを分類基準に従って複数のクラスタに分類するクラスタ分類部と、
前記クラスタ分類部により学習用データから分類した各クラスタにおける車両の消費エネルギーを予測するモデルを生成するモデル生成部と、
車両の消費エネルギーを予測するための予測用データを取得する予測用データ取得部と、
前記予測用データ取得部が取得する予測用データのクラスタを判定し、前記モデル生成部が生成した、判定された前記クラスタのモデルに従って前記予測用データから前記車両の消費エネルギーを予測する予測部と、
を備える消費エネルギー予測装置。
［Ｃ２］
前記モデル生成部は、
クラスタの学習用データの個数が閾値以上であるか判定する判定部と、
前記判定部が前記個数が前記閾値以上であると判定すると、前記クラスタの学習用データに基づいて回帰で前記クラスタのモデルを生成する第１の生成部と、
前記判定部が前記個数が前記閾値以上でないと判定すると、前記クラスタに近接する近似クラスタのモデルである近似モデルに基づいて、前記クラスタのモデルを生成する第２の生成部と、を備える、
前記Ｃ１に記載の消費エネルギー予測装置。
［Ｃ３］
前記モデル生成部が生成するモデルは、複数のパラメータから構成され、
前記第２の生成部は、前記クラスタのモデルのパラメータを近似モデルの各パラメータに各補正値を積算した値とし、各補正値が同一であると仮定して補正値を算出する、
前記Ｃ２に記載の消費エネルギー予測装置。
［Ｃ４］
前記第２の生成部は、前記クラスタのモデルのパラメータを近似モデルの各パラメータに各補正値を加算した値とし、スパース推定を用いて補正値を算出する、
前記Ｃ２に記載の消費エネルギー予測装置。
［Ｃ５］
前記第２の生成部は、各パラメータの選択基準値を算出し、前記選択基準値に基づいて０とする補正値を決定する、
前記Ｃ４に記載の消費エネルギー予測装置。
［Ｃ６］
前記第２の生成部は、各パラメータに加算する各補正値の少なくとも一部が０であると仮定して、補正値を算出する、
前記Ｃ５に記載の消費エネルギー予測装置。
［Ｃ７］
前記第２の生成部は、交差検定法で算出された各補正値と、予測された消費エネルギーと学習用データの消費エネルギーとの誤差とを算出し、前記補正値と前記誤差とに基づいて前記選択基準値を算出する、
前記Ｃ５又は６に記載の消費エネルギー予測装置。
［Ｃ８］
前記第２の生成部は、交差検定法で算出された各補正値を誤差で除算した値に基づいて、前記選択基準値とする、
前記Ｃ７に記載の消費エネルギー予測装置。
［Ｃ９］
前記第２の生成部は、前記選択基準値に基づいて０と仮定する補正値の組合せを複数生成し、各組合せの誤差を算出し、前記誤差に基づいて０と仮定する補正値を決定する、
前記Ｃ５乃至８の何れか１項に記載の予測装置。
［Ｃ１０］
条件を設定し、前記条件に従う非階層型クラスタ分析を用いて前記分類基準を生成する第１の分類基準生成部を備える、
前記Ｃ１乃至９の何れか１項に記載の消費エネルギー予測装置。
［Ｃ１１］
前記学習用データに基づく階層型クラスタ分析を用いて前記分類基準を生成する第２の分類基準生成部を備える、
前記Ｃ１乃至９の何れか１項に記載の消費エネルギー予測装置。
［Ｃ１２］
モデルを用いて車両の消費エネルギーを予測する予測システムで用いられる消費エネルギー予測方法であって、
車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを備える複数の学習用データを取得し、
前記複数の学習用データを分類基準に従って複数のクラスタに分類するクラスタ分類部と、
前記複数の学習用データから分類された各クラスタにおける車両の消費エネルギーを予測するモデルを生成し、
車両の消費エネルギーを予測するための予測用データを取得し、
前記予測用データのクラスタを判定し、判定された前記クラスタのモデルに従って前記予測用データから前記車両の消費エネルギーを予測する、
を備える消費エネルギー予測方法。

１（１’、１’’、１’’’）…予測システム、１０（１０’、１０’’’）…予測サーバ、１１…学習用データ取得部、１２…クラスタ分類部、１３…分類基準ＤＢ、１４…消費モデル学習部、１５…モデルパラメータＤＢ、１６…予測用データ取得部、１７…消費エネルギー予測部、１８…エネルギー消費情報ＤＢ、１９…道路形状情報、２０…気象情報サーバ、２１…気象情報ＤＢ、２５…分類基準学習部、２６…モデル決定部、３０…交通情報サーバ、３１…交通情報ＤＢ、４０…充電器管理サーバ、４１…消費履歴情報ＤＢ、５０（５０’’）…アプリ管理サーバ、５１…予測用データＤＢ、６１及び６２…線、７１乃至７５…試行、１４１…モデル構築法分類部、１４２…モデルパラメータ学習部、１４３…少数データモデルパラメータ学習部、Ｑ１乃至Ｑｎ…充電器、Ｖ１乃至Ｖｎ…車両、Ｆ１乃至Ｆｎ…ユーザ端末。

Claims (13)

1. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測装置であって、
   車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得する学習用データ取得部と、
   前記学習用データ取得部により取得する学習用データを分類基準に従って複数のクラスタに分類するクラスタ分類部と、
   前記クラスタ分類部により分類されたクラスタ毎に、含まれる学習用データの個数が閾値以上であるか判定する判定部と、前記判定部で前記学習用データの個数が前記閾値以上であると判定されたクラスタについては、学習用データに基づいて回帰により、複数のパラメータを有する車両の消費エネルギーを予測するモデルを生成する第１の生成部と、前記判定部が前記学習用データの個数が前記閾値以上でないと判定されたクラスタについては、前記クラスタ毎のモデルのパラメータに同一の補正値を積算したパラメータを有する前記クラスタに近接する近似モデルにより車両の消費エネルギーを予測するモデルを生成する第２の生成部と、を備えるモデル生成部と、
   車両から消費エネルギーを予測するための予測用データを取得する予測用データ取得部と、
   前記予測用データ取得部が取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する予測部と、
   を備える消費エネルギー予測装置。
2. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測装置であって、
   車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得する学習用データ取得部と、
   前記学習用データ取得部により取得する学習用データを分類基準に従って複数のクラスタに分類するクラスタ分類部と、
   前記クラスタ分類部により分類されたクラスタ毎に、含まれる学習用データの個数が閾値以上であるか判定する判定部と、前記判定部で前記学習用データの個数が前記閾値以上であると判定されたクラスタについては、学習用データに基づいて回帰により、複数のパラメータを有する車両の消費エネルギーを予測するモデルを生成する第１の生成部と、前記判定部が前記学習用データの個数が前記閾値以上でないと判定されたクラスタについては、前記クラスタ毎のモデルのパラメータを、スパース推定を用いて算出した値を各補正値に加算したパラメータを有する前記クラスタに近接する近似クラスタのモデルにより、車両の消費エネルギーを予測するモデルを生成する第２の生成部と、を備えるモデル生成部と、
   車両から消費エネルギーを予測するための予測用データを取得する予測用データ取得部と、
   前記予測用データ取得部が取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する予測部と、
   を備える消費エネルギー予測装置。
3. 前記第２の生成部は、各パラメータの選択基準値を算出し、前記選択基準値に基づいて補正値を決定する、
   前記請求項２に記載の消費エネルギー予測装置。
4. 前記第２の生成部は、各パラメータに加算する各補正値の少なくとも一部が０であると仮定して、補正値を算出する、
   前記請求項３に記載の消費エネルギー予測装置。
5. 前記第２の生成部は、前記選択基準値を、交差検定法で算出された各補正値と、予測された消費エネルギーと学習用データの消費エネルギーとの誤差に基づいて算出する、
   前記請求項３又は４に記載の消費エネルギー予測装置。
6. 前記第２の生成部の選択基準値は、交差検定法で算出された各補正値を誤差で除算した値に基づいて算出する、
   前記請求項５に記載の消費エネルギー予測装置。
7. 前記第２の生成部は、前記選択基準値は、０と仮定する補正値の組合せを複数生成し、各組合せの誤差に基づいて０と仮定する補正値を決定する、
   前記請求項３乃至６の何れか１項に記載の予測装置。
8. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測装置であって、
   車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得する学習用データ取得部と、
   条件を設定し、前記条件に従う非階層型クラスタ分析を用いて分類基準を生成する第１の分類基準生成部と、
   前記学習用データ取得部により取得する学習用データを前記分類基準に従って複数のクラスタに分類するクラスタ分類部と、
   前記クラスタ分類部により学習用データから分類したクラスタ毎に、車両の消費エネルギーを予測するモデルを生成するモデル生成部と、
   車両から消費エネルギーを予測するための予測用データを取得する予測用データ取得部と、
   前記予測用データ取得部が取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する予測部と、
   を備える消費エネルギー予測装置。
9. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測装置であって、
   車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得する学習用データ取得部と、
   前記学習用データに基づく階層型クラスタ分析を用いて分類基準を生成する第２の分類基準生成部と、
   前記学習用データ取得部により取得する学習用データを前記分類基準に従って複数のクラスタに分類するクラスタ分類部と、
   前記クラスタ分類部により分類されたクラスタ毎に車両の消費エネルギーを予測するモデルを生成するモデル生成部と、
   車両から消費エネルギーを予測するための予測用データを取得する予測用データ取得部と、
   前記予測用データ取得部が取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する予測部と、
   を備える消費エネルギー予測装置。
10. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測方法であって、
    学習用データ取得部で、車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを備える複数の学習用データを取得し、
    クラスタ分類部で、前記取得した前記複数の学習用データを分類基準に従って複数のクラスタに分類し、
    判定部で、前記クラスタ分類部により分類されたクラスタ毎に、含まれる学習用データの個数が閾値以上であるか判定し、
    第１の生成部で、前記個数が前記閾値以上であると判定されたクラスタについては、学習用データに基づいて回帰により、複数のパラメータを有する車両の消費エネルギーを予測するモデルを生成し、
    第２の生成部で、前記個数が前記閾値以上でないと判定されたクラスタについては、前記クラスタ毎のモデルのパラメータに同一の補正値を積算したパラメータを有する前記クラスタに近接する近似モデルにより、車両の消費エネルギーを予測するモデルを生成し、
    予測用データ取得部で、車両から消費エネルギーを予測するための予測用データを取得し、
    予測部で、前記予測用データ取得部で取得した前記予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記第１の生成部又は前記第２の生成部で生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する、
    消費エネルギー予測方法。
11. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測方法であって、
    学習用データ取得部で、車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得し、
    クラスタ分類部で、前記複数の学習用データを分類基準に従って複数のクラスタに分類し、
    判定部で、前記クラスタ分類部により分類されたクラスタ毎に、含まれる学習用データの個数が閾値以上であるか判定し、
    第１の生成部で、前記判定部で前記学習用データの個数が前記閾値以上であると判定されたクラスタについては、学習用データに基づいて回帰により、複数のパラメータを有する車両の消費エネルギーを予測するモデルを生成し、
    第２の生成部で、前記判定部で前記学習用データの前記個数が前記閾値以上でないと判定されたクラスタについては、スパース推定を用いて算出した値を各補正値に加算したパラメータを要する前記クラスタに近接する近似クラスタのモデルにより車両の消費エネルギーを予測するモデルを生成し、
    予測用データ取得部で、車両から消費エネルギーを予測するための予測用データを取得し、
    予測部で、取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタに対応する前記第１の生成部又は前記第２の生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する、
    消費エネルギー予測方法。
12. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測方法であって、
    学習用データ取得部で、車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得し、
    第１の分類基準生成部で、条件を設定し、前記条件に従う非階層型クラスタ分析を用いて分類基準を生成し、
    クラスタ分類部で、前記複数の学習用データを前記分類基準に従って複数のクラスタに分類し、
    モデル生成部で、前記クラスタ分類部で学習用データから分類されたクラスタ毎に、車両の消費エネルギーを予測するモデルを生成し、
    予測用データ取得部で、車両から消費エネルギーを予測するための予測用データを取得し、
    予測部で、前記予測用データ取得部が取得した前記予測用データからクラスタを判定し、判定された前記クラスタのモデルに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する、
    消費エネルギー予測方法。
13. モデルを用いて車両の消費エネルギーを予測する消費エネルギー予測方法であって、
    学習用データ取得部で、車両のバッテリに関するバッテリ情報と前記車両の消費エネルギーを含む運動情報とを含む複数の学習用データを取得し、
    第２の分類基準生成部で、前記複数の学習用データに基づく階層型クラスタ分析を用いて分類基準を生成し、
    クラスタ分類部で、前記複数の学習用データを前記分類基準に従って複数のクラスタに分類し、
    モデル生成部で、前記クラスタ分類部で分類されたクラスタ毎に車両の消費エネルギーを予測するモデルを生成し、
    予測用データ取得部で、車両から消費エネルギーを予測するための予測用データを取得し、
    予測部で、前記予測用データ取得部で取得した予測用データから前記分類基準に従ってクラスタを判定し、判定された前記クラスタのモデルに対応する前記モデル生成部が生成したモデルに従って、前記予測用データから前記車両の消費エネルギーを予測する、
    消費エネルギー予測方法。