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
消費エネルギー予測装置及び消費エネルギー予測方法 Download PDFInfo
- Publication number
- JP6804934B2 JP6804934B2 JP2016209806A JP2016209806A JP6804934B2 JP 6804934 B2 JP6804934 B2 JP 6804934B2 JP 2016209806 A JP2016209806 A JP 2016209806A JP 2016209806 A JP2016209806 A JP 2016209806A JP 6804934 B2 JP6804934 B2 JP 6804934B2
- Authority
- JP
- Japan
- Prior art keywords
- energy consumption
- cluster
- model
- prediction
- unit
- 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
- 238000005265 energy consumption Methods 0.000 title claims description 221
- 238000000034 method Methods 0.000 title claims description 28
- 238000012937 correction Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 58
- 238000013499 data model Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 9
- 238000004138 cluster model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Navigation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
(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。
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。
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。
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。
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。
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。
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。
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。
走行距離x1は、車両V1乃至Vnが走行した距離である。
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。
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。
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。
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。
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。
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。
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。
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。
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)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。
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。
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。
Lassoは、Elastic Netの一種であるためElastic Netについて説明する。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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、取得した分類基準を分類基準DB13に格納する。
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、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、取得した分類基準を分類基準DB13に格納する。
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。
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。
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。
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。
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、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。
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。
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。
Claims (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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016209806A JP6804934B2 (ja) | 2016-10-26 | 2016-10-26 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016209806A JP6804934B2 (ja) | 2016-10-26 | 2016-10-26 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018072083A JP2018072083A (ja) | 2018-05-10 |
JP6804934B2 true JP6804934B2 (ja) | 2020-12-23 |
Family
ID=62115067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016209806A Active JP6804934B2 (ja) | 2016-10-26 | 2016-10-26 | 消費エネルギー予測装置及び消費エネルギー予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6804934B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102472552B1 (ko) * | 2022-04-11 | 2022-12-01 | 주식회사 데이탐코리아 | 딥러닝을 활용한 차량의 에너지 소모량 및 탄소배출량 산출방법 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7079156B2 (ja) * | 2018-06-21 | 2022-06-01 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法及び情報処理装置 |
JP7157586B2 (ja) * | 2018-08-07 | 2022-10-20 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
JP7163099B2 (ja) * | 2018-08-10 | 2022-10-31 | 株式会社東芝 | 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 |
JP6860773B2 (ja) * | 2018-10-22 | 2021-04-21 | 国立陽明交通大学 | 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法 |
CN111191712B (zh) * | 2019-12-27 | 2023-06-30 | 浙江工业大学 | 基于梯度提升决策树的印染定型机能耗分类预测方法 |
CN113071323A (zh) * | 2020-01-03 | 2021-07-06 | 北京海博思创科技股份有限公司 | 电动汽车能耗分析方法和装置 |
JP2021182329A (ja) * | 2020-05-20 | 2021-11-25 | 株式会社日立製作所 | 学習モデル選択方法 |
JP7454491B2 (ja) * | 2020-12-25 | 2024-03-22 | 株式会社日立製作所 | 状態予測システム、状態予測方法、及びプログラム |
CN113094994A (zh) * | 2021-04-12 | 2021-07-09 | 上海电享信息科技有限公司 | 一种基于大数据迁移学习的动力电池预测方法 |
WO2023286625A1 (ja) * | 2021-07-13 | 2023-01-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法、情報処理装置、情報処理プログラム、及び学習済みモデルの製造方法 |
CN114655074B (zh) * | 2021-11-16 | 2024-01-30 | 吉林大学 | 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法 |
WO2023127094A1 (ja) * | 2021-12-28 | 2023-07-06 | 株式会社日立製作所 | 電気自動車走行模擬装置、並びに電気自動車走行模擬方法 |
Family Cites Families (10)
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 |
JP2008271066A (ja) * | 2007-04-19 | 2008-11-06 | National Printing Bureau | 紙又はシート状基材の濃淡模様の定量的評価方法 |
WO2008139622A1 (ja) * | 2007-05-15 | 2008-11-20 | Fujitsu Limited | 事例生成プログラム、事例生成装置、事例生成方法 |
JP2011166450A (ja) * | 2010-02-09 | 2011-08-25 | Konica Minolta Business Technologies Inc | 画像符号化方法 |
JP5816917B2 (ja) * | 2011-05-13 | 2015-11-18 | 本田技研工業株式会社 | 脳活動計測装置、脳活動計測方法、及び脳活動推定装置 |
JP2013213692A (ja) * | 2012-03-30 | 2013-10-17 | Fujitsu Ten Ltd | エネルギー消費量算出システム及びエネルギー消費量算出方法 |
JP5840090B2 (ja) * | 2012-08-17 | 2016-01-06 | 株式会社東芝 | 消費電力量推定装置 |
JP6012643B2 (ja) * | 2014-01-31 | 2016-10-25 | 三菱電機株式会社 | 車両用運転支援装置、サーバ、車両運転支援システム、および、車両用運転支援プログラム |
US20180181875A1 (en) * | 2014-03-28 | 2018-06-28 | Nec Corporation | Model selection system, model selection method, and storage medium on which program is stored |
JP6359123B2 (ja) * | 2015-01-21 | 2018-07-18 | 三菱電機株式会社 | 検査データ処理装置および検査データ処理方法 |
-
2016
- 2016-10-26 JP JP2016209806A patent/JP6804934B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102472552B1 (ko) * | 2022-04-11 | 2022-12-01 | 주식회사 데이탐코리아 | 딥러닝을 활용한 차량의 에너지 소모량 및 탄소배출량 산출방법 |
Also Published As
Publication number | Publication date |
---|---|
JP2018072083A (ja) | 2018-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6804934B2 (ja) | 消費エネルギー予測装置及び消費エネルギー予測方法 | |
JP6414760B2 (ja) | 電力需要予測装置、電力供給システム、及び電力需要予測方法 | |
JP5854287B2 (ja) | 充電制御装置、充電制御方法、及びプログラム | |
EP3850551A1 (en) | Systems and methods for managing energy storage systems | |
JP6081940B2 (ja) | 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム | |
JP5779014B2 (ja) | 電力需給制御装置、電力管理装置及び電力需給制御方法 | |
CN109670661B (zh) | 用于确定换电站内的欠电电池的充电策略的方法和装置 | |
WO2015049969A1 (en) | Operation management device for electric vehicle, and operation planning method | |
US20210323431A1 (en) | Electrical vehicle power grid management system and method | |
WO2021188647A1 (en) | Systems and methods for managing velocity profiles | |
JP5710447B2 (ja) | 電力需給調整装置及び電力管理システム | |
US20220041078A1 (en) | Energy storage device evaluation device, computer program, energy storage device evaluation method, learning method and generation method | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
Chen et al. | Routing and scheduling of mobile energy storage system for electricity arbitrage based on two-layer deep reinforcement learning | |
US20160352116A1 (en) | Energy management system | |
JP2017077177A (ja) | 供給電力管理装置、車載器、及び電気自動車 | |
JP6538428B2 (ja) | 充電設備運用支援装置、充電設備運用支援プログラム、および充電システム | |
JP7173439B2 (ja) | 電力管理システム | |
WO2022024513A1 (ja) | 電費推定装置、電費推定方法、および電費推定プログラム | |
Ross et al. | Spatial-temporal EV charging demand model considering generic second-order traffic flows | |
Kumar et al. | Chaotic Harris Hawks Optimization Algorithm for Electric Vehicles Charge Scheduling | |
Ritter | Optimal Control of Battery-Assisted Trolley Buses | |
JP7107423B1 (ja) | 消費電力予測装置、消費電力予測方法及び消費電力予測プログラム | |
US20230009568A1 (en) | Systems and methods for accelerated computations in data-driven energy management systems | |
JP2024102251A (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20170904 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20170905 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190912 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200624 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200707 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201002 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201203 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6804934 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |