特開 2022-168709 自動学習システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022168709

(43)【公開日】2022-11-08

(54)【発明の名称】自動学習システム

(51)【国際特許分類】

   B61L 25/04 20060101AFI20221031BHJP

   B60L 15/40 20060101ALI20221031BHJP

   G16Y 10/40 20200101ALI20221031BHJP

   G16Y 20/20 20200101ALI20221031BHJP

   G16Y 40/20 20200101ALI20221031BHJP

【ＦＩ】

B61L25/04

B60L15/40 Z

G16Y10/40

G16Y20/20

G16Y40/20

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2021074368

(22)【出願日】2021-04-26

(71)【出願人】

【識別番号】390021577

【氏名又は名称】東海旅客鉄道株式会社

(71)【出願人】

【識別番号】598076591

【氏名又は名称】東芝インフラシステムズ株式会社

(74)【代理人】

【識別番号】100091487

【弁理士】

【氏名又は名称】中村 行孝

(74)【代理人】

【識別番号】100120031

【弁理士】

【氏名又は名称】宮嶋 学

(74)【代理人】

【識別番号】100107582

【弁理士】

【氏名又は名称】関根 毅

(74)【代理人】

【識別番号】100118843

【弁理士】

【氏名又は名称】赤岡 明

(72)【発明者】

【氏名】江崎 浩康

(72)【発明者】

【氏名】前田 典宏

(72)【発明者】

【氏名】北谷 大貴

(72)【発明者】

【氏名】阿邊 優一

(72)【発明者】

【氏名】小熊 信

(72)【発明者】

【氏名】弓削 晶郎

(72)【発明者】

【氏名】服部 陽平

(72)【発明者】

【氏名】高橋 功

【テーマコード（参考）】

5H125

【Ｆターム（参考）】

5H125AA05

5H125BE01

5H125CC03

5H125CC04

5H125EE02

5H125EE51

5H125EE64

5H125EE70

(57)【要約】      （修正有）

【課題】車両の制御パラメータを適切な状態にする自動学習システムを提供する。
【解決手段】自動学習システム１は車両１００を制御するために用いられる制御パラメータを有する。第１自動学習装置３００はデータ格納部３１０と学習実行部３２０とパラメータ生成部４００と出力部５００とを備える。学習実行部はデータを分析して回帰モデルまたは分類型モデルを生成する。パラメータ生成部は回帰モデルまたは分類型モデルを用いて新しい第２制御パラメータ４２０を生成する。出力部は第２制御パラメータを出力する。第２自動学習装置７００は車両に搭載され、パラメータ格納部１１０とパラメータ制御部１０９と車両制御部１２０とを備える。パラメータ格納部は第１自動学習装置からの第２制御パラメータを格納する。パラメータ制御部は第１制御パラメータ１１１を第２制御パラメータで更新する。車両制御部は第２制御パラメータを用いて車両を制御する。
【選択図】図１

【特許請求の範囲】

【請求項1】

車両を制御するために用いられる第１制御パラメータを有する自動学習システムであって、
運行中の前記車両から収集された前記第１制御パラメータに関するデータを蓄積するデータ格納部と、
前記データを分析して回帰モデルまたは分類型モデルを生成する学習実行部と、
前記回帰モデルまたは分類型モデルを用いて新しい第２制御パラメータを生成するパラメータ生成部と、
前記第２制御パラメータを出力する出力部と、を備える第１自動学習装置、並びに、
前記第１自動学習装置からの前記第２制御パラメータを格納するパラメータ格納部と、
前記第１制御パラメータを前記第２制御パラメータで更新するパラメータ制御部と、
前記第２制御パラメータを用いて前記車両を制御する車両制御部と、を備え、前記車両に搭載された第２自動学習装置、
を備えた自動学習システム。

【請求項2】

前記データ格納部は、前記データを圧縮したバイナリ形式で蓄積し、
前記学習実行部は、前記データのうち前記第１および第２制御パラメータに関連する学習データのみをバイナリ形式から復元し、前記回帰モデルを生成した後、復元された前記学習データを廃棄する、請求項１に記載の自動学習システム。

【請求項3】

前記学習実行部は、前記学習データをバイナリ形式からテキスト形式に復元し、前記回帰モデルの生成した後、該テキスト形式の学習データを廃棄する、請求項２に記載の自動学習システム。

【請求項4】

前記回帰モデルまたは分類型モデルの変数およびアルゴリズムを含む学習方法情報と、前記回帰モデルまたは前記分類型モデルと前記データとの適合度を示すモデル性能情報と、前記データの分析の開始条件を示す学習開始契機情報と、前記回帰モデルまたは前記分類型モデルとを格納する学習項目格納部をさらに備えた、請求項１から請求項３のいずれか一項に記載の自動学習システム。

【請求項5】

前記学習開始契機情報は、データの分析を開始する日時、あるいは、前記適合度の閾値である、請求項４に記載の自動学習システム。

【請求項6】

前記学習実行部は、前記第１制御パラメータを生成するために用いられる第１回帰モデルまたは第１分類型モデルの前記適合度を示す第１モデル性能情報と、前記第２制御パラメータを生成するために用いられる第２回帰モデルまたは第２分類型モデルの前記適合度を示す第２モデル性能情報とを比較する、請求項４または請求項５に記載の自動学習システム。

【請求項7】

前記第２モデル性能情報が前記第１モデル性能情報よりも前記適合度において高い場合、前記パラメータ制御部は、前記第１制御パラメータを前記第２制御パラメータで更新し、
前記第２モデル性能情報が前記第１モデル性能情報よりも前記適合度において低い場合、前記パラメータ制御部は、前記第１制御パラメータを更新せず、前記車両制御部は、前記第１制御パラメータを用いて前記車両を制御する、請求項６に記載の自動学習システム。

【請求項8】

前記出力部は、前記第２制御パラメータを前記第２自動学習装置へ送信し、あるいは、前記出力部に通信可能に接続された電子記録媒体に出力する、請求項１に記載の自動学習システム。

【請求項9】

前記出力部が前記第２制御パラメータを出力することを許可または禁止することを表示する表示部をさらに備えた、請求項１から請求項８のいずれか一項に記載の自動学習システム。

【請求項10】

前記第１自動学習装置は、前記車両で構成された複数の列車編成と通信可能に接続されており、
前記出力部は、前記第２制御パラメータを、前記複数の列車編成のうち予め設定された一部の列車編成に出力する、請求項６から請求項９のいずれか一項に記載の自動学習システム。

【請求項11】

前記データ格納部は、前記第２制御パラメータを用いて制御されている前記一部の列車編成からさらに更新データを収集して蓄積し、
前記第２回帰モデルまたは前記第２分類型モデルと前記更新データとの適合度が閾値より高い場合、前記出力部は、前記第２制御パラメータを該第２制御パラメータで更新された更新車両以外の車両へ出力する、請求項１０に記載の自動学習システム。

【請求項12】

前記データ格納部は、前記第２制御パラメータを用いて制御されている前記一部の列車編成からさらに更新データを収集して蓄積し、
前記第２回帰モデルまたは前記第２分類型モデルと前記更新データとの適合度が閾値より低い場合、前記出力部は、前記第２制御パラメータを前記更新車両以外の車両へ出力せず、前記パラメータ制御部は、前記更新車両の前記第２制御パラメータを前記第１制御パラメータに戻す、請求項１１に記載の自動学習システム。

【請求項13】

前記車両のそれぞれで用いられている前記第１または第２制御パラメータと、前記第１または第２制御パラメータに関連する前記車両から収集されるデータとを対比して表示する表示部をさらに備えた、請求項１から請求項１０のいずれか一項に記載の自動学習システム。

【発明の詳細な説明】

【技術分野】

【0001】

本実施形態は、自動学習システムに関する。

【背景技術】

【0002】

鉄道等の車両において、車両の経年変化、環境変化、乗客の行動様式の変化等によって、車両の製造時点では想定できない事象が生じ得る。このため、自動運転技術において、車両の様々な機器の制御に用いられる制御パラメータは、車両製造時に定義された後、恒久的に適切であるとは限らない。

【0003】

しかし、制御パラメータは、車両の制御装置に組み込まれたソフトウェアに定義されているため、制御パラメータの更新は容易ではなかった。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１６－１９４１１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

車両の状態や車両の使用環境に応じて、車両の制御パラメータを適切な状態にすることができる自動学習システムを提供する。

【課題を解決するための手段】

【0006】

本実施形態による自動学習システムは、車両を制御するために用いられる制御パラメータを有する自動学習システムである。第１自動学習装置は、データ格納部と、学習実行部と、パラメータ生成部と、出力部とを備える。データ格納部は、運行中の前記車両から収集された前記第１制御パラメータに関するデータを蓄積する。学習実行部は、データを分析して回帰モデルまたは分類型モデルを生成する。パラメータ生成部は、回帰モデルまたは分類型モデルを用いて新しい第２制御パラメータを生成する。出力部は、第２制御パラメータを出力する。第２自動学習装置は、車両に搭載され、パラメータ格納部と、パラメータ制御部と、車両制御部とを備える。パラメータ格納部は、第１自動学習装置からの第２制御パラメータを格納する。パラメータ制御部は、第１制御パラメータを第２制御パラメータで更新する。車両制御部は、第２制御パラメータを用いて車両を制御する。

【図面の簡単な説明】

【0007】

【図1】第１実施形態による自動学習システムの構成例を示すブロック図。

【図2】学習項目情報の一例を示す概念図。

【図3】第１実施形態による自動学習システムの動作例を示すフロー図。

【図4A】データ格納部内のバイナリデータの一例を示す概念図。

【図4B】バイナリデータのデータ定義情報の一例を示す概念図。

【図5A】車両の制御パラメータ格納部に格納されている制御パラメータの具体例を示す図。

【図5B】車両制御装置の制御プログラムの一部の概略を示す図。

【図6A】第１モデルと性能評価用データとの関係を示すグラフ。

【図6B】第２モデルと性能評価用データとの関係を示すグラフ。

【図7A】第２モデルと第２制御パラメータを示すグラフ。

【図7B】第２制御パラメータで更新後の制御パラメータの一例を示す図。

【図8】第２制御パラメータの配信の許可または禁止を表示する表示部の画面例を示す図。

【図9】列車編成への配信方法の変形例を示すフロー図。

【図10A】更新対象の列車編成における制御パラメータの更新状態を示す概念図。

【図10B】更新対象の列車編成における制御パラメータの更新状態を示す概念図。

【図10C】更新対象の列車編成における制御パラメータの更新状態を示す概念図。

【図11A】制御パラメータのグラフ表示の定義を示す図。

【図11B】第１制御パラメータのパラメータ性能情報を示すグラフ。

【図11C】第２制御パラメータのパラメータ性能情報を示すグラフ。

【図12】或る３つのクラスをとり得る変数を３分類する分類型モデルの一例を示す図。

【図13】第２実施形態による自動学習システムの構成例を示すブロック図。

【発明を実施するための形態】

【0008】

以下、図面を参照して本発明に係る実施形態を説明する。本実施形態は、本発明を限定するものではない。図面は模式的または概念的なものであり、各部分の比率などは、必ずしも現実のものと同一とは限らない。明細書と図面において、既出の図面に関して前述したものと同様の要素には同一の符号を付して詳細な説明は適宜省略する。

【0009】

（第１実施形態）
図１は、第１実施形態による自動学習システムの構成例を示すブロック図である。本実施形態による自動学習システム１は、車両１００と、サーバ２００とを備えている。車両１００は、例えば、鉄道を走行する複数の列車編成を構成する。図１において、車両１００を１つだけ示しているが、各列車編成は、複数の車両で構成される。また、鉄道では、複数の列車編成が運行されている。

【0010】

車両１００は、パラメータ制御装置１０９と、パラメータ格納部１１０と、車両制御装置１２０とを備える。パラメータ制御部としてのパラメータ制御装置１０９は、サーバ２００から送信される制御パラメータおよびその固有名称を受信する。パラメータ格納部１１０は、車両１００を制御するために用いられる種々の制御パラメータ１１１を格納している。パラメータ制御装置１０９は、例えば、ＰＣ（Personal Computer）等でよい。パラメータ格納部１１０は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ(Solid State Drive)等の記憶装置でよい。制御パラメータ１１１は、車両１００の駆動装置、空調装置、照明装置等を自動制御するパラメータである。従って、制御パラメータは、速度の切り替え、空調の切り替え、照明の切り替え、車両１００の速度、ノッチ切り替え、ブレーキ等のタイミングを決定する。車両制御装置１２０は、車両１００の駆動装置、空調装置、照明装置等を制御パラメータに基づいて制御する。制御パラメータは、多種に亘って設定されている。個々の制御パラメータを区別して更新可能にするために、各制御パラメータは、識別子として固有の名称が付されている。パラメータ制御装置１０９、パラメータ格納部１１０および車両制御装置１２０は、第２自動学習装置７００を構成している。

【0011】

車両１００は、例えば、空調装置１３０と、温度湿度センサ１４０と、応荷重センサ１５０とを備えている。空調装置１３０は、車両１００内の温度および湿度等を制御する。温度湿度センサ１４０は、車両１００内の温度および湿度を測定する。応荷重センサ１５０は、車両１００の荷重を測定し、乗車率を算出する。空調装置１３０の空調や風量の設定データ、温度湿度センサ１４０で測定された温度および湿度のデータ、応荷重センサ１５０で測定された荷重や乗車率データ等のデータは、車両制御装置１２０へ送信されて、空調装置１３０の制御に用いられるとともに、ネットワーク１０を介してサーバ２００に送信される。車両制御装置１２０は、制御パラメータに基づいて空調装置１３０をフィードバック制御する。例えば、制御パラメータが温度または湿度の設定値である場合、車両制御装置１２０は、温度または湿度が制御パラメータよりも高くなったときに空調装置１３０を冷房にする。制御パラメータが乗車率の設定値である場合、車両制御装置１２０は、乗車率が制御パラメータよりも高くなったときに車両１００内の温度および湿度が高くなることを想定して空調装置１３０の冷房を強運転にする。車両制御装置１２０は、例えば、ＰＣ等でよい。

【0012】

サーバ２００は、第１自動学習装置としての自動学習装置３００と、制御パラメータ生成装置４００と、制御パラメータ出力装置５００と、表示部６００とを備えている。サーバ２００は、地上側に設けられており、車両１００とネットワーク１０を介して通信可能に接続されている。

【0013】

自動学習装置３００は、車両１００からのデータを用いて、制御パラメータを算出するためのモデル（式）を自動で生成する装置である。自動学習装置３００は、データ格納部３１０と、学習実行部３２０と、学習項目格納部３３０とを備える。

【0014】

データ格納部３１０は、運行中の車両１００から収集された制御パラメータに関するデータを蓄積する。例えば、上記空調装置１３０の設定データ、車両１００内の温度データ、湿度データ、荷重データ、乗車率データ等が、車両１００からネットワーク１０を介して自動学習装置３００に受信され、データ格納部３１０に格納される。データは、車両１００で測定される全てのデータでよい。また、データは車両１００の運行中において周期的にサンプリングされ、サンプリングされるごとに即時にサーバ２００へ送信され得る。あるいは、データは、車両１００の記憶部（図示せず）に所定期間の分だけ格納しておき、所定期間経過後にサーバ２００へまとめて送信してもよい。このとき、データ格納部３１０は、データを圧縮し、バイナリ形式で蓄積する。バイナリ形式のデータは、データベースまたはＣＳＶ（Comma Separated Values）形式等のテキストのデータよりもデータ容量が小さいので、データ格納部３１０の容量を小さくすることができる。これにより、データ蓄積コストを低くすることができる。データ容量が小さいので、データ格納部３１０は、車両１００で測定される全データを格納してもよく、かつ、データ保存期間は任意でよく無期限でもよい。

【0015】

学習項目格納部３３０は、データ格納部３１０のデータから回帰モデルまたは分類型モデルを生成するために必要な情報（定義）を格納している。例えば、学習項目格納部３３０は、学習方法情報３４１と、モデル性能情報３４２と、学習開始契機情報３４３と、モデルと制御パラメータとの関係情報３４４と、回帰モデルまたは分類型モデル（単に、モデルともいう）の情報３４５とを含む。

【0016】

学習方法情報３４１は、回帰モデルおよび分類型モデルの中から選択され使用されるアルゴリズムの情報である。回帰モデルは、例えば、線形回帰、非線形回帰のいずれでもよい。学習アルゴリズムは、Ｐｙｔｈｏｎ等のプログラム言語において一般的に提供されているアルゴリズムであってもよい。あるいは、学習アルゴリズムは、独自定義したものを指定してもよい。

【0017】

モデル性能情報３４２は、学習実行部３２０で生成された回帰モデルまたは分類型モデルとデータとの適合度を示す情報である。適合度は、例えば、図２に示すように、回帰モデルに用いられる二乗誤差、あるいは、分類型モデルに用いられる適合率、再現率、Ｆ値等がある。尚、二乗誤差については小さいほど、適合度は高いものとする。また、適合率、再現率、Ｆ値については大きいほど、適合度は高いものとする。

【0018】

学習開始契機情報３４３は、学習実行部３２０がデータ分析を開始する条件を示す情報である。学習開始契機情報３４３は、例えば、図２に示すように、データ分析を開始する日時、あるいは、上記適合度の閾値でよい。設定された日時になったときに、学習実行部３２０は、データ格納部３１０のデータを用いて、データ分析を自動で開始し、モデルを生成してもよい。あるいは、既存のモデルとデータとの適合度が低下し、適合度が閾値よりも低くなった場合に、学習実行部３２０は、データ格納部３１０のデータを用いて、データ分析を自動で開始し、モデルを生成し直してもよい。

【0019】

モデルと制御パラメータとの関係情報３４４（単に、関係情報３４４ともいう）は、制御パラメータの名称とモデルに基づく制御パラメータの計算式との対応関係を示す情報である。制御パラメータの名称は、車両１００の制御パラメータで予め設定された上記名称と同じであり、あるいは、それを特定可能に関連付けられた名称である。これにより、サーバ２００側で生成された新たな制御パラメータで、車両１００側の制御パラメータを更新することができる。

【0020】

モデル３４５は、学習実行部３２０で生成された回帰モデルまたは分類型モデルである。モデル３４５は、学習実行部３２０で生成されるごとに追加され保存される。

【0021】

学習方法情報３４１、モデル性能情報３４２、学習開始契機情報３４３、関係情報３４４を含む学習項目情報３４０は、制御パラメータごとに設けられている。車両１００のパラメータ格納部１１０において、多数の制御パラメータが設定されている場合、その制御パラメータと同数の学習項目情報３４０が定義され得る。

【0022】

学習項目格納部３３０は、データ格納部３１０とは別の記憶装置であってもよく、データ格納部３１０と同一の記憶装置であってもよい。学習項目格納部３３０は、例えば、ＨＤＤ、ＳＳＤ等の記憶装置でよい。

【0023】

学習実行部３２０は、上述のとおり、それぞれの学習項目情報の定義にしたがってデータ分析（学習ともいう）を実行し、各制御パラメータに適した回帰モデルまたは分類型モデルを生成する。このとき、学習実行部３２０は、データ格納部３１０に格納されたデータのうち、制御パラメータに関連するデータのみをバイナリ形式から、例えば、ＣＳＶ形式等のテキスト形式に復元する。以下、テキストデータの一例としてＣＳＶデータを用いて説明する。制御パラメータに関連するデータ（学習データともいう）は、例えば、学習項目情報に定義された説明変数、目的変数等である。学習実行部３２０は、モデルの生成後、復元されたＣＳＶ形式のデータを廃棄してよい。これにより、データ格納部３１０の容量および学習項目格納部３３０の容量を小さくすることができる。学習実行部３２０は、例えば、ＰＣ等の演算装置でよい。

【0024】

制御パラメータ生成装置４００は、自動学習装置３００において生成されたモデル３４５を用いて、制御パラメータ４２０を生成する装置である。制御パラメータ生成装置４００は、制御パラメータ算出部４１０を備える。制御パラメータ算出部４１０は、例えば、モデル３４５の係数ａおよび図２の関係情報３４４を用いて得られる数値を制御パラメータ４２０として算出する。このとき、モデル３４５に適用される算出方法は、関係情報３４４に定義されている。また、このとき算出される制御パラメータ４２０の固有名称（識別子）も、関係情報３４４に定義されている。モデル３４５から得られた制御パラメータ４２０は、例えば、具体的数値として得られる。制御パラメータ算出部４１０は、例えば、ＣＰＵ等の演算装置でよい。

【0025】

制御パラメータ算出部４１０は、第２制御パラメータとしての制御パラメータ４２０とともに、該制御パラメータ４２０の固有名称を制御パラメータ出力装置５００へ転送する。

【0026】

出力部としての制御パラメータ出力装置５００は、制御パラメータ格納部５１０と、制御パラメータ送信部５２０とを備えている。制御パラメータ格納部５１０は、制御パラメータ生成装置４００からの制御パラメータ４２０およびその固有名称を格納する。制御パラメータ格納部５１０は、例えば、ＨＤＤ、ＳＳＤ等の記憶装置でよい。制御パラメータ送信部５２０は、制御パラメータ４２０およびその固有名称を車両１００のパラメータ格納部１１０へ送信する。

【0027】

制御パラメータ送信部５２０は、ネットワーク１０を介してオンラインで、制御パラメータ４２０およびその固有名称を車両１００へ送信してもよい。あるいは、制御パラメータ送信部５２０は、制御パラメータ送信部５２０に通信可能に接続された電子記録媒体（例えば、ＵＳＢメモリ、ＳＤカード）に制御パラメータ４２０およびその固有名称を一旦出力し、電子記録媒体を介して制御パラメータ４２０およびその固有名称を車両１００へ格納してもよい。この場合、車両１００とサーバ２００との通信接続が切断されているようなオフライン状態であっても、パラメータ格納部１１０の制御パラメータは、電子記録媒体を介して更新することができる。

【0028】

パラメータ制御装置１０９は、サーバ２００側から送信されてきた新しい制御パラメータを受信し、パラメータ格納部１１０は、その新しい制御パラメータを格納する。このとき、パラメータ制御装置１０９は、新しい制御パラメータと同一の固有名称を有する制御パラメータを、新しい制御パラメータで更新する。車両制御装置１２０は、パラメータ格納部１１０に格納された新しい制御パラメータを用いて車両１００を制御する。

【0029】

表示部６００は、制御パラメータ４２０、モデル３４５、車両１００の情報等の様々な情報を表示する。また、表示部６００は、複数の列車編成の複数の車両１００のそれぞれで用いられている制御パラメータと、制御パラメータに関連するデータとを対比して表示してもよい。表示部６００は、例えば、ユーザインタフェースを兼ねたタッチパネルディスプレイでもよい。また、図示しないが、表示部６００とは別に、ユーザインタフェースが設けられていてもよい。

【0030】

図２は、学習項目情報の一例を示す概念図である。この学習項目情報では、説明変数ｘが乗車率であり、目的変数ｙが１０分後の湿度である。学習アルゴリズムは、線形回帰ｙ＝ａ×ｘである。ａは係数である。学習アルゴリズムの目的変数ｙは、車両１００の或る乗車率ｘに対して、１０分後の湿度を示している。学習データ期間は、学習実行部３２０がデータ分析を実行する日（学習日）よりも３０日前から１日前までの期間である。学習実行部３２０は、学習データ期間に実測された乗車率および湿度のデータを学習アルゴリズムに適用し、係数ａを算出する。

【0031】

このとき、学習データフィルタ条件は、例えば、「ドアが閉状態であること」である。学習データフィルタ条件は、学習実行部３２０における分析（学習）に用いられるデータの条件である。例えば、学習データフィルタ条件が「ドアが閉状態であること」である場合、ドアが閉状態であるときに測定された乗車率および湿度のデータが用いられる。逆に、ドアが開状態であるときに測定された乗車率および湿度のデータは除去される。車両１００のドア（図示せず）の開閉状態は、車両制御装置１２０からドアへの指令、あるいは、ドアに設置されたセンサによってわかる。

【0032】

学習アルゴリズムは、回帰モデルまたは分類型モデルの具体的なモデル（式）を示す。本実施形態では、学習アルゴリズムは、例えば、ｙ＝ａ×ｘという線形回帰モデルである。学習アルゴリズムは、このモデル以外の線形回帰モデルであってもよく、非線形回帰モデルであってもよい。さらに、学習アルゴリズムは、分類型モデルであってもよい。

【0033】

学習対象編成は、制御パラメータ４２０の更新対象である列車編成の情報を示す。例えば、学習対象編成がＡ００１編成およびＡ００２編成である場合、学習実行部３２０は、学習データ期間においてＡ００１編成およびＡ００２編成から得られたデータ（例えば、乗車率、湿度、時刻）を用いて、回帰モデルの係数ａを算出する。このとき、Ａ００１編成およびＡ００２編成のドアが閉状態のときに測定されたデータが抽出される。

【0034】

モデル性能情報３４２は、上述のとおり、回帰モデルまたは分類型モデルとデータとの適合度を示す。モデル性能情報３４２は、例えば、学習アルゴリズムが回帰モデルである場合、モデル性能情報３４２は、回帰モデル（ｙ＝ａ×ｘ）に対する各データの二乗誤差であってもよい。学習アルゴリズムが分類型モデルである場合、モデル性能情報３４２は、分類型モデルに対する各データの適合率、再現率、Ｆ値であってもよい。二条誤差、適合率、再現率、Ｆ値は、ユーザによって選択可能となっている。モデル性能情報３４２は、新たに生成された制御パラメータ４２０を車両１００や列車編成に適用するか否かの判断に用いられる。

【0035】

学習開始契機情報３４３は、上述のとおり、学習実行部３２０がデータ分析を開始する条件を示す。学習開始契機情報３４３は、例えば、特定日または性能低下である。特定日または性能低下は、ユーザによって選択可能である。特定日が選択されかつ「毎月１日」である場合、学習実行部３２０は、毎月の１日になると、データ格納部３１０のデータおよび学習方法情報３４１を用いて自動でデータ分析を実行し、新たなモデルを生成する。あるいは、性能低下が選択されかつ「Ｐ％；前日データ」である場合、学習実行部３２０は、前日のデータと既存のモデルとの適合度を算出する。前日のデータが既存のモデルからＰ％以上乖離している場合、学習実行部３２０はモデル性能が低下しているものと判断する。この場合、学習実行部３２０は、データ格納部３１０のデータおよび学習方法情報３４１を用いて自動でデータ分析を実行し、新たなモデルを生成する。

【0036】

関係情報３４４は、上述のとおり、制御パラメータの名称と回帰モデルまたは分類型モデルに基づく制御パラメータの計算式との対応関係を示す。関係情報３４４は、例えば、制御パラメータ名と制御パラメータの計算方法との関係を示す。図２では、制御パラメータ名が「ｐａｒａｍ００１」であり、それに対応する計算方法が「１０／ａ」である。即ち、制御パラメータ「ｐａｒａｍ００１」は、式１で表される。
ｐａｒａｍ００１＝１０／ａ （式１）
この制御パラメータｐａｒａｍ００１は、説明変数ｘおよび目的変数ｙの定義によれば、データ測定時から１０分後の湿度上昇が１０％となる乗車率を表している。即ち、乗車率が制御パラメータｐａｒａｍ００１を超えた場合に、その１０分後には湿度が１０％上昇すると推定される。これにより、制御装置１２０は、乗車率に応じて、湿度の上昇を抑制するように予め空調装置１３０を切り替えることができる。

【0037】

制御パラメータ算出部４１０は、学習実行部３２０で生成されたモデルから式１を算出する。これにより、制御パラメータ「ｐａｒａｍ００１」の具体的数値が得られる。例えば、学習によって得られる係数ａが０．２５６である場合、制御パラメータ算出部４１０は、式１の係数ａに０．２５６を代入し、制御パラメータｐａｒａｍ００１を計算する。制御パラメータｐａｒａｍ００１＝３９％ となる。これは、乗車率が３９％の場合に、車両１００内の湿度が１０分後に１０％上昇することを意味する。尚、モデルと制御パラメータとの関係情報３４４は、多数存在する場合もあるので、プログラムで記述されてもよい。

【0038】

次に、本実施形態による自動学習システム１の動作について説明する。

【0039】

図３は、第１実施形態による自動学習システム１の動作例を示すフロー図である。まず、サーバ２００が車両１００から様々な測定データを受信してデータ格納部３１０にバイナリ形式で圧縮して格納する（Ｓ１０）。データは、例えば、車両１００の温度、湿度、乗車率、ドアの開閉状態、日時等である。これらのデータは、周期的にサンプリングされ、日時に関連付けられてデータ格納部３１０に格納される。バイナリ形式データ（以下、バイナリデータは、データ格納部３１０内において、例えば、月ごとまたは日ごとにフォルダで区分けしてまとめられている。さらに、バイナリデータは、各データの項目または各データの属性ごとにフォルダで区分けしてまとめられている。

【0040】

図４Ａは、データ格納部３１０内のバイナリデータの一例を示す概念図である。データは、測定された特定期間ごとに個別のフォルダに格納されている。例えば、データは、測定された月ごとに個別のフォルダに格納されている。さらに、データは、そのデータが関連する機器（属性）ごとに個別のフォルダに格納されている。例えば、空調に関するデータ、ブレーキに関するデータ、主回路に関するデータ、ドアに関するデータがそれぞれ個別のフォルダに格納されている。

【0041】

図４Ｂは、バイナリデータのデータ定義情報の一例を示す概念図である。バイナリデータのデータ項目およびそのデータに関連する機器（属性）は、データ格納部３１０の外部から判別できるようにデータ定義情報で定義されている。例えば、データ項目「外気温」、「湿度」、「空調運転モード」は、機器「空調」に関連する。データ項目「ドア開閉モード」は、機器「ドア」に関連する。データ定義情報によって、学習実行部３２０は、学習方法情報３４１の各項目に関連するデータをデータ格納部３１０から抽出することができる。

【0042】

尚、バイナリデータの格納の手法は、これに限定されない。従って、データ格納部３１０は、日ごとあるいは時間ごとにデータを個別のフォルダに格納してもよい。また、データ格納部３１０は、属性より詳細なデータ項目ごとに個別のフォルダに格納してもよい。このように、データをフォルダごとに区分けして格納することによって、学習実行部３２０が所望のデータにアクセスし易くなる。

【0043】

次に、学習実行部３２０は、学習項目格納部３３０の学習項目情報３４０を参照する。このとき、図２の学習開始契機情報３４３に合致した学習項目情報がある場合（Ｓ２０のＹＥＳ）、学習実行部３２０は、自動的に学習を開始する。例えば、或る月の１日である場合、学習実行部３２０は、図２の学習項目情報に従ってデータ分析を開始する。学習開始契機情報３４３に合致した学習項目情報が無い場合（Ｓ２０のＮＯ）、学習実行部３２０は、データ解析を実行することなく学習を終了する。

【0044】

データ分析を開始すると（Ｓ２０のＹＥＳ）、学習実行部３２０は、学習方法情報３４１の定義に従ってバイナリデータをデータ格納部３１０から抽出する（Ｓ３０）。例えば、学習実行部３２０は、説明変数ｘのデータ項目として「乗車率」、目的変数ｙのデータ項目として「湿度」、学習データフィルタ条件のデータ項目として「ドア開閉モード」を図４Ｂのデータ定義情報で検索し、それぞれのデータ項目に対応する機器（属性）「空調」、「ブレーキ」、「ドア」を特定する。さらに、学習実行部３２０は、学習方法情報３４１の学習対象編成および学習データ期間に従って、データ格納部３１０から「Ａ００１編成」および「Ａ００２編成」、かつ、「学習日より３０日前～学習日より１日前」のフォルダの中から、図４Ａの機器「空調」、「ブレーキ」、「ドア」のフォルダを特定する。そして、学習実行部３２０は、この「空調」、「ブレーキ」、「ドア」のフォルダからバイナリデータを抽出する。

【0045】

次に、学習実行部３２０は、抽出されたバイナリデータをＣＳＶデータに展開する（Ｓ４０）。本実施形態において、学習実行部３２０は、学習に必要なデータに限定して展開する。よって、ＣＳＶデータを一時的に格納するために必要なメモリ容量は、全データを展開するために必要な容量よりもかなり小さくすることができる。また、展開後のＣＳＶデータを読み込むために必要なメモリの容量も比較的小さくて済む。尚、効率化のために、さらに他の圧縮フォーマットを用いてもよい。

【0046】

次に、学習実行部３２０は、図２で指定された学習方法情報３４１を用いて展開されたＣＳＶデータを分析（学習）し、モデル（以下、第２モデル）を生成する（Ｓ５０）。このとき、学習実行部３２０は、展開されたＣＳＶデータを学習用データと性能評価用データとに分割する。学習実行部３２０は、学習用データおよび学習方法情報３４１を用いて第２モデルおよび係数ａ等を算出する。例えば、学習実行部３２０は、まず学習アルゴリズムとして線形回帰を用いて、乗車率と測定時から１０分後の湿度データの関係を式ｙ＝ａ×ｘとしてモデル化する。ｙは測定時から１０分後の湿度、ｘは乗車率、ａは係数である。なお、通常は切片が存在するがここでは省略する。モデル化のため、まず学習実行部３２０は、乗車率データを保持したベクトルＸと、乱数等によって決まる重みパラメータｗを用いて、１０分後の湿度データ予測値ベクトルＹ´を式２のように算出する。
Ｙ´＝Ｘ×ｗ （式２）

【0047】

次に、学習実行部３２０は、１０分後の湿度データベクトルＹと、１０分後の湿度データ予測値ベクトルＹ´から二乗誤差Ｅをもとめる。

【0048】

次に、学習実行部３２０は、二乗誤差Ｅが小さくなるよう、勾配降下法等によりパラメータｗの値を更新する。学習実行部３２０はこの計算を繰り返すこととで、二乗誤差Ｅが最小となるパラメータｗを求め、その値を係数ａとする。学習用データが少なすぎるとａ×ｘによる推定精度が低下するので、学習用データは、或る程度多い方がよい。係数ａが決まると、第２モデルがｙ＝ａ×ｘが決まる。例えば、上記のように、ａ＝０．２５６であった場合、第２モデルは、ｙ＝０．２５６×ｘとなる。

【0049】

係数ａが決まると、第２モデルとしてｙ＝ａ×ｘが決まる。例えば、上記のように、ａ＝０．２５６であった場合、第２モデルは、ｙ＝０．２５６×ｘとなる。

【0050】

次に、学習実行部３２０は、生成された第２モデルに性能評価用データを入力し、該第２モデルとデータとの適合度を示すモデル性能情報を計算する（Ｓ６０）。モデル性能情報３４２は、例えば、二乗誤差、正解率、適合率、再現率、Ｆ値等から選択される。回帰モデルの場合には、二乗誤差が用いられる。このとき得られたモデル性能情報は、生成した第２モデルに関連付けられて学習項目格納部３３０に格納される。

【0051】

尚、モデル性能情報に閾値を予め設定しておき、第２モデルとデータとの適合度が閾値よりも低い場合に、学習実行部３２０は、その第２モデルを破棄してもよい。モデル性能情報の閾値は、学習項目格納部３３０に格納すればよい。

【0052】

次に、学習実行部３２０は、車両１００に既に適用されている現バージョンのモデル（以下、第１モデル）を、学習項目格納部３３０より読み出す。また、学習実行部３２０は、第２モデルに対するモデル性能情報と同様に、同一の性能評価用データを用いて第１モデルについてモデル性能情報を計算する（Ｓ７０）。さらに、学習実行部３２０は、性能評価用データに対する第１モデルの適合度を示す第１モデル性能情報と、性能評価用データに対する第２モデルの適合度を示す第２モデル性能情報とを比較する（Ｓ８０）。

【0053】

第２モデル性能情報が第１モデル性能情報よりも適合度において高い場合（Ｓ８０のＹＥＳ）、制御パラメータ算出部４１０は、モデルと制御パラメータの関係情報３４４に、第２モデルを適用して、新しい制御パラメータ（第２制御パラメータ）を生成する（Ｓ９０）。この場合、第２制御パラメータは、制御パラメータ格納部５１０に保存され、制御パラメータ送信部５２０から車両１００へ送信される（Ｓ１００）。第２制御パラメータは、パラメータ制御装置１０９で受信され、パラメータ格納部１１０に格納される。パラメータ制御装置１０９は、第１制御パラメータを第２制御パラメータで更新する（Ｓ１１０）。尚、適合度が高い場合とは、回帰モデルの二乗差が小さいこと、あるいは、分類型モデルの適合率、再現率、Ｆ値が大きいことを意味するが、他の指標であっても良い。また、第１モデル作成時の性能評価用データに対する第２モデルの適合度を求め、第１モデル作成時の第１モデルの適合度と比較することによって、第２モデルの汎化性能をより厳密に検証してもよい。

【0054】

第２モデル性能情報が第１モデル性能情報よりも適合度において低い場合（Ｓ８０のＮＯ）、制御パラメータ算出部４１０は、第２制御パラメータを生成しない。この場合、車両制御装置１２０は、既存の第１制御パラメータを更新せずにそのまま用いて車両１００を制御する（Ｓ１２０）。このとき、第２モデルおよび第２制御パラメータは、破棄してよい。
その後、自動学習システム１は、図３の学習および制御パラメータの更新を繰り返し実行する。これにより、車両１００の車両の経年変化、環境変化、乗客の行動様式の変化等に適応した制御パラメータへ自動更新することができる。

【0055】

（制御パラメータ）
例えば、図５Ａは、車両１００のパラメータ格納部１１０に格納されている制御パラメータの具体例を示す図である。図５Ｂは、車両制御装置１２０の制御プログラムの一部の概略を示す図である。

【0056】

空調装置１３０は、冷房を強力に効かせる冷房強運転モードと、冷房を弱めに効かせる冷房弱運転モードとを自動で切り換えることができるとする。この冷房強運転モードと冷房弱運転モードとの切り替え条件は、既存の知見より、１０分後の車内湿度が１０％以上上昇する乗車率によって規定されている。この乗車率（第１制御パラメータ）は、図５Ａに示す制御パラメータ名「ｐａｒａｍ００１」に定義されており、現状、４０％に設定されている。この乗車率４０％は、第１制御パラメータとして車両１００のパラメータ格納部１１０に、制御パラメータ名「ｐａｒａｍ００１」に関連付けられて格納されている。図５Ａには、その他の制御パラメータ「ｐａｒａｍ００２」、・・・「ｐａｒａｍＸＸＸ」が設定されているが、ここでは、制御パラメータ「ｐａｒａｍ００１」に着目する。

【0057】

図５Ｂでは、もし、乗車率が「ｐａｒａｍ００１」で設定された４０％を超えた場合に、車両制御装置１２０は、空調モードを切り替えることを記述している。図５Ｂでは、空調モードについての記述は、省略されているが、本実施形態では、乗車率が４０％を超えた場合に、車両制御装置１２０は、空調装置１３０を冷房強運転モードに切り替えるものとする。

【0058】

図３のステップＳ１１０において、既存の制御パラメータ（第１制御パラメータ）「ｐａｒａｍ００１」を第２制御パラメータで更新する場合、図５Ａのパラメータ格納部１１０の「ｐａｒａｍ００１」に定義された乗車率「Ｖａｌｕｅ＝４０」を第２制御パラメータの数値に更新すればよい。

【0059】

図５Ａの「ｐａｒａｍ００１」で設定された「ｍａｘ」は、乗車率の上限を示し、「ｍｉｎ」は、乗車率の下限を示す。乗車率の単位は、パーセントであるので、「ｍａｘ＝１００」であり、「ｍｉｎ＝０」である。制御パラメータの更新において、第２制御パラメータが０～１００％以外の異常値である場合、第２制御パラメータは破棄する。このように、パラメータ格納部１１０は、第２制御パラメータの異常値を除くために、制御パラメータの上限値および下限値の設定も格納している。尚、制御パラメータの上限値および下限値は、安全面を考慮して更新されないように固定化することが好ましい。

【0060】

（モデル性能情報）
図６Ａは、第１モデルＭ１と性能評価用データＤとの関係を示すグラフである。ステップＳ７０において、第１モデルについてモデル性能情報を計算する。このとき、第１モデルＭ１と性能評価用データＤとの関係は、図６Ａのグラフのようになる。第１モデルＭ１の係数ａは、例えば、０．１８であり、第１モデル性能情報としての誤差率は、例えば、０．０２である。

【0061】

図６Ｂは、第２モデルＭ２と性能評価用データＤとの関係を示すグラフである。ステップＳ６０において、第２モデルについてモデル性能情報を計算する。このとき、第２モデルＭ２と性能評価用データＤとの関係は、図６Ｂのグラフのようになる。第２モデルＭ２の係数ａは、例えば、０．２５６であり、第２モデル性能情報としての誤差率は、例えば、０．０１である。

【0062】

第１および第２モデル性能情報を比較すると、第２モデル性能情報の誤差率は、第１モデル性能情報の誤差率よりも低い。即ち、第２モデル性能情報は、第１モデル性能情報よりも適合度において高い。よって、この場合、ステップＳ９０において、制御パラメータ算出部４１０は、新しい第２制御パラメータを生成し、第１制御パラメータは第２制御パラメータで更新される。

【0063】

（制御パラメータの更新）
図７Ａは、第２モデルＭ２と第２制御パラメータを示すグラフである。図７Ｂは、第２制御パラメータで更新後の制御パラメータの一例を示す図である。

【0064】

ステップＳ１１０において、第１制御パラメータを第２制御パラメータで更新する場合、パラメータ制御装置１０９は、パラメータ名でパラメータ格納部１１０を検索し、同一のパラメータ名を有する制御パラメータを更新する。例えば、第２制御パラメータのパラメータ名が「ｐａｒａｍ００１」である場合、パラメータ制御装置１０９は、パラメータ格納部１１０内の「ｐａｒａｍ００１」を検索して、それに対応する既存の第１制御パラメータを更新する。図５Ａに示すように第１制御パラメータが４０％であり、図７Ａに示すように第２制御パラメータが３９％（＝１０／０．２５６）である場合、車両制御装置１２０は、図７Ｂに示すように、「ｐａｒａｍ００１」の４０％を３９％へ変更する。これにより、乗車率が３９％を超えたときに、１０分後の湿度は１０％上昇すると推測されるので、車両制御装置１２０は、空調装置１３０を冷房強運転モードへ切り替える。

【0065】

尚、第１制御パラメータと第２制御パラメータとが同一値である場合には、第１制御パラメータは、第２制御パラメータで更新する必要はない。

【0066】

（制御パラメータの更新の承認）
第２制御パラメータは、制御パラメータ出力装置５００から複数の車両１００へ送信されてもよい。例えば、図８は、第２制御パラメータの配信の許可または禁止を表示する表示部６００の画面例を示す図である。配信対象は、第２制御パラメータを配信する列車編成を示す。この例では、編成Ｐ４５１５およびＰ５４４２が配信対象となっている。

【0067】

モデル性能情報は、第１および第２モデルのそれぞれのモデル性能情報を示している。図６Ａおよび図６Ｂでは、モデル性能情報は、誤差率で示されているが、図８では、正解率で示されている。表示部６００に表示されるモデル性能情報は、特に限定されず、図２に示すモデル性能情報３４２のいずれを表示してもよい。ここでは、第２モデルの正解率が第１モデルの正解率よりも高い。従って、第２モデルの適合度が第１モデルの適合度よりも高い。

【0068】

さらに、表示部６００は、第２制御パラメータを上記列車編成の車両へ配信するか否かを選択できるアイコンを表示している。第２制御パラメータを配信する場合、ユーザは、「配信する」のアイコンを選択する。第２制御パラメータを配信しない場合、ユーザは、「配信しない」のアイコンを選択する。このように、ユーザが第２制御パラメータの配信の許可または禁止を選択可能にしてもよい。

【0069】

一般的に、鉄道事業者は車両の挙動が変化するような更新を行う場合、鉄道事業者内での承認を得る必要がある。従って、本実施形態による自動学習システム１は、第２制御パラメータを送信する際に、鉄道事業者に承認を促す画面を表示させることが好ましい。これにより、鉄道事業者の承認を得てから制御パラメータを更新することができる。その結果、車両１００の運行の安全を確保することができる。

【0070】

また、サーバ２００は、複数の列車編成と通信可能に接続されている。図８に示すように、制御パラメータ出力装置５００は、第２制御パラメータを、複数の列車編成のうち予め設定された一部の列車編成に出力してもよい。あるいは、制御パラメータ出力装置５００は、第２制御パラメータを、通信接続された全ての列車編成に出力してもよい。この場合、各列車編成のパラメータ制御装置１０９は、配信された第２制御パラメータを受信すると、その第２制御パラメータの固有名称をパラメータ格納部１１０において検索する。第２制御パラメータの固有名称と一致する固有名称がある場合、その固有名称に対応する第１制御パラメータを第２制御パラメータで更新する。第２制御パラメータの固有名称と一致する固有名称が無い場合、その車両の制御パラメータは更新しない。

【0071】

複数の制御パラメータの更新が、同じタイミングで実行される場合がある。この場合、多数の制御パラメータの更新の承認が同時に必要になる。鉄道事業者が各制御パラメータの更新を個別に許可することは煩雑になる可能性がある。そこで、表示部６００は、一定期間内に発生した複数の制御パラメータの更新処理について、一括承認を行うように設定してもよい。

【0072】

さらに、同一形式の列車編成であっても、管轄の車両区が異なる場合がある。この場合、表示部６００は、車両区単位で列車編成を指定し、制御パラメータの配信を承認してもよい。このとき、表示部６００は、所定の車両区だけでなく、任意の車両区を選択して制御パラメータの配信を承認できるようにしてもよい。

【0073】

さらに、制御パラメータによっては、鉄道事業者の承認を省略できる。この場合、表示部６００は、図８の「配信する」、「配信しない」とのアイコンの表示を省略し、承認をスキップしてもよい。

【0074】

このように、本実施形態によれば、車両１００の製造時において想定していなかった機器の制御パラメータについても、一意の固有名称（識別子）を付与してパラメータ格納部１１０に登録しておくことによって、特定の制御パラメータに限定することなく、更新され得る。これにより、パラメータ格納部１１０に設定された全ての制御パラメータは、外部のサーバ２００からの新しい制御パラメータで更新することができる。新しい制御パラメータは、車両からの測定データを用いて、サーバ２００の自動学習によって得られるモデルから生成され得る。つまり、制御パラメータは、サーバ２００の自動学習と、車両１００の制御パラメータの検索および更新によって自動で更新され得る。

【0075】

制御パラメータの更新は、このように自動で実行してもよいが、ユーザが手作業で実行してもよい。制御パラメータの識別子には、jsonやxml等のデータ形式を含めてもよい。制御パラメータは、識別子と一対一に対応していてもよいが、１つの識別子に複数の制御パラメータが対応していてもよい。

【0076】

さらに、同一列車編成の複数の車両には、同一の機器が搭載されることが一般的である。従って、制御パラメータの識別子は、車両ごとに更新を可能とするために、例えば、車両番号と固有名称との組み合わせでもよい。

【0077】

（列車編成への配信方法の変形例）
一般に、自動学習によって生成されたモデルは、過去のデータに対する適合度を検証することは可能である。しかし、将来のデータに対する適合度は不明である。そのため、自動学習システム１によって生成された第２モデルおよび第２制御パラメータの性能は、車両１００に適用するまで知ることはできない。このような状況において、制御パラメータの更新対象の列車編成の全てに第２制御パラメータを一斉に配信した場合、第２制御パラメータの性能が悪い場合には、列車編成に大きな障害を引き起こすリスクがある。

【0078】

そこで、本変形例による自動学習システム１は、鉄道事業者の承認後、予め登録された一部の列車編成のみに第２制御パラメータを配信する。そして、第２制御パラメータの性能を確認した後、更新対象の残りの列車編成に第２制御パラメータを配信するか否かを決定する。

【0079】

図９は、列車編成への配信方法の変形例を示すフロー図である。図１０Ａ～図１０Ｃは、更新対象の列車編成における制御パラメータの更新状態を示す概念図である。

【0080】

まず、図３のステップＳ１０～Ｓ１２０を実行する。このとき、ステップＳ１００において、制御パラメータ出力装置５００は、第２制御パラメータを、更新対象の列車編成のうち一部の列車編成へ配信する。更新対象の列車編成のうち一部の列車編成の第１制御パラメータが第２制御パラメータで更新される。例えば、図１０Ａに示すように、列車編成Ｔ１～Ｔ５のうち一部の列車編成Ｔ１、Ｔ２の第１制御パラメータＰ１が第２制御パラメータＰ２で更新される。

【0081】

次に、データ格納部３１０は、第２制御パラメータを用いて制御されている一部の列車編成からさらに更新データを収集して蓄積する（Ｓ１３０）。

【0082】

次に、更新データを用いて、第２モデルのモデル性能情報を計算する（Ｓ１４０）。このモデル性能情報の計算方法は、図３のステップＳ６０と同じでよい。このとき、学習実行部３２０は、第２モデルと更新データとを用いてモデル性能情報（更新モデル性能情報ともいう）を計算する。

【0083】

次に、学習実行部３２０は、第２モデルと更新データとの適合度（即ち、更新モデル性能情報）と閾値とを比較する（Ｓ１５０）。更新モデル性能情報が閾値より高い場合（Ｓ１５０のＹＥＳ）、第２制御パラメータの性能が良好であることを示す。従って、制御パラメータ出力装置５００は、第２制御パラメータを、更新対象の列車編成のうち他の列車編成（更新済み列車編成以外の列車編成）へ出力し配信する（Ｓ１６０）。これにより、更新対象の全ての列車編成の第１制御パラメータが、第２制御パラメータへ更新される。例えば、図１０Ｂに示すように、列車編成Ｔ１～Ｔ５の全ての第１制御パラメータＰ１が第２制御パラメータＰ２で更新される。

【0084】

一方、第２モデルと更新データとの適合度（即ち、更新モデル性能情報）が閾値より低い場合（Ｓ１５０のＮＯ）、第２制御パラメータの性能が悪いことを示す。従って、制御パラメータ出力装置５００は、第２制御パラメータを、更新対象の列車編成のうち他の列車編成（更新済み列車編成以外の列車編成）へ出力しない。また、車両１００のパラメータ制御装置１０９は、更新車両の第２制御パラメータを第１制御パラメータに戻す（Ｓ１７０）。例えば、図１０Ｃに示すように、列車編成Ｔ１、Ｔ２の第２制御パラメータＰ２が第１制御パラメータＰ１に戻され、列車編成Ｔ３～Ｔ５は、第１制御パラメータＰ１のまま維持される。尚、図１０Ａ～図１０Ｃの情報は、表示部６００に表示してもよい。これにより、ユーザは、いずれの列車編成または車両の制御パラメータが更新済みか未更新かを一目で把握することができる。

【0085】

（パラメータ性能情報の可視化）
表示部６００は、第１および第２制御パラメータごとに、パラメータ性能情報をグラフで表示してもよい。例えば、図１１Ａは、制御パラメータ「ｐａｒａｍ００１」のグラフ表示の定義を示す図である。表示部６００は、制御パラメータの固有名称、グラフのＸ軸、グラフのＹ軸、および、グラフ形式の入力画面を表示する。ユーザは、これらの項目を入力する。図１１Ａでは、例えば、制御パラメータ「ｐａｒａｍ００１」について、乗車率と湿度との関係を散布図で表示するように入力されている。

【0086】

その結果、図１１Ｂおよび図１１Ｃに示すように、表示部６００は、制御パラメータ「ｐａｒａｍ００１」の第１および第２制御パラメータＰ１、Ｐ２のそれぞれについて、乗車率と湿度との関係を示すグラフを表示する。図１１Ｂは、第１制御パラメータＰ１のパラメータ性能情報を示すグラフである。図１１Ｃは、第２制御パラメータＰ２のパラメータ性能情報を示すグラフである。図１１Ｂのデータは、第１制御パラメータＰ１を使用したときの測定データであり、図１１Ｃのデータは、第２制御パラメータＰ２を使用したときの測定データである。

【0087】

図１１Ｂに示すように、第１制御パラメータＰ１では、乗車率が上昇すると、それとともに湿度が高くなっている。これは、乗客が不快を感じることになり、空調装置１３０の制御が適切でないことを示している。つまり、第１制御パラメータＰ１が現状の車両１００に適合していないことを意味する。一方、図１１Ｃに示すように、第２制御パラメータＰ２では、乗車率が上昇しても、湿度はあまり変わらず一定に近い。これは、乗客が不快でなく、空調装置１３０の制御が適切であることを示している。つまり、第２制御パラメータＰ２が現状の車両１００に適合していることを意味する。

【0088】

このように、表示部６００が、制御パラメータの各バージョンに対応するデータをグラフ表示して可視化する。これにより、ユーザは、制御パラメータの性能を視覚的に容易に把握することができる。グラフの並べ方やレイアウトは、任意に変更してよい。グラフは、散布図のほか、度数分布表、箱ひげ図、折れ線グラフ等を指定可能としてもよい。さらに、表示部６００は、グラフに補助線などを重ねて表示してもよい。

【0089】

（分類型モデル）
上記実施形態において、自動学習システム１は、学習アルゴリズムとして回帰モデルを用いている。しかし、自動学習システム１は、分類型モデルを用いてもよい。例えば、図１２は、或る３つのクラスＣ０～Ｃ２をとり得る変数を３分類する分類型モデルの一例を示す図である。この例では、分類型モデルとして、決定木モデルを採用している。勿論、本実施形態は、決定木モデル以外の分類型モデルを採用してもよい。

【0090】

始端ノードからクラスＣ２までの条件を制御パラメータとする。この場合、学習実行部３２０および制御パラメータ算出部４１０は、始端ノードから終端ノードのクラスＣ２までのパス上に存在する分岐条件を、一連の制御パラメータとして取り出す。モデルと制御パラメータの関係情報３４４は、このような制御パラメータを取り出すプログラムである。この制御パラメータの固有名称を、例えば、「ｐａｒａｍ９９９」とし、要素ごとの区切り文字を：とすると、制御パラメータは、式３で表される。
ｐａｒａｍ９９９ ＝ ａ＞３：ｂ＞２０：ａ＞１０ （式３）
決定木モデルは、同じ変数が複数の階層で繰り返し用いられ得るため、正規化されたテーブルを用いて制御パラメータを表現することができない。そのため、始端ノードと終端ノードに至るルート上の分岐要素を、配列として格納する必要がある。

【0091】

以上のように、本実施形態による自動学習システム１は、列車編成の走行時に収集されるデータを自動学習して回帰モデルあるいは分類型モデルを生成し、そのモデルを用いて新しい第２制御パラメータを生成する。この第２制御パラメータを定期的に継続的に生成し、既存の第１制御パラメータを更新することによって、車両１００の機器は、その時点の環境および状況に適合した制御パラメータで制御され得る。

【0092】

制御パラメータは、車両１００のパラメータ格納部１１０において予め設定されており、それぞれ固有名称（識別子）を有する。これにより、制御パラメータの固有名称をもとに、既存の制御パラメータを新しい制御パラメータに更新（バージョンアップ）することができる。車両制御装置１２０は、パラメータ格納部１１０に格納されている制御パラメータを用いて車両１００の機器を制御する。従って、制御パラメータを更新する際に、ユーザは、車両制御装置１２０の制御用プログラム自体を変更する必要はなく、サーバ２００が自動学習によって制御パラメータを適切な値に自動で更新または維持することができる。

【0093】

車両１００から収集される測定データは、バイナリ形式でデータ格納部３１０に格納される。従って、データ格納部３１０のデータ容量を小さくすることができる。

【0094】

さらに、本実施形態の自動学習システム１は、新しい第２制御パラメータを一部の列車編成に適用して、その一部の列車編成から収集された更新データから第２制御パラメータ、（即ち、第２モデル）の適合度を検証する。その後、自動学習システム１は、第２制御パラメータを、更新対象の全ての列車編成に適用する。これにより、第２制御パラメータが実際には車両１００に適切でなかった場合であっても、列車編成の運用や保守に与える影響およびリスクを最小限に抑えることができる。

【0095】

（第２実施形態）
図１３は、第２実施形態による自動学習システム１の構成例を示すブロック図である。第１実施形態では、サーバ２００が地上に設置されている。これに対し、第２実施形態では、サーバ２００が車両１００に搭載されている。車両１００内の機器やセンサによって生成されるデータは、外部へ送信されず、車両１００内で処理される。第２実施形態のその他の構成および動作は、第１実施形態と同様である。よって、第２実施形態は、第１実施形態と同様の効果を得ることができる。

【0096】

本実施形態による自動学習システム１におけるデータ処理方法の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、データ処理方法の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ－ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。また、データ処理方法の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

【0097】

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同様に、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ものである。

【符号の説明】

【0098】

１ 自動学習システム、１００ 車両、２００ サーバ、１０９ パラメータ制御装置、１１０ パラメータ格納部、１２０ 車両制御装置１２０ 空調装置、１４０ 温度湿度センサ、１５０ 応荷重センサ、３００ 自動学習装置、４００ 制御パラメータ生成装置、５００ 制御パラメータ出力装置、６００ 表示部

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5A】

【図5B】

【図6A】

【図6B】

【図7A】

【図7B】

【図8】

【図9】

【図10A】

【図10B】

【図10C】

【図11A】

【図11B】

【図11C】

【図12】

【図13】