知財求人 - 知財ポータルサイト「IP Force」
▶ トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティドの特許一覧 ▶ ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンの特許一覧
特許7299977接続および自動化された車両の予測最適制御を可能にするためのＶ２Ｘデータ拡張に基づくニューラルネットワークを使用する車両速度予測器
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-06-20
(45)【発行日】2023-06-28
(54)【発明の名称】接続および自動化された車両の予測最適制御を可能にするためのＶ２Ｘデータ拡張に基づくニューラルネットワークを使用する車両速度予測器
(51)【国際特許分類】
G08G 1/00 20060101AFI20230621BHJP
G06N 20/00 20190101ALI20230621BHJP
G06N 3/04 20230101ALI20230621BHJP
【ＦＩ】
G08G1/00 D
G06N20/00 130
G06N3/04
【請求項の数】
15
(21)【出願番号】P 2021519819
(86)(22)【出願日】2019-10-15
(65)【公表番号】
(43)【公表日】2022-01-13
(86)【国際出願番号】 US2019056397
(87)【国際公開番号】W WO2020081611
(87)【国際公開日】2020-04-23
【審査請求日】2021-08-23
(31)【優先権主張番号】16/162,256
(32)【優先日】2018-10-16
(33)【優先権主張国・地域又は機関】US
(73)【特許権者】
【識別番号】507342261
【氏名又は名称】トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド
(73)【特許権者】
【識別番号】511000957
【氏名又は名称】ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガン
【氏名又は名称原語表記】ＴＨＥ ＲＥＧＥＮＴＳ ＯＦ ＴＨＥ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＭＩＣＨＩＧＡＮ
(74)【代理人】
【識別番号】100099759
【弁理士】
【氏名又は名称】青木 篤
(74)【代理人】
【識別番号】100123582
【弁理士】
【氏名又は名称】三橋 真二
(74)【代理人】
【識別番号】100092624
【弁理士】
【氏名又は名称】鶴田 準一
(74)【代理人】
【識別番号】100147555
【弁理士】
【氏名又は名称】伊藤 公一
(74)【代理人】
【識別番号】100123593
【弁理士】
【氏名又は名称】関根 宣夫
(74)【代理人】
【識別番号】100133835
【弁理士】
【氏名又は名称】河野 努
(72)【発明者】
【氏名】リウ コアン エックス
(72)【発明者】
【氏名】マイク エックス．ファン
(72)【発明者】
【氏名】イリヤ ブイ．コルマノフスキー
【審査官】上野 博史
(56)【参考文献】
【文献】特開２００１－１８３１５０（ＪＰ，Ａ）
【文献】特開２０１６－２０１０８８（ＪＰ，Ａ）
【文献】国際公開第２０１７／２２３１９２（ＷＯ，Ａ１）
【文献】特開２００７－０９１１０４（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１８／０１６４１１１（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０８Ｇ １／００－９９／００
Ｇ０１Ｃ ２１／００－２１／３６
２３／００－２５／００
Ｇ０６Ｎ ３／００－３／１２
７／０８－９９／００
(57)【特許請求の範囲】
【請求項1】
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過においてに収集された車両状態データを備えている複数の時系列データセットを受信することと、車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出することと、
それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成すること、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成することであって、時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示していることと、
前記加速事象または前記減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けることと、
前記加速事象または前記減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用することと、
を有する、方法。
【請求項2】
前記加速事象または前記減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けることは、
運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路の曲がり角、幹線道路の曲がり角、および特別な曲率半径を有している道路の１つ以上の事象を示すために前記抽出された特徴に標識を付けることを有し、
前記位置系列の前記複数の値のそれぞれは、１、０、または－１に規格化されている、
請求項１に記載の方法。
【請求項3】
前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割することと、前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することを含んでいる、少なくとも前記テストデータセットの前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルをテストすることと、
を更に有し、
前記機械学習モデルをテストすることは、前記目標車両速度と、前記トレーニングされた機械学習モデルにより予測された前記車両速度との間の時間シフトを測定することを有している、
請求項１に記載の方法。
【請求項4】
前記時間シフトは、【数1】
【数2】
【請求項5】
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、請求項３に記載の方法。
【請求項6】
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデルを有している、請求項３に記載の方法。
【請求項7】
運転中に、１～１０秒後の車両速度を予測するために前記トレーニングおよびテストされた機械学習モデルに対応する予測アルゴリズムを使用するように、車両の制御ユニットを構成することを更に有しており、前記制御ユニットは、前記予測アルゴリズムへの入力として、
前記車両のＧＰＳユニットにより収集された前記ＧＰＳデータと、
前記車両の先行交通センサユニットにより収集された先行交通の前記センサデータと、
前記車両の１つ以上の車両状態センサにより収集された前記車両状態データと、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を受信するように構成されている、
請求項６に記載の方法。
【請求項8】
前記車両の前記制御ユニットが、格納されているマップデータから、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を抽出することを更に有している、請求項７に記載の方法。
【請求項9】
前記車両の前記制御ユニットが、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を動的に生成することを更に有している、請求項７に記載の方法。
【請求項10】
前記時系列ベクトルのセルの値が、道路の曲率半径が所定の値より大きい場合は1に等しく、そうでない場合は0である、請求項１に記載の方法。
【請求項11】
格納されている実行可能な命令を有している非一時的なコンピュータ可読媒体であって、前記命令は、プロセッサにより実行されると、前記プロセッサに、
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過において収集された車両状態データを備えている複数の時系列データセットを受信する動作と、
車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出する動作と、
それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成する動作、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成する動作であって、時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示している、動作と、
前記加速事象または前記減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付ける動作と、
前記加速事象または前記減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用する動作を行わせる、
非一時的なコンピュータ可読媒体。
【請求項12】
前記命令は、前記プロセッサにより実行されると、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割する動作と、
前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することと、前記目標車両速度と、前記トレーニングされたモデルにより予測された前記車両速度との間の時間シフトを測定することとを有している、少なくとも前記テストデータセットの前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルをテストする動作と、
をさらに行う、請求項１１に記載の非一時的なコンピュータ可読媒体。
【請求項13】
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデル、または外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、請求項１１に記載の非一時的なコンピュータ可読媒体。
【請求項14】
車両であって、ＧＰＳセンサと、
車両状態センサと、
前記車両に先行する交通のデータを収集する先行交通センサと、
電子制御ユニットであって、
前記ＧＰＳセンサを使用して生成されたＧＰＳデータを受信する動作と、
前記車両状態センサを使用して生成された車両状態センサデータを受信する動作と、
前記先行交通センサを使用して生成された先行交通データを受信する動作と、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を得る動作と、
前記受信したＧＰＳデータ、前記受信した車両状態センサデータ、前記受信した先行交通データ、および前記得られた標識を、トレーニングおよびテストされた車両速度予測モデルに対応する車両速度予測アルゴリズムへの入力として提供する動作と、
前記車両速度予測アルゴリズムを使用して、ある時間後の車両速度を予測する動作と、を繰り返す電子制御ユニットと、
を備え、
前記車両速度予測アルゴリズムは、
それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成する、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成するように構成され、時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示している、
車両。
【請求項15】
特別な時間または位置において、加速事象または減速事象を示すものを提供する標識を得ることは、前記車両の前記電子制御ユニットが、格納されているマップデータから前記標識を抽出すること、または
前記車両の前記電子制御ユニットが、前記標識を動的生成すること、
を有している、請求項１４に記載の車両。
【発明の詳細な説明】
【背景技術】
【0001】
インテリジェント輸送システム（ＩＴＳ）は、輸送ネットワークをより安全に且つスマートに利用するために、自動車産業における大変革を先導してきている。ＩＴＳの適用は、下記に制限されないが、高度運転手支援システム（ＡＤＡＳ）、車両対車両（Ｖ２Ｖ）通信、および車両対インフラ（Ｖ２Ｉ）通信をカバーしている。そのような適用は、燃料経済性（ＦＥ）、輸送状況および安全性における大きな改善を産み出すことを目的としている。ＩＴＳの適用は、一般的には、将来の車両速度および局所的交通状況に依存している。例えば、車両速度の予測は、ＦＥを改善し、排気ガスを削減するために、エネルギー管理戦略を最適にするために使用できる。また、将来の車両速度の予測は、将来の車両衝突を予測することにより事故を回避することを支援できる。しかし、予測精度は、使用される予測方式に大いに依存する可能性がある。
【0002】
そのため、自動車の燃料経済性、燃料効率、運転性および安全性を強化するために、車両速度を予測するための正確且つ強靭なアプローチを開発する必要性がある。一般的に、車両速度予測方法は、予測アルゴリズムを評価するために、予測された速度と、実際の速度結果との間の平均絶対誤差（ＭＡＥ）と平均２乗誤差の平方根（ＲＭＳＥ）を最小にすることを目指している。
【発明の概要】
【0003】
開示の実現形態は、車両の加速事象または減速事象と関連付けられている特徴を示すものを提供する、標識が付けられた特徴を使用して車両速度予測のためのモデルをトレーニングすることにより、車両速度予測における時間ラグを削減または除去することに向けられている。
【0004】
１つの実施形態においては、方法は、それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過において収集された車両状態データを含んでいる複数の時系列データセットを受信することと、車両の将来の速度を示す複数の時系列データセットのそれぞれから、センサデータ、ＧＰＳおよび車両状態データを備えている特徴を抽出することと、車両の加速事象または減速事象を示すために、複数の時系列データセットのそれぞれの抽出された特徴に標識を付けることと、車両の加速事象または減速事象を示すために、複数の時系列データセットのそれぞれの抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用することを含んでいる。
【0005】
幾つかの実現形態においては、抽出された特徴に標識を付けることは、それぞれの時間に対応する複数の値を含んでいる時系列ベクトルを作成すること、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成することを含んでおり、時系列ベクトルまたは位置系列ベクトルの複数の値のそれぞれは、下記のｉ）加速事象が存在する、ｉｉ）減速事象が存在する、またはｉｉｉ）加速事象または減速事象は存在しないということの１つを示している。特別な実現形態においては、抽出された特徴に標識を付けることは、ＧＰＳ経度および緯度位置それぞれに対応する複数の値を備えている位置系列ベクトルを作成することを備えており、位置系列の複数の値のそれぞれは、下記の、加速事象が存在する、減速事象が存在する、または、加速事象または減速事象は存在しないということの１つを示ために、１、０、または－１に規格化されている。特別な実現形態においては、抽出された特徴に標識を付けることは、それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成することを備えている。
【0006】
実現形態においては、車両の加速事象または減速事象を示すために、複数の時系列データセットのそれぞれの抽出された特徴に標識を付けることは、下記の、運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路の曲がり角、幹線道路(highway)の曲がり角、および特別な曲率半径を有している道路の事象の１つ以上を示すために、抽出された特徴に標識を付けることを含んでいる。
【0007】
実現形態においては、方法は更に、複数の時系列データセットのそれぞれの抽出された特徴に標識を付けた後に、抽出されて標識が付けられた時系列データセットを、機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割することと、機械学習モデルをトレーニングした後に、目標車両速度を、トレーニングされたモデルにより予測された車両速度と比較することを含んでいる、少なくともテストデータセットの、抽出されて標識が付けられた時系列データセットを使用して、トレーニングされた機械学習モデルをテストすることを含んでいる。幾つかの実現形態においては、機械学習モデルをテストすることは、目標車両速度と、トレーニングされたモデルにより予測された車両速度との間の時間シフトを測定することを含んでいる。特別な実現形態においては、時間シフトは、
に基づいて測定され、ここにおいて、δは予測された車両速度時系列の時間シフトを表わしており、ＭＡＥは、
により与えられる平均絶対誤差を表わしており、ここにおいてｙ1、・・・、ｙnは、機械学習モデルを使用して、ｎ回予測された将来の車両速度であり、ｔ1、・・・、ｔnは車両速度が予測されたときの時間に対応する、測定された車両速度（目標）である。
【数1】
【数2】
【0008】
特別な実現形態においては、ある時間後の車両速度を予測するためにトレーニングされた機械学習モデルは、外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを備えている。特別な実現形態においては、ある時間後の車両速度を予測するためにトレーニングされた機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデルを備えている。
【0009】
実現形態においては、方法は、運転中に、１～１０秒後の車両速度を予測するためにトレーニングおよびテストされた機械学習モデルに対応する予測アルゴリズムを使用するように、車両の制御ユニットを構成することを更に含んでいる。
【0010】
実現形態においては、制御ユニットは、予測アルゴリズムへの入力として、車両のＧＰＳユニットにより収集されたＧＰＳデータと、車両の先行交通センサ（例えば、ライダー、レーダー、カメラ、超音波センサなど）により収集された先行交通のセンサデータ、車両の１つ以上の車両状態センサにより収集された車両状態データ、および特別な時間または位置における加速事象または減速事象を示すものを提供する標識を受信するように構成されている。
【0011】
実現形態においては、方法は、車両の電子制御ユニットが、格納されているマップデータから、加速事象または減速事象を示すものを提供する、予測アルゴリズムへの入力である標識を抽出することを更に含んでいる。
【0012】
実現形態においては、方法は、車両の電子制御ユニットが、加速事象または減速事象を示すものを提供する、予測アルゴリズムへの入力である標識を動的に生成することを更に含んでいる。
【0013】
１つの実施形態においては、車両は、ＧＰＳセンサ、車両状態センサ、車両に先行する交通のデータを収集する先行交通センサ、および、ＧＰＳセンサを使用して生成されたＧＰＳデータを受信する動作、車両状態センサを使用して生成された車両状態センサデータを受信する動作、先行交通センサを使用して生成された先行交通データを受信する動作、特別な時間または位置における加速事象または減速事象を示すものを提供する標識を得る動作、受信したＧＰＳデータ、受信した車両状態センサデータ、受信した先行交通データ、および得られた標識を、トレーニングおよびテストされた車両予測モデルに対応する車両速度予測アルゴリズムへの入力として提供する動作、および車両速度予測アルゴリズムを使用して、ある時間後の車両速度を予測する動作を繰り返す電子制御ユニットを含んでいる。実現形態においては、特別な時間または位置における加速事象または減速事象を示すものを提供する標識を得ることは、車両の電子制御ユニットが、格納されているマップデータから標識を抽出すること、または、車両の電子制御ユニットが、標識を動的に生成することを含んでいる。
【0014】
開示される技術の他の特徴と態様は、開示される技術の実現形態に従う特徴を例示する付随する図面と併用される下記の詳細な記述から明白となるであろう。発明の概要は、請求項および等価物により定義される、ここにおいて記述されている如何なる発明の範囲も制限することは意図されていない。
【0015】
前記の概念（そのような概念が互いに矛盾しないという条件で）のすべての組み合わせは、ここにおいて開示される発明の主題の一部と考えられるということは認識されるべきである。特に、この開示の最後に現れる請求項の主題のすべての組み合わせは、ここにおいて開示される発明の主題の一部であると考えられる。
【図面の簡単な説明】
【0016】
１つ以上の種々の実施形態に従う本開示は、下記の図面を参照して詳細に記述される。図面は、例示の目的のためのみに提供され、典型的または例としての実施形態を表現しているに過ぎない。
【0017】
【図1】車両速度予測における時間ラグ問題を例示している、車両速度予測と車両速度測定（目標）時系列のグラフを示している。
【図2A】車両速度予測を、動力分割制御に対する開示に従って実現できる、例としてのハイブリッド電気車両の模式図である。
【図3】開示に従う、標識が付けられた特徴での学習済みモデルを作成し、それを使用して車両速度を予測するための例としての処理フローを示している動作フロー図である。
【図4】開示の実現形態に従う、事前車両走行時系列から特徴を抽出し、車両の加速／減速事象を示すためにそれらに標識を付けるためにデータベースを活用するための例としての方法を示している動作フロー図である。
【図5】開示の実現形態に従う、事前車両走行からの抽出できる時系列データを示している。
【図6】開示に従う、後輪駆動ハイブリッド車両を運転した人間の運転手により、幹線道路ルートに沿って２０回繰り返された運転から収集されたデータセットに適用された標識のセットを例示している。
【図7】開示に従う、３台の車両を同時に運転した３人の人間の運転手により、都市部ルートに沿って数百回繰り返された運転サイクルから収集されたデータセットに適用された標識のセットを例示している。
【図8】開示の実現形態に従う、車両速度を予測するために使用される１つ以上のモデルを作成、トレーニングおよびテストするための例としての方法を示している動作フロー図である。
【図9A】開示の実現形態に従う、予測のために使用されるフィードフォワードネットワークの構造を例示している。
【図9B】開示の実現形態に従う、予測のために使用されるＮＡＲＸモデルの構造を例示している。
【図10A】開示の実現形態に従う、ＬＳＴＭセルの内部構造を例示している。
【図10B】開示の実現形態に従う、ＬＳＴＭにより、時系列シーケンス入力がどのように処理されるかを示している。
【図10C】開示の実現形態に従う、５層ＬＳＴＭ構造を示している。
【図12】目標速度時系列曲線と、標識が付けられた入力と標識が付けられていない入力を使用して、図６の幹線道路運転データセットに対してＬＳＴＭモデルをテストすることにより生成された、予測された速度時系列曲線とを例示している２つの異なるグラフを示している。
【図13】目標速度時系列曲線と、標識が付けられた入力と標識が付けられていない入力を使用して、図７の都市部運転データセットに対してＬＳＴＭモデルをテストすることにより生成された、予測された速度時系列曲線とを例示している２つの異なるグラフを示している。
【図14】開示に従う、運転の間の車両速度を予測するための学習済み車両速度予測モデルを使用するための処理フローを例示しており、モデルは、加速／減速事象を示す標識が付けられた入力を使用してトレーニングされた。
【図15】本開示において記述される実施形態の種々の特徴を実現するために使用できる例としての演算構成要素である。
【0018】
図はすべてを網羅しているわけではなく、本開示を、開示されている正確な形態に制限しない。
【発明を実施するための形態】
【0019】
ここにおいて使用されているように、「最適化する」、「最適な」などのような用語は、可能な限り効果的または完全な性能を作り出す、または達成することを意味するために使用できるということに留意すべきである。更に、ここにおいて開示される技術は、例えば、「更に正確な」決定という結果になる計算を行うことなどを指し示すことができる。しかし、この技術において通常の技量を有する者がこの文献を読むことにより認識するように、完全性は常には達成できない。従って、これらの用語はまた、可能な限り良好または効果的な、または、所与の状況において実用的な性能を作り出す、または達成することも含むことができ、または、他の設定またはパラメータにより達成できるものよりも良好な性能を作り出す、または達成することも含むことができる。
【0020】
上記のように、車両速度を予測するための正確且つ強靭なアプローチを開発する必要がある。車両速度予測においてはいくらかの進歩はなされているが、依然として幾つかの問題が存在する。一般的な問題は、車両速度予測方法は、車両が着実な状態（つまり、速度が時間の経過において変化しない）において動作するときに良好な結果を産み出すのみであるということである。しかし、過渡的状態（例えば、加速および減速事象による車両速度の突然の変化）に対しては、車両速度予測方法は、典型的には良好な結果を生成しない。
【0021】
そのような速度予測方法の良好でない性能の理由の１つは、それらの方法は一般的に、予測アルゴリズムを評価するために、予測された速度と、実際の速度結果との間の平均絶対誤差（ＭＡＥ）と平均２乗誤差の平方根（ＲＭＳＥ）を最小化することを目指すのみであるということである。しかし、車両速度予測のためのこれらの方法は、車両速度予測における時間ラグを考慮しない。一般的に述べれば、将来のデータを予測するために履歴データを使用するときは、予測はしばしば、実際の結果に遅れをとるように見える。幾つかの例においては、既知の車両速度予測方法による将来の車両速度の推定を生成するために掛る時間量は、車両速度予測が所望される将来における時間に接近するであろう。
【0022】
例えば、図１は、時間ラグ問題を例示している、車両速度予測と、車両速度目標時系列とのグラフを示している。このグラフにおいては、目標速度曲線は、時間の経過における車両の実際に記録された速度を表わしており、予測速度曲線は、時間ラグを考慮しない方法を使用しての、車両の予測された速度を表わしている。例示されているように、予測された曲線は、着実な状態の速度の間（例えば、１２２０から１２６０秒）は目標曲線に非常に近く追従しているが、目標時系列曲線に対する予測された時系列曲線の時間ラグは、加速および減速事象の間においては、特には、１３３０から１３４０秒において明白になる。この例に対する予測曲線の全体のＭＡＥは相対的に小さい（例えば、時間期間の半分以上において、相対的に着実な状態において車両が動作しているため）かもしれないが、予測方法は、速度の過渡期の間は良好には機能しない。
【0023】
そのため、車両速度予測においては時間ラグを考慮する必要がある。このため、開示の実現形態は、車両速度予測結果における時間ラグを、車両の加速事象または減速事象に関連付けられている特徴を示すものを提供する、標識が付けられた特徴を使用して、車両速度予測のための機械学習アルゴリズムをトレーニングすることにより、減少または除去することに向けられている。実現形態に従って、標識は、下記の、運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路または幹線道路の曲がり角、および、車両が加速または減速するであろうということを示すものを提供する他の事象の、加速事象または減速事象の１つ以上を示すために使用できる。ここにおいて記述されている特定の実現形態は、標識が付けられた特徴を、１から１０秒後の車両速度を予測するための、ニューラルネットワークへの入力として使用することに向けられている。ここにおいて更に記述されるように、車両速度を予測するために使用される特徴に、加速事象または減速事象を示すために標識を付けることにより、過渡期の速度のシナリオに対して車両速度予測における相当な改善を得ることができる。
【0024】
車両速度予測技術の実現形態を更に詳細に記述する前に、そのような実現形態を使用できる車両を記述することは有益である。図２Ａは、車両速度予測を、動力分割制御に対する開示に従って実現できる、例としてのハイブリッド電気車両（ＨＥＶ）１０の模式図である。例えば、ＨＥＶ１０は、将来の車両速度を予測する機械学習モデルをトレーニングするために抽出されて標識が付けられた特徴を有しているトレーニングデータセットを収集するために使用できる。追加的に、ＨＥＶ１０は、運転中に将来の車両速度を予測するために開示に従って学習したモデルを使用できる。
【0025】
図２Ａは、車両速度予測を使用できる、１つの例としての車両（ＨＥＶ）と１つの例としての適用（動力分割制御）を示しているが、ここにおいて記述される車両速度予測技術は、他の車両（例えば、内燃機関車両、完全な電気車両など）および他の適用（例えば、支援された運転、完全な自己運転、衝突回避など）においても使用できるということに留意すべきである。図２Ａは、実施形態を実現できる特別パワートレイン構成を有している１つの例としてのＨＥＶを示しているが、ここにおいて記述される技術は、他のパワートレイン構成を有しているＨＥＶにおいても実現できるということにも留意すべきである。例えば、ここにおいて開示される技術は、１台のモータシステム、２台のモータシステム、または、３台以上のモータを有するシステムを有しているＨＥＶにおいて実現できる。追加的に、ここにおいて開示される技術は、遊星ギアセットなどのような他のギアセットを有しているＨＥＶにおいて実現できる。
【0026】
例示の簡潔性のために、ＨＥＶ１０のすべての要素に参照番号を付けてはいないということに留意すべきである。例えば、幾つかの例においては、ＨＥＶ１０の２つ以上の要素または構成要素の１つにしか参照番号が付けられていない。しかし、同様に例示される要素または構成要素の機能および／または動作は、そうでないと記述されない限り、この技術において通常の技量を有する者により理解されるように、同じまたは類似していると仮定することができる。更に、ＨＥＶ１０の態様は、要素または構成要素の１つまたは１つのセットの観点から記述できる。それらの要素または構成要素の従属的な例は、同じまたは類似するように動作できると仮定することができる。記述を容易にし、および図の明確性のために、ＨＥＶのすべての構成要素が例示されているわけではなく、図および対応する記述は、制限的であることは意図されていないということにも留意すべきである。ＨＥＶは、ここにおいて考えられているその要素または構成要素に関して、ある変形例を含むことができるということにも更に留意すべきである。例えば、ＨＥＶ１０は、単一のモータのみで構成できる。
【0027】
図２Ａは、エンジン１４とモータ１２を駆動源として含むことができるＨＥＶ１０の例としての構成要素を示している。エンジン１４とモータ１２で生成される駆動力は、トルクコンバータ１６、オートマティックトランスミッション１８、差動歯車装置２８、および車輪心棒対３０を介して車輪対３４に伝達できる。モータ１２、トルクコンバータ１６、およびオートマティックトランスミッション１８のそれぞれは、トランスミッションケースに格納できる。トランスミッションケースは、例えば、アルミニウム鋳造部品で製造された分割可能ケースであることができ、車両本体のような非回転部材に固定される。
【0028】
ＨＥＶ１０は、走行のための駆動源としてのエンジン１４およびモータ１２の少なくとも１つで駆動／動力供給ができる。言い換えれば、ＨＥＶ１０においては、複数の走行モードの如何なるモードも選択的に確立できる。第１走行モードは、走行のための駆動源としてエンジン１４を使用するのみの、エンジンのみの走行モードであってよい。第２走行モードは、走行のための駆動源としてモータ１２を使用するのみの、ＥＶ走行モードであってよい。第３走行モードは、走行のための駆動源としてエンジン１４とモータ１２を使用する、ハイブリッド走行モードであってよい。エンジンのみの、およびハイブリッド走行モードにおいては、ＨＥＶ１０は、クラッチ１５が係合している間、少なくともエンジン１４により生成される駆動力を使用することにより走行する。ＥＶ走行モードにおいては、ＨＥＶ１０は、エンジン１４が停止し、クラッチ１５の係合が解除されている間、モータ１２により生成される駆動力を使用することにより走行する。
【0029】
エンジン１４は、燃料が燃焼室に直接注入される、シリンダー内注入タイプのガソリンエンジンまたはディーゼルエンジンのような内燃機関であってよい。出力制御装置１４Ａは、エンジン１４の駆動（出力トルク）を制御するために提供される。出力制御装置１４Ａは、電子スロットル弁の開閉を制御するスロットルアクチュエータ、燃料注入を制御する燃料注入装置、点火タイミングを制御する点火装置などを含むことができる。出力制御装置１４Ａは、下記に記述される電子制御ユニット５０から供給されるコマンド制御信号に従って、エンジン１４の出力制御を実行できる。そのような出力制御は、例えば、スロットル制御のためのスロットルアクチュエータにより、電子スロットル弁の開閉の制御を含むことができる。出力制御は、燃料注入制御のための燃料注入装置による燃料注入の制御も含むことができる。更に、出力制御は、点火タイミング制御のための点火装置の点火タイミングの制御を含むことができる。
【0030】
トランスミッション入力シャフト３６は、モータ１２および／またはエンジン１４からの動力を、トランスミッション出力シャフト２４が取り付けられているオートマティックトランスミッション１８に転送できる。トランスミッション出力シャフト２４には、差動歯車装置２８に結合されているプロペラシャフト２６が接続されている。オートマティックトランスミッション１８は、例えば、複数の所定のギア（ギア比）の何れをも選択的に確立する段階的トランスミッション機構であることができ、そのようなギア比変更を行うための複数の係合要素を含むように構成されている。オートマティックトランスミッション１８は、係合が油圧アクチュエータにより制御される、多ディスククラッチおよびブレーキなどのような複数の油圧摩擦係合装置を含むことができる。これらの油圧摩擦係合装置は、油圧制御回路４０から供給される油圧に従って、選択的に係合または係合を解除できる。従って、複数の前進ギア（つまり、前進ギア位置または前進走行ギア位置）または後退ギア（つまり、後退ギア位置または後退走行ギア位置）の何れも、油圧摩擦係合装置の結合状態の組み合わせに従って選択的に確立できる。例えば、油圧摩擦係合装置の結合状態は、前進および後退ギアの間のシフトアップおよびシフトダウンを可能にできる。
【0031】
モータ１２は、ロータ（回転子）およびステータ（固定子）を含むことができる。モータ１２は、駆動力を生成するモータ、および反力を生成する発電機として機能するモータ発電機であることができる。モータ１２は、バッテリ４４および、インバータ４２を介してのコンデンサなどのような蓄電装置に接続できる。下記に記述される電子制御ユニット５０はインバータ４２を制御でき、モータ１２のコイルに供給され、またはそこから受け取る駆動電流を調整し、モータ１２の駆動を制御できる。つまり、モータ１２の出力トルクは、インバータ４２を通して、電子制御ユニット５０により増大または減少できる。
【0032】
エンジン１４とモータ１２との間の動力伝達経路においては、クラッチ１５は、係合状態に従って、動力伝達経路における動力伝達を制御する。つまり、エンジン１４の出力部材であるクランクシャフト３２は、クラッチ１５を介してモータ１２のロータに選択的に結合される。クラッチ１５は、例えば、その係合が油圧アクチュエータにより制御される、多ディスクタイプの油圧摩擦係合装置である。クラッチ１５は、油圧制御回路４０から供給される油圧に従って、係合（完全な係合）、スリップ係合、および係合の解除（完全な係合の解除）モードを達成するためにその係合状態が制御されるように制御される。つまり、クラッチ１５のトルク容量は、油圧制御回路４０から供給される油圧に従って制御される。クラッチ１５が係合されると、動力伝達は、クランクシャフト３２とトルクコンバータ１６のフロントカバーとの間の動力伝達経路において提供される。他方、クラッチ１５の係合が解除されると、動力伝達は、クランクシャフト３２とトルクコンバータ１６のフロントカバーとの間の動力伝達経路に出力されることが妨げられる。スリップ係合状態またはモードにおいては、クラッチ１５は係合され、クラッチ１５のトルク容量（伝達トルク）に従う動力伝達が、クランクシャフト３２とトルクコンバータ１６のフロントカバーとの間の動力伝達経路に提供される。
【0033】
ＨＥＶ１０は、電子制御ユニット５０を含むことができる。電子制御ユニット５０は、ＣＰＵ、ＲＡＭ、ＲＯＭ，入出力インタフェースなどを含んでいるマイクロコンピュータを含むことができる。電子制御ユニット５０においては、ＣＰＵは、ＲＯＭに格納されているプログラムに従って信号処理を行うために、ＲＡＭの一時格納機能を利用できる。従って、電子制御ユニット５０は、エンジン１４の駆動制御、モータ１２の駆動制御、オートマティックトランスミッション１８の速度変更制御、クラッチ１５の係合力制御、ロックアップクラッチ３８の係合制御などのような種々の種類の制御を行うことができる。これらの制御機能は、予測された将来の速度を考慮する動力分割制御アルゴリズムに従って行うことができる。電子制御ユニット５０は、必要に応じて、エンジン１４の制御、モータ１２の制御、オートマティックトランスミッション１８の制御、およびクラッチ１５の制御などのようなために、複数の制御装置と共に別個に構成でき、それぞれの制御を、互いの情報の通信を通して実行できる。この実施形態においては、電子制御ユニット５０は、ＨＥＶ１０の制御装置に対応している。
【0034】
図２Ａにおいて示されているように、電子制御ユニット５０には、ＨＥＶ１０において提供されている各センサにより検出される種々の種類の出力信号が供給される。例えば、電子制御ユニット５０は、加速装置動作量ＡCC、エンジン１４の回転速度ＮE（エンジン回転速度）、タービンホイール１６Ｂの回転速度ＮT（タービン回転速度）、モータ１２の回転速度ＴMG（モータ回転速度）、車両速度Ｖ、およびエネルギー備蓄量（残容量、充電量）、例えばバッテリ４４のバッテリＳＯＣを示す信号を受信できる。ＨＥＶ１０の他の動作態様、例えば、モータ１２の温度、ＨＥＶ１０の冷却剤の温度、エンジン１４の取り込み空気の量などを示すより多くの信号を電子制御ユニット５０は受信可能であるということに留意すべきである。
【0035】
電子制御ユニット５０は、ＨＥＶ１０の関連する動作特性、ＨＥＶ１０が走行しているルート、および／または、ＨＥＶ１０が現在運転している道路を感知するように構成されている種々のセンサから入力信号を受信できる。例えば、加速装置動作量ＡCCは、アクセルペダルが踏み込まれた／動作された程度を決定する加速装置動作量センサにより検出できる。例えば、ブレーキ動作量Ｂは、フットブレーキセンサにより検出できる。例えば、エンジン回転速度Ｎeは、エンジン回転速度センサにより検出できる。エンジントルクＴeは、エンジントルクセンサにより検出できる。モータ回転速度ＮMGは、モータ回転速度センサにより検出できる。車両速度ｖは、車両速度センサにより検出できる。バッテリＳＯＣは、ＳＯＣセンサ４６により検出できる。
【0036】
センサ５２の他の例は、ＨＥＶ１０の位置に対応する位置情報を提供できる全地球測位システム（ＧＰＳ）受信器などのような測位または位置センサであることができる。追加的に、測位または位置情報を提供するセンサ５２は、ＨＥＶ１０の現在の位置および、ＨＥＶ１０の予期されるルートに対する交通情報を提供できる。追加的に、電子制御ユニット５０は、ネットワークインタフェース装置４８からの入力信号を受信できる。ネットワークインタフェース装置４８は、マップデータ、道路状況情報、交通情報などのような情報を、１つ以上の情報サービスプロバイダから受信できる。例えば、そのような情報は、車両対車両（Ｖ２Ｖ）通信、車両対インフラ（Ｖ２Ｉ）通信、および／または、車両対クラウド（Ｖ２Ｃ）通信を使用して検索できる。ＧＰＳ受信器のみに依存するのではなく、ＨＥＶ１０の位置は、ネットワークインタフェース装置４８により受信される情報から決定できる。
【0037】
センサ５２の更なる例は、車両と、他の車両などのような他の周囲の対象物との間の相対距離および／または速度を計算するために、無線波を放射／受信するレーダートランシーバを使用するレーダーセンサであることができる。
【0038】
電子制御ユニット５０は、ＨＥＶ１０において提供されている１つ以上の装置／構成要素／要素に種々の出力信号を供給できる。例えば、電子制御ユニット５０は、エンジン１４の駆動制御を実現するために、エンジン１４の出力制御装置１４Ａに信号を供給できる。電子制御ユニット５０は、モータ１２の駆動制御を実現するために、インバータ４２に信号を供給できる。電子制御ユニット５０は、オートマティックトランスミッション１８の速度制御のために、油圧制御回路４０における複数の電磁制御弁に信号を供給できる。電子制御ユニット５０は、クラッチ１５の係合制御のために、油圧制御回路４０におけるリニアソレノイド弁に信号を供給できる。
【0039】
図２Ｂは、電子制御ユニット５０に含めることができる、制御機能の例としての要素を示している機能ブロック図である。図２Ｂに示されているエンジン制御構成要素５０Ａは、出力制御装置１４Ａを介して、エンジン１４の駆動（出力トルク）を制御する。具体的には、エンジン制御構成要素５０Ａは、電子スロットル弁のストッロル弁開口部により出力制御装置１４Ａを制御し、燃料注入装置により供給される燃料の量、点火装置の点火タイミングなどを制御する。従って、電子制御ユニット５０は、エンジン１４により要求されるエンジン出力を達成できるように、どのようにエンジン１４が駆動動力を提供するかを制御する。
【0040】
エンジン制御構成要素５０Ａは、エンジンのみの、およびハイブリッド走行モードにおいてエンジン１４を駆動する。例えば、エンジン制御構成要素５０Ａは、エンジン１４をいつ始動するか、例えば、ＥＶ走行モードからエンジンのみの走行モードまたはハイブリッド走行モードにいつ切り替えるかを制御できる。これは、ＨＥＶがＥＶ走行モードからハイブリッド走行モードに遷移しているときに起こり得る。同様に、エンジン制御構成要素５０Ａは、エンジンをいつ停止するか、例えば、エンジンのみの、またはハイブリッド走行モードからＥＶ走行モードにいつ切り替えるかを制御できる。
【0041】
エンジン１４を制御するために、クラッチ１５を、エンジン１４を動力伝達経路に接続するように係合できる（スリップまたは完全な係合）。これは、下記に記述されるクラッチ係合制御構成要素５０Ｂにより達成できる。エンジン制御構成要素５０Ａは、エンジン１４に回転するように指示でき、エンジン回転速度ＮEという結果になり、エンジン１４への燃料の供給が、出力制御装置１４Ａを介して開始される。
【0042】
ＨＥＶ１０がＥＶモードで動作されるとき、エンジン制御構成要素５０Ａは、エンジン１４を停止するために、出力制御装置１４Ａに制御信号を出力する。クラッチ１５の係合を解除でき、エンジン１４は停止する。更に、出力制御装置１４Ａに、エンジン１４への燃料の供給を停止するように命令できる。
【0043】
モータ制御構成要素５０Ｃは、インバータ４２を介して、モータ１２の始動を制御する。具体的には、電気エネルギーが、インバータ４２を介してバッテリ４４からモータ１２に供給される。モータ制御構成要素５０Ｃは、モータ１２の要求される出力を得るために、モータ１２が回転し、正または負のモータトルクを生成するようにモータ１２を駆動するための制御信号を出力する。例えば、モータ制御構成要素５０Ｃは、ＨＥＶ１０が減速するような負のモータトルクを生成するように電流がバッテリ４４に流れるように、インバータ４２を切り替えるための制御信号を出力する。
【0044】
ギアシフト構成要素５０Ｄは、現在のギア比から、より低いギア比へのシフトダウンを実現するために、油圧制御回路４０を通して、１つ以上の油圧摩擦係合装置の係合／係合の解除を指示する制御信号を出力できる。シフトダウンは、下記に記述される走行モード決定構成要素５０Ｅからの制御信号により開始できる。
【0045】
走行モード決定構成要素５０Ｅは、現在および将来の運転状況に基づいて、ＨＥＶ１０において確立される走行モードに関して決定を行うことができる。決定は、例えば、車両速度ｖ、加速装置動作量ＡCC、バッテリＳＯＣ、ブレーキ動作量Ｂ、動力要求、エンジン回転速度Ｎe、エンジントルクＴe、トルク要求などに基づいて、ＨＥＶが何れの走行モード（ＥＶ、エンジンのみの、ハイブリッド）であるかに関して行うことができる。走行モード決定構成要素は、下記に更に記述される、リアルタイム動力分割アルゴリズムを使用して、何れの走行モードを利用するかについての決定を行うために使用できる。
【0046】
道路状況／位置構成要素５０Ｆは、走行に対して予測される道路状況および／または交通状況と共に、ＨＥＶ１０の位置に関する決定を行うことができる。１つの実施形態においては、道路状況／位置構成要素５０Ｆは、多くの現在の車両、ハイブリッドなどにおいて一般的に見られるナビゲーションユニットを含むことができる。道路状況／位置構成要素５０Ｆは、道路状況に関する情報を、ネットワークインタフェース装置４８、および／または、センサ５２の１つの実施形態であってよいＧＰＳ受信器から受信できる。例えば、ＨＥＶが走行中の任意の地点におけるＨＥＶの位置は、例えば、ＧＰＳ受信器により決定でき、この位置は、その位置に関連する道路状況情報と相関させることができる。
【0047】
例えば、ＨＥＶ１０の始動時または動作中に、道路状況／位置構成要素５０Ｆは、走行されるべきルートは既知であると決定できる。ルートは、アドレス、注目点識別子等が、例えば、ナビゲーションシステムユーザインタフェースを介してＨＥＶ１０の運転手により道路状況／位置構成要素５０Ｆに提供されれば知ることができる。道路状況／位置構成要素５０Ｆは、例えば、ルートに沿って存在している／予期される如何なる下り坂の勾配のような道路状況と共に、走行すべきルートを示すマップまたはマップ情報を有する、または受信することができる。
【0048】
図３は、開示に従う、標識が付けられた特徴での学習済みモデルを作成し、それを、車両速度を予測するために使用するための例としての処理フロー１００を示している動作フロー図である。より特別には、処理フロー１００は、運転中に、車両速度を自動的に予測するためのモデルを構築するための事前車両走行時系列データ（例えば、事前運転からの下記の、ルートデータ、ＧＰＳデータ、レーダーデータ、車両状態データ、マップデータなどのパラメータの１つ以上）を含んでいる１つ以上のデータベース２０５を活用する。例示されているように、ステージ２００において、特徴が事前車両走行時系列データから抽出され、車両の加速／減速事象を示すために標識が付けられる。ステージ３００において、標識が付けられた特徴は、将来の車両速度を予測する機械学習モデルを作成し、トレーニングおよびテストするために使用される。機械学習モデルが十分にトレーニングおよびテストされて、容認可能な精度を有するようになると、ステージ４００において、モデルは、運転中に車両速度を予測するために使用される。例えば、トレーニングおよびテストされたモデルは、運転中に電子制御ユニット５０が使用できる。処理フロー１００のステージ２００～４００のそれぞれのより詳細な記述が、図４～図１４を参照して下記に続く。
【0049】
図４は、開示の実現形態に従う、事前車両走行時系列から特徴を抽出して、車両の加速／減速事象を示すためにそれらに標識を付けるためにデータベース２０５を活用するための例としての方法２００を示している動作フロー図である。実現形態においては、方法２００の１つ以上の動作は、プロセッサがコンピュータ可読媒体に格納されている命令を実行することにより実現できる。
【0050】
動作２１０においては、車両の将来の速度を示すことができる事前車両走行時系列から特徴は抽出できる。上記のように、将来の車両速度を予測するための学習済みモデルを作成する処理の間に、運転中に自動的に車両速度を予測するためのモデルを構築するために、事前車両走行時系列データを含んでいる１つ以上のデータベース２０５を活用できる。
【0051】
例として、図５は、事前車両走行から抽出できる時系列データを示している。この例において示されているように、時系列データは、各走行に対して時間の経過において収集された特徴データの３つの主なカテゴリ、つまり、走行の間に車両により運転されたルートに対応するレーダーデータ、車両状態データ、およびＧＰＳデータを含むことができる。例として、レーダーデータは、経度方向の距離、側方向の距離、相対速度、新しい対象物フラッグ、対象物移動フラッグ、対象物追尾フラッグ、レーダーカウンタ、および抽出できる他のレーダー特徴データを含むことができる。ＧＰＳデータは、経度、緯度、高度、時間、および抽出できる他のＧＰＳ特徴データを含むことができる。車両状態データは、エンジン速度、車両速度、アクセルペダル状態、ブレーキペダル状態、ステアリング角度／トルク状態、方向指示器状態、エンジン負荷トルク状態、および抽出できる他の車両状態データを含むことができる。図５に示されているもの以外の他の特徴データおよび／または特徴データの追加的カテゴリも、各走行時系列から抽出できるということは認識されるべきである。例えば、幾つかの実現形態においては、マップサービスデータ、インテリジェント輸送システムデータ、および／または他のセンサデータを抽出できる。例えば、データは、ライダー、超音波センサ、カメラ（例えば、カラーカメラ）などのような他のセンサから抽出できる。これらのセンサは、レーダーセンサに追加して、またはその代替として使用できる。幾つかの場合においては、車両速度予測を示すことができる抽出された特徴の数は、数百または数千の範囲に及ぶことができる。
【0052】
動作２２０においては、抽出された特徴は、時系列における車両の加速事象または減速事象を示すために標識を付けることができる。標識は、下記の、運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路の曲がり角、幹線道路の曲がり角、特別な曲率半径を有している道路、および車両が加速または減速するということを示すものを提供する他の事象の、加速事象または減速事象の１つ以上を示すために使用できる。
【0053】
幾つかの実現形態においては、抽出された特徴に標識を付けることは、それぞれの値が各時間（例えば、データが収集された元の時系列の特別な時間）に対応し、それぞれの値は、下記の、加速事象が存在する、減速事象が存在する、または、加速事象または減速事象は存在しないということの１つ示している複数の値を含んでいる時系列ベクトルを作成することを含むことができる。例えば、事前車両走行に関連付けられている時系列ベクトルの値は、その時点において加速度が正であれば１に設定でき、その時点で加速度が負であれば０に設定できる。他の例としては、時系列ベクトルは、道路の曲率半径が１００ｍを超える場合を示すために１の値を使用でき、それ以外では０を使用できる。
【0054】
幾つかの実現形態においては、抽出された特徴に標識を付けることは、それぞれの値が各ＧＰＳ位置（例えば、運転の特別な時系列から収集されたような位置）に対応し、それぞれの値は、下記の、加速事象が存在する、減速事象が存在する、または、加速事象または減速事象は存在しないということの１つ示している複数の値を含んでいる位置系列ベクトルを作成することを含むことができる。
【0055】
例として、図６は、後輪駆動ハイブリッド車両を運転した人間の運転手により、幹線道路ルートに沿って２０回繰り返された運転から収集されたデータセットに適用された標識のセットを示している。ルートはマップ２２５により例示されている。この例においては、データセットは合計で１６４の信号（特徴）を含んでいた。特に、運転軌道（車両ＧＰＳ座標）および全体的な車両の経度方向／側方向状態情報はデータセットにおいて利用可能であった。加えて、周囲の交通についての情報を提供したレーダー信号チャネルが利用可能であった。
【0056】
データセットから抽出されたＧＰＳ経度および緯度データを使用して生成されたグラフ２２６により例示されているように、運転の開始２２１においては、車両位置軌道は第１標識(標識１）で印が付けられ、曲がり角２２２～２２３および運転の終了２２４においては、関連付けられているＧＰＳ位置は、第２標識（標識ー１）で印が付けられた。軌道の他の部分には標識は付けられなかった（標識０）。この例においては１、０、および－１の正規化された標識が使用されているが、他の標識も使用できるということは認識されるべきである。
【0057】
他の例として、図７は、３台の車両を同時に運転した３人の人間の運転手により、都市部のルートに沿って数百回繰り返された運転サイクルから収集されたデータセットに適用された標識のセットを例示している。ルートはマップ２２７により例示されている。この例においては、データセットは、上記の１６４の特徴を含んでいた。追加的に、この例においては、車両対インフラ（Ｖ２Ｉ）情報が収集された。データセットから抽出された車両速度データを使用して生成されたグラフ２２８により例示されているように、車両速度が非ゼロのときは、所与の時間に対して標識１の印が付けられた。この例においては、１と０の正規化された標識が使用されているが、他の標識を使用できるということは認識されるべきである。
【0058】
動作２３０においては、抽出された特徴データをクリーン(clean)または正規化できる。例えば、幾つかの実現形態においては、車両走行時系列特徴データのカテゴリは、単一の特徴に融合できる。他の例として、車両速度予測に貢献する可能性がより低い車両走行時系列特徴データのカテゴリは、後続の機械学習処理を、車両速度に貢献する可能性の高い重要な特徴を含むトレーニングデータに焦点を置くために、データセットから除去でき、または、より低い優先度で重み付けできる。幾つかの実現形態においては、特徴のカテゴリは多数の特徴に分割できる。実現形態においては、クリーニング動作(cleaning operation)２３０は、動作２１０～２２０と同時に、または動作２１０～２２０の後に実行できる。
【0059】
事前車両走行時系列データの特徴の抽出と標識付けに続いて、それらの特徴は、車両速度を予測するために使用される１つ以上の機械学習モデルをトレーニングおよびテストするために使用できる、抽出されて標識が付けられた時系列データセット３０１としてデータベース／ストレージ３０５に格納できる。処理２００は、前述の機械学習モデルをトレーニングおよびテストするために使用されるデータセットを改良するために時間の経過において繰り返すことができるということに留意すべきである。例えば、時間の経過において、将来の車両速度を示すある特徴、および／または、加速／減速事象を示す標識は、車両速度予測を改善する可能性がより高いということが発見され得る。更に、新しい特徴が発見され、または、利用可能になると（例えば、新しい車両センサを使用して、追加的時系列データを収集することにより）、抽出されて標識が付けられた時系列データセット３０１を拡張できる。そのため、特徴、カテゴリ化、および抽出されて標識が付けられた時系列データセット３０１のサイズは時間の経過において変化する可能性があるということは認識されるべきである。
【0060】
図８は、開示の実現形態に従う、車両速度を予測するために使用される１つ以上のモデルを作成、トレーニング、およびテストするための例としての方法３００を示している動作フロー図である。動作３１０において、データベース３０５に格納されている、抽出されて標識が付けられた時系列データセット３０１は、トレーニングデータセットとテストデータセットに分割できる。実現形態においては、トレーニングデータセットとテストデータセットのそれぞれは、抽出されて標識が付けられた車両走行時系列のサブセットを備えることができる。実現形態においては、トレーニングデータセットは、データセットの大半（例えば、６０％、７０％、８０％など）を備えることができる。実現形態においては、データセットは、データのパターンの均等分布を確実にするために、分割の前にランダム化できる。例えば、１，０００回の走行に対応する１，０００時系列に対する特徴が抽出されて標識が付けられた場合を考えてみる。この場合、抽出されて標識が付けられた時系列の７００をトレーニングに使用でき、残りの３００をテストに使用できる。
【0061】
動作３２０において、標識が付けられた入力を受け入れ可能な機械学習モデルは、トレーニングデータセットを使用するトレーニングを実行するために初期化できる。初期化の間、アルゴリズムのハイパーパラメータを設定できる。幾つかの実現形態においては、多数の統計モデル化技術を組み合わせているアンサンブルモデルを利用できる。
【0062】
実現形態においては、モデルは、標識が付けられた入力および既知の出力を使用してパターンを学習する１つ以上の教師あり学習アルゴリズムを選択することにより初期化できる。例えば、幾つかの実現形態においては、既知の入力は、ＧＰＳデータ、車両状態データ、またはセンサデータなどのような標識が付けられた特徴を含むことができ、既知の出力は、将来のある時点における車両速度を含むことができる。例えば、車両速度を予測するための適用条件によっては、モデルは、１秒後、５秒後、または１０秒後の車両速度を予測するためにトレーニングできる。例えば、下記の予測速度の予測範囲は、下記の適用、ｉ）１～１０秒、ハイブリッドエネルギー管理、ｉｉ）１～３秒、ターボラグ補償、およびｉｉｉ）１００ミリ秒～１秒、ディーゼルエンジン排気削減において有用であり得る。
【0063】
特別な実現形態においては、ニューラルネットワークのような決定論的予測モデルを、将来の車両速度を予測するためにトレーニングできる。実現形態に従って利用できる決定論的予測モデルの２つの例を下記に更に詳細に記述する。
【0064】
外因性入力を伴う非線形自己回帰（ＮＡＲＸ）シャローニューラルネットワーク
【0065】
１つの実現形態においては、ＮＡＲＸシャローニューラルネットワークモデルは、将来の車両速度を予測するためにトレーニングできる。時系列モデル化において、非線形自己回帰外因性モデル（ＮＡＲＸ）は、外因性入力を有する非線形自己回帰モデルである。これはモデルが、時系列における出力変数の現在の値を、ｉ）同じ出力の過去の値と、ｉｉ）外因性入力の現在および過去の値の両者と関連付けることを意味する。
【0066】
数学的には、ＮＡＲＸモデルは、式（１）により表わすことができる。
ここにおいて、ｙは注目出力変数、ｘは外因性入力変数、およびｅはノイズである。関数Ｆは非線形関数であり、ニューラルネットワークである。式（１）から、ＮＡＲＸモデルは、多数の入力を含む能力を有している。
【数3】
【0067】
図９Ａにより例示されているように、静的フィードフォワードニューラルネットワークモデルは、１ステップ先の予測のためにトレーニングでき、または多数ステップ先を予測するために直接トレーニングできる。図９Ｂにより例示されているＮＡＲＸ構造もまた、モデル化される現象が本質的に動的であるときに使用できる。
【0068】
長・短期メモリ（ＬＳＴＭ）ディープニューラルネットワークモデル
【0069】
他の実現形態においては、ＬＳＴＭディープニューラルネットワークモデルは、将来の車両速度を予測するためにトレーニングできる。ＬＳＴＭディープニューラルネットワークは、匂配消失／爆発問題を回避しながら、大量データセット（例えば、多くの入力を有するデータセット）からの長期依存性を学習できる回帰型ニューラルネットワーク（ＲＮＮ）の特別な種類である。
【0070】
すべての回帰型ニューラルネットワークは、繰り返しモジュールのチェーンの形状に構成されている。標準ＲＮＮにおいては、この繰り返しモジュールは、単一の「ハイパボリックタンジェント（双曲線正接(tanh)）」関数により与えられるような、非常に単純な構造を有している。同様に、ＬＳＴＭもまた、このチェーンに類似した構造を有しているが、繰り返しモジュールは異なる。ニューロンにおける単一起動関数を有する代わりに、非常に特別な方法で相互作用する３つのゲート（忘却ゲート、入力ゲート、および出力ゲート）がある。ＬＳＴＭニューロンは、時系列データに対処する能力を有している。
【0071】
図１０Ａは、実現形態に従う、ＬＳＴＭセルの内部構造を例示している。ＬＳＴＭセルへのキーはセル状態であり、図１０Ａにおいては、破線のボックスにおける図の先頭を通して延伸している水平線により表わされている。ＬＳＴＭセルは、図１０Ａにおいてそれぞれ（１）、（２）、および（３）により示されている、忘却ゲート、入力ゲート、および出力ゲートと呼ばれる構造により決定されるように、セル状態から情報を除去でき、セル状態に情報を追加できる。これらのゲートは、随意的に情報を通過されるための経路である。それらは、シグモイドニューラルネット層およびポイントワイズ（点毎）乗算演算から構成されている。シグモイド層は、各構成要素のどれだけの量を通過させるべきかを示している０と１との間の数を出力する。ゲートの詳細な構成は下記に記述される。
【0072】
忘却ゲートは、式（２）に示されているように、前回のステップ（状態ｈt-1および出力ｏt-1）からどれだけの量の情報を忘却させるかを決定する。
【数4】
【0073】
入力ゲートは、何れの新しい情報をセル状態に格納するかを決定し、式（３）および（４）に示されている２つのファクタを計算する。
これは、下記のように解釈できる。まず、「入力ゲート層」と呼ばれるシグモイド層は、何れの値を更新するかを決定する。次に、ハイパボリックタンジェント層は、状態に追加できる新しい候補値
のベクトルを作成する。そして、状態の更新が、式（５）に示されているように実行される。
ここにおいて、ＬＳＴＭセルは、古い状態Ｃt-1についての情報を除去し、前回のステップで決定されたように新しい情報を追加する。
【数5】
【数6】
【数7】
【数8】
【0074】
出力ゲートは、式（６）と（７）により示されているように、セル状態に基づいて最終出力を決定する。
【数9】
【0075】
図１０Ｂは、実現形態に従う、ＬＳＴＭにより時系列シーケンス入力がどのように処理されるかを示している。Ｘ0、Ｘ1、．．．Ｘtは、時系列シーケンス入力である。Ａ0、Ａ1、．．．Ａnは、第１隠れ層におけるニューロンである。各ニューロンは、ある特徴を捕捉すると想定されている。図１０Ｃは、実現形態に従う、５層ＬＳＴＭ構造を示している。底部層は入力層である。中間の３層は、ＬＳＴＭニューロンを有している隠れ層である。典型的には、より低い層におけるニューロンは、低レベルの特徴を捕捉できる。より高い層におけるニューロンは、抽象特徴を捕捉できる。上部層は出力層である。
【0076】
動作３３０において、モデルは、標識が付けられたトレーニングデータセットを使用してトレーニングできる。例えば、上記の決定論的予測モデル（ＮＡＲＸ、ＬＳＴＭ）の１つ以上を使用して、マシンは、ある時間先の将来の車両速度を予測できるモデルを改良するために、車両運転特徴の間の関係を解析および決定できる。
【0077】
動作３４０において、トレーニングの間に改良されたモデルを、テストデータセットを使用してテストできる。例えば、既知の特徴および既知の速度を有しているデータセットがあれば、モデルにより（例えば、１０秒先を見ることにより）予測される車両速度時系列はその後、走行中に測定された実際の既知車両速度と比較できる。実現形態においては、モデルの性能はテストから、すべての予測に対する平均誤差得点として計算できる。平均誤差得点があまりにも高い場合、方法３００（そして、随意的に方法２００）の追加的反復を実行できる。例えば、モデルにおいて使用されるアルゴリズムのハイパーパラメータを調整でき、モデルのアルゴリズムは変更でき、および／または、データの異なる特徴をモデルにおいて考えることができる。
【0078】
下記に更に記述される種々の実現形態においては、時間シフト、つまり、時系列信号における時間ラグの量は、テストデータセットのテスト中に評価される。
【0079】
方法３００の幾つかの実現形態においては、交差検証処理を実行でき、それにより、トレーニングおよびテストデータは、種々の組み合わせに分割され、これらの種々の組み合わせにおいてトレーニングおよびテストされる。例えば、徹底的な交差検証またはｋ－重検証処理を実行できる。
【0080】
シミュレーション結果
【0081】
開示に従って学習したモデルを使用して得られた予測結果を評価するために、２つの評価基準が考察された。それは平均絶対誤差（ＭＡＥ）と時間シフトである。ＭＡＥは、２つの連続する変数間の差の大きさである。ｙ1、．．．、ｙnを予測結果と仮定する。ｔ1、．．．、ｔnは目標値である。ＭＡＥは、式（８）により与えられる。
より小さいＭＡＥは、予測結果と目標値との間のより小さい誤差を意味する。
【数10】
【0082】
時間シフトは、時系列信号における時間ラグの大きさである。それは、式（９）により表わすことができる。
ここにおいて、δは予測された車両速度時系列の時間シフトを表わしている。より小さい時間シフトは、予測結果と目標値との間のより小さい時間ラグを示している。
【数11】
【0083】
【0084】
図１１Ａは、目標速度時系列曲線と、標識なしの図６の幹線道路運転データセットに対して自己回帰移動平均（ＡＲＭＡ）モデルをテストすることにより生成された、予測された速度時系列曲線とを例示しているグラフである。ＡＲＭＡモデルは、将来の車両速度を予測するためにトレーニングできるモデルの例である。ＡＲＭＡモデルは、標識が付けられた入力を取り入れない。時系列データｙ（ｔ）があると、ＡＲＭＡモデルは２つの部分、つまり、自己回帰（ＡＲ）部分と移動平均（ＭＡ）部分を含む。ＡＲ部分は、それ自身の履歴値の出力変数を回帰推定することを含んでいる。ＭＡ部分は誤差項を、過去に同時に起こり、種々の時点において起きた誤差項の線形組み合わせとしてモデル化することを含んでいる。数学的には、ＡＲＭＡモデルは式（１０）により表わすことができる。
ここにおいて、ｙは注目変数、ｅは誤差、ｐは自己回帰部分の次数、そしてｑは移動平均部分の次数である。省略表現ＡＲＭＡ（ｐ，ｑ）はそのようなモデルを指定するためにしばしば使用される。図１１Ａにより例示されているように、ＡＲＭＡモデルは良好には機能しなかった。予測と目標との間には明白な誤差と時間シフトがある。
【数12】
【0085】
図１１Ｂは、目標速度時系列曲線と、標識のある図６の幹線道路運転データセットに対してＮＡＲＸモデルをテストすることにより生成された、予測された速度時系列曲線とを例示しているグラフである。テストの間、ＮＡＲＸモデルの構造は、３つの隠れ層を有する４層ニューラルネットワークとして選択された。３つの隠れ層は｛２、５、６｝ニューロンをそれぞれ有している。起動関数は「ｔａｎｈ」として選択された。ＮＡＲＸモデルは、関数Ｎａｒｘｎｅｔで有するＭａｔｌａｂにおいて改良された。予測と目標との間の誤差と時間シフトは平均して、１０秒予測結果に対するＡＲＭＡモデルよりも小さかった。
【0086】
図１１Ｃは、目標速度時系列曲線と、標識のある図６の幹線道路運転データセットに対してＬＳＴＭモデルをテストすることにより生成された、予測された速度時系列曲線とを例示しているグラフである。テストの間、ＬＳＴＭを改良するために、テンソルフローが使用された。ＬＳＴＭの構造は、３つの隠れ層を有する４層ニューラルネットワークとして選択された。３つの隠れ層は｛６４、３２、１３｝ニューロンを有していた。起動関数は、匂配消失を回避し、トレーニング処理を加速するために、「ＲｅＬｕ」として選択された。正則化およびドロップアウト層は、オーバーフィッティングを回避すると考えられた。例示されているように、予測と目標との間の誤差および時間シフトは、１０秒予測結果に対しては小さかった。誤差と時間シフトは幾つかの領域に存在するだけである。
【0087】
【0088】
ＡＲＭＡモデルは、金融においては最も広く使用されている時系列予測モデルであるが、幹線道路運転における車両速度予測に対しては良好に機能しなかった。車両速度を予測する問題は、ＡＲＭＡモデルの強みである、市場における季節性のような特徴を有していない。ＮＡＲＸモデルは２番目に良好な予測性能を達成した。それはＭＡＥと時間シフトを削減した。ＬＳＴＭは、最良の予測性能と最小時間シフトを達成した。車両速度予測のために開発された、マルコフ鎖（ＭＣ）モデルと条件付き線形ガウス（ＣＬＧ）モデルを含む確率論的予測モデルもまたテストされた。確率論的予測モデルは、幹線道路運転データセットについての車両速度予測に対して良好に機能しなかった。
【0089】
図１２は、目標速度時系列曲線と、標識が付けられた入力と、標識が付けられていない入力を使用して、図６の幹線道路運転データセットに対してＬＳＴＭモデルをテストすることにより生成された、予測された車両時系列曲線とを例示している２つの異なるグラフを示している。左上のグラフは、図６を参照して上述したマップ標識を入力として使用して生成された。左下のグラフは、標識が付けられた入力なしで生成された。右上のグラフは、左上のグラフの一区間を拡大している。右下のグラフは、左下のグラフの一区間を拡大している。上部のグラフは、０．９０ｍ／ｓにおける１０秒予測ＭＡＥを有していた。下部のグラフは、１．０９ｍ／ｓにおける１０秒予測ＭＡＥを有していた。例示されているように、標識が付けられた入力（この例においては、マップ標識）の使用は、時間シフトとＭＡＥを相当に削減した。
【0090】
図１３は、目標速度時系列曲線と、標識が付けられた入力と、標識が付けられていない入力を使用して、図７の都市部運転データセットに対してＬＳＴＭモデルをテストすることにより生成された、予測された速度時系列曲線とを例示している２つの異なるグラフを示している。左上のグラフは、図７を参照して上述した標識を入力として使用して生成された。左下のグラフは、標識が付けられた入力なしで生成された。右上のグラフは、左上のグラフの一区間を拡大している。右下のグラフは、左下のグラフの一区間を拡大している。上部のグラフは、１．０７ｍ／ｓにおける１０秒予測ＭＡＥを有していた。下部のグラフは、１．６６ｍ／ｓにおける１０秒予測ＭＡＥを有していた。下記の表２は、表形式での結果を示している。
例示されているように、標識が付けられた入力の使用は、結果を相当に改善した。
【表2】
【0091】
図１４は、開示に従う、運転中に車両速度を予測するために、加速／減速事象を示す標識が付けられた入力を使用してトレーニングされた学習済み車両速度予測モデルを使用するための処理フロー４００を例示している。例示されているように運転中、車両は、先行交通についてのデータを提供できるセンサ信号４０１（例えば、レーダー、ライダー、または他のセンサ）、ＧＰＳ信号４０２、車両状態信号４０３、および他の信号４０４を受信するように構成されており、ある時間Ｔ（例えば、１～１０秒）後の車両速度を予測するために、動作４２０で使用される学習済み車両速度予測モデル４１０への入力としてこれらの信号を使用するように構成されている。学習済み車両速度予測モデル４１０は、車両の電子制御ユニットに格納されるアルゴリズムとして実現できる。幾つかの実現形態においては、センサ信号４０１は、学習済み車両速度予測モデル４１０に提供される前に、前処理することができる。モデル、モデルの予測時間、および、予測モデルを必要とする適用を使用する車両のタイプによっては、予測された将来の速度は、動力分割制御４３０（例えば、ＨＥＶにおいて）に対して、ターボラグ補償（例えば、ＩＣＥ車両において）、または、自動化運転制御（例えば、すべての車両において）に対して使用できる。
【0092】
この場合、加速事象または減速事象の標識はマップに格納でき（例えば、停止標識の位置または道路の曲率に対応する標識）、運転中に、標識が付けられた入力を提供するために車両の制御ユニットにより検索される。代替として、標識は動的に生成できる（例えば、交通信号灯信号の認識から、または、交通状況のマップから）。
【0093】
ここにおいて使用されているように、構成要素という用語は、本願の１つ以上の実施形態に従って実行できる機能の所与のユニットを記述することができる。ここにおいて使用されているように、構成要素は、ハードウェア、ソフトウェア、またはそれらの組み合わせの任意の形式を利用して実現できる。例えば、１つ以上のプロセッサ、コントローラ、ＡＳＩＣ、ＰＬＡ、ＰＡＬ、ＣＰＬＤ、ＦＰＧＡ、論理構成要素、ソフトウェアルーチン、または他の機構は、構成要素を構成するために実現できる。ここにおいて記述されている種々の構成要素は、分離した構成要素として実現でき、または、記述されている機能および特徴は、一部または全体を１つ以上の構成要素間で共有できる。言い換えると、この技術における通常の技量を有する者にはこの記述を読んだ後に明白になるように、ここにおいて記述されている種々の特徴および機能は、任意の所与の適用において実現できる。それらの特徴および機能は、種々の組み合わせおよび並べ替えにおいて、１つ以上の別個の、または共有構成要素において実現できる。種々の特徴または機能要素は、別個の構成要素として個々に記述または主張できるが、これらの特徴／機能は、１つ以上の共通ソフトウェアおよびハードウェア要素間で共有できるということは理解されるべきである。そのような記述は、別個のハードウェアまたはソフトウェア構成要素が、そのような特徴または機能を実現するために使用されることを要求するものでも暗示するものでもない。
【0094】
構成要素が、その全部または一部がソフトウェアを使用して実現される場合、これらのソフトウェア要素は、それらに関して記述されている機能を実行できる演算または処理構成要素と共に動作するように実現できる。１つのそのような例としての演算構成要素が図１５に示されている。種々の実施形態は、この例としての演算構成要素８００に関して記述されている。この記述を読んだ後は、関連技術における技量を有する者には、他の演算構成要素またはアーキテクチャを使用して適用をどのようにして実現するかは明白となるであろう。
【0095】
ここで図１５を参照すると、演算構成要素８００は、例えば、コンピュータ処理ユニット、または所与の適用または環境に対して望ましく、または適切であり得るような特殊目的または汎用演算装置の任意の他のタイプにおいて見出される演算または処理能力を代表することができる。演算構成要素８００はまた、所与の装置に埋め込まれている、または所与の装置が利用可能な演算能力も代表することができる。例えば、演算構成要素は、例えば、処理能力の何らかの形状を含むことができる電子装置のような、他の電子装置において見出すことができる。
【0096】
演算構成要素８００は、例えば、１つ以上のプロセッサ、コントローラ、制御構成要素、または他の処理装置を含むことができる。これは、プロセッサ、および／または、電子制御装置５０および／またはその構成要素部品、油圧制御回路４０、または車両の他の構成要素または要素、例えば信号センサなどを構成する構成要素の任意の１つ以上を含むことができる。プロセッサ８０４は、例えば、マイクロプロセッサ、コントローラ、または他の制御論理回路などのような、汎用または特殊目的処理エンジンを使用して実現できる。プロセッサ８０４はバス８０２に接続できる。しかし、如何なる通信媒体も、演算構成要素８００の他の構成要素との相互作用を促進にするために、または外部と通信するために使用できる。
【0097】
演算構成要素８００はまた、ここにおいては単にメインメモリ８０８と称される１つ以上のメモリ構成要素も含むことができる。例えば、ランダムアクセスメモリ（ＲＡＭ）または他の動的メモリを、情報、および、プロセッサ８０４により実行される命令を格納するために使用できる。メインメモリ８０８はまた、プロセッサ８０４により実行される命令の実行中に、一時的変数または他の中間情報を格納するためにも使用できる。演算構成要素８００は同様に、プロセッサ８０４に対する静的情報および命令を格納するために、リードオンリメモリ（「ＲＯＭ」）または、バス８０２に結合されている他の静的格納装置を含むことができる。
【0098】
演算構成要素８００はまた、例えば、メディアドライブ８１２および格納ユニットインタフェース８２０を含むことができる情報格納機構８１０の１つ以上の種々の形状も含むことができる。メディアドライブ８１２は、ドライブまたは、固定または取外し可能格納媒体８１４をサポートするための他の機構を含むことができる。例えば、ハードディスクドライブ、ソリッドステートドライブ、磁気テープドライブ、光ドライブ、コンパクトディスク（ＣＤ、）、デジタルビデオディスク（ＤＶＤ）ドライブ、またはＢｌｕ－ｒａｙ（登録商標）ドライブ（ＲまたはＲＷ）、または他の取外し可能または固定メディアドライブを提供できる。格納媒体８１４は、例えば、ハードディスク、ソリッドステートドライブ、集積回路アセンブリ、磁気テープ、カートリッジ、光ディスク、ＣＤ、ＤＶＤ、またはＢｌｕｅ－ｒａｙを含むことができる。格納媒体８１４は、メディアドライブ８１２により読み込まれ、そこに書き込まれ、またはそれによりアクセスされる任意の他の固定または取外し可能媒体であってよい。これらの例が示しているように、格納媒体８１４は、コンピュータソフトウェアまたはデータをその中に格納しているコンピュータ使用可能格納媒体を含むことができる。
【0099】
代替の実施形態においては、情報格納機構８１０は、コンピュータプログラムまたは他の命令またはデータが演算構成要素８００にロードされることを可能にするために、他の類似の手段を含むことができる。そのような手段は、例えば、固定または取外し可能格納ユニット８２２およびインタフェース８２０を含むことができる。そのような格納ユニット８２２およびインタフェース８２０の例としては、プログラムカートリッジおよびカートリッジインタフェース、取外し可能メモリ（例えば、フラッシュメモリまたは他の取外し可能メモリ構成要素）およびメモリスロットを含むことができる。他の例としては、ＰＣＭＣＩＡスロットおよびカード、および他の固定または取外し可能格納ユニット８２２、およびソフトウェアとデータが格納ユニット８２２から演算構成要素８００に転送されることを可能にするインタフェース８２０を含むことができる。
【0100】
演算構成要素８００はまた、通信インタフェース８２４も含むことができる。通信インタフェース８２４は、ソフトウェアとデータが、演算構成要素８００と外部装置との間で転送されることを可能にするために使用できる。通信インタフェース８２４の例としては、モデムまたはソフトモデム、ネットワークインタフェース（Ｅｔｈｅｒｎｅｔ（登録商標）、ネットワークインタフェースカード、ＷｉＭｅｄｉａ、ＩＥＥＥ８０２．ＸＸまたは他のインタフェースなど）を含むことができる。他の例としては、通信ポート（例えば、ＵＳＢポート、ＩＲポート、ＲＳ２３２ポート、Ｂｌｕｅｔｏｏｔｈ（登録商標）インタフェース、または他のポートなど）、または他の通信インタフェースがある。通信インタフェース８２４を介して転送されるソフトウェア／データは、電子信号、電磁信号（光信号を含む）、または所与の通信インタフェース８２４により交換可能な他の信号であってよい信号上で搬送できる。これらの信号は、通信インタフェース８２４に、チャネル８２８を介して提供できる。チャネル８２８は信号を搬送でき、有線または無線通信媒体を使用して実現できる。チャネルの幾つかの例としては、電話線、セルラーリンク、ＲＦリンク、光リンク、ネットワークインタフェース、ローカルまたはワイドエリアネットワーク、および他の有線または無線通信チャネルを含むことができる。
【0101】
この文献においては、「コンピュータ可読媒体」、「コンピュータ使用可能媒体」、および「コンピュータプログラム媒体」という用語は、例えば、メモリ８０８、格納ユニット８２２、および媒体８１４などのような非一時的媒体、または揮発性媒体または不揮発性媒体を一般的に指し示すために使用されている。コンピュータプログラム媒体またはコンピュータ使用可能媒体のこれらの、および他の種々の形式は、１つ以上の命令の１つ以上のシーケンスを、実行のために処理装置に搬送することに関与させることができる。媒体上に含まれるそのような命令は一般的に、「コンピュータプログラムコード」または「コンピュータプログラム製品」（これらは、コンピュータプログラムまたは他のグループ化の形式でグループ化できる）と称される。実行されると、そのような命令は、演算構成要素８００が、ここにおいて検討されているように、本願の特徴または機能を実行することを可能にする。
【0102】
個々の実施形態の１つ以上において記述されている種々の特徴、態様、および機能は、それらの適用可能性において、それらを記述した特別な実施形態に制限されないということは理解されるべきである。そうではなく、それらの特徴、態様、および機能は単独で、または種々の組み合わせにおいて、そのような実施形態が記述されていようがいまいが、およびそのような特徴が、記述されている実施形態の一部として提示されていようがいまいが、１つ以上の他の実施形態に適用できる。そのため、本願の領域および範囲は、上述した例としての実施形態の何れによっても制限されるべきではない。
【0103】
この文献において使用される用語およびフレーズ、およびそれらの変形は、別途、明示的に記述されない限り、制限的とは反対に、非制限的なものとして解釈されるべきである。上記の例として、「含んでいる」という用語は、「制限なしに含んでいる」などを意味していると読まれるべきである。「例」という用語は、検討されている事項の実例を提供するために使用されており、それらを網羅しているリスト、またはそれらを制限しているリストではない。「１つの」という用語は、「少なくとも１つの」、「１つ以上の」などを意味していると読まれるべきであり、そして「従来の」、「慣習的な」、「通常の」、「標準の」、「既知の」などのような、類似の意味の形容詞の用語は、記述されている事項を、所与の時間期間または、所与の時間において利用可能な事項に制限するとは解釈されるべきではない。そうではなく、それらは、現在または将来の何れかの時間において利用可能であることができ、または既知であることができる、従来の、慣習的な、通常の、または標準の技術を含んでいると読まれるべきである。この文献が、この技術において通常の技量を有する者にとって明白または既知の技術に言及するときは、そのような技術は、現在および将来の何れかの時間において当業者に明白または既知の技術も含んでいる。
【0104】
幾つかの例における、「１つ以上の」、「少なくとも」、「しかし～に制限されない」、または他の類似のフレーズなどのような、意味を広げる語句とフレーズの存在は、そのような意味を広げるフレーズが存在しなくてよい例においては、より狭い場合が意図されている、または要求されているということを意味しているとは読まれるべきではない。「構成要素」という用語の使用は、構成要素の一部として記述または主張されている態様または機能がすべて、共通のパッケージにおいて構成されているということを意味として含んではいない。実際には、構成要素の種々の態様の何れかまたはすべては、制御論理回路であろうが他の構成要素であろうが、単一のパッケージに組み合わせることができ、または、別個に維持でき、多数のグループ化またはパッケージにおいて、または多数の箇所にわたり更に分散できる。
【0105】
追加的に、ここにおいて記述された種々の実施形態は、例としてのブロック図、フローチャート、および他の例示に関して記述されている。この技術における通常の技量を有する者には、この文献を読んだ後に明白になるように、例示されている実施形態およびそれらの種々の代替は、示されている例に制限されることなく実現できる。例えば、ブロック図およびその付随する記述は、特別なアーキテクチャまたは構成を義務付けているとは解釈されるべきではない。
本明細書に開示される発明は以下の態様を含む。
〔態様１〕
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過においてに収集された車両状態データを備えている複数の時系列データセットを受信することと、
車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出することと、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けることと、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用することと、
を有する、方法。
〔態様２〕
前記抽出された特徴に標識を付けることは、
それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成すること、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成することを有しており、
前記時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示しており、
示されている車両の加速事象または減速事象は、運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路の曲がり角、幹線道路の曲がり角、および特別な曲率半径を有している道路の事象の１つ以上を有しており、
前記位置系列ベクトルの前記複数の値は、ＧＰＳ経度および緯度位置それぞれに対応しており、
前記位置系列ベクトルの前記複数の値のそれぞれは、加速事象が存在する、減速事象が存在する、または、加速事象または減速事象は存在しないということを示すために、１、０、または－１に規格化されている、態様１に記載の方法。
〔態様３〕
前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割することと、
前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することを含んでいる、前記目標車両速度と、少なくとも前記テストデータセットの、前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルにより予測された前記車両速度との間の時間シフトを測定することにより、前記トレーニングされた機械学習モデルをテストすることと、
を更に有している、態様１に記載の方法。
〔態様４〕
前記時間シフトは、
〔数１〕
に基づいて測定され、ここにおいて、δは予測された車両速度時系列の時間シフトを表わしており、ＭＡＥは、
〔数２〕
により与えられる平均絶対誤差を表わしており、ここにおいてｙ1、・・・、ｙnは、前記機械学習モデルを使用して、ある時間後のｎ回予測された車両速度であり、ｔ1、・・・、ｔnは前記車両速度が予測されたときの前記時間に対応する、測定された車両速度である、態様３に記載の方法。
〔態様５〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、態様３に記載の方法。
〔態様６〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデルを有している、態様３に記載の方法。
〔態様７〕
運転中に、１～１０秒後の車両速度を予測するために前記トレーニングおよびテストされた機械学習モデルに対応する予測アルゴリズムを使用するように、車両の制御ユニットを構成することを更に有しており、
前記制御ユニットは、前記予測アルゴリズムへの入力として、
前記車両のＧＰＳユニットにより収集されたＧＰＳデータと、
前記車両の先行交通センサユニットにより収集された先行交通のセンサデータと、
前記車両の１つ以上の車両状態センサにより収集された車両状態データと、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を受信するように構成されている、
態様６に記載の方法。
〔態様８〕
前記車両の前記電子制御ユニットが、格納されているマップデータから、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を抽出することを更に有している、態様７に記載の方法。
〔態様９〕
前記車両の前記電子制御ユニットが、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を動的に生成することを更に有している、態様７に記載の方法。
〔態様１０〕
格納されている実行可能な命令を有している非一時的なコンピュータ可読媒体であって、前記命令は、プロセッサにより実行されると、前記プロセッサに、
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過において収集された車両状態データを備えている複数の時系列データセットを受信する動作と、
車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出する動作と、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付ける動作と、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用する動作を行わせる、
非一時的なコンピュータ可読媒体。
〔態様１１〕
前記抽出された特徴に標識を付けることは、それぞれの時間に対応する複数の値を備えている時系列を作成すること、または、それぞれのＧＰＳ位置に対応する複数の値を備えている位置系列を作成することを有しており、
前記時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示している、
態様１０に記載の非一時的なコンピュータ可読媒体。
〔態様１２〕
前記命令は、前記プロセッサにより実行されると、
前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割する動作と、
前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することと、前記目標車両速度と、前記トレーニングされたモデルにより予測された前記車両速度との間の時間シフトを測定することとを有している、少なくとも前記テストデータセットの前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルをテストする動作と、
をさらに行う、態様１１に記載の非一時的なコンピュータ可読媒体。
〔態様１３〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデル、または外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、態様１１に記載の非一時的なコンピュータ可読媒体。
〔態様１４〕
車両であって、
ＧＰＳセンサと、
車両状態センサと、
前記車両に先行する交通のデータを収集する先行交通センサと、
電子制御ユニットであって、
前記ＧＰＳセンサを使用して生成されたＧＰＳデータを受信する動作と、
前記車両状態センサを使用して生成された車両状態センサデータを受信する動作と、
前記先行交通センサを使用して生成された先行交通データを受信する動作と、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を得る動作と、
前記受信したＧＰＳデータ、前記受信した車両状態センサデータ、前記受信した先行交通データ、および前記得られた標識を、トレーニングおよびテストされた車両速度予測モデルに対応する車両速度予測アルゴリズムへの入力として提供する動作と、
前記車両速度予測アルゴリズムを使用して、ある時間後の車両速度を予測する動作と、を繰り返す電子制御ユニットと、
を備えている、車両。
〔態様１５〕
特別な時間または位置において、加速事象または減速事象を示すものを提供する標識を得ることは、
前記車両の前記電子制御ユニットが、格納されているマップデータから前記標識を抽出すること、または
前記車両の前記電子制御ユニットが、前記標識を動的生成すること、
を有している、態様１４に記載の車両。
本明細書に開示される発明は以下の態様を含む。
〔態様１〕
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過においてに収集された車両状態データを備えている複数の時系列データセットを受信することと、
車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出することと、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けることと、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用することと、
を有する、方法。
〔態様２〕
前記抽出された特徴に標識を付けることは、
それぞれの時間に対応する複数の値を備えている時系列ベクトルを作成すること、または、それぞれの位置に対応する複数の値を備えている位置系列ベクトルを作成することを有しており、
前記時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示しており、
示されている車両の加速事象または減速事象は、運転を開始しようとしている車両、運転を終了しようとしている車両、停止標識、交通信号灯、道路の曲がり角、幹線道路の曲がり角、および特別な曲率半径を有している道路の事象の１つ以上を有しており、
前記位置系列ベクトルの前記複数の値は、ＧＰＳ経度および緯度位置それぞれに対応しており、
前記位置系列ベクトルの前記複数の値のそれぞれは、加速事象が存在する、減速事象が存在する、または、加速事象または減速事象は存在しないということを示すために、１、０、または－１に規格化されている、態様１に記載の方法。
〔態様３〕
前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割することと、
前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することを含んでいる、前記目標車両速度と、少なくとも前記テストデータセットの、前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルにより予測された前記車両速度との間の時間シフトを測定することにより、前記トレーニングされた機械学習モデルをテストすることと、
を更に有している、態様１に記載の方法。
〔態様４〕
前記時間シフトは、
〔数１〕
〔数２〕
〔態様５〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、態様３に記載の方法。
〔態様６〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデルを有している、態様３に記載の方法。
〔態様７〕
運転中に、１～１０秒後の車両速度を予測するために前記トレーニングおよびテストされた機械学習モデルに対応する予測アルゴリズムを使用するように、車両の制御ユニットを構成することを更に有しており、
前記制御ユニットは、前記予測アルゴリズムへの入力として、
前記車両のＧＰＳユニットにより収集されたＧＰＳデータと、
前記車両の先行交通センサユニットにより収集された先行交通のセンサデータと、
前記車両の１つ以上の車両状態センサにより収集された車両状態データと、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を受信するように構成されている、
態様６に記載の方法。
〔態様８〕
前記車両の前記電子制御ユニットが、格納されているマップデータから、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を抽出することを更に有している、態様７に記載の方法。
〔態様９〕
前記車両の前記電子制御ユニットが、加速事象または減速事象を示すものを提供する、前記予測アルゴリズムへの入力である前記標識を動的に生成することを更に有している、態様７に記載の方法。
〔態様１０〕
格納されている実行可能な命令を有している非一時的なコンピュータ可読媒体であって、前記命令は、プロセッサにより実行されると、前記プロセッサに、
それぞれが、センサデータ、全地球測位システム（ＧＰＳ）データ、および車両の走行中に時間の経過において収集された車両状態データを備えている複数の時系列データセットを受信する動作と、
車両の将来の速度を示す前記複数の時系列データセットのそれぞれから、前記センサデータ、前記ＧＰＳおよび前記車両状態データを備えている特徴を抽出する動作と、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付ける動作と、
車両の加速事象または減速事象を示すために、前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、ある時間後の車両速度を予測する機械学習モデルをトレーニングするために、前記抽出されて標識が付けられた時系列データセットの少なくともサブセットを使用する動作を行わせる、
非一時的なコンピュータ可読媒体。
〔態様１１〕
前記抽出された特徴に標識を付けることは、それぞれの時間に対応する複数の値を備えている時系列を作成すること、または、それぞれのＧＰＳ位置に対応する複数の値を備えている位置系列を作成することを有しており、
前記時系列または位置系列の前記複数の値のそれぞれは、
加速事象が存在する、
減速事象が存在する、または
加速事象または減速事象は存在しないということの１つを示している、
態様１０に記載の非一時的なコンピュータ可読媒体。
〔態様１２〕
前記命令は、前記プロセッサにより実行されると、
前記複数の時系列データセットのそれぞれの前記抽出された特徴に標識を付けた後に、前記抽出されて標識が付けられた時系列データセットを、前記機械学習モデルをトレーニングするために使用されるトレーニングデータセットと、テストデータセットに分割する動作と、
前記機械学習モデルをトレーニングした後に、目標車両速度を、前記トレーニングされたモデルにより予測された車両速度と比較することと、前記目標車両速度と、前記トレーニングされたモデルにより予測された前記車両速度との間の時間シフトを測定することとを有している、少なくとも前記テストデータセットの前記抽出されて標識が付けられた時系列データセットを使用して、前記トレーニングされた機械学習モデルをテストする動作と、
をさらに行う、態様１１に記載の非一時的なコンピュータ可読媒体。
〔態様１３〕
ある時間後の車両速度を予測するためにトレーニングされた前記機械学習モデルは、長・短期記憶（ＬＳＴＭ）ディープニューラルネットワークモデル、または外因性入力を伴う非線形自己回帰シャローニューラルネットワークモデルを有している、態様１１に記載の非一時的なコンピュータ可読媒体。
〔態様１４〕
車両であって、
ＧＰＳセンサと、
車両状態センサと、
前記車両に先行する交通のデータを収集する先行交通センサと、
電子制御ユニットであって、
前記ＧＰＳセンサを使用して生成されたＧＰＳデータを受信する動作と、
前記車両状態センサを使用して生成された車両状態センサデータを受信する動作と、
前記先行交通センサを使用して生成された先行交通データを受信する動作と、
特別な時間または位置における加速事象または減速事象を示すものを提供する標識を得る動作と、
前記受信したＧＰＳデータ、前記受信した車両状態センサデータ、前記受信した先行交通データ、および前記得られた標識を、トレーニングおよびテストされた車両速度予測モデルに対応する車両速度予測アルゴリズムへの入力として提供する動作と、
前記車両速度予測アルゴリズムを使用して、ある時間後の車両速度を予測する動作と、を繰り返す電子制御ユニットと、
を備えている、車両。
〔態様１５〕
特別な時間または位置において、加速事象または減速事象を示すものを提供する標識を得ることは、
前記車両の前記電子制御ユニットが、格納されているマップデータから前記標識を抽出すること、または
前記車両の前記電子制御ユニットが、前記標識を動的生成すること、
を有している、態様１４に記載の車両。
【図1】
【図2A】
【図2B】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9A】
【図9B】
【図10A】
【図10B】
【図10C】
【図11A】
【図11B】
【図11C】
【図12】
【図13】
【図14】
【図15】