TOP
|
特許
|
意匠
|
商標
特許ウォッチ
Twitter
他の特許を見る
10個以上の画像は省略されています。
公開番号
2024180341
公報種別
公開特許公報(A)
公開日
2024-12-26
出願番号
2024095393
出願日
2024-06-12
発明の名称
排出の推定と異常
出願人
富士通株式会社
代理人
個人
,
個人
主分類
G06Q
10/04 20230101AFI20241219BHJP(計算;計数)
要約
【課題】 本発明は、排出の推定と異常に関する。
【解決手段】 コンピュータによって実施される方法であって、相互の類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成することと、平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択することと、ターゲット地理的領域に対応する代表交通データセットに基づいて、周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行し、少なくとも1つの他の地理的領域に対応する少なくとも1つの代表交通データセットに基づいて、前記少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行することと、ターゲット地理的領域の交通予測プロセスを実行することと、複合交通予測に基づいて、ターゲット地理的領域の交通によって生成される排出を予測することと、を含む。
【選択図】 図19
特許請求の範囲
【請求項1】
コンピュータ実装方法であって、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも1つの他の地理的領域に対応する少なくとも1つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも1つの他の地理的領域の少なくとも1つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも1つの他の地理的領域の少なくとも1つの交通データセットに基づいて、及び前記少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも1つの他の地理的領域の少なくとも1つの交通データセットに基づいて、地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも1つの他の地理的領域の間の少なくとも1つの相関関係を決定するステップと、
前記少なくとも1つの他の周期的予測及び前記決定された少なくとも1つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含むコンピュータ実施方法。
続きを表示(約 1,800 文字)
【請求項2】
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、交通データの少なくとも1つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも1つの側面は、以下:
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び/又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
のいずれかを含む、請求項1に記載のコンピュータ実施方法。
【請求項3】
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項4】
交通データは、関連する前記地理的領域内のセンサから取得されたデータを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項5】
交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項6】
前記ターゲット地理的領域及び前記少なくとも1つの他の地理的領域は、都市部又は町又は市の各々の領域である、請求項1又は2に記載のコンピュータ実施方法。
【請求項7】
前記地理的領域の交通データが、
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び/又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項8】
前記ターゲット地理的領域の周期的交通予測を生成するステップは、関連する交通データに基づいて、前記交通データの周期的側面を定義するリグレッサーを生成するステップを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項9】
前記交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも1つの他の地理的領域を決定するステップを含む、請求項1又は2に記載のコンピュータ実施方法。
【請求項10】
交通データは、関連する前記地理的領域で発生するイベントに関する情報を含み、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データを分析して、交通データと少なくとも1つのイベントとの間の少なくとも1つの相関を取得するステップ、
を更に含み、
前記少なくとも1つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、交通予測を生成するステップは、
交通データと少なくとも1つの外部イベントとの間の少なくとも1つの相関に基づき、及び予測された少なくとも1つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、請求項1又は2に記載のコンピュータ実施方法。
(【請求項11】以降は省略されています)
発明の詳細な説明
【技術分野】
【0001】
本発明は、排出の推定に関するものであり、特に、コンピュータ実施方法、コンピュータプログラム及び情報プログラミング機器に関する。
続きを表示(約 3,500 文字)
【背景技術】
【0002】
現実世界をデジタル世界として表現する傾向がある。スマートシティ、デジタルツイン(Digital Twin (DT))及びメタバースのような概念は、特に、データ、セキュリティ、モノのインターネット(Internet of Things (IoT))、電気通信のための第5世代技術標準(5G)、人工知能(AI)及び量子コンピューティングのような、これらの概念における新しいステップを可能にする新しい/改善された技術のために、少なくとも部分的に、より多くの注目を集めている。
【0003】
輸送モードからのCO2排出量、すなわち、人間の輸送活動の結果としての大気中への二酸化炭素の放出は、気候変動を促進する全体的な温室効果ガス排出に大きく寄与している。国際エネルギ機関によれば、輸送は、2019年に世界のエネルギ関連CO2排出の約24%を占めた。交通予測、現在及び過去の交通観測に基づいて、短期的又は短期的な将来における将来の交通状態を予測するプロセスは、輸送モードからのCO2排出を削減するために、交通を理解し、処理する上で重要である。通常5分から1時間の範囲の次の時間間隔における交通量の予測を含む短期交通フロー予測は、交通渋滞の分野における重要な研究課題の1つであり、過去20年間に多くの研究者によって取り組まれてきた(例えば、Kumar, S. V., Vanajakshi, L. Short-term traffic flow prediction using seasonal ARIMA model with limited input data. Eur. Transp. Res. Rev. 7, 21 (2015). https://doi.org/10.1007/s12544-015-0170-8)。
【0004】
以上を踏まえ、排出の推定の向上が望まれる。
【発明の概要】
【0005】
第7の態様の実施形態によると、本願明細書には、コンピュータ実装方法であって、
複数の地理的領域の複数の(履歴)交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための(最適)パラメータを決定するステップと、少なくとも1つの他の地理的領域に対応する少なくとも1つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測のための(最適)パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも1つの他の地理的領域の少なくとも1つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、(前記ターゲット地理的領域の交通データの周期的成分を推定することによって)前記ターゲット地理的領域の前記節交通予測を生成する(将来の期間の交通データを予測する)ステップと、
前記少なくとも1つの他の地理的領域の少なくとも1つの交通データセットに基づいて、及び少なくとも1つの他の地理的領域の少なくとも1つの他の周期的交通予測のための決定されたパラメータを使用して、(前記少なくとも1つの他の地理的領域の交通データの周期的成分を推定することによって)前記少なくとも1つの他の地理的領域の周期的交通予測を生成する(将来の期間の交通データを予測する)ステップと、
前記地理的領域の交通データセット及び前記少なくとも1つの他の地理的領域の少なくとも1つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも1つの他の地理的領域(の交通データ(の傾向))の間の少なくとも1つの相関関係を決定するステップと、
前記少なくとも1つの他の周期的予測及び前記決定された少なくとも1つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測(又は最終予測又は累積予測又は全体予測)を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータ実施方法が開示される。
【0006】
任意の態様/実施形態に関連する特徴は、他の任意の態様/実施形態に適用することができる。
【図面の簡単な説明】
【0007】
例として、以下の添付の図面を参照する。
予測を理解するのに有用な図である。
システム及びアーキテクチャを示す図である。
システムを示す図である。
システムを示す図である。
方法を示す図である。
方法を示す図である。
モジュールを示す図である。
実施形態を理解するのに有用な図である。
モジュールを示す図である。
実施形態を理解するのに有用な図である。
実施形態を理解するのに有用な図である。
実施形態を理解するのに有用な図である。
モジュールを示す図である。
実施形態を理解するのに有用な図である。
実施形態を理解するのに有用な図である。
実施形態を理解するのに有用な図である。
予測を理解するのに有用な図である。
システム及びアーキテクチャを示す図である。
システムを示す図である。
システムを示す図である。
方法を示す図である。
モジュールを示す図である。
実施形態を理解するのに有用な図である。
実施形態を理解するのに有用なグラフを示す図である。
モジュールを示す図である。
機器を示す図である。
【発明を実施するための形態】
【0008】
本明細書に開示される態様は、排出、例えば、CO
2
排出を推定する問題、すなわち、過去、現在、及び将来の排出をどのように監視するかを処理することができる。態様は、排出の異常なピークを検出し、例えば、対策を適用することによって、ネットゼロ目標(Net Zero Targets (NZT))の達成を支援することができる。
【0009】
交通及び/又は排出を監視する従来の技術には、以下を含む欠点がある。
・従来のアプローチでは、遅延のない応答を必要とするリアルタイム環境のような高需要システムにおいて、周期的で粒度の低い予測は提供されない。
・従来の予測はコンテキストを考慮せず、複雑なパターン(例えば、相関する地域、市民の移動の流れ、将来の出来事など)も考慮しない。
・従来のアプローチでは、CO
2
異常はCO
2
レベルとして扱われるが、モビリティのコンポーネントとして詳細に分析されない。また、周期や傾向に依存しない側面も考慮されない。
【0010】
本明細書に開示された側面は、過去、現在、及び将来の排出を監視するための大きなスケーラビリティを可能にする。これらは、排出の異常なピークを検出し、例えば、非常に短い応答期間で多数の領域を同時に管理する必要があるデジタルツイン(digital twin (DT))ソリューションに対策を適用することによって、ネットゼロ目標(Net Zero Targets (NZT))の達成を支援することができる。
(【0011】以降は省略されています)
この特許をJ-PlatPatで参照する
関連特許
富士通株式会社
測定装置
1か月前
富士通株式会社
光伝送装置
1か月前
富士通株式会社
画像変換機器と方法
1か月前
富士通株式会社
データセット特徴タイプ推論
22日前
富士通株式会社
光伝送装置および光伝送方法
1か月前
富士通株式会社
信号相関量の確定装置と方法
22日前
富士通株式会社
マーキング方法及びプログラム
1日前
富士通株式会社
制御プログラム、および制御方法
1か月前
富士通株式会社
光伝送装置および光伝送システム
23日前
富士通株式会社
双方向光リンクの異常モニタリング
25日前
富士通株式会社
バイアスのための生成人工知能の検査
15日前
富士通株式会社
制御プログラム、制御方法及び決済装置
18日前
富士通株式会社
大規模言語モデルを使用したデータ調整
22日前
富士通株式会社
情報処理プログラムおよび情報処理方法
22日前
富士通株式会社
量子デバイス及び量子デバイスの制御方法
1日前
富士通株式会社
圧縮プログラム、圧縮方法および圧縮装置
1か月前
富士通株式会社
管理装置、管理方法および管理プログラム
1か月前
富士通株式会社
選択プログラム、選択装置、及び選択方法
25日前
富士通株式会社
通信管理装置および無線リソース予測方法
1か月前
富士通株式会社
無線アクセスネットワークプロビジョニング
22日前
富士通株式会社
光送信機サブ信号光位相差の確定装置と方法
22日前
富士通株式会社
広告画像を生成する方法、装置及び記憶媒体
29日前
富士通株式会社
ホモグラフィの取得装置、方法及び電子機器
1か月前
富士通株式会社
赤外線センサ、及び赤外線センサの製造方法
1か月前
富士通株式会社
演算プログラム、演算方法、および情報処理装置
22日前
富士通株式会社
レース投票券購入方法及びレース投票券購入プログラム
1か月前
富士通株式会社
量子ビットデバイス及び量子ビットデバイスの製造方法
29日前
富士通株式会社
強化学習プログラム、強化学習方法および情報処理装置
1か月前
富士通株式会社
情報処理プログラム、情報処理方法、及び情報処理装置
23日前
富士通株式会社
カメラ制御プログラム、カメラ制御方法及び情報処理装置
1日前
富士通株式会社
情報処理プログラム、情報処理装置、および情報処理方法
18日前
富士通株式会社
競争位置表示処理プログラムおよび競争位置表示処理方法
2日前
富士通株式会社
画像に基づいて視程値を計算する装置、方法及び電子機器
1か月前
富士通株式会社
カメラ制御プログラム、カメラ制御方法及び情報処理装置
1日前
富士通株式会社
出力制御プログラム、出力制御方法およびナビゲーション装置
1か月前
富士通株式会社
光送信機のサブ信号の遅延差のリアルタイム監視装置及び方法
22日前
続きを見る
他の特許を見る