JP2017125825A - 電気自動車の走行支援装置、車載装置及び走行支援方法 - Google Patents

Abstract

【課題】走行区間毎に発生する予測リスクを考慮した効果的な電気自動車の走行支援機能を実現する走行支援装置、車載装置及び支援方法を提供する。【解決手段】走行支援サーバ１０は、情報取得部１０２〜１０６と、予測リスク計算部１１０と、到達確率計算部１１１とを有する。情報取得部は、電池残量を含む走行関連の要素情報を取得する。予測リスク計算部は、要素情報及び電費推定モデルに基づいて、走行区間において電気自動車の電費の平均値と電費の標準偏差を算出する。到達確率計算部は、電池残量及び予測リスク計算部の算出結果に基づいて、走行区間での到達確率を算出する。【選択図】図２

Description

本発明の実施形態は、電気自動車等の走行を支援する走行支援装置、車載装置及び走行支援方法に関する。

一般的に、電気自動車（ＥＶ:electric vehicle）は、電池容量の制限から、相対的に走行可能距離が短い。また、ＥＶ用電池に充電できる充電ステーションなどの充電設備（充電器）の設置場所が少ない。近年では、現在の電池残量に基づいて、電気自動車の到達距離を予測できる走行支援サーバやシステムが提案されている。

国際公開ＷＯ２０１２−０３５８４７号公報 特開２０１１−２３２２４１号公報 特開２００６−０５３１３２号公報

従来の走行支援サーバやシステムでは、到達距離の予測結果には、電気自動車の走行区間毎に発生する予測リスクが考慮されていない。このため、電気自動車のユーザが予測結果に従って、充電ステーションがある場所を目指して走行した場合に、到達する前に電池残量が無くなる可能性がある。そこで、予測リスクを考慮した効果的な電気自動車の走行支援機能を実現するという課題がある。

本実施形態の電気自動車の走行支援装置は、情報取得手段と、予測リスク計算手段と、到達確率計算手段とを有する構成である。前記情報取得手段は、電気自動車の電池残量を含む走行関連の要素情報を取得する。前記予測リスク計算手段は、前記要素情報及び電費推定モデルに基づいて、走行区間において前記電気自動車の電費の平均値と電費の標準偏差を算出する。前記到達確率計算手段は、前記電池残量及び前記予測リスク計算手段の算出結果に基づいて、前記走行区間での到達確率を算出する。

実施形態に関する電気自動車等の走行支援システムの概略を説明するためのブロック図。 第１の実施形態に関する走行支援サーバの構成を説明するためのブロック図。 第１の実施形態に関する走行支援サーバの動作を説明するためのフローチャート。 第１の実施形態に関する履歴情報の具体例を説明するための図。 第１の実施形態に関するパラメータ情報の具体例を説明するための図。 第１の実施形態に関するパラメータ学習部の処理を説明するためのフローチャート。 第１の実施形態に関するパラメータ学習部の処理と履歴情報との関連を説明するための図。 第１の実施形態に関する予測リスク計算部の処理を説明するためのフローチャート。 第１の実施形態に関する電費推定モデルの利用を説明するための図。 第１の実施形態に関する到達確率計算部の処理を説明するためのフローチャート。 第１の実施形態に関する表示器の表示形態の一例を示す図。 第２の実施形態に関する走行支援サーバの構成を説明するためのブロック図。

以下図面を参照して、実施形態を説明する。
本実施の形態における電気自動車等とは、電気のみで走行する電気自動車に限られず、ガソリンや軽油等の揮発性燃料以外でも走行が可能な車両であれば何でもよい。例えば、ガソリンエンジンと電気を使用するモータを併用するハイブリット車や、水素を用いた燃料電池搭載の自動車等にも適用可能である。
図１は、後述する第１及び第２の実施形態に関する電気自動車等の走行支援システム１の概略を示すブロック図である。図１に示すように、当該走行支援システム１は概略的には、走行支援サーバ１０と、充電情報サーバ３０と、環境情報サーバ４０とを含む構成である。更に、走行支援システムは、中継装置５０を介して、端末２０に対して情報提供を行うように構成されている。走行支援サーバ１０は、後述するように、電気自動車等の電費予測値（到達距離の予測値）及び到達距離確率を計算して出力するコンピュータシステムを主要素とし、各種の情報を交換する無線通信装置を含む構成である。充電情報サーバ３０は、後述するように、電気自動車等毎の予測した電池残量情報を含む充電情報を走行支援サーバ１０に提供する。

環境情報サーバ４０は、渋滞情報サーバ４１、気象情報サーバ４２、及びデータベース４３を有する。渋滞情報サーバ４１は、走行区間毎の渋滞情報（例えば平均速度値に換算）を走行支援サーバ１０に提供する。気象情報サーバ４２は、走行区間毎の気象情報（特に気温を含む天気予報情報）を走行支援サーバ１０に提供する。データベース４３は、走行区間後の道路勾配情報や、後述する電費推定モデルでの係数等の情報を格納している。環境情報サーバ４０は、当該データベース４３から道路勾配情報や係数等の情報を走行支援サーバ１０に提供する。

また、中継装置５０は、走行支援サーバ１０と端末２０との間で情報を交換する。ここで、端末２０は、電気自動車等の内部でユーザが操作する携帯電話やスマートフォン等の携帯端末である場合、中継装置５０は携帯電話網の基地局または、ＷｉＦｉ等の公衆無線ＬＡＮのアクセスポイント等に当たる。また、端末２０は、電気自動車等に搭載されたカーナビゲーション等の車載機器でもよい。端末２０が車載機器の場合には、当該車載機器はＩＴＳスポット等の無線通信を介して中継装置５０と通信可能に構成されている。この場合、中継装置５０は、ＩＴＳスポット等の路側通信設備で構成される。

[第１の実施形態]
図２は、第１の実施形態に関する走行支援サーバ１０の構成を示す図である。以下、図２を参照して、当該実施形態の走行支援サーバ１０の構成を説明する。
走行支援サーバ１０は、位置情報取得部１０１、勾配情報取得部１０２、気象情報取得部１０３、渋滞情報取得部１０４、ユーザ情報取得部１０５、電池残量情報取得部１０６及び履歴情報データベース（ＤＢ）１０７を含む。さらに、走行支援サーバ１０は、パラメータ学習部１０８、パラメータ情報データベース（ＤＢ）１０９、予測リスク計算部１１０、及び到達確率計算部１１１を含む。

ここで、走行支援サーバ１０は、例えば、電気自動車等が走行する高速道路等の路側に設置されており、中継装置５０を介して端末２０との間で情報を交換する。以下、便宜的に、中継装置５０を介することを省略して説明する場合がある。位置情報取得部１０１は、端末２０から走行中の電気自動車等の位置情報（ＧＰＳ位置情報）を取得する。環境情報サーバ４０は、当該位置情報取得部１０１から提供される位置情報に基づいて電気自動車等の走行区間を予測し、走行支援サーバ１０に提供する。なお、位置情報取得部１０１は、前述したように、端末２０が車載機器の場合には、当該車載機器から位置情報を受信してもよい。

勾配情報取得部１０２、気象情報取得部１０３及び渋滞情報取得部１０４はそれぞれ、環境情報サーバ４０に含まれる渋滞情報サーバ４１、気象情報サーバ４２、及びデータベース４３から、道路勾配情報、気象情報及び渋滞情報のそれぞれを走行区間毎に取得する。ユーザ情報取得部１０５は、端末２０からユーザのＩＤ情報等を含むユーザ情報を取得する。ユーザ情報は、例えば、環境情報サーバ４０のデータベース４３に保存されているユーザ毎の運転履歴情報（ドライビング履歴情報）とリンクしている。

電池残量情報取得部１０６は、充電情報サーバ３０から電気自動車等の電池残量（出力可能な電力量）を予測した電池残量情報を取得する。充電情報サーバ３０は、予測した電池残量情報を電池残量情報取得部１０６に提供する充電管理機器に相当する。

履歴情報ＤＢ１０７は、位置情報取得部１０１、勾配情報取得部１０２、気象情報取得部１０３、渋滞情報取得部１０４、ユーザ情報取得部１０５及び電池残量情報取得部１０６のそれぞれにより取得された要素情報を、走行区間毎に例えば1年分（Ｎ日分）を保存する。

パラメータ学習部１０８は、後述するように、履歴情報ＤＢ１０７に蓄積された例えば１年分（Ｎ日分）の要素情報を使用して、電費推定モデルの複数のパラメータ（係数と電費の標準偏差）を学習して設定する。
パラメータ情報ＤＢ１０９は、パラメータ学習部１０８により設定されたパラメータ情報を保存する。ここで、電費推定モデルは、ＥＶの走行区間において要素情報から電費（ＥＶの燃費＝到達距離／消費電力）を算出する計算式である。換言すれば、到達距離の予測値は、電費推定モデルにより算出された電費から算出できる。従って、到達距離に関する予測値には、当該電費推定モデルにより算出される電費が含まれる。

予測リスク計算部１１０は、後述するように、パラメータ情報ＤＢ１０９から抽出したパラメータを使用して、前述した電費（その平均値μ）及び電費の標準偏差σを算出する。この標準偏差σは、分散の平方根であり、電費（その平均値μ）に対するばらつきを示すものである。即ち、予測リスク計算部１１０は、到達距離を予測する際のリスクを計算するための電費の平均値及び標準偏差を算出する。

到達確率計算部１１１は、後述するように、予測リスク計算部１１０の算出結果に基づいて、走行区間における到達確率を算出する。走行支援サーバ１０は、到達確率計算部１１１の算出結果を含む走行支援情報を、中継装置５０を介して端末２０に送信する。端末２０は、搭載している表示器１００に対して、受信した走行支援情報を表示出力する。なお、端末２０が車載機器の場合には、表示器１００は当該車載機器に組み込まれた表示器である。表示器１００には、後述するように、所定の表示形態で走行支援情報が表示される（図１１を参照）。

次に、図３から図１１を参照して、本実施形態の動作を説明する。図３は、走行支援サーバ１０の動作を説明するためのフローチャートである。

図３に示すように、走行支援サーバ１０は、勾配情報取得部１０２、気象情報取得部１０３、渋滞情報取得部１０４、ユーザ情報取得部１０５及び電池残量情報取得部１０６のそれぞれにより、ＥＶの走行関連の要素情報（関連情報と表記する場合がある）を取得する（処理Ｓ１）。ここで、関連情報は、位置情報取得部１０１の位置情報に基づいて予測されたＥＶの走行区間に対応するもので、勾配情報、気象情報、渋滞情報、ユーザ情報及び電池残量情報を含む。但し、ユーザ情報は、関連情報には含まれなくてもよい。

走行支援サーバ１０は、取得された走行関連の要素情報（関連情報）を履歴情報ＤＢ１０７に保存する（処理Ｓ２）。本実施形態では、履歴情報ＤＢ１０７には、走行区間毎にＮ日分（例えば1年分）の関連情報が例えば１分毎に蓄積されて、履歴情報として保存される。
図４は、図３の処理Ｓ２において、履歴情報ＤＢ１０７に保存される履歴情報の具体例を示す図である。図４に示すように、履歴情報の項目において、ユーザＩＤはユーザ情報取得部１０５により設定されたＩＤ情報である。位置は、位置情報取得部１０１により取得された位置情報である。充電残量は、電池残量情報取得部１０６により設定された電池残量情報である。

さらに、図４に示す履歴情報の項目において、区間及び勾配は、勾配情報取得部１０２により設定された走行区間とその勾配を示す勾配情報である。ここで、勾配情報取得部１０２は、環境情報サーバ４０から当該勾配情報を取得する。環境情報サーバ４０は、位置情報取得部１０１から提供される位置情報に基づいて、例えば、データベース４３に保存している区間テーブルとそれに関連付けられた高さテーブルを参照して勾配情報を生成する。ここで、区間の項目で示すコード「１」は、当該区間テーブルに記録されている走行区間名（例：○○自動車道△△ＩＣ〜□□ＩＣ）に対応付けされている。また、勾配の項目で示す勾配情報は、基準電費の増分または減少分の蓄積値として表記し、正値の和として上り坂累積値及び負値の和として下り坂累積値を示す。ここでは、値「１０」は平坦を示し、値「１５」は上り坂を示す。

さらに、図４に示す履歴情報の項目において、気温及び渋滞はそれぞれ、気象情報取得部１０３及び渋滞情報取得部１０４により設定された気象情報及び渋滞情報である。図１に示すように、環境情報サーバ４０は、渋滞情報サーバ４１及び気象情報サーバ４２を含む。気象情報取得部１０３は、気象情報サーバ４２の天気予報情報から作成した気温テーブルを参照し、当該走行区間の気象情報として気温を設定する。また、渋滞情報取得部１０４は、渋滞情報サーバ４１により作成された渋滞テーブルを参照し、当該走行区間の渋滞（平均速度値）を設定する。

図３に戻り、処理Ｓ２が終了すると、走行支援サーバ１０のパラメータ学習部１０８は、履歴情報ＤＢ１０７に蓄積された例えば１年分（Ｎ日分）の関連情報（要素情報）を使用して、電費推定モデルの複数のパラメータ（係数）を学習するパラメータ学習処理を実行する（処理Ｓ３のＹＥＳ，処理Ｓ４）。パラメータ学習処理により設定されたパラメータ情報は、パラメータ情報ＤＢ１０９に保存される。

図５は、図３の処理Ｓ４において、パラメータ情報ＤＢ１０９に保存されるパラメータ情報の具体例を示す図である。図５に示すように、パラメータ情報は、ユーザ毎及び走行区間毎に、例えば、線形モデルの複数の係数（a）と１つの標準偏差（σ）をセットで設定されている。なお、これ以外に、パラメータ情報は、走行区間を共通で、ユーザ毎又はＥＶの車種毎に設定されてもよい。また、ユーザを共通で、走行区間毎又は走行区間共通に設定されてもよい。さらに、パラメータ情報は、ＥＶの車種毎及び走行区間毎に設定されてもよい。

ここで、図６及び図７を参照して、図３のパラメータ学習処理（Ｓ４）を説明する。
図６は、図３の処理４において、パラメータ学習部１０８の処理の一例を説明するためのフローチャートである。また、図７は、パラメータ学習部１０８の処理と履歴情報との関連を説明するための図である。以下、図６で示すパラメータ学習部１０８の処理Ｓ１１−Ｓ１６を、図７を参照して説明する。

図６において、パラメータ学習部１０８は、図７に示す履歴情報から、同一のユーザＩＤと走行区間において、充電残量がある２点とその間のデータ６０を抽出する（処理Ｓ１１）。次に、パラメータ学習部１０８は、抽出したデータ６０に基づいて、距離６１、消費電力６２、坂道の程度（勾配）６３、気温（平均気温）６４及び渋滞（平均速度値）６５を算出する（処理Ｓ１２）。即ち、パラメータ学習部１０８は、２点の位置情報に基づいて、２点間の距離の和である距離６１を算出する。また、パラメータ学習部１０８は、開始時と終了時の充電残量の差として消費電力６２を算出する。さらに、パラメータ学習部１０８は、勾配の正値の和として上り坂累積値、及び勾配の負値の和として下り坂累積値を含む坂道の程度（勾配）６３を算出する。

次に、パラメータ学習部１０８は、算出した距離６１及び消費電力６２から、「電費＝到達距離／消費電力」の関係式により、ＥＶの走行区間での燃費に相当する電費６６を算出する（処理Ｓ１３）。

さらに、パラメータ学習部１０８は、算出した坂道の程度６３、気温６４、渋滞６５及び電費６６から係数βを、下記式（１）から算出する（処理Ｓ１４）。
ここで、Ｘｉは、坂道の程度（上り坂累積値と下り坂累積値）、気温、渋滞の各値を並べたデータである。ｙｉは電費を示すデータである。

さらに、パラメータ学習部１０８は、算出した電費６６の標準偏差σを下記式（２）から算出する（処理Ｓ１５）。

パラメータ学習部１０８は、算出した係数β及び電費の標準偏差σをパラメータとし、ユーザＩＤや走行区間の情報に基づいて、図５に示すパラメータ情報を更新（学習）する（処理Ｓ１６）。なお、前記式（１）、（２）は線形モデルを利用した場合の計算式を示す。本実施形態のパラメータ学習部１０８は、これに限ることなく、例えばサポートベクトル回帰やLassoなどの手法を利用した場合でも同様にパラメータ情報を学習できる。

再度、図３に戻り、走行支援サーバ１０では、パラメータ学習部１０８が学習（処理Ｓ４）し、パラメータ情報をパラメータ情報ＤＢ１０９に保存した後に、予測リスク計算１１０は予測リスク計算処理を実行する（処理Ｓ５）。なお、パラメータ学習部１０８は、履歴情報ＤＢ１０７に例えば１年分（Ｎ日分）の関連情報が蓄積されない場合には、パラメータ学習処理を実行しない。この場合でも、予測リスク計算部１１０は、履歴情報ＤＢ１０７に保存された関連情報に基づいて、予測リスク計算処理を実行する（処理Ｓ３のＮＯ）。即ち、予測リスク計算部１１０は、前述したように、パラメータ学習部１０８と同様の処理により、係数β及び電費の標準偏差σから構成されるパラメータを算出する。

次に、図８のフローチャートは、図３の処理Ｓ５における予測リスク計算部１１０の予測リスク計算処理を示す。
図８に示すように、予測リスク計算部１１０は、パラメータ情報ＤＢ１０９から、ユーザＩＤや走行区間の情報に基づいて、適切なパラメータを抽出する（処理Ｓ２１）。ここで、前述したように、パラメータは、パラメータ学習部１０８により算出した係数β及び電費の標準偏差σから構成されている。

次に、予測リスク計算部１１０は、パラメータの係数βを利用し、坂道の程度（６３）、気温（６４）、及び渋滞（６５）の履歴情報（図６を参照）に基づいて、電費ｙを下記式（３）から算出する（処理Ｓ２２）。
ここで、Ｘは、坂道の程度（上り坂累積値と下り坂累積値）、気温、渋滞の各値を並べたデータである。ｙは電費を示すデータである。なお、気温及び渋滞の各値は、現時点の情報または天気予報情報を利用する。また、坂道の程度（上り坂累積値と下り坂累積値）は、履歴情報から現在位置から目的地までの走行区間における過去の情報に基づいて、パラメータ学習部１０８と同様の処理により算出する。なお、複数の情報については、その平均値を利用する。

予測リスク計算部１１０は、算出した電費ｙの平均値μ、及びパラメータに含まれる電費の標準偏差σを計算結果として出力する（処理Ｓ２３）。ここで、電費の標準偏差σは、分散の平方根であり、電費の平均値μに対するばらつきを示すものである。即ち、予測リスク計算部１１０は、電費の平均値μとして到達距離に関する予測値を算出し、かつ当該電費の平均値μに対する標準偏差σを算出する。予測リスク計算部１１０は、以上の処理Ｓ２１−Ｓ２３を全ての走行区間について完了するまで繰り返す（処理Ｓ２４）。

ここで、図９は、図３におけるパラメータ学習部１０８の学習処理Ｓ４および予測リスク計算部１１０の予測リスク計算処理Ｓ５との関連を、電費推定モデルの利用という観点から説明するための図である。
即ち、学習処理Ｓ４に対応する学習ステップ９０では、前述したような各種の情報を使用して、電費計算処理９００により、電費推定モデルのパラメータに含まれる係数９０１が推定される。ここで、各種の情報は、ユーザ個別情報９０２、動的情報９０３、固定情報９０４、走行要素情報９０５及びＥＶの特性情報９０６等に分類できる。また、予測リスク計算処理Ｓ５に対応する実行ステップ９１では、ユーザ個別情報９０２、動的情報９０３、固定情報９０４、及びＥＶの特性情報９０６を使用し、推定された係数９０１を入力とする電費計算処理９１０により、電費推定モデルの予測値９１１が出力される。予測値９１１は、ＥＶの電力消費及び到達距離に基づいた電費の平均値及び予測のリスクに関係する電費の標準偏差である。

図３に戻り、予測リスク計算処理（Ｓ５）が終了すると、到達確率計算部１１１は、予測リスク計算部１１０の算出結果に基づいて、走行区間におけるＥＶの到達確率を算出する到達確率計算処理を実行する（処理Ｓ６）。

ここで、図１０は、図３の処理Ｓ６における到達確率計算部１１１の到達確率計算処理を示すフローチャートである。
図１０に示すように、到達確率計算部１１１は、走行区間ｉ、電費（その平均値μｉ）、電費の標準偏差σｉ、走行区間の距離ｄｉ、及び現在の電池残量Ｓから、下記関係式（４）によりｔ分布（またはスチューデント（student）分布）の値（統計値ｔ）を算出する（処理Ｓ３１）。

次に、到達確率計算部１１１は、算出したｔ分布の統計値ｔから、ｔ分布の所定の計算式に基づいて下側確率（ｔ分布の左側領域の面積）を算出する（処理Ｓ３２）。到達確率計算部１１１は、算出した下側確率を到達確率ｐとして出力する（処理Ｓ３３）。
再度、図３に戻り、到達確率計算処理（処理Ｓ６）が終了すると、走行支援サーバ１０は、到達確率計算部１１１の算出結果を含む走行支援情報を表示機器１００に表示出力する（処理Ｓ７）。表示機器１００は、例えば、ユーザの携帯端末の表示器であり、またはカーナビゲーション等の車載機器に含まれる表示機器でもよい。なお、走行支援サーバ１０は、到達確率の算出結果だけでなく、電池残量及び到達距離に関する予測値（電費を含む）を含む走行支援情報を表示出力する。
走行支援サーバ１０は、ＥＶの走行時間又はユーザからの要求に基づいて、処理が完了するまで処理Ｓ１−Ｓ７を繰り返す（処理Ｓ８）。

図３の処理Ｓ７において、図１１は、走行支援サーバ１０の表示出力処理による表示器１００の表示形態の一例を示す図である。
図１１に示すように、表示器１００の表示画面には、例えば、ＥＶの走行区間の道路地図を表示する表示エリア２００、道路地図上での予測値に関する情報を表示する表示エリア２１０、及び道路地図上での充電ステーションの利用状況に関する情報を表示する表示エリア２１１が含まれる。

ここで、表示エリア２００には、走行区間の道路イメージ２０１が表示される。道路イメージ２０１には、走行区間において、走行支援サーバ１０により算出されるリスクを考慮した予測値に基づいて、例えば、走行可能距離の最小値、平均値、予測リスクが「分散＋１」を考慮した距離、最大値のそれぞれに対応する走行区間２０２−２０５を、青色、黄色、橙色、赤色に区別して表示される。また、道路イメージ２０１には、充電ステーションの位置及び利用状況に関するマーク２０６、２０７、２０８が表示される。これらの各マークの意味は、表示エリア２１１に表示される情報により示される。
なお、図１１の表示形態は一例である。走行支援サーバ１０により算出される到達確率、電池残量及び到達距離に関する予測値を含む走行支援情報に基づいて、多様な表示形態が可能である。

以上のように、第１の実施形態の走行支援サーバ１０によれば、予測された走行区間において、現在の電池残量及び電費推定モデルに基づいて、電気自動車等の到達距離を予測する際に、予測リスクを考慮するための到達確率を、走行区間及びユーザ毎に算出する。走行支援サーバ１０は、算出した到達確率を、ユーザの携帯端末や車載機器２０の表示器に走行支援情報として表示できる。即ち、走行支援サーバ１０は、前述したように、走行区間において、道路の勾配に関する静的な情報、道路渋滞や電池残量に影響を及ぼす気温のような動的な情報に基づいて、到達距離の予測値が変動するという予測リスクを考慮した予測情報として到達確率を算出する。特に、動的な情報を利用することにより、現在の状況を考慮した到達確率を計算することが可能となる。

従って、ＥＶのユーザは、現在の電池残量に基づいた到達距離の予測に対する到達確率を表示器から確認できるため、予定した目的地まで到達できないようなリスクを未然に回避できる可能性が高くなる。即ち、到達確率が相対的に低い場合に、現在の電池残量では、予定した充電ステーションのある場所まで到達できない可能性があることを確認できる。換言すれば、走行支援サーバ１０は、ユーザは、走行区間毎の到達確率に基づいて、どの場所で充電可能であるかを判断する基準をユーザに与えることができる。これにより、ユーザは、充電する前に電池残量が無くなるような事態を回避する対策を行うことが可能となる。

なお、当該実施形態は、走行支援サーバ１０が、例えば、ＥＶが走行する高速道路等の路側に設置されている場合について説明したが、これに限定されない。具体的には、当該実施形態は、走行支援サーバ１０に相当する走行支援装置が、ＥＶに搭載されたカーナビゲーション等の車載機器に組み込まれている場合でも適用できる。この場合、当該走行支援装置は、例えばＩＴＳスポット等の無線通信を介して充電情報サーバ３０及び環境情報サーバ４０に接続して情報交換を行う構成でもよい。

[第２の実施形態]
図１２は、第２の実施形態に関する走行支援サーバ１０の構成を示す図である。以下、図１２を参照して、当該実施形態の走行支援サーバ１０の構成を説明する。なお、前述した第１の実施形態に関する走行支援サーバ１０と同様の構成については、同一符号を付して説明を省略する。

図１２に示すように、当該実施形態の走行支援サーバ１０は、速度情報取得部１１２、休憩時間計算部１１３、及び平均速度補正部１１４を含む。ここで、第１の実施形態と同様に、当該実施形態の走行支援サーバ１０は、例えば、ＥＶが走行する高速道路等の路側に設置されている。速度情報取得部１１２は、環境情報サーバ４０から道路を走行する車両の速度を計測した速度情報を取得する。具体的には、速度情報取得部１１２は、例えば、環境情報サーバ４０に含まれる渋滞情報サーバ４１により管理され、走行区間毎にトラフィックカウンタにより計測された速度情報を取得する。

休憩時間計算部１１３は、速度情報取得部１１２から出力された速度情報の平均を示す平均速度情報、及び当該ＥＶの走行距離から算出した平均速度に基づいて、ＥＶの充電時においてＥＶのユーザの休憩時間（後述する休憩時間情報）を算出して、履歴情報ＤＢ１０７に保存する。平均速度補正部１１４は、平均速度を計算した際の時間から当該休憩時間を引いて平均速度を再計算し、平均速度を補正する。

以下、当該実施形態の要部である速度情報取得部１１２、休憩時間計算部１１３、及び平均速度補正部１１４の動作を具体的に説明する。
速度情報取得部１１２は、環境情報サーバ４０から走行区間を走行する車両の速度を計測した速度情報を取得し、その平均を算出して平均速度情報として出力する。ここで、環境情報サーバ４０は、位置情報取得部１０１から提供される位置情報に基づいて、当該ＥＶの走行地点間である走行区間の走行距離を推定し、当該速度情報を算出する。速度情報取得部１１２は、算出した平均速度情報を履歴情報ＤＢ１０７に保存する。

次に、休憩時間計算部１１３は、履歴情報ＤＢ１０７からの情報に基づいて当該ＥＶの平均速度を算出して、履歴情報ＤＢ１０７に保存する。さらに、休憩時間計算部１１３は、当該平均速度と、速度情報取得部１１２から出力された平均速度情報との差を算出する。休憩時間計算部１１３は、当該算出結果をＥＶの充電時においてＥＶのユーザの休憩時間と見做す休憩時間情報を出力して、履歴情報ＤＢ１０７に保存する。
ここで、休憩時間計算部１１３は、履歴情報ＤＢ１０７からの情報として、電池残量情報取得部１０６から取得される電池残量情報に含まれる１つ前の充電終了時刻と今回の充電開始時刻の差、及び当該ＥＶの走行距離である。即ち、休憩時間計算部１１３は、当該充電終了時刻と充電開始時刻の差と当該ＥＶの走行距離とから平均速度を算出し、履歴情報ＤＢ１０７に保存する。

平均速度補正部１１４は、履歴情報ＤＢ１０７から当該ＥＶの平均速度を算出した際の時間（当該充電終了時刻と充電開始時刻の差）を取得し、当該時間から休憩時間計算部１１３により算出された休憩時間情報で示す時間を引いて、当該平均速度を再計算する。平均速度補正部１１４は、再計算した結果を使用して履歴情報ＤＢ１０７に保存されている平均速度を補正する。

以上のように、第２の実施形態によれば、走行区間におけるＥＶの平均速度を、ＥＶの充電時のユーザの休憩時間を考慮して補正できる。従って、履歴情報ＤＢ１０７に保存されたＥＶの平均速度を含む各種の情報を使用して、ＥＶの電費を予測する予測処理の精度を向上することが可能となる。

さらに、当該実施形態によれば、休憩時間計算部１１３により算出された休憩時間情報が履歴情報ＤＢ１０７に保存される。休憩時間情報は、ＥＶの充電時においてＥＶのユーザの休憩時間と見做す時間情報である。ここで、例えば、高速道路等のサービスエリア（ＥＶ用充電設備が設置されている休憩所）において、当該休憩時間情報は、いわば当該サービスエリアの混雑度合いを示す情報として取り扱うことが可能である。具体的には、同一のサービスエリアにおいて、複数のユーザが時間帯での休憩時間を重ね合わせることで、同じ時間帯での休憩時間の分布を示すことができる。この分布から、複数のユーザが同じ時間帯で休憩している状況を混雑度合いとして判定することが可能である。

以上のように、当該実施形態による休憩時間情報を、例えばサービスエリアの混雑度合いを示す情報に適用することにより、例えば、当該サービスエリアでの物品販売などの売上予測用のマーケティング情報として利用するなどの有用な効果が得られる。ここで、マーケティング情報として利用する具体例としては、一般的には、混雑度合いが高いほど、当該サービスエリアでの物品販売などの売上が伸びるとの予測結果を出すことができる。また、逆に混雑度合いが高いにも関わらず、売上が伸びない結果に対して、その要因を分析し、混雑度合い以外で売上が伸びる要素を検討するための参考情報として利用できる。当然ながら、これら以外の様々な利用形態が考えられる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…走行支援システム、１０…走行支援サーバ、２０…端末、３０…充電情報サーバ、
４０…環境情報サーバ、４１…渋滞情報サーバ、４２…気象情報サーバ、
５０…中継装置、１００…表示機器、１０１…位置情報取得部、
１０２…勾配情報取得部、１０３…気象情報取得部、１０４…渋滞情報取得部、
１０５…ユーザ情報取得部、１０６…電池残量情報取得部、
１０７…履歴情報データベース（ＤＢ）、１０８…パラメータ学習部、
１０９…パラメータ情報データベース（ＤＢ）、１１０…予測リスク計算部、
１１１…到達確率計算部、１１２…速度情報取得部、１１３…休憩時間計算部、
１１４…平均速度補正部。

Claims (18)

1. 電気自動車の電池残量を含む走行関連の要素情報を取得する情報取得手段と、
   前記要素情報及び電費推定モデルに基づいて、走行区間において前記電気自動車の電費の平均値と電費の標準偏差を算出する予測リスク計算手段と、
   前記電池残量及び前記予測リスク計算手段の算出結果に基づいて、前記走行区間での到達確率を算出する到達確率計算手段と
   を具備する電気自動車の走行支援装置。
2. 前記要素情報の蓄積結果に基づいて、電費推定モデルのパラメータを学習するパラメータ学習手段を有する請求項１に記載の電気自動車の走行支援装置。
3. 前記パラメータ学習手段は、前記電費を算出するための係数及び電費の標準偏差を含む前記パラメータを学習する請求項２に記載の電気自動車の走行支援装置。
4. 前記予測リスク計算手段は、
   前記電費推定モデルのパラメータに含まれる係数及び標準偏差に基づいて、電費の平均値及び電費の標準偏差を算出する請求項１に記載の電気自動車の走行支援装置。
5. 前記到達確率計算手段は、
   前記予測リスク計算手段の算出結果に含まれる電費の平均値と電費の標準偏差、走行区間の距離、及び現在の前記電池残量に基づいて、前記走行区間での到達確率を算出する請求項１に記載の電気自動車の走行支援装置。
6. 前記到達確率計算手段は、前記到達確率としてt分布に下側確率を算出する請求項５に記載の電気自動車の走行支援装置。
7. 前記到達確率を含む走行支援情報を、表示器に表示出力する表示手段を有する請求項１に記載の電気自動車の走行支援装置。
8. 請求項１に記載の電気自動車の走行支援装置を、前記電気自動車に搭載した車載装置。
9. 前記走行支援装置は、前記要素情報の蓄積結果に基づいて、電費推定モデルのパラメータを学習するパラメータ学習手段を有する請求項８に記載の車載装置。
10. 電気自動車の電池残量を含む走行関連の要素情報を取得する情報取得手段と、
    道路を走行する車両の速度を計測した速度情報を取得する速度情報取得手段と、
    前記要素情報及び前記速度情報に基づいて、充電地点間の距離と時間から計測した平均速度から休憩時間を計算する休憩時間計算手段と
    を具備する電気自動車の走行支援装置。
11. 前記休憩時間計算手段により計算した前記休憩時間に基づいて、前記平均速度を補正する平均速度補正手段と
    を具備する請求項１０に記載の電気自動車の走行支援装置。
12. 電気自動車の走行支援方法であって、
    前記電気自動車の電池残量を含む走行関連の要素情報を取得する処理と、
    前記要素情報及び電費推定モデルに基づいて、走行区間において前記電気自動車の電費の平均値と電費の標準偏差を算出する処理と、
    前記電池残量及び前記電費の平均値と電費の標準偏差の算出結果に基づいて、前記走行区間での到達確率を算出する処理と
    を具備する走行支援方法。
13. 前記要素情報の蓄積結果に基づいて、電費推定モデルのパラメータを学習する処理を有する請求項１２に記載の走行支援方法。
14. 前記学習する処理は、前記電費を算出するための係数及び電費の標準偏差を含む前記パラメータを学習する請求項１３に記載の走行支援方法。
15. 前記電費の平均値と電費の標準偏差を算出する処理は、
    前記電費推定モデルのパラメータに含まれる係数及び標準偏差に基づいて、電費の平均値及び電費の標準偏差を算出する請求項１２に記載の走行支援方法。
16. 前記到達確率を算出する処理は、
    前記電費の平均値と電費の標準偏差、走行区間の距離、及び現在の前記電池残量に基づいて、前記走行区間での到達確率を算出する請求項１２記載の走行支援方法。
17. 前記到達確率を算出する処理は、前記到達確率としてt分布に下側確率を算出する請求項１６に記載の走行支援方法。
18. 前記到達確率を含む走行支援情報を、表示器に表示出力する処理を有する請求項１２に記載の走行支援方法。