【技术实现步骤摘要】
预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质
[0001]本公开涉及一种预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质。
技术介绍
[0002]一直以来,已知一种对时间序列数据中的将来值进行高精度预测的时间序列数据预测装置(例如,参照日本特开2019
‑
101490号公报)。在日本特开2019
‑
101490号公报中所公开的时间序列数据预测装置选择所接收到的时间序列数据的一部分的数据,并将所选择的数据存储在数据存储信息中,且根据数据存储信息的空域,而对被存储在数据存储信息中的多个数据进行压缩从而形成压缩数据,进而增加数据存储信息的空域。而且,时间序列数据预测装置基于数据存储信息中的数据和压缩数据,从而生成时间序列数据的将来值的预测模型。预测部基于在时间序列数据中成为预测对象的部分时间序列、和预测模型,而对时间序列数据的将来值进行预测。
[0003]但是,在对某个对象的举动进行预测的情况下,有时该对象会具有非线性特性。在该情况下,在对对象的举动进行预测时,例如,会使用作为机器学习模型的一个示例的神经网络等。作为机器学习模型的一个示例的递归型神经网络由于能够利用具有非线性特性的对象的时间序列数据来对该对象的举动进行预测,因此是有用的。
[0004]例如,被搭载于车辆上的防振部件具有非线性特性。因此,能够利用递归型神经网络等递归型学习模型,而对车辆的防振部件的举动进行预测。在对防振部件的举动进行预测时所使用的数据例 ...
【技术保护点】
【技术特征摘要】
1.一种预测装置,具备:取得部,其取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至所述防振部件上的各个时刻的速度的序列的速度数据;第一载荷数据生成部,其对于表示所述防振部件的线性特性、且用于根据所述位移数据以及所述速度数据而对表示从所述防振部件输出的载荷的载荷数据进行推断的模型,通过输入由所述取得部所取得的所述位移数据以及所述速度数据,从而生成所述防振部件的第一载荷数据;第二载荷数据生成部,其对于表示所述防振部件的非线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型,通过输入由所述取得部所取得的所述位移数据以及所述速度数据,从而生成所述防振部件的第二载荷数据;推断部,其通过将由所述第一载荷数据生成部所生成的所述第一载荷数据与由所述第二载荷数据生成部所生成的所述第二载荷数据相加并总计,从而对与所述防振部件相关的载荷数据进行推断。2.如权利要求1所述的预测装置,其中,表示所述防振部件的线性特性的模型为力学系统模型,表示所述防振部件的非线性特性的递归型学习完毕模型为学习完毕的递归型神经网络。3.一种学习装置,具备:教师数据取得部,其取得表示学习用的位移数据以及学习用的速度数据与载荷数据的组合的教师数据,其中,所述学习用的位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据,所述学习用的速度数据为表示被输入至所述防振部件上的各个时刻的速度的序列的数据,所述载荷数据为表示在被赋予了学习用的所述速度数据以及学习用的所述位移数据时在所述防振部件上产生的载荷的数据;学习部,其通过基于由所述教师数据取得部所取得的所述教师数据而使表示所述防振部件的非线性特性的递归模型进行机器学习,从而生成用于根据所述位移数据以及所述速度数据来对表示在所述防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型。4.如权利要求3所述的学习装置,其中,所述教师数据取得部实施如下处理,即:通过从表示所述防振部件的要求性能的储能弹簧常数中减去与所述防振部件的线性特性相对应的弹簧常数K0,从而生成与所述防振部件的非线性特性相对应的弹簧常数K
d
’
;通过从表示所述防振部件的要求性能的衰减系数中减去与所述防振部件的线性特性相对应的衰减系数C0,从而生成与所述防振部件的非线性特性相对应的衰减系数C
’
;通过对与所述防振部件的非线性特性相对应的弹簧常数K
d
’
和与所述防振部件的非线性特性相对应的衰减系数C
’
进行变换,从而对与所述防振部件的要求性能相对应的绝对弹簧常数K和与所述防振部件的要求性能相对应的相位θ进行计算;基于对于所述防振部件而被输入的振动的振幅a和所述振动的角频率ω,并依照以下的式(1),而对作为所述教师数据中的输入侧数据的、各个时刻t的所述位移数据x(t)以及
各个时刻t的所述速度数据v(t)进行计算;基于对于所述防振部件而被输入的振动...
【专利技术属性】
技术研发人员:中津川英治,山下诚二,堂上靖史,森田英宪,
申请(专利权)人:丰田自动车株式会社,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。