| Project/Area Number |
22K14338
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 22050:Civil engineering plan and transportation engineering-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
葉 健人 大阪大学, 大学院工学研究科, 助教 (30876959)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2022: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
|
|---|
| Keywords | 電動二輪車 / 交通行動分析 / 画像解析 / 行動パターン分析 / 小型電動車 |
|---|
| Outline of Research at the Start |
本研究では、個人に対し最低3か月間小型電動車（SEV）を貸し出した実証実験において収集された走行軌跡データを用いて、SEVによる時系列の行動パターン分析を行う。分析は走行軌跡を可視化し、その時系列の画像データに対し画像解析技術を適用することで行動パターンを把握する。そして、そのパターンに基づき充電インフラ設備の配置計画を検討する。本研究は、新たな行動パターン分析手法を開発するとともに、近年導入が進むSEVの充電設備の配置計画手法を構築する点で有意義である。
|
| Outline of Annual Research Achievements |
2023年度は得られたSEV（ここではバッテリー交換型2輪EV）のGPSログデータから，トリップチェーンに対し画像解析を適用し類型化を行った．限られたサンプル数が限られていることから，トリップチェーンの単位を日，週，月など試行的に区分し，それぞれを画像として表現した．また，時系列の変化を表すために色を用いた．
これらのデータセットを教師なしの画像分類モデルにインプットすることで，サンプル数と情報量のトレードオフ関係を確認した．その結果，週で区切ったトリップチェーンデータでは，ある程度のトリップチェーンのパターン，例えば高頻度近郊周遊型，低頻度長距離往復型などのパターンを把握できた．しかしながら，サンプル数の少なさ，および情報量の乏しさから，日・月単位でのトリップチェーンデータでは，そのパターンを把握しきれずにおり，これらの改善が望まれる．
並行して，移動ログ情報に加え，バッテリー交換データを用い，ある一定の再現性を得たバッテリー消費・交換行動モデルを構築した．これに基づき，ユーザー側のバッテリー交換に関わるパラメータおよびバッテリーインフラ側のパラメータを変化させ，これらが総走行距離やバッテリー交換頻度，バッテリー使用量の平準化に与える影響をシミュレーションした．これは，次年度に開発完了予定の画像をベースとしたトリップチェーン推定モデルを用いた，バッテリー交換設備の配置計画との比較のために構築した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度は，本研究が提案するトリップチェーン分析に対する画像解析技術の適用の一定の成果が得られたため．
|
| Strategy for Future Research Activity |
次年度は，適用した画像解析技術の精度の向上および，時系列性に基づく予測モデルを構築するためにLSTM(Long Short Term Memory)などのモデルを組み込むことを試みる．このモデルによる分析結果を，別途構築した機械学習も用いていない従来型のモデルの結果と比較する．そして，SEVsのインフラ配置計画の検討手法の開発を試みる．
|
