机器学习系统、交通信息提供系统以及机器学习方法与流程

本发明涉及机器学习系统、交通信息提供系统以及机器学习方法。

背景技术：

例如，使用通过监督学习生成的分类器以使分类错误最小化的技术被已知为将多个图像数据项中的每一个分类到多个类别中的任何一个类别的技术。支持向量机和最大熵方法被公知为监督学习的示例。除了图像数据项的分类之外，这类机器学习还被广泛使用在诸如自然语言处理或生物信息处理的领域中。鉴于这样的情况，日本未审查专利申请公开第2015-35118号(jp2015-35118a)提出了一种累积和更新机器学习中使用的学习数据项以减少分类错误的技术。

技术实现要素：

然而，由于随着机器学习中使用的学习数据项的累积，所累积的数据项的量变得巨大，因此就资源的有效使用而言需要减少累积的数据项的量。

本发明提供能够进一步减少累积的数据项的量的机器学习系统、交通信息提供系统以及机器学习方法。

本发明的第一方面涉及一种机器学习系统，该机器学习系统包括：生成单元，其被配置成生成分类器，该分类器通过针对每个图像数据项执行关于要将图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别；选择单元，其被配置成在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项；以及删除单元，其被配置成删除除了代表图像数据项之外的剩余图像数据项。

本发明的第二方面涉及一种交通信息提供系统，该交通信息提供系统包括：生成单元，其被配置成生成分类器，该分类器通过针对每个图像数据项执行关于要将图像数据项分类到与道路环境相关的哪个类别的监督学习来将指示道路环境的多个图像数据项分类到多个类别；选择单元，其被配置成在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项；删除单元，其被配置成删除除了代表图像数据项之外的剩余图像数据项；获取单元，其被配置成获取指示由行驶通过预定的特定点的第一车辆捕获的道路环境的道路环境图像数据项；确定单元，其被配置成通过使用分类器来确定要将指示由第一车辆捕获的道路环境的图像数据项分类到与道路环境相关的哪个类别；以及发送单元，其被配置成将向朝向特定点行驶的第二车辆发送作为所确定的类别的代表的代表图像数据项以及与所确定的类别相关的交通信息。

本发明的第三方面涉及一种机器学习方法，该机器学习方法包括：生成分类器，该分类器通过针对每个图像数据项执行关于要将该图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别；在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项；以及删除除了代表图像数据项之外的剩余图像数据项。

根据本发明的各方面，可以通过删除除了作为多个图像数据项的每个类别的代表的图像数据项之外的剩余图像数据项来进一步减少累积的数据项的量。

附图说明

下面将参照附图描述本发明的示例性实施方式的特征、优点以及技术和工业意义，在附图中相同的附图标记表示相同的元件，并且其中：

图1是示出根据本发明的实施方式的主计算机的示意性配置的硬件配置图；

图2是示出根据本发明的实施方式的机器学习处理的流程的流程图；以及

图3是示出根据本发明的实施方式的交通信息提供处理的流程的流程图。

具体实施方式

在下文中，将参照附图描述本发明的实施方式。相同的附图标记表示相同的部件，并且将省略其冗余的描述。图1是示出根据本发明的实施方式的主计算机10的示意性配置的硬件配置图。主计算机10是用于管理多个车辆20的操作的服务器计算机。主计算机10经由例如移动通信网络从每个车辆20获得每个车辆20的位置信息，并且向车辆20提供与车辆20的位置对应的交通信息(例如，诸如道路的下雪情况和排水情况的信息)。

主计算机10包括处理器11、输入接口12、输出接口13、存储资源14和通信装置15作为硬件资源。计算机程序17被存储在存储资源14中。在计算机程序17中描述了用于指示处理器11执行图2所示的机器学习处理或图3所示的交通信息提供处理的命令。处理器11解释并且执行计算机程序17。因此，主计算机10用作执行机器学习处理的机器学习系统，并且还用作执行交通信息提供处理的交通信息提供系统。下面将描述机器学习处理和交通信息提供处理的细节。存储资源14是由计算机可读记录介质(物理装置)提供的存储区域(逻辑装置)。例如，计算机可读记录介质是诸如半导体存储装置(易失性存储器或非易失性存储器)或磁盘介质的存储装置。例如，输入接口12是诸如键盘、鼠标或触摸面板的用户接口。例如，输出接口13是诸如显示器或打印机的用户接口。例如，通信装置15经由移动通信网络与每个车辆20通信。

车辆20安装有车辆装载装置21和摄像装置22。车辆装载装置21包括检测车辆20的位置的装置(例如，全球定位系统(gps))和经由移动通信网络与主计算机10通信的通信装置。摄像装置22是被称为行车记录仪的记录装置的车辆装载数字摄像装置。车辆20通过使用摄像装置22捕获道路环境，并且通过车辆装载装置21向主计算机10发送指示所捕获的道路环境的图像数据项16以及车辆20的时间信息和位置信息。道路环境表示道路上或道路附近的天气情况(例如，下雪情况或排水情况)。针对每个区域，道路环境可能不同。即使在相同区域，道路环境也可能每次都不同。预先设置需要识别道路环境的区域(例如，存在干线公路的区域、交通量高的区域或者过去发生过交通事故的区域)。主计算机10从每个车辆20获取指示预先设置的区域的道路环境的多个图像数据项16，并且将所获取的图像数据项16存储在存储资源14中。每个车辆20定期地向主计算机10发送每个车辆的位置信息，并且主计算机10确认每个车辆20的位置信息。

将参照图2描述机器学习处理的流程。在步骤201中，处理器11在存储资源14中存储的图像数据项16中选择一个图像数据项16。可以在执行步骤203的处理之前对所选择的图像数据项16执行预处理(例如，诸如噪声去除或图像尺寸的标准化的处理)。

在步骤202中，处理器11输入教导信息，教导信息指示在步骤201中选择的图像数据项16将被分类到与道路环境相关的多个类别中的哪个类别。例如，响应于由操作者通过输入接口12进行的输入操作给出教导信息。与道路环境相关的类别是指示道路上或道路附近的逐渐变化的天气情况属于哪个阶段的分类。例如，可以针对与下雪情况相关的道路环境提供“有雪”的类别和“无雪”的类别。例如，可以针对与排水情况相关的道路环境提供“有水”的类别和“无水”的类别。针对每个道路环境设置的类别的数目不限于两个，并且可以是三个或更多个。

在步骤203中，处理器11从在步骤201中选择的图像数据项16中提取特征(例如，边缘、颜色直方图、方向性特征或小波系数)。在提取特征的处理中，在将图像数据项16分类到每个类别所需的特征被计算为特征向量。

在步骤204中，处理器11学习在步骤201中选择的图像数据项16的特征与在步骤202中输入的教导信息之间的对应关系。使用上述教导信息的机器学习被称为监督学习。处理器11生成分类器，该分类器通过执行关于要将任何图像数据项16分类到与道路环境相关的哪个类别的监督学习来将图像数据项16分类到类别。

在步骤205中，处理器11针对每个图像数据项16确定监督学习是否结束。当针对每个图像数据项16的监督学习未结束时(步骤205：“否”)，处理器11重复执行步骤201至步骤204的处理。当针对每个图像数据项16的监督学习结束时(步骤205：“是”)，处理器11执行步骤206的处理。

在步骤206中，处理器11在图像数据项16中选择作为每个类别的代表的图像数据项16。例如，处理器11选择包括具有距每个类别的特征向量的分布中心的最小欧氏距离(eucliddistance)的特征向量的图像数据项16作为“作为每个类别的代表的图像数据项16”。可替选地，处理器11可以选择包括具有距作为每个类别的代表的理想特征向量的最小欧氏距离的特征向量的图像数据项16作为“作为每个类别的代表的图像数据项16”。在这种情况下，由操作者通过输入接口12进行的输入操作给出作为每个类别的代表的理想特征向量。选择作为类别的代表的图像数据项16方法不限于上述两个示例。处理器可以定义作为类别的代表的图像数据项16的特征向量，并且可以选择具有满足定义的特征向量的图像数据项16。例如，处理器11针对与下雪情况相关的道路环境选择作为“有雪”的类别的代表的图像数据项16和作为“无雪”的类别的代表的图像数据项16。例如，处理器11针对与排水情况相关的道路环境选择作为“有水”的类别的代表的图像数据项16和作为“无水”的类别的代表的图像数据项16。

在步骤207中，处理器11从存储资源14中删除除了在步骤206中选择的图像数据项16之外的剩余图像数据项16。如上所述，由于从存储资源14中删除了除了作为每个类别的代表的图像数据项16之外的不需要的图像数据项16，所以可以进一步减少累积的数据项的数量。

如上所述，主计算机10通过主计算机10的硬件资源与用于指示处理器11执行机器学习处理的计算机程序17的协作而用作机器学习系统。

将参照图3描述交通信息提供处理的流程。处于便于描述的目的，如图1所示，行驶通过预定的特定点a的车辆20被称为第一车辆20，并且通过特定点b朝向特定点a行驶的车辆20被称为第二车辆20。假设特定点a是需要识别道路环境的预定区域。假定在执行交通信息提供处理之前通过机器学习处理预先生成分类器。

在步骤301中，处理器11经由移动通信网络获取指示由行驶通过预定的特定点a的第一车辆20捕获的道路环境的图像数据项16。

在步骤302中，处理器11从指示由第一车辆20捕获的道路环境的图像数据项16中提取特征(例如，边缘、颜色直方图、方向性特征或小波系数)。

在步骤303中，处理器11通过使用基于在步骤302中提取的特征的分类器来确定指示由第一车辆20捕获的道路环境的图像数据项16将被分类到与道路环境相关的哪个类别。例如，处理器11确定指示由第一车辆20捕获的道路环境的图像数据项16是否被分类到针对与下雪情况相关的道路环境的“有雪”的类别或“无雪”的类别。例如，处理器11确定指示由第一车辆20捕获的道路环境的图像数据项16是否被分类到针对与排水情况相关的道路环境的“有水”的类别或“无水”的类别。

在步骤304中，处理器11向通过特定点b朝向特定点a行驶的第二车辆20发送与在步骤303中确定的作为道路环境相关的类别的代表的图像数据项16和在步骤303中确定的与关于道路环境的类别相关的交通信息。与关于道路环境的类别相关的交通信息包括指示在特定点a附近的道路上的或该道路附近的逐渐变化的天气情况属于哪个阶段的信息。例如，根据需要，交通信息可以包括用于提醒驾驶员的信息或者与在下雪情况或排水情况恶劣时用于驾驶的最佳轮胎相关的信息。

如上所述，主计算机10通过主计算机10的硬件资源与用于指示处理器11执行机器学习处理和交通信息提供处理的计算机程序17的协作而用作交通信息提供系统。

根据本发明的实施方式，可以通过删除在图像数据项16中的除了作为每个类别的的代表的图像数据项16之外的剩余图像数据项16来进一步减少累积的数据项的数量。例如，在相关技术中，为了执行机器学习需要数百个图像数据项，并且累积的数据项的量很大。然而，根据本实施方式，由于可以将最小量的图像数据项16存储在存储资源14中，所以可以进一步减少累积的数据项的量。

提供上述实施方式是为了有助于理解本发明，并且上述实施方式不被解释为限制本发明。本发明可以在不背离主旨的情况下进行变更或修改，并且其等同方案也被包括在本发明中。也就是说，本领域技术人员可以适当地改变实施方式的设计，并且只要设计改变具有本发明的特征，这些设计改变则处于本发明的范围内。只要在技术上是可行的，实施方式中包括的部件可以被组合，并且只要组合包括本发明的特征，则这些组合处于本发明的范围内。