车辆分配装置、车辆分配方法及记录介质与流程

1.本发明涉及车辆分配装置、车辆分配方法及记录介质。


背景技术：

2.作为关联技术，已知有在内燃机的排气路径设置有颗粒捕集器的车辆中通过使高温的排气作用于由该颗粒捕集器捕捉到的颗粒状物质来使该颗粒状物质燃烧的技术(例如，参照专利文献1)。根据该技术，能够抑制颗粒状物质蓄积于颗粒捕集器。
3.另外，存在在内燃机的内部因结露等而油被水稀释从而润滑性能下降、劣化的情况。相对于此，已知有使油从稀释状态恢复的技术(例如，参照专利文献2)。
4.现有技术文献
5.专利文献
6.专利文献1：日本特开2003
‑
155915号公报
7.专利文献2：日本特开2015
‑
168379号公报


技术实现要素：

8.发明所要解决的课题
9.在这种使颗粒状物质燃烧的车辆中，例如，在内燃机中负荷比较低的工作状态持续了的情况下，排气的温度难以上升至颗粒状物质燃烧的温度。在这样的情况下，由排气实现的颗粒状物质的燃烧不被促进，颗粒捕集器中的颗粒状物质的蓄积量可能会增加。
10.另外，油被水稀释而劣化的状态经常在如混合动力车辆、插电式混合动力车辆那样存在内燃机间歇地运转的情况的车辆中产生。
11.这样的颗粒状物质的蓄积、油的劣化等使内燃机的性能下降的状态在共享汽车、租用汽车那样的出借车辆的系统的车辆中也可能产生。
12.本发明鉴于上述情况而完成，目的在于提供能够抑制车辆中的内燃机的性能的下降的车辆分配装置、车辆分配方法及程序。
13.用于解决课题的手段
14.为了解决上述课题而达成目的，作为本发明的一方案的车辆分配装置具备：车辆判定部，基于与车辆对应的车辆信息来针对每个车辆判定抑制内燃机的性能的下降的必要性；预约判定部，在与借用车辆的预约对应的预约信息满足可预计所述性能的下降的抑制的第一条件的情况下将该预约判定为第一预约；及分配部，基于所述预约信息来向所述预约分配车辆，所述分配部在所述预约是所述第一预约的情况下，能够向该预约分配满足表示所述性能的下降的抑制的必要性高的第二条件的车辆或所述性能的下降的抑制的必要性比其他的车辆高的车辆。
15.根据这样的结构，由于车辆分配装置能够向可预见内燃机的性能的下降的抑制的第一预约分配性能的下降的抑制的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制内燃机的性能的下降。
16.另外，在所述车辆分配装置中，抑制所述内燃机的性能的下降的必要性是在设置于所述内燃机的排气路径的颗粒捕集器中蓄积的颗粒状物质的减少的必要性。
17.根据这样的结构，由于车辆分配装置能够向可预计蓄积于颗粒捕集器的颗粒状物质的由燃烧实现的减少的第一预约分配蓄积的颗粒状物质的减少的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆中的颗粒状物质的蓄积。
18.另外，在所述车辆分配装置中，抑制所述内燃机的性能的下降的必要性是所述内燃机中的油的劣化程度的降低的必要性。
19.根据这样的结构，由于车辆分配装置能够向可预计内燃机中的油的劣化程度的降低的第一预约分配油的劣化程度的降低的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆的内燃机中的油的劣化。
20.另外，在所述车辆分配装置中，具备在与驾驶员对应的驾驶员信息满足可预计所述性能的下降的抑制的第三条件的情况下将该驾驶员判定为第一驾驶员的驾驶员判定部，所述预约判定部在所述预约是所述第一驾驶员驾驶车辆的预约的情况下，将该预约判定为所述第一预约。
21.根据这样的结构，由于车辆分配装置能够向可预计内燃机的性能的下降的抑制的驾驶员进行驾驶的预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
22.另外，所述驾驶员信息是表示所述驾驶员的行驶实绩的信息。
23.根据这样的结构，由于车辆分配装置能够根据行驶实绩来判定驾驶员是否是可预计内燃机的性能的下降的抑制的驾驶员，向判定为可预计该性能的下降的抑制的驾驶员进行驾驶的预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
24.另外，所述预约判定部在所述预约信息中包含的与驾驶员对应的驾驶员信息是满足可预计所述性能的下降的抑制的第三条件的情况下，将该驾驶员判定为第一驾驶员，所述预约判定部在所述预约是所述第一驾驶员驾驶车辆的预约的情况下，将该预约判定为所述第一预约。
25.根据这样的结构，预约判定部能够根据预约信息来判定第一驾驶员，抑制车辆中的内燃机的性能的下降。
26.另外，在所述车辆分配装置中，所述预约判定部基于所述预约信息中包含的预定路径信息来判定该预约是否是所述第一预约。
27.根据这样的结构，由于车辆分配装置能够根据预定路径信息来判定预约是否是可预计内燃机的性能的下降的抑制的第一预约，向该第一预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
28.另外，在所述车辆分配装置中，所述预约判定部在所述预定路径信息中作为预定行驶线路而包含规定的道路或作为预定途经地而包含从基准位置离开了规定距离的地点的情况下，将该预约判定为所述第一预约。
29.根据这样的结构，由于车辆分配装置能够根据预定行驶线路、预定途经地来判定预约是否是可预计内燃机的性能的下降的抑制的第一预约，向该第一预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制内燃机的性能的下降。
30.另外，在所述车辆分配装置中，所述预约判定部根据所述预约信息来预测车辆的行驶形态，在表示该行驶形态的信息满足可预计所述性能的下降的抑制的第四条件的情况下，将该预约判定为所述第一预约。
31.根据这样的结构，由于车辆分配装置能够根据从预约信息预测出的行驶形态来判定预约是否是可预计内燃机的性能的下降的抑制的第一预约，向该第一预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
32.另外，在所述车辆分配装置中，所述预约判定部根据所述预约信息及与在该预约中驾驶车辆的驾驶员对应的驾驶员信息来预测车辆的行驶形态。
33.根据这样的结构，由于车辆分配装置能够根据从预约信息及驾驶员信息预测出的驾驶员的行驶形态来判定预约是否是可预计内燃机的性能的下降的抑制的第一预约，向该第一预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
34.另外，在所述车辆分配装置中，表示所述行驶形态的信息是表示预测的平均速度的信息、表示预测的行驶距离的信息、表示预测的行驶时间的信息、预测的内燃机的负荷及表示预测的加速次数的信息中的至少一个。
35.根据这样的结构，由于车辆分配装置能够基于从预约信息预测出的平均速度、行驶距离、行驶时间、预测的内燃机的负荷及加速次数来判定预约是否是可预计内燃机的性能的下降的抑制的第一预约，向该第一预约分配性能的下降的抑制的必要性高的车辆，所以能够以更高的概率抑制车辆中的内燃机的性能的下降。
36.另外，作为本发明的一方案的车辆分配方法是计算机执行的车辆分配方法，其中，包括：基于从存储部读出的与车辆对应的车辆信息来针对每个车辆判定内燃机的性能的下降的抑制的必要性的步骤；在与预约对应的预约信息满足可预计所述性能的下降的抑制的第一条件的情况下将该预约判定为第一预约的步骤；及基于所述预约信息来向所述预约分配车辆的步骤，在向所述预约分配车辆的步骤中，在该预约是所述第一预约的情况下，能够向该预约分配满足表示所述性能的下降的抑制的必要性高的第二条件的车辆或所述性能的下降的抑制的必要性比其他的车辆高的车辆。
37.根据这样的方法，由于能够向可预计内燃机的性能的下降的抑制的第一预约分配性能的下降的抑制的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆中的内燃机的性能的下降。
38.另外，作为本发明的一方案的程序是使计算机作为车辆判定部、预约判定部及分配部发挥功能的程序，所述车辆判定部基于与车辆对应的车辆信息来针对每个车辆判定内燃机的性能的下降的抑制的必要性，所述预约判定部在与预约对应的预约信息满足可预计所述性能的下降的抑制的第一条件的情况下将该预约判定为第一预约，所述分配部基于所述预约信息来向所述预约分配车辆，其中，所述分配部在所述预约是所述第一预约的情况下，能够向该预约分配满足表示所述性能的下降的抑制的必要性高的第二条件的车辆或所述性能的下降的抑制的必要性比其他的车辆高的车辆。
39.根据这样的程序，由于能够向可预计内燃机的性能的下降的抑制的第一预约分配性能的下降的抑制的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆中的内燃机的性能的下降。
40.发明效果
41.根据本发明的车辆分配装置、车辆分配方法及程序，能够通过相对于预约的车辆的分配来抑制车辆中的内燃机的性能的下降。
附图说明
42.图1是具备实施方式的车辆分配装置的共享汽车系统的例示性的结构图。
43.图2是具备实施方式的车辆分配装置的共享汽车系统的例示性的框图。
44.图3是第一实施方式的车辆分配装置的控制部及存储部的例示性的框图。
45.图4是示出由第一实施方式的车辆分配装置进行的每个车辆的颗粒状物质的减少的必要性的判定的工序的例示性的流程图。
46.图5是示出由第一实施方式的车辆分配装置进行的驾驶员的判定的工序的例示性的流程图。
47.图6是示出由第一实施方式的车辆分配装置进行的预约的判定及相对于预约的车辆的分配的工序的例示性的流程图。
48.图7是示出由第二实施方式的车辆分配装置进行的每个车辆的油劣化程度的降低的必要性的判定的工序的例示性的流程图。
49.图8是第三实施方式的车辆分配装置的控制部及存储部的例示性的框图。
50.图9是示出第三实施方式的车辆分配装置的学习部学习的神经网络的结构的例示性的示意图。
51.图10是第三实施方式的神经网络所具有的节点处的输入输出的例示性的说明图。
52.标号说明
53.10、10a
…
服务器(车辆分配装置)
54.12d
…
车辆判定部
55.12g
…
驾驶员判定部
56.12i
…
预约判定部
57.12j
…
分配部
58.13
…
存储部
59.20
…
车辆
60.20a
…
内燃机
61.20b
…
排气路径
62.20c
…
颗粒捕集器
具体实施方式
63.以下，公开本发明的例示性的实施方式。以下所示的实施方式的结构以及由该结构带来的作用及结果(效果)是一例。本发明也能够由以下的实施方式所公开的结构以外实现。另外，根据本发明，能够得到由下述的结构得到的各种效果(也包含派生性的效果)中的至少一个。
64.以下所示的多个实施方式具备同样的结构。由此，根据各实施方式的结构，能够得到基于该同样的结构的同样的作用及效果。另外，以下，对这些同样的结构赋予同样的标
号，并且省略重复的说明。
65.需要说明的是，在本说明书中，序数为了区分条件、预约、驾驶员、车辆等而被权宜性地赋予，并不表示优先顺位、顺序。另外，“信息”表示参数的值、数据，“颗粒状物质的蓄积”表示颗粒捕集器中的颗粒状物质的蓄积。
66.[第一实施方式]
[0067]
[系统结构]
[0068]
图1是共享汽车系统1的结构图。如图1所示，共享汽车系统1具备服务器10、车辆20及终端30。
[0069]
服务器10是计算机，执行对来自终端30的车辆20的预约分配多个车辆20中的任一个的处理，即所谓配车处理。服务器10是车辆分配装置的一例。
[0070]
至少一部分车辆20具备根据驾驶员对车辆20的驾驶操作而工作状态变化的内燃机20a和设置于该内燃机20a的排气路径20b且用于捕捉排气中包含的颗粒状物质的颗粒捕集器20c。内燃机20a例如是汽油发动机、柴油发动机这样的车辆20的驱动源。需要说明的是，车辆20也可以除了内燃机20a之外还具备旋转电机作为驱动源。另外，内燃机20a也可以不是车辆20的驱动源，例如，也可以是使用来弥补作为车辆20的驱动源的旋转电机的驱动电力的发电机旋转的内燃机。
[0071]
共享汽车系统1的用户能够经由终端30而预约车辆20的借用。终端30例如是智能手机、平板、个人计算机这样的电子设备。
[0072]
服务器10、车辆20及终端30能够经由包含有线或无线的通信线路的通信网络40，按照规定的通信协议来进行表示各种信息的数据的通信。通信网络40也被称作电通信线路、计算机网络，能够采用各种形态。
[0073]
图2是共享汽车系统1的框图。如图2所示，服务器10具备通信部11、控制部12、存储部13及输入输出部14。
[0074]
通信部11与车辆20、终端30之间进行数据的通信。另外，输入输出部14包含键盘、鼠标、触摸面板这样的输入设备和显示器、扬声器这样的输出设备。输入输出部14是相对于共享汽车系统1的管理者、操作员的用户接口。关于服务器10的控制部12及存储部13，将在之后详细叙述。
[0075]
车辆20具备通信部21、控制部22、存储部23及多个传感器24。通信部21与服务器10、终端30之间进行数据的通信。
[0076]
控制部22是计算机，具有cpu(central processing unit：中央处理单元)这样的处理器(电路)、ram(random access memory：随机存取存储器)、rom(read only memory：只读存储器)这样的主存储部。控制部22例如是mcu(micro controller unit：微控制器单元)。存储部23具有例如ssd(solid state drive：固态驱动器)、hdd(hard disk drive：硬盘驱动器)这样的非易失性的存储装置。存储部23也能够被称作辅助存储装置。控制部22及存储部23例如包含于ecu(electronic control unit：电子控制单元)。
[0077]
处理器将存储于rom、存储部23的程序读出而执行各处理。程序分别是能够安装的形式或能够执行的形式的文件，能够记录于能够利用计算机读取的记录介质而提供。记录介质也能够被称作程序产品。程序及在处理器的运算处理中使用的值、表、映射等信息可以预先存储于rom、存储部23，也可以存储于连接于通信网络的计算机的存储部，通过经由该
通信网络下载而向存储部23存储。存储部13和23存储由处理器写入的数据。另外，控制部22的运算处理也可以至少部分地由硬件执行。在该情况下，在控制部22中，例如包含fpga(field programmable gate array：现场可编程门阵列)、asic(application specific integrated circuit：专用集成电路)等。
[0078]
传感器24分别检测与车辆20的行驶、内燃机20a的工作相关的各种物理量。另外，在传感器24中，包含检测与内燃机20a的颗粒状物质的生成、颗粒捕集器20c中的颗粒状物质的燃烧相关的各种物理量的传感器24。这样的传感器24例如是检测车辆20的速度的传感器、检测车辆20的加速度的传感器、检测加速器踏板的操作量的传感器、检测内燃机20a的转速的传感器、检测颗粒捕集器20c的温度或内燃机20a的废气的温度的传感器、检测吸入空气流量的传感器、检测颗粒捕集器20c的前后的差压的传感器等。能够取得时刻及车辆20的位置的gps(global positioning system：全球定位系统)也是传感器24的一例。
[0079]
控制部22能够基于由传感器24检测到的检测值来算出与内燃机20a的颗粒状物质的生成、颗粒捕集器20c中的颗粒状物质的燃烧相关的值(以下，称作算出值)。
[0080]
另外，控制部22能够将检测值、算出值向存储部23写入。换言之，存储部23能够存储传感器24的检测值、基于该检测值的算出值。另外，控制部22能够以将检测值、算出值向服务器10发送的方式控制通信部21。
[0081]
终端30具备通信部31、控制部32、存储部33及输入输出部34。
[0082]
通信部31与服务器10或车辆20之间进行数据的通信。另外，输入输出部34包含键盘、鼠标、触摸面板这样的输入设备和显示器、扬声器这样的输出设备。输入输出部34是相对于共享汽车系统1的利用者(预约者)的用户接口。
[0083]
控制部32是计算机，具有cpu这样的处理器(电路)、ram、rom这样的主存储部。存储部33具有例如ssd、hdd这样的非易失性的存储装置。存储部33也能够被称作辅助存储装置。
[0084]
处理器将存储于rom、存储部33的程序读出而执行各处理。程序分别是能够安装的形式或能够执行的形式的文件，能够记录于能够利用计算机读取的记录介质而提供。记录介质也能够被称作程序产品。程序及在处理器的运算处理中使用的值、表、映射等信息可以预先存储于rom、存储部33，也可以存储于连接于通信网络的计算机的存储部，通过经由该通信网络下载而向存储部33存储。存储部33存储由处理器写入的数据。另外，控制部32的运算处理也可以至少部分地由硬件执行。在该情况下，在控制部32中，例如包含fpga、asic等。
[0085]
控制部32使执行共享汽车系统1中的车辆20的预约的应用程序(程序，以下，称作预约应用)工作。预约应用作为独立运行应用、web应用而构成。控制部32通过预约应用的工作来取得从输入输出部34输入的信息。控制部32通过预约应用的工作，以将由输入输出部34输入的信息向服务器10发送的方式控制通信部31，并且以接收服务器10朝向终端30发送出的信息的方式控制通信部31。另外，控制部32通过预约应用的工作，将在输入输出部34处从服务器10取得的信息显示输出或者语音输出。
[0086]
在从输入输出部34输入的信息中，包含表示借用汽车20的预约的要求的预约信息。预约信息例如除了驾驶员的识别信息之外，还包含表示驾驶(借用)开始时刻、驾驶开始地点、驾驶(借用)结束时刻、驾驶结束地点、预定途经地(包含目的地)、预定行驶线路、高速道路的使用的有无的信息、驾驶员的属性信息等。
[0087]
[服务器的结构及工作]
[0088]
图3是服务器10的控制部12及存储部13的框图。如图3所示，控制部12具有车辆信息取得部12a、预约信息取得部12b、驾驶员信息取得部12c、车辆判定部12d、车辆信息更新部12e、驾驶员信息更新部12f、驾驶员判定部12g、行驶形态预测部12h、预约判定部12i及分配部12j。另外，存储部13具有存储驾驶员信息的驾驶员信息数据库13a和存储车辆信息的车辆信息数据库13b。需要说明的是，在图3中，将数据库记载为db。
[0089]
控制部12是计算机，具有cpu这样的处理器(电路)、ram、rom这样的的主存储部。存储部13具有例如ssd、hdd这样的非易失性的存储装置。存储部13也能够被称作辅助存储装置。
[0090]
处理器将存储于rom、存储部13的程序读出而执行各处理，从而作为车辆信息取得部12a、预约信息取得部12b、驾驶员信息取得部12c、车辆判定部12d、车辆信息更新部12e、驾驶员信息更新部12f、驾驶员判定部12g、行驶形态预测部12h、预约判定部12i及分配部12j工作。程序分别是能够安装的形式或能够执行的形式的文件，能够记录于能够利用计算机读取的记录介质而提供。记录介质也能够被称作程序产品。程序及在处理器的运算处理中使用的值、表、映射等信息可以预先存储于rom、存储部13，也可以存储于连接于通信网络的计算机的存储部，通过经由该通信网络下载而向存储部13存储。存储部13存储由处理器写入的数据。另外，控制部12的运算处理也可以至少部分地由硬件执行。在该情况下，在控制部12中，例如包含fpga、asic等。
[0091]
在驾驶员信息数据库13a中，以与驾驶员的识别信息建立对应的方式存储有驾驶员信息。即，驾驶员信息是与驾驶员的识别信息建立了关联的信息。驾驶员信息作为表示驾驶员的行驶实绩的信息而例如包含表示平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度的信息。驾驶员信息包含与颗粒状物质的蓄积相关的信息。与颗粒状物质的蓄积相关的信息例如是如后所述的表示进行颗粒状物质的蓄积量减少的驾驶的可能性高的驾驶员的划分、由驾驶员的驾驶引起的颗粒状物质的蓄积量的变化量等。另外，驾驶员信息包含表示驾驶员的属性的属性信息。颗粒状物质的蓄积是内燃机20a的性能的下降的要因的一例。
[0092]
另外，在车辆信息数据库13b中，以与车辆20的识别信息建立对应的方式存储有车辆信息。即，车辆信息是与车辆20的识别信息建立了关联的信息。另外，在车辆信息中，作为与各车辆20的颗粒状物质的蓄积相关的信息而例如除了基于传感器24的检测值算出的各车辆20中的颗粒状物质的蓄积量之外还包含用于根据传感器24的检测值来算出颗粒状物质的蓄积量、变化量的针对每个车辆20或车型设定的映射、表、函数的系数等。另外，车辆信息也可以包含车辆20的过去的行驶中的传感器24的检测值、基于该检测值的算出值的历时变化。车辆信息包含表示颗粒状物质的减少的必要性(以下，称作减少的必要性)的划分、级别、值。另外，车辆信息包含各车辆20的尺寸(级别)、定员、类型这样的车辆的属性信息。需要说明的是，用于根据检测值来算出颗粒状物质的蓄积量、变化量的映射、表、函数的系数等也可以存储于各车辆20的存储部23。
[0093]
车辆信息取得部12a从车辆20或车辆信息数据库13b取得各车辆20的车辆信息。
[0094]
预约信息取得部12b从终端30取得与车辆20的预约相关的信息(以下，称作预约信息)。
[0095]
驾驶员信息取得部12c从车辆20或驾驶员信息数据库13a取得驾驶员信息。
[0096]
[车辆判定]
[0097]
车辆判定部12d判定各车辆20的颗粒捕集器20c中的减少的必要性。减少的必要性是抑制内燃机20a的性能的下降的必要性的一例。
[0098]
图4是示出由车辆判定部12d进行的减少的必要性的判定的处理工序的流程图。图4所示的处理例如能够在车辆20刚被归还后的时间点、车辆20成为了向预约分配的候补的时间点(被分配前的时间点)、定期地设定的规定的时间点等各种定时下执行。需要说明的是，在图4中，将颗粒状物质记载为pm。
[0099]
在由车辆判定部12d进行的车辆20的判定之前，车辆信息取得部12a从车辆20及车辆信息数据库13b中的至少一方取得与该车辆20对应的车辆信息(s11)。作为一例，车辆信息取得部12a从车辆20取得传感器24的检测值的历时变化，并且从车辆信息数据库13b除了该车辆20中的颗粒状物质的蓄积量之外还取得用于根据检测值来算出颗粒状物质的增加量及减少量的映射、表、函数的系数等。
[0100]
接着，车辆判定部12d基于在s11中取得的车辆信息来取得该车辆20的颗粒状物质的蓄积量(s12)。
[0101]
在s12中，车辆判定部12d能够执行基于在s11中取得的车辆信息来推定颗粒状物质的蓄积量的运算。若对其一例进行说明，则查明了：颗粒状物质的蓄积量的每单位时间的增加量根据内燃机20a的负荷及内燃机20a的转速而变化。另外，查明了：由颗粒捕集器20c的燃烧引起的颗粒状物质的每单位时间的减少量根据颗粒捕集器20c的温度及内燃机20a的废气的流量而变化。并且，内燃机20a的负荷能够由加速器踏板的操作量表示，废气的流量能够由内燃机20a的吸入空气的流量表示。于是，在s11中，车辆信息取得部12a从车辆20作为传感器24的检测值的规定期间内的历时变化而取得加速器踏板操作量、内燃机20a的转速、颗粒捕集器20c的温度及吸入空气的流量的历时变化。在此，规定期间是将之前颗粒状物质的蓄积量被算出的时间点以后的颗粒捕集器20c中的颗粒状物质的增减量算出的期间，例如是从共享汽车中的车辆20的出借开始到结束(归还)为止的期间。另外，在s11中，车辆信息取得部12a从车辆信息数据库13b或车辆20取得表示与车辆20对应的加速器踏板操作量及内燃机20a的转速与颗粒状物质的每单位时间的增加量的相关性的映射(以下，称作增加映射)及表示与车辆20对应的废气的温度及吸入空气的流量与颗粒状物质的每单位时间的减少量的相关性的映射(以下，称作减少映射)。而且，在s11中，车辆信息取得部12a从车辆信息数据库13b或车辆20作为车辆信息而取得直到该规定期间之前为止的该车辆20的颗粒状物质的蓄积量(以下，称作残留量qp)。接着，在s12中，车辆判定部12d根据表示规定期间内的加速器踏板操作量及内燃机20a的转速的历时变化的信息和增加映射来算出该规定期间内的颗粒捕集器20c中的颗粒状物质的增加量δqi。另外，车辆判定部12d根据表示规定期间内的废气的温度及吸入空气的流量的历时变化的信息和减少映射来算出该规定期间内的颗粒捕集器20c中的颗粒状物质的减少量δqd。由此，车辆判定部12d能够将当前时间点下的(换言之，经过规定期间后的)颗粒状物质的蓄积量q通过以下的式(1)而算出。
[0102]
q＝qp δqi
‑
δqd
ꢀ…ꢀ
(1)
[0103]
另外，作为另一例，在车辆20具备检测吸入空气流量的传感器24和检测颗粒捕集器20c的前后的差压的传感器24作为传感器24的情况下，车辆20的控制部22能够根据这些传感器24的检测值，例如基于表示传感器24的检测值与蓄积量q的相关性的数学式、映射而
随时取得蓄积量q。在该情况下，在s12中，车辆判定部12d能够从在s11中取得的车辆信息中取得规定的时间点(例如，共享汽车中的车辆20的出借的结束时间点(归还时间点))下的颗粒状物质的蓄积量q。需要说明的是，基于吸入空气流量和颗粒捕集器20c的前后的差压的颗粒状物质的蓄积量q的运算也可以是车辆判定部12d基于在s11中取得的车辆信息而进行。
[0104]
接着，在s13中，车辆判定部12d基于取得的颗粒状物质的蓄积量q来针对每个车辆20判定减少的必要性。作为一例，车辆判定部12d能够在蓄积量q为规定的阈值以上的情况下，将该车辆20判定为减少的必要性高的车辆，在蓄积量q小于规定的阈值的情况下，将该车辆20判定为减少的必要性低的车辆。规定的阈值例如能够针对每个车辆20、车型而设定。蓄积量q为规定的阈值以上是第二条件的一例。另外，作为另一例，车辆判定部12d能够根据蓄积量q的过去的实绩来算出该蓄积量q的车辆20的行驶距离的每单位长度的变化量、进而直到到达最大容许蓄积量为止的行驶距离(延期距离)，基于该延期距离来判定减少的必要性。在该情况下，车辆判定部12d能够在延期距离为对应的阈值距离以下的情况下，将该车辆20判定为减少的必要性高的车辆，在延期距离比阈值距离长的情况下，将该车辆20判定为减少的必要性低的车辆。延期距离为对应的阈值距离以下是第二条件的一例。另外，作为另一例，也可以基于蓄积量q、延期距离、其他的与蓄积量q对应的参数等来设定与减少的必要性对应的多个划分(级别)，在s13中，车辆判定部12d判定各车辆20的级别。而且，作为另一例，也可以设定将减少的必要性作为数值示出的参数，在s13中，车辆判定部12d算出该参数的值。参数例如以延期距离越短则越大的方式设定，值越大则表示减少的必要性越高。另外，控制部12将表示每个车辆20的减少的必要性的信息与车辆20的识别信息建立对应并向存储部13写入。
[0105]
在s12或s13之后，车辆信息更新部12e改写车辆信息数据库13b的车辆信息(s14)。
[0106]
[驾驶员判定]
[0107]
图3所示的驾驶员判定部12g判定驾驶员是否是进行蓄积于颗粒捕集器20c的颗粒状物质减少的驾驶(以下，称作减少驾驶)的可能性高的驾驶员。
[0108]
图5是示出由驾驶员判定部12g进行的驾驶员的判定的处理工序的流程图。图5所示的处理例如能够在车辆20刚被归还后的时间点、车辆20成为了向预约分配的候补的时间点(被分配前的时间点)、定期地设定的规定的时间点等各种定时下执行。
[0109]
在由驾驶员判定部12g进行的驾驶员的判定之前，驾驶员信息取得部12c从驾驶员信息数据库13a或者从车辆20及驾驶员信息数据库13a取得驾驶员信息(s21)。作为一例，在s21中，驾驶员信息取得部12c从车辆20取得传感器24的检测值的规定期间内的历时变化及该规定期间内的车辆20的行驶时间。在此，传感器24的检测值例如是车辆20的速度、加速度、行驶距离等。另外，规定期间是之前驾驶员信息被更新的时间点以后的期间，例如是从共享汽车中的车辆20的出借开始到结束(归还)的期间。另外，驾驶员信息取得部12c从驾驶员信息数据库13a作为驾驶员的驾驶的实绩而取得平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度。
[0110]
接着，驾驶员信息更新部12f基于从车辆20及驾驶员信息数据库13a取得的驾驶员信息来算出直到对过去实绩的期间加上了规定期间的该规定期间结束为止的平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度，将它们作为新的驾
驶员信息而向驾驶员信息数据库13a存储，即改写(s22)。需要说明的是，在驾驶员信息已更新的情况下，在s21中，驾驶员信息取得部12c从驾驶员信息数据库13a作为驾驶员信息而取得驾驶员的驾驶的实绩即平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度，s22被省略。
[0111]
接着，驾驶员判定部12g基于在s21中取得的驾驶员信息或在s22中更新后的驾驶员信息来判定驾驶员是否是进行减少驾驶的可能性高的驾驶员(s23)。在该s23中，驾驶员判定部12g在表示驾驶员的行驶实绩的驾驶员信息满足可预计通过驾驶而颗粒状物质的蓄积量减少的规定条件(第三条件的一例)的情况下，将该驾驶员判定为进行减少驾驶的可能性高的驾驶员。以下，在第一实施方式中，将进行颗粒状物质的蓄积量减少的驾驶的可能性高的驾驶员称作第一驾驶员。
[0112]
在s23中，作为一例，驾驶员判定部12g在平均速度为对应的阈值速度以上且行驶距离为对应的阈值距离以上或行驶时间为对应的阈值时间以上的情况下，能够将该驾驶员判定为第一驾驶员。作为另一例，驾驶员判定部12g在规定加速度以上的加速的次数为对应的阈值次数以上的情况或加速时的平均加速度为对应的阈值加速度以上的情况下，能够将该驾驶员判定为第一驾驶员。控制部12将表示驾驶员是否是第一驾驶员的信息与驾驶员的识别信息建立对应并向驾驶员信息数据库13a写入。
[0113]
另外，在s23中，作为又一例，驾驶员判定部12g也可以根据由驾驶员的行驶实绩引起的颗粒状物质的蓄积量的变化量来判定驾驶员是否是第一驾驶员。在该情况下，驾驶员信息取得部12c例如在图4的s12之后(或者，在从车辆20得到颗粒状物质的蓄积量的情况下在s11之后)，取得规定期间内的颗粒状物质的蓄积量的变化量，并且取得该规定期间内的行驶时间或行驶距离(s21)。在该情况下，蓄积量的变化量的符号在增加的情况下设为正，在减少的情况下设为负。接着，驾驶员信息更新部12f基于从车辆20及驾驶员信息数据库13a取得的驾驶员信息来算出直到对过去实绩加上了规定期间的该规定期间结束为止的颗粒状物质的蓄积量的变化量及行驶距离或行驶时间，将它们作为新的驾驶员信息而向驾驶员信息数据库13a存储，即改写(s22)。然后，驾驶员判定部12g在颗粒状物质的蓄积量的每单位长度的行驶距离的变化量为对应的阈值以下的情况或颗粒状物质的蓄积量的每单位时间的行驶时间的变化量为对应的阈值以下的情况下，将该驾驶员判定为第一驾驶员(s23)。在该情况下，控制部12也将表示驾驶员是否是第一驾驶员的信息与驾驶员的识别信息建立对应并向驾驶员信息数据库13a写入。
[0114]
[预约判定及相对于预约的车辆的分配]
[0115]
图3所示的预约判定部12i基于从终端30取得的预约信息来判定该预约是否是满足可预计颗粒状物质的减少的条件(第一条件的一例)的预约。行驶形态预测部12h基于预约信息来预测车辆20的行驶形态。另外，分配部12j从共享汽车系统1正在管理的车辆20中选择满足由预约信息确定的条件(预约条件)的车辆20，并向该预约分配。需要说明的是，以下，在第一实施方式中，将可预计颗粒状物质的减少的预约即成为减少驾驶的可能性高的预约作为一例而称作第一预约。
[0116]
图6是示出由预约判定部12i进行的预约判定及由分配部12j进行的相对于预约的车辆20的分配的处理工序的流程图。首先，预约判定部12i从终端30取得预约信息(s101)。接着，预约判定部12i参照驾驶员信息数据库13a来调查预约信息中包含的驾驶员是否是第
一驾驶员(s102)。在驾驶员是第一驾驶员的情况下(在s102中为是)，预约判定部12i将该预约判定为第一预约(s107)。
[0117]
另外，在s102中为否的情况下，在预约信息中包含预定行驶线路的信息且该预定行驶线路是规定的道路的情况下(在s103中为是)，预约判定部12i将该预约判定为第一预约(s107)。规定的道路例如是高速道路、汽车专用道路、高规格道路这样的最高速度为规定速度(例如，50[km/h])以上的道路，换言之，是能够进行比较高的速度下的行驶的道路。这是因为，在车辆20以比较高的速度行驶的情况下，成为减少驾驶的可能性高。另外，规定的道路例如也可以是具有规定值以上的上坡坡度连续规定长度的区间的道路或该区间等、预先登记的道路或该道路的区间。这是因为，在车辆20在坡度比较大的坡道上爬坡的情况下，成为减少驾驶的可能性高。另外，也可以如该情况这样，预约判定部12i将规定的道路针对每个通行方向区分而判定。表示预定行驶线路的信息是预定路径信息的一例。
[0118]
另外，在s103中为否的情况下，在预约信息中包含预定途经位置或预定到达位置且该预定途经位置或预定到达位置从基准位置离开了规定距离(例如，50km)以上的情况下(在s104中为是)，预约判定部12i将该预约判定为第一预约(s107)。预定到达位置例如是行程中的最远的目的地，基准位置例如是车辆20的待机位置、保管位置、出借开始位置、出借结束位置等。这是因为，在预定去往比较远的地方的情况下，车辆20的速度容易变高，成为减少驾驶的可能性高。表示预定途经位置或预定到达位置的信息是预定路径信息的一例。
[0119]
另外，在服务器10具备导航功能的情况下，行驶形态预测部12h能够根据预约信息中包含的目的地、途经地的信息来预测行驶路径、行驶道路、平均速度、行驶距离、行驶时间、加速次数这样的车辆20的行驶形态。另外，行驶形态预测部12h也能够根据与预约信息中包含的驾驶员的识别信息对应的表示驾驶员的驾驶的实绩的驾驶员信息，更高精度地预测基于驾驶员的驾驶的车辆20的行驶形态。表示驾驶员的驾驶的实绩的驾驶员信息例如是平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度等。在该情况下，行驶形态预测部12h例如能够在驾驶的实绩中的平均速度比对应的阈值高的情况下预测高速道路的通行，在根据驾驶的实绩算出的行驶时间相对于行驶距离的比比对应的阈值长的情况下预测不是高速道路的一般道路的通行，驾驶的实绩中的规定加速度以上的加速次数越多则预测为该规定加速度以上的加速的频度越高，预测为会以驾驶的实绩中的加速时的平均加速度进行加速。
[0120]
在s104中为否且行驶形态预测部12h进行如上所述的车辆20的行驶形态的预测的情况下(在s105中为是)，在表示行驶形态的信息满足了规定条件的情况下(在s106中为是)，预约判定部12i将该预约判定为第一预约(s107)。在s106中，表示预测的行驶形态的信息例如是表示预测的平均速度的信息、预测的行驶距离、预测的行驶时间及预测的加速次数中的至少一个。预约判定部12i在表示预测的平均速度的信息、预测的行驶距离、预测的行驶时间及预测的加速次数中的至少一个为与各自对应的阈值以上的情况下，换言之，在满足对应的条件(第四条件)的情况下，将该预约判定为第一预约。
[0121]
在s107中预约判定部12i将预约判定为第一预约的情况下，分配部12j参照车辆信息数据库13b，调查在能够分配的空闲的车辆20且满足车辆的尺寸(级别)、定员、车辆的类型等预约条件的车辆20中是否存在满足表示减少的必要性高的上述第二条件的车辆20(以下，称作第一车辆)(s108)。
[0122]
在满足预约条件的多个车辆20中包含第一车辆的情况下(在s108中为是)，分配部12j向该预约分配第一车辆(s109)。在s109中存在满足预约条件的多个第一车辆的情况下，分配部12j例如能够基于级别、参数的值来分配减少的必要性最高的车辆20(换言之，与其他的车辆20相比减少的必要性高的车辆20)，或者通过其他的条件来分配多个第一车辆中的任一个车辆20。然后，控制部12以将表示成功预约了车辆20(第一车辆)的信息向终端30发送的方式控制通信部11。
[0123]
在s105中为否的情况、在s106中为否的情况及在s108中为否的情况下，分配部12j向该预约分配满足预约条件的车辆20且不是第一车辆的车辆(s110)。在该情况下，控制部12以将表示成功预约了车辆20(不是第一车辆的车辆20)的信息向终端30发送的方式控制通信部11。不过，在没有满足预约条件的车辆20的情况下，控制部12以将表示没有能够预约的车辆20的意思的信息向终端30发送的方式控制通信部11。
[0124]
需要说明的是，s102、s103、s104以及s105(及s106)的判定的顺序能够对调。
[0125]
如以上说明那样，在本实施方式中，在服务器10(车辆分配装置)中，车辆判定部12d基于与车辆20对应的车辆信息来针对每个车辆20判定蓄积于颗粒捕集器20c的减少的必要性。预约判定部12i在与预约对应的预约信息满足可预计颗粒状物质的减少的第一条件的情况下将该预约判定为第一预约。另外，分配部12j基于预约信息，在预约是第一预约的情况下，能够向该预约分配蓄积的颗粒状物质的减少的必要性比其他的车辆20高的车辆20。
[0126]
根据这样的结构及控制，由于能够向可预计蓄积于颗粒捕集器20c的颗粒状物质的减少的第一预约分配蓄积的颗粒状物质的减少的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆中的颗粒状物质的蓄积。另外，通过抑制车辆中的颗粒状物质的蓄积，能够抑制车辆寿命的缩短。另外，能够抑制被调配的车辆集中于特定的车辆而在颗粒状物质的蓄积中产生不均衡这一事态的发生。
[0127]
[第二实施方式]
[0128]
在上述第一实施方式中，内燃机20a的性能的下降的要因是颗粒捕集器20c中的颗粒状物质的蓄积。相对于此，在第二实施方式中，内燃机20a的性能的下降的要因是内燃机20a中的(发动机油)的油性状的劣化。油越被因内燃机20a内的结露等而产生的水稀释，则劣化程度越高。已知：这样被水稀释后的油会白浊。于是，在第二实施方式中，作为分配装置的一例的服务器构成为向通过变得难以结露等而可预计油的劣化程度的降低(也包括改善)的第一预约分配油的劣化程度的降低的必要性高的车辆，且执行分配的控制。
[0129]
第二实施方式中的车辆20例如是如混合动力车辆、插电式混合动力车辆那样搭载作为驱动源的旋转电机而存在内燃机间歇地运转的情况的车辆。另外，传感器24例如能够检测作为外部环境信息的气温、湿度及标高以及作为内燃机20a的使用状态的转速、负荷、冷却水的水温及油的油温作为与车辆20的行驶、内燃机20a的工作相关的各种物理量。车辆20的控制部22能够基于由传感器24检测到的检测值来算出与油的劣化程度相关的算出值。
[0130]
在第二实施方式中，存储于作为分配装置的一例的服务器10的驾驶员信息数据库13a的驾驶员信息是作为表示驾驶员的行驶实绩的信息的内燃机20a的转速、负荷的程度或间歇运转的频度等。驾驶员信息包含与油的劣化程度的降低相关的信息。与油的劣化程度的降低相关的信息例如是表示进行油的劣化程度降低的驾驶的可能性高的驾驶员的划分、
由驾驶员的驾驶引起的油的劣化程度的变化量等。
[0131]
另外，存储于车辆信息数据库13b的车辆信息例如也可以包含例如以下的信息作为与基于传感器24的检测值算出的各车辆20的油的劣化程度的降低相关的信息。该信息例如是基于检测值算出的各车辆20中的油的劣化程度、用于根据传感器24的检测值来算出油的劣化程度、变化量的针对每个车辆20或车型设定的映射、表、函数的系数等。另外，车辆信息也可以包含车辆20的过去的行驶中的传感器24的检测值、基于该检测值的算出值的历时变化。车辆信息包含表示油的劣化程度的降低的必要性的划分、级别、值。另外，车辆信息也可以包含从最近的油更换起的行驶距离、使用油的牌子。需要说明的是，用于根据检测值来算出油的劣化程度、变化量的映射、表、函数的系数等也可以存储于各车辆20的存储部23。需要说明的是，油中的水分量越多则油的劣化程度越大，将劣化程度和水分量建立对应的映射等也可以存储于车辆信息数据库13b、各车辆20的存储部23。
[0132]
[车辆判定]
[0133]
在第二实施方式中，车辆判定部12d判定各车辆20的内燃机20a中的油的劣化程度的降低的必要性。油的劣化程度的降低的必要性是抑制内燃机20a的性能的下降的必要性的一例。
[0134]
图7是示出由车辆判定部12d进行的油的劣化程度的降低的判定的处理工序的流程图。图7所示的处理例如能够在车辆20刚被归还后的时间点、车辆20成为了向预约分配的候补的时间点、定期地设定的规定的时间点等各种定时下执行。
[0135]
在由车辆判定部12d进行的车辆20的判定之前，车辆信息取得部12a从车辆20及车辆信息数据库13b中的至少一方取得与该车辆20对应的车辆信息(s31)。
[0136]
接着，车辆判定部12d基于在s31中取得的车辆信息来取得该车辆20的油的劣化程度(s32)。在s32中，车辆判定部12d能够基于在s31中取得的车辆信息来执行利用规定的算定方法推定定量的油的劣化程度的运算。需要说明的是，在取得油的劣化程度时，若考虑与在其以前执行了油更换时的油的性状等相关的信息，则取得的劣化程度的精度变高。
[0137]
接着，在s33中，车辆判定部12d基于取得的油的劣化程度来针对每个车辆20判定油的劣化程度的降低的必要性。作为一例，车辆判定部12d能够在油的劣化程度为规定的阈值以上的情况下，将该车辆20判定为油的劣化程度的降低的必要性高的车辆，在油的劣化程度小于规定的阈值的情况下，将该车辆20判定为油的劣化程度的降低的必要性低的车辆。规定的阈值例如能够针对每个车辆20、车型设定。油的劣化程度为规定的阈值以上是第二条件的一例。
[0138]
在s32或s33之后，车辆信息更新部12e改写车辆信息数据库13b的车辆信息(s34)。
[0139]
[驾驶员判定]
[0140]
在第二实施方式中，驾驶员判定部12g判定驾驶员是否是进行降低油的劣化程度的驾驶的可能性高的驾驶员。表示由驾驶员判定部12g进行的驾驶员的判定的处理工序的流程图与图5所示的第一实施方式的情况是同样的。不过，在第二实施方式中，取得驾驶员信息时的传感器24的检测值、进行改写的驾驶员信息可以与第一实施方式的情况相同也可以不同。
[0141]
另外，驾驶员判定部12g基于取得的驾驶员信息或更新后的驾驶员信息来判定驾驶员是否是进行降低油的劣化程度的驾驶的可能性高的驾驶员。在该判定中，驾驶员判定
部12g在表示驾驶员的行驶实绩的驾驶员信息满足可预计通过驾驶而降低油的劣化程度的规定条件(第三条件的一例)的情况下，将该驾驶员判定为进行降低油的劣化程度的驾驶的可能性高的驾驶员。以下，在第二实施方式中，将进行降低油的劣化程度的驾驶的可能性高的驾驶员称作第一驾驶员。
[0142]
作为一例，驾驶员判定部12g在因利用高速道路的频度高等而平均速度为对应的阈值速度以上的情况下，能够将该驾驶员判定为第一驾驶员。另外，作为一例，驾驶员判定部12g在行驶距离为对应的阈值距离以上的情况下，由于以劣化被降低的程度(例如油的油温升高为80℃以上的程度)持续地行驶，所以能够将该驾驶员判定为第一驾驶员。另外，作为一例，驾驶员判定部12g在因进行上坡路的行驶、加速频度高的行驶这样的向内燃机20a施加高负荷的行驶等而平均负荷、总负荷为对应的阈值负荷以上的情况下，能够将该驾驶员判定为第一驾驶员。需要说明的是，在驾驶员初次利用共享汽车系统1的情况下，也可以根据预约信息中包含的目的地、车辆使用人数或天气气候等信息来推定在判定中使用的信息。即，用于判定某驾驶员是否是第一驾驶员的驾驶员信息的一部分或全部也可以包含于预约信息。
[0143]
[预约判定及相对于预约的车辆的分配]
[0144]
在第二实施方式中，预约判定部12i基于从终端30取得的预约信息来判定该预约是否是满足可预计油的劣化程度的降低的条件(第一条件的一例)的预约。行驶形态预测部12h基于预约信息来预测车辆20的行驶形态。另外，分配部12j从共享汽车系统1正在管理的车辆20中选择满足由预约信息确定的条件(预约条件)的车辆20，向该预约分配。需要说明的是，以下，将可预计油的劣化程度的降低的预约即成为降低油的劣化程度的驾驶的可能性高的预约作为一例而称作第一预约。
[0145]
表示由预约判定部12i进行的预约判定及由分配部12j进行的相对于预约的车辆20的分配的处理工序的流程图与图6所示的第一实施方式的情况是同样的。需要说明的是，作为第四条件，也包含预测的内燃机的负荷为阈值以上的情况。
[0146]
如以上说明那样，在本实施方式中，在服务器10(车辆分配装置)中，车辆判定部12d基于与车辆20对应的车辆信息来针对每个车辆20判定内燃机20a中的油的劣化程度的降低的必要性。预约判定部12i在与预约对应的预约信息满足可预计油的劣化程度的降低的第一条件的情况下将该预约判定为第一预约。另外，分配部12j基于预约信息，在预约是第一预约的情况下，能够向该预约分配油的劣化程度的降低的必要性比其他的车辆20高的车辆20。
[0147]
根据这样的结构及控制，由于能够向可预计油的劣化程度的降低的第一预约分配油的劣化程度的降低的必要性高的车辆，所以能够通过相对于预约的车辆的分配来抑制车辆的内燃机中的油的劣化。另外，通过抑制油的劣化，能够抑制车辆寿命的缩短。另外，能够抑制被调配的车辆集中于特定的车辆而在油的劣化程度中产生不均衡这一事态的发生。
[0148]
需要说明的是，也可以是，服务器10的控制部12、车辆20的控制部22在推定为油中的水分量超过了规定的阈值的情况下，不管劣化程度的推定的结果，经由汽车导航系统等车载信息设备或终端30而向驾驶员催促油更换。或者，也可以向驾驶员催促降低油的劣化程度的驾驶(例如，某种程度的持续性的行驶)。
[0149]
[第三实施方式]
[0150]
图8是本实施方式的服务器10a的控制部12及存储部13的框图。如图8所示，在本实施方式中，控制部12具有学习部12k。驾驶员判定部12g利用学习部12k生成的已学习模型来判定驾驶员。除了取代服务器10而具备服务器10a这一点以外，共享汽车系统1的结构与第一实施方式是同样的。
[0151]
学习部12k以作为驾驶员信息的一部分的输入输出数据组为基础进行机器学习。学习部12k将作为学习的结果的已学习模型向存储部13的已学习模型存储部13c写入。学习部12k能够与正在进行学习的神经网络相独立地在规定的定时下将该定时下的最新的已学习模型向已学习模型存储部13c写入。已学习模型向已学习模型存储部13c的写入可以是删除旧的已学习模型并将最新的已学习模型写入的更新，也可以是残留旧的已学习模型的一部分或全部并将最新的已学习模型写入的蓄积。
[0152]
存储部13除了驾驶员信息数据库13a及车辆信息数据库13b之外，还具有已学习模型存储部13c和学习数据存储部13d。已学习模型存储部13c将已学习模型以能够检索的方式存储。需要说明的是，已学习模型存储部13c最初存储有初始状态的已学习模型。已学习模型是基于使用了神经网络的深度学习而生成的已学习模型。需要说明的是，存储已学习模型意味着存储已学习模型中的网络参数、运算的算法等信息。已学习模型以与驾驶员信息建立关联的方式存储。需要说明的是，已学习模型也可以以进一步与车辆信息建立关联的方式存储。另外，学习数据存储部13d存储学习数据。关于学习数据后述。
[0153]
在此，作为机器学习的具体的一例，对使用了神经网络的深度学习进行说明。图9是示意性地示出学习部12k学习的神经网络的结构的图。如图9所示，神经网络100是前馈神经网络，具有输入层101、中间层102及输出层103。输入层101由多个节点构成，对各节点输入互相不同的输入参数。中间层102被输入来自输入层101的输出。中间层102具有包含由接受来自输入层101的输入的多个节点构成的层的多层的构造。输出层103被输入来自中间层102的输出，将输出参数输出。使用了中间层102具有多层构造的神经网络的机器学习被称作深度学习。
[0154]
图10是说明神经网络100所具有的节点处的输入输出的概要的图。在图10中，示意性地示出了神经网络100中的具有i个节点的输入层101、具有j个节点的第一中间层121、具有k个节点的第二中间层122中的数据的输入输出的一部分(i、j、k是正的整数)。对输入层101的从上侧起的第i个节点输入输入参数x
i
(i＝1，2，
…
，i)。以下，将全部的输入参数的集合记载为“输入参数{x
i
}”。
[0155]
输入层101的各节点对相邻的第一中间层121的各节点输出具有对输入参数乘以规定的权重而得到的值的信号。例如，输入层101的从上侧起的第i个节点对第一中间层121的从上侧起的第j个(j＝1，2，
…
，j)节点输出具有对输入参数x
i
乘以权重α
ij
而得到的值α
ij
x
i
的信号。对第一中间层121的从上侧起的第j个节点输入通过合计对来自输入层101的各节点的输出加上规定的偏置b
(1)j
而得到的值σ
i＝1～i
α
ij
x
i
b
(1)j
。在此，第一项目的σ
i＝1～i
意味着取i＝1，2，
…
，i之和。
[0156]
第一中间层121的从上侧起的第j个节点的输出值y
j
作为从输入层101向该节点的输入值σ
i＝1～i
α
ij
x
i
b
(1)j
的函数而表示为y
j
＝s(σ
i＝1～i
α
ij
x
i
b
(1)j
)。该函数s被称作活性化函数。作为具体的活性化函数，例如能够举出sigmoid函数s(u)＝1/{1 exp(
‑
u)}、修正线性函数(relu)s(u)＝max(0，u)等。活性化函数经常使用非线性函数。
[0157]
第一中间层121的各节点对相邻的第二中间层122的各节点输出具有对输入参数乘以规定的权重而得到的值的信号。例如，第一中间层121的从上侧起的第j个节点对第二中间层122的从上侧起的第k个(k＝1，2，
…
，k)节点输出具有对输入值y
j
乘以权重β
jk
而得到的值β
jk
y
j
的信号。对第二中间层122的从上侧起的第k个节点输入通过合计对来自第一中间层121的各节点的输出加上规定的偏置b
(2)k
而得到的值σ
j＝1～j
β
jk
y
j
b
(2)k
。在此，第一项目的σ
j＝1～j
意味着取j＝1，2，
…
，j之和。
[0158]
第二中间层122的从上侧起的第k个节点的输出值z
k
使用以从第一中间层121向该节点的输入值σ
j＝1～j
β
jk
y
j
b
(2)k
为变量的活性化函数而表示为z
k
＝s(σ
j＝1～j
β
jk
y
j
b
(2)k
)。
[0159]
这样，通过沿着从输入层101侧向输出层103侧的正向依次重复进行，最终从输出层103输出一个输出参数y。以下，将神经网络100所包含的权重及偏置集中称作网络参数w。该网络参数w是以神经网络100的全部的权重及偏置为成分的向量。
[0160]
学习部12k进行基于通过将输入参数{x
i
}向神经网络100输入而算出的输出参数y和与输入参数{x
i
}一起构成输入输出数据组的输出参数(目标输出)y0来更新网络参数w的运算。具体而言，通过进行用于将2个输出参数y与y0的误差最小化的运算来更新网络参数w。此时，经常使用随机梯度下降法。以下，将输入参数{x
i
}及输出参数y的组({x
i
}，y)统称为“学习数据”。
[0161]
以下，说明随机梯度下降法的概要。随机梯度下降法是以将根据使用2个输出参数y和y0定义的误差函数e(w)相对于网络参数w的各成分的微分而求出的梯度最小化的方式更新网络参数w的方法。误差函数例如由学习数据的输出参数y和输入输出数据组的输出参数y0的平方误差|y
‑
y0|2定义。另外，梯度是具有误差函数e(w)的与网络参数w的成分相关的微分即参数w的成分相关的微分即(在此，i＝1～i，j＝1～j，k＝1～k)等作为成分的向量。
[0162]
在随机梯度下降法中，将网络参数w使用自动或手动地确定的规定的学习率η而依次更新为需要说明的是，学习率η也可以在学习的中途变更。在更一般的随机梯度下降法的情况下，误差函数e(w)通过从包含全部学习数据的样本中随机提取而定义。此时提取的学习数据的数并不限于1个，也可以是学习数据存储部13d所存储的学习数据的一部分。
[0163]
作为用于高效地进行梯度的计算的方法，已知有误差反向传播法。误差反向传播法是算出学习数据({x
i
}，y)后基于输出层中的目标输出y0和输出参数y的误差而如输出层
→
中间层
→
输入层这样将梯度的成分反着追溯而计算的方法。学习部12k使用误差反向传播法算出了梯度的全部成分后，通过以使用算出的梯度的方式应用上述的随机梯度下降法来更新网络参数w。
[0164]
学习部12k从存储于驾驶员信息数据库13a的驾驶员信息提取在机器学习中使用的驾驶员信息。机器学习的输入参数例如是平均速度、行驶距离、行驶时间、规定加速度以上的加速次数、加速时的平均加速度这样的表示驾驶员的过去的行驶实绩的信息。另外，机
器学习的输出参数例如是表示驾驶员是否是第一驾驶员的划分、由驾驶员的驾驶引起的行驶距离的每单位长度或行驶时间的每单位时间的颗粒状物质的变化量。颗粒状物质的变化量例如将增加设为正，将减少设为负，值越小则表示蓄积的颗粒状物质的减少量越大。需要说明的是，作为输入参数，例如也可以包含驾驶员的性别、年龄、居住地域、职业、兴趣这样的驾驶员的属性信息。
[0165]
学习部12k的学习在规定的定时(例如每当驾驶员信息被追加或更新时)执行。由此，在已学习模型存储部13c中蓄积与驾驶员信息建立了关联的已学习模型。另外，学习部12k也可以将生成的已学习模型进一步与车辆信息建立关联并向已学习模型存储部13c蓄积。学习部12k也可以将过去生成的已学习模型通过与该已学习模型被建立了关联的驾驶员信息的一致度高的新的已学习模型而更新。而且，学习部12k也可以将被建立了关联的驾驶员信息互相接近的多个已学习模型互相合并并平均化等而生成新的已学习模型。需要说明的是，在将已学习模型平均化的情况下，能够将多个已学习模型中的各网络参数w针对每个节点平均化等而进行。另外，学习部12k也可以变更节点的数量。另外，学习部12k也可以进一步参照车辆信息来合并或更新多个已学习模型。这样，在已学习模型存储部13c中，生成的已学习模型被蓄积、被更新、被合并并平均化，并被存储。
[0166]
在这样的结构中，驾驶员判定部12g在进行驾驶员的判定时，基于与设为判定的对象的驾驶员的识别信息建立了关联的驾驶员信息来从已学习模型存储部13c选择至少1个与一致度最高的驾驶员信息建立了关联的已学习模型。
[0167]
然后，驾驶员判定部12g通过对选择出的已学习模型输入驾驶员信息作为输入参数来取得表示驾驶员是否是第一驾驶员的划分、由驾驶员的驾驶引起的行驶距离的每单位长度或行驶时间的每单位时间的颗粒状物质的变化量作为输出参数。通过使用已学习模型，能够将由驾驶员的驾驶引起的颗粒状物质的减少的可能性从表示驾驶员的驾驶的实绩的驾驶员信息比较少的阶段起高精度地推定。
[0168]
在上述的第三实施方式中，如第一实施方式那样推定由驾驶员的驾驶引起的颗粒状物质的减少的可能性，但也可以如第二实施方式那样推定由驾驶员的驾驶引起的油的劣化程度的降低的可能性。
[0169]
以上，虽然例示了本发明的实施方式，但上述实施方式是一例，未意图限定发明的范围。上述实施方式能够以其他的各种各样的方式实施，能够在不脱离发明的主旨的范围内进行各种省略、置换、组合、变更。另外，各结构、形状等规格(构造、种类、型式、数量、配置等)能够适当变更而实施。
[0170]
例如，在上述实施方式中，一个服务器承担作为车辆分配装置的功能的全部，但不限定于此，也可以是，经由网络以能够通信的方式连接的多个计算机分担各功能。另外，还可以是，存储装置经由网络而与执行各处理的装置以能够通信的方式连接。
[0171]
另外，在预约信息中包含驾驶员信息的情况下，预约判定部也可以在驾驶员信息满足第三条件的情况下将该驾驶员判定为第一驾驶员，且关于该预约判定第一预约。预约信息中包含的驾驶员信息例如是表示预定途经地、预定行驶线路、高速道路的使用的有无的信息、驾驶员的属性信息等。
[0172]
另外，本发明对于共享汽车系统以外的例如租用汽车系统这样的对预约分配多个车辆中的任一者的系统也能够同样地应用。