JP4967810B2 - 車両用空調装置およびその制御方法 - Google Patents

Description

本発明は、車両用空調装置およびその制御方法に関し、特に、搭乗者の温感または状況に応じて自動的に空調状態を最適化する車両用空調装置およびその制御方法に関する。

一般に、車両用空調装置では、設定温度、外気温、内気温、日射量などの各種パラメータに応じて、各吹き出し口から送出される空調空気の温度、風量などを自動的に決定する。しかし、搭乗者の温感（暑がり、寒がりなど）には個人差が存在する。そのため、自動的に決定された空調空気の温度、風量などが、最適な値とならないことがある。そのような場合、搭乗者は、必要に応じて操作パネルを操作して、設定温度を高くしたり、あるいは低くしたり、あるいは、風量を増加又は減少させるように空調装置を調節する。そこで、搭乗者が操作パネルを操作して、設定温度、風量などを変更した場合、そのときの各種パラメータを用いて、空調空気の温度や風量を決定する関係式を修正する学習制御を組み込んだ空調制御装置が開発されている（特許文献１参照）。

ところで、搭乗者が空調装置の設定を変更するのは、必ずしも温感などの違いによるものではなく、特定状況下における外部環境的な要因による場合もある。例えば、搭乗者が運転を行う直前に運動を行っていた場合には、通常よりも設定温度を低くすることもある。また、いつも渋滞する地点に差し掛かった場合に、車の排ガスが車内に充満するのを防ぐために、内気循環モードに設定することもある。しかし、特許文献１に記載された空調制御装置では、特定状況下における外部環境的要因のせいで空調装置の設定を変更したのか、温感などの違いによって変更したのかを区別することができない。そのため、上記の学習制御に使用するのには適さない情報を用いて学習を行ってしまうおそれがある。そして、そのような学習に適さない情報を用いて学習を行うと、必ずしも搭乗者の温感に合うように上記の制御式を修正できない場合があった。そこで、そのような不都合を避けるために、空調装置の操作パネル上に別途「学習ボタン」のような、空調装置に学習を行わせることを明示的且つ手動で指示する操作スイッチを設けることが考えられる。しかし、それでは、搭乗者の操作無しには、学習を行うことができず、完全な自動学習とは言い難い。さらに、上記のような特定状況に合わせて空調温度などを自動的に最適化することは困難であった。

一方、走行中の自車両の位置を示すデータを学習データに加えて、温調学習とそれ以外の学習とを識別可能とした自動車用空気調和装置が開発されている（特許文献２参照）。しかし、特許文献２に記載された自動車用空気調和装置は、自車両の位置及び日時を参照して、温調学習を行うか否かを決定するのみであり、具体的な決定方法の記載はなく、上記のような特定の状況に合わせて空調温度などの最適化を行うことまでは考慮されていなかった。

特開２０００−２９３２０４号公報 特開２０００−６２４３１号公報

本発明の目的は、搭乗者の温感に合わせて最適な空調設定を自動的に行うことが可能な車両用空調装置およびその制御方法を提供することにある。

本発明の他の目的は、搭乗者の温感に合わせた最適化だけでなく、特定状況下でも自動的に最適な空調設定を行うことが可能な車両用空調装置およびその制御方法を提供することにある。

本発明のさらに他の目的は、搭乗者の温感又は特定状況下に対する最適な空調設定を自動的に学習することが可能な車両用空調装置およびその制御方法を提供することにある。

請求項１の記載によれば、本発明に係る車両用空調装置は、空調情報取得部（５１、５２、５３）により、安定状態において取得された複数の空調情報を、第１の学習データ群として記憶する記憶部（６１）と、空調情報を入力することにより乗員が所定の設定操作を行う推薦確率を算出するための第１の確率モデルを、第１の学習データ群を用いて構築する学習部（６６）と、学習部（６６）で構築された第１の確率モデルに、空調情報取得部（５１、５２、５３）により取得された空調情報を入力して推薦確率を算出し、その推薦確率に応じて、乗員の設定操作に関連する設定情報又は制御情報を、所定の設定操作となるように修正する制御情報修正部（６４）と、修正された設定情報又は制御情報にしたがって、空調空気を車両内に供給する空調部（１０）の空調制御を行う空調制御部（６５）とを有する。
また、本発明に係る車両用空調装置は、車両に関する状態を表す状態情報を取得する情報取得部（５５、５６、５７、５８）をさらに有し、制御情報修正部（６４）は、乗員が所定の設定操作を行う推薦確率を算出するための第２の確率モデルを少なくとも一つ有し、情報取得部（５５、５６、５７、５８）により取得された状態情報を第２の確率モデルに入力して所定の設定操作を行う推薦確率を算出し、その推薦確率に応じて、乗員の設定操作に関連する設定情報又は制御情報を、所定の設定操作となるように修正することが好ましい。
係る構成により、搭乗者の温感に合わせて、自動的に最適な空調設定を行うことができ、搭乗者の温感に合わせた最適化だけでなく、特定状況に応じて空調設定を自動的に最適化することができる。
なお、空調情報は、車両内外の空調設定に関する情報であり、具体的には、外気温、内気温及び日射量を含む。また、所定の設定操作とは、設定温度の変更、風量の変更、内気循環モードに設定する、デフロスタを作動あるいは停止させるといった、車両用空調装置の動作状態を変更させる操作をいう。また、設定情報とは、設定温度、風量、内外気の吸気比、各吹出口から送出される空調空気の風量比など、車両用空調装置の動作を規定する情報をいう。さらに、制御情報とは、空調空気の温度、ブロアファンの回転数、ブロア電圧、エアミックスドアの開度など、設定情報に基づいて求められ、空調部の各部の動作を制御する情報をいう。また、確率モデルの構築には、新たに確率モデルを生成すること、及び既に生成されている確率モデルを修正して更新することを含む。
また、状態情報は、車両に関する状態を表すものであり、上述した空調情報、車両の位置情報、車両の挙動情報、時間情報又は車両の搭乗者の生体情報の少なくとも一つを含む。

また、空調情報取得部（５１、５２、５３）は、乗員が車両の動力を停止した時点の空調情報、設定操作が行われてから所定時間経過後における空調情報、又は定期的に測定された空調情報の少なくとも何れかを、安定した状態にある空調情報として取得することが好ましい。

また、制御情報修正部（６４）は、推薦確率が第１の閾値以上の場合、設定情報又は制御情報を修正することが好ましい。
あるいは、請求項２に記載のように、推薦確率が、第１の閾値未満であり、且つ第１の閾値よりも低い第２の閾値以上の場合、所定の設定操作の内容を搭乗者に報知し、且つ所定の設定操作を行うか否かを搭乗者に確認する確認操作部（５９）を有し、確認操作部（５９）を通じて所定の設定操作を行うことが確認された場合、制御情報修正部（６４）は、設定情報又は制御情報を修正することが好ましい。
係る構成により、搭乗者が所定の設定操作を行うことがほぼ確実と考えられる場合は、自動的にその設定操作が行われる。また、その設定操作を行うことがほぼ確実とは言えないまでも、その可能性が高い場合には、搭乗者がその設定操作を行う旨を確認する操作を行うだけで、その設定操作が行われるので、簡単な操作で最適な空調設定にすることができる。

さらに、請求項３に記載のように、本発明に係る車両用空調装置は、搭乗者の情報を取得する搭乗者情報取得部（５４）と、搭乗者情報を用いて、搭乗者と予め記憶された少なくとも一人の登録済利用者とを照合する照合部（６３）を有し、制御値修正部（６４）は、照合部（６３）が搭乗者と判定した登録済利用者と関連付けられた第１の確率モデルに基づいて推薦確率を算出することが好ましい。
係る構成により、搭乗者毎に異なる確率モデルを使用できるので、搭乗者ごとに最適な空調設定を行うことができる。

また、請求項４に記載のように、第１の確率モデルは、空調情報を入力として所定の設定操作を行う推薦確率を出力するノードを有し、学習部（６６）は、第１の学習データ群に含まれた、安定状態にある空調情報を用いてその推薦確率を決定することが好ましい。

さらに、請求項５に記載のように、学習部（６６）は、記憶部（６１）に記憶された第１の学習データ群に含まれた、安定状態にある空調情報を少なくとも第１のクラスタと第２のクラスタに区分し、かつ第１のクラスタに含まれた空調情報から空調情報の値に関する第１の範囲を決定し、第２のクラスタに含まれた空調情報から空調情報の値に関する第２の範囲を決定し、第１の範囲に含まれる空調情報の値に対してノードが出力する推薦確率及び第２の範囲に含まれる空調情報の値に対してノードが出力する推薦確率を決定することにより、第１の確率モデルを構築することが好ましい。
係る構成により、空調状態の値の範囲を最適に画定し、その結果に基づいて確率を計算する確率モデルを構築するので、搭乗者の温感に正確に対応した空調設定を自動的に行うことができる。

また、請求項６に記載のように、記憶部（６１）は、情報取得部（５５、５６、５７、５８）により取得された複数の状態情報を、第２の学習データ群として記憶し、学習部（６６）は、第２の確率モデルを、第２の学習データ群を用いて構築することが好ましい。
係る構成により、様々な状況に応じた空調設定を行うための推薦確率を求める確率モデルが新たに構築されるので、使用を続けるにつれて、より様々な状況に対応して自動的に空調設定を最適化することができる。

また、請求項７の記載によれば、空調空気を車両内に供給する空調部（１０）を有する車両用空調装置の制御方法が提供される。係る制御方法は、安定状態において取得された複数の空調情報を、学習データ群として記憶するステップと、空調情報を入力することにより乗員が所定の設定操作を行う推薦確率を算出するための第１の確率モデルを、学習データ群を用いて構築するステップと、空調情報を取得するステップと、第１の確率モデルに空調情報を入力して推薦確率を算出するステップと、推薦確率が所定の条件を満たす場合、推薦確率に応じて、乗員の設定操作に関連する設定情報又は制御情報を、所定の設定操作となるように修正するステップと、修正された設定情報又は制御情報にしたがって、空調部（１０）の空調制御を行うステップとを有する。

また、安定した状態にある空調情報は、乗員が車両の動力を停止した時点の空調情報、設定操作が行われてから所定時間経過後における空調情報、又は定期的に測定された空調情報の何れかであることが好ましい。

さらに、本発明に係る車両用空調装置の制御方法は、車両に関する状態を表す状態情報を取得するステップと、状態情報を入力することにより乗員が所定の設定操作を行う推薦確率を算出するための第２の確率モデルに状態情報を入力して推薦確率を算出するステップとをさらに有することが好ましい。

なお、上記各手段に付した括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。

以下、本発明に係る車両用空調装置について説明する。
本発明に係る車両用空調装置は、搭乗者の温感に合わせて学習された少なくとも一つの確率モデルに基づいて、搭乗者の空調設定操作を推定し、自動的に空調設定を行うものである。また、本発明に係る車両用空調装置は、特定状況に合わせて学習された確率モデルを別途用いて、その特定状況に応じて空調設定を最適化するものである。

図１は、本発明の第１の実施形態に係る車両用空調装置１の全体構成を示す構成図である。図１に示すように、車両用空調装置１は、主に機械的構成からなる空調部１０と、この空調部１０を制御する制御部６０とを有する。

まず、空調部１０の冷凍サイクルＲの構成を説明する。車両用空調装置１の冷凍サイクルＲは閉回路で構成され、その閉回路はコンプレッサ１１より時計回りにコンデンサ１５、レシーバ１６、膨張弁１７、およびエバポレータ１８を含む。そして、コンプレッサ１１は、冷媒を圧縮して高圧ガスにする。また、コンプレッサ１１は、ベルト１２を介して車載エンジン１３より伝わる動力断続用の電磁クラッチ１４を備える。コンデンサ１５は、コンプレッサ１１より送られてきた高温、高圧の冷媒ガスを冷却し、液化させる。レシーバ１６は、液化された冷媒ガスを貯蔵する。また、冷却性能の低下を防ぐため、液化された冷媒に含まれるガス状の気泡を取り除き、完全に液化された冷媒のみを膨張弁１７へ送る。膨張弁１７は、液化された冷媒を断熱膨張させて低温、低圧化し、エバポレータ１８へ送る。エバポレータ１８は、低温、低圧化された冷媒と、エバポレータ１８に送り込まれた空気との間で熱交換を行ってその空気を冷却する。

次に、空調部１０の空調ケース２０内の構成について説明する。エバポレータ１８の上流側には、ブロアファン２１が配置されている。ブロアファン２１は遠心式送風ファンで構成され、駆動用モータ２２により回転駆動される。ブロアファン２１の吸入側には、内外気切替箱２３が配置される。内外気切替箱２３内には、内外気サーボモータ２４で駆動される内外気切替ドア２５が配置される。そして内外気切替ドア２５は、内気吸込口２６と外気吸込口２７とを切り替えて開閉する。そして、内気吸込口２６又は外気吸込口２７から取り込まれた空気は、内外気切替箱２３を経由して、ブロアファン２１によってエバポレータ１８へ送られる。なお、ブロアファン２１の回転速度を調整することにより、車両用空調装置１から送出される風量を調節することができる。

エバポレータ１８の下流側には、エバポレータ１８側から順に、エアミックスドア２８、およびヒータコア２９が配置される。ヒータコア２９には、ヒータコア２９を通る空気を暖めるために、車載エンジン１３の冷却に使用された冷却水が循環供給される。また、空調ケース２０には、ヒータコア２９をバイパスするバイパス通路３０が形成されている。エアミックスドア２８は、温調サーボモータ３１により回動され、各吹き出し口から送出される空気を所定の温度にするために、ヒータコア２９を通過する通路３２からの温風とバイパス通路３０を通過する冷風との風量割合を調整する。

さらに、バイパス通路３０を経由した冷風と、ヒータコア２９を通過する通路３２からの温風とが混合される空気混合部３３の下流側には、空調空気を車室内に送出するフット吹き出し口３４、フェイス吹き出し口３５、デフロスタ吹き出し口３６が設けられている。そして、各吹き出し口には、各吹き出し口を開閉するためのフットドア３７、フェイスドア３８及びデフロスタドア３９がそれぞれ設けられている。なお、フット吹き出し口３４は、運転席または助手席の足元へ空調空気を送出し、フェイス吹き出し口３５は、フロントパネルから運転席または助手席に向けて空調空気を送出する。また、デフロスタ吹き出し口３６は、フロントガラスへ向けて空調空気を送出する。各ドア３７、３８及び３９は、モードサーボモータ４０により駆動される。

次に、空調情報取得部として機能する各種センサについて説明する。内気温センサ５１は、車室内の温度T_rを測定するために、ハンドル近傍のインストルメントパネルなどにアスピレータとともに設置される。また、外気温センサ５２は、車室外の温度T_amを測定するために、コンデンサ１５の外側前面の車両前方ラジエターグリルに設置される。さらに、車室内に照りつける日射光の強さ（日射量）Sを測定するために、日射センサ５３が車室内のフロントガラス近傍に取り付けられる。なお、日射センサ５３はフォトダイオードなどで構成される。

上記の他、車両用空調装置１は、情報取得部として機能する複数のセンサを備える。具体的には、エバポレータ１８から吹き出される空気の温度（エバポレータ出口温度）を測定するためのエバポレータ出口温度センサ、ヒータコア２９へのエンジン冷却水の冷却水の水温を測定するためのヒータ入口水温センサ、及び冷凍サイクルＲ内を循環する冷媒の圧力を測定するための圧力センサなどが設けられる。その他、車室内には、搭乗者情報取得部としても機能する、運転席及びその他の席に搭乗している乗員の顔を撮影するための１台以上の車内カメラ５４が設置される。また、車外の様子を撮影する車外カメラ５５も設置される。

車両用空調装置１は、上記の各センサからのセンシング情報の他、ナビゲーションシステム５６から、車両の現在位置、進行方向、周辺地域情報、Ｇｂｏｏｋ情報などの位置情報を取得する。また、車両操作機器５７から、アクセル開度、ハンドル、ブレーキ、パワーウインドウ開度、ワイパー、ターンレバー若しくはカーオーディオのＯＮ／ＯＦＦなどの各種操作情報及び車速、車両挙動情報などを取得する。さらに、車載時計５８より、曜日、現在時刻などの時間情報を取得する。また、車両用空調装置１は、運転席などに心電検出センサ、心拍・呼吸センサ、体温センサ若しくは皮膚温センサなどを設置して、搭乗者の生体情報を取得するようにしてもよい。
このように、ナビゲーションシステム５６、車両操作機器５７及び車載時計５８もまた、情報取得部として機能する。

図２は、車両用空調装置１の制御部６０の機能ブロック図である。
制御部６０は、図示していないＣＰＵ，ＲＯＭ，ＲＡＭ等からなる１個もしくは複数個の図示してないマイクロコンピュータ、その周辺回路、電気的に書き換え可能な不揮発性メモリ等からなる記憶部６１、及び各種センサ、ナビゲーションシステム５６又は車両操作機器５７などとコントロールエリアネットワーク（ＣＡＮ）のような車載通信規格に従って通信を行う通信部６２から構成される。

さらに、制御部６０は、このマイクロコンピュータ及びマイクロコンピュータ上で実行されるコンピュータプログラムによって実現される機能モジュールとして、照合部６３、制御情報修正部６４、空調制御部６５及び学習部６６を有する。

制御部６０は、上記のセンシング情報、位置情報、車両挙動情報などの状態情報を、各種のセンサ、ナビゲータシステム、車両操作機器などから取得すると、それらをＲＡＭに一時的に記憶する。同様に、操作部であるＡ／Ｃ操作パネル５９から取得された操作信号もＲＡＭに一時的に記憶する。そして制御部６０は、それら状態情報及び操作信号に基づいて空調部１０を制御する。例えば、制御部６０は、電磁クラッチ１４を制御してコンプレッサ１１のＯＮ／ＯＦＦ切り換えを行ったり、ブロアファン２１の回転数調整のために駆動用モータ２２を制御する。また制御部６０は、内外気サーボモータ２４、温調サーボモータ３１及びモードサーボモータ４０を制御して各ドアの開度を調節する。これらの制御を行うことによって、車室内の温度を、搭乗者の設定した温度に近づけるように、各吹き出し口から送出される空調空気の風量比、全体の風量及び温度を調節する。ここで制御部６０は、搭乗者の温感に合わせた最適な空調設定（空調空気の温度や風量など）を求めるための確率モデル（以下、温感調整用確率モデルという）に、外気温、日射量などの空調情報を入力し、搭乗者が所定の操作（例えば、設定温度を下げる、風量を最大にする、内気循環モードに設定する等）を行う推薦確率を求める。その推薦確率が所定閾値以上の場合には、自動的にその所定の操作を行う。また、温感調整用確率モデルを生成するために、制御部６０は、安定している状態における空調情報及びそのときの空調設定を取得し、記憶部６１に蓄積する。そして、そのような情報が所定数蓄積されると、統計的学習処理を行って、温感調整用確率モデルを更新する。

さらに制御部６０は、特定状況に応じた最適な空調設定を求めるための確率モデル（以下、特定状況用確率モデル）に、位置情報、時間情報などの状態情報を入力し、搭乗者が所定の操作を行う推薦確率を求める。その推薦確率が所定閾値以上の場合には、自動的にその所定の操作を行う。また、特定状況用確率モデルを生成するために、制御部６０は、搭乗者が車両用空調装置１を操作した場合には、その操作内容及びその操作時の各種情報を蓄積する。そして、そのような情報が所定数蓄積されると、統計的学習処理を行って、特定状況用確率モデルを生成する。
以下、これらの動作を行う各機能モジュールについて説明する。

照合部６３は、エンジンスイッチをＯＮすると、車内カメラ５４で撮影された画像と、車両用空調装置１に予め登録された登録済利用者に関する照合情報に基づいて、搭乗者の照合及び認証を行い、搭乗者が何れの登録済利用者か判定する。そして、搭乗者と判定された登録済利用者の識別情報（ＩＤ）及び登録済利用者に関連する個人情報を記憶部６１から読み出す。

ここで、照合部６３は、例えば以下の方法によって搭乗者の照合及び認証を行う。照合部６３は、車内カメラ５４で撮影された画像を２値化したり、エッジ検出を行って搭乗者の顔に相当する領域を識別する。そして、識別された顔領域から、目、鼻、唇など特徴的な部分をエッジ検出等の手段によって検出し、その特徴的な部分の大きさ、相対的な位置関係などを特徴量の組として抽出する。次に、照合部６３は、抽出された特徴量の組を、予め記憶部６１に記憶されている、各登録済利用者に関して求められた特徴量の組と比較し、相関演算などを用いて一致度を算出する。そして、最も高い一致度が、所定の閾値以上となる場合、照合部６３は、搭乗者を、その最も高い一致度となった登録済利用者として認証する。なお、上記の照合方法は、一例に過ぎず、照合部６３は、他の周知の照合方法を使用して、搭乗者の照合及び認証を行うことができる。例えば、照合部６３は、特開２００５−２０２７８６号公報に記載された車両用顔認証システムを用いることができる。また、画像認証以外の方法を用いることも可能であり、例えば、スマートキーシステムを用いて搭乗者の照合及び認証を行うようにしてもよい。さらに、特開２００５−６７３５３号公報に記載された車両用盗難防止装置のように、スマートキーシステムと画像認証を組み合わせて照合及び認証を行うようにしてもよい。

制御情報修正部６４は、温感調整用確率モデル又は特定状況用確率モデルに基づいて、設定温度T_set、風量Wなど、搭乗者が設定可能な設定情報である、空調装置１の制御パラメータを自動調整するか否かを決定する。すなわち、制御情報修正部（６４）は、所定の設定操作と関連した少なくとも一つの温感調整用確率モデルを有し、空調情報を温感調整用確率モデルに入力して所定の設定操作を行う推薦確率を算出し、推薦確率と、その温感調整用確率モデルに関連付けられた修正情報に基づいて所定の設定操作に関連する設定情報又は制御情報を修正する。
また、制御情報修正部６４は、所定の設定操作と関連した少なくとも一つの特定状況用確率モデルを有し、状態情報を特定状況用確率モデルに入力して所定の設定操作を行う推薦確率を算出し、推薦確率と、その特定状況用確率モデルに関連付けられた修正情報に基づいて所定の設定操作に関連する設定情報又は制御情報を修正する。なお、温感調整用確率モデル又は特定状況用確率モデルに関連付けられた修正情報とは、その確率モデルによって規定される修正において、設定情報または制御情報の修正後の値、あるいは、設定情報または制御情報を所望の修正値に変更するために設定情報または制御情報に加えられ、若しくは乗じられる修正量をいう。
本実施形態では、確率モデルとして、ベイジアンネットワークを用いた。ベイジアンネットワークは、複数の事象の確率的な因果関係をモデル化するものであり、各ノード間の伝播を条件付き確率で求める、非循環有向グラフで表されるネットワークである。なお、ベイジアンネットワークの詳細については、本村陽一、岩崎弘利著、「ベイジアンネットワーク技術」、初版、電機大出版局、２００６年７月、繁桝算男他著、「ベイジアンネットワーク概説」、初版、培風館、２００６年７月、又は尾上守夫監修、「パターン識別」、初版、新技術コミュニケーションズ、２００１年７月などに開示されている。

以下、温感調整用確率モデルに基づいた、設定情報若しくは制御情報の修正について説明する。
本実施形態では、温感調整用確率モデルは、車両用空調装置１に登録された利用者毎に生成される。また、温感調整用確率モデルは、設定操作のタイプごと（例えば、設定温度T_setの調整、風量Wの調節、内気循環モードと外気モードの切り換え等）に生成される。そして、記憶部６１には、温感調整用確率モデルの構造情報が、各利用者情報及び設定操作と関連付けて記憶される。具体的には、温感調整用確率モデルを構成する各ノード間の接続関係を表すグラフ構造、入力ノードに与えられる入力情報のタイプ、各ノードの条件付き確率表（以下、ＣＰＴという）とともに、利用者の識別番号（ＩＤ）、設定操作の内容と一意に対応する設定操作番号k、その設定操作で修正される設定情報又は制御情報が各確率モデルごとに規定され、記憶部６１に記憶される。

制御情報修正部６４は、照合部６３によって搭乗者として特定された登録済み利用者に関連付けられた温感調整用確率モデルを記憶部６１から読み出す。制御情報修正部６４は、読み出された１以上の温感調整用確率モデルのそれぞれに、空調情報を入力して、搭乗者が温感調整用確率モデルのそれぞれに関連付けられた設定操作を行う確率（すなわち、推薦確率）を求める。すなわち、各温感調整用確率モデルについて一意に規定され、各温感調整用確率モデルとともに記憶部６１に記憶された設定操作番号ｋで表される設定操作を行う確率を求める。その確率は、例えば確率伝播法（belief propagation）を用いて計算することができる。そして、制御情報修正部６４は、求めた推薦確率が、搭乗者がその設定操作を行うことがほぼ確実であると考えられる第１の閾値Th1（例えば、Th1=0.7）以上の場合、その設定操作を自動的に実行する。すなわち、制御情報修正部６４は、その温感調整用確率モデルで推薦された設定になるように、設定温度T_setなどの設定情報あるいはブロア電圧B_vなどの制御情報を修正する。

また、求めた推薦確率が第１の閾値Th1未満であるものの、搭乗者がその設定操作を行う可能性が高いと考えられる第２の閾値Th2（例えば、Th2=0.5）以上である場合には、制御情報修正部６４は、Ａ／Ｃ操作パネル５９あるいはナビゲーションシステム５６などの表示部を通じてその設定操作内容を表示して搭乗者に知らせる。そして、搭乗者にその設定操作を行うか否かを確認する。そして、搭乗者がその設定操作を行うことを承認する操作（例えば、所定の操作ボタンを押す）をＡ／Ｃ操作パネル５９などを通じて行った場合、制御情報修正部６４は、その設定操作を行う。一方、搭乗者がその設定操作を行うことを承認する操作を一定期間（例えば、６０秒間）行わなければ、制御情報修正部６４は、その設定操作を無視する。なお、Ａ／Ｃ操作パネル５９あるいはナビゲーションシステム５６を通じて設定操作内容を音声で搭乗者に知らせてもよい。また、車両用空調装置１にマイクロフォンを接続し、制御部６０に音声認識プログラムを搭載することにより、搭乗者の音声に反応して設定操作を行うか否かを確認してもよい。

以下、設定温度T_setの推薦値を求めることを例として説明する。ここで、上記の第１の閾値Th1は0.7とし、第２の閾値Th2は0.5とする。

図３に、車両用空調装置１の設定温度T_setを自動調節するために使用される温感調整用確率モデルの一例のグラフ構造を示す。図３に示す温感調整用確率モデル１０１では、２個の入力ノード１０２、１０３がそれぞれ出力ノード１０４に接続されている。また、各入力ノード１０２、１０３には、それぞれ入力される状態情報として外気温T_am及び日射量Sが与えられる。そして、出力ノード１０４は、設定温度T_setを２４℃〜３０℃に設定する推薦確率を出力とする。

図４（ａ）〜（ｃ）に、図３に示した確率モデル１０１の各ノードについてのＣＰＴ１１２〜１１４を示す。ＣＰＴ１１２及び１１３は、それぞれ入力ノード１０２及び１０３に対応し、入力される空調情報に対する事前確率を規定する。例えばＣＰＴ１１２において、左側の列１２１は、外気温T_amの区分を表し、右側の列１２２の各欄に示された値は、外気温T_amの各区分に対する事前確率を表す。同様に、ＣＰＴ１１３において、左側の列１２３は、日射量Sの区分を表し、右側の列１２４の各欄に示された値は、日射量Sの各区分に対する事前確率を表す。
さらに、ＣＰＴ１１４は、出力ノード１０４に対応し、各入力ノードの情報の値ごとに割り当てられた条件付き確率分布を規定する。そして、ＣＰＴ１１４において、最上段の行１３１は、確率モデル１０１に入力情報として与えられる外気温T_amの区分を表し、上から２番目の行１３２は、確率モデル１０１に入力情報として与えられる日射量Sの区分を表す。また、ＣＰＴ１１４の一番左側の列１３３は、設定温度T_setを表す。そして、ＣＰＴ１１４のその他の各欄には、行１３１及び１３２で特定された外気温T_am及び日射量Sの区分に対する設定温度T_setの推薦確率を示す。なお、図４（ｃ）では、ＣＰＴ１１４のうち、列１３４及び列１３５にのみ数値が記載されているが、これは説明のためであり、実際には、全ての欄に推薦確率が記載される。

ここで、外気温T_amが-1℃であり、日射量Sが400W/m²の場合、ＣＰＴ１１４の列１３４より、設定温度T_setを27℃とする推薦確率が最も高く、0.8となる。したがって、制御情報修正部６４は、推薦確率として0.8を出力する。その推薦確率は、第１の閾値Th1以上であるため、制御情報修正部６４は、自動的に設定温度T_setを27℃にする。
また、外気温T_amが14℃であり、日射量Sが600W/m²の場合、ＣＰＴ１１４の列１３５より、設定温度T_setを26℃とする推薦確率が最も高く、0.6となる。したがって、制御情報修正部６４は、推薦確率として0.6を出力する。その推薦確率は、第１の閾値Th1よりも小さいが、第２の閾値Th2以上であるため、制御情報修正部６４は、設定温度T_setを26℃にするか否か、Ａ／Ｃ操作パネル５９などを通じて搭乗者に確認する。そして、搭乗者が、設定温度T_setを26℃にすることを承認する操作を行えば、制御情報修正部６４は、設定温度T_setを26℃に設定する。

図５に、車両用空調装置１の風量を調節するために使用される温感調整用確率モデルの一例のグラフ構造を示す。図５に示す温感調整用確率モデル２０１では、２個の入力ノード２０２、２０３がそれぞれ出力ノード２０４に接続されている。また、各入力ノード２０２、２０３には、それぞれ入力される状態情報として外気温T_am及び日射量Sが与えられる。そして、出力ノード２０４は、ブロア電圧B_vを4V〜10Vに設定する推薦確率を出力とする。

図６（ａ）〜（ｃ）に、図５に示した確率モデル２０１の各ノードについてのＣＰＴ２１２〜２１４を示す。ＣＰＴ２１２及び２１３は、それぞれ入力ノード２０２及び２０３に対応し、入力される空調情報に対する事前確率を規定する。例えばＣＰＴ２１２において、左側の列２２１は、外気温T_amの区分を表し、右側の列２２２の各欄に示された値は、外気温T_amの各区分に対する事前確率を表す。同様に、ＣＰＴ２１３において、左側の列２２３は、日射量Sの区分を表し、右側の列２２４の各欄に示された値は、日射量Sの各区分に対する事前確率を表す。
さらに、ＣＰＴ２１４は、出力ノード２０４に対応し、各入力ノードの情報の値ごとに割り当てられた条件付き確率分布を規定する。そして、ＣＰＴ２１４において、最上段の行２３１は、確率モデル２０１に入力情報として与えられる外気温T_amの区分を表し、上から２番目の行２３２は、確率モデル２０１に入力情報として与えられる日射量Sの区分を表す。また、ＣＰＴ２１４の一番左側の列２３３は、ブロア電圧B_vを表す。そして、ＣＰＴ２１４のその他の各欄には、行２３１及び２３２で特定された外気温T_am及び日射量Sの区分に対するブロア電圧B_vの推薦確率を示す。なお、図６（ｃ）では、ＣＰＴ２１４のうち、列２３４にのみ数値が記載されているが、これは説明のためであり、実際には、全ての欄に推薦確率が記載される。

ここで、外気温T_amが１４℃であり、日射量Sが600W/m²の場合、ＣＰＴ２１４の列２３４より、ブロア電圧B_vを6Vとする推薦確率が最も高く、0.7となる。したがって、制御情報修正部６４は、推薦確率として0.7を出力する。その推薦確率は、第１の閾値Th1以上であるため、制御情報修正部６４は、ブロア電圧B_vを6Vに設定する。

なお、上記の例では、簡単化のために、温感調整用確率モデルを２層のネットワークで構成したが、温感調整用確率モデルを、中間層を含む、３層以上のネットワークで構成してもよい。また、外気温T_amの区分は、上記の図４又は図６に示すものに限られず、例えば、１０℃ごとに区分するものであってもよい。さらに、後述するように、温感調整用確率モデルの生成時において、その区分を学習データに基づいて決定するようにしてもよい。同様に、日射量Sについても、上記の図４又は図６に示すものに限られず、例えば、300W/m²ごとに区分するものであってもよく、あるいは、学習データに基づいて決定されるようにしてもよい。さらに、上記の例では、温感調整用確率モデルの入力パラメータとして、外気温T_amと日射量Sのみを用いたが、内気温T_rを用いてもよい。さらにまた、ブロア電圧のように、搭乗員に通常表示しない制御情報が修正対象である場合には、制御情報修正部６４は、推薦確率が第１の閾値Th1未満かつ第２の閾値Th2以上であっても、搭乗者に確認することなく、制御情報の修正を行わないようにしてもよい。

次に、特定状況用確率モデルに基づいた、設定情報若しくは制御情報の修正について説明する。
本実施形態では、特定状況用確率モデルも、車両用空調装置１に登録された利用者毎に生成される。また、特定状況用確率モデルは、設定操作ごと（例えば、設定温度T_setを下げる若しくは上げる、風量Wを調節する、内気循環モードにする等）に生成される。そして、記憶部６１には、特定状況用確率モデルの構造情報が、各利用者情報及び設定操作と関連付けて記憶される。具体的には、特定状況用確率モデルを構成する各ノード間の接続関係を表すグラフ構造、入力ノードに与えられる入力情報のタイプ、各ノードの条件付き確率表（以下、ＣＰＴという）とともに、利用者の識別番号（ＩＤ）、設定操作の内容と一意に対応する設定操作番号k、その設定操作で修正される制御パラメータ及びその修正値（例えば、設定温度T_setが３℃下げられる場合には、（T_set,-3）、風量Wを最大値W_maxにする場合には、(W,W_max)など）が各特定状況用確率モデルごとに規定され、記憶部６１に記憶される。

制御情報修正部６４は、照合部６３によって搭乗者として特定された登録済み利用者に関連付けられた特定状況用確率モデルを記憶部６１から読み出す。制御情報修正部６４は、読み出された１以上の特定状況用確率モデルのそれぞれに、所定の状態情報を入力して、搭乗者が各特定状況用確率モデルに関連付けられた設定操作の推薦確率を求める。すなわち、各確率モデルについて一意に規定され、各確率モデルとともに記憶部６１に記憶された設定操作番号ｋで表される設定操作の推薦確率を求める。この推薦確率も、例えば確率伝播法を用いて計算することができる。そして、制御情報修正部６４は、求めた推薦確率が、搭乗者がその設定操作を行うことがほぼ確実であると考えられる第１の閾値Th1（例えば、Th1=0.9）以上の場合、その設定操作を自動的に実行する。具体的には、その設定操作に関連する制御パラメータの値を、特定状況用確率モデルに関連付けられた、すなわち、その特定状況用確率モデルに対して一意に規定され、各特定状況用確率モデルとともに記憶部６１に記憶された制御パラメータの修正値を用いて修正する。

また、求めた推薦確率が第１の閾値Th1未満であるものの、搭乗者がその設定操作を行う可能性が高いと考えられる第２の閾値Th2（例えば、Th2=0.6）以上である場合には、制御情報修正部６４は、Ａ／Ｃ操作パネル５９あるいはナビゲーションシステム５６などの表示部を通じてその設定操作内容を表示して搭乗者に知らせる。そして、搭乗者にその設定操作を行うか否かを確認する。そして、搭乗者がその設定操作を行うことを承認する操作をＡ／Ｃ操作パネル５９などを通じて行った場合、制御情報修正部６４は、その設定操作を行う。なお、Ａ／Ｃ操作パネル５９あるいはナビゲーションシステム５６を通じて設定操作内容を音声で搭乗者に知らせてもよい。また、車両用空調装置１にマイクロフォンを接続し、制御部６０に音声認識プログラムを搭載することにより、搭乗者の音声に反応して設定操作を行うか否かを確認してもよい。

以下、設定温度T_setを３℃下げることを例として説明する。ここで、上記の第１の閾値Th1は0.9とし、第２の閾値Th2は0.6とする。
図７に、車両用空調装置１の設定温度T_setを自動調節するために使用される特定状況用確率モデルの一例のグラフ構造を示す。図７に示す確率モデル３０１では、３個の入力ノード３０２、３０３、３０４がそれぞれ出力ノード３０５に接続されている。また、各入力ノード３０２、３０３、３０４には、それぞれ入力される状態情報として曜日（x₁）、時間帯（x₂）、現在位置（x₃）が与えられる。そして、出力ノード３０５は、設定温度T_setを３℃下げる確率を出力とする。

図８（ａ）〜（ｄ）に、図７に示した確率モデル３０１の各ノードについてのＣＰＴ３１２〜３１５を示す。ＣＰＴ３１２〜３１４は、それぞれ入力ノード３０２〜３０４に対応し、入力される状態情報に対する事前確率を規定する。また、ＣＰＴ３１５は、出力ノード３０５に対応し、各入力ノードの情報の値ごとに割り当てられた条件付き確率分布を規定する。

ここで、曜日が土曜日（x₁=1）、時間帯が昼（x₂=1）、現在位置が公園（x₃=1）と各入力ノードに与えられる情報が全て既知の場合、設定温度T_setを３℃下げる確率P(x₄=1|x₁=1,x₂=1,x₃=1)は、図８（ｄ）より、0.95となる。したがって、得られた確率は、第１の閾値Th1以上であるため、制御情報修正部６４は、設定温度T_setを３℃下げるよう制御パラメータを修正する。

また、曜日が土曜日（x₁=1）、時間帯が昼（x₂=1）であるものの、例えば、ナビゲーションシステム５６の電源が入っておらず、現在位置を知ることができない場合、図８（ｃ）に示した現在位置が公園である場合の事前確率P(x₃)を用いて、P(x₄=1|x₁=1,x₂=1,x₃)が計算される。この場合、
P(x₄=1|x₁=1,x₂=1,x₃)
= P(x₄=1|x₁=1,x₂=1,x₃=1)・P(x₃=1)
+ P(x₄=1|x₁=1,x₂=1,x₃=0)・P(x₃=0)
＝ 0.95・0.15 + 0.55・0.85 = 0.61
となる。したがって、得られた確率は、第１の閾値Th1よりも小さいが、第２の閾値Th2以上であるため、制御情報修正部６４は、設定温度T_setを３℃下げるか否か、Ａ／Ｃ操作パネル５９などを通じて搭乗者に確認する。

さらに、曜日が月曜日（x₁=0）、時間帯が夜（x₂=0）、現在位置が職場（x₃=0）の場合、設定温度を３℃下げる確率P(x₄=1|x₁=0,x₂=0,x₃=0)は、図８（ｄ）より、0.1となる。したがって、得られた確率は、第１の閾値Th1及び第２の閾値Th2よりも小さいため、制御情報修正部６４は、設定温度T_setを変更せず、設定温度T_setを変更することについて、搭乗者に確認することもしない。

なお、特定状況用確率モデルについても、２層構成に限られず、中間層を含む、３層以上のネットワーク構成としてもよい。また、入力情報としての曜日を、土曜日とそれ以外に区分したが、他の区分、例えば、各曜日ごとに区分するものであってもよい。同様に、現在位置についても、公園とその他に区分するのではなく、搭乗者が訪問する頻度が高い場所ごとに区分するものであってもよい。さらに、時間帯についても、さらに細分化したり、午前、午後などに区分してもよい。

また、同一の操作グループ（設定温度の修正、風量の変更、内外気の切り替え若しくは風量比の設定など）に関連する特定状況用確率モデルが複数存在する場合、すなわち、特定の制御パラメータの修正を行う確率を出力とする確率モデルが複数存在する場合、制御情報修正部６４は、それら複数の確率モデルそれぞれについてその確率を計算する。なお、特定の制御パラメータとは、風量、内外気の切り替え、風量比なども含む。そして、得られた確率のうち、最大となるものを選択して上記の処理を行う。例えば、風量設定に関する確率モデルＭ１（風量Wを最大にする）とＭ２（風量Wを中程度にする）が存在する場合を考える。この場合、制御情報修正部６４は、確率モデルＭ１に基づいて風量Wを最大にする確率P_M1を求め、同様に、確率モデルＭ２に基づいて風量Wを中程度にする確率P_M2を算出する。そして、制御情報修正部６４は、P_M1＞P_M2であれば、P_M1を上記の閾値Th1、Th2と比較して、風量Wを最大にするか否かを決定する。逆に、P_M2＞P_M1であれば、P_M2を上記の閾値Th1、Th2と比較して、風量Wを中程度にするか否かを決定する。

なお、上記では、理解を容易にするために、確率モデルＭ１とＭ２が、異なる設定操作に関連付けられるように規定した。しかし、確率モデルＭ１とＭ２は、同じ設定操作（例えば、ともに風量Wを最大にする）に関連付けられてもよい。このことは、例えば、搭乗者が異なる２以上の状況（一方は、日中で晴天の場合、他方は、スポーツジムの帰り道の場合等）で、同一の操作を行う場合があることに対応する。それぞれの状況に対応する確率モデルが生成されていれば、それらの確率モデルは、同一の操作グループに属する設定操作が関連付けられることになる。
制御情報修正部６４は、上記の処理によって、設定温度T_set、風量Wなどの設定情報または制御情報を必要に応じて修正すると、それらの設定情報または制御情報を制御部６０の各部で利用可能なように、制御部６０のＲＡＭに一時記憶する。

空調制御部６５は、各制御情報及び各センサから取得したセンシング情報をＲＡＭから読み出し、それらの値に基づいて、空調部１０の制御を行う。そのために、空調制御部６５は、温度調節部６５１、コンプレッサ制御部６５２、吹出口制御部６５３、吸込口制御部６５４及び送風量設定部６５５を有する。また、空調制御部６５は、制御情報修正部６４において修正された設定情報または制御情報がＲＡＭに記憶されている場合には、その修正された設定情報または制御情報を読み出して使用する。

温度調節部６５１は、設定温度T_set及び各温度センサ及び日射センサ５３の測定信号に基づいて、各吹き出し口から送出される空調空気の必要吹出口温度（空調温度T_ao）を決定する。そして、その空調空気の温度が空調温度T_aoとなるように、エアミックスドア２８の開度を決定し、温調サーボモータ３１へ、エアミックスドア２８の開度が設定された位置になるように制御信号を送信する。例えば、エアミックスドア２８の開度は、内気温T_rと設定温度T_setの差を、外気温T_am、日射量Sなどで補正した値を入力とし、エアミックスドア２８の開度を出力とする関係式に基づいて決定される。ここで、エアミックスドア２８の開度を、一定の時間間隔（例えば、５秒間隔）毎に判定する。そのような制御を行うための各測定値とエアミックスドア２８の開度の関係式を以下に示す。

上式において、Doは、エアミックスドア２８の開度を表す。また、係数k_set、k_r、k_am、k_s、C、a、bは定数であり、T_set、T_r、T_am、Sは、それぞれ、設定温度、内気温、外気温及び日射量を表す。ここで、制御情報修正部６４が設定温度T_setを修正している場合、その修正された設定温度T_setを使用する。また、エアミックスドア２８の開度Doは、ヒータコア２９を経由する通路３２を閉じた状態（すなわち、冷房のみが動作する状態）を０％、バイパス通路３０を閉じた状態（すなわち、暖房のみが動作する状態）を１００％として設定される。温調制御式の各係数k_set、k_r、k_am、k_s、C及びエアミックスドアの開度を求める関係式の係数a、bは温調制御パラメータとして、登録済利用者ごとに設定され、登録済利用者の個人設定情報に含まれる。
なお、温度調節部６５１は、空調温度T_ao及びエアミックスドア２８の開度を、ニューラルネットワークを用いた制御やファジイ制御など、他の周知の制御方法を用いて決定してもよい。算出された空調温度T_aoは、制御部６０の他の部で参照できるように、記憶部６１に記憶される。

コンプレッサ制御部６５２は、温度調節部６５１で求められた空調温度（必要吹出口温度）T_ao、設定温度T_set及びエバポレータ出口温度などに基づいて、コンプレッサ１１のＯＮ／ＯＦＦを制御する。コンプレッサ制御部６５２は、車室内を冷房する場合、デフロスタを作動させる場合などには、原則としてコンプレッサ１１を作動させ、冷凍サイクルＲを作動させる。ただし、エバポレータ１８がフロストすることを避けるために、エバポレータ出口温度が、エバポレータ１８がフロストする温度近くまで低下すると、コンプレッサ１１を停止する。そして、エバポレータ出口温度がある程度上昇すると、再度コンプレッサ１１を作動させる。なお、コンプレッサ１１の制御は、可変容量制御など周知の方法を用いて行えるため、ここでは詳細な説明を省略する。

吹出口制御部６５３は、Ａ／Ｃ操作パネル５９を通じて搭乗者が設定した風量比の設定値、温度調節部６５１で求められた空調温度T_ao、設定温度T_setなどに基づいて、各吹き出し口から送出される空調空気の風量比を求め、その風量比に対応するように、フットドア３７、フェイスドア３８及びデフロスタドア３９の開度を決定する。吹出口制御部６５３は、風量比の設定値、空調温度T_ao、設定温度T_setなどと各ドア３７〜３９の開度との関係を表す関係式にしたがって各ドア３７〜３９の開度を決定する。このような関係式は予め規定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。なお、吹出口制御部６５３は、他の周知の方法を用いて、各ドア３７〜３９の開度を決定することもできる。そして、各ドア３７〜３９が決定された開度となるように、モードサーボモータ４０を制御する。
また、吹出口制御部６５３は、制御情報修正部６４が風量比の設定値又は設定温度T_setを修正している場合には、その修正された設定値又は設定温度T_setを使用して各ドア３７〜３９の開度を決定する。

吸込口制御部６５４は、Ａ／Ｃ操作パネル５９から取得した吸込口設定、設定温度T_set、空調温度T_ao、内気温T_rなどに基づいて、車両用空調装置１が内気吸気口２６から吸気する空気と外気吸気口２７から吸気する空気の比率を設定する。吸込口制御部６５４は、外気温T_am、内気温T_rと設定温度T_setとの差などと吸気比との関係を表す関係式にしたがって内外気切替ドア２５の開度を決定する。このような関係式は予め設定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。なお、吸込口制御部６５４は、他の周知の方法を用いて、内外気切替ドア２５の開度を決定することもできる。吸込口制御部６５４は、内外気サーボモータ２４を制御し、内外気切替ドア２５を求めた吸気比となるように回動させる。また、吸込口制御部６５４は、制御情報修正部６４が吸気設定値又は設定温度T_setを修正している場合には、その修正された吸気設定値又は設定温度T_setを使用して内外気切替ドア２５の開度を決定する。

送風量設定部６５５は、Ａ／Ｃ操作パネル５９から取得した風量W、設定温度T_set、空調温度T_ao、内気温T_r、外気温T_am及び日射量Sなどに基づいて、ブロアファン２１の回転速度を決定する。そのために、送風量設定部６５５は、ブロアファン２１の回転速度が設定値になるようなブロア電圧B_vを求め、駆動用モータ２２をそのブロア電圧B_vで駆動する。例えば、風量設定が手動設定になっている場合には、送風量設定部６５５は、Ａ／Ｃ操作パネル５９から取得した風量Wとなるようにブロアファン２１の回転速度を決定する。また、風量設定が自動設定になっている場合には、送風量設定部６５５は、内気温T_r、空調温度T_aoなどと風量Wとの関係を表す風量制御式にしたがってブロア電圧B_vを決定する。あるいは、風量制御式を、設定温度T_set及び空調情報（内気温T_r、外気温T_am及び日射量S）と、風量Wの関係を直接的に表すものとしてもよい。このような風量制御式として、周知の様々なものを用いることができる。なお、このような風量制御式は予め設定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。あるいは、送風量設定部６５５は、空調情報と風量Wの関係を定めたマップを予め準備しておき、そのマップを参照して測定された空調情報に対応する風量Wを決定するマップ制御など、他の周知の方法を用いて、ブロア電圧B_vを決定することもできる。また、送風量設定部６５５は、制御情報修正部６４が設定風量Wを修正している場合には、その修正された設定風量Wに基づいてブロア電圧B_vを決定する。あるいは、制御情報修正部６４がブロア電圧B_vを修正している場合には、送風量設定部６５５は、そのブロア電圧B_vを使用する。

図９に、空調温度T_ao（要求吹出し空気温度）とブロア電圧B_vの関係の一例を示す。図９において、横軸は空調温度T_aoを表し、縦軸はブロア電圧B_vを表す。また図９において、実線９０１は、予めコンピュータプログラムに組み込まれた風量制御式によって求められるブロア電圧B_vを表す。また、一点鎖線９０２は、制御情報修正部６４にて、温感調整用確率モデル又は特定状況用確率モデルに基づいて修正されたブロア電圧B_vを表す。図９に示すように、本実施形態では、制御情報修正部６４でブロア電圧B_vが修正された場合、送風量設定部６５５は、空調温度T_aoにかかわらずブロア電圧B_vが一定となる範囲でのみ、ブロア電圧B_vをその修正された値に設定する。そして、空調温度T_aoの変化に応じてブロア電圧B_vも変化する過渡応答の範囲、及びブロア電圧B_vの飽和値（12Ｖ）となるときには、ブロア電圧B_vを通常の温調制御式で求められた値に設定する。
なお、送風量設定部６５５は、制御情報修正部６４でブロア電圧B_vが修正された場合、上記の過渡応答の範囲でも、ブロア電圧B_vをその修正された値に設定するようにしてもよい。但しこの場合には、空調温度T_aoに応じてブロア電圧B_vが変化することから明らかなように、温感調整用確率モデル又は特定状況用確率モデルに対する入力パラメータに、空調温度T_aoを含むことが必要となる。

学習部６６は、車内の空調状態が安定しているときの空調情報及び設定情報に基づいて、温感調整用確率モデルを更新する。また学習部６６は、搭乗者が車両用空調装置１の操作を行ったときの状態情報に基づいて、特定状況用確率モデルの生成又は更新を行う。

最初に、確率モデルの生成又は更新のために使用する学習データについて説明する。
一般的に、搭乗者は、車室内が搭乗者にとって適切な空調状態となっていない場合、車両用空調装置１の設定操作を行う。そのため、搭乗者が車両用装置１の設定操作を頻繁に行う場合、搭乗者の設定操作を推定する確率モデルの構築が必要と考えられる。しかし、適切な確率モデルを構築するためには、統計的に正しい推定を行えるだけのデータが必要となる。また、搭乗者の温感に合わせて空調設定を最適化するためには、搭乗者がその空調設定に満足しているときの空調情報を参照して確率モデルを生成することが好ましい。

そこで学習部６６は、安定した状態にあるときの空調情報及び設定情報を、温感調整用確率モデルの学習に使用する学習データとして、上述した設定操作番号k及び搭乗者のＩＤに関連付けて記憶部６１に蓄積する。この学習データを、以下では温感調整用学習データC_Aと記す。安定した状態にあるときの空調情報及び設定情報として、学習部６６は、例えば、搭乗者が何れかの空調設定を最後に変更してから一定期間（例えば、１５分、１時間）経過した後、あるいは、搭乗者が車両のエンジンを切ったときの空調情報及び設定情報を、温感調整用学習データC_Aとして記憶部６１に蓄積する。また学習部６６は、搭乗者が空調設定を最後に変更してから一定期間が経過した後、次に空調設定を変更するまでの間、あるいは、その一定期間が経過したか否かにかかわらず、定期的に、例えば、１５分間隔あるいは１時間間隔で、空調情報及び設定情報を取得して、温感調整用学習データC_Aとして記憶部６１に蓄積してもよい。単に定期的に取得した空調情報及び設定情報についても、空調設定変更直後の情報は少ないと考えられるので、安定状態の情報として利用することができる。なお、温感調整用学習データC_Aは、例えば次式のように表される。

ここで、c_ijは、各空調情報及び設定情報の値である。iは、データ取得の順番を示す。また、jは、空調情報及び設定情報の各値に対して便宜的に指定される項目番号であり、本実施形態では、j=1に対して、内気温T_r、j=2に対して外気温T_am、j=3に対して日射量Sが割り当てられる。そして、j=4以降に、設定温度、ブロア電圧、風量比などが割り当てられる。温感調整用学習データC_Aは、登録済み利用者ごとに別個に記憶される。

また、特定の状況（例えば、運動した直後、トンネルに入る直前など）が生じたために、車両用空調装置１の設定操作を最適化する場合、搭乗者は、その特定の状況が発生したとき、あるいはその特定の状況が発生する直前に、車両用空調装置１の設定操作を行う可能性が高い。そこで学習部６６は、特定状況用確率モデルの生成に用いるために、車両用空調装置１の設定操作が行われる度に、その操作時に取得した各状態情報（外気温T_amなどの空調情報、車両の現在位置などの位置情報、車速などの車両挙動情報、心拍数などの生体情報）を学習データとして、上述した設定操作番号k及び搭乗者のＩＤに関連付けて記憶部６１に記憶する。なお、この特定状況用確率モデルの生成に用いる学習データを、以下では特定状況用学習データと記す。記憶部６１は、特定状況用学習データを、上記の温感調整用学習データC_Aとは別個に記憶する。また、ある搭乗者（ここでは、搭乗者Ａとする）が、設定操作番号ｋに対応する設定操作α（例えば、設定温度を３℃下げる、風量Wを最大にするなど）を行った操作回数i_Akも記憶部６１に記憶する。なお、特定状況用学習データD_Akは、例えば次式のように表される。

ここで、d_ijkは、各状態情報の値である。iは、上記の操作回数i_Akを示す。また、jは、状態情報の各値に対して便宜的に指定される状態項目番号であり、本実施形態では、j=1に対して、内気温T_r、j=2に対して外気温T_am、j=3に対して日射量Sが割り当てられる。そして、j=4以降に、位置情報、車両挙動情報、生体情報などが割り当てられる。また、kは設定操作番号である。
これら特定状況用学習データD_Ak及び操作回数i_Akは、登録済み利用者及び設定操作ごとに別個に記憶される。

次に、温感調整用確率モデルの更新について説明する。
温感調整用確率モデルについては、入力データは空調情報（外気温T_am、内気温T_r、日射量S）に限られるので、その確率モデルに含まれる各ノード間の接続関係を修正する必要が無い。そこで学習部６６は、上記の温感調整用学習データC_Aを用いて、各ノードのＣＰＴのみを修正する。なお、初期設定として、入力ノードに対するＣＰＴ、すなわち、入力パラメータの事前確率を規定するＣＰＴに関しては、入力パラメータの値の各区分に対して事前確率が等しくなるように設定する。また、出力ノードに対するＣＰＴのうち、設定情報を所定値にする推薦確率を出力するＣＰＴに関しても、初期設定として、設定情報の各値に対して推薦確率が等しくなるように設定する。一方、出力ノードに対するＣＰＴのうち、制御情報を所定値にする推薦確率を出力するＣＰＴに関しては、初期設定として、空調制御部６５で使用される温調制御式などにより求められる値に対して推薦確率が最も高くなるように設定する。
学習部６６は、温感調整用学習データC_Aの蓄積が開始されてから、十分な学習データが蓄積できると考えられる所定期間（例えば、３ヶ月間、１年間）経過すると、記憶部６１に記憶されている温感調整用学習データC_Aを用いて、温感調整用確率モデルを更新する。その後、学習部６６は、その所定期間より以前に取得された温感調整用学習データC_Aを記憶部６１から消去する。

以下、図３に示した確率モデル１０１を用いて、温感調整用確率モデルの学習について詳細に説明する。
まず、確率モデル１０１の入力ノード１０２及び１０３に対しては、その入力ノードに関するＣＰＴ１１２及び１１３に規定された、入力パラメータの値の各区分に対する事前確率を、温感調整用学習データC_Aに含まれる各区分ごとの頻度に基づいて決定する。例えば、温感調整用学習データC_Aは、同時期に取得された、外気温T_am、内気温T_r、日射量S、設定温度T_set、ブロア電圧B_vなどを含むデータの組を１万個有するとする。このうち、入力ノード１０２の入力パラメータである外気温T_amについて着目すると、0℃未満、0℃以上15℃未満、15℃以上30℃未満、30℃以上の各区分に含まれるデータが、それぞれ1000個、3000個、4000個、2000個あったとする。この場合、外気温T_amが0℃未満の各区分の事前確率は、その頻度である1000を全データ数10000で割った値、すなわち0.1となる。同様に、0℃以上15℃未満、15℃以上30℃未満、30℃以上の各区分の事前確率は、0.3、0.4、0.2と求められる。入力ノード１０３についても、同様にＣＰＴ１１３を求めることができる。すなわち、温感調整用学習データC_Aに含まれる日射量Sの値の頻度を、0W/m²以下、1W/m²以上500W/m²以下、501W/m²以上1000W/m²以下、1001W/m²以上の各区分ごとに求め、その頻度を全データ数で割ることにより、各区分ごとの事前確率を求めることができる。
また、出力ノード１０４のＣＰＴ１１４については、学習部６６は、外気温T_amと日射量Sの各区分の組み合わせごとに、設定温度T_setの各値の頻度をその組み合わせのデータ個数の総数で割ることにより、設定温度T_setを所定の値にする条件付き確率の値を求める。例えば、温感調整用学習データC_Aのうちに、外気温T_amが0℃以上15℃未満で、且つ日射量Sが501W/m²以上1000W/m²以下のデータが1000個含まれるとする。このうち、設定温度T_setが25℃であったものが300個含まれるとする。この場合、学習部６６は、外気温T_amが0℃以上15℃未満で、且つ日射量Sが501W/m²以上1000W/m²以下の場合に、設定温度T_setを25℃に設定する条件付き確率を、対応するデータ数300をその入力データの区分についてのデータの総数1000で割った数、すなわち0.3とする。同様に、設定温度T_setが26℃であったものが600個含まれるとする。この場合、学習部６６は、外気温T_amが0℃以上15℃未満で、且つ日射量Sが501W/m²以上1000W/m²以下の場合に、設定温度T_setを26℃に設定する条件付き確率を、0.6とする。

なお、入力パラメータの値の区分は、クラスタリングなどの手法を用いて決定してもよい。例えば、学習部６６は、温感調整用学習データC_Aに含まれる外気温T_amのデータに対して、最短距離法などの階層的手法またはｋ−平均法などの分割最適化手法を用いてクラスタリングを行い、複数のクラスタに分類する。次に、学習部６６は、各クラスタについて、そのクラスタに含まれる外気温T_amの最小値から最大値までの範囲を、そのクラスタに対応するパラメータ値の区分とする。あるいは、学習部６６は、隣接する二つのクラスタについて、それぞれのクラスタに含まれるデータのうち、互いの距離が最も近いデータを選択する。そして、学習部６６は、選択された二つのデータの値の中点を、その二つのクラスタの境界とすることにより、パラメータ値の区分を決定する。

なお、学習部６６は、学習に用いるデータ数が十分でないと考えられる場合には、ベータ分布を用いて確率分布を推定するようにしてもよい。また、温感調整用学習データC_Aの中に、一部の入力情報の値の組み合わせが存在しない、すなわち、未観測データがある場合、未観測データに対する確率分布を推定し、その分布に基づいて期待値を計算することで、対応する条件付き確率を計算する。このような条件付き確率の学習については、例えば、繁桝算男他著、「ベイジアンネットワーク概説」、初版、培風館、２００６年７月、p.35-38、p.85-87に記載された方法を用いることができる。

次に、特定状況用確率モデルの生成及び更新について説明する。
学習部６６は、操作回数i_Akが、所定回数n1（例えば、１０回）に等しくなると、特定状況用学習データD_Akを用いて、その設定操作に関する特定状況用確率モデルＭ_Aqkを生成する。なお、q(=1,2,..)は、搭乗者Ａの設定操作番号kの設定操作について生成された確率モデルの数を表す。その後、搭乗者Ａが、さらに設定操作αを繰り返す場合、学習部６６は、前回の確率モデルＭ_Aqk生成後のその操作回数i_Akがn1回に到達する度に（すなわち、操作回数i_Ak＝n1・j（ただし、j=1,2,..）となる場合）、特定状況用学習データD_Akを用いて、確率モデルＭ_Aqkを更新する。

そして、その操作回数i_Akが、所定回数n2（例えば、30回）に等しくなると、学習部６６は、その時点で記憶部６１に記憶されている確率モデルＭ_Aqkを確立されたものとし、以後その確率モデルＭ_Aqkの更新は行わない。学習部６６は、確立された確率モデルＭ_Aqkに対して、更新されないことを示すフラグ情報を付す。例えば、更新フラグfを確率モデルに関連付けて記憶部６１に記憶し、その更新フラグfが'1'の場合は、更新（すなわち、書き換え）禁止、更新フラグfが'0'の場合は更新可能として、更新可否を判別可能とすることができる。そして、学習部６６は、特定状況用学習データD_Akを記憶部６１から消去し、操作回数i_Akを初期化して、値を0にリセットする。なお、所定回数n2は、n1よりも大きな数で、統計的に十分正確な確率モデルを生成可能と考えられるデータ数に対応する。所定回数n1及びn2は、経験的、実験的に最適化することができる。

確率モデルＭ_Aqkが確立された後、さらに搭乗者Ａが同じ設定操作αを繰り返す場合には、上記と同様の手順に従って、新たな確率モデルＭ_Aq+1kを生成する。このように、必要に応じて複数の確率モデルを生成することにより、同一種類の設定操作が行われる特定状況が複数存在する場合（例えば、内気循環モードに設定する操作が行われる状況として、トンネル内に入ったという状況と、大型トラックの後ろになったという状況がある場合）に対応することができる。また、発生頻度の高い特定状況については、その状況に対応する情報が特定状況用学習データ中に多数含まれるので、早期に対応する確率モデルが生成される。そして、対応する確率モデルが生成された特定状況に対しては、制御情報修正部６４は、その確率モデルに基づく確率推論によって自動的に設定操作を行うようになるので、搭乗者は車両用空調装置１の設定操作を行わなくなる。そのため、学習部６６は、学習が進むにつれて、発生頻度の低い特定状況が生じたときのみ、搭乗者は設定操作を行うようになるので、発生頻度の低い特定状況に対応する確率モデルを生成することもできる。

本実施形態では、状態情報のうち、設定操作と特に関連が深そうなものを幾つか入力パラメータとして選択し、それら入力パラメータの組み合わせに対する条件付き確率によって設定操作を行う確率を求める２層構成のグラフ構造を標準モデルとして１５種類準備した。しかし、標準モデルの数は、１５種類に限られない。標準モデルの数は、得られる状態情報の数や、学習対象とする設定操作の種類に応じて、適宜最適化できる。また、標準モデルは、入力パラメータを１個だけとするものや、取得可能な全ての状態情報を入力パラメータとするものであってもよい。さらに、標準モデルは、２層構成のグラフ構造に限られず、制御部６０を構成するＣＰＵの能力に応じて、３層以上のグラフ構造のものを標準モデルとして使用してもよい。
それらの標準モデルは、記憶部６１に記憶される。そして、学習時には、各標準モデルについて、その標準モデルに含まれる各ノード間の条件付き確率を決定して仮の確率モデルを生成する。その後、情報量基準を用いて、最も適切なグラフ構造を有する仮の確率モデルを選択する。その選択されたモデルが、特定状況用確率モデルとなる。

以下、図を用いて詳細に説明する。
図１０（ａ）〜（ｄ）に、１５個の標準モデルのうちの４個を例として示す。図１０（ａ）〜（ｄ）に示す標準モデル５０１〜５０４は、何れも入力ノードと出力ノードからなる２層構成のベイジアンネットワークである。各標準モデル５０１〜５０４は、入力ノードに与えられるパラメータが異なる。

また、各標準モデル５０１〜５０４の入力ノードに対しては、その入力ノードに割り当てられた入力パラメータに対する事前確率を規定するＣＰＴが設定される。なお、入力情報の区分は、クラスタリングなどの手法を用いて行う。例えば、図１０（ｂ）に示す標準モデル５０２において、現在位置を入力パラメータ（パラメータy₁₁)とする入力ノードについて、学習部６６は、特定状況用学習データを、最短距離法などの階層的手法またはｋ−平均法などの分割最適化手法を用いてクラスタリングする。そして学習部６６は、各クラスタについて、クラスタに含まれるデータの重心を中心とし、その重心から最も遠い位置までを半径とする円を、そのクラスタに対応するパラメータ値の区分とする。あるいは、自宅のときy₁₁=0、職場のときy₁₁=1、近所の公園のときy₁₁=2のように区分を予め決めておくようにしてもよい。同様に、出力ノードに対しては、入力ノードに与えられた情報に基づく条件付き確率の分布を示すＣＰＴが設定される。なお、初期状態では、ＣＰＴは、全ての状態に対して等しい値となるように設定される。

図１０に示したフローチャートは、特定状況用確率モデルを生成する手順である。
学習が開始されると、学習部６６は、まず、各標準モデルに対して、特定状況用学習データD_Akから対象となる入力パラメータを抽出して各ノードの条件付き確率を求め、ＣＰＴを作成して確率モデルを構築する（ステップＳ２０１）。
そこで、学習部６６は、記憶部６１から読み出した、特定状況用学習データD_Akから、各ノードについて、各パラメータの状態ごとに該当する数ｎを数える。そして、その数ｎを全事象数Ｎで除した値を、事前確率及び条件付き確率の値とする。例えば、図１０（ｂ）の標準モデル５０２を例として説明する。ここで、30個のデータの組を含む特定状況用学習データD_Akがあり、このうち、入力ノードの一つに割り当てられている現在位置について調べると、自宅である回数(y₁₁=0)が15回、職場である回数(y₁₁=1)が12回、近所の公園である回数(y₁₁=2)が3回とすると、現在位置に対する事前確率P(y₁₁)は、それぞれ、P(y₁₁=0)=0.5、P(y₁₁=1)=0.4、P(y₁₁=2)=0.1となる。同様に、出力ノードについては、親ノードである各入力ノードに与えられる入力情報の現在位置(y₁₁)、曜日(y₁₂)、時間帯(y₁₃)の取り得る値の組み合わせのそれぞれについて、特定状況用学習データD_Ak中に出現する数を計算し、それを全データ数である30で割ることによって、条件付き確率を求められる。このように、事前確率及び条件付き確率を求めることにより、各ノードに対応するＣＰＴを決定する。

なお、学習部６６は、学習に用いるデータ数が十分でないと考えられる場合には、ベータ分布を用いて確率分布を推定するようにしてもよい。また、特定状況用学習データD_Akの中に、一部の入力情報の値の組み合わせが存在しない、すなわち、未観測データがある場合、未観測データに対する確率分布を推定し、その分布に基づいて期待値を計算することで、対応する条件付き確率を計算する。

各標準モデルに対するＣＰＴが求められると、学習部６６は、構築された確率モデルを評価するために、各確率モデルについて情報量基準を算出する（ステップＳ２０２）。
本実施形態では、情報量基準として、ＡＩＣ（赤池情報量基準）を用いた。ＡＩＣは、確率モデルの最大対数尤度と、パラメータ数に基づいて、以下の式に基づいて求めることができる。

ここで、AIC_mは、確率モデルＭに対するＡＩＣを表す。また、θ_mは、確率モデルＭのパラメータ集合を、l_m(θ_m|X)は、データXを所与としたときの確率モデルＭにおけるそのデータの最大対数尤度の値を、k_mは確率モデルＭのパラメータ数をそれぞれ表す。ここでl_m(θ_m|X)は、以下の手順で計算できる。まず、各ノードにおいて、親ノードの変数の各組み合わせについて、学習データD_Akから出現頻度を求める。その出現頻度に条件付き確率の対数値を乗じた値を求める。最後にそれらの値を足し合わせることでl_m(θ_m|X)が算出される。また、k_mは、各ノードにおける、親ノード変数の組み合わせの数を足し合わせることで求められる。

学習部６６は、全ての確率モデルについてＡＩＣを求めると、ＡＩＣの値が最も小さいモデルを、特定状況用確率モデルとして選択し、記憶部６１に保存する（ステップＳ２０３）。そして、他の確率モデルを消去する（ステップＳ２０４）。
なお、情報量基準を用いた確率モデルの選択（言い換えれば、グラフ構造の学習）については、ベイズ情報量基準（ＢＩＣ）、竹内情報量基準（ＴＩＣ）、最小記述長（ＭＤＬ）基準など他の情報量基準を用いてもよい。さらに、これらの情報量基準の算出式の正負を反転させたものを、情報量基準として用いてもよい。この場合には、情報量基準の値が最大となる確率モデルを、特定状況用確率モデルとして選択する。

学習部６６は、構築された特定状況用確率モデルを記憶部６１に記憶する。また、学習データD_Akに関連付けられた搭乗者のＩＤ、設定操作番号kを取得し、構築された特定状況用確率モデルに関連付けて記憶部６１に記憶する。さらに、その特定状況用確率モデルに基づいて修正される制御パラメータ及び修正値を、設定操作番号kに基づいて特定し、その特定状況用確率モデルに関連付けて記憶部６１に記憶する。なお、設定操作番号kと、修正される制御パラメータ及び修正値の関係は、例えばルックアップテーブルとして予め規定され、記憶部６１に保持される。

以下、図１２〜１４に示したフローチャートを参照しつつ、本発明に係る車両用空調装置１の空調制御動作について説明する。なお、空調制御動作は、制御部６０により、制御部６０に組み込まれたコンピュータプログラムにしたがって行われる。

図１２に示すように、まず、エンジンスイッチがＯＮとなり、車両用空調装置１に電源が投入されると、制御部６０は、車両用空調装置１を稼動させる。そして、制御部６０の照合部６３は、搭乗者の照合・認証を行う（ステップＳ１０１）。そして、搭乗者と判定された登録済利用者の個人設定情報を記憶部６１から読み出す（ステップＳ１０２）。

次に、制御部６０は、前回の温感調整用確率モデルの更新から所定期間が経過したか否かを判定する（ステップＳ１０３）。なお、この所定期間は、例えば３ヶ月若しくは１年に設定することができる。また、最初の更新の場合は、車両用空調装置１が稼動を開始してから所定期間が経過したか否かを判断する。

ステップＳ１０３にて、所定期間が経過していた場合、制御部６０の学習部６６は、温感調整用の確率モデルを更新する（ステップＳ１０４）。なお、この確率モデルの更新の詳細については、上述したとおりである。この確率モデルの更新が終了すると、学習部６６は、その所定期間より以前に取得された温感調整用学習データC_Aを記憶部６１から消去する（ステップＳ１０５）。
ステップＳ１０５の後、または、ステップＳ１０３にて、所定期間が経過していない場合、制御部６０は、通信部６２を通じて、各センサ、ナビゲーションシステム５６、車両操作機器５７などから各状態情報を取得する（ステップＳ１０６）。この状態情報には、外気温T_am、日射量Sなどの空調情報も含む。同様に、記憶部６１から各設定情報を取得する。

次に、制御部６０は、搭乗者が車両用空調装置１の設定操作を行ったか否かを判定する（ステップＳ１０７）。具体的には、制御部６０は、Ａ／Ｃ操作パネル５９から操作信号を受信すると、設定操作が行われたと判断する。
図１３に示すように、搭乗者が設定操作を行っていない場合、制御部６０の制御情報修正部６４は、その搭乗者に関連付けられている温感調整用確率モデルのうち、何れかの設定操作に関連する確率モデルに、ステップＳ１０６で取得された空調情報を入力する。そして、その温感調整用確率モデルに関連付けられている設定操作に関する推薦確率Pを算出する（ステップＳ１０８）。あるいは、制御情報修正部６４は、その搭乗者に関連付けられている特定状況用確率モデルＭ_Aqkのうち、何れかの操作グループに関連する設定情報または制御情報の修正に関連する確率モデルに、ステップＳ１０６で取得された状態情報を入力する。そして、その特定状況用確率モデルに関連付けられている設定操作に関する確率を算出する。そして、その設定情報または制御情報に関連する同一操作グループ内の設定操作について算出された確率のうち、最も高い確率を推薦確率Pとして求める。

次に、制御情報修正部６４は、得られた推薦確率Pを、第１の所定値Th1と比較する（ステップＳ１０９）。推薦確率Pが第１の所定値Th1（例えば、0.9）以上の場合、制御情報修正部６４は、推薦確率Pを出力した確率モデル（以下、選択確率モデルという）に基づいて、対応する車両用空調装置１の設定情報（例えば、設定温度T_set）又は制御情報（例えば、ブロア電圧B_v）を修正する（ステップＳ１１２）。一方、推薦確率Pが、第１の所定値Th1未満の場合、制御情報修正部６４は、推薦確率Pを、第２の所定値Th2（例えば、0.6）と比較する（ステップＳ１１０）。そして、推薦確率Pが第２の所定値Th2以上であれば、制御情報修正部６４は、Ａ／Ｃ操作パネル５９の表示部などを通じて、選択確率モデルに関連付けられた設定操作番号kに対応する設定操作を行うか否かを表示し、確認する（ステップＳ１１１）。そして、搭乗者がその設定操作を行うことを承認した場合、制御情報修正部６４は、車両用空調装置１の設定情報又は制御情報を修正する（ステップＳ１１２）。一方、搭乗者が承認しなかった場合には、制御情報修正部６４は、設定情報及び制御情報を修正しない。すなわち、選択確率モデルに関連する設定操作は行わない。また、ステップＳ１１０において、推薦確率Pが第２の所定値Th2未満の場合も、制御情報修正部６４は、設定パラメータ及び制御パラメータを修正しない。

その後、制御情報修正部６４は、全ての温感調整用確率モデル及び特定状況用確率モデルに関して推薦確率を算出したか否かを確認することにより、全ての設定操作について、設定情報又は制御情報の修正が終わったか否かを判定する（ステップＳ１１３）。まだ推薦確率を算出していない確率モデルがある場合、すなわち、設定情報の修正の有無を調べていない操作グループがある場合には、制御部６０は、制御をステップＳ１０８の前に戻す。なお、温感調整用確率モデルに基づく設定情報若しくは制御情報の修正と、特定状況用確率モデルに基づく設定情報若しくは制御情報の修正とが矛盾する場合、制御情報修正部６４は、特定状況用確率モデルに基づく修正を優先する。

一方、全ての確率モデルについて、確率算出を終了している場合には、制御部６０の空調制御部６５は、必要に応じて修正された設定情報又は制御情報に基づいて、所望の空調温度、風量などが得られるように、空調制御を行い、エアミックスドア、ブロアファンの回転数、各吹き出し口のドアの開度を調節する（ステップＳ１１４）。

その後、制御部６０は、搭乗者が前回設定操作を行ったとき、かつ前回温感調整用学習データC_Aを取得したときから、所定のサンプリング時間が経過したか否か判定する（ステップＳ１１５）。なお、サンプリング時間は、例えば、１５分あるいは１時間に設定することができる。また、車両用空調装置１に電源が投入されてから、１度も設定操作がされていない場合には、制御部６０は、設定操作を行ったときの代わりに、その電源投入されたときを基準にサンプリング時間が経過したか否かを判定する。
ステップＳ１１５にて、所定のサンプリング時間が経過していた場合、制御部６０は、空調情報をセンサから取得し、温感調整用学習データC_Aとして記憶部６１に保存する（ステップＳ１１６）。また、ステップＳ１１６の後、あるいは、ステップＳ１１５にて、所定のサンプリング時間が経過していなかった場合、制御部６０は、エンジンがＯＦＦされたか否かを判定する（ステップＳ１１７）。エンジンがＯＦＦになっていない場合、制御部６０は、制御をステップＳ１０６の前に戻す。そして、ステップＳ１０６〜ステップＳ１２５の処理を、一定時間間隔（例えば、５秒間隔）で繰り返す。一方、ステップＳ１１７にて、エンジンがＯＦＦにされたと判定された場合、制御部６０は、空調情報をセンサから取得し、温感調整用学習データC_Aとして記憶部６１に保存する（ステップＳ１１８）。そして、車両用空調装置１を停止する。

また、図１４に示すように、ステップＳ１０７において、搭乗者が車両用空調装置１の設定操作を行った場合、設定信号を参照してどの設定操作が行われたかを特定する（ステップＳ１１９）。そして、搭乗者のＩＤと、行われた設定操作に対応する設定操作番号kと、その設定操作が行われた操作回数i_Akと関連付けて、取得された各状態情報を特定状況用学習データD_Akの要素として記憶部６１に記憶する（ステップＳ１２０）。

その後、制御部６０の学習部６６は、操作回数i_Akが所定回数n1*j(j=1,2,3)と等しいか否か判定する（ステップＳ１２１）。なお、所定回数n1は、例えば10回である。そして、学習部６６は、i_Ak=n1*jと判定した場合、その搭乗者及び設定操作番号kに関連付けられて記憶部６１に記憶されている特定状況用学習データD_Akを用いて、特定状況用確率モデルを生成する（ステップＳ１２２）。なお、特定状況用確率モデルは、図１１のフローチャートに示した手順に従って生成される。そして、その特定状況用確率モデルを搭乗者のＩＤなどと関連付けて記憶部６１に記憶する。その際、記憶部６１に特定状況用確率モデルＭ_Aqkが存在し、且つ対応する更新フラグｆの値が、更新を許可することを示す場合には、学習部６６は、新たに生成された特定状況用確率モデルで、記憶部６１に記憶されている特定状況用確率モデルＭ_Aqkを置き換える。一方、記憶部６１に特定状況用確率モデルＭ_Aqkが存在せず、あるいは、特定状況用確率モデルＭ_Aqkに対応する更新フラグｆの値が、更新を許可しないことを示す場合には、学習部６６は、新たに生成された特定状況用確率モデルを確率モデルＭ_Aq+1kとして、記憶部６１に保存する。
一方、ステップＳ１２１において、i_Akがn1*jと等しくない場合、学習部６６は、制御をステップＳ１２３の前に移行する。

次に、学習部６６は、操作回数i_Akが所定回数n2（例えば、n2=30）と等しいか否か判定する（ステップＳ１２３）。i_Akがn2と等しくなければ、i_Akを1だけインクリメントし（ステップＳ１２４）、制御を図１３に示したステップＳ１１４の前へ移行する。一方、ステップＳ１２３において、i_Ak=n2であれば、学習部６６は、その搭乗者及び設定操作番号kに関連付けられて記憶部６１に記憶されている特定状況用学習データD_Akを消去する（ステップＳ１２５）。また、i_Akを初期化し、i_Ak=0とする。その後、制御をステップＳ１１４の前に移行する。

なお、上記のフローチャートのステップＳ１２１において、学習部６６は、特定状況用確率モデルの生成を行うか否かを判定するために、操作回数i_Akと所定回数n1*j(j=1,2,3)を比較する代わりに、同一の設定操作に関連する特定状況用確率モデルを前回生成したときからの経過時間が第１の所定時間（例えば、１週間、１ヶ月）経過したか否かを判定するようにしてもよい。この場合、学習部６６は、その経過時間が第１の所定時間以上となったとき、特定状況用確率モデルを生成する。すなわち、学習部６６は、上記のステップＳ１２２〜Ｓ１２５の処理を実行する。このように、経過時間に基づいて確率モデルの構築を行うか否かを判定するために、制御部６０は、特定状況用確率モデルが構築された時の作成日時をその確率モデルに関連付けて記憶部６１に記憶しておく。そして、学習部６６は、経過時間を算出する際に、設定操作αに関連する特定状況用確率モデルのうち、最新の確率モデルに関連付けられた作成日時を記憶部６１から取得し、現在の時間との差を求めることによって経過時間を算出する。
さらに、学習部６６が経過時間に基づいて特定状況用確率モデルの構築を行うか否かを判定する場合、上記のステップＳ１２３では、学習部６６は、経過時間を第１の所定時間よりも長い第２の所定時間（例えば、４週間、６ヶ月）と比較するようにしてもよい。そして、経過時間が第２の所定時間よりも長い場合、学習部６６は、特定状況用学習データD_Akの消去、更新フラグｆの書き換えを行う。

以上説明してきたように、本発明に係る車両用空調装置は、搭乗者の温感又は特定状況に合わせて学習された少なくとも一つの確率モデルに基づいて、搭乗者の空調設定操作を推定するので、搭乗者の温感又は状況に応じて自動的に最適な空調設定を行うことができる。特に、使用を続けるほど、各状況に対応した確率モデルが別個に生成されるので、様々な状況に応じて最適な空調設定を行うことができる。

なお、本発明は上記の実施形態に限定されるものではない。例えば、上記の学習部及び記憶部を、車両とは別個に設置されたサーバに設け、温感調整用確率モデル及び特定状況用確率モデルの生成又は更新を、そのサーバで行うようにしてもよい。この場合、車両用空調装置は、空調情報または状態情報を取得すると、車両の識別情報を付してサーバに送信する。そしてサーバは、それらの情報を、車両ごとに区別して、学習データとして蓄積する。特定の車両についての学習データが十分に蓄積されると、サーバは、その学習データを利用して、その車両用の温感調整用確率モデル及び特定状況用確率モデルを生成又は更新する。その後、サーバはそれら確率モデルを、車両の識別情報を参照して、対応する車両に送信する。なお、サーバにも、バックアップとしてそれら確率モデルを保存しておくことが好ましい。サーバは、確率モデルの更新の際、車両から更新対象となる確率モデルに関する情報を取得しなくても、そのバックアップの確率モデルを利用することができるためである。

また、上記の実施形態において、搭乗者は運転者に限られない。車両用空調装置の設定操作を誰が行ったかを判別することにより、運転者以外の同乗者が操作する場合にも好適に用いることができる。例えば、車両用空調装置のＡ／Ｃ操作パネル５９が、運転席用と助手席用の二つ準備されている場合、制御部６０は、どちらのＡ／Ｃ操作パネル５９が操作されたかによって、運転者が操作したのか、同乗者が操作したのかを判定してもよい。また、制御部６０は、特開２００２−２９２３９号公報に記載されているように、Ａ／Ｃ操作パネル５９上に赤外線温度センサなどで構成される操作乗員検出センサを設けて、運転者か同乗者のどちらが操作を行ったかを判定するようにしてもよい。
そして、同乗者が操作を行った場合には、運転者の照合及び認証と同様に、車内カメラ５４で撮影した画像データに基づいて、同乗者の照合及び認証も行い、その操作時の各センサ値などの状態情報を、運転者ではなく、その同乗者に関連付けて記憶する。

また、搭乗者が特定人に限定されるような場合、あるいは、誰が運転する場合でも行うような設定操作について確率モデルを構築する場合には、照合部６３を省略してもよい。この場合、確率モデル及び確率モデルの学習に用いる学習データは、搭乗者が誰であっても共通して使用される。

なお、本発明を適用する空調装置は、フロントシングル、左右独立、リア独立、４席独立、上下独立の何れのタイプのものであってもよい。何れかの独立タイプの空調装置に本発明を適用する場合には、内気温センサ、日射センサなどが複数搭載されてもよい。

上記のように、本発明の範囲内で様々な修正を行うことが可能である。

本発明の第１の実施形態に係る車両用空調装置の全体構成を示す構成図である。 車両用空調装置の制御部の機能ブロック図である。 温感調整用確率モデルの構造の一例を示す図である。 （ａ）〜（ｃ）は、それぞれ図３に示した確率モデルの各ノードについての条件付き確率表を示す図である。 温感調整用確率モデルの構造の他の一例を示す図である。 （ａ）〜（ｃ）は、それぞれ図５に示した確率モデルの各ノードについての条件付き確率表を示す図である。 特定状況用確率モデルの構造の一例を示す図である。 （ａ）〜（ｄ）は、それぞれ図７に示した確率モデルの各ノードについての条件付き確率表を示す図である。 空調温度とブロア電圧の関係の一例を示すグラフである。 （ａ）〜（ｄ）は、それぞれ特定状況用確率モデルの基礎となるグラフ構造を有する標準モデルを示す図である。 特定状況用確率モデルの構築動作を示すフローチャートである。 本発明に係る車両用空調装置の制御動作を示すフローチャートである。 本発明に係る車両用空調装置の制御動作を示すフローチャートである。 本発明に係る車両用空調装置の制御動作を示すフローチャートである。

符号の説明

１ 車両用空調装置
１０ 空調部
１１ コンプレッサ
２１ ブロアファン
２２ 駆動用モータ
２４ 内外気サーボモータ
２５ 内外気切替ドア
２８ エアミックスドア
３１ 温調サーボモータ
３７ フットドア
３８ フェイスドア
３９ デフロスタドア
４０ モードサーボモータ
５１ 内気温センサ
５２ 外気温センサ
５３ 日射センサ
５４ 車内カメラ
５５ 車外カメラ
５６ ナビゲーションシステム
５７ 車両操作機器
５８ 車載時計
５９ Ａ／Ｃ操作パネル
６０ 制御部
６１ 記憶部
６２ 通信部
６３ 照合部
６４ 制御情報修正部
６５ 空調制御部
６５１ 温度調節部
６５２ コンプレッサ制御部
６５３ 吹出口制御部
６５４ 吸込口制御部
６５５ 送風量設定部
６６ 学習部
１０１、２０１ 温感調整用確率モデル
１０２〜１０４、２０２〜２０４ ノード
１１２〜１１４、２１２〜２１４ 条件付き確率表（ＣＰＴ）
３０１ 特定状況用確率モデル
３０２〜３０５ ノード
３１２〜３１５ ＣＰＴ
５０１〜５０４ 標準モデル

Claims (7)

1. 空調空気を車両内に供給する空調部（１０）と、
   前記車両の空調設定に関する情報であり、前記車両内の気温、前記車両外の気温及び日射量のうちの少なくとも一つを含む空調情報を取得する空調情報取得部（５１、５２、５３）と、
   前記車両に関する状態を表す状態情報を取得する情報取得部（５５、５６、５７、５８）と、
   前記空調情報取得部（５１、５２、５３）により、前記車両内の空調状態が安定している安定状態において取得された複数の前記空調情報を、第１の学習データ群として記憶する記憶部（６１）と、
   前記空調情報を入力することにより乗員が空調に関する第１の設定操作を行う第１の確率を算出するための第１の確率モデルを、前記第１の学習データ群を用いて構築する学習部（６６）と、
   前記学習部（６６）で構築された前記第１の確率モデルに、前記空調情報取得部（５１、５２、５３）により取得された空調情報を入力して前記第１の確率を算出し、かつ、前記状態情報を入力することにより、乗員が空調に関する第２の設定操作を行う第２の確率を算出するための第２の確率モデルに、前記情報取得部（５５、５６、５７、５８）により取得された前記状態情報を入力して該第２の設定操作を行う前記第２の確率を算出し、前記第１の確率が乗員が前記第１の設定操作を行うと推定される第１の閾値以上である場合、乗員の設定操作に関連する設定情報又は制御情報を、前記第１の設定操作となるように修正し、一方、前記第２の確率が乗員が前記第１の設定操作を行うと推定される第２の閾値以上である場合、乗員の設定操作に関連する設定情報又は制御情報を、前記第２の設定操作となるように修正する制御情報修正部（６４）と、
   前記修正された設定情報又は制御情報にしたがって、前記空調部（１０）の空調制御を行う空調制御部（６５）と、
   を有し、
   前記状態情報は、前記車両の位置に関する情報、前記車両の挙動を表す情報及び前記情報取得部が当該状態情報を取得する際の時間に関する情報のうちの少なくとも一つを含み、
   前記空調情報取得部（５１、５２、５３）は、乗員が車両の動力を停止した時点の前記空調情報、設定操作が行われてから所定時間経過後における前記空調情報、又は定期的に測定された前記空調情報の少なくとも何れかを、前記安定状態にある空調情報として取得する、
   ことを特徴とする車両用空調装置。
2. 前記第１の確率が、前記第１の閾値未満であり、且つ前記第１の閾値よりも低い第３の閾値以上の場合、前記第１の設定操作の内容を搭乗者に報知し、且つ前記第１の設定操作を行うか否かを搭乗者に確認する確認操作部（５９）を有し、
   前記確認操作部（５９）を通じて前記第１の設定操作を行うことが確認された場合、前記制御情報修正部（６４）は、前記設定情報又は制御情報を修正する、請求項１に記載の車両用空調装置。
3. 搭乗者の情報を取得する搭乗者情報取得部（５４）と、
   前記搭乗者情報を用いて、搭乗者と予め記憶された少なくとも一人の登録済利用者とを照合する照合部（６３）を有し、
   前記制御値修正部（６４）は、前記照合部（６３）が搭乗者と判定した登録済利用者と関連付けられた前記第１の確率モデルに基づいて前記第１の確率を算出する、請求項１または２に記載の車両用空調装置。
4. 前記第１の確率モデルは、前記空調情報を入力として前記第１の確率を出力するノードを有し、
   前記学習部（６６）は、前記第１の学習データ群に含まれた、前記安定状態にある空調情報を用いて該ノードが出力する前記第１の確率を決定する、請求項１〜３の何れか一項に記載の車両用空調装置。
5. 前記学習部（６６）は、前記記憶部（６１）に記憶された前記第１の学習データ群に含まれた、前記安定状態にある前記空調情報を少なくとも第１のクラスタと第２のクラスタに区分し、かつ該第１のクラスタに含まれた前記空調情報から前記空調情報の値に関する第１の範囲を決定し、該第２のクラスタに含まれた前記空調情報から前記空調情報の値に関する第２の範囲を決定し、前記第１の範囲に含まれる前記空調情報の値に対して前記ノードが出力する前記第１の確率及び前記第２の範囲に含まれる前記空調情報の値に対して前記ノードが出力する前記第１の確率を決定することにより、前記第１の確率モデルを構築する、請求項４に記載の車両用空調装置。
6. 前記記憶部（６１）は、前記情報取得部（５５、５６、５７、５８）により取得された複数の状態情報を、第２の学習データ群として記憶し、
   前記学習部（６６）は、前記第２の確率モデルを、前記第２の学習データ群を用いて構築する、請求項１に記載の車両用空調装置。
7. 空調空気を車両内に供給する空調部（１０）を有する車両用空調装置の制御方法であって、
   前記車両内の空調状態が安定している安定状態において取得された前記車両の空調設定に関する情報であり、前記車両内の気温、前記車両外の気温及び日射量のうちの少なくとも一つを含む複数の空調情報を、学習データ群として記憶するステップと、
   前記空調情報を入力することにより乗員が空調に関する第１の設定操作を行う第１の確率を算出するための第１の確率モデルを、前記学習データ群を用いて構築するステップと、
   前記空調情報を取得するステップと、
   前記車両に関する状態を表す状態情報を取得するステップと、
   前記第１の確率モデルに前記空調情報を入力して前記第１の確率を算出するステップと、
   乗員が空調に関する第２の設定操作を行う第２の確率を算出するための第２の確率モデルに前記状態情報を入力して該第２の設定操作を行う第２の確率を算出するステップと、
   前記第１の確率が乗員が前記第１の設定操作を行うと推定される第１の閾値以上である場合、乗員の設定操作に関連する設定情報又は制御情報を、前記第１の設定操作となるように修正し、一方、前記第２の確率が乗員が前記第２の設定操作を行うと推定される第２の閾値以上である場合、乗員の設定操作に関連する設定情報又は制御情報を、前記第２の設定操作となるように修正するステップと、
   前記修正された設定情報又は制御情報にしたがって、前記空調部（１０）の空調制御を行うステップと、
   を有し、
   前記状態情報は、前記車両の位置に関する情報、前記車両の挙動を表す情報及び当該状態情報を取得する際の時間に関する情報のうちの少なくとも一つを含み、
   前記安定状態にある空調情報は、乗員が車両の動力を停止した時点の前記空調情報、設定操作が行われてから所定時間経過後における前記空調情報、又は定期的に測定された前記空調情報の何れかである、
   ことを特徴とする制御方法。

Images