阅读说明：本技术 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质 (Battery life learning device, battery life prediction device, method, and storage medium storing program ) 是由 高桥良介 筒井宣充 于 2020-02-25 设计创作，主要内容包括：本发明提供一种电池寿命学习装置,包括学习部,其基于学习用数据,使用于根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的预测模型进行学习,得到根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的学习完毕预测模型,其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。(A battery life learning device includes a learning unit configured to learn a prediction model for predicting the remaining life of a vehicle battery from time series data of a deterioration index of the vehicle battery based on learning data including the time series data of the deterioration index of the learning vehicle battery having a used life at a past predetermined time and the remaining life of the learning vehicle battery at the predetermined time, and obtain a learning completion prediction model for predicting the remaining life of the vehicle battery from the time series data of the deterioration index of the vehicle battery.)

电池寿命学习装置、电池寿命预测装置、方法及存储有程序的 存储介质

技术领域

本发明涉及电池寿命学习装置、电池寿命学习方法、存储有电池寿命学习程序的存储介质、电池寿命预测装置、电池寿命预测方法及存储有电池寿命预测程序的存储介质。

背景技术

日本特开2018-179733号公报中记载的技术，根据每隔一定时间测量的电池的使用时间和劣化指标(例如内阻)的测量值，计算劣化指标的时间变化量，基于劣化指标的时间变化量，针对每个电池，从一次方程、二次方程、以及指数函数等中选择劣化指标的预测函数。然后，基于劣化指标的预测函数计算劣化指标的预测值，基于劣化指标的预测值来诊断电池的寿命。

然而，搭载于车辆的车辆电池(battery)，根据车辆的使用状况等不同而充电量变化，因此会出现内阻等劣化指标暂时变化很大的情况。例如，如果在车辆长时间停车等的情况下发生暂时的过放电，车辆电池的充电量减少，如图11所示的一个示例，则车辆电池的内阻也暂时大幅增加。日本特开2018-179733号公报中记载的技术，由于在车辆电池的内阻等劣化指标暂时大幅变化的情况下发生预测函数的切换，所以车辆电池的寿命的预测值可能大幅变化。

发明内容

本发明提供能够提高对车辆电池的剩余寿命进行预测时的预测精度的电池寿命学习装置、电池寿命学习方法、存储有电池寿命学习程序的存储装置、电池寿命预测装置、电池寿命预测方法及存储有电池寿命预测程序的存储装置。

本发明的第一方式是一种电池寿命学习装置，包括学习部，其基于学习用数据，使用于根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的预测模型进行学习，得到根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的学习完毕预测模型，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。

在本发明的第一方式中，在寿命已尽的学习用车辆电池的劣化指标的时序数据中，可能包括表示学习用车辆电池的劣化指标暂时变动的数据。通过使用上述包括学习用车辆电池的劣化指标的时序数据在内的学习用数据进行学习，从而预测模型进行学习，使由于车辆电池的劣化指标的时序数据中的劣化指标暂时变动而错误预测为车辆电池没有剩余寿命这一现象得到抑制。因此，根据第一方式，能够得到能提高对车辆电池的剩余寿命进行预测时的预测精度的预测模型。

本发明的第二方式可以在上述第一方式中还包括生成部，其获取所述学习用车辆电池的劣化指标的时序数据，按照各个规定期间分割获取的所述时序数据，通过对分割后的各部分时序数据分别添加所述学习用车辆电池的剩余寿命作为标签，从而生成多个部分时序数据作为所述学习用数据。

根据本发明的第二方式，将按照各个规定期间被分割并且添加了作为标签的剩余寿命的各个部分时序数据作为单位，进行预测模型的学习。由此，即使是序列长度不同的数据，也能够同样用于预测模型的学习(例如，序列长度为1年的时序数据、以及序列长度为3年的时序数据能够同样用于预测模型的学习)，而且能够减少在预测模型的学习中的计算负担、以及使用学习完毕预测模型进行剩余寿命的预测中的计算负担。

本发明的第三方式是一种电池寿命预测装置，包括获取部以及预测部，获取部获取作为预测对象的车辆电池的劣化指标的时序数据，预测部基于由所述获取部获取的所述作为预测对象的车辆电池的劣化指标的时序数据、以及根据学习用数据预先学习的学习完毕预测模型，预测所述作为预测对象的车辆电池的剩余寿命，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。

根据本发明的第三方式，因为使用学习完毕预测模型预测作为预测对象的车辆电池的剩余寿命，所以即使在作为预测对象的车辆电池的劣化指标的时序数据中包括表示作为预测对象的车辆电池的劣化指标暂时变动的数据，也能够抑制由于该劣化指标的暂时变动而错误预测为车辆电池没有剩余寿命这一现象，其中，学习完毕预测模型是根据包括寿命已尽的学习用车辆电池的劣化指标的时序数据在内的学习用数据预先学习的。因此，根据本发明的第三方式，能够提高预测车辆电池的剩余寿命时的预测精度。

本发明的第四方式可以是，在第三方式中，当在由所述获取部获取的所述作为预测对象的车辆电池的劣化指标的时序数据中，所述劣化指标的未测量部分的出现频率为规定值以上时，所述预测部中止对所述作为预测对象的车辆电池的剩余寿命进行预测。

根据本发明的第四方式，在下述情况下，能够抑制输出对作为预测对象的车辆电池的剩余寿命进行的错误预测，所述情况是，在作为预测对象的车辆电池的劣化指标的时序数据中，由于例如车辆使用频率较低等理由而所述劣化指标的未测量部分的出现频率为规定值以上，推定出向所述未测量部分***劣化指标的推测值而进行预测会导致预测精度降低的情况。

本发明的第五方式可以是，在上述第三方式或者第四方式中，还包括显示控制部，其使显示部在显示所述作为预测对象的车辆电池的劣化指标的时序数据的同时，还显示由所述预测部预测出的所述作为预测对象的车辆电池的剩余寿命所对应的注释。

根据本发明的第五方式，用户即使不习惯对车辆电池的劣化指标的时序数据进行解释，也能根据显示部所显示的注释理解车辆电池的劣化指标的时序数据的意思。

本发明的第六方式是一种电池寿命学习方法，由计算机执行下述处理：基于学习用数据，使用于根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的预测模型进行学习，得到根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的学习完毕预测模型，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。由此，与本发明的第一方式同样地，能够得到能提高预测车辆电池的剩余寿命时的预测精度的预测模型。

本发明的第七方式是一种电池寿命预测方法，由计算机执行下述处理：获取作为预测对象的车辆电池的劣化指标的时序数据，基于获取的所述作为预测对象的车辆电池的劣化指标的时序数据、以及根据学习用数据预先学习的学习完毕预测模型，预测所述作为预测对象的车辆电池的剩余寿命，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。由此，与本发明的第三方式同样地，能够提高预测车辆电池的剩余寿命时的预测精度。

本发明的第八方式是一种存储有电池寿命学习程序的存储介质，电池寿命学习程序使计算机执行下述处理：基于学习用数据，使用于根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的预测模型进行学习，得到根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的学习完毕预测模型，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。由此，与本发明的第一方式同样地，能够得到能提高预测车辆电池的剩余寿命时的预测精度的预测模型。

本发明的第九方式是一种存储有电池寿命预测程序的存储介质，电池寿命预测程序使计算机执行下述处理：获取作为预测对象的车辆电池的劣化指标的时序数据，基于获取的所述作为预测对象的车辆电池的劣化指标的时序数据、以及根据学习用数据预先学习的学习完毕预测模型，预测所述作为预测对象的车辆电池的剩余寿命，其中所述学习用数据包括寿命已尽的学习用车辆电池在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池在所述规定时刻的剩余寿命。由此，与本发明的第三方式同样地，能够提高预测车辆电池的剩余寿命时的预测精度。

根据上述方式，本发明的电池寿命学习装置、电池寿命学习方法、电池寿命学习程序、电池寿命预测装置、电池寿命预测方法及电池寿命预测程序，能够提高预测车辆电池的剩余寿命时的预测精度。

附图说明

基于以下附图详细说明示例性实施例，其中：

图1是示例性实施方式所涉及的电池寿命预测系统的概略框图。

图2是表示电池寿命学习处理的一个例子的流程图。

图3是说明电池寿命学习处理的内容的示意图。

图4是示出预测模型的一个示例的概念图。

图5是表示电池寿命预测处理的一个例子的流程图。

图6是说明电池寿命预测处理的内容的示意图。

图7是表示预测结果显示处理的一个例子的流程图。

图8是示出时序数据显示画面的一个示例的示意图。

图9是示出注释显示画面的一个示例的示意图。

图10是示出注释显示画面的一个示例的示意图。

图11是示出车辆电池的劣化指标暂时大幅变化的情况的线图。

具体实施方式

以下，参照附图说明本发明的一个示例性实施方式。图1所示的电池寿命预测系统10包括：搭载于车辆的充放电系统12、电池寿命学习装置80、电池寿命预测装置22、以及进行车辆保养的地点(例如车辆经销商)处设置的寿命预测结果输出装置44。充放电系统12、电池寿命预测装置22以及寿命预测结果输出装置44通过网络60而可通信地连接，电池寿命学习装置80与电池寿命预测装置22可通信地连接。此外，图1仅示出了一台搭载了充放电系统12的车辆，然而实际上充放电系统12分别搭载在多台车辆中。

充放电系统12包括：作为车辆的辅助电池使用的车辆电池14、附加在车辆电池14的电池传感器16、进行包括车辆电池14的管理在内的电源管理的控制器18、以及通信部20。在本示例性实施方式中，车辆电池14的内阻、电压、电流、温度、充电量、完全充电容量等表示电池状况的各种参数中，一部分参数由电池传感器16测量，剩余参数由控制器18测量。控制器18在每次车辆的点火开关接通时，收集表示电池状况的各种参数作为电池信息(参照图6的“(1)劣化指标的观测”)，通过通信部20向电池寿命预测装置22发送收集到的信息。

此外，可以配置为省略电池传感器16，由控制器18测量全部表示电池状况的各种参数。

电池寿命学习装置80包括：CPU(Central Processing Unit)81、ROM(Read OnlyMemory)和RAM(Random Access Memory)等存储器82、HDD(Hard Disk Drive)和SSD(SolidState Drive)等非易失性的存储部83、以及通信部84。CPU 81、存储器82、存储部83以及通信部84通过内部总线85而相互可通信地连接。

存储部83存储有电池寿命学习程序34，设有电池信息存储区域86。电池寿命学习装置80将电池寿命学习程序34从存储部83读取并在存储器82打开，通过由CPU 81执行在存储器82打开的电池寿命学习程序34，从而进行后述的电池寿命学习处理。由此，电池寿命学习装置80作为电池寿命学习装置的一个示例起作用。

电池寿命预测装置22包括：CPU 24、ROM和RAM等存储器26、HDD和SSD等非易失性的存储部28、以及通信部30。CPU 81、存储器26、存储部28以及通信部30通过内部总线32而相互可通信地连接。

存储部28存储有电池寿命预测程序36，设有电池信息存储区域38、预测模型存储区域40以及预测结果存储区域42。电池寿命预测装置22每次从充放电系统12接收电池信息时，将接收的电池信息按照每辆车(每个车辆电池14)区分开来地存储到电池信息存储区域38。

电池寿命预测装置22，将电池寿命预测程序36从存储部28读取并在存储器26打开，通过由CPU 24执行在存储器26打开的电池寿命预测程序36，从而进行后述的电池寿命预测处理。由此，电池寿命预测装置22与接下来要说明的寿命预测结果输出装置44一同作为电池寿命预测装置的示例起作用。

寿命预测结果输出装置44包括：CPU 46、ROM和RAM等存储器48、HDD和SSD等非易失性的存储部50、通信部52、以及显示器54。CPU 46、存储器48、存储部50、通信部52以及显示器54通过内部总线56而相互可通信地连接。此外，显示器54是显示部的一个例子。

存储部50存储有预测结果显示程序58。寿命预测结果输出装置44将预测结果显示程序58从存储部50读取并在存储器48打开，通过由CPU 46执行在存储器48打开的预测结果显示程序58，从而进行后述的预测结果显示处理。

此外，电池寿命学习程序34是电池寿命学习程序的一个例子，电池寿命预测程序36以及预测结果显示程序58是电池寿命预测程序的一个例子

下面，说明本示例性实施方式的作用。电池寿命预测装置22经过几年以上的长时间，将从充放电系统12接收的电池信息累积到存储部28的电池信息存储区域38中。因此，在电池信息存储区域38中，累积存储有按照每个车辆电池14分别存储的电池信息的时序数据(参照图6的“(2)劣化指标的累积”)另外，电池信息存储区域38中存储的电池信息的时序数据中，还包含寿命已尽已经被替换的车辆电池14(下称学习用车辆电池14)的电池信息的时序数据。

接下来参照图2，说明由电池寿命学习装置80进行的电池寿命学习处理。在步骤100中，电池寿命学习装置80从电池寿命预测装置22的电池信息存储区域38中所存储的多个车辆电池14的电池信息的时序数据中，分别获取寿命已尽的全部学习用车辆电池14的劣化指标(例如内阻)的时序数据，将获取的时序数据向电池信息存储区域86存储。此外，这里获取的劣化指标的时序数据是车辆电池14从新品的状况开始至寿命已尽的整个期间的数据。

接着在步骤102中，电池寿命学习装置80将在步骤100获取的劣化指标的时序数据分割为按照各个规定期间(例如30天)的劣化指标的部分时序数据x(参照图3的“(1)从多台车辆获取表示劣化指标的数据”)此外，也可以如下述进行按照各个规定期间的时序数据x的分割。

即，对于分割前的劣化指标的时序数据中的最终日期作为末尾而将从末尾开始29天前的日期作为开头的规定期间的数据，一边将规定期间的末尾的日期以规定天数(例如1天)为单位移动一边重复分割提取该规定期间的数据作为劣化指标的部分时序数据。由此，从分割前的劣化指标的时序数据，得到提取期间以规定天数错开的、多个劣化指标的部分时序数据。

步骤104中，电池寿命学习装置80对各个规定期间中的劣化指标的部分时序数据x，将在作为部分时序数据x提取的期间的学习用车辆电池14的剩余寿命作为标签添加(参照图3的“(2)以一定的区间划分数据并添加标签”)。

例如，对于从分割前的劣化指标的时序数据中通过分割提取学习用车辆电池14剩余寿命为一个月的规定期间的数据而得到的劣化指标的部分时序数据x，添加剩余寿命一个月的标签。另外，例如，对于从分割前的劣化指标的时序数据中通过分割提取学习用车辆电池14剩余寿命为三个月的规定期间的数据而得到的劣化指标的部分时序数据x，添加剩余寿命三个月的标签。

此外，添加了剩余寿命的标签的劣化指标的部分时序数据x是学习用数据的一个例子。另外，步骤100～104是由生成部进行的处理的一个例子。

在步骤106中，电池寿命学习装置80基于添加了剩余寿命的标签的劣化指标的部分时序数据x，使用于根据车辆电池14的劣化指标的时序数据预测车辆电池14的剩余寿命(输出剩余寿命的各个类的概率)的预测模型进行学习，从而生成学习完毕预测模型。在本示例性实施方式中，作为预测模型的一个示例，能够使用如图4所示的神经网络，在学习中能够使用例如梯度下降法。

使用预测模型进行的车辆电池14的剩余寿命的预测，在例如神经网络为三层时能够用下式(1)、(2)表示。

a＝f(W1x+b1)…(1)

y＝g(W2a+b2)…(2)

此外，W1、W2是权重，b1、b2是偏差，y是剩余寿命的概率值，作为函数f()可以使用sigmoid函数、tanh函数、ReLU函数等各种函数。作为函数g()可以使用softmax函数。

在步骤106中，根据接收到的的车辆电池14的劣化指标的规定期间的时序数据x，用梯度下降法确定权重W以及偏差b，以使车辆电池14的剩余寿命以概率值y的形式输出。例如，在使用了被添加了剩余寿命一个月的标签的劣化指标的部分时序数据x而进行的学习中，调整权重W以及偏差b，以使剩余寿命一个月的类的概率值y接近1，其他类(剩余寿命两个月、剩余寿命三个月的类等)的概率值y接近0(参照图3的“(3)使预测函数存储数据以及标签的配对”)。

另外，步骤106是由学习部进行的处理的一个例子。另外，神经网络也可以是四层以上。另外，也可以使用梯度下降法以外的学习算法。

在步骤108中，电池寿命学习装置80向电池寿命预测装置22发送由步骤106的处理得到的预测模型(权重W以及偏差b)，向电池寿命预测装置22的存储部28的预测模型存储区域40进行存储，结束电池寿命学习处理。

接下来参照图5，说明由电池寿命预测装置22进行的电池寿命预测处理。此外，该电池寿命预测处理将各个作为预测对象的车辆电池14作为处理对象，定期地(例如每天)执行。此外，这里所说的作为预测对象的车辆电池14是指寿命还未尽的车辆电池14。

在步骤120中，电池寿命预测装置22从存储部28的电池信息存储区域38获取作为预测对象的车辆电池14的规定期间(例如将当前的日期作为末尾而将从末尾往前29天的日期作为开头的最新的规定期间)的劣化指标的时序数据x(还参照图6的“(3)提取预测所使用的区间的数据”)。另外，步骤120是由获取部进行的处理的一个例子。

在步骤122中，电池寿命预测装置22扫描在步骤120获取的作为预测对象的车辆电池14的劣化指标的时序数据x，对规定期间中、由于车辆的点火开关未接通而劣化指标没有被测量的日期(未测量部分的出现频率)进行计数。然后，电池寿命预测装置22通过判断所计数的日期是否在规定值以上，从而判断劣化指标的时序数据x中未测量部分的出现频率是否在规定值以上。

在后述的车辆电池14的剩余寿命预测中，作为预测对象的车辆电池14的劣化指标的时序数据x中含有未测量部分的情况下，向未测量部分***劣化指标的推测值而进行预测。因此，因为例如车辆的使用频率低等理由，劣化指标的时序数据x中未测量部分的出现频率在规定值以上的情况下，推定车辆电池14的剩余寿命预测的预测精度较低。从而，如果步骤122的判断为是，则不进行车辆电池14的剩余寿命预测而结束电池寿命预测处理。

另一方面，劣化指标的时序数据x中的未测量部分的出现频率小于规定值的情况下，步骤122的判断为否，前进至步骤124。在步骤124中，电池寿命预测装置22从存储部28的预测模型存储区域40读取预测模型(权重W、偏差b)。

在步骤126中，电池寿命预测装置22将作为预测对象的车辆电池14的劣化指标的时序数据x输入到在步骤124读取的预测模型中，通过进行多层神经网络的信号处理，计算作为预测对象的车辆电池14的剩余寿命的概率值y(还参照图6的“(4)预测处理”)。此外，从预测模型例如以作为预测对象的车辆电池14的剩余寿命为一个月的概率值y＝60％、剩余寿命为两个月的概率值y＝30％、剩余寿命为三个月的概率值y＝10％这样的形式输出信息。步骤126与步骤122、后述的步骤130共同作为预测部进行的处理的一个示例。

在步骤128中，电池寿命预测装置22向存储部28的预测结果存储区域42存储在步骤126得到的作为预测对象的车辆电池14的剩余寿命的概率值y。

接着在步骤130中，电池寿命预测装置22参照预测结果存储区域42中存储的、作为预测对象的车辆电池14的剩余寿命的概率值y的历史记录，根据一定期间内的剩余寿命的概率值y是否高于阈值，而判断剩余寿命的预测是否确定(参照图6的“(5)预测的确定”)。作为一个示例，剩余寿命为一个月的概率值y连续三天高于阈值0.7的情况下，判断为剩余寿命为一个月的预测是确定的。

如果步骤130的判断为否，则结束电池寿命预测处理。另外，如果步骤130的判断为是，则前进至步骤132。在步骤132中，电池寿命预测装置22向寿命预测结果输出装置一并发送作为预测对象的车辆电池14的已确定的剩余寿命的预测值、以及作为预测对象的车辆电池14的劣化指标的时序数据(例如过去六个月的数据)，结束电池寿命预测处理。此外，从电池寿命预测装置22发送的、作为预测对象的车辆电池14的剩余寿命的预测值以及劣化指标的时序数据，被存储到寿命预测结果输出装置44的存储部50。

接下来参照图7，说明由寿命预测结果输出装置44进行的预测结果显示处理。如果经销商的业务员输入了使寿命预测结果输出装置44输出与特定车辆(搭载了作为预测对象的车辆电池14的车辆)有关的信息的指示，则执行该预测结果显示处理。此外，预测结果显示处理是显示控制部进行的处理的一个示例。

在步骤140中，如图8所示的示例，寿命预测结果输出装置44在使显示器54显示与特定车辆有关的信息的同时，还显示添加了窗口72的时序数据显示画面70，其中窗口72显示作为预测对象的车辆电池14的劣化指标的时序数据。

在窗口72内显示链接到注释的链接(标记为“导引”的按钮)74。在之后的步骤142中，寿命预测结果输出装置44判断链接到注释的链接74是否被选择。如果步骤142的判断为否，则重复步骤142直到判断为是为止。如果链接到注释的链接74被选择，则步骤142的判断为是，前进至步骤144。

在步骤144中，寿命预测结果输出装置44从存储部50读取搭载于特定车辆的作为预测对象的车辆电池14的剩余寿命的预测值。然后在步骤146中，寿命预测结果输出装置44使显示器54显示记载了与从存储部50读取到的剩余寿命的预测值对应的注释的注释显示画面76。

具体地，在搭载于特定车辆的作为预测对象的车辆电池14的剩余寿命的预测值为一个月以内的情况下，在显示器54显示例如图9所示的注释显示画面76A。就车辆电池14正在劣化的情况、以及由于车辆电池14的劣化指标示出异常值而误判的情况，注释显示画面76A同时显示说明以及注释。由此，能够帮助经销商的业务员判断对作为预测对象的车辆电池14的寿命预测结果是正确的判断还是误判，能够对作为预测对象的车辆电池14的使用者(特定车辆的使用者)进行适宜的通知。

另外，在搭载于特定车辆的作为预测对象的车辆电池14的剩余寿命的预测值超过一个月的情况下，在显示器54显示例如图10所示的注释显示画面76B。就车辆电池14标准化使用的情况、以及车辆电池14的使用频率较低的情况，注释显示画面76B一起显示说明以及注释。由此，经销商的业务员能够对车辆电池14的使用者(特定车辆的使用者)提出与车辆电池14的使用情况相应的建议。

如上所述，在本示例性实施方式中，基于学习用数据，使用于根据车辆电池14的劣化指标的时序数据预测车辆电池14的剩余寿命的预测模型进行学习，得到根据车辆电池的劣化指标的时序数据预测车辆电池的剩余寿命的学习完毕预测模型，其中所述学习用数据包括寿命已尽的学习用车辆电池14在过去规定时刻的劣化指标的时序数据、以及所述学习用车辆电池14在所述规定时刻的剩余寿命。由此，能够得到能提高对车辆电池14的剩余寿命进行预测时的预测精度的预测模型。

另外，在本示例性实施方式中，获取学习用车辆电池14的劣化指标的时序数据，按照各个规定期间分割获取的劣化指标的时序数据，通过对分割后的各部分时序数据分别添加学习用车辆电池14的剩余寿命作为标签，从而生成多个部分时序数据作为所述学习用数据。由此，即使是序列长度不同的数据，也能够同样用于预测模型的学习(例如，序列长度为1年的时序数据、以及序列长度为3年的时序数据能够同样用于预测模型的学习)，而且能够减少在预测模型的学习中的计算负担、以及使用学习完毕预测模型进行剩余寿命的预测中的计算负担。

另外，在本示例性实施方式中，获取作为预测对象的车辆电池14的劣化指标的时序数据，基于获取的作为预测对象的车辆电池14的劣化指标的时序数据、以及根据学习用数据预先学习的学习完毕预测模型，预测作为预测对象的车辆电池14的剩余寿命，其中学习用数据包括寿命已尽的学习用车辆电池14在过去规定时刻的劣化指标的时序数据、以及学习用车辆电池14在规定时刻的剩余寿命。由此，能够提高预测车辆电池的剩余寿命时的预测精度。

另外，在本示例性实施方式中，当在获取的作为预测对象的车辆电池14的劣化指标的时序数据中，劣化指标的未测量部分的出现频率为规定值以上时，中止对作为预测对象的车辆电池的剩余寿命进行预测，因此能够抑制输出对作为预测对象的车辆电池的剩余寿命进行的错误预测。

另外，在本示例性实施方式中，使显示器54在显示作为预测对象的车辆电池14的劣化指标的时序数据的同时，显示预测的作为预测对象的车辆电池14的剩余寿命所对应的注释。由此，用户即使不习惯对车辆电池的劣化指标的时序数据进行解释，也能根据显示部所显示的注释理解车辆电池的劣化指标的时序数据的意思。

此外，以上举例内阻作为车辆电池14的劣化指标的一个例子，但并不限定于此，也可以使用完全充电容量等其他参数。

另外，以上举例说明了应用辅助电池作为车辆电池14的方式，但并不限定于此，也可以应用混合动力车(HV：Hybrid Vehicle)及电动车(EV：Electric Vehicle)中的主电池作为车辆电池14。

另外，以上说明了由寿命预测结果输出装置44进行预测结果输出处理(图7)的方式，但并不限定于此，也可以用车辆进行预测结果输出处理并且在车厢内的显示器显示寿命预测结果。

另外，以上说明了由电池寿命预测装置22进行电池寿命预测处理(图5)的方式，但并不限定于此，电池寿命预测处理也可以用车辆进行。

另外，以上举例说明了使用神经网络作为预测模型的一个示例，但并不限定于此，也可以将CNN(Convolutional Neural Network：卷积神经网络)或决策树等作为预测模型。

另外，以上说明了分别单独设置生成预测模型的电池寿命学习装置80和进行车辆电池14的寿命预测的电池寿命预测装置22，但并不限定于此，也可以将生成预测模型的装置与进行车辆电池14的寿命预测的装置进行一体化设置。

另外，以上说明了将电池寿命学习程序34、电池寿命预测程序36以及预测结果显示程序58事先存储(安装)在存储部28、50中的方式，但这些程序也可以用存储在CD-ROM、DVD-ROM以及Micro SD卡等任一存储介质中的形式提供。