JP6123867B2 - Danger case display program, danger case display method, and danger case display device - Google Patents
Danger case display program, danger case display method, and danger case display device Download PDFInfo
- Publication number
- JP6123867B2 JP6123867B2 JP2015215984A JP2015215984A JP6123867B2 JP 6123867 B2 JP6123867 B2 JP 6123867B2 JP 2015215984 A JP2015215984 A JP 2015215984A JP 2015215984 A JP2015215984 A JP 2015215984A JP 6123867 B2 JP6123867 B2 JP 6123867B2
- Authority
- JP
- Japan
- Prior art keywords
- case
- cluster
- cases
- distance
- danger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
Description
本発明は、危険事例表示プログラム、危険事例表示方法、および危険事例表示装置に関する The present invention relates to a danger case display program, a danger case display method, and a danger case display device.
運輸業にとって事故は、サービス品質の確保に対する大きな脅威となる。そのため、運輸業各社は、事故ゼロを目指した不断の努力を行なっている。事故を削減する施策の一つとして、事故には至らなかったがその可能性があった事例（以下、ヒヤリハット事例という）を収集し、事故が発生する前に対策を打つといった施策がある。この際、ヒヤリハット事例の発生位置を地図上にプロットしたもの（ヒヤリハットマップ）を分析者が検討して、多発地点及びその発生要因を獲得するといった作業が行なわれる。またこの作業は、従来人手に任されているが、客観的基準に基づいて多発地点を自動的に検知することは、分析の効率化が実現され、さらに分析の属人化を防止する意味でも有用である。 Accidents are a major threat to ensuring service quality for the transportation industry. For this reason, transport companies are making constant efforts to achieve zero accidents. As one of the measures to reduce the number of accidents, there is a measure that collects cases that did not result in an accident but could have occurred (hereinafter referred to as near-miss cases) and takes measures before the accident occurs. At this time, the analyst examines the incident location of the near-miss cases plotted on the map (the near-miss map), and obtains the frequent occurrence points and the generation factors thereof. In addition, this work has traditionally been done manually, but automatically detecting multiple locations based on objective criteria also improves the efficiency of the analysis and also prevents the analysis from becoming an individual. Useful.
例えば、車両の走行状態や事故原因の解析結果を分類して記録し、似通った原因による事故が記録されたとき、その原因が発生する要因を解析し、交通管制設備や道路形状、交通情報検出設備に対する改善提案を行うシステムが提案されている。 For example, classification and recording of vehicle driving conditions and accident cause analysis results, and when accidents due to similar causes are recorded, the cause of the cause is analyzed, traffic control equipment, road shape, traffic information detection A system for making an improvement proposal for equipment has been proposed.
道路交通に関するヒヤリハット事例などの危険情報を自動収集し、端末からの要求に応じて配信することにより、端末で警報を発したり、危険地区を回避するように誘導したりするシステムも提案されている。 A system has also been proposed that automatically collects danger information such as near-miss cases related to road traffic and distributes it according to the request from the terminal, so that a warning is issued at the terminal or a dangerous area is avoided. .
ヒヤリハット事例の多発地点の自動検知手法としては、分析対象とするエリアをグリッドに分割し、グリッド毎に事例の発生件数を集計し、発生件数が多いグリッドを多発地点（多発グリッド）として検出する方法が広く用いられている。 As an automatic detection method of near-miss points of near-miss cases, the area to be analyzed is divided into grids, the number of occurrences of cases is counted for each grid, and a grid with a large number of occurrences is detected as a frequent occurrence point (multiple occurrence grid) Is widely used.
一方、グリッドを設けず、発生地点の近い事例をまとめあげていくことで事例のクラスタを作成し、事例数の多いクラスタを多発地点として検知する手法も考えられる。このようなクラスタを作成する手法はクラスタリングと呼ばれる既存技術が流用可能である。 On the other hand, it is also possible to create a cluster of cases by collecting cases close to each other without providing a grid, and detect a cluster with a large number of cases as a frequent occurrence point. An existing technique called clustering can be used as a method for creating such a cluster.
しかしながら、分析対象とするエリアをグリッドに分割する方式は、グリッドの切り方によって件数が変わるので、以下のような問題が発生することが多く、これらの問題が発生すると適切な多発地点が検知されなくなる。 However, the method of dividing the area to be analyzed into grids changes the number of cases depending on how the grid is cut, so the following problems often occur, and when these problems occur, appropriate multiple points are detected. Disappear.
すなわち、グリッド内に複数の多発地点が存在する場合に、それらを一つのグリッドとして集計してしまったり、本来は同一地点での発生とみなすべき事例がたまたまグリッド境界により分割されてしまったりするという問題である。 In other words, when there are multiple frequent occurrence points in the grid, they are counted as one grid, or cases that should be regarded as occurring at the same point happen to be divided by the grid boundary. It is a problem.
一方、グリッドを設けず、発生地点間の距離に基づいてクラスタリングを行う方法では、発生位置は近いが異なる要因で発生している事例もまとめあげてしまう。多発地点を検知して、その発生要因を検討し、対策を施行するという目的を達成するには、これらは別のクラスタとすべきであるが、一般的なクラスタリングでは、このような処理は実現できないという問題がある。 On the other hand, in the method of performing clustering based on the distance between the occurrence points without providing a grid, cases where the occurrence positions are close but are caused by different factors are summarized. In order to achieve the purpose of detecting multiple occurrence points, examining their causes, and implementing countermeasures, these should be separate clusters, but in general clustering such processing is realized. There is a problem that you can not.
そこで、ヒヤリハット事例により要因別に分類された多発地点を自動的に検知することの可能な、危険検知装置、危険検知方法、およびプログラムを提供することを目的とする。 Therefore, an object is to provide a danger detection device, a danger detection method, and a program capable of automatically detecting the frequent occurrence points classified by factors according to near-miss cases.
ひとつの態様である危険検知装置は、危険検知装置は、事例情報取得部、第１の分類部、検知部、出力部を有している。事例情報取得部は、事故には至らなかったがその可能性があった事例の発生位置と発生時の車両の進行方向とを含む事例情報を取得する。第１の分類部は、前記事例情報において、前記発生位置、および前記進行方向の同一性に基づき、前記事例情報を同一の原因に起因する少なくとも一つの集合に分類する。検知部は、分類された少なくとも一つの前記集合のうちの所定数以上の事例を含む集合を、事例発生の多発地点として検知する。出力部は、前記多発地点を結果として出力する。 The danger detection apparatus which is one aspect has a case information acquisition part, the 1st classification | category part, a detection part, and an output part. The case information acquisition unit acquires the case information including the occurrence position of the case that did not cause the accident but the possibility of the case and the traveling direction of the vehicle at the time of occurrence. In the case information, the first classification unit classifies the case information into at least one set caused by the same cause based on the occurrence position and the identity of the traveling direction. The detection unit detects a set including a predetermined number or more of the classified at least one set as a frequent occurrence point of the cases. The output unit outputs the frequent occurrence point as a result.
別の態様である危険検知方法においては、事故防止装置は、事故には至らなかったがその可能性があった事例の発生位置と発生時の車両の進行方向とを含む事例情報を取得する。また、事故防止装置は、前記事例情報において、前記発生位置、および前記進行方向の同一性に基づき、前記事例情報を同一の原因に起因する少なくとも一つの集合に分類する。事故防止装置は、分類された少なくとも一つの前記集合のうちの所定数以上の事例を含む集合を、事例発生の多発地点として検知し、前記多発地点を結果として出力することを特徴としている。 In the danger detection method according to another aspect, the accident prevention apparatus acquires case information including the occurrence position of the case that did not lead to the accident but may have occurred and the traveling direction of the vehicle at the time of occurrence. In addition, the accident prevention apparatus classifies the case information into at least one set caused by the same cause in the case information based on the identity of the occurrence position and the traveling direction. The accident prevention apparatus is characterized in that a set including a predetermined number or more of the classified at least one set is detected as a frequent occurrence point of cases and the frequent occurrence point is output as a result.
なお、上述した本発明に係る方法をコンピュータに行わせるためのプログラムであっても、このプログラムを当該コンピュータによって実行させることにより、上述した本発明に係る方法と同様の作用効果を奏するので、前述した課題が解決される。 Note that even a program for causing a computer to perform the method according to the present invention described above has the same operational effects as the method according to the present invention described above by causing the computer to execute the program. The problem that was solved is solved.
上述した態様の危険検知装置、危険検知方法、およびプログラムによれば、ヒヤリハット事例により要因別に分類された多発地点を自動的に検知することが可能となる。 According to the danger detection device, the danger detection method, and the program of the above-described aspect, it is possible to automatically detect the frequent occurrence points classified according to the factor by the near-miss case.
以下、図面を参照しながら一実施の形態による危険検知装置について説明する。危険検知装置は、運輸業における運行の安全管理に関わる装置である。特に、走行中に発生した、事故には至らなかったがその可能性があった「ヒヤリハット事例」（以下、単に事例ともいう）を集計し、多発地点を検知して表示を行うことにより、危険を防止する。 Hereinafter, a danger detection device according to an embodiment will be described with reference to the drawings. The danger detection device is a device related to safety management of operation in the transportation industry. In particular, it is dangerous to collect near-miss incidents (hereinafter also simply referred to as cases) that occurred during driving but did not result in an accident, and to detect and display frequent occurrence points. To prevent.
図１は、危険検知装置１の機能を示すブロック図である。図１に示すように、危険検知装置１は、事例情報記憶部３、事例情報入力部５、第１まとめ処理部７、第２まとめ処理部９、多発地点検知部１１、出力部１３、入出力インタフェース１５を有している。事例情報記憶部３は、「ヒヤリハット事例」を後述する事例情報のように記憶する。事例情報入力部５は、事例情報記憶部３から事例情報を取得する。第１まとめ処理部７は、取得した事例情報について、所定条件に合致するものを一つの集合にまとめる第１段階のまとめ上げ処理（以下、第１まとめ処理という）を行う。第２まとめ処理部９は、第１まとめ処理部７により生成された集合について、別の所定条件に合致するものを一つの集合にまとめる第２段階のまとめ上げ処理（以下、第２まとめ処理という）を行う。第２まとめ処理部９は、このとき、それ以上まとめられる組み合わせがなくなるまで、第２段階のまとめ上げ処理を行う。 FIG. 1 is a block diagram illustrating functions of the danger detection device 1. As shown in FIG. 1, the danger detection device 1 includes a case information storage unit 3, a case information input unit 5, a first summary processing unit 7, a second summary processing unit 9, a frequent occurrence point detection unit 11, an output unit 13, an input unit 13. An output interface 15 is provided. The case information storage unit 3 stores “near hat cases” as case information described later. The case information input unit 5 acquires case information from the case information storage unit 3. The first summarization processing unit 7 performs a first-stage summarization process (hereinafter, referred to as a first summarization process) that collects the acquired case information that matches a predetermined condition into one set. The second summarization processing unit 9 is a second stage summarization process (hereinafter referred to as a second summarization process) for consolidating the sets generated by the first summarization processing unit 7 into one set that matches another predetermined condition. )I do. At this time, the second summarization processing unit 9 performs the second stage summarization processing until there are no more combinations to be summarized.
多発地点検知部１１は、第２まとめ処理部９でまとめられた集合に基づき、「ヒヤリハット事例」の多発地点を検知する。出力部１３は、検知された多発地点を地図情報と共にユーザに提示する。入出力インタフェース１５は、ユーザの操作により表示方式を変更するなど、入出力に関し所定の処理を行う。 The frequent occurrence point detection unit 11 detects the frequent occurrence points of the “near incident” based on the set collected by the second summary processing unit 9. The output unit 13 presents the detected frequent occurrence points together with the map information to the user. The input / output interface 15 performs predetermined processing related to input / output, such as changing the display method by a user operation.
以下、多発地点の検知方法の概要を説明する。図２は、事例発生状況を概念的に示す図である。図２に示すように、事例３０において、道路３２には、図の向かって左側に店舗３４があり、右側に停留所３６がある状況である。道路３２においては、例えば発生位置３８において進行方向３９に向かって移動しているときに「事例」が発生したことを示している。他も同様に、「黒丸」は発生位置を示し、「矢印」は、事例発生時の車両の進行方向を示している。 Hereinafter, an outline of a method for detecting a frequent occurrence point will be described. FIG. 2 is a diagram conceptually illustrating a case occurrence situation. As shown in FIG. 2, in the case 30, the road 32 has a store 34 on the left side and a stop 36 on the right side in the figure. On the road 32, for example, it is indicated that “example” has occurred when moving toward the traveling direction 39 at the generation position 38. Similarly, “black circle” indicates the generation position, and “arrow” indicates the traveling direction of the vehicle when the case occurs.
図３は、事例情報４０のデータ構成の一例を示す図である。事例情報４０は、図２のような発生位置と進行方向とを事例情報記憶部３に記憶する際の、データ構成の一例である。図３に示すように、事例情報４０は、事例ＩＤ４２、北緯４４、東経４６、進行方向４８の各項目を備えている。例えば、事例ＩＤ４２＝ａの事例は、北緯４４＝３６．４０１０９度、東経４６＝１３９．０５１６４度で発生し、発生時の車両の進行方向４２＝１８０．５度であったことを示している。進行方向は、例えば、北を０度として右回りを正の方向として表すことができる。 FIG. 3 is a diagram illustrating an example of a data configuration of the case information 40. The case information 40 is an example of a data configuration when the generation position and the traveling direction as shown in FIG. 2 are stored in the case information storage unit 3. As shown in FIG. 3, the case information 40 includes items of a case ID 42, north latitude 44, east longitude 46, and a traveling direction 48. For example, the case with case ID 42 = a occurred at latitude 44 = 36.40109 degrees north latitude, longitude 46 = 139.05164 degrees east longitude, and the vehicle traveling direction at the time of occurrence 42 = 180.5 degrees. . The traveling direction can be expressed as a positive direction, for example, with north as 0 degrees and clockwise.
図４は、事例３０において、発生位置同士の距離が所定距離内で、進行方向が所定範囲内の（進行方向が同一性を有する）ものを１つにまとめるクラスタリング（第１まとめ処理）を行った例である。図４に示すように、クラスタリング例５０においては、それぞれ複数の事例を含む３つのクラスタＡ、Ｂ、Ｃが生成されている。 FIG. 4 shows clustering (first summarization processing) in which the distances between the occurrence positions are within a predetermined distance and the traveling direction is within a predetermined range (the traveling direction is the same) in the case 30. This is an example. As shown in FIG. 4, in the clustering example 50, three clusters A, B, and C each including a plurality of cases are generated.
図５は、図５に示すように、第１まとめ情報６０は、図３の事例情報４０に加えてクラスタＩＤ６２を有しており、例えば事例ＩＤ４２＝ａの事例においては、クラスタＩＤ６２＝Ａと分類されている。同様に、第１まとめ情報６０には、クラスタＩＤ６２＝Ｂ、Ｃ等に分類されている例が記載されている。 As shown in FIG. 5, the first summary information 60 has a cluster ID 62 in addition to the case information 40 of FIG. 3, for example, in the case of the case ID 42 = a, the cluster ID 62 = A. It is classified. Similarly, the first summary information 60 describes an example classified into cluster IDs 62 = B, C, and the like.
図６は、クラスタリング例５０をさらに分類する第２まとめ処理を行った、クラスタリング例７０を示す図である。図６に示すように、クラスタリング例７０では、クラスタリング例５０において分類されたクラスタＡとクラスタＢとが新しいクラスタＡＢにまとめて分類されている。この分類では、１つのクラスタに含まれる事例間の距離の最大値が所定の値以下であることを、そのクラスタを第２まとめ処理の候補とするための条件としている。図６の例では、クラスタＡ、Ｂ、Ｃの全てのクラスタが第２まとめ処理の候補になることになる。 FIG. 6 is a diagram illustrating a clustering example 70 in which a second summary process for further classifying the clustering example 50 is performed. As shown in FIG. 6, in the clustering example 70, the cluster A and the cluster B classified in the clustering example 50 are classified into a new cluster AB. In this classification, the maximum value of the distance between cases included in one cluster is equal to or less than a predetermined value as a condition for making the cluster a candidate for the second summary process. In the example of FIG. 6, all of the clusters A, B, and C are candidates for the second summary process.
ここで、図７を参照しながら、第２まとめ処理の候補としない例について説明する。図７は、図６に示した第２まとめ処理を行なわない場合の一例を示す図である。図７に示すように、クラスタ例８４は、路上駐車列８６の脇に発生位置８８、発生位置８９などを含んでクラスタ８７が分類されている。この例のように、常時長い区間にわたって路上駐車列８６が連なっているような区間の場合、特定の一箇所が要因になっているというよりも、対象の全区間に要因があるとみなしたほうが適切である。すなわち、図７の例のように、クラスタ内の構成事例間距離の最大値である発生位置８８と発生位置８９との距離が離れており、所定の値を超えている場合には、進行方向前方一箇所に発生要因があるとはみなせない。よって、このようなクラスタは、第２まとめ処理の対象とはしないことが好ましい。 Here, an example that is not a candidate for the second summary process will be described with reference to FIG. FIG. 7 is a diagram illustrating an example when the second summary processing illustrated in FIG. 6 is not performed. As shown in FIG. 7, the cluster example 84 includes the generation position 88 and the generation position 89 on the side of the on-street parking line 86, and the cluster 87 is classified. As in this example, in the case where the street parking line 86 is always continuous over a long section, it is better to consider that there is a factor in all the target sections rather than a specific one place. Is appropriate. That is, as in the example of FIG. 7, when the distance between the generation position 88 and the generation position 89, which is the maximum value of the distance between the configuration examples in the cluster, is separated and exceeds a predetermined value, the traveling direction It cannot be considered that there is a cause in one place in front. Therefore, it is preferable that such a cluster is not a target of the second summary process.
図６に戻って、クラスタＡ、クラスタＢのそれぞれに含まれる事例の発生位置を代表する位置同士の距離（以下、クラスタ間距離という）が所定範囲内であるか否かが判定される。クラスタＡ、クラスタＢのそれぞれの代表位置は、例えば、それぞれのクラスタに含まれる各事例の発生位置の重心位置とすることができる。さらに、各クラスタを代表する進行方向の前方方向が共通するか否かが判定される。各クラスタを代表する進行方向とは、例えば、各クラスタに含まれる事例の進行方向を示すベクトルの合成ベクトルなどとすることができる。第２まとめ処理では、上記の両方の条件を満たすものが、１つのクラスタに再分類される。 Returning to FIG. 6, it is determined whether or not the distance between the positions representative of the occurrence positions of the cases included in each of the cluster A and the cluster B (hereinafter referred to as intercluster distance) is within a predetermined range. The representative positions of the clusters A and B can be, for example, the centroid positions of the occurrence positions of the cases included in the respective clusters. Further, it is determined whether or not the forward direction of the traveling direction representing each cluster is common. The traveling direction representing each cluster can be, for example, a combined vector of vectors indicating the traveling direction of cases included in each cluster. In the second summary process, those satisfying both the above conditions are reclassified into one cluster.
図８は、図６のように、第２まとめ処理を行った第２まとめ情報８０のデータ構成の一例を示す図である。第２まとめ情報８０においては、第１まとめ情報６０におけるクラスタＩＤ６２に代えて、第２まとめ処理を行ってまとめられた新しいクラスタＩＤ８２が記載されている。例えば事例ＩＤ４２＝ａのクラスタＩＤ８２＝ＡＢである。上記の第２まとめ処理は、１つにまとめられるクラスタの組が存在しなくなるまで行う。 FIG. 8 is a diagram illustrating an example of a data configuration of the second summary information 80 that has been subjected to the second summary processing, as illustrated in FIG. 6. In the second summary information 80, instead of the cluster ID 62 in the first summary information 60, a new cluster ID 82 compiled by performing the second summary process is described. For example, the cluster ID 82 of the case ID 42 = a = AB. The second summarization process is performed until there is no cluster set to be merged into one.
図９は、上記のように分類した各クラスタから、多発地点を判定するための多発地点判定情報９０の一例を示す図である。多発地点判定情報９０は、項目９２と条件９４とを有している。例えば、クラスタサイズは５件以上、すなわち、一つのクラスタに５件以上の事例が含まれることがひとつの条件である。多発地点と判定される他の条件は、発生確率は制限無しであり、最大表示数は３０地点である。 FIG. 9 is a diagram illustrating an example of the frequent occurrence point determination information 90 for determining frequent occurrence points from each cluster classified as described above. The frequent occurrence point determination information 90 includes an item 92 and a condition 94. For example, one condition is that the cluster size is 5 or more, that is, 5 or more cases are included in one cluster. As for other conditions determined as frequent occurrence points, the occurrence probability is unlimited, and the maximum display number is 30 points.
図１０は、多発地点判定情報９０の条件に合致する事例のみを抽出した多発地点情報１００である。図１０に示すように、多発地点判定情報９０は、事例ＩＤ１０２、北緯１０４、東経１０６、進行方向１０８、クラスタＩＤ１１０を有している。多発地点判定情報９０の例では、事例ＩＤ１０２＝ａ〜ｆがクラスタＩＤ１１０＝ＡＢの同一のクラスタに分類されている。このクラスタＡＢが多発地点と判定されたことになる。 FIG. 10 shows the frequent occurrence point information 100 in which only cases that meet the conditions of the frequent occurrence point determination information 90 are extracted. As illustrated in FIG. 10, the frequent occurrence point determination information 90 includes a case ID 102, north latitude 104, east longitude 106, a traveling direction 108, and a cluster ID 110. In the example of the frequent occurrence point determination information 90, the case IDs 102 = af are classified into the same cluster with the cluster ID 110 = AB. This cluster AB is determined to be a frequent occurrence point.
続いて、図１１〜図１４を参照しながら、クラスタリングの別の例を説明する。図１１〜図１４は、クラスタリングの別の例を概念的に示す図である。図１１に示すように、事例１２０では、互いに交差する道路１２２において、例えば、発生位置１２４、進行方向１２６等が検出されている。図１２に示すように、クラスタ例１３０は、事例１２０について第１のまとめ処理を行った例である。クラスタ例１３０では、事例１２０が、クラスタＤ〜Ｈに分類されている。ここでは、クラスタＤ〜Ｈは、すべて第２まとめ処理の判定候補と判定されているとする。 Next, another example of clustering will be described with reference to FIGS. 11 to 14 are diagrams conceptually illustrating another example of clustering. As shown in FIG. 11, in the case 120, for example, an occurrence position 124, a traveling direction 126, and the like are detected on a road 122 that intersects each other. As illustrated in FIG. 12, the cluster example 130 is an example in which the first summary process is performed on the case 120. In the cluster example 130, the case 120 is classified into clusters D to H. Here, it is assumed that the clusters D to H are all determined as determination candidates for the second summary processing.
図１３に示すように、図１１のクラスタ例１３０に示されたクラスタＤ〜Ｈのなかで、第２のまとめ処理をクラスタＤ、クラスタＥの間で行った結果、クラスタ例１５０のように、クラスタＤとクラスタＥとは、クラスタＤＥにまとめられる。また、クラスタＧとクラスタＨとは、互いに進行方向前方エリアが一致していないのでまとめられず、判定処理済みとする。 As shown in FIG. 13, among the clusters D to H shown in the cluster example 130 of FIG. 11, the second summary processing is performed between the cluster D and the cluster E. Cluster D and cluster E are combined into cluster DE. Further, it is assumed that the cluster G and the cluster H are not put together because the front areas in the traveling direction do not coincide with each other, and have been determined.
図１４に示すように、図１３のクラスタ例１５０において、第２のまとめ処理をクラスタＦ、クラスタＧの間で行った結果、クラスタ例１６０のように、クラスタＦとクラスタＧとは、クラスタＦＧにまとめられる。 As illustrated in FIG. 14, as a result of performing the second summarization process between the cluster F and the cluster G in the cluster example 150 in FIG. 13, as illustrated in the cluster example 160, the cluster F and the cluster G are cluster FG. Are summarized in
さらに、図１３、および図１４を参照して説明したように、第２のまとめ処理で一度まとめられたクラスタＤＥとクラスタＦＧについて、図１５のクラスタ例１７０のように、さらに第２のまとめ処理を行い、クラスタＤＥＦＧにまとめる。また、クラスタＤＥＦＧとクラスタＨについて判定処理を行ない、判定の結果、この２つをまとめずに、判定処理済とする。以上の処理により、交差点に向かう事例のみで構成されるクラスタＤＥＦＧと、交差点を出た後で発生したクラスタＨが生成される。これで、第２まとめ処理の候補となるクラスタ組が存在しなくなるので、処理を終了する。すなわち、事例１２０は、結果的に２つのクラスタに分類されたことになる。この２つのクラスタは、発生要因が異なると推定され、適切な結果が得られたといえる。 Further, as described with reference to FIG. 13 and FIG. 14, the cluster DE and the cluster FG once collected in the second summarization process are further subjected to the second summarization process as in the cluster example 170 of FIG. 15. To make a cluster DEFG. In addition, determination processing is performed for the cluster DEFG and the cluster H, and as a result of the determination, the determination processing is completed without combining the two. Through the above processing, a cluster DEFG composed only of cases heading for the intersection and a cluster H generated after exiting the intersection are generated. Since there is no cluster set that is a candidate for the second summary process, the process is terminated. That is, the case 120 is classified into two clusters as a result. It can be said that the two clusters are estimated to have different generation factors, and appropriate results are obtained.
以上のような処理について、さらにフローチャートを参照しながら説明する。図１６は、本実施の形態による危険検知装置１の動作を示すフローチャートである。図１６に示すように、事例情報入力部５は、発生した事例の少なくとも発生位置及び進行方向を、事例情報４０のような電子情報として入力する（Ｓ１８１）。実現手段としては、例えば事例情報を格納した事例情報記憶部３等のようなデータベースより読み込むことが可能である。また、このような事例情報４０は、車両に備えられた、位置、速度などを記録する装置等で取得し、危険検知装置１が読み込み可能な可搬記録媒体等に記録して、本実施の形態の事例情報記憶部３として用いるようにしてもよい。 The processing as described above will be further described with reference to a flowchart. FIG. 16 is a flowchart showing the operation of the danger detection device 1 according to the present embodiment. As shown in FIG. 16, the case information input unit 5 inputs at least the occurrence position and the traveling direction of the generated case as electronic information such as case information 40 (S181). As an implementation means, for example, it is possible to read from a database such as the case information storage unit 3 storing case information. Further, such case information 40 is acquired by a device or the like that is provided in the vehicle and records the position, speed, etc., and is recorded on a portable recording medium or the like that can be read by the danger detection device 1. You may make it use as the example information storage part 3 of a form.
第１まとめ処理部７は、発生位置（北緯４４、東経４６）と進行方向４８とを含む事例情報４０を入力として、まず、第１まとめ処理を行う（Ｓ１８２）。第２まとめ処理部９は、Ｓ１８２の結果に基づき、第２まとめ処理を行う（Ｓ１８３）。第１まとめ処理、第２まとめ処理の詳細については、後述する。 The first summary processing unit 7 receives the case information 40 including the occurrence position (north latitude 44, east longitude 46) and the traveling direction 48, and first performs a first summary processing (S182). The second summary processing unit 9 performs the second summary processing based on the result of S182 (S183). Details of the first summary process and the second summary process will be described later.
続いて、多発地点検知部１１は、Ｓ１８３の結果に基づき、多発地点を検知する（Ｓ１８４）。すなわち、多発地点検知部１１は、上記第１まとめ処理および第２まとめ処理の結果として得られた各クラスタに属する事例数を算出し、その事例数の多いクラスタを多発地点（または多発区間）として検知する。多発地点とみなすかどうかの判定は、例えば、上述のように、予め多発地点判定情報９０に記録された件数以上の場合を、多発地点としてもよい。出力部１３は、多発地点検知部１１で検知された結果を出力する（Ｓ１８５）。 Subsequently, the frequent occurrence point detection unit 11 detects the frequent occurrence point based on the result of S183 (S184). That is, the frequent occurrence point detection unit 11 calculates the number of cases belonging to each cluster obtained as a result of the first summary process and the second summary process, and designates a cluster having a large number of cases as a frequent occurrence point (or frequent occurrence section). Detect. The determination as to whether or not to be regarded as a frequent occurrence point may be, for example, a case where the number is greater than or equal to the number recorded in the frequent occurrence point determination information 90 in advance as described above. The output unit 13 outputs the result detected by the frequent occurrence point detection unit 11 (S185).
図１７は、図１６のＳ１８２の第１まとめ処理の動作を示すフローチャートである。上述のように、第１まとめ処理では、発生位置が近く、かつ進行方向がほぼ同一の事例のみをまとあげる。この第１まとめ処理は、発生位置同士の距離のみに基づくクラスタリング処理に、進行方向の類似性に基づく補正を行なうことで実現できる。 FIG. 17 is a flowchart showing the operation of the first summary process in S182 of FIG. As described above, in the first summary process, only cases where the generation positions are close and the traveling directions are almost the same are listed. This first summarization process can be realized by performing a correction based on the similarity in the traveling direction to the clustering process based only on the distance between the occurrence positions.
図１７に示すように、第１まとめ処理部７は、距離行列を算出する（Ｓ１９２）。例えば、最近傍法と呼ばれる従来のクラスタリング方式においては、事例ｉと事例ｊの発生位置間の距離ｄｉｊを行列のｉｊ成分とする距離行列を入力として、クラスタを作成する。 As shown in FIG. 17, the first summary processing unit 7 calculates a distance matrix (S192). For example, in a conventional clustering method called the nearest neighbor method, a cluster is created with a distance matrix having the distance dj between the occurrence positions of case i and case j as the ij component of the matrix as an input.
本実施の形態においては、距離行列として、ｉｊ成分Ｄｉｊが以下の値で定義される行列を入力とすることにより、進行方向の一致性を考慮したクラスタを作成することができる。
θｉｊ＜１８０°／Ｎのとき、Ｄｉｊ=（ｄｉｊ／（１＋ε＋ｃｏｓＮθｉｊ）・・・
（式１）
θｉｊ≧１８０°／Ｎのとき、Ｄｉｊ＝ｄｉｊ・・・（式２）
ここで、ｄｉｊは事例ｉ、ｊ間の距離、Ｎは正定数（例えば６〜９）、θｉｊは、事例ｉと事例ｊの進行方向のなす角、εは、小さな正定数（例えば０．００１）
In the present embodiment, as a distance matrix, a matrix in which the consistency in the traveling direction is taken into consideration can be created by inputting a matrix in which the ij component Dij is defined by the following values.
When θij <180 ° / N, Dij = (dij / (1 + ε + cosNθij)...
(Formula 1)
When θij ≧ 180 ° / N, Dij = dij (Expression 2)
Here, dij is the distance between cases i and j, N is a positive constant (for example, 6 to 9), θij is the angle formed by the traveling direction of case i and case j, and ε is a small positive constant (for example, 0.001). )
式１、式２に示すように、Ｄｉｊは、εが小さい場合には、実際の発生位置間の距離よりも小さな値であるが、なす角θｉｊが大きくなるにつれてどんどん大きくなり、閾値１８０°／Ｎを越えると非常に大きな値となる。このような行列を入力とすることにより、進行方向が異なる事例を一つのクラスタにまとめてしまうことはなくなる。 As shown in Equations 1 and 2, Dij is a value smaller than the distance between the actual occurrence positions when ε is small, but increases gradually as the angle θij formed increases, and the threshold value 180 ° / When N is exceeded, a very large value is obtained. By using such a matrix as an input, cases in which the traveling directions are different are not combined into one cluster.
続いて、第１まとめ処理部７は、初期閾値を設定する（Ｓ１９２）。図１７の処理においては、例えば、所定の閾値Ｌを設定する。第１まとめ処理部７は、行列のｉｊ成分Ｄｉｊが所定の閾値Ｌ以下であれば「１」、それ以外は「０」をｉｊ成分とする、接続行列と呼ばれる行列を作成する（Ｓ１９３）。さらに、第１まとめ処理部７は、作成した接続行列をノード間の接続情報とするグラフとみなし、グラフを連結部分グラフに分割する（Ｓ１９４）。 Subsequently, the first summary processing unit 7 sets an initial threshold (S192). In the process of FIG. 17, for example, a predetermined threshold L is set. The first summary processing unit 7 creates a matrix called a connection matrix having “1” if the ij component Dij of the matrix is equal to or less than the predetermined threshold L, and “0” in the other cases (S193). Further, the first summary processing unit 7 regards the created connection matrix as a graph having connection information between nodes, and divides the graph into connected partial graphs (S194).
第１まとめ処理部７は、各連結部分グラフをそれぞれ事例のクラスタとして出力する（Ｓ１９５）。この結果は、例えば図５の第１まとめ情報６０の形式で出力される。第１まとめ処理部７は、処理を図１６のフローチャートのＳ１８２の処理に戻す。 The first summary processing unit 7 outputs each connected subgraph as a cluster of cases (S195). This result is output, for example, in the format of the first summary information 60 of FIG. The first summary processing unit 7 returns the process to the process of S182 in the flowchart of FIG.
図１８は、図１６のＳ１８３の第２まとめ処理の動作を示すフローチャートである。上述のように、第２まとめ処理は、第１まとめ処理の結果に対して、クラスタ間の距離が近く、かつ進行方向前方エリアが共通するクラスタ組をさらにまとめあげる。 FIG. 18 is a flowchart showing the operation of the second summarization process in S183 of FIG. As described above, the second summarization process further sums up cluster sets having a short distance between the clusters and a common area in the traveling direction with respect to the result of the first summarization process.
まず、第２まとめ処理部９は、各クラスタに属する事例間の最大距離を算出する。第２まとめ処理部９は、算出値が所定の値以上になった場合には、まとめ上げ候補から除外し、算出値が所定の閾値以下のクラスタを、まとめ上げ候補クラスタとして選別する（Ｓ２０１）。 First, the second summary processing unit 9 calculates the maximum distance between cases belonging to each cluster. When the calculated value becomes equal to or greater than the predetermined value, the second summarizing processing unit 9 excludes the clustered candidate from the grouping candidate, and selects a cluster whose calculated value is equal to or less than the predetermined threshold as the grouping candidate cluster (S201). .
すなわち、この処理は、図７を参照しながら説明したように、同一のクラスタに属する事例間で、所定の閾値を超える距離を有する場合があるような、特殊な要因によりまとめられたクラスタを、第２まとめ処理の対象から排除する処理である。算出値が大きいクラスタは、特に一箇所に集中しているわけではないが、特定道路の特定範囲に広く事例が発生しているようなクラスタを多発区間として抽出しているものであり、発生要因としては、図７のように、例えば駐停車車両が連なっているなどが想定される。この場合は、発生要因の位置が一箇所に決まるようなものではないために、他のクラスタとまとめ上げる必要がないといえる。 That is, as described with reference to FIG. 7, this process is performed by combining clusters that are collected due to special factors that may have a distance exceeding a predetermined threshold between cases belonging to the same cluster. This is processing to be excluded from the second summary processing target. Clusters with large calculated values are not particularly concentrated in one place, but clusters where cases occur widely in a specific area of a specific road are extracted as frequent sections. As shown in FIG. 7, for example, parking and stopping vehicles are assumed to be connected. In this case, since the location of the cause of occurrence is not determined to be a single location, it can be said that it is not necessary to put together with other clusters.
第２まとめ処理部９は、選定された第２まとめ処理の候補のクラスタに属する事例より代表ベクトルを算出する（Ｓ２０２）。代表ベクトルは、始点を事例の重心、向きを事例の平均進行方向とする、長さが定数値ｌのベクトルである。事例の重心は、候補のクラスタに属する各事例の北緯４４、東経４６の平均を算出する、通常の算出方法を用いる。平均進行方向は、各事例の進行方向を向きとする長さｌのベクトルを合成し、その合成ベクトルの向きを平均進行方向とする。ただし、合成ベクトルの長さがｌ以下になってしまった場合は、特別に、代表ベクトルを「不定」とする。代表ベクトルが「不定」となる例は、例えば、第２まとめ処理で、進行方向が反対で同じ事例数を含む２つのクラスタがまとめ上げられた場合に発生する。 The second summary processing unit 9 calculates a representative vector from cases belonging to the selected cluster of the second summary processing candidates (S202). The representative vector is a vector with a constant value l having a starting point as the center of gravity of the case and an orientation as the average traveling direction of the case. For the center of gravity of the case, a normal calculation method is used in which the average of the north latitude 44 and the east longitude 46 of each case belonging to the candidate cluster is calculated. The average traveling direction is a vector of length l with the traveling direction of each case as a direction, and the direction of the combined vector is the average traveling direction. However, if the length of the combined vector becomes 1 or less, the representative vector is specially set to “undefined”. An example in which the representative vector is “indefinite” occurs, for example, when two clusters including the same number of cases having the opposite traveling direction are collected in the second summary process.
なお、所定の値ｌは、発生位置の測定誤差以上で、かつ、あまり大きくない値であればよく、その範囲に収まっている限りにおいて処理結果は変わらないので、例えば１０メートル（ｍ）とすることができる。「不定」とならなかった代表ベクトルについては、算出した合成ベクトルについて、その長さをｌに正規化する。 Note that the predetermined value l may be a value that is equal to or larger than the measurement error of the occurrence position and is not so large, and the processing result does not change as long as it is within the range, and is, for example, 10 meters (m). be able to. For the representative vector that has not become “indefinite”, the length of the calculated combined vector is normalized to l.
続いて第２まとめ処理部９は、選別された、まとめ上げ候補となるクラスタの全組み合わせについて、クラスタ間の距離を算出する（Ｓ２０３）。すなわち、第２まとめ処理部９は、第２まとめ処理の候補の中からクラスタ組を選別し、各クラスタの代表位置間の距離を算出する。このクラスタ間の距離は、例えば事例の重心間の距離で定義できるが、各クラスタに属する事例間の距離の最大値や最小値をクラスタ距離とすることもできる。 Subsequently, the second summary processing unit 9 calculates the distance between the clusters for all the selected combinations of clusters that are candidates for grouping (S203). That is, the second summary processing unit 9 selects a cluster set from the candidates for the second summary processing, and calculates the distance between the representative positions of each cluster. The distance between the clusters can be defined by, for example, the distance between the centroids of the cases, but the maximum value or the minimum value of the distances between the cases belonging to each cluster can be used as the cluster distance.
第２まとめ処理部９は、第２まとめ処理が行なわれていないクラスタ組について、クラスタ間距離が最小で、かつ所定閾値Ｌ以下のクラスタ組を選定する（Ｓ２０４）。すなわち、第２まとめ処理部９は、まずクラスタ間距離が小さい順にクラスタ組を選別し、その距離が閾値Ｌ以下であり、かつまとめ上げ判定処理がまだ適用されていないことを判定して、条件にマッチするクラスタ組を出力する。ここで用いる閾値Ｌは、同一の要因である可能性があるかどうかを判定する基準であり、例えば、５０ｍといった値である。このような値であれば、通常の場合は、それぞれ別の交差点付近に作成されたクラスタがまとめられてしまうことがなくなるので都合がよい。 The second summary processing unit 9 selects a cluster set having a minimum inter-cluster distance and a predetermined threshold value L or less for the cluster sets that have not been subjected to the second summary process (S204). That is, the second summarization processing unit 9 first selects a cluster set in ascending order of the intercluster distance, determines that the distance is equal to or less than the threshold L, and the summarization determination process has not yet been applied. Output a cluster set that matches. The threshold value L used here is a criterion for determining whether or not there is a possibility that the factor is the same, for example, a value such as 50 m. Such a value is convenient because, normally, clusters created near different intersections are not collected.
適合するクラスタ組が存在しない場合は（Ｓ２０５）、第２まとめ処理部９は、処理を終了する（Ｓ２０５：Ｎｏ）。すなわち、第２まとめ処理部９は、選別したクラスタ組のクラスタ間距離が閾値Ｌを越えてしまった時点で、第２まとめ処理部９は、第２まとめ処理を終了し、処理を図１６のフローチャートのＳ１８３に戻す。 If there is no matching cluster set (S205), the second summary processing unit 9 ends the process (S205: No). That is, when the intercluster distance of the selected cluster set exceeds the threshold L, the second summarization processing unit 9 ends the second summarization processing, and the processing is performed as shown in FIG. Return to S183 in the flowchart.
第２まとめ処理の候補となるクラスタ組がある場合には（Ｓ２０５：Ｙｅｓ）、選定したクラスタ組において、進行方向前方エリアが共通するかどうかの、まとめ上げ判定を行なう（Ｓ２０６）。まとめ上げ判定の詳細については、後述する。 If there is a cluster group that is a candidate for the second summarization process (S205: Yes), it is determined whether or not the selected cluster group has a common front area in the traveling direction (S206). Details of the grouping determination will be described later.
進行方向前方エリアが同一であると判定された場合には（Ｓ２０７：Ｙｅｓ）、そのクラスタを一つにまとめ、新たに生成したクラスタの重心及び代表ベクトル、及び他のクラスタとのクラスタ間距離を再計算して前ステップに戻る。また進行方向前方エリアが同一でないと判定された場合には（Ｓ２０７：Ｎｏ）、対象となったクラスタ組について、まとめ上げ判定処理済フラグを付与して前ステップに戻る。 When it is determined that the front area in the traveling direction is the same (S207: Yes), the clusters are combined into one, and the centroid and representative vector of the newly generated cluster and the inter-cluster distance from other clusters are determined. Recalculate and return to the previous step. If it is determined that the forward area in the traveling direction is not the same (S207: No), a grouping determination processing completion flag is assigned to the target cluster set and the process returns to the previous step.
ここで、第２まとめ処理について、図４の例を参照しながらさらに説明する。上述のように、Ｓ２０４からＳ２０９の処理はループとして繰り返される。最初のループにおいては、第２まとめ処理としてのまとめ上げ判定処理を一回も行なっていないので、第２まとめ処理部９は、Ｓ２０４において、クラスタ間距離が最小で、かつ閾値Ｌ以下であるクラスタ組を判定処理候補として選別する。図４の例では、クラスタＢとクラスタＣの組が、判定処理候補として選別される。 Here, the second summary process will be further described with reference to the example of FIG. As described above, the processing from S204 to S209 is repeated as a loop. In the first loop, since the grouping determination process as the second grouping process has not been performed once, the second grouping process unit 9 determines in S204 that the cluster distance between the clusters is minimum and is equal to or less than the threshold value L. A set is selected as a candidate for determination processing. In the example of FIG. 4, a set of cluster B and cluster C is selected as a determination process candidate.
第２まとめ処理部９は、Ｓ２０６で、クラスタＢとクラスタＣのまとめ上げ判定処理を行なう。図４の例では、クラスタＢとクラスタＣは、互いに離れる方向に進行している事例で構成されているので、まとめ上げ条件にマッチしない。よって、第２まとめ処理部９は、まとめ上げを行なわず、Ｓ２０７でＮｏに進み、Ｓ２０９で判定処理済クラスタ組としてフラグを付与し、ループを戻ってＳ２０４から処理を繰り返す。 The second summary processing unit 9 performs cluster B and cluster C grouping determination processing in S206. In the example of FIG. 4, the cluster B and the cluster C are configured in the case of progressing in directions away from each other, and therefore do not match the grouping condition. Therefore, the second summarization processing unit 9 does not perform summarization, proceeds to No in S207, assigns a flag as a determined cluster set in S209, returns to the loop, and repeats the processing from S204.
次のループのＳ２０４において、まとめ上げ判定処理を行なっていないクラスタ組でクラスタ間距離が最小となるクラスタＡとクラスタＢは、クラスタ間距離が閾値Ｌ以下であるので、この組を判定処理候補として選別する。第２まとめ処理部９は、Ｓ２０６で、クラスタＡとクラスタＢのまとめ上げ判定処理を行なう。結果として、両方のクラスタは互いに近付く方向の事例で構成されており、まとめ上げ条件にマッチする。そこで、第２まとめ処理部９は、Ｓ２０８で、この両者をまとめ上げてクラスタＡＢを作成し、重心及び代表ベクトルを算出する。この時、クラスタＡとクラスタＢとは、進行方向がほぼ逆であるため、代表ベクトルは「不定」となる。さらに第２まとめ処理部９は、さらに他のクラスタとのクラスタ間距離を算出する。なお、この時点で他のクラスタはクラスタＣのみであるため、第２まとめ処理部９は、クラスタＡＢとクラスタＣとのクラスタ間距離を算出する。 In S204 of the next loop, since the intercluster distance is the threshold L or less for the cluster A and the cluster B in which the intercluster distance is the minimum in the cluster group for which the grouping determination processing is not performed, this group is determined as a determination processing candidate Sort out. The second summary processing unit 9 performs cluster A and cluster B grouping determination processing in S206. As a result, both clusters are composed of cases in a direction approaching each other, and match the grouping conditions. Therefore, in S208, the second summary processing unit 9 creates a cluster AB by collecting both of them, and calculates the center of gravity and the representative vector. At this time, since the traveling directions of the cluster A and the cluster B are substantially opposite, the representative vector is “undefined”. Further, the second summary processing unit 9 calculates an inter-cluster distance from another cluster. At this time, since the other cluster is only the cluster C, the second summary processing unit 9 calculates the intercluster distance between the cluster AB and the cluster C.
さらにループを戻って、第２まとめ処理部９は、クラスタ間距離が最小で、かつ閾値Ｌ以下の未判定クラスタ組を選別する。上述のように、この時点でクラスタは２つしかないので、第２まとめ処理部９は、Ｓ２０５において、クラスタＡＢとクラスタＣについて候補となるか否か判定する。ここでは、クラスタＡＢとクラスタＣのクラスタ組は未判定クラスタ組であり、かつクラスタ間距離が閾値Ｌ以下であるので、判定処理候補となる。 Further, returning to the loop, the second summary processing unit 9 selects an undetermined cluster set having a minimum inter-cluster distance and a threshold value L or less. As described above, since there are only two clusters at this time, the second summary processing unit 9 determines whether or not the cluster AB and the cluster C are candidates in S205. Here, since the cluster set of the cluster AB and the cluster C is an undetermined cluster set and the inter-cluster distance is equal to or less than the threshold value L, it becomes a determination processing candidate.
第２まとめ処理部９は、Ｓ２０６において、クラスタＡＢとクラスタＣに対して、まとめ上げ判定処理を行なう。クラスタＡＢについては、代表ベクトルが「不定」であるので、まとめ上げの条件を満たしているが、クラスタＣはクラスタＡＢより遠ざかる方向の事例で構成されており、条件を満たさない。結果として、第２まとめ処理部９は、まとめ上げ処理を行なわず、Ｓ２０９において、この組を判定処理済としてＳ２０４に戻る。Ｓ２０５のまとめ上げ判定候補選別処理において、候補となるクラスタ組が存在しないので、第２まとめ処理部９は、処理を終了する。 The second summary processing unit 9 performs a grouping determination process on the cluster AB and the cluster C in S206. For cluster AB, since the representative vector is “undefined”, the condition for grouping is satisfied, but cluster C is configured with an example in a direction away from cluster AB, and does not satisfy the condition. As a result, the second summarization processing unit 9 does not perform the summarization process, and returns to S204 as determining that this group has been determined in S209. In the grouping determination candidate selection process of S205, since there is no candidate cluster set, the second summary processing unit 9 ends the process.
以上の処理により、図４の例から、図６のように２つのクラスタＡＢとクラスタＣとが生成される。このとき、クラスタＡＢは、コンビニを要因とする事例、例えば、前方車両がコンビニに入ろうとして予期せぬ減速をしたので、慌てて急ブレーキをかけた等の事例から構成されていると推定される。一方、クラスタＣは、バス停を要因とする事例、例えば、バス停に停車しようとする路線バスが減速したので慌てて急ブレーキをかけた事例や、停車したバスの影からの歩行者飛び出しによる急ブレーキの事例から構成されていると推定される。つまり、発生要因別に事例をクラスタリングすることができたといえる。 Through the above processing, two clusters AB and C are generated from the example of FIG. 4 as shown in FIG. At this time, it is presumed that the cluster AB is composed of cases caused by a convenience store, for example, a case where a forward vehicle decelerated unexpectedly trying to enter a convenience store and suddenly braked suddenly. . On the other hand, cluster C is a case where a bus stop is a factor, for example, a case where a route bus that tries to stop at a bus stop decelerates and suddenly brakes, or a case where a pedestrian jumps out from the shadow of a stopped bus. It is estimated that it is composed of cases. In other words, it can be said that the cases could be clustered according to the occurrence factors.
次に、Ｓ２０６のまとめ上げ判定について、図１９を参照しながら説明する。図１９は、まとめ上げ判定処理を示すフローチャートである。ここでは、第２まとめ処理部９は、選別したクラスタ組の進行方向前方エリアが同一かどうかの判定を行なう。第２まとめ処理部９は、進行方向前方エリアが同一であるクラスタ組はまとめあげて新たなクラスタを生成して、代表ベクトル及び他のクラスタとの距離を算出する。第２まとめ処理部９は、進行方向前方エリアが同一でないクラスタ組については、まとめ上げを行なわず、まとめ上げ判定処理済クラスタとして記録する。 Next, the grouping determination in S206 will be described with reference to FIG. FIG. 19 is a flowchart showing the grouping determination process. Here, the second summary processing unit 9 determines whether the selected cluster sets have the same traveling direction front area. The second summary processing unit 9 collects cluster groups having the same forward area in the traveling direction, generates a new cluster, and calculates the distance between the representative vector and another cluster. The second summarization processing unit 9 records the cluster groups that have the same traveling area front area as the cluster that has been subjected to the summarization determination processing without performing the summarization.
図１９においては、クラスタＡとクラスタＢの組が第２まとめ処理の候補である場合について説明している。クラスタＡ、クラスタＢの代表ベクトルの始点、すなわち各事例の重心を、重心Ｍａ、Ｍｂ、終点を、点Ｅａ、Ｅｂとする。ただし、代表ベクトルが「不定」である場合には、終点は定義されない。 FIG. 19 illustrates a case where a set of cluster A and cluster B is a candidate for the second summary process. The starting points of the representative vectors of cluster A and cluster B, that is, the centroids of the cases are defined as centroids Ma and Mb, and the ending points are defined as points Ea and Eb. However, when the representative vector is “undefined”, the end point is not defined.
図１９に示すように、第２まとめ処理部９は、クラスタＡ、Ｂそれぞれの代表ベクトルを算出する（Ｓ２１１）とともに、算出された２つの代表ベクトルが「不定」であるか否か判別する（Ｓ２１２）。 As shown in FIG. 19, the second summary processing unit 9 calculates representative vectors of the clusters A and B (S211), and determines whether or not the two calculated representative vectors are “indefinite” ( S212).
２つの代表ベクトルが「不定」の場合には（Ｓ２１２：Ｙｅｓ）、第２まとめ処理部９は、重心間距離が閾値ｒ以下か否か判別する（Ｓ２１３）。重心間距離が閾値ｒ以下の場合には（Ｓ２１３：Ｙｅｓ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げ処理を行う」という判定を返す。閾値ｒ以下でない場合には（Ｓ２１３：Ｎｏ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げ処理を行わない」という判定を返す。 When the two representative vectors are “indefinite” (S212: Yes), the second summary processing unit 9 determines whether or not the distance between the centers of gravity is equal to or less than the threshold value r (S213). When the distance between the centers of gravity is equal to or less than the threshold value r (S213: Yes), the second summary processing unit 9 returns to the process of FIG. 18 and returns a determination of “performs the grouping process”. If it is not equal to or less than the threshold value r (S213: No), the second summary processing unit 9 returns to the process of FIG. 18 and returns a determination that “the grouping process is not performed”.
Ｓ２１２において、算出された２つの代表ベクトルが「不定」でない場合には（Ｓ２１２：Ｎｏ）、第２まとめ処理部９は、クラスタＡの代表ベクトルが「不定」であるか否か判別する（Ｓ２１４）。クラスタＡの代表ベクトルが「不定」でない場合には（Ｓ２１４：Ｎｏ）、第２まとめ処理部９は、Ｓ２１５に処理を進める。クラスタＡの代表ベクトルが「不定」である場合には（Ｓ２１４：Ｙｅｓ）、第２まとめ処理部９は、Ｓ２１６に処理を進める。 In S212, when the calculated two representative vectors are not “indefinite” (S212: No), the second summary processing unit 9 determines whether or not the representative vector of cluster A is “indefinite” (S214). ). If the representative vector of cluster A is not “undefined” (S214: No), the second summary processing unit 9 advances the process to S215. If the representative vector of cluster A is “indefinite” (S214: Yes), the second summary processing unit 9 advances the process to S216.
Ｓ２１５では、第２まとめ処理部９は、重心Ｍａと重心Ｍｂとの距離が、以下の式３を満たすか否か判別する。
重心Ｍａと重心Ｍｂ間の距離＞終点Ｅａと重心Ｍｂ間の距離・・・（式３）
In S215, the second summary processing unit 9 determines whether or not the distance between the center of gravity Ma and the center of gravity Mb satisfies the following Expression 3.
Distance between centroid Ma and centroid Mb> Distance between end point Ea and centroid Mb (Expression 3)
図２０は、式３の説明を補足するための図である。図２０において、重心Ｍａと重心Ｍｂ間の距離は距離Ｘ０で表され、終点Ｅａと重心Ｍｂ間の距離は、距離Ｘ１で表される。よって、式３を満たす場合、クラスタＡの代表ベクトルの方向の前方と、クラスタＢの代表ベクトルの方向の前方とは一致していると判定される。 FIG. 20 is a diagram for supplementing the explanation of Expression 3. In FIG. 20, the distance between the center of gravity Ma and the center of gravity Mb is represented by a distance X0, and the distance between the end point Ea and the center of gravity Mb is represented by a distance X1. Therefore, when Expression 3 is satisfied, it is determined that the front in the direction of the representative vector of cluster A matches the front in the direction of the representative vector of cluster B.
式３を満たす場合には（Ｓ２１５：Ｙｅｓ）、第２まとめ処理部９は、処理をＳ２１６に進める。式３を満たさない場合には（Ｓ２１５：Ｎｏ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げを行わない」という判定を返す。 When Expression 3 is satisfied (S215: Yes), the second summary processing unit 9 advances the process to S216. When Expression 3 is not satisfied (S215: No), the second summary processing unit 9 returns to the process of FIG. 18 and returns a determination that “no grouping is performed”.
Ｓ２１６では、第２まとめ処理部９は、クラスタＢの代表ベクトルが「不定」であるか否か判別する。クラスタＢの代表ベクトルが「不定」でない場合には（Ｓ２１６：Ｎｏ）、第２まとめ処理部９は、Ｓ２１７に処理を進める。クラスタＢの代表ベクトルが「不定」である場合には（Ｓ２１６：Ｙｅｓ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げ処理を行う」という判定を返す。 In S216, the second summary processing unit 9 determines whether or not the representative vector of the cluster B is “indefinite”. When the representative vector of the cluster B is not “indefinite” (S216: No), the second summary processing unit 9 advances the process to S217. When the representative vector of the cluster B is “undefined” (S216: Yes), the second summary processing unit 9 returns to the process of FIG. 18 and returns a determination of “performs the grouping process”.
Ｓ２１７においては、第２まとめ処理部９は、以下の式４を満たすか否か判別する。
重心Ｍｂと重心Ｍａ間の距離＞終点Ｅｂと重心Ｍａとの距離・・・（式４）
In S217, the second summary processing unit 9 determines whether or not the following Expression 4 is satisfied.
Distance between centroid Mb and centroid Ma> Distance between end point Eb and centroid Ma (Expression 4)
図２０において、重心Ｍｂと重心Ｍａ間の距離は距離Ｘ０で表され、終点Ｅｂと重心Ｍａ間の距離は、距離Ｘ２で表される。よって、式４を満たす場合、クラスタＡの代表ベクトルの方向の前方と、クラスタＢの代表ベクトルの方向の前方とは一致していると判定される。 In FIG. 20, the distance between the center of gravity Mb and the center of gravity Ma is represented by a distance X0, and the distance between the end point Eb and the center of gravity Ma is represented by a distance X2. Therefore, when Expression 4 is satisfied, it is determined that the front in the direction of the representative vector of cluster A matches the front in the direction of the representative vector of cluster B.
式４を満たす場合には（Ｓ２１７：Ｙｅｓ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げを行う」という判定を返す。式４を満たさない場合には（Ｓ２１７：Ｎｏ）、第２まとめ処理部９は、図１８の処理に戻って、「まとめ上げを行わない」という判定を返す。 When Expression 4 is satisfied (S217: Yes), the second summary processing unit 9 returns to the process of FIG. When Expression 4 is not satisfied (S217: No), the second summary processing unit 9 returns to the processing of FIG. 18 and returns a determination that “no grouping is performed”.
以上の処理をまとめると、第２まとめ処理部９は、以下の３つの条件を全て満たす場合に、まとめ上げを行なうことになる。
条件１） 少なくとも一方の代表ベクトルが「不定」でないか、両方が「不定」でかつ重心Ｍａと重心Ｍｂ間の距離が所定の閾値ｒ以下である。ここで、閾値ｒは、二つのクラスタの重心が一致しているかどうかを判定する基準であり、例えば、１０ｍといった小さな値を設定する。
条件２） クラスタＡの代表ベクトルが「不定」であるか、上記式３を満たす。
条件３） クラスタＢの代表ベクトルが「不定」であるか、上記式４を満たす。
To summarize the above processing, the second summarization processing unit 9 performs summarization when all of the following three conditions are satisfied.
Condition 1) At least one representative vector is not “undefined”, or both are “undefined”, and the distance between the center of gravity Ma and the center of gravity Mb is equal to or less than a predetermined threshold value r. Here, the threshold value r is a criterion for determining whether or not the centroids of two clusters coincide with each other, and is set to a small value such as 10 m, for example.
Condition 2) The representative vector of the cluster A is “indefinite” or satisfies the above formula 3.
Condition 3) The representative vector of the cluster B is “indefinite” or satisfies the above formula 4.
実施例として判定条件を以上のように定式化したが、要するに２つのクラスタが互いに接近する方向の事例で構成されているかどうかを判定しているといえる。 Although the determination conditions are formulated as described above as an example, in short, it can be said that it is determined whether or not two clusters are configured with examples in directions in which they approach each other.
図２１、図２２は、本実施の形態による事例出力の一例を示す図である。図２１に示すように、出力部１３は、例えば、表示例２２０を表示する。すなわち、出力部１３は、例えば、検知した多発地点に属する事例の発生位置を地図上にマッピングして表示例２２０として、表示装置やプリンタ等を用いてユーザに提示する。図２１の例では、例えば、多発地点２２２と多発地点２２４が「黒丸」で示されている。 21 and 22 are diagrams illustrating an example of case output according to the present embodiment. As shown in FIG. 21, the output unit 13 displays a display example 220, for example. That is, for example, the output unit 13 maps the occurrence positions of the cases belonging to the detected frequent occurrence points on the map and presents them to the user as a display example 220 using a display device, a printer, or the like. In the example of FIG. 21, for example, the frequent occurrence point 222 and the frequent occurrence point 224 are indicated by “black circles”.
図２２においては、さらに、多発地点２２２、多発地点２２４に含まれる事例の位置、進行方向、多発地点２２２、多発地点２２４に対応するクラスタの境界線となる図形（例えば、事例を最小包含する楕円） も表示している。これらは、例えば表示例２２０にお
いて、多発地点２２２の詳細表示を入出力インタフェース１５を介して指示することにより表示されるようにしてもよい。
In FIG. 22, the locations of the frequent occurrence points 222 and the frequent occurrence points 224, the traveling direction, and the graphics that serve as the boundary lines of the clusters corresponding to the frequent occurrence points 222 and 224 (for example, an ellipse that includes the smallest case) ) Is also displayed. These may be displayed, for example, by instructing detailed display of the frequent occurrence points 222 via the input / output interface 15 in the display example 220.
上記実施の形態において、第１まとめ処理部７は、第１の分類部の一例であり、第２まとめ処理部９は、第２の分類部の一例であり、多発地点検知部１１は、検知部の一例であり、出力部１３は、出力部、および表示部の一例である。 In the said embodiment, the 1st summary process part 7 is an example of a 1st classification | category part, the 2nd summary process part 9 is an example of a 2nd classification | category part, and the frequent occurrence point detection part 11 is detection. The output unit 13 is an example of an output unit and a display unit.
以上説明したように、本実施の形態による危険検知装置１においては、従来のクラスタリングに代わり、上記のように第１のまとめ処理および第２のまとめ処理の２段階のまとめ処理を適用して、クラスタリングを行う。すなわち、第１まとめ処理として、危険検知装置１は、進行方向がほぼ同一で、かつ発生位置が近い事例を、進行方向および発生位置の同一性があるとしてまとめあげ、第１段階のクラスタを作成する。第１段階のクラスタの組み合わせについて、危険検知装置１は、クラスタ間距離が小さく、かつ進行方向前方エリアが共通するクラスタ組をまとめあげて、新たなクラスタを作成する。さらに、第２まとめ処理の処理結果において、危険検知装置１は、事例数が多いクラスタを多発地点として検知することにより、要因別に分割された多発地点を得る。 As described above, in the danger detection device 1 according to the present embodiment, instead of the conventional clustering, the two-stage summarization process of the first summarization process and the second summarization process is applied as described above, Perform clustering. That is, as the first summarization process, the danger detection device 1 creates a first-stage cluster by summarizing the cases in which the traveling direction is substantially the same and the occurrence position is close as the traveling direction and the occurrence position are identical. . Regarding the first-stage cluster combination, the danger detection apparatus 1 creates a new cluster by collecting cluster groups having a small inter-cluster distance and a common front area in the traveling direction. Furthermore, in the processing result of the second summary process, the danger detection device 1 detects a cluster having a large number of cases as a frequent occurrence point, thereby obtaining a frequent occurrence point divided by factors.
以上のように、本実施の形態による危険検知装置１によれば、発生位置が近く、かつ発生要因が同一の事例をまとめたクラスタを作成することができる。すなわち、危険検知装置１は、発生位置は近いが発生要因が異なる事例を分離したクラスタを作成でき、発生要因の検討を行なうのに適した多発地点検知が実現される。このとき、多発地点を表示する際に、地図をグリッドにより区切って、グリッドごとの事例数を計数するわけではないので、実際の状況により近い表示を行なうことができる。 As described above, according to the danger detection device 1 according to the present embodiment, it is possible to create a cluster in which cases where the occurrence positions are close and the occurrence factors are the same are collected. In other words, the danger detection device 1 can create a cluster in which cases where the generation factors are close but the generation factors are different are separated, and multi-site detection suitable for examining the generation factors is realized. At this time, when the frequent occurrence points are displayed, the map is not divided by the grid and the number of cases for each grid is not counted, so that a display closer to the actual situation can be performed.
また、車両の進行方向、および車両の前方領域の共通性に基づき分類を行うので、車両の進行方向を事例発生位置とともに表示することにより、要因が理解されやすい表示とすることができる。 Further, since the classification is performed based on the traveling direction of the vehicle and the commonality of the front area of the vehicle, by displaying the traveling direction of the vehicle together with the case occurrence position, it is possible to make the display easy to understand the factor.
（変形例）
以下、図２３から図２５を参照しながら、上記実施の形態の変形例について説明する。本変形例は、図１７を参照しながら説明した第１まとめ処理の変形例である。本変形例において、上記実施の形態と同様の構成および動作については、重複説明を省略する。
(Modification)
Hereinafter, a modification of the above embodiment will be described with reference to FIGS. This modification is a modification of the first summary process described with reference to FIG. In this modification, redundant description of the same configurations and operations as those in the above embodiment will be omitted.
本変形例は、上述の実施の形態における第１まとめ処理のクラスタリング手法において所定とした閾値Ｌ等の条件について、値を色々に変えてクラスタリングを行なう変形例である。この変形例においては、入力とした行列の情報が、クラスタリング結果においてどの程度保持されているかという観点に基づく既存のクラスタリング評価手法を適用する。このような評価手法においては、評価が最大となる閾値を自動的に算出して、その値を用いた時のクラスタリング結果を処理結果とすることが可能である。 This modification is a modification in which clustering is performed by changing the values for various conditions such as the threshold value L that are predetermined in the clustering method of the first summary process in the above-described embodiment. In this modification, an existing clustering evaluation method based on the degree of how much information about the input matrix is retained in the clustering result is applied. In such an evaluation method, it is possible to automatically calculate a threshold value that maximizes the evaluation, and use a clustering result when the value is used as a processing result.
図２３は、クラスタの大きさの算出例を示す図、図２４は、クラスタ間の距離の算出例を示す図である。図２３に示すように、クラスタ２５０において、発生位置２５１〜２５３の事例が存在しているとする。このとき、クラスタ２５０の「大きさ」は、事例間の距離の最大値とする。すなわち、図２３における発生位置２５１と発生位置２５２との距離ｄ１２、発生位置２５２と発生位置２５３との距離ｄ２３、発生位置２５１と発生位置２５３との距離ｄ１３の中の最大値である距離ｄ２３となる。 FIG. 23 is a diagram illustrating an example of calculating the size of a cluster, and FIG. 24 is a diagram illustrating an example of calculating a distance between clusters. As shown in FIG. 23, it is assumed that there are cases of occurrence positions 251 to 253 in the cluster 250. At this time, the “size” of the cluster 250 is the maximum distance between cases. That is the maximum value of the distance d 13 between the distance d 12, the distance d 23 between the generation position 252 and generating position 253, the generation position 251 and generating the position 253 of the occurrence position 252 and generating the position 251 in FIG. 23 the distance d 23.
図２４に示すように、ここでのクラスタ間の距離は、それぞれのクラスタに属する事例間の距離の最小値で定義する。図２４の例では、クラスタ２６０とクラスタ２７０とが存在し、それぞれ発生位置２６１、発生位置２６２、発生位置２６３、および発生位置２７１、発生位置２７２が含まれる。この場合には、発生位置２６１と発生位置２７１との間の距離Ｐ１２を、クラスタ間の距離とする。 As shown in FIG. 24, the distance between clusters here is defined by the minimum value of the distance between cases belonging to each cluster. In the example of FIG. 24, there are a cluster 260 and a cluster 270, which include a generation position 261, a generation position 262, a generation position 263, a generation position 271, and a generation position 272, respectively. In this case, the distance P 12 between the generation position 261 and generating position 271, the distance between the clusters.
第１まとめ処理部７は、上記クラスタの「大きさ」を全クラスタで算出し、その最大値をｄｍａｘとする。また、上記クラスタ間の距離を全クラスタ組で算出し、その最小値をＰｍｉｎとする。このとき、クラスタリング結果の評価値の一例として以下の式５で表されるＤｕｍｍ Ｉｎｄｅｘ（以下、評価値ＤＩという）を用いる。
ＤＩ＝Ｐｍｉｎ／ｄｍａｘ ・・・（式５）
この評価値ＤＩが大きいほど、適切なクラスタリングであるといえる。
The first summary processing unit 7 calculates the “size” of the cluster for all clusters, and sets the maximum value to dmax. Further, the distance between the clusters is calculated for all cluster groups, and the minimum value is Pmin. At this time, a Dumm Index (hereinafter referred to as an evaluation value DI) represented by the following Expression 5 is used as an example of the evaluation value of the clustering result.
DI = Pmin / dmax (Formula 5)
It can be said that the larger the evaluation value DI is, the more appropriate clustering is.
図２５は、クラスタリングに評価値を導入する場合の処理を示すフローチャートである。図２５に示すように、本変形例においては、図１７を参照しながら説明した上記実施の形態の第１まとめ処理において、上記評価値を用いた処理を行う。図２５におけるＳ２８１〜Ｓ２８４の処理は、図１７のＳ１９１〜Ｓ１９４の処理と同様であるので、重複説明を省略する。 FIG. 25 is a flowchart showing processing when an evaluation value is introduced into clustering. As shown in FIG. 25, in this modification, the process using the evaluation value is performed in the first summary process of the embodiment described with reference to FIG. The processes in S281 to S284 in FIG. 25 are the same as the processes in S191 to S194 in FIG.
図２５において、第１まとめ処理部７は、評価値を算出する。このとき、上記のように、Ｓ２８２で設定された行列のｉｊ成分Ｄｉｊに関する閾値Ｌに基づき第１まとめ処理を行った結果に関して、第１まとめ処理部７は、全てのクラスタの大きさを算出し、最大値ｄｍａｘを求める。また、第１まとめ処理部７は、全クラスタ組において、クラスタ間の距離を算出し、最小値Ｐｍｉｎを求める。第１まとめ処理部７は、算出した最大値ｄｍａｘと最小値Ｐｍｉｎとから、式５に基づき評価値ＤＩを算出する。 In FIG. 25, the first summary processing unit 7 calculates an evaluation value. At this time, as described above, the first summarization processing unit 7 calculates the sizes of all the clusters with respect to the result of the first summarization processing based on the threshold L regarding the ij component Dij of the matrix set in S282. The maximum value dmax is obtained. In addition, the first summary processing unit 7 calculates the distance between clusters in all cluster sets to obtain the minimum value Pmin. The first summary processing unit 7 calculates an evaluation value DI from the calculated maximum value dmax and minimum value Pmin based on Equation 5.
第１まとめ処理部７は、算出した評価値ＤＩが、事例情報記憶部３に格納されている評価値ＤＩよりもよい（大きい）か否かを判別する（Ｓ２８６）。よい場合には（Ｓ２８６：Ｙｅｓ）、第１まとめ処理部７は、評価値ＤＩと、クラスタリングの結果を事例情報記憶部３に格納する（Ｓ２８７）。よくない場合には（Ｓ２８６：Ｎｏ）、閾値Ｌを別の値に更新する（Ｓ２８８）。 The first summary processing unit 7 determines whether or not the calculated evaluation value DI is better (larger) than the evaluation value DI stored in the case information storage unit 3 (S286). If it is good (S286: Yes), the first summary processing unit 7 stores the evaluation value DI and the result of clustering in the case information storage unit 3 (S287). If not good (S286: No), the threshold L is updated to another value (S288).
第１まとめ処理部７は、処理が終了したか否か判別する（Ｓ２８９）。終了していなければ、Ｓ２８３に戻って処理を繰り返し（Ｓ２８９：Ｎｏ）、終了した場合には（Ｓ２８９：Ｙｅｓ）、事例情報記憶部３に格納された結果、すなわち、各連結部分グラフをそれぞれクラスタとして出力する（Ｓ２９０）。この結果は、例えば図５の第１まとめ情報６０の形式で出力される。第１まとめ処理部７は、処理を図１６のフローチャートのＳ１８２の処理に戻す。 The first summary processing unit 7 determines whether or not the processing is completed (S289). If not completed, the process returns to S283 and repeats the process (S289: No), and if completed (S289: Yes), the result stored in the case information storage unit 3, that is, each connected subgraph is clustered. Is output as (S290). This result is output, for example, in the format of the first summary information 60 of FIG. The first summary processing unit 7 returns the process to the process of S182 in the flowchart of FIG.
以上説明したように、本変形例によれば、上記実施の形態における第１まとめ処理において、クラスタリングの評価値を設け、評価値がよくなるように閾値を最適化するようにしている。これにより、より適切に要因に基づいた分類を行なうことができる。 As described above, according to the present modification, in the first summary process in the above embodiment, the evaluation value for clustering is provided, and the threshold value is optimized so that the evaluation value is improved. Thereby, the classification based on the factor can be performed more appropriately.
なお、本発明は、以上に述べた実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内で種々の構成または実施形態を採ることができる。例えば、上記実施の形態においては、第１まとめ処理および第２まとめ処理を行う例について説明したが、第１まとめ処理のみに基づき危険検知を行う方法でもよい。すなわち、第１まとめ処理により分類されたクラスタについて、多発地点判定情報９０による判定を行い、結果を多発地点として出力するようにしてもよい。 The present invention is not limited to the embodiments described above, and various configurations or embodiments can be adopted without departing from the gist of the present invention. For example, in the above-described embodiment, an example in which the first summarization process and the second summarization process are performed has been described. However, a method of performing danger detection based only on the first summarization process may be used. That is, the cluster classified by the first summary process may be determined by the frequent occurrence point determination information 90 and the result may be output as the frequent occurrence point.
また、事例の発生位置、車両の進行方向といった事例情報以外にも、発生時間帯や、当時の天候情報等も記録されているデータベースを用いて、例えば、処理対象とする事例を夜間での発生事例のみとすることで、「夜間走行時の多発地点」を検知することもできる。 In addition to case information such as the location of the case and the traveling direction of the vehicle, using a database in which the time of occurrence and the weather information at that time are recorded, for example, cases to be processed are generated at night. By using only examples, it is possible to detect “multiple spots during night driving”.
進行方向による行列の補正方法は、式１、式２に示した上述の方法に限定されることはなく、様々な方法が適用可能である。また、入力された行列に適用するクラスタリング方法においても、上述の最近傍法に限らず、他の既存のクラスタリングアルゴリズムが適用可能である。 The matrix correction method according to the traveling direction is not limited to the above-described methods shown in Equations 1 and 2, and various methods can be applied. Further, the clustering method applied to the input matrix is not limited to the above-mentioned nearest neighbor method, and other existing clustering algorithms can be applied.
なお、また、事例の多発地点の判定方法は、上記実施の形態および変形例のみに限られるものではなく、進行方向前方エリアの一致性を判定するという考え方に反しない限りにおいて、様々な方法が適用できる。例えば、事例発生時に記録された前方画像を用いて、画像に写っているエリアが共通するものをまとめる、といった方式も考えられる。 In addition, the determination method of the frequent occurrence point of the case is not limited to the above-described embodiment and the modification example, and various methods can be used as long as it does not contradict the idea of determining the coincidence of the forward direction area. Applicable. For example, a method may be considered in which the front images recorded at the time of occurrence of the case are used to collect the common areas in the image.
多発地点の判定においては、例えば、Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ（ＧＵＩ）等の入出力インタフェース１５によって、随時入力された件数以上のクラスタを多発地点とする方法でもよい。また、クラスタを件数でソートし、入出力インタフェース１５によって入力された順位以上のクラスタを多発地点とする方法等も考えられる。また、事例が発生していない場合も含めて、当該クラスタの領域を通過した回数を事例情報記憶部３に記録するようにしてもよい。このとき、記録した情報を用いて、クラスタ毎に事例数を通過回数で割った事例発生確率を算出し、発生確率が閾値以上のクラスタを多発地点としたり、発生確率順にクラスタを並べ替え、指定順位以上のクラスタを多発地点とみなすことも可能である。また、表示例については、既存方式を流用した変形例が可能である。 In the determination of the frequent occurrence points, for example, a method may be used in which more than the number of clusters input at any time by the input / output interface 15 such as Graphic User Interface (GUI) is set as the frequent occurrence points. In addition, a method of sorting the clusters by the number of cases and setting clusters having ranks higher than the rank input by the input / output interface 15 as a frequent occurrence point is also conceivable. In addition, the number of times of passing through the cluster area may be recorded in the case information storage unit 3 including the case where no case has occurred. At this time, using the recorded information, calculate the probability of case occurrence by dividing the number of cases for each cluster by the number of passes, and select clusters with occurrence probabilities equal to or higher than the threshold, or rearrange the clusters in order of occurrence probability and specify It is also possible to regard clusters with higher ranks as frequent occurrence points. Moreover, about the example of a display, the modification which diverted the existing system is possible.
ここで、上記実施の形態、および変形例による危険検知方法の動作をコンピュータに行わせるために共通に適用されるコンピュータの例について説明する。図２６は、標準的なコンピュータのハードウエア構成の一例を示すブロック図である。図２６に示すように、コンピュータ３００は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）３０２、メモリ３０４、入力装置３０６、出力装置３０８、外部記憶装置３１２、媒体駆動装置３１４、ネットワーク接続装置等がバス３１０を介して接続されている。 Here, an example of a computer that is commonly applied to cause a computer to perform the operation of the danger detection method according to the embodiment and the modification will be described. FIG. 26 is a block diagram illustrating an example of a hardware configuration of a standard computer. As shown in FIG. 26, a computer 300 includes a central processing unit (CPU) 302, a memory 304, an input device 306, an output device 308, an external storage device 312, a medium driving device 314, a network connection device, and the like via a bus 310. It is connected.
ＣＰＵ３０２は、コンピュータ３００全体の動作を制御する演算処理装置である。メモリ３０４は、コンピュータ３００の動作を制御するプログラムを予め記憶したり、プログラムを実行する際に必要に応じて作業領域として使用したりするための記憶部である。メモリ３０４は、例えばＲａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）、Ｒｅａｄ
Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）等である。入力装置３０６は、コンピュータの使用者により操作されると、その操作内容に対応付けられている使用者からの各種情報の入力を取得し、取得した入力情報をＣＰＵ３０２に送付する装置であり、例えばキーボード装置、マウス装置などである。出力装置３０８は、コンピュータ３００による処理結果を出力する装置であり、表示装置などが含まれる。例えば表示装置は、ＣＰＵ３０２により送付される表示データに応じてテキストや画像を表示する。
The CPU 302 is an arithmetic processing unit that controls the operation of the entire computer 300. The memory 304 is a storage unit for storing in advance a program for controlling the operation of the computer 300 or using it as a work area when necessary when executing the program. The memory 304 is, for example, Random Access Memory (RAM), Read
For example, only memory (ROM). The input device 306 is a device that, when operated by a computer user, acquires various information input from the user associated with the operation content and sends the acquired input information to the CPU 302. Keyboard device, mouse device, etc. The output device 308 is a device that outputs a processing result by the computer 300, and includes a display device and the like. For example, the display device displays text and images according to display data sent by the CPU 302.
外部記憶装置３１２は、例えば、ハードディスクなどの記憶装置であり、ＣＰＵ３０２により実行される各種制御プログラムや、取得したデータ等を記憶しておく装置である。媒体駆動装置３１４は、可搬記録媒体３１６に書き込みおよび読み出しを行うための装置である。ＣＰＵ３０２は、可搬型記録媒体３１６に記録されている所定の制御プログラムを、記録媒体駆動装置３１４を介して読み出して実行することによって、各種の制御処理を行うようにすることもできる。可搬記録媒体３１６は、例えばＣｏｎｐａｃｔ Ｄｉｓｃ（ＣＤ）−ＲＯＭ、Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ（ＤＶＤ）、Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ（ＵＳＢ）メモリ等である。ネットワーク接続装置３１８は、有線または無線により外部との間で行われる各種データの授受の管理を行うインタフェース装置である。バス３１０は、上記各装置等を互いに接続し、データのやり取りを行う通信経路である。 The external storage device 312 is a storage device such as a hard disk, and stores various control programs executed by the CPU 302, acquired data, and the like. The medium driving device 314 is a device for writing to and reading from the portable recording medium 316. The CPU 302 can read out and execute a predetermined control program recorded on the portable recording medium 316 via the recording medium driving device 314 to perform various control processes. The portable recording medium 316 is, for example, a Compact Disc (CD) -ROM, a Digital Versatile Disc (DVD), a Universal Serial Bus (USB) memory, or the like. The network connection device 318 is an interface device that manages transmission / reception of various data performed between the outside by wired or wireless. A bus 310 is a communication path for connecting the above devices and the like to exchange data.
上記実施の形態、および変形例による危険検知方法をコンピュータに実行させるプログラムは、例えば外部記憶装置３１２に記憶させる。ＣＰＵ３０２は、外部記憶装置３１２からプログラムを読み出し、コンピュータ３００に危険検知の動作を行なわせる。このとき、まず、危険検知の処理をＣＰＵ３０２に行わせるための制御プログラムを作成して外部記憶装置３１２に記憶させておく。そして、入力装置３０６から所定の指示をＣＰＵ３０２に与えて、この制御プログラムを外部記憶装置３１２から読み出させて実行させるようにする。また、このプログラムは、可搬記録媒体３１６に記憶するようにしてもよい。 A program that causes a computer to execute the danger detection method according to the above-described embodiment and the modification is stored in, for example, the external storage device 312. The CPU 302 reads the program from the external storage device 312 and causes the computer 300 to perform a danger detection operation. At this time, first, a control program for causing the CPU 302 to perform danger detection processing is created and stored in the external storage device 312. Then, a predetermined instruction is given from the input device 306 to the CPU 302 so that the control program is read from the external storage device 312 and executed. The program may be stored in the portable recording medium 316.
以上の実施形態に関し、さらに以下の付記を開示する。
（付記１）
事故には至らなかったがその可能性があった事例の発生位置と発生時の車両の進行方向とを含む事例情報を取得する事例情報取得部と、
前記事例情報において、前記発生位置、および前記進行方向の同一性に基づき、前記事例情報を同一の原因に起因する少なくとも一つの集合に分類する第１の分類部と、
分類された少なくとも一つの前記集合のうちの所定数以上の事例を含む集合を、事例発生の多発地点として検知する検知部と、
前記多発地点を結果として出力する出力部と
を有することを特徴とする危険検知装置。
（付記２）
前記第１の分類部により分類された集合が複数存在する場合に、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が第１の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類する第２の分類部、
をさらに有し、
前記検知部は、前記第２の分類部により分類された集合の中から前記多発地点を検知する、
ことを特徴とする付記１に記載の危険検知装置。
（付記３）
前記第１の分類部により分類された集合が複数存在する場合であって、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報の発生位置が互いに第２の距離以内の場合に、前記２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が互いに第１の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類する第２の分類部、
をさらに有し、
前記検知部は、前記第２の分類部により分類された集合の中から前記多発地点を検知する、
ことを特徴とする付記１に記載の危険検知装置。
（付記４）
前記第１の分類部は、前記発生位置および前記進行方向による分類を行う際に閾値を用いて分類し、前記分類結果を評価する評価値を用いて閾値を最適化することを特徴とする付記２または付記３に記載の危険検知装置。
（付記５）
前記集合に基づき前記事例情報を表示する表示部、
をさらに有し、
前記表示部は、前記事例情報の前記進行方向を含む表示を行うことを特徴とする付記１から付記４のいずれかに記載の危険検知装置。
（付記６）
危険検知装置が、
事故には至らなかったがその可能性があった事例の発生位置と発生時の車両の進行方向とを含む事例情報を取得し、
前記事例情報において、前記発生位置、および前記進行方向の同一性に基づき、前記事例情報を同一の原因に起因する少なくとも一つの集合に分類し、
分類された少なくとも一つの前記集合のうちの所定数以上の事例を含む集合を、事例発生の多発地点として検知し、
前記多発地点を結果として出力する、
ことを特徴とする危険検知方法。
（付記７）
分類された集合が複数存在する場合に、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が第３の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類し、
さらに分類された集合の中から前記多発地点を検知する
ことを特徴とする付記６に記載の危険検知方法。
（付記８）
分類された集合が複数存在する場合であって、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報の発生位置が互いに第４の距離以内の場合に、前記２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が互いに第３の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類し、
さらに分類された集合の中から前記多発地点を検知する、
ことを特徴とする付記６に記載の危険検知方法。
（付記９）
前記第１の分類部は、前記発生位置および前記進行方向による分類を行う際に閾値を用いて分類し、前記分類結果を評価する評価値を用いて閾値を最適化することを特徴とする付記７または付記８に記載の危険検知方法。
（付記１０）
前記事例情報の前記進行方向を含む表示を行うことを特徴とする付記６から付記９のいずれかに記載の危険検知方法。
（付記１１）
事故には至らなかったがその可能性があった事例の発生位置と発生時の車両の進行方向とを含む事例情報を取得し、
前記事例情報において、前記発生位置、および前記進行方向の同一性に基づき、前記事例情報を同一の原因に起因する少なくとも一つの集合に分類し、
分類された少なくとも一つの前記集合のうちの所定数以上の事例を含む集合を、事例発生の多発地点として検知し、
前記多発地点を結果として出力する、
処理をコンピュータに実行させるためのプログラム。
（付記１２）
分類された集合が複数存在する場合に、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が第３の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類し、
さらに分類された集合の中から前記多発地点を検知する
処理をコンピュータに実行させるための付記１１に記載のプログラム。
（付記１３）
分類された集合が複数存在する場合に、前記複数の集合のうちの２つの集合のそれぞれに含まれる事例情報を代表する発生位置同士の距離が第３の範囲内であり、前記２つの集合のそれぞれに含まれる事例情報の進行方向を代表する方向の前方領域が互いに共通する場合に、前記２つの集合を、同一の原因に起因する事例情報の同一の集合にさらに分類し、
さらに分類された集合の中から前記多発地点を検知する
処理をコンピュータに実行させるための付記１１に記載のプログラム。
（付記１４）
前記第１の分類部は、前記発生位置および前記進行方向による分類を行う際に閾値を用いて分類し、前記分類結果を評価する評価値を用いて閾値を最適化する処理をコンピュータに実行させるための付記１２または付記１３に記載のプログラム。
（付記１５）
前記事例情報の前記進行方向を含む表示を行う処理をコンピュータに実行させるための付記１１から付記１４のいずれかに記載のプログラム。
Regarding the above embodiment, the following additional notes are disclosed.
(Appendix 1)
A case information acquisition unit that acquires case information including the occurrence position of the case that did not lead to the accident but the possibility of the case and the traveling direction of the vehicle at the time of occurrence;
In the case information, a first classification unit that classifies the case information into at least one set caused by the same cause based on the occurrence position and the identity of the traveling direction;
A detection unit that detects a set including a predetermined number or more of the classified at least one of the sets as a frequent occurrence point of the cases;
The danger detection apparatus characterized by having an output part which outputs the said frequent occurrence point as a result.
(Appendix 2)
When there are a plurality of sets classified by the first classification unit, the distance between the occurrence positions representing the case information included in each of the two sets of the plurality of sets is within the first range. Yes, when the forward areas in the direction representative of the traveling direction of the case information included in each of the two sets are common to each other, the two sets are further converted into the same set of case information caused by the same cause A second classifier to classify,
Further comprising
The detection unit detects the frequent occurrence point from the set classified by the second classification unit.
The danger detection device according to supplementary note 1, characterized by:
(Appendix 3)
When there are a plurality of sets classified by the first classification unit, and the occurrence positions of the case information included in each of the two sets of the plurality of sets are within a second distance from each other The distance between the occurrence positions representing the case information included in each of the two sets is within the first range, and the front of the direction representing the traveling direction of the case information included in each of the two sets. A second classifying unit that further classifies the two sets into the same set of case information caused by the same cause when the areas are common to each other;
Further comprising
The detection unit detects the frequent occurrence point from the set classified by the second classification unit.
The danger detection device according to supplementary note 1, characterized by:
(Appendix 4)
The first classification unit performs classification using a threshold when performing classification based on the generation position and the traveling direction, and optimizes the threshold using an evaluation value for evaluating the classification result. The danger detection device according to 2 or appendix 3.
(Appendix 5)
A display unit for displaying the case information based on the set;
Further comprising
The said detection part performs the display including the said advancing direction of the said case information, The danger detection apparatus in any one of the additional remarks 1 to 4 characterized by the above-mentioned.
(Appendix 6)
The danger detection device
Acquire case information including the occurrence location of the case that did not result in the accident, but the possibility, and the direction of travel of the vehicle at the time of occurrence,
In the case information, the case information is classified into at least one set caused by the same cause based on the occurrence position and the identity of the traveling direction,
A set including a predetermined number or more of the at least one classified set is detected as a frequent occurrence point of cases,
Outputting the frequent occurrence point as a result,
A danger detection method characterized by that.
(Appendix 7)
When there are a plurality of classified sets, the distance between the occurrence positions representing the case information included in each of the two sets of the plurality of sets is within a third range, and the two sets When the front areas in the direction representing the traveling direction of the case information included in each are common to each other, the two sets are further classified into the same set of case information caused by the same cause,
The danger detection method according to appendix 6, wherein the frequent occurrence point is detected from the classified set.
(Appendix 8)
When there are a plurality of classified sets, and the occurrence positions of the case information included in each of the two sets of the plurality of sets are within a fourth distance from each other, each of the two sets The distances between the occurrence positions representing the case information included in the case are within the third range, and the forward regions in the direction representing the traveling direction of the case information included in each of the two sets are common to each other , Further classifying the two sets into the same set of case information due to the same cause,
Further, the frequent occurrence point is detected from the classified set.
The danger detection method according to supplementary note 6, wherein:
(Appendix 9)
The first classification unit performs classification using a threshold when performing classification based on the generation position and the traveling direction, and optimizes the threshold using an evaluation value for evaluating the classification result. 7. The danger detection method according to 7 or appendix 8.
(Appendix 10)
The danger detection method according to any one of appendix 6 to appendix 9, wherein display including the traveling direction of the case information is performed.
(Appendix 11)
Acquire case information including the occurrence location of the case that did not result in the accident, but the possibility, and the direction of travel of the vehicle at the time of occurrence,
In the case information, the case information is classified into at least one set caused by the same cause based on the occurrence position and the identity of the traveling direction,
A set including a predetermined number or more of the at least one classified set is detected as a frequent occurrence point of cases,
Outputting the frequent occurrence point as a result,
A program that causes a computer to execute processing.
(Appendix 12)
When there are a plurality of classified sets, the distance between the occurrence positions representing the case information included in each of the two sets of the plurality of sets is within a third range, and the two sets When the front areas in the direction representing the traveling direction of the case information included in each are common to each other, the two sets are further classified into the same set of case information caused by the same cause,
Furthermore, the program of Claim 11 for making a computer perform the process which detects the said frequent occurrence point out of the classify | categorized set.
(Appendix 13)
When there are a plurality of classified sets, the distance between the occurrence positions representing the case information included in each of the two sets of the plurality of sets is within a third range, and the two sets When the front areas in the direction representing the traveling direction of the case information included in each are common to each other, the two sets are further classified into the same set of case information caused by the same cause,
Furthermore, the program of Claim 11 for making a computer perform the process which detects the said frequent occurrence point out of the classify | categorized set.
(Appendix 14)
The first classification unit performs classification using a threshold when performing classification based on the generation position and the traveling direction, and causes a computer to execute a process of optimizing the threshold using an evaluation value for evaluating the classification result The program according to Supplementary Note 12 or Supplementary Note 13.
(Appendix 15)
The program according to any one of appendix 11 to appendix 14, for causing a computer to execute a process of displaying the case information including the traveling direction.
１ 危険検知装置
３ 事例情報記憶部
５ 事例情報入力部
７ 第１まとめ処理部
９ 第２まとめ処理部
１１ 多発地点検知部
１３ 出力部
１５ 入出力インタフェース
３０ 事例
３２ 道路
３４ 店舗
３６ 停留所
３８ 事例位置
３９ 進行方向
４０ 事例情報
４２ 事例ＩＤ
４４ 北緯
４６ 東経
４８ 進行方向
DESCRIPTION OF SYMBOLS 1 Risk detection apparatus 3 Case information storage part 5 Case information input part 7 1st summary process part 9 2nd summary process part 11 Multiple occurrence point detection part 13 Output part 15 Input / output interface 30 Case 32 Road 34 Store 36 Stop 38 Case position 39 Traveling direction 40 Case information 42 Case ID
44 North latitude 46 East longitude 48 Direction of travel
Claims (7)
事故の可能性があった事例の発生位置および当該事例における車両の進行方向のデータに応じて複数の事例をグループ化した複数の事例集合から、前記複数の事例集合のそれぞれを代表するベクトルの始点位置同士の距離と、一方のベクトルの始点位置と他方のベクトルの終点位置との間の距離とを比較した結果に基づき、各々の事例集合の進行方向前方エリアが一致するかを判定することにより、各々が所定数以上の事例を含み、各々の事例集合の代表位置が所定範囲内にあり、かつ、各々の進行方向前方エリアが一致する特定の事例集合群を抽出し、
前記特定の事例集合群を地図上に表示する、
処理を実行することを特徴とする、危険事例表示プログラム。 Computer
A starting point of a vector representing each of the plurality of case sets from a plurality of case sets in which a plurality of cases are grouped according to data on the occurrence position of the case where there is a possibility of an accident and the traveling direction of the vehicle in the case Based on the result of comparing the distance between the positions and the distance between the start point position of one vector and the end point position of the other vector, by determining whether the forward area in the traveling direction of each case set matches , Each including a predetermined number or more of cases, the representative position of each case set is within a predetermined range, and a specific case set group in which the respective front areas in the traveling direction match is extracted,
Displaying the specific set of cases on a map;
A danger case display program characterized by executing processing.
前記複数の事例集合のそれぞれを代表するベクトルが不定である場合、前記複数の事例集合のそれぞれの重心間の距離に基づき、前記特定の事例集合群を抽出する、When the vector representing each of the plurality of case sets is indefinite, the specific case set group is extracted based on the distance between the centroids of each of the plurality of case sets.
ことを特徴とする危険事例表示プログラム。Danger case display program characterized by that.
前記複数の事例集合の各々に含まれる事例の発生位置間の距離の最大値を、前記複数の事例集合の各々の大きさとして算出し、算出した前記複数の事例集合の各々の大きさに基づき、前記複数の事例を再度グループ化する、The maximum value of the distance between the occurrence positions of the cases included in each of the plurality of case sets is calculated as the size of each of the plurality of case sets, and based on the calculated size of each of the plurality of case sets , Regroup the multiple cases,
ことを特徴とする危険事例表示プログラム。Danger case display program characterized by that.
前記複数の事例の発生位置間の距離および前記複数の事例における前記車両の進行方向間の角度に基づく値を成分とする行列と閾値とを用いて、前記複数の事例をグループ化することで、前記複数の事例集合を生成し、生成した前記複数の事例集合に対する評価値を算出し、算出した評価値を記憶部に格納されている評価値と比較した結果に基づき、前記記憶部に格納されている前記評価値と前記閾値とを更新して、前記複数の事例を再度グループ化する、By grouping the plurality of cases using a matrix and a threshold value having components based on the distance between the occurrence positions of the plurality of cases and the angle between the traveling directions of the vehicles in the plurality of cases, The plurality of case sets are generated, evaluation values for the generated plurality of case sets are calculated, and the calculated evaluation values are stored in the storage unit based on a result of comparison with the evaluation values stored in the storage unit. Updating the evaluation value and the threshold value, and regrouping the plurality of cases,
ことを特徴とする危険事例表示プログラム。Danger case display program characterized by that.
前記特定の事例集合群を包含する境界線を、前記地図上に表示することを特徴とする危険事例表示プログラム。 A danger case display program according to any one of claims 1 to 4 ,
A danger case display program characterized in that a boundary line including the specific case set group is displayed on the map.
前記特定の事例集合群を地図上に表示した画面を表示する、
危険事例表示方法。 From a plurality of case sets that are stored in the storage unit and grouped according to the occurrence position of a case where there was a possibility of an accident and the vehicle traveling direction data in the case, the plurality of case sets Based on the result of comparing the distance between the start positions of the representative vectors and the distance between the start position of one vector and the end position of the other vector, the forward area in the direction of travel of each case set matches. By determining whether or not to perform , a specific case set group that includes more than a predetermined number of cases, the representative position of each case set is within a predetermined range, and the front area in each traveling direction matches is extracted. And
Displaying a screen displaying the specific case set on the map;
Danger case display method.
前記特定の事例集合群を地図上に表示した画面を表示する出力部と、
を備える危険事例表示装置。 From a plurality of case sets that are stored in the storage unit and grouped according to the occurrence position of a case where there was a possibility of an accident and the vehicle traveling direction data in the case, the plurality of case sets Based on the result of comparing the distance between the start positions of the representative vectors and the distance between the start position of one vector and the end position of the other vector, the forward area in the direction of travel of each case set matches. By determining whether or not to perform , a specific case set group that includes more than a predetermined number of cases, the representative position of each case set is within a predetermined range, and the front area in each traveling direction matches is extracted. A detector to perform,
An output unit for displaying a screen displaying the specific case set group on a map;
A danger case display device comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015215984A JP6123867B2 (en) | 2015-11-02 | 2015-11-02 | Danger case display program, danger case display method, and danger case display device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015215984A JP6123867B2 (en) | 2015-11-02 | 2015-11-02 | Danger case display program, danger case display method, and danger case display device |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012062697A Division JP2013196366A (en) | 2012-03-19 | 2012-03-19 | Risk detection device, risk detection method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016042369A JP2016042369A (en) | 2016-03-31 |
| JP6123867B2 true JP6123867B2 (en) | 2017-05-10 |
Family
ID=55592059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015215984A Active JP6123867B2 (en) | 2015-11-02 | 2015-11-02 | Danger case display program, danger case display method, and danger case display device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6123867B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6812337B2 (en) * | 2017-12-22 | 2021-01-13 | Kddi株式会社 | Programs, devices and methods for estimating the tendency of a predetermined event to occur in a moving object |
| WO2022269818A1 (en) * | 2021-06-23 | 2022-12-29 | 日本電信電話株式会社 | Probability calculation device, probability calculation method, and probability calculation program |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002133042A (en) * | 2000-10-26 | 2002-05-10 | International Association Of Traffic & Safety Science | System for supporting traffic accident measure |
| JP2004348254A (en) * | 2003-05-20 | 2004-12-09 | Mitsubishi Electric Corp | On-vehicle device, center device, and preventive safety system using them |
| JP2008181252A (en) * | 2007-01-23 | 2008-08-07 | Toyota Motor Corp | Danger information collection and distribution system, and danger information sending/receiving device and danger information collection and distribution device constituting this system |
| JP5447371B2 (en) * | 2008-04-15 | 2014-03-19 | 日本電気株式会社 | Mobile object warning device, mobile object warning method, and mobile object warning program |
| JP2011134207A (en) * | 2009-12-25 | 2011-07-07 | Konica Minolta Holdings Inc | Drive recorder and map generation system |
-
2015
- 2015-11-02 JP JP2015215984A patent/JP6123867B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016042369A (en) | 2016-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032962B (en) | Object detection method, device, network equipment and storage medium | |
| CN108519094B (en) | Local path planning method and cloud processing terminal | |
| KR102309711B1 (en) | Cnn-based learning method, learning device for selecting useful training data and test method, test device using the same | |
| JP2018136803A (en) | Image recognition system | |
| CN111444767B (en) | Pedestrian detection and tracking method based on laser radar | |
| CN101702200A (en) | Automatic classification method of airborne laser radar point cloud data | |
| CN104899263A (en) | Ship trajectory mining, analysis and monitoring method based on specific region | |
| Yang et al. | Identifying intercity freight trip ends of heavy trucks from GPS data | |
| CN103377555A (en) | Method and system for automatically detecting anomalies at a traffic intersection | |
| EP4083959A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
| Li et al. | Robust vehicle detection in high-resolution aerial images with imbalanced data | |
| CN115017742B (en) | Automatic driving test scene generation method, device, equipment and storage medium | |
| US20220357176A1 (en) | Methods and data processing systems for predicting road attributes | |
| JP2013196366A (en) | Risk detection device, risk detection method and program | |
| KR101598343B1 (en) | System for automatically Identifying spatio-temporal congestion patterns and method thereof | |
| US20040064450A1 (en) | Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer | |
| JP6123867B2 (en) | Danger case display program, danger case display method, and danger case display device | |
| US11663499B2 (en) | Method, data processing apparatus and computer program product for determining road intersections | |
| Abdelraouf et al. | Trajectory prediction for vehicle conflict identification at intersections using sequence-to-sequence recurrent neural networks | |
| Yang et al. | YOLOv8-Lite: A Lightweight Object Detection Model for Real-time Autonomous Driving Systems | |
| Rahman et al. | LVLane: deep learning for lane detection and classification in challenging conditions | |
| Prezioso et al. | Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario | |
| Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
| JP2019027818A (en) | Mobile entity data processing device, method, and computer program | |
| Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160804 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160809 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161005 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170307 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170320 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6123867 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |