JP6817685B2 - Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics - Google Patents

Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics Download PDF

Info

Publication number
JP6817685B2
JP6817685B2 JP2017134107A JP2017134107A JP6817685B2 JP 6817685 B2 JP6817685 B2 JP 6817685B2 JP 2017134107 A JP2017134107 A JP 2017134107A JP 2017134107 A JP2017134107 A JP 2017134107A JP 6817685 B2 JP6817685 B2 JP 6817685B2
Authority
JP
Japan
Prior art keywords
driving
road section
data
correlation
evaluation
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
Application number
JP2017134107A
Other languages
Japanese (ja)
Other versions
JP2019016238A (en
Inventor
石川　雄一
雄一 石川
直 小林
直 小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2017134107A priority Critical patent/JP6817685B2/en
Publication of JP2019016238A publication Critical patent/JP2019016238A/en
Application granted granted Critical
Publication of JP6817685B2 publication Critical patent/JP6817685B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Description

本発明は、ビッグデータとしての運転データを収集する技術に関する。 The present invention relates to a technique for collecting operation data as big data.

従来、車両に搭載された車両端末によって計測された運転車両信号を用いて、運転手を推定する技術がある（例えば非特許文献１及び２参照）。運転車両信号は、例えば、ハンドル舵角やアクセル・ブレーキペダルの踏込度のような「運転信号」と、エンジン回転数や車速、加速度・角速度のような「車両信号」とである。
この技術によれば、学習フェーズと評価フェーズとからなる。「学習フェーズ」は、運転手を特定できている状態で、複数の運転手における運転車両信号を車両端末から予め収集し、運転手と運転車両信号とを対応付けた推定モデルを生成する。「評価フェーズ」は、推定モデルを用いて、運転手が特定できていない運転車両信号から、運転手を推定することができる。 Conventionally, there is a technique of estimating a driver using a driving vehicle signal measured by a vehicle terminal mounted on a vehicle (see, for example, Non-Patent Documents 1 and 2). The driving vehicle signal is, for example, a "driving signal" such as the steering angle of the steering wheel and the degree of depression of the accelerator / brake pedal, and a "vehicle signal" such as the engine speed, the vehicle speed, and the acceleration / angular velocity.
According to this technique, it consists of a learning phase and an evaluation phase. In the "learning phase", the driving vehicle signals of a plurality of drivers are collected in advance from the vehicle terminal in a state where the driver can be specified, and an estimation model in which the driver and the driving vehicle signal are associated with each other is generated. In the "evaluation phase", the driver can be estimated from the driving vehicle signal for which the driver has not been identified by using the estimation model.

また、運転車両信号から、運転手の個人特性としての「情動的共感性尺度」を推定する技術もある（例えば非特許文献３及び４参照）。情動的共感性尺度とは、他人の情動や感情に対する共感性を測るための尺度をいう。この技術によれば、予め収集した運転車両信号と運転手の情動的共感性尺度とを対応付けたモデルを生成し、運転車両信号から情動的共感性尺度を推定することができる。 There is also a technique for estimating an "emotional empathy scale" as a driver's personal characteristic from a driving vehicle signal (see, for example, Non-Patent Documents 3 and 4). The emotional empathy scale is a scale for measuring empathy for the emotions and emotions of others. According to this technique, it is possible to generate a model in which the driving vehicle signal collected in advance and the driver's emotional empathy scale are associated with each other, and to estimate the emotional empathy scale from the driving vehicle signal.

“Automobile Driver Fingerprinting” Proceedings on Privacy Enhancing Technologies ; 2016 (1):34-51、[online]、［平成２９年６月１３日検索］、インターネット＜URL:http://www.autosec.org/pubs/fingerprint.pdf＞“Automobile Driver Fingerprinting” Proceedings on Privacy Enhancing Technologies; 2016 (1): 34-51, [online], [Search June 13, 2017], Internet <URL: http://www.autosec.org/pubs /fingerprint.pdf ＞ “Driver Modeling Based on Driving Behavior and Its Evaluation in Driver Identification” Proceedings of the IEEE ( Volume: 95, Issue: 2, Feb. 2007) 、[online]、［平成２９年６月１３日検索］、インターネット＜URL:https://pdfs.semanticscholar.org/b14c/dccfc712cd16e240e13b30be07b75fd0900b.pdf＞“Driver Modeling Based on Driving Behavior and Its Evaluation in Driver Identification” Proceedings of the IEEE (Volume: 95, Issue: 2, Feb. 2007), [online], [Search June 13, 2017], Internet <URL : https://pdfs.semanticscholar.org/b14c/dccfc712cd16e240e13b30be07b75fd0900b.pdf> “車両信号を用いた運転者の個人特性の推定”, 情報処理学会全国大会講演論文集 Volume：78th Issue：3 Page：3.147-3.148"Estimation of individual characteristics of drivers using vehicle signals", Proceedings of IPSJ National Convention Volume: 78th Issue: 3 Page: 3.147-3.148 “運転信号を用いたドライバ行動及び個人特性の自動推定”, Proceedings. JSAE Annual Congress Issue：128-13 Page：11-16“Automatic estimation of driver behavior and personal characteristics using driving signals”, Proceedings. JSAE Annual Congress Issue: 128-13 Page: 11-16

前述したいずれの技術も、学習フェーズ及び評価フェーズ共に、高頻度で且つ長時間、運転車両信号を収集することを必要する。また、運転中の全区間に渡って運転車両信号を収集することを前提としている。そのために、車両端末が運転車両信号をサーバへ送信するためのネットワークコストと、それら運転車両信号を処理するサーバコストとが、膨大なものとなるという課題があった。 Both of the above techniques require the collection of driving vehicle signals at high frequency and for a long time in both the learning phase and the evaluation phase. In addition, it is premised that the driving vehicle signal is collected over the entire section during driving. Therefore, there is a problem that the network cost for the vehicle terminal to transmit the driving vehicle signal to the server and the server cost for processing the driving vehicle signal become enormous.

これに対し、本願の発明者らは、運転手の個人特性と運転車両信号との相関度が高い道路区間と、そうではない道路区間とがあるのではないか、と考えた。その相関度が高い道路区間についてのみ、運転車両信号を収集し且つ分析することができれば、ネットワークコスト及びサーバコストを軽減することができるのではないか、と考えた。 On the other hand, the inventors of the present application thought that there may be a road section in which the degree of correlation between the driver's personal characteristics and the driving vehicle signal is high, and a road section in which the correlation is not so high. It was thought that network costs and server costs could be reduced if the driving vehicle signals could be collected and analyzed only for the road sections with a high degree of correlation.

そこで、本発明は、運転車両信号から個人特性を特定しやすい道路区間を推定する 推定装置、プログラム及び方法を提供することを目的とする。 Therefore, an object of the present invention is to provide an estimation device , a program, and a method for estimating a road section in which an individual characteristic can be easily identified from a driving vehicle signal.

本発明によれば、「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する推定装置であって、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶する道路区間記憶手段と、
道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する運転データ選択手段と、
個人特性と運転車両信号との相関度を取得する相関度取得手段と、
相関度に応じて道路区間を推定する道路区間推定手段と
を機能させることを特徴とする。 According to the present invention, it is an estimation device that accumulates driving data in which "individual characteristics" are associated with "driving position" and "driving vehicle signal" acquired while driving a vehicle.
A road section storage means that divides the position range on the map on which the vehicle can travel into a plurality of "road sections" and stores them.
For each road section
And operation data selecting means for selecting a plurality of operating data including the travel position in the position range of those the road section,
A correlation obtaining means for obtaining a correlation between individuals characteristics and operating the vehicle signal,
With a road section estimation means that estimates the road section according to the degree of correlation
It is characterized by making it work .

本発明の推定装置における他の実施形態によれば、
道路区間推定手段は、複数の道路区間の中で、相関度が高い順に１つ以上の道路区間を出力することも好ましい。 According to another embodiment of the estimator of the present invention.
It is also preferable that the road section estimation means outputs one or more road sections in descending order of correlation among a plurality of road sections.

本発明の推定装置における他の実施形態によれば、
道路区間について、運転データの個人特性及び運転車両信号から、所定のアルゴリズムを用いて推定モデルを生成する推定モデル生成手段を更に有し、
相関度取得手段は、推定モデルを用いて相関度を取得することも好ましい。 According to another embodiment of the estimator of the present invention.
Further, it has an estimation model generation means for generating an estimation model using a predetermined algorithm from the personal characteristics of the driving data and the driving vehicle signal for the road section.
It is also preferable that the correlation degree acquisition means acquires the correlation degree using an estimation model.

本発明の推定装置における他の実施形態によれば、
推定モデル生成手段は、統計的分類アルゴリズムを用いた機械学習によって推定モデルを生成し、
相関度は、機械学習に基づく個人特性の尤度（判定確率）であることも好ましい。 According to another embodiment of the estimator of the present invention.
The estimation model generation means generates an estimation model by machine learning using a statistical classification algorithm.
It is also preferable that the degree of correlation is the likelihood (judgment probability) of individual characteristics based on machine learning.

本発明の推定装置における他の実施形態によれば、
道路区間について、運転データ選択手段によって選択された複数の運転データを、教師用運転データと評価用運転データとに任意に分類する教師評価データ分類手段を更に有し、
推定モデル生成手段は、道路区間について、教師用運転データの個人特性及び運転車両信号から、所定のアルゴリズムを用いて推定モデルを生成し、
相関度取得手段は、道路区間について、推定モデルを用いて、評価用運転データにおける個人特性と運転車両信号との相関度を取得する
ことも好ましい。 According to another embodiment of the estimator of the present invention.
It further has a teacher evaluation data classification means for arbitrarily classifying a plurality of driving data selected by the driving data selection means into a teacher driving data and an evaluation driving data for a road section.
The estimation model generation means generates an estimation model of the road section from the personal characteristics of the teacher's driving data and the driving vehicle signal by using a predetermined algorithm.
It is also preferable that the correlation degree acquisition means acquires the correlation degree between the personal characteristics and the driving vehicle signal in the evaluation driving data by using an estimation model for the road section.

本発明の推定装置における他の実施形態によれば、
相関度取得手段は、
評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」と、当該評価用運転データの正解の「個人特性」とを比較して、正否を判定し、評価用運転データの所定数に対する正判定の数の割合を、相関度とする
相関度＝評価用運転データの正判定の数／評価用運転データの所定数
又は、
評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」に基づく尤度を、相関度とすることも好ましい。 According to another embodiment of the estimator of the present invention.
Correlation degree acquisition means
The "driving vehicle signal" of the evaluation driving data is input to the estimation model, and the "individual characteristic" that is the output is compared with the "individual characteristic" of the correct answer of the evaluation driving data to judge the correctness. The ratio of the number of positive judgments to the predetermined number of evaluation operation data is defined as the degree of correlation. Correlation degree = number of correct judgments of evaluation operation data / predetermined number of evaluation operation data or
It is also preferable to input the "driving vehicle signal" of the evaluation driving data into the estimation model and use the likelihood based on the "individual characteristic" as the output as the correlation degree.

本発明の推定装置における他の実施形態によれば、
同一の道路区間の中で、教師評価データ分類手段と、推定モデル生成手段と、相関度取得手段とを繰り返すものであって、
教師評価データ分類手段は、同一の道路区間について、教師用運転データと評価用運転データとの組み合わせが異なる複数のデータセットに分類し、
推定モデル生成手段は、データセット毎に、教師用運転データから推定モデルを生成し、
相関度取得手段は、同一の道路区間について、複数のデータセットが存在する場合、データセット毎の相関度の平均値を、相関度として出力することも好ましい。 According to another embodiment of the estimator of the present invention.
In the same road section, the teacher evaluation data classification means, the estimation model generation means, and the correlation degree acquisition means are repeated.
The teacher evaluation data classification means classifies the same road section into a plurality of data sets in which the combination of the teacher driving data and the evaluation driving data is different.
The estimation model generation means generates an estimation model from the teacher's driving data for each data set.
When a plurality of data sets exist for the same road section, the correlation degree acquisition means preferably outputs the average value of the correlation degree for each data set as the correlation degree.

本発明の推定装置における他の実施形態によれば、
運転データには、更に「時間帯」、「天候状況情報」、「交通状況情報」、「車両属性情報」のいずれか又はそれらの組み合わせが対応付けられている
ことも好ましい。 According to another embodiment of the estimator of the present invention.
It is also preferable that the driving data is further associated with any one or a combination of "time zone", "weather condition information", "traffic condition information", and "vehicle attribute information".

本発明の推定装置における他の実施形態によれば、
運転データの「個人特性」は、
運転手ＩＤ(IDentifier)
個人属性
ＤＳＱ(Driving Style Questionnaire)、
ＷＳＱ(Workload Sensitivity Questionnaire)、
ＤＢＱ(Driving Behavior Questionnaire)、
ＤＢＩ(Driving Behavior Inventory)、
ＤＡＳ(Driving Anger Scale)、
情動的共感性尺度、
ＥＡＥＱ(Everyday Attentional Experiences Questionnaire)、
ＳＳＳ(Sensation Seeking Scale)、
ＦＦＭ(Five Factor Model)
のいずれか又はそれらの組み合わせであることも好ましい。 According to another embodiment of the estimator of the present invention.
The "personal characteristics" of driving data are
Driver ID (IDentifier)
Personal attributes DSQ (Driving Style Questionnaire),
WSQ (Workload Sensitivity Questionnaire),
DBQ (Driving Behavior Questionnaire),
DBI (Driving Behavior Inventory),
DAS (Driving Anger Scale),
Affect empathy scale,
EAEQ (Everyday Attentional Experiences Questionnaire),
SSS (Sensation Seeking Scale),
FFM (Five Factor Model)
Any one of these or a combination thereof is also preferable.

本発明によれば、運転手毎の「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する推定装置に搭載されたコンピュータを機能させるプログラムであって、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶する道路区間記憶手段と、
道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する運転データ選択手段と、
個人特性と運転車両信号との相関度を取得する相関度取得手段と、
相関度に応じて道路区間を推定する道路区間推定手段と
してコンピュータを機能させることを特徴とする。 According to the present invention, it is mounted on an estimation device that accumulates driving data in which "individual characteristics" for each driver are associated with "driving position" and "driving vehicle signal" acquired while driving a vehicle. A program that makes a computer work
A road section storage means that divides the position range on the map on which the vehicle can travel into a plurality of "road sections" and stores them.
For each road section
And operation data selecting means for selecting a plurality of operating data including the travel position in the position range of those the road section,
A correlation obtaining means for obtaining a correlation between individuals characteristics and operating the vehicle signal,
And characterized by causing a computer to function as a road section estimating means for estimating a road section according to the phase Sekido.

本発明によれば、運転手毎の「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する装置の推定方法であって、
装置は、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶しており、
道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する第１のステップと、
個人特性と運転車両信号との相関度を取得する第２のステップと、
相関度に応じて道路区間を推定する第３のステップと
を実行することを特徴とする。 According to the present invention, it is an estimation method of a device for accumulating driving data in which "individual characteristics" of each driver are associated with "driving position" and "driving vehicle signal" acquired while driving a vehicle. hand,
The device is
The position range on the map where the vehicle can travel is divided into multiple "road sections" and stored.
For each road section
A first step of selecting a plurality of operating data including the travel position in the position range of those the road section,
A second step of obtaining a correlation between individuals characteristics and operating the vehicle signal,
And executes a third step of estimating a road section according to the phase Sekido.

本発明の推定装置、プログラム及び方法によれば、運転車両信号から個人特性を特定しやすい道路区間を推定する。推定された道路区間の運転データのみを、車両端末から推定装置へ収集することができる。 According to the estimation device , program and method of the present invention, a road section in which personal characteristics can be easily identified is estimated from a driving vehicle signal. Only the estimated driving data of the road section can be collected from the vehicle terminal to the estimation device.

運転データを収集するシステム構成図である。It is a system configuration diagram which collects operation data. 本発明における推定装置の機能構成図である。It is a functional block diagram of the estimation apparatus in this invention. 運転データ蓄積部が記憶するテーブルである。This is a table stored in the operation data storage unit. 道路区間記憶部が記憶するテーブルである。This is a table stored by the road section storage unit. 道路区間を区分した地図である。It is a map that divides the road section. 運転データに対する本発明の学習機能を表す説明図である。It is explanatory drawing which shows the learning function of this invention with respect to driving data. 同一の道路区間における運転データの分類を表す説明図である。It is explanatory drawing which shows the classification of the driving data in the same road section. 同一の道路区間における複数の評価用運転データから相関度を算出する説明図である。It is explanatory drawing which calculates the correlation degree from a plurality of evaluation driving data in the same road section. 運転データに外因情報を対応付けたテーブルである。It is a table in which extrinsic information is associated with operation data.

以下、本発明の実施の形態について、図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

図１は、運転データを収集するシステム構成図である。 FIG. 1 is a system configuration diagram for collecting operation data.

図１によれば、サーバとしての推定装置１と、車両に搭載された車両端末２とが、ネットワークを介して接続されている。 According to FIG. 1, the estimation device 1 as a server and the vehicle terminal 2 mounted on the vehicle are connected via a network.

＜推定装置１＞
図１の推定装置１は、学習機能と運用機能とを有する。
学習機能は、運転手の個人特性と運転車両信号との相関度が高い「道路区間」を、運用機能へ指示する。ここで、「個人特性」とは、運転手ＩＤ(IDentifier)及び／又は心理的特性を含む。その相関度が高い道路区間から収集した運転車両信号は、他の道路区間と比較的して高い精度で個人特性を推定することができることを意味する。 <Estimator 1>
The estimation device 1 of FIG. 1 has a learning function and an operation function.
The learning function instructs the operation function of a "road section" having a high degree of correlation between the driver's personal characteristics and the driving vehicle signal. Here, the "individual characteristic" includes a driver ID (IDentifier) and / or a psychological characteristic. The driving vehicle signal collected from the road section having a high degree of correlation means that the personal characteristics can be estimated with relatively high accuracy as compared with other road sections.

運用機能は、学習機能から指示された道路区間を、ネットワークを介して車両端末２へ送信する。これに対し、車両端末２は、受信した道路区間における運転データ（走行位置情報＋運転車両信号）のみを、推定装置１へ送信する。即ち、推定装置１は、特定された道路区間の運転データのみを収集すればよく、全ての道路区間から運転データを収集する必要がない。
サービスの観点から、運転手の個人特性を推定することができれば、その運転手の個人特性に応じた情報を、その運転手が所持する端末へ配信することができる。 The operation function transmits the road section instructed by the learning function to the vehicle terminal 2 via the network. On the other hand, the vehicle terminal 2 transmits only the received driving data (driving position information + driving vehicle signal) in the road section to the estimation device 1. That is, the estimation device 1 only needs to collect the driving data of the specified road section, and does not need to collect the driving data from all the road sections.
If the individual characteristics of the driver can be estimated from the viewpoint of the service, the information according to the individual characteristics of the driver can be distributed to the terminal possessed by the driver.

＜車両端末２＞
車両端末２は、ＣＡＮ(Controller Area Network)を介して、運転信号及び車両信号を含む「運転車両信号」を取得する。運転信号及び車両信号としては、例えば以下のようなものがある。 <Vehicle terminal 2>
The vehicle terminal 2 acquires a "driving vehicle signal" including a driving signal and a vehicle signal via CAN (Controller Area Network). Examples of the driving signal and the vehicle signal include the following.

［運転信号］
・ブレーキ／アクセルのペダル踏み込み度
・ハンドル操舵角
・ウィンカー、ワイパー、パワーウィンドウなどの各種装置の操作状況
・前方監視カメラ又は前方監視センサによって計測された前方車との車間距離
・前方／後方／側方の障害物までの距離
・車線変更頻度（方向指示器操作情報、操舵情報から検知）
・車線逸脱頻度（前方監視カメラ、方向指示器操作情報、又は、操舵情報から検知）
・速度超過頻度／度合（走行位置に基づく地図上の道路の制限速度と車両速度の比較）
・迂回路選択頻度（走行経路について地図上の最短経路との比較）
・駐車時切返し回数（エンジン停止までの一定時間における、ハンドル操舵角の総和） [Driving signal]
・ Brake / accelerator pedal depression degree ・ Steering wheel steering angle ・ Operation status of various devices such as blinkers, wipers, power windows ・ Distance to the vehicle in front as measured by the front monitoring camera or front monitoring sensor ・ Front / rear / side Distance to one's obstacle ・ Frequency of lane change (detected from turn signal operation information and steering information)
・ Lane departure frequency (detected from forward surveillance camera, turn signal operation information, or steering information)
・ Excessive speed / degree (comparison of road speed limit and vehicle speed on map based on driving position)
・ Detour selection frequency (comparison of travel routes with the shortest route on the map)
・ Number of turns when parking (total steering angle of the steering wheel in a certain period of time until the engine stops)

［車両信号］
・エンジン回転数
・タイヤ回転数
・車速
・操舵角速度（前方、後方、横方向加速度、前輪切れ角）
・走行距離、総走行距離
・前回エンジン始動からの経過時間
・エンジン冷却水温
・エンジンオイル温度
・バッテリ温度／充電率
・制動距離／時間（停止までの走行距離又は走行時間） [Vehicle signal]
・ Engine speed ・ Tire speed ・ Vehicle speed ・ Steering angular velocity (front, rear, lateral acceleration, front wheel turning angle)
・ Mileage, total mileage ・ Elapsed time since the last engine start ・ Engine cooling water temperature ・ Engine oil temperature ・ Battery temperature / charge rate ・ Braking distance / time (mileage or mileage until stop)

また、車両端末２は、測位部を有し、ＧＰＳ(Global Positioning System)のような測位電波を受信することによって、現在の走行位置情報を取得することができる。勿論、走行位置情報を、ＣＡＮを介して取得可能なものであってもよい。 Further, the vehicle terminal 2 has a positioning unit, and can acquire the current traveling position information by receiving a positioning radio wave such as GPS (Global Positioning System). Of course, the traveling position information may be acquired via CAN.

車両端末２は、推定装置１に対して、道路区間受信部２１と、運転データ送信部２２とを有する。 The vehicle terminal 2 has a road section receiving unit 21 and a driving data transmitting unit 22 with respect to the estimation device 1.

道路区間受信部２１は、推定装置１から、運転手の個人特性と運転車両信号との相関度が高いと推定された道路区間の位置範囲を受信する。その道路区間は、運転データ送信部２２へ出力される。 The road section receiving unit 21 receives from the estimation device 1 the position range of the road section estimated to have a high degree of correlation between the driver's personal characteristics and the driving vehicle signal. The road section is output to the driving data transmission unit 22.

運転データ送信部２２は、測位機能によって取得された測位位置が、当該道路区間の位置範囲に含まれる場合に、自ら計測した運転データを推定装置１へ送信する。測位位置の緯度経度が、道路区間の位置範囲（緯度範囲と経度範囲）に含まれるか否かを判定する。真と判定された場合、車両端末２は、その道路区間の運転データのみを、推定装置１へ送信することができる。 When the positioning position acquired by the positioning function is included in the position range of the road section, the driving data transmission unit 22 transmits the driving data measured by itself to the estimation device 1. It is determined whether or not the latitude and longitude of the positioning position are included in the position range (latitude range and longitude range) of the road section. If it is determined to be true, the vehicle terminal 2 can transmit only the driving data of the road section to the estimation device 1.

尚、他の実施形態として、車両端末２は、例えばＶＩＣＳ(登録商標、Vehicle Information and Communication System)情報やITS Connectなどの交通状況情報（渋滞や、交通規制など）を、推定装置１へ送信するものであってもよい。推定装置１が、交通状況情報に応じて、道路区間における個人特性と運転車両信号との相関傾向を推定することもできる。 As another embodiment, the vehicle terminal 2 transmits, for example, VICS (registered trademark, Vehicle Information and Communication System) information and traffic condition information (traffic jam, traffic regulation, etc.) such as ITS Connect to the estimation device 1. It may be a thing. The estimation device 1 can also estimate the correlation tendency between the personal characteristics and the driving vehicle signal in the road section according to the traffic condition information.

図２は、本発明における推定装置の機能構成図である。 FIG. 2 is a functional configuration diagram of the estimation device according to the present invention.

図２の推定装置１は、運転データ蓄積部１０１と、道路区間記憶部１０２と、運転データ選択部１１と、教師評価データ分類部１２と、推定モデル生成部１３と、相関度取得部１４と、道路区間推定部１５とを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、推定方法としても理解できる。 The estimation device 1 of FIG. 2 includes a driving data storage unit 101, a road section storage unit 102, a driving data selection unit 11, a teacher evaluation data classification unit 12, an estimation model generation unit 13, and a correlation degree acquisition unit 14. , And a road section estimation unit 15. These functional components are realized by executing a program that makes the computer mounted on the device function. Further, the processing flow of these functional components can be understood as an estimation method.

尚、本発明の本質的機能は、運転データ選択部１１と、相関度取得部１４と、道路区間推定部１５とであって、道路区間記憶部１０２と、教師評価データ分類部１２と、推定モデル生成部１３とは、オプション的に機能させるものであってもよい。 The essential functions of the present invention are the driving data selection unit 11, the correlation degree acquisition unit 14, the road section estimation unit 15, the road section storage unit 102, and the teacher evaluation data classification unit 12. The model generation unit 13 may function as an option.

［運転データ蓄積部１０１］
運転データ蓄積部１０１は、運転手毎の「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた「運転データ」を蓄積する。 [Operation data storage unit 101]
The driving data storage unit 101 stores "driving data" in which "driving position" and "driving vehicle signal" acquired during driving of the vehicle are associated with "individual characteristics" for each driver.

運転データの「個人特性」は、例えば以下のいずれか又はそれらの組み合わせである。
・運転手ＩＤ(IDentifier)
・個人属性
・ＤＳＱ(Driving Style Questionnaire)、
・ＷＳＱ(Workload Sensitivity Questionnaire)、
・ＤＢＱ(Driving Behavior Questionnaire)、
・ＤＢＩ(Driving Behavior Inventory)、
・ＤＡＳ(Driving Anger Scale)、
・情動的共感性尺度、
・ＥＡＥＱ(Everyday Attentional Experiences Questionnaire)、
・ＳＳＳ(Sensation Seeking Scale)、
・ＦＦＭ(Five Factor Model)
ここで、運転手ＩＤ以外の心理的特性は、例えばアンケート回答によって予め取得されたものであってもよいし、その他の方法で取得されたものであってもよい。 The "personal characteristic" of the driving data is, for example, any one of the following or a combination thereof.
・ Driver ID (IDentifier)
・ Personal attributes ・ DSQ (Driving Style Questionnaire),
・ WSQ (Workload Sensitivity Questionnaire),
・ DBQ (Driving Behavior Questionnaire),
・ DBI (Driving Behavior Inventory),
・ DAS (Driving Anger Scale),
・ Affect empathy scale,
・ EAEQ (Everyday Attentional Experiences Questionnaire),
・ SSS (Sensation Seeking Scale),
・ FFM (Five Factor Model)
Here, the psychological characteristics other than the driver ID may be acquired in advance by, for example, answering a questionnaire, or may be acquired by other methods.

個人属性は、性別、年代、生活圏のような運転手のプロファイル情報である。
ＤＳＱ及びＷＳＱは、主に日本国内で用いられている、運転手の個人特性を定量化する指標である。
ＤＳＱは、運転に取り組む態度や志向、考え方の指標であり、「運転スキルへの自信」「消極性」「せっかち」などの項目についてアンケート結果に基づいて５点満点のスコアで定量化される。
ＷＳＱは、どのような種類の運転負担を強く感じるかの指標であり、「交通状況情報把握」「道路環境把握」「運転集中阻害」などの項目についてアンケート結果に基づいて５点満点のスコアで定量化される。
また、ＤＢＱ、ＤＢＩ、ＤＡＳは、主に欧米で用いられている、運転手の個人特性を定量化する指標である。
更に、情動的共感性尺度、ＥＡＥＱ、ＳＳＳ及びＦＦＭは、運転行動に限定しない一般的な個人特性に基づく指標である。 Personal attributes are driver profile information such as gender, age, and living area.
DSQ and WSQ are indexes that are mainly used in Japan to quantify the individual characteristics of drivers.
DSQ is an index of attitude, intention, and way of thinking about driving, and is quantified with a score of 5 points based on the results of a questionnaire for items such as "confidence in driving skills,""negativeness," and "impatientness."
WSQ is an index of what kind of driving burden you feel strongly, and is a score of 5 out of 5 based on the results of the questionnaire for items such as "traffic condition information grasp", "road environment grasp", and "driving concentration inhibition". Quantified.
In addition, DBQ, DBI, and DAS are indexes that are mainly used in Europe and the United States to quantify the individual characteristics of a driver.
In addition, the emotional empathy scale, EAEQ, SSS and FFM are indicators based on general personal characteristics that are not limited to driving behavior.

運転手毎に異なる運転車両信号は、各運転手の性格や習慣のような個人特性から影響を受けている場合が多い。
例えば急発進・急停止・車線変更を繰り返す運転手は、運転スキルに自信があり、せっかちである一方で、安全運転意識が低い場合が多い。また、交通状況情報把握は高いが、運転に集中していない可能性も高い。
一方で、例えば比較的ゆっくりした運転をする運転手は、安全運転意識が高く、十分に事前準備をする場合が多い。また、交通状況情報把握も高く、運転に集中している可能性も高い。 Driving vehicle signals that differ from driver to driver are often influenced by personal characteristics such as the personality and habits of each driver.
For example, a driver who repeatedly starts, stops, and changes lanes is confident in his driving skills and impatient, but often has a low awareness of safe driving. In addition, although it is highly possible to grasp traffic situation information, it is highly possible that the driver is not concentrating on driving.
On the other hand, for example, a driver who drives relatively slowly has a high awareness of safe driving and often makes sufficient advance preparations. In addition, it is highly possible that the traffic situation information is grasped and the driver is concentrating on driving.

図３は、運転データ蓄積部が記憶するテーブルである。 FIG. 3 is a table stored in the operation data storage unit.

図３によれば、運転データ蓄積部１０１は、予めアンケートによって回答された「個人特性」（運転手ＩＤ及び／又は心理的特性を含む）と、車両の運転中の「走行位置情報」及び「運転車両信号」とが対応付けられている。 According to FIG. 3, the driving data storage unit 101 includes "individual characteristics" (including driver ID and / or psychological characteristics) answered in advance by a questionnaire, and "driving position information" and "driving position information" while the vehicle is driving. It is associated with a "driving vehicle signal".

尚、運転データは、不特定多数の第三者に基づく実績データであることも好ましい。また、運転データを、所定期間毎（例えば３か月毎、又は１年毎）に、又は、交通流動の変化時期に更新することによって、新しい道路区間傾向を推定することができる。 It is also preferable that the operation data is actual data based on an unspecified number of third parties. In addition, a new road section tendency can be estimated by updating the driving data every predetermined period (for example, every three months or every year) or at a time when the traffic flow changes.

［道路区間記憶部１０２］
道路区間記憶部１０２は、車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶する。地図から、所定の区間分割ルールに基づいて、道路区間を分割し、運転データ選択部１１へ出力する。 [Road section storage unit 102]
The road section storage unit 102 divides the position range on the map on which the vehicle can travel into a plurality of "road sections" and stores them. From the map, the road section is divided based on a predetermined section division rule and output to the driving data selection unit 11.

図４は、道路区間記憶部が記憶するテーブルである。
図４によれば、道路区間ＩＤ毎に、位置範囲が対応付けられている。位置範囲は、緯度範囲及び経度範囲によって表される。 FIG. 4 is a table stored by the road section storage unit.
According to FIG. 4, a position range is associated with each road section ID. The position range is represented by the latitude range and the longitude range.

図５は、道路区間を区分した地図である。
図５（ａ）によれば、地図領域をメッシュ状に分割し、メッシュ内に含まれる道路を、各区間としたものである。
図５（ｂ）によれば、道路における任意の地点間を結ぶ範囲を、各区間としたものである。 FIG. 5 is a map in which road sections are divided.
According to FIG. 5A, the map area is divided into a mesh shape, and the roads included in the mesh are used as each section.
According to FIG. 5B, each section is defined as a range connecting arbitrary points on the road.

他の実施形態として、道路区間の位置範囲のみならず、地図上の道路種別及び／又は道路条件によって、道路区間を更に限定的に区別したものであってもよい。
「道路種別」としては、例えば道路幅や車線数、高速・国道・都道府県道・市道などがある。
「道路条件」としては、十字路・Ｔ字路・三叉路や横断歩道、踏切、橋、トンネルの有無、道路の勾配、通学路との重複などがある。
尚、道路区間は、地図領域に含まれる全ての道路を必ずしも網羅する必要は無く、一部の地図領域のみであってもよい。 As another embodiment, the road section may be further limitedly distinguished not only by the position range of the road section but also by the road type and / or the road condition on the map.
"Road type" includes, for example, road width, number of lanes, highway, national road, prefectural road, city road, and the like.
"Road conditions" include crossroads, T-junctions, three-way junctions, pedestrian crossings, railroad crossings, bridges, the presence or absence of tunnels, road slopes, and overlap with school roads.
The road section does not necessarily cover all the roads included in the map area, and may be only a part of the map area.

尚、以下で機能する、運転データ選択部１１と、教師評価データ分類部１２と、推定モデル生成部１３と、相関度取得部１４と、道路区間推定部１５とは、道路区間毎に、実行される。 The driving data selection unit 11, the teacher evaluation data classification unit 12, the estimation model generation unit 13, the correlation degree acquisition unit 14, and the road section estimation unit 15 that function as follows are executed for each road section. Will be done.

［運転データ選択部１１］
運転データ選択部１１は、所定の道路区間について、当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する。
また、運転データ選択部１１は、道路区間記憶部１０２に複数の道路区間が記憶されている場合、道路区間の位置範囲毎に、運転データを選択する。
道路区間毎に選択された運転データは、教師評価データ分類部１２へ出力される。尚、最も簡単には、それら運転データは、直接的に相関度取得部１４へ出力されるものであってもよい。 [Operation data selection unit 11]
The driving data selection unit 11 selects a plurality of driving data whose traveling position is included in the position range of the road section for a predetermined road section.
Further, when a plurality of road sections are stored in the road section storage unit 102, the driving data selection unit 11 selects driving data for each position range of the road section.
The driving data selected for each road section is output to the teacher evaluation data classification unit 12. In the simplest case, the operation data may be directly output to the correlation degree acquisition unit 14.

図６は、運転データに対する本発明の学習機能を表す説明図である。 FIG. 6 is an explanatory diagram showing a learning function of the present invention for driving data.

図６によれば、運転データ選択部１１は、道路区間記憶部１０２に記憶された道路区間の位置範囲（道路区間ＩＤ）毎に、その走行位置情報が含まれる運転データを選択する。１つの道路区間ＩＤには、複数の運転手に基づく個人特性及び運転車両信号の組が選択される。 According to FIG. 6, the driving data selection unit 11 selects driving data including the traveling position information for each position range (road section ID) of the road section stored in the road section storage unit 102. For one road section ID, a set of personal characteristics and driving vehicle signals based on a plurality of drivers is selected.

［教師評価データ分類部１２］
教師評価データ分類部１２は、道路区間について、複数の運転データを、「教師用運転データ」と「評価用運転データ」とに任意に分類する。少なくとも教師用運転データ群の数が、評価用運転データ群の数よりも多くなるように分類する。
教師用運転データは、推定モデル生成部１３へ出力され、評価用運転データは、相関度取得部１４へ出力される。 [Teacher evaluation data classification unit 12]
The teacher evaluation data classification unit 12 arbitrarily classifies a plurality of driving data into "teacher driving data" and "evaluation driving data" for the road section. Classify so that at least the number of teacher driving data groups is larger than the number of evaluation driving data groups.
The teacher driving data is output to the estimation model generation unit 13, and the evaluation driving data is output to the correlation degree acquisition unit 14.

図７は、同一の道路区間における運転データの分類を表す説明図である。 FIG. 7 is an explanatory diagram showing the classification of driving data in the same road section.

教師評価データ分類部１２は、同一の道路区間について、教師用運転データと評価用運転データとの組み合わせが異なる複数のデータセットに分類する。
最も単純には、３分割交差検証により推定モデルの学習度合いを評価するために、同一の道路区間の中に３個の運転データが存在する場合、以下のように分類する。図７によれば、教師用運転データと評価用運転データとの組み合わせが、毎回異なるように任意に分類される。
第１のデータセット
教師用運転データ-> 第１の運転データ、第２の運転データ
評価用運転データ-> 第３の運転データ
第２のデータセット
教師用運転データ-> 第１の運転データ、第３の運転データ
評価用運転データ-> 第２の運転データ
第３のデータセット
教師用運転データ-> 第２の運転データ、第３の運転データ
評価用運転データ-> 第１の運転データ
このように、３個のデータセットを作成し、データセット毎に、推定モデル生成部１３及び相関度取得部１４へ入力する。
即ち、教師評価データ分類部１２と、推定モデル生成部１３と、相関度取得部１４とを複数回繰り返す。 The teacher evaluation data classification unit 12 classifies the same road section into a plurality of data sets in which the combination of the teacher driving data and the evaluation driving data is different.
In the simplest way, in order to evaluate the learning degree of the estimation model by three-fold cross verification, when three driving data exist in the same road section, they are classified as follows. According to FIG. 7, the combination of the teacher driving data and the evaluation driving data is arbitrarily classified so as to be different each time.
First dataset
Driving data for teachers-> 1st driving data, 2nd driving data
Evaluation luck rolling data -> third of the operating data of the second data set
Driving data for teachers-> 1st driving data, 3rd driving data
Evaluation luck rolling data -> the second operation data the third data set
Driving data for teachers-> Second driving data, third driving data
Evaluation OPERATION Data -> first operation data in this way, to create a three data sets, each data set, and inputs the estimation model generation unit 13 and the correlation obtaining section 14.
That is, the teacher evaluation data classification unit 12, the estimation model generation unit 13, and the correlation degree acquisition unit 14 are repeated a plurality of times.

［推定モデル生成部１３］
推定モデル生成部１３は、道路区間について、教師用運転データの個人特性及び運転車両信号から、所定のアルゴリズムを用いて推定モデルを生成する。即ち、道路区間毎に、推定モデルが作成される。 [Estimation model generation unit 13]
The estimation model generation unit 13 generates an estimation model for the road section using a predetermined algorithm from the personal characteristics of the teacher's driving data and the driving vehicle signal. That is, an estimation model is created for each road section.

推定モデル生成部１３は、統計的分類アルゴリズムを用いた機械学習によって推定モデルを生成する。
ここでは、「個人特性」と「運転車両信号」との相関度に基づく推定モデルを構築する。統計的分類アルゴリズムとしては、例えばRandom Forestや、Support Vector Machine、Naive Bayes、K-nearest neighborのように、識別問題に用いられる一般的な機械学習アルゴリズムを用いてもよい。 The estimation model generation unit 13 generates an estimation model by machine learning using a statistical classification algorithm.
Here, an estimation model based on the degree of correlation between "individual characteristics" and "driving vehicle signal" is constructed. As the statistical classification algorithm, a general machine learning algorithm used for identification problems such as Random Forest, Support Vector Machine, Naive Bayes, and K-nearest neighbor may be used.

生成された推定モデルに、「運転車両信号」を入力することよって、「個人特性」を出力することができる。推定モデルが機械学習エンジンである場合、入力された「運転車両信号」に対して出力された「個人特性」の尤度（後述する相関度）が更に出力されるものであってもよい。 By inputting the "driving vehicle signal" into the generated estimation model, the "personal characteristics" can be output. When the estimation model is a machine learning engine, the likelihood (correlation degree) of the output "individual characteristic" with respect to the input "driving vehicle signal" may be further output.

他の実施形態として、同一の道路区間であっても、教師評価データ分類部１２から出力された教師データ群（データセット）毎に、推定モデルを生成するものであってもよい。この場合、同一の道路区間であっても、複数の推定モデルが生成される。 As another embodiment, even if it is the same road section, an estimation model may be generated for each teacher data group (data set) output from the teacher evaluation data classification unit 12. In this case, a plurality of estimation models are generated even for the same road section.

［相関度取得部１４］
相関度取得部１４は、道路区間について、個人特性と運転車両信号との相関度を取得する。ここで、運転データ選択部１１から出力された運転データ群を直接的に処理して、個人特性と運転車両信号との相関度を導出するものであってもよい。その相関度は、例えば、統計分析的なアルゴリズムによって算出するものであってよい。 [Correlation degree acquisition unit 14]
The correlation degree acquisition unit 14 acquires the degree of correlation between the personal characteristics and the driving vehicle signal for the road section. Here, the driving data group output from the driving data selection unit 11 may be directly processed to derive the degree of correlation between the personal characteristics and the driving vehicle signal. The degree of correlation may be calculated by, for example, a statistical analysis algorithm.

また、他の実施形態として、相関度取得部１４は、道路区間について、推定モデル生成部１３によって生成された推定モデルを用いて、評価用運転データにおける個人特性と運転車両信号との相関度を取得するものであってもよい。例えば以下のような２つの実施形態がある。 Further, as another embodiment, the correlation degree acquisition unit 14 uses the estimation model generated by the estimation model generation unit 13 for the road section to obtain the correlation degree between the personal characteristics in the evaluation driving data and the driving vehicle signal. It may be the one to be acquired. For example, there are the following two embodiments.

＜第１の実施形態：評価用運転データの正否に基づく相関度＞
相関度取得部１４は、評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」と、当該評価用運転データの正解の「個人特性」とを比較して、正否を判定する。そして、評価用運転データの全数に対する正判定の数の割合を、相関度とする。
相関度＝評価用運転データの正判定の数／評価用運転データの全数
尚、評価用運転データの全数とすることなく、所定数としたものであってもよい。 <First embodiment: Correlation degree based on correctness of evaluation operation data>
The correlation degree acquisition unit 14 inputs the "driving vehicle signal" of the evaluation driving data into the estimation model, and compares the "individual characteristic" that is the output with the "individual characteristic" of the correct answer of the evaluation driving data. To judge the correctness. Then, the ratio of the number of positive judgments to the total number of evaluation operation data is defined as the degree of correlation.
Correlation degree = number of positive judgments of evaluation operation data / total number of evaluation operation data Note that the number may be a predetermined number instead of the total number of evaluation operation data.

また、相関度取得部１４は、同一の道路区間について、複数のデータセットが存在する場合、各データセットの相関度の平均値を、その道路区間における相関度として出力するものであってもよい。 Further, when a plurality of data sets exist for the same road section, the correlation degree acquisition unit 14 may output the average value of the correlation degree of each data set as the correlation degree in the road section. ..

図８は、同一の道路区間における複数の評価用運転データから相関度を算出する説明図である。
図８によれば、道路区間１における複数のデータセットに基づく相関度と、道路区間２における複数のデータセットに基づく相関度とを比較して、道路区間１の方が、相関度が高いことを認識することができる。 FIG. 8 is an explanatory diagram for calculating the degree of correlation from a plurality of evaluation driving data in the same road section.
According to FIG. 8, the degree of correlation based on the plurality of data sets in the road section 1 is compared with the degree of correlation based on the plurality of data sets in the road section 2, and the degree of correlation is higher in the road section 1. Can be recognized.

＜第２の実施形態：機械学習の推定モデルから出力される尤度に基づく相関度＞
相関度取得部１４は、評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」に基づく尤度を、相関度として出力するものであってもよい。 <Second embodiment: Correlation degree based on the likelihood output from the estimation model of machine learning>
The correlation degree acquisition unit 14 may input the "driving vehicle signal" of the evaluation driving data into the estimation model and output the likelihood based on the "individual characteristic" which is the output as the correlation degree.

尚、相関度取得部１４は、前述した第１の実施形態の第１の相関度と、第２の実施形態の第２の相関度との両方を、道路区間推定部１５へ出力するものであってもよい。 The correlation degree acquisition unit 14 outputs both the first correlation degree of the above-mentioned first embodiment and the second correlation degree of the second embodiment to the road section estimation unit 15. There may be.

［道路区間推定部１５］
道路区間推定部１５は、相関度に応じて道路区間を推定する。具体的には、相関度が所定閾以上となる道路区間を推定するものであってもよいし、任意の分布における相関度の相対的な高さに応じて道路区間を推定するものであってもよい。
また、道路区間推定部１５は、複数の道路区間の中で、相関度が高い順に１つ以上の道路区間（例えば上位１０区間）を、運転手の個人特性と運転車両信号との相関度が高い道路区間として推定するものであってもよい。 [Road section estimation unit 15]
The road section estimation unit 15 estimates the road section according to the degree of correlation. Specifically, the road section where the degree of correlation is equal to or higher than a predetermined threshold may be estimated, or the road section is estimated according to the relative height of the degree of correlation in an arbitrary distribution. May be good.
Further, the road section estimation unit 15 determines the degree of correlation between the driver's personal characteristics and the driving vehicle signal in one or more road sections (for example, the top 10 sections) in descending order of the degree of correlation among the plurality of road sections. It may be estimated as a high road section.

更に、相関度取得部１４が、前述した第１の相関度と第２の相関度との両方を出力する場合、例えば以下のような組み合わせによって推定することもできる。
第１の相関度が所定閾値以上＋第２の相関度が所定閾値以上 ->相関傾向：高
第１の相関度が所定閾値以上＋第２の相関度が所定閾値未満 ->相関傾向：中
第１の相関度が所定閾値未満＋第２の相関度が所定閾値以上 ->相関傾向：中
第１の相関度が所定閾値未満＋第２の相関度が所定閾値未満 ->相関傾向：低 Further, when the correlation degree acquisition unit 14 outputs both the first correlation degree and the second correlation degree described above, it can be estimated by, for example, the following combination.
The first correlation degree is above the predetermined threshold value + the second correlation degree is above the predetermined threshold value-> Correlation tendency: High The first correlation degree is above the predetermined threshold value + the second correlation degree is below the predetermined threshold value-> Correlation tendency: Medium The first correlation degree is less than the predetermined threshold value + the second correlation degree is the predetermined threshold value or more-> Correlation tendency: Medium The first correlation degree is less than the predetermined threshold value + the second correlation degree is less than the predetermined threshold value-> Correlation tendency: Low

また、他の実施形態として、道路区間の総距離に基づいて、道路区間を推定するものであってもよい。例えば、２つの道路区間で同一の相関度である場合、総距離が短い道路区間を高い順序で推定する。総距離が短い区間ほど、収集できる少ない運転データの数で、個人特性を推定することができる。 Further, as another embodiment, the road section may be estimated based on the total distance of the road section. For example, if the two road sections have the same degree of correlation, the road sections with the shortest total distance are estimated in descending order. The shorter the total distance, the smaller the number of driving data that can be collected, and the personal characteristics can be estimated.

尚、道路区間を推定するための相関度は、個人特性と運転車両情報とから算出される。そのために、対象とする「個人特性」によっては、相関度が変化するために、推定される道路区間も異なるものとなる。勿論、対象とする「運転車両情報」によっても、相関度が変化することとなり、推定される道路区間も異なるものとなる。 The degree of correlation for estimating the road section is calculated from the personal characteristics and the driving vehicle information. Therefore, depending on the target "individual characteristics", the degree of correlation changes, so that the estimated road section also differs. Of course, the degree of correlation also changes depending on the target "driving vehicle information", and the estimated road section also differs.

＜運転データの構成要素の拡張＞
他の実施形態として、運転データに、外因情報として更に「時間帯」、「天候状況情報」、「交通状況情報」、「車両属性情報」のいずれか又はそれらの組み合わせを対応付けることも好ましい。 <Expansion of components of operation data>
As another embodiment, it is also preferable to associate the driving data with any one or a combination of "time zone", "weather condition information", "traffic condition information", and "vehicle attribute information" as extrinsic information.

図９は、運転データに外因情報を対応付けたテーブルである。 FIG. 9 is a table in which operation data is associated with extrinsic information.

同一の道路区間であっても、時間帯（早朝、夜間など）や天候状況（降雨、降雪など）、交通状況情報（渋滞時など）、車両属性情報によっては、運転手の個人特性と運転車両信号との相関度が高くなる場合がある。 Even on the same road section, depending on the time of day (early morning, night, etc.), weather conditions (rainfall, snowfall, etc.), traffic condition information (congestion, etc.), and vehicle attribute information, the driver's personal characteristics and driving vehicle The degree of correlation with the signal may be high.

交通状況情報は、車両端末２から受信したＶＩＣＳ情報であってもよい。また、例えば20km/h以下で所定時間走行している場合を、単に渋滞と判定するものであってもよい。
また、車両属性情報としては、車両の駆動方式（例えば２ＷＤ（FR、FF、MR、RR）／４ＷＤなど）、ハンドル位置、車体タイプ（例えばミニバン／クーペ／セダン／ワンボックスなど)のようなものである。 The traffic condition information may be VICS information received from the vehicle terminal 2. Further, for example, when the vehicle travels at 20 km / h or less for a predetermined time, it may be simply determined to be a traffic jam.
In addition, vehicle attribute information includes vehicle drive system (for example, 2WD (FR, FF, MR, RR) / 4WD, etc.), steering wheel position, body type (for example, minivan / coupe / sedan / one box, etc.). Is.

推定モデル生成部１３は、運転車両信号に、「時間帯、天候状況情報、交通状況情報及び車両属性情報」を加えて、個人特性に基づく推定モデルを生成する。即ち、同一の道路区間であっても、時間帯／天候状況／交通状況情報／車両属性情報の組み合わせそれぞれ、異なる推定モデルが生成される。
また、相関度取得部１４も、推定モデルを用いて、評価用運転データに基づく「運転車両信号、時間帯、天候状況情報、交通状況情報及び車両属性情報」と、個人特性との相関度を取得することができる。即ち、同一の道路区間であっても、時間帯／天候状況／交通状況情報／車両属性情報の組み合わせそれぞれ、異なる相関度が取得される。 The estimation model generation unit 13 adds "time zone, weather condition information, traffic condition information, and vehicle attribute information" to the driving vehicle signal to generate an estimation model based on personal characteristics. That is, even in the same road section, different estimation models are generated for each combination of time zone / weather condition / traffic condition information / vehicle attribute information.
In addition, the correlation degree acquisition unit 14 also uses an estimation model to obtain the degree of correlation between "driving vehicle signal, time zone, weather condition information, traffic condition information and vehicle attribute information" based on the evaluation driving data and personal characteristics. Can be obtained. That is, even in the same road section, different correlation degrees are acquired for each combination of time zone / weather condition / traffic condition information / vehicle attribute information.

以上、詳細に説明したように、本発明の推定装置、プログラム及び方法によれば、運転車両信号から個人特性を特定しやすい道路区間を推定する。推定された道路区間の運転データのみを、車両端末から推定装置へ収集することができる。
As described in detail above, according to the estimation device , program, and method of the present invention, a road section in which personal characteristics can be easily identified is estimated from a driving vehicle signal. Only the estimated driving data of the road section can be collected from the vehicle terminal to the estimation device.

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。 With respect to the various embodiments of the present invention described above, various changes, modifications and omissions within the scope of the technical idea and viewpoint of the present invention can be easily made by those skilled in the art. The above explanation is just an example and does not attempt to restrict anything. The present invention is limited only to the scope of claims and their equivalents.

１ 推定装置
１０１ 運転データ蓄積部
１０２ 道路区間記憶部
１１ 運転データ選択部
１２ 教師評価データ分類部
１３ 推定モデル生成部
１４ 相関度取得部
１５ 道路区間推定部
２ 車両端末
２１ 道路区間受信部
２２ 運転データ送信部 1 Estimator 101 Driving data storage unit 102 Road section storage unit 11 Driving data selection unit 12 Teacher evaluation data classification unit 13 Estimated model generation unit 14 Correlation degree acquisition unit 15 Road section estimation unit 2 Vehicle terminal 21 Road section reception unit 22 Driving data Transmitter

Claims (11)

「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する推定装置であって、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶する道路区間記憶手段と、
前記道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する運転データ選択手段と、
個人特性と運転車両信号との相関度を取得する相関度取得手段と、
前記相関度に応じて道路区間を推定する道路区間推定手段と
を機能させることを特徴とする推定装置。 An estimation device that accumulates driving data by associating "individual characteristics" with "driving position" and "driving vehicle signal" acquired while driving a vehicle.
A road section storage means that divides the position range on the map on which the vehicle can travel into a plurality of "road sections" and stores them.
For each road section
And operation data selecting means for selecting a plurality of operating data including the travel position in the position range of those the road section,
A correlation obtaining means for obtaining a correlation between individuals characteristics and operating the vehicle signal,
A road section estimating means for estimating a road section according to prior Symbol correlation
An estimation device characterized by functioning . 前記道路区間推定手段は、複数の道路区間の中で、相関度が高い順に１つ以上の道路区間を出力する
ことを特徴とする請求項１に記載の推定装置。 The estimation device according to claim 1 , wherein the road section estimation means outputs one or more road sections in descending order of correlation among a plurality of road sections. 前記道路区間について、運転データの個人特性及び運転車両信号から、所定のアルゴリズムを用いて推定モデルを生成する推定モデル生成手段を更に有し、
前記相関度取得手段は、前記推定モデルを用いて前記相関度を取得する
ことを特徴とする請求項１又は２に記載の推定装置。 Further having an estimation model generating means for generating an estimation model using a predetermined algorithm from the personal characteristics of the driving data and the driving vehicle signal for the road section.
The estimation device according to claim 1 or 2 , wherein the correlation degree acquisition means acquires the correlation degree using the estimation model. 前記推定モデル生成手段は、統計的分類アルゴリズムを用いた機械学習によって前記推定モデルを生成し、
前記相関度は、前記機械学習に基づく個人特性の尤度（判定確率）である
ことを特徴とする請求項３に記載の推定装置。 The estimation model generation means generates the estimation model by machine learning using a statistical classification algorithm.
The estimation device according to claim 3 , wherein the correlation degree is a likelihood (determination probability) of an individual characteristic based on the machine learning. 前記道路区間について、前記運転データ選択手段によって選択された複数の運転データを、教師用運転データと評価用運転データとに任意に分類する教師評価データ分類手段を更に有し、
前記推定モデル生成手段は、前記道路区間について、教師用運転データの個人特性及び運転車両信号から、所定のアルゴリズムを用いて推定モデルを生成し、
前記相関度取得手段は、前記道路区間について、前記推定モデルを用いて、評価用運転データにおける個人特性と運転車両信号との相関度を取得する
ことを特徴とする請求項３又は４に記載の推定装置。 Further having a teacher evaluation data classification means for arbitrarily classifying a plurality of driving data selected by the driving data selection means for the road section into teacher driving data and evaluation driving data.
The estimation model generation means generates an estimation model for the road section from the personal characteristics of the teacher's driving data and the driving vehicle signal by using a predetermined algorithm.
The third or fourth aspect of the present invention, wherein the correlation degree acquisition means acquires the correlation degree between the personal characteristics in the evaluation driving data and the driving vehicle signal for the road section by using the estimation model. Estimator. 前記相関度取得手段は、
評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」と、当該評価用運転データの正解の「個人特性」とを比較して、正否を判定し、評価用運転データの所定数に対する正判定の数の割合を、相関度とする
相関度＝評価用運転データの正判定の数／評価用運転データの所定数
又は、
評価用運転データの「運転車両信号」を推定モデルに入力し、その出力となる「個人特性」に基づく尤度を、相関度とする
ことを特徴とする請求項５に記載の推定装置。 The correlation degree acquisition means
The "driving vehicle signal" of the evaluation driving data is input to the estimation model, and the "individual characteristic" that is the output is compared with the "individual characteristic" of the correct answer of the evaluation driving data to judge the correctness. The ratio of the number of positive judgments to the predetermined number of evaluation operation data is defined as the degree of correlation. Correlation degree = number of correct judgments of evaluation operation data / predetermined number of evaluation operation data or
The estimation device according to claim 5 , wherein the "driving vehicle signal" of the evaluation driving data is input to the estimation model, and the likelihood based on the "individual characteristic" which is the output thereof is used as the correlation degree. 同一の道路区間の中で、前記教師評価データ分類手段と、前記推定モデル生成手段と、前記相関度取得手段とを繰り返すものであって、
前記教師評価データ分類手段は、同一の道路区間について、教師用運転データと評価用運転データとの組み合わせが異なる複数のデータセットに分類し、
前記推定モデル生成手段は、前記データセット毎に、教師用運転データから推定モデルを生成し、
前記相関度取得手段は、同一の道路区間について、複数のデータセットが存在する場合、データセット毎の相関度の平均値を、相関度として出力する
ことを特徴とする請求項５又は６に記載の推定装置。 Within the same road section, the teacher evaluation data classification means, the estimation model generation means, and the correlation degree acquisition means are repeated.
The teacher evaluation data classification means classifies the same road section into a plurality of data sets having different combinations of teacher driving data and evaluation driving data.
The estimation model generation means generates an estimation model from the teacher's driving data for each data set.
The fifth or sixth aspect of the present invention, wherein the correlation degree acquisition means outputs the average value of the correlation degree for each data set as the correlation degree when a plurality of data sets exist for the same road section. Estimator. 前記運転データには、更に「時間帯」、「天候状況情報」、「交通状況情報」、「車両属性情報」のいずれか又はそれらの組み合わせが対応付けられている
ことを特徴とする請求項１から７のいずれか１項に記載の推定装置。 Claim 1 is characterized in that the driving data is further associated with any one or a combination of "time zone", "weather condition information", "traffic condition information", and "vehicle attribute information". 7. The estimation device according to any one of 7 . 前記運転データの「個人特性」は、
運転手ＩＤ(IDentifier)
個人属性
ＤＳＱ(Driving Style Questionnaire)、
ＷＳＱ(Workload Sensitivity Questionnaire)、
ＤＢＱ(Driving Behavior Questionnaire)、
ＤＢＩ(Driving Behavior Inventory)、
ＤＡＳ(Driving Anger Scale)、
情動的共感性尺度、
ＥＡＥＱ(Everyday Attentional Experiences Questionnaire)、
ＳＳＳ(Sensation Seeking Scale)、
ＦＦＭ(Five Factor Model)
のいずれか又はそれらの組み合わせである
ことを特徴とする請求項１から８のいずれか１項に記載の推定装置。 The "personal characteristics" of the driving data are
Driver ID (IDentifier)
Personal attributes DSQ (Driving Style Questionnaire),
WSQ (Workload Sensitivity Questionnaire),
DBQ (Driving Behavior Questionnaire),
DBI (Driving Behavior Inventory),
DAS (Driving Anger Scale),
Affect empathy scale,
EAEQ (Everyday Attentional Experiences Questionnaire),
SSS (Sensation Seeking Scale),
FFM (Five Factor Model)
The estimation device according to any one of claims 1 to 8 , wherein the estimation device is any one of the above or a combination thereof. 運転手毎の「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する推定装置に搭載されたコンピュータを機能させるプログラムであって、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶する道路区間記憶手段と、
前記道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する運転データ選択手段と、
個人特性と運転車両信号との相関度を取得する相関度取得手段と、
前記相関度に応じて道路区間を推定する道路区間推定手段と
してコンピュータを機能させることを特徴とするプログラム。 A program that activates a computer installed in an estimation device that stores driving data by associating the "personal characteristics" of each driver with the "driving position" and "driving vehicle signal" acquired while driving the vehicle. There,
A road section storage means that divides the position range on the map on which the vehicle can travel into a plurality of "road sections" and stores them.
For each road section
And operation data selecting means for selecting a plurality of operating data including the travel position in the position range of those the road section,
A correlation obtaining means for obtaining a correlation between individuals characteristics and operating the vehicle signal,
Program for causing a computer to function as a road section estimating means for estimating a road section according to prior Symbol correlation. 運転手毎の「個人特性」に、車両の運転中に取得された「走行位置」及び「運転車両信号」を対応付けた、運転データを蓄積する装置の推定方法であって、
前記装置は、
車両が走行可能な地図上の位置範囲を、複数の「道路区間」に区分して記憶しており、
前記道路区間毎に、
当該道路区間の位置範囲に走行位置が含まれる複数の運転データを選択する第１のステップと、
個人特性と運転車両信号との相関度を取得する第２のステップと、
前記相関度に応じて道路区間を推定する第３のステップと
を実行することを特徴とする装置の推定方法。 It is an estimation method of a device that accumulates driving data by associating the "individual characteristics" of each driver with the "driving position" and "driving vehicle signal" acquired while driving the vehicle.
The device
The position range on the map where the vehicle can travel is divided into multiple "road sections" and stored.
For each road section
A first step of selecting a plurality of operating data including the travel position in the position range of those the road section,
A second step of obtaining a correlation between individuals characteristics and operating the vehicle signal,
Method of estimating apparatus characterized by performing a third step of estimating a road section according to prior Symbol correlation.
JP2017134107A 2017-07-07 2017-07-07 Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics Active JP6817685B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017134107A JP6817685B2 (en) 2017-07-07 2017-07-07 Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017134107A JP6817685B2 (en) 2017-07-07 2017-07-07 Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics

Publications (2)

Publication Number Publication Date
JP2019016238A JP2019016238A (en) 2019-01-31
JP6817685B2 true JP6817685B2 (en) 2021-01-20

Family

ID=65358676

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017134107A Active JP6817685B2 (en) 2017-07-07 2017-07-07 Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics

Country Status (1)

Country Link
JP (1) JP6817685B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062648B (en) * 2019-12-31 2023-10-27 长安大学 Evaluation method for comprehensive performance of asphalt pavement
JP2023165316A (en) * 2022-05-02 2023-11-15 トヨタ自動車株式会社 Personal characteristic management device, personal characteristic management method, program, and method of generating learned model

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010044543A (en) * 2008-08-12 2010-02-25 Kddi Corp Probe data collection system, probe data collection method, program, and program recording medium
JP5664533B2 (en) * 2011-12-09 2015-02-04 トヨタ自動車株式会社 Vehicle driver identifying learning device, vehicle driver identifying learning method, vehicle driver identifying device, and vehicle driver identifying method
MX2015000832A (en) * 2012-07-17 2015-04-08 Nissan Motor Driving assistance system and driving assistance method.
WO2014034779A1 (en) * 2012-08-31 2014-03-06 日産自動車株式会社 Individual characteristic estimation unit and individual characteristic estimation method
JP6187370B2 (en) * 2014-04-10 2017-08-30 トヨタ自動車株式会社 Driving behavior classification device and driving behavior classification method
US9347779B1 (en) * 2014-12-10 2016-05-24 Here Global B.V. Method and apparatus for determining a position of a vehicle based on driving behavior

Also Published As

Publication number Publication date
JP2019016238A (en) 2019-01-31

Similar Documents

Publication Publication Date Title
JP5900454B2 (en) Vehicle lane guidance system and vehicle lane guidance method
US9387860B2 (en) Driver behavior from probe data for augmenting a data model
Ferreira et al. The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process
US9103688B2 (en) Adapting vehicle personality using analyzed driver performance metrics
Soteropoulos et al. Automated drivability: Toward an assessment of the spatial deployment of level 4 automated vehicles
EP2710572B1 (en) Vehicle data analysis method and vehicle data analysis system
US10635117B2 (en) Traffic navigation for a lead vehicle and associated following vehicles
JP6727868B2 (en) Route guidance device, route guidance system, route guidance method and route guidance program
Mohamad et al. Abnormal driving detection using real time global positioning system data
Wu et al. An improved vehicle-pedestrian near-crash identification method with a roadside LiDAR sensor
US20150045986A1 (en) Systems and Methods for Determining Driver Fatigue Level from Lane Variability and Geographic Location
CN104875740B (en) For managing the method for following space, main vehicle and following space management unit
JP6817685B2 (en) Estimators, programs and methods for estimating road sections from driving vehicle signals that make it easy to identify personal characteristics
Padarthy et al. Identification and classification of slippery winter road conditions using commonly available vehicle variables
JP4919172B2 (en) Vehicle guidance device
CN114475627A (en) Enhanced vehicle operation
Tishkin et al. Method of the GPS tracking analysis for extraction of geometrical properties
Ødegård et al. Do we need a change in road winter maintenance to accommodate for automated vehicles? A state-of-the-art literature review considering automated vehicle technology’s usage of road infrastructure during winter
CN116092037B (en) Vehicle type identification method integrating track space-semantic features
Vaiana et al. Demanded versus assumed friction along horizontal curves: An on-the-road experimental investigation
US11587441B1 (en) Location risk determination and ranking based on vehicle events and/or an accident database
KR20230011834A (en) Methods and systems for travel time estimation
Tonguç et al. Improvement of the visual warning system for various driving and road conditions in road transportation
WO2020174157A1 (en) Speed recommendation methods and systems
CN111931968A (en) Method for optimizing public bicycle station layout by applying mobile phone GPS data

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190701

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200618

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200702

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200720

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: 20201224

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201224

R150 Certificate of patent or registration of utility model

Ref document number: 6817685

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150