JP7334057B2 - A system that predicts driving hazards - Google Patents
A system that predicts driving hazards Download PDFInfo
- Publication number
- JP7334057B2 JP7334057B2 JP2019088870A JP2019088870A JP7334057B2 JP 7334057 B2 JP7334057 B2 JP 7334057B2 JP 2019088870 A JP2019088870 A JP 2019088870A JP 2019088870 A JP2019088870 A JP 2019088870A JP 7334057 B2 JP7334057 B2 JP 7334057B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- model
- driving
- prediction
- biometric data
- 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
- 238000011156 evaluation Methods 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 description 33
- 210000000467 autonomic pathway Anatomy 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 101100180304 Arabidopsis thaliana ISS1 gene Proteins 0.000 description 7
- 101150118172 VAS1 gene Proteins 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101150054071 vas2 gene Proteins 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005037 parasympathetic nerve Anatomy 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本開示は、運転の危険リスクの予測に関する。 The present disclosure relates to predicting driving hazard risk.
近年、物流トラックや長距離バス等において、運転者の健康状態や疲労に起因する交通事故の発生が問題となっている。安全性の向上を図り、運転中の運転者の状態をモニタリングする生体センサや、車間距離や速度等の車の状態をリアルタイムに計測する技術の適用が進んでいる。 BACKGROUND ART In recent years, there has been a problem of traffic accidents caused by drivers' health conditions and fatigue in logistics trucks, long-distance buses, and the like. In order to improve safety, biosensors that monitor the state of the driver while driving, and technology that measures vehicle conditions such as inter-vehicle distance and speed in real time are being applied.
例えば、本開示の背景技術として、特開2017-27414公報(特許文献1)がある。特許文献1は、「安全運転支援装置100は、携帯電話端末200のライフログセンサー300から、ライフログデータを受け付け、移動体400Mのテレマティクス装置400から、運転挙動データを受け付け、保険サーバ500から事故データを受付け、ライフログデータと運転挙動データと事故データとを用いて、生体が車両を運転する場合の危険度を特定し、事故回避のための注意情報を携帯電話端末200およびテレマティクス装置400に提供する。」ことを開示している(例えば要約)。
For example, as a background technology of the present disclosure, there is Japanese Patent Laying-Open No. 2017-27414 (Patent Document 1).
特許文献1は、事故が起こった際に見られる、ライフログデータの顕著な異常値をもとにアラートを出しており、事故リスクの日々の細かな変動を予測することができなかった。また、特許文献1は、一般的な事故データを元にしており、個人間の差異や個人毎の特徴を反映することができなかった。したがって、個人毎の運転における危険リスクを適切に予測できる技術が望まれる。
In
本開示の一態様のシステムは、前記1以上の記憶装置の少なくとも1つが格納するプログラムに従って動作する1以上のプロセッサと、を含む。前記1以上のプロセッサは、生体データに基づき危険運転操作回数を予測する予測モデルであって、個人の過去の生体データに対応する予測モデルを取得し、前記取得された予測モデルを使用して、前記個人の車両の運転の前に測定された生体データに基づき、前記個人の車両の運転における危険リスク予測レベルを決定する。 A system according to one aspect of the present disclosure includes one or more processors that operate according to a program stored in at least one of the one or more storage devices. The one or more processors acquire a prediction model that predicts the number of dangerous driving operations based on biometric data, the prediction model corresponding to past biometric data of the individual, and using the acquired prediction model, Based on biometric data measured prior to the individual driving the vehicle, a predicted level of danger risk in the individual driving the vehicle is determined.
本開示の一態様によれば、個人毎の運転における危険リスクを適切に予測できる。 According to one aspect of the present disclosure, it is possible to appropriately predict danger risks in driving for each individual.
以下、添付図面を参照して本発明の実施形態を説明する。本実施形態は本発明を実現するための一例に過ぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。 Embodiments of the present invention will be described below with reference to the accompanying drawings. It should be noted that this embodiment is merely an example for realizing the present invention and does not limit the technical scope of the present invention.
以下において、運転の危険リスクを予測するシステムを開示する。以下、一実施形態の運行管理補助システムを説明する。運行管理補助システムは、例えば、トラック、バス、タクシーなどの陸運業における車両の運行管理を補助することができる。なお、本開示の運転における危険リスクの予測は、複数車両の運行管理に限らず、1又は複数の運転者それぞれの運転前の危険リスクの予測に適用することができる。 In the following, a system for predicting driving hazards is disclosed. An operation management assistance system according to one embodiment will be described below. The operation management assistance system can assist operation management of vehicles in the land transportation industry, such as trucks, buses, and taxis. Note that the prediction of danger risks in driving according to the present disclosure is not limited to operation management of multiple vehicles, and can be applied to prediction of danger risks before driving for each of one or more drivers.
図1は、運行管理補助システムを含むシステム構成例を示す。運行管理補助システム2、運転データ収集装置15、予測結果表示端末31、生体データ収集装置32、主観評価データ収集装置33は、それぞれネットワークを介して通信を行うことが可能である。
FIG. 1 shows a system configuration example including an operation management assistance system. The operation management assistance system 2, the driving
運転データ収集装置15は車両1に搭載されており、車両1に搭載されたセンサデバイスの測定データ(車載センサデータ又は運転データ)を取得し、運行管理補助システム2に送信する。図1の例において、車両1に搭載されたセンサデバイスは、GNSS(Global Nagigation Satellite System)による位置センサ(GNSS)11、車間距離センサ12、速度計13及び加速度センサ14を含む。運転データ収集装置15は、車両1外に設置され、ネットワークを介して車載センサデバイスからのデータを受信してもよい。
The driving
予測結果表示端末31は、運行管理補助システム2による運転中の危険リスクの予測結果を表示する。危険リスクの予測方法及び予測結果の表示画像等についての詳細は後述する。
The prediction
生体データ収集装置32は、生体計測器から運転者の計測データを取得し、運行管理補助システム2に送信する。図1の例において、使用される生体計測器は、心拍計34、体温計35及び血圧計36を含む。運転者又は管理者は、例えば、1日の運転前及び運転後に、生体計測器を使用して当該運転者の生体データを計測する。
The biological
主観評価データ収集装置33は、運転者の主観評価を取得して、運行管理補助システム2に送信する。運転者は、例えば、運転者の生体データの計測時に、主観評価データ収集装置33に対して自身の体調についての主観評価を入力する。主観評価の入力の詳細は、後述する。
The subjective evaluation
運行管理補助システム2は、処理を行う複数のプログラム及び複数のプログラムが処理するデータを保持している。運行管理補助システム2が実行するプログラムは、危険判定プログラム221、生体モデル選択プログラム222、予測モデル訓練プログラム223、及び予測結果提示プログラム224を含む。
The operation management assistance system 2 holds a plurality of processing programs and data processed by the plurality of programs. The programs executed by the operation management assistance system 2 include a risk determination program 221, a biological
危険判定プログラム221は、運転データ収集装置15から送信された車載センサデータを分析して、危険運転操作を検出する。生体モデル選択プログラム222は、運転者に適した生体モデルを選択する。生体モデルの詳細は後述する。予測モデル訓練プログラム223は、選択された生体モデルに含まれる予測モデルを訓練して、訓練済み予測モデル253を生成する。後述するように、訓練済み予測モデル253は、運転者の運転の危険リスクレベルを予測する。予測結果提示プログラム224は、予測された運転者の危険リスクレベルについての情報を提示する。
The danger determination program 221 analyzes the vehicle-mounted sensor data transmitted from the driving
運行管理補助システム2が保持するデータは、履歴データ24、生体モデルDB251、関連付けデータ252、訓練済み予測モデル253、及び運転前データ26を含む。履歴データ24は、1又は複数の車両及び1又は複数の運転者についての過去のデータ履歴を含み、以下に説明する例においては、複数の車両及び複数の運転者についての過去のデータ履歴を含む。履歴データ24は、具体的には、生体データデータベース(DB)241、主観評価データDB242、危険運転操作データDB243、車載センサデータDB244を含む。
Data held by the operation management assistance system 2 includes
生体データDB241は、生体データ収集装置32から受信した生体データを格納している。生体データDB241は、複数の運転者の測定された生体データ履歴を格納している。以下に説明する例においては、心拍変動や体温等の運転の前後で変化し得る値が測定される。
The
主観評価データDB242は、主観評価データ収集装置33から受信した主観評価データを格納している。主観評価データは、運転者による自身の体調についての主観評価を示す。主観評価データDB242は、複数の運転者の主観評価データ履歴を格納している。後述するように、生体データDB241及び主観評価データDB242における個人のデータは、運転危険リスクの予測モデルの選択のために参照される。
The subjective
車載センサデータDB244は、運転データ収集装置15から受信した車載センサデータ(運転データ)を格納している。車載センサデータDB244は、複数の運転者の車載センサデータの履歴を格納している。危険運転操作データDB243は、運転における危険運転操作の履歴(危険運転操作データ履歴)を格納している。危険判定プログラム221は、車載センサデータDB244に格納されているデータから、各運転単位(例えば一人の運転者の1日の運転)における危険運転操作を検出し、その情報を危険運転操作データDB243に格納する。
The in-vehicle sensor data DB 244 stores in-vehicle sensor data (driving data) received from the driving
危険判定プログラム221による危険運転操作の判定は、任意の技術を利用することができ、その基準は設計に依存する。危険と判定される運転の例は、急ブレーキ、急発進、法定速度に対して速すぎる車速、狭すぎる車間距離等を含む。危険判定プログラム221は、車載センサデータから、様々な危険運転操作を検出する。例えば、急ブレーキや急発進は加速度センサ14のデータから検出でき、車間距離は車間距離センサ12のデータから取得できる。位置センサ11及び地図情報(不図示)から法定速度を知り、速度計13により車速が分かる。
Any technique can be used for the determination of the dangerous driving operation by the risk determination program 221, and the criteria depend on the design. Examples of driving that is determined to be unsafe include sudden braking, sudden acceleration, vehicle speeds that are too high for the legal speed limit, too narrow inter-vehicle distances, and the like. The danger determination program 221 detects various dangerous driving operations from on-vehicle sensor data. For example, sudden braking and sudden start can be detected from the data of the
生体モデルDB251は、複数の生体モデルを格納している。生体モデルは、後述するように、説明モデル、意味解釈データ、及び危険リスクの予測モデルを含む。これらの詳細は後述する。関連付けデータ252は、生体モデル選択プログラム222により、履歴データ24から生成される。関連付けデータ252は、履歴データ24から抽出された特定の運転者のデータである。
The
訓練済み予測モデル253は、特定の運転者のために選択された生体モデルに含まれ、その特定の運転者の関連付けデータ252により訓練された予測モデルである。訓練済み予測モデル253は、個人の過去の生体データに対応する予測モデルである。
A trained
運転前データ26は、運転者(個人)による運転前に取得される運転者についてのデータであって、運転者の車両の運転の前に測定された生体データ261及び運転者の車両の運転の前に評価された主観評価データ262を含む。主観評価データ262は、当該運転者による当該運転前の体調についての主観評価を示す。後述するように、主観評価データ262は、運転前レポートにおける説明文の作成のために参照される。 The pre-driving data 26 is data about the driver acquired before the driver (individual) drives the vehicle, and includes biometric data 261 measured before the driver drives the vehicle and the driver's vehicle driving data. Contains previously evaluated subjective evaluation data 262 . The subjective evaluation data 262 indicates subjective evaluation of the physical condition before the driving by the driver. As will be described later, the subjective evaluation data 262 is referred to for creating an explanation in the pre-driving report.
生体データ261は、当該運転における危険運転操作回数を予測する訓練済み予測モデル253に入力される。生体データ261は、例えば、運転当日の運転前に測定された生体データ、直前の運転日の運転前後に測定された生体データ、直前の運転日の運転前後に測定された生体データの差分、過去所定期間の運転前及び後それぞれの生体データの推移を表す回帰式の傾き、又は、これらの一部又は全部の組み合わせ等を含む。運転前データ26が含むデータは、訓練済み予測モデル253の間で異なり得る。訓練済み予測モデル253の入力は、主観評価データを含んでもよい。
The biometric data 261 is input to a trained
図2は、運行管理補助システム2のハードウェア構成例を示す。運行管理補助システム2は一般的な計算機構成を有することができる。運行管理補助システム2は、プロセッサ401、メモリ(主記憶装置)402、補助記憶装置403、出力装置404、入力装置405、及び通信インタフェース(I/F)407を含む。上記構成要素は、バスによって互いに接続されている。メモリ402、補助記憶装置403又はこれらの組み合わせは記憶装置であり、図1に示すプログラム及びデータを格納している。 FIG. 2 shows a hardware configuration example of the operation management assistance system 2. As shown in FIG. The operation management assistance system 2 can have a general computer configuration. The operation management assistance system 2 includes a processor 401 , a memory (main storage device) 402 , an auxiliary storage device 403 , an output device 404 , an input device 405 and a communication interface (I/F) 407 . The above components are connected to each other by buses. Memory 402, secondary storage 403, or a combination thereof are storage devices and store the programs and data shown in FIG.
メモリ402は、例えば半導体メモリから構成され、主に実行中のプログラムやデータを保持するために利用される。プロセッサ401は、メモリ402に格納されているプログラムに従って、様々な処理を実行する。プロセッサ401がプログラムに従って動作することで、様々な機能部が実現される。補助記憶装置403は、例えばハードディスクドライブやソリッドステートドライブなどの大容量の記憶装置から構成され、プログラムやデータを長期間保持するために利用される。 The memory 402 is composed of, for example, a semiconductor memory, and is mainly used to hold programs and data being executed. Processor 401 executes various processes according to programs stored in memory 402 . Various functional units are implemented by the processor 401 operating according to the program. Auxiliary storage device 403 is composed of a large-capacity storage device such as a hard disk drive or solid state drive, and is used to store programs and data for a long period of time.
プロセッサ401は、単一の処理ユニットまたは複数の処理ユニットで構成することができ、単一もしくは複数の演算ユニット、又は複数の処理コアを含むことができる。プロセッサ401は、1又は複数の中央処理装置、マイクロプロセッサ、マイクロ計算機、マイクロコントローラ、デジタル信号プロセッサ、ステートマシン、ロジック回路、グラフィック処理装置、チップオンシステム、及び/又は制御指示に基づき信号を操作する任意の装置として実装することができる。 Processor 401 can be configured with a single processing unit or multiple processing units, and can include single or multiple arithmetic units or multiple processing cores. Processor 401 is one or more central processing units, microprocessors, microcomputers, microcontrollers, digital signal processors, state machines, logic circuits, graphics processing units, chip-on-systems, and/or manipulates signals based on control instructions. It can be implemented as any device.
補助記憶装置403に格納されたプログラム及びデータが起動時又は必要時にメモリ402にロードされ、プログラムをプロセッサ401が実行することにより、運行管理補助システム2の各種処理が実行される。したがって、以下において運行管理補助システム2により実行される処理は、プロセッサ401又はプログラムによる処理である。 The programs and data stored in the auxiliary storage device 403 are loaded into the memory 402 at startup or when necessary, and the programs are executed by the processor 401 to execute various processes of the operation management assistance system 2 . Therefore, the processing executed by the operation management auxiliary system 2 below is processing by the processor 401 or a program.
入力装置405は、ユーザが運行管理補助システム2に指示や情報などを入力するためのハードウェアデバイスである。出力装置404は、入出力用の各種画像を提示するハードウェアデバイスであり、例えば、表示デバイス又は印刷デバイスである。通信I/F407は、ネットワークとの接続のためのインタフェースである。入力装置405及び出力装置404は省略されてもよく、ユーザが運行管理補助システム2は、ネットワークを介して、端末からアクセスされてもよい。 The input device 405 is a hardware device for the user to input instructions, information, etc. to the operation management assistance system 2 . The output device 404 is a hardware device that presents various input/output images, such as a display device or a printing device. A communication I/F 407 is an interface for connection with a network. The input device 405 and the output device 404 may be omitted, and the user may access the operation management assistance system 2 from a terminal via a network.
運行管理補助システム2の機能は、1以上のプロセッサ及び非一過性の記憶媒体を含む1以上の記憶装置を含む1以上の計算機からなる計算機システムに実装することができる。複数の計算機はネットワークを介して通信する。例えば、運行管理補助システム2の複数の機能の一部が一つの計算機に実装され、他の一部が他の計算機に実装されてもよい。 The functions of the operation management assistance system 2 can be implemented in a computer system comprising one or more computers including one or more processors and one or more storage devices including non-transitory storage media. Multiple computers communicate via a network. For example, a part of a plurality of functions of the operation management assistance system 2 may be implemented in one computer, and another part may be implemented in another computer.
運転データ収集装置15、予測結果表示端末31、生体データ収集装置32及び主観評価データ収集装置33は、それぞれ、運行管理補助システム2と同様に、計算機構成を有することができる。上記装置における複数の装置の機能が一つの装置に実装されていてもよく、例えば、運行管理補助システム2、予測結果表示端末31、生体データ収集装置32及び主観評価データ収集装置33は、一つの装置に統合されていてもよい。
The driving
図2において、ソフトウェアの各要素は、記憶装置内のいずれの領域に格納されていてもよい。上述のように、プロセッサ401は、特定のプログラムに従って動作することで、特定の機能部として機能する。例えば、プロセッサ401は、上記プログラムに従って、危険判定部、生体モデル選択部、予測モデル訓練部、及び予測結果表示部として機能する。 In FIG. 2, each element of the software may be stored in any area within the storage device. As described above, the processor 401 functions as a specific functional unit by operating according to specific programs. For example, the processor 401 functions as a risk determination section, a biological model selection section, a prediction model training section, and a prediction result display section according to the above program.
図3は、生体データDB241の構成例を示す。生体データDB241が格納するデータは、運転当日の運転前に測定されたデータを含む。生体データDB241は、ユーザID欄、日時欄、自律神経Total Power欄、自律神経LF/HF欄、体温欄を含む。ユーザID欄は、ユーザである運転者それぞれを識別するユーザIDを示す。
FIG. 3 shows a configuration example of the
日時欄は、生体データの測定日時を示す。自律神経Total Power欄は、心電変動パラメータの一つであるTotal Power(TP)を示す。Total Powerは、心電変動の特定周波数帯のパワースペクトルのトータルパワーであり、疲労に関係している。自律神経LF/HFは、心電変動パラメータの一つである、前記特定周波数帯における低周波数帯(LF)と高周波数帯(HF)のパワーの比率を示す。LF/HFは、交感神経と副交感神経の全体のバランスを表す。体温欄は、運転者の体温の測定値を示す。 The date and time column indicates the measurement date and time of the biometric data. The autonomic nerve total power column indicates the total power (TP), which is one of the electrocardiographic fluctuation parameters. Total Power is the total power of the power spectrum of the specific frequency band of electrocardiographic fluctuations, and is related to fatigue. The autonomic nerve LF/HF indicates the power ratio of the low frequency band (LF) and the high frequency band (HF) in the specific frequency band, which is one of the electrocardiographic fluctuation parameters. LF/HF represents the overall balance of sympathetic and parasympathetic nerves. The Body Temperature column shows the measured body temperature of the driver.
図4は主観評価データDB242の構成例を含む。主観評価データDB242が格納するデータは、運転当日の運転前の主観評価データを含む。主観評価データDB242は、ユーザID欄、日時欄、VAS1欄からVAS5欄を含む。ユーザID欄はユーザである運転者それぞれを識別するユーザIDを示し、日時欄は主観評価を行った日時を示す。
FIG. 4 includes a configuration example of the subjective
VAS1欄からVAS5欄は、それぞれ、異なるVAS(Visual Analogue Scale)の値を示す。VAS値は、例えば、疲労感や睡眠についての自己評価を表す。なお、VASは自己評価方法の一例であり、VASと異なる方法が使用されてもよい。 Columns VAS1 to VAS5 respectively indicate different VAS (Visual Analog Scale) values. The VAS value represents, for example, self-evaluation of fatigue and sleep. Note that VAS is an example of a self-evaluation method, and a method different from VAS may be used.
図5は、危険運転操作データDB243の構成例を示す。危険運転操作データDB243は、危険判定プログラム221の判定結果を格納する。危険運転操作データDB243は、ユーザID欄、日付欄、開始時刻欄、終了時刻欄、危険運転操作1欄から危険運転操作4欄を含む。
FIG. 5 shows a configuration example of the dangerous driving
ユーザID欄はユーザである運転者それぞれを識別するユーザIDを示し、日付欄は危険運転操作の検出対象である特定の運転期間の日付を示す。開始時刻欄及び終了時刻欄は、当該運転期間の開始時刻及び終了時刻を示す。危険運転操作1欄から危険運転操作4欄は、それぞれ、所定の危険運転操作の回数を示す。危険運転操作1から危険運転操作4は、異なる危険運転操作を示す。
The user ID column indicates a user ID for identifying each driver who is a user, and the date column indicates the date of a specific driving period for which a dangerous driving operation is to be detected. The start time column and end time column indicate the start time and end time of the operation period. The
図6は、関連付けデータ252の構成例を示す。関連付けデータ252は、生体データDB241、主観評価データDB242、及び危険運転操作データDB243から抽出された、同一ユーザ(運転者)のデータである。関連付けデータ252の各レコードは、一つの運転期間についての上記3つのDB241、242及び243から抽出された情報を示す。
FIG. 6 shows a configuration example of the
本構成例は、ユーザID欄、日付欄、当日運転前自律神経Total Power欄、前日運転前自律神経Total Power欄、前日運転後自律神経Total Power欄、前日運転前後差分自律神経Total Power欄、当日運転前VAS1から当日運転前VAS5、当日運転後VAS1から当日運転後VAS5、危険運転操作1欄から危険運転操作4欄を含む。一部の欄は、図6において省略されている。後述のように、関連付けデータ252は、複数の危険リスクの予測モデルから特定のユーザに適切な予測モデルを選択し、さらに、選択した予測モデルを訓練するために使用される。
This configuration example includes a user ID column, a date column, a column of autonomic nerve total power before driving on the current day, a column of autonomic nerve total power before driving on the previous day, a column of autonomic nerve total power after driving on the previous day, a column of differential autonomic nerve total power before and after driving on the previous day, and the current day.
危険運転操作は、事故と異なり、日々の運転において検出されると共に、危険運転操作回数は運転の危険リスクレベルを示す。そのため、個人毎の危険運転操作の履歴を使用することで、個人毎に適した訓練済み予測モデルを生成することができる。 Unlike accidents, dangerous driving maneuvers are detected in daily driving, and the number of dangerous driving maneuvers indicates the dangerous risk level of driving. Therefore, by using the history of dangerous driving maneuvers for each individual, it is possible to generate a trained prediction model suitable for each individual.
図7は、生体データ収集装置32が心拍変動パラメータを取得するフローチャートを示す。生体データ収集装置32は、生体計測器によって運転者の生体データ測定し、運行管理補助システム2に送信する。生体データ収集装置32は、心拍計34により心電(心拍)を測定する(S101)。図8は、心拍変動の例を示し、横軸は時間、縦軸は電位を示す。「RR」は、特定種類のピークの間の間隔を示す。
FIG. 7 shows a flowchart for the biometric
図7に戻って、生体データ収集装置32は、心拍計34の測定結果において、特定種類のピークの間の間隔RRを検出する(S102)。図9は、間隔RRの時間変化を示す。図7に戻って、生体データ収集装置32は、間隔RRの時間変化の周波数スペクトルを解析する(S103)。図10は、間隔RRの時間変化の周波数スペクトルの例を示す。図10は、間隔RRのスペクトルパワー密度を示す。
Returning to FIG. 7, the biological
図7に戻って、生体データ収集装置32は、周波数スペクトルにおける低周波数帯LFのパワーと、高周波数帯HFパワーを抽出し、所定の心拍変動パラメータを計算する(S104)。所定の心拍変動パラメータは、Total Power及びLFとHFのパワーの比率(LF/HF)を含む。本例において、Total PowerはLFとHFの和である。生体データ収集装置32は、計算した心拍変動についての情報を、運行管理補助システム2に送信して、生体データDB241に記録する(S105)。
Returning to FIG. 7, the biological
図11は、主観評価データ収集装置33による処理例のフローチャートを示す。主観評価データ収集装置33は、運転者から、VAS1の入力を受信し(S121)、VAS1入力値を算出する(S122)。主観評価データ収集装置33は、同様に、運転者からVAS2からVAS4それぞれの入力を受信し、VAS2入力値からVAS4入力値を算出する(不図示)。さらに、主観評価データ収集装置33は、運転者から、VAS5の入力を受信し(S123)、VAS5入力値を算出する(S124)。主観評価データ収集装置33は、VAS1入力値からVAS5入力値を運行管理補助システム2に送信して、主観評価データDB242に記録する。
FIG. 11 shows a flow chart of an example of processing by the subjective evaluation
図12は、2つのVASの画像例501及び502を示す。VAS501は、疲労感を入力するためのVASであり、VAS502は昨晩の睡眠についての情報を入力するためのVASである。
FIG. 12 shows two
VAS501における線511の左端がすごく疲れている状態、右端が全く疲れていない状態に対応する。運転者は、線511上の黒点512を移動して位置を決めることで、疲労感の自己評価を入力する。主観評価データ収集装置は、入力された黒点512の位置から、VAS入力値を計算する。
The left end of the
同様に、VAS502における線521の左端は全く眠れなかった状態、右端がよく眠れた状態に対応する。運転者は、線521上の黒点522を移動して位置を決めることで、睡眠の自己評価を入力する。主観評価データ収集装置は、入力された黒点522の位置から、VAS入力値を計算する。
Similarly, the left end of
図13は、関連付けデータ252の生成、並びに、訓練済み予測モデル253の生成及び訓練済み予測モデル253による危険運転回数の予測を説明するための図である。図13の上段は関連付けデータ252の生成を示し、下段は関連付けデータ252を使用した予測モデルの訓練及び訓練済み予測モデル253による危険運転回数の予測を示す。
FIG. 13 is a diagram for explaining generation of the
図13は、関連付けデータ252に含まれる生体データ及び危険運転操作データを例として示し、主観評価データは省略されている。図13の例において、関連付けデータ252は、K日目からN日目までの特定個人の生体データ履歴を含む。図13において、各日の朝及び夕方のハートマークは生体データの測定を示し、車両の下の△は検出された危険運転操作を示す。
FIG. 13 shows an example of biological data and dangerous driving operation data included in the
図13の例において、訓練済み予測モデル253は、前日運転前生体データ、前日運転後生体データ、前日運転前後生体データ差分、及び、当日運転前生体データから、当日の運転における危険運転回数を予測する。危険運転回数は危険リスクレベルを表す指標の1つである。
In the example of FIG. 13, the trained
関連付けデータ252は、K+1日目からN日目それぞれの特定個人の運転に対して、前日運転前生体データ、前日運転後生体データ、前日運転前後生体データ差分、及び、当日運転前生体データを関連付けて格納している。関連付けデータ252は、さらに、K+1日目からN日目それぞれの運転における危険運転操作回数を示す危険運転操作データを、各日の運転に対する生体データに関連付けて格納している。
The
図13の例において、生体データ531Aは、K日目の当日運転前生体データであり、K+1日目の前日運転前生体データである。生体データ531Bは、K日目の当日運転後生体データであり、K+1日目の前日運転後生体データである。生体データ差分532は、K日目の当日運転前後生体データ差分であり、K+1日目の前日運転前後生体データ差分である。
In the example of FIG. 13, the
生体データ541Aは、K+1日目の当日運転前生体データであり、K+2日目の前日運転前生体データである。K+1日目の危険判定回数(危険運転操作データ)543は、生体データ531A、生体データ531B、生体データ差分532、及び生体データ541Aに関連付けられる。
The
関連付けデータ252に格納されている生体データ及び危険運転操作データは、予測モデルの訓練データとして使用される。予測モデルは、関連付けデータ252を使用して、機械学習の手法により訓練され(S143)、訓練済み予測モデル253が生成される。訓練は、予測モデルの出力と正解との間の誤差に基づいて、予測モデルのパラメータを更新する。対象ユーザ(運転者)の関連付けデータ252により予測モデルを訓練することで、対象ユーザにより適した予測モデルを得ることができる。
The biological data and dangerous driving data stored in the
一例において、訓練済み予測モデル253は、当日の運転における単位時間当たりの危険運転操作回数(危険判定回数)563を予測する。一例において、訓練済み予測モデル253の出力は、一つの運転期間(例えば1日)における単位時間当たりの全危険運転操作の総数である。訓練済み予測モデル253は、危険運転操作タイプ毎の単位時間当たりの回数を予測してもよい。
In one example, the trained
例えば、訓練済み予測モデル253は、前日運転前生体データ551A、前日運転後生体データ551B、前日運転前後生体データ差分552、及び当日運転前生体データ561Aに基づいて、当日の運転の危険運転操作回数563を予測する。前日の運転前後の生体データは、運転による生体データの変化示し、より適切な予測が可能となる。また当日の運転前の生体データは、運転直前の生体データであり、より適切な予測が可能となる。なお、上述のように、予測モデル間において入力データは共通でなくてもよい。
For example, the trained
図14は、運行管理補助システム2の処理例のフローチャート及びそれに関連するデータを示す。生体モデル選択プログラム222は、履歴データ24から、対象ユーザ(運転者)の関連付けデータ252を読み出す(S141)。生体モデル選択プログラム222は、関連付けデータ252に基づき、生体モデルDB251内の複数の生体モデルから、適切な生体モデル280を選択する(S142)。生体モデル280の選択方法の詳細は後述する。
FIG. 14 shows a flow chart of a processing example of the operation management assistance system 2 and data related thereto. The biological
生体モデル280は、予め関連付けられている、説明モデル281、予測モデル282、及び意味解釈データ283を含む。予測モデル訓練プログラム223は、関連付けデータ252を訓練データとして使用して、予測モデル282を訓練する(S143)。予測モデル282のパラメータが更新されて、訓練済み予測モデル253が生成される。
訓練済み予測モデル253は、対象ユーザの運転前データ26に基づき、対象ユーザによる運転における危険運転操作回数の予測値を算出する(S144)。予測値は、例えば、危険運転操作の種類毎の回数又は総数である。上述のように、訓練済み予測モデル253への入力は、運転前(当日又は前日以前)の生体データ261を含み、さらに、主観評価データ262を含むことができる。
The trained
予測結果提示プログラム224は、生体モデル280の意味解釈データ283を用いて、意味解釈文(説明分)を生成し、危険運転予測回数に基づき危険リスク予測レベルを決定する。予測結果提示プログラム224は、意味解釈文と危険リスク予測レベルを、対象ユーザ及び/又は管理者に提示する(S145)。
The prediction
予測結果提示プログラム224は、表示用データ27を生成し、出力装置404において表示する。表示用データ27は、危険リスク予測レベル271及び意味解釈文(説明分)を含む。予測結果提示プログラム224は、例えば、対象ユーザの過去の危険運転操作回数の履歴及び/又は他の運転者の危険運転操作回数の統計値との比較結果(例えば偏差値)に基づき、危険リスク予測レベル271を決定する。
The prediction
図15は、生体モデル選択プログラム222による生体モデルの選択(S142)のフローチャート例を示す。生体モデル選択プログラム222は、関連付けデータ252に対して、生体モデルDB251内の複数の説明モデル(統計モデル)それぞれの検定を行い(S161)、関連付けデータ252にマッチする説明モデルを選択する(S162)。
FIG. 15 shows an example of a flowchart for selection of a biological model (S142) by the biological
説明モデルは、主観評価データと生体データとの間の関係を示す。例えば、主観評価データの複数の説明変数と生体データにおける一つの目的変数との関係は、重回帰分析により同定することができる。説明モデルは、例えば、重回帰分析で得られる式を示す。生体モデル選択プログラム222は、例えば、説明モデルと関連付けデータ252との間の重相関係数が最も小さい又は所定範囲内の、説明モデルを選択してもよい。
The explanatory model shows the relationship between subjective evaluation data and biometric data. For example, the relationship between multiple explanatory variables in subjective evaluation data and one objective variable in biological data can be identified by multiple regression analysis. The explanatory model represents, for example, a formula obtained by multiple regression analysis. The biological
説明モデルは、生体データの複数の目的変数それぞれと、1又は複数の主観評価データにおける目的変数との関係式を示してもよい。生体モデル選択プログラム222は、例えば、複数の関係式について説明モデルと関連付けデータ252との間の重相関係数の所定の統計値に基づき、説明モデルを選択してもよい。
The explanatory model may represent a relational expression between each of a plurality of objective variables of biometric data and objective variables of one or a plurality of subjective evaluation data. The biological
一例において、説明モデルは、1又は複数のVASと1又は複数種類の生体データとの関係を示す。より具体的な例としての説明モデルは、1つのVAS(例えば疲労感)と自律神経Total Powerとの間の相関係数を示す。生体モデル選択プログラム222は、関連付けデータ252から計算した相関係数が最も近い又は措定範囲内の相関件数の説明モデルを選択する。
In one example, the explanatory model shows the relationship between one or more VAS and one or more types of biometric data. An explanatory model as a more specific example shows a correlation coefficient between one VAS (for example, fatigue) and autonomic nerve total power. The biological
図15は、例として、説明モデルA281A及び説明モデルB281Bを示す。説明モデルA281A及び説明モデルB281Bは、それぞれ、自律神経Total Powerとの間の相関係数を示す。例えば、説明モデルA281Aは、関連付けデータ252に最もマッチする説明モデルとして選択される。
FIG. 15 shows an
次に、生体モデル選択プログラム222は、選択した説明モデルを含む生体モデルに関連付けられている生体モデルを生体モデルDB251から選択する(S163)。図15の例において、説明モデルA281Aを含む生体モデル280Aが選択される。生体モデル280Aは、説明モデルA281Aに加え、予測モデルA282A、意味解釈データA283Aを含む。説明モデルB281Bに加え、予測モデルB282B、意味解釈データB283Bを含む生体モデル280Bは、選択されない。
Next, the biological
主観評価と生体データとの関係は、個人によって異なり得る。例えば、あるユーザの自律神経Total PowerとVAS1との相関係数は負の値であり、他のあるユーザの自律神経Total PowerとVAS1との相関係数は正の値であり得る。上述のように、主観評価データと生体データとの間の関係に基づいて、生体モデルを選択することで、医学的知見に基づき個人の特徴に合致した適切な予測モデル及び意味解釈データを選択することができる。 The relationship between subjective evaluation and biometric data may vary from individual to individual. For example, the correlation coefficient between a certain user's autonomic nerve total power and VAS1 may be a negative value, and the correlation coefficient between another user's autonomic nerve total power and VAS1 may be a positive value. As described above, by selecting a biological model based on the relationship between subjective evaluation data and biological data, an appropriate prediction model and semantic interpretation data that match individual characteristics based on medical knowledge are selected. be able to.
他の例において、生体モデル選択プログラム222は、説明モデルを使用することなく(説明モデルを省略して)、予測モデルを選択してもよい。例えば、生体モデル選択プログラム222は、対象ユーザの履歴データに最もマッチする分類モデルを選択してもよい。また、予測モデルの訓練は省略してもよい。対象ユーザの履歴データに最もマッチする分類モデル及び訓練が省略された予測モデルは、個人の過去の生体データに対応する予測モデルである。
In another example, the biological
説明モデル281に予め関連付けられている予測モデル282及び関連付けデータ252を使用して訓練された予測モデル282を訓練して得られる訓練済み予測モデルは、説明モデルに関連付けられている予測モデルに基づく予測モデルである。
A trained prediction model obtained by training the
図16及び17は、それぞれ、予測結果提示プログラム224が提示するレポートの画像例を示す。図16は対象ユーザ(運転者)Aについてレポート600を示し、図17は対象ユーザ(運転者)Bについてレポート620を示す。
16 and 17 respectively show image examples of reports presented by the prediction
図16が示すレポート600は、生体データの測定結果601を含む。図16の例において、測定結果601は、前日運転後に測定された生体データ及び当日運転前に測定された生体データを示す。
A
レポート600は、さらに、当日の運転における危険リスクの予測についての情報を含む。具体的には、レポート600は、危険リスク予測レベル603及び危険リスクに関連する意味解釈文(説明文)605を示す。意味解釈文605は、さらに、生体データについての意味解釈文607及び危険リスク予測レベル603についての意味解釈文609を含む。
The
危険リスク予測レベルを提示することで、対象ユーザAに注意喚起することができ、又は、運行管理者に対して対象ユーザAの業務内容変更などの対処を促すことができる。さらに、生体データについての意味解釈文607を提示することで、対象ユーザAの体調についての理解度を高めることができる。さらに、危険リスク予測レベルについての意味解釈文609を提示することで、危険リスク予測レベルについての理解度を高めることができる。なおレポート600が提示する情報の一部は省略されていてもよい。
By presenting the danger risk prediction level, it is possible to alert the target user A, or to prompt the operation manager to take measures such as changing the work content of the target user A. Furthermore, by presenting the
図17が示すレポート620は、生体データの測定結果621を含む。図17の例において、測定結果621は、前日運転後に測定された生体データ及び当日運転前に測定された生体データを示す。
A
レポート620は、さらに、当日の運転における危険リスクの予測についての情報を含む。具体的には、レポート620は、危険リスク予測レベル623及び危険リスクに関連する意味解釈文(説明文)625を示す。意味解釈文625は、生体データについての意味解釈文627を含む。危険リスク予測レベルが低いことから、危険リスク予測レベルについての意味解釈文は省略されている。レポート620は、対象ユーザBについて、レポート600と同様の効果を奏することができる。また、レポート620が提示する情報の一部は省略されていてもよい。
The
予測結果提示プログラム224は、上述のように、訓練済み予測モデル253が予測した危険運転操作回数に基づき、危険リスク予測レベルを決定する。訓練済み予測モデル253が危険運転操作タイプ毎の回数を示す場合、予測結果提示プログラム224は、危険運転操作タイプそれぞれに所定の重みを与えてもよい。
The prediction
予測結果提示プログラム224は、生体データの数値から、予め定められた基準に基づき、測定結果の表現を決定する。基準は、対象ユーザ毎に、履歴データに基づき決定されてもよい。
The prediction
予測結果提示プログラム224は、選択した生体モデル280における意味解釈データ283を参照して、意味解釈文を生成する。意味解釈データ283は、生体データの異なるレベルそれぞれに対して関連付けられている文を示し、さらに、異なる危険リスク予測レベルそれぞれに関連付けられている文を示す。
The prediction
図16のレポート600の例において、意味解釈データ283は、前日の運転後の自律神経を表す数値が「やや高い」ことに、意味解釈文607を関連付けている。さらに、意味解釈データ283は、危険リスク予測レベルが「リスクが少し高い」ことに、意味解釈文609を関連付けている。同様に、図17のレポート620の例において、選択した生体モデル280における意味解釈データ283は、今日の運転前の自律神経を表す数値が「高い」ことに、意味解釈文627を関連付けている。
In the example of the
意味解釈データ283は、説明モデル281及び予測モデル282と共に、対象ユーザの主観評価データと生体データとに基づいて選択される。そのため、対象ユーザの生体データの測定結果及び危険リスク予測レベルに対して、適切な意味解釈文を提示することができる。
The
上記例において、意味解釈データ283は、説明モデル281及び予測モデル282に関連付けられている。説明モデル281が省略されている場合でも、意味解釈データ283は、予測モデル282に関連付けられる。予測結果提示プログラム224は、選択した予測モデル282に関連付けられている意味解釈データ283を参照して、意味解釈文を生成する。
In the example above,
なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 In addition, the present invention is not limited to the above-described embodiments, and includes various modifications. For example, the above embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the described configurations. Also, part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment. Moreover, it is possible to add, delete, or replace a part of the configuration of each embodiment with another configuration.
また、上記の各構成・機能・処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、SSD(Solid State Drive)等の記録装置、または、ICカード、SDカード等の記録媒体に置くことができる。 Further, each of the configurations, functions, processing units, etc. described above may be realized by hardware, for example, by designing a part or all of them using an integrated circuit. Moreover, each of the above configurations, functions, etc. may be realized by software by a processor interpreting and executing a program for realizing each function. Information such as programs, tables, and files that implement each function can be stored in a recording device such as a memory, a hard disk, an SSD (Solid State Drive), or a recording medium such as an IC card or SD card.
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。 In addition, the control lines and information lines indicate those considered necessary for explanation, and not all control lines and information lines are necessarily indicated on the product. In fact, it may be considered that almost all configurations are interconnected.
1 車両
2 運行管理補助システム
11 位置センサ
12 車間距離センサ
13 速度計
14 加速度センサ
15 運転データ収集装置
24 履歴データ
26 運転前データ
27 表示用データ
31 予測結果表示端末
32 生体データ収集装置
33 主観評価データ収集装置
34 心拍計
35 体温計
36 血圧計
221 危険判定プログラム
222 生体モデル選択プログラム
223 予測モデル訓練プログラム
224 予測結果提示プログラム
242 主観評価データDB
243 危険運転操作データDB
244 車載センサデータDB
251 生体モデルDB
252 関連付けデータ
253 予測モデル
261 生体データ
262 主観評価データ
271 危険リスク予測レベル
280 生体モデル
281 説明モデル
282 予測モデル
283 意味解釈データ
401 プロセッサ
402 メモリ
403 補助記憶装置
404 出力装置
405 入力装置
407 通信I/F
501、502 VASの画像
511、521 線
512、522 黒点
531A、531B、541A、551A、551B、561A 生体データ
532、552 生体データ差分
563 危険運転操作回数
600、620 レポート
601、621 測定結果
603、623 危険リスク予測レベル
605、607、609、625、627 意味解釈文
1 vehicle 2 operation management auxiliary system 11
243 Dangerous driving operation data DB
244 In-vehicle sensor data DB
251 Biological Model DB
252
501, 502
Claims (5)
前記1以上の記憶装置に格納されたプログラムに従って動作する1以上のプロセッサと、を含み、
前記1以上の記憶装置は、
生体データに基づき危険運転操作回数を予測する複数の予測モデルと、
個人の生体データ履歴に関連付けられた前記個人の体調に関する主観評価データ履歴と、
互いに関連付けられた前記個人の生体データ履歴と前記個人の危険運転操作回数履歴とを含む関連付けデータと、を格納し、
前記複数の予測モデルは、それぞれ、主観評価データと生体データとの関係を示す説明モデルに関連付けられ、
前記1以上のプロセッサは、
前記主観評価データ履歴と前記生体データ履歴との関係に対応する説明モデルを、前記複数の予測モデルそれぞれに関連付けられた前記説明モデルから選択し、
選択した前記説明モデルに関連付けられている予測モデルを前記複数の予測モデルから選択し、
選択した前記予測モデルを前記関連付けデータを使用して訓練し、
訓練した前記予測モデルを使用して、前記個人の車両の運転の前に測定された生体データ及び主観評価データに基づき、前記個人の車両の運転における危険リスク予測レベルを決定する、システム。 one or more storage devices;
one or more processors that operate according to programs stored in the one or more storage devices;
The one or more storage devices are
a plurality of prediction models that predict the number of dangerous driving operations based on biometric data;
Subjective evaluation data history of the individual's physical condition associated with the individual's biometric data history;
storing association data including the individual's biometric data history and the individual's dangerous driving operation frequency history that are associated with each other;
each of the plurality of prediction models is associated with an explanation model indicating the relationship between subjective evaluation data and biometric data;
The one or more processors
selecting an explanatory model corresponding to the relationship between the subjective evaluation data history and the biometric data history from the explanatory models associated with each of the plurality of prediction models;
selecting a predictive model associated with the selected explanatory model from the plurality of predictive models;
training the selected predictive model using the association data;
A system that uses the trained predictive model to determine a predicted level of hazard risk in driving the vehicle for the individual based on biometric data and subjective assessment data measured prior to the driving of the vehicle for the individual.
前記1以上の記憶装置は、前記説明モデルの各説明モデルに関連付けられており、生体データの意味解釈を示す意味解釈データを格納し、 The one or more storage devices are associated with each of the explanation models and store semantic interpretation data indicating semantic interpretation of biometric data;
前記1以上のプロセッサは、前記個人の車両の運転前に測定された生体データと、選択した前記説明モデルに関連付けられている意味解釈データとに基づき、前記個人の車両の運転前に測定された生体データの意味解釈文を作成して、決定された前記危険リスク予測レベルの情報と共に提示する、システム。 The one or more processors measure biometric data measured prior to driving the individual's vehicle and semantic interpretation data associated with the selected explanatory model. A system for creating a semantic interpretation sentence of biometric data and presenting it together with information on the determined danger risk prediction level.
前記1以上の記憶装置は、前記説明モデルの各説明モデルに関連付けられており、運転における危険リスク予測レベルの意味解釈を示す意味解釈データを格納し、 The one or more storage devices are associated with each explanation model of the explanation model and store semantic interpretation data indicating a semantic interpretation of a danger risk prediction level in driving;
前記1以上のプロセッサは、決定された前記危険リスク予測レベルと、取得された前記予測モデルに前記説明モデルを介して関連付けられている意味解釈データとに基づき、決定された前記危険リスク予測レベルの意味解釈文を作成して、決定された前記危険リスク予測レベルの情報と共に提示する、システム。 The one or more processors determine the determined hazard risk prediction level based on the determined hazard risk prediction level and semantic interpretation data associated with the obtained prediction model via the explanation model. A system for creating a semantic statement and presenting it with the information of the determined hazard risk prediction level.
前記1以上のプロセッサは、取得された前記予測モデルの予測結果と、前記個人及び/又は他者の危険運転操作回数履歴の統計値との比較結果に基づき、前記個人の車両の運転における危険リスク予測レベルを決定する、システム。 The one or more processors compare the obtained prediction result of the prediction model with the statistical value of the history of dangerous driving operations of the individual and/or others, based on the dangerous risk in driving the vehicle by the individual. A system that determines the level of prediction.
前記システムは、 The system includes:
生体データに基づき危険運転操作回数を予測する複数の予測モデルと、 a plurality of prediction models that predict the number of dangerous driving operations based on biometric data;
個人の生体データ履歴に関連付けられた前記個人の体調に関する主観評価データ履歴と、 Subjective evaluation data history of the individual's physical condition associated with the individual's biometric data history;
互いに関連付けられた前記個人の生体データ履歴と前記個人の危険運転操作回数履歴とを含む関連付けデータと、を格納し、 storing association data including the individual's biometric data history and the individual's dangerous driving operation frequency history that are associated with each other;
前記複数の予測モデルは、それぞれ、主観評価データと生体データとの関係を示す説明モデルに関連付けられ、 each of the plurality of prediction models is associated with an explanation model indicating the relationship between subjective evaluation data and biometric data;
前記方法は、 The method includes:
前記システムが、前記主観評価データ履歴と前記生体データ履歴との関係に対応する説明モデルを、前記複数の予測モデルそれぞれに関連付けられた前記説明モデルから選択し、 wherein the system selects an explanatory model corresponding to the relationship between the subjective evaluation data history and the biometric data history from the explanatory models associated with each of the plurality of prediction models;
前記システムが、選択した前記説明モデルに関連付けられている予測モデルを前記複数の予測モデルから選択し、 the system selecting from the plurality of predictive models a predictive model associated with the selected explanatory model;
前記システムが、選択した前記予測モデルを前記関連付けデータを使用して訓練し、 the system training the selected predictive model using the association data;
前記システムが、訓練した前記予測モデルを使用して、前記個人の車両の運転の前に測定された生体データ及び主観評価データに基づき、前記個人の車両の運転における危険リスク予測レベルを決定する、ことを含む方法。 wherein the system uses the trained predictive model to determine a predicted level of hazard risk in driving the individual's vehicle based on biometric data and subjective assessment data measured prior to driving the individual's vehicle; method involving
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019088870A JP7334057B2 (en) | 2019-05-09 | 2019-05-09 | A system that predicts driving hazards |
PCT/JP2020/006268 WO2020225956A1 (en) | 2019-05-09 | 2020-02-18 | System for predicting risk of dangerous driving |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019088870A JP7334057B2 (en) | 2019-05-09 | 2019-05-09 | A system that predicts driving hazards |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020184248A JP2020184248A (en) | 2020-11-12 |
JP2020184248A5 JP2020184248A5 (en) | 2022-01-06 |
JP7334057B2 true JP7334057B2 (en) | 2023-08-28 |
Family
ID=73044730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019088870A Active JP7334057B2 (en) | 2019-05-09 | 2019-05-09 | A system that predicts driving hazards |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7334057B2 (en) |
WO (1) | WO2020225956A1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022187790A (en) * | 2021-06-08 | 2022-12-20 | 株式会社日立物流 | Operation management assistance system and operation management assistance method |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013027570A (en) | 2011-07-28 | 2013-02-07 | Panasonic Corp | Psychological condition evaluation device, psychological condition evaluation system, psychological condition evaluation method, and program |
JP2016538898A (en) | 2013-10-09 | 2016-12-15 | レスメッド センサー テクノロジーズ リミテッド | Fatigue monitoring and management system |
JP2018180983A (en) | 2017-04-14 | 2018-11-15 | ソニー株式会社 | Information processing device, information processing method, and program |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6301758B2 (en) * | 2014-07-07 | 2018-03-28 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | Driver crisis management device, driver crisis management method, and driver crisis management program |
JP2018147021A (en) * | 2017-03-01 | 2018-09-20 | 富士通株式会社 | Dangerous state prediction device, dangerous state prediction method, dangerous state prediction program, dangerous state prediction data acquisition device, dangerous state prediction data acquisition method, and dangerous state prediction data acquisition program |
-
2019
- 2019-05-09 JP JP2019088870A patent/JP7334057B2/en active Active
-
2020
- 2020-02-18 WO PCT/JP2020/006268 patent/WO2020225956A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013027570A (en) | 2011-07-28 | 2013-02-07 | Panasonic Corp | Psychological condition evaluation device, psychological condition evaluation system, psychological condition evaluation method, and program |
JP2016538898A (en) | 2013-10-09 | 2016-12-15 | レスメッド センサー テクノロジーズ リミテッド | Fatigue monitoring and management system |
JP2018180983A (en) | 2017-04-14 | 2018-11-15 | ソニー株式会社 | Information processing device, information processing method, and program |
Also Published As
Publication number | Publication date |
---|---|
WO2020225956A1 (en) | 2020-11-12 |
JP2020184248A (en) | 2020-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11821741B2 (en) | Stress map and vehicle navigation route | |
CN106618524B (en) | Detection and prevention of incapacity to drive | |
Ba et al. | Crash prediction with behavioral and physiological features for advanced vehicle collision avoidance system | |
JP7487832B2 (en) | Information processing device, information processing method, and program | |
Gold et al. | Taking over control from highly automated vehicles | |
Scherer et al. | How the driver wants to be driven-modelling driving styles in highly automated driving | |
WO2012074935A2 (en) | Alertness monitoring systems and associated methods | |
US20230211780A1 (en) | Operation support method, operation support system, and operation support server | |
Wang et al. | Modeling and recognition of driving fatigue state based on RR intervals of ECG data | |
JP7334057B2 (en) | A system that predicts driving hazards | |
JP7437241B2 (en) | Operation support method, operation support system and operation support server | |
JP2016091056A (en) | Driver's state diagnosing device | |
JP2013205965A (en) | Biological information processor and biological information processing method | |
Li et al. | An adaptive time budget adjustment strategy based on a take-over performance model for passive fatigue | |
Mizuno et al. | Relationship between truck driver fatigue and rear-end collision risk | |
Rothengatter et al. | The driver | |
Zhang et al. | On the importance of working memory in the driving safety field: a systematic review | |
Strle et al. | Physiological Signals as Predictors of Cognitive Load Induced by the Type of Automotive Head-Up Display | |
CN104054059B (en) | Information processor and information processing method | |
Shi et al. | Exploring seafarers’ emotional responses to emergencies: An empirical study using a shiphandling simulator | |
US10993648B2 (en) | Driving aptitude test device and driving aptitude determination system | |
Murphey et al. | Personalized driver workload estimation in real-world driving | |
WO2022259881A1 (en) | Operational management assistance system, and operational management assistance method | |
Swain et al. | Left turns by older drivers with vision impairment: A naturalistic driving study | |
Yang et al. | Influence of physiological, psychological and environmental factors on passenger ship seafarer fatigue in real navigation environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211129 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230405 |
|
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: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230816 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7334057 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |