特開 2024-112205 運行支援方法及び運行支援システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024112205

(43)【公開日】2024-08-20

(54)【発明の名称】運行支援方法及び運行支援システム

(51)【国際特許分類】

   G08G 1/16 20060101AFI20240813BHJP

【ＦＩ】

G08G1/16 F

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2023017123

(22)【出願日】2023-02-07

(71)【出願人】

【識別番号】324001734

【氏名又は名称】ロジスティード株式会社

(74)【代理人】

【識別番号】110001678

【氏名又は名称】藤央弁理士法人

(72)【発明者】

【氏名】伊藤 奈桜

(72)【発明者】

【氏名】田中 毅

(72)【発明者】

【氏名】三幣 俊輔

(72)【発明者】

【氏名】李 云

(72)【発明者】

【氏名】栗山 裕之

(72)【発明者】

【氏名】佐藤 公則

【テーマコード（参考）】

5H181

【Ｆターム（参考）】

5H181AA01

5H181BB04

5H181BB12

5H181BB13

5H181BB20

5H181CC27

5H181FF10

5H181FF13

5H181FF27

5H181FF33

5H181FF35

5H181LL08

5H181LL20

(57)【要約】

【課題】主観情報の入力の特性の相違のため、主観情報に基づいて事故リスクを高精度に推定することが困難であった。
【解決手段】運行支援システムが実行する運行支援方法であって、運行支援システムは、プロセッサと、記憶装置と、を有し、記憶装置は、ユーザが過去に自身の状態に関して入力した過去の主観情報を保持し、運行支援方法は、プロセッサが、過去の主観情報と、新たな主観情報と、に基づいて、主観情報の入力の特性を推定する手順と、プロセッサが、過去の主観情報と、新たな主観情報との間の変化の程度を算出する手順と、プロセッサが、新たな主観情報と、主観情報の入力の特性と、主観情報の変化の程度と、に基づいて、事故リスクを推定する手順と、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

運行支援システムが実行する運行支援方法であって、
前記運行支援システムは、プロセッサと、記憶装置と、を有し、
前記記憶装置は、ユーザが過去に自身の状態に関して入力した過去の主観情報を保持し、
前記運行支援方法は、
前記プロセッサが、前記過去の主観情報と、新たな主観情報と、に基づいて、前記主観情報の入力の特性を推定する第１手順と、
前記プロセッサが、前記過去の主観情報と、前記新たな主観情報との間の変化の程度を算出する第２手順と、
前記プロセッサが、前記新たな主観情報と、前記主観情報の入力の特性と、前記主観情報の変化の程度と、に基づいて、事故リスクを推定する第３手順と、を含むことを特徴とする運行支援方法。

【請求項2】

請求項１に記載の運行支援方法であって、
前記記憶装置は、前記主観情報から前記主観情報の入力の特性を算出する主観入力特性算出モデルをさらに保持し、
前記第１手順において、前記プロセッサは、前記新たな主観情報を前記主観入力特性算出モデルに入力することによって、前記主観情報の入力の特性を推定することを特徴とする運行支援方法。

【請求項3】

請求項２に記載の運行支援方法であって、
前記記憶装置は、前記ユーザの過去の生体情報と、前記ユーザの過去の勤務に関する過去の勤務情報と、をさらに保持し、
前記運行支援方法は、前記プロセッサが、前記過去の主観情報と、前記過去の生体情報と、前記過去の勤務情報と、に基づいて、前記主観情報から、前記主観情報の変動特性、前記主観情報と前記生体情報との連動性、前記主観情報と前記勤務情報との連動性、及び前記主観情報と前記生体情報と前記勤務情報との連動性、の少なくともいずれかを算出するモデルを生成して、前記主観入力特性算出モデルとして保持する第４手順をさらに含み、
前記第１手順において、前記プロセッサは、前記新たな主観情報を前記主観入力特性算出モデルに入力することによって、前記主観情報の変動特性、前記主観情報と前記生体情報との連動性、前記主観情報と前記勤務情報との連動性、及び前記主観情報と前記生体情報と前記勤務情報との連動性、の少なくともいずれかを、前記主観情報の入力の特性として推定することを特徴とする運行支援方法。

【請求項4】

請求項３に記載の運行支援方法であって、
前記第４手順において、前記プロセッサは、前記主観情報と、前記生体情報及び前記勤務情報の少なくとも一方と、から、前記主観情報の変動特性、前記主観情報と前記生体情報との連動性、前記主観情報と前記勤務情報との連動性、及び前記主観情報と前記生体情報と前記勤務情報との連動性、の少なくともいずれかを算出するモデルを前記主観入力特性算出モデルとして生成し、
前記第１手順において、前記プロセッサは、前記新たな主観情報と、前記ユーザの新たな生体情報及び新たな勤務情報の少なくとも一方とを前記主観入力特性算出モデルに入力することによって、前記主観情報の入力の特性を推定することを特徴とする運行支援方法。

【請求項5】

請求項３に記載の運行支援方法であって、
前記主観情報は、前記ユーザが自身の疲労の程度を主観的に評価した情報を含み、
前記主観情報と前記生体情報との連動性は、前記疲労の程度を主観的に評価した情報と、前記生体情報に基づいて算出された疲労の程度を示す情報との連動性であることを特徴とする運行支援方法。

【請求項6】

請求項１に記載の運行支援方法であって、
前記記憶装置は、前記主観情報と、前記主観情報の入力の特性とから事故リスクを推定する事故リスク推定モデルをさらに保持し、
前記第３手順において、前記プロセッサは、前記新たな主観情報と、前記主観情報の入力の特性とを前記事故リスク推定モデルに入力することによって、事故リスクを推定することを特徴とする運行支援方法。

【請求項7】

請求項６に記載の運行支援方法であって、
前記記憶装置は、前記ユーザの過去の生体情報と、前記ユーザの過去の勤務に関する過去の勤務情報と、をさらに保持し、
前記過去の勤務情報は、事故、及び、事故には至らないが事故につながる可能性がある事象の少なくともいずれかの発生を示す情報を含み、
前記運行支援方法は、前記プロセッサが、前記過去の主観情報と、前記過去の生体情報と、前記過去の勤務情報と、に基づいて、前記主観情報と、前記主観情報の変動特性、前記主観情報と前記生体情報との連動性、前記主観情報と前記勤務情報との連動性、及び前記主観情報と前記生体情報と前記勤務情報との連動性、の少なくともいずれかと、から事故リスクを推定するモデルを生成して、前記事故リスク推定モデルとして保持する第５手順をさらに含み、
前記第３手順において、前記プロセッサは、前記新たな主観情報と、前記主観情報の入力の特性と、を前記事故リスク推定モデルに入力することによって、前記事故リスクを推定することを特徴とする運行支援方法。

【請求項8】

請求項１に記載の運行支援方法であって、
前記第２手順において、前記プロセッサは、前記過去の主観情報の代表値と、前記新たな主観情報の代表値との間の変化の程度を算出し、
前記変化の程度に基づいて、前記主観情報が所定の基準より悪化する傾向にあると判定された場合に、前記プロセッサが前記第３手順を実行することを特徴とする運行支援方法。

【請求項9】

請求項１に記載の運行支援方法であって、
前記プロセッサが、前記新たな主観情報と、前記推定された事故リスクと、を表示するための情報を出力する第６手順をさらに含むことを特徴とする運行支援方法。

【請求項10】

請求項９に記載の運行支援方法であって、
前記記憶装置は、前記ユーザの過去の生体情報と、前記ユーザの過去の勤務に関する過去の勤務情報と、過去の主観情報の入力の特性を示す情報と、前記主観情報、前記生体情報及び前記勤務情報の少なくともいずれかに対応するアラートを保持するアラート辞書と、をさらに保持し、
前記第６手順において、前記プロセッサは、
前記推定された主観情報の入力の特性と類似する前記過去の主観情報の入力の特性の区間及び当該区間における前記過去の主観情報、前記過去の生体情報及び前記過去の勤務情報の少なくともいずれかを抽出し、
抽出された前記過去の主観情報、前記過去の生体情報及び前記過去の勤務情報の少なくともいずれかに対応するアラートを前記アラート辞書から抽出し、
抽出された前記過去の主観情報、前記過去の生体情報及び前記過去の勤務情報の少なくともいずれかと、前記アラートと、を表示するための情報を出力することを特徴とする運行支援方法。

【請求項11】

運行支援システムであって、
プロセッサと、記憶装置と、を有し、
前記記憶装置は、ユーザが過去に自身の状態に関して入力した過去の主観情報を保持し、
前記プロセッサは、
前記過去の主観情報と、新たな主観情報と、に基づいて、前記主観情報の入力の特性を推定し、
前記過去の主観情報と、前記新たな主観情報との間の変化の程度を算出し、
前記新たな主観情報と、前記主観情報の入力の特性と、前記主観情報の変化の程度と、に基づいて、事故リスクを推定することを特徴とする運行支援システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、交通手段の安全運行を支援する技術に関する。

【背景技術】

【0002】

近年、運送業の運転者の状態に起因する事故の予防へ向け、種々のデータに基づいて運転者の状態に起因する事故リスクを推定する技術が検討されている。例えば、特開２０２２－０５１２１６号公報（特許文献１）には、「プロセッサとメモリを有する計算機が、車両の運行を支援する方法であって、前記計算機が、過去に収集した車両の走行状態を示す第１の車載センサデータと、予め設定された危険発生データを入力して、危険事象が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、第２の車載センサデータを事故リスク定義モデルへ入力して、危険事象が発生する確率を事故リスク推定データとして生成し、第２の車載センサデータを収集したときのドライバの第１の生体データと、事故リスク推定データを入力して、所定時間後の事故リスクを予測する事故リスク予測モデルを生成し、第３の生体データを入力して、当人深刻度を算出する生体状態推定モデルを生成する」と記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０５１２１６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１には、運転者を対象とする計測によって取得した生体情報に加えて、運転者に対する問診によって得られた運転者自身が認識している自身の状態（すなわち主観情報）に基づいて事故リスクを予測する技術が記載されている。しかし、主観情報は、例えば各運転者が感じている疲労の程度を各運転者自身が主観的に評価したものであるため、運転者ごとの評価の傾向（すなわち主観情報の入力の特性）の相違が大きく、それに対して各運転者の主観情報の経時的な変化が小さいために、事故リスクにつながる変化を検出することが困難な場合があった。

【課題を解決するための手段】

【0005】

上記の課題の少なくとも一つを解決するため、本発明は、運行支援システムが実行する運行支援方法であって、前記運行支援システムは、プロセッサと、記憶装置と、を有し、前記記憶装置は、ユーザが過去に自身の状態に関して入力した過去の主観情報を保持し、前記運行支援方法は、前記プロセッサが、前記過去の主観情報と、新たな主観情報と、に基づいて、前記主観情報の入力の特性を推定する第１手順と、前記プロセッサが、前記過去の主観情報と、前記新たな主観情報との間の変化の程度を算出する第２手順と、前記プロセッサが、前記新たな主観情報と、前記主観情報の入力の特性と、前記主観情報の変化の程度と、に基づいて、事故リスクを推定する第３手順と、を含むことを特徴とする。

【発明の効果】

【0006】

本発明の一態様によれば、運転者による主観情報の入力の特性に基づいて、主観情報からの事故リスクの推定を高精度に行うことができる。

【0007】

本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。

【図面の簡単な説明】

【0008】

【図1】本発明の実施例に係る運行支援システムの主要な構成の一例を示すブロック図である。

【図2】本発明の実施例に係る運行支援システムにおいて実行される処理の一例を示すフローチャートである。

【図3】本発明の実施例に係る運行支援システムが保持する生体情報の一例を示す説明図である。

【図4】本発明の実施例に係る運行支援システムが保持する第１の勤務情報の一例を示す説明図である。

【図5】本発明の実施例に係る運行支援システムが保持する第２の勤務情報の一例を示す説明図である。

【図6】本発明の実施例に係る運行支援システムが保持する第３の勤務情報の一例を示す説明図である。

【図7】本発明の実施例に係る運行支援システムが保持する主観情報の一例を示す説明図である。

【図8】本発明の実施例に係る運行支援システムの主観入力特性算出モデル訓練部が実行する処理の一例を示すフローチャートである。

【図9】本発明の実施例に係る運行支援システムが保持する主観情報の一例を示す説明図である。

【図10】本発明の実施例に係る運行支援システムが取得する心拍間隔情報の一例を示す説明図である。

【図11】本発明の実施例に係る運行支援システムが取得する心拍変動情報の一例を示す説明図である。

【図12】本発明の実施例に係る運行支援システムが取得する自律神経指標の一例を示す説明図である。

【図13】本発明の実施例に係る運行支援システムの事故リスク推定モデル訓練部が実行する処理の一例を示すフローチャートである。

【図14A】本発明の実施例に係る運行支援システムの主観入力特性情報算出部が実行する処理の一例を示すフローチャートである。

【図14B】本発明の実施例に係る運行支援システムの主観変化情報算出部が実行する処理の一例を示すフローチャートである。

【図15】本発明の実施例に係る運行支援システムの事故リスク推定部が実行する処理の一例を示すフローチャートである。

【図16】本発明の実施例に係る運行支援システムの事故リスク提示部が実行する処理の一例を示すフローチャートである。

【図17】本発明の実施例に係る運行支援システムの事故リスク提示部が提示する情報の一例を示す説明図である。

【発明を実施するための形態】

【0009】

以下、図面を参照しながら本発明の実施例について説明する。

【0010】

図１は、本発明の実施例に係る運行支援システムの主要な構成の一例を示すブロック図である。

【0011】

本実施例の運行支援システム１００は、ネットワーク１９０に接続された運行支援サーバ１１０を含む。ネットワーク１９０には、勤務情報サーバ１５０と、生体情報収集装置１６０と、主観情報収集装置１７０と、予測結果表示端末１８０と、が接続され、それぞれがネットワーク１９０を介して運行支援サーバ１１０と通信を行うことができる。

【0012】

勤務情報サーバ１５０は、生体情報及び主観情報の取得対象の人物の勤務に関する情報を保持するサーバであり、例えば一般的な計算機システムによって構成される。本実施例では、生体情報及び主観情報の取得対象の人物が、物流事業者が運行する車両の運転者（例えばトラックのドライバー）である例を示す。勤務情報サーバ１５０は、運転者の勤務に関する情報として、例えば、運行実績情報１５１、環境情報１５２、繁忙情報１５３、出勤情報１５４、事故関連情報１５５及び運転情報１５６を保持する。

【0013】

運行実績情報１５１は、例えば運転者の運行における遅延の有無のような実績を記録した情報を含む。環境情報１５２は、運転者が勤務した地域の天候等を記録した情報を含む。繁忙情報１５３は、運転者が勤務した拠点等の繁忙の程度を記録した情報を含む。出勤情報１５４は、運転者の勤務の状況（例えば勤務した日ごとの勤務時間等）を記録した情報を含む。事故関連情報１５５は、運転者の運行において発生した事故を記録した情報を含み、事故には至らないいわゆるヒヤリハットの発生を記録した情報を含んでもよい。ここで、ヒヤリハットは、脇見又は眠気など、ドライバーの挙動に起因して発生するものを含んでもよい。運転情報１５６は、運転者による車両の運転の状況（例えば時刻ごとの車速、加速度及び周囲の車両との車間距離等）を記録した情報を含む。

【0014】

運行支援サーバ１１０は、勤務情報サーバ１５０に保持された上記の情報のうち少なくとも後述する処理に必要な部分を、ネットワーク１９０を介して取得することができる。

【0015】

生体情報収集装置１６０は、種々のセンサによって計測された運転者の生体情報を収集して、ネットワーク１９０を介して運行支援サーバ１１０に送信する。本実施例において、生体情報を計測するセンサは、例えば、心拍データを検出する心拍計１６１と、運転者の体温を検出する体温計１６２と、運転者の血圧を検出する血圧計１６３と、運転者の動脈血酸素飽和度を検出するパルスオキシメーター１６４と、を含む。ただし、生体情報収集装置１６０が生体情報を収集するセンサは上記の全てを含まなくてもよいし、上記に限定されるものでもない。例えば、発汗量、まばたき、眼球運動又は脳波等を検出するセンサを採用することができる。また、生体情報収集装置１６０は、運転者を特定する識別子を設定して各種センシングデータに識別子を付加することができる。

【0016】

生体情報収集装置１６０は、例えば運転者が車両の運行の前後に立ち寄る事業所等に設置されていてもよいし、運転者が運行中に持ち運ぶことが可能なものであってもよい。前者の場合、生体情報収集装置１６０は、運転者がその日の運行を開始する前及び運行を終了した後の少なくとも一方にセンサが計測したデータを収集して、運行支援サーバ１１０に送信する。後者の場合、生体情報収集装置１６０は、運転者が装着可能なウェアラブルデバイスの他、ハンドル、シート、シートベルト等、車両８の内部に付属したセンシングデバイスや、運転者の表情や挙動を撮像して画像を解析する画像認識システム等を用いることができる。

【0017】

例えば、心拍計１６１は複数種類のセンサとして、例えば事業所等に設置され、心電図波形を計測可能な精密なセンサ、及び、運転者が運行中に手首などに常時装着して脈波を計測可能なセンサなど、複数種類のセンサを含んでもよい。後者の場合、生体情報収集装置１６０は、例えばスマートフォンのような、運転者が携帯する情報端末装置であってもよい。心拍計１６１の種類によって、計測の精度が異なる場合がある。

【0018】

主観情報収集装置１７０は、運転者が主観情報、すなわち運転者自身の健康状態等に関する主観的な情報を主観情報入力部１７１に入力すると、それを収集して、ネットワーク１９０を介して運行支援サーバ１１０に送信する。例えば、主観情報収集装置１７０は、運転者が車両の運行の前後に立ち寄る事業所等に設置された計算機システムであってもよいし、運転者が携帯する情報端末装置であってもよい。主観情報入力部１７１は、例えば、主観情報収集装置１７０の入出力装置（図示省略）によって提供されるユーザインターフェースである。

【0019】

予測結果表示端末１８０は、運行支援サーバ１１０の処理の結果として取得された事故リスクの予測結果等を出力部１８１に表示する。予測結果表示端末１８０は、例えば、運転者が車両の運行の前後に立ち寄る事業所等に設置された計算機システムであってもよいし、運転者が携帯するスマートフォンのような情報端末装置であってもよいし、運転者が運行する車両に設置されたカーナビゲーション装置等であってもよい。出力部１８１は、例えば、予測結果表示端末１８０の画像表示装置又は音声出力装置といった出力装置（図示省略）によって提供されるユーザインターフェースである。

【0020】

なお、生体情報収集装置１６０、主観情報収集装置１７０及び予測結果表示端末１８０は、それぞれ独立した装置であってもよいし、一つの装置によって実現されてもよい。

【0021】

運行支援サーバ１１０は、プロセッサ１１１と、メモリ１１２と、補助記憶装置１１３と、通信インターフェース１１４と、入力装置１１５と、出力装置１１６と、を含む計算機である。メモリ１１２は、事故リスク推定モデル訓練部１２１と、主観入力特性算出モデル訓練部１２２と、主観入力特性情報算出部１２３と、主観変化情報算出部１２４と、事故リスク推定部１２５と、事故リスク提示部１２６と、の各機能部をプログラムとしてロードする。各プログラムはプロセッサ１１１によって実行される。なお、各機能部の詳細については後述する。

【0022】

プロセッサ１１１は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ１１１は、事故リスク推定モデル訓練プログラムを実行することで事故リスク推定モデル訓練部１２１として機能する。他の機能部についても同様である。さらに、プロセッサ１１１は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

【0023】

補助記憶装置（すなわちストレージ装置）１１３は、上記各機能部が使用するデータを格納する。補助記憶装置１１３は、過去の勤務情報１３１と、過去の生体情報１３２と、過去の主観情報１３３と、主観情報１３４と、主観入力特性情報１３５と、主観変化情報１３６と、事故リスク情報１３７と、過去の主観入力特性情報１３８と、事故リスク推定モデル１３９と、主観入力特性算出モデル１４０と、の各データを格納する。各データの詳細については後述する。

【0024】

入力装置１１５は、マウス、キーボード及びタッチパネル等の少なくともいずれかを含んでもよい。出力装置１１６は、ディスプレイ装置及びスピーカ等の少なくともいずれかを含んでもよい。通信インターフェース１１４は、ネットワーク１９０に接続されて、勤務情報サーバ１５０、生体情報収集装置１６０、主観情報収集装置１７０及び予測結果表示端末１８０との通信を行う。

【0025】

図２は、本発明の実施例に係る運行支援システムにおいて実行される処理の一例を示すフローチャートである。

【0026】

最初に、事故リスク推定モデル訓練部１２１及び主観入力特性算出モデル訓練部１２２が、過去の勤務情報１３１、過去の生体情報１３２及び過去の主観情報１３３を訓練データとして使用して、それぞれ、事故リスク推定モデル１３９及び主観入力特性算出モデル１４０を生成する（ステップＳ２０１）。過去の勤務情報１３１、過去の生体情報１３２及び過去の主観情報１３３の詳細については、図３から図７を参照して後述する。また、ステップＳ２０１の処理の詳細については、図８及び図１３等を参照して後述する。

【0027】

その後、運行支援サーバ１１０が主観情報収集装置１７０から新たに主観情報１３４を取得すると（ステップＳ２０２）、主観入力特性情報算出部１２３が、取得した主観情報１３４と、主観入力特性算出モデル１４０とに基づいて、取得した主観情報の特性情報を推定する（ステップＳ２０３）。この処理の詳細については、図１４Ａ等を参照して後述する。

【0028】

次に、主観変化情報算出部１２４が、取得した主観情報１３４と、過去の主観情報１３４とに基づいて、特定の区間（例えば特定の時間幅の区間、例えば１週間等）における主観情報の変化を示す主観変化情報１３６を算出する（ステップＳ２０４）。この処理の詳細については、図１４Ｂ等を参照して後述する。

【0029】

次に、事故リスク推定部１２５が、主観情報１３４と、主観変化情報１３６と、主観入力特性情報１３５と、過去の主観入力特性情報１３８と、に基づいて、特定の区間の終点における事故リスク情報１３７を算出する（ステップＳ２０５）。この処理の詳細については図１５等を参照して後述する。

【0030】

次に、事故リスク提示部１２６が、主観情報１３４と、事故リスク情報１３７とを提示し、さらに、過去の主観情報１３３と、過去の生体情報１３２と、過去の勤務情報１３１とから、算出された事故リスクと関連性の高い要素を提示する（ステップＳ２０６）。この処理の詳細については図１６等を参照して後述する。

【0031】

図３は、本発明の実施例に係る運行支援システムが保持する生体情報の一例を示す説明図である。

【0032】

図３に示す生体情報３００は、運行支援サーバ１１０が生体情報収集装置１６０から取得して過去の生体情報１３２として保持する情報の一例である。具体的には、生体情報３００は、ユーザＩＤ３０１、計測時刻３０２、平均心拍間隔３０３、ＴＰ３０４、ＬＦ／ＨＦ３０５、血圧３０６、体温３０７及びＳｐＯ２＿３０８を含む。

【0033】

ユーザＩＤ３０１は、ユーザの識別情報である。ここで、ユーザとは、計測対象の生体に該当する人物であり、本実施例では車両の運転者である。計測時刻３０２は、生体情報の値が計測された時刻を示す。平均心拍間隔３０３、ＴＰ３０４、ＬＦ／ＨＦ３０５、血圧３０６、体温３０７及びＳｐＯ２＿３０８は、それぞれ、計測された生体情報の値を示す。ＴＰ３０４及びＬＦ／ＨＦ３０５は、心拍計１６１によって計測された心拍情報に基づく心拍変動パラメータであり、一般に自律神経指標として用いられる。ＳｐＯ２＿３０８は、パルスオキシメーター１６４によって計測された動脈血酸素飽和度である。上記の生体情報は一例であり、上記以外の生体情報が保持されてもよい。

【0034】

図４は、本発明の実施例に係る運行支援システムが保持する第１の勤務情報の一例を示す説明図である。

【0035】

図４に示す第１の勤務情報４００は、ユーザの勤務に関する情報のうち、勤務自体の内容に関する情報を含む。具体的には、第１の勤務情報４００は、拠点ＩＤ４０１、ユーザＩＤ４０２、日付４０３、連勤日数４０４、前回残業時間４０５、運行実績４０６及びヒヤリハット回数４０７を含む。

【0036】

拠点ＩＤ４０１は、ユーザが勤務した拠点（例えば物流事業者の事業所）を識別する情報である。ユーザＩＤ４０２は、ユーザを識別する情報であり、生体情報３００のユーザＩＤ３０１に対応する。日付４０３は、ユーザが勤務した日を示す。連勤日数４０４は、ユーザが勤務した日までの連続勤務日数を示す。前回残業時間４０５は、ユーザが前回勤務したときの残業時間を示す。

【0037】

運行実績４０６は、ユーザによる当該勤務日の車両の運行の実績を示す。例えば、運行実績４０６は、遅延が少ないこと、事故の発生が少ないこと、事故には至らないが事故につながる可能性がある事象の発生が少ないこと、などに基づく運行実績の評価の情報を含んでもよい。またこのような運行実績の評価は、図４に示すように１０段階評価として数値化してもよい。当該１０段階評価は、例えば、遅延、事故発生等の事象が発生した場合、１０段階スコアから適宜減点される方式である。

【0038】

ヒヤリハット回数４０７は、当該勤務日における、事故には至らないが事故につながる可能性がある事象（いわゆるヒヤリハット）の発生回数を示す。これは、運転者が自覚した事象だけでなく、後述する運転情報を解析することによって抽出された事象（例えば急停止、前後の車両との異常な接近等）を含んでもよい。

【0039】

図５は、本発明の実施例に係る運行支援システムが保持する第２の勤務情報の一例を示す説明図である。

【0040】

図５に示す第２の勤務情報５００は、ユーザの勤務に関する情報のうち、勤務の環境等に関する情報を含む。具体的には、第２の勤務情報５００は、拠点ＩＤ５０１、日付５０２、天候５０３、気温５０４、気圧５０５及び繁忙期５０６を含む。

【0041】

拠点ＩＤ５０１は、拠点を識別する情報であり、第１の勤務情報４００の拠点ＩＤ４０１に対応する。拠点ＩＤ５０１に対応する日付５０２、天候５０３、気温５０４、気圧５０５及び繁忙期５０６は、拠点ＩＤ５０１によって識別される拠点の、日付５０２が示す日の天候、気温、気圧及びその日が当該拠点の繁忙期に該当するかを示す。

【0042】

図６は、本発明の実施例に係る運行支援システムが保持する第３の勤務情報の一例を示す説明図である。

【0043】

図６に示す第３の勤務情報６００は、ユーザの勤務に関する情報のうち、勤務中のユーザによる車両の運転に関する情報を含む。具体的には、第３の勤務情報６００は、ユーザＩＤ６０１、計測時刻６０２、位置情報６０３、車速６０４、加速度６０５及び車間距離６０６を含む。

【0044】

ユーザＩＤ６０１は、ユーザを識別する情報であり、生体情報３００のユーザＩＤ３０１に対応する。計測時刻６０２は、運転に関する情報が取得された時刻を示す。位置情報６０３、車速６０４、加速度６０５及び車間距離６０６は、各時刻に計測された、各ユーザが運行する車両の位置、走行速度、加速度及び前後の車両との距離を示す。

【0045】

なお、図４から図６に示す勤務情報は、例えば運行支援サーバ１１０が勤務情報サーバ１５０から取得して補助記憶装置１１３に過去の勤務情報１３１として格納される情報の一例である。例えば、図４に示した第１の勤務情報４００のうち連勤日数４０４及び前回残業時間４０５は出勤情報１５４から抽出され、運行実績は運行実績情報１５１から抽出され、ヒヤリハット回数４０７は事故関連情報１５５から抽出される。図５に示した第２の勤務情報５００のうち天候５０３、気温５０４及び気圧５０５は環境情報１５２から抽出され、繁忙期５０６は繁忙情報１５３から抽出される。図６に示した第３の勤務情報６００は、運転情報１５６から抽出される。

【0046】

図７は、本発明の実施例に係る運行支援システムが保持する主観情報の一例を示す説明図である。

【0047】

図７に示す主観情報７００は、主観情報収集装置１７０が取得して運行支援サーバ１１０に送信した情報を含む。具体的には、主観情報７００は、ユーザＩＤ７０１、日付７０２及び複数の問診情報（図７の例では問診１＿７０３及び問診２＿７０４）を含む。

【0048】

ユーザＩＤ６０１は、ユーザを識別する情報であり、生体情報３００のユーザＩＤ３０１に対応する。日付７０２は、主観情報が取得された日、すなわち、ユーザが問診情報を入力した日を示す。複数の問診情報のうち問診１＿７０３は、「どのくらい元気ですか」という問診に対する回答を示す。この回答として、例えば、最も元気である場合に１００、最も元気がない場合に０が入力される。問診２＿７０４は、「昨晩はよく眠れましたか」という問診に対する回答を示す。この回答として、例えば、最もよく眠れた場合に１００、最もよく眠れなかった場合に０が入力される。上記の問診情報は一例であり、ユーザが感じている疲労の程度を示す情報のような、体調、健康状態等を主観的に評価する任意の情報が含まれ得る。

【0049】

なお、図１では説明の便宜上過去の主観情報１３３と主観情報１３４とを区別して記載しているが、実際にはそれらをまとめて主観情報７００として管理してもよい。その場合、主観情報７００に含まれる情報のうち新たに取得されたものを主観情報１３４として扱い、過去に取得されたもの（例えば過去の指定された期間に取得されたもの）を過去の主観情報１３３として扱うことができる。

【0050】

図８は、本発明の実施例に係る運行支援システムの主観入力特性算出モデル訓練部１２２が実行する処理の一例を示すフローチャートである。

【0051】

主観入力特性算出モデル訓練部１２２は、処理を開始すると、過去の主観情報１３３を指定された時間幅ごとに抽出し、それをモデル入力データ８１１とする（ステップＳ８０１）。ここで、時間幅は、例えば１週間程度であってもよいが、それに限定されず、例えば１か月など他の値であってもよい。

【0052】

次に、主観入力特性算出モデル訓練部１２２は、過去の主観情報１３３、過去の勤務情報１３１及び過去の生体情報１３２を参照して、ステップＳ８０１と同じ時間幅ごとに、主観情報単体の変動特性、及び、主観情報と他の情報との連動性を算出して、それらを教師ラベル８１２とする（ステップＳ８０２）。

【0053】

ここで、主観情報単体の変動特性は、例えば、当該時間幅の主観情報の平均値、中央値、標準偏差、周波数特性、自己回帰性、及び、それぞれの日の主観情報とその前日主観情報との差分の平均値、のいずれか又はそれらのいくつかの組合せであってもよいが、主観情報の変動を示す指標であればそれ以外のものであってもよい。

【0054】

また、主観情報と他の情報との連動性は、例えば、主観情報と勤務情報との連動性、主観情報と生体情報との連動性、及び、主観情報と勤務情報と生体情報との連動性のいずれかであってもよい。また、連動性は、例えば、絶対値の相関、経時的差分の相関、経時的変化率の相関、ユークリッド距離及びピアソンの積率相関係数のいずれか又はそれらのいくつかの組合せであってもよいが、それらの情報間の連動を示す指標であればそれ以外のものであってもよい。

【0055】

さらに、運転者の性格を示す情報を取得できる場合は、その情報を教師ラベル８１２に含めてもよい。また、運転者をその特性（例えば年齢、性別、経歴、性格等）に基づいてクラスタリングした結果を取得できる場合は、そのクラスタリング結果を教師ラベル８１２に含めてもよい。

【0056】

次に、主観入力特性算出モデル訓練部１２２は、モデル入力データ８１１及び教師ラベル８１２を用いて、過去に計測された主観情報から、主観情報単体の変動特性、及び、主観情報と他の情報との連動性を算出する、主観入力特性算出モデル１４０を訓練する（ステップＳ８０３）。訓練の具体的な方法については、一般的な機械学習等の方法を採用することができるため、詳細な説明を省略する。後述するステップＳ１３０３等も同様である。

【0057】

以上で主観入力特性算出モデルを訓練する処理が終了する。

【0058】

上記のようにして訓練された主観入力特性算出モデル１４０は、運転者が入力した主観情報から、その運転者の主観情報の入力の特性を算出するためのモデルである。例えば、主観情報として疲労の程度を示す情報が入力される場合に、自身の疲労の程度を過大に申告する、あるいは過少に申告するといった各運転者の主観情報の入力の癖、傾向など（すなわち主観情報入力特性）が、運転者によって異なる場合がある。上記のように、過去の主観情報自体の変動、及び、主観情報と生体情報及び勤務情報といった客観的な情報との連動を主観情報の入力の特性として推定するモデルを生成し、そのモデルに基づいて主観情報の入力の特性を推定することができる。

【0059】

なお、図８には主観情報をモデル入力データとして、主観情報単体の変動特性、及び、主観情報と他の情報との連動性を教師ラベルとして、主観入力特性算出モデル１４０を訓練する処理を記載した。これによって、主観情報を説明変数とし、主観情報単体の変動特性及び主観情報と他の情報との連動性といった主観情報入力特性を目的変数とするモデルが生成される。ここで、主観情報だけでなく、対応する生体情報及び勤務情報の少なくともいずれかをモデル入力データに追加してもよい。これによって、主観情報と、対応する生体情報及び勤務情報の少なくとも一部とを説明変数とし、主観情報単体の変動特性及び主観情報と他の情報との連動性といった主観情報入力特性を目的変数とするモデルが生成される。これによって、より精度の高い主観情報入力特性の推定が可能になることが期待できる。

【0060】

図９は、本発明の実施例に係る運行支援システムが保持する主観情報の一例を示す説明図である。

【0061】

図９には、ある時間幅（例えばある１週間又はある１か月等）の主観情報の変化の一例を示す。ここで、主観情報例９０１は、過去の主観情報１３３のうち、問診１＿７０３の値の一例を示す。勤務情報例９０２は、過去の勤務情報１３１のうち、運行実績４０６の値の一例を示す。生体情報例９０３は、過去の生体情報１３２のうち、ＴＰ３０４の値の一例を示す。

【0062】

例えば、ステップＳ８０１において主観情報例９０１がモデル入力データ８１１として抽出された場合、ステップＳ８０２において、主観情報例９０１の変動特性、及び、主観情報例９０１と勤務情報例９０２及び生体情報例９０３の少なくともいずれかとの連動性が算出される。ここで算出される変動特性及び連動性は、図８のステップＳ８０２において説明したものと同様のものであってもよい。このような主観情報の変動特性及び主観情報と勤務情報及び生体情報の少なくともいずれかとの連動性の算出が時間幅毎に行われ、モデル入力データ８１１及び教師ラベル８１２として蓄積される。

【0063】

ステップＳ８０３では、モデル入力データ８１１及び教師ラベル８１２を用いて、主観情報から主観情報の変動特性を算出するモデル、及び、主化情報から主観情報と勤務情報及び生体情報の少なくともいずれかとの連動性を算出するモデルが訓練される。

【0064】

次に、生体情報の一例である自律神経指標について、図１０から図１２を参照して説明する。

【0065】

図１０は、本発明の実施例に係る運行支援システムが取得する心拍間隔情報の一例を示す説明図である。

【0066】

具体的には、図１０は、心拍計１６１によって取得される心拍計測結果に基づく心拍間隔の取得の例を示す。図１０のグラフの横軸は時間、縦軸は計測された電位である。運行支援サーバ１１０は、図１０に示す心拍データ１０００から心拍間隔データを心拍変動時系列データ１１００（図１１参照）として算出し、さらに心拍変動時系列データ１１００からゆらぎを算出する。ここで、心拍データ１０００として心電図波形が得られる場合には、Ｒ－Ｒ ｉｎｔｅｒｖａｌ（ＲＲＩ）を心拍間隔として取得してもよい。あるいは、例えば手首等の脈波を計測したデータが得られる場合には、その脈波のＰｅａｋ－ｔｏ－Ｐｅａｋ ｉｎｔｅｒｖａｌ（ＰＰＩ）を心拍間隔として取得してもよい。

【0067】

図１１は、本発明の実施例に係る運行支援システムが取得する心拍変動情報の一例を示す説明図である。

【0068】

具体的には、図１１は、図１０に示すように取得された心拍間隔データのゆらぎ（心拍変動）を示す心拍変動時系列データ１１００の一例を示すグラフである。グラフの横軸は時間、縦軸は心拍間隔である。心拍間隔は一定ではなく、自律神経の活動等によって変動している。

【0069】

運行支援サーバ１１０は、生体情報収集装置１６０から取得した心拍間隔データから、所定の長さ（例えば２秒間）の解析窓ごとに心拍変動時系列データ１１００を算出し、周波数スペクトル解析を行って、パワースペクトル密度（ＰＳＤ：Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ ｄｅｎｓｉｔｙ）を算出する。パワースペクトル密度の算出は、周知の手法を適用すればよい。生体情報収集装置１６０は、パワースペクトル密度の低周波成分の強度ＬＦと高周波成分の強度ＨＦを算出する。

【0070】

図１２は、本発明の実施例に係る運行支援システムが取得する自律神経指標の一例を示す説明図である。

【0071】

具体的には、図１２には、心拍変動のパワースペクトル密度の周波数領域のグラフを示す。パワースペクトルの低周波成分の領域（０．０５Ｈｚ～０．１５Ｈｚ）の強度（積分値）ＬＦと、高周波成分の領域（０．１５Ｈｚ～０．４０Ｈｚまで）の強度（積分値）ＨＦとを合計（ＬＦ＋ＨＦ）した値が、自律神経トータルパワー（ＴＰ）として算出される。また、パワースペクトルの低周波成分の強度ＬＦと高周波成分の強度ＨＦの比（自律神経ＬＦ／ＨＦ）が算出される。

【0072】

高周波成分は、副交感神経が活性化（緊張）している場合に心拍変動に出現し、低周波成分は交感神経が活性化（緊張）しているときも、副交感神経が活性化（緊張）しているときも心拍変動に出現する。

【0073】

交感神経が活性化している場合はストレス状態であり、副交感神経が活性化している場合はリラックス状態にあることが知られているので、低周波成分の強度ＬＦと高周波成分の強度ＨＦから、運転者がストレス状態であるかリラックス状態であるかを判定することができる。一方、自律神経トータルパワー（ＴＰ）は、自律神経機能全体の働きを示す指標であり、この値が低下した場合に慢性疲労の状態にあることを示す指標として用いられる。

【0074】

図１３は、本発明の実施例に係る運行支援システムの事故リスク推定モデル訓練部１２１が実行する処理の一例を示すフローチャートである。

【0075】

事故リスク推定モデル訓練部１２１は、処理を開始すると、過去の勤務情報１３１から、指定された時間幅ごとに事故関連情報を抽出し、それを事故リスク情報に変換して、教師ラベル１３１１とする（ステップＳ１３０１）。例えば、事故リスク推定モデル訓練部１２１は、事故関連情報としてヒヤリハット回数４０７を抽出し、それに基づいて、指定された時間幅のヒヤリハット件数の１日当たりの平均値、増加率、又はその時間幅に含まれる各日のヒヤリハット件数の最大値と最小値の差分、等を事故リスク情報として算出してもよい。

【0076】

次に、事故リスク推定モデル訓練部１２１は、過去の主観情報１３３、過去の勤務情報１３１及び過去の生体情報１３２を参照して、指定された時間幅ごとに、主観情報単体の変動特性、及び、主観情報と他の情報との連動性を算出して、算出した変動特性、連動性、及び、当該時間幅の主観情報をモデル入力データ１３１２とする（ステップＳ１３０２）。ここで、主観情報単体の変動特性、及び、主観情報と他の情報との連動性は、図８のステップＳ８０２と同様の算出することができる。

【0077】

次に、事故リスク推定モデル訓練部１２１は、モデル入力データ１３１２及び教師ラベル１３１１を用いて、過去に計測された主観情報と、主観情報単体の変動特性と、主観情報と他の情報との連動性と、から、事故リスク情報を算出する、事故リスク推定モデル１３９を訓練する（ステップＳ１３０３）。

【0078】

以上で事故リスク推定モデルを訓練する処理が終了する。

【0079】

上記のように訓練された事故リスク推定モデル１３９は、主観情報と、主観情報入力特性とを説明変数とし、事故リスクを目的変数とするモデルである。このモデルを使用することで、主観情報だけでなく、推定された運転者による主観情報の入力の特性に基づいて事故リスクが推定される。これによって、各運転者が入力した主観情報から高精度に事故リスクを推定することができる。

【0080】

図１４Ａは、本発明の実施例に係る運行支援システムの主観入力特性情報算出部１２３が実行する処理の一例を示すフローチャートである。

【0081】

主観入力特性情報算出部１２３は、処理を開始すると、取得した主観情報１３４を、訓練済みの主観入力特性算出モデルへ入力し、主観入力特性情報１３５を推定する（ステップＳ１４０１）。以上で主観入力特性情報算出部１２３の処理が終了する。

【0082】

図１４Ｂは、本発明の実施例に係る運行支援システムの主観変化情報算出部１２４が実行する処理の一例を示すフローチャートである。

【0083】

主観変化情報算出部１２４は、処理を開始すると、主観情報１３４と、過去の特定の時間幅の主観情報と、のそれぞれから代表値を算出し、両者の差分又は変化率を主観変化情報１３６として算出する（ステップＳ１４１１）。これは、主観情報の変化の程度を示す情報の一例である。ここで、代表値は、例えば平均値又は中央値等である。以上で主観変化情報算出部１２４の処理が終了する。

【0084】

図１５は、本発明の実施例に係る運行支援システムの事故リスク推定部１２５が実行する処理の一例を示すフローチャートである。

【0085】

事故リスク推定部１２５は、処理を開始すると、主観変化情報１３６を参照して、主観変化情報１３６の値が所定の閾値を超え、かつ、その変化が主観情報の悪化傾向を示すものであるかを判定する（ステップＳ１５０１）。主観変化情報１３６の値が所定の閾値を超え、かつ、その変化が主観情報の悪化傾向を示す場合、事故リスク推定部１２５は、主観情報１３４と、主観入力特性情報１３５と、を事故リスク推定モデル１３９に入力して、事故リスク情報１３７を推定する（ステップＳ１５０２）。以上で事故リスク推定部１２５の処理が終了する。

【0086】

図１６は、本発明の実施例に係る運行支援システムの事故リスク提示部１２６が実行する処理の一例を示すフローチャートである。

【0087】

事故リスク提示部１２６は、処理を開始すると、過去の主観入力特性情報１３８から、現在の主観入力特性情報１３５と類似する指標及び区間をピックアップする（ステップＳ１６０１）。ここで、類似するか否かの判断の対象となる指標は、例えば主観情報単体の変動特性、及び、主観情報と他の情報との連動性の少なくともいずれかである。また、ここでのピックアップの対象となる過去の主観入力特性情報は、現在の主観入力特性情報に対応する運転者と同一の運転者の過去の主観入力特性情報であってもよいし、それとは別の運転者の過去の主観入力特性情報であってもよい。ピックアップされた過去の主観入力特性情報は、ピックアップ主観入力特性情報１６１１として保持される。

【0088】

次に、事故リスク提示部１２６は、主観情報１３４と、推定された事故リスク情報１３７と、を提示する（ステップＳ１６０２）。具体的には、事故リスク提示部１２６は、これらの情報を提示するための情報を生成して、通信Ｉ／Ｆ１１４からネットワーク１９０を介して予測結果表示端末１８０に送信し、出力部１８１に表示させてもよい。あるいは、事故リスク提示部１２６は、これらの情報を出力装置１１６に対して出力し、表示させてもよい。

【0089】

事故リスク提示部１２６は、ステップＳ１６０２において、さらに、ピックアップ主観入力特性情報１６１１と、それに関連する情報とを提示する。ここで、ピックアップ主観入力特性情報１６１１に関連する情報とは、例えば、過去の勤務情報１３１、過去の生体情報１３２及び過去の主観情報１３３の少なくともいずれかから、ピックアップ主観入力特性情報１６１１の区間に相当する区間の情報を抽出したものであってもよい。

【0090】

事故リスク提示部１２６は、ステップＳ１６０２において、さらに、ピックアップ主観入力特性情報１６１１に対応するメッセージをアラート文辞書１６１２から抽出して提示する。アラート文辞書１６１２は、例えば、ピックアップ主観入力特性情報とそれに対応する過去の勤務情報、生体情報及び主観情報として想定される値との組合せに応じて運転者に提示されるアラート文の情報を含むように予め生成されて、補助記憶装置１１３に保持されていてもよい。

【0091】

以上で事故リスク提示部１２６の処理が終了する。

【0092】

図１７は、本発明の実施例に係る運行支援システムの事故リスク提示部１２６が提示する情報の一例を示す説明図である。

【0093】

事故リスク提示部１２６は、図１６のステップＳ１６０２において、例えば図１７に示す事故リスク提示画面１７００を出力装置１１６に提示させる。事故リスク提示画面１７００は、メッセージ提示部１７０１、本人情報提示部１７０２及び類似情報提示部１７０３を含む。

【0094】

メッセージ提示部１７０１には、図１６のステップＳ１６０２で抽出されたアラート文を含むメッセージが提示される。図１７の例では、推定された事故リスクの高さを示す値と、「ここ〇カ月間、問診１の回答内容が徐々に悪化しています。慢性疲労指標も同様に悪化しています。しっかりと休めていますか？」というメッセージが表示される。これは、後述するように、問診への回答として得られた値（例えば、０～１００の値）が低下し、それとともに慢性疲労の指標であるＴＰ、及び、運行実績の評価スコア（例えば１０段階スコア）が低下したことが検出され、これらに基づいて事故リスクが上昇すると推定されたため、それに対応するアラート文がアラート文辞書１６１２から抽出されて表示されたものである。

【0095】

本人情報提示部１７０２には、図１５の処理で事故リスク推定の対象となった運転者の主観情報と、それとの関連性が高いと判定された勤務情報及び生体情報の少なくともいずれかと、推定された事故リスクの高さを示す値と、が提示される。

【0096】

図１７の例では、主観情報として問診１＿７０３の回答として得られた値の推移が、それとの関連性が高い勤務情報及び生体情報としてそれぞれ運行実績４０６及びＴＰ３０４の推移が、それぞれ提示される。この例は、ある区間において、対象の運転者の「どのくらい元気ですか」という問診への回答として得られた値が低下し（すなわち当該運転者の主観的な元気の程度が低下し）、それと関連して当該区間の運行実績４０６（１０段階スコア）及びＴＰ３０４が低下したことを示している。

【0097】

なお、メッセージ提示部１７０１及び本人情報提示部１７０２に提示される事故リスクの高さを示す値は、事故リスク推定の対象となった運転者について、主観情報１３４と主観入力特性情報１３５とを事故リスク推定モデル１３９に入力することによって推定され、事故リスク情報１３７として格納されたものである。

【0098】

類似情報提示部１７０３には、本人情報提示部１７０２に示したものと類似する情報の推移が表示される。図１７の例では、過去に記録された情報から、問診１＿７０３の回答として得られた値が低下し、それと関連して運行実績４０６（１０段階スコア）及びＴＰ３０４が低下した区間がピックアップされ、それらの情報が類似情報提示部１７０３に提示される。これは、本人情報提示部１７０２に提示された情報に対応する運転者とは別の運転者の情報であってもよいし、同一の運転者の過去の情報であってもよい。

【0099】

なお、類似情報提示部１７０３には、ピックアップされた区間の事故関連情報がさらに提示されてもよい。例えば主観情報の低下に伴ってヒヤリハット回数が増加する傾向を運転者に対して提示することによって、メッセージ提示部１７０１に提示したメッセージの説得力が増し、安全運行のための運転者による自己の状態の管理を促すことができる。

【0100】

また、本発明の実施形態のシステムは次のように構成されてもよい。

【0101】

（１）運行支援システム（例えば運行支援システム１００又はそれを構成する運行支援サーバ１１０）が実行する運行支援方法であって、運行支援システムは、プロセッサ（例えばプロセッサ１１１）と、記憶装置（例えばメモリ１１２及び補助記憶装置１１３の少なくともいずれか）と、を有し、記憶装置は、ユーザが過去に自身の状態に関して入力した過去の主観情報（例えば過去の主観情報１３３）を保持し、運行支援方法は、プロセッサが、過去の主観情報と、新たな主観情報（例えば主観情報１３４）と、に基づいて、主観情報の入力の特性を推定する第１手順（例えばステップＳ２０３）と、プロセッサが、過去の主観情報と、新たな主観情報との間の変化の程度を算出する第２手順（例えばステップＳ２０４）と、プロセッサが、新たな主観情報と、主観情報の入力の特性と、主観情報の変化の程度と、に基づいて、事故リスクを推定する第３手順（例えばステップＳ２０５）と、を含む。

【0102】

これによって、運転者の主観情報に基づいて運転者の状態（すなわち運転者の主観情報の入力の特性）を推定し、その状態に基づいて事故リスクの推定を高精度に行うことができる。

【0103】

（２）上記（１）において、記憶装置は、主観情報から主観情報の入力の特性を算出する主観入力特性算出モデル（例えば主観入力特性算出モデル１４０）をさらに保持し、第１手順において、プロセッサは、新たな主観情報を主観入力特性算出モデルに入力することによって、主観情報の入力の特性を推定する（例えばステップＳ１４０１）。

【0104】

これによって、ユーザ（例えば運転者）の主観情報の入力の特性を適切に推定することができる。

【0105】

（３）上記（２）において、記憶装置は、ユーザの過去の生体情報（例えば過去の生体情報１３２）と、ユーザの過去の勤務に関する過去の勤務情報（例えば過去の勤務情報１３１）と、をさらに保持し、運行支援方法は、プロセッサが、過去の主観情報と、過去の生体情報と、過去の勤務情報と、に基づいて、主観情報から、主観情報の変動特性、主観情報と生体情報との連動性、主観情報と勤務情報との連動性、及び主観情報と生体情報と前記勤務情報との連動性、の少なくともいずれかを算出するモデルを生成して、主観入力特性算出モデルとして保持する第４手順（例えばステップＳ２０１、Ｓ８０１～Ｓ８０３）をさらに含み、第１手順において、プロセッサは、新たな主観情報を主観入力特性算出モデルに入力することによって、主観情報の変動特性、主観情報と生体情報との連動性、主観情報と勤務情報との連動性、及び主観情報と生体情報と勤務情報との連動性、の少なくともいずれかを、主観情報の入力の特性として推定する（例えばステップＳ１４０１）。

【0106】

これによって、ユーザの主観情報の入力の特性を適切に推定することができる。

【0107】

（４）上記（３）の第４手順において、プロセッサは、主観情報と、生体情報及び勤務情報の少なくとも一方と、から、主観情報の変動特性、主観情報と生体情報との連動性、主観情報と勤務情報との連動性、及び主観情報と生体情報と勤務情報との連動性、の少なくともいずれかを算出するモデルを主観入力特性算出モデルとして生成し、第１手順において、プロセッサは、新たな主観情報と、ユーザの新たな生体情報及び新たな勤務情報の少なくとも一方とを主観入力特性算出モデルに入力することによって、主観情報の入力の特性を推定する。

【0108】

これによって、ユーザの主観情報の入力の特性をより高精度に推定することができる。

【0109】

（５）上記（３）において、主観情報は、ユーザが自身の疲労の程度を主観的に評価した情報（例えば問診１＿７０３）を含み、主観情報と生体情報との連動性は、疲労の程度を主観的に評価した情報と、生体情報に基づいて算出された疲労の程度を示す情報（例えばＴＰのような自律神経指標等）との連動性である。

【0110】

これによって、ユーザの主観的な疲労の程度と、生体情報に基づく客観的な疲労の程度との連動性を、主観情報の入力の特性として推定することができる。

【0111】

（６）上記（１）において、記憶装置は、主観情報と、主観情報の入力の特性とから事故リスクを推定する事故リスク推定モデル（例えば事故リスク推定モデル１３９）をさらに保持し、第３手順において、プロセッサは、新たな主観情報と、主観情報の入力の特性とを事故リスク推定モデルに入力することによって、事故リスクを推定する（例えばステップＳ１５０２）。

【0112】

これによって、主観情報だけでなく主観情報の入力の特性も考慮して高精度に事故リスクを推定することができる。

【0113】

（７）上記（６）において、記憶装置は、ユーザの過去の生体情報（例えば過去の生体情報１３２）と、ユーザの過去の勤務に関する過去の勤務情報（例えば過去の勤務情報１３１）と、をさらに保持し、過去の勤務情報は、事故、及び、事故には至らないが事故につながる可能性がある事象の少なくともいずれかの発生を示す情報（例えばヒヤリハット回数４０７）を含み、運行支援方法は、プロセッサが、過去の主観情報と、過去の生体情報と、過去の勤務情報と、に基づいて、主観情報と、主観情報の変動特性、主観情報と生体情報との連動性、主観情報と勤務情報との連動性、及び主観情報と生体情報と勤務情報との連動性、の少なくともいずれかと、から事故リスクを推定するモデルを生成して、事故リスク推定モデルとして保持する第５手順（例えばステップＳ２０１、Ｓ１３０１～Ｓ１３０３）をさらに含み、第３手順において、プロセッサは、新たな主観情報と、主観情報の入力の特性と、を事故リスク推定モデルに入力することによって、事故リスクを推定する。

【0114】

これによって、主観情報だけでなく主観情報の入力の特性も考慮して高精度に事故リスクを推定することができる。

【0115】

（８）上記（１）の第２手順において、プロセッサは、過去の主観情報の代表値（例えば平均値又は中央値）と、新たな主観情報の代表値との間の変化の程度を算出し（例えばステップＳ１５０１）、変化の程度に基づいて、主観情報が所定の基準より悪化する傾向にあると判定された場合に、プロセッサが第３手順を実行する。

【0116】

これによって、事故リスクの増加を予測することができる。

【0117】

（９）上記（１）において、プロセッサが、新たな主観情報と、推定された事故リスクと、を表示するための情報を出力する第６手順（例えばステップＳ２０６）をさらに含む。

【0118】

これによって、推定された事故リスクをユーザに対して提示することができる。

【0119】

（１０）上記（９）において、記憶装置は、ユーザの過去の生体情報（例えば過去の生体情報１３２）と、ユーザの過去の勤務に関する過去の勤務情報（例えば過去の勤務情報１３１）と、過去の主観情報の入力の特性を示す情報（例えば過去の主観入力特性情報１３８）と、主観情報、生体情報及び勤務情報の少なくともいずれかに対応するアラートを保持するアラート辞書（例えばアラート文辞書１６１２）と、をさらに保持し、第６手順において、プロセッサは、推定された主観情報の入力の特性と類似する過去の主観情報の入力の特性の区間及び当該区間における過去の主観情報、過去の生体情報及び過去の勤務情報の少なくともいずれかを抽出し（例えばステップＳ１６０１）、抽出された過去の主観情報、過去の生体情報及び過去の勤務情報の少なくともいずれかに対応するアラートをアラート辞書から抽出し（例えばステップＳ１６０２）、抽出された過去の主観情報、過去の生体情報及び過去の勤務情報の少なくともいずれかと、アラートと、を表示するための情報を出力する（例えばステップＳ１６０２）。

【0120】

これによって、推定された事故リスクを、ユーザに理解しやすい形で提示することができる。

【0121】

なお、本発明は上記した実施例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、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例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。

【0122】

また、上記の各構成、機能、処理部、処理手段等は、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って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、実行することによって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、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

【0123】

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

【符号の説明】

【0124】

１００ 運行支援システム
１１０ 運行支援サーバ
１１１ プロセッサ
１１２ メモリ
１１３ 補助記憶装置
１１４ 通信インターフェース
１１５ 入力装置
１１６ 出力装置
１５０ 勤務情報サーバ
１６０ 生体情報収集装置
１７０ 主観情報収集装置
１８０ 予測結果表示端末

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14A】

【図14B】

【図15】

【図16】

【図17】