特許7197672ドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2022-12-19
(45)【発行日】2022-12-27
(54)【発明の名称】ドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラム
(51)【国際特許分類】
G08G 1/00 20060101AFI20221220BHJP
G08G 1/16 20060101ALI20221220BHJP
G16Y 10/40 20200101ALI20221220BHJP
G16Y 20/40 20200101ALI20221220BHJP
G16Y 40/20 20200101ALI20221220BHJP
【ＦＩ】
G08G1/00 D
G08G1/16 F
G16Y10/40
G16Y20/40
G16Y40/20
【請求項の数】
10
(21)【出願番号】P 2021213180
(22)【出願日】2021-12-27
【審査請求日】2022-02-25
【早期審査対象出願】
(73)【特許権者】
【識別番号】000208891
【氏名又は名称】ＫＤＤＩ株式会社
(74)【代理人】
【識別番号】100165179
【弁理士】
【氏名又は名称】田▲崎▼ 聡
(74)【代理人】
【識別番号】100175824
【弁理士】
【氏名又は名称】小林 淳一
(74)【代理人】
【識別番号】100114937
【弁理士】
【氏名又は名称】松本 裕幸
(72)【発明者】
【氏名】宮崎 高彰
(72)【発明者】
【氏名】山田 和紀
(72)【発明者】
【氏名】石川 雄一
【審査官】武内 俊之
(56)【参考文献】
【文献】特開２００９－２２９０９８（ＪＰ，Ａ）
【文献】特開２０１４－２３４１１３（ＪＰ，Ａ）
【文献】Chittaranjan G, Blom J, Gatica-Perez D，Mining large-scale smartphone data for personality studies，Personal and Ubiquitous Computing，17(3)，2013年，pp.433-450
【文献】Ishikawa Y, Kobayashi A, Minamikawa A, Ono C，Predicting a drivers personality from daily driving behavior，Proceedings of the Tenth International Driving Symposium on Human Factors in Driver Assessment, Training and Vehicle Design，2019年，pp.203-209
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０８Ｇ １／００－９９／００
Ｇ０１Ｃ ２１／００－２１／３６
Ｇ０１Ｃ ２３／００－２５／００
Ｇ１６Ｙ １０／４０
Ｇ１６Ｙ ２０／４０
Ｇ１６Ｙ ４０／２０
(57)【特許請求の範囲】
【請求項1】
ドライバが運転する車両に関する車両データを収集する収集部と、前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部と、
契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は車両データと関係する心理特性を導出する導出部と
を備え、
前記導出部は、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出し、
前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、ドライバ特性推定システム。
【請求項2】
前記取得部が取得した前記契約データの特徴を定量的に表した第１特徴量を生成する第１特徴量生成部と、前記収集部が収集した前記車両の前記車両データの特徴を定量的に表した第２特徴量を生成する第２特徴量生成部と
をさらに備え、
前記導出部は、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、前記第１特徴量又は前記第２特徴量と関係する心理特性を導出する、請求項１に記載のドライバ特性推定システム。
【請求項3】
前記第２特徴量生成部は、前記車両の前記車両データを、前記車両の前記ドライバの運転習慣と前記車両の前記ドライバの運転操作とに分け、前記車両の前記ドライバの運転習慣の特徴を定量的に表した運転習慣特徴量と前記車両の前記ドライバの運転操作の特徴を定量的に表した運転操作特徴量とを生成する、請求項２に記載のドライバ特性推定システム。
【請求項4】
前記第２特徴量生成部は、前記ドライバの前記運転操作を複数の運転場面に分け、複数の運転場面の各々に含まれる車両のドライバの運転操作に基づいて、第２特徴量を生成する、請求項３に記載のドライバ特性推定システム。
【請求項5】
前記導出部は、前記心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとのいずれかに基づいて、前記第１特徴量と関係する心理特性又は前記第２特徴量と関係する心理特性を導出する、請求項２から請求項４のいずれか一項に記載のドライバ特性推定システム。
【請求項6】
前記心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと第１特徴量とから得られる導出項目の精度と、前記第２学習モデルと第２特徴量とから得られる導出項目の精度とに基づいて、前記第１特徴量と前記第２特徴量とのいずれかが、導出項目を導出する場合に使用される、請求項２から請求項５のいずれか一項に記載のドライバ特性推定システム。
【請求項7】
前記心理特性は、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかが含まれる、請求項１から請求項６のいずれか一項に記載のドライバ特性推定システム。
【請求項8】
携帯電話事業者との前記契約内容は、端末の色、端末のメーカ、機種名、ＯＳ、機種変更／購入の年月、通信プラン料金、データ容量、通信定額プラン契約有無、スマートバリュー（固定回線とのセット割）利用有無のいずれかを含み、携帯端末を介して行われた事業者との前記契約内容は、電子書籍系サービスの利用有無／月額利用料金、音楽系サービスの利用有無／月額利用料金、動画系サービスの利用有無／月額利用料金、ＥＣサイト利用有無／月額利用料金、ネット銀行加入有無、新電力加入有無のいずれかを含む、請求項１から請求項７のいずれか一項に記載のドライバ特性推定システム。
【請求項9】
コンピュータが実行するドライバ特性推定方法であって、ドライバが運転する車両に関する車両データを収集するステップと、
前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得するステップと、
契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は前記車両データと関係する心理特性を導出するステップと
を有し、
前記導出するステップでは、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出し、
前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、ドライバ特性推定方法。
【請求項10】
コンピュータに、ドライバが運転する車両に関する車両データを収集するステップと、
前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得するステップと、
契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は前記車両データと関係する心理特性を導出するステップと
を実行させ、
前記導出するステップでは、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出させ、
前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、コンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラムに関する。
【背景技術】
【0002】
ドライバの心理状態は、運転の状況に応じて変化する。例えば、ドライバの心理状態には、いらいらしている心理状態、焦っている心理状態、良好な心理状態などがある。
ドライバの心理状態に応じて、より安全性の高い制御に切り替える技術が知られている（例えば特許文献１参照）。
ドライバの心理状態に応じて、より安全性の高い制御に切り替える技術が知られている（例えば特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１３－２１８４９１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
前述した技術では、ドライバの心理状態は、顔の表情、脳波、心拍数などを利用して判定される。このため、ドライバの心理状態は、一時的に得られた顔の表情、脳波、心拍数によって変化する。
ドライバの心理状態は、一時的に得られる要素に加えて、恒久的なデータでも判定可能である。車両において、より安全性の高い制御に切り替えるには、ドライバの心理状態の判定精度を向上させることが必要である。
本発明の目的は、ドライバの心理状態の判定精度を向上できるドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラムを提供することにある。
ドライバの心理状態は、一時的に得られる要素に加えて、恒久的なデータでも判定可能である。車両において、より安全性の高い制御に切り替えるには、ドライバの心理状態の判定精度を向上させることが必要である。
本発明の目的は、ドライバの心理状態の判定精度を向上できるドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラムを提供することにある。
【課題を解決するための手段】
【0005】
（１）本発明の一態様は、ドライバが運転する車両に関する車両データを収集する収集部と、前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部と、契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は前記車両データと関係する心理特性を導出する導出部とを備え、前記導出部は、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出し、前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、ドライバ特性推定システムである。
（２）本発明の一態様は、上記（１）に記載のドライバ特性推定システムにおいて、前記取得部が取得した前記契約データの特徴を定量的に表した第１特徴量を生成する第１特徴量生成部と、前記収集部が収集した前記車両の前記車両データの特徴を定量的に表した第２特徴量を生成する第２特徴量生成部とをさらに備え、前記導出部は、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、前記第１特徴量又は前記第２特徴量と関係する心理特性を導出する。
（３）本発明の一態様は、上記（２）に記載のドライバ特性推定システムにおいて、前記第２特徴量生成部は、前記車両の前記車両データを、前記車両の前記ドライバの運転習慣と前記車両の前記ドライバの運転操作とに分け、前記車両の前記ドライバの運転習慣の特徴を定量的に表した運転習慣特徴量と前記車両の前記ドライバの運転操作の特徴を定量的に表した運転操作特徴量とを生成する。
（４）本発明の一態様は、上記（３）に記載のドライバ特性推定システムにおいて、前記第２特徴量生成部は、前記ドライバの前記運転操作を複数の運転場面に分け、複数の運転場面の各々に含まれる車両のドライバの運転操作に基づいて、第２特徴量を生成する。
（５）本発明の一態様は、上記（２）から上記（４）のいずれか一項に記載のドライバ特性推定システムにおいて、前記導出部は、前記心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとのいずれかに基づいて、前記第１特徴量と関係する心理特性又は前記第２特徴量と関係する心理特性を導出する。
（６）本発明の一態様は、上記（２）から上記（５）のいずれか一項に記載のドライバ特性推定システムにおいて、前記心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと第１特徴量とから得られる導出項目の精度と、前記第２学習モデルと第２特徴量とから得られる導出項目の精度とに基づいて、前記第１特徴量と前記第２特徴量とのいずれかが、導出項目を導出する場合に使用される。
（７）本発明の一態様は、上記（１）から上記（６）のいずれか一項に記載のドライバ特性推定システムにおいて、前記心理特性は、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかが含まれる。
（８）本発明の一態様は、上記（１）から上記（７）のいずれか一項に記載のドライバ特性推定システムにおいて、携帯電話事業者との前記契約内容は、端末の色、端末のメーカ、機種名、ＯＳ、機種変更／購入の年月、通信プラン料金、データ容量、通信定額プラン契約有無、スマートバリュー（固定回線とのセット割）利用有無のいずれかを含み、携帯端末を介して行われた事業者との前記契約内容は、電子書籍系サービスの利用有無／月額利用料金、音楽系サービスの利用有無／月額利用料金、動画系サービスの利用有無／月額利用料金、ＥＣサイト利用有無／月額利用料金、ネット銀行加入有無、新電力加入有無のいずれかを含む。
（２）本発明の一態様は、上記（１）に記載のドライバ特性推定システムにおいて、前記取得部が取得した前記契約データの特徴を定量的に表した第１特徴量を生成する第１特徴量生成部と、前記収集部が収集した前記車両の前記車両データの特徴を定量的に表した第２特徴量を生成する第２特徴量生成部とをさらに備え、前記導出部は、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、前記第１特徴量又は前記第２特徴量と関係する心理特性を導出する。
（３）本発明の一態様は、上記（２）に記載のドライバ特性推定システムにおいて、前記第２特徴量生成部は、前記車両の前記車両データを、前記車両の前記ドライバの運転習慣と前記車両の前記ドライバの運転操作とに分け、前記車両の前記ドライバの運転習慣の特徴を定量的に表した運転習慣特徴量と前記車両の前記ドライバの運転操作の特徴を定量的に表した運転操作特徴量とを生成する。
（４）本発明の一態様は、上記（３）に記載のドライバ特性推定システムにおいて、前記第２特徴量生成部は、前記ドライバの前記運転操作を複数の運転場面に分け、複数の運転場面の各々に含まれる車両のドライバの運転操作に基づいて、第２特徴量を生成する。
（５）本発明の一態様は、上記（２）から上記（４）のいずれか一項に記載のドライバ特性推定システムにおいて、前記導出部は、前記心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した第１学習モデルと、第２特徴量とドライバの心理特性との関係を機械学習した第２学習モデルとのいずれかに基づいて、前記第１特徴量と関係する心理特性又は前記第２特徴量と関係する心理特性を導出する。
（６）本発明の一態様は、上記（２）から上記（５）のいずれか一項に記載のドライバ特性推定システムにおいて、前記心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと第１特徴量とから得られる導出項目の精度と、前記第２学習モデルと第２特徴量とから得られる導出項目の精度とに基づいて、前記第１特徴量と前記第２特徴量とのいずれかが、導出項目を導出する場合に使用される。
（７）本発明の一態様は、上記（１）から上記（６）のいずれか一項に記載のドライバ特性推定システムにおいて、前記心理特性は、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかが含まれる。
（８）本発明の一態様は、上記（１）から上記（７）のいずれか一項に記載のドライバ特性推定システムにおいて、携帯電話事業者との前記契約内容は、端末の色、端末のメーカ、機種名、ＯＳ、機種変更／購入の年月、通信プラン料金、データ容量、通信定額プラン契約有無、スマートバリュー（固定回線とのセット割）利用有無のいずれかを含み、携帯端末を介して行われた事業者との前記契約内容は、電子書籍系サービスの利用有無／月額利用料金、音楽系サービスの利用有無／月額利用料金、動画系サービスの利用有無／月額利用料金、ＥＣサイト利用有無／月額利用料金、ネット銀行加入有無、新電力加入有無のいずれかを含む。
【0006】
（９）本発明の一態様は、コンピュータが実行するドライバ特性推定方法であって、ドライバが運転する車両に関する車両データを収集するステップと、前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得するステップと、契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は前記車両データと関係する心理特性を導出するステップとを有し、前記導出するステップでは、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出し、前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、ドライバ特性推定方法である。
【0007】
（１０）本発明の一態様は、コンピュータに、ドライバが運転する車両に関する車両データを収集するステップと、前記ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得するステップと、契約データとドライバの心理特性との関係を機械学習した第１学習モデルと、車両データとドライバの心理特性との関係を機械学習した第２学習モデルとを含む学習済モデルに基づいて、取得した前記契約データ又は前記車両データと関係する心理特性を導出するステップとを実行させ、前記導出するステップでは、心理特性に含まれる複数の導出項目の各々について、前記第１学習モデルと契約データとから得られる導出項目の精度と、前記第２学習モデルと車両データとから得られる導出項目の精度とに基づいて、前記契約データと前記車両データとのいずれかが、導出項目を導出する場合に使用されるかを表した情報に基づいて、取得した契約データ又は車両データを使用して、心理特性に含まれる複数の導出項目の各々を導出させ、前記契約データは、携帯電話事業者との契約内容及び携帯端末を介して行われた事業者との契約内容を示す契約データである、コンピュータプログラムである。
【発明の効果】
【0008】
本発明によれば、ドライバの心理状態の判定精度を向上できるドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラムを提供できる。
【図面の簡単な説明】
【0009】
【図1】本発明の実施形態のドライバ特性推定システムの構成例を示す図である。
【図2】本実施形態のドライバ特性推定システムの処理の一例を示す図である。
【図3】本実施形態のドライバ特性推定システムの詳細を示す図である。
【図4】契約データに含まれる項目の一例を示す図である。
【図5】車両データに含まれる項目の一例を示す図である。
【図6】Ｂｉｇ５の一例を示す図である。
【図7】本実施形態のドライバ特性推定装置の処理の一例を示す図である。
【図8】本実施形態のドライバ特性推定装置の処理の一例を示す図である。
【図9】本実施形態の学習装置の一例を示す図である。
【図10】本実施形態の学習装置の処理の一例を示す図である。
【図11】実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
【図12】実施形態の変形例のドライバ特性推定システムに含まれるドライバ特性推定装置の詳細を示す図である。
【図13】実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。
【図14】実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。
【図15】実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。
【図16】実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
【図17】実施形態の変形例の学習装置の一例を示す図である。
【図18】実施形態の変形例の学習装置の処理の一例を示す図である。
【図19】実施形態の変形例の学習装置の処理の一例を示す図である。
【発明を実施するための形態】
【0010】
次に、本実施形態のドライバ特性推定装置、ドライバ特性推定方法及びコンピュータプログラムを、図面を参照しつつ説明する。以下で説明する実施形態は一例に過ぎず、本発明が適用される実施形態は、以下の実施形態に限られない。なお、実施形態を説明するための全図において、同一の機能を有するものは同一符号を用い、繰り返しの説明は省略する。
また、本願でいう「ＸＸに基づいて」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含む。また、「ＸＸに基づいて」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含む。「ＸＸ」は、任意の要素（例えば、任意の情報）である。
また、本願でいう「ＸＸに基づいて」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含む。また、「ＸＸに基づいて」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含む。「ＸＸ」は、任意の要素（例えば、任意の情報）である。
【0011】
（第１の実施形態）
（ドライバ特性推定システム）
図１は、本発明の実施形態のドライバ特性推定システムの構成例を示す図である。図１において、ドライバ特性推定システム１は、ドライバ特性推定装置１００を備える。図１には、ドライバ特性推定装置１００に加え、携帯端末２００と、車両ＶＥに搭載される車載機３００とが示されている。携帯端末２００の保持者は、車両ＶＥを運転している。以下、携帯端末２００の保持者をドライバとも記載する。
ドライバ特性推定装置１００と携帯端末２００と車載機３００とは、ネットワークＮＷに接続される基地局ＢＳを介して通信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、プロバイダ装置、無線基地局などを含む。
（ドライバ特性推定システム）
図１は、本発明の実施形態のドライバ特性推定システムの構成例を示す図である。図１において、ドライバ特性推定システム１は、ドライバ特性推定装置１００を備える。図１には、ドライバ特性推定装置１００に加え、携帯端末２００と、車両ＶＥに搭載される車載機３００とが示されている。携帯端末２００の保持者は、車両ＶＥを運転している。以下、携帯端末２００の保持者をドライバとも記載する。
ドライバ特性推定装置１００と携帯端末２００と車載機３００とは、ネットワークＮＷに接続される基地局ＢＳを介して通信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、プロバイダ装置、無線基地局などを含む。
【0012】
ドライバ特性推定システム１の処理の概要について説明する。
図２は、本実施形態のドライバ特性推定システムの処理の一例を示す図である。
ドライバ特性推定装置１００は、携帯端末２００のユーザＩＤと車載機の識別情報（以下「車載機ＩＤ」という）とを紐づけて登録する。ここで、車載機ＩＤの代わりに車両ＩＤが登録されてもよい。以下、一例として、車載機ＩＤが登録される場合について説明を続ける。ドライバ特性推定装置１００は、ユーザＩＤの契約データを登録している。ここで、ユーザＩＤの契約データは、ドライバ特性推定装置１００とは異なるサーバに登録されてもよい。以下、一例として、ユーザＩＤの契約データが、ドライバ特性推定装置１００に登録されている場合について説明を続ける。
車載機３００は、車両ＶＥのドライバ（ユーザ）の操作情報と車両ＶＥの状態情報とを検出する。車載機３００は、検出したドライバの車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両ＶＥの車両データと車載機ＩＤとを含む車両データ通知を作成し、作成した車両データ通知を、ドライバ特性推定装置１００へ送信する（１）。
図２は、本実施形態のドライバ特性推定システムの処理の一例を示す図である。
ドライバ特性推定装置１００は、携帯端末２００のユーザＩＤと車載機の識別情報（以下「車載機ＩＤ」という）とを紐づけて登録する。ここで、車載機ＩＤの代わりに車両ＩＤが登録されてもよい。以下、一例として、車載機ＩＤが登録される場合について説明を続ける。ドライバ特性推定装置１００は、ユーザＩＤの契約データを登録している。ここで、ユーザＩＤの契約データは、ドライバ特性推定装置１００とは異なるサーバに登録されてもよい。以下、一例として、ユーザＩＤの契約データが、ドライバ特性推定装置１００に登録されている場合について説明を続ける。
車載機３００は、車両ＶＥのドライバ（ユーザ）の操作情報と車両ＶＥの状態情報とを検出する。車載機３００は、検出したドライバの車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両ＶＥの車両データと車載機ＩＤとを含む車両データ通知を作成し、作成した車両データ通知を、ドライバ特性推定装置１００へ送信する（１）。
【0013】
ドライバ特性推定装置１００は、車載機３００が送信した車両データ通知を受信し、受信した車両データ通知に含まれる車載機ＩＤを取得する。ドライバ特性推定装置１００は、取得した車載機ＩＤに紐づけられるユーザＩＤを記憶部１１０から取得する。ドライバ特性推定装置１００は、取得したユーザＩＤの契約データを記憶部１１０から取得する。
ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、取得した契約データ又は取得した車両データと関係する心理特性を導出する（２）。
ドライバ特性推定装置１００は、心理特性の導出結果を含む心理特性通知を作成し、作成した心理特性通知を出力する（３）。心理特性の導出結果の一例は、ＢＩＧ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。
ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、取得した契約データ又は取得した車両データと関係する心理特性を導出する（２）。
ドライバ特性推定装置１００は、心理特性の導出結果を含む心理特性通知を作成し、作成した心理特性通知を出力する（３）。心理特性の導出結果の一例は、ＢＩＧ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。
【0014】
以下、ドライバ特性推定システム１に含まれるドライバ特性推定装置１００と、携帯端末２００と、車載機３００との各々について、順次説明する。
図３は、本実施形態のドライバ特性推定システムの詳細を示す図である。
（ドライバ特性推定装置１００）
ドライバ特性推定装置１００は、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。ドライバ特性推定装置１００は、例えば通信部１０２と取得部１０３と作成部１０４と収集部１０５と導出部１０８と記憶部１１０とを備える。
通信部１０２は、通信モジュールによって実現される。通信部１０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部１０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。また、通信部１０２は、例えば有線ＬＡＮなどの通信方式で通信してもよい。
通信部１０２は、車載機３００が送信した車両データ通知を受信する。通信部１０２は、作成部１０４が出力した心理特性通知を送信する。
図３は、本実施形態のドライバ特性推定システムの詳細を示す図である。
（ドライバ特性推定装置１００）
ドライバ特性推定装置１００は、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。ドライバ特性推定装置１００は、例えば通信部１０２と取得部１０３と作成部１０４と収集部１０５と導出部１０８と記憶部１１０とを備える。
通信部１０２は、通信モジュールによって実現される。通信部１０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部１０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。また、通信部１０２は、例えば有線ＬＡＮなどの通信方式で通信してもよい。
通信部１０２は、車載機３００が送信した車両データ通知を受信する。通信部１０２は、作成部１０４が出力した心理特性通知を送信する。
【0015】
取得部１０３は、通信部１０２が受信した車両データ通知を取得し、取得した車両データ通知に含まれる車載機ＩＤに紐づけられているユーザＩＤを記憶部１１０から取得し、取得したユーザＩＤの契約データを記憶部１１０から取得する。
記憶部１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などにより実現される。
記憶部１１０は、携帯端末２００のユーザＩＤと車載機ＩＤとを紐づけて登録する。記憶部１１０は、ユーザＩＤの契約データと、通知先リストとを記憶する。通知先リストは、ユーザＩＤとそのユーザＩＤに該当するユーザへの通知先とを関連付けたユーザ通知先情報と、車載機ＩＤとその車載機ＩＤに該当する車載機への通知先とを関連付けた車載機通知先情報とを含む。通知先の一例は、電話番号などの加入者識別情報、メールアドレスである。
図４は、契約データに含まれる項目の一例を示す図である。図４に示すように、契約データには、端末の色、端末のメーカ、機種名、ＯＳ、機種変更／購入の年月、通信プラン料金、データ容量、通信定額プラン契約有無、スマートバリュー（固定回線とのセット割）利用有無が含まれる。さらに、契約データには、電子書籍系サービスの利用有無／月額利用料金、音楽系サービスの利用有無／月額利用料金、動画系サービスの利用有無／月額利用料金、ＥＣサイト利用有無／月額利用料金、ネット銀行加入有無、新電力加入有無、その他が含まれる。
記憶部１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などにより実現される。
記憶部１１０は、携帯端末２００のユーザＩＤと車載機ＩＤとを紐づけて登録する。記憶部１１０は、ユーザＩＤの契約データと、通知先リストとを記憶する。通知先リストは、ユーザＩＤとそのユーザＩＤに該当するユーザへの通知先とを関連付けたユーザ通知先情報と、車載機ＩＤとその車載機ＩＤに該当する車載機への通知先とを関連付けた車載機通知先情報とを含む。通知先の一例は、電話番号などの加入者識別情報、メールアドレスである。
図４は、契約データに含まれる項目の一例を示す図である。図４に示すように、契約データには、端末の色、端末のメーカ、機種名、ＯＳ、機種変更／購入の年月、通信プラン料金、データ容量、通信定額プラン契約有無、スマートバリュー（固定回線とのセット割）利用有無が含まれる。さらに、契約データには、電子書籍系サービスの利用有無／月額利用料金、音楽系サービスの利用有無／月額利用料金、動画系サービスの利用有無／月額利用料金、ＥＣサイト利用有無／月額利用料金、ネット銀行加入有無、新電力加入有無、その他が含まれる。
【0016】
収集部１０５は、通信部１０２が受信した車両データ通知を取得し、取得した車両データ通知に含まれる車両データと車載機ＩＤとを収集し、記憶部１１０に取得時刻と関連付けて記憶させる。
図５は、車両データに含まれる項目の一例を示す図である。車両データは、車両ＶＥのドライバの操作情報と、車両ＶＥの状態情報とが含まれる。図５に示すように、車両ＶＥの状態情報には、収集方法、収集周期、走行距離、車速、前後方向加速度、左右方向加速度、上下方向加速度、エンジン始動・終了、シフトポジションが含まれる。さらに、車両ＶＥのドライバの操作情報には、アクセルペダル操作量、ブレーキペダル操作量、ステアリング操舵角が含まれる。車両ＶＥのドライバの操作情報と車両ＶＥの状態情報とに、前述した全項目のうち、一部の項目が含まれてもよい。
図５は、車両データに含まれる項目の一例を示す図である。車両データは、車両ＶＥのドライバの操作情報と、車両ＶＥの状態情報とが含まれる。図５に示すように、車両ＶＥの状態情報には、収集方法、収集周期、走行距離、車速、前後方向加速度、左右方向加速度、上下方向加速度、エンジン始動・終了、シフトポジションが含まれる。さらに、車両ＶＥのドライバの操作情報には、アクセルペダル操作量、ブレーキペダル操作量、ステアリング操舵角が含まれる。車両ＶＥのドライバの操作情報と車両ＶＥの状態情報とに、前述した全項目のうち、一部の項目が含まれてもよい。
【0017】
導出部１０８は、学習済モデル１０９を含む。導出部１０８は、取得部１０３が取得したユーザＩＤの契約データを取得する。導出部１０８は、学習済モデル１０９に基づいて、取得した契約データと関係する心理特性又は車両データと関係する心理特性を導出する。
学習済モデル１０９について説明する。学習済モデル１０９は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む。心理特性の一例は、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。Ｂｉｇ５によってドライバの性格を推定でき、ＤＳＱによってドライバの運転心理を推定でき、ＷＳＱによってドライバの運転特性を推定できる。
学習済モデル１０９について説明する。学習済モデル１０９は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む。心理特性の一例は、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。Ｂｉｇ５によってドライバの性格を推定でき、ＤＳＱによってドライバの運転心理を推定でき、ＷＳＱによってドライバの運転特性を推定できる。
【0018】
図６は、Ｂｉｇ５の一例を示す図である。Ｂｉｇ５は、人の性格を５つの軸で定量化したものである。Ｂｉｇ５の指標（５つの軸）は、Ｏｐｅｎｎｅｓｓ（知的好奇心）、Ｃｏｎｓｃｉｅｎｔｉｏｕｓｎｅｓｓ（誠実性）、Ｅｘｔｒａｖｅｒｓｉｏｎ（外向性）、Ａｇｒｅｅａｂｌｅｎｅｓｓ（協調性）、Ｎｅｕｒｏｔｉｃｉｓｍ（情緒不安定性）を含む。Ｂｉｇ５は、広告、金融、人事など様々なサービスでの活用が進んでいる。
運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とは、運転に関する心理的特性である。ＤＳＱ（運転態度）は、運転に取り組む態度や志向、考え方である。ＤＳＱの指標は、せっかちな運転傾向、運転に対する消極性などが含まれる。ＷＳＱ（負担感受性）は、どのような種類の運転負担を強く感じるかである。ＷＳＱの指標は、運転への集中阻害、運転姿勢などが含まれる。
運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とは、運転に関する心理的特性である。ＤＳＱ（運転態度）は、運転に取り組む態度や志向、考え方である。ＤＳＱの指標は、せっかちな運転傾向、運転に対する消極性などが含まれる。ＷＳＱ（負担感受性）は、どのような種類の運転負担を強く感じるかである。ＷＳＱの指標は、運転への集中阻害、運転姿勢などが含まれる。
【0019】
学習済モデル１０９は、心理特性の指標の傾向ごとに契約データを使用して導出するのか車両データを使用して導出するのかが設定されている。
図７は、本実施形態のドライバ特性推定装置の処理の一例を示す図である。図７は、心理特性に含まれる指標（導出対象）と、その指標の傾向と、その指標（導出対象）の傾向を導出するときに使用する使用データとの関係を示す。ここでは、一例として、Ｂｉｇ５に含まれる５つの指標と、５つの指標の各々の傾向と、５つの指標の各々を導出するときに使用する使用データとの関係を示す。
図７には、知的好奇心について、高い傾向（ｈｉｇｈ）を導出するときには車両データを使用し、低い傾向（ｌｏｗ）を導出するときには契約データを使用することが示されている。誠実性について、高い傾向を導出するときには契約データを使用し、低い傾向を導出するときには車両データを使用することが示されている。外向性について、高い傾向を導出するときには契約データを使用し、低い傾向を導出するときには車両データを使用することが示されている。協調性について、高い傾向を導出するときには車両データを使用し、低い傾向を導出するときには契約データを使用することが示されている。情緒不安定性について、高い傾向を導出するときには車両データを使用し、低い傾向を導出するときには車両データを使用することが示されている。図３に戻り説明を続ける。
図７は、本実施形態のドライバ特性推定装置の処理の一例を示す図である。図７は、心理特性に含まれる指標（導出対象）と、その指標の傾向と、その指標（導出対象）の傾向を導出するときに使用する使用データとの関係を示す。ここでは、一例として、Ｂｉｇ５に含まれる５つの指標と、５つの指標の各々の傾向と、５つの指標の各々を導出するときに使用する使用データとの関係を示す。
図７には、知的好奇心について、高い傾向（ｈｉｇｈ）を導出するときには車両データを使用し、低い傾向（ｌｏｗ）を導出するときには契約データを使用することが示されている。誠実性について、高い傾向を導出するときには契約データを使用し、低い傾向を導出するときには車両データを使用することが示されている。外向性について、高い傾向を導出するときには契約データを使用し、低い傾向を導出するときには車両データを使用することが示されている。協調性について、高い傾向を導出するときには車両データを使用し、低い傾向を導出するときには契約データを使用することが示されている。情緒不安定性について、高い傾向を導出するときには車両データを使用し、低い傾向を導出するときには車両データを使用することが示されている。図３に戻り説明を続ける。
【0020】
導出部１０８は、知的好奇心について高い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する知的好奇心の高い傾向を示す情報を取得する。導出部１０８は、知的好奇心について低い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する知的好奇心の低い傾向を示す情報を取得する。導出部１０８は、誠実性について高い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する誠実性の高い傾向を示す情報を取得する。導出部１０８は、誠実性について低い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する誠実性の低い傾向を示す情報を取得する。
導出部１０８は、外向性について高い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する外向性の高い傾向を示す情報を取得する。導出部１０８は、外向性について低い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する外向性の低い傾向を示す情報を取得する。導出部１０８は、協調性について高い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する協調性の高い傾向を示す情報を取得する。導出部１０８は、協調性について低い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する協調性の低い傾向を示す情報を取得する。
導出部１０８は、情緒不安定性について高い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する情緒不安定性の高い傾向を示す情報を取得する。導出部１０８は、情緒不安定性について低い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する情緒不安定性の低い傾向を示す情報を取得する。
導出部１０８は、外向性について高い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する外向性の高い傾向を示す情報を取得する。導出部１０８は、外向性について低い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する外向性の低い傾向を示す情報を取得する。導出部１０８は、協調性について高い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する協調性の高い傾向を示す情報を取得する。導出部１０８は、協調性について低い傾向を導出するときには契約データを学習済モデル１０９に入力し、学習済モデル１０９が出力する協調性の低い傾向を示す情報を取得する。
導出部１０８は、情緒不安定性について高い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する情緒不安定性の高い傾向を示す情報を取得する。導出部１０８は、情緒不安定性について低い傾向を導出するときには車両データを学習済モデル１０９に入力し、学習済モデル１０９が出力する情緒不安定性の低い傾向を示す情報を取得する。
【0021】
作成部１０４は、導出部１０８が取得した心理特性を示す情報とユーザＩＤと車載機ＩＤとを取得する。具体的には、作成部１０４は、知的好奇心を示す情報と誠実性を示す情報と外向性を示す情報と誠実性を示す情報と情緒不安定性を示す情報とを取得する。
作成部１０４は、記憶部１１０に記憶されている通知先リストからユーザＩＤに該当するユーザの携帯端末２００への通知先と、車載機ＩＤに該当する車載機３００への通知先とを取得する。作成部１０４は、取得した知的好奇心を示す情報と誠実性を示す情報と外向性を示す情報と誠実性を示す情報と情緒不安定性を示す情報とを含む、ユーザの携帯端末２００を宛先とする心理特性通知を作成する。作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。
また、作成部１０４は、取得した知的好奇心を示す情報と誠実性を示す情報と外向性を示す情報と誠実性を示す情報と情緒不安定性を示す情報とを含む、車載機３００を宛先とする心理特性通知を作成する。作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。
作成部１０４は、記憶部１１０に記憶されている通知先リストからユーザＩＤに該当するユーザの携帯端末２００への通知先と、車載機ＩＤに該当する車載機３００への通知先とを取得する。作成部１０４は、取得した知的好奇心を示す情報と誠実性を示す情報と外向性を示す情報と誠実性を示す情報と情緒不安定性を示す情報とを含む、ユーザの携帯端末２００を宛先とする心理特性通知を作成する。作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。
また、作成部１０４は、取得した知的好奇心を示す情報と誠実性を示す情報と外向性を示す情報と誠実性を示す情報と情緒不安定性を示す情報とを含む、車載機３００を宛先とする心理特性通知を作成する。作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。
【0022】
取得部１０３、作成部１０４、収集部１０５、及び導出部１０８は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのハードウェアプロセッサが記憶部１１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
また、これらの機能部のうち一部または全部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
【0023】
（携帯端末２００）
携帯端末２００は、パーソナルコンピュータ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。携帯端末２００は、例えば通信部２０２と出力部２０９と記憶部２１０とを備える。
通信部２０２は、通信モジュールによって実現される。通信部２０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部２０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。
通信部２０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
携帯端末２００は、パーソナルコンピュータ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。携帯端末２００は、例えば通信部２０２と出力部２０９と記憶部２１０とを備える。
通信部２０２は、通信モジュールによって実現される。通信部２０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部２０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。
通信部２０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
【0024】
記憶部２１０は、ＨＤＤやフラッシュメモリ、ＲＡＭ、ＲＯＭなどにより実現される。
出力部２０９は、通信部２０２から心理特性通知を取得し、取得した心理特性通知を出力する。出力部２０９は音声で心理特性通知を出力してもよいし、表示部（図示なし）に表示することで出力してもよい。
出力部２０９は、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部２１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
出力部２０９は、通信部２０２から心理特性通知を取得し、取得した心理特性通知を出力する。出力部２０９は音声で心理特性通知を出力してもよいし、表示部（図示なし）に表示することで出力してもよい。
出力部２０９は、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部２１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
【0025】
（車載機３００）
車載機３００は、カーナビゲーション装置、パーソナルコンピュータ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。車載機３００は、例えば通信部３０２と作成部３０４と検出部３０６と出力部３０９と記憶部３１０とを備える。
通信部３０２は、通信モジュールによって実現される。通信部３０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部３０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。
通信部３０２は、作成部３０４が出力した車両データ通知を、ドライバ特性推定装置１００へ送信する。通信部３０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
車載機３００は、カーナビゲーション装置、パーソナルコンピュータ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。車載機３００は、例えば通信部３０２と作成部３０４と検出部３０６と出力部３０９と記憶部３１０とを備える。
通信部３０２は、通信モジュールによって実現される。通信部３０２は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部３０２は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信してもよい。
通信部３０２は、作成部３０４が出力した車両データ通知を、ドライバ特性推定装置１００へ送信する。通信部３０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
【0026】
検出部３０６は、速度センサ、加速度センサ、ジャイロセンサなどの車両ＶＥの操作と車両ＶＥの状態とを計測できるセンサを含んで構成される。検出部３０６は、センサがセンシングすることによって得られるセンサ情報を、車両ＶＥの操作情報と車両ＶＥの状態情報として取得する。
作成部３０４は、検出部３０６から車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。作成部３０４は、車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両データを作成し、作成した車両データと車載機ＩＤとを含む、ドライバ特性推定装置１００を宛先とする車両データ通知を作成する。作成部３０４は、作成した車両データ通知を、通信部３０２へ出力する。
作成部３０４は、検出部３０６から車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。作成部３０４は、車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両データを作成し、作成した車両データと車載機ＩＤとを含む、ドライバ特性推定装置１００を宛先とする車両データ通知を作成する。作成部３０４は、作成した車両データ通知を、通信部３０２へ出力する。
【0027】
出力部３０９は、通信部３０２から心理特性通知を取得し、取得した心理特性通知を出力する。出力部３０９は音声で心理特性通知を出力してもよいし、表示部（図示なし）に表示することで出力してもよい。
作成部３０４、及び出力部３０９は、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部３１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
作成部３０４、及び出力部３０９は、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部３１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。
【0028】
（ドライバ特性推定システム１の動作）
図８は、本実施形態のドライバ特性推定システムの処理の一例を示す図である。
（ステップＳ１－１）
車載機３００において、検出部３０６は、センサがセンシングすることによって得られる車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。
（ステップＳ２－１）
車載機３００において、作成部３０４は、検出部３０６から車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。作成部３０４は、取得した車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両データを作成し、作成した車両データと車載機ＩＤとを含む、ドライバ特性推定装置１００を宛先とする車両データ通知を作成する。
（ステップＳ３－１）
車載機３００において、作成部３０４は、作成した車両データ通知を、通信部３０２へ出力する。通信部３０２は、作成部３０４が出力した車両データ通知をドライバ特性推定装置１００へ送信する。
ドライバ特性推定装置１００において、通信部１０２は、車載機３００が送信した車両データ通知を受信する。
図８は、本実施形態のドライバ特性推定システムの処理の一例を示す図である。
（ステップＳ１－１）
車載機３００において、検出部３０６は、センサがセンシングすることによって得られる車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。
（ステップＳ２－１）
車載機３００において、作成部３０４は、検出部３０６から車両ＶＥの操作情報と車両ＶＥの状態情報とを取得する。作成部３０４は、取得した車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両データを作成し、作成した車両データと車載機ＩＤとを含む、ドライバ特性推定装置１００を宛先とする車両データ通知を作成する。
（ステップＳ３－１）
車載機３００において、作成部３０４は、作成した車両データ通知を、通信部３０２へ出力する。通信部３０２は、作成部３０４が出力した車両データ通知をドライバ特性推定装置１００へ送信する。
ドライバ特性推定装置１００において、通信部１０２は、車載機３００が送信した車両データ通知を受信する。
【0029】
（ステップＳ４－１）
ドライバ特性推定装置１００において、収集部１０５は、通信部１０２が受信した車両データ通知を収集し、収集した車両データ通知に含まれる車両データと車載機ＩＤとを取得し、記憶部１１０に取得時刻と関連付けて記憶させる。取得部１０３は、通信部１０２が受信した車両データ通知に含まれる車載機ＩＤを取得し、取得した車載機ＩＤに紐づけられるユーザＩＤを記憶部１１０から取得する。取得部１０３は、取得したユーザＩＤの契約データを記憶部１１０から取得する。
（ステップＳ５－１）
ドライバ特性推定装置１００において、導出部１０８は、収集部１０５から車両データを取得し、取得部１０３から契約データを取得する。導出部１０８は、学習済モデル１０９に基づいて、取得した契約データと関係する心理特性又は車両データと関係する心理特性を導出する。
ドライバ特性推定装置１００において、収集部１０５は、通信部１０２が受信した車両データ通知を収集し、収集した車両データ通知に含まれる車両データと車載機ＩＤとを取得し、記憶部１１０に取得時刻と関連付けて記憶させる。取得部１０３は、通信部１０２が受信した車両データ通知に含まれる車載機ＩＤを取得し、取得した車載機ＩＤに紐づけられるユーザＩＤを記憶部１１０から取得する。取得部１０３は、取得したユーザＩＤの契約データを記憶部１１０から取得する。
（ステップＳ５－１）
ドライバ特性推定装置１００において、導出部１０８は、収集部１０５から車両データを取得し、取得部１０３から契約データを取得する。導出部１０８は、学習済モデル１０９に基づいて、取得した契約データと関係する心理特性又は車両データと関係する心理特性を導出する。
【0030】
（ステップＳ６－１）
ドライバ特性推定装置１００において、作成部１０４は、導出部１０８が取得した心理特性を示す情報を取得する。作成部１０４は、取得した心理特性を示す情報を含む、携帯端末２００を宛先とする心理特性通知を作成する。
また、作成部１０４は、取得した心理特性を示す情報を含む、車載機３００を宛先とする心理特性通知を作成する。
（ステップＳ７－１）
ドライバ特性推定装置１００において、作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。通信部１０２は、作成部１０４が出力した心理特性通知を、携帯端末２００へ送信する。
携帯端末２００において、通信部２０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
（ステップＳ８－１）
ドライバ特性推定装置１００において、作成部１０４が出力した心理特性通知を、車載機３００へ送信する。
車載機３００において、通信部３０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
その後、ステップＳ１－１に戻り、所定の周期で、前述と同様の処理が行われる。
ドライバ特性推定装置１００において、作成部１０４は、導出部１０８が取得した心理特性を示す情報を取得する。作成部１０４は、取得した心理特性を示す情報を含む、携帯端末２００を宛先とする心理特性通知を作成する。
また、作成部１０４は、取得した心理特性を示す情報を含む、車載機３００を宛先とする心理特性通知を作成する。
（ステップＳ７－１）
ドライバ特性推定装置１００において、作成部１０４は、作成した心理特性通知を通信部１０２へ出力する。通信部１０２は、作成部１０４が出力した心理特性通知を、携帯端末２００へ送信する。
携帯端末２００において、通信部２０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
（ステップＳ８－１）
ドライバ特性推定装置１００において、作成部１０４が出力した心理特性通知を、車載機３００へ送信する。
車載機３００において、通信部３０２は、ドライバ特性推定装置１００が送信した心理特性通知を受信する。
その後、ステップＳ１－１に戻り、所定の周期で、前述と同様の処理が行われる。
【0031】
前述した実施形態では、一例として、ドライバ特性推定装置１００において、契約データが記憶部１１０に記憶される場合について説明したがこの例に限られない。例えば、契約データがクラウドに記憶されてもよい。この場合、ドライバ特性推定装置１００は、クラウドからユーザＩＤの契約データを取得する。
前述した実施形態では、一例として、ドライバ特性推定装置１００は、車両データ通知と取得時刻とを関連付けて記憶部１１０に記憶させる場合について説明したがこの例に限られない。例えば、車両データ通知と取得時刻とを関連付けてクラウドに記憶されてもよい。この場合、ドライバ特性推定装置１００は、クラウドから車両データ通知と取得時刻とを関連付けた情報を取得する。
前述した実施形態では、一例として、ドライバ特性推定システム１に一台の携帯端末２００が含まれ、一台の車載機３００が含まれ、一台のドライバ特性推定装置１００が含まれる場合について説明したが、この例に限られない。例えば、ドライバ特性推定システム１に、複数の携帯端末２００が含まれてもよいし、複数の車載機が含まれてもよいし、複数のドライバ特性推定装置１００が含まれてもよい。
前述した実施形態では、ドライバ特性推定装置１００が、心理特性の一例として、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかを推定する場合について説明したがこの例に限られない。例えば、ドライバ特性推定装置１００が、ドライバの年代を推定してもよいし、ドライバを識別することによって対象のドライバが運転しているかを推定してもよい。
前述した実施形態では、一例として、ドライバ特性推定装置１００は、車両データ通知と取得時刻とを関連付けて記憶部１１０に記憶させる場合について説明したがこの例に限られない。例えば、車両データ通知と取得時刻とを関連付けてクラウドに記憶されてもよい。この場合、ドライバ特性推定装置１００は、クラウドから車両データ通知と取得時刻とを関連付けた情報を取得する。
前述した実施形態では、一例として、ドライバ特性推定システム１に一台の携帯端末２００が含まれ、一台の車載機３００が含まれ、一台のドライバ特性推定装置１００が含まれる場合について説明したが、この例に限られない。例えば、ドライバ特性推定システム１に、複数の携帯端末２００が含まれてもよいし、複数の車載機が含まれてもよいし、複数のドライバ特性推定装置１００が含まれてもよい。
前述した実施形態では、ドライバ特性推定装置１００が、心理特性の一例として、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかを推定する場合について説明したがこの例に限られない。例えば、ドライバ特性推定装置１００が、ドライバの年代を推定してもよいし、ドライバを識別することによって対象のドライバが運転しているかを推定してもよい。
【0032】
ここで、学習済モデル１０９の作成方法について説明する。
図９は、本実施形態の学習装置の一例を示す図である。
（学習装置４００）
学習装置４００は、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。学習装置４００は、例えば入力部４０２と取得部４０３と収集部４０５と学習部４０８と検証部４０９と記憶部４１０と選択部４１１とを備える。
図９は、本実施形態の学習装置の一例を示す図である。
（学習装置４００）
学習装置４００は、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。学習装置４００は、例えば入力部４０２と取得部４０３と収集部４０５と学習部４０８と検証部４０９と記憶部４１０と選択部４１１とを備える。
【0033】
入力部４０２は、車両ＶＥのドライバが保持する携帯端末２００の契約データとドライバの心理状態を特定する情報とを関連付けた契約データ関連情報が入力される。入力部４０２は、携帯端末２００のドライバが運転する車両ＶＥの状態を計測できるセンサが計測したセンサ情報（車両ＶＥの操作情報と車両ＶＥの状態情報）を含む車両データとその車両データが得られたときのドライバの心理状態を特定する情報とを関連付けた車両データ関連情報が入力される。
取得部４０３は、入力部４０２に入力された契約データ関連情報を取得し、取得した契約データ関連情報を、記憶部４１０に取得時刻と関連付けて記憶させる。
収集部４０５は、入力部４０２に入力された車両データ関連情報を収集し、収集した車両データ関連情報を、記憶部４１０に取得時刻と関連付けて記憶させる。
記憶部４１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などにより実現される。記憶部４１０は、契約データ関連情報と取得時刻とを関連付けて記憶する。記憶部４１０は、車両データ関連情報と取得時刻とを関連付けて記憶する。
取得部４０３は、入力部４０２に入力された契約データ関連情報を取得し、取得した契約データ関連情報を、記憶部４１０に取得時刻と関連付けて記憶させる。
収集部４０５は、入力部４０２に入力された車両データ関連情報を収集し、収集した車両データ関連情報を、記憶部４１０に取得時刻と関連付けて記憶させる。
記憶部４１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などにより実現される。記憶部４１０は、契約データ関連情報と取得時刻とを関連付けて記憶する。記憶部４１０は、車両データ関連情報と取得時刻とを関連付けて記憶する。
【0034】
学習部４０８は、第１学習モデル４０８－１と第２学習モデル４０８－２とを備える。学習部４０８は、取得部４０３が取得した契約データ関連情報を取得し、取得した契約データ関連情報に含まれる契約データとドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき契約データと、この契約データに対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第１学習モデル４０８－１を作成する。
学習部４０８は、収集部４０５が収集した車両データ関連情報を取得し、取得した車両データ関連情報に含まれる車両データとドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき車両データと、この車両データに対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第２学習モデル４０８－２を作成する。
例えば、学習部４０８は、ＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）などの推定アルゴリズムで機械学習させることによって、第１学習モデル４０８－１と第２学習モデル４０８－２とを作成する。ＸＧＢｏｏｓｔは、決定木ベースのアルゴリズム、勾配ブースティングとも呼ばれる。ＸＧＢｏｏｓｔは、弱学習器を逐次的に構築する。ＸＧＢｏｏｓｔは、様々なタスクに対して非常に優れた汎化性能を持つ。学習部４０８は、ランダムフォレスト、ディープラーニング、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の他のアルゴリズムを用いて、第１学習モデル４０８－１と第２学習モデル４０８－２とを作成してもよい。
学習部４０８は、収集部４０５が収集した車両データ関連情報を取得し、取得した車両データ関連情報に含まれる車両データとドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき車両データと、この車両データに対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第２学習モデル４０８－２を作成する。
例えば、学習部４０８は、ＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）などの推定アルゴリズムで機械学習させることによって、第１学習モデル４０８－１と第２学習モデル４０８－２とを作成する。ＸＧＢｏｏｓｔは、決定木ベースのアルゴリズム、勾配ブースティングとも呼ばれる。ＸＧＢｏｏｓｔは、弱学習器を逐次的に構築する。ＸＧＢｏｏｓｔは、様々なタスクに対して非常に優れた汎化性能を持つ。学習部４０８は、ランダムフォレスト、ディープラーニング、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の他のアルゴリズムを用いて、第１学習モデル４０８－１と第２学習モデル４０８－２とを作成してもよい。
【0035】
検証部４０９は、第１学習モデル４０８－１と第２学習モデル４０８－２とが作成された後に、ドライバの心理状態に含まれる指標ごとに、契約データを第１学習モデル４０８－１に入力することで得られる出力（スコア（以下「第１スコア」という））と、車両データを第２学習モデル４０８－２に入力することで得られる出力（スコア（以下「第２スコア」という））とを取得する。
検証部４０９は、取得した第１スコアと第２スコアとに基づいて、スコアが高いか否か、スコアが低いか否かを判定する。具体的には、検証部４０９は、第１スコアと第２スコアとの各々について、平均値と標準偏差とを導出する。検証部４０９は、第１スコアと第２スコアとの各々について、平均値に標準偏差を加えた結果以上である場合にはスコアが高いと判定し、平均値から標準偏差を減算した結果以下である場合にはスコアが低いと判定する。検証部４０９は、スコアが高いと判定した場合には「１」に変換し、スコアが高いと判定した場合以外の場合には「０」に変換することで、２値に変換する。
検証部４０９は、第１スコアの精度と第２スコアの精度とを導出する。
検証部４０９は、取得した第１スコアと第２スコアとに基づいて、スコアが高いか否か、スコアが低いか否かを判定する。具体的には、検証部４０９は、第１スコアと第２スコアとの各々について、平均値と標準偏差とを導出する。検証部４０９は、第１スコアと第２スコアとの各々について、平均値に標準偏差を加えた結果以上である場合にはスコアが高いと判定し、平均値から標準偏差を減算した結果以下である場合にはスコアが低いと判定する。検証部４０９は、スコアが高いと判定した場合には「１」に変換し、スコアが高いと判定した場合以外の場合には「０」に変換することで、２値に変換する。
検証部４０９は、第１スコアの精度と第２スコアの精度とを導出する。
【0036】
図１０は、本実施形態の学習装置の処理の一例を示す図である。図１０には、検証部４０９による検証結果の一例を、Ｂｉｇ５を使用した場合について示す。図１０によれば、知的好奇心と誠実性と外向性と協調性と情緒不安定性との各々について、スコアが高い（ｈｉｇｈ）場合と低い（ｌｏｗ）場合とについて、契約データを第１学習モデル４０８－１に入力した場合の出力の精度と、車両データを第２学習モデル４０８－２に入力した場合の出力の精度とが示される。
選択部４１１は、知的好奇心と誠実性と外向性と協調性と情緒不安定性との各々のスコアが高い（ｈｉｇｈ）場合と低い（ｌｏｗ）場合とについて、契約データを第１学習モデル４０８－１に入力した場合の出力の精度と、車両データを第２学習モデル４０８－２に入力した場合の出力の精度とのうち、最も精度が高いものを選択する。例えば、知的好奇心が高い（ｈｉｇｈ）の場合には、契約データを第１学習モデル４０８－１に入力した場合の出力の精度より、車両データを第１学習モデル４０８－１に入力した場合の出力の精度の方が高いため、車両データを選択する。
知的好奇心が低い（ｌｏｗ）の場合には、契約データを第１学習モデル４０８－１に入力した場合の出力の精度の方が、車両データを第１学習モデル４０８－１に入力した場合の出力の精度より高いため、契約データを選択する。他の性格指標についても同様の方法で、使用データを選択する。
その結果、図７に示した心理特性に含まれる指標について、その傾向ごとにその指標を導出するときに使用する使用データとの関係が作成される。スコアが高いことは傾向が高いことに相当し、スコアが低いことは傾向が低いことに相当する。
選択部４１１は、知的好奇心と誠実性と外向性と協調性と情緒不安定性との各々のスコアが高い（ｈｉｇｈ）場合と低い（ｌｏｗ）場合とについて、契約データを第１学習モデル４０８－１に入力した場合の出力の精度と、車両データを第２学習モデル４０８－２に入力した場合の出力の精度とのうち、最も精度が高いものを選択する。例えば、知的好奇心が高い（ｈｉｇｈ）の場合には、契約データを第１学習モデル４０８－１に入力した場合の出力の精度より、車両データを第１学習モデル４０８－１に入力した場合の出力の精度の方が高いため、車両データを選択する。
知的好奇心が低い（ｌｏｗ）の場合には、契約データを第１学習モデル４０８－１に入力した場合の出力の精度の方が、車両データを第１学習モデル４０８－１に入力した場合の出力の精度より高いため、契約データを選択する。他の性格指標についても同様の方法で、使用データを選択する。
その結果、図７に示した心理特性に含まれる指標について、その傾向ごとにその指標を導出するときに使用する使用データとの関係が作成される。スコアが高いことは傾向が高いことに相当し、スコアが低いことは傾向が低いことに相当する。
【0037】
学習部４０８が作成した第１学習モデル４０８－１と第２学習モデル４０８－２とは、ドライバ特性推定装置１００の導出部１０８に入力される。導出部１０８は、入力された第１学習モデル４０８－１と第２学習モデル４０８－２とを、学習済モデル１０９として使用する。選択部４１１が選択した導出対象と導出対象の傾向とその導出対象の傾向を導出する場合に使用する使用データとを関連付けた情報は、ドライバ特性推定装置１００の導出部１０８に入力される。導出部１０８は、導出対象と導出対象の傾向とその導出対象の傾向を導出する場合に使用する使用データとを関連付けた情報を取得し、取得したその情報を、心理特性を導出するときに使用する。
学習装置４００によって作成された第１学習モデル４０８－１と第２学習モデル４０８－２とをドライバ特性推定装置１００の導出部１０８に入力することによって、導出部１０８の学習済モデル１０９を更新してもよい。
学習装置４００によって作成された第１学習モデル４０８－１と第２学習モデル４０８－２とをドライバ特性推定装置１００の導出部１０８に入力することによって、導出部１０８の学習済モデル１０９を更新してもよい。
【0038】
本実施形態のドライバ特性推定システム１によれば、ドライバ特性推定装置１００は、ドライバが運転する車両ＶＥに関する車両データを収集する収集部１０５と、ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部１０３と、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９に基づいて、取得した契約データ又は車両データと関係する心理特性を導出する導出部１０８とを備える。
このように構成することによって、ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９に基づいて、契約データ又は車両データと関係する心理特性を導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバの心理状態を導出できるため、ドライバの心理状態の判定精度を向上させることができる。
ドライバ特性推定装置１００において、心理特性は、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかが含まれる。
このように構成することによって、ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９に基づいて、契約データ又は車両データと関係する心理特性として、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかを導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバのＢｉｇ５と、運転態度と、負担感受性とのいずれかを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
このように構成することによって、ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９に基づいて、契約データ又は車両データと関係する心理特性を導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバの心理状態を導出できるため、ドライバの心理状態の判定精度を向上させることができる。
ドライバ特性推定装置１００において、心理特性は、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかが含まれる。
このように構成することによって、ドライバ特性推定装置１００は、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９に基づいて、契約データ又は車両データと関係する心理特性として、Ｂｉｇ５と、運転態度と、負担感受性とのいずれかを導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバのＢｉｇ５と、運転態度と、負担感受性とのいずれかを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
【0039】
（実施形態の変形例）
実施形態の変形例のドライバ特性推定システム１ａの構成例は、図１を適用できる。ただし、ドライバ特性推定装置１００の代わりにドライバ特性推定装置１００ａを備える点で異なる。
図１１は、実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
ドライバ特性推定装置１００ａは、携帯端末２００のユーザＩＤと車載機ＩＤとを紐づけて登録する。ここで、車載機ＩＤの代わりに車両ＩＤが登録されてもよい。以下、一例として、車載機ＩＤが登録される場合について説明を続ける。ドライバ特性推定装置１００ａは、ユーザＩＤの契約データを登録している。ここで、ユーザＩＤの契約データは、ドライバ特性推定装置１００ａとは異なるサーバに登録されてもよい。以下、一例として、ユーザＩＤの契約データが、ドライバ特性推定装置１００ａに登録されている場合について説明を続ける。
車載機３００ａは、車両ＶＥのドライバ（ユーザ）の操作情報と車両ＶＥの状態情報とを検出する。車載機３００ａは、検出したドライバの車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両ＶＥの車両データと車載機ＩＤとを含む車両データ通知を作成し、作成した車両データ通知を、ドライバ特性推定装置１００ａへ送信する（１）。
実施形態の変形例のドライバ特性推定システム１ａの構成例は、図１を適用できる。ただし、ドライバ特性推定装置１００の代わりにドライバ特性推定装置１００ａを備える点で異なる。
図１１は、実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
ドライバ特性推定装置１００ａは、携帯端末２００のユーザＩＤと車載機ＩＤとを紐づけて登録する。ここで、車載機ＩＤの代わりに車両ＩＤが登録されてもよい。以下、一例として、車載機ＩＤが登録される場合について説明を続ける。ドライバ特性推定装置１００ａは、ユーザＩＤの契約データを登録している。ここで、ユーザＩＤの契約データは、ドライバ特性推定装置１００ａとは異なるサーバに登録されてもよい。以下、一例として、ユーザＩＤの契約データが、ドライバ特性推定装置１００ａに登録されている場合について説明を続ける。
車載機３００ａは、車両ＶＥのドライバ（ユーザ）の操作情報と車両ＶＥの状態情報とを検出する。車載機３００ａは、検出したドライバの車両ＶＥの操作情報と車両ＶＥの状態情報とを含む車両ＶＥの車両データと車載機ＩＤとを含む車両データ通知を作成し、作成した車両データ通知を、ドライバ特性推定装置１００ａへ送信する（１）。
【0040】
ドライバ特性推定装置１００ａは、車載機３００ａが送信した車両データ通知を受信し、受信した車両データ通知に含まれる車両データを取得する。ドライバ特性推定装置１００ａは、取得した車両データに基づいて車載機ＩＤに紐づけられたユーザＩＤを取得し、取得したユーザＩＤの契約データを取得する。ドライバ特性推定装置１００ａは、取得した契約データの特徴を定量的に表した第１特徴量を生成する。
ドライバ特性推定装置１００ａは、取得した車両データに基づいて、車両データの特徴を定量的に表した第２特徴量を生成する（２）。
ドライバ特性推定装置１００ａは、第１特徴量とドライバの心理特性との関係を機械学習した結果と第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、生成した第１特徴量又は算出した第２特徴量と関係する心理特性を導出する（３）。
ドライバ特性推定装置１００ａは、心理特性の導出結果を含む心理特性通知を作成し、作成した心理特性通知を出力する（４）。心理特性の導出結果の一例は、ＢＩＧ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。
以下、ドライバ特性推定システム１に含まれるドライバ特性推定装置１００ａと、携帯端末２００と、車載機３００ａとのうち、実施形態と異なるドライバ特性推定装置１００ａについて説明する。
図１２は、実施形態の変形例のドライバ特性推定システムに含まれるドライバ特性推定装置の詳細を示す図である。
ドライバ特性推定装置１００ａは、取得した車両データに基づいて、車両データの特徴を定量的に表した第２特徴量を生成する（２）。
ドライバ特性推定装置１００ａは、第１特徴量とドライバの心理特性との関係を機械学習した結果と第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、生成した第１特徴量又は算出した第２特徴量と関係する心理特性を導出する（３）。
ドライバ特性推定装置１００ａは、心理特性の導出結果を含む心理特性通知を作成し、作成した心理特性通知を出力する（４）。心理特性の導出結果の一例は、ＢＩＧ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。
以下、ドライバ特性推定システム１に含まれるドライバ特性推定装置１００ａと、携帯端末２００と、車載機３００ａとのうち、実施形態と異なるドライバ特性推定装置１００ａについて説明する。
図１２は、実施形態の変形例のドライバ特性推定システムに含まれるドライバ特性推定装置の詳細を示す図である。
【0041】
（ドライバ特性推定装置１００ａ）
ドライバ特性推定装置１００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。ドライバ特性推定装置１００ａは、例えば通信部１０２と取得部１０３と作成部１０４と収集部１０５と第１特徴量生成部１０６－１と第２特徴量生成部１０６－２と導出部１０８ａと記憶部１１０とを備える。
第１特徴量生成部１０６－１は、取得部１０３が取得した契約データとユーザＩＤとを取得し、取得した契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
第２特徴量生成部１０６－２は、収集部１０５が収集した車両データと車載機ＩＤとを取得し、収集した車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
ドライバ特性推定装置１００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。ドライバ特性推定装置１００ａは、例えば通信部１０２と取得部１０３と作成部１０４と収集部１０５と第１特徴量生成部１０６－１と第２特徴量生成部１０６－２と導出部１０８ａと記憶部１１０とを備える。
第１特徴量生成部１０６－１は、取得部１０３が取得した契約データとユーザＩＤとを取得し、取得した契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
第２特徴量生成部１０６－２は、収集部１０５が収集した車両データと車載機ＩＤとを取得し、収集した車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
【0042】
図１３は、実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。
第２特徴量生成部１０６－２は、車両データを運転習慣と運転操作とに分ける。第２特徴量生成部１０６－２は、運転習慣の特徴を定量的に表した運転習慣特徴量と、運転操作の特徴を定量的に表した運転操作特徴量とを生成する。
運転習慣特徴量を生成する場合について具体的に説明する。第２特徴量生成部１０６－２は、車両データのうち運転習慣に該当するものから１回の運転ごとの時間の特徴量、曜日の特徴量、運転距離の特徴量などを生成する。第２特徴量生成部１０６－２は、車両データのうち運転習慣に該当するものから全日の特徴量、平日の特徴量、週末の特徴量、祝日の特徴量を生成してもよいし、車両データのうち運転習慣に該当するものから全時間の特徴量、５時－１１時の間の特徴量、１１時－１７時の間の特徴量、１７時－２３時の間の特徴量、２３時－５時の間の特徴量を生成してもよい。
第２特徴量生成部１０６－２は、車両データを運転習慣と運転操作とに分ける。第２特徴量生成部１０６－２は、運転習慣の特徴を定量的に表した運転習慣特徴量と、運転操作の特徴を定量的に表した運転操作特徴量とを生成する。
運転習慣特徴量を生成する場合について具体的に説明する。第２特徴量生成部１０６－２は、車両データのうち運転習慣に該当するものから１回の運転ごとの時間の特徴量、曜日の特徴量、運転距離の特徴量などを生成する。第２特徴量生成部１０６－２は、車両データのうち運転習慣に該当するものから全日の特徴量、平日の特徴量、週末の特徴量、祝日の特徴量を生成してもよいし、車両データのうち運転習慣に該当するものから全時間の特徴量、５時－１１時の間の特徴量、１１時－１７時の間の特徴量、１７時－２３時の間の特徴量、２３時－５時の間の特徴量を生成してもよい。
【0043】
第２特徴量生成部１０６－２は、車両データのうち運転習慣に該当するものから１日または１トリップ毎の運転回数の特徴量、走行距離の特徴量、走行時間の特徴量を生成してもよい。
第２特徴量生成部１０６－２は、生成した特徴量について、統計値を算出してもよいし、自己相関を算出してもよいし、走行時間比率を算出してもよいし、走行距離比率を算出してもよい。
例えば、第２特徴量生成部１０６－２は、自己相関を算出する場合に、１日、１週間などの所定の期間の自己相関を算出してもよい。第２特徴量生成部１０６－２は、走行時間比率を算出する場合に、１０ｍｉｎ～１５ｍｉｎ、１５ｍｉｎ～３０ｍｉｎなどの所定の時間の走行時間比率を算出してもよい。第２特徴量生成部１０６－２は、走行距離比率を算出する場合に、０ｋｍ～５ｋｍ、５ｋｍ～１０ｋｍなどの所定の距離の走行距離比率を算出してもよい。
図１４は、実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。図１４は、車両データから運転習慣特徴量を生成する処理の一例を示す。車両データの一例は、取得時刻と関連付けて記憶されている。この例では、車両データから運転習慣に該当するものが一秒毎に収集されている。第２特徴量生成部１０６－２は、所定の時間ウインドウ毎に、特徴量を生成する。図１４に示される例では、第２特徴量生成部１０６－２は、トリップ毎に運転時間の特徴量と運転距離の特徴量と平日か休日かを示す特徴量を生成する。
第２特徴量生成部１０６－２は、生成した特徴量について、統計値を算出してもよいし、自己相関を算出してもよいし、走行時間比率を算出してもよいし、走行距離比率を算出してもよい。
例えば、第２特徴量生成部１０６－２は、自己相関を算出する場合に、１日、１週間などの所定の期間の自己相関を算出してもよい。第２特徴量生成部１０６－２は、走行時間比率を算出する場合に、１０ｍｉｎ～１５ｍｉｎ、１５ｍｉｎ～３０ｍｉｎなどの所定の時間の走行時間比率を算出してもよい。第２特徴量生成部１０６－２は、走行距離比率を算出する場合に、０ｋｍ～５ｋｍ、５ｋｍ～１０ｋｍなどの所定の距離の走行距離比率を算出してもよい。
図１４は、実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。図１４は、車両データから運転習慣特徴量を生成する処理の一例を示す。車両データの一例は、取得時刻と関連付けて記憶されている。この例では、車両データから運転習慣に該当するものが一秒毎に収集されている。第２特徴量生成部１０６－２は、所定の時間ウインドウ毎に、特徴量を生成する。図１４に示される例では、第２特徴量生成部１０６－２は、トリップ毎に運転時間の特徴量と運転距離の特徴量と平日か休日かを示す特徴量を生成する。
【0044】
運転操作特徴量を生成する場合について具体的に説明する。第２特徴量生成部１０６－２は、車両データのうち運転操作に該当するものを、一又は複数の運転場面に分ける。運転場面の一例は、右折場面、左折場面、駐車場面、車速が５ｋｍ／ｈ～２０ｋｍ／ｈの場面、車速が２０ｋｍ／ｈ～４０ｋｍ／ｈの場面、車速が４０ｋｍから６０ｋｍ／ｈの場面、車速が６０ｋｍ／ｈ以上の場面である。
第２特徴量生成部１０６－２は、例えばハンドル操舵角が１２０度を上回った個所から前後１００ｍの区間を、右折場面として抽出する。第２特徴量生成部１０６－２は、例えばハンドル操舵角が－１２０度を下回った個所から前後１００ｍの区間を、左折場面として抽出する。第２特徴量生成部１０６－２は、例えばシフトポジションがリバースになった個所から、移動距離１００ｍ以内かつトリップの終端を含む区間を、駐車場面として抽出する。
第２特徴量生成部１０６－２は、例えばハンドル操舵角が１２０度を上回った個所から前後１００ｍの区間を、右折場面として抽出する。第２特徴量生成部１０６－２は、例えばハンドル操舵角が－１２０度を下回った個所から前後１００ｍの区間を、左折場面として抽出する。第２特徴量生成部１０６－２は、例えばシフトポジションがリバースになった個所から、移動距離１００ｍ以内かつトリップの終端を含む区間を、駐車場面として抽出する。
【0045】
第２特徴量生成部１０６－２は、例えば車速が５ｋｍ／ｈ～２０ｋｍ／ｈで３０秒以上継続した区間を、車速が５ｋｍ／ｈ～２０ｋｍ／ｈの運転場面として抽出する。第２特徴量生成部１０６－２は、例えば車速が２０ｋｍ／ｈ～４０ｋｍ／ｈで６０秒以上継続した区間を。車速が２０ｋｍ／ｈ～４０ｋｍ／ｈの運転場面として抽出する。
第２特徴量生成部１０６－２は、例えば車速が４０ｋｍ／ｈ～６０ｋｍ／ｈで３０秒以上継続した区間を、車速が４０ｋｍ／ｈ～６０ｋｍ／ｈの運転場面として抽出する。第２特徴量生成部１０６－２は、例えば車速が６０ｋｍ／ｈ以上で３０秒以上継続した区間を、車速が６０ｋｍ／ｈ以上の区間の運転場面として抽出する。
第２特徴量生成部１０６－２は、抽出した一又は複数の運転場面の各々に含まれる運転操作に該当する車両データから、運転操作の特徴を定量的に表した運転操作特徴量を生成する。第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データから、右折場面、左折場面、駐車場面、車速が５ｋｍ／ｈ～２０ｋｍ／ｈの場面、車速が２０ｋｍ／ｈ～４０ｋｍ／ｈの場面、車速が４０ｋｍ／ｈ～６０ｋｍ／ｈの場面、車速が６０ｋｍ／ｈ以上の場面などの運転場面ごとに、３秒などの一定時間間隔での特徴量を生成する。
第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データからＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信で得られる各項目の統計量を使用して特徴量を生成してもよい。統計量の一例は、最大値、最小値、平均値、分散値、中央値、標準偏差、第１四分位値、第３四分位値、歪度、尖度などである。例えば、第２特徴量生成部１０６－２は、運転場面が右折場面と左折場面との各々の場合について、車速の統計量、アクセル踏度の統計量、加速度の統計量を使用して特徴量を生成する。
第２特徴量生成部１０６－２は、例えば車速が４０ｋｍ／ｈ～６０ｋｍ／ｈで３０秒以上継続した区間を、車速が４０ｋｍ／ｈ～６０ｋｍ／ｈの運転場面として抽出する。第２特徴量生成部１０６－２は、例えば車速が６０ｋｍ／ｈ以上で３０秒以上継続した区間を、車速が６０ｋｍ／ｈ以上の区間の運転場面として抽出する。
第２特徴量生成部１０６－２は、抽出した一又は複数の運転場面の各々に含まれる運転操作に該当する車両データから、運転操作の特徴を定量的に表した運転操作特徴量を生成する。第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データから、右折場面、左折場面、駐車場面、車速が５ｋｍ／ｈ～２０ｋｍ／ｈの場面、車速が２０ｋｍ／ｈ～４０ｋｍ／ｈの場面、車速が４０ｋｍ／ｈ～６０ｋｍ／ｈの場面、車速が６０ｋｍ／ｈ以上の場面などの運転場面ごとに、３秒などの一定時間間隔での特徴量を生成する。
第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データからＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信で得られる各項目の統計量を使用して特徴量を生成してもよい。統計量の一例は、最大値、最小値、平均値、分散値、中央値、標準偏差、第１四分位値、第３四分位値、歪度、尖度などである。例えば、第２特徴量生成部１０６－２は、運転場面が右折場面と左折場面との各々の場合について、車速の統計量、アクセル踏度の統計量、加速度の統計量を使用して特徴量を生成する。
【0046】
第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データからＣＡＮ通信で得られる各項目のＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ）を使用して特徴量を生成してもよい。ＦＦＴの一例は、０Ｈｚ、１Ｈｚ、２Ｈｚ、・・・、１０Ｈｚ、１０Ｈｚ－２０Ｈｚ、２０Ｈｚ－７０Ｈｚ、７０Ｈｚ以上などの周波数成分に分解し、それらの大きさをスペクトルとして表したものである。
第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データからＣＡＮ通信で得られる各項目の自己相関を使用して特徴量を生成してもよい。自己相関の一例は、０．２秒、１秒、５秒、１０秒、２０秒、３０秒、６０秒などである。
図１５は、実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。図１５は、車両データから運転操作特徴量を生成する処理の一例を示す。車両データの一例は、取得時刻と関連付けて記憶されている。この例では、運転場面ごとの車両データが一秒毎に収集されている。第２特徴量生成部１０６－２は、所定の時間ウインドウ毎に、特徴量を生成する。図１５に示される例では、第２特徴量生成部１０６－２は、ウインドウ毎に車速平均の特徴量と車速標準偏差の特徴量と車速の最大（値）の特徴量を生成する。図１２に戻り説明を続ける。
第２特徴量生成部１０６－２は、一又は複数の運転場面の各々に含まれる運転操作に該当する車両データからＣＡＮ通信で得られる各項目の自己相関を使用して特徴量を生成してもよい。自己相関の一例は、０．２秒、１秒、５秒、１０秒、２０秒、３０秒、６０秒などである。
図１５は、実施形態の変形例のドライバ特性推定装置の処理の一例を示す図である。図１５は、車両データから運転操作特徴量を生成する処理の一例を示す。車両データの一例は、取得時刻と関連付けて記憶されている。この例では、運転場面ごとの車両データが一秒毎に収集されている。第２特徴量生成部１０６－２は、所定の時間ウインドウ毎に、特徴量を生成する。図１５に示される例では、第２特徴量生成部１０６－２は、ウインドウ毎に車速平均の特徴量と車速標準偏差の特徴量と車速の最大（値）の特徴量を生成する。図１２に戻り説明を続ける。
【0047】
導出部１０８ａは、学習済モデル１０９ａを含む。導出部１０８ａは、第１特徴量生成部１０６－１から第１特徴量とユーザＩＤとを取得し、第２特徴量生成部１０６－２から第２特徴量と車載機ＩＤとを取得する。導出部１０８ａは、学習済モデル１０９ａに基づいて、取得した第１特徴量と関係する心理特性又は第２特徴量と関係する心理特性を導出する。
学習済モデル１０９ａについて説明する。学習済モデル１０９ａは、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む。心理特性の一例は、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。Ｂｉｇ５によってドライバの性格を推定でき、ＤＳＱによってドライバの運転心理を推定でき、ＷＳＱによってドライバの運転特性を推定できる。
学習済モデル１０９ａについて説明する。学習済モデル１０９ａは、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む。心理特性の一例は、Ｂｉｇ５と運転態度（ＤＳＱ）と負担感受性（ＷＳＱ）とのいずれかである。Ｂｉｇ５によってドライバの性格を推定でき、ＤＳＱによってドライバの運転心理を推定でき、ＷＳＱによってドライバの運転特性を推定できる。
【0048】
学習済モデル１０９ａは、心理特性の指標の傾向ごとに第１特徴量を使用して導出するのか第２特徴量を使用して導出するのかが設定されている。例えば、学習済モデル１０９ａは、心理特性に含まれる指標（導出対象）と、その指標の傾向と、その指標（導出対象）の傾向を導出するときに使用する使用データとの関係を記憶する。ここでは、一例として、Ｂｉｇ５に含まれる５つの指標と、５つの指標の各々の傾向と、５つの指標の各々を導出するときに使用する使用データとの関係について説明する。
具体的には、知的好奇心について、高い傾向（ｈｉｇｈ）を導出するときには車両データの特徴量（第２特徴量）を使用し、低い傾向（ｌｏｗ）を導出するときには契約データの特徴量（第１特徴量）を使用することが示される。誠実性について、高い傾向を導出するときには契約データの特徴量を使用し、低い傾向を導出するときには車両データの特徴量を使用することが示される。外向性について、高い傾向を導出するときには契約データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには車両データの特徴量を使用することが示される。協調性について、高い傾向を導出するときには車両データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには契約データの特徴量を使用することが示される。情緒不安定性について、高い傾向を導出するときには車両データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには車両データの特徴量を使用することが示される。図１２に戻り説明を続ける。
具体的には、知的好奇心について、高い傾向（ｈｉｇｈ）を導出するときには車両データの特徴量（第２特徴量）を使用し、低い傾向（ｌｏｗ）を導出するときには契約データの特徴量（第１特徴量）を使用することが示される。誠実性について、高い傾向を導出するときには契約データの特徴量を使用し、低い傾向を導出するときには車両データの特徴量を使用することが示される。外向性について、高い傾向を導出するときには契約データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには車両データの特徴量を使用することが示される。協調性について、高い傾向を導出するときには車両データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには契約データの特徴量を使用することが示される。情緒不安定性について、高い傾向を導出するときには車両データの特徴量を使用し、低い傾向（ｌｏｗ）を導出するときには車両データの特徴量を使用することが示される。図１２に戻り説明を続ける。
【0049】
導出部１０８ａは、知的好奇心について高い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する知的好奇心の高い傾向を示す情報を取得する。導出部１０８ａは、知的好奇心について低い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する知的好奇心の低い傾向を示す情報を取得する。導出部１０８ａは、誠実性について高い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する誠実性の高い傾向を示す情報を取得する。導出部１０８ａは、誠実性について低い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する誠実性の低い傾向を示す情報を取得する。
導出部１０８ａは、外向性について高い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する外向性の高い傾向を示す情報を取得する。導出部１０８ａは、外向性について低い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する外向性の低い傾向を示す情報を取得する。導出部１０８ａは、協調性について高い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する協調性の高い傾向を示す情報を取得する。導出部１０８ａは、協調性について低い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する協調性の低い傾向を示す情報を取得する。
導出部１０８ａは、情緒不安定性について高い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する情緒不安定性の高い傾向を示す情報を取得する。導出部１０８ａは、情緒不安定性について低い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する情緒不安定性の低い傾向を示す情報を取得する。
導出部１０８ａは、外向性について高い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する外向性の高い傾向を示す情報を取得する。導出部１０８ａは、外向性について低い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する外向性の低い傾向を示す情報を取得する。導出部１０８ａは、協調性について高い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する協調性の高い傾向を示す情報を取得する。導出部１０８ａは、協調性について低い傾向を導出するときには第１特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する協調性の低い傾向を示す情報を取得する。
導出部１０８ａは、情緒不安定性について高い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する情緒不安定性の高い傾向を示す情報を取得する。導出部１０８ａは、情緒不安定性について低い傾向を導出するときには第２特徴量を学習済モデル１０９ａに入力し、学習済モデル１０９ａが出力する情緒不安定性の低い傾向を示す情報を取得する。
【0050】
第１特徴量生成部１０６－１、第２特徴量生成部１０６－２、及び導出部１０８ａは、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部１１０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。図１２に戻り説明を続ける。
また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。図１２に戻り説明を続ける。
【0051】
（ドライバ特性推定システム１ａの動作）
図１６は、実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
ステップＳ１－２からステップＳ４－２と、ステップ８－２からＳ１０－２は、図８のステップＳ１－１からＳ４－１と、ステップＳ６－１からＳ８－１を適用できるため、ここでの説明は省略する。
（ステップＳ５－２）
ドライバ特性推定装置１００ａにおいて、第１特徴量生成部１０６－１は、取得部１０３が取得した契約データとユーザＩＤとを取得し、取得した契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
図１６は、実施形態の変形例のドライバ特性推定システムの処理の一例を示す図である。
ステップＳ１－２からステップＳ４－２と、ステップ８－２からＳ１０－２は、図８のステップＳ１－１からＳ４－１と、ステップＳ６－１からＳ８－１を適用できるため、ここでの説明は省略する。
（ステップＳ５－２）
ドライバ特性推定装置１００ａにおいて、第１特徴量生成部１０６－１は、取得部１０３が取得した契約データとユーザＩＤとを取得し、取得した契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
【0052】
（ステップＳ６－２）
ドライバ特性推定装置１００ａにおいて、収集部１０５は、通信部１０２が受信した車両データ通知を収集し、収集した車両データ通知に含まれる車両データと車載機ＩＤとを取得し、記憶部１１０に取得時刻と関連付けて記憶させる。第２特徴量生成部１０６－２は、収集部１０５が収集した車両データと車載機ＩＤとを取得し、取得した車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
（ステップＳ７－２）
ドライバ特性推定装置１００ａにおいて、導出部１０８ａは、第１特徴量生成部１０６－１から第１特徴量を取得し、第２特徴量生成部１０６－２から第２特徴量を取得する。導出部１０８ａは、学習済モデル１０９ａに基づいて、取得した第１特徴量と関係する心理特性又は第２特徴量と関係する心理特性を導出する。
ドライバ特性推定装置１００ａにおいて、収集部１０５は、通信部１０２が受信した車両データ通知を収集し、収集した車両データ通知に含まれる車両データと車載機ＩＤとを取得し、記憶部１１０に取得時刻と関連付けて記憶させる。第２特徴量生成部１０６－２は、収集部１０５が収集した車両データと車載機ＩＤとを取得し、取得した車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
（ステップＳ７－２）
ドライバ特性推定装置１００ａにおいて、導出部１０８ａは、第１特徴量生成部１０６－１から第１特徴量を取得し、第２特徴量生成部１０６－２から第２特徴量を取得する。導出部１０８ａは、学習済モデル１０９ａに基づいて、取得した第１特徴量と関係する心理特性又は第２特徴量と関係する心理特性を導出する。
【0053】
ここで、学習済モデル１０９ａの作成方法について説明する。
図１７は、実施形態の変形例の学習装置の一例を示す図である。
（学習装置４００ａ）
学習装置４００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。学習装置４００ａは、例えば入力部４０２と取得部４０３と収集部４０５と第１特徴量生成部４０６－１と第２特徴量生成部４０６－２と学習部４０８ａと検証部４０９ａと記憶部４１０と選択部４１１とを備える。
第１特徴量生成部４０６－１は、前述した第１特徴量生成部１０６－１を適用できる。第１特徴量生成部４０６－１は、取得部４０３が取得した契約データ関連情報を取得し、取得した契約データ関連情報に含まれる契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
第２特徴量生成部４０６－２は、前述した第２特徴量生成部１０６－２を適用できる。第２特徴量生成部４０６－２は、収集部４０５が収集した車両データ関連情報を取得し、取得した車両データ関連情報に含まれる車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
第１特徴量生成部４０６－１は、生成した第１特徴量とドライバの心理状態を特定する情報とを関連付ける。第２特徴量生成部４０６－２は、生成した第２特徴量とドライバの心理状態を特定する情報とを関連付ける。
図１８は、実施形態の変形例の学習装置の処理の一例を示す図である。第１特徴量生成部４０６－１は、元データとして契約データを取得し、取得した契約データに基づいて第１特徴量を生成する。第２特徴量生成部４０６－２は、元データとして車両データを取得し、取得した車両データに基づいて第２特徴量を生成する。第２特徴量には、右折場面、左折場面、０～２０ｋｍ／ｈ場面などの運転操作の特徴を定量的に表した運転操作特徴量と、運転習慣の特徴を定量的に表した運転習慣特徴量とが含まれる。図１７に戻り説明を続ける。
図１７は、実施形態の変形例の学習装置の一例を示す図である。
（学習装置４００ａ）
学習装置４００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。学習装置４００ａは、例えば入力部４０２と取得部４０３と収集部４０５と第１特徴量生成部４０６－１と第２特徴量生成部４０６－２と学習部４０８ａと検証部４０９ａと記憶部４１０と選択部４１１とを備える。
第１特徴量生成部４０６－１は、前述した第１特徴量生成部１０６－１を適用できる。第１特徴量生成部４０６－１は、取得部４０３が取得した契約データ関連情報を取得し、取得した契約データ関連情報に含まれる契約データに基づいて契約データの特徴を定量的に表した第１特徴量を生成する。
第２特徴量生成部４０６－２は、前述した第２特徴量生成部１０６－２を適用できる。第２特徴量生成部４０６－２は、収集部４０５が収集した車両データ関連情報を取得し、取得した車両データ関連情報に含まれる車両データに基づいて車両データの特徴を定量的に表した第２特徴量を生成する。
第１特徴量生成部４０６－１は、生成した第１特徴量とドライバの心理状態を特定する情報とを関連付ける。第２特徴量生成部４０６－２は、生成した第２特徴量とドライバの心理状態を特定する情報とを関連付ける。
図１８は、実施形態の変形例の学習装置の処理の一例を示す図である。第１特徴量生成部４０６－１は、元データとして契約データを取得し、取得した契約データに基づいて第１特徴量を生成する。第２特徴量生成部４０６－２は、元データとして車両データを取得し、取得した車両データに基づいて第２特徴量を生成する。第２特徴量には、右折場面、左折場面、０～２０ｋｍ／ｈ場面などの運転操作の特徴を定量的に表した運転操作特徴量と、運転習慣の特徴を定量的に表した運転習慣特徴量とが含まれる。図１７に戻り説明を続ける。
【0054】
学習部４０８ａは、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを備える。学習部４０８ａは、第１特徴量とドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき第１特徴量と、この第１特徴量に対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第１学習モデル４０８ａ－１を作成する。
学習部４０８ａは、第２特徴量とドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき第２特徴量と、この第２特徴量に対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第２学習モデル４０８ａ－２を作成する。
例えば、学習部４０８ａは、ＸＧＢｏｏｓｔなどの推定アルゴリズムで機械学習させることによって、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを作成する。学習部４０８ａは、ランダムフォレスト、ディープラーニング、ＳＶＭ等の他のアルゴリズムを用いて、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを作成してもよい。
学習部４０８ａは、第２特徴量とドライバの心理状態を特定する情報とを関連付けた情報に基づいて、入力すべき第２特徴量と、この第２特徴量に対応するドライバの心理状態を特定する情報とを１セットとする教師データを用いて機械学習することによって第２学習モデル４０８ａ－２を作成する。
例えば、学習部４０８ａは、ＸＧＢｏｏｓｔなどの推定アルゴリズムで機械学習させることによって、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを作成する。学習部４０８ａは、ランダムフォレスト、ディープラーニング、ＳＶＭ等の他のアルゴリズムを用いて、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを作成してもよい。
【0055】
検証部４０９ａは、第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とが作成された後に、ドライバの心理状態に含まれる指標ごとに、第１特徴量を第１学習モデル４０８ａ－１に入力することで得られる第１スコアと、第２特徴量を第２学習モデル４０８ａ－２に入力することで得られる第２スコアとを取得する。
検証部４０９ａは、取得した第１スコアと第２スコアとに基づいて、スコアが高いか否か、スコアが低いか否かを判定する。具体的には、検証部４０９ａは、第１スコアと第２スコアとの各々について、平均値と標準偏差とを導出する。検証部４０９ａは、第１スコアと第２スコアとの各々について、平均値に標準偏差を加えた結果以上である場合にはスコアが高いと判定し、平均値から標準偏差を減算した結果以下である場合にはスコアが低いと判定する。検証部４０９ａは、スコアが高いと判定した場合には「１」に変換し、スコアが高いと判定した場合以外の場合には「０」に変換することで、２値に変換する。
検証部４０９ａは、第１スコアの精度と第２スコアの精度とを導出する。
検証部４０９ａは、取得した第１スコアと第２スコアとに基づいて、スコアが高いか否か、スコアが低いか否かを判定する。具体的には、検証部４０９ａは、第１スコアと第２スコアとの各々について、平均値と標準偏差とを導出する。検証部４０９ａは、第１スコアと第２スコアとの各々について、平均値に標準偏差を加えた結果以上である場合にはスコアが高いと判定し、平均値から標準偏差を減算した結果以下である場合にはスコアが低いと判定する。検証部４０９ａは、スコアが高いと判定した場合には「１」に変換し、スコアが高いと判定した場合以外の場合には「０」に変換することで、２値に変換する。
検証部４０９ａは、第１スコアの精度と第２スコアの精度とを導出する。
【0056】
図１９は、実施形態の変形例の学習装置の処理の一例を示す図である。図１９には、検証部４０９ａによる検証結果の一例を、Ｂｉｇ５を使用した場合について示す。図１９によれば、知的好奇心と誠実性と外向性と協調性と情緒不安定性との各々について、傾向が高い（ｈｉｇｈ）場合と低い（ｌｏｗ）場合とについて、第１特徴量（サービス利用データ）を第１学習モデル４０８ａ－１に入力した場合の出力の精度と、第２特徴量（運転習慣、左折、右折、時速５－２０ｋｍ、時速２０－４０ｋｍ、時速４０－６０ｋｍ、時速６０ｋｍ－、駐車）を第２学習モデル４０８ａ－２に入力した場合の出力の精度とが示される。
【0057】
学習部４０８ａが作成した第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とは、ドライバ特性推定装置１００ａの導出部１０８ａに入力される。導出部１０８ａは入力された第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを、学習済モデル１０９ａとして使用する。選択部４１１が選択した導出対象と検出対象の傾向とその導出対象の傾向を導出する場合に使用する使用データの特徴量とを関連付けた情報は、ドライバ特性推定装置１００ａの導出部１０８ａに入力される。導出部１０８ａは、導出対象と導出対象の傾向とその導出対象の傾向を導出する場合に使用する使用データの特徴量とを関連付けた情報を取得し、取得したその情報を、心理特性を導出するときに使用する。
学習装置４００ａによって作成された第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを、ドライバ特性推定装置１００ａの導出部１０８ａに入力することによって、導出部１０８ａの学習済モデル１０９ａを更新してもよい。
学習装置４００ａによって作成された第１学習モデル４０８ａ－１と第２学習モデル４０８ａ－２とを、ドライバ特性推定装置１００ａの導出部１０８ａに入力することによって、導出部１０８ａの学習済モデル１０９ａを更新してもよい。
【0058】
実施形態の変形例のドライバ特性推定システム１ａによれば、ドライバ特性推定装置１００ａは、ドライバが運転する車両ＶＥに関する車両データを収集する収集部１０５と、ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部１０３と、取得部１０３が取得した契約データの特徴を定量的に表した第１特徴量を生成する第１特徴量生成部１０６－１と、収集部１０５が収集した車両ＶＥの車両データの特徴を定量的に表した第２特徴量を生成する第２特徴量生成部１０６－２と、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９ａに基づいて、第１特徴量又は第２特徴量と関係する心理特性を導出する導出部１０８ａとを備える。
このように構成することによって、ドライバ特性推定装置１００ａは、契約データの特徴を定量的に表した第１特徴量を生成し、車両ＶＥの車両データの特徴を定量的に表した第２特徴量を生成し、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９ａに基づいて、第１特徴量又は第２特徴量と関係する心理特性を導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバの心理状態を導出できるため、ドライバの心理状態の判定精度を向上させることができる。
このように構成することによって、ドライバ特性推定装置１００ａは、契約データの特徴を定量的に表した第１特徴量を生成し、車両ＶＥの車両データの特徴を定量的に表した第２特徴量を生成し、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９ａに基づいて、第１特徴量又は第２特徴量と関係する心理特性を導出できる。このため、車両ＶＥの車両データなどの一時的に得られる要素に加えて、契約データなどの恒久的なデータでドライバの心理状態を導出できるため、ドライバの心理状態の判定精度を向上させることができる。
【0059】
ドライバ特性推定装置１００ａにおいて、第２特徴量生成部１０６－２は、車両ＶＥの車両データを、車両ＶＥのドライバの運転習慣と車両のドライバの運転操作とに分け、車両ＶＥのドライバの運転習慣の特徴を定量的に表した運転習慣特徴量と車両ＶＥのドライバの運転操作の特徴を定量的に表した運転操作特徴量とを生成する。
このように構成することによって、車両ＶＥのドライバの運転習慣特徴量と関係する心理特性と車両ＶＥのドライバの運転操作特徴量と関係する心理特性とを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
ドライバ特性推定装置１００ａにおいて、第２特徴量生成部１０６－２は、ドライバの運転操作を複数の運転場面に分け、複数の運転場面の各々に含まれる車両のドライバの運転操作に基づいて、第２特徴量を生成する。
このように構成することによって、複数の運転場面の各々にドライバの運転操作に基づいて生成される第２特徴量と関係する心理特性とを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
このように構成することによって、車両ＶＥのドライバの運転習慣特徴量と関係する心理特性と車両ＶＥのドライバの運転操作特徴量と関係する心理特性とを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
ドライバ特性推定装置１００ａにおいて、第２特徴量生成部１０６－２は、ドライバの運転操作を複数の運転場面に分け、複数の運転場面の各々に含まれる車両のドライバの運転操作に基づいて、第２特徴量を生成する。
このように構成することによって、複数の運転場面の各々にドライバの運転操作に基づいて生成される第２特徴量と関係する心理特性とを導出できるため、ドライバの心理状態の判定精度を向上させることができる。
【0060】
ドライバ特性推定装置１００ａにおいて、導出部１０８ａは、心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とのいずれかに基づいて、第１特徴量と関係する心理特性又は第２特徴量と関係する心理特性を導出する。
このように構成することによって、心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９ａとを使い分けることができるため、ドライバの心理状態の判定精度を向上させることができる。
このように構成することによって、心理特性に含まれる複数の導出項目に応じて、第１特徴量とドライバの心理特性との関係を機械学習した結果と、第２特徴量とドライバの心理特性との関係を機械学習した結果とを含む学習済モデル１０９ａとを使い分けることができるため、ドライバの心理状態の判定精度を向上させることができる。
【0061】
ドライバ特性推定装置１００ａにおいて、心理特性に含まれる複数の導出項目の各々について、学習済モデルと第１特徴量とから得られる導出項目の精度と、学習済モデルと第２特徴量とから得られる導出項目の精度とに基づいて、第１特徴量と第２特徴量とのいずれかが、導出項目を導出する場合に使用される。
このように構成することによって、心理特性に含まれる複数の導出項目の各々について、学習済モデルと第１特徴量とから得られる導出項目の精度と、学習済モデルと第２特徴量とから得られる導出項目の精度とに基づいて、第１特徴量と第２特徴量とを使い分けることができるため、ドライバの心理状態の判定精度を向上させることができる。
このように構成することによって、心理特性に含まれる複数の導出項目の各々について、学習済モデルと第１特徴量とから得られる導出項目の精度と、学習済モデルと第２特徴量とから得られる導出項目の精度とに基づいて、第１特徴量と第２特徴量とを使い分けることができるため、ドライバの心理状態の判定精度を向上させることができる。
【0062】
以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。例えば、上述した各装置の機能を実現するためのコンピュータプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたコンピュータプログラムをコンピュータシステムに読み込ませ、実行するようにしてもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disc）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してコンピュータプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disc）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してコンピュータプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。
【符号の説明】
【0063】
１、１ａ…ドライバ特性推定システム、１００、１００ａ…ドライバ特性推定装置、１０２…通信部、１０３…取得部、１０４…作成部、１０５…収集部、１０６－１…第１特徴量生成部、１０６－２…第２特徴量生成部、１０８、１０８ａ…導出部、１０９、１０９ａ…学習済モデル、１１０…記憶部、２００…携帯端末、２０２…通信部、２０９…出力部、２１０…記憶部、３００…車載機、３０２…通信部、３０４、３０４ａ…作成部、３０６…検出部、３０７…測位部、３０９…出力部、３１０…記憶部、４００…学習装置、４０２…入力部、４０３…取得部、４０５…収集部、４０６－１…第１特徴量生成部、４０６－２…第２特徴量生成部、４０８、４０８ａ…学習部、４０８－１、４０８ａ－１…第１学習モデル、４０８－２、４０８ａ－２…第２学習モデル、４０９、４０９ａ…検証部、４１０…記憶部、４１１…選択部
【要約】
【課題】ドライバの心理状態の判定精度を向上できるドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラムを提供すること。
【解決手段】ドライバ特性推定システムは、ドライバが運転する車両に関する車両データを収集する収集部と、ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部と、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、契約データ又は車両データと関係する心理特性を導出する導出部とを備える。
【選択図】図３
【解決手段】ドライバ特性推定システムは、ドライバが運転する車両に関する車両データを収集する収集部と、ドライバが所持する携帯端末に基づく契約内容を示す契約データを取得する取得部と、契約データとドライバの心理特性との関係を機械学習した結果と、車両データとドライバの心理特性との関係を機械学習した結果とを含む学習済モデルに基づいて、契約データ又は車両データと関係する心理特性を導出する導出部とを備える。
【選択図】図３
【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14】
【図15】
【図16】
【図17】
【図18】
【図19】