特許 7334057 運転の危険リスクを予測するシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-08-18

(45)【発行日】2023-08-28

(54)【発明の名称】運転の危険リスクを予測するシステム

(51)【国際特許分類】

   G08G 1/00 20060101AFI20230821BHJP

   G06Q 50/10 20120101ALI20230821BHJP

   G06Q 50/30 20120101ALI20230821BHJP

【ＦＩ】

G08G1/00 D

G06Q50/10

G06Q50/30

【請求項の数】 5

(21)【出願番号】P 2019088870

(22)【出願日】2019-05-09

(65)【公開番号】P2020184248

(43)【公開日】2020-11-12

【審査請求日】2021-11-29

(73)【特許権者】

【識別番号】000153546

【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】田中 毅

(72)【発明者】

【氏名】三幣 俊輔

(72)【発明者】

【氏名】栗山 裕之

(72)【発明者】

【氏名】尾白 大知

(72)【発明者】

【氏名】佐藤 公則

【審査官】西畑 智道

(56)【参考文献】

【文献】特開２０１８－１８０９８３（ＪＰ，Ａ）

【文献】特表２０１６－５３８８９８（ＪＰ，Ａ）

【文献】特開２０１３－０２７５７０（ＪＰ，Ａ）

(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

Ｇ０６Ｑ ５０／１０

Ｇ０６Ｑ ５０／３０

(57)【特許請求の範囲】

【請求項1】

１以上の記憶装置と、
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。

【請求項2】

請求項１に記載のシステムであって、
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、
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。

【請求項3】

請求項１に記載のシステムであって、
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、
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。

【請求項4】

請求項１に記載のシステムであって、
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。

【請求項5】

システムが実行する方法であって、
前記システムは、
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、
前記方法は、
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、
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、
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、
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。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、運転の危険リスクの予測に関する。

【背景技術】

【0002】

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。

【0003】

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）。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１７－２７４１４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

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。

【課題を解決するための手段】

【0006】

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。

【発明の効果】

【0007】

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。

【図面の簡単な説明】

【0008】

【図1】運行管理補助システムを含むシステム構成例を示す。

【図2】運行管理補助システムのハードウェア構成例を示す。

【図3】生体データＤＢの構成例を示す。

【図4】主観評価データＤＢの構成例を含む。

【図5】危険運転操作データＤＢの構成例を示す。

【図6】関連付けデータの構成例を示す。

【図7】生体データ収集装置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。

【図8】心拍変動の例を示す。

【図9】ピーク間隔ＲＲの時間変化を示す。

【図10】ピーク間隔ＲＲの時間変化の周波数スペクトルの例を示す。

【図11】主観評価データ収集装置による処理例のフローチャートを示す。

【図12】２つのＶＡＳの画像例を示す。

【図13】関連付けデータの生成、並びに、訓練済み予測モデルの生成及び訓練済み予測モデルによる危険リスクレベルの予測を説明するための図である。

【図14】運行管理補助システム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。

【図15】生体モデル選択プログラムによる生体モデルの選択のフローチャート例を示す。

【図16】予測結果提示プログラムが提示するレポートの画像例を示す。

【図17】予測結果提示プログラムが提示するレポートの画像例を示す。

【発明を実施するための形態】

【0009】

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。

【0010】

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。

【0011】

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。

【0012】

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。

【0013】

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。

【0014】

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。

【0015】

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。

【0016】

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。

【0017】

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。

【0018】

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。

【0019】

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。

【0020】

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。

【0021】

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。

【0022】

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。

【0023】

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。

【0024】

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。

【0025】

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。

【0026】

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。

【0027】

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。

【0028】

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。

【0029】

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。

【0030】

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。

【0031】

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。

【0032】

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。

【0033】

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。

【0034】

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。

【0035】

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。

【0036】

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。

【0037】

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。

【0038】

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。

【0039】

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。

【0040】

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。

【0041】

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。

【0042】

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。

【0043】

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。

【0044】

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。

【0045】

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。

【0046】

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）。

【0047】

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。

【0048】

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。

【0049】

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。

【0050】

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。

【0051】

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。

【0052】

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。

【0053】

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。

【0054】

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。

【0055】

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。

【0056】

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。

【0057】

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。

【0058】

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。

【0059】

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。

【0060】

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。

【0061】

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。

【0062】

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。

【0063】

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）。

【0064】

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。

【0065】

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）。

【0066】

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。

【0067】

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。

【0068】

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。

【0069】

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。

【0070】

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。

【0071】

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。

【0072】

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。

【0073】

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。

【0074】

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。

【0075】

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。

【0076】

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。

【0077】

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。

【0078】

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。

【0079】

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。

【0080】

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。

【0081】

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。

【0082】

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。

【0083】

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。

【0084】

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。

【0085】

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。

【0086】

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。

【0087】

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。

【0088】

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。

【符号の説明】

【0089】

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

【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】