JP2022051216A - 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ - Google Patents

Abstract

【課題】生体データを用いてドライバ毎の個人差を踏まえた広義の危険事象を検知して発報の有無を判定する。
【解決手段】
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。
【選択図】図２

Description

本発明は、交通事故のリスクを予測して交通機関の安全な運行を支援する安全運行支援方法及び安全運行支援システムに関する。

近年、物流トラックや長距離バス等においてドライバの健康状態や疲労に起因する交通事故の発生が社会的問題となっている。交通事故を未然に防ぐため、運転中のドライバの状態を生体センサによりモニタリングする技術や、運転中の車両の挙動をモニタリングする技術の適用が進んでいる。

例えば、特許文献１では、「ドライバの運転操作と外部環境との関連性を随時学習し、ドライバの普段の内部状態からの逸脱を認識して安全な運転を支援することのできる安全運転支援システム」が開示されている。

特開２００９－０９８９７０号公報

特許文献１では、移動体の外部環境をセンシングして認識した外部環境に含まれる走行環境リスクと、ドライバの運転操作から内部状態として推定したドライバのリスク認識状態とを比較することで、ドライバの普段の内部状態からの逸脱を認識する手段を提供している。

しかし、ドライバの運転操作と外部環境との関連性について状態推定を行ってドライバの普段の内部状態からの逸脱（狭義の危険状態）を認識するだけでは、運転操作に顕在化していないが注意が必要な状態（広義の危険状態）を検知することができない。このため、広義の危険状態を事前に回避する対策を取らせることが困難であるという問題があった。

本発明は、上記問題点に鑑みてなされたものであり、広義の危険状態を検知して事前に回避するために、生体データを用いてドライバ毎の個人差を踏まえた広義の危険状態を検知し、その結果に基づいて発報の有無を判定することを目的とする。

解決手段

本発明は、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安全運行支援方法であって、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と、を入力として、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する第１のステップと、前記計算機が、過去に収集した車両の走行状態を示す第２の車載センサデータを前記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推定して事故リスク推定データを生成する第２のステップと、前記計算機が、前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、を入力として、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する第３のステップと、前記計算機が、予め算出した第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第４のステップと、前記計算機が、前記車両の生体センサから運転中のドライバの第２の生体センサデータを取得して、前記第２の生体センサデータから前記ドライバの状態を示す第２の生体データを算出する第５のステップと、前記計算機が、前記第２の生体データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、前記第２の生体データを前記生体状態推定モデルに入力して前記当人深刻度を算出する第６のステップと、前記計算機が、前記予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する第７のステップと、を含む。

したがって、本発明の一形態によれば、前記事故リスク予測モデルと前記生体状態推定モデルと前記生体データに基づいて広義の危険状態（危険事象）を検知することができるようになる。その結果、広義の危険状態に基づいて発報の要否を判断することができ、さらには、広義の危険状態を回避するための対策案を呈示することができる。

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。

本発明の実施例１を示し、安全運行支援システムの構成の一例を示すブロック図である。 本発明の実施例１を示し、安全運行支援システムで行われる処理の概要を示す図である。 本発明の実施例１を示し、安全運行支援サーバで行われる事故リスク予測モデルの生成処理の一例を示すフローチャートである。 本発明の実施例１を示し、安全運行支援サーバで行われる生体状態推定モデルの生成処理の一例を示すフローチャートである。 本発明の実施例１を示し、安全運行支援サーバで行われる生体データの算出処理の一例を示すフローチャートである。 本発明の実施例１を示し、安全運行支援サーバで行われる心拍データを用いた生体データの計算処理の一例を示すフローチャートである。 本発明の実施例１を示し、安全運行支援サーバで行われる危険予測処理の一例を示すフローチャートである。 本発明の実施例１を示し、安全運行支援サーバで行われる警告呈示処理の一例を示すフローチャートである。 本発明の実施例１を示し、警告呈示画面の一例を示す図である。 本発明の実施例１を示し、警告呈示画面の他の例を示す図である。 本発明の実施例１を示し、生体データのデータ構造の一例を示す図である。 本発明の実施例１を示し、業務・環境データのデータ構造の一例を示す図である。 本発明の実施例１を示し、属性情報データのデータ構造の一例を示す図である。 本発明の実施例１を示し、学習情報データのデータ構造の一例を示す図である。 本発明の実施例１を示し、危険発生データのデータ構造の一例を示す図である。 本発明の実施例１を示し、事故リスク予測データのデータ構造の一例を示す図である。 本発明の実施例１を示し、当人深刻度データのデータ構造の一例を示す図である。 本発明の実施例１を示し、結合テーブルのデータ構造の一例を示す図である。 本発明の実施例１を示し、アラート定義データのデータ構造の一例を示す図である。 本発明の実施例１を示し、対策案データのデータ構造の一例を示す図である。 本発明の実施例２を示し、安全運行支援システムで行われる処理の概要を示す図である。 本発明の実施例３を示し、安全運行支援システムで行われる処理の概要を示す図である。 本発明の実施例３を示し、ドライバ管理者へ提供される警告先一覧画面の一例を示す図である。

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。

まず、本発明の実施例１を説明する。

＜システム構成＞
図１は、本発明の実施例１を示し、安全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。本実施例の安全運行支援システムは、ネットワーク１４を介して１以上の車両７の運行を支援する安全運行支援サーバ１を含む。

車両７は、走行状態を検出する車載センサ８と、ドライバの生体データ６４を検出する生体センサ１２と、ドライバを特定するドライバＩＤ読取装置１１と、検出された車載及び生体のセンサデータとドライバＩＤを収集して安全運行支援サーバ１へ送信する運転データ収集装置１０と、安全運行支援サーバ１からドライバの交通事故のリスク（以下、事故リスク）に応じた警告を受け付けて、ドライバへ呈示する予測結果報知装置９と、生体データ６４の計測状況の入力を受け付ける業務状態入力装置１３を含む。

なお、図示の例では、運転データ収集装置１０と予測結果報知装置９と業務状態入力装置１３とドライバＩＤ読取装置１１を独立した装置とした例を示すが、一つの携帯端末で構成することができる。この場合、携帯端末は、運転データ収集部と予測結果報知部と業務状態入力部とドライバＩＤ読取部として機能する。

車載センサ８としては、車両の位置情報を検出するＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）８１と、車両の挙動や速度を検出する加速度センサ８２と、走行環境を映像として検出するカメラ８３を含むことができる。

車載センサ８は、上記に限定されるものではなく、車両の周囲の物体及び／又は距離を検出する測距センサや、運転操作を検出する操舵角センサ、車両の旋回操作を検出する角速度センサ等を用いることができる。また、加速度センサ８２は、３軸加速度センサが望ましい。

生体センサ１２は、心拍データを検出する心拍センサ１２１と、ドライバの動きを検出する加速度センサ１２２を含む。心拍センサ１２１は、心電や脈波あるいは心音などに基づき心拍を検出するセンサを用いることができる。

生体センサ１２は、上記に限定されるものではなく、発汗量や、体温、まばたき、眼球運動、筋電あるいは脳波等を検出するセンサを採用することができる。生体センサ１２としては、ドライバ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、車両内部に付属したセンシングデバイスや、ドライバ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。

ドライバＩＤ読取装置１１は、ドライバの識別子を記録したカードを読み込む。運転データ収集装置１０は、所定の周期で車載センサ８と生体センサ１２からデータを収集し、ネットワーク１４を介して安全運行支援サーバ１へ送信する。

なお、図示の例では、ドライバＩＤ読取装置１１を、ドライバの識別子を記録したカードを読み込む装置として構成した例を示したが、異なる構成としてもよい。例えば、ドライバＩＤ読取装置１１を一つの携帯端末で構成し、携帯端末をドライバＩＤ読取部として機能させた場合、ドライバの識別子をドライバ自身に入力させることでドライバＩＤを読み取ったり、携帯端末が有するカメラを用いた公知の顔認証技術によってドライバを同定させることでドライバＩＤを読み取ったりしてもよい。

業務状態入力装置１３は、運転や休憩や仮眠等、ドライバの業務の状態を受け付けて安全運行支援サーバ１へ送信する。

安全運行支援サーバ１は、プロセッサ２と、メモリ３と、ストレージ装置４と、入出力装置５と、通信装置６を含む計算機である。メモリ３は、生体データ算出部３１と、事故リスク定義生成部３２と、事故リスク推定部３３と、生体状態推定モデル生成部３４と、事故リスク予測モデル生成部３５と、モデル選択部３６と、危険予測部３７と、警告呈示部３８と、データ収集部３９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２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。

プロセッサ２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２は、生体データ算出プログラムを実行することで生体データ算出部３１として機能する。他のプログラムについても同様である。さらに、プロセッサ２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。

ストレージ装置４は、上記各機能部が使用するデータを格納する。ストレージ装置４は、車載センサデータ６１と、生体センサデータ６３と、業務・環境データ７４と、事故リスク予測モデル７１と、事故リスク予測データ６６と、危険発生データ６２と、生体データ６４と、事故リスク定義モデル７０と、アラート定義データ７２と、事故リスク推定データ６５と、対策案データ７３と、生体状態推定モデル６９と、当人深刻度データ６７と、結合テーブル６８と、属性情報データ７５と、学習情報データ７６とを格納する。

なお、車載センサデータ６１は、後述するように、事故リスク定義モデル７０を生成する際に使用する車載センサデータ６１－１（第１の車載センサデータ）と、事故リスク予測モデル７１を生成する際に使用する車載センサデータ６１－２（第２の車載センサデータ）とが含まれる。以下の説明では、車載センサデータを区別しない場合には「－」以降を省略した符号「６１」を使用する。

また、生体データ６４は、後述するように、事故リスク予測モデル７１を生成する際に使用する生体データ６４－１（第１の生体データ）と、事故リスク予測モデル７１へ入力して事故リスク予測データ６６を生成する際に使用する生体データ６４－２（第２の生体データ）と、生体状態推定モデル６９を生成する際に使用する生体データ６４－３（第３の生体データ）と、が含まれる。以下の説明では、生体データを区別しない場合には「－」以降を省略した符号「６４」を使用する。各データの詳細については後述する。

入出力装置５は、マウス、キーボード、タッチパネル又はマイク等の入力装置と、ディスプレイやスピーカ等の出力装置を含む。通信装置６は、ネットワーク１４を介して車両と通信を行う。

＜処理概要＞
図２は、安全運行支援システムで行われる処理の概要を示す図である。図示の例では、車両７の運行開始以前に実施しておく学習フェーズと、車両７の運行中に実施する運用フェーズで構成した例を示す。

はじめに、安全運行支援システムは、安全運行支援サーバ１において、車両７を運転中のドライバの危険状態を予測するために必要な、事故リスク予測モデル７１と生体状態推定モデル６９とを生成する。

まず、事故リスク定義生成部３２が、予め設定された危険発生データ６２と、過去に収集した車載センサデータ６１－１を入力して、危険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７０を生成する（Ｓ１）。なお、車載センサデータ６１－１の時系列と、危険発生データ６２の時系列は同一の時系列である。

なお、事故リスク定義モデル７０は、過去の車両の走行状態を示す車載センサデータ６１－２（後述）を入力として、危険事象が発生する確率である事故リスクを推定する。なお、以下では事故リスクの値を百分率で示す。

危険発生データ６２は、過去に収集した車載センサデータをもとに、危険と判定された事象を抽出して取得したデータであり、具体的には、急ブレーキや急旋回などのインシデントやインシデントに結びつく事象を、ドライバや管理者が判定したり、市販の車載警報機又はＡＩなどによって判定させたりして、その事象の種別と発生日時とから、予め設定されたデータである。さらに、危険発生データ６２は、インシデントごとに重要度が設定されてもよい。

なお、本実施例ではインシデントとは交通事故につながる事象と定義する。また、インシデントに結びつく事象とは、ドライバがヒヤリ又はハッとするような状態を示す。さらに、重要度は大きくなるにつれて危険性が増大する例を示す。以下では、インシデント又はインシデントに結びつく事象を危険事象と定義する。

また、前記課題で述べた狭義の危険状態は、上記インシデントを含み、広義の危険状態は、上記インシデントに結びつく事象を含むことができる。

事故リスク定義モデル７０は、機械学習モデルであり、車載センサデータ６１－２を入力することにより、危険事象が発生する事故リスクを推定する。機械学習モデルには、サポートベクターマシンやニューラルネットワーク、ロジスティック回帰など周知又は公知の手法を用いることができる。また事故リスク定義モデル７０は、危険事象の種別毎に複数生成しておいてもよい。

次に、事故リスク推定部３３は、過去に収集した車載センサデータ６１－２を事故リスク定義モデル７０に入力して、危険事象が発生する事故リスクを時系列に推定した事故リスク推定データ６５を生成する（Ｓ２）。

事故リスク推定データ６５は、車載センサデータ６１－２に対して危険事象が発生する確率を、車載センサデータ６１－２と同一の時系列として生成されたデータである。

その後、事故リスク予測モデル生成部３５は、事故リスク推定データ６５と、過去の生体データ６４－１と、を入力し、走行中の車両７のドライバの生体データ６４－２（後述）から、所定時間後の事故リスクを予測して出力し、事故リスク予測モデル７１を生成する（Ｓ４）。なお、過去の生体データ６４－１とは、過去に収集した車載センサデータ６１－２に対応する過去の生体センサデータ６３から、生体データ算出部３１が算出したものである。

過去に収集された生体センサデータ６３から算出された生体データ６４－１は、本実施例では、例えばドライバの心拍データから算出された平均心拍数、心拍データ系列の非線形解析で算出される最大リアプノフ指数、心拍データから抽出された心拍間隔データの周波数領域解析、又は自律神経機能指標（ＬＦ／ＨＦなど）などを用いて、算出することができる。なお、自律神経機能指標（ＬＦ／ＨＦなど）は、時間領域解析や非線形解析等の手法により算出することができる。

なお、生体データ６４－１は、車載センサデータ６１－２の時系列に対応する過去の生体センサデータ６３から生体データ算出部３１が算出した生体指標である。

事故リスク予測モデル７１は、周知又は公知の機械学習モデルで構成され、走行中のドライバの生体データ６４－２を入力として所定時間後の事故リスクを出力する。走行中のドライバの生体データ６４－２は、ドライバの生体センサデータ６３から生体データ算出部３１で算出した生体指標であり、安全運行支援サーバ１が走行中の車両７から受信したものである。

なお、事故リスク予測モデル７１としては、事故リスクの種別や使用する生体データの種別、予測を適用する車両の走行環境や所定時間に応じて、複数のモデル予めを生成しておくのがよい。複数のモデルを生成しておくことで、危険予測処理において適するものを選択し、使い分けが可能になる。

また、ドライバの業務特性（一般道走行、高速走行、昼夜連続で業務従事など）や運転経験（運転年数、運転技能、所持免許種別）や健康特性（性別、睡眠時間の多寡など）を格納した属性情報データ７５に応じてモデルを複数生成しておいてもよい。

次に、生体状態推定モデル生成部３４は、過去に計測した生体データ６４－３を入力として、入力（現在の生体データ６４－２）が過去に計測した生体データ６４－３に対してどの程度乖離しているかを示す当人深刻度を推定して出力する生体状態推定モデル６９を生成する（Ｓ３）。なお、現在の生体データ６４－２が過去に計測した生体データ６４－３に対する乖離の度合いは、異常度として表してもよい。

生体状態推定モデル６９は、周知又は公知の統計的モデルや機械学習モデルで構成される。生体状態推定モデル６９は、典型的には、生体データ６４－３の種別毎に複数生成されており、ある種別の生体データ６４－３を入力として、モデル生成に用いた生体データ６４－３を基準とした異常度（当人深刻度）を示す統計量を出力する教師なしモデルである。

統計的モデルとしては例えば、モデル生成に用いた生体データ６４－３の平均値と標準偏差を用いて入力を正規化したｚ－ｓｃｏｒｅを出力する統計的モデルや、モデル生成に用いた生体データ６４－３の最大値と最小値を用いて０から１の範囲に出力を正規化する統計的モデルや、モデル生成に用いた生体データ６４－３の統計量を基準として、その値からの変化率を出力する統計的モデルや、生体状態推定モデル６９の生成に用いた生体データ６４－３から推定したデータ分布上における分位点を出力する統計的モデルなどを利用することができる。

また、機械学習モデルとしては例えば、生体状態推定モデル６９の生成に用いた生体データ６４－３からノンパラメトリックにデータ分布を推定しておき、その分布のクラスター中心からの距離を出力する異常検知モデルを利用することができる。

また、教師なしの生体状態推定モデル６９に加えて、教師ありの生体状態推定モデル６９を採用することもできる。この場合、周知又は公知の手法で推定したドライバの眠気やドライバの覚醒状態の指標となるまばたきの回数（瞬目数）、ドライバが主観的な疲労度をＶｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ（ＶＡＳ）で回答した主観疲労度などを収集した学習情報データ７６を目的変数として推定する周知又は公知の統計的モデルや機械学習モデルを用いて生体状態推定モデル６９を構成することができる。この場合、例えば、統計的モデルとしては回帰モデルなどを採用し、機械学習モデルとしてはサポートベクターマシンやニューラルネットワークなどを採用することができる。

なお、生体状態推定モデル６９の入力とする生体データ６４－３は、典型的には単変量であるが、多変量としてもよい。入力を多変量とする場合には、後述する警告呈示処理における危険状態回避のための対策案生成に活用しやすい生体データ種別の組み合わせを入力とすることが望ましい。この場合、生体状態推定モデル６９は、重回帰モデルやマハラノビスタグチ法、多変量統計的プロセス管理などの公知の手法により構成することができる。

また、生体状態推定モデル６９はドライバ毎に生成してもよいし、複数のドライバ群をまとめて一つの生体状態推定モデル６９を生成しておいてもよい。複数のドライバ群をまとめる場合には、生体は個人差が大きいことから、類似の生体応答を示すドライバ群について生体状態推定モデル６９を生成することが望ましい。

類似の生体応答を示す複数のドライバ群から生体状態推定モデル６９を生成しておくことで、生体応答の個人差を吸収し、かつ生体状態推定モデル６９を生成するのに要するデータを計測する時間を短縮することができる。

さらに、所要データ量が計測された後には、類似の生体応答を示す複数のドライバ群から生成した生体状態推定モデル６９から、対象のドライバのみから生成した生体状態推定モデル６９へと切り替えて使用することが望ましい。これにより、個人の生体応答をより考慮した当人深刻度を出力することが可能となる。

続いて、安全運行支援システムは、安全運行支援サーバ１を用いて、生成された事故リスク予測モデル７１と生体状態推定モデル６９とを用いて、実際に車両７を運転中のドライバの危険事象の発生確率を予測する。

まず、危険予測部３７は、データ収集部３９が車両７から受信した生体センサ１２で計測された心拍データなどの生体センサデータ６３を生体データ算出部３１へ入力し、生体データ６４－２を算出させる（Ｓ５）。

また、危険予測部３７は事故リスク予測モデル７１や生体状態推定モデル６９が複数存在する場合、モデル選択部３６で業務・環境データ７４や属性情報データ７５に応じた事故リスク予測モデル７１や生体状態推定モデル６９を選択する。

その後、危険予測部３７は事故リスク予測モデル７１に対して生体データ６４－２を入力して事故リスク予測データ６６を予測（生成）する（Ｓ６Ａ）。また、危険予測部３７は生体状態推定モデル６９に生体データ６４－２を入力して、生体データ種別毎に当人深刻度データ６７を算出する（Ｓ６Ｂ）。

そして、危険予測部３７は事故リスク予測データ６６の予測に寄与していた生体データ６４－２の種別（寄与指標）を抽出し、事故リスク予測データ６６と、事故リスク予測データ６６の算出に用いた事故リスク予測モデル７１と、寄与指標と、寄与指標の当人深刻度データ６７と、を突合して結合テーブル６８に格納する（Ｓ７Ａ）。

寄与指標の抽出においては、危険予測部３７が生体データ６４－２と、事故リスク予測データ６６と、事故リスク予測データ６６の算出に用いた事故リスク予測モデル７１と、から寄与指標を抽出する。

危険予測部３７は、例えば、事故リスク予測モデル７１としてロジスティック回帰などの線形モデルを用いた場合には、単純には回帰係数と生体データ６４－２との積が最大となる生体データ種別を寄与指標として抽出することができる。

また、事故リスク予測モデル７１としてニューラルネットワークなどを用いる場合には、例えば機械学習モデルの説明性を担保するために利用される公知の手法であるＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ（ＳＨＡＰ）を用いて危険予測部３７が各生体データ６４－２の寄与度を算出し、寄与度が最大であったものを寄与指標として抽出することができる。

そして、警告呈示部３８は結合テーブル６８に格納された事故リスクと当人深刻度とに基づいて発報の判定（以下、発報判定）を行う（Ｓ７Ｂ）。警告呈示部３８は、ドライバが広義の危険状態であると判定した場合には、広義の危険状態を回避するための対策案を生成する（Ｓ７Ｃ）。

発報判定では、事故リスク又は当人深刻度がそれぞれ所定の閾値を超過していた場合、或いは、事故リスク及び当人深刻度に関する値が所定の閾値を超過していた場合、警告呈示部３８は、広義の危険状態（危険事象）に該当すると判定する。なお、前者の場合、発報判定に際して、警告呈示部３８が、事故リスク又は当人深刻度のいずれかの閾値を設定しなくても構わない。

例えば、警告呈示部３８が、事故リスクのみに閾値を設定した場合には、一般に事故リスクが高いと判定される場面について発報を行うことができる。また、警告呈示部３８が、当人深刻度のみに閾値を設定した場合には、ドライバ個人にとっての体調の急変などの生体データ６４－２の異常について発報を行うことができる。また、対応する事故リスク及び当人深刻度のレコードのみでなく、事故リスク及び当人深刻度の時系列に対して閾値を設定してもよい。

警告呈示部３８が実施する対策案の生成では、広義の危険状態を回避するための対策案を結合テーブル６８と対策案データ７３に基づいて生成する。過去の知見から、ある種別の生体データ６４－２が変化した場合を生理学的に解釈する手法や、ある種別の生体データ６４－２を変化させるための方法が知られている。

対策案データ７３には、生体データ６４－２の種別毎に値が増減した場合の生理学的解釈や、値を増減させるため生体データ６４－２の方法を格納しておく。結合テーブル６８には事故リスクの予測に寄与した寄与指標が格納されているため、寄与指標（後述）に該当する生理学的解釈及び寄与指標を増減させるための方法を取得することで、広義の危険状態を回避するための対策案をドライバの状態に応じて生成することができる。

例えば、寄与指標が自律神経機能指標のＬＦ／ＨＦで、ＬＦ／ＨＦが正の方向に当人深刻度が高い場合は、過緊張にあると生理学的に解釈でき、警告呈示部３８は、ドライバのＬＦ／ＨＦを低下させるために「ゆっくりとした呼吸をしてみましょう」など、リラックスを促す対策案を生成してよい。

また、寄与指標が平均心拍数で、平均心拍数が低下傾向にあり、当人深刻度が高い場合には、眠気が増大していると生理学的に解釈し、警告呈示部３８が「次のコンビニで一旦停車し、車外へ出て体を伸ばしてみましょう」など、眠気の解消を促す対策案を生成してよい。

また、対策案の生成においては、警告呈示部３８が対策案に寄与指標の当人深刻度に基づく情報を追加することができる。事故リスクに基づく警告だけでは、警告を受けるドライバ本人にとっての危険性が伝わりにくいが、当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を呈示することで、警告に対するドライバの受容度の向上が期待される。さらに、対策案の生成においては、警告呈示部３８が対策案に業務・環境データ７４や属性情報データ７５に基づく情報を追加することができる。

対策案の生成の後に、警告呈示部３８は、広義の危険状態にあると判定された車両７に対して、対策案を含むアラートやメッセージとして警告を送信する（Ｓ８）。また、警告呈示部３８は、車両７に対してのみではなく、ドライバ管理者に対し警告を送信し、入出力装置５のディスプレイに表示してよい。この場合、ドライバのディスプレイに表示する内容には、ドライバの位置情報などを含む画像を含むことができる。

車両７は、安全運行支援サーバ１から警告を受信すると、予測結果報知装置９でアラートを出力し、ドライバに対してアラート又はメッセージを伝達する。

安全運行支援サーバ１は、事故リスク予測モデル７１を用いて予測した所定時間後の事故リスクと、生体状態推定モデル６９を用いて推定した生体データ６４－２の当人深刻度とに基づいて広義の危険状態を判定することで、生体データ６４－２に含まれるドライバ毎の個人差を吸収して広義の危険状態を検知することができる。

また、安全運行支援サーバ１は、広義の危険状態と判定した際に、寄与指標と寄与指標の当人深刻度とに基づいて広義の危険状態を回避するための対策案を生成し、対策案を含む警告を該当車両の予測結果報知装置や入出力装置５のディスプレイへ送信する。これにより、安全運行支援サーバ１は、事故リスクが増大する前にドライバやドライバ管理者に対して警告を呈示し、広義の危険状態を回避するための対策を取らせることができる。

以上により、安全運行支援サーバ１は、広義の危険状態を事前に回避させ、ドライバが狭義の危険状態に陥ることを未然に防いで、各車両７の安全な運行を支援することができる。

＜処理の詳細＞
図３は、事故リスク予測モデル７１の生成処理の一例を示すフローチャートである。この処理は、走行中の危険検知を行う車両７から生体データ６４－２を受け付ける以前（図２の学習段階）に実施して、事故リスク予測モデル７１を予め生成しておく。

事故リスク定義生成部３２は、過去に収集した危険発生データ６２と、対応する車載センサデータ６１－１を入力として事故リスク定義モデル７０を生成する（Ｓ１）。

続いて事故リスク予測モデル生成部３５は、生成された事故リスク定義モデル７０へ過去に収集した車載センサデータ６１－２を入力して事故リスク推定データ６５を生成する（Ｓ２）。

次に事故リスク予測モデル生成部３５は、過去に収集した車載センサデータ６１－２に対応する生体データ６４－１と、事故リスク推定データ６５とから、事故リスク予測モデル７１を生成する（Ｓ４）。この場合、事故リスク予測モデル生成部３５は、業務・環境データ７４に基づき、類似の業務特性や環境特性毎に事故リスク予測モデル７１を生成し、その情報を事故リスク予測モデル７１にメタ情報として付与しておいてもよい。

上記処理によって、安全運行支援サーバ１は、事故リスク定義モデル７０を生成して事故リスク推定データ６５を生成した後に、事故リスク推定データ６５と時系列的に対応する生体データ６４－１から事故リスク予測モデル７１を生成する。

また、上記処理は、危険発生データ６２の量や種別が一定量増加する度、事故リスクの高い事故リスク推定データ６５が一定度増加する度、あるいは一定頻度で行われ、都度事故リスク定義モデル７０や事故リスク予測モデル７１は更新される。

図４は、生体状態推定モデル６９の生成処理の一例を示すフローチャートである。この処理は、ある車両７に対して走行中の危険予測を行う以前（図２の学習段階）に実施して、生体データ６４－３の種別毎に生体状態推定モデル６９を生成しておく。

生体状態推定モデル生成部３４は、まず生体状態推定モデル６９の生成に用いるドライバ群として、類似生体応答を示すドライバ群を抽出する（Ｓ１１）。典型的にはある種別の生体データ６４－３の平均や、標準偏差、中央値、分位数といった日毎の統計量や、その週毎や月毎の統計量を用いて、周知又は公知の手法でクラスタリングなどを行って、類似生体応答を示すドライバ群を抽出する。

この場合、生体状態推定モデル生成部３４は、生体データ６４－３に加えて、業務・環境データ７４に含まれる情報や、属性情報データ７５に含まれる性別や、年齢に基づいて層別化した年代などの情報もクラスタリングのための入力に加えてもよい。

また、生体状態推定モデル生成部３４は、クラスタリングを行うために入力する生体データ６４－３を選択するに際して、学習情報データ７６に基づいて同一の計測条件で計測された生体データ６４－３のみを選択し、学習情報データ７６に格納された期間の生体データ６４－３のみを入力してもよい。これにより、計測条件がコントロールされ、生体データ６４－３のばらつきが抑えられることが期待される。

生体状態推定モデル生成部３４は、さらに、特定のドライバに関して十分な量の生体データ６４－３が計測できている場合、複数のドライバ群に代えて特定のドライバのみを抽出してもよい。これにより、特定個人の特性により合致した当人深刻度を推定することができる。

続いて、生体状態推定モデル生成部３４は、抽出されたドライバ群について過去に収集された生体データ６４－３を入力として、生体状態推定モデル６９を生体データ６４－３の種別毎に生成する（Ｓ３）。

この場合、生体状態推定モデル生成部３４は、上記ドライバ抽出と同様に、学習情報データ７６に基づいて同一の計測条件で計測された生体データ６４－３のみを選択し、学習情報データ７６に格納された期間の生体データ６４－３のみを入力してもよい。

また、生体状態推定モデル生成部３４は、生体状態推定モデル６９として教師ありモデルを生成する場合、学習情報データ７６に格納された期間の目的変数と、対応する生体データ６４－３を入力として、生体状態推定モデル６９を生体データ６４－３の種別毎に生成する。

この場合、生体状態推定モデル生成部３４は、入力とする生体データ６４－３の種別や、類似生体特性に関する情報をメタ情報として生体状態推定モデル６９に付与してもよい。

上記処理によって、類似する生体応答特性を示すドライバ群を抽出した後に、抽出されたドライバ群についての生体データ６４－３から生体状態推定モデル６９が生体データ６４－３の種別毎に生成される。

また、複数のドライバから生成する上記処理は、対象のドライバ数が一定量増大する度や、生体データ６４－３が一定量増大する度、あるいは一定期間毎に行われて、生体状態推定モデル６９が更新される。さらに、特定ドライバから生成する上記処理は、生体データ６４－３が一定量増大する度あるいは一定期間毎に行われ、生体状態推定モデル６９が更新される。

なお、生体状態推定モデル６９の生成に用いる生体データ６４－３は、事故リスク予測モデル７１の生成に用いる生体データ６４－１と異なり、車載センサデータ６１－２と対応する必要や、事故リスクの高い場合に対応する必要が無く、計測シーンの限定が少ない。

よって、生体状態推定モデル６９の生成に用いる生体データ６４－３の計測が容易であるため、事故リスク予測モデル７１の生成に比較して短期間でデータを計測することができ、したがって更新頻度を高く設定することが可能であると期待できる。

さらに、広義の危険状態は発生が稀なため、生体応答が類似した複数のドライバ群のみから事故リスク予測モデル７１を構築すると時間を要する。一方、本実施例では事故リスク予測モデル７１ではなく、生体状態推定モデル６９において複数のドライバ間の生体応答の個人差を吸収するため、事故リスク予測モデル７１の生成には生体応答が類似しないドライバのデータも活用したモデル生成が可能である。そして、生体状態推定モデル６９の生成には運転中に容易に収集可能な生体特性の類似するドライバのデータのみからモデル生成が可能である。

以上により、事故リスク予測モデル７１の生成において生体応答の個人差を吸収する手法に比較し、本実施例は危険予測処理の実現に必要なモデル生成の所要時間を短縮することができる。

図５は、生体データ６４の算出処理の一例を示すフローチャートである。この処理は、車両７からデータを受信する度に生体データ算出部３１で行われる。

安全運行支援サーバ１のデータ収集部３９は、車両７の運転データ収集装置１０から、車載センサ８と生体センサ１２のデータを受信する（Ｓ２１）。

データ収集部３９は、心拍センサ１２１が検出した心拍データと、加速度センサ１２２が検出した加速度データとを、生体センサデータ６３に格納する（Ｓ２２）。なお、車載センサ８のデータは車載センサデータ６１に格納する。

次に、生体データ算出部３１が図６で後述する手法により、生体センサデータ６３を入力として生体データ６４を算出する（Ｓ２３）。生体データ算出部３１は、算出したデータを生体データ６４に格納する（Ｓ２４）。上記処理によって、生体センサデータ６３から生体データ６４を算出する。

図６は、心拍データを用いた生体データ６４の計算処理の一例を示すフローチャートである。この処理は、生体センサデータ６３が生体データ６４に格納される度に生体データ算出部３１で行われる。

心拍データを用いた生体データ６４の計算処理は、周知又は公知の手法により行われるため、その概要のみを以下で述べる。まず、生体データ算出部３１は、生体センサデータ６３のうち、心拍データを読み込む（Ｓ３１）。なお、心拍データとは、運転中のドライバから心拍センサ１２１より取得した心拍の間隔を抽出可能なデータを指し、具体的には、心電データ、脈波データ又は心音データ等が挙げられる。

続いて、生体データ算出部３１は、心拍データから拍動間隔ＩＢＩ（Ｉｎｔｅｒ Ｂｅａｔ Ｉｎｔｅｒｖａｌ）を抽出し、その時系列を算出する（Ｓ３２）。心電データの場合、ＩＢＩは特に心電Ｒ波の間隔を利用するＲＲＩ（Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）時系列を算出してよい。以下では、例として特にＲＲＩについて言及する。

生体データ算出部３１は、ＲＲＩから必要に応じた解析を行うことで自律神経機能指標を算出する。必要に応じた解析には、周波数領域解析や、時間領域解析、ＲＲＩ非線形領域解析が例として挙げられる。

生体データ算出部３１は、周波数領域解析ではＲＲＩ時系列からパワースペクトル密度を介して周波数領域指標を算出する（Ｓ３３）。ＲＲＩ時系列は、不等間隔時系列データであるため、スプライン補間などで等間隔にリサンプリングしてから自己回帰モデルや最大エントロピー法を用いて、もしくは不等間隔データを利用可能なＬｏｍｂ－Ｓｃａｒｇｌｅ 法など公知の手法を用いてパワースペクトル密度ＰＳＤ（Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ）を算出する。

生体データ算出部３１は、算出されたＰＳＤのうち、例えば０．０５ Ｈｚ－０．１５ Ｈｚの低周波数領域の積分値ＬＦや、０．１５ Ｈｚ－０．４０ Ｈｚの高周波数領域の積分値ＨＦと、ＬＦとＨＦの和であるＴＰ、ＬＦをＨＦで除したＬＦ／ＨＦ、ＬＦをＴＰで除して百分率としたＬＦｎｕなどを自律神経機能指標の周波数領域指標として算出する。

生体データ算出部３１は、時間領域解析では、ＲＲＩ時系列や隣接するＲＲＩの差分系列であるΔＲＲＩ時系列の統計量を算出することで時間領域指標を算出する（Ｓ３４）。例えば、ＲＲＩ時系列の平均値の逆数である平均心拍数やＲＲＩの標準偏差であるＳＤＮＮを算出する。また、ΔＲＲＩ時系列からは例えば、ΔＲＲＩ時系列を構成する差分値の絶対値が５０ｍｓを超過するデータ総数であるＮＮ５０や、ＮＮ５０をΔＲＲＩ時系列のデータ総数で除したｐＮＮ５０や、ΔＲＲＩの標準偏差であるＳＤＳＤを算出し、自律神経機能指標の時間領域指標として算出する。

生体データ算出部３１は、ＲＲＩ非線形領域解析では、各種手法により非線形特徴量を算出する（Ｓ３５）。生体データ算出部３１は、例えば、ＲＲＩ時系列ＲＲＩ（ｔ）をＸ軸に、ＲＲＩ時系列を１時刻進めた時系列ＲＲＩ（ｔ＋１）をＹ軸にプロットするポアンカレプロット解析を通じ、プロットされた領域を楕円近似した楕円面積Ｓを算出する。また、生体データ算出部３１は、相似エントロピーやＤｅｔｒｅｎｄｅｄ Ｆｌｕｃｔｕａｔｉｏｎ Ａｎａｌｙｓｉｓによるα１、α２、トーン－エントロピー解析に基づくトーンやエントロピーを算出し、自律神経機能指標のＲＲＩ非線形領域指標として算出する。

また、生体データ算出部３１は、ＲＲＩ抽出を行う前の心拍データに対して心拍非線形領域解析を行って心拍非線形領域指標を算出することもできる（Ｓ３６）。生体データ算出部３１は、例えば、心拍データに対してカオス解析を適用することで、心拍データの相関次元や最大リアプノフ指数を算出し、自律神経機能指標の心拍非線形領域指標として算出する。

算出された自律神経機能指標は、自律神経系に制御されたドライバの生体状態を反映しているため、ドライバに広義の危険状態を回避するための対策案として呈示するために必要な、ドライバの生体状態を測る指標を算出することで、生体状態に合わせた警告呈示を実現できる。例えば、ＬＦ／ＨＦは主としてストレスや緊張状態に亢進する交感神経活動と主としてリラックス状態に亢進する副交感神経活動のバランスを測る指標であるため、生体データ算出部３１がＬＦ／ＨＦを算出することでドライバの緊張－リラックス状態を踏まえた警告を呈示できる。

その後、生体データ算出部３１は、算出された自律神経機能指標群をまとめて生体データ６４に格納する（Ｓ２４）。上記処理によって、生体センサデータ６３のうち心拍データから、自律神経機能指標を算出し、生体データ６４として格納する。

なお、生体データ算出部３１は、上記ステップＳ３３～Ｓ３６の処理を並列的に実行してもよいし、順次実行するようにしてもよい。

図７は、安全運行支援サーバ１で行われる、危険予測処理の一例を示すフローチャートである。この処理は、生体データ６４－２が更新される度などの所定のタイミングで実行される。危険予測部３７は、最新の期間から所定期間までの生体データ６４－２を取得する（Ｓ１２）。

次に、モデル選択部３６は、業務・環境データ７４から、解析対象のドライバＩＤと、車両ＩＤとを特定し、業務・環境データ７４に基づき事故リスク予測モデル７１及び生体状態推定モデル６９を選択する（Ｓ１３及びＳ１４）。事故リスク予測モデル７１の選択では、例えば、業務・環境データ７４の車体サイズや、天候、渋滞状況などに基づいて使用するモデルを選択する。

生体状態推定モデル６９の選択では、例えば、属性情報データ７５に格納されたドライバＩＤに対応する生体状態推定モデル６９の情報などに基づいてモデル選択部３６が使用するモデルを選択する。

次に、危険予測部３７は、選択された事故リスク予測モデル７１に、解析対象のドライバＩＤの生体データ６４－２を入力して事故リスクを予測し、事故リスク予測データ６６に格納する（Ｓ６Ａ）。なお、上記では事故リスク予測モデル７１に生体データ６４－２を入力する例を示したが、これに限定されるものではなく、業務・環境データ７４や属性情報データ７５を事故リスク予測モデル７１の入力に加えてもよい。

例えば、属性情報データ７５に含まれる運転適性診断などで得られた運転技能情報や、Ｔｅｍｐｅｒａｍｅｎｔ ａｎｄ Ｃｈａｒａｃｔｅｒ Ｉｎｖｅｎｔｏｒｙ（ＴＣＩ）、Ｔｅｍｐｅｒａｍｅｎｔ Ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ Ｍｅｍｐｈｉｓ， Ｐｉｓａ， Ｐａｒｉｓ， ａｎｄ Ｓａｎ Ｄｉｅｇｏ Ａｕｔｏｑｕｅｓｔｉｏｎｎａｉｒｅ（ＴＥＭＰＳ－Ａ）、ビッグ・ファイブ・パーソナリティを測定するためのＴｅｎ Ｉｔｅｍ Ｐｅｒｓｏｎａｌｉｔｙ Ｉｎｖｅｎｔｏｒｙ、ＮＥＯ―ＦＦＩなどで得られた性格気質情報を入力することで、ドライバの運転技能や性格も加味して、より精度の高い事故リスクの予測を実現させることができる。

また、危険予測部３７は、選択された生体状態推定モデル６９に、解析対象のドライバＩＤの生体データ６４－２を入力して生体データ種別毎に複数の当人深刻度を推定し、当人深刻度データ６７に格納する（Ｓ６Ｂ）。なお、上記では単変量で生体データ６４－２を入力する例を示したが、以上の他に例えば、危険予測部３７が多変量の生体データ６４－２を入力して当人深刻度を算出してもよい。

続いて、危険予測部３７は、予測された事故リスク予測データ６６と事故リスクの予測に用いた事故リスク予測モデル７１と、解析対象のドライバＩＤの生体データ６４－２と、推定された当人深刻度データ６７とを用いて、事故リスクの予測に寄与した寄与指標を抽出し、寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル７１情報とを突合して結合テーブル６８に格納する（Ｓ７Ａ）。

上記処理によって、生体データ６４－２が更新された後などの所定のタイミングにおいて、広義の危険状態を検知して警告を呈示するのに用いる寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル情報とが結合テーブル６８に格納される。

なお、危険予測部３７は、上記ステップＳ１３、Ｓ１４の処理を並列的に実行してもよいし、順次実行してもよい。

図８は、安全運行支援サーバ１で行われる、警告呈示処理の一例を示すフローチャートである。この処理は、結合テーブル６８が更新される度などの所定のタイミングで実行される。

警告呈示部３８は、アラート定義データ７２から、警告を呈示する条件である発報定義を読み込む（Ｓ４１）。発報定義は、事故リスク予測モデル７１や生体状態推定モデル６９に応じて複数設定してよい。また、ドライバに対する予測結果報知装置９の音声通知を用いる、ディスプレイに表示する、ドライバ管理者の入出力装置５のディスプレイに表示する、入出力装置５を介してメール通知するなど、警告呈示の対象や方法により複数の発報定義を設定してよい。

警告呈示部３８は、結合テーブル６８の各レコードの事故リスク及び当人深刻度を参照（Ｓ４２）し、発報定義に設定された閾値を超過したドライバの存在を判定する（Ｓ７Ｂ）。

警告呈示部３８は、閾値を超過し発報判定に該当するドライバが存在した場合は、呈示する警告に含む対策案を生成する（Ｓ７Ｃ）。対策案は、結合テーブル６８の寄与指標に対応する対策案データ７３を参照して生成される。

また、対策案には警告を受ける当該ドライバにとっての警告受容性を高めるため、警告呈示部３８が結合テーブル６８の寄与指標の当該深刻度を用いて、本人にとってどれほど異常な状態であるのかが分かる情報を付与してもよい。例えば、警告呈示部３８が「Ｎ年に１回しか起こらない状態です」などの情報を付与してもよい。

さらに、警告呈示部３８は、対策案に業務・環境データ７４や属性情報データ７５、結合テーブル６８に基づく情報を追加することができる。例えば、警告呈示部３８は、結合テーブル６８に格納された事故リスク予測モデル７１の情報から、事故リスクが高まるとされた時刻Ｎの情報に基づき、対策案としてフィードバックする内容を更新してもよい。また例えば、業務・環境データ７４に格納された天気や気温の情報に基づき、警告呈示部３８がフィードバックの内容を更新してもよい。

そして、警告呈示部３８は、業務・環境データ７４に基づいてドライバＩＤから送信対象の車両ＩＤを取得して、その車両７を送信対象とする。なお、ドライバではなくドライバ管理者を送信対象とする場合には、警告呈示部３８は、車両ＩＤを取得する代わりに管理者ＩＤを特定し、管理者が操作する安全運行支援サーバ１の入出力装置５を送信対象としてよい。

その後、警告呈示部３８は生成された対策案に、発報判定に該当した発報定義に基づく事故リスクアラートを付与したアラートやメッセージとして警告を送信する（Ｓ８）。

上記処理によって、広義の危険状態に該当すると検知されたドライバの車両に対して警告が送信される。警告を受信した車両７では、予測結果報知装置９がドライバに対して警告を通知する。また、安全運行支援サーバ１では、警告呈示部３８が入出力装置５のディスプレイに警告を送信した車両を表示する。

図９Ａ、図９Ｂは、予測結果報知装置９が出力する警告呈示画面の一例を示す図である。予測結果報知装置９は、ディスプレイ（図示省略）を有し、安全運行支援サーバ１からの警告を受信すると、警告呈示画面１０００Ａを表示する。警告呈示画面１０００Ａは、事故リスクアラートを表示する領域１０１０と、広義の危険状態を回避するための対策案などを表示するコメント領域１０２０とを含む。

事故リスクアラートを表示する領域１０１０には、例えば、事故リスク増大の警告文１０１１に加え、寄与指標の生体データ６４－２の当人深刻度に基づく情報１０１２を表示することで、単に危険な状態であると通知するだけでなく、「あなたにとっては、半年に１回しか発生しない状態です」など、寄与指標の当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を呈示することができ、警告に対するドライバの受容度の向上が期待される。

なお、当人深刻度に基づく情報１０１２の表示において、対象ドライバ本人の生体データ６４－２のみから生成した生体状態推定モデル６９に基づいているのか、対象ドライバに類似した生体応答特性を示す複数のドライバの生体データから生成した生体状態推定モデル６９に基づいているのかが、分かるような表示をしてもよい。

例えば、図９Ｂの警告呈示画面１０００Ｂでは、事故リスクアラートを表示する領域１０１０における当人深刻度に基づく情報１０１２Ｂを、「あなたに似たドライバには、半年に１回しか発生しない状態です」、のように複数のドライバのデータと比較していることが分かる文面で表示してもよい。

また例えば、複数のドライバと比較している場合には、そのことが分かるように、どのような群のドライバと比較しているのかに関する情報１０１３を表示してもよい。また、どちらの生体状態推定モデル６９を利用しているかを、アイコンなどで表示してもよい。以上により、ドライバが警告を「自分事」として捉えやすくなる効果が期待される。

さらに、警告呈示画面１０００Ａ、１０００Ｂのコメント領域１０２０には例えば、寄与指標に基づく生理状態の解釈１０２１と、広義の危険状態を回避するための具体的な対策案１０２２を呈示することで、警告の呈示を受けたドライバは警告を受けて終わりではなく、危険状態を解消するために次に取るべき行動を理解し、行動を行うことができる。

なお、本例では警告呈示画面による警告の呈示の例を示したが、その他の方法によって警告を呈示してもよい。例えば、警告呈示画面に表示した内容と同等の内容の文章を機械的に読み上げる形式で警告を呈示してもよい。

＜データ構造＞
次に、安全運行支援システムで使用する各データの特徴的な構造について示す。

図１０Ａは、本発明の安全運行支援システムにおいて保持される生体データ６４のデータ構造の一例である。生体データ６４には、ドライバＩＤ４０１、車両ＩＤ４０２、日時４０３に加え、生体データ算出部３１が算出した各種自律神経機能指標が格納される。ここで、自律神経機能指標としては、例えば、周波数領域指標であるＬＦ／ＨＦ４０４、時間領域指標である平均心拍数４０５、ＮＮ５０４０６又はＲＲＩ非線形領域指標であるα１（４０７）などが挙げられる。

図１０Ｂは、本発明の安全運行支援システムにおいて保持される業務・環境データ７４のデータ構造の一例である。業務・環境データ７４にはドライバの業務中の業務情報や走行環境情報が格納される。

典型的には、ドライバＩＤ４１１、情報の継続期間を示す開始日時４１２及び終了日時４１３、利用している車両ＩＤ４１４に加え、例えば運転している車両の大きさを示す車両種別４１５、走行エリアにおける代表地点の天気４１６と気温４１７、開始日時４１２から終了日時４１３の期間の業務状態を示す業務種別４１８と、目的地等の業務予定４１９が格納される。

図１０Ｃは、本発明の安全運行支援システムにおいて保持される属性情報データ７５のデータ構造の一例である。属性情報データ７５には、時変することが少ないドライバの基本情報が格納される。

典型的には、ドライバＩＤ４２１と、基本情報が適用される継続期間である開始日４２２と終了日４２３、使用している車両の車両ＩＤ４２４に加え、運転者適正診断試験等で測定した運転技能情報（例：技能Ａ４２５、仮名）、Ｔｅｍｐｅｒａｍｅｎｔ ａｎｄ Ｃｈａｒａｃｔｅｒ Ｉｎｖｅｎｔｏｒｙ（ＴＣＩ）などで測定した性格気質情報（例：性格Ａ（４２６）、仮名）、性別４２７、年齢４２８、運転経験４２９などが格納される。以上に加えて、ドライバに対して優先的に使用される各種モデル情報として生体状態推定モデルＩＤ４３０や、事故リスク予測モデルＩＤ４３１などが格納される。

図１０Ｄは、本発明の安全運行支援システムにおいて保持される学習情報データ７６のデータ構造の一例である。学習情報データ７６には、生体状態推定モデル６９を生成する際に利用する情報が格納され、典型的にはドライバＩＤ４４１と、学習に利用する生体データ６４の期間情報である開始時刻４４２と終了時刻４４３が格納される。

さらに、学習情報データ７６は、生体状態推定モデル６９の生成に使用するデータの計測条件を揃える目的で、当該期間情報のデータの計測条件４４４を格納してもよい。この場合、計測条件４４４は車載センサデータ６１－２などから運転データ収集装置１０が自動的に状態を判別して格納（例：高速走行）してもよいし、業務状態入力装置１３を介してドライバ自身が定められた条件の中から手動で入力（例：昼休憩）してもよい。

また、生体状態推定モデル６９を教師ありモデルで生成する場合には、以上に加えて教師ありモデルの生成に必要な目的変数として、例えば主観疲労度をＶＡＳにより計測した値４４５を格納してもよい。

図１０Ｅは、本発明の安全運行支援システムにおいて保持される危険発生データ６２のデータ構造の一例である。危険発生データ６２には、ドライバやドライバ管理者や市販の車載警報機などによって検出された危険事象の種別と発生日時とを設定したデータが格納される。

典型的には、車両ＩＤ４５１と、危険事象の発生日時４５２、危険種別４５３が格納される。また、検出された危険事象に対して目視確認などで事態の深刻さを記録した事象の重要度４５４を合わせて格納してもよい。

図１０Ｆは、本発明の安全運行支援システムにおいて保持される事故リスク予測データ６６のデータ構造の一例である。

事故リスク予測データ６６には、事故リスク予測モデル７１を用いて生体データ６４－２から判定された事故リスクが格納される。典型的には、ドライバＩＤ４６１と、日時４６２と、事故リスクの予測に用いた事故リスク予測モデル７１のＩＤ４６３と、予測された危険事象の発生確率（百分率）を示す事故リスク４６４と、が格納される。

図１０Ｇは、本発明の安全運行支援システムにおいて保持される当人深刻度データ６７のデータ構造の一例である。

当人深刻度データ６７には、生体状態推定モデル６９を用いて生体データ６４－２から判定された当人深刻度が格納される。典型的には、ドライバＩＤ４７１と、日時４７２、当人深刻度を推定した生体データ６４－２の種別４７３、推定に用いた生体状態推定モデル６９のＩＤ４７４、当人深刻度４７５が格納される。

なお、生体状態推定モデル６９は生体データ種別毎に生成されており、また当人深刻度の算出方法も生体データ種別毎に異なることが想定されるため、当人深刻度の出力形式も必ずしも一定であるとは限らない。

例えば１行目のレコードでは、生体データ６４－２の種別４７３が「平均心拍数」について正規分布で近似した統計量を出力しており、当人深刻度４７５が、標準偏差（ＳＤ）を用いて平均から「＋４ＳＤ」の値であることを示している。

また、例えば２行目のレコードでは、ＮＮ５０について、データ分布上の分位点を出力しており、当人深刻度４７５が、モデル構築に利用したデータ集合のうち９９％分位点に該当する値であることを示している。

図１０Ｈは、本発明の安全運行支援システムにおいて保持される結合テーブル６８のデータ構造の一例である。結合テーブル６８は警告呈示処理において利用する値を突合して生成されたテーブルである。

典型的にはドライバＩＤ４８１と、車両ＩＤ４８２、日時４８３、予測に利用した事故リスク予測モデルＩＤ４８４、予測された事故リスク４８５、事故リスク予測に寄与した生体データ種別である寄与指標４８６、寄与指標に関して生体状態の推定に用いた生体状態推定モデルＩＤ４８７、寄与指標に関する当人深刻度４８８が格納される。

さらに、あるレコードが広義の危険状態にあると判定された場合に、警告呈示部３８がすでに警告を呈示したか否かを管理するフラグである発報済フラグ４８９を格納してもよい。

図１０Ｉは、本発明の安全運行支援システムにおいて保持されるアラート定義データ７２のデータ構造の一例である。アラート定義データ７２には広義の危険状態に該当するか否かを判定する際に用いる判定条件が格納される。

典型的にはアラートＩＤ４９１と、事故リスク閾値４９２、当人深刻度閾値４９３が格納される。この他に例えば、当人深刻度閾値４９３を利用するにあたって寄与指標に限定を加えるための寄与指標条件４９４や、業務中の対象天候を限定する天候条件４９５や、アラートの判定を実施する際に特定の出力形式で得られた当人深刻度しか判定対象としないように限定する当人深刻度種別４９６などを格納してもよい。

図１０Ｊは、本発明の安全運行支援システムにおいて保持される対策案データ７３のデータ構造の一例である。対策案データには、警告呈示における対策案の生成に用いる情報が格納される。

典型的には対策案の案ＩＤ５０１と、当該対策案を呈示する条件となる寄与指標５０２、寄与指標の状態を示す現象５０３、寄与指標の現象から想定されるドライバの生理状態の解釈５０４、該当する広義の危険状態を回避するための対策案５０５が格納される。

また、例えば対策案５０５は、同一の寄与指標５０２と、現象５０３、解釈５０４に対して複数設定してもよい。この場合、対策案５０５を呈示する優先度５０６をさらに格納してもよい。

以上のように、本実施例の安全運行支援システムは、生体センサ１２の心拍データから安全運行支援サーバ１が算出した生体データ６４－２を、事故リスク予測モデル７１へ入力して算出された事故リスク予測データ６６と、生体状態推定モデル６９へ生体データ６４－２を入力して算出された当人深刻度データ６７とに基づいて広義の危険状態に該当するかを検知する。

これにより、本実施例の安全運行支援サーバ１は、生体データ６４－２の個人差を吸収した上で、車両７の挙動に現れる以前に危険状態を検知することが可能となる。また、安全運行支援サーバ１は、広義の危険状態に該当する際には事故リスクの予測に寄与した寄与指標に基づいて、広義の危険状態を回避するための対策案を含む警告を呈示することで、警告を受けたドライバ自身が、広義の危険状態を回避するために必要な行動を取ることができる。以上により、安全運行支援サーバ１は、車両７のドライバに対して広義の危険状態を未然に回避させることが可能となる。

なお、上記実施例１では、車両７を管理する運行支援システムに本発明を適用する例を示したが、これに限定されるものではない。例えば、車両７に代わって、鉄道車両や船舶あるいは航空機など運転者や操縦者を要する移動体に本発明を適用することができる。

次に、本発明の実施例２を説明する。以下に説明する相違点を除き、実施例２の安全運行支援システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１１は、実施例２の安全運行支援システムで行われる処理の概要を示す図である。本発明の実施例２においては、事故リスクを推定する際に、生体データの個人差を考慮して算出する点について説明する。

生体データ６４－１を生体状態推定モデル６９へ入力して当人深刻度データ６７Ａ（第１の当人深刻度）を算出して（Ｓ６Ｃ）、事故リスク予測モデル生成部３５へ入力する。

事故リスク予測モデル生成部３５は、生体データ６４－１と事故リスク推定データ６５に加えて当人深刻度データ６７Ａを入力として事故リスク予測モデル７１を生成する（Ｓ４）。

そして、危険予測部３７は、生体データ６４－２を生体状態推定モデル６９へ入力して当人深刻度データ６７Ｂ（第２の当人深刻度）を算出して（Ｓ６Ｂ）、当人深刻度データ６７Ｂを事故リスク推定部３３へ出力する。事故リスク推定部３３は、事故リスク予測モデル７１の入力に生体データ６４－２に加えて当人深刻度データ６７Ａを入力する（Ｓ６Ａ）。

なお、ステップＳ７Ａの危険予測部３７が当人深刻度データ６７Ｂを用いて寄与指標を抽出して結合テーブル６８を生成する処理は前記実施例１と同様である。

よって、危険予測部３７が行う寄与指標の抽出・結合処理では、事故リスク推定に寄与した入力を生体データ６４－２及び当人深刻度データ６７Ｂの中から選択して寄与指標とし、生体データ６４－２が選択された場合には選択された種別の生体データ６４－２の当人深刻度を結合テーブル６８に格納し、当人深刻度データ６７Ｂが選択された場合にも選択された種別の当人深刻度データ６７Ｂを結合テーブル６８に格納する。

以上により、実施例２では、前述した警告呈示の判定に加え、事故リスク推定においても、生体データ６４の個人差を考慮して事故リスクを推定することが可能となり、より精度の高い事故リスクの予測を実現可能とする効果が得られる。

次に、本発明の実施例３を説明する。以下に説明する相違点を除き、実施例３の安全運行支援システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１２は、実施例３の安全運行支援システムで行われる処理の概要を示す図である。図１２では前記図２の処理概要のうち学習フェーズを割愛し、運用フェーズの差異について処理の概要を記載している。

実施例３の安全運行支援サーバ１は、危険予測部３７が結合テーブル６８へレコードを追加した後に警告呈示部３８が都度警告呈示を行うのではなく、警告呈示対象の一覧をドライバ管理者に呈示し、ドライバ管理者が手動でドライバの安全運行を支援するために介入を行えるようにする例である。

安全運行支援サーバ１の危険予測部３７が結合テーブル６８を更新する度、もしくは一定の周期で、警告呈示部３８は結合テーブル６８を読み込んでドライバ管理者が介入を行う可能性のある介入候補を更新する（Ｓ１５）。例えば、結合テーブル６８のうち、発報済フラグ４８９が「済」ではなく、かつ運行当日の直近Ｎ時間のレコード群のみを抽出する。

その後、警告呈示部３８は、抽出したレコード群に対して前述の手法で発報判定を行い、広義の危険状態に該当するレコード群を抽出する（Ｓ７Ｂ）。広義の危険状態に該当するレコード群が存在する場合、警告呈示部３８は、そのレコード群それぞれに対して、広義の危険状態を回避するための対策案を生成する（Ｓ７Ｃ）。

警告呈示部３８は、入出力装置５のディスプレイに対して、対策案が生成されたレコード群である警告先の一覧を表示する（Ｓ１６）。警告先の一覧表示では、ドライバ管理者の手動による介入が必要であると考えられる警告先が上位に優先的に表示され、ドライバ管理者による介入が可能となっている。

例えば、警告呈示部３８が業務・環境データ７４と、広義の危険状態に該当するレコード群とを比較し、業務都合上の理由で呈示される対策案をドライバ自身の裁量では取ることができないレコード群を上位にリストアップして表示することができる。

入出力装置５は、ディスプレイに表示された警告先一覧に基づく、ドライバ管理者によるドライバへの介入を受け付ける（Ｓ１７）。例えば、対策案として「近くの休憩可能なポイントで休憩してください」という内容が表示されたが近隣に休憩ポイントが無く、かつ荷物の納品時間が迫っているドライバに対して、ドライバ管理者は警告先の一覧表示に表示された当該ドライバとの音声通信を行うためのインタフェースを利用して、ドライバ本人の状態を確認することができる。

そして、当該ドライバが直ちに休憩する必要が無いと確認された場合、ドライバ管理者が納品終了後に休憩可能なポイントを案内することで、次善の対策案をドライバに対して呈示することができる。

また、例えば「眠気が高まっており休憩が必要」が度々警告されるドライバに対し、ドライバ管理者が本人の状態を確認し、当初の業務スケジュールの遂行が難しいと判断した場合、当日の業務スケジュールの後半部や翌日の朝一に予定されていた業務を一部割愛することで、当該ドライバの業務量を調整し、休息を取らせることができる。

図１３は、入出力装置５のディスプレイが出力する警告先一覧画面２０００の一例を示す図である。警告呈示部３８が抽出した介入候補を更新して対策案を生成すると、入出力装置５は警告先一覧を更新して警告先一覧画面２０００を表示する。

警告先一覧画面２０００の最上部には、現在時刻２００１と、警告先一覧画面２０００を閲覧中のドライバ管理者のＩＤである管理者ＩＤ２００２が表示されている。警告先一覧２００３には、警告呈示部３８が抽出及び生成した対策案が生成されたレコード群が表形式で表示されている。レコード群は各列毎に図中下向きの三角のボタンを押下することで、ドライバ管理者が重視して確認したい要素で優先順位をつけてソートすることが可能である。

下部の領域２００５には、ドライバ管理者が対応のために選択したレコードに該当するドライバの詳細が表示されている。図示の例では警告先一覧２００３のうちレコード２００４に該当するドライバＩＤが「ＺＡＸ００１」の情報が表示されている。

領域２００５には当該ドライバの位置を地図上に示す現在位置２０１１や、選択したレコード２００４に関わる対策案２０１２や、当該ドライバの業務予定２０１３、ドライバの業務状況を示す備考２０１４、ドライバと直接コミュニケーションを取るためのドライバ連絡ボタン２０１５が表示されている。この他に、寄与指標に関する生体データ６４の当該日における時間推移を合わせて表示してもよい。

ドライバの現在位置２０１１には、地図上に対象ドライバの位置２０２１と当該日の走行ルート実績２０２２（実線）と走行予定ルート２０２２（点線）が示されている。また、当該ドライバの周辺にいる他ドライバの位置２０２３も地図上に表示されている。

ドライバ管理者はレコード２００４や対策案２０１２、業務予定２０１３などを参考に、ドライバが自身の裁量で対応策を実行可能であるかや、直接ドライバの状況を確認する必要があるかを警告先一覧画面２０００を通じて判断する。そして、ドライバ管理者は、必要に応じてドライバ連絡ボタン２０１５を押下してドライバと直接対話することで広義の危険状態を回避するために手動で介入することができる。

以上により、ドライバ管理者は当該ドライバ自身の裁量では実行が難しい対策案２０１２を実行させる、又は対策案２０１２とは異なる次善の対策案を実行させることで、広義の危険状態を回避させ、管理するドライバ群の安全運行を支援することが可能となる。

以上のように、実施例３では、広義の危険状態にあるがドライバの裁量では実現することが難しい対策案について、ドライバ管理者がドライバ本人の状態を踏まえて対策案を実施させる許可を与えることで、当該ドライバは広義の危険状態を回避するためのより根本的な対策案を取ることが可能になる。この結果、安全運行支援システムは、ドライバはより柔軟な対策案を取って広義の危険状態を回避することが可能になることを支援できるという効果が得られる。

＜結び＞
以上のように、上記実施例１～３の安全運行支援サーバ１は、以下のような構成とすることができる。

（１）プロセッサ（２）とメモリ（３）を有する計算機（安全運行支援サーバ１）が、車両（７）の運行を支援する安全運行支援方法であって、前記（１）計算機が（１）、過去に収集した車両（７）の走行状態を示す第１の車載センサデータ（６１－１）と、予め設定された危険発生データ（６２）とを入力として、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（７０）を生成する第１のステップと、前記計算機が、過去に収集した車両（７）の走行状態を示す第２の車載センサデータ（６１－２）を前記事故リスク定義モデル（７０）へ入力して、危険事象が発生する確率を推定して事故リスク推定データ（６５）を生成する第２のステップと、前記計算機が、前記第２の車載センサデータ（６１－２）を収集したときのドライバの第１の生体センサデータ（６３）から予め算出した第１の生体データ（６４－１）と、前記事故リスク推定データ（６５）と、を入力として、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（７１）を生成する第３のステップと、前記計算機が、予め算出した第３の生体データ（６４－３）を入力して、当人深刻度（当人深刻度データ６７）を算出する生体状態推定モデル（６９）を生成する第４のステップと、前記計算機が、前記車両（７）の生体センサ（１２）から運転中のドライバの第２の生体センサデータ（６３）を取得して、前記第２の生体センサデータ（６３）から前記ドライバの状態を示す生体状態推定モデル（６４－２）を算出する第５のステップと、前記計算機が、前記生体状態推定モデル（６４－２）を前記事故リスク予測モデル（７１）に入力して前記事故リスクを予測し、前記生体状態推定モデル（６４－２）を前記生体状態推定モデル（６９）に入力して前記当人深刻度（６７）を算出する第６のステップと、前記計算機が、前記予測された前記事故リスク（事故リスク予測データ６６）及び算出された前記当人深刻度（６７）に基づき警告の発報の有無を判定する第７のステップと、を含むことを特徴とする安全運行支援方法。

上記構成により、安全運行支援サーバ１は、事故リスク予測モデル７１と生体状態推定モデル６９と生体データ６４１に基づいて広義の危険状態（危険事象）を検知することが可能となる。

（２）上記（１）に記載の安全運行支援方法であって、前記計算機が、前記警告を発報すると判定された場合に、前記事故リスク予測モデル（７１）と、前記事故リスク（６６）と、前記事故リスク（６６）の予測に寄与した前記生体データ種別である寄与指標を抽出する第８のステップと、前記計算機が、前記寄与指標に関する当人深刻度（６７）に基づき危険事象を回避するための対策案を生成する第９のステップと、をさらに含むことを特徴とする安全運行支援方法。

上記構成により、安全運行支援サーバ１は、事故リスク予測モデル７１と生体状態推定モデル６９と生体データ６４１に基づいて広義の危険状態（危険事象）を検知して、警告を発報する場合には広義の危険状態を回避するための対策案を呈示することができる。

（３）上記（２）に記載の安全運行支援方法であって、前記計算機が、前記危険事象を回避するための対策案（対策案データ７３）を含む警告を生成して出力する第１０のステップを、さらに含むことを特徴とする安全運行支援方法。

上記構成により、安全運行支援サーバ１は、事故リスク予測モデル７１と生体状態推定モデル６９と生体データ６４１に基づいて広義の危険状態（危険事象）を検知して、警告を発報する場合には広義の危険状態を回避するための対策案を生成して警告することができる。

（４）上記（１）に記載の安全運行支援方法であって、前記第４のステップでは、前記第１の生体データ（６４－１）と、少なくとも前記第１の生体データ（６４－１）のうち前記生体状態推定モデル（６９）の生成に用いるための対象期間を含む学習情報データ（７６）とを入力として、前記当人深刻度（６７）を算出する前記生体状態推定モデル（６９）を生成することを特徴とする安全運行支援方法。

上記構成により、生体状態推定モデル生成部３４は、クラスタリングを行うために入力する生体データ６４－３を選択するに際して、学習情報データ７６に基づいて同一の計測条件で計測された生体データ６４－３のみを選択し、学習情報データ７６に格納された期間の生体データ６４－３のみを入力してもよい。これにより、計測条件がコントロールされ、生体データ６４－３のばらつきが抑えられることが期待される。

（５）上記（１）に記載の安全運行支援方法であって、前記第６のステップでは、前記事故リスク（６６）と前記寄与指標と前記寄与指標に関する前記当人深刻度（６７）とを関連付けて記憶した結合テーブル（６８）を生成することを特徴とする安全運行支援方法。

上記構成により、生体データ６４－２が更新された後などの所定のタイミングにおいて、広義の危険状態を検知して警告を呈示するのに用いる寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル情報とが結合テーブル６８に格納される。

（６）上記（１）に記載の安全運行支援方法であって、前記第１０のステップでは、前記当人深刻度（６７）に基づく情報と、前記危険事象を回避するための対策案を含む警告を表示することを特徴とする安全運行支援方法。

上記構成により、事故リスクアラートを表示する領域１０１０には、例えば、事故リスク増大の警告文１０１１に加え、寄与指標の生体データ６４－２の当人深刻度に基づく情報１０１２を表示することで、単に危険な状態であると通知するだけでなく、「あなたにとっては、半年に１回しか発生しない状態です」など、寄与指標の当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を呈示することができ、警告に対するドライバの受容度の向上が期待される。

（７）上記（１）に記載の安全運行支援方法であって、前記計算機が、前記第１の生体データ（６４－１）を前記生体状態推定モデル（６９）に入力して第１の当人深刻度（６７Ａ）を算出する第１２のステップを、さらに含み、前記第３のステップでは、前記第２の車載センサデータ（６１－２）を収集したときのドライバの第１の生体センサデータ（６３）から予め算出した第１の生体データ（６４－１）と、前記事故リスク推定データ（６５）と、前記第１の当人深刻度（６７）と、を入力として、所定時間後の事故リスク（６６）を予測する事故リスク予測モデル（７１）を生成し、前記第６のステップでは、前記生体状態推定モデル（６４－２）を前記生体状態推定モデル（６９）に入力して第２の当人深刻度（６７Ｂ）を算出し、前記生体状態推定モデル（６４－２）と第２の当人深刻度（６７Ｂ）とを前記事故リスク予測モデル（７１）に入力して前記事故リスク（６６）を予測することを特徴とする安全運行支援方法。

上記構成により、安全運行支援サーバ１は、警告呈示の判定の他に、生体データ６４を用いた事故リスク推定においても生体データ６４の個人差を考慮して事故リスクを推定することが可能となり、より精度の高い事故リスクの予測を実現可能とする効果が得られる。

なお、本発明は上述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も可能である。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。

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2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、メモリ3、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、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。

また、図面には、実施例を説明するために必要と考えられる制御線及び情報線を示しており、必ずしも、本発明が適用された実際の製品に含まれる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。

１ 運行支援サーバ
２ プロセッサ
３ メモリ
４ ストレージ装置
７ 車両
８ 車載センサ
１２ 生体センサ
３１ 生体データ算出部
３２ 事故リスク定義生成部
３３ 事故リスク推定部
３４ 生体状態推定モデル生成部
３５ 事故リスク予測モデル生成部
３６ モデル選択部
３７ 危険予測部
３８ 警告呈示部
６１ 車載センサデータ
６２ 危険発生データ
６３ 生体センサデータ
６４ 生体データ
６５ 事故リスク推定データ
６６ 事故リスク予測データ
６７ 当人深刻度データ
６８ 結合テーブル
６９ 生体状態推定モデル
７０ 事故リスク定義モデル
７１ 事故リスク予測モデル
７２ アラート定義データ
７３ 対策案データ
７４ 業務・環境データ
７５ 属性情報データ
７６ 学習情報データ

Claims (20)

1. 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安全運行支援方法であって、
   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と、を入力として、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する第１のステップと、
   前記計算機が、過去に収集した車両の走行状態を示す第２の車載センサデータを前記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推定して事故リスク推定データを生成する第２のステップと、
   前記計算機が、前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、を入力として、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する第３のステップと、
   前記計算機が、予め算出した第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第４のステップと、
   前記計算機が、前記車両の生体センサから運転中のドライバの第２の生体センサデータを取得して、前記第２の生体センサデータから前記ドライバの状態を示す第２の生体データを算出する第５のステップと、
   前記計算機が、前記第２の生体データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、前記第２の生体データを前記生体状態推定モデルに入力して前記当人深刻度を算出する第６のステップと、
   前記計算機が、前記予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する第７のステップと、
   を含むことを特徴とする安全運行支援方法。
2. 請求項１に記載の安全運行支援方法であって、
   前記計算機が、前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標を抽出する第８のステップと、
   前記計算機が、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成する第９のステップと、
   をさらに含むことを特徴とする安全運行支援方法。
3. 請求項２に記載の安全運行支援方法であって、
   前記計算機が、前記対策案を含む警告を生成して出力する第１０のステップを、さらに含むことを特徴とする安全運行支援方法。
4. 請求項１に記載の安全運行支援方法であって、
   前記第４のステップでは、
   前記第１の生体データと、少なくとも前記第１の生体データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする安全運行支援方法。
5. 請求項２に記載の安全運行支援方法であって、
   前記第６のステップでは、
   前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする安全運行支援方法。
6. 請求項３に記載の安全運行支援方法であって、
   前記第１０のステップでは、
   前記当人深刻度に基づく情報と、前記対策案を含む警告を表示することを特徴とする安全運行支援方法。
7. 請求項１に記載の安全運行支援方法であって、
   前記計算機が、前記第１の生体データを前記生体状態推定モデルに入力して第１の当人深刻度を算出する第１２のステップを、さらに含み、
   前記第３のステップでは、
   前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、前記第１の当人深刻度と、を入力として、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、
   前記第６のステップでは、
   前記第２の生体データを前記生体状態推定モデルに入力して第２の当人深刻度を算出し、前記第２の生体データと第２の当人深刻度とを前記事故リスク予測モデルに入力して前記事故リスクを予測することを特徴とする安全運行支援方法。
8. プロセッサとメモリを有するサーバと、
   走行状態を検出する車載センサと、ドライバの生体データを検出する生体センサを有する車両と、を含んで前記車両の運行を支援する運行支援システムであって、
   前記サーバは、
   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と、を入力として、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する事故リスク定義生成部と、
   過去に収集した車両の走行状態を示す第２の車載センサデータを前記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推定して事故リスク推定データを生成する事故リスク推定部と、
   前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、を入力として、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する、事故リスク予測モデル生成部と、
   予め算出した第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生体状態推定部と、
   前記車両の生体センサから運転中のドライバの第２の生体センサデータを取得して、前記第２の生体センサデータから前記ドライバの状態を示す第２の生体データを算出する生体データ算出部と、
   前記第２の生体データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、また前記生体状態推定モデルに入力して前記当人深刻度を算出する危険予測部と、
   予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する警告呈示部と、
   を有することを特徴とする安全運行支援システム。
9. 請求項８に記載の安全運行支援システムであって、
   前記警告呈示部は、
   前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標と、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成することを特徴とする安全運行支援システム。
10. 請求項９に記載の安全運行支援システムであって、
    前記警告呈示部は、
    前記対策案を含む警告を生成して出力することを特徴とする安全運行支援システム。
11. 請求項８に記載の安全運行支援システムであって、
    前記生体状態推定部は、
    前記第１の生体データと、少なくとも前記第１の生体データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする安全運行支援システム。
12. 請求項９に記載の安全運行支援システムであって、
    前記危険予測部は、
    前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする安全運行支援システム。
13. 請求項８に記載の安全運行支援システムであって、
    前記危険予測部は、
    前記当人深刻度に基づく情報と、危険事象を回避するための対策案を含む警告を表示することを特徴とする安全運行支援システム。
14. 請求項８に記載の安全運行支援システムであって、
    前記危険予測部は、前記第１の生体データを前記生体状態推定モデルに入力して第１の当人深刻度を算出し、
    前記事故リスク予測モデル生成部は、
    前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、前記第１の当人深刻度と、を入力として、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、
    前記危険予測部は、
    前記第２の生体データを前記生体状態推定モデルに入力して第２の当人深刻度を算出し、前記第２の生体データと第２の当人深刻度とを前記事故リスク予測モデルに入力して前記事故リスクを予測することを特徴とする安全運行支援システム。
15. プロセッサとメモリを有して、車両の運行を支援する運行支援サーバであって、
    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と、を入力として、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する事故リスク定義生成部と、
    過去に収集した車両の走行状態を示す第２の車載センサデータを前記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推定して事故リスク推定データを生成する事故リスク推定部と、
    前記第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の生体センサデータから予め算出した第１の生体データと、前記事故リスク推定データと、を入力として、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する事故リスク予測モデル生成部と、
    予め算出した第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生体状態推定部と、
    前記車両の生体センサから運転中のドライバの第２の生体センサデータを取得して、前記第２の生体センサデータから前記ドライバの状態を示す第２の生体データを算出する生体データ算出部と、
    前記第２の生体データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、また前記生体状態推定モデルに入力して前記当人深刻度を算出する危険予測部と、
    予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する警告呈示部と、
    を有することを特徴とする安全運行支援サーバ。
16. 請求項１５に記載の安全運行支援サーバであって、
    前記警告呈示部は、
    前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標と、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成することを特徴とする安全運行支援サーバ。
17. 請求項１６に記載の安全運行支援サーバであって、
    前記警告呈示部は、
    前記対策案を含む警告を生成して出力することを特徴とする安全運行支援サーバ。
18. 請求項１５に記載の安全運行支援サーバであって、
    前記生体状態推定部は、
    前記第１の生体データと、少なくとも前記第１の生体データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする安全運行支援サーバ。
19. 請求項１６に記載の安全運行支援サーバであって、
    前記危険予測部は、
    前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする安全運行支援サーバ。
20. 請求項１５に記載の安全運行支援サーバであって、
    前記危険予測部は、
    前記当人深刻度に基づく情報と、危険事象を回避するための対策案を含む警告を表示することを特徴とする安全運行支援サーバ。

Images