CN108162979A - 负担感推定装置以及负担感推定方法 - Google Patents
负担感推定装置以及负担感推定方法 Download PDFInfo
- Publication number
- CN108162979A CN108162979A CN201711267184.8A CN201711267184A CN108162979A CN 108162979 A CN108162979 A CN 108162979A CN 201711267184 A CN201711267184 A CN 201711267184A CN 108162979 A CN108162979 A CN 108162979A
- Authority
- CN
- China
- Prior art keywords
- user
- burden sense
- sense
- burden
- mobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3641—Personalized guidance, e.g. limited guidance on previously travelled routes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Abstract
本发明提供负担感推定装置以及负担感推定方法。负担感推定装置具备:状态空间构成部;历史信息学习部,从用户取得与在移动路径移动至目的地的用户感到的负担感有关的数据并将该数据存储于存储部;独立负担感推定部,评价综合移动负担感,通过将综合移动负担感设定为报酬的强化学习,推定与状态空间所含的多个状态的每一个对应的用户的负担感亦即独立负担感;以及综合移动负担感推定部,在设定了未知的移动路径时,在针对与未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出独立负担感的情况下,基于该推定完毕的独立负担感推定与未知的移动路径对应的综合移动负担感。
Description
技术领域
本发明涉及推定用户在使用多个移动手段进行移动时感到的负担感的负担感推定装置以及负担感推定方法。
背景技术
例如日本特开2009-146185号公报记载的疲劳度判定装置构成为计算:基于驾驶员对车辆的操作量的每单位时间的操作疲劳度;以及基于与车辆的运行情况有关的信息的每单位时间的运行情况疲劳度。详细而言,关于每单位时间的操作疲劳度,例如在车辆的行驶速度慢时,能够容易地进行方向盘、制动器等的操作,因此比车辆的行驶速度快时小。另外,关于每单位时间的运行情况疲劳度,在车辆的行驶速度慢时,认为是在市区等复杂的道路状况下进行运转,因此比车辆的行驶速度快时大。而且,疲劳度判定装置通过从运转开始时起依次累积每单位时间的操作疲劳度和运行情况疲劳度的合计值来推定驾驶员的疲劳度。
上述疲劳度判定装置只不过是推定进行车辆的运转操作时的驾驶员的疲劳度,无法计算用户借助也包含车辆以外的移动手段在内的多个移动手段进行移动时感到的疲劳度。并且,并不清楚所计算出的疲劳度是否真正地适当地反映出用户的疲劳度和负担感。其中,疲劳度仅仅意味着肌肉疲劳或操作负荷等身体上的疲劳,负担感意味着身体上的疲劳和精神上的疲劳的合计。
另一方面,作为计算用户借助多个移动手段进行移动时感到的疲劳度的方法的一个例子,也考虑使用用户的生物体信号的方法。然而,基于用户的生物体信号计算出的疲劳度毕竟只不过是反映了用户的体力的消耗程度的疲劳度,未必与用户感到的负担感一致。
发明内容
本发明的目的在于提供一种能够推定用户借助多个移动手段进行移动时感到的负担感的负担感推定装置以及负担感推定方法。
用于达成上述目的的负担感推定装置具备:状态空间构成部,上述状态空间构成部定义状态空间,上述状态空间与直至用户到达目的地为止伴随着移动手段的变更而进行移动的移动路径对应地定义,上述状态空间包含与沿着上述移动路径的用户的移动对应而在时间序列上连续的多个状态,各状态通过将以伴随着用户的移动而产生的用户的负担感为特征的多个种类的数据相互组合来定义;历史信息学习部,上述历史信息学习部构成为:从用户取得与在上述移动路径移动至上述目的地的用户感到的负担感有关的数据并将该数据存储于存储部;独立负担感推定部,上述独立负担感推定部构成为:基于存储于上述存储部的与上述负担感有关的数据,评价在上述移动路径移动至上述目的地时用户感到的综合的负担感亦即综合移动负担感,通过将上述综合移动负担感设定为报酬的强化学习,推定与上述状态空间所含的上述多个状态的每一个对应的用户的负担感亦即独立负担感;以及综合移动负担感推定部,上述综合移动负担感推定部构成为:在设定了未知的移动路径时,在针对与上述未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出上述独立负担感的情况下,基于该推定完毕的上述独立负担感来推定与上述未知的移动路径对应的上述综合移动负担感。
用于达成上述目的的负担感推定方法具备:定义状态空间的步骤,在该步骤中定义状态空间,上述状态空间与直至用户到达目的地为止伴随着移动手段的变更而进行移动的移动路径对应地定义,上述状态空间包含与沿着上述移动路径的用户的移动对应而在时间序列上连续的多个状态,各状态通过将以伴随着用户的移动而产生的用户的负担感为特征的多个种类的数据相互组合来定义;从用户取得与在上述移动路径移动至上述目的地的用户感到的负担感有关的数据并将该数据存储于存储部的步骤;基于存储于上述存储部的与上述负担感有关的数据,评价在上述移动路径移动至上述目的地时用户感到的综合的负担感亦即综合移动负担感的步骤;通过将上述综合移动负担感设定为报酬的强化学习,推定与上述状态空间所含的上述多个状态的每一个对应的用户的负担感亦即独立负担感的步骤;以及在设定了未知的移动路径时,在针对与上述未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出上述独立负担感的情况下,基于该推定完毕的上述独立负担感来推定与上述未知的移动路径对应的上述综合移动负担感的步骤。
用于达成上述目的的负担感推定装置包含电路,该电路构成为:定义状态空间,上述状态空间与直至用户到达目的地为止伴随着移动手段的变更而进行移动的移动路径对应地定义,上述状态空间包含与沿着上述移动路径的用户的移动对应而在时间序列上连续的多个状态,各状态通过将以伴随着用户的移动而产生的用户的负担感为特征的多个种类的数据相互组合来定义;从用户取得与在上述移动路径移动至上述目的地的用户感到的负担感有关的数据并将该数据存储于存储部;基于存储于上述存储部的与上述负担感有关的数据,评价在上述移动路径移动至上述目的地时用户感到的综合的负担感亦即综合移动负担感;通过将上述综合移动负担感设定为报酬的强化学习,推定与上述状态空间所含的上述多个状态的每一个对应的用户的负担感亦即独立负担感;以及在设定了未知的移动路径时,在针对与上述未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出上述独立负担感的情况下,基于该推定完毕的上述独立负担感来推定与上述未知的移动路径对应的上述综合移动负担感。
附图说明
图1是示出负担感推定装置的一个实施方式的简要结构的框图。
图2是示出在状态空间所含的状态的定义中使用的多个示例性的特征量的图。
图3是示出移动路径的每一个所含的多个状态,并且示出各状态的特征量与用户的综合移动负担感的图。
图4是用于对推定移动路径所含的各状态的独立负担感时的处理的流程进行说明的图。
图5是示出在未知的移动路径移动时的负担感的推定中使用的数据表的设定内容的一个例子的图。
图6是针对多个用户的每一个示出状态空间所含的各状态的独立负担感的一个例子的图。
图7是用于对计算用户的外出偏好度时的处理的流程进行说明的图。
图8是示出图1的负担感推定装置执行的独立负担感的更新处理的流程图。
图9是示出图1的负担感推定装置执行的与未知的移动路径有关的负担感的推定处理的流程图。
图10是示出图1的负担感推定装置执行的外出偏好度的计算处理的流程图。
具体实施方式
以下,对负担感推定装置的一个实施方式进行说明。
负担感推定装置由管理拥有便携信息终端的多个用户的信息的中心构成。中心定义作为多个状态的集合的状态空间,各状态通过将例如移动手段的种类、移动的目的、移动时的天气等以伴随着用户的移动产生的用户的负担感为特征的各种数据相互关联来定义。另外,中心定义作为针对每个状态而能够实现的行动(例如能够建议的移动手段)的集合的行动空间。移动手段包含徒步、自行车、出租车、私家车、电车、公交车、飞机、共享汽车、租用汽车、i-Road(注册商标)、新干线(特急),但不限定于这些。另外,中心在用户到达移动路径的目的地的时刻通过便携信息终端与用户进行针对负担感的对话,详细而言,用户通过便携信息终端的操作而以对话形式输入与负担感有关的数据。中心基于用户输入的数据亦即对话输入历史信息取得在移动路径移动时的用户的负担感来作为综合移动负担感。然后,中心通过在将用户的综合移动负担感设定为报酬的基础上执行强化学习,推定状态空间所含的各状态的独立负担感。然后,中心在从便携信息终端接收到与对于用户而言未知的移动路径有关的负担感的请求时,判定有无该未知的移动路径所含的各状态的独立负担感的数据。然后,中心在针对未知的移动路径所含的全部的状态都能够预先获得独立负担感的数据时,将这些独立负担感的合计值作为未知的移动路径整体的负担感亦即综合移动负担感并通过便携信息终端提供给用户。
首先,参照附图对本实施方式的装置的构成进行说明。
如图1所示,中心100具有:控制包含用户的负担感的推定处理在内的各种处理的控制部110;以及存储包含控制部110进行用户的负担感的推定处理时执行的负担感推定程序在内的各种程序、执行上述各种程序时控制部110读写的各种数据的存储部120。此处,作为存储于存储部120的各种数据,包含定义状态空间的状态空间表121、定义行动空间的行动空间表122、来自用户的对话输入历史信息123、以及与各状态的独立负担感有关的学习数据124。中心100能够构成为电路,包含:1)ASIC等一个以上的专用的硬件电路;2)根据计算机程序(软件)进行动作的一个以上的处理器;或者3)它们的组合。处理器包含CPU和RAM以及ROM等存储器,存储器存储构成为使CPU执行处理的程序代码或者指令。存储器即计算机可读介质包含能够由通用或者专用的计算机访问的所有的能够利用的介质。
图2示出在状态空间所含的状态的定义中使用的多个示例性的特征量。此处,特征量作为以伴随着用户的移动的负担感为特征的要素预先登记于中心100。在图2所示的例子中,特征量包含移动手段的种类、移动的目的、天气、气温、移动手段为车的情况下的道路环境、移动手段的利用形态、习惯度、移动手段的利用时间、直至利用移动手段为止的等待时间、移动手段的利用时的消耗卡路里。如图2所示,例如,作为特征量的“目的”包含观光、商务、社团之类的属性,作为特征量的“气温”包含酷热、热、适当、寒冷、非常寒冷之类的属性。而且,状态空间表121定义包含多个状态的集合的状态空间,各状态通过组合图2所示的各种属性来定义。
如图1所示,中心100的控制部110通过执行存储于存储部120的各种程序而作为状态定义部111、历史信息学习部112、独立负担感推定部113、独立负担感分散计算部114、综合移动负担感推定部115、外出偏好度计算部116发挥功能。状态定义部111作为状态空间构成部发挥功能。
状态定义部111基于从便携信息终端200向中心100周期性地发送的与特征量有关的数据,决定用户的当前的状态。用户的当前的状态包含于状态空间。
历史信息学习部112在用户通过便携信息终端200设定了移动路径后,在用户到达该设定了的移动路径的目的地的时刻将与用户的对话指示给便携信息终端200。另外,历史信息学习部112在接收到用户输入至便携信息终端200的对话输入历史信息123时,将该对话输入历史信息123存储于存储部120。此外,如上所述,特征量包含习惯度。在某移动路径所含的状态的习惯度比较高的情况下,用户频繁地利用该移动路径的可能性高。历史信息学习部112构成为:在用户频繁地利用某移动路径的情况下,当用户多次利用了该移动路径时,以每多次进行一次的频率将与用户的对话指示给便携信息终端200。即,关于历史信息学习部112,在用户相对于移动路径的习惯度为规定的阈值以上时,当用户到达移动路径的目的地时,以每多次进行一次的频率将与用户的对话指示给便携信息终端200。因此,历史信息学习部112在用户到达移动路径的目的地时以每多次进行一次的频率从用户取得与综合移动负担感有关的数据。
独立负担感推定部113基于从存储部120读出的对话输入历史信息123来评价在移动路径移动时的用户的综合移动负担感。而且,独立负担感推定部113在将用户的综合移动负担感设定为报酬的基础上执行作为强化学习的一种的蒙特卡洛法。在该情况下,独立负担感推定部113构成为:利用移动路径所含的状态的个数对在移动路径移动时的用户的综合移动负担感进行等分,并推定为独立负担感。此外,独立负担感推定部113也可以根据移动路径所含的各个状态中的移动手段的利用时间的比率划分在移动路径移动时的用户的综合移动负担感,并推定为各状态的独立负担感。而且,独立负担感推定部113将这样推定出的各状态的独立负担感作为学习数据124存储于存储部120。此外,独立负担感推定部113构成为:每当推定出各状态的独立负担感时,将该推定值作为日志记录于存储部120,将所记录的独立负担感的推定值的平均值推定为各状态的独立负担感。
独立负担感分散计算部114构成为:每当将各状态的独立负担感的推定值作为学习数据124存储于存储部120时,作为表示该推定出的独立负担感的推定值的偏差程度的指标的一个例子计算分散。此外,独立负担感的推定值的偏差程度反映各状态的独立负担感的推定值的可靠度,该偏差程度越小,则可以说独立负担感的推定值的可靠度越高。而且,历史信息学习部112构成为:在与用户的当前的状态对应的独立负担感的推定值的分散比较大时,为了询问与用户的当前的状态对应的独立负担感,指示便携信息终端200进行与用户的对话。此外,此处言及的独立负担感的推定值的分散大的情况也包含用户的独立负担感为未知的情况。因此,历史信息学习部112构成为:当移动路径包含用户的独立负担感未知的状态时,在用户的状态转变为独立负担感未知的状态的时刻,指示便携信息终端200进行与用户的对话。
综合移动负担感推定部115构成为:在用户通过便携信息终端200设定了未知的移动路径时,根据来自便携信息终端200的请求而推定在未知的移动路径移动时的用户的综合移动负担感。综合移动负担感推定部115在推定未知的移动路径的综合移动负担感时,首先,针对未知的移动路径所含的每个状态,确认作为学习数据124是否预先推定出了独立负担感。然后,综合移动负担感推定部115在针对构成未知的移动路径的全部的状态都预先推定出了独立负担感时,将这些独立负担感的合计值推定为在未知的移动路径移动时的用户的综合移动负担感。
外出偏好度计算部116构成为:在从便携信息终端200接收到成为用户的外出的爱好程度的指标的外出偏好度的请求时,基于存储于存储部120的用户的独立负担感,计算该用户的外出偏好度。在该情况下,外出偏好度计算部116在计算外出偏好度时,从存储部120读出多个用户进行同样的外出时的负担感的大小并进行比较。而且,外出偏好度计算部116以下述方式进行计算:进行请求的用户与其他的用户相比负担感越高则外出偏好度越小。而且,外出偏好度计算部116将这样计算出的外出偏好度发送至进行了请求的用户的便携信息终端200。
图3是示出用户的移动路径、移动路径所含的多个状态、在该移动路径移动时的用户的综合移动负担感的一个例子的数据表。在图3所示的例子中,作为用户过去利用过的已知的移动路径,能够列举在向公司的通勤时习惯利用的移动路径和在购物时习惯利用的移动路径。
通勤时利用的移动路径包含:从“自己家”至“车站A”的基于徒步的移动区间、从“车站A”至“车站B”的基于电车的移动区间、从“车站B”至“车站C”的换乘后的基于电车的移动区间、以及从“车站C”至“公司”的基于徒步的移动区间。而且,考虑在各个移动区间移动时的用户的状况来规定通勤时的移动路径所含的状态。另外,关于在通勤时的移动路径移动时的用户的综合移动负担感,在过去利用该移动路径的时刻已从中心100通过便携信息终端200向用户进行过询问,因此是已知的。
另外,相同地,购物时利用的移动路径包含从“自己家”至“车站A”的基于徒步的移动区间和从“车站A”至“车站D”的基于电车的移动区间。而且,考虑在各个移动区间移动时的用户的状况来规定购物时的移动路径所含的状态。另外,关于在购物时的移动路径移动时的用户的综合移动负担感,也在过去利用该移动路径的时刻从中心100通过便携信息终端200向用户进行过询问,因此是已知的。
此外,在该例子中,在通勤时利用的移动路径以及购物时利用的移动路径双方共通地包含从“自己家”至“车站A”的移动区间。另外,在这些移动区间移动时的天气、气温、利用形态等用户的状况也是共通的。但是,在这些移动区间移动时的移动的目的地在通勤时与购物时不同,因此,相对于这些移动区间规定各不相同的状态。即,虽然认为在这些移动区间移动时的用户的体力的消耗程度大致为相同程度,但若移动的目的地不同,则也存在用户感到的负担感不同的可能性,因此,针对这些移动路径规定各不相同的状态。
另外,在图3所示的例子中,作为将设施A设定为目的地时的移动路径,一并列举用户过去未利用过的未知的移动路径。该移动路径包含有从“自己家”至“车站A”的基于徒步的移动区间、从“车站A”至“车站E”的基于电车的移动区间、从“车站E”至“车站F”的换乘后的基于电车的移动区间、从“车站F”至“车站G”的换乘后的基于特急列车的移动区间、以及从“车站G”至“设施A”的基于公交车的移动区间。在该情况下,关于用户在未知的移动路径移动时的综合移动负担感,由于用户过去未利用过该移动路径,未向用户进行过综合移动负担感的询问,因此是未知的。
图4举出之前的图3所示的通勤时利用的移动路径为例,示出中心100推定移动路径所含的状态的独立负担感的每一个时的处理的流程。在图3所示的例子中,通勤时利用的移动路径包含有从“自己家”至“车站A”的移动区间、从“车站A”至“车站B”的移动区间、从“车站B”至“车站C”的移动区间、以及从“车站C”至“公司”的移动区间,与各个移动区间相当的每个状态的独立负担感不明确。即,在本实施方式中,并非用户每通过一个移动区间便立刻询问在该移动区间移动时的用户的独立负担感,而是在用户到达移动路径的目的地(在该例子中为“公司”)的时刻,从中心100通过便携信息终端200对用户进行综合移动负担感的询问。而且,中心100基于从用户接收到的对话输入历史信息123进行用户的综合移动负担感的评价。在该情况下,成为评价的对象的综合移动负担感并非构成移动路径的每个移动区间的负担感,而是移动路径整体的负担感。而且,中心100若获得用户的综合移动负担感的评价结果,则利用移动路径所含的状态的个数对作为该评价结果的综合移动负担感进行等分,推定为各状态的独立负担感。
图5是示出基于用户在包含通勤时的移动路径、购物时的移动路径在内的各种移动路径的移动而推定出的、图3所示的各个移动路径所含的每个状态的独立负担感的一览的数据表。在图5所示的例子中,关于通勤时的移动路径所含的各状态的独立负担感以及购物时的移动路径所含的各状态的独立负担感,如图4所示,利用移动路径所含的状态的个数对观察移动路径整体时的用户的负担感亦即综合移动负担感进行等分并进行推定,因此是已知的。此外,尽管相互不同的移动路径包含相同的状态,但是也存在该状态的独立负担感在每个移动路径中呈现不同的值的情况。但是,在用户反复进行移动的过程中,移动路径所含的状态的独立负担感的推定值被逐渐积蓄,由此,状态的独立负担感接近符合用户的实际状态的理想的值。
此外,在图5所示的例子中,关于通勤时的移动路径所含的状态S1与状态S2,状态S1的独立负担感与状态S2的独立负担感相互不同,关于购物时的移动路径所含的状态S5与状态S6,状态S5的独立负担感与状态S6的独立负担感相互不同。这是因为这些状态的独立负担感是基于多个移动路径中的综合移动负担感计算的。即,在该多个移动路径包含相同的状态的情况下,基于该多个移动路径中的综合移动负担感计算各状态的独立的负担感。另外,在图5所示的例子中,在通勤时的移动路径以及购物时的移动路径的任一个中,在移动路径移动时通过向用户询问而获得的综合移动负担感、与将移动路径所含的状态的独立负担感的推定值合计而获得的综合移动负担感大致一致。
另外,在图5所示的例子中,一并计算针对每个状态作为日志而记录的独立负担感的推定值的分散。在该例子中,通勤时利用的移动路径所含的状态“S1”~“S4”中的状态“S1”~“S3”成为独立负担感的推定值的分散比较低的值。因此,在用户通勤时利用该移动路径的情况下,当在各对应的移动区间移动时的用户的状况与状态“S1”~“S3”相应时,即使用户通过这些移动区间,中心100也不向用户进行独立负担感的询问。另一方面,通勤时利用的移动路径所含的状态“S1”~“S4”中的状态“S4”成为独立负担感的推定值的分散比较高的值。因此,在用户通勤时在该移动路径移动时,当在对应的移动区间移动时的用户的状况与状态“S4”相应时,中心100在用户通过该移动区间的时刻向用户进行独立负担感的询问。此外,关于购物时利用的移动路径也相同,根据移动路径所含的状态的独立负担感的推定值的分散,针对每个状态判定是否进行独立负担感的询问。
另外,在图5所示的例子中,针对图3所示的未知的移动路径所含的各状态也推定独立负担感。未知的移动路径为用户未移动过的路径。在用户以前在包含该未知的移动路径所含的状态的一个以上的其他的移动路径移动过时,已经推定出该一个以上的状态的独立负担感。在图5所示的例子中,基于该已经推定完毕的独立负担感等,针对未知的移动路径所含的状态的全部,推定独立负担感。而且,在该情况下,即使在未知的移动路径移动时的用户的综合移动负担感是未知的,通过将未知的移动路径所含的状态的独立负担感进行合计,能够推定未知的移动路径的综合移动负担感。
图6是一览表示针对多个用户获得的各状态的独立负担感的推定值的数据表。如图6所示的例子那样,在针对各状态的不同的用户彼此的独立负担感的大小关系中可以发现大致共通的倾向。即,在该例子中,关于各状态“S1”~“S3”,若将3名用户的独立负担感的大小关系相比,则指定用户的用户ID按独立负担感从高到低的顺位,按“ID3”、“ID2”、“ID1”的顺位排列。这是因为:尽管在各个状态中存在独立负担感的少许的偏差,但处于爱好外出的倾向的用户在移动时不论用户的状况如何均处于不苦恼外出的倾向,而呈现出用户在移动时感到的负担感相对低的倾向。
接下来,参照图7,对外出偏好度计算部116用于计算外出偏好度的处理进行说明。如图7所示,外出偏好度计算部116在计算外出偏好度时首先选择状态组。状态组包含多个状态。在图7所示的例子中,状态组包含状态“S1”、状态“S200”、状态“S500”。而且,外出偏好度计算部116针对选择出的状态组所含的每个状态,按独立负担感的推定值从高到低的顺位将用户排列。而且,外出偏好度计算部116针对选择出的状态组所含的每个状态,对成为外出偏好度的计算的对象的用户,计算从推定独立负担感高的一方开始的顺位。而且,外出偏好度计算部116将选择出的状态组所含的状态的用户的顺位的平均值计算为外出偏好度。此外,针对各个用户,并不限于针对状态空间所含的全部的状态获得独立负担感的推定值。因此,关于状态组所含的各状态,进行比较的用户的人数未必相同。因此,外出偏好度计算部116也可以在考虑针对状态组所含的每个状态进行比较的用户的人数而对各状态的用户的顺位进行加权的基础上,计算用户的外出偏好度。
接下来,对本实施方式的中心100执行的独立负担感的更新处理的具体的处理步骤进行说明。此外,中心100在接收到用户输入至便携信息终端200的移动路径以及目的地的信息时,针对移动路径所含的每个状态,执行独立负担感的更新处理。
首先,如图8所示,中心100从便携信息终端200通过状态定义部111取得决定用户的当前的状态时使用的各种数据作为特征量构成数据(步骤S10)。
接着,中心100基于在步骤S10中取得的特征量构成数据,通过状态定义部111决定状态空间表121所规定的状态中的哪一个与用户的当前的状态对应(步骤S11)。
接下来,中心100基于从便携信息终端200取得的信息,判定用户利用的移动手段是否切换(步骤S12)。然后,中心100在判定为移动手段未切换时(步骤S12:否),返回步骤S10,在直至移动手段切换为止的期间,反复进行步骤S10~步骤S12的处理。
另一方面,中心100在判定为移动手段切换时(步骤S12:是),通过历史信息学习部112从存储部120读出与用户的当前的状态对应的独立负担感的推定值的分散。另外,中心100判定这样读出的独立负担感的推定值的分散是否为规定的阈值以上(步骤S13)。即,中心100针对用户的当前的状态,通过历史信息学习部112判定预先计算出的独立负担感的偏差是否较大(步骤S13)。
然后,中心100的历史信息学习部112在判定为独立负担感的偏差较大时(步骤S13:是),通过便携信息终端200向用户询问针对与用户的当前的状态对应的用户的移动的独立负担感(步骤S14)。另外,中心100在将通过对用户进行询问而获得的独立负担感更新为与用户的当前的状态对应的独立负担感的基础上(步骤S15),移至步骤S16。另一方面,中心100当在步骤S13中判定为独立负担感的偏差较小时(步骤S13:否),不经过步骤S14~步骤S15的处理,移至步骤S16。
然后,中心100在步骤S16中,判定是否从便携信息终端200接收到用户到达目的地的信号。中心100在用户未到达目的地的情况下(步骤S16:否),返回步骤S10,反复进行步骤S10~步骤S16的处理。
中心100的历史信息学习部112在从便携信息终端200接收到用户到达目的地的信号时(步骤S16:是),通过便携信息终端200向用户询问针对移动路径中的用户的移动的综合移动负担感(步骤S17)。
然后,中心100利用移动路径所含的状态的个数对通过对用户进行询问而获得的综合移动负担感进行等分,求得各状态的独立负担感的推定值,在使用该推定值更新现有的独立负担感的值的基础上(步骤S18),结束图8所示的独立负担感的更新处理。
接下来,对本实施方式的中心100执行的与未知的移动路径有关的综合移动负担感的推定处理的具体的处理步骤进行说明。此外,中心100在用户通过便携信息终端200设定了未知的移动路径时,根据来自便携信息终端200的请求而执行与未知的移动路径有关的综合移动负担感的推定处理。
首先,如图9所示,中心100从便携信息终端200取得与未知的移动路径有关的信息(步骤S20)。
然后,接下来,中心100参照在状态空间表121中规定的特征量,通过状态定义部111确定在步骤S20中取得的未知的移动路径所含的状态(步骤S21)。此时,中心100针对定义状态的特征量中的例如天气、气温、利用形态等在用户移动前的时刻严格来说无法掌握的特征量,基于与天气预报、电车的利用状况等有关的最新的信息预测这些特征量。
接着,中心100通过综合移动负担感推定部115针对未知的移动路径所含的各状态判定在存储部120是否存储有独立负担感的推定值(步骤S22)。然后,中心100在针对未知的移动路径所含的至少一部分的状态判定为独立负担感的推定值未存储于存储部120时(步骤S22:否),不进行与未知的移动路径有关的综合移动负担感的推定,结束图9所示的综合移动负担感的推定处理。
另一方面,中心100在针对未知的移动路径所含的全部的状态判定为独立负担感的推定值存储于存储部120时(步骤S22:是),通过综合移动负担感推定部115将这些独立负担感的推定值合计并推定为与未知的移动路径有关的综合移动负担感(步骤S23)。然后,中心100在将这样推定出的综合移动负担感发送至进行了请求的用户的便携信息终端200的基础上,结束图9所示的综合移动负担感的推定处理。
接下来,对本实施方式的中心100执行的外出偏好度的计算处理的具体的处理步骤进行说明。此外,中心100从用户通过便携信息终端200接收到外出偏好度的请求时,根据该请求执行外出偏好度的计算处理。
首先,如图10所示,中心100通过外出偏好度计算部116设定包含外出偏好度的计算所使用的多个状态的状态组(步骤S30)。
接下来,中心100针对状态组所含的规定的状态,通过外出偏好度计算部116从存储部120读出多个用户的独立负担感。而且,中心100基于从存储部120读出的多个用户的独立负担感,按独立负担感从高到低的顺位,通过外出偏好度计算部116对用户的顺位进行排序(步骤S31)。然后,中心100参照在之前的步骤S31中排序的用户的顺位,通过外出偏好度计算部116计算进行了请求的用户的顺位(步骤S32)。
然后,中心100针对状态组所含的全部的状态,在用户的独立负担感的比较未结束时(步骤S33:否),在从状态组所含的状态选择出进行用户的独立负担感的比较的状态的基础上(步骤S34),返回步骤S31。之后,中心100针对状态组所含的全部的状态,在直至用户的独立负担感的比较结束为止的期间,反复进行步骤S31~步骤S34的处理。
然后,中心100在针对状态组所含的全部的状态判定为用户的独立负担感的比较结束时(步骤S33:是),针对状态组所含的多个状态,通过外出偏好度计算部116将在步骤S32中计算出的用户的顺位的平均值计算为外出偏好度(步骤S35)。然后,中心100在将这样计算出的外出偏好度发送至进行了请求的用户的便携信息终端200的基础上(步骤S36),结束图10所示的用户的外出偏好度的计算处理。
接下来,对本实施方式的中心100的作用进行说明,特别是着眼于根据来自拥有便携信息终端200的用户的请求而推定与未知的移动路径有关的用户的综合移动负担感时的作用进行以下的说明。
通常,在基于多个移动手段的移动时,用户感到的负担感未必仅反映用户的体力的消耗程度。例如,根据用户的移动是以通勤为目的还是以私事的移动为目的,在移动区间移动时的用户的心理状况不同,因此存在用户感到的负担感产生较大差异的情况。
用户感到的负担感如上所述除了受用户的体力的消耗程度影响之外,还由用户的心理的状况较大地影响。因此,即使欲基于用户的生物体信号检测用户的负担感,其精度自然也存在极限。因此,关于用户感到的负担感,优选根据与用户的对话中评价负担感等,直接对用户进行询问。然而,如果每当用户在移动区间移动时都向用户进行询问,则在用户的便利性的观点来看并不优选。
关于该点,在本实施方式中,原则上,中心100并不每当用户在移动区间移动时都向用户询问负担感,而是在用户到达移动路径的目的地的时刻,向用户询问综合移动负担感。因此,能够抑制相对于用户的负担感的询问的频率,因此能够实现对于用户而言的便利性的提高。此外,询问用户的综合移动负担感的内容不是移动路径所含的每个移动区间的负担感,而是移动路径整体的用户的负担感。因此,用户无需在移动路径移动的过程中将各移动区间的负担感在直至到达目的地为止的期间都保留记忆,在该点上,也能够实现对于用户而言的便利性的提高。
而且,中心100利用移动路径所含的状态的个数对通过对用户进行询问而获得的综合移动负担感进行等分并推定为各状态的独立负担感。以下,在用户反复进行移动的过程中,移动路径所含的状态的负担感的推定值被逐渐积蓄,由此,各状态的负担感的推定值接近符合用户的实际状态的理想的值。结果,即便是关于用户过去未曾移动过的未知的移动路径,通过将与移动路径所含的移动区间对应的状态的负担感的推定值进行合计,也能够预先掌握用户的负担感。
如以上说明的那样,根据上述实施方式,能够获得以下所示的效果。
(1)即使不在因移动手段的变更而产生状态的转变时从用户取得独立负担感的数据,通过进行将多个状态的转变中的用户的综合的负担感亦即综合移动负担感设定为报酬的强化学习,能够推定与各个状态对应的用户的独立负担感。而且,即使用户作为移动路径而设定了未知的路径,通过将已经推定完毕的独立负担感进行组合,能够推定用户在该未知的移动路径移动时感到的综合移动负担感。
(2)针对状态组所含的多个状态的每一个,将存储于存储部120的多个用户的独立负担感的大小进行比较,以越为独立负担感相对小的用户则越处于爱好外出的倾向的方式计算外出偏好度。即,在相同的状况下,将某用户与其他的用户在外出时感到的负担感的大小进行比较。然后,基于这样的比较的结果,能够将用户爱好外出的倾向的程度计算为外出偏好度这样的新的指标值。
(3)在独立负担感的推定值的分散比较大时、即独立负担感的推定值的分散大于规定的阈值时,认为独立负担感的推定值的可靠性低,因此,在该状态下且在用户的状态转变的时刻,从用户取得与独立负担感有关的数据。由此,能够提高状态空间所含的状态下的独立负担感的推定值的可靠性,能够以较高的可靠性推定作为用户的移动路径设定了未知的路径时的用户的综合移动负担感。
(4)针对用户的移动路径所含的一部分的状态,在独立负担感未知时,即使已推定出用户在包含该一部分的状态的移动路径移动时的综合移动负担感,其可靠性也容易降低。在移动路径中包含用户的独立负担感为未知的状态时,在用户在移动路径移动的期间从用户取得与该一部分的状态下的独立负担感有关的数据。由此,能够以高精度获得用户的移动路径所含的状态中的与独立负担感为未知的状态有关的独立负担感的数据。因此,能够更合适地计算状态空间所含的状态的独立负担感。针对作为移动路径而设定了未知的路径时的用户的综合移动负担感,通过将该移动路径所含的状态的独立负担感进行合计,能够以高可靠性进行推定。
(5)在移动路径为用户习惯通行的路径、且已经充分地获得与位于移动路径上的各状态的独立负担感有关的数据的可能性较高时,在用户到达移动路径的目的地时,不必从用户取得综合移动负担感。由此,能够减少对用户的额外的负担,并且能够广泛地收集与状态空间所含的状态的独立负担感有关的数据。
此外,上述实施方式也能够按照以下的方式实施。
·在上述实施方式中,关于历史信息学习部112,在认为移动路径所含的状态的习惯度比较高、用户频繁地利用该移动路径时,在用户到达该移动路径的目的地时,以每多次进行一次的频率指示便携信息终端200进行与用户的对话。代替于此,关于历史信息学习部112,也可以形成为,不论移动路径所含的状态的习惯度如何,每当用户利用移动路径时,便指示便携信息终端200进行与用户的对话。根据该结构,与用户频繁利用的移动路径有关的用户的综合移动负担感以较高的频率被更新成最新的信息,因此能够进一步提高移动路径所含的状态的用户的负担感的数据的可靠性。
·在上述实施方式中,关于综合移动负担感推定部115,仅限于能够针对未知的移动路径所含的全部的状态获得独立负担感的推定值的情况下,推定与该未知的移动路径有关的综合移动负担感。代替于此,关于综合移动负担感推定部115,也可以形成为,即使针对未知的移动路径所含的一部分的状态未能获得独立负担感的推定值,也推定与该未知的移动路径有关的综合移动负担感。关于未能获得独立负担感的推定值的状态,可以基于能够获得独立负担感的推定值的状态下的独立负担感的推定值来计算独立负担感。例如,也可以形成为,基于能够获得独立负担感的推定值的状态下的特征量与未能获得独立负担感的推定值的状态下的特征量之间的差分,针对未能获得独立负担感的推定值的状态计算独立负担感。例如,当存在仅作为特征量的利用时间相互不同的两个状态时,可以按照与利用时间成比例的方式根据一方的状态下的独立负担感计算另一方的状态下的独立负担感。另外,也可以形成为,与定义状态的利用时间以外的特征量对应地设定加权的系数,由此计算独立负担感的推定值。
·在上述实施方式中,关于历史信息学习部112,当移动路径包含用户的独立负担感未知的状态时,在用户的状态转变为独立负担感未知的状态的时刻,向用户询问与未知的状态对应的独立负担感。代替于此,关于历史信息学习部112,也可以形成为,即便当移动路径包含用户的独立负担感未知的状态时,在用户到达移动路径的目的地的时刻,除了向用户询问移动路径整体的综合移动负担感之外,还向用户一并询问与未知的状态对应的独立负担感。
另外,关于历史信息学习部112,也可以形成为,不论在移动路径是否包含用户的独立负担感未知的状态,仅在用户到达移动路径的目的地的时刻,向用户询问移动路径整体的综合移动负担感。
·在上述实施方式中,关于历史信息学习部112,在与用户的当前的状态对应的独立负担感的推定值的分散比较大时,为了询问与用户的当前的状态对应的独立负担感,指示便携信息终端200进行与用户的对话。代替于此,关于历史信息学习部112,也可以形成为,不论与用户的当前的状态对应的独立负担感的推定值的分散如何,仅在用户到达移动路径的目的地的时刻,向用户询问移动路径整体的综合移动负担感。在该情况下,作为中心100的控制部110的功能,也可以除去计算独立负担感的推定值的分散的功能。另外,关于独立负担感推定部113,也可以形成为,并不在每当推定各状态的独立负担感时就将其推定值作为日志记录于存储部120,而是每当获得独立负担感的推定值时将存储于存储部120的与独立负担感的推定值有关的数据改写并更新成最新的数据。
·在上述实施方式中,关于外出偏好度计算部116,将针对状态组所含的多个状态的独立负担感的用户的顺位的平均值计算为外出偏好度。但是,关于外出偏好度计算部116,也可以形成为,基于使用了状态组所含的多个状态的独立负担感的任意的函数运算计算用户的外出偏好度。
·在上述实施方式中,关于外出偏好度计算部116,以包含多个状态的状态组为对象,将存储于存储部120的用户彼此的独立负担感的大小进行比较,认为越为独立负担感相对小的用户则越处于爱好外出的倾向,由此计算外出偏好度。代替于此,关于外出偏好度计算部116,也可以形成为,将单独的状态下的用户彼此的独立负担感的大小进行比较,计算外出偏好度。
·在上述实施方式中,关于独立负担感推定部113,基于用户通过便携信息终端200输入的对话输入历史信息123来评价用户的负担感。代替于此,关于历史信息学习部112,也可以形成为,将用户通过便携信息终端200直接输入的负担感的数据用作评价结果。
·在上述实施方式中,关于独立负担感推定部113,在将用户的综合移动负担感设定为报酬的基础上执行作为强化学习的一种的蒙特卡洛法,由此推定构成移动路径的各状态的独立负担感。但是,关于独立负担感推定部113,作为强化学习的方法,也可以执行TD学习法(Temporal Difference Learning,时序差分学习)。但是,TD学习法与上述的蒙特卡洛法相比,虽然学习速度快,但未知的状态、样本过少的状态的学习法基本无法信赖。因而,如上所述,基于各状态的独立负担感的推定值的分散等确认各状态的独立负担感的可靠性尤为重要。另外,关于独立负担感推定部113,若能够预先掌握状态空间所含的状态间的转变概率,则作为强化学习的方法,也可以执行动态规划法。
Claims (7)
1.一种负担感推定装置,其中,具备:
状态空间构成部,所述状态空间构成部定义状态空间,所述状态空间与直至用户到达目的地为止伴随着移动手段的变更而进行移动的移动路径对应地定义,所述状态空间包含与沿着所述移动路径的用户的移动对应而在时间序列上连续的多个状态,各状态通过将以伴随着用户的移动而产生的用户的负担感为特征的多个种类的数据相互组合来定义;
历史信息学习部,所述历史信息学习部构成为:从用户取得与在所述移动路径移动至所述目的地的用户感到的负担感有关的数据并将该数据存储于存储部;
独立负担感推定部,所述独立负担感推定部构成为:基于存储于所述存储部的与所述负担感有关的数据,评价在所述移动路径移动至所述目的地时用户感到的综合的负担感亦即综合移动负担感,通过将所述综合移动负担感设定为报酬的强化学习,推定与所述状态空间所含的所述多个状态的每一个对应的用户的负担感亦即独立负担感;以及
综合移动负担感推定部,所述综合移动负担感推定部构成为:在设定了未知的移动路径时,在针对与所述未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出所述独立负担感的情况下,基于该推定完毕的所述独立负担感来推定与所述未知的移动路径对应的所述综合移动负担感。
2.根据权利要求1所述的负担感推定装置,其中,
所述综合移动负担感推定部构成为:在针对与所述未知的移动路径对应地被定义的多个状态的全部都已经推定出所述独立负担感的情况下,将该推定完毕的所述独立负担感的合计值设定为与所述未知的移动路径对应的所述综合移动负担感。
3.根据权利要求1或2所述的负担感推定装置,其中,
所述独立负担感推定部构成为:针对多个用户的每一个,将与多个状态分别对应的所述独立负担感的推定值作为学习数据存储于所述存储部,
所述负担感推定装置还具备外出偏好度计算部,所述外出偏好度计算部构成为:针对一个或者多个状态,将所述多个用户的所述独立负担感的大小相互比较,基于该比较结果来计算外出偏好度,所述外出偏好度表示越为所述独立负担感相对小的用户则越处于爱好外出的倾向这一情况。
4.根据权利要求1~3中任一项所述的负担感推定装置,其中,
所述独立负担感推定部构成为:将与所述状态空间所含的多个状态分别对应的所述独立负担感的推定值作为学习数据存储于所述存储部,
所述历史信息学习部构成为:针对所述多个状态的每一个,在存储于所述存储部的所述独立负担感的推定值的偏差为规定的阈值以上时,从用户取得与该状态下的所述独立负担感有关的数据。
5.根据权利要求1~4中任一项所述的负担感推定装置,其中,
所述历史信息学习部构成为:在针对与所述移动路径对应地被定义的多个状态中的一部分未获得所述独立负担感的推定值时,从用户取得用户在该移动路径移动的期间与对应于这一部分的状态的所述独立负担感有关的数据。
6.根据权利要求1~5中任一项所述的负担感推定装置,其中,
所述历史信息学习部构成为:在所述移动路径的习惯度为规定的阈值以上时,当用户到达该移动路径的目的地时,以每多次进行一次的频率从用户取得与所述负担感有关的数据。
7.一种负担感推定方法,其中,具备:
定义状态空间的步骤,在该步骤中定义状态空间,所述状态空间与直至用户到达目的地为止伴随着移动手段的变更而进行移动的移动路径对应地定义,所述状态空间包含与沿着所述移动路径的用户的移动对应而在时间序列上连续的多个状态,各状态通过将以伴随着用户的移动而产生的用户的负担感为特征的多个种类的数据相互组合来定义;
从用户取得与在所述移动路径移动至所述目的地的用户感到的负担感有关的数据并将该数据存储于存储部的步骤;
基于存储于所述存储部的与所述负担感有关的数据,评价在所述移动路径移动至所述目的地时用户感到的综合的负担感亦即综合移动负担感的步骤;
通过将所述综合移动负担感设定为报酬的强化学习,推定与所述状态空间所含的所述多个状态的每一个对应的用户的负担感亦即独立负担感的步骤;以及
在设定了未知的移动路径时,在针对与所述未知的移动路径对应地被定义的多个状态中的至少一部分已经推定出所述独立负担感的情况下,基于该推定完毕的所述独立负担感来推定与所述未知的移动路径对应的所述综合移动负担感的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-238045 | 2016-12-07 | ||
JP2016238045A JP6551376B2 (ja) | 2016-12-07 | 2016-12-07 | 負担感推定装置及び負担感推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108162979A true CN108162979A (zh) | 2018-06-15 |
CN108162979B CN108162979B (zh) | 2020-09-29 |
Family
ID=62163835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711267184.8A Active CN108162979B (zh) | 2016-12-07 | 2017-12-05 | 负担感推定装置以及负担感推定方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10337880B2 (zh) |
JP (1) | JP6551376B2 (zh) |
CN (1) | CN108162979B (zh) |
DE (1) | DE102017128792B4 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210114596A1 (en) * | 2019-10-18 | 2021-04-22 | Toyota Jidosha Kabushiki Kaisha | Method of generating vehicle control data, vehicle control device, and vehicle control system |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895876B (zh) * | 2018-09-11 | 2021-07-20 | 深圳云天励飞技术有限公司 | 一种车辆监控方法、装置及存储介质 |
US11550968B2 (en) | 2019-01-30 | 2023-01-10 | Walmart Apollo, Llc | Automatic generation of load design |
US11829688B2 (en) | 2019-01-30 | 2023-11-28 | Walmart Apollo, Llc | Automatic generation of incremental load design with stacks of pallets |
US11526836B2 (en) | 2019-01-30 | 2022-12-13 | Walmart Apollo, Llc | Automatic generation of route design |
US11501248B2 (en) | 2019-01-30 | 2022-11-15 | Walmart Apollo, Llc | Validation of routes in automatic route design |
US11494731B2 (en) | 2019-01-30 | 2022-11-08 | Walmart Apollo, Llc | Automatic generation of load and route design |
US11960800B2 (en) | 2019-01-30 | 2024-04-16 | Walmart Apollo, Llc | Automatic generation of flexible load design |
JPWO2022249335A1 (zh) * | 2021-05-26 | 2022-12-01 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0443131A (ja) * | 1990-06-07 | 1992-02-13 | Omron Corp | 運転者の疲労度ファジィ制御装置 |
JP2005115482A (ja) * | 2003-10-03 | 2005-04-28 | Omron Corp | 利用者誘出システム及び方法 |
JP2009146185A (ja) * | 2007-12-14 | 2009-07-02 | Fujitsu Ten Ltd | 疲労度判定装置 |
CN101662546A (zh) * | 2009-09-16 | 2010-03-03 | 中兴通讯股份有限公司 | 情绪监控的方法及装置 |
CN103476658A (zh) * | 2011-04-20 | 2013-12-25 | 斯堪尼亚商用车有限公司 | 具有涉及驾驶员疲劳的预测的安全系统的车辆 |
CN103809746A (zh) * | 2012-11-09 | 2014-05-21 | 三星电子株式会社 | 确定用户的精神状态的设备和方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08173408A (ja) | 1994-12-26 | 1996-07-09 | Shimadzu Corp | 疲労度計 |
JP2702683B2 (ja) * | 1995-07-20 | 1998-01-21 | 工業技術院長 | 疲労特性評価装置及び疲労計測装置 |
JPH10253379A (ja) * | 1997-03-13 | 1998-09-25 | Nissan Motor Co Ltd | 経路誘導装置 |
JP2006026357A (ja) | 2004-07-14 | 2006-02-02 | Sogo Ikagaku Kenkyusho:Kk | 身体疲労負荷方法およびその装置 |
JP3697454B1 (ja) * | 2005-01-14 | 2005-09-21 | インコムジャパン有限会社 | 個人の身体特性に応じた経路案内システム |
JP2009293996A (ja) | 2008-06-03 | 2009-12-17 | Toyota Motor Corp | 運転者疲労度推定装置、運転者疲労度推定方法 |
JP5322168B2 (ja) | 2009-07-13 | 2013-10-23 | 株式会社ゴビ | 疲労検出装置 |
JP5668380B2 (ja) * | 2010-09-10 | 2015-02-12 | 株式会社豊田中央研究所 | 経路探索装置及びプログラム |
JP2015232529A (ja) * | 2014-06-11 | 2015-12-24 | 株式会社日立ソリューションズ | 歩行者向けナビゲーション装置 |
US20170154394A1 (en) * | 2014-07-24 | 2017-06-01 | Pulsar Informatics, Inc. | Fatigue Optimized Routing & Tracking |
JP6578524B2 (ja) * | 2015-03-23 | 2019-09-25 | 株式会社日本総合研究所 | 交通手段情報提供サーバ及び交通手段情報提供方法 |
-
2016
- 2016-12-07 JP JP2016238045A patent/JP6551376B2/ja active Active
-
2017
- 2017-12-05 DE DE102017128792.2A patent/DE102017128792B4/de active Active
- 2017-12-05 US US15/832,253 patent/US10337880B2/en active Active
- 2017-12-05 CN CN201711267184.8A patent/CN108162979B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0443131A (ja) * | 1990-06-07 | 1992-02-13 | Omron Corp | 運転者の疲労度ファジィ制御装置 |
JP2005115482A (ja) * | 2003-10-03 | 2005-04-28 | Omron Corp | 利用者誘出システム及び方法 |
JP2009146185A (ja) * | 2007-12-14 | 2009-07-02 | Fujitsu Ten Ltd | 疲労度判定装置 |
CN101662546A (zh) * | 2009-09-16 | 2010-03-03 | 中兴通讯股份有限公司 | 情绪监控的方法及装置 |
CN103476658A (zh) * | 2011-04-20 | 2013-12-25 | 斯堪尼亚商用车有限公司 | 具有涉及驾驶员疲劳的预测的安全系统的车辆 |
CN103809746A (zh) * | 2012-11-09 | 2014-05-21 | 三星电子株式会社 | 确定用户的精神状态的设备和方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210114596A1 (en) * | 2019-10-18 | 2021-04-22 | Toyota Jidosha Kabushiki Kaisha | Method of generating vehicle control data, vehicle control device, and vehicle control system |
US11654915B2 (en) * | 2019-10-18 | 2023-05-23 | Toyota Jidosha Kabushiki Kaisha | Method of generating vehicle control data, vehicle control device, and vehicle control system |
Also Published As
Publication number | Publication date |
---|---|
US20180156630A1 (en) | 2018-06-07 |
CN108162979B (zh) | 2020-09-29 |
JP2018097399A (ja) | 2018-06-21 |
DE102017128792A1 (de) | 2018-06-07 |
DE102017128792B4 (de) | 2024-03-14 |
US10337880B2 (en) | 2019-07-02 |
JP6551376B2 (ja) | 2019-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108162979A (zh) | 负担感推定装置以及负担感推定方法 | |
Ceder | Urban mobility and public transport: future perspectives and review | |
Dieleman et al. | Urban form and travel behaviour: micro-level household attributes and residential context | |
Pan et al. | Influence of urban form on travel behaviour in four neighbourhoods of Shanghai | |
Morris et al. | Mood and mode: does how we travel affect how we feel? | |
CN108474662A (zh) | 主动重新路由以控制交通流量 | |
Porter et al. | The autonomous vehicle Revolution: Implications for planning/The driverless city?/autonomous vehicles–a planner’s response/autonomous vehicles: Opportunities, challenges and the need for government action/three signs autonomous vehicles will not lead to less car ownership and less car use in car dependent cities–a case study of Sydney, Australia/planning for autonomous vehicles? Questions of purpose, place and pace/ensuring good governance: The role of planners in the development of autonomous vehicles/putting technology in its place | |
CN106663260B (zh) | 信息提示装置、方法以及程序 | |
CN105579294B (zh) | 座位状态校正系统、方法以及记录介质 | |
Liao et al. | Driver digital twin for online prediction of personalized lane change behavior | |
Gartner | Putting emotions in maps–the wayfinding example | |
Pakusch et al. | Traditional taxis vs automated taxis–Does the driver matter for Millennials? | |
Fernández-Rodríguez et al. | A multi-objective algorithm for train driving energy reduction with multiple time targets | |
CN107301480A (zh) | 旅游行程推荐方法、系统、可读存储介质及计算机设备 | |
Needell et al. | Efficiently simulating personal vehicle energy consumption in mesoscopic transport models | |
Ballo et al. | The E-Bike City as a radical shift toward zero-emission transport: Sustainable? Equitable? Desirable? | |
Raut et al. | Multi-criteria decision-making for automobile purchase using an integrated analytical quality fuzzy (AQF) technique | |
Savino et al. | Free as a Bird, but at What Cost? The Impact of Street Networks on the User Experience of As-The-Crow-Flies Navigation for Cyclists | |
Cyganski | Automated vehicles and automated driving from a demand modeling perspective | |
Dovgan et al. | Comparing a multiobjective optimization algorithm for discovering driving strategies with humans | |
Philipsen et al. | Well Worth a Detour?—Users’ Preferences Regarding the Attributes of Fast-Charging Infrastructure for Electromobility | |
Mahmassani | Technological innovation and the future of urban personal travel | |
Herteleer et al. | Analysis of initial speed pedelec usage for commuting purposes in Flanders | |
Yang et al. | A comfort evaluation method based on an intelligent car cockpit | |
Lynnyk et al. | Informational characteristics of objects to the driver’s perception field in urban and suburban conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |