CN110505837A - 信息处理设备、信息处理方法和程序 - Google Patents

Abstract

本发明涉及用户能够可靠地避免风险的信息处理设备、信息处理方法和程序。所述信息处理设备包括：提示控制单元，所述提示控制单元基于预测的风险生成对于用户的风险规避计划；评价单元，所述评价单元基于用户对所述风险规避计划的反应，评价用户的服从度；和风险预测单元，所述风险预测单元基于评价的服从度，调整预测风险的参数。例如，本发明可应用于辅助移动体的驾驶的信息处理系统或信息处理设备，或者提供各种保险的信息处理系统或信息处理设备。

Description

信息处理设备、信息处理方法和程序

技术领域

本技术涉及信息处理设备、信息处理方法和程序，特别地，涉及适合于在向用户提示风险规避建议的情况下使用的信息处理设备、信息处理方法和程序。

背景技术

通常，驾驶员的生物信息已用于检测驾驶员在驾驶期间的状态。

例如，已经提出了其中利用以在驾驶员休息并且闭上他/她的眼睛时的驾驶员的皮肤阻抗的测量值和在驾驶员处于正常活动状态时的测量值的平均值为基础的校正数据，校正驾驶员的皮肤阻抗的测量值，并基于校正后的值判断驾驶员的觉醒度的建议(例如，参见专利文献1)。

例如，提出了其中把利用车辆的生物传感器测量的生物数据通过设置在车载充电器的移动终端和公共网络发送给数据处理设备，并且数据处理设备把接收的生物数据发送给驾驶员的移动终端的建议(例如，参见专利文献2)。

然后，例如，基于检测到的驾驶员的状态，进行用于避免诸如事故之类的风险的驾驶辅助。

引文列表

专利文献

专利文献1：日本专利申请特开No.H10-80405

专利文献2：日本专利申请特开No.2016-140377

发明内容

本发明要解决的问题

顺便提及，即使进行驾驶辅助，在用户行为不符合预期的情况下，也存在无法避免风险的情况。

鉴于这样的情况作出了本技术，并且本技术针对使用户能够可靠地避免风险。

问题的解决方案

按照本技术的一个方面的信息处理设备包括：提示控制单元，所述提示控制单元被配置成基于预测的风险，生成对于用户的风险规避建议；评价单元，所述评价单元被配置成基于用户对所述风险规避建议的响应，评价用户的服从度；以及风险预测单元，所述风险预测单元被配置成基于评价的服从度，调整风险预测参数。

所述风险预测单元可预测关于用户驾驶移动体的风险。

还可包括驾驶行为检测单元，所述驾驶行为检测单元被配置成检测驾驶行为，所述驾驶行为是驾驶期间的用户或移动体的行为，所述风险预测单元可基于驾驶行为的检测结果，预测所述风险。

要由所述驾驶行为检测单元检测的危险驾驶行为的等级可基于所述服从度而变化。

随着所述服从度变低，要由所述驾驶行为检测单元检测的危险驾驶行为的等级可能会变低。

还可包括诊断单元，所述诊断单元被配置成基于所述用户在驾驶前的状态和所述用户在驾驶期间的状态中的至少一种，诊断所述用户对于驾驶的适宜性，所述风险预测单元可基于所述诊断的结果，预测所述风险。

随着所述服从度变低，要由所述风险预测单元预测的风险的等级可能会变低。

还可包括保险费计算单元，所述保险费计算单元被配置成基于所述服从度，计算对于所述用户的保险的保险费。

所述保险费计算单元可在所述服从度较高时降低所述保险费，而在所述服从度较低时增加所述保险费。

所述风险是关于用户驾驶车辆的风险，所述保险可包括汽车保险。

按照本技术的一个方面的信息处理方法包括：基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及基于评价的服从度，调整风险预测参数的风险预测步骤。

按照本技术的一个方面的用于使计算机执行处理的程序，所述处理包括：基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及基于评价的服从度，调整风险预测参数的风险预测步骤。

在本技术的一个方面中，基于预测的风险生成对于用户的风险规避建议，基于用户对风险规避建议的响应评价用户的服从度，并且基于评价的服从度调整风险预测参数。

本发明的效果

按照本技术的一个方面，可以获得用户的服从度。结果，例如，利用用户的服从度，可以使用户能够可靠地避免风险。

注意，这里描述的有益效果未必是限制性的，并且可以获得本公开中描述的任意有益效果。

附图说明

图1是图解说明本技术适用于的信息处理系统的实施例的框图。

图2是图解说明用户终端部分的构成例子的框图。

图3是图解说明车辆的构成例子的框图。

图4是图解说明服务器的构成例子的框图。

图5是用于说明服务器执行的驾驶辅助处理的流程图。

图6用于说明服务器执行的驾驶辅助处理的流程图。

图7是用于说明用户状态估计处理的示图。

图8是用于说明用于学习用户正常状态模式的方法的示图。

图9是用于说明用于学习用户集合状态模式的方法的示图。

图10是用于说明用于诊断驾驶的方法的例子的示图。

图11是图解说明计算机的构成例子的示图。

具体实施方式

下面将说明用于实现本技术的实施例。将按照以下顺序进行说明。

1.实施例

2.变形例

3.其他

<<1.实施例>>

<信息处理系统的构成例子>

图1是图解说明本技术适用于的信息处理系统的实施例的框图。

信息处理系统10例如是利用远程信息处理技术，提供诸如车辆的驾驶辅助和汽车保险之类的服务的系统。

信息处理系统10包括用户终端部分11、车辆12和服务器13。用户终端部分11和车辆12直接或者通过网络14相互进行通信。服务器13通过网络14与用户终端部分11和车辆12进行通信。

用户终端部分11包括由利用信息处理系统10的用户拥有的一个或多个信息处理终端。例如，用户终端部分11可以包括移动终端和可穿戴终端。

车辆12是由利用信息处理系统10的用户驾驶的车辆。

服务器13通过经由网络14与用户终端部分11和车辆12进行通信，向利用信息处理系统10的用户提供诸如驾驶辅助和汽车保险之类的服务。

注意，尽管图1图解说明了一个用户终端部分11、一个车辆12和一个服务器13，以使得易于理解该附图，不过也可设置两个或更多个用户终端部分11、两个或更多个车辆12以及两个或更多个服务器13。例如，设置的用户终端部分11的数量和车辆12的数量与利用信息处理系统10的用户的数量大致相等。

此外，为了便于说明，下面将省略在用户终端部分11、车辆12和服务器13通过网络14进行通信的情况下的“通过网络14”的描述。

<用户终端部分的构成例子>

图2是图解说明用户终端部分11的构成例子的框图。在这个例子中，用户终端部分11包括移动终端51和可穿戴终端52。

移动终端51是诸如例如智能电话、移动电话、平板电脑、笔记本个人计算机、便携式游戏机、便携式运动图像或音乐再现设备之类的移动信息处理终端。

移动终端51包括全球导航卫星系统(GNSS)接收机61、惯性传感器62、环境传感器63、生物传感器64、输入单元65、输出单元66、控制单元67和通信单元68。

GNSS接收机61通过接收来自定位卫星的无线电波测量移动终端51(拥有移动终端51的用户)的当前位置，并把指示测量的当前位置的位置数据提供给控制单元67。

惯性传感器62检测关于移动终端51(拥有移动终端51的用户)的各种惯性数据，并把检测的惯性数据提供给控制单元67。惯性传感器62检测的惯性数据包括例如加速度、角速度等中的一种或多种数据。

环境传感器63检测移动终端51(拥有移动终端51的用户)周围的各种环境数据，并把检测的环境数据提供给控制单元67。环境传感器63检测的环境数据包括例如地磁、大气压、二氧化碳浓度等中的一种或多种数据。

生物传感器64检测用户的各种生物数据，并把检测的生物数据提供给控制单元67。生物传感器64检测的生物数据包括例如心率、排汗量、血压、血氧浓度、肌电位、体温、身体成分、呼吸酒精浓度、最大摄氧量、卡路里消耗、声调、会话速度等中的一种或多种数据。

输入单元65包括用于向移动终端51输入各种数据的输入装置。例如，输入单元65包括按钮、开关、按键、触摸面板、麦克风等之中的一种或多种。输入单元65把输入数据提供给控制单元67。

输出单元66包括用于输出各种信息和数据的输出装置。例如，输出单元66包括显示器、扬声器、蜂鸣器、振动器等中的一种或多种。

控制单元67例如包括诸如各种处理器之类的控制装置。控制单元67基于从GNSS接收机61、惯性传感器62、环境传感器63、生物传感器64和输入单元65供给的数据以及通过通信单元68从外部接收的数据等，进行移动终端51的各个单元的控制以及各种处理。此外，控制单元67把通过各种处理获得的数据提供给输出单元66，或者通过通信单元68把所述数据发送给其他设备。

通信单元68利用预定通信方式与其他设备(诸如，例如车辆12、服务器13和可穿戴终端52)进行通信。作为通信单元68的通信方式，可以采用任意无线或有线方式。此外，通信单元68可以支持多种通信方式。

可穿戴终端52例如是诸如眼镜式、手表式、手镯式、项链式、颈带式、耳机式、头戴式耳机式以及头戴式之类的任意形式的可穿戴终端。

可穿戴终端52包括生物传感器81、输入单元82、输出单元83、控制单元84和通信单元85。

生物传感器81按照与移动终端51的生物传感器64相似的方式检测用户的各种生物数据，并把检测的生物数据提供给控制单元84。注意，由生物传感器81检测的生物数据的类型可以与由移动终端51的生物传感器64检测的生物数据的类型重叠。

输入单元82包括用于向可穿戴终端52输入各种数据的输入装置。例如，输入单元82包括例如按钮、开关、按键、触摸面板、麦克风等之中的一种或多种。输入单元82把输入数据提供给控制单元67。

输出单元83包括用于输出各种信息和数据的输出装置。例如，输出单元83包括显示器、扬声器、蜂鸣器、振动器等中的一种或多种。

控制单元84例如包括诸如各种处理器之类的控制装置。控制单元84基于从生物传感器81和输入单元82供给的数据、通过通信单元85从外部接收的数据等，进行可穿戴终端52的各个单元的控制以及各种处理。此外，控制单元84把通过各种处理获得的数据提供给输出单元83，或者通过通信单元85把数据发送给其他设备。

通信单元85利用预定通信方式与其他设备(诸如，例如车辆12、服务器13和移动终端51)进行通信。作为通信单元85的通信方式，可以采用任意无线或有线方式。此外，通信单元85可支持多种通信方式。

<车辆的构成例子>

图3是图解说明车辆12的一部分的构成例子的框图。车辆12包括车载系统101。车载系统101包括车辆数据获取单元111、视频和语音获取单元112、输入单元113、输出单元114、控制单元115和通信单元116。

车辆数据获取单元111例如包括各种传感器、通信设备、控制装置等。车辆数据获取单元111获取关于车辆12的车辆数据，并把获取的车辆数据提供给控制单元115。由车辆数据获取单元111获取的车辆数据包括例如车速、扭矩、转向角度、偏航角度、齿轮的状态、紧急制动的状态、加速踏板的踩入量、制动踏板的踩入量、方向指示器的状态、灯的状态、轮胎的转动角度和转动速度、指示车载诊断(OBD)的诊断结果的数据(下文中，称为OBD数据)、毫米波雷达、激光雷达等的传感器数据等之中的一种或多种数据。

视频和语音获取单元112例如包括摄像头、麦克风等。除了通常的摄像头以外，设置在视频和语音获取单元112的摄像头还可以是诸如例如飞行时间(ToF)摄像头、立体摄像头和红外摄像头之类的特殊摄像头。视频和语音获取单元112例如获取车辆12的周围及内部的视频和语音，并把指示获取的视频和语音的视频数据和语音数据提供给控制单元115。

输入单元113包括用于把各种数据输入车辆12的输入装置。例如，输入单元113包括按钮、开关、按键、触摸面板等中的一种或多种。输入单元113把输入数据提供给控制单元115。

输出单元114包括用于输出各种信息和数据的输出装置。例如，输出单元114包括显示器(例如平视显示器)、扬声器、蜂鸣器、振动器、仪表板等中的一种或多种。

控制单元115例如包括诸如电子控制单元(ECU)之类的控制装置。控制单元115基于从车辆数据获取单元111、视频和语音获取单元112和输入单元113供给的数据、通过通信单元116从外部接收的数据等，进行车辆12的各个单元的控制以及各种处理。此外，控制单元115把通过各种处理获得的数据提供给输出单元114，或者通过通信单元116把数据发送给其他设备。

通信单元116利用预定通信方式与其他设备(诸如，例如服务器13、移动终端51和可穿戴终端52)进行通信。作为通信单元116的通信方式，可以采用任意无线或有线方式。此外，通信单元116可支持多种通信方式。

<服务器的构成例子>

图4是图解说明服务器13的构成例子的框图。服务器13包括通信单元151、状态估计单元152、周边数据获取单元153、诊断单元154、驾驶行为检测单元155、风险预测单元156、损害预测单元157、提示控制单元158、评价单元159、学习单元160、保险费计算单元161和存储单元162。

通过单元151利用预定通信方式，通过网络14与其他设备(诸如，例如车辆12、移动终端51、可穿戴终端52和其他服务器(未图示))进行通信。作为通信单元151的通信方式，可以采用任意无线或有线方式。此外，通信单元151可支持多种通信方式。

状态估计单元152通过通信单元151，从用户终端部分11和车辆12获取关于用户的状态的数据。状态估计单元152生成并更新状态数据日志，并把状态数据日志存储在存储单元162中，状态数据日志是关于用户的状态的数据的日志。

此外，状态估计单元152基于状态数据日志，利用存储在存储单元162中的状态估计模型，进行用户的状态的估计处理。这里，状态估计模型是用于估计用户的状态的模型，并且例如是为每个用户生成的。状态估计单元152生成并更新估计状态历史，并把估计状态历史存储在存储单元162中，估计状态历史是用户的状态的估计结果的历史。

周边数据获取单元153基于通过通信单元151从用户终端部分11、车辆12和其他服务器(未图示)接收的数据，获取指示车辆12的周边状态的周边数据。周边数据获取单元153把获取的周边数据提供给诊断单元154和风险预测单元156。

诊断单元154从存储单元162获取用户的估计状态历史、驾驶行为历史和驾驶诊断模型。这里，驾驶行为历史是作为驾驶期间的用户或车辆12的行为的驾驶行为的检测结果的历史，并且例如是为每个用户生成的。此外，驾驶诊断模型是用于诊断用户的车辆驾驶的适宜性的驾驶诊断的模型，并且例如是为每个用户生成的。诊断单元154基于获取的历史，利用驾驶诊断模型诊断用户的驾驶。诊断单元154生成并更新驾驶诊断历史，并把驾驶诊断历史存储在存储单元162中，驾驶诊断历史是用户的驾驶诊断结果的历史。

驾驶行为检测单元155通过通信单元151从用户终端部分11和车辆12接收数据。此外，驾驶行为检测单元155从存储单元162获取用户的估计状态历史以及驾驶行为检测模型。这里，驾驶行为检测模型是用于检测驾驶行为的模型，并且例如是为每个用户生成的。此外，驾驶行为检测单元155从损害预测单元157获取关于用户驾驶车辆的风险，以及由于该风险而可能发生的损害的预测结果。驾驶行为检测单元155基于获取的历史、数据等，利用驾驶行为检测模型进行检测用户的驾驶行为的处理。驾驶行为检测单元155生成并更新驾驶行为历史，并把驾驶行为历史存储在存储单元162中，驾驶行为历史是用户的驾驶行为的检测结果的历史。

风险预测单元156从存储单元162获取用户的估计状态历史、驾驶诊断历史、驾驶行为历史以及风险预测模型。这里，风险预测模型是用于预测关于用户驾驶车辆12的风险的模型，并且例如是为每个用户生成的。风险预测单元156基于获取的历史，利用风险预测模型预测风险。风险预测单元156把风险的预测结果提供给损害预测单元157。

损害预测单元157在必要时，利用由评价单元159评价的用户的服从度，预测由风险预测单元156预测的风险所发生的损害。这里，服从度是用户服从地遵循来自服务器13的建议等的程度。损害预测单元157把风险和损害的预测结果提供给驾驶行为检测单元155和提示控制单元158。

提示控制单元158从存储单元162获取用户的驾驶诊断历史以及由保险费计算单元161计算的保险费。提示控制单元158基于风险和损害的预测结果、用户的驾驶诊断历史以及保险费，生成待向用户提示的反馈信息，所述反馈信息包括关于预测的风险的信息。提示控制单元158通过经由通信单元151把生成的反馈信息发送给用户的用户终端部分11或车辆12，控制向用户的反馈信息的提示。此外，提示控制单元158把反馈信息提供给评价单元159。

评价单元159从存储单元162获取用户的估计状态历史和驾驶行为历史。随后，评价单元159基于获取的历史和反馈信息，评价用户的服从度。评价单元159把用户的服从度提供给损害预测单元157，并把服从度存储在存储单元162中。

学习单元160从存储单元162获取用户的估计状态历史。学习单元160基于获取的估计状态历史学习用户的正常状态的模式(下文中，称为正常状态模式)，并把指示获得的正常状态模式的数据存储在存储单元162中。

此外，学习单元160从存储单元162获取包含在预定用户集合中的各个用户的估计状态历史。学习单元160基于获取的估计状态历史学习用户集合内的用户的平均状态的模式(下文中，称为用户集合状态模式)，并把指示获得的用户集合状态模式的数据存储在存储单元162中。

此外，学习单元160从存储单元162获取用户的状态数据日志、估计状态历史、驾驶诊断历史和驾驶行为历史。学习单元160基于获取的日志和历史学习状态估计模型、驾驶诊断模型、驾驶行为检测模型和风险预测模型，并把各个模型存储在存储单元162中。

保险费计算单元161从存储单元162获取用户的驾驶诊断历史、驾驶行为历史和服从度。保险费计算单元161基于获取的历史和服从度，计算用户的汽车保险的保险费。保险费计算单元161将指示计算的保险费的数据存储在存储单元162中。

<驾驶辅助处理>

下面将参考图5和图6中的流程图，说明由服务器13执行的驾驶辅助处理。

注意，尽管下面将主要说明对于一个特定用户(下文中，称为目标用户)要进行的处理，不过实际上，并行地进行对于除目标用户以外的其他用户的处理。

在步骤S1，服务器13开始估计在用户(目标用户)未驾驶时的用户的状态的处理。具体地，例如，开始以下处理。

状态估计单元152从由通信单元151从目标用户的用户终端部分11接收的数据(诸如，例如惯性数据、环境数据、生物数据和输入数据)中获取关于目标用户的状态的数据。状态估计单元152把各项数据连同获取各项数据的时间一起存储在存储单元162中。这样，目标用户的状态数据日志被更新。

注意，目标用户的状态数据日志不仅是关于目标用户他/她自己的状态的数据，还可以包括关于目标用户的周边状态的数据。

状态估计单元152基于最近预定时段内的目标用户的状态数据日志，利用存储在存储单元162中的目标用户的状态估计模型，估计目标用户的当前状态。例如，状态估计单元152估计目标用户的当前生物状态、行为和感情，作为目标用户的当前状态。

例如，如图7中图解所示，状态估计单元152基于指示目标用户的状态的传感器数据组的时序变化，估计预定时段的每帧的目标用户的生物状态和行为。例如，基于目标用户的心率、排汗量等估计目标用户的各种生物状态，比如集中度、觉醒度、疲劳度、压力度、紧张度和运动强度。例如，基于目标用户的加速度、角速度、环境大气压等，估计目标用户的行为的类型(诸如，例如静止、步行、跑步、骑自行车、上下楼梯、吃饭和睡觉)。

此外，例如，状态估计单元152基于目标用户的位置数据、加速度等，估计目标用户的行驶距离、移动速度、活动范围等。

此外，状态估计单元152基于目标用户的生物数据、目标用户的生物状态的估计结果等，估计目标用户的感情。例如，状态估计单元152估计目标用户的喜怒哀乐的程度、兴奋度、焦躁度、不安度等。

注意，目标用户的生物状态和感情不一定都是明确划分的，其中的一些可能相互重叠。例如，兴奋度可以是目标用户的生物状态或者感情。

此外，作为用于估计用户的状态的方法，可以采用任意方法。此外，待估计的用户的状态的类型不限于上述例子，并且可根据需要增加或删除类型。

状态估计单元152把目标用户的估计的状态连同估计该状态的时间一起存储在存储单元162中。这样，目标用户的估计状态历史被更新。

注意，例如，如图7中图解所示，估计状态历史包括如觉醒度之类的其中按时间先后顺序排列每帧的数值的数据，以及如行为之类的其中按时间先后顺序排列对于每帧设置的标签(指示行为的类型)的数据。

在步骤S2，学习单元160判定是否学习用户(目标用户)的正常状态模式(正常状态模式)。例如，在预定定时，比如当目标用户开始利用信息处理系统10时、每当过去预定时段时、以及每当目标用户的估计状态历史的数据量增加等于或大于预定量时，执行目标用户的正常状态模式的学习。随后，在当前是学习目标用户的正常状态模式的定时的情况下，学习单元160学习目标用户的正常状态模式，随后处理进入步骤S3。

在步骤S3，学习单元160学习用户(目标用户)的正常状态模式(正常状态模式)。例如，如图8中图解所示，学习单元160基于目标用户的最近较长时段(例如，以月为单位、以年为单位)内的估计状态历史，学习目标用户的正常状态模式。

例如，学习单元160通过计算以下各个项目的每个预定时段(例如，1分钟、10分钟、30分钟或1小时)的平均、离散等作为目标用户的正常状态模式，学习指示各个项目的预定时段(例如，1天)的正常推移的推移模式。例如，学习目标用户1天的集中度、觉醒度、疲劳度、压力度、紧张度、运动强度、心率、排汗量、运动量、喜怒哀乐的程度、兴奋度、焦躁度、不安度等的正常推移模式。

此外，例如，学习单元160通过计算以下各个项目的每天(例如，一周中的每天)的平均、离散等作为目标用户的正常状态模式，学习各个项目的每个预定时段(例如，一周)的正常推移模式。例如，学习一周的睡眠时段、起床时间、就寝时间、运动量、行驶范围、进餐次数、进餐时间、进餐时间间隙、驾驶时段、驾驶时间间隙、通勤时间间隙、上学时间间隙等的正常推移模式。

此外，学习单元160基于预定的用户集合内的各个用户的估计状态历史，学习用户集合内的平均正常状态模式(用户集合状态模式)，以便与目标用户的正常状态模式比较。

这里，用户集合可包括信息处理系统10的所有用户，或者可以只包括部分的用户。在后一情况下，例如，用户集合可包括与目标用户相似的用户。这里，与目标用户相似的用户例如是其属性(例如，比如年龄、性别、职业和地址)、行为模式、嗜好等与目标用户相似的用户。此外，目标用户可以包含在用户集合中，或者可以不包含在用户集合中。

例如，如图9中图解所示，学习单元160通过统计用户集合内的各个用户的正常状态模式的平均，学习用户集合状态模式。例如，通过在用户集合内统计各个项目的1天的正常推移模式的平均，学习用户集合内的各个项目的1天的平均推移模式。此外，例如，通过在用户集合内统计各个项目的1周的正常推移模式的平均，学习用户集合内的各个项目的1周的平均推移模式。

学习单元160把指示目标用户的正常状态模式以及用户集合状态模式的学习结果的数据存储在存储单元162中。

注意，学习目标用户的正常状态模式的定时不一定需要与学习用户集合状态模式的定时同步，并且可以在不同的定时进行学习。

随后，处理进入步骤S4。

同时，在步骤S2，在判定不学习目标用户的正常状态模式的情况下，步骤S3的处理被跳过，并且处理进入步骤S4。

在步骤S4，诊断单元154进行驾驶员未驾驶时的驾驶诊断。例如，诊断单元154基于目标用户的估计状态历史，针对与上述正常状态模式的项目相同的项目，检测在最近的较短时段(例如，1天和1周)内的推移模式(下文中，称为最近状态模式)。

诊断单元154随后例如如图10中图解所示，计算指示目标用户的最近状态模式与正常状态模式之间的发散度的发散度向量x，和指示目标用户的最近状态模式与用户集合状态模式之间的发散度的发散度向量y。例如，发散度向量x和发散度向量y被设定为指示通过使待比较的2种状态模式之间的每个项目的发散度归一化而获得的值的向量。

诊断单元154随后利用由下式(1)中的函数f表达的目标用户的驾驶诊断模型，计算在目标用户未驾驶时的驾驶适宜性u。

u＝f(x,y,wx,wy)…(1)

注意，wx是发散度向量x的权重，wy是发散度向量y的权重。

随着包含在发散度向量x中的各个项目的发散度变得越小，驾驶适宜性u变得越大。即，随着目标用户的最近状态模式越接近正常状态模式，换句话说，目标用户的最近状态与正常状态之间的差异越小，判定该状态更适合于驾驶。同时，随着包含在发散度向量x中的各个项目的发散度变得越大，驾驶适宜性u变得越小。即，随着目标用户的最近状态模式越远离正常状态模式，换句话说，目标用户的最近状态与正常状态之间的差异越大，判定该状态不太适合于驾驶。

此外，随着包含在发散度向量y中的各个项目的发散度变得越小，驾驶适宜性u变得越大。即，随着目标用户的最近状态模式越接近用户集合状态模式，换句话说，目标用户的最近状态与用户集合中的平均状态之间的差异越小，判定该状态更适合于驾驶。同时，随着包含在发散度向量y中的各个项目的发散度变得越大，驾驶适宜性u变得越小。即，随着目标用户的最近状态模式越远离用户集合状态模式，换句话说，目标用户的最近状态与用户集合中的平均状态之间的差异越大，判定该状态不太适合于驾驶。

注意，随着权重wx变得越大，发散度向量x(即，目标用户的最近状态模式与正常状态模式之间的差异)对于驾驶适宜性u的影响变得越大。同时，随着权重wy变得越大，发散度向量y(即，目标用户的用户集合状态模式与正常状态模式之间的差异)对于驾驶适宜性u的影响变得越大。

此外，例如，在驾驶适宜性u小于预定阈值的情况下，诊断单元154估计驾驶适宜性u的下降原因。例如，诊断单元154在发散度向量x中提取其中权重wx与发散度之积等于或大于预定值的项目。此外，诊断单元154在发散度向量y中提取其中权重wy与发散度之积等于或大于预定值的项目。诊断单元154随后通过对于每个提取的项目比较最近状态模式与正常状态模式或用户集合平均模式，估计驾驶适宜性u的下降原因。

例如，在目标用户的最近状态模式中的睡眠时段大幅低于正常状态模式或用户集合平均模式的情况下，睡眠不足被估计为下降原因。

例如，在目标用户的最近状态模式中的运动时段、心率和排汗量中的一个或多个大幅超过正常状态模式或用户集合平均模式的情况下，剧烈运动所致的身体疲惫被估计为下降原因。

例如，在目标用户的最近状态模式中的压力度、紧张度和焦躁度中的一个或多个大幅超过正常状态模式或用户集合平均模式的情况下，目标用户的焦躁被估计为下降原因。

注意，在驾驶适宜性u等于或大于预定阈值的情况下，例如，不存在驾驶适宜性u下降的特定原因。

诊断单元154把驾驶适宜性u和估计的下降原因作为目标用户的驾驶适宜性的诊断结果，连同进行该诊断的时间一起存储在存储单元162中。这样，目标用户的驾驶诊断历史被更新。

在步骤S5，风险预测单元156预测风险。具体地，风险预测单元156从存储单元162获取目标用户的驾驶诊断历史以及风险预测模型。风险预测单元156基于目标用户的驾驶诊断历史，利用目标用户的风险预测模型，预测在当前时刻目标用户进行驾驶的情况下的风险。

例如，在驾驶适宜性u的下降原因是睡眠不足或者身体疲惫的情况下，估计存在瞌睡驾驶的风险。

例如，在驾驶适宜性u的下降原因是目标用户的焦躁的情况下，例如，估计存在由于超速、危险超车等而与其他车辆碰撞或接触，以及由于目标用户不注意而与障碍物(诸如，例如其他车辆、自行车和行人)碰撞、接触等的风险。

此外，风险预测单元156估计预测的风险的发生概率。例如，随着目标用户的睡眠时段越短，估计的瞌睡驾驶的发生概率变得越高。

注意，一般，随着驾驶适宜性u越低，预测的风险以及风险的发生概率变得越大。

风险预测单元156把风险的预测结果提供给损害预测单元157。该风险的预测结果包含预测的风险、风险的预测根据(例如，驾驶适宜性u的下降原因)以及风险的发生概率。

在步骤S6，损害预测单元157预测损害。具体地，损害预测单元157预测因风险预测单元156预测的风险而发生的损害(例如，风险/惩罚值)。这种情况下，要考虑到风险的发生概率。即，随着发生概率越高，则预测的损害变得越大，而随着发生概率越低，则预测的损害变得越小。损害预测单元157把风险和损害的预测结果提供给驾驶行为检测单元155和提示控制单元158。

在步骤S7，驾驶行为检测单元155调整驾驶行为的检测参数。例如，驾驶行为检测单元155按照预测的风险和损害，调整用于在各种驾驶行为中检测危险驾驶的参数。

这里，与危险驾驶的检测相关的驾驶行为例如是诸如突然操作(比如突然启动、突然加速、突然刹车和突然转向)、蛇形驾驶、瞌睡驾驶、觉醒度和集中度的下降、不专心驾驶、注意力分散、超速、危险超车、车之间距离不足和接近障碍物之类的危险驾驶行为。

此外，检测参数被调整，以使得随着估计的风险和损害变得越大，待检测的危险驾驶的等级(风险度)变得越低。这样，在较早并且较轻微阶段中检测出危险驾驶。

例如，在预测到瞌睡驾驶的发生的情况下，睡意判定中的眨眼次数的阈值设置得较小，以使得更早地检测用户的睡意。例如，在预测不专心驾驶、注意力分散、超速等的发生的情况下，用于检测突然加速和突然刹车的阈值设置得较小，以使得更易于检测突然加速和突然刹车。

此外，随着待检测的危险驾驶的等级变得越低，待预测的风险的等级(风险度)变得越低。即，预测在较早并且较轻微阶段的风险。

这里，待检测的危险驾驶的等级和待预测的风险的等级按照目标用户的驾驶适宜性u变化。例如，如上所述，一般随着驾驶适宜性u变得越低，预测的风险以及损害的发生概率变得越大，并且预测的损害也变得越大。于是，调整检测参数，以使得待检测的危险驾驶的等级变得更低。结果，随着驾驶适宜性u变得越低，待检测的危险驾驶的等级和待预测的风险的等级变得越低。

在步骤S8，提示控制单元158判定是否向用户(目标用户)提供反馈。给目标用户的反馈是在预定定时执行的。例如，在诸如当从目标用户的用户终端部分11发送反馈请求时、每当过去预定时段时、以及当预测到重大风险时之类的定时执行反馈。提示控制单元158随后在当前是向目标用户提供反馈的定时的情况下判定向目标用户提供反馈，并且处理随后进入步骤S9。

在步骤S9，服务器13向用户(目标用户)提供反馈。具体地，提示控制单元158生成待向目标用户提示的反馈信息。该反馈信息包括例如目标用户的驾驶诊断结果、预测的风险的内容、驾驶诊断结果的根据或者风险预测的根据、以及避免风险的建议(下文中，称为风险规避建议)中的一个或多个。提示控制单元158通过通信单元151，把生成的反馈信息发送给目标用户的用户终端部分11。

例如，在目标用户的移动终端51接收到反馈信息的情况下，移动终端51的输出单元66利用视觉信息(例如，视频)或听觉信息(例如，语音)至少之一，向目标用户提示反馈信息。此外，例如，在目标用户的可穿戴终端52接收到反馈信息的情况下，可穿戴终端52的输出单元83利用视觉信息或听觉信息至少之一，向目标用户提示反馈信息。

例如，在估计目标用户睡眠不足的情况下，输出如“你睡眠不足。建议你睡一会儿再驾驶”之类的语音消息。

此外，例如，作为目标用户的驾驶诊断结果，以预定级别(例如，10个级别)的值提示驾驶适宜性u，并且提示其根据。

此外，例如，可以提示目标用户的状态的估计结果。例如，可以预定级别(例如，10个级别)的值提示诸如目标用户的喜怒哀乐、兴奋度和攻击性之类的情绪商数。

之后，处理进入步骤S10。

同时，在步骤S8，在判定不向目标用户提供反馈的情况下，步骤S9中的处理被跳过，并且处理进入步骤S10。

在步骤S10，状态估计单元152判定用户(目标用户)是否开始驾驶。具体地，状态估计单元152基于通过通信单元151从目标用户的用户终端部分11或车辆12中的至少一个接收的数据，判定目标用户是否开始驾驶。

判定驾驶开始的处理可以在用户终端部分11、车辆12和服务器13中的任何一个处进行。例如，移动终端51可通过进行目标用户的驾驶识别处理或者通过与车辆12实现信标同步，执行判定驾驶开始的处理。此外，例如，与车辆12的车载显示装置等一体化的测量设备可执行判定驾驶开始的处理。

注意，在用户终端部分11或车辆12进行判定处理的情况下，判定结果包含在从用户终端部分11或车辆12发送的数据中，并且状态估计单元152基于判定结果判定目标用户是否开始驾驶。

随后，在判定目标用户未开始驾驶的情况下，处理返回步骤S2。之后在步骤S10，在判定目标用户开始驾驶之前，重复执行从步骤S2到步骤S10的处理。这样，酌情进行目标用户的驾驶诊断、风险预测及损害预测，并基于结果进行危险驾驶的检测参数的调整以及向目标用户的反馈。此外，酌情更新目标用户的正常状态模式以及用户集合状态模式。

同时，在步骤S10，在判定目标用户开始驾驶的情况下，处理进入步骤S11。

在步骤S11，服务器13开始估计驾驶期间的用户(目标用户)的状态的处理。该估计处理与步骤S1的估计处理的极大不同之处在于除了来自目标用户的用户终端部分11的数据之外，还基于从车辆12发送的数据进行估计处理。

例如，基于来自车辆12的视频数据检测目标用户的视线、眨眼、表情等，并用于估计目标用户的集中度、觉醒度、疲劳度、感情等。此外，例如，基于来自车辆12的车辆数据，估计目标用户的驾驶操作的内容等。

此外，例如，基于车辆12的行驶路线和目标用户进行驾驶的时间间隙，估计目标用户的状态。例如，在目标用户在目标用户的心率和运动量迅速增大后、或者在与正常时间间隙不同的时间间隙(例如，在午夜或者在凌晨)驾驶的情况下，或者在车辆12在目标用户的日常生活范围之外行驶的情况下，估计目标用户可能会被某种紧急事态激怒。

此外，状态估计单元152按照与步骤S1的处理类似的方式，酌情更新目标用户的状态数据日志以及估计状态历史。

在步骤S12，周边数据获取单元153开始获取车辆12的周边数据。例如，周边数据获取单元153基于从用户终端部分11或车辆12发送的位置信息、通过通信单元151从其他服务器等接收的地图信息等，检测在目标用户的车辆12周围的建筑物、道路、拥堵、气候等。此外，例如，周边数据获取单元153基于从用户终端部分11或车辆12发送的视频数据、语音数据、传感器数据等，检测在车辆12周围的物体(诸如，例如车辆、人、障碍物、建筑物、道路、交通灯、交通标志和道路上的标志)。注意，用户终端部分11或车辆12可以进行检测车辆12周围的物体的处理，并把检测结果发送给服务器13。

周边数据获取单元153把获取的车辆12的周边数据提供给诊断单元154和风险预测单元156。

在步骤S13，服务器13开始检测驾驶行为的处理。具体地，例如，开始以下处理。

驾驶行为检测单元155从通信单元151获取通过通信单元151从目标用户的用户终端部分11和车辆12接收的数据中的关于驾驶行为(例如，驾驶期间的目标用户或车辆12的行为)的数据。此外，驾驶行为检测单元155基于获取的关于驾驶行为的数据、存储在存储单元162中的目标用户的估计状态历史、以及从周边数据获取单元153获取的车辆12的周边数据，利用存储在存储单元162中的目标用户的驾驶行为检测模型检测驾驶行为。即，检测驾驶期间的目标用户的行为和车辆12的行为。例如，检测车辆12的速度、加速度、减速度、制动操作、转向角度、行驶路线等。

注意，驾驶期间的目标用户的行为的一部分可以在步骤S11中由状态估计单元152检测(估计)。

此外，驾驶行为的检测可以在用户终端部分11、车辆12和服务器13中的任意一个处进行，并且可以在用户终端部分11、车辆12和服务器13之间分担。

驾驶行为检测单元155随后基于检测的驾驶行为、目标用户的估计状态历史以及车辆12的周边数据，进行检测危险驾驶的处理。

例如，根据基于OBD信息等的车辆12的速度、转向角度、扭矩等的突然波动，或者利用用户终端部分12检测的加速度、角速度等的突然波动，检测突然操作。

例如，根据基于OBD信息等的车辆12的速度、转向角度、扭矩等的周期波动，或者利用用户终端部分12检测的加速度、角速度等的周期波动，检测蛇形驾驶。

例如，根据利用立体摄像头、激光雷达或毫米波雷达检测的前车的位置，检测车之间距离不足。

这里，在上述步骤S7或者在下面将说明的步骤S20中调整的检测参数用于检测危险驾驶的处理。于是，如上所述，随着目标用户的驾驶适宜性u变得越低，待检测的危险驾驶的等级变得越低，以使得检测目标在较早并且较轻微阶段被检测为危险驾驶。

驾驶行为检测单元155把驾驶行为的检测结果连同检测驾驶行为的时间一起存储在存储单元162中。这样，目标用户的驾驶行为历史被更新。

在步骤S14，诊断单元154进行驾驶期间的驾驶诊断。例如，诊断单元154基于在用户开始驾驶之后的目标用户的估计状态历史和驾驶行为历史，利用存储在存储单元162中的目标用户的驾驶诊断模型校正驾驶适宜性u。

例如，在目标用户的集中度或觉醒度降低或者目标用户的疲劳度、压力度或紧张度增大的情况下，驾驶适宜性u降低。同时，例如，在目标用户的集中度或觉醒度增大或者目标用户的疲劳度、压力度或紧张度降低的情况下，驾驶适宜性u增大。此外，例如，在检测到危险驾驶的情况下，驾驶适宜性u按照检测频度降低。同时，在未检测到危险驾驶的状态持续的情况下，驾驶适宜性u按照持续时间增大。

注意，可基于目标用户的驾驶操作是好还是差，比如制动踏板和加速踏板的踩入的平滑度、转弯时的方向盘的操纵方式、以及加速和减速的平滑度，校正驾驶适宜性u。

诊断单元154把校正后的驾驶适宜性u和估计的下降原因作为目标用户的驾驶适宜性的诊断结果，连同进行该诊断的时间一起存储在存储单元162中。这样，目标用户的驾驶诊断历史被更新。

在步骤S15，风险预测单元156预测风险。这里，和步骤S5的处理不同，除了目标用户的驾驶诊断历史之外，风险预测单元156还利用存储在存储单元162中的目标用户的估计状态历史及驾驶行为历史预测风险。例如，即使目标用户的驾驶适宜性u较高，随着危险驾驶的检测频度变得越高以及随着检测到的危险驾驶的风险度变得越高，预测的风险也变得越大。同时，例如，即使目标用户的驾驶适宜性u较低，在未检测到危险驾驶的情况下，预测的风险也变得较小。这样，由于还利用目标用户在驾驶期间的实际状态和驾驶行为预测风险，因此与步骤S5的处理相比提高了风险预测的精度。

此外，除了风险以及风险的发生概率之外，风险预测单元156还可预测未来风险的发生概率变高的时间(下文中，称为风险增大时间)。例如，风险预测单元156基于目标用户的集中度、紧张度或者觉醒度的时序变化，估计目标用户的集中度、紧张度或者觉醒度低于预定阈值的时间作为风险增大时间。

风险预测单元156把风险的预测结果提供给损害预测单元157。该风险的预测结果包括所预测风险的内容、风险的预测根据(例如，驾驶适宜性u的下降原因和危险驾驶的检测结果)，以及风险的发生概率。此外，必要时，预测结果包括风险增大时间。

在步骤S16，按照与步骤S6的处理类似的方式，预测损害。然而，与步骤S6的处理不同，损害预测单元157还利用目标用户的服从度预测损害。即，随着目标用户的服从度越高，风险被避免的可能性变得越高，而随着服从度越低，风险被避免的可能性变得越低。于是，随着服从度越高，预测的损害变得越小，而随着服从度越低，预测的损害变得越大。损害预测单元157把风险和损害的预测结果提供给驾驶行为检测单元155和提示控制单元158。

这里，待检测的危险驾驶的等级和待预测的风险的等级按照目标用户的服从度而变化。例如，如上所述，随着目标用户的服从度变得越低，预测的风险的损害变得越大。于是，调整检测参数，以使得待检测的危险驾驶的等级变得更低。结果，随着服从度变得越低，待检测的危险驾驶的等级和待预测的风险的等级变得越低。

在步骤S17，提示控制单元158判定是否向用户(目标用户)提供反馈。例如，在预测到需要通知目标用户的风险的发生的情况下，提示控制单元158判定向目标用户提供反馈，并且处理进入步骤S18。

在步骤S18，按照和步骤S8的处理类似的方式，向目标用户提供反馈。这里，将说明待向目标用户提示的反馈信息的具体例子。

例如，在估计目标用户睡眠不足的情况下，当检测到突然操作或蛇形驾驶时，唤起对危险驾驶的注意。例如，在目标用户的用户终端部分11或者车辆12处输出如“你睡眠不足。请小心驾驶”之类的语音消息。例如，“请小心驾驶”的部分是风险规避建议，并且“你睡眠不足”是提示风险规避建议的根据。

例如，在估计目标用户位于日常生活范围之外的情况下，或者在估计目标用户感到强烈压力的情况下，当检测到接近前车时唤起对危险驾驶的注意。例如，在目标用户的用户终端部分11或者车辆12处输出如“你赶时间吗？让我们冷静地驾驶”之类的语音消息。例如，“让我们冷静地驾驶”的部分是风险规避建议，并且“你赶时间吗？”的部分是提示风险规避建议的根据。

例如，在估计目标用户在驾驶前进行了剧烈运动的情况下，当检测到目标用户的视线集中于一点时，或者当在车辆12周围检测到许多行人时，唤起对危险驾驶的可能性的注意。例如，在目标用户的用户终端部分11或者车辆12，输出如“你困了吗？驾驶时请注意周围环境”之类的语音消息。例如，“驾驶时请注意周围环境”的部分是风险规避建议，并且“你困了吗？”的部分是提示风险规避建议的根据。

例如，在估计目标用户位于日常生活范围之外的情况下，或者在估计目标用户睡眠不足的情况下，当在目标用户在高速公路上驾驶的时候检测到突然操作或蛇形驾驶时，唤起对危险驾驶的注意。例如，在目标用户的用户终端部分11或者车辆12处输出如“你为什么不在下一个服务区休息一下呢？你昨天睡眠不足，而你现在在蛇形驾驶”之类的语音消息。例如，“你为什么不在下一个服务区休息一下呢？”的部分是风险规避建议，并且“你昨天睡眠不足，而你现在在蛇形驾驶”的部分是提示风险规避建议的根据。

例如，在估计目标用户睡眠不足或者处于极度紧张状态的情况下，当频繁检测到危险驾驶时，唤起对汽车保险的保险费的增加的注意，并提示增加的原因。例如，在目标用户的用户终端部分11或者车辆12处输出如“你因睡眠不足(或紧张)而频繁危险驾驶。如果超过x次检测到危险驾驶，则将丧失保险费的返现权”之类的语音消息。例如，“如果超过x次检测到危险驾驶，则将丧失保险费的返现权”的部分是对目标用户的警告，并且“你因睡眠不足(或紧张)而频繁危险驾驶”的部分是所述警告的根据。

例如，在估计目标用户行驶在位于日常生活范围之外的不熟悉道路上并且估计了归因于疲劳的风险增大时间的情况下，输出如“你不累吗？你为什么不在服务区A休息一下呢？”之类的语音消息。注意，服务区A是估计在风险增大时间之前目标用户的车辆12可到达的服务区。例如，“你为什么不在服务区A休息一下呢？”的部分是风险规避建议，并且“你不累吗？”是提示风险规避建议的根据。

注意，可以使风险规避建议是更具体的内容，例如，如“请减速到60km/h”、“请立即面向前方”之类。

此外，提示控制单元158把反馈信息提供给评价单元159。

在步骤S19，评价单元159评价用户(目标用户)的服从度。具体地，评价单元159从存储单元162获取在反馈被提供给目标用户之后的目标用户的估计状态历史和驾驶行为历史。评价单元159随后基于获取的历史，检测目标用户对反馈的响应(例如，驾驶的内容)。

此外，评价单元159基于目标用户的响应，更新目标用户的服从度的评价值。例如，在本次提示的反馈信息包括风险规避建议并且目标用户遵循风险规避建议的情况下，目标用户的服从度增加。此外，随着在目标用户遵循风险规避建议之前的时段越短(响应速度越快)，或者随着目标用户的响应与风险规避建议之间的差异越小，目标用户的服从度的增加变得越大。相反，随着在目标用户遵循风险规避建议之前的时段越长(响应速度越慢)，或者随着目标用户的响应与风险规避建议之间的差异越大，目标用户的服从度的增加变得越小。

同时，在目标用户未遵循风险规避建议的情况下，例如，在目标用户无视风险规避建议的情况下、或者在目标用户与风险规避建议不同地作出响应的情况下，目标用户的服从度下降。特别地，在目标用户不遵循风险规避建议地危险驾驶的情况下，目标用户的服从度的下降会变得更大。

评价单元159把更新的目标用户的服从度提供给损害预测单元157，并把更新的目标用户的服从度存储在存储单元162中。

之后，处理进入步骤S20。

同时，在步骤S17判定没有向目标用户提供反馈的情况下，步骤S18和步骤S19的处理被跳过，处理进入步骤S20。

在步骤S20，按照与步骤S7的处理类似的方式，调整驾驶行为的检测参数。

在步骤S21，状态估计单元152判定用户是否停止驾驶。即，状态估计单元152按照与步骤S10的判定开始驾驶的处理类似的方式，基于通过通信单元151从目标用户的终端设备部分11或车辆12中的至少一个接收的数据，判定目标用户是否停止驾驶。

随后，在判定目标用户未停止驾驶的情况下，处理返回步骤S14。之后，在步骤S21判定目标用户停止驾驶之前，重复执行从步骤S14到步骤S21的处理。这样，酌情进行目标用户的驾驶诊断、风险预测及损害预测，并基于结果进行危险驾驶的检测参数的调整以及向目标用户的反馈。此外，酌情更新目标用户的服从度。

同时，在步骤S21判定目标用户停止驾驶的情况下，处理进入步骤S22。

在步骤S22，按照与步骤S1的处理类似的方式，开始估计在目标用户未驾驶时的目标用户的状态的处理。

在步骤S23，周边数据获取单元153停止车辆12的周边数据的获取。

在步骤S24，驾驶行为检测单元155停止检测驾驶行为的处理。

在步骤S25，学习单元160进行学习处理。例如，学习单元160基于存储在存储单元162中的目标用户的状态数据日志、估计状态历史、驾驶诊断历史和驾驶行为历史，学习状态估计模型、驾驶诊断模型、驾驶行为检测模型和风险预测模型。

例如，在尽管驾驶适宜性u被评价为低但进行安全驾驶的情况下，指示驾驶诊断模型的上述表达式(1)中的权重wx和权重wy被设定得较小。这样，目标用户的驾驶适宜性u被评价为比以前评价的更高。相反，在尽管驾驶适宜性u被评价为高但频繁进行危险驾驶的情况下，表达式(1)中的权重wx和权重wy被设定得较大。这样，目标用户的驾驶适宜性u被评价为比以前评价的更低。

此外，例如，在尽管目标用户的最近状态模式与用户集合状态模式之间的差异较大并且驾驶适宜性u被评价为低，但进行安全驾驶的情况下，上述表达式(1)中的权重wx被设定得较大，而权重wy被设定得较小。即，在驾驶诊断中，更注重目标用户的最近状态模式与正常状态模式之间的差异。

注意，例如，在目标用户开始利用服务之初，使用通过预先进行的实验等获得的对应于平均用户的模型。之后，通过学习处理，各个模型被更新(个性化)成更适合于目标用户的模型。

注意，每次目标用户的驾驶结束时不一定都必须进行该学习处理，可以在任意定时，诸如例如针对每个预定时段、每当进行预定次数的驾驶时、以及每当驾驶时段增加预定时段以上时，进行该学习处理。此外，不一定必须对所有模型同时进行学习处理，对于各个模型可以在不同的定时进行学习处理。

此外，例如，学习单元160可基于在估计状态历史中指示的驾驶前和驾驶期间的目标用户的疲劳度的推移，学习预测目标用户的疲劳度的疲劳度估计模型。例如，状态估计单元152可利用疲劳度估计模型，估计目标用户在行驶计划路线的各个地点处的疲劳度。此外，例如，通过学习单元160在考虑车辆12周围的状态，比如时间间隙、气候、拥堵状态和道路的类型(例如，普通道路或高速公路)的同时学习疲劳度估计模型，可以提高疲劳度的估计精度。

此外，作为学习处理的方法，例如，可以使用诸如神经网络之类的机器学习和其他任意方法。

在步骤S26，保险费计算单元161计算用户(目标用户)的保险费。例如，在目标用户的汽车保险的保险费或者对于保险费的返现金额实时浮动的情况下，保险费计算单元161基于存储在存储单元162中的目标用户的驾驶诊断历史、驾驶行为历史和服从度，更新保险费或返现金额。保险费计算单元161把更新的目标用户的保险费或返现金额存储在存储单元162中。

例如，随着驾驶适宜性u的平均值越低，保险费增加(或者返现金额减少)，而随着驾驶适宜性u的平均值越高，保险费减少(或者返现金额增加)。

此外，例如，随着危险驾驶的频度或累积次数越大，保险费增加(或者返现金额减少)，而随着危险驾驶的频度或累积次数越小，保险费减少(或者返现金额增加)。此外，例如，随着对于危险驾驶预测的损害的平均或总和越高，保险费增加(或者返现金额减少)，而随着对于危险驾驶预测的损害的平均或总和越低，保险费减少(或者返现金额增加)。

此外，例如，随着服从度越低，保险费增加(或者返现金额减少)，因为不能期待风险的降低，而随着服从度越高，保险费减少(或者返现金额增加)，因为可以期待风险的降低。特别地，在目标用户不遵循风险规避建议地危险驾驶的情况下，例如，作为惩罚，保险费的增加(或者返现金额的减少)变得更大。

注意，每次目标用户的驾驶结束时不一定都必须进行该保险费计算处理，可以在任意定时，诸如例如针对每个预定时段、每当进行预定次数的驾驶时、以及每当驾驶时段增加预定时段以上时，进行该保险费计算处理。

此外，例如，可以在下次保险更新时，为了计算保险费的估计金额而执行该保险费计算处理。

此外，例如，在保险是针对每次驾驶或者以每天为单位的汽车保险的情况下，可以通过在驾驶之前执行该保险费计算处理来计算保险费。这种情况下，例如，利用目标用户的驾驶适宜性u或服从度至少之一，计算保险费。

此外，可作为反馈信息，向目标用户提示计算的保险费或返现金额。

之后，处理返回步骤S2，并且执行步骤S2中的处理和后续处理。

例如，除了用户在驾驶期间的状态之外，驾驶行为还受用户在驾驶前的状态(诸如，例如行为、生物状态和感情)影响。相反，如上所述，通过除了用户在驾驶期间的状态和驾驶行为之外，还复合考虑用户在驾驶前的状态，更适当地评价驾驶适宜性u。此外，通过改善驾驶适宜性u的精度，风险预测和损害预测的精度得到改善。结果，可以在更适当的定时提示适当的反馈信息，以使得能够改善安全性并且防止事故的发生。

此外，由于在反馈信息中指示驾驶诊断的结果的根据或者预测风险的根据，因此用户更加被说服，以使得用户遵循风险规避建议的概率增大。此外，在提示的根据是错误的情况下，例如，通过用户指令服务器13校正该根据并把校正反映在学习处理上，驾驶诊断模型和风险预测模型的精度得到改善。

此外，作为评价用户的服从度、以及要检测的危险驾驶的等级和要预测的风险的等级基于服从度而变化的结果，用户可以更可靠地避免风险。

此外，通过基于驾驶适宜性u和服从度以及用户的驾驶行为计算汽车保险的保险费(包括返现金额)，可以针对每个用户设定更适当的保险费。这样，例如，可以激励用户遵循风险规避建议，以使得用户可以更可靠地避免风险。

<<2.变形例>>

下面，将说明按照上述本公开的技术的实施例的变形例。

<与系统构成相关的变形例>

图1至图4中的信息处理系统10的构成例子是示例，并且可以根据需要进行变更。

例如，尽管在上面的说明中，已经说明了其中服务器13基于从用户终端部分11和车辆12(车载系统101)获取的数据进行大部分处理的例子，不过例如，处理可以在用户终端部分11、车辆12和服务器13之间分担，或者处理可以由用户终端部分11单独进行或者由车辆12单独进行。

例如，用户终端部分11或车辆12中的至少一个可以进行服务器13的部分或全部处理。

例如，用户终端部分11或车辆12中的至少一个可以进行状态估计单元152、驾驶行为检测单元155和评价单元159的部分或全部处理，并且可把估计结果和检测结果发送给服务器13。

例如，用户终端部分11或车辆12中的至少一个可以进行周边数据获取单元153的部分或全部处理，并且可把获取的周边数据发送给服务器13。

例如，用户终端部分11或车辆12中的至少一个可以进行诊断单元154、风险预测单元156和损害预测单元157的部分或全部处理，并且可把诊断结果和预测结果发送给服务器13。

此外，例如，关于驾驶辅助的处理可以在用户终端部分11进行。这种情况下，用户终端部分11可以由多个装置构成，或者可以由单个装置构成。此外，用户终端部分11可以从车辆12获取各种数据(诸如，例如车辆数据、视频数据和语音数据)，并可在处理中使用该数据，或者不必在处理中使用来自车辆12的数据。此外，在驾驶诊断处理中可以使用或者不必使用用户集合状态模式。在使用用户集合状态模式的情况下，例如，服务器13基于从各个用户的用户终端部分11获取的各个用户的正常状态模式，学习用户集合状态模式。服务器13随后把指示用户集合状态模式的数据发送给各个用户的用户终端部分11。

这种情况下，计算保险费的处理可以在用户终端部分11和服务器13中的任意一个处进行。在所述处理是在用户终端部分11处进行的情况下，例如，从服务器13提供用于进行计算保险费的处理的应用程序。同时，在所述处理是在服务器13处进行的情况下，例如，计算保险费所需的数据从用户终端部分11提供给服务器13。

此外，例如，在关于驾驶辅助的处理之中，除了估计在用户未驾驶时的用户的状态的处理和学习正常状态模式的处理以外的几乎所有的处理都可以在车辆12(车载系统101)处进行。这种情况下，例如，用户终端部分11进行估计在用户未驾驶时的用户的状态的处理和学习正常状态模式的处理，并且在驾驶前将指示作为结果获得的估计状态历史和正常状态模式的数据发送给车辆12。车辆12随后执行剩余的处理。这种情况下，在驾驶诊断处理中可以使用或者不必使用用户集合状态模式。在使用用户集合状态模式的情况下，例如，服务器13基于从各个用户的用户终端部分11获取的各个用户的正常状态模式，学习用户集合状态模式。服务器13随后把指示用户集合状态模式的数据发送给各个用户的用户终端部分11或车辆12。

这种情况下，计算保险费的处理可以在用户终端部分11、车辆12和服务器13中的任意一个处进行。在所述处理是在用户终端部分11或车辆12处进行的情况下，例如，从服务器13提供用于进行计算保险费的处理的应用程序。同时，在所述处理是在服务器13处进行的情况下，例如，计算保险费所需的数据从用户终端部分11和车辆12提供给服务器13。

此外，例如，处理可以在用户终端部分11和服务器13之间分担。这种情况下，在所述处理中可以使用或者不必使用来自车辆12的数据。

此外，例如，处理可以在车辆12和服务器13之间分担。这种情况下，例如，处理所需的数据(诸如，例如用户的正常状态模式和最近状态模式)从用户终端部分11提供给车辆12和服务器13。

此外，例如，处理可以在多个服务器之间分担。例如，关于驾驶辅助的处理和关于保险费的计算的处理可以在不同的服务器处进行。

此外，例如，车辆12与服务器13之间的通信可以通过用户终端部分11进行。这种情况下，例如，来自车辆12的数据一旦被发送给用户终端部分11之后，该数据就从用户终端部分11被传递给服务器13。此外，在来自服务器13的数据一旦被发送给用户终端部分11之后，该数据就从用户终端部分11被传递给车辆12。

此外，例如，用户终端部分11与服务器13之间的通信可以通过车辆12进行。这种情况下，例如，来自用户终端部分11的数据一旦被发送给车辆12之后，该数据就从车辆12被传递给服务器13。此外，在来自服务器13的数据一旦被发送给车辆12之后，该数据就从车辆12被传递给用户终端部分11。

此外，例如，代替估计状态历史，可以直接利用在估计用户的状态之前的状态数据日志进行诊断单元154的驾驶诊断、利用风险预测单元156的风险预测，以及利用驾驶行为检测单元155的驾驶行为的检测。这种情况下，可以除去状态估计单元152。

<其他变形例>

例如，除了用户的最近状态模式与正常状态模式或用户集合平均模式之间的发散度之外，还可利用用户的当前状态计算驾驶适宜性u。例如，即使用户的最近状态模式与正常状态模式之间的差异较小，例如，在用户的觉醒度较低或者用户兴奋或变得沮丧的情况下，进行危险驾驶的可能性也较高。于是，例如，在指示用户的状态的各个项目之中，就极大地影响驾驶的项目而言，这些项目的当前状态(例如，觉醒度、兴奋度、沮丧度)可用于计算驾驶适宜性u。

此外，用户的估计状态不局限于上述的生物状态、行为和感情这三种类型。例如，也可以只估计上述三种类型中的一种或两种，或者估计其他类型的状态。

此外，例如，也可以利用用户的通常不被认为直接影响驾驶的行为来计算驾驶适宜性u。例如，在基于用户的购买历史，用户购买与正常趋势不同的东西的情况下(例如，在用户购买极其昂贵的物品的情况下)，假定用户的状态(例如，感情)与正常状态不同。于是，例如，用户的购买历史可用于计算驾驶适宜性u。

此外，例如，基于在用户未驾驶时的用户的状态检测的、作为也会影响驾驶的能力的用户的能力可用于计算驾驶适宜性u。例如，也可以对日常生活有能力的用户设定较高的驾驶适宜性u，而对日常生活不太有能力的用户设定较低的驾驶适宜性u。

注意，这种情况下，例如，即使有能力的用户和不太有能力的用户以相似的方式频繁重复车道变更，对于有能力的用户预测的风险也变得较低，而对于不太有能力的用户预测的风险也变得较高。然而，即使用户有能力，在用户在忽略提示的减少车道变更的风险规避建议的同时重复车道变更的情况下，由于服从度被评价为低，因此预测的风险变高。

此外，例如，也可以只基于用户的状态的估计结果、驾驶诊断的结果和驾驶行为的检测结果之中的一个或两个结果来预测风险。此外，例如，在利用驾驶诊断的结果来预测风险的情况下，可以只使用驾驶前的驾驶适宜性u和驾驶期间的驾驶适宜性u之一。

此外，例如，可以只基于驾驶前的用户状态和驾驶期间的用户状态之一，进行驾驶诊断。

此外，例如，也可以利用估计状态历史、驾驶诊断历史和驾驶行为历史来调查事故的发生原因。例如，通过把估计状态历史、驾驶诊断历史和驾驶行为历史记录在行车记录仪中，除了事故发生时的用户(驾驶员)的状态和行为之外，还可以基于用户在驾驶前的状态来调查事故的发生原因。

此外，例如，用户终端部分11或车辆12能够从其他用户的用户终端部分11或车辆12、或者服务器13获取其他用户的驾驶适宜性u、风险预测的结果等。这样，例如，在驾驶适宜性u较低的用户所驾驶的危险车辆位于附近的情况下，例如，通过预先获取该信息，用户可避免他/她自己被卷入危险车辆所引起的事故中。

此外，不一定需要使状态估计模型、驾驶诊断模型、驾驶行为检测模型和风险预测模型个性化，也可以使用利用预定算法等的模型。此外，例如，在不对于每个用户进行模型的上述学习的情况下，例如，可以作为整个用户集合地进行模型的上述学习，从而各个用户可使用公共模型。

此外，例如，可以基于用户的服从度，变更提示反馈信息的方法、提示频度、提示的内容等。

<应用例>

除了上述车辆之外，例如，在诸如摩托车、自行车、个人移动工具、飞机、轮船、建筑机械和农业机械(拖拉机)之类的各种移动体的驾驶的情况下，也可以应用本技术的驾驶辅助处理。即，可以利用驾驶前及驾驶期间的用户的状态的估计结果，诊断驾驶、预测风险、预测损害、向用户提供反馈等。注意，本技术可应用于的移动体包括其中进行作业的部分在固定位置移动的移动体，比如建筑机械的一部分等(诸如，例如固定式起重机)，以及移动位置的移动体。此外，本技术可应用于的移动体包括诸如例如无人机和机器人之类的由用户远程操作(操纵)而用户不搭乘的移动体。

此外，本技术可应用于提供各种保险，比如寿险、财险和健康险，以及汽车保险的系统、设备等。例如，可以基于用户的估计状态历史和服从度，计算各种保险费(包括返现金额)。具体地，例如，在寿险或健康险的情况下，用户终端部分11或服务器13进行估计用户的状态的处理，并累积估计状态历史。此外，用户终端部分11或服务器13向用户提示用于基于以估计状态历史为基础的用户的生活方式、生物状态等避免诸如疾病之类的风险的建议(风险规避建议)，并基于对提示的响应来评价用户的服从度。用户终端部分11或服务器13随后基于用户的生活方式和生物状态、服从度等，计算寿险或健康险的保险费。

例如，对于生活方式和生物状态越好的用户，保险费变得越低，而对于生活方式和生物状态越差的用户，保险费变得越高。此外，对于服从度越高的用户，保险费变得越低，而对于服从度越低的用户，保险费变得越高。这样，通过考虑用户的服从度以及用户的生活方式和生物状态，可以按照与上述汽车保险的情况类似的方式，为每个用户设定更适当的保险费。

<<3.其他>>

<计算机构成的例子>

顺便提及，上述一系列处理可以通过硬件进行或者可以通过软件进行。在通过软件进行所述一系列处理的情况下，构成所述软件的程序安装在计算机中。这里，计算机的例子包括并入专用硬件中的计算机、能够通过安装各种程序进行各种功能的通用个人计算机等。

图11是图解说明利用程序进行上述一系列处理的计算机的硬件的构成例子的框图。

在计算机中，中央处理单元(CPU)401、只读存储器(ROM)402和随机存取存储器(RAM)403通过总线404相互连接。

此外，输入/输出接口405连接到总线404。连接到输入/输出接口405的是输入单元406、输出单元407、记录单元408、通信单元409和驱动器410。

输入单元406包括输入开关、按钮、鼠标、麦克风、图像传感器等。输出单元407包括显示器、扬声器阵列等。记录单元408包括硬盘、非易失性存储器等。通信单元409包括网络接口等。驱动器410驱动诸如磁盘、光盘、磁光盘和半导体存储器之类的可移除记录介质411。

在如上所述构成的计算机中，CPU 401通过输入/输出接口405和总线404把例如记录在记录单元408中的程序加载到RAM 403上，并执行该程序，从而进行上述一系列处理。

例如，将由计算机(CPU 401)执行的程序可以在作为封装介质等的可移除记录介质411中记录和提供。另外，可通过诸如局域网、因特网和数字卫星广播之类的有线或无线传输介质，提供程序。

在计算机中，通过把可移除记录介质411安装在驱动器410上，可以经由输入/输出接口405把程序安装在记录单元408中。此外，也可以通过有线或无线传输介质利用通信单元409接收程序，并把程序安装在记录单元408中。另外，程序可以被预先安装在ROM 402或记录单元408中。

注意，由计算机执行的程序可以是其中按照记载在本文中的顺序时序地执行处理的程序，或者可以是其中并行地或者在必要的时刻(比如当处理被调用时)执行处理的程序。

此外，在本说明书中，系统具有多个构成要素(诸如设备或模块(部件))的集合的含义，并不考虑所有构成要素是否都在同一壳体中。于是，系统或者是容纳在单独的壳体中并通过网络连接的多个设备，或者是其中多个模块容纳在单个壳体内的一个设备。

此外，本技术的实施例不限于上述实施例，并且可以在不脱离本技术的范围的情况下作出各种变更和修改。

例如，本技术可以采用云计算的构成，其中多个装置通过网络分担单个功能，并且协同地进行处理。

此外，上述流程图中的各个步骤可以由单个装置执行，或者可以由多个装置分担执行。

另外，在单个步骤包括多个处理的情况下，包含在该单个步骤中的多个处理可以由单个装置执行，或者可以由多个装置分担执行。

<构成的组合例子>

也可如下构成本技术

(1)一种信息处理设备，包括：

提示控制单元，所述提示控制单元被配置成基于预测的风险，生成对于用户的风险规避建议；

评价单元，所述评价单元被配置成基于用户对所述风险规避建议的响应，评价用户的服从度；以及

风险预测单元，所述风险预测单元被配置成基于评价的服从度，调整风险预测参数。

(2)按照(1)所述的信息处理设备，

其中所述风险预测单元预测关于用户驾驶移动体的风险。

(3)按照(2)所述的信息处理设备，

还包括：

驾驶行为检测单元，所述驾驶行为检测单元被配置成检测驾驶行为，所述驾驶行为是驾驶期间的用户或移动体的行为，

其中所述风险预测单元基于驾驶行为的检测结果，预测所述风险。

(4)按照(3)所述的信息处理设备，

其中要由所述驾驶行为检测单元检测的危险驾驶行为的等级基于所述服从度而变化。

(5)按照(4)所述的信息处理设备，

其中随着所述服从度变低，要由所述驾驶行为检测单元检测的危险驾驶行为的等级变低。

(6)按照(2)-(4)任意之一所述的信息处理设备，

还包括：

诊断单元，所述诊断单元被配置成基于所述用户在驾驶前的状态和所述用户在驾驶期间的状态中的至少一种，诊断所述用户对于驾驶的适宜性，

其中所述风险预测单元基于所述诊断的结果，预测所述风险。

(7)按照(1)-(6)任意之一所述的信息处理设备，

其中随着所述服从度变低，要由所述风险预测单元预测的风险的等级变低。

(8)按照(1)-(7)任意之一所述的信息处理设备，还包括：

保险费计算单元，所述保险费计算单元被配置成基于所述服从度，计算对于所述用户的保险的保险费。

(9)按照(8)所述的信息处理设备，

其中所述保险费计算单元在所述服从度较高时降低所述保险费，而在所述服从度较低时增加所述保险费。

(10)按照(8)或(9)所述的信息处理设备，

其中所述风险是关于用户驾驶车辆的风险，以及

所述保险包括汽车保险。

(11)一种信息处理方法，包括：

基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；

基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及

基于评价的服从度，调整风险预测参数的风险预测步骤。

(12)一种用于使计算机执行处理的程序，所述处理包括：

基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；

基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及

基于评价的服从度，调整风险预测参数的风险预测步骤。

此外，记载在本说明书中的有益效果仅仅是例子，而不是限制性的，并且可以实现其他的有益效果。

附图标记列表

10 信息处理系统

11 用户终端部分

12 车辆

13 服务器

51 移动终端

52 可穿戴终端

61 GNSS接收机

62 惯性传感器

63 环境传感器

64 生物传感器

66 输出单元

67 控制单元

81 生物传感器

83 输出单元

84 控制单元

101 车载系统

111 车辆数据获取单元

112 视频和语音获取单元

114 输出单元

115 控制单元

152 状态估计单元

154 诊断单元

155 驾驶行为检测单元

156 风险预测单元

157 损害预测单元

158 提示控制单元

159 评价单元

160 学习单元

161 保险费计算单元

Claims (12)

1.一种信息处理设备，包括：

提示控制单元，所述提示控制单元被配置成基于预测的风险，生成对于用户的风险规避建议；

评价单元，所述评价单元被配置成基于用户对所述风险规避建议的响应，评价用户的服从度；以及

风险预测单元，所述风险预测单元被配置成基于评价的服从度，调整风险预测参数。

2.按照权利要求1所述的信息处理设备，

其中所述风险预测单元预测关于用户驾驶移动体的风险。

3.按照权利要求2所述的信息处理设备，

还包括：

驾驶行为检测单元，所述驾驶行为检测单元被配置成检测驾驶行为，所述驾驶行为是驾驶期间的用户或移动体的行为，

其中所述风险预测单元基于驾驶行为的检测结果，预测所述风险。

4.按照权利要求3所述的信息处理设备，

其中要由所述驾驶行为检测单元检测的危险驾驶行为的等级基于所述服从度而变化。

5.按照权利要求4所述的信息处理设备，

其中随着所述服从度变低，要由所述驾驶行为检测单元检测的危险驾驶行为的等级变低。

6.按照权利要求2所述的信息处理设备，

还包括：

诊断单元，所述诊断单元被配置成基于所述用户在驾驶前的状态和所述用户在驾驶期间的状态中的至少一种，诊断所述用户对于驾驶的适宜性，

其中所述风险预测单元基于所述诊断的结果，预测所述风险。

7.按照权利要求1所述的信息处理设备，

其中随着所述服从度变低，要由所述风险预测单元预测的风险的等级变低。

8.按照权利要求1所述的信息处理设备，还包括：

保险费计算单元，所述保险费计算单元被配置成基于所述服从度，计算对于所述用户的保险的保险费。

9.按照权利要求8所述的信息处理设备，

其中所述保险费计算单元在所述服从度较高时降低所述保险费，而在所述服从度较低时增加所述保险费。

10.按照权利要求8所述的信息处理设备，

其中所述风险是关于用户驾驶车辆的风险，以及

所述保险包括汽车保险。

11.一种信息处理方法，包括：

基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；

基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及

基于评价的服从度，调整风险预测参数的风险预测步骤。

12.一种用于使计算机执行处理的程序，所述处理包括：

基于预测的风险，生成对于用户的风险规避建议的提示控制步骤；

基于用户对所述风险规避建议的响应，评价用户的服从度的评价步骤；以及

基于评价的服从度，调整风险预测参数的风险预测步骤。