CN112567437A - 信息处理装置、信息处理系统、信息处理方法、以及程序 - Google Patents

信息处理装置、信息处理系统、信息处理方法、以及程序 Download PDF

Info

Publication number
CN112567437A
CN112567437A CN201980053890.3A CN201980053890A CN112567437A CN 112567437 A CN112567437 A CN 112567437A CN 201980053890 A CN201980053890 A CN 201980053890A CN 112567437 A CN112567437 A CN 112567437A
Authority
CN
China
Prior art keywords
information
driving behavior
mobile terminal
score
reliability
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.)
Pending
Application number
CN201980053890.3A
Other languages
English (en)
Inventor
中田健人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Publication of CN112567437A publication Critical patent/CN112567437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W2040/0818—Inactivity or incapacity of driver
    • B60W2040/0863—Inactivity or incapacity of driver due to erroneous selection or response of the driver

Abstract

本发明实现了一种将车辆中的移动终端的终端获取信息输入至学习模型以对驾驶员的驾驶行为进行估计，并且执行诸如基于估计结果计算得分和发出通知的处理等的配置。输入由车辆中的移动终端获取的诸如加速度信息的终端获取信息，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。基于终端获取信息通过应用学习模型计算驾驶员的驾驶行为值估计和作为该驾驶行为估计值的估计可靠性。此外，执行作为表示驾驶员的驾驶风险程度的指标的风险得分、作为驾驶行为估计值的整体估计可靠性的指标值的可靠性得分、表示驾驶员的驾驶诊断结果的整体得分的计算处理等。执行基于得分向移动终端的用户发出通知的通知处理等。

Description

信息处理装置、信息处理系统、信息处理方法、以及程序
技术领域
本公开涉及一种信息处理装置、信息处理系统、信息处理方法、以及程序。更详细地，本公开涉及一种通过使用由车辆驾驶员或乘客携带的移动终端获取的信息对驾驶行为进行分析的信息处理装置、信息处理系统、信息处理方法、以及程序。
背景技术
机器学习算法近年来已应用于广泛的各种领域。机器学习算法的一个示例是使用机器学习以用于评估汽车驾驶员的驾驶行为的系统。
专利文献1(日本专利号6264492)公开了一种基于驾驶员的面部的捕获图像而评估驾驶员在驾驶时的专注程度的系统。
然而，许多常规的驾驶行为评估系统通常通过使用相机的图像捕获信息、车辆的方向盘操纵信息、加速器或制动操纵信息等评估驾驶员的行为。
这种评估处理系统是与车辆集成的装置，并且在车辆未配备这种系统的情况下，人们不能使用该系统。
现有技术文献
专利文献
专利文献1：日本专利号6264492
发明内容
本发明要解决的问题
例如，已经根据前述设想了本公开，并且本公开的目标是提供一种能够基于通过由车辆驾驶员或乘客持有的诸如智能手机的移动终端而获取的信息，来对驾驶行为进行分析和评估的信息处理装置、信息处理系统、信息处理方法、以及程序。
问题的解决方案
本公开的第一方面是一种信息处理装置，该信息处理装置包括数据处理部，该数据处理部被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
此外，本公开的第二方面是一种包括管理服务器和移动终端的信息处理系统。移动终端包括设置在车辆中的移动终端，并且由移动终端获取的终端获取信息被发送至管理服务器。管理服务器将从移动终端接收的终端获取信息输入至学习模型，以输出车辆的驾驶员的驾驶行为估计值。
此外，本公开的第三方面是一种在信息处理装置中执行的信息处理方法。信息处理装置包括数据处理部，该数据处理部被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
此外，本公开的第四方面是一种在包括管理服务器和移动终端的信息处理系统中执行的信息处理方法。移动终端包括设置在车辆中的移动终端，并且由移动终端获取的终端获取信息被发送至管理服务器。管理服务器将从移动终端接收的终端获取信息输入至学习模型，以输出车辆的驾驶员的驾驶行为估计值。
此外，本公开的第五方面是一种用于使在信息处理装置中执行信息处理的程序。信息处理装置包括：数据处理部，被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。程序使数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
应注意，本公开的程序例如是一种可由存储介质或通信介质提供的程序，该存储介质或通信介质将计算机可读形式的程序提供至能够执行各种代码的信息处理装置或计算机系统。提供计算机可读形式的这种程序能够使信息处理装置或计算机系统根据该程序实现处理。
本公开的其他的目的、特征、以及优点基于本公开的实施方式及附图从稍后给出的详细描述中将变得显而易见。应注意，本说明书中的术语“系统”具有包括多个装置的逻辑集合的配置，并且该多个装置中每个用作部件而不必需要容纳在同一壳体中。
本发明的有益效果
根据本公开的实施方式的配置，实现了一种将车辆中的移动终端的终端获取信息输入至学习模型、对驾驶员的驾驶行为进行估计、并且执行诸如基于估计结果计算得分和发出通知的处理的配置。
具体地，例如，输入由车辆中的移动终端获取的诸如加速度信息的终端获取信息，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。基于终端获取信息通过应用学习模型计算驾驶员的驾驶行为估计值和驾驶行为估计值的估计可靠性。此外，执行计算作为表示驾驶员的驾驶风险程度的指标的风险得分、作为驾驶行为估计值的整体估计可靠性的指标值的可靠性得分、表示驾驶员的驾驶诊断结果的整体得分的处理等，并且执行基于得分向移动终端用户发出通知的通知处理等。
本配置实现了一种将车辆中的移动终端的终端获取信息输入至学习模型、对驾驶员的驾驶行为进行估计、并且执行诸如基于估计结果计算得分和发出通知的处理的配置。
应注意，本说明书中描述的有利效果仅是示说明性而非限制性的，并且可以存在附加的有利效果。
附图说明
图1是概述本公开的处理的图。
图2是描述通过移动终端获取的信息的示例的图。
图3是描述由管理服务器进行的学习模型生成处理的图。
图4是描述观察信息的示例的图。
图5是描述由管理服务器的学习处理部执行的学习模型生成处理的图并且是描述驾驶行为数据的示例的图。
图6是描述学习数据的数据示例的图。
图7是描述管理服务器通过使用学习模型执行驾驶行为估计处理的示例的图。
图8是示出描述管理服务器通过使用学习模型执行驾驶行为估计处理的处理序列的流程图的图。
图9是描述估计可靠性计算处理的具体示例的图。
图10是描述存储在移动终端中的驾驶行为估计应用的图。
图11是描述驾驶行为估计应用的主要功能的图。
图12是示出描述通过移动终端和使用学习模型的管理服务器执行的驾驶行为估计处理的处理序列的流程图的图。
图13是示出描述使用驾驶行为估计结果的得分计算处理的处理序列的流程图的图。
图14是描述由管理服务器生成的驾驶行为分析结果DB(数据库)中的存储数据的图。
图15是描述由管理服务器生成的驾驶行为分析结果DB(数据库)中的存储数据的图。
图16是描述逐类别的得分分析数据的图。
图17是示出描述基于逐类别的得分分析数据的道路区域设定处理的处理序列的流程图的图。
图18是示出描述行驶开始之前的使用由移动终端执行的驾驶行为估计应用的处理序列的流程图的图。
图19是示出移动终端的显示画面的示例的图。
图20是示出移动终端的显示画面的示例的图。
图21是示出描述由移动终端执行的使用驾驶行为估计应用的行驶期间的处理序列的流程图的图。
图22是示出移动终端的显示画面的示例的图。
图23是示出移动终端的显示画面的示例的图。
图24是示出移动终端的显示画面的示例的图。
图25是示出描述由移动终端执行的使用驾驶行为估计应用的行驶后的处理序列的流程图的图。
图26是示出移动终端的显示画面的示例的图。
图27是示出移动终端的显示画面的示例的图。
图28是示出描述由移动终端执行的使用驾驶行为估计应用的行驶后的处理序列的流程图的图。
图29是示出移动终端的显示画面的示例的图。
图30是示出应用为移动终端或管理服务器的信息处理装置的硬件配置例的图。
具体实施方式
下面将参考附图给出本公开的信息处理装置、信息处理系统、信息处理方法、以及程序的详细描述。应注意，将给出关于下列项的描述。
1.本公开的处理的概述
2.用于从终端获取信息估计驾驶行为的学习模型生成处理
3.使用学习模型的驾驶行为估计处理
4.使用移动终端的驾驶行为估计应用的处理
5.创建驾驶行为分析DB之后使用驾驶行为估计应用的处理
5-(1)使用驾驶行为估计应用的行驶开始前的处理
5-(2)使用驾驶行为估计应用的行驶期间的处理
5-(3)使用驾驶行为估计应用的行驶后的处理
6.信息处理装置的配置例
7.本公开的配置的结论
[1.本公开的处理的概述]
例如，本公开使能够基于通过车辆的驾驶员或乘客携带的诸如智能手机的移动终端而获取的信息，实现对驾驶行为的分析和评估。
将参考图1对本公开的处理进行概述。
图1示出车辆10。车辆10由驾驶员11驾驶。
驾驶员11或未示出的乘客携带诸如智能手机的移动终端(即，图1中描绘的移动终端20)。
车辆10具有ECU(电控制单元)，该ECU是用于执行诸如控制车辆10并且获取操作信息的处理的控制单元。ECU具有作为其部件的OBD(车载诊断(On-Board Diagnostics))。OBD是ECU的功能并且是主要提供车辆10的诊断功能的程序。
设置在车辆10的ECU中的OBD经由网络将诸如车辆速度和加速度信息的关于车辆10的信息一个接一个地发送至管理服务器30。
由驾驶员11或乘客携带的移动终端20可以经由网络不仅与管理服务器30通信，而且还与多个信息提供服务器41、42等以及服务提供服务器43、44等通信。
信息提供服务器41、信息提供服务器42等包括提供各种信息的交通信息提供服务器、天气信息提供服务器等。服务提供服务器43、服务提供服务器44等包括提供各种服务的保险公司的服务器、用于商品销售的服务器等。
移动终端20具有预先安装在其中的信息获取应用21。
信息获取应用21获取可以用于对驾驶员11的驾驶行为进行分析或评估的各种信息。
例如，通过移动终端20获取的信息包括下列信息。
(1)从并入在移动终端自身中的加速度传感器或GPS获取的信息
(2)经由信息提供服务器41和信息提供服务器42获取的信息(例如，交通信息)
移动终端20可以获取各种这些信息。
图2示出通过移动终端20获取的信息的示例。如图2中示出的，例如，移动终端20获取下列信息：
(a1)加速度信息
(a2)转速信息
(a3)GPS信息(例如，经度、纬度、以及速度信息)
(a4)大气压信息
(a5)方位信息(行驶方向(例如，东、西、南、以及北))
(a6)终端操作信息
(a7)交通信息
(a1)例如，从移动终端20自身的加速度传感器获取加速度信息。
(a2)例如，从移动终端20自身的陀螺仪传感器获取转速信息。
(a3)例如，从移动终端20自身的GPS传感器获取GPS信息(例如，经度、纬度、以及速度信息)。
(a4)例如，从移动终端20自身的大气压传感器获取大气压信息。
(a5)例如，从移动终端20自身的地磁传感器获取方位信息(行驶方向(例如，东、西、南、以及北))。
(a6)例如，从移动终端20自身的操作信息检测传感器获取终端操作信息。
(a7)例如，从外部交通信息提供服务器(信息提供服务器)获取交通信息。
如上所述，移动终端20可以从其自身的传感器和外部服务器获取各种信息。
将所获取的信息从移动终端20一个接一个地发送至管理服务器30。
[2.用于从终端获取信息估计驾驶行为的学习模型生成处理]
本公开使能够基于通过移动终端20获取的信息实现对驾驶车辆10的驾驶员11的驾驶行为的分析和评估。
为了实现该处理，首先需要生成学习模型。
将参考图3及后续图对学习模型生成处理进行描述。
由管理服务器30执行学习模型生成处理。
图3是描述由管理服务器30进行的学习模型81的生成处理的图。
即，图3是描述基于由移动终端20获取的信息来生成学习模型81的处理的图，该学习模型81应用于对驾驶车辆10的驾驶员11的驾驶行为进行分析和评估。
如图3中示出的，管理服务器30的学习处理部80从移动终端20获取终端获取信息50。
此外，管理服务器30的学习处理部80获取观察信息60，该观察信息60包括设置在车辆10的ECU中的OBD及其他输入信息。
下列两种信息是应用于由管理服务器30的学习处理部80执行的学习处理的学习数据。
(a)来自移动终端20的终端获取信息50
(b)包括设置在车辆10的ECU中的OBD及其他输入信息的观察信息60
通过使用这些学习数据的学习处理来生成学习模型81。
从移动终端20获取的终端获取信息50例如是先前参考图2描述的各种信息(即，(a1)至(a7))。
同时，将参考图4给出包括设置在车辆10的ECU中的OBD及其他输入信息的观察信息60的描述。
图4示出观察信息60的示例。如图4中示出的，例如，观察信息60包括下列信息：
(b1)车辆的纵向加速度信息
(b2)车辆的横向加速度信息
(b3)终端操作信息
应注意，这些观察信息是驾驶员11的驾驶行为的实际观察信息并且与实际驾驶行为信息相对应。
(b1)车辆的纵向加速度信息是从设置在车辆10的ECU中的OBD获取的车辆10的实际纵向加速度信息。
(b2)车辆的横向加速度信息是从设置在车辆10的ECU中的OBD获取的车辆10的实际横向加速度信息。
(b3)终端操作信息例如是从由车辆10的驾驶员之外的乘客携带的终端输入的信息，并且是表示驾驶员是否正在操作移动终端20的实际观察信息。
应注意，在执行生成学习模型181的处理的情况下，获取这些信息并且发送这些信息至管理服务器30。
在生成学习模型81之后，不再需要获取这些观察信息的处理。
在生成学习模型81之后，可以通过应用所生成的学习模型81，从由移动终端20获取的信息来执行估计驾驶员11的驾驶行为的处理。
应注意，在管理服务器30的学习处理部80对学习模型81进行更新的情况下，学习处理部80可以通过获取新的终端获取信息50和观察信息60并且通过使用这些信息作为新的学习数据执行学习处理，来对学习模型81进行更新。
将参考图5给出由管理服务器30的学习处理部80执行的生成学习模型81的处理(即，学习处理)的具体示例的描述。
图5示出管理服务器30的学习处理部80和作为由学习处理部80执行的学习处理的结果而生成的学习模型81。
首先，管理服务器30的学习处理部80收集应用于学习处理的学习数据70。所收集的学习数据70包括下列数据：
(A)终端获取信息
(B)观察信息(＝驾驶行为信息)
(A)终端获取信息是由图3中示出的移动终端20获取的终端获取信息50并且例如是先前参考图2描述的各种信息(即，(a1)至(a7))。
同时，(B)观察信息是包括设置在图3示出的车辆10的ECU中的OBD及其他输入信息的观察信息60，并且例如是先前参考图4描述的各种观察信息(＝驾驶行为信息)(即，(b1)至(b3))。
应注意，这些信息中的每条信息是时间上的数据并且这些信息中的每条信息作为与时间轴相对应的数据而获取。
管理服务器30的学习处理部80基于这些学习数据70执行学习处理。即，通过使用所收集的学习数据70使学习处理部80学习机器学习算法。作为机器学习算法的最佳选择是这样的算法：即可以利用该算法计算使用诸如高斯过程或贝叶斯神经网络的学习模型的估计结果的可靠性(估计可靠性)。
估计可靠性是表示估计结果的正确程度的指标。例如，包括在机器学习的学习数据中的模式与估计时的行为模式之间的匹配度越高，可靠性越高。
应注意，例如，使用1至0的范围内的值作为估计可靠性。最高估计可靠性是1，并且最低估计可靠性是0。
应注意，在本实施方式中，估计可靠性是通过基于终端获取信息来应用学习模型而做出对驾驶员的行为估计的估计可靠性。
为了提高估计可靠性，通过使用较大量的学习数据执行学习处理是有效的。
图5示出生成使用高斯神经网络的(机器)学习模型的示例作为由学习处理部80执行的学习处理的示例。各种方式可用于设计学习模型。例如，提供一种将各种终端获取信息(例如，图2中示出的(a1)至(a7))输入至单个模型，以同时对全部驾驶行为信息(例如，图4中示出的(b1)至(b3))进行估计作为估计数据的技术。
此外，例如，作为分析的结果，在已经发现特定的终端获取信息与特定的驾驶行为信息高度相关的情况下，并且在估计特定的驾驶行为的情况下，一种技术优先选择与该行为高度相关的终端获取信息进行估计。
在本实施方式中，作为学习模型的示例，将给出生成能够通过将从终端获取信息当中选择的多条信息同时输入至学习处理部80来输出一条或多条驾驶行为信息作为输出信息的学习模型的示例的描述。
将简要描述学习处理序列。
(S1)设计机器学习模型
首先，作为步骤S1中的处理，设计要用于学习处理的(机器)学习模型。
基于适于对应的输入和输出信号的预定理论模型(例如，高斯过程和贝叶斯神经网络)来设计机器学习模型的各种参数。在高斯过程的情况下，参数的示例包括均值函数或协方差函数，并且在贝叶斯神经网络的情况下，参数的示例包括网络层的数量或激活函数。
(S2)应用机器学习模型的学习处理
接下来，在步骤S2中，执行应用机器学习模型的学习处理。在该学习处理中，使用上面的学习数据70。收集下列学习数据70。
(A)终端获取信息
(B)观察信息(驾驶行为信息)
应注意，如先前所描述，这些信息中的每条信息是时间上的数据并且这些信息中的每条作为与时间轴相对应的数据而获取。
图6示出学习数据70的数据示例。
如图6中示出的，学习数据包括与下列项相对应的数据。
(A)终端获取信息
(B)观察信息(驾驶行为信息)
图6示出多个条目(e1)至条目(en)。这些条目中的每个条目包括与一条或多条终端获取信息和观察信息(驾驶行为信息)相对应的数据。
在进行学习处理时，通过使用具有同步时间序列的学习数据(即，图6中示出的相应条目(e1)至(en))对机器学习模型参数进行优化。优化方法取决于所使用的理论模型。
作为这些学习处理的结果，生成能够基于各种输入信号(＝终端获取信息)来输出输出信号(＝驾驶行为估计值)的学习模型81。
通过使用学习模型81，即使对于与应用于学习处理的学习数据(参考图6)中所包括的条目的任何输入信号(＝终端获取信息)都不匹配的输入信号(＝终端获取信息)，也可以输出最佳的输出信号(即，驾驶行为估计值)。
应注意，学习模型81是应用能够计算通过使用诸如高斯过程或贝叶斯神经网络的学习模型而产生的估计结果的可靠性(估计可靠性)的算法并且与驾驶行为估计值一起，输出表示驾驶行为估计值的可靠性的估计可靠性的模型。
[3.使用学习模型的驾驶行为估计处理]
接下来，将给出使用通过上面的学习处理生成的学习模型的驾驶行为估计处理的描述。
在该处理中，管理服务器30获取由车辆10的驾驶员11或乘客所携带的移动终端20获取的信息并且通过使用由先前描述的学习处理生成的学习模型81对驾驶员11的驾驶行为进行估计。
此外，在本实施方式中，如先前描述，还生成并且输出作为驾驶行为估计值的可靠性的估计可靠性。例如，使用1至0的范围内的值作为估计可靠性。最高估计可靠性是1，并且最低估计可靠性是0。
图7示出使用学习模型执行驾驶行为估计处理的管理服务器30的处理示例。
驾驶行为估计部90(即，管理服务器30的数据处理部)经由网络从车辆中的用户的移动终端接收终端获取信息。
如先前参考图2所描述，该终端获取信息包括下列项：
(a1)加速度信息
(a2)转速信息
(a3)GPS信息(例如，经度、纬度、以及速度信息)
(a4)大气压信息
(a5)方位信息(行驶方向(例如，东、西、南、以及北))
(a6)终端操作信息
(a7)交通信息
应注意，所有这些信息不必都需要作为输入而被接收，并且可以仅接收其中的一些作为输入。
当终端获取信息输入时，作为管理服务器30的数据处理部的驾驶行为估计部90通过使用预先生成的学习模型81来从所输入的终端获取信息估计驾驶行为信息。
如果学习模型81中存在与所输入的终端获取信息完全匹配的数据集(条目)，则可以输出与该学习模型的条目相关联的驾驶行为信息作为驾驶行为估计值。在这种情况下，输出(驾驶行为估计值)的估计可靠性是接近1(最高可靠性)的值。
然而，现实中，学习模型81中不可能存在与所输入的终端获取信息完全匹配的数据集(条目)。
在实际估计处理中，与所输入的终端获取信息相似的学习模型被组合使用，以计算并且输出最终的驾驶行为估计值。在这种情况下，例如，计算根据被接收作为输入的终端获取信息与所使用的学习模型的数据集之间的相似度的估计可靠性。
将参考图8中示出的流程图，给出由管理服务器30通过使用学习模型执行的驾驶行为估计处理的处理序列的描述。
应注意，在控制部(数据处理部)的控制下根据存储在管理服务器30的存储部中的程序执行根据该流程的处理，该控制部整合具有程序执行功能的CPU等。将按顺序描述图8示出的流程中的各个步骤中的处理。
(步骤S101)
首先，在步骤S101中，管理服务器30接收通过用户终端(移动终端)获取的终端获取信息的输入。终端获取信息包括先前参考图2描述的下列信息：
(a1)加速度信息
(a2)转速信息
(a3)GPS信息(例如，经度、纬度、以及速度信息)
(a4)大气压信息
(a5)方位信息(行驶方向(例如，东、西、南、以及北))
(a6)终端操作信息
(a7)交通信息
应注意，所有这些信息不必都需要作为输入被接收，并且可以仅接收其中的一些作为输入。
应注意，诸如驾驶的日期和时间、车辆类型、驾驶员的ID以及移动终端ID的属性数据与以上终端获取信息从用户终端(移动终端)一起发送，并且管理服务器获取这些数据并且将数据以及通过接下来要执行的估计处理所获取的估计结果记录至DB。
(步骤S102)
接下来，在步骤S102中，作为管理服务器30的数据处理部的驾驶行为估计部90通过应用学习模型基于终端获取信息来计算驾驶行为估计值并且还计算所计算的驾驶行为估计值的可靠性(估计可靠性)。
如先前描述，管理服务器30的驾驶行为估计部90将输入信息(即，终端获取信息)输入至执行算法(诸如高斯过程或贝叶斯神经网络)的学习模型，以将驾驶行为估计值输出作为输出值。此外，驾驶行为估计部90计算作为输出值的驾驶行为估计值的估计可靠性。
计算与每个所估计的驾驶行为项相对应的可靠性(估计可靠性)。如先前描述，可靠性具有0(低可靠性)至1(高可靠性)的范围内的值。
将参考图9对估计可靠性计算处理的具体示例进行描述。
图9示出用于创建学习模型的学习数据的数据集(条目)的分布数据。坐标是与机器学习模型的N维特征空间相对应的N维坐标。
黑点与学习数据集(条目)相对应。虚线框表示学习数据集(条目)存在的区域。
例如，假设在将所输入的终端获取信息((a1)至(a7))放置在N维特征空间中的情况下，终端获取信息((a1)至(a7))的对应点中的一点位于点A的位置处。
还假设了终端获取信息((a1)至(a7))的对应点中的另一点位于点B的位置处。
在该情况下，点A存在于接近由黑点表示的学习数据集(条目)的N维空间中。即，点A存在于距学习数据集(条目)较短的距离处。在该情况下，通过使用接近点A的学习数据集(条目)可以执行高可靠输出(即，以高估计可靠性对驾驶行为进行估计)。即，将基于点A估计的驾驶行为信息的可靠性(估计可靠性)计算为较大值(接近1)。
同时，点B存在于远离由黑点表示的学习数据集(条目)的N维空间中。即，点B存在于距学习数据集(条目)较远的距离处。在该情况下，即使使用最接近于点B的学习数据集(条目)，学习数据集(条目)与点B之间的相似度也较低。在该情况下，执行低可靠性输出(即，以低估计可靠性对驾驶行为进行估计)。即，基于点B而估计的驾驶行为信息的可靠性(估计可靠性)被计算为较小的值(接近0的值)。
(步骤S103)
接下来，在步骤S103中，管理服务器30的驾驶行为估计部90将驾驶行为估计值和可靠性发送至用户终端(移动终端)和其他信息使用服务器。应注意，传输数据优先以加密数据形式发送。
信息使用服务器的示例包括收集汽车驾驶行为数据的汽车制造商、收集交通违规信息的交警、根据驾驶行为计算保险费的保险公司等。
(步骤S104)
最后，在步骤S104中，管理服务器30的驾驶行为估计部90将驾驶行为估计值和估计可靠性与诸如驾驶的日期和时间、车辆类型、驾驶员的ID、以及移动终端ID的属性数据相关联地记录在DB中。
[4.使用移动终端的驾驶行为估计应用的处理]
接下来，将给出通过在由车辆10的驾驶员或乘客携带的移动终端20上安装驾驶行为估计应用并且开始该驾驶行为估计应用来执行的处理的描述。
尽管移动终端20中的驾驶行为估计应用的一个主要功能是基于终端获取信息的驾驶行为估计处理，但驾驶行为估计应用还提供了各种其他功能。下面将给出这些处理的描述。
应注意，在通过使用移动终端20的驾驶行为估计应用基于终端获取信息来进行驾驶行为估计的情况下，执行下列任一处理。
(1)由移动终端20获取的信息发送至管理服务器30，并且管理服务器30通过使用学习模型来对驾驶行为进行估计。
(2)由移动终端20获取管理服务器30所生成的学习模型，并且移动终端20基于终端获取信息计算驾驶行为估计值。
应注意，同样在以模式(2)估计驾驶行为的情况下，移动终端20还将终端获取信息和驾驶行为估计值发送至管理服务器30。
图10示出与先前所描述的图1相似的图。由驾驶员11驾驶车辆10。驾驶员11或未示出的乘客携带诸如智能手机的移动终端(即，图10中示出的移动终端20)。
移动终端20具有安装在其中的驾驶行为估计应用22。
驾驶行为估计应用22基于终端获取信息通过应用学习模型来执行用于对驾驶行为进行估计的各种处理。应注意，驾驶行为估计应用22包括先前参考图1描述的信息获取应用21的功能。
此外，驾驶行为估计应用22执行诸如将终端获取信息发送至管理服务器30并且显示从管理服务器30接收的数据(例如，地图和得分信息)的处理。下面将给出由驾驶行为估计应用22执行的处理的细节描述。
首先，参考图11对驾驶行为估计应用22的主要功能进行描述。
如图11中示出的，例如，驾驶行为估计应用22具有下列功能。
(1)初始设定(注册车辆类型和移动终端型号)
(2)即将接近的危险驾驶区域等的通知(还可以设定发出通知的方式)
(3)显示地图并且提供汽车导航功能
(4)执行基于驾驶风险得分和驾驶可靠性得分显示需要注意的诸如危险区域的地区并且预先发出通知的处理
(5)显示基于驾驶行为估计值的估计可靠性的经受驾驶得分分级的道路区域
(6)显示基于驾驶行为估计值的估计可靠性的经受奖励点获得的道路区域
(7)输出并且校正驾驶诊断结果
上面是驾驶行为估计应用22可用的功能的示例。将在下面给出的实施方式的描述中对这些功能进行详细描述。
应注意，上面的功能(1)至(7)包括使用驾驶行为估计值的估计可靠性的功能以及不使用估计可靠性的其他功能。例如，在使用估计可靠性的情况下，在应用内使用估计可靠性执行处理。此外，一些功能的用户使用被限制。
应注意，在创建后面描述的驾驶行为分析结果DB(数据库)之后，通过由服务供应商执行的应用内功能释放(in-application function release)处理，使用估计可靠性的一些功能变得可供用户使用。后面将对此进行详细描述。
下面将给出应用驾驶行为估计应用22的处理、使用驾驶行为估计应用22的处理结果的分析处理等的描述。
下面将按顺序对这些处理进行描述。
(处理1)用户下载和初始设定
首先，在移动终端20上使用驾驶行为估计应用22的情况下，需要将驾驶行为估计应用22下载至移动终端20并且执行初始设定。
移动终端20的用户注册驾驶员信息(例如，性别和年龄)、所驾驶的车辆的类型的信息、以及此外所使用的移动终端的类型的信息。将这些注册信息记录在管理服务器30的数据库中。
(处理2)在车辆行驶期间，通过基于终端获取信息而应用学习模型来计算驾驶行为估计值和预测可靠性的处理
当将驾驶行为估计应用22下载至移动终端20之后完成初始设定时，可以使用驾驶行为估计应用22执行驾驶行为估计处理。
即，当用户携带移动终端20并且使车辆行驶时，基于移动终端20的终端获取信息通过应用学习模型来执行驾驶行为估计值和预测可靠性的计算处理。
将参考图12中示出的流程图给出由移动终端20和管理服务器30通过使用学习模型来执行驾驶行为估计处理的处理序列的描述。
应注意，由移动终端20的驾驶行为估计应用22执行根据该流程的处理。将按顺序描述图12示出的流程的各个步骤中的处理。
(步骤S201)
首先，在步骤S201中，移动终端20接收由移动终端20获取的终端获取信息的输入。终端获取信息包括先前参考图2描述的下列信息。
(a1)加速度信息
(a2)转速信息
(a3)GPS信息(例如，经度、纬度、以及速度信息)
(a4)大气压信息
(a5)方位信息(行驶方向(例如，东、西、南、以及北))
(a6)终端操作信息
(a7)交通信息
应注意，这些信息的全部不必都需要作为输入被接收，并且可以仅接收其中的一些作为输入。
应注意，诸如驾驶的日期和时间、车辆类型、驾驶员的ID、以及移动终端ID的属性数据与以上终端获取信息从用户终端(移动终端)一起发送，并且管理服务器获取这些数据并且将数据以及通过接下来要执行的估计处理获取的估计结果记录到DB。
(步骤S202)
接下来，在步骤S202中，移动终端20的驾驶行为估计应用22基于终端获取信息通过应用学习模型来计算驾驶行为估计值并且还计算所计算的驾驶行为估计值的可靠性(估计可靠性)。
应注意，由移动终端20以先前描述的下列任何模式使用学习模型。
(1)由管理服务器30生成的学习模型被移动终端20获取并被存储在移动终端20的存储器中供之后使用的模式
(2)在由移动终端20估计驾驶行为的情况下，移动终端20参考并使用存储在管理服务器30中的学习模型的模式
移动终端20的驾驶行为估计应用22以上面的任一模式，基于终端获取信息通过使用由管理服务器30生成的学习模型来对驾驶行为进行估计。
移动终端20的驾驶行为估计应用22不仅计算驾驶行为估计值，而且还计算驾驶行为估计值的估计可靠性。
(步骤S203)
接下来，在步骤S203中，移动终端20的驾驶行为估计应用22将驾驶行为估计值和估计可靠性与诸如驾驶的日期和时间、车辆类型、驾驶员的ID、以及移动终端ID的属性数据相关联地记录在移动终端20的存储器中。
(步骤S204)
最后，在步骤S204中，移动终端20的驾驶行为估计应用22将在步骤S203中存储在存储器中的数据(即，驾驶行为估计值、可靠性、以及诸如驾驶的日期和时间、行驶位置、车辆类型、驾驶员的ID、以及移动终端ID的属性数据)发送至管理服务器。应注意，传输数据优先以加密数据形式发送。
应注意，可以执行数据传输处理，以在每个特定时间段内一个接一个或一次全部地发送数据。
至于步骤S204中的服务器传输处理，数据可以如后面(处理6)中进一步描述的那样与在以下(处理3至处理5)中计算的得分信息一起发送。
(处理3)使用驾驶行为估计值的风险得分计算处理
接下来将给出由移动终端20的驾驶行为估计应用22执行的使用驾驶行为估计值的风险得分计算处理的描述。
移动终端20的驾驶行为估计应用22通过使用在上文(处理2)中计算的驾驶行为估计值来计算风险得分，该风险得分是表示用户(驾驶员)的驾驶风险程度的指标。
驾驶行为估计应用22根据以下计算公式(公式1)计算在时刻t时的风险得分Dt：
Dt＝fD(d1t,d2t,...,dmt))...(公式1)，
其中，fD是风险得分计算函数，并且
d1t、d2t、...、dmt是通过应用学习模型而出计算的驾驶行为估计值集合。具体地，这些是基于在特定时刻(t)时的终端获取信息而估计出的在该时刻(t)时的驾驶行为估计值的数据集。例如，数据集中所包括的各个值是诸如图4中示出的(b1)至(b3)的各种驾驶行为信息估计中的一个。
应注意，风险得分计算函数fD由服务运营商设计，以使得驾驶员的行为越危险，风险得分计算函数fD越大。具体地，例如，如以下(公式2)中指示的，利用驾驶行为估计值的加权平均值等计算风险得分计算函数fD：
Dt＝fD(d1t,d2t,...,dmt))
＝w1d1t+w2d2t+...+wmdm t...(公式2)
其中，wi(i＝1,...,m)是加权因子。
(处理4)使用驾驶行为估计值的可靠性得分计算处理
接下来将给出由移动终端20的驾驶行为估计应用22执行的使用驾驶行为估计值的可靠性得分计算处理的描述。
移动终端20的驾驶行为估计应用22通过使用上面(处理2)计算的驾驶行为估计值和估计可靠性来计算可靠性得分，该可靠性得分是在特定时刻(t)时计算的驾驶行为估计值的整体估计可靠性的指标值。
驾驶行为估计应用22根据以下计算公式(公式3)计算时刻t时的可靠性得分Rt：
Rt＝fR(r1t,r2t,...,rmt))...(公式3)
其中，fR是可靠性得分计算函数，并且
r1t、r2t、...、rmt是与通过应用学习模型而计算出的驾驶行为估计值相对应的估计可靠性的集合。具体地，这些是与基于在特定时刻(t)时的终端获取信息而估计出的在该时刻(t)时的驾驶行为估计值相对应的估计可靠性的数据集。数据集中所包括的每个值例如是与诸如图4中示出的(b1)至(b3)的各种驾驶行为信息估计中的一个相对应的估计可靠性。
应注意，可靠性得分计算函数由服务运营商设计，以使得通过应用学习模式而计算的驾驶行为估计值的估计可靠性越高，可靠性得分计算函数fR越大。具体地，例如，如以下(公式4)中指示的，利用估计可靠性的加权平均值等计算可靠性得分计算函数fR：
Rt＝fR(r1t,r2t,...,rmt))
＝v1r1t+v2r2t+...+vmrmt...(公式4)
其中，vi(i＝1,...,m)是加权因子。
(处理5)使用风险得分和可靠性得分的整体得分计算处理
接下来将给出由移动终端20的驾驶行为估计应用22执行的使用风险得分和可靠性得分的整体得分计算处理的描述。
通过使用由上面(处理3)计算的风险得分和由上面(处理4)计算的可靠性得分来计算表示驾驶员的驾驶诊断结果的整体得分。
驾驶行为估计应用22根据以下计算公式(公式5)来计算在时刻t时的整体得分St：
St＝fS(Rt,Dt)...(公式5)
其中，fs是整体得分计算函数，
Rt是时刻t时的可靠性得分，并且
Dt是时刻t时的风险得分。
函数fs由服务运营商设计。例如，作为函数fs，可以应用如以下(公式6)所指示的函数，该函数计算可靠性得分Rt与风险得分Dt的乘积以执行归一化，使得乘积落在0至100的范围内：
St＝fS(Rt,Dt)
＝min(0,max(100,(Rt·Dt)/Z))...(公式6)
其中，Z是归一化常数。
该计算公式仅是示例，并且也可以使用各种其他运算处理。
通过根据上面(公式6)计算整体得分St，可以例如根据用户(驾驶员)的驾驶风险程度来计算0至100分的范围内的整体得分。
用户(驾驶员)的驾驶风险越低，整体得分越接近100分，并且用户(驾驶员)的驾驶风险越高，整体得分越接近0分。
(处理6)向管理服务器发送驾驶行为估计值和计算出的得分的处理
接下来将给出由移动终端20的驾驶行为估计应用22执行的将驾驶行为估计值和计算出的得分发送至管理服务器的处理的描述。
移动终端20的驾驶行为估计应用22在上面(处理2)至(处理5)计算了下列数据并且将数据存储在存储器中。
(1)驾驶行为估计值
(2)估计可靠性
(3)风险得分
(4)可靠性得分
(5)整体得分
在下文中，这些数据(1)至数据(5)被统称为“驾驶行为分析结果”。
首先，将包括上面数据(1)至数据(5)的“驾驶行为分析结果”存储在移动终端20的存储器中。
此外，移动终端20的驾驶行为估计应用22不仅将存储在存储器中的数据(即，包括上面数据(1)至数据(5)的“驾驶行为分析结果”)发送至管理服务器，而且还将诸如驾驶的日期和时间、行驶位置、车辆类型、驾驶员的ID、和移动终端ID的属性数据发送至管理服务器。应注意，传输数据优先以加密数据形式发送。应注意，可以执行数据传输处理，以在每个特定时间段内一个接一个地或一次全部地发送数据。
将参考图13中示出的流程图给出上面(处理3)至(处理6)的处理序列的描述。图13中示出的流程图描述了使用驾驶行为估计结果的得分计算处理的处理序列。
下面将对图13的流程图的各个步骤中的处理进行描述。
(步骤S301)
首先，在步骤S301中，移动终端20的驾驶行为估计应用22基于驾驶行为估计值来计算表示驾驶风险程度的驾驶风险得分。
该处理是上面(处理3)中所描述的计算风险得分Dt的处理。
(步骤S302)
接下来，在步骤S302中，驾驶行为估计应用22基于驾驶行为估计值和估计可靠性来计算可靠性得分。
该处理是上面(处理4)中所描述的计算可靠性得分Rt的处理。
(步骤S303)
接下来，在步骤S303中，驾驶行为估计应用22通过使用在步骤S301中计算的风险得分Dt和在步骤S302中计算的可靠性得分Rt来计算用于驾驶诊断的整体得分St。
该处理是上面(处理5)中所描述的计算整体得分St的处理。
(步骤S304)
接下来，在步骤S304中，驾驶行为估计应用22将诸如驾驶的日期和时间、行驶位置、车辆类型、驾驶员的ID、以及移动终端ID的属性数据与驾驶行为估计值、估计可靠性、驾驶风险得分、估计可靠性得分、以及整体得分相关联地记录至存储器。
(步骤S305)
接下来，在步骤S305中，驾驶行为估计应用22将在步骤S304中存储在存储器中的数据发送至管理服务器。
即，驾驶行为估计应用22将驾驶行为估计值、估计可靠性、驾驶风险得分、估计可靠性得分、整体得分、以及诸如驾驶的日期和时间、行驶位置、车辆类型、驾驶员的ID、以及移动终端ID的属性数据发送至管理服务器30。
在上面(处理6)中描述了步骤S304和步骤S305中的处理。
(处理7)驾驶行为分析结果数据库创建处理
接下来，作为处理7，将给出由管理服务器30执行的驾驶行为分析结果数据库创建处理的描述。
管理服务器30从多个用户接收上面(处理6)所描述的“驾驶行为分析结果”以及相关联的属性数据(例如，驾驶的日期和时间、行驶位置、车辆类型、驾驶员的ID、和移动终端ID)。
管理服务器30基于接收到的数据来创建驾驶行为分析结果DB(数据库)。
将参考图14和图15给出存储在由管理服务器30生成的驾驶行为分析结果DB(数据库)82中的数据的描述。
管理服务器30的驾驶行为分析结果DB(数据库)82不仅存储图14中示出的(1)与驾驶员相对应的车辆类型和终端数据以及(2)与驾驶员相对应的行驶数据，而且还存储图15中示出的(3)与行驶数据相对应的驾驶员行为信息分析数据。
将车辆类型信息和每个驾驶员(每个驾驶员ID)的移动终端信息记录作为图14中示出的(1)中的与驾驶员相对应的车辆类型和终端数据。在每个用户对驾驶行为估计应用22进行初始设定时，获取并且注册这些信息。
此外，将作为每个驾驶员ID的行驶信息的行驶编号和行驶表格ID记录作为图14中示出的(2)中的与驾驶员相对应的行驶数据。例如，在用户(驾驶员)在执行驾驶行为估计应用22的同时执行行驶处理的情况下，由驾驶行为估计应用22针对每个行驶单位自动分配行驶编号和行驶表格ID。
应注意，一个行驶单位例如是从用户启动发动机时至他或她停止发动机时的时间段。还可以将一个行驶单位设定为从用户开始驾驶行为估计应用22时到他或她停止驾驶行为估计应用22时的时间段。
针对每个行驶表格ID，生成图15示出的(3)中的与行驶数据相对应的驾驶员行为分析数据并且将该驾驶员行为分析数据存储在数据库中。
图15示出的(3)与行驶数据相对应的驾驶员行为分析数据包括两个表格。
(3a)中的与行驶数据相对应的驾驶员行为分析数据‘a’是在其中记录了基于终端获取信息通过应用学习模型而计算的多个驾驶行为估计值与多个估计可靠性之间的对应数据的表格。
(3b)中的与行驶数据相对应的驾驶员行为分析数据‘b’是在其中不仅记录了基于(3a)中的与行驶数据相对应的驾驶员行为分析数据‘a’中所记录的驾驶行为估计值和估计可靠性而计算的(1)风险得分、(2)可靠性得分、以及(3)整体得分，而且还记录了下列信息的表格。
(4)天气和(5)行驶位置：经受得分计算的行驶期间的行驶条件(天气、行驶位置)
(6)经受分级的区域：表示行驶位置是否在用户(驾驶员)驾驶行为的经受分级的区域内的信息，其中1意味着经受分级的区域并且0表示未经受分级的区域。
(7)奖励获得区域：表示行驶位置是否在用户(驾驶员)驾驶行为的经受分级的区域内的信息，其中，1表示奖励获得区域并且0表示奖励不获得区域。
(处理8)针对存储在驾驶行为分析结果数据库中的数据逐类别地进行分析得分的处理
接下来，作为处理8，将给出针对存储在驾驶行为分析结果数据库82中的数据，由管理服务器30执行的逐类别地进行分析得分的处理的描述。
管理服务器30通过使用存储在驾驶行为分析结果数据库82中的数据针对每个类别执行得分分析处理，该驾驶行为分析结果数据库82已经存储参考图14和图15描述的数据。
具体地，例如，如图16中示出的，生成如下的逐类别的得分分析数据。
(1)针对每个行驶位置的得分(风险得分、可靠性得分、整体得分)的分析数据
(2)针对每种车辆类型的得分(风险得分、可靠性得分、整体得分)的分析数据
(3)针对每个移动终端型号的得分(风险得分、可靠性得分、整体得分)的分析数据
应注意，这些得分数据也被存储在驾驶行为分析结果数据库82中。
如图16中示出的，(1)中的针对每个行驶位置的得分分析数据是存储与每个行驶位置相对应的风险得分、可靠性得分、以及整体得分的平均数据(统计值)的表格。通过计算从多个车辆中的移动终端接收的数据的平均值来推导平均得分。
此外，(2)中的针对每种车辆类型的得分分析数据是存储与每种车辆类型相对应的风险得分、可靠性得分、以及整体得分的平均数据(统计值)的表格。
(3)中的每个移动终端型号的得分分析数据是存储与每个移动终端型号相对应的风险得分、可靠性得分、以及整体得分的平均数据(统计值)的表格。
应注意，尽管在图16所示的示例中仅将行驶位置、车辆类型、和移动终端型号指示为类别，但也可以针对诸如包括性别和年龄的驾驶员信息、驾驶时间段、天气的各种类别中的每种生成分析数据。
此外，尽管在图16所示的示例中，将平均值计算为得分的统计值，但也可以使用诸如得分的中值和方差的各种值作为统计值。
(处理9)基于逐类别的得分分析数据来设定道路区域的处理
接下来将给出由管理服务器30执行的基于逐类别的得分分析数据来设定道路区域的处理的描述。
从上面(处理8)中生成的逐类别的得分分析数据获取“(1)针对每个行驶位置的得分分析数据”，并且然后，假设每组行驶位置的经度与纬度坐标(x,y)的可靠性得分和整体得分的统计值(例如，平均值)分别是
可靠性得分统计值＝Rplace(x,y)，以及
整体得分统计值＝Splace(x,y)。
搜索其中可靠性得分统计值Rplace(x,y)和整体得分统计值Splace(x,y)分别大于预先规定的阈值Rthres和阈值Sthres的位置组Acheck和Adanger。
具体地，搜索满足以下条件的位置：
可靠性得分统计值>可靠性得分阈值，即，
Rplace(x,y)>Rthres
作为待检查位置Acheck。
将通过该搜索处理找出的待检查位置Acheck设定为“经受驾驶得分分级的道路区域”。
此外，搜索满足以下条件的位置：
整体得分统计值>整体得分阈值，即，
Splace(x,y)>Sthres
以作为风险位置Adanger。
将通过该搜索处理找出的风险位置Adanger设定为“已经发生危险驾驶的道路区域”。
此外，搜索其中可靠性得分统计值Rplace(x,y)小于预先规定的奖励点阈值R2thres的位置组Areward。
具体地，搜索满足以下条件的位置：
可靠性得分统计值<奖励点阈值，即，
Rplace(x,y)<R2thres
以作为奖励点授予位置Areward。
将通过该搜索处理找出的奖励点授予位置Areward设定为“经受奖励点获得的道路区域”。
管理服务器30将下列区域信息存储在由管理服务器30管理的地图信息数据库中。
(1)经受驾驶得分分级的道路区域
(2)已经发生危险驾驶的道路区域
(3)经受奖励点获得的道路区域
基于由管理服务器30做出的决策将地图信息数据库中的信息释放给用户。
应注意，由以下公式(公式7)表示以下区域。
(1)经受驾驶得分分级的道路区域：Acheck
(2)已经发生危险驾驶的道路区域：Adanger
(3)经受奖励点获得的道路区域：Areward
Acheck＝{(x,y)|Rplace(x,y)>Rthres}
Adanger＝{(x,y)|Splace(x,y)>Sthres}
Areward＝{(x,y)|Rplace(x,y)<R2thres}...(公式7)
图17示出指示(处理9)的过程的流程图。
将给出图17中示出的流程中的各个步骤的处理的描述。
(步骤S401)
首先，在步骤S401中，管理服务器30针对每组行驶位置的经度与纬度坐标(x,y)获取可靠性得分和整体得分的统计值，即，
可靠性得分统计值＝Rplace(x,y)，以及
整体得分统计值＝Splace(x,y)。
(步骤S402)
接下来，在步骤S402中，管理服务器30通过与预先规定的阈值进行比较来设定以下区域。
(1)经受驾驶得分分级的道路区域：Acheck
(2)已经发生危险驾驶的道路区域：Adanger
(3)经受奖励点获得的道路区域：Areward
即，如上所述，通过以下公式定义相应的区域。
Acheck＝{(x,y)|Rplace(x,y)>Rthres}
Adanger＝{(x,y)|Splace(x,y)>Sthres}
Areward＝{(x,y)|Rplace(x,y)<R2thres}
(步骤S403)
接下来，在步骤S403中，管理服务器30将以下区域信息注册在地图信息提供DB中。
(1)经受驾驶得分分级的道路区域：Acheck
(2)已经发生危险驾驶的道路区域：Adanger
(3)经受奖励点获得的道路区域：Areward
应注意，如先前描述，基于由管理服务器30做出的决策将该地图信息数据库中的信息释放给用户。
如上所述，管理服务器30基于多条行驶数据来计算与各种车辆类型、型号、位置、天气、以及日期和时间相对应的风险得分、可靠性得分、以及整体得分的统计值并且进一步基于统计值设定上面的区域中的每个区域。
用户可以经由移动终端20来参考区域设定信息。
[5.在创建驾驶行为分析DB之后的使用驾驶行为估计应用的处理]
接下来将给出在由管理服务器30创建驾驶行为分析结果DB 82之后，由用户(例如，驾驶员)使用安装在移动终端20中的驾驶行为估计应用执行的处理的描述。
将按顺序给出下列项的描述：
(1)使用驾驶行为估计应用的行驶开始前的处理
(2)使用驾驶行为估计应用的行驶期间的处理
(3)使用驾驶行为估计应用的行驶后的处理
[5-(1)使用驾驶行为估计应用的行驶开始前的处理]
首先，将给出通过使用驾驶行为估计应用在行驶开始前执行的处理的描述。
将参考图18中示出的流程图，给出由移动终端20执行的使用驾驶行为估计应用22在行驶开始前的处理序列的描述。
(步骤S501)
首先，在步骤S501中，移动终端20的用户启动已经安装在移动终端20中的驾驶行为估计应用22、显示初始画面、键入移动终端型号信息和所使用的车辆类型信息、并且将这些信息发送至管理服务器30。
(步骤S502)
接下来，在步骤S502中，移动终端20从管理服务器30接收与步骤S501中所键入的移动终端型号信息和所使用的车辆类型信息的组合相对应的估计可靠性信息并且在移动终端20上显示该估计可靠性信息。
图19示出移动终端20上所显示的画面的示例。
终端型号：abcpohne-x
车辆类型：xyz-czr
上面的信息是用户在步骤S501中所键入的移动终端型号信息和所使用的车辆类型信息。
估计可靠性：87，(注释＝可进行驾驶行为的高度准确估计)
这是步骤S502中从管理服务器30接收的估计可靠性信息并且与用户键入的移动终端型号信息和所使用的车辆类型信息的组合相对应。
此外，根据估计可靠性的值的注释从管理服务器30发送并且作为注释显示在移动终端20上。
估计可靠性87相对较高，由于用户移动终端型号与所使用的车辆类型被组合，所以允许对驾驶行为进行高度可靠地估计。由管理服务器30提供将此事实通知给用户的注释。
应注意，与移动终端型号信息和所使用的车辆类型信息的组合相对应的估计可靠性信息是存储在由管理服务器30管理的驾驶行为分析结果DB82中的数据。
管理服务器30根据各种移动终端型号和车辆类型执行驾驶行为估计处理，从而基于该数据的验证结果生成与移动终端型号信息和所使用的车辆类型信息的组合相对应的估计可靠性信息并且将信息存储在驾驶行为分析结果DB 82中。
在步骤S502中，将该数据从管理服务器30提供至移动终端20，以在移动终端20上显示。
(步骤S503)
接下来，在步骤S503中，移动终端20的用户基于驾驶行为估计处理设定等级(得分)波动范围并且将设定信息发送至管理服务器30。
如先前参考图13至图16描述的，管理服务器30基于终端获取信息计算驾驶行为估计值并且基于驾驶行为估计值计算各种得分。即，计算(1)风险得分、(2)可靠性得分、以及(3)整体得分。
此处，(1)风险得分与(3)整体得分是可以用作表示用户(驾驶员)安全驾驶水平的指标的得分，并且这些得分可以用于诸如保险费计算和点数授予的各种服务。
具体地，将(1)风险得分与(3)整体得分提供给保险公司，例如以用于费用计算，使得如果保险公司估计用户(驾驶员)以非危险的方式安全驾驶，则他或她将被收取较低的保险费。
如先前描述，例如，通过基于风险得分和可靠性得分的运算处理来计算整体得分，以落在0至100点的范围内。0点与危险驾驶相对应，而100点与安全驾驶相对应。
然而，尽管当估计可靠性较高时，该得分(整体得分)高度可靠，然而，当估计可靠性较低时，该得分较不可靠。
用户考虑到该因素设定得分波动范围。在由用户设定的得分波动范围较小的情况下，通过基于风险得分和可靠性得分的运算处理而计算出的得分(整体得分)保持处于诸如50点附近的一平均值。
同时，在用户设定的得分波动范围较大的情况下，存在通过基于风险得分和可靠性得分的计算处理而计算出的得分(整体得分)可能具有在0点与100点之间明显波动的值的可能性。
因此，对驾驶有信心的用户可以针对得分计算设定较大的波动范围，使得可以获取较高的等级。然而，应注意，如果用户具有不良的驾驶行为，则这反而可能导致较低的等级。
相反，对驾驶没有信心的用户可以通过减小等级的波动范围来期望稳定的得分。
(步骤S504)
接下来，在步骤S504中，移动终端20的用户设定向该用户发出通知(预先通知和事后通知)的频率并且将设定信息发送至管理服务器30。
向用户发出通知的示例包括诸如即将接近的“已经发生危险驾驶的道路区域”的预先通知和诸如针对基于驾驶行为估计值确定的危险的用户驾驶行为(例如，突然制动动作)的警告的事后通知。
用户可以设定通知的频率。
图20示出用于设定通知的频率的画面的示例。
如图20中示出的，用户可以单独设定预先通知的频率和事后通知的频率。
将该设定信息发送至管理服务器30，之后，管理服务器30基于设定信息判断是否向用户发出通知并且根据判断结果执行通知用户的处理。
[5-(2)使用驾驶行为估计应用的行驶期间的处理]
接下来将给出使用驾驶行为估计应用在行驶期间执行的处理的描述。
将参考图21中示出的流程图，给出移动终端20执行的使用驾驶行为估计应用22在行驶期间的处理序列的描述。
将按顺序对图21示出的流程的各个步骤中的处理进行描述。
(步骤S601)
首先，在步骤S601中，从管理服务器30发送当前位置信息和当前位置附近的地图信息至移动终端20，以在移动终端20的显示部上进行显示。管理服务器30具有地图信息DB83，以基于从移动终端20接收的当前位置信息，从地图信息DB 83获取包括当前位置附近的地图，并且将地图发送至移动终端20以用于在显示部上进行显示。
(步骤S602)
此外，管理服务器30以叠加方式在移动终端20上显示的地图信息上显示下列道路区域信息。
(1)经受驾驶得分分级的道路区域：Acheck
(2)已经发生危险驾驶的道路区域：Adanger
(3)经受奖励点获得的道路区域：Areward
应注意，如先前描述，这些道路区域信息注册在由管理服务器30管理的地图信息DB 83中。
图22示出了在步骤S602中的处理之后移动终端20的显示部上所显示的数据的示例。
如图22中示出的，在移动终端20的显示部上显示包括当前位置的地图，并且此外，将下列三种道路区域信息以彼此区分开的方式显示在地图的道路上。
(1)经受驾驶得分分级的道路区域：Acheck
(2)已经发生危险驾驶的道路区域：Adanger
(3)经受奖励点获得的道路区域：Areward
(步骤S603)
接下来，在步骤S603中，用户(驾驶员)在设定行驶路线之后开始行驶。在行驶开始之后，开始基于移动终端20的终端获取信息计算驾驶行为估计值的处理。
应注意，通过下列任一模式执行基于终端获取信息的驾驶行为估计值计算处理。
(1)将移动终端20的所获取信息发送至管理服务器30、之后管理服务器30通过使用学习模型来估计驾驶行为的模式
(2)移动终端20获取由管理服务器30生成的学习模型、之后移动终端20基于终端获取信息计算驾驶行为估计值的模式
应注意，即使在以模式(2)估计驾驶行为的情况下，移动终端20也将终端获取信息和驾驶行为估计值发送至管理服务器30。
服务器30将包括终端获取信息的获取信息、基于终端获取信息的驾驶行为估计值、估计可靠性、以及其他信息记录在驾驶行为分析结果DB 82中。
(步骤S604和步骤S605)
在步骤S604中，在行驶开始之后，做出车辆是否在经受驾驶得分分级的道路区域中行驶的判断。
如果判断出车辆在经受驾驶得分分级的道路区域中行驶，则将在该道路区域中的行驶距离记录在驾驶行为分析结果DB 82中。
不仅将包括终端获取信息的获取信息、基于终端获取信息的驾驶行为估计值、估计可靠性、以及其他信息记录在驾驶行为分析结果DB 82中，而且还将在经受驾驶得分分级的道路区域中的行驶距离记录在驾驶行为分析结果DB 82中。
在计算驾驶得分时，考虑到行驶距离来计算得分。
(步骤S606和步骤S607)
此外，在步骤S606中，做出车辆是否在经受奖励点获得的道路区域中行驶的判断。
如果判断出车辆在经受奖励点获得的道路区域中行驶，则将在该道路区域中的行驶距离记录在驾驶行为分析结果DB 82中。
不仅将包括终端获取信息的获取信息、基于终端获取信息的驾驶行为估计值、估计可靠性、以及其他信息记录在驾驶行为分析结果DB 82中，而且还将在经受奖励点获得的道路区域中的行驶距离记录在驾驶行为分析结果DB 82中。
在奖励点计算时，考虑到行驶距离来计算奖励点。
(步骤S609至步骤S611)
此外，在步骤S609中，做出车辆是否正在靠近已经发生危险驾驶的道路区域的判断。
在判断出车辆正在靠近已经发生危险驾驶的道路区域的情况下，在步骤S610中根据需要经由移动终端20通知用户车辆正在靠近风险道路。应注意，考虑到用户设定的水平(频率)来发出该通知。
图23示出通知处理的示例。如图23中示出的，在判断出车辆靠近已经发生危险驾驶的道路区域的情况下，通知用户车辆正在靠近风险道路。
在判断出车辆未靠近任何发生危险驾驶的道路区域的情况下，根据需要，在步骤S611中，发出事后通知，以例如通知已经检测到诸如突然制动或突然转向的危险驾驶。应注意，考虑到用户设定的水平(频率)来发出该通知。
图24示出通知处理的示例。如图24中示出的，例如，在检测到突然转向的情况下，输出显示数据，以通知用户已经检测到突然转向。
(步骤S612)
在作为最后步骤的步骤S612中，做出行驶是否已经结束的判断。在行驶已经结束的情况下，基于通过移动终端获取的终端获取信息的驾驶行为估计处理终止。
在行驶未结束的情况下，处理返回至步骤S601、执行诸如更新地图的任务、并且继续执行步骤S601和后续步骤的处理。
如上所述，基于通过移动终端获取的终端获取信息继续执行驾驶行为估计处理，并且管理服务器30继续执行计算驾驶行为估计值、估计可靠性、以及各种得分的处理并且将所计算的数据存储在驾驶行为分析结果DB 82中。
[5-(3)使用驾驶行为估计应用的行驶后的处理]
接下来将给出使用驾驶行为估计应用的行驶后的处理的描述。
将参考图25中示出的流程图，给出由移动终端20使用驾驶行为估计应用22执行的行驶后的处理序列的描述。
将按顺序对图25示出的流程的各个步骤中的处理进行描述。
(步骤S701)
首先，在步骤S701中，包括行驶路线的地图信息从管理服务器30发送至移动终端20，以在移动终端20的显示部上进行显示。如先前描述，管理服务器30具有地图信息DB 83，并且进一步具有记录在该地图信息DB 83中的基于从移动终端20接收的当前位置信息的车辆所行驶的路线。
(步骤S702)
此外，在步骤S702中，管理服务器30在移动终端20上显示的地图信息之上，显示基于驾驶行为估计值和危险驾驶的细节而判断出的已经发生危险驾驶的位置。
图26示出具体示例。
例如，如图26的(a)中的显示数据示例‘a’示出的，在移动终端20显示的地图信息之上，显示基于驾驶行为估计值和危险驾驶的细节而判断出的已经发生危险驾驶的位置。
(步骤S703)
此外，在步骤S703中，管理服务器30在移动终端20上显示驾驶行为估计值的估计可靠性等于或小于规定的阈值并且许可用户进行校正的位置。
图26的(b)示出具体示例。
例如，如图26的(b)中的显示数据示例‘b’示出的，在移动终端20显示的地图信息之上，显示驾驶行为估计值的估计可靠性等于或小于规定的阈值并且许可用户进行校正的位置。
例如，在规定的阈值是0.3的情况下，显示估计可靠性为0.3或0.3以下的位置。此外，显示询问用户是否进行请求校正的消息。
(步骤S704和步骤S705)
管理服务器30在步骤S704中判断用户是否已经作出校正请求。
在用户触摸图26的(b)中的显示数据示例‘b’示出的“是”区域的情况下，校正请求发送至管理服务器30。
管理服务器30从许多已经完成其行驶的车辆的用户所携带的移动终端接收多个校正请求。
应注意，在参考图25和图26的流程中的步骤S703描述的示例中，尽管仅显示关于具有等于或小于阈值的估计可靠性的这些位置的信息，然而，也可以响应用户请求显示所有位置的估计可靠性，而不管估计可靠性如何。
例如，如图27的(a)中的显示数据示例‘a’示出的，在移动终端20上显示的地图信息之上显示基于驾驶行为估计值和危险驾驶的细节而判断出的已经发生危险驾驶的位置，并且用户触摸显示该信息的区域。
如图27的(b)中示出的，该处理使显示与驾驶行为估计值相对应的估计可靠性值。该估计可靠性是0.81(即，大于规定的阈值0.3)。因此，用户不能请求校正。在该情况下，显示指示校正请求未被许可的消息。
接下来将参考图28中示出的流程图，给出管理服务器30从移动终端接收校正请求并且进行校正的处理的处理序列的描述。
将按顺序对图28示出的流程的各个步骤中的处理进行描述。
(步骤S721)
首先，在步骤S721中，管理服务器30从每个用户的移动终端20接收校正请求。
(步骤S722)
接下来，在步骤S722中，管理服务器30判断从移动终端20接收的校正请求的数量是否已达到或超过规定的阈值。
在校正请求的数量尚未达到或超过规定的阈值的情况下，处理终止。
同时，在判断出校正请求的数量已达到或超过规定的阈值的情况下，处理进行至步骤S723。
(步骤S723)
在步骤S722中判断出校正请求的数量已达到或超过规定的阈值的情况下，处理进行至步骤S723。
在步骤S723中，管理服务器30对驾驶行为估计值和基于驾驶行为估计值的得分计算结果进行校正。
(步骤S724)
此外，在步骤S724中，管理服务器30将校正结果和奖励点发送至已经发送校正请求的移动终端。
图29示出具体示例。
如图29中示出的，显示用户的驾驶行为被判断为危险的并且用户已经做出校正请求的位置，并且显示指示已校正该位置处的驾驶行为估计值和得分的消息。此外，还显示指示将奖励点作为校正许可的结果授予给用户的另一消息。
应注意，奖励点具体是用于商品折扣的点、应用于保险费折扣的点等。
管理服务器30通过与其他信息提供服务器和服务提供服务器协作来管理这些点的授予和使用。
(步骤S725)
此外，在步骤S725中，管理服务器30执行将校正结果反映至学习数据中的处理。例如，管理服务器30执行对存储在驾驶行为分析结果数据库82中的驾驶行为估计值和基于驾驶行为估计值的得分计算结果进行校正并且将校正结果反映至学习数据中的处理。
[6.信息处理装置的配置例]
接下来将参考图30给出可应用为移动终端20或管理服务器30的信息处理装置的硬件配置例的描述。
可应用为移动终端20或管理服务器30的信息处理装置例如具有图30中示出的硬件配置。
CPU(中央处理单元)301用作根据存储在ROM(只读存储器)302或存储部308中的程序执行各种处理的数据处理部。例如，CPU 301根据上面实施方式中描述的序列执行处理。RAM(随机存取存储器)303存储由CPU 301执行的程序、数据等。CPU 301、ROM 302、以及RAM303通过总线304连接至彼此。
CPU 301经由总线304连接至输入/输出接口305，并且输入部306和输出部307连接至输入/输出接口305，该输入部306包括各种开关、键盘、触摸面板、鼠标、麦克风等，该输出部307包括显示器、扬声器等。
应注意，移动终端20的输入部包括诸如加速度传感器、速度传感器、GPS传感器、以及转速传感器的信息获取部，以获取用于估计驾驶行为的信息。
管理服务器30或移动终端20的CPU 301基于终端获取信息对驾驶行为进行估计。
例如，连接至输入/输出接口305的存储部308包括硬盘并且存储由CPU 301执行的程序及各种各样的数据。通信部309用作经由诸如互联网或局域网的网络以进行数据通信的发送/接收部并且还用作广播波发送/接收部并且与外部装置通信。
连接至输入/输出接口305的驱动器310驱动诸如磁盘、光盘、磁光盘、或诸如存储卡的半导体存储器的的可移除介质311，并且将数据记录至可移除介质311并从可移除介质311读取数据。
[7.本公开的配置的结论]
上面已经参考具体实施方式对本公开的实施方式进行了描述。然而，显而易见的是，在不偏离本公开的要旨的情况下，本领域技术人员可以对实施方式进行修改或替换。即，本发明通过说明的方式公开并且不应以限制性的方式进行解释。为了评估本公开的要旨，应考虑权利要求。
应注意，本说明书中公开的技术还可以具有下列配置：
(1)一种信息处理装置，包括：
数据处理部，被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理；其中，
数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
(2)根据特征(1)的信息处理装置，其中，
学习模型包括这样的学习模型，该学习模型通过终端获取信息和车辆的观察信息的输入而生成，并且被配置为接收各种各样的终端获取信息的输入，以输出驾驶行为估计值和作为驾驶行为估计值的可靠性的估计可靠性。
(3)根据特征(1)或(2)的信息处理装置，其中，
终端获取信息包括加速度信息、转速信息、以及位置信息中的至少任一项。
(4)根据特征(1)至(3)中任一项的信息处理装置，其中，
数据处理部执行应用了驾驶行为估计值和作为驾驶行为估计值的可靠性的估计可靠性的得分计算处理。
(5)根据特征(4)的信息处理装置，其中，
数据处理部执行计算下列得分中的至少任一项的处理：
(1)风险得分，作为表示驾驶员的驾驶风险程度的指标；
(2)可靠性得分，作为驾驶行为估计值的整体估计可靠性的指标值；以及
(3)整体得分，表示驾驶员的驾驶诊断结果。
(6)根据特征(5)的信息处理装置，其中，
数据处理部通过使用风险得分和可靠性得分的计算处理来计算整体得分。
(7)根据特征(5)或(6)的信息处理装置，其中，
数据处理部根据车辆类型以及移动终端型号中的至少任一项来计算得分。
(8)根据特征(5)至(7)中任一项的信息处理装置，其中，
数据处理部生成具有基于得分而确定的道路区域信息的信息，并且将该信息输出至移动终端，该道路区域信息被叠加在地图上。
(9)根据特征(8)的信息处理装置，其中，
道路区域信息包括下列中的任一项：
(1)关于经受驾驶得分分级的道路区域的信息；
(2)关于已经发生危险驾驶的道路区域的信息；以及
(3)关于经受奖励点获得的道路区域的信息。
(10)根据特征(9)的信息处理装置，其中，
数据处理部执行通知靠近已经发生危险驾驶的道路区域的预先通知处理。
(11)根据特征(1)至(9)中任一项的信息处理装置，其中，
数据处理部执行通知已经执行危险驾驶行为的事后通知处理。
(12)根据特征(1)至(10)中任一项的信息处理装置，其中，
数据处理部从移动终端接收对驾驶行为估计结果或基于该驾驶行为估计值结果的得分计算结果进行校正的请求，并且执行校正处理。
(13)根据特征(12)的信息处理装置，其中，
在已基于校正请求执行了校正处理的情况下，数据处理部将奖励点授予用户，该用户的移动终端发送了校正请求。
(14)一种信息处理系统，包括：
管理服务器；以及
移动终端；其中，
移动终端包括设置在车辆中的移动终端；
由移动终端获取的终端获取信息被发送至管理服务器；并且
管理服务器将从移动终端接收的终端获取信息输入至学习模型，以输出车辆的驾驶员的驾驶行为估计值。
(15)根据特征(14)的信息处理系统，其中，
管理服务器将从移动终端接收的终端获取信息输入至学习模型，以输出驾驶行为估计值和作为驾驶行为估计值的可靠性的估计可靠性。
(16)根据特征(14)或(15)的信息处理系统，其中，
管理服务器通过应用驾驶行为估计值和作为驾驶行为估计值的可靠性的估计可靠性，来执行计算下列中的至少任一项的处理：
(1)风险得分，作为表示驾驶员的驾驶风险程度的指标；
(2)可靠性得分，作为驾驶行为估计值的整体估计可靠性的指标值；以及
(3)整体得分，表示驾驶员的驾驶诊断结果。
(17)一种在信息处理装置中执行的信息处理方法，该信息处理装置包括：
数据处理部，被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理；其中，
数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
(18)一种在包括管理服务器和移动终端的信息处理系统中执行的信息处理方法，其中，
移动终端包括设置在车辆中的移动终端；
通过移动终端获取的终端获取信息被发送至管理服务器；并且
管理服务器将从移动终端接收的终端获取信息输入至学习模型，以输出车辆的驾驶员的驾驶行为估计值。
(19)一种用于使在信息处理装置中执行信息处理的程序，信息处理装置包括：
数据处理部，被配置为接收作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对车辆的驾驶员的驾驶行为进行估计的处理；
该程序使数据处理部基于终端获取信息通过应用预先生成的学习模型来计算驾驶员的驾驶行为估计值。
此外，本说明书中所描述的一系列处理可以通过硬件、软件、或其组合执行。在通过软件执行该系列的处理的情况下，存储处理序列的程序可以安装至被整合在专用硬件中的计算机或者能够执行各种处理任务的通用计算机的存储器以用于运行。例如，程序可以预先记录在记录介质中。除从记录介质安装至计算机之外，程序可以经由诸如LAN(局域网)或互联网的网络接收并且安装至诸如硬盘的内置的记录介质。
应注意，本说明书中所描述的各个处理不仅可以根据描述按照时间顺序执行，而且还可以根据执行处理的装置的处理能力或根据需要并行或单独地执行。此外，本说明书中的术语“系统”指多个装置的逻辑集合的配置，并且该多个装置中的每个用作部件，而不必需要容纳在同一壳体中。
工业应用性
如上所述，根据本公开的实施方式的配置，实现了一种将车辆中的移动终端的终端获取信息输入至学习模型、对驾驶员的驾驶行为进行估计、并且执行诸如基于估计结果计算得分和发出通知的处理的配置。
具体地，例如，输入由车辆中的移动终端获取的诸如加速度信息的终端获取信息，并且执行对车辆的驾驶员的驾驶行为进行估计的处理。基于终端获取信息通过应用学习模型计算驾驶员的驾驶行为估计值和驾驶行为估计值的估计可靠性。此外，执行计算作为表示驾驶员的驾驶风险程度的指标的风险得分、作为驾驶行为估计值的整体估计可靠性的指标值的可靠性得分、表示驾驶员的驾驶诊断结果的整体得分的处理等，并且执行基于得分向移动终端的用户发出通知的通知处理等。
本配置实现了一种将车辆中的移动终端的终端获取信息输入至学习模型、对驾驶员的驾驶行为进行估计、并且执行诸如基于估计结果计算得分和发出通知的处理的配置。
参考标号列表
10：车辆
11：驾驶员
20：移动终端
21：信息获取应用
22：驾驶行为估计应用
30：管理服务器
41、42：信息提供服务器
43、44：服务提供服务器
50：终端获取信息
60：观察信息
70：学习数据
80：学习处理部
81：学习模型
90：驾驶行为估计部
301：CPU
302：ROM
303：RAM
304：总线
305：输入/输出接口
306：输入部
307：输出部
308：存储部
309：通信部
310：驱动器
311：可移除介质。

Claims (19)

1.一种信息处理装置，包括：
数据处理部，被配置为作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对所述车辆的驾驶员的驾驶行为进行估计的处理，其中，
所述数据处理部基于所述终端获取信息通过应用预先生成的学习模型来计算所述驾驶员的驾驶行为估计值。
2.根据权利要求1所述的信息处理装置，其中，
所述学习模型包括这样的学习模型：该学习模型通过所述终端获取信息和所述车辆的观察信息的输入而生成，并且被配置为各种各样的所述终端获取信息的输入以输出所述驾驶行为估计值和作为所述驾驶行为估计值的可靠性的估计可靠性。
3.根据权利要求1所述的信息处理装置，其中，
所述终端获取信息包括加速度信息、转速信息、以及位置信息中的至少任一项。
4.根据权利要求1所述的信息处理装置，其中，
所述数据处理部执行应用了所述驾驶行为估计值和作为所述驾驶行为估计值的可靠性的估计可靠性的得分计算处理。
5.根据权利要求4所述的信息处理装置，其中，
所述数据处理部执行计算下列得分中的至少任一项的处理：
(1)风险得分，作为表示所述驾驶员的驾驶风险程度的指标；
(2)可靠性得分，作为所述驾驶行为估计值的整体估计可靠性的指标值；以及
(3)整体得分，表示所述驾驶员的驾驶诊断结果。
6.根据权利要求5所述的信息处理装置，其中，
所述数据处理部通过使用所述风险得分和所述可靠性得分的运算处理来计算所述整体得分。
7.根据权利要求5所述的信息处理装置，其中，
所述数据处理部根据车辆类型以及移动终端型号中的至少任一项来计算得分。
8.根据权利要求5所述的信息处理装置，其中，
所述数据处理部生成具有基于得分而确定的道路区域信息的信息，并且将所述信息输出至所述移动终端，所述道路区域信息被叠加在地图上。
9.根据权利要求8所述的信息处理装置，其中，
所述道路区域信息包括下列中的任一项：
(1)关于经受驾驶得分分级的道路区域的信息；
(2)关于已经发生危险驾驶的道路区域的信息；以及
(3)关于经受奖励点获得的道路区域的信息。
10.根据权利要求9所述的信息处理装置，其中，
所述数据处理部执行通知正靠近已经发生危险驾驶的所述道路区域的预先通知处理。
11.根据权利要求1所述的信息处理装置，其中，
所述数据处理部执行通知已经执行危险驾驶行为的事后通知处理。
12.根据权利要求1所述的信息处理装置，其中，
所述数据处理部从所述移动终端接收对驾驶行为估计结果或者基于所述驾驶行为估计结果的得分计算结果进行校正的请求，并且执行校正处理。
13.根据权利要求12所述的信息处理装置，其中，
在已基于校正请求执行了所述校正处理的情况下，所述数据处理部将奖励点授予用户，所述用户的所述移动终端发送了所述校正请求。
14.一种信息处理系统，包括：
管理服务器；以及
移动终端，其中，
所述移动终端包括设置在车辆中的移动终端；
由所述移动终端获取的终端获取信息被发送至所述管理服务器；并且
所述管理服务器将从所述移动终端接收的所述终端获取信息输入至学习模型，以输出所述车辆的驾驶员的驾驶行为估计值。
15.根据权利要求14所述的信息处理系统，其中，
所述管理服务器将从所述移动终端接收的所述终端获取信息输入至所述学习模型，以输出所述驾驶行为估计值和作为所述驾驶行为估计值的可靠性的估计可靠性。
16.根据权利要求14所述的信息处理系统，其中，
所述管理服务器通过应用所述驾驶行为估计值和作为所述驾驶行为估计值的可靠性的估计可靠性，来执行计算下列中的至少任一项的处理：
(1)风险得分，作为表示所述驾驶员的驾驶风险程度的指标；
(2)可靠性得分，作为所述驾驶行为估计值的整体估计可靠性的指标值；以及
(3)整体得分，表示所述驾驶员的驾驶诊断结果。
17.一种在信息处理装置中执行的信息处理方法，所述信息处理装置包括：
数据处理部，被配置为作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对所述车辆的驾驶员的驾驶行为进行估计的处理；其中，
所述数据处理部基于所述终端获取信息通过应用预先生成的学习模型来计算所述驾驶员的驾驶行为估计值。
18.一种在包括管理服务器和移动终端的信息处理系统中执行的信息处理方法，其中，
所述移动终端包括设置在车辆中的移动终端；
由所述移动终端获取的终端获取信息被发送至所述管理服务器；并且
所述管理服务器将从所述移动终端接收的所述终端获取信息输入至学习模型，以输出所述车辆的驾驶员的驾驶行为估计值。
19.一种使在信息处理装置中执行信息处理的程序，所述信息处理装置包括：
数据处理部，被配置为作为由车辆中的移动终端获取的信息的终端获取信息的输入，并且执行对所述车辆的驾驶员的驾驶行为进行估计的处理，
所述程序使所述数据处理部基于所述终端获取信息通过应用预先生成的学习模型来计算所述驾驶员的驾驶行为估计值。
CN201980053890.3A 2018-08-17 2019-06-21 信息处理装置、信息处理系统、信息处理方法、以及程序 Pending CN112567437A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-153365 2018-08-17
JP2018153365 2018-08-17
PCT/JP2019/024659 WO2020035996A1 (ja) 2018-08-17 2019-06-21 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム

Publications (1)

Publication Number Publication Date
CN112567437A true CN112567437A (zh) 2021-03-26

Family

ID=69524743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980053890.3A Pending CN112567437A (zh) 2018-08-17 2019-06-21 信息处理装置、信息处理系统、信息处理方法、以及程序

Country Status (5)

Country Link
US (1) US20210206382A1 (zh)
JP (4) JP7070688B2 (zh)
CN (1) CN112567437A (zh)
DE (1) DE112019004143T5 (zh)
WO (1) WO2020035996A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11167836B2 (en) 2018-06-21 2021-11-09 Sierra Nevada Corporation Devices and methods to attach composite core to a surrounding structure
US11475223B2 (en) 2019-07-30 2022-10-18 Adobe Inc. Converting tone of digital content
WO2021057504A1 (en) * 2019-09-29 2021-04-01 Zhejiang Dahua Technology Co., Ltd. Systems and methods for traffic monitoring
US11500374B2 (en) * 2020-11-03 2022-11-15 Kutta Technologies, Inc. Intelligent multi-level safe autonomous flight ecosystem
CN113085872B (zh) * 2021-04-23 2023-04-11 平安科技（深圳）有限公司 驾驶行为评估方法、装置、设备及存储介质
CN113221984A (zh) * 2021-04-29 2021-08-06 平安科技（深圳）有限公司 用户酒驾行为分析预测方法、装置、设备及存储介质
WO2023032806A1 (ja) * 2021-08-31 2023-03-09 住友ファーマ株式会社 立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法
CN113942520B (zh) * 2021-10-27 2023-03-24 昆明理工大学 一种驾驶人可靠度计算方法
US11760362B2 (en) * 2021-12-20 2023-09-19 Veoneer Us, Llc Positive and negative reinforcement systems and methods of vehicles for driving
WO2023159529A1 (zh) * 2022-02-26 2023-08-31 华为技术有限公司 一种地图数据处理方法及装置
JP7178147B1 (ja) 2022-07-15 2022-11-25 株式会社スマートドライブ 情報処理装置、情報処理方法、プログラム

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016057836A (ja) * 2014-09-09 2016-04-21 株式会社日立製作所 移動体分析システムおよび移動体の方向軸推定方法
JP2016197308A (ja) * 2015-04-03 2016-11-24 株式会社日立製作所 運転診断方法および運転診断装置
JP2017227656A (ja) * 2017-10-05 2017-12-28 ヤフー株式会社 判定装置、判定方法及び判定プログラム
JP2018028528A (ja) * 2017-06-09 2018-02-22 ヤフー株式会社 推定装置、推定方法及び推定プログラム
CN108108766A (zh) * 2017-12-28 2018-06-01 东南大学 基于多传感器数据融合的驾驶行为识别方法及系统
WO2018116862A1 (ja) * 2016-12-22 2018-06-28 ソニー株式会社 情報処理装置および方法、並びにプログラム
CN108248609A (zh) * 2016-12-29 2018-07-06 现代自动车株式会社 混合动力车辆和在混合动力车辆中预测驾驶样式的方法
US10049408B2 (en) * 2014-04-15 2018-08-14 Speedgauge, Inc. Assessing asynchronous authenticated data sources for use in driver risk management

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014154005A (ja) 2013-02-12 2014-08-25 Fujifilm Corp 危険情報提供方法、装置、及びプログラム
JP5990553B2 (ja) * 2014-04-22 2016-09-14 株式会社日立製作所 携帯端末用プログラム、携帯端末、自動車運転特性診断システム、自動車加速度算出方法
JP2015219736A (ja) * 2014-05-19 2015-12-07 東芝アルパイン・オートモティブテクノロジー株式会社 運転支援装置
JP6451282B2 (ja) 2014-12-12 2019-01-16 富士通株式会社 運転操作に関する分析データ生成プログラム、分析データ生成方法、ポスター、および情報処理装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10049408B2 (en) * 2014-04-15 2018-08-14 Speedgauge, Inc. Assessing asynchronous authenticated data sources for use in driver risk management
JP2016057836A (ja) * 2014-09-09 2016-04-21 株式会社日立製作所 移動体分析システムおよび移動体の方向軸推定方法
JP2016197308A (ja) * 2015-04-03 2016-11-24 株式会社日立製作所 運転診断方法および運転診断装置
WO2018116862A1 (ja) * 2016-12-22 2018-06-28 ソニー株式会社 情報処理装置および方法、並びにプログラム
CN108248609A (zh) * 2016-12-29 2018-07-06 现代自动车株式会社 混合动力车辆和在混合动力车辆中预测驾驶样式的方法
JP2018028528A (ja) * 2017-06-09 2018-02-22 ヤフー株式会社 推定装置、推定方法及び推定プログラム
JP2017227656A (ja) * 2017-10-05 2017-12-28 ヤフー株式会社 判定装置、判定方法及び判定プログラム
CN108108766A (zh) * 2017-12-28 2018-06-01 东南大学 基于多传感器数据融合的驾驶行为识别方法及系统

Also Published As

Publication number Publication date
JP2022105513A (ja) 2022-07-14
JP7332228B2 (ja) 2023-08-23
US20210206382A1 (en) 2021-07-08
JP7459891B2 (ja) 2024-04-02
DE112019004143T5 (de) 2021-06-10
JP2023100736A (ja) 2023-07-19
WO2020035996A1 (ja) 2020-02-20
JPWO2020035996A1 (ja) 2021-08-10
JP2023143974A (ja) 2023-10-06
JP7070688B2 (ja) 2022-05-18

Similar Documents

Publication Publication Date Title
CN112567437A (zh) 信息处理装置、信息处理系统、信息处理方法、以及程序
US20210150390A1 (en) Systems and methods for providing visual allocation management
US10137889B2 (en) Method for smartphone-based accident detection
US10078871B2 (en) Systems and methods to identify and profile a vehicle operator
US20200134735A1 (en) Enhancement using analytics based on vehicle kinematic data
US20240095844A1 (en) Method and system for vehicular collision reconstruction
US20140322676A1 (en) Method and system for providing driving quality feedback and automotive support
JP2017211988A (ja) 階層型コンテキストアウェアによる手足の検出
CN111260482B (zh) 信息处理终端、计算机可读存储介质和控制方法
JP7074069B2 (ja) 情報処理装置および方法、並びにプログラム
JP2010256943A (ja) ドライバ状態判定システム、判定方法及び判定用プログラム
WO2018073831A1 (en) Partitioning sensor based data to generate driving pattern map
US20220292613A1 (en) System and method for assessing device usage
US11042938B1 (en) Driver identity detection and alerts
JP6303795B2 (ja) 経路探索システム及び経路探索方法
Kim et al. Design of driver readiness evaluation system in automated driving environment
JP6401821B1 (ja) 運転負荷推定装置
EP4300336A1 (en) Method, apparatus, and computer program product for estimating the privacy risk of anonymized trajectory data
US20230286512A1 (en) Information processing device, vehicle system, and information processing method
US20210233398A1 (en) Information processing apparatus, information processing method, and computer readable storage medium
JP2022078363A (ja) 情報処理装置及びプログラム
JP2023147652A (ja) 運転評価装置、運転評価システムおよび通知方法
JP2024500160A (ja) 問題の時刻を概算すること
JP2022088054A (ja) 情報処理装置
JPWO2020255295A1 (ja) 眠気検出用の閾値変更装置および眠気検出用の閾値変更方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210326

WD01 Invention patent application deemed withdrawn after publication