CN114072863A - 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统 - Google Patents

事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统 Download PDF

Info

Publication number
CN114072863A
CN114072863A CN202080046370.2A CN202080046370A CN114072863A CN 114072863 A CN114072863 A CN 114072863A CN 202080046370 A CN202080046370 A CN 202080046370A CN 114072863 A CN114072863 A CN 114072863A
Authority
CN
China
Prior art keywords
data
accident
accident risk
vehicle
trip
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
CN202080046370.2A
Other languages
English (en)
Inventor
中熊恭一
祖父江恒夫
北原伦理
堀越伸也
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.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Technologies 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 Hitachi High Technologies Corp filed Critical Hitachi High Technologies Corp
Publication of CN114072863A publication Critical patent/CN114072863A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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]
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow 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
    • G08G1/096708—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
    • 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
    • G08G1/096791—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 another vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

本发明实现高精度地推定驾驶员的事故风险的结构。事故风险诊断装置存储表示多个车辆各自的每个日期时间的行驶状态的数据即行驶数据、以及与多个车辆的过去的事故相关的信息，提取行驶数据中的、事故当天之前的预定期间的所述行驶数据和事故当天的行驶数据，并基于提取出的行驶数据，生成车辆启动到结束为止的期间即每个行程的训练数据，使用训练数据生成诊断事故风险的机器学习模型即事故风险诊断模型，将成为事故风险的诊断对象的车辆的行程中的特征量输入到事故风险诊断模型来诊断事故风险，将诊断结果发送给搭载于车辆的车载机。

Description

事故风险诊断方法、事故风险诊断装置以及事故风险诊断 系统
技术领域
本发明涉及事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统。
背景技术
本申请主张基于2019年7月8日申请的日本专利申请2019-127147号的优先权，援引其公开整体并引入到本申请中。
在专利文献1中，记载了能够对多个驾驶操作复合地进行驾驶诊断的驾驶诊断装置。驾驶诊断装置在本车辆在交叉路口暂时停止的情况下，提取存储于存储部的各指标中的、在本车辆通过的交叉路口进行了暂时停止的车辆的停止行为指标、起步(発進)行为指标、减速行为指标，将提取出的停止行为指标作为样本来求出停止行为特性的偏差值，将起步行为指标作为样本来求出起步行为特性的偏差值，将减速行为指标作为样本来求出减速行为特性的偏差值，将偏差值的合计作为诊断得分。
在专利文献2中，记载了对驾驶员的操作进行辅助的车辆用驾驶辅助装置。车辆用驾驶辅助装置分别取得表示当前的行驶状态和驾驶操作的短时间的数据、以及表示当天的行驶状态和驾驶操作的中时间的数据，通过比较短时间的数据的分布和中时间的数据的分布来进行驾驶诊断，按照2个评价基准评价驾驶诊断结果并进行警报或驾驶改善启示。
现有技术文献
专利文献
专利文献1：日本特开2016-62281号公报
专利文献2：日本特开2013-30188号公报
发明内容
发明所要解决的课题
近年来，开始提供有效利用了远程技术的汽车保险即车载保险(telematicinsurance)。车载保险是通过深度学习等机器学习/AI技术的提高、汽车与因特网连接的联网汽车所搭载的电子控制/通信技术的提高而实现的汽车保险。
在车载保险中，有支付与实际行驶距离对应的保险费的实际行驶距离联动型保险(PAYD(Pay As You Drive：按里程付费)型保险)和支付与行驶速度快、转弯粗糙等驾驶状况对应的保险费的驾驶特性联动型保险(PHYD(Pay How You Drive：按驾驶行为数据来计算保费)型保险)。均对发生事故的可能性高的人应用高的汽车保险费率，对发生事故的可能性低的人应用便宜的汽车保险费率。
然而，在实施车载保险时，要求基于从设置于车辆的车载机、驾驶员的智能手机等收集到的信息，考虑驾驶员的多样的驾驶状况的同时，以共同的尺度高精度地推定驾驶员引起事故的可能性(以下，称为“事故风险”)。
在此，在专利文献1所记载的技术中，使用交叉路口处的速度、加速度(停止/起步/减速)的数据，根据与其他车辆的行为特性的偏差来诊断驾驶员的适当驾驶状态。但是，在场所被限定于交叉路口的基础上，对限定了时间的驾驶动作进行比较，无法推定交叉路口以外的平时行驶时的事故风险是高还是低。
另外，在专利文献2所记载的技术中，通过比较本车的平时的驾驶行为与当天的驾驶行为，进行与平时相比危险这样的通知来辅助驾驶员。但是，比较平时和当天的驾驶行为终究是关于本车的相对评价，与其他车相比，不能绝对地评价本车的事故风险是高还是低。
本发明是鉴于这样的背景而完成的，其目的在于提供一种高精度地推定驾驶员的事故风险的结构。
用于解决课题的手段
用于实现上述目的的本发明之一是一种事故风险诊断方法，其中，信息处理装置执行如下步骤：存储表示多个车辆各自的每个日期时间的行驶状态的数据即行驶数据、以及与所述多个车辆的过去的事故相关的信息的步骤；提取所述行驶数据中的、事故当天之前的预定期间的所述行驶数据和所述事故当天的所述行驶数据，并基于提取出的所述行驶数据，生成从所述车辆启动到结束为止的期间即每个行程的训练数据的步骤；使用所述训练数据生成诊断事故风险的机器学习模型即事故风险诊断模型的步骤；以及将成为事故风险的诊断对象的所述车辆的所述行程中的特征量输入到所述事故风险诊断模型来诊断该车辆的事故风险的步骤。
此外，本申请所公开的课题及其解决方法通过用于实施发明的方式的栏以及附图而变得明确。
发明效果
根据本发明，能够提供高精度地推定驾驶员的事故风险的结构。
附图说明
图1是表示事故风险诊断系统的概略结构的图。
图2是实现诊断装置、车载机的信息处理装置的一例。
图3是表示诊断装置所具备的主要功能的图。
图4是表示车载机所具备的主要功能的图。
图5是行驶数据表的一例。
图6是事故数据表的一例。
图7是行程索引表的一例。
图8是行程数据表的一例。
图9是表示各种参数的结构的图。
图10是训练数据表的一例。
图11是测试行程索引表的一例。
图12是测试行程数据表的一例。
图13是测试数据表的一例。
图14是说明事故风险诊断处理的流程图。
图15是说明行程数据生成处理的流程图。
图16是说明事故信息准备处理的流程图。
图17是说明训练数据生成主处理的流程图。
图18是说明行程期间(事故前)判定处理的流程图。
图19是说明行程期间(事故当天)判定处理的流程图。
图20是说明训练数据生成处理的流程图。
图21是说明事故风险诊断模型生成处理的流程图。
图22是说明测试行程数据生成处理的流程图。
图23是说明测试数据生成处理的流程图。
图24是说明事故风险诊断处理的流程图。
图25的(a)是表示车载机显示基于事故风险诊断结果的信息的情形的图，(b)是表示便携信息终端显示上述信息的情形的图。
图26是表示第2实施方式的车载机所具备的主要功能的图。
图27是表示第3实施方式的车载机所具备的主要功能的图。
图28是表示第3实施方式的诊断装置所具备的主要功能的图。
图29是说明在第3实施方式的事故风险诊断系统中进行的处理的时序图。
具体实施方式
以下，参照附图对实施方式进行说明。在以下的说明中，有时对相同或类似的结构标注相同的符号并省略重复的说明。另外，在以下的说明中，在需要区分相同种类的结构来进行说明的情况下，有时在对相同种类的结构进行统称的符号之后用括号来标记识别符(数字、字母等)。
[第1实施方式]
图1表示作为一实施方式说明的事故风险诊断系统1的概略结构。如该图所示，事故风险诊断系统1包括事故风险诊断装置(以下，称为“诊断装置10”)和多个车载机20。
诊断装置10例如是由对实际行驶距离联动型保险(PAYD(Pay As You Drive：按里程付费)型保险)、驾驶特性联动型(PHYD(Pay How You Drive：按驾驶行为数据来计算保费)型保险)等车载保险进行处理的保险公司、从保险公司接受委托的系统运用公司等管理的信息处理装置(计算机)。
车载机20搭载于车辆2，是将与本车的运行状况(行驶状况)相关的信息(以下，称为“行驶数据”)经由通信网络5依次提供给诊断装置10的信息处理装置。作为车载机20的一例，有ECU(Electronic Control Unit：电子控制单元)、TCU(Telematic Control Unit：运程信息控制单元)、IVI系统(In-Vehicle Infotainment System：车载信息娱乐系统)、智能手机、功能手机(feature phone)、平板终端、头戴式显示器(Head Mounted Display)、声音输入装置、盲文输入装置以及振动检测装置等。车辆2例如是互联汽车(具备ICT(Information and Communication Technology：信息通信技术)终端的功能的车辆)。
诊断装置10与车载机20能够经由通信网络5相互通信地连接。通信网络5例如由移动通信(LTE、3G、4G、5G等)、无线LAN、WiFi(注册商标)、WiMax(注册商标)、因特网、LAN(Local Area Network：局域网)、WAN(Wide Area Network：广域网)、专用线等基于无线或有线方式的通信设备构成。经由通信网络5的通信例如按照遵照Ethernet(注册商标)、TCP/IP、CAN(Controller Area Network：控制器局域网)、Bluetooth(蓝牙，注册商标)、NFC(Near Field Communication：近距离无线通信)、USB(Universal Serial Bus：通用串行总线)、RS-232C等的协议来进行。
诊断装置10基于从搭载于多个车辆2的每一个的车载机20提供的行驶数据、以及与多个车辆2的每一个的事故相关的信息(以下，称为“事故数据”)，生成对车辆2的驾驶员(被保险人)等诊断对象者的事故风险进行诊断的机器学习模型(以下，称为“事故风险诊断模型”)，使用所生成的事故风险诊断模型对诊断对象者的事故风险进行诊断。此外，例如从预定的信息源(经由通信网络5连接的信息处理系统)依次提供事故数据。
这样，诊断装置10基于从多个车辆2收集到的行驶数据来生成事故风险诊断模型，根据所生成的事故风险诊断模型来诊断驾驶员的事故风险，因此不限定于特定场所的事故风险，能够考虑驾驶员的多样的驾驶状况，并且以共同的尺度高精度地推定事故风险。
图2是表示实现诊断装置10、车载机20的信息处理装置的一例的框图。如该图所示，例示的信息处理装置100具备处理器11、主存储装置12、辅助存储装置13、输入装置14、输出装置15以及通信装置16。此外，信息处理装置100例如也可以使用由云系统(CloudSystem)提供的云服务器(Cloud Server)那样的虚拟的信息处理资源来实现其全部或者一部分。
处理器11例如使用CPU(Central Processing Unit，中央处理单元)、MPU(MicroProcessing Unit，微处理单位)、GPU(Graphics Processing Unit，图形处理单元)、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、AI(Artificial Intelligence，人工智能)芯片等构成。
主存储装置12是存储程序、数据的装置，例如是ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、非易失性存储器(NVRAM(NonVolatile RAM))等。
辅助存储装置13例如是硬盘驱动器、SSD(Solid State Drive，固态硬盘)、光学式存储装置(CD(Compact Disc)、DVD(Digital Versatile Disc，数字多功能光盘)等)、存储系统、IC卡、SD卡、光学式记录介质等记录介质的读取/写入装置、云服务器的存储区域等。在辅助存储装置13中，能够经由记录介质的读取装置、通信装置16读入程序、数据。存储在辅助存储装置13中的程序、数据随时被读入到主存储装置12中。
输入装置14是接受来自外部的输入的接口，例如是键盘、鼠标、触摸面板、读卡器、声音输入装置、智能手机、平板电脑、头戴式显示器(Head Mounted Display)、各种控制设备(ECU(Electronic Control Unit，电子控制单元)、TCU(Telematic Control Unit，远程控制单元)、IVI系统(In-Vehicle Infotainment System，车载信息娱乐系统)等)、盲文输入装置以及振动检测装置等。
输出装置15是输出处理经过、处理结果等各种信息的接口。输出装置15例如是使上述各种信息可视化的显示装置(液晶监视器、LCD(Liquid Crystal Display)、图形卡等)、使上述各种信息声音化的装置(声音输出装置(扬声器等))、使上述各种信息文字化的装置(打印装置等)。此外，例如，信息处理装置100也可以构成为经由通信装置16与其他装置之间进行信息的输入、输出。
通信装置16是实现与其他装置之间的通信的装置。通信装置16是实现经由通信网络5的与其他装置之间的通信的有线方式或无线方式的通信接口，例如是NIC(NetworkInterface Card：网络接口卡)、各种无线通信模块、USB模块、串行通信模块等。
信息处理装置100例如可以包括操作系统、设备驱动器、文件系统、DBMS(DataBaseManagement System，数据库管理系统)等。
图3表示诊断装置10所具备的主要功能。如该图所示，诊断装置10具备存储部110、训练数据生成部120、事故风险诊断模型生成部130、测试数据生成部140、事故风险诊断部150以及输入输出控制部160的各功能。另外，训练数据生成部120包括行程数据生成部121、过去数据提取部122、事故当天数据提取部123以及事故信息准备处理部124。这些功能通过诊断装置10的处理器11读出并执行存储于主存储装置12的程序，或者通过诊断装置10所具备的硬件(FPGA、ASIC、AI芯片等)来实现。
在上述功能中，存储部110存储行驶数据表111、事故数据表112、行程索引表113、行程数据表114、各种参数115、训练数据表116、测试行程索引表117、测试行程数据表118、测试数据表119、事故风险诊断模型181以及事故风险诊断结果182。存储部110例如存储这些信息(数据)而作为DBMS提供的数据库的表格、文件系统提供的文件。
在存储部110存储的信息中的行驶数据表111中，管理从车载机20发送来的行驶数据。另外，在事故数据表112中管理上述的事故数据。
在行程索引表113中管理行程索引数据。行程索引数据是针对各车辆2在从行驶开始到行驶停止为止的期间即在每个行程(trip)生成的数据，是包含与行程有关的信息(表示上述期间的信息、表示该期间该车辆2有无事故的信息等)的数据。
在行程数据表114中管理行程数据，该行程数据是基于从车载机20发送来的行驶数据表111而生成的信息。行程数据是将行驶数据所属的行程的识别符(以下，称为“行程ID”)与该行驶数据对应起来的数据。
各种参数115包括与在后述的处理中使用的各种参数(变量)相关的信息(设定值)。
在训练数据表116中管理事故风险诊断模型181的机器学习所使用的训练数据(学习数据、监督数据)。
在测试行程索引表117中管理测试行程索引数据，该测试行程索引数据是具有与上述的行程索引数据相同的数据结构的数据。测试行程索引数据用于后述的测试数据的生成。
在测试行程数据表118中管理具有与上述的行程数据相同的数据结构的数据即测试行程数据。测试行程数据用于后述的测试数据的生成。
测试数据表119管理具有与上述的训练数据相同的数据结构的数据即测试数据。测试数据是在诊断事故风险时作为诊断对象输入到事故风险诊断模型181的数据(特征量)。
事故风险诊断模型181是基于测试数据来诊断(推定)事故风险的机器学习模型。
事故风险诊断结果182包括与使用事故风险诊断模型181进行的事故风险的诊断结果相关的信息。
在诊断装置10的上述功能中，行程数据生成部121生成上述的行程数据。
过去数据提取部122从行程数据表114提取出事故发生日之前的预定的过去期间的行程数据(以下，称为“过去数据”)。
事故当天数据提取部123从行程数据表114提取出事故当天的期间的行程数据(以下，称为“当天数据”)。
事故信息准备处理部124进行训练数据的生成所使用的事故数据的准备处理。
事故风险诊断模型生成部130生成事故风险诊断模型181。
测试数据生成部140基于成为事故风险的诊断对象的行驶数据，生成上述的测试行程数据和测试数据。
事故风险诊断部150通过将测试数据输入到事故风险诊断模型181来进行事故风险的诊断，生成包含其结果的信息即事故风险诊断结果182。
输入输出控制部160从车载机20接收行驶数据，将接收到的行驶数据储存在行驶数据表111中。另外，输入输出控制部160将事故风险诊断结果182发送至车载机20。
图4表示车载机20所具备的主要功能。如该图所示，车载机20具备存储部210、行驶数据取得部260以及输入输出控制部265。这些功能通过车载机20的处理器11读出并执行存储于主存储装置12的程序，或者通过车载机20所具备的硬件(FPGA、ASIC、AI芯片等)来实现。
存储部210存储行驶数据表211。存储部210例如存储行驶数据表211作为DBMS提供的数据库的表格、文件系统提供的文件。
行驶数据取得部260从搭载于车辆2的设备、例如控制设备(ECU、TCU、IVI系统等)、物理设备(电池、传感器等)、GUI设备(显示器、触摸面板)取得行驶数据，并将所取得的行驶数据登记于行驶数据表211。
输入输出控制部265将行驶数据取得部260取得的行驶数据依次发送给诊断装置10。另外，输入输出控制部265将基于从诊断装置10发送来的事故风险诊断结果182的信息输出到输出装置15。
图5表示行驶数据表111的一例。如该图所示，行驶数据表111由具有车载机ID1111、日期时间1112、MSGID1113以及MSG数据1114的各项目的多个记录构成。上述记录中的一个对应于一个行驶数据。
在车载机ID1111中设定作为车载机20的识别符的车载机ID。
在日期时间1112中设定在车辆2中生成该行驶数据的日期时间。
在MSGID1113中设定表示车辆2的行为的信息即MSGID。在MSGID中，例如有表示开始(启动)了运行的“运行开始”、表示进行了急刹车操作的“急刹车”、表示结束了运行(结束启动)的“运行结束”等。
在MSG数据1114中设定MSGID的附带信息(以下，称为“MSG数据”)。例如，在MSGID1113中设定了“急刹车”的情况下，在MSG数据1114中设定表示进行了急刹车操作时测量出的车辆2的3轴方向的加速度的值。
图6表示事故数据表112的一例。如该图所示，事故数据表112由具有车载机ID1121、有无事故1122以及事故发生日期时间1123的各项目的多个记录构成。上述记录中的一个与上述的事故数据之一对应。
在车载机ID1121中设定车载机ID。
在有无事故1122中，设定表示搭载有该车载机20的该车辆2过去是否发生了事故的信息。在本例中，对于有无事故1122，如果该车辆2过去发生了事故，则设定为“有”，如果该车辆2过去没有发生事故，则设定为“无”。
在该车辆2过去发生了事故的情况下，在事故发生日期时间1123中设定该事故的发生日期时间。例如，在事故发生日期时间1123中，设定“20190301084025”这样的表示年月日时分秒的文本数据、表示与以GMT(Greenwich Mean Time，世界标准时)为基准的标准时间的差分的数据。另外，如果该车辆2过去没有发生事故，则在事故发生日期时间1123例设定如“﹣”等表示无效的信息。
图7表示行程索引表113的一例。如该图所示，行程索引表113由具有车载机ID1131、行程ID1132、开始日期时间1133、结束日期时间1134以及有无事故1135的各项目的多个记录构成。上述记录中的一个对应于一个行程索引数据。
在车载机ID1131中设定车载机ID。
在行程ID1132中设定上述的行程ID。
在开始日期时间1133中设定该行程的开始日期时间。在结束日期时间1134中设定该行程的结束日期时间。另外，在开始日期时间1133、结束日期时间1134中，例如设定“20190301084000”、“20190301084026”这样的表示年月日时分秒的文本数据、表示与以GMT为基准的标准时间的差分的数据。
在有无事故1135中设定表示在设置有该车载机20的车辆2的该行程中是否发生了事故的信息。在本例中，对于有无事故1135，在发生了事故的情况下设定为“有”，在没有发生事故的情况下设定为“无”。
图8表示行程数据表114的结构。如该图所示，行程数据表114由具有行程ID1141、日期时间1142、MSGID1143以及MSG数据1144的各项目的多个记录构成。上述记录中的一个对应于一个行程数据。
在行程ID1141中设定上述的行程ID。具有相同行程ID的行程数据表示具有相同行程ID1132的行程索引数据的行程数据。
在MSGID1143中设定上述的MSGID。在MSG数据1144中设定上述的MSG数据。设定于MSGID1143的MSGID是行驶数据中的MSGID，设定于MSG数据1144的MSG数据是行驶数据中的MSG数据。
例如，图8中的第1行的行程ID1141为“TR0000”、日期时间1142为“20190301084000”、MSGID1143为“运行开始”的行程数据包含在图7的行程索引表113的第1行的行程ID1132为“TR0000”的行程中。由于该行程(行程索引数据)的有无事故1135被设定为“有”，所以该行程数据是发生了事故的行程的最初的MSG数据。
另外，图8中的第2行的行程ID1141为“TR0000”、日期时间1142为“20190301080425”、MSGID1143为“急刹车”的行程数据包含在图7的行程索引表113的第1行的行程ID1132为“TR0000”的行程中。
另外，图8中的第3行的行程ID1141为“TR0001”、日期时间1142为“20190302095000”、MSGID1143为“运行开始”的行程数据包含在图7的行程索引表113的第2行的行程ID1132为“TR0001”的行程中。由于该行程(行程索引数据)的有无事故1135被设定为“无”，所以可知该行程数据的行程属于未引起事故的行程。
图9表示各种参数115的一例。各种参数115是在执行后述的各种处理时参照的参数(变量)。如该图所示，各种参数115包括开始补偿(offset)1151、结束补偿1152、一个以上的MSGID1153(MSGID的列表)、车载机ID1154、事故日期时间1155、开始日期时间1156、以及结束日期时间1157的各参数的信息。
在开始补偿1151中设定上述的过去数据的开始日的差分(以下，称为“开始补偿”)。在结束补偿1152中设定上述的过去数据的结束日的差分(以下，称为“结束补偿”)。例如，在过去数据提取部122提取从事故发生日的N日前起预定期间(以下，设为M日)的过去数据的情况下，需要取得从事故发生日的N日前到事故发生日的(N-M+1)日前为止的M日的过去数据并加工成训练数据，但在该情况下，在开始补偿1151中设定表示“N”的数据，在结束补偿1152中设定表示“N-M+1”的数据。由此，能够在后述的训练数据生成主处理S1412中求出开始日期时间1156和结束日期时间1157。用户可以经由用户接口设置开始补偿1151和结束补偿1152的值。
在MSGID1153中，设定在后述的训练数据生成处理S1718中成为用于生成训练数据的行程数据的选出对象的MSGID。用户可以经由用户接口设定MSGID1153。在训练数据生成处理S1718的S2012中使用该变量。
在车载机ID1154中，设定在后述的各种处理中成为当前处理的对象的车载机20(车辆2)的车载机ID。
在事故日期时间1155中，针对成为当前处理的对象的车辆2，设定实际的事故发生日期时间、或者假定发生了事故的情况下的事故发生日期时间。
开始日期时间1156是设定根据事故日期时间1155和开始补偿1151求出的过去数据的开始日期时间的变量。结束日期时间1157是设定根据事故日期时间1155和结束补偿1152求出的过去数据的结束日期时间的变量。在后述的行程期间(事故前)判定处理S1716中使用开始日期时间1156以及结束日期时间1157。
返回到图3，事故风险诊断模型181包括表示通过机器学习生成的事故风险的诊断模型的信息(数据)。
事故风险诊断结果182包括表示事故风险诊断模型181的诊断结果的信息(表示事故风险的高低的数值等)。
图10表示训练数据表116的一例。如该图所示，训练数据表116由具有有无事故1161、起步次数1162、倒车次数1163、急刹车次数1164、急加速次数1165、急转向次数1166以及行驶距离1167等项目的多个记录构成。上述记录中的一个对应于一个训练数据。
训练数据是在机器学习中为了构筑推理模型而使用的被称为学习数据(训练数据、训练集)的数据。训练数据包括1个标签值和多个特征量。在该图所示的训练数据的情况下，标签值是有无事故1161的内容，特征量是起步次数1162、倒车次数1163、急刹车次数1164、急加速次数1165、急转向次数1166以及行驶距离1167的内容。另外，特征量也可以是上述以外的特征量。例如，也可以将表示在1个行程期间出现了几次MSGID的次数、车辆2的速度、加速度、跃度(jerk)的传感器值、这些传感器值超过了预定阈值的次数等作为特征量。总之，只要是能够根据行驶数据生成的、表示车辆2的运行状况的数值，就能够设为特征量。
在上述项目中的有无事故1161中设定表示某行程中有无事故的信息。在起步次数1162中设定该行程中的起步次数。在倒车次数1163中设定该行程中的倒车次数。在急刹车次数1164中设定该行程中的急刹车的次数。在急加速次数1165中设定该行程中的急加速的次数。在急转向次数1166中设定该行程中的急转向的次数。在行驶距离1167中设定该行程中的行驶距离。
图11表示测试行程索引表117的一例。如该图所示，测试行程索引表117由具有车载机ID1171、行程ID1172、开始日期时间1173、结束日期时间1174以及有无事故1175的各项目的多个记录构成。上述记录中的一个对应于一个测试行程索引数据。各项目的内容与图7所示的行程索引表113相同，因此省略说明。另外，为了使生成测试数据的算法和生成训练数据的算法通用化而形式地设置有无事故1175的项目。
图12表示测试行程数据表118的一例。如该图所示，测试行程数据表118由具有行程ID1181、日期时间1182、MSGID1183以及MSG数据1184的各项目的多个记录构成。上述记录中的一个对应于一个测试行程数据。各项目的内容与图8所示的行程数据表114相同，因此省略说明。
图13表示测试数据表119的一例。如该图所示，测试数据表119由具有有无事故1191、起步次数1192、倒车次数1193、急刹车次数1194、急加速次数1195、急转向次数1196以及行驶距离1197等项目的多个记录构成。上述记录中的一个对应于一个测试数据。各项目的内容与图10所示的训练数据表116相同，因此省略说明。另外，为了使生成测试数据的算法和生成训练数据的算法通用化而形式地设置有无事故1191的项目。
另外，训练数据和测试数据与机器学习中的训练数据和测试数据相关。即，诊断装置10使用训练数据来生成事故风险诊断模型181，将测试数据输入到事故风险诊断模型181来进行机器学习中的推论处理，由此诊断车辆2的驾驶员的事故风险。
接着，对在事故风险诊断系统1中进行的处理进行说明。
图14是说明诊断装置10生成事故风险诊断模型，使用所生成的事故风险诊断模型进行事故风险的诊断的处理(以下，称为“事故风险诊断处理S1400”)的流程图。以下，与该图一起对事故风险诊断处理S1400进行说明。
首先，训练数据生成部120进行基于行驶数据表111的行驶数据生成行程数据的处理(以下，称为“行程数据生成处理S1410”)。
图15是说明行程数据生成处理S1410的流程图。以下，与该图一起对行程数据生成处理S1410进行说明。
首先，训练数据生成部120从行驶数据表111中选择用于生成训练数据的行驶数据中的未选择的1个行驶数据(1个记录)(S1511)。
接着，训练数据生成部120判定所选择的行驶数据的MSGID1113中是否设定有“运行开始”(S1512)。在MSGID1113中设定有“运行开始”的情况下(S1512：是)，进入S1513的处理。另一方面，在MSGID1113中未设定“运行开始”的情况下(S1512：否)，进入S1515的处理。
在S1513中，训练数据生成部120生成新的行程ID。接着，训练数据生成部120生成将所生成的行程ID设定为行程ID1132并且将行驶数据的日期时间1112设定为开始日期时间1133的行程索引数据，将所生成的行程索引数据登记在行程索引表113的末尾(S1514)。然后，处理进入S1515。
在接下来的S1515～S1517中，训练数据生成部120生成设定了在S1513中生成的行程ID、所选择的行驶数据的MSGID、以及所选择的行驶数据的MSG数据的行程数据，并将所生成的行程数据登记在行程数据表114的末尾。
接着，训练数据生成部120判定所选择的行驶数据的MSGID1113中是否设定有“运行结束”(S1518)。在MSGID1113中设定有“运行结束”的情况下(S1518：是)，进入S1519的处理。在MSGID1113中未设定“运行结束”的情况下(S1518：否)，进入S1522的处理。
在S1519中，训练数据生成部120将所选择的行驶数据的日期时间1112的内容设定为与在S1517中登记的行程数据对应的行程索引数据的结束日期时间1134。
接着，训练数据生成部120对照行程索引数据和事故数据表112，判定从行程索引数据的开始日期时间1133到结束日期时间1134为止的期间有无事故(S1520)，将上述判定的结果设定为行程索引数据的有无事故1135(S1521)。然后，处理进入S1522。
在S1522中，训练数据生成部120判定是否选择了在S1511中用于行驶数据表111的训练数据的生成的所有的行驶数据。如果尚未选择所有的行驶数据(S1522：否)，则返回到S1511的处理。如果已经选择了所有的行驶数据(S1522：是)，则行程数据生成处理S1410结束。
返回到图14，接着，训练数据生成部120进行针对未引起事故的车载机20的事故数据生成假定的事故发生日期时间，并将所生成的事故发生日期时间设定为事故发生日期时间1123的处理(以下，称为“事故信息准备处理S1411”)。
此外，事故信息准备处理S1411是用于生成训练数据表116的训练数据的准备处理。在事故数据表112的事故数据中，存在对有无事故1122设定了“有”的数据和对有无事故1122设定了“无”的数据。其中，对有无事故1122设定了“无”的数据的事故发生日期时间1123设定无效的内容。在事故信息准备处理S1411中，对有无事故1122中设定了“无”的数据的事故发生日期时间1123设定假定的事故发生日期时间，由此针对有无事故1122中设定了“无”的数据的事故发生日期时间1123，后述的训练数据生成主处理S1412能够以与有无事故1122中设定了“有”的数据相同的算法进行处理。
图16是说明事故信息准备处理S1411的流程图。以下，与该图一起对事故信息准备处理S1411进行说明。
首先，训练数据生成部120从事故数据表112中选择1个未选择的事故数据(1个记录)(S1611)。
接着，训练数据生成部120判定是否对所选择的事故数据的有无事故1122设定了“无”(S1612)。在有无事故1122中设定了“无”的情况下(S1612：是)，进入S1613的处理。在有无事故1122中没有设定“无”的情况下(S1612：否)，返回到S1611的处理。
在S1613中，训练数据生成部120取得所选择的事故数据的车载机ID1121的内容。
接着，训练数据生成部120从行程索引表113中确定在S1613中取得的车载机ID被设定为车载机ID1131的全部的行程索引数据(S1614)。
接着，训练数据生成部120参照在S1614中确定的全部的行程索引数据的开始日期时间1133来确定最早的开始日期时间(以下，称为“最早开始日期时间”)，并且参照在S1614中确定的全部的行程索引数据的结束日期时间1134来确定最新的结束日期时间(以下，称为“最新结束日期时间”)(S1615)。
接着，训练数据生成部120在从最早开始日期时间起经过了对各种参数115的开始补偿1151设定的天数(以下，设为N天)的日期时间以后，在最新结束日期时间的范围内生成假定的事故发生日期时间(S1616)。事故信息准备处理部124例如将在上述范围内生成的随机的日期时间设为假定的事故发生日期时间。
接着，训练数据生成部120将所生成的假定的事故发生日期时间设定为所选择的事故数据的事故发生日期时间1123(S1617)。
接着，训练数据生成部120判定在S1611中是否已经选择了事故数据表112的全部的事故数据(S1618)。如果尚未选择全部的事故数据(S1618：否)，则返回到S1611的处理。如果已经选择了全部的事故数据(S1618：是)，则事故信息准备处理S1411结束。
返回到图14，接着，训练数据生成部120进行生成训练数据的处理(以下，称为“训练数据生成主处理S1412”)。训练数据生成部120生成针对所有车载机20的训练数据并登记到训练数据表116中。
图17是说明训练数据生成主处理S1412的流程图。以下，与该图一起对训练数据生成主处理S1412进行说明。此外，用户已预先经由用户接口等设定了图9的各种参数115中的开始补偿1151、结束补偿1152、MSGID1153的内容。
首先，训练数据生成部120从事故数据表112中选择1个事故数据(1个记录)(S1711)。
接着，训练数据生成部120将所选择的事故数据的车载机ID1121以及事故发生日期时间1123的内容分别设定为各种参数115的车载机ID1154、事故日期时间1155(S1712)。
接着，训练数据生成部120将根据图9的事故日期时间1155和开始补偿1151求出的日期时间设定为各种参数115的开始日期时间1156(S1713)。具体而言，若开始补偿1151为N，则训练数据生成部120将事故日期时间1155-N设定为开始日期时间1156。
接着，训练数据生成部120将根据图9的事故日期时间1155和结束补偿1152求出的日期时间设定为图9的结束日期时间1157(S1714)。具体而言，若结束补偿1152为N﹣M+1，则训练数据生成部120将事故日期时间1155+N﹣M+1设定为结束日期时间1157。上述的M是指定将过去几天的信息用于训练数据的生成的值。另外，根据本发明人等的验证，在将M设定为10天的情况下得到了良好的精度(事故风险的诊断精度)，但并不一定限定M的值。
接着，训练数据生成部120从行程索引表113中选择1个车载机ID1171的内容与各种参数115的车载机ID1154的内容一致的行程索引数据(S1715)。
接着，训练数据生成部120进行判定所选择的行程索引数据的行程的期间是否进入M天的处理(以下，称为“行程期间(事故前)判定处理S1716”)。另外，关于行程期间(事故前)判定处理S1716的详细内容在后面叙述。
接着，训练数据生成部120参照行程期间(事故前)判定处理S1716的结果(S1717)。在上述结果为“进入”的情况下(S1717：是)，训练数据生成部120进行生成训练数据的处理(以下，称为“训练数据生成处理S1718”)。此外，对于训练数据生成处理S1718的详细内容在后面叙述。另一方面，在上述结果为“未进入”的情况下(S1717：否)，训练数据生成部120进行从S1719起的处理。
接着，训练数据生成部120进行判定所选择的行程索引数据的行程的期间是否进入事故发生日(事故当天)的处理(以下，称为“行程期间(事故当天)判定处理S1719”)。另外，对于行程期间(事故当天)判定处理S1719的详细内容在后面叙述。
接着，训练数据生成部120参照行程期间(事故当天)判定处理S1719的结果(S1720)。在上述结果为“进入”的情况下(S1720：是)，训练数据生成部120进行生成训练数据的处理(以下，称为“训练数据生成处理S1718”)。另一方面，在上述结果为“未进入”的情况下(S1720：否)，训练数据生成部120进行从S1722起的处理。
在步骤S1722中，训练数据生成部120确定在步骤S1716中是否已经选择了行程索引表113中的所有的行程索引数据。如果尚未选择所有的行程索引数据(S1722：否)，则返回到S1715的处理。如果已经选择了所有的行程索引数据(S1722：是)，则进入S1723的处理。
在S1723中，训练数据生成部120判定在S1711中是否已经选择了事故数据表112的所有的事故数据。如果尚未选择所有的事故数据(S1723：否)，则返回到S1711的处理。如果已经选择了所有的事故数据(S1723：是)，则训练数据生成主处理S1412结束，进入图14的S1413的处理。
图18是说明图17的训练数据生成主处理S1412的行程期间(事故前)判定处理S1716的流程图。以下，与该图一起对行程期间(事故前)判定处理S1716进行说明。
训练数据生成部120判定行程的开始日期时间1133是否在各种参数115的开始日期时间1156之后(S1811)。如果行程的开始日期时间1133在各种参数115的开始日期时间1156之后(S1811：是)，则处理进入S1812。另一方面，如果行程的开始日期时间1133不在各种参数115的开始日期时间1156之后(S1811：否)，则处理进入S1814。
在S1812中，训练数据生成部120判定行程的结束日期时间1134是否在各种参数115的结束日期时间1157之前。如果行程的结束日期时间1134在结束日期时间1157之前(S1812：是)，则处理进入S1813。另一方面，如果行程的结束日期时间1134不在结束日期时间1157之前(S1812：否)，则处理进入S1814。
在S1813中，训练数据生成部120对该处理的结果(返回值)设定“输入”并结束该处理。在S1814中，训练数据生成部120在该处理的结果(返回值)设定“不进入”并结束该处理。
图19是说明图17的训练数据生成主处理S1412的行程期间(事故当天)判定处理S1719的流程图。以下，与该图一起对行程期间(事故当天)判定处理S1719进行说明。
训练数据生成部120判定行程的开始日期时间1133是否在各种参数115的事故日期时间1155之前(S1911)。如果行程的开始日期时间1133在事故日期时间1155之前(S1911：是)，则处理进入S1912。另一方面，如果行程的开始日期时间1133不在事故日期时间1155之前(S1911：否)，则处理进入S1914。
在S1912中，训练数据生成部120判定行程的结束日期时间1134是否在各种参数115的事故日期时间1155之后。如果行程的结束日期时间1134在事故日期时间1155之后(S1912：是)，则进入S1913的处理。另一方面，如果行程的结束日期时间1134不在事故日期时间1155之后(S1912：否)，则处理进入S1914。
在S1913中，训练数据生成部120对该处理的结果(返回值)设定“输入”并结束该处理。在S1914中，训练数据生成部120对该处理的结果(返回值)设定“不进入”并结束该处理。
图20是说明图17所示的训练数据生成主处理S1412的训练数据生成处理S1718的流程图。以下，与该图一起对训练数据生成处理S1718进行说明。
首先，训练数据生成部120从行程数据表114中选择1个设定有与当前选择的行程索引数据的行程ID1132相同的行程ID的未选择的行程数据(S2011)。
接着，训练数据生成部120判定所选择的行程数据的MSGID1143是否存在于各种参数115的MSGID1153的列表中(S2012)。在所选择的行程数据的MSGID1143存在于各种参数115的MSGID1153中的情况下(S2012：是)，处理进行到S2013。在所选择的行程数据的MSGID1143不存在于各种参数115的MSGID1153中的情况下(S2012：否)，处理返回到S2011。
在S2013中，训练数据生成部120在主存储装置12中生成(确保)训练数据(训练数据的存储区域)。
接着，训练数据生成部120基于所选择的行程数据的MSGID1143和MSG数据1144生成训练数据的内容，并且将所生成的内容设置为存储区域的训练数据(S2014)。训练数据的内容例如是之前例示的起步次数1162、倒车次数1163、急刹车次数1164、急加速次数1165、急转向次数1166、行驶距离1167等。训练数据生成部120例如基于对相同的MSGID1143出现了几次进行计数而得到的计数值、MSG数据1144的值的合计值、平均值、根据行程的开始地点和结束地点的位置信息求出的行驶距离等来生成上述内容。
接着，训练数据生成部120将当前选择的行程索引数据的有无事故1135的内容设定为训练数据的有无事故1161(标签)(S2015)。
接着，训练数据生成部120将存储区域的训练数据登记到训练数据表116中(S2016)。
接着，训练数据生成部120判定在S2011中是否从行程数据表114中选择了全部与选择的行程索引数据的行程ID1132相同的行程ID的行程数据(S2017)。如果尚未选择所有的行程数据(S2017：否)，则处理返回到S2011。如果已经选择了所有的行程数据(S2017：是)，则训练数据生成处理S1718结束。
返回到图14，接着，事故风险诊断模型生成部130进行生成事故风险诊断模型的处理(以下，称为“事故风险诊断模型生成处理S1413”)。
事故风险诊断模型生成处理S1413是基于使用了训练数据表116的训练数据的监督机器学习的机器学习模型的生成处理。更具体而言，是将图10的训练数据表116的有无事故1161作为标签值，将训练数据表116的起步次数1162、倒车次数1163、急刹车次数1164、急加速次数1165、急转向次数1166以及行驶距离1167作为特征量的机器学习处理。机器学习可以是分类中的机器学习或者回归任务中的机器学习中的任一个。作为可利用的机器学习的种类，例如有k-最近邻法、k-附近回归、线性模型、朴素贝叶斯分类、决策树、决策树的集成法(ensemble method)(随机森林、梯度增强回归树)、支持向量机、神经网络(深度学习)等。
图21是说明事故风险诊断模型生成处理S1413的流程图。以下，与图21一起对事故风险诊断模型生成处理S1413进行说明。
首先，事故风险诊断模型生成部130读出训练数据表116(S2111)。
接着，事故风险诊断模型生成部130对读出的训练数据表116的训练数据的预定数量进行预处理(筛选(flitering)、特征的调整(数值的增减、标准化、限幅等)、数据清理、字符代码的统一等)(S2112)。
接着，事故风险诊断模型生成部130使用实施预处理后的训练数据来生成作为机器学习模型的事故风险诊断模型181(S2113)。事故风险诊断模型生成部130适当调整函数、参数的同时，生成事故风险诊断模型181。
接着，事故风险诊断模型生成部130验证基于所生成的事故风险诊断模型181的事故风险的诊断精度是否达到了目标精度。事故风险诊断模型生成部130例如使用在训练数据表116的S2113中未使用的训练数据来进行上述验证(S2114)。在诊断精度未达到目标精度的情况下(S2114：否)，处理返回到S2111，使用未实施预处理的其他训练数据再次进行S2112～S2113的处理。另一方面，在诊断精度达到了目标精度的情况下(S2114：是)，事故风险诊断模型生成处理S1413结束。
返回到图14，接着，测试数据生成部140执行用于生成测试数据的、生成测试行程索引数据和测试行程数据的处理(以下，称为“测试行程数据生成处理S1414”)。
图22是说明测试行程数据生成处理S1414的流程图。以下，与该图一起说明测试行程数据生成处理S1414。
首先，测试数据生成部140从行驶数据表111中选择成为诊断对象的行驶数据(成为事故风险的诊断对象的驾驶员的车辆2的行驶数据)(S2211)。
接着，测试数据生成部140判定在诊断对象的行驶数据的MSGID1113中是否设定了“运行开始”(S2212)。在MSGID1113中设定了“运行开始”的情况下(S2212：是)，处理进入S2213。另一方面，在MSGID1113中未设定“运行开始”的情况下(S2212：否)，处理进入S2215。
在S2213中，测试数据生成部140新生成行程ID。接着，测试数据生成部140将所生成的行程ID设定为行程ID1172，生成将行驶数据的日期时间1112的内容设定为开始日期时间1173的测试行程索引数据，并登记到测试行程索引表117中(S2214)。然后，处理进入S2215。
在S2215至S2217中，测试数据生成部140生成设定有在S2213中生成的行程ID、诊断对象的行驶数据的MSGID和诊断对象的行驶数据的MSG数据的测试行程数据，并将所生成的测试行程数据登记在测试行程数据表118的末尾。
接着，测试数据生成部140判定在诊断对象的行驶数据的MSGID1113中是否设定了“运行结束”(S2218)。在MSGID1113中设定了“运行结束”的情况下(S2218：是)，进入S2219的处理。另一方面，在MSGID1113中未设定“运行结束”的情况下(S2218：否)，进入S2222的处理。
在S2219中，测试数据生成部140将诊断对象的行驶数据的日期时间1112的内容设置为与在S2217中登记的测试行程数据相对应的测试行程索引数据的结束日期时间1174。
在S2222中，测试数据生成部140判定在S2211中是否已从行驶数据表111中选择了诊断对象的所有的行驶数据。如果尚未选择所有的行驶数据(S2222：否)，则返回到S2211的处理。如果已选择了所有的行驶数据(S2222：是)，则测试行程数据生成处理S1414结束。
返回到图14，接着，测试数据生成部140进行生成测试数据的处理(以下，称为“测试数据生成处理S1415”)。
图23是说明测试数据生成处理S1415的流程图。以下，与该图一起对测试数据生成处理S1415进行说明。
首先，测试数据生成部140从测试行程数据表118中选择1个未选择的测试行程数据(S2311)。
接着，测试数据生成部140确定所选择的测试行程数据的MSGID1183是否存在于各种参数115的MSGID1153的列表中(S2312)。如果所选择的测试行程数据的MSGID1183存在于各种参数115的MSGID1153的列表中(S2312：是)，则处理进行到S2313。如果所选择的测试行程数据的MSGID1143不存在于各种参数115的MSGID1153的列表中(S2312：否)，则处理返回到S2311。
在S2313中，测试数据生成部140生成(确保)测试数据(测试数据的存储区域)。
接着，测试数据生成部140基于所选择的测试行程数据的MSGID1183和MSG数据1184来生成测试数据的内容，并且设定在存储区域中所生成的测试数据中(S2314)。此外，测试数据的各项目与训练数据的各项目相对应，是之前例示的起步次数1192、倒车次数1193、急刹车次数1194、急加速次数1195、急转向次数1196、行驶距离1197等。
接着，测试数据生成部140将存储区域的测试数据登记到测试数据表119中(S2316)。
接着，测试数据生成部140判定在S2311中是否已从测试行程数据表118中选择了诊断对象的所有的测试行程数据(S2317)。如果尚未选择诊断对象的所有的测试行程数据(S2317：否)，则处理返回到S2311。如果已经选择了诊断对象的所有的测试行程数据(S2317：是)，则测试数据生成处理S1415结束。
返回到图14，接着，事故风险诊断部150进行使用事故风险诊断模型181对诊断对象的车辆2(诊断对象者)的事故风险进行诊断的处理(以下，称为“事故风险诊断处理S1416”)。
图24是说明事故风险诊断处理S1416的流程图。以下，与该图一起对事故风险诊断处理S1416进行说明。
首先，事故风险诊断部150读出测试数据表119(S2411)。
接着，事故风险诊断部150对测试数据表119的测试数据进行用于机器学习的预处理(筛选、特征的调整(数值的增减、标准化、限幅等)、数据清理、字符代码的统一等)(S2412)。
接着，事故风险诊断部150将预处理后的测试数据输入到事故风险诊断模型181来进行事故风险的诊断(S2413)。
接着，事故风险诊断部150将事故风险的诊断结果存储为事故风险诊断结果182(S2414)。事故风险诊断结果182例如是表示有无事故风险的信息(例如，表示有事故风险的“1”或表示没有事故风险的“0”等数值)、表示事故的发生概率的数值等。通过使用事故风险诊断结果182，例如能够进行长期且基于绝对评价的事故风险的诊断、事故的发生预测。
接着，输入输出控制部265将事故风险诊断结果182发送给该信息的利用目的地(例如，发送了诊断对象的行驶数据的车辆2的车载机20)(S2415)。上述利用目的地若从诊断装置10接收到事故风险诊断结果182，则例如输出基于接收到的事故风险诊断结果182的信息。
图25的(a)是汽车导航系统等车载机20显示上述信息的例子。另外，图25的(b)是智能手机等用户所持有的便携信息终端显示上述信息的例子。在这些例子中，接收到的事故风险诊断结果182包含表示事故风险的上升的内容，因此车载机20将催促用户(驾驶员)从手动驾驶切换为自动驾驶的信息(文本数据、图像数据等)显示于显示器。另外，该图是在视觉上显示信息的情况，但也可以通过声音、振动等刺激人的感官的其他方法来输出信息。
如以上详细说明的那样，在本实施方式的事故风险诊断系统1中，诊断装置10基于从多个车辆2收集到的行驶数据(事故当天前的预定期间的行驶数据和事故当天的行驶数据)来生成事故风险诊断模型，并通过所生成的事故风险诊断模型来诊断驾驶员的事故风险，因此不限于特定场所的事故风险，能够考虑驾驶员的多样的驾驶状况并以共同的尺度高精度地进行推定。
[第2实施方式]
在第1实施方式的事故风险诊断系统1中，诊断装置10使用从车辆2(车载机20)发送来的行驶数据，进行训练数据的生成、事故风险诊断模型181的生成、以及事故风险的诊断等处理，但第2实施方式的事故风险诊断系统1在车辆2(车载机20)侧进行这些处理。以下，以与第1实施方式的事故风险诊断系统1的不同点为中心进行说明。
图26是表示第2实施方式的事故风险诊断系统1的车载机20所具备的主要功能的图。如该图所示，车载机20具备存储部210、训练数据生成部220、事故风险诊断模型生成部230、测试数据生成部240、事故风险诊断部250、行驶数据取得部260以及输入输出控制部265。
存储部210存储行驶数据表211、事故数据表212、行程索引表213、行程数据表214、各种参数215、训练数据表216、测试行程索引表217、测试行程数据表218、测试数据表219、事故风险诊断模型281以及事故风险诊断结果282。这些信息与第1实施方式的存储部110存储的同名的信息相同，因此省略说明。
上述功能中，训练数据生成部220、事故风险诊断模型生成部230、测试数据生成部240、事故风险诊断部250以及行驶数据取得部260的各功能与第1实施方式中的与它们同名的功能相同，因此省略说明。
输入输出控制部265从诊断装置10接收多个车辆2的行驶数据表111的内容，并登记于行驶数据表211。另外，输入输出控制部265从预定的信息源获取事故数据，并将所取得的事故数据登记于事故数据表212。
第2实施方式的车载机20执行与第1实施方式中的事故风险诊断处理S1400同样的处理，进行训练数据的生成、事故风险诊断模型181的生成、以及事故风险的诊断等，输出事故风险的诊断结果。
如以上所示，也能够在车载机20侧进行在第1实施方式中由诊断装置10进行的处理。此外，第2实施方式的事故风险诊断系统1中的诊断装置10只要至少具备将从多个车辆2(车载机20)取得的行驶数据提供给车载机20的功能即可。另外，也可以使诊断装置10作为上述的信息源发挥功能，从诊断装置10经由通信网络5向车载机20提供事故数据。另外，也可以通过经由通信网络5在各车辆2的车载机20之间进行通信来共享行驶数据、事故数据的全部或者一部分。在该情况下，也可以不必在事故风险诊断系统1中设置诊断装置10。
[第3实施方式]
在第3实施方式的事故风险诊断系统1中，诊断装置10根据车辆2的启动/结束来进行事故风险的诊断、诊断结果的通知。以下，以与第1实施方式的事故风险诊断系统1的不同点为中心进行说明。
此外，在以下的说明中，第3实施方式的车辆2能够选择基于手动的行驶模式和基于利用AI(Artificial Intelligence，人工智能)等技术进行自主行驶的自动驾驶的行驶模式中的任一个行驶模式来行驶。另外，在以下的说明中，启动是指使车辆2成为人能够驾驶的状态，例如，具备点火装置、电源开关的车辆2中的启动是指使点火装置、电源开关接通。另外，在以下的说明中，结束是指使车辆2成为人无法驾驶的状态，例如，具备点火装置、电源开关的车辆2中的结束是指使点火装置、电源开关断开。
图27是表示第3实施方式的车载机20所具备的主要功能的图。如该图所示，第3实施方式的车载机20具备存储部210、行驶数据取得部260、输入输出控制部265、操作信息通知部275以及自动驾驶控制部280的各功能。上述功能中的操作信息通知部275以及自动驾驶控制部280以外的功能与第1实施方式的车载机20相同。
操作信息通知部275在车辆2的驾驶员操作了车辆2时，将表示其内容的信息经由通信网络5通知给诊断装置10。例如，若车辆2的驾驶员进行启动车辆2的操作，则操作信息通知部275将表示该意思的信息(以下，称为“启动信息”)通知给诊断装置10。另外，例如，当车辆2的驾驶员进行使车辆2结束的操作时，将表示该意思的信息(以下，称为“结束信息”)通知给诊断装置10。
自动驾驶控制部280根据从诊断装置10发送来的事故风险的诊断结果，进行使车辆2的自动驾驶功能有效还是无效的切换控制。
图28是表示第3实施方式的诊断装置10所具备的主要功能的图。如该图所示，第3实施方式的诊断装置10具备存储部110、训练数据生成部120、事故风险诊断模型生成部130、测试数据生成部140、事故风险诊断部150、输入输出控制部160以及处理执行控制部170的各功能。上述功能中的处理执行控制部170以外的功能与第1实施方式的诊断装置10相同。
图29是说明在第3实施方式的事故风险诊断系统1中进行的处理的时序图。以下，与该图一起进行说明。
诊断装置10在车辆2启动时，使用从车载机20发送来的行驶数据来生成行程数据(S2911、S1410)。另外，诊断装置10进行事故信息准备处理S1411、训练数据生成主处理S1412以及事故风险诊断模型生成处理S1413，生成事故风险诊断模型181(S1413)。
处理执行控制部170在从车载机20接收到结束信息时(S2912、S2913)，进行测试行程数据生成处理S1414、测试数据生成处理S1415而生成测试数据，使用所生成的测试数据进行事故风险诊断处理S1416而生成事故风险诊断结果182。
这样，第3实施方式的诊断装置10在驾驶员进行了结束操作时进行事故风险诊断处理S1416而生成诊断结果，因此在车辆2下次启动时能够将诊断结果立即提供给驾驶员等用户。
之后，诊断装置10若从车载机20接收到启动信息(S2914～S2915)，则将事故风险的诊断结果(最新的事故风险诊断模型181的诊断结果)发送至车载机20(S2916)。
车载机20的输入输出控制部265将基于从诊断装置10发送来的事故风险的诊断结果的信息提示给用户(S2917)。另外，此时，输入输出控制部265基于上述诊断结果来判定驾驶员的事故风险是否高(例如，判定表示事故风险的数值是否超过了预先设定的阈值)，在判定为事故风险高(例如，上述数值超过了上述阈值)的情况下，输出催促驾驶员切换为自动驾驶的信息(S2918)。并且，自动驾驶控制部280在驾驶员进行希望切换至自动驾驶的意思表示(输入操作等)(S2918：是)时，指示自动驾驶控制部280将本车的行驶模式切换为自动驾驶(S2919)，自动驾驶控制部280接受上述指示而将车辆2的行驶模式切换为基于自动驾驶的行驶模式(S2920)。
如上所述，在第3实施方式的事故风险诊断系统1中，能够根据车辆2的启动操作、结束操作，向用户提供事故风险诊断模型181的生成、事故风险的诊断结果，能够在适当的时间迅速地向用户提供诊断结果。另外，在事故风险高的情况下，促使用户切换为自动驾驶，因此能够实现事故风险的减轻。
以上，对本发明的一实施方式进行了详细说明，但本发明并不限定于上述的实施方式，当然能够在不脱离其主旨的范围内进行各种变更。例如，上述的实施方式是为了易于理解地说明本发明而详细地进行了说明的实施方式，并不一定限定于具备所说明的全部结构的实施方式。另外，对于上述实施方式的结构的一部分，能够进行其他结构的追加、删除、置换。
另外，上述的各结构、功能部、处理部、处理单元等的一部分或者全部例如也可以通过在集成电路中设计等而由硬件实现。另外，上述的各结构、功能等也可以通过处理器解释并执行实现各个功能的程序而用软件实现。实现各功能的程序、表、文件等信息能够放置在存储器、硬盘、SSD(Solid State Drive：固态硬盘)等记录装置、IC卡、SD卡、DVD等记录介质中。
另外，在上述的各图中，控制线、信息线示出了认为在说明上需要的部分，未必示出了安装上的全部的控制线、信息线。例如，也可以认为实际上几乎全部的结构相互连接。
另外，以上说明的各信息处理装置的各种功能部、各种处理部、各种数据库的配置方式只不过是一例。从这些装置所具备的硬件、软件的性能、处理效率、通信效率等观点出发，各种功能部、各种处理部、各种数据库的配置方式能够变更为最佳的配置方式。
另外，从资源的高效利用、处理效率提高、访问效率提高、检索效率提高等观点出发，能够灵活地变更上述存储各种数据的数据库的结构(方案(Schema)等)。
符号说明
1事故风险诊断系统、2车辆、5通信网络、10诊断装置、20车载机、110存储部、111行驶数据表、112事故数据表、113行程索引表、114行程数据表、115各种参数、116训练数据表、117测试行程索引表、118测试行程数据表、119测试数据表、170处理执行控制部、181事故风险诊断模型、182事故风险诊断结果、210存储部、211行驶数据表、275操作信息通知部、280自动驾驶控制部、260行驶数据取得部、265输入输出控制部、S1400事故风险诊断处理、S1410行程数据生成处理、S1412训练数据生成主处理、S1413事故风险诊断模型生成处理、S1414测试行程数据生成处理、S1415测试数据生成处理、S1416事故风险诊断处理。

Claims (15)

1.一种事故风险诊断方法，其特征在于，信息处理装置执行如下步骤：
存储表示多个车辆各自的每个日期时间的行驶状态的数据即行驶数据、以及与所述多个车辆的过去的事故相关的信息的步骤；
提取所述行驶数据中的、事故当天之前的预定期间的所述行驶数据和所述事故当天的所述行驶数据，并基于提取出的所述行驶数据，生成从所述车辆启动到结束为止的期间即每个行程的训练数据的步骤；
使用所述训练数据生成诊断事故风险的机器学习模型即事故风险诊断模型的步骤；以及
将成为事故风险的诊断对象的所述车辆的所述行程中的特征量输入到所述事故风险诊断模型来诊断该车辆的事故风险的步骤。
2.根据权利要求1所述的事故风险诊断方法，其特征在于，
所述信息处理装置还执行向搭载于所述车辆的车载机发送所述诊断的结果的步骤。
3.根据权利要求1或2所述的事故风险诊断方法，其特征在于，
所述训练数据是如下数据：将所述行程中的表示所述车辆有无事故的信息设为标签，将所述行程中的与所述车辆的起步次数相关的信息、与所述车辆的倒车次数相关的信息、与所述车辆的急刹车次数相关的信息、与所述车辆的急加速次数相关的信息、与所述车辆的急转向次数相关的信息、以及与所述车辆的行驶距离相关的信息中的至少任一个设定为特征量。
4.根据权利要求1或2所述的事故风险诊断方法，其特征在于，
所述信息处理装置还执行如下步骤：基于经由用户接口从用户接受的信息来设定所述预定期间。
5.根据权利要求1或2所述的事故风险诊断方法，其特征在于，
所述信息处理装置执行如下步骤：
生成行程索引数据的步骤，该行程索引数据是将表示所述车辆各自的所述行程的期间的信息与表示该行程中有无事故的信息相对应起来的数据；
生成行程数据的步骤，该行程数据是表示所述行程中的所述车辆的驾驶状况的数据；以及
根据所述行程索引数据和所述行程数据生成所述训练数据的步骤。
6.根据权利要求1或2所述的事故风险诊断方法，其特征在于，
所述信息处理装置还执行如下步骤：能够通信地与分别设置于所述车辆的车载机连接，从所述车载机取得所述行驶数据。
7.根据权利要求6所述的事故风险诊断方法，其特征在于，
所述车载机是ECU(Electronic Control Unit)、TCU(Telematic Control Unit)、IVI(In-Vehicle Information System)系统、智能手机、功能手机、平板终端、头戴式显示器(Head Mounted Display)、声音输入装置、盲文输入装置以及振动检测装置中的至少任一个。
8.根据权利要求1所述的事故风险诊断方法，其特征在于，
所述信息处理装置执行在所述车辆启动的期间学习所述事故风险诊断模型的所述步骤。
9.根据权利要求8所述的事故风险诊断方法，其特征在于，
在接收到表示所述车辆结束了启动的信息时，所述信息处理装置执行诊断所述事故风险的所述步骤，并执行将所述诊断的结果发送至所述车辆的步骤。
10.根据权利要求9所述的事故风险诊断方法，其特征在于，
所述车辆在接收到所述诊断的结果时，向用户提示基于所述诊断的结果的信息，并且经由用户接口从用户接受是否将所述车辆切换为自动驾驶的意思表示，在从用户接受将所述车辆切换为自动驾驶的意思表示时，将所述车辆的行驶模式切换为自动驾驶的行驶模式。
11.根据权利要求1或2所述的事故风险诊断方法，其特征在于，
所述预定期间为10天。
12.根据权利要求1所述的事故风险诊断方法，其特征在于，
所述信息处理装置设置于所述车辆。
13.一种事故风险诊断装置，其特征在于，
该事故风险诊断装置使用信息处理装置而构成，
所述事故风险诊断装置具备：
存储部，其存储表示多个车辆各自的每个日期时间的行驶状态的数据即行驶数据、以及与所述多个车辆的过去的事故相关的信息；
训练数据生成部，其提取所述行驶数据中的、事故当天之前的预定期间的所述行驶数据和所述事故当天的所述行驶数据，并基于提取出的所述行驶数据，生成从所述车辆启动到结束为止的期间即每个行程的训练数据；事故风险诊断模型生成部，其使用所述训练数据生成诊断事故风险的机器学习模型即事故风险诊断模型；以及
事故风险诊断部，其将成为事故风险的诊断对象的所述车辆的所述行程中的特征量输入到所述事故风险诊断模型来诊断该车辆的事故风险。
14.根据权利要求13所述的事故风险诊断装置，其特征在于，
所述事故风险诊断装置还具备：输入输出控制部，其向搭载于所述车辆的车载机发送所述诊断的结果。
15.一种事故风险诊断系统，其特征在于，
该事故风险诊断系统包含事故风险诊断装置和车载机，其中，
所述事故风险诊断装置使用信息处理装置而构成，
所述事故风险诊断装置具备：
存储部，其存储表示多个车辆各自的每个日期时间的行驶状态的数据即行驶数据、以及与所述多个车辆的过去的事故相关的信息；
训练数据生成部，其提取所述行驶数据中的、事故当天之前的预定期间的所述行驶数据和所述事故当天的所述行驶数据，并基于提取出的所述行驶数据，生成从所述车辆启动到结束为止的期间即每个行程的训练数据；
事故风险诊断模型生成部，其使用所述训练数据生成诊断事故风险的机器学习模型即事故风险诊断模型；以及
事故风险诊断部，其将成为事故风险的诊断对象的所述车辆的所述行程中的特征量输入到所述事故风险诊断模型来诊断该车辆的事故风险，
所述车载机分别设置于各个所述车辆，并能够通信地与所述事故风险诊断装置连接，将所述行驶数据发送至所述事故风险诊断装置。
CN202080046370.2A 2019-07-08 2020-06-05 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统 Pending CN114072863A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019127147A JP7212590B2 (ja) 2019-07-08 2019-07-08 事故リスク診断方法、事故リスク診断装置、及び事故リスク診断システム
JP2019-127147 2019-07-08
PCT/JP2020/022431 WO2021005933A1 (ja) 2019-07-08 2020-06-05 事故リスク診断方法、事故リスク診断装置、及び事故リスク診断システム

Publications (1)

Publication Number Publication Date
CN114072863A true CN114072863A (zh) 2022-02-18

Family

ID=74114128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080046370.2A Pending CN114072863A (zh) 2019-07-08 2020-06-05 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统

Country Status (5)

Country Link
US (1) US20220351614A1 (zh)
EP (1) EP3998591A4 (zh)
JP (1) JP7212590B2 (zh)
CN (1) CN114072863A (zh)
WO (1) WO2021005933A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343484B (zh) * 2023-05-12 2023-10-03 天津所托瑞安汽车科技有限公司 交通事故识别方法、终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017027414A (ja) * 2015-07-23 2017-02-02 株式会社日立システムズ サーバー装置、ライフログシステムおよび注意情報出力方法
CN107909678A (zh) * 2017-11-29 2018-04-13 思建科技有限公司 一种行车风险评价方法及系统
JP2018151716A (ja) * 2017-03-10 2018-09-27 オムロン株式会社 情報処理装置、リスク回避通知方法、およびリスク回避通知プログラム
CN108734592A (zh) * 2018-05-11 2018-11-02 深圳市图灵奇点智能科技有限公司 车辆保险业务数据分析方法和系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4203857B2 (ja) * 2004-03-01 2009-01-07 株式会社デンソー 安全運転支援システム
US9600541B2 (en) * 2014-05-02 2017-03-21 Kookmin University Industry Academy Corporation Foundation Method of processing and analysing vehicle driving big data and system thereof
JP6480143B2 (ja) * 2014-10-09 2019-03-06 株式会社日立製作所 運転特性診断装置、運転特性診断システム、運転特性診断方法
WO2016170785A1 (ja) * 2015-04-21 2016-10-27 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
JP6600536B2 (ja) * 2015-11-19 2019-10-30 株式会社日立製作所 保険業務支援システムおよび保険業務支援方法
JP6703465B2 (ja) * 2016-09-21 2020-06-03 株式会社日立製作所 運転支援装置、センタ装置
WO2018186625A1 (ko) * 2017-04-06 2018-10-11 삼성전자주식회사 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
JP6945226B2 (ja) * 2017-08-09 2021-10-06 株式会社ユピテル 車載電子機器、クライアント端末、及びプログラム
JP6992542B2 (ja) 2018-01-24 2022-02-03 トヨタ自動車株式会社 クーリングモジュール支持構造

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017027414A (ja) * 2015-07-23 2017-02-02 株式会社日立システムズ サーバー装置、ライフログシステムおよび注意情報出力方法
JP2018151716A (ja) * 2017-03-10 2018-09-27 オムロン株式会社 情報処理装置、リスク回避通知方法、およびリスク回避通知プログラム
CN107909678A (zh) * 2017-11-29 2018-04-13 思建科技有限公司 一种行车风险评价方法及系统
CN108734592A (zh) * 2018-05-11 2018-11-02 深圳市图灵奇点智能科技有限公司 车辆保险业务数据分析方法和系统

Also Published As

Publication number Publication date
US20220351614A1 (en) 2022-11-03
WO2021005933A1 (ja) 2021-01-14
JP2021012604A (ja) 2021-02-04
EP3998591A1 (en) 2022-05-18
EP3998591A4 (en) 2023-07-12
JP7212590B2 (ja) 2023-01-25

Similar Documents

Publication Publication Date Title
US10607425B2 (en) Vehicle electronic logging device (ELD) hour-of-service (HoS) audit and correction guidance system and method of operating thereof
US10665040B2 (en) Method and apparatus for remote vehicle diagnosis
US8958943B2 (en) Method and apparatus for tracking, scheduling, and reminding about maintenance status
US10719800B2 (en) Coaching mode in a vehicle electronic logging device (ELD) hour-of-service (HoS) audit and correction guidance system and method of operating thereof
US8798811B2 (en) Method and device for assisting in the diagnostic and in the dispatch decision of an aircraft
JP6345662B2 (ja) 情報処理システム、情報処理方法、情報処理装置および情報処理装置の制御プログラム
US20060155439A1 (en) System and method for using a vehicle's key to collect vehicle data and diagnose mechanical problems, to store and compare security data to allow only authorized use of vehicles and a method to automatically set vehicle features usng the key
CN101826135A (zh) 用于增强车辆诊断、预测和维护实践的综合信息融合
EP3660615B1 (en) System and method for monitoring an on-board recording system
CN109724812B (zh) 车辆故障预警的方法、装置、存储介质和终端设备
WO2016041910A1 (en) Method and system for sharing transport information
CN114072863A (zh) 事故风险诊断方法、事故风险诊断装置以及事故风险诊断系统
US11481736B2 (en) Oil maintenance monitoring
CN112149908A (zh) 车辆驾驶预测方法、系统、计算机设备及可读存储介质
US20200160348A1 (en) Server device and information processing method
US11535101B2 (en) Intelligent user manual system for vehicles
US20220289214A1 (en) Information exchange device provided with chat display part
DE102020112327B4 (de) System und Verfahren zur dynamischen Verbesserung von Fahrzeugdiagnosesystemen
EP4325395A2 (en) Hybrid rule engine for vehicle automation
CN118055148A (zh) 软件智慧推送方法、装置以及计算机可读存储介质
Wahl et al. Simplifying the complexity for vehicle health management system
US20210375077A1 (en) Fault diagnosis device
CN116757665A (zh) 一种车辆维保方法、系统、装置和电子设备
CN109962755A (zh) 一种数据处理方法及装置
CN116893662A (zh) 一种应用于无人驾驶车辆的故障码处理系统和处理方法

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