JP2021142872A - 学習モデル生成方法、蓋然性判定方法及び判定装置 - Google Patents
学習モデル生成方法、蓋然性判定方法及び判定装置 Download PDFInfo
- Publication number
- JP2021142872A JP2021142872A JP2020042629A JP2020042629A JP2021142872A JP 2021142872 A JP2021142872 A JP 2021142872A JP 2020042629 A JP2020042629 A JP 2020042629A JP 2020042629 A JP2020042629 A JP 2020042629A JP 2021142872 A JP2021142872 A JP 2021142872A
- Authority
- JP
- Japan
- Prior art keywords
- driver
- driving
- data
- information
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
停止すべき駅の定位置を超過したエラー運転を、所定期間の間に行ったことの無い第1分類運転士と、行ったことの有る第2分類運転士とについて、当該所定期間の間に当該駅に停止する際に行った複数の運転情報の統計データである運転士別運転データ、及び、当該運転士の運転経験情報を取得することと(例えば、図5の教師データ取得部202)、
前記運転士別運転データと、当該運転士別運転データが前記第1分類運転士の情報か前記第2分類運転士の情報かを示す運転士識別情報と、当該運転士別運転データに係る運転士の前記運転経験情報とを教師データとして、所与の運転士の運転士別運転データ及び運転経験情報が入力されたときに、当該所与の運転士が前記第1分類運転士又は前記第2分類運転士に該当する可能性を示す予測値を出力する機械学習モデルを生成することと(例えば、図5の予測モデル生成部204)、
を含む学習モデル生成方法である。
前記運転士別運転データには、常用最大ブレーキの使用割合が含まれる、
学習モデル生成方法である。
前記運転士別運転データには、ブレーキ全緩めの使用割合が含まれる、
学習モデル生成方法である。
前記運転士別運転データには、前記定位置から所定距離手前の位置での走行速度のバラツキに関する情報が含まれる、
学習モデル生成方法である。
第1〜第4の何れかの発明の学習モデル生成方法によって生成された機械学習モデルに対して、所与の運転士に係る運転士別運転データ及び運転経験情報を入力することで得られる前記予測値に基づいて、当該所与の運転士が前記エラー運転を行う蓋然性を判定する(例えば、図5の蓋然性判定部210)、
蓋然性判定方法である。
停止すべき駅の定位置を超過したエラー運転を、所定期間の間に行ったことの無い第1分類運転士と、行ったことの有る第2分類運転士とについて、当該所定期間の間に当該駅に停止する際に行った複数の運転情報の統計データである運転士別運転データと、当該運転士別運転データが前記第1分類運転士の情報か前記第2分類運転士の情報かを示す運転士識別情報と、当該運転士別運転データに係る運転士の運転経験情報とを教師データとして、所与の運転士の運転士別運転データ及び運転経験情報が入力されたときに、当該所与の運転士が前記第1分類運転士又は前記第2分類運転士に該当する可能性を示す予測値を出力するように学習させた機械学習モデルに、所与の運転士の運転士別運転データ及び運転経験情報を入力して、当該所与の運転士の前記予測値を得る予測処理を実行する予測処理実行手段(例えば、図5の予測部208)と、
前記予測処理で得られた前記予測値に基づいて、前記入力した所与の運転士が前記エラー運転を行う蓋然性を判定する蓋然性判定手段(例えば、図5の蓋然性判定部210)と、
を備える判定装置を構成してもよい。
本実施形態は、鉄道車両に搭載される運転情報記録装置に記録された運転情報を用いて、運転士が停止すべき駅の定位置を通過するエラー運転を行う蓋然性を判定するものである。運転情報は、時刻に対応付けて、列車の位置や速度、ノッチ数を含むブレーキの操作状況や動作状況等を時系列に記録したデータである。運転情報は、運転情報記録装置に記録されたデータであることとしたが、同項目のデータであれば、運転情報記録装置に記録されるデータ以外のデータも運転情報として使用することができる。エラー運転は、ブレーキ時機を逸したことによる停止位置誤り(ブレーキ時機エラー)であり、停止位置の過走(オーバーラン)と、停止せずに駅を通過したこととを含む。
図1は、予測モデルの生成を説明する図である。図1に示すように、予測モデル10は、複数の教師データ310を用いた機械学習を行うことで生成される。1つの教師データ310は、1人の運転士に関するデータであり、運転士識別情報と、運転経験情報と、運転士別運転データとの3種類のデータを含む。1つ目のデータである運転士識別情報は、当該運転士が、所定期間の間に、対象駅に停止する際にエラー運転を行ったことの無い第1分類運転士であるか、エラー運転を行ったことの有る第2分類運転士であるかを示す情報である。2つ目のデータである運転経験情報は、当該運転士としての経験年数である。なお、経験年数ではなく、通算運転距離としてもよい。3つ目のデータである運転士別運転データは、当該運転士の対象駅に停止した際の運転操作に関するデータであり、所定期間の間に当該運転士が対象駅に停止した際の複数の運転情報の統計データである。
図3は、予測モデル10を用いた、運転士がエラー運転を行う蓋然性の判定を説明する図である。図3に示すように、判定対象の運転士に関するデータである運転士別運転データ及び運転経験情報を含む運転士データ330を、予測モデル10に入力する。つまり、運転士データ330の運転士別運転データに含まれる、説明変数X1である停車前5秒間の常用最大ブレーキの使用割合[%]、説明変数X2である停車前5秒間のブレーキ全緩めの使用割合[%]、及び、説明変数X3である停止位置の200m手前地点での速度の標準偏差[km/h]と、運転士経験情報に含まれる、説明変数X4である運転士の経験年数との4個の説明変数X1〜X4の値を、式(1)で表されるモデル式に入力して、予測値Pを算出する。
図4は、本実施形態の判定方法による判定結果(実験結果)の一例である。142人の運転士の運転情報を教師データ310として、ロジスティック回帰分析により、式(1)に示したモデル式で表される予測モデル10を生成した。142人の内訳は、第1分類運転士が71人、第2分類運転士が71人と同数である。次いで、教師データ310として用いた142人の運転士それぞれを判定対象の運転士として、その運転士データ330を生成した予測モデル10に入力して予測値Pを算出した。
図5は、判定装置1の機能構成図である。この判定装置1は、上述したように、対象駅に停止した際の運転情報を用いて、当該対象駅に停止する際の運転士の運転操作とエラー運転との関係を示す予測モデル10を生成し、この予測モデル10を用いて、所与の判定対象の運転士がエラー運転を行う蓋然性を判定する装置である。図5に示すように、判定装置1は、入力部102と、表示部104と、音出力部106と、通信部108と、処理部200と、記憶部300とを備えて構成され、一種のコンピュータシステムとして実現される。なお、判定装置1は、1台のコンピュータで実現してもよいし、複数台のコンピュータを接続して構成することとしてもよい。
このように、本実施形態によれば、運転情報記録装置により記録・蓄積された運転情報を用いて、運転士個々のエラー事象の発生可能性を予測することが可能となる。
1…判定装置
200…処理部
202…教師データ取得部
204…予測モデル生成部
206…運転士データ取得部
208…予測部
210…蓋然性判定部
300…記憶部
302…判定プログラム
310…教師データ
320…予測モデルデータ
330…運転士データ
340…判定結果データ
Claims (6)
- 停止すべき駅の定位置を超過したエラー運転を、所定期間の間に行ったことの無い第1分類運転士と、行ったことの有る第2分類運転士とについて、当該所定期間の間に当該駅に停止する際に行った複数の運転情報の統計データである運転士別運転データ、及び、当該運転士の運転経験情報を取得することと、
前記運転士別運転データと、当該運転士別運転データが前記第1分類運転士の情報か前記第2分類運転士の情報かを示す運転士識別情報と、当該運転士別運転データに係る運転士の前記運転経験情報とを教師データとして、所与の運転士の運転士別運転データ及び運転経験情報が入力されたときに、当該所与の運転士が前記第1分類運転士又は前記第2分類運転士に該当する可能性を示す予測値を出力する機械学習モデルを生成することと、
を含む学習モデル生成方法。 - 前記運転士別運転データには、常用最大ブレーキの使用割合が含まれる、
請求項1に記載の学習モデル生成方法。 - 前記運転士別運転データには、ブレーキ全緩めの使用割合が含まれる、
請求項1又は2に記載の学習モデル生成方法。 - 前記運転士別運転データには、前記定位置から所定距離手前の位置での走行速度のバラツキに関する情報が含まれる、
請求項1〜3の何れか一項に記載の学習モデル生成方法。 - 請求項1〜4の何れか一項に記載の学習モデル生成方法によって生成された機械学習モデルに対して、所与の運転士に係る運転士別運転データ及び運転経験情報を入力することで得られる前記予測値に基づいて、当該所与の運転士が前記エラー運転を行う蓋然性を判定する、
蓋然性判定方法。 - 停止すべき駅の定位置を超過したエラー運転を、所定期間の間に行ったことの無い第1分類運転士と、行ったことの有る第2分類運転士とについて、当該所定期間の間に当該駅に停止する際に行った複数の運転情報の統計データである運転士別運転データと、当該運転士別運転データが前記第1分類運転士の情報か前記第2分類運転士の情報かを示す運転士識別情報と、当該運転士別運転データに係る運転士の運転経験情報とを教師データとして、所与の運転士の運転士別運転データ及び運転経験情報が入力されたときに、当該所与の運転士が前記第1分類運転士又は前記第2分類運転士に該当する可能性を示す予測値を出力するように学習させた機械学習モデルに、所与の運転士の運転士別運転データ及び運転経験情報を入力して、当該所与の運転士の前記予測値を得る予測処理を実行する予測処理実行手段と、
前記予測処理で得られた前記予測値に基づいて、前記入力した所与の運転士が前記エラー運転を行う蓋然性を判定する蓋然性判定手段と、
を備える判定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020042629A JP7328920B2 (ja) | 2020-03-12 | 2020-03-12 | 学習モデル生成方法、蓋然性判定方法及び判定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020042629A JP7328920B2 (ja) | 2020-03-12 | 2020-03-12 | 学習モデル生成方法、蓋然性判定方法及び判定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021142872A true JP2021142872A (ja) | 2021-09-24 |
JP7328920B2 JP7328920B2 (ja) | 2023-08-17 |
Family
ID=77765769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020042629A Active JP7328920B2 (ja) | 2020-03-12 | 2020-03-12 | 学習モデル生成方法、蓋然性判定方法及び判定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7328920B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008221902A (ja) * | 2007-03-08 | 2008-09-25 | National Traffic Safety & Environment Laboratory | 運転状況記録装置 |
JP2010221904A (ja) * | 2009-03-24 | 2010-10-07 | Railway Technical Res Inst | 運転士の列車操縦時の二次的エラー防止システム |
JP2014160113A (ja) * | 2013-02-19 | 2014-09-04 | Railway Technical Research Institute | 鉄道運転士のエラー連鎖の誘発防止方法 |
JP2020029211A (ja) * | 2018-08-23 | 2020-02-27 | 株式会社東芝 | 運転曲線作成装置 |
-
2020
- 2020-03-12 JP JP2020042629A patent/JP7328920B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008221902A (ja) * | 2007-03-08 | 2008-09-25 | National Traffic Safety & Environment Laboratory | 運転状況記録装置 |
JP2010221904A (ja) * | 2009-03-24 | 2010-10-07 | Railway Technical Res Inst | 運転士の列車操縦時の二次的エラー防止システム |
JP2014160113A (ja) * | 2013-02-19 | 2014-09-04 | Railway Technical Research Institute | 鉄道運転士のエラー連鎖の誘発防止方法 |
JP2020029211A (ja) * | 2018-08-23 | 2020-02-27 | 株式会社東芝 | 運転曲線作成装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7328920B2 (ja) | 2023-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wijnands et al. | Identifying behavioural change among drivers using Long Short-Term Memory recurrent neural networks | |
Ersal et al. | Model-based analysis and classification of driver distraction under secondary tasks | |
Ramyar et al. | Identification of anomalies in lane change behavior using one-class SVM | |
CN105139648B (zh) | 驾驶习惯数据生成方法及系统 | |
CN113272838A (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
Tselentis et al. | Driving safety efficiency benchmarking using smartphone data | |
JP2018095429A (ja) | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 | |
KR20140031435A (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
Das et al. | Nonparametric multivariate adaptive regression splines models for investigating lane-changing gap acceptance behavior utilizing strategic highway research program 2 naturalistic driving data | |
JP2004165216A (ja) | 生産管理方法および生産管理装置 | |
US20230177959A1 (en) | Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system | |
WO2015053423A1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
Kong et al. | Modeling vehicle car-following behavior in congested traffic conditions based on different vehicle combinations | |
JP2019522296A (ja) | 地域内の車両データをジオリファレンスしてスコアリングするためのシステムおよび方法 | |
JP2003296891A (ja) | 旅行時間推計装置およびその方法、コンピュータプログラム | |
Rao et al. | Investigating the intra-driver heterogeneity in car following behaviour based on large-scale naturalistic driving study | |
JP2021142872A (ja) | 学習モデル生成方法、蓋然性判定方法及び判定装置 | |
Katrakazas et al. | A simulation study of predicting conflict-prone traffic conditions in real-time | |
JP7328921B2 (ja) | 学習モデル生成方法、蓋然性判定方法及び判定装置 | |
Liu et al. | Identification of driver distraction based on SHRP2 naturalistic driving study | |
Sekar et al. | Performance enhancement of Behavior-Based Safety of fleet management systems | |
JP7244443B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
Mahmud et al. | Traditional approaches to Traffic Safety Evaluation (TSE): Application challenges and future directions | |
Yue et al. | Bayesian hybrid gamma-GPD model for extreme traffic conflict threshold determination in the peak over threshold approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220607 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230725 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7328920 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |