JP6890265B2 - イベント予測システム、イベント予測方法、プログラム、及び移動体 - Google Patents

Description

本発明は、一般にイベント予測システム、イベント予測方法、プログラム、及び移動体に関し、より詳細には、移動体の運転に関連するイベントの発生を予測するイベント予測システム、イベント予測方法、プログラム、及び移動体に関する。

従来、自車両の危険予測を行い、予測結果をドライバに通知することで、車両の運転を支援する運転支援装置が知られている（例えば、特許文献１参照）。

特許文献１に記載の運転支援装置は、運転能力確認部と、危険予測部と、表示制御部とを有している。運転能力確認部は、環境情報取得部、自車情報取得部及びドライバ情報取得部の検出情報に基づいて運転技量試験を周期的に行い、その試験結果からドライバの運転行動を判定し、ドライバの運転能力を確認する。危険予測部は、ドライバの運転行動の判定結果に基づいて、自車両の危険予測を行う。表示制御部は、環境情報取得部、自車情報取得部及びドライバ情報取得部の検出情報に基づいて自車両の未来位置を予測し、自車両の未来位置を自車両の衝突危険度に対応する表示態様で表示部に表示させる。

特開２０１２−１２８６５５号公報

しかし、特許文献１に記載の運転支援装置では、自車両の未来位置の予測結果を表示することで衝突の可能性を運転者（ドライバ）に知らせるため、運転者に通知可能な内容は、運転者の視認可能な範囲で発生するイベント（事故等）に限られる。したがって、特許文献１に記載の運転支援装置では、例えば、路上駐車されている車両の陰からの歩行者の飛び出し等、運転者の死角になる対象物（この場合、歩行者）に起因したイベントについては予測することができない。

本発明は上記事由に鑑みてなされており、運転者の死角になる対象物に起因したイベントの発生についても予測可能なイベント予測システム、イベント予測方法、プログラム、及び移動体を提供することを目的とする。

一態様に係るイベント予測システムは、時間予測部と、第１取得部と、第２取得部と、推定部と、を備える。前記時間予測部は移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する。前記第１取得部は、前記所要時間を表す時間情報を取得する。前記第２取得部は、前記移動体の状況を表す移動体情報を取得する。前記推定部は、前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する。前記時間予測部は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測するように構成されている。

一態様に係るイベント予測システムは、第１取得部と、第２取得部と、推定部と、時間予測部と、を備える。前記第１取得部は、移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する。前記第２取得部は、前記移動体の状況を表す移動体情報を取得する。前記推定部は、前記時間情報及び前記移動体情報に基づいて、前記イベントの発生箇所を推定する。前記時間予測部は、前記所要時間を予測する。前記時間予測部は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測するように構成されている。前記時間予測部は、前記移動体を運転する運転者の属性ごとに異なる前記予測モデルを用いるように構成されている。

一態様に係るイベント予測システムは、時間予測部と、蓄積部と、生成部と、を備える。前記時間予測部は、移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する。前記蓄積部は、前記イベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを蓄積する。前記生成部は、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する際に用いられる、前記所要時間を予測するための予測モデルを、前記複数の学習用データを用いて生成する。前記複数の学習用データの各々は、前記イベントの発生時点までの所要時間を表すラベル情報を更に含む。前記時間予測部は、前記移動体に関する予測用情報と、前記予測モデルと、を用いて、前記所要時間を予測するように構成されている。

一態様に係るイベント予測方法は、時間予測処理と、第１取得処理と、第２取得処理と、推定処理と、を有する。前記時間予測処理は、移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する。前記時間予測処理は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測する。前記第１取得処理は、前記所要時間を表す時間情報を取得する。前記第２取得処理は、前記移動体の状況を表す移動体情報を取得する。前記推定処理は、前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する。

一態様に係るプログラムは、コンピュータシステムに、時間予測処理と、第１取得処理と、第２取得処理と、推定処理と、を実行させるためのプログラムである。前記時間予測処理は、移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて予測する。前記第１取得処理は、前記所要時間を表す時間情報を取得する。前記第２取得処理は、前記移動体の状況を表す移動体情報を取得する。前記推定処理は、前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する。

一態様に係る移動体は、前記イベント予測システムを備える。

本発明は、運転者の死角になる対象物に起因したイベントの発生についても予測可能である、という利点がある。

図１は、実施形態１に係るイベント予測システムの構成を示すブロック図である。 図２は、同上のイベント予測システムの予測モデルの生成に係る動作を示すフローチャートである。 図３は、同上のイベント予測システムのイベントの発生箇所の推定に係る動作を示すフローチャートである。 図４は、同上のイベント予測システムを用いた場合の運転者の視野を示す概念図である。 図５Ａ〜図５Ｃは、同上のイベント予測システムにて予測が可能なイベントの例を示す概念図である。 図６Ａ〜図６Ｃは、同上のイベント予測システムにて予測が可能なイベントの他の例を示す概念図である。

（実施形態１）
（１）概要
本実施形態に係るイベント予測システム１（図１参照）は、自動車等の移動体１００（図１参照）の運転に関連するイベントの発生を予測するためのシステムである。本実施形態では、イベント予測システム１が適用される移動体１００が自動車である場合を例に説明する。

ここでいう「イベント」は、例えば、移動体１００の運転者が運転に際して危険と感じるような事象を意味する。この種の「イベント」には、例えば、車両同士の衝突、ガードレール等の構造物への車両の衝突、及び歩行者等と車両の接触等の事故、又は、事故には至らないものの事故に直結する可能性の高い事象（いわゆるヒヤリ・ハット）等がある。また、ここでいう「イベントの発生箇所」は、イベントが発生する箇所を意味しており、交差点又は横断歩道等のイベントが発生する場所（地点）、及び、移動体１００の周辺の車両、歩行者、又は小動物等のイベントの対象となる特定の物体（部分）の両方を含む。

本実施形態に係るイベント予測システム１は、主として、運転者の死角になる対象物に起因したイベントの発生を予測する。この種のイベントの具体例として、路上駐車されている車両の陰からの歩行者の飛び出し、及び右折（又は左折）待ちの車両の陰からの直進する車両の出現等がある。運転者の視認可能な範囲外で発生するこの種のイベントは、「見えない危険」とも呼ばれる。移動体１００の運転者は、通常、この種のイベント（見えない危険）については、移動体１００の状況に基づいて、つまり移動体１００がどのような状況に置かれているかに基づいて、自身の経験等に照らして予測を行っている。すなわち、一般的に、運転者は、様々なシチュエーションでの移動体１００の運転を経験することにより、「見えない危険」を、ある程度予測できるようになる。そのため、運転者の運転の熟練度、運転のセンス、及び運転者の状態（運転者の精神状態等を含む）等によって、「見えない危険」の予見性は大きくばらつくことがある。

イベント予測システム１によれば、この種のイベント（見えない危険）が主として予測されるので、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。したがって、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。さらに、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。さらには、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。要するに、運転者の死角になる対象物に起因したイベントの発生についても予測可能なイベント予測システム１によれば、より安全な運転を実現するように、運転者による移動体１００の運転を支援可能となる。

本実施形態に係るイベント予測システム１は、例えば、実際にイベントが発生した際の移動体１００の状況を表す履歴情報等から機械学習アルゴリズムによって生成される予測モデルを用いて、イベントの発生を予測する。すなわち、移動体１００の状況を表す履歴情報等から生成される予測モデルは、運転者の運転の経験に代えて、イベントの発生を予測可能にする。例えば、移動体１００の周辺にどのような物体が存在し、移動体１００の移動速度がどの程度で、移動体１００がどのような場所を移動中か、といった移動体１００の種々の状況からは、イベントの発生を予測することが可能である。

イベント予測システム１でのイベントの予測結果は、例えば、ヘッドアップディスプレイ（ＨＵＤ：Head-Up Display）、及びマルチインフォメーションディスプレイ等に表示されることによって、運転者に報知されることが好ましい。これにより、運転者の死角になる対象物に起因したイベントの発生が予測される場合には、その旨が運転者に知らされることになり、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。さらに、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。さらには、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。

（２）構成
本実施形態に係るイベント予測システム１は、図１に示すように、移動体１００（本実施形態では自動車）に実装された予測ブロック１１と、クラウド２００（クラウドコンピューティング）に実装された学習ブロック１２と、を備えている。

また、イベント予測システム１は、移動体１００に搭載された報知部１３を更に備えている。また、イベント予測システム１は、移動体１００に搭載されたＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６を更に備えている。

予測ブロック１１と学習ブロック１２とは、通信可能に構成されている。予測ブロック１１は、移動体１００に実装されているため、クラウド２００に実装された学習ブロック１２との通信は、例えば、通信事業者が提供する携帯電話網（キャリア網）、及びインターネット等の公衆回線網を介して行われる。携帯電話網には、例えば３Ｇ（第３世代）回線、ＬＴＥ（Long Term Evolution）回線等がある。予測ブロック１１は、学習ブロック１２と、公衆無線ＬＡＮ（Local Area Network）を介して通信可能に構成されていてもよい。

予測ブロック１１は、第１取得部１１１と、第２取得部１１２と、推定部１１３と、時間予測部１１４と、モデル格納部１１５と、入力情報処理部１１６と、出力情報処理部１１７と、を有している。予測ブロック１１は、例えば、ＣＰＵ（Central Processing Unit）及びメモリを主構成とするコンピュータシステムにて構成されており、ＣＰＵがメモリに格納されているプログラムを実行することにより、コンピュータシステムが予測ブロック１１として機能する。プログラムは、ここでは予測ブロック１１のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の記録媒体に記録されて提供されてもよい。

第１取得部１１１は、時間情報を取得する。ここでいう「時間情報」は、移動体１００の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す情報である。つまり、移動体１００を運転中における事故、又はヒヤリ・ハット等のイベントの発生が予測される場合、このイベントの発生が予測される時点を「予測時点」としたときの、予測時点までの所要時間は時間情報によって表される。例えば、現時点から３秒後にイベントの発生が予測される場合、つまり予測時点が現時点の３秒後である場合、予測時点までの所要時間は「３秒」であるから、時間情報は「３秒」となる。

第２取得部１１２は、移動体情報を取得する。ここでいう「移動体情報」は、移動体１００の状況を表す情報である。本実施形態では、移動体情報は、移動体１００の周辺の物体に関する情報（「ＡＤＡＳ情報」ともいう）と、移動体１００の状態に関する情報（「車両情報」ともいう）と、移動体１００の位置に関する情報（「位置情報」ともいう）と、の少なくとも１つを含む。

ＡＤＡＳ情報は、先進運転支援システム（ＡＤＡＳ：Advanced Driver Assistance System）の検出部であるカメラ、ソナーセンサ、レーダ、及びＬｉＤＡＲ（Light Detection and Ranging）等にて検出可能な情報である。ＡＤＡＳ情報の具体例としては、移動体１００の周辺を走行中の車両までの移動体１００からの距離、この車両の移動体１００に対する相対座標、複数の車両同士の車間距離、及びこれらの車両の相対速度等がある。ここで、ＡＤＡＳ情報における移動体１００の周辺の物体は、移動体１００の周辺にて走行中又は停車中の車両、ガードレール等の構造物の他、歩行者、及び小動物等を含んでいる。

車両情報は、移動体１００自体のローカルな状態を表す情報であって、移動体１００に搭載されたセンサにて検出可能な情報である。車両情報の具体例としては、移動体１００の移動速度（走行速度）、移動体１００にかかる加速度、アクセルペダルの踏込量（アクセル開度）、ブレーキペダルの踏込量、舵角、並びにドライバモニタで検出される運転者の脈拍、表情、及び視線等がある。更に、車幅、車高、全長、及びアイポイント等の、移動体１００に固有のデータも、車両情報に含まれる。

位置情報は、移動体１００の位置に基づく情報であって、自車位置における道路情報等、ＧＰＳ（Global Positioning System）を用いて検出可能な情報である。位置情報の具体例としては、自車位置における道路の車線数、交差点か否か、丁字路か否か、一方通行か否か、車道幅、歩道の有無、勾配、及びカーブの曲率等がある。

ＡＤＡＳ情報、車両情報、及び位置情報の個々の具体例は、上述した例に限らない。例えば、ドライバモニタが、運転者の顔の向き、眠気レベル、及び感情等を検出可能である場合には、これらの情報（運転者の顔の向き、眠気レベル、及び感情等）も車両情報に含まれる。

推定部１１３は、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する。すなわち、推定部１１３は、第１取得部１１１が取得した時間情報と、第２取得部１１２が取得した移動体情報とに基づいて、発生が予測されるイベントの発生箇所の推定を行う。

ここで、推定部１１３は、時間情報及び移動体情報に基づいて、予測時点における移動体１００の到達位置を予測し、予測した到達位置から、イベントの発生箇所を推定するように構成されている。つまり、推定部１１３は、時間情報から、まずはイベントの発生が予測される時点（予測時点）における移動体１００の到達位置を予測する。そして、その到達位置から、推定部１１３は、イベントの発生箇所を推定する。

さらに、推定部１１３は、移動体１００の周辺に存在しており、所要時間後に到達位置に存在する物体を、イベントの発生箇所として推定するように構成されている。「イベントの発生箇所」は、上述したように交差点又は横断歩道等のイベントが発生する場所、及び、移動体１００の周辺の車両、歩行者、又は小動物等のイベントの対象となる特定の物体の両方を含むが、本実施形態では後者（特定の物体）を推定対象とする。推定部１１３の具体的な処理については、「（３．２）予測動作」の欄で説明する。

時間予測部１１４は、所要時間を予測する。本実施形態では、時間予測部１１４は、移動体１００に関する予測用情報と、予測モデルと、を用いて、イベントの発生が予測される予測時点までの所要時間を予測するように構成されている。ここにおいて、予測用情報は、移動体１００の状況を表す情報であって、第２取得部１１２が取得する移動体情報と同じ情報である。ここでいう「予測モデル」は、学習ブロック１２にて、実際にイベントが発生した際の移動体１００の状況を表す履歴情報等から機械学習アルゴリズムによって生成される学習済みモデルである。つまり、第１取得部１１１にて取得される予測時点までの所要時間を表す時間情報は、予測ブロック１１が外部から取得するのではなく、時間予測部１１４が予測モデルを用いて生成する情報である。

また、時間予測部１１４は、イベントが発生した際における移動体１００の状況を表す履歴情報を、学習ブロック１２に送信するように構成されている。ここでいう「履歴情報」は、移動体１００の状況を表す情報であって、第２取得部１１２が取得する移動体情報（及び予測用情報）と同じ情報である。ただし、時間予測部１１４は、履歴情報を学習ブロック１２に常時送信するのではなく、イベントが発生した場合にのみ、履歴情報を学習ブロック１２に送信する。イベントの発生の有無は、ソナーセンサ、及びレーダ等の検知結果、エアバッグの動作状態、急ブレーキ及び急ハンドルの検知結果、又は、ドライバモニタで測定される運転者の脈拍、及び表情等にて検出可能である。つまり、予測ブロック１１は、イベントの発生をトリガにして、例えば、イベントの発生時点の前後の数秒間の履歴情報を学習ブロック１２に送信する。このとき、一定時間（例えば０．１秒）間隔で履歴情報が取得されている場合には、イベントの発生時点の前後の数秒間に取得された複数の履歴情報が、学習ブロック１２にまとめて送信される。

ここにおいて、時間予測部１１４は、イベントの発生時点までの所要時間を表す時間情報を、ラベル情報として、履歴情報と共に学習ブロック１２に送信する。ラベル情報としての時間情報は、時間予測部１１４にて予測される時間情報とは異なり、イベントの発生が検出された時点までの実際の所要時間を表す情報である。複数の履歴情報が学習ブロックにまとめて送信される場合には、ラベル情報としての時間情報は、複数の履歴情報の各々に対応付けられている。また、ラベル情報としての時間情報は、イベントの発生時点までの所要時間に加えて、イベントの発生時点からの経過時間をも表すことが好ましい。イベントの発生時点までの所要時間とイベントの発生時点からの経過時間とは、例えば、符号（＋／−）によって区別される。一例として、所要時間が「＋」、経過時間が「−」であれば、イベントの発生時点の５秒前は「＋５秒」で表され、イベントの発生時点の５秒後は「−５秒」と表される。詳しくは後述するが、履歴情報及びラベル情報（時間情報）は、学習ブロック１２において予測モデルの生成に用いられる。

モデル格納部１１５は、時間予測部１１４での所要時間の予測に使用される予測モデルを格納する。本実施形態では、予測ブロック１１と学習ブロック１２との間の通信により、学習ブロック１２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信（配信）され、モデル格納部１１５に格納（記憶）される。本実施形態では、モデル格納部１１５には、１つの予測モデルが格納されていることと仮定する。モデル格納部１１５は、学習ブロック１２から新たな予測モデルを随時取得し、格納している予測モデルを随時更新する。ただし、モデル格納部１１５には、複数の予測モデルが格納されてもよい。

入力情報処理部１１６は、ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６に接続されている。ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６は、それぞれＡＤＡＳ情報、車両情報、及び位置情報の入力インタフェースである。そのため、入力情報処理部１１６には、ＡＤＡＳ情報入力部１４からＡＤＡＳ情報が入力され、車両情報入力部１５から車両情報が入力され、位置情報入力部１６から位置情報が入力される。入力情報処理部１１６は、ＡＤＡＳ情報、車両情報、及び位置情報を、移動体情報として第２取得部１１２に出力する。さらに、入力情報処理部１１６は、ＡＤＡＳ情報、車両情報、及び位置情報を、予測用情報として時間予測部１１４に出力する。すなわち、本実施形態では、移動体情報及び予測用情報の各々は、ＡＤＡＳ情報、車両情報、及び位置情報の全てを含む情報である。

出力情報処理部１１７は、推定部１１３、及び報知部１３に接続されている。出力情報処理部１１７には、推定部１１３の推定結果、つまり推定部１１３で推定されたイベントの発生箇所が入力される。出力情報処理部１１７は、推定部１１３で推定されたイベントの発生箇所を、報知部１３に出力し、報知部１３にて報知させる。本実施形態では、報知部１３は、イベントの発生箇所を表示することにより報知する表示部を有している。そのため、出力情報処理部１１７は、推定部１１３の推定結果を、表示部にて表示可能な態様のデータとして報知部１３に出力する。

報知部１３は、推定部１１３で推定されたイベントの発生箇所を報知する。つまり、報知部１３は、出力情報処理部１１７から、推定部１１３の推定結果を受け取ることにより、イベントの発生箇所を報知（本実施形態では表示）する。本実施形態では、報知部１３は、３Ｄ−ＨＵＤ１３１、２Ｄ−ＨＵＤ１３２、メータ１３３、及びマルチインフォメーションディスプレイ１３４を、表示部の一例として有している。３Ｄ−ＨＵＤ１３１及び２Ｄ−ＨＵＤ１３２は、移動体１００のウインドシールドに下方（ダッシュボード）から画像を投影することで、ウインドシールドで反射された画像を運転者に視認させる。特に、３Ｄ−ＨＵＤ１３１は、移動体１００の前方の路面上に奥行きをもって視認される画像を投影可能である。報知部１３での具体的な表示態様については、「（３．２）予測動作」の欄で説明する。

学習ブロック１２は、蓄積部１２１と、生成部１２２と、を有している。学習ブロック１２は、例えば、ＣＰＵ及びメモリを主構成とするコンピュータシステムにて構成されており、ＣＰＵがメモリに格納されているプログラムを実行することにより、コンピュータシステムが学習ブロック１２として機能する。プログラムは、ここでは学習ブロック１２のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の記録媒体に記録されて提供されてもよい。

蓄積部１２１は、イベントが発生した際における移動体１００の状況を表す履歴情報を含む複数の学習用データを蓄積する。本実施形態では、時間予測部１１４から学習ブロック１２に送信される、ラベル情報（時間情報）が、履歴情報と共に学習用データとして蓄積部１２１に蓄積される。つまり、蓄積部１２１に蓄積される複数の学習用データの各々は、イベントが発生した際における履歴情報と、イベントの発生時点までの所要時間（又は発生時点からの経過時間）を表す時間情報と、を含んでいる。

このように、蓄積部１２１には、イベントの発生をトリガにして、時間情報（ラベル情報）が付加された状態の履歴情報が、学習用データとして蓄積される。学習用データは、イベントが発生する度に蓄積部１２１に蓄積され、蓄積部１２１には複数の学習用データが蓄積される。ここで、蓄積部１２１に蓄積された複数の学習用データは、生成部１２２での予測モデルの生成に用いられる学習用データセットである。つまり、複数の学習用データは、履歴情報にアノテーション処理が施されることにより、生成部１２２での機械学習に適した形に加工された学習用データセットを構成する。

生成部１２２は、複数の学習用データを用いて、予測モデルを生成する。生成部１２２は、一定量以上の学習用データを用いて、機械学習アルゴリズムによって予測モデルを生成する。予測モデルは、上述したように、時間予測部１１４にてイベントの発生が予測される予測時点までの所要時間を予測するために使用される学習済みモデルである。生成部１２２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信され、モデル格納部１１５に格納される。ここで、生成部１２２は、予測モデルの評価用のサンプルを有しており、予測モデルの評価が向上する度に、予測モデルを予測ブロック１１に送信し、モデル格納部１１５に格納されている予測モデルを更新する。

（３）動作
次に、本実施形態に係るイベント予測システム１の動作について説明する。

（３．１）学習動作
まず、学習ブロック１２での予測モデルの生成に係るイベント予測システム１の動作について、図２に示すフローチャートを参照して説明する。

学習ブロック１２は、予測ブロック１１でのイベントの発生をトリガにして、予測ブロック１１から履歴情報を取得する（Ｓ１１）。さらに、このとき、学習ブロック１２は、履歴情報に対応付けられたラベル情報（時間情報）を、履歴情報と併せて取得する。学習ブロック１２は、取得した時間情報を、ラベル情報として履歴情報に付加するアノテーション処理を行う（Ｓ１２）。学習ブロック１２は、このようにして得られる、ラベル情報（時間情報）が付加された履歴情報を学習用データとし、この学習用データを、蓄積部１２１に蓄積する（Ｓ１３）。

学習ブロック１２は、蓄積された学習用データの増加量を表す値（例えばビット数）を蓄積データ増加量とし、蓄積データ増加量と所定値Ｑとを比較する（Ｓ１４）。蓄積データ増加量が所定値Ｑ以上であれば（Ｓ１４：Ｙｅｓ）、学習ブロック１２は、生成部１２２にて予測モデルを生成する（Ｓ１５）。このとき、生成部１２２は、蓄積部１２１に蓄積されている複数の学習用データを用いて、機械学習アルゴリズムによって予測モデルを生成する。生成部１２２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信され、モデル格納部１１５に格納される。一方、蓄積データ増加量が所定値Ｑ未満であれば（Ｓ１４：Ｎｏ）、イベント予測システム１は、ステップＳ１５を飛ばして、学習ブロック１２での一連の処理を終了する。

イベント予測システム１は、上記ステップＳ１１〜Ｓ１５の処理を、予測ブロック１１にてイベントが発生する度に繰り返し行うことで、予測モデルを生成する。そして、学習ブロック１２は、予測モデルの評価が向上する度に、予測モデルを予測ブロック１１に送信し、モデル格納部１１５に格納されている予測モデルを更新する。

また、学習ブロック１２は、イベント予測システム１の運用開始時においては、蓄積部１２１に予め複数の学習用データを蓄積しておくことにより、予測ブロック１１から履歴情報を取得しなくても、予測モデルを生成可能に構成されていることが好ましい。予測モデルについても同様であって、イベント予測システム１の運用開始時においては、学習ブロック１２及びモデル格納部１１５に、予めデフォルトの予測モデルが格納されていることが好ましい。

ここにおいて、ラベル情報としての時間情報は、上述したように、イベントの発生時点までの所要時間に加えて、イベントの発生時点からの経過時間をも表すことが好ましい。すなわち、学習ブロック１２は、イベントの発生前の履歴情報だけでなく、イベントの発生後の履歴情報についても、イベントの発生時点からの経過時間を表すラベル情報（時間情報）を付加して、学習用データとして蓄積部１２１に蓄積することが好ましい。イベントの発生後の履歴情報を用いることにより、イベントの発生時点の特定精度が向上し、結果的に、生成部１２２で生成される予測モデルの評価が向上する。さらに、イベントの発生後の履歴情報を用いることにより、学習ブロック１２にて、イベントの発生の有無の真偽について検証可能となる。要するに、急ブレーキの検知結果からイベントの発生が検出された場合でも、その後、移動体１００の状況等から、事故、又はヒヤリ・ハット等ではないと判断される場合には、イベントが発生しなかったこととして、学習用データを破棄可能となる。例えば、運転者の運転が荒い場合等であって、急ブレーキの検知結果からイベントの発生が検出された後、移動体１００が通常通りの移動（走行）を継続していると判断されると、学習ブロック１２において、学習用データが破棄される。これにより、蓄積部１２１に蓄積される学習用データの質が向上する。

（３．２）予測動作
次に、予測ブロック１１でのイベントの発生箇所の推定に係るイベント予測システム１の動作について、図３に示すフローチャートを参照して説明する。

予測ブロック１１は、時間予測部１１４にて予測用情報を取得する（Ｓ２１）。このとき、ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６から入力情報処理部１１６に入力されるＡＤＡＳ情報、車両情報、及び位置情報が、予測用情報として時間予測部１１４に入力される。予測ブロック１１は、取得した予測用情報、及びモデル格納部１１５に格納されている予測モデルを用いて、時間予測部１１４にて所要時間の予測を行う（Ｓ２２）。ここで、予測用情報から特定される移動体１００の状況が、例えば、３秒後にイベントが発生する可能性が高いと判断されるような状況にあれば、所要時間は３秒と予測される。予測用情報の取得（Ｓ２１）及び所要時間の予測（Ｓ２２）は、一定時間（例えば０．１秒）間隔で随時実行される。

予測ブロック１１は、予測した所要時間と規定時間Ｓ（例えば５秒）とを比較する（Ｓ２３）。所要時間が規定時間Ｓ以下であれば（Ｓ２３：Ｙｅｓ）、予測ブロック１１は、イベントの発生箇所を推定するための処理を開始する。具体的には、予測ブロック１１は、第１取得部１１１にて、イベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する第１取得処理（Ｓ２４）を実行する。このとき、第１取得部１１１は、時間予測部１１４にて予測された所要時間の情報を、時間情報として時間予測部１１４から取得する。さらに、予測ブロック１１は、第２取得部１１２にて、移動体１００の状況を表す移動体情報を取得する第２取得処理（Ｓ２５）を実行する。このとき、第２取得部１１２は、ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６から入力情報処理部１１６に入力されるＡＤＡＳ情報、車両情報、及び位置情報を、予測用情報として取得する。

その後、予測ブロック１１は、推定部１１３にて、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する推定処理（Ｓ２６）を実行する。具体的には、推定部１１３は、まず時間情報及び移動体情報に基づいて、予測時点における移動体１００の到達位置を予測する。イベントの発生が予測される予測時点までの所要時間がＴ〔ｓ〕であって、移動体１００の移動速度（走行速度）がＶ〔ｍ／ｓ〕であるとすれば、到達位置までの距離Ｄ〔ｍ〕は、「Ｄ＝ＶＴ」で求まる。所要時間Ｔは時間情報にて特定され、移動体１００の移動速度は移動体情報に含まれる車両情報にて特定される。

そして、推定部１１３は、移動体１００の周辺に存在しており、所要時間後に到達位置に存在する物体を、イベントの発生箇所として推定する。具体的には、推定部１１３は、算出した到達位置までの距離Ｄと、移動体情報に含まれるＡＤＡＳ情報、及び位置情報等の情報とを用いて、イベントの発生箇所を推定する。

一例として、図４に示すような状況での、推定部１１３によるイベントの発生箇所の推定処理について説明する。図４は、移動体１００の運転者の視野を示す概念図である。図４の例では、移動体１００（自車）が走行中の走行車線５０１、及び対向車線５０２の各々が２車線の直線道路を想定している。この例において、移動体１００の左前方の走行車線５０１の路肩には、駐車中のトラック３０１が存在する。移動体１００からトラック３０１までの距離は６６〔ｍ〕であると仮定する。

この場合において、所要時間Ｔが４〔ｓ〕、移動速度Ｖが１６．６７〔ｍ／ｓ〕であるとすれば、到達位置までの距離Ｄは６６．６８〔ｍ〕となる。そうすると、ＡＤＡＳ情報に含まれる車間距離、相対速度等の情報から、推定部１１３は、予測時点における移動体１００の到達位置（６６．６８〔ｍ〕前方）には、停車中のトラック３０１が存在することを特定できる。この場合、推定部１１３は、イベントの対象がトラック３０１であると判断し、このトラック３０１をイベントの発生箇所と推定する。このように、推定部１１３は、移動体１００の周辺に存在しており、所要時間後に到達位置に存在する物体（ここではトラック３０１）を、イベントの発生箇所として推定する。

推定部１１３での推定処理（Ｓ２６）が終わると、イベント予測システム１は、推定部１１３で推定されたイベントの発生箇所を、報知部１３にて報知する（Ｓ２７）。図４の例では、３Ｄ−ＨＵＤ１３１により、イベントの発生箇所として推定されたトラック３０１の周囲に、マーカ４０１（ドットハッチングで示す領域）を表示する。これにより、運転者においては、トラック３０１の周囲に、立体的なマーカ４０１が重ねて表示されて見えるため、トラック３０１への注意が喚起される。すなわち、運転者の視界においては、実空間上に３Ｄ−ＨＵＤ１３１が表示するマーカ４０１が合成された、拡張現実（ＡＲ：Augmented Reality）表示が実現される。

これにより、運転者は、運転者の死角となるトラック３０１の陰からの歩行者、又は自転車等の飛び出しのように「見えない危険」が潜んでいることを確認できる。このように、本実施形態に係るイベント予測システム１によれば、より安全な運転を実現するように、運転者による移動体１００の運転を支援可能である。

一方、予測された所要時間が規定時間Ｓより大きければ（Ｓ２３：Ｎｏ）、イベント予測システム１は、ステップＳ２４〜Ｓ２７を飛ばして、予測ブロック１１での一連の処理を終了する。

イベント予測システム１は、上記ステップＳ２１〜Ｓ２７の処理を、一定時間（例えば０．１秒）間隔で繰り返し行うことで、イベントの発生箇所を推定する。そして、イベント予測システム１は、所要時間が規定時間Ｓ以下となる度に（Ｓ２３：Ｙｅｓ）、イベントの発生箇所を推定し、報知を行う。

また、予測ブロック１１でのイベントの発生箇所の推定に係るイベント予測システム１の動作は、図３に示す例に限らない。例えば、第１取得処理（Ｓ２４）と、第２取得処理（Ｓ２５）とは、順序が逆であってもよい。

（４）補足事項
以下に、本実施形態に係るイベント予測システム１にて予測が可能なイベント（見えない危険）の例を幾つか挙げる。ここでは、イベント予測システム１は、移動体１００（自車）を含めて、上方から俯瞰したような画像において、イベントの発生箇所を表示することと仮定する。

まず、図５Ａ、図５Ｂ、及び図５Ｃは、対象物（ここでは停車中のトラック）の陰から、自転車、車両、又は歩行者等が飛び出し得る状況を示している。

図５Ａの例では、移動体１００である自車３００Ａが走行中の走行車線５０１Ａ、及び対向車線５０２Ａの各々が１車線であって、対向車線５０２Ａの路肩に、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが存在する。さらに、対向車線５０２Ａ側の歩道５０３Ａからは、トラック３０２Ａとトラック３０３Ａとの間を通って、自転車３０４Ａが走行車線５０１Ａを横断しようとしている。図５Ａのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの車間距離等の情報から、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの周囲の領域にマーカ４０１Ａを表示する。図５Ａに例示するような状況は、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが駐車中である場合に限らず、例えば、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが渋滞により、停車又は極低速で走行している場合等にも生じ得る。

図５Ｂの例では、移動体１００である自車３００Ｂが走行中の走行車線５０１Ｂ、及び対向車線５０２Ｂの各々が２車線である。ここで、信号機５０４Ｂが赤信号であるため、走行車線５０１Ｂにおける自車３００Ｂの左前方には、停車中（信号待ち）の複数台のトラック３０１Ｂ，３０２Ｂが存在する。さらに、対向車線５０２Ｂには走行中のトラック３０３Ｂが存在する。この場合において、走行車線５０１Ｂ側の歩道５０３Ｂ上の駐車スペース５０５Ｂからは、トラック３０１Ｂとトラック３０２Ｂとの間を通って、車両３０４Ｂが対向車線５０２Ｂに出ようとしている。図５Ｂのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ｂ，３０２Ｂの車間距離、信号機５０４Ｂ等の情報から、停車中のトラック３０１Ｂの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、停車中のトラック３０１Ｂの周囲の領域にマーカ４０１Ｂを表示する。

図５Ｃの例では、移動体１００である自車３００Ｃが走行中の走行車線５０１Ｃ、及び対向車線５０２Ｃの各々が１車線であって、走行車線５０１Ｃの路肩に、駐車中のトラック３０１Ｃが存在する。この場合において、トラック３０１Ｃの前方の横断歩道５０４Ｃを、対向車線５０２Ｃ側の歩道５０３Ｃに向けて、歩行者３０２Ｃが横断中である。図５Ｃのような状況では、イベント予測システム１は、例えば、トラック３０１Ｃの移動速度、横断歩道５０４Ｃ等の情報から、駐車中のトラック３０１Ｃの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、駐車中のトラック３０１Ｃの周囲の領域にマーカ４０１Ｃを表示する。

また、図６Ａ、図６Ｂ、及び図６Ｃは、対象物（ここではトラック）により生じる死角に車両が存在する状況を示している。

図６Ａの例では、移動体１００である自車３００Ｄが走行中の走行車線５０１Ｄ、及び対向車線５０２Ｄの各々が１車線であって、自車３００Ｄの前方の交差点には、左方から右折してくるトラック３０１Ｄが存在する。さらに、対向車線５０２Ｄには、同交差点内で右折待ちの車両３０２Ｄが存在する。図６Ａのような状況では、イベント予測システム１は、例えば、トラック３０１Ｄ及び車両３０２Ｄ等の情報から、トラック３０１Ｄにて生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、トラック３０１Ｄにより生じる死角領域にマーカ４０１Ｄを表示する。

図６Ｂの例では、移動体１００である自車３００Ｅが走行中の走行車線５０１Ｅ、及び対向車線５０２Ｅの各々が２車線であって、自車３００Ｅの前方の交差点には、走行車線５０１Ｅにて右折待ちの複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅが存在する。さらに、対向車線５０２Ｅには、同交差点内で右折待ちの車両３０４Ｅが存在する。図６Ｂのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅ及び車両３０４Ｅ等の情報から、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅにより生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅにより生じる死角領域にマーカ４０１Ｅを表示する。

図６Ｃの例では、移動体１００である自車３００Ｆが走行中の走行車線５０１Ｆ、及び対向車線５０２Ｆの各々が２車線であって、自車３００Ｆは交差点内で右折待ちをしている。さらに、同交差点には、対向車線５０２Ｆにて右折待ちの複数台のトラック３０１Ｆ，３０２Ｆ，３０３Ｆが存在する。さらに、対向車線５０２Ｆには、直進中の車両３０４Ｆが存在する。図６Ｃのような状況では、イベント予測システム１は、例えば、先頭のトラック３０１Ｆ及び車両３０４Ｆ等の情報から、先頭のトラック３０１Ｆにより生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、トラック３０１Ｆにより生じる死角領域にマーカ４０１Ｆを表示する。

（５）変形例
実施形態１は、本発明の様々な実施形態の一つに過ぎない。実施形態１は、本発明の目的を達成できれば、設計等に応じて種々の変更が可能である。また、イベント予測システム１と同様の機能は、イベント予測方法、コンピュータプログラム、又はプログラムを記憶した記憶媒体等で具現化されてもよい。一態様に係るイベント予測方法は、第１取得処理と、第２取得処理と、推定処理と、を有する。第１取得処理は、移動体１００の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する処理である。第２取得処理は、移動体１００の状況を表す移動体情報を取得する処理である。推定処理は、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する処理である。一態様に係る（コンピュータ）プログラムは、コンピュータシステムに、第１取得処理と、第２取得処理と、推定処理と、を実行させるためのプログラムである。

以下、実施形態１の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。

イベントの発生箇所の推定結果は、報知部１３から報知される構成に限らず、例えば、移動体１００を制御する車両制御システムに出力されてもよい。この場合、車両制御システムが、イベントの発生箇所の推定結果に応じて、ブレーキ、アクセル、ステアリング等を操作することにより、イベントの発生前に予め減速したり、イベントの発生箇所を回避したりすることができる。これにより、車両制御システムにて、自動運転（完全自動運転、及び一部自動運転の両方を含む）が実現可能となる。

また、イベント予測システム１は、イベントの発生が予測される予測時点までの所要時間を表す時間情報に基づいてイベントの発生箇所を推定する機能があればよく、所要時間を予測する機能についてはイベント予測システム１に必須の機能ではない。そのため、イベント予測システム１は、例えば、他のシステムから所要時間を取得するように構成されていてもよい。すなわち、予測モデルを用いて所要時間を予測する時間予測部１１４、学習用データを蓄積する蓄積部１２１、及び予測モデルを生成する生成部１２２等については、イベント予測システム１に必須の構成ではない。

また、時間予測部１１４がラベル情報を学習ブロック１２に送信する構成に限らず、予測ブロック１１における時間予測部１１４以外の部位が、ラベル情報を学習ブロック１２に送信してもよい。さらに、ラベル情報としての時間情報は、移動体１００に設けられた予測ブロック１１側で、履歴情報に付加されていてもよい。この場合、学習ブロック１２は、予測ブロック１１から受信したラベル情報付きの履歴情報を、随時、蓄積部１２１に蓄積する。また、予測ブロック１１から学習ブロック１２にラベル情報が送信される構成に限らず、学習ブロック１２において、予測ブロック１１から受信した履歴情報を用いて、ラベル情報を生成してもよい。この場合、ラベル情報の生成、及びラベル情報の履歴情報への付加は、いずれも学習ブロック１２において実行されることになる。

また、実施形態１に係るイベント予測システム１は、移動体１００とクラウド２００とに分離したシステムで具現化されることに限らない。例えば、イベント予測システム１は１つの筐体に収納されていてもよいし、移動体１００又はクラウド２００に集約されてもよい。例えば、イベント予測システム１が移動体１００に集約されている場合、イベント予測システム１は、移動体１００において、スタンドアローンで予測モデルの生成をも行うことができる。この場合、例えば、移動体１００に組み込まれているＥＥＰＲＯＭ（Electrically Erasable and Programmable Read-Only Memory）及びＥＣＵ（Electronic Control Unit）がそれぞれ蓄積部及び生成部として機能する。イベント予測システム１の各構成要素（推定部１１３、及び時間予測部１１４等）は、２つ以上の装置に分散して設けられてもよい。例えば、時間予測部１１４が、移動体１００とクラウド２００とに分散して設けられてもよい。

また、学習ブロック１２は、学習用データとなる履歴情報を、１台の移動体１００から取得する構成に限らず、複数台の移動体１００から取得（収集）してもよい。この場合、学習ブロック１２は、複数台の移動体１００から取得した履歴情報等を用いて予測モデルを生成し、生成した予測モデルを、複数台の移動体１００に送信する。特に、学習ブロック１２が多数台の移動体１００から学習用データとなる履歴情報を収集する場合、収集された履歴情報の集合は、いわゆるビッグデータを構成する。

また、学習ブロック１２は、例えば自動車の販売及びメンテナンス等を行う店舗に設置されていてもよい。この場合、学習ブロック１２は、店舗でメンテナンスを受ける複数台の移動体１００から、履歴情報を取得することができる。学習ブロック１２で生成された予測モデルは、移動体１００のメンテナンス時に予測ブロック１１に送信される。これにより、移動体１００では、メンテナンスの際に予測モデルの更新が可能となる。さらに、学習ブロック１２は、例えば、複数の店舗を管理する販売会社又はメーカ等のサーバ装置で具現化されてもよい。この場合、学習ブロック１２は、複数の店舗から収集した履歴情報を一元管理でき、これらの履歴情報を用いて予測モデルを生成できる。

また、予測用情報は、移動体１００の状況を表す情報であればよく、第２取得部１１２が取得する移動体情報と同じ情報でなくてもよい。例えば、予測用情報における車両情報に含まれている移動体１００の移動速度を、移動体情報においては、位置情報から算出される移動速度で代用してもよい。同様に、履歴情報は、移動体１００の状況を表す情報であればよく、第２取得部１１２が取得する移動体情報と同じでなくてもよい。

また、報知部１３は、３Ｄ−ＨＵＤ１３１にて拡張現実表示を行う構成に限らず、２Ｄ−ＨＵＤ１３２、メータ１３３、又はマルチインフォメーションディスプレイ１３４等にて、例えば、テキスト表示、又はアニメーション表示を行ってもよい。また、報知部１３は、カーナビゲーションシステムのディスプレイ等に、フロントカメラで撮影されたリアルタイムの映像にマーカを合成した映像を表示することで、拡張現実表示を行ってもよい。さらに、報知部１３は、ヘッドマウントディスプレイ（ＨＭＤ：Head Mounted Display）等のウェアラブル端末からなる表示部を有していてもよい。

また、報知部１３は、イベントの発生箇所を表示することにより報知する構成に限らず、例えば、音声、ハプティックデバイス、又はこれらと表示との組み合わせにより、イベントの発生箇所を報知する構成であってもよい。さらに、報知部１３による報知の対象は移動体１００の運転者に限らず、例えば、灯具類の点灯、又はクラクション等により、移動体１００の後続車、及び移動体１００の周辺の歩行者等に対して、報知部１３が報知してもよい。

また、推定部１１３による推定及び報知部１３による報知を実行するか否かは、例えば、運転者の状態（精神状態を含む）等に基づいて、切り替わってもよい。例えば、運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合、運転者は、イベントの発生の可能性に気付きにくくなることがある。そこで、例えば、車両情報に含まれる、移動体１００にかかる加速度、及びドライバモニタの検出結果から、通常時よりも運転者の運転が荒い場合に、推定部１１３による推定を実行するように構成されてもよい。また、例えば、ドライバモニタの検出結果から、運転者がイベントの発生の可能性に気付いていないと判断される場合に、報知部１３にて報知を実行するように構成されてもよい。さらに、運転者の状態等に基づいて、報知部１３による報知を行うレベルを変化させてもよい。

また、推定部１１３は、移動体１００の周辺に存在しており、所要時間後に到達位置に存在する物体を、イベントの発生箇所として推定する構成に限らず、交差点又は横断歩道等のイベントが発生する場所を、イベントの発生箇所として推定してもよい。

また、イベント予測システム１で予測されるイベントは、運転者の死角になる対象物に起因したイベント（見えない危険）に限らない。イベント予測システム１は、例えば、事故が多発している地点、トンネルの出口及び入口付近、及び急カーブ等、移動体１００の状況に依らずに予測可能なイベントの発生箇所を予測してもよい。

また、イベント予測システム１は、車両と車両との間（車車間）、又は車両と信号機及び道路標識等のインフラ（infrastructure）との間（路車間）で、直接的に通信する、いわゆるＶ２Ｘ（Vehicle to Everything）の通信技術を利用してもよい。Ｖ２Ｘの通信技術によれば、例えば、時間予測部１１４での所要時間の予測に用いられる予測用情報等を、移動体１００が、周辺の車両又はインフラから取得することが可能になる。さらに、報知部１３の代わりに、インフラにてイベントの発生箇所を報知させることも可能になる。インフラにてイベントの発生箇所の推定等も行われてもよく、この場合、移動体１００には、イベント予測システム１が搭載されなくてもよい。

また、イベント予測システム１は、自動車に限らず、例えば、二輪車、電車、航空機、ドローン、建設機械、及び船舶等、自動車以外の移動体にも適用可能である。さらに、イベント予測システム１は、移動体に限らず、例えば、アミューズメント施設で用いられてもよいし、ヘッドマウントディスプレイ（ＨＭＤ：Head Mounted Display）等のウェアラブル端末、医療設備、又は据置型の装置として用いられてもよい。

（実施形態２）
本実施形態に係るイベント予測システム１は、時間予測部１１４が移動体１００を運転する運転者の属性ごとに異なる予測モデルを用いる点で、実施形態１に係るイベント予測システム１と相違する。以下、実施形態１と同様の構成については、共通の符号を付して適宜説明を省略する。

すなわち、実施形態１では、時間予測部１１４は、万人に共通の予測モデルを用いて所要時間を予測しているが、本実施形態では、時間予測部１１４は、運転者の属性ごとに異なる予測モデルを用いて、所要時間を予測する。ここでいう「運転者の属性」は、運転者の年齢、性別、及び運転の癖（アクセル及びブレーキの踏み方等）等を含む。

本実施形態においては、学習ブロック１２は、学習用データとなる履歴情報を複数の運転者から取得する。生成部１２２は、運転者の属性ごとに予測モデルを生成する。生成部１２２は、一例として、レコメンドアルゴリズム等で用いられる協調フィルタリングのアルゴリズムを適用し、機械学習を行うことによって、運転者の属性ごとの予測モデルを生成する。

このようにして生成された複数種類の予測モデルの中から、移動体１００ごとに、適用する（モデル格納部１１５に格納する）予測モデルが選択される。つまり、予測ブロック１１は、移動体１００の運転者の属性に応じて、取得する予測モデルを決定する。これにより、時間予測部１１４は、運転者の属性ごとに異なる予測モデルを用いて所要時間を予測できる。

本実施形態に係るイベント予測システム１によれば、万人に共通の予測モデルを用いる場合に比べて、時間予測部１１４での所要時間の予測精度が向上する。

実施形態２の変形例に係るイベント予測システム１では、１台の移動体１００において複数の予測モデルが使い分けられる。すなわち、１台の移動体１００を家族で共用している場合、又はカーシェアリング等においては、１台の移動体１００を複数の運転者が運転する。本変形例によれば、このような場合に、１台の移動体１００であっても、運転者ごとに異なる予測モデルが適用可能である。具体的には、運転者が変わる度に、予測ブロック１１が運転者の属性に応じた予測モデルを学習ブロック１２から取得する。又は、モデル格納部１１５に複数の予測モデルを格納し、これら複数の予測モデルから、時間予測部１１４が運転者の属性に応じて使用する予測モデルを選択してもよい。

実施形態２に係るイベント予測システム１の構成（変形例を含む）は、実施形態１（変形例を含む）の構成と適宜組み合わせ可能である。

上記各実施形態で示した図面は、イベント予測システム１の一例を説明するための概念図に過ぎず、実際の態様とは、各部の形状、サイズ、及び位置関係等が適宜異なる。

（まとめ）
以上説明したように、第１の態様に係るイベント予測システム（１）は、第１取得部（１１１）と、第２取得部（１１２）と、推定部（１１３）と、を備える。第１取得部（１１１）は、移動体（１００）の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する。第２取得部（１１２）は、移動体（１００）の状況を表す移動体情報を取得する。推定部（１１３）は、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する。

この構成によれば、イベントの発生が予測される予測時点までの所要時間及び移動体（１００）の状況に基づいて、イベントの発生箇所が推定される。したがって、イベント予測システム（１）では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、イベント予測システム（１）によれば、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。さらに、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。さらには、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。また、イベント予測システム（１）は、予測時点までの所要時間という一次元のパラメータを用いてイベントの発生箇所の推定を行うため、イベントの発生箇所の推定に係る処理負荷を比較的小さく抑えることができる。

第２の態様に係るイベント予測システム（１）は、第１の態様において、移動体情報は、移動体（１００）の周辺の物体に関する情報と、移動体（１００）の状態に関する情報と、移動体（１００）の位置に関する情報と、の少なくとも１つを含む。

この構成によれば、イベント予測システム（１）は、ＡＤＡＳ情報、車両情報、位置情報の少なくとも１つを用いてイベントの発生箇所の推定を行うため、イベントの発生箇所の推定に係る処理負荷を比較的小さく抑えることができる。

第３の態様に係るイベント予測システム（１）は、第１又は２の態様において、推定部（１１３）は、時間情報及び移動体情報に基づいて、予測時点における移動体（１００）の到達位置を予測するように構成されている。推定部（１１３）は、到達位置からイベントの発生箇所を推定するように構成されている。

この構成によれば、予測時点における移動体（１００）の到達位置から、イベントの発生箇所が推定されるので、イベントの発生箇所の推定精度が向上する。

第４の態様に係るイベント予測システム（１）は、第３の態様において、推定部（１１３）は、移動体（１００）の周辺に存在しており、所要時間後に到達位置に存在する物体を、イベントの発生箇所として推定するように構成されている。

この構成によれば、所要時間後に到達位置に存在する物体が、イベントの発生箇所として推定されるので、例えば、イベントの対象となる物体が移動している場合でも、イベントの対象として推定可能となる。

第５の態様に係るイベント予測システム（１）は、第１〜４のいずれかの態様において、推定部（１１３）で推定されたイベントの発生箇所を報知する報知部（１３）を更に備える。

この構成によれば、イベントの発生箇所が報知されるので、運転者等においては、イベントの発生箇所に注意して運転すること等が可能となる。

第６の態様に係るイベント予測システム（１）は、第５の態様において、報知部（１３）は、イベントの発生箇所を表示することにより報知する表示部を有する。

この構成によれば、イベントの発生箇所が表示により報知されるので、運転者等においては、イベントの発生箇所の特定が容易になる。

第７の態様に係るイベント予測システム（１）は、第１〜６のいずれかの態様において、所要時間を予測する時間予測部（１１４）を更に備える。時間予測部（１１４）は、移動体（１００）に関する予測用情報と、予測モデルと、を用いて、所要時間を予測するように構成されている。

この構成によれば、イベント予測システム（１）にて所要時間が予測されるので、イベント予測システム（１）に外部から所要時間を与える必要がなく、イベントの発生箇所を推定するための処理をイベント予測システム（１）のみで完結可能である。

第８の態様に係るイベント予測システム（１）は、第７の態様において、時間予測部（１１４）は、移動体（１００）を運転する運転者の属性ごとに異なる予測モデルを用いるように構成されている。

この構成によれば、万人に共通の予測モデルを用いる場合に比べて、時間予測部（１１４）での所要時間の予測精度が向上する。

第９の態様に係るイベント予測システム（１）は、蓄積部（１２１）と、生成部（１２２）と、を備える。蓄積部（１２１）は、移動体（１００）の運転に関連するイベントが発生した際における移動体（１００）の状況を表す履歴情報を含む複数の学習用データを蓄積する。生成部（１２２）は、複数の学習用データを用いて、イベントの発生が予測される予測時点までの所要時間を予測するための予測モデルを生成する。複数の学習用データの各々は、イベントの発生時点までの所要時間を表すラベル情報を更に含む。

この構成によれば、イベントの発生が予測される予測時点までの所要時間を予測するための予測モデルが生成される。この予測モデルを用いることで、イベント予測システム（１）では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

第１０の態様に係るイベント予測方法は、第１取得処理と、第２取得処理と、推定処理と、を有する。第１取得処理は、移動体（１００）の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する。第２取得処理は、移動体（１００）の状況を表す移動体情報を取得する。推定処理は、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する。

この態様によれば、イベントの発生が予測される予測時点までの所要時間及び移動体（１００）の状況に基づいて、イベントの発生箇所が推定される。したがって、イベント予測方法では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、イベント予測方法によれば、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。さらに、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。さらには、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。また、イベント予測方法は、予測時点までの所要時間という一次元のパラメータを用いてイベントの発生箇所の推定を行うため、イベントの発生箇所の推定に係る処理負荷を比較的小さく抑えることができる。

第１１の態様に係るプログラムは、コンピュータシステムに、第１取得処理と、第２取得処理と、推定処理と、を実行させるためのプログラムである。第１取得処理は、移動体（１００）の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する。第２取得処理は、移動体（１００）の状況を表す移動体情報を取得する。推定処理は、時間情報及び移動体情報に基づいて、イベントの発生箇所を推定する。

この態様によれば、イベントの発生が予測される予測時点までの所要時間及び移動体（１００）の状況に基づいて、イベントの発生箇所が推定される。したがって、このプログラムでは、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、このプログラムによれば、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。さらに、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。さらには、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。また、このプログラムは、予測時点までの所要時間という一次元のパラメータを用いてイベントの発生箇所の推定を行うため、イベントの発生箇所の推定に係る処理負荷を比較的小さく抑えることができる。

第１２の態様に係る移動体（１００）は、第１〜９のいずれかの態様に係るイベント予測システム（１）を備える。

この構成によれば、移動体（１００）において、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

上記態様に限らず、実施形態１及び実施形態２に係るイベント予測システム１の種々の構成（変形例を含む）は、イベント予測方法、及び（コンピュータ）プログラムで具現化可能である。

第２〜第９の態様に係る構成については、イベント予測システム（１）に必須の構成ではなく、適宜省略可能である。

１ イベント予測システム
１００ 移動体
１１１ 第１取得部
１１２ 第２取得部
１１３ 推定部
１１４ 時間予測部
１２１ 蓄積部
１２２ 生成部
１３ 報知部
１３１ ３Ｄ−ＨＵＤ（表示部）
１３２ ２Ｄ−ＨＵＤ（表示部）
１３３ メータ（表示部）
１３４ マルチインフォメーションディスプレイ（表示部）

Claims (11)

1. 移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する時間予測部と、
   前記所要時間を表す時間情報を取得する第１取得部と、
   前記移動体の状況を表す移動体情報を取得する第２取得部と、
   前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する推定部と、を備え、
   前記時間予測部は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測するように構成されている
   イベント予測システム。
2. 前記移動体情報は、前記移動体の周辺の物体に関する情報と、前記移動体の状態に関する情報と、前記移動体の位置に関する情報と、の少なくとも１つを含む
   請求項１に記載のイベント予測システム。
3. 前記推定部は、前記移動体の周辺に存在しており、前記所要時間後に前記到達位置に存在する物体を、前記イベントの発生箇所として推定するように構成されている
   請求項１に記載のイベント予測システム。
4. 前記推定部で推定された前記イベントの発生箇所を報知する報知部を更に備える
   請求項１〜３のいずれか１項に記載のイベント予測システム。
5. 前記報知部は、前記イベントの発生箇所を表示することにより報知する表示部を有する
   請求項４に記載のイベント予測システム。
6. 前記時間予測部は、前記移動体を運転する運転者の属性ごとに異なる前記予測モデルを
   用いるように構成されている
   請求項１〜５のいずれか１項に記載のイベント予測システム。
7. 移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を表す時間情報を取得する第１取得部と、
   前記移動体の状況を表す移動体情報を取得する第２取得部と、
   前記時間情報及び前記移動体情報に基づいて、前記イベントの発生箇所を推定する推定部と、
   前記所要時間を予測する時間予測部と、を備え、
   前記時間予測部は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測するように構成されており、
   前記時間予測部は、前記移動体を運転する運転者の属性ごとに異なる前記予測モデルを用いるように構成されている
   イベント予測システム。
8. 移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する時間予測部と、
   前記イベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを蓄積する蓄積部と、
   前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する際に用いられる、前記所要時間を予測するための予測モデルを、前記複数の学習用データを用いて生成する生成部と、を備え、
   前記複数の学習用データの各々は、前記イベントの発生時点までの所要時間を表すラベル情報を更に含み、
   前記時間予測部は、前記移動体に関する予測用情報と前記予測モデルと、を用いて、前記所要時間を予測するように構成されている
   イベント予測システム。
9. 移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を予測する時間予測処理と、
   前記所要時間を表す時間情報を取得する第１取得処理と、
   前記移動体の状況を表す移動体情報を取得する第２取得処理と、
   前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する推定処理と、を有し、
   前記時間予測処理は、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて、前記所要時間を予測する
   イベント予測方法。
10. コンピュータシステムに、
    移動体の運転に関連するイベントの発生が予測される予測時点までの所要時間を、前記移動体に関する予測用情報と、前記イベントが発生した際の前記移動体の状況を表す履歴情報及び前記イベントの発生時点までの所要時間を表すラベル情報を含む学習用データを用いて生成される予測モデルと、を用いて予測する時間予測処理と、
    前記所要時間を表す時間情報を取得する第１取得処理と、
    前記移動体の状況を表す移動体情報を取得する第２取得処理と、
    前記時間情報及び前記移動体情報に基づいて、前記予測時点における前記移動体の到達位置を予測し、前記到達位置から前記イベントの発生箇所を推定する推定処理と、
    を実行させるためのプログラム。
11. 請求項１〜８のいずれか１項に記載のイベント予測システムを備える
    移動体。

Images