JP7427760B1 - ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム - Google Patents
ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム Download PDFInfo
- Publication number
- JP7427760B1 JP7427760B1 JP2022201880A JP2022201880A JP7427760B1 JP 7427760 B1 JP7427760 B1 JP 7427760B1 JP 2022201880 A JP2022201880 A JP 2022201880A JP 2022201880 A JP2022201880 A JP 2022201880A JP 7427760 B1 JP7427760 B1 JP 7427760B1
- Authority
- JP
- Japan
- Prior art keywords
- user
- driver
- learning
- services
- vehicle
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims description 43
- 230000008569 process Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000019441 ethanol Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
上記課題を解決するために、本発明による学習装置の一態様は、複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得手段と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得手段と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、を有する。
上記課題を解決するために、本発明による学習方法の一態様は、複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得工程と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得工程と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得工程と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成工程と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習工程と、を有する。
本発明による情報処理プログラムの別の態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得処理と、前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得処理と、前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得処理と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成処理と、前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習処理と、を含む処理を実行させるためのものである。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
図1に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図1に示すように、情報処理装置10と、任意の複数のユーザ1~Nにより使用される複数のユーザ装置11-1~11-N(N>1)と、ユーザT1により使用されるユーザ装置11-T1を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置11-1~11-N、11-T1をユーザ装置11と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
なお、ユーザ装置11は、図1に示すような形態のデバイスに限らず、デスクトップ型のPC(Personal Computer)や、ノート型のPCといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置11は、表示面を別に備えてもよい。
ユーザ装置11は、このようなウェブサービスを利用することにより、ユーザ装置11のユーザに関する情報を情報処理装置10に伝達することができる。
例えば、ユーザ装置11は、ユーザ装置11のIP(Internet Protocol)アドレスや、ユーザの住所やユーザの氏名(名字と名前)といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置10へ伝達することができる。
また、ユーザ装置11は、GPS(Global Positioning System)衛星(不図示)から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置11の位置情報として生成し、情報処理装置10へ伝達することができる。
図2は、本実施形態による情報処理装置10の機能構成の一例を示す。情報処理装置10は、ドライバー傾向予測装置および/または学習装置として機能しうる。
図2に示す情報処理装置10は、ユーザ特徴取得部101、車関連特徴取得部102、等級データ取得部103、学習部104、予測部105、出力部106、学習モデル記憶部110、および特徴記憶部120を備える。学習モデル記憶部110は、ユーザ特徴予測モデル111およびドライバー傾向予測モデル112を記憶している。当該各種学習モデルについては後述する。また、特徴記憶部120は、ユーザ特徴121、車関連特徴122、および等級データ(等級特徴)123を記憶している。当該各特徴ついては後述する。
さらに、本実施形態による推定ユーザ特徴は、旅行に行く確率、スポーツをする確率、たばこを吸う確率、お酒を飲む確率、新聞を購読している確率、ヘルスケア商品を購入する確率といった、ユーザのライフスタイルに関する特徴を含みうる。ここで、旅行に行く確率は、個人で旅行する確率、国内を旅行する確率、国外を旅行する確率、のように、旅行の目的や種別に分かれた確率であってよい。また、たばこを吸う確率やお酒を飲む確率は、場所(例えば、家か外出先(レストラン等))で分かれた確率であってよい。
また、本実施形態では、カーサービスに含まれるサブサービスである、所有車サービス(マイカーサービス)を含み、当該車関連特徴は、当該所有車サービスに登録しているか否かの情報(1(登録)または0(非登録))を含みうる。本実施形態において、所有車サービスとは、所有している自動車に関する情報(例えば、メーカー名、車名、型式)を登録するユーザに対して、ポイントやクーポンを無料で配布するサービスである。ユーザは、所有車サービスに登録し、かつ、所有する自動車に関する特徴を登録することにより、ポイントやクーポンを無料で入手することができる。なお、カーサービスに登録しているユーザは、必ずしも所有車サービスに登録しなくてもよい。
出力部106は、当該予測結果に関する情報を生成して出力してもよい。例えば、対象ユーザT1が所定の傾向のドライバーであると予測され、かつ、対象ユーザT1が自動車保険サービスに加入していない場合に、出力部106は、対象ユーザT1に対して、自動車保険サービスを示す広告を作成して提供してもよい。
本実施形態の学習部104によるドライバー傾向予測モデル112の学習手順について、図3Aと図3Bを参照して説明する。図3Aは、ドライバー傾向予測モデル112の学習手順のフローチャートを示し、図3Bは、ドライバー傾向予測モデル112の学習時の概念図を示す。図3Aの処理は、ユーザ特徴取得部101、車関連特徴取得部102、および等級データ取得部103それぞれが、ユーザ特徴121、車関連特徴122、および等級データ123を特徴記憶部120に記憶させた後に開始されうる。ユーザ特徴121、車関連特徴122、および等級データ123はそれぞれ、複数のサンプルユーザ(ユーザ1~N)のユーザ特徴、車関連特徴、および等級データを含んでいる。
S31において、学習部104は、特徴記憶部120に記憶されている、複数のサンプルユーザのユーザ特徴121を取得する。
S32において、車関連特徴取得部102は、特徴記憶部120に記憶されている、複数のサンプルユーザの車関連特徴122を取得する。
S33において、等級データ取得部103は、特徴記憶部120に記憶されている、複数のサンプルユーザの等級データ123を取得する。
なお、S31~S33の処理は、複数のサンプルユーザそれぞれのユーザIDに基づいて行われる。また、S31~S33の処理は、図3Aに示す順序に限定されず、異なる順序で行われてもよいし、同時に行われてもよい。また、本実施形態では、S31~S33で取得される各特徴が予め特徴記憶部120に格納されていることを前提としたが、これに限定されない。例えば、学習部104は、複数のサンプルユーザのうち少なくともいずれかから直接的に当該各特徴を取得するように、あるいは、外部の装置から当該各特徴を取得するように構成されてもよい。
学習部104によりドライバー傾向予測モデル112が学習された後、予測部105は、当該学習済みのドライバー傾向予測モデル112を用いて、対象ユーザT1(任意のユーザ)が所定の傾向のドライバーか否かを予測する。本実施形態では、対象ユーザT1が優良傾向のドライバーか否かを予測する。本実施形態の予測部105による優良傾向のドライバーの予測手順について、図4Aと図4Bを参照して説明する。図4Aは、所定の傾向のドライバーの予測手順のフローチャートを示し、図4Bは、所定のドライバー予測時のドライバー傾向予測モデル112の概念図を示す。
S41において、予測部105は、特徴記憶部120に記憶されている、対象ユーザT1のユーザ特徴121を取得する。
S42において、車関連特徴取得部102は、特徴記憶部120に記憶されている、対象ユーザT1の車関連特徴122を取得する。
なお、S41~S42の処理は、対象ユーザT1のユーザIDに基づいて行われる。また、S41~S42の処理は、図4Aに示す順序に限定されず、異なる順序で行われてもよいし、同時に行われてもよい。また、本実施形態では、S41~S42で取得される各特徴が予め特徴記憶部120に格納されていることを前提としたが、これに限定されない。例えば、予測部105は、対象ユーザT1から直接的に当該各特徴を取得するように、あるいは、外部の装置から当該各特徴を取得するように構成されてもよい。
図5は、本実施形態による情報処理装置10のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置10は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図5を参照して、情報処理装置10は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置10は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
CPU(Central Processing Unit)51は、情報処理装置10における動作を統括的に制御するものであり、データ伝送路であるシステムバス58を介して、各構成部(52~57)を制御する。
RAM(Random Access Memory)53は、揮発性メモリであり、CPU51の主メモリ、ワークエリア等として機能する。すなわち、CPU51は、処理の実行に際してROM52から必要なプログラム等をRAM53にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図2に示す学習モデル記憶部110および特徴記憶部120は、RAM53で構成されうる。
入力部55は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部56は、液晶ディスプレイ(LCD)等のモニターにより構成される。表示部56は、入力部55と組み合わせて構成されることにより、GUI(Graphical User Interface)として機能してもよい。
通信I/F57は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部の装置との通信を実行する。通信I/F57を介して、外部の装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信I/F57は、イーサネット(登録商標)等の通信規格に準拠する有線LAN(Local Area Network)や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Bluetooth(登録商標)、ZigBee(登録商標)、UWB(Ultra Wide Band)等の無線PAN(Personal Area Network)を含む。また、Wi-Fi(Wireless Fidelity)(登録商標)等の無線LAN(Local Area Network)や、WiMAX(登録商標)等の無線MAN(Metropolitan Area Network)を含む。さらに、LTE/3G、4G、5G等の無線WAN(Wide Area Network)を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
図1に示すユーザ装置11のハードウェア構成は、図5と同様でありうる。すなわち、ユーザ装置11は、CPU51と、ROM52と、RAM53と、HDD54と、入力部55と、表示部56と、通信I/F57と、システムバス58とを備えうる。ユーザ装置11は、情報処理装置10により提供された各種情報を、表示部56に表示し、GUI(入力部55と表示部56による構成)を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
[1]対象ユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得手段と、前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得手段と、前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測手段と、を有する、ドライバー傾向予測装置。
前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、 前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、を有する、学習装置。
Claims (14)
- 対象ユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得手段と、
前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得手段と、
前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測手段と、
を有することを特徴とするドライバー傾向予測装置。 - 前記ユーザ特徴は、前記対象ユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、
ことを特徴とする請求項1に記載のドライバー傾向予測装置。 - 前記事実特徴は、前記1つ以上の第1のサービスにおいて登録された前記対象ユーザのデモグラフィック情報と、前記第1のサービスにおけるサービス利用に関する行動を示す情報を含む、
ことを特徴とする請求項2に記載のドライバー傾向予測装置。 - 前記推定特徴は、前記対象ユーザのライフステージに関する特徴と、前記対象ユーザのライフスタイルに関する特徴の少なくとも一方を含む、
ことを特徴とする請求項2または3に記載のドライバー傾向予測装置。 - 前記1つ以上の第1のサービスと前記第2のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、
ことを特徴とする請求項1に記載のドライバー傾向予測装置。 - 複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得手段と、
前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得手段と、
前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得手段と、
前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成手段と、
前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習手段と、
を有することを特徴とする学習装置。 - 前記ユーザ特徴は、前記複数のユーザについての事実特徴と、前記事実特徴から推定される推定特徴と含む、
ことを特徴とする請求項6に記載の学習装置。 - 前記事実特徴は、前記1つ以上の第1のサービスにおいて登録された前記複数のユーザのデモグラフィック情報と、前記第1のサービスにおけるサービス利用に関する行動を示す情報を含む、
ことを特徴とする請求項7に記載の学習装置。 - 前記推定特徴は、前記複数のユーザのライフステージに関する特徴と、前記複数のユーザのライフスタイルに関する特徴の少なくとも一方を含む、 ことを特徴とする請求項7または8に記載の学習装置。
- 前記1つ以上の第1のサービスと前記第2のサービスを含む複数のサービスは、当該複数のサービス間において共通のユーザ識別子で情報が管理可能に構成される、
ことを特徴とする請求項6に記載の学習装置。 - 情報処理装置によって実行されるドライバー傾向予測方法であって、
対象ユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得工程と、
前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得工程と、
前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測工程と、
を有することを特徴とするドライバー傾向予測方法。 - 情報処理装置によって実行される学習方法であって、
複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得工程と、
前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得工程と、
前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得工程と、
前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成工程と、
前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習工程と、
を有することを特徴とする学習方法。 - 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
対象ユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得処理と、
前記対象ユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得処理と、
前記ユーザ特徴と前記車両特徴を入力として、前記対象ユーザが所定の傾向のドライバーである確率を出力するように学習された学習モデルを利用して、前記対象ユーザが前記所定の傾向のドライバーか否かを予測する予測処理と、を含む処理を実行させるためのものである、
情報処理プログラム。 - 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
複数のユーザの特徴を表すユーザ特徴を、1つ以上の第1のサービスから取得するユーザ特徴取得処理と、
前記複数のユーザが所有する車両に関する特徴を表す車両特徴を、前記1つ以上の第1のサービスと異なる第2のサービスから取得する車両特徴取得処理と、
前記複数のユーザが所有する車両の車両保険の等級を取得する等級取得処理と、
前記ユーザ特徴、前記車両特徴、および前記等級に基づいて、学習用データを生成する生成処理と、
前記学習用データを用いて、所定の傾向のドライバーの確率を予測するための学習モデルを学習させる学習処理と、を含む処理を実行させるためのものである、
情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022201880A JP7427760B1 (ja) | 2022-12-19 | 2022-12-19 | ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022201880A JP7427760B1 (ja) | 2022-12-19 | 2022-12-19 | ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7427760B1 true JP7427760B1 (ja) | 2024-02-05 |
Family
ID=89771032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022201880A Active JP7427760B1 (ja) | 2022-12-19 | 2022-12-19 | ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7427760B1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019109588A (ja) | 2017-12-15 | 2019-07-04 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP2019114307A (ja) | 2019-04-22 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP2019114306A (ja) | 2017-12-15 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP7197672B1 (ja) | 2021-12-27 | 2022-12-27 | Kddi株式会社 | ドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラム |
-
2022
- 2022-12-19 JP JP2022201880A patent/JP7427760B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019109588A (ja) | 2017-12-15 | 2019-07-04 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP2019114306A (ja) | 2017-12-15 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP2019114307A (ja) | 2019-04-22 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
JP7197672B1 (ja) | 2021-12-27 | 2022-12-27 | Kddi株式会社 | ドライバ特性推定システム、ドライバ特性推定方法及びコンピュータプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803529B2 (en) | System and method for determining driver signatures | |
US11232504B2 (en) | Vehicle customization and personalization activities | |
Gaspar et al. | The effect of partial automation on driver attention: A naturalistic driving study | |
Heenan et al. | Effects of conversation on situation awareness and working memory in simulated driving | |
Strayer et al. | Assessing the visual and cognitive demands of in-vehicle information systems | |
US20150260531A1 (en) | Route planning system and methodology which account for safety factors | |
Solís-Marcos et al. | Performance of an additional task during Level 2 automated driving: An on-road study comparing drivers with and without experience with partial automation | |
Strayer et al. | Visual and cognitive demands of carplay, android auto, and five native infotainment systems | |
Gekker et al. | Infrastructural surveillance | |
Hurts et al. | The distracted driver: Mechanisms, models, and measurement | |
Bösch et al. | Transport policy optimization with autonomous vehicles | |
US20150019270A1 (en) | Operator benefits and rewards through sensory tracking of a vehicle | |
Mihale-Wilson et al. | User preferences and willingness to pay for in-vehicle assistance | |
Carrel et al. | The San Francisco Travel Quality Study: tracking trials and tribulations of a transit taker | |
Dijksterhuis et al. | In-car usage-based insurance feedback strategies. A comparative driving simulator study | |
Sener et al. | Intention to use light-rail transit in Houston, Texas, United States: Findings from the travel-related activity in neighborhoods study | |
Hansma et al. | Role of habits in cell phone-related driver distractions | |
Pradhan et al. | Proposed framework for identifying and predicting operator errors when using advanced vehicle technologies | |
JP7427760B1 (ja) | ドライバー傾向予測装置、ドライバー傾向予測方法、学習装置、学習方法、および情報処理プログラム | |
Classen et al. | Experience of drivers of all age groups in accepting autonomous vehicle technology | |
WO2020162472A1 (ja) | 運転権限管理サーバ及び運転権限管理プログラム | |
El hafidy et al. | Gamified Mobile Applications for Improving Driving Behavior: A Systematic Mapping Study | |
JP7481520B1 (ja) | 広告配信装置、広告配信方法、および広告配信プログラム | |
Gkartzonikas | A Stated Preference Study for Assessing Public Acceptance Towards Autonomous Vehicles | |
Pi et al. | Understanding human perception of bus fullness: An empirical study of crowdsourced fullness ratings and automatic passenger count data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231023 |
|
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: 20240116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240124 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7427760 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |