JP7437241B2 - 運行支援方法、運行支援システム及び運行支援サーバ - Google Patents

Description

本発明は、交通事故のリスクを予測して交通機関の運行を支援する運行支援方法、運行支援システム及び運行支援サーバに関する。

近年、物流トラックや長距離バス等において、運転手の健康状態や疲労に起因する交通事故の発生が社会的問題となっている。交通事故を予防するため、運転中の運転者の状態をモニタリングする生体センサや、車間距離や速度等の車両の運転状態をリアルタイムで計測する技術の適用が進んでいる。

車両の運転操作を支援する技術として、特許文献１が知られている。特許文献１では、運転状況データと運転操作データとの間の因果関係に加えて、運転操作や運転状況と関係のない生理状態データとの因果関係を含んだテーブルを更新し、裕度を含んで急ブレーキに係る運転操作を予測し、効率的で的確な運転支援を行う技術が開示されている。

特開２００９－２４５１４７号公報

しかしながら、上記従来技術では、運転者の生理状態データと、運転操作データと、運転状況データに基づいて急ブレーキの運転操作を予測することは可能であるが、特定の運転操作に注目した予測であり、交通事故などの頻繁には発生しないイベントを予測することが難しい、という問題があった。

そこで本発明は、上記問題点に鑑みてなされたもので、運転者の生体データと走行状態データとから交通事故のリスクを予測することができる運転支援方法、運行支援システム及び運行支援サーバを提供することを目的とする。

本発明は、プロセッサとメモリを有する計算機が、車両の運行を支援する運行支援方法であって、過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データを入力として機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成する第１のステップと、過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する第２のステップと、前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する第３のステップと、車両を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する第４のステップと、前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する第５のステップと、を含み、前記第４のステップは、前記生体データとして前記運転者の心拍データを取得するステップと、前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成するステップと、前記心拍変動時系列データの周波数スペクトル解析を行うステップと、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとするステップと、を含む。

したがって、本発明によれば、運転者の生体データと走行状態データとから、交通事故のようなイベントに対して、所定時間後の発生リスクを予測することができる。

本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。

本発明の実施例１を示し、運行支援システムの構成の一例を示すブロック図である。 本発明の実施例１を示し、運行支援システムで行われる処理の概要を示す図である。 本発明の実施例１を示し、運行支援サーバで行われる事故リスク予測モデルの生成処理の一例を示すフローチャートである。 本発明の実施例１を示し、運行支援サーバで行われる生体指標データの生成処理の一例を示すフローチャートである。 本発明の実施例１を示し、運行支援サーバで行われる予測処理の一例を示すフローチャートである。 本発明の実施例１を示し、運行支援サーバで行われるアラート生成処理の一例を示すフローチャートである。 本発明の実施例１を示し、運行支援サーバで行われる生体指標の計算処理の一例を示すフローチャートである。 本発明の実施例１を示し、心拍データの一例を示すグラフである。 本発明の実施例１を示し、心拍変動の一例を示すグラフである。 本発明の実施例１を示し、心拍変動のスペクトルパワー密度の一例を示すグラフである。 本発明の実施例１を示し、自律神経ＮＮＸＸの一例を示すグラフである。 本発明の実施例１を示し、生体指標データの一例を示す図である。 本発明の実施例１を示し、業務データの一例を示す図である。 本発明の実施例１を示し、環境データの一例を示す図である。 本発明の実施例１を示し、車載センサデータの一例を示す図である。 本発明の実施例１を示し、危険発生データの一例を示す図である。 本発明の実施例１を示し、事故リスク推定データの一例を示す図である。 本発明の実施例１を示し、アラート定義データの一例を示す図である。 本発明の実施例１を示し、事故リスク予測データの一例を示す図である。 本発明の実施例１を示し、予測結果表示画面の一例を示す図である。 本発明の実施例１を示し、予測結果報知画面の一例を示す図である。 本発明の実施例２を示し、運行支援システムの構成の一例を示すブロック図である。

以下、本発明の実施形態を添付図面に基づいて説明する。

図１は、本発明の実施例１を示し、運行支援システムの構成の一例を示すブロック図である。

本実施例の運行支援システムは、ネットワーク１３を介して１以上の車両７の運行を支援する運行支援サーバ１を含む。車両７は、走行状態を検出する車載センサ８と、運転者の生体データを検出する生体センサ１２と、運転者を特定する運転者ＩＤ読取り装置１１と、検出したセンサデータと運転者ＩＤを収集して運行支援サーバ１へ送信する運転データ収集装置１０と、運行支援サーバ１から運転者の交通事故のリスク（以下、事故リスク）に応じた報知を受け付けて、運転者へ通知する予測結果報知装置９を含む。

なお、図示の例では、運転データ収集装置１０と予測結果報知装置９を独立した装置とした例を示すが、一つの携帯端末で構成することができる。この場合、運転データ収集部と予測結果報知部として機能する。

車載センサ８としては、車両７の位置情報を検出するＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）８１と、車両７の挙動や速度を検出する加速度センサ８２と、走行環境を映像として検出するカメラ８３を含むことができる。

車載センサ８は、上記に限定されるものではなく、車両７の周囲の物体及び距離を検出する測距センサや、運転操作を検出する操舵角センサ等を用いることができる。また、加速度センサ８２は、３軸加速度センサが望ましい。

生体センサ１２は、心拍データを検出する心拍センサ１２１と、運転者の動きを検出する加速度センサ１２２を含む。生体センサ１２は、上記に限定されるものではなく、発汗量や、体温、まばたき、眼球運動あるいは脳波等を検出するセンサを採用することができる。生体センサ１２としては、運転者が装着可能なウェアラブルデバイスのほか、ハンドル、シート、シートベルト等、車両７内部に付属したセンシングデバイスや、運転者の表情や挙動を撮像して画像を解析する画像認識システム等を用いることができる。

運転者ＩＤ読取り装置１１は、運転者の識別子を記録したカードを読み込む。運転データ収集装置１０は、所定の周期で車載センサ８と生体センサ１２からデータを収集し、ネットワーク１３を介して運行支援サーバ１へ送信する。

運行支援サーバ１は、プロセッサ２と、メモリ３と、ストレージ装置４と、入出力装置５と、通信装置６を含む計算機である。メモリ３は、生体指標計算部３１と、事故リスク定義生成部３２と、事故リスク予測モデル生成部３３と、予測モデル選択部３４と、事故リスク予測部３５と、事故リスク報知部３６と、データ収集部３７の各機能部をプログラムとしてロードする。各プログラムはプロセッサ２によって実行される。なお、各機能部の詳細については後述する。

プロセッサ２は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ２は、生体指標計算プログラムを実行することで生体指標計算部３１として機能する。他のプログラムについても同様である。さらに、プロセッサ２は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

ストレージ装置４は、上記各機能部が使用するデータを格納する。ストレージ装置４は、車載センサデータ４０と、生体センサデータ４１と、業務データ４２と、事故リスク予測モデル４３と、事故リスク予測データ４４と、危険発生データ４５と、生体指標データ４６と、環境データ４７と、事故リスク定義モデル４８と、アラート定義データ４９と、事故リスク推定データ５０を格納する。各データの詳細については後述する。

入出力装置５は、マウスやキーボードあるいはタッチパネル等の入力装置と、ディスプレイ等の出力装置を含む。通信装置６は、ネットワーク１３を介して車両７と通信を行う。

＜運行支援システムの概要＞
図２は、運行支援システムで行われる処理の概要を示す図である。まず、事故リスク定義生成部３２が、予め設定された危険発生データ４５と、過去に収集した車載センサデータ４０－ｍ１を入力して、危険が発生する確率を事故リスクとして推定する事故リスク定義モデル４８を生成する（Ｓ１）。なお、事故リスク定義モデル４８は、車両７の走行状態を示す車載センサデータ４０－ｍ２を入力として危険が発生する確率を推定する。

危険発生データ４５は、車両７の走行状態を示す時系列の車載センサデータ４０－ｍ１からインシデントやインシデントに結びつく事象を、管理者等が判定して発生日時とインシデントの重要度を設定したデータである。

例えば、車載センサデータ４０－ｍ１が加速度センサ８２のセンサデータの場合、急ブレーキや急旋回等のインシデント又はインシデントに結びつく走行状態を検出し、管理者などが危険発生の重要度を設定して、危険発生データ４５を生成しておく。

なお、重要度は値が大きくなるにつれて危険性が増大する例を示す。また、インシデントに結びつく走行状態とは、運転者がヒヤリ（又はハッと）とするような状態を示す。以下の説明では、インシデント又はインシデントに結びつく走行状態を危険発生とする。

危険発生データ４５の生成は、前後加速度が所定の閾値を超えるような走行状態や、ヨーレートが所定の閾値を超えるような走行状態（危険発生）を運行支援サーバ１で検出し、検出された危険発生の事象について管理者などが重要度を設定してもよい。

図２に示す車載センサデータ４０－ｍ１の時系列と、危険発生データ４５の時系列は同一の時系列である。

事故リスク定義生成部３２は、車載センサデータ４０－ｍ１と危険発生データ４５を入力として、走行状態から事故リスクを推定する機械学習のモデルを事故リスク定義モデル４８として生成する。

機械学習のモデルとしてはニューラルネットワークやロジスティック回帰等の周知又は公知の手法を採用すればよいので、本実施例では詳述しない。また、事故リスクは、インシデント（又は危険発生）を引き起こす確率（百分率）である。また、本実施例では、交通事故につながる事象をインシデントとする。

次に、事故リスク定義生成部３２は、生成された事故リスク定義モデル４８に、前記車載センサデータ４０－ｍ１と異なる時系列であって、過去に収集した車載センサデータ４０－ｍ２を入力して事故リスクが発生する確率を出力させて、事故リスク推定データ５０を生成する（Ｓ２）。

事故リスク推定データ５０は、車載センサデータ４０－ｍ２に対してインシデントが発生する確率（又はアクシデントが発生する確率）を、車載センサデータ４０－ｍ２と同一の時系列として生成されたデータである。

次に、生体指標計算部３１は、車載センサデータ４０－ｍ２を取得したときに対応する、過去の生体センサデータ４１（運転者の生体データ）から、運転者の生体指標データ４６－ｍを算出する。生体指標データ４６－ｍとしては、例えば、運転者の心拍データから算出したパワースペクトル密度（後述）や、時間領域解析から算出されるＮＮ間隔（Ｒ波とＲ波の間隔）に基づく自律神経指標等（後述）を用いることができる。

なお、過去に収集した車載センサデータ４０－ｍ１、４０－ｍ２及び生体指標データ４６－ｍは、ストレージ装置４の所定の領域に格納しておけばよい。

次に、事故リスク予測モデル生成部３３は、事故リスク推定データ５０と生体指標データ４６－ｍを入力として、走行中の車両７の生体指標データ４６から所定時間後の事故リスク（確率）を出力する機械学習のモデルを事故リスク予測モデル４３として生成する（Ｓ３）。

なお、事故リスク予測モデル４３は、使用する車載センサデータ４０の種類や予測を行う環境に応じて複数のモデルを生成しておき、予測モデル選択部３４で使用するモデルを選択するようにしてもよい。

また、事故リスク予測モデル４３は、車両７の運転特性の違いに応じた種類や、運転者の運転履歴、運行前生体データなどに応じて複数の種類を生成しておいてもよい。例えば、車両７の運転特性の違いとしては、トラックとトレーラなどのように、旋回時や後退時のハンドル操作が異なる車種では異なるモデルを生成しておくのが望ましい。また、運転者の運転履歴としては、運転動作の正確さ、危険感受性、運転年数、運転経験車両（大型、特殊など）、走行ルート履歴などの違いによりモデルを生成しておくのがよい。また、運転者の運行前生体データとしては、体温、血圧、血中酸素濃度、前日の睡眠時間などの違いによりモデルを生成しておくのがよい。

次に、運行支援サーバ１は、生成された事故リスク予測モデル４３を用いて、実際に走行中の車両７の事故リスクを予測する（Ｓ４）。運行支援サーバ１では、事故リスク予測モデル４３が複数存在する場合、予測モデル選択部３４が、使用する車載センサデータ４０や車両７の環境データ４７等に応じた事故リスク予測モデル４３を選択する。

事故リスク予測部３５は、データ収集部３７が車両７を介して受信した生体センサ１２の心拍データを生体指標計算部３１へ入力して生体指標データ４６を算出させる。そして、事故リスク予測部３５は、算出された生体指標データ４６を事故リスク予測モデル４３へ入力して、現在から所定時間Δｔ後までの未来の事故リスクを予測させる。また、事故リスク予測部３５は、事故リスク予測モデル４３が運転者の状態を示す解釈データ（後述）を出力する場合には、事故リスクの予測値に解釈データを付加することができる。

そして、事故リスク報知部３６は、所定時間Δｔ後の事故リスクが所定の閾値Ｔｈ以上の場合には、事故リスクの値や解釈データや走行状態又は環境データに応じてアラートやメッセージを生成し、事故リスクの増大が予測された車両７に対して、アラートやメッセージを送信する（Ｓ５）。

車両７は、運行支援サーバ１からアラートを受信すると、予測結果報知装置９でアラートを出力し、運転者に対してアラート又はメッセージを伝達する。また、事故リスク報知部３６は、所定時間Δｔ後に事故リスクの増大が予測される場合には、運行支援サーバ１の管理者等へ、該当する車両７の位置情報と、運転者の事故リスクや業務量等を含む画像を生成して、入出力装置５のディスプレイに表示することができる。

運行支援サーバ１は、事故リスクが所定時間Δｔ後に閾値Ｔｈ以上になることを予測して、該当する車両７の予測結果報知装置９と入出力装置５のディスプレイへ報知を行うことで、事故リスクが増大する前にアラートやメッセージで運転者と管理者に注意を喚起することが可能となる。これにより、運行支援サーバ１は、実際の事故リスク（５１）を低減して、各車両７の安全な運行を推進することができる。

なお、未来の事故リスクを予測する所定時間Δｔは、３０分や１時間などの値に設定することが望ましく、事故リスクが増大する時刻以前に運転者に休憩を勧めたり、アドバイスを提示することができる。

＜データ＞
次に、運行支援システムで使用する各データについて説明する。

図８は、生体指標データ４６の一例を示す図である。生体指標データ４６は、生体センサデータ４１の心拍データから生体指標計算部３１が所定の期間毎に算出したデータを格納するテーブルである。

生体指標データ４６は、ユーザＩＤ４６０と、日時４６１と、自律神経トータルパワー４６２と、自律神経ＬＦ／ＨＦ４６３と、自律神経ＮＮ５０ ４６５と、平均ＲＲＩ４６４を一つのレコードに含む。ユーザＩＤ４６０には、運転者の識別子が格納される。日時４６１には生体センサデータ４１（心拍データ）を取得した日時が格納される。

自律神経トータルパワー４６２には、後述するように、心拍データのＲ波の間隔（ＲＲＩ）のパワースペクトル密度の低周波（ＬＦ：Ｌｏｗ Ｆｒｅｑｕｅｎｃｙ）成分と高周波（ＨＦ：Ｈｉｇｈ Ｆｒｅｑｕｅｎｃｙ）成分の合計値が、自律神経（交感神経と副交感神経）のバランスを示す値として格納される。

自律神経ＬＦ／ＨＦ４６３には、パワースペクトル密度の低周波（ＬＦ）成分と高周波（ＨＦ）成分の比率が格納される。なお、低周波成分は交感神経の活動指標を示し、高周波成分は副交感神経の活動指標を示す。平均ＲＲＩ４６４には、予め設定した期間内のＲ波の間隔（ＲＲＩ）の平均値が格納される。

自律神経ＮＮ５０ ４６５には、後述するように、心拍変動時系列データＲＲＩの差分系列ΔＲＲＩ（ｔ）について差分値が５０ｍｓｅｃ以上になる差分値の総数が、副交感神経活動の大きさを示す値として格納される。

図示の例は、１分間隔で自律神経トータルパワー４６２や自律神経ＬＦ／ＨＦ４６３、自律神経ＮＮ５０ ４６５を算出する例を示すが、これに限定されるものではなく、適宜設定した時間間隔で生体指標データ４６を算出すればよい。

図９は、業務データ４２の一例を示す図である。業務データ４２は、運転者が運転する車両７と業務を管理する情報を格納するテーブルで、運行支援システムの担当者や管理者などによって設定される。

業務データ４２は、ユーザＩＤ４２０と、業務の開始日時４２１と、業務の終了日時４２２と、車両７の識別子を格納する車両ＩＤ４２３と、業務種別４２４を一つのレコードに含む。業務種別４２４には、運転者の業務内容が格納される。

図１０は、環境データ４７の一例を示す図である。環境データ４７は、車両７の車載センサデータ４０に基づく情報を格納するテーブルである。環境データ４７は、車両７の識別子を格納する車両ＩＤ４７０と、環境データ４７を生成した日時４７１と、車両７が走行する道路の渋滞状況４７２と、天候４７３と、気温４７４が格納される。

なお、渋滞状況４７２は、車両７のカメラ８３の画像から判定してもよいし、ＧＮＳＳ８１が算出した位置情報に基づいてネットワーク１３上の交通情報サービスから取得してもよい。

図１１は、車載センサデータ４０の一例を示す図である。車載センサデータ４０は、データ収集部３７が車両７の車載センサ８から所定の周期で収集した情報を格納するテーブルである。

車載センサデータ４０は、車両７の識別子を格納する車両ＩＤ４００と、車載センサ８からデータを取得した日時４０１と、ＧＮＳＳ８１が検出した位置情報を格納する位置４０２と、車両７の速度４０３と、加速度センサ８２が検出した加速度４０４を一つのレコードに含む。

図１２は、危険発生データ４５の一例を示す図である。危険発生データ４５は、図２で示したように、車載センサデータ４０－ｍ１に基づいて生成されたテーブルである。

危険発生データ４５は、車両７の識別子を格納する車両ＩＤ４５０と、危険発生の日時４５１と、発生した危険の種別を格納する危険種別４５２と、発生した危険の重要度４５３を一つのレコードに含む。危険種別４５２と、重要度４５３には、管理者等が決定した値が格納される。

危険発生データ４５は、車載センサデータ４０－ｍ１が示す車両７の走行状態から、インシデント又はインシデントを招く状態を管理者等が判定して危険種別４５２と、重要度４５３を設定する。

図１３は、事故リスク推定データ５０の一例を示す図である。事故リスク推定データ５０は、事故リスク定義生成部３２が事故リスク定義モデル４８に車載センサデータ４０－ｍ２を入力して事故リスクを推定させたテーブルである。

事故リスク推定データ５０は、運転者の識別子を格納するユーザＩＤ５００と、車両７の識別子を格納する車両ＩＤ５０１と、事故リスクが発生した日時５０２と、インシデントに至る確率（百分率）を格納する事故リスク５０３を一つのレコードに含む。

事故リスク５０３は、車両７の速度や加速度や位置情報を事故リスク定義モデル４８へ与えて、インシデントが発生する確率を推定させた結果である。図示の例では、１分間隔で事故リスク５０３を算出する例を示すが、これに限定されるものではない。

図１４は、アラート定義データ４９の一例を示す図である。アラート定義データ４９は、事故リスク報知部３６が報知するアラート又はメッセージを予め設定したテーブルである。

アラート定義データ４９は、アラートＩＤ４９０と、事故リスク条件４９１と、時間条件４９２と、渋滞条件４９３と、天候条件４９４と、優先順位４９５と、コメント４９６を一つのレコードに含む。

アラートＩＤ４９０は、アラートを特定するための識別子を格納する。事故リスク条件４９１には、当該レコードのアラートを選択する事故リスクの条件が格納される。例えば、アラートＩＤ４９０＝「１」のレコードでは、事故リスクの値が７０％以下の場合に選択する条件が設定される。

時間条件４９２は、当該レコードのアラートを選択する時間帯が設定される。渋滞条件４９３は、当該レコードのアラートを選択する渋滞状況（有無）が設定される。天候条件４９４は、当該レコードのアラートを選択する天候が設定される。

優先順位４９５は、事故リスク条件４９１を満足するレコードが複数抽出された場合に、選択するレコードの優先度が予め設定される。コメント４９６は、報知するアラート（又はメッセージ）の内容が格納される。

図１５は、事故リスク予測データ４４の一例を示す図である。事故リスク予測データ４４は、走行中の車両７の運転者の生体センサデータ４１を入力した事故リスク予測モデル４３が算出した事故リスクの予測結果を格納するテーブルである。

事故リスク予測データ４４は、ユーザＩＤ４４０と、車両ＩＤ４４１と、車載センサデータ４０を取得した日時４４２と、予測日時４４３と、事故リスク４４４を一つのレコードに含む。

予測日時４４３には、所定時間Δｔ後の日時が格納される。事故リスク４４４には、所定時間Δｔ後の事故リスクの予測値（百分率）が格納される。

＜処理の詳細＞
次に、運行支援システムで行われる処理について説明する。

図３は、運行支援サーバ１で行われる事故リスク予測モデル４３の生成処理の一例を示すフローチャートである。この処理は、車両７から車載センサ８と生体センサ１２を受け付ける以前に実施して、事故リスク予測モデル４３を生成しておく。

事故リスク定義生成部３２は、予め生成された危険発生データ４５と、過去に収集した車載センサデータ４０（図２の４０－ｍ１）を入力として機械学習によって事故リスク定義モデル４８を生成する（Ｓ１１）。

そして、事故リスク定義生成部３２は、生成された事故リスク定義モデル４８へ過去に収集した車載センサデータ４０（図２の４０－ｍ２）を入力して、事故リスク推定データ５０を生成する（Ｓ１２）。

次に、事故リスク予測モデル生成部３３は、過去に収集した車載センサデータ４０（図２の４０－ｍ２）に対応する生体指標データ４６－ｍを取得して、事故リスク推定データ５０と生体指標データ４６－ｍから機械学習によって事故リスク予測モデル４３を生成する（Ｓ１３）。

なお、事故リスク予測モデル生成部３３は、機械学習を行う際に、運転者の情報を業務データ４２から取得し、車両７の走行環境を環境データ４７から取得して、事故リスク予測モデル４３の生成を実施する。

上記処理によって、事故リスク定義モデル４８を作成して事故リスク推定データ５０を生成した後に、過去に収集した生体指標データ４６と事故リスク推定データ５０から事故リスク予測モデル４３が生成される。

図４は、運行支援サーバ１で行われる生体指標データ４６の生成処理の一例を示すフローチャートである。この処理は、車両７からデータを受信する度に実行される。運行支援サーバ１のデータ収集部３７は、車両７の運転データ収集装置１０から車載センサ８と生体センサ１２のデータを受信する（Ｓ２１）。

データ収集部３７は、心拍センサ１２１と加速度センサ１２２が検出した心拍データと、加速度データを生体センサデータ４１に格納する（Ｓ２２）。なお、車載センサ８のデータは、データ収集部３７が車載センサデータ４０に格納する。

次に、生体指標計算部３１が、生体センサデータ４１を読み込んで、後述するように生体指標を算出する（Ｓ２３）。生体指標計算部３１は、算出した生体指標を生体指標データ４６に格納する（Ｓ２４）。

図７Ａは、生体指標計算部３１で行われる生体指標の計算処理の一例を示すフローチャートである。この処理は、図４のステップＳ２３で実行される。

生体指標計算部３１は、生体センサデータ４１から心拍データを取得する（Ｓ５１）。取得する心拍データは、最新の心拍データから所定の期間内のデータである。次に、生体指標計算部３１は、心拍データに含まれるＲ波の間隔からＲＲＩ（ＲＲ Ｉｎｔｅｒｖａｌ）を算出する（Ｓ５２）。

図７Ｂは、生体センサ１２が検出した心拍データの一例を示す図である。生体指標計算部３１は、図中Ｒ波のピークと次のＲ波のピークの時間間隔をＲＲＩとして検出し、所定数（又は所定期間）のＲＲＩを心拍変動時系列データとして算出し、さらにＲＲＩの平均値を平均ＲＲＩ４６４として算出する。

次に、生体指標計算部３１は、算出された心拍変動時系列データからゆらぎを算出する。図７Ｃは、生体指標計算部３１が算出した心拍データのゆらぎ（心拍変動）の一例を示すグラフである。心拍データのＲＲＩは一定ではなく、自律神経の活動等によって変動している。

生体指標計算部３１は、時系列の心拍変動データから周波数スペクトル解析を行ってから（Ｓ５３）、パワースペクトル密度（ＰＳＤ：Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ ｄｅｎｓｉｔｙ）を算出する（Ｓ５４）。パワースペクトル密度の算出は、周知の手法を適用すればよい。

次に、生体指標計算部３１は、パワースペクトル密度の低周波成分の強度ＬＦと高周波成分の強度ＨＦを算出する。図７Ｄは、心拍変動のパワースペクトル密度の周波数領域の一例を示すグラフである。

生体指標計算部３１は、図７Ｄのように、パワースペクトルの低周波成分の領域（０．０５Ｈｚ～０．１５Ｈｚ）の強度（積分値）ＬＦと、高周波成分の領域（０．１５Ｈｚ～０．４０Ｈｚまで）の強度（積分値）ＨＦを合計（ＬＦ＋ＨＦ）した値を自律神経トータルパワー４６２として算出する。

また、生体指標計算部３１は、パワースペクトルの低周波成分の強度ＬＦと高周波成分の強度ＨＦの比（ＬＦ／ＨＦ）を自律神経ＬＦ／ＨＦ４６３として算出する。

上記処理によって、生体センサデータ４１の心拍データから、時系列の心拍変動データを算出して、低周波成分と高周波成分の強度（ＬＦ、ＨＦ）を算出して、自律神経トータルパワー４６２や自律神経ＬＦ／ＨＦ４６３が得られる。

ここで、高周波成分は、副交感神経が活性化（緊張）している場合に心拍変動に出現し、低周波成分は交感神経が活性化（緊張）しているときも、副交感神経が活性化（緊張）しているときも心拍変動に出現する。

交感神経が活性化している場合はストレス状態であり、副交感神経が活性化している場合はリラックス状態にあることが知られているので、低周波成分の強度ＬＦと高周波成分の強度ＨＦから、運転者がストレス状態であるかリラックス状態であるかを判定することができる。

その後、生体指標計算部３１は、心拍変動時系列データＲＲＩの時間領域解析から得られる時間領域指標を算出する（Ｓ５５）。図７Ｅは、心拍変動時系列データＲＲＩの差分系列ΔＲＲＩ（ｔ）から、時間領域指標の一つである自律神経ＮＮＸＸを算出する一例を示すグラフである。

生体指標計算部３１は、図７Ｅのように、心拍変動時系列データＲＲＩについて隣接するＲＲＩの差分をとった差分系列であるΔＲＲＩ（ｔ）を計算し、ΔＲＲＩ（ｔ）から、ΔＲＲＩ（ｔ）を構成する差分値がＸＸｍｓｅｃ以上になる差分値の総数である自律神経ＮＮＸＸを算出する。典型的には、図７Ｅのように、ＸＸ＝５０とした場合である、ΔＲＲＩ（ｔ）を構成する差分値が５０ｍｓｅｃ以上になる差分値の総数（＝格子状網掛け範囲に存在する差分値の総数）である自律神経ＮＮ５０ ４６５を算出する。

ここで自律神経ＮＮ５０ ４６５は高周波数成分の強度ＨＦに類似し、副交感神経活動の大きさを表す指標であることが知られているので、自律神経ＮＮ５０ ４６５から、運転者のリラックス状態の大きさを判定することができる。

なお、ＮＮＸＸは上述した定義に限定されない。例えば、ΔＲＲＩ（ｔ）を構成する差分値が５０ｍｓｅｃ以上になる差分値の総数に代えて、ΔＲＲＩ（ｔ）を構成する差分値の絶対値が５０ｍｓｅｃ以上になる差分値の総数（＝格子状網掛け範囲及び斜線状網掛け範囲に存在する差分値の総数）であるａｂｓＮＮ５０を算出してもよいし、自律神経ＮＮ５０ ４６５をΔＲＲＩ（ｔ）に含まれる差分値の総数で除して正規化した値である（＝格子状網掛け範囲に存在する差分値の総数÷点状網掛け範囲に存在する差分値の総数）ｐＮＮ５０を算出してもよい。また、ΔＲＲＩ（ｔ）を構成する差分値が５０ｍｓｅｃ以上になるという条件に代えて、ΔＲＲＩ（ｔ）を構成する差分値が５０ｍｓｅｃを超えるという条件に基づいて自律神経ＮＮ５０ ４６５を算出してもよい。さらに、ＸＸ＝５０に代えて、ＸＸ＝４０、６０、１００等としたＮＮＸＸを算出してもよい。

そして、生体指標計算部３１は、上記算出した自律神経トータルパワー４６２と、自律神経ＬＦ／ＨＦ４６３と、自律神経ＮＮ５０ ４６５及び平均ＲＲＩ４６４を生体指標データ４６に格納する（Ｓ５６及び図４のＳ２４）。

したがって、事故リスク予測モデル４３は、自律神経ＬＦ／ＨＦ４６３等の強度ＬＦ、ＨＦに基づく生体指標や、自律神経ＮＮ５０ ４６５のように時間領域解析に基づく生体指標から、運転者の状態に関する解釈データを出力することができる。解釈データとしては、運転者のストレス状態やリラックス状態を含むようにしてもよい。

図５は、運行支援サーバ１で行われる予測処理の一例を示すフローチャートである。この処理は、生体指標データ４６が更新された後等、所定のタイミングで実行される。事故リスク予測部３５は、最新のデータから所定の期間までの生体指標データ４６を取得する（Ｓ３１）。

次に、予測モデル選択部３４は、業務データ４２から解析対象のユーザＩＤ４２０と、車両ＩＤ４２３を特定して、環境データ４７を用いて使用する事故リスク予測モデル４３を選択する（Ｓ３２）。解析対象のユーザＩＤ４２０は、例えば、未処理の生体指標データ４６のユーザＩＤ４６０とすることができる。

また、予測モデル選択部３４は、事故リスク予測モデル４３が複数存在する場合には、環境データ４７の天候４７３や日時４７１や渋滞状況４７２等に基づいて使用するモデルを選択する。

次に、事故リスク予測部３５は、選択された事故リスク予測モデル４３へ解析対象のユーザＩＤの生体指標データ４６を入力して事故リスクを算出する（Ｓ３３）。算出された事故リスクは、事故リスク予測データ４４の事故リスク４４４に格納される。

なお、図１５では、事故リスク４４４を格納する例を示したが、事故リスク予測モデル４３が、自律神経ＬＦ／ＨＦ４６３等から運転者の状態に関する解釈データ（ストレス状態やリラックス状態）を出力する場合には、解釈データを生体指標データ４６に格納することができる。

また、上記では事故リスク予測モデル４３に生体指標データ４６を入力する例を示したが、これに限定されるものではなく、環境データ４７や車載センサデータ４０を事故リスク予測モデル４３の入力に加えてもよい。例えば、事故リスク予測モデル４３が解釈データを出力する場合では、渋滞状況等を事故リスク予測モデル４３の入力とすることで、予測精度を向上させることができる。

上記処理によって、生体指標データ４６が更新された後等の所定のタイミングで、事故リスク予測モデル４３によって所定時間Δｔ後の事故リスク（及び解釈データ）が予測される。

図６は、運行支援サーバで行われるアラート生成処理の一例を示すフローチャートである。この処理は、図５の予測処理が完了した後に実行される。

事故リスク報知部３６は、アラート定義データ４９を取得する（Ｓ４１）。事故リスク報知部３６は、事故リスク予測データ４４を参照して所定時間Δｔ後の事故リスク４４４の値が予め設定された閾値Ｔｈ（図中基準値）以上の運転者を検索する（Ｓ４２）。

事故リスク報知部３６は、所定時間Δｔ後に事故リスク４４４の値が閾値Ｔｈ以上の運転者が存在する場合にはステップＳ４４に進んで、閾値Ｔｈ以上の運転者の識別子から業務データ４２の車両ＩＤ４２３を取得して、アラートの送信対象とする（Ｓ４４）。

そして、事故リスク報知部３６は、当該車両７の車両ＩＤ４７０で環境データ４７を取得し、アラート定義データ４９から、環境データ４７の条件（時間条件４９２、渋滞条件４９３、天候条件４９４）と事故リスク条件４９１を満足するアラートＩＤ４９０を選択し、アラートＩＤ４９０で指定された事故リスクアラート（図示省略）と、当該選択されたレコードのコメント４９６を出力する（Ｓ４５）。

なお、事故リスク報知部３６は、車載センサデータ４０から車両７の位置４０２を取得して、車両７の位置情報を加えてアラートを生成する。

上記処理によって、所定時間Δｔ後に事故リスクが閾値Ｔｈ以上となることが予測された運転者の車両７に対して、アラートが送信される。アラートを受信した車両７では、予測結果報知装置９が運転者に対してアラートを通知する。また、運行支援サーバ１では、事故リスク報知部３６が入出力装置５のディスプレイにアラートを送信した車両７を表示する。

なお、図１４のアラート定義データ４９では、事故リスク条件４９１と環境条件と優先順位４９５でコメントやアラートＩＤ４９０を決定する例を示したが、これに限定されるものではない。例えば、事故リスク予測モデル４３が、運転者の状態に関する解釈データを出力する場合には、解釈データによってアラートＩＤを決定する条件を設定してもよい。

一例を示すと、事故リスク４４４が同一の場合、解釈データがストレス状態又はリラックス状態の場合は、ストレス状態で事故リスクが高くなる際のアラートＩＤ４９０と、リラックス状態で事故リスクが高くなる際のアラートＩＤ４９０を異なるアラートとする。これにより、事故リスク４４４の値に解釈データを加えることで、精度の高い予測を実現することができる。

図１６Ａは、事故リスク報知部３６が入出力装置５のディスプレイに出力する予測結果表示画面６００の一例を示す図である。事故リスク報知部３６が出力する予測結果表示画面６００は、地図上に管理対象の車両７のアイコン６０２が表示され、アラートを発報したアイコン６０２には、アラートアイコン６０１が付加される。

また、アラートアイコン６０１の近傍には、事故リスクが増大した運転者の運転状況６０３が表示され、当該運転者の業務量や休憩回数を管理者等に報知することができる。

また、管理者は、複数の運転者の事故リスクを地図上で一覧して確認でき、事故リスクの高い運転者を選択して遠隔から指示することが可能となる。

なお、図示の例では、地図上に車両７の位置と運転者の状況を表示する例を示したが、これに限定されるものではなく、リストなどの文字情報で報知を行うようにしてもよい。

また、事故リスク報知部３６は、事故リスクが増大すると予測された運転者について、自律神経ＬＦ／ＨＦ４６３等から解釈データが得られる場合には、解釈データを運転状況６０３に表示することで、管理者等は運転者のストレス状態やリラックス状態を把握することが可能となる。

図１６Ｂは、予測結果報知装置９が出力する予測結果表示画面６５０の一例を示す図である。予測結果報知装置９は、ディスプレイ（図示省略）を有し、運行支援サーバ１からアラートを受信すると予測結果表示画面６５０を表示する。

予測結果表示画面６５０は、事故リスクアラートを表示する領域６５１と、コメントを表示する領域６５２を含む。運転者は予測結果報知装置９の予測結果表示画面６５０を視認することで、事故リスクを認識することが可能となる。

以上のように、本実施例の運行支援システムは、生体センサ１２の心拍データから運行支援サーバ１が算出した生体指標データ４６を、事故リスク予測モデル４３へ入力して所定時間Δｔ後の事故リスク４４４を予測させる。これにより、車両７の運転者の自律神経の状態などに応じて、交通事故が起こりやすい状態を事前に予測して、休憩を推奨するなどのフィードバックを運転者に対して行うことが可能となる。

なお、上記実施例１では、車両７を管理する運行支援システムに本発明を適用する例を示したが、これに限定されるものではない。例えば、車両７に代わって、鉄道車両や船舶あるいは航空機など運転者や操縦者を要する移動体に適用することができる。

また、上記実施例１では、過去に収集した車載センサデータ４０－ｍ１と、危険発生データ４５から事故リスク定義モデル４８を生成する例を示したが、これに限定されるものではない。例えば、業務が終了した新たな車載センサデータ４０から、運転者が危険と判定した箇所を特定して新たな危険発生データ４５を生成し、学習データとして追加して、事故リスク定義モデル４８を再度学習してもよい。この場合、事故リスク予測モデル４３も再度生成することになる。

図１７は、実施例２を示し、運行支援システムの構成の一例を示すブロック図である。本実施例では、生体指標計算部３１と、事故リスク予測部３５と、生体指標データ４６を車両７の運転データ収集装置１０に配置し、運行支援サーバ１の予測モデル選択部３４が選択した事故リスク予測モデル４３Ａで事故リスクを予測する。

生体指標データの算出と、事故リスクの予測を車両７の運転データ収集装置１０で行って、事故リスクを運行支援サーバ１へ送信する。運行支援サーバ１では、事故リスク報知部３６が、所定時間Δｔ後の事故リスクが閾値Ｔｈ以上となる場合には、前記実施例１と同様に該当する車両７に対してアラートを出力する。

本実施例では、生体指標の算出と事故リスクの予測を車両７側で行うことで、運行支援サーバ１の負荷を低減し、運行支援サーバ１が管理する車両７の数を増大させることが可能となる。

＜結び＞
以上のように、上記実施例の運行支援方法は、以下のような構成とすることができる。

（１）プロセッサ（２）とメモリ（３）を有する計算機が、車両（７）の運行を支援する運行支援方法であって、前記計算機が、過去に収集した車両の走行状態を示す第１の車載センサデータ（４０－ｍ１）と、前記第１の車載センサデータ（４０－ｍ１）から危険が発生した情報を予め設定した危険発生データ（４５）と、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデル（４８）を生成する第１のステップと、前記計算機が、過去に収集した車両（７）の走行状態を示す第２の車載センサデータ（４０－ｍ２）を前記事故リスク定義モデル（４８）へ入力して、危険が発生する確率を推定して事故リスク推定データ（５０）を生成する第２のステップと、前記計算機が、前記第２の車載センサデータ（４０－ｍ２）を収集したときの運転者の生体データから予め算出した第１の生体指標データ（４６－ｍ）と、前記事故リスク推定データ（５０）と、を入力として所定時間後の事故リスクを予測する事故リスク予測モデル（４３）を機械学習によって生成する第３のステップと、前記計算機が、車両（７）を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データ（４６）を算出する第４のステップと、前記計算機が、前記事故リスク予測モデル（４３）に前記第２の生体指標データ（４６）を入力して、前記所定時間Δｔ後の事故リスク（４４）を予測する第５のステップと、を含むことを特徴とする運行支援方法。

上記構成により、運行支援サーバ１は、車両７を運転中の運転者の生体データから、所定時間Δｔ後の事故リスクを予測することが可能となる。

（２）上記（１）に記載の運行支援方法であって、前記計算機が、前記所定時間Δｔ後の事故リスクの予測値が予め設定された閾値Ｔｈ以上の場合にはアラート（６００）を生成して出力する第６のステップを、さらに含むことを特徴とする運行支援方法。

上記構成により、運行支援サーバ１は、事故リスクが所定時間Δｔ後に閾値Ｔｈ以上になることを予測して、該当する車両７の予測結果報知装置９と入出力装置５のディスプレイへ報知を行うことで、事故リスクが増大する前にアラートやメッセージで運転者と管理者に注意を喚起することが可能となる。これにより、運行支援サーバ１は、各車両７の安全な運行を推進することができる。

（３）上記（１）に記載の運行支援方法であって、前記第４のステップは、前記生体データとして前記運転者の心拍データを取得するステップと、前記心拍データからＲＲＩを算出して心拍変動時系列データを生成するステップと、前記心拍変動時系列データの周波数スペクトル解析を行うステップと、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度ＬＦと、高周波成分の強度ＨＦの和を自律神経トータルパワー算出して、生体指標データ（４６２）として算出するステップと、を含むことを特徴とする運行支援方法。

上記構成により、生体センサデータ４１の心拍データから、時系列の心拍変動データを算出して、低周波成分と高周波成分の強度（ＬＦ、ＨＦ）を算出して、自律神経トータルパワー４６２や自律神経ＬＦ／ＨＦ４６３が得られる。

（４）上記（３）に記載の運行支援方法であって、前記第５のステップは、前記事故リスク予測モデル（４３）に前記パワースペクトル密度の低周波成分の強度（ＬＦ）と高周波成分の強度（ＨＦ）を入力し、前記事故リスク予測モデル（４３）が運転者の状態を示す解釈データを出力することを特徴とする運行支援方法。

上記構成により、交感神経が活性化している場合はストレス状態であり、副交感神経が活性化している場合はリラックス状態にあることが知られているので、低周波成分の強度ＬＦと高周波成分の強度ＨＦから、運転者がストレス状態であるかリラックス状態であるかを判定することができる。

（５）上記（２）に記載の運行支援方法であって、前記第６のステップは、前記車両（７）の位置情報（位置４０２）を取得して、前記車両（７）の位置情報（４０２）と前記運転者の状態を示す情報（６０３）とを表示する画面（予測結果表示画面６００）を出力することを特徴とする運行支援方法。

上記構成により、管理者は、複数の運転者の事故リスクを地図上で一覧して確認でき、事故リスクの高い運転者を選択して遠隔から指示することが可能となる。

（１６）上記（１）に記載の運行支援方法であって、前記第４のステップは、前記生体データとして前記運転者の心拍データを取得するステップと、前記心拍データからＲＲＩを算出して心拍変動時系列データを生成するステップと、前記心拍変動時系列データについて隣接するＲＲＩの差分値を算出して差分系列ΔＲＲＩ（ｔ）を生成するステップと、前記差分系列ΔＲＲＩ（ｔ）から前記差分値が所定値ＸＸｍｓｅｃ以上になる差分値の総数を自律神経ＮＮＸＸとして算出して生体指標データ（４６２）とするステップと、を含むことを特徴とする運行支援方法。

上記構成により、生体センサデータ４１の心拍データから、時系列の心拍変動データを算出して、心拍変動データから差分系列ΔＲＲＩ（ｔ）を算出して、差分値が所定値ＸＸｍｓｅｃ以上になる差分値の総数を自律神経ＮＮＸＸとして算出することで副交感神経活動の大きさを表す指標として生体指標データ４６を得ることができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。

また、上記の各構成、機能、処理部、及び処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、及び機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 運行支援サーバ
２ プロセッサ
３ メモリ
４ ストレージ装置
７ 車両
８ 車載センサ
１２ 生体センサ
３１ 生体指標計算部
３２ 事故リスク定義生成部
３３ 事故リスク予測モデル生成部
３４ 予測モデル選択部
３５ 事故リスク予測部
３６ 事故リスク報知部
４０ 車載センサデータ
４１ 生体センサデータ
４２ 業務データ
４３ 事故リスク予測モデル
４４ 事故リスク予測データ
４５ 危険発生データ
４６ 生体指標データ
４７ 環境データ
４８ 事故リスク定義モデル
５０ 事故リスク推定データ

Claims (15)

1. プロセッサとメモリを有する計算機が、車両の運行を支援する運行支援方法であって、
   過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成する第１のステップと、
   過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する第２のステップと、
   前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する第３のステップと、
   車両を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する第４のステップと、
   前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する第５のステップと、
   を含み、
   前記第４のステップは、
   前記生体データとして前記運転者の心拍データを取得するステップと、
   前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成するステップと、
   前記心拍変動時系列データの周波数スペクトル解析を行うステップと、
   前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとするステップと、
   を含むことを特徴とする運行支援方法。
2. 請求項１に記載の運行支援方法であって、
   前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する第６のステップを、さらに含むことを特徴とする運行支援方法。
3. 請求項１に記載の運行支援方法であって、
   前記第５のステップは、
   前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援方法。
4. 請求項２に記載の運行支援方法であって、
   前記第６のステップは、
   前記車両の位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援方法。
5. プロセッサとメモリを有するサーバと、
   走行状態を検出する車載センサと、運転者の生体データを検出する生体センサを有する車両と、を含んで前記車両の運行を支援する運行支援システムであって、
   前記サーバは、
   過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義生成部と、
   前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
   前記車両の前記生体センサから運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する生体指標計算部と、
   前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
   を有し、
   前記生体指標計算部は、前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成し、前記心拍変動時系列データの周波数スペクトル解析を行い、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとすることを特徴とする運行支援システム。
6. 請求項５に記載の運行支援システムであって、
   前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する事故リスク報知部を、さらに有することを特徴とする運行支援システム。
7. 請求項６に記載の運行支援システムであって、
   前記事故リスク予測部は、
   前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援システム。
8. 請求項６に記載の運行支援システムであって、
   前記事故リスク報知部は、
   前記車両の車載センサから位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援システム。
9. プロセッサとメモリを有して、車両の運行を支援する運行支援サーバであって、
   過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義モデル生成部と、
   前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
   前記車両を運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する生体指標計算部と、
   前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
   を有し、
   前記生体指標計算部は、前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成し、前記心拍変動時系列データの周波数スペクトル解析を行い、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとすることを特徴とする運行支援サーバ。
10. 請求項９に記載の運行支援サーバであって、
    前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する事故リスク報知部を、さらに有することを特徴とする運行支援サーバ。
11. 請求項９に記載の運行支援サーバであって、
    前記事故リスク予測部は、
    前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援サーバ。
12. 請求項１０に記載の運行支援サーバであって、
    前記事故リスク報知部は、
    前記車両の車載センサから位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援サーバ。
13. プロセッサとメモリを有する計算機が、車両の運行を支援する運行支援方法であって、
    過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成する第１のステップと、
    過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する第２のステップと、
    前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する第３のステップと、
    車両を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する第４のステップと、
    前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する第５のステップと、
    を含み、
    前記第４のステップは、
    前記生体データとして前記運転者の心拍データを取得するステップと、
    前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成するステップと、
    前記心拍変動時系列データについて隣接するＲＲＩの差分値を算出して差分系列ΔＲＲＩ（ｔ）を生成するステップと、
    前記差分系列ΔＲＲＩ（ｔ）から前記差分値が所定値ＸＸｍｓｅｃ以上になる差分値の総数を自律神経ＮＮＸＸとして算出して生体指標データとするステップと、
    を含むことを特徴とする運行支援方法。
14. プロセッサとメモリを有するサーバと、
    走行状態を検出する車載センサと、運転者の生体データを検出する生体センサを有する車両と、を含んで前記車両の運行を支援する運行支援システムであって、
    前記サーバは、
    過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義生成部と、
    前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
    前記車両の前記生体センサから運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する生体指標計算部と、
    前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
    を有し、
    前記生体指標計算部は、
    前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成し、前記心拍変動時系列データについて隣接するＲＲＩの差分値を算出して差分系列ΔＲＲＩ（ｔ）を生成し、前記差分系列ΔＲＲＩ（ｔ）から前記差分値が所定値ＸＸｍｓｅｃ以上になる差分値の総数を自律神経ＮＮＸＸとして算出して生体指標データとすることを特徴とする運行支援システム。
15. プロセッサとメモリを有して、車両の運行を支援する運行支援サーバであって、
    過去に収集した車両の走行状態を示す第１の車載センサデータと、前記第１の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第２の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義モデル生成部と、
    前記第２の車載センサデータを収集したときの運転者の生体データから予め算出した第１の生体指標データと、前記事故リスク推定データと、を入力として所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
    前記車両を運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第２の生体指標データを算出する生体指標計算部と、
    前記事故リスク予測モデルに前記第２の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
    を有し、
    前記生体指標計算部は、
    前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのＲ波の間隔であるＲＲＩを算出して心拍変動時系列データを生成し、前記心拍変動時系列データについて隣接するＲＲＩの差分値を算出して差分系列ΔＲＲＩ（ｔ）を生成し、前記差分系列ΔＲＲＩ（ｔ）から前記差分値が所定値ＸＸｍｓｅｃ以上になる差分値の総数を自律神経ＮＮＸＸとして算出して生体指標データとすることを特徴とする運行支援サーバ。

Images