TW201926075A - 應用使用者輪廓模型以進行評分的系統及方法 - Google Patents

Abstract

一種應用使用者輪廓模型以進行評分的系統，包含儲存裝置及處理裝置。儲存裝置用以儲存環境風險歷史資料及使用者輪廓歷史資料。處理裝置包含用以蒐集對應環境的環境風險因子之環境資料蒐集模組、用以蒐集對應使用者的使用者輪廓因子之因子資料蒐集模組、用以根據環境風險因子與環境風險歷史資料之間的差異計算出環境風險分數之環境風險分析模組、用以根據使用者輪廓因子與使用者輪廓歷史資料之間的差異而計算出差異分數之使用者輪廓分析模組，以及用以將環境風險分數與差異分數計算出評估分數之評估分數計算模組。

Description

應用使用者輪廓模型以進行評分的系統 及方法

本揭示文件係關於一種系統及方法，尤指一種應用使用者輪廓模型以進行評分的系統及方法。

許多用來對使用者進行評估時，多是建立一通用模型，但對於經常因人而異的狀況下，通用模型往往並不適用。尤其是在個人行為上常有差異的駕駛疲勞評估上，市面上現有偵測駕駛疲勞行為之商品，多藉由影像、生理資訊來判斷，大部分是實驗階段，其實用性和普遍性仍不足；現有利用車上診斷裝置(on-board diagnostics,OBD)資料分析駕駛行為之商品，多半仍是透過行程結束後才進行異常駕駛行為的檢討，未能即時警示，導致即時性的行車風險問題仍未能有效改善。

本揭示文件之一實施例揭示一種應用使用者輪廓模型以進行評分的系統，用以計算使用者於環境的評估分數，系統包含環境資料蒐集模組、因子資料蒐集模組、儲存裝 置及處理裝置。環境資料蒐集模組用以偵測環境風險因子。因子資料蒐集模組用以偵測使用者輪廓因子。儲存裝置用以儲存環境風險歷史資料及使用者輪廓歷史資料。處理裝置用以根據環境風險因子與環境風險歷史資料之間的差異計算出環境風險分數、根據使用者輪廓因子與使用者輪廓歷史資料之間的差異而計算出差異分數，以及將環境風險分數與差異分數計算出評估分數。

本揭示文件之一實施例揭示一種應用使用者輪廓模型以進行評分的方法，其藉由處裡裝置實施，用以計算使用者於環境的評估分數，包含以下步驟，處理裝置根據環境風險因子與環境風險歷史資料之間的差異而計算出環境風險分數；處理裝置根據使用者輪廓因子與使用者輪廓歷史資料之間的差異而計算出差異分數；以及處理裝置根據環境風險分數與差異分數計算出評估分數。

100‧‧‧應用使用者輪廓模型以進行評分的系統

121‧‧‧環境資料蒐集模組

122‧‧‧因子資料蒐集模組

110‧‧‧儲存裝置

120‧‧‧處理裝置

123‧‧‧環境風險分析模組

124‧‧‧使用者輪廓分析模組

125‧‧‧評估分數計算模組

130‧‧‧通訊電路

OBD‧‧‧車上診斷裝置

126‧‧‧駕駛行為分數計算模組

150‧‧‧警示裝置

200‧‧‧應用使用者輪廓模型以進行評分的方法

D10‧‧‧環境風險歷史資料

D20‧‧‧駕駛輪廓歷史資料

DB1‧‧‧天氣狀況資料庫

DB2‧‧‧路況資料庫

F10‧‧‧環境風險因子

F20‧‧‧駕駛輪廓因子

IN‧‧‧網際網路

SC10‧‧‧環境風險分數

SC20‧‧‧差異分數

SC30‧‧‧評估分數

SC40‧‧‧當前駕駛行為分數

S110~S130‧‧‧步驟

為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1A圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的系統的功能方塊圖。

第1B圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的系統透過通訊電路蒐集環境風險因子及駕駛輪廓因子的功能方塊圖。

第2圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的方法的流程圖。

下文係舉實施例配合所附圖式作詳細說明，以更好地理解本案的態樣，但所提供之實施例並非用以限制本案所涵蓋的範圍，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本案所涵蓋的範圍。

請參照第1A圖、第1B圖及第2圖。第1A圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的系統100的功能方塊圖。第1B圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的系統100透過通訊電路130蒐集環境風險因子F10及駕駛輪廓因子F20的功能方塊圖。第2圖為根據本揭示文件之一實施例所示之應用使用者輪廓模型以進行評分的方法200的流程圖。第2圖可應用於第1A圖及第1B圖之系統100以實施之。本實施例是以應用在駕駛疲勞的評分上來作舉例說明，但並不以此為限。

系統100用以計算使用者於環境的評估分數SC30。於本實施例中，使用者可為駕駛、環境可為駕駛駕車的路段之環境，以及評估分數SC30係用以評估駕駛的疲勞程度。也就是說，系統100可用於計算駕駛於駕車的路段之環境的疲勞程度。

應用使用者輪廓模型以進行評分的系統100包含儲存裝置110及處理裝置120，其中處理裝置120包含環境資料蒐集模組121、因子資料蒐集模組122、環境風險分析模組123、使用者輪廓分析模組124以及評估分數計算模組125。於第1B圖的實施例中，系統100更包含通訊電路130。

於一實施例中，儲存裝置110可為硬式磁碟機(hard disk drive,HDD)、固態硬碟(solid state disk,SSD)或容錯式磁碟陣列(redundant array of independent disks,RAID)，然儲存裝置110並不以此為限，凡是可作為儲存資料的裝置皆屬於本創作範疇。

於一實施例中，處理裝置120可由積體電路如微控制單元(micro controller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)或邏輯電路來分別實施，也可經由市售處理器、電腦、伺服器或具有計算能力的電子裝置來予以執行。

環境資料蒐集模組121用以對應環境偵測環境風險因子F10。具體來說，環境資料蒐集模組121可以透過通訊電路130連接至網際網路IN以通訊連接至天氣狀況資料庫DB1(例如氣象局)及路況資料庫DB2(例如公路局)，並且透過通訊電路130通訊連接車上診斷裝置OBD，並至天氣狀況資料庫DB1、路況資料庫DB2及車上診斷裝置OBD擷取對應駕駛位置的環境風險因子F10。環境風險因子F10可包含天氣狀況 因子、路況因子及車況因子，其中天氣狀況因子可為雨量資料、風速資料及紫外線指數資料等資料；路況因子可為現在位置資料、現在車速資料及特殊事件資料等資料，其中特殊事件例如道路施工事件或車禍事件；車況因子可為車齡資料、日期資料、車型資料及胎壓資料等資料。

換句話說，環境資料蒐集模組121可藉由定位裝置的定位資料而獲得駕駛的位置，並根據駕駛的位置連線至外部的天氣狀況資料庫DB1、路況資料庫DB2及車上診斷裝置OBD擷取對應駕駛位置的風險因子。

因子資料蒐集模組122用以對應駕駛偵測駕駛輪廓因子F20。具體來說，因子資料蒐集模組122可連接儲存裝置110，且可以透過通訊電路130通訊連接至車上診斷裝置OBD，並至車上診斷裝置OBD擷取對應駕駛行為的駕駛輪廓因子F20。駕駛輪廓因子F20可包含身體狀況因子、行駛現況因子及行車紀錄因子，身體狀況因子可為性別資料、年齡資料及身體狀況資料等資料。行駛現況因子可為急加速/減速變化量資料、急加速/減速頻率資料、急轉彎資料、換檔資料、怠速時間資料及怠速頻率資料等資料，其中換檔資料包含引擎轉速、車速、正確檔位及離合器及油門的間隔時間。行車紀錄因子可為行車密集程度資料、行車時數資料及現在行車模式資料等資料。

換句話說，因子資料蒐集模組122可藉由車上診斷裝置而獲得對應駕駛行為的駕駛輪廓因子F20。

儲存裝置110用以儲存對應環境的環境風險歷史 資料D10及對應駕駛的駕駛輪廓歷史資料D20。

環境風險歷史資料D10可包含天氣狀況歷史資料、路況歷史資料及車況歷史資料。天氣狀況歷史資料可為雨量參考資料、風速參考資料及紫外線指數參考資料等資料；路況歷史資料可為歷史事故位置資料及平均車速資料等資料；車況歷史資料可為車齡參考資料、定檢日期資料、車型參考資料及胎壓參考資料等資料。

駕駛輪廓歷史資料D20可包含身體狀況歷史資料、行駛現況歷史資料及行車紀錄歷史資料，其中身體狀況歷史資料可為性別參考資料、年齡參考資料及身體狀況參考資料。行駛現況歷史資料可為急加速/減速變化量參考資料、急加速/減速頻率參考資料、歷史急轉彎參考資料、換檔參考資料、怠速時間參考資料及怠速頻率參考資料等資料。行車紀錄歷史資料可為行車密集程度參考資料、行車時數參考資料及行車模式參考資料等資料。

應注意的是，前述環境風險因子F10、駕駛輪廓因子F20、環境風險歷史資料D10及駕駛輪廓歷史資料D20僅為示例，並不以此為限。

處理裝置120的環境風險分析模組123可按照步驟S110，根據環境風險因子F10與環境風險歷史資料D10之間的差異計算出環境風險分數SC10。處理裝置120的使用者輪廓分析模組124可按照步驟S120，根據駕駛輪廓因子F20與駕駛輪廓歷史資料D20之間的差異計算出差異分數SC20。處理裝置120的評估分數計算模組125可按照步驟S130，將環境風險 分數SC10與差異分數計算出評估分數SC30。

於一實施例中，處理裝置120的環境風險分析模組123可根據當前的環境風險因子F10與環境風險歷史資料D10所代表的機率分布進行KL(Kullback-Leibler)散度計算，計算出環境風險分數SC10。處理裝置120的使用者輪廓分析模組124根據當前的使用者輪廓因子F20與使用者輪廓歷史資料D20所代表的機率分布進行KL散度計算，計算出差異分數SC20。處理裝置120將乘上一第一權重的該環境風險分數SC10與乘上一第二權重的該差異分數SC20相加後計算出該評估分數SC30。

KL散度計算是用來評估兩個機率分布的非對稱性，當非對稱性愈大時，KL散度的數值愈大，於本實施例當中，當環境風險因子F10與該環境風險歷史資料D10相差愈大時，得到的KL散度也相應提高，使計算得到的環境風險分數SC10相應提高。同理，當環境風險因子F10與該環境風險歷史資料D10相差愈小時，得到的KL散度也相應降低，使計算得到的環境風險分數SC10相應降低。相似地，使用者輪廓因子F20與使用者輪廓歷史資料D20及差異分數SC20的計算也有相似的變化關係。

進一步地，環境風險因子F10包含天氣狀況因子、路況因子及車況因子，環境風險分析模組123可根據天氣狀況因子與天氣狀況歷史資料之間的差異計算出天氣狀況分數、根據路況因子與路況歷史資料之間的差異計算出路況分數，以及根據車況因子與車況歷史資料之間的差異計算出車況分數。環 境風險分析模組123再依據天氣狀況分數、路況分數及車況分數而計算出環境風險分數SC10。

駕駛輪廓因子F20包含身體狀況因子、行駛現況因子及行車紀錄因子，使用者輪廓分析模組124可根據身體狀況因子與身體狀況歷史資料之間的差異計算出身體狀況分數、根據行駛現況因子與歷史行駛現況資料之間的差異計算出行駛現況分數，以及根據行車紀錄因子與歷史行車紀錄資料之間的差異計算出行車紀錄分數。使用者輪廓分析模組124再依據身體狀況分數、行駛現況分數及行車紀錄分數而計算出差異分數SC20。

以下，將以駕駛駕車於一路段為例來說明駕駛的環境風險分數SC10的計算。為方便說明，天氣狀況因子僅以雨量資料為例，天氣狀況歷史資料僅雨量參考資料為例；路況因子僅以現在位置資料為例，路況歷史資料僅以歷史事故位置資料為例；車況因子僅以車齡資料為例，車況歷史資料僅以車齡參考資料為例。

首先，環境資料蒐集模組121可連接儲存裝置110，且可以透過通訊電路130通訊連接天氣狀況資料庫DB1、車上診斷裝置OBD(包含定位資料)及儲存裝置110，並分別至天氣狀況資料庫DB1擷取此路段的雨量資料，以及至儲存裝置110擷取雨量參考資料，其中雨量參考資料可為關於雨量與天氣狀況分數的資料，雨量參考資料界定了以1小時40毫米的雨量作為一個基準線，並將對應1小時40毫米的雨量之天氣狀況分數界定為60分。

於此例中，假設此路段的雨量資料中之雨量為1小時50毫米，環境風險分析模組123可將雨量資料中之1小時50毫米的雨量與1小時40毫米的雨量之間的差異進行比較，例如藉由KL散度計算，由於此路段的雨量資料中之雨量較基準線大，且相差1小時10毫米，基於雨量大的路段分數愈高，因而計算出天氣狀況分數為65分，因為相較於雨量小的路段危險程度較高。

環境資料蒐集模組121通訊連接至定位裝置、路況資料庫及儲存裝置110，並分別至路況資料庫擷取現在位置資料，以及至儲存裝置110擷取歷史事故位置資料，其中歷史事故位置資料可為關於歷史事故位置與路況分數的資料，歷史事故位置資料界定了以歷史事故位置為圓心且以離此圓心距離五公里作為半徑畫一個圓，並將對應五公里的距離之路況分數界定為60分。

於此例中，環境風險分析模組123可將現在位置資料與歷史事故位置資料之間的差異進行比較，例如藉由KL散度計算，假設駕駛的現在位置與歷史事故位置相距一公里，由於駕駛的現在位置已經在歷史事故位置的範圍內，基於距離歷史事故位置愈近分數愈高，因而可計算出路況分數為70分，因為距離歷史事故位置愈近表示有愈高的機率發生事故。

環境資料蒐集模組121通訊連接至車況資料庫及儲存裝置110，並分別至車況資料庫擷取車齡資料，以及至儲存裝置110擷取車齡參考資料，其中車齡參考資料可為關於車齡與車況分數的資料，車齡參考資料界定了以十年的車齡作為 一個基準線，並將對應十年的車齡之車況分數界定為60分。

於此例中，假設駕駛所駕駛的車之車齡為二十年，環境風險分析模組123可將車齡資料中之二十年的車齡與車齡參考資料所界定之十年的車齡進行比較，例如藉由KL散度計算，由於車齡已超過基準線且相差十年，基於車齡與基準線相差愈多則分數愈高，因而計算出車況分數為80分，因為車齡愈大表示有愈高的機率發生事故。

在環境風險分析模組123計算出天氣狀況分數、路況分數及車況分數後，環境風險分析模組123再將天氣狀況分數、路況分數及車況分數各自乘上權重後加總，即可求得環境風險分數SC10。

舉例來說，可分別將對應天氣狀況分數、路況分數及車況分數的權重設定為0.25、0.5及0.25，因此可得到下列公式：環境風險分數SC10=0.25*(天氣狀況分數)+0.5*(路況分數)+0.25*(車況分數)。進一步地，將天氣狀況分數、路況分數及車況分數分別以60分、65分及70分代入上述公式，因此環境風險分析模組123可計算出環境風險分數SC10為65分。

接著，再以駕駛駕車於此路段為例來說明駕駛的差異分數的計算。為方便說明，身體狀況因子以性別資料和年齡資料為例，身體狀況歷史資料以性別參考資料和年齡參考資料為例；行駛現況因子僅以急加速/減速變化量資料為例，行駛現況歷史資料僅以急加速/減速變化量參考資料為例，首先，因子資料蒐集模組122通訊連接至車上診斷裝置及儲存裝置，並分別至車上診斷裝置擷取駕駛的性別資料和年齡資料， 以及至儲存裝置擷取性別參考資料和年齡參考資料，其中性別參考資料和年齡參考資料可為關於性別和年齡與身體狀況分數的資料，性別參考資料界定了男性與女性，年齡參考資料界定了年齡區間值，並將對應性別和年齡之駕駛風險行為機率透過參考資料做為界定依據。

於此例中，使用者輪廓分析模組124可將性別和年齡資料與性別和年齡參考資料之間的差異進行比較，例如藉由KL散度計算，假設駕駛的性別為男性且年齡為31-40歲，基於過去參考資料可得相同條件下之駕駛風險發生分數，而對應此駕駛風險發生分數的身體狀況分數為50分，並且此一分數愈低表示駕駛風險發生機率愈低。

於另一實施例中，身體狀況分數亦會依據特殊身體狀況(例如感冒或發燒)而被調整，其中分數之調整方式，例如可為感冒或發燒增加5分。舉例來說，若身體狀況分數為50分，當駕駛感冒或發燒時，身體狀況分數將增加5分，因此經調整後的身體狀況分數為55分。應注意的是，調整的分數之計算方式僅為示例，然並不以此為限。

因子資料蒐集模組122通訊連接至定位裝置、車上診斷裝置及儲存裝置，並分別至車上診斷裝置擷取駕駛所駕駛的車之急加速/減速變化量資料，以及至儲存裝置擷取急加速/減速變化量參考資料，其中急加速/減速變化量參考資料可為關於急加速/減速變化量與行駛現況分數的資料，急加速/減速變化量參考資料界定了以20(kph/s)的加速/減速變化量作為一個基準線，並將對應20(kph/s)的加速/減速變化量之行駛 現況分數界定為60分。

於此例中，假設駕駛所駕駛的車之加速/減速變化量為30(kph/s)，使用者輪廓分析模組124可將急加速/減速變化量與急加速/減速變化量參考資料之間的差異進行比較，例如藉由KL散度計算，由於急加速/減速變化量較基準線大，且相差10(kph/s)，基於同一路段的急加速/減速變化量愈大分數愈高，因而計算出行駛現況分數為70分，因為代表駕駛行駛於此路段時可能因為疲勞而出現了不尋常的加速/減速變化量。

於另一實施例中，行駛現況分數的計算方式亦可在同時考慮急加速/減速頻率變化資料、急轉彎資料及換檔資料的情況下而被計算出來。舉例來說，當急加速/減速變化量>12(kph/s)時則為1分，其他則為0.2分；當急轉彎為一秒內有超過10°的方位角改變時則為1分；當換檔資料與換檔歷史資料進行比較(可稱為換檔準確度)時，例如比較引擎轉速、車速、正確檔位、離合器與油門的間隔時間，當有任何一個項目偏離正常範圍，則此項分數為1。因此，若在某一個時段所發生的急加速/減速變化量>12(kph/s)之次數、急轉彎之次數及換檔偏離正常範圍之次數太多時，例如急加速/減速變化量>12(kph/s)之次數為五次則增加的分數為5分，急轉彎之次數為三次則增加的分數為3分，以及換檔偏離正常範圍之次數為二次則增加的分數為2，。則行駛現況分數亦會相應提高，因為代表駕駛行駛於此路段時可能因為疲勞而出現了不尋常的加速/減速變化量、急轉彎之次數及換檔。應注意的是，上述增加的分數可以直接相加、乘上權重後再相加或是以其他方式計算。

因子資料蒐集模組122通訊連接至車上診斷裝置及儲存裝置，並分別至車上診斷裝置擷取駕駛所駕駛的車之行車密集程度資料，以及至儲存裝置擷取行車密集程度參考資料，其中行車密集程度參考資料可為關於行車密集程度與行車紀錄分數的資料，行車密集程度參考資料界定了一週五次的行車趟數作為一個基準線，並將對應一週五次的行車趟數之行車紀錄分數界定為65分。

於此例中，假設駕駛的行車趟數為一週七次，使用者輪廓分析模組124可將行車密集程度與行車密集程度參考資料之間的差異進行比較，例如藉由KL散度計算，由於此次行車趟數較基準線大，且相差一週二次，基於行車趟數頻率愈高分數愈高，因而計算出行車紀錄分數為80分，因為駕駛的行車趟數頻率高表示駕駛的休息時間被壓縮，而有疲勞駕駛的疑慮，增加發生事故的風險。

於另一實施例中，行車紀錄分數亦會依據駕駛的持續行車時數而被調整，其中分數之調整方式，例如可為四小時後每一小時等比例增加0.1分。舉例來說，若行車紀錄分數為80分，當駕駛的平均持續行車時數為六小時時，行車姬路分數將增加0.2分，因此經調整後的行車紀錄分數為80.2分。應注意的是，調整的分數之計算方式僅為示例，然並不以此為限。

在使用者輪廓分析模組124計算出身體狀況分數、行駛現況分數及行車紀錄分數後，使用者輪廓分析模組124再將身體狀況分數、行駛現況分數及行車紀錄分數各自乘上權重後加總，即可求得差異分數。

舉例來說，可分別將對應身體狀況分數、行駛現況分數及行車紀錄分數的權重設定為0.2、0.7及0.1，因此可得到下列公式：差異分數=0.2*(身體狀況分數)+0.7*(行駛現況分數)+0.1*(行車紀錄分數)。進一步地，將身體狀況分數、行駛現況分數及行車紀錄分數分別以50分、70分及80分代入上述公式，因此使用者輪廓分析模組124可計算出差異分數為67分。

評估分數計算模組125用以將環境風險分數SC10與差異分數計算出評估分數SC30。

詳言之，在環境風險分數SC10及差別分數SC20分別被環境風險分析模組123及使用者輪廓分析模組124計算出來之後，評估分數計算模組125進一步將環境風險分數SC10及差別分數SC20各自乘上第一權重及第二權重後加總，即可求得評估分數SC30。

舉例來說，可分別將對應環境風險分數SC10及差別分數SC20的第一權重及第二權重分別設定為0.3及0.7，因此可得到下列公式：評估分數SC30=0.3*(環境風險分數SC10)+0.7*(差別分數SC20)。接著，將環境風險分數SC10及差別分數SC20分別以65分及67分代入上述公式，因此評估分數SC30為66.4分。

此外，評估分數計算模組125更用以將所計算出來的評估分數SC30根據疲勞程度分類資料進行分類，藉以判斷對應評估分數SC30的疲勞程度。

疲勞程度分類資料可為關於評估分數SC30與疲勞程度的資料，疲勞程度分類資料界定了四個等級的疲勞程度，分別是非疲勞程度、輕度疲勞程度、中度疲勞程度及重度疲勞程度， 對應非疲勞程度的評估分數SC30為70分以下，對應輕度疲勞程度的評估分數SC30為70分到85分之間，對應中度疲勞程度的評估分數SC30為86分到97分之間，對應重度疲勞程度的評估分數SC30為98分到100分之間。

因此，處理裝置120的評估分數計算模組125可根據疲勞程度分類資料而將66.4分的評估分數SC30分類成非疲勞程度。於其他例子中，若評估分數SC30為75分，則評估分數計算模組125可根據疲勞程度分類資料而將75分的評估分數SC30分類成輕度疲勞程度；若評估分數SC30為90分，則評估分數計算模組125可根據疲勞程度分類資料而將90分的評估分數SC30分類成中度疲勞程度；若評估為99分，則評估分數計算模組125可根據疲勞程度分類資料而將99分的評估分數SC30分類成重度疲勞程度。

應注意的是，前述的各種分數的界定及計算方式僅為示例，並不以此為限。

於一實施例中，系統100更包含警示裝置150，用以判斷當評估分數SC30大於閾值時，發出警示。舉例來說，假設閾值係以非疲勞程度的評估分數SC30作為基準線，也就是說，將閾值設定為70分，若評估分數SC30大於70分，則表示駕駛的疲勞程度屬於輕疲勞程度，此時警示裝置150將發出警示以通知駕駛，藉以避免發生交通事故。

藉此，系統100即可依據評估分數即時判斷駕駛的駕車狀況，以給予對應的指示。舉例來說，若評估分數SC10屬於非疲勞程度，不給予警示；若評估分數SC10屬於重度疲勞程度，則 發出警示。

於一實施例中，系統100的處理裝置120更包含駕駛行為分數計算模組126，用以根據評估分數SC30以及歷史駕駛行為分數計算當前駕駛行為分數SC40，其中歷史駕駛行為分數指的是駕駛過去每一趟駕車的評估分數SC30之統計分數。在當前駕駛行為分數SC40被計算出來之後，當前駕駛行為分數SC40將被紀錄，並取代舊的歷史駕駛行為分數，而成為新的歷史駕駛行為分數。

此外，統計分數的方式將對應新的評估分數SC30來決定。舉例來說，若此趟的評估分數SC30為70分以下(非疲勞程度)，駕駛行為分數計算模組126將此趟的評估分數SC30與歷史駕駛行為分數之平均，以計算出當前駕駛行為分數SC40，例如此趟的評估分數SC30為68分，歷史駕駛行為分數為70分，因此當前駕駛行為分數SC40為兩個分數的平均，即69分；若此趟的評估分數SC30為70分到97分之間(輕度疲勞程度或中度疲勞程度)，駕駛行為分數計算模組126將此趟的評估分數SC30與歷史駕駛行為分數之平均後，再加上5分，以計算出當前駕駛行為分數SC40，例如此趟的評估分數SC30為90分，歷史駕駛行為分數為69分，因此當前駕駛行為分數SC40為兩個分數的平均後再加上5分，即79.5分；若此趟的評估分數SC30為98分到100分之間，駕駛行為分數計算模組126將此趟的評估分數SC30與歷史駕駛行為分數之平均後，再加上10分，例如此趟的評估分數SC30為99分，歷史駕駛行為分數為79.5分，因此當前駕駛行為分數SC40為兩個分數的平均後再加上10分，即99.25 分。

藉此，系統100即可依據當前駕駛行為分數SC40來判斷駕駛的駕車狀況，以給予對應的指示。舉例來說，若當前駕駛行為分數SC40屬於非疲勞程度，則給予駕駛可繼續駕駛的指示；若當前駕駛行為分數SC40屬於重度疲勞程度，則給予駕駛不可繼續駕駛的指示。

進一步地，駕駛行為分數計算模組126更用以建立駕駛行為模型，以根據駕駛行為模型計算當前駕駛行為分數SC40，其中，駕駛行為模型根據類神經網路、機器學習、深度學習或矩陣分解而建立。

此外，評估分數計算模組125所計算出來的評估分數SC30更可被儲存至儲存裝置110，以供參考。

綜上所述，本揭示文件之應用使用者輪廓模型以進行評分的系統及方法藉由環境資料蒐集模組、因子資料蒐集模組、儲存裝置、環境風險分析模組、使用者輪廓分析模組及評估分數計算模組，以根據駕駛長久以來的駕駛行為判斷駕駛的駕車狀況，且亦可以即時判斷駕駛的駕車裝況，並給予對應的指示。

雖然本案已以實施例揭露如上，然其並非用以限定本案，任何所屬技術領域中具有通常知識者，在不脫離本案之精神和範圍內，當可作些許之更動與潤飾，故本案之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (16)

1. 一種應用使用者輪廓模型以進行評分的系統，用以計算一使用者於一環境的一評估分數，包含：一儲存裝置，用以儲存對應該環境的一環境風險歷史資料以及對應該使用者的一使用者輪廓歷史資料；以及一處理裝置，包含：一環境資料蒐集模組，用以蒐集對應該環境的一環境風險因子；一因子資料蒐集模組，用以蒐集對應該使用者的一使用者輪廓因子；一環境風險分析模組，用以根據該環境風險因子與該環境風險歷史資料之間的差異計算出一環境風險分數；一使用者輪廓分析模組，用以根據該使用者輪廓因子與該使用者輪廓歷史資料之間的差異而計算出一差異分數；以及一評估分數計算模組，用以將該環境風險分數與該差異分數計算出該評估分數。
2. 如請求項1所述之系統，其中該處理裝置根據當前的該環境風險因子與該環境風險歷史資料所代表的機率分布進行散度計算，計算出該環境風險分數；該處理裝置根據當前的該使用者輪廓因子與該使用者輪廓歷史資料所代表的機率分布進行散度計算，計算出該差異分數；該處理裝 置將乘上一第一權重的該環境風險分數與乘上一第二權重的該差異分數相加後計算出該評估分數。
3. 如請求項1所述之系統，其中該使用者係為一駕駛，該使用者輪廓歷史資料係為一駕駛輪廓歷史資料，該使用者輪廓因子係為一駕駛輪廓因子，以及該評估分數係用以評估該駕駛的疲勞程度。
4. 如請求項3所述之系統，其中該環境風險因子包含一天氣狀況因子、一路況因子及一車況因子至少其中之一，該環境風險分析模組用以根據該天氣狀況因子、該路況因子及該車況因子至少其中之一，與該環境風險歷史資料之間的差異分別計算出一天氣狀況分數、一路況分數及一車況分數至少其中之一，該環境風險分析模組用以將該天氣狀況分數、該路況分數及該車況分數至少其中之一計算出該環境風險分數。
5. 如請求項3所述之系統，其中該駕駛輪廓因子包含一身體狀況因子、一行駛現況因子及一行車紀錄因子至少其中之一，該使用者輪廓分析模組用以根據該身體狀況因子、該行駛現況因子及該行車紀錄因子至少其中之一，與該駕駛輪廓歷史資料之間的差異分別計算出一身體狀況分數、一行駛現況分數及一行車紀錄分數至少其中之一，該使用者輪廓分析模組用以將該身體狀況分數、該行駛現況分數 及該行車紀錄分數至少其中之一計算出該差異分數。
6. 如請求項3所述之系統，更包含一警示裝置，用以判斷當該評估分數大於一閾值時，發出一警示。
7. 如請求項3所述之系統，其中該處理裝置更包含一駕駛行為分數計算模組，用以根據該評估分數以及一歷史駕駛行為分數計算一當前駕駛行為分數，並紀錄該當前駕駛行為分數。
8. 如請求項7所述之系統，其中該駕駛行為分數計算模組用以建立一駕駛行為模型，該駕駛行為分數計算模組根據該駕駛行為模型計算該當前駕駛行為分數，其中，該駕駛行為模型根據一類神經網路、一機器學習、一深度學習或一矩陣分解而建立。
9. 一種應用使用者輪廓模型以進行評分的方法，其藉由一處理裝置實施，用以計算一使用者於一環境的評估分數，包含以下步驟：該處理裝置根據一環境風險因子與一環境風險歷史資料之間的差異而計算出一環境風險分數；該處理裝置根據一使用者輪廓因子與一使用者輪廓歷史資料之間的差異而計算出一差異分數；以及該處理裝置根據該環境風險分數與該差異分數計算出該 評估分數。
10. 如請求項9所述之方法，其中該處理裝置根據當前的該環境風險因子與該環境風險歷史資料所代表的機率分布進行散度計算，計算出該環境風險分數；該處理裝置根據當前的該使用者輪廓因子與該使用者輪廓歷史資料所代表的機率分布進行散度計算，計算出該差異分數；該處理裝置將乘上一第一權重的該環境風險分數與乘上一第二權重的該差異分數相加後計算出該評估分數。
11. 如請求項9所述之方法，其中該使用者係為一駕駛，該使用者輪廓歷史資料係為一駕駛輪廓歷史資料，該使用者輪廓因子係為一駕駛輪廓因子至少其中之一，以及該評估分數係用以評估該駕駛的疲勞程度。
12. 如請求項11所述之方法，其中該環境風險因子包含一天氣狀況因子、一路況因子及一車況因子至少其中之一，且計算該環境風險分數之步驟係根據該天氣狀況因子、該路況因子及該車況因子至少其中之一，與該環境風險歷史資料之間的差異分別計算出一天氣狀況分數、一路況分數及一車況分數至少其中之一，該環境分數根據該天氣狀況分數、該路況分數及該車況分數至少其中之一而被計算出來。
13. 如請求項11所述之方法，其中該駕駛輪廓 因子包含一身體狀況因子、一行駛現況因子及一行車紀錄因子至少其中之一，且計算該差異分數之步驟係根據該身體狀況因子、該行駛現況因子及該行車紀錄因子至少其中之一，與該駕駛輪廓歷史資料之間的差異分別計算出一身體狀況分數、一行駛現況分數及一行車紀錄分數至少其中之一，該差異分數根據該身體狀況分數、該行駛現況分數及該行車紀錄分數至少其中之一而被計算出來。
14. 如請求項11所述之方法，更包含以下步驟：判斷當該評估分數大於一閾值時，發出一警示。
15. 如請求項11所述之方法，更包含以下步驟：根據該評估分數以及一過往駕駛行為分數計算一當前駕駛行為分數，並紀錄該當前駕駛行為分數。
16. 如請求項15所述之方法，其中計算該駕駛行為分數係根據一駕駛行為模型來計算，其中，該駕駛行為模型係根據一類神經網路、一機器學習、一深度學習或一矩陣分解而建立。