TWI733293B

TWI733293B - 駕駛職能評測系統及評測裝置

Info

Publication number: TWI733293B
Application number: TW108148383A
Authority: TW
Inventors: 許建隆; 史素珍; 陳俊良; 洪偉喬
Original assignee: 關貿網路股份有限公司
Priority date: 2019-12-30
Filing date: 2019-12-30
Publication date: 2021-07-11
Also published as: TW202125164A

Abstract

本發明揭露一種駕駛職能評測系統及評測裝置，該駕駛職能評測系統包括一資料擷取裝置與一評測裝置，該評測裝置具有一模型計算模組與一計分模組。資料擷取裝置係擷取一駕駛人之生理資訊與駕駛行為資料。模型計算模組係對駕駛人之生理資訊或駕駛行為資料進行相似類別資料篩選之程序以篩選出生理資訊或駕駛行為資料之相似類別資料，再對生理資訊或駕駛行為資料之相似類別資料進行分群與標準化。計分模組係利用集群分析法獲取分群規則來定義或計算出駕駛人之生理資訊與駕駛行為資料之分數或駕駛評測分數。

Description

駕駛職能評測系統及評測裝置

本發明係關於一種職能評測技術，特別是指一種駕駛職能評測系統及評測裝置。

在目前或現有技術中，針對交通運輸業者評選駕駛人(如新進駕駛人)時，並無提供試用期之工作職能之客觀評估方式，比較常見做法是透過車輛之車載裝置蒐集駕駛人之駕駛行為資料，且在蒐集一段時間之駕駛行為資料後，才能進行駕駛人(如新進駕駛人)之適用性評選，以致缺乏系統量化的方法。再者，前述作法亦無蒐集駕駛人之全天候的生理資訊，導致難以針對駕駛人(如新進駕駛人)進行全方位的職能評估。

因此，如何提供一種新穎或創新之職能評測技術，以有效率或快速地分析出駕駛人(如新進駕駛人)之適任性，或者提高駕駛人之生理資訊與駕駛行為資料之判斷準確性，實已成為本領域技術人員之一大研究課題。

本發明提供一種新穎或創新之駕駛職能評測系統及評測裝置，能有效率或快速地分析出駕駛人(如新進駕駛人)之適任性，或者能協助管理者提高對於駕駛人之風險掌握準確度。

本發明之駕駛職能評測系統包括：一資料擷取裝置，係擷取一駕駛人之生理資訊與駕駛行為資料；一評測裝置，係具有一模型計算模組與一計分模組，其中，該模型計算模組係接收來自該資料擷取裝置之駕駛人之生理資訊與駕駛行為資料，以由模型計算模組對駕駛人之生理資訊或駕駛行為資料進行相似類別資料篩選之程序以篩選出生理資訊或駕駛行為資料之相似類別資料，俾對模型計算模組所篩選出之生理資訊或駕駛行為資料之相似類別資料進行分群與標準化，而該計分模組係利用集群分析法獲取分群規則來定義或計算出駕駛人之生理資訊與駕駛行為資料之分數或駕駛評測分數。

此外，本發明之駕駛職能評測裝置包括：一模型計算模組與一計分模組，該模型計算模組係接收駕駛人之生理資訊與駕駛行為資料，以由模型計算模組對駕駛人之生理資訊或駕駛行為資料進行相似類別資料篩選之程序以篩選出生理資訊或駕駛行為資料之相似類別資料，俾對模型計算模組所篩選出之生理資訊或駕駛行為資料之相似類別資料進行分群與標準化，而該計分模組係利用集群分析法獲取分群規則來定義或計算出駕駛人之生理資訊與駕駛行為資料之分數或駕駛評測分數。

為讓本發明之上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明。在以下描述內容中將闡述本發明之額外特徵及優點，且此等特徵及優點將部分自所述描述內容可得而知，或可藉由對本發明之實踐習得。應理解，前文一般描述與以下詳細描述兩者均僅為例示性及解釋性的，且不欲約束本發明所欲主張之範圍。

1‧‧‧駕駛職能評測系統

10‧‧‧資料擷取裝置

11‧‧‧穿戴式裝置

12‧‧‧行動裝置

20‧‧‧資料儲存模組

21‧‧‧資料庫

22‧‧‧營運資料

30‧‧‧訊號處理模組

40‧‧‧查詢模組

50‧‧‧模型計算模組

51‧‧‧相似類別資料篩選

52‧‧‧分群規則

53‧‧‧異常事件標準化

60‧‧‧計分模組

61‧‧‧比較類別選定

62‧‧‧單因子分組落點計算

63‧‧‧評測分數加總

70‧‧‧輸出模組

A‧‧‧常模或歷史常模

P1至P7‧‧‧程序

R1‧‧‧原始資料

R2‧‧‧事件化資料

R3‧‧‧標準化資料

R4‧‧‧定義加減分

R5‧‧‧計算分數

S1至S7‧‧‧步驟

第1圖為本發明之駕駛職能評測系統的架構示意圖；

第2A圖與第2B圖為本發明之駕駛職能評測系統之運作方式的不同示意圖；

第3圖為本發明之模型計算模組對異常次數定義加減分以及計算模組計算生理資訊與駕駛行為資料之分數的示意圖；以及

第4圖為本發明之駕駛職能評測系統之運作方式的流程圖。

以下藉由特定的具體實施形態說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容了解本發明之其他優點與功效，亦可因而藉由其他不同的具體等同實施形態加以施行或應用。

第1圖為本發明之駕駛職能評測系統1的架構示意圖。如圖所示，駕駛職能評測系統1至少包括一資料擷取裝置10、一資料儲存模組20、一訊號處理模組30、一查詢模組40、一模型計算模組50、一計分模組60與一輸出模組70(如報表輸出模組)。在一實施例中，資料擷取裝置10可為一穿戴式裝置11或一行動裝置12等，用以擷取一運輸載具之駕駛人之生理資訊與駕駛行為資料，而一資料儲存模組20、一訊號處理模組30、一查詢模組40、一模型計算模組50、一計分模組60與一輸出模組70可設置於至少一評測裝置中，並彼此電性或通訊連接。此外，資料儲存模組20可具有至少一資料庫21。

例如，資料擷取裝置10之穿戴式裝置11可為電子手錶、醫療手錶、智慧手錶或智慧手環等，而行動裝置12可為手機、智慧手機、平板電腦或個人數位助理(PDA)等。資料儲存模組20可為伺服器(如資料伺服器)、硬碟(如雲端或網路硬碟)、記憶體、記憶卡、磁碟(如光碟)等各種資料儲存媒介，且資料庫21可儲存各種資料或涵蓋資料檔案。訊號處理模組30可為硬體之訊號處理器、訊號處理晶片或訊號處理電路等，或者為軟體之訊號處理程式，亦可為前述硬體與軟體之任意組合。查詢模組40可為硬體之查詢器，或者為軟體之查詢程式，亦可為前述硬體與軟體之組合。模型計算模組50可為硬體之計算機(如電腦)、處理器(如CPU)或運算邏輯單元(ALU)等，或者為軟體之計算程式，亦可為前述硬體與軟體之任意組合。計分模組60可為軟體之計分程式等。輸出模組70可為硬體之輸出介面、顯示器、列印機等，或者為軟體之輸出程式(如報表輸出程式)、顯示程式、列印程式等，亦可為前述硬體與軟體之任意組合。

以下，針對資料擷取裝置10、資料儲存模組20、訊號處理模組30、查詢模組40、模型計算模組50、計分模組60與輸出模組70進行說明。

資料擷取裝置10之穿戴式裝置11與行動裝置12其中至少一者可擷取或即時擷取(蒐集或感測)運輸載具之駕駛人之生理資訊與駕駛行為資料、營運資料22(或稱勤務資料)。例如，穿戴式裝置11可即時擷取(蒐集或感測)駕駛人之生理資訊，且行動裝置12可即時擷取(蒐集或感測) 駕駛人之駕駛行為資料。又，生理資訊可為駕駛人之睡眠指數、心率量測指數、心率變異性或血氧飽和度監測指數等，駕駛行為資料可為駕駛人之急加減速、急轉彎、超速事件數或定速保持比等，而營運資料22(勤務資料)可為駕駛人之出勤歷史紀錄、駕駛里程、駕駛時間、駕駛路線或違規紀錄等，且運輸載具可為汽車、機車、遊覽車、公車、台鐵、高鐵、捷運等。

資料儲存模組20(資料庫21)可儲存資料擷取裝置10之穿戴式裝置11與行動裝置12其中至少一者所擷取之駕駛人之生理資訊、駕駛行為資料、營運資料22。

訊號處理模組30可接收來自資料擷取裝置10(穿戴式裝置11與行動裝置12)或資料儲存模組20之駕駛人之生理資訊與駕駛行為資料，以對駕駛人之生理資訊與駕駛行為資料進行重新採樣、訊號離散化、訊號標準化、濾波分析、事件偵測及資料前處理等多項處理程序其中至少一者。

查詢模組40可依據使用者手動輸入或系統自動輸入之查詢條件查詢資料儲存模組20(資料庫21)中有無儲存駕駛人之生理資訊、駕駛行為資料或營運資料22，若無，則令查詢模組40通知資料擷取裝置10之穿戴式裝置11與行動裝置12其中至少一者以擷取或即時擷取(蒐集或感測)運輸載具之駕駛人之生理資訊、駕駛行為資料或營運資料22；反之，若有，則令查詢模組40通知計分模組60。

模型計算模組50可接收來自資料擷取裝置10(穿戴式裝置11與行動裝置12)、資料儲存模組20或訊號處理模組30之駕駛人之生理資訊與駕駛行為資料，並對駕駛人之生理資訊與駕駛行為資料進行相似類別資料篩選51之程序以篩選出生理資訊與駕駛行為資料之相似類別資料，再由分群規則52與異常事件標準化53分別對模型計算模組50所篩選出之生理資訊與駕駛行為資料之相似類別資料進行分群與標準化以建立常模或歷史常模A，俾將常模或歷史常模A傳送至輸出模組70。前述常模(Norms)是一種供比較的標準量數，由標準化樣本之測試結果計算而來，即某一標準化樣本之平均數或標準差。

計分模組60可執行比較類別選定61之程序，以依據查詢條件將駕駛人之駕駛路線類別或年齡分組等帶入類別條件。接著，計分模組60可執行單因子分組落點計算62之程序，以利用集群分析法獲取分群規則52來定義或計算出駕駛人之生理資訊與駕駛行為資料之分數或駕駛評測分數，亦即駕駛評測分數包括生理資訊(如睡眠指數、心率量測指數、心率變異性、血氧飽和度監測指數)之分數與駕駛行為資料之分數(如急加減速、急轉彎、超速事件數、定速保持比)等。然後，計分模組60可執行評測分數加總63之程序以對駕駛評測分數進行加總，俾將駕駛評測分數或駕駛評測分數總分傳送至輸出模組70。

此外，上述資料擷取裝置10(穿戴式裝置11或行動裝置12)之資料蒐集來源可分為駕駛人之生理資訊、駕駛行為資料與營運資料22，特別是結合複數駕駛人(如全部駕駛人)之生理資訊與駕駛行為資料以建立駕駛人之常模或歷史常模A之標準，有利於提供駕駛人(新進駕駛人)之量化評選功能。

在一實施例中，生理資訊之評分係在資料蒐集來源上，可由資料擷取裝置10(穿戴式裝置11)即時擷取(蒐集或感測)駕駛人於行車(工作)或睡眠(休息)時之生理資訊，且生理資訊之內容包括睡眠指數、心率變異性、心率量測指數或血氧飽和度監測指數等。在異常定義上，可由模型計算模組50依據醫學標準(醫學常識)定義駕駛人(個體)之生理資訊之異常次數。在分數計算方式上，可由模型計算模組50將各生理資訊之異常次數進行標準化(里程數標準化)；然後，由計分模組60依據標準化後之生理資訊之異常次數進行風險分群(如高等、中等、低等)以得到不同風險等級，再依據不同風險等級設定不同風險權重(如高風險權重、中風險權重、低風險權重)，俾依據標準化後之生理資訊之異常次數與相應之風險權重計算出駕駛人之生理資訊之分數。

在一實施例中，駕駛行為資料之評分係在資料蒐集來源上，可由資料擷取裝置10(行動裝置12)即時擷取(蒐集或感測)駕駛人於行車(工作)之駕駛行為資料，且駕駛行為資料之內容包括急加減速、急轉彎、超速事件數或定速保持比等。在異常定義上，可由模型計算模組50依據文獻標準定義駕駛人(個體)之駕駛行為資料之異常次數。在分數計算方式上，可由模型計算模組50將各駕駛行為資料之異常次數進行標準化(里程數標準化)；然後，由計分模組60依據標準化後之駕駛行為資料之異常次數進行風險分群(如高等、中等、低等)以得到不同風險等級，再依據不同風險等級設定不同風險權重(如高風險權重、中風險權重、低風險權重)，俾依據標準化後之駕駛行為資料之異常次數與相應之風險權重計算出駕駛人之駕駛行為資料之分數。

在一實施例中，營運資料22係指駕駛人之出勤歷史紀錄、駕駛里程、駕駛時間、駕駛路線或違規紀錄等。例如，營運資料22之內容包括駕駛人之每日出勤紀錄、累計駕駛之總里程數、累計駕駛之路線時間或平均里程之違規紀錄等，且營運資料22之作用是作為自動篩選條件以篩選出符合法規限制之駕駛人(候選駕駛人)。

輸出模組70可輸出(顯示/列印)來自模型計算模組50之常模或歷史常模A或其相關報表，亦可輸出(顯示/列印)來自計分模組60之駕駛評測分數或駕駛評測分數總分或其相關報表。

第2A圖與第2B圖為本發明之駕駛職能評測系統1之運作方式的不同示意圖，第3圖為本發明之模型計算模組50對異常次數定義加減分以及計分模組60計算生理資訊與駕駛行為資料之分數的示意圖，同時參照第1圖予以說明。

如第2A圖之程序P1與上述第1圖所示，資料擷取裝置10之穿戴式裝置11與行動裝置12可即時擷取(蒐集或感測)運輸載具之駕駛人之生理資訊與駕駛行為資料等各面向資料(見第2B圖之原始資料R1)。

接著，如第2A圖之程序P2至程序P3所示，模型計算模組50可依據醫學標準(醫學常識)或文獻標準定義生理資訊與駕駛行為資料之異常規則，再依據異常規則計算出生理資訊與駕駛行為資料之異常事件數(見第2B圖之事件化資料R2)。

繼之，如第2A圖之程序P4所示，模型計算模組50可將生理資訊與駕駛行為資料之異常事件數標準化以產生標準化後之異常事件數(見第2B圖之標準化資料R3)，例如標準化後之異常事件數=異常事件數/駕駛人之總駕駛時間。

同時，如第2A圖之程序P5至程序P6所示，模型計算模組 50可利用分群演算法(如K-means分群演算法)進行生理資訊與駕駛行為資料異常次數之分群且對異常次數定義加減分(見第2B圖之定義加減分R4)，俾由計分模組60依據生理資訊與駕駛行為資料於標準化後之異常事件數、異常次數之分群與異常次數之加減分計算出生理資訊與駕駛行為資料等各面向資料之分數(見第2B圖之計算分數R5)。

例如，在第3圖中，假設駕駛人在一定期間之生理資訊或駕駛行為資料(如一周之睡眠指數)之異常次數為6次(在5-9次之間)，表示生理資訊(如睡眠指數)或駕駛行為資料之風險等級為中等且風險權重為5分，則計分模組60可依據生理資訊或駕駛行為資料之異常次數與風險權重計算出生理資訊(如睡眠指數)或駕駛行為資料之分數，亦即6次*5分=30分。同理，計分模組60可計算出駕駛人之心率變異性之分數(如27分)、心率量測指數之分數(如31分)、急加減速之分數(如52分)、急轉彎之分數(如17分)、超速事件數之分數(如13分)，再對睡眠指數之分數、心率變異性之分數、心率量測指數之分數、急加減速之分數、急轉彎之分數與超速事件數之分數(共六種面向資料之分數)進行加總，以得到駕駛人之配對分數或駕駛評測分數總分為170分。

然後，如第2A圖之程序P7所示，計分模組60可將駕駛人之生理資訊與駕駛行為資料等各面向資料(如六種面向資料)之分數(即駕駛人之配對分數或駕駛評測分數總分)進行降冪或升冪之排序，並採用生理資訊與駕駛行為資料等各面向資料之分數的第一個四分位數(Q1)當作常模或歷史常模A之標準。換言之，計分模組60可將複數駕駛人(如全部駕駛人)當作分析對象，並捨棄分數高於前25%之駕駛人或風險排名前25%之駕駛人，亦即將風險百分比為75%之駕駛人當作常模或歷史常模A之標準。

因此，模型計算模組50可運用分群規則52與異常事件標準化53等分析程序，且合併分群規則52與異常事件標準化53兩者之結果，再將風險百分比為75%之駕駛人當作常模或歷史常模A之標準，以評判駕駛人(如新進駕駛人)之適任性。

第4圖為本發明之駕駛職能評測系統之運作方式的流程圖，且假設目的為找出台北至高雄之路線(如國道)之最佳駕駛人。

如圖所示，在第4圖之步驟S1中，由使用者手動輸入或系統自動輸入駕駛人之篩選條件，以供駕駛職能評測系統或評測裝置找出符合此篩選條件之駕駛人(候選駕駛人)之群組，例如：符合此篩選條件之駕駛人之群組為「曾經駕駛此路線之駕駛人之群組」、「總駕駛時間達5000小時以上之駕駛人之群組」、或「排除平均里程之違規次數達一定值之駕駛人之群組」。若無符合此篩選條件之駕駛人(候選駕駛人)之群組，則放寬此篩選條件，以供駕駛職能評測系統或評測裝置重新找出其他符合此篩選條件之駕駛人(候選駕駛人)之群組。

在第4圖之步驟S2中，由駕駛職能評測系統或評測裝置找出滿足此篩選條件之駕駛人(候選駕駛人)之群組後，再將此群組中各駕駛人(候選駕駛人)之生理資訊與駕駛行為資料進行歸戶。

在第4圖之步驟S3中，由駕駛職能評測系統或評測裝置之模型計算模組依據醫學標準(醫學常識)將此群組中各駕駛人於行車(工作)或睡眠(休息)時之生理資訊進行異常判斷，以計算出此群組中各駕駛人(候選駕駛人)之生理資訊之異常次數。同時，由駕駛職能評測系統或評測裝置依據文獻標準將此群組中各駕駛人於行車(工作)時之駕駛行為資料進行異常判斷，以計算出此群組中各駕駛人(候選駕駛人)之駕駛行為資料之異常次數。

在第4圖之步驟S4中，由駕駛職能評測系統或評測裝置之計分模組使用單因子將此群組中各駕駛人之生理資訊或駕駛行為資料之異常次數進行分群，以將不同異常次數分群成不同風險等級(如高等、中等或低等)。例如，較高的異常次數表示較高的風險或風險等級；反之較低的異常次數表示較低的風險或風險等級。而且，單因子風險分數等於「駕駛人之異常次數」乘以「風險等級之相應風險權重」。

在第4圖之步驟S5中，由駕駛職能評測系統或評測裝置之計分模組依據此群組中各駕駛人之生理資訊或駕駛行為資料之異常次數與風險等級之相應風險權重，以計算出此群組中各駕駛人之生理資訊或駕駛行為資料等各面向資料之分數(配對分數)。例如，此群組中一個駕駛人在一定期間之生理資訊(如一周之睡眠指數)之異常次數為6次，且生理資訊(如睡眠指數)之風險等級(如中等)之相應風險權重為5分，則計分模組可將生理資訊之異常次數(6次)乘以風險權重(5分)以計算出生理資訊(如睡眠指數)之分數為30分。

另一方面，駕駛職能評測系統或評測裝置之計分模組亦可依據「一個駕駛人之生理資訊或駕駛行為資料等各面向資料之分數」相較於「複數個(如一百個)駕駛人之生理資訊或駕駛行為資料等各面向資料之分數」，以計算出一個駕駛人之生理資訊或駕駛行為資料等各面向資料之百分位數，再依據各面向資料之百分位數之綜合評分或平均值而得到全部面向資料之百分位數。例如，在第3圖中，計分模組60可計算出一個駕駛人之睡眠指數之百分位數(如10)、心率變異性之百分位數(如45)、心率量測指數之百分位數(如60)、急加減速之百分位數(如45)、急轉彎之百分位數(如55)與超速事件數之百分位數(如5)，再依據睡眠指數之百分位數、心率變異性之百分位數、心率量測指數之百分位數、急加減速之百分位數、急轉彎之百分位數與超速事件數之百分位數(共六種面向資料之百分位數)等之綜合評分或平均值而得到全部面向資料之百分位數為40。

在第4圖之步驟S6中，由駕駛職能評測系統或評測裝置之計分模組對此群組中全部駕駛人之生理資訊或駕駛行為資料等各面向資料之分數(配對分數或總分)或百分位數進行排序。

在第4圖之步驟S7中，由駕駛職能評測系統或評測裝置之計分模組依據此群組中全部駕駛人之生理資訊或駕駛行為資料等各面向資料之分數(配對分數或總分)或百分位數的排序結果找出最佳駕駛人。

綜上，本發明之駕駛職能評測系統及評測裝置係至少具有下列特色、優點或技術功效。

一、本發明能蒐集或即時蒐集運輸載具之駕駛人於行車(工作)或睡眠(休息)時之生理資訊以運用演算法分析此生理資訊，並能利用駕駛人之生理資訊或駕駛行為資料以進行異常分群與分數推估，亦能提供可行方式以結合生理資訊與駕駛行為資料，從而有效率地分析出駕駛人(如新進駕駛人)之適任性。

二、本發明除能蒐集駕駛人於行車(工作)時之生理資訊或駕駛行為資料外，也能評估駕駛人於下勤(休息)時之生理資訊(如睡眠品質)，以協助管理者提高對於駕駛人之風險掌握準確度。

三、本發明能利用演算法對生理資訊或駕駛行為資料進行異常分群與分數推估，再透過大數據分析方法以達到系統自動與常模(歷史常模)比較，從而快速地評判駕駛人(如新進駕駛人)之適任性。

四、本發明能結合複數駕駛人之生理資訊與駕駛行為資料以建立駕駛人之常模或歷史常模之標準，有利於提供駕駛人(新進駕駛人)之量化評選功能。

上述實施形態僅例示性說明本發明之原理、特點及其功效，並非用以限制本發明之可實施範疇，任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。任何運用本發明所揭示內容而完成之等效改變及修飾，均仍應為申請專利範圍所涵蓋。因此，本發明之權利保護範圍，應如申請專利範圍所列。