WO2021251351A1

WO2021251351A1 - 運行支援方法、運行支援システム及び運行支援サーバ

Info

Publication number: WO2021251351A1
Application number: PCT/JP2021/021634
Authority: WO
Inventors: 毅田中; 俊輔三幣; 裕之栗山; 大知尾白; 公則佐藤
Original assignee: 株式会社日立物流
Priority date: 2020-06-09
Filing date: 2021-06-07
Publication date: 2021-12-16
Also published as: CN115398509A; US20230211780A1

Abstract

計算機が、過去に収集した第１の車載センサデータと、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し、第２の車載センサデータに対応する第１の生体指標データと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生成し、車両を運転中の運転者の第２の生体センサデータを取得して、第２の生体センサデータから第２の生体指標データを算出し、事故リスク予測モデルに第２の生体指標データを入力して、所定時間後の事故リスクを予測する。

Description

運行支援方法、運行支援システム及び運行支援サーバ

参照による取り込み

　本出願は、令和２年（２０２０年）６月９日に出願された日本出願である特願２０２０－１０００６０及び令和２年（２０２０年）９月１８日に出願された日本出願である特願２０２０－１５７５７３の優先権を主張し、その内容を参照することにより、本出願に取り込む。

　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、２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無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。

　特許文献２では、移動体の外部環境をセンシングして認識した外部環境に含まれる走行環境リスクと、ドライバの運転操作から内部状態として推定したドライバのリスク認識状態とを比較することで、ドライバの普段の内部状態からの逸脱を認識する技術が開示されている。

特開２００９－２４５１４７号公報特開２００９－０９８９７０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。本発明の実施例３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３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３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４を示し、運行支援サーバで行われる生体状態推定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３を示し、運行支援サーバで行われる生体データの算出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３を示し、運行支援サーバで行われる心拍データを用いた生体データ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３を示し、運行支援サーバで行われる危険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３を示し、運行支援サーバで行われる警告呈示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３を示し、警告呈示画面の一例を示す図である。本発明の実施例３を示し、警告呈示画面の他の例を示す図である。本発明の実施例３を示し、生体データのデータ構造の一例を示す図である。本発明の実施例３を示し、業務・環境データのデータ構造の一例を示す図である。本発明の実施例３を示し、属性情報データのデータ構造の一例を示す図である。本発明の実施例３を示し、学習情報データのデータ構造の一例を示す図である。本発明の実施例３を示し、危険発生データのデータ構造の一例を示す図である。本発明の実施例３を示し、事故リスク予測データのデータ構造の一例を示す図である。本発明の実施例３を示し、当人深刻度データのデータ構造の一例を示す図である。本発明の実施例３を示し、結合テーブルのデータ構造の一例を示す図である。本発明の実施例３を示し、アラート定義データのデータ構造の一例を示す図である。本発明の実施例３を示し、対策案データのデータ構造の一例を示す図である。本発明の実施例４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５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５を示し、ドライバ管理者へ提供される警告先一覧画面の一例を示す図である。

　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他、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。

　次に、本発明の実施例３を説明する。前記特許文献２では、移動体の外部環境をセンシングして認識した外部環境に含まれる走行環境リスクと、ドライバ（運転者）の運転操作から内部状態として推定したドライバのリスク認識状態とを比較することで、ドライバの普段の内部状態からの逸脱を認識する手段を提供している。

　しかし、ドライバの運転操作と外部環境との関連性について状態推定を行ってドライバの普段の内部状態からの逸脱（狭義の危険状態）を認識するだけでは、運転操作に顕在化していないが注意が必要な状態（広義の危険状態）を検知することができない。このため、広義の危険状態を事前に回避する対策を取らせることが困難であるという問題があった。

　本実施例は、上記問題点に鑑みてなされたものであり、広義の危険状態を検知して事前に回避するために、生体データを用いてドライバ毎の個人差を踏まえた広義の危険状態を検知し、その結果に基づいて発報の有無を判定することを目的とする。

　＜システム構成＞
　図１８は、本発明の実施例３を示し、運行支援システムの主要な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１４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、ドライバの生体センサデータ１６３を検出する生体センサ１２と、ドライバを特定する運転者ＩＤ読取装置１１と、検出された車載及び生体のセンサデータ１６３とドライバ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からドライバの交通事故のリスク（以下、事故リスク）に応じた警告を受け付けて、ドライバへ提示する予測結果報知装置９と、生体指標データ１６４の計測状況の入力を受け付ける業務状態入力装置１３０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と業務状態入力装置１３０と運転者ＩＤ読取装置１１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、携帯端末は、運転データ収集部と予測結果報知部と業務状態入力部とドライバＩＤ読取部として機能する。

　車載センサ８としては、車両の位置情報を検出するＧＮＳＳ（Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ）８１と、車両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、車両の周囲の物体及び／又は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、車両の旋回操作を検出する角速度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、ドライバの動きを検出する加速度センサ１２２を含む。心拍センサ１２１は、心電や脈波あるいは心音などに基づき心拍を検出するセンサを用いることができる。

　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、筋電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、ドライバが装着可能なウェアラブルデバイスの他、ハンドル、シート、シートベルト等、車両内部に付属したセンシングデバイスや、ドライバ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読取装置１１は、ドライバ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１４を介して運行支援サーバ１へ送信する。

　なお、図示の例では、運転者ＩＤ読取装置１１を、ドライバの識別子を記録したカードを読み込む装置として構成した例を示したが、異なる構成としてもよい。例えば、運転者ＩＤ読取装置１１を一つの携帯端末で構成し、携帯端末をドライバＩＤ読取部として機能させた場合、ドライバの識別子をドライバ自身に入力させることでドライバＩＤを読み取ったり、携帯端末が有するカメラを用いた公知の顔認証技術によってドライバを同定させることでドライバＩＤを読み取ったりしてもよい。

　業務状態入力装置１３０は、運転や休憩や仮眠等、ドライバの業務の状態を受け付けて運行支援サーバ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１３１と、事故リスク定義生成部１３２と、事故リスク推定部１３３と、生体状態推定モデル生成部１３４と、事故リスク予測モデル生成部１３５と、モデル選択部１３６と、危険予測部１３７と、警告呈示部１３８と、データ収集部１３９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１３１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１６１と、生体センサデータ（第１の生体データ）１６３と、業務・環境データ１７４と、事故リスク予測モデル１７１と、事故リスク予測データ１６６と、危険発生データ１６２と、生体指標データ１６４と、事故リスク定義モデル１７０と、アラート定義データ１７２と、事故リスク推定データ１６５と、対策案データ１７３と、生体状態推定モデル１６９と、当人深刻度データ１６７と、結合テーブル１６８と、属性情報データ１７５と、学習情報データ１７６とを格納する。

　なお、車載センサデータ１６１は、後述するように、事故リスク定義モデル１７０を生成する際に使用する車載センサデータ１６１－１（第１の車載センサデータ）と、事故リスク予測モデル１７１を生成する際に使用する車載センサデータ１６１－２（第２の車載センサデータ）とが含まれる。以下の説明では、車載センサデータを区別しない場合には「－」以降を省略した符号「１６１」を使用する。

　また、生体指標データ１６４は、後述するように、事故リスク予測モデル１７１を生成する際に使用する生体指標データ１６４－１（第１の生体指標データ）と、事故リスク予測モデル１７１へ入力して事故リスク予測データ１６６を生成する際に使用する生体指標データ１６４－２（第２の生体指標データ）と、生体状態推定モデル１６９を生成する際に使用する生体指標データ１６４－３（第３の生体指標データ）と、が含まれる。以下の説明では、生体指標データを区別しない場合には「－」以降を省略した符号「１６４」を使用する。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、キーボード、タッチパネル又はマイク等の入力装置と、ディスプレイやスピーカ等の出力装置を含む。通信装置６は、ネットワーク１４を介して車両と通信を行う。

　＜処理概要＞
　図１９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。図示の例では、車両７の運行開始以前に実施しておく学習フェーズと、車両７の運行中に実施する運用フェーズで構成した例を示す。

　はじめに、運行支援システムは、運行支援サーバ１において、車両７を運転中のドライバの危険状態を予測するために必要な、事故リスク予測モデル１７１と生体状態推定モデル１６９とを生成する。

　まず、事故リスク定義生成部１３２が、予め設定された危険発生データ１６２と、過去に収集した車載センサデータ１６１－１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１７０を生成する（Ｓ１０１）。なお、車載センサデータ１６１－１の時系列と、危険発生データ１６２の時系列は同一の時系列である。

　なお、事故リスク定義モデル１７０は、過去の車両の走行状態を示す車載センサデータ１６１－２（後述）を入力として、危険事象が発生する確率である事故リスクを推定する。なお、以下では事故リスクの値を百分率で示す。

　危険発生データ１６２は、過去に収集した車載センサデータをもとに、危険と判定された事象を抽出して取得したデータであり、具体的には、急ブレーキや急旋回などのインシデントやインシデントに結びつく事象を、ドライバや管理者が判定したり、市販の車載警報機又はＡＩなどによって判定させたりして、その事象の種別と発生日時とから、予め設定されたデータである。さらに、危険発生データ１６２は、インシデント毎に重要度が設定されてもよい。

　なお、本実施例ではインシデントとは交通事故につながる事象と定義する。また、インシデントに結びつく事象とは、ドライバがヒヤリ又はハッとするような状態を示す。さらに、重要度は大きくなるにつれて危険性が増大する例を示す。以下では、インシデント又はインシデントに結びつく事象を危険事象と定義する。

　また、前記課題で述べた狭義の危険状態は、上記インシデントを含み、広義の危険状態は、上記インシデントに結びつく事象を含むことができる。

　事故リスク定義モデル１７０は、機械学習モデルであり、車載センサデータ１６１－２を入力することにより、危険事象が発生する事故リスクを推定する。機械学習モデルには、サポートベクターマシンやニューラルネットワーク、ロジスティック回帰など周知又は公知の手法を用いることができる。また事故リスク定義モデル１７０は、危険事象の種別毎に複数生成しておいてもよい。

　次に、事故リスク推定部１３３は、過去に収集した車載センサデータ１６１－２を事故リスク定義モデル１７０に入力して、危険事象が発生する事故リスクを時系列に推定した事故リスク推定データ１６５を生成する（Ｓ１０２）。

　事故リスク推定データ１６５は、車載センサデータ１６１－２に対して危険事象が発生する確率を、車載センサデータ１６１－２と同一の時系列として生成されたデータである。

　その後、事故リスク予測モデル生成部１３５は、事故リスク推定データ１６５と、過去の生体指標データ１６４－１と、を入力し、走行中の車両７のドライバの生体指標データ１６４－２（後述）から、所定時間後の事故リスクを予測して出力し、事故リスク予測モデル１７１を生成する（Ｓ１０４）。なお、過去の生体指標データ１６４－１とは、過去に収集した車載センサデータ１６１－２に対応する過去の生体センサデータ１６３から、生体指標計算部１３１が算出したものである。

　過去に収集された生体センサデータ１６３から算出された生体指標データ１６４－１は、本実施例では、例えばドライバの心拍データから算出された平均心拍数、心拍データ系列の非線形解析で算出される最大リアプノフ指数、心拍データから抽出された心拍間隔データの周波数領域解析、又は自律神経機能指標（ＬＦ／ＨＦなど）などを用いて、算出することができる。なお、自律神経機能指標（ＬＦ／ＨＦなど）は、時間領域解析や非線形解析等の手法により算出することができる。

　なお、生体指標データ１６４－１は、車載センサデータ１６１－２の時系列に対応する過去の生体センサデータ１６３から生体指標計算部１３１が算出した生体指標である。

　事故リスク予測モデル１７１は、周知又は公知の機械学習モデルで構成され、走行中のドライバの生体指標データ１６４－２を入力として所定時間後の事故リスクを出力する。走行中のドライバの生体指標データ１６４－２は、ドライバの生体センサデータ１６３から生体指標計算部１３１で算出した生体指標であり、運行支援サーバ１が走行中の車両７から受信したものである。

　なお、事故リスク予測モデル１７１としては、事故リスクの種別や使用する生体指標データの種別、予測を適用する車両の走行環境や所定時間に応じて、複数のモデル予めを生成しておくのがよい。複数のモデルを生成しておくことで、危険予測処理において適するものを選択し、使い分けが可能になる。

　また、ドライバの業務特性（一般道走行、高速走行、昼夜連続で業務従事など）や運転経験（運転年数、運転技能、所持免許種別）や健康特性（性別、睡眠時間の多寡など）を格納した属性情報データ１７５に応じてモデルを複数生成しておいてもよい。

　次に、生体状態推定モデル生成部１３４は、過去に計測した生体指標データ１６４－３を入力として、入力（現在の生体指標データ１６４－２）が過去に計測した生体指標データ１６４－３に対してどの程度乖離しているかを示す当人深刻度を推定して出力する生体状態推定モデル１６９を生成する（Ｓ１０３）。なお、現在の生体指標データ１６４－２が過去に計測した生体指標データ１６４－３に対する乖離の度合いは、異常度として表してもよい。

　生体状態推定モデル１６９は、周知又は公知の統計的モデルや機械学習モデルで構成される。生体状態推定モデル１６９は、典型的には、生体指標データ１６４－３の種別毎に複数生成されており、ある種別の生体指標データ１６４－３を入力として、モデル生成に用いた生体指標データ１６４－３を基準とした異常度（当人深刻度）を示す統計量を出力する教師なしモデルである。

　統計的モデルとしては例えば、モデル生成に用いた生体指標データ１６４－３の平均値と標準偏差を用いて入力を正規化したｚ－ｓｃｏｒｅを出力する統計的モデルや、モデル生成に用いた生体指標データ１６４－３の最大値と最小値を用いて０から１の範囲に出力を正規化する統計的モデルや、モデル生成に用いた生体指標データ１６４－３の統計量を基準として、その値からの変化率を出力する統計的モデルや、生体状態推定モデル１６９の生成に用いた生体指標データ１６４－３から推定したデータ分布上における分位点を出力する統計的モデルなどを利用することができる。

　また、機械学習モデルとしては例えば、生体状態推定モデル１６９の生成に用いた生体指標データ１６４－３からノンパラメトリックにデータ分布を推定しておき、その分布のクラスター中心からの距離を出力する異常検知モデルを利用することができる。

　また、教師なしの生体状態推定モデル１６９に加えて、教師ありの生体状態推定モデル１６９を採用することもできる。この場合、周知又は公知の手法で推定したドライバの眠気やドライバの覚醒状態の指標となるまばたきの回数（瞬目数）、ドライバが主観的な疲労度をＶｉｓｕａｌ　Ａｎａｌｏｇｕｅ　Ｓｃａｌｅ（ＶＡＳ）で回答した主観疲労度などを収集した学習情報データ１７６を目的変数として推定する周知又は公知の統計的モデルや機械学習モデルを用いて生体状態推定モデル１６９を構成することができる。この場合、例えば、統計的モデルとしては回帰モデルなどを採用し、機械学習モデルとしてはサポートベクターマシンやニューラルネットワークなどを採用することができる。

　なお、生体状態推定モデル１６９の入力とする生体指標データ１６４－３は、典型的には単変量であるが、多変量としてもよい。入力を多変量とする場合には、後述する警告呈示処理における危険状態回避のための対策案生成に活用しやすい生体指標データ種別の組み合わせを入力とすることが望ましい。この場合、生体状態推定モデル１６９は、重回帰モデルやマハラノビスタグチ法、多変量統計的プロセス管理などの公知の手法により構成することができる。

　また、生体状態推定モデル１６９はドライバ毎に生成してもよいし、複数のドライバ群をまとめて一つの生体状態推定モデル１６９を生成しておいてもよい。複数のドライバ群をまとめる場合には、生体は個人差が大きいことから、類似の生体応答を示すドライバ群について生体状態推定モデル１６９を生成することが望ましい。

　類似の生体応答を示す複数のドライバ群から生体状態推定モデル１６９を生成しておくことで、生体応答の個人差を吸収し、かつ生体状態推定モデル１６９を生成するのに要するデータを計測する時間を短縮することができる。

　さらに、所要データ量が計測された後には、類似の生体応答を示す複数のドライバ群から生成した生体状態推定モデル１６９から、対象のドライバのみから生成した生体状態推定モデル１６９へと切り替えて使用することが望ましい。これにより、個人の生体応答をより考慮した当人深刻度を出力することが可能となる。

　続いて、運行支援システムは、運行支援サーバ１を用いて、生成された事故リスク予測モデル１７１と生体状態推定モデル１６９とを用いて、実際に車両７を運転中のドライバの危険事象の発生確率を予測する。

　まず、危険予測部１３７は、データ収集部１３９が車両７から受信した生体センサ１２で計測された心拍データなどの生体センサデータ１６３を生体指標計算部１３１へ入力し、生体指標データ１６４－２を算出させる（Ｓ１０５）。

　また、危険予測部１３７は事故リスク予測モデル１７１や生体状態推定モデル１６９が複数存在する場合、モデル選択部１３６で業務・環境データ１７４や属性情報データ１７５に応じた事故リスク予測モデル１７１や生体状態推定モデル１６９を選択する。

　その後、危険予測部１３７は事故リスク予測モデル１７１に対して生体指標データ１６４－２を入力して事故リスク予測データ１６６を予測（生成）する（Ｓ１０６Ａ）。また、危険予測部１３７は生体状態推定モデル１６９に生体指標データ１６４－２を入力して、生体指標データ種別毎に当人深刻度データ１６７を算出する（Ｓ１０６Ｂ）。

　そして、危険予測部１３７は事故リスク予測データ１６６の予測に寄与していた生体指標データ１６４－２の種別（寄与指標）を抽出し、事故リスク予測データ１６６と、事故リスク予測データ１６６の算出に用いた事故リスク予測モデル１７１と、寄与指標と、寄与指標の当人深刻度データ１６７と、を突合して結合テーブル１６８に格納する（Ｓ１０７Ａ）。

　寄与指標の抽出においては、危険予測部１３７が生体指標データ１６４－２と、事故リスク予測データ１６６と、事故リスク予測データ１６６の算出に用いた事故リスク予測モデル１７１と、から寄与指標を抽出する。

　危険予測部１３７は、例えば、事故リスク予測モデル１７１としてロジスティック回帰などの線形モデルを用いた場合には、単純には回帰係数と生体指標データ１６４－２との積が最大となる生体指標データ種別を寄与指標として抽出することができる。

　また、事故リスク予測モデル１７１としてニューラルネットワークなどを用いる場合には、例えば機械学習モデルの説明性を担保するために利用される公知の手法であるＳＨａｐｌｅｙ　Ａｄｄｉｔｉｖｅ　ｅｘＰｌａｎａｔｉｏｎｓ（ＳＨＡＰ）を用いて危険予測部１３７が各生体指標データ１６４－２の寄与度を算出し、寄与度が最大であったものを寄与指標として抽出することができる。

　そして、警告呈示部１３８は結合テーブル１６８に格納された事故リスクと当人深刻度とに基づいて発報の判定（以下、発報判定）を行う（Ｓ１０７Ｂ）。警告呈示部１３８は、ドライバが広義の危険状態であると判定した場合には、広義の危険状態を回避するための対策案を生成する（Ｓ１０７Ｃ）。

　発報判定では、事故リスク又は当人深刻度がそれぞれ所定の閾値を超過していた場合、あるいは、事故リスク及び当人深刻度に関する値が所定の閾値を超過していた場合、警告呈示部１３８は、広義の危険状態（危険事象）に該当すると判定する。なお、前者の場合、発報判定に際して、警告呈示部１３８が、事故リスク又は当人深刻度のいずれかの閾値を設定しなくても構わない。

　例えば、警告呈示部１３８が、事故リスクのみに閾値を設定した場合には、一般に事故リスクが高いと判定される場面について発報を行うことができる。また、警告呈示部１３８が、当人深刻度のみに閾値を設定した場合には、ドライバ個人にとっての体調の急変などの生体指標データ１６４－２の異常について発報を行うことができる。また、対応する事故リスク及び当人深刻度のレコードのみでなく、事故リスク及び当人深刻度の時系列に対して閾値を設定してもよい。

　警告呈示部１３８が実施する対策案の生成では、広義の危険状態を回避するための対策案を結合テーブル１６８と対策案データ１７３に基づいて生成する。過去の知見から、ある種別の生体指標データ１６４－２が変化した場合を生理学的に解釈する手法や、ある種別の生体指標データ１６４－２を変化させるための方法が知られている。

　対策案データ１７３には、生体指標データ１６４－２の種別毎に値が増減した場合の生理学的解釈や、値を増減させるため生体指標データ１６４－２の方法を格納しておく。結合テーブル１６８には事故リスクの予測に寄与した寄与指標が格納されているため、寄与指標（後述）に該当する生理学的解釈及び寄与指標を増減させるための方法を取得することで、広義の危険状態を回避するための対策案をドライバの状態に応じて生成することができる。

　例えば、寄与指標が自律神経機能指標のＬＦ／ＨＦで、ＬＦ／ＨＦが正の方向に当人深刻度が高い場合は、過緊張にあると生理学的に解釈でき、警告呈示部１３８は、ドライバのＬＦ／ＨＦを低下させるために「ゆっくりとした呼吸をしてみましょう」など、リラックスを促す対策案を生成してよい。

　また、寄与指標が平均心拍数で、平均心拍数が低下傾向にあり、当人深刻度が高い場合には、眠気が増大していると生理学的に解釈し、警告呈示部１３８が「次のコンビニで一旦停車し、車外へ出て体を伸ばしてみましょう」など、眠気の解消を促す対策案を生成してよい。

　また、対策案の生成においては、警告呈示部１３８が対策案に寄与指標の当人深刻度に基づく情報を追加することができる。事故リスクに基づく警告だけでは、警告を受けるドライバ本人にとっての危険性が伝わりにくいが、当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を提示することで、警告に対するドライバの受容度の向上が期待される。さらに、対策案の生成においては、警告呈示部１３８が対策案に業務・環境データ１７４や属性情報データ１７５に基づく情報を追加することができる。

　対策案の生成の後に、警告呈示部１３８は、広義の危険状態にあると判定された車両７に対して、対策案を含むアラートやメッセージとして警告を送信する（Ｓ８）。また、警告呈示部１３８は、車両７に対してのみではなく、ドライバ管理者に対し警告を送信し、入出力装置５のディスプレイに表示してよい。この場合、ドライバのディスプレイに表示する内容には、ドライバの位置情報などを含む画像を含むことができる。

　車両７は、運行支援サーバ１から警告を受信すると、予測結果報知装置９でアラートを出力し、ドライバに対してアラート又はメッセージを伝達する。

　運行支援サーバ１は、事故リスク予測モデル１７１を用いて予測した所定時間後の事故リスクと、生体状態推定モデル１６９を用いて推定した生体指標データ１６４－２の当人深刻度とに基づいて広義の危険状態を判定することで、生体指標データ１６４－２に含まれるドライバ毎の個人差を吸収して広義の危険状態を検知することができる。

　また、運行支援サーバ１は、広義の危険状態と判定した際に、寄与指標と寄与指標の当人深刻度とに基づいて広義の危険状態を回避するための対策案を生成し、対策案を含む警告を該当車両の予測結果報知装置や入出力装置５のディスプレイへ送信する。これにより、運行支援サーバ１は、事故リスクが増大する前にドライバやドライバ管理者に対して警告を提示し、広義の危険状態を回避するための対策を取らせることができる。

　以上により、運行支援サーバ１は、広義の危険状態を事前に回避させ、ドライバが狭義の危険状態に陥ることを未然に防いで、各車両７の安全な運行を支援することができる。

　＜処理の詳細＞
　図２０は、事故リスク予測モデル１７１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、走行中の危険検知を行う車両７から生体指標データ１６４－２を受け付ける以前（図１９の学習段階）に実施して、事故リスク予測モデル１７１を予め生成しておく。

　事故リスク定義生成部１３２は、過去に収集した危険発生データ１６２と、対応する車載センサデータ１６１－１を入力として事故リスク定義モデル１７０を生成する（Ｓ１０１）。

　続いて事故リスク予測モデル生成部１３５は、生成された事故リスク定義モデル１７０へ過去に収集した車載センサデータ１６１－２を入力して事故リスク推定データ１６５を生成する（Ｓ１０２）。

　次に事故リスク予測モデル生成部１３５は、過去に収集した車載センサデータ１６１－２に対応する生体指標データ１６４－１と、事故リスク推定データ１６５とから、事故リスク予測モデル１７１を生成する（Ｓ１０４）。この場合、事故リスク予測モデル生成部１３５は、業務・環境データ１７４に基づき、類似の業務特性や環境特性毎に事故リスク予測モデル１７１を生成し、その情報を事故リスク予測モデル１７１にメタ情報として付与しておいてもよい。

　上記処理によって、運行支援サーバ１は、事故リスク定義モデル１７０を生成して事故リスク推定データ１６５を生成した後に、事故リスク推定データ１６５と時系列的に対応する生体指標データ１６４－１から事故リスク予測モデル１７１を生成する。

　また、上記処理は、危険発生データ１６２の量や種別が一定量増加する度、事故リスクの高い事故リスク推定データ１６５が一定度増加する度、あるいは一定頻度で行われ、都度事故リスク定義モデル１７０や事故リスク予測モデル１７１は更新される。

　図２１は、生体状態推定モデル１６９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、ある車両７に対して走行中の危険予測を行う以前（図１９の学習段階）に実施して、生体指標データ１６４－３の種別毎に生体状態推定モデル１６９を生成しておく。

　生体状態推定モデル生成部１３４は、まず生体状態推定モデル１６９の生成に用いるドライバ群として、類似生体応答を示すドライバ群を抽出する（Ｓ１１１）。典型的にはある種別の生体指標データ１６４－３の平均や、標準偏差、中央値、分位数といった日毎の統計量や、その週毎や月毎の統計量を用いて、周知又は公知の手法でクラスタリングなどを行って、類似生体応答を示すドライバ群を抽出する。

　この場合、生体状態推定モデル生成部１３４は、生体指標データ１６４－３に加えて、業務・環境データ１７４に含まれる情報や、属性情報データ１７５に含まれる性別や、年齢に基づいて層別化した年代などの情報もクラスタリングのための入力に加えてもよい。

　また、生体状態推定モデル生成部１３４は、クラスタリングを行うために入力する生体指標データ１６４－３を選択するに際して、学習情報データ１７６に基づいて同一の計測条件で計測された生体指標データ１６４－３のみを選択し、学習情報データ１７６に格納された期間の生体指標データ１６４－３のみを入力してもよい。これにより、計測条件がコントロールされ、生体指標データ１６４－３のばらつきが抑えられることが期待される。

　生体状態推定モデル生成部１３４は、さらに、特定のドライバに関して十分な量の生体指標データ１６４－３が計測できている場合、複数のドライバ群に代えて特定のドライバのみを抽出してもよい。これにより、特定個人の特性により合致した当人深刻度を推定することができる。

　続いて、生体状態推定モデル生成部１３４は、抽出されたドライバ群について過去に収集された生体指標データ１６４－３を入力として、生体状態推定モデル１６９を生体指標データ１６４－３の種別毎に生成する（Ｓ１０３）。

　この場合、生体状態推定モデル生成部１３４は、上記ドライバ抽出と同様に、学習情報データ１７６に基づいて同一の計測条件で計測された生体指標データ１６４－３のみを選択し、学習情報データ１７６に格納された期間の生体指標データ１６４－３のみを入力してもよい。

　また、生体状態推定モデル生成部１３４は、生体状態推定モデル１６９として教師ありモデルを生成する場合、学習情報データ１７６に格納された期間の目的変数と、対応する生体指標データ１６４－３を入力として、生体状態推定モデル１６９を生体指標データ１６４－３の種別毎に生成する。

　この場合、生体状態推定モデル生成部１３４は、入力とする生体指標データ１６４－３の種別や、類似生体特性に関する情報をメタ情報として生体状態推定モデル１６９に付与してもよい。

　上記処理によって、類似する生体応答特性を示すドライバ群を抽出した後に、抽出されたドライバ群についての生体指標データ１６４－３から生体状態推定モデル１６９が生体指標データ１６４－３の種別毎に生成される。

　また、複数のドライバから生成する上記処理は、対象のドライバ数が一定量増大する度や、生体指標データ１６４－３が一定量増大する度、あるいは一定期間毎に行われて、生体状態推定モデル１６９が更新される。さらに、特定ドライバから生成する上記処理は、生体指標データ１６４－３が一定量増大する度あるいは一定期間毎に行われ、生体状態推定モデル１６９が更新される。

　なお、生体状態推定モデル１６９の生成に用いる生体指標データ１６４－３は、事故リスク予測モデル１７１の生成に用いる生体指標データ１６４－１と異なり、車載センサデータ１６１－２と対応する必要や、事故リスクの高い場合に対応する必要が無く、計測シーンの限定が少ない。

よって、生体状態推定モデル１６９の生成に用いる生体指標データ１６４－３の計測が容易であるため、事故リスク予測モデル１７１の生成に比較して短期間でデータを計測することができ、したがって更新頻度を高く設定することが可能であると期待できる。

　さらに、広義の危険状態は発生が稀なため、生体応答が類似した複数のドライバ群のみから事故リスク予測モデル１７１を構築すると時間を要する。一方、本実施例では事故リスク予測モデル１７１ではなく、生体状態推定モデル１６９において複数のドライバ間の生体応答の個人差を吸収するため、事故リスク予測モデル１７１の生成には生体応答が類似しないドライバのデータも活用したモデル生成が可能である。そして、生体状態推定モデル１６９の生成には運転中に容易に収集可能な生体特性の類似するドライバのデータのみからモデル生成が可能である。

　以上により、事故リスク予測モデル１７１の生成において生体応答の個人差を吸収する手法を比較し、本実施例は危険予測処理の実現に必要なモデル生成の所要時間を短縮することができる。

　図２２は、生体指標データ１６４の算出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生体指標計算部１３１で行われる。

　運行支援サーバ１のデータ収集部１３９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（Ｓ１２１）。

　データ収集部１３９は、心拍センサ１２１が検出した心拍データと、加速度センサ１２２が検出した加速度データとを、生体センサデータ１６３に格納する（Ｓ１２２）。なお、車載センサ８のデータは車載センサデータ１６１に格納する。

　次に、生体指標計算部１３１が図２３で後述する手法により、生体センサデータ１６３を入力として生体指標データ１６４を算出する（Ｓ１２３）。生体指標計算部１３１は、算出したデータを生体指標データ１６４に格納する（Ｓ１２４）。上記処理によって、生体センサデータ１６３から生体指標データ１６４を算出する。

　図２３は、心拍データを用いた生体指標データ１６４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、生体センサデータ１６３が格納される度に生体指標計算部１３１で行われる。

　心拍データを用いた生体指標データ１６４の計算処理は、周知又は公知の手法により行われるため、その概要のみを以下で述べる。まず、生体指標計算部１３１は、生体センサデータ１６３のうち、心拍データを読み込む（Ｓ１３１）。なお、心拍データとは、運転中のドライバから心拍センサ１２１より取得した心拍の間隔を抽出可能なデータを指し、具体的には、心電データ、脈波データ又は心音データ等が挙げられる。

　続いて、生体指標計算部１３１は、心拍データから拍動間隔ＩＢＩ（Ｉｎｔｅｒ　Ｂｅａｔ　Ｉｎｔｅｒｖａｌ）を抽出し、その時系列を算出する（Ｓ１３２）。心電データの場合、ＩＢＩは特に心電Ｒ波の間隔を利用するＲＲＩ（Ｒ－Ｒ　Ｉｎｔｅｒｖａｌ）時系列を算出してよい。以下では、例として特にＲＲＩについて言及する。

　生体指標計算部１３１は、ＲＲＩから必要に応じた解析を行うことで自律神経機能指標を算出する。必要に応じた解析には、周波数領域解析や、時間領域解析、ＲＲＩ非線形領域解析が例として挙げられる。

　生体指標計算部１３１は、周波数領域解析ではＲＲＩ時系列からパワースペクトル密度を介して周波数領域指標を算出する（Ｓ１３３）。ＲＲＩ時系列は、不等間隔時系列データであるため、スプライン補間などで等間隔にリサンプリングしてから自己回帰モデルや最大エントロピー法を用いて、もしくは不等間隔データを利用可能なＬｏｍｂ－Ｓｃａｒｇｌｅ　法など公知の手法を用いてパワースペクトル密度ＰＳＤ（Ｐｏｗｅｒ　Ｓｐｅｃｔｒａｌ　Ｄｅｎｓｉｔｙ）を算出する。

　生体指標計算部１３１は、算出されたＰＳＤのうち、例えば０．０５　Ｈｚ－０．１５　Ｈｚの低周波数領域の積分値ＬＦや、０．１５　Ｈｚ－０．４０　Ｈｚの高周波数領域の積分値ＨＦと、ＬＦとＨＦの和であるＴＰ、ＬＦをＨＦで除したＬＦ／ＨＦ、ＬＦをＴＰで除して百分率としたＬＦｎｕなどを自律神経機能指標の周波数領域指標として算出する。

　生体指標計算部１３１は、時間領域解析では、ＲＲＩ時系列や隣接するＲＲＩの差分系列であるΔＲＲＩ時系列の統計量を算出することで時間領域指標を算出する（Ｓ１３４）。例えば、ＲＲＩ時系列の平均値の逆数である平均心拍数やＲＲＩの標準偏差であるＳＤＮＮを算出する。また、ΔＲＲＩ時系列からは例えば、ΔＲＲＩ時系列を構成する差分値の絶対値が５０ｍｓを超過するデータ総数であるＮＮ５０や、ＮＮ５０をΔＲＲＩ時系列のデータ総数で除したｐＮＮ５０や、ΔＲＲＩの標準偏差であるＳＤＳＤを算出し、自律神経機能指標の時間領域指標として算出する。

　生体指標計算部１３１は、ＲＲＩ非線形領域解析では、各種手法により非線形特徴量を算出する（Ｓ１３５）。生体指標計算部１３１は、例えば、ＲＲＩ時系列ＲＲＩ（ｔ）をＸ軸に、ＲＲＩ時系列を１時刻進めた時系列ＲＲＩ（ｔ＋１）をＹ軸にプロットするポアンカレプロット解析を通じ、プロットされた領域を楕円近似した楕円面積Ｓを算出する。また、生体指標計算部１３１は、相似エントロピーやＤｅｔｒｅｎｄｅｄ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓによるα１、α２、トーン－エントロピー解析に基づくトーンやエントロピーを算出し、自律神経機能指標のＲＲＩ非線形領域指標として算出する。

　また、生体指標計算部１３１は、ＲＲＩ抽出を行う前の心拍データに対して心拍非線形領域解析を行って心拍非線形領域指標を算出することもできる（Ｓ１３６）。生体指標計算部１３１は、例えば、心拍データに対してカオス解析を適用することで、心拍データの相関次元や最大リアプノフ指数を算出し、自律神経機能指標の心拍非線形領域指標として算出する。

　算出された自律神経機能指標は、自律神経系に制御されたドライバの生体状態を反映しているため、ドライバに広義の危険状態を回避するための対策案として提示するために必要な、ドライバの生体状態を測る指標を算出することで、生体状態に合わせた警告呈示を実現できる。例えば、ＬＦ／ＨＦは主としてストレスや緊張状態に亢進する交感神経活動と主としてリラックス状態に亢進する副交感神経活動のバランスを測る指標であるため、生体指標計算部１３１がＬＦ／ＨＦを算出することでドライバの緊張－リラックス状態を踏まえた警告を提示できる。

　その後、生体指標計算部１３１は、算出された自律神経機能指標群をまとめて生体指標データ１６４に格納する（Ｓ１２４）。上記処理によって、生体センサデータ１６３のうち心拍データから、自律神経機能指標を算出し、生体指標データ１６４として格納する。

　なお、生体指標計算部１３１は、上記ステップＳ１３３～Ｓ１３６の処理を並列的に実行してもよいし、順次実行するようにしてもよい。

　図２４は、運行支援サーバ１で行われる、危険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１６４－２が更新される度などの所定のタイミングで実行される。危険予測部１３７は、最新の期間から所定期間までの生体指標データ１６４－２を取得する（Ｓ１１２）。

　次に、モデル選択部１３６は、業務・環境データ１７４から、解析対象のドライバＩＤと、車両ＩＤとを特定し、業務・環境データ１７４に基づき事故リスク予測モデル１７１及び生体状態推定モデル１６９を選択する（Ｓ１１３及びＳ１１４）。事故リスク予測モデル１７１の選択では、例えば、業務・環境データ１７４の車体サイズや、天候、渋滞状況などに基づいて使用するモデルを選択する。

　生体状態推定モデル１６９の選択では、例えば、属性情報データ１７５に格納されたドライバＩＤに対応する生体状態推定モデル１６９の情報などに基づいてモデル選択部１３６が使用するモデルを選択する。

　次に、危険予測部１３７は、選択された事故リスク予測モデル１７１に、解析対象のドライバＩＤの生体指標データ１６４－２を入力して事故リスクを予測し、事故リスク予測データ１６６に格納する（Ｓ１０６Ａ）。なお、上記では事故リスク予測モデル１７１に生体指標データ１６４－２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、業務・環境データ１７４や属性情報データ１７５を事故リスク予測モデル１７１の入力に加えてもよい。

　例えば、属性情報データ１７５に含まれる運転適性診断などで得られた運転技能情報や、Ｔｅｍｐｅｒａｍｅｎｔ　ａｎｄ　Ｃｈａｒａｃｔｅｒ　Ｉｎｖｅｎｔｏｒｙ（ＴＣＩ）、ＴｅｍｐｅｒａｍｅｎｔＥｖａｌｕａｔｉｏｎｏｆｔｈｅＭｅｍｐｈｉｓ，Ｐｉｓａ，Ｐａｒｉｓ，ａｎｄＳａｎＤｉｅｇｏＡｕｔｏｑｕｅｓｔｉｏｎｎａｉｒｅ（ＴＥＭＰＳ－Ａ）、ビッグ・ファイブ・パーソナリティを測定するためのＴｅｎＩｔｅｍＰｅｒｓｏｎａｌｉｔｙＩｎｖｅｎｔｏｒｙ、ＮＥＯ―ＦＦＩなどで得られた性格気質情報を入力することで、ドライバの運転技能や性格も加味して、より精度の高い事故リスクの予測を実現させることができる。

　また、危険予測部１３７は、選択された生体状態推定モデル１６９に、解析対象のドライバＩＤの生体指標データ１６４－２を入力して生体指標データ種別毎に複数の当人深刻度を推定し、当人深刻度データ１６７に格納する（Ｓ１０６Ｂ）。なお、上記では単変量で生体指標データ１６４、生体指標データ１６４－２を入力する例を示したが、以上の他に例えば、危険予測部１３７が多変量の生体指標データ１６４－２を入力して当人深刻度を算出してもよい。

　続いて、危険予測部１３７は、予測された事故リスク予測データ１６６と事故リスクの予測に用いた事故リスク予測モデル１７１と、解析対象のドライバＩＤの生体指標データ１６４－２と、推定された当人深刻度データ１６７とを用いて、事故リスクの予測に寄与した寄与指標を抽出し、寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル１７１情報とを突合して結合テーブル１６８に格納する（Ｓ１０７Ａ）。

　上記処理によって、生体指標データ１６４－２が更新された後などの所定のタイミングにおいて、広義の危険状態を検知して警告を提示するのに用いる寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル情報とが結合テーブル１６８に格納される。

　なお、危険予測部１３７は、上記ステップＳ１１３、Ｓ１１４の処理を並列的に実行してもよいし、順次実行してもよい。

　図２５は、運行支援サーバ１で行われる、警告呈示処理の一例を示すフローチャートである。この処理は、結合テーブル１６８が更新される度などの所定のタイミングで実行される。

　警告呈示部１３８は、アラート定義データ１７２から、警告を呈示する条件である発報定義を読み込む（Ｓ１４１）。発報定義は、事故リスク予測モデル１７１や生体状態推定モデル１６９に応じて複数設定してよい。また、ドライバに対する予測結果報知装置９の音声通知を用いる、ディスプレイに表示する、ドライバ管理者の入出力装置５のディスプレイに表示する、入出力装置５を介してメール通知するなど、警告呈示の対象や方法により複数の発報定義を設定してよい。

　警告呈示部１３８は、結合テーブル１６８の各レコードの事故リスク及び当人深刻度を参照（Ｓ１４２）し、発報定義に設定された閾値を超過したドライバの存在を判定する（Ｓ１０７Ｂ）。

　警告呈示部１３８は、閾値を超過し発報判定に該当するドライバが存在した場合は、提示する警告に含む対策案を生成する（Ｓ１０７Ｃ）。対策案は、結合テーブル１６８の寄与指標に対応する対策案データ１７３を参照して生成される。

　また、対策案には警告を受ける当該ドライバにとっての警告受容性を高めるため、警告呈示部１３８が結合テーブル１６８の寄与指標の当該深刻度を用いて、本人にとってどれほど異常な状態であるのかが分かる情報を付与してもよい。例えば、警告呈示部１３８が「Ｎ年に１回しか起こらない状態です」などの情報を付与してもよい。

　さらに、警告呈示部１３８は、対策案に業務・環境データ１７４や属性情報データ１７５、結合テーブル１６８に基づく情報を追加することができる。例えば、警告呈示部１３８は、結合テーブル１６８に格納された事故リスク予測モデル１７１の情報から、事故リスクが高まるとされた時刻Ｎの情報に基づき、対策案としてフィードバックする内容を更新してもよい。また例えば、業務・環境データ１７４に格納された天気や気温の情報に基づき、警告呈示部１３８がフィードバックの内容を更新してもよい。

　そして、警告呈示部１３８は、業務・環境データ１７４に基づいてドライバＩＤから送信対象の車両ＩＤを取得して、その車両７を送信対象とする。なお、ドライバではなくドライバ管理者を送信対象とする場合には、警告呈示部１３８は、車両ＩＤを取得する代わりに管理者ＩＤを特定し、管理者が操作する運行支援サーバ１の入出力装置５を送信対象としてよい。

　その後、警告呈示部１３８は生成された対策案に、発報判定に該当した発報定義に基づく事故リスクアラートを付与したアラートやメッセージとして警告を送信する（Ｓ１０８）。

　上記処理によって、広義の危険状態に該当すると検知されたドライバの車両に対して警告が送信される。警告を受信した車両７では、予測結果報知装置９がドライバに対して警告を通知する。また、運行支援サーバ１では、警告呈示部１３８が入出力装置５のディスプレイに警告を送信した車両を表示する。

　図２６Ａ、図２６Ｂは、予測結果報知装置９が出力する警告呈示画面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からの警告を受信すると、警告呈示画面１０００Ａを表示する。警告呈示画面１０００Ａは、事故リスクアラートを表示する領域１０１０と、広義の危険状態を回避するための対策案などを表示するコメント領域１０２０とを含む。

　事故リスクアラートを表示する領域１０１０には、例えば、事故リスク増大の警告文１０１１に加え、寄与指標の生体指標データ１６４－２の当人深刻度に基づく情報１０１２を表示することで、単に危険な状態であると通知するだけでなく、「あなたにとっては、半年に１回しか発生しない状態です」など、寄与指標の当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を提示することができ、警告に対するドライバの受容度の向上が期待される。

　なお、当人深刻度に基づく情報１０１２の表示において、対象ドライバ本人の生体指標データ１６４－２のみから生成した生体状態推定モデル１６９に基づいているのか、対象ドライバに類似した生体応答特性を示す複数のドライバの生体指標データから生成した生体状態推定モデル１６９に基づいているのかが、分かるような表示をしてもよい。

　例えば、図２６Ｂの警告呈示画面１０００Ｂでは、事故リスクアラートを表示する領域１０１０における当人深刻度に基づく情報１０１２Ｂを、「あなたに似たドライバには、半年に１回しか発生しない状態です」、のように複数のドライバのデータと比較していることが分かる文面で表示してもよい。

　また例えば、複数のドライバと比較している場合には、そのことが分かるように、どのような群のドライバと比較しているのかに関する情報１０１３を表示してもよい。また、どちらの生体状態推定モデル１６９を利用しているかを、アイコンなどで表示してもよい。以上により、ドライバが警告を「自分事」として捉えやすくなる効果が期待される。

　さらに、警告呈示画面１０００Ａ、１０００Ｂのコメント領域１０２０には例えば、寄与指標に基づく生理状態の解釈１０２１と、広義の危険状態を回避するための具体的な対策案１０２２を呈示することで、警告の呈示を受けたドライバは警告を受けて終わりではなく、危険状態を解消するために次に取るべき行動を理解し、行動を行うことができる。

　なお、本例では警告呈示画面による警告の呈示の例を示したが、その他の方法によって警告を呈示してもよい。例えば、警告呈示画面に表示した内容と同等の内容の文章を機械的に読み上げる形式で警告を提示してもよい。

　＜データ構造＞
　次に、運行支援システムで使用する各データの特徴的な構造について示す。

　図２７Ａは、本発明の運行支援システムにおいて保持される生体指標データ１６４のデータ構造の一例である。生体指標データ１６４には、ドライバＩＤ１４０１、車両ＩＤ１４０２、日時１４０３に加え、生体指標計算部１３１が算出した各種自律神経機能指標が格納される。ここで、自律神経機能指標としては、例えば、周波数領域指標であるＬＦ／ＨＦ１４０４、時間領域指標である平均心拍数１４０５、ＮＮ５０（１４０６）又はＲＲＩ非線形領域指標であるα１（１４０７）などが挙げられる。

　図２７Ｂは、本発明の運行支援システムにおいて保持される業務・環境データ１７４のデータ構造の一例である。業務・環境データ１７４にはドライバの業務中の業務情報や走行環境情報が格納される。

　典型的には、ドライバＩＤ４１１、情報の継続期間を示す開始日時４１２及び終了日時４１３、利用している車両ＩＤ４１４に加え、例えば運転している車両の大きさを示す車両種別４１５、走行エリアにおける代表地点の天気４１６と気温４１７、開始日時４１２から終了日時４１３の期間の業務状態を示す業務種別４１８と、目的地等の業務予定４１９が格納される。

　図２７Ｃは、本発明の運行支援システムにおいて保持される属性情報データ１７５のデータ構造の一例である。属性情報データ１７５には、時変（時間の経過に応じて変化）することが少ないドライバの基本情報が格納される。

　典型的には、ドライバＩＤ１４２１と、基本情報が適用される継続期間である開始日１４２２と終了日１４２３、使用している車両の車両ＩＤ１４２４に加え、運転者適正診断試験等で測定した運転技能情報（例：技能Ａ１４２１５、仮名）、Ｔｅｍｐｅｒａｍｅｎｔ　ａｎｄ　Ｃｈａｒａｃｔｅｒ　Ｉｎｖｅｎｔｏｒｙ（ＴＣＩ）などで測定した性格気質情報（例：性格Ａ（１４２６）、仮名）、性別１４２７、年齢１４２８、運転経験１４２９などが格納される。以上に加えて、ドライバに対して優先的に使用される各種モデル情報として生体状態推定モデルＩＤ１４３０や、事故リスク予測モデルＩＤ１４３１などが格納される。

　図２７Ｄは、本発明の運行支援システムにおいて保持される学習情報データ１７６のデータ構造の一例である。学習情報データ１７６には、生体状態推定モデル１６９を生成する際に利用する情報が格納され、典型的にはドライバＩＤ１４４１と、学習に利用する生体指標データ１６４の期間情報である開始時刻１４４２と終了時刻１４４３が格納される。

　さらに、学習情報データ１７６は、生体状態推定モデル１６９の生成に使用するデータの計測条件を揃える目的で、当該期間情報のデータの計測条件１４４４を格納してもよい。この場合、計測条件１４４４は車載センサデータ１６１－２などから運転データ収集装置１０が自動的に状態を判別して格納（例：高速走行）してもよいし、業務状態入力装置１３０を介してドライバ自身が定められた条件の中から手動で入力（例：昼休憩）してもよい。

　また、生体状態推定モデル１６９を教師ありモデルで生成する場合には、以上に加えて教師ありモデルの生成に必要な目的変数として、例えば主観疲労度をＶＡＳにより計測した値１４４５を格納してもよい。

　図２７Ｅは、本発明の運行支援システムにおいて保持される危険発生データ１６２のデータ構造の一例である。危険発生データ１６２には、ドライバやドライバ管理者や市販の車載警報機などによって検出された危険事象の種別と発生日時とを設定したデータが格納される。

　典型的には、車両ＩＤ１４５１と、危険事象の発生日時１４５２、危険種別１４５３が格納される。また、検出された危険事象に対して目視確認などで事態の深刻さを記録した事象の重要度１４５４を合わせて格納してもよい。

　図２７Ｆは、本発明の運行支援システムにおいて保持される事故リスク予測データ１６６のデータ構造の一例である。

　事故リスク予測データ１６６には、事故リスク予測モデル１７１を用いて生体指標データ１６４－２から判定された事故リスクが格納される。典型的には、ドライバＩＤ１４６１と、日時１４６２と、事故リスクの予測に用いた事故リスク予測モデル１７１のＩＤ１４６３と、予測された危険事象の発生確率（百分率）を示す事故リスク１４６４と、が格納される。

　図２７Ｇは、本発明の運行支援システムにおいて保持される当人深刻度データ１６７のデータ構造の一例である。

　当人深刻度データ１６７には、生体状態推定モデル１６９を用いて生体指標データ１６４－２から判定された当人深刻度が格納される。典型的には、ドライバＩＤ１４７１と、日時１４７２、当人深刻度を推定した生体指標データ１６４－２の種別１４７３、推定に用いた生体状態推定モデル１６９のＩＤ１４７４、当人深刻度１４７５が格納される。

　なお、生体状態推定モデル１６９は生体指標データ種別毎に生成されており、また当人深刻度の算出方法も生体指標データ種別毎に異なることが想定されるため、当人深刻度の出力形式も必ずしも一定であるとは限らない。

　例えば１行目のレコードでは、生体指標データ１６４－２の生体データ種別１４７３が「平均心拍数」について正規分布で近似した統計量を出力しており、当人深刻度１４７５が、標準偏差（ＳＤ）を用いて平均から「＋４ＳＤ」の値であることを示している。

　また、例えば２行目のレコードでは、ＮＮ５０について、データ分布上の分位点を出力しており、当人深刻度１４７５が、モデル構築に利用したデータ集合のうち９９％分位点に該当する値であることを示している。

　図２７Ｈは、本発明の運行支援システムにおいて保持される結合テーブル１６８のデータ構造の一例である。結合テーブル１６８は警告呈示処理において利用する値を突合して生成されたテーブルである。

　典型的にはドライバＩＤ４８１と、車両ＩＤ４８２、日時４８３、予測に利用した事故リスク予測モデルＩＤ４８４、予測された事故リスク４８５、事故リスク予測に寄与した生体指標データ種別である寄与指標４８６、寄与指標に関して生体状態の推定に用いた生体状態推定モデルＩＤ４８７、寄与指標に関する当人深刻度４８８が格納される。

　さらに、あるレコードが広義の危険状態にあると判定された場合に、警告呈示部１３８がすでに警告を呈示したか否かを管理するフラグである発報済フラグ４８９を格納してもよい。

　図２７Ｉは、本発明の運行支援システムにおいて保持されるアラート定義データ１７２のデータ構造の一例である。アラート定義データ１７２には広義の危険状態に該当するか否かを判定する際に用いる判定条件が格納される。

　典型的にはアラートＩＤ１４９１と、事故リスク閾値１４９２、当人深刻度閾値１４９３が格納される。この他に例えば、当人深刻度閾値１４９３を利用するにあたって寄与指標に限定を加えるための寄与指標条件１４９４や、業務中の対象天候を限定する天候条件１４９５や、アラートの判定を実施する際に特定の出力形式で得られた当人深刻度しか判定対象としないように限定する当人深刻度種別１４９６などを格納してもよい。

　図２７Ｊは、本発明の運行支援システムにおいて保持される対策案データ１７３のデータ構造の一例である。対策案データには、警告呈示における対策案の生成に用いる情報が格納される。

　典型的には対策案の案ＩＤ１５０１と、当該対策案を呈示する条件となる寄与指標１５０２、寄与指標の状態を示す現象１５０３、寄与指標の現象から想定されるドライバの生理状態の解釈１５０４、該当する広義の危険状態を回避するための対策案１５０５が格納される。

　また、例えば対策案１５０５は、同一の寄与指標１５０２と、現象１５０３、解釈１５０４に対して複数設定してもよい。この場合、対策案１５０５を呈示する優先度１５０６をさらに格納してもよい。

　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１６４－２を、事故リスク予測モデル１７１へ入力して算出された事故リスク予測データ１６６と、生体状態推定モデル１６９へ生体指標データ１６４－２を入力して算出された当人深刻度データ１６７とに基づいて広義の危険状態に該当するかを検知する。

　これにより、本実施例の運行支援サーバ１は、生体指標データ１６４－２の個人差を吸収した上で、車両７の挙動に現れる以前に危険状態を検知することが可能となる。また、運行支援サーバ１は、広義の危険状態に該当する際には事故リスクの予測に寄与した寄与指標に基づいて、広義の危険状態を回避するための対策案を含む警告を呈示することで、警告を受けたドライバ自身が、広義の危険状態を回避するために必要な行動を取ることができる。以上により、運行支援サーバ１は、車両７のドライバに対して広義の危険状態を未然に回避させることが可能となる。

　なお、上記実施例３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本発明を適用することができる。

　次に、本発明の実施例４を説明する。以下に説明する相違点を除き、実施例４の運行支援システムの各部は、実施例３の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

　図２８は、実施例４の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４においては、事故リスクを推定する際に、生体指標データの個人差を考慮して算出する点について説明する。

　生体指標データ１６４－１を生体状態推定モデル１６９へ入力して当人深刻度データ１６７Ａ（第１の当人深刻度）を算出して（Ｓ１０６Ｃ）、事故リスク予測モデル生成部１３５へ入力する。

　事故リスク予測モデル生成部１３５は、生体指標データ１６４－１と事故リスク推定データ１６５に加えて当人深刻度データ１６７Ａを入力として事故リスク予測モデル１７１を生成する（Ｓ１０４）。

　そして、危険予測部１３７は、生体指標データ１６４－２を生体状態推定モデル１６９へ入力して当人深刻度データ１６７Ｂ（第２の当人深刻度）を算出して（Ｓ１０６Ｂ）、当人深刻度データ１６７Ｂを事故リスク推定部１３３へ出力する。事故リスク推定部１３３は、事故リスク予測モデル１７１の入力に生体指標データ１６４－２に加えて当人深刻度データ１６７Ａを入力する（Ｓ１０６Ａ）。

　なお、ステップＳ１０７Ａの危険予測部１３７が当人深刻度データ１６７Ｂを用いて寄与指標を抽出して結合テーブル１６８を生成する処理は前記実施例３と同様である。

　よって、危険予測部１３７が行う寄与指標の抽出・結合処理では、事故リスク推定に寄与した入力を生体指標データ１６４－２及び当人深刻度データ１６７Ｂの中から選択して寄与指標とし、生体指標データ１６４－２が選択された場合には選択された種別の生体指標データ１６４－２の当人深刻度を結合テーブル１６８に格納し、当人深刻度データ１６７Ｂが選択された場合にも選択された種別の当人深刻度データ１６７Ｂを結合テーブル１６８に格納する。

　以上により、実施例４は、前述した警告呈示の判定に加え、事故リスク推定においても、生体指標データ１６４の個人差を考慮して事故リスクを推定することが可能となり、より精度の高い事故リスクの予測を実現可能とする効果が得られる。

　次に、本発明の実施例５を説明する。以下に説明する相違点を除き、実施例５の運行支援システムの各部は、実施例３の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

　図２９は、実施例５の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。図２９では前記図１９の処理概要のうち学習フェーズを割愛し、運用フェーズの差異について処理の概要を記載している。

　実施例５の運行支援サーバ１は、危険予測部１３７が結合テーブル１６８へレコードを追加した後に警告呈示部１３８が都度警告呈示を行うのではなく、警告呈示対象の一覧をドライバ管理者に提示し、ドライバ管理者が手動でドライバの運行を支援するために介入を行えるようにする例である。

　運行支援サーバ１の危険予測部１３７が結合テーブル１６８を更新する度、もしくは一定の周期で、警告呈示部１３８は結合テーブル１６８を読み込んでドライバ管理者が介入を行う可能性のある介入候補を更新する（Ｓ１５）。例えば、結合テーブル１６８のうち、発報済フラグ４８９が「済」ではなく、かつ運行当日の直近Ｎ時間のレコード群のみを抽出する。

　その後、警告呈示部１３８は、抽出したレコード群に対して前述の手法で発報判定を行い、広義の危険状態に該当するレコード群を抽出する（Ｓ１０７Ｂ）。広義の危険状態に該当するレコード群が存在する場合、警告呈示部１３８は、そのレコード群それぞれに対して、広義の危険状態を回避するための対策案を生成する（Ｓ１０７Ｃ）。

　警告呈示部１３８は、入出力装置５のディスプレイに対して、対策案が生成されたレコード群である警告先の一覧を表示する（Ｓ１１６）。警告先の一覧表示では、ドライバ管理者の手動による介入が必要であると考えられる警告先が上位に優先的に表示され、ドライバ管理者による介入が可能となっている。

　例えば、警告呈示部１３８が業務・環境データ１７４と、広義の危険状態に該当するレコード群とを比較し、業務都合上の理由で呈示される対策案をドライバ自身の裁量では取ることができないレコード群を上位にリストアップして表示することができる。

　入出力装置５は、ディスプレイに表示された警告先一覧に基づく、ドライバ管理者によるドライバへの介入を受け付ける（Ｓ１１７）。例えば、対策案として「近くの休憩可能なポイントで休憩してください」という内容が表示されたが近隣に休憩ポイントが無く、かつ荷物の納品時間が迫っているドライバに対して、ドライバ管理者は警告先の一覧表示に表示された当該ドライバとの音声通信を行うためのインタフェースを利用して、ドライバ本人の状態を確認することができる。

　そして、当該ドライバが直ちに休憩する必要が無いと確認された場合、ドライバ管理者が納品終了後に休憩可能なポイントを案内することで、次善の対策案をドライバに対して呈示することができる。

　また、例えば「眠気が高まっており休憩が必要」が度々警告されるドライバに対し、ドライバ管理者が本人の状態を確認し、当初の業務スケジュールの遂行が難しいと判断した場合、当日の業務スケジュールの後半部や翌日の朝一に予定されていた業務を一部割愛することで、当該ドライバの業務量を調整し、休息を取らせることができる。

　図３０は、入出力装置５のディスプレイが出力する警告先一覧画面２０００の一例を示す図である。警告呈示部１３８が抽出した介入候補を更新して対策案を生成すると、入出力装置５は警告先一覧を更新して警告先一覧画面２０００を表示する。

　警告先一覧画面２０００の最上部には、現在時刻２００１と、警告先一覧画面２０００を閲覧中のドライバ管理者のＩＤである管理者ＩＤ２００２が表示されている。警告先一覧２００３には、警告呈示部１３８が抽出及び生成した対策案が生成されたレコード群が表形式で表示されている。レコード群は各列毎に図中下向きの三角のボタンを押下することで、ドライバ管理者が重視して確認したい要素で優先順位をつけてソートすることが可能である。

　下部の領域２００５には、ドライバ管理者が対応のために選択したレコードに該当するドライバの詳細が表示されている。図示の例では警告先一覧２００３のうちレコード２００４に該当するドライバＩＤが「ＺＡＸ００１」の情報が表示されている。

　領域２００５には当該ドライバの位置を地図上に示す現在位置２０１１や、選択したレコード２００４に関わる対策案２０１２や、当該ドライバの業務予定２０１３、ドライバの業務状況を示す備考２０１４、ドライバと直接コミュニケーションを取るためのドライバ連絡ボタン２０１５が表示されている。この他に、寄与指標に関する生体指標データ１６４の当該日における時間推移を合わせて表示してもよい。

　ドライバの現在位置２０１１には、地図上に対象ドライバの位置２０２１と当該日の走行ルート実績２０２２（実線）と走行予定ルート２０２２（点線）が示されている。また、当該ドライバの周辺にいる他ドライバの位置２０２３も地図上に表示されている。

　ドライバ管理者はレコード２００４や対策案２０１２、業務予定２０１３などを参考に、ドライバが自身の裁量で対応策を実行可能であるかや、直接ドライバの状況を確認する必要があるかを警告先一覧画面２０００を通じて判断する。そして、ドライバ管理者は、必要に応じてドライバ連絡ボタン２０１５を押下してドライバと直接対話することで広義の危険状態を回避するために手動で介入することができる。

　以上により、ドライバ管理者は当該ドライバ自身の裁量では実行が難しい対策案２０１２を実行させる、又は対策案２０１２とは異なる次善の対策案を実行させることで、広義の危険状態を回避させ、管理するドライバ群の安全な運行を支援することが可能となる。

　以上のように、実施例５では、広義の危険状態にあるがドライバの裁量では実現することが難しい対策案について、ドライバ管理者がドライバ本人の状態を踏まえて対策案を実施させる許可を与えることで、当該ドライバは広義の危険状態を回避するためのより根本的な対策案を取ることが可能になる。この結果、運行支援システムは、ドライバはより柔軟な対策案を取って広義の危険状態を回避することが可能になることを支援できるという効果が得られる。

　上記実施例３～５によれば、事故リスク予測モデルと生体状態推定モデルと生体データに基づいて広義の危険状態（危険事象）を検知することができるようになる。その結果、広義の危険状態に基づいて発報の要否を判断することができ、さらには、広義の危険状態を回避するための対策案を提示することができる。

　＜結び＞
　以上のように、上記実施例１、２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第１の生体センサデータ（生体センサデータ４１）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第２の生体センサデータ（４１）を取得して、前記第２の生体センサデータ（４１）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第１の生体データ（生体センサデータ４１）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、前記第２の生体センサデータ（４１）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の和から自律神経トータルパワーを算出し、生体指標データ（自律神経トータルパワー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、前記第１の生体センサデータ（４１）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。

　また、上記実施例３～５の運行支援サーバ１は、以下のような構成とすることができる。

　（１９）プロセッサ（２）とメモリ（３）を有する計算機（運行支援サーバ１）が、車両（７）の運行を支援する運行支援方法であって、前記（１）計算機が（１）、過去に収集した車両（７）の走行状態を示す第１の車載センサデータ（１６１－１）と、予め設定された危険発生データ（１６２）とを入力として、危険事象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（７０）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（１６１－２）を前記事故リスク定義モデル（７０）へ入力して、危険事象が発生する確率を推定して事故リスク推定データ（１６５）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（１６１－２）を収集したときの運転者の第１の生体センサデータ（生体センサデータ１６３）から予め算出した第１の生体指標データ（１６４－１）と、前記事故リスク推定データ（１６５）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（１７１）を生成する第３のステップと、前記計算機が、予め算出した第３の生体指標データ（１６４－３）を入力して、当人深刻度（当人深刻度データ１６７）を算出する生体状態推定モデル（１６９）を生成する第４のステップと、前記計算機が、前記車両（７）の生体センサ（１２）から運転中のドライバの第２の生体センサデータ（１６３）を取得して、前記第２の生体センサデータ（１６３）から前記運転者の状態を示す第２の生体指標データ（１６４－２）を算出する第７のステップと、前記計算機が、前記第２の生体指標データ（１６４－２）を前記事故リスク予測モデル（１７１）に入力して前記事故リスクを予測し、前記第１の生体指標データ（１６４－２）を前記生体状態推定モデル（１６９）に入力して前記当人深刻度（１６７）を算出する第８のステップと、前記計算機が、前記予測された前記事故リスク（事故リスク予測データ１６６）及び算出された前記当人深刻度（１６７）に基づき警告の発報の有無を判定する第９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、事故リスク予測モデル１７１と生体状態推定モデル１６９と生体指標データ１６４に基づいて広義の危険状態（危険事象）を検知することが可能となる。

　（２０）上記（１９）に記載の運行支援方法であって、前記計算機が、前記警告を発報すると判定された場合に、前記事故リスク予測モデル（７１）と、前記事故リスク（１６６）と、前記事故リスク（１６６）の予測に寄与した前記生体データ種別である寄与指標を抽出する第１０のステップと、前記計算機が、前記寄与指標に関する当人深刻度（６７）に基づき危険事象を回避するための対策案を生成する第１１のステップと、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、事故リスク予測モデル１７１と生体状態推定モデル１６９と生体指標データ１６４に基づいて広義の危険状態（危険事象）を検知して、警告を発報する場合には広義の危険状態を回避するための対策案を提示することができる。

　（２１）上記（２０）に記載の運行支援方法であって、前記計算機が、前記危険事象を回避するための対策案（対策案データ１７３）を含む警告を生成して出力する第１２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、事故リスク予測モデル１７１と生体状態推定モデル１６９と生体指標データ１６４に基づいて広義の危険状態（危険事象）を検知して、警告を発報する場合には広義の危険状態を回避するための対策案を生成して警告することができる。

　（２２）上記（１９）に記載の運行支援方法であって、前記第４のステップでは、前記第１の生体指標データ（１６４－１）と、少なくとも前記第１の生体指標データ（１６４－１）のうち前記生体状態推定モデル（１６９）の生成に用いるための対象期間を含む学習情報データ（１７６）とを入力として、前記当人深刻度（１６７）を算出する前記生体状態推定モデル（１６９）を生成することを特徴とする運行支援方法。

　上記構成により、生体状態推定モデル生成部１３４は、クラスタリングを行うために入力する生体指標データ１６４－３を選択するに際して、学習情報データ１７６に基づいて同一の計測条件で計測された生体指標データ１６４－３のみを選択し、学習情報データ１７６に格納された期間の生体指標データ１６４－３のみを入力してもよい。これにより、計測条件がコントロールされ、生体指標データ１６４－３のばらつきが抑えられることが期待される。

　（２３）上記（２１）に記載の運行支援方法であって、前記第８のステップでは、前記事故リスク（１６６）と前記寄与指標と前記寄与指標に関する前記当人深刻度（１６７）とを関連付けて記憶した結合テーブル（１６８）を生成することを特徴とする運行支援方法。

　上記構成により、生体指標データ１６４－２が更新された後などの所定のタイミングにおいて、広義の危険状態を検知して警告を提示するのに用いる寄与指標と寄与指標の当人深刻度と事故リスクと事故リスク予測モデル情報とが結合テーブル１６８に格納される。

　（２４）上記（２１）に記載の運行支援方法であって、前記第１２のステップでは、前記当人深刻度（１６７）に基づく情報と、前記危険事象を回避するための対策案（１７３）を含む警告を表示することを特徴とする運行支援方法。

　上記構成により、事故リスクアラートを表示する領域１０１０には、例えば、事故リスク増大の警告文１０１１に加え、寄与指標の生体指標データ１６４－２の当人深刻度に基づく情報１０１２を表示することで、単に危険な状態であると通知するだけでなく、「あなたにとっては、半年に１回しか発生しない状態です」など、寄与指標の当人深刻度に基づくドライバ本人にとっての理解可能な形で警告を提示することができ、警告に対するドライバの受容度の向上が期待される。

　（２５）上記（１９）に記載の運行支援方法であって、前記計算機が、前記第１の生体指標データ（１６４－１）を前記生体状態推定モデル（６９）に入力して第１の当人深刻度（６７Ａ）を算出する第１３のステップを、さらに含み、前記第３のステップでは、前記第２の車載センサデータ（１６１－２）を収集したときのドライバの第１の生体センサデータ（１６３）から予め算出した第１の生体指標データ（１６４－１）と、前記事故リスク推定データ（１６５）と、前記第１の当人深刻度（１６７）と、を入力として、所定時間後の事故リスク（１６６）を予測する事故リスク予測モデル（１７１）を生成し、前記第８のステップでは、前記第２の生体指標データ（１６４－２）を前記生体状態推定モデル（１６９）に入力して第２の当人深刻度（１６７Ｂ）を算出し、前記第２の生体指標データ（１６４－２）と第２の当人深刻度（１６７Ｂ）とを前記事故リスク予測モデル（１７１）に入力して前記事故リスク（１６６）を予測する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、警告呈示の判定の他に、生体指標データ１６４を用いた事故リスク推定においても生体指標データ１６４の個人差を考慮して事故リスクを推定することが可能となり、より精度の高い事故リスクの予測を実現可能とする効果が得られる。

　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。

Claims

　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、
　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、
　前記計算機が、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、
　前記計算機が、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第１の生体センサ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、
　前記計算機が、車両を運転中の運転者の第２の生体センサデータを取得して、前記第２の生体センサ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、
　前記計算機が、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、
を含むことを特徴とする運行支援方法。
　請求項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。
　請求項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、
　前記第２の生体センサ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。
　請求項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。
　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。
　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、運転者の生体センサ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センサデータとして取得した第１の生体センサ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第２の生体センサデータを取得して、前記第２の生体センサ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、
を有することを特徴とする運行支援システム。
　請求項６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。
　請求項６に記載の運行支援システムであって、
　前記生体指標計算部は、
　前記第２の生体センサ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前記第２の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。
　請求項８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。
　請求項７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。
　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第１の生体センサ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第２の生体センサデータを取得して、前記第２の生体センサ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、
を有することを特徴とする運行支援サーバ。
　請求項１１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。
　請求項１１に記載の運行支援サーバであって、
　前記生体指標計算部は、
　前記第２の生体センサ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前記第２の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。
　請求項１３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。
　請求項１２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。
　請求項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、
　前記第２の生体センサ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として算出して前記第２の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。
　請求項６に記載の運行支援システムであって、
　前記生体指標計算部は、
　前記第２の生体センサ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。
　請求項１１に記載の運行支援サーバであって、
　前記生体指標計算部は、
　前記第２の生体センサ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。
　請求項１に記載の運行支援方法であって、
　前記第３のステップは、
　予め算出した第３の生体センサデータを入力して、当人深刻度を算出する生体状態推定モデルを生成する当人深刻度算出ステップを、さらに含み、
　前記運行支援方法は、
　前記計算機が、前記車両の生体センサから運転中の運転者の前記第２の生体センサデータを取得して、前記第２の生体センサ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７のステップと、
　前記計算機が、前記第２の生体指標データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、前記第２の生体指標データを前記生体状態推定モデルに入力して前記当人深刻度を算出する第８のステップと、
　前記計算機が、前記予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する第９のステップと、
を含むことを特徴とする運行支援方法。
　請求項１９に記載の運行支援方法であって、
　前記計算機が、前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標を抽出する第１０のステップと、
　前記計算機が、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成する第１１のステップと、
をさらに含むことを特徴とする運行支援方法。
　請求項２０に記載の運行支援方法であって、
　前記計算機が、前記対策案を含む警告を生成して出力する第１２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。
　請求項１９に記載の運行支援方法であって、
　前記第３のステップの前記当人深刻度算出ステップでは、
　前記第１の生体指標データと、少なくとも前記第１の生体指標データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする運行支援方法。
　請求項２０に記載の運行支援方法であって、
　前記第８のステップでは、
　前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする運行支援方法。
　請求項２１に記載の運行支援方法であって、
　前記第１２のステップでは、
　前記当人深刻度に基づく情報と、前記対策案を含む警告を表示することを特徴とする運行支援方法。
　請求項１９に記載の運行支援方法であって、
　前記計算機が、前記第１の生体指標データを前記生体状態推定モデルに入力して第１の当人深刻度を算出する第１３のステップを、さらに含み、
　前記第３のステップでは、
　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第１の生体センサ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、前記第１の当人深刻度と、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生成し、
　前記第８のステップでは、
　前記第２の生体指標データを前記生体状態推定モデルに入力して第２の当人深刻度を算出し、前記第２の生体指標データと第２の当人深刻度とを前記事故リスク予測モデルに入力して前記事故リスクを予測することを特徴とする運行支援方法。
　請求項６に記載の運行支援システムであって、
　前記サーバは、
　予め算出した第３の生体指標データを入力して、当人深刻度を算出する生体状態推定モデルを生成する生体状態推定部と、
　前記第２の生体指標データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、また前記生体状態推定モデルに入力して前記当人深刻度を算出する危険予測部と、
　予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する警告呈示部と、
をさらに有することを特徴とする運行支援システム。
　請求項２６に記載の運行支援システムであって、
　前記警告呈示部は、
　前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標と、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成することを特徴とする運行支援システム。
　請求項２７に記載の運行支援システムであって、
　前記警告呈示部は、
　前記対策案を含む警告を生成して出力することを特徴とする運行支援システム。
　請求項２６に記載の運行支援システムであって、
　前記生体状態推定部は、
　前記第１の生体指標データと、少なくとも前記第１の生体指標データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする運行支援システム。
　請求項２７に記載の運行支援システムであって、
　前記危険予測部は、
　前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする運行支援システム。
　請求項２６に記載の運行支援システムであって、
　前記危険予測部は、
　前記当人深刻度に基づく情報と、危険事象を回避するための対策案を含む警告を表示することを特徴とする運行支援システム。
　請求項２６に記載の運行支援システムであって、
　前記危険予測部は、前記第１の生体指標データを前記生体状態推定モデルに入力して第１の当人深刻度を算出し、
　前記事故リスク予測モデル生成部は、
　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第１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、前記第１の当人深刻度と、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生成し、
　前記危険予測部は、
　前記第２の生体指標データを前記生体状態推定モデルに入力して第２の当人深刻度を算出し、前記第２の生体指標データと第２の当人深刻度とを前記事故リスク予測モデルに入力して前記事故リスクを予測することを特徴とする運行支援システム。
　請求項１１に記載の運行支援サーバであって、
　予め算出した第３の生体指標データを入力して、当人深刻度を算出する生体状態推定モデルを生成する生体状態推定部と、
　前記第２の生体指標データを前記事故リスク予測モデルに入力して前記事故リスクを予測し、また前記生体状態推定モデルに入力して前記当人深刻度を算出する危険予測部と、
　予測された前記事故リスク及び算出された前記当人深刻度に基づき警告の発報の有無を判定する警告呈示部と、
をさらに有することを特徴とする運行支援サーバ。
　請求項３３に記載の運行支援サーバであって、
　前記警告呈示部は、
　前記警告を発報すると判定された場合に、前記事故リスク予測モデルと、前記事故リスクと、前記事故リスクの予測に寄与した生体データ種別である寄与指標と、前記寄与指標に関する当人深刻度に基づき危険事象を回避するための対策案を生成することを特徴とする運行支援サーバ。
　請求項３４に記載の運行支援サーバであって、
　前記警告呈示部は、
　前記対策案を含む警告を生成して出力することを特徴とする運行支援サーバ。
　請求項３３に記載の運行支援サーバであって、
　前記生体状態推定部は、
　前記第１の生体指標データと、少なくとも前記第１の生体指標データのうち前記生体状態推定モデルの生成に用いるための対象期間を含む学習情報データとを入力として、前記当人深刻度を算出する前記生体状態推定モデルを生成することを特徴とする運行支援サーバ。
　請求項３４に記載の運行支援サーバであって、
　前記危険予測部は、
　前記事故リスクと前記寄与指標と前記寄与指標に関する前記当人深刻度とを関連付けて記憶した結合テーブルを生成することを特徴とする運行支援サーバ。
　請求項３３に記載の運行支援サーバであって、
　前記危険予測部は、
　前記当人深刻度に基づく情報と、危険事象を回避するための対策案を含む警告を表示することを特徴とする運行支援サーバ。