WO2022259881A1 - 運行管理補助システムおよび運行管理補助方法 - Google Patents

運行管理補助システムおよび運行管理補助方法 Download PDF

Info

Publication number
WO2022259881A1
WO2022259881A1 PCT/JP2022/021596 JP2022021596W WO2022259881A1 WO 2022259881 A1 WO2022259881 A1 WO 2022259881A1 JP 2022021596 W JP2022021596 W JP 2022021596W WO 2022259881 A1 WO2022259881 A1 WO 2022259881A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
operation management
driver
processor
association
Prior art date
Application number
PCT/JP2022/021596
Other languages
English (en)
French (fr)
Inventor
奈桜 伊藤
毅 田中
俊輔 三幣
裕之 栗山
公則 佐藤
Original Assignee
株式会社日立物流
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立物流 filed Critical 株式会社日立物流
Priority to CN202280040215.9A priority Critical patent/CN117461064A/zh
Publication of WO2022259881A1 publication Critical patent/WO2022259881A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Definitions

  • the present invention relates to an operation management assistance system and an operation management assistance method that assist operation management.
  • the autonomic neural function is estimated by applying time-frequency domain analysis with a certain short time width from the heartbeat interval, and the estimated ANF is analyzed to analyze the driver's health condition, fatigue level, Furthermore, technology development is progressing to estimate the risk of accidents caused by these factors and feed back the estimated results to the driver or his manager.
  • technologies are being developed for measuring and analyzing biological data on the premise that certain conditions persist, such as when the person is at rest or when driving.
  • Patent Literature 1 discloses an automotive user hospitality system that detects the state of a user and autonomously controls the operation of an in-vehicle device in the form most desired by the user based on the detection result.
  • the contents of the operation of the hospitality operation part change according to the contents of the user biological characteristic information, so that the effect of service (hospitality) to the user when using the automobile can be changed according to the mental state or physical condition of the user.
  • Further optimization can be achieved.
  • the reference reference information for the operation control for the specified function is extracted from the function extraction matrix, and the physical condition or mental state reflected in the separately acquired user biological characteristic information is added to the reference reference information. , the operation content of the selected function can be optimized.
  • Patent Document 1 Assume that the technology of Patent Document 1 is applied to the situation where the accident risk is estimated and fed back. For example, assume that the scene is “driving”, the physical/mental state of the user is estimated to be “drowsy”, and the purpose of hospitality while driving includes “prevention of falling asleep (improving safety)". . In this case, among possible accidents, the risk of occurrence of "drowsy driving" can be reduced.
  • the purpose of the present invention is to realize accident risk estimation corresponding to a plurality of different situations.
  • An operation management assistance system that is one aspect of the invention disclosed in the present application is an operation management assistance system that includes a processor that executes a program and a storage device that stores the program. Accessible to a first set of association data that associates biometric data relating to a living body with work status data relating to the work status of the driver, and a second set of risk determination results indicating the risk of driving by the driver. wherein the processor acquires, from the first set, a group of association data relating to the specific work status of the driver for each work status, and from the second set, a specific risk determination in the specific work status of the driver.
  • FIG. 1 is an explanatory diagram showing a system configuration example of an operation management assistance system.
  • FIG. 2 is a block diagram showing a hardware configuration example of an operation management assistance system.
  • FIG. 3 is a flow chart of a series of processes from acquiring biometric data to estimating an accident risk and presenting the results in the operation management assistance system.
  • FIG. 4 is an explanatory diagram showing a configuration example of biometric data.
  • FIG. 5 is an explanatory diagram showing a configuration example of business status data.
  • FIG. 6 is an explanatory diagram showing a configuration example of a danger determination DB.
  • FIG. 7 is a flow chart showing an example of a biometrics-business status DB or biometrics-business status data acquisition process procedure.
  • FIG. 8 is a graph showing an example of heart rate variability.
  • FIG. 8 is a graph showing an example of heart rate variability.
  • FIG. 9 is a graph showing temporal changes in RR.
  • FIG. 10 is a graph showing an example of a frequency spectrum of time change of RR.
  • FIG. 11 is an explanatory diagram showing an example of processing for acquiring biometric measurement-business status data from biometric data and business status data.
  • FIG. 12 is an explanatory diagram showing a configuration example of acquired biometric measurement-business status data.
  • FIG. 13 is a flowchart showing a detailed processing procedure example of the process (step S103) for generating or updating the model for estimating the accident risk shown in FIG.
  • FIG. 14 is an explanatory diagram showing an example of training an estimation model using data classified by business status label.
  • FIG. 15 is a flowchart showing a detailed processing procedure example of the accident risk estimation process (step S104) by the accident risk estimation program shown in FIG.
  • FIG. 16 is a flowchart showing a detailed processing procedure example of the estimation result display process (step S105) shown in FIG.
  • FIG. 17 is an explanatory diagram showing an example of the accident risk estimation process (step S104).
  • FIG. 18 is an explanatory diagram showing an example of feedback presented by the process of presenting the estimation result (step S105) when the estimation result is "dangerous" or a situation corresponding thereto.
  • FIG. 19 is an explanatory diagram showing an example of feedback that allows the driver or manager to refer to the transition of past accident risks after the end of work on the day the biometric data was acquired, or after the next day.
  • FIG. 1 is an explanatory diagram showing a system configuration example of an operation management assistance system.
  • the operation management assistance system 1 includes at least the operation management assistance device out of the vehicle V, the operation management assistance device 2, the driving data collection device 15, the prediction result display terminal 31, the biometric data collection device 32, and the business status data collection device 33. 2.
  • the vehicle V, the operation management auxiliary device 2, the driving data collection device 15, the prediction result display terminal 31, the biometric data collection device 32, and the work state data collection device 33 can communicate via the network 100, respectively.
  • the vehicle V includes a position sensor 11, an inter-vehicle distance sensor 12, a speedometer 13, an acceleration sensor 14, and a driving data collection device 15.
  • the position sensor 11, the inter-vehicle distance sensor 12, the speedometer 13, and the acceleration sensor 14 are examples of sensor devices mounted on the vehicle V (in-vehicle sensors).
  • the position sensor 11 measures the current position of the vehicle using a global positioning satellite system (GNSS: (Global Navigation Satellite System)).
  • GNSS Global Navigation Satellite System
  • the vehicle-to-vehicle distance sensor 12 detects the vehicle-to-vehicle distance to a vehicle traveling in front.
  • the speedometer 13 detects the traveling speed of the vehicle V.
  • the acceleration sensor 14 detects the acceleration of the vehicle V.
  • the driving data collection device 15 is mounted on the vehicle V, acquires the measurement data of the in-vehicle sensor of the vehicle V, and transmits it to the operation management auxiliary device 2. Note that the driving data collection device 15 may be installed outside the vehicle V and receive data from the vehicle-mounted sensors described above via the network 100 .
  • the prediction result display terminal 31 displays the estimation result of the risk of encountering an accident while driving (hereinafter referred to as "accident risk") by the operation management auxiliary device 2.
  • accident risk the estimation result of the risk of encountering an accident while driving
  • the details of the method of estimating the accident risk and the display image of the prediction result will be described later.
  • the biometric data collection device 32 acquires the driver's measurement data from the biometric instrument and transmits it to the operation management auxiliary device 2 .
  • the bioinstruments used in the example of FIG. 1 include, for example, a heart rate monitor 34, a thermometer 35 and a blood pressure monitor .
  • the driver or manager measures the driver's biometric data using a biometric instrument before starting work for the day, during driving work, during work other than driving, and after work ends, for example.
  • the work status data collection device 33 acquires the details of the work actually performed by the driver as work status data in association with the date and time, and transmits them to the operation management auxiliary device 2 .
  • the driver may input the details of the day's work to the work status data collection device 33 after finishing the work for the day.
  • the work state data collection device 33 may estimate the flow of the driver's work state from the driving data acquired by the driving data collection device 15 and use it as work state data.
  • the work status data collection device 33 collects the driver's behavior data such as the driver's acceleration and position information, and the video capturing the state during work from the biometric data collection device 32, and collects the collected behavior data.
  • Each business state and its flow may be estimated from the above and used as business state data.
  • the loading 331, unloading 332, and break 333 are, for example, input means installed in the driver's seat of the vehicle V, and are buttons operated by the driver.
  • the work status data collection device 33 collects data indicating the pressed state. It should be noted that time information including button pressing time may be acquired here. Further, while the vehicle V is running, the work status data collection device 33 collects data indicating that the vehicle V is running.
  • the operation management auxiliary device 2 holds multiple programs for processing and data processed by the multiple programs.
  • Programs executed by the operation management assisting device 2 include a risk determination program 211, an estimation model training program 212, a biometric measurement-business status label association program 213, an accident risk estimation program 214, and an estimation result presentation program 215.
  • the data held by the operation management assistance device 2 includes biometric measurement data 221, business status data 222, vehicle sensor data 223, biometric measurement-business status data 224, accident risk estimation model 225, and training data 23.
  • the training data 23 specifically includes, for example, a biometric measurement-work condition DB 231 and a danger determination DB 232.
  • the biometric data 221 is the measured biometric data of the driver.
  • the biometric data 221 includes, for example, biometric data measured during work including driving work, biometric data measured while no work is being performed such as waiting or resting, or a combination of some or all of these.
  • the work status data 222 is data that indicates the specific work status experienced by the driver during work. Specific examples of work include driving, loading, unloading, waiting, resting, and the like. In addition, tasks such as driving, loading, and unloading may be further classified according to the type of road traveled, the region traveled, or the type of goods transported.
  • the biometrics-business status data 224 is data generated from the biometrics data 221 and the business status data 222 by the biometrics-business status label association program 213 .
  • the biometric measurement-business status data 224 is data that enables the identification of what business the driver was doing at the time when each value of the biometric data was measured on the same day of the same driver.
  • the biometric measurement-business status data 224 is data in which the biometric data 221 and the business status data 222 at each point in time are associated with each other.
  • the in-vehicle sensor data 223 is data used in the danger determination program 211.
  • the in-vehicle sensor data 223 is data related to driving operation, vehicle behavior, positional information, etc. received from the driving data collection device 15 .
  • the accident risk estimation model 225 is a model for estimating the accident risk of the driver encountering an accident using the biometric measurement-work condition data 224 by the accident risk estimation program 214.
  • the accident risk estimation model 225 exists for each type of work condition label 502 in the biometric-work condition data 224 . Furthermore, the accident risk estimation model 225 may exist for each time period for each type of business status label 502 .
  • the training data 23 is data used for the estimation model training program 212.
  • the biometrics-business state DB 231 in the training data 23 includes biometrics-business state data 224 acquired in the past.
  • the danger determination DB 232 includes data acquired by the danger determination program 211 and the in-vehicle sensor data 223 . This data indicates whether or not driving in the scene in which the past biometric measurement-work condition data 224 was measured was determined to be dangerous.
  • the risk determination program 211 is a program for determining whether or not the driver's driving is dangerous. Any technique can be used to determine whether or not there is danger by the danger determination program 211, and the criteria depend on the design. Examples of driving that is determined to be unsafe include sudden braking, sudden acceleration, vehicle speeds that are too high for the legal speed limit, too narrow inter-vehicle distances, and the like.
  • the risk determination program 211 determines various dangerous driving operations from the in-vehicle sensor data 223 (measurement data of the in-vehicle sensor). For example, it is determined from data detected by the acceleration sensor 14 whether the vehicle is braking suddenly or starting abruptly, and whether or not the inter-vehicle distance is too narrow is determined from the data detected by the inter-vehicle distance sensor 12 . Whether or not the vehicle V complies with the legal speed limit is determined based on data detected by the position sensor 11 , map information (not shown), and data detected by the speedometer 13 .
  • the risk determination data in the risk determination DB 232 may be data indicating the degree of risk at the same point of time as each measurement of the biometric measurement-business state data 224, or may be data indicating the degree of risk at the same time point of measurement of the biometric measurement-business state data 224. Data indicating the degree of risk at one or a plurality of time points after ten minutes may also be used.
  • the danger determination program 211 analyzes the in-vehicle sensor data 223 transmitted from the driving data collection device 15 and determines whether or not each scene is dangerous.
  • the biometrics-work status label association program 213 associates the biometrics data 221 transmitted from the biometrics data collection device 32 with the work status data 222 transmitted from the work status data collection device 33 to create a biometrics-business Generate state data 224 . Details of the biometric measurement-business status data 224 will be described later.
  • the accident risk estimation program 214 estimates the accident risk of the scene from the biometric measurement-work condition data 224.
  • the estimation result presentation program 215 presents the predicted accident risk of the driver and accompanying information.
  • the estimation model training program 212 uses the biomeasurement-work condition data 224 and the risk determination data from the risk determination program 211 to train an estimation model for each work condition of the biomeasurement-work condition data 224 .
  • FIG. 2 is a block diagram showing a hardware configuration example of the operation management auxiliary device 2.
  • the operation management auxiliary device 2 includes a processor 41 , a memory 42 , an auxiliary storage device 43 , an output device 44 , an input device 45 and a communication interface (I/F) 46 .
  • the above components are connected together by a bus 47 .
  • Memory 42, secondary storage device 43, or a combination thereof are storage devices that store the programs and data shown in FIG.
  • the memory 42 is composed of, for example, a semiconductor memory, and is mainly used to hold programs and data being executed.
  • the processor 41 executes various processes according to programs stored in the memory 42 .
  • Various functional units are realized by the processor 41 operating according to the program.
  • Auxiliary storage device 43 is composed of, for example, a large-capacity storage device such as a hard disk drive or solid state drive, and is used to retain programs and data for a long period of time.
  • the processor 41 can be configured with a single processing unit or multiple processing units, and can include single or multiple arithmetic units or multiple processing cores.
  • Processor 41 is one or more central processing units, microprocessors, microcomputers, microcontrollers, digital signal processors, state machines, logic circuits, graphics processing units, chip-on-systems, and/or manipulates signals based on control instructions. It can be implemented as any device.
  • the programs and data stored in the auxiliary storage device 43 are loaded into the memory 42 at startup or when necessary, and the programs are executed by the processor 41 to execute various processes of the operation management auxiliary device 2. Therefore, the processing executed by the operation management auxiliary device 2 below is processing by the processor 41 or a program.
  • the input device 45 is a hardware device for the user to input instructions, information, etc. to the operation management auxiliary device 2 .
  • the output device 44 is a hardware device that presents various input/output images, such as a display device or a printing device.
  • Communication I/F 46 is an interface for connection with network 100 .
  • the input device 45 and the output device 44 may be omitted, and the operation management assistance device 2 may be accessed from terminals via the network 100 .
  • the function of the operation management auxiliary device 2 can be implemented in a computer system consisting of one or more computers having one or more processors and one or more storage devices including non-temporary storage media.
  • a plurality of computers can communicate via the network 100 .
  • a part of a plurality of functions of the operation management assistance device 2 may be implemented in one computer, and another part may be implemented in another computer.
  • the operation data collection device 15, the prediction result display terminal 31, the biometric data collection device 32, and the business status data collection device 33 can each have the same computer configuration as the operation management auxiliary device 2.
  • the functions of a plurality of devices in the above device may be implemented in one device, for example, the operation management auxiliary device 2, the prediction result display terminal 31, and the biometric data collection device 32 are integrated into one device. good too.
  • FIG. 3 is a flowchart of a series of processes from acquisition of biometric data 221 to estimation of accident risk and presentation of results in the operation management auxiliary device 2 .
  • the operation management auxiliary device 2 acquires various kinds of biometric data and generates biometric data 221 by means of the biometric measurement-business status label association program 213 (step S101).
  • the operation management auxiliary device 2 performs data conversion, extraction, and shaping for inputting to the estimation model for the biometric data 221 by the biometric measurement-business status label association program 213, and associates it with the business status data 222. Then, the biometric measurement-business status DB 231 is generated or updated (step S102).
  • the operation management assistance device 2 uses the estimation model training program 212 to generate an estimation model for each work state data 222 associated with the biometric data 221 (step S103).
  • the operation management auxiliary device 2 uses the accident risk estimation program 214 to correspond to the biometric measurement-business status data 224 indicating the driver's status from the estimation model group for each business status data 222 associated with the biometric data 221. Then, the selected estimation model is used to estimate the accident risk 241 (step S104).
  • the operation management auxiliary device 2 uses the estimation result presentation program 215 to display or issue an estimation result (accident risk 241) and changes in business status to the driver or his manager (step S105). ). Details of these processes and data used for the processes will be described below.
  • FIG. 4 is an explanatory diagram showing a configuration example of the biometric data 221.
  • heart rate interval RR
  • ANF index is used as an index of biometric data 221 .
  • the biometric data 221 includes user ID 401, date and time 402, ANF index 403, and body temperature 404 as fields.
  • the ANF index 403 includes autonomic nerve total power 431 and autonomic nerve LF/HF 432, for example.
  • the user ID 401 is identification information that uniquely identifies each driver who is a user.
  • the date and time 402 is the measurement start point of the biometric data 221 acquired at a certain time interval.
  • the date and time 402 may be expressed by a single point of time, or a combination of a plurality of points of time, other than the measurement start point of time, such as the measurement end point or the median value of a plurality of measurement points.
  • the autonomic nerve total power 431 indicates the total power (TP), which is one of the electrocardiographic fluctuation parameters.
  • Total Power is the total power of the power spectrum of the specific frequency band of electrocardiographic fluctuations, and is related to fatigue.
  • the autonomic nerve LF/HF 432 is the power ratio of the low frequency band (LF) and the high frequency band (HF) in a specific frequency band, which is one of the electrocardiographic fluctuation parameters.
  • LF/HF is a value indicating the overall balance between sympathetic and parasympathetic nerves.
  • Time-domain parameters using heart rate or RR include, for example, the mean (Mean) and standard deviation (SDNN) of RR intervals measured over a period of time, such as 2 minutes, coefficient of variation (CVRR), consecutive adjacent The square root of the mean squared RR interval difference (RMSSD), the total number of consecutive adjacent RR interval differences exceeding 50 ms (NN50), and the like can be considered.
  • frequency domain parameters using heart rate or RR include VLF, LF, and HF, which are the power spectra of the ultra-low frequency band, or their deviation values, or CVRR of each fluctuation component Values CCVVLF, CCVLF, CCVHF, etc. are contemplated.
  • Non-linear parameters using heart rate or RR include, for example, standard deviation SD1 on the vertical axis, standard deviation SD2 on the horizontal axis, and virtual ellipse area, etc.
  • Body temperature 404 is a measurement of the driver's body temperature.
  • FIG. 5 is an explanatory diagram showing a configuration example of the business status data 222.
  • the business status data 222 includes user ID 401, business status label 502, start date/time 503, and end date/time 504 as fields.
  • the work status label 502 is a label that identifies the work status indicating what work the driver was engaged in during work. Specific examples of the business status specified by the business status label 502 include “driving”, “loading”, “unloading", “standby”, and “rest”. In addition, more detailed information is stored, such as “driving (general road)”, “driving (expressway)", “driving (Kanto)", along with the type of road traveled and the name of the area where the traveled.
  • a start date and time 503 and an end date and time 504 indicate the date and time when the business status label 502 on the same line was started and the date and time when it was finished, respectively.
  • FIG. 6 is an explanatory diagram showing a configuration example of the danger determination DB 232.
  • the risk determination DB 232 includes user ID 401, start date/time 602, end date/time 603, and risk determination result 604 as fields.
  • a start date/time 602 and an end date/time 603 indicate the date and time when risk determination is started and ended for the target data, respectively.
  • the risk determination result 604 indicates the result of estimating by the risk determination program 211 whether the period between the start date and time 602 and the end date and time 603 was a dangerous scene. Specifically, for example, numerical values expressing the degree of danger or character strings such as "dangerous" and "not dangerous” are stored.
  • the format of the danger determination result 604 is determined according to the format of the output result of the danger determination program 211 .
  • FIG. 7 is a flow chart showing an example of the acquisition processing procedure of the biometrics-business status DB 231 or the biometrics-business status data 224 by the biometrics-business status label association program 213. As shown in FIG. FIG. 7 shows a detailed processing procedure example of step S102 shown in FIG.
  • the biometrics-business condition label association program 213 generates a biometrics-business condition DB 231 used for training to generate or update an estimation model, and applies the estimation model to estimate accident risk. It is performed both when generating the biometric-business condition data 224 used in the process.
  • the training data 23 used for training is data acquired from past drivers, and the biometric measurement-business state DB 231 contains biometric data 221 and business state data 222 obtained before the start of operation of the operation management auxiliary device 2. generated from In addition, the training data 23 is updated by adding data periodically extracted in units of several months to several years from the biometric data 221 and work condition data 222 obtained after the operation of the safe operation system is started. may In that case, it is necessary to also store the risk determination DB 232 corresponding to the additional biometric data 221 and the business status data 222 .
  • additional biometric data 221, the work status data 222, and the risk determination DB 232 may be used outside the operation management assistance device 2 through the network 100.
  • the system developer examines whether or not the additional data may be added to the training data 23, or examines the conditions for exclusion from the additional data, and the additional data is added to the training data 23 according to the examination results. .
  • biometric data is RR.
  • the biometric data collection device 32 measures the RR of the driver and transmits it to the operation management auxiliary device 2 .
  • the biometric data collection device 32 measures the electrocardiogram (heartbeat) of the driver using the heart rate monitor 34 .
  • the biometric data collection device 32 detects RR in the measurement result of the heart rate meter 34 .
  • RR indicates the spacing between peaks of a particular type.
  • FIG. 8 is a graph showing an example of heart rate variability.
  • the horizontal axis of the graph in FIG. 8 indicates time, and the vertical axis indicates potential.
  • FIG. 9 is a graph showing changes in RR over time.
  • the biometric data collection device 32 calculates the ANF index 403 as the biometric data 221 from the RR.
  • processing for calculating the autonomic nerve total power 431 and the autonomic nerve LF/HF 432 will be described.
  • FIG. 10 is a graph showing an example of frequency spectrum of RR time change.
  • the horizontal axis of the graph in FIG. 10 is frequency, and the vertical axis is spectral power density of RR.
  • the biometric data acquisition device 32 calculates LF and HF from the frequency domain, calculates their sum as TP, and calculates the result of dividing LF by HF as LF/HF.
  • the biometric data collection device 32 transmits the ANF index 403 calculated in this manner as the biometric data 221 to the operation management auxiliary device 2 together with data obtained from other measuring devices such as body temperature and blood pressure.
  • step S173 data is processed by a process of extracting the biometric data 221 according to conditions (step S173) and a process of obtaining the biometric-business status data 224 or the biometric-business status DB 231 (step S174) will be described. do.
  • FIG. 11 is an explanatory diagram showing an example of processing for acquiring biometric measurement-business status data 224 from biometric data 221 and business status data 222.
  • the operation management assisting device 2 divides the received biometric data 221 into fixed time widths such as two minutes.
  • the reason why the biometric data 221 is aligned with a constant time width is that the ANF index 403 in the biometric data 221 handled by this embodiment is calculated from an index representing the change in RR over time.
  • the fixed time width is generally around 30 seconds to 5 minutes in many cases.
  • the operation management assisting device 2 calculates the ratio of incorrect data in the analysis such as arrhythmia, measurement error, body movement noise, etc., for each of the divided biometric data 221, as a variance of the biometric data 221, Calculated using a basic statistic such as a percentile, only the divided biometric data 221 below a certain threshold value is extracted as extracted biometric data 701 .
  • the operation management auxiliary device 2 acquires the business state of the time period corresponding to the extracted biometric data 701 from the business state data collection device 33.
  • the extracted biometric data 701 is labeled with the business status at the time of measurement, and acquired as biometric measurement-business status data 224 or biometric measurement-business status DB 231.
  • FIG. 12 is an explanatory diagram showing a configuration example of the acquired biometric measurement-business status data 224.
  • the date 402 of the biometric data 221 and the corresponding start date 503 and end date 504 of the work status data 222 may have a time lag within a certain range. Since the purpose is to label the biometric data 221, the operation management assisting device 2 can be used when a plurality of business status labels 502 exist within the measurement time indicated by the date and time 402 included in the extracted biometric data 701. Any one business status label 502 corresponding to the extracted biometric data 701 is determined according to the rule.
  • FIG. 13 is a flowchart showing a detailed processing procedure example of the process of generating or updating the model for estimating the accident risk shown in FIG. 3 by the estimation model training program 212 (step S103).
  • FIG. 14 is an explanatory diagram showing an example of training an estimation model using data classified by the business status label 502.
  • the operation management auxiliary device 2 acquires the biometric measurement-business status data 224 from the biometric measurement-business status DB 231 (step S131), and selects the business status label 502 from the biometric measurement-business status data 224 (step S132).
  • the operation management auxiliary device 2 selects the accident risk estimation model 225 corresponding to the selected work condition label 502 (step S225), and uses the training data 23 to apply the selected accident risk estimation model 225 to the biometric measurement-work condition Training is performed for each work status label 502 in the DB 231 (step S134), and the trained accident risk estimation model 225 is saved (step S135).
  • the estimated model training program 212 is basically assumed to be executed before the start of operation of the operation management auxiliary device 2 using the training data 23 collected in advance. If the training data 23 is updated afterward, the accident risk estimation model can be updated by executing the estimation model training program 212 again. Furthermore, the coefficients and parameters stored in the pre-update accident risk estimation model 225 may be recorded inside or outside the system as a backup before being overwritten by the update.
  • FIG. 15 is a flowchart showing a detailed processing procedure example of the accident risk estimation process (step S104) by the accident risk estimation program 214 shown in FIG.
  • FIG. 16 is a flowchart showing a detailed processing procedure example of the estimation result display process (step S105) shown in FIG.
  • the operation management auxiliary device 2 displays the estimated accident risk 241, the corresponding biometric measurement-business state data 224, the business state label 502, and the content to be issued or displayed.
  • the presentation content dictionary 243 an estimation result and accompanying information are generated and presented to the driver or his manager. Steps S104 and S105 will be described in detail below.
  • the accident risk estimation process (step S104) is executed when the driver is engaged in any work including the work status label 502 or goes to work.
  • FIG. 17 is an explanatory diagram showing an example of the accident risk estimation process (step S104).
  • the operation management auxiliary device 2 receives biometric data 221 and business status data 222 continuously in real time or with a delay of several seconds to several tens of minutes from the biometric data collection device 32 and the work status data collection device 33. and get
  • the operation management auxiliary device 2 acquires the biometric measurement-business status data 224 generated by the biometric measurement-business status label association program 213 (step S151), and obtains the business status label 502 of the biometric measurement-business status data 224. Select (step S152), select an accident risk estimation model 225 suitable for each of the selected business status labels 502 (step S152), and perform accident risk estimation (step S134).
  • the estimation result can be a binary label such as "dangerous” or “not dangerous”, or a continuous value representing the probability of an accident occurring or its severity, such as "danger”. good.
  • FIG. 18 is an explanatory diagram showing an example of feedback presented by the process of presenting the estimation result (step S105) when the estimation result is "dangerous" or in a similar situation.
  • a speaker or other alerting device 1601 mounted on the vehicle V notifies that biometric data 221 with a high accident risk has been detected.
  • the biometric measurement-work state data 224 input to the estimation model can be referenced, and states such as drowsiness, accumulated fatigue, and excitement can be estimated from the biometric data 221 and the work state label 502.
  • a speaker or other alerting device 1601 mounted on the vehicle V may issue a call 1603 to confirm that the driver 1602 is not in that condition.
  • a speaker or other alerting device 1601 mounted on the vehicle V may issue a call 1604 corresponding to each job status label 502 and prompting an action that can be taken in the situation of doing the job.
  • FIG. 19 is an explanatory diagram showing an example of feedback that allows the driver or manager to refer to past accident risk transitions after the end of work on the day the biometric data 221 was acquired, or after the next day. From the feedback screen 1701 of the output device 44, it is possible to simultaneously check the chronological accident risk and the transition 1702 of the work status. Furthermore, for past scenes recorded as having a high accident risk and being dangerous, the biometric data 221 and the job status label 502 at that time are used to determine what the situation was or what factors were determined to be dangerous. A character string 1703 indicating a candidate may be displayed.
  • the Accident risk estimation corresponding to various work situations can be performed using biometric data.
  • the present invention is not limited to drivers of commercial vehicles such as distribution trucks and night buses, but can also be applied to short-distance buses, taxis, railways, and aircraft.
  • the operation management assistance system 1 executes the processing of steps S101 to S105 shown in FIG. may be executed, and the external system may execute only the accident risk estimation in steps S104 and S105.
  • the external system may perform only the learning (generation of the estimation model) in steps S101 to S103, and the operation management assistance system 1 may perform only the accident risk estimation in steps S104 and S105.
  • the present invention is not limited to the embodiments described above, and includes various modifications and equivalent configurations within the scope of the attached claims.
  • the above-described embodiments have been described in detail to facilitate understanding of the present invention, and the present invention is not necessarily limited to those having all the described configurations.
  • part of the configuration of one embodiment may be replaced with the configuration of another embodiment.
  • the configuration of another embodiment may be added to the configuration of one embodiment.
  • other configurations may be added, deleted, or replaced with respect to a part of the configuration of each embodiment.
  • each configuration, function, processing unit, processing means, etc. described above may be implemented in hardware, for example, by designing a part or all of them in an integrated circuit, and the processor implements each function. It may be realized by software by interpreting and executing a program to execute.
  • Storage devices such as memory, hard disk, SSD (Solid State Drive), or IC (Integrated Circuit) card, SD card, DVD (Digital Versatile Disc) Can be stored on media.
  • control lines and information lines indicate those that are considered necessary for explanation, and do not necessarily indicate all the control lines and information lines necessary for implementation. In practice, it can be considered that almost all configurations are interconnected.

Abstract

運行管理補助システムは、運転者の生体に関する生体計測データと前記運転者の業務状態に関する業務状態データとを関連付けた関連付けデータの第１集合と、前記運転者の運転の危険性を示す危険判定結果の第２集合と、にアクセス可能であり、前記第１集合から前記運転者の特定の業務状態に関する関連付けデータ群を業務状態別に取得し、前記第２集合から前記運転者の前記特定の業務状態における特定の危険判定結果群を取得する第１取得処理と、前記第１取得処理によって取得された、前記特定の業務状態に関する関連付けデータ群と、前記特定の業務状態における特定の危険判定結果群と、を用いて、前記特定の業務状態における前記運転者の事故リスクを推定する推定モデルを前記特定の業務状態別に生成して、第３集合に保存する生成処理と、を実行する。

Description

運行管理補助システムおよび運行管理補助方法 参照による取り込み
　本出願は、令和３年（２０２１年）６月８日に出願された日本出願である特願２０２１－０９５９７０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、運行管理を補助する運行管理補助システムおよび運行管理補助方法に関する。
　近年、物流トラックや夜行バス等の長距離を走行する業務用車両において運転士の疲労が引き起こす交通事故が社会的に問題視されている。このような交通事故を未然に防ぐため、生体センサから得られる生体データを用いて運転中の運転士の健康状態をモニタリングする技術の適用が進んでいる。
　特に、心拍間隔から一定の短い時間幅で時間周波数領域解析を適用して自律神経機能（Ａｕｔｏｎｏｍｉｃ　ｎｅｕｒａｌ　ｆｕｎｃｔｉｏｎ：ＡＮＦ）を推定し、推定されたＡＮＦを解析して運転士の健康状態や疲労度、さらに、それらが要因となって生じる事故のリスクを推定し、運転者またはその管理者に推定結果をフィードバックする技術開発が進んでいる。現在は、安静時や運転時のように、ある一定の条件が持続している場面を前提として生体データを計測したり解析したりする技術が多く開発されている。
　たとえば、下記特許文献１は、ユーザの状態を検出し、その検出結果から、ユーザが最も望む形態で車載装置の動作を自律的に制御する自動車用ユーザもてなしシステムを開示する。この自動車用ユーザもてなしシステムは、もてなし動作部の動作内容がユーザ生体特性情報の内容に応じて変化し、ひいては、自動車利用に際してのユーザへサービス（もてなし）効果を、ユーザの精神状態あるいは体調に応じさらなる適正化を図ることができる。具体的には、機能抽出マトリックスから特定される機能に対する動作制御時の基準参照情報が抽出され、この基準参照情報に別途取得されたユーザ生体特性情報に反映される体調ないし精神状態を加味して、選択された機能の動作内容の適正化を図ることができる。
特開２００８－１２６８１８号公報
　特許文献１の技術を、事故リスクを推定しフィードバックする場面に適用したとする。たとえば、シーンが「運転中」、ユーザの体調・精神状態が「眠気」と推定され、かつ運転中におけるもてなし目的に「居眠り防止（安全性向上）」が含まれているような状況を想定する。この場合、考えられる事故のうち「居眠り運転」の発生リスクについては低減可能である。
　しかし、業務用車両の運転者が遭遇する事故の要因は、運転者の生体状態に限っても「眠気」の他に「集中力の低下」や「興奮」、「過緊張」など様々な生体状態が存在する。また、事故の種類も「わき見運転」「急ぎ運転」など多岐にわたる。さらに、複数の生体要因が影響して事故や危険な場面を引き起すことも多い。したがって、各生体要因と事故の因果関係を明確化することは困難である。そのため、特許文献１の技術において、ただ目的や推定する体調・精神状態の項目を詳細に設定しても、事故リスクの推定とフィードバックを実現することは困難である。
　本発明は、複数の異なる場面に対応した事故リスク推定を実現することを目的とする。
　本願において開示される発明の一側面となる運行管理補助システムは、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する運行管理補助システムであって、前記プロセッサは、運転者の生体に関する生体計測データと前記運転者の業務状態に関する業務状態データとを関連付けた関連付けデータの第１集合と、前記運転者の運転の危険性を示す危険判定結果の第２集合と、にアクセス可能であり、前記プロセッサは、前記第１集合から前記運転者の特定の業務状態に関する関連付けデータ群を業務状態別に取得し、前記第２集合から前記運転者の前記特定の業務状態における特定の危険判定結果群を取得する第１取得処理と、前記第１取得処理によって取得された、前記特定の業務状態に関する関連付けデータ群と、前記特定の業務状態における特定の危険判定結果群と、を用いて、前記特定の業務状態における前記運転者の事故リスクを推定する推定モデルを前記特定の業務状態別に生成して、第３集合に保存する生成処理と、を実行することを特徴とする。
　本発明の代表的な実施の形態によれば、複数の異なる場面に対応した事故リスク推定を実現することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
図１は、運行管理補助システムのシステム構成例を示す説明図である。 図２は、運行管理補助システムのハードウェア構成例を示すブロック図である。 図３は、運行管理補助システムにおける生体計測データの取得から事故リスクを推定し結果を提示するまでの一連の処理のフローチャートである。 図４は、生体計測データの構成例を示す説明図である。 図５は、業務状態データの構成例を示す説明図である。 図６は、危険判定ＤＢの構成例を示す説明図である。 図７は、生体計測－業務状態ＤＢまたは生体計測－業務状態データの取得処理手順例を示すフローチャートである。 図８は、心拍変動の例を示すグラフである。 図９は、ＲＲの時間変化を示すグラフである。 図１０は、ＲＲの時間変化の周波数スペクトル例を示すグラフである。 図１１は、生体計測データと業務状態データから生体計測―業務状態データを取得する処理例を示す説明図である。 図１２は、取得された生体計測－業務状態データの構成例を示す説明図である。 図１３は、図３に示した事故リスクを推定するモデルを生成または更新する処理（ステップＳ１０３）の詳細な処理手順例を示すフローチャートである。 図１４は、業務状態ラベルごとに区分されたデータを用いた推定モデルの訓練例を示す説明図である。 図１５は、図３に示した事故リスク推定プログラムによる事故リスク推定処理（ステップＳ１０４）の詳細な処理手順例を示すフローチャートである。 図１６は、図３に示した推定結果表示処理（ステップＳ１０５）の詳細な処理手順例を示すフローチャートである。 図１７は、事故リスク推定処理（ステップＳ１０４）の一例を示す説明図である。 図１８は、推定結果が「危険である」またはそれに準ずる状況であった場合に、推定結果を提示する処理（ステップＳ１０５）により提示されるフィードバックの例を示す説明図である。 図１９は、生体計測データを取得した日の業務終了後、またはその翌日以降に、運転者や管理者が過去の事故リスクの推移を参照できるようなフィードバックの例を示す説明図である
　以下、図面を参照しながら本発明の実施例について説明する。
　＜システム構成例＞
　図１は、運行管理補助システムのシステム構成例を示す説明図である。運行管理補助システム１は、車両Ｖ、運行管理補助装置２、運転データ収集装置１５、予測結果表示端末３１、生体計測データ収集装置３２、および業務状態データ収集装置３３のうち、少なくとも運行管理補助装置２を含む。車両Ｖ、運行管理補助装置２、運転データ収集装置１５、予測結果表示端末３１、生体計測データ収集装置３２、および業務状態データ収集装置３３は、それぞれネットワーク１００を介して通信可能である。
　車両Ｖは、位置センサ１１、車間距離センサ１２、速度計１３、加速度センサ１４、および運転データ収集装置１５を含む。位置センサ１１、車間距離センサ１２、速度計１３、および加速度センサ１４は、車両Ｖに搭載されたセンサデバイス（車載センサ）の一例である。位置センサ１１は、全球測位衛星システム（ＧＮＳＳ：（Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ））により車両の現在位置を測位する。車間距離センサ１２は、前を走行する車両との車間距離を検出する。速度計１３は、車両Ｖの走行速度を検出する。加速度センサ１４は、車両Ｖの加速度を検出する。
　運転データ収集装置１５は、車両Ｖに搭載されており、車両Ｖの車載センサの計測データを取得し、運行管理補助装置２に送信する。なお、運転データ収集装置１５は、車両Ｖ外に設置され、ネットワーク１００を介して、上述した車載センサからのデータを受信してもよい。
　予測結果表示端末３１は、運行管理補助装置２による、運転中に事故に遭遇するリスク（以下、事故リスク）の推定結果を表示する。事故リスクの推定方法および予測結果の表示画像等についての詳細は後述する。
　生体計測データ収集装置３２は、生体計測器から運転者の計測データを取得し、運行管理補助装置２に送信する。図１の例において使用される生体計測器は、たとえば、心拍計３４、体温計３５および血圧計３６を含む。運転者または管理者は、たとえば、１日の業務開始前、運転業務中、運転以外の業務中、業務終了後に、生体計測器を使用して当該運転者の生体データを計測する。
　業務状態データ収集装置３３は、業務状態データとして、運転者が実際に行った業務内容を、日付時刻と対応づけて取得し運行管理補助装置２に送信する。運転者は、たとえば、１日の業務が終了した後で、その日の業務内容を業務状態データ収集装置３３に入力してもよい。
　または、業務状態データ収集装置３３が、運転データ収集装置１５が取得した運転データから運転者の業務状態の流れを推定して業務状態データとしてもよい。または、業務状態データ収集装置３３が、生体計測データ収集装置３２から、運転者の加速度や位置情報、業務中の様子を捉えた映像などの運転者の行動データを収集して、収集した行動データから各業務状態とその流れを推定して業務状態データとしてもよい。
　荷積み３３１、荷卸し３３２、および休憩３３３は、たとえば、車両Ｖの運転席に設置された入力手段であり、運転者が操作するボタンである。車両Ｖの停止中に荷積み３３１、荷卸し３３２、および休憩３３３のいずれかが押下されると、業務状態データ収集装置３３は、押下した状態を示すデータを収集する。なお、ここでボタン押下時刻を含む時間情報を取得しても良い。また、車両Ｖの走行中では、業務状態データ収集装置３３は、車両Ｖが走行中であることを示すデータを収集する。
　運行管理補助装置２は、処理を行う複数のプログラムおよび複数のプログラムが処理するデータを保持する。運行管理補助装置２が実行するプログラムは、危険判定プログラム２１１、推定モデル訓練プログラム２１２、生体計測－業務状態ラベル関連付けプログラム２１３、事故リスク推定プログラム２１４、推定結果提示プログラム２１５を含む。
　運行管理補助装置２が保持するデータは、生体計測データ２２１、業務状態データ２２２、車載センサデータ２２３、生体計測－業務状態データ２２４、事故リスク推定モデル２２５、および訓練データ２３を含む。訓練データ２３は、具体的には、たとえば、生体計測－業務状態ＤＢ２３１、危険判定ＤＢ２３２を含む。
　生体計測データ２２１は、運転者の計測された生体データである。生体計測データ２２１は、たとえば、運転業務を含む作業中に計測された生体データ、待機や休憩など作業を行わない状況で計測された生体データ、または、これらの一部または全部の組合せを含む。
　業務状態データ２２２は、運転者が労働中に経験した具体的な業務の状態を示すデータである。業務には、具体的には、たとえば、運転、荷積、荷卸、待機、休憩などが挙げられる。また、業務は、運転、荷積、荷卸などの業務は、走行した道路の種類、走行した地域、または運搬した物品の種類などによってさらに細かく区別されてもよい。
　生体計測－業務状態データ２２４は、生体計測－業務状態ラベル関連付けプログラム２１３によって、生体計測データ２２１と業務状態データ２２２とから生成されるデータである。生体計測－業務状態データ２２４は、同一運転者の同一日において、生体データの各値が計測された時刻に運転者が何の業務を行っていたかが把握可能なデータである。具体的には、たとえば、生体計測－業務状態データ２２４は、各時点における生体計測データ２２１と業務状態データ２２２とが関連付けられたデータである。
　車載センサデータ２２３は、危険判定プログラム２１１に用いられるデータである。車載センサデータ２２３は、運転データ収集装置１５から受信した運転操作や車両挙動、または位置情報などに関するデータである。
　事故リスク推定モデル２２５は、事故リスク推定プログラム２１４によって、生体計測－業務状態データ２２４を用いて、運転者が事故に遭遇する事故リスクを推定するためのモデルである。事故リスク推定モデル２２５は、生体計測－業務状態データ２２４内の業務状態ラベル５０２の種類別に存在する。さらに、事故リスク推定モデル２２５は、業務状態ラベル５０２の種類別に時間帯ごとに存在してもよい。
　訓練データ２３は、推定モデル訓練プログラム２１２に用いられるデータである。訓練データ２３内の生体計測－業務状態ＤＢ２３１は、過去に取得された生体計測－業務状態データ２２４を含む。危険判定ＤＢ２３２は、危険判定プログラム２１１と車載センサデータ２２３とにより取得されるデータを含む。このデータは、過去の生体計測－業務状態データ２２４が計測された場面の運転が危険と判定されたか否かを示す。
　危険判定プログラム２１１は、運転者の運転が危険であるか否かを判定するためのプログラムである。危険判定プログラム２１１による危険か否かの判定は、任意の技術を利用でき、その基準は設計に依存する。危険と判定される運転の例は、急ブレーキ、急発進、法定速度に対して速すぎる車速、狭すぎる車間距離等を含む。
　危険判定プログラム２１１は、車載センサデータ２２３（車載センサの計測データ）から、様々な危険運転操作を判定する。たとえば、急ブレーキや急発進であるか否かは、加速度センサ１４の検出データから判定され、狭すぎる車間距離であるか否かは、車間距離センサ１２の検出データから判定される。車両Ｖが法定速度を遵守したか否かは、位置センサ１１の検出データ、地図情報（不図示）および速度計１３の検出データから判定される。
　危険判定ＤＢ２３２内の危険判定データは、生体計測－業務状態データ２２４の各計測時点と同一時点における危険度を示したデータでもよいし、生体計測－業務状態データ２２４の計測時点から数分～数十分後の一時点または複数時点における危険度を示したデータでもよい。
　危険判定プログラム２１１は、運転データ収集装置１５から送信された車載センサデータ２２３を分析して、各場面が危険か否かを判定する。生体計測－業務状態ラベル関連付けプログラム２１３は、生体計測データ収集装置３２から送信された生体計測データ２２１と業務状態データ収集装置３３から送信された業務状態データ２２２とを対応付けて、生体計測－業務状態データ２２４を生成する。生体計測－業務状態データ２２４の詳細は後述する。
　事故リスク推定プログラム２１４は、生体計測－業務状態データ２２４から、その場面の事故リスクを推定する。推定結果提示プログラム２１５は、予測された運転者の事故リスクとそれに付随する情報を提示する。推定モデル訓練プログラム２１２は、生体計測－業務状態データ２２４と危険判定プログラム２１１による危険判定データとを用いて、生体計測－業務状態データ２２４の業務状態ごとに推定モデルを訓練する。
　＜運行管理補助装置２のハードウェア構成例＞
　図２は、運行管理補助装置２のハードウェア構成例を示すブロック図である。運行管理補助装置２は、プロセッサ４１、メモリ４２、補助記憶装置４３、出力装置４４、入力装置４５、および通信インタフェース（Ｉ／Ｆ）４６を含む。上記構成要素は、バス４７によって互いに接続されている。メモリ４２、補助記憶装置４３またはこれらの組合せは記憶デバイスであり、図１に示すプログラムおよびデータを格納する。
　メモリ４２は、たとえば、半導体メモリから構成され、主に実行中のプログラムやデータを保持するために利用される。プロセッサ４１は、メモリ４２に格納されているプログラムに従って、様々な処理を実行する。プロセッサ４１がプログラムに従って動作することで、様々な機能部が実現される。補助記憶装置４３は、たとえば、ハードディスクドライブやソリッドステートドライブなどの大容量の記憶装置から構成され、プログラムやデータを長期間保持するために利用される。
　プロセッサ４１は、単一の処理ユニットまたは複数の処理ユニットで構成することができ、単一または複数の演算ユニット、または複数の処理コアを含むことができる。プロセッサ４１は、１または複数の中央処理装置、マイクロプロセッサ、マイクロ計算機、マイクロコントローラ、デジタル信号プロセッサ、ステートマシン、ロジック回路、グラフィック処理装置、チップオンシステム、および／または制御指示に基づき信号を操作する任意の装置として実装可能である。
　補助記憶装置４３に格納されたプログラムおよびデータが、起動時または必要時にメモリ４２にロードされ、プログラムをプロセッサ４１が実行することにより、運行管理補助装置２の各種処理が実行される。したがって、以下において運行管理補助装置２により実行される処理は、プロセッサ４１またはプログラムによる処理である。
　入力装置４５は、ユーザが運行管理補助装置２に指示や情報などを入力するためのハードウェアデバイスである。出力装置４４は、入出力用の各種画像を提示するハードウェアデバイスであり、たとえば、表示デバイスまたは印刷デバイスである。通信Ｉ／Ｆ４６は、ネットワーク１００との接続のためのインタフェースである。入力装置４５および出力装置４４は省略されてもよく、運行管理補助装置２は、ネットワーク１００を介して、端末からアクセスされてもよい。
　運行管理補助装置２の機能は、１以上のプロセッサと、非一時的な記憶媒体を含む１以上の記憶装置と、を有する１以上の計算機からなる計算機システムで実装可能である。複数の計算機は、ネットワーク１００を介して通信可能である。たとえば、運行管理補助装置２の複数の機能の一部が一つの計算機に実装され、他の一部が他の計算機に実装されてもよい。
　運転データ収集装置１５、予測結果表示端末３１、生体計測データ収集装置３２および業務状態データ収集装置３３は、それぞれ、運行管理補助装置２と同様の計算機構成を有することができる。上記装置における複数の装置の機能が一つの装置に実装されていてもよく、たとえば、運行管理補助装置２、予測結果表示端末３１、生体計測データ収集装置３２は、一つの装置に統合されていてもよい。
　＜運行管理補助装置２が実行する処理例＞
　図３は、運行管理補助装置２における生体計測データ２２１の取得から事故リスクを推定し結果を提示するまでの一連の処理のフローチャートである。はじめに、運行管理補助装置２は、生体計測－業務状態ラベル関連付けプログラム２１３により、各種生体データを取得して、生体計測データ２２１を生成する（ステップＳ１０１）。
　つぎに、運行管理補助装置２は、生体計測－業務状態ラベル関連付けプログラム２１３により、生体計測データ２２１について、推定モデルに入力するためのデータ変換、抽出、および整形を行い、業務状態データ２２２と関連付けて、生体計測－業務状態ＤＢ２３１を生成または更新する（ステップＳ１０２）。
　つぎに、運行管理補助装置２は、推定精度向上のため、推定モデル訓練プログラム２１２により、生体計測データ２２１に関連付けられた業務状態データ２２２ごとに推定モデルを生成する（ステップＳ１０３）。
　その後、運行管理補助装置２は、事故リスク推定プログラム２１４により、生体計測データ２２１に関連付けられた業務状態データ２２２ごとの推定モデル群から、運転者の状態を示す生体計測－業務状態データ２２４に対応する推定モデルを選択し、選択した推定モデルで事故リスク２４１を推定する（ステップＳ１０４）。
　最後に、運行管理補助装置２は、推定結果提示プログラム２１５により、推定結果（事故リスク２４１）と業務状態の推移を運転者またはその管理者に向けて表示したり発報したりする（ステップＳ１０５）。以下、これらの処理の詳細と、処理に用いられるデータについて詳細に説明する。
　＜データ構成例＞
　図４は、生体計測データ２２１の構成例を示す説明図である。本実施例では、生体データとして心拍間隔（ＲＲ）、生体計測データ２２１の指標として自律神経機能（ＡＮＦ）指標を用いることとする。生体計測データ２２１は、フィールドとして、ユーザＩＤ４０１、日時４０２、ＡＮＦ指標４０３、および体温４０４を含む。ＡＮＦ指標４０３は、たとえば、自律神経Ｔｏｔａｌ　Ｐｏｗｅｒ４３１と自律神経ＬＦ／ＨＦ４３２とを含む。
　ユーザＩＤ４０１は、ユーザである運転者それぞれを一意に特定する識別情報である。　日時４０２は、一定の時間幅で取得された生体計測データ２２１の計測開始時点である。ここで、日時４０２は計測終了時点、または複数の計測時点の中央値といった、計測開始時点以外に計測時間帯を表す基準となる他の１時点、または複数時点の組合せで表現されてもよい。
　自律神経Ｔｏｔａｌ　Ｐｏｗｅｒ４３１は、心電変動パラメータの一つであるＴｏｔａｌ　Ｐｏｗｅｒ（ＴＰ）を示す。Ｔｏｔａｌ　Ｐｏｗｅｒは、心電変動の特定周波数帯のパワースペクトルのトータルパワーであり、疲労に関係する。自律神経ＬＦ／ＨＦ４３２は、心電変動パラメータの一つである特定周波数帯における低周波数帯（ＬＦ）と高周波数帯（ＨＦ）のパワーの比率である。ＬＦ／ＨＦは、交感神経と副交感神経の全体のバランスを示す値である。
　この他のＡＮＦ指標４０３として、心拍数または心拍のＲＲ間隔を用いた時間領域パラメータ、周波数領域パラメータ、非線形パラメータが考えられる。心拍数またはＲＲを用いた時間領域パラメータには、たとえば、２分などの一定時間に計測されたＲＲ間隔の平均（Ｍｅａｎ）と標準偏差（ＳＤＮＮ）、変動係数（ＣＶＲＲ）、連続して隣接するＲＲ間隔の差の２乗の平均値の平方根（ＲＭＳＳＤ）、連続して隣接するＲＲ間隔の差が５０ｍｓを超える総数（ＮＮ５０）などが考えられる。
　心拍数またはＲＲを用いた周波数領域パラメータには、Ｔｏｔａｌ　ＰｏｗｅｒとＬＦ／ＨＦのほかに、超低周波数帯のパワースペクトルであるＶＬＦ、ＬＦ、ＨＦ、またはそれぞれの偏差値、または各変動成分のＣＶＲＲ値であるＣＣＶＶＬＦ、ＣＣＶＬＦ、ＣＣＶＨＦ等が考えられる。心拍数またはＲＲを用いた非線形パラメータには、たとえば、ある時点のＲＲを横軸、次時点のＲＲを縦軸にとるポアンカレプロットにおける縦軸の標準偏差ＳＤ１、横軸の標準偏差ＳＤ２、仮想楕円の面積などが考えられる。体温４０４は、運転者の体温の測定値である。
　図５は、業務状態データ２２２の構成例を示す説明図である。業務状態データ２２２は、フィールドとして、ユーザＩＤ４０１、業務状態ラベル５０２、開始日時５０３、終了日時５０４を含む。業務状態ラベル５０２は、運転者が労働中に何の業務に従事していたかを示す業務状態を特定するラベルである。業務状態ラベル５０２で特定される業務状態の具体的な例として、「運転」、「荷積」、「荷卸」、「待機」、「休憩」等が挙げられる。また、「運転（一般道）」、「運転（高速道路）」、「運転（関東）」のように、走行した道路の種類や走行した地域の地名などを付随してより細かい内容を格納してもよい。また、「道路混雑情報」、「天候情報」、「日照情報」などのように、走行した状況を付随してより細かい内容を格納してもよい。開始日時５０３、終了日時５０４は、それぞれ同一行の業務状態ラベル５０２を開始した日付時刻、終了した日付時刻を示す。
　図６は、危険判定ＤＢ２３２の構成例を示す説明図である。危険判定ＤＢ２３２は、フィールドとして、ユーザＩＤ４０１、開始日時６０２、終了日時６０３、危険判定結果６０４を含む。開始日時６０２および終了日時６０３は、それぞれ対象データについて危険判定を開始する日付時刻と終了する日付時刻を示す。危険判定結果６０４は、危険判定プログラム２１１により開始日時６０２と終了日時６０３との間の期間が危険な場面であったかを推定した結果を示す。具体的には、たとえば、危険な度合いを表現した数値、または「危険」「危険でない」等の文字列が格納される。危険判定結果６０４の形式については、危険判定プログラム２１１の出力結果の形式に対応して決定される。
　＜生体計測－業務状態ＤＢ２３１または生体計測－業務状態データ２２４の取得処理＞
　図７は、生体計測－業務状態ラベル関連付けプログラム２１３による生体計測－業務状態ＤＢ２３１または生体計測－業務状態データ２２４の取得処理手順例を示すフローチャートである。図７は、図３に示したステップＳ１０２の詳細な処理手順例を示す。生体計測－業務状態ラベル関連付けプログラム２１３は、推定モデルを生成したり更新したりするための訓練に用いられる生体計測－業務状態ＤＢ２３１を生成する場合と、推定モデルを適用して事故リスクを推定する際に用いられる生体計測－業務状態データ２２４を生成する場合の両方で実行される。
　訓練に用いられる訓練データ２３は、過去の運転者から取得したデータであり、生体計測－業務状態ＤＢ２３１は、運行管理補助装置２の運用開始前に得られた生体計測データ２２１、業務状態データ２２２から生成される。また、訓練データ２３は、安全運行システムの運用開始後に得られる生体計測データ２２１、業務状態データ２２２から、数か月～数年単位で定期的に抽出されたデータを追加するなどの更新がなされてもよい。その場合、追加分の生体計測データ２２１、業務状態データ２２２に対応した危険判定ＤＢ２３２も併せて格納されることが必要である。
　さらに、追加分の生体計測データ２２１、業務状態データ２２２、および危険判定ＤＢ２３２（以下、追加データ）は、ネットワーク１００を通じて運行管理補助装置２の外部で利用されてもよい。この場合、システム開発者により訓練データ２３に追加データを追加してよいか否か、または追加データから除外する条件の検討が行われ、検討結果にしたがって、追加データが訓練データ２３に追加される。
　本実施例では、生体データをＲＲとする。まず、生体データ取得処理（ステップＳ１７１）では、生体計測データ収集装置３２が、運転者のＲＲを測定し、運行管理補助装置２に送信する。具体的には、たとえば、生体計測データ収集装置３２は、心拍計３４により運転者の心電（心拍）を測定する。生体計測データ収集装置３２は、心拍計３４の測定結果において、ＲＲを検出する。ＲＲは、特定種類のピークの間の間隔を示す。
　図８は、心拍変動の例を示すグラフである。図８のグラフの横軸は時間、縦軸は電位を示す。
　図９は、ＲＲの時間変化を示すグラフである。図７に戻って、つぎに、生体計測データ取得処理（ステップＳ１７２）では、生体計測データ収集装置３２が、ＲＲからＡＮＦ指標４０３を生体計測データ２２１として算出する。ここでは一例として、自律神経Ｔｏｔａｌ　Ｐｏｗｅｒ４３１と自律神経ＬＦ／ＨＦ４３２とを算出する処理について説明する。
　図１０は、ＲＲの時間変化の周波数スペクトル例を示すグラフである。図１０のグラフの横軸は周波数であり、縦軸はＲＲのスペクトルパワー密度である。生体計測データ収集装置３２は、周波数領域からＬＦおよびＨＦを算出し、それらの和をＴＰ、ＬＦをＨＦで除算した結果をＬＦ／ＨＦとして算出する。生体計測データ収集装置３２は、このように算出したＡＮＦ指標４０３を生体計測データ２２１として、体温、血圧等の他の計測機から取得したデータとともに運行管理補助装置２に送信する。
　つぎに、生体計測データ２２１を条件によって抽出する処理（ステップＳ１７３）と、生体計測－業務状態データ２２４または生体計測－業務状態ＤＢ２３１を取得する処理（ステップＳ１７４）によってデータが加工される例について説明する。
　図１１は、生体計測データ２２１と業務状態データ２２２から生体計測－業務状態データ２２４を取得する処理例を示す説明図である。生体計測データ２２１を条件によって抽出する処理（ステップＳ１７３）では、運行管理補助装置２は、受信した生体計測データ２２１を２分間などの一定の時間幅に分割する。生体計測データ２２１を一定の時間幅に揃えるのは、本実施例が扱う生体計測データ２２１内のＡＮＦ指標４０３が、ＲＲの経時的な変化を表す指標から算出されるためである。一定の時間幅は、一般に３０秒から５分前後であることが多い。
　つぎに、運行管理補助装置２は、分割された生体計測データ２２１それぞれに対して、不整脈や計測ミス、体動ノイズ等の解析に不正なデータが含まれる割合を、生体計測データ２２１の分散、パーセンタイル等の基本統計量を用いて算出し、一定の閾値を下回る分割された生体計測データ２２１のみを抽出して、抽出済み生体計測データ７０１とする。
　つぎに、生体計測－業務状態データ２２４を取得する処理（ステップＳ１７４）では、運行管理補助装置２は、抽出済み生体計測データ７０１に対応する時間帯の業務状態を、業務状態データ収集装置３３から受信した業務状態データ２２２から参照し、抽出済み生体計測データ７０１に計測時点の業務状態をラベル付けし、生体計測－業務状態データ２２４または生体計測－業務状態ＤＢ２３１として取得する。
　図１２は、取得された生体計測－業務状態データ２２４の構成例を示す説明図である。また、生体計測データ２２１の日時４０２とそれに対応する業務状態データ２２２の開始日時５０３および終了日時５０４は、一定の範囲内で時刻のずれが存在していてもよい。生体計測データ２２１のラベル付けが目的であるため、運行管理補助装置２は、抽出済み生体計測データ７０１に含まれる日時４０２が示す計測時刻内に、複数の業務状態ラベル５０２が存在する場合、あるルールに従って抽出済み生体計測データ７０１に対応する業務状態ラベル５０２をいずれか１つに決定する。
　このルールには、たとえば、「ある時間帯の１つの生体計測データ２２１と対応する業務状態データ２２２において、より長時間記録されている方の業務状態ラベル５０２を採用する」などが考えられる。また、業務状態ラベル５０２に欠損が存在する場合、不適なデータとして生体計測－業務状態データ２２４から除外する処理などが考えられる。
　図１３は、推定モデル訓練プログラム２１２による図３に示した事故リスクを推定するモデルを生成または更新する処理（ステップＳ１０３）の詳細な処理手順例を示すフローチャートである。図１４は、業務状態ラベル５０２ごとに区分されたデータを用いた推定モデルの訓練例を示す説明図である。運行管理補助装置２は、生体計測－業務状態ＤＢ２３１から生体計測－業務状態データ２２４を取得し（ステップＳ１３１）、生体計測－業務状態データ２２４から業務状態ラベル５０２を選択する（ステップＳ１３２）。
　運行管理補助装置２は、選択した業務状態ラベル５０２に対応する事故リスク推定モデル２２５を選択し（ステップＳ２２５）、選択した事故リスク推定モデル２２５を、訓練データ２３を用いて、生体計測－業務状態ＤＢ２３１の業務状態ラベル５０２ごとに訓練し（ステップＳ１３４）、訓練した事故リスク推定モデル２２５を保存する（ステップＳ１３５）。
　推定モデル訓練プログラム２１２では基本的に、事前収集された訓練データ２３を用いて、運行管理補助装置２の運用開始前に実行されることを想定しているが、運行管理補助装置２の運用開始後も、訓練データ２３が更新された場合、推定モデル訓練プログラム２１２を再度実行することで、事故リスク推定モデルを更新することができる。さらに、更新前の事故リスク推定モデル２２５に格納されている係数やパラメータは、更新によって上書きされる前にバックアップとしてシステム内部または外部に記録されてもよい。
　図１５は、図３に示した事故リスク推定プログラム２１４による事故リスク推定処理（ステップＳ１０４）の詳細な処理手順例を示すフローチャートである。図１６は、図３に示した推定結果表示処理（ステップＳ１０５）の詳細な処理手順例を示すフローチャートである。推定結果表示処理（ステップＳ１０５）では、運行管理補助装置２は、推定された事故リスク２４１と、それに対応した生体計測－業務状態データ２２４と、業務状態ラベル５０２と、発報や表示する内容が紐づけられた提示内容辞書２４３と、を用いて、推定結果やそれに付随する情報を生成し、運転者またはその管理者へ提示する。以下、ステップＳ１０４およびＳ１０５について詳細に説明する。
　事故リスク推定処理（ステップＳ１０４）は、運転者が業務状態ラベル５０２を含むいずれかの業務に従事または出勤している場合に実行される。
　図１７は、事故リスク推定処理（ステップＳ１０４）の一例を示す説明図である。運行管理補助装置２は、生体計測データ収集装置３２および業務状態データ収集装置３３からリアルタイムに、または数秒から数十分の遅延を伴って継続的に受信する生体計測データ２２１と、業務状態データ２２２と、を取得する。
　また、運行管理補助装置２は、生体計測－業務状態ラベル関連付けプログラム２１３により生成される生体計測－業務状態データ２２４を取得し（ステップＳ１５１）、生体計測－業務状態データ２２４の業務状態ラベル５０２を選択し（ステップＳ１５２）、選択した業務状態ラベル５０２それぞれに適した事故リスク推定モデル２２５を選択して（ステップＳ１５２）、事故リスク推定を行う（ステップＳ１３４）。
　推定結果として、生体計測－業務状態データ２２４に含まれる日時４０２の時間帯が危険な場面であるか否かが出力される。推定結果は、「危険である」「危険でない」などの２値ラベルでもよいし、「危険度」等のように表現される、事故が発生する確率やその深刻度等に相当する連続値でもよい。
　図１８は、推定結果が「危険である」またはそれに準ずる状況であった場合に、推定結果を提示する処理（ステップＳ１０５）により提示されるフィードバックの例を示す説明図である。車両Ｖに搭載されたスピーカやその他の注意喚起装置１６０１が、事故リスクが高い生体計測データ２２１を検知したことを発報する。
　また、発報の際に、推定モデルに入力された生体計測－業務状態データ２２４を参照し、生体計測データ２２１や業務状態ラベル５０２から眠気や蓄積疲労、興奮などの状態を推定可能である場合は、車両Ｖに搭載されたスピーカやその他の注意喚起装置１６０１は、運転者１６０２がその状態に陥っていないかを確認する呼びかけ１６０３を発してもよい。また、車両Ｖに搭載されたスピーカやその他の注意喚起装置１６０１は、業務状態ラベル５０２ごとに対応した、その業務を行っている状況で実施可能な行動を促す呼びかけ１６０４を発してもよい。
　図１９は、生体計測データ２２１を取得した日の業務終了後、またはその翌日以降に、運転者や管理者が過去の事故リスクの推移を参照できるようなフィードバックの例を示す説明図である。出力装置４４のフィードバック画面１７０１から、経時的な事故リスクと業務状態の推移１７０２を同時に確認することが可能である。さらに、事故リスクが高く危険であると記録された過去の場面に対して、当時の生体計測データ２２１と業務状態ラベル５０２から、どのような状況であったか、または危険であると判定された要因の候補を示す文字列１７０３が表示されてもよい。
　このように、上述した実施例の運行管理補助装置２によれば、たとえば、運転中を含む複数の業務状態が不規則に混在する計測条件下であっても、業務中の運転者から計測した生体データを用いて、多様な業務場面に対応した事故リスク推定を行うことができる。なお、本発明は物流トラックや夜行バス等の長距離を走行する業務用車両の運転者に限定されず、近距離のバスやタクシー、鉄道や航空機にも適用可能である。
　なお、上述した実施例では、運行管理補助システム１が図３に示したステップＳ１０１～Ｓ１０５の処理を実行したが、運行管理補助システム１は、ステップＳ１０１～Ｓ１０３までの学習（推定モデルの生成）のみを実行し、外部システムがステップＳ１０４，Ｓ１０５の事故リスク推定のみを実行してもよい。また、外部システムがステップＳ１０１～Ｓ１０３までの学習（推定モデルの生成）のみを実行し、運行管理補助システム１がステップＳ１０４，Ｓ１０５の事故リスク推定のみを実行してもよい。
　なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例および同等の構成が含まれる。たとえば、前述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説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。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てもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。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、または置換をしてもよい。
　また、前述した各構成、機能、処理部、処理手段等は、それらの一部または全部を、たと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く、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、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置、または、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）の記録媒体に格納することができる。
　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、実装上必要な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、ほとんど全ての構成が相互に接続されていると考えてよい。

Claims (15)

  1. 　プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する運行管理補助システムであって、
    　前記プロセッサは、運転者の生体に関する生体計測データと前記運転者の業務状態に関する業務状態データとを関連付けた関連付けデータの第１集合と、前記運転者の運転の危険性を示す危険判定結果の第２集合と、にアクセス可能であり、
    　前記プロセッサは、
    　前記第１集合から前記運転者の特定の業務状態に関する関連付けデータ群を業務状態別に取得し、前記第２集合から前記運転者の前記特定の業務状態における特定の危険判定結果群を取得する第１取得処理と、
    　前記第１取得処理によって取得された、前記特定の業務状態に関する関連付けデータ群と、前記特定の業務状態における特定の危険判定結果群と、を用いて、前記特定の業務状態における前記運転者の事故リスクを推定する推定モデルを前記特定の業務状態別に生成して、第３集合に保存する生成処理と、
    　を実行することを特徴とする運行管理補助システム。
  2. 　請求項１に記載の運行管理補助システムであって、
    　前記生体計測データは、前記運転者の心拍に基づくデータである、
    　ことを特徴とする運行管理補助システム。
  3. 　請求項２に記載の運行管理補助システムであって、
    　前記運転者の心拍に基づくデータは、前記運転者の自律神経機能に関するデータである、
    　ことを特徴とする運行管理補助システム。
  4. 　請求項１に記載の運行管理補助システムであって、
    　前記関連付けデータは、同一運転者の同一時間帯における前記生体計測データおよび前記業務状態データを関連付けたデータである、
    　ことを特徴とする運行管理補助システム。
  5. 　請求項１に記載の運行管理補助システムであって、
    　前記プロセッサは、
    　前記生体計測データと、同一運転者の同一時間帯における前記業務状態データの前記業務状態と、を関連付けて、前記第１集合に保存する関連付け処理を実行し、
    　前記第１取得処理では、前記プロセッサは、前記関連付け処理によって関連付けされた関連付けデータが保存されている前記第１集合から、前記運転者の特定の業務状態に関する関連付けデータ群を取得する、
    　ことを特徴とする運行管理補助システム。
  6. 　請求項５に記載の運行管理補助システムであって、
    　前記関連付け処理では、前記プロセッサは、前記生体計測データを時分割し、時分割された生体計測データ群の各々について、同一運転者の同一時間帯における前記業務状態データの前記業務状態を関連付けて、前記第１集合に保存する、
    　ことを特徴とする運行管理補助システム。
  7. 　請求項６に記載の運行管理補助システムであって、
    　前記プロセッサは、
    　時分割された生体計測データ群の中から、前記関連付け処理の対象外となる挙動を示す不正データを検出する検出処理を実行し、
    　前記関連付け処理では、前記プロセッサは、前記検出処理によって検出された不正データについては関連付けしない、
    　ことを特徴とする運行管理補助システム。
  8. 　請求項７に記載の運行管理補助システムであって、
    　前記検出処理では、前記プロセッサは、前記生体計測データが心拍に基づくデータである場合、心拍間隔で時分割された生体計測データ群の中から、前記不正データを検出する、
    　ことを特徴とする運行管理補助システム。
  9. 　請求項７に記載の運行管理補助システムであって、
    　前記検出処理では、前記プロセッサは、前記時分割された生体計測データ群の中から、体動ノイズに基づく挙動を示す不正データを検出する、
    　ことを特徴とする運行管理補助システム。
  10. 　請求項５に記載の運行管理補助システムであって、
    　前記プロセッサは、
    　前記運転者の行動、前記運転者の行動を記録した記録データ、および、前記運転者が運転した車両の挙動のうち少なくとも１つに基づいて、前記業務状態データを設定する設定処理を実行し、
    　前記関連付け処理では、前記プロセッサは、前記生体計測データと、前記設定処理によって設定された同一運転者の同一時間帯における前記業務状態データの前記業務状態と、を関連付けて、前記第１集合に保存する、
    　ことを特徴とする運行管理補助システム。
  11. 　請求項１に記載の運行管理補助システムであって、
    　前記プロセッサは、
    　予測対象の関連付けデータを取得する第２取得処理と、
    　前記第２取得処理によって取得された前記予測対象の関連付けデータに含まれる業務状態と同一業務状態についての推定モデルを、前記第３集合から選択する選択処理と、
    　前記選択処理によって選択された推定モデルに、前記予測対象の関連付けデータを入力することにより、前記予測対象についての事故リスクを推定する推定処理と、
    　前記推定処理による推定結果を出力する出力処理と、
    　を実行することを特徴とする運行管理補助システム。
  12. 　請求項１１に記載の運行管理補助システムであって、
    　前記出力処理では、前記プロセッサは、前記推定結果を前記運転者に注意喚起する情報を出力する、
    　ことを特徴とする運行管理補助システム。
  13. 　請求項１１に記載の運行管理補助システムであって、
    　前記出力処理では、前記プロセッサは、前記推定結果として、前記予測対象についての事故リスクと、前記予測対象の関連付けデータに含まれている前記業務状態と、の推移を表示可能に出力する、
    　ことを特徴とする運行管理補助システム。
  14. 　プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する運行管理補助システムであって、
    　前記プロセッサは、運転者の生体に関する生体計測データと前記運転者の業務状態に関する業務状態データとを関連付けた関連付けデータと、前記運転者の運転の危険性を示す危険判定結果と、によって業務状態別に学習された、前記運転者の事故リスクを推定する業務状態別の推定モデル群にアクセス可能であり、
    　前記プロセッサは、
    　予測対象についての関連付けデータを取得する取得処理と、
    　前記取得処理によって取得された前記予測対象についての関連付けデータに含まれる業務状態と同一業務状態についての推定モデルを、前記推定モデル群から選択する選択処理と、
    　前記選択処理によって選択された推定モデルに、前記予測対象についての関連付けデータを入力することにより、前記予測対象についての事故リスクを推定する推定処理と、
    　前記推定処理による推定結果を出力する出力処理と、
    　を実行することを特徴とする運行管理補助システム。
  15. 　プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する運行管理補助システムによる運行管理補助方法であって、
    　前記プロセッサは、運転者の生体に関する生体計測データと前記運転者の業務状態に関する業務状態データとを関連付けた関連付けデータの第１集合と、前記運転者の運転の危険性を示す危険判定結果の第２集合と、にアクセス可能であり、
    　前記プロセッサは、
    　前記第１集合から前記運転者の特定の業務状態に関する関連付けデータ群を業務状態別に取得し、前記第２集合から前記運転者の前記特定の業務状態における特定の危険判定結果群を取得する取得処理と、
    　前記取得処理によって取得された、前記特定の業務状態に関する関連付けデータ群と、前記特定の業務状態における特定の危険判定結果群と、を用いて、前記特定の業務状態における前記運転者の事故リスクを推定する推定モデルを生成して、第３集合に保存する生成処理と、
    　を実行することを特徴とする運行管理補助方法。
PCT/JP2022/021596 2021-06-08 2022-05-26 運行管理補助システムおよび運行管理補助方法 WO2022259881A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280040215.9A CN117461064A (zh) 2021-06-08 2022-05-26 运行管理辅助系统以及运行管理辅助方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021095970A JP2022187790A (ja) 2021-06-08 2021-06-08 運行管理補助システムおよび運行管理補助方法
JP2021-095970 2021-06-08

Publications (1)

Publication Number Publication Date
WO2022259881A1 true WO2022259881A1 (ja) 2022-12-15

Family

ID=84425997

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/021596 WO2022259881A1 (ja) 2021-06-08 2022-05-26 運行管理補助システムおよび運行管理補助方法

Country Status (3)

Country Link
JP (1) JP2022187790A (ja)
CN (1) CN117461064A (ja)
WO (1) WO2022259881A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007171154A (ja) * 2005-11-22 2007-07-05 Equos Research Co Ltd 運転支援装置
WO2020225956A1 (ja) * 2019-05-09 2020-11-12 株式会社日立物流 運転の危険リスクを予測するシステム
WO2021251351A1 (ja) * 2020-06-09 2021-12-16 株式会社日立物流 運行支援方法、運行支援システム及び運行支援サーバ

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007171154A (ja) * 2005-11-22 2007-07-05 Equos Research Co Ltd 運転支援装置
WO2020225956A1 (ja) * 2019-05-09 2020-11-12 株式会社日立物流 運転の危険リスクを予測するシステム
WO2021251351A1 (ja) * 2020-06-09 2021-12-16 株式会社日立物流 運行支援方法、運行支援システム及び運行支援サーバ

Also Published As

Publication number Publication date
CN117461064A (zh) 2024-01-26
JP2022187790A (ja) 2022-12-20

Similar Documents

Publication Publication Date Title
US9676395B2 (en) Incapacitated driving detection and prevention
CN111164660B (zh) 信息处理装置、信息处理方法和程序
US10078871B2 (en) Systems and methods to identify and profile a vehicle operator
US7283056B2 (en) Method and computer program for identification of inattentiveness by the driver of a vehicle
JP4803490B2 (ja) 運転者状態推定装置及び運転支援装置
CN110648075A (zh) 驾驶安全评估方法及装置
JP6301758B2 (ja) 運転者危機管理装置、運転者危機管理方法、および運転者危機管理プログラム
US20230211780A1 (en) Operation support method, operation support system, and operation support server
CN107521485A (zh) 基于车辆制动的驾驶行为分析
JP7074069B2 (ja) 情報処理装置および方法、並びにプログラム
JP7156268B2 (ja) 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
JP6550288B2 (ja) サーバー装置、ライフログシステムおよび注意情報出力方法
US20210043077A1 (en) Driving behavior evaluation device, driving behavior evaluation method, and storage medium
JP7437241B2 (ja) 運行支援方法、運行支援システム及び運行支援サーバ
Atwood et al. Evaluate driver response to active warning system in level-2 automated vehicles
WO2022259881A1 (ja) 運行管理補助システムおよび運行管理補助方法
JP2022051216A (ja) 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ
JP2019061498A (ja) 点呼・点検支援装置、点呼・点検支援システム及び点呼・点検支援プログラム
KR20110066883A (ko) 지능형 차량 사고 경고 장치
WO2020225956A1 (ja) 運転の危険リスクを予測するシステム
US20220351614A1 (en) Accident risk diagnosis method, accident risk diagnosis apparatus, and accident risk diagnosis system
Lee et al. Predicting Driver's mental workload using physiological signals: A functional data analysis approach
Lloyd et al. Estimating the potential impact of vehicle secondary safety regulations and consumer testing programs on road casualties in emerging markets
US11964664B2 (en) Driving assistance method, driving assistance system, and server
Taylor Data mining of vehicle telemetry data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22820063

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE