WO2025041218A1 - データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム - Google Patents

データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム Download PDF

Info

Publication number
WO2025041218A1
WO2025041218A1 PCT/JP2023/029962 JP2023029962W WO2025041218A1 WO 2025041218 A1 WO2025041218 A1 WO 2025041218A1 JP 2023029962 W JP2023029962 W JP 2023029962W WO 2025041218 A1 WO2025041218 A1 WO 2025041218A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
driver
unused
data analysis
classification
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2023/029962
Other languages
English (en)
French (fr)
Inventor
大佑 ▲高▼橋
達也 横山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to PCT/JP2023/029962 priority Critical patent/WO2025041218A1/ja
Priority to JP2023580605A priority patent/JPWO2025041218A1/ja
Publication of WO2025041218A1 publication Critical patent/WO2025041218A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Definitions

  • Cited Document 1 discloses, as a specific example, a technology for estimating the classification of a driver's driving characteristics using the timing at which the accelerator is released just before an intersection.
  • driving characteristics are considered to differ depending on the region or country. Therefore, it is necessary to adjust the classification estimation rules to deal with the decrease in classification accuracy in a place different from the region or country where the experimental data was acquired. In this case, it is necessary to analyze multiple sensor data for each condition (driving straight, turning, passing through a specific intersection, etc.). Therefore, the burden of understanding the difference between the classification ability of the experimental data and the classification ability of the operational data is very high. Therefore, there is a need for a method to assist in analyzing the classification capabilities of operational data.
  • the purpose of this disclosure is to support the analysis of the classification capabilities of operational data while reducing the amount of data and preserving operational data in a way that allows data analysts to understand the shape of the data.
  • the data analysis device comprises: A data analysis device provided in a driving assistance system that estimates a classification of each driver who drives each vehicle based on time-series data consisting of data acquired by a sensor provided in each vehicle, and determines driving assistance content based on the estimated classification, a comparison unit that determines whether or not an unused item has a capability of classifying the first driver and the second driver into different classifications based on a feature amount of first unused data that is time-series data corresponding to both the first driver and the unused item and a feature amount of second unused data that is time-series data corresponding to both the second driver and the unused item when each classification of a first driver and a second driver is estimated to be a target classification
  • the unused items are items corresponding to combinations of target sensors provided in each vehicle and target driving behaviors that are driving behaviors performed while each vehicle is being driven.
  • the comparison unit determines whether or not there is classification ability for unused items based on the feature amounts of the time series data corresponding to the unused items.
  • the time series data corresponding to the unused items may be data in operation. Therefore, the data analysis device can support the analysis of the classification ability of the data in operation. Furthermore, since it is sufficient for the feature amounts to be preserved in supporting the analysis of the classification ability, the data in operation may be preserved with a reduced amount of data. Furthermore, the feature amounts may be useful for understanding the shape of the data in operation. Therefore, according to the present disclosure, it is possible to support the analysis of the classification ability of the data in operation while preserving the data in operation with a reduced amount of data in a manner that allows the data analyst to understand the shape of the data in operation.
  • FIG. 1 is a diagram showing an example of the configuration of a driving assistance system 90 according to a first embodiment.
  • FIG. 4 is a diagram showing a specific example of data stored in a data storage unit 290 according to the first embodiment.
  • FIG. 2 is a diagram for explaining an outline of the operation of the driving assistance system 90 according to the first embodiment.
  • 5 is a diagram for explaining the processing of a driving characteristics determination unit 220 according to the first embodiment.
  • FIG. 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 2 is a diagram showing an example of a hardware configuration of a data analysis apparatus 200 according to the first embodiment.
  • 5 is a flowchart showing the operation of a comparison section 240 according to the first embodiment.
  • 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 5 is a diagram for explaining the processing of a comparison unit 240 according to the first embodiment.
  • FIG. 13 is a diagram showing an example of a hardware configuration of a data analysis apparatus 200 according to a modification of the first embodiment.
  • FIG. 1 shows an example of the configuration of a driving assistance system 90 according to the first embodiment.
  • the driving assistance system 90 includes an automobile 100 and a data analysis device 200.
  • the driving assistance system 90 may include a plurality of other automobiles 100.
  • the driving assistance system 90 estimates the classification of each driver who has driven each automobile 100 based on time-series data consisting of data acquired by a sensor included in each automobile 100, and determines the driving assistance content based on the estimated classification.
  • Each automobile 100 may also be referred to as a target automobile.
  • the automobile 100 and the data analysis device 200 are communicatively connected via an exterior communication channel 20.
  • a specific example of the exterior communication channel 20 is the Internet.
  • the automobile 100 includes a driving operation detection unit 110, a driver information acquisition unit 120, an on-board control device 130, a driving assistance unit 140, and a temporary data storage unit 190.
  • the configuration of the other parts of the automobile 100 is the same as the configuration of the automobile 100.
  • the driving operation detection unit 110 includes sensors such as an accelerator sensor 111, a brake sensor 112, a vehicle speed sensor 113, an acceleration sensor 114, a steering angle sensor 115, and a GPS (Global Positioning System) sensor 116.
  • the driving operation detection unit 110 detects the driving operation of the driver of the automobile 100 using each of the sensors included in the driving operation detection unit 110.
  • the driver information acquisition unit 120 is equipped with an in-vehicle camera 121 .
  • the vehicle-mounted camera 121 is a camera mounted on the automobile 100 .
  • the on-board control device 130 includes a driving behavior determination unit 131, a feature calculation unit 132, and a communication function unit 133.
  • the data acquired by the on-board control device 130 from each of the driving operation detection unit 110 and the driver information acquisition unit 120 is typically time-series data, and corresponds to sensor data, on-board sensor data, or sensor signal data.
  • the driving behavior determination unit 131 determines the driving behavior of the driver based on the data acquired by each sensor.
  • a method for automatically determining the driving behavior based on a rule base from values such as the acceleration of the vehicle is considered in [Reference 1] and the like.
  • the driving behavior determination unit 131 determines the driving behavior using the method shown in "2.1 Development of a description method for driving behavior (classification and definition of driving behavior)" in “1.3. Driving behavior database” in “Part II Project research and development results” in [Reference 1], and assigns a label based on the determination result.
  • the feature amount calculation unit 132 calculates feature amounts corresponding to the data acquired by each sensor.
  • the communication function unit 133 has a function of communicating with the outside.
  • the driving assistance unit 140 performs driving assistance for the automobile 100 and the driver based on the output of the on-board control device 130 and the data received from the data analysis device 200.
  • the temporary data storage unit 190 is a memory area that temporarily stores various data.
  • the data analysis device 200 includes a communication function unit 210, a driving characteristic determination unit 220, a driving characteristic utilization unit 230, a comparison unit 240, a data storage unit 290, and a driving pattern DB (database) 291.
  • the data analysis device 200 is realized by a server system.
  • the communication function unit 210 has the function of communicating with the outside world.
  • the driving characteristics determination unit 220 is a determiner that determines the driver's driving characteristics based on the data stored in the data storage unit 290.
  • the driving characteristic utilization unit 230 includes a driving assistance determination unit 231 and a driving characteristic notification unit 232 .
  • the driving assistance determination unit 231 determines a driving assistance method based on the driving characteristics determined by the driving characteristics determination unit 220 .
  • the driving characteristic notifying unit 232 notifies the analysis result using user of the analysis result of the driving characteristic determining unit 220.
  • the analysis result using user is a user who uses the analysis result of the driving characteristics, and specific examples thereof include an insurance company or a bus management company.
  • the comparison unit 240 corresponds to a comparator, compares the data stored in the data storage unit 290, and outputs data indicating the comparison result to a data analyst. As a specific example, the comparison unit 240 determines whether or not multiple drivers classified in the same category can be classified into different categories based on the data stored in the data storage unit 290.
  • the comparison unit 240 is also called a feature selection support unit. That is, when it is estimated that each of the classifications of the first driver and the second driver is a target classification, the comparison unit 240 determines whether the unused items have the ability to classify the first driver and the second driver into different classifications based on the feature amount of the first unused data and the feature amount of the second unused data.
  • the target classification indicates one classification.
  • the first unused data is time series data corresponding to both the first driver and the unused items.
  • the second unused data is time series data corresponding to both the second driver and the unused items.
  • the unused items are items that are not used when estimating each of the classifications of the first driver and the second driver, and are items that correspond to a combination of a target sensor provided in each automobile 100 and a target driving behavior that is a driving behavior during driving of each automobile 100.
  • the unused items indicate a combination of a type of driving behavior and a type of sensor signal.
  • the feature amount of the first unused data may include information indicating a distribution characteristic of the first unused data.
  • the feature amount of the second unused data may include information indicating a distribution characteristic of the second unused data.
  • the comparison unit 240 may determine whether or not the unused items have the ability to classify the first driver and the second driver into different classifications according to an overlapping section between the distribution of the first unused data and the distribution of the second unused data.
  • the comparison unit 240 may determine whether or not the unused items have the ability to classify the first driver and the second driver into different classifications according to an overlapping section between the section from the first quartile to the third quartile in the first unused data and the section from the first quartile to the third quartile in the second unused data.
  • Each of the feature amount of the first unused data and the feature amount of the second unused data may include information used to draw a box plot.
  • the comparison unit 240 may output a result of determining whether or not the unused items have the ability to classify the first driver and the second driver into different classifications.
  • the feature quantities of the unused data correspond to the feature components of the time-series data acquired from the sensor.
  • a specific example of the feature components is a statistic.
  • the data storage unit 290 stores data acquired from the automobile 100.
  • the data stored in the data storage unit 290 corresponds to a sensor signal.
  • Fig. 2 shows a specific example of data stored in the data storage unit 290.
  • the data storage unit 290 stores, for each driver, data indicating each driver, the date and time of travel of the automobile 100, a label indicating the driving behavior of each driver, and a feature amount of data acquired by each sensor equipped in the automobile 100.
  • the driving pattern DB 291 stores data for determining driving characteristics, which data indicates each driving pattern.
  • the driving pattern DB 291 may store data indicating data used by the driving characteristics determination unit 220.
  • the driving pattern DB 291 may also store data input by a data analyst.
  • Fig. 3 is a diagram for explaining an outline of the operation of the driving assistance system 90.
  • the operation of the driving assistance system 90 will be explained with reference to Fig. 3.
  • the driving characteristic determination unit 220 classifies each of the driver A and the driver B based on data corresponding to the driving characteristics of the driver A and the driver B, which is a part of the data stored in the data storage unit 290.
  • each of the driver A and the driver B is classified into a safe driving cluster.
  • the data used is data corresponding to the timing of turning off the accelerator before an intersection. Since the classification of the driving characteristics is the same, the driving assistance for the driver A and the driver B is the same.
  • the comparison unit 240 confirms that the driver A and the driver B have been classified into the same classification by the driving characteristic determination unit 220. Thereafter, the comparison unit 240 determines whether or not it is possible to classify the driver A and the driver B into different classifications by using data that has not been used by the driving characteristic determination unit 220 when classifying the driver A and the driver B among the data stored in the data storage unit 290. Specific examples of the data to be used include data indicating the acceleration or speed of the automobile 100, or the line of sight of the driver. Next, the comparison unit 240 presents to the data analyst data indicating the determination result of the driving characteristics determination unit 220 and data indicating that the determination result of the driving characteristics determination unit 220 may be erroneous.
  • the driving characteristic determining unit 220 executes a classification estimation method. The process of the driving characteristic determining unit 220 will be explained with reference to FIG.
  • the driving characteristic determination unit 220 estimates the classification of each of the drivers A to E according to the classification estimation rule. Specifically, the driving characteristic determination unit 220 estimates the classification of each of the drivers A to E using the on-board sensor data corresponding to each of the drivers A to E, which corresponds to each of the items I1 and I2.
  • the classification estimation rule is a rule for estimating the classification of each driver according to the driving characteristic.
  • the classification estimation rule is a rule indicating a clustering method such as the k-means method and each data used in the clustering method.
  • the on-board sensor data is data acquired when each driver drives the automobile 100 six times.
  • Data indicating a feature amount extracted from the on-board sensor data is sometimes called on-board sensor data.
  • the feature amount is a quartile.
  • Each item corresponds to a combination of any driving behavior label and any one of the sensors equipped in the automobile 100. When two items are different from each other, at least one of the driving action labels corresponding to the two items and the sensors corresponding to the two items are different from each other.
  • Each driver corresponds to a subject.
  • the driving characteristic determination unit 220 infers that Driver A, Driver B, and Driver C are in the same classification with respect to the driving characteristics corresponding to items I1 and I2.
  • the clustering result is utilized for driving assistance.
  • the comparison unit 240 performs processing for each cluster with respect to multiple drivers belonging to each cluster. That is, the comparison unit 240 performs processing for multiple drivers whose driving characteristics are inferred to be in the same classification. Note that the classifications corresponding to each of the multiple clusters may be inferred to be the same.
  • Fig. 5 to Fig. 7 are diagrams for explaining the processing of the comparison section 240.
  • the processing of the comparison section 240 will be explained using Fig. 5 to Fig. 7.
  • Each of Fig. 5 to Fig. 7 corresponds to Fig. 4.
  • the comparison unit 240 selects, from among the data stored in the data storage unit 290, data that the driving characteristics determination unit 220 did not use when classifying each driver as unused data.
  • the unused data is selected according to the corresponding driving behavior label and the corresponding sensor.
  • the unused data corresponds to the actual data identified from the "driver" and the "unused item".
  • the data is time-series data obtained from the sensor.
  • the unused data is assumed to be data corresponding to item I3.
  • the comparison unit 240 determines whether or not the corresponding unused data between a plurality of drivers who have been determined by the driving characteristic determination unit 220 to have the same driving characteristics show a similar tendency.
  • the unused data corresponding to each driver is usually expected to be concentrated in one place within the same cluster as shown in FIG. 5, or to vary randomly and uncorrelated as shown in FIG. 6, when each driver belongs to the same classification.
  • the classification estimation rule used by the driving characteristics determination unit 220 is a rule corresponding to a final stage that cannot be further detailed, or when the classification estimation rule is appropriate, the distribution of unused data is considered to be as shown in FIG. 5 or FIG. 6. However, in cases where unused data provides additional classification capabilities, it is expected that an event will be observed in which the data corresponding to each driver is distributed at positions that are not the same as each other on the axis corresponding to item I3, as shown in FIG. 7.
  • the comparison unit 240 checks whether all sensor data stored in the data storage unit 290 has classification capability and presents the check result to the data analyst. Note that the comparison unit 240 typically targets sensor data corresponding to one sensor in each check.
  • FIG. 8 shows an example of the hardware configuration of the data analysis device 200 according to this embodiment.
  • the data analysis device 200 is composed of a computer.
  • the data analysis device 200 may be composed of multiple computers.
  • the data analysis device 200 is a computer equipped with hardware such as a processor 11, a memory 12, an auxiliary storage device 13, an input interface 14, an output interface 15, and a communication device 16. These pieces of hardware are appropriately connected via signal lines.
  • the processor 11 is an integrated circuit (IC) that performs arithmetic processing and controls the hardware of the computer. Specific examples of the processor 11 include a central processing unit (CPU), a digital signal processor (DSP), and a graphics processing unit (GPU).
  • the data analysis apparatus 200 may include a plurality of processors that replace the processor 11. The plurality of processors share the role of the processor 11.
  • Memory 12 is typically a volatile storage device, and a specific example is RAM (Random Access Memory). Memory 12 is also called a primary storage device or main memory. Data stored in memory 12 is saved in auxiliary storage device 13 as necessary.
  • RAM Random Access Memory
  • the auxiliary storage device 13 is typically a non-volatile storage device, and specific examples thereof include a read only memory (ROM), a hard disk drive (HDD), or a flash memory. Data stored in the auxiliary storage device 13 is loaded into the memory 12 as necessary.
  • the memory 12 and the auxiliary storage device 13 may be integrated into one unit.
  • the input interface 14 is a port to which an input device is connected.
  • a specific example of the input interface 14 is a USB (Universal Serial Bus) terminal.
  • a specific example of the input device is a keyboard and a mouse.
  • the output interface 15 is a port to which an output device is connected.
  • a specific example of the output interface 15 is a USB (Universal Serial Bus) terminal.
  • a specific example of the output device is a display.
  • the communication device 16 is a receiver and a transmitter.
  • a specific example of the communication device 16 is a communication chip or a NIC (Network Interface Card).
  • Each part of the data analysis device 200 may use the input interface 14, output interface 15, and communication device 16 as appropriate when communicating with other devices, etc.
  • the auxiliary storage device 13 stores a data analysis program.
  • the data analysis program is a program that causes a computer to realize the functions of each part of the data analysis device 200.
  • the data analysis program is loaded into the memory 12 and executed by the processor 11.
  • the functions of each part of the data analysis device 200 are realized by software.
  • Data used when executing the data analysis program and data obtained by executing the data analysis program are appropriately stored in a storage device.
  • Each part of the data analysis device 200 appropriately uses a storage device.
  • the storage device is composed of at least one of the memory 12, the auxiliary storage device 13, a register in the processor 11, and a cache memory in the processor 11. Note that the terms "data” and "information” may have the same meaning.
  • the storage device may be independent of the computer.
  • the functions of the memory 12 and the auxiliary storage device 13 may be realized by other storage devices.
  • the data analysis program may be recorded in a computer-readable non-volatile recording medium.
  • Specific examples of the non-volatile recording medium include an optical disk and a flash memory.
  • the data analysis program may be provided as a program product.
  • the hardware configuration of the on-board control device 130 may be similar to the hardware configuration of the data analysis device 200 .
  • FIG. 9 is a flowchart showing an example of the operation of the comparison unit 240. The operation of the comparison unit 240 will be explained using FIG. 9.
  • Step S102 The comparison unit 240 identifies, from among the data indicating the characteristic quantities acquired in step S101, each piece of data corresponding to each unused item in the determination of the driving characteristics by the driving characteristics determination unit 220 as unused data.
  • Step S104 The comparison unit 240 creates an evaluation result indicating the result of evaluating the classification ability of each unused item based on the similarity judgment result, and presents the created evaluation result to the data analyst.
  • Fig. 10 is a diagram for explaining a specific example of the processing of steps S103 and S104. The processing of this step will be explained with reference to Fig. 10.
  • the target data is data indicating the median vehicle speed when the automobile 100 is traveling straight.
  • the comparison unit 240 determines whether or not the Q1-Q3 sections in the feature quantities of the target data corresponding to each driver overlap. Specifically, the Q1-Q3 section corresponding to driver A overlaps with the Q1-Q3 section corresponding to driver C. Therefore, the comparison unit 240 determines that the target data corresponding to driver A is similar to the target data corresponding to driver C.
  • the comparison unit 240 determines that the target data corresponding to driver B is not similar to the target data corresponding to each of the other drivers.
  • the comparison unit 240 generates a similarity judgment table based on the similarity judgment result.
  • “1” indicates that there is similarity between the two drivers in terms of driving characteristics
  • "0" indicates that there is no similarity between the two drivers in terms of driving characteristics.
  • the comparison unit 240 evaluates the classification ability of the target data based on the generated similarity judgment table.
  • the comparison unit 240 determines that the target data has the ability to classify into two types, that is, the target data has the ability to classify multiple drivers into two types in terms of driving characteristics.
  • the target data has the ability to classify multiple drivers into two types in terms of driving characteristics.
  • Driver A and Driver C have the same driving characteristics
  • Driver B has different driving characteristics, based on the target data.
  • driving characteristics are considered to differ from region to region (e.g., Kanto region and Kansai region, etc.).
  • region to region e.g., Kanto region and Kansai region, etc.
  • the classification ability of each unused item corresponding to the operational data in the Kanto region is considered to be low.
  • the classification ability of each unused item may be high. According to this embodiment, it is relatively easy to adjust the classification estimation rules between multiple regions with different driving habits.
  • FIG. 12 shows an example of the hardware configuration of a data analysis apparatus 200 according to this modification.
  • the data analysis apparatus 200 includes a processing circuit 18 in place of the processor 11 , the processor 11 and the memory 12 , the processor 11 and the auxiliary storage device 13 , or the processor 11 , the memory 12 , and the auxiliary storage device 13 .
  • the processing circuitry 18 is hardware that realizes at least a portion of each unit of the data analysis apparatus 200 .
  • the processing circuitry 18 may be dedicated hardware, or may be a processor that executes programs stored in the memory 12 .
  • the configuration of the driving assistance system 90 according to the second embodiment is similar to the configuration of the driving assistance system 90 according to the first embodiment.
  • the feature calculation unit 132 determines whether or not time series data consisting of data acquired by a sensor provided in the automobile 100 equipped with the feature calculation unit 132 has a single peak, and generates information indicating the determination result.
  • the communication function unit 210 receives first unimodal information and second unimodal information.
  • the first unimodal information is information indicating whether the first unused data has unimodal properties, and is information indicating a result of a determination made in the automobile 100 from which the first unused data was acquired.
  • the second unimodal information is information indicating whether the second unused data has unimodal properties, and is information indicating a result of a determination made in the automobile 100 from which the second unused data was acquired.
  • Each of the first unimodal information and the second unimodal information is information calculated by a feature calculation unit 132 provided in any one of the automobiles 100.
  • the first unimodal information and the second unimodal information may be information generated in different automobiles 100.
  • the comparison section 240 outputs the first unimodal information and the second unimodal information.
  • the distribution shape of each sensor data is considered to be important. Statistical quantities such as mean and variance that are generally used as features are parameters that assume normal distribution, etc. Therefore, if the distribution shape of each sensor data differs from the assumed distribution shape, it is not appropriate to extract these features from each sensor data.
  • operational data may have an unknown data distribution that was not obtained when the experimental data was acquired.
  • information indicating relative positions (min/Q1/median/Q3/max) in the distribution is extracted in order to retain information indicating the shape of the distribution.
  • a specific example of the information indicating the relative positions is information for drawing a box-and-whisker plot, which is often used to confirm the distribution outline.
  • automobile 100 determines whether the distribution shape is unimodal, and adds a flag indicating the determination result to the data that automobile 100 transmits to data analysis device 200.
  • the Silberman test and the like are known as algorithms for determining unimodality.
  • the information indicating the relative position may include information indicating other statistics, or information indicating data distribution such as a histogram.
  • 13 is a diagram for explaining the process of extracting information indicating a relative position.
  • the notations "stop" and “go straight” correspond to driving action labels.
  • relative position information is extracted from the data distribution when the automobile 100 is traveling straight.
  • the relative position information indicates the minimum value, the first quartile, the median value, the third quartile, the maximum value, and the outlier as the respective relative positions.
  • data indicating a flag indicating the presence of unimodality is transmitted to the data analysis device 200.
  • Step S201 The on-board control device 130 acquires sensor data from each of the driving performance detection unit 110 and the driver information acquisition unit 120 . It should be noted that steps S201 and S202 are repeatedly executed while the automobile 100 is traveling.
  • Step S202 The on-board controller 130 stores the sensor data acquired in step S201 in the temporary data storage unit 190.
  • Step S203 The driving behavior determination unit 131 assigns a corresponding driving behavior label and corresponding driver information to each piece of sensor data stored in the temporary data storage unit 190.
  • Step S204 The feature amount calculation unit 132 determines whether each piece of sensor data is unimodal for each driving behavior, and also extracts a feature amount (relative position) of each piece of sensor data.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

運転支援システム（９０）が備えるデータ分析装置（２００）は比較部（２４０）を備える。比較部（２４０）は、第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、第１運転手と未使用項目との双方に対応する第１未使用データの特徴量と、第２運転手と未使用項目との双方に対応する第２未使用データの特徴量とに基づいて、未使用項目が、第１運転手と第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する。未使用項目は、第１運転手と第２運転手との各々の分類を推定する際に使用されていない項目であり、各自動車が備える対象センサと、対象運転行動との組み合わせに対応する項目である。

Description

データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム
　本開示は、データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラムに関する。
　自動車の運転支援技術において、自動車に搭載されているセンサが取得したデータを使用して運転手の運転特性の分類を推定する方法がある。引用文献１は、具体例として、交差点の手前においてアクセルをＯＦＦにするタイミングを使用して運転手の運転特性の分類を推定する技術を開示している。
特開２０１１－０９６０６１号公報
　データに基づいて分類推定ルール（アルゴリズム）を開発するデータ駆動開発において、開発時に取得した実験データに加えて、ユーザが日常的に自動車を運転する等ユーザが自動車を運用している際のデータ（運用中データ）を収集し、収集した運用中データを活用することによって分類推定ルールを継続的に改善する方法がある。当該方法には次の課題がある。
　具体例として、運転特性は地域又は国等に応じた違いがあると考えられる。そのため、実験データが取得された地域又は国等とは異なる場所における分類精度の低下に対応するために分類推定ルールを調整する必要がある。この際、条件毎（直進中・旋回中・特定交差点通過中等）に、複数のセンサデータを対象として分析する必要がある。そのため、実験データの分類能力と、運用中データの分類能力との差分を把握する負荷が非常に高い。
　従って、運用中データの分類能力の分析を支援する方式が求められている。
　また、運用中データを全て保存するために膨大なストレージ容量が必要である。そこで、平均及び分散等の統計量を保存することによりデータ量を削減すること等が行われる。しかしながら、平均及び分散等の統計量のみを保存することによっては元の運用中データの分布を保存することができない。そのため、保存されている運用中データの形状をデータ分析者が適切に把握することができないことがある。
　従って、データ量を削減して運用中データを保存する方式について工夫が求められている。
　本開示は、データ分析者が運用中データの形状を把握することができるような形でデータ量を削減して運用中データを保存しつつ、運用中データの分類能力の分析を支援することを目的とする。
　本開示に係るデータ分析装置は、
　各自動車が備えるセンサが取得したデータから成る時系列データに基づいて各自動車を運転した各運転手の分類を推定し、推定された分類に基づいて運転支援内容を決定する運転支援システムが備えるデータ分析装置であって、
　第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、前記第１運転手と前記第２運転手との各々の分類を推定する際に使用されていない項目を未使用項目としたとき、前記第１運転手と前記未使用項目との双方に対応する時系列データである第１未使用データの特徴量と、前記第２運転手と前記未使用項目との双方に対応する時系列データである第２未使用データの特徴量とに基づいて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する比較部
を備えるデータ分析装置であって、
　前記未使用項目は、各自動車が備える対象センサと、各自動車の運転中における運転行動である対象運転行動との組み合わせに対応する項目である。
　本開示によれば、比較部は、未使用項目に対応する時系列データの特徴量に基づいて未使用項目に関する分類能力の有無を判定する。ここで、未使用項目に対応する時系列データは運用中データであってもよい。そのため、データ分析装置は、運用中データの分類能力の分析を支援することができる。また、分類能力の分析の支援において特徴量が保存されていれば十分であるため、データ量を削減して運用中データが保存されていてもよい。さらに、特徴量は運用中データの形状の把握に役立つようなものであってもよい。従って、本開示によれば、データ分析者が運用中データの形状を把握することができるような形でデータ量を削減して運用中データを保存しつつ、運用中データの分類能力の分析を支援することができる。
実施の形態１に係る運転支援システム９０の構成例を示す図。 実施の形態１に係るデータ保存部２９０が格納するデータの具体例を示す図。 実施の形態１に係る運転支援システム９０の運用の概要を説明する図。 実施の形態１に係る運転特性判定部２２０の処理を説明する図。 実施の形態１に係る比較部２４０の処理を説明する図。 実施の形態１に係る比較部２４０の処理を説明する図。 実施の形態１に係る比較部２４０の処理を説明する図。 実施の形態１に係るデータ分析装置２００のハードウェア構成例を示す図。 実施の形態１に係る比較部２４０の動作を示すフローチャート。 実施の形態１に係る比較部２４０の処理を説明する図。 実施の形態１に係る比較部２４０の処理を説明する図。 実施の形態１の変形例に係るデータ分析装置２００のハードウェア構成例を示す図。 実施の形態２に係る相対位置情報を説明する図。 実施の形態２に係る自動車１００の動作を示すフローチャート。
　実施の形態の説明及び図面において、同じ要素及び対応する要素には同じ符号を付している。同じ符号が付された要素の説明は、適宜に省略又は簡略化する。図中の矢印はデータの流れ又は処理の流れを主に示している。また、「部」を、「回路」、「工程」、「手順」、「処理」又は「サーキットリー」に適宜読み替えてもよい。
　実施の形態１．
　以下、本実施の形態について、図面を参照しながら詳細に説明する。
＊＊＊構成の説明＊＊＊
　図１は、実施の形態１に係る運転支援システム９０の構成例を示している。運転支援システム９０は、図１に示すように、自動車１００と、データ分析装置２００とを備える。運転支援システム９０は、他の自動車１００を複数備えてもよい。運転支援システム９０は、各自動車１００が備えるセンサが取得したデータから成る時系列データに基づいて各自動車１００を運転した各運転手の分類を推定し、推定された分類に基づいて運転支援内容を決定する。各自動車１００を対象自動車と呼ぶこともある。
　自動車１００とデータ分析装置２００とは、車外通信路２０を介して通信可能に接続している。車外通信路２０は、具体例としてインターネットである。
　自動車１００は、運転操作検出部１１０と、運転手情報取得部１２０と、車載制御装置１３０と、運転支援部１４０と、一時データ保存部１９０とを備える。他の自動車１００の構成は、自動車１００の構成と同様である。
　運転操作検出部１１０は、アクセルセンサ１１１と、ブレーキセンサ１１２と、車速センサ１１３と、加速度センサ１１４と、操舵角センサ１１５と、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）センサ１１６等のセンサを備える。運転操作検出部１１０は、運転操作検出部１１０が備える各センサを用いて自動車１００の運転手の運転操作を検出する。
　運転手情報取得部１２０は、車載カメラ１２１を備える。
　車載カメラ１２１は、自動車１００に搭載されているカメラである。
　車載制御装置１３０は、運転行動判定部１３１と、特徴量算出部１３２と、通信機能部１３３とを備える。車載制御装置１３０が運転操作検出部１１０と運転手情報取得部１２０との各々から取得するデータは、典型的には時系列データであり、また、センサデータ、車載センサデータ、又はセンサ信号データに当たる。
　運転行動判定部１３１は、各センサが取得したデータに基づいて運転手の運転行動を判定する。なお、自動車の加速度等の値から運転行動をルールベースにより自動判定する方式が、［参考文献１］等において検討されている。運転行動判定部１３１は、具体例として、［参考文献１］の「第ＩＩ編　プロジェクトの研究開発成果」の「１．３．運転行動データベース」の「２．１　運転行動の記述法の開発（運転行動の分類・定義）」に示されている方法を使用して運転行動を判定し、判定結果に基づいてラベルを付与する。
　特徴量算出部１３２は、各センサが取得したデータに対応する特徴量を算出する。
　通信機能部１３３は、外部と通信する機能を有する。
［参考文献１］
　“「人間行動適合型生活環境創出システム技術」プロジェクト”、［ｏｎｌｉｎｅ］、平成１６年３月、（社）人間生活工学研究センター、［令和５年７月１１日検索］、インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｗｗｗ．ｈｑｌ．ｊｐ／ｄａｔａｂａｓｅ／ｗｐ－ｃｏｎｔｅｎｔ／ｕｐｌｏａｄｓ／ｋｏｄｏ＿ｐｒｏ１９９９－２００３．ｐｄｆ＞
　運転支援部１４０は、車載制御装置１３０の出力と、データ分析装置２００から受信したデータとに基づき、自動車１００及び運転手に対する運転支援を実行する。
　一時データ保存部１９０は、各種データを一時的に保存する記憶領域である。
　データ分析装置２００は、通信機能部２１０と、運転特性判定部２２０と、運転特性活用部２３０と、比較部２４０と、データ保存部２９０と、運転パターンＤＢ（Ｄａｔａｂａｓｅ）２９１とを備える。データ分析装置２００は、具体例としてサーバシステムにより実現される。
　通信機能部２１０は、外部と通信する機能を有する。
　運転特性判定部２２０は、判定器に当たり、データ保存部２９０に格納されているデータに基づいて運転手の運転特性を判定する。
　運転特性活用部２３０は、運転支援判定部２３１と、運転特性通知部２３２とを備える。
　運転支援判定部２３１は、運転特性判定部２２０によって判定された運転特性に基づいて運転支援手法を判定する。
　運転特性通知部２３２は、運転特性判定部２２０の分析結果を分析結果利用ユーザに通知する。分析結果利用ユーザは、運転特性の分析結果を利用するユーザであり、具体例として、保険会社又はバス管理会社である。
　比較部２４０は、比較器に当たり、データ保存部２９０に格納されているデータを比較し、比較した結果を示すデータをデータ分析者に向けて出力する。比較部２４０は、具体例として、データ保存部２９０に格納されているデータに基づいて、同じ分類に分類されている複数の運転手を互いに異なる分類に分類することができるか否かを判定する。比較部２４０は特徴選択支援部とも呼ばれる。
　つまり、比較部２４０は、第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、第１未使用データの特徴量と、第２未使用データの特徴量とに基づいて、未使用項目が、第１運転手と第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する。対象分類はある１つの分類を示す。第１未使用データは、第１運転手と未使用項目との双方に対応する時系列データである。第２未使用データは、第２運転手と未使用項目との双方に対応する時系列データである。未使用項目は、第１運転手と第２運転手との各々の分類を推定する際に使用されていない項目であり、各自動車１００が備える対象センサと、各自動車１００の運転中における運転行動である対象運転行動との組み合わせに対応する項目である。未使用項目は、運転行動の種類と、センサ信号の種類との組み合わせを示す。第１未使用データの特徴量は、第１未使用データの分布の特徴を示す情報を含んでもよい。第２未使用データの特徴量は、第２未使用データの分布の特徴を示す情報を含んでもよい。比較部２４０は、第１未使用データの分布と、第２未使用データの分布との重複区間に応じて、未使用項目が、第１運転手と第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定してもよい。比較部２４０は、第１未使用データにおける第１四分位数から第３四分位数の区間と、第２未使用データにおける第１四分位数から第３四分位数の区間との重複区間に応じて、未使用項目が、第１運転手と第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定してもよい。第１未使用データの特徴量と、第２未使用データの特徴量との各々は、箱ひげ図を描くことに用いられる情報を含んでもよい。比較部２４０は、未使用項目が、第１運転手と第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定した結果を出力してもよい。
　未使用データの特徴量は、センサから取得した時系列データの特徴成分に当たる。特徴成分は、具体例として統計量である。
　データ保存部２９０は、自動車１００から取得したデータを格納する。データ保存部２９０に格納されているデータは、センサ信号に対応するデータである。
　図２は、データ保存部２９０が格納するデータの具体例を示している。図２に示すように、データ保存部２９０には、各運転手と、自動車１００の走行日時と、各運転手の運転行動を示すラベルと、自動車１００が備える各センサが取得したデータの特徴量との各々を示すデータが運転手毎に保存される。
　運転パターンＤＢ２９１は、運転特性を判定するためのデータであって、各運転パターンを示すデータを格納する。運転パターンＤＢ２９１は、運転特性判定部２２０が使用するデータを示すデータを格納してもよい。運転パターンＤＢ２９１には、データ分析者によって入力されたデータが格納されることもある。
　図３は、運転支援システム９０の運用の概要を説明する図である。図３を用いて運転支援システム９０の運用を説明する。
　まず、運転特性判定部２２０は、データ保存部２９０に格納されている一部のデータであって、運転手Ａ及び運転手Ｂの各々に対応する運転特性に対応するデータに基づいて運転手Ａ及び運転手Ｂの各々を分類する。その結果、運転手Ａ及び運転手Ｂの各々は安全運転クラスターに分類される。使用されるデータは、具体例として、交差点前においてアクセルをＯＦＦにするタイミングに対応するデータである。なお、運転特性の分類が同じであるため、運転手Ａ及び運転手Ｂに対する運転支援は同じものとなる。
　次に、比較部２４０は、運転特性判定部２２０によって運転手Ａ及び運転手Ｂが同一の分類に分類されたことを確認する。その後、比較部２４０は、データ保存部２９０に格納されているデータのうち運転特性判定部２２０が運転手Ａ及び運転手Ｂを分類する際に使用しなかったデータを使用することにより、運転手Ａと運転手Ｂとを互いに異なる分類に分類することができる可能性があるか否かを判定する。使用されるデータは、具体例として、自動車１００の加速度若しくは速度、又は運転手の視線を示すデータである。
　次に、比較部２４０は、運転特性判定部２２０の判定結果を示すデータと、運転特性判定部２２０の判定結果が誤っている可能性があることを示すデータとをデータ分析者に対して提示する。
　図４は、運転特性判定部２２０の処理を説明する図である。運転特性判定部２２０は分類推定方法を実行する。図６を用いて運転特性判定部２２０の処理を説明する。
　運転特性判定部２２０は、分類推定ルールに従って運転手Ａから運転手Ｅの各々の分類を推定する。具体的には、運転特性判定部２２０は、運転手Ａから運転手Ｅの各々に対応する車載センサデータであって、項目Ｉ１及び項目Ｉ２の各々に対応する車載センサデータを使用して運転手Ａから運転手Ｅの各々の分類を推定する。ここで、分類推定ルールは、運転特性に応じて各運転手の分類を推定するルールである。分類推定ルールは、具体例として、ｋ－ｍｅａｎｓ法等のクラスタリング手法と、クラスタリング手法において使用する各データとを示すルールである。車載センサデータは、各運転手が自動車１００を６回運転した際に取得されたデータである。車載センサデータから抽出した特徴量を示すデータを車載センサデータと呼ぶこともある。特徴量は、具体例として４分位数である。各項目は、いずれかの運転行動ラベルと、自動車１００が備えるセンサのうちいずれか１つとの組み合わせに対応する。なお、２つの項目が互いに異なる場合に、当該２つの項目の間において、各項目に対応する運転行動ラベルと、各項目に対応するセンサとの少なくともいずれかが互いに異なる。各運転手は被験者に当たる。
　運転特性判定部２２０により、運転手Ａと運転手Ｂと運転手Ｃとは項目Ｉ１及び項目Ｉ２に対応する運転特性に関して同じ分類であると推論される。ここで、同じクラスターに所属する複数の運転手は互いに同じ運転特性を有する分類に所属するものと推定されている。なお、クラスタリング結果は運転支援に活用される。
　その後、比較部２４０は、クラスター毎に、各クラスターに属する複数の運転手を対象として処理を実行する。つまり、比較部２４０は、運転特性が同一の分類であると推論された複数の運転手を対象に処理を行う。なお、複数のクラスターの各々に対応する分類が同一であると推論されてもよい。
　図５から図７は、比較部２４０の処理を説明する図である。図５から図７を用いて比較部２４０の処理を説明する。なお、図５から図７の各々は図４に対応する図である。
　比較部２４０は、データ保存部２９０に保存されているデータのうち、運転特性判定部２２０が各運転手の分類時に使用しなかったデータを未使用データとして選択する。未使用データは、具体例として、対応する運転行動ラベルと、対応するセンサとに応じて選択される。未使用データは、「運転手」と「未使用項目」とから特定されるデータの実態に当たる。当該データは、センサから取得した時系列データである。ここで、未使用データは項目Ｉ３に対応するデータであるものとする。
　比較部２４０は、運転特性判定部２２０によって同一の運転特性を有すると判定された複数の運転手間において、対応する未使用データが類似した傾向であるか否かを判定する。
　ここで、各運転手に対応する未使用データは、通常、各運転手が同一の分類に属する場合において、図５に示すように同一のクラスター内において１か所に固まること、又は、図６に示すように無相関にランダムにばらつくことが予想される。
　つまり、運転特性判定部２２０が使用する分類推定ルールがそれ以上詳細化することができない最終段階に対応するルールである場合、又は当該分類推定ルールが適切である場合等において、未使用データの分布は、図５又は図６に示すような分布になると考えられる。
　しかしながら、未使用データが追加の分類能力する場合等において、図７に示すように、項目Ｉ３に対応する軸上において、互いに同じではない位置に各運転手に対応するデータが分布する事象が観測されると考えられる。
　比較部２４０は、データ保存部２９０に保存されているセンサデータ全てについて分類能力の有無を確認し、確認結果をデータ分析者に提示する。なお、比較部２４０は、典型的には、１度の確認において１つのセンサに対応するセンサデータを対象とする。
　図８は、本実施の形態に係るデータ分析装置２００のハードウェア構成例を示している。データ分析装置２００はコンピュータから成る。データ分析装置２００は複数のコンピュータから成ってもよい。
　データ分析装置２００は、本図に示すように、プロセッサ１１と、メモリ１２と、補助記憶装置１３と、入力インタフェース１４と、出力インタフェース１５と、通信装置１６等のハードウェアを備えるコンピュータである。これらのハードウェアは、信号線を介して適宜接続されている。
　プロセッサ１１は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）であり、かつ、コンピュータが備えるハードウェアを制御する。プロセッサ１１は、具体例として、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、又はＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。
　データ分析装置２００は、プロセッサ１１を代替する複数のプロセッサを備えてもよい。複数のプロセッサはプロセッサ１１の役割を分担する。
　メモリ１２は、典型的には揮発性の記憶装置であり、具体例としてＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。メモリ１２は、主記憶装置又はメインメモリとも呼ばれる。メモリ１２に記憶されたデータは、必要に応じて補助記憶装置１３に保存される。
　補助記憶装置１３は、典型的には不揮発性の記憶装置であり、具体例として、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、又はフラッシュメモリである。補助記憶装置１３に記憶されたデータは、必要に応じてメモリ１２にロードされる。
　メモリ１２及び補助記憶装置１３は一体的に構成されていてもよい。
　入力インタフェース１４は、入力装置が接続されるポートである。入力インタフェース１４は、具体例としてＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）端子である。入力装置は、具体例として、キーボード及びマウスである。
　出力インタフェース１５は、出力装置が接続されるポートである。出力インタフェース１５は、具体例としてＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）端子である。出力装置は、具体例として、ディスプレイである。
　通信装置１６は、レシーバ及びトランスミッタである。通信装置１６は、具体例として、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｃａｒｄ）である。
　データ分析装置２００の各部は、他の装置等と通信する際に、入力インタフェース１４と出力インタフェース１５と通信装置１６とを適宜用いてもよい。
　補助記憶装置１３はデータ分析プログラムを記憶している。データ分析プログラムは、データ分析装置２００が備える各部の機能をコンピュータに実現させるプログラムである。データ分析プログラムは、メモリ１２にロードされて、プロセッサ１１によって実行される。データ分析装置２００が備える各部の機能は、ソフトウェアにより実現される。
　データ分析プログラムを実行する際に用いられるデータと、データ分析プログラムを実行することによって得られるデータ等は、記憶装置に適宜記憶される。データ分析装置２００の各部は記憶装置を適宜利用する。記憶装置は、具体例として、メモリ１２と、補助記憶装置１３と、プロセッサ１１内のレジスタと、プロセッサ１１内のキャッシュメモリとの少なくとも１つから成る。なお、データという用語と情報という用語とは同等の意味を有することもある。記憶装置は、コンピュータと独立したものであってもよい。
　メモリ１２及び補助記憶装置１３の機能は、他の記憶装置によって実現されてもよい。
　データ分析プログラムは、コンピュータが読み取り可能な不揮発性の記録媒体に記録されていてもよい。不揮発性の記録媒体は、具体例として、光ディスク又はフラッシュメモリである。データ分析プログラムは、プログラムプロダクトとして提供されてもよい。
　車載制御装置１３０のハードウェア構成は、データ分析装置２００のハードウェア構成と同様であってもよい。
＊＊＊動作の説明＊＊＊
　運転支援システム９０が備える各装置の動作手順はデータ分析方法に相当する。また、運転支援システム９０が備える各装置の動作を実現するプログラムはデータ分析プログラムに相当する。
　図９は、比較部２４０の動作の一例を示すフローチャートである。図９を用いて比較部２４０の動作を説明する。
（ステップＳ１０１）
　比較部２４０は、運転特性判定部２２０による運転特性の判定結果を示すデータと、データ保存部２９０に格納されている運転行動毎の各データの特徴量を示すデータとを取得する。
（ステップＳ１０２）
　比較部２４０は、ステップＳ１０１において取得した特徴量を示すデータのうち、運転特性判定部２２０における運転特性の判定における各未使用項目に対応する各データを未使用データとして特定する。
（ステップＳ１０３）
　比較部２４０は、運転特性の分類毎、及び未使用項目毎に本ステップの処理を実行する。ここで、各未使用項目に対応する各未使用データを対象データとする。
　比較部２４０は、互いに同じ運転特性を有すると判定された複数の運転手間において、各運転手に対応する対象データの特徴量におけるＱ１－Ｑ３の区間が重複しているか否かを判定する。ここで、Ｑ１は第１四分位数を示し、Ｑ３は第３四分位数を示す。本ステップにおける比較部２４０の判定結果を類似性判定結果と呼ぶ。
　なお、類似性の判定に関して、比較部２４０は、各運転手に対応する対象データの特徴量が包含関係にある場合に類似性があると判定する等、どのような基準を用いて類似性の有無を判定してもよい。
（ステップＳ１０４）
　比較部２４０は、類似性判定結果に基づいて各未使用項目の分類能力を評価した結果を示す評価結果を作成し、作成した評価結果をデータ分析者に提示する。
　図１０は、ステップＳ１０３及びステップＳ１０４の処理の具体例を説明する図である。図１０を用いて本ステップの処理を説明する。ここで、対象データは自動車１００の直進時における車速の中央値を示すデータである。
　まず、ステップＳ１０３において、比較部２４０は、各運転手に対応する対象データの特徴量におけるＱ１－Ｑ３の区間が重複しているか否かを判定する。具体的には、運転手Ａに対応するＱ１－Ｑ３の区間と、運転手Ｃに対応するＱ１－Ｑ３の区間とは重複している。そのため、比較部２４０は、運転手Ａに対応する対象データと、運転手Ｃに対応する対象データとは類似していると判定する。また、運転手Ｂに対応するＱ１－Ｑ３の区間は、他のいずれの運転手に対応するＱ１－Ｑ３の区間とも重複していない。そのため、比較部２４０は、運転手Ｂに対応する対象データと、他の各運転手に対応する対象データとは類似していないと判定する。
　次に、ステップＳ１０４において、比較部２４０は、類似性判定結果に基づいて類似性判定表を生成する。ここで、「１」は運転特性に関して２人の運転手間に類似性があることを示し、「０」は運転特性に関して２人の運転手間に類似性がないことを示す。その後、比較部２４０は、生成した類似性判定表に基づいて対象データの分類能力を評価する。具体的には、比較部２４０は、対象データには２種類に分類する能力がある、即ち、対象データには複数の運転手を運転特性に関して２種類に分類する能力があると判定する。ここで、対象データにより、運転手Ａと運転手Ｃとは互いに同じ運転特性を有するものと推定され、運転手Ｂは異なる運転特性を有するものと推定される。
　図１１は、ステップＳ１０４において比較部２４０が提示するデータの具体例を示している。本例において、各未使用項目に関して、分類能力の有無と、具体的な運転手の分類とを示している。本例において、各未使用項目は、「運転行動ラベル」欄に示されている運転行動と、「センサ信号名」欄に示されているセンサ信号の種類との組み合わせにより定まる項目である。「運転行動ラベル」欄に示されている各運転行動は対象運転行動に当たる。「センサ信号名」欄に示されているデータを取得した各センサは対象センサに当たる。運転手Ａと運転手Ｂと運転手Ｃとについて、いずれを前述の第１運転手とみなしてもよく、いずれを前述の第２運転手とみなしてもよい。
＊＊＊実施の形態１の効果の説明＊＊＊
　本実施の形態によれば、比較部２４０はデータ分析者に対して各未使用項目に関する分類能力の分析結果を提示する。そのため、データ分析者は、提示された分析結果に基づいて、既存の分類推定ルールによる運転特性の判定結果が妥当であるか否かを判断することができる。具体例として、ある未使用項目に２分類以上の分類能力があると判定された場合に、同一の分類と判定された複数の運転手を複数の分類に分類する方が適切である可能性がある。即ち、当該複数の運転手を同一の分類と判定することが誤判定に当たる可能性があるとデータ分析者は判断することができる。従って、本実施の形態によれば、分類に関する閾値等を調整するきっかけをデータ分析者に対して提供することができる。
　また、本実施の形態によれば、実際に同一の分類と判定された複数の運転手をさらに複数の分類に分ける等、運転特性の分類の細分化の検討を行うきっかけをデータ分析者に対して提供することができる。
　運転特性は、具体例として、地域毎（例：関東地方と関西地方等）に違いがあるものと考えられる。具体例として、分類推定ルールの開発時に関東地方において実験データを取得した場合、関東地方における運用中データに対応する各未使用項目の分類能力は低くなると考えられる。一方、分類推定ルールの開発時に運用中データを取得していない関西地方において同じ分類推定ルールを使うと、各未使用項目の分類能力が高くなる可能性がある。本実施の形態によれば、互いに異なる運転習慣を持つ複数の地域間において、分類推定ルールの調整を比較的容易に実施することができる。
＊＊＊他の構成＊＊＊
＜変形例１＞
　図１２は、本変形例に係るデータ分析装置２００のハードウェア構成例を示している。
　データ分析装置２００は、プロセッサ１１、プロセッサ１１とメモリ１２、プロセッサ１１と補助記憶装置１３、あるいはプロセッサ１１とメモリ１２と補助記憶装置１３とに代えて、処理回路１８を備える。
　処理回路１８は、データ分析装置２００が備える各部の少なくとも一部を実現するハードウェアである。
　処理回路１８は、専用のハードウェアであってもよく、また、メモリ１２に格納されるプログラムを実行するプロセッサであってもよい。
　処理回路１８が専用のハードウェアである場合、処理回路１８は、具体例として、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）又はこれらの組み合わせである。
　データ分析装置２００は、処理回路１８を代替する複数の処理回路を備えてもよい。複数の処理回路は、処理回路１８の役割を分担する。
　データ分析装置２００において、一部の機能が専用のハードウェアによって実現されて、残りの機能がソフトウェア又はファームウェアによって実現されてもよい。
　処理回路１８は、具体例として、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせにより実現される。
　プロセッサ１１とメモリ１２と補助記憶装置１３と処理回路１８とを、総称して「プロセッシングサーキットリー」という。つまり、データ分析装置２００の各機能構成要素の機能は、プロセッシングサーキットリーにより実現される。
　他の実施の形態に係るデータ分析装置２００についても、本変形例と同様の構成であってもよい。
　実施の形態２．
　以下、主に前述した実施の形態と異なる点について、図面を参照しながら説明する。
＊＊＊構成の説明＊＊＊
　実施の形態２に係る運転支援システム９０の構成は、実施の形態１に係る運転支援システム９０の構成と同様である。
　本実施の形態に係る特徴量算出部１３２は、特徴量算出部１３２を備える自動車１００が備えるセンサが取得したデータから成る時系列データが単峰性を有するか否かを判定し、判定結果を示す情報を生成する。
　本実施の形態に係る通信機能部２１０は、第１単峰性情報と、第２単峰性情報とを受信する。第１単峰性情報は、第１未使用データが単峰性を有するか否かを示す情報であって、第１未使用データが取得された自動車１００において判定された結果を示す情報である。第２単峰性情報は、第２未使用データが単峰性を有するか否かを示す情報であって、第２未使用データが取得された自動車１００において判定された結果を示す情報である。第１単峰性情報と第２単峰性情報との各々は、いずれかの自動車１００が備える特徴量算出部１３２によって算出された情報である。第１単峰性情報と第２単峰性情報とは、互いに異なる自動車１００において生成された情報であってもよい。
　本実施の形態に係る比較部２４０は、第１単峰性情報と、第２単峰性情報とを出力する。
　運転手の運転特性の分析にあたり、各センサデータの分布の形状が重要であると考えられる。一般的に特徴量として使われる平均及び分散等の統計量は正規分布等を想定したパラメータである。そのため、各センサデータの分布の形状が想定する分布の形状と異なる場合に、各センサデータからこれらの特徴量を抽出することは適さない。ここで、運用中データには、実験時データの取得時には得られていない未知のデータ分布がある可能性がある。
　本実施の形態では、分布の形状を示す情報を保持するために分布における相対位置（ｍｉｎ／Ｑ１／ｍｅｄｉａｎ／Ｑ３／ｍａｘ）を示す情報を抽出する。相対位置を示す情報は、具体例として、分布概形の確認に多用される箱ひげ図を描くための情報である。ここで、箱ひげ図を用いることは、分布の形状が多峯性である場合においてあまり適さない。
　そこで、本実施の形態では、分布の形状が単峯性であることを自動車１００側において判定し、判定結果を示すフラグを自動車１００がデータ分析装置２００に対して送信するデータに加える。ここで、単峯性を判定するアルゴリズムとしてＳｉｌｂｅｒｍａｎ検定等が知られている。
　なお、ストレージ容量又は通信容量等に十分な余裕がある場合に、相対位置を示す情報は、その他の統計量を示す情報、又はヒストグラム等のデータ分布を示す情報等を含んでもよい。
　図１３は、相対位置を示す情報を抽出する処理を説明する図である。グラフ中の「停止」及び「直進」という表記は運転行動ラベルに当たる。
　図１３に示す例において、自動車１００の直進時におけるデータ分布の相対位置情報が抽出される。本例において、相対位置情報は、各相対位置として、最小値と第１四分位と中央値と第３四分位と最大値と外れ値とを示す。また、自動車１００の直進時におけるデータ分布には単峰性があるため、単峰性があることを示すフラグを示すデータがデータ分析装置２００に送信される。
＊＊＊動作の説明＊＊＊
　図１４は、自動車１００の処理の一例を示すフローチャートである。図１４を用いて自動車１００の処理を説明する。
（ステップＳ２０１）
　車載制御装置１３０は、運転操作検出部１１０と運転手情報取得部１２０との各々からセンサデータを取得する。
　なお、自動車１００の走行中にステップＳ２０１及びステップＳ２０２が繰り返し実行される。
（ステップＳ２０２）
　車載制御装置１３０は、ステップＳ２０１において取得したセンサデータを一時データ保存部１９０に格納する。
（ステップＳ２０３）
　運転行動判定部１３１は、一時データ保存部１９０に格納されている各センサデータに対して、対応する運転行動ラベルと、対応する運転手情報との各々を付与する。
（ステップＳ２０４）
　特徴量算出部１３２は、運転行動毎に、各センサデータの単峰性を判定し、また、各センサデータの特徴量（相対位置）を抽出する。
（ステップＳ２０５）
　運転支援部１４０は、特徴量算出部１３２による単峰性の判定結果と、特徴量算出部１３２によって抽出された特徴量との各々を示すデータをデータ分析装置２００に送信する。
＊＊＊実施の形態２の効果の説明＊＊＊
　本実施の形態によれば、分布の形状に関する相対位置を示す情報を自動車１００において保存するため、保存された情報が示す相対位置に基づいて箱ひげ図を描画することができる。即ち、本実施の形態によれば、平均及び分散等のみを保存することによっては消えてしまう分布の形状を保持することができる。従って、本実施の形態によれば、データ分析者がより解析しやすいデータを得ることができる。
　また、本実施の形態によれば、各センサデータが単峯性を有するか否かを判定した結果が保存される。そのため、データ分析者は、各特徴量を使用することが適切であるか否かを判断することができる。なお、平均及び分散等、正規分布を想定した統計量を使用する場合においても、単峯性を有するか否かを判定した結果は、当該統計量の有効性を判断することにおいて有用である。
＊＊＊他の実施の形態＊＊＊
　前述した各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　また、実施の形態は、実施の形態１から２で示したものに限定されるものではなく、必要に応じて種々の変更が可能である。フローチャート等を用いて説明した手順は適宜変更されてもよい。
　１１　プロセッサ、１２　メモリ、１３　補助記憶装置、１４　入力インタフェース、１５　出力インタフェース、１６　通信装置、１８　処理回路、２０　車外通信路、９０　運転支援システム、１００　自動車、１１０　運転操作検出部、１１１　アクセルセンサ、１１２　ブレーキセンサ、１１３　車速センサ、１１４　加速度センサ、１１５　操舵角センサ、１１６　ＧＰＳセンサ、１２０　運転手情報取得部、１２１　車載カメラ、１３０　車載制御装置、１３１　運転行動判定部、１３２　特徴量算出部、１３３　通信機能部、１４０　運転支援部、１９０　一時データ保存部、２００　データ分析装置、２１０　通信機能部、２２０　運転特性判定部、２３０　運転特性活用部、２３１　運転支援判定部、２３２　運転特性通知部、２４０　比較部、２９０　データ保存部、２９１　運転パターンＤＢ。

Claims (9)

  1. 　各自動車が備えるセンサが取得したデータから成る時系列データに基づいて各自動車を運転した各運転手の分類を推定し、推定された分類に基づいて運転支援内容を決定する運転支援システムが備えるデータ分析装置であって、
    　第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、前記第１運転手と前記第２運転手との各々の分類を推定する際に使用されていない項目を未使用項目としたとき、前記第１運転手と前記未使用項目との双方に対応する時系列データである第１未使用データの特徴量と、前記第２運転手と前記未使用項目との双方に対応する時系列データである第２未使用データの特徴量とに基づいて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する比較部
    を備えるデータ分析装置であって、
    　前記未使用項目は、各自動車が備える対象センサと、各自動車の運転中における運転行動である対象運転行動との組み合わせに対応する項目であるデータ分析装置。
  2. 　前記第１未使用データの特徴量は、前記第１未使用データの分布の特徴を示す情報を含み、
    　前記第２未使用データの特徴量は、前記第２未使用データの分布の特徴を示す情報を含む請求項１に記載のデータ分析装置。
  3. 　前記比較部は、前記第１未使用データの分布と、前記第２未使用データの分布との重複区間に応じて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する請求項２に記載のデータ分析装置。
  4. 　前記比較部は、前記第１未使用データにおける第１四分位数から第３四分位数の区間と、前記第２未使用データにおける第１四分位数から第３四分位数の区間との重複区間に応じて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する請求項３に記載のデータ分析装置。
  5. 　前記第１未使用データの特徴量と、前記第２未使用データの特徴量との各々は、箱ひげ図を描くことに用いられる情報を含む請求項１から４のいずれか１項に記載のデータ分析装置。
  6. 　前記比較部は、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定した結果を出力する請求項１から５のいずれか１項に記載のデータ分析装置。
  7. 　請求項６に記載のデータ分析装置を備える運転支援システムであって、
    　前記運転支援システムが備える各自動車を対象自動車としたとき、前記対象自動車は、
    　前記対象自動車が備えるセンサが取得したデータから成る時系列データが単峰性を有するか否かを判定し、判定結果を示す情報を生成する特徴量算出部
    を備え、
    　前記データ分析装置は、さらに、
    　前記第１未使用データが単峰性を有するか否かを示す情報であって、前記第１未使用データが取得された自動車において判定された結果を示す情報である第１単峰性情報と、前記第２未使用データが単峰性を有するか否かを示す情報であって、前記第２未使用データが取得された自動車において判定された結果を示す情報である第２単峰性情報とを受信する通信機能部
    を備え、
    　前記比較部は、前記第１単峰性情報と、前記第２単峰性情報とを出力する運転支援システム。
  8. 　各自動車が備えるセンサが取得したデータから成る時系列データに基づいて各自動車を運転した各運転手の分類を推定し、推定された分類に基づいて運転支援内容を決定する運転支援システムが備えるコンピュータであるデータ分析装置が実行するデータ分析方法であって、
    　前記データ分析装置が、第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、前記第１運転手と前記第２運転手との各々の分類を推定する際に使用されていない項目を未使用項目としたとき、前記第１運転手と前記未使用項目との双方に対応する時系列データである第１未使用データの特徴量と、前記第２運転手と前記未使用項目との双方に対応する時系列データである第２未使用データの特徴量とに基づいて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定し、
    　前記未使用項目は、各自動車が備える対象センサと、各自動車の運転中における運転行動である対象運転行動との組み合わせに対応する項目であるデータ分析方法。
  9. 　各自動車が備えるセンサが取得したデータから成る時系列データに基づいて各自動車を運転した各運転手の分類を推定し、推定された分類に基づいて運転支援内容を決定する運転支援システムが備えるコンピュータであるデータ分析装置が実行するデータ分析プログラムであって、
    　第１運転手と第２運転手との各々の分類が対象分類であると推定された場合において、前記第１運転手と前記第２運転手との各々の分類を推定する際に使用されていない項目を未使用項目としたとき、前記第１運転手と前記未使用項目との双方に対応する時系列データである第１未使用データの特徴量と、前記第２運転手と前記未使用項目との双方に対応する時系列データである第２未使用データの特徴量とに基づいて、前記未使用項目が、前記第１運転手と前記第２運転手とを互いに異なる分類に分類する能力を有するか否かを判定する比較処理
    を前記データ分析装置に実行させるデータ分析プログラムであって、
    　前記未使用項目は、各自動車が備える対象センサと、各自動車の運転中における運転行動である対象運転行動との組み合わせに対応する項目であるデータ分析プログラム。
PCT/JP2023/029962 2023-08-21 2023-08-21 データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム Pending WO2025041218A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2023/029962 WO2025041218A1 (ja) 2023-08-21 2023-08-21 データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム
JP2023580605A JPWO2025041218A1 (ja) 2023-08-21 2023-08-21

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/029962 WO2025041218A1 (ja) 2023-08-21 2023-08-21 データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム

Publications (1)

Publication Number Publication Date
WO2025041218A1 true WO2025041218A1 (ja) 2025-02-27

Family

ID=94731673

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/029962 Pending WO2025041218A1 (ja) 2023-08-21 2023-08-21 データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム

Country Status (2)

Country Link
JP (1) JPWO2025041218A1 (ja)
WO (1) WO2025041218A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012069037A (ja) * 2010-09-27 2012-04-05 Toyota Motor Corp 運転者特定装置
JP2014116808A (ja) * 2012-12-10 2014-06-26 Kddi Corp 携帯端末を所持したユーザの滞在地を推定する装置、プログラム及び方法
JP2017041020A (ja) * 2015-08-18 2017-02-23 富士通株式会社 走行区間評価方法、走行区間評価プログラム、及び走行区間評価装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7359094B2 (ja) * 2020-07-22 2023-10-11 株式会社デンソー 運転タイプ分類装置、運転タイプ分類プログラムおよび運転タイプ分類方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012069037A (ja) * 2010-09-27 2012-04-05 Toyota Motor Corp 運転者特定装置
JP2014116808A (ja) * 2012-12-10 2014-06-26 Kddi Corp 携帯端末を所持したユーザの滞在地を推定する装置、プログラム及び方法
JP2017041020A (ja) * 2015-08-18 2017-02-23 富士通株式会社 走行区間評価方法、走行区間評価プログラム、及び走行区間評価装置

Also Published As

Publication number Publication date
JPWO2025041218A1 (ja) 2025-02-27

Similar Documents

Publication Publication Date Title
US11710082B2 (en) Systems and methods for utilizing machine learning and feature selection to classify driving behavior
JP5573743B2 (ja) 車両データ解析装置、車両データ解析方法、及び故障診断装置
US11756431B2 (en) Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device
KR20190119864A (ko) 딥러닝 기반의 소형 물체 검출 기법
CN112632000B (zh) 日志文件聚类方法、装置、电子设备和可读存储介质
CN112818792A (zh) 车道线检测方法、装置、电子设备及计算机存储介质
CN105518432A (zh) 检测设备、检测方法以及程序
CN114693052A (zh) 风险预测模型的训练方法、装置、计算设备和介质
Levy et al. Roma: A method for neural network robustness measurement and assessment
CN116894225B (zh) 驾驶行为异常分析方法及其装置、设备、介质
Abdelrahman et al. Data-driven robust scoring approach for driver profiling applications
Tang et al. Application of CNN‐LSTM Model for Vehicle Acceleration Prediction Using Car‐following Behavior Data
Tselentis et al. Machine learning approaches exploring the optimal number of driver profiles based on naturalistic driving data
WO2025041218A1 (ja) データ分析装置、運転支援システム、データ分析方法、及びデータ分析プログラム
EP4548276B1 (en) Detecting accidents in motorsports by using anomaly detection
CN110059180B (zh) 文章作者身份识别及评估模型训练方法、装置及存储介质
Ponn et al. Performance Analysis of Camera-based Object Detection for Automated Vehicles.
CN114997258B (zh) 一种无人机安全检测方法及装置
US20240257535A1 (en) Systems and methods for determining road object importance based on forward facing and driver facing video data
JP7571858B2 (ja) 判定装置、判定方法および判定プログラム
US12111168B2 (en) System for generating guidance information
US20240395075A1 (en) Support system, support method, and support program
JP7833206B2 (ja) 動的相関シグネチャの生成
US12374366B2 (en) Method and system for automatically annotating sensor data
CN111860661A (zh) 基于用户行为的数据分析方法、装置、电子设备及介质

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2023580605

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2023580605

Country of ref document: JP

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

Ref document number: 23949679

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE