危险预测装置、系统、方法及记录有程序的记录介质与流程

专利检索2022-05-11  6



1.本公开涉及预测行驶道路上的危险的危险预测装置、危险预测系统、危险预测方法及记录有程序的记录介质。


背景技术:

2.在日本特开2012-38006号公报中公开了一种能够更高精度地设定风险程度来进行注意提醒的驾驶辅助装置。该驾驶辅助装置在设定地图数据中所包含的道路的风险程度时,基于危险回避行为发生信息及事故的发生信息,进一步考虑这些发生时的天气、星期日期、时间段、路面状态、交通量。
3.在使用日本特开2012-38006号公报的技术,使实际的危险回避行为及事故的发生等事件反映到行驶道路上的危险的预测中的情况下,对于不能充分确保数据的地点,尽管交通量少,偶然发生的事件也有可能对预测带来不良影响。


技术实现要素:

4.本公开的目的在于提供一种危险预测装置、危险预测系统、危险预测方法及记录有程序的记录介质,即使在无法充分确保数据的地点进行危险预测的情况下,也能够通过汇总具有类似属性的地点的数据来提高预测精度。
5.第一方式是一种危险预测装置,具备:取得部,从行驶车辆取得行驶道路上的所述行驶车辆的位置信息及所述位置信息的地点处的所述行驶车辆的行为信息;汇总部,汇总由所述取得部所取得的多个行为信息中的、与具有类似属性的地点的位置信息对应的行为信息;及预测部,针对基于预先收集到的车辆的行为信息及与该行为信息对应的危险度所生成的预测模型,输入由所述汇总部所汇总的所述行为信息,并预测所汇总的所述行为信息的地点处的危险。
6.在第一方式的危险预测装置中,当取得部从行驶车辆取得了位置信息和行为信息时,汇总部将行为信息按照具有类似属性的每个地点进行汇总。在此,所谓行为信息,是表示行驶车辆的行为的数据,包括在行驶车辆中检测到的速度、加速度及转向角等物理量的数据和表示基于该物理量判定出的急起步、急刹车及急转向等状态的信息。这里,所谓属性,包括行驶道路的交通量、道路宽度及倾斜等。并且,该危险预测装置通过针对预测部预先生成的预测模型输入所汇总的行为信息,来预测所汇总的行为信息的地点处的危险。根据该危险预测装置,即使在无法充分确保数据的地点进行危险预测的情况下,也能够通过汇总具有类似属性的地点的数据来提高预测精度。
7.就第二方式的危险预测装置而言,在第一方式的危险预测装置中,所述汇总部汇总在将具有类似属性的地点作为节点并将所述行驶道路作为边缘的情况下与由所述边缘连结的所述节点的位置信息对应的行为信息。
8.第二方式的危险预测装置将由节点和边缘构成的图表用于汇总。根据该危险预测装置,除了属性以外,还能够汇总关系性更强的地点的行为信息。
9.就第三方式的危险预测装置而言,在第一或第二方式的危险预测装置中,
10.所述取得部取得与所述行驶道路的环境相关的环境信息,所述预测部使所取得的所述环境信息反映到预测中。
11.在第三方式的危险预测装置中,除了行驶车辆的行为信息以外,还使用环境信息来预测危险。这里,作为环境信息,包括拥堵信息和施工信息等道路信息、及气象信息等。根据该危险预测装置,能够使行驶道路的环境反映到危险预测中。
12.就第四方式的危险预测装置而言,在第一至第三的任一方式的危险预测装置中,所述危险预测装置具备训练部,该训练部基于由所述取得部所取得的行为信息来对所述预测模型进行追加训练。
13.第四方式的危险预测装置的特征在于,训练部对预测模型进行追加训练。根据该危险预测装置,通过使用所取得的行为信息来追加预测模型的训练,能够使先取得的行为信息反映到基于后取得的行为信息的危险的预测中。
14.就第五方式的危险预测装置而言,在第一至第四的任一方式的危险预测装置中,所述预测部使用按照每个类似的属性所设置的所述预测模型,来预测与各个所述属性对应的地点的危险。
15.根据第五方式的危险预测装置,通过使用每个类似的属性的预测模型,能够进行与类似的地点的特征相应的危险的预测。
16.就第六方式的危险预测装置而言,在包括第四方式的第五方式的危险预测装置中,所述训练部基于每个类似的属性的行为信息,分别对相应的地点的所述预测模型进行追加训练。
17.在第六方式的危险预测装置中,通过使先取得的行为信息反映到每个类似的属性的预测模型的训练中,能够提高类似的地点处的危险预测的精度。
18.就第七方式的危险预测装置而言,在第一至第六的任一方式的危险预测装置中,所述危险预测装置具备提供部,该提供部向车辆提供所述预测部预测为危险的地点的位置信息。
19.第七方式的危险预测装置将与预测出的危险地点相关的位置信息直接提供给车辆。被提供位置信息的车辆不限于被取得行为信息的行驶车辆。根据该危险预测装置,能够向车辆提供针对事故等事件即时性高的预测结果。
20.就第八方式的危险预测装置而言,在第七方式的危险预测装置中,在车辆接近所述预测部预测为危险的地点的情况下,所述提供部向接近的所述车辆提供注意信息。
21.根据第八方式的危险预测装置,能够对接近被预测为危险的地点的车辆的乘员进行注意提醒。
22.第九方式所述的危险预测系统具备:第一至第八的任一方式的危险预测装置;及多个所述行驶车辆,通过通信与所述危险预测装置连接。
23.在第九方式的危险预测系统中,其特征在于,从多个行驶车辆取得行为信息。根据该危险预测系统,通过增加与危险预测装置连接的车辆,能够进一步提高危险预测的精度。
24.根据本公开,即使在不能充分确保数据的地点进行危险预测的情况下,也能够通过汇总具有类似属性的地点的数据来提高预测精度。
附图说明
25.基于以下附图详细描述本公开的示例性实施例,其中:
26.图1是表示第一实施方式所涉及的危险预测系统的概略结构的图。
27.图2是表示第一实施方式的车辆的硬件结构的框图。
28.图3是表示第一实施方式的车载器的功能结构的框图。
29.图4是表示第一实施方式的中心服务器的硬件结构的框图。
30.图5是表示第一实施方式的中心服务器的功能结构的框图。
31.图6是表示在第一实施方式的中心服务器中汇总行为信息的例子的图。
32.图7是表示第一实施方式的危险预测系统中的处理的流程的时序图。
33.图8a是表示在第一实施方式中利用了所汇总的行为信息的危险预测处理的流程的框图,并且表示最初进行危险预测处理的情况。
34.图8b是表示在第一实施方式中利用了所汇总的行为信息的危险预测处理的流程的框图,并且表示基于更新后的汇总数据组来进行危险预测处理的情况。
35.图9是表示第一实施方式的监视器中的报知的例子的图。
36.图10是表示第一实施方式的监视器中的报知的其他例子的图。
37.图11a是表示在第二实施方式中利用了所汇总的行为信息的危险预测处理的流程的框图,并且表示最初进行危险预测处理的情况。
38.图11b是表示在第二实施方式中利用了所汇总的行为信息的危险预测处理的流程的框图,并且表示基于更新后的汇总数据组来进行危险预测处理的情况。
39.图12a是表示在第三实施方式中利用了所汇总的行为信息的危险预测处理及追加训练的流程的框图,并且表示最初进行危险预测处理的情况。
40.图12b是表示在第三实施方式中利用了所汇总的行为信息的危险预测处理及追加训练的流程的框图,并且表示基于更新后的汇总数据组来进行危险预测处理的情况。
41.图13a是表示在第四实施方式中利用了所汇总的行为信息的危险预测处理及追加训练的流程的框图,并且表示最初进行危险预测处理的情况。
42.图13b是表示在第四实施方式中利用了所汇总的行为信息的危险预测处理及追加训练的流程的框图,并且表示基于更新后的汇总数据组来进行危险预测处理的情况。
具体实施方式
43.[第一实施方式]
[0044]
如图1所示,第一实施方式的危险预测系统10构成为包括多个车辆12、车辆14、中心服务器30、信息提供服务器50。车辆12搭载有车载器20,车辆14搭载有报知装置40。车辆12是行驶车辆的一例,中心服务器30是危险预测装置的一例。
[0045]
车辆12的车载器20、车辆14的报知装置40及中心服务器30分别经由网络cn1相互连接。另外,中心服务器30和信息提供服务器50通过网络cn2相互连接。另外,中心服务器30和信息提供服务器50也可以通过网络cn1连接。
[0046]
(车辆)
[0047]
如图2所示,本实施方式所涉及的车辆12构成为包括车载器20、多个ecu22、汽车导航系统24。汽车导航系统24进一步构成为包括gps(global positioning system:全球定位
系统)装置25、作为声音输入装置的麦克风26、作为操作输入装置的输入开关27、作为显示装置的监视器28、扬声器29。
[0048]
车载器20构成为包括cpu(central processing unit:中央处理单元)20a、rom(read only memory:只读存储器)20b、ram(random access memory:随机存取存储器)20c、车内通信i/f(inter face:接口)20d、无线通信i/f20e以及输入输出i/f20f。cpu20a、rom20b、ram20c、车内通信i/f20d、无线通信i/f20e以及输入输出i/f20f经由内部总线20g彼此以能够通信的方式连接。
[0049]
cpu20a是中央运算处理单元,执行各种程序,或者控制各部分。即,cpu20a从rom20b读出程序,并将ram20c作为作业区域来执行程序。
[0050]
rom20b存储有各种程序和各种数据。在本实施方式的rom20b存储有用于控制车载器20的控制程序。
[0051]
ram20c作为作业区域而暂时存储程序或数据。
[0052]
车内通信i/f20d是用于与ecu22连接的接口。该接口使用基于can协议的通信标准。车内通信i/f20d与外部总线20h相连接。ecu22按照车辆12的每个功能而设置有多个。作为本实施方式的ecu22,例示出车辆控制ecu、发动机ecu、制动ecu、车身ecu、照相机ecu、多媒体ecu。
[0053]
无线通信i/f20e是用于与中心服务器30进行通信的无线通信模块。该无线通信模块例如使用5g、lte、wi-fi(注册商标)等通信标准。无线通信i/f20e与网络cn1相连接。
[0054]
输入输出i/f20f是用于与汽车导航系统24所具备的gps装置25、麦克风26、输入开关27、监视器28及扬声器29进行通信的接口。
[0055]
gps装置25是测定车辆12的当前位置的装置。gps装置25包括接收来自gps卫星的信号的天线。
[0056]
麦克风26是设置于车辆12的前柱、仪表板等,对作为用户的车辆12的乘员发出的声音进行收集的装置。
[0057]
输入开关27构成为兼用作监视器28的触摸面板。另外,输入开关27也可以是设置于仪表板、中央控制台、方向盘等,输入由乘员的手指进行的操作的开关。作为该情况下的输入开关27,例如可以采用按钮式的数字键盘、触控板等。
[0058]
监视器28是设置于仪表板、仪表面板等,用于显示与当前位置、行驶路径及注意信息相关的图像的液晶监视器。如上所述,监视器28被设置为兼作输入开关27的触摸面板。
[0059]
扬声器29是设置于仪表板、中央控制台、前柱、前围板(dash board)等,用于输出与注意信息相关的声音的装置。
[0060]
在本实施方式的车载器20中,cpu20a通过执行控制程序,从而作为图3所示的检测部200、信息生成部210及报知部220发挥功能。
[0061]
检测部200具有从各ecu22检测车辆12的速度、加速度及转向角等的功能。
[0062]
信息生成部210具有生成作为表示车辆12的行为的数据的行为信息的功能。在此,所谓行为信息,是表示车辆12的行为的数据,包括在车辆12中检测到的速度、加速度及转向角等物理量的数据和表示基于该物理量判定出的急起步、急刹车及急转向等状态的信息。信息生成部210根据检测部200检测出的物理量及基于该物理量判定出的状态等生成行为信息。
[0063]
报知部220具有将注意信息报知给车辆12的乘员的功能。在此,所谓注意信息,包括在中心服务器30中被预测为危险的地点(以下称为“危险地点”)的位置信息、被视为危险的内容(例如,在产生红灯信号时容易发生追尾事故等)。报知部220在从中心服务器30取得了包含危险地点的注意信息的情况下,通过汽车导航系统24报知注意信息。例如,报知部220使与危险地点对应的警戒标记am显示于监视器28(参照图9),或者使通知正在接近危险地点的意思的声音从扬声器29输出。关于报知的具体方式,将在后面叙述。
[0064]
另一方面,如图1所示,本实施方式所涉及的车辆14构成为包括报知装置40。报知装置40与网络cn1连接,构成为能够与中心服务器30进行通信。报知装置40虽然没有生成行为信息并提供给中心服务器30的功能,但至少具有相当于车载器20的报知部220的功能。即,在车辆14中,在报知装置40从中心服务器30取得了注意信息的情况下,通过汽车导航系统等报知注意信息。
[0065]
(中心服务器)
[0066]
如图4所示,中心服务器30构成为包括cpu30a、rom30b、ram30c、存储器30d以及通信i/f30e。cpu30a、rom30b、ram30c、存储器30d及通信i/f30e经由内部总线30g彼此以能够通信的方式连接。cpu30a、rom30b、ram30c以及通信i/f30e的功能与上述的车载器20的cpu20a、rom20b、ram20c以及无线通信i/f20e相同。
[0067]
存储器30d由hdd(hard disk drive:硬盘驱动器)或ssd(solid state drive:固态驱动器)构成,存储有各种程序和各种数据。
[0068]
cpu30a从存储器30d读出程序,并将ram30c作为作业区域来执行程序。
[0069]
在本实施方式的存储器30d存储有处理程序100、预测模型110及汇总数据组120。处理程序100是用于实现中心服务器30所具有的各功能的程序。
[0070]
预测模型110是为了预测行驶道路t(参照图6)上的危险而生成的学习完毕模型。
[0071]
在汇总数据组120存储有车辆12的行为信息。该行为信息以按照每个类似的属性汇总后的状态被存储。
[0072]
在本实施方式的中心服务器30中,cpu30a通过执行处理程序100,从而作为图5所示的训练部250、取得部260、汇总部270、预测部280及提供部290发挥功能。
[0073]
训练部250具有通过基于预先收集到的行为信息及与该行为信息对应的危险度进行机器学习来生成预测模型110的功能。在此,所谓危险度,是急起步、急制动及急转向的发生次数、发生率和统计上得到的事故发生率等。另外,训练部250具有基于从车辆12的车载器20所取得的行为信息对预测模型110进行追加训练并予以更新的功能。
[0074]
取得部260具有从车辆12及中心服务器30取得各种信息的功能。具体而言,取得部260从车辆12取得行驶道路t上的车辆12的位置信息及该位置信息的地点处的车辆12的行为信息。另外,取得部260能够从信息提供服务器50取得与行驶道路t的环境相关的环境信息。这里,作为行驶道路t的环境信息,包括道路信息(例如,拥堵信息、施工信息)及气象信息等。也可以将由周边的道路或建筑物的变化引起的交通量的变化作为环境信息。
[0075]
汇总部270具有基于规定的规则汇总由取得部260所取得的多个行为信息的功能。具体而言,汇总部270对具有类似属性的地点进行分类,并汇总与分类后的地点的位置信息对应的行为信息。这里,所谓属性,包括行驶道路t的交通量、道路宽度及倾斜等。如图6所示,本实施方式的汇总部270汇总在将具有类似属性的地点设为节点n并将行驶道路t设为
边缘e的情况下由节点n和边缘e构成的图表所涉及的行为信息。另外,本实施方式的存储器30d存储有表示将地点设为节点n并将行驶道路t设为边缘e的地点间的连接的地图数据,在生成图表时,参照该地图数据。
[0076]
图6表示将属性设为行驶道路t上的交通量的情况下的例子。在将每小时交通量的平均为0~9件的地点设为节点n1的情况下,汇总部270分别汇总由边缘e1连结的组g1、组g4中的行为信息。在本实施方式的例子中,成为类似的属性的节点n1被分为组g1和组g4这两个组,但行为信息在各组中被分别汇总。
[0077]
另外,在将每小时交通量的平均为10~19件的地点设为节点n2的情况下,汇总部270汇总由边缘e2连结的组g2中的行为信息。而且,在将每小时交通量的平均为20~29件的地点设为节点n3的情况下,汇总部270汇总由边缘e3连结的组g3中的行为信息。
[0078]
预测部280具有针对预测模型110输入所汇总的行为信息,并预测所汇总的行为信息的地点处的危险的功能。此外,预测部280能够将所取得的环境信息反映到预测中。例如,在取得部260从信息提供服务器50取得了发生暴雨的意思的信息作为气象信息的情况下,即使是在晴天时不预测为危险的地点,预测部280有时也预测为危险。
[0079]
提供部290具有向车辆12、14提供注意信息的功能。具体而言,提供部290生成对预测部280预测为危险的危险地点的位置信息附加被视为危险的内容所得的注意信息,并向车辆12、14发送。另外,提供部290能够在车辆12、14接近预测部280预测为危险的地点的情况下,对接近的车辆12、14提供注意信息。
[0080]
(信息提供服务器)
[0081]
信息提供服务器50具有向中心服务器30提供与行驶道路t的环境相关的环境信息的功能。信息提供服务器50从交通信息提供者的服务器收集拥堵信息及施工信息作为道路信息,或者从气象信息提供者的服务器收集气象信息。
[0082]
(控制的流程)
[0083]
使用图7的时序图对在本实施方式的危险预测系统10中执行的处理的流程进行说明。
[0084]
在图7的步骤s10中,中心服务器30基于预先收集到的行为信息及与该行为信息对应的危险度来生成预测模型110。该行为信息不限于从车辆12收集,还从车辆14及其他车辆收集。
[0085]
另一方面,在步骤s11中,车载器20生成车辆12的行为信息。
[0086]
在步骤s12中,车载器20向中心服务器30提供行为信息。
[0087]
在步骤s13中,中心服务器30汇总从多个车载器20所取得的行为信息。如上所述,本实施方式的中心服务器30将行驶道路t上的交通量作为属性,并按每个交通量的平均近似的组汇总行为信息。
[0088]
在本实施方式的例子(参照图6)中,汇总的结果如图8a所示,在汇总数据组120存放每个组的汇总数据。具体而言,汇总数据组120包括汇总了组g1的行为信息的第一汇总数据121、汇总了组g2的行为信息的第二汇总数据122、汇总了组g3的行为信息的第三汇总数据123、及汇总了组g4的行为信息的第四汇总数据124。
[0089]
另一方面,在图7的步骤s14中,信息提供服务器50收集道路信息及气象信息。
[0090]
在步骤s15中,信息提供服务器50向中心服务器30提供道路信息和气象信息。另
外,在后述的危险预测处理中,道路信息及气象信息不是危险的预测所必须的信息。因此,也可以省略步骤s14和步骤s15。
[0091]
在步骤s16中,中心服务器30执行危险预测处理。在危险预测处理中,针对预测模型110输入在步骤s13中所汇总的行为信息,并预测所汇总的行为信息的地点处的危险。在本实施方式中,如图8a所示,第一汇总数据121、第二汇总数据122、第三汇总数据123和第四汇总数据124被输入到预测模型110。另外,基于预测出的危险地点生成注意信息。
[0092]
在图7的步骤s17中,中心服务器30向车辆12的车载器20提供注意信息(参照图8a)。
[0093]
在步骤s18中,中心服务器30向车辆14的报知装置40提供注意信息。
[0094]
在步骤s19中,车载器20执行报知处理。例如,如图9所示,车载器20在将地图显示于汽车导航系统24的监视器28时,使表示危险地点的警戒标记am与表示车辆12的当前位置的当前位置标记pm一起显示。
[0095]
另外,在步骤s20中,报知装置40执行报知处理。报知装置40的报知方式与车载器20的报知方式相同(参照步骤s19)。
[0096]
在步骤s21中,中心服务器30进行预测模型110的更新。具体而言,基于在步骤s13中所汇总的行为信息进行追加训练。然后,返回到步骤s11。
[0097]
以上,重复从步骤s11到步骤s21的循环处理。
[0098]
另外,在通过循环处理,中心服务器30再次汇总了行为信息的情况下(步骤s13),如图8b所示,汇总数据组120成为更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a及第四汇总数据124a。然后,在步骤s16的危险预测处理中,针对预测模型110输入第一汇总数据121a、第二汇总数据122a、第三汇总数据123a及第四汇总数据124a,新的预测结果被输出。
[0099]
(其他报知方式)
[0100]
在本实施方式中,在车载器20进行报知处理的情况下,能够采用以下的方式。
[0101]
例如,如图10所示,在汽车导航系统24中设定了到目的地为止的行驶路径时,车载器20能够通过监视器28和扬声器29报知行驶道路上的危险地点。例如,在连结当前位置与目的地的行驶路径上存在危险地点的情况下,除了表示行驶路径的路径线rl及表示目的地的目的地标记dm以外,还使警戒标记am显示在路径线rl上。在该情况下,车载器20从扬声器29输出“〇〇交叉路口是危险驾驶多发地带”、“〇〇(设施名)前是事故多发地带”等声音。
[0102]
此外,车载器20能够在车辆12接近危险地点时,从扬声器29输出表示接近危险地点的意思的声音,或者在监视器28显示表示接近危险地点的意思的横幅,由此报知危险地点。而且,能够利用汽车导航系统24所具有的代理功能来报知危险地点。例如,在车辆12的乘员向麦克风26说出“告诉我危险地点”的情况下,以与说话的意图相应的形式从扬声器29用声音输出危险地点的信息。具体而言,从扬声器29输出“前面是危险驾驶多发地点”、“前面是事故多发地点”、“〇〇米后的交叉路口是危险驾驶多发地带”、“下一个高速公路出口是事故多发地带”等声音。
[0103]
另外,在车辆12接近危险地点时报知接近危险地点的意思的方法除了如上所述那样,在预先取得了注意信息的车载器20中判定向危险地点的接近并报知危险地点以外,还存在如下方法。例如,存在如下方法:中心服务器30基于车辆12的位置信息判定向危险地点
的接近,在判定为正在接近的情况下,向车载器20提供注意信息,并在车载器20中报知危险地点。在该情况下,也能够对接近危险地点的车辆12的乘员进行注意提醒。
[0104]
(第一实施方式的总结)
[0105]
本实施方式的危险预测系统10在取得部260从车辆12取得了位置信息和行为信息时,汇总部270将行为信息按照具有类似的属性的每个地点进行汇总。并且,通过针对预测部280预先生成的预测模型110输入所汇总的行为信息,来预测所汇总的行为信息的地点处的危险。根据本实施方式,即使在不能充分确保数据的地点进行危险预测的情况下,也能够通过汇总具有类似属性的地点的数据来提高预测精度。
[0106]
特别是,本实施方式的危险预测系统10将由节点n和边缘e构成的图表用于汇总。因此,根据本实施方式,除了属性以外,还能够汇总关系性更强的地点的行为信息。
[0107]
另外,在本实施方式的危险预测系统10中,除了车辆12的行为信息以外,还能够从信息提供服务器50取得环境信息来预测危险。例如,在从信息提供服务器50取得了行驶道路t因施工而被禁止通行的区间的信息作为环境信息的情况下,预测部280将车辆12的行驶被禁止的行驶道路t上的地点从预测中排除。其结果为,提供部290能够将存在于禁止通行的行驶道路t的危险地点从注意信息中排除。另外,例如,在从信息提供服务器50取得了表示发生暴雨的意思的气象信息作为环境信息的情况下,具体而言,在根据所取得的气象信息,在行驶道路t上的地点发生了超过预先规定的水平的气象的情况下,预测部280将发生了超过该水平的气象的地点追加到预测中。其结果为,提供部290能够将产生了水淹的可能性的行驶道路t作为危险地点追加到注意信息中。这样,根据本实施方式,能够使行驶道路t的环境反映到危险预测中。
[0108]
本实施方式的危险预测系统10将与预测出的危险地点相关的位置信息直接提供给车辆12及车辆14。因此,根据本实施方式,能够向车辆12及车辆14提供针对事故等事件即时性高的预测结果。
[0109]
[第二实施方式]
[0110]
在第一实施方式中,利用一个预测模型110来预测危险,但在第二实施方式中,如图11a所示,在按照每个属性设置预测模型110这一点上与第一实施方式不同。以下,对与第一实施方式相同的结构标注相同的标号,并省略说明。以下,对与第一实施方式的不同点进行说明。
[0111]
本实施方式的预测模型110存在每个属性的预测模型110。具体而言,预测模型110包括组g1用的第一预测模型111、组g2用的第二预测模型112、组g3用的第三预测模型113和组g4用的第四预测模型114。
[0112]
本实施方式的预测部280将行为信息输入到相应的组的预测模型110来预测危险。即,第一汇总数据121被输入到第一预测模型111,第二汇总数据122被输入到第二预测模型112,第三汇总数据123被输入到第三预测模型113,并且第四汇总数据124被输入到第四预测模型114。然后,基于由各预测模型110预测出的危险地点生成注意信息。
[0113]
另外,设为中心服务器30再次汇总行为信息,最初汇总了行为信息的组的行为信息被更新。在该情况下,如图11b所示,汇总数据组120为更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a和第四汇总数据124a。另外,通过更新行为信息,在各汇总数据组120中,作为属性的每小时交通量有时会发生变化。在该情况下,进行基于新的交
通量的预测处理。
[0114]
例如,更新后的第一汇总数据121a被输入到第三预测模型113,更新后的第二汇总数据122a被输入到第一预测模型111。另外,更新后的第三汇总数据123a被输入到第二预测模型112,更新后的第四汇总数据124a被输入到第四预测模型114。然后,基于由各预测模型110预测出的危险地点生成注意信息。
[0115]
以上,本实施方式的危险预测系统10除了第一实施方式的效果以外,还具有以下效果。即,根据本实施方式,通过将每个类似的属性的预测模型110用于危险的预测,能够进行与类似的地点的特征相应的危险的预测。
[0116]
[第三实施方式]
[0117]
在第一实施方式中,在汇总数据组120被更新的情况下,将所取得的行为信息直接输入到预测模型110。与此相对,在第三实施方式中,如图12b所示,在将更新后的汇总数据组120用于预测模型110的更新和预测这一点上,与第一实施方式不同。以下,对与第一实施方式相同的结构标注相同的标号,并省略说明。以下,对与第一实施方式的不同点进行说明。
[0118]
首先,本实施方式的预测部280将行为信息输入到一个预测模型110来预测危险。即,如图12a所示,第一汇总数据121、第二汇总数据122、第三汇总数据123和第四汇总数据124被输入到预测模型110。另外,基于预测出的危险地点生成注意信息。
[0119]
在此,设为中心服务器30再次汇总行为信息,最初汇总了行为信息的组的行为信息被更新。在该情况下,如图12b所示,汇总数据组120为更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a和第四汇总数据124a。
[0120]
接着,训练部250使用更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a及第四汇总数据124a进行追加训练而生成更新后的预测模型110a。然后,预测部280通过将更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a及第四汇总数据124a输入到更新后的预测模型110a,由此预测危险。然后,基于由预测模型110a预测出的危险地点生成注意信息。
[0121]
以上,本实施方式的危险预测系统10的特征在于,训练部250对预测模型110进行追加训练。本实施方式除了第一实施方式的效果以外,还具有以下效果。即,根据本实施方式,通过使用所取得的行为信息来追加预测模型110的训练,能够使先取得的行为信息反映到基于后取得的行为信息的危险的预测中。另外,本实施方式的预测模型110对应于在线的更新。因此,在通过追加训练来更新预测模型110时,不需要使用所有数据来重新生成预测模型110。
[0122]
[第四实施方式]
[0123]
在第二实施方式中,在汇总数据组120被更新的情况下,将所取得的行为信息直接输入到各预测模型110。与此相对,在第四实施方式中,如图13b所示,在将更新后的汇总数据组120用于预测模型110的更新和预测这一点上,与第二实施方式不同。以下,对与第一实施方式相同的结构标注相同的标号,并省略说明。以下,对与第一及第二实施方式的不同点进行说明。
[0124]
本实施方式的预测模型110存在每个属性的预测模型110。具体而言,预测模型110包括组g1用的第一预测模型111、组g2用的第二预测模型112、组g3用的第三预测模型113和
组g4用的第四预测模型114。
[0125]
如图13a所示,本实施方式的预测部280将行为信息输入到相应的各组的预测模型110来预测危险。即,第一汇总数据121被输入到第一预测模型111,第二汇总数据122被输入到第二预测模型112,第三汇总数据123被输入到第三预测模型113,并且第四汇总数据124被输入到第四预测模型114。然后,基于由各预测模型110预测出的危险地点生成注意信息。
[0126]
并且,设为中心服务器30再次汇总行为信息,最初汇总了行为信息的组的行为信息被更新。在该情况下,如图13b所示,汇总数据组120为更新后的第一汇总数据121a、第二汇总数据122a、第三汇总数据123a和第四汇总数据124a。
[0127]
接着,训练部250使用更新后的第一汇总数据121a对第一预测模型111进行追加训练,由此生成更新后的第一预测模型111a。另外,训练部250使用更新后的第二汇总数据122a对第二预测模型112进行追加训练,由此生成更新后的第二预测模型112a。另外,训练部250使用更新后的第三汇总数据123a对第三预测模型113进行追加训练,由此生成更新后的第三预测模型113a。而且,训练部250使用更新后的第四汇总数据124a对第四预测模型114进行追加训练,由此生成更新后的第四预测模型114a。
[0128]
然后,更新后的第一汇总数据121a被输入到更新后的第一预测模型111a,更新后的第二汇总数据122a被输入到更新后的第二预测模型112a。另外,更新后的第三汇总数据123a被输入到更新后的第三预测模型113a,更新后的第四汇总数据124a被输入到更新后的第四预测模型114a。然后,基于由各预测模型110预测出的危险地点生成注意信息。
[0129]
以上,本实施方式的危险预测系统10除了第一及第二实施方式的效果以外,还具有以下效果。即,根据本实施方式,通过使先取得的行为信息反映到每个类似属性的预测模型的训练中,能够提高类似的地点处的危险预测的精度。
[0130]
[备注]
[0131]
在上述各实施方式中,(a)将每小时的交通量的平均作为属性,但属性并不限于此。例如,也可以将(b)每小时的危险驾驶的次数的平均、(c)每小时的危险驾驶相对于交通量的比例、(d)道路宽度、(e)通行车辆的平均速度、及(f)上述(a)~(e)的组合作为属性。
[0132]
上述各实施方式的汇总部270除了属性以外,还将由节点n和边缘e构成的图表用于汇总,但并不限于此。只要至少仅将属性用于汇总,则即使在无法充分确保数据的地点进行危险预测的情况下,也能够提高预测精度。
[0133]
另外,也可以由cpu以外的各种处理器执行在上述实施方式中由cpu20a、30a读入软件(程序)而执行的各种处理。作为该情况下的处理器,可例示出fpga(field-programmable gate array:现场可编程门阵列)等在制造后能够变更电路结构的pld(programmable logic device:可编程逻辑器件)、asic(application specific integrated circuit:专用集成电路)等具有为了执行特定的处理而专门设计的电路结构的处理器即专用电路等。另外,也可以利用上述各种处理器中的一个来执行上述的处理,还可以利用相同种类或不同种类的两个以上的处理器的组合(例如,多个fpga、以及cpu与fpga的组合等)来执行上述的受理处理。另外,更具体而言,上述各种处理器的硬件结构是将半导体元件等电路元件组合而成的电路。
[0134]
另外,在上述实施方式中,以各程序被预先存储(安装)于计算机可读的非暂时性记录介质的方式进行了说明。例如,中心服务器30中的处理程序100被预先存储于存储器
30d。然而,并不限于此,各程序也可以以记录于cd-rom(compact disk read only memory:光盘只读存储器)、dvd-rom(digital versatile disk read only memory:数字通用盘只读存储器)和usb(universal serial bus:通用串行总线)存储器等非暂时性记录介质的形式提供。另外,程序也可以是经由网络从外部装置下载的形式。
[0135]
上述各实施方式中的处理也可以不仅由一个处理器执行,而是由多个处理器协作来执行。在上述实施方式中所说明的处理的流程也是一例,可以在不脱离主旨的范围内删除不必要的步骤、添加新的步骤、或调换处理顺序。
转载请注明原文地址:https://win.8miu.com/read-950120.html

最新回复(0)