JP6796798B2 - イベント予測システム、イベント予測方法、プログラム、及び移動体 - Google Patents

Description

本発明は、一般にイベント予測システム、イベント予測方法、プログラム、及び移動体に関し、より詳細には、移動体の運転に関連するイベントの発生を予測するためのイベント予測システム、イベント予測方法、プログラム、及び移動体に関する。

従来、自車両の危険予測を行い、予測結果をドライバに通知することで、車両の運転を支援する運転支援装置が知られている（例えば、特許文献１参照）。

特許文献１に記載の運転支援装置は、運転能力確認部と、危険予測部と、表示制御部とを有している。運転能力確認部は、環境情報取得部、自車情報取得部及びドライバ情報取得部の検出情報に基づいて運転技量試験を周期的に行い、その試験結果からドライバの運転行動を判定し、ドライバの運転能力を確認する。危険予測部は、ドライバの運転行動の判定結果に基づいて、自車両の危険予測を行う。表示制御部は、環境情報取得部、自車情報取得部及びドライバ情報取得部の検出情報に基づいて自車両の未来位置を予測し、自車両の未来位置を自車両の衝突危険度に対応する表示態様で表示部に表示させる。

特開２０１２−１２８６５５号公報

しかし、特許文献１に記載の運転支援装置では、自車両の未来位置の予測結果を表示することで衝突の可能性を運転者（ドライバ）に知らせるため、運転者に通知可能な内容は、運転者の視認可能な範囲で発生するイベント（事故等）に限られる。したがって、特許文献１に記載の運転支援装置では、例えば、路上駐車されている車両の陰からの歩行者の飛び出し等、運転者の死角になる対象物（この場合、歩行者）に起因したイベントについては予測することができない。

本発明は上記事由に鑑みてなされており、運転者の死角になる対象物に起因したイベントの発生についても予測可能なイベント予測システム、イベント予測方法、プログラム、及び移動体を提供することを目的とする。

第１の態様に係るイベント予測システムは、蓄積部と、モデル生成部と、データ生成部と、予測部と、を備える。前記蓄積部は、履歴情報を含む複数の学習用データを蓄積する。前記履歴情報は、移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す。前記モデル生成部は、前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成する。前記データ生成部は、前記移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する。前記予測部は、前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する。前記予測部は、前記イベントが発生した場合に前記履歴情報を前記蓄積部に送信する。前記履歴情報は、学習用ラスタデータを含む。前記学習用ラスタデータは、前記イベントが発生した際における前記予測用ラスタデータから生成される。

第２の態様に係るイベント予測システムでは、第１の態様において、前記履歴情報は、前記移動体の周辺の物体に関する情報と、前記移動体の状態に関する情報と、前記移動体の位置に関する情報と、の少なくとも１つを更に含む。

第３の態様に係るイベント予測システムでは、第１又は第２の態様において、前記複数の学習用データの各々は、前記イベントの発生箇所を表すラベル情報を更に含む。

第４の態様に係るイベント予測システムでは、第１〜第３の態様において、前記データ生成部は、前記予測用情報の取得時点での現在ラスタデータを前記予測用ラスタデータとして生成する。前記予測部は、前記現在ラスタデータの生成時点での前記イベントの発生を予測する。

第５の態様に係るイベント予測システムでは、第１〜第４の態様において、前記データ生成部は、前記予測用情報の取得時点での現在ラスタデータ、及び前記予測用情報に基づいて、未来ラスタデータを前記予測用ラスタデータとして生成する。前記未来ラスタデータは、前記現在ラスタデータを生成した時点から所定時間の経過後のデータである。前記予測部は、前記未来ラスタデータの生成時点での前記イベントの発生を予測する。

第６の態様に係るイベント予測システムは、第１〜第５のいずれかの態様において、前記イベントの予測結果を報知する報知部を更に備える。

第７の態様に係るイベント予測システムでは、第６の態様において、前記報知部は、前記イベントの予測結果を表示することにより報知する表示部を有する。

第８の態様に係るイベント予測システムでは、第１〜第７のいずれかの態様において、前記予測部は、前記移動体を運転する運転者の属性ごとに異なる前記予測モデルを用いるように構成されている。

第９の態様に係るイベント予測システムは、データ生成部と、予測部と、を備える。前記データ生成部は、移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する。前記予測部は、予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する。前記予測モデルは、前記イベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを用いて生成される。前記予測部は、前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する。前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータを生成する学習用ラスタデータを含む。

第１０の態様に係るイベント予測方法は、蓄積処理と、モデル生成処理と、データ生成処理と、予測処理と、を有する。前記蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。前記履歴情報は、移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す。前記モデル生成処理は、前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成する処理である。前記データ生成処理は、前記移動体に関する予想用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する処理である。前記予測処理は、前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する処理である。前記予測処理は、前記イベントが発生した場合に前記履歴情報を送信する。前記蓄積処理は、前記予測処理が送信した前記履歴情報を蓄積する。前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む。

第１１の態様に係るプログラムは、コンピュータシステムに、蓄積処理と、モデル生成処理と、データ生成処理と、予測処理と、を実行させるためのプログラムである。前記蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。前記履歴情報は、移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す情報であって、学習用ラスタデータを有する。前記学習用ラスタデータは、前記イベントが発生した際における前記予測用ラスタデータから生成されたデータである。前記モデル生成処理は、前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成する処理である。前記データ生成処理は、前記移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する処理である。前記予測処理は、前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する処理である。前記予測処理は、前記イベントが発生した場合に前記履歴情報を前記蓄積処理に送信する。

第１２の態様に係るイベント予測方法は、データ生成処理と、予測処理と、を有する。前記データ生成処理は、移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する処理である。前記予測処理は、予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する処理である。前記予測処理は、前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する処理である。前記予測モデルは、前記イベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを用いて生成される。前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成される学習用ラスタデータを含む。

第１３の態様に係るプログラムは、コンピュータシステムに、データ生成処理と、予測処理と、を実行させるためのプログラムである。前記データ生成処理は、移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成する処理である。前記予測処理は、予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する処理である。前記予測処理は、前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する処理である。前記予測モデルは、履歴情報を含む複数の学習用データを用いて生成される。前記履歴情報は、前記イベントが発生した際における前記移動体の状況を表す情報であって、学習用ラスタデータを有する。前記学習用ラスタデータは、前記イベントが発生した際における前記予測用ラスタデータを生成するデータである。

第１４の態様に係る移動体は、第１〜第９のいずれかの態様に係るイベント予測システムを備える。

本発明は、運転者の死角になる対象物に起因したイベントの発生についても予測可能である、という利点がある。

図１は、実施形態１に係るイベント予測システムの構成を示すブロック図である。 図２は、同上のイベント予測システムにおける予測用ラスタデータの一例を示す概念図である。 図３は、同上のイベント予測システムの予測モデルの生成に係る動作を示すフローチャートである。 図４は、同上のイベント予測システムのイベントの予測動作を示すフローチャートである。 図５は、同上のイベント予測システムにおける現在ラスタデータでのイベントの発生箇所の設定の一例を示す概念図である。 図６は、同上のイベント予測システムを用いた場合の運転者の視野を示す概念図である。 図７Ａ〜図７Ｃは、同上のイベント予測システムにて予測が可能なイベントの例を示す概念図である。 図８Ａ〜図８Ｃは、同上のイベント予測システムにて予測が可能なイベントの他の例を示す概念図である。 図９Ａ，図９Ｂは、同上のイベント予測システムにおけるラベル情報の一例を示す概念図である。 図１０は、実施形態２に係るイベント予測システムにおいて、データ生成部で生成した未来ラスタデータの一例を示す概念図である。 図１１は、同上のイベント予測システムにおける現在ラスタデータでのイベントの発生箇所の一例を示す概念図である。

（実施形態１）
（１）概要
本実施形態に係るイベント予測システム１（図１参照）は、自動車等の移動体１００（図１参照）の運転に関連するイベントの発生を予測するためのシステムである。本実施形態では、イベント予測システム１が適用される移動体１００が自動車である場合を例に説明する。

ここでいう「イベント」は、例えば、移動体１００の運転者が運転に際して危険と感じるような事象を意味する。この種の「イベント」には、例えば、車両同士の衝突、ガードレール等の構造物への車両の衝突、及び歩行者等と車両の接触等の事故、又は、事故には至らないが事故に直結する可能性の高い事象（いわゆるヒヤリ・ハット）等がある。また、ここでいう「イベントの発生箇所」は、イベントが発生する箇所を意味しており、交差点又は横断歩道等のイベントが発生する場所（地点）、及び、移動体１００の周辺の車両、歩行者、又は小動物等のイベントの対象となる特定の物体（部分）の両方を含む。

本実施形態に係るイベント予測システム１は、主として、運転者の死角になる対象物に起因したイベントの発生を予測する。この種のイベントの具体例として、路上駐車されている車両の陰からの歩行者の飛び出し、及び右折（又は左折）待ちの車両の陰からの直進する車両の出現等がある。運転者の視認可能な範囲外で発生するこの種のイベントは、「見えない危険」とも呼ばれる。移動体１００の運転者は、通常、この種のイベント（見えない危険）については、移動体１００の状況に基づいて、つまり移動体１００がどのような状況に置かれているかに基づいて、自身の経験等に照らして予測を行っている。すなわち、一般的に、運転者は、様々なシチュエーションでの移動体１００の運転を経験することにより、「見えない危険」を、ある程度予測できるようになる。そのため、運転者の運転の熟練度、運転のセンス、及び運転者の状態（運転者の精神状態等を含む）等によって、「見えない危険」の予見性は大きくばらつくことがある。

イベント予測システム１によれば、この種のイベント（見えない危険）が主として予測されるので、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。したがって、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。更に、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。更には、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。要するに、運転者の死角になる対象物に起因したイベントの発生についても予測可能なイベント予測システム１によれば、より安全な運転を実現するように、運転者による移動体１００の運転を支援可能となる。

本実施形態に係るイベント予測システム１は、例えば、実際にイベントが発生した際の移動体１００の状況を表す履歴情報等から機械学習アルゴリズムによって生成される予測モデルを用いて、イベントの発生を予測する。すなわち、移動体１００の状況を表す履歴情報等から生成される予測モデルは、運転者の運転の経験に代えて、イベントの発生を予測可能にする。例えば、移動体１００の周辺にどのような物体が存在し、移動体１００の移動速度がどの程度で、移動体１００がどのような場所を移動中か、といった移動体１００の種々の状況からは、イベントの発生を予測することが可能である。

イベント予測システム１でのイベントの予測結果は、例えば、ヘッドアップディスプレイ（ＨＵＤ：Head-Up Display）、及びマルチインフォメーションディスプレイ等に表示されることによって、運転者に報知されることが好ましい。これにより、運転者の死角になる対象物に起因したイベントの発生が予測される場合には、その旨が運転者に知らされることになり、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。更に、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。更には、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。

（２）構成
本実施形態に係るイベント予測システム１は、図１に示すように、移動体１００（本実施形態では自動車）に実装された予測ブロック１１と、クラウド２００（クラウドコンピューティング）に実装された学習ブロック１２と、を備えている。

また、イベント予測システム１は、移動体１００に搭載された報知部１３を更に備えている。また、イベント予測システム１は、移動体１００に搭載されたＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６を更に備えている。

予測ブロック１１と学習ブロック１２とは、通信可能に構成されている。予測ブロック１１は、移動体１００に実装されているため、クラウド２００に実装された学習ブロック１２との通信は、例えば、通信事業者が提供する携帯電話網（キャリア網）、及びインターネット等の公衆回線網を介して行われる。携帯電話網には、例えば３Ｇ（第３世代）回線、ＬＴＥ（Long Term Evolution）回線等がある。予測ブロック１１は、学習ブロック１２と、公衆無線ＬＡＮ（Local Area Network）を介して通信可能に構成されていてもよい。

予測ブロック１１は、予測部１１１と、モデル格納部１１２と、入力情報処理部１１３と、出力情報処理部１１４と、データ生成部１１５と、を有している。予測ブロック１１は、例えば、ＣＰＵ（Central Processing Unit）及びメモリを主構成とするコンピュータシステムにて構成されており、ＣＰＵがメモリに格納されているプログラムを実行することにより、コンピュータシステムが予測ブロック１１として機能する。プログラムは、ここでは予測ブロック１１のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の記録媒体に記録されて提供されてもよい。

入力情報処理部１１３は、ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６に接続されており、移動体情報を取得する。ここでいう「移動体情報」は、移動体１００の状況を表す情報である。本実施形態では、移動体情報は、移動体１００の周辺の物体に関する情報（「ＡＤＡＳ情報」ともいう）と、移動体１００の状態に関する情報（「車両情報」ともいう）と、移動体１００の位置に関する情報（「位置情報」ともいう）と、の全てを含む。ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６は、それぞれＡＤＡＳ情報、車両情報、及び位置情報の入力インタフェースである。そのため、入力情報処理部１１３には、ＡＤＡＳ情報入力部１４からＡＤＡＳ情報が入力され、車両情報入力部１５から車両情報が入力され、位置情報入力部１６から位置情報が入力される。本実施形態では、入力情報処理部１１３は、ＡＤＡＳ情報、車両情報、及び位置情報を、後述する予測用情報としてデータ生成部１１５に出力する。すなわち、本実施形態では、移動体情報、及び予測用情報は、ＡＤＡＳ情報、車両情報、及び位置情報の全てを含む情報である。なお、移動体情報は、ＡＤＡＳ情報、車両情報、及び位置情報のうちの少なくとも１つを含む情報であってもよい。同様に、予測用情報は、ＡＤＡＳ情報、車両情報、及び位置情報のうちの少なくとも１つを含む情報であってもよい。

ＡＤＡＳ情報は、先進運転支援システム（ＡＤＡＳ：Advanced Driver Assistance System）の検出部であるカメラ、ソナーセンサ、レーダ、及びＬｉＤＡＲ（Light Detection and Ranging）等にて検出可能な情報である。ＡＤＡＳ情報の具体例としては、移動体１００の周辺を走行中の車両までの移動体１００からの距離、この車両の移動体１００に対する相対座標、複数の車両同士の車間距離、及びこれらの車両の相対速度等がある。ここで、ＡＤＡＳ情報における移動体１００の周辺の物体は、移動体１００の周辺にて走行中又は停車中の車両、ガードレール等の構造物の他、歩行者、及び小動物等を含んでいる。

車両情報は、移動体１００自体のローカルな状態を表す情報であって、移動体１００に搭載されたセンサにて検出可能な情報である。車両情報の具体例としては、移動体１００の移動速度（走行速度）、移動体１００にかかる加速度、アクセルペダルの踏込量（アクセル開度）、ブレーキペダルの踏込量、舵角、並びにドライバモニタで検出される運転者の脈拍、表情、及び視線等がある。更に、車幅、車高、全長、及びアイポイント等の、移動体１００に固有のデータも、車両情報に含まれる。

位置情報は、移動体１００の位置に基づく情報であって、自車位置における道路情報等、ＧＰＳ（Global Positioning System）を用いて検出可能な情報である。位置情報の具体例としては、自車位置における道路の車線数、交差点か否か、丁字路か否か、一方通行か否か、車道幅、歩道の有無、勾配、及びカーブの曲率等がある。

ＡＤＡＳ情報、車両情報、及び位置情報の個々の具体例は、上述した例に限らない。例えば、ドライバモニタが、運転者の顔の向き、眠気レベル、及び感情等を検出可能である場合には、これらの情報（運転者の顔の向き、眠気レベル、及び感情等）も車両情報に含まれる。

データ生成部１１５は、移動体１００に関する予測用情報を用いて、予測用ラスタデータを生成するように構成されている。本実施形態では、データ生成部１１５は、予測用情報の取得時点での現在ラスタデータを、予測用ラスタデータとして生成する。データ生成部１１５は、生成した予測用ラスタデータを予測部１１１に出力する。ここにおいて、「予測用情報」は、移動体１００の状況を表す情報であって、入力情報処理部１１３が取得する移動体情報と同じ情報である。また、ここでいう「予測用ラスタデータ」は、移動体１００の状況を複数のセルで表すデータである。より具体的には、予測用ラスタデータは、行と列の格子状（グリッド状）に並んだセル（ピクセル）で構成されるデータであり、各ピクセルには、移動体１００に関する種々の情報が含まれている。本実施形態では、予測用ラスタデータは、移動体１００及び移動体１００の周辺を俯瞰したときの画像データに相当する。また、本実施形態では、各ピクセルは、縦１ｍ、横１ｍの正方形の領域に相当する。

各ピクセルには、移動体１００の位置を原点（基準点）とした場合のピクセルの相対座標、ピクセル内に存在する物体（例えば、車両、バイク、人等）の識別情報、ピクセル内に存在する物体の移動体１００に対する相対速度などの情報が数値として含まれている。本実施形態では一例として、移動体１００の左右方向をＸ軸、移動体１００の前後方向をＹ軸とするＸ−Ｙ直交座標系を、ピクセルの移動体１００に対する相対座標として適用する。移動体１００から見て右方がＸ軸の「正」、移動体１００から見て前方がＹ軸の「正」であると仮定する。移動体１００は平面視において、ある程度の大きさ（面積）を有するので、厳密には、移動体１００上の一点（例えば平面視における中心点）が原点（Ｘ，Ｙ＝０，０）に設定される。

また、各ピクセルには、車線の位置、車道、歩道、横断歩道等の移動体１００が走行している道路に関する情報の他、移動体１００及び移動体１００以外の車両の種別、ブレーキランプの状態等の情報が数値として含まれている。また、各ピクセルには、例えば移動体１００の移動速度（走行速度）、移動体１００にかかる加速度、アクセルペダルの踏込量、ブレーキペダルの踏込量、舵角等の移動体１００自体に関する情報が数値として含まれていてもよい。また、各ピクセルには、信号機の点灯状態等の情報が数値として含まれていてもよい。その他、各ピクセルには、運転者の脈拍、表情、及び視線等が数値として含まれていてもよい。更に、既に述べたように、ドライバモニタが、運転者の顔の向き、眠気レベル、及び感情等を検出可能である場合には、これらの情報（運転者の顔の向き、眠気レベル、及び感情等）も各ピクセルに数値として含まれていてもよい。

図２に予測用ラスタデータの一例を表す概念図を示す。図２は、移動体１００（自車）及び移動体１００の周辺の俯瞰図である。図２には、移動体１００が走行中の走行車線Ａ１、及び対向車線Ａ２が表されている。走行車線Ａ１及び対向車線Ａ２は、いずれも２車線である。走行車線Ａ１には、複数（ここでは、３台）の物体（ここでは、車両Ｂ１１〜Ｂ１３）が表されている。また、対向車線Ａ２には、複数（ここでは、９台）の物体（ここでは、車両Ｂ２１〜Ｂ２９）が表されている。また、走行車線Ａ１の傍らには、信号機Ｃ１が表されている。更に、走行車線Ａ１に隣接する駐車スペースＤ１から物体（ここでは、車両Ｂ３）が車道に進入しようとしている状態も表されている。

ここで、図２に示す予測用ラスタデータの概念図は、予測用ラスタデータを可視化した図である。したがって、図２に示す概念図では、車両等の物体、道路、信号といった人間の目で視ることのできる情報は可視化した形で表されているが、例えば車両の移動体１００に対する相対速度といった人間の目で視ることのできない情報は表されていない。

予測部１１１は、予測モデル、及びデータ生成部１１５で生成した予測用ラスタデータを用いて、移動体１００の運転中におけるイベントの発生を予測するように構成されている。本実施形態では、予測部１１１は、予測用ラスタデータ（現在ラスタデータ）の生成時点でのイベントの発生を予測するように構成されている。ここでいう「予測モデル」は、学習ブロック１２にて、実際にイベントが発生した際の移動体１００の状況を表す履歴情報等から機械学習アルゴリズムによって生成される学習済みモデルである。

更に、予測部１１１は、予測用モデルを用いて、イベントの発生箇所を推定する。一例として、予測部１１１は、予測用ラスタデータにおいて、イベントの発生が予測された物体の存在するピクセルを、この物体の周辺のピクセルを含めてイベントの発生箇所として推定するように構成されている。本実施形態では、イベントの発生箇所は、イベントの発生が予測されたピクセルの集合のうちの基準となるピクセルの相対座標、このピクセルの集合のＸ軸方向、Ｙ軸方向の各々における幅寸法（単位：ピクセル）として、予測部１１１にて算出される。「イベントの発生箇所」は、上述したように交差点又は横断歩道等のイベントが発生する場所、及び、移動体１００の周辺の車両、歩行者、又は小動物等のイベントの対象となる特定の物体の両方を含むが、本実施形態では後者（特定の物体）を推定対象とする。予測部１１１の具体的な処理については、「（３．２）予測動作」の欄で説明する。

また、予測部１１１は、イベントが発生した際における移動体１００の状況を表す履歴情報を、学習ブロック１２に送信するように構成されている。ここでいう「履歴情報」は、移動体１００の状況を表す情報であって、入力情報処理部１１３が取得する移動体情報（及び予測用情報）と同じ情報を含んでいる。すなわち、本実施形態では、履歴情報は、移動体１００の周辺の物体に関する情報（ＡＤＡＳ情報）と、移動体１００の状態に関する情報（車両情報）と、移動体１００の位置に関する情報（位置情報）と、の全てを含む。もちろん、履歴情報は、ＡＤＡＳ情報、車両情報、及び位置情報のうちの少なくとも１つを含む情報であってもよい。また、履歴情報は、イベントが発生した際における移動体１００の状況を複数のセルで表す学習用ラスタデータを含んでいる。ここでいう「学習用ラスタデータ」は、イベントが発生した際における予測用ラスタデータと同じ情報である。ただし、学習用ラスタデータは、予測用ラスタデータと同じサイズのデータである必要はなく、例えば物体の識別情報を用いて予測用ラスタデータをリサイズしたデータであってもよい。なお、ＡＤＡＳ情報、車両情報、及び位置情報が予測用ラスタデータに含まれている場合には、履歴情報は、学習用ラスタデータのみで構成されていてもよい。

ただし、予測部１１１は、履歴情報を学習ブロック１２に常時送信するのではなく、イベントが発生した場合にのみ、履歴情報を学習ブロック１２に送信する。イベントの発生の有無は、ソナーセンサ、及びレーダ等の検知結果、エアバッグの動作状態、急ブレーキ及び急ハンドルの検知結果、又は、ドライバモニタで測定される運転者の脈拍、及び表情等にて検出可能である。つまり、予測ブロック１１は、イベントの発生をトリガにして、例えば、イベントの発生時点の前後の数秒間の履歴情報を学習ブロック１２に送信する。このとき、一定時間（例えば０．１秒）間隔で履歴情報が取得されている場合には、イベントの発生時点の前後の数秒間に取得された複数の履歴情報が、学習ブロック１２にまとめて送信される。

ここにおいて、予測部１１１は、イベントの発生箇所を表すラベル情報を、履歴情報と共に学習ブロック１２に送信する。本実施形態では、ラベル情報は、イベントの発生が予測されたピクセルの集合のうちの基準となるピクセルの相対座標、このピクセルの集合のＸ軸方向、Ｙ軸方向の各々における幅寸法である。ラベル情報が表すイベントの発生箇所は、予測部１１１にて予測されるイベントの発生箇所とは異なり、イベントの発生が検出された場合における、実際のイベントの発生箇所である。複数の履歴情報が学習ブロック１２にまとめて送信される場合には、ラベル情報は、複数の履歴情報の各々に紐付けられている。詳しくは後述するが、履歴情報及びラベル情報は、学習ブロック１２において予測モデルの生成に用いられる。

モデル格納部１１２は、予測部１１１での予測に使用される予測モデルを格納する。本実施形態では、予測ブロック１１と学習ブロック１２との間の通信により、学習ブロック１２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信（配信）され、モデル格納部１１２に格納（記憶）される。本実施形態では、モデル格納部１１２には、１つの予測モデルが格納されていることと仮定する。モデル格納部１１２は、学習ブロック１２から新たな予測モデルを随時取得し、格納している予測モデルを随時更新する。ただし、モデル格納部１１２には、複数の予測モデルが格納されてもよい。

出力情報処理部１１４は、予測部１１１、及び報知部１３に接続されている。出力情報処理部１１４には、予測部１１１でのイベントの予測結果が入力される。本実施形態では、予測用ラスタデータ及び予測モデルから推定されるイベントの発生箇所が、イベントの予測結果として出力情報処理部１１４に入力される。出力情報処理部１１４は、予測部１１１でのイベントの予測結果（ここではイベントの発生箇所）を、報知部１３に出力し、報知部１３にて報知させる。本実施形態では、報知部１３は、イベントの予測結果を表示することにより報知する表示部を有している。そのため、出力情報処理部１１４は、イベントの予測結果を、表示部にて表示可能な態様のデータとして報知部１３に出力する。

報知部１３は、予測用ラスタデータから推定されるイベントの発生箇所を、イベントの予測結果として報知する。つまり、予測部１１１では予測用ラスタデータからイベントの発生箇所が推定されるので、報知部１３は、出力情報処理部１１４から、イベントの予測結果を受け取ることにより、イベントの発生箇所を報知（本実施形態では表示）する。本実施形態では、報知部１３は、３Ｄ−ＨＵＤ１３１、２Ｄ−ＨＵＤ１３２、メータ１３３、及びマルチインフォメーションディスプレイ１３４を、表示部の一例として有している。３Ｄ−ＨＵＤ１３１及び２Ｄ−ＨＵＤ１３２は、移動体１００のウインドシールドに下方（ダッシュボード）から画像を投影することで、ウインドシールドで反射された画像を運転者に視認させる。特に、３Ｄ−ＨＵＤ１３１は、移動体１００の前方の路面上に奥行きをもって視認される画像を投影可能である。報知部１３での具体的な表示態様については、「（３．２）予測動作」の欄で説明する。

学習ブロック１２は、蓄積部１２１と、モデル生成部１２２と、を有している。学習ブロック１２は、例えば、ＣＰＵ及びメモリを主構成とするコンピュータシステムにて構成されており、ＣＰＵがメモリに格納されているプログラムを実行することにより、コンピュータシステムが学習ブロック１２として機能する。プログラムは、ここでは学習ブロック１２のメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の記録媒体に記録されて提供されてもよい。

蓄積部１２１は、イベントが発生した際における移動体１００の状況を表す履歴情報を含む複数の学習用データを蓄積する。本実施形態では、予測部１１１から学習ブロック１２に送信されるラベル情報が、履歴情報と共に学習用データとして蓄積部１２１に蓄積される。つまり、蓄積部１２１に蓄積される複数の学習用データの各々は、イベントが発生した際における履歴情報と、イベントの発生箇所を表すラベル情報と、を含んでいる。

このように、蓄積部１２１には、イベントの発生をトリガにして、ラベル情報が付加された状態の履歴情報が、学習用データとして蓄積される。学習用データは、イベントが発生する度に蓄積部１２１に蓄積され、蓄積部１２１には複数の学習用データが蓄積される。ここで、蓄積部１２１に蓄積された複数の学習用データは、モデル生成部１２２での予測モデルの生成に用いられる学習用データセットである。つまり、複数の学習用データは、履歴情報にアノテーション処理が施されることにより、モデル生成部１２２での機械学習に適した形に加工された学習用データセットを構成する。

モデル生成部１２２は、複数の学習用データを用いて、予測モデルを生成する。モデル生成部１２２は、一定量以上の学習用データを用いて、機械学習アルゴリズムによって予測モデルを生成する。予測モデルは、上述したように、予測部１１１にてイベントの発生を予測するために使用される学習済みモデルである。モデル生成部１２２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信され、モデル格納部１１２に格納される。ここで、モデル生成部１２２は、予測モデルの評価用のサンプルを有しており、予測モデルの評価が向上する度に、予測モデルを予測ブロック１１に送信し、モデル格納部１１２に格納されている予測モデルを更新する。

（３）動作
次に、本実施形態に係るイベント予測システム１の動作について説明する。

（３．１）学習動作
まず、学習ブロック１２での予測モデルの生成に係るイベント予測システム１の動作について、図３に示すフローチャートを参照して説明する。

学習ブロック１２は、予測ブロック１１でのイベントの発生をトリガにして、予測ブロック１１から履歴情報を取得する（ステップＳ１１）。更に、このとき、学習ブロック１２は、履歴情報に対応付けられたラベル情報を、履歴情報と併せて取得する。学習ブロック１２は、取得したラベル情報を、履歴情報に付加するアノテーション処理を行う（ステップＳ１２）。学習ブロック１２は、このようにして得られる、ラベル情報が付加された履歴情報を学習用データとし、この学習用データを、蓄積部１２１に蓄積する（ステップＳ１３）。

学習ブロック１２は、蓄積された学習用データの増加量を表す値（例えばビット数）を蓄積データ増加量とし、蓄積データ増加量と所定値Ｑとを比較する（ステップＳ１４）。蓄積データ増加量が所定値Ｑ以上であれば（ステップＳ１４：Ｙｅｓ）、学習ブロック１２は、モデル生成部１２２にて予測モデルを生成する（ステップＳ１５）。このとき、モデル生成部１２２は、蓄積部１２１に蓄積されている複数の学習用データを用いて、機械学習アルゴリズムによって予測モデルを生成する。モデル生成部１２２で生成された予測モデルは、学習ブロック１２から予測ブロック１１に送信され、モデル格納部１１２に格納される。一方、蓄積データ増加量が所定値Ｑ未満であれば（ステップＳ１４：Ｎｏ）、イベント予測システム１は、ステップＳ１５を飛ばして、学習ブロック１２での一連の処理を終了する。

イベント予測システム１は、上記ステップＳ１１〜Ｓ１５の処理を、予測ブロック１１にてイベントが発生する度に繰り返し行うことで、予測モデルを生成する。そして、学習ブロック１２は、予測モデルの評価が向上する度に、予測モデルを予測ブロック１１に送信し、モデル格納部１１２に格納されている予測モデルを更新する。

また、学習ブロック１２は、イベント予測システム１の運用開始時においては、蓄積部１２１に予め複数の学習用データを蓄積しておくことにより、予測ブロック１１から履歴情報を取得しなくても、予測モデルを生成可能に構成されていることが好ましい。予測モデルについても同様であって、イベント予測システム１の運用開始時においては、学習ブロック１２及びモデル格納部１１２に、予めデフォルトの予測モデルが格納されていることが好ましい。

（３．２）予測動作
次に、イベント予測システム１における予測動作について、図４に示すフローチャートを参照して説明する。

予測ブロック１１は、予測部１１１にて予測用情報を取得する（ステップＳ２１）。このとき、ＡＤＡＳ情報入力部１４、車両情報入力部１５、及び位置情報入力部１６から入力情報処理部１１３に入力されるＡＤＡＳ情報、車両情報、及び位置情報が、予測用情報として予測部１１１に入力される。予測ブロック１１は、取得した予測用情報を用いて、データ生成部１１５にて現在ラスタデータを予測用ラスタデータとして生成する（ステップＳ２２）。そして、予測ブロック１１は、生成した予測用ラスタデータ（現在ラスタデータ）、及びモデル格納部１１２に格納されている予測モデルを用いて、予測部１１１にてイベントの発生の予測を行う（ステップＳ２３）。予測用情報の取得処理（ステップＳ２１）、予測用ラスタデータのデータ生成処理（ステップＳ２２）、及びイベントの発生の予測処理（ステップＳ２３）は、一定時間（例えば０．１秒）間隔で随時実行される。

予測ブロック１１は、予測部１１１にてイベントが発生すると予測されると（ステップＳ２４：Ｙｅｓ）、予測モデルを用いて、イベントの発生箇所を推定するための推定処理を開始する（ステップＳ２５）。具体的には、予測ブロック１１は、予測部１１１にて、予測用ラスタデータ（現在ラスタデータ）におけるイベントの発生が予測されたピクセルの集合のうちの基準となるピクセルの相対座標、このピクセルの集合のＸ軸方向、Ｙ軸方向の各々における幅寸法を算出する。そして、予測ブロック１１は、予測部１１１にて、このピクセルの集合をイベントの発生箇所として設定する。

図５にイベントの発生箇所の設定の一例を表す概念図を示す。図５において、イベントの発生箇所と推定されたピクセルの集合（図５における破線で囲まれた領域を参照）のうちの基準となるピクセルの相対座標は、左上隅のピクセル（図５における「Ｐ１」で示すピクセル）の相対座標である。また、図５において、このピクセルの集合のＸ軸方向の幅寸法は４ピクセルであり、Ｙ軸方向の幅寸法は７ピクセルである。また、このピクセルの集合には、車両Ｂ１２が存在している。予測ブロック１１は、予測部１１１にて、現在ラスタデータにおけるこの車両Ｂ１２の周辺をイベントの発生箇所として設定する（図２の破線で囲まれた領域を参照）。

推定処理（ステップＳ２５）が終わると、イベント予測システム１は、イベントの予測結果（つまり、予測部１１１にて設定されたイベントの発生箇所）を、報知部１３にて報知する（ステップＳ２６）。

一例として、図６に示すような状況での、報知部１３による報知処理（ステップＳ２６）について説明する。図６は、移動体１００の運転者の視野を示す概念図である。図６の例では、移動体１００（自車）が走行中の走行車線５０１、及び対向車線５０２の各々が２車線の直線道路を想定している。この例において、移動体１００の左前方の走行車線５０１の路肩には、駐車中のトラック３０１が存在する。図６の例では、３Ｄ−ＨＵＤ１３１により、イベントの発生箇所として設定されたトラック３０１の周囲に、マーカ４０１（ドットハッチングで示す領域）を表示する。これにより、運転者においては、トラック３０１の周囲に、マーカ４０１が重ねて表示されて見えるため、トラック３０１への注意が喚起される。すなわち、運転者の視界においては、実空間上に３Ｄ−ＨＵＤ１３１が表示するマーカ４０１が合成された、拡張現実（ＡＲ：Augmented Reality）表示が実現される。

これにより、運転者は、運転者の死角となるトラック３０１の陰からの歩行者、又は自転車等の飛び出しのように「見えない危険」が潜んでいることを確認できる。このように、本実施形態に係るイベント予測システム１によれば、より安全な運転を実現するように、運転者による移動体１００の運転を支援可能である。

一方、予測部１１１にてイベントが発生すると予測されなければ（ステップＳ２４：Ｎｏ）、イベント予測システム１は、ステップＳ２５，Ｓ２６を飛ばして、予測ブロック１１での一連の処理を終了する。

（４）補足事項
以下に、本実施形態に係るイベント予測システム１にて予測が可能なイベント（見えない危険）の例を幾つか挙げる。ここでは、イベント予測システム１は、移動体１００（自車）を含めて、上方から俯瞰したような画像において、イベントの発生箇所を表示することと仮定する。

まず、図７Ａ、図７Ｂ、及び図７Ｃは、対象物（ここでは停車中のトラック）の陰から、自転車、車両、又は歩行者等が飛び出し得る状況を示している。

図７Ａの例では、移動体１００である自車３００Ａが走行中の走行車線５０１Ａ、及び対向車線５０２Ａの各々が１車線であって、対向車線５０２Ａの路肩に、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが存在する。更に、対向車線５０２Ａ側の歩道５０３Ａからは、トラック３０２Ａとトラック３０３Ａとの間を通って、自転車３０４Ａが走行車線５０１Ａを横断しようとしている。図７Ａのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの車間距離等の情報から、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、駐車中の複数台のトラック３０１Ａ，３０２Ａ，３０３Ａの周囲の領域にマーカ４０１Ａを表示する。図７Ａに例示するような状況は、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが駐車中である場合に限らず、例えば、複数台のトラック３０１Ａ，３０２Ａ，３０３Ａが渋滞により、停車又は極低速で走行している場合等にも生じ得る。

図７Ｂの例では、移動体１００である自車３００Ｂが走行中の走行車線５０１Ｂ、及び対向車線５０２Ｂの各々が２車線である。ここで、信号機５０４Ｂが赤信号であるため、走行車線５０１Ｂにおける自車３００Ｂの左前方には、停車中（信号待ち）の複数台のトラック３０１Ｂ，３０２Ｂが存在する。更に、対向車線５０２Ｂには走行中のトラック３０３Ｂが存在する。この場合において、走行車線５０１Ｂ側の歩道５０３Ｂ上の駐車スペース５０５Ｂからは、トラック３０１Ｂとトラック３０２Ｂとの間を通って、車両３０４Ｂが対向車線５０２Ｂに出ようとしている。図７Ｂのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ｂ，３０２Ｂの車間距離、信号機５０４Ｂ等の情報から、停車中のトラック３０１Ｂの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、停車中のトラック３０１Ｂの周囲の領域にマーカ４０１Ｂを表示する。

図７Ｃの例では、移動体１００である自車３００Ｃが走行中の走行車線５０１Ｃ、及び対向車線５０２Ｃの各々が１車線であって、走行車線５０１Ｃの路肩に、駐車中のトラック３０１Ｃが存在する。この場合において、トラック３０１Ｃの前方の横断歩道５０４Ｃを、対向車線５０２Ｃ側の歩道５０３Ｃに向けて、歩行者３０２Ｃが横断中である。図７Ｃのような状況では、イベント予測システム１は、例えば、トラック３０１Ｃの移動速度、横断歩道５０４Ｃ等の情報から、駐車中のトラック３０１Ｃの周辺に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、駐車中のトラック３０１Ｃの周囲の領域にマーカ４０１Ｃを表示する。

また、図８Ａ、図８Ｂ、及び図８Ｃは、対象物（ここではトラック）により生じる死角に車両が存在する状況を示している。

図８Ａの例では、移動体１００である自車３００Ｄが走行中の走行車線５０１Ｄ、及び対向車線５０２Ｄの各々が１車線であって、自車３００Ｄの前方の交差点には、左方から右折してくるトラック３０１Ｄが存在する。更に、対向車線５０２Ｄには、同交差点内で右折待ちの車両３０２Ｄが存在する。図８Ａのような状況では、イベント予測システム１は、例えば、トラック３０１Ｄ及び車両３０２Ｄ等の情報から、トラック３０１Ｄにて生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、トラック３０１Ｄにより生じる死角領域にマーカ４０１Ｄを表示する。

図８Ｂの例では、移動体１００である自車３００Ｅが走行中の走行車線５０１Ｅ、及び対向車線５０２Ｅの各々が２車線であって、自車３００Ｅの前方の交差点には、走行車線５０１Ｅにて右折待ちの複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅが存在する。更に、対向車線５０２Ｅには、同交差点内で右折待ちの車両３０４Ｅが存在する。図８Ｂのような状況では、イベント予測システム１は、例えば、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅ及び車両３０４Ｅ等の情報から、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅにより生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、複数台のトラック３０１Ｅ，３０２Ｅ，３０３Ｅにより生じる死角領域にマーカ４０１Ｅを表示する。

図８Ｃの例では、移動体１００である自車３００Ｆが走行中の走行車線５０１Ｆ、及び対向車線５０２Ｆの各々が２車線であって、自車３００Ｆは交差点内で右折待ちをしている。更に、同交差点には、対向車線５０２Ｆにて右折待ちの複数台のトラック３０１Ｆ，３０２Ｆ，３０３Ｆが存在する。更に、対向車線５０２Ｆには、直進中の車両３０４Ｆが存在する。図８Ｃのような状況では、イベント予測システム１は、例えば、先頭のトラック３０１Ｆ及び車両３０４Ｆ等の情報から、先頭のトラック３０１Ｆにより生じる死角に「見えない危険」が潜んでいると判断する。そのため、イベント予測システム１は、トラック３０１Ｆにより生じる死角領域にマーカ４０１Ｆを表示する。

（５）変形例
実施形態１は、本発明の様々な実施形態の一つに過ぎない。実施形態１は、本発明の目的を達成できれば、設計等に応じて種々の変更が可能である。例えば、イベント予測システム１は、イベントの発生を予測するための予測モデルを生成する機能のみを有していてもよい。この場合、予測用ラスタデータを生成する機能と、予測用ラスタデータ及び予測モデルからイベントの発生を予測する機能についてはイベント予測システム１に含まれていなくてもよい。つまり、この場合、予測ブロック１１は、イベント予測システム１に必須の構成ではない。また、この場合、イベント予測システム１は、例えば、イベントの発生を予測モデルから予測するための他のシステムに、予測モデルを提供するように構成されていてもよい。

また、例えば、イベント予測システム１は、予測用ラスタデータを生成する機能と、予測用ラスタデータ及び予測モデルからイベントの発生を予測する機能とのみを有していてもよい。この場合、イベントの発生を予測するための予測モデルを生成する機能についてはイベント予測システム１に含まれていなくてもよい。つまり、この場合、予測モデルを生成するための学習ブロック１２は、イベント予測システム１に必須の構成ではない。また、この場合、イベント予測システム１は、他のシステムから提供される予測モデルを用いて、イベントの発生を予測モデルから予測するように構成されていてもよい。この場合、予測モデルとしては、既に述べた予測モデルを用いればよい。

また、イベント予測システム１と同様の機能は、イベント予測方法、コンピュータプログラム、又はプログラムを記憶した記憶媒体等で具現化されてもよい。一態様に係るイベント予測方法は、予測モデルを生成する方法であって、蓄積処理と、モデル生成処理と、を有する。蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。モデル生成処理は、複数の学習用データを用いて、イベントの発生を予測するための予測モデルを生成する処理である。履歴情報は、学習用ラスタデータを含む。

また、一態様に係るイベント予測方法は、イベントの発生を予測する方法であって、データ生成処理と、予測処理と、を有する。データ生成処理は、移動体１００に関する予測用情報を用いて、予測用ラスタデータを生成する処理である。予測処理は、予測モデル、及び予測用ラスタデータを用いて、移動体１００の運転中におけるイベントの発生を予測する処理である。

一態様に係る（コンピュータ）プログラムは、予測モデルを生成する処理を実行させるためのプログラムであって、コンピュータシステムに、蓄積処理と、モデル生成処理と、を実行させるためのプログラムである。蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。履歴情報は、学習用ラスタデータを有する。モデル生成処理は、複数の学習用データを用いて、イベントの発生を予測するための予測モデルを生成する処理である。

また、一態様に係るプログラムは、イベントの発生を予測する処理を実行させるためのプログラムであって、コンピュータシステムに、データ生成処理と、予測処理と、を実行させるためのプログラムである。データ生成処理は、移動体１００に関する予測用情報を用いて、予測用ラスタデータを生成する処理である。予測処理は、予測モデル、及び予測用ラスタデータを用いて、移動体１００の運転中におけるイベントの発生を予測する処理である。

以下、実施形態１の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。

（５．１）ラベル情報の一例
本実施形態では、ラベル情報は、イベントの発生が予測されたピクセルの集合のうちの基準となるピクセルの相対座標、このピクセルの集合のＸ軸方向、Ｙ軸方向の各々における幅寸法であるが、これに限定する趣旨ではない。例えば、ラベル情報は、上記のピクセルの相対座標のみであってもよい。また、ラベル情報は、イベントの発生が予測されたピクセルの集合を表す情報に限らず、イベントの発生箇所を直接的又は間接的に表す情報であればよい。例えば、ラベル情報は、イベントパターンに合致したか否かを表す情報であってもよい。ここでいう「イベントパターン」は、イベントの発生が予測されるピクセルの集合である。

イベントパターンの一例を図９Ａ、図９Ｂに示す。図９Ａに示すイベントパターンは、予測用ラスタデータから走行車線Ａ１及び対向車線Ａ２の一部を切り出したピクセルの集合であり、対向車線Ａ２に車両Ｂ４が表されている。図９Ａに示すイベントパターンでは、この車両Ｂ４の周辺にイベントの発生箇所が設定されている（図９Ａにおける破線で囲まれた領域を参照）。図９Ｂに示すイベントパターンは、予測用ラスタデータから走行車線Ａ１及び対向車線Ａ２の一部を切り出したピクセルの集合であり、走行車線Ａ１に車両Ｂ５が表されている。図９Ｂに示すイベントパターンでは、この車両Ｂ５の周辺にイベントの発生箇所が設定されている（図９Ｂにおける破線で囲まれた領域を参照）。

イベントパターンに合致したか否かを表す情報をラベル情報として用いる構成においては、予測モデルは、複数のイベントパターンを有している。複数のイベントパターンには、予め設定されたイベントパターンの他に、機械学習により新たに生成されたイベントパターンが含まれている。また、学習用ラスタデータには、ラベル情報として、予測用ラスタデータがイベントパターンと合致するか否かの情報が付される。例えば、予測用ラスタデータが複数のイベントパターンのうちの１つのイベントパターンと合致した場合、この予測用ラスタデータに対応する学習用ラスタデータには、第１パターンと合致したことを表す情報がラベル情報として含まれる。また、例えば、予測用ラスタデータが複数のパターンと合致した場合、この予測用ラスタデータに対応する学習用ラスタデータには、これら複数のパターンと合致したことを表す情報がラベル情報として含まれる。

この構成においては、予測ブロック１１は、予測部１１１にて予測用ラスタデータと、予測モデルの有する複数のイベントパターンとをパターンマッチングすることにより、イベントの発生を予測する。例えば、予測用ラスタデータが、図９Ｂに示すイベントパターンに合致するピクセルの集合を含んでいるとする。この場合、予測ブロック１１は、予測部１１１にて、このピクセルの集合をイベントの発生箇所として設定する。つまり、この構成では、予測ブロック１１は、予測部１１１にて上記パターンマッチングを行うことにより、予測処理（ステップＳ２３）と推定処理（ステップＳ２５）との両方の処理を実行することになる。

（５．２）その他の変形例
イベントの発生箇所の推定結果は、報知部１３から報知される構成に限らず、例えば、移動体１００を制御する車両制御システムに出力されてもよい。この場合、車両制御システムが、イベントの発生箇所の推定結果に応じて、ブレーキ、アクセル、ステアリング等を操作することにより、イベントの発生前に予め減速したり、イベントの発生箇所を回避したりすることができる。これにより、車両制御システムにて、自動運転（完全自動運転、及び一部自動運転の両方を含む）が実現可能となる。

データ生成部１１５にて生成される予測用ラスタデータは、移動体１００及び移動体１００の四方の周辺の情報を含んでいるが、このようなデータに限定する趣旨ではない。例えば、予測用ラスタデータは、移動体１００の周辺のうち前方（例えば、運転者の視野）の情報のみが含まれていてもよい。つまり、予測用ラスタデータに含まれる情報は、例えばＡＤＡＳ情報、車両情報、及び位置情報といった移動体１００の取得可能な情報に応じて変化する。この場合でも、予測部１１１は、イベントの発生を予測モデルから予測することが可能である。つまり、例えば複数種類の情報を含む学習用ラスタデータを用いて生成された予測モデルに対して、複数種類の情報のうちの一部の情報が欠けた予測用ラスタデータを用いた場合でも、予測部１１１はイベントの発生を予測することが可能である。この場合、予測部１１１は、例えば予め設定されている初期値、過去のデータの平均値などを用いて欠けている情報を補完してもよい。

また、学習用ラスタデータは、例えば図２に示すような移動体１００及び移動体１００の四方の周辺の情報が全て含まれていなくてもよい。例えば、学習用ラスタデータは、移動体１００の周辺のうち前方の情報のみが含まれていてもよい。モデル生成部１２２は、このような情報量の少ない学習用ラスタデータを用いる場合であっても、予測モデルを生成することが可能である。

また、予測部１１１がラベル情報を学習ブロック１２に送信する構成に限らず、予測ブロック１１における予測部１１１以外の部位が、ラベル情報を学習ブロック１２に送信してもよい。更に、ラベル情報は、移動体１００に設けられた予測ブロック１１側で、履歴情報に付加されていてもよい。この場合、学習ブロック１２は、予測ブロック１１から受信したラベル情報付きの履歴情報を、随時、蓄積部１２１に蓄積する。また、予測ブロック１１から学習ブロック１２にラベル情報が送信される構成に限らず、学習ブロック１２において、予測ブロック１１から受信した履歴情報を用いて、ラベル情報を生成してもよい。この場合、ラベル情報の生成、及びラベル情報の履歴情報への付加は、いずれも学習ブロック１２において実行されることになる。

また、実施形態１に係るイベント予測システム１は、移動体１００とクラウド２００とに分離したシステムで具現化されることに限らない。例えば、イベント予測システム１は１つの筐体に収納されていてもよいし、移動体１００又はクラウド２００に集約されてもよい。例えば、イベント予測システム１が移動体１００に集約されている場合、イベント予測システム１は、移動体１００において、スタンドアローンで予測モデルの生成をも行うことができる。この場合、例えば、移動体１００に組み込まれているＥＥＰＲＯＭ（Electrically Erasable and Programmable Read-Only Memory）及びＥＣＵ（Electronic Control Unit）がそれぞれ蓄積部及び生成部として機能する。イベント予測システム１の各構成要素（蓄積部１２１、モデル生成部１２２、予測部１１１、及びデータ生成部１１５等）は、２つ以上の装置に分散して設けられてもよい。例えば、モデル生成部１２２が、移動体１００とクラウド２００とに分散して設けられてもよい。

また、学習ブロック１２は、学習用データとなる履歴情報を、１台の移動体１００から取得する構成に限らず、複数台の移動体１００から取得（収集）してもよい。この場合、学習ブロック１２は、複数台の移動体１００から取得した履歴情報等を用いて予測モデルを生成し、生成した予測モデルを、複数台の移動体１００に送信する。特に、学習ブロック１２が多数台の移動体１００から学習用データとなる履歴情報を収集する場合、収集された履歴情報の集合は、いわゆるビッグデータを構成する。

また、学習ブロック１２は、例えば自動車の販売及びメンテナンス等を行う店舗に設置されていてもよい。この場合、学習ブロック１２は、店舗でメンテナンスを受ける複数台の移動体１００から、履歴情報を取得することができる。学習ブロック１２で生成された予測モデルは、移動体１００のメンテナンス時に予測ブロック１１に送信される。これにより、移動体１００では、メンテナンスの際に予測モデルの更新が可能となる。更に、学習ブロック１２は、例えば、複数の店舗を管理する販売会社又はメーカ等のサーバ装置で具現化されてもよい。この場合、学習ブロック１２は、複数の店舗から収集した履歴情報を一元管理でき、これらの履歴情報を用いて予測モデルを生成できる。

また、予測用情報は、移動体１００の状況を表す情報であればよく、入力情報処理部１１３が取得する移動体情報と同じ情報でなくてもよい。例えば、予測用情報における車両情報に含まれている移動体１００の移動速度を、移動体情報においては、位置情報から算出される移動速度で代用してもよい。同様に、履歴情報は、移動体１００の状況を表す情報であればよく、入力情報処理部１１３が取得する移動体情報と同じでなくてもよい。

また、報知部１３は、３Ｄ−ＨＵＤ１３１にて拡張現実表示を行う構成に限らず、２Ｄ−ＨＵＤ１３２、メータ１３３、又はマルチインフォメーションディスプレイ１３４等にて、例えば、テキスト表示、又はアニメーション表示を行ってもよい。また、報知部１３は、カーナビゲーションシステムのディスプレイ等に、フロントカメラで撮影されたリアルタイムの映像にマーカを合成した映像を表示することで、拡張現実表示を行ってもよい。更に、報知部１３は、ヘッドマウントディスプレイ（ＨＭＤ：Head Mounted Display）等のウェアラブル端末からなる表示部を有していてもよい。

また、報知部１３は、イベントの発生箇所を表示することにより報知する構成に限らず、例えば、音声、ハプティックデバイス、又はこれらと表示との組み合わせにより、イベントの発生箇所を報知する構成であってもよい。更に、報知部１３による報知の対象は移動体１００の運転者に限らず、例えば、灯具類の点灯、又はクラクション等により、移動体１００の後続車、及び移動体１００の周辺の歩行者等に対して、報知部１３が報知してもよい。

また、予測部１１１による予測及び報知部１３による報知を実行するか否かは、例えば、運転者の状態（精神状態を含む）等に基づいて、切り替わってもよい。例えば、運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合、運転者は、イベントの発生の可能性に気付きにくくなることがある。そこで、例えば、車両情報に含まれる、移動体１００にかかる加速度、及びドライバモニタの検出結果から、通常時よりも運転者の運転が荒い場合に、予測部１１１による予測を実行するように構成されてもよい。また、例えば、ドライバモニタの検出結果から、運転者がイベントの発生の可能性に気付いていないと判断される場合に、報知部１３にて報知を実行するように構成されてもよい。更に、運転者の状態等に基づいて、報知部１３による報知を行うレベルを変化させてもよい。

また、ピクセルの相対座標は、二次元直交座標系に限らず、例えば、極座標系であってもよいし、移動体１００の高さ方向（鉛直方向）をＺ軸として加えた三次元座標系であってもよい。

また、報知部１３は、イベントの予測結果を報知する構成であればよく、推定されるイベントの発生箇所を、イベントの予測結果として報知する構成に限らない。例えば、報知部１３は、単にアラートを出したり、移動体１００からイベントの発生箇所までの距離を報知したりする構成であってもよい。更に、報知部１３は、予測されるイベントの発生時点までの所要時間を報知してもよい。

また、イベント予測システム１で予測されるイベントは、運転者の死角になる対象物に起因したイベント（見えない危険）に限らない。イベント予測システム１は、例えば、事故が多発している地点、トンネルの出口及び入口付近、及び急カーブ等、移動体１００の状況に依らずに予測可能なイベントの発生箇所を予測してもよい。

また、イベント予測システム１は、車両と車両との間（車車間）、又は車両と信号機及び道路標識等のインフラ（infrastructure）との間（路車間）で、直接的に通信する、いわゆるＶ２Ｘ（Vehicle to Everything）の通信技術を利用してもよい。Ｖ２Ｘの通信技術によれば、例えば、予測部１１１でのイベントの予測に用いられる予測用情報等を、移動体１００が、周辺の車両又はインフラから取得することが可能になる。更に、報知部１３の代わりに、インフラにてイベントの発生箇所を報知させることも可能になる。インフラにてイベントの発生箇所の推定等も行われてもよく、この場合、移動体１００には、イベント予測システム１が搭載されなくてもよい。

また、イベント予測システム１は、自動車に限らず、例えば、二輪車、電車、航空機、ドローン、建設機械、及び船舶等、自動車以外の移動体にも適用可能である。更に、イベント予測システム１は、移動体に限らず、例えば、アミューズメント施設で用いられてもよいし、ヘッドマウントディスプレイ（ＨＭＤ：Head Mounted Display）等のウェアラブル端末、医療設備、又は据置型の装置として用いられてもよい。

（実施形態２）
本実施形態に係るイベント予測システム１は、データ生成部１１５が現在ラスタデータ及び予測用情報に基づいて、未来ラスタデータを予測用ラスタデータとして生成する点で、実施形態１に係るイベント予測システム１と相違する。また、本実施形態に係るイベント予測システム１は、予測部１１１が未来ラスタデータの生成時点でのイベントの発生を予測する点で、実施形態１に係るイベント予測システム１と相違する。ここでいう「未来ラスタデータ」は、現在ラスタデータを生成した時点から所定時間（例えば、コンマ数秒〜数秒）の経過後のラスタデータである。

以下、本実施形態に係るイベント予測システム１の予測動作について説明する。予測ブロック１１は、データ生成部１１５にて、現在ラスタデータと、例えば移動体１００の移動速度（走行速度）、移動体１００以外の物体の移動体１００に対する相対速度などの予測用情報とに基づいて、未来ラスタデータを生成する。図１０に、図２に示す予測用ラスタデータ（現在ラスタデータ）の生成時点から所定時間（ここでは、数秒）が経過した時点での未来ラスタデータの一例を表す概念図を示す。ここで、現在ラスタデータにおいては、走行車線Ａ１にある信号機Ｃ１が赤信号であり、また、車両Ｂ３が駐車スペースＤ１から走行車線Ａ１にはみ出している。したがって、未来ラスタデータにおいては、車両Ｂ１１，Ｂ１２は、いずれも停車していると予測される。また、現在ラスタデータにおいては、移動体１００及び車両Ｂ１３の前方に障害物が存在しない。したがって、未来ラスタデータにおいては、移動体１００及び車両Ｂ１３は、それぞれの走行速度に応じた距離だけ前進していると予測される。

一方、現在ラスタデータにおいて、対向車線Ａ２にある車両Ｂ２５，Ｂ２７，Ｂ２８，Ｂ２９は、信号待ち又は渋滞により停車中である。したがって、未来ラスタデータにおいては、これらの車両Ｂ２５，Ｂ２７は、いずれも停車していると予測される。なお、車両Ｂ２８，Ｂ２９は、移動体１００を基準とする一定の範囲から外れているため、未来ラスタデータには含まれていない。また、現在ラスタデータにおいて、車両Ｂ２１，Ｂ２３，Ｂ２４は、いずれも走行中であるが、これらの車両Ｂ２１，Ｂ２３，Ｂ２４の前方には、停車中の車両Ｂ２５，Ｂ２７，Ｂ２８，Ｂ２９が存在する。したがって、未来ラスタデータにおいては、これらの車両Ｂ２１，Ｂ２３，Ｂ２４は、車両Ｂ２５に後続する形で停車していると予測される。また、現在ラスタデータにおいては、対向車線Ａ２にある車両Ｂ２２，Ｂ２６の前方に障害物が存在しない。したがって、未来ラスタデータにおいては、車両Ｂ２２，Ｂ２６は、それぞれの走行速度に応じた距離だけ前進していると予測される。

予測ブロック１１は、予測部１１１にて予測モデル、及び未来ラスタデータを用いて、未来ラスタデータの生成時点でのイベントの発生を予測する。そして、予測ブロック１１は、予測部１１１にてイベントが発生すると予測されると、予測モデルを用いて、イベントの発生箇所を推定する。具体的には、予測ブロック１１は、予測部１１１にて、未来ラスタデータにおけるイベントの発生が予測されたピクセルの集合のうちの基準となるピクセルの相対座標、このピクセルの集合のＸ軸方向、Ｙ軸方向の各々における幅寸法を算出する。未来ラスタデータにおけるイベントの発生箇所は、図１０における破線で囲まれた領域である。そして、予測ブロック１１は、予測部１１１にて、このピクセルの集合をイベントの発生箇所として現在ラスタデータに設定する（図１１における一点鎖線で囲まれた領域を参照）。このとき、未来ラスタデータにおけるイベントの発生箇所に関わる物体（ここでは、車両Ｂ２１，Ｂ２３）も含めて、現在ラスタデータにおけるイベントの発生箇所として設定されてもよい（図１１における実線で囲まれた領域を参照）。

ここで、データ生成部１１５による未来ラスタデータの生成は、データ生成処理（ステップＳ２２）において、現在ラスタデータの生成の代わりに行ってもよい。この場合、イベント予測システム１は、現在ラスタデータの代わりに未来ラスタデータを用いて、予測処理（ステップＳ２３）、推定処理（ステップＳ２５）、及び報知処理（ステップＳ２６）を実行する。具体的には、未来ラスタデータの生成時点でのイベントの発生が予測された場合、予測ブロック１１は、予測部１１１にて未来ラスタデータにおけるイベントの発生箇所を、現在ラスタデータに設定する（図１１の一点鎖線、点線で囲まれた領域を参照）。そして、イベント予測システム１は、未来ラスタデータの生成時点での、つまり、予測用情報の取得時点から所定時間が経過した後のイベントの発生箇所を報知部１３にて報知する。

また、データ生成部１１５による未来ラスタデータの生成は、データ生成処理（ステップＳ２２）において、現在ラスタデータの生成と併せて行ってもよい。この場合、イベント予測システム１は、予測処理（ステップＳ２３）において、現在ラスタデータを用いた予測処理と、未来ラスタデータを用いた予測処理との両方を実行する。

ここで、両方の予測処理の結果、現在ラスタデータを用いた予測処理で予測されたイベントが、未来ラスタデータを用いた予測処理においても継続しているとする。この場合、イベント予測システム１は、予測部１１１にて現在ラスタデータの生成時点でのイベントの発生箇所（図１１の破線で囲まれた領域を参照）と、未来ラスタデータの生成時点でのイベントの発生箇所との両方を、現在ラスタデータに設定する。そして、イベント予測システム１は、これら両方のイベントの発生箇所を報知部１３にて報知する。このとき、両方のイベントの発生箇所の表示態様は、例えば色分け等により区別されていてもよい。

一方、両方の予測処理の結果、現在ラスタデータを用いた予測処理で予測されたイベントが、未来ラスタデータを用いた予測処理においても継続していないとする。この場合、イベント予測システム１は、予測部１１１にて未来ラスタデータの生成時点でのイベントの発生箇所のみを、現在ラスタデータに設定する。そして、イベント予測システム１は、未来ラスタデータの生成時点でのイベントの発生箇所を報知部１３にて報知する。

以下、図１０に示す未来ラスタデータの一例を用いた予測処理及び推定処理の具体例について説明する。未来ラスタデータにおいて、例えば車両Ｂ３が対向車線Ａ２に進入すべく右折しようとしている場合、対向車線Ａ２が複数の車両Ｂ２により塞がれているため、車両Ｂ３は右折することができない状態にある。このため、イベント予測システム１は、予測部１１１にて車両Ｂ３が車道に飛び出す可能性は極めて低く、現在ラスタデータでは起こり得たイベントが未来ラスタデータでは起こり得ないと予測する。そして、イベント予測システム１は、予測部１１１にて未来ラスタデータの生成時点でのイベントの発生箇所は現在ラスタデータに設定するが、現在ラスタデータの生成時点でのイベントの発生箇所は現在ラスタデータに設定しない。この場合、イベント予測システム１は、予測用情報の取得時点から所定時間が経過した後のイベントの発生箇所のみを報知部１３にて報知する。

一方、未来ラスタデータにおいて、例えば車両Ｂ３が走行車線Ａ１に進入すべく左折する可能性がある場合、車両Ｂ３は、走行車線Ａ１に進入することが可能な状態にある。このため、イベント予測システム１は、予測部１１１にて車両Ｂ３が車道に飛び出す可能性があり、現在ラスタデータで起こり得たイベントが未来ラスタデータでも起こり得ると予測する。そして、イベント予測システム１は、予測部１１１にて現在ラスタデータの生成時点でのイベントの発生箇所と、未来ラスタデータの生成時点でのイベントの発生箇所との両方を、現在ラスタデータに設定する。この場合、イベント予測システム１は、予測用情報の取得時点でのイベントの発生箇所と、予測用情報の取得時点から所定時間が経過した後のイベントの発生箇所との両方を、報知部１３にて報知する。

本実施形態に係るイベント予測システム１によれば、運転者は、予測用情報の取得時点から所定時間が経過した時点でのイベントの発生の可能性を考慮した運転が可能になる。

（実施形態３）
本実施形態に係るイベント予測システム１は、予測部１１１が移動体１００を運転する運転者の属性ごとに異なる予測モデルを用いる点で、実施形態１に係るイベント予測システム１と相違する。以下、実施形態１と同様の構成については、共通の符号を付して適宜説明を省略する。

すなわち、実施形態１では、予測部１１１は、万人に共通の予測モデルを用いてイベントを予測しているが、本実施形態では、予測部１１１は、運転者の属性ごとに異なる予測モデルを用いて、イベントを予測する。ここでいう「運転者の属性」は、運転者の年齢、性別、及び運転の癖（アクセル及びブレーキの踏み方等）等を含む。

本実施形態においては、学習ブロック１２は、学習用データとなる履歴情報を複数の運転者から取得する。モデル生成部１２２は、運転者の属性ごとに予測モデルを生成する。モデル生成部１２２は、一例として、レコメンドアルゴリズム等で用いられる協調フィルタリングのアルゴリズムを適用し、機械学習を行うことによって、運転者の属性ごとの予測モデルを生成する。

このようにして生成された複数種類の予測モデルの中から、移動体１００ごとに、適用する（モデル格納部１１２に格納する）予測モデルが選択される。つまり、予測ブロック１１は、移動体１００の運転者の属性に応じて、取得する予測モデルを決定する。これにより、予測部１１１は、運転者の属性ごとに異なる予測モデルを用いてイベントを予測できる。

本実施形態に係るイベント予測システム１によれば、万人に共通の予測モデルを用いる場合に比べて、予測部１１１でのイベントの予測精度が向上する。

実施形態３の変形例に係るイベント予測システム１では、１台の移動体１００において複数の予測モデルが使い分けられる。すなわち、１台の移動体１００を家族で共用している場合、又はカーシェアリング等においては、１台の移動体１００を複数の運転者が運転する。本変形例によれば、このような場合に、１台の移動体１００であっても、運転者ごとに異なる予測モデルが適用可能である。具体的には、運転者が変わる度に、予測ブロック１１が運転者の属性に応じた予測モデルを学習ブロック１２から取得する。又は、モデル格納部１１２に複数の予測モデルを格納し、これら複数の予測モデルから、予測部１１１が運転者の属性に応じて使用する予測モデルを選択してもよい。

実施形態３に係るイベント予測システム１の構成（変形例を含む）は、実施形態１（変形例を含む）の構成、及び実施形態の構成と適宜組み合わせ可能である。

上記各実施形態で示した図面は、イベント予測システム１の一例を説明するための概念図に過ぎず、実際の態様とは、各部の形状、サイズ、及び位置関係等が適宜異なる。

（まとめ）
以上説明したように、第１の態様に係るイベント予測システム（１）は、蓄積部（１２１）と、モデル生成部（１２２）と、を備える。蓄積部（１２１）は、履歴情報を含む複数の学習用データを蓄積する。履歴情報は、移動体（１００）の運転に関連するイベントが発生した際における移動体（１００）の状況を表す。モデル生成部（１２２）は、複数の学習用データを用いて、イベントの発生を予測するための予測モデルを生成する。履歴情報は、学習用ラスタデータを含む。学習用ラスタデータは、イベントが発生した際における移動体（１００）の状況を複数のセルで表すデータである。

この態様によれば、イベントの発生を予測するための予測モデルが生成される。この予測モデルを用いることで、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、イベント予測システム（１）によれば、運転者の運転の熟練度、運転のセンス、運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。更に、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。更には、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。

第２の態様に係るイベント予測システム（１）では、第１の態様において、履歴情報は、移動体（１００）の周辺の物体に関する情報と、移動体（１００）の状態に関する情報と、移動体（１００）の位置に関する情報と、の少なくとも１つを更に含む。

この態様によれば、イベント予測システム（１）は、移動体（１００）及び移動体（１００）の周辺の状態を踏まえた予測モデルを生成することができる。

第３の態様に係るイベント予測システム（１）では、第１又は第２の態様において、複数の学習用データの各々は、イベントの発生箇所を表すラベル情報を更に含む。

この態様によれば、イベントの発生を予測するだけでなく、イベントの発生箇所を推定するための予測モデルの生成が可能になる。

第４の態様に係るイベント予測システム（１）は、第１〜第３のいずれかの態様において、データ生成部（１１５）と、予測部（１１１）と、を更に備える。データ生成部（１１５）は、移動体（１００）に関する予測用情報を用いて、移動体（１００）の状況を複数のセルで表す予測用ラスタデータを生成する。予測部（１１１）は、予測モデル、及び予測用ラスタデータを用いて、移動体（１００）の運転中におけるイベントの発生を予測する。

この態様によれば、イベント予測システム（１）にてイベントが予測されるので、イベント予測システム（１）から外部に予測モデルを与える必要がなく、イベントの発生を予測するための処理をイベント予測システム（１）のみで完結可能である。

第５の態様に係るイベント予測システム（１）では、第４の態様において、データ生成部（１１５）は、予測用情報の取得時点での現在ラスタデータを予測用ラスタデータとして生成する。予測部（１１１）は、現在ラスタデータの生成時点でのイベントの発生を予測する。

この態様によれば、運転者は、予測用情報の取得時点でのイベントの発生の可能性を考慮した運転が可能になる。

第６の態様に係るイベント予測システム（１）では、第４又は第５の態様において、データ生成部（１１５）は、予測用情報の取得時点での現在ラスタデータ、及び予測用情報に基づいて、未来ラスタデータを予測用ラスタデータとして生成する。未来ラスタデータは、現在ラスタデータを生成した時点から所定時間の経過後のデータである。予測部（１１１）は、未来ラスタデータの生成時点でのイベントの発生を予測する。

この態様によれば、運転者は、予測用情報の取得時点から所定時間が経過した時点でのイベントの発生の可能性を考慮した運転が可能になる。

第７の態様に係るイベント予測システム（１）は、第４〜第６のいずれかの態様において、イベントの予測結果を報知する報知部（１３）を更に備える。

この態様によれば、イベントが発生すると予測された場合、イベントの発生が報知されるので、運転者等においては、イベントの発生に注意して運転すること等が可能となる。

第８の態様に係るイベント予測システム（１）では、第７の態様において、報知部（１３）は、イベントの予測結果を表示することにより報知する表示部を有する。

この態様によれば、イベントの予測結果が表示により報知されるので、運転者等においては、例えばイベントの発生箇所などの特定が容易になる。

第９の態様に係るイベント予測システム（１）では、第４〜第８のいずれかの態様において、予測部（１１１）は、移動体（１００）を運転する運転者の属性ごとに異なる予測モデルを用いるように構成されている。

この態様によれば、万人に共通の予測モデルを用いる場合に比べて、予測部（１１１）でのイベントの発生の予測精度が向上する。

第１０の態様に係るイベント予測システム（１）は、データ生成部（１１５）と、予測部（１１１）と、を備える。データ生成部（１１５）は、移動体（１００）に関する予測用情報を用いて、移動体（１００）の状況を複数のセルで表す予測用ラスタデータを生成する。予測部（１１１）は、予測モデル、及び予測用ラスタデータを用いて、移動体（１００）の運転中における移動体（１００）の運転に関連するイベントの発生を予測する。予測モデルは、イベントが発生した際における移動体（１００）の状況を表す履歴情報を含む複数の学習用データを用いて生成される。履歴情報は、イベントが発生した際における移動体（１００）の状況を複数のセルで表す学習用ラスタデータを含む。

この態様によれば、予測モデルを用いることで、イベントの発生を予測することが可能になる。したがって、イベント予測システム（１）では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

第１１の態様に係るイベント予測方法は、蓄積処理と、モデル生成処理と、を有する。蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。履歴情報は、移動体（１００）の運転に関連するイベントが発生した際における移動体（１００）の状況を表す。モデル生成処理は、複数の学習用データを用いて、イベントの発生を予測するための予測モデルを生成する処理である。履歴情報は、イベントが発生した際における移動体（１００）の状況を複数のセルで表す学習用ラスタデータを含む。

この態様によれば、イベントの発生を予測するための予測モデルが生成される。この予測モデルを用いることで、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、イベント予測方法によれば、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。更に、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。更には、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。

第１２の態様に係るプログラムは、コンピュータシステムに、蓄積処理と、モデル生成処理と、を実行させるためのプログラムである。蓄積処理は、履歴情報を含む複数の学習用データを蓄積する処理である。履歴情報は、移動体（１００）の運転に関連するイベントが発生した際における移動体（１００）の状況を表す情報であって、学習用ラスタデータを有する。学習用ラスタデータは、イベントが発生した際における移動体（１００）の状況を複数のセルで表すデータである。モデル生成処理は、複数の学習用データを用いて、イベントの発生を予測するための予測モデルを生成する処理である。

この態様によれば、イベントの発生を予測するための予測モデルが生成される。この予測モデルを用いることで、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。そのため、このプログラムでは、運転者の運転の熟練度、運転のセンス、及び運転者の状態等による「見えない危険」の予見性のばらつきを小さく抑えることが可能になる。その結果、例えば運転の経験が比較的少ない運転者であっても、この種のイベントが発生する可能性を考慮した運転が可能になる。更に、例えば運転者が疲労及び睡眠不足等により、通常時に比べて集中力が低下した状態にある場合等においても、運転者は、この種のイベントが発生する可能性を考慮した運転が可能になる。更には、単に運転者がよそ見をしている、又は運転者が注意散漫であるような場合等、運転者がイベントの発生に気付くのが遅れ得る場面において、運転者は、イベントが発生する可能性にいち早く気付くことが可能になり、より安全な運転が可能になる。

第１３の態様に係るイベント予測方法は、データ生成処理と、予測処理と、を有する。データ生成処理は、移動体（１００）に関する予測用情報を用いて、移動体（１００）の状況を複数のセルで表す予測用ラスタデータを生成する処理である。予測処理は、予測モデル、及び予測用ラスタデータを用いて、移動体（１００）の運転中における移動体（１００）の運転に関連するイベントの発生を予測する処理である。予測モデルは、イベントが発生した際における移動体（１００）の状況を表す履歴情報を含む複数の学習用データを用いて生成される。履歴情報は、イベントが発生した際における移動体（１００）の状況を複数のセルで表す学習用ラスタデータを含む。

この態様によれば、予測モデルを用いることで、イベントの発生を予測することが可能になる。したがって、イベント予測システム（１）では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

第１４の態様に係るプログラムは、コンピュータシステムに、データ生成処理と、予測処理と、を実行させるためのプログラムである。データ生成処理は、移動体（１００）に関する予測用情報を用いて、移動体（１００）の状況を複数のセルで表す予測用ラスタデータを生成する処理である。予測処理は、予測モデル、及び予測用ラスタデータを用いて、移動体（１００）の運転中における移動体（１００）の運転に関連するイベントの発生を予測する処理である。予測モデルは、履歴情報を含む複数の学習用データを用いて生成される。履歴情報は、イベントが発生した際における移動体（１００）の状況を表す情報であって、学習用ラスタデータを有する。学習用ラスタデータは、イベントが発生した際における移動体（１００）の状況を複数のセルで表すデータである。

この態様によれば、予測モデルを用いることで、イベントの発生を予測することが可能になる。したがって、イベント予測システム（１）では、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

第１５の態様に係る移動体（１００）は、第１〜第１０のいずれかの態様に係るイベント予測システム（１）を備える。

この態様によれば、移動体（１００）において、運転者の死角になる対象物に起因したイベント（見えない危険）の発生についても予測可能である、という利点がある。

上記態様に限らず、実施形態１〜３に係るイベント予測システム（１）の種々の構成（変形例を含む）は、イベント予測方法、及び（コンピュータ）プログラムで具現化可能である。

第２〜第９の態様に係る構成については、イベント予測システム（１）に必須の構成ではなく、適宜省略可能である。

１ イベント予測システム
１００ 移動体
１１１ 予測部
１１５ データ生成部
１２１ 蓄積部
１２２ モデル生成部
１３ 報知部
１３１ ３Ｄ−ＨＵＤ（表示部）
１３２ ２Ｄ−ＨＵＤ（表示部）
１３３ メータ（表示部）
１３４ マルチインフォメーションディスプレイ（表示部）

Claims (14)

1. 移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを蓄積する蓄積部と、
   前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成するモデル生成部と、
   前記移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成部と、
   前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する予測部と、を備え、
   前記予測部は、前記イベントが発生した場合に前記履歴情報を前記蓄積部に送信し、
   前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
   イベント予測システム。
2. 前記履歴情報は、前記移動体の周辺の物体に関する情報と、前記移動体の状態に関する情報と、前記移動体の位置に関する情報と、の少なくとも１つを更に含む
   請求項１に記載のイベント予測システム。
3. 前記複数の学習用データの各々は、前記イベントの発生箇所を表すラベル情報を更に含む
   請求項１又は２に記載のイベント予測システム。
4. 前記データ生成部は、前記予測用情報の取得時点での現在ラスタデータを前記予測用ラスタデータとして生成し、
   前記予測部は、前記現在ラスタデータの生成時点での前記イベントの発生を予測する
   請求項１〜３のいずれか１項に記載のイベント予測システム。
5. 前記データ生成部は、前記予測用情報の取得時点での現在ラスタデータ、及び前記予測用情報に基づいて、前記現在ラスタデータを生成した時点から所定時間の経過後の未来ラスタデータを前記予測用ラスタデータとして生成し、
   前記予測部は、前記未来ラスタデータの生成時点での前記イベントの発生を予測する
   請求項１〜４のいずれか１項に記載のイベント予測システム。
6. 前記イベントの予測結果を報知する報知部を更に備える
   請求項１〜５のいずれか１項に記載のイベント予測システム。
7. 前記報知部は、前記イベントの予測結果を表示することにより報知する表示部を有する
   請求項６に記載のイベント予測システム。
8. 前記予測部は、前記移動体を運転する運転者の属性ごとに異なる前記予測モデルを用いるように構成されている
   請求項１〜７のいずれか１項に記載のイベント予測システム。
9. 移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成部と、
   予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する予測部と、を備え、
   前記予測モデルは、前記イベントが発生した際における前記移動体の状況を表す履歴情
   報を含む複数の学習用データを用いて生成され、
   前記予測部は、前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信し、
   前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
   イベント予測システム。
10. 移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを蓄積する蓄積処理と、
    前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成するモデル生成処理と、
    前記移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成処理と、
    前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する予測処理と、を有し、
    前記予測処理は、前記イベントが発生した場合に前記履歴情報を送信し、
    前記蓄積処理は、前記予測処理が送信した前記履歴情報を蓄積し、
    前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
    イベント予測方法。
11. コンピュータシステムに、
    移動体の運転に関連するイベントが発生した際における前記移動体の状況を表す情報であって、前記イベントが発生した際における前記移動体の状況を複数のセルで表す学習用ラスタデータを有する履歴情報を含む複数の学習用データを蓄積する蓄積処理と、
    前記複数の学習用データを用いて、前記イベントの発生を予測するための予測モデルを生成するモデル生成処理と、
    前記移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成処理と、
    前記予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記イベントの発生を予測する予測処理と、
    前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する送信処理と、を実行させ、
    前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
    プログラム。
12. 移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成処理と、
    予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する予測処理と、
    前記イベントが発生した場合に履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する送信処理と、を有し、
    前記予測モデルは、前記イベントが発生した際における前記移動体の状況を表す履歴情報を含む複数の学習用データを用いて生成され、
    前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
    イベント予測方法。
13. コンピュータシステムに、
    移動体に関する予測用情報を用いて、前記移動体の状況を複数のセルで表す予測用ラスタデータを生成するデータ生成処理と、
    イベントが発生した際における前記移動体の状況を表す情報であって、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを有する履歴情報を含む複数の学習用データを用いて生成される予測モデル、及び前記予測用ラスタデータを用いて、前記移動体の運転中における前記移動体の運転に関連するイベントの発生を予測する予測処理と、
    前記イベントが発生した場合に前記履歴情報を含む前記複数の学習用データを蓄積する蓄積部に前記履歴情報を送信する送信処理と、を実行させ、
    前記履歴情報は、前記イベントが発生した際における前記予測用ラスタデータから生成された学習用ラスタデータを含む
    プログラム。
14. 請求項１〜９のいずれか１項に記載のイベント予測システムを備える
    移動体。