1。介绍
交通的基本产业起着重要的作用在国民经济的发展。然而,随着城市化的进展和汽车的普及,交通问题严重增加;道路交通事故减少了近年来在中国,但是交通环境恶化的趋势还没有从根本上得到解决。司机自己的内部因素是造成交通事故的主要因素之一
1- - - - - -
5]。根据国际和中国国内的研究学者,司机physiological-psychological特征与交通安全密切相关,并对司机的行为心理特点的影响比生理特征(更重要
6- - - - - -
10]。驾驶行为的差异是由不同的司机的性别、年龄、驾驶年龄,驾驶体验和个性。所有的差异可以概括为司机的倾向不同。因此,司机physiological-psychological特征对交通安全的影响主要表现为司机的倾向
11]。
司机的倾向是司机的态度客观现实交通情况下各种因素的影响。它显示了相应的决策倾向和心理特征反映了司机的心理情绪状态和运动过程中车辆操作。目前,中国国内和国际专家关注驾驶员的生理和心理的综合评价(
12]。各种评价方法的提出,如多元回归、判别函数,神经网络评价体系。王、张(
13- - - - - -
16)初步研究了司机的倾向特别交通场景,如自由流动和汽车后;冯司机特征评价和方研究聚类分析(
10];陈等人研究了主观判断驾驶紧张和控制车辆运动(
11];王等人研究了可靠性和安全性分析方法识别司机的错误操作(
12];Cai和林研究建模运营商的情感和任务的虚拟驾驶环境中的性能(
17]。然而,很难评估司机的倾向,因为司机的心理变化和个体差异。因此,研究的困难是找到更合理的驾驶倾向评价方法。
证据理论在1967年首先提出了法官和进一步开发的沙佛1976年(
18]。它也被称为法官/沙佛证据理论(d - s证据理论),属于人工智能领域。证据理论在早期用于专家系统,可以处理不确定信息。在证据理论中,证据是没有实际的证据,而是人的经验和知识的一部分,人们的观察和研究的结果。它不仅强调证据的客观性,但也强调主体性的证据(
19]。DS证据理论的核心是证据组合规则。它可以处理模糊和不确定的合成问题的证据。这个理论可以应用于多属性群决策评价方法与“证据信息。”司机的倾向综合评价各种测试指标可以评估和司机的倾向的诊断的准确性通过证据理论可以提高。
2。证据理论
证据理论是基于证据的合并和信仰的更新功能。其所描述的不确定性是识别框架,基本概率赋值函数,信任函数,似然函数,关联等等。
2.1。识别框架和基本信任分布函数
基于事件的概率,概率理论扩展到命题
,事件集扩展到命题集,然后命题之间的对应关系,建立集理论的证据。命题的不确定性问题转化为一组的不确定性问题,引入信任函数。假设有一个问题需要judgmed,全套的所有可能的表达的这个问题的答案<我nl我ne- - - - - -formula>
Θ
。因此,任何有关命题对应的一个子集<我nl我ne- - - - - -formula>
Θ
,<我nl我ne- - - - - -formula>
Θ
是识别框架,选择<我nl我ne- - - - - -formula>
Θ
取决于知识和理解的水平。
定义2.1。
使<我nl我ne- - - - - -formula>
Θ
作为一个识别框架,基本的信任分布函数<我nl我ne- - - - - -formula>
米
是一家集的子集<我nl我ne- - - - - -formula>
2
Θ
来<我nl我ne- - - - - -formula>
(
0
,
1
]
,<我nl我ne- - - - - -formula>
一个
代表任何子集的识别框架<我nl我ne- - - - - -formula>
Θ
,<我nl我ne- - - - - -formula>
一个
⊆
Θ
,满足
(2.1)
米
(
∅
)
=
0
,
∑
一个
⊆
Θ
米
(
一个
)
=
1
,
在哪里<我nl我ne- - - - - -formula>
米
(
一个
)
被称为基本信任分布函数的事件吗<我nl我ne- - - - - -formula>
一个
,这意味着信任水平的证据<我nl我ne- - - - - -formula>
一个
。
2.2。证据组合规则
d - s证据组合规则反应效果相结合,相结合的独立证据来自不同数据源的信息产生更可靠的证据信息。假设<我nl我ne- - - - - -formula>
E
1
和<我nl我ne- - - - - -formula>
E
2
两个证据识别框架,相应的基本信任分配功能是什么<我nl我ne- - - - - -formula>
米
1
和<我nl我ne- - - - - -formula>
米
2
,焦点元素<我nl我ne- - - - - -formula>
一个
1
,
…
,
一个
k
和<我nl我ne- - - - - -formula>
B
1
,
…
,
B
l
分别,如果
(2.2)
K
=
∑
一个
我
∩
B
j
=
∅
米
1
(
一个
我
)
米
2
(
B
j
)
<
1
。
然后,这两个组织的证据可以组合和合并后的基本概率分配函数<我nl我ne- - - - - -formula>
米
:<我nl我ne- - - - - -formula>
2
Θ
→
(
0
,
1
]
满足
(2.3)
米
(
一个
)
=
{
(
1
- - - - - -
K
)
- - - - - -
1
∑
一个
我
∩
B
j
=
一个
米
1
(
一个
我
)
米
2
(
B
j
)
一个
≠
∅
,
0
一个
=
∅
。
这就是著名的d - s公式,结合
(2.4)
K
=
∑
一个
我
∩
B
j
=
∅
米
1
(
一个
我
)
米
2
(
B
j
)
。
它反映了冲突系数在各种证据。信任函数给出的<我nl我ne- - - - - -formula>
米
被称为正交求和的<我nl我ne- - - - - -formula>
米
1
和<我nl我ne- - - - - -formula>
米
2
,用<我nl我ne- - - - - -formula>
米
1
⊕
米
2
。
3所示。模型建立
3.1。多索引评价层次结构模型
为了提高评价的科学性,抽象的目标是专门为多层subobjectives分开。这些子目标可以统称为索引。因此,对象的评价可以形成一个多层次多指标评价的层次结构,各种评价指标从下到上,合成和评价对象的价值判断。最后,可以得到最终的评价结果。在评估过程中,需要为每个索引建立相应的重量,重量可以由专家判断,它反映了每个指标的相对重要性的定量分布。使相对权重<我nl我ne- - - - - -formula>
E
我
作为<我nl我ne- - - - - -formula>
w
我
(
我
=
1
,
…
,
r
)
并满足
(3.1)
∑
我
=
1
r
w
我
=
1
(
w
1
,
…
,
w
r
≥
0
)
。
3.2。折现率和支持功能
证据理论的假设通常使用识别框架<我nl我ne- - - - - -formula>
Θ
承担不确定性以及使用支持函数说明的不确定性。但是支持功能可能不能反映整个证据的一些特殊的不确定性,这种不确定性<我nl我ne- - - - - -formula>
α
(
0
≤
α
≤
1
)
整个证据,和参数<我nl我ne- - - - - -formula>
α
反映了决策者的折现率为指标评价的结果,因此,评价结果并不完全相信。因此,关键指标的评价结果可以作为基准,如果<我nl我ne- - - - - -formula>
w
k
=
马克斯
{
w
1
,
…
,
w
r
}
,那么它被称为关键指标。
使<我nl我ne- - - - - -formula>
β
k
j
(
1
,
…
,
n
)
关键指标的概率<我nl我ne- - - - - -formula>
E
k
在国家<我nl我ne- - - - - -formula>
Θ
j
决策者决定在多大程度上相信状态<我nl我ne- - - - - -formula>
Θ
j
会发生在这个价值吗<我nl我ne- - - - - -formula>
β
k
j
。给出相应的折现率,<我nl我ne- - - - - -formula>
米
k
j
=
α
β
k
j
(
j
=
1
,
…
,
n
)
,<我nl我ne- - - - - -formula>
米
k
j
是用来表达支持程度和信任程度由决策者的关键指标。对于un-key索引<我nl我ne- - - - - -formula>
E
我
的概率是<我nl我ne- - - - - -formula>
β
我
j
在州<我nl我ne- - - - - -formula>
Θ
j
。类似地,支持程度可以由的折扣<我nl我ne- - - - - -formula>
β
我
j
。由于相对关键指标的重要性程度,<我nl我ne- - - - - -formula>
E
k
相对于<我nl我ne- - - - - -formula>
E
我
是<我nl我ne- - - - - -formula>
w
我
/
w
k
,所以<我nl我ne- - - - - -formula>
(
w
我
/
w
k
)
α
被认为是贴现率,<我nl我ne- - - - - -formula>
米
我
j
=
(
w
我
/
w
k
)
α
β
我
j
(
j
=
1
,
…
,
n
)
用于表达论文unkey指数的支持程度。针对水平结果的多指标综合评价模型,可以建立相应的证据推理模型,相应的证据合成方法可以得到全面的基本概率函数。
3.3。司机的倾向评价体系
结合驾驶员physiological-psychological索引在文献[
19)和司机的相关指标的倾向心理问卷在文献[
20.),司机的倾向可以构建评价体系(如表
1),可以测量司机的倾向。第一层是目标层,第二层是房地产二级索引,第三层是层指数的因素。
测量指标和精度。
| 目标 |
属性 |
因素 |
|
|
反应时间 |
|
反应的判断指标 |
速度估计 |
|
|
复杂反应的判断 |
|
|
油门踏板强度 |
| 驾驶的倾向 |
驾驶控制指标 |
刹车踏板刹车力 |
|
|
方向盘控制力量 |
|
|
加油频率 |
|
驾驶记录索引 |
车道改变频率 |
|
|
制动频率 |
3.4。d - s证据推理模型和求解方法
首先,评估每个因素水平指数水平设置为外向性倾向,独到的倾向,内向倾向。然后,建立了识别框架根据证据;相关领域的专家的主观判断的不确定性给标识元素。基于不同的经验和观察,不同专家必然得到不同证据识别框架<我nl我ne- - - - - -formula>
Θ
并获取基本概率分配函数。每个基本概率赋值函数是由组合规则的证据合成的化合物,和给出的结果是一个评估司机的倾向。
4所示。实例分析
根据司机的倾向指数评价体系所提到的,<我nl我ne- - - - - -formula>
E
=
{
E
1
,
E
2
,
E
3
}
表达属性水平,<我nl我ne- - - - - -formula>
E
1
=
{
e
11
,
e
12
,
e
13
}
,<我nl我ne- - - - - -formula>
E
2
=
{
e
21
,
e
22
,
e
23
}
,<我nl我ne- - - - - -formula>
E
3
=
{
e
31日
,
e
32
,
e
33
}
,<我nl我ne- - - - - -formula>
E
1
~
E
3
表达的因素集合,<我nl我ne- - - - - -formula>
Θ
=
{
θ
1
,
θ
2
,
θ
3
}
表达意见的外向性倾向,独到的倾向,内向倾向。使用专家判断法来建立索引层的相对权重,属性层重量是一个集合<我nl我ne- - - - - -formula>
W
=
(
w
1
,
w
2
,
w
3
)
=
(
0.3,0.3,0.4
)
,权向量的因素集合<我nl我ne- - - - - -formula>
E
1
,
E
2
,
E
3
是<我nl我ne- - - - - -formula>
V
1
=
(
v
11
,
v
12
,
v
13
)
=
(
0.34,0.33,0.33
)
,<我nl我ne- - - - - -formula>
V
2
=
(
v
21
,
v
22
,
v
23
)
=
(
0.35,0.40,0.25
)
,<我nl我ne- - - - - -formula>
V
3
=
(
v
31日
,
v
32
,
v
33
)
=
(
0.42,0.36,0.22
)
。
10专家使用外向性倾向,独到的倾向,和内向型倾向评估指标,评估结果如下所示:
(4.1)
R
1
=
(
0.2
0.8
0
0.1
0.8
0.1
0.1
0.9
0
]
,
R
2
=
(
0.1
0.8
0.1
0.2
0.8
0
0.3
0.7
0
]
,
R
3
=
(
0.2
0.7
0.1
0.1
0.8
0.1
0
0.8
0.2
]
。
其中,矩阵<我nl我ne- - - - - -formula>
R
1
表示,在属性的三个因素,“反应判断指标,通过“反应时间,”司机的评价属于“外向性倾向”,两位专家,由八个专家“独到倾向”,和“内向倾向”零专家;通过评价“速度估计,”司机属于“外向性倾向”由一个专家,由八个专家“独到倾向”,和“内向倾向”由一个专家;通过评价“复杂反应的判断,”司机属于“外向性倾向”由一个专家,由9名专家“独到倾向”,和“内向倾向”零专家。剩下的两个矩阵具有相同的意义。现在,采取“反应判断指标,”例如,评估司机的倾向在证据推理模型的计算步骤。评估信息表所示
2。
评价信息的反应判断指标。
| 因素 |
权重 |
外向性倾向 |
独到倾向 |
内向倾向 |
|
e
11
|
0.34 |
0.2 |
0.8 |
0 |
|
e
12
|
0.33 |
0.1 |
0.8 |
0.1 |
|
e
13
|
0.33 |
0.1 |
0.9 |
0 |
变换的评价信息<我nl我ne- - - - - -formula>
e
11
,<我nl我ne- - - - - -formula>
e
12
,<我nl我ne- - - - - -formula>
e
13
基本概率赋值<我nl我ne- - - - - -formula>
Θ
。根据因素之间的相对权重<我nl我ne- - - - - -formula>
α
1
=
0.8
随着折现率的关键因素<我nl我ne- - - - - -formula>
e
11
nonkey折现率的因素<我nl我ne- - - - - -formula>
(
e
12
/
e
11
)
α
1
=
0.776
的折现率<我nl我ne- - - - - -formula>
e
13
是<我nl我ne- - - - - -formula>
(
e
13
/
e
11
)
α
1
=
0.776
,然后可以得到三个基本概率分配。合成结果如表所示
3。
合成条件反应的判断指标质量函数。
| 信息来源 |
质量函数 |
θ
1
|
θ
2
|
θ
3
|
Θ
|
|
e
11
|
米
11
|
0.16 |
0.64 |
0 |
0.2 |
|
e
12
|
米
12
|
0.0776 |
0.6208 |
0.0776 |
0.224 |
|
e
13
|
米
13
|
0.0776 |
0.6984 |
0 |
0.224 |
|
| 合成 |
米
1
|
0.0333 |
0.9468 |
0.0051 |
0.0148 |
合成的结果<我nl我ne- - - - - -formula>
E
2
和<我nl我ne- - - - - -formula>
E
3
(折现率的关键因素是0.8和0.9)如表所示
4。
质量函数属性。
| 因素 |
权重 |
外向性倾向 |
独到的倾向 |
内向倾向 |
Θ
|
|
E
1
|
0.3 |
0.0333 |
0.9468 |
0.0051 |
0.0148 |
|
E
2
|
0.3 |
0.0835 |
0.8619 |
0.0103 |
0.0443 |
|
E
3
|
0.4 |
0.0539 |
0.8873 |
0.0392 |
0.0196 |
表
4可以被视为一个专家评价信息矩阵的属性设置<我nl我ne- - - - - -formula>
E
=
{
E
1
,
E
2
,
E
3
}
,然后将其转换基本概率赋值<我nl我ne- - - - - -formula>
Θ
和合成(折现率的关键因素是1),合成结果如表所示
5。
属性质量函数合成情况。
| 信息来源 |
质量函数 |
θ
1
|
θ
2
|
θ
3
|
Θ
|
|
E
1
|
米
1
|
0.025 |
0.7101 |
0.0038 |
0.2611 |
|
E
2
|
米
2
|
0.0626 |
0.6464 |
0.0077 |
0.2833 |
|
E
3
|
米
3
|
0.0539 |
0.8873 |
0.0392 |
0.0196 |
|
| 合成 |
|
0.007 |
0.9875 |
0.0037 |
0.0018 |
综合结果表明,外向性倾向的证据的支持程度约0.7%是通过评估对象,独到倾向大约是98.8%,和内向型倾向约为0.4%。如果消除不确定性,司机的倾向可以确认为独到的理论。
5。比较的证据合成规则和模糊评价方法
为<我nl我ne- - - - - -formula>
E
1
=
{
e
11
,
e
12
,
e
13
}
,它的权向量<我nl我ne- - - - - -formula>
V
1
=
(
v
11
,
v
12
,
v
13
)
=
(
0.34,0.33,0.33
)
的综合评价结果<我nl我ne- - - - - -formula>
E
1
是<我nl我ne- - - - - -formula>
B
1
=
V
1
R
1
=
(
0.134,0.833,0.033
)
,同样的原因,综合评价的结果<我nl我ne- - - - - -formula>
E
2
和<我nl我ne- - - - - -formula>
E
3
是<我nl我ne- - - - - -formula>
B
2
和<我nl我ne- - - - - -formula>
B
3
,表示
(5.1)
R
=
(
B
1
B
2
B
3
]
=
(
0.134
0.833
0.033
0.19
0.775
0.035
0.12
0.758
0.122
]
,
然后<我nl我ne- - - - - -formula>
B
=
W
R
=
(
0.1452,0.7856,0.0692
)
,
B
是综合评价的结果。司机的倾向类型是独到根据最大隶属原则。它是一样的结果得到证据理论推理模式。因为模糊综合评价被认为是广泛的直观、合理,证据理论推理模型在一定程度上验证了。