基于证据理论的驾驶员倾向综合评价

摘要

交通安全与驾驶员的生理、心理特征密切相关。对交通安全的影响表现为驾驶员倾向。本文将证据理论引入驾驶员倾向性评价体系，利用证据理论结合专家意见，消除了传统评价方法中不可避免的不确定性因素。该方法还可以解决评价体系中主观指标的评价问题。结果表明，该方法客观合理，能够有效地评价驾驶员的倾向性。

1.介绍

交通运输业是国民经济的基础产业，在国民经济发展中起着重要的作用。然而，随着城市化进程的推进和机动车的普及，交通问题日益严重;近年来，我国道路交通事故有所减少，但交通环境恶化的趋势并没有从根本上得到解决。司机自身的内在因素是造成交通事故的主要因素之一[1- - - - - -5］.国内外学者研究表明，驾驶员的生理-心理特征与交通安全密切相关，心理特征对驾驶员行为的影响比生理特征更为重要[6- - - - - -10］.驾驶行为的差异是由驾驶人的性别、年龄、驾驶年龄、驾驶经验和性格的差异造成的。这些差异可以概括为驾驶员倾向差异。因此，驾驶员的生理-心理特征对交通安全的影响主要表现为驾驶员的倾向性[11］.

驾驶员倾向是驾驶员在各种因素影响下对客观现实交通状况的态度。它反映了相应决策倾向的心理特征，反映了驾驶员在车辆操作和运动过程中的心理情绪状态。目前，中国国内外专家关注驾驶员的身心综合评价[12］.提出了多种评价方法，如多元回归、判别函数、神经网络评价系统等。王及张[13- - - - - -16]初步研究了驾驶员在特殊交通场景下的驾驶倾向，如自由流和跟驰；冯和方研究了驾驶员特征评价的聚类分析[10];Chen等研究了驾驶紧张度的主观判断和车辆运动控制[11];Wang等人研究了识别驾驶员错误行为的可靠性和安全性分析方法[12];Cai和Lin研究了虚拟驾驶环境中驾驶员情绪与任务绩效的建模[17]然而，由于驾驶员的心理变化和个体差异，很难评估驾驶员的驾驶倾向。因此，研究的难点在于寻找一种更合理的驾驶员倾向性评价方法。

证据理论最早于1967年由Dempster提出，并于1976年由Shafer进一步发展[18］.它也被称为Dempster/Shafer证据理论(D-S证据理论)，属于人工智能领域。证据理论在早期的专家系统中得到应用，能够处理不确定信息。在证据理论中，证据不是实际的证据，而是人的经验和知识以及人们观察和研究的结果的一部分。它既强调证据的客观性，又强调证据的主观性[19]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证据的综合问题。该理论可应用于具有“证据信息”的多属性群决策评价方法中，通过对各种测试指标的综合评价，对驾驶员的倾向性进行评价，并通过证据理论提高驾驶员倾向性诊断的准确性。

2.证据理论

证据理论是基于证据的合并和信念函数的更新，其不确定性由识别框架、基本概率分配函数、信任函数、似然函数、相关性等描述。

2．1．识别框架和基本信任分布功能

在概率论的基础上，将概率论中的事件推广到命题，将事件集扩展到命题集，利用证据理论建立命题与命题集之间的对应关系。通过引入信任函数，将命题的不确定性问题转化为集合的不确定性问题。假设有一个问题需要判断，这个问题的所有可能答案的完整集合表示为．所以，任何相关的命题都对应于，是确定框架，还是选择取决于知识和理解水平。

定义2.1。使作为一个识别框架，基本的信任分布函数集合来自子集吗来,表示识别框架的任意子集，,满足 在哪里称为事件的基本信任分布函数，这意味着信任级别是．

2．2.证据组合规则

D-S组合规则响应证据组合效应，将不同来源的独立证据信息进行组合，产生更可靠的证据信息。假设和两个证据在识别框架中，对应的基本信任分布函数是什么和，而焦点元素是和分别,如果 然后，将这两组证据进行组合，得到组合的基本概率赋值函数：相遇 这是著名的D-S组合公式 它反映了各种证据之间的冲突系数被称为和,用．

3.模型建立

３．１．多指标评价层次模型

为了提高评价的科学性，将抽象目标具体地划分为多层次的子目标。这些子目标可以统称为索引。因此，评价对象的评价可以形成多指标评价的多层次层次结构，由下至上综合各种评价指标，判断评价对象的价值。最后得出最终的评价结果。在评价过程中，需要为各个指标建立相应的权重，通过专家判断确定权重，反映了各指标相对重要性的定量分布。使…的相对重量作为相见

３.２．贴现率和支持功能

证据理论通常使用识别框架的假设承担不确定性，也使用支持函数来说明不确定性，但支持函数可能不能反映整个证据的某些特殊不确定性，不确定性是对于整个证据，以及参数反映了决策者对指标评价结果给出的贴现率，因此评价结果并不完全可信。因此，可以将关键指标的评价结果作为基准，如果，则称为键索引。

使作为概率的关键指标在国家决策者决定了相信国家的程度将在此值下发生．给定相应的贴现率，即，，表示决策者的关键指标所产生的支持度或信任度。对于un-key索引，其概率为在州．类似地，支持度可以通过折扣来产生.由于相关关键指标的重要程度，相对于是,所以为贴现率，表示unkey索引的论文支持度。针对水平结果模型中的多指标综合评价，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综合的基本概率函数。

３．３．驾驶员倾向评估系统

结合文献中的驾驶员生理心理指标[19]和文献中驾驶员倾向心理问卷的相关指标[20.]，可以构建驾驶员倾向评价系统(如1)和司机的倾向可以被测量。第一层为目标层，第二层为属性二级指标，第三层为因子层指标。

3．4．D-S证据推理模型及求解方法

首先，设定各因素水平指标的评价水平为外向倾向、中介倾向和内向倾向。然后，根据证据建立识别框架;相关领域专家给出了识别要素的不确定性主观判断。在识别框架中，不同的专家根据不同的经验和观察，必然得到不同的证据并得到基本的概率分配函数。将各基本概率赋值函数根据证据组合规则进行合成，给出的结果即为驾驶员倾向的评价状态。

4.实例分析

根据上述驾驶员倾向性指标评价体系，制定表示属性级别，，，，表达的因素集合,表达外向倾向、中间倾向和内向倾向的评论集合。采用专家判断法建立各指标层的相对权重，属性层权重是一个集合，因子集合的权重向量是，，．

10位专家使用外向性倾向、中间性倾向和内向性倾向对各项指标进行评价，评价结果如下:

其中，矩阵表示在“反应判断指标”属性的三个因素中，通过对“反应时”的评价，驱动因子属于2位专家的“外向性倾向”，8位专家的“中间性倾向”，0位专家的“内向性倾向”;通过“速度估计”的评价，1位专家属于“外向性倾向”，8位专家属于“中间性倾向”，1位专家属于“内向性倾向”;通过对“复杂反应判断”的评价，1位专家认为驾驶员属于“外向倾向”，9位专家认为驾驶员属于“中间倾向”，0位专家认为驾驶员属于“内向倾向”。剩下的两个矩阵具有相同的含义。现在，以“反应判断指标”为例，在证据推理模型的计算步骤中给出了对其驾驶员倾向的评价。评估信息如表所示2．

转换企业的评价信息，，把基本概率赋值化为．根据各因素之间的相对权重，取作为折现率的关键因素，非关键因素的贴现率为的折扣率是，则可得到3个基本概率分配。综合结果见表3.．

合成结果和(关键因子贴现率分别为0.8和0.9)如表所示4．

表格4可以看作是属性集的专家评价信息矩阵吗，将其转换为基本概率赋值并综合（关键因素折现率为1）。合成结果如表所示5．

综合结果表明，通过评价对象，外向性倾向证据支持度约为0.7%，中间性倾向支持度约为98.8%，内向性倾向支持度约为0.4%。如果不确定性被消除，驾驶员的倾向在理论上可以被认定为中间性。

5.证据合成规则与模糊评价方法的比较

为，其权重向量为，综合评价结果是的综合评价结果和是和，表示为 然后为综合评价结果。根据最大隶属度原则，驾驶员倾向类型为中间性。这与证据理论推理模式的结果是一致的。由于模糊综合评价被广泛认为是直观合理的，证据理论推理模型在一定程度上得到了验证。

6.结论

子目标和总体目标之间的关系在模糊模型中是一种包含关系，但在证据理论中是一种“支持”关系和子目标是支持证据。显然，证据理论具有更广泛的应用范围和更灵活的应用。特别是，当个人财产状态不确定或未知时，证据理论的优势可以更好地体现出来。除了完全冲突之外，专家意见无法综合通过d-S理论，可以得到更好的结果。

通过建立识别框架，利用证据理论确定基本概率分配函数;将定性的“反应判断指标、驾驶控制指标、驾驶记录指标”转化为定量状态。根据权重的不同，利用组合规则对各指标的状态以及专家的评价结果进行综合，然后利用综合函数对驾驶员的倾向性进行综合质量这是确定的。针对专家的局限性，本文采用证据理论来研究不确定性问题。结果表明，本文构造的信任函数表达了不确定性，得到了更准确、可靠、客观的评价结果。

致谢

国家自然科学基金项目(61074140);山东省自然科学基金项目(ZR2010FM007, ZR2011EEM034);山东省重点学科(实验室)优秀骨干教师国际交流访问学者项目，山东理工大学青年教师发展支持项目。

参考文献

1. Wang W.H.Zhang W.Zhang H.W.Guoi H.Bubb和K.Ikeuchi，“具有各种驾驶特征的基于安全的行为接近模型，”交通研究C第19卷第2期6, pp. 1202-1214, 2011。视图:谷歌学者
2. H. Bar-Gera和D. Shinar，“司机超过其他车辆的趋势，”交通研究F，第8卷，第2期6，页429-439,2005。视图:出版商的网站|谷歌学者
3. C.Pêcher、C.Lemercier和J.M.Cellier，“情绪驱动注意力：对驾驶员行为的影响，”安全科学，第47卷，第9期，第1254-1259页，2009年。视图:出版商的网站|谷歌学者
4. O.Taubman、B.Ari和E.Shay，“危险驾驶员和行人行为之间的关联：极端正统犹太道路使用者的案例，”交通研究F，第15卷，第5期。2，页188 - 195,2012。视图:谷歌学者
5. I. A. Kaysi和A. S. Abbany， "模拟无信号十字路口的激进司机行为"事故分析及预防第39卷第3期4，页671-678,2007。视图:出版商的网站|谷歌学者
6. H.W.Warner、T.Özkan、T.Lajunen和G.Tzamalouka，“驾驶人做出不同异常驾驶行为倾向的跨文化比较，”交通研究F第14卷第2期5，页390-399,2011。视图:出版商的网站|谷歌学者
7. 温学军，杨永东，方建军，“高速公路运行速度研究”，公路交通研究与发展，第19卷，第1期，第81-83页，2000年。视图:谷歌学者
8. 余凤华，王宝光，吴晓军，公路经营管理，人民交通出版社，北京，2000。
9. g·v·巴雷特和c·l·桑顿，《感知风格与驾驶员对紧急情况的反应之间的关系》，应用心理学杂志号，第52卷。2，页169-176,1968。视图:出版商的网站|谷歌学者
10. 冯耀强、方志强，“驾驶员特征评价的聚类分析，”黑龙江交通科技,没有。11，页161-163,2007。视图:谷歌学者
11. 陈新民，高磊，吴淑波，“驾驶紧张的主观判断与车辆运动控制研究”，公路交通研究与发展，第24卷，第8期，第144-148页，2007年。视图:谷歌学者
12. 王文华，曹强，K. Ikeuchi, H. Bubb，“识别驾驶员错误行为的可靠性和安全性分析方法”，国际汽车技术杂志，第11卷，第5期。6，第873-881页，2010。视图:出版商的网站|谷歌学者
13. 王学勇，“基于车-车-环境动态数据的汽车行驶趋势特征提取与识别方法”，国际计算智能系统杂志，第4卷，第4期。6, pp. 1269-1281, 2011。视图:谷歌学者
14. 张建林，“时变自由流条件下车辆行驶趋势特征提取与动态推理方法”，北京理工大学学报，第20卷，第2期。2 .中国科学院大学学报(自然科学版)，2011。视图:谷歌学者
15. 张玉英，王新宇，张建林，“自由流动条件下车辆行驶趋势识别模型的验证方法”，中国公路学报，vol . 21, no . 2计算机应用学报，第32卷，第2期，第578-580页，2012年。视图:谷歌学者
16. 张玉英，王新宇，张建林，“基于自由流动驾驶模拟实验的车辆驾驶倾向识别模型验证方法”，中国公路学报，2018,30(4):429 - 434。武汉理工大学学报第33卷第3期9，页82-86,2011。视图:谷歌学者
17. 蔡辉、林颖，“虚拟驾驶环境中驾驶员情绪与任务绩效的建模研究”，国际人机研究杂志，第69卷，第9期，第571-586页，2011年。视图:出版商的网站|谷歌学者
18. 杨福斌和王晓霞，冲突证据与理论证据的结合方法，国防工业出版社，北京，中国，2010年。
19. h .问:金驾驶适应性，安徽人民出版社，安徽，1995。
20. 张y y基于人-车-环境动态数据的驾驶员倾向性识别模型及计算方法研究[M.S.]论文)，山东理工大学，山东，2011。

版权

版权所有©2012 Jinglei Zhang等人。这是根据知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。