基于改進CREAM擴展法的駕駛轉向人因失誤率預測

李 娜，郭進利，郭曌華

（1.上海理工大學 管理學院，上海 200093；2.上海理工大學 機械工程學院，上海 200093）

隨著我國居民生活水平的提高和交通網絡的大力發展，汽車出行在交通方式中所占比重迅速增加[1]。汽車技術發展迅速，車輛設備的可靠性已經得到極大的提升，而由于人的失誤造成的交通事故量占比越來越重。Rumar[2]曾在研究中指出，大約90%～95%的交通事故都是由人的因素造成的。因此，研究車輛駕駛人在駕駛任務中的人因失誤行為有著重大的現實意義。

具有交通信號燈控制的交叉口作為城市路網的關鍵節點，其交通通行特征復雜，是交通事故的常發點[3]。駕駛車輛在這樣的路口進行轉向任務是駕駛人經常遇到的情況，由于環境以及自身因素的影響，可能會出現一些駕駛差錯行為，嚴重的甚至會引發重大的交通事故。因此，對駕駛人操作的可靠性進行評估和量化分析顯得尤為重要。

1 人因可靠性分析方法

第一代人因可靠性分析（human factor reliability analysis, HRA）方法主要有人因失誤率預測技術（technique for human error rate prediction, THERP）、人因失誤評估與減少技術（human error assessment and reduction technique, HEART）、人的認知可靠性（human cognitive reliability, HCR）及成功似然指數法?多屬性效應分解（success likelihood index methodmulti attribute utility decomposition, SLIM-MAUD）等，但是，第一代的很多方法缺乏心理學基礎，沒有考慮到深層次的人的認知行為[4]。認知可靠性與失誤分析方法（cognitive reliability and error analysis method, CREAM）[5]是HRA第二代的代表性方法，其核心思想是人的績效輸出不是孤立的隨機行為，而是依賴于完成任務時所處的情景或工作條件[6]。CREAM可以進行回溯分析和預測分析，最初的分析對象是核電領域，但它是一種通用型方法，可以在很多包含復雜、動態系統的領域中應用。楊越等[7]提出了基于CREAM和貝葉斯網絡的人因失誤預測方法，并將其應用在航空領域的空管人誤概率預測中。浦同爭等[8]依據無人機操作員的任務特征建立了影響操作員績效的行為行成因子，改進了CREAM方法，分析了無人機操作員的人因可靠性。王寧等[9]構建了加權模糊CREAM模型，對地鐵盾構施工人員的人因可靠性進行了分析。吳雅菊等[10]研究了高溫熔融金屬作業人員的可靠性，利用CREAM方法對作業人員的可靠性進行了量化和評估。Pan等[11]在CREAM方法的基礎上，提出了分析和預測人因失誤的策略，并將其應用在航天領域。劉繼新等[12]利用CREAM擴展法評估管制人員在空中交通指揮過程中的可靠性，量化了管制人員在特定任務中的人因失誤概率。席永濤等[13]以CREAM方法為基礎，采用特征選擇算法、貝葉斯網絡和證據推理算法對多源數據進行處理，構建了一個改進的CREAM模型，并用此模型對特定場景下船舶駕駛員操作可靠性進行量化預測。尚梅等[14]將CREAM方法應用在建筑領域，對建筑工人人因失誤率進行定量預測。

CREAM擴展法是通過共同績效條件（common performance conditions, CPC）來量化任務特點和情景環境的，因此，CPC因子權重的確定關系到整個預測結果的準確性[15]。CREAM方法在評估人因可靠性的時候，默認所有的CPC因子都具有同等的重要性，但實際情況往往并非如此，在實際的情境中，影響人可靠性的各種因素的重要程度是不同的，并且某些因素之間會相互影響。多數對于CREAM方法的研究中，沒有考慮CPC因子的自身權重以及某些CPC因子之間的相互影響關系。另外，以往的研究多將CREAM方法應用在航空航天、航海等領域，而對于交通駕駛領域的應用極其少見。且對于駕駛人的人因可靠性分析多采用定性分析的方式，沒有系統的定量分析方法。本文以CREAM擴展法為基礎，利用系統因素分析方法?決策與實驗室方法（decision-making trial and evaluation laboratory, DEMATEL）[16]綜合考慮CPC因子之間的影響關系，計算得到CPC因子的影響權重。進而對CREAM方法中總權重因子計算公式進行改進，并對駕駛人駕駛車輛在具有交通信號燈控制的交叉口進行轉向這一普遍任務中的人因失誤進行定量化分析與預測。

2 改進CREAM擴展法定量化預測駕駛人人因失誤率

2.1 特定場景下駕駛轉向任務事件序列分析

在一般的具有交通信號燈控制的十字交叉路口，駕駛人駕駛車輛進行轉向任務，需要完成一系列的駕駛操作。駕駛人在駕駛車輛轉向時大致可分為3個階段，其關鍵事件序列如圖1所示。

圖1 車輛駕駛轉向任務關鍵事件序列圖Fig.1 Sequence diagram of critical events in the steering task of a vehicle

2.2 識別認知行為和認知功能

建立關鍵事件序列之后，要對其認知行為進行分析。CREAM將認知行為類型分為15種，包括協調、通信、比較、診斷、評估、執行、識別、保持、監視、觀察、計劃、記錄、調整、掃視和檢驗。認知功能分為4類，包括觀察、解釋、計劃和執行。每一類功能有若干個失效模式[5]。通過對駕駛轉向關鍵事件序列分析，確定每一項任務中涉及到的認知活動以及對應的認知功能，如表1所示。

2.3 評估CPC因子

2.3.1 確定CPC因子水平及對績效預計的影響

CREAM方法是在對大量的安全事故研究的基礎上提出的，它提供了影響人因績效的9種CPC因子，并說明了CPC因子不同水平對績效可靠性的影響以及對應的認知功能的權重因子。CREAM方法應用到駕駛領域中時，可進行適當改變，使之更加適合于駕駛領域，文獻[17]認為人的內因和環境的外因共同決定人的行為。駕駛任務中，駕駛人自身因素和環境因素都會對駕駛人可靠性績效產生影響，結合實際的駕駛情景，確定9種影響駕駛轉向任務中人因失誤的CPC因子：交通流量（CPC1）、行駛道路路況（CPC2）、其他車輛行為（CPC3）、人機界面的支持程度（CPC4）、內部駕駛環境（CPC5）、道路熟悉程度（CPC6）、駕駛時間段（CPC7）、駕駛人生/心理狀態（CPC8）、駕駛人技能和經驗（CPC9）。各個CPC因子的說明如表2所示。CPC不同水平對應的認知功能權重因子如表3所示。由于本文討論的是一般情況下轉向任務中駕駛人的普遍認知過程，故假設CPC因子水平處于較優水平，如表4所示。

表1 關鍵事件序列對應的認知行為和認知功能Tab.1 Cognitive behavior and cognitive function corresponding to critical event sequence

表2 CPC因子說明Tab.2 CPC factor description

2.3.2 確定CPC因子的影響權重

DEMATEL方法是一種處理因素內部影響關系的有效方法[18]。對于本文所討論的駕駛任務來說，利用DEMATEL方法，在綜合考慮CPC因子之間的相互影響關系的基礎上確定9種CPC因子的影響權重，從而對每一項認知活動下的CPC總權重因子進行修正。

表3 共同績效條件（CPC）對認知的影響Tab.3 Influence of CPC on cognition

設計用于DEMATEL方法的問卷，對于因素之間的影響程度采用5級標度，取0—4表示程度大小，表示含義是{無，較小，一般，較大，非常大}。通過收集10位在交通駕駛領域經驗豐富的相關人員的判斷數據，建立各因素之間的直接影響矩陣A。

表4 CPC水平及對應的認知權重Tab.4 CPC level and corresponding cognitive weight

利用式（1）計算得到規范化矩陣G。

式中：aij表示矩陣A中第i行第j列的元素表示矩陣A第i行的各列元素之和。

然后，利用python3.7編程計算得到綜合影響矩陣T。

則

式中：tij為矩陣T中的第i行第j列的元素；di表示第i行的各元素對于其他元素的影響度，稱為影響度；rj為被影響度，表示第j列的各元素受到其他各元素的影響度。

計算得到CPC之間的影響度和被影響度為

中心度可表示為di+rj，利用式（5）對中心度進行標準化處理。

標準化di+rj用來表示各CPC因子的權重[18]。通過計算得到每個CPC因子的影響權重為

2.4 識別認知功能失效模式

CREAM方法提供了13類認知功能失效模式，如表5所示[5]。

駕駛行為會有個體差異，但是，處于相同階段的駕駛人駕駛行為會有一定的規律性，如經驗不足的駕駛人往往會犯技能上的駕駛差錯[19]。針對本文的研究，為了避免不同駕駛經驗對于駕駛行為的影響，選取實際駕齡在2～3 a，年齡在30～40歲的男性駕駛人作為研究對象，即研究對象的駕駛經驗水平處于“充分，有一定經驗”階段。對他們最有可能犯的認知失效模式類型進行問卷調查，對于轉向中的關鍵事件序列，問卷共設置了24種駕駛錯誤，可歸類到表5中的13類認知失效模式之中。通過對收集到的108份有效問卷進行分析，得到普遍情況下駕駛轉向任務中駕駛人最有可能出現的認知失效模式，如表6所示。

2.5 改進總權重計算公式，預測人因失誤率

根據前面的分析以及表5和表6，可以得到每一個關鍵事件序列最有可能的失效模式以及對應的認知失效概率，此時獲得的是該項認知活動的標稱失效概率值CFPbc，CPC因子可以對認知失效概率值產生影響，根據表4可知每個CPC因子下各認知功能的權重因子，每個認知功能下所有CPC因子對應的認知功能權重的乘積，即該認知功能的總權重因子Wz。現在考慮CPC因子自身的影響權重wi，記給定的認知功能的權重因子為pi，利用式（6）對總權重因子的計算公式進行改進。

表5 認知失效模式Tab.5 Cognitive failure mode

表6 駕駛轉向任務中駕駛人最有可能出現的認知失效模式Tab.6 The most common cognitive failure mode in steering task

CPC因子修正后，駕駛人的認知失效概率CFPxz=CFPbcWz。將一系列計算結果列于表7。

表7 關鍵事件序列失效概率（1）Tab.7 Failure probability of critical event sequence (1)

最后，根據圖1所示的駕駛轉向任務的關鍵事件序列，由式（7）計算該駕駛任務中人因失誤概率P。

式中，CFPi表示第i項操作的認知失效概率。

根據表7的數據，計算得到在具有交通信號燈的十字交叉口駕駛車輛進行轉向任務中的人因失誤率為2.3582×10-2。

通過上述駕駛人人因失誤定量化預測過程，可知駕駛轉向任務中每一步操作的認知失效概率，如表7所示，實現量化分析每一步操作。在轉向任務一系列操作中，觀察距離（車距）、注意其他車輛行為和駛入正確車道這3項操作中最容易發生失誤，3項操作都屬于觀察活動，因此，可以著重通過改善這3項活動的認知權重來大大降低人因失誤率，進而提高駕駛安全。將駕駛任務進行分解，分析影響人因失誤最大的操作行為，為規范駕駛人操作培訓規程以及安全考評提供有力的支持。對于已經發生的事故也可以通過CREAM擴展法定量分析找出失誤率最高的人誤事件，然后利用回溯法進一步追溯發生事故的原因，建立系統的事故原因分析體系。另外，改進CREAM方法，并將其應用在駕駛轉向中，可促進人因可靠性方法在交通領域的發展和應用，有助于解決交通領域對于駕駛人人因可靠性分析數據缺乏這一問題，同時也彌補了以往只能通過定性方式分析駕駛人可靠性的缺陷。CREAM方法具有很強的應用性，在實際情景應用時，只需對現場環境和駕駛人狀態進行評估，確定CPC因子及其所處水平，對駕駛人認知失效模式作出判斷，即可快速應用此方法實現駕駛人人因失誤的量化分析。

3 改進的CREAM擴展法的合理性及有效性分析

3.1 合理性分析

利用上述改進的CREAM方法可以預測特定駕駛場景下駕駛轉向任務中的人因失誤率，為了證明改進方法的合理性，利用人因可靠性分析中的一個公理對其進行驗證[20]，即微小改變CPC的狀態，會對人因失誤率產生影響。積極的改變，會降低人因失誤率；消極的改變，會增大人因失誤率[21]。

在上述的駕駛情景下，取CPC9這一影響因素，以上述討論的因素水平為基準，其他因素不變的情況下，只改變CPC9的狀態，分別進行積極改變和消極改變，用上述改進過的CREAM擴展法進行計算，結果如表8所示。

表8 3種狀態下的人因失誤率（1）Tab.8 Human error rate in three states (1)

從表8可以看出，改變CPC因子水平，積極改變下，人因失誤率降低，消極改變下，人因失誤率增大。結果與公理所述相符，改進方法的合理性得到驗證。

3.2 對比分析

為了更好地說明改進后CREAM方法的有效性，與改進前的CREAM方法量化分析結果進行對比分析。利用傳統的CREAM方法，對上述情境下定量化分析得到駕駛轉向任務中每一步操作的人因失誤率列于表9，與使用改進后的方法定量化分析結果相比，駕駛任務的關鍵事件序列中，兩種方法分析的最容易發生人因失誤的認知活動是觀察，這一結果符合客觀實際情況，觀察這一認知活動貫穿于整個駕駛任務，并且是解釋、計劃、執行等認知活動的基礎。

表9 關鍵事件序列失效概率（2）Tab.9 Failure probability of critical event sequence (2)

微小改變任一CPC因子的狀態，計算3種狀態下的人因失誤率，觀察其變化，結果列于表10。

表10 3種狀態下的人因失誤率（2）Tab.10 Human error rate in three states (2)

從表8的結果可以看出，當積極改進影響因素水平時，雖人因失誤率降低，卻改變相對較小，降幅僅為3.7%，但是，消極改變影響因素水平時，人因失誤率大幅度增加，增幅為20%。從表10的結果來看，當積極改進影響因素水平時，人因失誤率降幅為5%，消極改變影響因素水平時，人因失誤率雖增大，但增幅極其小，增幅為5%。從結果變化來看，改進后的方法量化分析結果更加符合實際調查情況，即與正常情況下相比，外界環境或者自身狀態處于更佳水平時，并不會明顯減少駕駛人的人因失誤率，但當環境或自身條件低于正常水平時，則會大大增加人因失誤率，進而大大增加了發生嚴重交通事故的概率。

4 結 論

a.首先對普遍情況下駕駛人駕駛車輛在具有交通信號燈的十字交叉口進行轉向任務的關鍵事件序列進行了分析，改進了CREAM擴展法，賦予CPC權重，改進認知活動下CPC的總權重因子計算公式，預測駕駛人的人因失誤率，實現了對駕駛人人因失誤的定量化分析。

b.提出了一種基于改進CREAM擴展法的駕駛轉向任務中駕駛人人因失誤量化方法，利用人因可靠性分析中的公理驗證了改進方法的合理性，結合實際分析了其有效性，為駕駛人人因失誤量化分析研究提供方法借鑒。

c.在定量化的過程中，根據實際環境中最普遍的情況確定CPC因子水平，而對于某一次具體的駕駛轉向任務來講，CPC因子水平可能會有一些微小的改變，因此，未來在對具體的某一次任務進行分析時，可以增加對CPC因子水平等級的客觀性評價。