基于因子分析與人工神經網絡的駕駛傾向性動態辨識模型

張洪賓， 王 云， 孫龍祥

(山東理工大學交通與車輛工程學院， 淄博 255000)

駕駛過程中駕駛員對周圍環境感知及處理所表現出來的異常加減速、轉彎、變道等駕駛行為，極易引發交通事故[1-4]。準確地識別駕駛員駕駛過程中的傾向性，提前做好汽車行駛過程中的安全預警具有重要意義。Yan等[5]根據駕駛員生理特征與情緒之間的相互關系，設計實驗探尋駕駛員脈搏、血壓、皮電、呼吸等生理特性與駕駛情緒間的變化規律，利用選定的心理參數對駕駛員情緒進行辨識與監測。Schmidt-Daffy[6]認為恐懼、焦慮等消極駕駛情緒會使駕駛員在駕駛任務中保持謹慎保守的駕駛態度，并使用增加駕駛任務與改變道路環境等方法進行驗證。李明俊等[7]依據支持向量機(support vector machine, SVM)與多分類半監督學習算法，分別建立SVM與多分類半監督學習的駕駛風格識別模型，得出結論多分類半監督學習算法(inductive multi-label classification with unlabeled data，iMLCU)模型，該模型與SVM相比可提高對駕駛傾向性的識別能力。Amanda等[8]認為具有憤怒傾向的駕駛員在行駛過程中更容易產生消極駕駛情緒，在與其他交通參與者博弈過程中更容易被激怒，從而產生頻繁超車、換道、超速等攻擊性駕駛行為。Roidl等[9]建立不同的交通情境，參與者可通過在線調查感受到不同的交通情境，評價自己的情緒，從而研究交通情境和情感體驗之間的關系。侯海晶等[10]提取表征駕駛風格的特征參數，對不同風格駕駛人的駕駛行為數據進行了量化分析。郝景賢等[11]在完成實車駕駛實驗基礎上對駕駛數據提取特征參數并使用K-means聚類對其進行聚類分析，完成駕駛傾向的辨識，辨識準確率較高。……