基于結(jié)構(gòu)方程模型的駕駛特征研究

宋昊 楊光強 林展州 田磊 謝圣濱

1.同濟大學(xué)交通運輸工程學(xué)院 上海市 201804

2.上海城投（集團）有限公司 上海市 200336

3.杭州絡(luò)達交通市政規(guī)劃設(shè)計院有限公司 浙江省杭州市 310006

1 引言

每年，全世界有超過125 萬人死于交通事故[1]。因此許多研究人員試圖研究獲得交通事故發(fā)生的主要致因[2]。同時，研究人員通過對駕駛特征與駕駛安全關(guān)系的研究，發(fā)現(xiàn)可以通過培訓(xùn)駕駛員、改善交通環(huán)境、糾正不良駕駛習(xí)慣等方式提高駕駛安全性[3]。例如，Ahmed[4]的研究表明，在糾正不良駕駛特征的基礎(chǔ)上，聯(lián)網(wǎng)車輛系統(tǒng)在非擁堵條件下可以減少事故概率。

駕駛特征的改善包括幾個方面。研究人員在尋找單一駕駛特征與駕駛安全之間的關(guān)系上做了大量工作。例如，Bedard 等人[5]采用多元logistic 回歸，發(fā)現(xiàn)駕駛傷害的嚴(yán)重程度隨司機年齡和性別的不同而不同；Reymond 等人[6]提出了一種駕駛行為模型，該模型考慮了駕駛員對最大橫向加速度和轉(zhuǎn)向修正的預(yù)測；Wang[7]識別了三種道路類型的安全切入特性。此外，相當(dāng)多的研究還分析了多因素情況下駕駛特征與駕駛安全之間的關(guān)系。然而，在駕駛特征與駕駛安全的關(guān)系研究上仍然存在一些方法和數(shù)據(jù)來源上的不足。

對于分析方法，最先進的機器學(xué)習(xí)方法和計算能力的快速發(fā)展推動了此類技術(shù)在解決工程和社會科學(xué)領(lǐng)域復(fù)雜模式識別問題中的應(yīng)用。Júnior[8]建議將機器學(xué)習(xí)方法應(yīng)用于與安全相關(guān)的駕駛特征的任務(wù)，并取得了一定的結(jié)果。此外，在研究駕駛特征與駕駛安全之間的關(guān)系時，不少研究采用了機器學(xué)習(xí)的方法[9]。但是同時，這些研究中使用的方法都存在一定局限。

過去的研究中使用了不同的數(shù)據(jù)源來研究駕駛安全。最早的基于驅(qū)動程序的研究是通過收集路段的現(xiàn)場數(shù)據(jù)進行的[10]。此外，還有一些研究依靠問卷調(diào)查來收集數(shù)據(jù)[11]，但是此類數(shù)據(jù)可能具有高度主觀性。因此，一些研究使用非侵入式交通傳感器（如雷達設(shè)備或攝像頭傳感器）來收集微觀行為數(shù)據(jù)。例如，Wu 等人[12]使用遠(yuǎn)程交通微波傳感器收集交通數(shù)據(jù)和車頭時距信息來預(yù)測事故風(fēng)險。盡管取得了這些成就，但由于傳感器覆蓋范圍的限制，獲取實時交通和環(huán)境條件信息仍然很困難。隨著經(jīng)濟的嵌入式數(shù)據(jù)記錄解決方案的發(fā)展，車輛動力學(xué)數(shù)據(jù)現(xiàn)在更容易獲得，并且已被用于研究駕駛員的行為（加速、制動和偏航率）。例如，Guo[13]使用100輛汽車自然駕駛研究來識別與個體駕駛員風(fēng)險相關(guān)的因素并預(yù)測高風(fēng)險駕駛員。

通過構(gòu)建合適的數(shù)學(xué)模型，并綜合考慮多方因素（包括駕駛員特征、環(huán)境特征和車輛特征），探討駕駛特征與駕駛安全之間存在的關(guān)系。駕駛員特征包括年齡、性別、駕駛分心和工作量等因素。車輛特征包括速度、油門等，環(huán)境包括道路類型、交通流量和天氣。

2 文獻綜述

2.1 駕駛特征與駕駛安全的關(guān)系

一些駕駛員特征會影響駕駛安全。這些變量包括年齡、性別、駕駛經(jīng)驗等，其中性別和年齡是最突出的因素[14]。Bedard 等人[5]采用多元logistic 回歸發(fā)現(xiàn)，駕駛安全事件的數(shù)量隨年齡和性別而變化。老年和女性司機比年輕和男性司機有著更高的駕駛風(fēng)險。然而，Al-Balbissia 等人提出了相反的發(fā)現(xiàn)[15]，這些研究人員觀察到，在所有年齡組中，男性司機的風(fēng)險高于女性司機。幾年后，Antin[16]使用泊松回歸模型確定，在年輕司機中，男性司機更容易遭受嚴(yán)重撞車事故。根據(jù)以上討論的文獻，關(guān)于駕駛安全與駕駛員不同特征之間關(guān)系的結(jié)果仍然高度矛盾。

此外，車輛特性（例如速度和油門）對駕駛安全的影響在很大程度上仍然未知。具體而言，Goebelbecker[17]提出的一篇論文參考了1930 年代和1940 年代進行的一系列現(xiàn)場測試，以確定彎道上的安全速度，并確定了重型卡車駕駛員感到不適的加速水平。最近，一些研究人員專注于車輛特性與駕駛安全之間的關(guān)系。例如，Eboli[18]使用速度和加速度描述了車輛的運動，這些參數(shù)是定義安全駕駛行為的基礎(chǔ)。一些之前的研究還發(fā)現(xiàn)，速度和油門是駕駛障礙的主要指標(biāo)[19]。

關(guān)于環(huán)境對駕駛行為影響的文獻非常有限。許多以前的研究人員基于自然駕駛研究比較了不同道路類型導(dǎo)致的駕駛行為差異。如Wang[20]開發(fā)了一種提取算法，可以從自然駕駛研究中檢索5608 個切入事件。結(jié)果表明，道路類型之間的一些差異有明顯的解釋，如對于天氣而言，惡劣的天氣會影響交通事故率。通常，研究人員使用車輛的動態(tài)模擬來分析車輛的動態(tài)運動及其與道路幾何元素的相互作用，例如AliAbdiKordani[21]研究由天氣條件引起的摩擦系數(shù)變化對動態(tài)的影響，結(jié)果表明惡劣的天氣會增加駕駛的危險性。

3 數(shù)據(jù)預(yù)處理與結(jié)構(gòu)方程模型

3.1 數(shù)據(jù)預(yù)處理

自然駕駛數(shù)據(jù)包括時間數(shù)據(jù)、環(huán)境數(shù)據(jù)、駕駛員行為數(shù)據(jù)和周圍車輛數(shù)據(jù)。詳情如表1所示。

表1 自然駕駛數(shù)據(jù)

（1）數(shù)據(jù)清洗和插值

收集的自然駕駛數(shù)據(jù)存在大量異常值和缺失數(shù)據(jù)。不同類型的數(shù)據(jù)需要使用不同的處理方法來處理。首先刪除異常數(shù)據(jù)，然后刪除大量缺失數(shù)據(jù)，以及插補異常數(shù)據(jù)。自然駕駛數(shù)據(jù)是時間序列數(shù)據(jù)，因此采用鄰值插值進行插值。

（2）數(shù)據(jù)噪聲過濾器

許多濾波器可以用于修改數(shù)據(jù)噪聲，包括卡爾曼濾波器、Savitzky-Golay 濾波器等。卡爾曼濾波器適用于線性隨機微分系統(tǒng)，是一種通過系統(tǒng)的輸入輸出來觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法。因此使用卡爾曼濾波器進行噪聲過濾。

（3）危險駕駛行為事件計算

使用每個指標(biāo)的0.01%分位數(shù)值擬合判斷線，然后提取整個文件中的危險駕駛行為。將0-130km/h 以10km/h 的相等間隔劃分。對于不同的速度范圍，假設(shè)數(shù)據(jù)分布符合泊松分布。根據(jù)泊松分布的概率分布函數(shù)，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)作為危險駕駛行為數(shù)據(jù)。

3.2 結(jié)構(gòu)方程模型及因子分析

結(jié)構(gòu)方程模型可以同時處理大量內(nèi)生變量和外生變量。在結(jié)構(gòu)方程模型中，將變量定義為未被觀察到的潛在變量。潛在變量被指定為觀察變量的線性組合。此外，可以基于線性組合建立變量之間的關(guān)系。由于所有潛在變量都是從概念上推導(dǎo)出來的，因此它們是假設(shè)變量。結(jié)構(gòu)方程模型分為三個部分，第1 部分是內(nèi)生變量的測量模型（Y 測量模型）。第二部分是外生變量的測量模型（X測量模型）。第3 部分是結(jié)構(gòu)模型。

使用IBMSPSS 中的矩結(jié)構(gòu)分析（AMOS）20 模塊來創(chuàng)建結(jié)構(gòu)方程模型。AMOS20 可以在SPSS 框架內(nèi)高效交換數(shù)據(jù)文件，并具有方便的圖形界面。

為保證各變量對組的匹配程度，根據(jù)因子分析結(jié)果對組進行了重新分類。使用因子分析研究變量之間的相互關(guān)系，目的是找到一組新的較小的變量來表達原始變量的共同點。

因子分析的步驟如下：

（1）效度測試

采用KMO 檢驗和Bartlett 球形檢驗來保證因子分析的有效性，條件如下：1）KMO檢驗系數(shù)＞0.5；2）巴特利特的P＜0.05。如果不滿足測試條件，重新篩選危險駕駛行為指標(biāo)。

（2）因子分析

因子載荷矩陣由實際值確定，并根據(jù)貢獻率（大于50%）確定公因子個數(shù)。如果不滿足測試條件，重新篩選有風(fēng)險的駕駛行為指標(biāo)。

4 實驗設(shè)計和數(shù)據(jù)收集

分析基于上海自然駕駛實驗數(shù)據(jù)，在實驗后分別提取駕駛行為數(shù)據(jù)和風(fēng)險時刻。然后通過視頻驗證風(fēng)險時刻。數(shù)據(jù)收集和數(shù)據(jù)分析的細(xì)節(jié)如下。

4.1 上海自然駕駛研究

分析基于同濟大學(xué)、通用汽車和弗吉尼亞理工大學(xué)交通研究所（VTTI）聯(lián)合開展的上海自然駕駛實驗數(shù)據(jù)。實驗采集數(shù)據(jù)超過50 萬公里。五輛配備SHRP2NextGen 數(shù)據(jù)采集系統(tǒng)的通用汽車輕型車輛用于收集真實的駕駛數(shù)據(jù)。車輛同時還配備：測量前方車輛和相鄰車道車輛距離的雷達系統(tǒng)、照度計、溫度/濕度傳感器、數(shù)據(jù)采集系統(tǒng)（包括用于收集車輛控制器局域網(wǎng)數(shù)據(jù)的接口盒、縱向加速度計和橫向加速度計）、GPS 傳感器以及四個同步攝像頭。如圖1 所示，四個攝像頭監(jiān)控駕駛員面部（a）、駕駛員的手部動作（b）、前方道路（c）和車輛后方的道路（d）。共篩選出60 名駕駛員，共計收集了10000 多個樣本，其行駛軌跡如圖2 所示。

圖1 上海自然駕駛研究數(shù)據(jù)采集系統(tǒng)的四個攝像頭

圖2 上海自然駕駛研究數(shù)據(jù)采集系統(tǒng)的行駛軌跡

4.2 風(fēng)險傾向駕駛行為與風(fēng)險時刻

美國國家公路交通安全管理局將風(fēng)險傾向駕駛定義為個人“犯下一系列交通違法行為以危害他人或財產(chǎn)的行為”。然而，先前研究中制定的標(biāo)準(zhǔn)是基于簡單的閾值。盡管應(yīng)該從多維角度看待駕駛行為，但通常缺乏定量的證據(jù)。這種統(tǒng)計數(shù)據(jù)會導(dǎo)致假陽性或真陰性的檢測結(jié)果。為了系統(tǒng)地識別危險傾向駕駛行為，需要制定更全面的標(biāo)準(zhǔn)，反映駕駛行為的多個維度。以往研究中風(fēng)險傾向駕駛行為的定義總是基于統(tǒng)一的減速標(biāo)準(zhǔn)，不區(qū)分速度。然而，駕駛員縱向加減速特性不同，速度是不同的。因此，用統(tǒng)一的標(biāo)準(zhǔn)來衡量不同行駛速度下的風(fēng)險傾向駕駛行為是不合理的。

以10km/h 的等間隔劃分0-130km/h（大于130km/h 的數(shù)據(jù)為極限，縱向加速度沒有波動，所以不予考慮）。對于0-10km/h，由于低速，風(fēng)險傾向駕駛行為較小。參考最近的研究，將縱向加速度小于-0.6g 視為激進操作。對于其他速度范圍，假設(shè)加速度分布符合泊松分布。根據(jù)泊松分布的概率分布函數(shù)，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)作為風(fēng)險傾向行為。為了使結(jié)果具有統(tǒng)計意義，根據(jù)分位數(shù)的分布擬合線性函數(shù)。當(dāng)涉及到橫向激進操作時，駕駛員總是結(jié)合轉(zhuǎn)向操作，以避免來自橫向方向的緊急沖突。駕駛員的橫向操作特性包括橫向加速度、方向盤等。因此選擇橫向加速度作為衡量轉(zhuǎn)向程度的參數(shù)。然后，由于駕駛員在左/右兩個方向都可能發(fā)生急劇轉(zhuǎn)向，因此考慮了兩個方向上的橫向參數(shù)極端行為。與縱向加速度提取過程類似，對于0-10km/h，參考前人的研究，將橫向加速度小于-0.4g 或大于0.4g 作為風(fēng)險傾向操作。對于其他速度區(qū)間，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)視為風(fēng)險傾向行為。為了使結(jié)果具有統(tǒng)計意義，使用基于分位數(shù)的線性函數(shù)進行擬合。

此外，碰撞發(fā)生是與基礎(chǔ)設(shè)施相關(guān)安全影響評估的主要風(fēng)險度量。通常使用車頭時距、碰撞時間（TTC）等指標(biāo)用于駕駛風(fēng)險的分類。風(fēng)險定義為同時TTC＜2.7s 和速度＞120km/h。

4.3 數(shù)據(jù)收集和處理

自然駕駛實驗分四個階段進行。實驗一共收集了10500 個有用的文件。記錄數(shù)據(jù)的采樣率，即原始數(shù)據(jù)，以及選擇的計算導(dǎo)數(shù)的方法，都會影響閾值。Nyg?rd（1999）對速度數(shù)據(jù)使用5Hz 的初始采樣頻率，然后對其進行過濾以去除噪聲，并產(chǎn)生波動較小的加速度曲線。原始速度數(shù)據(jù)的過濾是通過使用三點移動平均值對速度數(shù)據(jù)進行平均來完成的。更高的采樣頻率提供了更好的導(dǎo)數(shù)分辨率，由于樣本之間的時間差更小，這會導(dǎo)致更高的峰值。較高的采樣頻率是以測量數(shù)據(jù)中較高程度的噪聲為代價的。記錄設(shè)備能夠以10Hz 的采樣率記錄速度。但是由于技術(shù)困難和其他未知因素，實際采樣率從5Hz 到10Hz 不等，有時甚至丟失了長時間的駕駛數(shù)據(jù)。這導(dǎo)致了質(zhì)量不同的數(shù)據(jù)記錄，需要在進一步分析之前對其進行處理。數(shù)據(jù)處理的第一個步驟是去除任何異常值并處理缺失值，然后平滑原始數(shù)據(jù)以最小化因技術(shù)原因造成的測量波動的影響。原始數(shù)據(jù)的平滑是使用加權(quán)指數(shù)平滑方法自動完成的。

實驗后收集了8000 個有用的文件。選取了600 個文件（每個文件持續(xù)時間超過5 分鐘，數(shù)據(jù)總大小為16.1G）進行線性函數(shù)擬合。而后提取整個文件中的風(fēng)險傾向行為。提取過程中發(fā)現(xiàn)，風(fēng)險傾向性操作主要發(fā)生在20-60 公里/小時的范圍內(nèi)，并且橫向加速度激進操作比縱向操作更多。

基于分位數(shù)線得到了風(fēng)險傾向行為，并基于TTC＜2.7s 和速度＞120km/h 得到了風(fēng)險情景。獲得了7337 個具有風(fēng)險傾向或風(fēng)險情景的樣本。為探索風(fēng)險傾向的有效判斷方法，提取了包含傾向風(fēng)險和風(fēng)險情景的情景作為研究對象。提取了1210 個具有傾向性風(fēng)險和風(fēng)險場景的樣本。實際上，根據(jù)數(shù)據(jù)提取的風(fēng)險傾向行為和風(fēng)險場景存在一定的錯誤率，通過視頻確定場景，根據(jù)風(fēng)險傾向和風(fēng)險場景去除錯誤。最后取526 個樣品作為實驗的進一步研究對象。然后將基于TTC 事件率的風(fēng)險傾向和風(fēng)險情景計算為每行駛100公里的事件數(shù)，基于超速的風(fēng)險情景計算為超速時間占總時間的百分比。

4.4 結(jié)果

使用上一節(jié)中報告的描述性數(shù)據(jù)建立了初始結(jié)構(gòu)方程模型。幾個變量，例如基于環(huán)境特征數(shù)據(jù)、車輛特征和駕駛員特征數(shù)據(jù)的變量，被設(shè)置為“X”觀察變量，這些變量可以分為具有相似特征的幾組（即結(jié)構(gòu)方程模型中的外生潛在變量）。其他變量設(shè)置為“Y”觀察變量，代表與駕駛安全相關(guān)的內(nèi)生潛在變量，例如結(jié)構(gòu)方程模型中的“激進行為”或“風(fēng)險時刻”。

在初始模型中，變量包括五類：環(huán)境特征、車輛特征、駕駛員特征、激進行為和風(fēng)險時刻。駕駛員特征由駕駛員年齡和性別來表示。車輛特征類別包括速度和油門。環(huán)境特征用道路類型和天氣來表示。激進駕駛行為類別包括橫向激進行為、縱向激進行為和混合激進行為。風(fēng)險時刻包括TTC 風(fēng)險和超速。

對于結(jié)構(gòu)方程模型，所有分類和名義變量都需要轉(zhuǎn)換為二元變量。對于駕駛員年齡，創(chuàng)建三個二元類來構(gòu)建外生測量模型：（1）19-30：1，其他：0；（2）30-40：1，其他：0；（3）40-50：1，其他：0。在三個二元變量中，只有（1）具有統(tǒng)計顯著性并包含在最終的結(jié)構(gòu)方程模型中。對于環(huán)境特征，將道路類型劃分為地面道路：1，其他：0。然后將天氣劃分為惡劣天氣：1，其他：0。最后，將五個潛在因素定義為環(huán)境特征、車輛特征、駕駛員特征、激進行為和風(fēng)險時刻。表2 顯示了變量的定義及其代碼。

表2 變量的定義、代碼和相關(guān)統(tǒng)計

使用上一節(jié)中的描述性數(shù)據(jù)分析建立了一個初始模型。為保證各變量對組的匹配程度，根據(jù)本節(jié)因子分析結(jié)果對組進行了重新分類。進行主成分分析，并使用方差極大旋轉(zhuǎn)進行因子分析。主成分分析試圖構(gòu)建原始變量的線性組合來解釋大部分總方差，而因子分析則研究變量之間的相互關(guān)系，目的是找到一組新的、更小的變量來表達原始變量。Varimax 旋轉(zhuǎn)是因子分析的最后一步。在計算主成分后，降低了數(shù)據(jù)的維數(shù)，得到的因子往往實質(zhì)上是無意義的。這樣做的原因是它們已被擬合成數(shù)據(jù)以解釋最大可能的方差，通常在相互關(guān)聯(lián)的變量（或?qū)ο螅┑莫毩⒓褐g定位第一個因素。

使用SPSS20.0 來評估主成分分析的效果。采用KMO 檢驗和Bartlett 球形檢驗來保證因子分析的有效性，條件如下：1）KMO檢驗系數(shù)＞0.5；2）巴特利特的P＜0.05。分析表明，KMO=0.62 和P=0.00。采用主成分分析計算數(shù)據(jù)的初始特征值，碎石的公因子圖如圖3 所示，然后根據(jù)圖3 選取特征值大于1 的公因子1 和因子2。五個因素的總貢獻率為54.66%，其中因素1 解釋18.34%，因素2 解釋10.86%，因素3 解釋9.97%，因素4 解釋8.51%，因素5 解釋6.97%。方差極大旋轉(zhuǎn)因子分析的結(jié)果和各項目的因子載荷如表3所示。第一個因素是“危險駕駛時刻”，因為 TTC 風(fēng)險和超速等項目具有高負(fù)載。第二個因素是“危險駕駛員狀態(tài)”，因為橫向加速度和風(fēng)險行為具有高因素負(fù)荷。第三個因素是“駕駛員特征”，這與年齡、性別和注意力分散有關(guān)。此外，第四個因素是“道路環(huán)境”，包括天氣、平坦曲線和交通流量，第五個因素是“車輛駕駛特性”，因為速度、橫向加速度等項目的因素載荷較高。

圖3 陡坡圖

表3 項目的因子負(fù)荷

需要指出的是，因子分析的結(jié)果只是一個參考，根據(jù)一些觀察變量的實際意義，將幾個變量重新分類為其他因子。例如，將“車輛駕駛特性”因素中的工作量歸為因素3（駕駛員特性）。另外，因子5 中的橫向加速度被歸類為因子2（駕駛員風(fēng)險狀態(tài)）。采用最大似然估計方法。最終的結(jié)構(gòu)方程模型如圖4所示。

圖4 結(jié)構(gòu)方程模型

在圖4 中，矩形代表觀察到的變量；橢圓代表未觀察到的潛在變量；從觀察變量指向潛在變量的箭頭表示回歸路徑。此外，帶有指向每個觀察變量的箭頭的圓圈表示測量誤差。此外，每個潛在變量通過彎曲的雙頭箭頭連接到每個其他變量，這表示每個變量與其他變量協(xié)變。可見結(jié)構(gòu)方程模型由5 個潛在變量和16 個觀察變量組成。

根據(jù)圖4 所示結(jié)構(gòu)方程模型的結(jié)果，比較了每個變量對潛在變量的影響。在X 測量模型中，年齡是影響駕駛員特征的最重要因素（因子負(fù)荷=0.99）。天氣是最重要的因素（因子載荷=0.99），而平坦曲線是對道路環(huán)境產(chǎn)生負(fù)面影響的最重要因素（因子載荷=-0.65）。速度是影響車輛駕駛行為的主要因素（因子載荷=0.99）。在結(jié)構(gòu)模型中，影響駕駛員風(fēng)險狀態(tài)的主要因素是車輛行駛特性，影響危險時刻的主要因素是道路環(huán)境。因此，要提高行車安全，必須充分考慮車輛的駕駛行為和道路環(huán)境。在Y 度量模型中，駕駛員風(fēng)險狀態(tài)大多與復(fù)雜風(fēng)險相關(guān)，風(fēng)險時刻主要受TTC 風(fēng)險影響。

廣泛使用的用于結(jié)構(gòu)方程模型分析的擬合優(yōu)度指數(shù)是卡方檢驗。如果模型對數(shù)據(jù)擬合好，卡方值應(yīng)該小，卡方相關(guān)的P 值應(yīng)該比較大。估計模型具有52 個自由度，卡方值為65.379（P=0.054），這表明模型擬合是可以接受的。一些常用的擬合指數(shù)包括擬合優(yōu)度指數(shù)、調(diào)整合優(yōu)度指數(shù)、比較擬合指數(shù)、歸一擬合指數(shù)和近似均方根誤差。表4 顯示了結(jié)構(gòu)方程模型的擬合優(yōu)度統(tǒng)計數(shù)據(jù)。該模型顯示的擬合優(yōu)度指數(shù)、調(diào)整擬合優(yōu)度指數(shù)、比較擬合指數(shù)和歸一擬合指數(shù)值大于0.9，近似均方根誤差顯示值小于0.05。這些結(jié)果表明這是一個可接受的擬合。

表4 擬合指數(shù)的值

5 結(jié)論與展望

結(jié)構(gòu)方程模型用于確定駕駛員特征與駕駛安全之間的關(guān)系。16 個變量在結(jié)構(gòu)方程模型中分為五個潛在變量。研究結(jié)果表明，與其他變量相比，年齡對駕駛員特征的影響最大，進而影響危險行為和冒險行為（老年駕駛員表現(xiàn)出更高的危險駕駛傾向）。這一發(fā)現(xiàn)與BagdadiO 研究所得[22]一致，后者指出經(jīng)驗豐富的年輕司機比其他人更安全。這一結(jié)果可能是年輕駕駛員對處理緊急駕駛?cè)蝿?wù)的良好反應(yīng)能力和對聯(lián)網(wǎng)車輛等新型智能交通技術(shù)的良好學(xué)習(xí)能力。然后，惡劣的天氣對駕駛員的行為產(chǎn)生了負(fù)面影響（較低的速度和較高的經(jīng)度加速度）。不利天氣包括雨、霧和其他日子的低能見度情況。在這些情況下，司機總是會感到緊張，從而導(dǎo)致危險。前人的一些研究中也得出了類似的結(jié)論，不利天氣被認(rèn)為是駕駛風(fēng)險的主要環(huán)境因素，例如Palat[23]總結(jié)，年齡較大的司機、惡劣的天氣和高速操作的駕駛安全水平低于其他組。此外，駕駛安全控制包括交通控制（車外）和駕駛員行為控制（車內(nèi)）。結(jié)果還表明，駕駛員行為是影響危險行為的主要因素，環(huán)境是影響危險時刻的主要因素。因此，應(yīng)針對不同的機構(gòu)采取不同的措施來提高行車安全。其他駕駛員特征，例如性別和年齡，也會影響駕駛安全。結(jié)果表明年輕女性的駕駛安全水平較低，應(yīng)該對其進行有效培訓(xùn)。

考慮到這些結(jié)果，提出以下建議以提高駕駛安全性。

（1）交通法規(guī)的執(zhí)行可以遏制不良駕駛行為，提高駕駛安全，尤其是對于駕駛態(tài)度不好的年輕男性司機。具體而言，對屢犯者進行嚴(yán)格處罰，包括增加駕照積分、吊銷或吊銷執(zhí)照以及提高罰款，可以提高在這種不利條件下的駕駛安全。

（2）廣告是提高駕駛員意識的一種簡單而有前景的方法。值得注意的是，商業(yè)廣告可以告知司機駕駛安全的重要性。

（3）自動駕駛汽車技術(shù)的發(fā)展也可以提高駕駛安全性。對駕駛員特性的研究可以在自動駕駛汽車的開發(fā)和人機界面（HMI）的設(shè)計中考慮。

由于基于自我報告的駕駛員數(shù)據(jù)，因此無法避免自我報告問卷通常存在的缺點，并且答案會受到社會期望偏差的影響。在進一步的工作中，可以通過訪問個人的駕駛記錄以獲取客觀的數(shù)據(jù)，驗證自我報告的信息，從而減少反應(yīng)偏差。