CN113288148B - 一种驾驶心理品质分类方法 - Google Patents

Abstract

本发明涉及一种驾驶心理品质分类方法。本发明所述的一种驾驶心理品质分类方法包括：获取第一参数、第二参数、第三参数、第四参数和第五参数；其中，所述第一参数用于指示被测试者的注意力稳定程度，所述第二参数用于指示被测试者的注意力广度，所述第三参数用于指示被测试者的冲动控制能力，所述第四参数用于指示被测试者的速度感知能力，所述第五参数用于指示被测试者的刺激寻求程度；将所述第一参数、第二参数、第三参数、第四参数和第五参数输入预先训练好的随机森林算法模型中，得到被测试者的驾驶习惯预测结果。本发明所述的一种驾驶心理品质分类方法具有分类结果科学性强，检测方法简便的优点。

Description

一种驾驶心理品质分类方法

技术领域

本发明涉及心理品质检测领域，特别是涉及一种驾驶心理品质分类方法。

背景技术

统计数据表明，随着国民汽车拥有量的上升，交通事故数量也不断攀升。2017年，我国发生20多万起交通事故，其中汽车交通事故占比高达69.3％，严重危害人们的生命财产安全。交通部门对大量的交通事故进行事后分析后发现：机动车驾驶员造成了87％的交通事故，其中感知错误是交通事故发生的主要原因，感知错误占54.18％，判断决策错误占35.88％，动作错误仅占9.15％，而其他失误所占比例极少，仅为0.789％。在上述的原因分析中，感知错误中主要和驾驶人的注意、冲动、对时间空间的知觉等心理品质有关；判断决策错误主要和驾驶人的决策风格的心理品质有关；综上，驾驶安全不仅取决于驾驶人的驾驶专业能力，还和驾驶员的心理品质高度相关。

在传统的领域，通常只能通过心理量表测试等手段来判断驾驶员的心理品质，但其评判规则繁琐，评价标准单一，且不具有较强的科学性和技术性。因此，亟需一种技术方案，能够科学的对驾驶员的心理品质进行分类。

发明内容

基于此，本发明的目的在于，提供一种驾驶心理品质分类方法，其具有分类结果科学性强，检测方法简便的优点。

本发明是通过如下技术方案实现的：

一种驾驶心理品质分类方法，包括如下步骤：

获取第一参数、第二参数、第三参数、第四参数和第五参数；其中，所述第一参数用于指示被测试者的注意力稳定程度，所述第二参数用于指示被测试者的注意力广度，所述第三参数用于指示被测试者的冲动控制能力，所述第四参数用于指示被测试者的速度感知能力，所述第五参数用于指示被测试者的刺激寻求程度；

将所述第一参数、第二参数、第三参数、第四参数和第五参数输入预先训练好的随机森林算法模型中，得到被测试者的驾驶习惯预测结果。

本发明所述的一种驾驶心理品质分类方法，可用于测量相对持久的、稳定的驾驶心理品质，具体焦距在注意、冲动、时间空间知觉、抑制控制这4方面，和现存其他产品相比更具有适宜性；通过随机森林模型计算测试者的驾驶心理品质分类结果，分类结果更加客观真实，相比常规的人工识别心理品质，通过随机森林算法模型所计算出的结果更加具有科学性。

进一步地，所述随机森林算法模型的生成过程包括：

获取学习样本数据集；

根据所述学习样本数据集获取多个学习样本数据子集；

根据多个所述学习样本数据子集和分类回归方法分别生成多棵所述决策树，多棵所述决策树构成所述随机森林模型。

进一步地，所述随机森林算法模型的训练过程包括：

将训练数据集中的心理品质参数划分为N个子集，记为

其中Ωn表示第n个子集中包含的心理品质参数；

(2)利用各个数据子集

中的参数训练一个条件随机森林T(Ωn)，每个条件随机森林T(Ωn)由T棵决策树组成，即

(3)计算各个条件随机森林分类阈值。

进一步地，所述获取第一参数包括：

在显示终端的页面显示多个第一游戏页面，所述第一游戏页面用于指示测试者选中随机布置的多个数字中的特定数字；

获取测试者选中所述特定数字的精确度和效率；

根据所述精确度和所述效率，得到所述第一参数。

进一步地，所述获取第一参数还包括：

获取测试者的第一问卷调查结果，所述第一问卷调查结果用于指示被测试者的注意力稳定程度；

所述根据所述精确度和所述效率，得到第一参数，包括：

根据所述精确度、所述效率和所述第一问卷调查结果之间的加权和，得到所述第一参数。

进一步地，所述获取第二参数包括：

在显示终端的页面显示多个第二游戏页面，所述第二游戏页面用于指示测试者输入在该页面所快速呈现的特定符号的数量；

获取测试者输入数量的正确率；

根据所述正确率，得到所述第二参数。

进一步地，所述获取第三参数包括：

在显示终端的页面显示多个第三游戏页面，所述第三游戏页面用于指示测试者选中页面中所呈现的卡片的分类规则对应的文字；

获取测试者的选择正确和选择错误的数量；

在显示终端的页面显示多个第四游戏页面，所述第四游戏页面用于指示测试者根据页面所呈现符号的颜色沿特定方向移动图标；

获取测试者的方向正确率；

根据所述选择正确和选择错误的数量和所述方向正确率，得到所述第三参数。

进一步地，所述获取第三参数还包括：

获取测试者的第二问卷调查结果和第三问卷调查结果，所述第二问卷调查结果和所述第三问卷调查结果用于指示被测试者的冲动控制能力；

所述根据所述选择正确和选择错误的数量和所述方向正确率，得到所述第三参数，包括：

根据所所述选择正确和选择错误的数量、所述方向正确率和所述第二问卷调查结果、所述第三问卷调查结果之间的加权和，得到所述第三参数。

进一步地，所述获取第四参数包括：

在显示终端的页面显示多个第五游戏页面，所述第五游戏页面用于指示测试者在特定符号移动到页面边界时点击计时结束按钮；

获取测试者点击计时结束按钮的时间和特定符号移动到页面边界的真实时间；

根据所述测试者点击计时结束按钮的时间和所述特定符号移动到页面边界的真实时间，得到所述第四参数。

进一步地，所述获取第五参数包括：

获取测试者的第四问卷调查结果，所述第四问卷调查结果用于指示被测试者的刺激寻求程度；

根据所述第四问卷调查结果，得到第五参数。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明提供的一种驾驶心理品质分类方法的步骤示意图；

图2为本发明使用的随机森林算法模型的生成过程步骤示意图；

图3为本发明获取第二参数时获取的原始数据所生成的折线图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

驾驶员的心理品质，是指个体在遗传因素、后天环境和教育培养的共同作用下形成的一种相对持久的、稳定的心理品质，一旦形成后难以通过学习或训练让心理品质产生质的提升。因此，申请人研究发现，在注意、冲动、时间空间知觉、抑制控制等这些心理品质上存在缺陷的人群，产生交通事故的概率是常人的几倍。

基于此，本发明提供了一种驾驶心理品质分类方法，如图1所示，在一个实施例中，该方法包括如下步骤：

获取第一参数、第二参数、第三参数、第四参数和第五参数；其中，所述第一参数用于指示被测试者的注意力稳定程度，所述第二参数用于指示被测试者的注意力广度，所述第三参数用于指示被测试者的冲动控制能力，所述第四参数用于指示被测试者的速度感知能力，所述第五参数用于指示被测试者的刺激寻求程度；

将所述第一参数、第二参数、第三参数、第四参数和第五参数输入预先训练好的随机森林算法模型中，得到被测试者的驾驶习惯预测结果。

在一个具体的实施例中，本发明提供的一种一种驾驶心理品质分类方法具有前端和后端两部分载体。

其中，前端作为心理量表和行为分析小游戏的载体，面向测试者开放。前端载体一般为具备显示和输入功能的智能终端，如手机app或计算机网页。测试者可在前端的智能终端完成行为分析小游戏和心理量表的填写。

后端作为记录与分析数据的载体，由管理者进行维护管理，而不对测试者开放。后端一般为具有获取、记录、保存、计算数据的智能设备，优选为智能计算机。测试者的测试数据——包括心理量表的作答数据和行为分析的反应时、正确率、错误率、虚报率、漏报率等具体指标将被保存到后端计算机中。具体的，后端计算机还运行随机森林算法模型，随机森林算法模型用于将前端采集到的测试数据输出为测试者的驾驶习惯分类。

优选的，后端计算机还会根据测试者的驾驶习惯分类生成个性化的驾驶习惯报告，驾驶习惯报告包括测试者的驾驶心理品质简评和今后驾驶过程中所需注意的事项。

在一个具体的实施例中，如图2所示，随机森林算法模型的生成过程步骤包括：

S21：获取学习样本数据集；

S22：根据所述学习样本数据集获取多个学习样本数据子集；

S23：根据多个所述学习样本数据子集和分类回归方法分别生成多棵所述决策树，多棵所述决策树构成所述随机森林模型。

具体的，选取10000名司机的数据集，(包含5000名驾驶习惯差，发生驾驶违章、车祸频率高的司机和5000名驾驶习惯好，几乎不发生驾驶违章和车祸的司机)，利用随机森林算法，以为驾驶习惯的好或坏作为分类指标，将训练集比测试集设置为7:3训练分类器，并利用网格搜索以F1分数为标准，搜寻决策树个数、最大特征数、最大深度、叶子结点含有的最小样本、节点可分的最小样本、最大叶子节点数、节点划分的最小不纯度、叶子节点最小的样本权重的最佳参数。

在一个例子中，所述随机森林算法模型的训练过程包括：

S31：将训练数据集中的心理品质参数划分为N个子集，记为

其中Ωn表示第n个子集中包含的心理品质参数；

S32：利用各个数据子集

中的参数训练一个条件随机森林T(Ωn)，每个条件随机森林T(Ωn)由T棵决策树组成，即

S33：计算各个条件随机森林分类阈值。

将测试者的第一参数、第二参数、第三参数、第四参数和第五参数输入至随机森林的分类器中做出分类判断，若判断为驾驶习惯好，则输出“您的驾驶习惯优秀，请继续保持”；若判断为驾驶习惯差，则输出“您的驾驶习惯仍有待提高”，随后分点列出反馈报告。

其中，第一参数、第二参数、第三参数、第四参数和第五参数分别指向Z(注意力稳定度)、Z(注意力广度)、Z(冲动控制)、Z(速度感知)和Z(刺激寻求)；Z为测试者各项驾驶心理品质的最终得分，可以是通过向测试者提供小游戏，通过测试者的游戏成绩来获取，或者部分也可以通过量表测试结果来获得。在一个优选的实施例中，以上各项驾驶心理品质的最终得分的具体计算方式如下所述。

前端心理量表部分为自制研发的《驾驶员心理品质量表DPQI(DriverPsychological Quality Inventory)》。该量表共含有注意、冲动、A型人格、感觉寻求共4个维度，全问卷共计47条目，所有题项均采用Likert5点评分，测试者需从“非常符合”、“比较符合”、“不确定”、“比较不符合”和“非常不符合”五个选项中选出最贴近自身情况的一项。

前端行为测评部分由5个由经典心理学范式改编成的小游戏组成，5个小游戏分别是：速度知觉测试、一起消消消、数星星、弗兰克郊游记和威斯康星卡片，分别对应测量驾驶员的速度知觉、注意稳定程度、注意广度和认知控制能力。

速度知觉测试：在显示终端的页面显示多个第五游戏页面，所述第五游戏页面用于指示测试者在特定符号移动到页面边界时点击计时结束按钮；

获取测试者点击计时结束按钮的时间和特定符号移动到页面边界的真实时间。

具体的，游戏开始之后会有一音符出现在屏幕中间，音符按照一定的方向(横向，纵向，斜对角)以一定的速度(20点/秒或者40点/秒)往屏幕边缘移动，音符在移动的过程中会被隐藏，随后需要测试者根据音符运动的速度判断被隐藏的音符何时会到达屏幕边界，当测试者认为音符运动到屏幕边界后按下对应的按钮。此时，记录下测试者认为音符到达边界的所需要花费的时间(t1)和各音符到达屏幕边界的实际时间(t2)，并且计算出相对误差(a1)＝(|t1-t2|)/t2。

注意稳定程度测试：在显示终端的页面显示多个第一游戏页面，所述第一游戏页面用于指示测试者选中随机布置的多个数字中的特定数字；

获取测试者选中所述特定数字的精确度和效率。

具体的，注意稳定程度测试可以是通过“一起消消消”小游戏来实现，共有5页由数字1-9随机组成的页面，每个页面有25个数字，需要测试者既准确又快速地划去5个页面中的特定数字(如划去所有数字4)，记录测试者在测试过程中划掉的符号总数(c),划去所有特定数据的时间(t)、漏划的数量(o)、错划的数量(w)，并计算出划消数字的精确度(a,a＝(c-w)/(c+o))和工作效率(E,E＝100*(a/t))。

注意广度测试：在显示终端的页面显示多个第二游戏页面，所述第二游戏页面用于指示测试者输入在该页面所快速呈现的特定符号的数量。

具体的，注意广度测试可以是通过“数星星”小游戏来实现，每轮游戏会在屏幕中快速地随机呈现4-10个星星(其中每种个数的页面分别呈现6次，每次呈现时间为0.4秒)，在呈现后让测试者回忆并填写出现的星星数量，记录测试者呈现4-10个星星中的每种条件下测试者判断的正确率。如图3所示，图3是由多个(x，y)坐标组成的折线图，其中，x为星星个数，y为测试者在此个数对应的正确率。

随着星星数目的增长，正确率逐渐降低。从测试者的折线图中，找到第一个正确率低于50％的点，记录为(x1,y1)——x为星星个数，y为正确率；以及它的前一个点，记录为(x2,y2),并根据这两个点建立以下方程组：

通过该方程组，可求得参数s，记作注意力广度的衡量指标。

具体示例如下：

第一个低于50％的点为(7，0.45)以及之前的一个点(6,0.77)

由此计算参数s：

可得，本示例中，s＝6.84375。

认知控制测试：在显示终端的页面显示多个第三游戏页面，所述第三游戏页面用于指示测试者选中页面中所呈现的卡片的分类规则对应的文字；

获取测试者的选择正确和选择错误的数量。

具体的，认知控制测试可以是通过“威斯康星卡片”小游戏来实现，屏幕中央会呈现4张卡片，在屏幕右下方会呈现需要被试分类的卡片，让测试者自己猜测分类规则并对需分类卡片进行分类，在游戏参与者连续分类正确6次后，告知游戏参与者“游戏规则已经改变”，并令其继续进行分类操作；游戏过程中的分类规则为以下三种规则中的随机一种：“依照卡片上的形状进行分类”，“依照卡片上的形状颜色进行分类”和“依照卡片上形状的数量”进行分类。共呈现48张被分类卡片，并在测试者分类过程中记录毫无关联的错误分类数量(n1)和错误分类的总数量(n2)，认知控制品质得分C：C＝(n1/n2)*100％。

冲动控制测试：在显示终端的页面显示多个第四游戏页面，所述第四游戏页面用于指示测试者根据页面所呈现符号的颜色沿特定方向移动图标；

获取测试者的方向正确率。

具体的，冲动控制测试可以是通过“弗兰克郊游记”小游戏来实现，需要被测试者判断屏幕上方出现的箭头的颜色，是红还是绿；如果是绿箭头则需要被测试者向箭头所指相同方向移动小人，反之则向相反方向；记录测试者在测试过程中，每一环节的反应时间(t)和测试者的判断正确率(a)，并分别求反应时间和判断正确率的平均值，分别记作T和Acc。

后端计算机保存有每位测试者的量表作答数据和行为测试数据，具体包括：《驾驶员心理品质量表DPQI(Driver Psychological Quality Inventory)》问卷中每个条目的作答情况；每个游戏的数据采集指标——速度知觉测试中的相对误差a1；注意稳定程度测试一起消消消中的精确度a和工作效率E；注意广度测试数星星中注意力广度的衡量指标s；认知控制测试威斯康星卡片测试中认知控制品质得分C；以及冲动控制测试弗兰克郊游记中的平均反应时间T和平均正确率Acc。

具体的，问卷2-14题题目总分对应x(注意维度)，问卷15-24题题目总分对应x(冲动维度)，问卷25-33题题目总分对应x(A型人格)，问卷34-48题题目总分对应x(感觉寻求维度)。

针对以上所述总分和行为测试分数，利用以下公式计算其对应的标准分数：

Z＝(x-μ)/σ

其中，Z为标准分数；x为测试者某一指标的具体分数，μ为平均数，σ为标准差。

针对以上所有总分和行为测试分数的标准分数，利用以下公式计算测试者各项驾驶心理品质分数：

Z(注意力稳定度)＝(Z(问卷-注意维度)+Z(一起消消消-精确度a)+Z(一起消消消-工作效率E))/3

Z(注意力广度)＝Z(数星星游戏指标S)

Z(冲动控制)＝(Z(问卷-冲动维度)+Z(问卷-A型人格)+Z(威斯康星卡片测试-得分C)+Z(弗兰克郊游集-Acc))/4

Z(速度感知)＝Z(速度知觉测试-a1)

Z(刺激寻求)＝Z(问卷-感觉寻求维度)

之后，将测试者的以上5项驾驶心理品质分数输入随机森林算法模型，输出测试者的驾驶习惯分类。

在一个优选的实施例中，反馈报告的具体内容见下：

注意稳定度

注意维度-1星：从测试结果看，您的注意的稳定性较差，处于人群中的下游水平，为了您的他人的生命健康，建议您向专业医生请求帮助并尽量减少驾驶行为。

注意维度-2星：从测试结果看，您的注意的稳定性较差，处于人群中的中下游水平，为了您的驾驶安全，建议您寻求方法锻炼注意品质，并在驾驶过程中尽可能集中注意力，不要使用手机等电子设备，以减少危险发生。

注意维度-3星：从测试的结果看，您的注意的稳定性处于人群中的中游水平，为了您的驾驶安全，请您尽可能在驾驶过程中集中注意力，尽可能不要使用手机等电子设备，以减少危险发生。

注意维度-4星：从测试结果看，您的注意的稳定性较好，为了您的驾驶安全，请将您优良的注意品质使用于驾驶过程中。

注意维度-5星：从测试结果看，您的注意主力的稳定性在人群中属于百里挑一的水平！恭喜你！为了您的驾驶安全，请将您优良的注意品质使用于驾驶过程中。

注意力广度

注意力广度-1星：从测试结果看，您的注意广度(又称注意范围)十分差，即同一时间能观察和留意到的物体数量十分少，鉴于您这一品质较差，为了您和他人的安全，建议您向专业医生请求帮助并尽量减少驾驶行为。

注意力广度-2星：从测试结果看，您的注意广度(又称注意范围)较差，即同一时间能观察和留意到的物体数量较少，为了您和他人的安全，建议您尽量减少驾驶行为，如需驾驶，请提高十二分精神注意周围环境。

注意力广度-3星：从测试结果看，您的注意广度(又称注意范围)处于人群的中游水平，这一能力有利于您在驾驶的过程中注意往来车辆和行人。

注意力广度-4星：从测试结果看，您的注意广度(又称注意范围)处于人群中的中上游水平，这一能力有利于您在驾驶的过程中注意往来车辆和行人，请继续保持您的驾驶优势，做一名优秀的司机！

注意力广度-5星：从测试结果看，您的注意广度(又称注意范围)处于人群中属于百里挑一的水平！恭喜你！这一能力有利于您在驾驶的过程中注意往来车辆和行人，请继续保持您的驾驶优势，做一名优秀的司机！

冲动控制维度

冲动维度-1星：从测试结果看，您属于非常容易做出冲动行为的群体，冲动一时，后悔一生，为了您和他人的交通安全，建议您向专业医生请求帮助并尽量减少驾驶冲动行为。

冲动维度-2星：从测试结果看，您属于较易做出冲动行为的群体，冲动一时，后悔一生，为了您和他人的交通安全，建议您开车勿冲动，冲动勿开车。

冲动维度-3星：从测试结果看，您的自我控制能力处于人群中的中游水平，偶尔会做出冲动行为，为了您和他人的交通安全，建议您在驾驶过程中时刻保持该良好品质，不要做出冲动行为。

冲动维度-4星：从测试结果看，您的自我控制能力良好，较少会做出冲动行为，为了您和他人的交通安全，请将您的优良品质使用于驾驶过程中。

冲动维度-5星：从测试结果看，您的自我控制能力优秀，属于百里挑一的水平！恭喜你！为了您的驾驶安全，请将您优良的冲动控制品质使用于驾驶过程中。

速度感知

速度感知-1星：从测试结果看，您的速度感知能力十分差，处于人群中的下游水平，速度知觉在驾驶过程中，有助于人感受来车的速度，帮助驾驶员做出正确操作判断如刹车、转弯等，鉴于您这一能力差，为了您和他人的安全，建议您向专业医生请求帮助并尽量减少驾驶行为。

速度感知-2星：从测试结果看，您的速度感知能力较差，处于人群中的中下游水平，速度知觉在驾驶过程中，有助于人感受来车的速度，帮助驾驶员做出正确操作判断如刹车、转弯等，鉴于您这一能力较差，为了您和他人的安全，建议您在独自驾驶上路之前多加练习，尽可能提高驾驶过程中的速度感知能力后再独自上路驾驶。

速度感知-3星：从测试结果看，您的速度感知能力处于人群中的中游水平，速度知觉在驾驶过程中，有助于人感受来车的速度，帮助驾驶员做出正确操作判断如刹车、转弯等；希望在接下来的驾驶旅途中，您能保持这一良好的能力，做一名合格的司机～

速度感知-4星：从测试结果看，您的速度感知能力较好，处于人群中的中上游水平，速度知觉在驾驶过程中，有助于人感受来车的速度，帮助驾驶员做出正确操作判断如刹车、转弯等；希望在接下来的驾驶旅途中，您能保持这一良好的能力，做一名优秀的司机～

速度感知-5星：从测试结果看，您的速度感知能力较好，在人群中属于百里挑一的水平！恭喜你！速度知觉在驾驶过程中，有助于人感受来车的速度，帮助驾驶员做出正确操作判断如刹车、转弯等；希望在接下来的驾驶旅途中，您能保持这一良好的能力，做一名出色的司机～

刺激寻求

刺激寻求-1星：从测试结果看，您在生活中追求平稳和安定，不爱追逐刺激，也希望您将该品质用于驾驶上，将驾驶安全放于首位。

刺激寻求-2星：从测试结果看，您在生活中相比于追求刺激，更偏爱平稳和安定，也希望您将该品质用于驾驶上，不追求刺激，将驾驶安全放在首位。

刺激寻求-3星：从测试结果看，您在生活中有追求新鲜刺激的想法，偶尔也倾向于平稳和安全，但为了您和他人的安全，建议您在驾驶过程中，不要追寻刺激，将驾驶安全放于首位。

刺激寻求-4星：从测试结果看，您在生活中和平稳、安定相比，更喜欢追求新鲜和刺激，但为了您和他人的安全与健康，建议您在驾驶过程中，不要追寻刺激，将驾驶安全放于首位。

刺激寻求-5星：从测试结果看，您在生活中喜欢追求新鲜刺激，但为了您和他人安全与健康，建议您在驾驶过程中，不要追寻刺激，将驾驶安全放于首位，做一名让人放心的好司机。

其中，各驾驶心理品质的星级与标准分数Z的对应关系为：

当Z≤-2时，对应的星级为1；当-2≤Z≤-1时，对应星级为2；当-1<Z≤0时，对应星级为3；当0<Z≤1时，对应星级为4；当Z≥2时，对应星级为5。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种驾驶心理品质分类方法，其特征在于，包括如下步骤：

获取第一参数、第二参数、第三参数、第四参数和第五参数；其中，所述第一参数用于指示被测试者的注意力稳定程度，所述第二参数用于指示被测试者的注意力广度，所述第三参数用于指示被测试者的冲动控制能力，所述第四参数用于指示被测试者的速度感知能力，所述第五参数用于指示被测试者的刺激寻求程度；

将所述第一参数、第二参数、第三参数、第四参数和第五参数输入预先训练好的随机森林算法模型中，得到被测试者的驾驶习惯预测结果；

其中，所述获取第一参数包括：

在显示终端的页面显示多个第一游戏页面，所述第一游戏页面用于指示被 测试者选中随机布置的多个数字中的特定数字；

获取被 测试者选中所述特定数字的精确度和效率；

根据所述精确度和所述效率，得到所述第一参数；

所述获取第二参数包括：

在显示终端的页面显示多个第二游戏页面，所述第二游戏页面用于指示被 测试者输入在该页面所快速呈现的特定符号的数量；

获取被 测试者输入数量的正确率；

根据所述正确率，得到所述第二参数；

所述获取第三参数包括：

在显示终端的页面显示多个第三游戏页面，所述第三游戏页面用于指示被 测试者选中页面中所呈现的卡片的分类规则对应的文字；

获取被 测试者的选择正确和选择错误的数量；

在显示终端的页面显示多个第四游戏页面，所述第四游戏页面用于指示被 测试者根据页面所呈现符号的颜色沿特定方向移动图标；

获取被 测试者的方向正确率；

根据所述选择正确和选择错误的数量和所述方向正确率，得到所述第三参数；

所述获取第四参数包括：

在显示终端的页面显示多个第五游戏页面，所述第五游戏页面用于指示被 测试者在特定符号移动到页面边界时点击计时结束按钮；

获取被 测试者点击计时结束按钮的时间和特定符号移动到页面边界的真实时间；

根据所述被 测试者点击计时结束按钮的时间和所述特定符号移动到页面边界的真实时间，得到所述第四参数。

2.根据权利要求1所述的一种驾驶心理品质分类方法，其特征在于，所述随机森林算法模型的生成过程包括：

获取学习样本数据集；

根据所述学习样本数据集获取多个学习样本数据子集；

根据多个所述学习样本数据子集和分类回归方法分别生成多棵决策树，多棵所述决策树构成所述随机森林算法模型。

3.根据权利要求1所述的一种驾驶心理品质分类方法，其特征在于，所述随机森林算法模型的训练过程包括：

将训练数据集中的心理品质参数划分为N个子集，记为

其中Ωn表示第n个子集中包含的心理品质参数；

利用各个数据子集

中的参数训练一个条件随机森林T(Ωn)，每个条件随机森林T(Ωn)由T棵决策树组成，即

计算各个条件随机森林分类阈值。

4.根据权利要求1所述的一种驾驶心理品质分类方法，其特征在于，所述获取第一参数还包括：

获取被 测试者的第一问卷调查结果，所述第一问卷调查结果用于指示被测试者的注意力稳定程度；

所述根据所述精确度和所述效率，得到第一参数，包括：

根据所述精确度、所述效率和所述第一问卷调查结果之间的加权和，得到所述第一参数。

5.根据权利要求1所述的一种驾驶心理品质分类方法，其特征在于，所述获取第三参数还包括：

获取被 测试者的第二问卷调查结果和第三问卷调查结果，所述第二问卷调查结果和所述第三问卷调查结果用于指示被测试者的冲动控制能力；

所述根据所述选择正确和选择错误的数量和所述方向正确率，得到所述第三参数，包括：

根据所述选择正确和选择错误的数量、所述方向正确率和所述第二问卷调查结果、所述第三问卷调查结果之间的加权和，得到所述第三参数。

6.据权利要求1所述的一种驾驶心理品质分类方法，其特征在于，所述获取第五参数包括：

获取被 测试者的第四问卷调查结果，所述第四问卷调查结果用于指示被测试者的刺激寻求程度；

根据所述第四问卷调查结果，得到第五参数。

Images