CN113657676B - 一种考虑多维度驾驶人特性的制动反应时间预测方法 - Google Patents
一种考虑多维度驾驶人特性的制动反应时间预测方法 Download PDFInfo
- Publication number
- CN113657676B CN113657676B CN202110953850.3A CN202110953850A CN113657676B CN 113657676 B CN113657676 B CN 113657676B CN 202110953850 A CN202110953850 A CN 202110953850A CN 113657676 B CN113657676 B CN 113657676B
- Authority
- CN
- China
- Prior art keywords
- test
- model
- driving
- response time
- braking response
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004044 response Effects 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 131
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000011056 performance test Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 27
- 230000035484 reaction time Effects 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000846 Bartlett's test Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000003340 mental effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001766 physiological effect Effects 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000003936 working memory Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑多维度驾驶人特性的制动反应时间预测方法，包括建立制动反应时间的影响因素解构模型、发放调查问卷、基于调查问卷建立结构方程SEM模型、设计驾驶负荷试验方案、采集制动反应时间数据、建立基于BP神经网络的制动反应时间预测模型、对制动反应时间预测模型进行性能检验等步骤，本发明使用结构方程模型全面地解构驾驶人制动反应时间的影响因素，借助试验采集有效制动反应时间数据和驾驶人特性指标，从人因角度深入分析各个因素的影响机制和参与方式，建立考虑多维度驾驶人特性的制动反应时间预测模型，为开发基于行车风险预测的先进驾驶人辅助系统提供支持。
Description
技术领域
本发明涉及汽车人因工程和车辆风险分析领域，尤其是一种考虑多维度驾驶人特性的制动反应时间预测方法。
背景技术
制动反应时间是从前车的刹车灯亮起到测试车辆驾驶人刹车之间的时间长度，它包括驾驶人的感知和行动时间，是用于开发行车风险预警系统的重要参数，主要用于计算安全距离或安全裕度。以往对驾驶人制动反应时间的研究中，所采用的试验场地环境、信息采集设备以及受试者群体等试验条件各异，使得制动反应时间的计算方法不具备普适性且难以直接使用。现阶段对驾驶人制动反应时间研究存在的主要问题包括：对驾驶人特性的差异性和多样性考虑较少、试验方案单一和适用人群受限等问题，导致模型的鲁棒性和泛化能力有待改进。因此，有必要提出一种适配不同类型、不同特点驾驶人的制动反应时间预测方法，对提高车辆风险预警能力有重要意义。
发明内容
本发明的目的在于填补当下汽车人因工程和车辆风险分析领域内存在的空缺，旨在解决以往研究中对驾驶人特性的差异性和多样性考虑较少、试验方案单一和适用人群受限等问题，提出一种考虑多维度驾驶人特性的制动反应时间预测方法，包括以下步骤：
(1)建立制动反应时间的影响因素解构模型：
以驾驶人的生理属性、驾驶经验、驾驶负荷、驾驶期望为映射制动反应时间的潜变量，各潜变量中包括数个直接用于测量的显变量；所述的生理属性的显变量包括但不限于性别、视力、年龄等，所述的驾驶经验的显变量包括但不限于驾龄、驾驶里程、驾驶频率等，所述的驾驶负荷的显变量包括但不限于行为负荷量、心理占用量、动作占用量等，所述的驾驶期望包括但不限于速度期望、跟车距离期望、舒适性期望；
(2)发放调查问卷：
采用制动反应时间的影响因素解构模型制作调查问卷；向数名执有合法驾照的受访者发放调查问卷，受访者性别比例2:1，通过调查问卷的形式采集生理属性、驾驶经验、驾驶负荷、驾驶期望数据信息；
(3)基于调查问卷建立结构方程SEM模型：
使用SEM模型处理调查问卷分析结果，建立SEM模型前对数据进行信度和效度检验，对调查问卷获得的有效数据进行正态分析，确定各显变量数据的偏度系数值和峰度系数，保证收集的数据满足正态分布，再通过SEM建模软件建模，计算得到基于SEM的制动反应时间及其影响因素的解析模型，包含误差、路径系数、变量的模型；为了解决受访者对制动反应时间的不确定性，采用三角模糊数将其分解为三维向量的形式，同时作为制动反应时间的观测变量；
(4)设计驾驶负荷试验方案：
所述的驾驶负荷试验方案包括1种专注驾驶行为和5种分心驾驶行，每种分心驾驶行为过程中执行箭头测试、n-back测试、钟表测试和路况汇报中的一种或多种任务；所述的分心驾驶行包括手持手机通话、键入文本信息、阅读文本信息、思考和交谈；
(5)采集制动反应时间数据：
根据影响因素解构模型选取数名受试者，在天气晴朗、能见度良好的时间展开试验，有引导车一台保持速度在50～60km/h，受试者自车跟随前车行驶并保持车距约50～60m，驾驶过程中执行驾驶负荷试验方案，引导车随机制动以迫使受试者车辆制动；依托于前述试验条件，提取制动反应时间的数据；
(6)建立基于BP神经网络的制动反应时间预测模型：
网络结构设计：使用Sigmoid函数作为隐层神经元的激励函数，用以限制神经元输出幅值，公式(1)至(3)描述了神经元从输入至输出的计算过程；
yi＝S(Ii) (2)
式中，xi为神经元的输入信号，wi为神经元的权值，θi为神经元的输出阈值，Ii为神经元的计算结果，yi为神经元的输出信号，S(Ii)为Sigmoid函数；
使用上述SEM模型计算的路径系数优化网络权值的设定，提出SEM-BP神经网络；
采用11组驾驶人特性变量作为网络模型输入，选择驾驶人的制动反应时间作为网络模型输出，隐层神经元数量的选取依据参考公式(4)和(5)，经过迭代寻优网络参数并对比模型效果，最终确定隐层神经元数量、学习率和隐含层数量等指标；采用随机划分的方法将试验采集的总体样本数据集划分为训练集、验证集、测试集；采用均方误差算法计算误差，MSE是输出和目标之间的平均平方差，其值越低模型的精度越好；拟合性能评价指标选择回归R值度量输出和目标之间的相关性，R值越接近于1说明拟合效果越好；
nl＝log2n (5)
式中，nl为隐含层节点数，n为神经网络模型输入变量的数量，m为神经网络模型输出变量的数量，a为0到10之间的常数；
(7)对制动反应时间预测模型进行性能检验：
利用LM算法在模型训练环节的非线性最小化数值解的优势，结合高斯-牛顿算法以及梯度下降法的优点并改善两者的缺陷，进而提高SEM-BP模型的整体性能；
至此，完成考虑多维度驾驶人特性的制动反应时间预测方法。
作为优选，(1)建立制动反应时间的影响因素解构模型过程中，除性别被分为两极选项外，其余显变量均转化为李克特5级量表的形式。
作为优选，(3)基于调查问卷建立结构方程SEM模型过程中，在信度检验中，克朗巴哈系数法用于测量同一维度中不同项目的观测一致性水平；在效度检验中，采用最大方差法进行因子旋转，样本数据的KMO和Bartlett检验结果表明数据效度。
(4)设计驾驶负荷试验方案过程中，所述的箭头测试主要通过视觉搜索的方式占用受试者的视觉资源，试图诱发受试者产生视觉分心状态，测试过程中，在置于中控屏的平板电脑中预置箭头测试图集，由箭头组成的全部图片中，单张最多只有一个向上的箭头或无，受试者需要判断是否有向上的箭头，根据判断结果将该图片移动至“有”或“无”的文件夹中；
所述的n-back测试主要以促使受试者思考的方式占用其听觉记忆资源，并施加脑力负荷，测试过程中，受试者依次听到10个随机的数字(0～9)，口述回答该数字之前的第n个数字；
所述的钟表测试主要占用受试者的视觉空间工作记忆并引发思考，以此代表同时占据脑力负荷和视觉资源的驾驶任务，测试过程中，受试者依次听到由试验助理提出的随机时间问题，思考该时刻的指针位置并回答时针和分针是否成锐角；
所述的路况汇报要求受试者键入文字内容汇报当前行驶的位置、时速以及自己的驾驶任务，键入的文本类型包括了中文、英文和符号且需要切换。
作为优选，(4)设计驾驶负荷试验方案过程中，驾驶负荷试验任务包括：手持手机通话时分别进行2-back测试、1-back测试和钟表测试；键入文本信息时进行实时路况汇报；阅读文本信息时分别进行5×5箭头测试和4×4箭头测试；思考时分别进行2-back测试、1-back测试和钟表测试；交谈时分别进行2-back测试、1-back测试和钟表测试。
作为优选，(5)采集制动反应时间数据过程中，制动反应时间数据的截取规则为：当前车刹车灯亮起时，由试验助理在数据采集软件中标定记录起点，以制动踏板产生信号的瞬间作为记录终点，由此提取制动反应时间的数据。
本发明的有益效果：
本发明解决的技术问题是为精准的预测差异化驾驶人制动反应时间提供理论依据与技术支持。本发明使用结构方程模型全面地解构驾驶人制动反应时间的影响因素，借助试验采集有效制动反应时间数据和驾驶人特性指标，从人因角度深入分析各个因素的影响机制和参与方式，建立考虑多维度驾驶人特性的制动反应时间预测模型，为开发基于行车风险预测的先进驾驶人辅助系统提供支持。
附图说明
图1为本发明制动反应时间的影响因素解构模型；
图2为本发明具体实施方式基于SEM的模型构建方案；
图3为本发明具体实施方式基于SEM的模型计算结果；
图4为本发明试验流程和试验任务；
图5为本发明具体实施方式制动反应时间的数据分布情况；
图6为本发明BP神经网络结构设计；
图7为本发明具体实施方式SEM-BP神经网络模型的训练梯度和阻尼因子；
图8为本发明具体实施方式误差直方图；
图9为本发明具体实施方式模型测试结果。
具体实施方式
本发明提供一种考虑多维度驾驶人特性的制动反应时间预测方法，包括以下步骤：
(1)建立制动反应时间的影响因素解构模型：
本发明提出一种能够整合人因变量和观测变量的方法，通过主、客观量化分析方法相结合的方式以涵盖更多维度的驾驶人特性，全面地解析制动反应时间及其影响因素之间的关系。从驾驶人特性的角度出发，以逐级分解的方式解构(deconstruction)制动反应时间的影响因素：
将性别和年龄归类于驾驶人的生理属性，是受试者的基本属性；
考虑到驾驶经验是驾驶人长期驾车所遍历工况的知识积累，选取驾龄、驾驶里程和驾驶频率作为衡量该知识积累的主要评价指标；
使用NASA-TLX驾驶负荷评估方法对各受试者的驾驶负荷进行量化，以此作为表征驾驶负荷的指标；
将驾驶人的期望划分为速度期望、跟车距离期望和舒适性期望，用以反映驾驶人的驾驶风格和驾驶期望等要素。
建立结构模型如图1所示，以驾驶人的生理属性、驾驶经验、驾驶负荷、驾驶期望为映射制动反应时间的潜变量，各潜变量中包括数个直接用于测量的显变量；所述的生理属性的显变量包括但不限于性别、视力、年龄等，所述的驾驶经验的显变量包括但不限于驾龄、驾驶里程、驾驶频率等，所述的驾驶负荷的显变量包括但不限于行为负荷量、心理占用量、动作占用量等，所述的驾驶期望包括但不限于速度期望、跟车距离期望、舒适性期望；除性别被分为两极选项外，其余显变量均转化为李克特5级量表(正向)的形式，量表的选项如表1所示，采用此结构制作调查问卷。
表1制动反应时间的影响因素
(2)发放调查问卷：
采用制动反应时间的影响因素解构模型制作调查问卷；向数名执有合法驾照的受访者发放调查问卷，受访者性别比例2:1，通过调查问卷的形式采集生理属性、驾驶经验、驾驶负荷、驾驶期望数据信息。
使用专业互联网多平台问卷调查系统，通过本发明提供的基础属性和参与条件实现问卷的精准投放。根据公安部交通管理局统计的2019年驾驶人性别比例(2:1)确定受访者。问卷采用有偿奖励的方式共计发放500份，剔除答题时间异常、陷阱题有分歧的项目，得到有效问卷415份。
(3)基于调查问卷建立结构方程SEM模型：
结构方程模型(structural equation model,SEM)是高级统计学领域中一种有效的分析模型，是一种基于协方差矩阵分析变量间关系的统计方法；SEM包含两个子模型：结构模型和测量模型；结构模型反映了潜变量之间的关系，测量模型描述了潜在变量是如何被相应的显变量测量或概念化的，如此优势使得SEM常被用来分析社会科学和自然科学中难以直接量化分析的泛化概念；交通人因工程研究领域的某些变量是无法直接测量的(例如驾驶经验、驾驶心理状态等)，使用SEM处理问卷调查分析结果是最有效的解决方案之一，使用SEM处理调查问卷分析结果，建立SEM模型前对数据进行信度(reliability)和效度(validity)检验。在信度检验中，克朗巴哈系数法(Cronbach’sα)用于测量同一维度中不同项目的观测一致性水平；在效度检验中，采用最大方差法进行因子旋转，样本数据的KMO和Bartlett检验结果表明数据效度。
所采集的数据整体信度为0.904，表明所提出的研究量表信度好，具有较好的稳定性和一致性。在效度检验中，采用最大方差法进行因子旋转，样本数据的KMO和Bartlett检验结果(表2)表明数据效度较好，可以进一步展开建模研究。
表2 KMO和Bartlett检验
由于Amos中采用极大似然估计法对结构方程进行运算，因此要求计算数据需满足正态分布，对调查问卷获得的有效数据进行正态分析，确定各显变量数据的偏度系数(Skewness)值和峰度系数(Kurtosis)，对问卷调查获得的415份有效数据进行正态分析结果如表3所示，其中各显变量数据的偏度系数(Skewness)值皆小于3，峰度系数(Kurtosis)皆小于8，因此收集的数据满足正态分布，适用于极大似然估计法。保证收集的数据满足正态分布，再通过Amos建模，计算得到基于SEM的制动反应时间及其影响因素的解析模型如图3所示，包含误差、路径系数、变量的模型；基于SEM的模型构建方案如图2所示。为了解决受访者对制动反应时间的不确定性，采用三角模糊数将其分解为三维向量的形式，同时作为制动反应时间的观测变量；
表3正态性检验结果
模型的评价指标包括GFI、CFI、TLI、NFI、IFI、AGFI、RMSEA、NFI等皆表现优秀(表4)，表明构建的驾驶人制动反应时间影响因素解构模型的拟合效果较好，进一步展开路径系数的计算；用临界比(Critical Ratio,C.R.)值的统计检验相伴概率P进行模型路径系数显著性检验(表5)，P<0.001呈显著性表明统计结果对模型有强力支持，表中的“***”表示在0.01水平上显著，取95％置信区间，P值小于0.05即说明在0.05水平上显著，此时认为该路径系数具有显著性。
表4模型的评价指标
表5变量的显著路径系数
(4)设计驾驶负荷试验方案：
为了对驾驶人施加不同程度、不同类型的驾驶负荷，设计驾驶负荷试验方案，所述的驾驶负荷试验方案包括1种专注驾驶行为和5种分心驾驶行，每种分心驾驶行为过程中执行箭头测试、n-back测试、钟表测试和路况汇报中的一种或多种任务；所述的分心驾驶行包括手持手机通话、键入文本信息、阅读文本信息、思考和交谈；
具体的驾驶负荷试验任务包括：手持手机通话时分别进行2-back测试、1-back测试、钟表测试，入文本信息时进行实时路况汇报，阅读文本信息时分别进行5×5箭头测试、4×4箭头测试，思考时分别进行2-back测试、1-back测试、钟表测试，交谈时分别进行2-back测试、1-back测试、钟表测试；
试验流程共分为4个阶段：(1)试验助理向受试者解释了试验目的和步骤，要求受试者在试验前签署知情同意书；在此阶段，通过调查问卷形式获得受试者的人口统计信息(包括生理属性、驾驶经验等)；(2)每位受试者参加约20分钟的练习驾驶试验，以熟悉所有本试验设计的驾驶行为研究试验方案及详细流程；(3)每个受试者参加约20分钟的轻松驾驶试验，过程中执行试验方案所设计的各种驾驶行为，令其熟练、顺利地完成试验步骤；练习驾驶、轻松驾驶阶段不采集数据，为准备试验阶段；(4)正式试验阶段，每位受试者执行驾驶负荷试验任务。图4展示了试验流程和试验任务设计方法。
(5)采集制动反应时间数据：
根据影响因素解构模型选取数名受试者，在天气晴朗、能见度良好的时间展开试验，有引导车一台保持速度在50～60km/h，受试者自车跟随前车行驶并保持车距约50～60m，驾驶过程中执行驾驶负荷试验方案，引导车随机制动以迫使受试者车辆制动；依托于前述试验条件，提取制动反应时间的数据；制动反应时间数据的截取规则为：当前车刹车灯亮起时，由试验助理在数据采集软件中标定记录起点，以制动踏板产生信号的瞬间作为记录终点，由此提取制动反应时间的数据。制动反应时间的数据分布情况如图5所示。
(6)建立基于BP神经网络的制动反应时间预测模型：
网络结构设计：
BP神经网络(back propagation neural network,BPNN)具有预测精度高、容错性佳等优势被广泛用于预测研究中，其原理是使用误差逆运算算法反向传递实际值与预测值之间的误差，利用网络神经元之间的权重值或阈值导数，以迭代的方式修正权值直到误差满足预期要求。使用Sigmoid函数作为隐层神经元的激励函数，用以限制神经元输出幅值，公式(1)至(3)描述了神经元从输入至输出的计算过程；
yi＝S(Ii) (2)
式中，xi为神经元的输入信号，wi为神经元的权值，θi为神经元的输出阈值，Ii为神经元的计算结果，yi为神经元的输出信号，S(Ii)为Sigmoid函数。
初始权值的随机化设置会导致BP神经网络收敛效果不稳定，或使算法陷入局部极值。针对这一问题，使用上述SEM模型计算的路径系数优化网络权值的设定，提出SEM-BP神经网络；
BP神经网络结构设计如图6所示，采用11组驾驶人特性变量作为网络模型输入，选择驾驶人的制动反应时间作为网络模型输出，隐层神经元数量的选取依据参考公式(4)和(5)，经过迭代寻优网络参数并对比模型效果，最终确定隐层神经元数量、学习率和隐含层数量等指标；采用随机划分的方法将驾驶负荷试验总体样本数据集划分为训练集(70％)、验证集(15％)、测试集(15％)；采用均方误差(mean squared error,MSE)算法计算误差，MSE是输出和目标之间的平均平方差，其值越低模型的精度越好；拟合性能评价指标选择回归R值(regression R value)度量输出和目标之间的相关性，R值越接近于1说明拟合效果越好；
nl＝log2n (5)
式中，nl为隐含层节点数，n为神经网络模型输入变量的数量，m为神经网络模型输出变量的数量，a为0到10之间的常数。
(7)对制动反应时间预测模型进行性能检验：
利用LM算法在模型训练环节的非线性最小化数值解的优势，结合高斯-牛顿算法以及梯度下降法的优点并改善两者的缺陷，进而提高SEM-BP模型的整体性能；
至此，完成本发明提出的考虑多维度驾驶人特性的制动反应时间预测方法。
用来反映网络模型拟合效果的回归R值如表6所示，与基于其他三种算法的BP神经网络模型训练效果相比，本发明提出的SEM-BP神经网络模型的训练集、验证集、测试集和总体的R值均大于0.9，表明数据回归拟合的效果更好，有更好的泛化能力和拟合性能。
表6网络模型的拟合效果
制动反应时间预测模型的有效性测试
图7展示了SEM-BP神经网络模型训练过程中的模型训练数据收敛情况，在第46个epoch处达到网络模型的理想训练结果，且收敛效果符合要求；整个过程的训练时间耗时1秒，总误差＝0.0324；网络所使用LM算法的阻尼因子当梯度下降至临近收敛时恒定不变，届时μ＝1×10-6。
模型的误差分布如图8所示，由总体分布可知误差为0点附近样本数分布密集，低误差的测试样本占比多、集中于0误差位置附近，说明误差分布合理且在可接受的范围内。
使用MATLAB R2020a中的sim指令调用已训练的SEM-BP神经网络模型，随机选取一组2000维度的驾驶人特性样本数据输入网络模型中得到预测值，绘制制动反应时间的预测值与标准值分布情况如图9所示，图中包括了两组数据的正态分布曲线、箱型图和散点分布情况，综合来看标准值和预测值的分布情况、5％到95％总体数据分布情况和散点分布情况验证了模型的良好预测效果。
综上对各环节结果的论证和分析，本发明提出的制动反应时间预测模型能够较为准确的对制动反应时间进行预测，有良好的泛化能力和实用性。
Claims (6)
1.一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：包括以下步骤：
(1)建立制动反应时间的影响因素结构分解模型：
以驾驶人的生理属性、驾驶经验、驾驶负荷、驾驶期望为映射制动反应时间的潜变量，各潜变量中包括数个直接用于测量的显变量；所述的生理属性的显变量包括但不限于性别、视力、年龄，所述的驾驶经验的显变量包括但不限于驾龄、驾驶里程、驾驶频率，所述的驾驶负荷的显变量包括但不限于行为负荷量、心理占用量、动作占用量，所述的驾驶期望包括但不限于速度期望、跟车距离期望、舒适性期望；
(2)制作并发放多维驾驶人特性调查量表：
采用制动反应时间的影响因素解构模型制作调查问卷；向数名执有合法驾照的受访者发放调查问卷，受访者性别比例2:1，通过调查问卷的形式采集生理属性、驾驶经验、驾驶负荷、驾驶期望数据信息；
(3)基于调查问卷建立结构方程SEM模型：
使用SEM模型处理调查问卷分析结果，建立SEM模型前对数据进行信度和效度检验，对调查问卷获得的有效数据进行正态分析，确定各显变量数据的偏度系数值和峰度系数，保证收集的数据满足正态分布，再通过SEM建模软件建模，计算得到基于SEM的制动反应时间及其影响因素的解析模型，包含误差、路径系数、变量的模型；为了解决受访者对制动反应时间的不确定性，采用三角模糊数将其分解为三维向量的形式，同时作为制动反应时间的观测变量；
(4)设计驾驶负荷试验方案：
所述的驾驶负荷试验方案包括1种专注驾驶行为和5种分心驾驶行，每种分心驾驶行为过程中执行箭头测试、n-back测试、钟表测试和路况汇报中的一种或多种任务；所述的分心驾驶行包括手持手机通话、键入文本信息、阅读文本信息、思考和交谈；
(5)采集制动反应时间数据：
根据影响因素解构模型选取数名受试者，在天气晴朗、能见度良好的时间展开试验，有引导车一台保持速度在50～60km/h，受试者自车跟随前车行驶并保持车距50～60m，驾驶过程中执行驾驶负荷试验方案，引导车随机制动以迫使受试者车辆制动；依托于前述试验条件，提取制动反应时间的数据；
(6)建立基于BP神经网络的制动反应时间预测模型：
网络结构设计：使用Sigmoid函数作为隐层神经元的激励函数，用以限制神经元输出幅值，公式(1)至(3)描述了神经元从输入至输出的计算过程；
yi＝S(Ii) (2)
式中，xi为神经元的输入信号，wi为神经元的权值，θi为神经元的输出阈值，Ii为神经元的计算结果，yi为神经元的输出信号，S(Ii)为Sigmoid函数；
使用上述SEM模型计算的路径系数优化网络权值的设定，提出SEM-BP神经网络；
采用11组驾驶人特性变量作为网络模型输入，选择驾驶人的制动反应时间作为网络模型输出，隐层神经元数量的选取依据参考公式(4)和(5)，经过迭代寻优网络参数并对比模型效果，最终确定隐层神经元数量、学习率和隐含层数量指标；采用随机划分的方法将试验采集的总体样本数据集划分为训练集、验证集、测试集；采用均方误差算法计算误差，MSE是输出和目标之间的平均平方差，其值越低模型的精度越好；拟合性能评价指标选择回归R值度量输出和目标之间的相关性，R值越接近于1说明拟合效果越好；
nl＝log2n(5)
式中，nl为隐含层节点数，n为神经网络模型输入变量的数量，m为神经网络模型输出变量的数量，a为0到10之间的常数；
(7)对制动反应时间预测模型进行性能检验：
利用LM算法在模型训练环节的非线性最小化数值解的优势，结合高斯-牛顿算法以及梯度下降法的优点并改善两者的缺陷，进而提高SEM-BP模型的整体性能；
至此，完成考虑多维度驾驶人特性的制动反应时间预测方法。
2.根据权利要求1所述的一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：(1)建立制动反应时间的影响因素解构模型过程中，除性别被分为两极选项外，其余显变量均转化为李克特5级量表的形式。
3.根据权利要求1所述的一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：(3)基于调查问卷建立结构方程SEM模型过程中，在信度检验中，克朗巴哈系数法用于测量同一维度中不同项目的观测一致性水平；在效度检验中，采用最大方差法进行因子旋转，样本数据的KMO和Bartlett检验结果表明数据效度。
4.根据权利要求1所述的一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：(4)设计驾驶负荷试验方案过程中，所述的箭头测试通过视觉搜索的方式占用受试者的视觉资源，试图诱发受试者产生视觉分心状态，测试过程中，在置于中控屏的平板电脑中预置箭头测试图集，由箭头组成的全部图片中，单张最多只有一个向上的箭头或无，受试者需要判断是否有向上的箭头，根据判断结果将该图片移动至“有”或“无”的文件夹中；
所述的n-back测试以促使受试者思考的方式占用其听觉记忆资源，并施加脑力负荷，测试过程中，受试者依次听到10个随机的数字，口述回答该数字之前的第n个数字；
所述的钟表测试占用受试者的视觉空间工作记忆并引发思考，以此代表同时占据脑力负荷和视觉资源的驾驶任务，测试过程中，受试者依次听到由试验助理提出的随机时间问题，思考该时刻的指针位置并回答时针和分针是否成锐角；
所述的路况汇报要求受试者键入文字内容汇报当前行驶的位置、时速以及自己的驾驶任务，键入的文本类型包括了中文、英文和符号且需要切换。
5.根据权利要求1所述的一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：(4)设计驾驶负荷试验方案过程中，驾驶负荷试验任务包括：手持手机通话时分别进行2-back测试、1-back测试和钟表测试；键入文本信息时进行实时路况汇报；阅读文本信息时分别进行5×5箭头测试和4×4箭头测试；思考时分别进行2-back测试、1-back测试和钟表测试；交谈时分别进行2-back测试、1-back测试和钟表测试。
6.根据权利要求1所述的一种考虑多维度驾驶人特性的制动反应时间预测方法，其特征在于：(5)采集制动反应时间数据过程中，制动反应时间数据的截取规则为：当前车刹车灯亮起时，由试验助理在数据采集软件中标定记录起点，以制动踏板产生信号的瞬间作为记录终点，由此提取制动反应时间的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953850.3A CN113657676B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953850.3A CN113657676B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657676A CN113657676A (zh) | 2021-11-16 |
| CN113657676B true CN113657676B (zh) | 2024-05-14 |
Family
ID=78481251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110953850.3A Active CN113657676B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657676B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402577A (zh) * | 2020-02-27 | 2020-07-10 | 北京交通大学 | 一种信号交叉口驾驶员停车时间预测方法 |
| CA3065617A1 (en) * | 2019-09-27 | 2021-03-27 | Xi'an University Of Technology | Method for predicting car-following behavior under apollo platform |
| CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3800521B1 (en) * | 2019-10-01 | 2023-07-26 | Elektrobit Automotive GmbH | Deep learning based motion control of a vehicle |
-
2021
- 2021-08-19 CN CN202110953850.3A patent/CN113657676B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3065617A1 (en) * | 2019-09-27 | 2021-03-27 | Xi'an University Of Technology | Method for predicting car-following behavior under apollo platform |
| CN111402577A (zh) * | 2020-02-27 | 2020-07-10 | 北京交通大学 | 一种信号交叉口驾驶员停车时间预测方法 |
| CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于SVR模型的驾驶简单反应时间预测方法;张骏;吴志敏;潘雨帆;郭孜政;;中国公路学报;20170415(04);全文 * |
| 基于结构方程的信号交叉口驾驶人两难区选择行为影响因素分析;张惠玲;张洋;;科学技术与工程;20181008(28);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657676A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Farah et al. | Safety analysis of passing maneuvers using extreme value theory | |
| Kang et al. | Making the most of spatial information in health: a tutorial in Bayesian disease mapping for areal data | |
| WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
| JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
| Joubert et al. | Repeatability & reproducibility: Implications of using GPS data for freight activity chains | |
| WO2020108219A1 (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
| Bicher et al. | Model based estimation of the SARS-CoV-2 immunization level in austria and consequences for herd immunity effects | |
| Podoprigora et al. | Determination of driver’s reaction time in expert studies of road traffic accidents using software and hardware complex | |
| Bao et al. | Covid-gan+: Estimating human mobility responses to covid-19 through spatio-temporal generative adversarial networks with enhanced features | |
| Ghisletta et al. | Latent growth curve analyses of the development of height | |
| Veenman et al. | Bayesian hierarchical modeling: An introduction and reassessment | |
| de Gelder et al. | How certain are we that our automated driving system is safe? | |
| CN112446809B (zh) | 心理健康综合自适应测评方法及系统 | |
| CN113657676B (zh) | 一种考虑多维度驾驶人特性的制动反应时间预测方法 | |
| Wooditch et al. | Ordinary least squares regression | |
| CN116701772A (zh) | 数据推荐方法和装置、计算机可读存储介质、电子设备 | |
| Deflorio et al. | Safety systems and vehicle generations: Analysis of accident and travel data collected using event data recorders | |
| Konstantinoudis et al. | A framework for estimating and visualising excess mortality during the COVID-19 pandemic | |
| CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
| CN113673609B (zh) | 一种基于线性隐变量的调查问卷数据分析方法 | |
| DE112022000915T5 (de) | Erstellen eines statistischen modells und auswerten der modellleistung | |
| CN115330234A (zh) | 数字化合规诊断方法、系统及存储介质 | |
| CN113808393A (zh) | 一种消除混杂控制对象影响的方法 | |
| Adalian | General considerations about data and selection of statistical approaches | |
| Montenegro-Montenegro | Improving the guidelines to conduct multigroup invariance test in Bayesian SEM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |