王克剛 王 健 王曉原▲ 王曉龍 張敬磊 孫 亮

（1.山東理工大學(xué)交通與車輛工程學(xué)院 山東 淄博 255091；2.山東理工大學(xué)理學(xué)院 山東 淄博 255091）

0 引言

汽車作為1種交通工具，給人們出行帶來了極大方便的同時(shí)也帶來了交通安全問題。自動駕駛和輔助駕駛是解決交通安全問題，提高行車安全的積極有效手段。駕駛?cè)松恚睦硖匦詫煌ò踩挠绊懼饕憩F(xiàn)為其駕駛傾向性［1］，汽車駕駛傾向性是汽車行駛過程中操控者情感偏好等特征的動態(tài)測度，常常伴隨車輛編組復(fù)雜關(guān)系的時(shí)變性而發(fā)生轉(zhuǎn)移，并引導(dǎo)駕駛?cè)艘鈭D的演化，筆者將其類型可分為：保守型、普通保守型、普通型、普通激進(jìn)型、激進(jìn)型。以往研究多集中于從相對靜態(tài)和宏觀角度出發(fā)的駕駛?cè)诵睦硖匦詼y量及其對交通安全影響，而關(guān)系汽車主動安全方面的，對駕駛?cè)饲楦袪顟B(tài)進(jìn)行微觀、動態(tài)測度和計(jì)算的研究較少。Orit Taubman［2］研究了積極情感對魯莽駕駛行為意愿的影響，研究發(fā)現(xiàn)，令人放松的積極情緒會使駕駛?cè)瞬辉敢膺M(jìn)行冒險(xiǎn)駕駛。Michelle Chana等［3］通過使用中性、消極和積極的詞語刺激駕駛?cè)瞬⒂^察駕駛?cè)诵熊嚑顩r，研究了情緒干擾對駕駛?cè)诵熊嚨挠绊?，研究結(jié)果表明，相對于中性詞語，情感詞會刺激駕駛?cè)溯^高速度的行駛，且積極詞語對駕駛?cè)怂俣鹊挠绊懜志?。Martin Schmidt－Daffy［4］研究了恐懼和焦慮程度對駕駛行為的影響，結(jié)果表明恐懼和焦慮程度增加時(shí)，駕駛?cè)藢⑦x擇較小的車速行駛以保證行車安全。Mark S.Horswill等［5］研究了駕駛?cè)四挲g，特別是老年駕駛?cè)藢︸{駛行為的影響，針對老年駕駛?cè)艘赘吖阑蝈e估自身駕駛能力這一現(xiàn)象，對老年駕駛?cè)颂岢鱿嚓P(guān)建議以減少交通事故的發(fā)生。吳超仲等［6］研究了駕駛?cè)藨嵟榫w下的駕駛行為特征，識別了憤怒駕駛狀態(tài)，研究了憤怒情緒對駕駛?cè)松硇睦淼挠绊?，探討了憤怒駕駛對交通安全的影響。嚴(yán)利鑫等［7］分析了駕駛?cè)诵詣e、年齡、駕齡等自身因素對駕駛憤怒情緒產(chǎn)生的影響，實(shí)驗(yàn)結(jié)果表明，男性駕駛?cè)嗽隈{駛過程中產(chǎn)生憤怒情緒的概率要高于女性駕駛?cè)耍荒觊L駕駛?cè)顺霈F(xiàn)駕駛憤怒情緒的概率顯著高于年青駕駛?cè)?；而隨著駕齡的增加駕駛?cè)似骄鶓嵟燃壷饾u降低。為了研究車輛跟馳狀態(tài)下不同駕駛?cè)说鸟{駛傾向性特征，王曉原等采用神經(jīng)網(wǎng)絡(luò)分類器以及誤差反向傳播算法，確定了車輛跟馳下作為神經(jīng)網(wǎng)絡(luò)輸入層的微觀動態(tài)信息（車輛運(yùn)動狀態(tài)、駕駛?cè)瞬僮餍袨椤Ⅰ{駛環(huán)境等）與駕駛?cè)藘A向性類型隱含層之間的連接權(quán)重，并運(yùn)用離散粒子群算法，對駕駛傾向性的特征數(shù)據(jù)進(jìn)行提取［8］。此外，應(yīng)用最優(yōu)控制理論，通過分析駕駛?cè)藢π畔⒌母兄蛯Σ僮鞯呐袛鄾Q策，建立車輛跟馳模型，利用實(shí)驗(yàn)得到的各傾向性類型駕駛?cè)藢?shí)驗(yàn)數(shù)據(jù)，進(jìn)行駕駛傾向性推理效果的驗(yàn)證［9］。為了探索2車道場景下駕駛傾向性與車輛編組狀態(tài)之間的耦合作用機(jī)制，王曉原等運(yùn)用遺傳模擬退火算法，提取了2車道場景不同車輛編組狀態(tài)下駕駛傾向性特征向量［10］；以此為基礎(chǔ)，用動態(tài)貝葉斯網(wǎng)絡(luò)建立時(shí)變環(huán)境下駕駛傾向性動態(tài)辨識模型［11］；此外，通過對2車道場景下各車輛編組狀態(tài)轉(zhuǎn)移時(shí)駕駛傾向性的轉(zhuǎn)移規(guī)律進(jìn)行統(tǒng)計(jì)分析，揭示了環(huán)境嬗變情況下，汽車駕駛傾向性轉(zhuǎn)移機(jī)制［12］。然而，3車道情況下的車輛編組關(guān)系的狀態(tài)更加復(fù)雜，且此場景下駕駛?cè)藘A向性的辨識模型和轉(zhuǎn)移機(jī)制會與2車道場景下存在差異，因此，本文以3車道場景為例，重點(diǎn)考慮環(huán)境因素中直接影響駕駛?cè)饲楦械膽B(tài)勢因素，設(shè)計(jì)生理心理測試和實(shí)車實(shí)驗(yàn)，采集不同態(tài)勢下駕駛傾向性特征數(shù)據(jù)，利用動態(tài)貝葉斯網(wǎng)絡(luò)建立適應(yīng)環(huán)境演變的駕駛傾向性識別模型。結(jié)果表明，本文相關(guān)實(shí)驗(yàn)的設(shè)計(jì)方案以及所構(gòu)建的辨識模型合理可行，能夠?qū)崿F(xiàn)多車道環(huán)境下駕駛?cè)藘A向性的動態(tài)辨識。

1 交通態(tài)勢復(fù)雜性分析

交通態(tài)勢由動態(tài)交通實(shí)體構(gòu)成，對駕駛?cè)诵袨槠饹Q定性影響。交通態(tài)勢可分為3種情況，分別為目標(biāo)車位于中間車道、左車道、右車道，相應(yīng)的車輛編組關(guān)系也可劃分3種情況：目標(biāo)車位于中間車道、左車道、右車道。限于篇幅，本文以目標(biāo)車位于中間車道為例，且僅列出其中部分車輛編組關(guān)系見圖1與圖2。

可將上述車輛編組關(guān)系進(jìn)一步簡化，將左前車、左車、左后車、右前車、右車和右后車6類干擾區(qū)內(nèi)的車輛劃分為左側(cè)干擾車和右側(cè)干擾車2大類，當(dāng)目標(biāo)車左側(cè)或者右側(cè)有多于1輛的限制車時(shí)，若2車之間距離滿足目標(biāo)車插車所需要的最小可插車間隙時(shí)，假定只有空間距離（沿目標(biāo)車速度方向與目標(biāo)車之間的距離）最近的車輛對目標(biāo)車構(gòu)成限制；若2車之間距離不滿足目標(biāo)車插車所需要的最小可插車間隙時(shí)，將2車合并為－輛干擾車。據(jù)此可將復(fù)雜的車輛編組關(guān)系約簡為如圖3所示的結(jié)果（限于篇幅僅列出目標(biāo)車位于中間車道約簡示意圖）。

根據(jù)上述約簡方法，3車道情況下，約簡后的車輛編組關(guān)系為32種。由圖3可知，目標(biāo)車位于中間車道車輛編組關(guān)系8 種，分別用T1～T8表示。筆者將以目標(biāo)車位于中間車道為例，對簡化后的8種車輛編組關(guān)系分別進(jìn)行駕駛傾向性動態(tài)特征提取。運(yùn)用粗糙集理論，進(jìn)行基于最小信息熵的連續(xù)屬性離散化和基于啟發(fā)式貪心算法的屬性約簡，提取不同車輛編組狀態(tài)下駕駛傾向性類型特征向量（限于篇幅不再贅述），8種不同車輛編組關(guān)系的駕駛傾向性特征見表1。

圖1 目標(biāo)車周圍存在3輛干擾車示意圖Fig.1 Target vehicle surrounded by three interferences

圖2 目標(biāo)車周圍存在4輛干擾車示意圖Fig.2 Target vehicle surrounded by four interferences

圖3 目標(biāo)車位于中間車道時(shí)車輛編組關(guān)系簡化示意圖Fig.3 Simplification of vehicle groups when target vehicle locates in the middle lane

表1 不同編組關(guān)系的駕駛傾向性特征Tab.1 Driver’s propensity characteristics of different vehicle groups

2 汽車駕駛傾向性動態(tài)辨識模型

2.1 動態(tài)貝葉斯網(wǎng)絡(luò)

動態(tài)貝葉斯網(wǎng)絡(luò)也稱為時(shí)間貝葉斯網(wǎng)絡(luò)，是隨時(shí)間發(fā)展的靜態(tài)貝葉斯網(wǎng)絡(luò)。每個(gè)時(shí)間對應(yīng)1個(gè)結(jié)構(gòu)和參數(shù)相同的靜態(tài)貝葉斯網(wǎng)絡(luò)；相鄰兩時(shí)間片間由弧連接，反應(yīng)相鄰時(shí)間片變量之間的依賴關(guān)系［13］。

圖4為一簡單的含有3個(gè)時(shí)間片的動態(tài)貝葉斯網(wǎng)絡(luò)，A1，A2和A3為隱藏節(jié)點(diǎn)，B1，B2和B3為觀察節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)為1變量，每個(gè)變量可以有多個(gè)狀態(tài)，節(jié)點(diǎn)之間以條件概率進(jìn)行更新。動態(tài)貝葉斯網(wǎng)絡(luò)推理的基礎(chǔ)是貝葉斯公式

圖4 簡單動態(tài)貝葉斯網(wǎng)絡(luò)圖Fig.4 Simple dynamic Bayesian network

具有n個(gè)隱藏節(jié)點(diǎn)和m個(gè)觀測節(jié)點(diǎn)的靜態(tài)貝葉斯網(wǎng)絡(luò)，其推理的本質(zhì)是計(jì)算

式中：xi為Xi的1個(gè)取值狀態(tài)；Pare（xi）為表示狀態(tài)xi的父節(jié)點(diǎn)，Pare（Xi）為表示狀態(tài)Xi的父節(jié)點(diǎn)集合，Pare（Yj）為Yj的父節(jié)點(diǎn)集合；分母求和∑下的x1，x2，…，xn為隱藏節(jié)點(diǎn)的組合狀態(tài)，是對觀測變量組合狀態(tài)和隱藏變量組合狀態(tài)的聯(lián)合分布求和，實(shí)際是計(jì)算確定的觀測變量組合狀態(tài)的分布。

靜態(tài)貝葉斯網(wǎng)絡(luò)隨時(shí)間發(fā)展就可以得到T個(gè)時(shí)間片組成的動態(tài)貝葉斯網(wǎng)絡(luò)，每個(gè)時(shí)間片有n個(gè)隱藏節(jié)點(diǎn)和m個(gè)可觀測節(jié)點(diǎn)，則其網(wǎng)絡(luò)的推理可以表示為

式中：xij為Xij的1個(gè)取值狀態(tài)；i為第i個(gè)時(shí)間片；j為在第i個(gè)時(shí)間片內(nèi)的第j個(gè)隱藏節(jié)點(diǎn)；yij為觀測變量Yij的取值；Pare（Yij）為yij的父節(jié)點(diǎn)集合；Yij0為第i個(gè)時(shí)間片內(nèi)第j個(gè)觀測節(jié)點(diǎn)Yij的觀測狀態(tài)；P（Yij0＝y(tǒng)ij）是Yij的連續(xù)觀測值屬于狀態(tài)yij的隸屬度。

2.2 實(shí)驗(yàn)設(shè)計(jì)

2.2.1 實(shí)驗(yàn)設(shè)備

城市道路環(huán)境下，運(yùn)用動態(tài)人車環(huán)境信息采集系統(tǒng)（見圖5）采集實(shí)驗(yàn)數(shù)據(jù)并處理，提取駕駛傾向性動態(tài)特征數(shù)據(jù)。此外，所用軟件有SPSS17.0，會聲會影10.0等。

圖5 動態(tài)人車環(huán)境信息采集系統(tǒng)組成Fig.5 Dynamic driver－vehicle－environment information acquisition systems

2.2.2 實(shí)驗(yàn)條件及對象

實(shí)驗(yàn)選取天氣晴朗、路面干燥的實(shí)驗(yàn)條件，時(shí)間是正常工作日的上午08：30～10：30時(shí)，道路交通狀況繁忙，但未達(dá)到擁堵狀態(tài)，交通流量約為2 500輛／h。實(shí)驗(yàn)樣本容量為50 名，男性駕駛?cè)?1名，女性駕駛?cè)?名，年齡分布在27～58歲之間，平均年齡34.6周歲，駕齡分布在3～22年之間，平均駕齡8.16年。

2.2.3 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)獲取行駛過程中人車環(huán)境動態(tài)信息后，需要將各數(shù)據(jù)進(jìn)行狀態(tài)劃分，計(jì)算不同狀態(tài)的隸屬度，以用于駕駛傾向性動態(tài)辨識，狀態(tài)劃分和隸屬度計(jì)算模型見2.3節(jié)。

2.3 基于動態(tài)貝葉斯網(wǎng)絡(luò)的駕駛傾向性辨識

車輛編組關(guān)系辨識的依據(jù)是不同空間位置車輛編組關(guān)系以及周圍干擾車輛沿速度方向與目標(biāo)車的距離。通過大量實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)目標(biāo)車與相鄰車道上其它車輛沿目標(biāo)車速度方向上的間距d左或d右（d左為目標(biāo)車與左車道上行駛車輛沿目標(biāo)車速度方向的空間直線距離，d右為目標(biāo)車與右車道上行駛車輛沿目標(biāo)車速度方向的空間直線距離）小于（或等于）某一門限值時(shí)，也才會對目標(biāo)車造成影響。對不同駕駛?cè)舜罅繉?shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)表明［10－11］，d左區(qū)間為［－65 m，60 m］，d右區(qū)間為［－50m，55 m］，影響駕駛?cè)藢^(qū)間選擇的諸多因素，尚需進(jìn)一步研究。為了簡化計(jì)算模型，目標(biāo)車位于中間車道車輛編組關(guān)系辨識模型如圖6所示，基于動態(tài)貝葉斯網(wǎng)絡(luò)［14］辨識模型流程見圖7。

動態(tài)貝葉斯網(wǎng)絡(luò)總模型見圖8。

圖8中包含了不同車輛編組關(guān)系下的所有特征數(shù)據(jù)，在辨識過程中會根據(jù)不同的環(huán)境選擇與之對應(yīng)的特征數(shù)據(jù)進(jìn)行計(jì)算。動態(tài)貝葉斯網(wǎng)絡(luò)模型中變量狀態(tài)集合如下。

圖6 目標(biāo)車位于中間車道車輛編組關(guān)系辨識模型Fig.6 Vehicle group identification model

圖7 動態(tài)貝葉斯網(wǎng)絡(luò)辨識流程圖Fig.7 Recognition flow chart based on dynamic Bayesian networks

圖8 動態(tài)貝葉斯網(wǎng)絡(luò)模型Fig.8 Dynamic Bayesian network model

傾向性＝（保守型，普通保守型，普通型，普通激進(jìn)型，激進(jìn)型）；目標(biāo)車速度（小，中，大）；目標(biāo)車加速度（小，中，大）；橫向車間距＝（大，中，?。幌鄬λ俣龋剑ǖ?，中，高）；相對加速度＝（小，中，大）；減速頻率＝（高，中，低）；加速頻率＝（高，中，低）；操作反應(yīng)時(shí)間＝（慢，中，快）；保守?fù)Q道頻率＝（高，中，低）；冒險(xiǎn)換道頻率＝（低，中，高）；加速力度＝（小，中，大）；減速力度＝（小，中，大）。

變量狀態(tài)都是模糊集合，設(shè)樣本數(shù)據(jù)x含有N個(gè)特征數(shù)據(jù)，用pi表示樣本數(shù)據(jù)中該特征分量隸屬于特征i的可能性。隸屬度（概率）計(jì)算公式如下。

式中為已知樣本數(shù)據(jù)的均值；ai為特征數(shù)據(jù)的觀測值；aimin和aimax為觀測值中的最小和最大值。

1）前期參數(shù)設(shè)定。條件概率矩陣反映的是領(lǐng)域?qū)＜覍τ诰W(wǎng)絡(luò)中關(guān)聯(lián)節(jié)點(diǎn)之間因果關(guān)系的看法，是1種專家知識。根據(jù)專家經(jīng)驗(yàn)，T3車輛編組關(guān)系下，穩(wěn)定行駛時(shí)，駕駛傾向性特征數(shù)據(jù)有前后車間距、相對速度、減速頻率、加速頻率、操作反應(yīng)時(shí)間、保守?fù)Q道頻率和冒險(xiǎn)換道頻率，由此推理出駕駛?cè)藘A向性類型的規(guī)則采用概率方式；初期條件概率根據(jù)專家經(jīng)驗(yàn)獲取，數(shù)據(jù)庫數(shù)據(jù)達(dá)到一定容量之后，采用數(shù)據(jù)庫存儲數(shù)據(jù)進(jìn)行概率計(jì)算。

根據(jù)上述的推理規(guī)則，可得到駕駛?cè)俗陨硖匦詶l件概率矩陣，值得注意的是，條件概率矩陣是1種專家知識，難免存在一定的主觀性，可以采用樣本數(shù)據(jù)反復(fù)調(diào)試的方法，對矩陣數(shù)據(jù)進(jìn)行適度調(diào)整，以提高評估結(jié)果的可信性。

2）后期參數(shù)設(shè)定。前期數(shù)據(jù)庫積累數(shù)據(jù)達(dá)到一定容量以后，建立駕駛傾向性特征數(shù)據(jù)庫。數(shù)據(jù)按照駕駛?cè)诵睦頊y試結(jié)果劃分為五大類：保守型，普通保守型，普通型，普通激進(jìn)型和激進(jìn)型；每1類數(shù)據(jù)中是各個(gè)提取出來的相應(yīng)的特征數(shù)據(jù)和前期根據(jù)特征數(shù)據(jù)獲得的駕駛傾向性識別結(jié)果。在相同的心理測試結(jié)果下，對數(shù)據(jù)庫中的數(shù)據(jù)按照傾向性識別結(jié)果進(jìn)行統(tǒng)計(jì)分析，確定不同交通環(huán)境下的不同傾向性（識別）類型中各個(gè)特征數(shù)據(jù)在不同狀態(tài)下所占的比例，以此來確定動態(tài)貝葉斯網(wǎng)絡(luò)中的各個(gè)條件概率。

2.4 模型驗(yàn)證

辨識模型分為2部分，第1部分采用專家經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行駕駛傾向性辨識，第2部分采用統(tǒng)計(jì)分析數(shù)據(jù)進(jìn)行駕駛傾向性辨識。在沒有其它證據(jù)情況下，初始狀態(tài)以初期駕駛傾向性的標(biāo)定結(jié)果（通過生理心理測試等駕駛傾向性預(yù)判方法［15］得到）為依據(jù)，見表2。

表2 不同傾向性的初始概率Tab.2 Nitial probability of different driver’s propensities

對于不同初值的駕駛?cè)朔謩e以上述的幾種情況為合理起點(diǎn)，收集不同節(jié)點(diǎn)上的證據(jù)（假設(shè)證據(jù)之間相互獨(dú)立）。筆者對多位駕駛?cè)朔謩e進(jìn)行了實(shí)驗(yàn)采集到大量的特征數(shù)據(jù)和識別結(jié)果，選取5種典型駕駛傾向性（初期標(biāo)定）駕駛?cè)薚3態(tài)勢下的數(shù)據(jù)進(jìn)行詳述。

表3和表4為駕駛?cè)笋{駛傾向性的識別結(jié)果（包括前期專家概率和后期統(tǒng)計(jì)概率）。

同樣的方法驗(yàn)證不同車輛編組關(guān)系下汽車駕駛傾向性辨識準(zhǔn)確率，所得結(jié)果見圖9。

表3 駕駛傾向性識別結(jié)果（初期專家概率）Tab.3 Recognition and identification result of driver’s propensity（initial expert probability）

圖9 駕駛?cè)嗽诓煌瑧B(tài)勢下傾向性辨識準(zhǔn)確率Fig.9 Identification accuracies of driver’s propensity in different situations

表4 駕駛傾向性識別結(jié)果（后期統(tǒng)計(jì)概率）Tab.4 Recognition and identification results of driver’s propensity（statistical probability）

仿真驗(yàn)證結(jié)果如圖10所示，模擬1為仿真過程中未動態(tài)考量駕駛傾向性的情況，模擬2為考慮駕駛傾向性時(shí)變規(guī)律并實(shí)時(shí)用于仿真過程的情況。驗(yàn)證結(jié)果表明，考慮駕駛傾向性差異的微觀仿真模型能夠更精確的模擬駕駛?cè)诵袨椋m用度更高，筆者所建駕駛傾向性動態(tài)辨識模型是科學(xué)合理的。

圖10 速度、加速度以及車間距仿真驗(yàn)證結(jié)果Fig.10 Verification results of relative velocity，relative acceleration and relative displacement

3 結(jié)束語

駕駛傾向性反映了駕駛?cè)嗽谲囕v操作和運(yùn)動過程中表現(xiàn)出的心理情感狀態(tài)，隨環(huán)境嬗變而演化，又深刻影響著駕駛?cè)藢Νh(huán)境信息的認(rèn)知及處理過程，因此，其狀態(tài)的實(shí)時(shí)辨識是實(shí)現(xiàn)汽車輔助駕駛及安全主動預(yù)警的關(guān)鍵。本文在深入分析3車道環(huán)境下駕駛?cè)诵袨?、車輛狀態(tài)與交通環(huán)境等信息基礎(chǔ)上，通過非接觸測量獲取駕駛?cè)松硇睦硖卣鳌⒔煌ōh(huán)境和車輛運(yùn)動狀態(tài)等動態(tài)數(shù)據(jù)，利用動態(tài)貝葉斯網(wǎng)絡(luò)建立時(shí)變環(huán)境下駕駛傾向性動態(tài)辨識模型。實(shí)驗(yàn)驗(yàn)證表明，本文所建模型能夠適應(yīng)多車道情況下駕駛?cè)藘A向性類型的動態(tài)識別，為以人為中心的個(gè)性化汽車主動安全系統(tǒng)的實(shí)現(xiàn)提供理論基礎(chǔ)。但是由于實(shí)車實(shí)驗(yàn)難度較大，所以在本研究中所涉及的樣本量較小，有待于進(jìn)一步的充實(shí)完善。同時(shí)需要指出的是，后續(xù)研究可在實(shí)驗(yàn)方法和實(shí)驗(yàn)手段允許的情況下，全面采集駕駛?cè)诵旭傔^程中心電、肌電、腦電、血壓、脈搏、膚表溫度、眼動規(guī)律、掌心壓力和濕度等（在消除或者盡可能減弱生理采集設(shè)備給駕駛?cè)藥砬秩胄缘那疤嵯拢﹦討B(tài)數(shù)據(jù)，并與車輛運(yùn)動特征和環(huán)境特征相結(jié)合，從而進(jìn)一步詮釋汽車駕駛傾向性。

［1］馮雪芹，房春泉.駕駛員特性評價(jià)指標(biāo)聚類分析［J］.黑龍江交通科技，2007（11）：161－163.Feng Xueqin，F(xiàn)ang Chunquan.Cluster analysis of driver characteristics evaluating indicator［J］.Communications Science and Technology Heilongjiang，2007，28（11）：161－163.（in Chinese）.

［2］Taubman－Ben－Ari Orit.The effects of positive emotion priming on self－reported reckless driving［J］.Accident Analysis ＆Prevention，2011，45（2）：718－725.

［3］Chana Michelle，Singhal Anthony.The emotional side of cognitive distraction：Implications for road safety［J］.Accident Analysis and Prevention，2013，50（1）：147－154.

［4］Schmidt－Daffy Martin.Fear and anxiety while driving：Differential impact of task demands，speed and motivation［J］.Transportation Research Part F：Traffic Psychology and Behaviour，2013，16（9）：14－28.

［5］Horswill Mark S，Sullivan Karen，Lurie－Beck Janine K，et al.How realistic are older drivers’ratings of their driving ability？［J］.Accident Analysis and Prevention，2013，50（1）：130－137.

［6］吳超仲，雷 虎.汽車駕駛憤怒情緒研究現(xiàn)狀與展望［J］.中國安全科學(xué)學(xué)報(bào)，2010，20（7）：3－8.Wu Chaozhong，Lei Hu.Review on the study of motorists’driving anger［J］.China Safety Science Journal（CSSJ），2010，20（7）：3－8.（in Chinese）.

［7］嚴(yán)利鑫，吳超仲，高 嵩，等.駕駛?cè)藗€(gè)體因素對駕駛憤怒情緒影響關(guān)系研究［J］.交通信息與安全，2013，31（6）：119－124.Yan Lixin，Wu Chaozhong，Gao Song，et al.Relationship between driver’s temperament and driving anger［J］.Journal of Transport Information and Safety，2013，31（6）：119－124.（in Chinese）.

［8］Wang Xiaoyuan，Zhang Jinglei，Liu Jin，et al.Extraction of the Dynamic Vehicle Driver’s Tendency Feature Based on Car－following［C］∥Proceedings of the 12th COTA International Conference of Transportation Professionals（CICTP 2012），Beijing：CICTP，2012：2061－2071.

［9］Wang Xiaoyuan，Zhang Jinglei.Extraction and recognition methods of vehicle driving propensity feature based on driver－vehicle－environment dynamic data under car following［J］.International Journal of Computational Intelligence Systems，2011，4（6）：1269－1281.

［10］Wang Xiaoyuan，Zhang Jinglei，Ban Xuegang，et al.Dynamic feature extraction method of driver’s propensity under complicated vehicle group［J］.Advances in Mechanical Engineering：Electronic Edition，2013，2013（3）：1－10.

［11］Wang Xiaoyuan，Liu Jin，Zhang Jinglei.Dynamic recognition model of driver’s propensity under multilane traffic environments［J］.Discrete Dynamics in Nature and Society：Electronic Edition，2012，2012（1）：1－15.

［12］Wang Xiaoyuan，Zhang Jinglei，Ban Xuegang，et al.Study on transformation mechanism of driver’s propensity under two－lane conditions［J］.Applied Mechanics and Materials，Information Technology Applications in Industry II Part 3，2013，411／414（4）：1191－1198.

［13］周忠寶，馬超群，周經(jīng)倫，等.基于動態(tài)貝葉斯網(wǎng)絡(luò)的動態(tài)故障樹分析［J］.系統(tǒng)工程理論與實(shí)踐，2008，28（2）：35－42.Zhou Zhongbao，Ma Chaoqun，Zhou Jinglun，et al.Dynamic fault tree analysis based on dynamic Bayesian networks［J］.Systems Engineering－Theory ＆Practice，2008，28（2）：35－42.（in Chinese）.

［14］高 嵩，潘 泉，李智軍，等.基于動態(tài)貝葉斯網(wǎng)絡(luò)推理的運(yùn)動目標(biāo)狀態(tài)最優(yōu)估計(jì)［J］.探測與控制學(xué)報(bào)，2007，29（4）：74－76.Gao Song，Pan Quan，Li Zhijun，et al.Optimal state estimation of moving targets based on DBN［J］.Journal of Detection ＆Control，2007，29（4）：74－76.（in Chinese）.

［15］Zhang Jinglei，Wang Xiaoyuan，Ban Xuegang，et al.Prediction method of driver’s propensity adapted to driver’s dynamic feature extraction of affection［J］.Advances in Mechanical Engineering（Electronic Edition）.2013，2013（5）：1－7.