于翠翠 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

駕駛?cè)松恚睦硖匦詫?duì)交通安全的影響主要表現(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(dòng)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，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(duì)靜態(tài)和宏觀角度出發(fā)的駕駛?cè)诵睦硖匦詼y量和交通安全影響，而關(guān)系汽車主動(dòng)安全方面的，對(duì)駕駛?cè)饲楦袪顟B(tài)進(jìn)行微觀、動(dòng)態(tài)測度和計(jì)算的研究很少。Lana M.Tric等［2］研究了圖像對(duì)駕駛?cè)饲楦屑捌湫袨榈挠绊?，研究發(fā)現(xiàn)車內(nèi)顯示屏的不同圖像能夠刺激駕駛?cè)?，使其產(chǎn)生短暫情緒，從而影響其風(fēng)險(xiǎn)感知能力和操作轉(zhuǎn)向能力，研究結(jié)果表明具有正面影響的圖像使駕駛?cè)司哂懈玫能囕v操控能力。Scott－Parker Bridie等［3］為了研究駕駛?cè)说闹X傾向、敏感度、憤怒等與冒險(xiǎn)駕駛之間的關(guān)系，針對(duì)390名17～25歲的駕駛?cè)嗽?個(gè)月內(nèi)完成了2項(xiàng)在線調(diào)查。研究者建立的結(jié)構(gòu)方程模型可以通過知覺傾向、敏感度、憤怒等指標(biāo)預(yù)測冒險(xiǎn)駕駛行為。研究表明，對(duì)男性駕駛?cè)藖碚f，可僅利用其敏感度來預(yù)測冒險(xiǎn)駕駛行為。但該研究未考慮冒險(xiǎn)駕駛對(duì)駕駛?cè)松硇睦淼姆醋饔?。Schmidt－Daffy Martin［4］從駕駛?cè)饲榫w角度出發(fā)，通過增加任務(wù)、降低道路能見度等措施檢測駕駛?cè)讼嚓P(guān)特征指標(biāo)及駕駛速度，指出恐懼與焦慮能夠使駕駛?cè)嗽隈{駛過程中保持謹(jǐn)慎。Ernst Roidl［5］通過調(diào)節(jié)目標(biāo)一致性、目標(biāo)相關(guān)性以及事故責(zé)任因素等，設(shè)置了不同的交通場景。參與者通過在線調(diào)查來感受已設(shè)定的不同交通場景并評(píng)估自己的情緒，從而研究交通場景、人格特征、情感體驗(yàn)之間的關(guān)系。研究表明憤怒、焦慮以及希望、滿意度等積極心理情感與交通場景的設(shè)定是緊密聯(lián)系的。吳超仲等［6］研究了駕駛?cè)藨嵟榫w下的駕駛行為特征，識(shí)別了憤怒駕駛狀態(tài)，研究了憤怒情緒對(duì)駕駛?cè)松硇睦淼挠绊懀接懥藨嵟{駛對(duì)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(duì)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?jí)逐漸降低。王曉原等［8］對(duì)自由流狀態(tài)下的汽車駕駛傾向性進(jìn)行了研究，通過設(shè)計(jì)心理問卷測試、觀察實(shí)驗(yàn)以及實(shí)車實(shí)驗(yàn)獲取相關(guān)數(shù)據(jù)，采用基于BP 神經(jīng)網(wǎng)絡(luò)的特征提取方法提取駕駛傾向性的特征數(shù)據(jù)，并建立基于支持向量機(jī)的駕駛傾向性辨識(shí)模型，利用實(shí)驗(yàn)數(shù)據(jù)對(duì)采用的方法和模型進(jìn)行了驗(yàn)證。此外，王曉原等［9］對(duì)車輛跟馳狀態(tài)下的駕駛?cè)藘A向性特征也進(jìn)行了研究，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(dòng)態(tài)信息（車輛運(yùn)動(dòng)狀態(tài)、駕駛?cè)瞬僮餍袨?、駕駛環(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(duì)駕駛傾向性的特征數(shù)據(jù)進(jìn)行提取。為了進(jìn)一步探索不同交通場景下的汽車駕駛傾向性特征，王曉原等［10］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。然而，多車道復(fù)雜環(huán)境下汽車駕駛傾向性表征向量往往是變化不一的，“環(huán)境復(fù)雜度”不同，對(duì)應(yīng)的“區(qū)劃方法”不同，駕駛傾向性的特征向量也不一樣。所以，駕駛傾向性特征數(shù)據(jù)以及辨識(shí)模型也應(yīng)隨著環(huán)境的變換而做相應(yīng)的改變。筆者以3車道為例，擬通過生理節(jié)律推算，性格測試實(shí)驗(yàn)，駕駛心理、駕駛情緒的動(dòng)態(tài)測定實(shí)驗(yàn)和實(shí)車實(shí)驗(yàn)，獲取多車道不同車輛編組關(guān)系下各傾向性類型（如激進(jìn)型、普通型和保守型等）駕駛?cè)说娜恕④?、環(huán)境等微觀動(dòng)態(tài)信息，運(yùn)用粗糙集理論，提取不同交通態(tài)勢下駕駛傾向性類型特征向量。

1 交通態(tài)勢復(fù)雜性分析

交通態(tài)勢由動(dòng)態(tài)變化的交通實(shí)體構(gòu)成，對(duì)駕駛行為的選擇起重要作用。交通態(tài)勢的復(fù)雜性通過不同的車輛編組構(gòu)成加以體現(xiàn)。車輛編組關(guān)系是目標(biāo)車在行駛過程中與周圍車輛所形成的某種動(dòng)態(tài)排列空間布局，一定程度上影響目標(biāo)車駕駛行為狀態(tài)，并引導(dǎo)駕駛?cè)藘A向性的演化。同時(shí)，不同車輛編組形式對(duì)目標(biāo)車駕駛?cè)说挠绊懗潭炔煌＝煌☉B(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。

圖1 目標(biāo)車周圍無車與存在1輛干擾車情況Fig.1 One or no interference around the target vehicle

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)干擾車兩大類，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(duì)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1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（限于篇幅，僅列出目標(biāo)車位于中間車道時(shí)車輛編組關(guān)系約簡示意圖）所示的結(jié)果。

根據(jù)上述方法進(jìn)行約簡可知，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至T8表示。限于篇幅，筆者以目標(biāo)車位于中間車道為例，對(duì)簡化后的8種車輛編組關(guān)系分別進(jìn)行駕駛傾向性動(dòng)態(tài)特征提取。

圖2 目標(biāo)車周圍存在6輛與7輛干擾車的情況Fig.2 Six or seven interferences around the target vehicle

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

2 多車道復(fù)雜環(huán)境下駕駛傾向性特征提取

動(dòng)態(tài)時(shí)變的汽車駕駛傾向性可以通過車輛自身的速度、加速度、車間距，駕駛?cè)俗陨硇睦怼⑸?、加油頻率、制動(dòng)頻率、加油力度、制動(dòng)力度等特征以及車輛間的可插車間隙、橫向間隔距離等指標(biāo)反映出來。

2.1 粗糙集理論

粗糙集（rough，RS）理論［1－13］是1982年由波蘭學(xué)家Z.Pawlak提出的，是1種研究不完整、不確定知識(shí)和數(shù)據(jù)的表達(dá)學(xué)習(xí)、歸納的理論方法。粗糙集基本理論如下。

一般地，信息系統(tǒng)S可表示為有序四元組

式中：U＝｛x1，x2，…，xn｝為有限個(gè)處理樣本的集合，即全體樣本集；A為有限個(gè)屬性的集合，屬性集A可進(jìn)一步分為2個(gè)互相獨(dú)立的子集，即A＝C∪D，C∩D＝；C為條件屬性集，反映對(duì)象的特征；D為決策屬性集，反映對(duì)象的類別；V＝∪P∈AVP是屬性值的集合，VP表示屬性P∈A的屬性值范圍，即屬性p的值域；f＝U×A→V稱為信息函數(shù)，用于確定U中每1個(gè)對(duì)象x的屬性值，即任一q∈A和xi∈U，f（xi，q）∈Vq。

對(duì)于任一屬性子集BA，若有

則R（B）稱為不可分辨關(guān)系，屬性子集B將全部樣本集U劃分成若干等價(jià)類，各等價(jià)類內(nèi)的樣本集是不可分辨的。

對(duì)于任意樣本子集X∈U，如果滿足

B－（X）稱為X的B下近似（B（x）為對(duì)任意x∈X，滿足不可分辨關(guān)系R（B）的等價(jià)類），如果滿足

B－（X）稱為X的B上近似。B－（X）與B－（X）相減得BNB

稱為X的B邊界區(qū)域。在此基礎(chǔ)上定義X的B正域和B負(fù)域，分別用posB（X）和negB（X）表示

posB（X）為依屬性子集B，U中所有一定能歸入集合X的元素構(gòu)成的集合；negB（X）為依屬性子集B，U中所有不能確定一定歸入集合X的元素構(gòu)成的集合。

特征選擇與提取實(shí)質(zhì)上就是1個(gè)屬性約簡問題。對(duì)等價(jià)關(guān)系族R，存在r∈R，若

則稱r為R中可省略的，否則稱r為R中不可省略的，ind（R）表示集合中元素關(guān)于R不可分辨關(guān)系。對(duì)于屬性子集PR，若存在Q＝P－r，QP，使得ind（Q）＝ind（P），且Q為最小子集，則稱Q為P的1個(gè)約簡，記為red（P）。簡化集red（P）的交集稱為P的核，記為core（P）＝∩red（P）。令P和S為U的2個(gè)等價(jià)類，U關(guān)于S的商集U｜S＝｛X1，X2，…，Xn｝，S的P正域?yàn)?/p>

若存在r∈R有posP（S）＝posP－｛r｝（S），則稱r為P中可省略的，P－｛r｝為S的相對(duì)約簡。

在對(duì)決策表進(jìn)行約簡前，需要對(duì)其進(jìn)行離散化處理，傳統(tǒng)的離散化處理方法容易丟失信息，且離散化結(jié)果的質(zhì)量亦沒有保障，采用有監(jiān)督的離散化方法如最小信息熵法［14］可以在一定程度上解決這些問題。采用啟發(fā)式貪心算法進(jìn)行屬性約簡，其構(gòu)造為：

構(gòu)造1個(gè)信息表S′＝［U′，A′，V′，f′］，U′＝｛（xi，xj）∈U＊U｜d（xi）≠d（xj）｝。

如果屬性a中的a（xi）≠a（xj），那么a（xi，xj）＝1，否則a（xi，xj）＝0。

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(dòng)態(tài)人車環(huán)境信息采集系統(tǒng)，（如圖4所示，有SG299－GPS非接觸多功能測試儀，BTM300－905－200激光測距傳感器，高清攝像頭，Minivcap監(jiān)控系統(tǒng)，高清攝像機(jī)，筆記本電腦等）。采集實(shí)驗(yàn)數(shù)據(jù)并處理，提取駕駛傾向性動(dòng)態(tài)特征數(shù)據(jù)。此外，所用軟件有SPSS17.0，會(huì)聲會(huì)影10.0等。

圖4 動(dòng)態(tài)人車環(huán)境信息采集系統(tǒng)組成Fig.4 Dynamic driver－vehicle－environment information acquisition systems

2.2.2 實(shí)驗(yàn)內(nèi)容

設(shè)計(jì)實(shí)驗(yàn)獲得駕駛?cè)诵愿?、生理?jié)律等標(biāo)準(zhǔn)數(shù)據(jù)（通過心理問卷測試、生理節(jié)律推算等方法［15］獲?。ㄟ^加權(quán)計(jì)算對(duì)駕駛?cè)藘A向性進(jìn)行動(dòng)態(tài)預(yù)判，確定實(shí)驗(yàn)過程中駕駛?cè)藘A向性類型。考慮到血壓、心率等指標(biāo)測量的侵入性較強(qiáng)，影響駕駛?cè)瞬僮餍袨?，本次選取可通過非接觸測量獲得的駕駛?cè)朔磻?yīng)時(shí)間，包括視覺反應(yīng)時(shí)間、選擇反應(yīng)時(shí)間、辨別反應(yīng)時(shí)間和操作反應(yīng)時(shí)間。行駛實(shí)驗(yàn)涉及城市3車道環(huán)境下八種車輛編組關(guān)系，運(yùn)用動(dòng)態(tài)人車環(huán)境信息采集系統(tǒng)采集實(shí)驗(yàn)數(shù)據(jù)。

2.2.3 實(shí)驗(yàn)條件及對(duì)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)。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。

2.2.4 實(shí)驗(yàn)地點(diǎn)及道路狀況

選取山東理工大學(xué)東門—南京路—聯(lián)通路—世紀(jì)路—張周路—南京路—山東理工大學(xué)東門為實(shí)驗(yàn)路線，見圖5。交通狀態(tài)為非自由流，天氣及道路狀況良好。實(shí)驗(yàn)過程中，50名駕駛?cè)搜貙?shí)驗(yàn)路線循環(huán)行駛，每名駕駛?cè)丝杀徊杉蕉嘟M數(shù)據(jù)。

2.2.5 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采集數(shù)據(jù)分為生理特征和車輛運(yùn)動(dòng)特征。部分生理特征數(shù)據(jù)見表1。

實(shí)驗(yàn)可獲得的車輛運(yùn)動(dòng)特征見表2。

圖5 實(shí)驗(yàn)路線圖Fig.5 Experiment route

表1 部分反應(yīng)時(shí)間測結(jié)果Tab.1 Part of reaction time test results s

表2 實(shí)驗(yàn)可獲取車輛運(yùn)動(dòng)特征Tab.2 Vehicle motion features

通過采集駕駛?cè)藫Q道過程中的可插車間隙，獲取每位駕駛?cè)说钠谕遘囬g隙（本次實(shí)驗(yàn)取每位駕駛?cè)瞬遘囬g隙的平均值）；然后根據(jù)實(shí)驗(yàn)過程采集到的駕駛?cè)藢?shí)際插車間隙和期望插車間隙作比較：當(dāng)實(shí)際插車間隙小于期望插車間隙時(shí)，定義為冒險(xiǎn)換道；當(dāng)實(shí)際插車間隙大于期望插車間隙時(shí)，定義為保守?fù)Q道；當(dāng)實(shí)際插車間隙等于期望插車間隙時(shí)，屬于正常換道，不記錄在內(nèi)（或者冒險(xiǎn)換道和保守?fù)Q道各增加1次）。部分車輛運(yùn)動(dòng)特征數(shù)據(jù)見表3。

2.3 特征選擇

2.3.1 生理特征選擇

實(shí)驗(yàn)中每位駕駛?cè)斯灿?類反應(yīng)時(shí)間數(shù)據(jù)，從每種駕駛傾向性類型的實(shí)驗(yàn)數(shù)據(jù)中選取典型的30組數(shù)據(jù)，共150 組實(shí)驗(yàn)數(shù)據(jù)，運(yùn)用最小信息熵的方法進(jìn)行離散化處理，以及貪心算法對(duì)離散化后的決策表進(jìn)行屬性約簡。經(jīng)過反復(fù)計(jì)算，最終優(yōu)選結(jié)果為t4，即駕駛?cè)说牟僮鞣磻?yīng)時(shí)間。

2.3.2 多車道環(huán)境下車輛運(yùn)動(dòng)特征提取

以T3車輛編組關(guān)系為例，對(duì)多車道環(huán)境下車輛運(yùn)動(dòng)特征進(jìn)行提取。最終CUT（集合CUT是C，U，T3個(gè)集合的交集）中包含的條件屬性有e1，e7，e12，e13，e14，e15，e16和e17，即前后車間距、相對(duì)速度、冒險(xiǎn)換道頻率、保守?fù)Q道頻率、加油頻率、制動(dòng)頻率、加速力度和減速力度。

同樣的方法對(duì)其他幾種車輛編組關(guān)系下的駕駛傾向性特征數(shù)據(jù)進(jìn)行提取，最終獲得8種車輛編組關(guān)系下的駕駛傾向性特征數(shù)據(jù)見表4。

表3 部分車輛運(yùn)動(dòng)特征數(shù)據(jù)Tab.3 Part of vehicles motion feature data

表3 （續(xù)）部分車輛運(yùn)動(dòng)特征數(shù)據(jù)Tab.3 （Continued）Part of vehicles motion feature data

表4 不同編組關(guān)系特征提取結(jié)果匯總Tab.4 Results of feature extraction for different vehicle group relations

2.4 驗(yàn)證

運(yùn)用3車道不同車輛編組關(guān)系下提取的特征向量進(jìn)行駕駛傾向性動(dòng)態(tài)辨識(shí)和仿真驗(yàn)證。利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)建立時(shí)變環(huán)境下駕駛傾向性動(dòng)態(tài)辨識(shí)模型，并將辨識(shí)結(jié)果與預(yù)判結(jié)果進(jìn)行比較（限于篇幅不再贅述），辨識(shí)準(zhǔn)確率見圖6。

仿真驗(yàn)證結(jié)果如圖7所示，模擬1為仿真過程中未動(dòng)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，筆者提取的多車道復(fù)雜車輛編組關(guān)系下汽車駕駛傾向性動(dòng)態(tài)特征向量適用于準(zhǔn)確辨識(shí)駕駛?cè)藘A向性。

圖6 駕駛?cè)嗽诓煌瑧B(tài)勢下辨識(shí)準(zhǔn)確率Fig.6 Driver recognition accuracy rate under different vehicle groups

圖7 速度、加速度以及車間距仿真驗(yàn)證結(jié)果Fig.7 Verification results of relative velocity，relative acceleration and relative displacement

3 結(jié)束語

筆者在深入分析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?、交通環(huán)境和車輛運(yùn)動(dòng)狀態(tài)等動(dòng)態(tài)數(shù)據(jù)，運(yùn)用粗糙集理論，并進(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，進(jìn)行特征優(yōu)化選擇，提取不同編組關(guān)系下駕駛傾向性特征向量。實(shí)驗(yàn)驗(yàn)證表明，本文提取的3車道條件不同車輛編組關(guān)系下的駕駛傾向性動(dòng)態(tài)特征，能夠準(zhǔn)確反映汽車駕駛員傾向性，為進(jìn)一步研究構(gòu)建適應(yīng)多車道環(huán)境的汽車駕駛傾向性動(dòng)態(tài)辨識(shí)模型奠定基礎(chǔ)。然而，由于實(shí)車實(shí)驗(yàn)在組織、實(shí)施時(shí)所受限制較多，本研究中選取的實(shí)驗(yàn)樣本存在性別比例分布不均的問題，有待于進(jìn)一步改善。同時(shí)，值得注意的是，環(huán)境的復(fù)雜性對(duì)駕駛?cè)说挠绊戇h(yuǎn)不止于車輛集群關(guān)系一點(diǎn)。其它因素，如道路通行能力及服務(wù)水平、車型比例等，都會(huì)對(duì)駕駛?cè)饲楦?、意圖和行為產(chǎn)生深刻影響，這些也是今后需要進(jìn)一步深入研究的地方。

［1］馮雪芹，房春泉.駕駛員特性評(píng)價(jià)指標(biāo)聚類分析［J］.黑龍江交通科技，2007，28（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］Trick L M，Brandigampola S，Enns J T.How fleeting emotions affect hazard perception and steering while driving：The impact of image arousal and valence［J］.Accident Analysis ＆Prevention，2012，45（3）：222－229.

［3］Bridie Scott－Parker，Barry Watson，King Mark J，et al.A further exploration of sensation seeking propensity，reward sensitivity，depression，anxiety，and the risky behavior of young novice drivers in a structural equation model［J］.Accident analysis and prevention，2012，50（5）：465－471.

［4］Martin Schmidt－Daffy.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］Roidl E，F(xiàn)rehse B，Oehi M，et al.The emotional spectrum in traffic situations：Results of two onlinestudies［J］.Transportation Research Part F：Traffic Psychology and Behaviour，2013，18（5）：168－188.

［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(duì)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］Zhang Jinglei，Wang Xiaoyuan.The feature extraction and dynamic deduction method of vehicle driving propensity under time variable free flow condition［J］.Journal of Beijing Institute of Technology，2011，20（S1）：127－133.

［9］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.

［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（3）：1－10.

［11］張文修.粗糙集理論與方法［M］.北京：科學(xué)出版社，2001.Zhang Wenxiu.The rough set theory and method［M］.Beijing：Science Press，2001.（in Chinese）.

［12］李 楠，曲長文，蘇 峰，等.基于粗糙集的雷達(dá)輻射源信號(hào)識(shí)別［J］.航天電子對(duì)抗，2010，26（4）：8－10.Li Nan，Qu Changwen，Su Feng，et al.Radar emitter signal recognition based on rough set［J］.Aerospace Electronic Warfare，2010，26（4）：8－10.（in Chinese）.

［13］張秋野，黎 明.粗糙集理論及其在電力行業(yè)應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2009.Zhang Qiuye，Li Ming.Rough set theory and its application in power industry［M］.Beijing：China Machine Press，2009.（in Chinese）.

［14］闕 夏，胡學(xué)剛，張玉紅.基于區(qū)間類信息熵的連續(xù)屬性離散化方法［J］.計(jì)算機(jī)技術(shù)與應(yīng)用發(fā)展，2006，13（7）：236－239.Que Xia，Hu Xuegang，Zhang Yuhong.A method of discretization of continuous attributes based on interval class－entropy［J］.Progress of Computer Technology and Application，2006，13（7）：236－239.（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（5）：1－7.