劉志強(qiáng)，王 濤

(江蘇大學(xué) 汽車與交通工程學(xué)院， 江蘇 鎮(zhèn)江 212013)

近年來，我國汽車工業(yè)快速發(fā)展，如何有效減少道路交通事故，提高道路交通安全成為一大難題。在人-車-路系統(tǒng)中，駕駛?cè)耸堑缆方煌ㄏ到y(tǒng)的主體，駕駛?cè)说男袨橐苍诤艽蟪潭壬嫌绊懥说缆方煌ò踩?。因此，國?nèi)外眾多學(xué)者都將研究的重點(diǎn)放在了駕駛?cè)说男袨檠芯可希骄狂{駛行為與事故風(fēng)險(xiǎn)之間的關(guān)系，預(yù)測行駛中車輛的駕駛風(fēng)險(xiǎn)，有助于對個(gè)人駕駛行為的安全性進(jìn)行評估，對相對安全和不安全的駕駛?cè)诉M(jìn)行區(qū)分[1-2]。目前，由于駕駛行為數(shù)據(jù)采集方法的多樣性和道路交通智能化的發(fā)展，基于大數(shù)據(jù)和便攜設(shè)備的實(shí)時(shí)駕駛行為安全性評估將成為一種趨勢，能在一定程度上提高駕駛?cè)税踩庾R和車輛行駛安全性。

咸化彩[3]將駕駛?cè)艘曈X行為和車輛運(yùn)行狀態(tài)參數(shù)相結(jié)合，通過方差分析和相關(guān)性分析確定評價(jià)指標(biāo)，通過模糊網(wǎng)絡(luò)分析法對次任務(wù)駕駛安全性進(jìn)行了評價(jià)。吳紫恒等[4]先利用FCM方法對駕駛行為數(shù)據(jù)進(jìn)行初始聚類，接著用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，然后用得到的分類器對駕駛行為進(jìn)行實(shí)時(shí)分類，完成了駕駛行為的客觀評價(jià)。

Shi等[5]先從車輛軌跡數(shù)據(jù)中提取大量駕駛行為特征，然后利用XGBoost方法構(gòu)建行為特征和相應(yīng)風(fēng)險(xiǎn)等級之間的關(guān)系，根據(jù)特征重要性排序篩選出關(guān)鍵行為特征，最后用關(guān)鍵特征預(yù)測行駛中車輛的風(fēng)險(xiǎn)等級，準(zhǔn)確度達(dá)到89%。Brombacher等[6]用徑向基網(wǎng)絡(luò)對駕駛行為進(jìn)行建模，結(jié)合支持向量機(jī)SVM方法實(shí)現(xiàn)了對正常駕駛行為和分心駕駛行為的分類。根據(jù)目前國內(nèi)外學(xué)者對于駕駛行為的相關(guān)研究，實(shí)驗(yàn)設(shè)計(jì)方案不夠完善，對駕駛行為安全性表征指標(biāo)的分析和建模的研究也有所欠缺，所建立的駕駛行為安全性評價(jià)指標(biāo)體系不夠完整，安全性評估也不夠準(zhǔn)確[7-8]。

因此本文從駕駛?cè)艘曈X感知行為、駕駛?cè)瞬倏v行為和車輛運(yùn)行狀態(tài)3個(gè)方面對可能影響駕駛安全性的因素進(jìn)行分析，初步建立駕駛行為安全性評估指標(biāo)體系，然后利用Pearson相關(guān)性分析確定了9個(gè)用于進(jìn)行安全性評估的關(guān)鍵指標(biāo)，接著通過層次分析法和熵值法結(jié)合對各個(gè)評估指標(biāo)賦權(quán)，最后利用馬氏距離和聯(lián)系向量距離的獨(dú)特優(yōu)勢改進(jìn)傳統(tǒng)的TOPSIS多屬性決策方法，在評估準(zhǔn)確性上有了較大提高，為駕駛行為安全性評估提供了新的思路。駕駛行為安全性評估流程如圖1所示。

圖1 駕駛行為安全性評估流程框圖

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

由于駕駛模擬器的體驗(yàn)感較差，與真實(shí)道路交通條件相比，不能準(zhǔn)確掌握駕駛?cè)说男熊嚑顟B(tài)，本文通過實(shí)車試驗(yàn)的方式采集安全性評估所需的各類數(shù)據(jù)。試驗(yàn)車輛集成了CAN總線車輛運(yùn)行狀態(tài)數(shù)據(jù)采集系統(tǒng)和駕駛?cè)搜蹌?dòng)信息采集系統(tǒng)，對相同道路交通環(huán)境下，不同駕駛?cè)诵袨榈陌踩赃M(jìn)行分析。所選擇的試驗(yàn)路段為鎮(zhèn)江市某快速公路，全程28 km，行車時(shí)間約40 min。試驗(yàn)車輛裝備有毫米波雷達(dá)、攝像頭、行車記錄儀、Smart-eyes眼動(dòng)儀、方向盤轉(zhuǎn)角傳感器、輪速傳感器、GPS等(見圖2)。其中工控機(jī)負(fù)責(zé)記錄各類數(shù)據(jù)，并將各信號集中轉(zhuǎn)換，實(shí)現(xiàn)數(shù)據(jù)的同步輸出。本試驗(yàn)共招募10名駕駛員作為實(shí)驗(yàn)對象，其中男6人，女4人，均持有C1駕駛證，年齡在26～40歲，駕齡在5～10 a，參與實(shí)驗(yàn)的駕駛員均視力良好，無酒精等影響。

圖2 試驗(yàn)車與數(shù)據(jù)采集設(shè)備

2 駕駛行為安全性評估指標(biāo)體系

2.1 變換車道視覺感知行為安全性指標(biāo)

在正常駕駛過程中，駕駛?cè)怂@取的道路交通信息絕大部分來自于視覺[9]。在道路交通條件相同的情況下，不同駕駛?cè)嗽诟嚲嚯x、注視區(qū)域等方面都有很大差異，最終影響車輛行駛穩(wěn)定性和安全性。本文利用K-means方法對通過眼動(dòng)儀采集的10名駕駛?cè)俗⒁朁c(diǎn)數(shù)據(jù)進(jìn)行聚類，將駕駛?cè)藫Q道過程的注視區(qū)域劃分為5塊，結(jié)果如圖3所示(車道正前方、車道左前方、車道右前方、左后視鏡和右后視鏡)。

圖3中，X為水平方向注視點(diǎn)位置，Y為豎直方向注視點(diǎn)位置。

圖3 駕駛?cè)俗⒁晠^(qū)域劃分結(jié)果

通過對駕駛?cè)俗⒁朁c(diǎn)位置的聚類分析，左側(cè)換道過程與右側(cè)換道過程的視點(diǎn)分布均呈現(xiàn)出一定的規(guī)律。因此，為研究不同駕駛?cè)藫Q道過程的視覺變化特征，本文對10名駕駛?cè)嗽谝笠?guī)范性變換車道情況下，注視不同位置的平均次數(shù)進(jìn)行統(tǒng)計(jì)分析，結(jié)果如表1、2所示。

表1 左側(cè)變換車道駕駛?cè)藢Σ煌恢玫钠骄⒁暣螖?shù)

將直行與換道過程中駕駛?cè)俗⒁暡煌恢玫钠骄螖?shù)進(jìn)行對比，發(fā)現(xiàn)存在明顯的差異。因此，本文選擇左側(cè)換道駕駛?cè)俗⒁曌蠛笠曠R和車道左前方的平均次數(shù)，右側(cè)換道注視右后視鏡和車道右前方的平均次數(shù)，作為分析駕駛?cè)俗儞Q車道視覺感知行為安全性的指標(biāo)。

經(jīng)過分析，本文提出利用每一位駕駛?cè)藫Q道過程觀測不同位置的次數(shù)與樣本中規(guī)范性要求下變換車道注視行為水平均值進(jìn)行對比，得到駕駛?cè)俗儞Q車道視覺感知行為安全性指標(biāo)(LCTR)。

LCTR=F/A

(1)

式中：F為各駕駛?cè)藫Q道過程觀測不同區(qū)域的總次數(shù)；A為規(guī)范性要求下變換車道注視行為水平均值(左側(cè)換道注視左后視鏡和車道左前方的平均次數(shù)，右側(cè)換道注視右后視鏡和車道右前方的平均次數(shù))。

若LCTR=1，說明該駕駛?cè)藫Q道視覺行為特性與規(guī)范性要求一致，而LCTR>1或LCTR<1都說明該駕駛?cè)藫Q道視覺感知行為安全性降低。

2.2 前方障礙物感知安全性指標(biāo)

2.2.1駕駛?cè)饲耙曨A(yù)瞄距離

如圖4所示，可利用駕駛?cè)艘暰€點(diǎn)在世界坐標(biāo)系下的投影，通過三角函數(shù)關(guān)系計(jì)算得到預(yù)瞄點(diǎn)與駕駛?cè)酥g的距離[10]。

圖4 世界坐標(biāo)系下駕駛?cè)饲耙曨A(yù)瞄距離示意圖

圖4中，E為駕駛?cè)说囊暰€源，G為駕駛?cè)说那耙曨A(yù)瞄點(diǎn)，EG為駕駛?cè)说囊暰€方向，df為駕駛?cè)饲耙曨A(yù)瞄距離。

(2)

式中：GazeOrigin.y為視點(diǎn)位置的y方向坐標(biāo)；h為地面與世界坐標(biāo)系水平面的垂直距離；GazeDirection.y為世界坐標(biāo)系下視線在y方向的單位分量；GazeDirection.z為世界坐標(biāo)系下視線在z方向的單位分量。

2.2.2安全制動(dòng)距離

目前的安全制動(dòng)距離模型[11]有很多，本文采用的安全制動(dòng)距離公式是：

(3)

式中：S為安全制動(dòng)距離；v為自車車速;vrel為相對速度；t1為駕駛?cè)说姆磻?yīng)時(shí)間(取0.1 s)；t2為制動(dòng)器延遲時(shí)間(取0.6 s)；a1為自車最大減速度(取6 m/s2)；a2為前方障礙物最大減速度(取8 m/s2)；d0為最小停車距離(取3 m)。

本文通過安全制動(dòng)距離與駕駛?cè)饲耙曨A(yù)瞄距離的比值(OSIA)表征駕駛?cè)嗽谥毙羞^程中對前方障礙物視覺感知行為的安全性：

(4)

式中：S為安全制動(dòng)距離；df為駕駛?cè)饲耙曨A(yù)瞄距離。

若OSIA<1，說明前視預(yù)瞄距離大于安全制動(dòng)距離，進(jìn)行緊急制動(dòng)所需距離足夠，安全性較高；若OSIA>1，則說明前視預(yù)瞄距離小于安全制動(dòng)距離，進(jìn)行緊急制動(dòng)已沒有足夠距離，安全性較低。

2.3 駕駛?cè)瞬倏v行為安全性指標(biāo)

2.3.1縱向操縱行為安全性

縱向操縱行為安全性指標(biāo)主要表現(xiàn)為制動(dòng)幅值變化率(BACV),在采樣時(shí)間周期T內(nèi)的制動(dòng)幅值變化率可以反映出一段時(shí)間周期內(nèi)制動(dòng)行為的急緩程度。計(jì)算式如下：

(5)

式中：b(n)為制動(dòng)幅值采樣樣本；T為采樣時(shí)間周期。

2.3.2橫向操縱行為安全性

橫向操縱行為安全性指標(biāo)主要表現(xiàn)為方向盤轉(zhuǎn)角熵值(SE)，方向盤轉(zhuǎn)角熵值越大，說明駕駛?cè)说臋M向操縱行為越不穩(wěn)定，進(jìn)一步影響行車安全性[12]。SE是根據(jù)方向盤轉(zhuǎn)角的預(yù)測偏差出現(xiàn)的概率來計(jì)算的，θ(n)是t(n)時(shí)刻方向盤轉(zhuǎn)角的實(shí)際值，θp(n)是根據(jù)泰勒公式展開計(jì)算得到的預(yù)測值。

具體計(jì)算式如下：

θp(n)=θ(n-1)+(θ(n-1)-θ(n-2))+

(6)

則方向盤轉(zhuǎn)角的預(yù)測偏差為：

e(n)=θ(n)-θp(n)

(7)

為方便進(jìn)行計(jì)算和分析，將方向盤轉(zhuǎn)角預(yù)測誤差值劃分為9個(gè)區(qū)域(P1～P9)。其中有90%的預(yù)測誤差值落在[-α，+α]，根據(jù)誤差值落在各個(gè)區(qū)間的頻數(shù)確定各區(qū)間的概率分布值Pi，方向盤轉(zhuǎn)角熵值計(jì)算式如下：

(8)

SE反映出駕駛?cè)嗽谌我鈺r(shí)刻轉(zhuǎn)動(dòng)方向盤角度預(yù)測誤差值分布情況的不確定性，熵值越小說明駕駛?cè)藱M向操縱行為安全性越高，熵值越大則說明安全性越低。

2.4 車輛運(yùn)行狀態(tài)安全性指標(biāo)

2.4.1縱向運(yùn)行狀態(tài)安全性

1) 縱向速度標(biāo)準(zhǔn)差

(9)

2) 縱向加速度標(biāo)準(zhǔn)差

(10)

3) 縱向加速度變化率

急加速行為也是一種影響駕駛安全的因素，而采樣時(shí)間段內(nèi)縱向加速度的變化率可以反映出一段時(shí)間內(nèi)加速的急緩程度。計(jì)算式如下：

(11)

式中：a(i)為縱向加速度采樣樣本；采樣時(shí)間段長度為T。

2.4.2橫向運(yùn)行狀態(tài)安全性

1) 方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差

車輛的橫向運(yùn)動(dòng)是由于駕駛?cè)藢Ψ较虮P的操作產(chǎn)生的。目前，駕駛員的轉(zhuǎn)向穩(wěn)定性主要通過分析一段時(shí)間內(nèi)方向盤轉(zhuǎn)角的離散度來評估。計(jì)算式如下：

(12)

2) 橫向加速度標(biāo)準(zhǔn)差

(13)

3) 橫向車道保持安全性指標(biāo)

在駕駛過程中，如果車輛的橫向偏移量過大，會造成壓線行駛，形成安全隱患，嚴(yán)重影響行車安全。因此，本文通過橫向偏移距離均值占所在車道寬度百分比指標(biāo)(LKSR)來表征駕駛?cè)藱M向車道保持安全性。

(14)

式中：dl(i)為車輛中心軸到左側(cè)車道線的距離；dr(i)為車輛中心軸到右側(cè)車道線的距離；設(shè)dl(i)≤0,dr(i)≥0。

3 確定關(guān)鍵指標(biāo)與指標(biāo)權(quán)重

在一個(gè)評價(jià)集中，評價(jià)指標(biāo)之間會存在某種聯(lián)系，利用Pearson相關(guān)性分析可得到指標(biāo)之間是否存在過強(qiáng)的關(guān)聯(lián)性，如果指標(biāo)間的關(guān)聯(lián)性過強(qiáng)，會造成指標(biāo)的冗余，計(jì)算量增加[13]。因此，本文通過Pearson相關(guān)性分析，保留關(guān)鍵指標(biāo)，減少計(jì)算的復(fù)雜度。

通過相關(guān)性分析可以發(fā)現(xiàn)，縱向速度標(biāo)準(zhǔn)差和縱向加速度標(biāo)準(zhǔn)差的相關(guān)系數(shù)為0.289，相關(guān)性較高，又屬于同一類指標(biāo)，因此保留縱向速度標(biāo)準(zhǔn)差指標(biāo)，去除縱向加速度標(biāo)準(zhǔn)差指標(biāo)，最后得到9個(gè)用于安全性評估的關(guān)鍵指標(biāo)：變換車道視覺感知行為安全性指標(biāo)、前方障礙物感知安全性指標(biāo)、制動(dòng)幅值變化率、方向盤轉(zhuǎn)角熵值、縱向速度標(biāo)準(zhǔn)差、縱向加速度變化率、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、橫向加速度標(biāo)準(zhǔn)差和橫向車道保持安全性。具體數(shù)據(jù)如表3所示。

表3 計(jì)算得到的10名駕駛?cè)烁髦笜?biāo)數(shù)據(jù)

表3中，LCTR為變換車道視覺感知行為安全性指標(biāo)、OSIA為前方障礙物視覺感知安全性指標(biāo)、BACV為制動(dòng)幅值變化率、SE為方向盤轉(zhuǎn)角熵值、AWSTD為方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、LASTD為橫向加速度標(biāo)準(zhǔn)差、LKSR為橫向車道保持安全性指標(biāo)、VSTD為縱向速度標(biāo)準(zhǔn)差、LACR為縱向加速度變化率。

3.1 層次分析法(AHP)

在得到9個(gè)關(guān)鍵指標(biāo)之后，需要對各個(gè)評估指標(biāo)進(jìn)行賦權(quán)，目前主要從主觀和客觀兩方面對評估指標(biāo)進(jìn)行賦權(quán)。本文在咨詢專家意見之后采用層次分析法確定主觀權(quán)重。

首先，需要構(gòu)造判斷矩陣，一般采用9級標(biāo)度來表示不同指標(biāo)之間的相對重要程度。若上一層指標(biāo)支配的下一層指標(biāo)有n個(gè)，那這n個(gè)指標(biāo)就構(gòu)成一個(gè)兩兩比較的判斷矩陣A=(aij)n×n，其中，aij表示指標(biāo)i與指標(biāo)j的重要性之比。

其次，在計(jì)算得到指標(biāo)權(quán)重系數(shù)之后，必須進(jìn)行一致性檢驗(yàn)，當(dāng)隨機(jī)一致性比例CR<0.1時(shí)，認(rèn)為判斷矩陣具有一致性。若一致性檢驗(yàn)通過，說明該權(quán)重系數(shù)符合要求，否則需要調(diào)整判斷矩陣重新計(jì)算。

經(jīng)過計(jì)算得到9個(gè)指標(biāo)主觀權(quán)重：

[0.143 1 0.214 7 0.119 3 0.119 3 0.053 8

0.080 7 0.134 6 0.080 7 0.053 8]

3.2 熵值法

熵值法是一種客觀賦權(quán)法，根據(jù)各項(xiàng)指標(biāo)原始數(shù)據(jù)所提供的信息量來確定指標(biāo)權(quán)重[14]。熵值法確定客觀權(quán)重的步驟如下：

1) 計(jì)算第j項(xiàng)指標(biāo)下，第i個(gè)對象的特征比重：

(15)

2) 計(jì)算第j項(xiàng)指標(biāo)的熵值：

(16)

3) 計(jì)算指標(biāo)的差異性系數(shù)：

gj=1-ej

(17)

4) 確定權(quán)重：

(18)

乘法集成綜合權(quán)重：

(19)

式中：pj和qj分別為通過主觀賦權(quán)方法和客觀賦權(quán)方法得到的指標(biāo)權(quán)重。

最終得到9個(gè)評估指標(biāo)的綜合權(quán)重：[0.142 5 0.247 3 0.065 1 0.126 6 0.051 1 0.078 1 0.168 8 0.050 7 0.069 8]

4 TOPSIS多屬性決策方法

作為一種多屬性決策方法，TOPSIS的原理是通過計(jì)算各評估對象與理想化目標(biāo)的相對貼近度來進(jìn)行相對優(yōu)劣排序，其中理想化目標(biāo)包含了正理想解S+和負(fù)理想解S-。正理想解是待評估方案集中的最優(yōu)解，它表示各個(gè)單一指標(biāo)值都達(dá)到了方案集中的最優(yōu)，而負(fù)理想解則是所有待評估方案中的最劣解[15]。

設(shè)有m個(gè)駕駛?cè)薃1,A2,…,Am，n個(gè)評估指標(biāo)C1,C2,…,Cn，Xij是第i個(gè)駕駛?cè)薃i的第j項(xiàng)指標(biāo)值。利用TOPSIS方法進(jìn)行多屬性決策的原理如下：

1) 根據(jù)原始數(shù)據(jù)建立決策矩陣：

(20)

2) 由于不同指標(biāo)數(shù)據(jù)的量綱存在差異，需要規(guī)范化處理，得到規(guī)范化矩陣σ：

(21)

3) 對各指標(biāo)賦權(quán)，將規(guī)范化指標(biāo)數(shù)據(jù)矩陣乘以權(quán)重矩陣，得到評估矩陣V：

(22)

4) 確定正理想解S+和負(fù)理想解S-：

(23)

若指標(biāo)Cj為效益型指標(biāo)，則：

若指標(biāo)Cj為成本型指標(biāo)，則：

5) 分別計(jì)算各駕駛?cè)说秸?fù)理想解的距離：

(24)

(25)

(26)

傳統(tǒng)的TOPSIS多屬性決策方法所使用的距離計(jì)算公式是歐氏距離，不能考慮評估指標(biāo)存在相關(guān)性時(shí)帶來的影響，而駕駛行為安全性表征指標(biāo)之間存在一定的相關(guān)性，因此會造成評估結(jié)果不準(zhǔn)確。同時(shí)，還會出現(xiàn)某評估對象與正負(fù)理想解的距離都近的問題，所以也不能對評估對象的相對優(yōu)劣進(jìn)行客觀合理的評估。考慮到傳統(tǒng)方法的一些局限性，本文從以下兩方面進(jìn)行改進(jìn)。

4.1 馬氏距離改進(jìn)原理

馬氏距離是一種既不受指標(biāo)之間的相關(guān)性影響，也不受指標(biāo)量綱影響的距離計(jì)算方式，這種優(yōu)良特性可以使改進(jìn)之后的多屬性決策更加科學(xué)、有效[16]。

假設(shè)第i個(gè)評估對象的指標(biāo)向量為：

Xi=(Xi1,Xi2,…,Xin)

(27)

(28)

(29)

式(28)(29)分別為正負(fù)理想解所對應(yīng)的空間坐標(biāo)。

則第i個(gè)評估對象到正負(fù)理想解的馬氏距離分別為：

(30)

(31)

式中：Σ為相關(guān)系數(shù)矩陣。

4.2 聯(lián)系向量距離改進(jìn)原理

定義1設(shè)集合A0和B1的聯(lián)系度為(A0～B1)=a+bi+cj,其中，a為同一度，b為差異度，c為對立度，則向量(a,b,c)為集合A0和B1的聯(lián)系向量。記為μ=(a,b,c)。

定義2設(shè)集合A0和Bs的聯(lián)系向量為μs=(as,bs,cs)，集合A0和Bk的聯(lián)系向量為μk=(ak,bk,ck)，則集合Bs和Bk的聯(lián)系向量距離為：

(32)

根據(jù)集對分析思想[17]，我們把正負(fù)理想解看成是確定與不確定系統(tǒng)中相互對立的關(guān)系。所以需要計(jì)算各個(gè)評估對象與正負(fù)理想解的聯(lián)系度_k+、_k-。

若評估指標(biāo)為效益型指標(biāo)，由評估對象Ak和正理想解S+組成集對H+=(Ak,S+)，則聯(lián)系度計(jì)算方式如下：

(33)

k=1,2,…,m;t=1,2,…,n

(34)

同理可計(jì)算評估對象Ak與負(fù)理想解S-的聯(lián)系度，由評估對象Ak與負(fù)理想解組成集對H-=(Ak,S-)，則有：

(35)

k=1,2,…,m;t=1,2,…,n

(36)

若評估指標(biāo)為成本型指標(biāo)，則聯(lián)系度計(jì)算方式與效益型指標(biāo)恰好相反。

根據(jù)前面的定義，評估對象Ak到正負(fù)理想解的聯(lián)系向量距離計(jì)算式如下：

(37)

(38)

4.3 改進(jìn)TOPSIS多屬性決策方法

(39)

(40)

式中：α+β=1，具體數(shù)值由決策者決定，本文取α=β=0.5。

則各駕駛?cè)伺c理想解的相對貼近度為：

(41)

這樣計(jì)算得到新相對貼近度,克服了傳統(tǒng)TOPSIS多屬性決策方法在距離計(jì)算方式上的2個(gè)缺陷，使評估結(jié)果更加科學(xué)、合理。

最后，根據(jù)相對貼近度Ci的大小對10名駕駛?cè)诉M(jìn)行駕駛行為的安全等級排序，Ci值越趨近于1，說明該評估對象的駕駛行為安全等級越高。

4.4 綜合評估結(jié)果分析

表4中，累計(jì)違章次數(shù)為10名駕駛?cè)私?年的累計(jì)駕駛違章次數(shù)統(tǒng)計(jì)數(shù)據(jù)。

表4 駕駛行為安全等級排序結(jié)果

通過分析以上數(shù)據(jù)可以發(fā)現(xiàn)，10名駕駛?cè)诵袨榈陌踩燃壟判驗(yàn)?>6>7>5>1>8>10>2>9>4。3號駕駛?cè)说男袨榘踩宰罡?，?號駕駛?cè)说男袨榘踩宰畹汀＠肞earson相關(guān)性分析，設(shè)置顯著性水平為0.05，發(fā)現(xiàn)傳統(tǒng)方法得到的駕駛行為安全等級排序與累計(jì)違章次數(shù)的相關(guān)系數(shù)為0.704 6，而改進(jìn)方法安全等級排序與累計(jì)違章次數(shù)的相關(guān)系數(shù)為0.920 1，說明在都通過顯著性檢驗(yàn)的情況下，改進(jìn)方法的駕駛行為安全等級排序更準(zhǔn)確，證明了本文所提出的改進(jìn)方法的有效性和準(zhǔn)確性。

5 結(jié)論

1) 本文提出了一種從3個(gè)方面評估駕駛行為安全性的方法：駕駛?cè)艘曈X感知行為、駕駛?cè)瞬倏v行為與車輛運(yùn)行狀態(tài)。對可能影響駕駛安全性的各種因素進(jìn)行了分析，完善了駕駛行為安全性評估指標(biāo)體系。

2) 本文通過一種馬氏距離和聯(lián)系向量距離結(jié)合改進(jìn)的TOPSIS多屬性決策方法進(jìn)行駕駛行為的安全性評估，利用新的相對貼近度大小進(jìn)行安全等級排序，提高了評估準(zhǔn)確性，為駕駛行為的安全性評估提供了新的思路。

3) 本文提出的改進(jìn)方法中新的相對貼近度結(jié)合了馬氏距離和聯(lián)系向量距離的優(yōu)勢，克服了歐氏距離的局限性，解決了傳統(tǒng)的TOPSIS多屬性決策方法存在的不足，使改進(jìn)后的多屬性決策方法更加科學(xué)合理。