駕駛?cè)蝿?wù)緩急與汽車駕駛傾向性的相關(guān)性

張敬磊，王曉原,2，王云云，尹 超

1)山東理工大學交通與車輛工程學院，山東淄博 255091；2)清華大學汽車安全與節(jié)能國家重點實驗室，北京 100084

【交通物流 / Transportation Logistics】

駕駛?cè)蝿?wù)緩急與汽車駕駛傾向性的相關(guān)性

張敬磊1，王曉原1,2，王云云1，尹 超1

1)山東理工大學交通與車輛工程學院，山東淄博 255091；2)清華大學汽車安全與節(jié)能國家重點實驗室，北京 100084

以駕駛?cè)蝿?wù)緩急程度為研究對象，對50名被測試者分別進行3次不同緩急程度運輸任務(wù)的實驗研究，獲取在不同任務(wù)緩急程度下駕駛員的各項生理和心理特征數(shù)據(jù)，計算相應(yīng)的汽車駕駛傾向性預判值．運用單因素方差分析方法，分析任務(wù)緩急程度與駕駛傾向性的相關(guān)性．研究結(jié)果顯示，在較緩、一般緩急和較急3種任務(wù)緩急程度的情況下，駕駛傾向性影響因子(駕駛員的速度估計偏差、操作反應(yīng)時間、注意力和情緒等)的值顯著不同，表明任務(wù)的緩急對駕駛傾向性影響顯著．

交通運輸安全工程；駕駛行為；駕駛傾向性；任務(wù)緩急；單因素方差分析；相關(guān)性分析

隨著現(xiàn)代交通運輸業(yè)的迅速發(fā)展，交通安全問題日益突出．在由人-車-路-環(huán)境組成的交通系統(tǒng)中，駕駛員作為核心因素，其駕駛行為在很大程度上影響著道路交通系統(tǒng)的安全水平，所以控制駕駛員行為是降低交通事故發(fā)生和提高汽車行駛安全的主動因素.由于駕駛員個體年齡、性別、駕齡、行車經(jīng)驗和個性等的不同，其心理特征表現(xiàn)為不同的駕駛傾向性，反映了駕駛員對現(xiàn)實交通狀況的態(tài)度、體驗以及所表現(xiàn)出的與之相適應(yīng)的決策或行為價值的偏好性，是交通安全研究領(lǐng)域中的一個難點[1-2]．近年來，為緩解或解決交通安全問題，學者們從駕駛員生理、心理特性、道路環(huán)境等角度展開了研究．Salthouse[3]指出在相同駕駛狀況下，老年駕駛員的反應(yīng)時間大于青年與中年駕駛員的反應(yīng)時間． Campagne等[4]認為，隨著年齡增加駕駛員行車時的警惕性易降低，駕駛操作出錯次數(shù)增多，更易導致交通事故的發(fā)生．Gunnarsson等[5]將駕駛意圖與車載信息系統(tǒng)采集到的車輛軌跡相結(jié)合，設(shè)計了一種新的預警模型，可實時預測發(fā)生交通事故時車輛周邊交通狀況.Tsogas等[6]應(yīng)用D-S(dempster-shafer)證據(jù)理論研究駕駛員在駕車過程中的決策類型，并通過調(diào)查駕駛員的真實意圖來優(yōu)化模型的意圖識別能力．Megías等[7]研究了駕駛員任務(wù)緩急及情緒對風險駕駛的影響．Metz等[8]探討了駕駛員在計劃、決策和執(zhí)行次要任務(wù)3種交通情況下是如何協(xié)調(diào)并行處理次要任務(wù)與駕駛需求問題．Scott-Parker等[9]從駕駛員的傾向、敏感度和憤怒等不同的情感方面，研究了駕駛員情感對駕駛行為的影響．Roidl等[10]通過設(shè)置不同緩急程度的任務(wù)來激發(fā)駕駛員情緒，研究模擬駕駛環(huán)境下不同情緒對汽車速度和加速度的影響．Chan等[11]分析帶有不同情感內(nèi)容的聽覺干擾對駕駛員行為的影響．Sullman[12]運用驗證性因素分析方法研究駕駛員憤怒情緒在行駛過程中的表達方式．Bi等[13]提出基于情感的駕駛員疲勞狀態(tài)識別算法，該算法通過比較駕駛員和疲勞駕駛樣本的面部表情，識別駕駛員是否處于疲勞駕駛狀態(tài)．Fitzpatrick等[14]通過駕駛模擬器設(shè)置不同駕駛場景，研究路側(cè)凈區(qū)寬度和路邊植被密度對駕駛員行駛速度的影響，指出與路邊植被密度相比，路側(cè)凈區(qū)寬度對駕駛員行駛速度及橫向偏移度影響更大．Faure等[15]研究了復雜環(huán)境中工作量和眨眼行為對駕駛員心理的影響．Wang等[16]研究青年司機經(jīng)濟和政治背景與危險駕駛的關(guān)系，通過對476名年輕司機的調(diào)查發(fā)現(xiàn)，政治或經(jīng)濟背景越高的人越易產(chǎn)生危險駕駛行為．賈洪飛等[17]以期望間距為基準參量，考慮駕駛員的心理和生理因素，建立了車輛跟馳模型，為研究駕駛行為提供了新思路．陳雪梅等[18]研究了緊急情況下駕駛員生理和心理反應(yīng)特點，發(fā)現(xiàn)緊急情況下駕駛員生理變化明顯，駕齡越長，生理指標變化越小，發(fā)生交通事故的幾率越小．劉江等[19]分析了駕駛員的不同氣質(zhì)類型與行車速度間的關(guān)系；余蠟生等[20]結(jié)合生理和認知對情感的影響，建立與Agent結(jié)合的情感結(jié)構(gòu)來解決道路網(wǎng)絡(luò)擁塞問題．王志良等[21]針對駕駛員習慣的模型，提出自適應(yīng)調(diào)整的方法．劉志強等[22]利用D-S證據(jù)推理技術(shù)，提取駕駛員注意渙散特征表征信息，實現(xiàn)對駕駛員注意渙散狀態(tài)的判斷，對汽車主動安全駕駛研究具有重要意義．王曉原等[23]從駕駛員生理和心理等角度對駕駛員行為特性進行了研究．然而，這些有關(guān)駕駛行為影響因素的研究大多集中于駕駛員生理和心理等因素與駕駛行為的相關(guān)性探討，忽略了駕駛員承擔不同駕駛?cè)蝿?wù)時對駕駛行為產(chǎn)生的間接影響．駕駛?cè)蝿?wù)緩急是指駕駛員所承擔的運輸任務(wù)的緩急程度．本研究設(shè)計不同的獎懲措施，設(shè)置不同緩急程度的駕駛?cè)蝿?wù)，采用駕駛模擬實驗和實車實驗2種手段，獲取不同緩急程度任務(wù)下駕駛員的各項生理和心理等指標，運用單因素方差分析方法，分析駕駛?cè)蝿?wù)緩急程度的不同水平對駕駛員傾向性指標的影響．研究可為汽車主動安全預警和輔助駕駛系統(tǒng)的性能改善提供理論指導．

1 駕駛傾向性影響因子分析

汽車駕駛員生理-心理特性對交通安全的影響在很大程度上表現(xiàn)為駕駛傾向性，即在各種動態(tài)因素影響下汽車駕駛員對現(xiàn)實交通狀況的態(tài)度體驗，以及所表現(xiàn)出的與之相適應(yīng)的決策或行為價值的偏好性，反映了駕駛員在車輛操作和運動過程中表現(xiàn)出的心理情感狀態(tài)．在行車過程中，不同駕駛員駕駛傾向各異，行為表現(xiàn)具有差異性，而差異性的根本原因是駕駛員的生理和心理差異．為表征不同駕駛員之間的差異性，本研究參照文獻[24-25]中的方法，通過對大量實驗數(shù)據(jù)進行概率統(tǒng)計分析，選取駕駛員生理、心理及其他附加特征中的主因子，對駕駛傾向性進行量化研究，并計算駕駛傾向性預判值．通過分析大量實車和虛擬駕駛實驗數(shù)據(jù)，進行統(tǒng)計聚類以及征求專家意見，將駕駛傾向性預判值劃分為5個區(qū)間，分別對應(yīng)保守型、普通保守型、普通型、普通激進型和激進型5種駕駛傾向性類型，如表1．其中，dt為駕駛傾向性預判區(qū)間．

用于汽車駕駛傾向性預判的主影響因子有視覺反應(yīng)時間、選擇反應(yīng)時間、辨別反應(yīng)時間、操作反應(yīng)時間和速度估計偏差(實際車速與被測者估計車速差的絕對值)等生理特征，還有氣質(zhì)、態(tài)度、注意力、情緒和意志力等心理特征，以及駕駛能力和任務(wù)緩急等外部附加特征[24]．其中，駕駛?cè)蝿?wù)緩急指駕駛員所承擔的運輸任務(wù)的緩急程度，當承擔的任務(wù)越急時，駕駛員的心理壓力越大，不同駕駛員的生理和心理特征表現(xiàn)各異，因此會對駕駛傾向性的判定產(chǎn)生一定影響．

表1 駕駛傾向性類型劃分

2 任務(wù)緩急與駕駛傾向性相關(guān)性

2.1 實驗設(shè)計

2.1.1 實驗設(shè)備

實驗包括實車實驗和駕駛模擬實驗．實車實驗設(shè)備主要包括：高清攝像頭、Minivcap監(jiān)控系統(tǒng)、高清攝像機、筆記本電腦、SG299-GPS非接觸多功能測試儀、BTM300-905-200激光測距傳感器及踏板力傳感器等，如圖1．駕駛模擬實驗設(shè)備如圖2．實驗前需對被測人員進行駕駛模擬器操作培訓．

圖1 動態(tài)人車環(huán)境信息采集系統(tǒng)組成Fig.1 Dynamic vehicle information acquisition system composition

圖2 駕駛模擬實驗室Fig.2 Driving simulation laboratory

2.1.2 實驗條件及對象

選取天氣晴朗、路面干燥的實驗條件，時間為正常工作日的08∶30 a.m.—10∶30 a.m.，道路交通屬繁忙但未達到擁堵狀態(tài)．實驗路線為：山東理工大學東門—南京路—聯(lián)通路—世紀路—新村西路—南京路—山東理工大學東門(如圖3，黑色箭頭表示試驗車行駛方向)．實驗對象為普通駕駛員，職業(yè)為教師、職員、工人和自由職業(yè)者，樣本容量為50名．樣本中男性駕駛員30名，女性20名，年齡在18～58歲，駕齡在0.5～22年；樣本中92%的人曾有不同類型的違章駕駛現(xiàn)象，樣本平均違章次數(shù)為5.12次/人，違章平均頻率為0.63次/年；樣本中有44%的人發(fā)生過不同類型的交通事故，樣本平均事故次數(shù)為2.54次/人，事故平均頻率為0.31次/年．

圖3 實驗路線Fig.3 Experimental line

2.1.3 實驗內(nèi)容

50名被測試者從1到50進行編號，設(shè)計相關(guān)實驗獲取駕駛傾向性各主影響因子指標．實驗包括調(diào)查問卷、駕駛模擬實驗和實車實驗．其中，模擬實驗用于補充實車實驗難以采集的數(shù)據(jù)，模擬實驗路線使用道路編輯器仿照實車實驗路線及場景進行編輯．本研究根據(jù)運輸任務(wù)的緩急程度，將任務(wù)緩急劃分為較緩、一般和較急3種類型的運輸任務(wù)．通過問卷調(diào)查、大量任務(wù)緩急實驗實數(shù)據(jù)統(tǒng)計分析以及專家評定，最終確定實驗方案為：對50名被測試者分別進行3次不同緩急程度的運輸任務(wù)實驗． 第1次實驗時準備10份豐厚大禮包， 并且規(guī)定用時最少的前10名駕駛員可獲得獎勵，該次實驗對應(yīng)的任務(wù)定為“較急程度的運輸任務(wù)”．第2次實驗時準備25份精美禮品的獎勵，并且規(guī)定用時最少的前25名駕駛員可獲得獎勵，該次實驗對應(yīng)的任務(wù)定為“一般程度的運輸任務(wù)”．第3次實驗時若被測試者順利完成運輸任務(wù)，則每人都能獲得1份紀念品，該次實驗對應(yīng)的任務(wù)定為“較緩程度的運輸任務(wù)”．

實驗前被測試者需進行練習，以熟悉駕駛模擬器和實驗車輛的性能，所有被測試者的實驗路線相同，以保證駕駛員之間的可比性和實驗的有效性．

2.1.4 實驗數(shù)據(jù)

綜合考慮實車實驗和模擬實驗，獲取在不同任務(wù)緩急程度下駕駛員的各項生理和心理等特征數(shù)據(jù)，并計算相應(yīng)的汽車駕駛傾向性預判值，部分實驗數(shù)據(jù)見表2、表3和表4．駕駛員注意力的相關(guān)數(shù)據(jù)由實車實驗獲得．將駕駛員在設(shè)置20個障礙物(對行車安全無影響)的道路上行駛時，未能及時回避障礙物的操作次數(shù)稱為誤操作次數(shù)，用誤操作次數(shù)占總數(shù)的百分比作為注意力的評判指標[26]．按文獻[27]方法，將駕駛員情緒分為平靜、一般和激動3種狀態(tài)，測試值介于0～1，駕駛員越平靜，分值越底，相反情緒越激動，分值越高．

表2 駕駛?cè)蝿?wù)緩急程度較緩時部分生理、心理指標測量結(jié)果

表3 駕駛?cè)蝿?wù)緩急程度一般時部分生理、心理指標測量結(jié)果

表4 駕駛?cè)蝿?wù)緩急程度較急時部分生理、心理指標測量結(jié)果

2.2 基于單因素方差分析的任務(wù)緩急與駕駛傾向性相關(guān)性分析

假設(shè)總體均為正態(tài)變量，利用單因素方差分析研究在不同駕駛?cè)蝿?wù)緩急程度下，駕駛員的生理、心理指標是否存在顯著變化，從而對駕駛傾向性產(chǎn)生顯著影響．本研究中的單因素變量就是駕駛員的任務(wù)緩急程度，利用SPSS19.0統(tǒng)計分析軟件進行單因素方差分析．方差齊次性檢驗如表5，單因素方差分析結(jié)果如表6．其中，X1為視覺反應(yīng)時間；X2為速度估計偏差；X3為選擇反應(yīng)時間；X4為辨別反應(yīng)時間；X5為操作反應(yīng)時間；X6為駕駛員注意水平；X7為駕駛員的情緒狀態(tài)；df為駕駛員生理心理指標的自由度， df1和df2分別為每個指標對應(yīng)的3種任務(wù)緩急程度的組間自由度和組內(nèi)自由度．SIG為檢驗指標的顯著水平，若SIG>0.05，說明各組的方差在0.05的顯著水平上無顯著性差異，即方差具有齊次性，對試驗指標進行單因素方差分析可行．F為不同駕駛?cè)蝿?wù)緩急間的方差分析統(tǒng)計量，F(xiàn)0.05(2, 147)為顯著水平為0.05，組間自由度為2，組內(nèi)自由度為147時不同駕駛?cè)蝿?wù)緩急間的的方差分析統(tǒng)計量．

表5 方差齊次性檢驗

由文獻[25-26]可知駕駛員生理-心理特性對交通安全的影響在很大程度上表現(xiàn)為駕駛傾向性，受駕駛員的速度估計能力、操作反應(yīng)時間、注意力、情緒等生理心理因素的影響．表6的單因素方差分析結(jié)果顯示，F(xiàn)(X2)、F(X5)、F(X6)和F(X7)均大于F0.05(2,147)， 表明駕駛?cè)蝿?wù)緩急程度不同，對駕駛員的速度估計能力、操作反應(yīng)時間、注意力和情緒等生理心理指標影響顯著，即任務(wù)緩急對駕駛傾向性影響顯著．

2.3 模型驗證

運用文獻[26]中的汽車駕駛傾向性預判模型，計算50名被測試者在不同任務(wù)緩急程度下的傾向性值，判別每位被測試者的傾向性類型．然后利用文獻[27]中適應(yīng)多車道環(huán)境的汽車駕駛傾向性辨識方法，動態(tài)辨識3種任務(wù)緩急情況下，駕駛員在某一交通態(tài)勢下的傾向性類型．最后對辨識結(jié)果進行統(tǒng)計分析，可得駕駛員在時變環(huán)境下，由不同傾向性預判類型識別為其他傾向性類型的概率，結(jié)果如表7．其中，任務(wù)緩急程度一列中，1代表較緩的運輸任務(wù)，2代表一般緩急的運輸任務(wù)，3代表較急的運輸任務(wù)．

表6 單因素方差分析結(jié)果

(續(xù)表6)

由表7可知，3種不同的任務(wù)緩急程度下，被測試者的駕駛傾向性類型有顯著變化，即駕駛員的任務(wù)緩急程度對汽車駕駛傾向性有顯著影響．

按照文獻[27]方法，分別對不同駕駛傾向性類型進行辨識準確率對比，結(jié)果如圖4．其中，識別準確率A表示基于本方法獲得汽車駕駛傾向性值，并進一步對其進行動態(tài)辨識的結(jié)果；識別準確率B表示未考慮任務(wù)緩急對駕駛員生理、心理等特征產(chǎn)生顯著影響，繼而對駕駛傾向性評判產(chǎn)生間接影響的動態(tài)辨識(自由流和跟馳狀態(tài))的結(jié)果．

由圖4可見，考慮任務(wù)緩急對駕駛員生理、心理特征產(chǎn)生顯著影響下的駕駛傾向性判別更準確．

圖4 不同傾向性類型駕駛員的辨識準確率Fig.4 Recognition accuracy of different driver’s propensity types

結(jié) 語

汽車駕駛傾向性評判的準確性不僅受駕駛員內(nèi)因的影響，還受一些外因制約．任務(wù)緩急情況屬于駕駛傾向性的外因，通常通過影響駕駛員生理、心理等內(nèi)部特征，間接影響駕駛傾向性評判結(jié)果．本研究通過設(shè)計多項實驗獲取不同任務(wù)緩急情況下，駕駛員的生理和心理等因素指標，運用單因素方差分析方法，結(jié)合SPSS19.0統(tǒng)計分析軟件，分析任務(wù)緩急是否對各項生理和心理特征產(chǎn)生顯著影響．研究結(jié)果表明，任務(wù)緩急對駕駛員的速度估計偏差、操作反應(yīng)時間、注意力、情緒等特征影響顯著，即在不同任務(wù)緩急程度的情況下，汽車駕駛傾向性類型顯著不同．需指出的是，本研究對不同緩急程度的駕駛?cè)蝿?wù)進行劃分時具有一定的主觀性，各項實驗設(shè)備和實驗人員對各項生理、心理指標的測量也具有一定的侵入性，因此測試結(jié)果必然有一定的誤差，后續(xù)研究將更加細致和客觀的劃分任務(wù)緩急程度，以減少被測試者以外的因素對實驗結(jié)果產(chǎn)生影響．

/ References：

[1] Wang Xiaoyuan, Zhang Jinglei, Liu Jin, et al. Extraction of the dynamic vehicle driver’s tendency feature based on car-following[C]// CICTP 2012: Multimodal Transportation Systems: Convenient, Safe, Cost-effective. Beijing: American Society of Civil Engineers, 2012: 2061-2071.

[2] 陶 達，張 瑞，曲行達．性別、年齡和人格特質(zhì)對風險駕駛行為的影響[J]．深圳大學學報理工版，2016，33(6)：646-652. Tao Da, Zhang Rui, Qu Xingda. The effects of gender, age and personality traits on risky driving behaviors[J]. Journal of Shenzhen University Science and Engineering, 2016, 33(6): 646-652.(in Chinese)

[3] Salthouse T A. Aging and measures of processing speed[J]. Biological Psychology, 2000, 54(1): 35-54.

[4] Campagne A, Pebayle T, Muzet A. Correlation between driving errors and vigilance level: influence of the driver’s age[J]. Physiology & Behavior, 2004, 80(4): 515-524.

[5] Gunnarsson J, Svensson L, Bengtsson E, et al. Joint driver intention classification and tracking of vehicles[C]// IEEE Nonlinear Statistical Signal Processing Workshop.[S. l.]: IEEE, 2006: 95-98.

[6] Tsogas M, Polychronopoulos A, Floudas N, et al. Situation refinement for vehicle maneuver identification and driver’s intention prediction[C]// The 10th International Conference on Information Fusion.[S.l.]: IEEE, 2007: 1-8.

[7] Megías A, Maldonado A, Cándido A, et al. Emotional modulation of urgent and evaluative behaviors in risky driving scenarios[J]. Accident Analysis & Prevention, 2011, 43(3): 813-817.

[8] Metz B, Sch?mig N, Krüger H P. Attention during visual secondary tasks in driving: adaptation to the demands of the driving task[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2011, 14(5): 369-380.

[9] Scott-Parker B, Watson B, King M J, et al. A further exploration of sensation seeking propensity, reward sensitivity, depression, anxiety, and the risky behaviour of young novice drivers in a structural equation model[J]. Accident Analysis & Prevention, 2013, 50: 465-471.

[10] Roidl E, Frehse B, H?ger R. Emotional states of drivers and the impact on speed, acceleration and traffic violations: a simulator study[J]. Accident Analysis and Prevention, 2014, 70(5): 282-292.

[11] Chan M, Singhal A. Emotion matters: implications for distracted driving[J]. Safety Science, 2015, 72(1): 302-309.

[12] Sullman M J M. The expression of anger on the road[J]. Safety Science, 2015, 72(1): 153-159.

[13] Bi Hongzhe, Shen Gongzhang. Recognition and appli-cations of emotion detection in driving fatigue[J]. The Open Automation and Control Systems Journal, 2015, 7(1):655-660.

[14] Fitzpatrick C D, Samuel S, Knodler M A. Evaluating the effect of vegetation and clear zone width on driver behavior using a driving simulator[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2016, 42(part 1): 80-89.

[15] Faure V, Lobjois R, Benguigui N. The effects of driving environment complexity and dual tasking on drivers’ mental workload and eye blink behavior[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2016, 40: 78-90.

[16] Wang Zhe, Zheng Zuduo, Fleiter J J. Does family background impact driving attitudes and risky behaviours? An investigation on Chinese young drivers[J]. Accident Analysis & Prevention, 2016, 95(part A): 67-77.

[17] 賈洪飛，雋志才．基于期望間距的車輛跟馳模型的建立[J]．中國公路學報，2000，13(4)：86-88． Jia Hongfei, Juan Zhicai. Development of a car-following model based on desired spacing[J]. China Journal of Highway and Transport, 2000, 13(4): 86-88.(in Chinese)

[18] 陳雪梅，魏中華，高 利．緊急情況下駕駛員行為研究[J]．北京工業(yè)大學學報，2007，33(5)：449-454． Chen Xuemei, Wei Zhonghua, Gao Li. Study on srivers’ behavior under emergency situations[J]. Journal of Beijing University of Technology, 2007, 33(5): 449-454.(in Chinese)

[19] 劉 江，田 萍，榮 建，等．駕駛員氣質(zhì)與行車速度關(guān)系的初步研究[J]．北京工業(yè)大學學報，2006，32(1)：27-32． Liu Jiang, Tian Ping, Rong Jian, et al. Initial Research on Relationship between drivers’ temperament and travel speed[J]. Journal of Beijing University of Technology, 2006, 32(1): 27-32.(in Chinese)

[20] 余臘生，何滿慶．基于Agent和情感計算的司機駕駛行為模型研究[J]．企業(yè)技術(shù)開發(fā)，2009，28(3)：19-21． Yu Lasheng, He Manqing. Study of driving behavior model based on agent and ambient intelligence[J]. Technological Development of Enterprise, 2009, 28(3): 19-21.(in Chinese)

[21] 解 侖，王志良，任冬淳，等．簡化路況模式下駕駛員情緒模型的研究[J]．自動化學報，2010，36(12)：1732-1743． Xie Lun, Wang Zhiliang, Ren Dongchun, et al. Research of driver emotion model under simplified traffic condition[J]. Acta Automatica Sinica, 2010, 36(12): 1732-1743.(in Chinese)

[22] 汪 澎，劉志強，仲晶晶．駕駛員注意渙散檢測技術(shù)研究[J]．中國安全科學學報，2010，20(7)：82-88． Wang Peng, Liu Zhiqiang, Zhong Jingjing. Study on detection technique for drivers’ distraction[J]. China Safety Science Journal, 2010, 20(7): 82-88.(in Chinese)

[23] Zhang Jinglei, Wang Xiaoyuan, Ban Xuegang(Jeff), et al. Prediction method of driver’s propensity adapted to driver’s dynamic feature extraction of affection[J]. Advances in Mechanical Engineering, 2013, 5: 658103.

[24] Wang Xiaoyuan, Zhang Jinglei, Ban Xuegang(Jeff), et al. Dynamic feature extraction method of driver’s propensity under complicated vehicle group[J]. Advances in Mechanical Engineering, 2013, 5: 287653.

[25] 王廣艷．適應(yīng)汽車安全駕駛預警系統(tǒng)的駕駛傾向性研究[D]．淄博：山東理工大學，2014． Wang Guangyan.Study on the research of drivers’ propensity adapted to vehicle safety warning system [D]. Zibo: Shandong University of Technology.(in Chinese)

[26] 成 波，孟 傳，張 偉．基于機器視覺的駕駛員注意力狀態(tài)監(jiān)測技術(shù)研究[J]．汽車工程，2009，31(12)： 1137-1140． Cheng Bo, Meng Chuan, Zhang Wei. A study on driver distraction detection technology based on computer vision[J]. Automotive Engineering, 2009, 31(12): 1137-1140.(in Chinese)

[27] Wang Xiaoyuan, Liu Jin, Zhang Jinglei. Dynamic recognition model of driver’s propensity under multilane traffic environments[J]. Discrete Dynamics in Nature and Society, 2012, 2012: 309415.

【中文責編：英 子；英文責編：子 蘭】

Correlation between task urgency and driver’s propensity

Zhang Jinglei1, Wang Xiaoyuan1,2?, Wang Yunyun1, and Yin Chao1

1) School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255091,Shandong Province, P.R.China 2) State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, P.R.China

The transportation task urgency was taken as the study object. Transport task experiments of three different degrees of urgency were organized for 50 drivers. The physiological and psychological feature data of drivers were obtained. And the pre-judgment values of driver’s propensity were calculated. Correlation between task urgency and driver’s propensity was elaborated through one-way analysis of variance. Results show that the values of the impact factors of driver’s propensity are significantly different in the cases in three task priorities of the slowness, the general urgency, and the most urgency. The characterization parameters considered are the driver’s speed estimation bias, the operation response time, the attention, the emotion and so on. Namely task urgency has significant effect on driver’s propensity.

transportation safety engineering; driving behavior; driver’s propensity; task priorities; one-way analysis of variance; correlation analysis

：Zhang Jinglei，Wang Xiaoyuan，Wang Yunyun，et al．Correlation between task urgency and driver’s propensity[J]. Journal of Shenzhen University Science and Engineering, 2017, 34(2): 195-203.(in Chinese)

U 491

A

10.3724/SP.J.1249.2017.02195

山東省自然科學基金資助項目(ZR2014FM027);山東省高等學?？萍加媱澷Y助項目(J15LB07); 汽車安全與節(jié)能國家重點實驗室開放基金資助項目(KF16232)

張敬磊(1979—)，男，山東理工大學副教授. 研究方向：交通行為及安全. E-mail：jinglei@sdut.edu.cn

Received：2016-07-29；Revised：2016-09-07；Accepted：2016-11-29

Foundation：Natural Science Foundation of Shandong Province (ZR2014FM027); Project of Shandong Province Higher Educational Science and Technology Program (J15LB07); State Key Laboratory Open Foundation of Automotive Safety and Energy (KF16232)

? Corresponding author：Professor Wang Xiaoyuan．E-mail: wangxiaoyuan@sdut.edu.cn

引 文：張敬磊，王曉原，王云云，等．駕駛?cè)蝿?wù)緩急與汽車駕駛傾向性的相關(guān)性[J]. 深圳大學學報理工版，2017，34(2)：195-203.