一种驾驶偏好预判方法技术

本发明专利技术一种驾驶偏好预判方法；包括：S1、获取量化后的待测试驾驶员的生理特征参数、心理特征参数和外部特征参数；S2、将待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型，获取待测试驾驶人员的驾驶偏好值；S3、将待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，获取待测试驾驶员的偏好判定结果；本发明专利技术方法综合考虑了驾驶员的生理、心理和外部特征，输出结果直观应用简便，能够准确的预测汽车驾驶员的驾驶偏好，对于完善汽车主动安全预警系统的驾驶员心理状态监控与预测功能，减少人为交通事故具有重要意义。

A Prediction Method of Driving Preference

【技术实现步骤摘要】
一种驾驶偏好预判方法
本专利技术涉及汽车智能驾驶
，尤其涉及一种基于灰关联熵的驾驶员偏好预判方法。
技术介绍
汽车安全预警系统可以减少驾驶员的负担和判断错误，是目前预防人为交通事故最为行之有效的技术设施，，对改善交通安全起到了重要的作用。汽车安全预警系统包括主动安全和被动安全两种技术，所谓的主动安全是指事故发生前的“安全”，是指实现事故预防和事故回避，防止交通事故发生所采取的措施和方法。主动安全系统可以做到避免交通事故的发生，做到防患于未然，当然同样也能减少事故造成的危害。目前国内外汽车安全驾驶预警系统研究主要集中在环境信息感知、安全距离判别和预警方式等方面，在态势评估和意图辨识上大多忽略驾驶员生理心理特性的影响，使得预警的准确性不高，产生误报现象。驾驶过程是一个高度智能化的过程，把反映驾驶员心理情感差异的驾驶偏好引入汽车安全驾驶预警系统中，可以实现人车安全保障智能化与高效性，有效的避免和减少交通事故的发生。
技术实现思路
(一)要解决的技术问题为了解决现有技术的上述问题，本专利技术提供一种驾驶偏好预判方法。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：S1、获本文档来自技高网...

【技术保护点】
1.一种实验状态下的驾驶偏好预判方法，其特征在于，包括以下步骤：S1、获取量化后的待测试驾驶员的生理特征参数ω、心理特征参数θ和外部特征参数φ；其中，所述生理特征参数ωi包括：视觉反应时间ω1，速度估计能力ω2、选择反应时间ω3、辨别反应时间ω4和操作反应时间ω5；所述心理特征参数θi包括：气质θ1、意志θ2、态度θ3、注意θ4和情绪θ5；所述外部特征参数φi包括：任务缓急φ1和驾驶能力φ2；S2、将所述待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型F(ωi,θi,φi)，获取待测试驾驶人员的驾驶偏好值；S3、将所述待测试驾驶人员的驾驶偏好值与...

【技术特征摘要】
1.一种实验状态下的驾驶偏好预判方法，其特征在于，包括以下步骤：S1、获取量化后的待测试驾驶员的生理特征参数ω、心理特征参数θ和外部特征参数φ；其中，所述生理特征参数ωi包括：视觉反应时间ω1，速度估计能力ω2、选择反应时间ω3、辨别反应时间ω4和操作反应时间ω5；所述心理特征参数θi包括：气质θ1、意志θ2、态度θ3、注意θ4和情绪θ5；所述外部特征参数φi包括：任务缓急φ1和驾驶能力φ2；S2、将所述待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型F(ωi,θi,φi)，获取待测试驾驶人员的驾驶偏好值；S3、将所述待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，将保守型、普通保守型、普通型、普通激进型和激进型中的一种作为待测试驾驶员的偏好判定结果。2.如权利要求1所述的方法，其特征在于，所述驾驶偏好模型F(ωi,θi,φi)为：公式一：其中，ωi为生理特征参数，θi为心理特征参数，φi为外部特征参数；λ1i为生理特征参数ωi的因子负荷系数；λ2i为心理特征参数θi的因子负荷系数；λ3i为外部特征参数θi的因子负荷系数；γ1为常数，表示生理特征参数的重要程度；γ2为常数，表示心理特征参数的重要程度；γ3为常数，表示外部特征参数的重要程度。3.如权利要求2所述的方法，其特征在于，在步骤S2之前，方法还包括：S0、预先构建驾驶偏好模型；所述步骤S0包括以下步骤：A1、获取量化后的多个驾驶员的驾驶偏好数据作为参考序列获取每一驾驶偏好的影响因素数据，并利用影响因素数据构建比较序列所述每一驾驶偏好的影响因素数据包括：性别Y1、年龄Y2，视觉反应时间Y3、听觉反应时间Y4、智力Y5、生理节律体力Y6、速度估计能力Y7、选择反应时间Y8、辨别反应时间Y9、操作反应时间Y10、气质R1、性格R2、态度R3、注意R4、情绪R5、意志R6、驾驶年龄M1、驾驶能力M2、教育程度M3、职业M4、收入M5、任务缓急M6；A2、针对所述参考序列和所述比较序列进行预处理，获取无量参考序列和无量纲比较序列；A3、获取所述无量纲参考序列和所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δmin和差值绝对值的最大值Δmax；A4、根据所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δmin和差值绝对值的最大值Δmax计算所述无量纲参考序列和所述无量纲比较序列的灰关联系数ξjk；A5、利用公式二和公式三获取所述无量纲比较序列的灰关联熵H(Xj)；公式二：公式三：其中，Pjh为灰关联系数分布映射；A6、利用所述灰关联熵H(Xj)根据公式四获取所述无量纲比较序列的熵关联度E(Xj)；公式四：E(Xj)＝H(Xj)/Hm；其中，Hm＝lnn，表示由n个属性元素构成的差异信息列的最大熵；A7、根据所述无量纲比较序列的熵关联度E(Xj)值的大小进行排序并根据排序结果进行筛选获...

【专利技术属性】
技术研发人员：王晓原，夏媛媛，刘亚奇，韩俊彦，刘士杰，郭永青，刘善良，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东,37