首页 理论教育 模型预测精度分析:研究路怒驾驶行为的诱发机理及自适应识别方法

模型预测精度分析:研究路怒驾驶行为的诱发机理及自适应识别方法

时间:2023-08-24 理论教育 版权反馈
【摘要】:根据3.2.2与3.2.3节介绍的非集计理论、MNL模型方法以及3.2.5节的模型变量参数的标定结果,可获得不同驾驶愤怒强度效用函数的相关变量及其对应参数,如表3-4所示。四种强度驾驶愤怒样本的总体准确率达77.34%,表明根据本书建立的MNL模型预测的各种强度驾驶愤怒样本比例与实际自评报告的结果较为吻合,而且该模型对高强度驾驶愤怒样本的预测较为精确。

模型预测精度分析:研究路怒驾驶行为的诱发机理及自适应识别方法

根据3.2.2与3.2.3节介绍的非集计理论、MNL模型方法以及3.2.5节的模型变量参数的标定结果,可获得不同驾驶愤怒强度效用函数的相关变量及其对应参数,如表3-4所示。

表3-4 各愤怒强度效用函数的相关变量及参数

根据表3-4所示的各愤怒强度效用函数的相关变量及参数可得A,B,C与D这四种驾驶愤怒强度对应的效用函数V1,V2,V3与V4,分别为

为了进一步验证本书构建的模型的有效性,需要对该模型进行精度分析。从问卷调查数据中任意选取某被试(如被试 9)作为测试对象,其相关个人属性和环境属性的数据分别为:X1=1,X2=29,X3=2,X4=6,X5=3,X6=0,X7=1,X8=1,X9=1,X10=2,X11=2,X12=1,X13=3。根据公式(3-16)~(3-19)可分别求得四种驾驶愤怒强度的效用函数值;进一步依据公式(3-7)可求得各驾驶愤怒强度选择概率,结果如表3-5所示。

表3-5 被试9的各驾驶愤怒强度的效用函数值和选择概率值

(www.xing528.com)

由表3-5可看到,被试9选择愤怒强度D即高等愤怒强度的概率最大(85.36%)。通过其个人与环境因素属性值分析可知,该被试是短驾龄的青年男性、非职业驾驶人,属于胆汁质气质类型,且曾经发生过交通事故;在交通拥挤水平为拥堵的交通状态下,遇到周边车辆加塞抢道时,最终产生了高愤怒强度的驾驶行为;特别是该被试属于胆汁质气质类型,该类型的驾驶人往往具有很强的攻击性,并且还会因一些小事,开斗气车,甚至是互相排挤。

随机选取本次实验的600个驾驶愤怒样本,包括228个正常驾驶样本、162个低等愤怒样本、129个中等愤怒样本与81个高等愤怒样本,用来测试模型。将量表记录的驾驶愤怒强度与通过本书建立的MNL驾驶愤怒强度预测模型计算的结果进行对比分析,得出本书模型的真阳率、假阳率与准确率等精度指标,计算公式如下:

式(3-20)~(3-22)中,TPR,FPR与Acc分别表示为真阳率、假阳率与准确率;TP,FP,TN与FN分别表示模型正确识别出的阳性样本数、模型错误识别出的阴性样本数、模型正确识别出的阴性样本数、模型错误识别出的阳性样本数。在本节,假定某一愤怒强度样本为阳性样本,那么其他愤怒强度样本则为阴性样本,计算结果如表3-6所示。

表3-6 基于MNL的驾驶愤怒强度预测模型精度

由表3-6可看出,高强度愤怒驾驶样本的识别率最高,达到80.25%;其次为正常驾驶样本的识别率;识别率最低的为低强度愤怒驾驶样本,但仍在 75%以上。误判率最低的为正常驾驶样本,仅为 4.84%;其次为高强度愤怒驾驶样本;误判率较高的是低等与中等强度的愤怒驾驶样本,均在 10%左右。四种强度驾驶愤怒样本的总体准确率达77.34%,表明根据本书建立的MNL模型预测的各种强度驾驶愤怒样本比例与实际自评报告的结果较为吻合,而且该模型对高强度驾驶愤怒样本的预测较为精确。因此,该模型具有较高程度的实际使用性,可用来预测驾驶人在实际交通环境中产生的驾驶愤怒强度等级。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈