高级运输杂志

高级运输杂志/2020./文章
特殊的问题

机器学习在运输工程中的应用

查看此特殊问题

研究文章|开放获取

体积 2020. |文章ID. 8866876 | https://doi.org/10.1155/2020/8866876

王亚萌,赵楠,刘小倩,斯南·卡拉布伦,陈廷韶,朱廷韶 通过控制器区域网络总线数据识别大五个人格特征“,高级运输杂志 卷。2020. 文章ID.8866876 10 页面 2020. https://doi.org/10.1155/2020/8866876

通过控制器区域网络总线数据识别大五个人格特征

学术编辑:切赫Dolezel
已收到 2020年8月18日
修改后的 2020年9月30日
公认 2020年10月06
发表 10月20日20日

摘要

随着汽车适应驾驶员的偏好成为汽车行业的重要研究热点,一种更加方便、客观、实时的识别驾驶员个性特征的方法变得越来越重要。直到最近,通过控制器区域网络(CAN)总线获得的驱动信号的可用性不断增加,为研究人格差异提供了新的视角。本研究提出了一种通过驾驶信号识别驾驶员大五人格特征的新方法,具体包括油门踏板角度、正面加速度、方向盘角度、侧面加速度和速度。研究人员从92名参与者中收集了数据,他们被要求沿着预先设定的15公里路线开车。利用统计学方法和离散傅里叶变换提取与驾驶相关的时频特征,建立识别被试大五人格特征的模型。在这5个人格特质维度中,有效预测模型的判定系数在0.19 ~ 0.74之间,均方根误差在2.47 ~ 4.23之间,预测得分与自报问卷得分的相关性为中等~强(0.56 ~ 0.88)。结果表明,驾驶信号可以揭示人格特征,从驾驶信号中提取的时频特征可以有效地表征和识别大五人格特征。这种方法在汽车集成或驾驶员辅助系统的发展中具有潜在价值,并为进一步研究方便的心理测量方法指明了可能的方向。

1.介绍

研究表明,人格特质可以用于探索个体在不同情境下的潜在需求,如驾驶。几项研究表明,危险驾驶行为与神经质和外向性呈正相关[1-3.],但与令人愉快,开放性和良心性负相关[14.5.].此外,Shen等人。[6.]发现阳性驾驶行为与神经骚扰呈负相关,并与开放性,休闲性,途径和令人愉快的持久相关。目前,需要在汽车行业中的车辆个体化,目的是改善驾驶经验[7.].因此,它已成为一个重要的焦点[8.使车辆适应驾驶者的喜好(如个性)。

在传统的测量人格特质方法中,使用自我报告问卷,例如44项大量库存(BFI-44)[9.].虽然人格特征是相对稳定的个体心理变量,不需要在短时间内频繁测量[10]依托自我报告调查问卷限制其可能在某些情况下改善驾驶经验。For instance, for nonfixed drivers (e.g., taxis, rental cars, and family cars) filling out a questionnaire before every time they drive not only does not meet a driver’s need for vehicle adaptation but also takes considerable time and concentration, which limits the availability and effectiveness of self-reported personality traits. Therefore, a more convenient, objective, real-time method to identify drivers’ personality traits has become increasingly important.

传感器和电子控制单元(ecu)直到最近才在汽车行业变得越来越普遍,因为它们不仅保证了发动机的最佳功能,而且还提供了大量关于汽车、驾驶员和周围环境的几乎实时的数据。各种工具,包括传感器、驾驶模拟器和控制器区域网络(CAN)总线数据记录仪,被用于进行研究,并取得了许多有意义的结论。例如,将汽车加速度和转向行为分析的结果作为驾驶安全的指标,Wu等[11],试图确定路面标线的优化设计,以减少沥青路面的车辙。此外,出于安全考虑,驾驶模拟器已用于无法进行现场操作试验的研究,例如在隧道和桥梁断面侧风作用下货车的安全性研究[12].此外,CAN数据已用于车载ecu之间的通信[13[DC电机的数字比例积分衍生参数的调谐问题[14]和集成的电动机传动动力系系统[15].此外,作为OBD-II车辆标准中使用的五种协议之一,CAN技术已成为汽车嵌入式系统的标准[16].增加驾驶数据的可用性增加了为调查各个行为和心理指标提供了新的视角。

利用车载传感器提供的驾驶信号数据质量高、数据粒度细的优势,许多研究都是基于这些数据进行的。已经证明,驾驶信号可以用来识别醉酒驾驶行为[17],识别司机[18,并检测异常驱动[19].此外,在机器学习技术的帮助下,记录实时驾驶信息的能力很快被用于其他应用程序[20.].此外,Wan等人[21基于多传感器信号,采用最小二乘支持向量机模型检测驾驶时的愤怒状态,准确率为82.20%。

综上所述,虽然已有证据表明驾驶信号可以揭示人格特征,但以往的研究尚未建立基于驾驶信号识别人格特征的方法。这促使我们努力深入探索通过驾驶信号实时识别人格特征的解决方案的可能性。在这项工作中,我们的目标是利用CAN总线从车内传感器提供的原始驾驶信号构建特征集,并基于这些特征使用机器学习方法识别大五人格特征。

2。材料和方法

本节提出了一种基于CAN总线数据的人格特征识别方法。利用统计方法和离散傅里叶变换,从CAN总线车载传感器提供的原始驾驶信号中分别在时域和频域提取与人格特征相关的特征。然后利用这些特征通过线性回归、支持向量回归等方法自动识别大五人格特征。本研究共分为四个步骤:(1)数据收集,(2)数据预处理,(3)特征提取与选择,(4)模型训练,如图所示1

2.1.数据收集
2.1.1。实验设置

BMW I3测试车辆配备了数据记录器,可以在本研究中以每秒10个数据点的采样频率记录CAN总线上的信号。我们从92名参与者(52名男性和40名女性)的数据收集了数据,他使用BMW中国的便利采样招募。要求所有参与者在预定的路由上驱动BMW I3测试车辆,如图所示2.预先设定的行车路线为15公里,包括交通灯、停车标志、地面街道等。通过这个用户一致的驾驶任务,我们希望消除干扰信息,从而更深入地了解驾驶行为与人格特征之间的关系。为了便于数据分析,我们根据路况将路线划分为不同的子路线,坐在副驾驶上的指导员记录了实验过程中汽车通过不同子路线的时间。

一旦驾驶信号收集的程序完成,每位参与者都需要完成BFI-44以衡量其五大人格特征。调查问卷包括44项和五个分量:开放性(10件);尽职尽责(9件);外向(8件);令人愉快(9件);和神经质(8件)。BFI-44的每个项目都在李克特5分尺度上进行评估,从1(“不同意强烈”)到5(“强烈同意”)。在这项研究中,实施了中文版调查问卷。其有效性和可靠性已被证明是[22].

2.1.2。信号选择

在CAN总线上传输的信号中,该研究的分析集中在每秒10个数据点的采样频率下记录的五个信号:加速器踏板角,正面加速度,方向盘角度,横向加速度和速度。与其他信号相比,这些信号不仅更稳定且易于获得不同类型或车辆的型号,而且还可以反映不同方面的驱动器的驾驶行为。例如,加速器踏板和方向盘信号是驱动器的直接输出,直接反映驱动器和车辆之间的相互作用[23];速度和加速是司机驾驶风格的措施[24它们可以反映司机的具体驾驶偏好和习惯,例如,严厉加速或超速。这些信号的示例如图所示3.

2.2。数据预处理

具有嘈杂和冗余信息的原始驾驶信号可能会为模型培训带来更多的冗余和复杂性,并影响识别模型的性能。因此,我们需要预处理原始驱动信号,其包括两个步骤:(1)数据分割和(2)低通滤波。

2.2.1。数据分段

由于在相同的道路条件下驾驶可以被视为重复行为,因此大量的重复数据可能导致低计算效率和数据冗余。此外,难以保证实际驾驶环境中的路线或弯曲道路等道路状况的一致性。然后基于在这种道路条件下获得的数据训练的识别模型可能具有较差的概括能力。在这项工作中,我们分析了从点A到点B的直子路线的驱动信号(如图所示)1).参与者平均花了26.03分钟(SD = 7.48)完成课程。为了保证驾驶数据的一致性,我们对前9600个数据点(16分钟)使用驾驶信号。

2.2.2。低通滤波

由于意外的颠簸或振动可能导致数据收集中的一些噪声或高频分量,因此我们应该在原始驱动信号上过滤作为信号处理的作业。高斯滤波器是一种低通滤波器,在信号数据中衰减噪声和高频分量[25].计算了每个驱动信号与高斯滤波器的卷积,高斯滤波器的窗长为5,系数为 过滤过程定义为 在哪里 是驱动信号, 代表卷积, 为高斯滤波器。我们以正面加速度的碎片为例。经过低通滤波后,滤波后的数据(见图4(b))比原始数据更平滑(见图)4(a)).和图中红色圆圈中显示的许多少量波动和毛刺4(a)是删除。

2.3。特征提取和选择

经过数据预处理后,我们需要从驾驶信号中提取和选择能够有效表征大五人格特征的特征。具体来说,采用时频分析方法,首先分别在时域和频域提取特征。然后通过降维和特征选择的方法找到并去除这些特征中的冗余信息。

2.3.1。时域特征提取

与驱动信号的统计值(例如,平均值,中值和标准偏差值)相关的时间域信息用于表征驱动程序的行为模式。由于信号的全局统计值无法反映驾驶行为的细节,因此将该信息集成到给定的滑动时间窗口中。具体来说,在宽度的时间窗口中 我们定义了一组数据 并具有以下特点:(1)移动中位数:集合的中位数。(2)移动均值:集合的平均值(3)移动标准偏差:集合的标准偏差值。

为了检验信号的线性相关性,我们估计了不同时滞的自相关和偏自相关。具体来说,自相关是信号与自身的延迟拷贝的相关[26,定义为 在哪里 是指信号的长度, 指信号的均值,和 指滞后。偏自相关给出了一个平稳时间序列与其自身滞后值的偏相关[26,定义为 在哪里 指协方差和 是指方差和 指滞后。

对于每个信号,我们通过2分钟的时间窗口获得45个统计值,重叠比为50%。通过在2秒的步长将2秒从2秒设置为20秒 我们提取了20个线性依赖功能。最后,我们获得了总共(45 + 20)* 5 = 325时域特征。

2.3.2。频域特征提取

除了使用统计方法提取的时间域特征,我们进行了。离散傅立叶变换将数据从时间域转换为频域[27].公式定义为 在哪里 是指信号的长度, 是复杂号码的标志。

对于每个信号,我们分别选择前100个振幅和相位。最后,我们总共获得(100 + 100)∗5 = 1000个频域特征。

2.3.3。减少维度

必须强调的是,驱动信号可能是相互关联的。例如,不同信号之间的平均Pearson相关系数如图所示5..因此,325 + 1000 = 1325个特征中的一些可能密切相关。这种冗余信息可能会影响识别模型的性能,因此我们需要减少功能集的冗余。

由于在不同的尺度上测量不同信号的值,因此在可能忽略具有小值的信号中提取的一些重要特征的情况下,所有特征都首先通过Z-Score标准化进行处理。然后利用主成分分析(PCA)来减少特征尺寸,因为它已经证明PCA可以比其他训练集上具有小尺寸的技术更好地表现更好[28].为了使重构误差小于5%,我们在降维后保留了77个主成分作为特征。

2.3.4。特征选择

为了获得识别模型的最佳性能,我们应该从上面的77个功能中找到并删除无用的功能。在这项研究中,我们使用顺序后向选择(SBS)来找到减少特征尺寸的最佳功能子集,同时最小化识别模型的性能损失[29),和算法1描述整个过程。SBS是一种贪婪的搜索算法,它从整个特性集开始 然后依次丢弃该功能 以便改善(或最低限度地恶化)评估措施 并且在评估措施时停止 没有增加或子集 是一个空集,这意味着所有剩余的特征对识别模型都是有用的。

输入
整个功能集
评估措施。
输出
特征的最佳子集。
重复
直到没有改善 要么
2.4.模型训练

我们培训了回归模型,以确认五大人格特质。由于没有证据表明,某个机器学习算法最适合识别人格性状,我们研究了本研究中的最先进的回归模型:线性回归(LR)[30.]、支持向量回归(SVR) [31[高斯过程回归(GPR)[32].

LR是一个参数模型,其参数是通过最小化均方误差来估计的,预测需要简单的矩阵乘法[30.].SVR是支持向量分类的扩展,首先将特征向量映射到使用内核特征的高维特征空间,然后仅基于支持向量进行预测[31].与上述算法相反,GPR是基于非参数内核的概率模型,其优点是通过最大化日志边际似然来自动调谐内核参数的优势[32].

在这项研究中,我们拍摄了SVR的线性内核功能,以及DOT-Product Kernel加上GPR的白内核的内核功能。为了评估模型的预测性能,我们考虑了根均方误差 决定系数 和Pearson相关系数 预测分数和自我报告分数之间的差异。表示 为回归函数及其相应的参数集和 作为 样本的功能集。这 可以写成 从功能输出预测分数 指的是真正的得分 样品。在这项工作中,我们在单个预测模型中施加了10倍的交叉验证和平均性能测量。

结果

3.1。BFI-44的人口统计学和问卷评分

其中92名参与者(52名男性和40名女性),他们的年龄从21〜56岁(平均= 31.84,SD = 7.03),他们的驾驶经验范围为0.5至33岁(平均值= 7.84,SD = 5.96)。在教育水平方面,参与者报告称以下等级:大学文凭以下,2.17%(N = 2); university diploma, 51.09% (N= 47);大学文凭及以上学历,46.74% (N= 43)。自述人格特征的描述性统计见表1.在92名研究样本参与者中,两性的个性特征得分没有显著差异(开放性:T.= 0.62,P. = 0.53; conscientiousness:T.= 1.14,P.= 0.26;外向性:T. = −1.16,P. = 0.25; agreeableness:T. = −0.08,P. = 0.45; neuroticism:T. = -1.38,P.= 0.17),这意味着在我们的数据集中,性别不是影响大五人格特征识别模型表现的因素。


全部 男性
m SD m SD m SD

开放 36.61 5.50 36.92 5.31 36.20 5.64
尽责 34.35 4.81 34.85 4.47 33.70 5.09
外向 27.77 5.29 27.21 5.25 28.50 5.18
宜人 35.16 5.61 34.77 6.29 35.67 4.45
神经质 19.21 5.33 18.54 5.14 20.08 5.38

3.2.五种人格特征的识别

在特征选择之后,剩余的特征根据回归算法不同。表中显示了LR,SVR和GPR的剩余功能的数量2


LR. SVR GPR.

开放 39 39 47
尽责 23 21 30.
外向 31 34 36
宜人 37 45 32
神经质 24 16 27

回归模型的性能如图所示6.和表3..结果表明,驾驶信号可以揭示人格特征。具体而言,在人格特质的五个维度中,预测开放性的SVR表现最好( ),其次是SVR预测休闲性( ),SVR预测外向性( = 3.33, = 0.45, = 0.75), SVR预测亲和性( ),和LR预测神经质( ).此外,我们的结果表明,不同的模型的性能是不同的。结果表明,SVR模型的平均性能优于LR模型和GPR模型。


LR. SVR GPR.

开放 2.87 0.69 0.87 2.47 0.74 0.88 2.78 0.71 0.87
尽责 3.07 0.53 0.76 2.94 0.54 0.79 2.93 0.55 0.77
外向 3.95 0.11 0.66 3.33 0.45 0.75 3.96 0.13 0.65
宜人 5.16 -0.32 0.57 3.48 0.38 0.73 4.31 0.02 0.58
神经质 4.23 0.19 0.57 4.12 0.19 0.56 4.26 0.20 0.56

4.讨论

我们使用CAN总线和培训的机器学习模型收集了车载传感器提供的驾驶信号,用于识别个人的五个人格性状。使用时频分析方法,我们分别从时间和频域中提取了驱动信号的特征,该特征用于构建人格性状识别模型。对于五个人格特质尺寸,不同模型的测定系数在0.19和0.74之间,根部平均平方误差在2.47和4.23之间,自我报告的问卷评分和预测得分之间的相关性被认为是强大的(0.56-0.88)。我们的研究结果表明,驾驶信号可用于实时自动识别各个人格性状。

我们的研究结果表明驱动信号是衡量个体人格特征的一个方便和客观的来源。从我们的工作中可以看出,参与者只需要驾驶少于10公里,就可以很准确地识别出他们的个性特征。这些结果与之前的研究一致,这些研究表明性格特征和驾驶行为之间存在联系。24.6.].值得注意的是,本研究中有效的机器学习模型是基于时域和频域的低层次特征构建的。该领域驾驶行为的高级特征(如车道切换、追尾、超车和超速)往往基于主观的定性评价[3334],限制在实践中将这些特征集成到一个机器学习模型中的有效性。虽然,时间频率特征可能无法提供对个体驾驶行为的大量直观的理解,但他们可以提供关于驾驶员的人格的更全面的信息。我们的结果表明,基于使用时频分析提取的低级功能来识别自我报告的人格性状的建筑机器学习模型的有效性。

现代汽车最近配备了数百个传感器和电子控制单元,这意味着我们可以以最小的成本轻松获得驾驶信号。因此,这种基于驾驶信号的人格特征识别方法适用于车载集成和单片机嵌入式系统的开发。此外,个性化在汽车行业是近年来的趋势,以确保最佳用户体验[35].Although personalization can be explicitly implemented by providing drivers with system parameters that can be manual tune, the implicit mode that estimates drivers preferences based on observing their behavior not only reduces the tedious and error-prone task of manual tuning, but also satisfies drivers’ need for vehicle adaptation through fine-tuning [36].例如,车辆中的“智能个人助理”(IPA)是一个重要的特征,为司机使用他们的声音与他们的车辆互动的方式37].通过驾驶行为来识别驾驶员的个性特征,并动态地对当前驱动程序个性化的IPA将增加客户体验。因此,该方法可能具有人以人为中心的智能驾驶环境的发展的潜在价值。

作为一项初步研究,适当强调几个局限性。首先,本研究使用自我报告问卷对人格特质进行测量。尽管问卷在获取人格特征方面的有效性在文献中得到了很好的支持[22],未来的研究可以纳入更多的标准。第二,本研究的样本人群为白领,数量不够大。因此,我们的模型在识别自我报告的人格特征方面的有效性不能等同于在不同职业、教育水平和文化的个体群体中的有效性。第三,目前的研究基于时频分析提取的低级特征构建识别模型,不能清晰地理解驾驶行为与人格之间的关系。基于直观可见的高层特征的进一步研究是必要的。第四,虽然我们的研究结果显示了使用该模型识别人格特质的有效性,但为什么不同维度的人格特质模型表现存在差异尚不清楚。识别不同维度准确性的差异表明,并非所有与性格相关的因素都能在驾驶中得到同等的反映。为了更好地理解驾驶行为如何反映个体人格特征,未来还需要从两个方面继续更多的工作:一是开展更多的实验,如使用fMRI技术进行驾驶模拟器实验[38];其次,运用因子分析等更深入的分析方法,探究驾驶行为与人格特质之间的关系。

尽管由于该研究的探索性质,但它提出了对数据驱动心理测量的未来研究的潜力。驱动信号具有实时,连续,不可取和可靠的优点[39],同时要求他/她经常在练习中经常完成调查问卷;因此,该方法可以实际和客观地测量人格性状,这不能通过问卷来实现。因此,我们的识别模型可能在某些情况下显示优势,例如驾驶员是非修正的,但对车辆适应性有很高的需求。此外,未来的研究可以将这种方法转移到识别驾驶环境中的其他心理指标,因为这种方法可以监测驾驶员心理指标的不断变化。此外,虽然技术进步使得能够增加车辆的自动化,但是设计驾驶系统(例如驾驶辅助系统)的当前一般假设,驾驶员更喜欢使用采用类似驾驶风格的系统来对自己的系统[8.].然而,几乎没有经验证据支持这一假设。该方法为驾驶辅助系统的设计研究提供了一个新的方向。

5.结论

这项研究向实时识别五大人格特征的低成本、非侵入性解决方案迈进了一步,这可能在开发车内整合方面具有潜在价值。我们的实验表明,使用CAN总线的车载传感器提供的驾驶信号可以作为人格特征测量的客观数据源,预测机器学习模型在识别自我报告的人格特征方面表现出了有效性。此外,该初步研究为便利的心理测量方法的进一步研究指明了可能的方向,并为以人为本的智能驾驶环境的发展提供了新的视角。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

的利益冲突

提交人声明有关本文的出版物没有利益冲突。

致谢

本研究得到了宝马中国研究计划(批准号:20171010923)的资助。国家自然科学基金资助项目(批准号:20170321);31700984)和中国科学院青年创新促进会。

参考文献

  1. L. Mallia,L. Lazuras,C. Violani和F. Lucidi,“公共汽车司机中的崩溃风险和异常驾驶行为:人格和对交通安全的态度的作用,”事故分析与预防,卷。79,pp。145-151,2015。查看在:出版商的网站|谷歌学术搜索
  2. N. J. Starkey和R. B. Isler,“执行职能,人格和态度对风险的作用,以解释青少年和成年男性司机的自我报告的驾驶行为”交通研究F部分:交通心理学与行为,卷。38,pp。127-136,2016。查看在:出版商的网站|谷歌学术搜索
  3. E. R. Dahlen,R.C.Martin,K.Ragan和M. M. Kuhlman,“推动愤怒,感觉寻求,冲动和无聊在不安全驾驶的预测中,”事故分析与预防,卷。37,不。2,pp。341-348,2005。查看在:出版商的网站|谷歌学术搜索
  4. J. Yang,F. Du,W.Qu,Z.Gong和X. Sun,“人格对中国司机的风险驾驶行为和事故参与的影响”交通伤害的预防,卷。14,不。6,pp。565-571,2013。查看在:出版商的网站|谷歌学术搜索
  5. W. Arthur Jr和D. Doverspike,“通过人格测量和驾驶知识测试预测机动车事故参与程度”,社区预防与干预杂志第22卷第2期1,第35-42页,2001。查看在:出版商的网站|谷歌学术搜索
  6. 沈斌,曲文,葛颖,孙昕,张凯,“中国驾驶员自我报告积极驾驶行为与人格特征的关系”,《公共科学图书馆•综合》,第13卷,第2期2018年1日。查看在:出版商的网站|谷歌学术搜索
  7. K.Bengler,K. Dietmayer,B. Farber,M.Maurer,C.Verter和H. Winner,三十年的司机援助系统:审查和未来的观点,“IEEE智能交通系统杂志,卷。6,不。4,pp。6-22,2014。查看在:出版商的网站|谷歌学术搜索
  8. M. HECHMANGER,M. HECKMANN和H. HESING,“对先进驾驶员援助系统的个性化调查”,“IEEE智能汽车汇刊,卷。5,2019年。查看在:谷歌学术搜索
  9. O. P. John和S. Srivastava,“The Big Firt Trip Catraticy:历史,测量和理论观点”,人格手册:理论与研究,卷。2,pp。102-138,1999。查看在:谷歌学术搜索
  10. S. Soldz和G. E.Vaillant,“五大人格特质和生命课程:45年纵向研究”,《人格研究杂志》,卷。33,不。2,pp。208-232,1999。查看在:出版商的网站|谷歌学术搜索
  11. G. Wu,F. Chen,X. Pan,M. Xu和X.朱,“使用路面标记的视觉干预措施对车辙缓解 - 第一部分:初步实验和现场测试,”国际路面工程杂志,卷。20,没有。6,PP。734-746,2019。查看在:出版商的网站|谷歌学术搜索
  12. 陈飞,彭海华,马晓婷,梁建平,郝伟,潘晓军,“侧风作用下车辆行驶安全性的仿真研究,”隧道和地下空间技术,第92卷,第103034条,2019。查看在:谷歌学术搜索
  13. U. Kiencke,S. Dais和M. Litschel,“汽车串行控制器区域网络”,SAE交易第95卷第1期2,第823-828页,1986。查看在:谷歌学术搜索
  14. z气,问:“和h·张,“数字PID控制器使用粒子群优化算法优化CAN-based直流电机受随机延迟,”67卷,没有。7、第5637-5646页,2019。查看在:谷歌学术搜索
  15. K.江,H.张,H.R.Kimi,J.Lin和C.系统,“通过自适应Uncented Kalman滤波器的控制器区域网络环境中的集成电机传输系统的同时输入和状态估计”,Systems,Man和Cyber​​netics上的IEEE事务:系统,卷。50,2018。查看在:谷歌学术搜索
  16. 在诊断网上,“车载车载诊断的建筑适配器”Vol。9,2009年,https://www.obddiag.net/adapter.html.查看在:谷歌学术搜索
  17. A. E. B. El Masri, H. Artail,和H. Akkary,“走向自我监管:通过抽样CAN总线数据检测醉酒驾驶行为”,在2017电气与计算技术及应用国际会议论文集,pp.1-5,Ras Al Khaimah,阿联酋,2018年1月。查看在:谷歌学术搜索
  18. A. B. Makar, K. E. McMartin, M. Palese,和T. R. Tephly,“体液中甲酸酯分析:甲醇中毒的应用”,生物化学药,第13卷,第2期2,页117-126,1975。查看在:谷歌学术搜索
  19. V. Sadhu, T. Misu,和D. Pompili,“基于CAN总线标量传感器数据的异常驾驶检测的深度多任务学习”,2019,http://arxiv.org/abs/1907.00749.查看在:谷歌学术搜索
  20. Z. E. a . Elassad, H. Mousannif, H. Al Moatassime, and a . Karkouch,“机器学习技术在驾驶行为分析中的应用:概念框架和系统文献综述,”人工智能工程应用,第87卷,第103312页,2020。查看在:谷歌学术搜索
  21. “基于最小二乘支持向量机的驾驶愤怒状态检测方法研究”,自然与社会的离散动态,第2745381号,2019年。查看在:出版商的网站|谷歌学术搜索
  22. R. Carciofo,J. Yang,N.宋,F. du和K. Zhang,“汉语44件的心理测量和10件五件五件人格清单,包括与时间顺序,谨慎和心灵徘徊的相关性,“《公共科学图书馆•综合》,卷。11,不。2016年2日。查看在:出版商的网站|谷歌学术搜索
  23. M. Enev,A.Takakuwa,K. Koscher和T. Kohno,“汽车司机指纹识别”增强私隐技术的程序,卷。16,不。2,pp。34-50,2016。查看在:出版商的网站|谷歌学术搜索
  24. T. Lajunen,J. Karola和H. Summala,“速度和加速作为年轻男性司机的驾驶风格”,“知觉和运动技能第85卷第1期1,页3-16,1997。查看在:出版商的网站|谷歌学术搜索
  25. B. D. Anderson和J. B. Moore,最佳过滤,Courier Corporation,北Chelmsford,MA,美国,2012年。
  26. G. E. BOX和G. M. Jenkins,《时间序列分析:预测与控制》,John Wiley和Sons出版,NJ,美国,霍博肯,2015。
  27. S. Weinstein和P.Ebert,“通过离散傅里叶变换的频分复用数据传输”IEEE通信技术汇刊第19卷第2期5,第628-634页,1971年。查看在:出版商的网站|谷歌学术搜索
  28. A.M.Martínez和A. C. Kak,“PCA与LDA”,图案分析和机器智能的IEEE交易,第23卷,第2期。2,页228-233,2001。查看在:出版商的网站|谷歌学术搜索
  29. I. A. Gheyas和L. S. Smith,“特征在大维度域中的子集选择”,模式识别号,第43卷。1,页5-13,2010。查看在:出版商的网站|谷歌学术搜索
  30. G. A. Seber和A. J. Lee,线性回归分析, John Wiley & Sons,霍博肯,新泽西州,美国,2012。
  31. A. J. Smola和B.Schölkopf,“支持向量回归的教程”,统计和计算,卷。14,不。3,pp。199-222,2004。查看在:谷歌学术搜索
  32. C. E. Rasmussen,机器学习中的高斯过程,麻省理工学院出版社,剑桥,马萨诸塞州,美国,2005。
  33. C. atombo,C.吴,钟和H.张,“调查影响司机意图的动机因素到不安全的驾驶行为:超速和超越违规行为”交通研究F部分:交通心理学与行为,卷。43,pp。104-121,2016。查看在:谷歌学术搜索
  34. R. Fernandes, J. Hatfield, and R. F. Soames Job,“对超速、酒后驾驶、疲劳驾驶和不系安全带的年轻司机的不同预测因素的系统调查,”交通研究F部分:交通心理学与行为,第13卷,第2期3,pp。179-196,2010。查看在:出版商的网站|谷歌学术搜索
  35. M.HECHMABÄGER,M. Heckmann和H. Wersing,“先进驾驶员援助系统的个性化调查”,IEEE智能汽车汇刊,第5卷,第5期。2, pp. 335-344, 2020。查看在:出版商的网站|谷歌学术搜索
  36. H. Fan和M. S. Poole,“什么是个性化?关于信息系统个性化的设计和实施的透视图,“组织计算和电子商务杂志,卷。16,不。3-4,pp。179-202,2006。查看在:出版商的网站|谷歌学术搜索
  37. N. Horn,“嘿宝马,现在我们正在说话!BMWS即将与该公司的智能个人助理获得个性,“2018年,https://www.press.bmwgroup.com/global/article/attachment/T0284429EN/413869查看在:谷歌学术搜索
  38. 陈鹏,陈飞,张磊,马旭东,潘晓军,“利用fMRI技术检测隧道侧壁装饰的影响,”隧道和地下空间技术,第99卷,第103362页,2020。查看在:谷歌学术搜索
  39. 李李,李,李,李,B.程,以及J. Shi,“在线检测使用方向盘角度进行真正的驾驶条件”传感器,卷。17,不。3,p。495,2017。查看在:出版商的网站|谷歌学术搜索

版权所有©2020 Yameng Wang等人。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作,则允许在任何媒体中的不受限制使用,分发和再现。


更多相关文章

PDF. 下载引用 引用
下载其他格式更多的
订单印刷副本订单
的观点612.
下载182
引用

相关文章