杰特GydF4y2Ba 高级运输杂志GydF4y2Ba 2042-3195GydF4y2Ba 0197 - 6729GydF4y2Ba HindawiGydF4y2Ba 10.1155 / 2020/8866876GydF4y2Ba 8866876.GydF4y2Ba 研究文章GydF4y2Ba 通过控制器区域网络总线数据识别大五人格特征GydF4y2Ba https://orcid.org/0000-0002-9029-5601GydF4y2Ba 王GydF4y2Ba 从修辞GydF4y2Ba 1GydF4y2Ba 2GydF4y2Ba https://orcid.org/0000-0002-8119-4577GydF4y2Ba 赵GydF4y2Ba 南GydF4y2Ba 1GydF4y2Ba https://orcid.org/0000-0003-2740-8420GydF4y2Ba 刘GydF4y2Ba 小倩GydF4y2Ba 1GydF4y2Ba https://orcid.org/0000-0001-6054-8295GydF4y2Ba 卡拉布伦GydF4y2Ba 窦GydF4y2Ba 3.GydF4y2Ba https://orcid.org/0000-0002-0613-8460GydF4y2Ba 郑ydF4y2Ba 马里奥GydF4y2Ba 4.GydF4y2Ba https://orcid.org/0000-0003-0020-3812GydF4y2Ba 朱GydF4y2Ba TingshaoGydF4y2Ba 1GydF4y2Ba 多列热GydF4y2Ba 培养皿GydF4y2Ba 1GydF4y2Ba CAS关键实验室的行为科学GydF4y2Ba 研究所的心理学GydF4y2Ba 中国科学院GydF4y2Ba 北京GydF4y2Ba 中国GydF4y2Ba CAS.CN.GydF4y2Ba 2GydF4y2Ba 计算机科学与技术学院GydF4y2Ba 中国科学院大学GydF4y2Ba 北京GydF4y2Ba 中国GydF4y2Ba UCAS.AC.CN.GydF4y2Ba 3.GydF4y2Ba 宝马中国汽车贸易有限公司GydF4y2Ba 北京GydF4y2Ba 中国GydF4y2Ba 4.GydF4y2Ba 宝马中国服务有限公司GydF4y2Ba 北京GydF4y2Ba 中国GydF4y2Ba bmw.comGydF4y2Ba 2020GydF4y2Ba 20.GydF4y2Ba 10.GydF4y2Ba 2020GydF4y2Ba 2020GydF4y2Ba 18.GydF4y2Ba 8.GydF4y2Ba 2020GydF4y2Ba 30.GydF4y2Ba 9.GydF4y2Ba 2020GydF4y2Ba 6.GydF4y2Ba 10.GydF4y2Ba 2020GydF4y2Ba 20.GydF4y2Ba 10.GydF4y2Ba 2020GydF4y2Ba 2020GydF4y2Ba 版权所有©2020雅梦Wang等。GydF4y2Ba 这是在Creative Commons归因许可下分发的开放式访问文章，其允许在任何介质中不受限制地使用，分发和再现，只要正确引用了原始工作。GydF4y2Ba

随着汽车偏好的适应车辆已成为汽车领域的重要焦点，更方便，客观，实时方法，识别司机的个性特征越来越重要。距离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仅提供了用于调查人格差异的新透视图。本研究提出了一种新方法，用于通过驱动信号识别驱动器大五个人格特征，特别是加速器踏板角，正面加速，方向盘角度，横向加速度和速度。从92名参与者收集数据，被要求沿预定义的15公里路线驾驶汽车。利用统计方法和离散的傅里叶变换，提取了与驾驶相关的一些时间频率特征，以建立识别参与者的五个人格特征的模型。对于这五个人格特征尺寸，测定有效预测模型的系数在0.19和0.74之间，根部平均平方误差在2.47和4.23之间，预测得分与自我报告的问卷评分之间的相关性被认为是强大的媒介（0.56-0.88）。结果表明，可以通过驱动信号揭示人格特征，并且从驱动信号提取的时频特征在表征和识别大五个人格性状方面是有效的。这种方法可能具有在车载集成或驾驶员辅助系统开发中的潜在价值，并表明了进一步研究方便的心理测量方法的可能方向。GydF4y2Ba

 宝马中国研究项目GydF4y2Ba 20170321GydF4y2Ba 国家自然科学基金项目GydF4y2Ba 31700984GydF4y2Ba 中国的中国科学院青年创新促进会GydF4y2Ba 1.介绍GydF4y2Ba

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[GydF4y2Ba 1GydF4y2Ba-GydF4y2Ba 3.GydF4y2Ba]，但与令人愉快，开放性和良心性负相关[GydF4y2Ba 1GydF4y2Ba那GydF4y2Ba 4.GydF4y2Ba那GydF4y2Ba 5.GydF4y2Ba］.此外，Shen等人。[GydF4y2Ba 6.GydF4y2Ba]发现正向驾驶行为与神经质呈负相关，与开放性、尽责性、外向性和亲和性呈正相关。目前，汽车行业需要个性化的车辆，以改善驾驶体验[GydF4y2Ba 7.GydF4y2Ba］.因此，它已成为一个重要的焦点[GydF4y2Ba 8.GydF4y2Ba使车辆适应驾驶者的喜好(如个性)。GydF4y2Ba

在测量人格特质，自我报告问卷，如44项大五库存的传统方法（BFI-44）中，使用[GydF4y2Ba 9.GydF4y2Ba］.虽然个性特征是相对稳定的个性心理变量，但不需要在短时间内经常测量[GydF4y2Ba 10.GydF4y2Ba]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[GydF4y2Ba 11.GydF4y2Ba]，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[GydF4y2Ba 12.GydF4y2Ba］.此外，CAN数据已被用于安装到汽车的ECU之间的沟通[GydF4y2Ba 13.GydF4y2Ba，直流电动机数字比例-积分-导数参数的整定问题[GydF4y2Ba 14.GydF4y2Ba]，和集成马达传动动力系统[GydF4y2Ba 15.GydF4y2Ba］.另外，如在OBD-II车辆标准中使用的五个协议之一，CAN技术已经成为汽车嵌入式系统[标准GydF4y2Ba 16.GydF4y2Ba］.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。GydF4y2Ba

利用车载传感器提供的高质量和精细数据粒度的优点，基于这些数据进行了许多研究。已经证明了驱动信号可用于识别醉酒的驾驶行为[GydF4y2Ba 17.GydF4y2Ba]，识别司机[GydF4y2Ba 18.GydF4y2Ba，并检测异常驱动[GydF4y2Ba 19.GydF4y2Ba］.此外，在机器学习技术的帮助下，录制实时驾驶信息的能力很快就会用于其他应用中[GydF4y2Ba 20.GydF4y2Ba］.此外，Wan等人。[GydF4y2Ba 21.GydF4y2Ba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%。GydF4y2Ba

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。GydF4y2Ba

 2.材料和方法GydF4y2Ba

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GydF4y2Ba 1GydF4y2Ba。GydF4y2Ba

从驱动信号识别大五个人格特征的程序。GydF4y2Ba

 2.1。数据采集GydF4y2Ba 2.1.1。实验设置GydF4y2Ba

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GydF4y2Ba 2GydF4y2Ba。预定义的汽车路线为15公里，包括交通灯停止标志，地面街道等。通过这一用户一致的驾驶任务，我们想消除干扰信息，以便探索驾驶行为和人格特质之间的更深入的见解。为了促进数据分析，我们根据道路状况将路线分成不同的子路线，以及坐在Copilot中的教练记录了汽车在实验期间通过不同子路线的时间。GydF4y2Ba

数据采集时预先设定路线(图像模糊，便于匿名)。GydF4y2Ba

一旦驱动信号采集的程序进行，需要每个参与者完成BFI-44来衡量他们的大五人格特质。该调查44项和五个分量表：开放性（10项）;自觉性（9项）;外倾（8项）;宜人（9项）;和神经质（8项）。BFI-44中的每一项评估在李克特5点量表，从1（“强烈不同意”）至5（“同意强烈”）。在这项研究中，问卷的中国版本中实现。它的有效性和可靠性已经被证明[GydF4y2Ba 22.GydF4y2Ba］.GydF4y2Ba

 2.1.2。信号的选择GydF4y2Ba

间的CAN总线上传输的信号，本研究的分析集中于记录以每秒10个数据点的采样频率五个信号：加速踏板角度，额加速度，方向盘角，横向加速度，和速度。与其他信号相比，这些信号不仅更稳定，更容易获得与不同类型或型号的车辆的，同时也能体现驾驶者从不同的方面的驾驶行为。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驾驶员和车辆[之间的相互作用GydF4y2Ba 23GydF4y2Ba];速度和加速度是司机的驾驶风格措施[GydF4y2Ba 24GydF4y2Ba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GydF4y2Ba 3.GydF4y2Ba。GydF4y2Ba

从CAN总线获取的信号示例。GydF4y2Ba

 2.2。数据预处理GydF4y2Ba

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。GydF4y2Ba

2.2.1。数据分割GydF4y2Ba

由于在相同的道路条件下驾驶可视为重复行为，大量的重复数据可能会导致计算效率低和数据冗余。另外，在实际驾驶环境中，很难保证弯道、弯道等路况的一致性。因此，基于该道路条件下获取的数据训练的识别模型在实践中可能泛化能力较差。在本工作中，我们分析了从a点到B点的直线子路的驱动信号(如图所示)GydF4y2Ba 1GydF4y2Ba）。平均而言，参与者需要26.03分钟（SD = 7.48）来完成课程。对于驾驶数据的一致性，我们使用了前9600个数据点的驱动信号（16分钟）。GydF4y2Ba

 2.2.2。低通滤波GydF4y2Ba

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[GydF4y2Ba 25GydF4y2Ba］.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GydF4y2Ba GGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba /GydF4y2Ba 16.GydF4y2Ba 1、4、6 4 1GydF4y2Ba 。过滤过程被定义为GydF4y2Ba （1）GydF4y2Ba yGydF4y2Ba NGydF4y2Ba =GydF4y2Ba σ.GydF4y2Ba T.GydF4y2Ba =GydF4y2Ba -GydF4y2Ba ∞GydF4y2Ba ∞GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba GGydF4y2Ba NGydF4y2Ba -GydF4y2Ba T.GydF4y2Ba =GydF4y2Ba XGydF4y2Ba NGydF4y2Ba *GydF4y2Ba GGydF4y2Ba NGydF4y2Ba 那GydF4y2Ba 在哪里GydF4y2Ba XGydF4y2Ba 是驱动信号，GydF4y2Ba *GydF4y2Ba 代表卷积，和GydF4y2Ba GGydF4y2Ba 表示高斯过滤器。我们以额度加速的碎片为例。低通滤波后，过滤的数据（见图GydF4y2Ba 4（b）GydF4y2Ba)比原始数据更平滑(见图)GydF4y2Ba 4（a）GydF4y2Ba）。和图中红色圆圈中显示的许多少量波动和毛刺GydF4y2Ba 4（a）GydF4y2Ba是删除。GydF4y2Ba

（a）之前的信号示例和（b）过滤。GydF4y2Ba

 ２.３.特征提取与选择GydF4y2Ba

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。GydF4y2Ba

2.3.1。时域特征提取GydF4y2Ba

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GydF4y2Ba W.GydF4y2Ba ，我们定义了数据集GydF4y2Ba 你GydF4y2Ba jGydF4y2Ba ∈GydF4y2Ba 一世GydF4y2Ba 一世GydF4y2Ba XGydF4y2Ba jGydF4y2Ba 那GydF4y2Ba 一世GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 一世GydF4y2Ba +GydF4y2Ba 1GydF4y2Ba 那GydF4y2Ba 一世GydF4y2Ba +GydF4y2Ba 2GydF4y2Ba 那GydF4y2Ba ⋯GydF4y2Ba 那GydF4y2Ba 一世GydF4y2Ba +GydF4y2Ba W.GydF4y2Ba 并具有以下特点:GydF4y2Ba

移动中位数：集合的中位数。GydF4y2Ba

移动平均值:集合的平均值GydF4y2Ba

移动标准偏差：设定的标准偏差值。GydF4y2Ba

考试信号的线性依赖性，我们估计了不同滞后的自相关和部分自相关。具体地，自相关是信号与自身延迟副本的信号相关[GydF4y2Ba 26GydF4y2Ba]，被定义为GydF4y2Ba （2）GydF4y2Ba R.GydF4y2Ba K.GydF4y2Ba =GydF4y2Ba σ.GydF4y2Ba T.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba -GydF4y2Ba K.GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba μ.GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba +GydF4y2Ba K.GydF4y2Ba -GydF4y2Ba μ.GydF4y2Ba σ.GydF4y2Ba T.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba μ.GydF4y2Ba 2GydF4y2Ba 那GydF4y2Ba 在哪里GydF4y2Ba NGydF4y2Ba 指信号的长度，GydF4y2Ba μ.GydF4y2Ba 为信号的平均值，且GydF4y2Ba K.GydF4y2Ba 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[GydF4y2Ba 26GydF4y2Ba]，被定义为GydF4y2Ba （3）GydF4y2Ba P.GydF4y2Ba K.GydF4y2Ba =GydF4y2Ba COV.GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba 那GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba K.GydF4y2Ba |GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba 1GydF4y2Ba 那GydF4y2Ba ......GydF4y2Ba 那GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba K.GydF4y2Ba +GydF4y2Ba 1GydF4y2Ba varGydF4y2Ba XGydF4y2Ba T.GydF4y2Ba |GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba 1GydF4y2Ba 那GydF4y2Ba ......GydF4y2Ba 那GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba K.GydF4y2Ba +GydF4y2Ba 1GydF4y2Ba varGydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba K.GydF4y2Ba |GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba 1GydF4y2Ba 那GydF4y2Ba ......GydF4y2Ba 那GydF4y2Ba XGydF4y2Ba T.GydF4y2Ba -GydF4y2Ba K.GydF4y2Ba +GydF4y2Ba 1GydF4y2Ba 那GydF4y2Ba 在哪里GydF4y2Ba COV.GydF4y2Ba 指的是协方差和GydF4y2Ba varGydF4y2Ba 为方差和GydF4y2Ba K.GydF4y2Ba 指滞后。GydF4y2Ba

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GydF4y2Ba K.GydF4y2Ba =GydF4y2Ba 20、40GydF4y2Ba 那GydF4y2Ba ⋯GydF4y2Ba 那GydF4y2Ba 200.GydF4y2Ba ，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。GydF4y2Ba

 2.3.2。频域特征提取GydF4y2Ba

除了使用统计方法提取时域特征外，我们还进行了。将数据从时域转换到频域的离散傅里叶变换[GydF4y2Ba 27GydF4y2Ba］.公式定义为GydF4y2Ba (4）GydF4y2Ba FGydF4y2Ba K.GydF4y2Ba =GydF4y2Ba σ.GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 0.GydF4y2Ba NGydF4y2Ba -GydF4y2Ba 1GydF4y2Ba XGydF4y2Ba jGydF4y2Ba E.GydF4y2Ba -GydF4y2Ba 一世GydF4y2Ba 2GydF4y2Ba πGydF4y2Ba K.GydF4y2Ba 一世GydF4y2Ba /GydF4y2Ba NGydF4y2Ba 那GydF4y2Ba 在哪里GydF4y2Ba NGydF4y2Ba 指信号的长度，GydF4y2Ba 一世GydF4y2Ba 是复数的符号。GydF4y2Ba

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。GydF4y2Ba

 2.3.3。减少维度GydF4y2Ba

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GydF4y2Ba 5.GydF4y2Ba。的R.E.Fore, some of the 325 + 1000 = 1325 features may be closely related. This redundant information may impact the performance of recognition models, so we need to reduce the redundancy of the feature set.

显示从CAN总线获得的五个信号之间的相关性的矩阵。GydF4y2Ba

由于不同的信号的值在不同的尺度测量，在情况下，从信号与小的值中提取一些重要的功能可能被忽略，所有特征均首先通过Z分数归一化处理。然后主成分分析（PCA）的资金用于减少特征尺寸，因为它已被证明可以PCA远优于其他技术与小型训练集执行[GydF4y2Ba 28GydF4y2Ba］.要使重建误差小于5％，我们保留了77个主成分作为维度减少后的特征。GydF4y2Ba

 2.3.4。特征选择GydF4y2Ba

要获得识别模型的最佳性能，我们应该找到，并从上述77个功能删除无用的功能。在这项研究中，我们使用了顺序后向选择（SBS）找到最佳的功能子集降低特征尺寸，同时尽量减少识别模型的性能损失[GydF4y2Ba 29GydF4y2Ba),和算法GydF4y2Ba 1GydF4y2Ba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GydF4y2Ba XGydF4y2Ba 然后依次丢弃该功能GydF4y2Ba XGydF4y2Ba 'GydF4y2Ba 以改善（或最低恶化）评估措施GydF4y2Ba jGydF4y2Ba 。并且在评估措施时停止GydF4y2Ba jGydF4y2Ba 不增加或子集GydF4y2Ba XGydF4y2Ba 'GydF4y2Ba 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。GydF4y2Ba

<bold>算法1:</bold>顺序向后选择。GydF4y2Ba

输入GydF4y2Ba：GydF4y2Ba

XGydF4y2Ba ：整体特征集GydF4y2Ba

jGydF4y2Ba ：评估措施。GydF4y2Ba

输出GydF4y2Ba：GydF4y2Ba

XGydF4y2Ba 'GydF4y2Ba ：最好的功能子集。GydF4y2Ba

XGydF4y2Ba 'GydF4y2Ba =GydF4y2Ba XGydF4y2Ba 那GydF4y2Ba

重复GydF4y2Ba

XGydF4y2Ba 'GydF4y2Ba =GydF4y2Ba 参数GydF4y2Ba 最大限度GydF4y2Ba XGydF4y2Ba ∈GydF4y2Ba XGydF4y2Ba jGydF4y2Ba XGydF4y2Ba 'GydF4y2Ba -GydF4y2Ba XGydF4y2Ba 那GydF4y2Ba

XGydF4y2Ba 'GydF4y2Ba =GydF4y2Ba XGydF4y2Ba 'GydF4y2Ba -GydF4y2Ba XGydF4y2Ba 'GydF4y2Ba 那GydF4y2Ba

直到GydF4y2Ba没有改善GydF4y2Ba jGydF4y2Ba 或者GydF4y2Ba XGydF4y2Ba 'GydF4y2Ba =GydF4y2Ba ∅GydF4y2Ba

２.４.模型训练GydF4y2Ba

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）[GydF4y2Ba 30.GydF4y2Ba]、支持向量回归(SVR) [GydF4y2Ba 31GydF4y2Ba]，高斯过程回归(GPR) [GydF4y2Ba 32GydF4y2Ba］.GydF4y2Ba

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[GydF4y2Ba 30.GydF4y2Ba］.SVR是支持向量分类，该第一地图功能使用核技巧矢量到更高维的特征空间的扩展，并且然后使得仅基于支持向量预测[GydF4y2Ba 31GydF4y2Ba］.与上述算法相比，GPR是一种基于非参数核的概率模型，它的优点是通过最大化对数边际似然值来自动调整训练数据中的核参数[GydF4y2Ba 32GydF4y2Ba］.GydF4y2Ba

在本研究中，我们对SVR采用线性核函数，对GPR采用点积核加白核的核函数。为了评价模型的预测性能，我们考虑了均方根误差GydF4y2Ba RMSE.GydF4y2Ba ，确定系数GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba 和Pearson相关系数GydF4y2Ba R.GydF4y2Ba 预测分数和自我报告分数之间的差异。表示GydF4y2Ba CGydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba 为回归函数及其相应的参数集和GydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1,2GydF4y2Ba 那GydF4y2Ba ⋯GydF4y2Ba 那GydF4y2Ba NGydF4y2Ba 作为GydF4y2Ba 一世GydF4y2Ba 样本的特征集。的GydF4y2Ba RMSE.GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba 和GydF4y2Ba R.GydF4y2Ba 可以写成GydF4y2Ba (5）GydF4y2Ba RMSE.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba -GydF4y2Ba L.GydF4y2Ba 一世GydF4y2Ba 2GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba -GydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba -GydF4y2Ba L.GydF4y2Ba 一世GydF4y2Ba 2GydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba -GydF4y2Ba L.GydF4y2Ba ¯GydF4y2Ba 2GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba =GydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba -GydF4y2Ba CGydF4y2Ba FGydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba ¯GydF4y2Ba L.GydF4y2Ba 一世GydF4y2Ba -GydF4y2Ba L.GydF4y2Ba ¯GydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba -GydF4y2Ba CGydF4y2Ba FGydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba ¯GydF4y2Ba 2GydF4y2Ba σ.GydF4y2Ba 一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba NGydF4y2Ba L.GydF4y2Ba 一世GydF4y2Ba -GydF4y2Ba L.GydF4y2Ba ¯GydF4y2Ba 2GydF4y2Ba 那GydF4y2Ba CGydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 那GydF4y2Ba γ.GydF4y2Ba 从功能输出预测分数GydF4y2Ba FGydF4y2Ba 一世GydF4y2Ba 和GydF4y2Ba L.GydF4y2Ba 一世GydF4y2Ba 指的是真实的分数GydF4y2Ba 一世GydF4y2Ba 样品。在这项工作中，我们采用10倍交叉验证和单一预测模型中均跨越所有的折叠性能的措施。GydF4y2Ba

 3.结果GydF4y2Ba 3.1。BFI-44的人口统计学和问卷得分GydF4y2Ba

Of these 92 participants (52 males and 40 females), their ages ranged from 21 to 56 years (mean = 31.84, SD = 7.03), and their driving experience ranged from 0.5 to 33 years (mean = 7.84, SD = 5.96). In terms of education level, the participants reported having the following levels: below university diploma, 2.17% ( NGydF4y2Ba = 2); university diploma, 51.09% ( NGydF4y2Ba= 47);大学文凭及以上学历，46.74% (GydF4y2Ba NGydF4y2Ba = 43). Descriptive statistics of self-reported personality traits are provided in Table 1GydF4y2Ba。在形成研究样本的92名参与者中，两个人之间的人格特质分数显示出没有显着差异（开放性：GydF4y2Ba T.GydF4y2Ba= 0.62,GydF4y2Ba P.GydF4y2Ba = 0.53; conscientiousness: T.GydF4y2Ba = 1.14, P.GydF4y2Ba= 0.26;外向性:GydF4y2Ba T.GydF4y2Ba=−1.16,GydF4y2Ba P.GydF4y2Ba= 0.25;随和性:GydF4y2Ba T.GydF4y2Ba = −0.08, P.GydF4y2Ba= 0.45;神经质:GydF4y2Ba T.GydF4y2Ba= -1.38,GydF4y2Ba P.GydF4y2Ba= 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。GydF4y2Ba

人格变量的描述性统计。GydF4y2Ba

全部GydF4y2Ba 男性GydF4y2Ba 女GydF4y2Ba
mGydF4y2Ba SDGydF4y2Ba mGydF4y2Ba SDGydF4y2Ba mGydF4y2Ba SDGydF4y2Ba
开放性GydF4y2Ba 36.61GydF4y2Ba 5.50GydF4y2Ba 36.92GydF4y2Ba 5．31GydF4y2Ba 36.20.GydF4y2Ba 5.64GydF4y2Ba
责任心GydF4y2Ba 34.35GydF4y2Ba 4.81GydF4y2Ba 34.85.GydF4y2Ba 4.47GydF4y2Ba 33.70.GydF4y2Ba 5.09GydF4y2Ba
外向GydF4y2Ba 27.77GydF4y2Ba 5.29GydF4y2Ba 27.21GydF4y2Ba 5.25GydF4y2Ba 28.50GydF4y2Ba 5.18GydF4y2Ba
宜人性GydF4y2Ba 35.16GydF4y2Ba 5.61GydF4y2Ba 34.77GydF4y2Ba 6.29GydF4y2Ba 35.67GydF4y2Ba 4.45GydF4y2Ba
神经质GydF4y2Ba 19.21GydF4y2Ba 5.33GydF4y2Ba 18.54GydF4y2Ba 5.14GydF4y2Ba 20.08GydF4y2Ba 5.38GydF4y2Ba
3.2。识别大五个人格特质GydF4y2Ba

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GydF4y2Ba 2GydF4y2Ba。GydF4y2Ba

特征选择后剩余特征的数量。GydF4y2Ba

LR.GydF4y2Ba SVRGydF4y2Ba GPR.GydF4y2Ba
开放性GydF4y2Ba 39GydF4y2Ba 39GydF4y2Ba 47GydF4y2Ba
责任心GydF4y2Ba 23GydF4y2Ba 21.GydF4y2Ba 30.GydF4y2Ba
外向GydF4y2Ba 31GydF4y2Ba 34GydF4y2Ba 36GydF4y2Ba
宜人性GydF4y2Ba 37GydF4y2Ba 45GydF4y2Ba 32GydF4y2Ba
神经质GydF4y2Ba 24GydF4y2Ba 16.GydF4y2Ba 27GydF4y2Ba

回归模型的性能如图所示GydF4y2Ba 6.GydF4y2Ba和表格GydF4y2Ba 3.GydF4y2Ba。结果表明，可以通过驱动信号揭示人格特征。具体地，对于人格特征的五个维度，SVR预测开放性的最佳性能发生（GydF4y2Ba RMSE.GydF4y2Ba =GydF4y2Ba 2.47GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba =GydF4y2Ba 0.74GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba =GydF4y2Ba 0.88GydF4y2Ba ），其次是预测休闲性的SVR（GydF4y2Ba RMSE.GydF4y2Ba =GydF4y2Ba 2.94GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba =GydF4y2Ba 0.54GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba =GydF4y2Ba 0.79GydF4y2Ba ），SVR预测外向性（GydF4y2Ba RMSE.GydF4y2Ba = 3.33，GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba = 0.45,GydF4y2Ba R.GydF4y2Ba  = 0.75), SVR predicting agreeableness ( RMSE.GydF4y2Ba =GydF4y2Ba 3.48GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba =GydF4y2Ba 0.38GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba =GydF4y2Ba 0.73GydF4y2Ba ），以及LR预测神经质（GydF4y2Ba RMSE.GydF4y2Ba =GydF4y2Ba 4.23GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba =GydF4y2Ba 0.19GydF4y2Ba 那GydF4y2Ba R.GydF4y2Ba =GydF4y2Ba 0．57GydF4y2Ba ）。此外，我们的结果表明，不同模型的性能变化。结果表明，SVR模型的平均性能优于LR模型和GPR模型。GydF4y2Ba

箱子和晶须曲线图的预测性能措施从10倍交叉验证。GydF4y2Ba

回归模型的性能。GydF4y2Ba

LR.GydF4y2Ba SVRGydF4y2Ba GPR.GydF4y2Ba
RMSE.GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba R.GydF4y2Ba RMSE.GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba R.GydF4y2Ba RMSE.GydF4y2Ba R.GydF4y2Ba 2GydF4y2Ba R.GydF4y2Ba
开放性GydF4y2Ba 2.87GydF4y2Ba 0.69GydF4y2Ba 0.87GydF4y2Ba 2.47GydF4y2Ba 0.74GydF4y2Ba 0.88GydF4y2Ba 2.78GydF4y2Ba 0.71GydF4y2Ba 0.87GydF4y2Ba
责任心GydF4y2Ba 3.07GydF4y2Ba 0.53GydF4y2Ba 0.76GydF4y2Ba 2.94GydF4y2Ba 0.54GydF4y2Ba 0.79GydF4y2Ba 2.93GydF4y2Ba 0.55GydF4y2Ba 0.77GydF4y2Ba
外向GydF4y2Ba 3.95GydF4y2Ba 0.11GydF4y2Ba 0.66GydF4y2Ba 3.33GydF4y2Ba 0.45GydF4y2Ba 0.75GydF4y2Ba 3.96GydF4y2Ba ０．１３GydF4y2Ba 0.65GydF4y2Ba
宜人性GydF4y2Ba 5．16GydF4y2Ba -0.32GydF4y2Ba 0．57GydF4y2Ba 3.48GydF4y2Ba 0.38GydF4y2Ba 0.73GydF4y2Ba 4.31GydF4y2Ba ０．０２GydF4y2Ba 0.58GydF4y2Ba
神经质GydF4y2Ba 4.23GydF4y2Ba 0.19GydF4y2Ba 0．57GydF4y2Ba 4.12GydF4y2Ba 0.19GydF4y2Ba 0.56GydF4y2Ba 4.26GydF4y2Ba 0．20GydF4y2Ba 0.56GydF4y2Ba
4。讨论GydF4y2Ba

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。GydF4y2Ba

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。GydF4y2Ba 2GydF4y2Ba那GydF4y2Ba 4.GydF4y2Ba那GydF4y2Ba 6.GydF4y2Ba］.值得注意的是，本前研究中的有效机器学习模型是基于时间和频率域中的低级功能构建的。该领域的驾驶行为的高级别特征（例如，车道切换，尾随，超速和加速）通常基于主观定性评估[GydF4y2Ba 33GydF4y2Ba那GydF4y2Ba 34GydF4y2Ba]，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。GydF4y2Ba

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[GydF4y2Ba 35GydF4y2Ba］.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 [ 36GydF4y2Ba］.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GydF4y2Ba 37GydF4y2Ba］.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。GydF4y2Ba

作为试点研究，突出若干限制是合适的。首先，在本研究中，使用自我报告问卷来测量个性特征。虽然问卷在获取人格特质方面的有效性在文献中得到了很好的支持[GydF4y2Ba 22.GydF4y2Ba[未来的研究中，更多标准可以包括更多标准。其次，这项研究的样本群体包括白领工人，并且没有足够大。因此，我们在识别自我报告的人格特征方面的模型的有效性不能等同于具有不同职业，教育水平和文化的个人人口的有效性。第三，目前的研究基于使用时间频分析提取的基于低级功能的识别模型，这不能对驾驶行为和个性之间的关系提供清晰的理解。基于直观可见的高级功能的进一步研究是必要的。第四，尽管我们的结果表明使用该模型识别人格性状的有效性，但为什么不同尺寸的人格特征模型的性能变化仍不清楚。识别不同尺寸的准确性的差异暗示，并非所有的个性相关都可以在驾驶方面同样反映。为了更好地了解驾驶行为如何反映各个人格特征，更新的作品需要从两个方面继续：首先，进行更多的实验，例如使用FMRI技术驾驶模拟器实验[GydF4y2Ba 38GydF4y2Ba];其次，探讨使用更多深入分析的驾驶行为与人格性状的关系，例如因子分析。GydF4y2Ba

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[GydF4y2Ba 39GydF4y2Ba]，而在实践中要求频繁重复填写问卷往往是不可接受的;因此，该方法可以实时、客观地测量人格特征，这是问卷调查无法实现的。因此，我们的识别模型在某些情况下可能会显示出优势，比如驾驶员是非固定的，但对车辆适应性要求较高。此外，由于该方法可以监测驾驶员心理指标的持续变化，未来的研究可以将该方法应用于驾驶环境中其他心理指标的识别。此外，尽管技术进步使汽车自动化程度提高，但目前设计驾驶系统(如驾驶辅助系统)的一般假设是，驾驶员更喜欢使用与自己驾驶风格相似的系统[GydF4y2Ba 8.GydF4y2Ba］.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。GydF4y2Ba

 5。结论GydF4y2Ba

这项研究向前迈向一步，朝着实时识别大五个人格特征的实时识别，这可能具有在车内集成的发展中的潜在价值。我们的实验表明，使用CAN总线提供的车载传感器提供的驱动信号可以是用于测量人格性状的客观数据源，并且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有效性。此外，该试点研究表明了进一步调查方便心理测量方法的可能方向，并为从人以人为本的角度提供了开发智能驾驶环境的新观点。GydF4y2Ba

 数据可用性GydF4y2Ba

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。GydF4y2Ba

 利益冲突GydF4y2Ba

作者声明本文的发表不存在利益冲突。GydF4y2Ba

 致谢GydF4y2Ba

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。GydF4y2Ba

 MalliaGydF4y2Ba L.GydF4y2Ba LazurasGydF4y2Ba L.GydF4y2Ba Violani.GydF4y2Ba C。GydF4y2Ba LucidiGydF4y2Ba F。GydF4y2Ba 公共汽车驾驶员事故风险与异常驾驶行为:个性和交通安全态度的作用GydF4y2Ba 事故分析与预防GydF4y2Ba 2015GydF4y2Ba 79GydF4y2Ba 145GydF4y2Ba 151GydF4y2Ba 10.1016 / J.AAP.2015.03.034.GydF4y2Ba 2 - s2.0 - 84925788122GydF4y2Ba 斯达克GydF4y2Ba N. J.GydF4y2Ba 岛GydF4y2Ba R. B.GydF4y2Ba 执行功能、个性和风险态度在解释青少年和成年男性司机自我报告的驾驶行为中的作用GydF4y2Ba 交通研究F部分:交通心理学与行为GydF4y2Ba 2016GydF4y2Ba 38GydF4y2Ba 127.GydF4y2Ba 136GydF4y2Ba 10.1016 / J.TRF.2016.01.013GydF4y2Ba 2-S2.0-84959126954GydF4y2Ba 达林GydF4y2Ba e·R。GydF4y2Ba 马丁GydF4y2Ba R. C.GydF4y2Ba RaganGydF4y2Ba K.GydF4y2Ba kuhlman.GydF4y2Ba M . M。GydF4y2Ba 在不安全驾驶的预测中驾驶愤怒，感觉寻求，冲动和无聊的倾向GydF4y2Ba 事故分析与预防GydF4y2Ba 2005GydF4y2Ba 37GydF4y2Ba 2GydF4y2Ba 341.GydF4y2Ba 348.GydF4y2Ba 10.1016 / J.AAP.2004.10.006GydF4y2Ba 2 - s2.0 - 12344267925GydF4y2Ba 杨GydF4y2Ba J。GydF4y2Ba 杜GydF4y2Ba F。GydF4y2Ba 曲GydF4y2Ba W。GydF4y2Ba 龚GydF4y2Ba Z。GydF4y2Ba 太阳GydF4y2Ba X。GydF4y2Ba 人格对中国司机风险驾驶行为与事故的影响GydF4y2Ba 交通损伤预防GydF4y2Ba 2013GydF4y2Ba 14.GydF4y2Ba 6.GydF4y2Ba 565.GydF4y2Ba 571.GydF4y2Ba 10.1080 / 15389588.2012.748903GydF4y2Ba 2 - s2.0 - 84880925678GydF4y2Ba 亚瑟GydF4y2Ba W。GydF4y2Ba jGydF4y2Ba DoverspikeGydF4y2Ba D.GydF4y2Ba 通过人格测试和驾驶知识测试预测机动车事故介入程度GydF4y2Ba 社区预防与干预杂志GydF4y2Ba 2001GydF4y2Ba 22.GydF4y2Ba 1GydF4y2Ba 35GydF4y2Ba 42GydF4y2Ba 10.1080 / 10852350109511209.GydF4y2Ba 2-S2.0-85010622298GydF4y2Ba 沉GydF4y2Ba B.GydF4y2Ba 曲GydF4y2Ba W。GydF4y2Ba 通用电气GydF4y2Ba Y。GydF4y2Ba 太阳GydF4y2Ba X。GydF4y2Ba 张GydF4y2Ba K.GydF4y2Ba 中国人的个性与自我报告的积极驾驶行为的关系GydF4y2Ba 普罗斯一体GydF4y2Ba 2018GydF4y2Ba 13.GydF4y2Ba 1GydF4y2Ba 10.1371 / journal.pone.0190746GydF4y2Ba 2- s2.0-85041785904GydF4y2Ba BenglerGydF4y2Ba K.GydF4y2Ba 饮食GydF4y2Ba K.GydF4y2Ba 法伯GydF4y2Ba B.GydF4y2Ba 莫尔勒GydF4y2Ba mGydF4y2Ba 斯蒂勒GydF4y2Ba C。GydF4y2Ba 优胜者GydF4y2Ba H。GydF4y2Ba 三十年的司机援助系统：审查和未来的观点GydF4y2Ba IEEE智能交通系统杂志GydF4y2Ba 2014GydF4y2Ba 6.GydF4y2Ba 4.GydF4y2Ba 6.GydF4y2Ba 22.GydF4y2Ba 10.1109 / mits.2014.2336271GydF4y2Ba 2 - s2.0 - 84908420412GydF4y2Ba HasenjagerGydF4y2Ba mGydF4y2Ba HeckmannGydF4y2Ba mGydF4y2Ba 的问题GydF4y2Ba H。GydF4y2Ba 高级驾驶员援助系统个性化调查GydF4y2Ba IEEE智能车辆交易GydF4y2Ba 2019GydF4y2Ba 5.GydF4y2Ba 约翰GydF4y2Ba O. P.GydF4y2Ba Srivastava.GydF4y2Ba S.GydF4y2Ba 五大特征分类:历史、测量和理论视角GydF4y2Ba 人格手册：理论与研究GydF4y2Ba 1999年GydF4y2Ba 2GydF4y2Ba 102.GydF4y2Ba 138GydF4y2Ba SoldzGydF4y2Ba S.GydF4y2Ba vaillant.GydF4y2Ba G. E.GydF4y2Ba 大五人格特征和人生历程:一项长达45年的纵向研究GydF4y2Ba 人格研究杂志GydF4y2Ba 1999年GydF4y2Ba 33GydF4y2Ba 2GydF4y2Ba 208.GydF4y2Ba 232.GydF4y2Ba 10.1006 / JRPE.1999.2243GydF4y2Ba 2-S2.0-0001404882GydF4y2Ba 吴GydF4y2Ba G。GydF4y2Ba 郑ydF4y2Ba F。GydF4y2Ba 平底锅GydF4y2Ba X。GydF4y2Ba 徐GydF4y2Ba mGydF4y2Ba 朱GydF4y2Ba X。GydF4y2Ba 利用路面标记的视觉干预对车辙缓解的影响 - 第一部分：初步实验和现场测试GydF4y2Ba 国际路面工程杂志GydF4y2Ba 2019GydF4y2Ba 20.GydF4y2Ba 6.GydF4y2Ba 734GydF4y2Ba 746GydF4y2Ba 10.1080 / 10298436.2017.1334460GydF4y2Ba 2-S2.0-85020188933GydF4y2Ba 郑ydF4y2Ba F。GydF4y2Ba 彭GydF4y2Ba H。GydF4y2Ba 嘛GydF4y2Ba X。GydF4y2Ba 梁GydF4y2Ba J。GydF4y2Ba 郝GydF4y2Ba W。GydF4y2Ba 平底锅GydF4y2Ba X. J. T.GydF4y2Ba 在桥梁隧道剖面上检查跨风中卡车的安全性：驾驶模拟器研究GydF4y2Ba 隧道与地下空间技术GydF4y2Ba 2019GydF4y2Ba 92GydF4y2Ba 103034GydF4y2Ba KienckeGydF4y2Ba U。GydF4y2Ba 讲台GydF4y2Ba S.GydF4y2Ba LitschelGydF4y2Ba mGydF4y2Ba 汽车串行控制器区域网络GydF4y2Ba SAE交易GydF4y2Ba 1986GydF4y2Ba 95GydF4y2Ba 2GydF4y2Ba 823.GydF4y2Ba 828.GydF4y2Ba 齐GydF4y2Ba Z。GydF4y2Ba 史GydF4y2Ba 问：GydF4y2Ba 张GydF4y2Ba H。GydF4y2Ba 使用粒子群优化算法用于基于CAN-DC马达受到随机延迟数字PID控制器的调谐GydF4y2Ba 2019GydF4y2Ba 67GydF4y2Ba 7.GydF4y2Ba 5637GydF4y2Ba 5646GydF4y2Ba 江GydF4y2Ba K.GydF4y2Ba 张GydF4y2Ba H。GydF4y2Ba 卡里GydF4y2Ba H. R.GydF4y2Ba 林GydF4y2Ba J。GydF4y2Ba 系统GydF4y2Ba C。GydF4y2Ba 通过自适应Uncented Kalman滤波器同时输入和状态估计控制器区域网络环境中的集成电动机传输系统GydF4y2Ba Systems，Man和Cyber​​netics上的IEEE事务：系统GydF4y2Ba 2018GydF4y2Ba 50GydF4y2Ba 船上诊断网GydF4y2Ba 用于车载车载诊断的建筑适配器GydF4y2Ba 2009GydF4y2Ba 9.GydF4y2Ba https://www.obddiag.net/adapter.html.GydF4y2Ba 埃尔马斯里GydF4y2Ba A. E. B.GydF4y2Ba 雅宝GydF4y2Ba H。GydF4y2Ba AkkaryGydF4y2Ba H。GydF4y2Ba 面向自我监管:通过CAN总线数据采样检测酒后驾驶行为GydF4y2Ba 2017电气与计算技术及应用国际会议论文集GydF4y2Ba 2018年1月GydF4y2Ba ras al khaimah，阿联酋GydF4y2Ba 1GydF4y2Ba 5.GydF4y2Ba makGydF4y2Ba 答:B。GydF4y2Ba 麦克马丁GydF4y2Ba k . E。GydF4y2Ba Palese称GydF4y2Ba mGydF4y2Ba TephlyGydF4y2Ba t·R。GydF4y2Ba 体液甲酸含量测定:甲醇中毒的应用GydF4y2Ba 生物化学药GydF4y2Ba 1975GydF4y2Ba 13.GydF4y2Ba 2GydF4y2Ba 117.GydF4y2Ba 126.GydF4y2Ba SADHU.GydF4y2Ba V。GydF4y2Ba 甜点GydF4y2Ba T。GydF4y2Ba 庞皮利GydF4y2Ba D.GydF4y2Ba 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GydF4y2Ba 2019GydF4y2Ba http://arxiv.org/abs/1907.00749GydF4y2Ba 艾尔索德GydF4y2Ba Z. E. A.GydF4y2Ba MousannifGydF4y2Ba H。GydF4y2Ba 艾尔MoatassimeGydF4y2Ba H。GydF4y2Ba karkouch.GydF4y2Ba 一种。GydF4y2Ba 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GydF4y2Ba 人工智能的工程应用GydF4y2Ba 2020GydF4y2Ba 87GydF4y2Ba 103312GydF4y2Ba 王ydF4y2Ba P.GydF4y2Ba 吴GydF4y2Ba C。GydF4y2Ba 林GydF4y2Ba Y。GydF4y2Ba 嘛GydF4y2Ba X。GydF4y2Ba 驾驶愤怒状态基于增量协会马尔可夫毯和最小二乘支持向量机的探测GydF4y2Ba 自然与社会中的离散动力学GydF4y2Ba 2019GydF4y2Ba 2019GydF4y2Ba 2745381GydF4y2Ba 10.1155 / 2019/2745381GydF4y2Ba 2 - s2.0 - 85064380918GydF4y2Ba CarciofoGydF4y2Ba R.GydF4y2Ba 杨GydF4y2Ba J。GydF4y2Ba 首歌GydF4y2Ba N。GydF4y2Ba 杜GydF4y2Ba F。GydF4y2Ba 张GydF4y2Ba K.GydF4y2Ba 汉语44件和10件大五个人格清单的心理测量评估，包括与时间表现，心灵和心灵徘徊的相关性GydF4y2Ba 《公共科学图书馆•综合》GydF4y2Ba 2016GydF4y2Ba 11.GydF4y2Ba 2GydF4y2Ba 10.1371 / journal.pone.0149963.GydF4y2Ba 2 - s2.0 - 84960451593GydF4y2Ba EnevGydF4y2Ba mGydF4y2Ba Takakuwa.GydF4y2Ba 一种。GydF4y2Ba 科施GydF4y2Ba K.GydF4y2Ba Kohno.GydF4y2Ba T。GydF4y2Ba 汽车司机指纹GydF4y2Ba 关于隐私加强技术的诉讼程序GydF4y2Ba 2016GydF4y2Ba 16.GydF4y2Ba 2GydF4y2Ba 34GydF4y2Ba 50GydF4y2Ba 10.1515 / popets-2015-0029GydF4y2Ba 拉杰恩GydF4y2Ba T。GydF4y2Ba 卡罗拉GydF4y2Ba J。GydF4y2Ba SummalaGydF4y2Ba H。GydF4y2Ba 以速度和加速来衡量年轻男性司机的驾驶风格GydF4y2Ba 知觉和运动技能GydF4y2Ba 1997年GydF4y2Ba 85GydF4y2Ba 1GydF4y2Ba 3.GydF4y2Ba 16.GydF4y2Ba 10.2466 / pms.1997.85.1.3GydF4y2Ba 2 - s2.0 - 0031203408GydF4y2Ba 安德森GydF4y2Ba B. D.GydF4y2Ba 摩尔GydF4y2Ba J. B.GydF4y2Ba 最优滤波GydF4y2Ba 2012GydF4y2Ba 美国马萨诸塞州北切姆斯福德GydF4y2Ba 快递公司GydF4y2Ba 盒子GydF4y2Ba G. E.GydF4y2Ba 詹金斯GydF4y2Ba G. M.GydF4y2Ba 时间序列分析：预测和控制，约翰瓦利和儿子GydF4y2Ba 2015GydF4y2Ba 霍博肯GydF4y2Ba NJ，美国GydF4y2Ba 温斯坦GydF4y2Ba S.GydF4y2Ba Ebert.GydF4y2Ba P.GydF4y2Ba 采用离散傅里叶变换的频分复用数据传输GydF4y2Ba 通信技术的IEEE交易GydF4y2Ba 1971GydF4y2Ba 19.GydF4y2Ba 5.GydF4y2Ba 628GydF4y2Ba 634GydF4y2Ba 10.1109 / tcom.1971.1090705GydF4y2Ba 2 - s2.0 - 0015144694GydF4y2Ba 马丁内斯GydF4y2Ba 是。GydF4y2Ba kak.GydF4y2Ba a . C。GydF4y2Ba PCA与LDAGydF4y2Ba 模式分析与机器智能学报GydF4y2Ba 2001GydF4y2Ba 23GydF4y2Ba 2GydF4y2Ba 228.GydF4y2Ba 233.GydF4y2Ba 10.1109/34.908974GydF4y2Ba 2 - s2.0 - 0035248924GydF4y2Ba Gheyas.GydF4y2Ba 我一个。GydF4y2Ba 史密斯GydF4y2Ba L. S.GydF4y2Ba 大维域中的特征子集选择GydF4y2Ba 模式识别GydF4y2Ba 2010GydF4y2Ba 43GydF4y2Ba 1GydF4y2Ba 5.GydF4y2Ba 13.GydF4y2Ba 10.1016 / J.Patcog.2009.06.009GydF4y2Ba 2-S2.0-68949155378GydF4y2Ba SeberGydF4y2Ba G. A.GydF4y2Ba 李GydF4y2Ba A. J.GydF4y2Ba 线性回归分析GydF4y2Ba 2012GydF4y2Ba Hoboken，NJ，美国GydF4y2Ba 约翰瓦里和儿子GydF4y2Ba 斯巴达GydF4y2Ba A. J.GydF4y2Ba Schölkopf.GydF4y2Ba B.GydF4y2Ba 关于支持向量回归的教程GydF4y2Ba 统计和计算GydF4y2Ba 2004GydF4y2Ba 14.GydF4y2Ba 3.GydF4y2Ba 199GydF4y2Ba 222.GydF4y2Ba 拉斯穆森GydF4y2Ba C. E.GydF4y2Ba 机器学习中的高斯过程GydF4y2Ba 2005GydF4y2Ba 剑桥，马，美国GydF4y2Ba 麻省理工学院出版社GydF4y2Ba 63GydF4y2Ba 71GydF4y2Ba AtomboGydF4y2Ba C。GydF4y2Ba 吴GydF4y2Ba C。GydF4y2Ba 钟GydF4y2Ba mGydF4y2Ba 张GydF4y2Ba H。GydF4y2Ba 调查影响驾驶人不安全驾驶行为意图的动机因素:超速和超车违规GydF4y2Ba 交通研究F部分:交通心理学与行为GydF4y2Ba 2016GydF4y2Ba 43GydF4y2Ba 104.GydF4y2Ba 121.GydF4y2Ba Fernandes.GydF4y2Ba R.GydF4y2Ba 哈特菲尔德GydF4y2Ba J。GydF4y2Ba 索姆斯工作GydF4y2Ba R. F.GydF4y2Ba 系统调查差动预测因子，用于加速，饮用驾驶，驾驶，同时疲劳，在年轻的司机中没有穿安全带GydF4y2Ba 交通研究F部分:交通心理学与行为GydF4y2Ba 2010GydF4y2Ba 13.GydF4y2Ba 3.GydF4y2Ba 179GydF4y2Ba 196GydF4y2Ba 10.1016 / j.trf.2010.04.007GydF4y2Ba 2 - s2.0 - 77953285478GydF4y2Ba HasenjagerGydF4y2Ba mGydF4y2Ba HeckmannGydF4y2Ba mGydF4y2Ba 的问题GydF4y2Ba H。GydF4y2Ba 高级驾驶员援助系统个性化调查GydF4y2Ba IEEE智能车辆交易GydF4y2Ba 2020GydF4y2Ba 5.GydF4y2Ba 2GydF4y2Ba 335.GydF4y2Ba 344.GydF4y2Ba 10.1109 / tiv.2019.2955910GydF4y2Ba 风扇GydF4y2Ba H。GydF4y2Ba 普尔GydF4y2Ba 多发性硬化症。GydF4y2Ba 个性化是什么?信息系统中个性化设计与实现的展望GydF4y2Ba 组织计算和电子商务杂志GydF4y2Ba 2006GydF4y2Ba 16.GydF4y2Ba 3 - 4GydF4y2Ba 179GydF4y2Ba 202.GydF4y2Ba 10.1207 / s15327744joce1603&4_2GydF4y2Ba 喇叭GydF4y2Ba N。GydF4y2Ba 嘿，宝马，这才像话!宝马(bmw)的智能个人助理将赋予其个性GydF4y2Ba 2018GydF4y2Ba https://www.crest.bmwgroup.com/global/article/Attachment/t0284429EN/413869.GydF4y2Ba 郑ydF4y2Ba P.GydF4y2Ba 郑ydF4y2Ba F。GydF4y2Ba 张GydF4y2Ba L.GydF4y2Ba 嘛GydF4y2Ba X。GydF4y2Ba 平底锅GydF4y2Ba X. J. T.GydF4y2Ba 用FMRI技术检查装饰侧面侧面的影响路隧道GydF4y2Ba 隧道与地下空间技术GydF4y2Ba 2020GydF4y2Ba 99GydF4y2Ba 103362GydF4y2Ba 李GydF4y2Ba Z。GydF4y2Ba 李GydF4y2Ba S.GydF4y2Ba 李GydF4y2Ba R.GydF4y2Ba 郑GydF4y2Ba B.GydF4y2Ba 史GydF4y2Ba J。GydF4y2Ba 使用方向盘角度在线检测驾驶员疲劳，用于实际驾驶条件GydF4y2Ba 传感器GydF4y2Ba 2017GydF4y2Ba 17.GydF4y2Ba 3.GydF4y2Ba 495GydF4y2Ba 10.3390 / s17030495GydF4y2Ba 2 - s2.0 - 85014601834GydF4y2Ba