出行信息影响下驾驶员任务集聚认知模式研究

戢晓峰，魏雪梅

1.昆明理工大学 交通工程学院，昆明 650500

2.公路工程省部共建教育部重点实验室（长沙理工大学），长沙 410004

出行信息影响下驾驶员任务集聚认知模式研究

戢晓峰1，2，魏雪梅1，2

1.昆明理工大学 交通工程学院，昆明 650500

2.公路工程省部共建教育部重点实验室（长沙理工大学），长沙 410004

1 引言

出行信息的认知能够为驾驶员出行决策提供重要依据，且有效的出行信息认知与搜寻能够提高驾驶员的出行效率。文献[1]给出了这样的定义：“认知心理学是研究感觉输入的变换、减少、解释、贮存、恢复和使用的所有过程的学科”。而驾驶员认知模式，则是描述驾驶员的信息获取、存储、处理及输出等认知过程的理论模式。目前，相关研究主要分析出行信息影响下的驾驶员出行行为，未能综合考虑出行信息刺激的多源性及驾驶员任务集聚认知模式的反应机理。已有研究主要从认知心理学和信息融合两个方面分析驾驶员的出行行为，如Ramming[2]指出ATIS条件下出行者对出行选择的认知主要包括历史经验和出行信息两种途径，具有较高吸引力的出行信息会对出行决策产生重要影响；Dell'Orco等[3]利用不确定性信息理论，初步探讨了驾驶员出行经验与出行信息的融合模式，主要通过诱导服从率表示。关于出行信息搜寻及影响因素的研究近年来也逐步展开，如Chorus等[4]分析了个体特征在出行信息价值评估中的影响机理；莫一魁等[5]利用最小二乘法对驾驶员交通信息偏好的影响因素进行分析，提出了个人属性、出行行为特征、信息需求偏好以及信息获取方式偏好是影响驾驶员信息偏好的主要因素；出行信息搜寻行为除了受到驾驶员本身属性影响外[6]，还受到决策规则、出行经验、认知能力、信息源、环境等的影响，而是否继续搜寻则取决于出行信息量满足检验及信息的可信任程度；徐铖铖等[7]定量分析了信息信任度、可用性、易用性等变量对出行信息接受意愿的影响机制；戢晓峰等[8]通过建立偏好路线集对出行经验进行描述，并提出了出行信息搜寻的logit模型，以刻画出行者的动态信息认知过程；魏雪梅等[9]建立了驾驶员出行信息搜寻的因果结构方程模型，重点分析驾驶员属性、信息源因素以及环境因素与搜寻行为之间的关系。同时，现有研究主要利用仿真技术和问卷调查对出行信息的影响因素进行分析，如潘泉[10]及王雷等[11]建立了多源信息刺激下驾驶员任务集聚协同反应的微观仿真算法；Chorus等[12-13]建立了多模式出行信息环境下的出行仿真器TSL，能够分析多源出行信息对出行者实际选择的影响，同时应用仿真数据，评估了出行者受教育程度、信息获取行为以及出行选择特性之间的关系。

尽管上述研究为出行信息认知模式研究提供了具有理论或应用价值的成果，但缺乏系统的驾驶员出行信息认知模式分析，对出行信息源、出行特征与驾驶员出行信息认知模式相互关系缺乏集成分析。因此，本文在界定驾驶员任务集聚认知模式内涵的基础上，分析了驾驶员任务集聚认知模式的影响因素，并解析驾驶员实际出行中所面临的多源出行信息环境，通过统计分析获取影响驾驶员认知模式的关键因素，运用有序多分类Logistic回归方法来构建驾驶员认知模式的决策模型。

2 驾驶员任务集聚认知模式

2.1 驾驶员任务集聚认知模式内涵

驾驶员任务集聚是在多源出行信息影响下，为了完成出行决策，驾驶员根据自身心理-物理反应对出行信息做出不同的认知和搜寻响应。驾驶员出行信息任务集聚认知是一种出行需求驱动下产生的功能性认知，是为完成出行而主动获取出行信息的过程，如图1所示。

图1 需求驱动下的驾驶员出行信息任务集聚认知过程

2.2 认知模式的影响因素

驾驶员在出行过程中，出行行为经常受到信息源（如互联网、手机终端、交通广播、可变信息板、车载诱导系统及道路指示标志）和信息需求（如路况状态信息、路径导航信息、交通管制信息、地理信息、停车信息及事故信息）的刺激与影响，促使驾驶员逐步形成下一时刻的行为方针。在出行信息认知过程中，驾驶员是主体因素，在认识和决策中起着主体的关键作用。同时，信息源及驾驶员出行特征也是影响认知模式的重要因素，如表1所示。根据出行的整个过程，对驾驶员从整个交通系统中获取、加工、储存、使用相关出行信息的认知活动链进行抽象，提出一种将直觉、分析和推理三者相结合的出行信息认知结构，如图2所示。

表1 影响认知模式的因素统计

3 多源出行信息环境分析

多源出行信息环境是指驾驶员在实际出行过程中所处的信息环境[14]，主要包括了出行信息源、信息传递模式、信息内容、信息类型、信息精度、信息更新周期等特征属性。本文分别针对出租车驾驶员与私家车驾驶员，对其实际的出行信息环境进行分析。

3.1 出租车驾驶员

在实际出行过程中，出租车驾驶员由于出行经验丰富以及对路网熟悉程度高，通常会依据出行经验出行。同时，出租车驾驶员的出行目的是为了承载乘客，因此本文主要对私家车驾驶员出行信息认知模式进行研究。

3.2 私家车驾驶员

相对于出租车驾驶员而言，私家车驾驶员的出行信息环境较为复杂，如表2所示，主要出行信息源为互联网、手机终端、交通广播、可变信息板、车载诱导系统、道路指示标志等。而除了道路指示标志外，其他信息源都是动态更新的。如果不考虑其对路网的熟悉程度，驾驶员在出行过程中获取的出行信息主要来自于交通广播和可变信息板等[15]，而缺乏定量的行程时间信息。总体看来，目前私家车驾驶员所面临的出行信息环境是一种多源模糊信息环境，不能获取关于目标路段与区域的交通状态、行程时间等相关的定量出行信息，而只能搜寻到定性的描述性信息。

图2 多源出行信息刺激下驾驶员任务集聚认知结构框架图

表2 出租车驾驶员与私家车驾驶员出行信息环境比较

4 驾驶员出行信息任务集聚认知模式的决策模型

4.1 驾驶员任务集聚认知模式的决策活动链

在多源出行信息刺激下驾驶员任务集聚认知模式的决策过程中，认知模式和决策行为是两个关键性的组成部分。其中认知模式是由驾驶员的出行经验、思维方式、科学知识、法律观念等相互联系和相互作用而成的统一体，影响着驾驶员的认知行为和整个决策过程；决策行为是驾驶员在多源出行信息刺激下做出合理的出行行为过程中表现出来的反应。驾驶员的认知模式实质上可以抽象为：多源出行信息刺激下，一个驾驶任务集聚的决策活动链，即驾驶员通过视觉、听觉、触觉等，获取出行信息环境中有关出行和环境的不同时空的多源出行信息，在一定的出行经验、决策模式和信息源偏好的基础上，获取多源出行信息的基本特征，并将其转变为有用信息，从而做出更准确、更可靠的出行行为决策。图3为多源出行信息刺激下驾驶员任务集聚认知模式的决策活动链示意图。

图3 多源出行信息刺激下驾驶员任务集聚认知模式的决策活动链

出行信息任务集聚认知模式将体现驾驶员根据出行信息做出何种出行决策，即是否依据获取的出行信息改变出行路径与出发时刻，属于分类变量。而简单地将“做出决策”和“不做出决策”作为应变量是不合理的，例如：（1）根据不同的出行特征，即使同一驾驶员认知相同的出行信息，都会做出不同的出行决策；（2）根据不同的出行信息内容，即使同一驾驶员有相同的出行特征，也会做出不同的出行决策。因此，本文将“根据出行信息改变出行决策的频繁程度”作为应变量，分为三个水平，包括经常、偶尔和极少，属于有序多分类，选择有序多分类Logistic模型。

4.2 有序多分类Logistic模型

有序多分类Logistic模型中常用的是累计回归模型[16]，累积Logistic回归模型定义为：

其中，y*表示观测现象内在趋势，并不能被直接测量；ε为误差项。

当实际观测反应变量有J种类别时(j=1，2，…，J)，相应取值为y=1，y=2，…，y=J，并且各取值之间关系为(y=1)≺(y=2)≺…≺(y=J)，那么共有J-1个未知门槛或分界点将各相邻类别分开。即：如果y*≤μ1，则y=1；如果μ1≺y*≤μ2，则y=2；…；如果μJ-1≺y*，则y=1。其中μj表示分界点，有J-1个值，且有μ1≺μ2≺μ3≺…≺μj-1。

给定χ值，得累积概率表示为：

有了累积分布函数以后，累积Logistic回归可以定义为：

4.3 变量选取

驾驶员出行决策受到自身属性影响外，还受到外界因素影响，如信息源等，因此选取自变量包括信息源认知偏好、信任度、性别、年龄、受教育程度、驾龄和出行时间。其中，年龄、驾龄和出行时间作为连续变量，其他自变量属于分类变量。对各变量的水平进行相应的转化，表3所示。

5 实例分析

5.1 数据来源

为获取驾驶员多源出行信息认知模式特征，本文选取昆明市二环路以内三个停车场进行问卷调查。问卷的发放以停车场为单位，采用分层抽样法，根据各停车场的停车规模确定其样本规模，在既定的停车场中采取随机的方法进行抽样调查，并以一对一的方式进行问卷填写。起初，问卷设计时简单设置了普通的主观和客观题选项，发现问卷调查对象不配合。随后，采用更人性化的方法，如Likert-type Scales改进了调查表，并且通过赠送礼品给每个参与调查的驾驶员，调查结果较为满意。本次调查共发放问卷423份，其中有效问卷412份，问卷有效率为95.7%。

表3 各变量水平转化

5.2 Logistic决策模型变量确定

本文使用逐步Logistic回归模型来筛选自变量，即从包含全部自变量的回归模型中逐步地剔除对应变量没有统计学意义的自变量。将Wald值较小且P值（即显著性）较大的自变量逐个剔除出模型，通常选取0.25或0.5作为筛选自变量的P值标准。为了提高模型的精度，将筛选自变量的P值定为0.25。通过SPSS19.0完成因变量和自变量的回归计算，先后将“出行时间”和“信任度”剔除，最终结果如表4所示。

5.3 模型建立与结果分析

5.3.1 模型建立

根据回归计算结果，将所有变量的结果代入有序多分类Logistic模型中，建立了如下模型：

表4 有序多分类Logistic的计算结果

5.3.2 模型校验

通过对影响变量的P检验外，本文还将对模型进行似然比和拟合优度两个指标的检验，分析模型的统计特性，从而判断模型的拟合精度。

（1）模型似然比检验

如表5，对模型中是否所有自变量偏回归系数全为0进行似然比检验，结果P＜0.001，说明至少有一个变量的偏回归系数不为0。也就是说，拟合包含“年龄”、“驾龄”、“信息源认知偏好”、“性别”和“受教育程度”五个自变量的模型，其拟合优度好于仅包含常数项的模型，该模型对此有显著的影响。

表5 模型的似然比检验

（2）拟合优度检验（Pearson）

表6为模型Pearson拟合优度检验结果，可知P＜0.001，说明该模型能够充分提取数据中的信息。

表6 模型的拟合优度检验

5.3.3 结果分析

不同驾驶员属性、信息源等条件下，驾驶员的出行信息需求存在较大差别，不同出行信息需求对驾驶员出行决策存在不同的影响，主要体现在：

（1）年龄对驾驶员的出行决策影响较为显著。实例表明昆明市驾驶员随着年龄的增长，改变出行决策的频率越大。

（2）驾龄对驾驶员的出行决策影响不显著，计算事件发生比例OR=exp(0.188)=1.21，表明驾龄每增长1年，不改变出行决策的频率将会提高0.188倍。随着驾驶员驾龄的增长，根据多源出行信息而改变出行决策的频率将会略微降低。驾驶员驾龄的提高，意味着出行经验更加丰富，故对多源出行信息的依赖程度将会降低。

（3）驾驶员对不同信息源的出行信息内容需求差异显著，他们对不同出行信息源存在显著的信息内容选择偏好。昆明市驾驶员更倾向于通过互联网获取路径导航信息，改变出行决策；道路指示标志等固定设施更适于提供路网图等导向类信息；车载导航系统提供的路径导航信息将更有利于长距离出行或不熟悉路段出行的驾驶员。

（4）性别对驾驶员的出行决策影响不显著，计算事件发生比例OR=exp(1.027)=2.79，表明在多源出行信息影响下，女性比男性更容易改变出行决策。

（5）受教育程度对驾驶员的出行决策影响较为显著，表明有一定教育背景的驾驶员，在出行信息影响下改变出行决策的频率较大。当驾驶员受教育程度达到一定水平时，在拥有出行经验的情况下，同样会基于出行信息做出决策。

6 结论

多源出行信息影响下的驾驶员任务集聚认知模式的研究，能够为出行信息发布、ATIS规划与建设提供理论依据。本文分析了多源出行信息影响下的驾驶员任务集聚认知模式的影响因素，并对出租车驾驶员和私家车驾驶员多源出行信息环境进行了解析。运用有序多分类Logistic回归方法构建驾驶员认知模式的决策模型，研究了驾驶员属性、信息源认知偏好与出行决策之间的量化关系，用概率的方式来描述驾驶员出行决策，更符合实际情况和统计规律。在昆明市驾驶员出行信息认知模式的SP调查数据基础上，分析并计算模型参数，得到了多源出行信息影响下驾驶员任务集聚认知模式的决策模型。该模型的有效性得到了较好验证，从而可知，有序多分类Logistic回归模型在驾驶员信息认知模式中具有很好的适应性和实用性。

[1]Best J B[美].认知心理学[M].黄希庭，译.北京：中国轻工业出版社，2000.

[2]Ramming M S.Network knowledge and route choice[D].Massachusetts Cambridge：Massachusetts Institute of Technology，2002.

[3]Dell'Orco M，Teodorovic D.Data fusion for updating information inmodelingdrivers’choicebehavior[J].TransportMetric，2009，5（2）：107-123.

[4]Chorus C G.Travelers’need for information：an empirical study into the role of knowledge[C]//Proceedings of the 85th Annual Meeting of the Transportation Research Board，Washington DC，2006.

[5]莫一魁，苏永云，沈旅欧.基于结构方程的小汽车驾驶员信息偏好分析[J].系统工程，2008，27（8）：85-89.

[6]戢晓峰，刘澜.多模式公共交通系统的出行信息有效性研究[J].武汉理工大学学报：交通科学与工程版，2009，33（5）：980-983.

[7]Xu C C，Wang W，Chen J，et al.Analyzing travelers’intention to accept travel information structural equation modeling[J]. Transportation Research Record，2010，2156：93-100.

[8]戢晓峰，成卫.基于出行决策的出行信息认知模式研究[J].人类工效学，2011，17（1）：60-69.

[9]魏雪梅，戢晓峰，陈方.基于SEM的驾驶员出行信息搜寻行为分析[J].交通运输系统工程与信息，2012，12（3）：174-179.

[10]潘泉.信息融合理论的基本方法与进展[J].自动化学报，2003，29（4）：600-605.

[11]王雷，王晓原，杨新月.基于多源信息融合的驾驶员行为协调仿真算法[J].交通运输系统工程与信息，2006，6（1）：86-90.

[12]Chorus C G，Molin E J E，Arentze T A，et al.Validation of a multimodal travel simulator with travel information provision[J].Transportation Research：Part C，2007，15（3）：191-207.

[13]Chorus C，Arentze T，Timmermans H.Information impact on quality of travel choices：analysis of data from a multimodal travel simulator[C]//Proceedings of the 86th Annual Meeting of the Transportation Research Board，Washington DC，2007.

[14]戢晓峰，陈方，韩春华.城市出行信息环境分层规划方法[J].城市问题，2011，4（1）：48-51.

[15]戢晓峰.公共交通乘客出行信息接受水平评价方法[J].城市交通，2009，7（1）：72-75.

[16]王济川，郭志刚.Logistic回归模型——方法与应用[M].北京：高等教育出版社，2001.

JI Xiaofeng1，2,WEI Xuemei1，2

1.Faculty of Transportation Engineering,Kunming University of Science and Technology,Kunming 650500,China
2.Key Laboratory of Highway Engineering（Changsha University of Science and Technology）,Ministry of Education,Changsha 410004,China

The cognition is important basis for drivers to make decision.In order to explain the cognition mode of drivers,the impact factors of drivers’cognition mode is analyzed under the environment of multi-resource travel information and also the environment of multi-resource travel information is represented.To analyze the characteristics of drivers’cognition mode,this paper takes an example of Kunming city in Yunnan Province in China to investigate questionnaires with 412 samples in three parks within the Second Ring Road.The cognition mode is established.Drivers’attributes,cognition preference of information resources and travel decision are analyzed by ordered polytomous Logistic model.The results indicate drivers who highly have cognition on travel information resources will change travel decision frequently according to travel information；with the increase of driving age,the frequency of changing travel decision will reduce.

multi-resource travel information;cognition mode;task concentration;Logistic regression model

出行信息的认知能够为驾驶员出行决策提供重要依据。为了科学解释多源出行信息影响下的驾驶员任务集聚认知模式，分析了驾驶员任务集聚认知模式的影响因素，并对驾驶员多源出行信息环境进行了解析。为获取驾驶员多源出行信息认知模式特征，以某市412个样本数据库为基础，运用有序多分类Logistic回归方法构建驾驶员认知模式的决策模型，解析了驾驶员属性、信息源认知偏好与出行决策之间的关系。结果表明：对出行信息源认知良好的驾驶员，根据出行信息改变出行决策的频繁程度通常更高；随着驾龄的增长，驾驶员根据出行信息改变出行决策的频繁程度反而降低。

多源出行信息；认知模式；任务集聚；Logistic回归模型

A

U491.1

10.3778/j.issn.1002-8331.1301-0361

JI Xiaofeng,WEI Xuemei.Task concentration cognition mode of drivers under travel information.Computer Engineering and Applications,2013,49（13）：21-25.

国家自然科学基金（No.61263025）；公路工程省部共建教育部重点实验室开放基金（No.kfj100107）；汽车仿真与控制国家重点实验室开放基金（No.20111116）。

戢晓峰（1982—），男，工学博士，副教授，主要研究领域为智能交通与交通规划；魏雪梅（1987—），女，博士研究生，主要研究领域为智能交通。E-mail：yiluxinshi@sina.com

2013-02-05

2013-04-02

1002-8331（2013）13-0021-05

CNKI出版日期：2013-04-18http://www.cnki.net/kcms/detail/11.2127.TP.20130418.1614.001.html