交通诱导信息组合方式对路径决策的影响*

骆晨 刘澜,2†

(1.西南交通大学 交通运输与物流学院, 四川 成都 610031;2.综合交通运输智能化国家地方联合工程实验室, 四川 成都 610031)

交通诱导信息组合方式对路径决策的影响*

骆晨1刘澜1,2†

(1.西南交通大学 交通运输与物流学院, 四川 成都 610031;2.综合交通运输智能化国家地方联合工程实验室, 四川 成都 610031)

为提高交通诱导信息的诱导效率，系统研究信息结构化对驾驶决策的影响机理，引入云模型构建交通诱导信息评价体系，通过全功能汽车模拟驾驶器仿真实验，设计4种交通诱导信息环境并进行了交通诱导信息环境下的路径选择实验，在此基础上分析不同信息结构组合下的交通诱导信息对驾驶决策的影响特征，提出了交通诱导信息发布策略的优化方案.研究结果表明：数字类信息、语言类信息、图像类信息组合而成的交通诱导信息对驾驶决策影响显著,语言类信息与数字类信息组合发布的交通诱导信息有利于驾驶员认知道路环境，数字类信息与图像类信息组合发布有利于驾驶员进行路径决策.

智能交通;信息结构化;云模型;驾驶决策;发布策略

交通信息是驾驶决策的重要依据，充分考虑信息对驾驶决策影响的交通信息能增强交通信息的诱导能力，在提高驾驶员出行效率的同时达到减缓甚至疏散拥堵交通的目的，保障城市道路网络交通运行系统效能最优.交通诱导信息与驾驶决策的全程交互性，决定了对交通诱导信息的研究主要集中在交通诱导信息对驾驶员的作用机理上.Cristea等[1]通过模拟仿真研究不同年龄、性别的驾驶员在车载信息协助下的驾驶行为，研究结果表明年龄、性别与信息理解能力相关；Normawati[2]研究了驾驶员获取利用交通信息的过程，指出驾驶行为和周围的交通信息有关;Waard等[3]研究了驾驶员对于道路信息的需求，提出信息不足或过多都会对驾驶员产生负面影响；Al等[4]通过28个信息标志对驾驶员个人特征与理解能力的关系调查研究，发现只有56%的标志能够让司机理解，这项研究认为驾驶员个人特点，包括驾驶经验、经历事故的数量、年龄、婚姻状况、性别、国籍、教育背景和月收入等都对驾驶员理解能力产生影响;David等[5]通过对4个国家的31个交通标志，每个国家采集250个样本进行研究，发现同一标志在不同国家的理解差异较大，交通标志的理解与国家文化有关;Delhomme等[6]通过驾驶模拟仿真发现，相对于其他信息而言，驾驶员花费更多时间在阅读警告信息上.

交通诱导信息主要由图像信息、语言信息、数字信息3大类构成[7]，上述研究把交通信息作为整体，从驾驶员个人特性与交通信息理解两方面发掘交通信息对驾驶决策的作用机理，尚未从不同组合结构的交通诱导信息对驾驶决策的影响这方面进行交通诱导信息发布策略研究.鉴于此，文中利用驾驶仿真技术，在仿真系统中设定特定道路环境进行实验，分析不同信息结构组合下的交通信息对驾驶员决策的影响，为交通信息组合方式的选择提供一定依据.

1 交通诱导信息云模型的构建

云模型因其具有把自然语言值表示的某个定性概念与相应的量化表示之间进行不确定性转换的功能，在交通领域具有一定的实用性[8].驾驶路径决策是对通行道路定量的选择结果，该定量的选择结果是依据由自然语言、图像等表示的交通诱导信息进行选择，该选择过程具有模糊性和随机性.文中运用云模型进行数据处理，分析异构交通诱导信息组合方式对驾驶决策的影响[9].

1.1 交通诱导信息云模型的定义

定义1 在多源异质信息环境中设路径决策集合C为用精确数值表示的定量路径选择结果论域U的定性概念，若路径选择结果论域U中的某一选择x对路径决策C的隶属度μ(x)是一个具有稳定倾向的随机数[10]，则其隶属度在路径集合U上的分布称为云，记为C(U)，即μ:C→[0,1],∀x∈U,x→μ(x).

1.2 交通诱导信息有效性评价方法

交通信息诱导的过程是由交通决策者、信息、驾驶员三者共同参与，但其作用结果通过驾驶决策的结果反映，云模型中的期望值Ex、熵En和超熵He3个特征数字能通过样本数据的最终结果逆推出来[11]，该特性能有效地从最终的驾驶决策结果反映交通决策者、信息、驾驶员三者之间的关系.下面就云模型在交通信息诱导过程中的参数进行相关定义，而云模型记为C(Ex,En,He),如图1所示.

图1 云图Fig.1 Cloud diagram

1.3 模型计算

文中采用正向云发生器FCG，如图2所示.由云模型的数字特征C(Ex,En,He)产生定量数值，即输入数字特征C(Ex,En,He)以及云滴个数N，输出N个云滴(xi,yi)，其中i=1,2,…,N[12].

图2 云发生器Fig.2 Cloud generator

具体模型计算步骤如下.

步骤1 输入：样本点xi,其中i=1,2,…,N,…；输出：反映定性概念的数字特征C(Ex,En,He)；

步骤5 重复上述步骤1-3，直至产生N个云滴为止，通过云滴绘制云图.

2 交通诱导信息对驾驶决策行为影响的实验方案设计

2.1 实验人员的选取

现有驾驶决策行为研究成果显示，青年驾驶员更容易接受诱导信息，因此随机选取100名青年自愿者参与实验，根据驾驶员性别、驾龄等个体属性，将自愿者统计分类(如表1所示)，其中驾龄根据驾驶经验分为新驾驶员(行驶里程数少于8 000 km的驾驶员)、老驾驶员[15]；职业根据是否从事驾驶行业分为非职业驾驶员、职业驾驶员(出租车司机、校车司机).参与实验的驾驶员满足以下条件：①持有我国颁发C1级驾驶执照，且裸眼或矫正视力在1.0及以上；②未参加过驾驶决策行为及类似的实验测试；③实验前24 h睡眠充足，无饮酒或服用药物等情况.

表1 驾驶员个体属性统计表Table 1 Driver’s individual attribute statistics

2.2 实验设备

本次实验采用西南交通大学自制的全功能汽车模拟驾驶器，其视景显示在3通道环形屏幕上，分辨率为1 024×768.屏幕水平包裹视角为150°，竖直方向包裹视角为 30°，视景每秒刷新60次，场景中其他车辆、行人、信号等都与实际的交通场景一致.仿真车辆的位置和速度采样频率为30 Hz.

2.3 实验情景设计

在实际路径决策中，路径选择是个复杂连续的过程，该过程覆盖整个驾驶员的出行链以及不同条件下的各种驾驶操作过程.在实验中设计如图3所示的示例路网，其中O为出行链起点，D为出行链终点，1、2、3、4分别为出行链中诱导路径的交叉口.在出行过程中对1、2、3、4交叉口分别发布交通诱导组合信息一、二、三、四.

在实验过程中提供的交通信息是针对前方道路情况进行发布，发布交通诱导信息分为4种，包括：语言类信息与数字类信息组合发布、语言类信息与图像类信息组合发布、数字类信息与图像类信息组合发布、3类信息组合发布，其中数字类信息包含拥堵路段排队长度、车流行驶速度；语言类信息包括语音信息和文字信息，其中语音信息由车载广播发布，文字信息包括路上标识、标线等；图像类信息由可变信息板提供，其中黑色代表道路严重拥堵时信息板显示的红色，浅灰色代表道路较为通畅时可变信息板显示的黄色，如图3所示；语言类信息和数字类信息内容由交通管理者通过车载终端提供给驾驶员；数字类信息与图像类信息的组合发布规则是当图像类信息发布后2 s再发布数字类信息.本实验情景设定为驾驶员在交通路网均为双车道的路网中内行驶，在距离交叉口50 m时为驾驶员提供前方路段交通信息供其进行驾驶决策，设定拥堵道路的交通情况为车流积压50 m.

图3 出行链示意图Fig.3 Diagram of travel chain

根据上述情景设定的4种交通诱导信息如下.

交通诱导信息环境一：前方道路较为拥堵，车道内车流积压50 m，建议左转；

交通诱导信息环境二：前方道路较为拥堵，建议右转，图像信息由可变信息板显示；

交通诱导信息环境三：前方车道内车流积压50 m，图像信息由可变信息板显示；

交通诱导信息环境四：前方道路较为拥堵，车道内车流积压50 m，建议右转，图像信息由可变信息板显示.

2.4 实验流程设计

实验开始期前，驾驶员对实验手册进行阅读了解，驾驶员之间无相互交流，如有疑问咨询实验人员进行解答.实验具体步骤如下.

步骤1 被实验的驾驶员熟悉实验操作仪器及相关操作步骤，熟悉伴随驾驶操作过程的交通信息发布流程，所有参与实验过程的驾驶员被告知相同路网结构信息，并要求驾驶员以自我认知行程时间最短为目标完成实验前训练；

步骤2 训练结束后实验正式开始，每位实验者按预定顺序进行模拟驾驶实验，在实验过程中若驾驶员分别位于交叉口1、2、3、4前50 m，则依次发布交通信息一、交通信息二、交通信息三、交通信息四，未位于制定交叉口路段则不发布信息，任其自由驾驶至D点；

步骤3 测试完之后被实验者需口头阐述选择的原因，实验员总结记录其选择原因及结果,且保证测试完的实验者与未测试的实验者之间无实验内容的交流，保证实验过程中各被实验者无历史经验信息；

步骤4 重复试验步骤2、3，并做好相关试验记录，具体数据如表2所示.

表2 各交叉口驾驶员选择诱导路径人数Table 2 Number of drivers selecting the guidance road on every intersection

3 实验结果及分析

3.1 实验结果统计

根据表2的实验数据，对4组实验数据进行计算，分别得到4组交通信息参与下诱导路径选择云模型中的期望、熵、超熵，具体数据如表3所示；不同性别、驾龄、职业下驾驶员选择诱导路径的云模型参数如表4-6所示.

由表3可以看出，交通管理者发布数字类信息和语言类信息组合的交通信息对驾驶员选择诱导路径的影响最小，语言类信息与图像类信息组合发布的交通信息熵最大，3类信息组合发布的交通信息超熵最大.

表3 驾驶员选择诱导路径的云模型参数Table 3 Cloud model parameters of the driver selecting the guidance road

表4 不同性别下驾驶员选择诱导路径的云模型参数Table 4 Cloud model parameters of the driver with different gender selecting the guidance road

表5 不同驾龄下驾驶员选择诱导路径的云模型参数Table 5 Cloud model parameters of the driver with different age selecting the guidance road

表6 不同职业下驾驶员选择诱导路径的云模型参数Table 6 Cloud model parameters of the driver with different professions selecting the guidance road

由表4可以看出，语言类信息与图像信息组合发布环境下男性的熵最小，说明语言类与图像类组合的信息对男性诱导效率最高、影响最大；在女性属性中语言类信息与图像信息组合发布的熵和超熵为0，主要原因是实验样本量较小导致.

由表5可以看出，语言类信息与图像信息组合发布环境下新驾驶员的熵最小，说明语言类信息与图像类信息组合发布对新驾驶员诱导效率最高、影响最大；语言类信息与数字类信息组合发布环境下老驾驶员的熵最小，说明语言类与数字类组合发布的信息对老驾驶员影响较大.

由表6可以看出，语言类与图像信息组合发布环境下非职业驾驶员的熵最小，说明语言类与图像类组合的信息对非职业驾驶员诱导效率最高、影响最大；在职业驾驶员中语言类信息与图像信息组合发布的熵和超熵为0，主要原因是实验样本量较小导致.

3.2 实验结果分析

由上述实验结果,根据云模型计算步骤并运用Matlab进行处理，得到4种交通信息下的驾驶员选择诱导路径的云图，如图4所示.因样本量较小，各属性下云图的趋势不明显，导致各属性下的研究结论不具有代表性，故文中不对其进行云图绘制，今后将通过加大样本量重点研究各属性下的驾驶决策规律.

图4 驾驶员选择诱导路径云图Fig.4 Cloud diagrams of the driver selecting the guidance road

异构交通诱导信息组合对驾驶决策影响显著.由模型结果看出，不同信息组合对驾驶决策影响不同，从驾驶员选择结果来看,影响程度从大到小依次为：语言、数字和图像类信息，数字和图像类信息组合,语言和图像类信息组合，语言和数字类信息组合.

图像类信息比语言类信息更易于增加驾驶员对前方道路的认知不确定性.在两种类型信息组合条件下,交通诱导信息环境一和交通诱导信息环境三对驾驶员道路变更选择结果影响差距显著，且交通诱导信息环境一下驾驶员的认知误差较小，主要原因是两种信息组合下信息内容单调，驾驶员主要根据个人主观经验进行判断，对语言类信息规避或根据做出不同理解.

数字类信息比语言类信息更利于驾驶决策.交通诱导信息环境三比交通诱导信息环境二的超熵小，反映驾驶员在该种交通信息环境下的决策误差小，利于驾驶员根据个人主观经验生成驾驶决策信息，主要原因是图像类信息呈现的结果带有一定主观性，客观的数字类信息组合增加了驾驶员对其的信任感.

交通信息丰富的环境下语言类信息对驾驶决策影响显著.交通诱导信息环境三和交通诱导信息环境四的选择结果差异明显，主要原因是信息内容丰富时驾驶员个人决策出现犹豫，该环境下驾驶员会结合语言类信息进行决策选择.

4 结论

文中以交通诱导信息发布策略为研究对象，以异构交通诱导信息组合方式对驾驶决策的影响为研究重点，通过动态实验模拟不同组合的多源诱导信息环境下的路径选择，建立交通诱导信息云模型分析不同信息组合条件下的发布策略对驾驶决策的影响，得出以下结论:数字类信息、语言类信息、图像类信息组合而成的交通诱导信息对驾驶决策影响显著,在拥堵路段或需疏散路段进行三类信息组合发布有利于诱导驾驶员变更原有选择路径；语言类信息与数字类信息组合发布的交通诱导信息对驾驶员的影响较小,通过利用该组合信息对非拥堵或次拥堵路段进行描述有利于驾驶员认知其道路环境；数字类信息与图像类信息组合发布下的驾驶员决策误差较小，有利于驾驶员进行最后的路径决策.

[1] CRISTEA M,DELHOMM P.Comprehension and acceptability of on-board traffic information:Beliefs and driving behavior [J].Accident Analysis & Prevention,2014,65(4):123-130.

[2] NORMAWATI H.Towards new frontier of constitutional recognition of environmental protection in urban regeneration procedia [J].Social and Behavioral Sciences,2015,17(7),415-421.

[3] WAARD D,STEYVERS F J J M.,Brookhuis K A.How much visual road Information is needed to drive safely and comfortably [J].Safety Science,2004,42(5):639-655.

[4] AL M H,AL J.Role of drivers’ personal characteristics in understanding traffic sign symbols [J].Accident Analysis and Prevention,2002,34(3):185-196.

[5] DAVID S,MARGREET V.Comprehension of traffic signs with symbolic versus text displays [J].Transportation Research Part F:Traffic Psychology and Behaviour,2013,18(5):72-82

[6] DELHOMME P,CRISTEA M,PARAN F.Self-reported frequency and perceived difficulty of adopting eco-friendly driving behavior according to gender,age,and environmental concern [J].Transportation Research Part D:Transport and Environment,2013,20(3):55-58.

[7] 马艳丽,冷雪,胡宝雨.车载信息系统操作对驾驶员动作分神的影响 [J].交通运输系统工程与信息,2015,15(4):204-209.

MA Yan-li,LENG Xue,HU Bao-yu.Influence of invehicle information system operation on driver action distraction [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(4):204-209.

[8] 杨锦伟,肖新平,郭金海,等.基于少数据云推理的短时交通流预测模型 [J].交通运输系统工程与信息,2015,15(3):64-69.

YANG Jin-wei,XIAO Xin-ping,GUO Jin-hai,et al.Short-term traffic flow forecasting model based on few data cloud inference [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(3):64-69.

[9] TSENG K C,WANG H,CHEIN S,et al.Using cloud model for default voting in collaborative filtering [J].Journal of Convergence Information Technology,2011,12(6):68-74.

[10] 刘澜,骆晨,尹俊淞,等.多源信息环境下的路径决策模型 [J].西南交通大学学报,2015,50(5):891-897.

LIU Lan,LUO Chen,YIN Jun-song,et al.Route decision model under the environment of multi-source information [J].Journal of Southwest Jiaotong University,2015,50(5):891-897.

[11] 郑青川,姚安林,关惠平.基于云模型的油气管道坡面水毁安全评价 [J].安全与环境学报,2012,12(4):234-238.

ZHENG Qing-chuan,YAO An-lin,GUAN Hui-ping.Safety evaluation on flood damage at slope of oil and gas pipelines based on cloud model [J].Journal of Safety and Environment,2012,12(4):234-238.

[12] 韦凯,刘欣欣.基于云模型的网格用户主观信任管理模型 [J].华南理工大学学报(自然科学版),2011,39(2):81-87.

WEI Kai,LIU Xin-xin.Cloud model-based subjective trust Management model for grid users [J].Journal of South China University of Technology(Natural Science Edition),2011,39(2):81-87.

[13] 申桂香,丁烨,张英芝.基于云模型的刀库系统故障分析 [J].中南大学学报( 自然科学版),2013,44(4):1420-1424.

SHEN Gui-xiang,DING Ye,ZHANG Ying-zhi.Failure analysis of tool changer system based on cloud model [J].Journal of Central South University(Science and Technology),2013,44(4):1420-1424.

[14] 秦昆,李德毅,许凯.基于云模型的图像分割方法研究 [J].测绘信息与工程,2006,31(5):3-5.

QIN Kun,LI De-yi,XU Kai.Image Segmentation based on cloud model [J].Journal of Geomatics,2006,31(5):3-5.

[15] 唐智慧,程杰,方争楠.基于FSDT的新老驾驶人危险感知差异性致因研究 [J].西南交通大学学报,2013,48(3):532-538.

TANG Zhi-hui,CHENG Jie,FANG Zhen-nan.Causal mechanism of difference between experienced and novice drivers in hazard perception based on fuzzy signal detection theory [J].Journal of Southwest Jiaotong University,2013,48(3):532-538.

Supported by the Science and Technology Planning Project of Sichuan Province(2014GZ0019-1)

EffectofCombinationModeofTrafficGuidanceInformationonRouteDecision-Making

LUOChen1LIULan1,2

(1.School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,Sichuan,China; 2.National United Engineering Laboratory of Integrated and Intelligent Transportation,Chengdu 610031,Sichuan,China)

In order to improve the induction efficiency of the guidance information and reveal the effect of the structured information on the driving decision-making,a traffic guidance information evaluation system is built by introducing a cloud model,and by a simulation in a full-featured car driving simulator,four kinds of traffic guidance information environment are designed to conduct route choice experiments.Then,the effect of the traffic guidance information with different combinations of structured information on the driving decision-making is analyzed,and an optimization scheme of the traffic guidance information release strategy is proposed.The results show that the traffic guidance information including the digital information,the language information and the image information has a significant effect on the driving decision-making.Specifically,a combination of the language information and the digital information is beneficial for drivers to perceive the road environment,and a combination of the digital information and the image information is beneficial to the route decision of drivers.

intelligent transportation;structured information;cloud model;driving decision-making;release strategy

2016-08-19

四川省科技支撑计划项目(2014GZ0019-1)

骆晨(1989-)，男，博士生,主要从事交通诱导信息发布策略研究.E-mail:luochenkun@126.com

†通信作者:刘澜(1965-)，男，教授，博士生导师，主要从事交通诱导信息发布、交通拥挤研究.E-mail:jianan_l@home_swjtu.edu.cn

1000-565X(2017)08-0077-07

U 491

10.3969/j.issn.1000-565X.2017.08.012