基于高德导航数据与FOA-GRNN模型的驾驶倾向性辨识方法*

李 浩 王晓原，2▲ 韩俊彦 刘士杰 陈龙飞 史慧丽

（1.青岛科技大学机电工程学院 山东 青岛 266000；2.青岛科技大学山东省智能绿色制造技术与装备协同创新中心 山东 青岛 266000）

0 引 言

随着社会的快速发展和机动车保有量的不断增加，交通安全问题日益凸显。频发的交通事故造成了大量人员伤亡和财产损失。分析表明：驾驶员自身因素是引起交通事故的重要因素[1]。驾驶倾向性是驾驶员在行车过程中对现实交通状况的态度及其表现出的与之相适应的决策或行为价值的偏好性，可以较好反映驾驶员因素与交通事故的关系[2]。目前，汽车主动安全预警系统是预防人为交通事故的有效手段。然而，意图识别作为系统核心部分往往忽略了驾驶倾向性的影响，这就导致系统预警的有效性和准确性较低。因此，将驾驶倾向性辨识引入到汽车主动安全预警系统中，对细化不同驾驶员驾驶倾向研究，提高安全预警准确性具有重要意义。

目前，国内外学者对驾驶倾向性的相关研究主要包括驾驶数据采集与处理、驾驶倾向性辨识模型及应用。驾驶数据采集主要来源于各类传感器、车载诊断（on board diagnostics，OBD）、移动智能终端、驾驶模拟器等设备。Johnson等[3]基于动态时间归整算法将智能手机中加速度计、陀螺仪和磁力计等传感器数据进行融合并对危险驾驶行为进行检测、识别和记录。Feng等[4]采用OBD、毫米波雷达和行车记录仪采集驾驶员行程数据，并将每次行程分割成不同的驾驶事件组，基于支持向量聚类算法对驾驶员行程中驾驶风格的变化进行识别，同时研究了驾驶风格与油耗之间的相关性。Yan等[5]利用驾驶模拟器和脑电传感设备获取驾驶员仿真驾驶过程中脑电图数据和行车数据，并建立支持向量机模型对驾驶风格进行研究。Wang等[6]利用Mobileye视觉系统和控制器局域网络（controller area network，CAN）总线所采集的驾驶数据，研究了1种利用原始驾驶模式和贝叶斯非参数方法进行驾驶风格分析的新框架。王晓原等[7-8]对驾驶倾向性进行了深入研究，采用车载激光雷达、毫米波雷达、全球定位系统以及高清摄像机等动态数据采集系统，在自由行驶、车辆跟驰以及多车道复杂车辆集群编组等特定交通场景下，捕捉人车环境时变数据，对驾驶员倾向性在线表征和实时辨识进行探索性研究。在驾驶倾向性辨识模型及应用方面，各项研究多面向于汽车安全辅助驾驶系统。Hou等[9]利用车辆轨迹数据并考虑车辆所处交通环境的拥挤状况，基于贝叶斯分类器和决策树建立驾驶人换道模型，可应用于车辆换道辅助系统。Tran等[10]构建了1个名为Carnetsoft的驾驶模拟器来收集驾驶数据，并利用4种不同的深度卷积神经网络建立分心检测模型，可用来识别10种分心或非分心驾驶行为。王畅等[11]采用视觉传感器、雷达传感器和车辆CAN总线数据采集系统获取驾驶员自然驾驶数据，针对换道预警的需求，利用模糊综合评价法建立离线驾驶风格分类模型。严利鑫等[12]利用驾驶模拟器和生物反馈仪获取驾驶人驾驶过程中各项生理指标，研讨生理指标与驾驶行为险态之间的联系。朱冰等[13]利用组合导航系统和移动通讯测距设备获取车辆跟驰工况下的驾驶数据，采用随机森林算法对驾驶数据各个变量的重要性进行分析并建立驾驶习性辨识模型，对于汽车辅助驾驶系统中的人机交互具有一定意义。既有的驾驶倾向性相关研究多基于激光雷达、毫米波雷达、全球定位系统和各类传感器等设备开展。虽然这些研究取得了一定的辨识精度，但其所用设备价格昂贵，安装相对复杂且实验及后续数据处理较为繁琐，对于驾驶倾向性的辨识成本较高、实用性较差，导致相关辨识方法无法真正为人性化的汽车主动安全系统乃至自动驾驶汽车的实现提供理论依据。

随着电子地图技术的快速发展，国内有以高德地图为代表的地图服务商，为用户提供免费的地图位置服务以及行车导航等功能，由此国内驾驶员使用高德等电子地图进行导航行驶成为习惯。高德地图在驾驶员行驶过程中记录了大量的驾驶数据，通过高德导航数据可以对驾驶员行车过程中驾驶倾向性进行辨识，可为实现人性化的汽车主动安全预警系统提供新思路。因此，本研究首先基于高德软件开发工具包（software development kit，SDK）对移动导航软件进行二次开发，融入个人智能终端并结合团队现有的智能网联综合实验车，构建高德导航动态数据采集系统。其次通过驾驶员心理、生理测试和驾驶数据采集及视频录像分析对实验样本的驾驶倾向性类型进行初步判别，并进行实车实验获取不同驾驶倾向性驾驶员在导航行驶过程中动态数据。最后进行实验数据处理并采用PCA方法提取驾驶倾向性特征变量，并基于FOA-GRNN建立驾驶倾向性辨识模型，利用实车实验数据对模型参数进行训练、测试和验证，可实现对驾驶员在导航行驶过程中驾驶倾向性的精准辨识。

1 数据采集与处理

1.1 高德动态数据采集方法

随着电子地图技术的广泛应用，以高德为代表的电子地图成为国内驾驶员行车导航的必备工具，并且向开发者免费开放地图应用程序接口以及SDK软件开发包，为基于高德导航动态数据开展驾驶倾向性相关研究提供了机会。因此，本研究基于高德SDK构建动态驾驶数据采集应用程序（application，APP），融入个人智能终端实现了在导航行驶过程中对驾驶员动态数据进行实时采集及处理，从而获取驾驶倾向性辨识特征变量，也实现了驾驶员状态信息的实时网络化存储和共享，使基于高德导航动态数据对驾驶倾向性进行辨识成为可能。该应用程序主要包括定位导航组件、数据采集组件、数据处理组件、数据库存储组件。

定位导航组件基于高德SDK进行开发，实现实时定位、路线规划和实时导航等功能，为数据采集组件提供导航行驶过程中实时驾驶数据采集接口。

数据采集组件连接定位导航组件，通过导航数据采集接口获取驾驶员实时行车数据，其主要包括车辆速度、行驶时间和行驶里程等数据。

数据处理组件对采集的实时驾驶数据进行预处理，通过推演以获取更多的驾驶员行驶数据，其主要包括行程时间T、平均速度Vave、最大速度Vmax、加速次数Nacc、减速次数Ndec、加速时间Tacc、减速时间Tdec、平均加速度Aave、最大加速度Amax。

行程时间T、平均速度Vave和最大速度Vmax获取算法是通过系统对速度变化进行实时监测，当导航开启，系统对每1 s速度不为零的时间进行累加，直到导航结束，获取到总行程时间T；并通过行程时间T内每1 s速度累加总和Vsum，与行程时间T相除，获取到平均速度Vave，计算见式（1）。最大速度Vmax是通过比较每1 s前后速度值Vn，较大的速度值赋予Vmax，即若Vn大于Vmax，则Vmax=Vn；若Vn小于Vmax，则Vmax暂时不变；持续进行比较，直到行程结束，保存最大加速度Vmax，计算见式（2）。

加速次数Nacc、减速次数Ndec、加速时间Tacc和减速时间Tdec获取算法是对加速度变化进行实时监测，首先通过每秒速度变化量求得加速度An，计算见式（3），当加速度An大于或小于0 m/s2时，记录该事件的起始时间sTime，当加速度不满足判别条件时，记录该事件的结束时间eTime，判断sTime与eTime时间间隔是否大于5 s，若是，则记为加速或减速次数1次，并记录整个加速或减速事件持续时长，分别对导航行程内每1次加速或减速次数和时长进行累加，最终得到行程时间内的加速次数Nacc、减速次数Ndec、加速时间Tacc和减速时间Tdec。

平均加速度Aave和最大加速度Amax获取算法是对每1 s加速度变化进行实时监测。通过对加速时间Tacc内每1 s加速度An进行累加，得到加速度累加和Asum并与加速时间Tacc相除，从而获取平均加速度Aave，计算见式（4）；同时，比较加速时间Tacc内每1 s前后加速度值An，较大的加速度值赋予Amax，即若An大于Amax，则Amax=An；若An小于Amax，则Amax暂时不变，持续进行比较，直到行程结束，保存最大加速度Amax，计算见式（5）。

数据库存储组件连接数据采集组件和数据处理组件，主要对采集和处理的驾驶数据进行实时网络存储。

1.2 实验设计

1.2.1 实验材料和设备

生理心理测试主要包括气质类型调查问卷、卡特尔（Cattel）16种人格因素问卷（16PF）、驾驶员心理测试问卷等。实验设备主要包括智能手机、笔记本电脑和智能网联综合实验车等（其中，智能手机和笔记本电脑是驾驶数据主要采集设备，毫米波雷达、激光测速仪和高清摄像机等是辅助采集设备，用于驾驶员倾向性标定以及对高德动态数据采集APP所采集的数据进行验证和校准）。部分实验设备见图1。

图1 部分实验设备Fig.1 Part of experimental equipments

1.2.2 实验条件

实验选择天气晴朗、路面干燥的环境条件，实验道路类型为一般的城市道路，实验路线选择青岛市崂山区松岭路，见图2，实验路线起点为A，终点为C，途径点B，全程9.15 km。A~B段周围多为商业区和居民区，交通人流量较大，B~C段周围以工厂为主，交通流量相对较小。实验的具体时间安排为：选取工作日周二早高峰07：30—08：00，下午平峰15：30—16：00；工作日周三上午平峰09：30—10：00，晚高峰18：30—19：00；非工作日周六上午平峰09：00—09：30，晚高峰18：00—18：30作为实验时段。每周按选取的时间进行实验，连续重复4周。

图2 实验路线Fig.2 Experimental route

1.2.3 实验对象

实验样本容量为50人，男性驾驶员40人，女性驾驶员10人，年龄分布在25~55岁之间，平均年龄34.6岁，驾龄分布在1~22年之间，平均驾龄8.16年。

1.2.4 实验内容

驾驶实验前，首先统计实验样本的年龄、性别和驾龄等基本信息，组织实验人员分别填写气质类型调查问卷、卡特尔（Cattel）16种人格因素问卷（16PF）、驾驶心理测试问卷等，通过生理测试获取实验样本视觉、选择、辨别及操作反应时间[8]。然后令所有实验样本依次在实验线路上驾驶实验车辆，利用毫米波雷达、激光测速仪和高清摄像机等辅助设备采集驾驶员行车数据，并结合生理心理测试实验结果，运用文献[8]中驾驶倾向性特征提取及辨识方法，对实验样本的驾驶倾向性类型进行初步预判，将驾驶倾向性类型分为激进型、普通型和保守型。

实验车安装已调试好的智能手机、笔记本电脑进行高德导航动态数据采集，实验人员在指定的路线上行驶。实验车配备1名实验组织人员，保证实验过程中采集设备正常运行及动态驾驶数据采集APP能实时记录相关数据。每位驾驶员实验结束，动态驾驶数据采集APP结束导航并自动保存实时数据到手机数据库中。1名实验样本往返试验线路结束后，后续实验样本重新开始驾驶，依次循环。实验车在实验路线往返1次可得2组实验数据。实验数据包含12个驾驶特征变量，见表1。

表1 驾驶特征变量和表示符号Tab.1 Driving characteristic variables and representation symbols

1.3 数据处理及分析

1）驾驶倾向性预判结果。从50名驾驶员采集的信息中，选择每名驾驶员行驶过程中采集的录像信息进行回放，观察驾驶员当时所处的环境、动作行为、面部表情以及车辆行驶速度等，根据不同倾向性驾驶员的行为特征（如激进型驾驶员行驶速度较快、换道频率较高等），综合考虑运用文献[8]中驾驶倾向性特征提取及辨识方法所得的实验样本测试结果，对驾驶员倾向性及其变化情况进行预判。测得的每名驾驶员倾向性类型出现频率最高的即为相应驾驶员一般情况下总体表现出的倾向性类型，预判结果见表2。

表2 驾驶倾向性预判结果Tab.2 Preliminary judgment result of driving propensity

2）数据处理。在实验过程中，由于驾驶员的操作及汽车震动等影响，会使得采集到的数据出现一定的噪声，为了进一步提高训练数据的可靠程度，需要对各原始信号及其数据进行滤波处理。因此，对于速度和加速度等原始数据进行滑动均值滤波处理，均值滤波表达式为

式中：M为滑动滤波窗口大小；Xn-1为第n-i个原始数据。滤波窗口M会对滤波效果有较大的影响，本文根据原始数据的采集频率（10 Hz），选取M=5对原始数据进行平滑滤波处理。以加速度为例，数据预处理前后的加速度数据见图3。

图3 加速度数据滤波图Fig.3 Filter graph of acceleration data

1.4 特征提取

通过对实验数据分析发现，各驾驶特征变量之间的数据大小相差较大，容易影响目标结果，因此对数据进行归一化，使结果值映射到[0，1]之间，函数见式（7）。

式中：a′为原始数据；a为输入样本a′的归一化值。同时所采获的实验数据集维度较高，难以直接处理。主成分分析（principal component analysis，PCA）算法作为1种广受认可的数据降维方法，其利用正交变换把一系列线性相关的变量转换为1组线性不相关的新变量，从而利用新变量在更小的维度下展示数据的特征[14]。基于此，本研究采用PCA算法对实验数据进行降维处理，获取1组能够表征各驾驶倾向性类型的主成分特征向量且每个主成分线性不相关。采用数据分析工具IBM Spss statistics 26.0对特征提取中的实验数据进行分析，计算出每个主成分的贡献率和累计主成分贡献率，各主成分总方差解释见表3。

表3 各主成分总方差解释Tab.3 Interpretation of total variance of each principal component

由表3可知：前5个主成分的总方差解释达到88.311%，一般按照累计贡献率大于85%的要求，取前5个主成分就可以充分表征驾驶倾向性变化特点。图4直观地显示了各成分的特征值，与各主成分总方差解释相对应，各主成分特征值也显示前5个主成分所包含的信息可以较好表征驾驶倾向性的变化特点。因此，结合主成分累计贡献率和主成分特征值，选取前5个主成分作为驾驶倾向性辨识的特征向量。

图4 各成分的特征值Fig.4 Characteristic value of each component

表4为前5个主成分的得分，这5个主成分为12个特征变量的线性组合，主成分的得分作为之后驾驶倾向性辨识模型的输入。

表4 各主成分的得分Tab.4 Score of each principal component

2 驾驶倾向性辨识

2.1 驾驶倾向性辨识模型

驾驶倾向性是对汽车操纵者在驾驶过程中行为偏好特征的动态测量，其类型可分为激进型、普通型、保守型。广义回归神经网络（generalized regression neural network，GRNN）具有很强的非线性映射能力以及高度的容错性和健壮性，并且在样本数据较少时，预测效果也较好[15-16]。因此，应用广义回归神经网络可以对驾驶倾向性进行动态辨识。广义回归神经网络由4层构成，分别为输入层、模式层、求和层和输出层，见图5。

图5 广义回归神经网络结构图Fig.5 Structure diagram of Generalized Regression Neural Network

在学习样本中，驾驶倾向性特征变量的维数为5维，即输入层的神经元个数为5。模式层的神经元与学习样本数n相等，并且各个神经元对应的学习样本不同，模式层第i个神经元输出为

式中：X为网络输入变量；Xi为第i个神经元对应的学习样本；σ为高斯函数的宽度系数，称为光滑因子。将求和层中分子层神经元SNj与分母层神经元SD相除就得到每个神经元的输出计算，见式（9）。

式中：yij为模式层的第i个神经元与求和层的第j个分子求和神经元之间的连接权值。

分析发现：当光滑因子非常大的时候，驾驶倾向性预测值近似于所有样本因变量的均值。相反，当光滑因子趋于0的时候，驾驶倾向性预测值则会更加接近训练样本，而一旦遇到未能包含在样本中的数据时，所得到的预测结果可能非常差，即网络的泛化能力差。因此，GRNN的预测精度受光滑因子的影响较大，需要对其进行优化。果蝇优化算法（fruitfly optimization algorithm，FOA）具有原理简单、调节参数少、收敛速度快等优点，是1种优化光滑因子的有效方法[17]。因此，本文采用FOA优化GRNN的光滑因子，从而提高GRNN的预测精度，并建立基于FOA-GRNN的驾驶倾向性辨识模型。

果蝇优化算法是1种基于果蝇觅食行为推演出寻求全局优化的新方法[18]。具体的优化思想为通过果蝇嗅觉随机觅食及视觉寻找气味浓度最高位置将光滑因子值调整至最优，通过迭代寻优使得网络输出驾驶倾向性预测值与实际值均方根误差（RMSE）最小，保留此时的味道浓度值即最优光滑因子σ，将其输入到GRNN模型中。图6为FOA优化GRNN模型流程图，具体步骤如下。

图6 FOA优化GRNN模型流程图Fig.6 Flow chart of FOAoptimization GRNNmodel

步骤1。随机初始化果蝇位置(Init_X0,Init_Y0)、设定种群大小(Sizepop)和最大迭代次数(Maxgen)，设定GRNN参数并输入驾驶数据训练样本。

步骤2。赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离(Xi,Yi)。

步骤3。确定每个果蝇坐标与原点之间的距离Dist(i)，再计算味道浓度判定值Si，并将Si作为GRNN的光滑因子。

步骤4。将味道浓度判定值Si代入味道浓度判定条件中[19]（若Si<0.001，则Si=1；若Si>0.001，则Si=Si），将光滑因子值σ=Si带入GRNN模型中，求得果蝇个体位置的味道浓度Smell(i)。本文使用GRNN模型对驾驶倾向性预测的均方根误差RMSE作为味道浓度Smell(i)。

式中：M为预测数量；为GRNN预测的驾驶倾向性；yi为真实的驾驶倾向性；i=1,2,…,M。

步骤5。找出果蝇群体中味道浓度Smell(i)最低个体的位置。

步骤6。保留最佳味道浓度值与相应果蝇个体坐标，果蝇群体利用视觉飞往该位置。

步骤7。重复执行步骤2~5，并判断味道浓度是否优于前一味道浓度，若是则执行步骤6。

步骤8。判断是否达到最大迭代次数，若是则保存并输出最佳味道浓度即最优光滑因子σ，建立FOA-GRNN的驾驶倾向性辨识模型。

步骤9。对输入的驾驶员预测样本数据进行驾驶倾向性辨识。

通过对驾驶员数据采集、处理、分析和驾驶倾向性初步判定以及基于果蝇优化算法优化广义神经网络建立的驾驶倾向性辨识模型，本文提出的基于高德动态数据与FOA-GRNN的驾驶倾向性辨识方法具体流程见图7。

图7 驾驶倾向性辨识方法流程图Fig.7 Flow chart of identifying propensity of drivers

2.2 模型的训练、测试与验证

本文基于FOA-GRNN建立驾驶倾向性辨识模型，选取激进型、普通型、保守型各10名驾驶员的1 200组实验数据用于模型的标定和测试，其中训练集和测试集的比例为8∶2，并将实车实验样本中另外20名驾驶员所对应的实验数据用于模型验证。本研究使用MATLAB 2019a进行仿真实验，设定果蝇群体初始位置区间为[0，1]，果蝇迭代搜寻食物的随机飞行方向与距离区间为[-10，10]，种群规模为10，迭代次数为200，将训练集中通过主成分分析选定的前5个主成分作为驾驶倾向性辨识输入向量对模型进行训练。图8是果蝇群体迭代寻优的行进轨迹，图9是由FOA的200次迭代动态调整后RMSE收敛情况。由训练结果发现，在演化过程中RMSE在第105代开始收敛，此时最小味道浓度值为0.016，最佳的光滑因子σ为0.062，此时果蝇群体的位置为（65.452 9，-125.832 7）。

图8 果蝇群体迭代寻优的行进轨迹Fig.8 Path of iterative optimization of Drosophila population

图9 均方根误差（RMSE）收敛图Fig.9 Root mean squared error convergence

此时，将最佳的光滑因子σ值代入GRNN网络模型中，并将测试样本输入优化后的驾驶倾向性辨识模型，得到的辨识结果混淆矩阵见图10。图10中1代表激进型，2代表普通型，3代表保守型。

图10 辨识结果混淆矩阵图Fig.10 Confusion matrix of identification results

为了评估驾驶倾向性辨识模型的各项性能，根据准确率（accuracy）、精确度（precision）、召回率（recall）、F1分数（F1 score）这4项评价指标对模型进行评价，其中，F1分数为精确度和召回率平衡综合

性指标，各项评价指标计算公式为

式中：TP为真阳性（true positive）；TN为真阴性（true negative）；FP为假阳性（false positive）；FN为假阴性（false negative）。

根据式（17）~（20）对辨识结果进行计算分析，获得驾驶倾向性辨识模型的各项评价指标见表5。

表5 驾驶倾向性辨识模型各项评价指标Tab.5 Evaluation indexes of driving propensity identification model单位：%

由表5可知：本文所提出的FOA-GRNN驾驶倾向性辨识模型总体准确率为94.17%，且具有较高的辨识精确度和召回率，模型综合性指标均达到92%以上。由于激进型和保守型驾驶员特征相对于普通型驾驶员较为明显，因此，在精确度、召回率和综合性方面，激进型和保守型均优于普通型驾驶员。

为进一步验证本文所提出的FOA-GRNN驾驶倾向性辨识模型对各驾驶员驾驶倾向性的辨识准确性，选择实车实验样本中另外20名驾驶员所对应的实验数据用于模型验证，最终验证结果见表6。验证结果表明：基于FOA-GRNN的驾驶倾向性辨识模型对激进型和保守型驾驶员辨识准确率在95%左右，对于普通型驾驶员的辨识精度也可达到92%以上，对各驾驶员驾驶倾向性具有较高的辨识精度。

表6 实车实验20名驾驶员最终验证结果Tab.6 The final verification results of 20 drivers in the real vehicle experiment

2.3 模型对比

为验证FOA-GRNN驾驶倾向性辨识模型的优劣性，采用未经优化的GRNN对相同驾驶数据样本进行处理，并建立驾驶倾向性辨识模型与其相对比。GRNN的预测精度受光滑因子σ的影响较大，因此本文随机选取10组光滑因子、分别带入模型进行测试，并获取辨识模型准确率，测试结果见表7。

表7 GRNN驾驶倾向性辨识结果Tab.7 Identification results of GRNN driving propensity identification model

由表7可知：GRNN驾驶倾向性辨识模型准确率最高为89.2%，计算对应模型的各项评价指标，与FOA-GRNN辨识模型的各项性能指标对比见图11。结果表明：与未优化的GRNN辨识模型相比，本文所提出FOA-GRNN辨识模型整体准确率至少提高5%，在精确度、召回率和F1分数方面，本文所提出的FOA-GRNN辨识模型对于辨识激进型、普通型和保守型驾驶员的各项性能指标均有提高，其中辨识普通型驾驶员的各项性能指标提升的最为明显。

图11 FOA-GRNN和GRNN辨识模型对比Fig.11 Comparison of FOA-GRNNand GRNNmodels

将基于高德导航数据与FOA-GRNN的驾驶倾向性辨识方法与其他现有驾驶倾向性相关研究方法进行比较，见表8。在所使用的采集设备方面，本研究仅依靠高德导航动态数据采集APP，而以往的研究需要更多不同类型的传感器进行数据采集。在准确率方面，本研究所构建的FOA-GRNN驾驶倾向性模型均优于文献[3]、[19]、[20]的辨识效果，准确率更高。

表8 驾驶倾向性辨识方法对比Tab.8 Comparison of driving orientation identification methods

3 结束语

针对现有驾驶倾向性相关研究中驾驶数据采集设备价格昂贵、安装复杂且实验数据处理较为繁琐，以及基于高德导航动态数据开展的驾驶倾向性相关研究较少等问题，本文提出了基于高德动态数据对驾驶倾向性辨识的研究方法。首先基于高德SDK构建驾驶员动态数据采集应用程序，并融入个人智能终端，实现了在导航行驶过程中对驾驶员动态数据进行实时采集；然后基于速度、加速度、行程时间等基本驾驶数据设计了推演算法获得更多维度的驾驶员特征数据；最后实现驾驶员行车数据的实时采集、处理与网络化存储。

在此基础上，基于果蝇算法优化的广义神经网络建立驾驶倾向性辨识模型，通过不同驾驶倾向性驾驶员的实车实验数据验证了该模型的有效性和准确性，并与未经优化的广义神经网络以及现有的驾驶倾向性辨识模型对比，结果表明，该模型各项性能指标均优于以上辨识模型且具有较高的辨识精度。本研究可为建立以人为中心的汽车主动安全预警系统提供新思路。

本研究仍有许多方面存在不足还待完善，在未来的研究中进一步发展：①考虑人车环境等多方面对驾驶倾向性的影响，提取多维度的特征参数；②对驾驶倾向性类型进一步细化，更深层次挖掘不同驾驶倾向性驾驶员行为特征。