CN110083858A - 一种驾驶偏好预判方法 - Google Patents

Abstract

本发明一种驾驶偏好预判方法；包括：S1、获取量化后的待测试驾驶员的生理特征参数、心理特征参数和外部特征参数；S2、将待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型，获取待测试驾驶人员的驾驶偏好值；S3、将待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，获取待测试驾驶员的偏好判定结果；本发明方法综合考虑了驾驶员的生理、心理和外部特征，输出结果直观应用简便，能够准确的预测汽车驾驶员的驾驶偏好，对于完善汽车主动安全预警系统的驾驶员心理状态监控与预测功能，减少人为交通事故具有重要意义。

Description

一种驾驶偏好预判方法

技术领域

本发明涉及汽车智能驾驶技术领域，尤其涉及一种基于灰关联熵的驾驶员偏好预判方法。

背景技术

汽车安全预警系统可以减少驾驶员的负担和判断错误，是目前预防人为交通事故最为行之有效的技术设施，，对改善交通安全起到了重要的作用。汽车安全预警系统包括主动安全和被动安全两种技术，所谓的主动安全是指事故发生前的“安全”，是指实现事故预防和事故回避，防止交通事故发生所采取的措施和方法。主动安全系统可以做到避免交通事故的发生，做到防患于未然，当然同样也能减少事故造成的危害。目前国内外汽车安全驾驶预警系统研究主要集中在环境信息感知、安全距离判别和预警方式等方面，在态势评估和意图辨识上大多忽略驾驶员生理心理特性的影响，使得预警的准确性不高，产生误报现象。

驾驶过程是一个高度智能化的过程，把反映驾驶员心理情感差异的驾驶偏好引入汽车安全驾驶预警系统中，可以实现人车安全保障智能化与高效性，有效的避免和减少交通事故的发生。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种驾驶偏好预判方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

S1、获取量化后的待测试驾驶员的生理特征参数ω、心理特征参数θ和外部特征参数φ；

其中，所述生理特征参数ω_i包括：视觉反应时间ω₁，速度估计能力ω₂、选择反应时间ω₃、辨别反应时间ω₄和操作反应时间ω₅；所述心理特征参数θ_i包括：气质θ₁、意志θ₂、态度θ₃、注意θ₄和情绪θ₅；所述外部特征参数φ_i包括：任务缓急φ₁和驾驶能力φ₂；

S2、将所述待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)，获取待测试驾驶人员的驾驶偏好值；

S3、将所述待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，将保守型、普通保守型、普通型、普通激进型和激进型中的一种作为待测试驾驶员的偏好判定结果。

可选地，所述驾驶偏好模型F(ω_i,θ_i,φ_i)为：

公式一：

其中，ω_i为生理特征参数，θ_i为心理特征参数，φ_i为外部特征参数；λ_1i为生理特征参数ω_i的因子负荷系数；λ_2i为心理特征参数θ_i的因子负荷系数；λ_3i为外部特征参数θ_i的因子负荷系数；γ₁为常数，表示生理特征参数的重要程度；γ₂为常数，表示心理特征参数的重要程度；γ₃为常数，表示外部特征参数的重要程度。

可选地，在步骤S2之前，方法还包括：S0、预先构建驾驶偏好模型；

所述步骤S0包括以下步骤：

A1、获取量化后的多个驾驶员的驾驶偏好数据作为参考序列获取每一驾驶偏好的影响因素数据，并利用影响因素数据构建比较序列

所述每一驾驶偏好的影响因素数据包括：性别Y1、年龄Y2，视觉反应时间Y3、听觉反应时间Y4、智力Y5、生理节律体力Y6、速度估计能力Y7、选择反应时间Y8、辨别反应时间Y9、操作反应时间Y10、气质R1、性格R2、态度R3、注意R4、情绪R5、意志R6、驾驶年龄M1、驾驶能力M2、教育程度M3、职业M4、收入M5、任务缓急M6；

A2、针对所述参考序列和所述比较序列进行预处理，获取无量参考序列和无量纲比较序列；

A3、获取所述无量纲参考序列和所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

A4、根据所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max计算所述无量纲参考序列和所述无量纲比较序列的灰关联系数ξ_jk；

A5、利用公式二和公式三获取所述无量纲比较序列的灰关联熵H(X_j)；

公式二：

公式三：

其中，P_jh为灰关联系数分布映射；

A6、利用所述灰关联熵H(X_j)根据公式四获取所述无量纲比较序列的熵关联度E(X_j)；

公式四：E(X_j)＝H(X_j)/H_m；

其中，H_m＝lnn，表示由n个属性元素构成的差异信息列的最大熵；

A7、根据所述无量纲比较序列的熵关联度E(X_j)值的大小进行排序并根据排序结果进行筛选获取特征筛选结果，根据所述特征筛选结果和结构方程模型获取预先构建的驾驶偏好模型。

可选地，在步骤A2中利用公式五获取无量参考序列，利用公式六获取无量纲比较序列；

公式五：

公式六：

其中，为参考序列，为比较序列，n为参数序列元素个数，m为比较序列元素个数。

可选地，在步骤A3中利用公式七至公式九获取所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

公式七：

公式八：

公式九：

可选地，在步骤A4中利用公式十至十二获取所述无量纲比较序列的灰关联系数ξ_jk；

公式十：ε＝Δ/Δ_max；

公式十一：

公式十二：

其中，ε是差值绝对值的均值与最大差值的比值，ρ是分辨系数，ρ∈(0,1)。

可选地，在步骤A7根据无量纲比较序列的熵关联度E(X_j)值的大小，驾驶偏好影响的生理特征排序结果为：操作反应时间>选择反应时间>辨别反应时间>速度估计能力>视觉反应时间>听觉反应时间>智力>生理节律体力>性别>年龄；

驾驶偏好影响的生理特征排序结果为：注意>意志>情绪>态度>气质>性格；

驾驶偏好影响的外部特征排序结果为：任务缓急>驾驶能力>驾龄>教育程度>职业>收入；

将无量纲比较序列的熵关联度E(X_j)值的大于0.98时对应的特征作为筛选结果。

可选地，在步骤A7中利用所述特征筛选结果和结构方程获取预先构建的驾驶偏好模型包括：

B1、利用所述特征筛选结果构建理论模型；

B2针对所述理论模型依次进行模型识别、模型估计、模型评价和模型修正获取预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)。

可选地，保守型的驾驶偏好值区间为[0，0.322)，普通保守型的驾驶偏好值区间为[0.322，0.427)、普通型的驾驶偏好值区间为[0.427，0.574)、普通激进型的驾驶偏好值区间为[0.574，0.665)和激进型的驾驶偏好值区间为[0.665，1]。

可选地，生理特征的重要程度系数γ₁＝0.477，心理特征的重要程度系数γ₂＝0.613，外部特征的重要程度系数γ₃＝0.319；

生理特征中视觉反应时间的负荷系数λ₁₁＝0.039、速度估计能力的负荷系数λ₁₂＝0.044、选择反应时间的负荷系数λ₁₃＝0.125、辨别反应时间的负荷系数λ₁₄＝0.094、操作反应时间的负荷系数λ₁₅＝0.235；

心理特征中气质的负荷系数λ₂₁＝0.025、意志的负荷系数λ₂₂＝0.137、态度的负荷系数λ₂₃＝0.103、注意的负荷系数λ₂₄＝0.379、情绪的负荷系数λ₂₅＝0.097；外部特征中任务缓急的负荷系数λ₃₁＝0.035，驾驶能力的负荷系数λ₃₂＝0.017。

(三)有益效果

本发明的有益效果是：首先，本发明方法综合考虑了驾驶员的生理、心理和外部特征的因素，验证结果可靠性高；其次，输出结果直观应用简便，能够准确的预测汽车驾驶员的驾驶偏好，对于完善汽车主动安全预警系统的驾驶员心理状态监控与预测功能，减少人为交通事故具有重要意义。

附图说明

图1为本发明一实施例提供的驾驶偏好机理图；

图2为本发明一实施例提供的驾驶偏好序列与生理比较序列趋势曲线对比图；

图3为本发明一实施例提供的驾驶员不同生理特征序列熵关联度比较图；

图4为本发明一实施例提供的驾驶偏好序列与各心理比较序列趋势曲线对比图；

图5为本发明一实施例提供的驾驶员不同心理特征序列熵关联度比较图；

图6为本发明一实施例提供的驾驶偏好序列与各外部特征比较序列趋势曲线对比图；

图7为本发明一实施例提供的驾驶员不同外部特征序列熵关联度比较图；

图8为本发明一实施例提供的驾驶偏好预判结构路径图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明提供一种驾驶偏好预判方法，包括：

S0、预先构建驾驶偏好模型；具体包括以下步骤：

A1、获取量化后的多个驾驶员的驾驶偏好数据作为参考序列获取每一驾驶偏好的影响因素数据，并利用影响因素数据构建比较序列举例来说，如图1所示，每一驾驶偏好的影响因素数据包括：性别Y1、年龄Y2，视觉反应时间Y3、听觉反应时间Y4、智力Y5、生理节律体力Y6、速度估计能力Y7、选择反应时间Y8、辨别反应时间Y9、操作反应时间Y10、气质R1、性格R2、态度R3、注意R4、情绪R5、意志R6、驾驶年龄M1、驾驶能力M2、教育程度M3、职业M4、收入M5、任务缓急M6；

在本实施例中，参考序列包括五种驾驶类型的行为表现特征如下：

保守型：行车方式谨慎，习惯低速行车，紧急情况下能够理智的处理问题，超车次数少，并且与前车保持一定的安全间距，发生的交通事故数量少；

保守普通型：行车方式较谨慎，易低速行车，紧急情况下能够较理智的处理问题，超车次数较少，能够与前车保持一定的安全间距，发生的交通事故数量较少；

普通型：介于保守-普通型和普通-激进型之间；

普通激进型：行车方式较冒险，容易高速行车，与前车间距较小，耐心较小，超车次数较多，交通事故发生率较高；

激进型：行车方式冒险，习惯高速行车，与前车间距小，耐心小，超车次数多，交通事故发生率高。

举例来说，选取100名驾驶员并从1到100进行编号，统计性别、年龄、驾龄、教育程度等基本信息，然后实验获取驾驶员生理、心理以及各种附加特征的标准数据；部分特征的测试内容和测试方法如表1所示；

表1部分特征测试内容及测试方法

A2、针对所述参考序列和所述比较序列进行预处理，获取无量参考序列和无量纲比较序列；

举例来说，将驾驶偏好分为五种类型，保守型的驾驶偏好值区间为[0，0.322)，普通保守型的驾驶偏好值区间为[0.322，0.427)、普通型的驾驶偏好值区间为[0.427，0.574)、普通激进型的驾驶偏好值区间为[0.574，0.665)和激进型的驾驶偏好值区间为[0.665，1]。

在步骤A2中利用公式1获取无量参考序列，利用公式2获取无量纲比较序列；

公式1：

公式2：

其中，为参考序列，为比较序列，n为参数序列元素个数，m为比较序列元素个数。

具体地，如图2所示，得到驾驶偏好参考序列和各生理特征累计获取的曲线图，以及如图4所示，得到驾驶偏好参考序列和各心理特征累计获取的曲线图，如图6所示，得到驾驶偏好参考序列和各外部特征累计获取的曲线图；

A3、获取所述无量纲参考序列和所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

利用公式3至公式5获取所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

公式3：

公式4：

公式5：

A4、根据所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max计算所述无量纲参考序列和所述无量纲比较序列的灰关联系数ξ_jk；

在步骤A4中利用公式6至8获取所述无量纲比较序列的灰关联系数ξ_jk；

公式6：ε＝Δ/Δ_max；

公式7：

公式8：

其中，ε是差值绝对值的均值与最大差值的比值，ρ是分辨系数，ρ∈(0,1)。

A5、利用公式二和公式三获取所述无量纲比较序列的灰关联熵H(X_j)；

公式9：

公式10：

其中，P_jh为灰关联系数分布映射；

A6、利用所述灰关联熵H(X_j)根据公式四获取所述无量纲比较序列的熵关联度E(X_j)；

公式11：E(X_j)＝H(X_j)/H_m；

其中，H_m＝lnn，表示由n个属性元素构成的差异信息列的最大熵；

举例来说，在本实施例中运用灰关联熵分析法确定各影响因子对驾驶偏好的影响程度，具体包括以下步骤：定性分析和定量分析；定性分析具体为：首先对各影响因子序列进行累加、无量纲化数据预处理；然后将驾驶偏好序列与各影响因子序列趋势曲线进行对比；最后根据各影响因子序列曲线几何形状的相似程度，判断各因子之间的联系，曲线走势越接近，相应序列的关联度就越大，反之则越小；具体地，如图3所示，得到各生理特征熵关联度的曲线图，以及如图5所示，得到各心理特征熵关联度的曲线图，如图7所示，得到各外部特征熵关联度的曲线图；

A7、根据所述无量纲比较序列的熵关联度E(X_j)值的大小进行排序并根据排序结果进行筛选获取特征筛选结果，根据所述特征筛选结果和结构方程模型获取预先构建的驾驶偏好模型。在步骤A7根据无量纲比较序列的熵关联度E(X_j)值的大小；

在本实施例中基于结构方程模型构建驾驶偏好预判模型，构建方法包含以下步骤：模型设定、模型识别、模型估计、模型评价和模型修正；

具体地，模型设定中将驾驶员的生理特征、心理特征和外部特征变量设为潜变量分别记为ω、θ、φ，各特征包含的影响因素作为观测指标，设立关于一组变量间相互关系的理论模型；

模型识别中利用t法则对构建的理论模型进行识别，模型中待估参数个数不能大于模型中由变量产生的不同方差或协方差的个数，该条件是模型识别的必要条件。设有p为内生变量的个数，q为外生变量的个数，则可以产生(p+q)(p+q+1)/2个不同的方差或协方差。假设模型中未知参数个数为t，那么模型可识别的一个必要条件为：t≤(p+q)(p+q+1)/2

模型估计中利用有线性结构关系方法，根据测量变量的方差和协方差对模型中的参数进行估计；

模型评价的目的是用模型的估计值来预测测量变量的方差协方差，然后用预测的方差协方差匹配测量方差协方差。当预测的方差协方差与测量方差协方差非常接近时，就可认为模型拟合了数据。根据模型数据计算相关评价指标，比较指标的大小来判定模型是否符合一般的标准。选取χ²/df、GFI、CFI、RMSEA等指标进行模型评价。χ²/df是指模型的卡方自由度，GFI和CFI分别代表适配度指数和比较适配指数，RMSEA指渐进残差均方和平方根；

模型修正中通过修正指数或者使用残差矩阵的方式进行模型修正。

如图8所示，最终确定各生理特征影响因子对驾驶偏好的影响程度排序为：操作反应时间>选择反应时间>辨别反应时间>速度估计能力>视觉反应时间>听觉反应时间>智力>生理节律体力>性别>年龄；

各心理特征影响因子对驾驶偏好的影响程度排序为：注意>意志>情绪>态度>气质>性格；

各外部特征影响因子对驾驶偏好的影响程度排序为：任务缓急>驾驶能力>驾龄>教育程度>职业>收入。

将无量纲比较序列的熵关联度E(X_j)值的大于0.98时对应的特征作为筛选结果。

在步骤A7中利用所述特征筛选结果和结构方程获取预先构建的驾驶偏好模型包括：

B1、利用所述特征筛选结果构建理论模型；

B2针对所述理论模型依次进行模型识别、模型估计、模型评价和模型修正获取公式12预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)。

公式12：

其中，ω_i为生理特征参数，θ_i为心理特征参数，φ_i为外部特征参数；λ_1i为生理特征参数ω_i的因子负荷系数；λ_2i为心理特征参数θ_i的因子负荷系数；λ_3i为外部特征参数θ_i的因子负荷系数；γ₁为常数，表示生理特征参数的重要程度；γ₂为常数，表示心理特征参数的重要程度；γ₃为常数，表示外部特征参数的重要程度。

生理特征的重要程度系数γ₁＝0.477，心理特征的重要程度系数γ₂＝0.613，外部特征的重要程度系数γ₃＝0.319；

生理特征中视觉反应时间的负荷系数λ₁₁＝0.039、速度估计能力的负荷系数λ₁₂＝0.044、选择反应时间的负荷系数λ₁₃＝0.125、辨别反应时间的负荷系数λ₁₄＝0.094、操作反应时间的负荷系数λ₁₅＝0.235；

心理特征中气质的负荷系数λ₂₁＝0.025、意志的负荷系数λ₂₂＝0.137、态度的负荷系数λ₂₃＝0.103、注意的负荷系数λ₂₄＝0.379、情绪的负荷系数λ₂₅＝0.097；

外部特征中任务缓急的负荷系数λ₃₁＝0.035，驾驶能力的负荷系数λ₃₂＝0.017。

S1、获取量化后的待测试驾驶员的生理特征参数ω、心理特征参数θ和外部特征参数φ；

S2、将所述待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)，获取待测试驾驶人员的驾驶偏好值；

S3、将所述待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，将保守型、普通保守型、普通型、普通激进型和激进型中的一种作为待测试驾驶员的偏好判定结果。

本发明方法综合考虑了驾驶员的生理、心理和外部特征的因素，验证结果可靠性高；输出结果直观应用简便，能够准确的预测汽车驾驶员的驾驶偏好，对于完善汽车主动安全预警系统的驾驶员心理状态监控与预测功能，减少人为交通事故具有重要意义。

需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种实验状态下的驾驶偏好预判方法，其特征在于，包括以下步骤：

S1、获取量化后的待测试驾驶员的生理特征参数ω、心理特征参数θ和外部特征参数φ；

其中，所述生理特征参数ω_i包括：视觉反应时间ω₁，速度估计能力ω₂、选择反应时间ω₃、辨别反应时间ω₄和操作反应时间ω₅；所述心理特征参数θ_i包括：气质θ₁、意志θ₂、态度θ₃、注意θ₄和情绪θ₅；所述外部特征参数φ_i包括：任务缓急φ₁和驾驶能力φ₂；

S2、将所述待测试驾驶员的生理特征参数、心理特征参数和外部特征参数进行标准化处理后输入预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)，获取待测试驾驶人员的驾驶偏好值；

S3、将所述待测试驾驶人员的驾驶偏好值与预设的保守型、普通保守型、普通型、普通激进型和激进型所属的区间范围进行比较，将保守型、普通保守型、普通型、普通激进型和激进型中的一种作为待测试驾驶员的偏好判定结果。

2.如权利要求1所述的方法，其特征在于，所述驾驶偏好模型F(ω_i,θ_i,φ_i)为：

公式一：

其中，ω_i为生理特征参数，θ_i为心理特征参数，φ_i为外部特征参数；λ_1i为生理特征参数ω_i的因子负荷系数；λ_2i为心理特征参数θ_i的因子负荷系数；λ_3i为外部特征参数θ_i的因子负荷系数；γ₁为常数，表示生理特征参数的重要程度；γ₂为常数，表示心理特征参数的重要程度；γ₃为常数，表示外部特征参数的重要程度。

3.如权利要求2所述的方法，其特征在于，在步骤S2之前，方法还包括：S0、预先构建驾驶偏好模型；

所述步骤S0包括以下步骤：

A1、获取量化后的多个驾驶员的驾驶偏好数据作为参考序列获取每一驾驶偏好的影响因素数据，并利用影响因素数据构建比较序列

所述每一驾驶偏好的影响因素数据包括：性别Y1、年龄Y2，视觉反应时间Y3、听觉反应时间Y4、智力Y5、生理节律体力Y6、速度估计能力Y7、选择反应时间Y8、辨别反应时间Y9、操作反应时间Y10、气质R1、性格R2、态度R3、注意R4、情绪R5、意志R6、驾驶年龄M1、驾驶能力M2、教育程度M3、职业M4、收入M5、任务缓急M6；

A2、针对所述参考序列和所述比较序列进行预处理，获取无量参考序列和无量纲比较序列；

A3、获取所述无量纲参考序列和所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

A4、根据所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max计算所述无量纲参考序列和所述无量纲比较序列的灰关联系数ξ_jk；

A5、利用公式二和公式三获取所述无量纲比较序列的灰关联熵H(X_j)；

公式二：

公式三：

其中，P_jh为灰关联系数分布映射；

A6、利用所述灰关联熵H(X_j)根据公式四获取所述无量纲比较序列的熵关联度E(X_j)；

公式四：E(X_j)＝H(X_j)/H_m；

其中，H_m＝lnn，表示由n个属性元素构成的差异信息列的最大熵；

A7、根据所述无量纲比较序列的熵关联度E(X_j)值的大小进行排序并根据排序结果进行筛选获取特征筛选结果，根据所述特征筛选结果和结构方程模型获取预先构建的驾驶偏好模型。

4.如权利要求3所述的方法，其特征在于，在步骤A2中利用公式五获取无量参考序列，利用公式六获取无量纲比较序列；

公式五：

公式六：

其中，为参考序列，为比较序列，n为参数序列元素个数，_m为比较序列元素个数。

5.如权利要求4所述的方法，其特征在于，在步骤A3中利用公式七至公式九获取所述无量纲比较序列的所有差值绝对值的均值Δ、差值绝对值的最小值Δ_min和差值绝对值的最大值Δ_max；

公式七：

公式八：

公式九：

6.如权利要求5所述的方法，其特征在于，在步骤A4中利用公式十至十二获取所述无量纲比较序列的灰关联系数ξ_jk；

公式十：ε＝Δ/Δ_max；

公式十一：

公式十二：

其中，ε是差值绝对值的均值与最大差值的比值，ρ是分辨系数，ρ∈(0,1)。

7.如权利要求5所述的方法，其特征在于，在步骤A7根据无量纲比较序列的熵关联度E(X_j)值的大小，驾驶偏好影响的生理特征排序结果为：操作反应时间>选择反应时间>辨别反应时间>速度估计能力>视觉反应时间>听觉反应时间>智力>生理节律体力>性别>年龄；

驾驶偏好影响的生理特征排序结果为：注意>意志>情绪>态度>气质>性格；

驾驶偏好影响的外部特征排序结果为：任务缓急>驾驶能力>驾龄>教育程度>职业>收入；

将无量纲比较序列的熵关联度E(X_j)值的大于0.98时对应的特征作为筛选结果。

8.如权利要求7所述的方法，其特征在，在步骤A7中利用所述特征筛选结果和结构方程获取预先构建的驾驶偏好模型包括：

B1、利用所述特征筛选结果构建理论模型；

B2针对所述理论模型依次进行模型识别、模型估计、模型评价和模型修正获取预先构建的驾驶偏好模型F(ω_i,θ_i,φ_i)。

9.如权利要求8所述的方法，其特征在于，保守型的驾驶偏好值区间为[0，0.322)，普通保守型的驾驶偏好值区间为[0.322，0.427)、普通型的驾驶偏好值区间为[0.427，0.574)、普通激进型的驾驶偏好值区间为[0.574，0.665)和激进型的驾驶偏好值区间为[0.665，1]。

10.如权利要求9所述的方法，其特征在于，

生理特征的重要程度系数γ₁＝0.477，心理特征的重要程度系数γ₂＝0.613，外部特征的重要程度系数γ₃＝0.319；

生理特征中视觉反应时间的负荷系数λ₁₁＝0.039、速度估计能力的负荷系数λ₁₂＝0.044、选择反应时间的负荷系数λ₁₃＝0.125、辨别反应时间的负荷系数λ₁₄＝0.094、操作反应时间的负荷系数λ₁₅＝0.235；

心理特征中气质的负荷系数λ₂₁＝0.025、意志的负荷系数λ₂₂＝0.137、态度的负荷系数λ₂₃＝0.103、注意的负荷系数λ₂₄＝0.379、情绪的负荷系数λ₂₅＝0.097；

外部特征中任务缓急的负荷系数λ₃₁＝0.035，驾驶能力的负荷系数λ₃₂＝0.017。