在这个发展十分迅速的时代,汽车已经成为了必不可少的一个种交通工具,由于驾驶行为不当,造成的交通事故也越来越多。所以我们要对驾驶行为进行分析,讨论驾驶行为对驾驶员认知行为的影响,进而减少事故的发生。目前,对驾驶行为的定义还不是很准确,使用的方法也不尽相同,因此分析可能不够全面。在这项研究中,我们收集了新颖的数据语料库,包括驾驶数据和驾驶员的认知得分,以分析驾驶行为。我们从驾驶行为（例如:转向角,速度,加速位置,室温等）收集了 21种传感器数据,并为每个驾驶员收集了认知行为数据,每个人有93种认知表现类型（例如:反应时间紧急反应,反应不均匀性（最大-最小）紧急反应,道路环境理解WSQ,准确操作DSQ等）。本文的目的是分析驾驶员的驾驶行为与认知能力之间的关系。在这项研究中,几种不同的方法用于预测驾驶员的认知表现行为。首先,进行回归建模。回归建模是一种开发预测模型的技术,该模型使我们能够分析因变量（目标）和自变量（预测器）之间的关系,此技术通常用于预测分析,时间序列模型以及查找变量之间的因果关系。另一方面,长短期记忆（LSTM）神经网络用于时间序列预测任务,LSTM可以捕获序列数据的时间序列依赖性,例如从驾驶数据中观察到的时间序列数据。本文主要对驾驶员的驾驶行为进行分析,并估计驾驶员的认知表现。我们使用21组驾驶行为数据通过套索回归和脊回归来预测93组认知行为。同时,使用机器学习算法,有21组驾驶行为数据可预测6组典型的认知行为。在相同条件下的认知表现行为,我们可以得到回归方法的值为0.726;在LSTM模型中结果为0.678。结果表明,回归方法在预测认知行为方面更为准确。在过去的50年中,汽车工业发展迅速,世界上已经广泛使用了汽车。汽车给人们的生活带来了巨大的变化,促进了经济发展,并改善了人们的生活水平;人类的流动性大大改善,促进了不同地区之间的交流,并使跨地区的生活和工作成为可能;它带动了相关产业的发展,使新兴产业和高科技的出现成为可能。然而,汽车也带来了巨大的危害,频繁的交通事故,废气排放污染了环境。其中,最严重的破坏是交通事故的频繁发生。交通一旦发生,不仅会造成经济损失,而且将对生命造成最严重的威胁。造成交通事故的因素很多,例如:城市道路交通复杂多变的环境,车辆之间频繁的交通冲突以及错误的驾驶行为。一个主要因素是驾驶员的过度自信。年长的驾驶员倾向于认为认知能力,动态视敏度,反应速度和周围视野范围与他们年轻时相同。但是,这些重要的性能或能力逐年降低,为了协助驾驶员或防止这种过度自信,重要的一步是从驾驶行为发展出驾驶员自身认知表现的自动预测模型。换句话说,我们提出了一种计算分析,以分析驾驶员的行为,并预测驾驶员的认知表现。如今,交通事故频繁发生,我们提出了一个分析驾驶员行为的框架。这项研究的目的是开发老年驾驶员的驾驶数据语料库,以分析驾驶行为以预测认知表现。为此,我们使用此模型来预测驾驶员的认知表现。这项研究的主要贡献如下,首先,我们阐明驾驶行为的有效特征,以使用新颖的数据集预测认知表现,并使用多种有效方法（回归模型和LSTM模型）实施此过程。其次,我们通过比较现代机器学习算法来探索一种有效的算法来预测性能。最终,形成了一个较为完善的驾驶员认知行为的预测框架,本文共分为以下几个部分,各个相关的摘要如下:第一部分,相关工作:我们探索驾驶员行为分析的最新技术,并用方法论描述我们的实验过程。第二部分:我们将详细描述实验中使用的数据库和方法。第三部分:我们将讨论实验参数和结果。第四部分:我们将讨论实验和未来的工作第五部分:我们得出整个实验的结论我们研究的主要工作是对驾驶员行为的分析和对驾驶员认知能力的预测。本文重点介绍对驾驶员行为进行建模。一些研究者研究了驾驶行为的建模和预测,使用隐马尔可夫模型和高斯混合模型进行预测。在本文中,主要讨论是关于确定驾驶行为的驾驶意图。在时间方面,我们首先有一个想法,例如,我们决定去哪里,走什么路线以及每个步骤的行为。或因为驾驶员的行为受到各种因素的影响。作者认为,下一个驾驶的行为是根据多个的行为特征预测的。它基于驾驶员的某些行为,不仅基于我们预测动作之前的行为,还基于预测之后的行为,分析以获得预测结果。结果表明,观察到驾驶员的行为,并使用隐马尔可夫模型构建了驾驶员的驾驶行为模型,以预测驾驶员未来的三种驾驶行为概率。尽管该实验可以达到预测的目的,但准确性不是很高。同时,作者着重于对驾驶数据的评估。它还说明了隐马尔可夫模型的局限性,不足以模拟驾驶行为。其他一些研究者使用深度学习技术研究了驾驶行为的建模和预测。在本文中,主要讨论是在自动驾驶汽车过程中,有经验的驾驶根据车辆的状态,驾驶员可以在接下来的几秒钟内推断其他车辆的驾驶行为。作者希望,较长时间的车辆行驶数据和车辆轨迹可用于预测垂直和水平方向上的未来车辆轨迹。作者采用的数据集有101个数据集和800个小时的行驶数据。从数据量来看,使用神经网络是可行的。得到结果后,研究人员从多个方面分析了数据。根据准确率,F1得分和其他评估指标,它们可以在将来很好地预测。在大数据时代,面对预测问题,主要过程是处理数据,清理无用的数据。提取训练特征。这一步非常重要。无论采用哪种方法进行训练,都是必不可少的。现在有几种主流的训练方法,回归分析,神经网络和隐马尔可夫模型。根据提取的特征,使用的方法自然不同。我们将根据收集的数据和具体情况分析数据,并使用适当的方法来预测结果。在接下来,我们将介绍数据集,收集方法,机器学习的特征和机器学习模型。该实验的数据由名古屋大学未来社会创新研究所的活动收集和记录。为了分析驾驶行为,该研究所开发了具有多种高精度记录设备的汽车,用于记录驾驶员的行为信息,例如GNSS,LiDAR,全景摄像头,后方激光雷达,辅助侧镜,前方激光雷达,前部摄像头,网络摄像头Micophonr,驾驶员记录仪和辅助制动踏板/力等,该数据集被称为名古屋大学的“老年人驾驶公共道路实验数据库”。其中,驾驶行为包括:车速,舵角,加速度,室内温度等21项指标,驾驶员认知行为则有93种,我们将它分为4类:我们将驾驶员的认知表现分为以下几类:至于驾驶路线,是名古屋市区的路线,首先,从A点开始,到达B点,然后绕着B附近的住宅路行驶,最后回到A点,驾驶路线图:驾驶区域与住宅道路不同,因此驾驶行为也略有不同,我们将使用回归模型和神经网络模型进行预测。在回归预测中,我们使用21种类型的值,即平均值,标准偏差,最大和最值小驾驶行为。我们使用套索回归和岭回归进行分析,并进行交叉验证以提高可信度和准确性。最终获得我们预测的驾驶员认知表现（目标）。在神经网络预测中,就特征而言,我们使用滑动窗口来提取数据。在每个框架窗口中,我们采用均值和标准差等特征并将其放入网络中进行训练;我们稍后会预测6种类型的认知表现。以下是行驶道路分割图,分为A区和B区两部分。也就是说,预测分为三个方面:A:主干道,B:住宅路,A+B:主干道和住宅道同时,我们还使用了交叉点的数据（由我们的小组提供）来获取交叉点期间的驾驶行为数据。检测到的关键点;道路密度的数据,红色框是检测到的关键点的道路状况。我们也对此数据进行了预测,因为分析交叉点的认知行为可以大大降低基于行为的交通事故风险。我们也希望以此改善我们的安全系统,驾驶行为数据（变量）和驾驶认知表现行为（目标）的数量巨大,因此我们希望减少数据量并找到有效的信息来进行。皮尔逊相关系数可以很好地衡量几个变量之间的关系。皮尔逊乘积矩相关系数源自弗朗西斯·加尔顿在1880年代由卡尔·皮尔逊提出的相似但略有不同的观点。它用于测量两个变量X和Y之间的相关性。我们主要使用Pearson系数来衡量变量与目标函数之间的关系,换句话说,就是衡量驾驶行为与驾驶员的认知表现之间的关系。根据皮尔森系数,将一些相关性很小的变量过滤掉以获得更好的特性。我们要确定功能的重要性,因此我们遵循以下原则:相关系数在0.8-1,为非常强相关,0.6-0.79,为强相关0.4-0.59,中等相关,0.2-0.39弱相关,0.0-0.19微弱相关。大致判断变量和目标之间的关系。我们很少在数据中看到高于0.6的相关性,因此,我们认为高于0.4的相关性相对较强。最后,基于皮尔森系数的结果和数据的完整性,我们获得了 21组驾驶行为数据和93组驾驶认知性能数据作为后续分析的主要数据。在统计学习中,回归分析是非常重要的分析方法。它主要在因变量Y和影响它的自变量X之间建立回归模型,并测量自变量X影响因变量Y的能力。可以预测因变量Y的发展趋势。回归分析用于许多预测问题。接下来,我们将使用3种回归分析方法:线性回归,岭回归,套索回归。将介绍实验过程和实验结果。我们使用机器学习来预测驾驶员的认知行为表现。我们实验的目的是根据驾驶员的行为预测驾驶员的认知表现。我们在第3.2节中筛选并分析了驾驶行为数据,该数据根据行为数据（变量）预测了认知表现（目标）。在回归任务中,我们将驾驶行为作为输入数据:X,作为输出数据的认知表现（驾驶技能,认知功能,个人信息）。在基于时间序列的驱动过程（X）中,将平均值,标准偏差,最大值和最小值用作特征向量。在使用要素期间,我们进行了选择,最后选择了 21个要素作为输入。实验预测包括:所有行驶路径,住宅道路,主干道路和交叉点。这是因为在主要道路和居民区,驾驶员的行为信息（例如速度,方向舵角度和加速度）是不同的,因此我们将它们分开并分别进行预测。在从X预测Y值的回归预测任务中,使用了两种模型,一种是套索回归模型,一种是岭回归模型。在每个回归模型中,在套索任务中,我们将驾驶行为作为输入数据:X认知表现作为输出数据（驾驶技能,认知功能,个人信息）:Y。我们使用21个特征同时预测表现行为并获得预测目标的每个变量的权重。当然,在每个预测过程中,将95%的实验数据用于训练,并对其余样本进行测试。由于样本不多,我们使用交叉验证来提高准确性和可靠性。在交叉验证中,将参数设置为训练集:验证集:测试集=10:1:1训练集为20组,验证集为2组,测试集为2组,然后连续滑动以继续训练。最终的实验评估是通过确定系数来评估测试数据（平方误差除以y的方差（实际盛大真实分数））,该任务推测为认知表现,并且当大于0.1时将被视为基线。接下来,我们将介绍另一种预测方法,因为许多学者在大数据的预测分析问题上使用神经网络。因此,我们使用LSTM模型来考虑时间序列上的数据以进行预测,从而得到框架。神经网络的使用与大量数据集是分不开的,我们使用的驾驶员行为数据,均记录了百万级行为,我们使用滑动窗口作为基准,并使用512帧作为窗口大小。我们以每256帧为一个滑动点进行计算。没有计算出帧的平均值,标准差,最大值,最小值等。我们将每一帧窗口提取的特征,放入LSTM模型中进行训练,我们使用双层LSTM。由于深度学习需要大量的计算能力,因此我们并未使用驾驶员的所有认知能力（目标）。我们选择了6种代表性的认知表现来进行预测。对于每个驾驶认知表现,我们使用的得分计算为:相应的预测值是y1,y2…yn。预测平均值:f1,f2-fn平方和（原始）:SStot=∑i（yi-y）2,平方和（预测）:SSreg=∑i（fi-y）2,系数的定义:R2=1-SSreg/SStot接下来,我将列出我们两种不同预测方法的结果:回归分析和时间序列预测我们将驾驶员分为以下几部分:主干道,住宅道,整个行驶路线和交叉点。驾驶员的认知表现也有一个分类:基本信息,认知功能,驾驶技巧,驾驶方式。在驾驶员的基本信息中,我们主要分析教育年龄和MMSE的两个目标。在考虑教育年龄时,可以在“所有路线”,“住宅道路和交叉点”,尤其是“住宅道路和交叉”中进行预测。Point获得了较高的预测结果,表明在居民区和过马路的驾驶行为可以起到很好的作用;至于MMSE测试的总体路线,可以完美预测。从驾驶员的驾驶技能来看,我们可以看到,在整体驾驶行为中,Walk,MAZE2和 precisionMemory 可以很好地预测;在主干道中,AccuracyAcuity40FarLow,反作用不均匀度（max-min）加速器等,在住宅区的驾驶行为中,可以很好地预测MAZE1,反应不均匀性（max-min）油门制动器,表示可以很好地控制制动功能安全性得到改善;在交叉口,UFOV是良好的预测表明,有效的视觉对于驾驶行为很重要。驾驶员的认知功能,总体而言,我可以观察到不愿意进行操作DSQ。在干道上,可以很好地预测环境,道路和驾驶特性。在过马路时,可以很好地预测路线的掌握和搜索WSQ,不耐烦的操作DSQ,对路线的掌握和操作的耐心。下面显示了使用神经网络预测获得的结果:在神经网络预测中,我们仅使用了6种类型的驾驶员的认知表现。获得的结果对MMSE,反应不均匀度（max-min）整个道路上的加速剂具有良好的预测;对主干道,道路环境的理解WSQ的完美预测;在住宅道路上,驾驶员具有出色的驾驶技能;在Cross Point,驾驶能力的改变具有良好的表现。我们将所有结果放在表中,实验结果发现,回归分析的效果要优于LSTM模型所预测的效果。在本文中,我们提出了一种预测驾驶员认知行为的新颖框架。我们的工作是使用回归模型和神经网络模型来预测和比较两种方法的实验结果,以完成通过驾驶员动作预测驾驶员行为的实验。总体而言,该实验完成了我们的目的并取得了相应的结果。我们可以将此方法应用于更多的预测实验。因为数据集具有新颖的方面,但是数据量有限,所以有很多事情值得研究和讨论。第一项工作是调整参数,以提高预测认知行为的准确性;同时,从时间上考虑预测能力。现在,我们仅使用LSTM模型,并考虑多个模型（RNN,GRU和将来的改进模型等）;有交叉点的进一步分析。还存在基于驾驶行为来预测驾驶员的认知行为的结果,这需要进一步说明。我们没有驾驶行为分析的专业知识,我们希望得到专家的相应解释。最后,我们希望将记录人们在汽车中行为的摄像头与车载摄像头结合起来,以便分析更多问题。