心理所研究在機器學習的幫助下通過駕駛行為數據識別大五人格

　　人格特征可以被用來發掘個體在不同場景下的潛在需求。多項研究發現，危險駕駛行為與神經質、外向性呈正相關，與親和性、開放性、嚴謹性呈負相關；積極駕駛行為與神經質負相關，與開放性、嚴謹性、外向性、親和性正相關。目前，為了提高駕駛員的駕駛體驗，使車輛適應駕駛員的偏好(如人格)已經成為汽車行業研究的熱點問題。

　　傳統的人格特質的測量方法主要采用自我報告(如the 44-item Big Five Inventory)的方式。雖然對于個體來說，人格特質是個相對穩定的心理變量，不需要在短時間內頻繁測量，但在實際應用中依靠自我報告依然存在一些不足。具體來說，在出租車、租賃汽車、家庭用車等駕駛員不固定的場景下，要求每名駕駛員在開車前都填寫一次問卷不僅需要花費駕駛員大量的時間和注意力，而且不能滿足駕駛員對車輛自適應的需求。因此，研究一種更方便、客觀、無侵入的方法來識別駕駛員的人格特征就變得越來越重要。

　　近年來，車載傳感器和電子控制單元在汽車中的應用變得越來越普遍。它們不僅可以被用來保證車輛引擎的最佳性能，而且還可以提供了大量關于汽車、駕駛員和周圍環境的實時數據。同時，因為控制器局域網絡(CAN)是車輛中負責車載傳感器和電子控制單元通信通訊的模塊，所以研究者可以通過數據記錄儀獲取車載傳感器產生的駕駛行為數據。

　　中國科學院行為科學重點實驗室朱廷劭研究組與寶馬中國合作，使用數據記錄儀采集了5種傳輸至控制器局域網絡的車載傳感器數據，利用駕駛行為數據結合機器學習，實現對大五人格特質的自動識別，具有更高的生態效度，而且侵入性更小。

　　該研究共招募92名志愿者，志愿者首先填寫了大五人格量表（BFI-44）；然后在預定義的15km線路上完成駕駛任務,如圖1所示。

圖1 預定義的駕駛線路

　　為消除大量重復數據導致的計算效率低和數據冗余問題，并保證識別模型在未來的實際應用中具有更好的泛化能力，數據收集后，研究者首先截取預定義駕駛路線中A點到B點子路段的駕駛信號作為最終分析對象，同時利用低通濾波分別對5種駕駛行為數據進行去噪處理。

　　數據預處理后，利用統計方法和離散傅立葉變換（DFT）分別從時域和頻域的角度提取與大五人格特質相關的1325維行為特征。針對高維特征向量，在訓練模型之前進行了降維，然后利用后向序列選擇算法進行特征選擇，以確定最終用于模型訓練的特征。

　　該研究通過訓練機器學習模型，并采用了10折交叉驗證。結果顯示，對于大五人格的五個維度，預測模型對各個維度的預測得分與自我報告得分之間的相關性可以到達中等到強相關水平(0.56-0.88)。

　　該研究提供了一種新的測量駕駛員人格特質的方法，結果表明駕駛模式可以很好地表征大五人格特質。由于駕駛行為數據的收集過程是非侵入性的和生態化的，研究者可以借助車輛中已經配備的傳感設備獲取駕駛行為數據，通過嵌入式的方法用于個性化的輔助駕駛系統，為設計以人為中心的智能駕駛環境提供了新的角度，也為數字驅動的心理測量方法提供新的視角。

　　該研究成果已發表于Journal of Advanced Transportation ：

　　Wang, Y., Zhao, N., Liu, X., Karaburun, S., Chen, M., & Zhu, T. (2020). Identifying Big Five Personality Traits through Controller Area Network Bus Data. Journal of Advanced Transportation, (accepted; in press).

　　https://doi.org/10.1155/2020/8866876