心理所研究在机器学习的帮助下通过驾驶行为数据识别大五人格

　　人格特征可以被用来发掘个体在不同场景下的潜在需求。多项研究发现，危险驾驶行为与神经质、外向性呈正相关，与亲和性、开放性、严谨性呈负相关；积极驾驶行为与神经质负相关，与开放性、严谨性、外向性、亲和性正相关。目前，为了提高驾驶员的驾驶体验，使车辆适应驾驶员的偏好(如人格)已经成为汽车行业研究的热点问题。

　　传统的人格特质的测量方法主要采用自我报告(如the 44-item Big Five Inventory)的方式。虽然对于个体来说，人格特质是个相对稳定的心理变量，不需要在短时间内频繁测量，但在实际应用中依靠自我报告依然存在一些不足。具体来说，在出租车、租赁汽车、家庭用车等驾驶员不固定的场景下，要求每名驾驶员在开车前都填写一次问卷不仅需要花费驾驶员大量的时间和注意力，而且不能满足驾驶员对车辆自适应的需求。因此，研究一种更方便、客观、无侵入的方法来识别驾驶员的人格特征就变得越来越重要。

　　近年来，车载传感器和电子控制单元在汽车中的应用变得越来越普遍。它们不仅可以被用来保证车辆引擎的最佳性能，而且还可以提供了大量关于汽车、驾驶员和周围环境的实时数据。同时，因为控制器局域网络(CAN)是车辆中负责车载传感器和电子控制单元通信通讯的模块，所以研究者可以通过数据记录仪获取车载传感器产生的驾驶行为数据。

　　中国科学院行为科学重点实验室朱廷劭研究组与宝马中国合作，使用数据记录仪采集了5种传输至控制器局域网络的车载传感器数据，利用驾驶行为数据结合机器学习，实现对大五人格特质的自动识别，具有更高的生态效度，而且侵入性更小。

　　该研究共招募92名志愿者，志愿者首先填写了大五人格量表（BFI-44）；然后在预定义的15km线路上完成驾驶任务,如图1所示。

图1 预定义的驾驶线路

　　为消除大量重复数据导致的计算效率低和数据冗余问题，并保证识别模型在未来的实际应用中具有更好的泛化能力，数据收集后，研究者首先截取预定义驾驶路线中A点到B点子路段的驾驶信号作为最终分析对象，同时利用低通滤波分别对5种驾驶行为数据进行去噪处理。

　　数据预处理后，利用统计方法和离散傅立叶变换（DFT）分别从时域和频域的角度提取与大五人格特质相关的1325维行为特征。针对高维特征向量，在训练模型之前进行了降维，然后利用后向序列选择算法进行特征选择，以确定最终用于模型训练的特征。

　　该研究通过训练机器学习模型，并采用了10折交叉验证。结果显示，对于大五人格的五个维度，预测模型对各个维度的预测得分与自我报告得分之间的相关性可以到达中等到强相关水平(0.56-0.88)。

　　该研究提供了一种新的测量驾驶员人格特质的方法，结果表明驾驶模式可以很好地表征大五人格特质。由于驾驶行为数据的收集过程是非侵入性的和生态化的，研究者可以借助车辆中已经配备的传感设备获取驾驶行为数据，通过嵌入式的方法用于个性化的辅助驾驶系统，为设计以人为中心的智能驾驶环境提供了新的角度，也为数字驱动的心理测量方法提供新的视角。

　　该研究成果已发表于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