一种结构方程模型的电动两轮车驾驶行为风险分析方法

摘要

本发明提出了一种基于结构方程模型的电动两轮车驾驶行为风险分析方法。本发明通过构建潜变量类型数据集，进而构建潜变量对应的观察变量数据集；通过对电动两轮车驾驶员进行调查，构建观察变量得分数据矩阵，进而进行潜变量的信度检验；通过构建观察变量与潜变量之间的关系模型、构建潜变量与潜变量之间的关系模型分析驾驶行为风险之间相互影响程度。本发明的有益效果是将其用于电动两轮车驾驶行为风险分析，充分考虑驾驶行为风险之间的相互影响程度，分组计算风险性大小，通过风险性大小判断风险严重程度，从而综合、准确、高效的制定策略来限制驾驶行为风险，从而有效减少电动两轮车驾驶员因驾驶行为引发的交通事故。

说明书

技术领域

本发明设计驾驶行为领域，尤其涉及一种结构方程模型的电动两轮车驾驶行为风险分析方法。

背景技术

目前，我国的电动两轮车保有量约为3亿辆。而我国电动两轮车日均骑行需求超过7亿人次，在人类出行中起到了至关重要的作用。由于电动两轮车轻便小巧、转向灵活，在短距离出行和穿梭狭小街道为人们提供了很大的便捷。然而，人们在骑行过程中常因驾驶行为风险造成了一系列交通事故。因此，对于驾驶行为风险的分析是非常必要的。

通过查阅资料发现，现有的驾驶行为分析都是分别针对单一的风险因素，而交通事故的发生通常不是由于单一的风险因素造成的，不同的风险因素之间也会相互影响。因此，要达到对驾驶行为风险的准确分析，需要研究一套基于结构方程模型的驾驶行为风险分析方法。通过查阅资料和市场调研并没有发现与本文所述方法相类似的。

发明内容

本发明的目的在于针对现有电动两轮车驾驶行为风险分析方法的不足，提供一种基于结构方程模型的电动两轮车驾驶行为分析方法，充分考虑了电动两轮车不同驾驶行为风险之间相互作用的关系，将驾驶行为风险量化分析，使驾驶行为风险性大小更加直观。

为了解决上述问题，本发明提出了一种结构方程模型的电动两轮车驾驶行为风险分析方法，包括以下步骤：

步骤1：通过不同外生潜变量、不同内生潜变量构建潜变量类型数据集，进一步分别构建不同外生潜变量对应的外生观察变量、不同内生潜变量对应的内生观察变量；

步骤2：构建Likert五分量表形式的问卷表，将步骤1中不同外生潜变量对应的外生观察变量和不同内生潜变量对应的内生观察变量作为驾驶行为风险问题，通过所述问卷表对电动两轮车驾驶员进行调查，得到不同驾驶员对不同外生潜变量对应的外生观察变量的得分、不同驾驶员对不同内生潜变量对应的内生观察变量的得分，进一步构建不同驾驶员对不同外生潜变量对应的观察变量的得分数据矩阵、不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵；

步骤3：根据不同驾驶员对不同外生潜变量对应的外生观察变量的得分数据矩阵、不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵分别进行不同外生潜变量的信度检验、不同内生潜变量的信度检验；

步骤4：通过外生潜变量、外生观察变量、以及外生观察变量的误差项构建外生观察变量与外生潜变量的关系模型；通过内生潜变量、内生观察变量、内生观察变量的误差项构建内生观察变量与内生潜变量的关系模型；通过外生潜变量与内生潜变量构建潜变量之间的关系模型。

作为优选，步骤1所述不同外生潜变量为：

ξ

ξ

步骤1所述不同内生潜变量为：

η

η

步骤1所述构建不同外生潜变量对应的外生观察变量为：

X

X

步骤1所述构建不同内生潜变量对应的内生观察变量为：

Y

Y

作为优选，步骤2所述不同驾驶员对不同外生潜变量对应的外生观察变量的得分为：

步骤2所述不同驾驶员对不同外生潜变量对应的外生观察变量的得分数据矩阵为：

步骤2所述不同驾驶员对不同内生潜变量对应的内生观察变量的得分为：

步骤2所述不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵为：

作为优选，步骤3所述进行不同外生潜变量的信度检验为：

计算外生潜变量ξ

其中，

计算外生潜变量ξ

其中，

计算外生潜变量ξ

其中，

当克隆巴赫系数值

进行不同内生潜变量的信度检验为：

计算内生潜变量η

其中，

计算内生潜变量η

其中，

计算内生潜变量η

其中，

当克隆巴赫系数值

作为优选，步骤4所述构建外生观察变量与外生潜变量的关系模型为：

其中，X

步骤4所述构建内生观察变量与内生潜变量的关系模型为：

其中，Y

步骤4所述构建潜变量之间的关系模型为：

其中，B为内生潜变量与内生潜变量之间的路径系数；Γ为内生潜变量与外生潜变量之间的路径系数；

步骤5：通过外生潜变量与内生潜变量之间分组得到分组后外生潜变量与内生潜变量集合，通过内生潜变量与内生潜变量之间分组得到分组后内生潜变量集合，计算分组后外生潜变量与内生潜变量集合的风险性，计算分组后内生潜变量集合的风险性；

步骤5所述通过外生潜变量与内生潜变量之间分组得到分组后外生潜变量与内生潜变量集合为：

当步骤4中所述内生潜变量与外生潜变量之间的路径系数Γ大于最小阈值时则表示内生潜变量与外生潜变量之间有显著正影响,将对应的内生潜变量和外生潜变量分为一组得到分组后外生潜变量与内生潜变量集合；

所述分组后外生潜变量与内生潜变量集合为：

A

其中，A

步骤5所述通过内生潜变量与内生潜变量之间分组得到分组后内生潜变量集合为：

当步骤4中所述内生潜变量与内生潜变量之间的路径系数B大于最小阈值时则表示内生潜变量与内生潜变量之间有显著正影响,将对应的内生潜变量分为一组得到分组后内生潜变量集合；

所述分组后内生潜变量集合为：

R

其中，R

步骤5所述分组后外生潜变量与内生潜变量集合的风险性为：

其中，

其中，

其中，

步骤5所述分组后内生潜变量集合的风险性为：

其中，

其中，

其中，

根据风险性大小

根据风险性大小

按照极其危险、高度危险、显著危险、一般危险、稍有危险的风险等级顺序对电动两轮车驾驶行为风险制定策略来进行限制。

本发明的有益效果是将其用于电动两轮车驾驶行为风险分析，充分考虑驾驶行为风险之间的相互影响程度，分组计算风险性大小，通过风险性大小判断风险严重程度，从而综合、准确、高效的制定策略来限制驾驶行为风险，从而有效减少电动两轮车驾驶员因驾驶行为引发的交通事故。

附图说明

图1：本发明方法流程图；

图2：为本发明驾驶行为风险分析的结构方程模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1以及图2介绍本发明的具体实施方式为结构方程模型的电动两轮车驾驶行为风险分析方法，具体包以下步骤：

步骤1：通过不同外生潜变量、不同内生潜变量构建潜变量类型数据集，进一步分别构建不同外生潜变量对应的外生观察变量、不同内生潜变量对应的内生观察变量；

步骤1所述不同外生潜变量为：

ξ

ξ

步骤1所述不同内生潜变量为：

η

η

步骤1所述构建不同外生潜变量对应的外生观察变量为：

X

X

步骤1所述构建不同内生潜变量对应的内生观察变量为：

Y

Y

步骤2：构建Likert五分量表形式的问卷表，将步骤1中不同外生潜变量对应的外生观察变量和不同内生潜变量对应的内生观察变量作为驾驶行为风险问题，通过所述问卷表对电动两轮车驾驶员进行调查，得到不同驾驶员对不同外生潜变量对应的外生观察变量的得分、不同驾驶员对不同内生潜变量对应的内生观察变量的得分，进一步构建不同驾驶员对不同外生潜变量对应的观察变量的得分数据矩阵、不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵；

步骤2所述不同驾驶员对不同外生潜变量对应的外生观察变量的得分为：

步骤2所述不同驾驶员对不同外生潜变量对应的外生观察变量的得分数据矩阵为：

步骤2所述不同驾驶员对不同内生潜变量对应的内生观察变量的得分为：

步骤2所述不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵为：

步骤3：根据不同驾驶员对不同外生潜变量对应的外生观察变量的得分数据矩阵、不同驾驶员对不同内生潜变量对应的内生观察变量的得分数据矩阵分别进行不同外生潜变量的信度检验、不同内生潜变量的信度检验。

步骤3所述进行不同外生潜变量的信度检验为：

计算外生潜变量ξ

其中，

计算外生潜变量ξ

其中，

计算外生潜变量ξ

其中，

当克隆巴赫系数值

进行不同内生潜变量的信度检验为：

计算内生潜变量η

其中，

计算内生潜变量η

其中，

计算内生潜变量η

其中，

当克隆巴赫系数值

步骤4：通过外生潜变量、外生观察变量、以及外生观察变量的误差项构建外生观察变量与外生潜变量的关系模型；通过内生潜变量、内生观察变量、内生观察变量的误差项构建内生观察变量与内生潜变量的关系模型；通过外生潜变量与内生潜变量构建潜变量之间的关系模型；

步骤4所述构建外生观察变量与外生潜变量的关系模型为：

其中，X

步骤4所述构建内生观察变量与内生潜变量的关系模型为：

其中，Y

步骤4所述构建潜变量之间的关系模型为：

其中，B为内生潜变量与内生潜变量之间的路径系数；Γ为内生潜变量与外生潜变量之间的路径系数；ζ

步骤5：通过外生潜变量与内生潜变量之间分组得到分组后外生潜变量与内生潜变量集合，通过内生潜变量与内生潜变量之间分组得到分组后内生潜变量集合，计算分组后外生潜变量与内生潜变量集合的风险性，计算分组后内生潜变量集合的风险性；

步骤5所述通过外生潜变量与内生潜变量之间分组得到分组后外生潜变量与内生潜变量集合为：

当步骤4中所述内生潜变量与外生潜变量之间的路径系数Γ大于最小阈值0.8时则表示内生潜变量与外生潜变量之间有显著正影响,将对应的内生潜变量和外生潜变量分为一组得到分组后外生潜变量与内生潜变量集合；

所述分组后外生潜变量与内生潜变量集合为：

A

其中，A

步骤5所述通过内生潜变量与内生潜变量之间分组得到分组后内生潜变量集合为：

当步骤4中所述内生潜变量与内生潜变量之间的路径系数B大于最小阈值0.8时则表示内生潜变量与内生潜变量之间有显著正影响,将对应的内生潜变量分为一组得到分组后内生潜变量集合；

所述分组后内生潜变量集合为：

R

其中，R

步骤5所述分组后外生潜变量与内生潜变量集合的风险性为：

其中，

其中，

其中，

步骤5所述分组后内生潜变量集合的风险性为：

其中，

其中，

其中，

根据风险性大小

根据风险性大小

按照极其危险、高度危险、显著危险、一般危险、稍有危险的风险等级顺序对电动两轮车驾驶行为风险制定策略来进行限制。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。