ارزیابی رفتار راننده نسبت به شاخص‌های تصمیم‌گیری ذهن راننده در حرکت تعقیب خودرو مبتنی بر الگوهای رفتاری راننده

اولویت بندی متفاوت ذهن راننده در انتخاب شاخص های گوناگون در حرکت تعقیب خودرو  منجر به تعیین سرعت، کاهش و افزایش شتاب متفاوت مبتنی بر رفتار متفاوت رانندگان می‌گردد. در این تحقیق سه شاخص ایمنی، راحتی و زمان سفر به عنوان شاخص های اولویت بندی ذهن راننده انتخاب شده اند. همچنین، رفتار راننده در حرکت تعقیب خودرو در آشفتگی جریان ترافیک مبتنی بر مدلتعقیب خودرو رفتاری دسته بندی شده اند. با استفاده از یک متدولوژی مسئله چندهدفه حل شده، اولویت بندی ذهن راننده در انتخاب شاخص ها وزن دهی شده اند. رفتار عملکرد وزن های تعیین شده از مدل با استفاده از شبکه عصبی ارزیابی و آنالیز شده است. نتایج ارزیابی مدل شبکه عصبی راننده پرخاشگر و محتاط رفتار متفاوتی نسبت به اولویت بندی  شاخص ها در فازهای متفاوت آشفتگی ترافیک ارائه می نمایند.  راننده پرخاشگردر خصوص اولویت بندی شاخص راحتی  در فازکاهش (افزایش) شتاب مبتنی بر تغییرات وزن دهی اولویت بندی، رفتاری افزایش ( افزایش) شتاب را نشان داد. همچنین، در خصوص اولویت بندی شاخص ایمنی مبتنی بر تغییرات وزن دهی اولویت بندی، رفتاری افزایش (افزایشی کاهشی) شتاب و شاخص زمان سفر رفتاری افزایش (افزایش) شتاب را ارائه نمود. راننده محتاط در فاز کاهش (افزایش) شتاب در خصوص اولویت بندی شاخص راحتی مبتنی بر تغییرات وزن دهی اولویت بندی، افزایشی کاهشی ( افزایش) شتاب رفتار نمود. همچنین، در خصوص اولویت بندی شاخص ایمنی مبتنی بر تغییرات وزن دهی اولویت بندی، رفتاری افزیش (افزایشی کاهشی) شتاب و شاخص زمان سفر مبتنی بر افزایش (افزایش) شتاب ارائه نمود.

Evaluating driver behavior to the decision-making indices of the driver’s mind in the car following based on the driver’s behavioral patterns

In the oscillation traffic, various factors could affect a driver’s decision to choose a different speed and decrease or increase acceleration based on different driver’s patterns of behavior. In the present study, different behavioral patterns (aggressive and cautious) is analyzed in the oscillation traffic, with regard to three mental behavior of driver (safety, comfort, and travel time). In this regard, a structured methodology was proposed to quantify the indices’ weights including a multiobjective optimization problem in which the indices were the model’s objective functions. Then, a driver’s behavior was evaluated and analyzed using a neural network. The results of evaluating the driver’s behavioral performance showed that the aggressive behavioral performance in the deceleration (acceleration) phase with respect to comfort index based on changes, increasing (increasing) acceleration and safety index based on changes, a decreasingincreasing (decreasing) acceleration and travel time index based on changes is determined by decreasing (increasing) acceleration. Finding also revealed The results of evaluating the timid behavioral performance show that the timid driver behavior in the deceleration (acceleration) phase with respect to comfort index based on changes, increasing decreasing (increasing) acceleration and safety index based on changes, increasing ( decreasingincreasing) acceleration and travel time index based on changes is determined by decreasing (increasing) acceleration.