基于贝叶斯网络的高速公路出口指路标志满意度评价
　总第３１９期交　通　科　技
ＳｅｒｉａｌＮｏ．３１９
　２
０２３第４期ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ
Ｎｏ．４Ａｕｇ
．２０２３ＤＯＩ１０．３９６３／ｊ
．ｉｓｓｎ．１６７１ ７５７０．２０２３．０４．０２０收稿日期：２０２３ ０３ １７
第一作者：曾科（１９８７－），男，工程师，博士生。通信作者：丁乃侃（１９８９－）
，男，副研究员，博士。
国家自然科学基金项目（７１９０１１６６
）资助基于贝叶斯网络的高速公路出口指路标志满意度评价
曾　科１，２　田　壮３　丁乃侃１　逯兆友
４
（１．武汉理工大学智能交通系统研究中心　武汉　４３００６３；　２．武汉智安交通科技有限公司　武汉　４３００１３；３．中交一公局第六工程有限公司　天津　３００４５０；　４．
武汉工程大学土木工程与建筑学院　武汉　４３００７４）摘　要　为建立科学有效的高速公路出口指路标志设置满意度评价体系，分析多维度因子对评价结果的直接和潜在影响。采用问卷调查收集驾驶人的基本信息和对指路标志的主观评价，通过贝叶斯网络构建高速公路出口指路标志设置满意度评价模型。结果表明，
文中建立的贝叶斯网络模型可以准确识别驾驶人对高速公路出口指路标志的满意度，总体准确率达到７２．９％；通过贝叶斯网络模型识别了驾驶人个体特征、出行选择特征、出口处的行为特征等因素之间的因果关联及其组合对出口指路标志满意度的影响。
关键词　交通运输规划与管理　高速公路　出口指路标志　贝叶斯网络　问卷调查
中图分类号　Ｕ４９５．５＋
２
  高速公路出口指路标志是一种向驾驶人提供
出口地点和距离等信息的交通信息载体，是确保车辆高效安全地驶出高速公路的安全设施。定期对高速公路出口指路标志进行满意度调查可为道路管理部门提供改进、优化标志的依据。高速公路出口指路标志设置的满意度与驾驶人对交通标志的认知能力有关。在已有的满意度调查中，驾驶人的性别、年龄、驾龄，以及职业等个体特征会
对交通标志的认知理解产生影响［１
］。Ｔｏｐ
ｏｌｓｅｋ等
［２］
使用眼动追踪技术探究驾驶人驾驶时受交通
标志的影响，发现驾龄低的驾驶人受交通标志的影响更为显著，说明熟练驾驶人对交通标志的认知水平要高于新手驾驶人。然而，针对驾驶人个
体特征之间的潜在影响尚不明确。黄小芳等［３
］研
究了驾驶人年龄、性别，以及驾龄对视认知的影响，
研究表明，驾驶人年龄对视认知的影响较大。而年龄、驾龄，以及性别之间又存在着一定的相关性，不能排除这些因素间的互相影响，因此在构建满意度评价体系时需要考虑其内在关联。
交通标志的信息呈现方式是影响驾驶人对交
通标志认知性的关键［
４］。赵迪等［５］
基于驾驶员对于标志的理解度和认知时间，建立了单块标志和
标志系统的有效性评价模型。李贤钰［
６］
基于驾驶人视认特性对Ｆ形标志和常规标志形式进行比较分析，发现Ｆ型标志的视认性较常规型标志更优。然而，指路标志的信息量和驾驶人的自身因素之间同样存在着关联，并且影响驾驶人对交通
标志的认知能力。程迎迎等［
７
］研究了指路标志信息量与驾龄对驾驶人认知能力的影响。丁乃侃
等［８］
分析了驾驶人个体特征对高速公路出口指路
标志有效性评价的影响，结果表明，个体特征和出行特征对高速公路出口指路标志有效性评价具有显著性影响。目前缺乏针对个体特征、出行目的和指路标志信息呈现等多维度因子影响及其潜在关联的综合分析。
鉴于此，本文提出一种基于贝叶斯网络的高速公路出口指路标志满意度评价模型。该模型能够分析驾驶人个体特征、出行目的，以及指路标志信息呈现等多因子的潜在关系，有效量化驾驶人主观评价。
１　交通调查与数据处理１．１　总体方法
为了获取不同驾驶人体对高速公路出口指路标志满意度的评价，
在湖北省高速路网中选取具有代表性的服务区和停车区作为调查地点进行问卷调查。问卷调查的设计包含个体特征、出行特征，以及信息呈现等３个维度。其中，以性别、
年龄，以及驾龄等角度反映驾驶人个体特征；以出行频率和出行目的等角度反映出行特征；以停车看标志和走错出口等角度反映信息呈现维度。此外，为了综合分析驾驶人主观判断的有效性，引入驾驶人对指路标志设置清晰程度、是否满足驾驶预期、能否有利于少走错路，以及标志的整体满意程度等４个指标。在３０个服务区和停车区发放了总计１５００份问卷，剔除无效问卷后剩余１０００份有效问卷。
１．２　问卷数据统计
表１呈现了１０００份有效样本的问卷中，不同问题选项的选择比例统计情况。
通过Ｃｒｏｎｂａｃｈα信度系数法对问卷表中各个维度的选项结果进行信度检验，公式如下。
α＝犽（犽－１）·（σ犻２／σ２）（１）式中：犽为问卷中的题目总数；σ２
犻
为第犻题的调查结果方差；σ２为全部调查结果的方差。经计算，可靠性系数α为０．７２３，据此可以判断该问卷调查的数据具有可信性。
表１　调查问卷数据统计结果
统计指标问题选项（占比／％）
驾驶人个体特征性别男（９０．５）女（９．５）
年龄／岁　１８～３５
岁
（１９．１）
　３６～５０岁
（７３．８）
　５１岁以上
（７．１）
驾龄／年　３
年以下
（９．５）
　４～１０年
（３５．８）
　７～１０年
（５４．７）
职业公务员（９．６）　
个体户
（５４．７）
其他（３５．７）
　驾驶人出行选择特征出行目的　
省内因私
（１０）
　省内因公
（１３．６）
　省外因私
（５２．４）
　省外因公
（２４）
出行频率　３
次及以下
（２．３）４～８
次（２４）　８
次以上
（７３．７）
提前规划路线会（９０．４）不会（９．６）
　驾驶人出口处行为特征停车看标志经常（２１．３）偶尔（２６）从不（５２．３）标志识别不及经常（７．１）偶尔（５９．４）从不（３３．５）走错出口经常（９．４）偶尔（４９．８）从不（４０．８）
车辆类型车型小客（２６．２）　中、大客
（９．６）
小货（１９）大货（４５．２）
　指路标志满意程度清晰程度　
更加清晰
（７．１）
　比较清晰
（６６．４）
不明显（１８．７）　
习惯之前
（３）
不关注（４．８）满足预期超过预期（７．２）　
满足预期
（５１．１）
　基本满足
（３３．５）
　习惯之前
（４．２）
不关注（４）少走错路明显减少（４．８）减少（７３．８）　
不明显
（１６．７）
　依然走错
（４．７）
满意程度非常满意（９．６）满意（５２．５）　
基本满意
（３０．８）
　不满意
（２．３）
　非常不满意
（４．８）
２　基于贝叶斯网络的高速公路出口指路标志设置满意度评价模型
２．１　贝叶斯网络模型结构学习
为了准确、高效地构建贝叶斯网络模型，本文在专家知识的基础上引入机器学习算法对模型进行训练。该方法既可实现在某一层次点上精确把控机器深度学习系统的进程，更可能实现满足系统期望并得到最优的贝叶斯网络模型。在Ｇｅ ＮＩｅ３．０软件中的具体实现过程如下：首先，设置部署贪婪学习算法，基于专家知识和相关理论在各个节点之间构建背景知识体系和逻辑关系，如职业影响出行目的、少走错路影响驾驶人的满意度、驾龄影响年龄等，然后结合机器学习方法得到初步的高速公路出口指路标志满意度网络结构；其次，通过灵敏度分析法逐步“扩充－简化－精确”各个关键网络节点间的逻辑关系，得到如图１所示的最终贝叶斯网络结构模型。
图１　贝叶斯网络结构模型
２．２　贝叶斯网络模型参数学习
在网络模型中，节点的边缘概率及各节点的条件概率表是需要设置的主要参数。专属的网络结构需要根据节点数据进行参数学习，经过匹配
性检验的数据以相同的顺序组合输出得到高速公路出口指路标志设置有效性评价的概率分布，贝叶斯网络参数学习结果图见图２。对高速公路出口指路标志满意度的选项分为５个层次：非常满意、满意、比较满意、不满意和非常不满意，占比分别为：１２．１４％，４５．０４％，２７．９３％，６．６３％和８．２６％。
图２　贝叶斯网络参数学习结果
３　贝叶斯网络模型结果分析
３．１　模型效果评价指标
通常可以利用混淆矩阵来评价贝叶斯网络模型的分类效果。对于一个常见的二分类情形（如“类别Ｉ”和“类别ＩＩ”），可以得到如表２所示的混淆矩阵。
表２　混淆矩阵
真实值
预测值
类别Ｉ类别ＩＩ
类别Ｉ犜犘犉犖
类别ＩＩ犉犘犜犖
  注：犜犘 “ｔｒｕｅｐｏｓｉｔｉｖｅ”，表示真实的“类别Ｉ”被正确地识别为“类别Ｉ”的数量；犉犖 “ｆａｌｓｅｎｅｇａｔｉｖｅ”，表示真实的“类别Ｉ”被错误地识别为“类别ＩＩ”的数量；犉犘 “ｆａｌｓｅｐｏｓｉｔｉｖｅ”，表示真实的“类别ＩＩ”被错误地识别为“类别Ｉ”；犜犖 “ｔｒｕｅｎｅｇａｔｉｖｅ”，表示真实的“类别ＩＩ”被正确地识别为“类别ＩＩ”。
根据上述混淆矩阵，可以进一步得到如下综合量化指标以评估模型的分类效果。
１）准确率（ａｃｃｕｒａｃｙ）。预测为“类别Ｉ”和“类别ＩＩ”且实际观测也为“类别Ｉ”和“类别ＩＩ”占总数的比例。
ａｃｃｕｒａｃｙ＝
犜犘＋犜犖
犜犘＋犜犖＋犉犘＋犉犖
（２）
  ２）精确率（ｐｒｅｃｉｓｉｏｎ）。预测为“类别Ｉ”且实
际观测为“类别Ｉ”占预测为“类别Ｉ”的比例。
ｐｒｅｃｉｓｉｏｎ＝
犜犘
犜犘＋犉犘
（３）
  ３）召回率（ｒｅｃａｌｌ）。反映预测为“类别Ｉ”且
实际观测为“类别Ｉ”占实际为“类别Ｉ”的比例。
ｒｅｃａｌｌ＝
犜犘
犜犘＋犉犖
（４）
  ４）特异度（ｓｐｅｃｉｆｉｃｉｔｙ）。反映实际观测为
“类别ＩＩ”的样本中，模型识别出来同样为“类别
ＩＩ”的比例。
ｓｐｅｃｉｆｉｃｉｔｙ＝
犜犖
犜犖＋犉犘
（５）
  ５）假阳性率（ｆａｌｓｅｐｏｓｉｔｉｖｅｒａｔｅ）。反映实际
观测为“类别ＩＩ”，但模型识别出来为“类别Ｉ”的
比例。
ｆａｌｓｅｐｏｓｉｔｉｖｅｒａｔｅ＝
犉犘
犉犘＋犜犖
（６）
  ６）犉１值。犉１值为精确率和召回率的均值。
犉１＝２
·ｐｒｅｃｉｓｉｏｎ·ｒｅｃａｌｌ
ｐｒｅｃｉｓｉｏｎ＋ｒｅｃａｌｌ
（７）
３．２　模型验证
本文采用Ｋ Ｆｏｌｄ交叉验证，以２００份调查问
卷为１组，将１０００份有效调查问卷分成５组。
在交叉验证中，随机选择１组数据作为验证集，其
余组作为训练集，依次循环５次。经过交叉验证
后的满意程度分布见表３。从表３中可以看出斜
对角线数据即为真实选择又是准确预测的份数，
其中非常满意有２６份、满意有４９７份、比较满意
有１３８份、不满意有２３份、非常不满意有４５份，
共计７２９份。
表３　满意程度混淆矩阵
预测结果
真实结果
非常满意满意比较满意不满意非常不满意
非常满意　２６７００００
满意  　１２４９７１００
比较满意　８１６２１３８００
不满意  ０００２３０
非常不满意３０００４５
  依据表３和式（２）～（７）可得到所建立贝叶斯
网络模型各个评价指标，见表４。
表４　满意度贝叶斯网络评价结果
满意程度ａｃｃｕｒａｃｙｐｒｅｃｉｓｉｏｎｒｅｃａｌｌｓｐｅｃｉｆｉｃｉｔｙｆａｌｓｅｐｏｓｉｔｉｖｅｒａｔｅ犉１非常满意　０．５３００．２７１０．９７４０．０２６０．３５８满意  　０．９６００．９７５０．５１２０．４８８０．９６７比较满意　０．７２９０．９９３０．４４８０．９９９０．００１０．６１７不满意  １１１０１非常不满意１０．９３８１００．９６８
2023年高速路免费通行  由表
４可见，本文建立的贝叶斯网络模型可以较为准确地识别驾驶人对高速公路出口指路标
志的满意程度，总体准确率达到７２．９％。
此外，在进行分类模型性能评价时，通常可以用受试者特征曲线（ＲＯＣ曲线，ｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｃｕｒｖｅ
）检验模型的分类准确性。对于本研究，可针对５个水平的满意程度分别画出相应的ＲＯＣ曲线并计算其ＡＵＣ值，
具体见图３所示。由图３可见，各个满意程度的ＲＯＣ曲线对应的ＡＵＣ值均在０．８５以上，即所建立的贝叶斯网络模型对满意程度的识别是准确的。
图３　不同满意程度的ＲＯＣ曲线
３．３　网络模型推理分析
３．３．１　逆向推理
将标志满意度中的“非常满意”作为已知量进行逆向推理。首先，将“非常满意”选项的比例设置为１００％，
推理后的结果见图４
。图４　贝叶斯网络模型逆向推理结果
图４结果显示，“标志过多”问题中的“从不”
选项的比例提升了８．１％，相对于验证之前的结果提升了２４．２％；“走错出口”问题中的“从不”选项的比例提升了７．２％，相对于验证之前的结果提升了１９．５％；“停车看标志”问题中的“从不”选项的比例提升了１６．９％，相对于验证之前的结果提升了３２．４％。因此，“标志过多”、“走错出口”和“停车看标志”等因素对模型分析结果具有显著影响。
３．３．２　敏感性分析
通过敏感性分析能够出对目标节点产生较大影响的因素。将指路标志设置清晰程度、设置满足驾驶预期、设置少走错路、设置满意程度作为目标节点，
敏感性分析的结果展示以满意程度为例（敏感性分析结果见图５），其余略。图中参数范围为（０，１）之间，条形长度表示衡量特定变量对所选取的目标节点的影响，实体填充表示积极变化，斜线填充表示消极变化。
由图５可见，当满意程度作为目标节点设置为“非常满意”时，下列出现的因素是对目标节点
有着较大影响的因素，其中“性别＝男性”是影响最大的因素（０．１１３，０．１５７），其次是“清晰程度＝比较清晰｜停车看标志＝从不”（０．１０５，０．１３７）和“满意程度＝非常满意｜停车看标志＝从不，驾驶预期＝满足预期，少走错路＝减少，清晰程度＝比较清晰”（０．１０７，０．１３５）。这表明上述几个因素对目标节点设置为“非常满意”时的影响最大。
图５　“对标志满意程度＝非常满意”的敏感性分析
  将目标节点设置为积极正面选项时，通过敏感性分析可知，驾驶人的性别为男性，驾驶人有良好的驾驶习惯，例如：从不停车看标志，提前规划路线等对结果有着重要的影响，这也从侧面反映男性驾驶人对高速公路出口指路标志的评价要高于女性驾驶人，无不良驾驶行为的驾驶人对高速公路出口指路标志的评价要高于有不良驾驶行为的驾驶人。
４　结语
为了建立科学有效的高速公路出口指路标志满意度评价体系，在湖北省高速公路路网中选取３０个服务区和停车区开展问卷调查。采集可能影响标志整体满意度的１４个影响因素，通过贝叶斯网络构建了高速公路出口指路标志满意度评价模型。结果表明：
１）本文建立的贝叶斯网络模型可以准确地识别驾驶人对高速公路出口指路标志的满意度，总体准确率达到７２．９％，且各满意程度的ＲＯＣ曲线对应的ＡＵＣ值均在０．８５以上。
２）通过贝叶斯网络模型识别了驾驶人个体特征、出行选择特征、出口处的行为特征等因素之间的因果关联及其组合对出口指路标志满意度的影响。本研究可为高速公路交通引导标志的更新提供参考，并为标志更新后的有效性和驾驶人满意度评估提供支撑。
参考文献
［１］　ＡＩ ＭＡＤＡＮＩＨ，ＡＩ ＪＡＮＡＨＡＡＲ．Ｒｏｌｅｏｆｄｒｉｖ ｅｒｓ′ｐｅｒｓｏｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｕｎｄｅｒｓｔａｎｄｉｎｇｔｒａｆｆｉｃ
ｓｉｇｎｓｙｍｂｏｌｓ［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ，２００２，３４（２）：１８５ １９６．
［２］　ＴＯＰＯＬＳＥＫＤ，ＡＲＥＨＬ，ＣＶＡＵＴＥＴ．Ｅｘａｍｉｎａ ｔｉｏｎｏｆｄｒｉｖｅｒｄｅｔｅｃｔｉｏｎｏｆｒｏａｄｓｉｄｅｔｒａｆｆｉｃｓｉｇｎｓａｎｄ
ａｄｖｅｒｔｉｓｅｍｅｎｔｓｕｓｉｎｇｅｙｅｔｒａｃｋｉｎｇ［Ｊ］．Ｔｒａｎｓｐｏｒｔａ ｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＦ：ＰｓｙｃｈｏｌｏｇｙａｎｄＢｅｈａｖｉｏｕｒ，２０１６，４３：２１２ ２２４．
［３］　黄小芳，贾志绚，卓亚娟．ＬＥＤ交通标志的视认性试验研究与分析［Ｊ］．中国安全科学
学报，２０１７，２７（４）：３７ ４２．
［４］　王仁杰，周晓宏．高速公路交通标志的认知及评价综述［Ｊ］．交通信息与安全，２０２１，３９（２）：９ １８．［５］　赵迪，刘庆元，邵敏华，等．高速公路复杂节点指路标志有效性研究与应用［Ｊ］．交通科技，２０２２，３１０
（１）：１３１ １３６．
［６］　李贤钰．基于视认特性的互通区出口指路标志形式比较分析［Ｊ］．交通科技，２０２２，３１２（３）：１３６ １４０．［７］　程迎迎，陈飞，黄晓明，等．不同特性驾驶员指路标志信息认知差异［Ｊ］．东南大学学报（自然科学版），２０１０，４０（４）：８７１ ８７５．
［８］　丁乃侃，田壮，逯兆友，等．高速公路出口指路标志设置有效性评价［Ｊ］．公路，２０２２，６７（４）：２４３ ２４９．

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。