情绪状态是人在某种事件或情境影响下，在一定的时间里表现出的情绪^[1]。驾驶人在驾驶过程前或驾驶过程中，由于自身的主、客观因素的改变，引起驾驶人情绪变化，对安全驾驶起着重要的影响作用。积极的情绪有利于驾驶安全，消极的情绪对安全驾驶有抑制作用，消极情绪影响驾驶人的注意力和反应能力、容易驾驶疲劳、淡化安全意识^[2]。研究驾驶人情绪对道路交通安全有着重要意义。目前国内的研究主要致力于研究驾驶人情绪状态的测量方法^[3]，不同职业特性的驾驶人情绪对驾驶行为的影响^[4,5,6]。本文采用祝蓓里情绪状态量表对济南市各种行业驾驶人的情绪和人际关系进行采样，利用人工神经网络技术，建立人际-情绪危险性的网络拓扑模型，达到深入研究驾驶人的人际关系对驾驶情绪影响的目的。

1 驾驶人情绪现状研究 1.1 对象

随机抽取交警、长途客运、出租车、危险品运输、私家车等驾驶人作为测试样本，发放测试问卷700份，回收有效问卷657份(93.86%)。抽样驾驶人年龄区间为^[18,57]，其中女性驾驶人214人，男性驾驶人443人；职业驾驶人308人，非职业驾驶人349人。

1.2 方法

采用祝蓓里情绪状态量表(POMS)^[7]。该量表的消极情绪部分涉及紧张心理6个问题、疲劳5个问题、愤怒心理7个问题、慌乱心理5个问题、抑郁心理6个问题；积极情绪部分中涉及精力6个问题、与自我有关5个问题，共40个题组成，每个问题发生的频繁程度设定0~4分5个级别。情绪纷乱总分为:

点击浏览公式

1.3 现状统计

研究利用SPSS对样本数据进行分析与处理。经过描述性分析得到TMD的正态P-P图。如图 1所示，期望正态值近似落于一条直线上，即样本的TMD服从正态分布。

图 1 TMD正态P-P图 Fig. 1 Normal P-P curves of TMD

图选项

TMD的均值为104.89，方差为434.933，分布范围在^[60,181]。进一步分析得到，在657名驾驶人中，有35人的TMD得分等于或高于136分，即情绪处于消极影响状态，占总样本的5.3%，对驾驶员职业和性别统计如表 1所示。

由表 1可见，出现消极情绪的概率职业驾驶人要远高于非职业驾驶人。这与职业驾驶人长时间从事高强度、强紧张状态的工作有关。男性驾驶人出现消极情绪的概率远高于女性驾驶人。

将样本按年龄区段分为5个年龄组，各组样本人数及出现消极情绪的情况见表 2。

由表 2可知最容易出现消极情绪的年龄区段为21~30岁，其次为31~40岁区段。随着年龄的增长，安全驾驶意识和安全驾驶技能的增强，心理状态的成熟和稳定，出现消极情绪的概率逐渐降低。

2 人际对驾驶人情绪的影响

美国T.H.Holmes和R.H.Rahe设计的社会生活再适应评定量表的43项影响中有16项与人际关系的变动有关。尤其是对于驾驶人，良好的人际关系给人带来愉悦、放松的感觉，对情绪有积极作用，有利于行车安全；而不良的人际关系会造成不注意、易怒的心理状态，对情绪有消极的作用。本文将人际关系分为家庭和工作两类。

家庭人际关系包括驾驶人与父母、伴侣、孩子、伴侣父母和其他家庭成员的关系。尤其是家庭中父母对驾驶人性格的养成具有重要作用，父母是否体谅儿女、认同儿女，是家庭人际关系中重要作用的反映；伴侣是驾驶人除去工作的剩余时间中接触时间最长、关系最密切的家庭组成部分，伴侣之间的信任度、理解度、互相欣赏程度，都直接关系到驾驶人的心情与心理状态；其次还应包括与儿女、兄弟姐妹、伴侣父母之间的关系。

工作人际关系对驾驶人尤其是非职业驾驶人的情绪状态也有密切关系。和谐健康的同事关系，是驾驶过程中心态积极的一个影响原因，不和谐而紧张的同事关系，是打消出勤积极性的诱因之一，严重的会导致心理疾病。

根据分析本文确定 8个人际关系为驾驶人情绪影响因素，并针对8个因素对驾驶人的情绪影响进行问卷调查，调查结果见表 3。

由表 3可知，绝大部分驾驶人的人际关系都趋于正常并对驾驶人的情绪产生积极影响，只有极少数驾驶人的人际关系对其情绪造成偏消极影响甚至消极影响。基于对驾驶人情绪和人际关系的调查与统计，建立驾驶人人际-情绪关系模型。

3 基于反向传播神经网络的人际-情绪关系模型 3.1 研究方法

鉴于本研究的目的为建立驾驶人人际和情绪之间的关系模型，是多个输入与一个输出的结构，因此选用人工神经网络(artificial neural network,简称ANN)作为建模工具。ANN是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。BP人工神经网络是基于误差反向传播 (Back-Propagation) 算法的一种多层前向神经网络。BP 算法作为ANN的一种比较典型的学习算法，主要结构是由一个输入层、一个或多个隐含层、一个输出层组成。各层由若干个神经元(节点)构成。每一个节点的输出值由输入值、作用函数和阈值决定^[8]。

3.2 建立模型 3.2.1 输入与输出

将人际关系归纳8个关系因素，见表 4，则X1,X2,…,X8为输入神经元。

由于tnd总体是 ^[56,216]之间、中值为136的连续变量，使得拟合比较困难，因此将TMD进行级别划分，并以名义变量表示。

tmd大于均值104.89的被试人员已经超出了所有被试人员的平均水平； tmd大于136的被试人员出现了消极情绪影响，对驾驶过程是危险的。据此将tmd分为3个级别如表 5所示。

将名义变量Y设定为MLP神经网络的输出神经元。

3.2.2 BP神经网络拓扑模型

建立一个由8个输入神经元，m个隐藏神经元及1个输出神经元组成的BP神经网络，其拓扑图如图 2所示。

图 2 神经网络拓扑模型 Fig. 2 Neural network topology model

图选项

如图 2所示，隐藏层中第j个神经元的输出为：

点击浏览公式

点击浏览公式

输出变量是隐藏层神经元加工和训练后的结果，由式(4)表示：

点击浏览公式

点击浏览公式

于是，将式(2)带入式(4)得到输出变量即人际-情绪关系计算模型:

点击浏览公式

3.3 预测结果

利用SPSS软件，对建立的网络模型进行训练样本量、测试样本量8∶2的设置，对被测样本进行训练，并对人际-情绪关系进行预测，生成的神经网络模型的汇总信息如表 6所示。

由表 6可知在训练过程中由8个输入神经元得出的输出神经元结果中有68.3%是正确的，在测试过程中预测准确率达到70.1%。

为验证建立的神经网络的稳定性，将样本按随机顺序排序，取70%，80%和90%的样本，按同样方法建立和训练神经网络，得到的训练准确率和预测准确率见表 7。

由表 7可知，通过建立的神经网络模型有70%的把握可以判断人际-情绪关系及情绪的危险性，预测准确率随样本量的增大而提高。另外，tmd>136分的样本量较少，造成学习不足，影响整体预测水平。判断失准的部分，即情绪中除了1~8输入神经元因素的影响，受到被测试人员实时状态干扰，如健康状态、经济压力等，因此将人际-情绪关系的计算模型修正为：

点击浏览公式

由系统计算得到8个输入神经元对输出神经元的影响的重要性权值见表 8。

由表 8可知，对情绪影响最大的是与伴侣父母之间的关系，其次是与父母之间的关系，再次为与伴侣之间的关系，以后依次为与同事关系、与子女的关系、与领导的关系、与下属关系、与兄弟姐妹关系。

4 结论

通过建立BP神经网络模型并对部分数据信息进行训练，能够在系统内部规律未知的情况下，通过多个评价指标得到有关系统的预测结论。本文通过对驾驶人的人际关系数据分析，选择其中与驾驶人情绪有关的8种关系作为影响因素，构建基于BP神经网络的人际-情绪危险性模型，并进行了初步应用验证。研究表明，人际关系是影响驾驶人情绪的主要因素，基于BP 神经网络的人际-情绪判断的方法能够在约70%的程度上进行危险性的预测，是一种有效的辅助性的危险性判别手段，失准的部分应由驾驶人身体状态、经济压力等因素修正。