CN109992857A - 汽车尾灯形状设计评估和预测方法 - Google Patents

Abstract

本发明提供一种汽车尾灯形状设计评估和预测方法，包括以下步骤：基于语义差异法和李克特量表，收集面向消费者的汽车尾灯形状感性意象词汇；基于格式塔心理学中的相似性和接近性原理，定义所述汽车尾灯形状类别；将所述汽车尾灯形状类别作为自变量x_j，所述汽车尾灯形状感性意象词汇平均值作为因变量，建立逐步回归方程；进行主成分分析；将所上述步骤中的两个评估方法过程中得到的数据进行关联性分析和补充，提出汽车尾灯形状设计策略。本发明能够更加全面、有效的评估尾灯设计，预测并提出尾灯设计策略。

Description

汽车尾灯形状设计评估和预测方法

技术领域

本发明涉及汽车尾灯设计领域，具体地涉及一种汽车尾灯形状设计评估和预测方法。

背景技术

在竞争激烈的汽车工业市场中，汽车的视觉形状参数和外观美学成为商业成功的重要因素之一。汽车尾灯是汽车车身的重要组成部分之一，影响着汽车整体美感，尾灯设计备受汽车行业的关注。业内对于汽车尾灯外形设计的研究较少，目前的尾灯设计过程仍然取决于设计师自身的经验和偏好，存在很多主观性和不确定性。

发明内容

本发明实施方式的目的是提供基于多元线性回归和主成分分析的汽车尾灯形状设计评估和预测方法。

为了实现上述目的，在本发明包括以下步骤：

S1)基于语义差异法和李克特量表，收集面向消费者的汽车尾灯形状感性意象词汇；

S2)基于格式塔心理学中的相似性和接近性原理，定义所述汽车尾灯形状类别；

S3)将所述汽车尾灯形状类别作为自变量x_j，所述汽车尾灯形状感性意象词汇平均值作为因变量，建立逐步回归方程；

S4)进行主成分分析，即：将M个汽车尾灯形状感性意象词汇组合成一组新的之间相互无关的综合变量，同时根据实际需要从中抽取出N个最能反映原变量信息的综合变量；

S5)将所述步骤S3)和所述步骤S4)两个评估方法过程中得到的数据进行关联性分析和补充，提出汽车尾灯形状设计策略。

进一步的，步骤S3)中建立逐步回归方程，包括：

通过SPSS统计分析软件辅助计算得到逐步回归方程的以下参数：偏回归系数、常数项、复相关系数R、决定系数R²和显著性P值。

进一步的，所述显著性P值为自变量的引入和剔除变量的标准，当引入或剔除一个自变量时，回归的方差分析中的偏回归平方和会增加或减少，所述偏回归平方和相对于“残差的方差”比值的大小反映了自变量对因变量作用的显著程度；

P_in和P_out分别表示F_in和F_out比值的概率值；其中，F_in和F_out分别表示进入逐步回归方程所需的最小F值和剔除变量时所不能超过的最大F值；若P≤P_in,则引入该变量，否则不引入；若P≥P_out,则剔除该变量，否则保留；所述F为：

H0j:βj＝0成立时，

进一步的，考虑所述自变量x_i(i＝1,2,…,p)的显著性时，因变量y对自变量x₁,x₂,…,x_p线性回归的残差平方和为SSE，回归平方和为SSR；则自变量x_i对回归的贡献为ΔSSR_(j)＝SSR-SSR_(j),称为x_i的偏回归平方和。

进一步的，对所有自变量分别建立i个一元线性回归方程，根据偏回归平方和，确定引入一元线性回归方程的第一个变量，再分别引入第二个变量；建立i-1个二元线性回归方程，再根据偏回归平方和确定引入二元线性回归方程的第二个变量，同时进行相应的统计检验，确定是否有需要剔除的变量；在选取的二元线性回归方程中以同样的方式引入第三个变量；如此下去，直至无法引入新的变量，也没有可剔除的变量，逐步回归终止。

进一步的，通过多元线性回归分析，建立尾灯感性意象和尾灯形状类别的多元线性回归方程，如下：

y_i＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip+ε_i，i＝1,2,…，n

其中β0称为回归常数，β₁,β₂,...,β_p称为偏回归系数，ε是随机误差。

进一步的，对所述多元线性回归公式两边取数学期望，得到因变量y的期望函数为：

E(y_i)＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip，其中i＝1,2,…，n

在总体回归方程中，参数β₀,β₁,β₂,...,β_p是未知的，利用样本观测值去估计未知参数β_0,β₁,β₂,...,β_p，并用参数β₀,β₁,β₂,...,β_p的估计值去代替总体回归方程的未知参数β_0,β₁,β₂,...,β_p，得到多元线性样本回归方程：

其中是对总体回归参数β_j的估计；

根据最小二乘法原理，利用实测值与回归值计算初始模型的残差平方和：

为了使得残差平方和达到最小，根据极值原理，即满足条件

即：

解以上方程得到参数的最小二乘估计值；上述方程用矩阵可表示为：

由样本回归模型两边同乘X’，得到

由极值条件得到正规方程组

由基本假定知，(X'X)^-1存在，用(X'X)^-1左乘以上述方程两端，得到参数向量β的最小二乘估计值为

在多元线性回归方程中，用判定系数R²衡量估计方程对样本观测值的拟合程度，在多元线性回归分析中，总离差平方和分解公式仍然成立，即SST＝SSR+SSE，其中为总离差平方和，为回归平方和，为残差平方和；

决定系数为回归平方与总离差平方和的比值，数学模型为

R²取值在[0,1]内，R²值越接近于1，表明回归方程对实际观测值的拟合效果越好，R²的值越接近于0，表明回归方程对实际观测值的拟合效果越差。

进一步的，在获得所述步骤S3)中获得的所述感性意象词汇平均值后，将大于0的所有数据设置为集合A，并将集合A中所有元素的平均值设置为将小于0的所有数据设置为集合B，并将集合B中的所有元素的平均值设置为大于的数据集设置为集合A'，A'中的数据表示样本倾向于李克特量表上右侧的感性形容词；小于的数据集设置为集合B'，B'中的数据表示样本倾向于李克特量表上左侧的感性形容词；通过以上两组数据，探究基于各个样本的消费者强烈感性意象的形容词集合，即，平均值大于且小于的数据，该数据所对应的词汇则是该样本的突出感性意象。

进一步的，对所获得的感性意象词汇平均值进行主成分分析，包括如下步骤：

S21)计算相关系数矩阵R；

S22)计算特征值；

S23)计算主成分贡献率及累计贡献率；

S24)计算主成分载荷；

S25)写出主成分的表达式。

进一步的，将具有较高主成分载荷和较高主成分系数的词语认定为突出感性意象词。

进一步的，基于下述等式计算每个样本基于突出感性意象词汇的总分：

计算每个样本基于突出感性意向词的分数之和，分数大小表示样本对消费者的吸引力的强弱。

上述基于多元线性回归和主成分分析的汽车尾灯形状设计评估和预测方法，带来了以下有益效果：

(1)基于多元线性回归方法和感性意象主成分分析，分别得出尾灯设计策略，综合得到的尾灯设计思路可以丰富汽车尾灯形状设计知识库。

(2)能够全面探究预测各个感性意象对应的设计风格，需要并行采用感性意象主成分分析方法进行设计评估，能够更加全面、有效的评估尾灯设计，预测并提出尾灯设计策略。

(3)能够较好地应用于汽车尾灯设计过程，通过该方法得到的设计预测结果和设计策略能够有效地指导汽车尾灯设计开发。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是本发明基于多元线性回归和主成分分析的汽车尾灯形状设计评估和预测方法的步骤图；

图2是本发明提供的方法中主成分分析的步骤图；

图3是根据一种实施方式的汽车尾灯形状样本；

图4是根据一种实施方式的设计评估排序结果。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

技术词语解释：

多元回归分析：是指在相关变量中将一个变量视为因变量，其它一个或多个变量视为自变量，建立多个变量之间线性或非线性数学模型数量关系式并利用样本数据进行分析的统计分析方法。

主成分分析：是指将原来变量组合成一组新的互相无关的几个综合变量，同时根据实际需要从中抽取出几个较少的综合变量且尽可能多地反映原来变量的信息的统计方法，是数学中降维的一种方法。

首先，基于语义差异法和李克特量表，收集面向消费者的汽车尾灯形状感性意象词汇。举例来说，通过查阅汽车网站、杂志及相关文献收集描述汽车尾灯的感性词汇，总计150个，通过专家访谈，问卷调查及聚类分析最终筛选出7对最能描述汽车尾灯形状的感性意象词汇，分别是“丑陋的-漂亮的”，“中庸的-独特的”，“复杂的-简约的”，“朴素的-华丽的”，“呆滞的-动感的”，“内敛的-狂野的”和“不易辨识的-易辨识的”。

语义差异法评估

对上述过程中提取的7对感性形容词和14个汽车尾灯样本，建立了7级李克特量表(表1)，招募了90名18岁-55岁且具有至少一年驾驶经验的参与者来填写调查问卷。在评分实验后，除缺失评分或超过十个极值数据，共获得85份有效问卷。表1如下所示：

表1：7级李克特量表

表17级李克特量表

其次，基于格式塔心理学中的相似性和接近性原理，定义所述汽车尾灯形状类别。通过查阅汽车网站，汽车广告和杂志广泛收集40多个流行品牌的220张汽车尾灯图片。邀请8名汽车公司工业设计师成立专家小组来分析汽车尾灯的形状，并确定最终典型的汽车尾灯样本。根据不同的尾灯形状和品牌，最终选择了14个典型的汽车尾灯样本。为了突出尾灯的形状特征，并考虑尾灯在夜晚显示的重要性，通过Photoshop软件对14张图片进行了处理，模拟夜晚尾灯状态。如图3所示，每张图片均突出了汽车尾灯形状特点，弱化了汽车车身和品牌对尾灯形状的影响。

然后，进行多元线性回归分析。对14个汽车尾灯样本进行初步的数据分析，计算均值的公式如式如下所示，每个样本感性意象平均值如下表2所示。

表2尾灯形状感性意象词平均值

基于格式塔心理学中的相似性和接近性原理，本文定义了六种尾灯形状类别，即流线形，折线形，圆形，椭圆形，多边形(水平样式)和多边形(垂直样式)。数据如下表3所示：

表3汽车尾灯形状设计类别反应矩阵由于自变量较多，且并非所有的自变量都对因变量有显著影响，因此本研究采取逐步回归分析法建立多元线性回归方程。

首先给出引入变量的“纳入标准”和剔除变量的“剔除标准”。引入和剔除变量是从自变量对因变量y的作用的显著程度这一角度考虑。当引入或剔除一个自变量时，回归的方差分析中的偏回归平方和将会增加或减少，这个变化量相对于“残差的方差”比值的大小反映了自变量对因变量y作用的显著程度。考虑自变量xj(j＝1,2,…,p)的显著性时，y对自变量x1,x2,…,xp线性回归的残差平方和为SSE，回归平方和为SSR，在剔除掉xj后，用y对其余的p-1个自变量作回归，记所得的残差平方和为SSE(j),回归平方和为SSR(j),则自变量xj对回归的贡献为ΔSSR(j)＝SSR-SSR(j),称为xj的偏回归平方和。

由此构造F统计量为：

H0j:βj＝0成立时，

将P值作为引入和剔除变量的标准，P_in和P_out分别表示F_in和F_out比值的概率值。其中，F_in和F_out分别表示进入方程所需的最小F值和剔除变量时所不能超过的最大F值。若P≤P_in,则引入该变量，否则不引入；若P≥P_out,则剔除该变量，否则保留。本文设定P_in＝0.05,P_out＝0.10。

本文面向6个自变量，对所有自变量分别建立6个一元线性回归方程，根据偏回归平方和，确定引入回归方程的第一个变量。在一元回归方程中，分别引入第二个变量，建立5个二元回归方程，在根据偏回归平方和确定引入的第二个变量，同时进行相应的统计检验，确定是否有需要剔除的变量。在选取的二元回归方程中以同样的方式引入第三个变量；如此下去，直至无法引入新的变量，也没有可剔除的变量，逐步回归终止。

通过多元线性回归分析，建立尾灯感性意象和尾灯形状类别的多元线性回归方程，如下

y_i＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip+ε_i，i＝1,2,…，n

其中y为因变量(尾灯感性意象值)；X为自变量(尾灯形状类别)；β0称为回归常数，β₁,β₂,...,β_p称为偏回归系数，ε是随机误差。

在多元线性回归模型基本假定的基础上，对以上公式两边取数学期望，可得到y的期望函数为：

E(y_i)＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip，其中i＝1,2,…，n

在总体回归方程中，参数β_0,β₁,β₂,...,β_p是未知的，因此需要利用样本观测值去估计它们，用参数估计值去代替总体回归方程的未知参数，则得到多元线性样本回归方程

其中是对总体回归参数β_j的估计。

根据最小二乘法原理，利用实测值与回归值计算初始模型的残差平方和：

为了使得残差平方和达到最小，根据极值原理，即满足条件

即：

解以上方程得到参数的最小二乘估计值。上述方程用矩阵可表示为：

由样本回归模型两边同乘X’，得到

由极值条件得到正规方程组

由基本假定知，(X'X)^-1存在，用(X'X)^-1左乘以上述方程两端，得到参数向量β的最小二乘估计值为

在多元线性回归方程中，用判定系数R²衡量估计方程对样本观测值的拟合程度。在多元线性回归分析中，总离差平方和分解公式仍然成立，即SST＝SSR+SSE，其中为总离差平方和，为回归平方和，为残差平方和；

决定系数为回归平方与总离差平方和的比值，数学模型为

R²取值在[0,1]内，R²值越接近于1，表明回归方程对实际观测值的拟合效果越好，R²的值越接近于0，表明回归方程对实际观测值的拟合效果越差。

通过以上数学公式以及SPSS统计分析软件辅助计算，得到偏回归系数，常数项，复相关系数(R)，决定系数(R²)和显著性P值，如下表4所示：

表4不同感性意象词汇的相关分析

以“丑陋的-漂亮的”为例，通过多元线性回归分析，得到决定系数(R²)的值为0.625，说明该模型可以解释总数据的62.5％。R²的值越接近1，说明回归直线对观测值的拟合程度越好。从数据中提取出两个模型，其中，模型2的显著性P值较低(P＝0.005)。另外，常数值和两个自变量的显著性P值均小于0.05，说明模型2中的自变量对因变量“丑陋的-漂亮的”有显著影响。因此，模型2中因变量与两个自变量之间的线性关系显著，适用于建立线性模型。数据分析结果表明，该模型较为理想，可以用于预测汽车尾灯形状设计。

例如，基于“丑陋的-漂亮的”的尾灯形状设计预测模型，可表示为:

y₁＝0.409-0.860x₅+0.814x₁+ε₁

数据结果显示，多边形(水平样式)形状与“丑陋的”、“朴素的”、“平庸的”、“呆滞的”、“内敛的”等感性意象线性相关。圆形的尾灯形状给人一种“中庸的”、“呆滞的”和“内敛的”的感性意象，流线形尾灯设计给人一种“漂亮的”的感性意象。由此可见，不同形状的尾灯对应不同的消费者感性意象，因此，在具体设计实践中，汽车设计师和汽车开发商需要能够提供差异化的尾灯形状设计以迎合消费者的差异化审美需求。例如，商务人士偏好“内敛的”“中庸的”汽车美学设计，因此汽车尾灯形状可以设计成多边形(水平样式)或者圆形，呼应“内敛的”消费者偏好。时尚都市圈中的年轻用户偏好“漂亮的”汽车美学设计，因此汽车尾灯形状可以设计成流线形。从备受商务人士喜爱的奥迪A6车身设计分析得到，其尾灯形状正是多边形(水平样式)风格，时尚动感的保时捷panamera，其尾灯形状则恰好是流线型，以上均验证了本研究所提出的尾灯形状设计预测。此外，不同的感性意象之间有一定的相关性，例如消费者认为“中庸的”尾灯设计也同时是“呆滞的”和“内敛的”。基于消费者感性意象的尾灯形状设计策略如表5所示：

表5基于消费者感性意象的尾灯形状设计策略

以下是感性意象词汇主成分分析：

首先，基于语义差异法和李克特量表工具，收集面向消费者的汽车尾灯形状感性意象数据。然后，在获得感性意象词汇平均值后，将大于0的所有数据设置为集合A，并将集合A中所有元素的平均值设置为将小于0的所有数据设置为集合B，并将集合B中的所有元素的平均值设置为大于的数据集设置为集合A'，A'中的数据表示样本倾向于李克特量表上右侧的感性形容词。小于的数据集设置为集合B'，B'中的数据表示样本倾向于李克特量表上左侧的感性形容词。通过以上两组数据，探究基于各个样本的消费者强烈感性意象的形容词集合。

基于等式(1)和(2)：得到平均值大于且小于的数据，这些数据所对应的词汇则是该样本的突出感性意象。

首先，基于等式(1)和(2)分析突出的感性意象词汇。以“复杂的-简约的”的感性词组为例，平均值小于0的数据表明尾灯形状偏向于“复杂的”。平均值大于0的数据表示尾灯感性意象偏向于“简约的”。通过计算得出，大于0的数据的平均值是0.723，小于0的数据的平均值是-0.321。提取大于0.723或小于-0.321的数据，说明这些数据对应的尾灯形状反映出更强或更突出的感性意象。表6数据是每个样本提取出的突出感性意象：

表6

其次，对感性意象平均值进行主成分分析。(以下为详细步骤)1)计算相关系数矩阵R

首先，计算第i列第j行的相关系数rij,计算公式如下：

得到相关系数矩阵R，如下：

通过计算得到系数矩阵数值为表7：

表72)计算特征值

求解特征方程|λI-R|＝0,其中I是单位阵，λ是对应R的特征值，求出λi(i＝1,2,…,p),并将其按大小顺序排列，

λ₁≥λ₂≥…≥λ_p≥0

然后分别求出对应于特征值λi的特征向量ei(i＝1,2,…,p),特征向量ei满足

其中eij表示向量ei的第j个分量

3)计算主成分贡献率及累积贡献率

根据特征值计算出贡献率

根据贡献率计算出累积贡献率，根据累积贡献率确定主要成分

一般取累积贡献率达85％～95％的特征值λ1，λ2，……，λm所对应的第1，第2，……，第m(m≤p)个主成分。

以上步骤计算得出的数值如下表8：

表8解释的总方差

结果给出了主成分分析的主要信息，包括特征值λ由大到小的次序排列，各个主成分的贡献率和累积贡献率。第一主成分的特征值为5.482，它解释了总变异的78.312％；第二主成分的特征根为1.140，它解释了总变异的16.287％；前两个特征值的累计贡献率为94.600％。由于前两个成分特征值λ均大于1，且前两个主成分共解释总变异的94.600％，因此本研究选取前两个主成分。

4.计算主成分载荷

主成分载荷矩阵数值是主成分与原始变量的相关系数，绝对值的大小代表了主成分与原始变量的相关程度，据此可以看出每一主成分所代表的原始变量的信息。

主成分载荷计算公式如下：

表9主成分载荷数值

从数据得到，第一主成分与变量“丑陋的-美丽的”，“平庸的-独特的”，“朴素的-华丽的”，“呆滞的-动感的”，“内敛的-狂野的”和“不易辨识的-易辨识的”的相关系数都接近1，说明它涵盖了这些变量的信息，可以命名为设计的美学性。第二主成分主要涵盖了“复杂的–简约的”的信息，可以命名为设计的复杂性。

5.写出主成分的表达式

若从原样本p个指标中提取了m个主成分,则可以表示为如下公式：

从以上步骤得到的各主成分的载荷矩阵并不是主成分系数矩阵，因此对主成分载荷矩阵进行一定的变换得到主成分的系数矩阵。具体方法为，将每一列的成分载荷数值除以对应列的特征值的平方根，比如为第一个主成分中变量“丑陋的-漂亮的”的系数，其它依次类推，计算所得的主成分系数矩阵如下表。

表10主成分系数矩阵

根据以上系数，可写出两个主成分的表达式：

y₁＝0.400zx₁+0.417zx₂-0.082zx₃+0.420zx₄+0.420zx₅+0.419zx₆+0.361zx₇

y₂＝0.272zx₁+0.081zx₂+0.905zx₃-0.035zx₄+0.146zx₅-0.034zx₆-0.278zx₇

由此可见，成分y1依次依赖于“朴素的-华丽的”、“呆滞的-动感的”、“内敛的-狂野的”、“中庸的-独特的”、“丑陋的-漂亮的”和“不易辨识的-易辨识的”，成分y2依赖于“复杂的-简约的”。

根据数据，将出现较多次数、具有较高主成分载荷和较高主成分系数的词语认定为突出感性意象词，最终得到的是华丽的(0.984)，动感的(0.983)，简约的(0.966)和狂野的(0.982)。具有突出感性意象的样本对于消费者来说具有更强的视觉吸引力。

基于下式计算每个样本基于突出感性意象词汇的总分：

其中Pi是4个最终突出感性词语的绝对值之和，4个感性词语分别由Xg，Xd，Xs和Xw表示。计算每个样本基于突出感性词语的分数之和，分数越大，说明样本对消费者的吸引力越强。基于突出感性意象词汇的设计样本排序如表11所示。

表11基于突出感性意象词汇的设计样本排序结果

数据显示，样本11在设计评估中排名第一，而样本13和样本3排名第二和第三。有四个尾灯并未获得分数，则表明该设计在同类别的消费者感性意象中，形状设计不够具有吸引力，未能对应突出的感性意象。

通过分析排序前3的形状设计发现，尾灯形状均来自不同的设计类别，即流线形，折线形和多边形(竖直样式)。排序在4到6的尾灯形状分别为圆形，折线形和流线形(表12)。结果表明，流线形或折线形样式能够给消费者留下强烈的感觉，并代表了“华丽的”，“动感的”，“简约的”和“狂野的”的感性意象。多边形(竖直样式)和圆形形状的尾灯也具有一定的“华丽的”，“动感的”，“简约的”和“狂野的”的感性意象，但是相关度并没有流线形和折线形高。如图4所示。

基于多元线性回归方法和感性意象主成分分析，分别得出尾灯设计策略，综合得到的尾灯设计思路可以丰富汽车尾灯形状设计知识库。从多元线性回归分析中可以发现多边形(水平样式)的设计风格会给消费者“丑陋的”、“朴素的”，“中庸的”，“呆滞的”和“内敛的”感觉，圆形形状的车尾灯具有“平庸的”，“呆滞的”和“内敛的”消费者意象。消费者普遍认为流线形形状是“漂亮的”。数据分析发现，折线形，椭圆和多边形(竖直样式)形状与其它未提及的感性词汇之间并没有线性关系。因此，要能够全面探究预测各个感性意象对应的设计风格，需要并行采用感性意象主成分分析方法进行设计评估，能够更加全面、有效的评估尾灯设计，预测并提出尾灯设计策略。通过主成分分析及突出感性意象词汇数据，得到四个突出的感性意象词汇，分别是华丽的、动感的、简约的、狂野的。将得到的四个感性意象分数总和作为样本设计评估的参照标准，对各个样本进行排序。从排序结果得出，流线形和折线形形状的汽车尾灯能够较好的体现“华丽的”、“动感的”、“简约的”和“狂野的”感性意象，其次是多边形(竖直样式)和椭圆形。在一些定位为运动型或时尚型的汽车设计中，可以考虑将尾灯设计成以上相关形状，以便更好地和消费者的心理相互呼应。通过汽车尾灯形状设计评估模型，能够有效的进行设计分析预测和设计思路补充，丰富汽车尾灯设计知识库。

对于汽车设计师和汽车开发商而言，基于多元线性回归和感性意象主成分分析方法的设计评估方法，能够较好地应用于汽车尾灯设计过程，通过该方法得到的设计预测结果和设计策略能够有效地指导汽车尾灯设计开发。同时，该方法具有较强的通用性，适用于汽车其它部件的评估和设计预测。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (11)

1.一种汽车尾灯形状设计评估和预测方法，其特征在于，包括以下步骤：

S1)基于语义差异法和李克特量表，收集面向消费者的汽车尾灯形状感性意象词汇；

S2)基于格式塔心理学中的相似性和接近性原理，定义所述汽车尾灯形状类别；

S3)将所述汽车尾灯形状类别作为自变量x_j，所述汽车尾灯形状感性意象词汇平均值作为因变量，建立逐步回归方程；

S4)进行主成分分析，即：将M个汽车尾灯形状感性意象词汇组合成一组新的之间相互无关的综合变量，同时根据实际需要从中抽取出N个最能反映原变量信息的综合变量；

S5)将所述步骤S3)和所述步骤S4)两个评估方法过程中得到的数据进行关联性分析和补充，提出汽车尾灯形状设计策略。

2.根据权利要求1所述的评估和预测方法，其特征在于，步骤S3)中建立逐步回归方程，包括：

通过SPSS统计分析软件辅助计算得到逐步回归方程的以下参数：偏回归系数、常数项、复相关系数R、决定系数R²和显著性P值。

3.根据权利要求2所述的评估和预测方法，其特征在于，所述显著性P值为自变量的引入和剔除变量的标准，当引入或剔除一个自变量时，回归的方差分析中的偏回归平方和会增加或减少，所述偏回归平方和相对于“残差的方差”比值的大小反映了自变量对因变量作用的显著程度；

P_in和P_out分别表示F_in和F_out比值的概率值；其中，F_in和F_out分别表示进入逐步回归方程所需的最小F值和剔除变量时所不能超过的最大F值；若P≤P_in,则引入该变量，否则不引入；若P≥P_out,则剔除该变量，否则保留；所述F为：

H0j:βj＝0成立时，

4.根据权利要求3所述的评估和预测方法，其特征在于，考虑所述自变量x_i(i＝1,2,…,p)的显著性时，因变量y对自变量x₁,x₂,…,x_p线性回归的残差平方和为SSE，回归平方和为SSR；则自变量x_i对回归的贡献为ΔSSR_(j)＝SSR-SSR_(j),称为x_i的偏回归平方和。

5.根据权利要求4所述的评估和预测方法，其特征在于，对所有自变量分别建立i个一元线性回归方程，根据偏回归平方和，确定引入一元线性回归方程的第一个变量，再分别引入第二个变量；建立i-1个二元线性回归方程，再根据偏回归平方和确定引入二元线性回归方程的第二个变量，同时进行相应的统计检验，确定是否有需要剔除的变量；在选取的二元线性回归方程中以同样的方式引入第三个变量；如此下去，直至无法引入新的变量，也没有可剔除的变量，逐步回归终止。

6.根据权利要求5所述的评估和预测方法，其特征在于，通过多元线性回归分析，建立尾灯感性意象和尾灯形状类别的多元线性回归方程，如下：

y_i＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip+ε_i，i＝1,2,…，n

其中β0称为回归常数，β₁,β₂,...,β_p称为偏回归系数，ε是随机误差。

7.根据权利要求6所述的评估和预测方法，其特征在于，对所述多元线性回归公式两边取数学期望，得到因变量y的期望函数为：

E(y_i)＝β₀+β₁X_i1+β₂X_i2+…+β_pX_ip，其中i＝1,2,…，n

在总体回归方程中，参数β₀,β₁,β₂,...,β_p是未知的，利用样本观测值去估计未知参数β₀,β₁,β₂,...,β_p，并用参数β₀,β₁,β₂,...,β_p的估计值去代替总体回归方程的未知参数β₀,β₁,β₂,...,β_p，得到多元线性样本回归方程：

其中是对总体回归参数β_j的估计；

根据最小二乘法原理，利用实测值与回归值计算初始模型的残差平方和：

为了使得残差平方和达到最小，根据极值原理，即满足条件

即：

解以上方程得到参数的最小二乘估计值；上述方程用矩阵可表示为：

由样本回归模型两边同乘X’，得到

由极值条件得到正规方程组

由基本假定知，(X'X)^-1存在，用(X'X)^-1左乘以上述方程两端，得到参数向量β的最小二乘估计值为

在多元线性回归方程中，用判定系数R²衡量估计方程对样本观测值的拟合程度，在多元线性回归分析中，总离差平方和分解公式仍然成立，即SST＝SSR+SSE，其中为总离差平方和，为回归平方和，为残差平方和；

决定系数为回归平方与总离差平方和的比值，数学模型为

R²取值在[0,1]内，R²值越接近于1，表明回归方程对实际观测值的拟合效果越好，R²的值越接近于0，表明回归方程对实际观测值的拟合效果越差。

8.根据权利要求1所述的评估和预测方法，其特征在于，在获得所述步骤S3)中获得的所述感性意象词汇平均值后，将大于0的所有数据设置为集合A，并将集合A中所有元素的平均值设置为将小于0的所有数据设置为集合B，并将集合B中的所有元素的平均值设置为大于的数据集设置为集合A'，A'中的数据表示样本倾向于李克特量表上右侧的感性形容词；小于的数据集设置为集合B'，B'中的数据表示样本倾向于李克特量表上左侧的感性形容词；通过以上两组数据，探究基于各个样本的消费者强烈感性意象的形容词集合，即，平均值大于且小于的数据，该数据所对应的词汇则是该样本的突出感性意象。

9.根据权利要求8所述的评估和预测方法，其特征在于，对所获得的感性意象词汇平均值进行主成分分析，包括如下步骤：

S21)计算相关系数矩阵R；

S22)计算特征值；

S23)计算主成分贡献率及累计贡献率；

S24)计算主成分载荷；

S25)写出主成分的表达式。

10.根据权利要求9所述的评估和预测方法，其特征在于，将具有较高主成分载荷和较高主成分系数的词语认定为突出感性意象词。

11.根据权利要求10所述的评估和预测方法，其特征在于：基于下述等式计算每个样本基于突出感性意象词汇的总分：

计算每个样本基于突出感性意向词的分数之和，分数大小表示样本对消费者的吸引力的强弱。