本發(fā)明總體上涉及一種專用車輛(purpose-built?vehicles)的乘客傾向分類方法以及系統(tǒng)，具體地，涉及一種能夠分類使用專用車輛各種乘客的傾向的專用車輛的乘客傾向分類方法以及系統(tǒng)，以無需提供或投入其他資源或追加費用來滿足各種乘客。

背景技術(shù)：

1、最近，隨著車輛電動化和人工智能(ai)技術(shù)的急速發(fā)展，車輛已不再是單純的運輸手段，正在進化成著眼于各種特定的使用目的專用車輛(purpose?built?vehicle，pbv)。

2、因此，車輛業(yè)界正在開發(fā)根據(jù)乘客的傾向提供定制服務(wù)的專用車輛。

3、在這種潮流中，隨著消費者的意識從擁有車輛轉(zhuǎn)變?yōu)槭褂脤Ｓ密囕v的形式，能夠滿足各種乘客的移動服務(wù)正在擴大。

4、像這樣，由于多個乘客使用一個專用車輛，運行時間比現(xiàn)有車輛長，并且可以記錄各種乘客的行駛傾向。

5、因此，可以與數(shù)據(jù)收集簡便且要求龐大的數(shù)據(jù)的人工智能技術(shù)相融合。

6、基于此，若可以使用或應(yīng)用人工智能技術(shù)分類各種乘客的駕駛傾向，就可以為每位乘客提供定制服務(wù)，從而引起更大的滿足感和服務(wù)質(zhì)量的提高。

7、雖然應(yīng)用人工智能技術(shù)時需要海量數(shù)據(jù)，但由于專用車輛被各種乘客使用，并且因此可以輕松收集多種且龐大的數(shù)據(jù)。

8、但是，若利用這些所有的數(shù)據(jù)通過人工智能技術(shù)進行學(xué)習并推論，則就會增加資源和時間的消耗。

9、因此，需要選定適當?shù)奶卣?feature)，并利用人工智能技術(shù)對數(shù)據(jù)進行降維的過程。

10、以往，使用降低物理維度的主成分分析(principle?component?analysis，pca)、線性判別分析(linear?discriminant?analysis，lda)等的降維技術(shù)，這種傳統(tǒng)降維技術(shù)在降低物理維度的過程中存在特征(feature)間的特性差異消失的問題。

11、同時，分析駕駛者傾向的人工智能技術(shù)主要使用擅于處理時間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network，rnn)。

12、輸入數(shù)據(jù)選定能夠特定操作轉(zhuǎn)向裝置、油門、剎車等的乘客的操作行為和車輛狀態(tài)的特征，并探索符合分類目的的參數(shù)以優(yōu)先個人傾向的方式分類。

13、現(xiàn)有技術(shù)大多以此為基礎(chǔ)采用指導(dǎo)學(xué)習方式，這需要將正確值與輸入數(shù)據(jù)進行匹配的標注作業(yè)，因此存在消耗大量資源和時間的問題。

技術(shù)實現(xiàn)思路

1、發(fā)明要解決的問題

2、本發(fā)明的一些示例性實施例可以提供一種能夠分類使用專用車輛各種乘客的傾向的專用車輛的乘客傾向分類方法以及系統(tǒng)，以無需投入其他資源或追加費用來滿足各種乘客。

3、用于解決問題的手段

4、為實現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面的專用車輛的乘客傾向分類方法的特征在于，執(zhí)行如下操作：按照時間順序收集使用專用車輛的乘客的駕駛傾向數(shù)據(jù)并生成時間序列數(shù)據(jù)；通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習所述時間序列數(shù)據(jù)并進行降維以輸出作為中間結(jié)果物的多個新特征(feature)；將k均值聚類算法應(yīng)用于被降維的所述新特征來分類所述乘客的駕駛傾向。

5、當所述駕駛傾向數(shù)據(jù)為車輛操作數(shù)據(jù)時，其可以包括與橫擺率(yawrate)、轉(zhuǎn)向角度、車輛速度、縱向加速度、橫向加速度相關(guān)聯(lián)的數(shù)據(jù)。

6、通過基于長短期記憶(long?short-term?memory，lstm)的自編碼器(autoencoder)來學(xué)習所述時間序列數(shù)據(jù)。

7、可以通過將k均值聚類算法應(yīng)用于被降維的所述新特征來生成多個代表性乘客傾向簇。

8、生成所述代表性乘客傾向簇后對新數(shù)據(jù)進行乘客傾向分類時，可以使用多個所述代表性乘客傾向簇的中心坐標。

9、降維所述新數(shù)據(jù)后，可以通過求得與被降維的所述新特征最接近的簇的中心坐標并將所述新數(shù)據(jù)的傾向分類為所述簇。

10、作為替代方案，根據(jù)本發(fā)明的專用車輛的乘客傾向分類方法可以包括：降維模型生成步驟，按照時間順序收集使用專用車輛的乘客的駕駛傾向數(shù)據(jù)并生成時間序列數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習所述時間序列數(shù)據(jù)并進行降維；代表性乘客傾向簇生成步驟，輸出作為被降維的中間結(jié)果物的多個所述新特征(feature)，并將k均值聚類算法應(yīng)用于所述新特征以生成多個代表性乘客傾向簇；以及乘客傾向分類步驟，計算將新乘客的駕駛傾向數(shù)據(jù)進行降維而導(dǎo)出的新特征與多個所述代表性乘客傾向簇的中心間的距離，并選擇具有與所述新特征最接近的中心的代表性乘客傾向簇。

11、所述時間序列數(shù)據(jù)的生成是以如下方式實現(xiàn)：收集多個乘客的駕駛傾向數(shù)據(jù)，根據(jù)目的將所述駕駛傾向數(shù)據(jù)篩選為多個特征，并將多個所述乘客的篩選的多個特征按時間順序進行排列。

12、當所述乘客的駕駛傾向分類為目的時，可以選擇橫擺率(yawrate)、轉(zhuǎn)向角度、車輛速度、縱向加速度、橫向加速度作為所述駕駛傾向數(shù)據(jù)特征。

13、通過基于長短期記憶(long?short-term?memory，lstm)的自編碼器(autoencoder)來學(xué)習所述時間序列數(shù)據(jù)。

14、在所述學(xué)習的自編碼器結(jié)構(gòu)中僅分離編碼器以作為降維模型使用。

15、若在所述編碼器中輸入所述時間序列數(shù)據(jù)，則可以輸出作為被降維的中間結(jié)果物的多個所述新特征。

16、在所述代表性乘客傾向簇生成步驟中，若將k均值聚類算法應(yīng)用于新特征，則可以獲得多個簇和每個所述簇的中心坐標對。

17、可以通過輪廓系數(shù)(silhouette?coefficient)評價由多個所述簇生成的結(jié)果，以導(dǎo)出最優(yōu)化的簇個數(shù)。

18、另一方面，根據(jù)本發(fā)明的第二方面的專用車輛的乘客傾向分類系統(tǒng)可以包括：時間序列數(shù)據(jù)生成部，按照時間順序收集使用專用車輛的乘客的駕駛傾向數(shù)據(jù)并生成時間序列數(shù)據(jù)；降維模型生成部，通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習所述時間序列數(shù)據(jù)并進行降維；代表性乘客傾向簇生成部，輸出作為被降維的中間結(jié)果物的多個所述新特征(feature)，并將k均值聚類算法應(yīng)用于所述新特征以生成多個代表性乘客傾向簇；以及乘客傾向分類部，計算將新乘客的駕駛傾向數(shù)據(jù)進行降維而導(dǎo)出的新特征與多個所述代表性乘客傾向簇的中心間的距離，并選擇具有與所述新特征最接近的中心的代表性乘客傾向簇。

19、通過基于長短期記憶(long?short-term?memory，lstm)的自編碼器(autoencoder)來學(xué)習所述時間序列數(shù)據(jù)。

20、在所述學(xué)習的自編碼器結(jié)構(gòu)中僅分離編碼器以作為降維模型使用，若在所述編碼器中輸入所述時間序列數(shù)據(jù)，則可以輸出作為被降維的中間結(jié)果物的多個所述新特征。

21、在所述代表性乘客傾向簇生成部中，若將k均值聚類算法應(yīng)用于新特征，則可以獲得多個簇和每個所述簇的中心坐標對。

22、可以通過輪廓系數(shù)(silhouette?coefficient)評價由多個所述簇生成的結(jié)果，以導(dǎo)出最優(yōu)化的簇個數(shù)。

23、示例性實施例的具體事項以及替代方案包含在“具體實施方式”以及所附“附圖”中。

24、本發(fā)明的優(yōu)點和/或特征以及實現(xiàn)它們的方法可通過附圖和后面詳細說明的各種實施例來予以明確。

25、但是，本發(fā)明并不局限于下面記載的各實施例的結(jié)構(gòu)，而是可以通過互不相同的各種形態(tài)得以實現(xiàn)，本說明書中記載的各種實施例僅用于使本發(fā)明能被充分公開，供本領(lǐng)域普通技術(shù)人員能夠完全理解本發(fā)明的范疇，本發(fā)明的范圍將通過本發(fā)明的權(quán)利要求書中的各權(quán)利要求的范疇予以確定。

26、發(fā)明效果

27、根據(jù)前述問題的解決手段，本發(fā)明的一些實施例具有以下效果。

28、根據(jù)本發(fā)明的一些實施例，可以基于自編碼器進行降維，以防止特征間的特性差異的消失，并生成特征間的新特性差異。

29、另外，根據(jù)本發(fā)明的某些實施例，通過將k均值聚類算法應(yīng)用于被降維的新特征來生成多個代表性乘客傾向簇，由此可以分類使用專用車輛的各種乘客的傾向，從而具有無需其他資源或追加費用并可以滿足各種乘客的效果。

30、以上僅是說明性的，并不以任何方式限制本發(fā)明。除了上面描述的實施方式、實施例和特征外，其他實施方式、實施例和特征將通過附圖和以下詳細描述而變得顯而易見。