[發(fā)明專利]基于用戶行為的駕駛員識別方法、裝置及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810086755.6
• 申請日: 2018-01-30
• 公開（公告）號: CN108280482B
• 公開（公告）日: 2020-10-16
• 發(fā)明（設(shè)計）人: 鐘鴻飛
• 申請（專利權(quán)）人: 廣州小鵬汽車科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳國新南方知識產(chǎn)權(quán)代理有限公司 44374
• 代理人: 周雷

1.基于用戶行為的駕駛員識別方法，其特征在于，包括以下步驟：

采集車輛在預(yù)設(shè)時間段內(nèi)的用戶數(shù)據(jù)；

對用戶數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗；

采用word2vec模型，將用戶數(shù)據(jù)封裝成一特征向量；

將該特征向量輸入到預(yù)先訓(xùn)練好的該車輛對應(yīng)的駕駛員識別模型，識別獲得對應(yīng)的駕駛員識別結(jié)果；

所述駕駛員識別模型的訓(xùn)練過程包括步驟：采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集；

所述采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集的步驟，具體包括：

將歷史用戶數(shù)據(jù)按照時間順序依序排列；

將每次駕駛時的用戶數(shù)據(jù)作為輸入數(shù)據(jù)，輸入到word2vec模型中，獲得模型輸出的特征向量；

根據(jù)時間順序，將word2vec模型輸出的多個特征向量生成一多維特征向量集。

2.根據(jù)權(quán)利要求1所述的基于用戶行為的駕駛員識別方法，其特征在于，針對每輛車輛，均通過以下步驟訓(xùn)練獲得車輛對應(yīng)的駕駛員識別模型：

獲取車輛在一段時間內(nèi)的歷史用戶數(shù)據(jù)；

對歷史用戶數(shù)據(jù)進(jìn)行分類以及數(shù)據(jù)清洗；

采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集；

將多維特征向量集作為輸入數(shù)據(jù)，輸入到深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，將訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)作為駕駛員識別模型；

所述深度神經(jīng)網(wǎng)絡(luò)為多層全連接的神經(jīng)網(wǎng)絡(luò)，具體包括輸入層、隱含層以及輸出層，且輸出層為二元分類器，用于標(biāo)識駕駛員識別結(jié)果為車主或非車主。

3.根據(jù)權(quán)利要求1所述的基于用戶行為的駕駛員識別方法，其特征在于，所述用戶數(shù)據(jù)包括車輛設(shè)置數(shù)據(jù)、用戶駕駛行為數(shù)據(jù)、用戶出行偏好數(shù)據(jù)以及用戶與車輛之間的交互數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的基于用戶行為的駕駛員識別方法，其特征在于，還包括以下步驟：

針對駕駛員識別結(jié)果為車主的情況，切換到車主個性化服務(wù)模型，為車主提供個性化服務(wù)；

針對駕駛員識別結(jié)果為非車主的情況，向車主發(fā)送相應(yīng)的報警信息。

5.根據(jù)權(quán)利要求2所述的基于用戶行為的駕駛員識別方法，其特征在于，所述輸出層采用softmax函數(shù)或邏輯回歸函數(shù)構(gòu)建二元分類器。

6.根據(jù)權(quán)利要求1所述的基于用戶行為的駕駛員識別方法，其特征在于，所述駕駛員識別模型在一云端服務(wù)器訓(xùn)練獲得，且所述駕駛員識別方法在該云端服務(wù)器執(zhí)行識別步驟。

7.基于用戶行為的駕駛員識別裝置，其特征在于，包括：

至少一個處理器；

至少一個存儲器，用于存儲多個指令；

所述多個指令由所述至少一個處理器加載并實現(xiàn)如權(quán)利要求1-6任一項所述的基于用戶行為的駕駛員識別方法。

8.基于用戶行為的駕駛員識別系統(tǒng)，其特征在于，包括車載終端和云端服務(wù)器，所述車載終端與云端服務(wù)器連接；

所述車載終端用于：采集車輛在預(yù)設(shè)時間段內(nèi)的用戶數(shù)據(jù)并發(fā)送到云端服務(wù)器；

所述云端服務(wù)器用于：

對用戶數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗；

采用word2vec模型，將用戶數(shù)據(jù)封裝成一特征向量；

將該特征向量輸入到預(yù)先訓(xùn)練好的該車輛對應(yīng)的駕駛員識別模型，識別獲得對應(yīng)的駕駛員識別結(jié)果；

所述駕駛員識別模型的訓(xùn)練過程包括步驟：采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集；

所述采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集的步驟，具體包括：

將歷史用戶數(shù)據(jù)按照時間順序依序排列；

將每次駕駛時的用戶數(shù)據(jù)作為輸入數(shù)據(jù)，輸入到word2vec模型中，獲得模型輸出的特征向量；

根據(jù)時間順序，將word2vec模型輸出的多個特征向量生成一多維特征向量集。

9.根據(jù)權(quán)利要求8所述的基于用戶行為的駕駛員識別系統(tǒng)，其特征在于，所述車載終端還用于采集車輛在一段時間內(nèi)的歷史用戶數(shù)據(jù)并發(fā)送到云端服務(wù)器；

所述云端服務(wù)器包括模型訓(xùn)練模塊，所述模型訓(xùn)練模塊用于為每輛車輛訓(xùn)練對應(yīng)的駕駛員識別模型，具體通過以下步驟訓(xùn)練獲得：

獲取車輛在一段時間內(nèi)的歷史用戶數(shù)據(jù)；

對歷史用戶數(shù)據(jù)進(jìn)行分類以及數(shù)據(jù)清洗；

采用word2vec模型，將歷史用戶數(shù)據(jù)封裝成多維特征向量集；

將多維特征向量集作為輸入數(shù)據(jù)，輸入到深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，將訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)作為駕駛員識別模型；

所述深度神經(jīng)網(wǎng)絡(luò)為多層全連接的神經(jīng)網(wǎng)絡(luò)，具體包括輸入層、隱含層以及輸出層，且輸出層為二元分類器，用于標(biāo)識駕駛員識別結(jié)果為車主或非車主。