[發明專利]基于用戶行為的駕駛員識別方法、裝置及系統

有效

• 申請號: 201810086755.6
• 申請日: 2018-01-30
• 公開（公告）號: CN108280482B
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 鐘鴻飛
• 申請（專利權）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權代理有限公司 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：

采集車輛在預設時間段內的用戶數據；

對用戶數據進行數據清洗；

采用word2vec模型，將用戶數據封裝成一特征向量；

將該特征向量輸入到預先訓練好的該車輛對應的駕駛員識別模型，識別獲得對應的駕駛員識別結果；

所述駕駛員識別模型的訓練過程包括步驟：采用word2vec模型，將歷史用戶數據封裝成多維特征向量集；

所述采用word2vec模型，將歷史用戶數據封裝成多維特征向量集的步驟，具體包括：

將歷史用戶數據按照時間順序依序排列；

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

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

2.根據權利要求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，均通過以下步驟訓練獲得車輛對應的駕駛員識別模型：

獲取車輛在一段時間內的歷史用戶數據；

對歷史用戶數據進行分類以及數據清洗；

采用word2vec模型，將歷史用戶數據封裝成多維特征向量集；

將多維特征向量集作為輸入數據，輸入到深度神經網絡進行訓練后，將訓練好的深度神經網絡作為駕駛員識別模型；

所述深度神經網絡為多層全連接的神經網絡，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，用于標識駕駛員識別結果為車主或非車主。

3.根據權利要求1所述的基于用戶行為的駕駛員識別方法，其特征在于，所述用戶數據包括車輛設置數據、用戶駕駛行為數據、用戶出行偏好數據以及用戶與車輛之間的交互數據。

4.根據權利要求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：

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

針對駕駛員識別結果為非車主的情況，向車主發送相應的報警信息。

5.根據權利要求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函數或邏輯回歸函數構建二元分類器。

6.根據權利要求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器訓練獲得，且所述駕駛員識別方法在該云端服務器執行識別步驟。

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如權利要求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，其特征在于，包括車載終端和云端服務器，所述車載終端與云端服務器連接；

所述車載終端用于：采集車輛在預設時間段內的用戶數據并發送到云端服務器；

所述云端服務器用于：

對用戶數據進行數據清洗；

采用word2vec模型，將用戶數據封裝成一特征向量；

將該特征向量輸入到預先訓練好的該車輛對應的駕駛員識別模型，識別獲得對應的駕駛員識別結果；

所述駕駛員識別模型的訓練過程包括步驟：采用word2vec模型，將歷史用戶數據封裝成多維特征向量集；

所述采用word2vec模型，將歷史用戶數據封裝成多維特征向量集的步驟，具體包括：

將歷史用戶數據按照時間順序依序排列；

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

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

9.根據權利要求8所述的基于用戶行為的駕駛員識別系統，其特征在于，所述車載終端還用于采集車輛在一段時間內的歷史用戶數據并發送到云端服務器；

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

獲取車輛在一段時間內的歷史用戶數據；

對歷史用戶數據進行分類以及數據清洗；

采用word2vec模型，將歷史用戶數據封裝成多維特征向量集；

將多維特征向量集作為輸入數據，輸入到深度神經網絡進行訓練后，將訓練好的深度神經網絡作為駕駛員識別模型；

所述深度神經網絡為多層全連接的神經網絡，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，用于標識駕駛員識別結果為車主或非車主。