一种基于AHP离散相关性的AI车载智能场景推荐方法

摘要

本发明公开了一种基于AHP离散相关性的AI车载智能场景推荐方法，1)获取当前假设场景因素因子和权值，假设场景的维度包括：人员、车辆、设备、环境和时间；2)基于当前假设场景，计算前趋时间周期内的AHP离散权值；3)将当前假设场景权值和实际场景库进行pearson相关性比较；4)根据相关性比较结果，得出场景重合程度；5)确认最终场景比对结果并进行推荐。本发明在场景推荐机制中引入场景模型，基于假设场景，将前趋和实时场景结合，和场景库进行对比，最终根据匹配结果得出当前可用场景，让整体场景推荐准确率提升了30％以上。

说明书

技术领域

本发明涉及车载智能场景推荐方法，尤其涉及一种基于AHP离散相关性的AI车载智能场景推荐方法。

背景技术

在现有技术的车载领域，目前大多数的推荐机制是基于LBS或者某个时间、车辆状态的场景，本身相对简单，和用户实际场景的贴切程度不一，比如基于车载领域的场景推荐机制，大部分还停留在固定因素的判断，比如时间段，在早上6:00～8:00视为上班时间段，下午5:00～7:00视为下班时间段，进一步具体来说现有技术存在的缺点包括：

(1)基于基础因素判断的缺点：基于基础因素判断，因为因素的单一，导致场景判断的准确性严重不足，比如下班场景，按照单一的时间段判断，如果当天该用户没有去上班，那到了下班时间段，也不能作为是下班场景。其次，导致场景范围较广，比如两个场景都有在高速上这个因子，因为因子较少和单一，导致两个场景都进入目标场景，难以做后续判断；

(2)创建场景模型的缺点：通过创建场景模型对场景进行判断，比基于基础因素判断的场景要提升很多，但也存在相同的问题。对于前趋时间和场景的判断。还是准确性的问题，虽然有场景模型，更多的是对当前状态和信息的判定，事情总是有因才有果，仅仅依靠当前状态做判断，并不够精准。

(3)准确性的问题：虽然有场景模型，更多的是对当前状态和信息的判定，事情总是有因才有果，仅仅依靠当前状态做判断，并不够精准。缺乏足够的判断因素和条件，容易造成用户困扰，已经不能满足人们的要求。

发明内容

本发明的目的在于提供一种基于AHP离散相关性的AI车载智能场景推荐方法，基于假设场景、前趋场景和实时场景的综合判断，搭配健全的场景模型机制，形成精准的场景输出，解决现有技术存在的缺憾。

本发明采用如下技术方案实现：

一种基于AHP离散相关性的AI车载智能场景推荐方法，其特征在于，该推荐方法包括如下步骤：

第一步：获取当前假设场景因素因子和权值，所述假设场景的维度包括：人员、车辆、设备、环境和时间；

第二步：基于所述当前假设场景，计算前趋时间周期内的AHP离散权值；

第三步：将当前假设场景权值和实际场景库进行相关性比较；

第四步：根据相关性比较结果，得出场景重合程度；

第五步：确认最终场景比对结果并进行推荐。

进一步的，在第一步中，进行因素因子和权值的提取，基于当前实时数据，分别获取时间(T

进一步的，在第二步中，将获取到的当前假设场景进行AHP离散计算；针对各个维度的因素进行假设场景的权值计算，每个维度作为一个向量，对应于判断矩阵最大特征根的特征向量w，w经归一化后记为W；

层次单排序：W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，

定义一致性指标为：能否确认层次单排序，则需要进行一致性检验，CI＝((λ-n))/(n-1)；式中：λ为判断矩阵特征向量；n为因素数量。

CI＝0，有完全的一致性；CI接近于0，有满意的一致性；CI越大，不一致越严重。为衡量CI的大小，引入随机一致性指标RI：

RI＝([CI]_1+[CI]_2+…+[CI]_n)/n

其中，随机一致性指标RI和判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大，考虑到一致性的偏离可能是由于随机原因造成的。

检验系数CR，公式如下：CR＝CI/RI：

因此在检验判断矩阵是否具有满意的一致性时，还需将CI和随机一致性指标RI进行比较，得出检验系数CR，公式如下：CR＝CI/RI，

如果CR＜0.1，则认为该判断矩阵通过一致性检验，否则就不具有满意一致性。

所以，整体计算后的结果，可以分别得出时间维度、用户维度、车辆维度、环境维度和设备维度的多套关联结果。

在第三步中，将所述当前假设场景的权值和实际场景库进行pearson相关性比较，在场景矩阵数据库中，记录了每个场景前趋的矩阵因素结构。将当前假设场景的矩阵因素结构，和实际场景库中的矩阵因素结构进行皮尔斯相关性计算，根据假设场景和实际场景的向量矩阵相关系数，判断相关性的强弱。相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

进一步的，在第四步中，根据第三步得出的假设场景和实际场景的相关性对比，可得出跟实际场景的匹配程度，绝对值越接近1，表示相关性越强，根据第三步的计算结果，得到假设场景的匹配系数表格，按照相关性从高到低排列。

进一步的，在第五步中，根据第四步得出的实际场景相关系数结果，获取相关性最高的场景，并将场景推荐至车辆和设备端，完成整体场景推荐闭环。

本发明的有益技术效果是：在场景推荐机制中引入场景模型，基于假设场景，将前趋和实时场景结合，和场景库进行对比，最终根据匹配结果得出当前可用场景，让整体场景推荐准确率提升了30％以上。

附图说明

图1是本发明的系统整体架构图。

具体实施方式

通过下面对实施例的描述，将更加有助于公众理解本发明，但不能也不应当将申请人所给出的具体的实施例视为对本发明技术方案的限制，任何对部件或技术特征的定义进行改变和/或对整体结构作形式的而非实质的变换都应视为本发明的技术方案所限定的保护范围。

由背景技术可知，基于车载领域的场景推荐机制，大部分还停留在固定因素的判断，比如时间段，在早上6:00～8:00视为上班时间段，下午5:00～7:00视为下班时间段。缺乏足够的判断因素和条件，因此我们在场景推荐机制中引入场景模型，基于假设场景，将前趋和实时场景结合，和场景库进行对比，最终根据匹配结果得出当前可用场景。

本发明基于车载数据采集策略和分析平台，车载端具备一定的场景数据收集能力，基于数据的架构如下，具备行为数据采集、业务数据采集和车辆数据采集，分别从端和云上采集对应的人、车、设备、环境和时间数据，并进行数据汇聚、清洗和处理，作为场景模型构建的基本输入。同时建立层次结构模型将决策的目标、考虑的因素(决策准则)和决策对象按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图。在本模型中，决策的目标是计算各场景影响因素的因子，考虑的因素为该因子的权值，决策对象为该因子的最终权值，完成基础场景矩阵库的搭建，包含这个场景的基础因子、因子前趋值矩阵，用于场景相关性匹配。

第一步，获取当前假设场景的因素因子和权值，基于五大维度的因素，人、车、设备、环境和时间，进行因素因子和权值的提取。基于当前实时数据，分别获取Ti(时间)：T1，T2，T3....、Ui(用户)：U1，U2，U3...、车辆(Vi)、设备(Di)和环境(Ei)的前趋因子及对应权值。

第二步，将获取到的当前假设场景进行AHP离散计算；如果定义前趋时间周期为1个小时，实时计算数据依据为前趋的一个小时数据。针对五大维度的因素进行假设场景的权值计算，每个维度作为一个向量，比如车辆维度，针对车辆的速度、方向、位置、预警值、胎压等多个因子因素计算，对应于判断矩阵最大特征根的特征向量w，w经归一化后记为W。W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序。能否确认层次单排序，则需要进行一致性检验，定义一致性指标为：CI＝((λ-n))/(n-1)；

式中：入为判断矩阵特征向量；n为因素数量

CI＝0，有完全的一致性；CI接近于0，有满意的一致性；CI越大，不一致越严重。为衡量CI的大小，引入随机一致性指标RI：

RI＝([CI]_1+[CI]_2+…+[CI]_n)/n

其中，随机一致性指标RI和判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大。考虑到一致性的偏离可能是由于随机原因造成的，因此在检验判断矩阵是否具有满意的一致性时，还需将CI和随机一致性指标RI进行比较，得出检验系数CR，公式如下：CR＝CI/RI，一般，如果CR＜0.1，则认为该判断矩阵通过一致性检验，否则就不具有满意一致性。所以，整体计算后的结果，可以分别得出时间维度、用户维度、车辆维度、环境维度和设备维度的多套关联结果。

第三步，将当前假设场景权值和实际场景库进行pearson相关性比较。在场景矩阵数据库中，记录了每个场景前趋的矩阵因素结构。将当前假设场景的矩阵因素结构，和实际场景库中的矩阵因素结构进行皮尔斯相关性计算。皮尔斯计算公式如下：

根据假设场景和实际场景的向量矩阵相关系数，相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

第四步，根据第三步得出的假设场景和实际场景的相关性对比，可得出跟实际场景的匹配程度，绝对值越接近1，表示相关性越强。根据第三步的计算结果，可以得到假设场景的匹配系数表格，按照相关性从高到低排列。

第五步，根据第四步得出的实际场景相关系数结果，获取相关性最高的场景，并将场景推荐至车辆和设备端，完成整体场景推荐闭环。

在第二步中，如果定义前趋时间周期为1个小时，实时计算数据依据为前趋的一个小时数据，比如车辆维度，针对车辆的速度、方向、位置、预警值、胎压等多个因子因素计算，其中随机一致性指标RI和判断矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大。考虑到一致性的偏离可能是由于随机原因造成的。

在第三步中：将所述当前假设场景的权值和实际场景库进行pearson相关性比较，在场景矩阵数据库中，记录了每个场景前趋的矩阵因素结构。将当前假设场景的矩阵因素结构，和实际场景库中的矩阵因素结构进行皮尔斯相关性计算，根据假设场景和实际场景的向量矩阵相关系数，判断相关性的强弱。相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

将最终场景结构模型和场景库中的场景做皮尔斯相关性比较，满足强相关性时从场景库中抽出场景进行分发和推送，

一个自驾游场景的推荐实例：

假设场景：根据当前时间为节假日、上午时段，自驾路程目的地为另一个城市，假设为自驾游场景，回老家场景，出差场景，异地访友；

前趋场景：存在上一个自驾游场景，目的地类型为景点周边，假期，家中有儿童，入住酒店，频次为每周，首次前往，产生停车费...；存在上一个回老家场景，目的对为景点周边，假期，有儿童，非入住酒店，未产生停车费，多次前往...每一项单独增加权值；

实时场景：当前已上车，目的地为景点周边，天气晴好，一家三口出行，路途超过50公里，经过高速，到达时间为11点前，油量充足，当天行程中有酒店入住，目的地为首次前往...

基于假设场景库，和实时场景进行对比，排除出差场景，再结合前趋场景，发现车主有自驾游习惯，且因为家中有儿童，一般周期性都会出游，排除异地访友和回老家场景，根据权值计算和匹配得出为自驾游的精准推荐模型。

为了描述的方便，描述以上装置时以功能分为各种单元、模块分别描述。当然在实施本申请时可以把各单元、模块的功能在同一个或多个软件和/或硬件中实现。通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式或者实施方式的某些部分所述的方法。

以上所描述的装置实施方式仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

当然，本发明还可以有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可以根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。