CN105814498A - 利用车载用户接口预测用户的接口控制动作 - Google Patents
利用车载用户接口预测用户的接口控制动作 Download PDFInfo
- Publication number
- CN105814498A CN105814498A CN201480067913.3A CN201480067913A CN105814498A CN 105814498 A CN105814498 A CN 105814498A CN 201480067913 A CN201480067913 A CN 201480067913A CN 105814498 A CN105814498 A CN 105814498A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- vehicle
- interface controller
- controller action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000003860 storage Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 abstract 2
- 230000006399 behavior Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- IJJWOSAXNHWBPR-HUBLWGQQSA-N 5-[(3as,4s,6ar)-2-oxo-1,3,3a,4,6,6a-hexahydrothieno[3,4-d]imidazol-4-yl]-n-(6-hydrazinyl-6-oxohexyl)pentanamide Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)NCCCCCC(=O)NN)SC[C@@H]21 IJJWOSAXNHWBPR-HUBLWGQQSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004899 motility Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- User Interface Of Digital Computer (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种利用车载用户接口(1)预测用户(5)的接口控制动作的方法,包括如下步骤:收集和存储数据(10),该数据至少是来自车辆的至少一个传感器(3,4)的关于车辆及其环境的车辆数据,以及关于与车辆内的用户接口(1)和/或不同应用的用户交互(5)的用户数据;基于所收集和存储的数据对至少两个可能的用户的接口控制动作分配似然性(11);根据似然性(11)来确定(12)至少一个最可能的接口控制动作;以及向用户(5)提供(13)至少一个最可能的接口控制动作,从而能够采用与用户接口(1)的一次单独用户交互来选择和执行该至少一个最可能的接口控制动作。
Description
技术领域
本发明涉及一种利用车载用户接口预测用户的接口控制动作的方法。本发明还涉及一种具有存储器单元、处理单元和显示单元的车载用户接口。
背景技术
目前,在许多车辆中,车载用户接口为用户提供了大量可能的接口控制动作。例如,车辆内的单个车载用户接口和/或不同应用可以用于选择诸如听音乐、打电话和调节车内温度的各种动作。这些不同的接口控制动作一般不能全部同时呈现给用户。因为这会导致在最终选定接口控制动作之前出现复杂的菜单,其中用户必须执行若干项任务来选择次级菜单和选项。目前为止,为了提高用户接口的可用性,已进行很多努力。
专利EP2369299A1和US2013/0166096A1两者均公开了用于车辆导航系统的预测性的目的地输入系统,以帮助获取车辆的目的地。导航系统包括用于存储数据的存储器、与车辆耦接的显示器、以及与显示器和存储器耦接的处理器。处理器被配置为基于存储器中存储的数据预测车辆的目的地。
专利US8,429,103B1公开了用于向移动平台提供机器学习服务的装置和方法。在移动平台上执行的机器学习服务可以接收涉及多项功能的数据,其中接收到的数据包括通过移动平台发起的电话呼叫的被叫方。机器学习服务的输出包括对移动平台的音量设定和/或静音设定的预测。
发明内容
本发明的目的是提高车载用户接口的可用性。
根据本发明的第一个方面,本发明提供了一种根据独立权利要求1所述的方法。
根据本发明的第二个方面,本发明提供了一种根据独立权利要求10所述的车载用户接口。
根据独立权利要求、详细的说明和附图来描述其它优点和实施例。
为提高车载用户接口的可用性,本发明提供了一种采用车载用户接口预测用户的接口控制动作的方法,该方法具有若干步骤。第一步包括收集和存储数据,该数据至少是来自车辆的至少一个传感器的关于该车辆及其环境的车辆数据和关于与车辆内的用户接口和/或不同应用进行用户交互的用户数据。该收集和存储数据可以在随后的步骤之前执行,也可以在随后的步骤之前和/或与之并行执行,这意味着可以作为后台进程来收集和存储数据。第二步包括基于所收集和存储的数据对至少两个可能的用户的接口控制动作分配似然性(likelihoods)。似然性的分配可以是连续进程,其中以特定的时间间隔更新似然性,或每当收集和/或存储到新数据时更新似然性。第三步包括由似然性确定至少一个最可能的接口控制动作。特别地,至少一个最可能的接口控制动作可以是可能的接口控制动作的全集中的任意大小的子集。第四步包括向用户提供(makingavailable)至少一个最可能的控制动作,从而可采用与用户接口的一次单独用户交互来选择以及执行。以上所有步骤可以依次执行或并行执行,这意味着数据、似然性和至少一个最可能的接口控制动作可以是动态的。所以,该数据、似然性和至少一个最可能的接口控制动作能够在固定时间间隔后更新或每当新数据可用时更新。
由此带来的优点是:对于期望的控制动作或任务仅需要与用户接口进行一次用户交互。另外,每次仅向用户显示一小部分接口控制动作,使用户能够快速执行接口控制动作并且不会每次被大量可能的接口控制动作分散注意力。由于用以确定要提供给用户哪个接口控制动作的似然性取决于下列数据:即关于车辆的、其环境的和与车辆内用户接口和/或不同应用的用户交互的在先信息,因此该方法使得能够以特定情境或环境(context)的方式提供用户控制动作。因此,在特定情境或环境下,可以基于所收集和存储的数据将用户最有可能选择的接口控制动作提供给用户。因此,车载用户接口的可用性以动态方式增长。
可以改进该方法,以使在分配似然性时,对经常使用的接口控制动作分配较大的似然性。由此带来的优点是:更有可能为用户提供较频繁选择的接口控制动作,这意味着更容易且更快速地选择较频繁选择的接口控制动作。
可以进一步改进本方法,以使在分配似然性时,对最近使用过的接口控制动作分配较大的似然性。因为,如果用户养成了新的习惯,例如使用以前未用过的接口控制动作或在新环境下使用以前用过的接口控制动作,则对该新的习惯(即,相应的接口控制动作)分配更大的似然性,由此为用户带来更便利的方法。因此,相比于本发明的前述实施例之一,相应的接口控制动作在“提供”步骤中可更容易地为用户提供。这样,本方法快速适应用户习惯的变化,该适应性不会或很少受到用户的接口控制动作的旧模式影响。
本方法进一步的改进在于:在分配似然性时,仅考虑比某给定时间更新(younger)的数据。这保证了很旧的数据(即与预测用户的当前优选的接口控制动作不相关的数据)不会影响本方法的结果。此外,节省了计算时间和存储空间。
另外,收集和存储数据可以包括从云收集数据并存储数据至云,特别是关于用户的数据。此处术语“云”指示远程IT设施。这意味着,可以采用不能由车辆传感器或用户接口直接获得的预处理数据以及来自外部世界的事件或其它数据,来预测接口控制动作。
其次,如果建立分类器(classifier)以基于所收集和存储的数据来计算针对至少两个可能的接口控制动作的似然性,且这些计算出的似然性随后被分配给该至少两个可能的接口控制动作,则可以改进本方法。使用分类器的优点在于,实现用于获得允许利用大量现有知识提高用户接口可用性的本地动态学习系统的系统化方式。因此可以从现有的诸多分类器中选出合适的分类器。
在为本发明的实施例选择相应的分类器时,仅需要提醒合适的分类器必须满足的几个标准或需要。首先,分类器需要是在线或迭代学习算法。这意味着训练可以动态地进行,即通过在任何训练发生前每次取一个数据点而不是需要许多存储的数据。第二,分类器需要以所谓的“不完整状态(partial-state)”良好工作。这意为如果一些数据不可用(即数据集不完整),则分类器仍应利用任何可用的数据给出合理的似然性。这在使用来自云的数据时是特别重要的,因为云并不总是可用的或可靠的。第三,分类器应不需要预先知道与控制动作的数量对应的类别的总数量,以使分类器通过用户发现和使用的越来越多的控制动作进行训练而增长。第四,分类器需要运行简单、易调试且鲁棒。第五,如果可以采用单个分类器模块建立集成版的分类器而没有数据冗余,将会是有利的。这允许使用其中可通过改变集成的超参数(hyperparameter)来实时微调方差与偏差折衷的集成分类器。朴素贝叶斯(Bayes)分类器是一种满足这些要求的分类器。但是,原则上任何满足上述标准的分类器均适用于本发明方法。
也可以组合不同的分类器以补偿给定分类器的特定缺点。特别地,朴素贝叶斯分类器可以被用作该方法的初级学习器,以获得首个似然性估计,随后可使用例如随机森林分类器作为补充,以增加该方法在特定环境下的整体准确性。当这些条件不能满足时,方法则仅依靠朴素贝叶斯分类器的结果。
方法可以进一步被修改,以使分类器是具有多个独立分类器的集成分类器,其中每个独立分类器被建立在所收集和存储的数据的数据块上。由此带来的优点是可以适应一组不断增长的收集和存储的数据的非常灵活的分类器,特别是通过为新收集和存储的数据建立新的独立的分类器。此外,通过清除建立在要被删除的数据上的对应的独立分类器,可以忽略数据的特定集合或子集。
方法的进一步改进可以采用以下方式实现:采用依赖于数据块所包含的收集和存储的数据的产生时期(age)的偏差对数据块进行加权,特别是采用偏差对近期数据的数据块加更大权重。同样的,可以利用偏差对建立在相应数据块上的独立分类器加权。这对本集成分类器增加了选择偏差,更具体地,增加了时间性偏差(temporalbias),相比于更旧的数据,其更多考虑近期收集的数据。
这提供两个技术优点。第一,因为每个块中的数据是静态且不变的,所以我们对偏差的具体实现允许假定静态设定。因此,静态情境下优胜(excel)的算法和技术能够被用于分类器。例如,前述贝叶斯分类器和随机森林分类器两者均假定静态相关。该“静态”分类器与权重相结合,然而由于权重是动态的,导致集成分类器近似动态系统。由于人的改变,用户行为通常是动态的,且因此时间性偏差对于预测用户的接口控制动作是非常重要的。第二,时间性偏差提供了存储界限,其中比一定数量或产生时期更早的数据不会再影响集成分类器的性能。因此,可以通过该存储界限的智能操作调整用户接口的长期资源使用,即,通过为更早的数据选择合适的权重衰减,以及通过不存储更早的数据,即删除在存储界限和相应分类器前产生的数据。这比存储车辆或用户寿命的全部数据便宜很多。
对于权重衰减建模,可以使用不同的方案,特别是线性或指数型方案。在线性方案中权重以定值衰减。在指数衰减的情况中,权重将以相对于彼此的量衰减。
就预测用户行为而言,因为更早的数据对非常活跃的用户没有用,所以直观看来对于更为活跃的用户具有更高的权重衰减是有用的。而且在旧数据对于确认用户和车辆数据相关性仍有用的情况下,较低权重衰减似乎对于较不活跃的用户是有用的。然而,对于较不活跃的用户,近期数据和更早的数据应共有非常相似的相关性,且因此对这些较不活跃的用户保留旧数据也不重要。因此在两种情况下都需要高的权重衰减。此处要折衷的是精确性。分类器需要基于所使用分类器的复杂性的特定临界数据量。因此,关键是基于选定的分类器算法选择仍保留有期望的临界数据量的最高权重衰减。这与在机器学习文献中频繁提及的偏差/方差折衷密切相关。具体来说,高权重衰减在高偏差和低方差算法或分类器中表现良好。
加权所产生的整体优点是基于新数据(即源于近期行为或情境的数据)的分类器对集成分类器的输出具有更大影响,即对分配似然性至接口控制动作具有更低影响。因此,该方法更好地适应用户变化的习惯。
最后,有利的是,如果每个数据块包含源于专用于每个数据块的时间间隔的所有数据或数据点,其中,特别是分配给一个数据块的时间间隔可与分配给其它数据块的时间间隔重叠,则特定的数据可以是一个以上数据块的部分。特别是,存在两个与“块重叠”相关的参数:重叠比例和堆叠深度。重叠比例指示数据样本在多个数据块中存在的比例。例如,重叠10%意味着,如果随机采样,则仅10%的样本数据点将存在于多个数据块中。重叠100%将意味着每个样本都存在于多个数据块中。与数据块宽度关联,在必须创建新数据块时该参数进行控制。堆叠深度指示单个数据样本可以存在于其中的数据块的最大数量。例如,堆叠深度2意为数据样本或数据点可以存在于最多两个不同的数据块中。所以,将堆叠深度与块重叠结合,数据块重叠100%与堆叠深度2将意为每个样本正好存在于两个数据块中。
所产生的优点是,每个独立分类器(对应于建立其的数据块)表示在特定时隙内数据的相关性。所以,可以容易地选择特定的时间间隔,例如假期期间的时间间隔,且随后为了预测用户行为而忽略或优选该特定的时间间隔。通过设定时间间隔的长度,可以调整每个独立分类器的质量。此处,长的时间间隔导致独立分类器的精确度提高结合集成分类器的灵活性降低,并且短的时间间隔导致独立分类器的精确度降低结合集成分类器灵活性提高。此外,不同数据块重叠的时间间隔越多,则集成分类器的性能变得越平稳,防止在预测用户行为时出现可能使用户惊奇或烦躁的“跳跃”。
同样有利的是,选择随机的重叠比例,特别是平均100%。这意味着,块重叠的比例平均是例如100%。在这种情况下,该设定的随机性有助于控制由数据块选择引起的偏差对集成分类器性能的影响。由于随机性,期望的时间偏差仍存在,但是减小了与数据块宽度直接相关的不期望的偏差。保持正好为2的重叠深度是有利的。理想地,针对每个特定用户微调这些参数,以获得集成分类器的最佳预测结果。
本发明进一步提供了一种具有存储器单元、处理单元和显示单元的车载用户接口。此处,存储器单元用于收集和存储数据,该数据至少是来自车辆至少一个传感器的关于车辆及其环境的车辆数据以及关于与车辆内用户接口和/或不同应用进行用户交互的用户数据;处理单元,具有对存储器单元的存取,用于基于所收集和存储的数据对至少两个可能的接口控制动作分配似然性,并且用于从似然性中确定至少一个最可能的接口控制动作;以及显示单元,用于向用户提供、特别是为用户展示至少一个最可能的控制动作,从而采用与用户接口的一次单独用户交互而可选择和执行。
附图说明
通过考虑结合附图对部分示例性实施例的以下详细说明,将示出至少一些额外的具体细节,从而可以容易地理解本发明的教导。在附图中:
图1示出根据本发明的示例性实施例的车载用户接口;
图2示出本发明方法的示例性实施例的示意图;以及
图3示出确定数据块对集成分类器影响的临界超参数的示例性图。
具体实施方式
图1示出根据本发明的示例性实施例的车载用户接口1。其包括从至少一个传感器收集数据的存储器单元2,该传感器在本实施例中为第一传感器3(摄像机)和第二传感器4(座椅传感器)。此处,存储器单元2还经由无线连接从云9收集数据。无线连接可能并非始终可用。此外,存储器单元2收集并存储其从显示单元7接收的关于用户5的接口控制动作的数据。处理单元6可存取和修改在存储器单元2中存储的数据。处理单元6连接到在此处为触摸屏的显示单元7。还确定至少一个最可能的接口控制动作,并传送该信息至显示单元7。显示单元7将“一个或多个最可能的接口控制动作”的集合8呈现给用户5,以使至少一个最可能的接口控制动作可通过与用户接口1的一次单独用户交互而被选择和执行。在当前示例中,集合8由一列四个最可能的接口控制动作组成,显示单元7呈现给用户5。这样在本示例中,由于显示单元7具有触摸屏,用户5能够通过简单地触摸相应图标来选择和执行四个最可能的接口控制动作之一。
现在给出用户接口1如何工作的简要说明。在特定情境中,存储器单元2从至少一个传感器3、4收集关于车辆及其环境的数据。在当前示例中,传感器为第一传感器3(摄像机)和第二传感器4(座椅传感器)。在此情况下,摄像机3可收集例如关于天气的数据,座椅传感器4收集关于前座乘客存在的数据。此外,在该特定情境下,存储器单元2可从云9收集关于用户的数据。在特定的当前情境下收集的数据随后可供处理单元6使用。处理单元6主要比较当前情境下的数据与存储器单元2中存储的数据,并且鉴于所存储的数据也包括关于用户5的接口控制动作的用户数据,该处理单元6向多个可能的接口控制动作分配似然性,该似然性反应了可能的接口控制动作与当前情境的数据的相关性强度。这可通过分析与当前情境类似或相同的过去情境以及用户5在这些过去情境中使用过和/或选择过的接口控制动作来实现。处理单元6随后确定哪个可能的接口控制动作具有最高的似然性(即,在特定的当前情境下哪些可能的控制动作最有可能被用户5选中),选择最可能的接口控制动作并在显示单元7中作为最可能的控制动作的集合8呈现给用户。在当前示例中,向用户5呈现四个接口控制动作的集合8。用户5随后能够通过与用户接口1的单次用户交互来选择在当前情境下被视为这些接口控制动作中最可能的一个接口控制动作。即,在当前示例中,在触摸屏8上的触摸可足以执行通常需要不止一次用户交互的任务,例如听一首用户5非常喜欢的特定音乐。例如,车载用户接口1可记录车辆摄像机记录的日落、司机独自在车内(即前排乘客座椅为空)与用户听“巴赫”之间的相关性。结果是,当用户接口1注意到是日落且前排乘客座椅为空时,其可向用户5呈现“听巴赫的音乐”的接口控制动作,而用户5只需要在触摸屏上单次触摸来激活。
图2示出本发明方法的示例性实施例的示意图。此处,第一步10为“收集并存储数据”,该数据涉及来自不同车辆传感器的环境,特别是来自云9(图1)的关于用户5的数据以及来自与用户接口1(图1)(即由用户接口1(图1)控制的车辆内不同应用)用户交互的数据。此处,每个数据具有时间戳(timestamp),用以确定其产生时期。该时间戳用于在本方法的其它步骤中确定数据的产生时期以及相关性的产生时期。
第二步11包括:基于所收集的数据给可能的接口控制动作“分配似然性”。在当前示例中,这些似然性是通过建立在所存储的数据上的分类器来计算的。此处,分类器是具有多个独立分类器的集成分类器,其中每个独立分类器建立在所收集的数据的子集(称之为数据块)上。在现有技术的集成分类器中,数据块的选择是随机化的。这与本方法是不同的。在该示例中,属于一个数据块的数据是在特定时间间隔内收集到的数据,特别是全部的数据。因此,基于在数据块中所包含的数据的时间戳来计算数据块的产生时期是有意义的。之后,权重被分配给每个数据块,其中,在本示例中,对较新的“块”赋予更重的权重。这给我们的集成分类器增加了选择偏差,更具体地,增加了时间性偏差,相比更早的数据,其更多考虑近期收集的数据。在我们的示例中,我们可按照下述方式设定权重衰减:仅存储五个月左右的用户和车辆数据值。在图3中,通过示例子解释了:通过选择“块”的正确数据和正确权重衰减而对数据块创建和权重赋权的方法。
在计算似然性和“分配似然性”11后,第三步12是在特定情境中“确定”至少一个最可能的接口控制动作。这可以例如是一个列表,其中列出所有可能的接口控制动作并根据其似然性排序。
最终,第四步13是向用户“提供”至少一个最可能的控制动作,以使该控制动作(在图1的示例中为接口控制动作的集合8(图1))可通过与用户接口1(图1)的一次单独用户交互来选择和执行。例如,在特定情境下特定数量的最可能的接口控制动作可被呈现给用户,例如还伴有另一个允许用户选择另一个接口控制动作的选项。后者在下列情况下是有用的:预测用户(图1)在特定情境下想要选择的接口控制动作的方法失败。
图3示出了确定数据块对集成分类器影响的临界超参数的示意图。此处时间轴20延伸4个月,即本例中的一月、二月、三月和四月。在时间轴20之下,我们看到多个阴影区域和三个填充区域23、25、27。各个阴影区域和邻近的填充区域一起构成区域22、24、26、28,其代表了与数据块相关联的时间间隔。在本示例中,因此每个数据块包含大约六周时间的数据。与每个数据块相关联的时间长度(数据块宽度)影响集成分类器的预测质量。较大的数据块宽度(例如,月)使独立分类器更强,而较短的数据块宽度牺牲了独立分类器的精确度并增强了集成分类器的动态性。所以,在原则上,对于不经常改变行为和习惯的人,数据块应较长,而对于那些具有相反行为的人应较短。特别有利的数据块宽度是在3周到6周时间之间。
填充区域23、25、27标明:数据块在此重叠。当数据样本无需仅与一个数据块相关联时,数据块可重叠。即,在一个较新块中的旧数据样本也可作为较新数据样本存在于另一个旧块中。可期望的是因为在为集成分类器的独立分类器创建新数据块时,这使该方法的性能平稳。具体来说,在创建了新数据块后,建立在最新数据块上的分类器通常是非常不成熟的,即不精确的,但又具有最高权重。这导致集成分类器的表现不佳,因为在本例中,具有最高影响的独立分类器随后也做出最差的预测。数据块重叠允许始终存在多个近期数据块。换句话说,在例如两个近期数据块的情况下,可以设想具有更成熟的“师傅”数据块和不成熟的“徒弟”数据块。一旦“徒弟”数据块达到数据成熟或熟练,就发生数据块转换,即创建出新的“徒弟”数据块与旧的“徒弟”一起工作。块重叠的两个相关的参数是重叠比例和堆叠深度。
此处,重叠比例指的是数据样本存在于多个数据块中的比例。如前文所解释的,重叠10%意味着:如果是随机采样,则仅有10%的样本数据点存在于多个数据块中。重叠100%将意味着每个样本存在于多个数据块中。在与数据块宽度结合的情况下,在必须创建新数据块时该参数进行控制。重叠100%和3周的块宽度意味着必须每1.5周创建一个新的数据块以维持正确的重叠。在本示例中,重叠比例大约为20%。
堆叠深度指示:单个数据样本可存在于其中的数据块的最大数量。堆叠深度“2”意味着:数据样本(或数据点)可以存在于最多两个不同的数据块中。结合堆叠深度和块重叠,“数据块重叠100%和堆叠深度2”意味着每个样本正好存在于两个数据块中。正如在前文描述中隐喻的“师傅/徒弟”,维持刚好2的堆叠深度是有利的。
在时间轴20的上方,存在沿着全部时间轴20的延伸的楔形21。该楔形21代表了特定时间点的权重。如前所述,可对各个数据块或对建立于各个数据块上的独立分类器加权,以影响集成分类器的结果的相应影响。在本示例中,例如对于大于4个月的数据块,以任意单位显示的权重从1(例如对于当前数据块)降低至0。楔形21的斜度是通过描述权重如何随时间降低的权重衰减来确定的。高的权重衰减比低的权重衰减更偏重于近期的数据,反之亦然。最值得注意的是,该参数影响了“所需存储的车辆和用户数据的多少”。由于旧数据更快变得无用,所以高的权重衰减需较少的存储。可依据任意方案选择权重衰减。在图3中,作为示例示出了线性方案,其中权重以固定值在4个月内线性地从1衰减至0。另一个可能为指数式衰减,如权重以相对于彼此的量衰减。
使用0.79的指数函数衰减是有利的,即数据块或分类器具有下个较新的数据块或分类器权重的0.79倍。特别是,在预定的时间范围后(如10个月后),丢弃数据块是更有利的。
在图3所示的示例中,由区域22表示的第一数据块,具有权重1且从4月底至三月中延伸约6周。由区域24表示的下一个数据块具有与第一数据块大约10天的重叠,且该重叠由填充区域23表示。下一个数据块的权重约为0.7,此即为与当前示例中由区域24所表示的时间间隔起点相关的权重。由区域26表示的第三数据块(也具有与较新的第二数据块的重叠,该重叠在本示例中由填充区域25表示)将具有约0.4的权重。由区域28表示并示出的最后一个数据块(也具有与前述第三数据块的重叠)具有大约0.15的权重。任何更早的数据块将具有0的权重,因此对于本示例不需要存储在存储器中。随着时间流逝,新的数据块将被创建,并且目前权重为1的第一数据块将丧失其一部分权重,并因此对集成分类器的性能贡献更少。
Claims (10)
1.一种方法,利用车载用户接口(1)预测用户(5)的接口控制动作,所述方法包括如下步骤:
收集和存储数据(10),所述数据至少是关于来自车辆的至少一个传感器(3,4)的所述车辆及其环境的车辆数据,以及关于采用所述车辆内的所述用户接口(1)和/或不同应用的用户交互(5)的用户数据;
基于所收集和存储的数据对至少两个可能的用户的接口控制动作分配似然性(11);
从所述似然性(11)来确定(12)至少一个最可能的接口控制动作;以及
向所述用户(5)提供(13)所述至少一个最可能的接口控制动作,从而采用与所述用户接口(1)的一次单独用户交互,所述至少一个最可能的接口控制动作是可选择且可执行的。
2.根据权利要求1所述的方法,其中在分配所述似然性(11)时,对频繁使用的接口控制动作分配较大的似然性。
3.根据前述权利要求中的一项所述的方法,其中在分配所述似然性(11)时,对最近使用的接口控制动作分配较大的似然性。
4.根据前述权利要求中的一项所述的方法,其中在分配所述似然性(11)时,仅考虑比给定产生时期更新的数据。
5.根据前述权利要求中的一项所述的方法,其中所述收集和存储数据(10)的步骤包括:从云(9)收集和向云存储关于所述用户(5)的数据。
6.根据前述权利要求中的一项所述的方法,其中建立分类器,用以基于所收集和存储的数据,计算针对至少两个可能的接口控制动作的似然性,并且这些计算的似然性随后被分配给所述至少两个可能的接口控制动作。
7.根据权利要求6所述的方法,其中所述分类器是具有若干独立分类器的集成分类器,其中每个独立分类器被建立在所收集和存储的数据的数据块上。
8.根据权利要求7所述的方法,其中采用依赖于所述数据块内包含的所收集的数据的产生时期的偏差对所述数据块进行加权,特别是采用偏差对具有近期数据的数据块加更大权重。
9.根据权利要求7或8所述的方法,其中每个数据块包含源于专用于每个数据块的时间间隔的所有数据,其中特别是分配给一个数据块的时间间隔可以与分配给其它数据块的时间间隔重叠,从而特定的数据可以是一个以上数据块的一部分。
10.车载用户接口(1),其具有:
存储器单元(2),其用于收集和存储数据(10),所述数据至少是关于来自车辆的至少一个传感器(3,4)的所述车辆及其环境的车辆数据,以及关于采用所述车辆内的所述用户接口(1)和/或不同应用的用户交互(5)的用户数据;
处理单元(6),其具有对所述存储器单元(2)的存取,所述处理单元用于基于所收集和存储的数据对至少两个可能的接口控制动作分配似然性(11),并且所述处理单元用于从所述似然性(11)确定(12)至少一个最可能的接口控制动作;以及
显示单元(7),其用于向所述用户(5)提供(13)所述至少一个最可能的接口控制动作的集合(8),从而采用与所述用户接口(1)的一次单独用户交互,所述至少一个最可能的接口控制动作是可选择且可执行的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1322614.7 | 2013-12-19 | ||
GB1322614.7A GB2521433A (en) | 2013-12-19 | 2013-12-19 | Predicting an interface control action of a user with an in-vehicle user interface |
PCT/EP2014/003279 WO2015090531A1 (en) | 2013-12-19 | 2014-12-06 | Predicting an interface control action of a user with an in-vehicle user interface |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105814498A true CN105814498A (zh) | 2016-07-27 |
CN105814498B CN105814498B (zh) | 2019-03-08 |
Family
ID=50071166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480067913.3A Active CN105814498B (zh) | 2013-12-19 | 2014-12-06 | 利用车载用户接口预测用户的接口控制动作 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10535004B2 (zh) |
EP (1) | EP3084531A1 (zh) |
CN (1) | CN105814498B (zh) |
GB (1) | GB2521433A (zh) |
WO (1) | WO2015090531A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180315146A1 (en) * | 2017-04-27 | 2018-11-01 | Lyft, Inc. | Dynamic autonomous vehicle matching optimization |
KR20200123086A (ko) | 2017-12-21 | 2020-10-28 | 커먼웰쓰 사이언티픽 앤드 인더스트리얼 리서치 오가니제이션 | 사용자-특정 사용자 인터페이스 생성 |
GB2588639A (en) | 2019-10-30 | 2021-05-05 | Daimler Ag | Method and system for automatically adapting drive mode in a vehicle |
GB2592217A (en) | 2020-02-19 | 2021-08-25 | Daimler Ag | Method and system for providing adaptive display content on a display interface of a vehicle |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7006881B1 (en) * | 1991-12-23 | 2006-02-28 | Steven Hoffberg | Media recording device with remote graphic user interface |
CN102116637A (zh) * | 2009-12-31 | 2011-07-06 | 上海博泰悦臻电子设备制造有限公司 | 基于车载设备服务平台的智能数据中心 |
CN102147263A (zh) * | 2010-02-04 | 2011-08-10 | 株式会社电装 | 用于规划行程组合的装置及方法 |
US20110238289A1 (en) * | 2010-03-24 | 2011-09-29 | Sap Ag | Navigation device and method for predicting the destination of a trip |
CN102506885A (zh) * | 2011-10-31 | 2012-06-20 | 武汉光庭科技有限公司 | 应用用户习惯数据进行路径规划的方法 |
CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电(中国)有限公司 | 用户行为识别设备及方法 |
US20130166096A1 (en) * | 2011-12-27 | 2013-06-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Predictive destination entry for a navigation system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1742145A2 (en) | 2005-07-08 | 2007-01-10 | Nissan Motor Co., Ltd. | Menu display apparatus and method |
DE102006037156A1 (de) * | 2006-03-22 | 2007-09-27 | Volkswagen Ag | Interaktive Bedienvorrichtung und Verfahren zum Betreiben der interaktiven Bedienvorrichtung |
DE102008051756A1 (de) | 2007-11-12 | 2009-05-14 | Volkswagen Ag | Multimodale Benutzerschnittstelle eines Fahrerassistenzsystems zur Eingabe und Präsentation von Informationen |
US8429137B2 (en) * | 2010-09-02 | 2013-04-23 | Federal Express Corporation | Enterprise data duplication identification |
US9341493B2 (en) | 2011-04-18 | 2016-05-17 | Volkswagen Ag | Method and apparatus for providing a user interface, particularly in a vehicle |
US8429103B1 (en) | 2012-06-22 | 2013-04-23 | Google Inc. | Native machine learning service for user adaptation on a mobile platform |
US8951165B2 (en) * | 2013-03-05 | 2015-02-10 | Microsoft Corporation | Personal training with physical activity monitoring device |
US9631930B2 (en) * | 2013-03-15 | 2017-04-25 | Apple Inc. | Warning for frequently traveled trips based on traffic |
US10223445B2 (en) * | 2013-09-19 | 2019-03-05 | Maluuba Inc. | Hybrid natural language processor |
-
2013
- 2013-12-19 GB GB1322614.7A patent/GB2521433A/en not_active Withdrawn
-
2014
- 2014-12-06 US US15/105,796 patent/US10535004B2/en active Active
- 2014-12-06 WO PCT/EP2014/003279 patent/WO2015090531A1/en active Application Filing
- 2014-12-06 CN CN201480067913.3A patent/CN105814498B/zh active Active
- 2014-12-06 EP EP14808849.5A patent/EP3084531A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7006881B1 (en) * | 1991-12-23 | 2006-02-28 | Steven Hoffberg | Media recording device with remote graphic user interface |
CN102116637A (zh) * | 2009-12-31 | 2011-07-06 | 上海博泰悦臻电子设备制造有限公司 | 基于车载设备服务平台的智能数据中心 |
CN102147263A (zh) * | 2010-02-04 | 2011-08-10 | 株式会社电装 | 用于规划行程组合的装置及方法 |
US20110238289A1 (en) * | 2010-03-24 | 2011-09-29 | Sap Ag | Navigation device and method for predicting the destination of a trip |
CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电(中国)有限公司 | 用户行为识别设备及方法 |
CN102506885A (zh) * | 2011-10-31 | 2012-06-20 | 武汉光庭科技有限公司 | 应用用户习惯数据进行路径规划的方法 |
US20130166096A1 (en) * | 2011-12-27 | 2013-06-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Predictive destination entry for a navigation system |
Non-Patent Citations (3)
Title |
---|
ALEXEY TSYMBAL: "The problem of concept drift: definitions and related work", 《PARTICULARLY THE LAST PARAGRAPH OF SECTION 3》 * |
IVAN KOYCHEV 等: "Adaptation to Drifting User’s Interests", 《PROCEEDINGS OF ECML WORKSHOP MACHINE LEARNING IN NEW INFORMATION AGE》 * |
MOHAMMAD M. MASUD 等: "A Multi-partition Multi-chunk Ensemble Technique to Classify Concept-Drifting Data Streams", 《SPRINGER-VERLAG BERLIN HEIDELBERG 2009》 * |
Also Published As
Publication number | Publication date |
---|---|
WO2015090531A1 (en) | 2015-06-25 |
US10535004B2 (en) | 2020-01-14 |
US20160321545A1 (en) | 2016-11-03 |
GB2521433A (en) | 2015-06-24 |
EP3084531A1 (en) | 2016-10-26 |
GB201322614D0 (en) | 2014-02-05 |
CN105814498B (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6648292B2 (ja) | 将来のアクションのためのユーザインターフェースデータキャッシングの最適化 | |
CN105556247B (zh) | 用于调节车辆中的车辆导航系统的用户接口的方法 | |
CN111930486B (zh) | 任务选取数据处理方法、装置、设备及存储介质 | |
US20130066815A1 (en) | System and method for mobile context determination | |
CN105814498A (zh) | 利用车载用户接口预测用户的接口控制动作 | |
US20100149212A1 (en) | Information processing device and method, and program | |
CN107277225B (zh) | 语音控制智能设备的方法、装置和智能设备 | |
CN106471525A (zh) | 增强神经网络以生成附加输出 | |
CN103348342A (zh) | 基于用户话题简档的个人内容流 | |
CN111868754A (zh) | 信息处理装置和信息处理方法 | |
CN107230381A (zh) | 一种停车位推荐方法、服务器以及客户端 | |
US20130325483A1 (en) | Dialogue models for vehicle occupants | |
CN102822791A (zh) | 信息处理终端及其控制方法 | |
CN105827710A (zh) | 车载终端与移动终端协同输入的控制方法及移动终端 | |
US8593977B2 (en) | Method and apparatus for transmitting data and method and apparatus for performing data tasks | |
CN108984178B (zh) | 一种通信方法和装置 | |
CN111177562B (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
CN115309299B (zh) | 桌面卡片的显示方法、装置、终端、存储介质及程序产品 | |
CN103198120B (zh) | 网页呈现方法和装置以及网页内容提供方法和系统 | |
CN111552549A (zh) | 一种智能设备的多任务请求动态配置方法及系统 | |
CN110321945A (zh) | 扩充样本方法、终端、装置及可读存储介质 | |
CN114998068A (zh) | 学习计划的生成方法及电子设备 | |
CN114080612A (zh) | 信息处理方法、信息处理设备和程序 | |
CN114885015A (zh) | 一种车机中控系统进行内容推送的方法和相关装置 | |
CN107797831B (zh) | 后台应用清理方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Stuttgart, Germany Patentee after: Mercedes-Benz Group Co.,Ltd. Address before: Stuttgart, Germany Patentee before: DAIMLER AG |