CN111460373A - 一种到站提醒方法、装置、存储介质和终端设备 - Google Patents
一种到站提醒方法、装置、存储介质和终端设备 Download PDFInfo
- Publication number
- CN111460373A CN111460373A CN202010240679.7A CN202010240679A CN111460373A CN 111460373 A CN111460373 A CN 111460373A CN 202010240679 A CN202010240679 A CN 202010240679A CN 111460373 A CN111460373 A CN 111460373A
- Authority
- CN
- China
- Prior art keywords
- state
- probability
- hidden
- observable
- statistical model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013179 statistical model Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000007704 transition Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/133—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams within the vehicle ; Indicators inside the vehicles or at stops
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Radar, Positioning & Navigation (AREA)
- Acoustics & Sound (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种到站提醒方法、装置、存储介质和终端设备,该方法包括:基于所采集的信息,生成一组可观测状态序列;根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
Description
技术领域
本申请涉及终端应用技术领域,尤其涉及一种到站提醒方法、装置、存储介质和终端设备。
背景技术
目前,公共交通工具(例如公交车、地铁等)在城市交通中占有非常重要的地位,大部分居民的日常生活都是依靠公共交通工具出行的,如学生上学、市民上班等。但是乘客可能对新的出行道路比较陌生,不知道其所在的位置,而且许多交通工具没有报站或者报站不准确,给乘客乘坐交通工具带来了很大的麻烦。
为了避免乘客在乘车过程中出现错过站的情况,在相关技术中,可以利用终端设备为用户提供到站提醒服务;比如基于语音识别的到站提醒方式,在地铁嘈杂的环境下,远场的识别率非常低,仅通过语音识别将会造成漏识别,从而导致用户错过下车的目的站点,耽误用户时间。
发明内容
本申请提出一种到站提醒方法、装置、存储介质和终端设备,能够提升到站提醒的准确率,降低用户错过目的站点的概率。
为达到上述目的,本申请的技术方案是这样实现的:
第一方面,本申请实施例提供了一种到站提醒方法,该方法包括:
基于所采集的信息,生成一组可观测状态序列;
根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
优选地,所述基于所采集的信息,生成一组可观测状态序列,包括:
采集周围环境中的音频信息;
利用声音识别模型对所述音频信息进行识别,根据识别结果生成一组可观测状态序列。
优选地,所述识别结果包括第一识别结果和第二识别结果,所述根据识别结果生成一组可观测状态序列,包括:
若所述第一识别结果为交通工具屏蔽门发出的声音,则确定所述可观测状态为屏蔽门声音;
若所述第二识别结果为交通工具行驶状态下的声音,则确定所述可观测状态为行驶声音;
将所述屏蔽门声音和所述行驶声音组成所述可观测状态序列。
优选地,所述预先设置的预设统计模型的概率参数包括:初始概率矩阵、转移概率矩阵和发射概率矩阵。
优选地,所述根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列,包括:
根据所述初始概率矩阵、所述转移概率矩阵和所述发射概率矩阵,计算所述可观测状态序列中每一可观测状态下不同隐藏状态的概率值;
针对每一可观测状态,从计算的概率值中选择最大概率值并确定所述最大概率值对应的隐藏状态;
根据每一可观测状态所确定的隐藏状态,组成所述隐藏状态序列。
优选地,在所述根据预先设置的预设统计模型的概率参数之前,该方法还包括:
获取训练样本集;
构建预设统计模型,并根据所述训练样本集对所述预设统计模型进行训练,获得所述预设统计模型的概率参数。
优选地,所述预设统计模型包括隐马尔可夫模型。
第二方面,本申请实施例提供了一种到站提醒装置,该到站提醒装置包括生成单元、确定单元和提醒单元;其中,
所述生成单元,配置为基于所采集的信息,生成一组可观测状态序列;
所述确定单元,配置为根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
所述提醒单元,配置为基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
优选地,所述到站提醒装置还包括采集单元和识别单元;其中,
所述采集单元,配置为采集周围环境中的音频信息;
所述识别单元,配置为利用声音识别模型对所述音频信息进行识别,根据识别结果生成一组可观测状态序列。
优选地,所述生成单元,具体配置为所述识别结果包括第一识别结果和第二识别结果,若所述第一识别结果为交通工具屏蔽门发出的声音,则确定所述可观测状态为屏蔽门声音;若所述第二识别结果为交通工具行驶状态下的声音,则确定所述可观测状态为行驶声音;以及将所述屏蔽门声音和所述行驶声音组成所述可观测状态序列。
优选地,所述预先设置的预设统计模型的概率参数包括:初始概率矩阵、转移概率矩阵和发射概率矩阵。
优选地,所述到站提醒装置还包括计算单元,配置为根据所述初始概率矩阵、所述转移概率矩阵和所述发射概率矩阵,计算所述可观测状态序列中每一可观测状态下不同隐藏状态的概率值;
所述确定单元,具体配置为针对每一可观测状态,从计算的概率值中选择最大概率值并确定所述最大概率值对应的隐藏状态;以及根据每一可观测状态所确定的隐藏状态,组成所述隐藏状态序列。
优选地,所述到站提醒装置还包括训练单元,配置为获取训练样本集;以及构建预设统计模型,并根据所述训练样本集对所述预设统计模型进行训练,获得所述预设统计模型的概率参数。
在一些实施例中,所述预设统计模型包括隐马尔可夫模型。
第三方面,本申请实施例提供了一种到站提醒装置,该到站提醒装置包括存储器和处理器;其中,
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行如第一方面中任一项所述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,该计算机存储介质存储有到站提醒程序,所述到站提醒程序被至少一个处理器执行时实现如第一方面中任一项所述的方法。
第五方面,本申请实施例提供了一种终端设备,该终端设备至少包括如第二方面中任一项或者第三方面所述的到站提醒装置。
本申请实施例所提供的一种到站提醒方法、装置、存储介质和终端设备,基于所采集的信息,生成一组可观测状态序列;根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。这样,利用预设统计模型,可以将现有的单一条件判断组合为多条件序列的判断,能够避免场景之间的串扰,从而降低了误识别率;另外,根据可观测状态序列计算出最大概率值的隐藏状态序列,然后利用该隐藏状态序列进行到站提醒,还能够提升到站提醒的准确率,进而降低了用户错过目的站点的概率。
附图说明
图1为本申请实施例提供的一种到站提醒方法的流程示意图;
图2为本申请实施例提供的另一种到站提醒方法的流程示意图;
图3为本申请实施例提供的一种到站提醒的HMM模型结构示意图;
图4为本申请实施例提供的一种到站提醒装置的组成结构示意图;
图5为本申请实施例提供的另一种到站提醒装置的组成结构示意图;
图6为本申请实施例提供的一种到站提醒装置的硬件结构示意图;
图7为本申请实施例提供的一种终端设备的组成结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅仅用于解释相关申请,而非对该申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关申请相关的部分。
本申请的一实施例中,参见图1,其示出了本申请实施例提供的一种到站提醒方法的流程示意图。如图1所示,该方法可以包括:
S101:基于所采集的信息,生成一组可观测状态序列;
需要说明的是,该方法应用于到站提醒装置,或者集成有到站提醒装置的终端设备。这里,终端设备可以以各种形式描述,比如可以包括诸如智能手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备等,本申请实施例不作任何限定。
还需要说明的是,当用户乘坐交通工具(比如地铁、公交车等)出行时,由于各种因素的影响,比如场景之间的串扰,使得相关技术方案容易出现误识别现象,从而不能为用户提供精准的实时到站提醒服务。这时候,本申请实施例可以根据所采集的信息,获得一组可观测状态序列;其中,所述可观测状态序列中包括有至少两个可观测状态,用以降低场景之间的串扰。
具体来讲,在S101的步骤中,所采集的信息可以是通过采集音频信息得到的,也可以是采集加速度信息得到的,甚至还可以是采集其他信息得到的,本申请实施例不作具体限定。如此,针对可观测状态而言,可以是基于所采集的音频信息、加速度信息、其他信息等识别得到的。
这里,针对音频信息而言,可以是利用音频采集器、麦克风(Microphone,MIC)等部件进行音频采集得到;这里的音频信息可以包括有办公环境下的声音、街道环境下的声音、餐厅环境下的声音、屏蔽门发出的声音、交通工具行驶状态下的声音等,其中,交通工具行驶状态下的声音又可以分为大巴行驶状态下的声音和列车行驶状态下的声音等;针对加速度信息而言,可以是利用加速度传感器等部件进行加速度采集得到;这里,加速度信息可以包括加速状态下的加速度、减速状态下的加速度等;下面将仅以音频信息为例进行详细说明。
示例性地,针对列车到站的场景,利用声音识别模型对所采集的音频信息进行识别,假定首先识别出的声音为通过屏蔽门发出的嘟嘟声音,这时候可以确定可观测状态为屏蔽门声音;然后识别出的声音为列车行驶时的轨道摩擦声音,这时候可以确定可观测状态为列车行驶声音;那么能够得到的可观测状态序列为屏蔽门声音和列车行驶声音。
S102:根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
需要说明的是,隐藏状态序列可以包括有至少两个隐藏状态;仍以列车到站的场景为例,隐藏状态又可以分为行驶状态、停止状态和其它状态等;这里,其它状态可以是指除了行驶状态和停止状态之外的状态。
另外,预设统计模型表示利用已知的可观测状态序列来确定未知的隐藏状态序列,所确定出的最大概率值的隐藏状态序列即为最终的识别结果,能够为用户进行准确地到站提醒。在这过程中,预先设置的预设统计模型的概率参数可以包括有:初始概率矩阵、转移概率矩阵和发射概率矩阵。
示例性地,假定隐藏状态可以用S1、S2和S3表示,可观测状态可以用O1、O2和O3表示,那么初始概率矩阵、转移概率矩阵和发射概率矩阵分别如下描述:
初始概率矩阵表示隐藏状态在初始时刻的概率矩阵;具体地,P(S1)=p1,P(S2)=p2,P(S3)=p3,那么初始概率矩阵可以用[p1 p2 p3]表示。
转移概率矩阵描述了各个隐藏状态之间的转移概率;具体地,转移概率Aij=P[Sj|Si]表示隐藏状态Si在下一时刻为隐藏状态Sj的概率,1≤i≤3,1≤j≤3。
发射概率矩阵描述了隐藏状态表现为可观测状态的发射概率;具体地,发射概率Bij=P[Oi|Sj]表示在隐藏状态Sj条件下,表现为可观测状态Oi的概率,1≤i≤3,1≤j≤3。
这样,在预先设置出预设统计模型的概率参数之后,可以根据初始概率矩阵、所述转移概率矩阵和所述发射概率矩阵进行概率值计算,以确定出最大概率值的隐藏状态序列。
S103:基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
需要说明的是,在确定出隐藏状态序列之后,可以根据该隐藏状态序列执行到站提醒操作。与语音识别或者单独的屏蔽门“嘟嘟”声音等特定音频识别方式相比,本申请实施例增加了求隐藏状态序列概率的步骤,即利用已知的可观测状态序列,能够求得隐藏状态序列的概率,然后选取最大概率值的隐藏状态序列作为最终的识别结果,如此能够提升到站提醒的准确率,同时降低了误识别率。例如,上海轨道交通屏蔽门的嘟嘟声音和深圳公交的嘟嘟声音类似,如果仅靠检测嘟嘟声音,那么将会造成场景的误识别,而本申请实施例的到站提醒方法就能够解决这种场景误识别的问题。
本实施例提供了一种到站提醒方法,基于所采集的信息,生成一组可观测状态序列;根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。这样,利用预设统计模型,可以将现有的单一条件判断组合为多条件序列的判断,能够避免场景之间的串扰,从而降低了误识别率;另外,根据可观测状态序列计算出最大概率值的隐藏状态序列,然后利用该隐藏状态序列进行到站提醒,还能够提升到站提醒的准确率,进而降低了用户错过目的站点的概率。
本申请的另一实施例中,预设统计模型可以包括有隐马尔可夫模型(HiddenMarkov Model,HMM)。
这里,隐马尔可夫模型是一种统计模型,主要用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数,然后利用这些隐含参数作进一步的分析,例如模式识别。另外,还可以是在被建模的系统被认为是一个马尔可夫过程与未观测到的(即隐藏的)状态的统计马尔可夫模型。
进一步地,隐马尔可夫模型可以用五个元素来描述,包括有2个状态集合和3个概率矩阵,其分别如下所示,
(1)隐含状态(可以用S表示)
这些状态之间满足马尔可夫性质,是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到,例如S1、S2、S3等。
(2)可观测状态(可以用O表示)
在HMM模型中与隐含状态相关联,可通过直接观测而得到,例如O1、O2、O3等;这里,可观测状态的数目和隐含状态的数目可以是相同的,也可以是不同的。
(3)初始概率矩阵(可以用π表示)
表示隐含状态在初始时刻t=1的概率矩阵;例如t=1时,P(S1)=p1、P(S2)=p2、P(S3)=p3,那么初始状态概率矩阵π=[p1 p2 p3].
(4)转移概率矩阵(可以用A表示)
描述了HMM模型中各个隐藏状态之间的转移概率;其中,Aij=P(Sj|Si)表示在t时刻、隐藏状态为Si的条件下,在t+1时刻隐藏状态转移为Sj的概率;其中,1≤i≤N,1≤j≤N,N表示隐含状态的数目。
(5)发射概率矩阵(可以用B表示)
令N表示隐含状态的数目,M表示可观测状态的数目,那么Bij=P(Oi|Sj)表示在t时刻、隐含状态为Sj的条件下,可观测状态为Oi的概率;其中,1≤i≤M,1≤j≤N。
也就是说,隐马尔可夫模型实际上是标准马尔可夫模型的扩展,添加了可观测状态集合以及这些状态与隐含状态之间的概率关系。这里,任何一个隐马尔可夫模型都可以通过五元组来描述,即可观测状态序列(observations)、隐藏状态序列(states)、初始概率矩阵(start_probability)、转移概率矩阵(transition_probability)、发射概率矩阵(emission_probability)。
示例性地,以天气为例,假定某地区的朋友每天根据天气{下雨,天晴}决定当天的活动为{公园散步,购物,清理房间}中的一种,而根据其发布的信息内容“啊,我前天公园散步、昨天购物、今天清理房间了!”,利用HMM模型可以来推断这三天的天气。这里,显状态(即可观测状态)为活动,隐状态(即隐藏状态)为天气;按照HMM模型的五元组描述如下,
进一步地,利用HMM模型以及可观测状态序列(散步、购物、清理房间),求解隐藏状态序列的推导过程如下,
第一天:散步
P[第一天][下雨]=初始概率[下雨]*发射概率[下雨][散步]=0.6*0.1=0.06
P[第一天][天晴]=初始概率[天晴]*发射概率[天晴][散步]=0.4*0.6=0.24
第二天:购物
P[第二天][下雨]=V[第一天][下雨]*转移概率[下雨]*发射概率[下雨][购物]=0.06*0.7*0.4=0.0168
P[第二天][下雨]=V[第一天][天晴]*转移概率[下雨]*发射概率[下雨][购物]=0.24*0.4*0.4=0.0384
P[第二天][天晴]=V[第一天][下雨]*转移概率[天晴]*发射概率[天晴][购物]=0.06*0.3*0.3=0.0054
P[第二天][天晴]=V[第一天][天晴]*转移概率[天晴]*发射概率[天晴][购物]=0.24*0.6*0.3=0.0432
第三天:清理房间
P[第三天][下雨]=V[第二天][下雨]*转移概率[下雨]*发射概率[下雨][清理房间]=0.0384*0.7*0.5=0.01344
P[第三天][下雨]=V[第二天][天晴]*转移概率[下雨]*发射概率[下雨][清理房间]=0.0432*0.4*0.5=0.00864
P[第三天][天晴]=V[第二天][下雨]*转移概率[天晴]*发射概率[天晴][清理房间]=0.0384*0.3*0.1=0.001152
P[第三天][天晴]=V[第二天][天晴]*转移概率[天晴]*发射概率[天晴][清理房间]=0.0432*0.6*0.1=0.002592
基于上述的推导过程,从第一天活动的推导概率中选择最大概率值(0.24),这时候对应的天气为天晴;从第二天活动的推导概率中选择最大概率值(0.0432),这时候对应的天气为天晴;从第三天活动的概率中选择最大概率值(0.01344),这时候对应的天气为下雨;从而根据已知的可观测状态序列推导得到的隐藏状态序列为天晴->天晴->下雨。
在本申请实施例中,HMM模型的原理是通过可观测状态序列来推导隐藏状态。本申请实施例能够将这一原理运用到地铁到站的识别场景中,但是并不限于该场景,针对其他具有序列依赖的可观测场景也可以适用于这一原理;这样,通过将原本单一的条件判断组合为多条件序列的判断,可以达到提高场景识别率的目的。
本申请的又一实施例中,参见图2,其示出了本申请实施例提供的另一种到站提醒方法的流程示意图。如图2所示,该方法可以包括:
S201:采集周围环境中的音频信息;
S202:利用声音识别模型对所述音频信息进行识别,根据识别结果生成一组可观测状态序列;
需要说明的是,声音识别可以看作是一个分类过程,假设多分类,即可以识别大巴行驶状态下的声音、列车行驶状态下的声音、办公环境下的声音、街道环境下的声音、餐厅环境下的声音、屏蔽门发出的声音等。通常而言,针对列车到站的场景,这时候仅需要识别列车行驶状态下的声音和列车屏蔽门发出的声音,其他的声音统一归类为其他(other)。
在一些实施例中,对于S202来说,所述识别结果包括第一识别结果和第二识别结果,所述根据识别结果生成一组可观测状态序列,可以包括:
若所述第一识别结果为交通工具屏蔽门发出的声音,则确定所述可观测状态为屏蔽门声音;
若所述第二识别结果为交通工具行驶状态下的声音,则确定所述可观测状态为行驶声音;
将所述屏蔽门声音和所述行驶声音组成所述可观测状态序列。
也就是说,可观测状态可以是基于音频信息得到的。针对音频信息而言,可以是利用低功耗的MIC部件进行音频采集得到;这里的音频信息可以包括有交通工具屏蔽门发出的声音和交通工具行驶状态下的声音。以列车到站的场景为例,利用声音识别模型对所采集的音频信息进行识别,假定列车行驶时的轨道摩擦声音可以确定为行驶声音(用metro表示),通过屏蔽门发出的嘟嘟声音可以确定为屏蔽门声音(用metro door表示),那么能够得到可观测状态序列为metro door和metro。
S203:根据预先设置的预设统计模型的概率参数,计算所述可观测状态序列中每一可观测状态下不同隐藏状态的概率值;
需要说明的是,预设统计模型可以为隐马尔可夫模型,即HMM模型。这里,预先设置的预设统计模型的概率参数可以包括有:初始概率矩阵、转移概率矩阵和发射概率矩阵。
还需要说明的是,在一些实施例中,对于S203来说,在所述根据预先设置的预设统计模型的概率参数之前,该方法还可以包括:
获取训练样本集;
构建预设统计模型,并根据所述训练样本集对所述预设统计模型进行训练,获得所述预设统计模型的概率参数。
也就是说,可以从所采集的历史音频数据中选取多组音频信息,以构成训练样本集;由于预设统计模型主要是通过概率参数来描述的,比如包括有初始概率矩阵、转移概率矩阵和发射概率矩阵;那么针对预设统计模型的训练,也即是指针对初始概率矩阵、转移概率矩阵和发射概率矩阵的训练,如此训练后能够得到初始概率矩阵、转移概率矩阵和转移概率矩阵,也就意味着获得了预设统计模型的概率参数。
这样,在获得预设统计模型的概率参数之后,结合已知的可观测状态序列,可以推导出可观测状态序列中每一可观测状态下不同隐藏状态的概率值,以便后续确定每一可观测状态下最大概率值对应的隐藏状态。
S204:针对每一可观测状态,从计算的概率值中选择最大概率值并确定所述最大概率值对应的隐藏状态;
S205:根据每一可观测状态所确定的隐藏状态,组成所述可观测状态序列对应的最大概率值的隐藏状态序列;
需要说明的是,根据预设统计模型的概率参数(比如初始概率矩阵、转移概率矩阵和发射概率矩阵),可以计算出可观测状态序列中每一可观测状态下不同隐藏状态的概率值;然后针对每一可观测状态,能够选择出最大概率值对应的隐藏状态;如此,根据每一可观测状态所确定的隐藏状态,从而得到最大概率值的隐藏状态序列。例如,仍以列车到站的场景为例,假定可观测状态序列包括有屏蔽门声音和行驶声音,经过相应的概率计算过程,可以确定出屏蔽门声音对应的最大概率值的隐藏状态为停止状态,行驶声音对应的最大概率值的隐藏状态为行驶状态;那么所得到的隐藏状态序列为停止状态->行驶状态。
S206:基于所述隐藏状态序列,执行到站提醒操作。
需要说明的是,在确定出隐藏状态序列之后,比如停止状态->行驶状态,可以根据该隐藏状态序列执行到站提醒操作,以提醒用户列车是否已经到站。
虽然目前也已经存在到站提醒的技术方案,两种典型的到站提醒方式包括基于网络信息的到站提醒方式和基于语音识别模型的到站提醒方式;对于基于网络信息的到站提醒,需要搜集每一个站点附近基站的小区信息,然后由通信模块检测小区信息是否和已存的站点小区信息相匹配;这种方式需要人工搜集小区信息,并且随着基站的升级,还需要同步更新小区信息;导致小区信息搜集工作量巨大,且后期维护成本高;对于基于语音识别模型的到站提醒,在地铁嘈杂的环境下,远场的识别率非常低,仅通过语音识别方式会造成漏识别;尤其是当存在不同场景而声音类似的情况,如果仅靠语音识别检测将会造成场景的误识别。这时候,在本申请实施例中,增加了预设统计模型的概率值计算,可以将原本单一的条件判断组合为多条件序列的判断,从而能够提升到站提醒的准确率,同时降低了误识别率。
示例性地,预设统计模型为HMM模型,对应HMM模型的定义,列车到站提醒功能需要识别的隐藏状态包括列车运行状态(metro run)和列车停止状态(metro stop),除此之外的状态统一用other state表示。在列车到站的场景下,可观测状态包括列车行驶声音(metro)和列车屏蔽门声音(metro door),其他声音统一用other表示。按照HMM模型的五元组描述如下,
进一步地,图3给出了本申请实施例提供的一种列车到站提醒的HMM模型结构示意图;在图3中,可观测状态包括有metro door、metro和other,隐藏状态包括有metro run、metro stop和other state;其对应的概率参数如图3上的数字所示。假定通过声音识别模型所得到的可观测状态序列为屏蔽门声音(metro door)和列车行驶声音(metro);那么利用HMM模型以及可观测状态序列,求解隐藏状态序列的推导过程如下,
P[first][metro run]=初始概率[metro run]*发射概率[metro run][metrodoor]=0.3*0.2=0.06
P[first][metro stop]=初始概率[metro stop]*发射概率[metro stop][metrodoor]=0.3*0.7=0.21
P[first][other state]=初始概率[other state]*发射概率[other state][metro door]=0.4*0.2=0.08
P[second][metro run]=P[first][metro run]*转移概率[metro run]*发射概率[metro run][metro]=0.06*0.4*0.7=0.0168
P[second][metro run]=P[first][metro stop]*转移概率[metro run]*发射概率[metro run][metro]=0.21*0.5*0.7=0.0735
P[second][metro run]=P[first][other state]*转移概率[metro run]*发射概率[metro run][metro]=0.08*0.1*0.7=0.0056
P[second][metro stop]=P[first][metro run]*转移概率[metro stop]*发射概率[metro stop][metro]=0.06*0.5*0.2=0.006
P[second][metro stop]=P[first][metro stop]*转移概率[metro stop]*发射概率[metro stop][metro]=0.21*0.4*0.2=0.0168
P[second][metro stop]=P[first][other state]*转移概率[metro stop]*发射概率[metro stop][metro]=0.08*0.3*0.2=0.0048
P[second][other state]=P[first][metro run]*转移概率[other state]*发射概率[other state][metro]=0.06*0.1*0.1=0.0006
P[second][other state]=P[first][metro stop]*转移概率[other state]*发射概率[other state][metro]=0.21*0.1*0.1=0.0021
P[second][other state]=P[first][other state]*转移概率[other state]*发射概率[other state][metro]=0.08*0.6*0.1=0.0048
基于上述的推导过程,从第一次识别metro door声音的推导概率中选择最大概率值(0.21),这时候对应的隐藏状态为metro stop;从第二次识别metro声音的推导概率中选择最大概率值(0.0735),这时候对应的隐藏状态为metro run;从而根据已知的可观测状态序列推导得到的隐藏状态序列为metro stop->metro run。
也就是说,根据可观测状态序列(metro door声音和metro声音),由此推导出最大概率值的隐藏状态序列为metro stop->metro run。这样,与语音识别或者单独的屏蔽门“嘟嘟”声音等特定音频识别方式相比,本申请实施例增加了求隐藏状态序列概率的步骤,即利用已知的可观测状态序列,能够求得隐藏状态序列的概率,然后选取最大概率值的隐藏状态序列作为最终的识别结果,如此能够提升到站提醒的准确率,同时降低了误识别率。例如,上海轨道交通屏蔽门的“嘟嘟”声音和深圳公交的“嘟嘟”声音类似,如果仅靠检测“嘟嘟”声音,那么将会造成场景的误识别,而本申请实施例中加入了基于声音的HMM模型,可以正确识别列车场景下的到站情况,如应用图3的HMM模型(五元组),可以将深圳公交的“嘟嘟”声音判断为other state。
本实施例提供了一种到站提醒方法,通过本实施例对前述实施例的具体实现进行了详细阐述,从中可以看出,通过前述实施例的技术方案,如果仅识别对应场景的特征音频信息,因为场景之间会有串扰,将会导致有误识别的现象,比如办公环境和家庭环境中的声音相似度很高;而在本申请实施例中,加入HMM模型后,能够降低场景之间的串扰,从而降低误识别率,同时利用该隐藏状态序列进行到站提醒,还能够提升到站提醒的准确率,进而降低了用户错过目的站点的概率。
基于前述实施例相同的发明构思,参见图4,其示出了本申请实施例提供的一种到站提醒装置40的组成结构示意图。如图4所示,所述到站提醒装置40可以包括生成单元401、确定单元402和提醒单元403;其中,
生成单元401,配置为基于所采集的信息,生成一组可观测状态序列;
确定单元402,配置为根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
提醒单元403,配置为基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
在一些实施例中,参见图5,所述到站提醒装置40还可以包括采集单元404和识别单元405;其中,
采集单元404,配置为采集周围环境中的音频信息;
识别单元405,配置为利用声音识别模型对所述音频信息进行识别,根据识别结果生成一组可观测状态序列。
在一些实施例中,生成单元401,具体配置为所述识别结果包括第一识别结果和第二识别结果,若所述第一识别结果为交通工具屏蔽门发出的声音,则确定所述可观测状态为屏蔽门声音;若所述第二识别结果为交通工具行驶状态下的声音,则确定所述可观测状态为行驶声音;以及将所述屏蔽门声音和所述行驶声音组成所述可观测状态序列。
在一些实施例中,所述预先设置的预设统计模型的概率参数包括:初始概率矩阵、转移概率矩阵和发射概率矩阵。
在一些实施例中,参见图5,所述到站提醒装置40还可以包括计算单元406,配置为根据所述初始概率矩阵、所述转移概率矩阵和所述发射概率矩阵,计算所述可观测状态序列中每一可观测状态下不同隐藏状态的概率值;
确定单元402,具体配置为针对每一可观测状态,从计算的概率值中选择最大概率值并确定所述最大概率值对应的隐藏状态;以及根据每一可观测状态所确定的隐藏状态,组成所述隐藏状态序列。
在一些实施例中,参见图5,所述到站提醒装置40还可以包括训练单元407,配置为获取训练样本集;以及构建预设统计模型,并根据所述训练样本集对所述预设统计模型进行训练,获得所述预设统计模型的概率参数。
在一些实施例中,所述预设统计模型包括隐马尔可夫模型。
可以理解地,在本实施例中,“单元”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是模块,还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,该计算机存储介质存储有到站提醒程序,所述到站提醒程序被至少一个处理器执行时实现前述实施例中任一项所述的方法的步骤。
基于上述到站提醒装置40的组成以及计算机存储介质,参见图6,其示出了本申请实施例提供的到站提醒装置40的具体硬件结构示例,可以包括:通信接口601、存储器602和处理器603;各个组件通过总线系统604耦合在一起。可理解,总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统604。其中,通信接口601,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
存储器602,用于存储能够在处理器603上运行的计算机程序;
处理器603,用于在运行所述计算机程序时,执行:
基于所采集的信息,生成一组可观测状态序列;
根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
可以理解,本申请实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步链动态随机存取存储器(Synchronous link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本申请描述的系统和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器603读取存储器602中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本申请描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits,ASIC)、数字信号处理器(Digital SignalProcessing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本申请所述功能的模块(例如过程、函数等)来实现本申请所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可选地,作为另一个实施例,处理器603还配置为在运行所述计算机程序时,执行前述实施例中任一项所述的方法的步骤。
参见图7,其示出了本申请实施例提供的一种终端设备的组成结构示意图。如图7所示,终端设备70至少可以包括有前述实施例中任一项所述的到站提醒装置40。这样,终端设备70可以利用预设统计模型,将现有的单一条件判断组合为多条件序列的判断,能够避免场景之间的串扰,从而降低了误识别率;另外,利用最大概率值的隐藏状态序列进行到站提醒,还能够提升到站提醒的准确率,进而降低了用户错过目的站点的概率。
需要说明的是,在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种到站提醒方法,其特征在于,所述方法包括:
基于所采集的信息,生成一组可观测状态序列;
根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所采集的信息,生成一组可观测状态序列,包括:
采集周围环境中的音频信息;
利用声音识别模型对所述音频信息进行识别,根据识别结果生成一组可观测状态序列。
3.根据权利要求2所述的方法,其特征在于,所述识别结果包括第一识别结果和第二识别结果,所述根据识别结果生成一组可观测状态序列,包括:
若所述第一识别结果为交通工具屏蔽门发出的声音,则确定所述可观测状态为屏蔽门声音;
若所述第二识别结果为交通工具行驶状态下的声音,则确定所述可观测状态为行驶声音;
将所述屏蔽门声音和所述行驶声音组成所述可观测状态序列。
4.根据权利要求1所述的方法,其特征在于,所述预先设置的预设统计模型的概率参数包括:初始概率矩阵、转移概率矩阵和发射概率矩阵。
5.根据权利要求4所述的方法,其特征在于,所述根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列,包括:
根据所述初始概率矩阵、所述转移概率矩阵和所述发射概率矩阵,计算所述可观测状态序列中每一可观测状态下不同隐藏状态的概率值;
针对每一可观测状态,从计算的概率值中选择最大概率值并确定所述最大概率值对应的隐藏状态;
根据每一可观测状态所确定的隐藏状态,组成所述隐藏状态序列。
6.根据权利要求1所述的方法,其特征在于,在所述根据预先设置的预设统计模型的概率参数之前,所述方法还包括:
获取训练样本集;
构建预设统计模型,并根据所述训练样本集对所述预设统计模型进行训练,获得所述预设统计模型的概率参数。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述预设统计模型包括隐马尔可夫模型。
8.一种到站提醒装置,其特征在于,所述到站提醒装置包括生成单元、确定单元和提醒单元;其中,
所述生成单元,配置为基于所采集的信息,生成一组可观测状态序列;
所述确定单元,配置为根据预先设置的预设统计模型的概率参数,确定所述可观测状态序列对应的最大概率值的隐藏状态序列;
所述提醒单元,配置为基于所述隐藏状态序列,执行到站提醒操作;其中,所述隐藏状态至少包括行驶状态和停止状态。
9.一种到站提醒装置,其特征在于,所述到站提醒装置包括存储器和处理器;其中,
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行如权利要求1至7任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有到站提醒程序,所述到站提醒程序被至少一个处理器执行时实现如权利要求1至7任一项所述的方法。
11.一种终端设备,其特征在于,所述终端设备至少包括如权利要求8或9任一项所述的到站提醒装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240679.7A CN111460373A (zh) | 2020-03-31 | 2020-03-31 | 一种到站提醒方法、装置、存储介质和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240679.7A CN111460373A (zh) | 2020-03-31 | 2020-03-31 | 一种到站提醒方法、装置、存储介质和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460373A true CN111460373A (zh) | 2020-07-28 |
Family
ID=71681792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010240679.7A Pending CN111460373A (zh) | 2020-03-31 | 2020-03-31 | 一种到站提醒方法、装置、存储介质和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100897A (zh) * | 2022-05-23 | 2022-09-23 | 惠州华阳通用电子有限公司 | 一种车辆位置确定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980336A (zh) * | 2010-10-18 | 2011-02-23 | 福州星网视易信息系统有限公司 | 一种基于隐马尔可夫模型的汽车声音识别方法 |
CN106558232A (zh) * | 2015-09-30 | 2017-04-05 | 中国电信股份有限公司 | 一种用户到站提醒方法、系统和到站提醒服务器 |
CN108962243A (zh) * | 2018-06-28 | 2018-12-07 | 宇龙计算机通信科技(深圳)有限公司 | 到站提醒方法及装置、移动终端及计算机可读存储介质 |
CN109204007A (zh) * | 2018-08-29 | 2019-01-15 | 江西理工大学 | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 |
-
2020
- 2020-03-31 CN CN202010240679.7A patent/CN111460373A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980336A (zh) * | 2010-10-18 | 2011-02-23 | 福州星网视易信息系统有限公司 | 一种基于隐马尔可夫模型的汽车声音识别方法 |
CN106558232A (zh) * | 2015-09-30 | 2017-04-05 | 中国电信股份有限公司 | 一种用户到站提醒方法、系统和到站提醒服务器 |
CN108962243A (zh) * | 2018-06-28 | 2018-12-07 | 宇龙计算机通信科技(深圳)有限公司 | 到站提醒方法及装置、移动终端及计算机可读存储介质 |
CN109204007A (zh) * | 2018-08-29 | 2019-01-15 | 江西理工大学 | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100897A (zh) * | 2022-05-23 | 2022-09-23 | 惠州华阳通用电子有限公司 | 一种车辆位置确定方法及装置 |
CN115100897B (zh) * | 2022-05-23 | 2023-11-17 | 惠州华阳通用电子有限公司 | 一种车辆位置确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
CN107133645B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN107122866B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN108694942A (zh) | 一种基于家居智能服务机器人的智能家居交互问答系统 | |
CN107240398B (zh) | 智能语音交互方法及装置 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN103810995B (zh) | 用于语音系统的调节方法和系统 | |
CN110648553B (zh) | 一种站点提醒方法、电子设备及计算机可读存储介质 | |
JP2012003494A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN109389863A (zh) | 提示方法及相关设备 | |
CN110972112B (zh) | 地铁运行方向的确定方法、装置、终端及存储介质 | |
CN106713633A (zh) | 一种聋人提示系统、方法及智能手机 | |
CN104183144A (zh) | 一种实时路况信息生成方法和系统 | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
CN111833870A (zh) | 车载语音系统的唤醒方法、装置、车辆和介质 | |
CN111895991A (zh) | 一种结合语音识别的室内定位导航方法 | |
CN111460373A (zh) | 一种到站提醒方法、装置、存储介质和终端设备 | |
KR101446099B1 (ko) | 스마트 단말을 이용한 안정적인 사용자의 이동 경로 실시간 예측 방법 및 그 시스템 | |
CN114118582A (zh) | 目的地预测方法、装置、电子终端及存储介质 | |
CN111785000B (zh) | 一种车辆状态数据上传方法、装置、电子设备及存储介质 | |
US20180090133A1 (en) | Keyword generation apparatus and keyword generation method | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
CN116129643A (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
CN112257924A (zh) | 位置预测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |