CN111461200B - 一种事件的提醒方法、装置、电子设备及计算机可读存储介质 - Google Patents
一种事件的提醒方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111461200B CN111461200B CN202010237182.XA CN202010237182A CN111461200B CN 111461200 B CN111461200 B CN 111461200B CN 202010237182 A CN202010237182 A CN 202010237182A CN 111461200 B CN111461200 B CN 111461200B
- Authority
- CN
- China
- Prior art keywords
- time
- feature vector
- reminding
- event
- distance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 257
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract 1
- 235000012054 meals Nutrition 0.000 description 28
- 238000010438 heat treatment Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Abstract
本申请提供的事件的提醒方法、装置、电子设备及计算机可读存储介质,以时间特征向量和位置特征向量与对应的平均特征向量的距离为依据,确定当前时刻发出事件提醒信息的可能性,并响应于可能性大于预设阈值,发出事件提醒信息。因为时间特征向量指示当前时刻、预设的提醒时刻和当前时刻距离上一次执行待提醒事件的时长,位置特征向量用于指示当前时刻所在的位置的信息、以及上一次执行待提醒事件的位置与当前时刻所在的位置的距离,时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,位置平均特征向量为指示历史提醒时刻的位置特征向量的均值,与平均特征向量的距离越近,越有可能接近发出提醒的时间和位置状态。具有更高的智能化程度。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种事件的提醒方法、装置、电子设备及计算机可读存储介质。
背景技术
电子设备的智能化是目前的重要研究领域。预约提醒功能为智能化设备的常见功能。
目前的预约提醒功能通常表现为:用户提前设置提醒时间,系统计时达到提醒时间,发出提醒信息。可见,现有的预约提醒功能,在设置的提醒时间不变的情况下,只能提供固定时间的提醒,智能化程度有待提升。
发明内容
本申请提供了一种事件的提醒方法、装置、电子设备及计算机可读存储介质,目的在于解决如何提高预约提醒功能的智能化的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种事件的提醒方法,包括:
获取特征向量,所述特征向量包括时间特征向量和位置特征向量,其中,任意一条所述时间特征向量用于指示当前时刻、预设的提醒时刻和所述当前时刻距离上一次执行待提醒事件的时长;任意一条所述位置特征向量用于指示所述当前时刻所在的位置的信息、以及上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
计算距离,所述距离包括所述时间特征向量与预设的时间平均特征向量的距离,以及所述位置特征向量与预设的位置平均特征向量的距离,所述时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,所述位置平均特征向量为指示所述历史提醒时刻的位置特征向量的均值;
依据所述距离,确定所述当前时刻发出事件提醒信息的可能性;
响应于所述可能性大于预设阈值,发出所述事件提醒信息。
可选的,所述任意一条所述时间特征向量包括:
当前时间段标识、提醒时间段标识、以及距离上一次执行待提醒事件间隔的时间段的数量;
其中,所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识;所述提醒时间段标识为所述提醒时刻在所述预先划分的时间段中,所属的时间段的标识;所述距离上一次执行待提醒事件间隔的时间段的数量,为所述上一次执行待提醒事件在所述预先划分的时间段中,所属的时间段的标识,与所述当前时间段标识的差值。
可选的,所述任意一条所述时间特征向量还包括:
所述待提醒事件的预处理所需的时长。
可选的,所述任意一条位置特征向量包括:
当前时间段标识、当前时间段的位置信息、上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
其中,所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识;所述当前时间段的位置信息为所述当前时刻待提醒对象所在的位置的信息。
可选的,所述任意一条所述位置特征向量还包括以下至少一项:
所述当前时刻所在的位置与预设的地点的距离、以及所述待提醒对象的运动速度。
可选的,所述特征向量还包括:
环境特征向量,所述环境特征向量用于指示,所述当前时刻的环境特征;
任意一条所述环境特征向量包括当前时间段标识、所述当前时间段的所述环境特征;其中所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识。
可选的,所述距离还包括:
所述环境特征向量与环境平均特征向量的距离,所述环境平均特征向量为指示所述历史提醒时刻的环境特征向量的均值。
可选的,所述距离还包括:
综合特征向量与综合平均特征向量的距离,所述综合特征向量包括当前时间段标识相同的所述时间特征向量、所述位置特征向量和所述环境特征向量,所述综合平均特征向量为指示所述历史提醒时刻的所述综合特征向量的均值。
可选的,依据所述距离,确定所述当前时刻发出事件提醒信息的可能性,包括:
将所述距离输入预设的神经网络模型,得到所述神经网络模型输出的分类结果,所述分类结果用于指示所述当前时刻发出或不发出所述提醒信息的概率。
一种事件的提醒装置,包括:
获取模块,用于获取特征向量,所述特征向量包括时间特征向量和位置特征向量,其中,任意一条所述时间特征向量用于指示当前时刻、预设的提醒时刻和所述当前时刻距离上一次执行待提醒事件的时长;任意一条所述位置特征向量用于指示所述当前时刻所在的位置的信息、以及上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
计算模块,用于计算距离,所述距离包括所述时间特征向量与预设的时间平均特征向量的距离,以及所述位置特征向量与预设的位置平均特征向量的距离,所述时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,所述位置平均特征向量为指示所述历史提醒时刻的位置特征向量的均值;
确定模块,用于依据所述距离,确定所述当前时刻发出事件提醒信息的可能性;
提醒模块,用于响应于所述可能性大于预设阈值,发出所述事件提醒信息。
一种电子设备,包括存储器和处理器;所述存储器用于存储程序,所述处理器用于运行所述程序,以实现上述的事件的提醒方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的事件的提醒方法。
一种车载设备,包括:
承载部件和容器;
所述承载部件设置在车内,用于放置所述容器;
所述容器上设置有可与汽车的操作系统数据相连的接口,用于在所述容器放置入所述承载部件后,所述容器与所述汽车的操作系统数据相连;
所述汽车的操作系统中设置事件的提醒装置,用于运行上述的事件的提醒方法。
本申请提供的事件的提醒方法、装置、电子设备及计算机可读存储介质,以时间特征向量和位置特征向量与各自对应的平均特征向量的距离为依据,确定当前时刻发出事件提醒信息的可能性,并响应于可能性大于预设阈值,发出事件提醒信息。因为时间特征向量用于指示当前时刻、预设的提醒时刻和当前时刻距离上一次执行待提醒事件的时长,位置特征向量用于指示当前时刻所在的位置的信息、以及上一次执行待提醒事件的位置与当前时刻所在的位置的距离,可见,判定依据包括时间、位置维度以及上一次提醒的时间、位置维度,并且,时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,位置平均特征向量为指示历史提醒时刻的位置特征向量的均值,所以,与平均特征向量的距离越近,就越有可能接近发出提醒的时间和位置状态。综上,与现有的提醒方式相比,具有更高的智能化程度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种事件的提醒方法的流程图;
图2为本申请实施例公开的神经网络的结构示例图;
图3为本申请实施例公开的又一种事件的提醒方法的流程图;
图4为本申请实施例公开的一种事件的提醒装置的结构示意图;
图5为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
本申请实施例公开的技术方案,应用于电子设备,依据多个维度的判定依据,判定对待办事件进行提醒的时机,与仅依据固定时间提醒相比,提醒时机更加贴合用户当前的状况,提醒信息真正对用户执行待办事件起到提醒作用,即用户收到提醒信息后,可以执行待办事件,从而提高提醒功能的智能化程度。
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,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例公开的一种事件的提醒方法,包括以下步骤:
S101:获取特征向量。
具体的,获取特征向量包括以下步骤1和步骤2。
1、采集时间数据、位置数据和环境数据。
其中,任意一条时间数据包括:当前时刻、预设的提醒时刻和上一次执行待提醒事件的时刻。具体的,当前时刻可以从计时装置采集得到,预设的提醒时刻可以由用户预先输入,上一次执行待提醒事件的时刻,可以从历史提醒数据(即上一次提醒时刻,即为执行待提醒事件的时刻)获得,也可以由用户预先输入。可见,时间数据以时刻为维度,在多个时刻采集,可以得到多条时间数据。
任意一条位置数据包括:当前时刻、当前时刻所在的位置的信息、当前时刻待提醒对象所在的位置与预设的地点的距离、上一次执行待提醒事件的位置与当前时刻所在的位置的距离、和运动速度。具体的,各个当前时刻即为时间数据中的各个当前时刻,可见,位置数据与时间数据通过时刻具有对应关系。位置的信息,可以从定位装置采集得到。
预设的地点可以预先设置,具体的,可以包括以下至少一项:导航路线的起点、导航路线的终点和上一次发出提醒所在的位置的信息。距离信息,可以从导航装置采集得到,或者从定位装置采集得到位置的信息,从导航装置采集得到线路信息,再计算距离。
运动速度可以包括第一周期速度和第二周期速度,第一周期的时长大于第二周期的时长。即采集一段较长时段的速度,再采集一段较短时段的速度,以全面反映运动速度。周期速度可以为周期内的瞬时速度的均值。可以从速度感应装置采集运动速度。
环境数据包括:当前时刻、当前时刻的温度、湿度、季节(例如使用月份指示季节)和天气状态。外部环境数据可以从天气预报装置采集得到。可见,环境数据通过当前时刻与时间数据和位置数据相联系和对应。
2、将采集到的数据转换为特征向量。
具体的,特征向量包括时间特征向量、位置特征向量和环境特征向量。
本实施例中,任意一条时间特征向量用于指示当前时刻、预设的提醒时刻和所述当前时刻距离上一次执行待提醒事件的时长。任意一条位置特征向量用于指示当前时刻所在的位置的信息、以及上一次执行待提醒事件的位置与当前时刻所在的位置的距离,任意一条环境特征向量用于指示,当前时刻的环境特征。
各个特征向量的具体结构如下,但并不作为限定,只要能够指示上述需要指示的信息即可。
时间特征向量的结构为:[当前时间段标识、提醒时间段标识、距离上一次执行待提醒事件间隔的时间段的数量、待提醒事件的预处理所需的时长]。
其中,时间段为将单位时长划分得到的时间单位。例如,单位时长为24小时,将每一小时划分为一个时间段,得到24个时间段。通过为每个时间段分配唯一标识,得到时间段标识。例如,将起始时刻为中午12点的时间段的标识设置为0,将时间段0之前的时间段,按照距离时间段0从近到远的顺序,依次编号为-1、-2…。将时间段0之后的时间段,按照距离时间段0从近到远的顺序,依次编号为1、2…。以上标识的设置方式仅为举例,并不作为限定,即标识为0的时间段并不限定为中午12点,时间段的长度也并不限定为一小时等。
基于上述时间段的定义,当前时间段为采集到的当前时刻所属的时间段,当前时间段标识,为采集到的当前时刻所属的时间段的标识,例如,接上例,采集的各个当前时刻中的中午12点(即24时制中的12时),属于12点-13点时段,所以标识为0,则中午12点的当前时间段标识为0。
提醒时间段标识,为预设的提醒时刻所属的时间段的标识。距离上一次执行待提醒事件间隔的时间段的数量,为上一次执行待提醒事件的时刻所属的时间段的标识,与当前时间段标识之间的差值。
待提醒事件的预处理所需的时长,为执行待提醒事件之前,预处理过程所需的时长。例如,待提醒事件为吃饭,则热饭为预处理操作。待提醒事件的预处理所需的时长为可选项。待提醒事件的预处理所需的时长作为特征向量中的因素之一,能够将预处理的过程作为为后续判定提醒时刻的依据之一,从而实现用户收到提醒信息时,预处理过程已经完成,而无需用户等待预处理过程完成,所以,能够进一步提高智能化程度。
从上述定义可以看出,将时间数据中的各个时刻,转换为时间段,进而将时间数据转换为时间特征向量。
以一条24时制的时间数据:12点(当前时刻)、12点(预设的提醒时刻)和8点(上一次执行待提醒事件的时刻)为例,得到的时间特征向量为[0、0、4]。
上述步骤采集到的每条时间数据均可得到一个时间特征向量。
位置特征向量的结构为:[当前时间段标识、当前时间段的位置信息、当前时间段的位置与预设的地点的距离、上一次执行待提醒事件的位置与当前时刻所在的位置的距离、运动速度]。
其中,当前时间段标识为位置数据中的当前时刻所属的时间段的标识。当前时间段的位置信息为当前时刻待提醒对象所在的位置的信息。当前时间段的位置与预设的地点的距离为,当前时刻待提醒对象所在的位置与预设的地点的距离,运动速度为待提醒对象的运动速度。
也就是说,上述步骤采集到的运动速度以时刻为维度,将一条位置数据中的时刻转换为时间段,也就将该条位置数据中的当前时刻待提醒对象所在的位置与预设的地点的距离和运动速度,对应到时间段,形成位置特征向量。
使用以下一条位置数据为例:当前时刻为12点,所在的位置的纬度为114.33、经度为30.35,当前时刻所在的位置离导航起点为15.1千米,离导航终点为10.9千米、上一次执行待提醒事件的位置与当前时刻所在的位置的距离为3千米、一小时内的平均车速为50公里/小时,最近两分钟内的平均车速为30公里/小时。
按照前述时间段划分方式,该条位置数据转换得到的位置特征向量为:[0、114.33、30.35、15.1、10.9、3、50、30]。
类似的,每一条位置数据均转换得到一个位置特征向量。需要说明的是,当前时刻所在的位置与预设的地点的距离、以及所述待提醒对象的运动速度,均为可选项,增加可选项的目的在于进一步提高提醒时刻的准确性,从而进一步提高提醒方法的智能化程度。
环境特征向量包括[当前时间段标识、温度、湿度、月份(指示季节)、天气状态]。其中,温度、湿度、月份(指示季节)和天气状态均可统称为环境特征,环境特征的具体内容,也不限定于上述各项。
当前时间段为任意一条环境数据中的当前时刻所属的时间段。温度和湿度为,该条环境数据中的温度和湿度,月份为当前所处的月份,天气状态为该条环境数据中的天气状态。
以一条环境数据包括:中午12点(当前时刻)、10度(当前时刻的温度)、98(当前时刻的湿度,百分制)、11月(当前所处的月份)和晴天为例,转换得到的一个环境特征向量为:[0、10、98、11、1(用于指示当前时刻为晴天)]。
类似的,每一条环境数据均转换得到一个环境特征向量。S102:计算时间特征向量与时间平均特征向量的距离、位置特征向量与位置平均特征向量的距离、环境特征向量与环境平均特征向量的距离、以及综合特征向量与综合平均特征向量的距离。
时间平均特征向量为多个目标时间特征向量的平均值,目标时间特征向量为:历史时间特征向量中,发出提醒信息的时刻对应的特征向量。其中,发出提醒信息的时刻对应的特征向量为,当前时间段标识为发出提醒信息的时刻所属的时间段的标识。可见,时间平均特征向量为指示历史提醒时刻的时间特征向量的均值。
类似的,位置平均特征向量为多个目标位置特征向量的平均值,目标位置特征向量为:历史位置特征向量中,发出提醒信息的时刻对应的特征向量。即,位置平均特征向量为指示历史提醒时刻的位置特征向量的均值。
环境平均特征向量为多个目标环境特征向量的平均值,目标环境特征向量为:历史环境特征向量中,发出提醒信息的时刻对应的特征向量。即,环境平均特征向量为指示所述历史提醒时刻的环境特征向量的均值。
需要说明的是,特征向量在被用于判定事件的提醒时间段之后,为历史特征向量(包括历史时间、位置和环境特征向量),在历史特征向量为空的情况下,历史特征向量的初始值可以依据经验设置,在出现被用于判定事件的提醒时刻的特征向量之后,将用于判定事件的提醒时刻的特征向量与初始值的均值,作为新的历史特征向量。
任意一个综合特征向量包括,当前时间段标识相同的时间特征向量、位置特征向量和环境特征向量。所以综合特征向量包括:[当前时间段标识、提醒时间段标识、距离上一次执行待提醒事件间隔的时间段的数量、当前时间段的位置信息、当前时间段的位置与预设的地点的距离、上一次执行待提醒事件的位置与当前时刻所在的位置的距离、运动速度、温度、湿度、月份(指示季节)、天气状态]。
综合平均特征向量为多个目标综合特征向量的平均值,目标平均特征向量为,历史综合特征向量中,发出提醒信息的时刻对应的特征向量。即,综合平均特征向量为指示所述历史提醒时刻的综合特征向量的均值。历史综合特征向量的初始值也可以依据经验设置。
需要说明的是,综合特征向量的距离为可选步骤,目的在于增加一个综合距离,提高判定结果的准确性。
可见,任意一个时间段,均对应四种距离。
可选的,可以将卡方距离(Chi-square measure)作为向量之间的距离。卡方距离利用列联表分析的方法得到一个卡方统计量来衡量两个向量之间的差异性,卡方统计量越大表明向量的选择对变量的取值有显著影响,即两个向量之间差异越大,计算公式为公式(1)。
其中,n是x、y的维度;xi是向量x的第i个纬度的取值,E(xi)是向量x在第i维上的期望值(平均值);yi是向量y的第i个纬度的取值,E(yi)是向量y在第i维上的期望值。
由于比较的其中一个向量y为平均特征向量,即yi=E(yi)=E(xi),所以卡方距离公式可简化为公式(2)。
卡方距离越小,说明特征向量的距离越小,即特征向量越接近。
可选的,还可以使用改进的卡方距离计算特征向量之间的距离。改进的卡方距离如式3所示:
其中,IG(xi)为xi对应特征子序列的信息增益。
信息增益是针对每个特征而言的,对于某一特征,包含它和不包含它时整体的信息熵的差值,就是这个特征给整体所带来的信息量。对于一个特征T,它的信息增益IG(T)的计算公式为公式(4)。
IG(T)=H(C)-H(C|T) (4)
其中,H(C)为类别C(本案中类别仅为提醒和不提醒两类)的熵;H(C|T)是特征为T时的,类别C的条件熵。假设类别C有n个不同取值C1,C2,C3,…,Cn,则H(C)的计算公式为公式(5)。
其中,P(Ci)为Ci出现的概率。根据条件概率公式可得H(C|T)的计算公式为公式(6)。
其中,P(t)为T出现的概率,为T不出现的概率,P(Ci|t)为特征T出现的情况下Ci出现的概率;/>为特征T不出现的情况下Ci出现的概率。
综上,特征T的信息增益计算公式为公式(7)。
对于本案中数据而言,样本类别只有提醒C1和不提醒C2两种,P(C1|t)、P(C2|t)分别为考虑该特征时提醒和不提醒的概率。同理,分别为不考虑该特征时提醒和不提醒的概率。
S103:依据距离,确定当前时刻发出事件提醒信息的可能性。
具体的,将距离输入预设的神经网络,得到神经网络输出的用于指示提醒或不提醒的概率的分类结果。
神经网络的结构示例如图2所示,包括4节点的输入层i1-i4、4节点的隐含层h1-h4、1节点的输出层o1。
需要说明的是,具有相同的当前时间段标识的特征向量与对应的平均向量的距离(假设当前时间段标识为0,则时间段标识为0的时间特征向量与时间平均特征向量对应,时间段标识为0的位置特征向量与位置平均特征向量对应,时间段标识为0的环境特征向量与环境平均特征向量对应,时间段标识为0的综合特征向量与综合平均特征向量对应)作为神经网络的输入,针对任一个当前时间段标识,能够得到分类结果,用于指示在具有该时间段标识的时间段,是否发出提醒信息的概率的分类结果。
可以理解的是,实现依据距离,确定当前时刻发出事件提醒信息的可能性的具体方式,除了使用神经网络之外,还可以采用现有的其它方式。
S104:响应于可能性大于预设阈值,发出事件提醒信息。
具体的,在任一个时间段的分类结果中的概率大于预设阈值(例如0.5)的情况下,确定在该时间段发出提醒信息,否则,确定在该时间段不发提醒信息。
图1所示的流程中,以时间、位置和环境为依据,使用预设的模型得到任意一个预设的时间段,发出提醒的概率,从而基于概率确定任意一个时间段是否发出事件的提醒。
与现有的预约提醒功能相比,具有以下有益效果:
1、除了设置提醒时间外,还结合多维度数据,综合判定是否发出提醒,因为当前时间、位置和环境均可能对用户执行提醒的事件产生影响,所以,依据多维度数据判定的结果,能够更加贴近用户的实际情况,所以,做出的提醒被用户响应而执行事件的可能性更大。从用户的角度而言,提醒方法更智能。
2、距离的计算中使用的平均特征向量,为历史特征向量,即被用于判定事件的提醒时间段的特征向量,所以,随着上述流程的执行,平均特征向量的准确性更好,所以,提醒的准确性越高,即提醒更加贴近用户的习惯。
下面将以车载饭盒为例,对图1所示的流程,进行更为详细的举例说明。
车载饭盒包括承载部件和饭盒,其中,承载部件设置在车内,用于放置饭盒,承载部件可以设置在驾驶室的中控台下。
承载部件的具体形态,例如可以为弹出式,可以参见现有技术,这里不做限定。承载部件和饭盒的连接关系,也可以参见现有技术。
饭盒上设置有与汽车的操作系统数据相连的接口。在饭盒放置入承载部件后,饭盒通过接口与汽车的操作系统数据相连。接口的具体形式以及功能实现,均可参见现有技术。
汽车的操作系统中,设置有事件的提醒装置,事件的提醒装置用于运行图1所示的事件的提醒方法,具体的,包括以下步骤:
S301:饭盒放入承载部件后,提示用户设置参数,参数包括输入时间段的设置规则、提醒时刻、热饭时长,可选的,还可以包括延迟提醒时长和上一次吃饭的时刻和位置信息。
具体的,可以在汽车的驾驶室内的屏幕显示交互界面,交互界面上显示需要设置的参数的默认值,用户可以确定默认值,也可以输入数值代替默认值。
其中,时间段的设置规则,具体可以包括:任意一个时间段的长度、标识为0的时间段的起始时刻。
热饭时长为在吃饭场景下特定的参数,目的在于,可以在加热完毕后,再提醒,从而节省用户等待加热的时间。
提醒时刻可以为接收到的时刻值,也可以为依据模糊信息确定的时刻值。具体的,用户可以在界面输入或确认时刻值作为提醒时刻,也可以在界面选择早饭、中饭或午饭,依据用户的选择以及预设的各个需选择项与时刻值的对应关系,确定提醒时刻。例如,用户选择的是中饭,则确定对应关系中与中饭对应的中午12点,为提醒时刻。
延迟提醒时长为再次提醒与上一次提醒的时间间隔。
需要说明的是,上一次吃饭的时刻,除了可以由用户输入外,还可以,将上一次提醒的时刻,作为上一次吃饭的时刻。用户输入的方式,适用于上一次提醒时刻,与当前时刻距离较长的情况。也就是说,如果从历史数据中查询到的上一次提醒的时刻距离当前时刻的较长,例如,当前时刻为上午10点,上一次提醒的时刻为昨天中午12点,则说明用户可能没有使用车载饭盒用餐,所以,可以提示用户输入上一次吃饭的时刻。
上一次吃饭的位置信息的获取方式,可以参见上一次吃饭的时刻的获取方式,不再赘述。
本实施例中,结合吃饭提醒场景,假设将任意一个时间段的长度设置为12分钟,标识为0的时间段的起始时刻为中午12点(24时制,后续简称为12点),每小时的标识差为1。
S302:采集时间数据、位置数据和环境数据。
结合车载场景,从汽车的操作系统采集当前时刻,结合上述步骤获取的提醒时刻、热饭时长和上一次吃饭的时刻,形成时间数据:当前时刻、预设的提醒时刻、热饭时长和上一次吃饭的时刻。
从汽车的操作系统采集当前位置信息,结合上述步骤获取的上一次吃饭的位置信息,以及再结合导航数据,形成位置数据:当前时刻、当前时刻司机(即车辆)所在的位置的信息、当前时刻所在的位置与预设的地点的距离、上一次执行待提醒事件的位置与当前时刻所在的位置的距离、和运动速度。
从汽车的操作系统采集当前的环境信息,形成环境数据:当前时刻、当前时刻的温度、湿度、季节(例如使用月份指示季节)和天气状态。
S303:将采集到的数据转换为特征向量。
接上例,12点采集的数据转换得到的特征向量为:
12点前的一个时间段的时间特征向量为[-0.2(时间段标识),0(默认提醒时间),19(距上次吃饭时间间隔段数),5(每次热饭时长分钟数)]。12点前的一个时间段的时间特征向量为[0(时间段标识),0(默认提醒时间),20(距上次吃饭时间间隔段数),5(每次热饭时长分钟数)]。
12点的位置特征向量为[0(时间段标识),114.33(纬度),30.35(经度),15.1(离导航起点的距离),10.9(离导航终点的距离),3.0(离服务站的距离),3.0(离最近的之前吃饭地点的距离),50.0(该时间段平均车速),30.0(最近2分钟平均车速)]。
12点的环境特征向量为[0(时间段标识),10(温度),98(湿度),11(月份),1(天气状况)]。
S304:计算时间特征向量与时间平均特征向量的距离、位置特征向量与位置平均特征向量的距离、环境特征向量与环境平均特征向量的距离、以及综合特征向量与综合平均特征向量的距离。
S305:将各个时段对应的距离输入预设的神经网络,得到神经网络输出的用于指示各个时间段提醒吃饭或不提醒吃饭的概率的分类结果。
S306:如果在任意一个时段的分类结果为吃饭且概率大于预设阈值,则在该时段提醒用户吃饭。
需要说明的是,因为时间特征向量中包括热饭的时长,所以,本实施例中,发出提醒信息时,饭已经热好,便利性和智能化程度更高。
还以车载饭盒为例,神经网络的训练过程为:
获取历史时间特征向量、历史位置特征向量和历史环境特征向量,具体的,各个历史特征向量的从采集到的历史数据转换得到,可参见图1所示的步骤。为各个历史特征向量做标注,具体的,标注可以作为历史特征向量的一部分,写入历史特征向量。
例如,历史时间特征向量为:[0(时间段标识),0(默认提醒时间),20(距上次吃饭时间间隔段数),5(每次热饭时长分钟数),1(标注数据,表示该时间段提醒吃饭)]。
历史位置特征向量和历史环境特征向量的标注类似,不再赘述。
计算各个距离,并使用距离训练神经网络。
与现有车载加热饭盒相比,本案的方法具有以下三个优点:
第一,本案具有其他车载加热饭盒所不具有的,提醒司机按时吃饭的功能。第二,本案提醒司机吃饭的功能会结合汽车的行驶状况和其他外部因素做出判断,并非单纯按照固定时间点来提醒。第三,本案的提醒方案会随着司机的使用次数增多,提供更加智能更加准确的提醒,更加符合该司机的用餐习惯。
需要说明的是,以上的车载盒饭仅为举例,类似的车载设备均可使用本申请实施例提供的事件的提醒方法。
本申请实施例公开的一种车载设备,包括:承载部件和容器。承载部件设置在车内,用于放置容器。容器上设置有可与汽车的操作系统数据相连的接口,用于在容器放置入承载部件后,容器与汽车的操作系统数据相连。汽车的操作系统中设置事件的提醒装置,用于运行本申请实施例所述的事件的提醒方法。
图4为本申请实施例公开的一种事件的提醒装置,包括:获取模块、计算模块、确定模块和提醒模块。
其中,获取模块用于获取特征向量,特征向量包括时间特征向量和位置特征向量,其中,任意一条时间特征向量用于指示当前时刻、预设的提醒时刻和当前时刻距离上一次执行待提醒事件的时长;任意一条位置特征向量用于指示当前时刻所在的位置的信息、以及上一次执行待提醒事件的位置与当前时刻所在的位置的距离。
计算模块用于计算距离,距离包括时间特征向量与预设的时间平均特征向量的距离,以及位置特征向量与预设的位置平均特征向量的距离,时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,位置平均特征向量为指示历史提醒时刻的位置特征向量的均值。
确定模块用于依据距离,确定当前时刻发出事件提醒信息的可能性。提醒模块用于响应于可能性大于预设阈值,发出事件提醒信息。
各个特征向量的具体含义和结构、距离的含义和计算方式,均可参见上述方法实施例,这里不再赘述。
可选的,确定模块用于依据距离,确定当前时刻发出事件提醒信息的可能性的具体实现方式为:将距离输入预设的神经网络模型,得到神经网络模型输出的分类结果,分类结果用于指示当前时刻发出或不发出提醒信息的概率。
本实施例所述的事件的提醒装置,能够提供智能化程度更高的提醒功能。
图5为本申请实施例公开的一种电子设备,包括存储器和处理器。存储器用于存储程序,处理器用于运行程序,以实现上述事件的提醒方法。存储器和和处理器可以通过通信总线进行通信。
本申请实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现上述事件的提醒方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该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设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种事件的提醒方法,其特征在于,包括:
获取特征向量,所述特征向量包括时间特征向量和位置特征向量,其中,任意一条所述时间特征向量用于指示当前时刻、预设的提醒时刻和所述当前时刻距离上一次执行待提醒事件的时长;任意一条所述位置特征向量用于指示所述当前时刻所在的位置的信息、以及上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
计算距离,所述距离包括所述时间特征向量与预设的时间平均特征向量的距离,以及所述位置特征向量与预设的位置平均特征向量的距离,所述时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,所述位置平均特征向量为指示所述历史提醒时刻的位置特征向量的均值;
依据所述距离,确定所述当前时刻发出事件提醒信息的可能性;
响应于所述可能性大于预设阈值,发出所述事件提醒信息。
2.根据权利要求1所述的方法,其特征在于,所述任意一条所述时间特征向量包括:
当前时间段标识、提醒时间段标识、以及距离上一次执行待提醒事件间隔的时间段的数量;
其中,所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识;所述提醒时间段标识为所述提醒时刻在所述预先划分的时间段中,所属的时间段的标识;所述距离上一次执行待提醒事件间隔的时间段的数量,为所述上一次执行待提醒事件在所述预先划分的时间段中,所属的时间段的标识,与所述当前时间段标识的差值。
3.根据权利要求2所述的方法,其特征在于,所述任意一条所述时间特征向量还包括:
所述待提醒事件的预处理所需的时长。
4.根据权利要求1所述的方法,其特征在于,所述任意一条位置特征向量包括:
当前时间段标识、当前时间段的位置信息、上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
其中,所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识;所述当前时间段的位置信息为所述当前时刻待提醒对象所在的位置的信息。
5.根据权利要求4所述的方法,其特征在于,所述任意一条所述位置特征向量还包括以下至少一项:
所述当前时刻所在的位置与预设的地点的距离、以及所述待提醒对象的运动速度。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述特征向量还包括:
环境特征向量,所述环境特征向量用于指示,所述当前时刻的环境特征;
任意一条所述环境特征向量包括当前时间段标识、所述当前时间段的所述环境特征;其中所述当前时间段标识为所述当前时刻在预先划分的时间段中,所属的时间段的标识。
7.根据权利要求6所述的方法,其特征在于,所述距离还包括:
所述环境特征向量与环境平均特征向量的距离,所述环境平均特征向量为指示所述历史提醒时刻的环境特征向量的均值。
8.根据权利要求6所述的方法,其特征在于,所述距离还包括:
综合特征向量与综合平均特征向量的距离,所述综合特征向量包括当前时间段标识相同的所述时间特征向量、所述位置特征向量和所述环境特征向量,所述综合平均特征向量为指示所述历史提醒时刻的所述综合特征向量的均值。
9.根据权利要求1所述的方法,其特征在于,依据所述距离,确定所述当前时刻发出事件提醒信息的可能性,包括:
将所述距离输入预设的神经网络模型,得到所述神经网络模型输出的分类结果,所述分类结果用于指示所述当前时刻发出或不发出所述提醒信息的概率。
10.一种事件的提醒装置,其特征在于,包括:
获取模块,用于获取特征向量,所述特征向量包括时间特征向量和位置特征向量,其中,任意一条所述时间特征向量用于指示当前时刻、预设的提醒时刻和所述当前时刻距离上一次执行待提醒事件的时长;任意一条所述位置特征向量用于指示所述当前时刻所在的位置的信息、以及上一次执行所述待提醒事件的位置与所述当前时刻所在的位置的距离;
计算模块,用于计算距离,所述距离包括所述时间特征向量与预设的时间平均特征向量的距离,以及所述位置特征向量与预设的位置平均特征向量的距离,所述时间平均特征向量为指示历史提醒时刻的时间特征向量的均值,所述位置平均特征向量为指示所述历史提醒时刻的位置特征向量的均值;
确定模块,用于依据所述距离,确定所述当前时刻发出事件提醒信息的可能性;
提醒模块,用于响应于所述可能性大于预设阈值,发出所述事件提醒信息。
11.一种电子设备,其特征在于,包括存储器和处理器;所述存储器用于存储程序,所述处理器用于运行所述程序,以实现权利要求1-9任一项所述的事件的提醒方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-9任一项所述的事件的提醒方法。
13.一种车载设备,其特征在于,包括:
承载部件和容器;
所述承载部件设置在车内,用于放置所述容器;
所述容器上设置有可与汽车的操作系统数据相连的接口,用于在所述容器放置入所述承载部件后,所述容器与所述汽车的操作系统数据相连;
所述汽车的操作系统中设置事件的提醒装置,用于运行权利要求1-9任一项所述的事件的提醒方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237182.XA CN111461200B (zh) | 2020-03-30 | 2020-03-30 | 一种事件的提醒方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237182.XA CN111461200B (zh) | 2020-03-30 | 2020-03-30 | 一种事件的提醒方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461200A CN111461200A (zh) | 2020-07-28 |
CN111461200B true CN111461200B (zh) | 2023-11-21 |
Family
ID=71681518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237182.XA Active CN111461200B (zh) | 2020-03-30 | 2020-03-30 | 一种事件的提醒方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461200B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380311B (zh) * | 2020-11-27 | 2024-04-02 | 上海评驾科技有限公司 | 一种基于行程轨迹的poi识别方法 |
CN113442691A (zh) * | 2021-06-18 | 2021-09-28 | 科大讯飞股份有限公司 | 智能车膜的控制方法、装置和存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235830B1 (en) * | 2014-08-19 | 2016-01-12 | Lenovo (Singapore) Pte. Ltd. | Establishing a reminder for an event in a calendar |
CN108510230A (zh) * | 2017-09-30 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种出行提醒方法、装置及电子设备 |
CN110095133A (zh) * | 2019-04-30 | 2019-08-06 | 广州小鹏汽车科技有限公司 | 路况提醒方法、装置、车辆、计算机设备及其存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9460608B2 (en) * | 2012-09-13 | 2016-10-04 | Apple Inc. | Reminder creation for tasks associated with a user event |
-
2020
- 2020-03-30 CN CN202010237182.XA patent/CN111461200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235830B1 (en) * | 2014-08-19 | 2016-01-12 | Lenovo (Singapore) Pte. Ltd. | Establishing a reminder for an event in a calendar |
CN108510230A (zh) * | 2017-09-30 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种出行提醒方法、装置及电子设备 |
CN110095133A (zh) * | 2019-04-30 | 2019-08-06 | 广州小鹏汽车科技有限公司 | 路况提醒方法、装置、车辆、计算机设备及其存储介质 |
Non-Patent Citations (2)
Title |
---|
王翔 ; 陈小鸿 ; 杨祥妹 ; .基于K最近邻算法的高速公路短时行程时间预测.中国公路学报.2015,(01),全文. * |
谢国琴 ; .基于位置和时间的特定信息传输.微型电脑应用.2006,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111461200A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
JP6568240B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
US20180204229A1 (en) | Method and system for generating delivery estimates | |
KR101994631B1 (ko) | 서비스의 공급을 관리하기 위한 시스템 및 방법 | |
CN109532722B (zh) | 一种车辆配件生命周期预警提醒系统 | |
CN107045797B (zh) | 信息处理方法及移动终端 | |
CN111461200B (zh) | 一种事件的提醒方法、装置、电子设备及计算机可读存储介质 | |
US20220260380A1 (en) | System and Method for Estimating and Predicting Vehicle Trip Energy Consumption | |
CN112549970A (zh) | 车辆续航里程预测方法、装置、车辆及存储介质 | |
CN102576473A (zh) | 燃油效率信息管理服务器、燃油效率信息管理系统以及燃费信息管理方法 | |
CN109760692A (zh) | 信息处理设备和信息处理方法 | |
US20150073933A1 (en) | Vehicle powertrain selector | |
Fotouhi et al. | Electric vehicle energy consumption estimation for a fleet management system | |
Liu et al. | A comparative study of driving performance in metropolitan regions using large-scale vehicle trajectory data: Implications for sustainable cities | |
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 | |
JP2012123518A (ja) | 車両情報管理サーバ、車両情報管理システムおよび車両情報管理方法 | |
CN114919461A (zh) | 电动汽车充电提醒方法、装置、电子设备及存储介质 | |
US10115246B1 (en) | Driver identification for trips associated with anonymous vehicle telematics data | |
US11587004B2 (en) | System and method for placement optimization of public electric vehicle charging stations using telematics data | |
CN204883815U (zh) | 车辆数据收集装置 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
Romano | Mathematical modelling of operating cycles for road vehicles | |
US20230131063A1 (en) | Systems and methods for providing distance based notifications for electric vehicles | |
CN111507753A (zh) | 信息推送方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |