CN112417204A - 一种基于实时路况的音乐推荐系统 - Google Patents
一种基于实时路况的音乐推荐系统 Download PDFInfo
- Publication number
- CN112417204A CN112417204A CN202011486162.2A CN202011486162A CN112417204A CN 112417204 A CN112417204 A CN 112417204A CN 202011486162 A CN202011486162 A CN 202011486162A CN 112417204 A CN112417204 A CN 112417204A
- Authority
- CN
- China
- Prior art keywords
- music
- information
- song
- scene
- driving
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000010365 information processing Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 41
- 230000001815 facial effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000002996 emotional effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 230000008921 facial expression Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于信息处理技术领域，提供了一种基于实时路况的音乐推荐系统，包括：信息获取模块，用于获取场景信息；信息处理模块，与信息获取模块连接，用于场景信息识别后将其分为具体的驾驶场景，并对音乐数据库中歌曲进行七维特征值的计算后进行标签分类；推荐曲目生成模块，用于标签分类后的音乐与驾驶场景的匹配，并推荐曲目进行播放；系统优化模块，用于驾驶场景和音乐匹配度的反馈；其中，通过信息获取模块获取场景信息，并生成播放标识，信息处理模块对音乐数据库中存储歌曲进行七维特征值的计算后进行标签分类，标签分类后的音乐与播放标识匹配。本发明优点：分析能力强，推荐匹配度高，实现了自动优化。
Description
技术领域
本发明属于信息处理技术领域，尤其涉及一种基于实时路况的音乐推荐系统。
背景技术
随着经济的发展，这些年来，汽车保留量不断增长，道路复杂程度不断增加，导致驾驶路况愈加复杂。与此同时，在音乐软件领域内，诸如QQ音乐，网易云音乐，酷狗音乐等音乐软件中都有着喜好推荐的功能，个性化音乐推荐服务愈发风靡。现实中，驾驶员在驾驶途中总会通过听音乐来消磨驾驶的枯燥，不可否认，音乐会对驾驶员在驾驶途中的行为以及心理产生影响，而且在不同的驾驶路况下不同的音乐产生的影响也是差异甚大。通常，在诸如雪，雨和雾之类的恶劣天气条件下，驾驶员的驾驶压力会急剧上升，驾驶疲劳程度也会剧增，此时，推荐一种与该路况相匹配的音乐来帮助驾驶员缓解压力和疲劳显然作用不小。具体流程为，首先采集该驾驶路况的数据，再通过预定格式转换成具体的驾驶场景在系统中与相对应的音乐类型相匹配，最后将该类型音乐推荐给用户。
现有技术中，在音乐推荐领域，根据方法的不同，传统的音乐推荐系统大概可以分为两类。一种是基于音乐内容，这种方法首先从用户喜欢的音乐中提取出各种特征，然后根据这些特征运用机器学习的方法判断用户的喜好偏爱；另一种是协同过滤，给客户推荐与客户本人相似的人喜好的歌。但是大多数的推荐系统并没有考虑用户当时所处的路况，推荐出来的音乐其实并不合理。
发明内容
本发明实施例的目的在于提供一种基于实时路况的音乐推荐系统，旨在解决推荐出来的音乐不合理的问题。
本发明是这样实现的，一种基于实时路况的音乐推荐系统，其特征在于，所述音乐推荐系统包括：
信息获取模块，用于获取场景信息；
信息处理模块，与信息获取模块连接，用于场景信息识别后将其分为具体的驾驶场景，并对音乐数据库中歌曲进行七维特征值的计算后进行标签分类；
推荐曲目生成模块，用于标签分类后的音乐与驾驶场景的匹配，并推荐曲目进行播放；
系统优化模块，用于驾驶场景和音乐匹配度的反馈；
其中，通过信息获取模块获取场景信息，并生成播放标识，信息处理模块对音乐数据库中存储歌曲进行七维特征值的计算后进行标签分类，标签分类后的音乐与播放标识匹配，并通过系统优化模块，反馈匹配度，系统自动优化进行匹配度进行提升。本发明优点：分析能力强，推荐匹配度高，实现了自动优化。
附图说明
图1为本发明实施例提供的一种基于实时路况的音乐推荐系统的结构示意图；
图2为本发明实施例提供的一种基于实时路况的音乐推荐系统中时间数据采集及识别的方法流程图；
图3为本发明实施例提供的一种基于实时路况的音乐推荐系统中天气和道路条件数据采集及识别的方法流程图；
图4为本发明实施例提供的一种基于实时路况的音乐推荐系统中驾驶场景分类的方法流程图；
图5为本发明实施例提供的一种基于实时路况的音乐推荐系统中音乐分类的方法流程图；
图6为本发明实施例提供的一种基于实时路况的音乐推荐系统中驾驶场景与音乐匹配的方法流程图；
图7为本发明实施例提供的一种基于实时路况的音乐推荐系统中优化模块反馈流程图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示，为本发明实施例提供的一种基于实时路况的音乐推荐系统的结构图，包括：
信息获取模块，用于获取场景信息；
信息处理模块，与信息获取模块连接，用于场景信息识别后将其分为具体的驾驶场景，并对音乐数据库中歌曲进行七维特征值的计算后进行标签分类；
推荐曲目生成模块，用于标签分类后的音乐与驾驶场景的匹配，并推荐曲目进行播放；
系统优化模块，用于驾驶场景和音乐匹配度的反馈；
其中，通过信息获取模块获取实时路况特征、驾驶员面部特征、用户听歌动态并与用户数据配合，并对实时路况特征、驾驶员面部特征、用户听歌动态并、用户数据进行识别，生成播放标识，信息处理模块对音乐数据库中存储歌曲进行七维特征值的计算后进行标签分类，标签分类后的音乐与播放标识匹配，并通过系统优化模块，反馈匹配度，系统自动优化进行匹配度提升。
在本发明实施例中，通过信息获取模块获取实时路况特征、驾驶员面部特征、用户听歌动态并与用户数据配合，并对实时路况特征、驾驶员面部特征、用户听歌动态与用户数据识别，生成播放标识，信息处理模块对存储歌曲进行七维特征值的计算后进行标签分类，标签分类后的音乐与播放标识匹配，并通过系统优化模块，反馈匹配度，系统自动优化并进行匹配度提升。并通过系统优化模块，反馈匹配度，系统自动优化并进行匹配度提升。从而可以不断的进行优化，持续升级，改善匹配程度，提高了系统匹配能力。
作为本发明的一种优选实施例，所述信息获取模块包括：
用户信息单元，用于采集用户在音乐平台的初始注册信息和听歌偏好；
路况采集单元，用于采集天气、时间、道路条件；
面部特征采集单元，用于采集表情、皮肤、瞳孔等面部特征；
听歌动态单元，用于采集用户收听一首歌曲的听歌时长以及对歌曲进行的收藏点赞等实时动态。
用于通过注册信息模块输入用户信息，可以对用户信息进行保存，生成不同的个人身份卡，通过选取不同的身份卡，可以适用不同的驾驶员，选取方便快捷。通过识别播放长度和点赞等情况，持续对系统进行优化，提高了推荐的匹配程度。
作为本发明的一种优选实施例，用户在音乐平台的初始注册信息包括：年龄、性别、职业、文化背景、驾驶经验、用户社交圈互动历史。听歌偏好根据用户经常听歌曲目的类别来确定。年龄、性别、职业、文化背景、驾驶经验的不同决定着音乐的偏好，例如，性别的不同喜爱的歌手不同，年龄的不同，喜欢歌曲的类型、发布时间也不同等，在此不做描述。
如图2所示，作为本发明的一种优选实施例，路况采集单元中天气获取方法：
采用地图软件上获取天气信息的方式；选择Android地图SDK模块，通过地图软件获取的位置信息，使用经纬度location字段发起天气检索和返回结果；获取当前车辆所处位置的天气信息。
采用从地图软件上获取天气信息的方式，考虑车载互联设备大部分基于Android系统，可通过Android Studio对车载设备进行开发。现阶段可以通过百度地图开放平台进行开发，选择其中的Android地图SDK模块，可通过从百度地图获取的位置信息，使用经纬度location字段发起天气检索和返回结果从而获取当前车辆所处位置的天气信息。
如图3所示，时间获取方法：通过车载网络，从互联网上获取时间，采用24小时制。当时间处于6.00-18.00时结果计为y＝1，时间处于18.00-早上6.00时结果计为y＝0。通过车辆上的光线传感器，记录当前光线强。利用白天和晚上光线的阈值，当光线处于阈值之下时x＝0，处于阈值之上时x＝1。
如图3所示，识别道路条件所需位置信息获取方法包括：
预先通过Android studio平台对车载互联网进行开发，从百度地图的开发平台进行地理位置信息进行检索。
用户登陆，后台载入地图软件。
发起检索，通过地图定位服务获得反馈的地理位置信息。
面部特征采集方法包括：
面部状态的识别则是通过摄像头来获取不同状态下的人脸图像、检测表情、皮肤、瞳孔等面部特征，利用matlab对其进行仿真模拟计算，再结合用户本身的信息，与人脸数据库相对比，得到用户在特定音乐的作用下的一个情绪状态。
作为本发明的一种优选实施例，所述信息处理模块包括：
驾驶场景分类单元，用于根据采集到的实时路况信息对驾驶场景进行分类。对路况进行识别分为天气、时间和道路条件。天气分为：晴天、雨天、阴天(雾天)；时间：白天、晚上；道路条件：乡村、城市(细分为不拥堵、拥堵I级、拥堵II级、拥堵III级)、高速。
音乐分类单元，结合音乐数据库中的海量音乐轨道和其中已给的标签建立一套音乐特征提取方法，即七维特征值计算，对于任意一首歌曲可以迅速判断其所属标签。
所述驾驶场景分类包括：所述路况识别单元用于在驾驶过程中，记录驾驶员驾驶时的前方路况，实时天气，具体时间，具体位置。通过将采集的路况信息转换成预定格式来生成转换数据，经处理器分析处理后传送到驾驶场景单元进行匹配分类。所述驾驶场景单元的分类应包括四个因素：时间，天气，场地，环境。
作为本发明的另一种优选实施例，上述过程可通过一种包含由处理器执行的程序指令的非暂时性计算机可读介质来实现，所述计算机可读介质应包括：
收集全面的驾驶路况信息，天气位置信息以便确定驾驶者的驾驶环境的程序指令；
通过将收集的驾驶路况信息，天气位置信息转换成预定格式并能生成转换数据的程序指令；
将转换数据依次按照时间因素，天气因素，场地因素，环境因素的的模式划分标准进行分类的程序指令；
将分类后的转换数据按照不同类别归类汇总以便之后具体的场景单元调用匹配的程序指令；
作为本发明的另一种优选实施例，四个因素的具体模式分别为：
时间因素Ai＝{ai|i≤P,i∈N+}；例如a1＝白天，a2＝夜晚......
天气因素Bj＝{bj|j≤O,j∈N+}；例如b1＝晴，b2＝雨，b3＝雾，b4＝雪......
场地因素Ck＝{ck|k≤N,k∈N+}；例如c1＝乡村，c2＝城市，c3＝高速......
环境因素Dz＝{dz|z≤M,z∈N+}；例如d1＝不拥堵，d2＝拥堵I级，d3＝拥堵II级，d4＝拥堵III级……；
场景单元的模式可具体为：Ux＝{ux|x≤H,x∈N+}；
由上所述，场景单元与四个因素之间相互对应的关系可表示为：Ux＝AiΙBjΙCkΙDz；
由此，驾驶场景单元的种类由时间因素，天气因素，场地因素，环境因素共同决定，种类总量是四个因素的元素数之积，即H＝P×O×M×N；
其中，H代表场景单元的总种类，P代表时间因素的元素数，O代表天气因素的元素数，N代表场地因素的元素数，M代表环境因素的元素数。
每一种场景模式对应于某一类推荐音乐，例如，当白天、晴天、乡村道路、极不拥堵，可以推荐节奏轻快的音乐，以使人精神愉悦，注意力集中；当白天、雨天、城市道路、重度拥堵，可以推荐节奏轻缓的音乐，以使人精神放松，抚平焦虑；当夜晚、雨天、高速道路、极不拥堵，可以推荐庄严肃穆的音乐，以使人振奋精神，排遣睡意......
场景分类所用到的路况识别方法为：
天气条件判断：每隔10分钟发起一次检索，以确认当前天气是否发生变化。
时间判断：判断条件，仅x＝0且y＝0时判断时间为晚上，其余条件下均判断为白天。
道路条件中位置识别方法：
把获得的地理位置信息导入《全国高速公路电子地图》，通过图像处理技术，计算地图上当前车辆定位的与周围最近的高速公路的距离L，当L<＝设定的阈值时，判断当前车辆处于“高速路况”，L>阈值时，判断车辆未处于“高速路况”
对从百度地图开放平台获取的中国地图，添加地图覆盖物，例如附图。以区分城区和乡村区域，红线范围内的区域定义为“城区”，以外定义为“乡村”。处理后获得的地图称之为《城区——乡村地图》。
判断后，L>阈值时，把获得的地理位置信息导入《城区——乡村地图》，当获得的点位于“城区”范围时，判断为当前车辆处于“城市道路”：位于“城区”以外时，判断为当前车辆处于“乡村道路”。
道路条件中城市道路分级方法为：
判断为城市道路时，车载设备启动百度地图app，并启动导航功能，以便获取当前车辆所处道路交通情况。
车载设备自动截取当期地图导航的图片，获得的图片导入设定好的图片处理单元。图片中道路信息通过不同的颜色表示。绿色——不拥堵、橙色——拥堵Ⅰ级、红色——拥堵Ⅱ级、深红色——拥堵Ⅲ级。
通过图像采集、图像处理、图像识别对图片进行处理，以获取当前的道路交通情况。
所述音乐分类方法为：
为减少描述大数据集所需的数据量，国际上主要采用三个特征集进行特征提取，包括音高，节拍和音色纹理。对得到的43维特征向量按粒子群优化算法(PSO)选择具有适应度函数的特征，最终得到相关度最小的七个维度包括音高强度、音高标准差、谱对比度均值、谱对比度标准差、音量标准差、第二梅尔频率倒谱系数标准差和过零率均值。
提取音乐数据库Million Song Dataset中的Last.fm的音乐轨道特征，对每首歌曲七个维度的特征值按对应公式进行计算。例如
其中x为音乐维度。则一首歌可由Si＝{Fi|i＝1,2,3，4,5,6,7}量化表示，其中，Fi表示第i个特征值，Fi∈(0,1)。
已给定的标签中如“relax”和“relaxing”，“good”、“nice”和“great”含义相似，对于这种情况应合并相似度大的标签，以增加音乐分类的准确性。将数据库中的标签列表所列举的标签(如摇滚、电音、古典、70年代、喜悦、悲伤、放松等)按照相似度公式
进行计算，其中Same函数为两个标签关联的相同音乐的数量，|Ti,m|和Tj,n|为标签对应的关联音乐的数量，求和内部的分式为衡量两个标签的相似度的方法，用标签关联的相同音乐数量的百分比乘积确定。利用词的同现关系衡量标签之间的相似度，得到相似度矩阵，将其按行或按列进行归一化处理，然后利用谱聚类的方法进行聚类。最后得到归一化处理后的标签集，其中一个标签中含有多个音乐轨道，可表示为Ti＝{Si|i＝1,2,3...}，则可以得到第i个标签下的七维特征向量，其在七维空间中构成一个数据点集合，可以知道大多数点都聚集在某个几何空间中，剔除某些距离集群中心比较远的异常点。
对于任意一首歌，在进入系统时，判断他是否属于数据库中的歌曲，若属于则可以直接定位到该首歌曲所属标签，如不属于则截取最能体现该歌曲特征的30s片段，对此片段进行七维特征值计算，若其七维特征向量表示的空间点属于某个标签代表的几何空间，则说明该片段所代表的歌曲属于该标签。由于标签所代表的几何空间可能出现重叠，故一首歌曲可携带多个标签，例如陈奕迅的《十年》属于流行、抒情、90年代、港澳歌曲等。
刚开始播放一段时间内系统可根据实时路况和驾驶员听歌偏好随机播放数据库中的对应标签的歌曲，播放歌曲S1时系统按照顺序对S1后的歌曲S2,S3...Sn进行分类，确保根据实时路况进行推荐前完成对歌曲的处理。
所述推荐曲目生成模块包括：
匹配单元，用于通过实验法，主观调查等方法将不同标签的音乐与特定的驾驶场景相匹配。
播放单元，用于用户通过可视化界面对音乐进行操作。
所述音乐与驾驶场景匹配方法包括：
根据采集到的路况信息与已经分好类的驾驶场景进行匹配，确定车辆当前所处的驾驶场景，然后通过处理器把该场景对应标签的音乐推荐给驾驶员。
对于不同驾驶场景应该推荐什么样的歌曲，本单元有以下几种方法：
通过进行实验，招募多位志愿者，设定多个典型的不同的驾驶场景检测志愿者的情绪状态和生理信号，通过大量统计，得到一个确切的实验结论，可用于完善数据库。
通过问卷调查，收集得到人们对于不同驾驶场景应推荐何种类型歌曲的主观倾向结果。
通过车联网技术，采集大数据库里的相关信息，提取和分析哪种驾驶场景和哪种音乐更加匹配。
对于以上三种方法1、3应为主，2作为辅助补充方法，实验结果和大数据分析的可靠程度应较问卷调查更高。
当然在一些典型情况下，某些驾驶场景和音乐的匹配是具有共识的。
比如，在白天天气晴朗的乡村道路上，驾驶员会适合收听轻柔舒缓的歌曲，这样会使驾驶员身心更加惬意舒适，心情轻松愉悦。
在清新的早晨行驶在城市道路上，适合收听轻松愉快的流行乐，可以让驾驶员头脑保持清醒。
在优美的黄昏中下班的驾驶员行驶在城市道路上，一些节奏轻快，旋律轻松的歌曲可能更为合适，可以使驾驶员把工作的烦恼，生活的压力通通抛却，迎接接下来的浪漫时光。
当驾驶员行驶在小雨淅淅的林荫小道，此时较为合适的歌曲应为小清新，舒爽风格的，会给驾驶员带来一种完全不同的驾驶感受。
需要注意的点是很可能一种驾驶场景对应的并不是仅仅一种标签的歌曲，我们需要考虑一种驾驶场景可以匹配多种标签的歌曲，或者一种标签的歌曲可能适合多种驾驶场景。
本单元提供的只是一种通用方法，对于不太典型，驾驶次数较少的驾驶场景匹配的歌曲并不完全适配，因此需要不断完善数据库，优化系统。
但是，音乐推荐并不适用于任何路况场景下，在人多车杂的闹市区或者车速较快的高速路上，播放音乐会分散驾驶员的注意力，使得驾驶员对于突发事件的反应和处理能力都会有不同程度的下降。
本音乐推荐系统并不是仅指识别路况后推荐音乐，同时可以控制音量大小和音乐的播放。
本单元中处理器处理的任务就包括把路况采集设备的信息提取分析，在音乐数据库中搜寻某些特定的标签，依照事先采集到的音乐与场景的匹配关系把那些特定标签的音乐匹配到相应的驾驶场景中。
同时处理器还具有反馈完善单元，音乐与场景的匹配数据库通过前文提到的各种方法加以补充和完善，以期获得更高的音乐与场景适配度。
如果之前能获取驾驶员在各音乐平台的注册信息，可以根据驾驶员的年龄、性别、职业以及偏好的歌曲进行初步的音乐标签的选择，如果在某些驾驶路况驾驶员偏好的歌曲正好与之适配，那就优先推荐此类的歌曲，若并不适配则再选择与驾驶场景适配的歌曲。
所述音乐播放器可以进行如下操作，如将经选择后的歌曲进行播放、关闭音乐、音量大小调节、切换、收藏歌曲等。
所述系统优化模块包括：
用户数据反馈单元，用于结合用户听歌动态和驾驶员面部表情判断当前驾驶环境用户对所播放歌曲的喜好程度，提高用户对优先基于实时路况推荐的音乐的满意度。
驾驶场景和音乐匹配度反馈单元，基于驾驶员面部特征所识别出的用户的疲劳程度、分心程度和情绪状态可以反映场景和音乐的匹配度，此反馈信息用于得到更能满足实时路况的歌曲。
获取用户数据反馈方法：
根据通过路况采集单元与音乐数据库配合所得到的一个的音乐系统，与用户初始填写信息，如：年龄，性别，喜好相匹配，综合考量信息，构造出决策树分类模型，根据“最能符合路况需求以及用户信息”的准则来初步筛选出符合具体路况的音乐推荐曲目，而该推荐曲目由于综合了用户和路况两者信息，所以能够较为有效地解决音乐推荐的冷启动问题。
之后在行驶过程中，可通过观测用户在听歌过程中的听歌次数，听歌曲目时间，以及用户的面部状态，建立神经网络模型，通过实时采集数据实现用户音乐行为数据和面部状态的多源信息融合，对音乐推荐系统进行反馈，再根据特定标准构建一个个性化的音乐特征体系。
具体地，首先是通过观测实时路况，得到一个符合该路况的推荐曲目，之后再利用决策树模型初步排除掉一些不符合用户该年龄段，性别，喜好的音乐曲目，得到一个既能满足路况需求又能与用户个人信息相适配的推荐曲目。
而在经历一段时间的驾驶过程中，可通过中央处理器来采集用户的行为数据，搜集每一首推荐曲目的听歌次数，听歌曲目时间等。
再将所得的情绪状态与设定的理想情绪状态相比较，并结合用户音乐行为数据，以此建立卷积神经网络模型。通过分析在特定音乐下情绪状态，行为数据，并将其进行多源信息融合，对每一种数据都赋予它相对应的权重，利用加权矩阵算法来对数据进行进一步的计算整理。
对于不符合预期的理想状态的音乐曲目进行删改，对于表现优秀的音乐曲目则增加其循环播放次数等。通过不断地重复上述其过程，对推荐曲目进行优化，直到能保证在该音乐推荐系统中，用户在行车过程中能够处于一个理想化的情绪状态。
驾驶场景和音乐匹配度反馈方法：通过以上面部识别方法来识别来判断用户的疲劳程度，分心程度，并对此分级。
再通过实验法，主观调查等方法将不同标签的音乐与特定的驾驶场景相匹配，获取匹配的推荐曲目后，再结合驾驶员的疲劳程度，分心程度，对每一首推荐曲目逐一评级，设定一级疲劳分心程度，二级疲劳分心程度，三级疲劳分心程度，程度越高，疲劳分心的表现就越明显。
在推荐曲目的播放下，当疲劳分心大于三级时，则说明该曲目不适宜在该场景下播放，即该场景和该音乐匹配度很低，此时则去除该曲目，小于三级则说明匹配度良好，通过不断循环该过程，逐一去除低匹配度的音乐，从而获得更能满足实时路况的歌曲。
如上所述，根据本发明的示例性实施例，可以提供适合于实时路况的音乐，因此可以更有效地提高不同场景下音乐播放的匹配度及改善驾驶员的驾驶状态。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于实时路况的音乐推荐系统，其特征在于，所述音乐推荐系统包括：
信息获取模块，用于获取场景信息；
信息处理模块，与信息获取模块连接，用于场景信息识别后将其分为具体的驾驶场景，并对音乐数据库中歌曲进行七维特征值的计算后进行标签分类；
推荐曲目生成模块，用于标签分类后的音乐与驾驶场景的匹配，并推荐曲目进行播放；
系统优化模块，用于驾驶场景和音乐匹配度的反馈；
其中，通过信息获取模块获取场景信息，并生成播放标识，信息处理模块对音乐数据库中存储歌曲进行七维特征值的计算后进行标签分类，标签分类后的音乐与播放标识匹配，并通过系统优化模块，反馈匹配度，系统自动优化进行匹配度进行提升。
2.根据权利要求1所述的一种基于实时路况的音乐推荐系统，其特征在于，所述信息获取模块包括：
用户信息单元，用于采集用户在音乐平台的初始注册信息和听歌偏好；
路况采集单元，用于采集天气、时间、道路条件；
面部特征采集单元，用于采集表情、皮肤、瞳孔等面部特征；
听歌动态单元，用于采集用户收听一首歌曲的听歌时长以及对歌曲进行的收藏点赞等实时动态。
3.根据权利要求2所述的一种基于实时路况的音乐推荐系统，其特征在于，面部特征采集单元包括：
通过摄像头来获取不同状态下的人脸图像、检测表情、皮肤、瞳孔面部特征；
利用matlab进行仿真模拟计算，再结合用户信息单元信息，与人脸数据库相对比，得到用户在特定音乐的作用下的一个情绪状态。
4.根据权利要求1所述的一种基于实时路况的音乐推荐系统，其特征在于，所述信息处理模块包括：
驾驶场景分类单元，用于根据采集到的实时路况信息对驾驶场景进行分类；
音乐分类单元，通过七维特征值计算提取音乐数据库中音乐并判断其所属标签，进行分类。
5.根据权利要求4所述的一种基于实时路况的音乐推荐系统，其特征在于，所述驾驶场景分类包括：
记录驾驶员驾驶时的前方路况、实时天气、具体时间、具体位置；
通过将采集的路况信息转换成预定格式来生成转换数据，经分析处理后传送到驾驶场景单元进行匹配分类；
所述驾驶场景单元的分类包括四个因素：时间，天气，场地，环境。
6.根据权利要求5所述的一种基于实时路况的音乐推荐系统，其特征在于，所述驾驶场景分类通过计算机可读介质来实现，所述计算机可读介质应包括：
收集驾驶路况信息，天气位置信息以便确定驾驶者的驾驶环境的程序指令；
通过将收集的驾驶路况信息，天气位置信息转换成预定格式并依次按照时间因素、天气因素、场地因素、环境因素的四因素模式划分进行分类的程序指令；
将分类后的转换数据按照不同类别归类汇总。
7.根据权利要求6所述的一种基于实时路况的音乐推荐系统，其特征在于，所述四因素模式为：
时间因素Ai＝{ai|i≤P,i∈N+}；
天气因素Bj＝{bj|j≤O,j∈N+}；
场地因素Ck＝{ck|k≤N,k∈N+}；
环境因素Dz＝{dz|z≤M,z∈N+}；
场景单元的模式具体为：Ux＝{ux|x≤H,x∈N+}；
场景单元与四个因素之间相互对应的关系可表示为：Ux＝AiΙBjΙCkΙDz；
由此，驾驶场景单元的种类由时间因素，天气因素，场地因素，环境因素共同决定，种类总量是四个因素的元素数之积，即H＝P×O×M×N；
其中，H代表场景单元的总种类，P代表时间因素的元素数，O代表天气因素的元素数，N代表场地因素的元素数，M代表环境因素的元素数。
8.根据权利要求2所述的一种基于实时路况的音乐推荐系统，其特征在于，道路条件中位置识别方法：
把获得的地理位置信息导入地图软件，通过图像处理技术，计算地图上当前车辆定位的与周围最近的高速公路的距离L；
当L≤设定的阈值时，判断当前车辆处于“高速路况”；
L>阈值时，判断车辆未处于“高速路况”
对从地图软件开放平台获取的地图，添加地图覆盖物；
区分城区和乡村区域，并获得城区——乡村地图；
判断后，L>阈值时，把获得的地理位置信息导入城区——乡村地图，当获得的点位于“城区”范围时，判断为当前车辆处于“城市道路”，位于“城区”以外时，判断为当前车辆处于“乡村道路”。
9.根据权利要求2所述的一种基于实时路况的音乐推荐系统，其特征在于，所述系统优化模块包括：
用户数据反馈单元，用于结合用户听歌动态和驾驶员面部表情判断当前驾驶环境用户对所播放歌曲的喜好程度，提高用户对优先基于实时路况推荐的音乐的满意度；
驾驶场景和音乐匹配度反馈单元，基于驾驶员面部特征所识别出的用户的疲劳程度、分心程度和情绪状态反映场景和音乐的匹配度，此反馈信息用于得到更能满足实时路况的歌曲。
10.根据权利要求4所述的一种基于实时路况的音乐推荐系统，其特征在于，所述所述音乐分类单元分类方法为：
对歌曲进行分析，得到的43维特征向量，按粒子群优化算法(PSO)选择具有适应度函数的特征，最终得到相关度最小的七个维度；
提取音乐数据库中的Last.fm的音乐轨道特征，对每首歌曲七个维度的特征值按对应公式进行计算；
将数据库中的标签列表所列举的标签按照相似度公式
进行计算；
其中，Same函数为两个标签关联的相同音乐的数量，|Ti,m|和|Tj,n|为标签对应的关联音乐的数量；
利用歌词的同现关系衡量标签之间的相似度，得到相似度矩阵，将其按行或按列进行归一化处理，然后利用谱聚类的方法进行聚类；
最后得到归一化处理后的标签集，其中一个标签中含有多个音乐轨道，表示为Ti＝{Si|i＝1,2,3...}，则得到第i个标签下的七维特征向量，其在七维空间中构成数据点集合，知道大多数点都聚集在某个几何空间中，剔除某些距离集群中心比较远的异常点；
对于任意一首歌，在进入系统时，判断其.是否属于数据库中的歌曲，若属于则直接定位到该首歌曲所属标签，如不属于则截取最能体现该歌曲特征的30s片段，对此片段进行七维特征值计算，若其七维特征向量表示的空间点属于某个标签代表的几何空间，则说明该片段所代表的歌曲属于该标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486162.2A CN112417204B (zh) | 2020-12-16 | 2020-12-16 | 一种基于实时路况的音乐推荐系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486162.2A CN112417204B (zh) | 2020-12-16 | 2020-12-16 | 一种基于实时路况的音乐推荐系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112417204A true CN112417204A (zh) | 2021-02-26 |
| CN112417204B CN112417204B (zh) | 2024-02-13 |
Family
ID=74775966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011486162.2A Active CN112417204B (zh) | 2020-12-16 | 2020-12-16 | 一种基于实时路况的音乐推荐系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417204B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113127675A (zh) * | 2021-04-16 | 2021-07-16 | 北京京东拓先科技有限公司 | 一种内容播放方法和系统 |
| CN114117115A (zh) * | 2022-01-25 | 2022-03-01 | 深圳市云动创想科技有限公司 | 多端联动的智能播放方法、装置、存储介质以及电子设备 |
| CN114390071A (zh) * | 2021-12-02 | 2022-04-22 | 阿波罗智联(北京)科技有限公司 | 多媒体数据的推送方法、装置、电子设备及可读存储介质 |
| CN114740751A (zh) * | 2022-06-15 | 2022-07-12 | 新缪斯(深圳)音乐科技产业发展有限公司 | 基于人工智能的音乐场景识别方法及系统 |
| CN116401401A (zh) * | 2023-05-26 | 2023-07-07 | 深圳市致尚信息技术有限公司 | 智能k歌系统基于用户喜好的歌曲推荐方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286242A (zh) * | 2008-04-23 | 2008-10-15 | 交通部公路科学研究所 | Gps定位信息和电子地图收费路段匹配的方法 |
| CN102486379A (zh) * | 2010-12-02 | 2012-06-06 | 上海博泰悦臻电子设备制造有限公司 | 一种导航地图处理方法及装置 |
| CN102543127A (zh) * | 2010-12-30 | 2012-07-04 | 上海博泰悦臻电子设备制造有限公司 | 车载音乐的播放方法及其播放装置 |
| US20160125076A1 (en) * | 2014-10-30 | 2016-05-05 | Hyundai Motor Company | Music recommendation system for vehicle and method thereof |
| CN105702270A (zh) * | 2014-11-27 | 2016-06-22 | 深圳市腾讯计算机系统有限公司 | 音乐播放方法和装置 |
| CN106649502A (zh) * | 2016-10-12 | 2017-05-10 | 卡桑德电子科技（扬州）有限公司 | 一种主动推送服务和功能的智能车载多媒体系统及方法 |
| CN107800793A (zh) * | 2017-10-27 | 2018-03-13 | 江苏大学 | 车联网环境下行车音乐主动推送系统 |
| CN109446375A (zh) * | 2018-10-29 | 2019-03-08 | 广州小鹏汽车科技有限公司 | 应用于车辆的自适应音乐播放方法及系统 |
| CN109885719A (zh) * | 2019-01-24 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种歌曲推荐方法、系统、终端及存储介质 |
| CN110008371A (zh) * | 2019-04-16 | 2019-07-12 | 张怡卓 | 一种基于人脸表情识别的个性化音乐推荐方法及系统 |
| CN110134822A (zh) * | 2019-05-10 | 2019-08-16 | 一汽轿车股份有限公司 | 车载音乐推荐方法和推荐系统 |
-
2020
- 2020-12-16 CN CN202011486162.2A patent/CN112417204B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286242A (zh) * | 2008-04-23 | 2008-10-15 | 交通部公路科学研究所 | Gps定位信息和电子地图收费路段匹配的方法 |
| CN102486379A (zh) * | 2010-12-02 | 2012-06-06 | 上海博泰悦臻电子设备制造有限公司 | 一种导航地图处理方法及装置 |
| CN102543127A (zh) * | 2010-12-30 | 2012-07-04 | 上海博泰悦臻电子设备制造有限公司 | 车载音乐的播放方法及其播放装置 |
| US20160125076A1 (en) * | 2014-10-30 | 2016-05-05 | Hyundai Motor Company | Music recommendation system for vehicle and method thereof |
| CN105702270A (zh) * | 2014-11-27 | 2016-06-22 | 深圳市腾讯计算机系统有限公司 | 音乐播放方法和装置 |
| CN106649502A (zh) * | 2016-10-12 | 2017-05-10 | 卡桑德电子科技（扬州）有限公司 | 一种主动推送服务和功能的智能车载多媒体系统及方法 |
| CN107800793A (zh) * | 2017-10-27 | 2018-03-13 | 江苏大学 | 车联网环境下行车音乐主动推送系统 |
| CN109446375A (zh) * | 2018-10-29 | 2019-03-08 | 广州小鹏汽车科技有限公司 | 应用于车辆的自适应音乐播放方法及系统 |
| CN109885719A (zh) * | 2019-01-24 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种歌曲推荐方法、系统、终端及存储介质 |
| CN110008371A (zh) * | 2019-04-16 | 2019-07-12 | 张怡卓 | 一种基于人脸表情识别的个性化音乐推荐方法及系统 |
| CN110134822A (zh) * | 2019-05-10 | 2019-08-16 | 一汽轿车股份有限公司 | 车载音乐推荐方法和推荐系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘帅，刘婵娟: "音乐推荐系统综述", 广州大学学报（自然科学版）, vol. 19, no. 5, pages 36 - 46 * |
| 潘方依, 基于需求分析的汽车共享车载音乐系统设计研究, pages 1 - 80 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113127675A (zh) * | 2021-04-16 | 2021-07-16 | 北京京东拓先科技有限公司 | 一种内容播放方法和系统 |
| CN114390071A (zh) * | 2021-12-02 | 2022-04-22 | 阿波罗智联(北京)科技有限公司 | 多媒体数据的推送方法、装置、电子设备及可读存储介质 |
| CN114117115A (zh) * | 2022-01-25 | 2022-03-01 | 深圳市云动创想科技有限公司 | 多端联动的智能播放方法、装置、存储介质以及电子设备 |
| CN114117115B (zh) * | 2022-01-25 | 2022-09-09 | 深圳市云动创想科技有限公司 | 多端联动的智能播放方法、装置、存储介质以及电子设备 |
| CN114740751A (zh) * | 2022-06-15 | 2022-07-12 | 新缪斯(深圳)音乐科技产业发展有限公司 | 基于人工智能的音乐场景识别方法及系统 |
| CN114740751B (zh) * | 2022-06-15 | 2022-09-02 | 新缪斯(深圳)音乐科技产业发展有限公司 | 基于人工智能的音乐场景识别方法及系统 |
| CN116401401A (zh) * | 2023-05-26 | 2023-07-07 | 深圳市致尚信息技术有限公司 | 智能k歌系统基于用户喜好的歌曲推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112417204B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417204B (zh) | 一种基于实时路况的音乐推荐系统 | |
| WO2020238631A1 (zh) | 一种基于手机信令数据的人群类型识别方法 | |
| CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
| CN104268599B (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
| CN109376603A (zh) | 一种视频识别方法、装置、计算机设备及存储介质 | |
| CN111212303B (zh) | 视频推荐方法、服务器和计算机可读存储介质 | |
| CN106649502A (zh) | 一种主动推送服务和功能的智能车载多媒体系统及方法 | |
| CN109376610B (zh) | 视频监控中基于图像概念网络的行人不安全行为检测方法 | |
| CN112598438A (zh) | 一种基于大规模用户画像的户外广告推荐系统及方法 | |
| CN110353673A (zh) | 一种基于标准互信息的脑电通道选择方法 | |
| CN112287241B (zh) | 旅游推荐方法及系统 | |
| CN114444941A (zh) | 一种基于多源大数据的老龄友好街道建成环境审计系统 | |
| CN113435924A (zh) | 一种voc车主云大数据平台 | |
| CN117933512B (zh) | 下车点推荐方法、装置、计算机设备和存储介质 | |
| Yue et al. | A visualized soundscape prediction model for design processes in urban parks | |
| CN109101568A (zh) | 基于XgBoost算法的交通高危人员识别方法 | |
| CN113792116B (zh) | 基于搜索词语义多垂域多意图分层判定方法和系统 | |
| CN109063751A (zh) | 基于梯度提升决策树算法的交通高危人员识别方法 | |
| Hu et al. | A data-fusion based method for identifying individual passenger travel dependence on public transportation | |
| CN117909575B (zh) | 一种历史城区旅游景点的数字化推荐方法及系统 | |
| CN114638322B (zh) | 开放场景下基于给定描述的全自动目标检测系统和方法 | |
| TW202320551A (zh) | 基於影像辨識及情境狀態之音樂推薦系統與方法 | |
| CN117274886B (zh) | 一种现状停车供需资源关系的数据分析方法 | |
| CN115096324B (zh) | 路线推荐方法及相关装置、车机、车辆和存储介质 | |
| CN118568365B (zh) | 一种基于lbs旅游线路定点互动的方法 |
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 |