CN116409328A - 用户类型的识别方法、电子设备及可读存储介质 - Google Patents
用户类型的识别方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116409328A CN116409328A CN202111676076.2A CN202111676076A CN116409328A CN 116409328 A CN116409328 A CN 116409328A CN 202111676076 A CN202111676076 A CN 202111676076A CN 116409328 A CN116409328 A CN 116409328A
- Authority
- CN
- China
- Prior art keywords
- driving
- data
- user
- type
- analyzed
- 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 52
- 230000002354 daily effect Effects 0.000 claims abstract description 38
- 230000003203 everyday effect Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- 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
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Traffic Control Systems (AREA)
- General Physics & Mathematics (AREA)
Abstract
本公开实施例提供了一种用户类型的识别方法、电子设备及可读存储介质。所述方法包括:获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;通过预设的识别模型对所述待分析数据进行分析,得到用户的类型。
Description
技术领域
本公开实施例涉及数据处理技术领域,更具体地,本公开实施例涉及一种用户类型的识别方法、电子设备及可读存储介质。
背景技术
随着新能源车辆的日渐普及,用户的数量也大量增加。由于每个用户的驾驶习惯和驾驶方式不同,车辆的动力电池所表现出来的性能也有所差别。为了优化电池性能,需要通过分析车辆行驶数据得到用户的类别,从而实现为用户制定个性化的电池管理系统。
然而,使用相关技术对用户类型进行分类时,处理流程复杂,需要获取用户的行驶路线等敏感信息并进行分析,使得用户的信息安全存在极大的问题。
发明内容
本公开实施例的一个目的是提供一种用户类型的识别方法,可以在实现对用户分类的同时,提升用户的信息安全。
根据本公开实施例的第一方面,提供一种用户类型的识别方法,包括:
获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;
根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;
通过预设的识别模型对所述待分析数据进行分析,得到用户的类型。
可选地,所述根据所述预设时间段内的驾驶数据,获取待分析数据,包括:
从所述预设时间段内的驾驶数据中提取每日驾驶数据;
分别对所述每日驾驶数据进行计算,得到所述预设时间段内的所述每日驾驶时长,所述每日驾驶里程,以及所述每日各个时刻的驾驶频次。
可选地,所述用户类型的识别结果包括:日间网约车用户类型,夜间网约车用户类型,通勤私家车用户类型,商务车用户类型和非通勤私家车用户类型。
可选地,所述通过预设的识别模型对所述待分析数据进行计算,得到用户的类型之后,所述方法还包括:
根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据;
对所述用户车辆数据进行可视化分析,得到可视化分析结果。
可选地,所述根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据之后,所述方法还包括:
对所述用户车辆数据进行特征分析,得到用户的驾驶习惯信息。
可选地,所述通过预设的识别模型对所述待分析数据进行计算,得到用户的类型之后,所述方法还包括:
根据所述用户的类型,制定对应的电池管理系统的控制策略。
可选地,所述通过预设的识别模型对所述待分析数据进行分析,得到用户类型,包括:
获取训练样本集,所述训练样本集包括预处理的离线车辆数据;
根据所述训练样本集对所述识别模型进行训练;
基于所述识别模型对所述待分析数据进行分析,得到用户类型。
根据本公开实施例的第二方面,提供了一种用户类型的识别装置,包括:
获取模块,用于获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;
分析模块,用于通过预设的识别模型对所述待分析数据进行分析,得到用户类型。
根据本公开实施例的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器用于存储可执行的指令;所述处理器用于在所述指令的控制下执行根据本公开实施例的第一方面中任一项所述的用户类型的识别方法。
根据本公开实施例的第四方面,提供了一种可读存储介质,存储有计算机程序,所述计算机程序在被处理器执行时,实现如本公开实施例的第一方面中任一项所述的用户类型的识别方法。
本公开的一个有益效果在于,通过获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;通过预设的识别模型对所述待分析数据进行分析,得到用户的类型。本实施例中,基于对每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次进行分析得到用户类型,由于在计算过程中所使用的数据未涉及用户的敏感隐私数据,因此可以在实现对用户分类的同时,提升用户的信息安全。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是一种示例性的电子设备的硬件配置的原理框图;
图2是根据本公开实施例的用户类型的识别方法的流程示意图;
图3是根据本公开实施例的用户类型的识别方法得到的用户类型的可视化示意图;
图4是根据本公开实施例的用户类型的识别装置的结构示意图;
图5是一种示例性的电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
如图1所示,可以应用本公开的用户类型的识别方法的电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。
处理器1100可以是移动版处理器。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信,通信装置1400可以包括短距离通信装置,例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置,通信装置1400也可以包括远程通信装置,例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘等。移动终端1000可以通过扬声器1700输出音频信息,可以通过麦克风1800采集音频信息。
本实施例中,电子设备1000的存储器1200用于存储指令,该指令用于控制处理器1100进行操作以实现用户类型的识别方法。技术人员可以根据本公开所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
尽管在图1中示出了电子设备1000的多个装置,但是,本公开可以仅涉及其中的部分装置,例如,终端设备1000只涉及存储器1200和处理器1100、通信装置1400和显示装置1500。
应当理解的是,尽管图1仅示出一个电子设备1000,但不意味着限制电子设备1000的数量。
<方法实施例>
图2是根据本公开实施例的用户类型的识别方法的流程示意图。
如图2所示,本实施例的用户类型的识别方法具体可以由如图1所示的电子设备1000执行。
具体的,本实施例的用户类型的识别方法可以包括如下步骤2100~步骤2300:
步骤2100,获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度。
其中,所述获取预设时间段内的车辆数据,可以是获取一周内的车辆数据,或者,可以是获取一个月内的车辆数据,或者,也可以是获取三个月内的车辆数据。所述预设时间段可以根据实际需求进行设定,在此不做具体限定。
可以理解的是,在车辆状态为行驶状态时,所获取到的车辆数据即为所述驾驶数据,在车辆状态为充电状态时,所获取到的车辆数据为非驾驶数据。本实施例是基于所述驾驶数据对用户进行分类,因此,需要根据所述车辆状态从所述车辆数据中筛选所述预设时间段内的驾驶数据。
具体的,所述电子设备1000可以先获取预设时间段内的车辆数据;所述车辆数据包括驾驶时间,累计驾驶里程,车辆状态,驾驶速度;其中,所述车辆状态包括行驶状态和充电状态。然后根据所述车辆状态,从所述车辆数据中获取所述预设时间段内的驾驶数据。
在一个例子中,采集所述车辆数据的时间间隔可以为30秒。
步骤2200,根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次。
具体的,所述电子设备在获取到所述预设时间段内的驾驶数据后,可以从所述预设时间段内的驾驶数据中提取每日驾驶数据;分别对所述每日驾驶数据进行计算,得到所述预设时间段内的所述每日驾驶时长,所述每日驾驶里程,以及所述每日各个时刻的驾驶频次。
示例性的,假设用户A在某一日驾驶车辆3次,在早上8点驾驶1小时,驾驶里程为5公里;在中午12点驾驶0.5小时,驾驶里程为2公里;在12点45分驾驶2小时,驾驶里程为10公里,则计算的得到的每日驾驶时长为3.5小时,每日驾驶里程为17公里,在8点驾驶频次为1次,12点驾驶频次为2次,当日其他时刻的驾驶频次均为0次。
步骤2300,通过预设的识别模型对所述待分析数据进行分析,得到用户的类型。
具体的,所述电子设备1000可以获取包括预处理的离线车辆数据的训练样本集;并根据所述训练样本集对所述识别模型进行训练,然后基于所述预设的识别模型对所述待分析数据进行分析,得到对应的用户类型。
可以理解的是,再对待分析数据分析完成后,可以将所述待分析数据和对应的分析结果作为训练样本更新至所述训练样本集中,以使电子设备1000基于更新后的训练样本集对所述识别模型进行训练,从而优化所述识别模型。
在本实施例中,所述预设的识别模型可以是kmeans聚类模型。
其中,所述用户类型的识别结果包括:日间网约车用户类型,夜间网约车用户类型,通勤私家车用户类型,商务车用户类型和非通勤私家车用户类型。
可选地,在对待分析数据进行分析得到用户的类型后,所述电子设备1000还可以根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据;对所述用户车辆数据进行可视化分析,得到可视化分析结果。
如图3所示,日间网约车用户对应的可视化分析结果如cluster1中所示,其特征主要为平均每日驾驶时间和驾驶里程都较长,且驾驶时间段固定。夜间网约车用户类型应的可视化分析结果如cluster2中所示,其特征主要为平均每日驾驶时间和驾驶里程都较长,且驾驶时间段固定。通勤私家车用户类型应的可视化分析结果如cluster3中所示,其特征主要为驾驶时间段集中于上下班时间,且驾驶里程较为固定。商务车用户类型对应的可视化分析结果如cluster4中所示,其特征主要为驾驶时间和驾驶里程中量,驾驶时间段不固定。非通勤私家车用户类型应的可视化分析结果如cluster5中所示,其特征主要是驾驶时间和驾驶里程短,驾驶时间段不固定。
可选地,在对待分析数据进行分析得到用户的类型后,所述电子设备1000还可以对所述用户车辆数据进行特征分析,得到用户的驾驶习惯信息。
在一个实施例中,在上述步骤2300之后,所述电子设备1000还可以根据所述用户的类型,制定对应的电池管理系统的控制策略。例如,可以调整SOC的估计精度。
本实施例的技术方案,通过获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;通过预设的识别模型对所述待分析数据进行分析,得到用户的类型。本实施例中,基于对每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次进行分析得到用户类型,由于在计算过程中所使用的数据未涉及用户的敏感隐私数据,因此可以在实现对用户分类的同时,提升用户的信息安全。
<装置实施例>
图4是根据本公开实施例的用户类型的识别装置的结构示意图。如图4所示,本实施例的用户类型的识别装置4000可以包括:获取模块4100和分析模块4200。
其中,获取模块4100,用于获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;
分析模块4200,用于通过预设的识别模型对所述待分析数据进行分析,得到用户类型。
其中,所述用户类型的识别结果包括:日间网约车用户类型,夜间网约车用户类型,通勤私家车用户类型,商务车用户类型和非通勤私家车用户类型。
在一个实施例中,所述获取模块4100具体用于:从所述预设时间段内的驾驶数据中提取每日驾驶数据;分别对所述每日驾驶数据进行计算,得到所述预设时间段内的所述每日驾驶时长,所述每日驾驶里程,以及所述每日各个时刻的驾驶频次。
在一个实施例中,所述装置4000还可以包括分离模块,用于根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据;所述分析模块4200还可以用于对所述用户车辆数据进行可视化分析,得到可视化分析结果。
在一个实施例中,所述分析模块4200还可以用于对所述用户车辆数据进行特征分析,得到用户的驾驶习惯信息。
在一个实施例中,所述装置4000还可以包括处理模块,用于根据所述用户的类型,制定对应的电池管理系统的控制策略。
在一个实施例中,所述获取模块4100具体用于:获取训练样本集,所述训练样本集包括预处理的离线车辆数据;所述装置4000还可以包括训练模块,用于根据所述训练样本集对所述识别模型进行训练;所述分析模块4200还可以用于基于所述识别模型对所述待分析数据进行分析,得到用户类型。
本实施例的用户类型的识别装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
<电子设备实施例>
在本实施例中,还提供一种电子设备5000。
如图5所示,电子设备5000可以包括处理器5100和存储器5200,该存储器5200用于存储可执行的指令;该处理器5100用于根据指令的控制运行电子设备5000执行根据上述图2所述实施例的用户类型的识别方法。
<介质实施例>
本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时,实现前述任一实施例提供的用户类型的识别方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程用户类型的识别装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程用户类型的识别装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程用户类型的识别装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程用户类型的识别装置、或其它设备上,使得在计算机、其它可编程用户类型的识别装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程用户类型的识别装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种用户类型的识别方法,其特征在于,包括:
获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;
根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;
通过预设的识别模型对所述待分析数据进行分析,得到用户类型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设时间段内的驾驶数据,获取待分析数据,包括:
从所述预设时间段内的驾驶数据中提取每日驾驶数据;
分别对所述每日驾驶数据进行计算,得到所述预设时间段内的所述每日驾驶时长,所述每日驾驶里程,以及所述每日各个时刻的驾驶频次。
3.根据权利要求1所述的方法,其特征在于,所述用户类型的识别结果包括:日间网约车用户类型,夜间网约车用户类型,通勤私家车用户类型,商务车用户类型和非通勤私家车用户类型。
4.根据权利要求1所述的方法,其特征在于,所述通过预设的识别模型对所述待分析数据进行计算,得到用户的类型之后,所述方法还包括:
根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据;
对所述用户车辆数据进行可视化分析,得到可视化分析结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户的类型,从所述车辆数据中分离出对应的用户车辆数据之后,所述方法还包括:
对所述用户车辆数据进行特征分析,得到用户的驾驶习惯信息。
6.根据权利要求1所述的方法,其特征在于,所述通过预设的识别模型对所述待分析数据进行计算,得到用户的类型之后,所述方法还包括:
根据所述用户的类型,制定对应的电池管理系统的控制策略。
7.根据权利要求1所述的方法,其特征在于,所述通过预设的识别模型对所述待分析数据进行分析,得到用户类型,包括:
获取训练样本集,所述训练样本集包括预处理的离线车辆数据;
根据所述训练样本集对所述识别模型进行训练;
基于所述识别模型对所述待分析数据进行分析,得到用户类型。
8.一种用户类型的识别装置,其特征在于,包括:
获取模块,用于获取预设时间段内的驾驶数据;所述驾驶数据至少包括车辆驾驶过程中的驾驶时间,累积驾驶里程和行驶速度;根据所述预设时间段内的驾驶数据,获取待分析数据;其中,所述待分析数据包括每日驾驶时长,每日驾驶里程,以及每日各个时刻的驾驶频次;
分析模块,用于通过预设的识别模型对所述待分析数据进行分析,得到用户类型。
9.一种电子设备,包括存储器和处理器,所述存储器用于存储可执行的指令;所述处理器用于在所述指令的控制下执行根据权利要求1~7中任一项所述的用户类型的识别方法。
10.一种可读存储介质,其特征在于,存储有计算机程序,所述计算机程序在被处理器执行时,实现如权利要求1~7中任一项所述的用户类型的识别方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676076.2A CN116409328A (zh) | 2021-12-31 | 2021-12-31 | 用户类型的识别方法、电子设备及可读存储介质 |
EP22913913.4A EP4393753A1 (en) | 2021-12-31 | 2022-11-22 | User type identification method, electronic device, and readable storage medium |
PCT/CN2022/133434 WO2023124655A1 (zh) | 2021-12-31 | 2022-11-22 | 用户类型的识别方法、电子设备及可读存储介质 |
KR1020247011256A KR20240056570A (ko) | 2021-12-31 | 2022-11-22 | 사용자 유형 식별 방법, 전자 디바이스, 및 판독 가능 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676076.2A CN116409328A (zh) | 2021-12-31 | 2021-12-31 | 用户类型的识别方法、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116409328A true CN116409328A (zh) | 2023-07-11 |
Family
ID=86997513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111676076.2A Pending CN116409328A (zh) | 2021-12-31 | 2021-12-31 | 用户类型的识别方法、电子设备及可读存储介质 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4393753A1 (zh) |
KR (1) | KR20240056570A (zh) |
CN (1) | CN116409328A (zh) |
WO (1) | WO2023124655A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7117075B1 (en) * | 2005-08-15 | 2006-10-03 | Report On Board Llc | Driver activity and vehicle operation logging and reporting |
CN110021164B (zh) * | 2019-03-02 | 2020-09-04 | 合肥学院 | 基于行驶时间数据的网约车路网占有率分析方法 |
CN112208336B (zh) * | 2019-12-30 | 2022-02-15 | 蜂巢能源科技有限公司 | 车辆用途识别方法及装置 |
CN112766578A (zh) * | 2021-01-22 | 2021-05-07 | 重庆长安新能源汽车科技有限公司 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
-
2021
- 2021-12-31 CN CN202111676076.2A patent/CN116409328A/zh active Pending
-
2022
- 2022-11-22 WO PCT/CN2022/133434 patent/WO2023124655A1/zh active Application Filing
- 2022-11-22 KR KR1020247011256A patent/KR20240056570A/ko unknown
- 2022-11-22 EP EP22913913.4A patent/EP4393753A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023124655A1 (zh) | 2023-07-06 |
KR20240056570A (ko) | 2024-04-30 |
EP4393753A1 (en) | 2024-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20220009965A (ko) | 네트워크 트레이닝 방법 및 장치, 타깃 검출 방법 및 장치와 전자 기기 | |
CN112907958B (zh) | 路况信息确定方法、装置、电子设备以及可读介质 | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
EP3617652A1 (en) | Navigation method and related product | |
EP2735984A1 (en) | Video query method, device and system | |
CN113721161B (zh) | 锂离子电池组的一致性评估方法及装置 | |
KR20120045415A (ko) | 지능형서비스제공 라이프로깅장치 및 방법 | |
CN111405475B (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
Andrade et al. | An unsupervised tinyml approach applied for pavement anomalies detection under the internet of intelligent vehicles | |
CN112307335A (zh) | 车辆服务信息的推送方法、装置、设备及车辆 | |
CN110737006A (zh) | 轨迹去噪的处理方法、装置以及电子设备 | |
CN110162518A (zh) | 数据分组方法、装置、电子设备及存储介质 | |
CN110704491A (zh) | 数据查询方法和装置 | |
CN113380037B (zh) | 一种交通信息采集方法和装置 | |
CN112541542B (zh) | 多分类样本数据的处理方法、装置及计算机可读存储介质 | |
CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
CN113076417A (zh) | 政策文件数据处理方法及装置 | |
CN117445677A (zh) | 车辆行驶预测方法、装置、电子设备及存储介质 | |
CN116409328A (zh) | 用户类型的识别方法、电子设备及可读存储介质 | |
Fernandes et al. | A deep learning approach for intelligent cockpits: learning drivers routines | |
CN103729397B (zh) | 基于时间轨迹实现电子证据数据分析的方法 | |
CN113873018B (zh) | 车辆通信方法、装置、服务器及车辆 | |
CN115578082A (zh) | 自动化机器人流程生成方法、装置、电子设备及存储介质 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
US20240239203A1 (en) | User type identification method, electronic device, and readable storage medium |
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 |