CN117807301A - 歌曲推荐方法、装置、电子设备及车辆 - Google Patents
歌曲推荐方法、装置、电子设备及车辆 Download PDFInfo
- Publication number
- CN117807301A CN117807301A CN202211171755.9A CN202211171755A CN117807301A CN 117807301 A CN117807301 A CN 117807301A CN 202211171755 A CN202211171755 A CN 202211171755A CN 117807301 A CN117807301 A CN 117807301A
- Authority
- CN
- China
- Prior art keywords
- driving
- information
- vehicle
- similarity
- sample
- 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 73
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000994 depressogenic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种歌曲推荐方法、装置、电子设备及车辆,涉及数据处理技术领域,其中方法包括:首先获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;再获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;然后将获取到的所述目标歌曲确定为推荐歌曲。通过应用本申请的技术方案,当用户选择推荐模式时可直接根据用户在历史相似的行车场景中所选择播放的目标歌曲进行推荐,做到在用户驾驶汽车场景中的精确歌曲推荐,可减少用户的选歌操作,使得用户更多注意力放在驾驶上,进而可提高行车安全性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种歌曲推荐方法、装置、电子设备及车辆。
背景技术
随着汽车普及率提高及汽车智能化发展,车载场景已经成为人们生活重要的组成部分。车载娱乐系统是人们在驾驶以外使用频率和感知最多的系统,作为车载娱乐重要组成部分,车载音乐是整个娱乐系统的核心。
目前,现有的歌曲推荐方式是基于用户当前选择播放的歌曲,获取该歌曲的标签,如曲风、歌手等标签,然后选择与这些标签相关的歌曲进行推荐。
然而,在用户驾驶汽车的过程中,需要实时关注路况,用户很难在刚开始点播歌曲时,就选中自己需要的歌曲,如果随意点播一首进行播放,很可能推荐的歌曲均不是用户想要听的歌曲,因此现有的歌曲推荐方式在用户驾驶汽车场景中无法做到精确地歌曲推荐。
发明内容
有鉴于此,本申请提供了一种歌曲推荐方法、装置、电子设备及车辆,主要目的在于改善目前现有的歌曲推荐方式在用户驾驶汽车场景中无法做到精确地歌曲推荐的技术问题。
第一方面,本申请提供了一种歌曲推荐方法,包括:
获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;
将获取到的所述目标歌曲确定为推荐歌曲。
第二方面,本申请提供了一种歌曲推荐装置,包括:
获取模块,被配置为获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
所述获取模块,还被配置为获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;
推荐模块,被配置为将获取到的所述目标歌曲确定为推荐歌曲。
第三方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的歌曲推荐方法。
第四方面,本申请提供了一种电子设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的歌曲推荐方法。
第五方面,本申请提供了一种车辆,包括:如第二方面所述的歌曲推荐装置,或如第四方面所述的电子设备。
借由上述技术方案,本申请提供的一种歌曲推荐方法、装置、电子设备及车辆,与目前现有的歌曲推荐方式相比,本申请可在用户驾驶汽车场景中做到精确地歌曲推荐。具体的,首先获取用户行车过程中当前的行驶特征,其中,该行驶特征可包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;再基于这些行驶特征,获取与这些行驶特征相似的历史行车场景中所选择播放的目标歌曲;然后将获取到的目标歌曲确定为推荐歌曲进行推荐,这样在用户驾驶汽车的过程中无需用户先选择一首歌曲,然后基于这首歌曲进行推荐。通过应用本申请的技术方案,当用户选择推荐模式时可直接根据用户在历史相似的行车场景中所选择播放的目标歌曲进行推荐,做到在用户驾驶汽车场景中的精确歌曲推荐,可减少用户的选歌操作,使得用户更多注意力放在驾驶上,进而可提高行车安全性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种歌曲推荐方法的流程示意图;
图2示出了本申请实施例提供的机器学习模型使用示例的示意图
图3示出了本申请实施例提供的另一种歌曲推荐方法的流程示意图;
图4示出了本申请实施例提供的一种歌曲推荐装置的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面将对本申请的方案进行进一步描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为了改善目前现有的歌曲推荐方式在用户驾驶汽车场景中无法做到精确地歌曲推荐的技术问题。本实施例提供了一种歌曲推荐方法,如图1所示,该方法包括:
步骤101、获取用户行车过程中当前的行驶特征。
其中,当前的行驶特征具体可包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项。需要说明的是,当前的行驶特征作为歌曲推荐的参考依据,因此行驶特征考虑的维度(每一项对应一个维度)越多,歌曲推荐会越精确。
可选的,时间信息可包括:当前时间、当天日期类型、以及当前行程已驾驶时间。例如,当前时间具体可包括:当前的年份、月份、日(一个月中的几号)、小时、分钟。当天日期类型具体可包括:工作日、节假日、周末等类型。当前行程已驾驶时间可为当前行程从上电到当前时刻的驾驶时间,该数据在一定程度上反应了用户驾驶疲劳感。
驾驶信息可包括:当前时间之前第一目标时长的时间段内车辆的平均速度、当前时间之前第二目标时长的时间段内车辆的油门踏板踩踏次数、当前时间之前第三目标时长的时间段内车辆的急加速次数、当前时间之前第四目标时长的时间段内车辆的急减速次数。例如,当前时间之前第一目标时长的时间段内车辆的平均速度可为自当前时刻开始,前5分钟的车辆平均速度。当前时间之前第二目标时长的时间段内车辆的油门踏板踩踏次数可为自当前时刻开始,前10分钟内的车辆油门踏板踩踏次数。当前时间之前第三目标时长的时间段内车辆的急加速次数可为自当前时刻开始,前10分钟内的车辆加速度大于一定阈值的次数。当前时间之前第四目标时长的时间段内车辆的急减速次数可为自当前时刻开始,前10分钟内的车辆加速度小于一定阈值的次数。对于本实施例,这些驾驶信息数据可用于表征过去一段时间,驾驶的通畅度、驾驶风格等。
车辆状态信息包括:当前副驾驶占位状态、后排座椅占位状态。例如,当前时刻副驾驶占位状态为1代表有人,占位状态为0代表无人。当前时刻后排座椅占位状态为1代表有人,占位状态为0代表无人。对于本实施例,这些车辆状态信息可用于区分用户是否独自驾驶,如若副驾驶有人,是个小朋友的话,很可能会更容易选择儿歌等。
车辆位置信息包括:当前时间之前目标路程内的行车位置轨迹、当前行程的起点位置。例如,当前时间之前目标路程内的行车位置轨迹可为自当前时刻开始,过去1千米的全球定位系统(Global Positioning System,GPS)位置序列,其中间隔可为100米。对于本实施例,车辆位置信息可间接反映出路况信息,进而用于表征过去一段时间,驾驶的通畅度等。
车辆环境信息包括:当前天气信息、当前雨刮器状态、当前车内温度、当前车内湿度。例如,当前天气信息可包括:晴天、或多云、或小雨、或中雨、或暴雨、或中雪、或暴雪、或雾霾等天气类型,以及室外天气的风级。当前雨刮器状态可为当前雨刮器是否打开,以及雨刮器的档位等。对于本实施例,车辆环境信息可用于表征用户的体感舒适程度以及受天气影响的心情程度,并且还可间接反映出行驶环境信息,进而也可表征驾驶的通畅度等。
步骤102、获取与行驶特征相似的历史行车场景中所选择播放的目标歌曲。
对于本实施例,在用户行车过程中,当需要进行歌曲推荐时(如当用户选择歌曲推荐模式时),可将上述当前的行驶特征作为参考,获取用户在历史相似的行车场景中所选择播放的目标歌曲。
在本实施例中,对于上述目标歌曲具体的获取过程可存在多种可选方式。例如,可预先统计出映射规则,该映射规则可包括用户在历史的行车过程中,用户选择播放不同的歌曲时所对应的不同样本行驶特征,进而在对当前用户进行歌曲推荐时,可根据该映射规则,获取到与当前的行驶特征相似度最高的样本行驶特征所对应的选择播放的歌曲,作为用户在历史相似的行车场景中所选择播放的目标歌曲。
再例如,如图2所示,还可以通过机器学习模型进行预测的方式,输入特征到模型中计算得到相应的标签值,进而得到用户在历史相似的行车场景中所选择播放的目标歌曲。此方式需要提前通过用户在历史的行车过程中,用户选择播放不同的歌曲时所对应的不同样本行驶特征进行模型训练,得到可用于预测推荐歌曲的机器学习模型。在使用时,将用户行车过程中当前的行驶特征输入到机器学习模型中,通过该模型进行计算,可找到与当前的行驶特征相似度最高的样本行驶特征所对应的选择播放的歌曲,并作为模型的输出结果,进而得到待推荐的目标歌曲。
步骤103、将获取到的目标歌曲确定为推荐歌曲。
例如,可将推荐的目标歌曲展示给用户,用户可根据自身需要选择播放推荐的歌曲,当用户选择播放推荐的歌曲后,说明此次歌曲推荐相对准确,可做相应的记录,以便后续再做歌曲推荐时可作为参考依据。
与目前现有的歌曲推荐方式相比,本实施例可在用户驾驶汽车场景中做到精确地歌曲推荐。具体的,首先获取用户行车过程中当前的行驶特征,其中,该行驶特征可包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;再获取与这些行驶特征相似的历史行车场景中所选择播放的目标歌曲;然后将获取到的目标歌曲确定为推荐歌曲进行推荐,这样在用户驾驶汽车的过程中无需用户先选择一首歌曲,然后基于这首歌曲进行推荐。通过应用本实施例的技术方案,当用户选择推荐模式时可直接根据用户在历史相似的行车场景中所选择播放的目标歌曲进行推荐,做到在用户驾驶汽车场景中的精确歌曲推荐,可减少用户的选歌操作,使得用户更多注意力放在驾驶上,进而可提高行车安全性。
进一步的,作为上述实施例的细化和扩展,为了完整说明本实施例方法的具体实现过程,本实施例提供了如图3所示的具体方法,该方法包括:
步骤201、获取用户行车过程中当前的行驶特征。
步骤202、计算当前的行驶特征和用户历史选择播放歌曲时对应的样本行驶特征的相似度。
其中,样本行驶特征包括:用户在历史行车过程中的时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项。对于这些特征信息的具体内容可参见步骤101中对时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息的解释说明,在此不再赘述,样本行驶特征可为用户在历史行车过程中的历史行驶特征。
可选的,步骤202具体可包括:计算当前的行驶特征中的时间信息与样本行驶特征中的时间信息的相似度;和/或,计算当前的行驶特征中的驾驶信息与样本行驶特征中的驾驶信息的相似度;和/或,计算当前的行驶特征中的车辆状态信息与样本行驶特征中的车辆状态信息的相似度;和/或,计算当前的行驶特征中的车辆位置信息与样本行驶特征中的车辆位置信息的相似度;和/或,计算当前的行驶特征中的车辆环境信息与样本行驶特征中的车辆环境信息的相似度。
在得到上述各个相似度之后,再乘以各自对应的权重值并进行求和,得到当前的行驶特征与样本行驶特征的相似度。
例如,基于时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息这5种特征,当前的行驶特征与样本行驶特征的相似度=similarity(时间信息相似度)*weights(时间信息的权重值)+similarity(驾驶信息相似度)*weights(驾驶信息的权重值)+similarity(车辆状态信息相似度)*weights(车辆状态信息的权重值)+similarity(车辆位置信息相似度)*weights(车辆位置信息的权重值)+similarity(车辆环境信息相似度)*weights(车辆环境信息的权重值)。
示例性的,上述分别计算时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息各自对应的相似度,具体可包括:通过余弦距离或欧式距离等相似度度量的计算方式,分别计算时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息各自对应的相似度。
具体的,计算当前的行驶特征中的时间信息与样本行驶特征中的时间信息的相似度,包括:通过余弦距离或欧式距离的计算方式,计算当前的行驶特征中的时间信息与样本行驶特征中的时间信息的相似度。
计算当前的行驶特征中的驾驶信息与样本行驶特征中的驾驶信息的相似度,包括:通过余弦距离或欧式距离的计算方式,计算当前的行驶特征中的驾驶信息与样本行驶特征中的驾驶信息的相似度。
计算当前的行驶特征中的车辆状态信息与样本行驶特征中的车辆状态信息的相似度,包括:通过余弦距离或欧式距离的计算方式,计算当前的行驶特征中的车辆状态信息与样本行驶特征中的车辆状态信息的相似度。
计算当前的行驶特征中的车辆位置信息与样本行驶特征中的车辆位置信息的相似度,包括:通过余弦距离或欧式距离的计算方式,计算当前的行驶特征中的车辆位置信息与样本行驶特征中的车辆位置信息的相似度。
计算当前的行驶特征中的车辆环境信息与样本行驶特征中的车辆环境信息的相似度,包括:通过余弦距离或欧式距离的计算方式,计算当前的行驶特征中的车辆环境信息与样本行驶特征中的车辆环境信息的相似度。
通过上述这种方式,可准确计算得到相似度,进而可准确获取用户在历史相似的行车场景中所选择播放的目标歌曲。
以余弦距离公式(公式一)为例:
其中,similarity为A与B在时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息这5种特征中任一种特征下的相似度。Ai为在该种特征下A的第i个特征的特征值,Bi为在该种特征下B的第i个特征的特征值。n为在该种特征下的特征数量。
示例性的,在步骤202之前,权重值的确定过程可包括:首先依据用户在第一时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建训练集;以及,依据用户在第二时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建验证集;然后基于训练集通过智能优化算法进行模型训练,以获得时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息分别对应的权重值,其中,按照训练得到的权重值,对验证集进行模型验证时的预测准确率最高。
例如,在用户历史的行车过程中,可记录用户播放歌曲的歌曲ID、时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息,作为初始数据。初始数据经过加工、变换之后,可得到如表1所示的数据。
表1
在数据收集的过程中,要注意剔除掉用户在中途切歌的情况,这种情况可认为用户并不想在此时此刻播放该歌曲。
针对如表1所示的数据进行收集,可收集100辆车或者1000辆车等的历史数据,然后可将近期3个月的连续数据作为训练集,而将3个月之后的紧邻的7天数据作为验证集,需要说明的是,可根据后续的推荐准确率选择是否采用更长时间的数据等。
定义两首歌曲的特征相似度公式为:(歌曲a和歌曲b)相似度=similarity(时间信息相似度)*weights(时间信息的权重值)+similarity(驾驶信息相似度)*weights(驾驶信息的权重值)+similarity(车辆状态信息相似度)*weights(车辆状态信息的权重值)+similarity(车辆位置信息相似度)*weights(车辆位置信息的权重值)+similarity(车辆环境信息相似度)*weights(车辆环境信息的权重值),其中,similarity的计算方式可如公式一所示,而weights(时间信息的权重值)、weights(驾驶信息的权重值)、weights(车辆状态信息的权重值)、weights(车辆位置信息的权重值)、weights(车辆环境信息的权重值)为待辨识参数。
后续基于训练集进行模型训练,就是为了找到最优的组合参数(这5个weights),使得整体数据在验证集上预测出来的歌曲最为准确,具体可为这5个weights预先赋予不同的候选值,然后进行计算,以便从众多候选值中找到满足要求的最优组合参数。其中,考虑到用户在长时间内可能连续播放歌曲,因此为用户每次推荐5首歌曲。根据相似度排序得出的最相似的Top5的歌曲。如果Top5中有任意一首歌曲命中,则认为预测准确。
在模型这些参数定义完成以后进行模型训练,在模型具体的训练过程中,需要遍历验证集的每一条数据,分别和训练集中的数据进行如上的(歌曲a和歌曲b)特征相似度计算,得到相似度分数最高的Top5首歌曲。来检查Top5歌曲是否命中该条验证数据的Label值。如果命中,则该条验证集数据预测准确。其中,模型训练的目的就是为了找到能够使全部验证集预测准确率最高的参数组合,寻优方式可以选择包括:遗传算法、进化算法、粒子群算法等智能优化算法。
在通过模型训练找到最优的组合参数(这5个weights)之后可做记录,即记录时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息各自对应的权重值。在需要对当前行车场景进行歌曲推荐时,可将当前的行驶特征和用户历史选择播放歌曲时对应的样本行驶特征进行相似度计算,具体分别计算时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息各自对应的相似度,再乘以各自对应的权重值(通过模型训练找到的最优组合参数)后进行求和,得到当前的行驶特征与样本行驶特征的相似度,然后继续执行步骤203所示的过程。
步骤203、获取相似度大于目标阈值的样本行驶特征所对应选择播放的歌曲,作为用户在历史相似的行车场景中所选择播放的目标歌曲。
目标阈值可根据实际需求进行预先设置。如可根据每个用户的听歌随机性差异,设置各自对应合适的目标阈值。
步骤204、将获取到的目标歌曲确定为推荐歌曲。
通过应用本实施例的技术方案,当用户选择推荐模式时可直接根据用户在历史相似的行车场景中所选择播放的目标歌曲进行推荐,做到在用户驾驶汽车场景中的精确歌曲推荐,可减少用户的选歌操作,使得用户更多注意力放在驾驶上,进而可提高行车安全性。
进一步的,作为图1和图3所示方法的具体实现,本实施例提供了一种歌曲推荐装置,如图4所示,该装置包括:获取模块31、推荐模块32。
获取模块31,被配置为获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
所述获取模块31,还被配置为获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;
推荐模块32,被配置为将获取到的所述目标歌曲确定为推荐歌曲。
在具体的应用场景中,获取模块31,具体被配置为计算所述行驶特征和用户历史选择播放歌曲时对应的样本行驶特征的相似度,其中,所述样本行驶特征包括:用户在历史行车过程中的时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;获取相似度大于目标阈值的样本行驶特征所对应选择播放的歌曲,作为所述目标歌曲。
在具体的应用场景中,获取模块31,具体还被配置为计算所述行驶特征中的时间信息与所述样本行驶特征中的时间信息的相似度;和/或,计算所述行驶特征中的驾驶信息与所述样本行驶特征中的驾驶信息的相似度;和/或,计算所述行驶特征中的车辆状态信息与所述样本行驶特征中的车辆状态信息的相似度;和/或,计算所述行驶特征中的车辆位置信息与所述样本行驶特征中的车辆位置信息的相似度;和/或,计算所述行驶特征中的车辆环境信息与所述样本行驶特征中的车辆环境信息的相似度;
在得到上述各个相似度之后,再乘以各自对应的权重值并进行求和,得到所述行驶特征与所述样本行驶特征的相似度。
在具体的应用场景中,本装置还包括:确定模块;
确定模块,被配置为依据用户在第一时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建训练集;及,依据用户在第二时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建验证集;基于所述训练集通过智能优化算法进行模型训练,以获得时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息分别对应的权重值,其中,按照训练得到的权重值,对所述验证集进行模型验证时的预测准确率最高。
在具体的应用场景中,获取模块31,具体还被配置为通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的时间信息与所述样本行驶特征中的时间信息的相似度;通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的驾驶信息与所述样本行驶特征中的驾驶信息的相似度;通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆状态信息与所述样本行驶特征中的车辆状态信息的相似度;通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆位置信息与所述样本行驶特征中的车辆位置信息的相似度;通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆环境信息与所述样本行驶特征中的车辆环境信息的相似度。
在具体的应用场景中,可选的,所述时间信息包括:当前时间、当天日期类型、以及当前行程已驾驶时间。
在具体的应用场景中,可选的,所述驾驶信息包括:当前时间之前第一目标时长的时间段内车辆的平均速度、当前时间之前第二目标时长的时间段内车辆的油门踏板踩踏次数、当前时间之前第三目标时长的时间段内车辆的急加速次数、当前时间之前第四目标时长的时间段内车辆的急减速次数。
在具体的应用场景中,可选的,所述车辆状态信息包括:当前副驾驶占位状态、后排座椅占位状态。
在具体的应用场景中,可选的,所述车辆位置信息包括:当前时间之前目标路程内的行车位置轨迹、当前行程的起点位置。
在具体的应用场景中,可选的,所述车辆环境信息包括:当前天气信息、当前雨刮器状态、当前车内温度、当前车内湿度。
需要说明的是,本实施例提供的一种歌曲推荐装置所涉及各功能单元的其它相应描述,可以参考图1和图3中的对应描述,在此不再赘述。
基于上述如图1和图3所示方法,相应的,本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述如图1和图3所示的方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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)执行本申请各个实施场景的方法。
基于上述如图1和图3所示的方法,以及图4所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种电子设备,可配置在车辆(如新能源汽车、传统燃油汽车)端侧,该设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1和图3所示的方法。
可选的,上述实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的上述实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
基于上述电子设备,本申请实施例还提供了一种车辆,具体可包括:如图3所示的装置或如上述电子设备。该车辆具体可以为新能源汽车、传统燃油汽车等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本实施例的方案,当用户选择推荐模式时可直接根据用户在历史相似的行车场景中所选择播放的目标歌曲进行推荐,做到在用户驾驶汽车场景中的精确歌曲推荐,可减少用户的选歌操作,使得用户更多注意力放在驾驶上,进而可提高行车安全性。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的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述的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种歌曲推荐方法,其特征在于,包括:
获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;
将获取到的所述目标歌曲确定为推荐歌曲。
2.根据权利要求1所述的方法,其特征在于,所述获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲,包括:
计算所述行驶特征和用户历史选择播放歌曲时对应的样本行驶特征的相似度,其中,所述样本行驶特征包括:用户在历史行车过程中的时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
获取相似度大于目标阈值的样本行驶特征所对应选择播放的歌曲,作为所述目标歌曲。
3.根据权利要求2所述的方法,其特征在于,所述计算所述行驶特征和用户历史选择播放歌曲时对应的样本行驶特征的相似度,包括:
计算所述行驶特征中的时间信息与所述样本行驶特征中的时间信息的相似度;和/或,
计算所述行驶特征中的驾驶信息与所述样本行驶特征中的驾驶信息的相似度;和/或,
计算所述行驶特征中的车辆状态信息与所述样本行驶特征中的车辆状态信息的相似度;和/或,
计算所述行驶特征中的车辆位置信息与所述样本行驶特征中的车辆位置信息的相似度;和/或,
计算所述行驶特征中的车辆环境信息与所述样本行驶特征中的车辆环境信息的相似度;
在得到上述各个相似度之后,再乘以各自对应的权重值并进行求和,得到所述行驶特征与所述样本行驶特征的相似度。
4.根据权利要求3所述的方法,其特征在于,在所述计算所述行驶特征和用户历史选择播放歌曲时对应的样本行驶特征的相似度之前,所述方法还包括:
依据用户在第一时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建训练集;及,
依据用户在第二时间段的历史行车过程中选择播放的样本歌曲,和与样本歌曲分别对应的样本行驶特征,创建验证集;
基于所述训练集通过智能优化算法进行模型训练,以获得时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息分别对应的权重值,其中,按照训练得到的权重值,对所述验证集进行模型验证时的预测准确率最高。
5.根据权利要求3所述的方法,其特征在于,所述计算所述行驶特征中的时间信息与所述样本行驶特征中的时间信息的相似度,包括:
通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的时间信息与所述样本行驶特征中的时间信息的相似度;
所述计算所述行驶特征中的驾驶信息与所述样本行驶特征中的驾驶信息的相似度,包括:
通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的驾驶信息与所述样本行驶特征中的驾驶信息的相似度;
所述计算所述行驶特征中的车辆状态信息与所述样本行驶特征中的车辆状态信息的相似度,包括:
通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆状态信息与所述样本行驶特征中的车辆状态信息的相似度;
所述计算所述行驶特征中的车辆位置信息与所述样本行驶特征中的车辆位置信息的相似度,包括:
通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆位置信息与所述样本行驶特征中的车辆位置信息的相似度;
所述计算所述行驶特征中的车辆环境信息与所述样本行驶特征中的车辆环境信息的相似度,包括:
通过余弦距离或欧式距离的计算方式,计算所述行驶特征中的车辆环境信息与所述样本行驶特征中的车辆环境信息的相似度。
6.根据权利要求1所述的方法,其特征在于,所述时间信息包括:当前时间、当天日期类型、以及当前行程已驾驶时间。
7.根据权利要求1所述的方法,其特征在于,所述驾驶信息包括:当前时间之前第一目标时长的时间段内车辆的平均速度、当前时间之前第二目标时长的时间段内车辆的油门踏板踩踏次数、当前时间之前第三目标时长的时间段内车辆的急加速次数、当前时间之前第四目标时长的时间段内车辆的急减速次数。
8.根据权利要求1所述的方法,其特征在于,所述车辆状态信息包括:当前副驾驶占位状态、后排座椅占位状态。
9.根据权利要求1所述的方法,其特征在于,所述车辆位置信息包括:当前时间之前目标路程内的行车位置轨迹、当前行程的起点位置。
10.根据权利要求1所述的方法,其特征在于,所述车辆环境信息包括:当前天气信息、当前雨刮器状态、当前车内温度、当前车内湿度。
11.一种歌曲推荐装置,其特征在于,包括:
获取模块,被配置为获取用户行车过程中当前的行驶特征,其中,所述行驶特征包括:时间信息、驾驶信息、车辆状态信息、车辆位置信息和车辆环境信息中的一项或多项;
所述获取模块,还被配置为获取与所述行驶特征相似的历史行车场景中所选择播放的目标歌曲;
推荐模块,被配置为将获取到的所述目标歌曲确定为推荐歌曲。
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至10中任一项所述的方法。
13.一种电子设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法。
14.一种车辆,其特征在于,包括:如权利要求11所述的歌曲推荐装置、或如权利要求13所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171755.9A CN117807301A (zh) | 2022-09-26 | 2022-09-26 | 歌曲推荐方法、装置、电子设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171755.9A CN117807301A (zh) | 2022-09-26 | 2022-09-26 | 歌曲推荐方法、装置、电子设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117807301A true CN117807301A (zh) | 2024-04-02 |
Family
ID=90418693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211171755.9A Pending CN117807301A (zh) | 2022-09-26 | 2022-09-26 | 歌曲推荐方法、装置、电子设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807301A (zh) |
-
2022
- 2022-09-26 CN CN202211171755.9A patent/CN117807301A/zh active Pending
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 | |
CN104816687B (zh) | 车辆中的自动化驾驶者动作的系统和方法 | |
US20140172910A1 (en) | Music recommendation system and method for vehicle | |
EP2036777B1 (en) | Method and system of providing driving data to a driver of a vehicle | |
US20120265785A1 (en) | Music selection system and method in a vehicle | |
US20060106515A1 (en) | Motor vehicle operating data collection and analysis | |
US20130046466A1 (en) | Selecting a Route to Optimize Fuel Efficiency for a Given Vehicle and a Given Driver | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
WO2009136616A1 (ja) | 運転状態判定方法及びシステム | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN108446824A (zh) | 一种驾驶行为的风险评估方法、装置、设备及存储介质 | |
CN111105110A (zh) | 驾驶风险确定方法、装置、介质和计算设备 | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
CN111931081A (zh) | 一种上车点推荐方法及系统 | |
CN106126591B (zh) | 音乐数据推荐方法与系统 | |
CN110910180A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
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 | |
CN113706220A (zh) | 用户画像确定、用户需求预测方法以及数据处理系统 | |
CN112109715B (zh) | 车辆动力输出策略的生成方法、装置、介质及系统 | |
CN117807301A (zh) | 歌曲推荐方法、装置、电子设备及车辆 | |
US20160092899A1 (en) | System and method for using gamification to improve eco-driving behavior and measure fuel reductions | |
CN114987287B (zh) | 剩余续驶里程预测方法、装置、车辆及计算机存储介质 | |
CN114492169B (zh) | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 | |
JP2020060975A (ja) | 信用評価装置、信用評価方法およびプログラム | |
CN112183798A (zh) | 租车服务方法、装置、服务器及存储介质 |
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 |