一种基于用户画像的智能车辆多层次共享机制的制作方法

本发明属于智能车辆共享技术领域，具体涉及一种基于用户画像的智能车辆多层次共享机制。

背景技术：

随着汽车的普及，城市交通压力也逐渐增大，世界各城市的交通问题日益凸显。现代城市交通主要存在环境污染、交通拥堵、能源安全三大问题，这些问题严重影响了城市交通系统的正常运行。

在这种情况下，车辆共享这种新型出行方式应运而生。一方面，车辆共享的施行可以有效减少机动车保有量，进而缓解环境污染和交通拥堵问题。另一方面，车辆共享可以改变城市居民的出行习惯，引导居民健康出行，加强居民环保出行的理念。电动汽车共享作为汽车共享中一个新兴门类也正在蓬勃发展，在北京、杭州、重庆、上海等城市，都有电动车共享项目在运营。

2014年，jinheekim等人研究了城市居民电动汽车购买意愿以及影响其购买意愿的主要因素。2015年，joryfirnkorn等探讨了汽车共享对于车辆保有量的影响，并结合car2go的实际运营数据分析了车辆共享与购车意愿的相关性。

g.alli等人提出一种greene-box的设备，该设备安装在电动车上，可以跟gmc(greenmovecenter)进行通讯管理车辆状态，用户可以通过nfc卡或者手机客户端租用车辆，从而定义了vss(vehiclesharingsystem)的一种模式，只要电动汽车安装了greene-box，都可以加入车辆共享系统。在此基础上，a.g.bianchessi等人设计了一种可扩展的共享系统，可以将各种类型的电动车辆加入平台统一管理。但是，不管是前者提出的greenmoveproject，还是后者提出的flexiblearchitectureformanagingvss，都仅仅把互联网技术作为实现共享的手段，没有充分发挥车辆控制和用户数据的作用。

现有的车辆共享模式中，共享模式之间的区别主要在于车辆共享是否在线上进行、车辆的所有权或者车辆是否为电动汽车。汽车共享在发展，同时对于驾驶员行为的评估方式也在不断的改进，但目前人工因素和成本仍包括在内，而且汽车传感器所采集的信息并未充分利用。

技术实现要素：

鉴于上述，本发明提供了一种基于用户画像的智能车辆多层次共享机制，其通过建立用户画像，可以为用户提供定制化的服务，为用户驾驶行为提供引导，同时丰富了共享的层次。

用户画像也称用户侧写，一般通过用户调研、收集用户行为等形式了解用户，根据用户的目标、观点和行为的差异，将用户划分为不同的类型或者用不同标签的标签进行标记，然后抽取出每种类型及标签的典型特征，赋予名字、照片等统计学要素描述，就形成了一个人物原型。本发明中的用户画像，是指对用户身份特质、行为偏好、驾驶技术、信用历史、驾驶行为五个维度的评估，通过这些数值化的特征来描述用户。

一种基于用户画像的智能车辆多层次共享机制，其通过身份特质、驾驶技术、行为偏好、信用记录以及驾驶行为五组特征对用户画像进行描述；出租者在共享平台上为其车辆在这五个维度上设定门限条件，当租赁者的用户画像满足出租者所设定的门限条件，才有权租用该出租者的车辆；当租赁者完成一次租用行为后，由共享平台对其用户画像进行更新。

所述身份特质、驾驶技术、行为偏好、信用记录以及驾驶行为五组特征均包含有多个相关指标，这些相关指标的特征信息由用户提供以及车载传感器采集获得。

通过身份特质、驾驶技术、行为偏好、信用记录以及驾驶行为五组特征对用户画像进行描述的具体方法如下：

首先，对身份特质、驾驶技术、行为偏好、信用记录以及驾驶行为五组特征属下所有相关指标的特征信息进行归一化处理；

然后，对于每一组特征，通过随机森林算法确定该组特征属下各相关指标所对应的权重，使各相关指标归一化的特征值加权求和后得到该组特征的分值；

最后，根据五组特征的分值，建立一个五边形结构的用户画像，该五边形的五个顶点即对应身份特质、驾驶技术、行为偏好、信用记录以及驾驶行为五组特征，顶点至中心点的距离即正比于对应特征的分值大小。

本发明通过引入移动互联网技术，降低了传统车辆共享系统中站点选址的困难以及站点容量对用户租借归还车辆的限制，为用户提供了更加便利的出行方式。本发明对于汽车传感器采集的各类信息加以充分利用，并对用户的行为进行准确的动态评估，同时结合用户静态数据和动态驾驶数据制作用户画像，进而实现了基于用户画像的多层次车辆共享方法。

该方法不仅仅是共享方式的创新，而是通过建立用户画像，可以为用户提供定制化的服务，为用户驾驶行为提供引导，同时丰富了共享的层次。这种共享方法不仅节省了人工成本，一切操纵均交由计算机来执行，对于汽车传感器获取的信息进行分析和充分利用，综合各方面的信息来支撑共享系统的运行，提供定制化的服务。

附图说明

图1为本发明车辆共享系统的整体架构示意图。

图2为面向智能车辆共享系统的服务器示意图。

图3为用户画像的维度划分示意图。

图4为建立用户画像计算模型的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本实施方式充分利用萝卜车的特点，结合用户静态数据和动态驾驶数据制作用户画像，进而实现了基于用户画像的多层次车辆共享系统。萝卜车是浙江大学智能车辆研究中心研发的一款电动汽车，安装了自主研发的整车控制单元vcu和部分环境感知设备，服务器通过向vcu发送命令控制车辆(如刹车状态、是否启动电机、最高车速限制等)，vcu通过保持和服务器的心跳，实时将车辆状态和驾驶数据(环境感知设备采集)上传到服务器。

本实施方式智能车辆多层次共享机制的系统架构如图1所示，该系统包括服务器程序和车载软硬件平台两个部分。如图2所示，服务器端需要包含车辆通讯服务器程序、http服务器程序、后台管理服务器程序以及用户画像计算程序，这些服务器端程序通过分组无线服务技术gprs来和智能车的整车控制系统vcu连接。用户对车的操作将会由信号采集设备和处理装置进行接收和执行，并经由can总线传至vcu，对智能车辆进行相应的控制。为了将各个模块的功能解耦，本实施方式在服务器架构中引入了消息队列，不同模块之间通过消息队列来进行交互。其中：

车辆通讯服务器一方面负责接收车辆心跳、用户驾驶数据等数据包；另一方面，负责向车辆回复确认信息，发送车辆状态设置命令；除车辆通讯服务器外，其他服务器程序不与车辆进行交互。

http服务器负责处理用户从手机端发来的请求，包括用户注册、登录、查看可用车辆等基本操作的处理，以及预约车辆、开启车辆、车辆使用权限管理等车辆管理操作，是完成系统主要业务逻辑的服务器程序。

后台管理服务器为管理人员提供可视化的界面对用户信息、车辆信息、租用信息以及各类报表和历史记录等进行查看和管理。

用户画像计算程序根据设置的时间间隔，定时计算用户画像并更新数据库。智能车载软硬件平台的特点，为平台提供了更多的维度对用户进行描述。

本实施方式所采用的用户画像模型选取以下5个维度对用户画像进行描述：

(1)身份特质。身份特质根据用户提供的学习、职业经历、人脉关系等信息进行评估，可以体现用户的受教育水平、对共享车辆的熟悉程度等特点。

(2)驾驶技术。在该维度中，通过是否持有机动车驾驶证、驾龄等硬性指标来描述用户的驾驶技术。

(3)行为偏好。行为偏好是用户在填写资料、车辆租用等方面体现出的行为特点，特别的，应用平台的违章行为举报功能可以表达用户的安全意识。

(4)信用记录。信用记录可以表达用户在车辆使用是否按规定、约定使用车辆，以及意外赔付能力。属于该维度的指标有用户超时归还次数、超出约定范围驾驶次数以及保证金交付金额等。

(5)驾驶行为。通过智能车载传感器，可以对用户驾驶过程中的驾驶习惯进行全方位的表达，如车辆行驶过程中最大速度，高速跟车的次数等，可以表达用户的驾驶模式是比较激进的，还是踏实稳定的。

上述5个维度的具体包含指标如表1所示，本实施方式将通过上述5个维度的分值，来描述一个用户的基本特征，从而建立用户画像，如图3所示。

表1

为了建立用户画像计算模型，需要经过数据采集、数据预处理、训练分类器、预测评分四个步骤。如图4所示，数据采集包括静态信息采集和动态信息采集。静态信息采集的主要范围包括身份特质和驾驶技术2个维度的信息,以及行为偏好维度中的信息是否填写完整、信用历史中的保证金缴纳金额等，这部分信息主要通过在手机端注册时，用户根据个人情况填写的个人资料中提取。动态信息采集主要包括行为偏好、信用历史和驾驶行为3个维度的信息以及身份特质中的人脉信息、拥有车辆数量等，这类信息伴随着用户的车辆租借活动实时变化。本实例把这类动态信息归纳为：驾驶习惯统计数据，异常驾驶行为统计和违约行为统计。

用户驾驶行为维度中，大部分特征通过智能车上安装的环境感知设备进行采集，受到驾驶环境和网络通讯的影响，可能造成数据丢失、夹杂噪声或者出现异常值，故本实施方式需要对这些异常数据进行过滤，即对采集到的数据进行卡尔曼滤波过滤驾驶数据，并进行离散化处理。

经过上述方法处理后，得到基本的离散数据，为了避免数值关系对模型造成干扰，在训练之前，对数据进一步离散，将不同的整数值映射0-1向量，同时基于随机森林算法来确定特征权重。在随机森林中，一个特征的权重越大，则对模型共享度越高。将每个特征的权重记为wi，这里i是特征集合s中的特征。贡献度较小的特征会被过滤掉。最终，对于筛选过后的特征集合s′中的特征wi，新的权重w′i通过下式进行标准化：

根据数据预处理阶段定义的每个特征取值的计算方式，得到用户在该特征上的分数pi，最终由下式计算得到用户的得分。

使用上述计算模型，作为服务器程序运行，定期对用户画像进行更新并推送给用户。由此可见，本发明车辆共享系统不仅仅是共享方式的创新，而且通过建立用户画像，可以为用户提供定制化的服务，为用户驾驶行为提供引导，同时丰富了共享的层次，能使用户产生的行为数据和基本信息数据被更好的分析和利用，使共享系统中智能车辆的使用效率更高，精度更加准确。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。