用于自动预选目的地的方法和装置的制作方法

专利名称：用于自动预选目的地的方法和装置的制作方法
技术领域：
本发明涉及一种用于自动预选感兴趣的目的地的方法和装置。现代的计算机系统，例如笔记本电脑、PDA、导航系统、信息娱乐系统甚至手机都经常向各自的用户提供选择不同目的地的可能性，这些目的地是他们所感兴趣的。这类感兴趣目的地例如可以是游览景点、饭店、特定的商店或者娱乐中心。用户能够以简单的方式选择希望的目的地，并且获得与该目的地相联系的信息，这一点对于接受该种功能是重要的，其中该项功能通常以计算机程序的形式储存在各自计算机系统中，并且在计算机系统中运行。
背景技术：
操作界面，即所谓的菜单是众所周知的，其能使快速搜索希望的数据记录变得容易。此外，提供各个数据列表也是众所周知的，用户可以从该列表中做出一个选择。这例如可以实现用于从电话簿中选择姓名、在导航系统中从最近(到达)的目的地的列表中选择地名、或者在MP3播放器中从可播放的曲目列表中选择歌曲名。
此外，众所周知的是，在操作系统的开始菜单中显示具有经常使用的指令的列表，该列表的优点是用户可以选取这些指令，而用户不必知道在哪些子菜单中可以找到相应的指令，并且用户不必通过一般情况下存在的菜单结构点击相应的子菜单。
DE19535576A1中公开了一种用于支持目的地指引的方法和相应的装置，在该方法和装置中，当前的行车路线与存储在标准行车路线存储器中的行车路线进行比较。然后，由此以可能性(概率)的角度预告出当前的行车目的地。当前的行车路线缓存在缓冲存储器中，也就是说存储可预设的持续时间。如果在缓冲存储器中存储的各个行车路径的使用频率超过预设的阈值，那么相应的行车路径被存储到标准行车路线存储器中。各个标准行车路线优选与时间信息共同存储，该时间信息例如包括星期几或者白天时间。
WO00/12967公开了一种导航装置，该装置被设计用来产生用于至少一个行驶目的地或者行车路线的方案，而用户不必费力地进行输入。为此目的，例如出发地、出发时间或者相应的日期被分配给在历史记录中存储的行车路线特征。因此，特征记录被分配给每个行车路线。根据获得的当前特征，如当前日期、当前时间、当前位置，与存储的特征记录的比较。通过对当前的特征与存储的特征固定的提前评估而确定用于各个特征记录的加权偏差，并且基于此偏差来预测最可能的行车路线。然后将该行车路线提供给用户。
EP1098287A1中公开了一种用于制定行车路线的方法。地理目的地由用户通过输入接口输入到导航系统中。附加的数据，例如进行输入的当前时间、进行输入时的位置、相应的星期几或者相应的季节与目的地一同存储。然后，在导航系统运行时，当前的附加数据通过固定预设的加权轮廓(Gewichtungsprofile)加权，并由此确定概率因子。然后根据该因子对各个存储的目的地排序，并呈现给用户。

发明内容
本发明的目的是提出一种用于自动预选感兴趣的目的地的方法和装置，该装置或者方法比较简单、轻松。
该目的通过独立权利要求的特征实现。有利的设计方案在从属权利要求中描述。
本发明的特点是提供一种用于自动预选感兴趣的目的地的方法和装置。给每个单独的目的地都分配了特征参数。各个目的地的偏好值通过为多个目的地预设的偏好模型根据特征参数来确定。各个目的地根据各自偏好值来排序并且以该顺序呈现。根据之后实际选取的目的地的特征参数调整偏好模型。偏好模型观察用户，然后根据其实际的选择行为调整偏好模型，通过该方式来学习用户的偏好。这能够以简单的方式相应于用户的偏好向用户提供感兴趣的目的地以及例如新添加进来的目的地。通过该方式，用户可以完全从复杂的搜索程序中解脱出来。此外，偏好模型的所需的存储容量也很少依赖于感兴趣的目的地的数量。这在具有大量的感兴趣的目的地时是特别有利的。
在根据本发明的有利的设计方案中，偏好模型包括加权值，该加权值直接或者间接被分配给特征参数。通过调整一个或者多个加权值来实现对偏好模型的调整。通过该方式可以非常简单并且同时较好地来调整偏好模型。加权值例如可以是直接分配给该参数的因子，或者也可以是各个特征参数和各个偏好值之间的函数关系的组成部分。然后也可以确定中间值，而该中间值通过相应的加权值联系起来，最后分配给偏好值。
当偏好模型包括神经网络时是特别有利的。在合适的网络结构时，该种类型的神经网络也可以学习非常复杂的用户偏好。
当至少一个特征参数表征目的地的地点的相关性时，用户的偏好可以通过偏好模型特别有效地反映。此时当至少一个特征参数表示到当前位置的距离并且/或当至少一个特征参数表示到行驶目的地的距离时是非常有利的。此外，当至少一个特征参数表示所述目的地的位置的类型时，也被证明是非常有利的。
此外，当至少一个特征参数对各个目的地进行分级时，也是非常有利的。此处的分级例如根据目的地的类型并且例如对于宾馆而言是指各个宾馆的星级。
此外，当至少一个特征参数表示企业标识或者商标时，是非常有利的。此外，当至少一个特征参数表示烹饪类型时，是非常有利的。
此外，当至少一个特征参数表征所述目的地的时间相关性时是有利的。
在根据本发明的另一个有利的设计方案中，将所述目的地分别分配给目的地类型。将特征参数分配给各个目的地类型。各个目的地类型的偏好值通过为多个目的地类型预设的另外的偏好模型根据目的地类型特征参数来确定。根据各个偏好值对所述单独的目的地类型排序并且以该顺序呈现所述单独的目的地类型。根据之后实际选取的目的地类型的所述目的地类型特征参数调整所述另外的偏好模型。
另外的偏好模型观察用户，然后根据其实际的选择行为调整该另外的偏好模型，通过该方式来学习各个用户的对于目的地类型的偏好。这能够以简单的方式根据用户的偏好向用户提供目的地类型。通过该方式，用户可以完全从复杂的搜索程序中解脱出来。此外，另外的偏好模型的所需的存储容量也很少依赖于感兴趣的目的地的数量。这在具有大量的感兴趣的目的地类型时是特别有利的。
另外的偏好模型也可以不依赖于感兴趣的目的地的偏好模型来设定。
此处，当另外的偏好模型包括加权值，该加权值直接或者间接地被分配给目的地类型特征参数并且当通过调整一个或者多个加权值来调整另外的偏好模型时，是特别有利的。通过该方式可以非常简单并且同时较好地来调整另外的偏好模型。
在根据本发明的另一个有利的设计方案中，另外的偏好模型包括神经网络。通过该方式，即便用户偏好具有非常复杂的特性(Natur)，也可以通过相应地训练神经网络来非常准确地学习用户对各个目的地类型的偏好。
在根据本发明的另一个有利的设计方案中，至少一个目的地类型特征参数表征所述目的地类型的地点的相关性。该方案的优点是用户对于目的地类型的偏好可以通过另外的偏好模型特别有效地反映。此时当至少一个目的地类型特征参数表征所述目的地类型的时间相关性时是有利的。通过该方式，用户对于目的地类型的偏好也可以通过另外的偏好模型非常有效地反映。
此外，在此当至少一个目的地类型特征参数表示当时的日、月、年或者季节或者预设的年内的某一期间(Jahresabschnitt)时，是有利的。此外，在此有利的是所述至少一个目的地类型特征参数表示白天时段。白天时段被理解为白天的预设时段，例如上午、中午或者高峰时间以及类似的时段。
此外，在此当所述至少一个目的地类型特征参数表示驾驶持续时间是有利的。在此可以例如有利地考虑，是否用户马上要休息一下并且是否相应的目的地类型是与休息相关的。
在根据本发明的另一个有利的设计方案中，至少一个目的地类型特征参数表征机动车的运行参数。该机动车运行参数被理解为测量值，或者由该测量值推导的估算值，其中该测量值由设置在机动车中的传感器检测。利用该方式，当机动车的油箱液位低于预设的阈值时，也可以优选地选择针对特定机动车状态的典型目的地类型，例如该目的地类型是加油站。


以下根据示意图对本发明的实施例进一步说明。图中示出了图1是选择装置，该选择装置包括第一偏好模型和第二偏好模型；图2是第一偏好模型的结构；图3是程序框图，该程序存储在选择装置中并在该装置中运行以选择目的地；图4是特征参数列表；图5是感兴趣的目的地列表；图6是另一程序框图，该程序存储在选择装置中并且在该装置中运行以预选目的地类型；图7是不同的目的地类型参数表；以及图8是不同的目的地类型表。
具体实施例方式
选择装置Z(图1)包括输入/输出单元I/O、运算单元R、第一偏好模型PM1、第二偏好模型PM2、和通信单元KOM。输入/输出单元I/O优选包括显示器及优选包括键盘单元。可选地或者附加地，用于输入数据的显示器也可以设计为所谓的触摸屏。运算单元优选包括微处理器、数据存储器和程序存储器。
此外，选择装置包括通信单元KOM，通过该通信单元，选择装置可以与其它装置如机动车的其它控制设备通信，或者可以利用通信单元接收例如GPS系统的位置信号。选择装置Z例如可以是导航系统的一个组成部分，但例如也可以是PDA，也就是所谓的掌上电脑。选择装置还可以是任意的其它计算机，或者例如是移动电话的组成部分。
根据图2中的框图进一步描述第一偏好模型PM1的例示性结构。特征参数P1到P9是第一偏好模型PM1的输入参数，该第一偏好模型以网络的形式结构化。该网络包括输入层的节点K11至K19，特征参数P1到P9分别传输到这些节点。节点K11至K19的输出端与另一层的节点K21至K26连接，但是也可以直接与网络的输出层的一个或者多个节点K31连接。另一层的节点K21至K26然后与网络输出层的节点K31连接。以节点K21为例例示性示出了节点K21与输入层的节点K13、K14、K15的输出端的连接。可以任意设计网络的节点K11至K31的连接。
加权值被分配给各个节点K11至K31。通过节点K11至K31的各个加权值，将各个节点K11至K31的输入值映射到输出值。因此，各自的加权值可以是因子，各个节点K11至K31的各个输入值与该因子相乘，或者该加权值也可以是数学函数的其它任意的函数参数，该数学函数被分配给各个节点K11至K31。该网络可以包括任意数量的层以及节点K11至K31。该网络优选是神经网络。本领域的技术人员可以从专业书籍“Thorie der neuronalen NetzeEine systematische Einfhrung”Raoul Rojas，Berlin，Springer，1993，ISBN 3-540-56353-9中获知神经网络的结构以及调整。在神经网络的情况下，节点K11至K31例如可以包括Sigmoid函数(双曲正切S型函数)。
网络的输出层的节点K31的输出值为偏好值PV。
特征参数P1到P9的可能实施例在图4的表中示出。在这种情况下，特征参数P1是到当前位置的距离。因此这里赋予各目的地到当前位置的距离，该距离例如通过GPS系统测定。第二特征参数P2是各个感兴趣的目的地到当前行车目的地的距离。该当前行车目的地例如可以由用户输入或者也可以通过导航系统确定。
第三特征参数P3对各个目的地进行分级，并且包括例如宾馆或者饭店或者类似设施的星级。第四特征参数P4表示感兴趣的目的地的各个价位。其值可以设定为“高价位”、“中间价位”、“低价位”。第五特征参数P5是商业标识或者商标。第五特征参数P5也可以以多个参数的形式存在，商业标识或者商标分别被分配给这些参数。例如特定的快餐连锁店或者宾馆连锁店或者零售连锁店的商业标识也可以被分配给第五参数P5。
第六参数P6被分配给各种类型的烹饪，在感兴趣的目的地例如是饭店或者宾馆时，烹饪是比较重要的。例如可以设定烹饪类型的值为德国烹饪、意大利烹饪、法国烹饪以及中国烹饪。第七特征参数表示各个目的地的位置。该位置的值例如可以设定为“靠近机场”、“远离机场”、“靠近火车站”、“远离火车站”、“靠近高速公路”、“远离高速公路”、“安静的”、“吵闹的”、“休养地”、以及类似值。第八特征参数P8被分配给白天时间或者白天时段。所以，其值例如可以设定为“傍晚”、“早晨”、“中午”。因此，第八特征参数P8表示各个目的地POI的时间的相关性。特定的周一至周日中的一天(即星期几)、特定的星期、特定的月份、特定的季节、或者其它的年内的某一期间或者类似的值可以被分配给该参数。
图5示出了感兴趣的不同目的地POI的表，具有分别分配给该目的地的特征参数P1至P9以及通过第一偏好模型PM1确定的各个偏好值PV。图表以空格的形式示出了例示出的感兴趣的具体目的地POI_1到POI_9的各自的偏好值PV以及各自的特征参数P1至P9值，在具体实现时将相应的数值赋予这些空格。分配给各个目的地POI的特征参数P1至P9的值可以部分地固定地预设，例如第六参数P6是烹饪类型、或者可随时间变化的特性，例如第二特征参数P2是到当前的行驶目的地的距离。在个别目的地POI时，必要时可以仅仅对部分特征参数P1至P9赋值。
在选择装置Z运行时，运行存储在选择装置的程序存储器中的程序。该程序在步骤S1(图3)中启动，如果需要的话变量在该步骤中初始化。
在步骤S2中，各个感兴趣的相关目的地POI_I例如通过向必要时地理上远离设置的服务单元提出的当前感兴趣的、相关目的地POI_I的相应请求，由运算单元R的数据存储器接收，或者可能例如由通信单元KOM接收，其中服务单元根据请求提供这类目的地POI_I。此外，在步骤S2中，分配给相关目的地POI_I的特征参数P1到P9的值也从数据存储器中读取或者，在它们发生时间改变或者位置改变的情况下，根据当前的时间坐标或者位置坐标重新计算。
接下来，在步骤S2中，各个相关的偏好值PV_I根据相关目的地POI_I的特征参数P1到P9的值，利用根据图2的第一偏好模型确定。
在步骤S4中，根据分配给目的地的偏好值PV_I实现对各个相关的感兴趣的目的地POI_I的排序SORT。
然后，在步骤S6中，根据在步骤S4中排序的相关目的地POI_I以偏好值PV_I的顺序通过输入/输出单元I/O显示。该显示DISP优选在显示器上实现。除了显示根据其偏好值PV_I排序的相关目的地POI_I之外，也可以例如在显示器上显示最近选取的目的地POI。用户现在可能已经选取一个目的地POI_I，并且获得关于该选取的目的地POI_S进一步的信息，或者可能例如操纵导航系统将用户引向目的地POI_S。然后，在步骤S8中，根据之后实际选取的目的地POI_S的特征参数P1到P9的值来调整第一偏好模型的加权值W_II。此处可以调整第一偏好模型PM1的所有加权值W_II或者也可以调整其中的一部分。为此，可以应用本领域技术人员所熟知的调整方法。因此，例如，在第一偏好模型包括神经网络的情况下，例如可以使用所谓的反向传播学习算法(BackPropagation-Lernalgorithmus)。
随后，该程序在步骤S10中结束。当用户再一次请求选择目的地POI时，该程序可能被再次调出。
此外，选择装置Z优选包括第二偏好模型PM2。该第二偏好模型PM2的结构与第一偏好模型PM1相对应。代替图2中的参数P1至P9，在输入层的相应节点K1至K19(图2)上目的地类型参数PT1至PT9是输入值。代替偏好值PV，在其相应的输出端节点K31确定目的地类型偏好值PVT。
图7的表格中例如示出了可能的目的地类型参数PT1至PT9。因此，白天被分配给第一目的地类型参数PT1。另一选择是，在这里也可以分配白天的特定时间段，例如像“上午”、“中午”、“下午”、“傍晚”、或者“高峰时间”。周一至周日的一天被分配给第二目的地类型参数PT2。因此，第二目的地类型参数PT2也可以例如分成7个用于周一至周日中一天(或者说星期几)的目的地类型参数。相应地，这也适合于第一目的地类型参数PT1。
到下一个日期的时间间隔例如可以被分配给第三目的地类型参数PT3，该日期例如从电子日历中得到。选择装置Z的当前位置例如可以被分配给第四目的地类型参数PT4。第五目的地类型参数PT5基于行驶持续时间，也就是说，例如从机动车发动机的最后一次关闭开始的持续时间，或者可以是直到预期目的地还剩余的持续时间。
机动车的运行参数被分配给第六目的地类型参数PT6，选择装置Z可以设置在机动车中。该运行参数例如可以是油箱液位。
图8的表格中示出了不同的目的地类型POIT，也就是说相关目的地类型POIT1至POIT9，这些目的地类型相应于图5中的目的地POI，这些目的地具有分配给它们的目的地类型参数PT1至PT9的值以及各个目的地类型偏好值PVT的值。这里也示出了空格，该空格在选择装置Z运行时赋予相应的值。目的地类型可以例如是游览景点、宾馆、机场、火车站、饭店、商店、加油站、娱乐中心和类似的地点。
另外的程序存储在运算单元R的程序存储器中，并且在选择装置Z运行时在运算单元R中执行。另外的程序在步骤S16(图6)中启动，在该步骤中，必要时对变量初始化。
在步骤S18中，相关的目的地类型POIT_I从运算单元R的数据存储器中读入，并且/或者通过通信单元KOM由另一个单元读入。然后，与步骤S2相应，目的地类型参数PT1至PT9的相应值也被分配给各个相关的目的地类型POIT_I。这些值或者可以固定地预设或者也可以根据例如当前的时间或者表征当前时间的参数或者位置参数或者运行参数来确定。
此外，在步骤S18中，用于各个相关目的地类型POIT_I的各个相关目的地类型偏好值PVT_I根据分配给它的目的地类型参数PT1至PT9的值通过第二偏好模型PM2确定。然后，相关目的地类型POIT_I接下来根据分配给它的目的地类型偏好值PVT_I来排序，并且在步骤S18中，通过显示功能DISP，优选地以列表的形式在输入/输出单元I/O上呈现给用户，并且优选地在分配给该输入/输出单元的用于选择的显示器上呈现。在此，呈现的目的地类型POIT_I的数量也可以被限制在预设的最大值之内。在呈现的目的地类型POIT_I的下面还可以发现最近调用的或者特别是经常调用的目的地类型。
然后，用户可能已经选取了目的地类型POIT_I。如果用户目的确定了目的地类型POIT_I，被确定的该目的类型被称为选出的目的地类型POIT_S，那么接下来分配给(或者说属于)该选取的目的地类型POIT_S的目的地POI被呈现给用户。例如，用户选择宾馆作为目的地类型，然后在接下来的步骤中相应的宾馆作为目的地呈现给用户，优选但不是必须根据图3中的程序的流程进行。
然后在步骤S24中，根据分配给选取目的地类型POIT_S的目的地类型参数PT1至PT9的值来调整与加权值W_II相对应的目的地类型加权值W_II。这相应于步骤S8中的流程实现。随后，程序在步骤S26中结束。当通过用户对目的地POI进行再一次请求时，优选再次调用该程序。
权利要求
1.一种用于自动预选多个感兴趣的目的地(POI)的方法，其中，-给每个单独的目的地(POI_I)分配了特征参数(P1-P9)，-通过为多个所述目的地(POI)预设的偏好模型(PM1)根据所述特征参数(P1-P9)来确定各个目的地(PO_I)的偏好值(PV_I)，-所述单独的目的地(POI_I)根据各个偏好值(PV_I)来排序并且以该顺序呈现，-根据之后实际选取的目的地(POI_S)的所述特征参数(P1-P9)来调整所述偏好模型(PM1)。
2.根据权利要求1所述的方法，其中，所述偏好模型(PM1)包括加权值(W_II)，所述加权值直接或者间接地被分配给所述特征参数(P1-P9)，在所述方法中，通过调整一个或者多个所述加权值(W_II)来调整所述偏好模型(PM1)。
3.根据权利要求2所述的方法，其中，所述偏好模型(PM1)包括神经网络。
4.根据前述权利要求中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)表征所述目的地(POI)的地点的相关性。
5.根据权利要求4所述的方法，其中，所述至少一个特征参数(P1-P9)表示到当前位置的距离。
6.根据权利要求4或5所述的方法，其中，所述至少一个特征参数(P1-P9)表示到行驶目的地的距离。
7.根据权利要求4到6中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)表示所述目的地的位置的类型。
8.根据前述权利要求中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)对各个目的地(POI_I)进行分级。
9.根据前述权利要求中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)表示企业标识或者商标。
10.根据前述权利要求中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)表示烹饪类型。
11.根据前述权利要求中任一项所述的方法，其中，所述至少一个特征参数(P1-P9)表征所述目的地(POI)的时间相关性。
12.根据前述权利要求中任一项所述的方法，其中，将所述目的地(POI)分别分配给目的地类型(POIT)，将特征参数(PT1-PT9)分配给各个目的地类型(POIT_I)，-各个目的地类型(POIT_I)的目的地类型偏好值(PVT)通过为多个目的地类型(POIT)预设的另外的偏好模型(PM2)根据目的地类型特征参数(PT1-PT9)来确定，-根据所述各个目的地类型偏好值(PVT_I)对所述单独目的地类型(POIT_I)排序并且以该顺序呈现所述单独目的地类型，-根据之后实际选取的目的地类型(POIT_S)的所述目的地类型特征参数(PT1-PT9)调整所述另外的偏好模型(PM2)。
13.根据权利要求12所述的方法，其中，所述另外的偏好模型(PM2)包括目的地类型加权值(WT_II)，所述目的地类型加权值直接或者间接地分配给所述目的地类型特征参数(PT1-PT9)，在所述方法中，通过调整一个或者多个所述目的地类型加权值(WT_II)来调整所述另外的偏好模型(PM2)。
14.根据权利要求13所述的方法，其中，所述另外的偏好模型(PM2)包括神经网络。
15.根据权利要求12到14中任一项所述的方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表征所述目的地类型(POIT)的地点的相关性。
16.根据权利要求12到15中任一项所述的方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表征所述目的地类型(POIT)的时间相关性。
17.根据权利要求16所述的方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表示各个日、月、年或者季节或者预设的年内的某一期间。
18.根据权利要求16或17所述的方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表示白天时段。
19.根据权利要求12到18中任一项所述方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表示驾驶持续时间。
20.根据权利要求12到19中任一项所述的方法，其中，所述至少一个目的地类型特征参数(PT1-PT9)表征机动车的运行参数。
21.一种用于自动预选感兴趣的目的地(POI)的装置，其中-将特征参数(P1-P9)分配给每个单独的目的地(POI_I)，所述装置设计用于-通过为多个目的地(POI)预设的偏好模型(PM1)根据所述特征参数(P1-P9)来确定用于单独的目的地(POI_I)的偏好值(PV_I)，-根据各个所述偏好值(PV_I)对所述单独的目的地(POI_I)排序，并且以该顺序呈现所述单独的目的地，以及-根据之后实际选取的目的地(POI_S)的所述特征参数(P1-P9)来调整所述偏好模型(PM1)。
全文摘要
为了自动地预择多个感兴趣的目的地(POI_I)，将特征参数(P1－P9)分配给每个单个的目的地(POI_I)。通过为多个目的地(POI_I)预设的偏好模型根据特征参数(P1－P9)来确定用于各个目的地(POI_I)的偏好值(PV_I)。各个目的地(POI_I)根据各自偏好值(PV_I)来排序并且以该顺序呈现。根据实际选取的目的地(POI_S)的特征参数(P1－P9)以反复学习的方式调整偏好模型。
文档编号G01C21/36GK101014832SQ200580030304
公开日2007年8月8日 申请日期2005年8月12日 优先权日2004年9月10日
发明者阿卜杜勒卡里姆·贝勒胡拉, 汉斯-威廉·吕尔, 格尔德·施赖特尔 申请人:西门子公司