一种基于车辆设备状态和用户驾驶行为的情绪预测方法技术

本发明专利技术公开了一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备包括：检测车辆行驶状态是否异常，以及检测用户驾驶行为是否异常；根据车辆行驶状态异常，将所述车辆设备状态信息作为情绪波动特征；根据用户驾驶行为异常，用所述用户驾驶行为信息确定用户情绪画像；基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型，并离线训练；根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。通过上述方案，结合设备状态信息和用户画像对用户情绪波动做判断，基于设备状态信息预测情绪可以降低预测滞后问题，在用户情绪异常前做较早的预测。的预测。的预测。

【技术实现步骤摘要】
一种基于车辆设备状态和用户驾驶行为的情绪预测方法


[0001]本申请涉及情绪领域，尤其涉及一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备。

技术介绍

[0002]人工智能、深度学习技术在智能座舱应用中普及，常见的情绪识别的主流方法也是基于人工智能、深度学习技术来实现。但从模型训练特征角度，目前预测情绪的特征基本是围绕人的生物特征(如声音、人脸、血压等)和行为内容(如说话内容、身体姿态)，采集手段常见于录音、图像、穿戴设备等。如，相关专利：CN202211401340.6，CN201811157165.4。
[0003]以上方案其实都是用户情绪发生变化时的表现，严格来说是情绪识别而非情绪预测，所获得的结果在预测层面没有很好实现。
[0004]因此，本申请想要提出一种基于车辆设备状态和用户驾驶行为的自适应情绪预测的方案，解决情绪预测模型以及个性化情绪预测的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备，至少解决上述的一个技术问题。
[0006]本专利技术提供了下述方案：
[0007]根据本专利技术的一个方面，提供一种基于车辆设备状态和用户驾驶行为的情绪预测方法，所述基于车辆设备状态和用户驾驶行为的情绪预测方法包括：
[0008]检测车辆行驶状态是否异常，以及检测用户驾驶行为是否异常；r/>[0009]根据车辆行驶状态异常，将所述车辆设备状态信息作为情绪波动特征；
[0010]根据用户驾驶行为异常，用所述用户驾驶行为信息确定用户情绪画像；
[0011]基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型，并离线训练；
[0012]根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。
[0013]进一步的，所述车辆设备状态信息包括：车辆行驶过程中的道路环境信息、座舱环境信息、车辆状态信息、行车操控信息；
[0014]将所述车辆设备状态对应用户驾驶车辆情绪波动转换成影响因子信息；
[0015]根据所述车辆行驶状态异常对应情绪波动的影响因子值，判断用户当前情绪波动是否导致情绪异常。
[0016]进一步的，所述用户驾驶行为信息包括：用户驾驶过程中的音频类信息和操控类信息；
[0017]所述音频类信息包括情绪类语气、情绪类词汇的语音识别信息；
[0018]所述操控类信息包括油门、刹车、转向操控下的车辆行驶状态异常的信息；
[0019]根据所述用户驾驶行为信息确定用户情绪画像，获取用户行为对应情绪波动的敏感度信息；
[0020]根据用户驾驶行为异常对应情绪波动的敏感度值，判断车辆行驶状态异常状态下用户产生情绪波动的敏感程度。
[0021]进一步的，所述根据所述用户驾驶行为信息确定用户情绪画像，获取用户行为对应情绪波动的敏感度信息包括：
[0022]获取计算公式：E(t)＝sum(t)/n，计算所述情绪波动的敏感度值S；
[0023]以K时间为周期，设置K时间周期内用户情绪波动事件发生频次t；
[0024]持续采集t值，计算当前时间点前n个在K周期内t>0的E(t)值，生成用户驾驶行为序列；
[0025]根据S(n+1)＝t(n+1)/E(t)，获取第n+1周期计算敏感度值S；
[0026]若敏感度值S值小于1，则表示目前相较于过去情绪敏感度减小；
[0027]若敏感度值S值大于1，则表示目前相较于过去情绪敏感度增大；
[0028]若敏感度值S值等于0，则情绪敏感度值无意义。
[0029]进一步的，所述影响因子包括：
[0030]在车辆设备状态信息预设埋点信息形成数据湖；
[0031]标注所述数据湖中数据对应的所述用户驾驶行为数据；
[0032]将所述用户驾驶行为数据中异常行为特征信息数据标注为疑似情绪异常；
[0033]将标注为疑似情绪异常对应的所述车辆设备状态用y值表示，用于设备信息序列；
[0034]其中，y＝1的序列表示为对应疑似情绪异常的序列，y＝0的序列表示为对应情绪正常的序列，生成二分类模型；
[0035]将所述二分类模型接入分类任务网络层；
[0036]所述分类任务网络层包括，激活函数层和线性分类器函数层；
[0037]其中，激活函数用于表示在训练过程中增大有效特征的贡献度，线性分类器函数用于确定分类结果以及每个类别的置信度值；
[0038]若，所述y值的结果为1，则置信度值用于表示所述车辆行驶状态异常对应情绪波动的影响因子值，表述为d。
[0039]进一步的，所述根据所述情绪波动特征模型预测用户情绪状态是否是异常状态包括：
[0040]获取计算公式
[0041]将所述影响因子值d、所述情绪敏感度值S、所述y值的序列输入，获取Score值；
[0042]其中，Score值为所述情绪是否为异常情绪状态的预测值；
[0043]若，Score值大于0，则对当前车辆行驶场景的情绪波动，导致情绪状态的预测为异常情绪状态。
[0044]进一步的，所述基于车辆设备状态和用户驾驶行为的情绪预测包括离线训练：
[0045]步骤6，采集设备端的车辆设备状态信息；
[0046]步骤7，在车辆设备状态信息预设埋点信息并上传至云端；
[0047]步骤8，预设云端特征工程模块对车辆设备状态信息做特征化处理，获得车辆设备状态特征数据；
[0048]步骤9，以车辆设备状态特征数据训练车辆的设备状态情绪模型。
[0049]进一步的，所述基于车辆设备状态和用户驾驶行为的情绪预测还包括在线预测：
[0050]步骤1，根据所述K时间周期内的所述用户驾驶行为序列计算用户行为特征信息；
[0051]步骤2，将步骤1的所述用户行为特征信息送入所述用户情绪画像模型，获得用户产生情绪波动的敏感度值；
[0052]步骤3，根据所述K时间周期内的所述设备信息序列实时上传云端，经过所述云端特征工程模块处理，获得车辆设备状态特征信息；
[0053]步骤4，将步骤3的所述车辆设备状态特征信息送入所述设备状态情绪模型，获得车辆设备状态对应情绪波动的影响因子值；
[0054]步骤5，对步骤2和步骤4的值做归一化乘运算，如果结果值超过预设阈值，则预测用户情绪波动引起情绪异常，否则预测用户情绪波动不会引起情绪异常。
[0055]根据本专利技术的另一个方面，提供一种基于车辆设备状态和用户驾驶行为的情绪预测装置，所述基于车辆设备状态和用户驾驶行为的情绪预测装置包括：
[0056]检测模块，用于检测车辆行驶状态是否异常，以及检测用户驾驶行为是否异常；
[0057]特征模块，用于根据车辆行驶状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车辆设备状态和用户驾驶行为的情绪预测方法，其特征在于，所述基于车辆设备状态和用户驾驶行为的情绪预测方法包括：检测车辆行驶状态是否异常，以及检测用户驾驶行为是否异常；根据车辆行驶状态异常，将所述车辆设备状态信息作为情绪波动特征；根据用户驾驶行为异常，用所述用户驾驶行为信息确定用户情绪画像；基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型，并离线训练；根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。2.根据权利要求1所述的基于车辆设备状态和用户驾驶行为的情绪预测方法，其特征在于，所述车辆设备状态信息包括：车辆行驶过程中的道路环境信息、座舱环境信息、车辆状态信息、行车操控信息；将所述车辆设备状态对应用户驾驶车辆情绪波动转换成影响因子信息；根据所述车辆行驶状态异常对应情绪波动的影响因子值，判断用户当前情绪波动是否导致情绪异常。3.根据权利要求2所述的基于车辆设备状态和用户驾驶行为的情绪预测方法，其特征在于，所述用户驾驶行为信息包括：用户驾驶过程中的音频类信息和操控类信息；所述音频类信息包括情绪类语气、情绪类词汇的语音识别信息；所述操控类信息包括油门、刹车、转向操控下的车辆行驶状态异常的信息；根据所述用户驾驶行为信息确定用户情绪画像，获取用户行为对应情绪波动的敏感度信息；根据用户驾驶行为异常对应情绪波动的敏感度值，判断车辆行驶状态异常状态下用户产生情绪波动的敏感程度。4.根据权利要求3所述的基于车辆设备状态和用户驾驶行为的情绪预测方法，其特征在于，所述根据所述用户驾驶行为信息确定用户情绪画像，获取用户行为对应情绪波动的敏感度信息包括：获取计算公式：E(t)＝sum(t)/n，计算所述情绪波动的敏感度值S；以K时间为周期，设置K时间周期内用户情绪波动事件发生频次t；持续采集t值，计算当前时间点前n个在K周期内t>0的E(t)值，生成用户驾驶行为序列；根据S(n+1)＝t(n+1)/E(t)，获取第n+1周期计算敏感度值S；若敏感度值S值小于1，则表示目前相较于过去情绪敏感度减小；若敏感度值S值大于1，则表示目前相较于过去情绪敏感度增大；若敏感度值S值等于0，则情绪敏感度值无意义。5.根据权利要求4所述的基于车辆设备状态和用户驾驶行为的情绪预测方法，其特征在于，所述影响因子包括：在车辆设备状态信息预设埋点信息形成数据湖；标注所述数据湖中数据对应的所述用户驾驶行为数据；将所述用户驾驶行为数据中异常行为特征信息数据标注为疑似情绪异常；将标注为疑似情绪异常对应的所述车辆设备状态用y值表示，用于设备信息序列；其中，y＝1的序列表示为对应疑似情绪异常的序列，y＝0的序列表示为对应情绪正常
的序列，生成二分类模型；将所述二分类模型接入分类任务网络层；所述分类任务网络层包括，激活函数层和线性分类器函数层；其中，激活函数用于表示在训练过程中增大有效...

【专利技术属性】
技术研发人员：原利鹏，
申请(专利权)人：一汽北京软件科技有限公司，
类型：发明
国别省市：