[发明专利]基于车辆驾驶场景的音乐推荐方法

权利要求书

1.一种基于车辆驾驶场景的音乐推荐方法，其特征在于，包括以下步骤：

S1：根据人格评测工具确定待推荐用户的人格特质信息；

S2：采集车辆的埋点数据，并将所述埋点数据随机分为训练集和测试集；其中，所述埋点数据包括驾驶信息和场景信息；

S3：根据所述埋点数据的所述驾驶信息对所述训练集的数据的所述驾驶信息进行预分类；

S4：根据预分类结果以及所述待推荐用户当前的驾驶信息，确定待推荐用户当前的驾驶场景；

S5：对所述待推荐用户当前的驾驶场景对应的所述场景信息进行相关性分析，以获取所述待推荐用户的音乐偏好信息；

S6：根据所述音乐偏好信息确定与所述待推荐用户的音乐偏好相近的若干音乐偏好相似用户，并根据所述人格特质信息确定与所述待推荐用户的人格特质相近的若干人格特质相似用户；

S7：根据所述音乐偏好相似用户的音乐偏好信息、所述人格特质相似用户的人格特质信息、所述音乐偏好相似用户对各歌曲的偏好信息、所述人格特质相似用户对各歌曲的偏好信息确定所述待推荐用户对各歌曲的偏好度；并根据所述待推荐用户对各歌曲的偏好度构建音乐推荐列表。

2.如权利要求1所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，其中

在所述步骤S1中，所述人格测评工具包括晴天音乐子人格测评量表；并且

在所述步骤S2中，所述埋点数据的所述驾驶信息包括行车速度和驾驶行为习惯，所述埋点数据的所述场景信息包括天气情况、道路状况、节假日信息和歌曲收听列表；其中

所述驾驶信息为连续型变量，所述场景信息为离散型变量。

3.如权利要求2所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，在所述步骤S2中，所述采集车辆的埋点数据包括：

获得预定时间段内的所述车辆的平均行车速度，并以该平均行车速度作为所述行车速度；

获得所述预定时间段之前、所述车辆的百公里行驶状况，并且根据以下公式计算所述驾驶行为习惯：

其中，S为驾驶行为习惯；A₁为百公里内急加速次数；A₂为百公里内急减速次数；W为百公里内急转弯次数；L₁为百公里内超速10％及以下次数；L₂为百公里内超速10％以上及20％以下次数；L₃为百公里内超速20％及以上次数；T为百公里内转向未打转向灯次数。

4.如权利要求3所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，步骤S3包括：

S31：根据所述埋点数据的所述驾驶信息建立混合高斯模型；

S32：利用最大期望算法确定所述混合高斯模型的最大化模型参数；

S33：利用贝叶斯信息标准对所述训练集的数据的所述驾驶信息进行预分类。

5.如权利要求4所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，步骤S31中，根据所述埋点数据的所述驾驶信息建立混合高斯模型时，以所述驾驶信息为特征列，其中，每一类所述驾驶场景中每一个待推荐用户的特征列均包括所述场景信息；

步骤S32包括：

S321：将所述行车速度和所述驾驶行为习惯作为所述混合高斯模型的样本数据；

S322：对所述混合高斯模型设置初始化模型参数并重复执行S323和S324；

S323：根据初始化模型参数或上一次迭代的模型参数计算所述混合高斯模型中隐变量的后验概率；

S324：根据所述后验概率计算所述混合高斯模型的似然函数，并将所述似然函数最大化以获取新的模型参数；

S325：当所述新的模型参数与所述迭代的模型参数的差值小于预设参数阈值时，停止迭代，并将停止迭代时的所述新的模型参数作为使所述似然函数最大化的所述最大化模型参数；

步骤S33中，根据以下公式对所述车辆驾驶场景进行预分类：

BIC＝kln(m)-2ln(L)

其中，BIC为车辆驾驶场景数量；k为最大化模型参数个数；m为样本数量；L为似然函数。