【技术实现步骤摘要】
本专利技术涉及摩托车驾驶领域，尤其涉及一种摩托车驾驶模式推荐方法和系统。
技术介绍
1、随着消费结构的改变，摩托车、全地形车等高端动力运动装备逐渐成为重要的交通工具及休闲娱乐方式，有着广泛的用户群体及市场需求。在新能源新技术的赋能推动下，摩托车正沿着电动化、个性化、智能化等方向转型升级。
2、与汽车驾驶类似，摩托车为满足不同的驾驶需求也推行了几款典型的驾驶模式。但由于摩托车骑行独有的复杂性与专业性，且骑行场景更加复杂多样，用户难以快速、准确地判断出跟适合哪款典型的驾驶模式，因此亟需一套能针对用户的骑行习惯与场景推荐合适的驾驶模式的驾驶模式推荐系统，提升用户骑行的体验感与安全性。
3、摩托车用户的骑行数据是一系列包含时间信息的行为数据，而对于传统的基于深度强化学习的推荐系统来说，如何提取时序信息并对用户建模更是关乎系统性能的关键问题。现有的推荐算法大多为有标签场景，进行有监督训练，对于无标签场景无法发挥作用，存在一定局限性。
技术实现思路
1、针对现有技术的不足，本专利技术提出一种摩托车驾驶模式推荐方法和系统，采用了基于transformer算法的深度学习技术，针对骑行数据呈序列分布的特征，更深入地建模骑行序列，进一步挖掘了用户信息，且可以在无标签场景下发挥作用。
2、具体技术方案如下：
3、一种摩托车驾驶模式推荐方法，包括以下步骤：
4、s1：获取历史用户驾驶数据，对其进行预处理和特征工程，得到用户骑行的关键特征参数；p>
5、s2：使用基于深度学习的用户行为模型对用户骑行的关键特征参数的时序数据进行建模分析，得到代表用户骑行行为的嵌入向量；所述基于深度学习的用户行为模型基于transformer算法实现；
6、s3：使用向量检索引擎将用户骑行行为的嵌入向量与典型驾驶模式的嵌入向量进行匹配，并向用户推荐相似度最高的典型驾驶模式；所述典型驾驶模式的嵌入向量通过对典型驾驶模式的驾驶数据进行预处理和特征工程后，使用基于深度学习的用户行为模型对关键特征参数进行建模分析得到。
7、进一步地，所述历史用户驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗；所述典型驾驶模式的驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗。
8、进一步地，所述预处理包括数据清洗和数据归一化。
9、进一步地，所述s2具体通过如下子步骤实现：
10、（2.1）将s1得到的用户骑行的关键特征参数的时序数据输入基于深度学习的用户行为模型，对于每一个关键特征进行建模分析，并输出包含该关键特征的嵌入向量，向量非用户行为信息；
11、（2.2）将各个关键特征对应的嵌入向量进行融合汇总，得到代表用户骑行行为的嵌入向量。
12、进一步地，所述s3中，将代表用户骑行行为的嵌入向量与不同典型驾驶模式的嵌入向量分别相乘，所得结果为用户骑行行为与对应典型驾驶模式的相似度。
13、进一步地，所述transformer算法进行了优化，包括：结构优化、训练过程优化、推理过程优化；
14、所述结构优化包括：在前向传播过程中设置稀疏注意力机制、在前向传播的每一层中对输入数据进行预归一化、在位置编码过程中采用旋转位置编码；
15、所述训练过程优化包括：梯度累积和动态学习率调整；
16、所述推理过程优化包括：模型剪枝和知识蒸馏。
17、进一步地，所述transformer算法的优化还包括：
18、参数共享：在transformer模型的不同部分之间共享参数，所述参数包括权重；
19、混合体系结构：将transformer模型与其他神经网络相结合，以利用不同神经网络的优点；
20、自适应调整模型大小或深度：根据输入的关键特征的时序数据大小动态调整基于深度学习的用户行为模型的大小或深度。
21、进一步地，所述用户骑行行为的嵌入向量和典型驾驶模式的嵌入向量的存储均使用可扩展的向量储存压缩技术，包括：稀疏表示、内存预分配、向量量化。
22、进一步地，摩托车用户选择s3中推荐的相似度最高的典型驾驶模式后，骑行后的驾驶数据通过车载的物联网设备采集用户驾驶数据，并上传到云端数据库，作为历史用户驾驶数据，用于下一次的驾驶模式推荐。
23、一种摩托车驾驶模式推荐系统，用于实现所述的摩托车驾驶模式推荐方法，包括：数据读取模块、特征提取模块、建模分析模块、匹配推荐模块；
24、所述数据读取模块用于从云端数据库调用历史用户驾驶数据；
25、所述特征提取模块用于对用户驾驶数据进行预处理和特征工程，得到用户骑行的关键特征参数；
26、所述建模分析模块中设置有基于深度学习的用户行为模型，用于对用户骑行的关键特征参数进行建模分析，得到代表用户骑行行为的嵌入向量；
27、所述匹配推荐模块用于将用户骑行行为的嵌入向量与典型驾驶模式的嵌入向量进行匹配，并向用户推荐相似度最高的典型驾驶模式。
28、本专利技术的有益效果是：
29、本专利技术能结合用户的骑行风格与摩托车车辆复杂的参数信息为驾驶员推荐合适的典型驾驶模式，既能解决摩托车驾驶特有的复杂性与专业性的问题，又能满足用户驾驶的个性化需求，提升用户的驾驶体验与安全性，同时本专利技术能有效针对时序数据进行建模分析，提高摩托车驾驶模式推荐系统的工作性能与推荐精度。
本文档来自技高网...【技术保护点】
1.一种摩托车驾驶模式推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述历史用户驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗；所述典型驾驶模式的驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗。
3.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述预处理包括数据清洗和数据归一化。
4.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述S2具体通过如下子步骤实现：
5.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述S3中，将代表用户骑行行为的嵌入向量与不同典型驾驶模式的嵌入向量分别相乘，所得结果为用户骑行行为与对应典型驾驶模式的相似度。
6.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述Transformer算法进行了优化，包括：结构优化、训练过程优化、推理过程优化；
7.根据权利要求6所述的摩托车驾驶模式推荐方法，其特征在于，所述Transformer算法的
8.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述用户骑行行为的嵌入向量和典型驾驶模式的嵌入向量的存储均使用可扩展的向量储存压缩技术，包括：稀疏表示、内存预分配、向量量化。
9.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，摩托车用户选择S3中推荐的相似度最高的典型驾驶模式后，骑行后的驾驶数据通过车载的物联网设备采集用户驾驶数据，并上传到云端数据库，作为历史用户驾驶数据，用于下一次的驾驶模式推荐。
10.一种摩托车驾驶模式推荐系统，用于实现权利要求1-9任意一项所述的摩托车驾驶模式推荐方法，其特征在于，包括：数据读取模块、特征提取模块、建模分析模块、匹配推荐模块；
...【技术特征摘要】
1.一种摩托车驾驶模式推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述历史用户驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗；所述典型驾驶模式的驾驶数据包括：驾驶时的速度、加速度、扭矩、油门开度、发动机转速、瞬时油耗。
3.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述预处理包括数据清洗和数据归一化。
4.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述s2具体通过如下子步骤实现：
5.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述s3中，将代表用户骑行行为的嵌入向量与不同典型驾驶模式的嵌入向量分别相乘，所得结果为用户骑行行为与对应典型驾驶模式的相似度。
6.根据权利要求1所述的摩托车驾驶模式推荐方法，其特征在于，所述transfo...
【专利技术属性】
技术研发人员：白洁，谢海波，高青，杨华勇，王柏村，王嘉杰，朱茗西，陈希军，张紫譞，丁红钦，
申请(专利权)人：浙江大学高端装备研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。