基于增强现实的数字人导航与周边服务融合方法与流程
本技术涉及数据处理的,尤其是涉及基于增强现实的数字人导航与周边服务融合方法。
背景技术:
1、随着车联网技术与导航技术的快速发展,向用户提供洗车、加油、充电、娱乐、美食等各项第三方服务已经成为提升用户导航体验的重要一环。车载或手机导航的使用体验对用户开车出行的效率和满意度有着极大的影响。
2、现有技术中,面向用户的服务推送通常是由各个独立的第三方服务应用程序自行完成的,或者仅仅基于单一的用户的车辆位置信息进行机械式的推送。在传统的推送方式中,一方面,各个第三方平台之间存在严重的数据壁垒和信息孤岛,导致获取到的数据往往具有高度的异构性和时空的碎片化,难以进行深度的关联与融合,导致系统无法准确理解用户的真实行为意图,甚至在多源数据发生冲突时产生逻辑误判,使得为用户推送的服务内容缺乏精准性。另一方面,现有的推送机制较为死板,当用户开车出行时,缺乏对车辆实时物理环境和用户当前认知负荷的感知能力。无论用户处于何种驾驶状态,依然固定在车载屏幕或手机屏幕上进行图文弹窗推送,容易引发用户的信息过载和推送疲劳,还会严重分散用户的注意力,带来巨大的行车安全隐患。因此,如何在保障行车安全的前提下,融合导航向用户进行适时、个性化的服务推送,成为亟待解决的问题。
技术实现思路
1、本发明的目的在于提供基于增强现实的数字人导航与周边服务融合方法,以解决上述背景技术中提出的问题。
2、本技术提供了基于增强现实的数字人导航与周边服务融合方法,所述方法包括:
3、获取用户的历史服务数据,并将所述历史服务数据映射至预设的时空高维网格中,得到标准化的时空行为向量;
4、提取所述历史服务数据中的时间衰减系数以及数据源信誉度评分,对所述时空行为向量进行跨域关联和特征补全,得到补全行为向量;
5、基于所述补全行为向量构建动态有向图谱,挖掘所述动态有向图谱中的数据因果逻辑链条,生成场景行为意图图谱;
6、根据所述数据源信誉度评分对所述场景行为意图图谱进行冲突自决议处理,得到目标行为意图图谱,并根据所述目标行为意图图谱生成用户的实时动态画像;
7、基于所述实时动态画像,实时采集用户周边的环境状态、车辆状态以及认知负荷,当所述环境状态、所述车辆状态以及所述认知负荷均满足预设的阈值时,触发推送唤醒指令;
8、基于所述推送唤醒指令,向用户周边的多源服务进行寻优排序得到目标服务最优解,结合所述目标服务最优解以及所述认知负荷确定交互形态,并根据所述交互形态进行个性化服务推送;
9、采集所述个性化服务推送后的隐式反馈数据,并根据所述隐式反馈数据生成行为意图演进参数,根据所述行为意图演进参数对所述场景行为意图图谱的生成过程进行长效干预演进。
10、优选的,获取用户的历史服务数据,并将所述历史服务数据映射至预设的时空高维网格中,得到标准化的时空行为向量的步骤,具体为:
11、获取用户在多个不同的第三方服务平台上的历史交易记录、行为轨迹以及车载设备的底层感知日志,并进行汇总生成历史服务数据;
12、基于所述历史服务数据,提取所述历史服务数据中的数据发生时刻信息以及归属平台标签,将所述数据发生时刻信息标记为时间戳特征,将所述归属平台标签标记为数据源;
13、构建包含时间维度轴、空间维度轴以及服务类型维度轴的虚拟三维坐标系,并按照预设的颗粒度将所述虚拟三维坐标系划分为多个均匀的时空高维网格;
14、将所述历史服务数据按照所述时间戳特征以及所述数据源,分别投射到所述时空高维网格中;
15、提取每个所述时空高维网格中聚合的所有服务特征信息,根据所述服务特征信息,得到标准化的时空行为向量。
16、优选的,提取所述历史服务数据中的时间衰减系数以及数据源信誉度评分,对所述时空行为向量进行跨域关联和特征补全,得到补全行为向量的步骤,具体为:
17、提取所述时间戳特征与当前物理时间之间的时间差值,并将所述时间差值代入预设的指数衰减模型中,得到时间衰减系数;
18、将所述数据源与预设的平台信誉映射评级表进行匹配对比,查询得到所述数据源对应的原始信誉权重,并将所述原始信誉权重作为数据源信誉度评分;
19、将不同数据源平台的所述时空行为向量进行交叉对比,得到不同所述时空行为向量之间的跨域关联特征;
20、基于所述时间衰减系数对所述跨域关联特征进行时效性降权处理,基于所述数据源信誉度评分对所述跨域关联特征进行真实度加权处理,得到校准后的关联特征;
21、将所述关联特征作为补偿数据,对所述时空行为向量进行补全,得到补全行为向量。
22、优选的,基于所述补全行为向量构建动态有向图谱,挖掘所述动态有向图谱中的数据因果逻辑链条,生成场景行为意图图谱的步骤,具体为:
23、提取所述补全行为向量中的地理位置跃迁轨迹和消费行为序列,将所述补全行为向量作为图结构的基本节点,将所述地理位置跃迁轨迹以及所述消费行为序列作为节点之间的有向边;
24、根据所述基本节点以及所述有向边之间的相互连接关系,构建一个能表征用户连续时间段内行为演化过程的初始结构,得到动态有向图谱;
25、识别所述动态有向图谱中的连通子图,并获取所述连通子图的发生频次,判断所述发生频次是否超过预设的频次阈值;
26、若判断为所述发生频次超过所述频次阈值,则剔除所述连通子图中的伪相关连边,提取出具有先后因果关系的目标有向边;
27、识别所述目标有向边的首尾基本节点,并将所述目标有向边以及所述首尾基本节点进行封装,得到数据因果逻辑链条;
28、获取用户生活的不同场景维度,根据所述不同场景维度对所述数据因果逻辑链条进行分类和重组,融合生成用户在不同场景下存在潜在服务需求的场景行为意图图谱。
29、优选的,根据所述数据源信誉度评分对所述场景行为意图图谱进行冲突自决议处理,得到目标行为意图图谱,并根据所述目标行为意图图谱生成用户的实时动态画像的步骤,具体为:
30、对所述场景行为意图图谱进行全局遍历扫描,识别并提取出存在推导结论相互矛盾,或指向同一时空节点的两个截然相反的行为逻辑分支,将所述行为逻辑分支标记为冲突节点;
31、提取所述冲突节点的源头数据所对应的所述数据源信誉度评分,根据所述数据源信誉度评分对所述行为逻辑分支进行可信度概率评估,得到所述行为逻辑分支的置信度;
32、根据所述置信度,裁定并舍弃置信度较低的伪逻辑分支,保留置信度高的真逻辑分支,根据所述真逻辑分支得到目标行为意图图谱;
33、提取所述目标行为意图图谱中的用户偏好特征、消费层级特征以及价格敏感特征,进行多维特征组合,生成用户的实时动态画像。
34、优选的,实时采集用户周边的环境状态、车辆状态以及认知负荷,当所述环境状态、所述车辆状态以及所述认知负荷均满足预设的阈值时,触发推送唤醒指令的步骤,具体为:
35、实时采集用户当前所处位置的外部天气状况以及车辆当前所处位置处的路况拥堵指数,结合所述外部天气状况以及所述路况拥堵指数,生成环境状态;
36、实时读取车辆内部的控制器总线数据、当前续航里程以及关键零部件的工作健康状态,结合所述控制器总线数据、所述当前续航里程以及所述工作健康状态,生成车辆状态;
37、获取车辆当前行驶车速、方向盘转角变化率以及用户的视线追踪数据,评估用户当前处理额外信息的脑力负荷以及注意力分散程度值,结合所述脑力负荷以及所述注意力分散程度值,得到用户的认知负荷;
38、结合所述环境状态以及所述车辆状态,得到用户的当前偏好参考值,判断所述当前偏好参考值是否超过所述实时动态画像中预存的偏好容忍度;
39、若判断为所述当前偏好参考值超过所述偏好容忍度,则判断所述认知负荷是否低于预设的安全干扰阈值;
40、若判断为所述认知负荷低于所述安全干扰阈值,则生成推送唤醒指令,并将所述推送唤醒指令进行下发。
41、优选的,向用户周边的多源服务进行寻优排序得到目标服务最优解,结合所述目标服务最优解以及所述认知负荷确定交互形态,并根据所述交互形态进行个性化服务推送的步骤,具体为:
42、基于所述推送唤醒指令,获取当前用户位置,并基于所述当前用户位置检索周边预设范围内的与所述实时动态画像相匹配的潜在第三方服务商集合;
43、获取所述潜在第三方服务商集合中的每个潜在第三方服务商的服务价格、路线距离以及用户历史评价,结合所述服务价格、所述路线距离以及所述用户历史评价,生成每个所述潜在第三方服务商的综合评分;
44、选取所述综合评分最高的所述潜在第三方服务商作为目标服务商,并将所述目标服务商所提供的服务作为目标服务最优解;
45、基于所述认知负荷,在预设的纯语音播报形态、极简浮窗形态以及富图文弹窗形态中进行匹配,得到对驾驶操作干扰最小的交互形态;
46、将所述目标服务最优解的数据内容加载至所述交互形态的展示模板中,并通过车载多媒体下发至用户。
47、优选的,采集所述个性化服务推送后的隐式反馈数据,并根据所述隐式反馈数据生成行为意图演进参数,根据所述行为意图演进参数对所述场景行为意图图谱的生成过程进行长效干预演进的步骤,具体为:
48、在完成个性化推送后,监测用户对所述交互形态的交互动作,并将所述交互动作标记为初步反馈信息;
49、对车辆导航的行驶轨迹进行监控,获取导航的最终停车点位置并将所述最终停车点位置标记为行为闭环验证结果;
50、结合所述初步反馈信息以及所述行为闭环验证结果,融合生成用于表征用户真实接受程度的隐式反馈数据;
51、基于所述隐式反馈数据,得到意图推导过程中的推导偏差,并根据所述推导偏差生成行为意图演进参数,根据所述行为意图演进参数对所述场景行为意图图谱的生成过程进行参数调整以长效干预演进。
52、综上所述,本技术包括以下至少一种有益技术效果:
53、通过获取用户的历史服务数据,提取时间戳特征和数据源表示,将其映射至预设的时空高维网格中得到标准化的时空行为向量。然后提取时间衰减系数和数据源信誉度评分,对时空行为向量进行跨域关联和特征补全,得到补全行为向量。接着基于补全行为向量构建动态有向图谱,挖掘其中的数据因果逻辑链条,生成场景行为意图图谱,并根据数据源信誉度评分对图谱进行冲突自决议处理,消除多源数据的矛盾逻辑,从而生成高度精准的用户实时动态画像。随后,系统实时采集用户周边的环境状态、车辆状态以及认知负荷,当这三者均满足预设的阈值时,才触发推送唤醒指令。在指令触发后,向用户周边的多源服务进行多目标寻优排序得到目标服务最优解,并结合用户的认知负荷自适应地确定干扰最小的交互形态,以执行个性化服务推送。最后,系统持续采集推送后的隐式反馈数据,生成行为意图演进参数,对场景行为意图图谱的生成过程进行长效干预和演进。有效打破了第三方平台之间的信息孤岛,解决了多源数据异构与冲突的融合难题,同时在保障用户行车安全、避免推送疲劳的前提下,提升了面向用户个性化服务推送的精准度、交互安全性和智能前瞻性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com