[发明专利]司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备

说明书

本发明所提供的一种司机停车技术优劣的检测方法，其基于多种传感器，获取司机停车过程中的方向盘、刹车等动作数据以时间序列方式，获得多模态时间序列；并进一步基于卷积变分自编码器的神经网络架构对多模态时间序列进行特征提取，并生成模拟样本；基于模拟样本进行重构概率检测，并基于检测结果判断司机停车技术优劣。本发明所提供的智能推荐方法，可基于对司机停车技术的优劣的判断，进而可向司机在需要的时候推荐自动泊车功能或者其他可执行的功能。本发明还提供司机停车技术优劣的检测系统及电子设备，两者具有与上述方法相同的有益效果。

【技术领域】

本发明涉及移动数据检测的领域，其特别涉及一种司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备。

【背景技术】

随着卫星定位技术，车载传感技术的成熟和普及。获取车辆操作和位置的精确数据，提高车辆的智能化水平变得可能。对于生活在城市空间里人们来说，在狭小的空间里停车几乎是一项必备技能。而自动泊车技术是当前许多类型汽车都配备的一项高级功能，这对许多人——特别是驾驶新手而言，尤为实用。

但随着汽车智能化水平的提高，车载智能化设备越来越多越来越复杂。人们往往没时间仔细研究他/她所购买车辆的每一项功能，这时在合适自动唤醒这些功能，形成自动化的车载功能推荐就显得很贴心实用。

【发明内容】

为解决现有难以准确地确认司机驾驶操作的优劣的技术问题，本发明提供一种司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备。

本发明为解决上述技术问题，提供如下的技术方案：一种司机停车技术优劣的检测方法，其包括如下步骤：步骤S1，将司机停车操作过程中的车辆传感数据以时间序列方式进行处理，以获得多模态时间序列；步骤S2，基于卷积变分自编码器的神经网络架构对多模态时间序列进行卷积编码，并提取多模态时间序列中的特征，基于提取的特征，映射向量值并进行特征泛化，并生成隐变量向量空间，通过卷积解码所述隐变量向量空间，以生成模拟样本；及步骤S3，基于模拟样本进行重构概率检测，并基于检测结果判断司机停车技术优劣。

优选地，在上述步骤S1中，所述车辆传感数据包括基于传感器对司机停车操作过程中的刹车动作、换挡动作、换向动作或GPS位置进行获取的数据。

优选地，在上述步骤S1中，所述以时间序列方式进行处理具体包括提供多个连续的时间点，并将多个传感器获取的数据按照时间点顺序进行记录。

优选地，所述卷积变分自编码器的神经网络架构包括编码模块和解码模块。

优选地，在上述基于提取的特征，映射向量值并进行特征泛化，并生成隐变量向量空间中进一步包括以下步骤：将提取的多模态时间序列的特征映射均值向量空间和方差向量空间；及加入高斯噪声数据，以线性生成对应隐变量向量空间。

优选地，在通过卷积解码所述隐变量向量空间，以生成模拟样本中通过卷积解码所述隐变量向量空间，还包括得到均值向量和方差向量，并以此生成对应的模拟样本。

本发明为解决上述技术问题，提供又一技术方案如下：一种司机停车技术优劣的检测系统包括：多个传感器，所述传感器用于检测司机操作，并获得多组车辆传感数据；时间序列获取模块，用于将司机停车操作过程中的多组车辆传感数据以时间序列方式进行处理，以获得多模态时间序列；样本生成模块，用于基于卷积变分自编码器的神经网络架构对多模态时间序列进行特征提取，并生成模拟样本；及重构概率模块，用于基于模拟样本进行重构概率检测，并基于检测结果判断司机停车技术优劣；其中，所述时间序列获取模块进一步包括：网路架构构建模块，用于构建卷积变分自编码器的神经网络架构；其中，所述卷积变分自编码器的神经网络架构包括编码模块和解码模块；特征提取模块，用于利用卷积变分自编码器的神经网络架构所述多模态时间序列进行卷积编码，并提取多模态时间序列中的特征；隐变量获取模块，用于基于提取的特征，映射向量值并进行特征泛化，并生成隐变量向量空间；及模拟样本生成模块，用于通过卷积解码所述隐变量向量空间，以生成模拟样本。