一种在线司机运输兴趣的挖掘方法与流程

本发明涉及数据挖掘，尤其涉及一种在线司机运输兴趣的挖掘方法。

背景技术：

1、在现实运用过程中，随着互联网技术的发展，交通运输的手段也开始出现“互联互通”的趋势，将交通运输的各个环节通过电子化、无纸化的方式进行改进，从而实现了更为便捷、高效的交通运输系统，降低了人力、物力的投入，从而提高了经济效益，可是在其中交互过程中，产生了大量的讯息，这些讯息往往是以数据库系统的录入、查询、统计等功能，无法发现交通运输数据中存在的关系和规则，无法根据现有的交通运输数据预测未来的发展趋势，更缺乏挖掘交通运输数据背后隐藏知识的手段。

技术实现思路

1、本发明为解决上述技术问题，提出了一种在线司机运输兴趣的挖掘方法，以解决至少一个上述技术问题。

2、一种在线司机运输兴趣的挖掘方法，包括以下步骤：

3、步骤s1：获取司机行驶数据、司机地理位置数据以及司机心情指数数据，并根据司机行驶数据、司机地理位置数据以及司机心情指数数据进行预处理，生成司机可信数据，其中司机可信数据包括司机可信行驶数据、司机可信地理位置数据以及司机可信心情指数数据；

4、步骤s2：获取司机兴趣维度信息并根据司机兴趣维度信息构建司机兴趣维度模型，其中司机兴趣维度模型包括道路兴趣维度模型、特定商品兴趣维度模型以及音频兴趣维度模型；

5、步骤s3：根据司机可信数据以及司机兴趣维度模型生成司机当前兴趣运输信息；

6、步骤s4：获取道路运输资源信息并根据道路运输资源信息以及司机当前兴趣运输信息进行拟合构建，从而构建司机运输兴趣潜在价值模型，利用司机运输兴趣潜在价值模型挖掘提取在线司机运输兴趣信息特征。

7、本实施例全面利用司机行驶数据、地理位置数据和心情指数数据，提高数据的可信度和准确性。通过获取司机兴趣维度信息并构建司机兴趣维度模型，能够更好地了解司机的兴趣和偏好，提高兴趣运输信息的准确性。根据司机可信数据和兴趣维度模型生成司机当前兴趣运输信息，更好地满足司机的需求，提高司机的工作效率和满意度。通过拟合构建司机运输兴趣潜在价值模型，更好地预测司机的运输兴趣和需求，提高运输资源的利用率和经济效益。通过挖掘提取在线司机运输兴趣数据，能够更好地了解市场需求和司机行为，为运输企业的决策提供支持和参考。

8、在本说明书的一个实施例中，步骤s1中获取司机心情指数数据的步骤包括以下步骤：

9、步骤s11：通过主动溃缩式车载摄像头获取司机场景图像信息；

10、步骤s12：根据司机地理位置数据以及相应的时间标记进行误差参数调整，从而生成相应的时间位置图像降噪方式；

11、步骤s13：利用时间位置图像降噪方式对司机场景图像信息进行降噪，从而获得降噪司机图像信息；

12、步骤s14：根据降噪司机图像信息通过司机情绪识别模型进行识别，从而获得司机心情指数数据。

13、本实施例中通过获取司机场景图像信息识别司机心情指数，避免了对司机的干扰和干预，从而获得更真实的司机心情指数数据，采用了主动溃缩式车载摄像头以防止摄像头凸出摆放对司机操作的烦扰。利用时间位置图像降噪方式对司机场景图像信息进行降噪，可以减少噪声对司机情绪识别的干扰，提高识别准确率。通过司机情绪识别模型识别司机心情指数，可以自动化地获取数据，减少人工干预的成本，提高效率。

14、在本说明书的一个实施例中，其中司机情绪识别模型的构建步骤具体为：

15、步骤s101：获取司机视频数据以及相应的情绪标签；

16、步骤s102：根据司机视频数据进行预处理，生成预处理司机分帧数据；

17、步骤s103：根据预处理司机分帧数据进行最小误差随机卷积计算，生成最小误差司机图像特征集；

18、步骤s104：根据最小误差司机图像特征集进行池化降维计算，生成司机图像池化数据集；

19、步骤s105：根据司机图像池化数据集进行全连接计算，生成司机特征序列集；

20、步骤s106：根据司机特征序列集进行权重计算，生成司机情绪指数，并根据相应的情绪标签对司机情绪指数进行标记，从而构建司机情绪识别模型。

21、本实施例中通过使用深度学习方法对司机视频数据进行处理，可以有效地提取出司机的情绪特征，从而更加准确地识别司机的情绪。通过采用最小误差随机卷积计算和池化降维计算等技术，可以对图像特征进行高效地处理，从而大大提高了模型的计算速度和识别准确率。通过使用全连接计算和权重计算等技术，可以对司机特征序列进行高效的处理，从而更加准确地识别司机的情绪。通过使用情绪标签对司机情绪指数进行标记，可以更好地理解司机情绪的含义，从而提高了模型的可解释性和应用价值。

22、在本说明书的一个实施例中，步骤s102包括以下步骤：

23、步骤s110：判断司机视频数据的视频分辨率信息是否大于预设的清晰视频分辨率信息；

24、步骤s111：确定司机视频数据的视频分辨率信息大于预设的清晰视频分辨率信息时，根据司机视频数据通过司机视频采样频率计算公式进行计算，生成司机视频采样频率，并根据司机视频数据通过司机视频采样频率进行采样，从而生成待检测司机视频数据；

25、步骤s112：确定司机视频数据的视频分辨率小于或等于预设的清晰视频分辨率信息时，确定司机视频数据为待检测司机视频数据；

26、步骤s113：对待检测司机视频数据进行归一化计算，生成归一化司机视频数据；

27、步骤s114：根据归一化司机视频数据的当前视频帧数据进行人脸检测计算，生成人脸检测标记；

28、步骤s115：确定人脸检测标记为包括为真的人脸检测标记时，以预设的阈值采样帧数进行采样，从而生成预处理司机分帧数据，并返回步骤s114，直至视频采样完毕；

29、步骤s116：确定人脸检测标记为包括为假的人脸检测标记时，根据预设的阈值跳跃视频帧数进行视频跳转，并返回至步骤s114，直至视频采样完毕。

30、本实施例中，步骤s102包括了对不同视频分辨率情况的处理，同时还利用人脸检测技术对视频数据进行处理，从而能够有效地提高处理效率和精度，同时减少处理的数据量，提高算法的实用性和可靠性。步骤s115还能够针对人脸检测结果进行采样，进一步减少了处理数据量。

31、在本说明书的一个实施例中，步骤s114具体为：

32、步骤s1101：获取归一化司机视频数据的当前视频帧数据；

33、步骤s1102：将当前视频帧数据进行最小误差二值化计算，从而生成二值化图像数据；

34、步骤s1103：将二值化图像数据进行聚类分析，生成潜在人脸特征信息；

35、步骤s1104：获取具有人脸信息的历史人脸视频帧数据并根据历史人脸视频帧数据进行聚类分析，生成历史人脸特征信息；

36、步骤s1105：将潜在人脸特征信息与历史人脸特征信息进行误差允许比对计算，从而生成人脸检测标记指数；

37、步骤s1106：判断人脸检测标记指数是否大于或等于预设的阈值人脸检测指数；

38、步骤s1107：确定人脸检测标记指数大于或等于预设的阈值人脸检测指数时，则生成包含为真的人脸检测标记；

39、步骤s1108：确定人脸检测标记指数小于预设的阈值人脸检测指数时，则生成包含为假的人脸检测标记。

40、本实施例通过最小误差二值化计算，能够有效地提取图像的关键特征，从而提高了人脸检测的准确性；通过聚类分析，能够对潜在人脸特征信息进行处理和筛选，从而减少了误判率；通过历史人脸特征信息，能够对当前帧图像进行比对，从而提高了人脸检测的鲁棒性和稳定性；通过人脸检测标记指数的比对和判断，能够实现自适应的人脸检测阈值设置，从而适应不同的检测环境和条件。

41、在本说明书的一个实施例中，所述误差允许比对计算为通过人脸检测特征计算公式进行计算，其中人脸检测特征计算公式具体为：

42、

43、gv为人脸检测标记指数，αi为第i个潜在人脸特征信息的权重信息，ai为第i个潜在人脸特征信息，βi为第i个历史人脸特征信息的权重信息，bi为第i个历史人脸特征信息，w为特征初始信息，qi为根据潜在人脸特征信息与历史人脸特征信息生成调整项，c为初始调整项，m为降维计算值，γ为调整修正项，r为降维初始调整值，u为人脸检测标记指数的修正信息。

44、本实施例提供一种人脸检测特征计算公式，该公式充分考虑了第i个潜在人脸特征信息的权重信息αi、第i个潜在人脸特征信息ai、第i个历史人脸特征信息的权重信息βi、第i个历史人脸特征信息bi、特征初始信息w、根据潜在人脸特征信息与历史人脸特征信息生成调整项qi、初始调整项c、降维计算值m、调整修正项γ、降维初始调整值r以及相互之间的作用关系，以形成函数关系实现了通过降维调整并精准提取人脸特征的基础上，将人脸参数由高维降低为低维度，使得计算快速达到收敛阶段，节约了算力，同时避免了因高维中的冗余维度因参数摄动带来的计算误差，并通过人脸检测标记指数的修正信息u进行修正，从而通过对潜在人脸特征信息和历史人脸特征信息进行比对计算，更加准确地生成人脸检测标记指数，提高了人脸检测的准确性和可靠性。同时，该公式中的权重信息、调整项、降维计算值等参数可以根据实际情况进行调整，从而适应不同的人脸检测场景，提高了算法的灵活性和适用性。

45、在本说明书的一个实施例中，步骤s2具体为：

46、步骤s21：获取司机兴趣维度信息，其中司机兴趣维度信息包括道路兴趣维度信息、特定商品兴趣维度信息以及音频兴趣维度信息；

47、步骤s22：根据道路兴趣维度信息通过聚类分析生成司机道路兴趣特征，并根据司机道路兴趣特征构建司机道路兴趣维度模型；

48、步骤s23：根据特定商品兴趣维度信息进行维度缩放并通过率次排序主成分分析构建，从而构建司机特定商品兴趣维度模型；

49、步骤s24：根据音频兴趣维度信息通过强化学习计算，从而构建音频兴趣维度模型。

50、本实施例通过获取司机兴趣维度信息并构建司机的兴趣维度模型，可以帮助系统更好地了解司机的行为和喜好，从而提供更加个性化和精准的服务。通过对司机道路兴趣特征、特定商品兴趣和音频兴趣的维度建模，可以更好地匹配和推荐符合司机兴趣的道路、商品和音频，提高司机的满意度和使用体验。

51、在本说明书的一个实施例中，所述强化学习计算通过司机音频奖励计算方法进行计算生成的行为奖励指数进行构建计算，其中司机音频奖励计算方法具体为：

52、

53、t为行为奖励指数，θ为当前行为的奖励值的权重信息，d为当前行为的奖励值，σ为根据前一次行为产生的调整信息，x为随机调整值，k为调整项，p为调整修正项，μ为行为奖励指数的修正信息。

54、本实施例提供一种司机音频奖励计算方法，其中该公式充分考虑了当前行为的奖励值的权重信息θ、当前行为的奖励值d、根据前一次行为产生的调整信息σ、随机调整值x、调整项k、调整修正项p以及相互之间的作用关系，从而形成函数关系通过随机调整降低偶尔突发行为对生成奖励值的误差，同时通过当前行为以及之前的行为进行调整生成，在调整项的调整下实现了对用户行为背后量化规律的显化计算，以更好地提高司机行为预测结果的准确度，并通过行为奖励指数的修正信息μ进行修正，从而准确地计算行为奖励指数，更全面地反映了司机的行为特征和行为偏好。构建更准确的司机音频兴趣维度模型，为在线司机音频兴趣的实时反馈提供更好的支持。

55、在本说明书的一个实施例中，步骤s3具体为：

56、步骤s31：根据司机可信行驶数据以及司机可信地理位置数据通过道路兴趣维度模型进行实时计算，生成司机道路兴趣信息；

57、步骤s32：根据司机可信行驶数据通过特定商品兴趣维度模型进行预估计算，生成司机特定商品兴趣信息；

58、步骤s33：根据司机可信行驶数据通过音频兴趣维度模型进行特征识别，生成音频维度特征信息，并根据音频维度特征信息进行最小误差随机计算，从而获取司机音频兴趣信息；

59、步骤s34：将司机道路兴趣信息、司机特定商品兴趣信息以及司机音频兴趣信息进行映射关系构建，从而生成司机当前兴趣运输信息的关系网数据集。

60、本实施例根据司机的行驶数据和位置数据，以及音频特征识别等信息，通过不同的兴趣维度模型进行实时计算和预估计算，从而生成司机的道路兴趣信息、特定商品兴趣信息和音频兴趣信息，进而构建司机当前兴趣运输信息的关系网数据集。这样能够更加精准地理解司机的需求和兴趣，为后续的运输服务提供更加个性化和定制化的支持，提升用户体验和服务质量。同时，通过利用多个兴趣维度进行综合分析，可以更全面地了解司机的兴趣和需求，为后续的运输服务和商业决策提供更加丰富的参考和依据。

61、在本说明书的一个实施例中，步骤s4具体为：

62、步骤s41：获取道路运输资源信息，其中道路运输资源信息包括运输种类信息、运输起始点信息、运输终点信息、运输时间要求信息、运输起始时间信息、运输终止时间信息以及运输安全信息；

63、步骤s42：根据道路运输资源信息进行数据预处理以及特征提取，生成道路运输资源特征信息；

64、步骤s43：根据道路运输资源特征信息以及司机当前兴趣运输信息进行拟合构建，从而构建司机运输兴趣潜在价值模型，利用司机运输兴趣潜在价值模型挖掘提取在线司机运输兴趣信息特征。

65、本实施例通过获取道路运输资源信息，能够更加全面地掌握当前可用的运输资源，有助于提高运输效率和资源利用率；通过数据预处理和特征提取，能够更加准确地描述道路运输资源信息，提高后续步骤的精度和效率；通过拟合构建司机运输兴趣潜在价值模型，能够更加精细地对司机当前的兴趣进行分析和预测，为司机提供更加符合其需求的运输资源，提高司机的满意度和工作效率。

66、本发明可以利用多维数据对司机的行驶情况、地理位置和心情指数进行分析和预处理，生成可信数据，从而准确地反映司机的实际情况。通过对司机兴趣维度信息的挖掘和分析，可以了解司机的兴趣和偏好，为后续的运输信息推荐提供支持。根据司机的可信数据和兴趣维度模型生成司机当前兴趣运输信息，可以更加准确地反映司机的实际需求和兴趣，为后续的挖掘和提取提供基础。根据道路运输资源信息和司机当前兴趣运输信息，构建司机运输兴趣潜在价值模型，可以更加准确地反映不同司机的运输兴趣和需求，为交通运输企业提供更加精准的服务和运营支持。通过利用司机运输兴趣潜在价值模型挖掘和提取在线司机运输兴趣数据，可以实现对司机的兴趣和偏好进行深入挖掘和分析，为交通运输企业提供更加精准和个性化的服务和运营支持。