行車服務(wù)推送平臺(tái)及其關(guān)鍵算法的設(shè)計(jì)與測(cè)試*

梁 軍，叢森森，王 軍，蔡英鳳，江浩斌，陳 龍

（江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013）

前言

隨著無(wú)人駕駛和通信技術(shù)的迅速發(fā)展，行車主動(dòng)服務(wù)系統(tǒng)（driving active service system，DASS）正成為車聯(lián)網(wǎng)環(huán)境下智能車的重要組成部分。該系統(tǒng)能對(duì)行車用戶的服務(wù)需求進(jìn)行感知、匹配并生成服務(wù)，最終實(shí)現(xiàn)主動(dòng)推送且保障服務(wù)質(zhì)量。DASS使服務(wù)從感知到推送的全程無(wú)需用戶參與，降低了潛在交通事故風(fēng)險(xiǎn)，為無(wú)人駕駛技術(shù)的推廣奠定基礎(chǔ)。但智能車技術(shù)發(fā)展增加了零散服務(wù)功能，傳統(tǒng)服務(wù)系統(tǒng)已不滿足安全駕駛和用戶多樣化的需求，有必要建立完善的DASS。

目前，針對(duì)人—車—路—環(huán)境的閉環(huán)系統(tǒng)，國(guó)內(nèi)外對(duì)DASS“主動(dòng)感知 自動(dòng)生成—主動(dòng)推送”的研究著重于服務(wù)需求主動(dòng)感知和服務(wù)構(gòu)件匹配的精確度與主動(dòng)性。Huang等［1］提出了基于主動(dòng)安全服務(wù)的車間通信框架，在不同交通場(chǎng)景下優(yōu)化了動(dòng)態(tài)服務(wù)感知速率和性能。Sakthi等［2］設(shè)計(jì)了一個(gè)3層服務(wù)感知模型，利用仿真開(kāi)發(fā)無(wú)事故交通系統(tǒng)。梁軍等［3］提出交通服務(wù)需求DASS模型，并驗(yàn)證了模型的實(shí)時(shí)性和主動(dòng)性。這些方法使服務(wù)感知和自主生成的性能滿足了DASS系統(tǒng)的要求，但DASS使用率仍較低。因此，為提高DASS使用率，從DASS服務(wù)流程著手，完善服務(wù)推送有利于彌補(bǔ)DASS自身缺陷。因此，Chang等［4］設(shè)計(jì)了一種具備服務(wù)主動(dòng)推送能力的監(jiān)控平臺(tái)，將危險(xiǎn)信息實(shí)時(shí)推送給客戶端。Radoslaw［5］在物聯(lián)網(wǎng)系統(tǒng)下依據(jù)智能城市數(shù)據(jù)主動(dòng)推送，支持用戶的操作。Cai等［6］利用數(shù)據(jù)挖掘方法構(gòu)建了遠(yuǎn)程醫(yī)療服務(wù)推送系統(tǒng)。Catulli等［7］面向消費(fèi)者構(gòu)建了嬰兒產(chǎn)品服務(wù)推送系統(tǒng)。但這些服務(wù)機(jī)理都忽視了用戶的接受度和用戶操作行為對(duì)用戶的影響。

為完善DASS服務(wù)推送環(huán)節(jié)，構(gòu)建了主動(dòng)推送服務(wù)平臺(tái)（driving push service platform，DPSP），設(shè)計(jì)了B-Num.BT算法用于DPSP的服務(wù)推送流程，通過(guò)用戶操作行為特征預(yù)測(cè)用戶對(duì)推送的操作行為，制定適用于各服務(wù)與用戶類型的服務(wù)規(guī)則，以最佳服務(wù)時(shí)機(jī)推送并執(zhí)行服務(wù)，通過(guò)駕駛員在環(huán)（DIL）進(jìn)行驗(yàn)證分析。對(duì)提高DASS使用率，提升駕駛體驗(yàn)和促進(jìn)無(wú)人駕駛發(fā)展有重要意義。

1 平臺(tái)概述

圖1為推送服務(wù)平臺(tái)DPSP，包括存儲(chǔ)層、應(yīng)用層和評(píng)價(jià)層。存儲(chǔ)層存儲(chǔ)歷史和實(shí)時(shí)數(shù)據(jù)。其中，行為分布式存儲(chǔ)系統(tǒng)（behavioral distributed storage system，BDSS）存儲(chǔ)行車用戶的確認(rèn)、接管和屏蔽數(shù)據(jù)。評(píng)價(jià)層利用實(shí)時(shí)數(shù)據(jù)庫(kù)緩存的操作數(shù)據(jù)進(jìn)行指標(biāo)評(píng)價(jià)和監(jiān)控，并定期更新BDSS中的服務(wù)歷史庫(kù)。應(yīng)用層從BDSS中進(jìn)行服務(wù)預(yù)處理、用戶特征挖掘、推送時(shí)機(jī)選擇和實(shí)時(shí)推送，將目標(biāo)服務(wù)以符合行車用戶的操作方式合理推送。應(yīng)用層還包括車載顯示器和聲音系統(tǒng)等推送媒介。

圖1 DPSP平臺(tái)架構(gòu)

圖2 為 DPSP的推送流程。首先，通過(guò) DASS“主動(dòng)感知—自動(dòng)生成”流程生成行車服務(wù)，作為DPSP的輸入。其次，用戶對(duì)服務(wù)進(jìn)行確認(rèn)、擱置或取消。系統(tǒng)依據(jù)操作伺機(jī)控制或主動(dòng)提供服務(wù)以提高舒適性等，并存儲(chǔ)在BDSS。服務(wù)預(yù)處理對(duì)服務(wù)進(jìn)行關(guān)聯(lián)分類；借助改進(jìn)的特征挖掘算法，挖掘用戶操作行為；依據(jù)特定規(guī)則進(jìn)行服務(wù)方式匹配；結(jié)合用戶操作行為設(shè)計(jì)推送時(shí)機(jī)算法；在最佳推送時(shí)間通過(guò)指定媒介將服務(wù)推送給用戶。最后，利用用戶反饋優(yōu)化推送規(guī)則。DPSP利用已有DASS的服務(wù)發(fā)現(xiàn)功能［3］，依據(jù)用戶需求主動(dòng)推送服務(wù)，并將用戶反饋更

圖2 DPSP服務(wù)主動(dòng)推送流程

新到BDSS中。

2 服務(wù)推送關(guān)鍵算法設(shè)計(jì)

依照DPSP的服務(wù)主動(dòng)推送流程，在服務(wù)挖掘、推送時(shí)機(jī)選擇流程中詳細(xì)地設(shè)計(jì)出行為挖掘算法B-Num和時(shí)機(jī)選擇BT算法，為與實(shí)驗(yàn)性能對(duì)比，將推送流程的關(guān)鍵算法統(tǒng)稱為B-Num.BT算法。

2.1 服務(wù)預(yù)處理與關(guān)聯(lián)分類

利用服務(wù)數(shù)據(jù)構(gòu)造無(wú)向圖 G＝（U，A，B，ξ，l），其中U，A，B為頂點(diǎn)集，Ui為具體服務(wù)；A1為危險(xiǎn)或極端場(chǎng)景服務(wù)類，A2為普通或類危險(xiǎn)服務(wù)類，A3為常規(guī)服務(wù)類；Bi為具體推送媒介；ξ，l為邊集。任意服務(wù) l存在唯一初始服務(wù)類集 Am（m＝1，2，3）的邊集ξlm，Am存在多條與推送媒介Bn連接的邊集lmn。服務(wù)無(wú)向圖如圖3所示，若DASS生成服務(wù)l，則存在連接 U1和 A1的邊集 ξ11，并沿 l11、l12、l14指向媒介B1、B2、B4。為簡(jiǎn)化描述，記邊集存在為1，反之為 0。則關(guān)聯(lián)矩陣T為

其中：Tm（Ul）＝［ξlm，lm1，lm2，…，lmn］，m＝1，2，3

圖3中服務(wù)l的關(guān)聯(lián)矩陣為

圖3 服務(wù)無(wú)向圖

2.2 改進(jìn)的行車用戶行為特征挖掘算法

圖4 為用戶行為特征挖掘算法流程圖。該算法利用BDSS挖掘不同行車用戶行為與主動(dòng)推送服務(wù)的關(guān)聯(lián)特征，針對(duì)歷史用戶行為，利用改進(jìn)的行為特征挖掘算法優(yōu)化推送流程。行車用戶分為主動(dòng)型s1（基本先于系統(tǒng)推送，自行主動(dòng)控制）、半主動(dòng)型s2（系統(tǒng)推送后，部分場(chǎng)景主動(dòng)控制）、被動(dòng)型s3（系統(tǒng)推送后，僅危險(xiǎn)臨近時(shí)主動(dòng)控制）和封閉型s4（無(wú)視系統(tǒng)推送，存在駕駛風(fēng)險(xiǎn)）。

圖4 特征挖掘算法流程圖

DASS主要依據(jù)用戶的操作行為（Co表示確認(rèn)、Ca表示取消、Sh表示擱置）的總次數(shù)進(jìn)行推送，對(duì)多次取消或擱置的服務(wù)停止推送。傳統(tǒng)推送算法根據(jù)歷史操作數(shù)據(jù)，統(tǒng)計(jì)各服務(wù)的操作，測(cè)試建立次數(shù)與時(shí)間矩陣。其中，對(duì)第l種服務(wù)的L次測(cè)試統(tǒng)計(jì)得出特征矩陣Fel，矩陣包括服務(wù)l中用戶的接受、拒絕和擱置的累計(jì)次數(shù)。由Fel生成推送規(guī)則矩陣Rl，矩陣由 0（正常推送）、1（直接執(zhí)行）、-1（不推送）構(gòu)成，Rl.Ul為服務(wù)l的推送規(guī)則。算法A-Num如下。

A-Num（Co，Ca，Sh，t，L）：

輸入：用戶確認(rèn)Co、取消Ca、擱置Sh和用戶操作時(shí)長(zhǎng)t，各服務(wù)測(cè)試次數(shù)L。

輸出：次數(shù)矩陣N，時(shí)間矩陣X，規(guī)則矩陣Rl。

步驟1：對(duì)用戶操作計(jì)時(shí)t與計(jì)數(shù)N，用戶根據(jù)服務(wù)推送進(jìn)行操作，產(chǎn)生輸入?yún)?shù)。

步驟2：服務(wù) l的第i次操作次數(shù)與時(shí)間統(tǒng)計(jì)N．Ul（i）＝［Co，Ca，Sh］，X［Ul，i］＝t。計(jì)算特征矩陣Fel.Ul＝Fel.Ul（i）+N．Ul（i）。

步驟3：生成推送規(guī)則

傳統(tǒng)算法僅依照用戶Co、Ca、Sh的頻率制定簡(jiǎn)單規(guī)則，未區(qū)分用戶時(shí)序上操作行為的變化，不能直觀分析用戶對(duì)不同類型服務(wù)的反饋。因此，為挖掘用戶對(duì)不同服務(wù)類型與操作行為的差異，利用操作行為的時(shí)序特征構(gòu)建推送規(guī)則尤為重要。

目前，常用的分類算法有貝葉斯分類器和SVM等。然而，基于距離的線性判別法［8］不滿足時(shí)序特征的數(shù)據(jù)分類的要求。決策樹(shù)算法［9］仍需對(duì)時(shí)序特征數(shù)據(jù)進(jìn)行大量的預(yù)處理。K均值樹(shù)法［10］難以知曉平均和典型實(shí)例樣本的特征。采用人工神經(jīng)網(wǎng)絡(luò)［11］所得結(jié)論無(wú)法做出合理性解釋。SVM［12］則難以解決多類別、大規(guī)模的分類問(wèn)題。針對(duì)具有時(shí)序特征的離散數(shù)據(jù)的3種分類方法，構(gòu)建動(dòng)態(tài)貝葉斯概率趨勢(shì)法（dynamic Bayesian probability trend method，DBPT）結(jié)構(gòu)，如圖5所示。

圖5 DBPT的結(jié)構(gòu)

圖 5中，Ul（i）＝［A，（Co，Ca，Sh），s］為第 l種服務(wù)在第i次服務(wù)推送時(shí)用戶s的行為記錄，為3×1矩陣；Pl（m）為第l種服務(wù)經(jīng)k組時(shí)序數(shù)據(jù)計(jì)算得出的類變量發(fā)生概率，構(gòu)成3×1矩陣。為挖掘用戶長(zhǎng)時(shí)間操作行為的波動(dòng)，使用 Ul（i）中：［A，s］和［l，s］分別為屬性序列；Co，Ca，Sh為類變量序列；Pl1（m）為使用屬性序列［A，s］的第m的類別概率。則用戶s在A時(shí)的Co發(fā)生概率為

式中類別的先驗(yàn)概率P（Co）由歷史數(shù)據(jù)集計(jì)算。

根據(jù)DBPT時(shí)序結(jié)構(gòu)，利用Pl（m）構(gòu)成的時(shí)序數(shù)列改進(jìn)貝葉斯分類法，則當(dāng)前推送的目標(biāo)服務(wù)l發(fā)生Co類的概率預(yù)測(cè)值為

B-Num（N，umax，L）：

輸入：次數(shù)矩陣N，最大服務(wù)數(shù)umax，各服務(wù)測(cè)試次數(shù)L。

輸出：推送規(guī)則矩陣R2。

步驟1：查找目標(biāo)服務(wù)N．Ui＝1對(duì)應(yīng)的服務(wù)類及推送媒介。

步驟2：使用式（2）計(jì)算 Pl1d（k）＝P（d｜As）與Pl2d（k）＝P（d｜ls），使用式（3）預(yù)測(cè)

步驟3：計(jì)算3類場(chǎng)景的累計(jì)3種行為的次數(shù)，組成3×3矩陣Fe2。

由此決定是否推送。

2.3 服務(wù)規(guī)則匹配方法

根據(jù)已得 B、R和 P＾l（Mj），實(shí)現(xiàn)推送媒介的輔助規(guī)則Mr制定的部分匹配規(guī)則見(jiàn)表1。

根據(jù)生成的服務(wù)編號(hào)由匹配規(guī)則得出輔助規(guī)則Mr，在實(shí)際行車中快速生成推送策略。如前車碰撞場(chǎng)景中，推送系統(tǒng)提供振動(dòng)等方式提醒行車用戶，忽視用戶自身操作行為，如是否先于系統(tǒng)發(fā)現(xiàn)并控制車輛。通過(guò)服務(wù)方式匹配，制定規(guī)則對(duì)主動(dòng)型用戶無(wú)需提醒和主動(dòng)控制，對(duì)封閉型用戶則主動(dòng)控制車輛且警示用戶。

2.4 推送時(shí)機(jī)選擇算法

服務(wù)推送3階段：（1）開(kāi)始服務(wù)感知到推送用戶；（2）推送給用戶到用戶確認(rèn)；（3）用戶確認(rèn)到媒介執(zhí)行。第1、3階段的時(shí)長(zhǎng)取決于DASS自身性能，針對(duì)第2階段推送時(shí)機(jī)的優(yōu)化，給出時(shí)機(jī)ξ的BT算法如下。

BT（X，L，ξset，l）：

輸入：生成服務(wù)l，各服務(wù)測(cè)試次數(shù)L，設(shè)置初始預(yù)留時(shí)間 ξset。

輸出：最佳推送時(shí)間ξ，最佳預(yù)留時(shí)間ξ0。

初始化：ξset＝5 s。

步驟1：根據(jù)生成的服務(wù)l計(jì)算歷史用戶操作平均時(shí)間 ξl＝mean（X［Ul，：］）；

步驟2：根據(jù)服務(wù)的不同類型設(shè)計(jì)ξ2，以當(dāng)前狀態(tài)計(jì)算至危險(xiǎn)發(fā)生的最短時(shí)間ts1和至服務(wù)發(fā)生的時(shí)間 ts2。則 l∈Al時(shí) ξ2＝tsl，l∈A2時(shí) ξ2＝min（ts1，ts2），否則 ξ2＝∝。

步驟5：與3類場(chǎng)景特征矩陣對(duì)比得規(guī)則矩陣：

表1 部分推送方式匹配規(guī)則

ξ＝-1表示用戶極大可能無(wú)法在危險(xiǎn)場(chǎng)景發(fā)生前確認(rèn)服務(wù)推送，此時(shí)DASS應(yīng)主動(dòng)控制車輛，保障行車安全；ξ＝1則表示系統(tǒng)及時(shí)推送。最佳預(yù)留時(shí)間ξ0為給用戶預(yù)留的最長(zhǎng)操作時(shí)間。

推送流程中利用DASS自主生成的目標(biāo)服務(wù)，經(jīng)B-Num.BT算法處理后，得出適合特定類型的行車用戶推送規(guī)則與時(shí)機(jī)，在此基礎(chǔ)上進(jìn)行服務(wù)主動(dòng)推送，有利于提高 DASS的使用率，完善 DASS體系。

3 實(shí)驗(yàn)

3.1 驗(yàn)證指標(biāo)

作為DPSP的組成部分，評(píng)價(jià)層既要滿足及時(shí)避免事故發(fā)生的安全需求，還應(yīng)考慮用戶對(duì)預(yù)警準(zhǔn)確性和干預(yù)時(shí)機(jī)的使用需求。因此，評(píng)價(jià)層應(yīng)綜合及時(shí)性、安全性和準(zhǔn)確性。

（1）安全性

考慮通過(guò)推送成功減少事故的比率，提升服務(wù)安全性。通過(guò)預(yù)警使用戶專注于駕駛?cè)蝿?wù)或通過(guò)主動(dòng)控制等方式避免事故的發(fā)生，則安全性指標(biāo)Q1為

式中：N2為用戶接受推送服務(wù)仍發(fā)生的事故數(shù)；N1為無(wú)推送造成事故數(shù)，則N1-N2為接受推送服務(wù)減少的事故數(shù)。Q1表征避免事故發(fā)生的能力，越大則安全性越好。

（2）及時(shí)性

同服務(wù)l下，定義服務(wù)推送至用戶操作的時(shí)長(zhǎng)tl1，未使用DPSP的歷史操作時(shí)間tl2，隨L增加的推送及時(shí)性指標(biāo)Q21。定義控制及時(shí)率Q22為在A1或A2中，因場(chǎng)景危險(xiǎn)而無(wú)法等待用戶操作或根據(jù)服務(wù)規(guī)則計(jì)算出系統(tǒng)可主動(dòng)或伺機(jī)控制前提下，評(píng)價(jià)系統(tǒng)參與控制是否及時(shí)。定義服務(wù)l從發(fā)起請(qǐng)求至控制時(shí)長(zhǎng)為tl3，且伺機(jī)控制前提下系統(tǒng)未參與控制時(shí)tl3＝0，傳統(tǒng)DASS從發(fā)起請(qǐng)求至控制的時(shí)長(zhǎng)為 tl4，則

Q21越小即使用DPSP后用戶操作時(shí)間縮短得越多，則推送時(shí)機(jī)的選擇越佳。因不同用戶在DPSP下的t具有不同特征分布，可參照Q21的值分類用戶。Q22反映使用DPSP的參與控制時(shí)間較傳統(tǒng)系統(tǒng)的縮短程度。

（3）準(zhǔn)確性

以推送后用戶確認(rèn)率Q31，即用戶的接受度來(lái)衡量準(zhǔn)確率。但對(duì)于不同類型的用戶使用難以用Q31來(lái)全面評(píng)價(jià)推送系統(tǒng)準(zhǔn)確性，此時(shí)采用因用戶確認(rèn)或安全因素使系統(tǒng)直接控制車輛的主動(dòng)控制的準(zhǔn)確率Q32。

式中：xli為服務(wù) l下實(shí)際用戶的操作行為；x＾li為預(yù)測(cè)操作行為，當(dāng)用戶確認(rèn)推送服務(wù)時(shí) x∈a，la（x）＝1；用戶取消推送服務(wù)則 x?a，la（x）＝0；nsum為預(yù)測(cè)次數(shù)。

式（8）中N3為成功完成主動(dòng)控制的次數(shù)，N4為主動(dòng)控制后由用戶干預(yù)的次數(shù)，則N3+N4為系統(tǒng)參與車輛主動(dòng)控制的總次數(shù)。Q31與Q32越大代表推送的準(zhǔn)確率越高。

3.2 實(shí)驗(yàn)設(shè)計(jì)

因?qū)嶋H道路駕駛的服務(wù)具有種類多、數(shù)據(jù)雜和路況易變等客觀因素，以及服務(wù)推送受行車用戶心情和認(rèn)知水平等主觀因素影響的特點(diǎn)，難以根據(jù)用戶指定服務(wù)進(jìn)行同類場(chǎng)景的重復(fù)實(shí)驗(yàn)。因此，多數(shù)學(xué)者通過(guò)仿真進(jìn)行交通場(chǎng)景的研究［13-15］。因行車環(huán)境復(fù)雜并多變的特點(diǎn)，DASS生成的服務(wù)數(shù)在特定時(shí)刻不唯一。因此，在DPSP下利用典型實(shí)驗(yàn)得出不同服務(wù)類型的推送效率，實(shí)驗(yàn)選取3種服務(wù)類型的典型場(chǎng)景，表2為實(shí)驗(yàn)場(chǎng)景設(shè)置，用于驗(yàn)證DPSP能否挖掘行車用戶的行為特征。實(shí)驗(yàn)場(chǎng)景1和2側(cè)重于驗(yàn)證DPSP能否選擇最佳推送時(shí)機(jī)和服務(wù)規(guī)則可靠性，實(shí)驗(yàn)場(chǎng)景3則側(cè)重于驗(yàn)證DPSP推送的準(zhǔn)確率和接受度。

表2 典型服務(wù)的實(shí)驗(yàn)場(chǎng)景設(shè)置

本文中基于PreScan／Simulink聯(lián)合仿真和羅技模擬駕駛車艙DIL仿真平臺(tái)，依據(jù)表3設(shè)計(jì)了3種仿真服務(wù)場(chǎng)景，利用DPSP的服務(wù)推送，采集行車用戶的確認(rèn)、取消和擱置的行為數(shù)據(jù)以驗(yàn)證前面提出的算法。服務(wù)場(chǎng)景仿真環(huán)境如圖6所示。首先，利用PreScan軟件提供DIL環(huán)境［16-17］，搭建服務(wù)場(chǎng)景A1、A2、A3，其中A3為對(duì)用戶的路徑推送顯示；其次，利用Simulink進(jìn)行DPSP應(yīng)用、參數(shù)顯示、GUI操作和數(shù)據(jù)存儲(chǔ)；最后，用戶須通過(guò)模擬車艙控制車輛完成駕駛與服務(wù)推送操作。

圖6 仿真環(huán)境示意圖

數(shù)據(jù)采集實(shí)驗(yàn)的行車用戶為20名具有3年以上駕齡的用戶（包括男女各10名，年齡23～46歲），在3種場(chǎng)景下各用戶分別進(jìn)行1 000次實(shí)驗(yàn)，為避免用戶因多次推送服務(wù)引起的機(jī)械式操作行為，3種服務(wù)類實(shí)驗(yàn)隨機(jī)進(jìn)行。通過(guò)PreScan／Simulink實(shí)現(xiàn)B-Num.BT及其他對(duì)比算法，對(duì)比算法包括 Hybrid［18］（基于增量協(xié)同與內(nèi)容的混合推薦算法）和CAR［19］（上下文感知推薦算法）。在保證算法適用性前提下用服務(wù)數(shù)據(jù)集代替，融合最優(yōu)推薦時(shí)機(jī)得出適用于行車服務(wù)的對(duì)比算法 Hybrid.BT［18］和CAR.BT［19］。因DASS要求服務(wù)推送能以較少數(shù)據(jù)集得出較優(yōu)的推送方案，所以實(shí)驗(yàn)得出的測(cè)試次數(shù)L可作為實(shí)際測(cè)試參考依據(jù)。

3.3 實(shí)驗(yàn)結(jié)果分析

因DPSP依據(jù)用戶操作行為歷史數(shù)據(jù)進(jìn)行挖掘預(yù)測(cè)，隨著歷史數(shù)據(jù)的更新，推送規(guī)則與時(shí)機(jī)均會(huì)改變。利用B-Num.BT和對(duì)比算法的仿真實(shí)驗(yàn)各1 000次。評(píng)價(jià)DPSP的有效性不能僅依據(jù)歷史推送數(shù)據(jù)總體效果或最新推送效果，因此將實(shí)驗(yàn)結(jié)果按順序分為100組，以10次測(cè)量結(jié)果為1組，計(jì)算各指標(biāo)變化趨勢(shì)。圖7示出其中1名用戶的驗(yàn)證指標(biāo)統(tǒng)計(jì)結(jié)果。參與測(cè)試的20名用戶類型不同對(duì)算法的安全性、及時(shí)性和準(zhǔn)確性均無(wú)影響。

在圖 7（a）和圖7（b）中，安全性 Q1隨 L′增加而趨近于0.96，表明在利用DPSP的DASS推送后能最大程度降低事故發(fā)生率。在圖7（c）、圖7（d）和圖7（e）中，及時(shí)性 Q21隨 L′增加分別降至 A1：0.31、A2：0.18和 A3：0.49，而在圖 7（f）和圖 7（g）中，及時(shí)性Q22隨 L′增加分別逐漸降至 A1：0.57和 A2：0.72，BNum.BT算法中Q22的值與Hybrid.BT相近，但指標(biāo)Q21明顯優(yōu)于Hybrid.BT算法，表明B-Num.BT算法及時(shí)性能優(yōu)勢(shì)較明顯。在圖7（h）、圖7（i）和圖7（j）中，準(zhǔn)確性 Q31隨 L′增加分別逐漸趨于 A1：0.94、A2：0.71和 A3：0.77，而在圖7（k）和圖 7（l）中，準(zhǔn)確性Q32隨 L′增加分別逐漸趨近于 A1：0.95和 A2：0.85，各場(chǎng)景下B-Num.BT的準(zhǔn)確性皆優(yōu)于對(duì)比算法，且本文算法在同類場(chǎng)景中表現(xiàn)得更穩(wěn)定。總之，B-Num.BT算法優(yōu)于兩種對(duì)比算法，輸出穩(wěn)定，使系統(tǒng)的安全性、及時(shí)性和準(zhǔn)確性達(dá)到推送系統(tǒng)要求，有利于提高DASS用戶體驗(yàn)。此外，L達(dá)500次（L′為50）后，3類服務(wù)場(chǎng)景下的B-Num.BT算法皆優(yōu)于兩種對(duì)比算法，且各性能均已達(dá)到最優(yōu)值的90%。因此當(dāng)測(cè)試次數(shù)L＝500作為全部場(chǎng)景的初始測(cè)試次數(shù)，即可使推送系統(tǒng)的各性能達(dá)到較優(yōu)值，有利于DPSP其他服務(wù)測(cè)試的初始實(shí)驗(yàn)設(shè)計(jì)。

由Q21的含義得知，在DPSP下4類用戶經(jīng)1 000次測(cè)試后，越趨于s1類的用戶其Q21的值越小。分別統(tǒng)計(jì)20名用戶在L達(dá)到250、500和1 000次時(shí)Q21的分布，結(jié)果如圖8所示。因不同服務(wù)類型下所得Q21值的范圍不同，且同服務(wù)下Q21值穩(wěn)定在固定區(qū)間內(nèi)。為便于觀察，將同服務(wù)下各用戶Q21的值歸一化至區(qū)間［0，1］，用深淺不同的顏色顯示。圖8中顏色越深表示同服務(wù)類型的Q21越小，即用戶類型越趨向于s1類。同服務(wù)同用戶的3點(diǎn)顏色越相近，表示該用戶在多次測(cè)試時(shí)所屬用戶類型保持不變，即計(jì)算推送及時(shí)性指標(biāo)Q21能實(shí)現(xiàn)對(duì)行車用戶分類的功能。從圖8（a）～圖8（c）對(duì)比發(fā)現(xiàn)，測(cè)試次數(shù)L相同時(shí)，同用戶在不同服務(wù)的顏色深淺相似，表明不同服務(wù)下用戶類型不會(huì)發(fā)生改變，根據(jù)該特點(diǎn)可依照單個(gè)服務(wù)的測(cè)試結(jié)果對(duì)行車用戶進(jìn)行分類，以簡(jiǎn)化行車用戶分類方法，對(duì)完善DASS個(gè)性化功能、促進(jìn)無(wú)人駕駛在個(gè)性化方面技術(shù)的推廣有重要應(yīng)用價(jià)值。

4 結(jié)論

（1）建立了DASS的推送服務(wù)平臺(tái)（DPSP），通過(guò)服務(wù)預(yù)處理、操作行為特征挖掘、服務(wù)規(guī)則匹配、選擇推送時(shí)機(jī)、在線推送和評(píng)價(jià)的流程優(yōu)化DASS服務(wù)推送環(huán)節(jié)，并在流程中提出基于用戶操作行為的B-Num.BT算法，提高了DASS的服務(wù)推送的用戶接受度。

圖7 驗(yàn)證指標(biāo)統(tǒng)計(jì)結(jié)果

圖8 不同用戶操作統(tǒng)計(jì)結(jié)果

（2）以理想DASS模型為基礎(chǔ)，利用DPSP對(duì)不同用戶進(jìn)行服務(wù)推送的驗(yàn)證實(shí)驗(yàn)，將在DPSP的服務(wù)推送流程的關(guān)鍵算法B-Num.BT算法與Hybrid.BT算法和CAR.BT算法進(jìn)行對(duì)比。驗(yàn)證了B-Num.BT算法的及時(shí)性、安全性和準(zhǔn)確性。通過(guò)統(tǒng)計(jì)發(fā)現(xiàn)，同服務(wù)下及時(shí)性數(shù)值分布的差異可用來(lái)對(duì)行車用戶進(jìn)行分類，有利于DASS實(shí)現(xiàn)個(gè)性化推送。

（3）本研究尚缺乏真實(shí)駕駛過(guò)程推送平臺(tái)對(duì)不同用戶類型和服務(wù)類型的實(shí)用性驗(yàn)證，對(duì)真實(shí)駕駛中多種復(fù)雜服務(wù)同時(shí)生成的服務(wù)場(chǎng)景適用性有待進(jìn)一步研究。