一种情景模式推荐的方法、装置、电子设备和存储介质

一种情景模式推荐的方法、装置、电子设备和存储介质实质审查发明

技术领域

[0001] 本申请涉及车辆领域，并且更具体地，涉及车辆领域中一种情景模式推荐的方法、装置、电子设备和存储介质。

具体实施方式

[0035] 下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

[0036] 以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。

[0037] 厂商在售卖车辆前，可以基于大数据和车辆可执行的功能在车辆中存储情景模式，基于情景模式可以方便快速的实现多功能的联动，来满足用户的需求。

[0038] 用户在用车过程中还可以基于自身的需求制定个性化的情景模式，车辆可以将制定后的情景模式上传到云端，或者厂商可以根据新收集的数据设置新的情景模式上传到云端，此时云端中存储有车辆的情景模式列表中未添加的多种情景模式，多种情景模式可以存在与在目标场景下使用车辆的用户习惯很相似的目标情景模式，此时云端可以向车辆推荐目标情景模式，使用户将目标情景模式添加至车辆的情景模式列表，以便用户使用。

[0039] 但是现有技术中向车辆推荐情景模式时只结合客观风险选择推荐时机，推荐情景模式的时机一般会避开客观风险高的时间，比如用户专心驾驶期间一般会减少推荐，来避免用户驾驶分心。但是现有技术考虑的风险不够全面，用户仍会有较大的概率在推荐后拒绝采纳目标情景模式，导致用户对推荐的情景模式的使用意图和采纳率较低。

[0040] 本申请提供一种情景模式推荐的方法，可以结合用户感知风险选择推荐时机，提高用户对推荐的目标情景的采纳概率和使用意愿，提高用户的用车体验。

[0041] 图1是本申请实施例的实现系统架构。

[0042] 示例性的，如图1所示，该系统100包括：云端10和车辆20。

[0043] 其中，云端10中存储有多种情景模式，多种情景模式包括厂商设置上传的和用户设置上传的。

[0044] 云端10和车辆20建立连接，云端10可以获取车辆20的历史数据，基于车辆20的历史数据向用户推荐目标情景模式，目标情景模式可以是云端10中存储的多个情景模式中的任意一个。

[0045] 车辆20为用户驾驶的待推荐情景模式的车辆，车辆20中包括存储空间，存储着一定时间段内车辆20的历史数据，车辆20可以将历史数据上传至云端10。

[0046] 其中，历史数据中包括车辆执行目标功能的次数，用户每次控制车辆执行目标功能的操作时长，操作次数等数据。

[0047] 图2是本申请实施例提供的一种情景模式推荐的方法的示意性流程图。该方法应用于云端。

[0048] 示例性的，如图2所示，该方法包括：

[0049] 步骤201，确定车辆当前是否符合推荐目标情景模式的预设条件；

[0050] 车辆中可以设置有感知装置，可以实时的获取与车辆相关联的感知数据，并在一定条件下将获取到的感知数据上传到云端，以供云端根据车辆的感知数据判断车辆当前是否符合推荐目标情景模式的预设条件。

[0051] 一些实施例中，用户可以通过触屏、语音等方式开启车辆的个性化推荐服务。响应于用户的开启车辆的个性化推荐服务的操作，车辆将获取到的感知数据上传到云端。

[0052] 目标情景模式是为用户提供某些功能的情景模式。目标情景模式中可以包括控制车辆的目标功能处于工作状态的控制指令，控制指令中还可以包括目标功能的工作参数。在车辆启动目标情景模式的情况下，可以触发车辆目标功能处于工作状态，并维持在目标工作参数，以满足用户的需求。

[0053] 应理解，目标情景模式可以是预设的情景模式，也可以是其他用户使用其他车辆时根据自己的需求配置的情景模式。

[0054] 云端可以基于车辆上传的感知数据对用户用车的场景进行划分，具体的，可以根据预设时间范围内(例如近一个月)用户用车的时间、行驶路程和位置等信息对用户用车的场景进行划分。例如近一个月，用户早上8：00左右驾驶车辆从家到公司，最后将车辆停放在公司车库，则将该场景划分为上班场景；用户下午6：00～8：00驾驶车辆从公司到家，最后将车辆停放在家里地下车库，则将该场景划分为下班场景。用户用车的场景和情景模式具有一定的关联关系，可以将与目标情景模式具有关联关系的场景称为目标场景。

[0055] 感知装置可以包括时间感知装置、行驶路程感知装置和位置感知装置，可以根据上述感知装置获取当前时间、行驶路程和位置等信息，确定车辆是否处于目标场景。

[0056] 示例性的，假设目标场景为下班场景，则当获取到时间为下午6：00～8：00，用户驾驶车辆的行驶路程为从公司到家，车辆当前位置为家里地下车库时，确定车辆处于目标场景。

[0057] 预设条件可以是目标场景下启用目标情景模式的条件，例如预设条件可以是检测到用户在目标场景下需要休息。感知装置还可以包括用户状态感知装置，可以根据该感知装置获取下班场景下用户的状态信息，根据用户的状态信息，判断用户是否需要休息。假设根据获取的用户的状态信息确定用户处于疲惫状态时，确定用户需要休息，此时判断车辆满足预设条件。

[0058] 一些实施例中，预设条件也可以是根据用户的历史数据得到的。具体的，云端可以获取预设时间段内用户对车辆的历史数据，并对历史数据进行分析处理，得到用户在目标场景下的用户习惯，可以将目标场景下的用户习惯作为目标场景下的预设条件。

[0059] 示例性的，假设获取的历史数据为用户近一个月对车辆的历史数据，对历史数据进行分析处理，得到最近一个月，用户每天下午6：00～8：00驾驶车辆从公司到家20次，在车上休息18次，休息时间平均15分钟，期间播放纯音乐频率95％，氛围灯律动频率95％，车辆车外气温平均28～30℃，车载空调平均温度25℃，风量1级频次100％，座椅靠背向后倾斜频率95％，坐垫调高95％的用户习惯。

[0060] 判断车辆当前是否符合预设条件可以包括：根据感知装置感知的感知数据，确定用户当前行为是否符合目标场景下的用户习惯，在确定用户当前行为符合用户习惯时确定车辆当前符合预设条件，当用户当前行为不符合用户习惯时，确定车辆当前不符合预设条件。

[0061] 例如，当根据感知数据感知当前时间下午6：30，用户驾驶车辆从公司到家，打开音乐软件播放纯音乐，打开氛围灯选择随音乐律动，车载空调温度调到25℃，风量一档，座椅靠背向后倾斜，坐垫调高时确定用户当前行为是否符合用户习惯，此时确定车辆符合推荐目标情景模式的预设条件。

[0062] 步骤202，在确定车辆符合预设条件的情况下，确定用户的感知风险数据；

[0063] 其中，感知风险数据用于描述向车辆推荐目标情景模式时用户的体验；

[0064] 用户的体验可以是基于多个维度的体验，多个维度可以包括时间维度、操作次数维度、能耗维度和流量消耗维度等，可以获取描述上述多个维度的用户体验的风险值，得到向车辆推荐目标情景模式时用户的感知风险数据。

[0065] 一种可能的实现方式中，感知风险数据包括用于从时间维度描述用户的体验的时间风险值，目标情景模式包括目标功能，确定用户的感知风险数据，包括：获取车辆执行目标功能所需的用户的操作时长数据；和/或，确定用户的日程数据；基于操作时长数据和/或日程数据，计算用户的时间风险值。

[0066] 目标情景模式中包括车辆可以执行的目标功能，其中目标功能可以是一个或多个，可以确定出目标情景模式中包括的目标功能，假设确定出目标情景模式包括功能A、功能B和功能C等多个目标功能。

[0067] 用户基于推荐的目标情景模式控制车辆以使车辆执行目标功能需要花费一定的时长，云端可以基于待推荐的车辆预测用户需要花费的时长得到操作时长数据。

[0068] 具体的，云端可以模拟向车辆推荐目标情景模式的场景，例如根据车辆的型号确定车辆前方设置有车机大屏，向车辆推荐目标情景模式后，车辆可以基于车机大屏向用户展示目标情景模式的推荐界面，用户可以基于推荐界面选择采纳和使用目标情景模式(使用目标情景模式即基于目标情景模式控制车辆)。当用户基于推荐的目标情景模式控制车辆时，需要花费一定的时长，云端可以模拟用户基于推荐的目标情景模式控制车辆以使车辆执行功能A、功能B和功能C等多个目标功能的场景，并基于模拟的场景预测用户需要花费的操作时长数据。

[0069] 云端中可以存储有预设时长，预测到操作时长数据后云端可以将操作时长数据中的操作时长和预设时长进行比较，基于操作时长和预设时长确定时间风险值。

[0070] 示例性的，假设云端预测需要花费的操作时长为20秒，预设时长为15秒，经过计算(例如操作时长减去预设时长再除以预设时长，取百分数值)可以得到时间风险值为33％。

[0071] 一些实施例中，车辆基于车机向用户展示目标情景模式时，用户还需要基于推荐界面阅读浏览、理解推荐的目标情景模式，这个过程中也需要花费一定的时长。云端可以基于模拟的推荐目标情景模式的场景，预测用户阅读浏览、理解推荐的目标情景模式花费的时长，操作时长数据中还可以包括用户阅读浏览、理解推荐的目标情景模式花费的时长。

[0072] 一些实施例中，推荐界面还可以包括对目标情景模式进行重新设置的工具栏，用户基于推荐界面阅读浏览、理解推荐的目标情景模式后，发现推荐的目标情景模式某一功能不符合预期时，用户还可能在工具栏对该功能进行重新设置，云端还可以基于模拟的推荐目标情景模式的情景，预测用户对该功能进行重新设置花费的时长，操作时长数据中还可以包括用户重新设置花费的时长。

[0073] 可选地，车辆或与车辆建立连的终端(例如手机、平板、手环等)中设置有日历，用户可以提前在日历中设置接下来的日程，此时车辆可以获取用户在日历中设置的日程，得到日程数据上传至云端，云端接收日程数据。

[0074] 其中，车辆与终端之间可通过诸如蓝牙、无线保真(Wireless Fidelity，WiFi)、近场通信(Near Field Communication，NFC)等方式建立连接，本申请实施例对此不做限定。

[0075] 示例性的，假设用户提前在日历中设置了：下午7：00，家庭聚餐，此时车辆可以获取用户设置的日程，得到日程数据“下午7：00，家庭聚餐”，并上传到云端。

[0076] 云端可以获取车辆处于目标场景触发推荐目标情景模式的当前时间，获取目标情景模式的使用时长，基于当前时间和使用时长确定结束时间。基于获取的日程数据和结束时间确定二者之间的冲突时长，并基于确定的冲突时长确定时间风险值。

[0077] 具体的，可以预设时长范围与对应时间风险值的列表，基于冲突时长和列表确定时间风险值。

[0078] 表1

[0079] 时长范围时间风险值0分钟＜T≤10分钟 30％
10分钟＜T≤30分钟 45％
30分钟＜T≤60分钟 70％
60分钟≤T 100％

[0080] 如表1所示：其中T即冲突时长，当冲突时长大于0分钟且小于或等于10分钟时，时间风险值为30％，当冲突时长大于10分钟且小于或等于30分钟时，时间风险值为45％，当冲突时长大于30分钟且小于或等于60分钟时，时间风险值为70％，当冲突时长大于60分钟时，时间风险值为100％。

[0081] 示例性的，假设当前时间为下午6：50，目标情景模式的使用时长为15分钟，可以确定结束时间为7：05，此时基于日程数据“下午7：00，家庭聚餐”和结束时间7：05，确定二者之间存在冲突，冲突时长为5分钟，查表1可得5分钟对应的风险值为30％，则确定时间风险值为30％。

[0082] 一些实施例中，车辆内部设置有摄像头，可以采集车辆内部的图像，并对图像中的物品进行识别，云端可以获取当前车辆识别的车内物品信息，基于车内物品信息确定用户日程，云端中可以存储预设的时间风险值，当基于车内物品信息确定存在用户日程时，可以将预设的时间风险值确定为时间风险值。

[0083] 示例性的，假设预设的时间风险值为33％，获取的车内物品信息中包括鲜花、蛋糕、礼物等和庆祝生日日程有关联的信息，云端可以基于鲜花、蛋糕、礼物等和庆祝生日日程有关联的车内物品信息确定用户的日程数据为“庆祝生日”，此时基于车内物品信息确定存在用户日程，则确定时间风险值为33％。

[0084] 一些实施例中，还可以基于操作时长数据和日程数据共同确定时间风险值。具体的，可以将基于操作时长数据确定的时间风险值称为第一风险值，将基于日程数据确定的时间风险值称为第二风险值，取第一风险值和第二风险值的平均值得到时间风险值。

[0085] 上述方法中，通过确定用户操作车辆花费的时长数据，可以使后续根据感知风险数据确定的推荐时机，提高用户时间维度上的体验，保证推荐目标情景模式后用户花费的时长不会过长，给用户带来不好的体验；根据用户的日程数据确定时间风险值，可以使后续根据感知风险数据确定的推荐时机避免和用户日程冲突，可以提高用户的采纳概率和使用意愿。

[0086] 一种可能的实现方式中，操作时长数据包括第一操作时长数据和第二操作时长数据，获取车辆执行目标功能消耗的操作时长数据，包括：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能所需的用户的第一操作时长数据；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能所需的用户的第二操作时长数据；基于操作时长数据计算时间风险值，包括：基于第一操作时长数据和第二操作时长数据的之间的差值，计算时间风险值。

[0087] 如上述实施例，云端可以模拟用户采纳目标情景模式后基于推荐的目标情景模式控制车辆以使车辆执行目标功能的场景，基于模拟的场景预测用户需要花费的时长，可以将预测的时长确定为第一操作时长数据。

[0088] 车辆未采纳目标情景模式时，用户也可以通过一些操作控制车辆执行目标功能。可以获取车辆的历史数据，基于历史数据确定出车辆未采纳目标情景模式时控制车辆执行目标功能花费的第二操作时长数据。

[0089] 历史数据可以是预设时间段内的历史数据，例如近一个月内的历史数据，历史数据可以包括预设时间段内用户控制车辆以使车辆执行各功能的次数，和每次操作对应花费的时长。可以基于历史数据计算操作各功能花费的平均时长，再从中确定出目标功能和操作每个目标功能花费的平均时长，将得到的操作各目标功能花费的平均时长相加，得到上述第二操作时长数据。

[0090] 表2

[0091] 功能次数平均花费时长/秒功能A 15 3
功能B 6 7
功能C 9 5
功能D 13 7
功能E 18 4

[0092] 如表2所示，近一个月的历史数据中包括：功能A，执行15次，计算得用户操作车辆执行功能A花费的平均时长为3秒；功能B，执行6次，计算得用户操作车辆执行功能B花费的平均时长为7秒；功能C，执行9次，计算得用户操作车辆执行功能C花费的平均时长为5秒；功能D，执行13次，计算得用户操作车辆执行功能D花费的平均时长为7秒；功能E，执行18次，计算得用户操作车辆执行功能E花费的平均时长为4秒。

[0093] 其中，确定功能A、功能B、功能C为目标功能，对应花费的平均时长分别为3秒、7秒和5秒，将用户操作车辆执行各功能花费的平均时长相加可以得到第二操作时长数据为15秒。

[0094] 如上述实施例，预测的时长为20秒，即第一操作时长数据为20秒，可以基于第一操作时长和第二操作时长的差值计算时间风险值。例如可以将第一操作时长20秒减去第二操作时长15秒得到差值5秒，再用差值5秒除以第二操作时长15秒，取百分比值可以得时间风险值为33％。

[0095] 上述方法中，通过预测用户采纳目标情景模式后的第一操作时长数据，获取未采纳目标情景模式时的第二操作时长数据，基于采纳前和采纳后的操作时长数据可以准确的确定出推荐目标情景模式后用户花费时长更多的时间风险值，以便于下一步根据确定的时间风险值进而确定推荐时机，保证推荐目标情景模式后可以提高用户在时间维度上的体验，提高用户的采纳概率和使用意愿。

[0096] 一种可能的实现方式中，感知风险数据包括用于从操作次数维度描述用户的体验的操作风险值，目标情景模式包括目标功能，确定用户的感知风险数据，包括：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能所需的用户的第一操作次数；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能所需的用户的第二操作次数；基于第一操作次数和第二操作次数，计算操作风险值。

[0097] 如上述实施例，目标情景模式包括功能A、功能B和功能C，用户基于推荐的目标情景模式控制车辆以使车辆执行目标功能需要进行一定的操作，云端可以预测用户基于目标情景模式操作车辆执行目标功能需要的操作次数。

[0098] 应理解，用户可以通过点击设置在车辆周围的机械按键或集成在车机大屏上的软按键实现控制车辆执行目标功能。可以将用户点击一次按键记为操作一次。

[0099] 云端可以模拟向车辆推荐目标情景模式后用户基于推荐的目标情景模式控制车辆执行目标功能的场景。基于模拟的场景预测用户的操作次数得到第一操作次数。具体的，云端可以模拟基于目标情景模式控制车辆的控制界面，基于模拟的控制界面预测用户的第一操作次数。

[0100] 一些实施例中，用户可以基于推荐界面采纳目标情景模式，之后基于目标情景模式的控制界面控制车辆。第一操作次数中还可以包括用户采纳目标情景模式的操作次数。云端可以在模拟控制界面之前模拟推荐界面，预测用户在推荐界面的操作次数，之后模拟控制界面，预测用户在控制界面的操作次数，将得到的操作次数相加得到第一操作次数。

[0101] 图3是本申请实施例提供的一种推荐目标情景模式的界面示意图。

[0102] 示例性的，如图3所示，该界面300包括目标情景模式名称展示区301、推荐信息展示区302、忽略按键303、接受按键304和立即启用按键305。

[0103] 其中，推荐信息展示区302可以展示描述目标情景模式特征的推荐信息，具体可以包括推荐目标情景模式的推荐原因信息、推荐质量信息和使用效果信息。

[0104] 用户可以点击立即启用按键306采纳目标情景模式并打开目标情景模式控制界面，此时操作次数记录一次。用户可以基于控制界面控制车辆执行目标功能，可以将操作累加得到第一操作次数。

[0105] 目标情景模式包括功能A、功能B和功能C三个目标功能。目标情景模式的控制界面可以如图4所示。

[0106] 图4是本申请实施例提供的一种目标情景模式的控制界面示意图。

[0107] 示例性的，如图4所示，该界面400包括：功能A的开启按键401和关闭按键402、功能B的开启按键403和关闭按键404和功能C的开启按键405和关闭按键406。用户可以点击功能A的开启按键401、功能B的开启按键403和功能C的开启按键405，实现基于目标情景模式控制车辆执行目标功能，此时，操作次数加3次，可以确定第一操作次数为4次。

[0108] 一些实施例中，如图3所示推荐界面还可以包括对目标情景模式进行重新设置的工具栏306，用户基于推荐界面阅读浏览、理解推荐的目标情景模式后，发现推荐的目标情景模式某一功能不符合预期时，用户还可能在工具栏306对该功能进行重新设置，云端还可以基于模拟的推荐目标情景模式的场景，预测用户对该功能进行重新设置的操作次数，第一操作次数中还可以包括用户重新设置的操作次数。

[0109] 车辆未采纳目标情景模式时，用户也可以通过一些操作控制车辆执行目标功能。云端可以获取车辆未采纳目标情景模式的历史数据中用户控制车辆执行功能A的操作次数，控制车辆执行功能B的操作次数，控制车辆执行功能C的操作次数，将操作次数相加得到第二操作次数。

[0110] 示例性的，云端获取用户控制车辆执行功能A、功能B和功能C的操作次数各为1次，相加可以得到第二操作次数为3次。

[0111] 云端可以基于得到的第一操作次数和第二操作次数计算操作风险值。具体的，可以将第一操作次数4次减去第二操作次数3次，得到第一操作次数和第二操作次数之间的差值1次，再将得到的差值1次除以第二操作次数3次，取百分比值得到操作风险值约为33％。

[0112] 上述方法中，通过预测用户基于目标情景模式的第一操作次数和未采纳目标情景模式的第二操作次数，基于第一操作次数和第二操作次数计算操作风险值，可以使基于感知风险数据确定的推荐时机结合用户操作次数维度上的体验，保证推荐的目标情景模式可以提高用户在操作次数维度的使用体验，避免推荐目标情景模式后用户因操作次数增加而导致的用户使用体验不佳。

[0113] 一种可能的实现方式中，感知风险数据包括用于从能耗维度描述用户体验的能耗风险值，目标情景模式包括目标功能，确定用户的感知风险数据，包括：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能的第一油耗数据和/或第一电耗数据；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能的第二油耗数据和/或第二电耗数据；根据第一油耗数据和第二油耗数据计算车辆的能耗风险值；或，根据第一电耗数据和第二电耗数据计算车辆的能耗风险值；或，根据第一油耗数据、第一电耗数据、第二油耗数据和第二电耗数据计算能耗风险值。

[0114] 车辆可以是纯电型车辆、纯油型车辆或油电混合型车辆，当车辆为纯电型车辆时，目标功能中可以包括需要消耗电量的功能，云端可以先从目标功能中确定出需要消耗电量的功能，之后在模拟用户基于推荐的目标情景模式控制车辆以使车辆执行目标功能的情景下，预测车辆需要消耗的第一电量。

[0115] 如上述实施例，目标情景模式包括功能A、功能B和功能C，假设确定功能A需要消耗电量，其中，功能A例如可以是控制车载空调运行、控制氛围灯律动等功能。接下来的实施例中以功能A为控制车载空调运行为例进行说明：云端可以预测车辆基于目标情景模式执行功能A需要消耗的第一电量，具体的步骤例如可以是：云端可以确定出用户开启目标情景模式后功能A的运行参数和运行时长，基于运行参数和运行时长确定出车辆需要消耗的第一耗电量。

[0116] 示例性的，假设运行参数为控制车载空调24℃运行、运行时长为15分钟，车载空调以24℃运行一分钟花费0.68度电，运行15分钟则花费10.05度电，可以得到第一耗电量为10.2度。

[0117] 云端可以获取车辆预设时间段内(例如近一个月内)车辆在目标场景下执行功能A的次数和每次消耗的电量，并确定出执行功能A的消耗的平均电量，将得到的平均电量确定为第二耗电量。

[0118] 示例性的，假设云端获取到近一个月内车辆在目标场景下执行目标功能A的次数为8次，每次消耗的电量分别为10度、9.7度、10.5度、9.3度、10度、9.5度、10.5度、10.5度，计算得消耗的平均电量为10度，可得第二耗电量为10度。

[0119] 云端可以基于得到的第一耗电量和第二耗电量计算能耗风险值。具体的，可以将第一耗电量10.2度减去第二耗电量10度，得到第一耗电量和第二耗电量之间的差值0.2度，再将得到的差值0.2度除以第二耗电量10度，取百分比值得到能耗风险值约为2％。

[0120] 当车辆为纯油型车辆时，目标功能中可以包括需要消耗燃油的功能，云端可以先从目标功能中确定出需要消耗燃油的功能，预测车辆基于目标情景模式执行该功能消耗的第一耗油量。可以如上述实施例，可以确定出该功能的运行时长和每分钟的耗油量，将运行时长乘以每分钟的耗油量得到第一耗油量。

[0121] 云端可以基于车辆预设时间段内(例如近一个月内)的历史数据中在目标场景下用户开启该功能的次数和每次的耗油量计算平均耗油量，将得到的平均耗油量确定为第二耗油量。之后将第一耗油量减去第二耗油量得到耗油量差值，再将耗油量差值除以第二耗油量得到能耗风险值。

[0122] 一些实施例中，车辆还可以是油电混合型车辆，油电混合型车辆可以默认设定为纯电优先，在此情况下可以如上述纯电车辆确定能耗风险值。当车辆电量低于电量阈值时，可能同时存在消耗电量的功能和消耗燃油的功能，此时云端可以分别确定出目标功能中消耗电量的功能和消耗燃油的功能，基于消耗电量的功能确定第一能耗风险值，基于消耗燃油的功能耗确定第二能耗风险值，基于第一能耗风险值和第二能耗风险值得到能耗风险值，例如取第一能耗风险值和第二能耗风险值的平均值得到能耗风险值。其中，确定第一能耗风险值和第二能耗风险值的过程可以如上述实施例，此处不再赘述。

[0123] 在上述方法中，通过预测用户基于目标情景模式的第一油耗数据和/或第一电耗数据，确定未采纳目标情景模式的第二油耗数据和/或电耗数据，并基于上述数据计算目标情景模式的能耗风险值，可以使基于感知风险数据确定的推荐时机结合用户能耗维度上的体验，保证推荐的目标情景模式可以提高用户的使用体验，避免推荐后用户因能耗过高而导致的用户使用体验不佳。

[0124] 一种可能的实现方式中，感知风险数据包括用于从流量消耗维度描述用户的体验的流量风险值，目标情景模式包括目标功能，确定用户的感知风险数据，包括：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能消耗的第一流量；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能消耗的第二流量；基于第一流量和第二流量，计算流量风险值。

[0125] 目标功能中可以包括需要消耗流量的功能，云端可以先从目标功能中确定出需要花费流量的功能，之后在模拟用户基于推荐的目标情景模式控制车辆以使车辆执行目标功能的情景下，预测车辆需要消耗的第一流量。

[0126] 如上述实施例，目标情景模式包括功能A、功能B和功能C，假设确定功能B需要花费流量，其中，功能B例如可以是播放舒缓的音乐、播放喜剧短片等功能。接下来的实施例中以功能B为播放喜剧短片为例进行说明：云端预测车辆需要消耗的第一流量的步骤例如可以是，云端可以确定出基于目标情景模式执行功能B时播放的喜剧短片的播放时长和画质，基于播放时长和画质确定出车辆需要消耗的第一流量。

[0127] 示例性的，假设云端确定基于目标情景模式执行功能B时播放的喜剧短片的播放时长为15分钟，画质为1080P，基于画质可以确定播放该短剧一分钟需要消耗26.25M流量，将播放时长15乘以每分钟消耗的流量26.25M，得到第一流量为393.75M。

[0128] 云端可以获取车辆预设时间段内(例如近一个月内)在目标场景下车辆执行功能B的次数和每次消耗的流量，并确定出执行功能B的消耗的平均流量，将得到的平均流量确定为第二流量。

[0129] 示例性的，假设云端获取到近一个月内，在下班场景下车辆执行目标功能5次，每次使用的流量分别为220M、216M、230M、215M和219M，计算得平均消耗流量为220M，可得第二流量为220M。

[0130] 云端可以基于得到的第一流量和第二流量计算流量风险值。具体的，可以将第一流量393.75M减去第二流量220M，得到第一流量和第二流量之间的差值173.75M，再将得到的差值173.75除以第二流量220M，取百分比值得到流量风险值约为79％。

[0131] 一些实施例中，云端还可以获取当月车辆的剩余流量，并根据用户的使用习惯预测当月用户基于目标情景模式控制车辆以使车辆执行目标功能的剩余次数，基于第一流量和剩余次数计算车辆当月消耗流量是否会超过剩余流量，在确定车辆当月消耗流量不会超过剩余流量时将上述计算的流量风险值乘以第一预设系数，得到最终的流量风险值，其中第一预设系数小于1。在确定车辆当月消耗流量超过剩余流量时将上述计算的流量风险值乘以第二预设系数，得到最终的流量风险值，其中第二预设系数大于1。

[0132] 示例性的，假设车辆当月剩余流量为5G，第一预设系数为0.6、第二预设系数为1.2，根据用户习惯确定用户工作日都会处于下班场景，本月剩余工作日为10天，则用户采纳目标情景模式后本月的基于目标情景模式控制车辆以使车辆执行目标功能的剩余次数为10次，计算每次消耗流量约400M，则剩余消耗流量约为4000M，4000M小于当月剩余流量
5G，则将得到的流量风险值79％乘以第一预设系数0.6，得到最终流量风险值为47.4％。

[0133] 一些实施例中，可以预先建立用户感知风险评估模型，可以将上述云端预测的数据和获取的车辆的历史数据输入感知风险评估模型中，得到用户感知风险数据。

[0134] 在上述方法中，通过预测用户基于目标情景模式的第一流量数据，确定未采纳目标情景模式的第二流量数据，并基于第一流量数据和第二流量数据计算目标情景模式的流量风险值，可以使基于感知风险数据确定的推荐时机结合用户在车辆流量消耗维度上的体验，保证推荐的目标情景模式可以提高用户的使用体验，避免推荐后用户因车辆流量消耗过高而导致的用户使用体验不佳。

[0135] 步骤203，基于感知风险数据判断当前时刻是否属于目标推荐时机；

[0136] 其中，目标推荐时机为合适的推荐时机。判断当前时刻是否属于目标推荐时机即判断当前时刻是否为合适的推荐时机。

[0137] 可以基于感知风险数据中包括的描述向车辆推荐目标情景模式时用户多个维度的体验的风险值判断当前时刻是否为合适的推荐时机。具体的，可以预设合适的推荐时机(目标推荐时机)对应的多个维度的风险阈值，在多个维度的风险值均小于对应的风险阈值的时候，确定当前时刻为合适的推荐时机，即当前时刻属于目标推荐时机。

[0138] 示例性的，假设预设的时间风险阈值为33％，操作风险阈值为50％、能耗风险阈值为20％、流量风险阈值为50％，则可以根据计算的时间风险值30％小于时间风险阈值33％，操作风险值33％小于操作风险阈值50％，能耗风险值2％小于能耗风险阈值20％，流量风险值47.4％小于流量风险阈值50％，确定当前时刻为目标推荐时机。

[0139] 一些实施例中，对应于多个维度的风险值可以预设一个总阈值，可以将多个维度的风险值相加得到的和与总阈值进行比较，在相加得到的和小于预设的总阈值时，确定当前时刻为合适的推荐时机，即当前时刻属于目标推荐时机。

[0140] 一种可能的实现方式中，基于感知风险数据判断当前时刻是否属于目标推荐时机，包括：基于感知风险数据，预测用户对目标情景模式的采纳概率和/或使用意愿值；在采纳概率大于或等于预设概率阈值，和/或，使用意愿值大于或等于预设值时，确定当前时刻属于目标推荐时机；在采纳概率小于预设概率阈值，和/或使用意愿值小于预设值时，确定当前时刻不属于目标推荐时机。

[0141] 云端中可以预设有使用意愿水平的预测模型，可以将得到的感知风险数据输入预设的使用意愿水平的预测模型中，得到用户对目标情景模式的使用意愿值。可以将得到的使用意愿值和预设值进行比较，在使用意愿值小于预设值时，确定当前时刻不属于目标推荐时机，在使用意愿值大于或等于预设值时，确定当前时刻属于目标推荐时机。

[0142] 云端中还可以预设有采纳概率的预测模型可以将得到的感知风险数据输入预设的使用意愿水平的预测模型中，得到用户对目标情景模式的采纳概率。可以将得到的采纳概率和预设概率进行比较，在采纳概率小于预设概率时，确定当前时刻不属于目标推荐时机，在使用意愿值大于或等于预设值时，确定当前时刻属于目标推荐时机。

[0143] 一些实施例中，当同时的到用户的使用意愿值和采纳概率时，可以在使用意愿值大于或等于预设值且使用意愿值大于或等于预设值时，确定当前时刻属于目标推荐时机，在其余情况确定当前时刻不属于目标推荐时机。

[0144] 步骤204，在确定当前时刻属于目标推荐时机时，向车辆推荐目标情景模式。

[0145] 云端可以在确定当前时刻属于合适的推荐时机时，将目标情景模式推荐给车辆，以使用户采纳目标情景模式，并使用目标情景模式。

[0146] 具体的，车辆上设置有远程通信终端(Telematics BOX，TBOX)，TBOX可以通过车联网信息服务提供商(Telematics Service Provide，TSP)和云端建立连接，云端可以通过TSP将目标情景模式发送至TBOX，TBOX将目标情景模式通过预设方式展示于车辆。

[0147] 一些实施例中，车辆可以基于展示的界面检测用户是否采纳目标情景模式，是否使用目标情景模式，并将用户的采纳行为和使用行为记录下来，基于记录的采纳行为和使用行为对采纳概率的预测模型和使用意愿预测模型进行优化。

[0148] 如图3所示，车辆展示界面300后，检测用户点击的按键，并响应于用户点击的按键。具体的，当检测到用户点击忽略按键303时，忽略目标情景模式，确定用户未采纳目标情景模式，此时记录用户未采纳目标情景模式。当检测到用户点击接受按键304时，将目标情景模式添加至情景模式列表，此时记录用户采纳目标情景模式未使用目标情景模式。当检测到用户点击立即启用按键305时，将目标情景模式添加至情景模式列表，并基于目标情景模式控制车辆执行目标功能，此时记录用户采纳目标情景模式且使用了目标情景模式。

[0149] 当用户未采纳目标情景模式时，可以将感知风险数据作为负面样本对采纳概率的预测模型进行优化，当用户未使用目标情景模式时，可以将感知风险数据作为负面样本对使用意愿水平预测模型进行优化。当用户采纳目标情景模式时，可以将感知风险数据作为正面样本对采纳概率的预测模型进行优化，当用户使用目标情景模式时，可以将感知风险数据作为正面样本对使用意愿水平的预测模型进行优化。

[0150] 上述方法中，通过确定向车辆推荐目标情景模式后描述用户体验的感知风险数据，基于感知风险数据确定当前时刻是否为合适的推荐时机，使确定的推荐时机结合了用户主观感知风险数据，使推荐时机考虑的风险更加全面，保证推荐可以提高用户的使用体验，可以提高推荐后用户对目标情景模式的采纳率和使用意愿。

[0151] 综上，本申请通过确定向车辆推荐目标情景模式后描述用户体验的感知风险数据，基于感知风险数据确定当前时刻是否为合适的推荐时机，使确定的推荐时机结合了用户主观感知风险数据，使推荐时机考虑的风险更加全面，保证推荐可以提高用户的使用体验，可以提高推荐后用户对目标情景模式的采纳率和使用意愿。通过确定用户操作车辆花费的时长数据，可以使后续根据感知风险数据确定的推荐时机，提高用户时间维度上的体验，保证推荐目标情景模式后用户花费的时长不会过长，使用户带来不好的体验；根据用户的日程数据确定时间风险值，可以使后续根据感知风险数据确定的推荐时机避免和用户日程冲突，可以提高用户的采纳意愿和使用意愿。通过预测用户采纳目标情景模式后的第一操作时长数据，获取未采纳目标情景模式时的第二操作时长数据，基于采纳前和采纳后的操作时长数据可以准确的确定出推荐目标情景模式后用户花费时长更多的时间风险值，以便于下一步根据确定的时间风险值确定进而推荐时机，保证推荐目标情景模式后可以提高用户在时间维度上的体验，提高用户的采纳概率和使用意愿。通过预测用户基于目标情景模式的第一操作次数和未采纳目标情景模式的第二操作次数，基于第一操作次数和第二操作次数计算操作风险值，可以使基于感知风险数据确定的推荐时机结合用户操作次数维度上的体验，保证推荐的目标情景模式可以提高用户在操作次数维度的使用体验，避免推荐后用户因操作次数增加而导致的用户使用体验不佳。通过预测用户基于目标情景模式的第一油耗数据和/或第一电耗数据，确定未采纳目标情景模式的第二油耗数据和/或电耗数据，并基于上述数据计算目标情景模式的能耗风险值，可以使基于感知风险数据确定的推荐时机结合用户能耗维度上的体验，保证推荐的目标情景模式可以提高用户的使用体验，避免推荐后用户因能耗过高而导致的用户使用体验不佳。通过预测用户基于目标情景模式的第一流量数据，确定未采纳目标情景模式的第二流量数据，并基于第一流量数据和第二流量数据计算目标情景模式的流量风险值，可以使基于感知风险数据确定的推荐时机结合用户在车辆流量消耗维度上的体验，保证推荐的目标情景模式可以提高用户的使用体验，避免推荐后用户因车辆流量消耗过高而导致的用户使用体验不佳。

[0152] 图5是本申请实施例提供的一种情景模式推荐的装置的结构示意图。

[0153] 示例性的，如图5所示，该装置500包括：

[0154] 第一确定模块501，用于确定车辆当前是否符合推荐目标情景模式的预设条件；

[0155] 第二确定模块502，用于在确定车辆符合预设条件的情况下，确定用户的感知风险数据；其中，感知风险数据用于描述向车辆推荐目标情景模式时用户的体验；

[0156] 判断模块503，用于基于感知风险数据判断当前时刻是否属于目标推荐时机；

[0157] 推荐模块504，用于在确定当前时刻属于目标推荐时机时，向车辆推荐目标情景模式。

[0158] 一种可能的实现方式中，判断模块503具体用于基于感知风险数据，预测用户对目标情景模式的采纳概率和/或使用意愿值；在采纳概率大于或等于预设概率阈值，和/或，使用意愿值大于或等于预设值时，确定当前时刻属于目标推荐时机；在采纳概率小于预设概率阈值，和/或使用意愿值小于预设值时，确定当前时刻不属于目标推荐时机。

[0159] 一种可能的实现方式中，感知风险数据包括用于从时间维度描述用户的体验的时间风险值，目标情景模式包括目标功能，第二确定模块502具体用于：获取车辆执行目标功能所需的用户的操作时长数据；和/或，确定用户的日程数据；基于操作时长数据和/或日程数据，计算用户的时间风险值。

[0160] 一种可能的实现方式中，操作时长数据包括第一操作时长数据和第二操作时长数据，第二确定模块502具体用于：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能所需的用户的第一操作时长数据；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能所需的用户的第二操作时长数据；基于第一操作时长数据和第二操作时长数据的之间的差值，计算时间风险值。

[0161] 一种可能的实现方式中，感知风险数据包括用于从操作次数维度描述用户的体验的操作风险值，目标情景模式包括目标功能，第二确定模块502具体用于：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能所需的用户的第一操作次数；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能所需的用户的第二操作次数；基于第一操作次数和第二操作次数，计算操作风险值。

[0162] 一种可能的实现方式中，感知风险数据包括用于从能耗维度描述用户的体验的能耗风险值，目标情景模式包括目标功能，第二确定模块502具体用于：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能的第一油耗数据和/或第一电耗数据；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能的第二油耗数据和/或第二电耗数据；根据第一油耗数据和第二油耗数据计算能耗风险值；或，根据第一电耗数据和第二电耗数据计算能耗风险值；或，根据第一油耗数据、第一电耗数据、第二油耗数据和第二电耗数据计算能耗风险值。

[0163] 一种可能的实现方式中，感知风险数据包括用于从流量消耗维度描述用户的体验的流量风险值，目标情景模式包括目标功能，第二确定模块502具体用于：预测车辆采纳目标情景模式后，基于目标情景模式执行目标功能消耗的第一流量；在车辆未采纳目标情景模式的情况下，获取车辆执行目标功能消耗的第二流量；基于第一流量和第二流量，计算流量风险值。

[0164] 图6是本申请实施例提供的一种电子设备的结构示意图。

[0165] 示例性的，如图6所示，该电子设备600包括：存储器601和处理器602，其中，存储器601中存储有可执行程序代码6011，处理器602用于调用并执行该可执行程序代码6011执行一种情景模式推荐的方法。

[0166] 此外，本申请实施例还保护一种装置，该装置可以包括存储器和处理器，其中，存储器中存储有可执行程序代码，处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种情景模式推荐的方法。

[0167] 本实施例可以根据上述方法示例对该装置进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

[0168] 在采用对应各个功能划分各个功能模块的情况下，该装置还可以包括第一确定模块、第二确定模块、判断模块和推荐模块等。需要说明的是，上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述，在此不再赘述。

[0169] 应理解，本实施例提供的装置用于执行上述一种情景模式推荐的方法，因此可以达到与上述实现方法相同的效果。

[0170] 在采用集成的单元的情况下，该装置可以包括处理模块、存储模块。其中，当该装置应用于车辆上时，处理模块可以用于对车辆的动作进行控制管理。存储模块可以用于支持车辆执行相互程序代码等。

[0171] 其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理(digital signal processing，DSP)和微处理器的组合等等，存储模块可以是存储器。

[0172] 另外，本申请的实施例提供的装置具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种情景模式推荐的方法。

[0173] 本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种情景模式推荐的方法。

[0174] 本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种情景模式推荐的方法。

[0175] 其中，本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。

[0176] 通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

[0177] 在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0178] 以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

查看完整全部详细技术资料

当前第1页第1页第2页第3页