SAR：社交感知路线推荐系统

当前位置：资讯 > 香港CN2服务器 >SAR：社交感知路线推荐系统

SAR：一种用于智能交通的社会感知路线推荐系统

JIAQI WANG1,2，YUNYAOLU1,2，XIAOJIE WANG3，JING DONG4和XIPING HU1,2*
1中国科学院先进集成技术研究所，深圳市深圳大学城学苑大道1068号，深圳 518055，中华人民共和国
2香港中文大学
3大连理工大学软件技术学院，辽宁省大连市甘井子区凌工路2号，116024，中华人民共和国
4上海交通大学管理信息系统系，上海市闵行区东川路800号，200240，中国
*通讯作者：[email protected]

1. 引言

导航系统的成熟，包括定位获取、旅行路线推荐、兴趣点（POI）查询及其他相关服务，使人们能够更方便地规划出行。智能手机上联网导航系统的广泛使用，使得收集和分析用户的GPS数据成为可能，从而对交通网络的运行状况进行实时评估。通常情况下，导航系统在路线规划中会考虑路况、距离、行驶时间及其他因素。这些因素可归结为用于确定最终推荐结果的客观因素。在此情况下，用户的主观意愿并未被纳入考虑范围。所推荐的路线从出行角度来看是合适的，但未必是用户满意的选项。目前的导航系统通常关注路线所需的时间成本，通过考虑距离乃至实时交通现有导航系统中的信息。然而，SAR的最终目标是提升目标用户的驾驶体验，这些用户希望驾驶能像在公园散步一样轻松自在。这些驾驶员并不关心是否准时到达目的地，或为了避开交通拥堵而绕一小段路。为了提升驾驶体验并帮助驾驶员放松，路线搜索中需要考虑主观因素。

路线推荐应具备社交感知，这意味着需要收集用户的’个人信息。为了满足用户’需求并使整个旅行更加愉悦，还需考虑他们的情绪。尽管已有方法可推荐个性化旅行序列[1],或辅助路线规划[2],，但这些方法均基于从多源社交媒体数据中挖掘用户兴趣。其他方法主要利用GPS轨迹来探测用户的生活经历以进行推荐[3]。驾驶员的社交信息和情感从未被纳入考虑。因此，为了设计出让驾驶员更令人满意并提升驾驶体验的系统，但现有研究尚未解决两个主要挑战。首先，必须识别不同路线的属性，以形成对整个过程的度量。此问题也与路线搜索算法相关。

其次，应将社交感知信息融入推荐系统中。用户输入的年龄、性别、职业等社交信息需要被适当地处理，作为路线的一种度量。在检测到驾驶员情绪后，这些情绪信息如何在推荐过程中发挥作用也十分重要。

在本研究中，我们针对上述两个主要挑战，旨在为驾驶员提供良好的驾驶体验并为其推荐完美的路线。SAR不仅考虑了道路距离和时间成本（如传统导航应用那样），还考虑了沿途的美丽风景、交通状况以及道路便利性。本文的主要贡献总结如下：

我们不仅像其他研究那样考虑了道路的交通状况，还纳入了驾驶员的社交信息及其主观因素——驾驶员的情绪，据我们所知，这是首个社交感知路线推荐系统。
我们部署并实施了SAR应用程序，该程序整合了社交信息、实时情绪和交通状况等多种信息源。通过一些实验验证了其有效性。

本文其余部分组织如下。第2节回顾了SAR的背景与相关工作。第3节介绍了SAR的模型、关键设计及实现策略，第4节展示了SAR的有效性并评估其性能。第5节讨论了SAR的当前阶段。在第6节中得出结论。

2. 背景与相关工作

近年来，基于位置的服务变得越来越流行，因此处理大量地图信息的需求推动了相关领域的发展，例如对道路结构的操作[4–9]。一种流行的算法可用于在给定图中从起点到目的地查找最短路线，这也是许多研究人员关注的课题[10–15]。

通常，当前的路线搜索和推荐主要关注用户’的轨迹和兴趣点[3]。基于GPS轨迹[16–18],，构建了一些图来挖掘用户之间的关系，然后推断他们对某个位置的兴趣程度，从而向用户推荐路线。Yu 等[19]以及Zhang 等[20]也提出了利用签到记录的方法进行旅游推荐。此外，在旅游推荐中还考虑了许多其他因素，例如旅行日志[21, 22]和地理标记照片[23–25]。由于智能手机广泛使用，这些数据可以通过一些导航应用轻松收集，因此该方法相对容易投入实际应用。但存在的问题是，测量数据太少，难以确定最终的推荐结果，这意味着某些物理因素会影响系统，而其他方面（如实时情况）则被忽略。一些更个性化的旅游推荐研究倾向于关注社交网络数据。通过社交媒体可以挖掘用户贡献的照片集中所反映的消费能力、偏好的时间和季节等信息，这些对于路线规划非常重要，但难以直接获取。然而，这类研究与基于轨迹的推荐存在同样的问题，即用户的实时情况仍会被忽略。为了提供良好的驾驶体验，驾驶员的情绪是决定路线时不可忽视的因素。

多年来，手机的性能不断提升，包括计算资源（例如每秒CPU周期）、存储资源（例如随机存取存储器、大容量闪存等）、网络技术（例如第四/五代蜂窝网络、Wi‐Fi网络等）、智能手机中集成的多种传感器（加速度计、摄像头、全球定位系统等），以及在智能手机上支持高级编程语言（例如Kotlin、Java、Objective‐C）的现代操作系统（例如iOS和安卓）。这些改进使智能手机能够构成移动信息物理系统[26]并支持许多将在日常生活中使用的新型应用[27, 28]。研究人员也在研究移动网络的能耗与延迟问题。在[29],中，研究人员提出了一种能量感知的流量分配方案，以探究能耗与延迟之间的权衡。

移动群智感知是众包的一种特殊形式[30],可以利用大量人类的智慧和体验来解决特定问题fic 问题[31]。如上所述，随着智能手机的发展，现在可以通过移动群智感知方法利用个人智能手机收集、处理和聚合公众的感知数据。

社交车联网（SIoV）也是一个热门的研究领域。车载社交网络旨在解决道路交通事故数量增加和交通拥堵等问题。fic拥堵[32]针对社交车联网的协同质量感知服务接入系统，主要关注可靠性保障策略和质量优化。

相关研究是SAfeDJ[34],一种面向驾驶员的情境感知音乐推送的群智‐云协同设计方法。SAfeDJ是一种基于智能手机的情境感知音乐推荐系统，旨在让驾驶变得更安全且愉悦。SAfeDJ’的目标是帮助驾驶员减轻疲劳和负面情绪。基于新颖的交互方法，它可以提供一些有前景的方法来收集和处理驾驶员产生的情绪数据。例如，智能手机如何协调来自驾驶员的多种感知数据及其社会背景，并结合云计算形成无缝的众包感知解决方案，这值得借鉴。此外，将情绪数据与音乐关联的方法也值得学习。在[35],中，作者展示了一种情感感知认知系统，以帮助部署不同的情感感知移动应用。

3. 系统设计

示意图0

图1展示了SAR的系统结构，包含了SAR的所有重要组件。

示意图1

SAR的整体工作流程如图2所示。在本节中，我们首先提出候选路线生成（CRG）方法，该方法可用于分析地图，高效地生成候选路线及其属性（例如道路便利性、交通、行人、美观度），为后续推荐做准备。接着在第3.2节中引入与社交信息相关的上下文模型，用于将用户和路线整合到统一模型中，从而简化推荐过程。最后，在第3.3节中，我们提出了社交感知推荐系统（SRS），结合CRG的结果和上下文模型，为每位驾驶员推荐合适的路线以提升其驾驶体验。本节还介绍了一种自动计算驾驶员满意度并更新相关推荐表的方法，该方法可自动提高SRS的准确性。

3.1 候选路线生成

为了向驾驶员推荐合适的路线，我们首先需要分析地图并生成候选路线集。然后，SRS 将结合驾驶员的实时情绪以及社交信息（即性别、国籍、年龄和职业），从候选路线集中推荐其中一条路线。显然，该路线可能并非从起点到目的地的最短路线，因为最短路线上可能存在大量交通拥堵，或者沿途景观不符合驾驶员的喜好。然而，过长的绕行也不合适，如果仅仅为了避免3分钟的拥堵而绕行100英里，驾驶员可能也不会高兴。为了解决这一问题，我们预先定义一个阈值K，选取起点与目的地之间的K条最短路径作为候选路线。第3.1.1节中介绍了一种启发式方法，用于高效计算候选路线。然后计算所选路线上的属性，以进行进一步的推荐。

3.1.1 候选路线计算

查找K条最短路径的最传统方法是实现广度优先搜索。然而，这种方法对我们的目的来说效率不高，因为道路网络可能过于庞大，无法在如此紧迫的时间内生成K条最短路线。因此，我们实现了如算法1所示的启发式方法来处理该网络。我们将f(V) = h(V) + g(V)定义为启发式函数，其中h(V)是从S到V的距离，g(V)是估计从V到T的成本的启发式方法。

算法1 查找K条候选路线

输入：图 G =〈V,E〉, 候选数量K, 起点 S, 终点T
输出：K条候选路线
1：将G中的每条边反转以得到G′
2：计算从T到每个顶点的最短距离 G′ 并定义 V.g 为从 T 到 V 的最短距离
3：初始化一个空队列，记为Q
4: Ans = {}
5: S.route = {s}, S.cnt = 0, S.h = 0
6: 当前路线CR = {}
7：将 S 压入 Q
8: while Q 不为空时 do
9: 弹出 f(V) = h(V) + g(V) 最小的 V
10: V.路线 = CR ∪ {V}
11: CR = V.路线
12: 如果 V == T 那么
13: Ans = Ans ∪ V.路线
14: V.cnt = V.cnt + 1
15: 如果 V.cnt >= K 那么
16: goto 返回到 while
17: 对于每个顶点 U，使得〈V,U〉 ∈ E 成立
18: U.h = V.h + dis(V,U)
19: 将U压入Q
20: 返回Ans

3.1.2. 路由属性生成

在使用第3.1.1节所述方法选择候选路线后，应生成路线的属性。每条路线选取五个属性：距离（Dis）、交通（Tra）、便利性（Con）、行人（Ped）和景观（Sce）。得益于检测与通信技术的快速发展，借助大数据，智能交通系统（ITS）发生了巨大变化[36]。基于智能手机的众包感知地图应用（如谷歌地图）也变得越来越普及，因此我们可以轻松获取交通信息。通过互联网上的地图API获取每条路线的属性后，路线被建模为五维向量（即 Dis、Tra、Con、ped 和 sce）。例如，tra 可通过道路上的交通密度来定义。而某一条特定路线的tra 可以是该路线中所有道路的Tra值的最小值，从而代表整条路线的最拥堵情况。当Tra表示一条特定路线时，它可以是该路线所有路段Tra值中的最小值。

类似地，道路沿线的便利店和超市数量可作为道路便利性，因此某条特定路线的道路便利性可以是该路线所有道路便利性的总和。

3.2. 用户模型

用户信息可分为三部分：驾驶员社会背景（DSC）、实时情绪‐疲劳状态（RMC）和时间上下文（TC）。

DSC 。从之前的工作[34],可以看出，具有相似社交背景的驾驶员倾向于喜欢相似风格的路线。因此，在SAR的当前阶段，选择了四个属性：国籍、性别、年龄和职业。在未来工作中，我们计划将更多的社交信息整合到 DSC中，例如Facebook中的个人资料和社会圈子，以获取更多社交信息，从而实现更好的推荐。

RMC 。情绪‐疲劳检测器在[34],中被引入，该检测器利用智能手机上的多个传感器来收集并分析感知数据，以推断驾驶员的实时情绪‐疲劳程度。从X. Hu 等人的工作’中可以看出，情绪被分为六个维度：攻击性，耐心、中性、快乐、悲伤和愤怒。加上疲劳，形成一个七维向量，每个维度以0–1范围内的浮点数据量化。该向量的每一维表示在短时间内检测到的相应情绪人脸数量与所有检测到的人脸总数的比值。

时间上下文（TC） 对于路线推荐也非常重要，因为可以通过TC推断驾驶员的目的。例如，如果一位驾驶员每个工作日都在下午5点启动车辆，那么他可能是在下班后回家。在这种情况下，一条避开拥堵、较为轻松的路线可能是适合他的选择。然而，如果某人在午夜启动车辆，且此前并无该时段的出发记录，则此人可能正处于紧急状态，此时最短时间路线可能更符合其需求。在SAR系统的当前阶段，出发时间以整数表示，该数值代表从当天00:00开始经过的秒数。

3.2.1. 相似度计算

在开发SAR应用程序的过程中，我们观察到DSC通常由字符串（如国籍、性别和职业）和整数数据（如年龄）组成。因此，我们设计了一种新颖的方法来计算DSC之间的相似性。

$$
Sim(DSC_i, DSC_j) = (Sim(N_i, N_j) + Sim(G_i, G_j) + Sim(A_i, A_j) + Sim(O_i, O_j))/4 \quad (1)
$$

其中，Sim(Ni, Nj)、Sim(Gi, Gj) 和 Sim(Oi, Oj) 分别表示司机i与司机j在国籍、性别和职业方面的相似性。这三个值通常是文本值。但如果采用传统的字符串相似性计算方法（例如莱文斯坦距离），我们将难以利用字符串信息中隐含的上下文。为解决此问题，我们采用基于本体的相似性计算方法。该领域已有大量研究工作。

Wordnet[37] 使得可以根据语义相关性来计算两个英文单词之间的相似性。为了满足驾驶过程中对效率的要求，我们采用了轻量级可扩展相似性计算方法，以利用上述本体数据。因此，可以充分利用文本信息中包含的隐含上下文，用于路线推荐。驾驶员之间在RMC、TC以及DSC中的年龄等数值的相似性通过以下方式计算：

$$
Sim(RMC_i, RMC_j) = 1 - \frac{\sum RMC_i \times RMC_j}{\sqrt{\sum RMC_i^2} \times \sqrt{\sum RMC_j^2}} \quad (2)
$$

$$
Sim(TC_i, TC_j) = 1 - \frac{\sum TC_i \times TC_j}{\sqrt{\sum TC_i^2} \times \sqrt{\sum TC_j^2}} \quad (3)
$$

$$
Sim(A_i, A_j) = 1 - \frac{|A_i - A_j|}{A_i + A_j + 1} \quad (4)
$$

最后，收集并整合RMC、TC和DSC的全部数据后，设计了一个上下文模型，用于将上述数据集成到驾驶员上下文向量中，以在特定情况下表示驾驶员。驾驶员之间的相似性可通过以下公式计算：

$$
S(D_i, D_j) = S(RMC_i, RMC_j) \times W_r + S(TC_i, TC_j) \times W_t + S(DSC_i, DSC_j) \times W_d \quad (5)
$$

其中，Wr、Wt和Wd分别是RMC、TC和DSC的权重。这三个值在SAR当前阶段被预定义为Wr = 0.3、Wt = 0.3、Wd = 0.4。在我们的研究计划中，我们将开展大规模在线调查，利用统计方法更好地确定这三个值，以获得更准确的结果，从而在不同情况下衡量驾驶员的相似性。

3.3. 社会感知推荐系统

正如我们在本文开头所讨论的，可能存在许多复杂的情况，因此对于单个智能手机而言，为特定驾驶员推荐合适的路线会很困难。例如，可能有记录显示该驾驶员在感到高兴和放松时偏好繁华的城市道路，而该驾驶员心情不好时的情况则没有被记录。借助我们在第3.2节中提出的上下文驾驶员向量，智能手机可以自动记录驾驶员信息并将信息上传至SAR云，然后SAR服务器结合所有用户的历史记录，为该驾驶员推荐合适的路线。当驾驶员到达目的地后，此次行程中的情绪‐疲劳程度记录也将被上传至SAR云。SAR服务器利用情绪‐疲劳程度记录计算驾驶员满意度评分，以更新该驾驶员的记录。

3.3.1. 驾驶员历史表

驾驶员完成行程后，SAR应用程序自动收集的所有信息将被添加到驾驶员历史记录表（DHT）中。后续的路线推荐将扫描此表以获取驾驶员的历史信息，并利用这些信息进行精准推荐。每条记录中，DHT包含：DSC、RMC、TC以及路线属性。表1展示了DHT的一个示例。

表1. DHT示例

驾驶员社会背景	实时情绪‐疲劳状态	路线属性	时间上下文
国家, 年龄, 职业, 性别	高兴, 中性, 耐心, 激进, 悲伤, 愤怒, 疲劳	拥堵, 道路便利性, 交通, 行人, 景观	时间戳
[中国, 20, 学生, 男性]	[0.2, 0.1, 0.2, 0, 0, 0, 0.4]	[3.5, 0.3, 0.7, 0.5, 0.1]	17:02:47
[中国, 32, 教师, 女性]	[0.6, 0.2, 0.5, 0, 0, 0, 0.1]	[2.7, 0.3, 0.7, 0.5, 0.6]	07:56:28
[中国, 22, 学生, 男性]	[0.1, 0.5, 0.2, 0.4, 0, 0, 0.8]	[18, 0.1, 0.2, 0.1, 0.7]	09:12:45
…	…	…	…

3.3.2. 路线推荐

在本文前面的部分中，已定义了用于处理和表示驾驶员信息及路线属性的模型。当SAR服务器被要求进行路线推荐时，上述信息将被整合以服务于推荐系统。推荐系统首先计算一个预测路线属性，然后从候选路线中选择属性最接近的一条路线，并将其返回给驾驶员智能手机上的SAR应用程序。驾驶员X的预测路线属性Rp通过以下方式获得：

$$
R_p = (Dis_p, Tra_p, Ped_p, Con_p, Sce_p) \quad (6)
$$

$$
Dis_p = \sum Dis_i \times Sim(D_i, D_x) \
Tra_p = \sum Tra_i \times Sim(D_i, D_x) \
Ped_p = \sum Ped_i \times Sim(D_i, D_x) \
Con_p = \sum Con_i \times Sim(D_i, D_x) \
Sce_p = \sum Sce_i \times Sim(D_i, D_x) \quad (7)
$$

然后使用距离计算方法从候选路线集中选择最近路线：

$$
Dis(R_p, R_u) = \sum_{i=1}^{5} (R_{p,i} - R_{u,i}) \times (R_{p,i} - R_{u,i}) \quad (8)
$$

推荐给驾驶员。

3.3.3. 满意度计算

此外，如上所述，智能手机上的SAR应用程序可以检测驾驶员的实时情绪‐疲劳程度，并在驾驶员到达目的地时将这些数据上传至SAR云。SAR服务器随后处理上传的情绪‐疲劳数据，计算满意度评分，并更新该驾驶员在当前情况下偏好的路线属性。算法2用于满意度计算和路线属性更新。通过驾驶员实际行驶的路线属性以及情绪‐疲劳信息，可提高推荐系统的准确性。

算法2 满意度计算和历史路线属性更新。

输入：行程中的情绪‐疲劳程度记录 M，驾驶员 Rp 的预测路线属性，以及驾驶员选择的路线属性 Ra
输出：满意度评分，并更新驾驶员在驾驶历史表中的优选路线属性 Rp
1：定义：Whappy=+2, Wneutral=+1, Wpatient=+1, Wsad=−1, Waggressive=−1, Wangry= −2, Wfatigue= −1
2：初始化满意度评分 Ans = 0
3：对于上传的情绪‐疲劳数据 M 中的每条记录 Mi 执行以下操作：
4：Ans = Ans + Mi.happy × Whappy
5：Ans = Ans + Mi.neutral × Wneutral
6：Ans = Ans + Mi.patient × Wpatient
7：Ans = Ans + Mi.sad × Wsad
8：Ans = Ans + Mi.aggressive × Waggressive
9：Ans = Ans + Mi.angry × Wangry
10：Ans = Ans + Mi.fatigue × Wfatigue
11：使用情绪‐疲劳数据 M 的大小 n 对 Ans 进行归一化处理：Ans = Ans/n
12：Rp.dis = Rp.dis + Ans × Ra.dis
13：Rp.tra = Rp.tra + Ans × Ra.tra
14：Rp.ped = Rp.ped + Ans × Ra.ped
15：Rp.conv = Rp.conv + Ans × Ra.conv
16：Rp.sce = Rp.sce + Ans × Ra.sce
17：使用 Rp 更新驾驶历史表

4. 评估

在本节中，我们从两个方面对SAR进行评估：（i）SAR的独特功能；（ii）SAR的开销。

4.1. SAR的功能

一些用户界面如图3所示。当SAR首次启动时，驾驶员需要在设置页面输入他们的社交信息（即国籍、性别、年龄、职业），如图3c所示。在通过触摸地图设置目的地后，按下图3a中的开始按钮，SAR应用程序将计算从起点（即当前位置）到目的地的候选路线集。同时创建上下文模型并发送至服务器，请求优选路线属性。当SAR应用程序接收到SAR服务器返回的优选路线属性后，将从候选路线集中选择最近路线，并在地图上以蓝色标出，如图3b所示。

示意图2 准备页面，(b) 导航页面和 c) 社交信息设置页面)

借鉴先前研究在驾驶行为分析中采用的方法[38],我们采用驾驶模拟器来评估当前阶段SAR系统的有效性。City Car Driving是一款逼真的汽车驾驶模拟器，用于帮助用户准备驾驶考试和交通规则培训以及提高他们的驾驶技能，因其在模拟现实世界道路环境方面具有良好的声誉而被选用[39]。初步实验在一个场景中进行，该场景包含两个位置之间的四条备选路线。我们招募了五名持有驾驶证的志愿者，其中两名男性和三名女性。每名受试者需完成三次测试，每次测试的起点和目的地相同：（i）驾驶SAR推荐的路线；（ii）选择自己最喜欢的路线驾驶；（iii）驾驶一条随机分配的路线。

这是一项被试内实验。为避免先前测试的影响，每两次测试之间设有10分钟间隔。此外，为了减少路线熟悉度差异带来的影响，每位驾驶员的三项测试顺序被随机化。当驾驶一条随机分配的路线时，80%的受试者表示体验最不愉快。约60%的受试者表示驾驶自己最喜欢的路线时体验最愉快，40%的受试者认为驾驶自动推荐路线时体验最愉快。男性与女性受试者之间的差异并不显著。我们还可以预测驾驶员的情绪将改善约10%‐20%，这可以通过算法2中描述的满意度值（即满意度值的增长率）计算得出。更多受试者将参与实验，预计会取得更好的结果。

4.2. SAR的开销

我们在四个方面评估了在搭载Android 7.0的流行智能手机Mi5上运行的SAR：（i）CPU使用率；（ii）RAM使用情况；(iii) 网络使用率；以及 (iv) 电池使用率。以下数据使用 Mi5 设备在室内通过 Wi‐Fi 连接记录，测试持续时间为 60 分钟。

CPU使用率 。图4显示了SAR移动应用运行期间的CPU使用率。在CRG阶段，由于复杂的启发式算法，SAR在Mi5上的CPU使用率约为21%。导航开始后，大部分CPU资源被情绪‐疲劳检测器占用，因为它需要处理Mi5前置摄像头捕获的图像，以检测驾驶员’的情绪和疲劳程度。在测试会话的最后，情绪‐疲劳检测器被停止，因此我们可以在图右侧看到较低的数值。

示意图3

内存使用率 。如图5所示，CRG使用了80.55 MB内存，这也是SAR应用程序整个运行期间的峰值。CRG结束后，情绪‐疲劳检测器成为内存的主要消耗者，原因是Mi5的400万像素前置摄像头捕获了较大的帧。尽管由于Java虚拟机的垃圾回收策略，内存使用结果可能略高于实际使用量，但80 MB左右的内存使用并不成问题，因为现在的智能手机通常配备2GB甚至更多的内存。

示意图4

网络使用率 。SAR应用程序的网络需求非常低。在整个过程中仅发生两次事务。第一次发生在驾驶员按下开始按钮时，SAR将上下文模型上传至云端，SAR服务器返回预测的路线属性。第二次发生在行程结束时，SAR应用程序会将情绪‐疲劳程度上传至SAR云，用于满意度计算，因此我们可以在图的右侧看到较高的数值。如图6所示，在SAR应用程序运行期间，网络数据使用量始终低于10 KB。

示意图5

电池使用率 。情绪‐疲劳检测器（Mood‐fatigue Detector）在电池消耗中起着重要作用。前置摄像头的持续使用以及繁重的图像处理任务都需要大量能量。考虑到智能手机通常可以在车载设备上充电，因此电池电量并不是一个严重的问题。

示意图6

5. 讨论

在SAR的当前阶段，我们引入了上下文模型，该模型结合了用户的’社交信息和实时情绪—疲劳状态，并设计了社交感知推荐系统，该系统通过一种新颖的群体感知方法为驾驶员推荐优选路线。但仍存在一些挑战。例如，现实世界的整个地图非常庞大，难以将其存储在智能手机上。通常，地图存储在云平台上，移动应用程序根据需要下载其中的一部分。随着地图大小的增加，目前在SAR中实现的候选路线集生成可能不够高效。但如第2节所述，已有大量相关研究工作，可对候选路线集生成提供帮助。

隐私保护始终是一个重要问题，特别是对于SAR等隐私敏感应用，这些应用涉及大量敏感信息，例如用户的’社交信息、位置、日常行程等。用户不愿意使用隐私保护机制薄弱的系统。因此，隐私保护在研究社区也备受关注。已有许多不同的方法被提出用于设计隐私保护系统。例如，Ahmadi et al.提出了一种通过数据变换实现隐私保护的方法（例如在可信服务器上添加噪声[40]）。Idalides J. Vergara‐ Laurens et al.[41]提出了群体感知系统。当前阶段的SAR尚未实现此类隐私保护机制，但可以根据需要轻松集成到SAR中。另一种社交感知信息泄露的可能性是通信信道不安全，从而使系统容易受到中间人攻击。通过认证机构实施传输层安全可保护SAR中的社交信息。考虑到所需传输的数据量非常小，因此不会影响系统的性能。在未来工作中，将进行更多实验以验证SAR在现实场景中的效率和有效性。

6. 结论

本文提出了一种基于智能手机的新型社交感知推荐系统，该系统与上下文模型协同工作，不仅考虑了驾驶员’的社交信息，还考虑了驾驶员’的情绪和疲劳记录以及时间上下文。SAR利用智能手机不断提升的感知和计算能力，将多源感知数据与驾驶员’的实时情绪‐疲劳程度相结合，并采用云平台与其他驾驶员协作，从而提高推荐系统的准确性。该推荐系统使得大量拥有智能手机的驾驶员能够协同为其他驾驶员推荐合适路线。据我们所知，SAR是首个基于智能手机的、面向驾驶员个性化路线的社交感知推荐系统首个[42]。

资助
本工作部分由深港创新项目资助编号（SGLH20161212140718841）；广东省科技项目（2017B010110007, 2016B01010 8010 和 2016B010125003）；科技和信息化项目（JSGG20170413171746130, JCYJ20170413152535587, JSGG20 160331185256983和 JSGG20160229115709109）支持。

本文地址：https://www.idc51.com/news/27_53411.html

上一篇：websocket和http有什么不同？以及websocket协议如何实现？

下一篇：yii2开源免费实例、示例、DEMO