一种基于停放车辆路边单元(pcrsu)的个性化内容推荐方法
技术领域
1.本发明涉及车联网领域，具体为一种基于pcrsu的个性化内容推荐方法。
技术背景
2.随着边缘计算和车联网技术的发展，为满足用户对于实时交通状况、周边 环境信息、在线车载娱乐等时延敏感和计算密集任务处理的需求，需要不断增 加rsu建设。据估计仅仅将美国城市的路口布置上rsu，安装成本高达186.3 亿美元，一年的维护成本约为11亿美元。高昂的安装和维护成本使得密集布 设rus成为困难。
3.由于车联网中车辆用户通常在高速运动，并且系统需要传递车辆本身运行 所必须的状态信息(如速度)、辅助车辆行驶的信息(如导航地图)、车辆用 户需要的娱乐信息等多类服务信息，这些信息大多是时延敏感型业务，因此其 传输时延是车联网系统需要解决的重要问题。为了避免用户车辆进入某个 pcrsu通信范围后再发出任务请求，缩短长距离通信造成的响应时延，可以 通过提前将用户可能感兴趣的内容缓存到pcrsu内，在车辆用户途经时直接 推送其所需内容。由于pcrsu的资源有限，需要定时删除和更新缓存的推荐 内容，进而释放存储资源。
4.目前pcrsu系统中个性化推荐方式研究较少。本发明通过统筹考虑poi 区域类型和用户历史搜索两类要素，对车联网系统中用户需要的信息进行精准 推荐，同时通过定期更新缓存降低了pcrsu的缓存负担。
技术实现要素：5.为了解决上述问题，本发明公开了一种基于pcrsu的个性化内容推荐方 法。所述方法包括：首先，pcrsu收集下一个周期内车辆用户的历史搜索信 息，根据相似度比较，选择车辆用户最感兴趣的内容进行推荐。同时，收集 pcrsu所在poi区域中车辆用户经常访问的服务信息。其次，使用线性融合 框架，将上述两个要素产生的推荐内容排名列表整合成为最终的排名列表，并 提前将列表中的内容缓存到pcrsu中。最后，对缓存内容进行周期性更新， 用户车辆离开通信范围后就将对其个性化的推荐内容删除，释放内存空间。本 发明提出的推荐方法能再pcrsu系统中为车辆用户提供更加准确、全面的服 务，同时通过定期更新缓存降低了pcrsu的缓存负担。具体过程如下：
6.图1为pcrsu的个性化内容推荐系统模型。该模型中将车辆和城市地图 进行划分，车辆被分为pcrsu备选停放车辆、pcrsu和用户车辆三类：候选 停放车辆pz，z∈[1,z]、被选为pcrsu的停放车辆pc以及该停放车辆pc通信 范围内需要服务的车辆用户ui,i∈[1,n]。城市内的道路长度存在差异,为方便 量化，本发明将城市路段划分为具有相同路边停车位的o段路段，并根据车辆 到访次数将地图划分为个k不同类型的poi区域类型块，每个poi区域有在该 位置经常被访问的内容信息。停放车辆作为pcrsu后，作为路边单元对经过 车辆进行服务，不同的v2i间使用正交信道，用户车辆以速度v匀速行驶。
[0007]
用户历史搜索内容推荐部分，通过聚合相似用户的行为，为车辆用户ui进 行推
荐。车辆用户ui历史搜索和数据中心中车辆用户ui可能感兴趣内容的 pearson相似度可以表示为：
[0008][0009]
关于基于poi位置的推荐，本发明通过上传停放车辆的地理位置到数据中 心，从数据中心提前缓存该poi位置下车辆用户搜索最多的信息。
[0010]
前述两个因素都会影响最终推荐的结果，车辆用户ui在第k类poi区域类 型使用的推荐方法rei可以表示为：
[0011][0012]
其中，分别表示在第k个poi区域对用户ui使用基于历史搜索推荐 和基于poi区域类型推荐。ρ,ρ∈(0,1)为使用基于poi区域类型推荐方法的比 例。即ρ＝1时为完全使用基于poi位置区域的推荐方法，ρ＝0时使用基于内 容的推荐方法。
[0013]
本发明向车辆用户推荐的服务内容个数为m。使用查全率(precision)、 查准率(recall)和系统整体评价因子f值三个标准对系统推荐效果进行衡量。
[0014]
查全率precision表示为：
[0015][0016]
其中，a(i)表示预测的推荐内容数量，b(i)表示系统中用户总的感兴趣的推荐 内容数量。查全率体现了推荐系统的准确性，即推荐内容中用户感兴趣的内容 占总推荐内容的比例，式子的值越高，推荐越准确。
[0017]
查准率recall表示为：
[0018][0019]
查准率体现了推荐系统的全面性，即推荐中用户感兴趣的内容与数据库所 有内容中用户感兴趣内容的比值。式子的值越高，推荐内容覆盖的用户感兴趣 内容类型越全面，推荐的内容越多样化。
[0020]
但是查全率和查准率是相互矛盾的，如果只推荐用户感兴趣的一类信息， 推荐的准确度较高，但是覆盖的类型较少，全面性差。所以推荐系统应该在二 者之间寻找一个平衡点，使用系统整体评价因子f值:
[0021][0022]
f值越大系统整体推荐效果越好。
[0023]
本发明目标是使系统整体推荐效果最优，并得到需要传送的内容d＝ [d1,d2,
…di
…
,dn]。问题描述如下：
[0024]
max f
[0025]
s.t.c1：
[0026]
其中，ls为pcrsu通信范围。条件c1约束了系统的更新周期。
[0027]
该问题求解可以划分为以下几步：
[0028]
1)收集数据集并训练模型。
[0029]
2)收集下一个周期内即将进入通信范围内的车辆历史搜索信息。
[0030]
3)通过相似度寻找车辆用户可能感兴趣的服务内容。
[0031]
4)收集pcrsu所属poi区域类型中被访问次数最多的服务内容。
[0032]
5)将两个要素推荐列表整合。
[0033]
6)pcrsu缓存列表内服务信息。
[0034]
7)在车辆用户进入通信范围内后推送缓存列表供用户选择。
[0035]
8)根据用户选择，确定pcrsu最终需要传递的内容d＝ [d1,d2,
…di
…
,dn]，并向车辆用户进行传递。
[0036]
9)计算系统precision，recall和f值。
[0037]
10)根据未来要通过通信范围的车辆，对pcrsu内缓存内容进行更新。
[0038]
本发明的技术方法具有以下优点：
[0039]
本发明公开了一种基于pcrsu的个性化内容推荐方法。所述方法包括： 首先，pcrsu收集下一个周期内车辆用户的历史搜索信息，根据相似度比较， 选择车辆用户最感兴趣的内容进行推荐。同时，收集pcrsu所在poi区域中 车辆用户经常访问的服务信息。其次，使用线性融合框架，将上述两个要素产 生的推荐内容排名列表整合成为最终的排名列表，并提前将列表中的内容缓存 到pcrsu中。最后，对缓存内容进行周期性更新，用户车辆离开通信范围后 就将对其个性化的推荐内容删除，释放内存空间。本发明提出的推荐方法能再 pcrsu系统中为车辆用户提供更加准确、全面的服务，同时通过定期更新缓 存降低了pcrsu的缓存负担。
[0040]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性 的，并不能限制本公开。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方法，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的 前提下，还可以根据这些附图获得其他的附图。
[0042]
图1为一种基于pcrsu的个性化内容推荐方法系统模型。
[0043]
图2为推荐数量m与查准率关系图。
[0044]
图3为推荐数量m与查全率关系图。
[0045]
图4为推荐数量m与系统整体评价因子f值关系图。
[0046]
图5为车辆用户数量与精确度关系图。
[0047]
图6为车辆用户数量与查全率关系图。
[0048]
图7为车辆用户数量与系统整体评价因子f值关系图。
具体实施方式
[0049]
本发明提出一种基于pcrsu的个性化内容推荐方法，下面结合附图，对 实施例作详细说明。
[0050]
本发明的实施方式分为两个步骤，第一步为建立系统模型，第二步为算法 的实施。建立的系统模型如图1所示，它和发明内容中对pcrsu的个性化内 容推荐方法的介绍完全对应。
[0051]
本发明使用java进行仿真。所有数据来自微博和高德地图，包含用户的 历史签到数据，用户id、地理位置、时间以及用户好友关系。选用低精度数 据集，poi区域类型推荐比例ρ＝0.1。
[0052]
图2为推荐内容的数量m与查准率关系。可以看出随着推荐数m的增加， 查准率逐渐下降。这是由于推荐数量增加的速度要快于推荐中用户感兴趣内容 的增加速度导致。但是本发明使用的基于历史搜索和poi区域的搜索方法性能 总是最好的，特别是与基于poi区域的推荐方法相比，整体准确率提升了50％。
[0053]
图3为查全率与推荐数量m的关系图。随着推荐数量m的增加，系统的查 全率上升。这是因为数据中心中用户感兴趣内容总数不变，随着推荐数量的增 加，推荐中用户感兴趣的内容数量增加，能推荐更多用户可能感兴趣的内容。 本发明使用的算法由于统筹考虑两类推荐因素，因此推荐效果好于其他只考虑 了内容或者poi区域类型的推荐方法。
[0054]
图4为系统整体评价因子f值与推荐数量m的关系图。本发明使用的推荐 算法随着推荐数量m的增加，系统整体评价因子f几乎不变，推荐效果基本稳 定，且比其余算法的推荐效果更优。
[0055]
图5为推荐精准度与车辆用户数量关系图。我们固定推荐排名前10的内 容给用户，即m＝10(下同)。随着车辆用户数的增加，各个推荐方法的推 荐效果都呈现在中值附近波动的状态。基于内容的推荐方法由于没有考虑车辆 用户的poi类型信息，所以准确度稍低于本发明使用的推荐方法。基于poi 类型的推荐方法由于只考虑了该位置下最常被用户搜索的内容，没有考虑用户 的差异性，准确度相较于其他两种搜索方式更差。
[0056]
图6为查全率与车辆用户数量关系图。随着车辆用户的增加，各个推荐方 法的推荐效果都呈现在中值附近稳定波动的状态。然而，本发明提出的方法查 全率效果更好。
[0057]
图7为车辆用户数与推荐系统整体评价因子f值之间的关系图。可以看出， 本发明使用的推荐算法中系统整体评价因子f值相较于其余两种推荐方法更 高，说明系统整体的推荐效果更优。
[0058]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域 技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特 定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上 述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征 与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成 的技术方案。
技术特征：1.本发明公开了一种基于pcrsu的个性化内容推荐方法。所述方法包括：首先，pcrsu收集下一个周期内车辆用户的历史搜索信息，根据相似度比较，选择车辆用户最感兴趣的内容进行推荐。同时收集pcrsu所在poi区域中车辆用户经常访问的服务信息。其次，使用线性融合框架，将上述两个要素产生的推荐内容排名列表整合成为最终的排名列表，并提前将列表中的内容缓存到pcrsu中。最后，对缓存内容进行周期性更新，用户车辆离开通信范围后就将对其个性化的推荐内容删除，释放内存空间。本发明提出的推荐方法能再pcrsu系统中为车辆用户提供更加准确、全面的服务，同时通过定期更新缓存降低了pcrsu的缓存负担。2.根据权力要求1所述的基于pcrsu的个性化内容推荐方法，其特征在于在停放车辆作为路边单元(roadside unit,rsu)的车联网系统中使用联合考虑poi区域类型和用户历史搜索两类要素，对车联网系统中用户需要的信息进行精准推荐。3.根据权利要求3所述的个性化内容推荐方法，其特征在于联合考虑poi区域类型和用户历史搜索两类要素，其中用户历史搜索推荐通过聚合相似用户的行为，为车辆用户u
i
进行推荐。车辆用户u
i
历史搜索和数据中心中车辆用户u
i
可能感兴趣内容的pearson相似度可以表示为：其中，数据库共有数据个。为车辆用户u
i
历史搜索内容，表示数据中心中车辆用户u
i
可能感兴趣的内容。为用户历史搜索的均值。为数据中心中内容均值。对相似度进行归一化处理，取值范围在[-1,1]之间，绝对值越大，相关性越强。若相关系数大于0则为正相关，小于0为负相关，等于0表示二者不存在相关关系。选择相似度越高的内容对车辆用户进行推荐。4.根据权利要求3所述的个性化内容推荐方法，其特征在于基于poi位置的推荐，本发明通过上传停放车辆的地理位置到数据中心，从数据中心提前缓存该poi位置下车辆用户搜索最多的信息。5.该问题求解可以划分为以下几步：首先，收集数据集并训练模型。其次，收集下一个周期内即将进入通信范围内的车辆历史搜索信息，通过相似度寻找车辆用户可能感兴趣的服务内容。同时，收集pcrsu所属poi区域类型中被访问次数最多的服务内容。之后，将两个要素推荐列表整合，将列表内容缓存到pcrsu内。然后，在车辆用户进入通信范围内后推送缓存列表供用户选择，根据用户选择，确定pcrsu最终需要传递的内容d＝[d1,d2,
…
d
i
…
,d
n
]，并向车辆用户进行传递。最后，对pcrsu内缓存内容进行更新。6.按照所述推荐方式选择车辆用户可能感兴趣的内容提前缓存，并对车辆用户进行个性化推荐。
技术总结本发明公开了一种基于停放车辆路边单元(Parked Cars Roadside Unit，PCRSU)的个性化内容推荐方法。所述方法包括：首先，PCRSU收集下一个周期内车辆用户的历史搜索信息，根据相似度比较，选择车辆用户最感兴趣的内容进行推荐。同时收集PCRSU所在兴趣点(Point of Interest，POI)区域中车辆用户经常访问的服务信息。其次，使用线性融合框架，将上述两个要素产生的推荐内容排名列表整合成为最终的排名列表，并提前将列表中的内容缓存到PCRSU中。最后，对缓存内容进行周期性更新，用户车辆离开通信范围后就将对其个性化的推荐内容删除，释放内存空间。本发明提出的推荐方法能再PCRSU系统中为车辆用户提供更加准确、全面的服务，同时通过定期更新缓存降低了PCRSU的缓存负担。担。
技术研发人员：秦鹏 和昊婷 王硕 武雪 王淼
受保护的技术使用者：华北电力大学
技术研发日：2021.12.30
技术公布日：2022/7/5
