买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉交通运输部科学研究院申请的专利一种基于用户画像的自动驾驶乘用车在途服务配置方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120179312B 。

龙图腾网通过国家知识产权局官网在2026-03-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510254763.7，技术领域涉及：G06F9/445；该发明授权一种基于用户画像的自动驾驶乘用车在途服务配置方法是由李佳杰;吴忠宜;祁昊;刘好德;杨新征;宜毛毛;李香静;李成;吴瑞;刘向龙;钱贞国;王寒松;穆凯;王彩凤;王昌设计研发完成，并于2025-03-05向国家知识产权局提交的专利申请。

本一种基于用户画像的自动驾驶乘用车在途服务配置方法在说明书摘要公布了：本发明公开了一种基于用户画像的自动驾驶乘用车在途服务配置方法，涉及自动驾驶技术领域；本发明通过文献检索与问卷调查构建初始影响因素集，结合多元线性回归模型筛选显著影响因素；整合显著因素与驾驶模拟器采集的行驶因素数据，利用聚类算法确定各因素等级分类数量与阈值标准；基于用户基本信息、出行习惯及偏好数据，通过潜剖面分析刻画乘客用户画像，实现用户群体的科学分类；最终根据分类结果及阈值标准，为不同用户自动配置个性化的在途服务方案；本发明通过定量化筛选影响因素、动态聚类划分阈值及精准用户画像，解决了传统方法中服务方案主观性强、适配性低的问题，显著提升了服务与需求的匹配效率和乘客满意度。

本发明授权一种基于用户画像的自动驾驶乘用车在途服务配置方法在权利要求书中公布了：1.一种基于用户画像的自动驾驶乘用车在途服务配置方法，其特征在于，包括以下步骤： S1、构建初始影响因素集；根据初始影响因素集设计得到调查问卷；使用调查问卷进行问卷调查，得到有效问卷； S2、构建多元线性回归模型；结合有效问卷与多元线性回归模型，对初始影响因素集中的每个影响因素进行筛选，得到具有显著性的影响因素集； 所述S2包括以下步骤： S21、设定显著性水平为α，将所述初始影响因素集中的每个影响因素作为自变量，将所述有效问卷中乘客的满意度评分作为因变量，构建多元线性回归模型； S22、对于每个自变量，进行t检验，得到自变量P值集，其中，Pi表示第i个自变量的P值； S23、对于自变量P值集中P值低于显著性水平α的自变量，从多元线性回归模型中剔除该自变量，并重新拟合多元线性回归模型，计算新的回归系数、误差项；再次计算每个自变量的P值； S24、重复S22、S23，当所有自变量的P值均小于显著性水平α时，停止迭代，得到具有显著性的影响因素集； S3、收集具有显著性的影响因素集的偏好结果，得到最终偏好结果数据；根据最终偏好结果数据并结合聚类算法，得到自动驾驶乘用车在途服务方案影响因素等级的分类阈值标准集合； 所述S3包括以下步骤： 梳理有效问卷中，用户对于具有显著性的影响因素集中的影响因素的偏好结果数据，得到问卷偏好结果数据；通过驾驶模拟器采集用户在各行驶因素变化下的满意度评分数据，得到行驶因素偏好结果数据；行驶因素包括三轴加速度变化、速度、行驶平稳性；将所述问卷偏好结果与行驶因素偏好结果进行融合，得到最终偏好结果数据； 使用聚类算法对最终偏好结果数据进行聚类分析，得到最优聚类数集；最优聚类数集中的每个聚类代表了一组具有相似乘坐偏好特征的样本，计算每个聚类中样本到其所属聚类中心点的距离，得到分类阈值标准集合；分类阈值标准集合中的每一种影响因素的各种乘坐偏好对应的阈值； S4、根据分类阈值标准集合，刻画有效问卷中自动驾驶乘用车乘客用户画像；基于自动驾驶乘用车乘客用户画像，对在途服务方案进行配置； 所述S4包括：根据分类阈值标准集合，刻画有效问卷中自动驾驶乘用车乘客用户画像，得到最优分类数量； 包括以下步骤： 梳理前述有效问卷中的基本信息、出行习惯数据，结合分类阈值标准集合，将问卷数据转化为结构化特征向量数据； 在Mplus软件中采用潜剖面分析对结构化特征向量数据中的数据进行用户画像分类； 设定分类数量k=1，并逐渐增加k的取值，通过观察AIC、BIC、ABIC、熵值、似然比检验指标LMR和基于Bootstrap的似然比检验指标BLRT；得到最优分类数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人交通运输部科学研究院，其通讯地址为：100000 北京市朝阳区惠新里240号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。