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

隨著無人駕駛和通信技術(shù)的迅速發(fā)展，行車主動服務(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)，最終實現(xiàn)主動推送且保障服務(wù)質(zhì)量。DASS使服務(wù)從感知到推送的全程無需用戶參與，降低了潛在交通事故風(fēng)險，為無人駕駛技術(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，針對人—車—路—環(huán)境的閉環(huán)系統(tǒng)，國內(nèi)外對DASS“主動感知 自動生成—主動推送”的研究著重于服務(wù)需求主動感知和服務(wù)構(gòu)件匹配的精確度與主動性。Huang等［1］提出了基于主動安全服務(wù)的車間通信框架，在不同交通場景下優(yōu)化了動態(tài)服務(wù)感知速率和性能。Sakthi等［2］設(shè)計了一個3層服務(wù)感知模型，利用仿真開發(fā)無事故交通系統(tǒng)。梁軍等［3］提出交通服務(wù)需求DASS模型，并驗證了模型的實時性和主動性。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)計了一種具備服務(wù)主動推送能力的監(jiān)控平臺，將危險信息實時推送給客戶端。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用戶的影響。

為完善DASS服務(wù)推送環(huán)節(jié)，構(gòu)建了主動推送服務(wù)平臺（driving push service platform，DPSP），設(shè)計了B-Num.BT算法用于DPSP的服務(wù)推送流程，通過用戶操作行為特征預(yù)測用戶對推送的操作行為，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)時機(jī)推送并執(zhí)行服務(wù)，通過駕駛員在環(huán)（DIL）進(jìn)行驗證分析。對提高DASS使用率，提升駕駛體驗和促進(jìn)無人駕駛發(fā)展有重要意義。

1 平臺概述

圖1為推送服務(wù)平臺DPSP，包括存儲層、應(yīng)用層和評價層。存儲層存儲歷史和實時數(shù)據(jù)。其中，行為分布式存儲系統(tǒng)（behavioral distributed storage system，BDSS）存儲行車用戶的確認(rèn)、接管和屏蔽數(shù)據(jù)。評價層利用實時數(shù)據(jù)庫緩存的操作數(shù)據(jù)進(jìn)行指標(biāo)評價和監(jiān)控，并定期更新BDSS中的服務(wù)歷史庫。應(yīng)用層從BDSS中進(jìn)行服務(wù)預(yù)處理、用戶特征挖掘、推送時機(jī)選擇和實時推送，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平臺架構(gòu)

圖2 為 DPSP的推送流程。首先，通過 DASS“主動感知—自動生成”流程生成行車服務(wù)，作為DPSP的輸入。其次，用戶對服務(wù)進(jìn)行確認(rèn)、擱置或取消。系統(tǒng)依據(jù)操作伺機(jī)控制或主動提供服務(wù)以提高舒適性等，并存儲在BDSS。服務(wù)預(yù)處理對服務(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)計推送時機(jī)算法；在最佳推送時間通過指定媒介將服務(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)用戶需求主動推送服務(wù)，并將用戶反饋更

圖2 DPSP服務(wù)主動推送流程

新到BDSS中。

2 服務(wù)推送關(guān)鍵算法設(shè)計

依照DPSP的服務(wù)主動推送流程，在服務(wù)挖掘、推送時機(jī)選擇流程中詳細(xì)地設(shè)計出行為挖掘算法B-Num和時機(jī)選擇BT算法，為與實驗性能對比，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)造無向圖 G＝（U，A，B，ξ，l），其中U，A，B為頂點集，Ui為具體服務(wù)；A1為危險或極端場景服務(wù)類，A2為普通或類危險服務(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推送服務(wù)的關(guān)聯(lián)特征，針對歷史用戶行為，利用改進(jìn)的行為特征挖掘算法優(yōu)化推送流程。行車用戶分為主動型s1（基本先于系統(tǒng)推送，自行主動控制）、半主動型s2（系統(tǒng)推送后，部分場景主動控制）、被動型s3（系統(tǒng)推送后，僅危險臨近時主動控制）和封閉型s4（無視系統(tǒng)推送，存在駕駛風(fēng)險）。

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)計各服務(wù)的操作，測試建立次數(shù)與時間矩陣。其中，對第l種服務(wù)的L次測試統(tǒng)計得出特征矩陣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和用戶操作時長t，各服務(wù)測試次數(shù)L。

輸出：次數(shù)矩陣N，時間矩陣X，規(guī)則矩陣Rl。

步驟1：對用戶操作計時t與計數(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)與時間統(tǒng)計N．Ul（i）＝［Co，Ca，Sh］，X［Ul，i］＝t。計算特征矩陣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的頻率制定簡單規(guī)則，未區(qū)分用戶時序上操作行為的變化，不能直觀分析用戶對不同類型服務(wù)的反饋。因此，為挖掘用戶對不同服務(wù)類型與操作行為的差異，利用操作行為的時序特征構(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］不滿足時序特征的數(shù)據(jù)分類的要求。決策樹算法［9］仍需對時序特征數(shù)據(jù)進(jìn)行大量的預(yù)處理。K均值樹法［10］難以知曉平均和典型實例樣本的特征。采用人工神經(jīng)網(wǎng)絡(luò)［11］所得結(jié)論無法做出合理性解釋。SVM［12］則難以解決多類別、大規(guī)模的分類問題。針對具有時序特征的離散數(shù)據(jù)的3種分類方法，構(gòu)建動態(tài)貝葉斯概率趨勢法（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組時序數(shù)據(jù)計算得出的類變量發(fā)生概率，構(gòu)成3×1矩陣。為挖掘用戶長時間操作行為的波動，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時的Co發(fā)生概率為

式中類別的先驗概率P（Co）由歷史數(shù)據(jù)集計算。

根據(jù)DBPT時序結(jié)構(gòu)，利用Pl（m）構(gòu)成的時序數(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對應(yīng)的服務(wù)類及推送媒介。

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

步驟3：計算3類場景的累計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），實現(xiàn)推送媒介的輔助規(guī)則Mr制定的部分匹配規(guī)則見表1。

根據(jù)生成的服務(wù)編號由匹配規(guī)則得出輔助規(guī)則Mr，在實際行車中快速生成推送策略。如前車碰撞場景中，推送系統(tǒng)提供振動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。通過服務(wù)方式匹配，制定規(guī)則對主動型用戶無需提醒和主動控制，對封閉型用戶則主動控制車輛且警示用戶。

2.4 推送時機(jī)選擇算法

服務(wù)推送3階段：（1）開始服務(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階段的時長取決于DASS自身性能，針對第2階段推送時機(jī)的優(yōu)化，給出時機(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)測試次數(shù)L，設(shè)置初始預(yù)留時間 ξset。

輸出：最佳推送時間ξ，最佳預(yù)留時間ξ0。

初始化：ξset＝5 s。

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

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

步驟5：與3類場景特征矩陣對比得規(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法在危險場景發(fā)生前確認(rèn)服務(wù)推送，此時DASS應(yīng)主動控制車輛，保障行車安全；ξ＝1則表示系統(tǒng)及時推送。最佳預(yù)留時間ξ0為給用戶預(yù)留的最長操作時間。

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)則與時機(jī)，在此基礎(chǔ)上進(jìn)行服務(wù)主動推送，有利于提高 DASS的使用率，完善 DASS體系。

3 實驗

3.1 驗證指標(biāo)

作為DPSP的組成部分，評價層既要滿足及時避免事故發(fā)生的安全需求，還應(yīng)考慮用戶對預(yù)警準(zhǔn)確性和干預(yù)時機(jī)的使用需求。因此，評價層應(yīng)綜合及時性、安全性和準(zhǔn)確性。

（1）安全性

考慮通過推送成功減少事故的比率，提升服務(wù)安全性。通過預(yù)警使用戶專注于駕駛?cè)蝿?wù)或通過主動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）及時性

同服務(wù)l下，定義服務(wù)推送至用戶操作的時長tl1，未使用DPSP的歷史操作時間tl2，隨L增加的推送及時性指標(biāo)Q21。定義控制及時率Q22為在A1或A2中，因場景危險而無法等待用戶操作或根據(jù)服務(wù)規(guī)則計算出系統(tǒng)可主動或伺機(jī)控制前提下，評價系統(tǒng)參與控制是否及時。定義服務(wù)l從發(fā)起請求至控制時長為tl3，且伺機(jī)控制前提下系統(tǒng)未參與控制時tl3＝0，傳統(tǒng)DASS從發(fā)起請求至控制的時長為 tl4，則

Q21越小即使用DPSP后用戶操作時間縮短得越多，則推送時機(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，即用戶的接受度來衡量準(zhǔn)確率。但對于不同類型的用戶使用難以用Q31來全面評價推送系統(tǒng)準(zhǔn)確性，此時采用因用戶確認(rèn)或安全因素使系統(tǒng)直接控制車輛的主動控制的準(zhǔn)確率Q32。

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

式（8）中N3為成功完成主動控制的次數(shù)，N4為主動控制后由用戶干預(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 實驗設(shè)計

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，難以根據(jù)用戶指定服務(wù)進(jìn)行同類場景的重復(fù)實驗。因此，多數(shù)學(xué)者通過仿真進(jìn)行交通場景的研究［13-15］。因行車環(huán)境復(fù)雜并多變的特點，DASS生成的服務(wù)數(shù)在特定時刻不唯一。因此，在DPSP下利用典型實驗得出不同服務(wù)類型的推送效率，實驗選取3種服務(wù)類型的典型場景，表2為實驗場景設(shè)置，用于驗證DPSP能否挖掘行車用戶的行為特征。實驗場景1和2側(cè)重于驗證DPSP能否選擇最佳推送時機(jī)和服務(wù)規(guī)則可靠性，實驗場景3則側(cè)重于驗證DPSP推送的準(zhǔn)確率和接受度。

表2 典型服務(wù)的實驗場景設(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，依據(jù)表3設(shè)計了3種仿真服務(wù)場景，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)以驗證前面提出的算法。服務(wù)場景仿真環(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)場景A1、A2、A3，其中A3為對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；最后，用戶須通過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)采集實驗的行車用戶為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種場景下各用戶分別進(jìn)行1 000次實驗，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)類實驗隨機(jī)進(jìn)行。通過PreScan／Simulink實現(xiàn)B-Num.BT及其他對比算法，對比算法包括 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)推薦時機(jī)得出適用于行車服務(wù)的對比算法 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，所以實驗得出的測試次數(shù)L可作為實際測試參考依據(jù)。

3.3 實驗結(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，隨著歷史數(shù)據(jù)的更新，推送規(guī)則與時機(jī)均會改變。利用B-Num.BT和對比算法的仿真實驗各1 000次。評價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，因此將實驗結(jié)果按順序分為100組，以10次測量結(jié)果為1組，計算各指標(biāo)變化趨勢。圖7示出其中1名用戶的驗證指標(biāo)統(tǒng)計結(jié)果。參與測試的20名用戶類型不同對算法的安全性、及時性和準(zhǔn)確性均無影響。

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算法及時性能優(yōu)勢較明顯。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，各場景下B-Num.BT的準(zhǔn)確性皆優(yōu)于對比算法，且本文算法在同類場景中表現(xiàn)得更穩(wěn)定?？傊珺-Num.BT算法優(yōu)于兩種對比算法，輸出穩(wěn)定，使系統(tǒng)的安全性、及時性和準(zhǔn)確性達(dá)到推送系統(tǒng)要求，有利于提高DASS用戶體驗。此外，L達(dá)500次（L′為50）后，3類服務(wù)場景下的B-Num.BT算法皆優(yōu)于兩種對比算法，且各性能均已達(dá)到最優(yōu)值的90%。因此當(dāng)測試次數(shù)L＝500作為全部場景的初始測試次數(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)測試的初始實驗設(shè)計。

由Q21的含義得知，在DPSP下4類用戶經(jīng)1 000次測試后，越趨于s1類的用戶其Q21的值越小。分別統(tǒng)計20名用戶在L達(dá)到250、500和1 000次時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點顏色越相近，表示該用戶在多次測試時所屬用戶類型保持不變，即計算推送及時性指標(biāo)Q21能實現(xiàn)對行車用戶分類的功能。從圖8（a）～圖8（c）對比發(fā)現(xiàn)，測試次數(shù)L相同時，同用戶在不同服務(wù)的顏色深淺相似，表明不同服務(wù)下用戶類型不會發(fā)生改變，根據(jù)該特點可依照單個服務(wù)的測試結(jié)果對行車用戶進(jìn)行分類，以簡化行車用戶分類方法，對完善DASS個性化功能、促進(jìn)無人駕駛在個性化方面技術(shù)的推廣有重要應(yīng)用價值。

4 結(jié)論

（1）建立了DASS的推送服務(wù)平臺（DPSP），通過服務(wù)預(yù)處理、操作行為特征挖掘、服務(wù)規(guī)則匹配、選擇推送時機(jī)、在線推送和評價的流程優(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 驗證指標(biāo)統(tǒng)計結(jié)果

圖8 不同用戶操作統(tǒng)計結(jié)果

（2）以理想DASS模型為基礎(chǔ)，利用DPSP對不同用戶進(jìn)行服務(wù)推送的驗證實驗，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)行對比。驗證了B-Num.BT算法的及時性、安全性和準(zhǔn)確性。通過統(tǒng)計發(fā)現(xiàn)，同服務(wù)下及時性數(shù)值分布的差異可用來對行車用戶進(jìn)行分類，有利于DASS實現(xiàn)個性化推送。

（3）本研究尚缺乏真實駕駛過程推送平臺對不同用戶類型和服務(wù)類型的實用性驗證，對真實駕駛中多種復(fù)雜服務(wù)同時生成的服務(wù)場景適用性有待進(jìn)一步研究。