摘" 要：隨著汽車行業(yè)向智能化和網(wǎng)聯(lián)化轉(zhuǎn)型，智能座艙體驗(yàn)已成為中高端車型的核心競(jìng)爭(zhēng)力。傳統(tǒng)的推送功能研發(fā)方法受限于人工配置的隨意性，導(dǎo)致觸發(fā)成功率低、觸達(dá)精準(zhǔn)性差等問題，為了解決這些問題，提出了一種基于車聯(lián)網(wǎng)數(shù)據(jù)的智能座艙場(chǎng)景推送模型。該模型通過深入分析功能數(shù)據(jù)特征，運(yùn)用監(jiān)督學(xué)習(xí)技術(shù)訓(xùn)練多個(gè)算法，采用半監(jiān)督學(xué)習(xí)方法克服數(shù)據(jù)標(biāo)簽不足的挑戰(zhàn)，利用終端數(shù)據(jù)埋點(diǎn)技術(shù)，對(duì)模型進(jìn)行精細(xì)優(yōu)化，以提高推送的準(zhǔn)確性和效率。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法相比，該模型在觸發(fā)成功率和觸達(dá)精準(zhǔn)性上取得了顯著提升。這一成果不僅為智能座艙技術(shù)的發(fā)展提供了有力支持，也為用戶帶來了更加個(gè)性化、高品質(zhì)的座艙體驗(yàn)。

關(guān)鍵詞：數(shù)據(jù)挖掘；車聯(lián)網(wǎng)；車載智能座艙；單一決策樹；梯度提升決策樹；隨機(jī)森林；半監(jiān)督學(xué)習(xí)；數(shù)據(jù)埋點(diǎn)

中圖分類號(hào)：TP391" " 文獻(xiàn)標(biāo)識(shí)碼：A" 文章編號(hào)：2096-4706（2024）18-0162-05

Research on Improving the Trigger Success Rate of Automobile Cockpit Push Products Based on Data Mining

RONG Da1， ZHANG Li'an2， CHEN Xiyuan3

（1.Faculty of Big Data and Computing， Guangdong Baiyun University， Guangzhou" 510450， China;

2.Internet of Things Technology Application Teaching and Research Office， Guangdong Polytechnic of Science and Trade， Guangzhou" 510651， China; 3.Runsheng Software Development （Guangdong） Co.， Ltd.， Guangzhou" 511457， China）

Abstract： With the transformation of the automotive industry to intelligence and networking， the intelligent cockpit experience has become the core competitiveness of middle and high-end models. The traditional push function development method is limited by the randomness of manual configuration， resulting in low trigger success rate and poor touch accuracy. In order to solve these problems， an intelligent cockpit scene push model based on Internet of Vehicles data is proposed. Through in-depth analysis of the characteristics of functional data， the model uses Supervised Learning technology to train multiple algorithms， uses Semi-Supervised Learning method to overcome the challenge of insufficient data labels， and uses terminal data event tracking technology to finely optimize the model to improve the accuracy and efficiency of push. The experimental results show that compared with the traditional method， the model has achieved significant improvement in trigger success rate and touch accuracy. This achievement not only provides strong support for the development of intelligent cockpit technology but also brings more personalized and high-quality cockpit experience to users.

Keywords： data mining; Internet of Vehicles; vehicle intelligent cockpit; single Decision Tree; gradient boosting Decision Tree; Random Forest; Semi-Supervised Learning; data event tracking

0" 引" 言

智能汽車產(chǎn)業(yè)快速發(fā)展推動(dòng)了對(duì)車聯(lián)網(wǎng)技術(shù)和智能座艙的高需求。為滿足這些需求，國(guó)內(nèi)車企提出了基于場(chǎng)景、交互和服務(wù)三元結(jié)構(gòu)的座艙智能化服務(wù)產(chǎn)品方案，包括一種低代碼開發(fā)工具，以加快研發(fā)并降低成本。然而，僅靠開發(fā)工具并不能確保產(chǎn)品體驗(yàn)，因產(chǎn)品體驗(yàn)還取決于場(chǎng)景觸發(fā)的準(zhǔn)確性和及時(shí)性。

以車內(nèi)溫度提醒為例：假設(shè)需實(shí)現(xiàn)一個(gè)需求“車內(nèi)自動(dòng)感知溫度，當(dāng)車內(nèi)溫度高于舒適溫度5 ℃[1-3]（有研究結(jié)論：夏季，人感舒適溫度均值是24 ℃），則提示是否需要降溫至舒適溫度”。在此需求中，車內(nèi)溫度高于舒適溫度“5 ℃”這個(gè)數(shù)值是按人為經(jīng)驗(yàn)設(shè)定的，是沒有科學(xué)依據(jù)的，且對(duì)于不同的地域、性別、年齡、車型空間情況，該值應(yīng)是不同的?？偠灾喝藶樵O(shè)定的閾值缺乏科學(xué)依據(jù)，導(dǎo)致觸發(fā)率和體驗(yàn)效果受限。當(dāng)前，優(yōu)化智能座艙產(chǎn)品觸發(fā)成功率和用戶體驗(yàn)的主要方法依賴個(gè)人經(jīng)驗(yàn)，而利用大數(shù)據(jù)和數(shù)據(jù)挖掘技術(shù)進(jìn)行科學(xué)配置的研究尚處于空白狀態(tài)。

針對(duì)上述問題，本文提出了一種針對(duì)車載智能座艙功能產(chǎn)品的模型構(gòu)建方法。首先，提取了具有高業(yè)務(wù)相關(guān)性的場(chǎng)景信號(hào)值作為特征，并進(jìn)行了預(yù)處理。接著，利用產(chǎn)品冷啟動(dòng)階段的數(shù)據(jù)作為訓(xùn)練集，通過單一決策樹[4]、隨機(jī)森林[5]和梯度提升決策樹[6]等算法進(jìn)行模型訓(xùn)練，并選擇最佳算法。針對(duì)初期數(shù)據(jù)標(biāo)簽稀缺或質(zhì)量不高的問題，采用了半監(jiān)督學(xué)習(xí)[7-10]方法，并結(jié)合終端數(shù)據(jù)埋點(diǎn)技術(shù)實(shí)現(xiàn)自動(dòng)標(biāo)簽標(biāo)記，以優(yōu)化模型訓(xùn)練。最后，將模型應(yīng)用于功能配置，提高了觸發(fā)成功率和用戶體驗(yàn)。研究表明，該系統(tǒng)具有創(chuàng)新性和實(shí)用性，能夠提升車載智能座艙[11]場(chǎng)景推送類產(chǎn)品的開發(fā)質(zhì)量和應(yīng)用效果。

1" 系統(tǒng)整體方案設(shè)計(jì)

對(duì)于汽車智能座艙場(chǎng)景推送類產(chǎn)品，具備監(jiān)聽特點(diǎn)，即產(chǎn)品結(jié)構(gòu)類似“當(dāng)X場(chǎng)景發(fā)生，則觸發(fā)Y交互/服務(wù)”，圖1給出了該類產(chǎn)品的結(jié)構(gòu)特征。

汽車智能座艙類產(chǎn)品具有以下特征：

1）觸發(fā)信號(hào)通常是線性的，例如車速或車內(nèi)溫度。

2）產(chǎn)品體驗(yàn)因用戶和情境差異而異。

3）設(shè)計(jì)者難以僅憑直覺設(shè)定最佳觸發(fā)信號(hào)。

4）需要專家提供多組信號(hào)設(shè)置以適應(yīng)不同環(huán)境。

本模型實(shí)現(xiàn)步驟包括：

1）處理線性場(chǎng)景信號(hào)。

2）收集數(shù)據(jù)作為訓(xùn)練集。

3）使用監(jiān)督學(xué)習(xí)選擇最優(yōu)模型。

4）應(yīng)用最優(yōu)模型優(yōu)化產(chǎn)品場(chǎng)景信號(hào)。

5）利用埋點(diǎn)和半監(jiān)督學(xué)習(xí)算法迭代優(yōu)化模型。

綜上所述，以下為本模型的整體工作流程圖如圖2所示。

2" 模型系統(tǒng)的詳細(xì)設(shè)計(jì)

2.1" 選定研究需求及分析

在考慮車載智能座艙的高頻需求和痛點(diǎn)后，我們選擇了以下需求來實(shí)現(xiàn)產(chǎn)品冷啟動(dòng)：“感知車內(nèi)溫度，若超出舒適范圍0～5 ℃，提示駕駛者是否需自動(dòng)調(diào)節(jié)至舒適溫度（針對(duì)高溫情況）”。

本文研究核心原因在于汽車座艙舒適溫度的重要性和個(gè)性化調(diào)節(jié)需求。智能控制座艙溫度可提高舒適度、個(gè)性化服務(wù)、節(jié)能減排和駕駛安全性。

使用本文提出的模型對(duì)所選定研究需求的適用性分析：

1）模型適用于線性型觸發(fā)信號(hào)的產(chǎn)品，如車速和車內(nèi)溫度。

2）模型考慮了不同人群和環(huán)境下的體驗(yàn)差異。

3）模型幫助解決設(shè)計(jì)運(yùn)營(yíng)者難以準(zhǔn)確設(shè)定觸發(fā)信號(hào)數(shù)值的難題。

4）模型支持根據(jù)不同環(huán)境設(shè)定多套信號(hào)數(shù)值，適應(yīng)性強(qiáng)。

2.2" 預(yù)準(zhǔn)備可能標(biāo)記值

行業(yè)研究表明，夏季車載座艙最舒適溫度為24 ℃，能耗最低。溫度在27.5～37 ℃時(shí)，乘客易感到熱。因此，車內(nèi)溫度與24 ℃的差值可作為產(chǎn)品功能觸發(fā)值?？紤]不同場(chǎng)景，溫差標(biāo)記方法為10個(gè)攝氏度內(nèi)均勻取值，每隔0.5 ℃取一值，區(qū)間從3.5 ℃到13 ℃，共得到20個(gè)訓(xùn)練標(biāo)記值。當(dāng)實(shí)際溫度與舒適溫度差值等于某設(shè)定值時(shí)，觸發(fā)相應(yīng)人機(jī)交互服務(wù)。

2.3" 產(chǎn)品冷啟動(dòng)并標(biāo)記構(gòu)成訓(xùn)練集

在產(chǎn)品的冷啟動(dòng)階段，需要將預(yù)定義的標(biāo)記值，按照一定規(guī)則分配到不同特征場(chǎng)景下的產(chǎn)品中。通過監(jiān)測(cè)產(chǎn)品在這些場(chǎng)景下的觸發(fā)行為，可以建立特征向量與標(biāo)記值之間的映射關(guān)系。這樣的數(shù)據(jù)收集過程是為了構(gòu)建監(jiān)督學(xué)習(xí)算法的訓(xùn)練集，以便進(jìn)一步訓(xùn)練模型以預(yù)測(cè)未來的觸發(fā)情況。

為實(shí)現(xiàn)產(chǎn)品冷啟動(dòng)運(yùn)行，首先需選定搭載產(chǎn)品的六個(gè)車流量大的城市，假設(shè)這些城市具有相似的環(huán)境與場(chǎng)景。在這六個(gè)城市中隨機(jī)選取100 000輛車，每車分配一個(gè)預(yù)置的可能標(biāo)記值，并在車內(nèi)啟動(dòng)產(chǎn)品。產(chǎn)品運(yùn)行期間，監(jiān)控觸發(fā)條件，一旦產(chǎn)品觸發(fā)且司機(jī)接受服務(wù)，就將場(chǎng)景特征與標(biāo)記值關(guān)聯(lián)并記錄。若司機(jī)拒絕服務(wù)，標(biāo)記值將遞增0.5 ℃（上限為13 ℃），然后繼續(xù)監(jiān)聽，直至觸發(fā)成功。圖3為基于云平臺(tái)導(dǎo)出的車輛分布數(shù)量前6位的城市。

表1為各個(gè)實(shí)行產(chǎn)品冷啟動(dòng)運(yùn)行的城市的上線車輛數(shù)、發(fā)布產(chǎn)品數(shù)、標(biāo)記值組數(shù)情況。

按照產(chǎn)品冷啟動(dòng)過程中特征向量與標(biāo)記值關(guān)聯(lián)方法進(jìn)行發(fā)布，運(yùn)行一段時(shí)間后，對(duì)觸發(fā)情況進(jìn)行數(shù)據(jù)收集，形成監(jiān)督學(xué)習(xí)算法模型訓(xùn)練集，該訓(xùn)練集的數(shù)據(jù)結(jié)構(gòu)如表2所示。

訓(xùn)練集中的特征向量及其取值范圍需要在構(gòu)建訓(xùn)練集時(shí)完成定義。表3為所有特征向量?jī)?nèi)容及其取值范圍定義情況。

2.4" 進(jìn)行模型訓(xùn)練

模型訓(xùn)練是本系統(tǒng)的核心。系統(tǒng)通過埋點(diǎn)收集用戶反饋，構(gòu)建特征向量與標(biāo)記值的映射關(guān)系作為訓(xùn)練集。鑒于訓(xùn)練集的可信度可能有限，初期將使用監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練。產(chǎn)品上線后，將采用半監(jiān)督學(xué)習(xí)算法持續(xù)優(yōu)化模型，以提高預(yù)測(cè)準(zhǔn)確性，彌補(bǔ)初始標(biāo)記值不精確帶來的影響。

監(jiān)督學(xué)習(xí)是利用既有數(shù)據(jù)集訓(xùn)練模型，以預(yù)測(cè)未知樣本。本研究通過向測(cè)試車輛批量發(fā)送帶有標(biāo)記值的產(chǎn)品，記錄觸發(fā)數(shù)據(jù)，生成標(biāo)記與特征向量的訓(xùn)練集，輸入多個(gè)訓(xùn)練模型，最終得到預(yù)測(cè)模型。

本文采用了集成學(xué)習(xí)策略，結(jié)合了單一決策樹、隨機(jī)森林和梯度提升決策樹三種經(jīng)典模型。通過這種集成方式，綜合各模型的預(yù)測(cè)性能，以提高決策的準(zhǔn)確性。

在訓(xùn)練算法模型階段，首先對(duì)產(chǎn)品冷啟動(dòng)收集的數(shù)據(jù)進(jìn)行特征向量和標(biāo)記值的劃分，并存儲(chǔ)以供后續(xù)使用。隨后，根據(jù)80/20法則，將數(shù)據(jù)集劃分為訓(xùn)練集（80%）和驗(yàn)證集（20%）。之后，從訓(xùn)練集中提取特征值，并將其與相應(yīng)的標(biāo)記值一起輸入模型中進(jìn)行擬合。最后，運(yùn)用選定的算法對(duì)模型進(jìn)行訓(xùn)練，并用測(cè)試集的特征向量對(duì)模型進(jìn)行預(yù)測(cè)，分析不同模型的預(yù)測(cè)性能。

經(jīng)過各個(gè)模型的性能計(jì)算，得到各模型的性能情況如圖4所示。

在評(píng)估不同模型性能后，隨機(jī)森林和梯度提升決策樹展現(xiàn)出較優(yōu)的性能，其中梯度提升決策樹不僅準(zhǔn)確度更高，而且穩(wěn)定性更強(qiáng)?；谶@些發(fā)現(xiàn)，本文選擇梯度提升決策樹模型作為分析工具。

2.5" 進(jìn)行模型預(yù)測(cè)與實(shí)際配置應(yīng)用

得到預(yù)測(cè)模型后，部署模型于車云平臺(tái)，收集車輛數(shù)據(jù)作為特征向量，輸入模型以預(yù)測(cè)座艙場(chǎng)景推送產(chǎn)品的信號(hào)配置值。整體工作過程如圖5所示。

2.6" 模型預(yù)測(cè)性能調(diào)優(yōu)

由于產(chǎn)品冷啟動(dòng)導(dǎo)致訓(xùn)練數(shù)據(jù)稀缺且特征標(biāo)記質(zhì)量不佳，系統(tǒng)采用半監(jiān)督學(xué)習(xí)的自訓(xùn)練算法持續(xù)優(yōu)化模型性能。具體過程為：首先用帶標(biāo)簽數(shù)據(jù)訓(xùn)練分類器，然后利用該分類器預(yù)測(cè)未標(biāo)記的數(shù)據(jù)，篩選出可信度高的數(shù)據(jù)及其預(yù)測(cè)標(biāo)簽，納入訓(xùn)練集，再訓(xùn)練新分類器。圖6展示了自訓(xùn)練算法的流程。

半監(jiān)督學(xué)習(xí)是一種結(jié)合監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的方法，旨在利用大量無標(biāo)記數(shù)據(jù)和有限的標(biāo)記數(shù)據(jù)提高模型性能。在工業(yè)實(shí)踐中，直接標(biāo)記數(shù)據(jù)往往會(huì)影響用戶體驗(yàn)，因此獲取大量標(biāo)記樣本代價(jià)高昂。半監(jiān)督學(xué)習(xí)通過引入大量無標(biāo)記數(shù)據(jù)，可以顯著減少對(duì)標(biāo)記數(shù)據(jù)的依賴，有效解決標(biāo)記數(shù)據(jù)稀缺的問題，提高分類器的泛化能力。

在半監(jiān)督學(xué)習(xí)領(lǐng)域中，自訓(xùn)練算法（Self-training）因其簡(jiǎn)便性和無須額外假設(shè)而備受推崇，特別適合于本文模型的需求。Self-training算法通過迭代過程，使用初始分類器對(duì)無標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)，選取置信度高的樣本作為偽標(biāo)簽，不斷擴(kuò)充訓(xùn)練集，以提升模型性能。以下為Self-training的算法流程：

算法1自我訓(xùn)練：

1）初始化。

2）給定（Xtrain，ytrain）=（Xj，yi）。

3）循環(huán)直至滿足停止條件。

4）使用已標(biāo)記數(shù)據(jù)（Xtrain，ytrain）訓(xùn)練分類器Cint。

5）用Cint預(yù)測(cè)Xu的類標(biāo)簽yu。

6）選擇置信樣本

（Xconf，Yconf）；（Xconf，Yconf）∈（Xu，yu）。

7）移除選定的未標(biāo)記數(shù)據(jù)Xu←Xu-Xconf。

8）組合新標(biāo)記數(shù)據(jù)

（Xtrain，ytrain）←（Xj，yi）U（Xconf，Yconf）。

9）結(jié)束循環(huán)。

自訓(xùn)練算法（Self-training）的演算過程如下：

1）將初始帶有標(biāo)記的數(shù)據(jù)集作為前期的訓(xùn)練集，即：（Xtrain，ytrain）=（Xj，yi）

經(jīng)過訓(xùn)練后得到一個(gè)分類器，即：Cint。

2）利用初始訓(xùn)練得到的分類器，使用無標(biāo)記數(shù)據(jù)集Xu進(jìn)行分類，并選取出最有把握度的樣本（Xconf，Yconf）。

3）在Xu中，將（Xconf，Yconf）去掉.

4）將（Xconf，Yconf）添加到帶有標(biāo)記的數(shù)據(jù)集中，即：

（Xtrain，ytrain）←（Xj，yi）U（Xconf，Yconf）。

5）使用新的訓(xùn)練集訓(xùn)練輸出新的分類器，并重復(fù)步驟2～5，直到滿足停止條件（如所有沒有標(biāo)記的樣本數(shù)據(jù)都已被標(biāo)記完成）

6）得到最終調(diào)優(yōu)完成的分類器。

模型實(shí)際應(yīng)用效果分析

本研究致力于利用數(shù)據(jù)挖掘技術(shù)優(yōu)化車聯(lián)網(wǎng)智能座艙場(chǎng)景推送產(chǎn)品的觸發(fā)效率，進(jìn)而改善用戶體驗(yàn)。研究起因于國(guó)內(nèi)一家知名汽車研究院的技術(shù)創(chuàng)新項(xiàng)目需求，并在項(xiàng)目完成后成功集成至新型車輛中實(shí)現(xiàn)大規(guī)模生產(chǎn)應(yīng)用。研究成果在實(shí)踐中顯示出顯著的應(yīng)用價(jià)值，體現(xiàn)在以下幾個(gè)關(guān)鍵方面：

首先，駕駛者對(duì)車端系統(tǒng)的主動(dòng)干預(yù)次數(shù)減少，服務(wù)推送的響應(yīng)率顯著提升。以自動(dòng)空調(diào)功能為例，通過對(duì)比模型上線前后半年的數(shù)據(jù)，我們觀察到，在100 000輛車輛中，手動(dòng)調(diào)整空調(diào)的頻率下降了約30%。這一結(jié)果驗(yàn)證了模型的有效性，并表明它能有效提高產(chǎn)品的觸發(fā)成功率。

其次，搭載了該模型的量產(chǎn)車型的功能搭載率顯著提高。在汽車研究院的工作流程中，OEM廠商需為搭載智能網(wǎng)聯(lián)功能的車輛支付費(fèi)用。通過分析模型上線后的車輛支付情況，我們可以推斷出模型在量產(chǎn)車輛中的應(yīng)用率。數(shù)據(jù)顯示，在2021至2022年度上市的車型中，搭載率達(dá)到了92%，這一數(shù)據(jù)從另一個(gè)角度證明了模型在OEM廠商和市場(chǎng)用戶中的高認(rèn)可度及良好的應(yīng)用效果。

最后，用戶對(duì)功能的評(píng)價(jià)整體積極，普遍認(rèn)為產(chǎn)品智能且便捷。產(chǎn)品發(fā)布后的一年時(shí)間里，通過持續(xù)收集用戶反饋，并據(jù)此優(yōu)化產(chǎn)品功能，我們發(fā)現(xiàn)86%用戶給予了正面評(píng)價(jià)。模型上線前后的整體應(yīng)用效果變化趨勢(shì)圖如圖7所示。

綜上所述，本研究成果不僅在理論上具有創(chuàng)新意義，而且在實(shí)際應(yīng)用中展現(xiàn)出了良好的效果。

3" 結(jié)" 論

本文旨在解決國(guó)內(nèi)車企在車聯(lián)網(wǎng)智能座艙場(chǎng)景推送產(chǎn)品開發(fā)中遇到的觸發(fā)成功率低和用戶體驗(yàn)不佳問題。通過數(shù)據(jù)挖掘方法，提出了一種提升觸發(fā)成功率的模型，并詳述了其構(gòu)建和應(yīng)用流程。首先，通過篩選和分析，確定了“車內(nèi)適宜溫度推送”作為研究案例，并驗(yàn)證了該需求適合模型訓(xùn)練。然后，通過產(chǎn)品冷啟動(dòng)收集帶標(biāo)簽的樣本數(shù)據(jù)，為模型訓(xùn)練提供了充足的數(shù)據(jù)。接著，采用多個(gè)監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練，選取最優(yōu)算法以提升預(yù)測(cè)準(zhǔn)確性。將模型應(yīng)用于產(chǎn)品配置，并通過半監(jiān)督學(xué)習(xí)進(jìn)行持續(xù)優(yōu)化，以適應(yīng)長(zhǎng)周期的車輛使用和系統(tǒng)升級(jí)。雖然模型已實(shí)現(xiàn)一定效果，但仍需改進(jìn)，特別是在處理特征向量準(zhǔn)確度問題上，如駕駛者性別數(shù)據(jù)的準(zhǔn)確獲取。未來將結(jié)合更多特征數(shù)據(jù)，如人臉識(shí)別和駕駛者登錄信息，進(jìn)一步優(yōu)化模型，以更好地服務(wù)于駕駛者并提升用戶體驗(yàn)。

參考文獻(xiàn)：

[1] 王國(guó)華，桑國(guó)輝，張英朝，等.汽車乘員艙熱舒適性影響因素多參數(shù)優(yōu)化分析 [J].汽車工程，2023，45（11）：2023-2033+2057.

[2] 陳芬，劉何清，朱凱穎，等.以有效溫度為基礎(chǔ)的人體舒適度評(píng)價(jià)模型的發(fā)展概述 [J].采礦技術(shù)，2019，19（5）：106-111.

[3] 章明超，鄒佳慶，周健，等.汽車駕駛員熱感覺預(yù)測(cè)及其影響因素分析 [J].建筑熱能通風(fēng)空調(diào)，2022，41（8）：37-41.

[4] PALUSZEK M，THOMAS S. Data Classification with Decision Trees [J].MATLAB Machine Learning Recipes，2019：147-169.

[5] NIU Q N，SHI W，XU Y T，et al. High-Accuracy NLOS Identification Based on Random Forest and High-Precision Positioning on 60 GHz Millimeter Wave [J].China Communications，2023，20（12）：96-110.

[6] ISRAELI A，ROKACH L，SHABTAI A. Constraint Learning Based Gradient Boosting Trees [J].Expert Systems with Applications，2019，128：287-300

[7] 李永國(guó)，徐彩銀，湯璇，等.半監(jiān)督學(xué)習(xí)方法研究綜述 [J].世界科技研究與發(fā)展，2023，45（1）：26-40.

[8] 何玉林，陳佳琪，黃啟航，等.自訓(xùn)練新類探測(cè)半監(jiān)督學(xué)習(xí)算法 [J].計(jì)算機(jī)科學(xué)與探索，2023，17（9）：2184-2197.

[9] TETTEY N O，YANG G W，WU J Z，et al. Semi-Supervised Learning for Fine-Grained Classification With Self-Training [J].IEEE Access，2020，8：2109-2121.

[10] 蔡萌亞，王文麗.汽車智能座艙交互設(shè)計(jì)研究綜述 [J].包裝工程，2023，44（6）：430-440.

作者簡(jiǎn)介：容達(dá)（1990—），男，漢族，廣東廣州人，大數(shù)據(jù)專業(yè)教師，車聯(lián)網(wǎng)自主研發(fā)企業(yè)主管工程師，中級(jí)工程師，碩士研究生，研究方向：研究車聯(lián)網(wǎng)智能網(wǎng)聯(lián)技術(shù)、車載智能座艙、AI智能推送。