一个变压器-LSTM-SVR混合模型用于在NEV嵌入式内部系统中以人工智能驱动的情感优化

科学领域:

• 工程 工程师 工程师 工程师
• 人与计算机的交互
• 人工智能的人工智能

背景情况:

• 新能源汽车 (NEV) 市场正在迅速扩大,重点从功能转移到用户情感,以增强体验和品牌差异化.
• 现有的关于NEV内部情感优化的研究缺乏高效的非线性建模方法.
• 了解用户的情感满意度对于设计引人注目的竞争性NEV至关重要.

研究的目的:

• 开发一种高效的非线性建模方法,用于预测NEV内部用户情绪.
• 解决室内设计属性与用户情感满意度之间的复杂关系.
• 为设计师提供实用工具,以创建以情感为导向和可持续的NEV内部.

主要方法:

• 提出了一个混合变压器-LSTM-SVR模型,集成注意力机制和时间建模.
• 变压器模块捕捉了多维设计参数之间的高阶相互作用.
• 一个长短期内存 (LSTM) 网络增强了时间序列特征捕获,其输出与变压器表示融合并输入支持向量回归 (SVR) 模块.

主要成果:

• 拟议的模型在预测准确性方面明显优于基准模型 (SVR,PSO-SVR,PSO-RF,BPNN,GBR),提高了12.7%至23.4%.
• 与传统的知识工程 (KE) 方法相比,LSTM的时间注意力和变压器的全球上下文建模的协同集成提高了对噪音用户反数据的稳定性18.9%.
• 可解释性分析揭示了用户群体之间的关键设计特征差异.

结论:

• 混合变压器-LSTM-SVR模型提供了一种可行且强大的方法,用于准确预测NEV室内设计中用户的情绪需求.
• 这种方法提高了模型的稳定性和预测准确性,解决了传统模型在处理动态,非线性关系方面的局限性.
• 这些发现支持开发以情感为导向和可持续的室内设计策略,提高新能源汽车市场的竞争力.