CN111325437B - 异常行驶行为的识别方法、装置以及电子设备 - Google Patents
异常行驶行为的识别方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111325437B CN111325437B CN201910120692.6A CN201910120692A CN111325437B CN 111325437 B CN111325437 B CN 111325437B CN 201910120692 A CN201910120692 A CN 201910120692A CN 111325437 B CN111325437 B CN 111325437B
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- driving
- probability
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 326
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000006399 behavior Effects 0.000 claims abstract description 271
- 230000008569 process Effects 0.000 claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 26
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种异常行驶行为的识别方法、装置以及电子设备,其中,该方法包括:在订单执行过程中获取行驶数据;行驶数据包括行驶轨迹数据和行驶速度数据;根据行驶数据计算异常行驶行为概率;异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率;基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。本申请能够在司机的订单执行过程中及时有效地识别司机是否出现异常驾驶行为。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种异常行驶行为的识别方法、装置以及电子设备。
背景技术
随着代驾平台的应用普及,越来越多的用户选择网约车出行。但司机在为乘客提供代驾服务的过程中,可能会产生司机与乘客之间的冲突。而引发冲突的主要原因之一在于司机的驾驶行为异常。诸如司机自身行为不符合平台规定(如,在载客过程中私自停车)、司机驾驶习惯不良(如,习惯性的急加速/减速、或者超速行驶)等因素都会导致司机在为乘客提供服务的驾驶过程中出现异常行为。
现有的网约车平台在对司机进行驾驶监管时,主要是基于乘客在结束订单后对司机的评分、司机订单的取消率等指标来给司机进行综合评价。但是这种方式均只是事后分析,而在司机的订单执行过程中仍旧难以及时监管司机是否出现异常驾驶行为。
发明内容
有鉴于此,本申请实施例的目的在于提供一种异常行驶行为的识别方法、装置以及电子设备,能够在司机的订单执行过程中及时有效地识别司机是否出现异常驾驶行为。
根据本申请的一个方面,提供一种异常行驶行为的识别方法,所述方法包括:在订单执行过程中获取行驶数据;所述行驶数据包括行驶轨迹数据和行驶速度数据;根据所述行驶数据计算异常行驶行为概率;所述异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率;基于所述异常行驶行为概率,识别所述订单执行过程中是否存在异常行驶行为。
在一些实施例中,在订单执行过程中获取行驶数据的步骤,包括:获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据,其中,所述行驶轨迹数据包括GPS传感器记录的位置数据;所述行驶速度数据包括:速度传感器记录的加速度数据、角速度数据和速度数据。
在一些实施例中,根据所述行驶数据计算异常行驶行为概率的步骤,包括:根据所述行驶轨迹数据,确定行驶过程中的停车位置点;对于每个所述停车位置点,获取所述停车位置点对应的路况信息和对应的兴趣点POI标识;并根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车;根据异常停车的停车位置点的停车时长计算异常停车概率。
在一些实施例中,根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车的步骤,包括:如果所述路况信息为路况顺畅,且所述POI标识未包含预设类标识,确定所述停车位置点对应的停车行为属于异常停车。
在一些实施例中,根据异常停车的停车位置点的停车时长计算异常停车概率的步骤,包括:计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;根据所述总停车时长与所述行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。
在一些实施例中,根据所述行驶数据计算异常行驶行为概率的步骤,包括:检查所述行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据;根据检查结果统计大于所述速度变化阈值的数据个数;根据所述数据个数与所述加速度数据的数据总数的比值,确定异常变速概率。
在一些实施例中,根据所述行驶数据计算异常行驶行为概率的步骤,包括:检查所述行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;根据检查结果统计大于所述角速度变化阈值的数据个数;根据所述数据个数与所述角速度数据的数据总数的比值,确定异常转弯概率。
在一些实施例中,根据所述行驶数据计算异常行驶行为概率的步骤,包括:检查所述行驶速度数据的速度数据中,是否存在大于所述速度数据对应位置的预设限速的数据;统计大于所述预设限速的速度数据对应的超速时长;根据所述超速时长与所述行驶轨迹数据对应的行驶时长的比值,确定超速概率。
在一些实施例中,基于所述异常行驶行为概率,识别所述订单执行过程中是否存在异常行驶行为的步骤,包括:将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过所述异常行驶行为识别模型识别是否出现异常行驶行为;其中,所述异常行驶行为识别模型为一种神经网络模型。
在一些实施例中,所述异常行驶行为识别模型包括LSTM网络和全连接网络;其中,所述全连接网络的输入端与所述LSTM网络的最后隐藏层的输出端相连。
在一些实施例中,将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型的步骤,包括:将所述行驶数据输入至所述LSTM网络中,以及将所述异常行驶行为概率输入至所述全连接网络中。
在一些实施例中,通过所述异常行驶行为识别模型识别是否出现异常行驶行为的步骤,包括:通过所述LSTM网络生成所述行驶轨迹数据对应的驾驶状态特征,并将所述驾驶状态特征输入至所述全连接网络;通过所述全连接网络对所述驾驶状态特征和所述异常行驶行为概率进行分类回归,生成所述订单执行过程对应的异常行驶行为识别结果。
在一些实施例中,所述异常行驶行为识别模型的训练过程包括:获取样本数据集;所述样本数据集包括正样本数据和负样本数据,且所述正样本数据和所述负样本数据均携带有标签;建立基础模型结构;所述基础模型结构包括依次连接的LSTM网络和全连接网络;通过所述样本数据集对所述基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。
在一些实施例中,获取样本数据集的步骤,包括:采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取所述行为标签对应的行驶数据;其中,所述行为标签包括正面行为标签和负面行为标签;将所述行为标签标注在其对应的行驶数据上;将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。
在一些实施例中,获取样本数据集的步骤,还包括:获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,所述投诉标签是人工手动标注的。
在一些实施例中,所述负样本数据和所述正样本数据的比例不低于1:5。
在一些实施例中,所述方法还包括:如果识别出所述订单执行过程中存在异常行驶行为,采用预设方式发起异常提醒通知;所述预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。
根据本申请的另一个方面,还提供一种异常行驶行为的识别装置,其特征在于,所述装置包括:行驶数据获取模块,用于在订单执行过程中获取行驶数据;所述行驶数据包括行驶轨迹数据和行驶速度数据;异常概率计算模块,用于根据所述行驶数据计算异常行驶行为概率;所述异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、异常超速概率;异常行为识别模块,用于基于所述异常行驶行为概率,识别所述订单执行过程中是否存在异常行驶行为。
在一些实施例中,所述行驶数据获取模块用于:获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据,其中,所述行驶轨迹数据包括GPS传感器记录的位置数据;所述行驶速度数据包括:速度传感器记录的加速度数据、角速度数据和速度数据。
在一些实施例中,所述异常概率计算模块用于:根据所述行驶轨迹数据,确定行驶过程中的停车位置点;对于每个所述停车位置点,获取所述停车位置点对应的路况信息和对应的兴趣点POI标识;并根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车;根据异常停车的停车位置点的停车时长计算异常停车概率。
在一些实施例中,所述异常概率计算模块进一步用于:如果所述路况信息为路况顺畅,且所述POI标识未包含预设类标识,确定所述停车位置点对应的停车行为不属于异常停车。
在一些实施例中,所述异常概率计算模块进一步用于:计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;根据所述总停车时长与所述行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。
在一些实施例中,所述异常概率计算模块用于:检查所述行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据;根据检查结果统计大于所述速度变化阈值的数据个数;根据所述数据个数与所述加速度数据的数据总数的比值,确定异常变速概率。
在一些实施例中,所述异常概率计算模块用于:检查所述行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;根据检查结果统计大于所述角速度变化阈值的数据个数;根据所述数据个数与所述角速度数据的数据总数的比值,确定异常转弯概率。
在一些实施例中,所述异常概率计算模块用于:检查所述行驶速度数据的速度数据中,是否存在大于所述速度数据对应位置的预设限速的数据;统计大于所述预设限速的速度数据对应的超速时长;根据所述超速时长与所述行驶轨迹数据对应的行驶时长的比值,确定超速概率。
在一些实施例中,所述异常行为识别模块用于:将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过所述异常行驶行为识别模型识别是否出现异常行驶行为;其中,所述异常行驶行为识别模型为一种神经网络模型。
在一些实施例中,所述异常行驶行为识别模型包括LSTM网络和全连接网络;其中,所述全连接网络的输入端与所述LSTM网络的最后隐藏层的输出端相连。
在一些实施例中,所述异常行为识别模块进一步用于:将所述行驶数据输入至所述LSTM网络中,以及将所述异常行驶行为概率输入至所述全连接网络中。
在一些实施例中,所述异常行为识别模块进一步用于:通过所述LSTM网络生成所述行驶轨迹数据对应的驾驶特征,并将所述驾驶特征输入至所述全连接网络;通过所述全连接网络对所述驾驶特征和所述异常行驶行为概率进行分类回归,生成所述订单执行过程对应的异常行驶行为识别结果。
在一些实施例中,所述装置还包括异常行驶行为识别模型的训练模块,所述训练模块用于:获取样本数据集;所述样本数据集包括正样本数据和负样本数据,且所述正样本数据和所述负样本数据均携带有标签;建立基础模型结构;所述基础模型结构包括依次连接的LSTM网络和全连接网络;通过所述样本数据集对所述基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。
在一些实施例中,所述训练模块进一步用于:采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取所述行为标签对应的行驶数据;其中,所述行为标签包括正面行为标签和负面行为标签;将所述行为标签标注在其对应的行驶数据上;将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。
在一些实施例中,所述训练模块进一步用于:获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,所述投诉标签是人工手动标注的。
在一些实施例中,所述负样本数据和所述正样本数据的比例不低于1:5。
在一些实施例中,所述装置还包括:提醒模块,用于如果识别出所述订单执行过程中存在异常行驶行为,采用预设方式发起异常提醒通知;所述预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。
根据本申请的另一个方面,还提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如上述任一所述的异常行驶行为的识别方法的步骤。
根据本申请的另一个方面,还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述任一所述的异常行驶行为的识别方法的步骤。
在本申请实施例中,能够在订单执行过程中获取行驶数据,然后根据行驶数据计算异常行驶行为概率,进而基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。这种方式在订单执行过程中就可根据司机的行驶数据及时有效地识别司机是否存在异常行驶行为,从而达到更好的司机监管效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种异常行驶行为的识别***框图;
图2示出了本申请实施例所提供的电子设备的示意图;
图3示出了本申请实施例所提供的一种异常行驶行为的识别方法流程图;
图4示出了本申请实施例所提供的一种异常行驶行为识别模型的结构示意图;
图5示出了本申请实施例所提供的一种异常行驶行为识别模型的具体结构示意图;
图6示出了本申请实施例所提供的一种异常行驶行为的识别装置的结构框图;
图7示出了本申请实施例所提供的另一种异常行驶行为的识别装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“网约车场景”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车场景进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于以下交通工具:可以包括出租车、私家车、顺风车、公共汽车、或无人驾驶车辆等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“订单”指代由乘客、服务请求方、司机、服务提供方、或其任意组合发起的请求。接受该“订单”的可以是乘客、服务请求方、司机、服务提供方或其任意组合。服务请求可以是收费的或免费的。
本申请的一个方面涉及一种异常行驶行为的识别***,该***能够能够在订单执行过程中获取行驶数据,然后根据行驶数据计算异常行驶行为概率,进而基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。这种方式在订单执行过程中就可根据司机的行驶数据有效识别司机是否存在异常行驶行为,从而达到更好的司机监管效果,诸如,在发现司机存在异常行驶行为时,平台能够及时介入,一方面可以尽量避免司机与乘客之间引发冲突,另一方面也可以及时提醒司机规范驾驶。
值得注意的是,在本申请提出申请之前,现有的网约车平台仅是采用事后方式对司机进行监管,诸如,在司机订单执行完毕后才能够通过乘客评价大致获知司机的驾驶行为,而无法做到在司机当前订单执行过程中出现异常行驶行为时及时识别并介入。然而,本申请提供的异常行驶行为的识别方法、装置以及电子设备可以在订单执行过程中就可识别出司机的异常行驶行为,从而使网约车平台能够对司机行驶行为进行及时有效地监管。
图1是本申请一些实施例的异常行驶行为的识别***100的框图。例如,异常行驶行为的识别***100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。异常行驶行为的识别***100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种,服务器110中可以包括执行指令操作的处理器112。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式***)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中,服务器110可以包括处理器112。处理器112可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器112可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中,处理器112可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器112可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,******100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,******100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如,服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如,用户A可以为自己的朋友B叫车),或者从服务器110接收服务信息或指令等。在一些实施例中,服务提供方终端140的用户可以是服务实际提供者,也可以是除服务实际提供者之外的其他人。例如,服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单),和/或来自服务器110的信息或指令。在一些实施例中,“服务请求方”和“服务请求方终端”可以互换使用,“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中,服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。
在一些实施例中,服务请求方终端130可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中,服务提供方终端140可以是具有定位技术的设备,用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与异常行驶行为的识别***100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。异常行驶行为的识别***100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到异常行驶行为的识别***100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等);或者,在一些实施例中,数据库150也可以是服务器110的一部分。
在一些实施例中,异常行驶行为的识别***100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中,当满足一定条件时,异常行驶行为的识别***100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如,处理器112可以用于电子设备200上,并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的异常行驶行为的识别方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本申请中的电子设备200还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
参见图3所示的一种异常行驶行为的识别方法流程图,该方法可以由诸如平台服务器等设备执行,具体可以包括如下步骤:
步骤S302,在订单执行过程中获取行驶数据;行驶数据包括行驶轨迹数据和行驶速度数据。其中,本实施例中的行驶速度数据可以包括车辆速度、车辆角速度、车辆加速度等与速度相关的一种或多种数据。
平台服务器在司机的订单执行过程中获取行驶数据的具体实现方式,诸如,可以是获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据。诸如,当司机开始执行订单起,通过司机终端对司机在订单执行过程中的行驶行为(又称为驾驶行为)进行监控,其中,司机终端可以为手机、汽车中控设备等。可以理解的是,司机终端上通常都具有各类传感器,诸如位置传感器、速度传感器、陀螺仪等,可用于获取司机的行驶数据。在一种实施方式中,行驶轨迹数据可以包括GPS传感器记录的位置数据等;行驶速度数据可以包括:速度传感器记录的加速度数据、角速度数据和速度数据等。
在实际应用中,可以通过司机终端实时获取行驶数据,也可以每隔诸如2分钟、5分钟等周期性获取行驶数据。
步骤S304,根据行驶数据计算异常行驶行为概率;异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率。
在本实施例中,上述异常行驶行为概率主要是用于表示该订单中司机在已走过路段中出现异常行驶行为的频繁程度,在具体实施时,还可以采用异常行驶行为频率来表征,具体的,概率即为频率的归一化表现形式,可更为清楚直观的体现出司机出现异常行驶行为的频繁程度。
在具体实现时,如果司机出现异常停车、异常变速、异常转弯或超速等一种或多种行为,即可认为该司机出现异常行驶行为。其中,平台可以预先设定各种异常行驶行为的评判标准,诸如,如果监测到司机并非在乘客目的地停车,也并非在路况拥堵或者加油站等特殊地点停车,则可评判该司机异常停车;如果监测到司机出现急加速/急减速等行为,可评判该司机异常变速;如果监测到司机终端出现角速度变化过大的情况,可评判该司机异常转弯;如果监测到司机的当前速度超过路段限速,可评判该司机超速。以上仅为示例性说明,不应当被视为限制。
步骤S306,基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。
可以理解的是,司机在行驶过程中可能出现多种异常行驶行为,每种异常行驶行为也可能出现不止一次,最终可通过计算司机在已行驶路段中出现的异常行驶行为概率,综合识别该司机是否存在异常行驶行为。
本申请实施例提供的上述方法,能够在订单执行过程中获取行驶数据,然后根据行驶数据计算异常行驶行为概率,进而基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。这种方式在订单执行过程中就可根据司机的行驶数据及时有效地识别司机是否存在异常行驶行为,从而达到更好的司机监管效果。
本实施例在根据行驶数据计算异常行驶行为概率时,为便于理解,针对异常停车概率、异常变速概率、异常转弯概率、异常超速概率的计算方式分别阐述如下:
(一)关于异常停车概率的计算方式
在计算异常停车概率时,可以参照如下步骤:
(1)根据行驶轨迹数据,确定行驶过程中的停车位置点。
(2)对于每个停车位置点,获取停车位置点对应的路况信息和对应的兴趣点POI标识;并根据路况信息和兴趣点POI标识,判断停车位置点对应的停车行为是否属于异常停车。
具体而言,如果路况信息为路况顺畅,且POI标识未包含预设类标识,确定停车位置点对应的停车行为属于异常停车。其中,该预设类标识可以包括加油站标识、商场标识、路口标识等合理停车点的标识。或者,如果路况信息为路况拥堵,和/或,POI标识包含预设类标识,确定停车位置点对应的停车行为不属于异常停车。
(3)根据异常停车的停车位置点的停车时长计算异常停车概率。
诸如,可以计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;然后根据总停车时长与行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。具体而言,主要是计算异常停车在已行驶路程的时间占比,该占比也即异常停车概率。假设Ta为订单起点到当前点的用时,而Tstop=t1+t2+t3…tn;其中,t1~tn为Ta时间段内检测到的N个异常停车点,则异常停车概率=Tstop/Ta。
(二)关于异常变速概率的计算方式
可以理解的是,司机在行驶过程中时常会出现加减速的情况,但如果速度一次性变化太大,超过预设的速度变化阈值,则可以认为属于急加速/减速,不仅容易出现安全隐患,也会给乘客带来不良的坐车体验。为了较为准确客观的衡量司机出现异常变速的频繁程度,可以根据急变速的次数在所有变速次数中的占比实现。
在计算异常变速概率时,可以首先检查行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据,然后根据检查结果统计大于速度变化阈值的数据个数,最后根据数据个数与加速度数据的数据总数的比值,确定异常变速概率。
(三)关于异常转弯概率的计算方式
转弯是订单执行过程中经常出现的行驶行为,但是急转弯则会带来较为严重的安全隐患,也容易引发乘客不满,与上述计算异常变速概率类似,也可以根据急转弯的次数在所有转弯次数中的占比来衡量司机出现异常转弯的频繁程度。
在计算异常转弯概率时,可以首先检查行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;然后根据检查结果统计大于角速度变化阈值的数据个数;最后根据数据个数与角速度数据的数据总数的比值,确定异常转弯概率。
(四)关于超速概率的计算方式
本实施例中,如果司机的当前行驶速度高于其所在路段的限速,则认为该司机为超速行驶。在具体实现时,可以根据超速时长与总时长的占比来判断该司机的超速概率。
在计算超速概率时,可以首先检查行驶速度数据的速度数据中,是否存在大于速度数据对应位置的预设限速的数据;然后统计大于预设限速的速度数据对应的超速时长;最后根据超速时长与行驶轨迹数据对应的行驶时长的比值,确定超速概率。
在实际应用中计算异常行为概率时,可以采用上述异常停车概率计算方式、异常变速概率计算方式、异常转弯概率计算方式、超速概率计算方式中的一种或多种。
在计算得到司机的异常行驶行为概率之后,则可以基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。为了能够快速有效地得出识别结果,在一种实施方式中,可以将行驶数据和异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过异常行驶行为识别模型识别是否出现异常行驶行为;其中,异常行驶行为识别模型为一种神经网络模型。其中,神经网络模型通常包括一种或多种网络层,通过有监督或无监督式学习而逐渐调整网络参数,直至最终可输出所期望的预测结果。
本实施例给出了一种异常行驶行为识别模型的具体实现方式,参见图4所示的一种异常行驶行为识别模型的结构示意图,包括LSTM(Long Short-Term Memory,长短期记忆网络)网络和全连接网络;其中,全连接网络的输入端与LSTM网络的最后隐藏层(在图4中未示意出)的输出端相连。
具体的,LSTM网络是一种时间递归神经网络,允许信息持续存在,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,可以用于处理序列数据,诸如,将司机在已行驶路程中的行驶数据在不同时刻输入至LSTM网络,在具体实施时,行驶数据可以整理为序列形式,比如行驶轨迹坐标点序列、速度传感器采集的数据等。一种实施方式中,行驶轨迹坐标点序列可以理解为GPS坐标点序列,每个GPS点包含(x,y)两个值,代表坐标点经纬;速度传感器采集的数据可以包括:当前点的加速度大小以及加速度的方向,当前行驶方向的翻滚角、俯仰角、偏航角等角度数据。为了能够使LSTM网络更好的对行驶数据进行处理,还可以将行驶数据转换为浮点数。
全连接(Full Connection)网络主要由多个神经元构成,可用于完成最终的二分类任务。
在异常行驶行为识别模型的应用中,可以将从司机终端获取的行驶数据输入至LSTM网络中,以及将计算得到的异常行驶行为概率输入至全连接网络中。可以理解的是,由于LSTM网络最后隐藏层的输出端还与全连接网络的输入端相连,因此全连接网络是基于外部输入的异常行驶行为概率以及LSTM网络输入的数据处理结果进行分类处理,最终得到异常行驶行为与否的识别结果。
为便于理解,还可以参见图5所示的一种异常行驶行为识别模型的具体结构示意图,示意出了LSTM网络中所包含的多个子单元(Cell)。假设司机的行驶数据为每隔1分钟获取一次,则t1时刻获取的数据输入至第一个子单元Cell1中,在t1的下一分钟也即t2时刻获取的数据输入至第二子单元Cell2中,依次类推,在tn时刻获取的数据输入至第N个子单元Celln中。而LSTM网络在计算过程中,Cell1会对t1时刻输入的数据进行处理,并将处理后的数据输入给Cell2,Cell2会对t2时刻输入的数据以及Cell1传递的数据进行综合处理,并将处理后的数据输入给下一个子单元,依次类推,直至最后一个子单元Celln输出处理结果,将最后一个子单元Celln输出的处理结果认为是LSTM网络的输出。当然也可以理解为,上述子单元均为一个隐藏层,每个隐藏层对应输出一个隐藏状态,将最后一个隐藏层的隐藏状态认为是LSTM网络的输出。此外,在图5中不仅示意出给LSTM网络的每个子单元输入的数据包括有GSP数据和传感器速度,还示意出包括行驶路段属性,该行驶路段属性可以包括当前时刻对应的GPS点的道路数据(诸如,路况是否拥堵)等,以便于LSTM网络能够对各时刻输入的数据进行更好的分析处理。
最终,LSTM网络的输出以及异常行驶行为概率均作为全连接网络的输入,由全连接网络执行分类任务后得到分类结果(也即,识别结果)。其中,图5中全连接网络所示的圆圈均表示网络神经元。
综上所述,异常行驶行为识别模型在识别是否出现异常行驶行为时,可以首先通过LSTM网络生成行驶轨迹数据对应的驾驶状态特征(也即,LSTM网络的最后输出),并将驾驶状态特征输入至全连接网络,然后再通过全连接网络对驾驶状态特征和异常行驶行为概率进行分类回归,生成订单执行过程对应的异常行驶行为识别结果。LSTM网络的输出可作为中间值,与异常停车概率、异常变速概率、异常转弯概率、超速概率等异常行驶行为概率共同作为全连接网络的输入值,最终由全连接网络执行二分类任务,得到异常行驶行为的识别结果。
若要得到能够输出准确识别结果的异常行驶行为识别模型,需要事先对该模型进行训练,训练过程是指将样本数据集送入网络,根据神经网络模型的实际输出与期望输出之间的差别来调整神经网络模型连接权重,也即调整神经网络模型的网络参数。具体训练过程可参见如下:
(1)获取样本数据集;样本数据集包括正样本数据和负样本数据,且正样本数据和负样本数据均携带有标签。标签可以理解为期望输出,可作为基准来衡量模型的实际输出与期望输出之间的差距,从而指导模型根据差距进行反向调整。在具体应用中,给样本数据贴附的标签可以根据乘客的事后反馈评价确定。
在一种方式中,采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取行为标签对应的行驶数据;其中,行为标签包括正面行为标签和负面行为标签;将行为标签标注在其对应的行驶数据上;将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。正面行为标签诸如,可以为“驾驶平稳”等,负面行为标签诸如可以为“异常行驶”等,或者可以更为具体到“急刹车”“急加速”“异常停车”等细致的异常行为。
进一步,为了能够更为全面的获取到样本数据及其对应的标签,还可以获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,投诉标签是人工手动标注的。诸如,人工针对电话投诉的事件进行甄别,并相应标注投诉标签,该投诉标签也可以包括“异常行驶”等,或者具体到“急转弯”等细致的异常行为。
可以理解的是,正负样本数据的比例对模型训练具有一定影响,如果正负样本数据的比例较大,则可能会影响模型的分类能力,导致模型识别出现偏差。诸如,如果负样本数据过少,则模型可能难以正常识别出异常行驶行为。经过发明人的多次实验后认为在负样本数据和正样本数据的比例不低于1:5时,可以使模型得到较为准确的识别结果。
(2)建立基础模型结构;基础模型结构包括依次连接的LSTM网络和全连接网络。首先通过LSTM网络和全连接网络搭建基础的模型结构,该模型结构的网络参数可以是预设初始值。
(3)通过样本数据集对基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。具体实施时,可以采用反向传播算法对网络参数进行训练,直至模型的损失函数值(表征了模型的实际输出与期望输出之间的差距)收敛到预设阈值时,确定此时的模型可输出符合预期的结果,也即该模型训练成功。
如果识别出订单执行过程中存在异常行驶行为,为了能够及时对司机行为进行介入,以尽量避免出现安全事故或者司机与乘客之间的冲突,可以采用预设方式发起异常提醒通知;其中,预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。具体的,可以向司机终端发起异常提醒通知,以警示司机规范行驶行为。此外,还可以向乘客发起异常提醒通知,并让司机和/或乘客确认是否存在异常行为。
对应于前述异常行驶行为的识别方法,本实施例提供了一种异常行驶行为的识别装置,参见图6所示的一种异常行驶行为的识别装置的结构框图,该装置包括:
行驶数据获取模块602,用于在订单执行过程中获取行驶数据;行驶数据包括行驶轨迹数据和行驶速度数据;
异常概率计算模块604,用于根据行驶数据计算异常行驶行为概率;异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率;
异常行为识别模块606,用于基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。
在本申请实施例提供的上述装置中,能够在订单执行过程中获取行驶数据,然后根据行驶数据计算异常行驶行为概率,进而基于异常行驶行为概率,识别订单执行过程中是否存在异常行驶行为。这种方式在订单执行过程中就可根据司机的行驶数据及时有效地识别司机是否存在异常行驶行为,从而达到更好的司机监管效果。
在一些实施方式中,上述行驶数据获取模块用于:获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据,其中,行驶轨迹数据包括GPS传感器记录的位置数据;行驶速度数据包括:速度传感器记录的加速度数据、角速度数据和速度数据。
在一些实施方式中,上述异常概率计算模块用于:根据行驶轨迹数据,确定行驶过程中的停车位置点;对于每个停车位置点,获取停车位置点对应的路况信息和对应的兴趣点POI标识;并根据路况信息和兴趣点POI标识,判断停车位置点对应的停车行为是否属于异常停车;根据异常停车的停车位置点的停车时长计算异常停车概率。
在一些实施方式中,上述异常概率计算模块进一步用于:如果路况信息为路况顺畅,且POI标识未包含预设类标识,确定停车位置点对应的停车行为属于异常停车。
在一些实施方式中,上述异常概率计算模块进一步用于:计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;根据总停车时长与行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。
在一些实施方式中,上述异常概率计算模块用于:检查行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据;根据检查结果统计大于速度变化阈值的数据个数;根据数据个数与加速度数据的数据总数的比值,确定异常变速概率。
在一些实施方式中,上述异常概率计算模块用于:检查行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;根据检查结果统计大于角速度变化阈值的数据个数;根据数据个数与角速度数据的数据总数的比值,确定异常转弯概率。
在一些实施方式中,上述异常概率计算模块用于:检查行驶速度数据的速度数据中,是否存在大于速度数据对应位置的预设限速的数据;统计大于预设限速的速度数据对应的超速时长;根据超速时长与行驶轨迹数据对应的行驶时长的比值,确定超速概率。
在一些实施方式中,上述异常行为识别模块用于:将行驶数据和异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过异常行驶行为识别模型识别是否出现异常行驶行为;其中,异常行驶行为识别模型为一种神经网络模型。
在一些实施方式中,上述异常行驶行为识别模型包括LSTM网络和全连接网络;其中,全连接网络的输入端与LSTM网络的最后隐藏层的输出端相连。
在一些实施方式中,上述异常行为识别模块进一步用于:将行驶轨迹数据输入至LSTM网络中,以及将异常行驶行为概率输入至全连接网络中。
在一些实施方式中,上述异常行为识别模块进一步用于:通过LSTM网络生成行驶轨迹数据对应的驾驶特征,并将驾驶特征输入至全连接网络;通过全连接网络对驾驶特征和异常行驶行为概率进行分类回归,生成订单执行过程对应的异常行驶行为识别结果。
在一些实施方式中,上述装置还包括异常行驶行为识别模型的训练模块,训练模块用于:获取样本数据集;样本数据集包括正样本数据和负样本数据,且正样本数据和负样本数据均携带有标签;建立基础模型结构;基础模型结构包括依次连接的LSTM网络和全连接网络;通过样本数据集对基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。
在一些实施方式中,上述训练模块进一步用于:采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取行为标签对应的行驶数据;其中,行为标签包括正面行为标签和负面行为标签;将行为标签标注在其对应的行驶数据上;将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。
在一些实施方式中,上述训练模块进一步用于:获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,投诉标签是人工手动标注的。
在一些实施方式中,上述负样本数据和正样本数据的比例不低于1:5。
参见图7所示的另一种异常行驶行为的识别装置的结构框图,在图6的基础上,该装置还包括:提醒模块702,用于如果识别出订单执行过程中存在异常行驶行为,采用预设方式发起异常提醒通知;预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (34)
1.一种异常行驶行为的识别方法,其特征在于,所述方法包括:
在订单执行过程中获取行驶数据;所述行驶数据包括行驶轨迹数据和行驶速度数据;
根据所述行驶数据计算异常行驶行为概率;所述异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率;所述异常停车概率是根据从行驶数据中确定出的异常停车的停车时长计算得到的,所述异常变速概率是根据从行驶数据中确定出的异常变速的次数计算得到的,所述异常转弯概率是根据从行驶数据中确定出的异常转弯的次数计算得到的,所述超速概率是根据从行驶数据中确定出的超速时长计算得到的;
将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过所述异常行驶行为识别模型识别是否出现异常行驶行为;其中,所述异常行驶行为识别模型为一种神经网络模型。
2.根据权利要求1所述的方法,其特征在于,在订单执行过程中获取行驶数据的步骤,包括:
获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据,其中,所述行驶轨迹数据包括GPS传感器记录的位置数据;所述行驶速度数据包括:速度传感器记录的加速度数据、角速度数据和速度数据。
3.根据权利要求1所述的方法,其特征在于,根据所述行驶数据计算异常行驶行为概率的步骤,包括:
根据所述行驶轨迹数据,确定行驶过程中的停车位置点;
对于每个所述停车位置点,获取所述停车位置点对应的路况信息和对应的兴趣点POI标识;并根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车;
根据异常停车的停车位置点的停车时长计算异常停车概率。
4.根据权利要求3所述的方法,其特征在于,根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车的步骤,包括:
如果所述路况信息为路况顺畅,且所述POI标识未包含预设类标识,确定所述停车位置点对应的停车行为属于异常停车。
5.根据权利要求3所述的方法,其特征在于,根据异常停车的停车位置点的停车时长计算异常停车概率的步骤,包括:
计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;
根据所述总停车时长与所述行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。
6.根据权利要求1所述的方法,其特征在于,根据所述行驶数据计算异常行驶行为概率的步骤,包括:
检查所述行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据;
根据检查结果统计大于所述速度变化阈值的数据个数;
根据所述数据个数与所述加速度数据的数据总数的比值,确定异常变速概率。
7.根据权利要求1所述的方法,其特征在于,根据所述行驶数据计算异常行驶行为概率的步骤,包括:
检查所述行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;
根据检查结果统计大于所述角速度变化阈值的数据个数;
根据所述数据个数与所述角速度数据的数据总数的比值,确定异常转弯概率。
8.根据权利要求1所述的方法,其特征在于,根据所述行驶数据计算异常行驶行为概率的步骤,包括:
检查所述行驶速度数据的速度数据中,是否存在大于所述速度数据对应位置的预设限速的数据;
统计大于所述预设限速的速度数据对应的超速时长;
根据所述超速时长与所述行驶轨迹数据对应的行驶时长的比值,确定超速概率。
9.根据权利要求1所述的方法,其特征在于,所述异常行驶行为识别模型包括LSTM网络和全连接网络;其中,所述全连接网络的输入端与所述LSTM网络的最后隐藏层的输出端相连。
10.根据权利要求9所述的方法,其特征在于,将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型的步骤,包括:
将所述行驶数据输入至所述LSTM网络中,以及将所述异常行驶行为概率输入至所述全连接网络中。
11.根据权利要求10所述的方法,其特征在于,通过所述异常行驶行为识别模型识别是否出现异常行驶行为的步骤,包括:
通过所述LSTM网络生成所述行驶轨迹数据对应的驾驶状态特征,并将所述驾驶状态特征输入至所述全连接网络;
通过所述全连接网络对所述驾驶状态特征和所述异常行驶行为概率进行分类回归,生成所述订单执行过程对应的异常行驶行为识别结果。
12.根据权利要求9所述的方法,其特征在于,所述异常行驶行为识别模型的训练过程包括:
获取样本数据集;所述样本数据集包括正样本数据和负样本数据,且所述正样本数据和所述负样本数据均携带有标签;
建立基础模型结构;所述基础模型结构包括依次连接的LSTM网络和全连接网络;
通过所述样本数据集对所述基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。
13.根据权利要求12所述的方法,其特征在于,获取样本数据集的步骤,包括:
采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取所述行为标签对应的行驶数据;其中,所述行为标签包括正面行为标签和负面行为标签;
将所述行为标签标注在其对应的行驶数据上;
将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。
14.根据权利要求13所述的方法,其特征在于,获取样本数据集的步骤,还包括:
获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,所述投诉标签是人工手动标注的。
15.根据权利要求12所述的方法,其特征在于,所述负样本数据和所述正样本数据的比例不低于1:5。
16.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果识别出所述订单执行过程中存在异常行驶行为,采用预设方式发起异常提醒通知;所述预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。
17.一种异常行驶行为的识别装置,其特征在于,所述装置包括:
行驶数据获取模块,用于在订单执行过程中获取行驶数据;所述行驶数据包括行驶轨迹数据和行驶速度数据;
异常概率计算模块,用于根据所述行驶数据计算异常行驶行为概率;所述异常行驶行为概率包括以下至少之一:异常停车概率、异常变速概率、异常转弯概率、超速概率;所述异常停车概率是根据从行驶数据中确定出的异常停车的停车时长计算得到的,所述异常变速概率是根据从行驶数据中确定出的异常变速的次数计算得到的,所述异常转弯概率是根据从行驶数据中确定出的异常转弯的次数计算得到的,所述超速概率是根据从行驶数据中确定出的超速时长计算得到的;
异常行为识别模块,用于将所述行驶数据和所述异常行驶行为概率输入至预先训练得到的异常行驶行为识别模型,通过所述异常行驶行为识别模型识别是否出现异常行驶行为;其中,所述异常行驶行为识别模型为一种神经网络模型。
18.根据权利要求17所述的装置,其特征在于,所述行驶数据获取模块用于:
获取司机终端在订单执行过程中记录的行驶轨迹数据和行驶速度数据,其中,所述行驶轨迹数据包括GPS传感器记录的位置数据;所述行驶速度数据包括:速度传感器记录的加速度数据、角速度数据和速度数据。
19.根据权利要求17所述的装置,其特征在于,所述异常概率计算模块用于:
根据所述行驶轨迹数据,确定行驶过程中的停车位置点;
对于每个所述停车位置点,获取所述停车位置点对应的路况信息和对应的兴趣点POI标识;并根据所述路况信息和所述兴趣点POI标识,判断所述停车位置点对应的停车行为是否属于异常停车;
根据异常停车的停车位置点的停车时长计算异常停车概率。
20.根据权利要求19所述的装置,其特征在于,所述异常概率计算模块进一步用于:
如果所述路况信息为路况顺畅,且所述POI标识未包含预设类标识,确定所述停车位置点对应的停车行为属于异常停车。
21.根据权利要求19所述的装置,其特征在于,所述异常概率计算模块进一步用于:
计算属于异常停车的每个停车位置点的停车时长之和,得到总停车时长;
根据所述总停车时长与所述行驶轨迹数据对应的行驶时长的比值,确定异常停车概率。
22.根据权利要求17所述的装置,其特征在于,所述异常概率计算模块用于:
检查所述行驶速度数据的加速度数据中,是否存在大于速度变化阈值的数据;
根据检查结果统计大于所述速度变化阈值的数据个数;
根据所述数据个数与所述加速度数据的数据总数的比值,确定异常变速概率。
23.根据权利要求17所述的装置,其特征在于,所述异常概率计算模块用于:
检查所述行驶速度数据的角速度数据中,是否存在大于角速度变化阈值的数据;
根据检查结果统计大于所述角速度变化阈值的数据个数;
根据所述数据个数与所述角速度数据的数据总数的比值,确定异常转弯概率。
24.根据权利要求17所述的装置,其特征在于,所述异常概率计算模块用于:
检查所述行驶速度数据的速度数据中,是否存在大于所述速度数据对应位置的预设限速的数据;
统计大于所述预设限速的速度数据对应的超速时长;
根据所述超速时长与所述行驶轨迹数据对应的行驶时长的比值,确定超速概率。
25.根据权利要求17所述的装置,其特征在于,所述异常行驶行为识别模型包括LSTM网络和全连接网络;其中,所述全连接网络的输入端与所述LSTM网络的最后隐藏层的输出端相连。
26.根据权利要求25所述的装置,其特征在于,所述异常行为识别模块进一步用于:
将所述行驶数据输入至所述LSTM网络中,以及将所述异常行驶行为概率输入至所述全连接网络中。
27.根据权利要求26所述的装置,其特征在于,所述异常行为识别模块进一步用于:
通过所述LSTM网络生成所述行驶轨迹数据对应的驾驶特征,并将所述驾驶特征输入至所述全连接网络;
通过所述全连接网络对所述驾驶特征和所述异常行驶行为概率进行分类回归,生成所述订单执行过程对应的异常行驶行为识别结果。
28.根据权利要求25所述的装置,其特征在于,所述装置还包括异常行驶行为识别模型的训练模块,所述训练模块用于:
获取样本数据集;所述样本数据集包括正样本数据和负样本数据,且所述正样本数据和所述负样本数据均携带有标签;
建立基础模型结构;所述基础模型结构包括依次连接的LSTM网络和全连接网络;
通过所述样本数据集对所述基础模型结构的网络参数进行训练,得到异常行驶行为识别模型。
29.根据权利要求28所述的装置,其特征在于,所述训练模块进一步用于:
采用机器筛选方式从订单数据库中筛选出已标注的行为标签,并获取所述行为标签对应的行驶数据;其中,所述行为标签包括正面行为标签和负面行为标签;
将所述行为标签标注在其对应的行驶数据上;
将标注有正面行为标签的行驶数据作为正样本数据;将标注有负面行为标签的行驶数据作为负样本数据。
30.根据权利要求29所述的装置,其特征在于,所述训练模块进一步用于:
获取标注有投诉标签的行驶数据,并将标注有投诉标签的行驶数据作为负样本数据;其中,所述投诉标签是人工手动标注的。
31.根据权利要求28所述的装置,其特征在于,所述负样本数据和所述正样本数据的比例不低于1:5。
32.根据权利要求29所述的装置,其特征在于,所述装置还包括:
提醒模块,用于如果识别出所述订单执行过程中存在异常行驶行为,采用预设方式发起异常提醒通知;所述预设方式包括电话通知、短信通知、APP消息推送通知中的一种或多种。
33.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至16任一所述的异常行驶行为的识别方法的步骤。
34.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至16任一所述的异常行驶行为的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120692.6A CN111325437B (zh) | 2019-02-18 | 2019-02-18 | 异常行驶行为的识别方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120692.6A CN111325437B (zh) | 2019-02-18 | 2019-02-18 | 异常行驶行为的识别方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325437A CN111325437A (zh) | 2020-06-23 |
CN111325437B true CN111325437B (zh) | 2021-09-24 |
Family
ID=71163207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910120692.6A Active CN111325437B (zh) | 2019-02-18 | 2019-02-18 | 异常行驶行为的识别方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325437B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858082A (zh) * | 2019-11-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 提示信息的发送方法、输出方法、装置、电子设备和介质 |
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
CN112200046B (zh) * | 2020-09-30 | 2023-09-12 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112650825B (zh) * | 2020-12-30 | 2024-04-05 | 北京嘀嘀无限科技发展有限公司 | 异常接驾行为的确定方法、装置、存储介质及电子设备 |
CN113963533B (zh) * | 2021-09-15 | 2023-01-31 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN114724121A (zh) * | 2022-03-23 | 2022-07-08 | 中交信息技术国家工程实验室有限公司 | 一种驾驶行为预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399743A (zh) * | 2018-02-07 | 2018-08-14 | 武汉理工大学 | 一种基于gps数据的高速公路车辆异常行为检测方法 |
CN108428343A (zh) * | 2018-05-17 | 2018-08-21 | 长沙理工大学 | 一种多车驾驶行为分析和危险预警方法及*** |
CN108860162A (zh) * | 2018-07-18 | 2018-11-23 | 平安科技(深圳)有限公司 | 电子装置、基于用户驾驶行为的安全预警方法及存储介质 |
CN108944799A (zh) * | 2017-05-18 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 车辆驾驶行为异常处理方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014092965A (ja) * | 2012-11-05 | 2014-05-19 | Denso Corp | 乗員監視装置 |
US10296794B2 (en) * | 2016-12-20 | 2019-05-21 | Jayant Rtti | On-demand artificial intelligence and roadway stewardship system |
CN207029084U (zh) * | 2017-08-14 | 2018-02-23 | 湖南师范大学 | 一种基于神经网络和obdii模块的车辆辅助监控装置 |
CN108877146A (zh) * | 2018-09-03 | 2018-11-23 | 深圳市尼欧科技有限公司 | 一种基于智能语音识别的乘驾安全自动报警装置及其方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及*** |
-
2019
- 2019-02-18 CN CN201910120692.6A patent/CN111325437B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108944799A (zh) * | 2017-05-18 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 车辆驾驶行为异常处理方法和装置 |
CN108399743A (zh) * | 2018-02-07 | 2018-08-14 | 武汉理工大学 | 一种基于gps数据的高速公路车辆异常行为检测方法 |
CN108428343A (zh) * | 2018-05-17 | 2018-08-21 | 长沙理工大学 | 一种多车驾驶行为分析和危险预警方法及*** |
CN108860162A (zh) * | 2018-07-18 | 2018-11-23 | 平安科技(深圳)有限公司 | 电子装置、基于用户驾驶行为的安全预警方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325437A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325437B (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
CN110749319B (zh) | 一种路线偏移检测的方法、装置和电子设备 | |
US10814812B1 (en) | Method and system for identifying vehicle collisions using sensor data | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
CN104169990B (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
JP2020524632A (ja) | 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法 | |
JP6774153B2 (ja) | 不正検査を行うシステムおよび方法 | |
JP6776373B2 (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN111325986B (zh) | 异常停车监测方法、装置、电子设备以及存储介质 | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
CN112418524A (zh) | 充电站可用状态的预测方法、装置、设备和存储介质 | |
CN111831764A (zh) | 一种停留站点的确定方法、装置、电子设备和介质 | |
CN111651664B (zh) | 基于事故位置点的事故车辆定位方法、装置、存储介质及电子设备 | |
CN113128115A (zh) | 地铁运行状态的预测及模型的训练方法、装置及存储介质 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN111613060A (zh) | 一种数据处理方法以及设备 | |
CN111489460B (zh) | 行驶数据处理方法、装置、导航设备和计算机存储介质 | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
CN116772877B (zh) | 一种新能源汽车续航里程预测方法、***、装置及介质 | |
CN115209374B (zh) | 一种基于第三方呼叫中心的机动车报警*** | |
CN110389577A (zh) | 一种确定驾驶风格的方法及装置 | |
CN111814081B (zh) | 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质 | |
CN114166234A (zh) | 基于路害度量选择导航路线和路害识别预警的***、方法、装置、处理器及计算机存储介质 | |
CN113962107A (zh) | 对行驶路段仿真的方法、装置、电子设备及存储介质 | |
CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |