CN109255457A - 基于大数据挖掘的安全网约车方法及系统 - Google Patents
基于大数据挖掘的安全网约车方法及系统 Download PDFInfo
- Publication number
- CN109255457A CN109255457A CN201811074565.9A CN201811074565A CN109255457A CN 109255457 A CN109255457 A CN 109255457A CN 201811074565 A CN201811074565 A CN 201811074565A CN 109255457 A CN109255457 A CN 109255457A
- Authority
- CN
- China
- Prior art keywords
- driver
- passenger
- order
- vehicle
- backstage
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims 2
- 238000010200 validation analysis Methods 0.000 abstract description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据挖掘的安全网约车方法及系统，涉及网约车领域，其中，网约车司机自主选择前往目标区域，乘客用车时自主选择车辆，对订单进行预约，乘客预约好订单后，订单发送给后台，后台对司机与乘客之间的位置进行路径规划设计出推荐路线，后台将推荐路线与订单一起发送给司机，司机确认订单，双方达成一致后订单生效，通过后台给出的双方联系方式进行位置及其他信息确认，同时后台对订单进行监控。本发明具有以下优点：司机和乘客均具有自主选择权，同时可对订单进行监控，保证双方人身安全，可通过大数据挖掘对乘客和司机的行为作出预测，以让乘客和司机更好的匹配接单。
Description
技术领域
本发明涉及网约车领域，具体的涉及一种基于大数据挖掘的安全网约车方法及系统。
背景技术
网约车的诞生改变了传统打车市场格局，现有的网约车系统中，司机和乘客都只能被动、单向 的由后台进行派单，其派单所采用的评分类型主要是乘客对司机评价星级，但这种简单、单向的评 价方式难以将顾客真实意见和需求反馈出来，例如当某些司机经常恶意骚扰或者目的不单纯时，曾 经做过其车的乘客无法为后来者做出提醒，同时司机也不具有自主选择权，因此经常被恶意差评师 举报勒索，同时司机无法知晓同行竞争者的密集区域，对于自己即将要去的行驶路线感到迷茫和无 助，只能依靠长期的经验进行粗略的判断。
发明内容
为解决上述问题，本发明提供一种基于大数据挖掘的安全网约车方法，其特点是：司机 和乘客均具有自主选择权，同时可对订单进行监控，保证双方人身安全，同时可通过大数据 挖掘对乘客和司机同行的行为作出预测，以让乘客和司机更好的匹配接单。
本发明为解决上述技术问题所采用的技术方案是：一种基于大数据挖掘的安全网约车方 法，其中，网约车司机根据目标区域内乘客分析结果或司机分析结果自主选择前往目标区域， 乘客用车时自主选择所在区域内符合条件的车辆，对订单进行预约，乘客预约好订单后，订 单发送给后台，后台对乘客订单中出发地和目的地的位置进行路径规划设计出推荐路线，后 台将推荐路线与订单一起发送给司机，司机确认订单，双方达成一致后订单生效，通过后台 给出的双方联系方式进行位置及其他信息确认，同时后台对订单进行监控，订单结束后，双 方延迟互评，延迟时间由系统或乘客自主设置。
作为一种优选的方案，乘客分析结果和司机分析结果分别通过对乘客实时数据和司机实 时数据分析、筛选建立形成对应的统计图、散点图、热力图建立所得，乘客分析结果和司机 分析结果为动态可视化模型。
所述乘客分析结果可以预测某区域固定时间段内乘客的数量，所述司机分析结果显示某 区域内其他网约车司机实时定位和动态仿真；所述司机分析结果图发送给乘客，所述司机分 析结果图和乘客分析结果图都发送给司机。
作为一种优选的方案，乘客对订单进行预约时，可以查看固定区域内周围的所有司机， 当点中其中一个司机头像后，即显示司机到达乘客位置所需要的时间，同时乘客可以查询所 选司机基本信息，最后选中自己满意的司机，预约好的订单信息发送给司机。
作为一种优选的方案，所述基本信息包括司机工号、信誉度、最近订单完成情况及路线 完成度；所述订单完成情况包括一定时间内取消预约过的订单数；所述路线完成度即司机按 照平台推荐路线行驶的记录。
作为一种优选的方案，当有多个乘客选择同一个司机时，进入司机反选阶段，所述反选 为司机根据乘客基本信息从选择他的乘客中选择一位满意乘客进行订单匹配，所述乘客基本 信息包括好评率、违约率、取消订单率、投诉率及其他司机对该乘客的评价，以此决定是否 接受该乘客订单；当司机接受订单后，后台实施订单，当司机拒绝订单后，后台通知乘客重 新选择司机。
作为一种优选的方案，司机和乘客均无法提前获知对方联系方式，当司机到达乘客5公 里范围内时，司机方可获得后台给出的乘客联系方式，所述联系方式为加密后的手机号码， 所述联系方式有效期为五分钟，每五分钟进行一次重新加密和更换，当乘客取消订单时，司 机无法或者乘客联系方式。
作为一种优选的方案，当双方订单确认实施后，乘客取消订单而司机未取消订单，乘客 可向后台申请异常处理，所述异常处理为后台对司机和乘客分别进行定位并且与系统推荐路 线进行比对，以此判断是否为司机违规操作。
作为一种优选的方案，网约车司机可自主选择是否按照推荐路线行驶车辆，当不按照推 荐路线行驶车辆时，后台会向乘客发出确认，当乘客同意司机操作时，订单正常执行，当乘 客不同意司机操作时，订单自动结束。
作为一种优选的方案，所述后台对订单进行异常监控包括对行驶路线偏离的监控和对异 常停留的监控；所述对行驶路线偏离的监控即司机开车途中是否偏离推荐路线，所述对异常 停留的监控即车辆长时间的异常停车行为；当后台监控到订单异常后，对乘客进行警示提醒 并且要求乘客上传所处环境视频，同时提醒司机其行为已进入异常监管范围。
本发明提供一种基于大数据挖掘的安全网约车系统，包括后台、司机客户端、乘客客户 端；后台通过大数据分别生成司机动态可视化模型的分析结果和乘客动态可视化模型的分析 结果，后台将司机动态可视化模型的分析结果和乘客动态可视化模型的分析结果传递至司机 客户端，后台将司机动态可视化模型的分析结果传递至乘客客户端，乘客通过乘客客户端预 约订单后，订单数据传递至后台，后台通过对目的地和出发地进行路径规划设计出推荐路线， 后台将推荐路线和乘客的预约订单发送至司机客户端，司机通过司机客户端中展示的乘客基 本信息，选择所想选择的乘客进行订单确认；司机确认订单后订单自动执行，后台对异常订 单进行实时监控，同时开启车内监控装置。
作为一种优选的方案，车内监控装置包括摄像头和录音系统，副驾驶门及后排两个门门 把手处设有报警装置，所述网约车内设有防屏蔽系统，所述防屏蔽系统、摄像头和录音系统 与后台连接，所述摄像头为广角摄像头，所述防屏蔽系统包括信号发送器。
本发明有益效果：
本发明利用大数据挖掘分析出网约车订单中乘客与司机的时空特征点，以缓解热门地区 打车客流和网约车司机两者集中的现象，降低司机的空驶率；通过司机和乘客的相互选择、 实时对接，节约司机与乘客沟通成本、最大限度优化乘客打车体验；在乘客乘车期间对车辆 进行实时定位及固定时间间隔定时反馈，如出现异常，会更加密集的进行数据传输来确保乘 客及司机的安全，最大化节省司乘双方资源与实践，以提高人们的出行效率、增加网约车司 机和乘客的可选择性，优化人们的出行方式和安全，促进城市公共交通的和谐发展。
附图说明
图1：实施例1中成都站工作日客流分布平面散点图；
图2：实施例1中成都站休息日客流分布平面散点图；
图3：实施例1中成都站工作日上车早高峰期热力图；
图4：实施例1中成都站工作日下车早高峰期热力图；
图5：实施例1中成都站休息日上车早高峰期热力图；
图6：实施例1中成都站休息日下车早高峰期热力图；
图7：实施例1中成都站工作日上车晚高峰期热力图；
图8：实施例1中成都站工作日下车晚高峰期热力图；
图9：实施例1中成都站休息日上车晚高峰期热力图；
图10：实施例1中成都站休息日下车晚高峰期热力图；
图11：实施例1系统流程图；
图12：实施例7系统流程图；
图13：实施例6系统流程图；
图14：实施例1数据筛选建模流程。
具体实施方式
实施例1：
本发明提供一种基于大数据挖掘的安全网约车方法，其中，网约车司机根据目标区域内 乘客分析结果或司机分析结果自主选择前往目标区域，乘客用车时自主选择所在区域内符合 条件的车辆，对订单进行预约，乘客预约好订单后，订单发送给后台，后台对乘客订单中出 发地和目的地的位置进行路径规划设计出推荐路线，后台将推荐路线与订单一起发送给司机， 司机确认订单，双方达成一致后订单生效，通过后台给出的双方联系方式进行位置及其他信 息确认，同时后台对订单进行监控，订单结束后，双方延迟互评，延迟时间由系统或乘客自 主设置。
为了避免司机强迫乘客在订单结束后下车前进行好评的操作，系统或乘客可自主设置延 迟评价时间，系统设置延迟评价时间为司机接到下一个订单以后，乘客可对司机进行评价； 同时乘客可自主设置延迟评价时间，时间以小时为单位，范围为1小时至72小时不等，时间 设置后不可更改，避免了司机要求乘客现场完成好评，而乘客无法拒绝或不好意思拒绝的情 况。
作为一种优选的方案，乘客分析结果和司机分析结果分别通过对乘客实时数据和司机实 时数据分析、筛选建立形成对应的统计图、散点图、热力图建立所得，乘客分析结果和司机 分析结果为动态可视化模型；
所述乘客分析结果可以预测某区域固定时间段内乘客的数量，所述司机分析结果显示某 区域内其他网约车司机实时定位和动态仿真；所述司机分析结果图发送给乘客，所述司机分 析结果图和乘客分析结果图都发送给司机。
具体的，以地铁站来说，地铁运载的主要客流以特定人群为主，所以对于地铁来说，在 不同时段下会明显有不同的出行规律，例如工作日早晚高峰会较为明显，而在休息日可能全 天客流都较为平均且出行次数增加，
以成都站来说，通过大数据获得网约车乘客出行数据，通过数据库软件对原始数据进行 严格的分段与粗略的筛选；结合实地场景，以宁可多留不可多删的原则，对样本筛选范围 进行扩大或缩小操作，剔除明显不符合要求的上下车时的经纬度坐标；将初步筛选好的数据 综合整理再次导入Arc GIS，调整比例尺，更精确的删除实地场景150米以外多余上下车经 纬度坐标点，做出相应的统计图、散点图、热力图等数据分析结果图，建立时空与特殊点 数据分析SSTM(Special Space-Time Model)动态可视化模型，通过对散点图图1、图2比 较可得，工作日在地域分布上较为广泛，休息日的客流分布主要集中在中心商业区，并且相比 工作日的客流量在龙泉驿站及附近站点较大，而休息日的几乎为零。将散点图的比例放大，就 可以得到每个样本点的详细位置，使乘客在使用网约车时能更直观地了解到他周围的司机分布， 能够优化乘客的选择条件。
利用Spatial Analyst工具对散点图进行密度分析，以工作日与休息日的高峰期间的热力 图(图3、图4、图5、图6)为例，稠密点主要分布在二号与四号线交点处及市二医院附近。 相对于工作日高峰期的大范围稠密，休息日则显现出了大范围的交通流散分布，休息日稠 密点集中在一号线上的一些站点，从这种现象看出，休息日交通流动更为活泼，而在工作 日往往集中在市中心的建筑密集区。
将热力图进行处理，可以发现各个时间段客流都密集的分布在市中心的各个站点，只 是市中心与郊区的轨道交通站点附近的客流密度差距过大。乘车地点主要集中于几个特殊 站点附近，其他站点的密度相对于市中心来说过于稀少，根据不同时段展示的动态仿真， 可以更为精确的模拟车辆分布，并将其提供给网约车司机，司机便可以获知现有同行竞争 者分布状况，同时根据乘客的分布图，就可以得到一个基础的接单率，为司机空载时的行 驶方向做出建议，降低了司机空驶率，间接增大司机收入，改善了部分区域供求矛盾，从 一定程度缓解了交通拥堵，方便双向选择。
针对于晚高峰期(如图7、图8、图9、图10所示)，工作日的客流密度较大的点还是在市中心站点附近，尤其是一、四号线换乘站附近，其他站点相对较少；休息日在一、二号线的换乘站客流密度大。若根据不同时段展示的动态仿真，可以更为精确的模拟车辆分布，为司 机空载时的行驶方向做出建议。
实施例2：
如图12所示，本发明提供一种基于大数据挖掘的安全网约车方法，其中，网约车司机根 据目标区域内乘客分析结果图或司机分析结果图自主选择前往目标区域，乘客用车时自主选 择所在区域内符合条件的车辆，对订单进行预约，乘客预约好订单后，订单发送给后台，后 台对司机与乘客之间的位置进行路径规划设计出推荐路线，后台将推荐路线与订单一起发送 给司机，司机确认订单，双方达成一致后订单生效，通过后台给出的双方联系方式进行位置 及其他信息确认，同时后台对订单进行监控。
基于成都市地铁换乘站点的客流规律分析，本发明以上述的实时热力图与散点图为基础，进 行第一次乘客与司机之间相对位置的互相选择，乘客对订单进行预约时，可以查看固定区域内 周围的所有司机，当点中其中一个司机头像后，即显示司机到达乘客位置所需要的时间，同 时乘客可以查询所选司机基本信息，所述基本信息包括司机工号、信誉度、最近订单完成情 况及路线完成度；所述订单完成情况包括一定时间内取消预约过的订单数；所述路线完成度 即司机按照平台推荐路线行驶的记录，最后乘客选中自己满意的司机，预约好的订单信息发 送给司机。
当有多个乘客选择同一个司机时，进入司机反选阶段，所述反选为司机根据乘客基本信 息从选择他的乘客中选择一位满意乘客进行订单匹配，所述乘客基本信息包括好评率、违约 率、取消订单率、投诉率及其他司机对该乘客的评价，以此决定是否接受该乘客订单；当司 机接受订单后，后台实施订单，当司机拒绝订单后，后台通知乘客重新选择司机。
本实施例让司乘双方拥有了更多主动权，同时保护了司乘双方的权益，让用户隐私及平台 商业发展问题上找到了一个适当的平衡点与正确的社会价值取向。
实施例3：
本实施例在选择订单中所使用的方法与实施例1和2相同，不同点在于订单生成后，司 机和乘客均无法提前获知对方联系方式，当司机到达乘客5公里范围内时，司机方可获得后 台给出的乘客联系方式，所述联系方式为加密后的手机号码，所述联系方式有效期为五分钟， 每五分钟进行一次重新加密和更换，当乘客取消订单时，司机无法或者乘客联系方式。
此种方式保护了司机和乘客双方的隐私，避免了司机对乘客或乘客对司机多次骚扰的情 况。
实施例4：
本实施例在选择订单中所使用的方法与实施例1和2相同，不同点在于订单生成后，乘 客取消订单而司机未取消订单，乘客可向后台申请异常处理，所述异常处理为后台对司机和 乘客分别进行定位并且与系统推荐路线进行比对，以此判断是否为司机违规操作。
此方法避免了乘客取消订单而司机未取消订单导致订单继续执行的情况，当司机违规操 作时，后台对司机进行相应惩罚。
实施例5：本实施例在选择订单中所使用的方法与实施例1，不同点在于司机获取订单进 行确认时，网约车司机可自主选择是否按照推荐路线行驶车辆，当不按照推荐路线行驶车辆 时，后台会向乘客发出确认，当乘客同意司机操作时，订单正常执行，当乘客不同意司机操 作时，订单自动结束。
由于现有路况多样化复杂化，推荐路线不一定足够准确，当司机认为有其他更优路线可 走时，在获得乘客同意后，可执行其他路线，非常的人性化。
实施例6：
本实施例在选择订单中所使用的方法与实施例1相同，不同点在于订单生成后，后台对 订单进行异常监控包括对行驶路线偏离的监控和对异常停留的监控；所述对行驶路线偏离的 监控即司机开车途中是否偏离推荐路线，所述对异常停留的监控即车辆长时间的异常停车行 为；当后台监控到订单异常后，对乘客进行警示提醒并且要求乘客上传所处环境视频，同时 提醒司机其行为已进入异常监管范围。
实时监控避免了司机的异常行为，保障了乘客的安全性。
实施例7：
本发明提供一种基于大数据挖掘的安全网约车系统，包括后台、司机客户端、乘客客户 端；后台通过大数据分别生成司机动态可视化模型的分析结果和乘客动态可视化模型的分析 结果，后台将司机动态可视化模型的分析结果和乘客动态可视化模型的分析结果传递至司机 客户端，后台将司机动态可视化模型的分析结果传递至乘客客户端，乘客通过乘客客户端预 约订单后，订单数据传递至后台，后台通过对目的地和出发地进行路径规划设计出推荐路线， 后台将推荐路线和乘客的预约订单发送至司机客户端，司机通过司机客户端中展示的乘客基 本信息，选择所想选择的乘客进行订单确认；司机确认订单后订单自动执行，后台对异常订 单进行实时监控。
实施例8：
本发明提供一种基于大数据挖掘的安全网约车系统，网约车车内设有摄像头和录音系统， 副驾驶门及后排两个门门把手处设有报警装置，所述网约车内设有防屏蔽系统，所述防屏蔽 系统和摄像头及录音系统与后台连接。
作为一种优选的方案，所述摄像头为广角摄像头。
订单运行后，摄像头及录音系统打开，时刻录像及录音，直至订单结束。
防屏蔽系统包括信号发送器，信号发送器与后台时刻通讯，当后台与信号发送器之间的 数据断开时，后台自动监测，当数据断开时间超过十分钟，即可联动报警。
Claims (10)
1.一种基于大数据挖掘的安全网约车方法，其特征在于，网约车司机根据目标区域内乘客分析结果或司机分析结果自主选择前往目标区域，乘客用车时自主选择所在区域内符合条件的车辆，对订单进行预约，乘客预约好订单后，订单发送给后台，后台对乘客订单中出发地和目的地的位置进行路径规划设计出推荐路线，后台将推荐路线与订单一起发送给司机，司机确认订单，双方达成一致后订单生效，通过后台给出的双方联系方式进行位置及其他信息确认，同时后台对订单进行监控；订单结束后，双方延迟互评，延迟时间由系统或乘客自主设置。
2.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，乘客分析结果和司机分析结果分别通过对乘客实时数据和司机实时数据分析、筛选建立形成对应的统计图、散点图、热力图建立所得，乘客分析结果和司机分析结果为动态可视化模型；
所述乘客分析结果可以预测某区域固定时间段内乘客的数量，所述司机分析结果显示某区域内其他网约车司机实时定位和动态仿真；所述司机分析结果图发送给乘客，所述司机分析结果图和乘客分析结果图都发送给司机。
3.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，乘客对订单进行预约时，可以查看固定区域内周围的所有司机，当点中其中一个司机头像后，即显示司机到达乘客位置所需要的时间，同时乘客可以查询所选司机基本信息，最后选中自己满意的司机，预约好的订单信息发送给司机；
所述基本信息包括司机工号、信誉度、最近订单完成情况及路线完成度；所述订单完成情况包括一定时间内取消预约过的订单数；所述路线完成度即司机按照平台推荐路线行驶的记录。
4.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，当有多个乘客选择同一个司机时，进入司机反选阶段，所述反选为司机根据乘客基本信息从选择他的乘客中选择一位满意乘客进行订单匹配，所述乘客基本信息包括好评率、违约率、取消订单率、投诉率及其他司机对该乘客的评价，以此决定是否接受该乘客订单；当司机接受订单后，后台实施订单，当司机拒绝订单后，后台通知乘客重新选择司机。
5.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，司机和乘客均无法提前获知对方联系方式，当司机到达乘客5公里范围内时，司机方可获得后台给出的乘客联系方式，所述联系方式为加密后的手机号码，所述联系方式有效期为五分钟，每五分钟进行一次重新加密和更换，当乘客取消订单时，司机无法或者乘客联系方式。
6.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，当双方订单确认实施后，乘客取消订单而司机未取消订单，乘客可向后台申请异常处理，所述异常处理为后台对司机和乘客分别进行定位并且与系统推荐路线进行比对，以此判断是否为司机违规操作。
7.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，网约车司机可自主选择是否按照推荐路线行驶车辆，当不按照推荐路线行驶车辆时，后台会向乘客发出确认，当乘客同意司机操作时，订单正常执行，当乘客不同意司机操作时，订单自动结束。
8.根据权利要求1所述的一种基于大数据挖掘的安全网约车方法，其特征在于，所述后台对订单进行异常监控包括对行驶路线偏离的监控和对异常停留的监控；所述对行驶路线偏离的监控即司机开车途中是否偏离推荐路线，所述对异常停留的监控即车辆长时间的异常停车行为；当后台监控到订单异常后，对乘客进行警示提醒并且要求乘客上传所处环境视频，同时提醒司机其行为已进入异常监管范围。
9.一种基于大数据挖掘的安全网约车系统，其特征在于，包括后台、司机客户端、乘客客户端；后台通过大数据分别生成司机动态可视化模型的分析结果和乘客动态可视化模型的分析结果，后台将司机动态可视化模型的分析结果和乘客动态可视化模型的分析结果传递至司机客户端，后台将司机动态可视化模型的分析结果传递至乘客客户端，乘客通过乘客客户端预约订单后，订单数据传递至后台，后台通过对目的地和出发地进行路径规划设计出推荐路线，后台将推荐路线和乘客的预约订单发送至司机客户端，司机通过司机客户端中展示的乘客基本信息，选择所想选择的乘客进行订单确认；司机确认订单后订单自动执行，后台对异常订单进行实时监控，同时开启车内监控装置。
10.根据权利要求9所述的一种基于大数据挖掘的安全网约车系统，其特征在于，车内监控装置包括摄像头和录音系统，副驾驶门及后排两个门门把手处设有报警装置，所述网约车内设有防屏蔽系统，所述防屏蔽系统、摄像头和录音系统与后台连接，所述摄像头为广角摄像头，所述防屏蔽系统包括信号发送器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811074565.9A CN109255457A (zh) | 2018-09-14 | 2018-09-14 | 基于大数据挖掘的安全网约车方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811074565.9A CN109255457A (zh) | 2018-09-14 | 2018-09-14 | 基于大数据挖掘的安全网约车方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109255457A true CN109255457A (zh) | 2019-01-22 |
Family
ID=65048438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811074565.9A Withdrawn CN109255457A (zh) | 2018-09-14 | 2018-09-14 | 基于大数据挖掘的安全网约车方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255457A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009131A (zh) * | 2019-02-28 | 2019-07-12 | 河海大学 | 一种考虑多因素影响的网约车派单方法 |
| CN110197417A (zh) * | 2019-05-22 | 2019-09-03 | 未来（北京）黑科技有限公司 | 移动轨迹的处理方法及装置、存储介质、电子装置 |
| CN110473055A (zh) * | 2019-07-18 | 2019-11-19 | 拉货宝网络科技有限责任公司 | 一种销售订单到运输订单的管理平台及方法 |
| CN110782066A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种行车路线确定方法、装置及介质 |
| CN111652511A (zh) * | 2020-06-04 | 2020-09-11 | 桂林电子科技大学 | 一种基于区块链技术的网约车管理系统及方法 |
| CN111967725A (zh) * | 2020-07-23 | 2020-11-20 | 汉海信息技术(上海)有限公司 | 输出提示信息的方法、终端、服务器、设备及存储介质 |
| CN111986470A (zh) * | 2020-07-20 | 2020-11-24 | 汉海信息技术(上海)有限公司 | 网约车安全监控方法、装置、电子设备及存储介质 |
| CN111985989A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 共享车辆用车订单的生成方法及装置 |
| CN112002102A (zh) * | 2020-09-04 | 2020-11-27 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其系统 |
| CN112418471A (zh) * | 2021-01-25 | 2021-02-26 | 南京领行科技股份有限公司 | 网约车的行驶监测方法、装置、电子设备及存储介质 |
| CN112580945A (zh) * | 2020-12-08 | 2021-03-30 | 吉首大学 | 基于多相关系数的派单方法及车辆调度优化系统 |
| CN112819580A (zh) * | 2021-01-29 | 2021-05-18 | 北京瞰瞰科技有限公司 | 智能化订单生成方法、服务器、乘客端及存储介质 |
| WO2021121355A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Safety geofence zone deployment |
| CN113222379A (zh) * | 2021-04-29 | 2021-08-06 | 广州宸祺出行科技有限公司 | 一种基于车辆状况进行网约车订单匹配的方法及系统 |
| CN113395394A (zh) * | 2021-06-10 | 2021-09-14 | 首约科技(北京)有限公司 | 一种检测网约车行程安全的预警方法 |
-
2018
- 2018-09-14 CN CN201811074565.9A patent/CN109255457A/zh not_active Withdrawn
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009131B (zh) * | 2019-02-28 | 2020-12-25 | 河海大学 | 一种考虑多因素影响的网约车派单方法 |
| CN110009131A (zh) * | 2019-02-28 | 2019-07-12 | 河海大学 | 一种考虑多因素影响的网约车派单方法 |
| CN110197417A (zh) * | 2019-05-22 | 2019-09-03 | 未来（北京）黑科技有限公司 | 移动轨迹的处理方法及装置、存储介质、电子装置 |
| CN110197417B (zh) * | 2019-05-22 | 2022-04-05 | 未来（北京）黑科技有限公司 | 移动轨迹的处理方法及装置、存储介质、电子装置 |
| CN111985989A (zh) * | 2019-05-24 | 2020-11-24 | 北京车和家信息技术有限公司 | 共享车辆用车订单的生成方法及装置 |
| CN110473055A (zh) * | 2019-07-18 | 2019-11-19 | 拉货宝网络科技有限责任公司 | 一种销售订单到运输订单的管理平台及方法 |
| CN110782066A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种行车路线确定方法、装置及介质 |
| US11246005B2 (en) | 2019-12-20 | 2022-02-08 | Beijing Didi Infinity Technology And Development Co., Ltd. | Safety geofence zone deployment |
| WO2021121355A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Safety geofence zone deployment |
| CN111652511B (zh) * | 2020-06-04 | 2023-08-11 | 桂林电子科技大学 | 一种基于区块链技术的网约车管理系统及方法 |
| CN111652511A (zh) * | 2020-06-04 | 2020-09-11 | 桂林电子科技大学 | 一种基于区块链技术的网约车管理系统及方法 |
| CN111986470A (zh) * | 2020-07-20 | 2020-11-24 | 汉海信息技术(上海)有限公司 | 网约车安全监控方法、装置、电子设备及存储介质 |
| CN111967725A (zh) * | 2020-07-23 | 2020-11-20 | 汉海信息技术(上海)有限公司 | 输出提示信息的方法、终端、服务器、设备及存储介质 |
| CN112002102A (zh) * | 2020-09-04 | 2020-11-27 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其系统 |
| CN112002102B (zh) * | 2020-09-04 | 2021-09-14 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其系统 |
| CN112580945A (zh) * | 2020-12-08 | 2021-03-30 | 吉首大学 | 基于多相关系数的派单方法及车辆调度优化系统 |
| CN112418471A (zh) * | 2021-01-25 | 2021-02-26 | 南京领行科技股份有限公司 | 网约车的行驶监测方法、装置、电子设备及存储介质 |
| CN112819580A (zh) * | 2021-01-29 | 2021-05-18 | 北京瞰瞰科技有限公司 | 智能化订单生成方法、服务器、乘客端及存储介质 |
| CN113222379A (zh) * | 2021-04-29 | 2021-08-06 | 广州宸祺出行科技有限公司 | 一种基于车辆状况进行网约车订单匹配的方法及系统 |
| CN113222379B (zh) * | 2021-04-29 | 2024-05-31 | 广州宸祺出行科技有限公司 | 一种基于车辆状况进行网约车订单匹配的方法及系统 |
| CN113395394A (zh) * | 2021-06-10 | 2021-09-14 | 首约科技(北京)有限公司 | 一种检测网约车行程安全的预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255457A (zh) | 基于大数据挖掘的安全网约车方法及系统 | |
| CN111210618B (zh) | 自动网联公交道路系统 | |
| Elkosantini et al. | Intelligent public transportation systems: A review of architectures and enabling technologies | |
| Liu et al. | Corridor-based emergency evacuation system for Washington, DC: system development and case study | |
| Liu et al. | Dynamic shared autonomous taxi system considering on-time arrival reliability | |
| CN105843810A (zh) | 一种规划出行路线的方法和设备 | |
| CN112005562B (zh) | 使用实时位置数据确定车辆拥挤度的方法、计算系统和计算机可读介质 | |
| CN110149593A (zh) | 基于移动台信令的路网客流状态辨识方法 | |
| Korablev et al. | Developing a traffic management system architecture model | |
| Shankaran et al. | Intelligent Transport Systems and Traffic Management | |
| Zhou et al. | Location of transit-oriented development stations based on multimodal network equilibrium: Bi-level programming and paradoxes | |
| Aziz et al. | Synthesis study on transitions in signal infrastructure and control algorithms for connected and automated transportation | |
| Isukapati et al. | Analysis of trends in data on transit bus dwell times | |
| Trivedi et al. | Componentry analysis of intelligent transportation systems in smart cities towards a connected future | |
| Makhloga | IMPROVING INDIA’S TRAFFIC MANAGEMENT USING INTELLIGENT TRANSPORTATION SYSTEMS | |
| Agarwal et al. | Intelligent traffic solutions (role of machine learning and machine reasoning) | |
| Talih et al. | A brief survey on cooperative intelligent transportation systems and applications | |
| Chan | Telecommunications-and information technology–inspired analyses: review of an intelligent transportation systems experience | |
| Smith et al. | Transportation systems management and operations in smart connected communities | |
| Tica et al. | Analytics Use Cases for Landside Traffic Optimization in the Catchment Area of the Airport: Case Study of Zagreb Airport | |
| Brown et al. | Smart Intersections: A Pathway to Resilient and Sustainable Cities | |
| Purser | Exploring Travel Time Reliability Using Bluetooth Data Collection: Case Study In San Luis Obispo, California | |
| Hamilton | Improving traffic movement in an urban environment | |
| Peleteiro et al. | Modelling and simulating a dynamic carpooling system for improving citizens mobility | |
| Tu et al. | Application and Research of V2X Vehicle Road Collaboration Technology |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190122 |