CN109416823A - 用于确定司机安全分的系统和方法 - Google Patents

用于确定司机安全分的系统和方法 Download PDF

Info

Publication number
CN109416823A
CN109416823A CN201780039729.1A CN201780039729A CN109416823A CN 109416823 A CN109416823 A CN 109416823A CN 201780039729 A CN201780039729 A CN 201780039729A CN 109416823 A CN109416823 A CN 109416823A
Authority
CN
China
Prior art keywords
data
history
driver
target signature
car accident
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.)
Pending
Application number
CN201780039729.1A
Other languages
English (en)
Inventor
陈皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN109416823A publication Critical patent/CN109416823A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Technology Law (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)

Abstract

一种用于确定与司机相关联的安全分的方法和系统。该方法包括：获取与目标司机的标识相关联的历史交通服务交易数据(510)；基于历史交通服务交易数据，获取至少一个目标特征(520)；获取用于确定司机安全分的估计模型(530)；基于估计模型和目标特征，确定与目标司机相关联的安全分(540)；基于安全分，提供与司机签订合同的提议(550)。

Description

用于确定司机安全分的系统和方法
技术领域
本申请一般涉及机器学习，尤其涉及用于确定司机的安全分的系统和方法。
背景技术
在线按需运输服务，例如在线打车，越来越受欢迎。滴滴出行TM等应用平台更注重司机的驾驶安全性。目前，驾驶安全性主要基于传统的样本访谈和/或问卷调查，而没有适当的技术和/或成熟的模型算法。时效性和覆盖范围有限，难以轻易确定与司机相关的驾驶安全性。
发明内容
根据本申请的一个方面，提供了一个系统。该系统可以包括存储一组指令的计算机可读存储介质，该指令用于提供与目标司机签订合同的提议。该系统还可以包括与计算机可读存储介质通信的处理器，其中当执行该组指令时，处理器可以用于：获取与目标司机的标识相关联的历史交通服务交易数据；根据历史交通服务交易数据，提取至少一个目标特征；获取估计模型，用于估算在运输服务期间反映对司机的安全预期的安全分；基于估计模型和至少一个目标特征，确定与目标司机相关联的安全分；以及根据安全分，提供与目标司机签订合同的提议。
根据本申请的另一个方面，提供了一个方法。该方法涉及确定与目标司机相关联的安全分的方法。该方法可以包括：通过至少一台计算机获取与目标司机的标识相关联的历史交通服务交易数据；基于历史交通服务交易数据，通过至少一台计算机，提取至少一个目标特征；通过至少一台计算机获取估计模型，用于估计在运输服务期间反映对司机的安全预期的安全分数；基于估计模型和至少一个目标特征，通过至少一台计算机，确定与所述目标司机相关联的安全分；以及基于安全分，通过至少一台计算机，提供与目标司机签订合同的提议；
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1是根据本申请的一些实施例所示的按需服务系统的示例性系统的框图；
图2是根据本申请的一些实施例所示的示例性的计算设备的示意图；
图3是根据本申请的一些实施例所示的示例性处理器的框图；
图4是根据本申请的一些实施例所示的示例性特征筛选模块的框图；
图5是根据本申请的一些实施例所示的用于确定与目标司机相关联的安全分的示例性过程的流程图；
图6是根据本申请的一些实施例所示的用于确定估计模型的示例性过程的流程图；
图7是根据本申请的一些实施例所示的用于确定训练数据的示例性过程的流程图；
图8是根据本申请的一些实施例所示的用于确定历史目标特征的示例性过程的流程图；以及
图9是根据本申请的一些实施例所示的用于训练估计模型的示例性过程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述，本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
此外，虽然本申请描述的系统和方法主要是关于分配一组可分享订单，但是也应当理解的是，这仅仅是一个示例性的实施例。本申请的系统或方法可以应用于任何其他类型的按需服务。例如，本申请的系统和方法还可应用于包括陆地、海洋、航空和航空等或其任意组合的不同运输系统。所述运输系统的交通工具可以包括出租车、私家车、顺风车、公交车、火车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶的车辆等或其任意组合。所述运输系统也可以包括应用管理和/或分配的任一运输系统，例如，发送和/或接收快递的系统。本申请的系统或方法的应用场景可包括网页、浏览器插件、客户端、客户系统、内部分析系统、人工智能机器人等或其任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可互换使用，指可以请求或订购服务的个人或实体。此外，本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可互换使用，以指代可提供服务或促进提供服务的个人或实体。本申请中的词语“用户”可以指代可以请求服务、订购服务、提供服务或促进提供服务的个体、实体或工具。例如，用户可以是乘客、司机、操作者等或其任意组合。在本申请中，“乘客”、“乘客终端”和“用户终端”可以互换使用，“司机”和“司机终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可以用于表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求，并且可以互换使用。该服务请求可以被乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应者中的任一者接受。服务请求可以是计费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(无线网络)定位技术等或其任意组合。上述定位技术中的一种或以上可以在本申请中互换使用。
本申请的一个方面涉及用于确定司机(例如出租车司机)的安全分数的在线系统和方法，以便向司机提供诸如汽车保险或分配商业机会的服务。为此，在线按需服务平台可以首先获取目标司机的驾驶历史；然后从他/她的驾驶历史中提取司机的安全相关特征；确定目标司机的安全分。平台可以基于安全分给目标司机提供汽车保险或出租车驾驶服务。由于这些功能被预先批准为与司机的安全预期高度相关，因此安全分对于在线服务平台分配新订单或高质量订单具有一定的参考价值。当目标司机购买保险时，对于系统确定是否提供折扣也可能是有用的。
值得注意的是，技术问题和解决方案植根于在线按需服务，这是一种仅植根于后互联网时代的新型服务。它提供给用户的技术解决方案，只有在后互联网时代才产生。在互联网时代之前，当使用者在街道上呼叫一辆出租车时，出租车预定请求和接受只能在乘客和一个看见该乘客的出租车司机之间发生。如果乘客通过电话呼叫一辆出租车，出租车预定请求和接受只能在该乘客和服务提供者(例如，出租车公司或代理)之间发生。此外，与司机相关的驾驶安全性不适用于乘客或保险公司。然而，在线出租车允许一个使用者实时地和自动地向与该使用者相距一段距离的大量的个别服务提供者(例如，出租车司机)分配服务请求。它同时允许至少两个服务提供者同时地和实时地对该服务请求进行响应。此外，与司机相关的安全分可用于在线按需运输系统和/或保险公司。因此，通过互联网，在线按需运输系统可以为用户和服务提供者提供更高效的交易平台，并且保险公司还可以基于安全分给司机提供折扣，这在传统的互联网前运输服务系统中可能永远不会满足。
图1是根据一些实施例所示的示例性的按需服务系统100的框图。按需服务系统100可以包括用于运输服务的在线运输服务平台，例如出租车、司机服务、快车、拼车、公共汽车服务、司机雇佣和班车服务。按需服务系统100可以是在线平台，包括服务器110、网络120、一个或以上用户终端(例如，一个或以上乘客终端130、司机终端140)和数据存储器150。服务器110可以包括处理引擎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。所述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可以是分布式的系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，通过网络120，服务器110可以访问存储在乘客终端130、司机终端140和/或数据存储器150中的信息和/或数据。又例如，服务器110可以直接连接到乘客终端130、司机终端140和/或数据存储器150，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。在一些实施例中，服务器110可以在本申请中的图2所示的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请中描述的一个或以上功能。例如，处理引擎112可以基于从乘客终端130获取的服务请求，通过安全分来确定目标司机。在一些实施例中，所述处理引擎112可包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理引擎112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务系统100中的一个或以上组件(例如，服务器110、乘客终端130、司机终端140和数据存储器150)可以通过网络120将信息和/或数据发送到按需服务系统100中的其他组件。例如，服务器110可以通过网络120，基于安全分与目标司机签订合同。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2……通过接入点，按需服务系统100的一个或以上部件可以连接到网络120，以交换数据和/或信息。
在一些实施例中，服务请求者可以是乘客终端130的用户。在一些实施例中，乘客终端130的可以是服务请求者以外的其他人。例如，乘客终端130的用户A可以使用乘客终端130，为用户B发送一个服务请求或从服务器110接收服务和/或信息或指令。在一些实施例中，提供者可以是司机终端140的用户。在一些实施例中，司机终端140的用户可以是提供者外的其他人。例如，司机终端140的用户C可以使用服务方终端140，为用户D接收服务请求和/或从服务器110接收信息或指令。
在一些实施例中，乘客终端130可以包括移动设备130-1、平板计算机130-2、笔记本电脑130-3、机动车辆的内置设备130-4等或其任意组合。在一些实施例中，移动设备130-1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、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、掌上电脑(PDA)、游戏设备、导航设备、销售终端(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中，机动车辆的内置设备130-4可以包括车载计算机或车载电视等。在一些实施例中，乘客终端130可以是用于存储服务请求者和/或乘客终端130的服务交易数据的设备。在一些实施例中，乘客终端130可以是具有定位技术的设备。所述定位技术可以用于确定服务请求者和/或乘客终端130的位置。
在一些实施例中，司机终端140可以是与乘客终端130类似或者相同的设备。在一些实施例中，司机终端140可以是用于存储司机和/或司机终端140的服务交易数据的设备。在一些实施例中，司机终端140可以是具有定位技术的设备，用于定位服务提供者和/或司机终端140的位置。在一些实施例中，乘客终端130和/或司机终端140可以与其他定位设备通信以确定服务请求者、乘客终端130、司机和/或司机终端140的位置。在一些实施例中，乘客终端130和/或司机终端140可以将定位信息发送至服务器110。
数据存储器150可以存储数据和/或指令。在一些实施例中，数据存储器150可以存储从乘客终端130和/或司机终端140获取的数据。在一些实施例中，数据存储器150可以存储与乘客终端130和/或司机终端140相关联的与车辆事故有关的数据。与车辆事故有关的数据可以包括车辆事故赔偿数据。数据存储器150可以通过网络120从第三方(例如，交通部门、保险机构等)获取与车辆事故有关的数据。在一些实施例中，数据存储器150可以储存服务器110用来执行或使用来完成本申请描述的示例性方法的数据及/或指令。在一些实施例中，存储器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、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性随机存取存储器可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模式只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、带电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，数据存储器150可以在云端平台上执行。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。
在一些实施例中，数据存储器150可以连接到网络120，与按需服务系统100中的一个或以上组件(例如，服务器110、乘客终端130、司机终端140)通信。按需服务系统100中的一个或以上组件，可以通过所述网络120访问数据存储库150中的数据或指令。在一些实施例中，数据存储器150可以直接连接到按需服务系统100中的一个或以上组件(例如，服务器110、乘客终端130、司机终端140)或与之通信。在一些实施例中，数据存储器150可以是服务器110的一部分。
在一些实施例中，按需服务系统100中的一个或以上组件(例如，服务器110、用户终端)可以具有访问数据存储器150的许可。在一些实施例中，当满足一个或以上条件时，按需服务系统100的一个或以上组件可以读取和/或修改与服务请求者、司机和/或大众相关联的信息。例如，在完成一个服务后，服务器110可以读取和/或修改一个或以上用户的信息。又例如，当从乘客终端130接收到服务请求时，司机终端140可以存取与所述请求者相关信息，但司机终端140不能修改所述服务请求者的相关信息。
在一些实施例中，按需服务系统100的一个或以上组件的信息交换可以通过请求服务的方式实现。服务请求的对象可以为任何产品。在一些实施例中，产品可以是有形产品或无形产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等，或其任何组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等，或其任何组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等或其任意组合。移动终端可以包括平板计算机、手提式计算机、移动电话、掌上电脑(PDA)、智能手表、POS设备、车载计算机、车载电视、可穿戴设备等或其任意组合。例如，产品可以是在计算机或移动电话上使用的任一软件和/或应用。该软件和/或应用可以与社交、购物、交通、娱乐、学习、投资等，或其任意组合相关。在一些实施例中，所述与运输有关的软件和/或应用可以包括出行软件和/或应用、车辆调度软件和/或应用、地图软件和/或应用等。在车辆调度软件和/或应用中，车辆可包括马、马车、人力车(例如，独轮车、自行车、三轮车等)、汽车(例如，出租车、公共汽车、私人汽车等)、火车、地铁、船舶、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球等)或其任意组合。
图2是根据本申请的一些实施例所示的计算设备200的示例性硬件和软件部件的示意图。服务器110、乘客终端130和/或司机终端140可在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可以是通用计算机或专用计算机。这两种计算机都可以用于实现本申请披露的按需服务系统。计算设备200可以被用于实现当前描述的按需服务系统的任一组件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见，图中只绘制了一台计算机，但是其中所描述的按需服务的相关计算机功能是可以以分布的方式，由一组相似的平台所实施，以分散系统的处理负荷。
例如，计算设备200可以包括与网络相连接的通信端口250，以实现数据通信。计算设备200还可以包括中央处理器(CPU)220，其可以以一个或以上处理器的形式执行程序指令。示例性的计算机平台可以包括内部通信总线210、不同形式的程序存储器以及数据存储器，例如，磁盘270和只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算机平台可以包括存储在只读存储器230、随机存取存储器240和/或其他类型的非暂时性存储介质中的由中央处理器220执行的程序指令。
本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括输入/输出组件260，用于支持计算机与此处其他组件例如用户接口元素280之间的输入/输出。计算设备200也可以通过网络通信，接收程序和数据。
计算设备200还可以包括与硬盘相连的硬盘控制器、与小键盘/键盘相连的小键盘/键盘控制器、与串行外围设备相连的串行接口控制器、与并行外围设备相连的并行接口控制器、与显示器相连的显示控制器等或其任何组合。
仅仅为了说明，计算设备200中仅示例性描述了一个CPU和/或处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个CPU和/或处理器，因此本申请中描述的由一个CPU和/或处理器实现的操作和/或方法也可以共同地或独立地由多个CPU和/或处理器实现。例如，如果在本申请中，计算设备200的CPU和/或处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行(例如，第一处理器执行步骤A，第二处理器执行步骤B或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请的一些实施例所示的示例性处理器300的框图。处理器300可以在服务器110、用户终端(例如，乘客终端130、司机终端140)和/或数据存储器150中实现。在一些实施例中，处理器300可包括交易数据获取模块310、赔偿数据获取模块320、特征提取模块330、特征筛选模块340、证据权重(WOE)确定模块350、模型确定模块360、安全分确定模块370，以及通信模块380。
一般而言，如本文中使用的“模块”一词是指包含于软件或固件中的逻辑体现或软件指令的集合。本文中描述的模块可以作为软件及/或硬件模块实施，并且可以储存于任何形式的非暂时性的计算机可读介质或其他存储设备。在一些实施例中，软件模块可以编译或链接至可执行程序中。可以理解的是，软件模块可以从其它模块或由它们自己调用，和/或可以基于检测到的事件或中断被调用。在计算设备上(例如，处理器300)执行的软件模块可以被存储在计算机可读介质上，如光盘、数字视频光盘、闪存驱动器、磁盘，或其他任何有形的介质，或作为数字下载(可以以压缩或安装格式进行存储，所述压缩或安装格式在执行之前需要安装、解压或解密)。软件代码可以全部或部分存储于执行计算设备的存储设备中，所述软件代码可以由计算设备执行。软件指令可以嵌入固件，例如可擦除可编程只读存储器。可以进一步理解的是，硬件模块可以包括连接逻辑电路，例如，门和触发器，和/或可以包括可编程单元，例如可编程门阵列或处理器。本申请所描述的模块或计算设备功能优选地作为软件模块实现，但可以用硬件或固件来表示。一般而言，本文中描述的模块指可以与其他模块组合或分成子模块的逻辑模块，而不管其物理组织或存储。
交易数据获取模块310可以获取与司机相关联的运输服务交易数据。在一些实施例中，交易数据获取模块310可以从数据存储器150获取运输服务交易数据。
赔偿数据获取模块320可以获取与一个或以上司机相关联的车辆事故赔偿数据。在一些实施例中，赔偿数据获取模块320可以从数据存储器150获取车辆事故赔偿数据。
特征提取模块330可以提取运输服务交易数据的特征。
特征筛选模块340可以从特征提取模块330提取的特征中选择一个或以上目标特征。目标特征与估计与司机相关的安全分有关。
WOE确定模块350可以确定从运输服务交易数据中提取的特征的证据权重。
模型确定模块360可以基于由交易数据获取模块310和/或赔偿数据获取模块320获取的训练数据，确定用于确定司机的安全分数的估计模型。
安全分确定模块370可以基于估计模型，确定司机的安全分。
通信模块380可以基于与司机相关联的安全分，提供与司机签订合同的提议。提议可包括车辆呼叫请求、价格请求(与车辆保险、人寿保险、奖励评估等相关联)等，或其任何组合。
本领域的普通技能人员可以理解，当按需服务系统100的组件执行功能时，该组件可通过电信号和/或电磁信号执行功能。例如，当乘客终端130向服务器110发出服务请求时，乘客终端130的处理器可以生成编码该请求的电信号。然后，乘客终端130的处理器可以将电信号发送到输出端口。若乘客终端130通过有线网络与服务器110通信，则输出端口可以物理形式连接至电缆，其进一步将电信号传输给服务器110的输入端口。如果乘客终端130通过无线网络与服务器110通信，则乘客终端130的输出端口可以是一个或以上天线，其将电信号转换为电磁信号。类似地，司机终端140可以通过电信号或电磁信号，从服务器110接收指令和/或服务请求。在电子设备中，如乘客终端130、司机终端140和/或服务器110中，当其处理器处理指令、发出指令和/或执行操作时，该指令和/或该操作通过电信号来执行。例如，当处理器从存储介质中检索或保存数据时，它可以向存储介质的读/写设备发送电信号，以读或写存储介质中的结构数据。该结构化数据可以电信号的形式通过电子设备的总线，传输至处理器。此处，电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图4是根据本申请的一些实施例所示的示例性特征选择模块400的框图。特征选择模块400可以包括WOE确定单元410、信息值(IV)确定单元420和排序单元430。
WOE确定单元410可以确定从历史交通服务交易数据中提取的每个历史特征的证据权重。
IV确定单元420可以基于历史特征的WOE，确定从历史交通服务交易数据提取的历史特征的信息值(IV)。
排序单元430可以对历史IV进行排序以基于任何合适的标准和/或准则来确定历史目标特征。
图5是根据本申请的一些实施例所示的用于确定与目标司机相关联的安全分的示例性程序500的流程图。程序500可以由图1-4中介绍的按需服务系统执行。例如，程序500可以实现为存储在按需服务系统的非暂时性存储介质中的一个或以上指令。当按需服务系统的处理器300执行该组指令时，该组指令可以指示处理器300执行该过程的以下步骤。
在步骤510，处理器300(例如，交易数据获取模块310)可以获取与目标司机的标识相关联的历史交通服务交易数据。
目标司机可以是从在线按需服务系统接收提议的用户，例如出租车司机。
在一些实施例中，在线按需服务系统可以是在线出租车服务平台，例如滴滴出行TM。目标用户可以是在在线按需服务系统(例如，在线出租车服务平台)中登记的司机。当司机可用于接受订单(例如，运输服务请求)时，在线按需服务系统可以获取用户(例如，司机)的标识。在一些实施例中，在线按需服务系统可以包括在线保险服务系统。目标司机可以包括可以在在线按需服务系统(例如，在线保险服务系统)中购买保险(例如，车辆保险、人寿保险)的人。
目标司机的标识可以包括电话号码、电子邮件地址、头像、显示的名称(例如，昵称)、文档号码(例如，驾驶执照、标识证等)、第三方帐户等，或其任何组合。
历史交通服务交易数据可包括目标司机作为司机和/或乘客的信息。术语“作为司机”可以指目标司机，目标司机是私人司机或为了赚钱开车的人(例如，提供运输服务的司机)。术语“作为乘客”可以指目标司机乘坐车辆而不是驾驶车辆。历史交通服务交易数据可包括与目标司机相关联的简档数据、与目标司机相关联的历史交易的行为数据、与目标司机相关联的历史交通服务交易的交通数据等，或其任何组合。
在一些实施例中，与目标司机相关联的简档数据可以包括与目标司机和司机的车辆相关联的基本信息，例如司机的年龄、驾驶经历、与司机相关联的车辆年龄等。
在一些实施例中，与目标司机相关联的历史运输服务交易的行为数据可以包括里程数据、时间数据、速度数据、地理区域数据、评估数据、投诉数据、异常交易数据等。
在一些实施例中，与目标司机相关联的历史交易的交通数据可以包括道路状况、拥堵状况、天气状况等。
在一些实施例中，历史交通服务交易数据可以通过使用基于位置的服务应用(LBS)(例如，驾驶应用、地图应用、导航应用、社交媒体应用)来生成。
在一些实施例中，处理器300可以从数据存储器150或司机终端140获取历史交通服务交易数据。在一些实施例中，处理器300可以在参考时间段和/或预定时间段内获取历史交通服务交易数据。在一些实施例中，参考时间段可以是一年(例如，去年、本年度、最近一年)、一年的一半(例如，最近六个月、本年度的第一半)、四分之一年(例如，最近三个月、本年度的第二季)等，或其任何组合。
在步骤520，处理器300(例如，特征提取模块330)可以基于历史交通服务交易数据，获取至少一个目标特征。
目标特征可以用于估计目标司机的安全分。安全分可以反映运输服务期间对于目标司机的安全期望。例如，安全分数越高，司机可能发生的交通事故概率越低。因此，与具有较低的安全分的司机相比，具有较高安全分的司机可以更安全地驾驶。
因此，目标特征可包括驾驶里程、作为乘客的里程、目标司机提供运输服务的夜晚天数、特定时间段内(例如，最近两个月、最近六个月、最近一年)的投诉百分比、驾驶经验等，或其任何组合。与目标司机相关联的作为乘客的里程可以指目标司机乘坐车辆的行程长度。投诉的百分比可以指在特定时间段内没有投诉的运输服务交易数量与投诉数量的运输服务交易数量之间的比率。
在步骤520，处理器300(例如，WOE确定模块350)还可以确定每个目标特征的证据权重(WOE)。可以通过执行结合步骤820描述的一个或以上操作，确定目标特征的WOE。
在步骤530，处理器300可以获取用于确定司机的安全分的估计模型。估计模型可以是回归模型。回归模型可以包括普通的最小二乘模型、逻辑回归模型、逐步回归模型、多元自适应回归样条模型、局部估计的散点图平滑模型等。在一些实施例中，可以预先训练估计模型。替代地或另外地，可以实时地训练和/或更新估计模型。在一些实施例中，可以通过执行结合图6描述的一个或以上操作，获取估计模型。
在步骤540，处理器300(例如，安全分确定370)可以基于估计模型和目标特征，确定与目标司机相关联的安全分。在一些实施例中，处理器300可以基于估计模型和目标特征的WOE，确定与目标司机相关联的安全分。
在一些实施例中，安全分可以反映目标司机在参考时间段和/或预定时间段内将发生交通事故的概率。目标司机的交通事故概率Pd可以基于等式1确定：
Pd＝x1·v1+x2·v2+...+xn·vn+b， 等式1
其中，“xi”可以代表目标特征中的一个目标特征的WOE；“vi”可以表示基于估计模型确定的WOE的系数；“b”可以表示常数。系数可以指示目标特征在预测与目标司机相关联的安全分时的相对重要性。
在一些实施例中，处理器300可以进一步处理确定安全分的概率。安全分可以表示为数字格式(例如，从0到100、从0到10等)、字符格式(例如，A、B、C、D……)等。安全分可以反映出在运输服务期间对司机的安全期望。如果安全分从0到100出现，与具有65分的司机相比，具有安全分90的司机可能是更安全的司机。又例如，如果安全分别表示为A、B、C、D……则具有安全分A的司机与具有安全分C的司机相比可能是更安全的司机。为简洁起见，在本申请的以下描述中，安全分可以从0到100表示。
在步骤550，处理器300(例如，通信模块380)可以基于安全分提供与目标司机签订合同的提议。提议可以是车辆呼叫请求、与车辆保险相关的价格请求、人寿保险、奖励激励等，或其任何组合。
在一些实施例中，安全分可用于分配车辆呼叫订单。例如，与具有较低安全分数的司机相比，具有高安全分的司机可以被分配更多的运输服务订单和/或更高质量的运输服务订单。
在一些实施例中，安全分可用于提供购买保险的折扣。例如，具有安全分90的司机可以在购买车辆保险时提供85％的折扣，而具有安全分65的司机在购买车辆保险时可以不提供折扣。
在一些实施例中，安全分可以用于评估对司机的奖励激励。例如，与具有安全分65的司机相比，具有安全分90的司机可以获取更多的奖励激励。在一些实施例中，安全分可用于车辆租赁。例如，车辆租赁公司可以向具有较高安全分的租赁司机提供更大的折扣和/或更便宜的配额(例如，具有安全分90的司机可以免费租用车辆1小时)。
在一些实施例中，安全分可以用于管理驾驶执照分数。例如，如果司机的安全分数为100，则司机可以获取驾驶执照分数的加分。
图6是根据本申请的一些实施例所示的用于确定司机的安全分的估计模型的示例性程序600的流程图。程序600可以由图1-4中介绍的按需服务系统执行。例如，程序600可以实现为存储在按需服务系统的非暂时性存储介质中的一个或以上指令。当按需服务系统的处理器300执行该组指令时，该组指令可以指示处理器300执行该过程的以下步骤。
在步骤610，处理器300可以获取与至少两个司机的标识相关联的历史交通服务交易数据和历史车辆事故赔偿数据。
与至少两个司机相关联的历史交通服务交易数据可包括简档数据、历史交易的行为数据、历史交通服务交易的交通数据等或其任何组合。
在一些实施例中，与至少两个司机相关联的简档数据可以包括与至少两个司机和至少两个司机的车辆相关的基本信息，如司机的年龄、驾驶经验、与司机相关的车辆的车龄。
在一些实施例中，与至少两个司机相关联的历史运输服务交易的行为数据可包括里程数据、时间数据、速度数据、地理区域数据、评估数据、投诉数据、异常交易数据等。
在一些实施例中，与至少两个司机相关联的历史交易的交通数据可以包括道路状况、拥堵状况、天气状况等。
在一些实施例中，处理器300可以在预定的时间长度(即，参考时间段)内或在预定的时间段内获取历史交通服务交易数据和历史车辆事故赔偿数据。车辆事故补偿数据可以包括是否发生车辆事故赔偿、发生车辆事故赔偿的时间、在参考时间段和/或预定时间段期间发生车辆事故赔偿的次数等或者任何组合。参考时间段可以是一年(例如，去年、本年度、最近一年)、半年(例如，最近六个月、本年度的第一半)、一年的四分之一(例如，最近三个月、本年度的第二季度)等或其任何组合。
在一些实施例中，处理器300可以在同一步骤中获取历史交通服务交易数据和历史车辆事故赔偿数据。在一些实施例中，处理器300可以在不同步骤中获取历史交通服务交易数据和历史车辆事故赔偿数据。例如，处理器300可以首先获取历史交通服务交易数据，然后获取与历史交通服务交易数据相关联的历史车辆事故赔偿数据。
在步骤620，处理器300可以基于历史交通服务交易数据和历史车辆事故赔偿数据生成训练数据。
在一些实施例中，在步骤620，程序600可以进一步包括将训练数据分组为一个或以上组。处理器300可以使用不同组中的训练数据在不同阶段来训练估计模型。处理器300可以基于分组规则对训练数据进行分组。分组规则可以包括基于司机的驾驶经验(例如，驾驶车辆的年数和/或小时数)或其他规则、基于司机的不同年龄对训练数据进行分组。
在步骤630，处理器300(例如，模型确定模块360)可以基于训练数据确定估计模型。在一些实施例中，确定估计模型的方法和/或过程可包括若干阶段。通过若干阶段的训练，处理器300可以确定估计模型。然后，处理器300可以使用估计模型，确定与本申请中其他地方描述的过程500相关联的安全分。
图7是根据本申请的一些实施例所示的基于历史交通服务交易数据和历史车辆事故赔偿数据，确定训练数据的示例性程序700的流程图。程序700可以由图1-4中介绍的按需服务系统执行。例如，程序700可以实现为存储在按需服务系统的非暂时性存储介质中的一个或以上指令。当按需服务系统的处理器300执行该组指令时，该组指令可以指示处理器300执行该过程的以下步骤。
在步骤710，处理器300(例如，特征提取模块330)可以基于历史交通服务交易数据提取特征(在此也称为历史初始特征)。
在一些实施例中，历史初始特征可以包括与每个司机相对应的统计数据和/或基本数据。在一些实施例中、对应于每个司机的统计数据可包括里程数据、时间数据、速度数据、地理区域数据、评估数据、投诉数据、异常交易数据(例如，多个欺诈交易)等或其任何组合。里程数据可包括作为乘客的里程、本年度的驾驶里程、去年的驾驶里程、预定时间长度的驾驶里程等或其任何组合。在一些实施例中，时间数据可以包括司机本年度在夜晚提供运输服务的天数、司机去年在夜晚提供运输服务的天数、司机本年度在夜晚提供运输服务的百分比、司机去年在夜晚提供交通服务的百分比、司机在去年提供交通服务的忙碌天数、去年忙碌天数的百分比、本年度的忙碌天数、本年度的工作天数、去年的工作天数等或其任意组合。这里，忙碌的一天可以指代司机工作超过预定小时数的那一天。例如，如果司机当天工作超过8小时，则处理器300可以确定这一天是忙碌的一天。在一些实施例中，速度数据可包括去年的平均行驶速度、本年度的平均行驶速度、超速的次数、急转的次数、急加速的次数、急减速的次数等或其任何组合。在一些实施例中，地理区域数据可以包括司机经常出现的地理区域、司机的家和/或工作地所属的区域等。评价数据可以包括最近六个月中不同评价的百分比。在一些实施例中，评价可以呈现为一颗星、二颗星、三颗星等。更多的星可以代表更高的评价。评价还可以呈现为其他形式，例如(高、中、低)、(A、B、C……)等或其任何组合。在一些实施例中，投诉数据可以包括最近六个月、去年、本年度等中来自服务请求者的投诉的百分比或其任何组合。在一些实施例中，基本数据可以包括与司机相关联的车辆的年龄、驾驶经验、司机的年龄、作为在线出租车的运输服务平台中的司机的驾龄。
在步骤720，处理器300(例如，特征筛选模块340)可以从历史初始特征选择一个或以上历史目标特征。
在一些实施例中，可以基于与历史初始特征中的每一个历史初始特征相对应的WOE，选择历史目标特征。在一些实施例中，可以基于与历史初始特征中的每一个历史初始特征相关联的IV(信息值)，选择目标特征。在一些实施例中，历史目标特征可以通过执行在图8描述的一个或以上操作来获取。
在步骤730，处理器300(例如，WOE确定模块350)可以确定历史目标特征的历史WOE。
在一些实施例中，历史目标特征可以被划分为nc个类别，二元历史车辆事故赔偿数据可以采用值“好”或“坏”。如这里所使用的，术语“好”可以指在对应于历史目标特征的一个类别的条件下，发生车辆事故赔偿。术语“坏”可以指在对应于历史目标特征的一个类别的条件下，不发生车辆事故赔偿。可以结合对图8中的一类历史初始特征的WOE的确定来获取用于历史目标特征的一个类别的WOE。在一些实施例中，历史目标特征的WOE可以是历史目标特征中的各类别的WOE的总和。在一些实施例中，历史目标特征的WOE可以是历史目标特征中的各类别的WOE的绝对值的总和。
在步骤740，处理器300可以基于历史目标特征中每一个历史目标特征的历史WOE和历史车辆事故赔偿数据，确定训练数据。基于训练数据，处理器300可以确定估计模型。
图8是根据本申请的一些实施例所示的用于确定一个或以上历史目标特征的示例性程序800的流程图。程序800可以由图1-4中介绍的按需服务系统执行。例如，程序800可以实现为存储在按需服务系统的非暂时性存储介质中的一个或以上指令。当按需服务系统的处理器300执行该组指令时，该组指令可以指示处理器300执行该过程的以下步骤。
在步骤810，处理器300(例如，特征选择模块400中的WOE确定单元410)可以确定一个或以上历史初始特征的历史WOE。
对于每个历史初始特征，可以通过将“好”的百分比除以“坏”的百分比并取其商的自然对数来确定WOE。如这里所使用的，术语“好”可以指在对应于历史初始特征的条件下，发生车辆事故赔偿。术语“坏”可以指在对应于历史初始特征的条件下，不发生车辆事故赔偿。
在一些实施例中，历史初始特征可以被划分为nc个类别，二元车辆事故赔偿数据可以取值“好”或“坏”。历史初始特征的类别c的WOE可以表示为等式2：
其中，Gc是类别c中“好”的数量，Bc是类别c中“坏”的数量，是“好”的总数，并且是“坏”的总数，其中i是类别的索引。在一些实施例中，历史初始特征的WOE可以是历史初始特征中的各类别的WOE的总和。在一些实施例中，历史初始特征的WOE可以是历史初始特征中的各类别的WOE的绝对值的总和。
在步骤820，处理器300(例如，特征选择模块400中的IV确定单元410)可以基于历史初始特征的WOE确定历史初始特征的历史信息值(IV)。
IV可以表示历史初始特征估计安全分的能力。历史初始特征的IV可以表示为等式3：
其中，Gc是类别c中“好”的数量，Bc是类别c中“坏”的数量，是“好”的总数，并且是“坏”的总数，其中i是类别的索引。
在步骤830，处理器300(例如，特征选择模块400中的排序单元430)可以基于排序规则对历史IV进行排序。
排序规则可以包括从大到小或从小到大的排序。排序规则可以包括分别对与司机的简档数据相关联的特征和与司机的行为数据相关联的特征进行排序。
在步骤840，处理器300可以基于排序结果从历史初始特征中确定至少一个历史目标特征。
在一些实施例中，处理器300可以选择预定数量的历史初始特征作为历史目标特征。在一些实施例中，历史目标特征可以对应于预定数量的最大IV。预定数量的历史目标特征可包括1到50或大于50的数字。在一些实施方案中，预定数量可以是1至10、11至20、21至30、31至40、41至50等。在一些实施例中，历史目标特征可以对应于最大的五个IV。在一些实施例中，处理器400可以将IV属于预定范围的特征确定为目标特征。本申请可以不限制目标特征的数量。历史目标特征可以与估计司机的安全分相关联。在一些实施例中，历史目标特征可包括本年度的驾驶里程、作为乘客的里程、司机在夜晚提供运输服务的天数、一段时间内(例如，近六个月等)的投诉百分比、驾驶经验等或其任何组合。历史目标特征可以对应于图5中描述的目标特征。
图9是根据本申请的一些实施例所示的用于确定估计的示例性过程的流程图。程序900可以由图1到图4中介绍的按需服务系统执行。例如，程序900可以实现为存储在按需服务系统的非暂时性存储介质中的一个或以上指令。当按需服务系统的处理器300执行该组指令时，该组指令可以指示处理器300执行该过程的以下步骤。
在步骤910，处理器300(例如，交易数据获取模块310和赔偿数据获取模块320)可以获取历史交通服务交易数据和历史车辆事故赔偿数据。
在一些实施例中，处理器300可以从数据存储器150获取历史交通服务交易数据和历史车辆事故赔偿数据。历史交通服务交易数据和历史车辆事故赔偿数据可以与至少两个司机相关联。在一些实施例中，处理器300可以在同一步骤获取历史交通服务交易数据和历史车辆事故赔偿数据。在一些实施例中，处理器300可以在不同的步骤获取历史交通服务交易数据和历史车辆事故赔偿数据。
在步骤920，处理器300可以从历史运输服务交易数据和历史车辆事故赔偿数据中获取一些运输服务交易数据(这里也称为初始历史交通服务交易数据)和一些车辆事故赔偿数据(在此也称为初始历史车辆事故赔偿数据)。
在一些实施例中，处理器300可以提取历史交通服务交易数据和相应的历史车辆事故赔偿数据的一部分作为初始历史交通服务交易数据和初始车辆事故赔偿数据。在一些实施例中，处理器300可以基于分组规则将历史交通服务交易数据和历史车辆事故赔偿数据分组为一个或以上组。分组规则可以包括基于司机的不同驾驶经验或其他规则、基于司机的不同年龄对训练数据进行分组。处理器300可以将其中一个组中的数据确定为初始历史交通服务交易数据和初始历史车辆事故赔偿数据。
在步骤930，处理器300可以基于初始历史交通服务交易数据和初始历史车辆事故赔偿数据，生成初始训练数据。
在一些实施例中，处理器300可以从初始历史交通服务交易数据中提取一个或以上历史目标特征(在此也称为第一历史目标特征)，然后基于历史目标特征以及初始历史车辆事故赔偿数据，生成初始训练数据。在一些实施例中，处理器300可以为历史目标特征中的每一个历史目标特征确定WOE。处理器300然后可以基于对应于第一历史目标特征和初始历史车辆事故赔偿数据的WOE生成初始训练数据。例如，可以通过执行结合步骤810描述的一个或以上操作，确定第一历史目标特征的WOE。
在步骤940，处理器300(例如，模型确定模块360)可以基于初始训练数据，确定第一回归模型。第一回归模型可以包括普通最小二乘模型、逻辑回归模型、逐步回归模型、多元自适应回归样条模型、局部估计的散点图平滑模型等。
在步骤950，处理器300可以进一步从历史交通服务交易数据和历史车辆事故赔偿数据中，获取一些运输服务交易数据(在此也称为更新的历史交通服务交易数据)和一些车辆事故赔偿数据(在此也称为更新的历史车辆事故赔偿数据)。
可以通过执行结合步骤920描述的一个或以上操作，确定更新的历史交通服务交易数据和更新的历史车辆事故赔偿数据。更新的历史交通服务交易数据可以与初始历史交通服务交易数据不同。更新的历史车辆事故赔偿数据可以与初始历史车辆事故赔偿数据有所不同。
在步骤960，处理器300可以基于更新的历史交通服务交易数据和更新的历史车辆事故赔偿数据，生成更新的训练数据。
在一些实施例中，处理器300可以从更新的历史交通服务交易数据中提取一个或以上历史目标特征(在此也称为第二历史目标特征)，然后基于第二个历史目标特征和更新的历史车辆事故赔偿数据，生成更新的训练数据。在一些实施例中，处理器300可以为第二历史目标特征中的每一个历史目标特征确定WOE。然后，处理器300可以基于对应于第二历史目标特征和更新的历史车辆事故赔偿数据的WOE，生成更新的训练数据。
在步骤970，处理器300(例如，模型确定模块360)可基于更新的训练数据，确定第二回归模型。在一些实施例中，处理器300可以使用更新的训练数据来修改第一回归模型中的至少一个参数，确定第二回归模型。
在步骤980，处理器300可以确定是否满足匹配条件。如果满足匹配条件，则程序900可以转到步骤990，将第二回归模型确定为估计模型。如果不满足匹配条件，则程序900可以循环回到步骤950，获取更新的历史交通服务交易数据和更新的历史车辆事故赔偿数据，再次训练第二回归模型。
在一些实施例中，所述匹配条件可包括确定损失函数是否收敛为第一预定值。处理器300可以基于第一回归模型和/或第二回归模型，确定损失函数。如果损失函数收敛到第一预定值，则处理器300可以将第二回归模型确定为在步骤990的估计模型。如果损失函数没有收敛到第一预定值，则处理器300可以再次循环回到步骤950。
在一些实施例中，所述匹配条件可包括确定误差是否小于第二预定值。例如，处理器300可以从在步骤910获取的历史交通服务交易数据和相应历史车辆事故赔偿数据中选择一些数据，作为测试历史交通服务交易数据和测试历史车辆事故赔偿数据。测试历史交通服务交易数据可以与初始和/或更新的历史交通服务交易数据不同。测试历史车辆事故赔偿数据可以与初始和/或更新的历史车辆事故赔偿数据不同。处理器300可以基于测试历史交通服务交易数据和第二回归模型，确定估计的车辆事故赔偿数据。然后，处理器300可以基于估计的车辆事故赔偿数据和测试历史车辆事故赔偿数据，确定误差。如果误差小于第二预定值，则，在步骤990，处理器300可以将第二回归模型确定为的估计模型。如果误差不小于第二预定值，则处理器300可以再次循环回到步骤950。
在一些实施例中，匹配条件可包括确定误差是否小于第二预定值以及确定损失函数是否收敛于第一预定值。第二预定值和损失函数可以是任何合理的值。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的制程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“模块”、“单元”、“组件”、“设备”或“系统”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、设备或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等或任何上述介质的组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如，通过互联网使用互联网服务提供者)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)的。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，申请专利范围的特征要少于上述披露的单个实施例的全部特征。

Claims (20)

1.一种系统，包括：
计算机可读存储介质，存储一组指令，用于提供与司机签订合同的提议；
与所述计算机可读存储介质连接的处理器，其中，当执行所述指令集时，所述处理器用于：
获取与目标司机的标识相关的历史交通服务交易数据；
基于所述历史交通服务交易数据，提取至少一个目标特征；
获取估计模型，所述估计模型用于估算在运输服务期间反映对司机的安全预期的安全分数；
基于所述估计模型和所述至少一个目标特征，确定与所述目标司机相关的安全分；以及
基于所述安全分，提供与所述目标司机签订合同的提议。
2.根据权利要求1所述的系统，其特征在于，确定与所述目标司机相关联的所述安全分，所述处理器进一步用于：
确定对应于所述至少一个目标特征中的每一个目标特征的证据权重；以及
至少部分基于对应于所述至少一个目标特征中的每一个目标特征的所述证据权重，确定与所述目标司机相关联的所述安全分。
3.根据权利要求1所述的系统，其特征在于，为了获取所述估计模型，所述处理器用于：
获取与至少两个司机的标识相关的历史交通服务交易数据和历史车辆事故赔偿数据；
基于所述历史交通服务交易数据和所述历史车辆事故赔偿数据，生成训练数据；以及
基于所述训练数据，确定所述估计模型。
4.根据权利要求3所述的系统，其特征在于，所述处理器进一步用于：
将所述历史交通服务交易数据和历史车辆事故赔偿数据分为一个或以上组；
获取所述一个或以上组中的每一个组的历史交通服务交易数据和历史车辆事故赔偿数据；以及
基于与所述一个或以上组中的每一个组相关联的所述历史交通服务交易数据和所述历史车辆事故赔偿数据，生成所述训练数据。
5.根据权利要求3所述的系统，其特征在于，所述处理器进一步用于：
基于所述历史交通服务交易数据，提取历史初始特征；
从所述历史初始特征中筛选出一个或以上的历史目标特征；以及
基于所述历史目标特征和所述历史车辆事故赔偿数据，生成所述训练数据。
6.根据权利要求5所述的系统，其特征在于，为了生成所述训练数据，所述处理器用于：
确定对应于所述历史目标特征中的每一个历史目标特征的证据权重；以及
基于所述历史目标特征中的每一个历史目标特征对应的所述证据权重，生成所述训练数据。
7.根据权利要求5所述的系统，其特征在于，为了从所述历史初始特征中选择所述历史目标特征，所述处理器用于：
确定对应于所述历史初始特征中的每一个历史初始特征的证据权重；
基于对应于所述历史初始特征中的每一个历史初始特征的所述证据权重，确定与所述历史初始特征中的每一个历史初始特征相关联的信息值；以及
基于与所述历史初始特征相关的所述信息值，确定所述历史目标特征。
8.根据权利要求3所述的系统，其特征在于，为了确定所述估计模型，所述处理器用于：
从所述历史交通服务交易数据和所述历史车辆事故赔偿数据中识别初始历史交通服务交易数据和初始历史车辆事故赔偿数据；
基于所述初始历史交通服务交易数据和所述初始历史车辆事故赔偿数据，确定第一回归模型；
从所述历史交通服务交易数据和所述历史车辆事故赔偿数据中识别更新的历史交通服务交易数据和更新的历史车辆事故赔偿数据；以及
基于所述更新的历史交通服务交易数据和所述更新的历史车辆事故赔偿数据，修改所述第一回归模型以确定第二回归模型。
9.根据权利要求8所述的系统，其特征在于，所述处理器进一步用于：
基于所述第一回归模型或所述第二回归模型中的至少一个，确定匹配条件是否得到满足；以及
响应于确定所述匹配条件得到满足，确定所述第二回归模型为所述估计模型。
10.根据权利要求1所述的系统，其特征在于，所述估计模型包含逻辑回归模型。
11.一种方法，包括：
通过至少一台计算机获取与目标司机的标识相关联的历史交通服务交易数据；
基于所述历史交通服务交易数据，通过所述至少一台计算机提取至少一个目标特征；
通过所述至少一台计算机获取估计模型，所述估计模型用于估计在运输服务期间反映对司机的安全预期的安全分；
基于所述估计模型和所述至少一个目标特征，通过所述至少一台计算机确定与所述目标司机相关的安全分；以及
基于所述安全分，通过所述至少一台计算机提供与目标司机签订合同的提议。
12.根据权利要求11所述的方法，其特征在于，所述确定与所述目标司机相关的所述安全分进一步包括：
确定对应于所述至少一个目标特征中的每一个目标特征的证据权重；以及
至少部分基于对应于所述至少一个目标特征中的每一个目标特征的所述证据权重，确定与所述目标司机相关联的所述安全分。
13.根据权利要求11所述的方法，其特征在于，所述获取所述估计模型包括：
获取与至少两个司机的标识相关的历史交通服务交易数据和历史车辆事故赔偿数据；
基于所述历史交通服务交易数据和所述历史车辆事故赔偿数据，生成训练数据；以及
基于所述训练数据，确定所述估计模型。
14.根据权利要求13所述的方法，进一步包括：
将所述历史交通服务交易数据和历史车辆事故赔偿数据分为一个或以上组；
获取所述一个或以上组中的每一个组的历史交通服务交易数据和历史车辆事故赔偿数据；以及
基于与所述一个或以上组中的每一个组相关联的所述历史交通服务交易数据和所述历史车辆事故赔偿数据，生成所述训练数据，。
15.根据权利要求13所述的方法，进一步包括：
基于所述历史交通服务交易数据，提取历史初始特征；
从所述历史初始特征筛选出一个或以上的历史目标特征；以及
基于所述历史目标特征和所述历史车辆事故赔偿数据，生成所述训练数据。
16.根据权利要求15所述的方法，其特征在于，所述生成所述训练数据还包括：
确定与所述历史目标特征中的每一个历史目标特征相对应的证据权重；以及
基于所述历史目标特征中的每一个历史目标特征对应的所述证据权重，生成所述训练数据。
17.根据权利要求15所述的方法，其特征在于，所述从所述历史目标特征中选择所述历史目标特征包括：
确定与所述历史初始特征中的每一个历史初始特征相对应的证据权重；
基于对应于所述历史初始特征中的每一个历史初始特征的所述证据权重，确定与所述历史初始特征中的每一个历史初始特征相关联的信息值；以及
基于与所述历史初始特征相关的所述信息值，确定所述历史目标特征。
18.根据权利要求13所述的方法，其特征在于，所述确定所述估计模型包括：
从所述历史交通服务交易数据和所述历史车辆事故赔偿数据中识别初始历史交通服务交易数据和初始历史车辆事故赔偿数据；
基于所述初始历史交通服务交易数据和所述初始历史车辆事故赔偿数据，确定第一回归模型；
从所述历史交通服务交易数据和所述历史车辆事故赔偿数据中识别更新的历史交通服务交易数据和更新的历史车辆事故赔偿数据；以及
基于所述更新的历史交通服务交易数据和所述更新的历史车辆事故赔偿数据，修改所述第一回归模型以确定第二回归模型。
19.根据权利要求18所述的方法，进一步包括：
基于所述第一回归模型或所述第二回归模型中的至少一个，确定匹配条件是否得到满足；以及
响应于确定所述匹配条件得到满足，确定所述第二回归模型为所述估计模型。
20.根据权利要求11所述的方法，其特征在于，所述估计模型包含一个逻辑回归模型。
CN201780039729.1A 2017-04-18 2017-04-18 用于确定司机安全分的系统和方法 Pending CN109416823A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/080852 WO2018191856A1 (en) 2017-04-18 2017-04-18 System and method for determining safety score of driver

Publications (1)

Publication Number Publication Date
CN109416823A true CN109416823A (zh) 2019-03-01

Family

ID=63856157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780039729.1A Pending CN109416823A (zh) 2017-04-18 2017-04-18 用于确定司机安全分的系统和方法

Country Status (8)

Country Link
US (2) US10689002B2 (zh)
EP (1) EP3455822A4 (zh)
JP (1) JP2019532372A (zh)
CN (1) CN109416823A (zh)
AU (1) AU2017410523A1 (zh)
CA (1) CA3028479A1 (zh)
SG (1) SG11201811283PA (zh)
WO (1) WO2018191856A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390534A (zh) * 2019-06-04 2019-10-29 天津五八到家科技有限公司 网约车司机安全认证方法、装置、设备及存储介质
CN110428109A (zh) * 2019-08-07 2019-11-08 佳都新太科技股份有限公司 地铁屏蔽门故障间隔时间预测模型建立及预测方法
CN112085439A (zh) * 2020-08-20 2020-12-15 浙江万里学院 基于寄件网点智能分配的物流投保方法
CN112613056A (zh) * 2020-12-28 2021-04-06 浙江万里学院 基于区块链的物流信息管理方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017253A1 (ja) * 2017-07-18 2019-01-24 パイオニア株式会社 制御装置、制御方法、およびプログラム
US10895463B1 (en) 2018-01-24 2021-01-19 State Farm Mutual Automobile Insurance Company Systems and methods of monitoring and analyzing multimodal transportation usage
CA3028194A1 (en) 2018-11-16 2020-05-16 Beijing Didi Infinity Technology And Development Co., Ltd. Artificial intelligent systems and methods for identifying a drunk passenger by a car hailing order
CN110991781A (zh) * 2019-02-21 2020-04-10 北京嘀嘀无限科技发展有限公司 一种风险订单展示方法和系统
JP6982026B2 (ja) * 2019-05-17 2021-12-17 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN110197027B (zh) * 2019-05-28 2023-07-18 百度在线网络技术（北京）有限公司 一种自动驾驶测试方法、装置、智能设备和服务器
CN111861077A (zh) * 2019-08-22 2020-10-30 北京嘀嘀无限科技发展有限公司 一种用户驾驶习惯确定及服务信息推送方法和系统
US11841234B1 (en) * 2019-08-28 2023-12-12 State Farm Mutual Automobile Insurance Company Systems and methods for generating user offerings responsive to telematics data
US11720970B2 (en) * 2019-10-01 2023-08-08 SAMBA Safety, Inc. Systems and methods for providing automated driver evaluation from multiple sources
CN111552926A (zh) * 2020-04-28 2020-08-18 重庆长安新能源汽车科技有限公司 基于车联网的驾驶行为评价方法、系统及存储介质
CN111709665B (zh) * 2020-06-28 2024-04-26 腾讯科技（深圳）有限公司 车辆安全性的评估方法和装置
US11798321B2 (en) 2020-08-28 2023-10-24 ANI Technologies Private Limited Driver score determination for vehicle drivers
CN112183899A (zh) * 2020-11-04 2021-01-05 北京嘀嘀无限科技发展有限公司 确定安全度预测模型的方法、装置、设备和存储介质
CN113178071B (zh) * 2021-04-22 2022-04-29 深圳壹账通智能科技有限公司 驾驶风险等级识别方法、装置、电子设备及可读存储介质
US20230073502A1 (en) * 2021-04-29 2023-03-09 BlueOwl, LLC Systems and methods for adjusting a dynamic discount
WO2023243232A1 (ja) * 2022-06-16 2023-12-21 パナソニックＩｐマネジメント株式会社 データ分析装置、データ分析方法およびプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011726A (ja) * 2004-06-24 2006-01-12 Fujitsu Ten Ltd 配車システム
CN104200267A (zh) * 2014-09-23 2014-12-10 清华大学 一种车辆驾驶经济性评价系统及评价方法
CN105260932A (zh) * 2015-10-09 2016-01-20 浙江大学 一种交通安全隐性因子的信用评分方法
JP5889761B2 (ja) * 2012-09-25 2016-03-22 ヤフー株式会社 サービス提供システム、情報提供装置、サービス提供方法及びプログラム
JP2016197308A (ja) * 2015-04-03 2016-11-24 株式会社日立製作所 運転診断方法および運転診断装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003006439A (ja) * 2001-06-26 2003-01-10 Toshiba Corp 損害保険データ取得方法およびシステム、損害保険データ取得用プログラムならびに損害保険データ提供用プログラム
US7627422B2 (en) * 2003-06-24 2009-12-01 At&T Intellectual Property I, Lp Methods, systems and computer program products for ride matching based on selection criteria and drive characteristic information
US10210479B2 (en) * 2008-07-29 2019-02-19 Hartford Fire Insurance Company Computerized sysem and method for data acquistion and application of disparate data to two stage bayesian networks to generate centrally maintained portable driving score data
GB2474405A (en) * 2008-07-31 2011-04-13 Choicepoint Services Inc Systems & methods of calculating and presenting automobile driving risks
US8140359B2 (en) * 2008-09-11 2012-03-20 F3M3 Companies, Inc, System and method for determining an objective driver score
US10311749B1 (en) * 2013-09-12 2019-06-04 Lytx, Inc. Safety score based on compliance and driving
US20150161564A1 (en) * 2013-12-11 2015-06-11 Uber Technologies, Inc. System and method for optimizing selection of drivers for transport requests
US20150187014A1 (en) * 2013-12-31 2015-07-02 Hartford Fire Insurance Company System and method for expectation based processing
JP6365107B2 (ja) * 2014-08-18 2018-08-01 株式会社豊田中央研究所 事故情報算出装置、及びプログラム
JP6819594B2 (ja) * 2015-08-28 2021-01-27 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
WO2017075457A1 (en) * 2015-10-30 2017-05-04 Zemcar, Inc. Rules-based ride security
CN106023344B (zh) * 2016-06-06 2019-04-05 清华大学 基于驾驶模式转换概率的驾驶风格估计方法
US10325442B2 (en) * 2016-10-12 2019-06-18 Uber Technologies, Inc. Facilitating direct rider driver pairing for mass egress areas
US20180137594A1 (en) * 2016-11-17 2018-05-17 Gt Gettaxi Limited System and method for reserving drivers for a transportation service and navigating drivers to service transportation requests

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006011726A (ja) * 2004-06-24 2006-01-12 Fujitsu Ten Ltd 配車システム
JP5889761B2 (ja) * 2012-09-25 2016-03-22 ヤフー株式会社 サービス提供システム、情報提供装置、サービス提供方法及びプログラム
CN104200267A (zh) * 2014-09-23 2014-12-10 清华大学 一种车辆驾驶经济性评价系统及评价方法
JP2016197308A (ja) * 2015-04-03 2016-11-24 株式会社日立製作所 運転診断方法および運転診断装置
CN105260932A (zh) * 2015-10-09 2016-01-20 浙江大学 一种交通安全隐性因子的信用评分方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔新明: "《居住建筑节能成套技术研究开发与工程示范》", 31 May 2009, 浙江大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390534A (zh) * 2019-06-04 2019-10-29 天津五八到家科技有限公司 网约车司机安全认证方法、装置、设备及存储介质
CN110428109A (zh) * 2019-08-07 2019-11-08 佳都新太科技股份有限公司 地铁屏蔽门故障间隔时间预测模型建立及预测方法
CN112085439A (zh) * 2020-08-20 2020-12-15 浙江万里学院 基于寄件网点智能分配的物流投保方法
CN112613056A (zh) * 2020-12-28 2021-04-06 浙江万里学院 基于区块链的物流信息管理方法
CN112613056B (zh) * 2020-12-28 2022-03-08 浙江万里学院 基于区块链的物流信息管理方法

Also Published As

Publication number Publication date
AU2017410523A1 (en) 2019-01-17
WO2018191856A1 (en) 2018-10-25
EP3455822A1 (en) 2019-03-20
JP2019532372A (ja) 2019-11-07
US20200269851A1 (en) 2020-08-27
US20190143994A1 (en) 2019-05-16
US11279368B2 (en) 2022-03-22
SG11201811283PA (en) 2019-01-30
CA3028479A1 (en) 2018-10-25
EP3455822A4 (en) 2019-05-01
US10689002B2 (en) 2020-06-23

Similar Documents

Publication Publication Date Title
CN109416823A (zh) 用于确定司机安全分的系统和方法
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
CN109478364B (zh) 确定预计到达时间的方法及系统
JP6707125B2 (ja) 共有可能な注文を割り当てるためのシステムおよび方法
CN109074622B (zh) 确定运输服务路线的系统及方法
JP6797943B2 (ja) サービスリクエストを割り振るシステムおよび方法
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
CN110537212B (zh) 确定预估到达时间的系统与方法
CN112236787B (zh) 用于生成个性化目的地推荐的系统和方法
CN109196547A (zh) 用于推荐服务位置的系统和方法
JP6632723B2 (ja) サービスの順序列を更新するためのシステム及び方法
CN110998648A (zh) 一种分配订单的系统和方法
CN110832284A (zh) 用于目的地预测的系统和方法
CN110839346A (zh) 用于分配服务请求的系统和方法
CN108780554A (zh) 一种拼车方法和系统
CN109313742A (zh) 确定预估到达时间的方法及系统
CN112154473A (zh) 用于推荐上车点的系统和方法
CN109313774A (zh) 一种显示按需服务交通工具信息的方法及系统
CN111433795A (zh) 一种确定线上到线下服务的预估到达时间的系统和方法
CN108885726A (zh) 服务时间点预测系统和方法
CN109791731A (zh) 一种预估到达时间的方法和系统
WO2019206134A1 (en) Methods and systems for order allocation
US20230252382A1 (en) System and Method for Trading Emissions Units Using Vehicle Data
CN111133484A (zh) 用于评估与指定的驾驶服务相关的调度策略的系统和方法
CN111489214B (zh) 订单分配方法、条件设置方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190301