CN109784371A - 网约车监管方法、装置及存储介质 - Google Patents

Abstract

本公开涉及一种网约车监管方法、装置及存储介质，以解决相关技术中对网约车行驶意图的识别效率低、成本高、响应不够及时的问题。所述方法包括：响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；根据所述相似度获取对所述网约车的行驶意图的识别结果。

Description

网约车监管方法、装置及存储介质

技术领域

本公开涉及信息技术领域，具体地，涉及一种网约车监管方法、装置及存储介质。

背景技术

网约车的推广，是一种双赢的出行选择，在便利了出行的同时，降低了乘客和车主的经济成本。然而，针对网约车驾乘者的审核制度并不完善，这给车主和乘客双方都带来了安全隐患。

在网约车的行驶过程中，驾乘者若遇到突发事件，可主动向网约车平台的客服人员反馈，由客服人员对反馈信息的真实性进行审核，并在确认反馈信息的真实性后，配合驾乘者提供相应的信息。

发明内容

本公开的目的是提供一种网约车监管方法、装置及存储介质，以解决相关技术中对网约车行驶意图的识别效率低、成本高、响应不够及时的问题。

为了实现上述目的，本公开第一方面提供一种网约车监管方法，包括：

响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；

在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；

将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；

根据所述相似度获取对所述网约车的行驶意图的识别结果。

可选地，所述将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，包括：

根据所述起点位置和所述目的地位置，生成包含多个网格的网格图片；

根据所述可行路径信息标注所述网格图片中每个网格的RGB值；

将标注后的网格图片和所述获取到的行车轨迹信息输入所述相似度评价模型。

可选地，在所述将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型之前，所述方法还包括：

将多个正常历史订单中的每一正常历史订单的历史行车轨迹信息和历史可行路径信息标记为负样本，得到负样本集合；

将多个正常历史订单中的每一异常历史订单的历史行车轨迹信息和历史可行路径信息标记为正样本，得到正样本集合；

根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

可选地，根据所述相似度获取对所述网约车的行驶意图的识别结果，包括：

若所述相似度小于或等于第一预设阈值，则确定所述识别结果为所述网约车的行驶意图异常。

可选地，在所述根据所述相似度获取对所述网约车的行驶意图的识别结果之前，所述方法还包括：

获取所述网约车的驾乘者的置信分值；

所述根据所述相似度获取对所述网约车的行驶意图的识别结果，包括：

根据以下公式确定所述网约车的行驶意图分值：

S＝T^1/L

其中，S为所述行驶意图分值；T为所述置信分值；L为所述相似度；

若所述行驶意图分值大于或等于第二预设阈值，则确定所述识别结果为所述网约车的行驶意图异常。

可选地，所述获取所述网约车的驾乘者的置信分值，包括：

获取所述网约车的驾乘者的历史征信信息；

针对所述历史征信信息中的每一信息，根据该信息对应的预设聚类中心和每个预设聚类对应的预设特征值，确定该信息的特征值，其中，所述预设聚类中心是根据k-means聚类算法对多个驾乘者的历史征信信息计算得到的；

将所述历史征信信息中所有信息的特征值输入到预置的置信分回归模型，得到所述驾乘者的置信分值，其中，所述置信分回归模型是根据逻辑回归算法对多个驾乘者的历史征信信息中所有信息的特征值进行训练得到的。

可选地，所述方法还包括：

若所述识别结果表明所述网约车的行驶意图异常，则输出所述识别结果。

可选地，所述方法还包括：

根据所述识别结果对所述行车轨迹信息和所述可行路径信息进行标记，并将标记后得到的样本添加到对应的样本集合中；

周期性根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

本公开第二方面提供一种网约车监管装置，包括：

第一获取模块，用于响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；

第二获取模块，用于在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；

输入模块，用于将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；

第三获取模块，用于根据所述相似度获取对所述网约车的行驶意图的识别结果。

可选地，所述输入模块包括：

生成子模块，用于根据所述起点位置和所述目的地位置，生成包含多个网格的网格图片；

标注子模块，用于根据所述可行路径信息标注所述网格图片中每个网格的RGB值；

第一输入子模块，用于将标注后的网格图片和所述获取到的行车轨迹信息输入所述相似度评价模型。

可选地，所述装置还包括：

第一标记模块，用于将多个正常历史订单中的每一正常历史订单的历史行车轨迹信息和历史可行路径信息标记为负样本，得到负样本集合；

第二标记模块，用于将多个正常历史订单中的每一异常历史订单的历史行车轨迹信息和历史可行路径信息标记为正样本，得到正样本集合；

第一训练模块，用于根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

可选地，所述第三获取模块包括：

第一确定子模块，用于在所述相似度小于或等于第一预设阈值时，确定所述识别结果为所述网约车的行驶意图异常。

可选地，所述装置还包括：

第四获取模块，用于在根据所述相似度获取对所述网约车的行驶意图的识别结果之前，获取所述网约车的驾乘者的置信分值；

所述第三获取模块包括：

第二确定子模块，用于根据以下公式确定所述网约车的行驶意图分值：

S＝T^1/L

其中，S为所述行驶意图分值；T为所述置信分值；L为所述相似度；

第三确定子模块，用于在所述行驶意图分值大于或等于第二预设阈值时，确定所述识别结果为所述网约车的行驶意图异常。

可选地，所述第四获取模块包括：

第一获取子模块，用于获取所述网约车的驾乘者的历史征信信息；

第四确定子模块，用于针对所述历史征信信息中的每一信息，根据该信息的预设聚类中心和每个类别对应的预设特征值，确定该信息所属的类别和特征值，其中，所述预设聚类中心是根据k-means聚类算法对多个驾乘者的历史征信信息计算得到的；

第二输入子模块，用于将所述历史征信信息中所有信息的特征值和所属的类别输入到预置的置信分回归模型，得到所述驾乘者的置信分值，其中，所述置信分回归模型是根据逻辑回归算法对多个驾乘者的历史征信信息中所有信息的特征值和所属的类别进行训练得到的。

可选地，所述装置还包括：

输出模块，用于在所述识别结果表明所述网约车的行驶意图异常时，输出所述识别结果。

可选地，所述装置还包括：

第三标记模块，用于根据所述识别结果对所述行车轨迹信息和所述可行路径信息进行标记，并将标记后得到的样本添加到对应的样本集合中；

第二训练模块，用于周期性根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所述方法的步骤。

本公开第四方面提供一种网约车监管装置，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

上述技术方案，至少能够达到以下技术效果：

通过响应于网约车接收到的订单，根据预置的导航数据库以及订单中的起点位置和目的地位置获取网约车的可行路径信息，并在网约车的行驶过程中，实时获取网约车的行车轨迹信息，且将获取到的行车轨迹信息和可行路径信息输入预置的相似度评价模型中，根据网约车的行车轨迹信息与可行路径信息之间的相似度确定网约车的行驶意图，可以实现对网约车行车意图的自动识别，相比于相关技术中通过人工反馈和确认的方式，能够及时获取网约车的行驶意图，提高了监管效率，节省了人力成本，保障了驾乘者的安全本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据本公开一示例性实施例示出的一种网约车监管方法的流程图；

图2是根据本公开一示例性实施例示出的一种标注后的网格图片的示意图；

图3是根据本公开一示例性实施例示出的一种网约车监管装置的框图；

图4是根据本公开另一示例性实施例示出的一种网约车监管装置的框图；

图5是根据本公开另一示例性实施例示出的一种网约车监管装置的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

需要说明的是，本公开的说明书和权利要求书以及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必理解为描述特定的顺序或先后次序。

相关技术中，若驾乘者在网约车行驶过程中遭遇暴力、争吵、低俗等突发事件，需要主动向网约车服务平台的客服人员反馈，由客服人员对反馈信息的真实性进行审核，并在确认反馈信息的真实性后，配合驾乘者提供相应的信息，这就造成了业务方响应的延迟。当有突发事件发生时，这种延迟往往给驾乘者造成人身危害。而且，很多陷入危险的驾乘者无法及时向客服人员进行反馈。

为解决上述技术问题，本公开实施例提供一种网约车监管方法，以及时获取网约车的行驶意图。

图1是根据本公开一示例性实施例示出的一种网约车监管方法的流程图，如图1所示，该方法包括以下步骤：

在步骤S11中，响应于网约车接收到的订单，根据预置的导航数据库以及订单中的起点位置和目的地位置，获取网约车的可行路径信息。

可选地，可行路径信息可以包括起点位置与目的地位置之间的多条可行路径以及每条可行路径的关键点位置。

在步骤S12中，在网约车的行驶过程中，实时获取网约车的行车轨迹信息。

在一种可能的实现方式中，可以通过设置在网约车上的GPS定位装置实时获取网约车的地理位置，根据获取到的地理位置可得到网约车的行车轨迹信息。考虑到驾乘者

在步骤S13中，将获取到的行车轨迹信息和可行路径信息输入预置的相似度评价模型，得到网约车的行车轨迹信息与可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的。

在一种可能的实现方式中，可根据订单中的起点位置和目的地位置，生成包含多个网格的网格图片，根据可行路径信息标注网格图片中每个网格的RGB值，并将标注后的网格图片和获取到的行车轨迹信息输入相似度评价模型，得到网约车的行车轨迹信息与可信路径信息之间的相似度。具体地，可以以起点位置和目的地位置为中心，生成多个大小相等的网格图片，并将这些关键点对应的网格的RGB值标注为0，而网格图片中剩余的网格的RGB值标注为255，标注后的网格图片如图2所示。

值得说明的是，若起点位置与目的地位置之间存在多条可行路径，则将所述多条可行路径的关键点位置标注在同一张网格图片中。

此外，在本公开的实施例中，相似度评价模型可以是siamese神经网络。在将获取到的行车轨迹信息和可行路径信息输入该相似度评价模型之前，可根据网约车服务平台中的历史订单信息训练该相似度评价模型。

值得说明的是，Siamese神经网络适用于对分类数量较多(或者说无法确认具体数量)，且每一类的数据量较少的样本数据进行相似性评价，比如人脸识别或者对行车轨迹的相似度评价，适用于本公开实施例的应用场景，具有简单有效的效果。但是，本领域技术人员应该知悉，采用siamese神经网络只是一种可能的实现方式，本公开实施例在具体实施时还可以采用其他数学模型。

具体地，可以选取大量的正常历史订单(即已成功到达目的地的历史订单)和异常历史订单(包括未成功到达目的地的历史订单、发生突发事件的历史订单等)，将每一正常历史订单中的历史行车轨迹信息和历史可行路径信息标记为负样本，得到负样本集合，并将每一异常历史订单中的历史行车轨迹信息和历史可行路径信息标记为正样本，得到正样本集合，且根据正样本集合和负样本集合训练该相似度评价模型。

其中，对于正、负样本的标记，可以根据每一历史订单的起点位置和目的地位置，生成包含多个网格的网格图片，根据该历史订单的历史可行路径信息标注网格图片中每个网格的RGB值，若该历史订单为正常历史订单，则将标注后的网格图片和历史行车轨迹信息标记为一个负样本；若该历史订单为异常历史订单，则将标注后的网格图片和历史行车轨迹信息标记为一个正样本。

值得说明的是，考虑到异常历史订单过少导致正样本数量过少的问题，可以通过人工拷贝正样本的方式来增加正样本的数量，也可以采用人工审核的方式，对历史订单的行车轨迹信息进行分析，判断其可能的行驶意图，若分析结果认为其行驶意图异常，则将该历史订单作为异常历史订单，因而将该历史订单的历史行车轨迹信息和历史可行路径信息标记为正样本。

此外，考虑到起点位置和目的地位置的多样性、地理区域范围以及行车轨迹的多样性，为了满足对历史订单信息的高速访问，对于所有的历史订单，可按起点位置和目的地位置对其进行分组和标记，并按照订单发生次数由高到低的顺序对每组历史订单进行排序，排序越靠前的历史订单，优先响应访问请求。

在步骤S14中，根据相似度获取对网约车的行驶意图的识别结果。

在一种可能的实现方式中，在得到网约车的行车轨迹信息与可行路径信息之间的相似度后，若该相似度小于或等于第一预设阈值，则确定识别结果为网约车的行驶意图异常；否则，可确定识别结果为网约车的行驶意图正常。

在另一种可能的实现方式中，除了依据行车轨迹和可行路径信息之间的相似度，还可以辅以网约车的驾乘者的置信分值来识别网约车的行驶意图。其中，驾乘者的置信分值表示驾车者的置信度，置信分值越高，表明驾乘者的置信度越低；反之，表明驾乘者的置信度越高。

具体地，可以根据公式(1)确定网约车的行驶意图分值，若网约车的行驶意图分值越大，表明驾乘者的恶意性越大；反之，驾乘者的恶意性越小，若该行驶意图分值大于或等于第二预设阈值，则可确定识别结果为网约车的行驶意图异常。

S＝T^1/L (1)

其中，S为网约车的行驶意图分值；T为网约车的驾乘者的置信分值；L为网约车的行车轨迹信息与可行路径信息之间的相似度。

值得说明的是，驾乘者的置信分值可以是预先设置好的，也可以根据驾乘者的历史征信信息确定，其中，历史征信信息可以包括表1所示信息中的一者或多者。获取到的驾乘者的历史征信信息越全面，对驾乘者的刻画越完整，进而可以更准确地评估驾乘者的置信分值，有助于提高对网约车行驶意图的识别结果的准确性。

表1

在一种可能的实现方式中，根据驾乘者的历史征信信息确定置信分值具体包括：在获取到驾乘者的历史征信信息后，针对历史征信信息中的每一信息，根据该信息对应的预设聚类中心和每个预设聚类对应的预设特征值，确定该信息的特征值，并将历史征信信息中所有信息的特征值输入到预置的置信分回归模型，得到驾乘者的置信分值。其中，预设的聚类中心是根据k-means聚类算法对多个驾乘者的历史征信信息计算得到的，置信分回归模型是根据逻辑回归算法对多个驾乘者的历史征信信息中所有信息的特征值进行训练得到的。

示例地，以complainCnt信息为例，根据k-means聚类算法对多个驾乘者的complainCnt信息进行计算，得到两个聚类中心，即[centroidA,centroidB]，采用同样的方法，可得到历史征信信息中其余所有信息的聚类中心，如表2所示。针对每一信息，可分别对不同类别设置不同的特征值，对涉案驾乘者集中的类别，可设置较大的特征值。例如，对于complaintSexCnt信息，得到类别A和类别B。经分析，发现涉案驾乘者主要集中在聚类中心为2的类别A中，这一类别中的数据，所对应的投诉次数≥2，则设置类别A对应的特征值为10分，设置类别B对应的特征值为0分。

进一步地，针对各个驾乘者的历史征信信息中的每一信息，判断该信息所属的类别，并将该信息所属类别对应的预设特征值作为该信息的特征值。由此，可得到所有特征的无监督评价下的特征值X＝{X₁,X₂,…,X_n,i＝1,2,…,n}。将每一驾乘者的各个信息的特征值和所属的类别标记为样本对(X,label)，得到样本集合，根据逻辑回归算法对样本集合进行训练，便得到置信分回归模型。

表2

在本公开的另一个实施例中，若识别结果为网约车的行驶意图异常，则输出所述识别结果。示例地，可将该识别结果发送给目的端，以指示目的端展示该识别结果，由目标用户根据识别结果进一步确认网约车的行驶意图是否异常，以便在确认行驶意图异常时采取相应的措施，例如向网约车驾乘者的移动终端发送短信咨询，根据驾乘者的反馈结果确定是否报警等进一步操作。其中，目的端可以包括但不限于远程监控设备、目标用户携带的移动终端等，目标用户可以例如包括但不限于监控人员、网络警察、网约车平台的客服人员等。

在本公开的另一个实施例中，在获取到对网约车行驶意图的识别结果后，还可以根据识别结果对该网约车的行车轨迹信息和可行路径信息进行标记，并将标记后得到的样本添加到对应的样本集合中，即若识别结果为行驶意图正常，则将该网约车的行车轨迹信息和可行路径信息标记为负样本并加入到负样本集合中；若识别结果为行驶意图异常，则将该网约车的行车轨迹信息和可行路径信息标记为正样本并加入到正样本集合中。并且，周期性地根据正样本集合和负样本集合训练所述相似度评价模型，例如可以每间隔四周对所述相似度评价模型进行一次训练。这样，可以优化和提升所述相似度评价模型的准确性。

采用上述网约车监管方法，可以实现对网约车行车意图的自动识别，相比于相关技术中通过人工反馈和确认的方式，能够及时获取网约车的行驶意图，提高了监管效率，节省了人力成本，保障了驾乘者的安全。

图3是根据本公开一示例性实施例示出的一种网约车监管装置的框图，如图3所示，该装置300包括：

第一获取模块301，用于响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；

第二获取模块302，用于在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；

输入模块303，用于将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；

第三获取模块304，用于根据所述相似度获取对所述网约车的行驶意图的识别结果。

可选地，如图4所示，所述输入模块303包括：

生成子模块331，用于根据所述起点位置和所述目的地位置，生成包含多个网格的网格图片；

标注子模块332，用于根据所述可行路径信息标注所述网格图片中每个网格的RGB值；

第一输入子模块333，用于将标注后的网格图片和获取到的行车轨迹信息输入所述相似度评价模型。

可选地，所述装置300还包括：

第一标记模块305，用于将多个正常历史订单中的每一正常历史订单的历史行车轨迹信息和历史可行路径信息标记为负样本，得到负样本集合；

第二标记模块306，用于将多个正常历史订单中的每一异常历史订单的历史行车轨迹信息和历史可行路径信息标记为正样本，得到正样本集合；

第一训练模块307，用于根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

可选地，如图4所示，所述第三获取模块304包括：

第一确定子模块341，用于在所述相似度小于或等于第一预设阈值时，确定所述识别结果为所述网约车的行驶意图异常。

可选地，如图4所示，所述装置300还包括：

第四获取模块308，用于在根据所述相似度获取对所述网约车的行驶意图的识别结果之前，获取所述网约车的驾乘者的置信分值；

所述第三获取模块304包括：

第二确定子模块342，用于根据以下公式确定所述网约车的行驶意图分值：

S＝T^1/L

其中，S为所述行驶意图分值；T为所述置信分值；L为所述相似度；

第三确定子模块343，用于在所述行驶意图分值大于或等于第二预设阈值时，确定所述识别结果为所述网约车的行驶意图异常。

可选地，如图4所示，所述第四获取模块308包括：

第一获取子模块381，用于获取所述网约车的驾乘者的历史征信信息；

第四确定子模块382，用于针对所述历史征信信息中的每一信息，根据该信息的预设聚类中心和每个类别对应的预设特征值，确定该信息所属的类别和特征值，其中，所述预设聚类中心是根据k-means聚类算法对多个驾乘者的历史征信信息计算得到的；

第二输入子模块383，用于将所述历史征信信息中所有信息的特征值和所属的类别输入到预置的置信分回归模型，得到所述驾乘者的置信分值，其中，所述置信分回归模型是根据逻辑回归算法对多个驾乘者的历史征信信息中所有信息的特征值和所属的类别进行训练得到的。

可选地，所述装置300还包括：

输出模块309，用于在所述识别结果表明所述网约车的行驶意图异常时，输出所述识别结果。

可选地，所述装置300还包括：

第三标记模块310，用于根据所述识别结果对所述行车轨迹信息和所述可行路径信息进行标记，并将标记后得到的样本添加到对应的样本集合中；

第二训练模块311，用于周期性根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

采用上述网约车监管装置，可以实现对网约车行车意图的自动识别，相比于相关技术中通过人工反馈和确认的方式，能够及时获取网约车的行驶意图，提高了监管效率，节省了人力成本，保障了驾乘者的安全。

图5是根据一示例性实施例示出的一种网约车监管装置500的框图。如图5所示，该网约车监管装置500可以包括：处理器501，存储器502。该网约车监管装置500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。

其中，处理器501用于控制该网约车监管装置500的整体操作，以完成上述的网约车监管方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该网约车监管装置500的操作，这些数据例如可以包括用于在该网约车监管装置500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该网约车监管装置500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，网约车监管装置500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的网约车监管方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的网约车监管方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由网约车监管装置500的处理器501执行以完成上述的网约车监管方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种网约车监管方法，其特征在于，包括：

响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；

在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；

将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；

根据所述相似度获取对所述网约车的行驶意图的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，包括：

根据所述起点位置和所述目的地位置，生成包含多个网格的网格图片；

根据所述可行路径信息标注所述网格图片中每个网格的RGB值；

将标注后的网格图片和所述获取到的行车轨迹信息输入所述相似度评价模型。

3.根据权利要求1所述的方法，其特征在于，在所述将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型之前，所述方法还包括：

将多个正常历史订单中的每一正常历史订单的历史行车轨迹信息和历史可行路径信息标记为负样本，得到负样本集合；

将多个正常历史订单中的每一异常历史订单的历史行车轨迹信息和历史可行路径信息标记为正样本，得到正样本集合；

根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

4.根据权利要求1所述的方法，其特征在于，根据所述相似度获取对所述网约车的行驶意图的识别结果，包括：

若所述相似度小于或等于第一预设阈值，则确定所述识别结果为所述网约车的行驶意图异常。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述相似度获取对所述网约车的行驶意图的识别结果之前，所述方法还包括：

获取所述网约车的驾乘者的置信分值；

所述根据所述相似度获取对所述网约车的行驶意图的识别结果，包括：

根据以下公式确定所述网约车的行驶意图分值：

S＝T^1/L

其中，S为所述行驶意图分值；T为所述置信分值；L为所述相似度；

若所述行驶意图分值大于或等于第二预设阈值，则确定所述识别结果为所述网约车的行驶意图异常。

6.根据权利要求5所述的方法，其特征在于，所述获取所述网约车的驾乘者的置信分值，包括：

获取所述网约车的驾乘者的历史征信信息；

针对所述历史征信信息中的每一信息，根据该信息的预设聚类中心和每个类别对应的预设特征值，确定该信息所属的类别和特征值，其中，所述预设聚类中心是根据k-means聚类算法对多个驾乘者的历史征信信息计算得到的；

将所述历史征信信息中所有信息的特征值和所属的类别输入到预置的置信分回归模型，得到所述驾乘者的置信分值，其中，所述置信分回归模型是根据逻辑回归算法对多个驾乘者的历史征信信息中所有信息的特征值和所属的类别进行训练得到的。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：

若所述识别结果表明所述网约车的行驶意图异常，则输出所述识别结果。

8.根据权利要求3所述的方法，其特征在于，所述方法还包括：

根据所述识别结果对所述行车轨迹信息和所述可行路径信息进行标记，并将标记后得到的样本添加到对应的样本集合中；

周期性根据所述正样本集合和所述负样本集合训练所述相似度评价模型。

9.一种网约车监管装置，其特征在于，包括：

第一获取模块，用于响应于网约车接收到的订单，根据预置的导航数据库以及所述订单中的起点位置和目的地位置，获取所述网约车的可行路径信息；

第二获取模块，用于在所述网约车的行驶过程中，实时获取所述网约车的行车轨迹信息；

输入模块，用于将获取到的行车轨迹信息和所述可行路径信息输入预置的相似度评价模型，得到所述网约车的行车轨迹信息与所述可行路径信息之间的相似度，其中，所述相似度评价模型是以历史订单中的历史行车轨迹信息和历史可行路径信息作为训练样本集进行训练得到的；

第三获取模块，用于根据所述相似度获取对所述网约车的行驶意图的识别结果。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。