CN110533502A - 目标行为的识别方法及装置和电子设备 - Google Patents

目标行为的识别方法及装置和电子设备 Download PDF

Info

Publication number
CN110533502A
CN110533502A CN201910738609.1A CN201910738609A CN110533502A CN 110533502 A CN110533502 A CN 110533502A CN 201910738609 A CN201910738609 A CN 201910738609A CN 110533502 A CN110533502 A CN 110533502A
Authority
CN
China
Prior art keywords
division
road conditions
vehicle coordinate
characteristic
current order
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
CN201910738609.1A
Other languages
English (en)
Inventor
米新磊
翁世进
刘壮壮
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 Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910738609.1A priority Critical patent/CN110533502A/zh
Publication of CN110533502A publication Critical patent/CN110533502A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开是关于一种目标行为的识别方法及装置、电子设备和计算机可读存储介质，其中，目标行为的识别方法包括：获取当前订单的车辆坐标流；基于车辆坐标流提取当前订单的路况分类特征；将路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；若第一识别结果为第一预设值，则识别出当前订单对应的司机存在目标行为。本公开实施例，通过基于当前订单的车辆坐标流提取当前订单的路况分类特征，并将该路况分类特征输入预先训练出的路况分类模型，以识别出当前订单对应的司机是否存在目标行为，由于路况分类模型充分考虑路况对车辆行驶速度的影响，从而提高了识别的准确度。

Description

目标行为的识别方法及装置和电子设备
技术领域
本公开涉及通信技术领域，尤其涉及一种目标行为的识别方法及装置、电子设备和计算机可读存储介质。
背景技术
随着智能设备和移动互联网技术的发展，打车软件的普及给人们的出行带来了极大的便利。乘客可以通过打车软件发送订单，打车软件将订单发送至后台服务器，后台服务器将订单分配给该乘客周围预定范围内的司机，司机接收到该订单后，可以进行应答接单。
但是，司机在接单后为了挑选订单，接驾时会故意拖延时间，从而让用户取消订单。另外，在送驾过程中拖延行驶会使用户产生更高费用。因此，如何识别拖延行驶是需要解决的一个问题。
目前，可以通过车辆的行驶速度来识别拖延行驶，例如，车辆的行驶速度低于预设阈值，则识别出该车辆拖延行驶，但该识别方式仅通过行驶速度进行识别，识别维度单一，准确性差。
发明内容
有鉴于此，本申请提供一种目标行为的识别方法及装置、电子设备和计算机可读存储介质。
具体地，本申请是通过如下技术方案实现的：
根据本公开实施例的第一方面，提供一种目标行为的识别方法，所述方法包括：
获取当前订单的车辆坐标流；
基于所述车辆坐标流提取所述当前订单的路况分类特征；
将所述路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；
若所述第一识别结果为第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
在一实施例中，所述方法还包括：
若所述第一识别结果为第二预设值，则基于所述车辆坐标流提取所述当前订单的消耗时长分类特征；
将所述消耗时长分类特征输入预先训练出的消耗时长分类模型，得到第二识别结果；
若所述第二识别结果为所述第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
在一实施例中，所述基于所述车辆坐标流提取所述当前订单的路况分类特征，包括：
基于所述车辆坐标流提取目标路段；
获得每个所述目标路段的路况等级；
根据所述路况等级对所述目标路段进行分类，得到每个所述路况等级包含的目标路段数量；
将所述每个路况等级包含的目标路段数量作为所述当前订单的所述路况分类特征。
在一实施例中，所述基于所述车辆坐标流提取所述当前订单的消耗时长分类特征，包括：
基于所述车辆坐标流提取目标路段，并计算每个所述目标路段的消耗时长；
将所述车辆坐标流中除去所述目标路段之外的路段确定为非目标路段，并计算每个所述非目标路段的消耗时长；
根据消耗时长分别对所述目标路段和所述非目标路段进行分类，得到位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量；
将所述位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量作为所述当前订单的所述消耗时长分类特征。
在一实施例中，所述基于所述车辆坐标流提取目标路段，包括：
按照时间顺序依次计算相邻两个坐标点之间的距离；
计算相邻两个坐标点之间的时间间隔；
基于所述距离和所述时间间隔，计算出相邻两个坐标点之间的行驶速度；
基于所述行驶速度低于对应路况等级下正常行驶速度的连续的坐标点，确定所述目标路段。
在一实施例中，所述方法还包括：
收集历史订单的车辆坐标流；
基于所述历史订单的车辆坐标流，提取所述历史订单的路况分类特征；
基于所述历史订单的路况分类特征训练得到所述路况分类模型。
在一实施例中，所述方法还包括：
收集历史订单的车辆坐标流；
基于所述历史订单的车辆坐标流，提取所述历史订单的消耗时长分类特征；
基于所述历史订单的消耗时长分类特征训练得到所述消耗时长分类模型。
根据本公开实施例的第二方面，提供一种目标行为的识别装置，所述装置包括：
获取模块，用于获取当前订单的车辆坐标流；
提取模块，用于基于所述获取模块获取的所述车辆坐标流提取所述当前订单的路况分类特征；
第一输入模块，用于将所述提取模块提取的所述路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；
第一识别模块，用于若所述第一输入模块得到的所述第一识别结果为第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
在一实施例中，所述装置还包括：
确定提取模块，用于若所述第一识别结果为第二预设值，则基于所述车辆坐标流提取所述当前订单的消耗时长分类特征；
第二输入模块，用于将所述确定提取模块提取的所述消耗时长分类特征输入预先训练出的消耗时长分类模型，得到第二识别结果；
第二识别模块，用于若所述第二识别结果为所述第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述目标行为的识别方法。
根据本公开实施例的第四方面，提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述目标行为的识别方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过基于当前订单的车辆坐标流提取当前订单的路况分类特征，并将该路况分类特征输入预先训练出的路况分类模型，以识别出当前订单对应的司机是否存在目标行为，由于路况分类模型充分考虑路况对车辆行驶速度的影响，从而提高了识别的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请一示例性实施例示出的一种目标行为的识别方法的流程图。
图2是本申请一示例性实施例示出的一种提取当前订单的路况分类特征的流程图。
图3是本申请一示例性实施例示出的另一种目标行为的识别方法的流程图。
图4是本申请一示例性实施例示出的一种提取当前订单的消耗时长分类特征的流程图。
图5是本申请一示例性实施例示出的一种训练得到路况分类模型的流程图。
图6是本申请一示例性实施例示出的一种训练得到消耗时长分类模型的流程图。
图7是本申请一示例性实施例示出的目标行为的识别装置所在电子设备的硬件结构图。
图8是本申请一示例性实施例示出的一种目标行为的识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本申请一示例性实施例示出的一种目标行为的识别方法，如图1所示，该方法包括：
步骤S101，获取当前订单的车辆坐标流。
其中，车辆坐标流是指车辆在行驶过程中所经过的一系列坐标点，这一系列坐标点按照时间有序，且与当时的路况相对应。
步骤S102，基于该车辆坐标流提取当前订单的路况分类特征。
在该实施例中，可以根据道路畅通度，将路况分为不同的等级，在不同的路况等级下，车辆正常行驶速度不同，其中，路况等级与车辆正常行驶速度的对应关系可以如表1所示：
表1路况等级与车辆正常行驶速度的对应关系
等级1 等级2 …… 等级i
v<sub>1</sub> v<sub>2</sub> …… v<sub>i</sub>
在该实施例中，通过对路况进行分类，并设置不同路况等级下车辆的正常行驶速度，从而排除因为客观因素导致的车辆行驶缓慢等情况，提高了原始数据的准确度。
其中，如图2所示，提取当前订单的路况分类特征可以包括：
步骤S1021，基于车辆坐标流提取目标路段。
其中，目标路段可以为拖延路段。
在该实施例中，可以按照时间顺序依次计算相邻两个坐标点之间的距离，并计算相邻两个坐标点之间的时间间隔，然后基于计算出的距离和时间间隔，计算出相邻两个坐标点之间的行驶速度，最后基于行驶速度低于对应路况等级下正常行驶速度的连续的坐标点，确定目标路段。
例如，可以采用公式1)计算相邻两个坐标点之间的距离，公式1)为：
其中，S表示相邻两个坐标点之间的距离，longtitude1、latitude1分别表示前一坐标点的经度与纬度，longtitude2、latitude2分别表示后一坐标点的经度与纬度。
例如，可以采用公式2)计算相邻两个坐标点之间的行驶速度，公式2)为：
v＝S/t
其中，v表示相邻两个坐标点之间的行驶速度，S表示相邻两个坐标点之间的距离，t表示相邻两个坐标点之间的时间间隔。
在计算出相邻两个坐标点之间的行驶速度之后，可以根据表1找到对应路况等级下的正常速度，如果计算出的行驶速度小于对应路况等级下的正常速度，则确定这相邻两个坐标点之间的路段为拖延路段。
采用上述方式可以确定出所有相邻两个坐标点之间的拖延路段。
步骤S1022，获得每个目标路段的路况等级。
在该实施例中，可以获得与每个目标路段对应的路况等级。
步骤S1023，根据路况等级对目标路段进行分类，得到每个路况等级包含的目标路段数量。
例如，基于当前订单的车辆坐标流提取的目标路段为10个，这10个目标路段对应不同的路况等级，统计每个路况等级包含的目标路段数量，例如，路况等级1包含的目标路段数量为3个，路况等级2包含的目标路段数量为4个，路况等级3包含的目标路段数量为3个。
步骤S1024，将每个路况等级包含的目标路段数量作为当前订单的路况分类特征。
在该实施例中，将得到的每个路况等级包含的目标路段数量作为当前订单的路况分类特征。继续上例进行描述，将路况等级1包含的目标路段数量为3个，路况等级2包含的目标路段数量为4个，路况等级3包含的目标路段数量为3个作为当前订单的路况分类特征。
该实施例，通过基于车辆坐标流提取当前订单的路况分类特征，考虑了路况对车辆行驶速度的影响，有利于提高识别的准确性。
步骤S103，将路况分类特征输入预先训练出的路况分类模型，得到第一识别结果。
步骤S104，若第一识别结果为第一预设值，则识别出当前订单对应的司机存在目标行为。
例如，若第一预设值代表拖延行为，则认为当前订单对应的司机存在拖延行为。
上述实施例，通过基于当前订单的车辆坐标流提取当前订单的路况分类特征，并将该路况分类特征输入预先训练出的路况分类模型，以识别出当前订单对应的司机是否存在目标行为，由于路况分类模型充分考虑路况对车辆行驶速度的影响，从而提高了识别的准确度。
可选地，如图3所示，在上述步骤S103之后，该方法还可以包括：
步骤S105，若第一识别结果为第二预设值，则基于车辆坐标流提取当前订单的消耗时长分类特征。
例如，若第二预设值代表非拖延行为，则基于车辆坐标流提取当前订单的消耗时长分类特征。
其中，如图4所示，提取当前订单的消耗时长分类特征可以包括：
步骤S1051，基于车辆坐标流提取目标路段，并计算每个目标路段的消耗时长。
其中，基于车辆坐标流提取目标路段的方式可以参见步骤S1021中的相关描述，此处不赘述。
步骤S1052，将车辆坐标流中除去目标路段之外的路段确定为非目标路段，并计算每个非目标路段的消耗时长。
步骤S1053，根据消耗时长分别对目标路段和非目标路段进行分类，得到位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量。
例如，可以得到位于0～t11的目标路段数量为a1个，位于t11～t12的目标路段数量为a2个，位于t12～t13的目标路段数量为a3个等，得到位于0～t21的目标路段数量为b1个，位于t21～t22的目标路段数量为b2个，位于t22～t23的目标路段数量为b3个等。
步骤S1054，将位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量作为当前订单的消耗时长分类特征。
该实施例，通过将位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量作为当前订单的消耗时长分类特征，使得消耗时长分类特征可以包含对应司机在整个订单中的驾驶行为，可以更全面地反应对应司机的行为。
步骤S106，将消耗时长分类特征输入预先训练出的消耗时长分类模型，得到第二识别结果。
步骤S107，若第二识别结果为第一预设值，则识别出当前订单对应的司机存在目标行为。
上述实施例，在初步未确定出当前订单对应的司机存在拖延行为之后，基于车辆坐标流提取当前订单的消耗时长分类特征，并基于当前订单的消耗时长分类特征来识别当前订单对应的司机是否存在目标行为，即通过路况分类模型和消耗时长分类模型来综合识别目标行为，识别结果会更加准确。
可选地，在步骤S103之前，该方法还可以包括训练得到路况分类模型，如图5所示，训练得到路况分类模型的过程包括：
步骤S501，收集历史订单的车辆坐标流。
步骤S502，基于历史订单的车辆坐标流，提取历史订单的路况分类特征。
其中，提取历史订单的路况分类特征的方式与上述步骤S102中提取当前订单的路况分类特征的方式相似，此处不赘述。
步骤S503，基于历史订单的路况分类特征训练得到路况分类模型。
其中，可以采用但不局限于神经网络或分类树等算法对历史订单的路况分类特征进行训练，以得到路况分类模型。
上述实施例，通过基于历史订单的车辆坐标流，提取历史订单的路况分类特征，并基于历史订单的路况分类特征训练得到路况分类模型，使得训练出的路况分类模型充分考虑路况对车辆行驶速度的影响，有利于提高识别的准确度。
可选地，在步骤S106之前，该方法还可以包括训练得到消耗时长分类模型，如图6所示，训练得到消耗时长分类模型可以包括：
步骤S601，收集历史订单的车辆坐标流。
步骤S602，基于历史订单的车辆坐标流，提取历史订单的消耗时长分类特征。
其中，提取历史订单的消耗时长分类特征的方式与步骤S105中提取当前订单的消耗时长分类特征的方式类似，此处不赘述。
步骤S603，基于历史订单的消耗时长分类特征训练得到消耗时长分类模型。
其中，可以采用但不局限于神经网络或分类树等算法对历史订单的消耗时长分类特征进行训练，以得到消耗时长分类模型。
上述实施例，通过基于历史订单的车辆坐标流，提取历史订单的消耗时长分类特征，并基于历史订单的消耗时长分类特征训练得到消耗时长分类模型，使得训练出的消耗时长分类模型可以包含对应司机在整个订单中的驾驶行为，提高了消耗时长分类模型的数据全面性，从而有利于提高识别的准确度。
与前述目标行为的识别方法的实施例相对应，本申请还提供了目标行为的识别装置的实施例。
本申请目标行为的识别装置的实施例可以应用在电子设备上。其中，该电子设备可以为服务器。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。如图7所示，为本申请目标行为的识别装置700所在电子设备的一种硬件结构图，该电子设备包括处理器710、存储器720及存储在存储器720上并可在处理器710上运行的计算机程序，该处理器710执行该计算机程序时实现上述目标行为的识别方法。除了图7所示的处理器710及存储器720之外，实施例中装置所在的电子设备通常根据该识别目标行为的实际功能，还可以包括其他硬件，对此不再赘述。
图8是本申请一示例性实施例示出的一种目标行为的识别装置的框图，如图8所示，该识别装置包括：获取模块81、提取模块82、第一输入模块83和第一识别模块84。
获取模块81用于获取当前订单的车辆坐标流。
其中，车辆坐标流是指车辆在行驶过程中所经过的一系列坐标点，这一系列坐标点按照时间有序，且与当时的路况相对应。
提取模块82用于基于获取模块81获取的车辆坐标流提取当前订单的路况分类特征。
在该实施例中，可以根据道路畅通度，将路况分为不同的等级，在不同的路况等级下，车辆正常行驶速度不同，其中，路况等级与车辆正常行驶速度的对应关系可以如表1所示。
在该实施例中，通过对路况进行分类，并设置不同路况等级下车辆的正常行驶速度，从而排除因为客观因素导致的车辆行驶缓慢等情况，提高了原始数据的准确度。
其中，提取当前订单的路况分类特征的过程可以如图2所示，此处不赘述。
第一输入模块83用于将提取模块82提取的路况分类特征输入预先训练出的路况分类模型，得到第一识别结果。
第一识别模块84用于若第一输入模块83得到的第一识别结果为第一预设值，则识别出当前订单对应的司机存在目标行为。
例如，若第一预设值代表拖延行为，则认为当前订单对应的司机存在拖延行为。
上述实施例，通过基于当前订单的车辆坐标流提取当前订单的路况分类特征，并将该路况分类特征输入预先训练出的路况分类模型，以识别出当前订单对应的司机是否存在目标行为，由于路况分类模型充分考虑路况对车辆行驶速度的影响，从而提高了识别的准确度。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述目标行为的识别方法，其中，该目标行为的识别方法包括：
获取当前订单的车辆坐标流；
基于车辆坐标流提取当前订单的路况分类特征；
将路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；
若第一识别结果为第一预设值，则识别出当前订单对应的司机存在目标行为。
上述计算机可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光数据存储设备等。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种目标行为的识别方法，其特征在于，所述方法包括：
获取当前订单的车辆坐标流；
基于所述车辆坐标流提取所述当前订单的路况分类特征；
将所述路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；
若所述第一识别结果为第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述第一识别结果为第二预设值，则基于所述车辆坐标流提取所述当前订单的消耗时长分类特征；
将所述消耗时长分类特征输入预先训练出的消耗时长分类模型，得到第二识别结果；
若所述第二识别结果为所述第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
3.根据权利要求1所述的方法，其特征在于，所述基于所述车辆坐标流提取所述当前订单的路况分类特征，包括：
基于所述车辆坐标流提取目标路段；
获得每个所述目标路段的路况等级；
根据所述路况等级对所述目标路段进行分类，得到每个所述路况等级包含的目标路段数量；
将所述每个路况等级包含的目标路段数量作为所述当前订单的所述路况分类特征。
4.根据权利要求2所述的方法，其特征在于，所述基于所述车辆坐标流提取所述当前订单的消耗时长分类特征，包括：
基于所述车辆坐标流提取目标路段，并计算每个所述目标路段的消耗时长；
将所述车辆坐标流中除去所述目标路段之外的路段确定为非目标路段，并计算每个所述非目标路段的消耗时长；
根据消耗时长分别对所述目标路段和所述非目标路段进行分类，得到位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量；
将所述位于不同消耗时长范围的目标路段数量和位于不同消耗时长范围的非目标路段数量作为所述当前订单的所述消耗时长分类特征。
5.根据权利要求3或4所述的方法，其特征在于，所述基于所述车辆坐标流提取目标路段，包括：
按照时间顺序依次计算相邻两个坐标点之间的距离；
计算相邻两个坐标点之间的时间间隔；
基于所述距离和所述时间间隔，计算出相邻两个坐标点之间的行驶速度；
基于所述行驶速度低于对应路况等级下正常行驶速度的连续的坐标点，确定所述目标路段。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
收集历史订单的车辆坐标流；
基于所述历史订单的车辆坐标流，提取所述历史订单的路况分类特征；
基于所述历史订单的路况分类特征训练得到所述路况分类模型。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
收集历史订单的车辆坐标流；
基于所述历史订单的车辆坐标流，提取所述历史订单的消耗时长分类特征；
基于所述历史订单的消耗时长分类特征训练得到所述消耗时长分类模型。
8.一种目标行为的识别装置，其特征在于，所述装置包括：
获取模块，用于获取当前订单的车辆坐标流；
提取模块，用于基于所述获取模块获取的所述车辆坐标流提取所述当前订单的路况分类特征；
第一输入模块，用于将所述提取模块提取的所述路况分类特征输入预先训练出的路况分类模型，得到第一识别结果；
第一识别模块，用于若所述第一输入模块得到的所述第一识别结果为第一预设值，则识别出所述当前订单对应的司机存在所述目标行为。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的目标行为的识别方法。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一所述的目标行为的识别方法。
CN201910738609.1A 2019-08-12 2019-08-12 目标行为的识别方法及装置和电子设备 Pending CN110533502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910738609.1A CN110533502A (zh) 2019-08-12 2019-08-12 目标行为的识别方法及装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910738609.1A CN110533502A (zh) 2019-08-12 2019-08-12 目标行为的识别方法及装置和电子设备

Publications (1)

Publication Number Publication Date
CN110533502A true CN110533502A (zh) 2019-12-03

Family

ID=68662963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910738609.1A Pending CN110533502A (zh) 2019-08-12 2019-08-12 目标行为的识别方法及装置和电子设备

Country Status (1)

Country Link
CN (1) CN110533502A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860594A (zh) * 2020-06-16 2020-10-30 北京嘀嘀无限科技发展有限公司 绕路订单识别方法、装置、电子设备和可读存储介质
CN117495512A (zh) * 2023-12-29 2024-02-02 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860594A (zh) * 2020-06-16 2020-10-30 北京嘀嘀无限科技发展有限公司 绕路订单识别方法、装置、电子设备和可读存储介质
CN117495512A (zh) * 2023-12-29 2024-02-02 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质
CN117495512B (zh) * 2023-12-29 2024-04-16 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10136249B2 (en) Information distribution apparatus and method
CN109241418A (zh) 基于随机森林的异常用户识别方法及装置、设备、介质
WO2018014610A1 (zh) 基于c4.5决策树算法的特定用户挖掘系统及其方法
CN109840533B (zh) 一种应用拓扑图识别方法及装置
CN102902596B (zh) 一种兴趣点数据校验方法及装置
CN107146089A (zh) 一种刷单识别方法及装置，电子设备
US20110213777A1 (en) Method and Apparatus of Text Classification
CN103793447B (zh) 音乐与图像间语义相似度的估计方法和估计系统
CN106649849A (zh) 文本信息库建立方法和装置、以及搜索方法、装置和系统
JP5502703B2 (ja) フロー分類方法、システム、およびプログラム
CN108510096A (zh) 商户流失预测方法、装置、设备及存储介质
CN108777004B (zh) 高速公路客运车辆跨省匹配方法及装置
CN110533502A (zh) 目标行为的识别方法及装置和电子设备
CN108304853A (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN104123305A (zh) 地理数据处理方法及其系统
CN107832444A (zh) 基于搜索日志的事件发现方法及装置
CN110019563B (zh) 一种基于多维数据的肖像建模方法和装置
CN109191210A (zh) 一种基于Adaboost算法的宽带目标用户识别方法
CN113543117B (zh) 携号转网用户的预测方法、装置及计算设备
CN108830630A (zh) 一种虚假消息的识别方法及其设备
CN105678333B (zh) 一种拥挤区域的确定方法和装置
CN108694398B (zh) 一种图像分析方法及装置
CN110955804B (zh) 一种针对用户时空数据行为检测的Adaboost方法
CN108460630B (zh) 基于用户数据进行分类分析的方法和装置
CN115409549B (zh) 一种数据处理方法、系统、电子设备及计算机存储介质

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