CN111052161A - 用于识别线上到线下服务平台中醉酒请求者的系统和方法 - Google Patents
用于识别线上到线下服务平台中醉酒请求者的系统和方法 Download PDFInfo
- Publication number
- CN111052161A CN111052161A CN201880002624.3A CN201880002624A CN111052161A CN 111052161 A CN111052161 A CN 111052161A CN 201880002624 A CN201880002624 A CN 201880002624A CN 111052161 A CN111052161 A CN 111052161A
- Authority
- CN
- China
- Prior art keywords
- requester
- requestor
- determining
- request
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000035622 drinking Effects 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 25
- 230000000977 initiatory effect Effects 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 46
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 24
- 230000001815 facial effect Effects 0.000 claims description 19
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 241001282135 Poromitra oscitans Species 0.000 claims description 5
- 206010048232 Yawning Diseases 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 210000001747 pupil Anatomy 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 230000004399 eye closure Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 description 78
- 235000019441 ethanol Nutrition 0.000 description 40
- 230000015654 memory Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 18
- 230000004048 modification Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 208000003028 Stuttering Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 235000012730 carminic acid Nutrition 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 241000894007 species Species 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
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
Abstract
提供一种在线上到线下O2O服务平台中检测饮酒请求者的方法。所述方法可以包括获取与请求者发起线上到线下O2O服务请求有关的信息。所述方法还可以包括根据与请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率,以及确定所述概率是否大于阈值。响应于确定所述概率大于所述阈值,所述方法还可包括获取与所述请求者有关的信息,以及根据与所述请求者有关的信息,确定所述请求者是否已饮酒。所述方法还可包括响应于确定所述请求者已饮酒,发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下服务的请求相对应。
Description
技术领域
本申请一般涉及线上到线下(O2O)服务平台,具体地说,涉及用于识别O2O服务平台中的醉酒请求者的系统和方法。
背景技术
随着互联网技术的发展,O2O服务,如在线出租车叫车服务和送货服务,在人们的日常生活中发挥着越来越重要的作用。在一些情况下,请求O2O服务的请求者可能饮酒了,这可能会引起请求者与向请求者提供服务的提供者之间的潜在冲突。因此,希望提供用于检测醉酒请求者并提醒提供者的有效的系统和方法,以避免O2O服务平台中的请求者与提供者之间的潜在冲突或争议。
发明内容
根据本申请的一方面,提供一种用于检测线上到线下服务平台中饮酒请求者的系统。所述系统可以包括数据交换端口,所述数据交换端口通信地连接到网络;至少一个存储介质,所述至少一个存储介质包括一组指令;以及至少一个处理器,所述至少一个处理器与所述数据交换端口和所述至少一个存储介质通信。当执行所述指令集时,所述至少一个处理器可以被配置为指示系统:通过所述数据交换端口,获取与请求者发起线上到线下(O2O)服务请求有关的信息。所述至少一个处理器也可以被配置为指示系统根据与所述请求相关的信息,使用饮酒预测模型来确定所述请求者已饮酒的概率,以及确定所述请求者已饮酒的概率是否为大于阈值。响应于确定所述请求者已饮酒的概率大于所述阈值,所述至少一个处理器可以进一步被配置为指示系统获取与所述请求者有关的信息,以及根据与所述请求者有关的信息,确定所述请求者是否饮酒。响应于确定所述请求者已饮酒,所述至少一个处理器进一步被配置为指示系统通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下服务的请求相对应。
在一些实施例中,与所述请求有关的信息可以包括请求时间、请求起点、所述请求者的位置、所述请求起点与所述请求者的位置之间的预估距离、所述请求者的个人信息,或关于所述请求者的历史反馈信息中的至少一个。
在一些实施例中,所述饮酒预测模型可以是根据模型训练过程生成的。所述模型训练过程可以包括获取至少两个历史订单。所述模型训练过程还可以包括从所述至少两个历史订单中获取第一组历史订单,所述第一组历史订单获得正反馈;所述至少两个历史订单中获取第二组历史订单,所述第二组历史订单获得负反馈。所述模型训练过程还可以包括获取初始模型,以及通过使用所述获得正反馈的第一组历史订单和所述获得负反馈的第二组历史订单,训练所述初始模型,生成所述饮酒预测模型。
在一些实施例中,所述初始模型可以是梯度提升决策树(GBDT)模型或极限梯度提升(XGBoost)模型中的至少一种。
在一些实施例中,为获取与所述请求者相关的信息,所述至少一个处理器还可以被配置为指示所述系统通过所述数据交换端口,发送打开与所述请求者相关的请求者终端的照相机的请求。当接收所述请求者对所述请求的批准时,至少一个处理器就可以进一步被配置为指示系统通过数据交换端口向所述请求者终端发送命令以录制至少一个图像或视频,以及通过所述数据交换端口,从所述请求者终端接收所述至少一个图像或视频。
在一些实施例中,为获取与所述请求者相关的信息,所述至少一个处理器可以进一步被配置为指示所述系统通过所述数据交换端口,向请求者终端或提供终端中的至少一个发送获取所述请求者的音频的请求。所述请求可以导致所述请求者终端或所述提供者终端中的至少一个激活所述请求者终端或所述提供者终端中的至少一个的音频录制。所述至少一个处理器还可以被配置为指示系统通过所述数据交换端口,从所述请求者终端或所述提供者终端中的至少一个接收录制的音频。
在一些实施例中,与所述请求者有关的信息可以包括图像、视频、音频、生理信息或行为信息中的至少一个。
在一些实施例中,为了基于与所述请求者相关的信息确定所述请求者是否饮酒,所述处理器可以进一步被配置为指示系统执行以下中的至少一个:根据所述请求者的音频或视频,分析所述请求者的语音的声学特性;根据所述请求者的图像或所述视频,分析所述请求者的面部特征;根据与所述请求者相关的行为信息,分析所述请求者的身体动作;或者根据所述请求者的生理信息,分析所述请求者的生理参数。
在一些实施例中,分析所述请求者的语音的声学特性,所述至少一个处理器可以进一步被配置为指示所述系统执行至少一个:根据所述请求者的所述音频或所述视频,确定语速;根据所述请求者的所述音频或所述视频,确定语音音调;确定在所述请求者的所述音频或所述视频中的暂停次数;从所述请求者的所述音频或所述视频中,获取一个或以上的关键词;通过所述请求者,在所述请求者的所述音频或所述视频中,确定所说的句子的持续时间;确定在所述请求者的所述音频或所述视频中的错误频率;根据所述请求者的所述音频或所述视频,确定线性预测系数(LPC);或根据所述请求者的所述音频或所述视频,确定梅尔频率倒谱系数(MFCC)。
在一些实施例中,为根据所述请求者的图像或视频,分析所述请求者的面部特征,所述处理器可以进一步被配置为指示所述系统执行以下至少一项:确定所述请求者的面部或颈部中的至少一个颜色;确定所述请求者的瞳孔大小;确定所述请求者的眨眼频率;确定所述请求者的点头频率;确定所述请求者的打哈欠频率;或确定所述请求者的闭眼持续时间。
在一些实施例中,为根据与所述请求者相关的行为信息,分析所述请求者的身体动作,所述至少一个处理器可以进一步被配置为指示所述系统执行以下至少一项:确定所述请求者的躯干是否摇摆不定;或确定所述请求者的至少一条腿是否摇摆不定;或确定所述请求者的至少一个手臂是否摇摆不定。
在一些实施例中,为根据所述请求者的生理信息,分析所述请求者的生理参数,所述至少一个处理器可以进一步被配置为指示所述系统执行以下至少一项:根据所述请求者的生理信息,获取所述请求者的血糖水平;根据所述请求者的生理信息,获取所述请求者的血压;根据所述请求者的生理信息,获取所述请求者的呼吸率;根据所述请求者的生理信息,获取所述请求者的体温;或根据所述请求者的生理信息,获取请求者的心率。
根据本申请的另一方面,提供一种在计算设备上实现的方法。所述计算设备可以具有至少一个处理器、至少一个计算机可读存储介质、和连接到网络的通信平台。所述方法可以包括通过数据交换端口,获取与请求者发起线上到线下O2O服务请求有关的信息。所述方法还可以包括根据与所述请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率,以及确定所述请求者已饮酒的概率是否大于阈值。响应于确定所述请求者已饮酒的概率大于所述阈值,所述方法还可以包括获取与所述请求者有关的信息,以及根据与所述请求者有关的信息,确定所述请求者是否饮酒。响应于确定所述请求者已饮酒,所述方法还可以包括通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下服务的请求相对应。
根据本申请的另一方面,一种非暂时性计算机可读存储介质,其包含计算机程序产品。所述计算机程序产品包括可以被配置的指令,用于使计算设备通过数据交换端口,获取与请求者发起线上到线下O2O服务请求有关的信息。所述计算机程序产品包括可以被配置的指令,用于使计算设备根据与所述请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率,以及确定所述请求者已饮酒的概率是否大于阈值。响应于确定所述请求者已饮酒的概率大于所述阈值,所述计算机程序产品包括可以进一步被配置的指令,用于使计算设备获取与所述请求者有关的信息,以及根据与所述请求者相关的信息,确定所述请求者是否饮酒。响应于确定所述请求者已饮酒,所述计算机程序产品包含可以被配置的指令,用于使计算设备通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下O2O服务的请求相对应。
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显而易见的。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示例性O2O服务系统的示意图;
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和软件组件的示意图;
图3是根据本申请的一些实施例所示的可以在其上实现终端的移动设备的示例性硬件和/或软件组件的示意图;
图4A和4B是根据本申请的一些实施例所示的示例性处理引擎的框图;
图5是根据本申请的一些实施例所示的用于确定O2O服务的请求者是否已饮酒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生成饮酒预测模型的示例性过程的流程图;以及
图7是根据本申请的一些实施例所示的用于根据与请求者相关的信息来确定请求者是否饮酒的示例性过程的流程图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。然而,本领域技术人员应该明白,可以在没有这些细节的情况下实施本申请。在其他情况下,为了避免不必要地模糊本申请的一些方面,本申请已经以相对高级别概略地描述了公知的方法、程序、系统、组件和/或电路。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,本申请不限于所示的实施例,而是符合与申请专利范围一致的最广泛范围。
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。还应当理解的是,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。
应当理解的是,上下文中描述的术语“系统”、“引擎”、“单元”、“模块”和/或“块”,用于区分不同级别的部件、元件、组件、部件或装配。但是,如果这些术语达到同样的目的,则可能会被另一个术语所取代。
通常,这里使用的词语“模块”、“单元”、或“块”是指体现在硬件或固件中的逻辑,或者是软件指令的集合。这里描述的模块、单元或块可以作为软件和/或硬件被实现,并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中,可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解的是,软件模块可以从其他模块/单元/块或从它们自身调用,和/或可以响应检测到的事件或中断来调用。被配置用于在计算设备上执行的软件模块/单元/块可以被提供在计算机可读介质上,例如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质、或者作为数字下载(最初可以以压缩或可安装的格式存储,在执行之前需要安装、解压缩、或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中,并应用在计算设备的操作之中。软件指令可以嵌入固件中,例如可擦除可编程只读存储器(EPROM)。还应当理解的是,硬件模块/单元/块可以包括在连接的逻辑组件中,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。这里描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块,但是可以用硬件或固件表示。通常,这里描述的模块/单元/块指的是逻辑模块/单元/块,不管它们的物理组织或存储,其可以与其他模块/单元/块组合或者分成子模块/子单元/子块。该描述可适用于系统,引擎或其一部分。
应当理解的是,当单元、发动机、模块或块被称为“接通”、“连接到”或“耦合到”另一个单元、发动机、模块或块时,它可以直接接通,除非上下文另有明确说明,否则可以存在连接或耦合到其他单元、发动机、模块或块,或与其间隔、或者与中间单元、引擎、模块或块通信。在本申请中,术语“和/或”包括任何一个或以上相关所列条目或其组合。
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,可以向流程图添加一个或以上其他操作。也可以从流程图中删除一个或以上操作。
本申请的实施例可以应用于不同的交通系统。不同的运输系统包括但不限于陆地、海洋、航空、航天等运输中的一种或几种的组合。所述运输系统的车辆可以包括人力车、旅行工具、出租车、私家车、顺风车、巴士、铁路运输(例如,列车、子弹头列车、高速铁路、地铁)、船只、飞机、太空船、热气球、无人驾驶车辆等或其任意组合。运输系统还可以包括应用管理和/或分配的任何运输系统,例如,用于发送和/或接收快递的系统。
本申请的不同实施例应用场景可以包括但不限于网页、浏览器插件和/或延伸、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是,本文公开的系统和方法的应用场景仅是一些示例或实施例。不具有进一步创造力的本领域普通技术人员,可以将这些附图应用于其他应用场景。例如,其他类似的服务器。
本申请中可互换使用的术语“乘客”、“请求者”、“服务请求者”和“客户”可用于表示请求或订购服务的个人、实体或工具。同样地,本申请描述的“司机”、“提供者”、“服务提供者”、“供应者”是可以互换的,是指可以提供服务或者协助提供服务的个人、实体或者工具。本申请中的术语“用户”可以指可以请求服务、订购服务、提供服务或协助提供服务的个体、实体、或工具。例如,用户可以是请求者、乘客、司机、操作员等,或其任何组合。在本申请中,“请求者”和“请求者终端”可以互换使用,“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可以互换使用,表示可以由乘客、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。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。
本申请提供用于检测饮酒请求者并提醒提供者的系统和方法,以避免O2O服务平台中的请求者和提供者之间的潜在冲突和争议。在从请求者接收O2O服务的请求之后,系统和方法可以获取与请求有关的信息,其可以提供请求者是否饮酒的指示。与请求有关的信息可以包括例如请求时间、与请求有关的位置信息、请求者的个人信息、或关于请求者的历史反馈信息等,或其任何组合。系统和方法可以基于与请求相关的信息和饮酒预测模型,确定请求者是否饮酒的概率。系统和方法还可以确定概率是否大于阈值。如果概率大于阈值,则系统和方法可以进一步基于请求者的实时信息,例如请求者的图像、视频、行为信息和/或生理信息,确定请求者是否饮酒。在确定请求者已饮酒时,系统和方法可以将关于饮酒请求者的通知发送到相应提供者的提供者终端,以防止提供者和请求者之间的潜在冲突。
图1是根据本申请的一些实施例所示的示例性O2O服务系统100的框图。例如,O2O服务系统100可以是用于运输服务的在线运输服务平台。O2O服务系统100可以包括服务器110、网络120、请求者终端130、提供者终端140、车辆150、存储设备160和导航系统170。
O2O服务系统100可以提供至少两个服务。示例性的服务可以包括出租车呼叫服务、代驾服务、快车服务、拼车服务、巴士服务、司机租用服务和班车服务。在一些实施例中,O2O服务可以是任何在线服务,诸如订餐、购物等,或其任何组合。
在一些实施例中,服务器110可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的(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可以是本地的或远程的。例如,服务器110可以经由网络120访问存储在请求者终端130、提供者终端140、和/或存储设备160中的信息和/或数据。又例如,服务器110可以直接连接到请求者终端130、提供者终端140、和/或存储设备160,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可以在本申请图2中描述的包含一个或者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,以执行本申请描述的一个或以上功能。例如,处理引擎112可以分析由请求者发起的O2O服务的请求的信息和/或请求者的信息,以确定请求者是否已经饮酒。在一些实施例中,处理引擎112可以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可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(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,O2O服务系统100的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140、车辆150、存储设备160和导航系统170)可以经由网络120向O2O服务系统100的其他组件发送信息和/或数据。例如,服务器110可以通过网络120从请求者终端130接收服务请求。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可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(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)网络等或其任意组合。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,例如基站和/或互联网交换点120-1、120-2,O2O服务系统100的一个或以上组件可以通过它们连接到网络120,以交换数据和/或信息。
在一些实施例中,乘客可以是请求者终端130的所有者。在一些实施例中,请求者终端130的所有者可以是除乘客之外的其他人。例如,请求者终端130的所有者A可以使用请求者终端130来发送乘客B的服务请求或者从服务器110接收服务确认和/或信息或指令。在一些实施例中,服务提供者可以是提供者终端140的用户。在一些实施例中,提供者终端140的用户可以为除服务提供者之外的其他人。例如,提供者终端140的用户C可以使用服务提供者终端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”和“乘客终端”可以交换使用,“服务提供者”和“提供者终端”可以交换使用。在一些实施例中,提供者终端可以与一个或以上服务提供者(例如,夜班服务提供者、或白班服务提供者)相关。
在一些实施例中,请求者终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车辆130-4中的内置设备、可穿戴设备130-5等,或其任何组合。在一些实施例中,移动装置130-1可以包括智能家居设备、智慧移动设备、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,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等,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GoogleTM眼镜、Oculus Rift、HoloLens、Gear VR等。在一些实施例中,车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中,请求者终端130可以是具有用来确定请求者和/或请求者终端130位置的定位技术的设备。在一些实施例中,可穿戴设备130-5可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等,或其任何组合。在一些实施例中,可穿戴设备130-5可以包括可以测量和收集佩戴者(例如,佩戴可穿戴设备130-5的服务请求者)的生理数据的一个或多个传感器。所述生理数据可以用于确定佩戴者是否饮酒。
提供者终端140可以包括至少两个提供者终端140-1、140-2、...、140-n。在一些实施例中,提供者终端140可以是与请求者终端130相似,或与请求者终端130相同的设备。在一些实施例中,可以定制提供者终端140以能够实现按需运输服务100。在一些实施例中,提供者终端140可以是具有定位技术的设备,其用于定位服务提供者、提供者终端140、和/或与提供者终端140相关的车辆150。在一些实施例中,请求者终端130和/或提供者终端140可以与另一个定位设备通信,以确定乘客、请求者终端130、服务提供者、和/或提供者终端140的位置。在一些实施例中,请求者终端130和/或提供者终端140可以周期性地将定位信息发送到服务器110。在一些实施例中,提供者终端140还可以周期性地将可用状态发送到服务器110。可用状态可以表明与提供者终端140相关的车辆150是否可以接载乘客。例如,请求者终端130和/或提供者终端140可以每30分钟将定位信息和可用状态发送到服务器110。又例如,请求者终端130和/或提供者终端140可以在每次用户登录到与按需运输服务100相关的移动应用时,将定位信息和可用性状态发送到服务器110。
在一些实施例中,提供者终端140可以对应一个或以上车辆150。车辆150可以接载乘客并送至目的地。车辆150可以包括至少两个车辆150-1、150-2、……、150-n。一个车辆可以对应一种类型的服务(例如,出租车呼叫服务、代驾服务、快车服务、拼车服务、公交车服务、司机租用服务和班车服务)。
存储设备160可以存储数据和/或指令。在一些实施例中,存储设备160可以存储从请求者终端130和/或提供者终端140获取的数据。在一些实施例中,存储设备160可以存储服务器110用来执行或使用来完成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,存储设备160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,或其任何组合。示例性大容量存储器可包括磁盘、光盘、固态驱动器等。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RAM可以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(DDR SDRAM)、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型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、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,存储设备160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,存储设备160可以连接到网络120,以与O2O服务系统100的一个或以上组件(例如,服务器110、请求者终端130、或提供者终端140)通信。O2O服务系统100中的一个或以上组件可以经由网络120访问存储设备160中存储的数据或指令。在一些实施例中,存储设备160可以直接连接到O2O服务系统100的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140)或与之通信。在一些实施例中,存储设备160可以是服务器110的一部分。
导航系统170可以确定与对象相关的信息,例如,请求者终端130提供者终端140、车辆150等中的一个或多个。在一些实施例中,导航系统170可以是全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统(QZSS)等。信息可以包括对象的位置、高度、速度、或加速度,或当前时间。导航系统170可以包括一个或以上卫星,例如,卫星170-1、卫星170-2和卫星170-3。卫星170-1至170-3可以独立地或共同地确定上述信息。卫星导航系统170可以经由无线连接将上述提到的信息发送到网络120、请求者终端130、提供者终端140或车辆150。
在一些实施例中,O2O服务系统100中的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140)可以允许访问存储设备160。在一些实施例中,当满足一个或以上条件时,O2O服务系统100的一个或以上组件可以读取和/或修改与乘客、服务提供者、和/或公众有关的信息。例如,完成服务后,服务器110可以读取和/或修改一个或以上乘客的信息。又例如,完成服务后,服务器110可以读取和/或修改一个或以上服务提供者的信息。
本领域的普通技术人员应当理解的是,当O2O服务系统100的元件(或组件)执行时,该元件可以通过电信号和/或电磁信号执行。例如,当请求者终端130向服务器110发送服务请求时,请求者终端130的处理器可以生成编码请求的电信号。请求者终端130的处理器然后可以将电信号发送到输出端口。若请求者终端130经由有线网络与服务器110通信,则输出端口可以被物理连接至电缆,其进一步可以将电信号传输给服务器110的输入端口。如果请求者终端130经由无线网络与服务器110通信,则请求者终端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,提供者终端130可以经由电信号或电磁信号,从服务器110接收指令和/或服务请求。在如请求者终端130、提供者终端140、和/或服务器110的电子设备中,当其处理器处理指令、发出指令、和/或执行动作时,通过电信号指导指令和/或者动作。例如,当处理器从存储介质中检索或保存数据时,可以将电信号发送给存储介质的读/写设备,该读/写设备可以读取存储介质中的结构化数据。结构化数据可以以电信号的形式经由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2是根据本申请的一些实施例所示的示例性计算设备的示意图。计算设备可以是计算机,例如图1中的服务器110、和/或具有特定功能的计算机,该计算机被配置用于实现根据本申请的一些实施例的任何特定系统。计算设备200可以被配置用于实现执行本申请中公开的一个或以上功能的任何组件。例如,服务器110可以被在硬件设备、软件程序、固件或像计算设备200的计算机的其他任何组合中实现。为简洁起见,图2仅描述了一个计算设备。在一些实施例中,计算设备的功能可以由分布式模式中的一组类似平台来实现,以分散系统的处理负荷。
计算设备200可以包括通信终端250,其可以与可以实现数据通信的网络连接。计算设备200还可以包括被配置为执行指令的处理器220,并且包括一个或以上处理器。示例性计算机平台可以包括内部通信总线210、不同类型的程序存储单元、和数据存储单元(例如,硬盘270、只读存储器(ROM)230、随机存取存储器(RAM)240、应用于计算机处理和/或通信的各种数据文件、以及可能由处理器220执行的一些程序指令。计算设备200还可以包括I/O设备260,其可以支持计算设备200与其他组件之间的数据流的输入和输出。此外,计算设备200可以通过通信网络接收程序和数据。
图3是根据本申请的一些实施例所示的可以在其上实现终端的示例性移动设备的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可以包括照相机305、通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、语音输入355、内存360、移动操作系统(OS)370、应用程序、存储器390、和一个或多个传感器395。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),也可以包括在移动设备300内。
在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、Windows Phone等)和一个或以上应用程序380可以从存储器390下载至内存360,以便由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序,用于从O2O服务系统100接收和呈现与图像处理或其他信息有关的信息。用户与信息流交互可以通过I/O 350实现,并提供给数据库130、服务器105和/或O2O服务系统100的其他组件。照相机305可以被配置用于拍摄图像或录制视频。在一些实施例中,当检测到从移动设备300的I/O 350或语音输入355输入的用户指令时,可以激活照相机305。可替代地或另外地,当经由数据交换端口(例如,通信平台310)检测到来自服务器110的命令时,可以激活相机305。语音输入355可以被配置用于录制语音。在一些实施例中,语音输入355可以录制移动设备300的用户的语音或音频。传感器395可以包括被配置用于检测移动设备300的移动的传感器,例如加速度传感器、陀螺仪、定位传感器等,或其任何组合。另外地或替代地,传感器395可以包括被配置收集持有移动设备300的用户的生理信息的传感器。例如,传感器395可以包括心率传感器、温度传感器等,或其任何组合。在一些实施例中,移动设备300可以是与请求者终端130或提供者终端140相对应的示例性实施例。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口元件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。如果适当编程,计算机也可以充当系统。
图4A和4B是根据本申请的一些实施例所示的示例性处理引擎112A和112B的框图。在一些实施例中,处理引擎112A和112B可以是图1所描述的处理引擎112的实施例。
在一些实施例中,处理引擎112A可以被配置用于根据与请求者有关的信息和请求者做出的请求,确定请求者是否饮酒。处理引擎112B可以被配置用于生成饮酒预测模型。在一些实施例中,处理引擎112A和112B可以分别在图2所示的计算设备200(例如,处理器220)或图3所示的CPU 340上实现。仅作为示例,处理引擎112A可以在移动设备的CPU 340上实现,处理引擎112B可以在计算设备200上实现。可替代的,处理引擎112A和112B可以在同一计算设备200或相同的CPU 340上实现。
处理引擎112A可以包括获取模块401、确定模块402和传输模块403。
获取模块401可以被配置为获取与O2O服务系统100的一个或以上组件有关的信息。例如,获取模块401可以获取与请求者发起的O2O服务请求有关的信息。与请求有关的示例性信息可以包括请求时间信息、请求的位置信息、请求者和/或接受请求的提供者的个人信息,或者与请求者和/或提供者有关的反馈信息。又例如,获取模块401可以是与请求者有关的信息,用于指示请求者的生理状态。与请求者有关的示例性信息可以包括图像、视频、音频、生理信息、请求者的行为信息等,或其任何组合。在一些实施例中,获取模块401可以从O2O服务系统100中的一个或以上组件,例如存储设备(例如,存储设备160)或者一个或以上用户终端(例如,服务请求者终端130,服务提供者终端140)获取信息。另外地或替代地,获取模块401可以经由网络120从外部源获取信息。例如,获取模块401可以从第三方应用程序(例如,交通违规记录的网站或数据库)获取请求者的个人信息(例如,请求者的交通违规记录)。
确定模块402可以被配置用于基于饮酒预测模型和与请求相关的信息来确定请求者已饮酒的概率。在一些实施例中,可以将与请求相关的信息输入到饮酒预测模型中。饮酒预测模型可以分析与请求相关的信息,并生成预测的输出指示请求者是否饮酒。在一些实施例中,预测的输出可以是请求者已饮酒的预测概率。可替代的,预测输出可以是关于请求者是否饮酒的预测类别。处理引擎112A还可以基于预测类别确定概率。在一些实施例中,确定模块402可以进一步被配置用于确定请求者已饮酒的概率是否大于阈值。关于确定请求者已饮酒的概率的更多描述可以在本申请的其他地方找到。参见例如图5中的操作520和530及其相关描述。
在一些实施例中,确定模块402可以被配置用于根据与请求者相关的信息(例如,请求者的图像、音频、或视频)来确定请求者已饮酒。在一些实施例中,确定模块402可以根据与请求者相关的信息,分析请求者的一个或以上特征,并根据分析结果确定请求者是否饮酒。关于确定请求者是否饮酒的细节可以在本申请的其他地方找到。参见例如图7及其相关描述。
传输模块403可以被配置用于将请求者已饮酒的通知发送到接受该请求的提供者的提供者终端。所述通知可以提醒提供者请求者已饮酒,其可以防止提供者和请求者之间的潜在冲突。在一些实施例中,通知可以是任何形式,诸如文本、图像、语音、视频或其组合。
处理引擎112B可以包括获取模块404和训练模块405。
获取模块404可以被配置以获取用于训练饮酒预测模型的信息。例如,获取模块404可以获取与至少两个历史订单相关的历史订单信息。例如,历史订单信息可以包括与对应的历史请求相关的历史信息和/或关于对应的历史请求者的历史反馈信息。在一些实施例中,与历史订单相关的历史订单信息可以表示为特征向量,其包括历史订单的一个或以上特征和特征的历史值。关于至少两个历史订单的历史订单信息的详细信息可以在本申请的其他地方找到。参见例如图6中的操作610及其相关描述。
获取模块404可以进一步被配置为从至少两个历史订单中获得正反馈的第一组历史订单和获得负反馈的第二组历史订单。在一些实施例中,如果历史订单的历史请求者被上报已饮酒,则历史订单可以获得负反馈。如果历史订单的历史请求者被上报没有饮酒,则历史订单可以获得正反馈。另外地或可替代地,如果历史订单的历史请求者没有被上报已饮酒,则历史订单可以获得正反馈。获取模块404可以从历史订单中选择一个或多个获得正反馈的历史订单,并将它们指定为第一组历史订单。获取模块404可以从历史订单中选择一个或多个获得负反馈历史订单,并将它们指定为第二组历史订单。
训练模块405可以被配置为训练模型。例如,训练模块405可以使用第一组历史订单和第二组历史订单来获取初始模型,以生成饮酒预测模型。关于饮酒预测模型的生成的细节可以在本申请的其他地方找到。参见,例如,图6中的操作650及其相关描述。
所述模块可以是处理引擎112的全部或部分的硬件电路。模块还可以实现为由处理引擎112A或112B读取和执行的应用程序或指令集。此外,模块可以是硬件电路和应用/指令的任何组合。例如,当处理引擎112A或112B正在执行应用程序/指令集时,模块可以是处理引擎112A的一部分。
应当注意的是,处理引擎112的上述描述是为了说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。在一些实施例中,上述任何模块可以以两个或以上单独的单元实现。例如,确定模块402的功能可以在两个单独的单元中实现,其中一个被配置为根据与请求相关的信息确定请求者已饮酒的概率,另一个被配置为根据与请求者相关的信息确定请求者是否饮酒。在一些实施例中,处理引擎112A和/或处理引擎112B还可以包括一个或以上附加模块(例如,存储模块)。在一些实施例中,处理引擎112A和112B可以合并为一个处理引擎。
图5是根据本申请的一些实施例所示的用于确定O2O服务的请求者是否已饮酒的示例性过程的流程图。过程500的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中,过程500的一个或以上操作可以在如图1所示的O2O服务系统100中实现。在一些实施例中,过程500中的一个或以上操作可以作为指令的形式存储在存储设备(例如,存储设备160、ROM 230、RAM 240、存储器390)中,并且被服务器110调用和/或执行(例如,服务器110中的处理引擎112A或计算设备200的处理器220)。在一些实施例中,指令可以以电子电流或电信号的形式被传输。
在510中,处理引擎112A(例如,获取模块401)可以通过数据交换端口获取与请求者发起的O2O服务请求有关的信息。
示例性的O2O服务可以包括出租车呼叫服务、代驾服务、快车服务、拼车服务、巴士服务、司机租用服务、班车服务,外卖服务等,或其任何组合。在一些实施例中,O2O服务可以是任何在线服务,诸如订餐服务、在线购物服务等,或其任何组合。在一些实施例中,O2O服务的请求可以由请求者通过请求者终端130发送,例如,通过安装在请求者终端130中的O2O服务的应用程序。
与O2O服务请求相关的信息可以包括与请求和/或请求者相关的任何信息。例如,信息可以包括请求时间、请求起点、请求者的位置、目的地、起点与请求者的位置之间的预估距离(例如,线性距离或路线距离)、起点和目的地之间的预估距离(例如,线性距离或路线距离)、请求者的个人信息、关于请求者的历史反馈信息等,或其任何组合。在一些实施例中,所述信息可以包括请求时间、请求的起点、请求者的位置、请求的起点与请求者的位置之间的预估距离、请求者的个人信息或关于请求者的历史反馈信息中的至少一个。
所述请求时间可以指请求者发起O2O服务请求的时间点或请求者想要接收O2O服务的预约时间点。所述请求起点可以指请求者想要接收O2O服务的位置。所述请求者的位置可以指请求者发起请求的位置。在一些实施例中,请求的起点和请求者的位置可以相同或不同。所述目的地可以指请求者想要完成O2O服务的位置。请求者的个人信息可以包括性别、年龄、联系信息(例如电话号码)、教育程度、地址、职业、婚姻状况、犯罪记录、信用记录、交通违规记录等,或其任何组合。关于请求者的历史反馈信息可以包括由服务提供者评估的请求者的表现分数、关于请求者的评论和/或投诉、请求者被上报不正当行为(例如,饮酒)的次数。在一些实施例中,历史反馈信息可以在预定时间段内,例如,在请求的请求时间之前的近一个月、近半年,或过去一年。
在一些实施例中,与请求相关的信息可以用于评估请求者是否在某种程度上饮酒。例如,晚上发起请求的请求者更有可能饮酒。又例如,在酒吧附近发起请求的请求者更有可能饮酒。因此,与请求有关的信息可以用于预估请求者已饮酒的概率。
在一些实施例中,可以从O2O服务系统100的一个或以上组件获取与请求有关的信息。仅作为示例,个人信息的一部分可以由请求者输入并存储在存储设备160中。获取模块401可以经由数据交换端口,从存储设备160获取个人信息的所述部分。附加地或替代地,可以经由网络120和数据交换端口,从外部源获取与请求有关的信息。在一些实施例中,请求者的个人信息可以从彼此共享用户信息的一个或以上第三方应用程序中获取。例如,可以从交通违规记录的网站或数据库中获取请求者的交通违规记录。
数据交换端口可以在处理引擎112A与O2O服务系统100中的一个或以上其他组件例如,请求者的终端设备130、存储设备160之间建立连接。连接可以是有线连接、无线连接、可以实现数据传输和/或接收的任何其他通信连接和/或这些连接的任何组合。在一些实施例中,数据交换端口可以类似于图2中描述的COM 250,这里不再重复其描述。
在520中,处理引擎112A(例如,确定模块402)可以根据与请求相关的信息使用饮酒预测模型,确定请求者已饮酒的概率。为简洁起见,请求者已饮酒的概率可被称为概率。
在一些实施例中,与请求相关的信息可以输入到饮酒预测模型中。饮酒预测模型可以分析与请求相关的信息,并生成预测的输出指示请求者是否饮酒。在一些实施例中,预测的输出可以是请求者已饮酒的预测概率。替代地,预测的输出可以是关于请求者是否饮酒的预测类别。处理引擎112A还可以基于预测类别确定概率。例如,预测类别可以包括请求者已饮酒的第一类别和请求者未饮酒的第二类别。处理引擎112A可以确定指示请求者属于第一类别的第一概率值和指示请求者属于第二类别的第二概率值。第一概率值可能高于第二概率值。仅作为示例,第一概率值可以是1,第二概率值可以是0。又例如,第一概率值可以是0.7,第二概率值可以是0.3。
在一些实施例中,可以通过使用至少两个历史订单训练初始模型来生成饮酒预测模型。初始模型可以包括机器学习模型,例如但不限于梯度提升决策树(GBDT)模型或极端梯度提升(XGBoost)模型。关于饮酒预测模型的细节可以在本申请的其他地方找到,例如,图6及其描述。
在一些实施例中,概率可以以各种形式表示。例如,概率可以表示为百分比(例如,0%到100%之间的值)。更高的百分比可以表明请求者已饮酒的概率更高。又例如,概率可以表示为分数(例如,0到10之间的值)。得分越高表示请求者已饮酒的概率越高。
在530中,处理引擎112A(例如,确定模块402)可以确定请求者已饮酒的概率是否大于阈值。响应于确定概率大于阈值,过程500可以进行到540。响应于确定概率不大于阈值,过程500可以进行到570。
所述阈值可以是任何正值。阈值可以根据概率的表达形式而有所不同。例如,如果概率表示为0到100%之间的百分比,则阈值可以是诸如50%、60%、70%、80%、90%或任何其他正百分比。又例如,如果概率表示为0到10之间的值,则阈值可以是诸如5、6、7、8、9,或0到10之间的任何其他正值。在一些实施例中,阈值可以是等于或大于概率范围的中值的值。
在一些实施例中,所述阈值可以是存储设备(例如,存储设备160)中存储的默认设置,或者由O2O服务系统100通过终端设置。在一些实施例中,可以根据不同情况,由O2O服务系统100的一个或以上组件(例如,处理引擎112A)来确定或调整阈值。例如,考虑到请求者更有可能在晚上喝酒,相对于白天请求的阈值可能高于晚上请求的阈值。
在540中,处理引擎112A(例如,获取模块401)可以获取与请求者有关的信息。所述与请求者有关的信息可以包括指示请求者的生理状态的任何实时信息。与请求者有关的示例性信息可以包括请求者的图像、视频、音频、生理信息、行为信息等,或其任何组合。
在一些实施例中,可以从请求者的请求者终端130获取请求者的图像和/或视频。在一些实施例中,为了获取请求者的图像和/或视频,处理引擎112A可以经由数据交换端口发送打开请求者终端130的照相机的请求。当接收到来自请求者对所述请求的批准时,处理引擎112A可以通过数据交换端口向请求者终端130发送命令,以录制请求者的图像和/或视频。处理引擎112A可以进一步经由数据交换端口从请求者终端130接收图像和/或视频。
在一些实施例中,请求者的音频可以包括由请求者发送给接受请求的提供者的一段音频。另外地或替代地,请求者的音频可以包括记录请求者和提供者之间的对话的一段音频。请求者的音频可以从请求者的请求者终端130和/或接受请求的提供者的提供者终端140中获取。在一些实施例中,处理引擎112A可以经由数据交换端口,向请求者终端130或提供者终端140中的至少一个发送获取音频的请求。所述请求可以使请求者终端130或提供者终端140中的至少一个激活音频录制。然后,处理引擎112A可以经由数据交换端口,从请求者终端130或提供者终端140中的至少一个接收录制的音频。
所述生理信息可包括血糖水平、血压、呼吸率、体温、请求者的心率等,或其任何组合。在一些实施例中,请求者的生理信息可以从请求者所佩戴的可穿戴设备(例如,可穿戴设备130-5)的和/或从请求者终端130的一个或多个传感器395获取。
所述行为信息可包括身体运动(例如,身体摆动、腿部摆动和/或手臂摆动)、请求者的步行速度等,或其任何组合。在一些实施例中,行为信息可以由处理引擎112A从请求者的一个或多个图像和/或视频中获取。例如,处理引擎112A可以通过分析请求者的图像和/或视频来检测身体摆动、腿部摆动和/或手臂摆动。另外地或替代地,可以从请求者终端130获取行为信息。例如,请求者终端130可以被配置有一个或多个传感器395,例如可以检测请求者终端130的移动的加速度传感器或陀螺仪,所述移动反过来可以反映请求者的运动。
在550中,处理引擎112A(例如,确定模块402)可以基于与请求者相关的信息来确定请求者是否已饮酒。响应于确定请求者已饮酒,过程500可以进行到560。响应于确定请求者未饮酒,过程500可以进行到570。
在一些实施例中,确定模块402可以根据与请求者相关的信息来分析请求者的一个或以上特征。确定模块402可以进一步基于分析结果确定请求者是否已经饮酒。所述一个或以上特征可以包括声学特征、面部特征、身体运动、请求者的生理参数等,或其任何组合。关于确定请求者是否饮酒的细节可以在本申请的其他地方找到,例如,图7及其描述。
在560中,处理引擎112A(例如,传输模块403)可以经由数据交换端口将请求者已饮酒的通知发送到对应O2O服务请求的提供者终端140。
对应于请求的提供者终端140可以指接受请求的提供者的提供者终端140。在一些实施例中,通知可以是任何形式,例如文本、图像、语音、视频或其组合。通知提醒O2O服务的提供者请求者已饮酒,其可以防止提供者和请求者之间的潜在冲突。
在570中,处理引擎112A可以结束过程500。
应当注意的是,关于过程500的以上描述的仅仅是出于说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。在一些实施例中,可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如,在操作560或570之后,处理引擎112A可以向提供者终端140发送对应于该请求的询问,以确认请求者是否已饮酒。在一些实施例中,处理引擎112A可以在饮酒预测模型的训练和/或更新中利用所述询问结果。
图6是根据本申请的一些实施例所示的用于生成饮酒预测模型的示例性过程的流程图。过程600的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中,过程600的一个或以上操作可以在如图1所示的O2O服务系统100中实现。在一些实施例中,过程600中的一个或以上操作可以作为指令的形式存储在存储设备(例如,存储设备160、ROM 230、RAM 240、存储器390等)中,并且被服务器110(例如,服务器110中的处理引擎112B,或计算设备200的处理器220)调用和/或执行。在一些实施例中,可以执行过程600的部分或全部以实现图5所描述的操作520。
在610中,处理引擎112B(例如,获取模块404)可以获取至少两个历史订单。
如这里所使用的,“获取至少两个历史订单”可以指“获取与历史订单相关的历史订单信息”。历史订单可以指已完成的服务订单。在一些实施例中,在操作610中获取的历史订单可以是在预定时间段内,例如,一年(例如,去年、今年、最近一年),半年(例如,最近六个月、当年的前半年),四分之一年(例如,最近三个月、当年的第二季度)等,或其任何组合。
与历史订单相关的历史订单信息可以包括与相应的历史请求相关的历史信息。与历史请求相关的历史信息可以包括历史请求时间、历史起点、历史目的地、在相应的历史请求者发起历史订单时他/她的历史位置、历史起点和历史目的地之间的预估距离、历史起点与历史请求者的历史位置之间的预估距离、历史请求者的个人信息、关于历史请求者的历史反馈信息等,或其任何组合。与历史请求相关的历史信息可以类似于与结合操作510描述的请求相关的信息,并且这里不再重复其描述。在一些实施例中,与历史订单相关的历史订单信息还可以包括价格信息、与对应的历史提供者有关的信息(例如,历史提供者的个人信息、关于历史提供者的历史反馈信息)等或其任何组合。
在一些实施例中,与历史订单相关的历史订单信息可以包括关于历史请求者的历史反馈信息。历史反馈信息可以包括通过历史提供者提供的关于历史请求者在他/她发起历史订单时是否已经饮酒的反馈。在一些实施例中,如果反馈表明历史请求者没有饮酒,则可以将其视为正反馈。如果反馈表明历史请求者已经饮酒,则可以被视为负反馈。在一些实施例中,历史提供者可以不提供关于历史请求者是否已经饮酒的反馈。可以假设历史请求者没有饮酒,并且历史订单可以具有正反馈。
在一些实施例中,与历史订单相关的历史订单信息可以表示为包括历史订单的一个或以上特征的特征向量。N维向量可以与N个特征相关。在一些实施例中,处理引擎112(例如,处理引擎112B)可以立即处理一个或以上特征向量。例如,m个特征向量(例如,三行向量)可以被集成到1×mN的向量或m×N的矩阵中,其中m是整数。
在620中,处理引擎112B(例如,获取模块404)可以从至少两个历史订单中获取获得正反馈的第一组历史订单。在630中,处理引擎112B(例如,获取模块404)可以从至少两个历史订单中获取获得负反馈的第二组历史订单。
如结合操作610所述,如果历史订单的历史请求者被上报已饮酒,则历史订单可以获得负反馈。如果历史订单的历史请求者被上报没有饮酒,则历史订单可以获得正反馈。另外地或者替代地,如果历史订单的历史请求者没有被上报已饮酒,则历史订单可以获得正反馈。在一些实施例中,获取模块404可以从历史订单中选择一个或以上正反馈的历史订单,并将它们指定为第一组历史订单。获取模块404可以从历史订单中选择一个或以上负反馈的历史订单,并将它们指定为第二组历史订单。在一些实施例中,第二组中的历史订单的数量可以与第一组的历史订单的数量相同或不同。
在640中,处理引擎112B(例如,获取模块404)可以获取初始模型。
所述初始模型可以包括机器学习模型,例如梯度提升决策树(GBDT)模型、极端梯度提升(XGBoost)模型和随机森林模型。在一些实施例中,初始模型可具有O2O服务系统100的默认设置(例如,一个或以上初始参数),或者可以在不同情况下被调整。以初始模型XGBoost模型为例,初始模型可以包括一个或以上初始参数,例如提升类型(例如,基于树的模型或线性模型)、提升参数(例如,最大深度、最大叶节点数)、学习任务参数(例如,训练的目标函数)等,或其任何组合。
在650中,处理引擎112B(例如,训练模块405)可以通过使用获得正反馈的第一组历史订单和获得负反馈的第二组历史订单训练初始模型来生成饮酒预测模型。饮酒预测模型可以被配置用于根据请求信息,预测O2O服务的请求者是否已经饮酒。在一些实施例中,预测结果可以是请求者已饮酒的预测概率或指示请求者是否饮酒的预测类别。
在一些实施例中,在初始模型的训练中,第一组历史订单和第二组历史订单可以被视为具有历史请求者已饮酒的不同概率。例如,对应于获得正反馈的第一组历史订单的概率可以被视为第三可能性值,对应于获得负反馈的第二组历史订单的概率可以被视为第四种可能性值。第三概率值可能低于第四概率值。仅作为示例,第三概率值可以是0,第四概率值可以是1。又例如,第一概率值可以是0.3,第二概率值可以是0.7。另外地,第一组历史订单和第二组历史订单可以被视为两个单独的类别。
训练模块405可以将第一组和第二组中的每个历史订单的特征信息输入到初始模型中,以输出相应的预测概率(或预测类别)。训练模块405可以进一步确定第一组和第二组中的历史订单的预测概率和已知概率之间(或者在预测类别和已知类别之间)的差异。为简洁起见,差异也可以被称为损失函数。根据损失函数,训练模块405可以进一步调整初始模型(例如,调整初始参数),直到损失函数达到期望值。在损失函数达到期望值之后,可以将调整后的初始二元模型指定为饮酒预测模型。
在一些实施例中,初始模型训练的目标函数可以包括损失函数(或训练损失)以及正则化。损失函数衡量初始模型对训练数据的拟合程度。正则化衡量初始模型的复杂性。在一些实施例中,如果饮酒预测模型的预测输出是饮酒的请求者的预测概率。目标函数可以是逻辑函数。如果饮酒预测模型的预测输出是关于请求者是否饮酒的预测类别。目标函数可以是softmax函数。
在一些实施例中,饮酒预测模型可以包括第一组历史订单或第二组历史订单的至少两个特征的至少两个权重。特征的权值可以表示特征对饮酒预测模型的预测输出的影响。具有较大权值的特征可能比具有较低权值的特征对饮酒预测模型的预测输出具有更大的影响。在一些实施例中,处理引擎112B可以基于特征的权重从至少两个特征中选择一个或以上核心特征。例如,处理引擎112B可以选择具有前N个权重的特征作为核心特征。N可以是任何正值(例如,10、20和30)或百分比(例如,10%、20%和30%)。核心特征可用于识别O2O服务系统100中的饮酒请求者。仅作为示例,根据饮酒预测模型,请求时间、请求者的位置以及请求者的性别是权重前3名的核心特征。当请求者发起新请求时,处理引擎112可以通过分析请求时间、请求者的请求者位置以及新请求的请求者的性别,确定请求者已饮酒的概率。
应当注意的是,对过程600的以上描述仅仅是出于说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的教导,做出多种改变和修正。然而,这些改变和修正不会背离本申请的范围。在一些实施例中,可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如,620和630可以组合在一个操作中。又例如,可以在650之后添加操作以测试饮酒预测模型。
图7是根据本申请的一些实施例所示的用于根据与请求者相关的信息来确定请求者是否饮酒的示例性过程的流程图。过程700的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中,过程700的一个或以上操作可以在如图1所示的O2O服务系统100中实现。在一些实施例中,过程700中的一个或以上操作可以作为指令的形式存储在存储设备(例如,存储设备160、ROM 230、RAM 240、存储器390等)中,并且由服务器110(例如,服务器110中的处理引擎112A或计算设备200的处理器220)调用和/或执行。在一些实施例中,可以执行过程700的部分或全部以实现如结合图5所描述的操作550。
如结合操作540所述,与请求者有关的信息可以包括图像、视频、音频、生理信息、请求者的行为信息等,或其任何组合。处理引擎112A(例如,确定模块402)可以根据与请求者有关的信息来分析请求者的一个或以上特征,并根据分析结果确定请求者是否饮酒。
在710中,处理引擎112A(例如,确定402)可以基于请求者的音频或视频来分析请求者的语音的声学特性。
示例性语音的声学特性可以包括语速、语音语调、暂停次数、请求者说出的一个或以上关键词、请求者说出的句子的持续时间、错误的频率、线性预测系数(LPC)、梅尔频率倒谱系数(MFCC)等,或其任何组合。在一些实施例中,确定模块402可以根据音频或视频获取并分析语音、暂停的次数、请求者所说的一个或以上关键词、请求者所说的句子的持续时间、错误的频率、LPC或请求者的MFCC中的至少一个。在一些实施例中,确定模块402可以根据一个或以上语音分析和/或识别技术,从包括请求者的音频或视频的音频信号中提取语音的声学特性。
在一些实施例中,确定模块402可以通过将请求者的声学特性与声学特性的参考值(或范围)进行比较来确定请求者是否饮酒。参考值(或范围)可以是没有饮酒的正常人的声学特性的参考值(或范围),或者是醉酒人的声学特性的参考值(或范围)。仅作为示例,确定模块402可以确定请求者的语速是否慢于正常人的预设的语速。响应于确定语速比预设语速慢,确定模块402可以确定请求者可能已饮酒。又例如,确定模块402可以确定请求者所说的所提取的关键词是否包括醉酒人可能会说的一个或以上的特征词,例如“喝酒”、“醉酒”、“酒精”、“酒吧”、“酒吧”、“酒”等,或其任何组合。响应于确定所提取的关键词包括一个或以上特征词,确定模块402可以确定请求者已经饮酒。又例如,确定模块402可以确定音频是否包括暂停次数比正常阈值更多的音频。由于醉酒人可能口吃,音频中的更多暂停可能表明请求者已经饮酒。响应于确定包括暂停次数比正常阈值更多的音频,确定模块402可以确定请求者可能已经饮酒。在一些实施例中,确定模块402可以基于声学特性的比较结果,确定请求者已经饮酒的可能性。例如,因为请求者的声学特性与其对应的参考值(或范围)之间的差异更大,确定模块402可以确定请求者已饮酒的更高可能性。
在一些实施例中,确定模块402可以提取和分析请求者的至少两个声学特性以确定他/她是否已经饮酒。例如,确定模块402可以将每个声学特性与对应的参考值(或范围)进行比较。如果声学特性之一的比较结果确定请求者已经饮酒,则确定模块402可以确定请求者已经饮酒。可替代地,只有在多个声学特性(例如,声学特性的2个、3个、4个或一半)的比较结果确定请求者已经饮酒时,确定模块402才会确定请求已经饮酒。在一些实施例中,确定模块402可以基于声学特性的比较结果,确定请求者已经饮酒的可能性。
在720中,处理引擎112A(例如,确定模块402)可以根据请求者的图像或视频来分析请求者的面部特征。
示例性请求者的面部特征可以包括请求者的面部和/或颈部的颜色、请求者的瞳孔大小、请求者的眨眼频率、请求者的点头频率、请求者的打哈欠率、请求者的闭眼持续时间等,或其任何组合。在一些实施例中,确定模块402可以根据请求者的图像或视频,获取请求者的面部和/或颈部的颜色、请求者的瞳孔大小、请求者的眨眼频率、请求者的点头频率、或者请求者的打哈欠频率中的至少一个。在一些实施例中,确定模块402可以通过一个或以上图像处理技术,例如但不限于图像变换技术、图像分割技术、图像滤波技术、图像运动检测技术,从请求者的图像或视频获取请求者的面部特征。
在一些实施例中,确定模块402可以通过将请求者的面部特征与面部特征的参考值(或范围)进行比较来确定请求者是否已经饮酒。面部特征的参考值(或范围)可以是没有饮酒的正常人的面部特征的参考值(或范围),或者是醉酒人的面部特征的参考值(或范围)。例如,确定模块402可以确定面部和/或颈部的颜色是否包括红色或红色的变形(例如,粉红色、红宝石色、胭脂红色)。响应于确定面部和/或颈部的颜色包括红色或红色的变形,确定模块402可以确定请求者已饮酒。基于请求者的一个或以上面部特征确定请求者是否饮酒的可以类似于基于请求者的一个或以上声学特性,并且这里不再重复其描述。
在730中,处理引擎112A(例如,确定模块402)可以根据请求者的行为信息来分析请求者的身体运动。
在一些实施例中,确定模块402可以根据请求者的行为信息来分析躯干摆动、腿部摆动、或手臂摆动中的至少一个。以躯干摆动为例,确定模块402可以根据与请求者相关的行为信息来确定请求者的躯干是否摇摆不定。如这里所使用的,如果请求者的躯干的摆动幅度和/或摆动频率超过预定值(或范围),则请求者的躯干可被视摇摆不定。响应于确定请求者的躯干摇摆不定,确定模块402可以确定请求者已饮酒。又例如,确定模块402可以通过确定请求者的至少一个腿(或手臂)是否摇摆不定来确定请求者是否已饮酒。根据腿部摆动或手臂摆动确定请求者是否饮酒可能类似于根据躯干摆动确定请求者是否饮酒,在此不再赘述。
在一些实施例中,如果根据躯干摆动、腿部摆动或手臂摆动中的至少一个的分析结果确定他/她已经饮酒,则确定模块402可以确定请求者已经饮酒。替代地,如果根据躯干摆动、腿部摆动、或手臂摆动中的至少两个或全部的分析结果确定他/她已经饮酒,则确定模块402可以确定请求者已经饮酒。
在740中,处理引擎112A(例如,确定模块402)可以根据请求者的生理信息来分析请求者的生理参数。
示例性生理参数可以包括血糖水平、血压、呼吸率、体温、请求者的心率等,或其任何组合。在一些实施例中,确定模块402可以基于请求者的生理信息获取并分析请求者的血糖水平、血压、呼吸率、体温、或心率中的至少一个。
在一些实施例中,确定模块402可以通过将请求者的生理参数与生理参数的参考值(或范围)进行比较来确定请求者是否已经饮酒。生理参数的参考值(或范围)可以是未饮酒的正常人的生理参数的参考值(或范围),或饮酒人的生理参数的参考值(或范围)。例如,确定模块402可以确定请求者的心率是否大于正常人的预设心率。响应于确定请求者的心率大于预设心率,确定模块402可以确定请求者已经饮酒。基于请求者的一个或以上生理参数确定请求者是否已饮酒可以类似于基于请求者的一个或以上声学特性确定请求者是否已饮酒,在此不再赘述。
在750中,处理引擎112A(例如,确定模块402)可以根据请求者的语音的声学特性(或属性)、面部特征、身体运动、以及生理参数的分析来确定请求者是否已经饮酒。
在一些实施例中,如果语音的声学特性(或属性)、面部特征、身体运动、和生理参数的分析结果中的至少一个表明请求者已经饮酒,则确定模块402可以确定请求者已经饮酒。替代地,如果多个分析结果(例如,2个、3个或所有分析结果)显示请求者已饮酒,则确定模块402可以确定请求者已饮酒。在一些实施例中,确定模块402可以基于通过声学特性(或属性)、面部特征、身体运动、和生理参数的分析确定的请求者已饮酒的可能性来确定加权可能性。如果加权可能性大于预设可能性,则确定模块402可以确定请求者已经饮酒。如果加权可能性不大于预设可能性,则确定模块402可以确定请求者没有饮酒。
应当注意的是,过程700的上述描述仅仅是出于说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的教导,做出各种各样的改变和修正。然而,这些改变和修正不会背离本申请的范围。在一些实施例中,可以省略过程700中的一个或以上操作和/或可以将一个或以上附加操作添加到过程700。例如,只要执行操作710至740中的至少一个以确定请求者是否已经饮酒,可以省略操作710至740中的任何一个。又例如,可以省略操作750,并且可以仅执行操作710至740中的一个以确定请求者是否已经饮酒。
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替代、改进和修正。该类替代、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,本申请使用了特定术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。
进一步地,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过程、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被称为“数据块”、“模块”、“引擎”、“单元”、“组件”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、装置或设备以实现通信、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。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python或类似的常规程序编程语言,如“C”编程语言、Visual Basic、Fortran1703、Perl,COBOL 1702、PHP、ABAP、动态编程语言如Python、Ruby、和Groovy或其它编程语言。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,比如局域网络(LAN)或广域网路(WAN)、连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
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,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (25)
1.一种检测线上到线下服务平台中的饮酒请求者的系统,包括:
数据交换端口,所述数据交换端口通信连接到网络;
至少一个非暂时性计算机可读存储介质,所述非暂时性计算机可读存储介质包括一组指令;以及
至少一个处理器,所述至少一个处理器与所述数据交换端口和所述至少一个非暂时性计算机可读存储介质通信,其中当执行所述指令集时,所述至少一个处理器被配置为指示所述系统:
通过所述数据交换端口,获取与请求者发起线上到线下(O2O)服务请求有关的信息;
根据与所述请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率;
确定所述请求者已饮酒的概率是否大于阈值;
响应于确定所述请求者已饮酒的概率大于所述阈值,获取与所述请求者有关的信息;
根据与所述请求者有关的信息,确定所述请求者是否饮酒;以及
响应于确定所述请求者已饮酒,通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下服务的请求相对应。
2.根据权利要求1所述的系统,其特征在于,所述与所述请求相关的信息包括请求时间、请求起点、所述请求者的位置、所述请求起点与所述请求者的位置之间的预估距离、所述请求者的个人信息,或关于所述请求者的历史反馈信息中的至少一个。
3.根据权利要求1所述的系统,其特征在于,所述饮酒预测模型是根据模型训练过程生成的,所述模型训练过程包括:
获取至少两个历史订单;
从所述至少两个历史订单中获取第一组历史订单,所述第一组历史订单获得正反馈;
从所述至少两个历史订单中获取第二组历史订单,所述第二组历史订单获得负反馈;
获取初始模型;以及
通过使用所述获得正反馈的第一组历史订单和所述获得负反馈的第二组历史订单,训练所述初始模型,生成所述饮酒预测模型。
4.根据权利要求3所述的系统,其特征在于,所述初始模型是梯度提升决策树(GBDT)模型或极限梯度提升(XGBoost)模型中的至少一种。
5.根据权利要求1至4任一项所述的系统,其特征在于,为获取与所述请求者相关的信息,所述至少一个处理器被进一步被配置为指示所述系统:通过所述数据交换端口,发送打开与所述请求者相关的请求者终端的照相机的请求;
当接收所述请求者对所述请求的批准时,通过所述数据交换端口向所述请求者终端发送命令以录制至少一个图像或视频;以及
通过所述数据交换端口,从所述请求者终端接收所述至少一个图像或视频。
6.根据权利要求1至4任一项所述的系统,其特征在于,为获取与所述请求者相关的信息,所述至少一个处理器被进一步被配置为指示所述系统:通过所述数据交换端口,向请求者终端或提供终端中的至少一个发送获取所述请求者的音频的请求,所述请求导致所述请求者终端或所述提供者终端中的至少一个激活所述请求者终端或所述提供者终端中的至少一个的音频录制;以及
通过所述数据交换端口,从所述请求者终端或所述提供者终端中的至少一个接收录制的音频。
7.根据权利要求1至4任一项所述的系统,其特征在于,所述与所述请求者相关的信息包括图像、视频、音频、生理信息或行为信息中的至少一个。
8.根据权利要求1至4任一项所述的系统,其特征在于,为基于与所述请求者相关的信息确定所述请求者是否饮酒,所述至少一个处理器进一步被配置为指示所述系统执行以下中的至少一个:
根据所述请求者的音频或视频,分析所述请求者的语音的声学特性;
根据所述请求者的图像或所述视频,分析所述请求者的面部特征;
根据与所述请求者相关的行为信息,分析所述请求者的身体动作;或
者
根据所述请求者的生理信息,分析所述请求者的生理参数。
9.根据权利要求8所述的系统,其特征在于,为分析所述请求者的语音的声学特性,所述至少一个处理器进一步被配置为指示所述系统执行至少一个:
根据所述请求者的所述音频或所述视频,确定语速;
根据所述请求者的所述音频或所述视频,确定语音音调;
确定在所述请求者的所述音频或所述视频中的暂停次数;
从所述请求者的所述音频或所述视频中,获取一个或以上的关键词;
在所述请求者的所述音频或所述视频中,确定所述请求者所说的句子的持续时间;
确定在所述请求者的所述音频或所述视频中的错误频率;
根据所述请求者的所述音频或所述视频,确定线性预测系数(LPC);或
根据所述请求者的所述音频或所述视频,确定梅尔频率倒谱系数(MFCC)。
10.根据权利要求8所述的系统,其特征在于,为根据所述请求者的图像或视频,分析所述请求者的面部特征,所述至少一个处理器被进一步配置为指示所述系统执行以下至少一项:
确定所述请求者的面部或颈部中的至少一个的颜色;
确定所述请求者的瞳孔大小;
确定所述请求者的眨眼频率;
确定所述请求者的点头频率;
确定所述请求者的打哈欠频率;或
确定所述请求者的闭眼持续时间。
11.根据权利要求8所述的系统,其特征在于,为根据与所述请求者相关的行为信息,分析所述请求者的身体动作,所述至少有一个处理器被进一步配置为指示所述系统执行以下至少一项:
确定所述请求者的躯干是否摇摆不定;或
确定所述请求者的至少一条腿是否摇摆不定;或
确定所述请求者的至少一个手臂是否摇摆不定。
12.根据权利要求8所述的系统,其特征在于,为根据所述请求者的生理信息,分析所述请求者的生理参数,所述至少有一个处理器被进一步配置为指示所述系统执行以下至少一项:
根据所述请求者的生理信息,获取所述请求者的血糖水平;
根据所述请求者的生理信息,获取所述请求者的血压;
根据所述请求者的生理信息,获取所述请求者的呼吸率;
根据所述请求者的生理信息,获取所述请求者的体温;或
根据所述请求者的生理信息,获取所述请求者的心率。
13.一种在计算设备上实现的方法,所述计算设备具有至少一个处理器、至少一个计算机可读存储介质、和连接到网络的通信平台,包括:
通过数据交换端口,获取与请求者发起线上到线下(O2O)服务请求有关的信息;
根据与所述请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率;
确定所述请求者已饮酒的概率是否大于阈值;
响应于确定所述请求者已饮酒的概率大于所述阈值,获取与所述请求者有关的信息;
根据与所述请求者有关的信息,确定所述请求者是否饮酒;以及
响应于确定所述请求者已饮酒,通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下服务的请求相对应。
14.根据权利要求13所述的方法,其特征在于,所述与请求相关的信息包括请求时间、请求起点、所述请求者的位置、所述请求起点与所述请求者的位置之间的预估距离、所述请求者的个人信息,或关于所述请求者的历史反馈信息中的至少一个。
15.根据权利要求13所述的方法,其特征在于,所述饮酒预测模型是根据模型训练过程生成的,所述模型训练过程包括:
获取至少两个历史订单;
从所述至少两个历史订单中获取第一组历史订单,所述第一组历史订单获得正反馈;
从所述至少两个历史订单中获取第二组历史订单,所述第二组历史订单获得负反馈;
获取初始模型;以及
通过使用所述获得正反馈的第一组历史订单与和所述获得负反馈的第二组历史订单,训练所述初始模型,生成所述饮酒预测模型。
16.根据权利要求15所述的方法,其特征在于,所述初始模型是梯度提升决策树(GBDT)模型或极端梯度提升(XGBoost)模型中的至少一种。
17.根据权利要求13至16任一项所述的方法,其特征在于,所述获取与所述请求者相关的信息包括:
通过所述数据交换端口,发送打开与所述请求者相关的请求者终端的照相机的请求,;
当接收所述请求者对所述请求的批准时,通过所述数据交换端口向所述请求者终端发送命令以录制至少一个图像或视频;以及
通过所述数据交换端口,从所述请求者终端接收所述至少一个图像或视频。
18.根据权利要求13至16任一项所述的方法,其特征在于,获取与所述请求者相关的信息包括:
通过所述数据交换端口,向请求者终端或提供终端中的至少一个发送获取所述请求者的音频的请求,所述请求导致所述请求者终端或所述提供者终端中的至少一个激活所述请求者终端或所述提供者终端中的至少一个的音频录制;以及
通过所述数据交换端口,从所述请求者终端或所述提供者终端中的至少一个接收录制的音频。
19.根据权利要求13至16任一项所述的系统,其特征在于,所述与所述请求者相关的信息包括图像、视频、音频、生理信息或行为信息中的至少一个。
20.根据权利要求13至16任一项所述的方法,其特征在于,所述基于与所述请求者相关的信息确定所述请求者是否饮酒,包括:
根据所述请求者的音频或视频,分析所述请求者的语音的声学特性;
根据所述请求者的图像或所述视频,分析所述请求者的面部特征;
根据与所述请求者相关的行为信息,分析所述请求者的身体动作;或
者
根据所述请求者的生理信息,分析所述请求者的生理参数。
21.根据权利要求20所述的方法,其特征在于,所述分析所述请求者的音频声学特性包括:
根据所述请求者的所述音频或所述视频,确定语速;
根据所述请求者的所述音频或所述视频,确定语音音调;
确定在所述请求者的所述音频或所述视频中的暂停次数;
从所述请求者的所述音频或所述视频中,获取一个或以上的关键词;
在所述请求者的所述音频或所述视频中,确定所述请求者所说的句子的持续时间;
确定在所述请求者的所述音频或所述视频中的错误频率;
根据所述请求者的所述音频或所述视频,确定线性预测系数(LPC);或
根据所述请求者的所述音频或所述视频,确定梅尔频率倒谱系数(MFCC)。
22.根据权利要求20所述的方法,其特征在于,根据所述请求者的图像或视频,分析所述请求者的面部特征,包括:
确定所述请求者的面部或颈部中的至少一个的颜色;
确定所述请求者的瞳孔大小;
确定所述请求者的眨眼频率;
确定所述请求者的点头频率;
确定所述请求者的打哈欠频率;或
确定所述请求者的闭眼持续时间。
23.根据权利要求20所述的方法,其特征在于,根据与所述请求者相关的行为信息,分析所述请求者的身体动作,包括:
确定所述请求者的所述躯干是否摇摆不定;或
确定所述请求者的至少一条腿是否摇摆不定;或者
确定所述请求者的至少一个手臂是否摇摆不定。
24.根据权利要求20所述的方法,其特征在于,根据所述请求者的生理信息,分析所述请求者的生理参数,包括:
根据所述请求者的生理信息,获取所述请求者的血糖水平;
根据所述请求者的生理信息,获取所述请求者的血压;
根据所述请求者的生理信息,获取所述请求者的呼吸率;
根据所述请求者的生理信息,获取所述请求者的体温;或
根据所述请求者的生理信息,获取所述请求者的心率。
25.一种非暂时性计算机可读存储介质,其包含计算机程序产品,所述计算机程序产品包括被配置的指令,用于使计算设备:
通过数据交换端口,获取与请求者发起线上到线下(O2O)服务请求有关的信息;
根据与所述请求相关的信息,使用饮酒预测模型确定所述请求者已饮酒的概率;
确定所述请求者已饮酒的概率是否大于阈值;
响应于确定所述请求者已饮酒的概率大于所述阈值,获取与所述请求者有关的信息;
根据与所述请求者有关的信息,确定所述请求者是否饮酒;以及
响应于确定所述请求者已饮酒,通过所述数据交换端口发送所述请求者已饮酒的通知给提供者终端,所述提供者终端与所述线上到线下O2O服务的请求相对应。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/099890 WO2020029231A1 (en) | 2018-08-10 | 2018-08-10 | Systems and methods for identifying drunk requesters in online to offline service platform |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111052161A true CN111052161A (zh) | 2020-04-21 |
Family
ID=68385711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880002624.3A Pending CN111052161A (zh) | 2018-08-10 | 2018-08-10 | 用于识别线上到线下服务平台中醉酒请求者的系统和方法 |
Country Status (12)
Country | Link |
---|---|
US (1) | US20200051196A1 (zh) |
EP (1) | EP3635643A4 (zh) |
JP (1) | JP6856675B2 (zh) |
CN (1) | CN111052161A (zh) |
AU (1) | AU2018286616A1 (zh) |
BR (1) | BR112021001221A2 (zh) |
CA (1) | CA3028639C (zh) |
MX (1) | MX2021000875A (zh) |
RU (1) | RU2753458C1 (zh) |
SG (1) | SG11201811754RA (zh) |
TW (1) | TWI710233B (zh) |
WO (1) | WO2020029231A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822143A (zh) * | 2022-06-29 | 2022-07-29 | 深圳前海壹路科技有限公司 | 军事训练智能考核管理系统和方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111442778A (zh) * | 2019-01-16 | 2020-07-24 | 百度在线网络技术(北京)有限公司 | 出行方案推荐方法、装置、设备及计算机可读存储介质 |
CN110705477A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 行为分析方法、装置、电子设备和计算机存储介质 |
CN111859104A (zh) * | 2020-03-31 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种乘客状态判断方法、装置、电子设备和存储介质 |
CN112016735B (zh) * | 2020-07-17 | 2023-03-28 | 厦门大学 | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 |
JP7396243B2 (ja) | 2020-09-30 | 2023-12-12 | トヨタ自動車株式会社 | 情報処理装置、および情報処理システム |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103909826A (zh) * | 2014-04-22 | 2014-07-09 | 武汉理工大学 | 一种协同感知驾驶员违规行为的优化处理方法 |
US20170076740A1 (en) * | 2015-09-14 | 2017-03-16 | Cogito Corporation | Systems and methods for identifying human emotions and/or mental health states based on analyses of audio inputs and/or behavioral data collected from computing devices |
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
WO2017202019A1 (en) * | 2016-05-25 | 2017-11-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for displaying identity relating to service request |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
US20180068080A1 (en) * | 2016-09-02 | 2018-03-08 | Lumme Inc | Systems and methods for health monitoring |
DE102017121069A1 (de) * | 2016-09-13 | 2018-03-15 | Ford Global Technologies, Llc | Insassenvalidierungssysteme und - verfahren |
CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
US20180157984A1 (en) * | 2016-12-01 | 2018-06-07 | Uber Technologies, Inc. | Predicting user state using machine learning |
US20180202818A1 (en) * | 2016-05-23 | 2018-07-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for distributing request for service |
US10037676B1 (en) * | 2015-10-01 | 2018-07-31 | David Scharf | Remote cognitive impairment screening and location verification system and method |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5017534B2 (ja) * | 2010-07-29 | 2012-09-05 | ユニバーサルロボット株式会社 | 飲酒状態判定装置及び飲酒状態判定方法 |
RU2606656C2 (ru) * | 2011-08-11 | 2017-01-10 | Форд Глобал Технолоджис, ЛЛК | Способ и устройство для обнаружения опасного состояния у водителя в транспортном средстве |
US8878669B2 (en) * | 2013-01-31 | 2014-11-04 | KHN Solutions, Inc. | Method and system for monitoring intoxication |
RU2581785C2 (ru) * | 2013-12-30 | 2016-04-20 | ХЕРЕ Глобал Б.В. | Способ и устройство для различения связанных со здоровьем состояний пользователя на основании информации о взаимодействии с пользователем |
US20160318521A1 (en) * | 2014-01-22 | 2016-11-03 | KHN Solutions, Inc. | Method and system for drunk driving prevention |
JP2016157243A (ja) * | 2015-02-24 | 2016-09-01 | 沖電気工業株式会社 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN105249976A (zh) * | 2015-11-26 | 2016-01-20 | 中山大学 | 一种基于头部监测的司机疲劳监测方法及系统 |
CN105719431A (zh) * | 2016-03-09 | 2016-06-29 | 深圳市中天安驰有限责任公司 | 一种疲劳驾驶检测系统 |
CN107764986B (zh) * | 2016-08-23 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 司机醉酒驾车检测方法及系统、数据处理方法与服务器 |
JP6458792B2 (ja) * | 2016-11-04 | 2019-01-30 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN106776771B (zh) * | 2016-11-10 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
JP7065395B2 (ja) * | 2018-01-30 | 2022-05-12 | パナソニックIpマネジメント株式会社 | 運転支援システム、運転支援方法、プログラム、及び移動体 |
-
2018
- 2018-08-10 WO PCT/CN2018/099890 patent/WO2020029231A1/en unknown
- 2018-08-10 EP EP18826171.3A patent/EP3635643A4/en not_active Withdrawn
- 2018-08-10 MX MX2021000875A patent/MX2021000875A/es unknown
- 2018-08-10 RU RU2021101164A patent/RU2753458C1/ru active
- 2018-08-10 SG SG11201811754RA patent/SG11201811754RA/en unknown
- 2018-08-10 AU AU2018286616A patent/AU2018286616A1/en active Pending
- 2018-08-10 CN CN201880002624.3A patent/CN111052161A/zh active Pending
- 2018-08-10 JP JP2018569056A patent/JP6856675B2/ja active Active
- 2018-08-10 CA CA3028639A patent/CA3028639C/en not_active Expired - Fee Related
- 2018-08-10 BR BR112021001221-4A patent/BR112021001221A2/pt not_active IP Right Cessation
- 2018-12-27 TW TW107147364A patent/TWI710233B/zh active
- 2018-12-28 US US16/235,166 patent/US20200051196A1/en not_active Abandoned
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103909826A (zh) * | 2014-04-22 | 2014-07-09 | 武汉理工大学 | 一种协同感知驾驶员违规行为的优化处理方法 |
US20170076740A1 (en) * | 2015-09-14 | 2017-03-16 | Cogito Corporation | Systems and methods for identifying human emotions and/or mental health states based on analyses of audio inputs and/or behavioral data collected from computing devices |
US10037676B1 (en) * | 2015-10-01 | 2018-07-31 | David Scharf | Remote cognitive impairment screening and location verification system and method |
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
US20180202818A1 (en) * | 2016-05-23 | 2018-07-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for distributing request for service |
WO2017202019A1 (en) * | 2016-05-25 | 2017-11-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for displaying identity relating to service request |
US20180068080A1 (en) * | 2016-09-02 | 2018-03-08 | Lumme Inc | Systems and methods for health monitoring |
DE102017121069A1 (de) * | 2016-09-13 | 2018-03-15 | Ford Global Technologies, Llc | Insassenvalidierungssysteme und - verfahren |
US20180157984A1 (en) * | 2016-12-01 | 2018-06-07 | Uber Technologies, Inc. | Predicting user state using machine learning |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822143A (zh) * | 2022-06-29 | 2022-07-29 | 深圳前海壹路科技有限公司 | 军事训练智能考核管理系统和方法 |
CN114822143B (zh) * | 2022-06-29 | 2022-09-02 | 深圳前海壹路科技有限公司 | 军事训练智能考核管理系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CA3028639A1 (en) | 2019-03-13 |
AU2018286616A1 (en) | 2020-02-27 |
US20200051196A1 (en) | 2020-02-13 |
EP3635643A1 (en) | 2020-04-15 |
EP3635643A4 (en) | 2020-04-15 |
JP6856675B2 (ja) | 2021-04-07 |
WO2020029231A1 (en) | 2020-02-13 |
RU2753458C1 (ru) | 2021-08-16 |
JP2020532774A (ja) | 2020-11-12 |
BR112021001221A2 (pt) | 2021-04-27 |
TWI710233B (zh) | 2020-11-11 |
TW202010294A (zh) | 2020-03-01 |
CA3028639C (en) | 2021-10-26 |
MX2021000875A (es) | 2021-06-08 |
SG11201811754RA (en) | 2020-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074803B (zh) | 语音信息处理系统和方法 | |
TWI710233B (zh) | 用於識別線上到線下服務平臺中醉酒請求方的系統和方法 | |
US11508236B2 (en) | Devices and methods for recognizing driving behavior based on movement data | |
CN110447214B (zh) | 一种识别驾驶行为的系统、方法、装置和存储介质 | |
US11507857B2 (en) | Systems and methods for using artificial intelligence to present geographically relevant user-specific recommendations based on user attentiveness | |
US20210118078A1 (en) | Systems and methods for determining potential malicious event | |
JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
EP3566149B1 (en) | Systems and methods for updating poi information | |
JP2019114276A (ja) | サービス時点を予測するシステム及び方法 | |
TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
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 | |
US11140531B2 (en) | Systems and methods for processing data from an online on-demand service platform | |
EP3639157A1 (en) | Systems and methods for processing a conversation message | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN111201421A (zh) | 用于确定在线上到线下服务中的最优运输服务类型的系统和方法 | |
CN110945484B (zh) | 数据存储中异常检测的系统和方法 | |
US20230112797A1 (en) | Systems and methods for using artificial intelligence to present geographically relevant user-specific recommendations based on user attentiveness | |
AU2018102206A4 (en) | Systems and methods for identifying drunk requesters in an Online to Offline service platform | |
CN111860926B (zh) | 用于预测服务需求信息的系统和方法 | |
US10990500B2 (en) | Systems and methods for user analysis | |
CN111080047A (zh) | 一种判定驾驶任务完成情况的方法、装置及计算机可读介质 | |
CN111275232A (zh) | 生成未来价值预测模型的方法和系统 |
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: 20200421 |