CN111127282A - 用于确定推荐位置的系统和方法 - Google Patents

用于确定推荐位置的系统和方法 Download PDF

Info

Publication number
CN111127282A
CN111127282A CN201811289809.5A CN201811289809A CN111127282A CN 111127282 A CN111127282 A CN 111127282A CN 201811289809 A CN201811289809 A CN 201811289809A CN 111127282 A CN111127282 A CN 111127282A
Authority
CN
China
Prior art keywords
candidate
location
road element
images
determining
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.)
Granted
Application number
CN201811289809.5A
Other languages
English (en)
Other versions
CN111127282B (zh
Inventor
高钰舒
许鹏飞
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
Priority to CN202311585285.5A priority Critical patent/CN117541455A/zh
Priority to CN201811289809.5A priority patent/CN111127282B/zh
Priority to PCT/CN2018/113798 priority patent/WO2020087526A1/en
Publication of CN111127282A publication Critical patent/CN111127282A/zh
Priority to US17/093,721 priority patent/US20210055121A1/en
Application granted granted Critical
Publication of CN111127282B publication Critical patent/CN111127282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Social Psychology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了用于确定推荐位置的系统和方法，该方法可以包括：根据至少两个历史乘客的历史订单数据来识别候选位置；获取显示候选位置周围的场景的至少两个图像，其中所述至少两个图像由至少一个行车记录仪捕获；根据所述至少两个图像，确定候选位置附近是否存在道路要素的识别结果；以及根据所述识别结果，确定候选位置是否是推荐位置。

Description

用于确定推荐位置的系统和方法
技术领域
本申请一般涉及用于提供线上到线下服务的系统和方法，更具体地，涉及用于优化叫车服务中推荐的上车位置或推荐的下车位置的系统和方法。
背景技术
线上到线下服务的发展，例如但不限于在线叫车服务，为人们的日常生活带来了非凡的便利。在在线叫车服务期间，服务系统经常向乘客推荐位置(例如，上车位置、下车位置等)以改善用户体验。在用于推荐位置的现有方法中，系统经常分析历史订单以选择历史订单中的大量乘客使用的位置作为推荐位置。然而，现有方法的问题在于，仅基于历史订单中使用的推荐位置通常不合理和/或缺乏及时更新。例如，在推荐位置或其周围，可能存在乘客必须绕过(有时通过破坏规则)来上车、或者司机不能合法地停车接载(或放下)乘客的障碍物。诸如栅栏、电子眼、黄网格线、禁止停止线等障碍物通常不在可搜索的道路网络系统中。又例如，快速变化的城市道路经常使得必须经常更新推荐位置，这对现有方法来说是不可能的。因此，利用现有方法，在线叫车系统有时无法识别或及时更新障碍以优化推荐位置。期望提供用于确定推荐位置的系统和方法，并且更具体地，用于优化推荐位置。
发明内容
本申请的一个方面介绍了一种用于确定推荐位置的系统，包括：至少一个网络接口，用于与至少一个行车记录仪通信；至少一个存储介质，包括一指令集；以及至少一个处理器，用于与至少一个存储介质通信并且可操作地连接到至少一个网络接口。其中，当执行该指令集时，所述至少一个处理器用于：根据至少两个历史乘客的历史订单数据，识别候选位置；通过所述至少一个网络接口获取显示候选位置附近的场景的至少两个图像，其中至少两个图像由至少一个行车记录仪捕获；根据所述至少两个图像，确定所述候选位置周围是否存在道路要素的识别结果；并基于所述识别结果，确定所述候选位置是否是推荐位置。
在一些实施例中，其中为了确定识别结果，所述至少一个处理器还用于：对于至少两个图像中的每一个，基于深度学习神经网络识别道路要素是否存在于候选位置周围。
在一些实施例中，识别结果是道路要素不存在，并且候选位置被确定为推荐位置。
在一些实施例中，识别结果是存在道路要素，则至少一个处理器还用于：确定以下至少一个：道路要素的位置、道路要素的面积或者道路要素的高度。
在一些实施例中，道路要素是栅栏，并且至少一个处理器还用于：确定栅栏的面积是不连续的；并且确定所述候选位置是推荐位置。
在一些实施例中，道路要素包括以下中的至少一个：栅栏、电子眼、交通信号灯、交通标识、黄网格线或沿着道路的禁止停止线。
在一些实施例中，至少一个处理器还用于：通过所述至少一个网络接口向至少一个行车记录仪发送指令以记录图像，其中所述至少一个行车记录仪中的一个安装在车辆上。
在一些实施例中，至少一个处理器还用于：通过所述至少一个网络接口获取至少两个车辆的GPS数据；以及根据所述GPS数据，确定所述至少两个车辆中是否有一个或以上车辆在所述候选位置附近。
在一些实施例中，至少一个处理器还用于：响应于确定一个或以上车辆在候选位置附近，从与所述至少一个车辆相对应的至少一个行车记录仪获取候选位置附近的至少一个视频，其中，所述至少两个图像从所述至少一个视频中提取，并且所述至少两个图像中的每一个都包括位置信息。
在一些实施例中，至少一个处理器还用于：获取将指令发送到至少一个行车记录仪的触发条件，其中触发条件包括乘客的投诉或司机的反馈。
在一些实施例中，为了确定识别结果，至少一个处理器还用于：对于所述至少一个行车记录仪中的每一个，通过至少一个网络接口获取显示候选位置周围的场景的至少一个图像，其中至少一个图像由车辆记录捕获；以及基于至少一个行车记录仪捕获的至少一个图像，验证识别结果。
在一些实施例中，候选位置是候选上车位置或候选下车位置。
根据本申请的另一方面，提供了一种确定推荐位置的方法，包括：基于至少两个历史乘客的历史订单数据，识别候选位置；获取显示候选位置周围场景的至少两个图像，其中至少两个图像由至少一个行车记录仪捕获；根据至少两个图像，确定候选位置周围是否存在道路要素的识别结果；以及基于识别结果，确定候选位置是否是推荐位置。
在一些实施例中，识别结果的确定包括：对于至少两个图像中的每一个，基于深度学习神经网络识别道路要素是否存在于候选位置周围。
在一些实施例中，识别结果是道路要素不存在，候选位置被确定为推荐位置。
在一些实施例中，识别结果是存在道路要素，则该方法还包括：确定以下至少一个：道路要素的位置、道路要素的面积或道路要素的高度。
在一些实施例中，道路要素是栅栏，并且该方法还包括：确定所述栅栏的面积是不连续的；以及确定候选位置是推荐位置。
在一些实施例中，道路要素包括以下中的至少一个：栅栏、电子眼、交通信号灯、交通标识、黄网格线或沿着道路的禁止停止线。
在一些实施例中，该方法还可以包括：通过至少一个网络接口向至少一个行车记录仪发送指令以记录图像，其中，至少一个行车记录仪中的一个安装在车辆上。
在一些实施例中，该方法还可以包括：获取至少两个车辆的GPS数据；以及基于所述GPS数据，确定至少两个车辆中是否有一个或以上车辆在候选位置附近。
在一些实施例中，该方法还可以包括：响应于确定一个或以上车辆在候选位置附近，从与至少一个车辆相对应的所述至少一个行车记录仪获取候选位置附近的至少一个视频，其中，所述至少两个图像从所述至少一个视频中提取，并且所述至少两个图像中的每一个包括位置信息。
在一些实施例中，该方法还可以包括：获取将指令发送到至少一个行车记录仪的触发条件，其中，触发条件包括乘客的投诉或司机的反馈。
在一些实施例中，识别结果的确定还包括：对于至少一个行车记录仪中的每一个，获取显示候选位置周围的场景的至少一个图像，其中，至少一个图像由行车记录仪捕获；以及基于至少一个行车记录仪捕获的至少一个图像，验证识别结果。
在一些实施例中，候选位置是候选上车位置或候选下车位置。
根据本申请的又一方面，一种非暂时性计算机可读介质，包括至少一个兼容的，用于确定推荐位置的指令集，其中当由一个或以上电子设备的至少一个处理器执行时，所述至少一个指令集指示至少一个处理器：根据至少两个历史乘客的历史订单数据，识别候选位置；获取显示候选位置周围场景的至少两个图像，其中所述至少两个图像由至少一个行车记录仪捕获；根据至少两个图像，确定候选位置周围是否存在道路要素的识别结果；以及基于识别结果，确定候选位置是否是推荐位置。
根据本申请的又一方面，一种用于确定推荐位置的系统，包括：候选位置识别模块，被配置为基于至少两个历史乘客的历史订单数据，识别候选位置；图像获取模块，被配置为获取显示候选位置周围场景的至少两个图像，其中至少两个图像由至少一个行车记录仪捕获；道路要素识别模块，被配置为基于至少两个图像，确定关于候选位置周围是否存在道路要素的识别结果；以及推荐位置确定模块，被配置为基于识别结果，确定候选位置是否是推荐位置。
其他特征将在以下部分描述中进行阐述，并且在检视以下及随附图标之后，部分特征对于本领域的普通技术人员来讲是显而易见地，或可以通过实例的生产及操作了解。本申请的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来达成。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考图示进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的组件符号表示相同的结构，其中：
图1是说明根据本申请的一些实施例的示例性线上到线下服务系统的示意图；
图2是根据本申请的一些实施例的计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例的移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例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的用于确定推荐位置的示例性过程的流程图；
图6是根据本申请的一些实施例的显示候选位置周围的场景的示例性图像的示意图；以及
图7是根据本申请的一些实施例的用于获取候选位置周围的至少一个视频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，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。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。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。如本文使用的单数形式“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，如在本说明书中所示，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多个其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
在考虑了作为本申请一部分的附图的描述内容后，本申请的这些和其它特征、特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解，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的。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或多个其他操作添加到这些流程图中，或者从这些流程图中移除某一步或数步操作。一个或多个操作也可以从流程图中删除。
本申请的一个方面涉及用于确定推荐位置的系统和方法。为此，系统和方法可以获取显示候选位置(例如，由大量历史乘客使用的历史上车位置或下车位置)周围的场景的图像。这里，术语“位置”指的是可清楚识别的位置或地点，并且可由线上到线下服务的用户(例如，在线叫车服务的乘客或司机)使用。这里，短语“候选位置周围的场景”指的是在候选位置附近或在候选位置处可观察和/或可见的任何东西。该系统和方法可以识别所获取的图像中的候选位置周围是否存在障碍物。障碍物，如栅栏、电子眼、交通信号灯、交通标识、黄网格线、沿着道路的禁止停止线等，可以在不违反任何规则(例如与行人行为有关的法律和法规)的情况下阻止或推迟乘客上车，或者在不违反任何规则(例如与行人行为有关的法律和法规)的情况下阻止或推迟司机停车以接送乘客。当车辆在候选位置周围行驶时，车辆的行车记录仪可以捕获图像。在一些实施例中，行车记录仪可以是车辆的集成部分。在一些实施例中，行车记录仪可以是移动设备(例如，车载相机/相机，或具有相机的移动电话/平板电脑)。在一些实施例中，系统和方法可以使用深度学习神经网络来识别图像中的障碍物。以这种方式，系统和方法可以确定候选位置是否合理/可操作，从而推荐给乘客或司机，并且可以优化推荐位置。
图1是根据一些实施例所示的一种示例性按需服务系统100的示意图。例如，按需服务系统100可以是提供运输服务的在线运输服务平台，如出租车呼叫、代驾服务、快车、拼车、公交车服务、雇佣司机和班车服务。按需服务系统100可以是包括服务器110、网络120、请求者终端130、提供者终端140和数据库150的在线平台。服务器110可以包括处理引擎112。
服务器110可以被配置为处理与确定推荐位置有关的信息和/或数据。例如，服务器110可以基于至少两个历史乘客的历史订单数据来识别候选位置，并且获取显示候选位置附近场景的至少两个图像。又例如，服务器110可以根据图像确定候选位置附近是否存在道路要素的识别结果。又例如，服务器110可以基于识别结果确定候选位置是否是推荐位置。在一些实施例中，服务器110可以是单个服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)。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可以通过网络120访问存储在用户终端130、行车记录仪140和/或存储器150中的信息和/或数据。又例如，服务器110可以连接到用户终端130、行车记录仪140和/或存储器150以访问存储的信息和/或数据。在一些实施例中，服务器110可以在一云平台上实施。仅作为示例，所述云平台可以是私有云、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可以在图2中描述的包含一个或者多个组件的计算设备200上执行。
在一些实施例中，服务器110可以包括一处理引擎112。处理引擎112可以处理与确定推荐位置有关的信息和/或数据，以执行本申请中描述的一个或以上的功能。例如，处理引擎112可以基于至少两个历史乘客的历史订单数据来识别候选位置，并且获取显示候选位置附近的场景的至少两个图像。又如例，处理引擎112可以基于图像确定关于道路要素是否是出现在候选位置附近的识别结果。作为又一示例，处理引擎112可以基于识别结果确定候选位置是否是推荐位置。在一些实施例中，所述处理引擎112可包括一个或者多个处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(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)、微处理器等或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，线上到线下系统100的一个或以上组件(例如，服务器110、用户终端130、行车记录仪140和存储器150)可以通过网络120向按需服务系统100中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从行车记录仪140获取显示候选位置附近的场景的至少两个图像。又例如，服务器110可以通过网络120向行车记录仪140发送指令以记录视频。又例如，服务器110可以通过网络120获取车辆的GPS数据。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、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan AreaNetwork，MAN)、公用电话交换网(Public Telephone Switched Network，PSTN)、蓝牙网络、紫蜂网络、近场通讯(Near Field Communication，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交换点。例如，网络120可以包括有线或无线网络交换点，如基站和/或互联网交换点120-1、120-2，……，通过交换点，按需服务系统100的一个或以上组件可以连接到网络120以交换数据和/或信息。
用户终端130可以是线上线下服务的用户使用的任何电子设备。在一些实施例中，用户终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、台式计算机130-4等或其任何组合。在一些实施例中，移动设备130-1可以包括可穿戴设备、智能行动设备、虚拟现实设备、增强现实设备等或上述举例的任意组合。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、智能穿着、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、个人数字助理(PDA)、游戏设备、导航设备、POS机等或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟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、增强型虚拟现实头盔、增强型虚拟现实眼镜、增强型虚拟现实眼罩等，或其任意组合。例如，虚拟现实装置和/或增强现实装置可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，台式计算机130-4可以是车载计算机、车载电视等。
在一些实施例中，用户终端130可以是具有定位技术的设备，用于定位用户和/或用户终端130的位置。本申请中使用的定位技术可以包括全球定位系统(GlobalPositioning System，GPS)、全球导航卫星系统(Global Navigation Satellite System，GLONASS)、罗盘导航系统(Compass Navigation System，COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System，QZSS)、无线保真(Wireless Fidelity，WIFI)定位技术等或上述举例的任意组合。以上定位技术中的一个或多个可以在本申请中交换使用。
在一些实施例中，用户终端130还可包括至少一个网络端口。所述至少一个网络端口可以被配置为通过网络120向线上到线下系统100(例如，服务器110、存储器150)中的一个或以上组件发送信息和/或从其接收信息。在一些实施例中，用户终端130可以在具有图2中所示的一个或以上组件的计算设备200上实现，或者在本申请中具有图3中所示的一个或以上组件的移动设备300上实现。
行车记录仪140可以是配备有用于捕获图像或视频的摄像机的任何电子设备。在一些实施例中，行车记录仪140可以是安装在车辆上的电子设备，用于记录车辆内部或外部的场景。例如，行车记录仪140可以是移动设备140-1、平板电脑140-2、数据记录器140-3等或其任何组合。在一些实施例中，行车记录仪140可以是车辆的集成部分。在一些实施例中，行车记录仪140可以是移动设备(例如，车载相机/相机、或具有相机的移动电话/平板电脑)。在一些实施例中，行车记录仪140可以是具有定位技术的设备，用于定位车辆的位置。在一些实施例中，行车记录仪140还可包括至少一个网络端口。所述至少一个网络端口可以被配置为通过网络120向线上到线下系统100(例如，服务器110、存储器150)中的一个或以上组件发送信息和/或从其接收信息。在一些实施例中，行车记录仪140可以在具有图2中所示的一个或以上组件的计算设备200上实现，或者在本申请中具有图3中所示的一个或以上组件的移动设备300上实现。
存储器150可以存储数据和/或指令。例如，存储器150可以存储由行车记录仪140捕获的视频或图像。又例如，存储器150可以存储候选位置和/或推荐位置。再例如，存储器150可以存储服务器110可以执行或使用的数据和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，数据库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(Read-only Memory，ROM)等，或其任何组合。示例性大容量存储器可以包括磁盘、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。示例性的易失性读写存储器可以包括随机存取存储器(Random AccessMemory，RAM)。示例性的RAM可以包括动态RAM(Dynamic RAM，DRAM)、双倍数据速率同步动态RAM(Double Date Rate Synchronous Dynamic RAM，DDR SDRAM)、静态RAM(Static RAM，SRAM)、晶闸管RAM(Thyristor RAM，T-RAM)、零电容器RAM(Zero-capacitor RAM，Z-RAM)等。示例性ROM可以包括屏蔽式ROM(Mask ROM，MROM)、可编程ROM(Programmable ROM，PROM)、可擦除可编程ROM(Erasable Programmable ROM，PEROM)、电可擦除可编程ROM(ElectricallyErasable Programmable ROM，EEPROM)、光盘ROM(Compact Disk，CD-ROM)、数字多功能盘ROM等。在一些实施例中，数据库150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、分布式云、中间云、多云等，或其任何组合。
在一些实施例中，存储器150可以包括至少一个网络端口，以与线上到线下系统100(例如，服务器110、用户终端130、行车记录仪140)中的其他设备通信。例如，存储器150可以连接到网络120，以通过至少一个网络端口与线上到线下系统100的至少一个或以上组件进行通信。线上到线下系统100中的一个或以上组件可以通过网络120访问存储在存储器150中的数据或指令。在一些实施例中，存储器150可以直接连接到线上到线下系统100(例如，服务器110、用户终端130、行车记录仪140)中的一个或以上组件，与之通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，线上到线下系统100的一个或以上组件(例如，服务器110、用户终端130、行车记录仪140)可以访问存储器150。例如，线上到线下系统100的服务器110可以加载图像和/或候选位置以确定候选位置是否是推荐位置。
在一些实施例中，线上到线下系统100的一个或以上组件(例如，服务器110、用户终端130、行车记录仪140和存储器150)可以通过有线和/或无线通信以电子和/或电磁信号的形式彼此通信。在一些实施例中，线上到线下系统100还可包括至少一个信息交换端口。所述至少一个交换端口可以被配置用于在线上到线下系统100中的任何电子设备之间接收和/或发送与确定推荐位置(例如，以电子信号和/或电磁信号的形式)有关的信息。在一些实施例中，至少一个信息交换端口可以是天线、网络接口、网络端口等的一个或以上，或其任何组合。例如，至少一个信息交换端口可以是连接到服务器110以向其发送信息和/或接收从其发送的信息的网络端口。
图2是计算设备200的示例性硬件和软件组件的示意图，在该计算设备200上可以根据本申请的一些实施例实现服务器110和/或用户终端130。例如，处理引擎112可以在计算装置200上实施并执行本申请所披露的处理引擎112的功能。
计算设备200可用于实现本申请的线上到线下系统100。计算设备200可用于实现线上到线下系统100的任何组件，其执行本申请中公开的一个或以上功能。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。尽管仅示出了一个这样的计算机，但是为了方便，与本文所述的线上线下服务有关的计算机功能可以在多个类似平台上以分布式方式实现，以分配处理负荷。
计算设备200，例如，可以包括与网络相连接并促进数据通讯的COM端口250。COM端口250可以是任何网络端口或信息交换端口，以便于数据通信。计算设备200还可以包括处理器(例如，处理器220)，其形式为一个或以上处理器(例如，逻辑电路)，用于执行程序指令。例如，处理器可以包括接口电路和其中的处理电路。接口电路可以被配置用于从总线210接收电子信号，其中电子信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算，然后确定结论、结果和/或编码为为电子信号的指令。处理电路还可以生成包括结论或结果的电子信号(例如，推荐的地址)和触发代码。在一些实施例中，触发代码可以是由线上到线下系统100中的电子设备(例如，用户终端130)的操作系统(或其中安装的应用程序)可识别的格式。例如，触发代码可以是指令、代码、标记、符号等，或其任何组合，其可以激活移动电话的某些功能和/或操作或者让移动电话执行预定的程序。在一些实施例中，触发器代码可以被配置用于呈现电子设备(或应用程序)的操作系统以在该电子设备的界面上生成结论或结果(例如，推荐地点)。然后，接口电路可以通过总线210从处理电路发出电子信号。
示例性计算设备可以包括内部通信总线210、不同形式的程序存储和数据存储，包括例如盘270以及只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算设备处理和/或传输的各种数据文件。示例性计算平台也可以包括储存于ROM230、RAM240及/或其他形式的非暂时性储存介质中的能够被处理器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。示例性计算设备还可以包括存储在ROM230、RAM240和/或由处理器220执行的其他类型的非暂时性存储介质中的操作系统。程序指令可以与用于提供线上线下服务的操作系统兼容。计算设备200还包括I/O组件260，其支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收程序设计和数据。
仅仅为了说明，图2中仅示出了一个处理器。还可以有至少两个处理器；因此，在本申请中描述的一个处理器执行的操作和/或方法步骤也可以由至少两个处理器联合或单独执行。例如，如果在本申请中，计算装置200的处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算装置200的两个不同的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的可以在其上实现用户终端130的示例性移动设备300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可以包括通信平台310、显示器320、图形处理单元(Graphic Processing Unit，GPU)330、中央处理单元(Central Processing Unit，CPU)340、I/O350、内存360和存储器390。CPU可以包括接口电路和类似于处理器220的处理电路。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、WindowsPhoneTM等)和一个或以上应用程序380可以从存储器390加载到存储器360中，以便由CPU 340执行。应用程序380可以包括浏览器或用于接收和呈现与推荐地点有关信息的任何其他合适的移动应用程序。用户与信息流的交互可以经由I/O设备350实现，并且经由网络120提供给处理引擎112和/或系统100的其他组件。
为了实现本申请中描述的各种模块、单元及其功能，计算机硬件平台可以用作一个或以上本文所述元件的硬件平台(例如，线上到线下系统100和/或关于图1-7描述的线上到线下系统100的其他组件)。计算机的硬件元件、操作系统和编程语言本质上是常规的，并且假设本领域技术人员对其充分熟悉以使这些技术适应于训练如本文所述的确定推荐位置。一台包含用户界面元素的计算机能够被用作个人计算机(Personal Computer，PC)或其他类型的工作站或终端设备，被适当程序化后也可以作为服务器使用。可知，本领域技术人员应熟悉该计算机装置的结构、程序设计和一般操作，因此，附图对其应是不解自明的。
本领域普通技术人员将理解，当线上到线下系统100的元件执行时，该元件可以通过电信号和/或电磁信号执行。例如，当服务器110处理任务时，例如确定候选位置是否是推荐位置，服务器110可以在其处理器中操作逻辑电路以处理这样的任务。当服务器110完成确定推荐位置时，服务器110的处理器可以生成编码推荐位置的电信号。然后，服务器110的处理器可以将电信号发送到与服务器110相关联的系统的至少一个信息交换端口。服务器110有线网络与目标系统通信，至少一个信息交换端口可以在物理上连接到电缆，该电缆还可以将电信号发送到用户终端130的输入端口(例如，信息交换端口)。如果服务器110通过无线网络与目标系统通信，则目标系统的至少一个信息交换端口可以是一个或以上天线，其可以将电信号转换为电磁信号。在诸如用户终端130和/或服务器110的电子设备内，当其处理器处理指令，发出指令和/或执行动作时，指令和/或动作通过电信号进行。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储介质中读取或写入结构化数据。结构化数据可以以电信号的形式通过电子装置的总线传输至处理器。这里，电信号可以是一个电信号、一系列电信号和/或至少两个分立的电信号。
图4是根据本申请的一些实施例的示例性处理引擎112的框图。如图4所示，处理引擎112可以包括候选位置识别模块410、图像获取模块420、道路要素识别模块430、推荐位置确定模块440、指令发送模块450和结果验证模块460。
候选位置识别模块410可以被配置为识别候选位置。例如，候选位置识别模块410可以被配置用于根据至少两个历史乘客的历史订单数据来识别候选位置。
图像获取模块420可以被配置用于获取显示候选位置附近场景的至少两个图像。例如，图像获取模块420可以获取至少两个车辆的GPS数据。图像获取模块420可以基于至少两个车辆确定是否有一个或以上车辆在候选位置附近。又例如，响应于确定一个或以上车辆在候选位置附近，图像获取模块420可从对应于所述一个或以上车辆的至少一个行车记录仪获取候选位置周围的至少一个视频。图像获取模块420可以从至少一个视频中提取显示候选位置附近场景的至少两个图像。
道路要素识别模块430可以被配置用于根据至少两个图像确定道路要素是否出现在候选位置附近的识别结果。例如，道路要素识别模块430可以根据深度学习神经网络识别道路要素。例如，道路要素识别模块430可以使用至少两个手动标记的图像训练神经网络，并使用训练的神经网络来预测图像中道路要素是否出现在候选位置附近。又例如，道路要素识别模块430可以根据图像的语义分割方法识别道路要素。道路要素识别模块430可以根据像素在图像中表达的语义含义对图像中的内容进行分组或分割。
推荐位置确定模块440可以被配置用于基于识别结果，确定候选位置是否是推荐位置。例如，如果道路要素禁止司机停车或者阻止乘客上车，则推荐位置确定模块440可以确定司机不能在候选位置停车接客或者让乘客下车。推荐位置确定模块440可以确定候选位置不合理/不可操作以推荐给线上至线下服务的用户(例如，乘客、司机等)。又例如，如果识别结果是道路要素不是出现在候选位置附近，则推荐位置确定模块440可以确定司机可以在候选位置停车以接载或放下乘客。推荐位置确定模块440可以确定候选位置作为推荐位置是合理的/可操作的。
指令发送模块450可以被配置为向与车辆相对应的行车记录仪发送指令。例如，响应于确定一个或以上车辆在候选位置附近，指令发送模块450可以将指令发送到对应于至少两个车辆的一个或以上行车记录仪140。
结果验证模块460可以被配置为基于至少两个子结果，验证识别结果，以提高识别的准确性。例如，如果预定数量的子结果指示道路要素出现在候选位置附近，则结果验证模块460可以确定识别结果是道路要素出现在候选位置附近。否则，结果验证模块460可以确定子结果中包括对道路要素的错误识别，并且确定识别结果是道路要素没有出现在候选位置附近。
处理引擎112中的模块可以通过有线连接或无线连接以互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网路(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等或上述举例的任意组合。两个或多个模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或多个单元。例如，推荐位置确定模块440和结果验证模块460可以组合为单个模块，其可以确定和验证推荐位置。又例如，处理引擎112可以包括用于存储与确定推荐位置有关的数据和/或信息的存储模块(未示出)。
图5是根据本申请的一些实施例的用于确定推荐位置的示例性过程500的流程图。过程500可以由线上到线下系统100执行。例如，过程500可以实现为存储在存储ROM 230或RAM 240中的一指令集(例如，应用程序)。处理器220可以执行该指令集，并且当执行指令时，可以将其配置为执行过程500。以下呈现的所示过程的操作旨在说明，在一些实施例中，过程500可以通过未描述和/或没有所讨论的一个或多个以上附加操作来完成。另外，如图5所示和下面描述的过程操作的顺序不是限制性的。
在510中，处理引擎112(例如，处理器220、候选位置识别模块410)可以根据至少两个历史乘客的历史订单数据来识别候选位置。
在一些实施例中，候选位置可以是线上至线下服务的大多数用户可清楚识别并使用的历史位置或历史地点。在一些实施例中，候选位置可以是超过预定阈值的多个用户使用的历史位置。候选位置可包括候选上车位置、候选下车位置、候选兴趣点(POI)等，或其任何组合。
在一些实施例中，处理引擎112可以获取线上线下服务的至少两个历史用户(例如，乘客、司机、服务提供商、服务请求者等)的历史订单数据。历史订单数据可以是与由至少两个历史用户完成的历史订单有关的数据。例如，在在线叫车服务中，历史订单的历史订单数据可包括历史上车位置、历史下车位置、历史开始时间、历史结束时间、历史付款等，或其任何组合。处理引擎112可从历史订单数据中提取至少两个历史位置(例如，历史上车位置、历史下车位置)，并分析至少两个历史位置以获取候选位置。例如，处理引擎112可以从至少两个历史位置选择在历史中被多于第一预定数量的用户所使用的历史位置作为候选位置。在一些实施例中，可以根据不同的区域确定第一预定数量。例如，在市中心区域中，处理引擎112可以选择被超过50个用户所使用的历史位置作为候选位置。又如例如，在郊区区域中，处理引擎112可以选择被超过10个用户所使用的历史位置作为候选位置。
在一些实施例中，处理引擎112可以经由网络120从线上到线下系统100(例如，存储器150)和/或外部数据源(未示出)中的存储设备获取候选位置。例如，可以预先确定候选位置(例如，通过处理引擎112或任何其他平台或设备)并将其存储在线上到线下系统100中的存储设备中。处理引擎112可以访问存储设备并检索候选位置。又例如，候选位置可以从在分析时间之前(例如，紧接在之前)的预定时间段(例如，1天，1周或1个月)中使用的位置中选择。
在520中，处理引擎112(例如，处理器220、图像获取模块420)可以获取显示候选位置附近场景的至少两个图像。在一些实施例中，所述至少两个图像可以由至少一个行车记录仪140捕获，并且经由至少一个网络接口发送到处理引擎112和/或存储器150。
在一些实施例中，显示候选位置附近场景的至少两个图像可以是包括在候选位置附近或在候选位置处任何可观察和/或可见的图像。在一些实施例中，当对应的至少一个车辆在候选位置周围行驶时，至少一个行车记录仪140可以捕获显示候选位置附近场景的至少两个图像。这里使用的术语“周围”可以用于描述接近或是位于候选位置的地方。例如，在候选位置附近可以包括距候选位置第一预定距离内的位置。第一预定距离可以是存储设备(例如，存储器150、存储器390)中存储的默认距离。附加地或替代地，第一预定距离可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。例如，第一预定距离可以由处理引擎112根据不同的区域或不同的道路来确定。
在一些实施例中，处理引擎112可以从至少一个行车记录仪140获取至少两个图像。在一些实施例中，在一些有时效性的事件发生时，处理引擎112可以在某些情况下获取触发条件。例如，当在商场中有事件或安排的活动时，栅栏可以放置在通向商场的道路的入口一小段时间。司机可能无法通过该入口。又例如，当候选位置或其周围发生交通事故时，司机不能在候选位置停留，直至交通事故清除为止。触发条件可以是指示是否向至少一个行车记录仪140发送指令以捕获视频或图像，并发送到处理引擎112的触发信号。在一些实施例中，触发条件可包括乘客的投诉、司机的反馈、来自路人的报告等，或其任何组合。例如，乘客可以在乘客预定的候选位置向处理引擎112发送他/她的司机没有接他/她的投诉。处理引擎112可以获取触发条件以将指令发送到至少一个行车记录仪140。又例如，司机可以发送他/她不能在候选位置停车以接/送他/她的乘客的反馈给处理引擎112。处理引擎112可以获取触发条件以将指令发送到至少一个行车记录仪140。
在一些实施例中，处理引擎112可以获取线上线下服务的至少两个车辆的GPS数据。至少两个车辆的GPS数据可以由与车辆相关联的用户终端130、车辆的车载定位装置、车辆的行车记录仪等或其任何组合获取。在一些实施例中，处理引擎112可基于GPS数据确定至少两个车辆是否在候选位置附近。例如，处理引擎112可以从GPS数据获取至少两个车辆的实时位置，并确定实时位置是否在距候选位置的第一预定距离内。如果处理引擎112确定至少两个车辆的一个或以上到达候选位置周围，则处理引擎112(例如，指令发送模块450)可以将指令发送到对应于至少两个车辆中一个或以上车辆的一个或以上行车记录仪140。该一个或以上行车记录仪140可以获取指令并开始捕获显示候选位置附近场景的视频和/或图像。一个或以上行车记录仪140可以将捕获的视频和/或图像发送到处理引擎112。
在一些实施例中，用于捕获视频和/或图像的一个或以上行车记录仪140可以是第二预定数量的。所述第二预定数量可以是存储设备(例如，存储器150、存储器390)中存储的默认数量。附加地或替代地，所述第二预定数量可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。例如，可以根据不同的区域或道路来确定第二预定数量。在一些实施例中，处理引擎112可以从到达候选位置附近的至少两个车辆中选择第二预定数量的行车记录仪，并将该指令发送到第二预定数量的行车记录仪。在一些实施例中，在将指令发送到第二预定数量的行车记录仪之后，处理引擎112可以停止发送指令以避免冗余数据。
在一些实施例中，处理引擎112可以从获取的视频和/或获取的图像中提取图像。例如，处理引擎112可以从所获取的视频中选择第三预定数量的图像。处理引擎112可以从所获取的视频中每隔几秒或每几段距离间隔地提取图像，以获取至少两个图像。又例如，处理引擎112可从所获取的图像中选择第三预定数量的图像。第三预定数量可以是存储设备(例如，存储器150、存储器390)中存储的默认数量。附加地或替代地，第三预定数量可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。例如，处理引擎112可以选择具有高质量的第三预定数量的图像(例如，图像清晰地显示候选位置附近的场景，图像是在明亮的光线下捕获等)作为至少两个图像，以提高识别结果的效率和准确性，所述识别结果显示在至少两个图像中道路要素是否出现在候选位置附近。
在530中，处理引擎112(例如，处理器220，道路要素识别模块430)可以根据至少两个图像确定道路要素是否出现在候选位置附近的识别结果。
在一些实施例中，道路要素可以是道路中的设施。该设施可以在不违反任何规则(例如与行人的行为相关的法律和法规)的情况下禁止或延迟司机停车，或者在不违反任何规则(例如与行人的行为相关的法律和法规)的情况下阻止或延迟乘客上车。例如，道路要素可包括栅栏、电子眼、交通信号灯、交通标识等，或其任何组合。在一些实施例中，栅栏可包括人行道和车辆行车道之间的至少两个障碍。道路中栅栏的存在可能会阻止乘客上车。在一些实施例中，电子眼可以是用于检测非法行为的光电检测器，例如检测道路上的车辆的非法停车。在一些实施例中，交通标识可以是禁止司机停止车辆的禁停标志。在一些实施例中，道路要素可以是道路上/沿着道路的标记线。标记线可能禁止司机停车。例如，道路要素可以包括黄网格线、沿着道路的禁止停止线、黄色实线、白色引导线等，或其任何组合。在一些实施例中，道路要素可以是禁止司机停车的特定区域。例如，道路要素可包括公共汽车站、消防设备等，或其任意组合。
在一些实施例中，可以根据不同情况调整要识别的道路要素。例如，在不同的城市，要识别的道路要素可能不同。例如，在北京，处理引擎112可以确定栅栏是否出现在候选位置附近的识别结果。在深圳，处理引擎112可以确定黄网格线是否出现在候选位置附近的识别结果。
在一些实施例中，对于至少两个图像中的每一个，处理引擎112可以识别图像中道路要素是否出现在候选位置附近。处理引擎112可根据深度学习神经网络识别道路要素。例如，处理引擎112可以使用至少两个手动标记的图像来训练神经网络，并且使用训练的神经网络来预测图像中道路要素是否出现在候选位置附近。在一些实施例中，处理引擎112可以根据图像语义分割方法识别道路要素。例如，处理引擎112可以根据像素在图像中表达的语义含义对图像中的内容进行分组或分割。
在一些实施例中，在识别道路要素出现在候选位置附近之后，处理引擎112可以进一步确定道路要素的位置。例如，如果识别结果是栅栏出现在候选位置附近，则处理引擎112可以确定栅栏位于道路的左侧、道路的右侧或两条道路之间。在一些实施例中，处理引擎112可以进一步确定道路要素的面积。例如，如果识别结果是栅栏出现在候选位置附近，则处理引擎112可以确定栅栏的面积是否是连续的。如果栅栏是连续的，则处理引擎112可以确定乘客不能在候选位置上车或下车。如果栅栏是不连续的(例如，栅栏具有缺口)，则处理引擎112可以确定乘客可以穿过栅栏上车或下车。在一些实施例中，处理引擎可以进一步确定道路要素的高度。例如，如果识别结果是栅栏出现在候选位置附近，则处理引擎112可以确定其高度是否大于高度阈值。例如，高度阈值可以表示乘客是否可以越过栅栏。高度阈值可以是默认高度或手动确定或由处理引擎112确定。在一些实施例中，栅栏的高度可以根据由至少两个手动标记的样本训练的模型来确定。
在540中，处理引擎112(例如，处理器220、推荐位置确定模块440)可以根据识别结果，确定候选位置是否是推荐位置。
在一些实施例中，如果道路要素禁止司机停车或者阻止乘客上车，则处理引擎112可以确定司机不能在候选位置停车以接客或送客。处理引擎112可以确定候选位置是不合理/不可操作以推荐给线上线下服务的用户(例如，乘客、司机等)。在一些实施例中，处理引擎112可以确定可进入的且最接近候选位置的另一个候选位置作为推荐位置，以向线上线下服务的用户推荐。
在一些实施例中，如果识别结果是道路要素没有出现在候选位置附近，则处理引擎112可以确定司机在候选位置可以停车以接客或送客。处理引擎112可以确定该候选位置作为推荐位置是合理/可操作的，并且可以向用户推荐该候选位置。
在一些实施例中，处理引擎112可以进一步指示至少两个行车记录仪捕获视频和/或图像。至少两个行车记录仪中的每一个可以获取显示候选位置附近场景的至少两个图像。对于由至少两个行车记录仪中获取的至少两个图像中的每一个图像，处理引擎112可以确定道路要素是否出现在候选位置附近的子结果。用于确定子结果的方法可以与用于确定本申请中的操作530中所示的识别结果的方法相同。处理引擎112(例如，结果验证模块460)可以基于至少两个子结果来验证识别结果，以提高识别的准确性。例如，如果第四预定数量的子结果表明道路要素出现在候选位置附近，则处理引擎112可以确定识别结果是道路要素出现在候选位置附近。否则，处理引擎112可以确定子结果包括道路要素的错误识别，并且确定识别结果是道路要素没有出现在候选位置附近。例如，在一个或以上图像中，在一些情况下可能将一排自行车识别为栅栏。在一些实施例中，基于至少两个行车记录仪的验证可以提高识别准确度。
图6是根据本申请的一些实施例的显示候选位置周围场景的示例性图像的示意图。可以从至少一个行车记录仪捕获所述示例性图像。如图6所示，候选位置(显示为圆圈)可以位于道路(包括车道1、车道2和车道3)的右侧，以及建筑物A和建筑物B(分别显示为长方体)之间。
在一些实施例中，如图6中所示的候选位置可以基于历史订单数据被确定。候选位置可以由历史上的至少两个历史乘客使用。如图6所示，处理引擎112可以确定栅栏(显示为带有斜线的矩形)和/或黄网格线(显示为带有网格的矩形)出现在候选位置附近。例如，在确定栅栏出现在候选位置附近之后，处理引擎112可以确定栅栏的位置或面积。处理引擎112可以确定栅栏位于道路的车道1的左侧，且栅栏具有缺口。处理引擎112可以确定乘客可以通过栅栏的缺口穿过道路，从道路的左侧到道路右侧的候选位置。处理引擎112可以确定候选位置作为推荐位置推荐给乘客或司机是合理的/可操作的。又例如，在确定黄网格线出现在候选位置附近之后，处理引擎112可以确定黄网格线的位置。处理引擎112可以确定黄网格线位于建筑物A和建筑物B前面的道路的右侧。处理引擎112可以确定黄网格线在于候选位置前面，并且司机不可以停车接客或送客。处理引擎112可以确定候选位置作为推荐位置推荐给乘客或司机是不合理/不可操作的。
应该注意，图6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，根据本公开的教导可以做出多种变化和修改。然而，变形和修改不会背离本申请的范围。例如，显示候选位置周围的场景的一个图像可以包括最多一个道路要素。处理引擎112可以确定该道路要素是否出现在候选位置附近。又例如，显示候选位置周围场景的一个图像可包括至少一个道路要素。处理引擎112可以确定是否任何一个道路要素是出现在候选位置附近。
图7是根据本申请的一些实施例的用于确定是否获取候选位置周围的至少一个视频的示例性过程的流程图。过程700可以由线上到线下系统100执行。例如，过程700可以实现为存储在存储器ROM 230或RAM240中的一指令集(例如，应用程序)。处理器220可以执行该组指令，并且当执行该指令时，可以将其配置为执行该过程700。以下呈现的所示过程的操作旨在说明，在一些实施例中，过程700可以通过未描述和/或没有所讨论的的一个或以上附加操作完成。另外，如图7所示和下面描述的过程操作的顺序不是限制性的。
在710中，处理引擎112(例如，处理器220、图像获取模块420)可以获取至少两个车辆的GPS数据。在一些实施例中，至少两个车辆可以是线上线下服务的车辆。
在一些实施例中，GPS数据可以表示至少两个车辆的实时位置。例如，GPS数据可以包括至少两个车辆的坐标和获取坐标的相应时间。至少两个车辆的GPS数据可以通过具有定位技术的电子设备获取，用于定位车辆的位置。例如，电子设备可以包括与车辆相关联的用户终端130、车辆的车载定位设备、车辆的行车记录仪等，或其任何组合。
在720中，处理引擎112(例如，处理器220、图像获取模块420)可以确定至少两个车辆中的一个或以上车辆是否在候选位置附近。
在一些实施例中，对于至少两个车辆中的每一个，处理引擎112可以确定该车辆是否在候选位置周围，或在到候选位置的计划路线上。例如，处理引擎112可以从获取的GPS数据获取车辆的实时位置，并确定实时位置是否在距候选位置的第一预定距离内。第一预定距离可以是存储设备(例如，存储器150、存储器390)中存储的默认距离。附加地或替代地，第一预定距离可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。例如，可以根据不同的区域或道路来确定第一预定距离。在一些实施例中，如果车辆的实时位置在距候选位置的第一预定距离内，并且车辆的司机正朝着候选位置行驶，则处理引擎112可以确定车辆在候选位置附近。
响应于确定一个或以上车辆在候选位置附近，在730中，处理引擎112(例如，处理器220、图像获取模块420)可以在候选位置附近从对应于一个或以上车辆的行车记录仪中获取至少一个视频。在一些实施例中，可以从该至少一个视频中提取至少两个图像。该至少两个图像中的每一个可以包括位置信息。
在一些实施例中，对于所述一个或以上车辆中的每一个，当车辆在距离候选位置的第一预定距离内时，处理引擎112可以从相应的行车记录仪获取视频。当车辆在距离候选位置的第二预定距离之外行驶时，处理引擎112可以停止获取视频。第二预定距离可以是存储设备(例如，存储器150、存储器390)中存储的默认距离。附加地或替代地，第二预定距离可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。第一预定距离和第二预定距离可以相同或不同。
在一些实施例中，处理引擎112可从所获取的至少一个视频中提取至少两个图像。例如，处理引擎112可以从所获取的至少一个视频中选择第三预定数量的图像。处理引擎112可以从所获取的至少一个视频中每隔几秒或每几段距离间隔地提取图像，以获取至少两个图像。又例如，处理引擎112可从所获取的图像中选择第三预定数量的图像。第三预定数量可以是存储设备(例如，存储器150、存储器390)中存储的默认数量。附加地或替代地，第三预定数量可以手动设置或者根据不同情况由线上到线下系统100的一个或以上组件确定。例如，处理引擎112可以选择具有高质量的第三预定数量的图像(例如，图像清晰地显示候选位置附近的场景、图像是在明亮的光线下捕获等)作为所述至少两个图像，以提高识别结果的效率和准确性，该识别结果是关于在所述至少两个图像中道路要素是否出现在候选位置附近。
在一些实施例中，至少两个图像中的每一个可包括位置信息。例如，至少两个图像中的每一个可以包括坐标、与候选位置的相对位置等，或其任何组合。可以基于相应车辆的GPS数据确定位置信息。
响应于确定一个或以上车辆不在候选位置附近，处理引擎112(例如，处理器220、图像获取模块420)可以进行到操作710以获取至少两个车辆的GPS数据。可以直到处理引擎112确定至少两个车辆的一个或以上在候选位置附近时，停止获取GPS数据。
本实施例至少具备以下之一的技术效果：判断从历史订单获得的历史上下车地点是否是合理的，或是否是实时更新的，通过根据车辆的定位信息指示车辆的行车记录仪获取历史上下车地点附近的场景，进一步通过深度学习神经网络识别历史上下车地点附近是否存在阻碍乘客上下车的障碍物。对于在可搜索的道路网络系统中不存在的诸如栅栏、电子眼、黄网格线、禁止停止线等障碍物，或对于有时效性(短暂存在)的障碍物进行实时的识别，以实时更新向司机或乘客推荐的推荐位置，使在线叫车系统中推荐位置更加优化，从而提升了服务质量并且提升了用户体验。
应该注意的是，上述仅出于说明性目的而提供，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，根据本公开的教导可以做出多种变化和修改。然而，变形和修改不会背离本申请的范围。
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以进行各种变更、改良和修改。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。同时，本申请使用了特定术语来描述本申请的实施例。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多次提及的“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，本申请的一个或多个实施例中的某些特征、结构或特性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呈现为位于一个或多个计算机可读介质中的计算机产品，该产品具有计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播讯号可以有多种形式，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讯、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编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或类似介质、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、VisualBasic、Fortran1703、Perl、COBOL1702、PHP、ABAP、动态编程语言如Python、Ruby和Groovy或其它编程语言。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上运行、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)。
然而，这些修正和改变仍然在本申请的保护范围之内。此外，处理元素或者序列的列举顺序、数字、字母或者其他名称的使用不是用于限制要求的过程和方法的。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，此类细节仅起说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例精神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，为了简化本申请揭示的表述，从而帮助对一个或多个发明实施例的理解，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，此揭示方法并不意味着本申请所需的特征比申请专利范围中涉及的特征多。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。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
本文引用的每个专利、专利申请、专利申请的出版物和其他材料，例如文章、书籍、说明书、出版物、文件、物品和/或类似物，在此通过引用整体在所有目的下并入本文。除了与其相关的任何起诉文件历史，与本申请件不一致或相冲突的任何相同或任何可能对现在的权利要求或之后与本申请件有关的最广泛范围具有限制性影响的任何相同的起诉文件历史，其全部用于所有目的。作为示例，如果与任何所包含的材料相关联的术语的描述、定义和/或使用与本申请相关联的术语的描述、定义和使用之间存在任何不一致或冲突，以本申请文档中的术语的描述、定义、和/或使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。因此，本申请的实施例不限于精确地如所示和所述。

Claims (26)

1.一种用于确定推荐位置的系统，其特征在于，包括：
候选位置识别模块，用于基于至少两个历史乘客的历史订单数据，识别候选位置；
图像获取模块，用于获取显示所述候选位置周围场景的至少两个图像，其中所述至少两个图像由至少一个行车记录仪捕获；
道路要素识别模块，用于基于所述至少两个图像，确定关于所述候选位置周围是否存在道路要素的识别结果；以及
推荐位置确定模块，用于基于所述识别结果，确定所述候选位置是否是推荐位置。
2.根据权利要求1所述的系统，其特征在于，所述道路要素识别模块还用于：
对于所述至少两个图像中的每一个，基于深度学习神经网络识别所述道路要素是否存在于所述候选位置周围。
3.根据权利要求1或权利要求2所述的系统，其特征在于，所述识别结果是所述道路要素不存在，所述推荐位置确定模块用于将所述候选位置被确定为所述推荐位置。
4.根据权利要求1或权利要求2所述的系统，其特征在于，所述识别结果是所述道路要素存在，所述道路要素识别模块还用于：
确定以下至少之一：
所述道路要素的位置；
所述道路要素的面积；或者
所述道路要素的高度。
5.根据权利要求4所述的系统，其特征在于，所述道路要素是栅栏，所述道路要素识别模块还用于确定所述栅栏的面积是否为不连续的；并且
响应于所述栅栏的面积是不连续的，所述推荐位置确定模块用于将所述候选位置确定为推荐位置。
6.根据权利要求1所述的系统，其特征在于，所述道路要素包括以下至少一个：栅栏、电子眼、交通信号灯、交通标识、黄网格线、或沿着道路的禁止停止线。
7.根据权利要求1所述的系统，其特征在于，还包括指示发送模块，用于
通过所述至少一个网络接口向所述至少一个行车记录仪发送指令以记录所述图像，其中所述至少一个行车记录仪中的一个安装在车辆上。
8.根据权利要求7所述的系统，其特征在于，所述指示发送模块还用于：
通过所述至少一个网络接口获取至少两个车辆的GPS数据；以及
根据所述GPS数据，确定所述至少两个车辆中是否有一个或以上车辆在所述候选位置附近。
9.根据权利要求8所述的系统，其特征在于，所述图像获取模块进一步用于：
响应于确定所述一个或以上车辆在所述候选位置附近，从与所述至少一个车辆相对应的所述至少一个行车记录仪获取所述候选位置附近的至少一个视频，其中，所述至少两个图像从所述至少一个视频中提取，并且所述至少两个图像中的每一个都包括位置信息。
10.根据权利要求7-9中任一项所述的系统，其特征在于，所述指示发送模块还用于：
获取将所述指令发送到所述至少一个行车记录仪的触发条件，其中所述触发条件包括乘客的投诉或司机的反馈。
11.根据权利要求1所述的系统，其特征在于，还包括结果验证模块，用于：
对于所述至少一个行车记录仪中的每一个，通过所述至少一个网络接口获取显示所述候选位置周围的场景的至少一个图像，其中所述至少一个图像由所述行车记录仪捕获；以及
基于所述至少一个行车记录仪捕获的至少一个图像，验证所述识别结果。
12.根据权利要求1所述的系统，其特征在于，所述候选位置是候选上车位置或候选下车位置。
13.一种确定推荐位置的方法，其特征在于，包括：
基于至少两个历史乘客的历史订单数据，识别候选位置；
获取显示所述候选位置周围场景的至少两个图像，其中所述至少两个图像由至少一个行车记录仪捕获；
根据所述至少两个图像，确定所述候选位置周围是否存在道路要素的识别结果；以及
基于所述识别结果，确定所述候选位置是否是推荐位置。
14.根据权利要求13所述的方法，其特征在于，所述确定所述识别结果包括：
对于所述至少两个图像中的每一个，基于深度学习神经网络识别所述道路要素是否存在于所述候选位置周围。
15.根据权利要求13或权利要求14所述的方法，其特征在于，所述识别结果是所述道路要素不存在，所述候选位置被确定为所述推荐位置。
16.根据权利要求13或权利要求14所述的方法，其特征在于，所述识别结果是所述道路要素存在，所述方法还包括：
确定以下至少一个：
所述道路要素的位置；
所述道路要素的面积；或者
所述道路要素的高度。
17.根据权利要求16所述的方法，其特征在于，所述道路要素是栅栏，所述方法还包括：
确定所述栅栏的面积是否为不连续的；以及
响应于所述栅栏的面积是不连续的，将所述候选位置确定为推荐位置。
18.根据权利要求13所述的方法，其特征在于，所述道路要素包括以下至少一个：栅栏、电子眼、交通信号灯、交通标识、黄网格线或沿着道路的禁止停止线。
19.根据权利要求13所述的方法，其特征在于，还包括：
向所述至少一个行车记录仪发送指令以记录所述图像，其中，所述至少一个行车记录仪中的一个安装在车辆上。
20.根据权利要求19所述的方法，其特征在于，所述方法进一步包括：
获取至少两个车辆的GPS数据；以及
基于所述GPS数据，确定所述至少两个车辆中是否有一个或以上车辆在所述候选位置附近。
21.根据权利要求20所述的方法，其特征在于，所述方法进一步包括：
响应于确定所述一个或以上车辆在所述候选位置附近，从与所述至少一个车辆相对应的所述至少一个行车记录仪获取所述候选位置附近的至少一个视频，其中，所述至少两个图像从所述至少一个视频中提取，并且所述至少两个图像中的每一个包括位置信息。
22.根据权利要求19-21中任一项所述的方法，还包括：
获取将所述指令发送到所述至少一个行车记录仪的触发条件，其中，所述触发条件包括乘客的投诉或司机的反馈。
23.根据权利要求13所述的方法，其特征在于，确定所述识别结果还包括：
对于所述至少一个行车记录仪中的每一个，获取显示所述候选位置周围的场景的至少一个图像，其中，所述至少一个图像由所述车辆记录捕获；以及
基于所述至少一个行车记录仪捕获的所述至少一个图像，验证所述识别结果。
24.如权利要求13所述的方法，其特征在于，所述候选位置是候选上车位置或候选下车位置。
25.一种非暂时性计算机可读介质，其特征在于，包括计算机指令，中当所述计算机指令由一个或以上电子设备的至少一个处理器执行时，实现如权利要求13-24中任一项所述的方法。
26.一种用于确定推荐位置的装置，其特征在于，包括：
至少一个存储介质，包括计算机指令；和
至少一个与所述存储介质通信的处理器，用于执行所述计算机指令，以实现如权利要求13-24中任一项所述的方法。
CN201811289809.5A 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法 Active CN111127282B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202311585285.5A CN117541455A (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法
CN201811289809.5A CN111127282B (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法
PCT/CN2018/113798 WO2020087526A1 (en) 2018-10-31 2018-11-02 Systems and methods for determining recommended locations
US17/093,721 US20210055121A1 (en) 2018-10-31 2020-11-10 Systems and methods for determining recommended locations

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811289809.5A CN111127282B (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311585285.5A Division CN117541455A (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法

Publications (2)

Publication Number Publication Date
CN111127282A true CN111127282A (zh) 2020-05-08
CN111127282B CN111127282B (zh) 2023-11-14

Family

ID=70463573

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311585285.5A Pending CN117541455A (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法
CN201811289809.5A Active CN111127282B (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202311585285.5A Pending CN117541455A (zh) 2018-10-31 2018-10-31 用于确定推荐位置的系统和方法

Country Status (3)

Country Link
US (1) US20210055121A1 (zh)
CN (2) CN117541455A (zh)
WO (1) WO2020087526A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861643A (zh) * 2020-06-30 2020-10-30 北京嘀嘀无限科技发展有限公司 一种乘车位置的推荐方法、装置、电子设备及存储介质
US20210097559A1 (en) * 2019-09-30 2021-04-01 Uber Technologies,Inc. Rider pickup location optimization system
CN112995432A (zh) * 2021-02-05 2021-06-18 杭州叙简科技股份有限公司 一种基于5g双记录仪的深度图像识别方法
CN113722614A (zh) * 2021-08-05 2021-11-30 上海钧正网络科技有限公司 上车位置的确定方法、装置和服务器

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166080A1 (en) * 2010-12-28 2012-06-28 Industrial Technology Research Institute Method, system and computer-readable medium for reconstructing moving path of vehicle
CN104933777A (zh) * 2015-07-30 2015-09-23 苏州寅初信息科技有限公司 一种通过行车记录仪上传路况信息的方法及其行车记录仪
CN107750375A (zh) * 2015-06-22 2018-03-02 伟摩有限责任公司 确定自主交通工具的拾取和目的地位置
CN107886713A (zh) * 2016-09-29 2018-04-06 法乐第(北京)网络科技有限公司 一种信息分享方法、系统及汽车
CN107909838A (zh) * 2017-10-24 2018-04-13 捷开通讯(深圳)有限公司 一种获取道路交通信息的方法、智能终端及行车记录仪
CN108074394A (zh) * 2016-11-08 2018-05-25 武汉四维图新科技有限公司 实景交通数据更新方法及装置
US20180151072A1 (en) * 2014-06-12 2018-05-31 Audi Ag Method for determining position data for use during the operation of a vehicle system of a motor vehicle, and position-data determining and distributing system
CN108475466A (zh) * 2016-01-27 2018-08-31 北京嘀嘀无限科技发展有限公司 用于匹配和显示服务请求和可用车辆的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166080A1 (en) * 2010-12-28 2012-06-28 Industrial Technology Research Institute Method, system and computer-readable medium for reconstructing moving path of vehicle
US20180151072A1 (en) * 2014-06-12 2018-05-31 Audi Ag Method for determining position data for use during the operation of a vehicle system of a motor vehicle, and position-data determining and distributing system
CN107750375A (zh) * 2015-06-22 2018-03-02 伟摩有限责任公司 确定自主交通工具的拾取和目的地位置
CN104933777A (zh) * 2015-07-30 2015-09-23 苏州寅初信息科技有限公司 一种通过行车记录仪上传路况信息的方法及其行车记录仪
CN108475466A (zh) * 2016-01-27 2018-08-31 北京嘀嘀无限科技发展有限公司 用于匹配和显示服务请求和可用车辆的系统和方法
CN107886713A (zh) * 2016-09-29 2018-04-06 法乐第(北京)网络科技有限公司 一种信息分享方法、系统及汽车
CN108074394A (zh) * 2016-11-08 2018-05-25 武汉四维图新科技有限公司 实景交通数据更新方法及装置
CN107909838A (zh) * 2017-10-24 2018-04-13 捷开通讯(深圳)有限公司 一种获取道路交通信息的方法、智能终端及行车记录仪

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210097559A1 (en) * 2019-09-30 2021-04-01 Uber Technologies,Inc. Rider pickup location optimization system
CN111861643A (zh) * 2020-06-30 2020-10-30 北京嘀嘀无限科技发展有限公司 一种乘车位置的推荐方法、装置、电子设备及存储介质
CN112995432A (zh) * 2021-02-05 2021-06-18 杭州叙简科技股份有限公司 一种基于5g双记录仪的深度图像识别方法
CN112995432B (zh) * 2021-02-05 2022-08-05 杭州叙简科技股份有限公司 一种基于5g双记录仪的深度图像识别方法
CN113722614A (zh) * 2021-08-05 2021-11-30 上海钧正网络科技有限公司 上车位置的确定方法、装置和服务器
CN113722614B (zh) * 2021-08-05 2024-05-07 上海钧正网络科技有限公司 上车位置的确定方法、装置和服务器

Also Published As

Publication number Publication date
CN117541455A (zh) 2024-02-09
WO2020087526A1 (en) 2020-05-07
CN111127282B (zh) 2023-11-14
US20210055121A1 (en) 2021-02-25

Similar Documents

Publication Publication Date Title
US11127303B2 (en) Vehicle scheduling method and apparatus, device and storage medium
CN111127282B (zh) 用于确定推荐位置的系统和方法
CN109155104B (zh) 推荐估计到达时间的系统和方法
US10971001B2 (en) Artificial intelligent systems and methods for predicting traffic accident locations
AU2018279045B2 (en) A method and system for determining whether there is target road facility at intersection
US20180174446A1 (en) System and method for traffic violation avoidance
CN111179578A (zh) 一种确定限制停车地点的方法及系统
CN111881713A (zh) 一种识别违停地点的方法、系统、装置及存储介质
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN108230725A (zh) 停车推荐方法和装置
CN111951554A (zh) 一种违停路段信息采集方法和系统
CN110875937A (zh) 一种信息推送方法和系统
CN111984753A (zh) 一种提醒用户的方法和系统
CN111179625B (zh) 一种提醒服务提供者的方法及系统
CN111859178A (zh) 一种推荐上车点的方法和系统
CN116167469A (zh) 一种预约车辆识别方法和系统
CN111178559A (zh) 一种提醒服务请求者的方法及系统
CN112805762A (zh) 提高交通状况可视化的系统和方法
WO2020093351A1 (en) Systems and methods for identifying a road feature
JP7160763B2 (ja) 情報処理装置、情報処理システム、情報処理方法、プログラム、およびアプリケーションプログラム
CN116416778A (zh) 一种区域安全风险评估方法、系统、装置及存储介质
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
JP7258666B2 (ja) 情報提供装置、情報提供システム、情報提供方法、およびプログラム
JP7258667B2 (ja) 情報提供装置、情報提供システム、および情報提供方法
Montilla Observations from Autonomous Vehicle Testing in Phoenix, Noteworthy Ways Existing Political Practices and Commuting Behaviors Will Affect Planning for Self-Driving Vehicles

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
GR01 Patent grant
GR01 Patent grant