CN111724013A - 一种确定车辆洁净程度的方法和系统 - Google Patents

一种确定车辆洁净程度的方法和系统 Download PDF

Info

Publication number
CN111724013A
CN111724013A CN201910213464.3A CN201910213464A CN111724013A CN 111724013 A CN111724013 A CN 111724013A CN 201910213464 A CN201910213464 A CN 201910213464A CN 111724013 A CN111724013 A CN 111724013A
Authority
CN
China
Prior art keywords
vehicle
cleanliness
degree
determining
cleaning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910213464.3A
Other languages
English (en)
Inventor
李敏
陈旋
孟格思
王瑜
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 CN201910213464.3A priority Critical patent/CN111724013A/zh
Publication of CN111724013A publication Critical patent/CN111724013A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种确定车辆洁净程度的方法。所述确定车辆洁净程度方法包括：获取反映车辆洁净程度的数据；以及根据所述反映车辆洁净程度的数据，确定车辆洁净程度；其中，所述反映车辆洁净程度的数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。

Description

一种确定车辆洁净程度的方法和系统
技术领域
本申请涉及共享车辆领域，特别涉及一种确定车辆洁净程度的方法和系统。
背景技术
共享车辆行业的发展极大地便利了用户的出行。但随着投放到市场中的共享车辆的增多，管理和维护共享车辆的困难也逐渐增大。例如，车辆无法得到及时清洁，卫生状况不佳的车辆会大大影响用户的使用感受。如果能获取车辆的洁净程度并及时安排人员进行清洁，则能让用户能用到干净的车辆，获得舒适的出行体验。因此需要提供一种用来确定车辆洁净程度的方法和系统，以合理安排车辆的清洁任务。
发明内容
本申请的一个方面提供一种确定车辆洁净程度的方法所述方法由至少一个处理器执行，所述方法包括：获取反映车辆洁净程度的数据；根据所述反映车辆洁净程度的数据，确定车辆洁净程度；其中，所述反映车辆洁净程度的数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。
在一些实施例中，所述根据所述反映车辆洁净程度的数据，确定车辆洁净程度，包括：采用车辆洁净程度确定模型处理所述反映车辆洁净程度的数据，得到车辆的洁净程度。所述车辆洁净程度确定模型可以为神经网络模型，所述神经网络模型的输入为所述反映车辆洁净程度的数据，所述神经网络模型的输出为车辆洁净程度。
在一些实施例中，所述车辆为汽车，所述车辆的图像数据包括车厢内图像数据和/或车辆外观图像数据；所述采用车辆洁净程度确定模型处理所述反映车辆洁净程度的数据，得到车辆的洁净程度，包括：采用所述车辆洁净程度确定模型处理所述车厢内图像数据，得到车厢内洁净程度；和/或采用所述车辆洁净程度确定模型处理所述车辆外观图像数据，得到车辆外部洁净程度。
在一些实施例中，所述方法还包括：对所述车厢内洁净程度和所述车辆外部洁净程度进行加权求和，得到车辆整体洁净程度。
在一些实施例中，所述方法还包括：至少根据所述车辆洁净程度确定待清洁车辆。
在一些实施例中，所述至少根据所述车辆洁净程度确定待清洁车辆包括：对至少两个车辆的所述车辆洁净程度进行排序；根据排序结果，确定待清洁车辆。
在一些实施例中，所述方法还包括：获取基础信息，所述基础信息为反映车辆当前所处场景和/或未来面对的使用环境的信息；根据所述基础信息确定清洁预算，所述清洁预算包括待清洁车辆的数量和/或比例；基于所述排序结果，确定洁净程度最差的N个车辆为待清洁车辆，其中N为满足所述清洁预算的正整数。
在一些实施例中，所述至少根据所述车辆洁净程度确定待清洁车辆还包括：判断所述车辆洁净程度是否满足设定洁净程度阈值；响应于所述车辆洁净程度满足所述设定洁净程度阈值，确定对应车辆为待清洁车辆。
在一些实施例中，所述方法还包括：根据所述待清洁车辆信息，生成清洁工单；将清洁工单发送至运维人员终端。
本申请的另一方面提供一种确定车辆洁净程度的系统。所述系统包括：数据获取模块，用于获取反映车辆洁净程度的数据；洁净程度确定模块，用于根据所述反映车辆洁净程度的数据，确定车辆洁净程度；其中，所述反映车辆洁净程度的数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。
在一些实施例中，所述确定车辆洁净程度的系统还包括：待清洁车辆确定模块，用于至少根据所述车辆洁净程度确定待清洁车辆。
在一些实施例中，所述确定车辆洁净程度的系统还包括：清洁工单生成模块，用于根据所述待清洁车辆信息生成清洁工单；通信模块，用于将所述清洁工单发送至运维人员终端。
本申请的另一方面提供一种车辆洁净程度确定模型的训练方法，所述车辆洁净程度确定模型用来确定车辆的洁净程度。所述训练方法包括：获取反映车辆洁净程度的样本数据；标记所述反映车辆洁净程度的样本数据对应的车辆洁净程度；获取初始模型；以所述反映车辆洁净程度的样本数据为输入，所述对应的车辆洁净程度为输出，训练所述初始模型，得到车辆洁净程度确定模型。在一些实施例中，所述反映车辆洁净程度的样本数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。
本申请的另一方面提供一种确定清洁预算的方法。所述方法包括：获取基础信息，所述基础信息为反映车辆当前所处场景和/或未来面对的使用环境的信息；根据所述基础信息确定清洁预算，所述清洁预算用于确定待清洁车辆的数量和/或比例。
在一些实施例中，所述基础信息包括以下至少一种：天气信息、路况信息、用户信息。
在一些实施例中，如果天气信息显示某区域当前为雨雪天气和/或未来一段时间有雨雪，则缩减所述区域的清洁预算。
在一些实施例中，如果路况信息显示某区域当前路况和/或未来一段时间预测路况存在污染情况，则缩减所述区域的清洁预算。
在一些实施例中，如果用户信息显示某区域用户对洁净状况较为挑剔，则提高所述区域的清洁预算。
本申请的另一方面提供一种结合用户信息确定车辆洁净程度的方法。该方法包括：获取用户上传的洁净状况数据；获取用户信息；根据所述用户上传的洁净状况数据和所述用户信息确定车辆洁净程度。
在一些实施例中，所述用户信息包括所述用户的个人信息，所述个人信息反映用户个人对洁净状况的挑剔度。
在一些实施例中，所述用户信息包括所述用户所在区域的整体用户信息，所述整体用户信息反映所述区域的用户整体上对洁净程度的挑剔度。
本申请的另一方面提供一种根据用户信息向用户推荐车辆的方法。该方法包括：获取反映车辆洁净程度的数据；获取用户信息；根据所述反映车辆洁净程度的数据和所述用户信息确定向所述用户推荐的车辆。
在一些实施例中，所述方法还包括：根据所述用户信息确定用户对洁净状况的挑剔度，挑剔度越高，则向用户推荐的车辆越干净。
在一些实施例中，所述用户信息包括用户的个人信息，所述个人信息反映用户个人对洁净状况的挑剔度。
在一些实施例中，所述用户信息包括用户所在区域的整体用户信息，所述整体用户信息反映所述区域的用户整体上对洁净状况的挑剔度。
本申请的另一方面提供一种确定清洁工单的方法。所述方法包括：获取待清洁车辆信息；至少根据所述待清洁车辆信息确定清洁工单；将所述清洁工单发送至运维人员终端。
在一些实施例中，所述确定清洁工单的方法还包括：获取运维人员信息；根据所述待清洁车辆信息和所述运维人员信息确定清洁工单。
在一些实施例中，所述运维人员信息包括运维人员的位置和/或运维人员当前任务信息。
在一些实施例中，所述确定清洁工单的方法还包括：安排运维人员清洁与其位置距离在一定范围内的车辆。
在一些实施例中，所述确定清洁工单的方法还包括：根据运维人员当前已有任务信息确定待其清洁的车辆。
在一些实施例中，所述清洁工单包括以下信息中的至少一种：待清洁车辆的标识、位置、图像、洁净程度、需要清洁的部分、运维人员与该待清洁车辆之间的距离、预计运维人员到达该待清洁车辆处的时间、对运维人员完成清洁任务的时间限制或其他要求。
本申请的另一方面提供一种确定车辆洁净程度的装置，包括至少一个存储介质及至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令，以实现如前所述的确定车辆洁净程度的方法。
本申请的另一方面提供一种计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现如前所述的确定车辆洁净程度的方法。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的车辆清洁计划确定系统的应用场景图；
图2是根据本申请一些实施例所示的确定待清洁车辆的方法的示例性流程图；
图3是根据本申请一些实施例所示的一个确定待清洁车辆的系统的框图；以及
图4是根据本申请一些实施例所示的确定待清洁车辆的方法的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
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，前面或后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个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于各种共享物品，例如共享交通工具，包括但不限于自行车、电动车、汽车、摩托车、滑板车、平衡车等。本申请可以根据车辆的图像信息、用户上传的车辆洁净状况信息和/或车辆的历史信息确定车辆的洁净状况，从而确定需要清洁的车辆，合理安排清洁任务，使用户能用到干净的车辆。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。虽然本申请主要以共享车辆、特别是共享汽车为例进行了描述，但需要注意的是，本申请的原理也可应用于其他共享物品，如共享篮球、共享雨伞、共享玩具等，根据本申请的原理也可以确定这些共享物品的洁净状况，确定需要清洁的物品，合理安排清洁任务。
本申请描述的“车辆使用者”、“车辆使用者终端”、“用户”、“需求者”、“服务需求者”、“使用需求者”等是可以互换的，是指需要使用车辆的一方。类似地，本申请描述的“运维人员”、“运维人员终端”、“清洁人员”、“清洁人员终端”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指对车辆进行维护清洁的个人或者其他实体等。另外，本申请描述的“用户”可以是需要使用车辆的一方，也可以是对车辆进行维护清洁的一方。
图1所示为根据本申请一些实施例所示的一个示例性车辆清洁计划确定系统100的应用场景图。
车辆清洁计划确定系统100可以确定车辆的洁净状况，并根据洁净状况确定待清洁车辆，合理安排清洁任务。车辆清洁计划确定系统100可以包括服务器110、网络120、车辆终端130、车辆使用者终端140、运维人员终端150、存储设备160和信息源170。
对于共享车辆来说，不同车辆的洁净状况可能不同，根据车辆的实际洁净状况确定待清洁车辆，有针对性地对车辆进行清洁，可以提高车辆清洁的效率和效果。另外，不同车辆当前所处场景可能不同，或者，车辆未来面对的使用环境多种多样，根据一些外部因素估计上述场景和环境，并在确定待清洁车辆时考虑这些信息，可以使清洁计划更加合理高效。
服务器110可以处理来自车辆清洁计划确定系统100的至少一个组件的数据和/或信息。例如，车辆终端130和/或车辆使用者终端140可以采集反映车辆洁净程度的数据并发送至服务器110，服务器110处理这些反应车辆洁净程度的数据得到车辆的洁净程度，并根据车辆洁净程度进一步确定待清洁车辆，例如通过对车辆洁净程度进行排序或判断车辆洁净程度是否满足设定阈值以确定待清洁车辆。又例如，服务器110还可以根据运维人员的位置、待清洁车辆的位置等信息为所述运维人员确定清洁任务，生成清洁工单发送至运维人员的运维人员终端150。再例如，信息源170(例如，云数据中心)可以将天气、实时路况、用户信息等基础信息发送至服务器110，服务器110根据这些基础信息确定清洁预算，得到需要清洁的车辆数量和/或比例，以合理安排清洁任务。
在一些实施例中，服务器110可以是单个处理设备，也可以是处理设备组。处理设备组可以是经由接入点连接到网络120的集中式处理设备组，或者经由至少一个接入点分别连接到网络120的分布式处理设备组。在一些实施例中，服务器110可以本地连接到网络120或者与网络120远程连接。例如，服务器110可以经由网络120访问存储在车辆终端130、车辆使用者终端140和/或存储设备160中的信息和/或数据。又例如，存储设备160可以用作服务器110的后端数据存储器。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，所述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可以包括处理设备112。处理设备112可以处理与本申请中描述的至少一个功能相关的信息和/或数据。在一些实施例中，处理设备112可以执行车辆清洁计划确定系统100的主要功能。在一些实施例中，处理设备112可以处理反映车辆洁净程度的数据，以确定车辆洁净程度。在一些实施例中，处理设备112可以执行与本申请中描述的方法和系统相关的其他功能。在一些实施例中，处理设备112可包括至少一个处理单元(例如，单核处理设备或多核处理设备)。仅作为示例，处理设备112包括中央处理单元(CPU)、专用集成电路(ASIC)、专用应用指令集处理器(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)、可程序逻辑设备(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等，或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，车辆清洁计划确定系统100中的至少一个组件(例如，服务器110、车辆终端130、车辆使用者终端140、存储设备160、信息源170)可以经由网络120将信息和/或数据发送到车辆清洁计划确定系统100中的其他组件。例如，处理设备112可以经由网络120从存储设备160获得车辆洁净程度确定模型。又例如，处理设备112在生成为运维人员安排清洁任务的清洁工单后，可以经由网络120将清洁工单发送至运维人员的车辆使用者终端140。
在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(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、ZigBee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可以包括至少一个网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、……，通过车辆清洁计划确定系统100的至少一个部件可以连接到网络120以交换数据和/或信息。
车辆终端130可以获取多种与车辆相关的数据。这些与车辆相关的数据中的一部分可以反映车辆的洁净程度。例如，车辆终端130可以记录车辆的历史数据，包括但不限于上一次清洁时间、行驶里程、行驶路径、使用次数、停车位置等。又例如，车辆终端130可以通过图像采集设备获取车辆的图像数据。当车辆为汽车时，图像采集设备可以包括安装在车厢内的摄像头(如，行车记录仪)和/或车辆外部搭载的摄像头(如，搭载在车身上的摄像头)。在一些实施例中，通过图像采集设备可以获得车厢内图像数据和/或车辆外观图像数据，其中车厢内图像数据可以包括内饰(如，方向盘套、座椅、脚垫、内部摆件、收纳箱等)的图像数据；车辆外观图像数据可以包括外饰(如，车身、拉手、风挡玻璃、前后保险杠等)的图像数据。例如，通过车厢内的行车记录仪可以采集车厢内图像，通过车辆外部搭载的摄像头可以采集车辆外观图像。又例如，当所述车辆为自行车、电动车、滑板车、平衡车等，可以通过搭载在车身上的摄像头采集车辆外观图像数据(如，车身、把手、坐垫、脚踏等的图像数据)。在一些实施例中，用户也可以通过车辆终端130上传车辆洁净状况信息。具体地，用户在使用车辆前、后或过程中上传车辆洁净状况信息。例如，车辆终端130具有显示屏和/或扬声器，在用户结束用车时，显示屏上显示询问用户有关车辆洁净状况的文字信息，和/或扬声器播放询问用户有关车辆洁净状况的语音信息，引导用户反馈车辆洁净状况。用户可以通过各种输入方式在车辆终端130上输入车辆洁净状况信息，包括但不限于打字输入、手写输入、选择输入、语音输入、扫描输入等。在一些实施例中，车辆终端130可以获取反映车辆使用场景环境的数据。例如，车辆终端130可以获取车辆所在位置的天气信息、路况信息等。在一些实施例中，车辆终端130可以是一带有定位技术的装置，以确定车辆的位置，并发送给车辆清洁计划确定系统100中的一个或多个设备，例如服务器110。
车辆使用者可以通过车辆使用者终端140接入共享车辆服务平台，享受共享车辆服务。例如，车辆使用者可以通过车辆使用者终端140进行借车、锁车、开锁、还车等操作。车辆使用者终端140可以获取车辆使用者的个人信息。例如，车辆使用者在注册共享车辆软件时会填写个人信息。车辆使用者终端140还可以获取车辆相关信息，其中部分信息可以反映车辆洁净程度。例如，车辆使用者可以通过车辆使用者终端140拍摄车辆照片、在车辆使用者终端140上进行文字输入、语音输入、选择输入等方式反馈车辆洁净状况。在一些实施例中，车辆使用者还可以通过车辆使用者终端140上传反映车辆使用场景环境的数据。例如，可以上报天气信息、路况信息等。车辆使用者终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3等，或其任何组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、OculusRiftTM、HololensTM或GearVRTM等。在一些实施例中，车辆使用者终端140可以是一带有定位技术的装置，以确定车辆使用者和/或车辆使用者终端140的位置，并发送给车辆清洁计划确定系统100中的一个或多个设备，例如服务器110。
运维人员可以通过运维人员终端150接入共享车辆运维平台，进行与车辆运维相关的操作。例如，运维人员可以通过运维人员终端150查看需要维护的车辆信息，上报有问题或故障的车辆信息等。在一些实施例中，运维人员终端150可以接收服务器110发送的清洁工单，引导运维人员对相关车辆进行清洁。在一些实施例中，运维人员终端150可以是与车辆使用者终端140类似或相同的装置。在一些实施例中，运维人员终端150页可以是专门配备的装置。在一些实施例中，运维人员终端150可以是一带有定位技术的装置，以确定运维人员和/或运维人员终端150的位置。在一些实施例中，车辆使用者终端140和/或运维人员终端150可与其他定位装置通讯以确定车辆使用者、车辆使用者终端140、运维人员、或运维人员终端150的位置。在一些实施例中，车辆使用者终端140和/或运维人员终端150可将定位信息发送至服务器110。
存储设备160可以储存数据和/或指令。例如，可以存储反映车辆洁净程度的信息、基础信息、定位信息等。在一些实施例中，存储设备160可以存储处理设备112可以执行的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的示例性方法。在一些实施例中，存储设备160可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(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，所述存储设备160可在云平台上实现。仅作为示例，所述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。
信息源170是为车辆清洁计划确定系统100提供其他信息的一个源。在一些实施例中，信息源170可以用于为系统提供天气信息、路况信息、用户信息等。信息源170可以是一个单独的中央服务器的形式存在，也可以是以多个通过网络连接的服务器的形式存在，还可以是以大量的个人设备形式存在。当信息源170以大量个人设备形式存在时，这些设备可以通过一种用户生成内容(user-generated contents)的方式，例如向云端服务器上传文字、语音、图像、视频等，从而是云端服务器连通与其连接的众多个人设备一起组成信息源170。
应当注意的是，上述有关车辆清洁计划确定系统100的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对车辆清洁计划确定系统100进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图2是根据本申请一些实施例所示的确定待清洁车辆的方法的示例性流程图。在一些实施例中，流程200可以由服务器110实现。
步骤210，获取反映车辆洁净程度的数据，确定车辆的洁净程度。
反映车辆洁净程度的数据可以包括车辆的图像数据、用户上传的车辆洁净状况数据、车辆的历史数据等。服务器110根据反映车辆洁净程度的数据可以确定车辆的洁净程度。在一些实施例中，洁净程度可以表现为数值(如，洁净度、洁净值等)或等级(如，洁净等级)。在一些实施例中，上述数值可以是布尔值、整数值、限定范围的实数值、不限定范围的实数值、分数、数组、矩阵以及其他表达式。在一些实施例中，上述等级可以通过人为或根据经验按洁净数值差异划分出的高低不等的洁净等级，如干净、较脏、很脏、极脏等。仅为说明方便，下面对各类反映车辆洁净程度的数据的获取以及基于各类数据确定车辆洁净程度的方法进行描述。
在一些实施例中，反映车辆洁净程度的数据可以为车辆的图像数据。以汽车为例，车辆的图像可以包括车厢内图像(如，方向盘套、坐垫、脚垫、内部摆件、收纳箱等的图像)和/或车辆外观图像(如，车身、拉手、风挡玻璃、前后保险杠等的)。在一些实施例中，服务器110可以获取车辆终端130发送的车辆图像。具体地，可以通过安装在车辆上的图像采集装置采集车辆图像。例如，通过车厢内的行车记录仪可以采集车厢内图像，通过车辆外部搭载的摄像头可以采集车辆外观图像。在一些实施例中，车辆终端与车辆具有对应关系，例如，各车辆终端具有唯一终端标识(如终端编码)，各车辆具有唯一车辆标识(如车牌号)，车辆终端标识与车辆标识一一对应。车辆终端130在向服务器110上传图像数据时携带车辆终端标识信息，服务器110根据该车辆终端标识可以确定对应的车辆标识，从而确定接收到的车辆图像数据属于哪辆车。
在一些实施例中，服务器110可以获取车辆使用者终端140发送的车辆图像。例如，车辆使用者可以用车辆使用者终端140拍摄车辆图像并发送给服务器110。在一些实施例中，车辆使用者通过车辆使用者终端140上安装的共享车辆软件接入共享车辆服务平台，并通过所述软件上传拍摄到的车辆图像，车辆使用者所上传的车辆图像与该使用者所使用的车辆对应，从而服务器110可以确定接收到的车辆图像数据属于哪辆车。
在一些实施例中，还可以在特定地点安装图像采集设备，由这些图像采集设备获取车辆图像并发送给服务器110。例如，可以在共享车辆的借还车站点安装摄像头，摄像头采集所在站点处的图像并上传至服务器110。在一些实施例中，服务器110可以采用至少一种图像分割算法从接收到的图像中分割出车辆图像。在一些实施例中，服务器110还可以采用至少一种图像识别算法处理车辆图像，得到车辆的身份，例如，识别出车辆图像中所包含的车牌信息，以确定车辆图像属于哪辆车。在另一些实施例中，服务器110可以结合车辆的位置(例如车辆终端130上传的车辆位置)和所述安装在特定地点的图像采集设备的位置确定车辆图像中的车辆身份。例如，安装在特定地点的图像采集设备具有固定的拍摄范围，如果车辆的位置在该拍摄范围内，则可确定安装在特定地点的图像采集设备上传的车辆图像属于所述车辆。
在一些实施例中，获取车辆行驶过程中行车记录仪拍摄的至少两帧前方图像数据，解析出其中对应的前景图像和背景图像，并分析其背景图像的像素范围及其分布状态，当其像素范围超过设定的阈值(例如10、20、30等)或者其分布状态满足特定的分布，例如，特定的圆形或者方形等形状的区域与其他位置的像素差超过设定的阈值(例如10、20、30等)，此时，可以判定车辆的前挡风玻璃需要清洁。在一些实施例中，可以事先获取需要清洁车辆以及不需要清洁车辆分别对应的多个模板图像，当新获取到车辆图像与需要清洁车辆模板图像之间的差异小于设定的阈值时，可以判定车辆需要清洁；当新获取到车辆图像与不需要清洁车辆模板图像之间的差异小于设定的阈值时，可以判定车辆不需要清洁，反之当差异大于设定的阈值时，可以判定车辆需要清洁。模板图像的获取可以来自于共享车辆清洁前以及清洁后的图片，并可以将该图片按照车辆玻璃、车辆外观、车辆内饰等各种区域进行归类匹配。例如，当车辆的座椅上或者地板上出现面积大于设定阈值的异物时，可以判定车辆需要清洁。
在一些实施例中，可以训练得到第一车辆洁净程度确定模型来分析采集到的车辆的图像，确定车辆的洁净程度。所述第一车辆洁净程度确定模型的输入为车辆的图像数据，模型的输出为车辆洁净程度。在一些实施例中，所述第一车辆洁净程度确定模型可以是机器学习模型，包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree，DT)模型、随机森林(RandomForests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、xgboost(eXtreme GradientBoosting)、轻量级梯度提升机器(Light Gradient Boosting Machine，LightGBM)、梯度提升机(Gradient Boosting Machines，GBM)、LASSO(Least Absolute Shrinkage andSelection Operator，LASSO)、人工神经网络(Artificial Neural Networks，ANN)模型等。在一些实施例中，训练的样本图像可以包括已有的车辆图像。已有的车辆图像可以通过各种方式获取，比如，历史行车记录仪采集的车辆图像、历史用户上传的车辆图像等。在一些实施例中，可以对已有的车辆图像进行数据增强，以增加样本图像的数量。数据增强的方法包括但不限于翻转、旋转、缩放、裁剪、平移、添加噪声等。在一些实施例中，可以标记样本图像的洁净程度，标记可以通过人工或计算机程序进行。比如，可以根据历史用户对车辆的评分进行统计等等。仅作为示例，可以以样本图像作为输入，以对应的车辆洁净程度作为正确标准(Ground Truth)对模型进行训练。同时可以根据模型的预测输出(例如，预测的车辆洁净程度)与正确标准之间的差异反向调整模型参数。当满足某一预设条件时，例如，训练样本图像数达到预定的数量，模型的预测正确率大于某一预定正确率阈值，或损失函数(LossFunction)的值小于某一预设值，训练过程将停止，并将训练后的模型指定为所述第一车辆洁净程度确定模型。
在一些实施例中，所述第一车辆洁净程度确定模型可以包含2个子模型，例如，车厢内洁净程度确定子模型和车辆外部洁净程度确定子模型。其中，所述车厢内洁净程度确定子模型处理车厢内图像数据，得到车厢内洁净程度。车辆外部洁净程度确定子模型处理车辆外观图像数据，得到车辆外部洁净程度。在一些实施例中，可以给车厢内洁净程度和车辆外部洁净程度赋予不同权重，两者的加权结果得到车辆整体洁净程度。
模型训练的过程与确定车辆洁净程度的过程可以分开进行。在一些实施例中，所述训练过程可以在处理设备112上执行，也可以在另外的设备上执行，再将训练好的模型应用到处理设备112上。
在一些实施例中，反映车辆洁净程度的数据可以为用户上传的车辆洁净状况数据。例如，用户可以通过车辆终端130和/或车辆使用者终端140输入车辆的洁净状况信息，由车辆终端130和/或车辆使用者终端140上传至服务器110。用户输入车辆洁净状况信息的方式包括但不限于打字输入、手写输入、选择输入、语音输入、扫描输入等一种或多种的任意组合。以选择输入为例，在一些实施例中，车辆终端130和/或车辆使用者终端140可以显示至少一个车辆洁净状况选项供用户选择，所述选项可以包括车辆整体洁净状况选项，也可以包括车厢内洁净状况和/或车辆外观洁净选项，还可以包括车辆具体部件的洁净状况选项(如，坐垫是/否洁净、坐垫洁净程度为洁净/有污染/不洁净等)。
在一些实施例中，洁净状况选项的提供可以是固定的、随机的，还可以是与车辆信息相匹配的。例如，当系统判断车辆需要清洁的值不满足阈值但接近阈值时(例如差为1-10)，可以提取出最需要清洁的部位的选项供用户选择，根据用户的选择结果更新当前车辆是否需要清洁，还可以根据用户的选择结果更新阈值设定。当然也可以随机或者选择最不需要清洁的部位的选项供用户选择，以提高用户的使用体验。
服务器110可以根据用户上传的车辆洁净状况数据确定车辆的洁净等级。服务器110可以对用户上传的车辆洁净状况数据进行分析。在一些实施例中，可以从用户输入的文字、语音中提取关键词进行分析。例如，若关键词中出现了负面语气强烈的表述，如，“车太脏了”、“受不了，这个车为什么没有清洁”等，则可将车辆的洁净程度确定为极脏或很脏，及时安排清洁；若关键词中出现了中性语气的表述，如，“这个车有点脏”、“这个车可以收拾一下”等，则将车辆的洁净程度确定为较脏；若关键词中出现了正面语气的表述，如，“车很干净”、“这个车很舒适”等，则车辆的洁净程度确定为洁净。
在一些实施例中，可以根据用户选择的车辆洁净程度选项确定车辆的洁净程度。例如，若用户在系统提供的车辆内饰和/或车辆外饰选项中选择至少3个部件的洁净状况为不洁净，则将车辆的洁净程度确定为极脏；若用户在系统提供的车辆内饰和/或车辆外饰选项中选择2个部件的洁净状况为不洁净，则将车辆的洁净程度确定为很脏。若用户在系统提供的车辆内饰和/或车辆外饰选项中选择1个部件的洁净状况为不洁净，则将车辆的洁净程度确定为较脏。或者，若用户在系统提供的车辆内饰和/或车辆外饰选项中选择至少2个常用部件(如，方向盘套、坐垫、脚垫、内部摆件、车身、风挡玻璃等)的洁净状况为不洁净，则将车辆的洁净程度确定为极脏。
在一些实施例中，还可以结合用户信息确定车辆洁净程度。用户对洁净状况的挑剔度不同，在评判车辆洁净程度时的标准也可能不同。同一辆车，爱干净的用户可能觉得有点脏，而不太讲究的用户也许就能接受。因此，在分析用户上传的洁净状况数据时还可以考虑用户对洁净状况的挑剔度。具体地，可以在分析用户上传的数据得到车辆的洁净程度后，结合用户的挑剔度对该洁净程度进行调整。例如，一个挑剔的用户上传的数据表明车辆极脏，可将结果调整为很脏。另外，还可以根据用户不同的挑剔度对结果进行不同程度的调整。例如，可以将挑剔度超过第一阈值(如6分)的用户确定为比较挑剔，对于这些用户，可以对结果进行轻微调整，如将极脏调整为很脏；将挑剔度超过第二阈值(如8分)的用户确定为非常挑剔，对于这些用户，可以对结果进行更大的调整，如将极脏调整为较脏。在一些实施例中，可以获取用户的个人信息以确定用户的挑剔度；或者，也可以获取用户所在区域的整体用户信息以确定所述区域的用户整体上的挑剔度，并将整体挑剔度作为个人挑剔度的估计值。反映用户挑剔度的数据包括但不限于：用户的性别、年龄、职业、历史上传的洁净状况数据、购买清洁产品的历史记录等。服务器110可以从存储设备160和/或信息源170处获取所述反映用户挑剔度的数据。在一些实施例中，可以采用挑剔度确定模型处理所述数据，得到用户挑剔度。所述模型的输入为反映用户挑剔度的数据，输出为用户挑剔度。
在一些实施例中，可以通过第二车辆洁净程度确定模型处理用户上传的洁净状况数据(或者还包括上述反映用户挑剔度的数据)，得到车辆的洁净状况。第二车辆洁净程度确定模型的输入为用户上传的洁净状况数据(或者还包括上述反映用户挑剔度的数据)，模型的输出为车辆洁净程度。第二车辆洁净程度确定模型可以与第一车辆洁净程度确定模型为同一种类的模型，也可以为不同种类的模型。用于训练第二车辆洁净程度确定模型的样本数据可以包括已有的用户上传的洁净状况数据(或者还包括已有的反映用户挑剔度的数据)。在一些实施例中，可以标记样本数据对应的车辆洁净程度，标记可以通过人工或计算机程序进行。与训练第一车辆洁净程度确定模型类似，可以根据样本数据和标记的车辆洁净程度调整模型的参数，在满足预设条件后停止训练，得到第二车辆洁净程度确定模型。
在一些实施例中，反映车辆洁净程度的数据可以为车辆的历史数据，包括但不限于上一次清洁时间、行驶里程、行驶路径、使用次数、使用天气、使用对象、停车位置等。在一些实施例中，车辆终端130可以与车辆传感器通信，车辆传感器采集车辆的行驶数据并发送至车辆终端130，车辆终端130对这些传感器数据进行记录和/或分析，得到车辆的历史数据。在一些实施例中，传感器可以包括定位装置、声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合等。在一些实施例中，车辆终端130可以直接将车辆的历史数据发送至服务器110，服务器110经过分析后确定车辆的洁净程度。在一些实施例中，车辆终端130可以将车辆的历史数据发送至存储设备160，服务器110从存储设备160获取车辆的历史数据，分析后确定车辆的洁净程度。
在一些实施例中，可以为至少一种车辆历史数据确定至少一个阈值，同种车辆历史数据的不同阈值对应不同的车辆洁净程度，或者，不同种车辆历史数据的不同阈值组合对应不同的车辆洁净程度，从而服务器110可以根据具体车辆的历史数据分析得到该车辆的洁净程度。例如，若车辆距离上一次清洁时间超过第一设定时长阈值(如30日、20日、10日、5日、3日等)、在上一次清洁后的行驶里程超过第一设定里程阈值(如100公里、80公里、50公里等)、在上一次清洁后的行驶路径经过第一污染等级区域、在上一次清洁后的使用次数超过第一设定次数阈值(如20次、15次、10次、5次等)和/或停车位置在第一污染等级区域，则将车辆的洁净程度确定为较脏；反之，若车辆的上述历史数据中至少部分或全部没有达到相应第一阈值或行驶路径(或停车位置)没有经过第一污染等级区域，则将车辆的洁净程度确定为干净。又例如，若车辆距离上一次清洁时间超过第二设定时长阈值、在上一次清洁后的行驶里程超过第二设定里程阈值、在上一次清洁后的行驶路径经过第二污染等级区域、在上一次清洁后的使用次数超过第二次数阈值和/或停车位置在第二污染等级区域，则将车辆的洁净程度确定为很脏。类似地，还可以将车辆的洁净程度确定为极脏等。
上述阈值可以是固定的，也可以是互相影响并变化的。阈值的获取一般可以来源于历史车辆的清洁数据，还可以根据其他确定的参数进行自适应的调整，例如，当上一次车辆的使用对象是带小孩的用户并且在雨天或者雨后使用，那么大概率情况下该车辆需要清洁。尤其是当车辆停靠的位置大概率下一次使用对象是单身女性。当然，基于此，系统还可以根据用户信息给出推荐车辆和不推荐车辆等。
在一些实施例中，可以用第三车辆洁净程度确定模型处理车辆历史数据，得到车辆洁净程度。第三车辆洁净程度确定模型的输入为车辆的历史数据，模型的输出为车辆洁净程度。第三车辆洁净程度确定模型可以与第一车辆洁净程度确定模型和/或第二车辆洁净程度确定模型为同一种类的模型，也可以为不同种类的模型。用于训练第三车辆洁净程度确定模型的样本数据可以包括已有的车辆历史数据。在一些实施例中，可以标记样本数据对应的车辆洁净程度，标记可以通过人工或计算机程序进行。比如，可以根据历史用户对车辆的评分进行统计等等。训练第三车辆洁净程度确定模型的方法与训练第一车辆洁净程度确定模型和/或第二车辆洁净程度确定模型的方法类似，此处不再赘述。
应该注意的是，虽然上文分别描述了第一、第二和第三车辆洁净程度确定模型，在一些实施例中，它们中的至少两个可以合并为一个模型，该模型可以根据不同种类的反映车辆洁净程度的数据综合确定车辆的洁净程度。例如，该模型的输入为车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据中的至少两种，输出为车辆的洁净程度。模型训练的过程与确定车辆洁净程度的过程可以分开进行。在一些实施例中，所述训练过程可以在服务器110上执行，也可以在另外的设备上执行，再将训练好的模型应用到服务器110上。在一些实施例中，也可以对根据各种不同种类的反映车辆洁净程度的数据分别确定的车辆的洁净程度进行综合。例如，可以根据车辆的图像数据、用户上传的洁净状况数据和/或车辆的历史数据确定的车辆的洁净程度分别赋予相应权重，再对根据这三种不同种类数据分别确定的车辆洁净程度进行加权求和，得到车辆最终的洁净程度。仅为描述方便，下面举例说明如何获取反映车辆洁净程度的数据并据此确定车辆的洁净程度。
在该示例中，服务器110根据上述三种反映车辆洁净程度的数据分别确定车辆的洁净程度，综合后得到车辆最终的洁净程度。其中，通过车辆图像数据确定的车辆洁净程度的权重为0.7，通过用户上传的洁净状况数据确定的车辆洁净程度的权重为0.2，通过车辆的历史数据确定的车辆洁净程度的权重为0.1。服务器110获取到行车记录仪拍摄的车辆图像，通过所述第一洁净程度确定模型处理该车辆图像后得到车辆的洁净程度为5分；服务器110还获取到用户在车辆使用者终端140上输入的文字评价，通过所述第二洁净程度确定模型处理该文字评价后得到车辆的洁净程度为3分；服务器110还获取到车辆的上一次清洁时间、行驶里程和使用次数，通过所述第三洁净程度确定模型处理后得到车辆的洁净程度为6分。根据上述数据，服务器110计算得到车辆最终的洁净程度为5×0.7+3×0.2+4×0.1＝4.5分。
步骤220，至少根据车辆的洁净程度确定待清洁车辆。
在一些实施例中，可以预设洁净阈值，服务器110可以将洁净程度低于(或高于)预设洁净阈值的车辆确定为待清洁车辆。例如，洁净程度可以表现为数值，数值越高表明车辆越干净，则预设洁净阈值也为数值，如果某辆车的洁净程度低于该预设洁净阈值，则将该车辆确定为待清洁车辆。类似地，如果表明洁净程度的数值越高表明车辆越脏，则如果某辆车的洁净程度高于该预设洁净阈值，就将该车辆确定为待清洁车辆。又例如，洁净程度可以表现为等级，等级越高表明车辆越干净，则预设洁净阈值也为等级，如果某车辆的洁净程度低于该预设洁净阈值，则将该车辆确定为待清洁车辆。类似地，如果表明洁净程度的等级越高表明车辆越脏，则如果某辆车的洁净程度高于该预设洁净阈值，就将该车辆确定为待清洁车辆。在一些实施例中，可以针对车厢内和车辆外部分别确定洁净阈值，从而可以分别确定车厢内待清洁的车辆和外部待清洁的车辆。洁净阈值可以是固定值，也可以随着实际情况动态调整。
在一些实施例中，服务器110还可以对车辆的洁净程度进行排序，根据排序结果将洁净状况最差的N辆车确定为待清洁车辆，其中N为正整数，N可以为预设值。在一些实施例中，若所述车辆为汽车，可以根据车厢内洁净程度和车辆外部洁净程度得到车辆的综合洁净程度，例如可以给车厢内洁净程度和车辆外部洁净程度赋予不同权重，两者的加权结果得到车辆整体洁净程度，然后对车辆的综合洁净程度排序，根据排序结果确定待清洁车辆。在一些实施例中，也可以对车厢内洁净程度和车辆外部洁净程度分别进行排序，确定车厢内待清洁的车辆和/或车辆外部待清洁的车辆。服务器110可以采用各种排序算法对车辆洁净程度进行排序，包括但不限于插入排序法、希尔排序法、选择排序法、堆排序法、冒泡排序法、快速排序法、归并排序法、计数排序法、桶排序法、基数排序法等。
在一些实施例中，服务器110还可以确定清洁预算，清洁预算可以包括待清洁车辆的数量和/或比例。具体地，可以获取天气信息、路况信息、用户信息等基础信息，根据这些基础信息确定清洁预算。服务器110可以在该清洁预算的限制条件下确定待清洁车辆。例如，确定的待清洁车辆的数量和/或比例满足清洁预算所要求的数量和/或比例。应该注意的是，确定清洁预算的过程与确定待清洁车辆的过程可以分开进行。例如，可以单独确定清洁预算，后续在确定待清洁车辆的过程中根据需求再调取已确定的清洁预算。有关确定清洁预算的更多内容可参见图4及其描述，此处不再赘述。
在一些实施例中，服务器110可以确定车辆的待清洁紧迫度，根据待清洁紧迫度确定待清洁车辆。例如，处于用车频发地段的车辆使用频率高，待清洁紧迫度高，需要尽快清洁；偏僻地段的车辆暂时不会被借走，待清洁紧迫度低，可暂缓清洁。又例如，在用车高峰时，车辆使用频率高，待清洁紧迫度高，需要尽快清洁；在非高峰时，车辆暂时不会被借走，待清洁紧迫度低，可以暂缓清洁。服务器110可以本地存储有包括各地点处车辆使用频率的地图数据和/或各时间点或时间段车辆使用频率的数据，或者可以从外部设备(例如存储设备160、信息源170等)获取所述数据。各地点处车辆的使用频率和/或各时间点或时间段车辆的使用频率可以通过，例如，对车辆的历史使用记录进行统计分析得到。通过在地图数据中查找车辆当前位置可以得到相应位置处的车辆使用频率。通过在所述各时间点或时间段车辆使用频率数据中查找当前时间，可以确定当前时间对应的车辆使用频率。在一些实施例中，也可以训练得到车辆使用频率确定模型，采用所述模型得到车辆使用频率。模型的输入包括车辆当前位置和/或当前时间，输出为车辆使用频率。车辆的待清洁紧迫度与车辆使用频率正相关，在其他条件相同的情况下，车辆当前位置处的车辆使用频率越高，其待清洁的紧迫度越高。待清洁紧迫度可以通过各种公式计算得到。例如，车辆洁净程度表现为数值，数值越高表明车辆越脏，则可以根据车辆洁净程度与车辆使用频率的乘积计算车辆的待清洁紧迫度。又例如，体现车辆洁净程度的数值越高表明车辆越干净，则可以根据车辆洁净程度的倒数与车辆使用频率的乘积计算车辆的待清洁紧迫度。在一些实施例中，可以预设待清洁紧迫度阈值，服务器110可以将满足该紧迫度阈值条件的车辆确定为待清洁车辆。在另一些实施例中，服务器110可以对各车辆的待清洁紧迫度进行排序，根据排序结果将待清洁紧迫度最高的N辆车确定为待清洁车辆，其中N为正整数。排序的方法可以与上文描述的对车辆洁净程度进行排序的方法相同，此处不再赘述。
在一些实施例中，服务器110可以根据用户信息向用户推荐车辆。具体地，可以获取反映车辆洁净程度的数据和用户信息，并根据所述反映车辆洁净程度的数据和用户信息确定向所述用户推荐的车辆。所述用户信息可包括反映用户个人对洁净状况的挑剔度的信息，也可以包括反映用户所在区域的用户整体上对洁净状况的挑剔度的信息。反映用户挑剔度的数据包括但不限于：用户的性别、年龄、职业、历史上传的洁净状况数据、购买清洁产品的历史记录等。所述用户个人越挑剔和/或所述用户所在区域的用户整体上越挑剔，则推荐给所述用户的车辆越干净。在一些实施例中，可以预先建立用户挑剔度与推荐车辆洁净程度的映射关系，根据该映射关系为各挑剔度的用户确定相应的车辆洁净程度，再从可供使用的车辆中选择满足要求的车辆推荐给用户。或者，也可以采用机器学习模型确定与用户需求匹配的车辆洁净程度，例如，模型的输入为上述反映用户挑剔度的信息，输出为与用户挑剔度匹配的车辆洁净程度。
步骤230，至少根据待清洁车辆生成清洁工单。在一些实施例中，服务器110可以根据待清洁车辆信息生成清洁工单，并发送至运维人员终端150。清洁工单可以以文字、语音、图片等方式在运维人员终端150上展示。清洁工单中的信息包括但不限于：待清洁车辆的标识(如车牌号)、位置、图像、洁净程度、需要清洁的部分、运维人员与该待清洁车辆之间的距离、预计运维人员到达该待清洁车辆处的时间、对运维人员完成清洁任务的时间限制或其他要求等。在一些实施例中，还可以结合运维人员当前位置生成清洁工单，例如安排运维人员清洁与其当前位置距离一定范围内的车辆的清洁任务。在一些实施例中，还可以结合运维人员当前的清洁任务繁重程度生成清洁工单，例如给任务已经较重的运维人员少分配，给任务较轻的运维人员多分配。在一些实施例中，在向运用人员终端150发送清洁工单后，可以锁定相应车辆，等运维人员完成清洁后再开放。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，在一些实施例中，可以省略步骤230，步骤210、220后并非必须进行步骤230。步骤210、220和/或230可以在同一设备上执行，也可以在不同设备上执行。
图3是根据本申请一些实施例所示的一个确定待清洁车辆的系统的框图。如图3所示，该系统可以包括数据获取模块310、洁净程度确定模块320、待清洁车辆确定模块330以及清洁工单生成模块340。
数据获取模块310可以用于获取数据。在一些实施例中，数据获取模块310可以用于获取反映车辆洁净程度的数据。所述反映车辆洁净程度的数据包括但不限于：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据等。对于车辆的图像数据来说，在一些实施例中，数据获取模块310可以与车辆终端130通信，接收车辆终端130发送的车辆图像数据。具体地，车辆终端130可以通过安装在车辆上的图像采集装置采集车辆图像。例如，通过车厢内的行车记录仪可以采集车厢内图像，通过车辆外部搭载的摄像头可以采集车辆外观图像。在一些实施例中，数据获取模块可以与车辆使用者终端140通信，接收车辆使用者终端140发送的车辆图像数据。例如，车辆使用者可以用车辆使用者终端140拍摄车辆图像并上传。在一些实施例中，还可以在特定地点安装图像采集设备，数据获取模块310与这些图像采集设备通信，接收这些图像采集设备发送的车辆图像数据。例如，可以在共享车辆的借还车站点安装摄像头，摄像头采集所在站点处的图像并发送至数据获取模块310。对于用户上传的洁净状况数据来说，在一些实施例中，数据获取模块310可以与车辆终端130和/或车辆使用者终端140通信，接收用户上传的洁净状况数据。例如，用户可以通过车辆终端130和/或车辆使用者终端140输入车辆的洁净状况信息，再由车辆终端130和/或车辆使用者终端140发送至数据获取模块310。车辆的历史数据包括但不限于上一次清洁时间、行驶里程、行驶路径、使用次数、停车位置等。在一些实施例中，数据获取模块310可以与车辆终端130通信，接收车辆终端130发送的车辆历史数据。具体地，车辆终端130可以与车辆传感器通信，车辆传感器采集车辆的行驶数据并发送至车辆终端130，车辆终端130可以对这些数据进行处理后得到车辆的历史数据，再发送至数据获取模块310，或者，车辆终端130也可以直接将车辆传感器采集的数据发送至数据获取模块310。
在一些实施例中，数据获取模块310可以获取基础信息。基础信息可以反映车辆当前所处场景和/或未来可能面对的使用环境，根据基础信息可以确定清洁预算。基础信息包括但不限于天气信息、路况信息、用户信息等。在一些实施例中，数据获取模块310可以与车辆终端130、车辆使用者终端140和/或运维人员终端150通信，接收这些终端发送的基础信息。在一些实施例中，数据获取模块310可以与存储设备160和/或信息源170通信以获取基础信息。
洁净程度确定模块320用于确定车辆洁净程度。在一些实施例中，洁净程度确定模块320可以根据车辆的图像数据确定车辆洁净程度。例如，可以通过第一车辆洁净程度确定模型确定车辆的洁净程度，模型的输入为车辆的图像数据，输出为车辆洁净程度。在一些实施例中，所述第一车辆洁净程度确定模型可以包含2个子模型，例如，车厢内洁净程度确定子模型和车辆外部洁净程度确定子模型。其中，所述车厢内洁净程度确定子模型处理车厢内图像数据，得到车厢内洁净程度。车辆外部洁净程度确定子模型处理车辆外观图像数据，得到车辆外部洁净程度。在一些实施例中，可以给车厢内洁净程度和车辆外部洁净程度赋予不同权重，两者的加权结果得到车辆整体洁净程度。所述第一车辆洁净程度确定模型可以预先训练好后置于洁净程度确定模块320中，也可以存储在存储设备160中，由洁净程度确定模块320从存储设备160处获取。
在一些实施例中，洁净程度确定模块320可以根据用户上传的车辆的洁净状况信息确定车辆的洁净程度。例如，可以从用户输入的文字、语音中提取关键词进行分析。在一些实施例中，可以通过第二洁净程度确定模型确定车辆的洁净程度。第二洁净程度确定模型的输入为用户上传的车辆洁净状况，输出为车辆的洁净程度。所述第二车辆洁净程度确定模型可以预先训练好后置于洁净程度确定模块320中，也可以存储在存储设备160中，由洁净程度确定模块320从存储设备160处获取。
在一些实施例中，洁净程度确定模块320可以根据车辆的历史数据确定车辆的洁净程度。例如，可以为至少一种车辆历史数据确定至少一个阈值，同种车辆历史数据的不同阈值对应不同的车辆洁净程度，或者，不同种车辆历史数据的不同阈值组合对应不同的车辆洁净程度，从而洁净程度确定模块320可以根据具体车辆的历史数据分析得到该车辆的洁净程度。又例如，可以通过第三车辆洁净程度确定模型确定车辆的洁净程度。第三车辆洁净程度确定模型的输入为车辆的历史数据，模型的输出为车辆洁净程度。所述第三车辆洁净程度确定模型可以预先训练好后置于洁净程度确定模块320中，也可以存储在存储设备160中，由洁净程度确定模块320从存储设备160处获取。
在一些实施例中，上述第一洁净程度确定模型、第二洁净程度确定模型、第三洁净程度确定模型中的至少两个也可以合并为同一个洁净程度确定模型，该模型的输入为车辆图像数据、用户上传的洁净状况数据、车辆历史数据中的至少两种，输出为车辆的洁净程度。在一些实施例中，也可以对根据各种不同种类的反映车辆洁净程度的数据分别确定的车辆的洁净程度进行综合。例如，可以给根据车辆的图像数据、用户上传的洁净状况数据和/或车辆的历史数据确定的车辆的洁净程度分别赋予相应权重，再对根据这三种不同种类数据分别确定的车辆洁净程度进行加权求和，得到车辆最终的洁净程度。
待清洁车辆确定模块330用来确定待清洁车辆。在一些实施例中，可以预设洁净阈值，待清洁车辆确定模块330可以将洁净程度低于(或高于)预设洁净阈值的车辆确定为待清洁车辆。在一些实施例中，可以针对车厢内和车辆外部分别确定洁净阈值，从而可以分别确定车厢内待清洁的车辆和外部待清洁的车辆。
在一些实施例中，待清洁车辆确定模块330还可以对车辆的洁净程度进行排序，根据排序结果将洁净状况最差的N辆车确定为待清洁车辆，其中N为预先设置的正整数。在一些实施例中，可以根据车厢内洁净程度和车辆外部洁净程度得到车辆的综合洁净程度，例如可以给车厢内洁净程度和车辆外部洁净程度赋予不同权重，两者的加权结果得到车辆整体洁净程度，然后对车辆的综合洁净程度排序，根据排序结果确定待清洁车辆。在一些实施例中，也可以对车厢内洁净程度和/或车辆外部洁净程度分别进行排序，确定车厢内待清洁的车辆和/或车辆外部待清洁的车辆。
在一些实施例中，待清洁车辆确定模块330还可以根据清洁预算确定待清洁车辆。清洁预算可以包括待清洁车辆的数量和/或比例。具体地，可以获取天气信息、路况信息、用户信息等基础信息，根据这些基础信息确定清洁预算。待清洁车辆确定模块330可以在该清洁预算的限制条件下确定待清洁车辆。
在一些实施例中，待清洁车辆确定模块330还可以确定车辆的待清洁紧迫度，根据待清洁紧迫度确定待清洁车辆。待清洁紧迫度可以与车辆所在位置的车辆使用频率正相关，在其他条件相同的情况下，车辆当前位置处的车辆使用频率越高，其待清洁的紧迫度越高。待清洁紧迫度可以通过各种公式计算得到。例如，车辆洁净程度表现为数值，数值越高表明车辆越脏，则可以根据车辆洁净程度与车辆使用频率的乘积计算车辆的待清洁紧迫度。又例如，体现车辆洁净程度的数值越高表明车辆越干净，则可以根据车辆洁净程度的倒数与车辆使用频率的乘积计算车辆的待清洁紧迫度。在一些实施例中，可以预设待清洁紧迫度阈值，待清洁车辆确定模块330可以将满足该紧迫度阈值条件的车辆确定为待清洁车辆。在另一些实施例中，待清洁车辆确定模块330可以对各车辆的待清洁紧迫度进行排序，根据排序结果将待清洁紧迫度最高的N辆车确定为待清洁车辆，其中N为预先设置的正整数。
清洁工单生成模块340可以为运维人员生成清洁工单。在一些实施例中，清洁工单生成模块340可以根据待清洁车辆信息生成清洁工单。清洁工单中的信息包括但不限于：待清洁车辆的标识(如车牌号)、位置、图像、洁净程度、需要清洁的部分、运维人员与该待清洁车辆之间的距离、预计运维人员到达该待清洁车辆处的时间、对运维人员完成清洁任务的时间限制或其他要求等。在一些实施例中，清洁工单生成模块340还可以结合运维人员当前位置生成清洁工单。在一些实施例中，清洁工单生成模块340还可以结合运维人员当前的清洁任务繁重程度生成清洁工单。
应当理解，图3所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于待清洁车辆确定系统300及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，图3中披露的数据获取模块310、洁净程度确定模块320、待清洁车辆确定模块330以及清洁工单生成模块340可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。又例如，待清洁车辆确定系统300还可以通信模块，用来与其他部件通信，例如用于将清洁工单发送至运维人员终端150。待清洁车辆确定系统300中各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。
图4是根据本申请一些实施例所示的确定待清洁车辆的方法的示例性流程图。在一些实施例中，图4中所示的流程400可以在图1中所示的车辆清洁计划确定系统100中实现。例如，流程400的至少一部分可以作为指令的形式存储在存储设备160中，并且由服务器110调用和/或执行。
步骤410，获取基础信息。基础信息可以包括反映车辆当前所处场景和/或未来面对的使用环境的信息。可以理解，例如，如果车辆当前所述场景和/或未来面对的使用环境状况不佳，会对车辆造成较严重的污染，则可以适当缩减清洁预算，将一些非当前必须清洁的车辆的清洁计划推后。又例如，如果车辆所在区域的用户对卫生状况要求较高，则可以适当提高清洁预算，加大对车辆的清洁力度，以满足该区域用户的要求。
基础信息包括但不限于天气信息、路况信息、用户信息等。其中，天气信息可以包括实时/预报未来一段时间的降雨、降雪、异常天气信息。路况信息可以包括实时道路路基、路面、构造物及附属设施等的损坏信息，如，是否泥泞、是否存在扬尘、是否存在路面维修等。用户信息可以包括某一地区的用户信息，具体可以为反映某地区用户对卫生状况接受程度信息，例如该地区的风俗、该地区用户对车辆洁净状况的历史评价、购买清洁产品的习惯等。在一些实施例中，车辆终端130、车辆使用者终端140和/或运维人员终端150可以采集基础信息并发送至服务器110。例如，用户可以通过上述终端主动上报路况信息；或者，上述终端也可以自动采集基础信息后发送给服务器110。在一些实施例中，服务器110也可以从存储设备160和/或信息源170处获取所述基础信息。
步骤420，根据基础信息，确定清洁预算。
在一些实施例中，清洁预算可以指待清洁车辆的数量，如200辆、100、50辆等；或者，清洁预算也可以指待清洁车辆占总车辆数的比例，如20％、15％、10％等。
在一些实施例中，可以根据天气信息确定清洁预算。具体地，如果某区域当前为雨雪天气和/或未来一段时间天气预报显示有雨雪，则缩减该区域的清洁预算。例如，如果天气预报表示某城市未来3天有降雨，则可以减少该城市未来3天的清洁预算，包括减少待清洁车辆的数量和/或比例等。
在一些实施例中，可以根据路况信息确定清洁预算。具体地，如果某道路当前路况和/或未来一段时间预测路况存在泥泞、扬尘严重等污染情况，则缩减该道路所在区域的清洁预算。例如，某道路路面破损较为严重，车辆经过该道路时由于颠簸会蒙上厚重的灰尘，则可以减少该道路所在区域(例如与该道路的距离在一定范围的区域)的清洁预算。
在一些实施例中，可以根据用户信息确定清洁预算。用户信息可以反映不同区域的用户对洁净状况的接收程度，对于用户对洁净状况较挑剔的区域(如，中央商务区、旅游胜地等)，则提高该区域的清洁预算。例如，某区域用户购买或使用清洁产品的频率较高，也可以提高清洁预算。又例如，某区域用户呼吸道疾病较为频发，则也可以提高该区域清洁预算。
在一些实施例中，可以预设标准清洁预算，并根据基础信息计算得到清洁预算调整系数，再基于标准清洁预算和调整系数得到清洁预算，例如可以将标准清洁预算与调整系数的乘积确定为清洁预算。调整系数可以为任意正数。根据各种基础信息的实际情况可相应增大或减小调整系数，从而达到增加或减少清洁预算的目的。仅为描述方便，下面举例说明如何根据基础信息确定清洁预算。
在该示例中，标准清洁预算为每日50辆车，即标准情况下，运维人员每天需要对50辆车进行清洁，此时调整系数可视为1。服务器110获取到某区域当日天气为“小雨”，根据预设的天气信息与调整系数的关系，服务器110将调整系数减小0.3。同时，该区域有一条主干道正在修路，根据预设的路况信息与调整系数的关系，服务器110将调整系数再减小0.2。此外，该区域邻近中央商务区，用户对洁净状况较挑剔，根据预设的用户信息与调整系数的关系，服务器110将调整系数增大0.2。最终，调整系数为1-0.3-0.2+0.2＝0.7，服务器110计算得到清洁预算为50×0.7＝35辆车。
在一些实施例中，可以使用清洁预算确定模型来确定清洁预算。所述清洁预算确定模型可以是机器学习模型，包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、xgboost(eXtremeGradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine，LightGBM)、梯度提升机(Gradient Boosting Machines，GBM)、LASSO(Least AbsoluteShrinkage and Selection Operator，LASSO)、人工神经网络(Artificial NeuralNetworks，ANN)模型等。所述清洁预算确定模型可以由历史车辆清洁计划相关数据进行训练后得到。仅作为示例，可以以历史基础信息作为输入，以所述历史基础信息对应的适当清洁预算作为正确标准(Ground Truth)对模型进行训练。同时可以根据模型的预测输出与正确标准之间的差异反向调整模型参数。当满足某一预设条件时，例如，训练样本数达到预定的数量，模型的预测正确率大于某一预定正确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程将停止，并将训练后的模型指定为所述清洁预算确定模型。
步骤430，根据车辆的洁净程度和清洁预算，确定待清洁车辆。
在确定了清洁预算后，可以在清洁预算的要求下根据车辆洁净程度确定待清洁车辆。在一些实施例中，清洁预算要求仅对一定数量和/或比例的车辆进行清洁，则可以对车辆洁净程度进行排序，根据排序结果将洁净状况最差的N个车辆确定为待清洁车辆，其中N为符合所述清洁预算要求的正整数。在一些实施例中，可以根据清洁预算调整洁净阈值，将满足调整后洁净阈值的车辆确定为待清洁车辆，由于满足调整后洁净阈值的车辆的数量和/或比例可能与满足调整前洁净阈值的车辆的数量和/或比例不同，因此通过调整洁净阈值可以实现对待清洁车辆的数量和/或比例的调整。例如，洁净程度表现为0～100的数值，数值越高，表明车辆越干净。调整前的洁净阈值为30，意味着会将洁净程度低于30的车辆确定为待清洁车辆。随后清洁预算提高，需要对更多的车辆进行清洁，根据清洁预算提高的程度确定将洁净阈值提高为40，此时就会将洁净程度低于40的车辆都确定为待清洁车辆。通过确定清洁预算限制待清洁车辆的数量和/或比例，可以减少在对车辆进行清洁后很短时间内车辆再次污染，也可以将非当前必须清洁的车辆的清洁计划推迟，从而可以减少资源浪费，减轻运维工作压力。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，在一些实施例中，确定清洁预算的过程与确定待清洁车辆的过程可以分开进行，即上述流程400可省略步骤430。后续在确定待清洁车辆的过程中可以根据需求调取已确定的清洁预算。
本申请实施例可能带来的有益效果包括但不限于：(1)根据车辆的实际洁净状况，有针对性地确定待清洁车辆，提高清洁效率和效果，进而提高用户体验；(2)根据运维人员的实际情况，合理安排清洁任务；(3)根据基础信息制定清洁预算，减少资源浪费，减轻运维工作压力。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。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、结构或特点。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“一个替代性实施例”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、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，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工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。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，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储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。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储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。位于计算机存储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。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编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处理设备上运行。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)。
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，如在现有的处理设备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。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。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。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
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。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (28)

1.一种确定车辆洁净程度的方法，所述方法由至少一个处理器执行，其特征在于，包括：
获取反映车辆洁净程度的数据；
根据所述反映车辆洁净程度的数据，确定车辆洁净程度；
其中，所述反映车辆洁净程度的数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。
2.根据权利要求1所述的确定车辆洁净程度的方法，其特征在于，所述车辆的历史数据包括以下至少一种：上一次清洁时间、行驶里程、行驶路径、使用次数、使用天气、使用对象、停车位置。
3.根据权利要求1所述的确定车辆洁净程度的方法，其特征在于，所述根据所述反映车辆洁净程度的数据，确定车辆洁净程度，包括：
采用车辆洁净程度确定模型处理所述反映车辆洁净程度的数据，得到车辆的洁净程度。
4.根据权利要求3所述的确定车辆洁净程度的方法，其特征在于，所述车辆洁净程度确定模型为神经网络模型，所述神经网络模型的输入为所述反映车辆洁净程度的数据，所述神经网络模型的输出为车辆洁净程度。
5.根据权利要求3所述的确定车辆洁净程度的方法，其特征在于，所述车辆的图像数据包括车厢内图像数据和/或车辆外观图像数据；所述采用车辆洁净程度确定模型处理所述反映车辆洁净程度的数据，得到车辆的洁净程度，包括：
采用所述车辆洁净程度确定模型处理所述车厢内图像数据，得到车厢内洁净程度；和/或
采用所述车辆洁净程度确定模型处理所述车辆外观图像数据，得到车辆外部洁净程度。
6.根据权利要求5所述的确定车辆洁净程度的方法，其特征在于，所述方法还包括：
对所述车厢内洁净程度和所述车辆外部洁净程度进行加权求和，得到车辆整体洁净程度。
7.根据权利要求1所述的确定车辆洁净程度的方法，所述方法还包括：
至少根据所述车辆洁净程度确定待清洁车辆。
8.根据权利要求7所述的确定车辆洁净程度的方法，所述至少根据所述车辆洁净程度确定待清洁车辆包括：
对至少两个车辆的所述车辆洁净程度进行排序；以及
根据排序结果，确定待清洁车辆。
9.根据权利要求8所述的确定车辆洁净程度的方法，所述方法还包括：
获取基础信息，所述基础信息为反映车辆当前所处场景和/或未来面对的使用环境的信息；
根据所述基础信息确定清洁预算，所述清洁预算包括待清洁车辆的数量和/或比例；以及基于所述排序结果，确定洁净程度最差的N个车辆为待清洁车辆，其中N为满足所述清洁预算的正整数。
10.根据权利要求9所述的确定车辆洁净程度的方法，所述基础信息包括以下至少一种：天气信息、路况信息、用户信息。
11.根据权利要求7所述的确定车辆洁净程度的方法，所述至少根据所述车辆洁净程度确定待清洁车辆还包括：
判断所述车辆洁净程度是否满足设定洁净程度阈值；
响应于所述车辆洁净程度满足所述设定洁净程度阈值，确定对应车辆为待清洁车辆。
12.根据权利要求7所述的确定车辆洁净程度的方法，所述至少根据所述车辆的洁净程度确定待清洁车辆方法还包括：
获取车辆的当前位置和/或当前时间；
基于所述车辆的当前位置和/或当前时间，确定待清洁车辆。
13.根据权利要求7所述的确定车辆洁净程度的方法，所述方法还包括：
根据所述待清洁车辆信息，生成清洁工单；
将清洁工单发送至运维人员终端。
14.一种确定车辆洁净程度的系统，其特征在于，包括：
数据获取模块，用于获取反映车辆洁净程度的数据；
洁净程度确定模块，用于根据所述反映车辆洁净程度的数据，确定车辆洁净程度；
其中，所述反映车辆洁净程度的数据包括以下至少一种：车辆的图像数据、用户上传的洁净状况数据、车辆的历史数据。
15.根据权利要求14所述的确定车辆洁净程度的系统，其特征在于，所述车辆的历史数据包括以下至少一种：上一次清洁时间、行驶里程、行驶路径、使用次数、使用天气、使用对象、停车位置。
16.根据权利要求14所述的确定车辆洁净程度的系统，其特征在于，所述洁净程度确定模块用于采用车辆洁净程度确定模型处理所述反映车辆洁净程度的数据，得到车辆的洁净程度。
17.根据权利要求16所述的确定车辆洁净程度的系统，其特征在于，所述车辆洁净程度确定模型为神经网络模型，所述神经网络模型的输入为所述反映车辆洁净程度的数据，所述神经网络模型的输出为车辆洁净程度。
18.根据权利要求16所述的确定车辆洁净程度的系统，其特征在于，所述车辆的图像数据包括车厢内图像数据和/或车辆外观图像数据；所述洁净程度确定模块用于：
采用所述车辆洁净程度确定模型处理所述车厢内图像数据，得到车厢内洁净程度；和/或采用所述车辆洁净程度确定模型处理所述车辆外观图像数据，得到车辆外部洁净程度。
19.根据权利要求18所述的确定车辆洁净程度的系统，其特征在于，所述洁净程度确定模块还用于：
对所述车厢内洁净程度和所述车辆外部洁净程度进行加权求和，得到车辆整体洁净程度。
20.根据权利要求14所述的确定车辆洁净程度的系统，其特征在于，所述系统还包括：
待清洁车辆确定模块，用于至少根据所述车辆洁净程度确定待清洁车辆。
21.根据权利要求20所述的确定车辆洁净程度的系统，其特征在于，所述待清洁车辆确定模块用于：
对至少两个车辆的所述车辆洁净程度进行排序；以及
根据排序结果，确定待清洁车辆。
22.根据权利要求21所述的确定车辆洁净程度的系统，其特征在于，所述待清洁车辆确定模块用于：
获取基础信息，所述基础信息为反映车辆当前所处场景和/或未来面对的使用环境的信息；
根据所述基础信息确定清洁预算，所述清洁预算包括待清洁车辆的数量和/或比例；以及
基于所述排序结果，确定洁净程度最差的N个车辆为待清洁车辆，其中N为满足所述清洁预算的正整数。
23.根据权利要求22所述的确定车辆洁净程度的系统，其特征在于，所述基础信息包括以下至少一种：天气信息、路况信息、用户信息。
24.根据权利要求20所述的确定车辆洁净程度的系统，其特征在于，所述待清洁车辆确定模块用于：
判断所述车辆洁净程度是否满足设定洁净程度阈值；
响应于所述车辆洁净程度满足所述设定洁净程度阈值，确定对应车辆为待清洁车辆。
25.根据权利要求20所述的确定车辆洁净程度的系统，其特征在于，所述数据获取模块还用于获取车辆的当前位置和/或当前时间；
所述待清洁车辆确定模块用于基于所述车辆的当前位置和/或当前时间，确定待清洁车辆。
26.根据权利要求20所述的确定车辆洁净程度的系统，其特征在于，所述系统还包括：
清洁工单生成模块，用于根据所述待清洁车辆信息生成清洁工单；
通信模块，用于将所述清洁工单发送至运维人员终端。
27.一种确定车辆洁净程度的装置，包括处理器，其特征在于，所述处理器用于执行权利要求1～13中任一项所述的确定车辆洁净程度的方法。
28.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～13任一项所述的确定车辆洁净程度的方法。
CN201910213464.3A 2019-03-20 2019-03-20 一种确定车辆洁净程度的方法和系统 Pending CN111724013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910213464.3A CN111724013A (zh) 2019-03-20 2019-03-20 一种确定车辆洁净程度的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910213464.3A CN111724013A (zh) 2019-03-20 2019-03-20 一种确定车辆洁净程度的方法和系统

Publications (1)

Publication Number Publication Date
CN111724013A true CN111724013A (zh) 2020-09-29

Family

ID=72562434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910213464.3A Pending CN111724013A (zh) 2019-03-20 2019-03-20 一种确定车辆洁净程度的方法和系统

Country Status (1)

Country Link
CN (1) CN111724013A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220005112A1 (en) * 2020-07-01 2022-01-06 Hyundai Motor Company Vehicle and method of managing cleanliness of interior of the same
CN114241427A (zh) * 2022-02-25 2022-03-25 东莞先知大数据有限公司 三鸟档卫生状态的检测方法、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103753546A (zh) * 2014-01-24 2014-04-30 成都万先自动化科技有限责任公司 洗车服务机器人
CN105976074A (zh) * 2015-10-21 2016-09-28 乐卡汽车智能科技（北京）有限公司 一种车辆健康参数的生成、展现方法以及装置
US20180136000A1 (en) * 2016-11-14 2018-05-17 Lyft, Inc. Identifying Objects for Display in a Situational-Awareness View of an Autonomous-Vehicle Environment
CN108109041A (zh) * 2017-12-21 2018-06-01 戴姆勒股份公司 用于管理共享汽车的使用的方法
CN109003157A (zh) * 2018-06-22 2018-12-14 北京摩拜科技有限公司 车辆管理方法、装置、服务器及系统
CN109099855A (zh) * 2017-06-20 2018-12-28 福特全球技术公司 车辆清洁度检测系统和方法
CN109151379A (zh) * 2017-06-19 2019-01-04 通用汽车环球科技运作有限责任公司 用于车辆清洁的系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103753546A (zh) * 2014-01-24 2014-04-30 成都万先自动化科技有限责任公司 洗车服务机器人
CN105976074A (zh) * 2015-10-21 2016-09-28 乐卡汽车智能科技（北京）有限公司 一种车辆健康参数的生成、展现方法以及装置
US20180136000A1 (en) * 2016-11-14 2018-05-17 Lyft, Inc. Identifying Objects for Display in a Situational-Awareness View of an Autonomous-Vehicle Environment
CN109151379A (zh) * 2017-06-19 2019-01-04 通用汽车环球科技运作有限责任公司 用于车辆清洁的系统和方法
CN109099855A (zh) * 2017-06-20 2018-12-28 福特全球技术公司 车辆清洁度检测系统和方法
CN108109041A (zh) * 2017-12-21 2018-06-01 戴姆勒股份公司 用于管理共享汽车的使用的方法
CN109003157A (zh) * 2018-06-22 2018-12-14 北京摩拜科技有限公司 车辆管理方法、装置、服务器及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220005112A1 (en) * 2020-07-01 2022-01-06 Hyundai Motor Company Vehicle and method of managing cleanliness of interior of the same
CN114241427A (zh) * 2022-02-25 2022-03-25 东莞先知大数据有限公司 三鸟档卫生状态的检测方法、电子设备和存储介质
CN114241427B (zh) * 2022-02-25 2022-05-27 东莞先知大数据有限公司 三鸟档卫生状态的检测方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110168313B (zh) 用于预估到达时间的方法及系统
US20190347582A1 (en) Matching Drivers with Shared Vehicles to Optimize Shared Vehicle Services
KR101617349B1 (ko) 운전 습관 분석 진단 시스템 및 방법
CN105091890B (zh) 用于推荐候选路径的方法和装置
US9349150B2 (en) System and method for multi-task learning for prediction of demand on a system
CN110378483A (zh) 部署在模拟平台上的用于训练机器学习模型的系统和方法
CN111324824B (zh) 一种目的地推荐方法、其装置、电子设备及可读存储介质
US20180025407A1 (en) Methods and systems for order processing
CN110235152A (zh) 交通工具服务系统
US20150294422A1 (en) Assessing asynchronous authenticated data sources for use in driver risk management
KR20180012794A (ko) 운송 서비스 요금을 결정하기 위한 방법 및 시스템
CN109145982A (zh) 驾驶员的身份识别方法及装置、存储介质、终端
CN106529711B (zh) 用户行为预测方法及装置
CN108091173A (zh) 车位引导信息推送方法和装置
CN111105110A (zh) 驾驶风险确定方法、装置、介质和计算设备
CN109360278A (zh) 出租车计价方法、系统及服务器
US20210070304A1 (en) Predictive car wash services for a vehicle based on anticipated routes of travel
CN111724013A (zh) 一种确定车辆洁净程度的方法和系统
CN108573600A (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN111797755A (zh) 一种汽车乘员情绪识别方法及电子设备
WO2020223935A1 (zh) 基于时空特征的停车诱导方法、装置、设备及存储介质
CN112070377B (zh) 出行服务处理方法、装置、电子设备及存储介质
CN114973211A (zh) 对象识别方法、装置、设备及存储介质
CN112989194B (zh) 一种车联网用户请求与服务偏好融合的推荐方法及系统
CN111582527A (zh) 行程时间的预估方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200929