CN111858790A - 一种绕路提醒的方法、装置、电子设备及介质 - Google Patents

一种绕路提醒的方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111858790A
CN111858790A CN202010261445.0A CN202010261445A CN111858790A CN 111858790 A CN111858790 A CN 111858790A CN 202010261445 A CN202010261445 A CN 202010261445A CN 111858790 A CN111858790 A CN 111858790A
Authority
CN
China
Prior art keywords
target
detour
time period
track
actual
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
CN202010261445.0A
Other languages
English (en)
Inventor
安凯强
刘国平
温翔
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 CN202010261445.0A priority Critical patent/CN111858790A/zh
Publication of CN111858790A publication Critical patent/CN111858790A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本申请提供了一种绕路提醒的方法、装置、电子设备及介质，所述方法包括：获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。本申请所提供的实施例，减少了因导航推荐路线不合理使目标服务提供端选择其他优选路段时，目标服务提供端被认定为存在绕路行为的可能性，提高了判断目标服务提供端是否存在绕路行为的准确度。

Description

一种绕路提醒的方法、装置、电子设备及介质
技术领域
本申请涉及通信技术领域，具体而言，涉及一种绕路提醒的方法、装置、电子设备及介质。
背景技术
随着网络技术的发展，获取轨迹数据并不是一件难事，人们只要开启车辆的导航设备，就可以获取已经行驶过的轨迹，根据行驶过的轨迹可以确定出车辆所行驶过的路段，根据车辆行驶过的路段可以确定出车辆在行驶过程中是否存在绕路行为。
目前，根据车辆的行驶轨迹可以确定出车辆在行驶过程中是否存在绕路行为，一般是获取已经行驶完成的轨迹，对已经行驶完成的轨迹与预设好的路线进行对比，进而判断该行驶完成的轨迹是否存在绕路行为，但是预设好的路线并不一定是最优路线，因此，上述确定车辆是否存在绕路行为的方法并不准确。
发明内容
有鉴于此，本申请的目的在于提供一种绕路提醒的方法、装置、电子设备及介质，达到了提高确定车辆是否存在绕路行为的准确性的效果。
根据本申请的一个方面，提供一种电子设备，可以包括存储介质和与存储介质通信的处理器。存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行以下操作：
第一方面，本申请实施例提供了一种绕路提醒的方法，包括：
获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；
根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
根据所述实际行驶轨迹和所述预计行驶路段的相似度，以及所述预计行驶路段的选择概率和所述实际行驶轨迹的选择概率，确定所述实际行驶轨迹的标准程度；
根据所述标准程度，确定是否针对所述目标订单进行绕路提醒。
在一些实施例中，所述根据所述标准程度，确定是否针对所述目标订单进行绕路提醒，包括：
若在所述标准程度小于预设程度值，且所述实际行驶轨迹的偏僻程度大于预设阈值，向服务请求端发送携带有安全提示信息的绕路提醒信息。
在一些实施例中，所述偏僻程度是根据以下任意一个或多个信息确定的：
所述实际行驶轨迹所在路段与人流密集中心之间的距离、所述实际行驶轨迹所在路段的车流量、所述实际行驶轨迹所在路段的人口密度和所述实际行驶轨迹所在路段的建筑密集程度。
在一些实施例中，所述根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段，包括：
根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据和道路连通信息，确定至少一个候选行驶路段；
根据每个候选行驶路段的选择概率，在候选行驶路段中确定所述预计行驶路段。
在一些实施例中，所述选择概率是根据以下任意一个或多个参数确定的：
道路的车流量、道路的颠簸情况、道路的施工情况和道路的筑路材料。
在一些实施例中，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
根据所述第一目标时间段所对应的实际行驶轨迹和预计行驶路段的相似度，确定第一目标时间段的绕路概率；
根据第一目标时间段的绕路概率和第二目标时间段的绕路概率，确定是否进行绕路提醒；所述第二目标时间段是在所述目标订单的起始时刻和当前时刻之间的时间段，且第一目标时间段与第二目标时间段不完全重叠。
在一些实施例中，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
将所述实际行驶轨迹和所述预计行驶路段同时输入至训练好的相似度检测模型，计算得到所述实际行驶轨迹和所述预计行驶路段的相似度；
根据所述相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，所述相似度检测模型是通过以下步骤训练得到的：
获取训练样本集合；其中，所述训练样本集合中包括至少一个训练样本；
针对每个训练样本，被标记为存在绕路行为的订单所对应的实际行驶轨迹作为正样本，将没有被标记为存在绕路行为的订单所对应的实际行驶轨迹作为负样本，基于正样本和负样本对待训练的相似度检测模型进行训练，以得到训练好的相似度检测模型。
第二方面，本申请实施例提供了一种绕路提醒的装置，包括：
获取模块，用于获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
计算模块，用于根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；
确定模块，用于根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，所述确定模块，包括：
第一确定单元，用于根据所述实际行驶轨迹和所述预计行驶路段的相似度，以及所述预计行驶路段的选择概率和所述实际行驶轨迹的选择概率，确定所述实际行驶轨迹的标准程度；
提醒单元，用于根据所述标准程度，确定是否针对所述目标订单进行绕路提醒。
在一些实施例中，所述提醒单元，包括：
提醒子单元，用于若在所述标准程度小于预设程度值，且所述实际行驶轨迹的偏僻程度大于预设阈值，向服务请求端发送携带有安全提示信息的绕路提醒信息。
在一些实施例中，所述偏僻程度是根据以下任意一个或多个信息确定的：
所述实际行驶轨迹所在路段与人流密集中心之间的距离、所述实际行驶轨迹所在路段的车流量、所述实际行驶轨迹所在路段的人口密度和所述实际行驶轨迹所在路段的建筑密集程度。
在一些实施例中，所述计算模块，包括：
第二确定单元，用于根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据和道路连通信息，确定至少一个候选行驶路段；
第三确定单元，用于根据每个候选行驶路段的选择概率，在候选行驶路段中确定所述预计行驶路段。
在一些实施例中，所述选择概率是根据以下任意一个或多个参数确定的：
道路的车流量、道路的颠簸情况、道路的施工情况和道路的筑路材料。
在一些实施例中，所述确定模块，包括：
第四确定单元，用于根据所述第一目标时间段所对应的实际行驶轨迹和预计行驶路段的相似度，确定第一目标时间段的绕路概率；
第五确定单元，用于根据第一目标时间段的绕路概率和第二目标时间段的绕路概率，确定是否进行绕路提醒；所述第二目标时间段是在所述目标订单的起始时刻和当前时刻之间的时间段，且第一目标时间段与第二目标时间段不完全重叠。
在一些实施例中，所述确定模块，包括：
计算单元，用于将所述实际行驶轨迹和所述预计行驶路段同时输入至训练好的相似度检测模型，计算得到所述实际行驶轨迹和所述预计行驶路段的相似度；
第六确定单元，用于根据所述相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，所述装置，还包括：
样本获取模块，用于获取训练样本集合；其中，所述训练样本集合中包括至少一个训练样本；
训练模块，用于针对每个训练样本，被标记为存在绕路行为的订单所对应的实际行驶轨迹作为正样本，将没有被标记为存在绕路行为的订单所对应的实际行驶轨迹作为负样本，基于正样本和负样本对待训练的相似度检测模型进行训练，以得到训练好的相似度检测模型。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述绕路提醒的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述绕路提醒的方法的步骤。
本申请实施例提供的绕路提醒的方法，首先，获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；然后，根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；最后，根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
在某种实施方式下，本申请所提供的方法中，通过计算预计行驶路段，以及根据实际行驶轨迹与预计行驶路段之间的相似度来确定目标服务提供端是否存在绕路行为，而不是将实际行驶轨迹与导航所推荐的路线进行对比来确定目标服务提供端是否存在绕路行为，减少了因导航推荐路线不合理使目标服务提供端选择其他优选路段时，目标服务提供端被认定为存在绕路行为的可能性，提高了判断目标服务提供端是否存在绕路行为的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种绕路提醒的方法流程示意图；
图2示出了本申请实施例提供的一种实际行驶路段和候选行驶路段的示意图；
图3示出了本申请实施例提供的一些实施例的绕路提醒的方法所在的服务系统的框图；
图4示出了本申请实施例提供的一种绕路提醒的装置的结构示意图；
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
在科技飞速发展的当今，人们的出行时选择的交通工具多种多样，其中，由于网约车具有方便、快捷的特性，其成为大多数人所选择的交通工具，选择网约车出行，可以提高出行效率，节约人们的消耗在路上的时间，但是，如果网约车存在绕路行为的话，会降低人们的出行效率，也增加了人们消耗在路上的时间。
现阶段，确定服务提供端(上文中所提到的网约车)是否存在绕路行为包括以下几个步骤：
步骤1，获取目标服务提供端的实际行驶轨迹和预设行驶路线；
步骤2，计算实际行驶轨迹与预设行驶路线之间的距离；
步骤3，根据计算得到的距离，确定目标服务提供端是否存在绕路行为。
在上述判断目标服务提供端是否存在绕路行为的方法中，预设行驶路线是导航系统中所推荐的路线，由于导航系统所推荐的路线可能存在施工、损坏等影响目标服务提供端正常行驶的因素，目标服务提供端就可能会不选择该路线，而是选择大多数服务提供端选择的其他路线的话，这样，目标服务提供端也会被认定存在绕路行为。因此，通过上述方法确定目标服务提供端是否存在绕路行为是不准确的。
因此，本申请的发明人认为，通过历史行驶数据计算得到的预计行驶路段是大多数服务提供端在行驶过程中所选的路线，该预计行驶路段存在干扰服务提供端行驶的因素较少，因此，根据实际行驶轨迹与预计行驶路段的相似度，提高了确定出实际行驶轨迹是否存在绕路行为是准确度。
基于此，如图1所示，本申请的实施例提供了一种绕路提醒的方法，包括：
S101，获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
S102，根据目标服务提供端在第一目标时间段之前的历史行驶数据，计算目标服务提供端在第一目标时间段中的预计行驶路段；
S103，根据实际行驶轨迹和预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
在上述步骤S101中，目标订单指的是需要被检测目标服务提供端是否存在绕路行为的订单，具体的，目标订单可以是没有结束计费的订单。目标服务提供端指的是被检测目标服务提供端是否存在绕路行为的服务提供端，具体的，目标服务提供端可以是正在为目标订单进行服务的服务提供端，服务提供端可以是供人们出行的交通工具，更具体的，服务提供端可以包括网约车、出租车等。第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间，具体的，第一目标时间段可以是与当前时刻相近且已经发生的时间段，更具体的，第一目标时间段可以是在当前时刻之前发生的3秒，或者在当前时刻之前发生的10秒等。预设时间间隔是人为设置的，可以是3秒、10秒等。实际行驶轨迹指的是目标服务提供端已经走过的轨迹，实际行驶轨迹可以是根据目标服务提供端实时获取的位置信息确定的，目标服务提供端实时获取的位置信息可以根据车载定位技术获取的。
具体的，想要判断在一个订单中目标服务提供端是否存在绕路行为，需要该目标服务提供端实际行驶轨迹来确定，因此，在步骤S101中需要获取为目标订单进行服务的目标服务提供端的实际行驶轨迹，只有获取到目标服务提供端的实际行驶轨迹，才能执行后续步骤S102和步骤S103。且步骤S101中获取的是第一目标时间段的实际行驶轨迹，也就是，本方案可以对与当前时刻最近的一段时间内目标服务提供端是否存在绕路行为进行判断。
在上述步骤S102中，历史行驶数据指的是目标服务提供端已经行驶的轨迹，具体的，历史行驶数据指的从目标订单的开始时刻至第一目标时间段的开始时刻之间，目标服务提供端所行驶过的行驶轨迹。预计行驶路段指的是可以被行驶的路段，具体的，预计行驶路段指的是目标服务提供端将要行驶的最优路段，预计行驶路段在现实中是真实存在的。
具体的，如果想要判断第一目标时间段的实际行驶轨迹是否存在绕路行为，就需要一个比较标准的路线作为对比，才能确定出实际行驶轨迹的绕路行为进行确定，因此，根据目标服务提供端在第一目标时间段之前所行驶的轨迹计算出，目标服务提供端在第一目标时间段内最有可能选择的路段，将上述有可能选择的路段作为预计行驶路段，预计行驶路段可以作为判断目标服务提供端是否存在绕路行为的依据。
在上述步骤S103中，绕路提醒指的是在目标服务提供端存在绕路行为的情况下，服务器向服务提供方的客户端或者是服务请求方的客户端进行的提醒。
具体的，实际行驶轨迹和预计行驶轨迹路段的相似度可以表征实际行驶轨迹被服务提供端选择的概率与预计行驶轨迹路段被服务提供端选择的概率之间的相近程度，相似度与绕路行为的可能性呈反比关系，相似度越大，目标服务提供端存在绕路行为的可能性越小，相似度越小，目标服务提供端存在绕路行为的可能性越大。计算得到的相似度较小时，可以认定目标服务提供端是存在绕路行为的，这是就需要对与目标订单相关联的服务提供方或服务请求方的客户端发送提示消息，以提示目标服务提供方尽快控制目标服务提供端回归正常轨迹，或者让服务请求方提醒目标服务提供方尽快控制目标服务提供端回归正常轨迹，这种提醒方式可以让目标服务提供端在之后的行驶轨迹中减少绕路行为，提高了行驶效率。
本申请所提供的上述三个步骤中，通过计算预计行驶路段，以及根据实际行驶轨迹与预计行驶路段之间的相似度来确定目标服务提供端是否存在绕路行为，而不是将实际行驶轨迹与导航所推荐的路线进行对比来确定目标服务提供端是否存在绕路行为，减少了因导航推荐路线不合理使目标服务提供端选择其他优选路段时，目标服务提供端被认定为存在绕路行为的可能性，提高了判断目标服务提供端是否存在绕路行为的准确度。
预计行驶路段是在现实中真实存在的，但是，真实存在的路段有无数个，如何在无数个真实存在的路段中确定预计使用路段，本申请进行详细介绍，步骤S102，包括：
步骤1021，根据目标服务提供端在第一目标时间段之前的历史行驶数据和道路连通信息，确定至少一个候选行驶路段；
步骤1022，根据每个候选行驶路段的选择概率，在候选行驶路段中确定预计行驶路段。
在上述步骤1021中，历史行驶数据指的是目标服务提供端第一目标时间段之前所行驶过的轨迹，历史行驶数据包括组成目标服务提供端第一目标时间段之前所行驶过的轨迹的所有轨迹点。道路联通信息指的现实存在的各个路段之间的连接关系，具体的，道路联通信息指的是某一个路段和与该路段相连的路段之间的关联关系，比如，有路段A-B、B-C、B-D、D-E四个路段，A-B路段与B-C、B-D路段连接，D-E路段与B-D路段连接，则在道路联通信息中包括：与A-B路段连接的是B-C路段和B-D路段；与B-D路段连接的是D-E路段。候选行驶路段指的是与历史行驶数据中所包含的最后一个位置相连接，且除了已经行驶过的路段。
具体的，根据道路联通信息可以快速的找到与历史行驶数据中所包含的最后一个轨迹点所连接的路段，在找到的与最后一个轨迹点所连接的路段中会包括目标服务提供端已经行驶过的路段，已经行驶过的路段是目标服务提供端之后不会再次行驶的，因此，在找到的与最后一个轨迹点所连接的路段中除了已经行驶过的路段之外就是候选行驶路段。
例如，在历史行驶数据中轨迹点F和最后一个轨迹点为O，轨迹点O与轨迹点F组成路段F-O，根据道路联通信息可以确定出与最后一个轨迹点O连接的路段包括O-G、O-H、O-F，其中，O-F路段与路段F-O是同一条路段，则确定出的候选行驶路段包括O-G、O-H。
在上述步骤1022中，选择概率指的是目标服务提供端将要行驶向一个路段的概率，选择概率可以是根据以下任意一个或多个参数确定的：道路的车流量、道路的颠簸程度、道路的施工情况和道路的筑路材料等，其中，道路车流程与选择概率呈反比关系，由于目标服务提供端需要提高行驶效率，减少在路上所消耗的时间，因此，道路的车流量越大，即道路出现拥堵的情况较多，则选择概率越小，道路的车流量越小，即道路出现拥堵的情况较少，则选择概率越大。
道路的颠簸程度指的是目标服务提供端在道路上行驶时的颠簸情况，道路的颠簸程度呈反比关系，道路越颠簸，为了保证乘坐目标服务提供端服务提用方和服务请求方的舒适度，会减速行驶，这样会增加在路上所消耗的时长，因此，为了提高行驶效率，减少在路上所消耗的时长，道路越颠簸，其选择概率就会越小，道路越平坦，其选择概率就会越大。
道路的施工情况指的是道路是否处于施工状态，如果道路处于施工状态，则该道路可能不会通行，即使可以通行也可能会由于通行宽度的限制(如，一条马路其中一半正在施工，只有另一半可以通行)，降低车辆的通行速度，以上所提到了的这些原因降低目标服务提供端的行驶效率，因此，道路处于施工状态时选择概率会越小，道路处于未施工状态时选择概率会越大。
道路的筑路材料指的是建设道路所采用的材料，根据道路的筑路材料可以将道路可以分为土路、石板路、柏油路等，道路的筑路材料越高端，行驶环境越好，行驶效率越高，因此，道路的筑路材料的优劣程度与选择概率成正比，道路的筑路材料的越好，则选择概率越大，道路的筑路材料的越差，则选择概率越小。
具体的，上述选择概率的参考因素是驾驶目标服务提供端的目标服务提供端根据现实情况索要考虑的因素，因此，根据上述因素选择出来的最优的行驶路段是最符合实际，且行驶效率最高的路段，其选择概率就会越高，根据选择概率选择的候选行驶路段就会确定为预计行驶路段，将选择概率最大的一个作为预计行驶路段。
在选择出预计行驶路段后，就需要根据预计行驶路段判断实际行驶路段是否存在绕路行为，因此，步骤S103，包括：
步骤1031，根据实际行驶轨迹和预计行驶路段的相似度，以及预计行驶路段的选择概率和实际行驶轨迹的选择概率，确定实际行驶轨迹的标准程度；
步骤1032，根据标准程度，确定是否针对目标订单进行绕路提醒。
在上述步骤1031中，标准程度指的是实际行驶轨迹是否存在绕路行为的概率，标准程度越高则实际行驶轨迹存在绕路行为的概率越小，标准程度越低则实际行驶轨迹存在绕路行为的概率越大。实际行驶轨迹的选择概率指的是实际行驶轨迹作为候选行驶路段时所对应的选择概率，因为，实际行驶概率是从候选行驶路段中选择出来的，且每个候选行驶路段都具有相对应的选择概率，因此，实际行驶轨迹也会有一个相对应的选择概率。
具体的，实际行驶轨迹和预计行驶路段的相似度越大，说明实际行驶轨迹与预计行驶路段越接近，有可能实际行驶轨迹与预计行驶路段是同一个路段，这种情况下实际行驶轨迹的标准程度就越高，但是，由于预计行驶路段只有一个，且在现实生活中，有可能存在选择概率与预计行驶路段的选择概率相近的候选行驶路段，但该候选行驶路段与预计行驶路段的特征不相似，目标服务提供端选择该候选行驶路段也不能算是绕路行为，这时，除了考虑实际行驶轨迹和预计行驶路段的相似度之外，还需要考虑预计行驶路段的选择概率和实际行驶轨迹的选择概率，如果实际行驶轨迹与预计行驶路段的相似度较小，但是实际行驶轨迹与预计行驶路段分别对应的选择概率很接近的话，实际行驶轨迹的标准程度也会比较高。这样确定出的实际行驶轨迹的标准程度会比较准确，减少了即使实际行驶轨迹是非预计行驶路段时，且实际行驶轨迹没有存在绕路行为的情况下，实际行驶轨迹被认定为绕路的情况，提高了确定实际行驶轨迹是否存在绕路行为的准确度。
例如，如图2所示，一个实际行驶路段A和三个候选行驶路段，三个候选行驶路段分别为：候选行驶路段B、候选行驶路段C、候选行驶路段D。实际行驶路段和三个候选行驶路段相交于点O，候选行驶路段B的选择概率为45％、候选行驶路段C的选择概率为50％、候选行驶路段D的选择概率为5％。根据选择概率可以确定出预计行驶路段为候选行驶路段C，但根据选择概率的值也可以确定出选择候选行驶路段B出行的服务提供端的数量也很多，虽然候选行驶路段B与候选行驶路段C不是同一个路段，候选行驶路段B出行也不能算作是绕路行为，因此，在确定实际行驶轨迹的标准程度时，还需要考虑到实际行驶轨迹所对应的候选行驶路段的选择概率。
在上述步骤1032中，标准程度越高，说明实际行驶轨迹存在绕路行为的可能性越低，标准程度越低，说明实际行驶轨迹存在绕路行为的可能性越高，当标准程度较低时，说明实际行驶轨迹是存在绕路行为的，这种情况下，为了减少目标服务提供端继续绕路，需要及时的对与目标订单相关联的人(与目标订单相关联的人可以包括以下对象中的任意一方或双方：服务请求方和服务提供方)的客户端进行提醒，通过提醒可以让目标服务提供端尽快的返回到正常的行驶路线中。
绕路提醒信息可以是根据不同的情况发送给不同的对象，如果将所有的绕路提醒信息都发送给服务请求端和服务提供方对应的客户端，这样可能会导致服务请求方产生焦虑情绪，更有甚者，会导致服务请求方和服务提供方之间产生矛盾，这样会降低了目标服务提供端的行驶安全，因此，只有在特殊情况下才会向服务请求端发送提醒信息，步骤1032，包括：
步骤10321，若在标准程度小于预设程度值，且实际行驶轨迹的偏僻程度大于预设阈值，向服务请求端发送携带有安全提示信息的绕路提醒信息。
在上述步骤10321中，预设程度值是人为设置的，当标准程度小于预设程度值时，目标服务提供端存在绕路行为的可能性会越大，当标准程度不小于预设程度值时，目标服务提供端存在绕路行为的可能性会越小。偏僻程度指的是路段是否安全的程度，偏僻程度越小说明该路段的安全程度越高，偏僻程度越大说明该路段的安全程度越低。偏僻程度可以根据以下任意一个或多个信息确定的：实际行驶轨迹所在路段与人流密集中心之间的距离、实际行驶轨迹所在路段的车流量、实际行驶轨迹所在路段的人口密度和实际行驶轨迹所在路段的建筑密集程度。其中，人流密集中心指的是人口比较密集的区域的中心点，人口比较密集的区域可以是居住地、商业区等，人口密度指的是单位面积内的人口数量，建筑密集程度指的是单位面积内建筑物的数量。
实际行驶轨迹所在路段与人流密集中心之间的距离指的是实际行驶轨迹所在路段的中心点的位置与人流密集中心的位置之间的距离，距离越大，偏僻程度越大，距离越小，偏僻程度越小。
实际行驶轨迹所在路段的车流量指的是实际行驶轨迹所在路段在单位时间段内所行驶过的车辆的数量，实际行驶轨迹所在路段的车流量越大，偏僻程度越大，实际行驶轨迹所在路段的车流量越小，偏僻程度越小。
实际行驶轨迹所在路段的人口密度指的是实际行驶轨迹所在路段在单位面积内的人口数量，实际行驶轨迹所在路段的人口密度越大，偏僻程度越大，实际行驶轨迹所在路段的人口密度越小，偏僻程度越小。
实际行驶轨迹所在路段的建筑密集程度指的是实际行驶轨迹所在路段在单位面积内建筑物的数量，实际行驶轨迹所在路段的建筑密集程度越大，偏僻程度越大，实际行驶轨迹所在路段的建筑密集程度越小，偏僻程度越小。
具体的，当标准程度小于预设程度值时，说明目标服务提供端当前存在绕路行为，只要存在绕路行为就需要向驾驶目标服务提供端的目标服务提供方所使用的客户端发送绕路提醒消息，这是为了减少目标服务提供端再次进行绕路的行为。除了考虑行驶效率的问题需要对绕路行为进行检测，还需要考虑到绕路行为对乘坐目标服务提供端的乘客的安全性有一定的影响，目标服务提供端所绕行路段的偏僻程度越大，则乘坐目标服务提供端的乘客的安全性越低，目标服务提供端所绕行路段的偏僻程度越小，则乘坐目标服务提供端的乘客的安全性越高，因此，在确定出实际行驶轨迹的标准程度小于预设程度值，且实际行驶轨迹的偏僻程度大于预设阈值时，乘坐目标服务提供端的乘客的安全性较低，需要向服务请求端发送携带有安全提示信息的绕路提醒信息，以使乘坐目标服务提供端的乘客提高安全警惕，进而，提高了乘坐目标服务提供端的乘客的安全性。
偏僻程度的确定可以包括两种方式：方式一：可以是在确定出实际行驶轨迹的标准程度小于预设程度值时，实时的计算出实际行驶轨迹的偏僻程度；方式二：可以是偏僻程度是之前就计算好的，在确定出实际行驶轨迹的标准程度小于预设程度值时，可以实时的调取实际行驶轨迹所对应的路段的偏僻程度。上述两种方式都可以确定出偏僻程度。
目标服务提供端存在绕路行为可能包括两种情况：故意绕路和无意绕路，如果是无意绕路行为的话，在绕路一次之后，之后就不会存在绕路行为，如果是故意绕路行为的话，就会存在多次绕路行为，这种情况下就有可能威胁到乘坐目标服务提供端的乘客的安全，因此，需要进行绕路提醒，步骤S103，包括：
步骤1033，根据第一目标时间段所对应的实际行驶轨迹和预计行驶路段的相似度，确定第一目标时间段的绕路概率；
步骤1034，根据第一目标时间段的绕路概率和第二目标时间段的绕路概率，确定是否进行绕路提醒；第二目标时间段是在目标订单的起始时刻和当前时刻之间的时间段，且第一目标时间段与第二目标时间段不完全重叠。
在上述步骤1033中，绕路概率指的是目标服务提供端存在绕路行为的概率，绕路概率越大，则目标服务提供端存在绕路行为的概率越大，绕路概率越小，则目标服务提供端存在绕路行为的概率越小。
具体的，实际行驶轨迹和预计行驶路段的相似度与绕路概率呈反比，实际行驶轨迹和预计行驶路段的相似度越大，在第一目标时间段内目标服务提供端的绕路概率越小，实际行驶轨迹和预计行驶路段的相似度越小，在第一目标时间段内目标服务提供端的绕路概率越大。
在上述步骤1034中，具体的，从订单开始的起始时刻至当前时刻，目标服务提供端会所行驶的轨迹可以包括多个路段，其中一个路段就是实际行驶轨迹，目标服务提供端在行驶过实际行驶轨迹后可以确定出绕路概率，而目标服务提供端在行驶过其他路段后，针对每个路段也会确定出相对应的绕路概率，根据上述除了实际行驶轨迹的其他路段的绕路概率可以计算出第二目标时间段的绕路概率，根据第一目标时间段的绕路概率和第二目标时间段的绕路概率可以计算出在目标订单的起始时刻和当前时刻之间的时间段内目标服务提供端的绕路概率，进而可以根据绕路概率确定出目标服务提供端是否存在故意绕路的行为。如果绕路概率过小，可以确定出目标服务提供端可能是无意绕路行为，目标服务提供端可能在下一时刻就可以回归正常轨迹，因此，可以仅仅向服务提供方的客户端发送提示信息，如果绕路概率过大，可以确定出目标服务提供端可能是故意绕路行为，此时可能会威胁到乘坐目标服务提供端的乘客的安全，因此，可以向服务提供方的客户端和服务请求端同时发送提示信息，以提高乘坐目标服务提供端的乘客的警惕性。
对实际行驶轨迹和预计行驶路段的相似度的计算是人为的计算方式计算不出来的，因此，可以利用专业的计算模型来计算实际行驶轨迹和预计行驶路段的相似度，步骤S103，包括：
步骤1035，将实际行驶轨迹和预计行驶路段同时输入至训练好的相似度检测模型，计算得到实际行驶轨迹和预计行驶路段的相似度；
步骤1036，根据相似度，确定是否针对目标订单进行绕路提醒。
在上述步骤1035中，训练好的相似度检测模型可以计算出实际行驶轨迹和预计行驶路段的相似度。
具体的，利用训练好的相似度检测模型对实际行驶轨迹和预计行驶路段的相似度进行计算，相当于是通过深度学习模型计算出来的结果，深度学习模型可以提取实际行驶轨迹和预计行驶路段更深层次的特征，这些特征是人根本无法了解到的，因此，利用相似度检测模型计算得到的相似度更加准确。
步骤1036，相似度过大，说明目标服务提供端是存在绕路行为的可能性较小，相似度过小，说明目标服务提供端是存在绕路行为的可能性较大。因此可以设置一个预设相似度阈值，当相似度小于预设相似度阈值时，可以向服务提供方的客户端或者是服务请求端发送绕路提醒消息，以使目标服务提供端尽快的恢复正常行驶路段。
训练好的相似度检测模型是需要多次训练，不断的调整模型中的参数，才能训练成功，训练好的相似度检测模型是通过以下步骤训练得到的：
步骤10，获取训练样本集合；其中，训练样本集合中包括至少一个训练样本；
步骤20，针对每个训练样本，被标记为存在绕路行为的订单所对应的实际行驶轨迹作为正样本，将没有被标记为存在绕路行为的订单所对应的实际行驶轨迹作为负样本，基于正样本和负样本对待训练的相似度检测模型进行训练，以得到训练好的相似度检测模型。
在上述步骤10中，训练样本集合包括至少一个训练样本，每个训练样本包括正样本和负样本，正样本指的是被标记为存在绕路行为的订单所对应的实际行驶轨迹，负样本指的是没有被标记为存在绕路行为的订单所对应的实际行驶轨迹。
在上述步骤20中，因为训练好的相似度检测模型的一些隐藏状态可以输出实际行驶轨迹中具体哪一个路段存在绕路行为，因此，在对待训练的相似度检测模型进行训练时，输入到待训练的相似度检测模型的可以是实际行驶轨迹被划分为多个路段之后组成的特征向量，这样训练过程中就可以确定出具体是哪一个路段存在绕路行为。
对待训练的相似度检测模型进行训练时，训练中的相似度检测模型可以输出训练精度，当训练精度达到预设精度时，就可以认定为相似度检测模型训练好了。或者，由于时间的限制，可以通过设置待训练的相似度检测模型进行训练时的迭代次数上限，当迭代次数达到上限时，可以认定为相似度检测模型训练好了。
相似度检测模型的组成结构可以包括输入层、多个长短期记忆网络和多个全连接层，通过多个长短期记忆网络和多个全连接层的组合构成相似度检测模型，可以获取到识别出训练样本中的比较深层次的特征，进而计算得到的相似度是比较准确的。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(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，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
图3是本申请实施例提供的一种服务系统100的架构示意图。
例如，服务系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。服务系统100可以包括服务器110(本申请所提供方法的执行主体的一种)、网络120、服务请求端130(验证终端)、服务提供端140(网约车)和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(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相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求端130、服务提供端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求端130、服务提供端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图5所示的一个或多个组件的电子设备1000上实现。
网络120可以用于信息和/或数据的交换。在一些实施例中，服务系统100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从服务请求端130获取服务请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求端130的服务请求方可以是除服务实际需求者之外的其他人。例如，服务请求端130的服务请求方A可以使用服务请求端130来为服务实际需求者B发起服务请求(比如，服务请求方A可以为自己的朋友B叫车)，或者从服务器110接收服务信息或指令等。在一些实施例中，服务提供端140的服务请求方可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。例如，服务提供端140的服务请求方C可以使用服务提供端140接收由服务实际提供者D提供服务的服务请求(比如服务请求方C可以为自己雇用的服务提供方D接单)，和/或来自服务器110的信息或指令。在一些实施例中，“服务请求方”和“服务请求端”可以互换使用，“服务提供方”和“服务提供端”可以互换使用。
在一些实施例中，服务请求端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备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、或增强现实设备等，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、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、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，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，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、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，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各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中，服务请求端130可以是具有用于定位服务请求方和/或服务请求端的位置的定位技术的设备。
在一些实施例中，服务提供端140可以是与服务请求端130类似或相同的设备。在一些实施例中，服务提供端140可以是具有定位技术的设备，用于定位服务提供方和/或服务提供端的位置。在一些实施例中，服务请求端130和/或服务提供端140可以与其他定位设备通信以确定服务请求方、服务请求端130、服务提供方、或服务提供端140、或其任意组合的位置。在一些实施例中，服务请求端130和/或服务提供端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求端130和/或服务提供端140获得的数据。在一些实施例中，数据库150可以存储在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，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、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic Random AccessMemory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDRSDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-BasedRandom Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘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、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
基于同一发明构思，本申请实施例中还提供了与绕路提醒的方法对应的绕路提醒的装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述绕路提醒的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图4所示，为本申请实施例提供的一种绕路提醒的装置的示意图，装置包括：
获取模块401，用于获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
计算模块402，用于根据目标服务提供端在第一目标时间段之前的历史行驶数据，计算目标服务提供端在第一目标时间段中的预计行驶路段；
确定模块403，用于根据实际行驶轨迹和预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，确定模块403，包括：
第一确定单元，用于根据实际行驶轨迹和预计行驶路段的相似度，以及预计行驶路段的选择概率和实际行驶轨迹的选择概率，确定实际行驶轨迹的标准程度；
提醒单元，用于根据标准程度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，提醒单元，包括：
提醒子单元，用于若在标准程度小于预设程度值，且实际行驶轨迹的偏僻程度大于预设阈值，向服务请求端发送携带有安全提示信息的绕路提醒信息。
在一些实施例中，偏僻程度是根据以下任意一个或多个信息确定的：
实际行驶轨迹所在路段与人流密集中心之间的距离、实际行驶轨迹所在路段的车流量、实际行驶轨迹所在路段的人口密度和实际行驶轨迹所在路段的建筑密集程度。
在一些实施例中，计算模块402，包括：
第二确定单元，用于根据目标服务提供端在第一目标时间段之前的历史行驶数据和道路连通信息，确定至少一个候选行驶路段；
第三确定单元，用于根据每个候选行驶路段的选择概率，在候选行驶路段中确定预计行驶路段。
在一些实施例中，选择概率是根据以下任意一个或多个参数确定的：
道路的车流量、道路的颠簸情况、道路的施工情况和道路的筑路材料。
在一些实施例中，确定模块403，包括：
第四确定单元，用于根据第一目标时间段所对应的实际行驶轨迹和预计行驶路段的相似度，确定第一目标时间段的绕路概率；
第五确定单元，用于根据第一目标时间段的绕路概率和第二目标时间段的绕路概率，确定是否进行绕路提醒；第二目标时间段是在目标订单的起始时刻和当前时刻之间的时间段，且第一目标时间段与第二目标时间段不完全重叠。
在一些实施例中，确定模块403，包括：
计算单元，用于将实际行驶轨迹和预计行驶路段同时输入至训练好的相似度检测模型，计算得到述实际行驶轨迹和预计行驶路段的相似度；
第六确定单元，用于根据相似度，确定是否针对目标订单进行绕路提醒。
在一些实施例中，装置，还包括：
样本获取模块，用于获取训练样本集合；其中，训练样本集合中包括至少一个训练样本；
训练模块，用于针对每个训练样本，被标记为存在绕路行为的订单所对应的实际行驶轨迹作为正样本，将没有被标记为存在绕路行为的订单所对应的实际行驶轨迹作为负样本，基于正样本和负样本对待训练的相似度检测模型进行训练，以得到训练好的相似度检测模型。
如图5所示，为本申请实施例所提供的电子设备示意图，该电子设备1000包括：处理器1001、存储器1002和总线1003，存储器1002存储有执行指令，当电子设备运行时，处理器1001与存储器1002之间通过总线1003通信，处理器1001执行存储器1002中存储的服务提供端归还站点的确定方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种绕路提醒的方法，其特征在于，包括：
获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；
根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
2.根据权利要求1所述的方法，其特征在于，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
根据所述实际行驶轨迹和所述预计行驶路段的相似度，以及所述预计行驶路段的选择概率和所述实际行驶轨迹的选择概率，确定所述实际行驶轨迹的标准程度；
根据所述标准程度，确定是否针对所述目标订单进行绕路提醒。
3.根据权利要求2所述的方法，其特征在于，所述根据所述标准程度，确定是否针对所述目标订单进行绕路提醒，包括：
若在所述标准程度小于预设程度值，且所述实际行驶轨迹的偏僻程度大于预设阈值，向服务请求端发送携带有安全提示信息的绕路提醒信息。
4.根据权利要求3所述的方法，其特征在于，所述偏僻程度是根据以下任意一个或多个信息确定的：
所述实际行驶轨迹所在路段与人流密集中心之间的距离、所述实际行驶轨迹所在路段的车流量、所述实际行驶轨迹所在路段的人口密度和所述实际行驶轨迹所在路段的建筑密集程度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段，包括：
根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据和道路连通信息，确定至少一个候选行驶路段；
根据每个候选行驶路段的选择概率，在候选行驶路段中确定所述预计行驶路段。
6.根据权利要求2或5任意一项所述的方法，其特征在于，所述选择概率是根据以下任意一个或多个参数确定的：
道路的车流量、道路的颠簸情况、道路的施工情况和道路的筑路材料。
7.根据权利要求1所述的方法，其特征在于，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
根据所述第一目标时间段所对应的实际行驶轨迹和预计行驶路段的相似度，确定第一目标时间段的绕路概率；
根据第一目标时间段的绕路概率和第二目标时间段的绕路概率，确定是否进行绕路提醒；所述第二目标时间段是在所述目标订单的起始时刻和当前时刻之间的时间段，且第一目标时间段与第二目标时间段不完全重叠。
8.根据权利要求1所述的方法，其特征在于，所述根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒，包括：
将所述实际行驶轨迹和所述预计行驶路段同时输入至训练好的相似度检测模型，计算得到所述实际行驶轨迹和所述预计行驶路段的相似度；
根据所述相似度，确定是否针对目标订单进行绕路提醒。
9.根据权利要求8所述的方法，其特征在于，所述相似度检测模型是通过以下步骤训练得到的：
获取训练样本集合；其中，所述训练样本集合中包括至少一个训练样本；
针对每个训练样本，被标记为存在绕路行为的订单所对应的实际行驶轨迹作为正样本，将没有被标记为存在绕路行为的订单所对应的实际行驶轨迹作为负样本，基于正样本和负样本对待训练的相似度检测模型进行训练，以得到训练好的相似度检测模型。
10.一种绕路提醒的装置，其特征在于，包括：
获取模块，用于获取承接目标订单的目标服务提供端在第一目标时间段的实际行驶轨迹；所述第一目标时间段指的是在当前时刻之前，且距离当前时刻预设时间间隔的一段时间；
计算模块，用于根据所述目标服务提供端在所述第一目标时间段之前的历史行驶数据，计算所述目标服务提供端在所述第一目标时间段中的预计行驶路段；
确定模块，用于根据所述实际行驶轨迹和所述预计行驶路段的相似度，确定是否针对目标订单进行绕路提醒。
11.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至9任一所述方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至9任一所述方法的步骤。
CN202010261445.0A 2020-04-03 2020-04-03 一种绕路提醒的方法、装置、电子设备及介质 Pending CN111858790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010261445.0A CN111858790A (zh) 2020-04-03 2020-04-03 一种绕路提醒的方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010261445.0A CN111858790A (zh) 2020-04-03 2020-04-03 一种绕路提醒的方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN111858790A true CN111858790A (zh) 2020-10-30

Family

ID=72985576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010261445.0A Pending CN111858790A (zh) 2020-04-03 2020-04-03 一种绕路提醒的方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111858790A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734085A (zh) * 2020-12-18 2021-04-30 北京嘀嘀无限科技发展有限公司 一种实时监控行驶路线异常的方法及装置
CN112985442A (zh) * 2021-03-03 2021-06-18 北京嘀嘀无限科技发展有限公司 行驶路径匹配方法、可读存储介质和电子设备
CN113570170A (zh) * 2021-09-23 2021-10-29 北京交研智慧科技有限公司 一种行程切分方法、装置及存储介质
CN113923775A (zh) * 2021-12-09 2022-01-11 腾讯科技（深圳）有限公司 一种定位信息质量评估的方法、装置、设备和存储介质
CN115628750A (zh) * 2022-10-10 2023-01-20 中国第一汽车股份有限公司 一种车辆行驶路线比较方法、系统、电子设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150211871A1 (en) * 2014-01-28 2015-07-30 Research & Business Foundation Sungkyunkwan University Vehicle navigation apparatus and method of determining trajectory of vehicle
CN107085227A (zh) * 2017-04-25 2017-08-22 杭州纳戒科技有限公司 路线导航服务方法、装置以及系统
CN107346610A (zh) * 2016-05-05 2017-11-14 阿里巴巴集团控股有限公司 一种路况提醒方法及装置
US20180203952A1 (en) * 2017-01-13 2018-07-19 Fujitsu Limited Non-transitory computer-readable recording medium recording detour wiring check program, detour wiring check method, and information processing apparatus
WO2019023628A1 (en) * 2017-07-27 2019-01-31 Waymo Llc NEURAL NETWORKS FOR VEHICLE TRACK PLANNING
CN109493598A (zh) * 2018-11-19 2019-03-19 福建工程学院 一种基于区块链技术的出租车绕路识别方法
CN109579866A (zh) * 2019-01-18 2019-04-05 深圳壹账通智能科技有限公司 智能导航方法、装置、计算机设备及存储介质
CN109671182A (zh) * 2018-12-19 2019-04-23 义乌市腾飞汽车代驾服务有限公司 一种车辆行驶路线的评估方法和装置
CN110232474A (zh) * 2019-05-24 2019-09-13 深圳市元征科技股份有限公司 防绕路方法、装置、服务器和存储介质
CN110609881A (zh) * 2019-08-28 2019-12-24 中山大学 车辆轨迹偏离检测方法、系统和存储介质
CN110751531A (zh) * 2018-11-13 2020-02-04 北京嘀嘀无限科技发展有限公司 轨迹识别方法、装置及电子设备
CN110749319A (zh) * 2018-12-19 2020-02-04 北京嘀嘀无限科技发展有限公司 一种路线偏移检测的方法、装置和电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150211871A1 (en) * 2014-01-28 2015-07-30 Research & Business Foundation Sungkyunkwan University Vehicle navigation apparatus and method of determining trajectory of vehicle
CN107346610A (zh) * 2016-05-05 2017-11-14 阿里巴巴集团控股有限公司 一种路况提醒方法及装置
US20180203952A1 (en) * 2017-01-13 2018-07-19 Fujitsu Limited Non-transitory computer-readable recording medium recording detour wiring check program, detour wiring check method, and information processing apparatus
CN107085227A (zh) * 2017-04-25 2017-08-22 杭州纳戒科技有限公司 路线导航服务方法、装置以及系统
WO2019023628A1 (en) * 2017-07-27 2019-01-31 Waymo Llc NEURAL NETWORKS FOR VEHICLE TRACK PLANNING
CN110751531A (zh) * 2018-11-13 2020-02-04 北京嘀嘀无限科技发展有限公司 轨迹识别方法、装置及电子设备
CN109493598A (zh) * 2018-11-19 2019-03-19 福建工程学院 一种基于区块链技术的出租车绕路识别方法
CN109671182A (zh) * 2018-12-19 2019-04-23 义乌市腾飞汽车代驾服务有限公司 一种车辆行驶路线的评估方法和装置
CN110749319A (zh) * 2018-12-19 2020-02-04 北京嘀嘀无限科技发展有限公司 一种路线偏移检测的方法、装置和电子设备
CN109579866A (zh) * 2019-01-18 2019-04-05 深圳壹账通智能科技有限公司 智能导航方法、装置、计算机设备及存储介质
CN110232474A (zh) * 2019-05-24 2019-09-13 深圳市元征科技股份有限公司 防绕路方法、装置、服务器和存储介质
CN110609881A (zh) * 2019-08-28 2019-12-24 中山大学 车辆轨迹偏离检测方法、系统和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲁远耀;姜瑾;: "基于GPS轨迹的盲用导航算法与实现", 计算机应用, no. 04, 1 April 2013 (2013-04-01) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734085A (zh) * 2020-12-18 2021-04-30 北京嘀嘀无限科技发展有限公司 一种实时监控行驶路线异常的方法及装置
CN112985442A (zh) * 2021-03-03 2021-06-18 北京嘀嘀无限科技发展有限公司 行驶路径匹配方法、可读存储介质和电子设备
CN112985442B (zh) * 2021-03-03 2022-11-04 北京嘀嘀无限科技发展有限公司 行驶路径匹配方法、可读存储介质和电子设备
CN113570170A (zh) * 2021-09-23 2021-10-29 北京交研智慧科技有限公司 一种行程切分方法、装置及存储介质
CN113923775A (zh) * 2021-12-09 2022-01-11 腾讯科技（深圳）有限公司 一种定位信息质量评估的方法、装置、设备和存储介质
CN115628750A (zh) * 2022-10-10 2023-01-20 中国第一汽车股份有限公司 一种车辆行驶路线比较方法、系统、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111858790A (zh) 一种绕路提醒的方法、装置、电子设备及介质
US11415427B2 (en) Providing traffic warnings to a user based on return journey
US10648822B2 (en) Systems and methods for simultaneous electronic display of various modes of transportation for viewing and comparing
US9689693B2 (en) Systems and methods for learning and displaying customized geographical navigational options
CN106092113B (zh) 预行驶道路预估系统、方法、导航客户端及服务器
EP1265206B1 (en) Driving profile method and system
US20150278712A1 (en) Method, apparatus, and program
JP6094543B2 (ja) 出発地・目的地抽出装置、出発地・目的地抽出方法
JP2020520010A (ja) 位置スコアを用いたピックアップ位置の動的な地理位置の最適化
JP6058139B2 (ja) 公共輸送機関ナビゲータ
US20120239584A1 (en) Navigation to dynamic endpoint
CN104574168A (zh) 用于为交通工具提供燃料购买选项的方法
CN109084797B (zh) 一种导航路径推荐方法和装置
JP2009521665A (ja) オープン・ワールド・モデリング法およびクローズド・ワールド・モデリング法を用いて部分的軌跡から目的地を予測する方法
WO2013014612A1 (en) Multi-modal journey planner
JP7515414B2 (ja) 計算されたパラメータ間のトレードオフを考慮したナビゲーションルートの生成およびカープーリングオプションの特定
CN111831764A (zh) 一种停留站点的确定方法、装置、电子设备和介质
CN111144603A (zh) 一种服务信息推送方法、装置、电子设备和存储介质
CN111325986B (zh) 异常停车监测方法、装置、电子设备以及存储介质
JP2016200984A (ja) 共用車両管理装置
CN111147532A (zh) 一种信息分享方法、装置、设备及介质
CN110766506A (zh) 一种订单生成方法、装置、电子设备和存储介质
CN109631922A (zh) 信息处理装置、信息处理方法和存储程序的非暂时性存储介质
CN111859171A (zh) 一种信息推送方法、装置、电子设备及存储介质
CN111737601A (zh) 出行策略的推荐方法、装置、设备及存储介质

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