CN111881713A - 一种识别违停地点的方法、系统、装置及存储介质 - Google Patents
一种识别违停地点的方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN111881713A CN111881713A CN202010438132.8A CN202010438132A CN111881713A CN 111881713 A CN111881713 A CN 111881713A CN 202010438132 A CN202010438132 A CN 202010438132A CN 111881713 A CN111881713 A CN 111881713A
- Authority
- CN
- China
- Prior art keywords
- location
- violation
- parking place
- parking
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 95
- 238000010801 machine learning Methods 0.000 claims description 46
- 238000012806 monitoring device Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000001976 improved effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 29
- 230000015654 memory Effects 0.000 description 26
- 239000003550 marker Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003032 molecular docking Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及交通运输技术领域,特别涉及一种识别违停地点的方法、系统、装置及存储介质。该方法由至少一个处理器执行,该方法包括:获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息;基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息,所述特征信息反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系;以及基于所述特征信息确定所述目标停靠地点是否是违停地点。该方法可以帮助用户识别违停地点以选择合适的目标停靠地点,进一步提高用户的出行效率。
Description
技术领域
本申请涉及交通运输技术领域,特别涉及一种识别违停地点的方法、系统、装置及存储介质。
背景技术
随着人们生活水平和质量的提高,出行一般都会选择开车或乘车。但寻找停车位或临时停靠点成为了司机的一大难题。例如,网约车司机在接送乘客时需要选择合适的目标停靠地点。若网约车司机选择的目标停靠地点为违停地点,他/她可能会被开罚单。因此,有必要提供一种识别违停地点的方法、系统、装置及存储介质,以准确、高效识别目标停靠地点是否是违停地点。
发明内容
本申请的目的在于提供一种识别违停地点的方法、系统、装置及存储介质,以帮助司机或用户识别目标停靠地点是否是违停地点,提高司机和用户的出行效率。
本申请实施例之一提供一种识别违停地点的方法,所述方法由至少一个处理器执行,该方法包括:获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息;基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息,所述特征信息反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系;以及基于所述特征信息确定所述目标停靠地点是否是违停地点。
在一些实施例中,所述至少一个历史违停地点包括违停标志所在的地点、违停罚单所涉及的处罚地点、违停监控装置所在的地点、以及用户上报的违停地点中的至少一个。
在一些实施例中,所述特征信息还包括所述目标停靠地点的历史热度,所述历史热度与历史某时间段内该目标停靠地点作为上车点和/或下车点的频次相关。
在一些实施例中,所述目标停靠地点与所述至少一个历史违停地点的空间位置关系包括以下中的至少一种:两者的距离、两者是否在同一路段上、两者相对参考地点的方向是否一致、两者相对参考地点距离的差值、两者所在车道的行驶方向是否一致。
在一些实施例中,所述基于所述特征信息确定所述目标停靠地点是否是违停地点,还包括:基于所述特征信息确定所述目标停靠地点的违停概率;以及基于所述违停概率确定所述目标停靠地点是否是违停地点。
在一些实施例中,所述基于所述特征信息确定所述目标停靠地点是否是违停地点,包括:通过违停地点识别模型处理所述特征信息,以确定所述目标停靠地点是否是违停地点;所述违停地点识别模型包括机器学习模型。
在一些实施例中,所述违停地点识别模型经由模型训练过程生成,所述模型训练过程包括:获取一个或多个样本违停地点;对所述一个或多个样本违停地点中的每个样本违停地点,将所述样本违停地点所在的区域分割以获得一个或多个候选路段;提取所述一个或多个候选路段中每个候选路段的样本特征信息;将所述样本违停地点所在的候选路段标记为正样本,将不包含样本违停地点的候选路段标记为负样本;以及基于所述每个候选路段的样本特征信息和标记结果对初始机器学习模型进行训练,得到所述违停地点识别模型。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中一个或多个图像采集装置拍摄的一张或多张图像;利用违停标志识别模型,识别所述一张或多张图像中包含违停标志的至少一张图像;以及基于所述识别的至少一张图像,确定至少一个违停标志所在的地点以作为至少一个样本违停地点。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中的历史罚单信息;以及基于所述历史罚单信息确定至少一个处罚地点以作为至少一个样本违停地点。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中的至少一个违停监控装置所在的地点以作为至少一个样本违停地点。
在一些实施例中,所述提取所述一个或多个候选路段中每个候选路段的样本特征信息包括:确定所述一个或多个候选路段的每个候选路段的中心点;以及对每个候选路段,确定该候选路段的中心点与该候选路段对应的样本违停地点的空间位置关系,以作为所述候选路段的样本特征信息。
本申请实施例之一提供一种识别违停地点的系统,该系统包括:位置信息获取模块、特征信息确定模块和违停地点确定模块;所述位置信息获取模块用于获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息;所述特征信息确定模块用于基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息,所述特征信息反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系;以及所述违停地点确定模块用于基于所述特征信息确定所述目标停靠地点是否是违停地点。
在一些实施例中,所述至少一个历史违停地点包括违停标志所在的地点、违停罚单所涉及的处罚地点、违停监控装置所在的地点、以及用户上报的违停地点中的至少一个。
在一些实施例中,所述特征信息还包括所述目标停靠地点的历史热度,所述历史热度与历史某时间段内该目标停靠地点作为上车点和/或下车点的频次相关。
在一些实施例中,所述目标停靠地点与所述至少一个历史违停地点的空间位置关系包括以下中的至少一种:两者的距离、两者是否在同一路段上、两者相对参考地点的方向是否一致、两者相对参考地点距离的差值、两者所在车道的行驶方向是否一致。
在一些实施例中,所述违停地点确定模块还用于:基于所述特征信息确定所述目标停靠地点的违停概率;以及基于所述违停概率确定所述目标停靠地点是否是违停地点。
在一些实施例中,所述违停地点确定模块用于:通过违停地点识别模型处理所述特征信息,以确定所述目标停靠地点是否是违停地点;所述违停地点识别模型包括机器学习模型。
在一些实施例中,所述违停地点识别模型经由模型训练过程生成,所述模型训练过程包括:获取一个或多个样本违停地点;对所述一个或多个样本违停地点中的每个样本违停地点,将所述样本违停地点所在的区域分割以获得一个或多个候选路段;提取所述一个或多个候选路段中每个候选路段的样本特征信息;将所述样本违停地点所在的候选路段标记为正样本,将不包含样本违停地点的候选路段标记为负样本;以及基于所述每个候选路段的样本特征信息和标记结果对初始机器学习模型进行训练,得到所述违停地点识别模型。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中一个或多个图像采集装置拍摄的一张或多张图像;利用违停标志识别模型,识别所述一张或多张图像中包含违停标志的至少一张图像;以及基于所述识别的至少一张图像,确定至少一个违停标志所在的地点以作为至少一个样本违停地点。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中的历史罚单信息;以及基于所述历史罚单信息确定至少一个处罚地点以作为至少一个样本违停地点。
在一些实施例中,所述获取一个或多个样本违停地点包括:获取一个或多个区域中的至少一个违停监控装置所在的地点以作为至少一个样本违停地点。
在一些实施例中,所述提取每个候选路段的样本特征信息包括:确定所述一个或多个候选路段的每个候选路段的中心点;以及对每个候选路段,确定该候选路段的中心点与该候选路段对应的样本违停地点的空间位置关系,以作为所述候选路段的样本特征信息。
本申请实施例之一提供一种识别违停地点的装置,包括处理器,所述处理器用于执行上述识别违停地点的方法。
本申请实施例之一提供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,计算机执行上述识别违停地点的方法。
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一种违停地点识别系统的应用场景示意图;
图2是根据本申请一些实施例所示的一种示例性计算设备的示意图;
图3是根据本申请一些实施例所示的移动设备的示例性硬件和/或软件的示意图;
图4是根据本申请一些实施例所示的一种处理引擎的模块图;
图5是根据本申请一些实施例所示的一种识别违停地点的方法的示例性流程图;以及
图6是根据本申请一些实施例所示的一种生成违停地点识别模型的示例性流程图。
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不同的交通服务系统,不同的交通服务系统可以包括但不限于陆地、水面航行、航空、航天等中的一种或几种的组合。例如,人力车、代步工具、汽车(例如,小型车、巴士、大型运输车等)、轨道交通(例如,火车、动车、高铁、地铁等)、船舶、飞机、飞船、卫星、热气球、无人驾驶的交通工具等。本申请的不同实施例应用场景包括但不限于运输业、仓储物流业、农业作业系统、城市公交系统、商业运营车辆等中的一种或几种的组合。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。例如,其他类似的有轨迹的行驶系统。
图1是根据本申请一些实施例所示的一种违停地点识别系统100的应用场景示意图。
该违停地点识别系统100可以用于识别目标停靠地点是否是违停地点。可选地,违停地点识别系统100还可以提醒用户(例如,网约车司机或网约车乘客),并帮助其选择合适的目标停靠地点。在一些实施例中,违停地点识别系统100可以是用于提供互联网服务的线上服务平台。例如,该违停地点识别系统100可以应用于提供运输服务的网约车平台,其中所述网约车平台可以提供诸如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等运输服务。又例如,该违停地点识别系统100还可以用于快递平台、外卖平台等。为方便描述,下文以网约车平台为例来描述违停地点识别系统100的应用。这并不旨在限定,违停地点识别系统100可以应用于任何服务平台。
如图1所示,所述违停地点识别系统100可以包括服务器110、网络120、终端130、存储设备140和数据源150。
在一些实施例中,服务器110可以是一个单个的服务器或者一个服务器群组。所述服务器群组可以是集中式的或分布式的(例如,服务器110可以是一个分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问存储在终端130、存储设备140和/或数据源150中的信息和/或数据。再例如,服务器110可以直接连接到终端130、存储设备140和/或数据源150以访问存储的信息和/或数据。在一些实施例中,服务器110可以从终端130、存储设备140和/或数据源150处获取历史违停地点的位置信息和/或目标停靠地点的位置信息。在一些实施例中,服务器110可以在一个云平台上实现。仅仅作为示例,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、多重云等或上述举例的任意组合。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理目标停靠地点的位置信息和历史违停地点的位置信息以执行一个或多个本申请实施例描述的功能。例如,处理引擎112可以训练初始模型以获得用于违停地点识别的违停地点识别模型。又例如,处理引擎112可以应用所述违停地点识别模型,并基于目标停靠地点的位置信息来确定目标停靠地点是否是违停地点。在一些实施例中,违停地点识别模型的确定和/或更新可以在处理设备上执行,而违停地点识别模型的应用可以在不同的处理设备上执行。在一些实施例中,违停地点识别模型的确定和/或更新可以在不同于违停地点识别系统100的系统的处理设备上或者不同于包括进行违停地点识别模型应用的处理引擎112的服务器上进行。例如,违停地点识别模型的确定和/或更新可以在供应商的第一系统上执行,该供应商提供和/或维护违停地点识别模型和/或可以使用训练样本来确定和/或更新违停地点识别模型,同时基于提供的违停地点识别模型对目标停靠地点进行判断是否是违停地点时,可以在供应商的客户的第二系统上执行。在一些实施例中,可以在线响应于判断目标停靠地点是否是违停地点的请求对违停地点识别模型进行确定和/或更新。在一些实施例中,违停地点识别模型的确定和/或更新可以离线进行。
网络120可以促进信息和/或数据的交换。在一些实施例中,违停地点识别系统100中的一个或多个部件(例如,服务器110、终端130、存储设备140和/或数据源150等)可以通过网络120向违停地点识别系统100中的其他部件发送信息和/或数据。例如,服务器110可以通过网络120从终端130获取目标停靠地点的位置信息。又例如,服务器110可以通过网络120从数据源150获取历史违停地点的位置信息。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种,或其组合。例如,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(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,如基站和/或互联网交换点120-1、120-2等。通过接入点,违停地点识别系统100的一个或多个部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,终端130可以是用户终端,也可以是交通工具的内建装置。用户终端可以包括移动装置130-1、平板电脑130-2、膝上型电脑130-3等。在一些实施例中,移动装置130-1可以包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等,或以上任意组合。在一些实施例中,智能家居装置可以包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等,或以上任意组合。在一些实施例中,可穿戴装置可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等,或以上任意组合。在一些实施例中,智能行动装置可以包括智能电话、个人数位助理(PDA)、游戏装置、导航装置、POS装置等,或其任意组合。在一些实施例中,虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等,或上述任意组合。在一些实施例中,交通工具的内建装置可以包括行车记录仪130-4、录音设备、监控设备等。在一些实施例中,终端130可以获取目标停靠地点的位置信息并将目标停靠地点的位置信息发送至服务器110。例如,用户的智能电话可以定位接驾地点(或目标停靠地点),并将该接驾地点(或目标停靠地点)的位置信息发送至服务器110。在一些实施例中,终端130可以获取历史违停地点的位置信息并将该历史违停地点的位置信息发送至服务器110。例如,行车记录仪130-4可以拍摄到路边的禁止停车标牌,并将其拍摄到的图片发送至服务器110。
在一些实施例中,存储设备140可以存储数据和/或信息。在一些实施例中,存储设备140可以存储从服务器110、终端130和/或数据源150获得的数据和/或信息。在一些实施例中,存储设备140可以存储供服务器110执行的指令或使用的数据和/或信息,服务器110可以通过执行所述指令或使用所述数据和/或信息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140可以与网络120连接以实现与违停地点识别系统100中的一个或多个其他部件(例如,服务器110、终端130、数据源150等)之间的通信。违停地点识别系统100中的一个或多个其他部件可以通过网络120访问存储在存储设备140中的数据和/或信息。在一些实施例中,存储设备140可以直接与违停地点识别系统100的一个或多个部件(例如,服务器110、终端130、数据源150等)连接或通信。在一些实施例中,服务器110、终端130和数据源150中可以分别设有存储设备140,也可以在违停地点识别系统100内单独设置独立的存储设备。例如,服务器110可以有集成的存储设备,也可以有独立设置的存储设备(如大数据服务器)。在一些实施例中,存储设备140可以包括大容量存储器、可移动存储器、挥发性读写存储器、随机存储器、只读存储器(ROM)等或上述举例的任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态硬盘等。示例性的可移动存储器可以包括闪存盘、软盘、光盘、记忆卡、压缩硬盘、磁带等。示例性的挥发性只读存储器可以包括随机存储器(RAM)。示例性的随机存储器可以包括动态随机存储器(DRAM)、双数据率同步动态随机存储器(DDRSDRAM)、静态随机存储器(SRAM)、可控硅随机存储器(T-RAM)和零电容存储器(Z-RAM)等。示例性的只读存储器可以包括掩蔽型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、压缩硬盘只读存储器(CD-ROM)和数字多功能硬盘只读存储器等。在一些实施例中,存储设备140还可以在一个云平台上实现。例如,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。
在一些实施例中,数据源150可以包括为违停地点识别系统100提供信息的一个或多个来源。例如,数据源150可以用于为违停地点识别系统100提供交管局的违停信息,所述违停信息可以包括违停车辆、违停地点、违停时间等信息。数据源150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终端设备形式存在。当数据源150以大量个人终端设备形式存在时,例如,司机或用户等可以通过个人终端设备上报违停信息时,这些终端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,从而使云端服务器连通与其连接的多个个人终端设备一起组成数据源150。
图2是根据本申请一些实施例所示的一种示例性计算设备的示意图;
在一些实施例中,违停地点识别系统100中的一个或多个元件可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实现并被配置为实现本申请所披露的功能和/或方法。
计算设备200可以包括用来实现本申请所描述的系统的任意部件。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。为了方便起见图中仅绘制了一台计算机,但是本申请所描述的与违停地点识别系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施,以分散系统的处理负荷。
计算设备200可以包括与网络120连接的通信端口250,用于实现数据通信。计算设备200可以包括处理器(例如,CPU)220,其可以以一个或多个处理器的形式执行程序指令。示例性的计算设备200还可以包括内部总线210,以及不同形式的程序存储器和数据存储器。例如,硬盘270、只读存储器(ROM)230或随机存储器(RAM)240可以用于存储由计算机处理和/或传输的各类数据文件。示例性的计算设备200可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器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。计算设备200也可以包括输入/输出部件260,用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本申请中的程序和数据。
为理解方便,图2中仅示例性绘制了一个处理器。然而,需要注意的是,本申请中的计算设备200可以包括多个处理器,因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如,如果在本申请中,计算设备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也可以由计算设备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;或者第一处理器和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请一些实施例所示的移动设备的示例性硬件和/或软件的示意图;
终端130可以在移动设备300上实现。如图3所示,移动设备300可以包括通信单元310、显示单元320、图形处理器330、处理器340、输入/输出单元350、内存360和存储单元390。移动设备300中还可以包括总线或者控制器。在一些实施例中,操作系统370和一个或多个应用程序380可以从存储单元390加载到内存360中,并由处理器340执行。在一些实施例中,应用程序380可以接收和显示与处理引擎112有关的用于违停地点识别的信息。输入/输出单元350可以实现用户与违停地点识别系统100的交互,并将交互相关信息通过输入/输出单元350提供给违停地点识别系统100中的其他部件,如服务器110。
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本文中描述的一个或多个元件的硬件平台。一个拥有用户接口组件的计算机可用于实现个人计算机(PC)或者其他任何形式的工作站或终端设备。通过合适的编程,一个计算机也可以充当一台服务器。
图4是根据本申请一些实施例所示的一种处理引擎112的模块图;
如图4所示,所述处理引擎112可以包括位置信息获取模块410、特征信息确定模块420和违停地点确定模块430。
所述位置信息获取模块410可以用于获取与违停地点识别系统100有关的信息。例如,所述位置信息获取模块410可以获取目标停靠地点的位置信息、与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息、训练违停地点识别模型所用的训练数据等中的一种或多种。关于位置信息获取模块410或获取的信息的详细描述可以参见本申请其他部分(例如,图5和6)的描述,在此不再赘述。在一些实施例中,位置信息获取模块410可以从违停地点识别系统100中的一个或多个组件,例如存储设备140、终端130和/或数据源150获取信息。
所述特征信息确定模块420可以用于基于位置信息获取模块410获取的信息确定目标停靠地点的特征信息。例如,特征信息确定模块420可以基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息。关于特征信息确定模块420或确定的特征信息的详细描述可以参见本申请其他部分(例如,图5和6)的描述,在此不再赘述。
所述违停地点确定模块430可以用于基于所述目标停靠地点的特征信息确定目标停靠地点是否是违停地点。例如,所述违停地点确定模块430可以获取违停地点识别模型,基于违停地点识别模型和所述特征信息确定所述目标停靠地点是否是违停地点。又例如,违停地点确定模块430可以基于违停地点识别模型和所述特征信息确定所述目标停靠地点的违停概率,并基于所述违停概率确定所述目标停靠地点是否是违停地点。关于违停地点确定模块430或确定违停地点的详细描述可以参见本申请其他部分(例如,图5和6)的描述,在此不再赘述。
应当理解,图4所示的处理引擎及其模块可以利用各种方式来实现。例如,在一些实施例中,处理引擎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处理引擎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。本申请的处理引擎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。在一些实施例中,违停地点识别模型的生成和/或更新可以在不同于处理引擎112的处理设备上进行。
需要注意的是,以上对于处理引擎112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,处理引擎112可以进一步包括一个或多个其他模块,和/或不包括上述描述中的一个或多个模块。又例如,图4中披露的位置信息获取模块410、特征信息确定模块420和违停地点确定模块430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。在一些实施例中,处理引擎112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5是根据本申请一些实施例所示的一种识别违停地点的方法的示例性流程图。在一些实施例中,流程500可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。例如,图5所示的流程500中的一个或多个操作可以通过图1所示的处理引擎112实现。例如,流程500可以以指令的形式存储在存储设备140中,并由处理引擎112执行调用和/或执行。
步骤510,获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息。在一些实施例中,步骤510可以由位置信息获取模块410执行。
所述目标停靠地点是指用户(例如司机、网约车乘客)想要停靠的地点。例如,所述目标停靠地点可以包括私家车司机的目的地、网约车司机的目的地(接驾地点和/或送驾地点)、乘客的出发地点(接驾地点)和/或目的地(送驾地点)、快递或外卖的派单地点等。所述目标停靠地点可以由用户通过终端130输入。例如,乘客在预约网约车时可以是通过智能电话输入送驾地点和/或接驾地点,该送驾地点和/或接驾地点可以作为网约车司机的目标停靠地点。又例如,私家车司机可以通过其智能电话的导航APP输入目的地以作为其目标停靠地点等。或者,所述目标停靠地点可以由处理引擎112确定。例如,司机的终端会将其位置信息持续地或者间断地(例如,周期性地)发送给处理引擎112。处理引擎112可以基于接收到的位置信息判断司机是否想要停车。如果判断司机想要停车,处理引擎112可以将司机所在的位置设定为目标停靠地点。
历史违停地点是指根据历史信息确定的违停地点。示例性的历史违停地点可以包括违停标志(例如,违停标牌、违停黄线等)所在的地点、违停罚单所涉及的处罚地点和/或所描述到的地点(例如,道路、路口、路段等)、违停监控装置(例如,摄像头、电子眼等)所在的地点、用户上报的违停地点、具有违停障碍物的地点等。所述用户上报的违停地点可以包括用户上传的罚单信息(例如,处罚短信或电子罚单信息等)所涉及的处罚地点、用户上传的违停标志所在的地点、用户上传的违停监控装置所在的地点、用户上报的路网变更信息(例如,南京路因封路和/或修路等原因不能停车等)、用户上报的其它违停信息(例如,某商场的停车位已满不能再停车)等中的一种或多种。所述至少一个历史违停地点位于距离所述目标停靠地点的特定范围之内。特定范围可以是小于100m、小于200,小于300m等。本申请不对其作任何限定。
在本申请中,地点(例如,目标停靠地点或历史违停地点)可以包括中心点、路段和/或区域范围等。以历史违停地点为例,其可以包括违停标牌所在的中心点,例如北纬30.67度和东经104.06度。或者,历史违停地点可以包括以该中心点为中心,沿该中心所在的道路两侧各扩展特定长度的路段。例如,历史违停地点可以是违停监控装置所在道路上的路段,该路段以所述违停监控装置为中心,且具有特定长度。又或者,历史违停地点还可以是以违停罚单所涉及的处罚地点为中心的圆形区域,该区域具有特定半径。上述特定长度或特定半径可以是10m、20m、30m、40m、50m、60m、70m、80m等,本申请不对其作任何限定。
在一些实施例中,地点的位置信息可以包括该地点的经纬度、该地点所在的道路、该地点所在的路段、该地点所在的车道、与该地点所在的距离在特定范围之内的兴趣点等,或其任意组合。路段可以包括道路的一段,例如,某道路较长时,可以将该道路划分为若干路段。如南京路南段、南京路北段、南京路中段。又如,武汉路东段、武汉路西段等。车道可以包括道路上允许车辆沿特定方向行驶的车行道,例如,某双向道路的上行车道、下行车道。又例如,南京路的上行车道是违停地点,南京路的下行车道不是违停地点。在一些实施例中,兴趣点可以包括景点、建筑、商店、小区等,或其任意组合。例如,兴趣点可以包括北京天安门广场、北京水立方、北海公园、兰州拉面店等。在一些实施例中,地点(如目标停靠地点或历史违停地点)的位置信息可以由处理引擎112从违停地点识别系统100中的一个或多个组件,例如终端130、存储设备140和/或数据源150获取。例如,历史违停地点所在的道路可以由违停地点识别系统100的用户通过其终端130,例如智能电话上报的违停地点中获取。又例如,历史违停地点的经纬度可以从数据源150,例如地图数据库中直接或间接获取。
步骤520,基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息。在一些实施例中,步骤520可以由特征信息确定模块420执行。
在一些实施例中,所述特征信息可以反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系。目标停靠地点与历史违停地点的空间位置关系可以包括两者的距离、两者是否在同一道路上、两者是否在同一路段上、两者相对参考地点的方向是否一致、两者相对参考地点距离的差值、两者所在的车道的行驶方向是否一致等,或其任意组合。所述目标停靠地点与历史违停地点的距离可以包括直线距离和/或路径距离(即连接目标停靠地点与历史违停地点的路径的长度)。目标停靠地点与至少一个历史违停地点的空间位置关系可以包括目标停靠地点与至少一个历史违停地点是否在同一路段上。例如,当B道路较长时,可以将B道路划分为B1路段、B2路段、B3路段等。目标停靠地点与至少一个历史违停地点的空间位置关系可以包括目标停靠地点与至少一个历史违停地点是否都在B2路段。所述参考地点可以包括目标停靠地点和/或历史违停地点所在道路的路口、路段(如路段的中心点或其他任意位置)、其他历史违停地点、兴趣点等,或其任意组合。例如,参考地点可以是历史违停地点(例如,违停罚单所涉及的处罚地点)所在道路上的A商场。若目标停靠地点和历史违停地点都位于A商场的南边,则目标停靠地点和历史违停地点相对于A商场的方向是一致的。又例如,历史违停地点可以位于A道路上。如果A道路较长(例如,其长度超过一定长度阈值),处理引擎112可以把A道路进行分段,将A道路的每个路段的中心点作为一参考地点,并确定目标停靠地点和历史违停地点到每个路段中心点的方向是否一致以及距离差值。例如,当A道路较长时,可以将A道路划分为A1路段、A2路段和A3路段,分别确定A1路段、A2路段和A3路段的中心点,并分别比较目标停靠地点和历史违停地点到A1路段、A2路段和A3路段的中心点的方向是否一致以及距离差值。在一些实施例中,目标停靠地点与至少一个历史违停地点的空间位置关系还可以包括目标停靠地点与至少一个历史违停地点所在车道的行驶方向是否一致。例如当目标停靠地点与至少一个历史违停地点在同一条道路时,处理引擎112可以判断目标停靠地点与至少一个历史违停地点所在车道的行驶方向是否一致。
在一些实施例中,所述特征信息还可以包括目标停靠地点的历史热度。某地点的历史热度可以反映用户在某历史时间段内将该地点作为目标停靠地点的频次。例如,在网约车系统中,处理引擎112可以根据历史订单信息统计乘客在该目标停靠地点和/或该目标停靠地点一定距离阈值内上车和/或下车的频次,以作为该目标停靠地点的历史热度。具体地,处理引擎112可以将网约车系统中乘客的历史上车点和/或历史下车点标记在地图上,并统计地图上各个地点作为上车点和/或下车点的频次。所述历史上车点和/或历史下车点可以由乘客通过其终端130(例如,智能电话、导航装置等)搜索或设置,也可以是基于历史订单的路线信息确定。例如,2018年8月1日A地点作为上车点和下车点的频次为10次/天,B地点作为上车点和/或下车点的频次为30次/天。基于所述地图,处理引擎112可以确定目标停靠地点和/或该目标停靠地点一定距离阈值范围内的地点作为上车点和/或下车点的频次,以作为该目标停靠地点的历史热度。所述历史时间段可以是过去任意的连续或者不连续的时间段,例如,一天、一周、半个月、一个月等。在一些实施例中,处理引擎112可以统计该目标停靠地点在所述历史时间段中每天特定时间段,例如9:00-18:00中的历史热度。
在一些实施例中,目标停靠地点的特征信息可以由处理引擎112从存储设备140和/或数据源150获取。或者,目标停靠地点的特征信息可以由处理引擎112通过数据分析确定。例如,处理引擎112可以基于所述目标停靠地点的位置信息和至少一个历史违停地点的位置信息,确定至少部分目标停靠地点的特征信息。
步骤530,基于所述特征信息确定所述目标停靠地点是否是违停地点。步骤530可以由违停地点确定模块430执行。
在一些实施例中,处理引擎112可以根据一定判断规则,基于所述特征信息判断目标停靠地点是否为违停地点。所述判断规则可以是违停地点识别系统100的默认设定、人为设定,或者是由处理引擎112根据实际需求确定。例如,当目标停靠地点与历史违停地点的距离在第一距离范围内时,处理引擎112可以判断目标停靠地点是违停地点。第一距离可以是任意距离,本申请不对第一距离作任何限定。例如,第一距离可以为10m,目标停靠地点与历史违停地点的距离小于第一距离10m时,处理引擎112可以判断该目标停靠地点为违停地点。又例如,当目标停靠地点与历史违停地点在同一路段时,处理引擎112可以判断该目标停靠地点为违停地点。
在一些其他的实施例中,处理引擎112可以通过违停地点识别模型处理所述特征信息,以确定所述目标停靠地点是否是违停地点。所述违停地点识别模型是指接受特定地点的特征信息,并基于所述特征信息判断该特定地点是否为违停地点的机器学习模型。示例性的机器学习模型可以包括随机森林算法、深度学习模型、支持向量机(SVM)、多层感知器(MLP)模型、梯度提升决策树(GBDT)模型、极限梯度增强(XGB)模型、逻辑回归模型和分解机器(FM)模型等,或其任何组合。在一些实施例中,所述违停地点识别模型可以由处理引擎112(或其他计算设备)基于机器学习算法生成,并存储在存储设备(例如,存储设备140或外部存储设备)中。处理引擎112可以从所述存储设备140中获取所述违停地点识别模型,并基于违停地点识别模型确定目标停靠地点是否为违停地点。示例性的训练算法可以包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等,或其任意组合。在一些实施例中,所述违停地点识别模型可以通过执行流程600中的一个或多个步骤生成。
在一些实施例中,目标停靠地点与至少一个历史违停地点所在车道的行驶方向一致时,机器学习模型可以确定该目标停靠地点为违停地点。例如,违停罚单所涉及的处罚地点在A路的上行车道,目标停靠地点也在A路的上行车道,此时该目标停靠地点与历史违停地点所在车道的行驶方向一致,机器学习模型可以判断该目标停靠地点为违停地点。在一些实施例中,当目标停靠地点的历史热度满足第三条件时,机器学习模型可以确定该目标停靠地点是违停地点。第三条件可以是机器学习模型训练生成的。
在一些实施例中,所述违停地点识别模型可以是分类模型。处理引擎112可以将所述特征信息输入所述违停地点识别模型,所述违停地点识别模型可以输出所述目标停靠地点是否是违停地点的确定结果。或者,所述违停地点识别模型可以是回归模型。处理引擎112可以将所述特征信息输入所述违停地点识别模型,所述违停地点识别模型可以输出所述目标停靠地点的违停概率。处理引擎112可以进一步基于所述违停概率确定所述目标停靠地点是否是违停地点。例如,当违停概率大于等于一定概率阈值(如,40%、50%、60%、70%)时,处理引擎112可以确定目标停靠地点是违停地点。
应当注意的是,上述有关流程500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500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。在一些实施例中,流程500可以包含未描述的一个或以上附加操作,和/或去掉所讨论的一个或以上操作来完成。另外,流程500的操作的顺序并非旨在限制。例如,当确定目标停靠地点是违停地点时,处理引擎112可以通过短信、语音或其它消息推送方式将该确定结果告知用户(例如,司机或网约车乘客)。用户可以重新选择目标停靠地点,直至用户重新选择的目标停靠地点不是违停地点。又例如,处理引擎112也可以帮助用户(例如,司机)选择合适的目标停靠地点。例如,司机的终端会将其位置信息持续地或者间断地(例如,周期性地)发送给处理引擎112。处理引擎112可以基于接收到的位置信息判断司机是否想要停车。如果判断司机想要停车,处理引擎112可以将与司机所在的位置的距离在特定范围之内的非违停地点设定为目标停靠地点,并将目标停靠地点的位置信息推送给终端。
图6是根据本申请一些实施例所示的生成违停地点识别模型的示例性流程图。在一些实施例中,流程600可以是离线流程。流程600可以由违停地点识别系统100执行。例如,流程600可以被实现为存储在处理引擎112中的存储设备中的一组指令(例如,应用程序)。处理引擎112可以执行该组指令,并因此被指示以执行违停地点识别系统100中的流程600。以下呈现的所示流程600的操作是说明性的。在一些实施例中,流程600可以包含未描述的一个或以上附加操作,和/或去掉所讨论的一个或以上操作来完成。另外,如图6所示和以下描述的流程600的操作的顺序并非旨在限制。在一些实施例中,流程600可以是处理引擎112外的其他计算设备执行,例如可以由违停地点识别模型的供应商的计算设备执行。出于说明目的,下文以处理引擎112为例来描述流程600的执行流程。
步骤610,获取一个或多个样本违停地点。
样本违停地点是指作为模型训练的违停地点。例如,所述一个或多个样本违停地点可以包括违停标志所在的地点。为确定违停标志所在的地点,处理引擎112可以获取第一区域中一个或多个图像采集装置拍摄的一张或多张图像,并识别所述一张或多张图像中包含违停标志的至少一张图像。处理引擎112可以进一步基于所述识别的至少一张图像确定至少一个违停标志所在的地点,以作为至少一个样本违停地点。所述图像采集装置可以包括行车记录仪、违章拍摄装置等。所述一张或多张图像可以从存储设备140获取,也可以从图像采集装置(例如,行车记录仪130-4)获取。可选地,处理引擎112可以基于一种或多种图像识别算法,例如图像分割算法、目标识别算法等来识别包含违停标志的至少一张图像。例如,处理引擎112可以基于上述识别的至少一张图像所附带的位置信息(例如,行车记录仪拍摄该图像时的位置信息)和上述识别的至少一张图像中包含的违停标志相对于拍摄该图像的行车记录仪的距离和方向,结合VR技术,确定至少一个违停标志所在的地点以作为至少一个样本违停地点。在一些实施例中,处理引擎112可以先对获取的一张或多张图像进行预处理,再基于预处理后的一张或多张图像确定至少一个违停标志所在的地点以作为至少一个样本违停地点。所述预处理可以包括灰度化、几何变化、图像增强等图像处理操作。
在一些实施例中,处理引擎112可以将获取的图像(或预处理后的图像)输入违停标志识别模型,并基于违停标志识别模型的输入确定该图像中是否包含违停标志。例如,所述违停标志识别模型可以分类模型,其可以输出所述图像中是否包含违停标志的判断结果和/或所述图像中包含违停标志的类型。又例如,所述违停标志识别模型可以是概率模型,其可以输出所述图像中包含违停标志的概率。在一些实施例中,所述违停标志识别模型可以由处理引擎112(或其他计算设备)基于机器学习算法生成,并存储在存储设备(例如,存储设备140或外部存储设备)中。处理引擎112可以从所述存储设备中获取所述违停标志识别模型。
出于说明目的,下文以分类模型为例描述违停标志识别模型的模型训练过程。需要注意的是这只是示例性的,违停标志识别模型可以是任何其他类型的模型。例如,处理引擎112可以包括获取一个或多个训练样本,每个训练样本包括一张包含违停标志(例如,禁停标牌或禁止停车黄线)的样本图像以及该样本图像的分类标签。例如,处理引擎112可以获取一个或多个样本区域中一个或多个样本图像拍摄装置拍摄的一张或多张历史图像,对获取的一张或多张历史图像进行预处理。进一步地,处理引擎112可以对预处理的一张或多张历史图像进行筛选得到包含不同类型违停标志的一张或多张图像,以作为样本图像。处理引擎112可以将包含不同类型违停标志的一张或多张样本图像分别做不同标记。例如,处理引擎112可以将包含禁停标牌的一张或多张样本图像标记为1,将包含禁止停车黄线的一张或多张样本图像标记为2。或者,可以由用户对所述一张或多张样本图像进行手动标记。处理引擎112可基于所述训练样本,使用训练算法训练第二初始机器学习模型,获得违停标志识别模型。所述第二初始机器学习模型可以是任何类型的模型,例如梯度提升决策树模型、人工神经网络、KNN算法、支持向量机(SVM)、随机森林算法等。在一些实施例中,所述第二初始机器学习模型可以是卷积网络,其包括卷积层、全连接层和softmax层。
在一些实施例中,所述一个或多个样本违停地点可以包括历史罚单所涉及的违停地点。为确定历史罚单所涉及的违停地点,处理引擎112可以获取第二区域中的历史罚单信息,并基于所述历史罚单信息确定至少一个处罚地点以作为至少一个样本违停地点。历史罚单信息可以包括处罚时间、处罚地点、处罚金额、处罚原因等,或其任意组合。基于所述历史罚单信息确定至少一个处罚地点可以包括历史罚单中涉及的任何地点,例如道路、路段、路口、兴趣点等。在一些实施例中,第二区域中的历史罚单信息可以直接或通过网络120从数据源150获取。例如,第二区域中的历史罚单信息可以从交管局公示的违停信息、交通信息数据库等中获取。第二区域中的历史罚单信息也可以从存储设备140获取。例如,用户可以向处理引擎112上报历史罚单信息,处理引擎112将用户上报的历史罚单信息存储在存储设备140中。第二区域中的历史罚单信息还可以直接从终端130获取。例如,交管局将用户的罚单信息(例如,处罚短信或电子罚单信息等)发送至用户终端130并存储在用户终端130上。
在一些实施例中,所述一个或多个样本违停地点可以包括违停监控装置所在的地点。为确定违停监控装置所在的地点,处理引擎112可以获取第三区域中的至少一个违停监控装置所在的地点以作为至少一个样本违停地点。违停监控装置可以包括摄像头、电子眼等。在一些实施例中,第三区域中的至少一个违停监控装置所在的地点可以直接或通过网络120从数据源150获取。例如,第三区域中的至少一个违停监控装置所在的地点可以从交管局数据库、地图数据库、违停监控装置的生产或安装厂家的数据库等,或其任意组合获取。或者,第三区域中的至少一个违停监控装置所在的地点也可以从存储设备140获取。例如,交管局数据、地图数据和/或信息可以存储在存储设备140中。又例如,用户可以将第三区域中的至少一个违停监控装置所在的地点上报至处理引擎112,处理引擎112可以将用户上报的至少一个违停监控装置所在的地点存储在存储设备140中。又例如,如上文所述,处理引擎112可以通过图像分析,基于第三区域中图像采集装置拍摄的一张或多张图像,得到第三区域中的至少一个违停监控装置所在的地点,并存储在存储设备140中。在一些实施例中,第三区域中的至少一个违停监控装置所在的地点也可以从终端130获取。例如,至少一个违停监控装置所在的地点可以从终端130的导航系统获取。
在一些实施例中,上述第一区域、第二区域、第三区域可以相同,也可以部分相同或完全不同。例如,第一区域、第二区域和第三区域可以相同。例如,第一区域和第二区域相同,但与第三区域不同。又例如,第一区域和第三区域相同,但与第二区域不同。又例如,第二区域和第三区域相同,但与第一区域不同。又例如,第一区域、第二区域和第三区域可以完全不同。
步骤620,对所述一个或多个样本违停地点中的每个样本违停地点,将所述样本违停地点所在的区域分割以获得一个或多个候选路段。
样本违停地点所在的区域是指以样本违停地点为中心的区域,例如具有特定半径的圆形区域。将所述样本违停地点所在的区域中的道路按固定长度分割以获得一个或多个候选路段。所述特定半径和/或固定长度可以相同,也可以不同。特定半径和/或固定长度可以是预设值,例如,5m、8m、10m、12m、15m等,本申请不对特定半径和/或固定长度做任何限定。
步骤630,提取所述一个或多个候选路段中每个候选路段的样本特征信息。
在一些实施例中,为提取一候选路段的样本特征信息,处理引擎112可以确定所述候选路段的中心点,并确定该中心点与该候选路段对应的样本违停地点的空间位置关系,以作为所述候选路段的样本特征信息。在一些实施例中,候选路段的中心点可以是其几何中心点,例如,中点。或者,如果该候选路段包括样本违停地点,其中心点可以是该样本违停地点。如果该候选路段不包括违停地点,其中心点可以是其几何中心点。关于空间位置关系的具体描述可以参见本申请步骤520的相关说明,在此不再赘述。在一些实施例中,候选路段的样本特征信息可以进一步包括该候选路段的历史热度。历史热度可以反映用户在某历史时间段内将该候选路段作为上车点和/或下车点的频次。关于历史热度的具体描述可以参见本申请步骤520的相关说明,在此不再赘述。
步骤640,将所述样本违停地点所在的候选路段标记为正样本,将不包含样本违停地点的候选路段标记为负样本。
对每个候选路段,处理引擎112可以判断该候选路段是否包括样本违停地点。如果该候选路段包括样本违停地点,则该候选路段可以被标记为正样本。如果该候选路段不包括样本违停地点,则该候选路段可以被标记为负样本。正样本和负样本可以用任何方式来标记。例如,正样本可以用标签“1”标记,负样本可以用标签“0”标记。
步骤650,基于所述每个候选路段的样本特征信息和标记结果对初始机器学习模型进行训练,得到所述违停地点识别模型。
在一些实施例中,初始机器学习模型可以基于神经网络模型、深度学习模型、回归模型等任何类型的模型构造。示例神经网络模型可以包括人工神经网络(ANN)、卷积神经网络(CNN)(例如,基于区域的卷积网络(R-CNN)、基于快速区域的卷积网络(Fast R-CNN)、基于区域的快速卷积网络(Faster R-CNN)等)、空间金字塔池网络(SPP-Net)等,或其任何组合。示例性深度学习模型可以包括一个或以上深度神经网络(DNN)、一个或以上深度Boltzmann机器(DBM)、一个或以上堆叠式自动编码器、一个或以上深度堆叠网络(DSN)等。示例性回归模型可以包括一个支持向量机、逻辑回归模型等。在一些实施例中,初始机器学习模型可以与步骤610中的第二初始机器学习模型相同,也可以不同。在一些实施例中,初始机器学习模型可以基于本文其他地方描述的任何训练算法来进行训练,以得到所述违停地点识别模型。
在一些实施例中,可以通过执行一次或多次迭代来训练初始机器学习模型。在一次或多次迭代之前,可以初始化初始机器学习模型的参数。例如,初始机器学习模型的节点的连接权重和/或节点的偏差矢量可以通过在-1到1范围内分配随机值来初始化。又例如,可以为初始机器学习模型的所有连接的权重分配一个相同的值,范围从-1到1,例如0。仍然作为示例,可以通过分配从0到1范围内的随机值来初始化初始机器学习模型中节点的偏差矢量。在一些实施例中,可以基于高斯随机算法、Xavier算法等来初始化初始机器学习模型的参数,然后可以执行一次或多次迭代来更新初始机器学习模型的参数,直到满足终止条件。终止条件可以指示初始机器学习模型是否经过充分训练。例如,在某次迭代中,如果与初始机器学习模型相关联的损失函数的值最小或小于阈值(例如,常数),则可以满足终止条件。又例如,如果损失函数的值收敛,则可以满足终止条件。如果两次或多次连续迭代中损失函数的值的变化小于阈值(例如,常数),则可以认为收敛。仍然作为示例,当在训练过程中执行指定次数或迭代次数时,可以满足终止条件。
对于一次或多次迭代中的每次迭代,可以将每个候选路段的样本特征信息输入到该次迭代中的初始机器学习模型中。针对每个候选路段,该次迭代中初始机器学习模型可以基于其样本特征信息生成预测结果,其中所述预测结果可以指示该候选路段是否包含违停地点或违停概率(即包含违停地点的概率)。在一些实施例中,特定候选路段的预测结果可以包括违停概率。该次迭代中的初始机器学习模型可以基于违停概率和概率阈值来确定该候选路段是否包含违停地点。例如,如果特定候选路段的违停概率超过了概率阈值,则该次迭代中的初始机器学习模型可以确定特定候选路段包含违停地点。如果特定候选路段的违停概率小于概率阈值,则该次迭代中的初始机器学习模型可以确定特定候选路段不包含违停地点。
基于该次迭代中初始机器学习的测试值(例如,每个候选路段的预测结果)和期望值(例如,每个候选路段的标签)之间的差异(也称为全局误差),可以确定该次迭代中机器学习模型的损失函数的值。进一步地,可以基于损失函数的值判断该次迭代中初始机器学习模型是否满足终止条件。例如,如果损失函数的值在该次迭代中超过阈值,则该次迭代中的初始机器学习模型未满足终止条件。可以调整和/或更新初始机器学习模型的参数,以用于在下一迭代中。例如,处理引擎112可以通过执行反向传播机器学习训练算法(例如,随机梯度下降反向传播训练算法)来更新参数的值。如果该次迭代中的损失函数小于阈值,则可以判断终止条件被满足,迭代过程可以终止,并且可以存储和/或输出训练后的机器学习模型。在一些实施例中,学习完成之后,可以处理验证集以验证学习结果。在一些实施例中,训练后的机器学习模型可以存储在存储设备140、处理引擎112、终端130或数据源150中。处理引擎112可以获得训练后的机器学习模型以确定目标停靠地点是否是违停地点。
应当注意的是,上述有关流程600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600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。
本申请实施例可能带来的有益效果包括但不限于:(1)可以帮助用户识别违停地点以选择合适的目标停靠地点;(2)可以提高用户的出行效率;(3)对于网约车而言,可以提高网约车平台运力和用户留存率。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 (14)
1.一种识别违停地点的方法,所述方法由至少一个处理器执行,其特征在于,包括:
获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息;
基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息,所述特征信息反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系;以及
基于所述特征信息确定所述目标停靠地点是否是违停地点。
2.如权利要求1所述的方法,其特征在于,所述至少一个历史违停地点包括违停标志所在的地点、违停罚单所涉及的处罚地点、违停监控装置所在的地点、以及用户上报的违停地点中的至少一个。
3.如权利要求1所述的方法,其特征在于,所述特征信息还包括所述目标停靠地点的历史热度,所述历史热度与历史某时间段内该目标停靠地点作为上车点和/或下车点的频次相关。
4.如权利要求1所述的方法,其特征在于,所述目标停靠地点与所述至少一个历史违停地点的空间位置关系包括以下中的至少一种:两者的距离、两者是否在同一路段上、两者相对参考地点的方向是否一致、两者相对参考地点距离的差值、两者所在车道的行驶方向是否一致。
5.如权利要求1所述的方法,其特征在于,所述基于所述特征信息确定所述目标停靠地点是否是违停地点,还包括:
基于所述特征信息确定所述目标停靠地点的违停概率;以及
基于所述违停概率确定所述目标停靠地点是否是违停地点。
6.如权利要求1所述的方法,其特征在于,所述基于所述特征信息确定所述目标停靠地点是否是违停地点,包括:
通过违停地点识别模型处理所述特征信息,以确定所述目标停靠地点是否是违停地点;所述违停地点识别模型包括机器学习模型。
7.如权利要求6所述的方法,其特征在于,所述违停地点识别模型经由模型训练过程生成,所述模型训练过程包括:
获取一个或多个样本违停地点;
对所述一个或多个样本违停地点中的每个样本违停地点,将所述样本违停地点所在的区域分割以获得一个或多个候选路段;
提取所述一个或多个候选路段中每个候选路段的样本特征信息;
将所述样本违停地点所在的候选路段标记为正样本,将不包含样本违停地点的候选路段标记为负样本;以及
基于所述每个候选路段的样本特征信息和标记结果对初始机器学习模型进行训练,得到所述违停地点识别模型。
8.如权利要求7所述的方法,其特征在于,所述获取一个或多个样本违停地点包括:
获取一个或多个区域中一个或多个图像采集装置拍摄的一张或多张图像;
利用违停标志识别模型,识别所述一张或多张图像中包含违停标志的至少一张图像;以及
基于所述识别的至少一张图像,确定至少一个违停标志所在的地点以作为至少一个样本违停地点。
9.如权利要求7所述的方法,其特征在于,所述获取一个或多个样本违停地点包括:
获取一个或多个区域中的历史罚单信息;以及
基于所述历史罚单信息确定至少一个处罚地点以作为至少一个样本违停地点。
10.如权利要求7所述的方法,其特征在于,所述获取一个或多个样本违停地点包括:
获取一个或多个区域中的至少一个违停监控装置所在的地点以作为至少一个样本违停地点。
11.如权利要求7所述的方法,其特征在于,所述提取所述一个或多个候选路段中每个候选路段的样本特征信息包括:
确定所述一个或多个候选路段的每个候选路段的中心点;以及
对每个候选路段,确定该候选路段的中心点与该候选路段对应的样本违停地点的空间位置关系,以作为所述候选路段的样本特征信息。
12.一种识别违停地点的系统,其特征在于,包括:位置信息获取模块、特征信息确定模块和违停地点确定模块;
所述位置信息获取模块用于获取目标停靠地点的位置信息以及与所述目标停靠地点的距离在特定范围之内的至少一个历史违停地点的位置信息;
所述特征信息确定模块用于基于所述目标停靠地点的位置信息以及所述至少一个历史违停地点的位置信息,确定所述目标停靠地点的特征信息,所述特征信息反映所述目标停靠地点与所述至少一个历史违停地点的空间位置关系;以及
所述违停地点确定模块用于基于所述特征信息确定所述目标停靠地点是否是违停地点。
13.一种识别违停地点的装置,包括处理器,其特征在于,
所述处理器用于执行如权利要求1~11中任一项所述的识别违停地点的方法。
14.一种计算机可读存储介质,所述存储介质存储计算机指令,其特征在于,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1~11中任一项所述的识别违停地点的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438132.8A CN111881713A (zh) | 2020-05-21 | 2020-05-21 | 一种识别违停地点的方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438132.8A CN111881713A (zh) | 2020-05-21 | 2020-05-21 | 一种识别违停地点的方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881713A true CN111881713A (zh) | 2020-11-03 |
Family
ID=73154152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438132.8A Pending CN111881713A (zh) | 2020-05-21 | 2020-05-21 | 一种识别违停地点的方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881713A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418061A (zh) * | 2020-11-19 | 2021-02-26 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及系统 |
CN112632412A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 处理交通违章信息的方法、装置、设备和介质 |
CN112650928A (zh) * | 2020-12-30 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 推荐停靠位置的方法、装置、设备、介质和程序产品 |
CN112652192A (zh) * | 2021-01-04 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 确定限制停靠位置的方法、装置、设备、介质和程序产品 |
CN112700648A (zh) * | 2020-12-30 | 2021-04-23 | 北京嘀嘀无限科技发展有限公司 | 确定交通违章位置的方法和装置 |
CN112712696A (zh) * | 2020-12-30 | 2021-04-27 | 北京嘀嘀无限科技发展有限公司 | 确定发生违章停车的路段方法和装置 |
CN112735133A (zh) * | 2020-12-30 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 标识禁限停路段的方法和装置 |
CN112991720A (zh) * | 2021-02-02 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 目标位置确定方法和装置 |
CN112991810A (zh) * | 2021-02-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 停车位置确定方法、装置、存储介质和电子设备 |
CN112991728A (zh) * | 2021-02-22 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 目标路段确定方法和装置 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN113034910A (zh) * | 2021-03-12 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113066284A (zh) * | 2021-03-12 | 2021-07-02 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113566842A (zh) * | 2021-07-26 | 2021-10-29 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020042489A1 (zh) * | 2018-08-30 | 2020-03-05 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN111179578A (zh) * | 2018-11-09 | 2020-05-19 | 北京嘀嘀无限科技发展有限公司 | 一种确定限制停车地点的方法及系统 |
-
2020
- 2020-05-21 CN CN202010438132.8A patent/CN111881713A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020042489A1 (zh) * | 2018-08-30 | 2020-03-05 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN111179578A (zh) * | 2018-11-09 | 2020-05-19 | 北京嘀嘀无限科技发展有限公司 | 一种确定限制停车地点的方法及系统 |
Non-Patent Citations (2)
Title |
---|
梁定康;钱瑞;陈义豪;肖建;: "基于视觉的无人机巡检违章违停系统设计与实现", 电子科技, no. 05 * |
韩功;王彦;何楚;: "使用物体交互模型的车辆违停事件检测", 电视技术, no. 1 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418061A (zh) * | 2020-11-19 | 2021-02-26 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及系统 |
CN112418061B (zh) * | 2020-11-19 | 2024-01-23 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及系统 |
CN112700648B (zh) * | 2020-12-30 | 2022-05-20 | 北京嘀嘀无限科技发展有限公司 | 确定交通违章位置的方法和装置 |
CN112632412A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 处理交通违章信息的方法、装置、设备和介质 |
CN112650928A (zh) * | 2020-12-30 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 推荐停靠位置的方法、装置、设备、介质和程序产品 |
CN112700648A (zh) * | 2020-12-30 | 2021-04-23 | 北京嘀嘀无限科技发展有限公司 | 确定交通违章位置的方法和装置 |
CN112712696A (zh) * | 2020-12-30 | 2021-04-27 | 北京嘀嘀无限科技发展有限公司 | 确定发生违章停车的路段方法和装置 |
CN112735133A (zh) * | 2020-12-30 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 标识禁限停路段的方法和装置 |
CN112652192A (zh) * | 2021-01-04 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 确定限制停靠位置的方法、装置、设备、介质和程序产品 |
CN112991720A (zh) * | 2021-02-02 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 目标位置确定方法和装置 |
CN112991810A (zh) * | 2021-02-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 停车位置确定方法、装置、存储介质和电子设备 |
CN112991728A (zh) * | 2021-02-22 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 目标路段确定方法和装置 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN113034910A (zh) * | 2021-03-12 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113066284A (zh) * | 2021-03-12 | 2021-07-02 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113566842A (zh) * | 2021-07-26 | 2021-10-29 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881713A (zh) | 一种识别违停地点的方法、系统、装置及存储介质 | |
CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
US11373115B2 (en) | Asynchronous parameter aggregation for machine learning | |
EP3726439B1 (en) | Edge learning | |
CN110520913B (zh) | 确定预估到达时间的系统和方法 | |
US11604070B2 (en) | Map maintenance and verification | |
CN111179578A (zh) | 一种确定限制停车地点的方法及系统 | |
BR112016024779B1 (pt) | Sistema e método para gestão de fornecimento de serviço | |
CN112868036A (zh) | 位置推荐的系统和方法 | |
CN110741225B (zh) | 确定目标站点的系统和方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
US11898853B2 (en) | Map surveillance system | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
CN111859178A (zh) | 一种推荐上车点的方法和系统 | |
CN112270427A (zh) | 一种推荐上车点的方法和系统 | |
WO2021056303A1 (en) | Systems and methods for determining a pick-up location | |
US20210302171A1 (en) | Map change detection system | |
CN111127282A (zh) | 用于确定推荐位置的系统和方法 | |
CN111385868A (zh) | 一种车辆定位方法、系统、装置和存储介质 | |
US20220248170A1 (en) | Methods and systems for recommending pick-up points | |
CN111433779A (zh) | 用于识别道路特征的系统和方法 | |
JP7232727B2 (ja) | 地図データ管理装置及び地図データ管理方法 | |
US11867523B2 (en) | Landmark based routing | |
US11790604B2 (en) | Mapping data to generate simulation road paint geometry | |
US11741721B2 (en) | Automatic detection of roadway signage |
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 |