CN111951560B - 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 - Google Patents
服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 Download PDFInfo
- Publication number
- CN111951560B CN111951560B CN202010891417.7A CN202010891417A CN111951560B CN 111951560 B CN111951560 B CN 111951560B CN 202010891417 A CN202010891417 A CN 202010891417A CN 111951560 B CN111951560 B CN 111951560B
- Authority
- CN
- China
- Prior art keywords
- service
- abnormal
- vehicle
- historical
- sound
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Abstract
本申请实施例提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，涉及交通安全技术领域。该服务异常检测方法通过获取服务车辆的服务状况信息和服务车辆的异常音频标签。其中，服务状况信息表征服务车辆在第一服务过程中的状态信息，异常音频标签表征在第一服务过程中服务车辆存在异常声音。接着，将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。如此，结合不同类型的多维度数据，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。
Description
技术领域
本申请涉及交通安全技术领域，具体而言，涉及一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法。
背景技术
道路交通安全一直是出行服务、物流运输等行业关注的重点，同样也是关乎人们生命及财产安全的重要议题。在预防方向从车辆合规、驾驶员技能提升和驾驶员安全意识培训等各个方向都做了大量工作，但是，单从预防角度仍然无法完全避免事故的出现，而在车辆发生了重大交通事故之后，有第三方及时提供救援和帮助，对于亡人和重伤事故意义重大。
目前，常常基于某一种单独的信息进行交通事故检测，例如，获取车辆在行驶过程中的运动数据，判断车辆是否发生碰撞，从而进行交通事故检测。
但是，上述方法仅仅采用单独的某一类型的数据进行检测分析，其检测准确率欠佳。
发明内容
有鉴于此，本申请提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，以解决上述问题。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种服务异常检测方法，所述方法包括：
获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；
将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
在可选的实施方式中，所述将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入获得所述服务车辆在所述第一服务过程中的异常得分的步骤包括：
获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据，其中，所述订单运行数据表征所述服务车辆在所述第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态；
将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。
在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取所述服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述异常音频标签。
在可选的实施方式中，所述将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率的步骤包括：
将所述音频数据拆分成多个音频数据片段；
将所述多个音频数据片段输入所述声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；
从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；
将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；
将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。
在可选的实施方式中，所述获得所述服务车辆在所述第一服务过程中的异常得分的步骤之后，所述方法还包括：
根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。
在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
在可选的实施方式中，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
第二方面，本申请实施例提供一种训练服务异常检测模型的方法，所述方法包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
第三方面，本申请实施例提供一种训练声音模型的方法，所述方法包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
第四方面，本申请实施例提供一种服务异常检测装置，所述装置包括：
获取模块，用于获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息表征所述服务车辆在第一服务过程中的状态信息；所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；
检测模块，用于将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
在可选的实施方式中，所述检测模块，用于获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据，其中，所述订单运行数据表征所述服务车辆在所述第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态；
将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。
在可选的实施方式中，所述服务异常检测装置还包括：
异常音频标签获取模块，用于获取所述服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据输入预先训练的声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述异常音频标签。
在可选的实施方式中，所述异常音频标签获取模块，用于将所述音频数据拆分成多个音频数据片段；
将所述多个音频数据片段输入所述声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；
从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；
将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；
将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。
在可选的实施方式中，所述服务异常检测装置还包括：
程度确定模块，用于根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。
在可选的实施方式中，所述服务异常检测装置还包括：
第一训练模块，用于获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
第二训练模块，用于将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
在可选的实施方式中，所述服务异常检测装置还包括：
第二训练模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
第五方面，本申请实施例提供一种训练服务异常检测模型的装置，所述训练服务异常检测模型的装置包括：
标签获取模块，用于获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
服务异常检测模型训练模块，用于将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
第六方面，本申请实施例提供了一种训练声音模型的装置，所述训练声音模型的装置包括：
音频获取模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取模块，用于提取所述历史音频数据中的频谱特征，得到历史频谱特征；
分类模块，用于将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
声音模型模块，用于利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
第七方面，本申请实施例提供一种电子设备，所述电子设备包括处理器、存储器及总线，所述存储器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，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行前述实施方式任意一项所述的服务异常检测方法的步骤；或者执行如前述实施方式所述的训练服务异常检测模型的方法的步骤；或者执行如前述实施方式所述的训练声音模型的方法的步骤。
第八方面，本申请实施例提供一种可读存储介质，所述可读存储介质存储有计算机程序，计算机程序被执行时实现前述实施方式任意一项所述的服务异常检测方法的步骤；或者计算机程序被执行时实现前述实施方式所述的训练服务异常检测模型的方法的步骤；或者计算机程序被执行时实现前述实施方式所述的训练声音模型的方法的步骤。
本申请实施例提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，涉及交通安全技术领域。该服务异常检测方法通过获取服务车辆的服务状况信息和服务车辆的异常音频标签。其中，服务状况信息表征服务车辆在第一服务过程中的状态信息，异常音频标签表征在第一服务过程中服务车辆存在异常声音。接着，将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。如此，结合不同类型的多维度数据，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。
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为本申请实施例提供的应用场景示意图。
图2为本申请实施例提供的服务器的结构框图。
图3为本申请实施例提供的训练声音模型的方法的流程示意图。
图4为本申请实施例提供的神经网络的结构示意图。
图5为本申请实施例提供的训练服务异常检测模型的方法的流程示意图。
图6为本申请实施例提供一种服务异常检测方法的流程示意图之一。
图7为本申请实施例提供的图6中步骤S301的子步骤流程示意图。
图8为本申请实施例提供的一种服务异常检测方法的流程示意图之二。
图9为本申请实施例提供的图8中步骤S303的子步骤流程示意图。
图10为本申请实施例提供的一种服务异常检测方法的流程示意图之三。
图11为本申请实施例提供的一种服务异常检测装置的功能模块示意图。
图标：1-请求终端；2-服务器；3-车辆；21-处理器；22-存储器；23-总线；24-服务异常检测装置；241-获取模块；242-检测模块；25-训练服务异常检测模型装置；26-训练声音模型装置；100-卷积层；200-池化层；300-全连接层。
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，显然，所描述的实施例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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
道路交通安全一直是出行服务、物流运输等行业关注的重点，同样也是关乎人们生命及财产安全的重要议题。在预防方向从车辆合规、驾驶员技能提升和驾驶员安全意识培训等各个方向都做了大量工作，但是，单从预防角度仍然无法完全避免事故的出现，而在车辆发生了重大交通事故之后，有第三方及时提供救援和帮助，对于亡人和重伤事故意义重大。
经研究表明，如果在交通事故发生后的“铂金时间”(前10分钟内)和“黄金时间”(1个小时内)得到应急救援和基础治疗，理论上至少可以减少18％-25％的交通事故死亡比例。通过检测相关数据的及时发现交通事故的发生并给予救援，伤员存活的概率也会更大，能够有效降低生命或财产损失。
目前，常常基于某一种单独的信息进行交通事故检测。
例如，一是碰撞检测技术，该碰撞检测基于车载设备或者手机等移动终端中配置的惯性测量单元(Inertial Measurement Unit，IMU)，使用其中的三轴陀螺仪和三轴加速度计，测量物体在三维空间中的角速度和加速度，结合这些车辆的运行信息通过检测算法来进行碰撞检测，从而确定是否发生交通事故等异常情况。
二是基于音视频数据进行事故检测，该方法通过对音频数据中的碰撞声检测、时域或频域异常检测、以及基于视频数据中的异常状况进行识别，从而确定是否发生了交通事故。
三是基于外部环境的事故检测，主要是使用道路交通数据，例如，车辆所在道路的基础属性，实时的车流量或者道路拥堵等数据，预测某个道路上是否出现了交通事故。
但是，上述方法均仅采用单独的某一类型的数据进行检测分析，其检测准确率欠佳。
基于此，本申请实施例提供了一种服务异常检测方法、训练服务异常检测模型的方法及训练声音模型的方法，该服务异常检测方法通过多种类型的信息作为分析依据，利用预先训练好的服务异常检测模型及声音模型对多种类型的信息进行分析检测，确定车辆是否出现交通事故等异常情况。
下面以网约车场景为例，对上述方案进行详细阐述。如图1所示，图1为本申请实施例提供的应用场景示意图。该网约车场景包括请求终端1、服务器2以及车辆3。所述请求终端1、服务器2以及车辆3之间，通过网络建立通信连接。
请求终端1可以是用户所持有的终端，车辆通过服务器接收网约车服务订单，从而为用户提供网约车服务，将用户送往欲前往目的地。
其中，请求终端1可以是有多个，所述车辆3也可以有多辆。请求终端1向该服务器2发送订单请求，其中，该订单请求携带有该请求终端1当前位置信息以及该请求终端1的用户欲前往目的地的位置信息。
该服务器2获取到订单请求后，基于该请求终端1的位置信息，从距离该请求终端1预设距离范围内的多个车辆中选取服务车辆，并将包含该请求终端的导航信息的服务订单发送给服务车辆，使得该服务车辆通过该导航信息前往请求终端所在的地点。进一步地，服务车辆在接到该请求终端的用户后，将该请求终端的用户送往欲前往的目的地。
服务车辆通过导航信息前往请求终端1所在的地点的过程中，有可能发生交通事故等异常情况，或者，服务车辆在将该请求终端1对应的用户送往目的地过程中，也有可能发生交通事故等异常情况。
在发生交通事故等异常情况后，及时地为服务车辆中的司机与乘客提供救援可较大程度地挽回生命或财产损失，因此，判断服务车辆是否发生交通事故等异常情况显得尤为重要。
请结合参阅图2，图2为本申请实施例提供的一种服务器的结构框图，该服务器可以为上述图1中的服务器2。
在一种实现方式中，本申请实施例提供的服务异常检测方法、训练服务异常检测模型的方法或训练声音模型的方法，应用于图2所示的服务器2，由服务器2执行本申请实施例所提供的服务异常检测方法、训练服务异常检测模型的方法及训练声音模型的方法。
可选的，服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法均可在服务器2中执行，而在另一种场景则可以是服务器2执行本申请实施例所提供的服务异常检测方法、训练服务异常检测模型的方法或训练声音模型的方法中的一种或两种，而其他方法则在其他电子设备中执行。
作为一种可能的实时场景，服务器2包括处理器21、存储器22、总线23、服务异常检测装置24、训练服务异常检测模型装置25及训练声音模型装置26，存储器22存储有处理器21可执行的机器可读指令，当服务器2运行时，处理器21及存储器22之间通过总线23通信，处理器21执行机器可读指令，并执行服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法的步骤。
存储器22、处理器21以及其他各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。
例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。服务异常检测装置24、训练服务异常检测模型装置25及训练声音模型装置26均可包括至少一个可以软件或固件(firmware)的形式存储于存储器22中的软件功能模块。处理器21用于执行存储器22中存储的可执行模块，例如服务异常检测装置24、训练服务异常检测模型装置25及训练声音模型装置26所包括的软件功能模块或计算机程序。
可选地，服务异常检测装置24、训练服务异常检测模型装置25及训练声音模型装置26均可以为本申请实施例提供的异常情况确定方法所对应的软件功能模块或计算机程序。
其中，存储器22可以是，但不限于，随机读取存储器(Random Access memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
在一些实施例中，处理器21可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。在一些实施例中，处理器21可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing，RISC)或微处理器等，或其任意组合。
本申请实施例任一实施方式所揭示的流程定义的方法可以应用于处理器21中，或者由处理器21实现。
可以理解，图2所示的结构仅为示意。服务器2还可以具有比图2所示更多或者更少的组件，或者具有与图2所示不同的配置。图2所示的各组件可以采用硬件、软件或其组合实现。例如，服务器2还可以提供一人机交互界面。当通过上述服务异常检测方法中所提供的方案初步确定出服务车辆存在异常时，还可将存在异常的服务车辆对应的相关信息发送至人机交互界面，使得相关安全人员进一步对相关信息做专业分析，进一步确定待检测服务是否发生异常情况，从而使得相关安全人员采取救援措施，例如，安排相应的求援人员前往事故发生地点，或者帮助拨打救援电话。
基于上述网约车场景的实现架构及服务器2的结构，作为一种可能的实现方式，为了便于直接对相关信息进行分析，本申请实施例提供了一种训练声音模型的方法，该方法用于训练得到声音模型，使得图1中的服务器2可利用声音模型对音频数据进异常声音检测，得到异常声音检测结果，基于该异常声音检测结果，综合其他类型的数据再次进行分析，从而确定音频数据对应的服务车辆是否发生交通事故等异常情况。
请结合参阅图3，图3为本申请实施例提供的训练声音模型的方法的流程示意图。下面结合所示附图对训练声音模型方法的步骤进行详细阐述。
S100，获取目标服务车辆在第三服务过程中的历史音频数据，历史音频数据标注有异常声音开始时间点及异常声音类别。
目标服务车辆可以是任意一个或多个为用户提供过乘车服务的服务车辆，第三服务过程可以是目标服务车辆已经完成的历史订单所对应的服务过程，历史音频数据则可以是历史订单所产生的历史音频数据。
异常声音类别可以包括碰撞声、尖叫声、呻吟声、哭泣声和开门声等。
S101，提取历史音频数据中的频谱特征，得到历史频谱特征。
该频谱特征可以是Log-Mel Spectrogram特征或MFCC特征，可根据实际应用场景选择，在此不做限定。
S102，将历史频谱特征作为训练样本，将异常声音开始时间点及异常声音类别作为标签。
S103，利用训练样本及标签对预先构建的神经网络进行训练，得到训练后的声音模型。
其中，预先构建的神经网络可以是时延神经网络(Time-Delay Neural Network，TDNN)、卷积神经网络(Convolutional Neural Networks，CNN)、(Recurrent NeuralNetwork，RNN)、文本识别网络(Convolutional Recurrent Neural Network，CRNN)等多种神经网络模型，或者使用基础的支持向量机(Support Vector Machine，SVM)、极端梯度提升模型(eXtreme Gradient Boosting，xgboost)、逻辑回归等机器学习二分类模型。
本申请实施例通过对历史音频数据进行频谱特征提取，得到历史频谱特征，将历史频谱特征作为训练样本，将异常声音开始时间点及异常声音类别作为标签，对预先构建的神经网络进行训练，从而得到训练后的声音模型。基于该声音模型则可以在实际应用中检测服务车辆对应的服务音频中是否有异常声音出现，从而结合其他类型的数据共同判断服务车辆是否发生交通事故等异常情况，提高了检测的准确率。
损失函数的损失值可反映检测结果与标准结果之间的差距，当差距过大时表明检测的准确率较低，因此，可反复利用训练样本调整训练预设的神经网络的参数，直到损失值小于预设阈值，或者迭代更新的次数达到预设次数，得到训练后的声音模型。作为一种可能的实现方法，可通过以下步骤利用训练样本及标签对预先构建的神经网络进行训练，得到训练后的声音模型，图3中步骤S103的一种可能的实现方式如下：
将历史频谱特征作为训练样本，输入预先构建的神经网络中，得到神经网络输出的初步异常音频标签，初步异常音频标签包括历史异常声音类别及历史异常声音类别对应的历史预测分值。
将异常声音开始时间点及异常声音类别作为标签，依据初步检测结果及标签计算预设损失函数的损失值。
依据损失值，采用反向传播算法迭代更新神经网络的参数，直至迭代更新次数达到预设次数，得到训练后的声音模型。
例如，历史异常声音的类别及历史异常声音类别对应的历史预测分值可以是：(碰撞声，0.8)、(尖叫声，0.7)、(开门声，0.9)或者(呻吟声，0.5)。
上述损失函数可以是均方差损失函数、交叉熵损失函数或者最大似然损失函数中的一种。
如此，每使用训练样本训练预先构建的神经网络一次，就利用标签与初步检测结果计算损失函数的损失值，并基于损失值迭代更新神经网络的参数，直到迭代更新的次数达到预设次数，得到的声音模型可以更加精确的提取训练样本中的有效特征，使得输出的异常声音检测结果更加准确。
为了使得训练过程更加迅速，训练得到的声音模型更加小巧，作为一种可能的实施场景，本申请实施例所构建的神经网络的结构可如图4所示。神经网络包括卷积层100、卷积层200及全连接层300。
可选地，基于上述结构，利用该神经网络提取训练样本中的有效特征，得到神经网络输出的初步检测结果过程可能的实现方式如下：
将历史频谱特征作为训练样本输入卷积层100，利用卷积层100对历史音频特征进行特征提取，得到历史特征向量。
将历史特征向量输入卷积层200，利用卷积层200对历史特征向量进行降维处理，得到降维后的历史特征向量。
将降维后的历史特征向量输入全连接层300，利用全连接层300对历史特征向量进行分类，得到神经网络输出的初步异常音频标签。
例如，作为一种可选的实施方式，卷积层100可以包括三层，卷积层200也可以包括三层，三层卷积层100的大小和深度依次为((5*3)，32)，((3*3)，64)，((3*3)，128)，选用线性整流函数(Rectified Linear Unit，ReLU)函数作为每一层卷积层100后的激活函数，卷积层200大小为2*2，步长为1。
可以理解的是，上述卷积层100的大小、深度、激活函数的选择、卷积层200的大小及步长仅为举例，实际应用中其数值和选择可根据实际情况决定，在此不做赘述。
利用上述实施方式，可对历史频谱特征进行特征提取、降维及分类处理，例如，历史频谱特征是431*64*1的张量，431为历史频谱特征所对应的历史音频数据的帧长，64是每一帧频谱特征的维度，1为通道数。通过卷积层100对431*64*1的历史频谱特征进行特征提取，得到历史特征向量，接着经过步长为1，大小为2*2的卷积层200，采用最大池化法对历史特征向量进行降维，得到降维后张量为1*39936的历史特征向量，最后，通过全连接层300对该历史特征向量进行分类，得到分类结果，并通过sigmoid变换，得到分类结果对应的预测分值，将分类结果以及对应的预测分值作为初步异常音频标签。
如此，通过预先构建的结构简单且小巧的神经网络训练得到声音模型，可减小训练过程的计算量，同时当该声音模型迁移至移动终端或者其他电子设备中使用时，不会占用过多资源，拖慢检测进度，使得检测的时效性得到保障。
进一步地，还可对历史音频数据中的关键词进行挖掘，得到与发生异常情况相关性较大的关键词。例如，当异常情况为交通事故时，挖掘得到的相关性较大的关键词可以是“车祸”、“打120”、“追尾”和“事故”等。
如此，可基于与发生异常情况存在正向关联的关键词，挖掘历史音频数据中的关键信息，将该关键信息与声音模型输出的初步异常音频指标共同作为最终的异常音频指标。
基于上文图1所示出的网约车场景及图3中示出的方法训练得到的声音模型，本申请实施例还提供了一种训练服务异常检测模型的方法。该方法利用网约车场景中的服务进程产生的各类数据，结合声音模型输出的异常音频标签共同训练预先建立的二分类模型，得到训练好的服务异常检测模型。基于该服务异常检测模型，可检测服务车辆是否发生交通事故等异常情况。
请结合参阅图5，图5为本申请实施例提供的训练服务异常检测模型的方法的流程示意图。下面对训练服务异常检测模型的方法的步骤进行详细阐述。
步骤S200，获取目标服务车辆的历史服务状况信息和目标服务车辆的历史异常音频标签。
其中，历史服务状况信息表征目标服务车辆在第二服务过程中的状态信息，历史异常音频标签表征在第二服务过程中目标服务车辆存在异常声音。该第二服务过程可以是图3示出的步骤S100中的第三服务过程，也可以是其他服务过程。
步骤S201，将历史服务状况信息与历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的服务异常检测模型。
其中，预先构建的二分类模型可以是xgboost二分类模型、逻辑回归、决策树、随机森林、Adaboost算法、梯度下降树模型等。
上述历史异常音频标签，可以由图3中示出的方法训练得到的声音模型对目标服务车辆的历史音频数据进行分析得到。该历史音频数据可以为目标服务车辆中司机的终端或者乘客的请求终端采集得到。
如此，本申请实施例结合音频信息及服务状况信息这两种不同类型的信息，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。
进一步地，作为一种可选的实施方式，声音模型可以为多个，每个声音模型分别针对不同异常声音类型进行检测。
例如，该声音模型可以包括检测目标为碰撞声的声音模型A、检测目标为尖叫声的声音模型B以及检测呻吟声的声音模型C。将历史音频数据分别输入不同的声音模型A、声音模型B及声音模型C中，即可得到异常声音类型为碰撞声的音频子标签、异常声音类型为尖叫声的音频子标签及异常声音类型为呻吟声的音频子标签。
同时，可将历史音频数据转化为历史文本数据，利用上文中提前挖掘到的关键词，获取历史文本数据中与关键词匹配的目标关键词，以及目标关键词在文本数据中出现的频次。将目标关键词、频次以及上述各个不同的音频字标签共同作为历史异常音频标签。
因此，作为一种可能的实施场景，可以将上述包括目标关键词、频次以及上述各个不同的音频字标签的历史异常音频标签以及服务状况信息这两种不同类型的信息，共同分析服务车辆是否发生交通事故等异常情况，进一步提高了分析结果的准确性。
进一步地，由于目标服务车辆在运行过程中的订单运行状态及轨迹状态均可反应目标服务车辆是否发生交通事故，因此，作为一种可能的实施方式，历史服务状况信息可以包括订单运行数据和服务状况信息的轨迹数据，其中，订单运行数据表征服务车辆在第一服务过程中的订单运行状态，轨迹数据表征服务车辆在第一服务过程中的轨迹状态。
例如，订单运行数据可以包括一些时空信息，例如事故发生时间、地点是否在路口，还有订单状态变化等特征，包括订单是否结束，事故点距离订单起终点距离系列特征。
又例如，轨迹数据可以包括目标服务车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率等。
因此，作为一种可能的实施场景，可以将上述包括目标关键词、频次以及上述各个不同的音频字标签的历史异常音频标签以及服务状况信息这两种不同类型的信息，共同训练得到服务异常检测模型，使得训练好的服务异常检测模型具有更强的泛化性和准确性。
在实际应用中，可基于上述训练得到的声音模型及服务异常检测模型对服务车辆所进行的服务进程进行检测，判断服务车辆是否发生交通事故。作为一种可能的实现方式，本申请实施例还提供了一种服务异常检测方法，可利用该方法基于上述训练得到的声音模型及服务异常检测模型对服务车辆所进行的服务进程进行检测。
请参阅图6，图6为本申请实施例提供一种服务异常检测方法的流程示意图之一。下面结合附图对该方法进行详细阐述。
步骤S300，获取服务车辆的服务状况信息和服务车辆的异常音频标签。
其中，服务状况信息表征服务车辆在第一服务过程中的状态信息。异常音频标签表征在第一服务过程中服务车辆存在异常声音。该第一服务过程可以为服务车辆正在进行中的服务过程。
步骤S301，将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。
其中，异常得分与服务异常的严重程度成正相关。
服务异常检测模型可以是通过图5中示出的训练服务异常检测模型的方法在其他电子设备中挖掘生成后迁移至当前服务车辆或服务器中的，也可以是在当前服务车辆或服务器中提前挖掘生成并储存得到的。
本申请实施例通过获取服务车辆的异常音频标签，综合其他类型的服务状况信息利用预先训练好的服务异常检测模型进行分析，得到服务车辆在服务过程中的异常得分，如此，结合不同类型的数据，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。
由于目标服务车辆在运行过程中一些数据均可反应目标服务车辆是否发生交通事故，例如，订单运行状态及轨迹状态。因此，作为一种可能的实施方式，在图6的基础上，图7为本申请实施例提供的图6中步骤S301的子步骤流程示意图。请结合参阅图7，步骤S301的一种可能的实施方式为：
步骤S301-1，获取服务状况信息中的订单运行数据和服务状况信息的轨迹数据。
其中，订单运行数据表征服务车辆在第一服务过程中的订单运行状态，轨迹数据表征服务车辆在第一服务过程中的轨迹状态。
步骤S301-2，将订单运行数据、轨迹数据、异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。
例如，订单运行数据可以包括一些时空信息，例如事故发生时间、地点是否在路口，还有订单状态变化等特征，包括订单是否结束，事故点距离订单起终点距离系列特征。
又例如，轨迹数据可以包括目标服务车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率等。
作为一种可选的实施方式，在图5示出的步骤S300之前，还可对利用训练好的声音模型以及关键词对服务车辆的音频数据进行处理得到异常音频标签。请结合参阅图8，图8为本申请实施例提供一种服务异常检测方法的流程示意图之二。一种可能的实施方式为：
步骤S302，获取服务车辆的音频数据和音频数据对应的文本数据。
其中，音频数据可以为服务车辆在执行服务行程时，由服务车辆中的司机的终端或者乘客的终端采集得到。文本数据可通过ASR技术音频数据转化得到。
步骤S303，将音频数据输入预先训练的声音模型，得到声音模型输出的异常声音的类别和异常声音的类别对应的概率。
其中，预先训练的声音模型可以为一个或多个。声音模型可针对某一类型的异常声音进行识别，并给出该异常声音出现的概率。可以理解的是，异常声音的类别对应的概率越高，表明该音频数据内出现该异常声音的可能性越高。
步骤S304，获取文本数据中与关键词匹配的目标关键词，以及目标关键词在文本数据中出现的频次。
其中，关键词与服务发生异常情况存在正向关联。
步骤S305，将异常声音的类别、异常声音的类别对应的概率、目标关键词及目标关键词对应的频次作为异常音频标签。
作为一种可能的实施场景，下面以声音模型包括多个，声音模型可以包括检测异常声音的目标类型为“碰撞声”的声音模型A、目标类型为“尖叫声”的声音模型B。异常情况为交通事故，关键词为“车祸”和“事故”为例，对上述步骤做详细阐述。
将音频数据分别输入声音模型A、声音模型B，假设得到声音模型A输出的异常声音类别及对应的概率为：碰撞声-90％，尖叫声-80％。
同时，假设音频数据对应的文本数据为：“出车祸了，出车祸了，撞到了人，快打120。”对比关键词与文本数据可知，上述文本数据中与关键词“车祸”和“事故”匹配的目标关键词为“车祸”，同时目标关键词在文本数据中出现的频次为2次。
如此，可得到内容为：“碰撞声-90％，尖叫声-80％，车祸-2次”的异常音频标签。
音频数据中可能包括导航语音或者其他无关的噪声，若直接用声音模型对其进行分析，得到的分析结果可能并不能准确地反映真实情况。同时由于有效的数据，例如尖叫声或碰撞声，往往集中在音频数据中的某一时间段。因此，可将音频数据拆分为多个片段，对每个片段一一进行分析，得到分析结果。作为一种可能的实施方式，请结合参阅图9，图9为图8中步骤S303的子步骤流程示意图。步骤S303的一种实现方式可以是：
步骤S303-1，将音频数据拆分成多个音频数据片段。
步骤S303-2，将多个音频数据片段输入声音模型，获得各音频数据片段携带异常声音的类别和异常声音的类别对应的初始得分。
步骤S303-3，从全部初始得分中选取目标初始得分。
其中，目标初始得分的数值大于其他初始得分。
步骤S303-4，将目标初始得分对应的异常声音的类别作为声音模型输出的异常声音的类别。
步骤S303-5，将目标初始得分作为声音模型输出异常声音的类别对应的概率。
例如，作为一种可能的实施场景，若音频数据的长度为1分钟，则按照预设的长度，例如10秒钟，将音频数据拆分为6个音频数据片段。
以检测异常声音的目标类型为“碰撞声”的声音模型A为例，将这6个音频数据片段分别放入声音模型A中，得到6个音频数据片段分别携带异常声音的类型以及对应的初始得分。假设6个音频数据片段携带异常声音的类型及对应的初始得分，分别如表1所示：
表1
由表1可以看出，全部音频数据片段的初始得分中音频数据片段E的初始得分最高，为0.9。如此，可将其作为目标初始得分，将其对应的异常声音类别：“碰撞声”作为声音模型A输出的异常声音的类别，将其对应的概率：“90％”作为声音模型A输出的概率。
如此，通过将音频数据拆分为多个音频数据片段，利用声音模型对每个片段一一进行异常声音分析，得到分析结果，可避免无效数据干扰，从而使得分析结果可准确地反映真实情况。
在图8示出的步骤S301之后，还可利用服务车辆在第一服务过程中的异常得分进一步确定服务车辆的情况。请结合参阅图10，图10为本申请实施例提供的一种服务异常检测方法的流程示意图之三。
步骤S306，根据异常得分，确定服务车辆发生服务异常的严重程度，异常得分与服务异常的严重程度成正相关。
其中，可选地，严重程度可以包括未发生、轻微、中等、严重、重大等。
异常得分的分值越高，服务异常的严重程度越大，以异常得分为百分制，异常情况为交通事故为例，假设，异常得分为0-10分，则其严重程度可以为未发生；异常得分为10-30分，其严重程度可以为轻微；异常得分为30-60分，其严重程度可以为中等；异常得分为60-90分，其严重程度可以为严重；异常得分为90-100分，其严重程度可以为重大。
可以理解的是，上述等级以及对应的分数仅为便于理解方案所作出的举例，实际应用中还可以有其他方式，在此不做限制。
如此，本申请实施例通过异常得分确定服务异常的严重程度，便于相关安全人员根据严重程度作出相应的救援措施，例如，帮助拨打救援电话或者派遣救援人员前往事发地点进行救援，从而快速作出救援措施，合理安排救援资源，提高救援效率。
基于同一发明构思，本申请实施例中还提供了与上述服务异常检测方法对应的服务异常检测装置，请结合参阅图11，图11为本申请实施例提供的一种服务异常检测装置24的功能模块示意图。服务异常检测装置24包括：
获取模块241，用于获取服务车辆的服务状况信息和服务车辆的异常音频标签。服务状况信息表征服务车辆在第一服务过程中的状态信息；异常音频标签表征在第一服务过程中服务车辆存在异常声音。
检测模块242，用于将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分；异常得分与服务异常的严重程度成正相关。
检测模块，用于获取服务状况信息中的订单运行数据和服务状况信息的轨迹数据，其中，订单运行数据表征服务车辆在第一服务过程中的订单运行状态，轨迹数据表征服务车辆在第一服务过程中的轨迹状态。将订单运行数据、轨迹数据、异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。
服务异常检测装置还包括：异常音频标签获取模块，用于获取服务车辆的音频数据和音频数据对应的文本数据。将音频数据输入预先训练的声音模型，得到声音模型输出的异常声音的类别和异常声音的类别对应的概率。获取文本数据中与关键词匹配的目标关键词，以及目标关键词在文本数据中出现的频次；关键词与服务发生异常情况存在正向关联。将异常声音的类别、异常声音的类别对应的概率、目标关键词及目标关键词对应的频次作为异常音频标签。
异常音频标签获取模块，用于将音频数据拆分成多个音频数据片段。将多个音频数据片段输入声音模型，获得各音频数据片段携带异常声音的类别和异常声音的类别对应的初始得分。从全部初始得分中选取目标初始得分；目标初始得分的数值大于其他初始得分。将目标初始得分对应的异常声音的类别作为声音模型输出的异常声音的类别。将目标初始得分作为声音模型输出异常声音的类别对应的概率。
服务异常检测装置还包括：程度确认模块，用于根据异常得分，确定服务车辆发生服务异常的严重程度，异常得分与服务异常的严重程度成正相关。
服务异常检测装置还包括：第一训练模块，用于获取目标服务车辆的历史服务状况信息和目标服务车辆的历史异常音频标签；历史服务状况信息表征目标服务车辆在第二服务过程中的状态信息；历史异常音频标签表征在第二服务过程中目标服务车辆存在异常声音。将历史服务状况信息与历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的服务异常检测模型。
服务异常检测装置还包括：第二训练模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，历史音频数据标注有异常声音开始时间点及异常声音类别。提取历史音频数据中的频谱特征，得到历史频谱特征。将历史频谱特征作为训练样本，将异常声音开始时间点及异常声音类别作为标签。利用训练样本及标签对预先构建的神经网络进行训练，得到训练后的声音模型。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服务异常检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
基于同一发明构思，本申请实施例中还提供了与上述训练服务异常检测模型的方法对应的训练服务异常检测模型的装置。训练服务异常检测模型的装置包括：
标签获取模块，用于获取目标服务车辆的历史服务状况信息和目标服务车辆的历史异常音频标签。历史服务状况信息表征目标服务车辆在第二服务过程中的状态信息。历史异常音频标签表征在第二服务过程中目标服务车辆存在异常声音。
服务异常检测模型训练模块，用于将历史服务状况信息与历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的服务异常检测模型。
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训练服务异常检测模型的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
基于同一发明构思，本申请实施例中还提供了与上述训练声音模型的方法对应的训练声音模型的装置，训练声音模型的装置包括：
音频获取模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，历史音频数据标注有异常声音开始时间点及异常声音类别。
提取模块，用于提取历史音频数据中的频谱特征，得到历史频谱特征。
分类模块，用于将历史频谱特征作为训练样本，将异常声音开始时间点及异常声音类别作为标签。
声音模型训练模块，用于利用训练样本及标签对预先构建的神经网络进行训练，得到训练后的声音模型。
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训练声音模型的方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
本申请实施例也提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序被执行时实现上述的服务异常检测方法、训练服务异常检测模型的方法或者训练声音模型的方法。
综上所述，本申请实施例提供了一种服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法，该服务异常检测方法通过获取服务车辆的服务状况信息和服务车辆的异常音频标签，其中，服务状况信息表征服务车辆在第一服务过程中的状态信息，异常音频标签表征在第一服务过程中服务车辆存在异常声音。接着，将服务状况信息与异常音频标签作为服务异常检测模型的输入，获得服务车辆在第一服务过程中的异常得分。如此，结合不同类型的数据，共同分析服务车辆是否发生交通事故等异常情况，使得分析结果更精准。
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，可轻易想到的变化或替换，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 (18)
1.一种服务异常检测方法，其特征在于，所述方法包括：
获取服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据拆分成多个音频数据片段，将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为异常音频标签；
获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态，所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
2.根据权利要求1所述的服务异常检测方法，其特征在于，所述将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分的步骤包括：
获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据；
将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。
3.根据权利要求1所述的服务异常检测方法，其特征在于，所述将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率的步骤包括：
将所述多个音频数据片段输入所述多个声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；
从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；
将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；
将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。
4.根据权利要求1所述的服务异常检测方法，其特征在于，所述获得所述服务车辆在所述第一服务过程中的异常得分的步骤之后，所述方法还包括：
根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。
5.根据权利要求1所述的服务异常检测方法，其特征在于，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
6.根据权利要求1所述的服务异常检测方法，其特征在于，所述获取服务车辆的服务状况信息和所述服务车辆的异常音频标签的步骤之前，所述方法还包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
7.一种训练服务异常检测模型的方法，其特征在于，所述方法包括：
获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第二服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第二服务过程中的轨迹状态；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型；
其中，所述历史异常音频标签通过以下方式获得：
获取所述目标服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据拆分成多个音频数据片段，将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述历史异常音频标签。
8.一种训练声音模型的方法，其特征在于，所述方法包括：
获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型；利用所述训练后的声音模型进行服务异常检测的过程包括：获取所述服务车辆的音频数据和所述音频数据对应的文本数据；将所述音频数据拆分成多个音频数据片段；将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为异常音频标签；
获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态，所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
9.一种服务异常检测装置，其特征在于，所述装置包括：
异常音频标签获取模块，用于获取服务车辆的音频数据和所述音频数据对应的文本数据；将所述音频数据拆分成多个音频数据片段，将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为异常音频标签；
获取模块，用于获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态，所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
检测模块，用于将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
10.根据权利要求9所述的服务异常检测装置，其特征在于，所述检测模块，用于获取所述服务状况信息中的订单运行数据和所述服务状况信息的轨迹数据；
将所述订单运行数据、所述轨迹数据、所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分。
11.根据权利要求9所述的服务异常检测装置，其特征在于，所述异常音频标签获取模块，用于将所述多个音频数据片段输入所述多个声音模型，获得各所述音频数据片段携带异常声音的类别和所述异常声音的类别对应的初始得分；
从全部所述初始得分中选取目标初始得分；所述目标初始得分的数值大于其他所述初始得分；
将所述目标初始得分对应的异常声音的类别作为所述声音模型输出的异常声音的类别；
将所述目标初始得分作为所述声音模型输出所述异常声音的类别对应的概率。
12.根据权利要求9所述的服务异常检测装置，其特征在于，所述服务异常检测装置还包括：
程度确定模块，用于根据所述异常得分，确定所述服务车辆发生服务异常的严重程度，所述异常得分与服务异常的严重程度成正相关。
13.根据权利要求9所述的服务异常检测装置，其特征在于，所述服务异常检测装置还包括：
第一训练模块，用于获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息表征所述目标服务车辆在第二服务过程中的状态信息；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；
第二训练模块，用于将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型。
14.根据权利要求9所述的服务异常检测装置，其特征在于，所述服务异常检测装置还包括：
第二训练模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取所述历史音频数据中的频谱特征，得到历史频谱特征；
将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型。
15.一种训练服务异常检测模型的装置，其特征在于，所述训练服务异常检测模型的装置包括：
标签获取模块，用于获取目标服务车辆的历史服务状况信息和所述目标服务车辆的历史异常音频标签；所述历史服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第二服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第二服务过程中的轨迹状态；所述历史异常音频标签表征在所述第二服务过程中所述目标服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
服务异常检测模型训练模块，用于将所述历史服务状况信息与所述历史异常音频标签作为训练样本，输入预先构建的二分类模型中进行训练，得到训练后的所述服务异常检测模型；
其中，所述历史异常音频标签通过以下方式获得：
获取所述目标服务车辆的音频数据和所述音频数据对应的文本数据；
将所述音频数据拆分成多个音频数据片段，将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为所述历史异常音频标签。
16.一种训练声音模型的装置，其特征在于，所述训练声音模型的装置包括：
音频获取模块，用于获取目标服务车辆在第三服务过程中的历史音频数据，所述历史音频数据标注有异常声音开始时间点及异常声音类别；
提取模块，用于提取所述历史音频数据中的频谱特征，得到历史频谱特征；
分类模块，用于将所述历史频谱特征作为训练样本，将所述异常声音开始时间点及异常声音类别作为标签；
声音模型训练模块，用于利用所述训练样本及所述标签对预先构建的神经网络进行训练，得到训练后的声音模型；利用所述训练后的声音模型进行服务异常检测的过程包括：获取所述服务车辆的音频数据和所述音频数据对应的文本数据；将所述音频数据拆分成多个音频数据片段；将所述多个音频数据片段输入预先训练的多个声音模型，得到所述声音模型输出的异常声音的类别和所述异常声音的类别对应的概率；
获取所述文本数据中与关键词匹配的目标关键词，以及所述目标关键词在文本数据中出现的频次；所述关键词与服务发生异常情况存在正向关联；
将所述异常声音的类别、所述异常声音的类别对应的概率、所述目标关键词及所述目标关键词对应的频次作为异常音频标签；
获取服务车辆的服务状况信息和所述服务车辆的异常音频标签；所述服务状况信息包括订单运行数据和轨迹数据，所述订单运行数据表征所述服务车辆在第一服务过程中的订单运行状态，所述轨迹数据表征所述服务车辆在所述第一服务过程中的轨迹状态，所述异常音频标签表征在所述第一服务过程中所述服务车辆存在异常声音；所述订单运行数据包括时空信息、订单状态变化特征；所述轨迹数据包括车辆在行驶过程中是否存在急减速、事故后车辆的移动距离、停留时长、加速度变化率；
将所述服务状况信息与所述异常音频标签作为服务异常检测模型的输入，获得所述服务车辆在所述第一服务过程中的异常得分；所述异常得分与服务异常的严重程度成正相关。
17.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及总线，所述存储器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，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行权利要求1-6任意一项所述的服务异常检测方法的步骤；或者执行如权利要求7所述的训练服务异常检测模型的方法的步骤；或者执行如权利要求8所述的训练声音模型的方法的步骤。
18.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，计算机程序被执行时实现权利要求1-6任意一项所述的服务异常检测方法的步骤；或者计算机程序被执行时实现权利要求7所述的训练服务异常检测模型的方法的步骤；或者计算机程序被执行时实现权利要求8所述的训练声音模型的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891417.7A CN111951560B (zh) | 2020-08-30 | 2020-08-30 | 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891417.7A CN111951560B (zh) | 2020-08-30 | 2020-08-30 | 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111951560A CN111951560A (zh) | 2020-11-17 |
| CN111951560B true CN111951560B (zh) | 2022-02-08 |
Family
ID=73368069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010891417.7A Active CN111951560B (zh) | 2020-08-30 | 2020-08-30 | 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951560B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858082A (zh) * | 2019-11-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 提示信息的发送方法、输出方法、装置、电子设备和介质 |
| CN113177536B (zh) * | 2021-06-28 | 2021-09-10 | 四川九通智路科技有限公司 | 基于深度残差收缩网络的车辆碰撞检测方法及装置 |
| CN113408664B (zh) * | 2021-07-20 | 2024-04-16 | 北京百度网讯科技有限公司 | 训练方法、分类方法、装置、电子设备以及存储介质 |
| CN113658608B (zh) * | 2021-08-27 | 2022-03-25 | 中关村科学城城市大脑股份有限公司 | 路面积水监测方法、装置、存储介质及电子设备 |
| CN114566148B (zh) * | 2022-04-02 | 2022-12-30 | 北京百度网讯科技有限公司 | 集群语音识别服务及其检测方法、装置及电子设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014092796A (ja) * | 2012-10-31 | 2014-05-19 | Jvc Kenwood Corp | 音声情報報知装置、音声情報報知方法およびプログラム |
| CN107527617A (zh) * | 2017-09-30 | 2017-12-29 | 上海应用技术大学 | 基于声音识别的监控方法、装置及系统 |
| CN108877146A (zh) * | 2018-09-03 | 2018-11-23 | 深圳市尼欧科技有限公司 | 一种基于智能语音识别的乘驾安全自动报警装置及其方法 |
| CN109192202A (zh) * | 2018-09-21 | 2019-01-11 | 平安科技（深圳）有限公司 | 语音安全识别方法、装置、计算机设备及存储介质 |
| CN208368163U (zh) * | 2018-07-06 | 2019-01-11 | 深圳卡安兴科技有限公司 | 一种基于车载摄像头的声音识别系统 |
| CN109472730A (zh) * | 2018-10-31 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆紧急预警方法、装置、设备、系统 |
| CN109584008A (zh) * | 2018-11-27 | 2019-04-05 | 重庆理工大学 | 基于语音识别的网约车异常驾驶环境监督系统及方法 |
| CN208706043U (zh) * | 2018-05-10 | 2019-04-05 | 深圳市微科信息技术有限公司 | 一种智能无线远程录音管理系统 |
| CN110493474A (zh) * | 2019-09-20 | 2019-11-22 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN110718235A (zh) * | 2019-09-20 | 2020-01-21 | 精锐视觉智能科技（深圳）有限公司 | 异常声音检测的方法、电子设备及存储介质 |
| CN110782625A (zh) * | 2018-12-17 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 乘车安全报警方法、装置、电子设备及存储介质 |
| CN110992984A (zh) * | 2019-12-02 | 2020-04-10 | 新华智云科技有限公司 | 音频处理方法及装置、存储介质 |
| CN111415654A (zh) * | 2019-01-07 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种音频识别方法和装置、以及声学模型训练方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104347068B (zh) * | 2013-08-08 | 2020-05-22 | 索尼公司 | 音频信号处理装置和方法以及监控系统 |
| CN110189769B (zh) * | 2019-05-23 | 2021-11-19 | 复钧智能科技(苏州)有限公司 | 基于多个卷积神经网络模型结合的异常声音检测方法 |
-
2020
- 2020-08-30 CN CN202010891417.7A patent/CN111951560B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014092796A (ja) * | 2012-10-31 | 2014-05-19 | Jvc Kenwood Corp | 音声情報報知装置、音声情報報知方法およびプログラム |
| CN107527617A (zh) * | 2017-09-30 | 2017-12-29 | 上海应用技术大学 | 基于声音识别的监控方法、装置及系统 |
| CN208706043U (zh) * | 2018-05-10 | 2019-04-05 | 深圳市微科信息技术有限公司 | 一种智能无线远程录音管理系统 |
| CN208368163U (zh) * | 2018-07-06 | 2019-01-11 | 深圳卡安兴科技有限公司 | 一种基于车载摄像头的声音识别系统 |
| CN108877146A (zh) * | 2018-09-03 | 2018-11-23 | 深圳市尼欧科技有限公司 | 一种基于智能语音识别的乘驾安全自动报警装置及其方法 |
| CN109192202A (zh) * | 2018-09-21 | 2019-01-11 | 平安科技（深圳）有限公司 | 语音安全识别方法、装置、计算机设备及存储介质 |
| CN109472730A (zh) * | 2018-10-31 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆紧急预警方法、装置、设备、系统 |
| CN109584008A (zh) * | 2018-11-27 | 2019-04-05 | 重庆理工大学 | 基于语音识别的网约车异常驾驶环境监督系统及方法 |
| CN110782625A (zh) * | 2018-12-17 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 乘车安全报警方法、装置、电子设备及存储介质 |
| CN111415654A (zh) * | 2019-01-07 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种音频识别方法和装置、以及声学模型训练方法和装置 |
| CN110493474A (zh) * | 2019-09-20 | 2019-11-22 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN110718235A (zh) * | 2019-09-20 | 2020-01-21 | 精锐视觉智能科技（深圳）有限公司 | 异常声音检测的方法、电子设备及存储介质 |
| CN110992984A (zh) * | 2019-12-02 | 2020-04-10 | 新华智云科技有限公司 | 音频处理方法及装置、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111951560A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951560B (zh) | 服务异常检测方法、训练服务异常检测模型的方法和训练声音模型的方法 | |
| KR102205240B1 (ko) | 예상치 못한 임펄스 변화 충돌 검출기 | |
| Azadani et al. | Driving behavior analysis guidelines for intelligent transportation systems | |
| TWI704520B (zh) | 用於識別危險駕駛行為的系統和方法 | |
| CN109389863B (zh) | 提示方法及相关设备 | |
| Moujahid et al. | Machine learning techniques in ADAS: A review | |
| Halim et al. | Artificial intelligence techniques for driving safety and vehicle crash prediction | |
| US11475770B2 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
| Khodairy et al. | Driving behavior classification based on oversampled signals of smartphone embedded sensors using an optimized stacked-LSTM neural networks | |
| Xie et al. | Driving maneuver classification: A comparison of feature extraction methods | |
| US11928739B2 (en) | Method and system for vehicular collision reconstruction | |
| Xie et al. | Maneuver-based driving behavior classification based on random forest | |
| Xie et al. | CNN-based driving maneuver classification using multi-sliding window fusion | |
| Sathyanarayana et al. | Information fusion for robust ‘context and driver aware’active vehicle safety systems | |
| CN110782625A (zh) | 乘车安全报警方法、装置、电子设备及存储介质 | |
| CN111523932A (zh) | 一种网约车服务的评分方法、装置、系统及存储介质 | |
| CN112744174B (zh) | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 | |
| Alluhaibi et al. | Driver behavior detection techniques: A survey | |
| Nareshkumar et al. | Feasibility and Necessity of Affective Computing in Emotion Sensing of Drivers for Improved Road Safety | |
| CN112329963A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
| JP2020042785A (ja) | 無人車内の乗客状態の識別方法、装置、機器及び記憶媒体 | |
| CN112037818A (zh) | 异常情况确定方法和正向匹配式生成方法 | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN111798857A (zh) | 一种信息识别方法、装置、电子设备及存储介质 | |
| Soultana et al. | Context-awareness in the smart car: study and analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |