CN112070571A - 智能化的网约车信息处理方法 - Google Patents
智能化的网约车信息处理方法 Download PDFInfo
- Publication number
- CN112070571A CN112070571A CN202010717740.2A CN202010717740A CN112070571A CN 112070571 A CN112070571 A CN 112070571A CN 202010717740 A CN202010717740 A CN 202010717740A CN 112070571 A CN112070571 A CN 112070571A
- Authority
- CN
- China
- Prior art keywords
- information
- current
- preset
- car booking
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能化的网约车信息处理方法,该方法包括:获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端;获取乘客端基于展示的所述网约车信息输入的当前预约信息;对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度;将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息;根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息;提高了网约车信息处理的安全性和可靠性,同时也使得网约车信息的配置更加智能和灵活。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种智能化的网约车信息处理方法。
背景技术
随着互联网技术的普及,人们的日常工作和生活中越来越离不开互联网,互联网也越来越多地参与至不同的领域。在网约车方面,由于网约车给人们的出行带来了极大的便利,因此,大多数人的出行方式中,首选网约车,这也就使得目前加入网约车的汽车数量也越来越多。针对新加入的网约车,管理端如何对新加入的网约车进行信息配置,比如,在不影响已有网约车的基础上,如何为该新加入的网约车配置专车站场、可运营路线等,成为目前网约车行业面临的一个重要问题。
发明内容
本发明提供一种智能化的网约车信息处理方法,旨在通过对比当前预约信息与预设预约信息的匹配度来确保预约信息时合理存在且有效的,提高网约车信息处理的安全性和可靠性。
本发明提供了一种智能化的网约车信息处理方法,所述方法包括:
获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端;
获取乘客端基于展示的所述网约车信息输入的当前预约信息;
对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度;
将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息;
根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息。
进一步地,所述对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度,包括:
对获取的所述当前预约信息进行预处理后,利用TextCode将预处理后的当前预约信息配置为txt文件,生成当前预约信息txt文本;其中,所述预处理包括:删除所述当前预约信息中的重复项、乱码项;
获取所述当前预约信息txt文本对应的多个当前词序列,形成第一词序列矩阵;
计算所述第一词序列矩阵与预设的第二词序列矩阵的当前匹配度X,则有:
其中,X表示:所述第一词序列矩阵与所述第二词序列矩阵的当前匹配度,i表示:所述第一词序列矩阵与所述第二词序列矩阵中的行数,j表示:所述第一词序列矩阵与所述第二词序列矩阵中的列数,Pij表示:所述第二词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达,Qij表示:所述第一词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达;λ表示匹配因子,其取值为[0,1]。
进一步地,所述将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息,包括:
将所述当前匹配度与预设匹配度进行比较,若所述当前匹配度等于所述预设匹配度,则验证所述当前预约信息对应的目标用户身份信息;
若所述当前匹配度不等于所述预设匹配度,则确认所述当前匹配度与所述预设匹配度之间的差值是否在预设范围内;
若所述差值在所述预设范围内,则验证所述当前预约信息对应的目标用户身份信息;
若所述差值不在所述预设范围内,则基于所述用户显示界面提醒用户当前预约信息与预设预约信息不匹配。
进一步地,所述验证所述当前预约信息对应的目标用户身份信息,包括步骤S31-S34:
步骤S31、从所述当前预约信息中,获取所述当前预约信息对应的目标用户身份信息;目标用户身份信息包括:目标人脸图像和用户输入的目标账号密码信息;
步骤S32、按照预设网格大小对所述目标人脸图像和预设人脸图像进行网格划分,获得所述目标人脸图像中包含的网格数目P1和预设人脸图像中包含的网格数目P2;
步骤S33、计算所述目标用户身份信息与预设用户身份信息的相似度simY,则有:
其中,simY表示所述目标用户身份信息与预设用户身份信息的相似度,β为中间参数;N表示所述P1、P2中的最大值;S1h表示所述目标人脸图像中第h个网格区域内特征点的像素值;S2h表示所述预设人脸图像中第h个网格区域内特征点的像素值;ηh表示S1h与S2h比对过程中的误差因子;γ1表示预设的人脸图像比较结果所占的权重系数;
M表示预设账号密码信息中字符的总数;Ga表示所述用户输入的目标账号密码信息中第a位字符与预设账号密码信息中第a位字符之间的匹配度;γ2表示预设的密码比较结果所占的权重系数;
步骤S34、判断所述相似度simY大于或者等于预设阈值时,确认所述当前预约信息对应的目标用户身份信息验证通过;判断所述相似度simY小于所述预设阈值时,对所述目标用户身份信息验证不通过。
进一步地,所述获取网约车信息,包括:
针对新加入的网约车,获取所述网约车对应的网约车信息;
根据所述网约车信息,提取所述网约车对应的行为特征信息,并将提取的所述行为特征信息进行数字化,得到对应的行为特征参数;
根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置。
进一步地,所述针对新加入的网约车,获取所述网约车对应的网约车信息,包括:
针对新加入的网约车,获取所述网约车对应的可唯一标识一辆车的车辆识别标识;根据所述车辆识别标识,收集与所述车辆识别标识相关联的网约车信息。
进一步地,所述根据所述网约车信息,提取所述网约车对应的行为特征信息,包括:
根据所述网约车信息,提取的所述网约车对应的行为特征信息包括:
与所述网约车绑定的司机年龄、司机性别、司机外语能力信息、司机驾龄、司机信用信息、车辆车型信息、车辆核定座位数量、车辆行驶总里程信、车牌颜色、业务类型信息。
进一步地,所述将提取的所述行为特征信息进行数字化,得到对应的行为特征参数,包括:
根据提取的不同的行为特征信息所包含的信息内容,对所述行为特征信息进行数字化,从而得到对应的行为特征参数。
进一步地,所述根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置,包括:
根据得到的所述行为特征参数,将所述行为特征参数代入所述神经网络模型,计算得到所述网约车对应的所属站场编号,以及所述网约车对应的终点站场与所述所属站场之间的距离;
根据所述网约车对应的终点站场与所述所属站场之间的距离,得到所述网约车对应的起始站场和终点站场;
根据所述起始站场和终点站场,即可得到所述网约车对应的运行线路。
进一步地,所述针对新加入的网约车,获取所述网约车对应的网约车信息,之前还包括步骤:
对基于用户名和密码执行登录操作的管理身份进行合法性验证,并在合法性验证通过后,根据所述用户名对应的身份信息,为所述用户名匹配对应的管理权限,使得相关管理员基于所述管理权限,执行相应的操作。
进一步地,所述根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置,之前还包括步骤:
基于现有的网约车,收集现有的网约车对应的车辆行为信息与线路信息;
利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型。
进一步地,所述利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型,包括:
利用收集的所述车辆行为信息与线路信息,获取所述车辆行为信息与线路信息对应的已有行为特征;
对所述已有行为特征进行数字化,得到对应的已有行为参数;其中,所述已有行为参数包括:司机年龄X1、司机性别X2、司机外语能力等级X3、司机驾龄X4、司机信用等级X5、车辆车型信息X6、车辆核定座位数X7、车辆行驶总里程X8、车牌颜色X9、对应的业务代码X10、车辆所属站场Y1、车辆对应的线路小时数Y2;即针对现有的一台网约车Zi,收集得到的所述已有行为参数为:X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、Y1、Y2,则收集N个现有的网约车对应得到的已有行为参数为
基于收集的所述已有行为参数,构造一个输入数据为10维,输出数据为2维的深度神经网络,则有数学式(1):
output(X)=σ(W6*σ(W5*σ(W4*σ(W3*σ(W2*σ(W1X+b1)+b2)+b3)+b4)+b5)+b6) (1)
所述数学式(1)中,W1∈R10×10、b1∈R10、W2∈R10×10、b2∈R10×10、W3∈R10×10、b3∈R10、W4∈R10×5、b4∈R5、W5∈R5×5、b5∈R5、W6∈R5×2、b6∈R2,R表示实数域,σ()为激活函数,其表达式为:
定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6;
将得到的参数W1至W6以及b1至b6代入所述深度神经网络,即可得到训练好的所述神经网络模型。
进一步地,所述定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6,包括:
记Yi=(Yi1,Yi2)T,其中T代表向量的转置,将构建的所述深度神经网络转换为一个回归问题;
定义损失函数,则有数学式(2):
采用梯度下降算法,对所述损失函数Loss()进行极小化,则有数学式(3)和数学式(4):
按照如下描述的数学式(5)中更新权重Wj和bj的方式,则有:
同时,采用权重衰减更新方式更新当前这一步迭代所对应的学习率η,则有数学式(6):
数学式(6)中,η0为初始学习率,ηn为第n步迭代的学习率;
当达到预设迭代终止条件Loss<10-6,或者迭代次数达到预设阈值时,停止迭代,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6。
本发明一种智能化的网约车信息处理方法,通过获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端;获取乘客端基于展示的所述网约车信息输入的当前预约信息;对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度;将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息;根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息;提高了网约车信息处理的安全性和可靠性,同时也使得网约车信息的配置更加智能和灵活。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种智能化的网约车信息处理方法的一种实施方式的流程示意图。
图2是本发明一种智能化的网约车信息处理方法中,图1所述实施例中的步骤S13的一种实施方式的流程示意图。
图3是本发明一种智能化的网约车信息处理方法中,验证当前预约信息对应的目标用户身份信息的一种实施方式的流程示意图。
图4是本发明一种智能化的网约车信息处理方法中,获取网约车信息的一种实施方式的流程示意图。
图5是本发明一种智能化的网约车信息处理方法中,训练得到对应的神经网络模型的一种实施方式的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种智能化的网约车信息处理方法,通过对比当前预约信息与预设预约信息的匹配度来确保预约信息时合理存在且有效的,提高了网约车信息处理的安全性和可靠性。
如图1所示,图1是本发明一种智能化的网约车信息处理方法的一种实施方式的流程示意图;图1所述实施例中,本发明一种智能化的网约车信息处理方法可以实施为如下描述的步骤S11-S15。
步骤S11、获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端。
本发明实施例中,系统获取对应的网约车信息,并通过用户显示界面,将获取的上述网约车信息展示给乘客端。其中,在一个具体的应用场景中,系统获取的所述网约车信息,是根据乘客的历史出行数据,和/或乘客的当前位置,和/或乘客的具体需求等,从数据库中存储的已合法注册的网约车信息中挑选出满足上述条件的网约车信息。
步骤S12、获取乘客端基于展示的所述网约车信息输入的当前预约信息。
乘客基于乘客端对应的用户显示界面上展示的网约车信息,输入目前所需的当前预约信息,系统通过乘客端获取乘客输入的所述当前预约信息。
步骤S13、对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度。
本发明实施例中,系统对获取的所述当前预约信息进行数据处理包括但不限于:删除当前预约信息中的重复项、乱码项、不符合操作规则的信息等。针对数据处理后的所述当前预约信息,系统计算其对应的当前匹配度。
步骤S14、将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息。
本发明实施例中,所述预设匹配度由系统根据预设预约信息得到,通过将计算得到的所述当前匹配度与所述预设匹配度进行比较,得到所述当前匹配度与预设匹配度之间的大小关系。
在一个实施例中,将所述当前匹配度与预设匹配度进行比较时,若所述当前匹配度等于所述预设匹配度,则验证所述当前预约信息对应的目标用户身份信息。若所述当前匹配度不等于所述预设匹配度,则确认所述当前匹配度与所述预设匹配度之间的差值是否在预设范围内;若所述差值在所述预设范围内,则验证所述当前预约信息对应的目标用户身份信息;若所述差值不在所述预设范围内,则基于所述用户显示界面提醒用户当前预约信息与预设预约信息不匹配。
步骤S15、根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息。
当对所述目标用户身份信息验证通过时,向所述目标用户身份信息对应的该用户提供对应的目标网约车信息;当对所述目标用户身份信息验证不通过时,向所述目标用户身份信息对应的乘客端发送当前预约信息无效的提示信息,比如,发送“当前预约信息无效,请提供信息的预约信息”等类似的提醒信息。
本发明智能化的网约车信息处理方法,通过获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端;获取乘客端基于展示的所述网约车信息输入的当前预约信息;对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度;将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息;根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息;提高了网约车信息处理的安全性和可靠性,同时也使得网约车信息的配置更加智能和灵活。
进一步地,在一个实施例中,如图2所示,图2是本发明一种智能化的网约车信息处理方法中,图1所述实施例中的步骤S13的一种实施方式的流程示意图。图2所述实施例中,图1实施例中的“步骤S13、对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度”,可以实施为如下描述的步骤S21-S23。
步骤S21、对获取的所述当前预约信息进行预处理后,利用TextCode将预处理后的当前预约信息配置为txt文件,生成当前预约信息txt文本。
本发明实施例中,对所述当前预约信息进行预处理可以理解为:删除当前预约信息中的重复项、乱码项、不符合操作规则的信息等。
步骤S22、获取所述当前预约信息txt文本对应的多个当前词序列,形成第一词序列矩阵。
步骤S23、计算所述第一词序列矩阵与预设的第二词序列矩阵的当前匹配度X,则有:
其中,X表示:所述第一词序列矩阵与所述第二词序列矩阵的当前匹配度,i表示:所述第一词序列矩阵与所述第二词序列矩阵中的行数,j表示:所述第一词序列矩阵与所述第二词序列矩阵中的列数,Pij表示:所述第二词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达,Qij表示:所述第一词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达;λ表示匹配因子,其取值为[0,1]。所述预设的第二词序列矩阵可以理解为:根据预设预约信息形成的第二词序列矩阵。
本发明实施例中,通过对比当前预约信息与预设预约信息的匹配度来确保预约信息是合理存在且有效的,提高了信息配置的安全性和可靠性。
进一步地,在一个实施例中,如图3所示,图3是本发明一种智能化的网约车信息处理方法中,验证当前预约信息对应的目标用户身份信息的一种实施方式的流程示意图。在图3所述实施例中,所述验证所述当前预约信息对应的目标用户身份信息,可以实施为如下描述的步骤S31-S34。
步骤S31、从所述当前预约信息中,获取所述当前预约信息对应的目标用户身份信息。
本发明实施例中,所述从当前预约信息中获取的所述目标用户身份信息包括但不限于:目标人脸图像和用户输入的目标账号密码信息,且所述目标人脸图像和用户输入的目标账号密码信息可以唯一地对应一名用户。
步骤S32、按照预设网格大小对所述目标人脸图像和预设人脸图像进行网格划分,获得所述目标人脸图像中包含的网格数目P1和预设人脸图像中包含的网格数目P2。
步骤S33、计算所述目标用户身份信息与预设用户身份信息的相似度simY,则有:
其中,simY表示所述目标用户身份信息与预设用户身份信息的相似度,β为中间参数;N表示所述P1、P2中的最大值;S1h表示所述目标人脸图像中第h个网格区域内特征点的像素值;S2h表示所述预设人脸图像中第h个网格区域内特征点的像素值;ηh表示S1h与S2h比对过程中的误差因子;γ1表示预设的人脸图像比较结果所占的权重系数;
M表示预设账号密码信息中字符的总数;Ga表示所述用户输入的目标账号密码信息中第a位字符与预设账号密码信息中第a位字符之间的匹配度;γ2表示预设的密码比较结果所占的权重系数;
步骤S34、判断所述相似度simY大于或者等于预设阈值时,确认所述当前预约信息对应的目标用户身份信息验证通过;判断所述相似度simY小于所述预设阈值时,对所述目标用户身份信息验证不通过。
本发明实施例中,所述预设阈值的取值选取的是99%,当相似度simY≥99%时,确认所述当前预约信息对应的目标用户身份信息验证通过,即当前预约信息无误;当simY<99%时,确认所述当前预约信息对应的目标用户身份信息验证不通过,即当前预约信息无效。
本发明实施例中,通过确认所述当前匹配度X与预设匹配度的差值是否在预设范围之内来确保用户提供的当前预约信息识别的准确率,避免了误识别情况的发生,通过双重验证用户的目标身份信息来确保用户是预约的本人,进一步地提高了安全性,同时提高了用户的体验感。
如图4所示,图4是本发明一种智能化的网约车信息处理方法中,获取网约车信息的一种实施方式的流程示意图;图4所述实施例中,本发明智能化的网约车信息处理方法中,获取网约车信息可以实施为如下描述的步骤S10-S30。
步骤S10、针对新加入的网约车,获取所述网约车对应的网约车信息。
本发明实施例中,所述智能化的网约车信息处理方法,主要针对的是,首次加入的网约车;比如,针对某网约车管理平台,当有新进的一辆网约车时,获取该新加入的网约车对应的网约车信息。
本发明实施例中,获取的所述网约车信息包括但不限于:唯一标识该网约车的车辆识别标识、该网约车对应的司机年龄、司机性别、司机外语能力、司机驾龄、司机信用、司机交通处罚信息、司机违规信息、车辆车型(比如:经济型、商务型、豪华型、舒适型等)、车辆核定座位数、车辆行驶总里程、车牌颜色(对应的是纯电动、燃油车、油电混动车等)、业务代码(现在用车、预约用车、城际用车、机场巴士、校园巴士、景点巴士等),以及该网约车管理平台所需的其他网约车信息等。
进一步地,在一个实施例中,该网约车管理平台获取新加入的网约车对应的网约车信息时,可以按照如下技术手段实施:
针对新加入的网约车,获取所述网约车对应的可唯一标识一辆车的车辆识别标识;根据所述车辆识别标识,收集与所述车辆识别标识相关联的网约车信息。比如,通过与该车辆绑定的唯一车牌信息,获取与所述车牌信息相关联的所有网约车信息;或者,根据与该车辆绑定的司机对应的身份证信息,获取与所述身份证信息相关联的所有网约车信息等。或者,同时通过唯一的车牌信息以及与车牌绑定的所述身份证信息,同时获取与所述车牌信息和身份证信息相关联的所有网约车信息。
步骤S20、根据所述网约车信息,提取所述网约车对应的行为特征信息,并将提取的所述行为特征信息进行数字化,得到对应的行为特征参数。
根据获取的上述网约车信息,从所述网约车信息中提取出该网约车对应的行为特征信息;其中,提取出的所述行为特征信息包括但不限于:与所述网约车绑定的司机年龄、司机性别、司机外语能力信息、司机驾龄、司机信用信息、车辆车型信息、车辆核定座位数量、车辆行驶总里程信、车牌颜色、业务类型信息等。
根据提取的不同的行为特征信息所包含的信息内容,对所述行为特征信息进行数字化,从而得到对应的行为特征参数。比如,在一个实施例中,对所述行为特征信息进行数字化时,针对司机性别,将男性这一行为特征信息对应数字化为1,女性这一行为特征信息对应数字化为2;业务类型信息中,将业务类型信息转换为对应的业务代码,比如,“现在用车”数字化对应为0,“预约用车”数字化对应为1,“城际用车”数字化对应为2,“机场巴士”数字化对应为3,“景点巴士”数字化对应为4等。本发明实施例对所述行为特征信息进行数字化时,其具体应用场景和具体数字化对应的数值,不进行一一穷举。
步骤S30、根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置。
本发明实施例中,针对网约车进行信息配置时,直接将上述得到的所述行为特征参数代入预先训练完成的神经网络模型即可,根据训练完成的所述神经网络模型的计算,即可得到对所述网约车的信息配置。
进一步地,在一个实施例中,所述根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置,可以按照如下技术手段实施:
根据得到的所述行为特征参数,将所述行为特征参数代入所述神经网络模型,计算得到所述网约车对应的所属站场编号,以及所述网约车对应的终点站场与所述所属站场之间的距离;根据所述网约车对应的终点站场与所述所属站场之间的距离,得到所述网约车对应的起始站场和终点站场;根据所述起始站场和终点站场,即可得到所述网约车对应的运行线路;根据得到的所述运行线路,即可完成对所述网约车的信息配置。
进一步地,在一个实施例中,对新加入的网约车进行信息配置之前,需要对登录网约车信息配置系统的身份进行识别和验证。本发明实施例中,所述针对新加入的网约车,获取所述网约车对应的网约车信息,之前还包括步骤:
对基于用户名和密码执行登录操作的管理身份进行合法性验证,并在合法性验证通过后,根据所述用户名对应的身份信息,为所述用户名匹配对应的管理权限,使得相关管理员基于所述管理权限,执行相应的操作。
本发明实施例中,可以针对不同的用户名预先配置不同的管理权限;当接收到基于用户名和密码执行登录操作的触发指令时,对所述用户名和密码进行合法性验证;若合法性验证不通过,则不允许登录该网约车信息配置系统。若合法性验证通过,则根据所述用户名,查找与所述用户名相匹配的管理权限,进而允许用户基于所述用户名对应的管理权限的权限范围内,执行相应的网约车信息的配置操作。
进一步地,在一个实施例中,对新加入的网约车进行网约车信息配置之前,还需要基于现有的网约车的相关数据,训练得到对应的神经网络模型,进而基于训练完成的神经网络模型,对新加入的网约车进行信息配置。
本发明实施例中,在图1所述实施例的“步骤S10、针对新加入的网约车,获取所述网约车对应的网约车信息”之前,还需执行步骤:
步骤S40、基于现有的网约车,收集现有的网约车对应的车辆行为信息与线路信息;利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型。
本发明实施例中,训练所述神经网络模型时采用的数据为现有的网约车对应的相关历史数据;通过根据现有的网约车对应的相关历史数据,对预设的初始神经网络进行训练,当满足预设的训练停止条件时,则停止训练,得到对应的神经网络模型。
进一步地,如图5所示,图5是本发明一种智能化的网约车信息处理方法中,训练得到对应的神经网络模型的一种实施方式的流程示意图。在图3所述的一个实施例中,所述利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型,可以实施为如下描述的步骤S41-S45。
步骤S41、利用收集的所述车辆行为信息与线路信息,获取所述车辆行为信息与线路信息对应的已有行为特征。
步骤S42、对所述已有行为特征进行数字化,得到对应的已有行为参数。
其中,所述已有行为参数包括:司机年龄X1、司机性别X2、司机外语能力等级X3、司机驾龄X4、司机信用等级X5、车辆车型信息X6、车辆核定座位数X7、车辆行驶总里程X8、车牌颜色X9、对应的业务代码X10、车辆所属站场Y1、车辆对应的线路小时数Y2;即针对现有的一台网约车Zi,收集得到的所述已有行为参数为:X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、Y1、Y2,则收集N个现有的网约车对应得到的已有行为参数为
步骤S43、基于收集的所述已有行为参数,构造一个输入数据为10维,输出数据为2维的深度神经网络。
其中,构造的所述输入数据为10维、输出数据为2维的深度神经网络对应的数学式(1)为:
output(X)=σ(W6*σ(W5*σ(W4*σ(W3*σ(W2*σ(W1X+b1)+b2)+b3)+b4)+b5)+b6) (1)
所述数学式(1)中,W1∈R10×10、b1∈R10、W2∈R10×10、b2∈R10×10、W3∈R10×10、b3∈R10、W4∈R10×5、b4∈R5、W5∈R5×5、b5∈R5、W6∈R5×2、b6∈R2,R表示实数域,σ()为激活函数,其表达式为:
步骤S44、定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6;
步骤S45、将得到的参数W1至W6以及b1至b6代入所述深度神经网络,即可得到训练好的所述神经网络模型。
进一步地,在一个实施例中,所述步骤S44中,所述定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6,可以按照如下技术手段实施:
记Yi=(Yi1,Yi2)T,其中T代表向量的转置,将构建的所述深度神经网络转换为一个回归问题;
定义损失函数,则有数学式(2):
采用梯度下降算法,对所述损失函数Loss()进行极小化,则有数学式(3)和数学式(4):
按照如下描述的数学式(5)中更新权重Wj和bj的方式,则有:
同时,采用权重衰减更新方式更新当前这一步迭代所对应的学习率η,则有数学式(6):
数学式(6)中,η0为初始学习率,ηn为第n步迭代的学习率;
当达到预设迭代终止条件时,停止迭代,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6。
进一步地,在一个实施例中,,所述预设迭代终止条件包括但不限于:
Loss<10-6或者,迭代次数达到预设阈值。
在迭代完成后,即训练得到了对应的神经网络模型,随后,即可利用训练好的所述神经网络模型对新加入的网约车进行信息配置。
比如,针对利用图3所述实施例训练好的神经网络模型,针对现有的新加入的一辆网约车,该新加入的网约车的行为特征为:X∈R10,利用训练好的上述神经网络模型,则有:
pred=output(X)=(pred1,pred2)∈R2。
根据计算得到的所述pred1编号,通过所述pred1编号,即可得到其对应的站场;由计算得到的所述pred2,即可得知终点站场距离此站场的距离;通过比较其他站场与此站场之间的距离,便可得到起始站场与终点站场,也即该网约车对应的可运行线路。如此,便完成了针对新加入的该网约车的信息配置。
本发明实施例中,通过神经网络技术将网约车的信息配置转化为一个回归问题,同时该回归问题的输出涵盖了新进网约车所属的站场以及可运营线路。通过求解上述回归问题,得到了网约车的信息配置方法。此方法综合了车辆信息、司机信息、现有站场与路线信息等,真正做到了智能化。
本发明智能化的网约车信息处理方法在获取网约车信息时,通过针对新加入的网约车,获取所述网约车对应的网约车信息;根据所述网约车信息,提取所述网约车对应的行为特征信息,并将提取的所述行为特征信息进行数字化,得到对应的行为特征参数;根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置;实现了智能化配置网约车信息的目的,提高了网约车信息配置的效率,使得网约车信息的配置更加智能和灵活,也为用户提供目标网约车信息提供了重要依据,使得目标网约车的匹配更加准确和便捷。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种智能化的网约车信息处理方法,其特征在于,所述方法包括:
获取网约车信息,并将所述网约车信息基于用户显示界面展示给乘客端;
获取乘客端基于展示的所述网约车信息输入的当前预约信息;
对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度;
将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息;
根据所述目标用户身份信息的验证通过的结果,向该用户提供对应的目标网约车信息。
2.如权利要求1所述的智能化的网约车信息处理方法,其特征在于,所述对获取的所述当前预约信息进行数据处理,并计算所述当前预约信息对应的当前匹配度,包括:
对获取的所述当前预约信息进行预处理后,利用TextCode将预处理后的当前预约信息配置为txt文件,生成当前预约信息txt文本;其中,所述预处理包括:删除所述当前预约信息中的重复项、乱码项;
获取所述当前预约信息txt文本对应的多个当前词序列,形成第一词序列矩阵;
计算所述第一词序列矩阵与预设的第二词序列矩阵的当前匹配度X,则有:
其中,X表示:所述第一词序列矩阵与所述第二词序列矩阵的当前匹配度,i表示:所述第一词序列矩阵与所述第二词序列矩阵中的行数,j表示:所述第一词序列矩阵与所述第二词序列矩阵中的列数,Pij表示:所述第二词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达,Qij表示:所述第一词序列矩阵中第i行第j列的词序列的序列组成信息对应的数值化表达;λ表示匹配因子,其取值为[0,1]。
3.如权利要求1或2所述的智能化的网约车信息处理方法,其特征在于,所述将所述当前匹配度与预设匹配度进行比较,并根据比较结果,验证所述当前预约信息对应的目标用户身份信息,包括:
将所述当前匹配度与预设匹配度进行比较,若所述当前匹配度等于所述预设匹配度,则验证所述当前预约信息对应的目标用户身份信息;
若所述当前匹配度不等于所述预设匹配度,则确认所述当前匹配度与所述预设匹配度之间的差值是否在预设范围内;
若所述差值在所述预设范围内,则验证所述当前预约信息对应的目标用户身份信息;
若所述差值不在所述预设范围内,则基于所述用户显示界面提醒用户当前预约信息与预设预约信息不匹配。
4.如权利要求3所述的智能化的网约车信息处理方法,其特征在于,所述验证所述当前预约信息对应的目标用户身份信息,包括步骤S31-S33:
步骤S31、从所述当前预约信息中,获取所述当前预约信息对应的目标用户身份信息;目标用户身份信息包括目标人脸图像和用户输入的目标账号密码信息;
步骤S32、按照预设网格大小对所述目标人脸图像和预设人脸图像进行网格划分,获得所述目标人脸图像中包含的网格数目P1和预设人脸图像中包含的网格数目P2;
步骤S33、计算所述目标用户身份信息与预设用户身份信息的相似度simY,则有:
其中,simY表示所述目标用户身份信息与预设用户身份信息的相似度,β为中间参数;N表示所述P1、P2中的最大值;S1h表示所述目标人脸图像中第h个网格区域内特征点的像素值;S2h表示所述预设人脸图像中第h个网格区域内特征点的像素值;ηh表示S1h与S2h比对过程中的误差因子;γ1表示预设的人脸图像比较结果所占的权重系数;
M表示预设账号密码信息中字符的总数;Ga表示所述用户输入的目标账号密码信息中第a位字符与预设账号密码信息中第a位字符之间的匹配度;γ2表示预设的密码比较结果所占的权重系数;
步骤S34、判断所述相似度simY大于或者等于预设阈值时,确认所述当前预约信息对应的目标用户身份信息验证通过;判断所述相似度simY小于所述预设阈值时,对所述目标用户身份信息验证不通过。
5.如权利要求1所述的智能化的网约车信息处理方法,其特征在于,所述获取网约车信息,包括:
针对新加入的网约车,获取所述网约车对应的网约车信息;
根据所述网约车信息,提取所述网约车对应的行为特征信息,并将提取的所述行为特征信息进行数字化,得到对应的行为特征参数;
根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置。
6.如权利要求5所述的智能化的网约车信息处理方法,其特征在于,所述根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置,包括:
根据得到的所述行为特征参数,将所述行为特征参数代入所述神经网络模型,计算得到所述网约车对应的所属站场编号,以及所述网约车对应的终点站场与所述所属站场之间的距离;
根据所述网约车对应的终点站场与所述所属站场之间的距离,得到所述网约车对应的起始站场和终点站场;
根据所述起始站场和终点站场,即可得到所述网约车对应的运行线路。
7.如权利要求5所述的智能化的网约车信息处理方法,其特征在于,所述针对新加入的网约车,获取所述网约车对应的网约车信息,之前还包括步骤:
对基于用户名和密码执行登录操作的管理身份进行合法性验证,并在合法性验证通过后,根据所述用户名对应的身份信息,为所述用户名匹配对应的管理权限,使得相关管理员基于所述管理权限,执行相应的操作。
8.如权利要求5或6或7所述的智能化的网约车信息处理方法,其特征在于,所述根据得到的所述行为特征参数,利用训练完成的神经网络模型,为所述网约车进行信息配置,之前还包括步骤:
基于现有的网约车,收集现有的网约车对应的车辆行为信息与线路信息;
利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型。
9.如权利要求8所述的智能化的网约车信息处理方法,其特征在于,所述利用收集的所述车辆行为信息与线路信息,训练得到对应的所述神经网络模型,包括:
利用收集的所述车辆行为信息与线路信息,获取所述车辆行为信息与线路信息对应的已有行为特征;
对所述已有行为特征进行数字化,得到对应的已有行为参数;其中,所述已有行为参数包括:司机年龄X1、司机性别X2、司机外语能力等级X3、司机驾龄X4、司机信用等级X5、车辆车型信息X6、车辆核定座位数X7、车辆行驶总里程X8、车牌颜色X9、对应的业务代码X10、车辆所属站场Y1、车辆对应的线路小时数Y2;即针对现有的一台网约车Zi,收集得到的所述已有行为参数为:X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、Y1、Y2,则收集N个现有的网约车对应得到的已有行为参数为
基于收集的所述已有行为参数,构造一个输入数据为10维,输出数据为2维的深度神经网络,则有数学式(1):
output(X)=σ(W6*σ(W5*σ(W4*σ(W3*σ(W2*σ(W1X+b1)+b2)+b3)+b4)+b5)+b6) (1)
所述数学式(1)中,W1∈R10×10,表示W1为10×10维实矩阵;b1∈R10,表示b1为10维实向量;W2∈R10×10,表示W2为10×10维实矩阵;b2∈R10,表示b2为10维实向量;W3∈R10×10,表示W3为10×10维实矩阵;b3∈R10,表示b3为10维实向量;W4∈R10×5,表示W4为10×5维实矩阵;b4∈R5,表示b4为5维实向量;W5∈R5×5,表示W5为5×5维实矩阵;b5∈R5,表示b5为5维实向量;W6∈R5×2,表示W6为5×2维实矩阵;b6∈R2,表示b6为2维实向量;R表示实数域,σ()为激活函数,其表达式为:
定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6;
将得到的参数W1至W6以及b1至b6代入所述深度神经网络,即可得到训练好的所述神经网络模型。
10.如权利要求9所述的智能化的网约车信息处理方法,其特征在于,所述定义损失函数,并采用梯度下降算法,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6,包括:
记Yi=(Yi1,Yi2)T,其中T代表向量的转置,将构建的所述深度神经网络转换为一个回归问题;
定义损失函数,则有数学式(2):
采用梯度下降算法,对所述损失函数Loss()进行极小化,则有数学式(3)和数学式(4):
按照如下描述的数学式(5)中更新权重Wj和bj的方式,则有:
同时,采用权重衰减更新方式更新当前这一步迭代所对应的学习率η,则有数学式(6):
数学式(6)中,η0为初始学习率,ηn为第n步迭代的学习率;
当达到预设迭代终止条件Loss<10-6,或者迭代次数达到预设阈值时,停止迭代,计算得到所述深度神经网络对应的参数W1至W6以及b1至b6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010717740.2A CN112070571B (zh) | 2020-07-23 | 2020-07-23 | 智能化的网约车信息处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010717740.2A CN112070571B (zh) | 2020-07-23 | 2020-07-23 | 智能化的网约车信息处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070571A true CN112070571A (zh) | 2020-12-11 |
CN112070571B CN112070571B (zh) | 2024-03-29 |
Family
ID=73657450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010717740.2A Active CN112070571B (zh) | 2020-07-23 | 2020-07-23 | 智能化的网约车信息处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070571B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991600A (zh) * | 2021-03-26 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 车辆驶出停车场的方法、装置、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805411A (zh) * | 2018-05-18 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 网约车订单分配方法、装置、服务器、终端和可读存储介质 |
CN109886440A (zh) * | 2019-01-08 | 2019-06-14 | 平安科技(深圳)有限公司 | 网约车控制方法、装置、计算机设备及存储介质 |
CN110852191A (zh) * | 2019-10-23 | 2020-02-28 | 上海能塔智能科技有限公司 | 基于身份验证的预约取车方法及装置、存储介质、终端 |
CN111340355A (zh) * | 2020-02-24 | 2020-06-26 | 南京领行科技股份有限公司 | 行程订单的匹配方法、装置、服务器和介质 |
-
2020
- 2020-07-23 CN CN202010717740.2A patent/CN112070571B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805411A (zh) * | 2018-05-18 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 网约车订单分配方法、装置、服务器、终端和可读存储介质 |
CN109886440A (zh) * | 2019-01-08 | 2019-06-14 | 平安科技(深圳)有限公司 | 网约车控制方法、装置、计算机设备及存储介质 |
CN110852191A (zh) * | 2019-10-23 | 2020-02-28 | 上海能塔智能科技有限公司 | 基于身份验证的预约取车方法及装置、存储介质、终端 |
CN111340355A (zh) * | 2020-02-24 | 2020-06-26 | 南京领行科技股份有限公司 | 行程订单的匹配方法、装置、服务器和介质 |
Non-Patent Citations (2)
Title |
---|
蔡亮;达飞鹏;: "基于几何图像滤波的3D人脸识别算法", 东南大学学报(自然科学版), no. 05 * |
陈志轩;周大可;黄经纬;: "基于卷积神经网络的表情不变三维人脸识别", 电子测量技术, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991600A (zh) * | 2021-03-26 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 车辆驶出停车场的方法、装置、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112070571B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10593213B1 (en) | Customization of sharing of rides | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN109767298A (zh) | 乘客司机安全性匹配的方法和系统 | |
Weiss et al. | A joint RP-off-SP survey to understand the impacts of autonomous vehicle on travel mode choices in the Greater Toronto Area | |
CN112070571B (zh) | 智能化的网约车信息处理方法 | |
CN110751395A (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
CN113781454A (zh) | 一种车辆损伤检测方法、装置、设备及存储介质 | |
CN112070570B (zh) | 智能化的司机端网约车操作方法 | |
CN110225130B (zh) | 公共场合移动终端定位智能交易及社交系统及方法 | |
CN110689150A (zh) | 基于机器学习的订单预测方法、预测装置及计算机设备 | |
JP2004295521A (ja) | タクシー評価方法、タクシー評価プログラムおよびタクシー評価装置 | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
CN111835730B (zh) | 服务账号处理方法、装置、电子设备及可读存储介质 | |
CN111417088B (zh) | 一种车联网数据身份属性认证方法 | |
Habibi et al. | Hybrid approach of technical requirements prioritizing to meet the needs of road high-demand public transportation under uncertainty conditions: A case study of Arba’een trips | |
CN108734490A (zh) | 拼车折扣确定方法及装置 | |
CN114117883A (zh) | 一种基于强化学习的自适应轨道交通调度方法、系统、终端 | |
CN113447037A (zh) | 行程偏航检测方法及装置 | |
CN111341153B (zh) | 行程驾驶的预警方法、装置、服务器和介质 | |
CN111489171A (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
CN110718087A (zh) | 数据融合处理方法及装置 | |
CN112801750B (zh) | 一种订单分配方法及装置 | |
CN112687096B (zh) | 信息处理装置和信息处理方法 | |
CN113657680B (zh) | 交互式智能公交运营方法及系统 | |
CN116542438B (zh) | 一种基于无基准真相的公交乘客起止点估计修补方法 |
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 |