TWI704520B

TWI704520B - 用於識別危險駕駛行為的系統和方法

Info

Publication number: TWI704520B
Application number: TW107147565A
Authority: TW
Inventors: 陳奧; 張航; 汪恒智
Original assignee: 大陸商北京嘀嘀無限科技發展有限公司
Priority date: 2018-03-01
Filing date: 2018-12-28
Publication date: 2020-09-11
Also published as: JP6832963B2; TW201937447A; EP3560171B1; WO2019165838A1; CN110447214B; JP2020518871A; EP3560171A4; CN110447214A; AU2018286615A1; SG11201811740WA; EP3560171A1

Abstract

本申請涉及用於識別司機的危險駕駛行為的系統和方法。所述系統可以從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於駕駛資料確定目標時段；基於駕駛資料獲取目標時段內的目標資料；以及基於目標資料識別司機的危險駕駛行為的存在。

Description

用於識別危險駕駛行為的系統和方法

本申請涉及用於線上到線下服務的系統和方法，尤其涉及用於識別危險駕駛行為的系統和方法。

本申請主張2018年12月26日提交的編號為PCT/CN2018/123759的國際申請案、2018年3月1日提交的編號為201810171875.6的中國專利申請案和2018年6月25日提交的編號為201810664251.8的中國專利申請案的優先權，其內容以引用方式被包含於此。

隨著道路建設的快速發展，運輸工具的數量愈來愈多。大量運輸工具可能頻繁發生交通事故，因此安全駕駛已成為一個重大問題。司機很少意識到他們的危險駕駛行為，導致很大的交通安全危險。此外，隨著網際網路技術的發展，基於網際網路的線上到線下服務（例如，線上計程車呼叫服務）變得愈來愈流行。因此，有必要即時檢測司機的駕駛行為，以確保乘客和司機的人身安全。

在某些情況下，線上叫車平臺可以基於安裝在與線上計程車呼叫服務相關的智慧裝置（例如，行動電話）上的感測器所檢測到的駕駛資料，分析司機的駕駛行為。然而，不同行動電話的感測器或同一行動電話的不同型號的準確度和靈敏度可能完全不同，這可能導致司機的駕駛行為無法被準確識別。因此，希望提供有效且準確地識別司機的駕駛行為的系統和方法。

本申請的一個態樣涉及一種用於識別駕駛行為的方法。該方法包括獲取第一運動資料；確定前置規則，其中，所述前置規則包括波動方差臨界值；基於所述前置規則，確定時間段；獲取所述時間段內的第二運動資料；以及基於所述第二運動資料，識別駕駛行為。

在一些實施例中，獲取所述第二運動資料可以包括當所述第一運動資料觸發前置規則准入條件時，獲取特徵資料；基於所述特徵資料，對所述第一運動資料執行過濾操作；以及當所述第一運動資料觸發前置規則准出條件時，停止對所述第一運動資料執行過濾操作。

在一些實施例中，對所述第一運動資料執行過濾操作可以包括基於機器學習模型及所述特徵資料，過濾所述第一運動資料中不需要的資訊。

在一些實施例中，所述機器學習模型可以包括搖晃二分類模型（shaking binary model）。

在一些實施例中，所述特徵資料可以包括加速度最大值、加速度最小值、加速度均值、加速度轉換角度最大值、加速度轉換角度最小值、加速度轉換角度均值及/或沿三維座標系統每個方向上的加速度最大值、沿三維座標系統每個方向上的加速度最小值、沿三維座標系統每個方向上的加速度均值。

在一些實施例中，可以採用感測器獲取第一運動資料，所述感測器包括陀螺儀、加速度感測器、全球定位系統（GPS）定位感測器及/或者重力感測器。

在一些實施例中，所述方法可以進一步包括基於所述第一運動資料判斷裝置是否正隨著運輸工具移動。

在一些實施例中，所述第一運動資料可以包括線性加速度、角加速度及/或者姿態資訊，所述姿態資訊包括角色資訊、角度資訊、偏航資訊及/或者俯仰資訊。

在一些實施例中，獲取所述第二運動資料可以由處理器執行。所述感測器可以基於第一預設時間間隔產生第一運動資料，所述處理器可以基於第二預設時間間隔獲取第一運動資料。

在一些實施例中，所述處理器可以根據固定的取樣頻率或者變化的取樣頻率，發送所述時間段內的第二運動資料以及所述時間段至伺服器。

本申請的另一個態樣涉及一種用於識別駕駛行為的系統。所述系統包括獲取模組、前置規則確定模組、時間確定模組、資料處理模組、通訊模組和識別模組。所述獲取模組可以被配置為獲取第一運動資料。所述前置規則確定模組可以被配置為確定前置規則，其中，所述前置規則包括波動方差臨界值。所述時間確定模組可以被配置為基於所述第一運動資料，確定時間段。所述資料處理模組可以被配置為獲取所述第二運動資料。所述通訊模組可以被配置為傳輸所述第二運動資料和所述時間段。所述識別模組可以被配置為基於所述第二運動資料識別危險駕駛行為。

本申請的另一個態樣涉及一種用於識別駕駛行為的裝置。所述裝置可以包括處理器，所述處理器執行識別程式。當所述識別程式被所述處理器執行時，所述處理器執行所述用於識別駕駛行為的方法。

本申請的另一個態樣涉及一種電腦可讀取儲存媒體，所述電腦可讀取儲存媒體儲存電腦指令。當所述電腦指令被電腦執行時，所述電腦執行所述用於識別駕駛行為的方法。

本申請的另一個態樣涉及一種用於檢測駕駛行為的方法。所述方法由行動終端執行。所述方法可以包括藉由所述行動終端上的加速度感測器獲取加速度資料，其中，所述加速度資料包括x軸、y軸和z軸分別對應的加速度資料a_x 、a_y 和a_z ；根據a_x 、a_y 和a_z 的值來確定可能存在危險駕駛行為的資料區間；提取所述資料區間內的加速度資料；對提取的所述加速度資料進行座標轉換，得到目標資料，其中，所述目標資料對應的x軸和y軸所組成的平面為水平面，所述目標資料對應的z軸方向與重力方向相同；按照預設的特徵參數，對所述目標資料進行特徵提取，其中，所述特徵參數包括以下至少一者：時域特徵、頻域特徵及/或速度特徵；以及根據提取到的特徵確定是否存在危險駕駛行為。

在一些實施例中，藉由所述行動終端上的所述加速度感測器獲取加速度資料可以包括當所述行動終端啟動駕駛行為檢測功能時，藉由所述行動終端上的所述加速度感測器獲取所述加速度資料。

在一些實施例中，所述方法還可以包括當所述行動終端啟動導航功能及/或藉由線上叫車平臺接受服務請求時，啟動所述駕駛行為檢測功能。

在一些實施例中，根據a_x 、a_y 和a_z 的值來確定可能存在危險駕駛行為的資料區間可以包括根據a_x 、a_y 和a_z 確定總加速度；確定所述總加速度大於預設臨界值的連續個數；以及回應於確定所述連續個數大於預設個數，將連續的所述總加速度所對應的加速度資料區間確定為可能存在危險駕駛行為的資料區間。

在一些實施例中，根據a_x 、a_y 和a_z 確定所述總加速度包括：根據

，確定總加速度，或者，根據

，確定總加速度。

在一些實施例中，對提取的所述加速度資料進行座標轉換可以包括對提取的所述加速度資料進行高通濾波，提取出低頻的加速度資料；將所述低頻的加速度資料的方向作為重力方向；根據所述重力方向與a_z 方向間的角度來建構旋轉矩陣；以及藉由將提取的所述加速度資料乘以所述旋轉矩陣，對所述加速度資料進行座標轉換。

在一些實施例中，將提取的所述加速度資料乘以所述旋轉矩陣之後，所述方法還可以包括在所述座標轉換之後，藉由奇異值分解法，將座標轉換後的a_x 或a_y 的方向調整至當前駕駛方向。

在一些實施例中，按照預設的特徵參數對所述目標資料進行特徵提取可以包括如果所述特徵參數包括時域特徵，確定沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度及/或沿每個座標軸的加速度方差；如果所述特徵參數包括頻域特徵，基於短時傅立葉轉換，將所述目標資料轉換為頻域資料，確定所述頻域資料對應的頻域特徵；以及如果所述特徵參數包括速度特徵，沿每個座標軸方向對所述目標資料進行積分，根據積分結果，確定沿每個座標軸的速度最大值、沿每個座標軸的速度最小值、沿每個座標軸的速度終值及/或沿每個座標軸的速度中值。

在一些實施例中，確定所述頻域資料對應的頻域特徵可以包括確定所述頻域資料對應的高頻能量值、低頻能量值及/或低頻持續時間。

在一些實施例中，根據提取到的特徵確定是否存在危險駕駛行為可以包括將提取到的特徵輸入至所述行動終端上的決策樹模型；以及輸出包含是否存在危險駕駛行為的決策結果，其中，所述決策樹模型是預先根據所述危險駕駛行為對應的特徵參數訓練得到的。

在一些實施例中，所述方法還可以包括回應於確定危險駕駛行為可能存在，儲存所述危險駕駛行為對應的加速度資料。

在一些實施例中，所述方法還可以包括按照預設的週期，向指定伺服器發送儲存的所述加速度資料；或者回應於儲存的所述加速度資料達到設定量，向指定伺服器發送儲存的所述加速度資料。

本申請的另一態樣涉及一種用於檢測駕駛行為的裝置，所述裝置可以由行動終端執行。所述裝置包括獲取模組、第一確定模組、資料提取模組、座標轉換模組、特徵提取模組和第二確定模組。獲取模組可以被配置為藉由所述行動終端上的加速度感測器獲取加速度資料，其中，所述加速度資料包括x軸、y軸和z軸分別對應的加速度資料a_x 、a_y 和a_z 。第一確定模組可以被配置為根據a_x 、a_y 和a_z 的值來確定可能存在危險駕駛行為的資料區間。資料提取模組可以被配置為提取所述資料區間內的所述加速度資料。座標轉換模組可以被配置為對提取的所述加速度資料進行座標轉換，得到目標資料，其中，所述目標資料對應的x軸和y軸所組成的平面為水平面，所述目標資料對應的z軸方向與重力方向相同。特徵提取模組可以被配置為按照預設的特徵參數對所述目標資料進行特徵提取，其中，所述特徵參數包括以下至少一者：時域特徵、頻域特徵及/或速度特徵。第二確定模組可以被配置為根據提取到的特徵確定是否存在危險駕駛行為。

在一些實施例中，所述獲取模組可以被配置為當所述行動終端啟動駕駛行為檢測功能時，藉由所述行動終端上的所述加速度感測器獲取所述加速度資料。

在一些實施例中，所述裝置還可以包括啟動模組。所述啟動模組可以被配置為在所述行動終端啟動導航功能及/或藉由線上叫車平臺接受服務請求的情況下，啟動所述駕駛行為檢測功能。

在一些實施例中，所述第一確定模組包括計算單元、統計單元和確定單元。計算單元可以被配置為根據a_x 、a_y 和a_z 確定總加速度。統計單元可以被配置為確定所述總加速度大於預設臨界值的連續個數。確定單元可以被配置為回應於所述連續個數大於預設個數，將連續的所述總加速度所對應的加速度資料區間確定為可能存在危險駕駛行為的資料區間。

在一些實施例中，所述計算單元可以被配置為根據

，確定總加速度，或者，根據

，確定總加速度。

在一些實施例中，所述座標轉換模組可以被配置為對提取的所述加速度資料進行高通濾波，提取出低頻的加速度資料；將所述低頻的加速度資料的方向作為重力方向；根據所述重力方向與a_z 方向間的角度來建構旋轉矩陣；以及藉由將提取的所述加速度資料乘以所述旋轉矩陣，對所述加速度資料進行座標轉換。

在一些實施例中，所述裝置還可以包括調整模組。所述調整模組可以被配置為在所述座標轉換之後，藉由奇異值分解法，將座標轉換後的a_x 或a_y 的方向調整至當前駕駛方向。

在一些實施例中，所述特徵提取模組可以被配置為：如果所述特徵參數包括時域特徵，確定沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度及/或沿每個座標軸的加速度方差；如果所述特徵參數包括頻域特徵，基於短時傅立葉轉換將所述目標資料轉換為頻域資料，確定所述頻域資料對應的頻域特徵；以及如果所述特徵參數包括速度特徵，沿每個座標軸方向對所述目標資料進行積分，根據積分結果確定沿每個座標軸的速度最大值、沿每個座標軸的速度最小值、沿每個座標軸的速度終值及/或沿每個座標軸的速度中值。

在一些實施例中，所述特徵提取模組還可以被配置為確定所述頻域資料對應的高頻能量值、低頻能量值及/低頻持續時間。

在一些實施例中，所述第二確定模組可以被配置為：將提取到的特徵輸入至所述行動終端上的決策樹模型；以及輸出包含是否存在危險駕駛行為的決策結果，其中，所述決策樹模型是預先根據所述危險駕駛行為對應的特徵參數訓練得到的。

在一些實施例中，所述裝置還可以包括儲存模組，被配置為回應於確定可能存在危險駕駛行為，儲存所述危險駕駛行為對應的加速度資料。

在一些實施例中，所述裝置還可以包括第一發送模組或第二發送模組。所述第一發送模組可以被配置為按照預設的週期，向指定伺服器發送儲存的所述加速度資料。所述第二發送模組可以被配置為回應於確定儲存的所述加速度資料達到預設的量，向指定伺服器發送儲存的所述加速度資料。

本申請的另一態樣涉及一種計算裝置。所述計算裝置可以包括處理器、儲存裝置和匯流排。所述儲存裝置可以儲存所述處理器可執行的機器可讀取指令，當網路裝置執行時，所述處理器可以藉由匯流排與所述儲存裝置通訊。當所述機器可讀取指令被所述處理器執行時，所述處理器執行上述方法。

本申請的另一態樣涉及一種電腦可讀取媒體。所述電腦可讀取媒體儲存電腦程式。當所述電腦程式被處理器執行時，所述處理器執行上述方法。

本申請的另一態樣涉及一種系統。所述系統可以包括用於儲存一組指令的儲存媒體和與所述儲存媒體通訊地耦合的處理器。所述處理器可以執行該組指令以從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料，確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在。

在一些實施例中，所述駕駛資料可以包括加速度資訊、速度資訊、位置資訊、時間資訊及/或姿態資訊中的至少一個。

在一些實施例中，所述系統還可以包括陀螺儀、加速度感測器、全球定位系統（GPS）感測器及/或重力感測器中的至少一個，其中所述處理器使用所述陀螺儀、所述加速度感測器、所述全球定位系統（GPS）感測器及/或所述重力感測器中的至少一個，以獲取所述駕駛資料。

在一些實施例中，所述處理器可以確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段為目標時段。

在一些實施例中，所述處理器可以確定與所述目標時段內的所述駕駛資料相關的特徵資料；以及基於所述特徵資料和機器學習模型，藉由從所述駕駛資料中濾除無關的資料，確定所述目標時段內的所述目標資料。

在一些實施例中，所述處理器可以識別一時段，在所述時段內，對應於複數個時間點的複數個總加速度中的每一個總加速度大於加速度臨界值；以及回應於確定所述複數個總加速度的個數大於計數臨界值，確定所述時段為所述目標時段。

在一些實施例中，所述處理器可以從所述駕駛資料獲取所述目標時段內的加速度資料；對所述加速度資料執行座標轉換；以及基於轉換的加速度資料，獲取所述目標時段內的所述目標資料。

在一些實施例中，所述處理器可以藉由對所述目標時段內的所述加速度資料進行高通濾波，提取低頻加速度資料；指定所述低頻加速度資料的方向作為重力方向；基於所述重力方向和z軸加速度方向之間的角度確定旋轉矩陣；以及基於所述旋轉矩陣對所述加速度資料執行所述座標轉換。

在一些實施例中，所述處理器可以在所述座標轉換之後，基於奇異值分解法（Singular Value Decomposition，SVD），將x軸加速度或y軸加速度的方向調整為與所述司機相關的運輸工具的行駛方向。

在一些實施例中，所述處理器可以提取與所述目標資料相關的一個或多個特徵參數；以及基於所述一個或多個特徵參數，識別所述危險駕駛行為的存在。所述一個或多個特徵參數可以包括時域特徵、頻域特徵及/或速度特徵中的至少一個。

在一些實施例中，所述處理器可以提取所述時域特徵，所述時域特徵包括沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度及/或沿每個座標軸的加速度方差。

在一些實施例中，所述處理器可以藉由對所述目標資料進行傅立葉轉換，確定所述目標資料對應的頻域特徵資料；以及提取所述頻域特徵，所述頻域特徵包括高頻能量值、低頻能量值及/或低頻持續時間中的至少一個。

在一些實施例中，所述處理器可以藉由對所述目標資料執行積分來提取所述速度特徵，所述速度特徵包括沿每個座標軸的速度最大值、沿每個座標軸的速度最小值及/或沿每個座標軸的速度中值。

在一些實施例中，所述處理器可以使用訓練後的識別模型，根據所述一個或多個特徵參數，識別所述危險駕駛行為的存在。

在一些實施例中，所述處理器可以根據預設頻率，獲取與由所述司機所駕駛的所述運輸工具相關的所述駕駛資料。

在一些實施例中，與所述運輸工具相關的所述感測器可以包括與所述運輸工具相關的終端裝置的感測器。

本申請的另一態樣涉及一種在計算裝置上實施的方法。所述計算裝置可以包括至少一個處理器、至少一個儲存媒體以及連接到網路的通訊平臺。所述方法可以包括從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在。

在一些實施例中，所述方法還可以包括使用陀螺儀、加速度感測器、全球定位系統（GPS）感測器及/或重力感測器中的至少一個獲取所述駕駛資料。

在一些實施例中，基於所述駕駛資料確定所述目標時段可以包括確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段為所述目標時段。

在一些實施例中，基於所述駕駛資料，獲取所述目標時段內的所述目標資料可以包括：確定與所述目標時段內的所述駕駛資料相關的特徵資料；以及基於所述特徵資料和機器學習模型，藉由從所述駕駛資料中濾除無關的資料，確定所述目標時段內的所述目標資料。

在一些實施例中，基於所述駕駛資料確定所述目標時段可以包括：識別一時段，在所述時段內，對應於複數個時間點的複數個總加速度中的每一個總加速度大於加速度臨界值；以及回應於確定所述複數個總加速度的個數大於計數臨界值，確定所述時段為所述目標時段。

在一些實施例中，基於所述駕駛資料，獲取所述目標時段內的所述目標資料可以包括從所述駕駛資料中獲取所述目標時段內的加速度資料；對所述加速度資料執行座標轉換；和基於轉換的加速度資料，獲取所述目標時段內的所述目標資料。

在一些實施例中，對所述加速度資料執行所述座標轉換可以包括藉由對所述目標時段內的所述加速度資料進行高通濾波，提取低頻加速度資料；指定所述低頻加速度資料的方向作為重力方向；基於所述重力方向和z軸加速度方向之間的角度確定旋轉矩陣；以及基於所述旋轉矩陣對所述加速度資料執行所述座標轉換。

在一些實施例中，所述方法還可以包括在所述座標轉換之後，基於奇異值分解法（SVD），將x軸加速度或y軸加速度的方向調整為與所述司機相關的運輸工具的行駛方向。

在一些實施例中，基於所述目標資料，識別所述司機的危險駕駛行為的存在包括提取與所述目標資料相關的一個或多個特徵參數；以及根據所述一個或多個特徵參數，識別所述危險駕駛行為的存在。所述一個或多個特徵參數包括時域特徵、頻域特徵及/或速度特徵中的至少一個。

在一些實施例中，提取與所述目標資料相關的一個或多個特徵參數可以包括提取所述時域特徵，所述時域特徵包括沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度及/或沿每個座標軸的加速度方差。

在一些實施例中，提取與所述目標資料相關的一個或多個特徵參數可以包括藉由對所述目標資料進行傅立葉轉換，確定所述目標資料對應的頻域特徵資料；以及提取所述頻域特徵，所述頻域特徵包括高頻能量值、低頻能量值及/或低頻持續時間中的至少一個。

在一些實施例中，提取與所述目標資料相關的一個或多個特徵參數可以包括藉由對所述目標資料執行積分來提取所述速度特徵，所述速度特徵包括沿每個座標軸的速度最大值、沿每個座標軸的速度最小值及/或沿每個座標軸的速度中值。

在一些實施例中，根據所述一個或多個特徵參數，識別所述危險駕駛行為的存在可以包括使用訓練後的識別模型，根據所述一個或多個特徵參數，識別所述危險駕駛行為的存在。

在一些實施例中，所述方法還可以包括根據預設頻率獲取與所述司機所駕駛的所述運輸工具相關的所述駕駛資料。

在一些實施例中，與所述運輸工具相關的所述感測器包括與所述運輸工具相關的終端裝置的感測器。

本申請的另一態樣涉及一種系統，包括：獲取模組、目標時段確定模組、目標資料確定模組和識別模組。獲取模組可以被配置為從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料。目標時段確定模組可以被配置為基於所述駕駛資料確定目標時段。目標資料確定模組可以被配置為基於所述駕駛資料，獲取所述目標時段內的目標資料。識別模組可以被配置為基於所述目標資料，識別所述司機的危險駕駛行為的存在。

在一些實施例中，所述系統還包括陀螺儀、加速度感測器、全球定位系統（GPS）感測器及/或重力感測器中的至少一個，其中所述獲取模組可以使用所述陀螺儀、所述加速度感測器、所述全球定位系統（GPS）感測器及/或所述重力感測器中的至少一個，獲取所述駕駛資料。

在一些實施例中，所述目標時段確定模組可以被配置為確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段所為述目標時段。

在一些實施例中，所述目標資料確定模組可以被配置為確定與所述目標時段內的所述駕駛資料相關的特徵資料；以及基於所述特徵資料和機器學習模型，藉由從所述駕駛資料中濾除無關的資料，確定所述目標時段內的所述目標資料。

在一些實施例中，所述目標時段確定模組可以被配置為識別一時段，在所述時段內，對應於複數個時間點的複數個總加速度中的每一個總加速度大於加速度臨界值；以及回應於確定所述複數個總加速度的個數大於計數臨界值，確定所述時段為所述目標時段。

在一些實施例中，所述目標資料確定模組可以被配置為從所述駕駛資料獲取所述目標時段內的加速度資料；在所述加速度資料上執行座標轉換；以及基於轉換的加速度資料，獲取所述目標時段內的所述目標資料。

在一些實施例中，所述目標資料確定模組可以被配置為藉由對所述目標時段內的所述加速度資料進行高通濾波，提取低頻加速度資料；指定所述低頻加速度資料的方向作為重力方向；基於所述重力方向和z軸加速度方向之間的角度確定旋轉矩陣；以及基於所述旋轉矩陣對所述加速度資料執行所述座標轉換。

在一些實施例中，所述目標資料確定模組可以進一步被配置為在所述座標轉換之後，基於奇異值分解法（SVD），將x軸加速度或y軸加速度的方向調整為與所述司機相關的運輸工具的行駛方向。

在一些實施例中，所述識別模組可以被配置為提取與所述目標資料相關的一個或多個特徵參數；以及基於所述一個或多個特徵參數，識別所述危險駕駛行為的存在。所述一個或多個特徵參數包括時域特徵、頻域特徵及/或速度特徵中的至少一個。

在一些實施例中，所述識別模組可以被配置為提取所述時域特徵，所述時域特徵包括沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度及/或沿每個座標軸的加速度方差。

在一些實施例中，識別模組可以被配置為藉由對所述目標資料進行傅立葉轉換，確定所述目標資料對應的頻域特徵資料；以及提取所述頻域特徵，所述頻域特徵包括高頻能量值、低頻能量值及/或低頻持續時間中的至少一個。

在一些實施例中，所述識別模組可以被配置為藉由對所述目標資料執行積分來提取所述速度特徵，所述速度特徵包括沿每個座標軸的速度最大值、沿每個座標軸的速度最小值及/或沿每個座標軸的速度中值。

在一些實施例中，所述識別模組可以被配置為使用訓練後的識別模型，根據所述一個或多個特徵參數，識別所述危險駕駛行為的存在。

在一些實施例中，所述獲取模組可以被配置為根據預設頻率獲取與所述司機所駕駛的運輸工具相關的所述駕駛資料。

本申請的另一個態樣涉及一種非暫時性電腦可讀取媒體。所述非暫時性電腦可讀取媒體包括可執行指令。當所述可執行指令由至少一個處理器執行時，所述可執行指令可以指示所述至少一個處理器執行一方法。所述方法可以包括從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料，確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在。

一部分的附加特徵將在如下描述中詳細解釋，基於對如下內容和圖式的檢閱或藉由實現或操作實施例的學習，一部分的附加特徵對本領域具有通常知識者來說是顯而易見的。本申請的特徵可以藉由對以下描述的具體實施例的各種態樣的方法、手段和組合的實踐或使用得以實現和達到。

以下描述是為了使本領域具有通常知識者能夠實施和利用本申請，並在特定應用及其要求的上下文中提供。對於本領域具有通常知識者來講，對本申請揭露的實施例進行的各種修改是顯而易見的，並且本文中定義的通則在不背離本申請的精神及範圍的情況下，可以適用於其他實施例及應用。因此，本申請不限於所示的實施例，而是符合與申請專利範圍一致的最廣泛範圍。

本文中所使用的術語僅用於描述特定示例性實施例，並不限制本申請的範圍。如本文和申請專利範圍中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/或「該」或類似物詞並非特指單數，也可以包括複數。應該被理解的是，本申請中所使用的術語「包括」與「包含」僅提示已明確標識的特徵、整數、步驟、操作、元素及/或元件，而不排除可以存在和添加其他一個或多個特徵、整數、步驟、操作、元素、元件及/或其組合。

根據以下對圖式的描述，本申請所述的和其他的特徵、操作方法、相關元件的功能和經濟的結構更加顯而易見，這些都構成說明書的一部分。然而，應當理解，圖式僅僅是為了說明和描述的目的，並不旨在限制本申請的範圍。應當理解的是圖式並不是按比例的。

本申請中使用了流程圖用於說明根據本申請的實施例的系統所執行的操作。應當明確理解，流程圖中的操作可以不按順序實施。相反，可以按照倒序或同時處理各種步驟。而且，可以將一個或多個其他操作添加到流程圖中。一個或多個操作也可以從流程圖中刪除。

此外，雖然本申請的系統和方法的描述主要關於識別與隨選運輸服務相關的危險駕駛行為，應該理解的是，這只是一個示例性的實施例。本申請的系統和方法還可應用於其他類型的隨選服務。例如，本申請的系統和方法還可應用於不同環境的運輸系統，包括陸地、海洋、航太或類似物或其任意組合。運輸系統的交通工具可包括計程車、私家車、搭便車、公車、列車、子彈列車、高速鐵路、地鐵、船隻、飛機、太空船、熱氣球、無人駕駛運輸工具或類似物或其任意組合。運輸系統還可以包括用於經營及/或分配的任何運輸系統，例如用於傳輸及/或接收快遞的系統。本申請的系統和方法的應用場景可以包括網頁、瀏覽器外掛程式、用戶端、客製系統、企業內部分析系統、人工智慧機器人或類似物或其任意組合。

在本申請中，術語「乘客」、「請求方」、「請求者」、「服務請求方」、「服務請求者」和「客戶」可以交換使用，其表示可以請求或訂購服務的個體、實體或工具。在本申請中，術語「司機」、「提供方」、「服務提供方」，以及「供應者」也可以交換使用，其表示可以提供服務或促進該服務提供的個體、實體或工具。本申請中的術語「使用者」指的是可以請求服務、訂購服務、提供服務或促進提供服務的個人、實體或工具。在本申請中，術語「請求方」和「請求方終端」可以互換使用，術語「提供方」和「提供方終端」可以互換使用。

在本申請中，術語「服務請求」和「訂單」可以交換使用，其表示由乘客、請求方、服務請求方、客戶、司機、提供方、服務提供方或類似物或上述舉例的任意組合所發起的請求。服務請求可以被乘客、服務請求方、客戶、司機、提供方、服務提供方中的任何一個接受。服務請求可以是收費的或免費的。

本申請中使用的定位技術可以包括全球定位系統（Global Positioning System，GPS）、全球衛星導航系統（Global Navigation Satellite System，GLONASS）、北斗導航系統（Compass Navigation System，COMPASS）、伽利略定位系統、準天頂衛星系統（Quasi-Zenith Satellite System，QZSS）、無線保真（Wireless Fidelity，WiFi）定位技術或類似物或其任意組合。上述定位技術中的一種或以上可以在本申請中互換使用。

本申請的一個態樣涉及用於識別司機的危險駕駛行為的系統和方法。系統可以從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料。感測器可以是安裝在與運輸工具相關的行動裝置上的感測器。系統可以基於駕駛資料確定目標時段。系統還可以基於駕駛資料獲取目標時段內的目標資料。系統可以進一步基於目標資料識別司機的危險駕駛行為的存在。根據本申請的系統和方法，可以從安裝在行動裝置上的感測器獲取駕駛資料，因此可以及時有效地檢測到司機的危險駕駛行為，從而確保乘客和司機的個人安全。此外，可以基於與危險駕駛行為相關的相關資料來調整用於分配服務請求的分配策略，從而最佳化線上叫車平臺。

此外，為了獲取目標時段內的目標資料，系統可以基於機器學習模型，從駕駛資料中過濾出無關的資料（例如，由搖動行動裝置產生的資料），這可以改善識別危險駕駛行為的準確性。

應該指出的是，線上隨選服務，例如線上計程車服務，是一種僅在後網際網路時代紮根的新形式的服務。它為使用者和服務提供方提供了僅在後網際網路時代才可能實現的技術方案。在網際網路時代之前，當乘客在街道上呼叫計程車時，計程車請求和接受僅在該乘客和看到該乘客的計程車司機之間發生。如果乘客藉由電話呼叫計程車，服務的請求和接受只發生在該乘客和一個服務提供方（例如，計程車公司或者代理商）之間。然而，線上計程車允許服務的使用者即時地並且自動地將服務請求分發給遠離使用者的大量個人服務提供方（例如，計程車）。它還允許複數個服務提供方同時並即時回應服務請求。因此，藉由網際網路，隨選服務系統可以為使用者和服務提供方提供更有效的交易平臺，這在傳統的前網際網路隨選服務系統中可能永遠不會實現。

圖1係根據本申請的一些實施例所示的示例性隨選服務系統的示意圖。在一些實施例中，隨選服務系統100可以是用於線上到線下服務的系統。例如，隨選服務系統100可以是用於運輸服務的線上運輸服務平臺，例如計程車、司機服務、運送運輸工具、共乘、公車服務、司機租用、接駁服務等。隨選服務系統100可以是包括伺服器110、網路120、請求方終端130、提供方終端140和儲存器150的平臺。

在一些實施例中，伺服器110可以是單一伺服器或伺服器組。伺服器組可以是集中式的或分散式的（例如，伺服器110可以是分散式的系統）。在一些實施例中，伺服器110可以是區域的或遠端的。例如，伺服器110可以藉由網路120存取儲存在請求方終端130、提供方終端140及/或儲存器150中的資訊及/或資料。再例如，伺服器110可以直接連接到請求方終端130、提供方終端140及/或儲存器150以存取儲存的資訊及/或資料。在一些實施例中，伺服器110可以在雲端平臺上實現。僅僅作為示例，雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分佈雲、內部雲、多層雲或類似物或上述舉例的任意組合。在一些實施例中，伺服器110可以在計算裝置200上實現，該計算裝置200包括本申請中的圖2中所示的一個或多個元件。

在一些實施例中，伺服器110可以包括處理引擎112。處理引擎112可以處理與服務請求有關的資訊及/或資料，以執行本申請中描述的伺服器110的一個或多個功能。例如，處理引擎112可以獲取與司機所駕駛的運輸工具相關的駕駛資料，並基於駕駛資料識別司機的危險駕駛行為的存在。在一些實施例中，處理引擎112可包括一個或多個處理引擎（例如，單核心處理引擎或多核心處理器）。僅作為示例，處理引擎112可以包括一個或多個硬體處理器，例如中央處理單元（CPU）、特定應用積體電路（ASIC）、特定應用指令集處理器（ASIP）、圖形處理單元（GPU）、物理運算處理單元（PPU）、數位訊號處理器（DSP）、現場可程式閘陣列（FPGA）、可程式邏輯裝置（PLD）、控制器、微控制器單元、精簡指令集電腦（RISC）、微處理器或類似物或其任意組合。在一些實施例中，處理引擎112可以整合在請求方終端130或提供方終端140中。

網路120可以促進資訊及/或資料的交換。在一些實施例中，隨選服務系統100的一個或多個元件（例如，伺服器110、請求方終端130、提供方終端140、儲存器150）可以藉由網路120向隨選服務系統100的其他元件發送資訊及/或資料。例如，伺服器110可以藉由網路120從提供方終端140接收駕駛資料。在一些實施例中，網路120可以為任意形式的有線或無線網路，或其任意組合。僅作為範例，網路120可以是纜線網路、有線網路、光纖網路、電信網路、內部網路、網際網路、區域網路（LAN）、廣域網路（WAN）、無線區域網路（WLAN）、都會網路（MAN）、公用交換電話網路（PSTN）、藍牙網路、ZigBee網路、近場通訊（NFC）網路或類似物或其任意組合。在一些實施例中，網路120可以包括一個或多個網路存取點。例如，網路120可以包括有線或無線網路存取點，如基地台及/或網際網路存取點120-1、120-2、…，藉由基地台，隨選服務系統100的一個及以上元件可以連接至網路120以交換資訊及/或資料。

在一些實施例中，乘客可以是請求方終端130的使用者。在一些實施例中，請求方終端130的所有者可以是乘客以外的其他人。例如，請求方終端130的所有者A可以使用請求方終端130為乘客B發送服務請求或從伺服器110接收服務及/或資訊或指示。在一些實施例中，服務提供方可以是提供方終端140的使用者。在一些實施例中，提供方終端140的使用者可以是服務提供方外的其他人。例如，提供方終端140的使用者C可以使用提供方終端140為使用者D接收服務請求及/或從伺服器110接收資訊或指示。在一些實施例中，「服務請求方」和「請求方終端」可以交換使用，「服務提供方」和「提供方終端」可以交換使用。

在一些實施例中，請求方終端130可以包括行動裝置130-1、平板電腦130-2、膝上型電腦130-3、運輸工具內建裝置130-4或類似物或上述舉例的任意組合。在一些實施例中，行動裝置130-1可以包括智慧家居裝置、可穿戴裝置、智慧行動裝置、虛擬實境裝置、擴增實境裝置或類似物或其任意組合。在一些實施例中，智慧家居裝置可以包括智慧照明裝置、智慧電器的控制裝置、智慧監控裝置、智慧電視、智慧視訊攝影機、對講機或類似物或其任意組合。在一些實施例中，可穿戴裝置可以包括智慧手環、智慧鞋襪、智慧眼鏡、智慧頭盔、智慧手錶、智慧衣物、智慧背包、智慧配飾或類似物或上述舉例的任意組合。在一些實施例中，智慧行動裝置可以包括智慧行動電話、個人數位助理（PDA）、遊戲裝置、導航裝置、銷售點（POS）裝置或類似物或其任意組合。在一些實施例中，虛擬實境裝置及/或擴增實境裝置可以包括虛擬實境頭盔、虛擬實境眼鏡、虛擬實境眼罩、擴增實境裝置頭盔、擴增實境裝置眼鏡、擴增實境裝置眼罩或類似物或其任意組合。例如，虛擬實境裝置及/或擴增實境裝置可以包括Google Glass^TM 、RiftCon^TM 、Fragments^TM 、Gear VR^TM 或類似物。在一些實施例中，運輸工具內建裝置130-4可以包括機載電腦、機載電視或類似物。在一些實施例中，請求方終端130可以是具有用於定位請求方及/或請求方終端130的位置的定位技術的裝置。

在一些實施例中，提供方終端140可以是與服務請求方終端130類似或者相同的裝置。在一些實施例中，提供方終端140可以包括一個或多個感測器。一個或多個感測器可以包括陀螺儀、加速度感測器、全球定位系統（GPS）、重力感測器、光感測器、溫度感測器、指紋感測器、心率感測器、近接感測器、聲學檢測器或類似物或其任意組合。在一些實施例中，提供方終端140可以是帶有定位技術的裝置，用於定位提供方及/或提供方終端140的位置。在一些實施例中，提供方終端140可以週期性地將GPS資料發送到伺服器110。在一些實施例中，請求方終端130及/或提供方終端140可以與另一個定位裝置通訊以確定請求方、請求方終端130、提供方及/或提供方終端140的位置。在一些實施例中，請求方終端130及/或提供方終端140可以將定位資訊發送到伺服器110。

儲存器150可以儲存資料及/或指令。在一些實施例中，儲存器150可以儲存從請求方終端130及/或提供方終端140獲取的資料。在一些實施例中，儲存器150可以儲存伺服器110用來執行或使用以完成本申請中描述的示例性方法的資料及/或指令。在一些實施例中，儲存器150可包括大容量儲存器、可移除式儲存器、揮發性讀寫記憶體、唯讀記憶體（ROM）或類似物或其任意組合。示例性大容量儲存器可包括磁碟、光碟、軟碟、固態硬碟等。示例性的可移除式儲存器可包括快閃驅動器、軟碟、光碟、記憶卡、壓縮磁碟、磁帶等。示例性揮發性讀寫記憶體可以包括隨機存取記憶體（RAM）。示例性的隨機存取記憶體可以包括動態隨機存取記憶體（DRAM）、雙資料率同步動態隨機存取記憶體（DDRSDRAM）、靜態隨機存取記憶體（SRAM）、閘流體隨機存取記憶體（T-RAM）和零電容儲存器（Z-RAM）等。示例性的唯讀記憶體可以包括遮罩唯讀記憶體（MROM）、可程式唯讀記憶體（PROM）、可清除可程式唯讀記憶體（EPROM）、電子可清除可程式唯讀記憶體（EEPROM）、光碟唯讀記憶體（CD-ROM）和數位多功能影音光碟（digital versatile disk）唯讀記憶體等。在一些實施例中，儲存器150可以在雲端平臺上實現。僅僅作為示例，雲端平臺可以包括私有雲、公共雲、混合雲、社區雲、分佈雲、內部雲、多層雲或類似物或其任意組合。

在一些實施例中，儲存器150可以與網路120連接以與隨選服務系統100的一個或多個元件（例如，伺服器110、請求方終端130、提供方終端140等）通訊。隨選服務系統100的一個或多個元件可以藉由網路120存取儲存在儲存器150中的資料或指令。在一些實施例中，儲存器150可以直接與隨選服務系統100的一個或多個元件（例如，伺服器110、請求方終端130、提供方終端140等）連接或通訊。在一些實施例中，儲存器150可以是伺服器110的一部分。

在一些實施例中，隨選服務系統100的一個或多個元件（例如，伺服器110、請求方終端130、提供方終端140）可以存取儲存器150。在一些實施例中，當滿足一個或多個條件時，隨選服務系統100的一個或多個元件可以讀取及/或修改與請求方、提供方及/或公眾有關的資訊。例如，一個服務完成後，伺服器110可以讀取及/或修改一個或多個使用者的資訊。又例如，當提供方終端140從請求方終端130接收到服務請求時，提供方終端140可以存取與請求方相關的資訊，但是不能修改請求方的相關資訊。

在一些實施例中，隨選服務系統100的一個或多個元件的資訊交換可以藉由請求服務的方式實現。服務請求的物件可以為任何產品。在一些實施例中，產品可以是有形產品或無形產品。有形產品可以包括食品、醫藥、商品、化學產品、電器、衣物、小汽車、房屋、奢侈品或類似物或其任意組合。無形產品可以包括服務產品、金融產品、知識產品、網際網路產品或類似物或其任意組合。網際網路產品可以包括個人主機產品、網站產品、行動網際網路產品、商業主機產品、嵌入式產品或類似物或其任意組合。行動網際網路產品可以用於行動終端的軟體、程式、系統或類似物或其任意組合。述行動終端可以包括平板電腦、膝上型電腦、行動電話、個人數位助理（PDA）、智慧手錶、銷售點裝置（POS）、機載電腦、機載電視、可穿戴裝置或類似物或其任意組合。例如，產品可以是在電腦或移動行動電話上使用的任意軟體及/或應用程式。軟體及/或應用程式可涉及社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合。在一些實施例中，與運輸相關的軟體及/或應用程式可以包括旅行軟體及/或應用程式、運輸工具調度軟體及/或應用程式、地圖軟體及/或應用程式等。在運輸工具調度軟體及/或應用程式中，運輸工具可以包括馬、馬車、人力車（例如獨輪手推車、自行車、三輪車等）、汽車（例如，計程車、公車、私家車等）、列車、地鐵、船舶、飛行器（例如，飛機、直升機、太空梭、火箭、熱氣球等）或類似物或其任意組合。

在一些實施例中，隨選服務系統100可以被配置為識別服務提供方（例如，司機）的駕駛行為。如本文所使用的，司機可以是私人汽車所有者及/或線上計程車司機，因此，提供方終端140可以是私人汽車所有者的使用者終端或線上計程車司機的使用者終端。此外，司機用戶端（也稱為「司機APP」），可以安裝在提供方終端140上，並且提供方終端140與由司機所駕駛的運輸工具（未示出）一起移動。

在一些實施例中，隨選服務系統100的應用場景可以是線上計程車場景或私家車場景。對於線上計程車場景，司機用戶端可以是線上計程車司機用戶端，並且伺服器110可以是對應於線上計程車司機的伺服器。對於私人汽車場景，司機用戶端可以是私家車主用戶端，並且伺服器110可以是對應於私人汽車所有者的伺服器。

在一些實施例中，對於線上計程車場景，如果司機需要駕駛行為檢測服務，他/她可以登入線上計程車司機用戶端並藉由線上計程車司機用戶端啟動駕駛行為檢測功能（也稱為「駕駛行為識別功能」）。在啟動駕駛行為檢測功能後，可以即時檢測司機的駕駛行為，以確定司機是否具有危險駕駛行為。如果確定司機有危險駕駛行為，則將提醒司機他/她目前處於危險的駕駛狀態並且必須調整駕駛行為。另外，線上計程車司機用戶端還可以將與危險駕駛行為相關的資料上傳到伺服器110以進行儲存。在從司機用戶端獲取與危險駕駛行為相關的資料之後，伺服器110可以基於與危險駕駛行為相關的資料評估司機，以確定司機的級別。同時，伺服器110還可以基於與危險駕駛行為相關的資料調整用於分配服務請求的分配策略。

在一些實施例中，對於私家車場景，如果司機需要駕駛行為檢測服務，則他/她可以登入私家車主用戶端並藉由私家車主用戶端啟動駕駛行為檢測功能。在啟動駕駛行為檢測功能後，可以即時檢測司機的駕駛行為，以確定司機是否具有危險駕駛行為。如果確定司機有危險駕駛行為，則提醒司機他/她目前處於危險的駕駛狀態並且必須調整駕駛行為。另外，私家車主用戶端還可以將與危險駕駛行為相關的資料上傳到伺服器110以進行儲存。在從司機用戶端獲取與危險駕駛行為相關的資料之後，伺服器110可以基於與危險駕駛行為相關的資料執行統計操作。例如，伺服器110可以確定每月（或每週）司機發生危險駕駛行為的次數、發生危險駕駛行為的時間、發生危險駕駛行為的路段等。在確定上述統計資料之後，伺服器110可以將統計資料推送到私家車主用戶端，以基於統計資料提醒司機調整他或她的駕駛行為。例如，如果特定路段上司機發生危險駕駛行為的次數相對較高，當司機再次通過路段時，他/她可以更加注意並調整他/她的駕駛行為，以便進一步提高司機在駕駛流程中的安全程度。

本領域具有通常知識者將理解，當隨選服務系統100的元件執行功能時，該元件可經由電信號及/或電磁信號執行功能。例如，當請求方終端130處理諸如做出確定、識別或選擇物件的任務時，請求方終端130可以在其處理器中操作邏輯電路以處理這樣的任務。當請求方終端130向伺服器110發出服務請求時，服務請求方終端130的處理器可以產生編碼服務請求的電信號。然後，請求方終端130的處理器可以將電信號發送到輸出埠。如果請求方終端130經由有線網路與伺服器110通訊，則輸出埠可以實體連接到纜線，該纜線還可以將電信號發送到伺服器110的輸入埠。如果請求方終端130經由無線網路與伺服器110通訊，則請求方終端130的輸出埠可以是一個或多個天線，其可以將電信號轉換為電磁信號。類似地，提供方終端140可以藉由其處理器中的邏輯電路的操作來處理任務，並且經由電信號或電磁信號從伺服器110接收指令及/或服務請求。在電子裝置中，如請求方終端130、提供方終端140及/或伺服器110在其處理器流程指令發出指令及/或執行動作時，指令及/或者動作藉由電信號執行。例如，當處理器從儲存媒體（例如，儲存器150）檢索或保存資料時，它可以將電信號發送到儲存媒體的讀/寫裝置，其可以在儲存媒體中讀取或寫入結構化資料。該結構化資料可以以電信號的形式經由電子裝置的匯流排傳輸至處理器。這裡，電信號是指一個電信號、一系列電信號及/或複數個離散的電信號。

圖2係根據本申請的一些實施例的示例性計算裝置的示例性硬體及軟體元件的示意圖。在一些實施例中，伺服器110、請求方終端130及/或提供方終端140可以在計算裝置200上執行。例如，處理引擎112可以在計算裝置200上實現並經配置以執行本申請所揭露的處理引擎112的功能。

計算裝置200可以用來實現本申請所描述的隨選服務系統100的任意元件。例如，處理引擎112可以在計算裝置200上藉由其硬體、軟體程式、韌體或其組合實現。為了方便起見，只示出了一個這樣的電腦，但與在此描述的線上到線下服務相關的電腦功能可以以分散式的方式在複數個類似平臺上實現，以分散處理負載。

例如，計算裝置200可以包括與網路相連接的通訊埠250，以促進資料通訊。計算裝置200還可以包括處理器（例如，處理器220），其形式為一個或多個處理器（例如，邏輯電路），用於執行程式指令。例如，處理器可以包括介面電路和其中的處理電路。介面電路可以被配置為從匯流排210接收電信號，其中電信號編碼處理電路處理的結構化資料及/或指令。在一些實施例中，匯流排210可以包括ISA匯流排、PCI匯流排、EISA匯流排等。在一些實施例中，匯流排210可以包括位址匯流排、資料匯流排、控制匯流排等。處理電路可以進行邏輯計算，然後將結論、結果及/或指令編碼確定為電信號。然後，介面電路可以經由匯流排210從處理電路發出電信號。

計算裝置200還可以進一步包括不同形式的程式儲存器和資料儲存器包括，例如，磁碟270和唯讀記憶體（ROM）230或隨機存取記憶體（RAM）240，用於儲存將由計算裝置處理及/或傳輸的各種各樣的資料檔。示例性的計算裝置也可以包括儲存在ROM 230、RAM 240及/或其他類型的非暫態儲存媒體中的由處理器220執行的程式指令。本申請揭露的方法及/或流程可以作為程式指令來實施。計算裝置200也包括輸入/輸出260，用於支持電腦與此處其他元件之間的輸入/輸出。計算裝置200也可以藉由網路通訊接收程式和資料。

僅僅為了說明，圖2中僅示出了一個CPU及/或處理器。也可以包括複數個中央處理器及/或處理器；因此本申請中描述的由一個CPU及/或處理器實現的操作及/或方法也可以共同地或分開地由複數個CPU及/或處理器實現。例如，在本申請中，如果計算裝置200的中央處理單元及/或處理器執行步驟A和步驟B，應當理解的是，步驟A和步驟B可以由計算裝置200的兩個不同的中央處理單元及/或處理器共同或分別執行（例如，第一處理器執行步驟A，第二處理器執行步驟B，或者第一處理器和第二處理器共同執行步驟A和B）。

圖3係根據本申請的一些實施例所示的示例性行動裝置的示例性軟體及/或硬體的示意圖。在一些實施例中，請求方終端130或提供方終端140可以在行動裝置300上實現。如圖3所示，行動裝置300可以包括通訊平臺310、顯示器320、圖形處理單元（GPU）330、中央處理器340、輸入/輸出350、記憶體360和儲存器390。在一些實施例中，任何其他合適的元件，包括但不限於系統匯流排或控制器（未示），也可被包括於行動裝置300內。

在一些實施例中，行動作業系統370（例如，iOS™、Android™、Windows Phone™）以及一個或多個應用程式380可從儲存器390載入到記憶體360中以便由處理器340執行。應用程式380可以包括瀏覽器或任何其他合適的應用程式，用於從隨選服務系統100接收及呈現與隨選服務或其他資訊有關的資訊。使用者互動資訊流可以經由輸入/輸出350獲取，並經由網路120提供給伺服器110及/或隨選服務系統100的其他元件。

為了實施本申請描述的各種模組、單元及其功能，電腦硬體平臺可用作本文中描述的一個或多個元件的硬體平臺。具有使用者介面元件的電腦可用於實施個人電腦（PC）或任何其他類型的工作站或終端裝置。若程式控制得當，電腦亦可用作伺服器。

圖4係根據本申請的一些實施例所示的示例性處理引擎的方塊圖。本申請中揭露的處理引擎112的功能可以由伺服器110經由處理器220實現，或者由請求方終端130及/或提供方終端140經由處理器340實現。處理引擎112可包括獲取模組402、前置規則確定模組404、時間確定模組406、資料處理模組408、通訊模組410和識別模組412。

獲取模組402可以獲取由與裝置（例如，行動終端（例如，請求方終端130、提供方終端140））相關的感測器產生的第一運動資料。感測器可包括陀螺儀、加速度感測器、全球定位系統（GPS）、重力感測器、光感測器、溫度感測器、指紋感測器、心率感測器、近接感測器、聲學檢測器或類似物或其任意組合。陀螺儀可以是角速度感測器，其在裝置旋轉或傾斜時測量旋轉角速度。加速度感測器可以是電容式加速度感測器、感應加速度感測器、應變加速度感測器、壓電電阻加速度感測器、壓電加速度感測器或類似物或其任意組合。GPS可以包括包含GPS的載體，其可以與網路120通訊。車載GPS可以確定用於定位運輸工具及/或在運輸工具中移動的裝置的運動資料。重力感測器可包括彈性敏感元件，其可產生變形的感應電信號。在一些實施例中，重力感測器可以具有與加速度感測器相同的功能。第一運動資料可以包括電子裝置（例如，已經安裝了應用程式的智慧行動電話，其被配置為實現本申請中揭露的方法/流程，或攜帶智慧行動電話的運輸工具）的資訊，例如位置、速度、加速度、姿態（例如，角色、偏航、角度、俯仰運動、加速度）或類似物或其任意組合。在一些實施例中，該裝置可以是智慧行動電話、個人數位助理（PDA）、平板電腦、膝上型電腦、電腦（車載電腦）、手持遊戲平臺（PSP）、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬實境裝置及/或顯示增強裝置（例如、Google^TM Glass、Oculus Rift、HoloLens、Gear VR等）。智慧行動電話可包括觸控式螢幕、揚聲器、麥克風、天線或類似物或其任意組合。智慧行動電話可以連接到移動網路並發起呼叫。在一些實施例中，智慧行動電話可包括至少一個感測器。至少一個感測器可包括陀螺儀、加速度感測器、全球定位系統（GPS）、重力感測器、光感測器、溫度感測器、指紋感測器、心率感測器、近接感測器或類似物或其任意組合。

在一些實施例中，感測器可以根據第一預設時間間隔（例如，每0.01秒、每0.02秒、每0.05秒、每秒）產生第一運動資料。獲取模組402可以根據第二預設時間間隔（例如，每0.01秒、每0.02秒、每0.05秒、每秒）獲取第一運動資料。第一預設時間間隔和第二預設時間間隔可以是隨選服務系統100的默認設置，或者可以在不同情況下調整。第一預設時間間隔可以與第二預設時間間隔相同或不同。

在一些實施例中，第一運動資料可以反映司機的駕駛行為或運輸工具狀態。在一些實施例中，駕駛行為可能是危險駕駛行為，例如危險加速（例如，突然加速）、危險剎車（例如，突然剎車）、危險轉彎（例如，突然轉彎）或類似物或其任意組合。危險加速可能是由司機連續及/或用力踩踏加速踏板引起的。危險剎車可能是由司機連續及/或用力踩踏剎車器引起的。危險轉彎可能是由司機突然轉向方向盤造成的。危險轉彎可能包括突然的右轉彎、突然的左轉彎及/或其他突然的轉向行為。在一些實施例中，司機可以藉由遙控器實現駕駛行為（例如，在遠端位置處使用虛擬操縱）。

在一些實施例中，第一運動資料可以包括陀螺儀資料、加速度感測器資料、GPS資料、重力感測器資料、光感測器資料、溫度感測器資料、指紋感測器資料、心率感測器資料、近接感測器資料、角加速度資料或類似物或其任意組合。第一運動資料的類型可以對應於智慧行動電話上的感測器。例如，智慧行動電話中的加速度感測器可以產生或記錄加速度資料。

在一些實施例中，可以組合或分解由不同感測器產生的運動資料以描述指定的駕駛行為。例如，加速感測器資料、GPS資料和重力感測器資料可以組合以描述司機的突然加速。

在一些實施例中，第一運動資料可以對應於駕駛行為、運輸工具狀態及/或道路狀況。例如，假設在運輸工具前方發生突然的道路交通事故，司機可以執行突然剎車，並且加速度感測器可以在突然剎車期間，在其輸出信號及/或資料中產生峰值。在一些實施例中，第一運動資料還可以包括與非駕駛相關行為（即，由駕駛相關活動以外的動作引起的行為）相關的運動資料，諸如當智慧行動電話的使用者在駕駛期間搖動智慧行動電話時產生的運動資料。因此，來自裝置的感測器的輸出信號及/或資料還可以包括與非駕駛相關行為相對應的部分。在一些實施例中，裝置可以區分非駕駛相關行為的運動資料。例如，假設司機出於某種原因搖動智慧行動電話，智慧行動電話或在智慧行動電話中運行的汽車應用可以藉由分析運動資料的特徵來區分振動和駕駛行為（例如，突然轉彎）。

在一些實施例中，獲取模組402可以基於第一運動資料確定裝置是否正在與運輸工具一起移動。回應於確定司機正在使用的裝置沿著路線或根據應用程式確定的訂單進行移動並且該訂單與運輸工具相關，可以確定該裝置正在與運輸工具一起移動。例如，當裝置中的應用程式（例如，計程車APP）為裝置提供路線引導，並且該應用程式與已經在應用程式上註冊的運輸工具相關時，獲取模組402可以基於所獲取的第一運動資料獲取裝置的移動路線，確定它是否與應用程式提供的相同。如果兩個路線彼此重疊，則獲取模組402可以確定裝置正在與運輸工具一起移動。

隨裝置移動的運輸工具可包括私家車、計程車、網路汽車、自動運輸工具、電動運輸工具、摩托車、公車、列車、搭便車、子彈列車、高速鐵路、地鐵、船隻、飛機、太空船、熱氣球、無人駕駛運輸工具或類似物或其任意組合。在一些實施例中，該裝置可隨運輸工具移動並檢測運輸工具的運動。例如，運輸工具的司機可以在駕駛時攜帶智慧行動電話，並且具有至少一個感測器的裝置（即，智慧行動電話）可以檢測運輸工具的移動。又例如，如果乘客在計程車中使用智慧行動電話，則智慧行動電話可以與計程車一起移動並記錄與計程車相關的資料。

前置規則確定模組404可以確定前置規則。前置規則可以包括波動方差臨界值（也稱為「方差臨界值」）。波動方差可以是第一運動資料的累積加速度的方差。例如，以特定時間點為例，對應於特定時間點的波動方差是指對應於時間點和時間點之前的複數個時間點的複數個加速度的方差。波動方差的值可以指示加速度的波動強度。前置規則確定模組404可以確定前置規則准入條件及/或前置規則准出條件。在一些實施例中，前置規則准入條件可以是第一運動資料的波動方差大於第一臨界值。在一些實施例中，前置規則准出條件可以是第一運動資料的波動方差小於第二臨界值。第一臨界值及/或第二臨界值可以是隨選服務系統100的默認設置，或者可以在不同情況下是可調節的。第一臨界值可以與第二臨界值相同或不同。在一些實施例中，前置規則准入時，儲存器150可以開始儲存第一運動資料。在一些實施例中，前置規則准入時，資料處理模組408可以開始從第一運動資料中過濾掉不需要的資訊（也稱為「無關資訊」）。在一些實施例中，前置規則可以儲存在儲存器150中，或者由通訊模組410經由網路120從資料庫及/或其他源獲取。在一些實施例中，前置規則准出時，儲存器150可以停止儲存第一運動資料。在一些實施例中，前置規則准出時，資料處理模組408可以停止從第一運動資料中過濾掉不需要的資訊。

時間確定模組406可以基於前置規則確定時段（也稱為「目標時段」）。在一些實施例中，時間確定模組406可以基於前置規則准入的時間點確定時段的開始時間點，並且基於前置規則准出的時間點確定時段的結束時間點。時間確定模組406可以基於開始時間點和結束時間點來確定時段。在一些實施例中，時間確定模組406還可以確定與時段相關的時間點。該時間點可以是時段的開始時間點、時段的結束時間點或時段內的任何時間點。時段和時間點可以藉由通訊模組410與第二運動資料一起發送到伺服器110。

資料處理模組408可以基於第一運動資料獲取時段內的第二運動資料（也被稱為「目標資料」）。在一些實施例中，資料處理模組408可以從第一運動資料中過濾掉不需要的資訊。在一些實施例中，資料處理模組408可以處理時段內的第一運動資料。在一些實施例中，資料處理模組408可以執行獲取模組402的部分功能，以確定與一個或多個感測器連接的裝置是否隨運輸工具移動。在一些實施例中，資料處理模組408可以進一步處理第二運動資料，例如將第二運動資料和與其相關的時段及/或時間點關聯為關聯資訊。

通訊模組410可以在伺服器110、請求方終端130、提供方終端140、儲存器150及/或資料庫之間建立通訊連接。在一些實施例中，通訊模組410可以將時段、時段內的第二運動資料及/或與時段相關的時間點（例如，開始時間點、結束時間點）發送到伺服器110。在一些實施例中，第一運動資料可以由裝置（例如，智慧行動電話）或車載無線傳輸裝置發送。在一些實施例中，通訊模組410可以經由網路120從外部獲取機器學習模型。

在一些實施例中，通訊模組410可以根據固定的取樣頻率或變化的取樣頻率將第一運動資料、時段內的第二運動資料及/或時段發送到伺服器110。

識別模組412可以基於由通訊模組410發送到伺服器110的第二運動資料，識別所接收的第二運動資料是否是危險駕駛資料。在一些實施例中，識別模組412可以基於機器學習方法識別第二運動資料。在一些實施例中，識別模組412可以藉由使用深度學習GAN模型識別第二運動資料。危險駕駛資料可能對應於相應的危險駕駛行為。危險駕駛行為可包括突然加速、突然剎車、突然轉彎或類似物或其任意組合。在一些實施例中，危險駕駛資料可包括對應於危險駕駛行為的得分或計數的統計資料。統計資料可包括突然加速的時間、突然剎車的個數、突然轉彎的時間或類似物或其任意組合。

處理引擎112中的獲取模組402、前置規則確定模組404、時間確定模組406、資料處理模組408、通訊模組410和識別模組412可藉由有線連接或無線連接彼此連接或彼此通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路（LAN）、廣域網路（WAN）、藍牙、ZigBee、近場通訊（NFC）或類似物或其任意組合。任何兩個模組可以組合成單個模組，任何一個模組可以分成兩個或以上單元。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。例如，前置規則確定模組404和時間確定模組406可以組合為單個模組。又例如，前置規則確定模組404、時間確定模組406和資料處理模組408可以組合為單個模組。可以省略通訊模組410。

圖5係根據本申請的一些實施例所示的示例性資料處理模組的方塊圖。資料處理模組408可包括獲取單元502、特徵資料產生單元504、訓練單元506和過濾單元508。

獲取單元502可以獲取時段、時段內的第一運動資料和機器學習模型。在一些實施例中，獲取單元502可以藉由通訊模組410獲取時段和時段內的第一運動資料。在一些實施例中，獲取單元502可以藉由網路120，通過通訊模組410從資料庫獲取機器學習模型。在一些實施例中，獲取單元502可以經由網路120，通過通訊模組410從儲存器150獲取機器學習模型。在一些實施例中，獲取單元502可以產生機器學習模型。在一些實施例中，機器學習模型可以包括深度神經網路、深度置信網路、卷積神經網路、卷積深度置信網路、深度玻爾茲曼機、堆疊自編碼器、深度堆疊網路、深度編碼網路、深核機、二分類模型或類似物或其任意組合。

特徵資料產生單元504可以基於由獲取單元502獲取的第一運動資料產生特徵資料。特徵資料可以包括最大加速度、最小加速度、平均加速度、最大加速度轉換角度、最小加速度轉換角度、平均加速度轉換角度、沿著三維座標系統的每個方向的最大加速度、沿著三維座標系統的每個方向的最小加速度、沿著三維座標系統的每個方向的平均加速度或類似物或其任意組合。如本文所使用的，以特定加速度作為示例，加速度轉換角度是指第一座標系統中的特定加速度的方向與第二座標系統中的特定加速度的方向之間的角度。加速度可包括線性加速度或角加速度。在一些實施例中，特徵資料可以是一個或多個數值、一個或多個向量、一個或多個行列式、一個或多個矩陣或類似物或其任意組合。

訓練單元506可以基於由特徵資料產生單元504產生的特徵資料來訓練和更新由獲取單元502獲取的機器學習模型。在一些實施例中，機器學習模型可以是搖晃二分類模型。在一些實施例中，機器學習模型可以從第一運動資料中過濾掉不需要的資訊。在一些實施例中，機器學習模型可以線上或離線更新。在訓練機器學習模型之後，可以基於獲取的特徵資料，即時地或根據週期性間隔（例如，每天或每週）進一步更新機器學習模型。在一些實施例中，可以進一步更新機器學習模型以產生可以對應於不同類型的不需要資訊的子模型。例如，可以使用第一子模型對與運輸工具相關的不需要的資訊進行分類，並且可以使用第二子模型對與智慧行動電話相關的不需要的資訊進行分類。

過濾單元508可以基於由訓練單元506訓練的搖晃二分類模型，藉由從第一運動資料中濾除不需要的資訊獲取第二運動資料。不需要的資訊可以包括由正常的行動電話振動產生的運動資料、由普通駕駛行為產生的運動資料、由其他非危險性駕駛行為產生的運動資料或類似物或其任意組合。在一些實施例中，過濾單元508可以區分與非駕駛相關行為相關的運動資料。例如，如果司機出於某種原因搖動智慧行動電話，則過濾單元508可以基於機器學習模型將搖動與駕駛行為（例如，突然轉彎）區分開。

資料處理模組408中的單元可以藉由有線連接或無線連接彼此連接或通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路（LAN）、廣域網路（WAN）、藍牙、ZigBee、近場通訊（NFC）或類似物或其任意組合。應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。例如，特徵資料產生單元504和訓練單元506可以組合為單個模組。又例如，訓練單元506和過濾單元508可以組合為單個模組。可以省略特徵資料產生單元504。

圖6係根據本申請的一些實施例所示的用於識別危險駕駛行為的示例性流程的流程圖。流程600可以由隨選服務系統100執行。例如，流程600可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖4-5中的模組及/或單元可以執行該組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程600。以下呈現的所示流程的操作旨在是說明性的。在一些實施例中，流程600在實現時可以添加一個或多個個未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖6所示和下面描述的流程的操作順序不旨在具有限制性。在一些實施例中，流程600可以由伺服器110或行動終端（例如，提供方終端140）執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110、請求方終端130或提供方終端140中，因此，可以認為處理引擎112執行流程600。

在602中，處理引擎112中的前置規則確定模組404可以確定前置規則。波動方差可以是第一運動資料的累積加速度的方差。波動方差的值可以指示加速度的波動強度。前置規則確定模組404可以確定前置規則准入條件及/或前置規則准出條件。在一些實施例中，前置規則准入條件可以是第一運動資料的波動方差大於第一臨界值。在一些實施例中，前置規則准出條件可以是第一運動資料的波動方差小於第二臨界值。第一臨界值及/或第二臨界值可以是隨選服務系統100的默認設置，或者可以在不同情況下是可調節的。第一臨界值可以與第二臨界值相同或不同。在一些實施例中，前置規則准入時，儲存器150可以開始儲存第一運動資料。在一些實施例中，前置規則准入時，資料處理模組408可以開始從第一運動資料中過濾掉不需要的資訊（也稱為「無關資訊」）。在一些實施例中，前置規則可以儲存在儲存器150中，或者由通訊模組410經由網路120從資料庫及/或其他源獲取。在一些實施例中，前置規則准出時，儲存器150可以停止儲存第一運動資料。在一些實施例中，前置規則准出時，資料處理模組408可以停止從第一運動資料中過濾掉不需要的資訊。

在一些實施例中，前置規則可以由前置規則模組404產生。在一些實施例中，前置規則可以儲存在儲存器150中並由前置規則模組404獲取。

在604中，處理引擎112中的獲取模組402可以獲取由與裝置相關的至少一個感測器產生的第一運動資料。第一運動資料可以包括電子裝置（例如，已經安裝了應用程式的智慧行動電話，其被配置為實現本申請中揭露的方法/流程，或攜帶智慧行動電話的運輸工具）的資訊，例如位置、速度、加速度、姿態（例如，角色、偏航、角度、俯仰運動、加速度）或類似物或其任意組合。

在一些實施例中，第一運動資料可以反映司機的駕駛行為或運輸工具狀態。在一些實施例中，駕駛行為可能是危險駕駛行為，例如危險加速（例如，突然加速）、危險剎車（例如，突然剎車）、危險轉彎（例如，突然轉彎）或類似物或其任意組合。在一些實施例中，可以組合或分解由不同感測器產生的運動資料以描述指定的駕駛行為。例如，加速感測器資料、GPS資料和重力感測器資料可以組合以描述司機的突然加速。

在一些實施例中，第一運動資料可以對應於駕駛行為、運輸工具狀態及/或道路狀況。例如，假設在運輸工具前方發生突然的道路交通事故，司機可以執行突然剎車，並且加速度感測器可以在突然剎車期間，在其輸出信號及/或資料中產生峰值。在一些實施例中，第一運動資料還可以包括與非駕駛相關行為（即，由駕駛相關活動以外的動作引起的行為）相關的運動資料，諸如當智慧行動電話的使用者在駕駛期間搖動智慧行動電話時產生的運動資料。因此，來自裝置的感測器的輸出信號及/或資料還可以包括與非駕駛相關行為相對應的部分。與非駕駛相關行為相關的資料可以是與搖動相關的資料，其需要藉由隨後的機器學習模型來區分。

在606中，處理引擎112中的時間確定模組406可以基於前置規則准入的時間點確定時段的開始時間點，並且基於前置規則准出時的時間點確定時段的結束時間點。時間確定模組406可以基於開始時間點和結束時間點確定時段。在一些實施例中，時間確定模組406還可以確定與時段相關的時間點。該時間點可以是時段的開始時間點、時段的結束時間點或時段內的任何時間點。時段和時間點可以藉由通訊模組410與第二運動資料一起發送到伺服器110。時段可以代表在該時段內可能發生危險駕駛行為（即，司機具有危險駕駛行為）。處理引擎112中的獲取模組402可以基於時段獲取時段內的第一運動資料。

在608中，處理引擎112中的資料處理模組408可以基於第一運動資料獲取該時段內的第二運動資料。第二運動資料可以包括具有從第一運動資料過濾掉無關資料的運動資料。在一些實施例中，可以基於搖晃二分類機器學習模型對第一運動資料執行過濾以獲取第二運動資料。在一些實施例中，第二運動資料可以是一個或多個數值、一個或多個向量、一個或多個行列式、一個或多個矩陣或類似物或其任意組合。

在610中，處理引擎112中的通訊模組410可以將該時段內的第二運動資料發送到伺服器110。在一些實施例中，通訊模組410可以經由網路120將時段、第二運動資料及/或與時段相關的時間點發送到伺服器110。在一些實施例中，通訊模組410可以經由網路120獲取機器學習模型。

在612中，處理引擎112中的識別模組412可以識別與通訊模組410發送的第二運動資料相對應的駕駛行為。在一些實施例中，識別模組412可識別對應於第二運動資料的危險駕駛行為。在一些實施例中，識別模組412可基於機器學習模型識別對應於第二運動資料的危險駕駛行為。在一些實施例中，機器學習模型可以是深度學習GAN模型、深度神經網路、深度置信網路、卷積神經網路、卷積深度置信網路、深度玻爾茲曼機、堆疊自編碼器、深度堆疊網路、深度編碼網路、深核機、二分類模型或類似物或其任意組合。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。例如，可以在操作604之後執行操作602，或者可以同時執行操作602和操作604。又例如，可以在流程600中添加或刪除至少一個操作，例如，可以添加用於確定與至少一個感測器相關的裝置與運輸工具一起移動的操作。

圖7係根據本申請的一些實施例所示的用於獲取第二運動資料的示例性流程的流程圖。流程700可以由隨選服務系統100執行。例如，流程700可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖4-5中的模組及/或單元可以執行該組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程700。以下呈現的所示流程的操作旨在是說明性的。在一些實施例中，流程700在實現時可以添加一個或多個個未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖7所示和下面描述的流程的操作順序不旨在具有限制性。在一些實施例中，流程700可以由伺服器110或行動終端（例如，提供方終端140）執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110、請求方終端130或提供方終端140中，因此，可以認為處理引擎112執行流程700。

在702中，資料處理模組408中的獲取單元502可以獲取時段、時段內的第一運動資料和機器學習模型。在一些實施例中，獲取單元502可以藉由通訊模組410獲取時段和時段內的第一運動資料。在一些實施例中，獲取單元502可以藉由網路120，通過通訊模組410從資料庫獲取機器學習模型。在一些實施例中，獲取單元502可以藉由網路120，通過通訊模組410從儲存器150獲取機器學習模型。在一些實施例中，獲取單元502可以產生機器學習模型。在一些實施例中，機器學習模型可以是深度學習GAN模型、深度神經網路、深度置信網路、卷積神經網路、卷積深度置信網路、深度玻爾茲曼機、堆疊自編碼器、深度堆疊網路、深度編碼網路、深核機、二分類模型或類似物或其任意組合。

在704中，資料處理模組408中的特徵資料產生單元504可以基於由獲取單元502獲取的第一運動資料產生特徵資料。特徵資料可以包括最大加速度、最小加速度、平均加速度、最大加速度轉換角度、最小加速度轉換角度、平均加速度轉換角度、沿著三維座標系統的每個方向的最大加速度、沿著三維座標系統的每個方向的最小加速度、沿著三維座標系統的每個方向的平均加速度或類似物或其任意組合。加速度可包括線性加速度或角加速度。在一些實施例中，特徵資料可以是一個或多個數值、一個或多個向量、一個或多個行列式、一個或多個矩陣或類似物或其任意組合。

在706中，資料處理模組408中的訓練單元506可以基於由特徵資料產生單元504產生的特徵資料，訓練和更新由獲取單元502獲取的機器學習模型。更新機器學習模型後，可以基於機器學習模型從第一運動資料中過濾掉無關資訊。在一些實施例中，機器學習模型可以是搖晃二分類模型。在一些實施例中，機器學習模型可以線上或離線更新。在訓練機器學習訓練模型之後，可以基於獲取的特徵資料，即時或者根據週期性間隔（例如，每天或每週）進一步更新機器學習訓練模型。

在一些實施例中，資料處理模組408中的過濾單元508可以基於由訓練單元506訓練的搖晃二分類模型，藉由從第一運動資料中濾除不需要的資訊獲取第二運動資料。不需要的資訊可以包括由正常的行動電話振動產生的運動資料、由普通駕駛行為產生的運動資料、由其他非危險性駕駛行為產生的運動資料或類似物或其任意組合。在一些實施例中，過濾單元508可以區分與非駕駛相關行為相關的運動資料。例如，如果司機出於某種原因搖動智慧行動電話，則過濾單元508可以基於機器學習模型將搖動與駕駛行為（例如，突然轉彎）區分開。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。例如，操作706可以分為兩個操作，包括訓練模型和產生第二運動資料。例如，可以在流程700中添加或刪除至少一個操作，例如，可以添加用於區分第一運動資料中不同的不需要資訊的操作，例如由普通駕駛行為產生的不需要的資訊和搖動行動電話產生的不需要的資訊。

圖8係根據本申請的一些實施例所示的用於檢測駕駛行為的示例性流程的流程圖。流程800可以由隨選服務系統100執行。例如，流程800可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖17中的模組及/或單元可以執行一組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程800。以下呈現的所示流程的操作旨在是說明性的。在一些實施例中，流程800在實現時可以添加一個或多個個未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖8所示和下面描述的流程的操作順序不旨在具有限制性。

在一些實施例中，流程800可以由安裝有司機用戶端（例如，線上計程車司機用戶端）的行動終端（例如，提供方終端140）執行。行動終端可以檢測司機的駕駛行為以確定是否可能發生危險駕駛行為。在一些實施例中，流程800可以由伺服器110執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110、請求方終端130或提供方終端140中，因此，可以認為處理引擎112執行流程800。以行動終端執行的流程800為例，以線上計程車應用場景為例，該流程可以包括以下操作。

在802中，可以藉由安裝在行動終端上的加速度感測器收集加速度資料，其中加速度資料可以包括分別對應於x軸、y軸和z軸的加速度資料a_x 、a_y 和a_z （也被稱為「x軸加速度」、「y加軸加速度」和「z軸加速度」）。

目前智慧行動終端通常包括感測裝置，如加速度感測器、陀螺儀等。藉由獲取由上述感測器收集的資料並處理資料，可以確定司機是否具有危險駕駛行為。同時，可以藉由智慧行動終端的無線傳輸功能將相應的資料發送到伺服器110。

在一些實施例中，可以主要獲取由加速度感測器收集的資料，其中加速度感測器可以是三軸加速度感測器。在三軸加速度感測器收集行動終端的加速度資料之後，可以獲取沿x、y和z三個方向的加速度資料：a_x 、a_y 和a_z 。如圖9所示，當行動終端位於與水準面具有一定角度的平面時，由x、y和z軸形成的座標系統在圖9中示出。

在804中，可以基於a_x 、a_y 和a_z 的值確定其中可能發生危險駕駛行為的資料區間（也稱為「目標時段」）。由於危險駕駛行為通常發生在某個時段而不是整個駕駛流程中，在一些實施例中，在獲取加速度資料a_x 、a_y 和a_z 之後，可以基於加速度資料a_x 、a_y 和a_z 的值確定其中可能發生危險駕駛行為的資料區間。在確定資料區間之後，可以執行以下操作806。

在806中，可以提取資料區間內的加速度資料。在一些實施例中，在確定可能發生危險駕駛行為的資料區間之後，可以提取資料區間內的加速度資料並可以執行以下操作808。

在808中，可以藉由對提取的加速度資料執行座標轉換獲取目標資料，其中由對應於目標資料的x軸和y軸組成的平面可以是水準平面，z軸方向可以與重力方向相同。由於行動終端的姿態可以對應於各種情況，例如，如圖9所示，行動終端與水準面具有角度。在這種情況下，需要對在操作806中提取的加速度資料執行座標轉換，其中座標轉換的結果為：對應於目標資料的x軸和y軸構成水平面並且z軸方向與重力方向相同。如圖9所示，z軸旋轉到z'，y軸旋轉到y'。

在對提取的加速度資料進行座標轉換並獲取目標資料之後，可以執行操作810，其中可以根據預設的特徵參數對目標資料進行特徵提取，其中預定的特徵參數至少包括時域特徵、頻域特徵和速度特徵之一。

在812中，可以基於提取的特徵確定是否可能發生危險駕駛行為。

需要說明的是，在一些實施例中，危險較高的駕駛行為可以包括但不限於突然減速、突然轉彎、突然加速、突然剎車等。

在一些實施例中，根據上述流程，可以藉由行動終端及時有效地檢測到司機的駕駛行為，並且可以確定司機是否具有危險駕駛行為。對於線上叫車平臺，藉由及時有效地檢測司機的危險駕駛行為，可以保證司機和乘客的個人安全，最佳化服務請求分配策略，進而可以進一步最佳化線上叫車平臺。

下面將結合具體實施例描述用於檢測駕駛行為的方法。

根據以上描述，在一些實施例中，行動終端的加速度資料可以由安裝在行動終端上的三軸加速度感測器檢測，其中加速度資料可以包括對應於x、y和z軸三個軸的加速度資料a_x 、a_y 和a_z ，例如，分別對應於圖9中所示的x，y和z軸的加速度資料。

在一些實施例中，由於三軸加速度感測器安裝在行動終端上並且始終處於工作狀態，即三軸加速度感測器始終收集行動終端的加速度資料。然而，在本申請的一些實施例中，可以設置加速度資料的獲取機制。

加速度資料的獲取機制可以被描述為當行動終端啟動駕駛行為檢測功能時，可以獲取由安裝在行動終端上的加速度感測器檢測到的加速度資料。

也就是說，在一些實施例中，當行動終端啟動駕駛行為檢測功能時，可以獲取由安裝在行動終端上的加速度感測器檢測到的行動終端的加速度資料。確定是否啟動駕駛行為檢測功能的條件包括以下條件：

條件1：如果行動終端啟動導航功能，則可以啟動駕駛行為檢測功能。

具體地，如果行動終端上的司機用戶端檢測到行動終端的導航功能被啟動，則司機用戶端可以啟動駕駛行為檢測功能。

例如，私家車的司機從A行駛到B，在駕駛汽車之前或在駕駛汽車的流程中，司機在行動終端上打開導航軟體並啟動導航軟體的導航功能。在這種情況下，在檢測到導航軟體的導航功能被啟動後，行動終端上的司機用戶端可以啟動駕駛行為檢測功能。並且在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

在獲取加速度資料之後，可以確定在其中可能發生危險駕駛行為的資料區間，可以提取資料區間內的加速度資料，可以藉由對提取的加速度資料執行座標轉換來獲取目標資料，在獲取目標資料之後，可以基於預定的特徵參數對目標資料執行特徵提取，並且可以基於提取的特徵確定是否可能發生危險駕駛行為。

如果確定發生危險駕駛行為，可以將與危險駕駛行為相關的相關資料上傳到伺服器110以進行儲存及/或分析，其中，相關資料可以包括但不限於資料區間內的加速度資料、危險駕駛行為發生的時間、危險駕駛行為發生的位置（路段）、危險駕駛行為的持續時間等。

如果伺服器110獲取與複數個司機的危險駕駛行為相關的大量相關資料，並且獲取複數個司機的屬性資訊（例如，性別、年齡、職業等），則伺服器110可以執行基於屬性資訊對危險駕駛行為的相關資料進行大數據分析。分析結果可包括但不限於危險駕駛行為發生頻率最高的位置（路段）、與危險駕駛行為的最高發生頻率相對應的性別、與危險駕駛行為的最高發生頻率相對應的年齡、與危險駕駛行為的最高發生頻率相對應的職業等。

從上述描述可以看出，根據一些實施例提供的方法，不僅可以及時有效地檢測到司機的危險駕駛行為，而且還可以基於檢測到的危險駕駛行為進行大數據分析。分析結果可以幫助與危險駕駛行為的最高發生頻率相對應的人群及時實現和糾正其危險駕駛行為。同時，危險駕駛行為發生頻率最高的位置（或者路段）也能夠為有關交通部門提供警示，以對該路段進行適應性矯正。

條件2：如果行動終端接受來自線上叫車平臺的服務請求，則可以啟動駕駛行為檢測功能。

具體地，如果行動終端上的線上計程車司機用戶端檢測到線上計程車司機接受來自線上車平臺的服務請求，則可以啟動駕駛行為檢測功能。

例如，當特定的線上計程車司機藉由線上計程車司機用戶端接受服務請求時，線上計程車司機用戶端可以啟動駕駛行為檢測功能。並且在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

在這種情況下，行動終端上的司機用戶端和線上計程車司機用戶端可能是同一用戶端。當線上計程車司機未提供服務請求服務時，可能不會啟動駕駛行為檢測功能。一旦司機用戶端檢測到線上計程車司機接受服務請求，就可以啟動駕駛行為檢測功能。

在一些實施例中，可以根據預定的時段將與危險駕駛行為相關的相關資料發送到指定伺服器，例如，可以根據預定的時段將儲存的加速度資料發送到指定伺服器。或者，如果儲存的與危險駕駛行為相關的相關資料達到預定的量，則可以將儲存的與危險駕駛行為相關的相關資料發送到指定伺服器。例如，如果儲存的加速度資料達到預定的量，則可以將儲存的加速度資料發送到指定的伺服器。

在獲取與司機用戶端發送的危險駕駛行為相關的相關資料之後，伺服器110（例如，伺服器110中的處理引擎112）可以基於相關資料評估司機以確定司機的級別。同時，在本申請的一些實施例中，伺服器110可以基於與危險駕駛行為相關的相關資料來調整用於分配服務請求的分配策略。

例如，伺服器110可以分析與危險駕駛行為相關的相關資料，並且可以確定某個路段上特定司機的危險駕駛行為的發生頻率相對較高。此時，可以調整用於分配服務請求的分配策略，以減少待分配給該司機的與該路段相關的服務請求的個數。反過來，如果特定司機在另一個路段的危險駕駛行為的發生頻率非常低（幾乎為零），然後，可以調整用於分配服務請求的分配策略，以增加待分配給該司機的與該路段相關的服務請求的數量。

從描述中可以看出，根據實施例的方法，不僅可以及時有效地檢測到司機的危險駕駛行為，而且可以根據危險駕駛行為的檢測結果調整分配服務請求的分配策略，從而最佳化線上叫車平臺。

條件3：如果行動終端啟動導航功能並接受來自線上叫車平臺的服務請求，則可以啟動駕駛行為檢測功能。

具體地，如果行動終端上的線上計程車司機用戶端檢測到行動終端的導航功能被啟動並且檢測到線上計程車司機接受來自線上車平臺的服務請求，則駕駛行為檢測功能可以被啟動。

例如，當特定的線上計程車司機藉由線上計程車司機客戶接受服務請求時，在駕駛運輸工具之前或在駕駛運輸工具的期間在行動終端上打開導航軟體，並啟動導航的導航功能軟體，線上計程車司機用戶端可以啟動駕駛行為檢測功能。並且在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

在獲取加速度資料之後，可以如結合上面的條件2所描述的那樣處理加速度資料，這裡將不再重複。

在一些實施例中，在根據上述三個條件中的任何一個確定駕駛行為檢測功能被啟動之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料a_x 、a_y 和a_z ，並且可以基於a_x 、a_y 和a_z 的值確定可能發生危險駕駛行為的資料間隔。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。

圖10係根據本申請的一些實施例所示的用於確定在其中可能發生危險駕駛行為的資料區間的示例性流程的流程圖。流程1000可以由隨選服務系統100執行。例如，流程1000可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖17中的模組及/或單元可以執行該組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程1000。另外，如圖10所示和下面描述的流程的操作順序不旨在具有限制性。在一些實施例中，流程1000可以由伺服器110或行動終端（例如，提供方終端140）執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110、請求方終端130或提供方終端140中，因此，可以認為處理引擎112執行流程1000。

在1001中，可以基於a_x 、a_y 和a_z 確定總加速度。

在一些實施例中，可以基於a_x 、a_y 和a_z ，根據下面的等式（1）確定總加速度：

（1）其中a指的是總加速度。

在一些實施例中，可以基於a_x 、a_y 和a_z ，根據下面的等式（2）確定總加速度：

（2）

在1002中，可以確定總加速度大於預定的臨界值（也稱為「加速臨界值」）的連續個數。

在1003中，回應於確定連續個數大於預定的個數（也被稱為「計數臨界值」），可以將連續的總加速度對應的加速度資料區間確定為在其中可能發生危險駕駛行為的資料區間。

具體地，在一些實施例中，首先，加速度資料a_x 、a_y 和a_z 可以由安裝在行動終端上的加速度感測器收集；第二，可以組合加速度資料a_x 、a_y 和a_z 以確定總加速度，其中可以根據等式（1）或等式（2）確定總加速度。在確定總加速度之後，可以監測總加速度。具體地，可以計算總加速度的值以獲取大於預定的臨界值的總加速度的連續個數。回應於確定連續個數大於預定的個數，對應於連續的總加速度的加速度資料區間可被確定為在其中可能發生危險駕駛行為的資料區間。

需要說明的是，可以先選擇預定的臨界值和預定的個數，使用者可以根據實際需要調整預定的臨界值的值和預定的個數的值，不做特別限定。

通常，當加速度感測器收集加速度資料時，收集頻率可以是固定的。因此，在一些實施例中，「預定的個數」可以被轉換為「時間」。可以假設在預定的時段中獲取的總加速度的個數是「預定的個數」。

例如，在加速度感測器收集加速度資料之後，可以根據等式（1）或等式（2）確定加速度資料的總加速度。可以確定總加速度連續大於預定的臨界值的時間是否超過預定的時段。如果時間超過預定的時段，則可以將對應於預定的時段內的總加速度的資料區間確定為在其中可能發生危險駕駛行為的資料區間。優選地，預定的時段可以選擇為5秒。也就是說，如果檢測到總加速度連續大於預定的臨界值的時間超過5秒，則可以將5秒內的總加速度對應的加速度資料區間確定為其中可能發生危險駕駛行為的資料區間。

在基於1001-1003中描述的操作確定其中可能發生危險駕駛行為的資料區間之後，可以獲取資料區間內的加速度資料。然後，可以對提取的加速度資料執行座標轉換以獲取目標資料。

從以上描述可以看出，由於行動終端被放置在運輸工具中，當總加速度大於預定的臨界值時，它可以指示行動終端出現相對大的加速度。出現相對大的加速可能對應於以下兩個原因：一個可能是運輸工具撞擊或使用者搖晃；另一個可能是在危險駕駛時突然加速。在一些實施例中，有必要區分這兩個原因。為了區分運輸工具的撞擊和危險駕駛行為，可以對在806中提取的加速度資料進行歸一化處理以獲取標準化資料（即，目標資料），可以從標準化資料中提取特徵，最後可以基於提取的特徵確定危險駕駛行為是否可能發生。

在一些實施例中，對在806中提取的加速度資料進行歸一化的目的是將加速度資料調整到行動終端和運輸工具處於相同姿態下。由於加速度感測器採集的加速度資料是基於行動終端的局部座標系統的資料，如果行動終端的姿態與運輸工具的姿態不同，即使行動終端的駕駛軌跡與運輸工具的駕駛軌跡完全相同，也會收集到完全不同的資料。因此，有必要對加速度資料進行歸一化以消除行動終端姿態的影響。

上述歸一化處理主要包括兩個操作：首先，加速度感測器的三個軸的z軸方向可以旋轉到與重力方向相同的方向（例如，圖9中的z'）；其次，如圖11所示，x軸方向或y軸方向可以旋轉到與當前行駛方向相同的方向。

圖12係根據本申請的一些實施例所示的對提取的加速度資料執行座標轉換的示例性流程的流程圖。流程1200可以由隨選服務系統100執行。例如，流程1200可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖17中的模組及/或單元可以執行該組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程1200。以下所示流程的操作僅出於說明的目的。在一些實施例中，流程1200在實施時可以添加一個或多個本申請未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖12所示和下面描述的流程操作的順序不是限制性的。在一些實施例中，流程1200可以由伺服器110或行動終端（例如，提供方終端140）執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110，請求方終端130或提供方終端140中，因此，可以認為流程1200由處理引擎112執行。

在1201中，可以對提取的加速度資料執行高通濾波以提取低頻加速度資料。在一些實施例中，可以對加速度執行低通濾波以提取低頻加速度資料。

在1202中，可以將低頻加速度資料的方向指定為重力方向。

在1203中，可以基於重力方向和a_z 方向之間的角度來建構旋轉矩陣。

在1204中，可以藉由將提取的加速度資料乘以旋轉矩陣，對加速度資料執行座標轉換。

如上所述，在806中提取的加速度資料是資料區間內的加速度資料a_x 、a_y 和a_z ，其對應於包括x、y和z的三個軸。在一些實施例中，可以對在806中提取的加速度資料執行高通濾波，以提取低頻加速度資料。

由於重力加速度g的方向是恒定的，因此可以將其視為低頻信號。在對806中提取的加速度資料的三個分量執行高通濾波之後，可以提取重力加速度信號，從而可以將低頻加速度資料的方向指定為重力方向。在確定重力方向之後，可以基於重力方向和a_z 方向之間的角度建構旋轉矩陣。最後，加速度資料可以乘以旋轉矩陣，實現加速度的座標轉換，使得z軸和重力方向g相同。

在一些實施例中，旋轉矩陣R可以表示如下：

（3）其中𝑣=𝑔×

，

，

表示重力方向向量，

表示3*3的單位矩陣，z表示（0,0,1）向量，v表示g的歸一化向量和向量z的叉積，c表示g的歸一化向量和向量z的點積。其中

（4）

在一些實施例中，基於等式（3）建構的旋轉矩陣可以乘以在806中提取的加速度資料，以對加速度資料執行座標轉換。根據座標轉換，z軸方向和重力方向g相同（如圖9所示），x軸和y軸在水平面上（如圖9所示）。

在一些實施例中，在806中提取的加速度資料乘以旋轉矩陣之後，可以根據奇異值分解法（SVD），將對應於a_x 或a_y 的座標軸調整為與當前的行駛方向一致。

SVD是一種正交矩陣分解方法，是一種可靠的分解方法。SVD可表示如下：

（5）其中𝑈和

表示兩個相互正交的矩陣，𝑆表示對角矩陣，A表示原始矩陣。

在根據上述方法對加速度資料執行座標轉換之後，x軸和y軸在水平面上，但是運輸工具的行駛方向與x軸和y軸之間的角度可能是不確定的。假設行動終端和運輸工具的相對位置保持不變，即行動終端固定在運輸工具上。在一些實施例中，根據SVD方法，可以將座標轉換後對應於a_x 或a_y 的座標軸調整到運輸工具的行駛方向。例如，可以在資料區間內取樣300個點（例如，5秒的預定時段），並且可以獲取300×3矩陣M，然後可以對矩陣M執行SVD分解。矩陣M的分解可表示如下：

（6）其中M表示原始矩陣，U和S表示新的歸一化資料，其中新的歸一化資料可以是藉由將對應於a_x 或a_y 的座標軸調整到當前行駛方向而獲取的資料。

在一些實施例中，在根據操作1201-1204中描述的方法獲取目標資料之後，根據奇異值分解法將對應於a_x 或a_y 的座標軸調整為與當前行駛方向一致，可以基於預定的特徵參數對目標資料進行特徵提取。

從以上描述可以看出，在一些實施例中，特徵參數可以包括時域特徵、頻域特徵或速度特徵中的至少一個。在基於特徵參數對目標資料執行特徵提取之後，可以獲取目標資料的時域特徵、頻域特徵和速度特徵。在一些實施例中，可以基於目標資料的時域特徵、頻域特徵或速度特徵中的至少一個確定司機是否具有危險駕駛行為。

例如，可以基於目標資料的時域特徵確定司機是否具有危險駕駛行為。又例如，可以根據目標資料的時域特徵和頻域特徵確定司機是否有危險駕駛行為。作為又一示例，可以基於目標資料的時域特徵、頻域特徵和速度特徵確定司機是否具有危險駕駛行為。

（1）如果特徵參數包括時域特徵，則基於時域特徵在目標資料上執行特徵提取的操作可以包括確定沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度或沿每個座標軸的加速度方差。

時域特徵可包括以下特徵：沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度或沿每個座標軸的加速度方差。因此，在一些實施例中，當提取目標資料的時域特徵時，可以提取沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度或沿每個座標軸的加速度方差。

沿每個座標軸的最大加速度可以表示為

和

。沿每個座標軸的最小加速度可以表示為

和

。沿每個座標軸的平均加速度可表示為

和

。沿每個座標軸的加速度方差可以表示為

和

。

（2）如果特徵參數包括頻域特徵，則基於頻域特徵對目標資料執行特徵提取的操作可包括基於短時傅立葉轉換（Short Time Fourier Transform，STFT）將目標資料轉換為頻域資料，並確定頻域資料對應的頻域特徵。

頻域特徵可以指在對目標資料執行STFT之後獲取的頻域信號。

關於目標資料的頻域特徵，可以藉由使用STFT對目標資料執行傅立葉轉換，並且轉換結果可以是圖13中所示的包括時間和頻率之間的對應關係的二維矩陣。

圖13係根據本申請的一些實施例所示的時間和頻率之間的對應關係的示意圖。

如圖13所示，每個網格對應於一個值，其指示時間範圍內t時刻的頻率的能量值，並且能量值、時間和頻率之間的對應關係可以在圖14中示出。如圖14所示，能量值H表示0至0.5秒內0至1Hz的能量值。

在一些實施例中，認為與危險駕駛行為相關的頻率相對較低，並且與搖動或正常碰撞相關的頻率相對較高。並且危險駕駛行為的時段可能相對較長，也就是說，低頻持續時間可能相對較長。搖動或正常碰撞的時間通常較短，因此高頻持續時間不長。因此，可以藉由分析目標資料的頻域特徵來確定司機是否具有危險駕駛行為。

可選地，確定頻域資料對應的頻域特徵的操作可以包括確定與頻域資料對應的高頻能量值、低頻能量值或低頻持續時間。

具體地，當目標資料的頻域特徵用於確定司機是否具有危險駕駛行為時，可以分析頻域特徵中的高頻能量值與低頻能量值的比率和低頻持續時間判斷司機是否有危險駕駛行為。在一些實施例中，可選地，可以將小於1Hz的頻率指定為低頻，並且可以將大於2Hz的頻率指定為高頻。另外，可以以其他方式定義低頻和高頻。

頻域特徵中高頻能量值與低頻能量值的比率可表示如下：

（7）其中，

表示頻率小於1Hz時的最大能量值，

表示頻率大於2Hz（Hz）時的最大能量值，

表示基於STFT確定的能量密度函數。

藉由根據等式（7）確定高頻能量值與低頻能量值的比率，可以確定主要能量是在高頻還是低頻。

接下來，可以確定低頻持續時間。在確定低頻持續時間時，首先需要確定臨界值如下：

（8）其中臨界值表示低頻時的最大能量值。然後，該臨界值可以乘以係數α（例如，小於1的正數）以確定低頻持續時間。

具體而言，低頻持續時間可表示為：

（9）其中T表示頻率首次超過臨界值的時間點與頻率最後超過臨界值的時間點之間的差值。

（3）如果特徵參數包括速度特徵，則基於速度特徵對目標資料執行特徵提取的操作可以包括沿著每個座標軸在目標資料上執行積分並基於積分結果，確定沿每個座標軸的速度最大值、沿每個座標軸的速度最小值、沿每個座標軸的速度終值或沿每個座標軸的速度中值。

在一些實施例中，在對目標資料執行特徵提取以獲取目標資料的時域特徵、頻域特徵和速度特徵之後，可以基於上述三個特徵中的至少一個確定司機是否具有危險駕駛行為。

在一些實施例中，用於基於所提取的特徵確定司機是否具有危險駕駛行為的操作可以包括將所提取的特徵輸入到行動終端的決策樹模型，並輸出包括是否可能發生危險駕駛行為的決策結果，其中，可以基於對應於危險駕駛行為的特徵參數預先訓練決策樹模型。

在一些實施例中，訓練的決策樹模型（例如，xgboost）可以預先儲存在行動終端的司機用戶端中。當需要使用決策樹模型分析司機的危險駕駛行為時，可以調用決策樹模型來分析司機的危險駕駛行為。

圖15-A至圖15-C係根據本申請的一些實施例所示的危險駕駛行為的示意圖。

在一些實施例中，危險駕駛行為可以包括但不限於突然減速（圖15-A中所示）、突然轉彎（圖15-B中所示）、突然加速（如圖15-C所示）、突然刹車等。

假設司機是否具有危險駕駛行為是基於時域特徵、頻域特徵和速度特徵確定的，具體流程描述如下：

目標資料可以根據操作802-810中描述的方法確定，並且時域特徵、頻域特徵和速度特徵可以從目標資料中提取；然後，可以將時域特徵、頻域特徵和速度特徵輸入到訓練的決策樹模型中。決策樹模型可以被配置用於確定司機是否具有基於時域特徵、頻域特徵和速度特徵確定的危險駕駛行為，並且回應於確定司機具有危險駕駛行為，確定該危險駕駛行為的類型。

應當注意，在這種情況下，決策樹模型可以是基於訓練樣本的預先訓練好的模型。訓練流程可以描述如下：獲取訓練樣本，其中訓練樣本包括輸入資料和輸出資料，輸入資料可以是時域特徵、頻域特徵和速度特徵（即，如上所述的特徵參數），輸出資料可以是標識資訊，其指示對應於輸入資料的行為是否是危險駕駛行為和危險駕駛行為的類型。此外，訓練後的決策樹模型可以藉由基於訓練樣本訓練模型來獲取。

從描述中可以看出，根據實施例的方法，不僅可以及時有效地檢測到司機的危險駕駛行為，而且還可以根據檢測結果調整分配服務請求的分配策略，從而最佳化線上叫車平臺。

圖16係根據本申請的一些實施例的所示的用於檢測駕駛行為的示例性流程的流程圖。流程1600可以由隨選服務系統100執行。例如，流程1600可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖17中的模組及/或單元可以執行該組指令，並且當執行指令時，處理器220、模組及/或單元可以被配置用於執行流程1600。以下呈現的所示流程的操作旨在是說明性的。在一些實施例中，流程1600在實現時可以添加一個或多個個未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖16所示和下面描述的流程的操作順序不旨在具有限制性。

流程1600可以由安裝有司機用戶端的行動終端執行。行動終端可以檢測司機的駕駛行為以確定是否可能發生危險駕駛行為。在一些實施例中，流程1600可以由伺服器110執行。如本申請中其他地方所述，處理引擎112可以整合在伺服器110、請求方終端130或提供方終端140中，因此，可以認為處理引擎112執行處理1600。以行動終端執行的流程1600為例，以線上計程車應用場景為例，該流程可以包括以下操作。

在1601中，當行動終端啟動駕駛行為檢測功能時，可以藉由安裝在行動終端上的加速度感測器收集加速度資料。

如果行動終端啟動導航功能及/或接受來自線上叫車平臺的服務請求，則可以啟動駕駛行為檢測功能。在駕駛行為檢測功能被啟動之後，加速度資料可以由安裝在行動終端上的加速度感測器收集。

在1602中，可以對加速度資料進行歸一化以獲取歸一化處理結果。

在一些實施例中，在加速度資料a_x 、a_y 和a_z 被歸一化之前，可以基於加速度資料a_x 、a_y 和a_z 的值確定可能發生危險駕駛行為的資料區間，並且可以提取資料區間內的加速度資料。然後可以對提取的加速度資料進行歸一化，可以獲取歸一化資料（即，上述目標資料），並且可以對歸一化資料執行特徵提取。最後，可以基於提取的特徵確定是否可能發生危險駕駛行為。

具體地，可以根據操作1201-1204中描述的方法對提取的加速度資料進行歸一化，這裡不再重複細節。

在1603中，可以基於預定的特徵參數，對歸一化處理結果執行特徵提取，以獲取以下特徵中的至少一個：時域特徵、頻域特徵或速度特徵。

在一些實施例中，可以根據上述方法從歸一化處理結果（目標資料）中提取特徵（時域特徵、頻域特徵和速度特徵），並且這裡不再重複細節。

在1604中，可以藉由使用訓練好的決策樹模型，基於上述特徵中的至少一個確定是否可能發生危險駕駛行為。

在一些實施例中，可以根據上述方法確定是否可能發生危險駕駛行為，並且這裡不再重複細節。

在1605中，回應於確定可能發生危險駕駛行為，將司機的危險駕駛行為上傳到伺服器110。

在確定可能發生危險駕駛行為之後，可以將與司機的危險駕駛行為相關的相關資料上傳到伺服器110。在獲取與司機用戶端發送的司機危險駕駛行為相關的相關資料之後，伺服器110可以基於該資料評估司機並確定司機的級別。同時，在本申請的一些實施例中，伺服器110可以基於與危險駕駛行為相關的相關資料調整用於分配服務請求的分配策略。

為了說明的目的，實施例提供了一個具體的應用實例，其中根據前述實施例提供的檢測方法，線上計程車平臺可以檢測危險駕駛行為。

場景1：司機可以是私家車主，私家車主的行動終端可以放置在運輸工具中，並且可以藉由行動終端執行以下流程。

私家車主可以從位置A行進到位置B並且在駕駛運輸工具之前或在駕駛運輸工具期間啟動行動終端上的導航軟體並啟動導航軟體的導航功能。

此時，行動終端上的司機用戶端檢測到導航軟體的導航功能被啟動後，可以啟動駕駛行為檢測功能。在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

在獲取加速度資料之後，可以基於加速度資料確定其中可能發生危險駕駛行為的資料區間。例如，如果總加速度連續大於預定的臨界值的時間大於5秒，則5秒內的總加速度對應的資料區間可被確定為在其中可能發生危險駕駛行為的資料區間。總加速度可以是藉由根據等式（1）或等式（2）對加速度資料執行計算而確定的加速度。

在確定在其中可能發生危險駕駛行為的資料區間之後，可以提取資料區間（例如，5秒）內的加速度資料，並且可以對提取的加速度資料執行座標轉換以獲取目標資料。

接下來，可以對目標資料執行特徵提取，以提取至少一個時域特徵、頻域特徵或速度特徵。

最後，可以基於所提取的特徵參數確定私家車主是否具有危險駕駛行為。

場景2：司機可以是線上計程車司機，可以將線上計程車司機的行動終端放置在運輸工具中，並且可以藉由行動終端執行以下流程。

線上計程車司機可以藉由線上計程車司機客戶端接受服務請求，並啟動駕駛行為檢測功能。並且在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

最後，可以基於提取的特徵參數確定線上計程車司機是否具有危險駕駛行為。

場景3：司機可以是線上計程車司機，可以將線上計程車司機的行動終端放置在運輸工具中，並且可以藉由行動終端執行以下流程。

接下來，可以對目標資料執行特徵提取，以提取以下至少一個特徵參數：時域特徵、頻域特徵或速度特徵。

如果確定可能發生危險駕駛行為，則可以將與危險駕駛行為相關的相關資料上傳到伺服器110以進行儲存及/或分析，其中相關資料可以包括但不限於在資料區間內的加速度資料、危險駕駛行為發生的時間、危險駕駛行為發生的位置（路段）、危險駕駛行為的持續時間等。

在獲取與司機用戶端發送的危險駕駛行為相關的相關資料之後，伺服器110（例如，伺服器110中的處理引擎112）可以基於相關資料評估司機以確定司機的級別。同時，在本申請的一些實施例中，伺服器110可以基於與危險駕駛行為相關的相關資料調整用於分配服務請求的分配策略。

場景4：司機可以是私家車主或線上計程車司機，私家車主的行動終端或線上計程車司機的行動終端可以放置在運輸工具中，並且可以藉由行動終端執行以下流程。

私家車主可以從位置A行進到位置B並且在駕駛運輸工具之前或在駕駛運輸工具期間啟動行動終端上的導航軟體並啟動導航軟體的導航功能。此時，在行動終端上的司機用戶端檢測到導航軟體的導航功能被啟動後，可以啟動駕駛行為檢測功能。在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

或者，線上計程車司機可藉由線上計程車司機用戶端接受服務請求並啟動駕駛行為檢測功能。並且在啟動檢測功能之後，可以獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

接下來，可以對目標資料執行特徵提取，以提取時域特徵、頻域特徵或速度特徵中的至少一個。

最後，可以將時域特徵、頻域特徵和速度特徵輸入到訓練的決策樹模型中。決策樹模型可以被配置為基於時域特徵、頻域特徵和速度特徵，確定司機是否具有危險駕駛行為，並且回應於確定司機具有危險駕駛行為，確定駕駛行為的類型。

應當注意，在這種情況下，決策樹模型可以是基於訓練樣本預先訓練好的模型。訓練流程可以描述為如下流程：獲取訓練樣本，其中訓練樣本包括輸入資料和輸出資料，輸入資料可以是時域特徵、頻域特徵和速度特徵（即，如上所述的特徵參數），輸出資料可以是標識資訊，其指示對應於輸入資料的行為是否是危險駕駛行為和危險駕駛行為的類型。此外，訓練後的決策樹模型可以藉由基於訓練樣本訓練模型來獲取。

圖17係根據本申請的一些實施例所示的在行動終端上執行的示例性駕駛行為檢測裝置的方塊圖。駕駛行為檢測裝置1700可包括獲取模組1711、第一確定模組1712、資料提取模組1713、座標轉換模組1714、特徵提取模組1715和第二確定模組1716。在一些實施例中，駕駛行為檢測裝置1700可以整合到伺服器110中。例如，駕駛行為檢測裝置1700可以是處理引擎112的一部分。

獲取模組1711可以被配置為藉由安裝在行動終端上的加速度感測器獲取加速度資料。加速度資料可以包括分別對應於x軸、y軸和z軸的加速度資料a_x 、a_y 和a_z （也分別稱為「x軸加速度」、「y軸加速度」、和「z軸加速度」）。

第一確定模組1712可以被配置為基於a_x 、a_y 和a_z 的值，確定其中可能發生危險駕駛行為的資料區間（也稱為「目標時段」）。

資料提取模組1713可以被配置為在資料區間內提取加速度資料。

座標轉換模組1714可以被配置為藉由對提取的加速度資料執行座標轉換以獲取目標資料，其中對應於目標資料的x軸和y軸組成的平面可以是水平面，z軸方向可以與重力方向相同。

特徵提取模組1715可以被配置為基於預定的特徵參數對目標資料執行特徵提取，其中預定的特徵參數包括時域特徵、頻域特徵、速度特徵中的至少一個。

第二確定模組1716可以被配置為基於提取的特徵確定是否可能發生危險駕駛行為。

在一些實施例中，根據上述裝置，可以藉由行動終端及時有效地檢測到司機的駕駛行為，並且可以確定司機是否具有危險駕駛行為。對於線上叫車平臺，藉由及時有效地檢測司機的危險駕駛行為，可以保證司機和乘客的個人安全，最佳化服務請求分配策略，進而可以進一步最佳化線上叫車平臺。

在一些實施例中，獲取模組1711可以被配置為當行動終端啟動駕駛行為檢測功能時，獲取由安裝在行動終端上的加速度感測器收集的加速度資料。

在一些實施例中，如果行動終端啟動導航功能及/或接受來自線上叫車平臺的服務請求，則該裝置還可以包括啟動模組，該啟動模組被配置為啟動駕駛行為檢測功能。

在一些實施例中，第一確定模組1712可包括被配置為基於a_x 、a_y 和a_z 確定總加速度的計算單元；被配置為確定總加速度大於預定的臨界值的連續個數的統計單元；和被配置為回應於確定連續個數大於預定的臨界值，將連續的加速度對應的加速度資料區間確定為在其中可能發生危險駕駛行為的資料區間的判斷單元。

在一些實施例中，計算單元可以被配置為基於等式（1）或等式（2）確定總加速度。

在一些實施例中，座標轉換模組1714可以被配置為對提取的加速度資料執行高通濾波以提取低頻加速度資料。座標轉換模組1714可以將低頻加速度資料的方向指定為重力方向。座標轉換模組1714可以基於重力方向和a_z 方向之間的角度建構旋轉矩陣。座標轉換模組1714可以藉由將提取的加速度資料乘以旋轉矩陣，對加速度資料執行座標轉換。

在一些實施例中，在加速度資料乘以旋轉矩陣之後，該裝置還可以包括調整模組，該調整模組被配置為藉由SVD裝置調整旋轉後的a_x 或旋轉後的a_y 相對應的座標軸的方向，以與當前的行駛方向一致。

在一些實施例中，特徵提取模組1715可被配置為，如果特徵參數包括時域特徵，確定沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度或沿每個座標軸的加速度方差。特徵提取模組1715可被配置為，如果特徵參數包括頻域特徵，基於短時傅立葉轉換（STFT），將目標資料轉換為頻域資料，並且確定與頻域資料相對應的頻域特徵。特徵提取模組1715可以沿每個座標軸對目標資料執行積分，並且基於積分結果確定沿每個座標軸的速度最大值、沿每個座標軸的速度最小值、沿每個座標軸的速度終值或沿每個座標軸的速度中值。

在一些實施例中，特徵提取模組1715可以進一步被配置為確定頻域資料對應的高頻能量值、低頻能量值或低頻持續時間。

在一些實施例中，第二確定模組1716可以被配置為將提取的特徵輸入到儲存在行動終端上的決策樹模型中，並輸出包括是否可能發生危險駕駛行為的決策結果。可以基於對應於危險駕駛行為的特徵參數預先訓練決策樹模型。

在一些實施例中，該裝置還可包括儲存模組，該儲存模組被配置為，回應於確定發生危險駕駛行為，儲存該危險駕駛行為對應的加速度資料。

在一些實施例中，該裝置還可以包括被配置為根據預定的時段，將加速度資料發送到伺服器110的第一傳輸模組。在一些實施例中，該裝置還可以包括被配置為當儲存的加速度資料達到預定的量時，將加速度資料發送到伺服器110的第二傳輸模組。

這裡提供的裝置的實現原理和技術效果與前述實施例中描述的相同。為方便起見，在實施例裝置中未描述的那些可以參考前述方法實施例。

駕駛行為檢測裝置1700中的模組可以藉由有線連接或無線連接彼此連接或通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路（LAN）、廣域網路（WAN）、藍牙、ZigBee、近場通訊（NFC）或類似物或其任意組合。任何兩個模組可以組合成單個模組，任何一個模組可以分成兩個或以上單元。

圖18係根據本申請的一些實施例所示的示例性處理引擎的方塊圖。處理引擎112可包括獲取模組1802、目標時段確定模組1804、目標資料確定模組1806和識別模組1808。

獲取模組1802可以被配置為從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料（例如，圖4中描述的第一運動資料、圖8中描述的加速度資料）。

目標時段確定模組1804可以被配置為基於駕駛資料確定目標時段。在一些實施例中，如結合圖4和圖6所描述的，目標時段確定模組1804可以基於前置規則確定目標時段。目標時段確定模組1804可以確定對應於複數個時間點的駕駛資料的複數個波動方差。回應於確定複數個波動方差大於方差臨界值（即，如圖4所示，第一臨界值或者第二臨界值），目標時段確定模組1804可以進一步將包括該複數個時間點的時段確定為目標時段。在一些實施例中，如結合圖8和圖10所描述的，目標時段確定模組1804可以識別時段，在該時段內，對應於多個時間點的多個總加速度中的每一個均大於加速度臨界值，以及回應於確定多個總加速度的個數大於個數臨界值，將該時段確定為目標時段。

目標資料確定模組1806可以被配置為基於駕駛資料獲取目標時段內的目標資料。在一些實施例中，如結合圖4和圖6所描述的，目標資料確定模組1806可以確定目標時段內與駕駛資料相關的特徵資料，並且基於特徵資料和機器學習模型（例如，搖晃二分類模型），從駕駛資料中過濾不相關資料，以確定目標時段內的目標資料。在一些實施例中，如圖8和圖12所述，目標資料確定模組1806可以從駕駛資料中獲取目標時段內的加速度資料，對加速度資料執行座標轉換，並且基於轉換的加速度資料獲取目標時段內的目標資料。

識別模組1808可以被配置為基於目標資料識別司機的危險駕駛行為的存在。在一些實施例中，處理引擎112可以提取與目標資料相關的一個或多個特徵參數，並基於一個或多個特徵參數識別危險駕駛行為的存在。

可以在本申請的其他地方找到對模組的更多描述（例如，圖19及其描述）。

處理引擎112中的模組可以經由有線連接或無線連接彼此連接或通訊。有線連接可以包括金屬纜線、光纜、混合纜線或類似物或其任意組合。無線連接可以包括區域網路（LAN）、廣域網路（WAN）、藍牙、ZigBee、近場通訊（NFC）或類似物或其任意組合。兩個或以上模組可以被組合為單個模組，且模組中的任一個可以被分成兩個或以上單元。例如，處理引擎112可以包括被配置為儲存與司機相關的資訊及/或資料（例如，駕駛資料、目標時段、目標資料）的儲存模組（未示出）。又例如，目標時段確定模組1804和目標資料確定模組1806可以組合為單個模組，其可以確定目標時段和目標資料。

圖19係根據本申請的一些實施例所示的用於識別危險駕駛行為的示例性流程的流程圖。流程1900可以由隨選服務系統100執行。例如，流程1900可以實現為儲存在儲存器ROM 230或RAM 240中的一組指令（例如，應用程式）。處理器220及/或圖18中的模組可以執行一組指令，並且當執行指令時，處理器220及/或模組可以被配置用於執行流程1900。以下所示流程的操作僅出於說明的目的。在一些實施例中，流程1900在實施時可以添加一個或多個本申請未描述的額外操作，及/或刪減一個或多個此處所描述的操作。另外，如圖19所示和下面描述的的流程的操作順序不旨在具有限制性。在一些實施例中，流程1900可以由伺服器110或行動終端（例如，提供方終端140）執行，如上所述，可以認為流程1900由處理引擎112執行。

在1901中，處理引擎112（例如，獲取模組1802）（例如，處理器220的介面電路）可以從與司機所駕駛的運輸工具相關的感測器中獲取駕駛資料（例如，圖4中描述的第一運動資料、圖8中描述的加速度資料）。如本文所使用的，駕駛資料可以包括加速度資訊、速度資訊、位置資訊、時間資訊或姿態資訊中的至少一個。如本申請中其他地方所述，感測器可包括與運輸工具相關的終端裝置（例如，提供方終端140）的感測器，因此，位置資訊可指示與運輸工具一起移動的終端裝置的姿態。

在一些實施例中，感測器可包括陀螺儀、加速度感測器、全球定位系統（GPS）感測器或重力感測器中的至少一個。在一些實施例中，處理引擎112可以根據預設頻率（例如，每0.01秒、每0.02秒、每0.05秒、每秒）獲取駕駛資料。可以在本申請的其他地方找到對駕駛資料的更多描述（例如，圖4、圖6、圖8和圖10及其描述）。

在1902中，處理引擎112（例如，目標時段確定模組1804）（例如，處理器220的處理電路）可以基於駕駛資料確定目標時段。

在一些實施例中，如結合圖4和圖6所描述的，處理引擎112可以基於前置規則確定目標時段。處理引擎112可以確定對應於複數個時間點的駕駛資料的複數個波動方差。回應於確定複數個波動方差大於方差臨界值（即，如圖4所示的第一臨界值或第二臨界值），處理引擎112可以進一步將包括複數個時間點的時段確定為目標時段。可以在本申請的其他地方找到對前置規則的更多描述（例如，圖4、圖6及其描述）。

在一些實施例中，如結合圖8和圖10所描述的，處理引擎112可以識別時段，在該時段內，對應於複數個時間點的複數個總加速度中的每一個均大於加速度臨界值，回應於確定複數個總加速度的個數大於計數臨界值，將該時段作為目標時段。可以在本申請的其他地方找到對總加速度的更多描述（例如，圖8、圖10及其描述）。

在1903中，處理引擎112（例如，目標資料確定模組1806）（例如，處理器220的處理電路）可以基於駕駛資料獲取目標時段內的目標資料。

在一些實施例中，如結合圖4和圖6所描述的，處理引擎112可以確定在目標時段內與駕駛資料相關的特徵資料，並且基於特徵資料和機器學習模型（例如，搖晃二分類模型），從駕駛資料濾除不相關資料，確定該時段內的目標資料。駕特徵資料可以包括加速度最大值、加速度最小值、加速度均值、加速度轉換角度最大值、加速度轉換角度最小值、加速度轉換角度均值、沿三維座標系統三個方向上加速度最大值、沿三維座標系統三個方向上加速度最小值、沿三維座標系統三個方向上加速度均值或類似物或其任意組合。特徵資料和機器學習模型的更多描述可以在本申請的其他地方找到（例如，圖4-7及其描述）。

在一些實施例中，如圖8和圖12中所述，處理引擎112可以從駕駛資料中獲取目標時段內的加速度資料，對加速度資料執行座標轉換，並且基於轉換的加速度資料獲取目標時段內的目標資料。例如，處理引擎112可以藉由對目標時段內的加速度資料執行高通濾波提取低頻加速度資料。處理引擎112可以將低頻加速度資料的方向指定為重力方向。處理引擎112可以基於重力方向和z軸加速度的方向之間的角度確定旋轉矩陣。處理引擎112還可以基於旋轉矩陣對加速度資料執行座標轉換。可以在本申請的其他地方找到對座標轉換的更多描述（例如，圖12及其描述）。在一些實施例中，處理引擎112可以進一步基於奇異值分解法（SVD），將座標轉換後的x軸加速度或y軸加速度的方向調整為與司機相關的運輸工具的行駛方向。

在1904中，處理引擎112（例如，識別模組1808）（例如，處理器220的處理電路）可基於目標資料識別司機的危險駕駛行為的存在。

在一些實施例中，如結合圖6所述，處理引擎112可基於機器學習模型識別司機的危險駕駛行為的存在。

在一些實施例中，如結合圖16所述，處理引擎112可以提取與目標資料相關的一個或多個特徵參數，並基於一個或多個特徵參數識別危險駕駛行為的存在。在一些實施例中，一個或多個特徵參數可包括時域特徵、頻域特徵、速度特徵或類似物或其任意組合。

在一些實施例中，處理引擎112可以提取時域特徵，其包括沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度、沿每個座標軸的加速度方差或類似物或其任意組合。

在一些實施例中，處理引擎112可藉由對目標資料執行傅立葉轉換確定對應於目標資料的頻域資料，並提取頻域特徵。頻域特徵可包括高頻能量值、低頻能量值、低頻持續時間或類似物或其任意組合。

在一些實施例中，處理引擎112可以對目標資料執行積分並提取速度特徵，其包括沿每個座標軸的速度最大值、沿每個座標軸的速度最小值、沿每個座標軸的速度終值、沿每個座標軸的速度中值或類似物或其任意組合。

在一些實施例中，在提取一個或多個特徵參數之後，處理引擎112可以藉由使用訓練後的識別模型，基於一個或多個特徵參數，識別危險駕駛行為的存在。有關危險駕駛行為的識別的更多描述可以在本申請的其他地方找到（例如，圖5、圖8、圖13-17及其描述）。

在一些實施例中，如本申請中其他地方所述，處理引擎112還可以將與司機的危險駕駛行為相關的相關資料上傳到伺服器110。

應該注意的是，上述僅出於說明性目的而提供，並不旨在限制本申請的範圍。對於本領域具有通常知識者來說，根據本申請的教導可以做出多種變化和修改。然而，變化和修改不會背離本申請的範圍。例如，可以在示例性流程1900中的其他地方添加一個或多個其他可選操作（例如，儲存操作）。在儲存操作中，處理引擎112可以將駕駛資料、目標時段及/或目標資料儲存在本申請中其他地方揭露的儲存裝置（例如，儲存器150）中。

本申請的一些實施例可以採取體現在一個或多個電腦可讀取媒體中的電腦程式產品的形式，該電腦可讀取媒體具有包含在其上的電腦可讀取程式碼。例如，電腦可讀取儲存媒體可以包括但不限於磁碟儲存器、CD-ROM和光學儲存器。

本申請還可以提供包括指令的電腦儲存媒體。當由至少一個處理器執行時，指令可以指示至少一個處理器執行在本申請其他地方描述的流程（例如，流程600、流程700、流程800、流程1000、流程1200、流程1600、流程1900）。

另外，在本申請的實施例的描述中，除非明確定義或限制，否則應廣義地理解術語「安裝」、「連接」或「相接」。例如，它可以是固定連接、可拆卸連接或整體連接；它可以是機械連接或電氣連接；它可以直接連接或藉由中間媒體間接連接，中間媒體可以是兩個元件之間的內部連接。對於本領域具有通常知識者而言，本申請中的術語的具體含義可以在特定情況下理解。

在本申請的描述中，應該注意，術語「第一」、「第二」和「第三」僅用於描述目的，不應被解釋為表示或暗示相對重要性。

上文已對基本概念做了描述，顯然，對於閱讀此申請後的本領域具有通常知識者來說，上述申請揭露僅作為示例，並不構成對本申請的限制。雖然此處並沒有明確說明，本領域具有通常知識者可能會對本申請進行各種修改、改進和修正。這些修改、改進和修正在本申請中被建議，所以該類修改、改進、修正仍屬於本申請示範實施例的精神和範圍。

同時，本申請使用了特定術語來描述本申請的實施例。如「一個實施例」、「一實施例」、及/或「一些實施例」意指與本申請至少一個實施例相關的某一特徵、結構或特點。因此，應強調並注意的是，本說明書中在不同位置兩次或多次提到的「實施例」、「一個實施例」或「替代性實施例」並不一定是指同一實施例。此外，本申請的一個或多個實施例中的某些特徵、結構或特點可以進行適當的組合。

此外，本領域具有通常知識者可以理解，本申請的各態樣可以藉由若干具有可以專利性的種類或情況進行說明和描述，包括任何新的和有用的工序、機器、產品或物質的組合，或對他們的任何新的和有用的改進。因此，本申請的實施例可以在純硬體或純軟體中實施，其中軟體包括但不限於作業系統、常駐軟體或微代碼或類似物；也可以在同時包含硬體和軟體的「資料塊」、「模組」、「引擎」、「單元」、「元件」或「系統」或類似物中實施。此外，本申請的各態樣可以採取體現在一個或多個電腦可讀取媒體中的電腦程式產品的形式，其中電腦可讀取程式碼體現在其中

電腦可讀取信號媒體可以包含一個內含有電腦程式編碼的傳播資料信號，例如在基頻上或作為載波的一部分。所述傳播訊號可以有多種表現形式，包括電磁形式、光形式或類似物或合適的組合形式。電腦可讀取信號媒體可以是除電腦可讀取儲存媒體之外的任何電腦可讀取媒體，該媒體可以藉由連接至一個指令執行系統、裝置或裝置以實現通訊、傳播或傳輸供使用的程式。於電腦可讀取信號媒體上的被體現的程式碼可以藉由任何合適的媒體進行傳播，包括無線電、纜線、光纖纜線、RF或類似物，或任何上述媒體的組合。

本申請各態樣操作所需的電腦程式碼可以用一個或多個程式語言的任意組合編寫，包括物件導向程式設計語言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB. NET，Python或類似物，常規程式程式設計語言，如「C」程式設計語言、Visual Basic、Fortran 1703、Perl、COBOL 1702、PHP、ABAP，動態程式設計語言如Python、Ruby和Groovy，或其它程式設計語言。該程式編碼可以完全在使用者電腦上運行、或作為獨立的軟體包在使用者電腦上運行、或部分在使用者電腦上運行部分在遠端電腦運行、或完全在遠端電腦或伺服器上運行。在後種情況下，遠端電腦可以藉由任何網路形式與使用者電腦連接，比如區域網路（LAN）或廣域網路（WAN），或連接至外部電腦（例如藉由網際網路服務提供方之網際網路），或在雲端計算環境中，或作為服務使用如軟體即服務（SaaS）。

此外，除非申請專利範圍中明確說明，本申請所述處理元素和序列的順序、數字、字母的使用、或其他名稱的使用，並非用於限定本申請流程和方法的順序。儘管上述揭露中藉由各種示例討論了一些目前認為有用的申請實施例，但應當理解的是，該類細節僅起到說明的目的，附加的申請專利範圍並不僅限於揭露的實施例，相反，申請專利範圍旨在覆蓋所有符合本申請實施例實質和範圍的修正和均等組合。例如，雖然以上所描述的系統元件可以在硬體裝置中而被體現，但是也可以實現為只有軟體的解決方案，例如安裝在現有的伺服器或行動裝置上。

同理，應當注意的是，為了簡化本申請揭露的表述，從而幫助對一個或多個申請實施例的理解，前文對本申請實施例的描述中，有時會將多種特徵歸併至一個實施例、圖式或對其的描述中。然而，本申請的方法不應被解釋為反映所主張的發明標的需要比每個請求項中所明確記載的還要多的特徵的意圖。實際上，所主張的發明標的的特徵要少於上述揭露的單個實施例的全部特徵。

100‧‧‧隨選服務系統 110‧‧‧伺服器 112‧‧‧處理引擎 120‧‧‧網路 120-1‧‧‧網際網路存取點 120-2‧‧‧網際網路存取點 130‧‧‧請求方終端 130-1‧‧‧行動裝置 130-2‧‧‧平板電腦 130-3‧‧‧膝上型電腦 130-4‧‧‧運輸工具內建裝置 140‧‧‧提供方終端 140-1‧‧‧行動裝置 140-2‧‧‧平板電腦 140-3‧‧‧膝上型電腦 140-4‧‧‧運輸工具內建裝置 150‧‧‧儲存器 200‧‧‧計算裝置 210‧‧‧匯流排 220‧‧‧處理器 230‧‧‧唯讀記憶體 240‧‧‧隨機存取記憶體 250‧‧‧通訊埠 260‧‧‧輸入/輸出 270‧‧‧磁碟 300‧‧‧行動裝置 310‧‧‧通訊平臺 320‧‧‧顯示器 330‧‧‧圖形處理單元 340‧‧‧中央處理器 350‧‧‧輸入/輸出 360‧‧‧記憶體 370‧‧‧行動作業系統 380‧‧‧應用程式 390‧‧‧儲存器 402‧‧‧獲取模組 404‧‧‧前置規則確定模組 406‧‧‧時間確定模組 408‧‧‧資料處理模組 410‧‧‧通訊模組 412‧‧‧識別模組 502‧‧‧獲取單元 504‧‧‧特徵資料產生單元 506‧‧‧訓練單元 508‧‧‧過濾單元 600‧‧‧流程 602‧‧‧操作 604‧‧‧操作 606‧‧‧操作 608‧‧‧操作 610‧‧‧操作 612‧‧‧操作 700‧‧‧流程 702‧‧‧操作 704‧‧‧操作 706‧‧‧操作 800‧‧‧流程 802‧‧‧操作 804‧‧‧操作 806‧‧‧操作 808‧‧‧操作 810‧‧‧操作 812‧‧‧操作 1000‧‧‧流程 1001‧‧‧操作 1002‧‧‧操作 1003‧‧‧操作 1200‧‧‧流程 1201‧‧‧操作 1202‧‧‧操作 1203‧‧‧操作 1204‧‧‧操作 1600‧‧‧流程 1601‧‧‧操作 1602‧‧‧操作 1603‧‧‧操作 1604‧‧‧操作 1605‧‧‧操作 1700‧‧‧駕駛行為檢測裝置 1711‧‧‧獲取模組 1712‧‧‧第一確定模組 1713‧‧‧資料提取模組 1714‧‧‧座標轉換模組 1715‧‧‧特徵提取模組 1716‧‧‧第二確定模組 1802‧‧‧獲取模組 1804‧‧‧目標時段確定模組 1806‧‧‧目標資料確定模組 1808‧‧‧識別模組 1900‧‧‧流程 1901‧‧‧操作 1902‧‧‧操作 1903‧‧‧操作 1904‧‧‧操作

本申請將藉由示例性實施例進行進一步描述。這些示例性實施例將藉由圖式進行詳細描述。這些實施例是非限制性的示例性實施例，在這些實施例中，各圖中相同的元件符號表示相似的結構，其中：

圖1係根據本申請的一些實施例所示的示例性隨選服務系統的示意圖；

圖2係根據本申請的一些實施例的示例性計算裝置的示例性硬體及/或軟體元件的示意圖；

圖3係根據本申請的一些實施例所示的示例性行動裝置的示例性硬體及/或軟體元件的示意圖；

圖4係根據本申請的一些實施例所示的示例性處理引擎的方塊圖；

圖5係根據本申請的一些實施例所示的示例性資料處理模組的方塊圖；

圖6係根據本申請的一些實施例所示的用於識別危險駕駛行為的示例性流程的流程圖；

圖7係根據本申請的一些實施例所示的用於獲取第二運動資料的示例性流程的流程圖；

圖8係根據本申請的一些實施例所示的用於檢測駕駛行為的示例性流程的流程圖；

圖9係說明根據本申請的一些實施例所示的加速度座標系統的示意圖；

圖10係根據本申請的一些實施例所示的用於確定在其中可能發生危險駕駛行為的資料區間的示例性流程的流程圖；

圖11係根據本申請的一些實施例所示的旋轉y軸以與運輸工具的行駛方向一致的結果的示意圖；

圖12係根據本申請的一些實施例所示的對提取的加速度資料執行座標轉換的示例性流程的流程圖；

圖13係根據本申請的一些實施例所示的時間和頻率之間的對應關係的示意圖；

圖14係表示根據本申請的一些實施例的頻域特徵中的時間、頻率和能量值之間的對應關係的示意圖；

圖15-A係根據本申請的一些實施例所示的運輸工具突然減速的示意圖；

圖15-B係根據本申請的一些實施例所示的運輸工具突然轉彎的示意圖；

圖15-C係根據本申請的一些實施例所示的運輸工具突然加速的示意圖；

圖16係根據本申請的一些實施例的所示的用於檢測駕駛行為的示例性流程的流程圖；

圖17係根據本申請的一些實施例所示的在行動終端上執行的示例性駕駛行為檢測裝置的方塊圖；

圖18係根據本申請的一些實施例所示的示例性處理引擎的方塊圖；以及

圖19係根據本申請的一些實施例所示的用於識別危險駕駛行為的示例性流程的流程圖。

1900‧‧‧流程

1901‧‧‧操作

1902‧‧‧操作

1903‧‧‧操作

1904‧‧‧操作

Claims

一種系統，包括：用於儲存一組指令的儲存媒體；以及與所述儲存媒體通訊地耦合的處理器，執行該組指令以：從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料，確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在；其中，為了基於所述駕駛資料確定所述目標時段，所述處理器用於：確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段為所述目標時段。
如申請專利範圍第1項之系統，其中，所述駕駛資料包括加速度資訊、速度資訊、位置資訊、時間資訊或姿態資訊中的至少一個。
如申請專利範圍第1或2項之系統，進一步包括陀螺儀、加速度感測器、全球定位系統(GPS)感測器或重力感測器中的至少一個，其中所述處理器使用所述陀螺儀、所述加速度感測器、所述全球定位系統(GPS)感測器或所述重力感測器中的至少一個，以獲取所述駕駛資料。
如申請專利範圍第1或2項之系統，其中，為了基於所述駕駛資料，獲取所述目標時段內的所述目標資料，所述處理器用於：確定與所述目標時段內所述駕駛資料相關的特徵資料；以及基於所述特徵資料和機器學習模型，藉由從所述駕駛資料中濾除無關的資料以確定所述目標時段內的所述目標資料。
如申請專利範圍第1或2項之系統，其中，為了基於所述駕駛資料，確定所述目標時段，所述處理器用於：識別一時段，在所述時段內對應於複數個時間點的複數個總加速度中的每一個總加速度大於加速度臨界值；以及回應於確定所述複數個總加速度的個數大於計數臨界值，確定所述時段為所述目標時段。
如申請專利範圍第1或2項之系統，其中，為了基於所述駕駛資料，獲取所述目標時段內的所述目標資料，所述處理器用於：從所述駕駛資料獲取所述目標時段內的加速度資料；對所述加速度資料執行座標轉換；以及基於轉換的加速度資料，獲取所述目標時段內的所述目標資料。
如申請專利範圍第6項之系統，其中，為了對所述加速度資料執行所述座標轉換，所述處理器用於：藉由對所述目標時段內的所述加速度資料進行高通濾波，提取低頻加速度資料；指定所述低頻加速度資料的方向作為重力方向；基於所述重力方向和Z軸加速度方向之間的角度確定旋轉矩陣；以及基於所述旋轉矩陣，對所述加速度資料執行所述座標轉換。
如申請專利範圍第7項之系統，其中，所述處理器用於：在所述座標轉換之後，基於奇異值分解法(SVD)，將x軸加速度或y軸加速度的方向調整為與所述司機相關的運輸工具的行駛方向。
如申請專利範圍第1或2項之系統，其中，為了基於所述目標資料，識別所述司機的危險駕駛行為的存在，所述處理器用於：提取與所述目標資料相關的一個或多個特徵參數，所述一個或多個特徵參數包括時域特徵、頻域特徵或速度特徵中的至少一個；以及基於所述一個或多個特徵參數，識別所述危險駕駛行為的存在。
如申請專利範圍第9項之系統，其中，所述一個或多個特徵參數包含所述時域特徵，為了提取與所述目標資料相關的所述一個或多個特徵參數，所述處理器用於：提取所述時域特徵，所述時域特徵包括沿每個座標軸的最大加速度、沿每個座標軸的最小加速度、沿每個座標軸的平均加速度或沿每個座標軸的加速度方差。
如申請專利範圍第9項之系統，其中，所述一個或多個特徵參數包括所述頻域特徵，為了提取與所述目標資料相關的所述一個或多個特徵參數，所述處理器用於：藉由對所述目標資料進行傅立葉轉換，確定所述目標資料對應的頻域特徵資料；以及提取所述頻域特徵，所述頻域特徵包括高頻能量值、低頻能量值或低頻持續時間中的至少一個。
如申請專利範圍第9項之系統，其中，所述一個或多個特徵參數包括所述速度特徵，為了提取與所述目標資料相關的所述一個或多個特徵參數，所述處理器用於：藉由對所述目標資料執行積分，提取所述速度特徵，所述速度特徵包括沿每個座標軸的速度最大值、沿每個座標軸的速度最小值或沿每個座標軸的速度中值。
如申請專利範圍第9項之系統，其中，為了基於所述一個或多個特徵參數，識別所述危險駕駛行為的存在，所述處理器用於：使用訓練後的識別模型，基於所述一個或多個特徵參數，識別所述危險駕駛行為的存在。
如申請專利範圍第1或2項之系統，其中，所述處理器用於：根據預設頻率，獲取與所述司機所駕駛的所述運輸工具相關的所述駕駛資料。
如申請專利範圍第1或2項之系統，其中，與所述運輸工具相關的所述感測器包括與所述運輸工具相關的終端裝置的感測器。
一種在計算裝置上實施的方法，所述計算裝置包括至少一個處理器、至少一個儲存媒體、以及連接到網路的通訊平臺，所述方法包括：從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料，確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在；其中，基於所述駕駛資料，確定所述目標時段，包括：確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段為所述目標時段。
如申請專利範圍第16項之方法，其中，基於所述駕駛資料，確定所述目標時段，包括：識別一時段，在所述時段內對應於複數個時間點的複數個總加速度中的每一個總加速度大於加速度臨界值；以及回應於確定所述複數個總加速度的個數大於計數臨界值，確定所述時段為所述目標時段。
一種非暫時性電腦可讀取媒體，包括可執行指令，當由至少一個處理器執行時，所述可執行指令指示所述至少一個處理器執行一方法，所述方法包括：從與司機所駕駛的運輸工具相關的感測器獲取駕駛資料；基於所述駕駛資料，確定目標時段；基於所述駕駛資料，獲取所述目標時段內的目標資料；以及基於所述目標資料，識別所述司機的危險駕駛行為的存在；其中，基於所述駕駛資料，確定所述目標時段，包括：確定對應於複數個時間點的所述駕駛資料的複數個波動方差；以及回應於確定所述複數個波動方差大於方差臨界值，確定包含所述複數個時間點的時段為所述目標時段。