TWI754068B - 用於基於運動資料識別駕駛行為的裝置和方法 - Google Patents

用於基於運動資料識別駕駛行為的裝置和方法 Download PDF

Info

Publication number
TWI754068B
TWI754068B TW107118520A TW107118520A TWI754068B TW I754068 B TWI754068 B TW I754068B TW 107118520 A TW107118520 A TW 107118520A TW 107118520 A TW107118520 A TW 107118520A TW I754068 B TWI754068 B TW I754068B
Authority
TW
Taiwan
Prior art keywords
data
electronic device
motion data
electronic
electronic signal
Prior art date
Application number
TW107118520A
Other languages
English (en)
Other versions
TW201905843A (zh
Inventor
陳奥
肖中中
樊翀
Original Assignee
大陸商北京嘀嘀無限科技發展有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大陸商北京嘀嘀無限科技發展有限公司 filed Critical 大陸商北京嘀嘀無限科技發展有限公司
Publication of TW201905843A publication Critical patent/TW201905843A/zh
Application granted granted Critical
Publication of TWI754068B publication Critical patent/TWI754068B/zh

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

提供了用於識別駕駛行為的電子裝置和方法。所述電子裝置可以執行所述方法以在目標時間點從至少一個感測器獲得與所述電子裝置相關的第一電子信號編碼運動資料；操作邏輯電路以確定所述第一電子信號編碼運動資料是否滿足先決條件；以及在所述第一電子信號編碼運動資料滿足所述先決條件時，將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器。

Description

用於基於運動資料識別駕駛行為的裝置和方法
本申請涉及用於識別行為的裝置和方法，尤其涉及用於基於運動資料識別駕駛行為的裝置和方法。
本申請主張2017年5月31日提交之申請號為PCT/CN2017/086563的PCT申請案的優先權，其全部內容通過引用被包含於此。
隨著網際網路技術的發展，線上叫車服務和配送服務等隨選服務在人們的日常生活中發揮了重要作用。例如，用於運輸的隨選運輸服務可能被使用者(例如，乘客)大量使用。通過線上隨選服務平臺，使用者可以通過安裝在使用者裝置(例如，移動智慧電話)上的應用，以隨選服務的形式請求隨選服務。利用移動智慧電話產生的資料，線上隨選服務平臺可以為運輸服務分析駕駛行為。
根據本申請的一個態樣，提供了一種電子裝置。所述電子裝置可以包括至少一個感測器；至少一個處理器可讀取儲存媒體，其包括用於檢測預定駕駛行為的一組指令；以及與所述至少一個處理器可讀取儲存媒體通訊的至少一個處理器。當執行該組指令時，所述至少一個處理器用於執行以下操作 中的至少一個。所述至少一個處理器可以在目標時間點從所述至少一個感測器獲得與裝置相關的第一電子信號編碼運動資料。所述至少一個處理器可以操作邏輯電路以確定所述第一電子信號編碼運動資料是否滿足先決條件。當所述第一電子信號編碼運動資料滿足所述先決條件時，所述至少一個處理器可以將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器。
根據本申請的另一個態樣，提供了一種檢測預定駕駛行為的方法。該方法可以包括由電子裝置獲得在目標時間點與所述電子裝置相關的第一電子信號編碼運動資料；由所述電子裝置確定所述第一電子信號編碼運動資料是否符合先決條件；以及在所述第一電子信號編碼運動資料滿足所述先決條件時，由所述至少一個處理器將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送給遠端伺服器。
在一些實施例中，所述電子裝置可以是包括觸控式螢幕、揚聲器、麥克風或天線的移動智慧電話，並且所述移動智慧電話連接到移動網路並可以撥打電話。
在一些實施例中，所述至少一個感測器可以包括陀螺儀、加速度感測器、全球定位系統(GPS)或重力感測器中的至少一個。
在一些實施例中，所述至少一個處理器可以進一步確定電子裝置與運輸工具一起移動。
在一些實施例中，所述第一電子信號編碼運動資料可以包括線性加速度、角加速度或姿勢資訊中的至少一個，所述姿勢資訊包括角色資訊、偏航資訊或者傾斜資訊。
在一些實施例中，所述至少一個感測器可以週期性地產生所述第一電子信號編碼運動資料，所述電子裝置可以週期性地獲取所述第一電子信 號編碼運動資料。
在一些實施例中，所述至少一個處理器可以進一步操作所述至少一個處理器中的邏輯電路，以基於機器學習訓練模型來從所述第一電子信號編碼運動資料中濾除不需要的資訊。
在一些實施例中，所述不需要的資訊是與搖動所述電子裝置、將所述電子裝置放在所述運輸工具的底部或所述電子裝置的電子故障中的至少一個相關的雜訊資訊。
在一些實施例中，所述先決條件包括所述線性加速度的臨界值、所述線性加速度的持續時間的臨界值、所述角加速度的臨界值、所述角加速度的持續時間的臨界值、在預定時間期間內的加速度方向的改變次數，或一段時間內的姿勢改變次數中的至少一個。
在一些實施例中，所述至少一個處理器可以進一步通過變化的發射頻率來發送與所述目標時間點相關的所述預定時間段內的第二電子信號編碼運動資料。
在一些實施例中，一旦所述第一電子信號編碼運動資料滿足所述先決條件，所述至少一個處理器可以確定觸發時間點，並基於所述觸發時間點在所述預定時間段內選擇所述第二電子信號編碼運動資料。
另外的特徵將在接下來的描述中部分地闡述，並且對於本領域具有通常知識者在檢閱下文和附圖時將部分地變得顯而易見，或者可以通過示例的生產或操作而被學習。本申請的特徵可以通過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。
100‧‧‧隨選服務系統
110‧‧‧伺服器
112‧‧‧處理引擎
120‧‧‧網路
120-1‧‧‧網際網路交換點
120-2‧‧‧網際網路交換點
130‧‧‧服務請求者終端
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‧‧‧服務提供者終端
140-1‧‧‧服務提供者終端
140-2‧‧‧服務提供者終端
140-n‧‧‧服務提供者終端
150‧‧‧運輸工具
150-1‧‧‧運輸工具
150-2‧‧‧運輸工具
150-n‧‧‧運輸工具
160‧‧‧資料庫
170‧‧‧導航系統
170-1‧‧‧衛星
170-2‧‧‧衛星
170-3‧‧‧衛星
200‧‧‧處理器
210‧‧‧確定模組
220‧‧‧獲取模組
230‧‧‧先決條件模組
240‧‧‧輸入/輸出模組
310‧‧‧資料獲取模組
320‧‧‧資料預處理模組
330‧‧‧特徵產生模組
340‧‧‧行為分析模組
350‧‧‧終端控制模組
410‧‧‧流程
411‧‧‧步驟
412‧‧‧步驟
413‧‧‧步驟
414‧‧‧步驟
420‧‧‧流程
421‧‧‧步驟
422‧‧‧步驟
423‧‧‧步驟
424‧‧‧步驟
500‧‧‧流程
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
600‧‧‧移動智慧電話座標系統
700‧‧‧地球座標系統
800‧‧‧計算裝置
810‧‧‧內部通訊匯流排
820‧‧‧CPU
830‧‧‧唯讀記憶體
840‧‧‧隨機存取記憶體
850‧‧‧通訊埠
860‧‧‧輸入/輸出
870‧‧‧磁碟
880‧‧‧使用者介面元件
900‧‧‧示例性行動裝置
910‧‧‧通訊平臺
920‧‧‧顯示器
930‧‧‧圖形處理單元
940‧‧‧CPU
950‧‧‧輸入/輸出
960‧‧‧記憶體
970‧‧‧行動作業系統
980‧‧‧應用程式
990‧‧‧儲存器
本申請以示例性實施例的方式來進一步描述。這些示例性實施 例參考至圖式而被詳細地描述。這些實施例是非限制性的示例性實施例，其中相同的元件符號代表整個圖式的數個視圖之相似結構，並且其中：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方塊圖；圖2係根據本申請的一些實施例所示的示例性處理器的方塊圖；圖3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4A係根據本申請的一些實施例所示的用於處理運動資料的示例性流程的流程圖；圖4B係根據本申請的一些實施例所示的用於處理運動資料的示例性流程的流程圖；圖5係根據本申請的一些實施例所示的用於分析駕駛行為的示例性流程的流程圖；圖6係根據本申請的一些實施例所示的裝置的示意圖；圖7示出了根據本申請的一些實施例的與地球一起旋轉的座標系統的示意圖；圖8係根據本申請的一些實施例所示的計算裝置的示例性硬體及/或軟體組件的示意圖；以及圖9係根據本申請的一些實施例所示的可用於實現使用者終端的行動裝置的示例性硬體及/或軟體組件的示意圖。
下述描述是為了使本領域具有通常知識者能製造和使用本申請，並且該描述是在特定的應用及其要求的背景下提供的。對於本領域具有通常知識者來說，顯然可以對所揭露的實施例作出各種改變。另外，在不偏離本申請的精神和範圍的情況下，本申請中所定義的普遍原則可以適用於其他實施 例和應用場景。因此，本申請並不限於所揭露的實施例，而應被給予與申請專利範圍一致的最寬泛的範圍。
此處使用的術語僅僅用來描述特定的示意性實施例，並且不具有限定性。如本申請和專利申請範圍書中所示，除非上下文明確提示例外情形，「一」、「一個」、「一種」及/或「該」等詞並非特指單數，也可包括複數。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、特色、以及相關結構元素的功能和操作方法，以及製造的經濟和部件組合更加顯而易見，這些都構成說明書的一部分。然而，應當理解，附圖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，附圖並不是按比例的。
本申請中使用了流程圖用來說明根據本申請的實施例的系統所執行的操作。應當理解的是，流程圖的操作不一定按照順序來精確地執行。相反地，可以按照倒序執行或同時處理各種步驟。此外，可以將一個或多個其他操作添加到這些流程圖中，或者從這些流程圖中移除一個或多個操作。
同時，雖然本申請系統和方法的描述主要關於運輸服務的分配請求，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可以能適用於其他任一種隨選服務。例如，本申請的系統和方法可以應用於不同環境下的運輸系統，包括陸地、海洋、航空航太或類似物或其任意組合。所述運輸系統的運輸工具可以包括計程車、私家車、順風車、公車、列車、子彈列車、高鐵、地鐵、船舶、飛機、飛船、熱氣球、無人駕駛運輸工具或類似物或其任意組合。所述運輸系統也可以包括用於管理及/或分配的任一種運輸系統， 例如，接收及/或送快遞的系統。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、定制系統、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」、「請求者」、「服務請求者」和「客戶」可以交換使用，是指可以請求或預定服務的個體、實體或工具。同樣地，本申請描述的「司機」、「提供者」、「供應者」、「服務提供者」、「服務者」、「服務方」等也是可以互換的，是指提供服務或者協助提供服務的個人、實體或工具等。
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、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應者或類似物或其任意組合所發起的請求。所述服務請求可以被乘客、請求者、服務請求者、客戶、司機、提供者、服務提供者、供應者中的任一個接受。所述服務請求可以是收費的或免費的。
本申請中的術語「服務提供者終端」和「駕駛者終端」可交換使用，是指由服務提供者用來提供服務或協助提供服務的行動終端。本申請中的術語「服務請求者終端」和「乘客終端」可交換使用，是指由服務請求者用來請求或訂購服務的行動終端。
本申請中使用的定位技術可以包括全球定位系統(GPS)、全球衛星導航系統(GLONASS)、北斗導航系統(COMPASS)、伽利略定位系統、准天頂衛星系統(QZSS)、無線保真(WiFi)定位技術或類似物或其任意組合。以上定位技術中的一個或多個可以在本申請中交換使用。
本申請的一態樣涉及用於基於運動資料來識別駕駛行為的線上裝置和方法。這些裝置和方法收集由移動智慧電話及/或運輸工具資料記錄器中的感測器產生的運動資料。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、圖像感測器或語音感測器。在由感測器產生運動資料之後，移動智慧電話及/或運輸工具資料記錄器可以根據先決條件來選擇運動資料。例如，如果滿足先決條件，則移動智慧電話可以選擇運動資料並將其發送給遠端接收器，例如，伺服器。伺服器可以使用機器學習訓練模型來分析運動資料並確定相應的駕駛行為。再例如，如果滿足先決條件，運輸工具資料記錄器可以將警報資料發送到遠端伺服器。伺服器可以利用指令(例如，在時間間隔內錄製視頻、報警等)對運輸工具資料記錄器做出回應。駕駛行為可以用於對駕駛員進行排序或由交通管理部門使用。
根據本申請的示例性實施例，汽車資料記錄器(具有多個感測器)可以收集其運動資料或汽車資料記錄器所附屬的運輸工具的運動資料。運動資料可以與駕駛員行為或乘客行為相關，包括但不限於語音相關行為、面部表情、動作行為、裝扮行為、禮儀行為等。汽車資料記錄器可以確定(自動地)收集的運動資料是否滿足先決條件。先決條件可以對應於駕駛員行為或乘客行為。先決條件可以包括規則和定義，規則包括如何確定收集的運動資料滿足先決條件的步驟。定義可以包括涉及語音、面部表情、控制工具、語言含義等的關鍵字(例如，幫助、血液、性別、藥物、酒等)的頻率。規則和定義可以是本地的或者儲存在管理資訊系統(management information system，MIS)中。
汽車資料記錄器可以將警報資料發送到遠端伺服器(或MIS的終端)。警報資料可以與收集的運動資料相同或者可以包括對駕駛員行為的描述(作為固定形式)、危險等級(1、2或3；普通、民事或刑事)、駕駛行為的類型(搏鬥、騷擾、睡眠)、結果、駕駛員是否需要行為干預，及/或監測駕駛員的物件(例如，伺服器110)是否需要報警、協助或管理駕駛員等。
遠端伺服器可以確定是否觸發汽車資料記錄器以產生視頻、如何產生視頻、誰是視頻中的主要對象、是否儲存視頻、是否提交視頻等。然後，遠端伺服器可以向汽車資料記錄器發送與所述確定相關的指令。(在一些實施例中，汽車記錄器可以直接確定是否產生視頻。)汽車資料記錄器可以根據來自遠端伺服器的指令產生視頻。視頻可以被壓縮，然後發送到遠端伺服器。
遠端伺服器可以分析運動資料或視頻，然後確定駕駛員行為或乘客行為、道路相關條件、運輸工具相關條件等。該運輸工具相關條件可以用於產生多個建議給駕駛員。該駕駛行為或乘客行為可以用於產生駕駛員行為模式或乘客行為模式。
應當注意的是，線上隨選運輸服務，如線上計程車呼叫，是深深植根於後網際網路時代的新興服務。它為乘客和司機提供了只能在後網際網路時代才能出現的技術解決方案。在網際網路時代之前，當乘客呼叫計程車時，乘客可能不知道到達目的地或地點的預計時間。如果乘客通過電話呼叫計程車，服務提供者(例如，司機、計程車公司、郵局、快遞公司或代理等)可能難以為乘客估計到達目的地的時間。然而，線上隨選運輸系統可以確定與駕駛行為(例如，侵略性加速、侵略性煞車或侵略性轉向)相關的運動資料。當滿足先決條件時，線上隨選運輸系統可以在時間間隔內選擇運動資料。所選擇的運動資料可以被發送到遠端伺服器，其中所選擇的運動資料可以被過濾(例如，濾除不需要的資訊)。過濾後的運動資料可以進一步用於產生特徵資料。機器學習訓練模型可以根據特徵資料確定駕駛行為。駕駛行為可以用於監視路線中的駕駛員。因此，通過網際網路，線上隨選運輸系統可以為乘客和司機提供更加便利和高效的交易平臺，這在網際網路之前的傳統運輸服務系統中可能永遠不會遇到。
圖1係根據本申請的一些實施例所示的隨選服務系統100的方塊圖。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。隨選服務系統100可以包括伺服器110、網路120、服務請求者終端130、服務提供者終端140、運輸工具150、資料庫160和導航系統170。
隨選服務系統100可以提供多個服務。示例性服務可以包括計程車叫車服務、專車服務、快車服務、共乘服務、巴士服務、司機雇傭服務、班車服務或類似物或其任意組合。在一些實施例中，隨選服務可以是任何線上服務，例如訂餐、購物或類似物或其任意組合。在一些實施例中，隨選服務系統100可以是管理資訊系統(MIS)。MIS可以包括至少一個伺服器(例如，伺服器110)、至少一個終端(例如，運輸工具150、服務請求者終端130、服務提供者終端140等)、至少一個感測器或裝置(例如，運輸工具資料記錄器、移動智慧電話、車載診斷系統(on-board diagnostics,OBD)、先進駕駛輔助系統(advanced driver assistant system,ADAS)、雷射雷達等)或類似物或其任意組合。
在一些實施例中，伺服器110可以是單個的伺服器或者伺服器組。該伺服器組可以是集中式或分散式的(例如，伺服器110可以是一分散式系統)。在一些實施例中，伺服器110可以是本地的或遠端的。例如，伺服器110可以通過網路120存取儲存在服務請求者終端130、服務提供者終端140及/或資料庫160中的資訊及/或資料。再例如，伺服器110可以直接連接到服務請求者終端130、服務提供者終端140及/或資料庫160以存取儲存的資訊及/或資料。在一些實施例中，伺服器110可在雲端平臺上執行。僅僅作為範例，該雲端平臺可以包括一私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或類似物或其任意組合。在一些實施例中，伺服器110可以在本申請圖8中的具有至少一個元件的計算裝置800上實現。
在一些實施例中，伺服器110可包含處理引擎112。該處理引擎112可處理與服務請求相關的資訊及/或資料來執行在本申請中揭示的一個或者多個功能。例如，處理引擎112可以回應於從服務請求者終端130接收到的服務請求來確定至少一個候選服務提供者終端。在一些實施例中，處理引擎112可包括一個或者多個處理引擎(例如，單核心處理引擎或多核心處理器)。僅作為範例，處理引擎112可包括一中央處理單元(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。
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中的至少一個元件(例如，伺服器110、服務請求者終端130、服務提供者終端140、運輸工具150、資料庫160和導航系統170)可以通過網路120向隨選服務系統100中的其他元件發送資訊及/或資料。例如，伺服器110可以通過網路120從服務請求者終端130接收服務請求。在一些實施例中，網路120可以是任意形式的有線或者無線網路，或其任意組合。僅僅作為示例，網路120可以包括纜線網路、有線網路、光纖網路、遠端通訊網路、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)、都會區網路(MAN)、公共交換電話網路(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可包括一個或者多個網路進接點。例如，網路120可能包括有線或無線網路進接點，如基站及/或網際網路交換點120-1、120-2、......，通過交換點，隨選服務系統100的至少一個元件可以連接到網路120以交換資料及/或資訊。
在一些實施例中，乘客可以是服務請求者終端130的所有者。在一些實施例中，服務請求者終端130的使用者可以是乘客以外的人。例如，服務請求者終端130的所有者A可以使用服務請求者終端130為乘客B發送服務請求，或者接收來自伺服器110的服務確認及/或資訊或指令。在一些實施例中，服務提供者可以是服務提供者終端140的使用者。在一些實施例中，服務提供者終端140的使用者可以是除了服務提供者之外的其他人。例如，服務提供者終端140的使用者C可以使用服務提供者終端140為服務提供者D接收服務請求，及/或來自伺服器110的資訊或指令。在一些實施例中，「乘客」和「乘客終端」可以交換使用，並且「服務提供者」和「服務提供者終端」可以交換使用。在一些實施例中，服務提供者終端可以與至少一個服務提供者(例如，夜班服務提供者或白天服務提供者)相關。
在一些實施例中，請求者終端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或類似物或其任意組合。在一些實施例中，行動裝置130-1可包括一智慧居家裝置，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，智慧居家裝置可包括一智慧照明裝置、智慧電器控制裝置、智慧監測裝置、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其任意組合。在一些實施例中，該智慧行動裝置可包括一智慧型電話、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，該虛擬實境裝置及/或擴增實境裝置可包括一虛擬實境頭盔、虛擬實境眼鏡、虛擬實境補丁、擴增實境頭盔、擴增實境眼鏡、擴增實境補丁或類似物或其任意組合。例如，虛擬實境裝置及/或增強實境裝置可以包括GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等。在一些實施例中，運輸工具內建裝置130-4可以包括車載電腦、車載電視等。在一些實施例中，服務請求者終端130可以是具有用於定位乘客及/或服務請求者終端130的位置的定位技術的裝置。
服務提供者終端140可以包括多個服務提供者終端140-1、140-2、......、140-n。在一些實施例中，服務提供者終端140可以是與服務請求者終端130類似或相同的裝置。在一些實施例中，服務提供者終端140可以被定制為能夠實現線上隨選運輸服務。在一些實施例中，服務提供者終端140可以是具有用於定位服務提供者、服務提供者終端140及/或與服務提供者終端140相關的運輸工具150的定位技術的裝置。在一些實施例中，服務請求者終端130及/或服務提供者終端140可以與其他定位裝置進行通訊以確定乘客、服務請求者終端130、服務提供者及/或服務提供者終端140的位置。在一些實施例中，服務請求者終端130及/或服務提供者終端140可以週期性地將定位資訊發送到伺服器110。在一些實施例中，服務提供者終端140還可以週期性地將可用性狀態發送到伺服器110。可用性狀態可以是指與服務提供者終端140相關的運輸工具150是否可用於載客。例如，服務請求者終端130及/或服務提供者終端140可以每三十分鐘向伺服器110發送定位資訊和可用性狀態。又例如，服務請求者終端130及/或服務提供者終端140可以在每當使用者登入與線上隨選運輸服務相關的移動應用時將定位資訊和可用性狀態發送到伺服器110。
在一些實施例中，服務提供者終端140可以對應於至少一個運輸工具150。運輸工具150可以攜載乘客並前往目的地。運輸工具150可以包括多個運輸工具150-1、150-2、......、150-n。一個運輸工具可以對應於一種類型的服務(例如，計程車叫車服務、專車服務、快車服務、共乘服務、公共汽車服務、司機雇傭服務和班車服務)。在一些實施例中，運輸工具150可以與若干 裝置(例如，運輸工具資料記錄器、移動智慧電話、車載診斷系統(OBD)、先進駕駛輔助系統(ADAS))相關，所述裝置可以儲存、處理、分析及/或傳輸由運輸工具150產生的運動資料。
資料庫160可以儲存資料及/或指令。在一些實施例中，資料庫160可以儲存從服務請求者終端130及/或服務提供者終端140獲得的資料。在一些實施例中，資料庫160可以儲存伺服器110可以執行或用於執行本申請中描述的示例性流程的資料及/或指令。在一些實施例中，資料庫160可以包括大容量儲存器、可移式儲存器、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以包括磁碟、光碟、固態磁碟等。示例性可移式儲存器可包括一快閃驅動器、軟碟、光碟、記憶卡、壓縮碟、磁帶等。示例性的揮發性讀寫記憶體可包括一隨機存取記憶體(RAM)。示例性隨機存取記憶體可以包括動態隨機存取記憶體(DRAM)、雙倍速率同步動態隨機存取記憶體(DDR SDRAM)、靜態隨機存取記憶體(SRAM)、閘流體隨機存取記憶體(T-RAM)、零電容隨機存取記憶體(Z-RAM)等。示例性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)、壓縮磁碟唯讀記憶體(CD-ROM)、數字通用磁碟唯讀記憶體等。在一些實施例中，資料庫150可以在雲平臺上實現。僅僅作為範例，該雲端平臺可以包括一私有雲、公共雲、混合雲、社區雲、分散式雲、內部雲、多層雲或類似物或其任意組合。
在一些實施例中，資料庫160可以與網路120連接以與隨選服務系統100的至少一個元件(例如，伺服器110、服務請求者終端130、服務提供者終端140等)通訊。隨選服務系統100中的至少一個元件可以通過網路120存取儲存在資料庫160中的資料或指令。在一些實施例中，資料庫160可以直接與 隨選服務系統100中的至少一個元件(例如，伺服器110、服務請求者終端130、服務提供者終端140等)連接或通訊。在一些實施例中，資料庫160可以是伺服器110的一部分。
導航系統170可以確定與對象(例如，服務請求者終端130、服務提供者終端140、交通工具150等中的至少一個)相關的資訊。在一些實施例中，導航系統170可以是全球定位系統(GPS)、全球導航衛星系統(GLONASS)、指南針導航系統(COMPASS)、北斗導航衛星系統、伽利略定位系統、准天頂衛星系統(QZSS)等。資訊可以包括位置、海拔、速度或加速度，或當前時間。導航系統170可以包括至少一個衛星，例如衛星170-1、衛星170-2和衛星170-3。衛星170-1至170-3可以單獨地或共同地確定上述資訊。衛星導航系統170可以通過無線連接將上述資訊發送到網路120、服務請求者終端130、服務提供者終端140或運輸工具150。
在一些實施例中，隨選服務系統100中的至少一個元件(例如，伺服器110、服務請求者終端130、服務提供者終端140等)可以具有存取資料庫160的許可。在一些實施例中，當滿足至少一個條件時，隨選服務系統100中的至少一個元件可以讀取及/或修改與乘客、服務提供者及/或公眾相關的資訊。例如，伺服器110可以在服務完成之後讀取及/或修改至少一個乘客的資訊。再例如，伺服器110可以在服務完成之後讀取及/或修改至少一個服務提供者的資訊。
在一些實施例中，隨選服務系統100的至少一個元件的資訊交換可以通過請求服務的方式實現。服務請求的物件可以是任一產品。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一個人主機產品、Web產品、行動上網產品、商用主機產品、嵌入式產品或類似物或其任意組合。行動上網產品可以是應用在行動終端上的軟體、程式、系統或類似物或其任意組合。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、POS裝置、車載電腦、車載電視、可穿戴裝置或類似物或其任意組合。例如，產品可以是用於電腦或行動電話中的任一軟體及/或應用程式。該軟體及/或應用程式可以與社交、購物、運輸、娛樂、學習、投資或類似物或其任意組合相關。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出行軟體及/或應用程式、交通工具調度軟體及/或應用程式、地圖軟體及/或應用程式等。在交通工具調度軟體及/或應用程式中，交通工具可以包括馬、馬車、人力車(例如，手推車、自行車、三輪車等)、汽車(例如，計程車、公共汽車、私家車等)、列車、地鐵、船舶、航空器(例如，飛機、直升飛機、太空梭、火箭、熱氣球等)或類似物或其任意組合。
本領域具有通常知識者將理解，當隨選服務系統100的組件(例如，伺服器、終端等)執行時，該組件可以通過電子信號及/或電磁信號執行。例如，當服務請求者終端130處理諸如做出確定、識別或選擇物件等任務時，請求者終端130可以操作其處理器中的邏輯電路或處理電路來處理這樣的任務。當服務請求者終端130向伺服器110發出服務請求時，服務請求者終端130的處理器可以產生編碼該請求的電子信號。服務請求者終端130的處理器然後可以將電子信號發送到輸出埠。如果服務請求者終端130通過有線網路與伺服器110通訊，則輸出埠可以實體地連接到纜線，纜線進一步將電子信號傳輸到伺服器110的輸入埠。如果服務請求者終端130通過無線網路與伺服器110通訊，則服務請求者終端130的輸出埠可以是將電子信號變換為電磁信號的天線。類似地，服務提供者終端140可以通過操作其處理器中的邏輯電路或處理 電路來處理任務，並且通過電子信號或電磁信號從伺服器110接收指令及/或服務請求。在諸如服務請求者終端130、服務提供者終端140及/或伺服器110的電子裝置內，當其處理器處理指示、發出指令及/或執行動作時，指令及/或動作通過電子信號進行。例如，當處理器從儲存媒體中檢索或保存資料時，處理器可以向儲存媒體的讀/寫裝置發送電子信號，儲存媒體可以讀取或寫入儲存媒體中的結構化資料。結構化資料可以通過電子裝置的匯流排以電子信號的形式傳輸到處理器。這裡，電子信號可以指一組電子信號、一系列電子信號及/或多個離散電子信號。
圖2係根據本申請的一些實施例所示的處理器的方塊圖。如圖2所示，處理器200可以包括確定模組210、獲取模組220、先決條件模組230和輸入/輸出模組240。在一些實施例中，處理器200可以由至少一個計算裝置及/或至少一個行動裝置來實現和執行，例如由至少一個計算裝置及/或行動裝置的至少一個處理器來執行。示例性計算裝置的細節在圖8中描述，示例性行動裝置的細節在圖9中描述。在一些實施例中，處理器200可以在裝置(例如，移動智慧電話)中運行。每個模組可以是被設計為執行以下動作的硬體電路、儲存在至少一個儲存媒體中的一組指令、及/或硬體電路和至少一個儲存媒體的任意組合。
確定模組210可以用於確定裝置與運輸工具一起移動。如果駕駛員正在按照路線或訂單移動的運輸工具中使用該裝置，則該裝置可以被確定為與運輸工具一起移動。在一些實施例中，裝置可以是移動智慧電話、個人數位助理(PDA)、平板電腦、掌上型電腦、電腦(車載電腦)、可擕式遊戲站(PSP)、智慧眼鏡、智慧手錶、可穿戴裝置、虛擬顯示裝置、顯示增強裝置(例如，GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等)。該移動智慧電話可以包括觸控式螢幕、揚聲器、麥克風、天線或類似物或其任意組合。移 動智慧電話可以連接到移動網路並撥打電話。在一些實施例中，移動智慧電話可以包括至少一個感測器。所述至少一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、近接感測器或類似物或其任意組合。
與裝置一起移動的運輸工具可以包括私家車、計程車、網路汽車、自動運輸工具、電動車、摩托車、公共汽車、列車、掛車、動車、高鐵、地鐵、船舶、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，該裝置可與運輸工具一起移動，並檢測運輸工具的移動。例如，運輸工具的駕駛員在駕駛時可以攜帶移動智慧電話，並且具有至少一個感測器的裝置可以檢測運輸工具的移動。再例如，移動智慧電話可以運行用於共乘的應用程式，並且由服務提供者(例如，駕駛員)使用的移動智慧電話可以固定在運輸工具中用於共乘。又例如，如果乘客在計程車中使用移動智慧電話，則移動智慧電話可以與計程車一起移動，並記錄與計程車相關的資料。
獲取模組220可以用於獲取與裝置相關的運動資料。在一些實施例中，運動資料可以由獲取模組220編碼成第一電子信號。在一些實施例中，獲取模組220可以從裝置的至少一個感測器獲得運動資料。至少一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、圖像感測器、語音感測器、聲波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型加速度感測器、電感型加速度感測器、應變型加速度感測器、壓電電阻型加速度感測器、壓電型加速度感測器或類似物或其任意組合。GPS可以包括能夠與移動網路或網路120通訊的車載GPS。車載GPS可以確定定位運輸工具及/或在運輸工具中 移動的裝置的運動資料。重力感測器可以包括可引起形變誘導的電子信號的彈性敏感組件。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。因此，運動資料可以包括電子裝置(例如，安裝有應用程式以運行本申請中介紹的流程的移動智慧電話及/或運輸工具資料記錄器，或攜帶移動智慧電話的運輸工具)的資訊，例如位置、速度、加速度和姿勢(例如，偏航、角色、傾斜移動/加速)或類似物或其任意組合。
在一些實施例中，運動資料可以對應於駕駛行為或運輸工具狀態。例如，駕駛行為可以是侵略性駕駛行為(例如，侵略性加速(例如，突然加速)、侵略性煞車(例如，緊急煞車活動)、侵略性轉向(例如，急轉向))、聲音相關行為、面部表情、動作行為、裝扮行為、禮儀行為或類似物或其任意組合。侵略性加速可能是由於駕駛員不斷地及/或猛烈地踩踏油門踏板造成的。侵略性煞車可能是由於駕駛員連續或猛烈地踩踏煞車器而導致的。侵略性轉向可能是由駕駛員突然轉動方向盤引起的。侵略性轉向可能包括侵略性右轉、侵略性左轉及/或侵略性掉頭。例如，侵略性右轉可以是通過連續地沿順時針方向轉動方向盤實現的。再例如，侵略性左轉可以是通過猛烈地沿逆時針方向轉動方向盤造成的。在一些實施例中，駕駛員可以藉由遠端控制(例如，使用遠端位置中的虛擬操縱)來實施駕駛行為。聲音相關行為、面部表情、動作行為、裝扮行為和禮儀行為會在本申請中的其他地方被描述。例如參見圖4B及其描述。
在一些實施例中，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、圖像資料、語音資料或類似物或其任意組合。運動資料的類型可以對應於移動智慧電話中的感測器。例如，移動智慧電話中的加速度感測器可以產生或記錄加速度感測 器資料。
在一些實施例中，由不同感測器產生的運動資料可被整合或分解以描述特定的駕駛行為。例如，對應於駕駛員的侵略性加速的加速度感測器資料、GPS資料和重力感測器資料可以被記錄和整合。
在一些實施例中，運動資料可以對應於駕駛行為、運輸工具狀態或道路狀況。例如，如果在運輸工具前方發生突然的道路事故，則駕駛員可能表現出侵略性煞車，且加速度感測器在其侵略性煞車時，在輸出信號及/或資料中產生尖峰。在一些實施例中，駕駛行為可以進一步包括非駕駛相關行為(即由駕駛相關活動之外的行為引起的動作)，例如移動智慧電話的使用者在路線中搖動移動智慧電話。因此，來自裝置的感測器的輸出信號及/或資料還可以包括對應於非駕駛相關行為的部件。在一些實施例中，裝置可以區分對應於非駕駛相關行為的運動資料。例如，如果駕駛員由於某種原因而搖動移動智慧電話，通過分析運動資料的特徵(例如，持續時間)，移動智慧電話或移動智慧電話中運行的叫車應用軟體可以將搖動與駕駛行為區分開來。
先決條件模組230可以用於操作模組或處理器中的其他模組中的邏輯電路以確定第一電編碼運動資料是否滿足先決條件。先決條件可用於啟動資料傳輸，即感測器或裝置是否開始傳輸或記錄運動資料(或警報資料)。先決條件可以由使用者預先確定或內定設置的。在一些實施例中，先決條件可以包括線性加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值、角加速度的持續時間的臨界值、在預定時間期間△t內的加速度方向的改變次數、一段時間內的姿勢改變次數、關鍵字的頻率、面部表情模式、控制工具、聲音的含義、使用者(例如，駕駛員)的運動速度、駕駛員和乘客的距離或類似物或其任意組合。線性加速度可以被確定為加速度感測器資料，其可以在具有X座標軸、Y座標軸和Z座標軸的三維座標系統中被分解。例如，線性加 速度可以包括X線性加速度、Y線性加速度或Z線性加速度。線性加速度的臨界值可以包括X線性加速度的臨界值、Y線性加速度的臨界值、Z線性加速度的臨界值或類似物或其組合。在一些實施例中，先決條件可以包括至少一個子先決條件，例如第一子先決條件和第二子先決條件。僅作為示例，線性加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值或角加速度的持續時間的臨界值可以小於第二子先決條件。關鍵字的頻率、面部表情模式、控制工具、聲音的含義、使用者(例如，駕駛員)的運動速度以及駕駛員和乘客的距離可以在本申請的其他地方進行描述。例如參見圖4B及其描述。
輸入/輸出模組240可以用於在滿足先決條件的時間(以下稱為「目標時間點」)的預定時間段內收集運動資料，然後將收集的運動資料及/或警報資料發送到遠端伺服器。在一些實施例中，由輸入/輸出模組240發送的運動資料及/或警報資料可以被編碼為第二電子信號。在一些實施例中，運動資料可以由裝置(例如，移動智慧電話)或車載無線發射裝置發送。
在一些實施例中，預定時間段可以用於收集或發送運動資料。預定時間段可以由使用者(例如，駕駛員)改變或是內定設置的。預定時間段可以包括開始時間點A和結束時間點B(以下稱為「tA」和「tB」)。在一些實施例中，預定時間段的長度可以對應於駕駛行為。例如，如果駕駛行為符合第一子先決條件，則預定時間段的長度可能較短(例如，0.5秒、1秒、1.5秒等)。再例如，如果駕駛行為觸發第二子先決條件(例如，線性加速度的臨界值)，則預定時間段的長度可以較長(例如，3秒、4秒、5秒等)。
在一些實施例中，可以基於目標時間點來確定預定時間段。在一些實施例中，目標時間點可以是當運動資料滿足先決條件時的觸發時間點。在一些實施例中，目標時間點可以與tA一致。目標時間點也可以是tA與tB之間的時間點，或與tB一致等。從tA到目標時間點的長度及/或從目標時間點到tB的長 度可以由使用者確定或由內定系統設置來確定。例如，tA和tB可以分別是目標時間點之前1秒和目標時間點之後3秒。因此，如果滿足先決條件並且確定了目標時間點，輸入/輸出模組240可以選擇從目標時間點之前1秒到目標時間點之後3秒的運動資料。
處理器中的確定模組210、獲取模組220、先決條件模組230和輸入/輸出模組240可以通過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。在一些實施例中，任何兩個模組可以被組合為單個模組，以及任何一個模組可以被分成兩個或更多單元。
圖3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。如圖3所示，處理引擎112可以包括資料獲取模組310、資料預處理模組320、特徵產生模組330、行為分析模組340和終端控制模組350。
在一些實施例中，處理引擎112可以由至少一個計算裝置及/或至少一個行動裝置(例如，圖8所示的計算裝置800中的CPU 820、圖9所示的行動裝置900中的CPU 940、或隨選服務系統100中的任何元件)實現。每個模組可以是被設計為執行以下動作的硬體電路、儲存在至少一個儲存媒體中的指令、及/或硬體電路和至少一個儲存媒體的任意組合。
資料獲取模組310可以用於獲取運動資料及/或警報資料。在一些實施例中，運動資料及/或警報資料可以由處理引擎112編碼為第二電子信號。在一些實施例中，可以從安裝在裝置或運輸工具中的輸入/輸出模組240接收運動資料及/或警報資料。在一些實施例中，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、近接感測器資料或類似物或其任意 組合。在一些實施例中，警報資料可以與收集的運動資料相同。在一些實施例中，警報資料可以包括駕駛員行為的描述、危險程度、駕駛員行為的類型、結果、駕駛員是否需要行為干預、系統或監測駕駛員的物件(例如，伺服器110)是否需要報警來管理駕駛員或類似物或其任意組合。
資料預處理模組320可以用於基於過濾模型來預處理運動資料。在一些實施例中，運動資料可以被編碼成第二電子信號。資料預處理模組320可以從編碼運動資料中濾除不需要的資訊。不需要的資訊可以是由諸如搖動移動智慧電話、將移動智慧電話放在運輸工具的底部或移動智慧電話的電子故障等非駕駛相關行為產生的雜訊資訊。不需要的資訊可以區別於可用於分析駕駛行為的資訊。在一些實施例中，可以通過確定移動智慧電話的移動特徵來濾除不需要的資訊。在一些實施例中，可以根據加速度感測器資料來濾除不需要的資訊。例如，如果駕駛員搖動移動智慧電話，則移動智慧電話可以在三維座標中產生加速度感測器資料，資料預處理模組320可以分析加速度感測器資料以便獲得水平面(例如，Ox-y)內的加速度感測器資料。如果水平面內的加速度感測器資料以高於參考頻率的頻率變化，則加速度感測器資料可以被確定為搖動移動智慧電話的運動資料，並且該加速度感測器資料可以被資料預處理模組320過濾掉。在一些實施例中，可以通過檢測至少一個應用程式來過濾掉不需要的資訊。例如，如果移動智慧電話檢測到在時間間隔內運行的應用程式(例如，移動遊戲)，則時間間隔內的運動資料可以被確定為不需要的資訊，並且該不需要的資訊可以通過資料預處理模組320過濾掉。
在一些實施例中，資料預處理模組320可以通過使用過濾模型來過濾不需要的資訊。過濾模型可以包括決策樹、相關規則、人工神經網路、深度學習、歸納邏輯程式設計、支援向量機、聚類、貝葉斯網路、強化學習、表示學習、相似性度量學習、稀疏字典學習、遺傳演算法、基於規則的機器學習 或類似物或其任意組合。例如，資料預處理模組320可以使用支援向量機來確定不需要的資訊。支援向量機可以基於運動資料離線訓練以識別不需要的資訊。
在一些實施例中，可以在遠端伺服器中離線訓練過濾模型，並將其發送到電子裝置、儲存裝置或類似物或其任意組合。電子裝置可以是可以運行用於共乘的應用程式(App)並且可以具有用於儲存與過濾模型相關的指令的智慧儲存裝置(例如，SD卡)的移動智慧電話。用於儲存過濾模型的儲存裝置可以包括大容量儲存裝置(例如，磁碟、光碟或固態硬碟)、可移動儲存裝置(例如，快閃記憶體驅動器、軟碟、光碟、記憶卡、壓縮磁碟或磁帶)、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。在一些實施例中，過濾模型可以被儲存在可以與裝置或運輸工具即時通訊的雲伺服器中。例如，可以通過線上使用過濾模型來分析運動資料而過濾掉不需要的資訊。
特徵產生模組330可以用於基於過濾的運動資料產生特徵資料。特徵資料可以用於訓練機器學習訓練模型。在一些實施例中，特徵資料可以包括向量、行列式、矩陣或類似物或其任意組合。
行為分析模組340可以用於基於機器學習訓練模型和特徵資料來分析駕駛行為。駕駛行為可以包括侵略性加速、侵略性煞車、侵略性轉向或類似物或其任意組合。在一些實施例中，行為分析模組340可以確定對應於駕駛行為的行為評估。行為評估可用於評估駕駛行為或對服務等級進行排序。例如，如果第一駕駛員的行為評估高於第二駕駛員的行為評估，則第一駕駛員的服務水準可能高於第二駕駛員的服務水準。在一些實施例中，行為評估可以包括統計資料、對應於每條路線的駕駛分數或者危險行為的次數。統計資料可以包括侵略性加速的次數、侵略性煞車的次數、侵略性轉向的次數或類似物或其任意組合。駕駛分數可以表示為數位、百分比、文本、級別或類似物或其任意 組合。在一些實施例中，危險行為的次數可以用於提醒危險駕駛的駕駛員。
在一些實施例中，機器學習訓練模型可以用於分析與駕駛行為、運輸工具狀態或道路狀況有關的任何資料。例如，汽車製造商可以通過使用機器學習訓練模型來收集運輸工具相關資料以刪除不需要的資訊。又例如，交通管理部門可以通過使用機器學習訓練的模型來使用選擇的與道路有關的資訊來過濾不需要的資訊。又例如，線上隨選服務平臺(例如，線上共乘服務平臺或線上自行車共用服務平臺)可以通過使用機器學習訓練的模型來記錄用於使用者排名的使用者行為資料以過濾不需要的資訊。又例如，隨選服務系統100可以使用道路相關條件、或運輸工具相關資料來產生至少兩個建議(例如，向駕駛員提供安全駕駛的建議、或向交通管理局提供設計新的道路的建議等)。
在一些實施例中，可以線上或離線更新機器學習訓練模型。在機器學習訓練模型被訓練之後，機器學習訓練模型可以通過使用即時或在週期性時間間隔內(例如，每天或每週)獲得的運動資料進一步被更新。在一些實施例中，機器學習訓練模型可以被更新為對應於不同類型的不需要的資訊的機器學習訓練子模型中的至少一個。例如，可以使用第一子模型來區分與運輸工具相關的不需要的資訊，以及可以使用第二子模型來區分與移動智慧電話相關的不需要的資訊。
終端控制模組350可以用於控制MIS終端或運輸工具資料記錄器。在一些實施例中，終端控制模組350可以從運輸工具資料記錄器或MIS終端接收警報資料。警報資料可用於提醒遠端伺服器或MIS終端。
在一些實施例中，在獲得警報資料之後，終端控制模組350可以分析警報資料並向運輸工具資料記錄器或MIS終端發送指令。由終端控制模組350發送的指令可以包括是否觸發運輸工具資料記錄器產生視頻、如何產生視 頻、誰是視頻中的主要對象、是否儲存視頻、是否提交視頻、監視駕駛員的物件(例如，伺服器110)是否需要報警或類似物或其任意組合。由終端控制模組350發送的指令可以在圖4B中詳細說明。
處理引擎112中的資料獲取模組310、資料預處理模組320、特徵產生模組330和行為分析模組340可以通過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網路、近場通訊(NFC)或類似物或其任意組合。任何兩個模組可以合併為單個模組，以及任何一個模組可以拆分為兩個或兩個以上單元。
圖4A是根據本申請的一些實施例所示的用於處理運動資料的示例性流程的流程圖。如圖4A所示，用於處理運動資料的流程410可以包括確定與運輸工具一起移動的裝置、獲得第一電子信號編碼運動資料、確定第一電子信號編碼運動資料是否滿足先決條件，以及將第二電子信號編碼運動資料發送到遠端伺服器。
在步驟411中，確定模組210可以確定裝置與運輸工具一起移動。步驟411可以由電子裝置(例如，處理器200、計算裝置800中的CPU 820、行動裝置900中的CPU 940、裝置(例如，移動智慧電話)，或隨選服務系統100中的任何元件)來實現。
運輸工具可以包括私家車、計程車、網路汽車、自動運輸工具、電動車、摩托車、公共汽車、列車、掛車、動車、高鐵、地鐵、船舶、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，該裝置可與運輸工具一起移動，並檢測運輸工具的移動。例如，運輸工具的駕駛員在駕駛時可以攜帶移動智慧電話，並且具有至少一個感測器的裝置可以檢測運輸工具的移動。再例如，移動智慧電話可以運行用於共乘的應用程 式，並且由服務提供者(例如，駕駛員)使用的移動智慧電話可以固定在運輸工具中用於共乘。又例如，如果乘客在運輸工具中使用移動智慧電話，則移動智慧電話可以與運輸工具一起移動。
在步驟412中，獲取模組220可以在目標時間點從至少一個感測器獲得與該裝置相關的運動資料。在一些實施例中，運動資料可以由獲取模組220編碼為第一電子信號。在一些實施例中，駕駛員可以通過遙控器(例如，使用遠端位置中的虛擬操縱)來實施駕駛行為。
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、角加速度資料聲音資料或類似物或其任意組合。在一些實施例中，運動資料可以對應於駕駛行為、運輸工具狀態或道路狀況。例如，如果在運輸工具前方突然發生道路事故，則駕駛員可能表現出侵略性煞車，且加速度感測器可能檢測到該侵略性煞車。因此，來自加速度感測器的輸出電子信號及/或資料可能在侵略性煞車時顯示尖峰。處理器200可以收集來自感測器的輸出運動資料並將相應的感測器資料保存在儲存媒體(例如，電子裝置的快取記憶體及/或硬碟)中。例如，處理器200可以連續收集由感測器輸出的輸出電子信號並將其從當前時間之前的第一預定時間段更新到當前時間之後的第二預定時間段。
在一些實施例中，由不同感測器產生的運動資料可以被整合以描述特定的駕駛行為。例如，與駕駛員的侵略性加速相對應的加速度感測器資料、GPS資料和重力感測器資料可以被記錄和整合。在一些實施例中，駕駛行為還可以包括非駕駛相關行為，例如，在路線中搖動移動智慧電話，並且非駕駛相關行為還可以產生相應的運動資料。在一些實施例中，對應於非駕駛相關行為的運動資料可以由裝置來區分。例如，如果駕駛員搖動移動智慧電話，通 過分析運動資料的特徵(例如，持續時間及/或加速度特徵)，移動智慧電話或在移動智慧電話中運行的叫車應用程式可以將搖動與駕駛行為(例如，侵略性轉向)區分開來。
在一些實施例中，運動資料可以對應於駕駛行為或運輸工具狀態。例如，駕駛行為可以是預定駕駛行為。預定駕駛行為可以包括侵略性駕駛行為，例如，侵略性加速(例如，突然加速)、侵略性煞車(例如，突然和猛烈的煞車動作)、侵略性轉向(例如，突然轉向)或類似物或其任意組合。侵略性加速可能是由於駕駛員連續及/或猛烈地踩踏油門踏板造成的。侵略性煞車可能是由連續及/或猛烈地踩煞車引起的。侵略性轉向可能是由於方向盤突然轉向造成的。侵略性轉向可能包括侵略性右轉、侵略性左轉和侵略性掉頭。例如，侵略性右轉可以通過連續地沿順時針方向轉動方向盤來實現。再例如，侵略性左轉可能是通過猛烈地沿逆時針方向轉動方向盤造成的。
在一些實施例中，駕駛行為可以對應於運輸工具狀態，運輸工具狀態可以包括輪胎爆胎、線路故障、引擎故障、油箱已空、突然缺乏電力、煞車故障、油門故障或類似物或其任意組合的。例如，侵略性右轉可以對應於由路面高溫引起的輪胎爆胎。
在一些實施例中，駕駛行為可以與道路狀況相關，道路狀況包括突然的紅色交通燈、交通擁堵、突然衝出的人、突然的道路交通事故、崎嶇不平的道路、蜿蜒的道路或類似物或其任意組合。例如，侵略性煞車可以對應於高峰時段的交通堵塞。又例如，如果駕駛員在蜿蜒的道路上沿著山腰到達山峰，則駕駛員可以連續地表現出侵略性轉向。
在一些實施例中，獲取模組220可以通過分析與駕駛員行為相關的運動資料來確定目標時間點。例如，如果駕駛員在下午5點做出侵略性轉向，獲取模組220可以將下午5點確定為目標時間點。在一些實施例中，獲取模 組220可以將目標時間點確定為檢測到侵略性駕駛行為時的同一時間或基本相同的時間。例如，對於速度限制為每小時70公里，當獲取模組220在淩晨5點獲得高達每小時85公里的速度資料時，獲取模組220可以將目標時間點確定為淩晨5點(或上午4：59)，這可以更準確地記錄駕駛行為。在一些實施例中，運動資料可以包括至少一個時間標籤，其可以記錄每個運動資料項的對應時間，並且可以通過分析與特定的運動資料相對應的時間標籤來確定目標時間點。在一些實施例中，處理器200的獲取模組220可以在包括週期或頻率的週期性時間間隔(例如，每100毫秒)內收集並產生運動資料。
在步驟413中，先決條件模組230可以操作邏輯電路來確定第一電子信號編碼運動資料是否滿足先決條件。先決條件可以用於確定處理器200是否應該收集運動資料和將收集的運動資料發送給遠端接收裝置。
先決條件可以由使用者預先確定或由系統預設設置。在一些實施例中，先決條件可以包括線性加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值、角加速度的持續時間的臨界值、在預定時間期間△t內的加速度方向的改變次數、或在一段時間內的姿勢的改變次數。預定時間期間△t可以是由使用者設置或內定設置的值(例如，1毫秒、10毫秒、100毫秒、1秒、10秒等)。處理器200可以通過解碼來自線性加速度感測器收集的電子信號的資料來確定線性加速度。例如，處理器200可以將資料分解成三維座標(X座標軸、Y座標軸和Z座標軸)中的分量，即處理器200可以將線性加速度分解為X線性加速度、Y線性加速度或Z線性加速度。因此，線性加速度的臨界值可以包括X線性加速度的臨界值、Y線性加速度的臨界值或Z線性加速度的臨界值。在一些實施例中，線性加速度的臨界值可以包括值、範圍、函數或類似物或其任意組合。例如，線性加速度的臨界值可以被設置為10m/s2。因此，大於10m/s2的加速度感測器資料可以滿足先決條件。在一些實施例中，線性加速度 的持續時間的臨界值可以是從加速度大於0或預定值的時間開始的持續時間。線性加速度的持續時間的臨界值可以包括1秒、5秒、30秒、1分鐘、3分鐘或當運輸工具處於加速狀態時的任何持續時間。例如，如果線性加速度的持續時間的臨界值是5秒，那麼大於0且持續8秒的X線性加速度可以滿足先決條件。角加速度可以被確定為呈現為順時針角加速度和逆時針角加速度的角加速度感測器資料。在一些實施例中，角加速度的臨界值可以包括順時針角加速度的臨界值和逆時針角加速度的臨界值。例如，角加速度的臨界值可以是5弧度/s2、12弧度/s2、45弧度/s2等。角加速度的持續時間可以是當順時針角加速度或逆時針角加速度是非零值時的持續時間。角加速度的持續時間的臨界值可以包括10秒、30秒、50秒、1分鐘、3分鐘或當運輸工具處於角加速狀態時的任何持續時間。如果角加速度的持續時間的臨界值被設置為30秒，則具有35秒持續時間的角加速度可以滿足先決條件。在預定時間期間△t內的加速度方向的改變次數可以被預設為3、5、8，或者任何整數。如果駕駛員改變運輸工具的方向，則感測器可以產生與加速度方向的改變相對應的運動資料，並且可以在預定時間期間△t內對加速度方向的改變次數進行計數。如果加速度方向的改變的臨界值次數是3，且預定時間期間△t是10秒，則在10秒內改變3次或更多次方向的運動資料可以滿足先決條件。
觸發運動資料傳輸的先決條件也可以是包括線性加速度的臨界值、角加速度、加速度的持續時間、預定時間期間△t或電子裝置的任何其他適用的運動測量的綜合先決條件。此外，先決條件可以是基於採樣資料的訓練模型的結果。例如，先決條件可以是訓練后的神經網路模型的結果，或者是根據各種駕駛員的歷史駕駛行為的機器學習的結果。先決條件可以根據模型中的不同型號和參數變化。
在一些實施例中，先決條件可以包括至少一個子先決條件，例 如第一子先決條件和第二子先決條件。僅作為示例，線性加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值或角加速度的持續時間的臨界值可以小於第二子先決條件。
在步驟414中，輸入/輸出模組240可以將與目標時間點相關的預定時間段內的運動資料發送到遠端伺服器。在一些實施例中，由輸入/輸出模組240發送的運動資料可以被編碼成第二電子信號。在一些實施例中，運動資料可以由裝置(例如，移動智慧電話)或車載無線發射裝置發送。例如，移動智慧電話可以通過移動無線網路發送運動資料。
預定時間段可以由使用者(例如，駕駛員)確定或內定確定。預定時間段可以包括開始時間點A和結束時間點B(以下稱為「tA」和「tB」)。在一些實施例中，預定時間段的長度可以對應於駕駛行為。例如，如果駕駛行為滿足第一子先決條件(例如，反映預定義的低危險的異常駕駛行為的線性加速度的臨界值)，則預定時間段的長度可以是短的(例如，0.5秒、1秒、1.5秒等)。再例如，如果駕駛行為觸發第二子先決條件(例如，反映預定義的高危險的異常駕駛行為的線性加速度的臨界值)，則預定時間段的長度可以較長(例如，3秒、4秒、5秒等)。
在一些實施例中，tA及/或tB可以對應於預定時間段的開始時間和結束時間。可以根據目標時間點來確定tA和tB。在一些實施例中，目標時間點可以與tA、tB重合，或者在[tA，tB]的時間範圍內。從tA到目標時間點的長度及/或從目標時間點到tB的長度可以由使用者確定或由默认系統設置确定。例如，tA可以在目標時間點之前1秒且tB可以在目標時間點之後3秒。因此，如果滿足先決條件並且確定了目標時間點，則輸入/輸出模組240可以選擇從目標時間點之前1秒到目標時間點之後3秒的運動資料。
在一些實施例中，如果異常駕駛行為持續足夠長的時間，由於 處理器200不斷接收來自感測器的電子信號，所以先決條件可以連續地觸發運動資料的收集和發送。例如，如果預定時間段被設置為在滿足先決條件的1秒之前至d3秒之後，那麼對於異常駕駛行為，處理器200可以確定在時間t0、t0+3、和t0+6秒處滿足先決條件。因此，輸入/輸出模組240可以在10秒內持續發送所選擇的運動資料3次(即，在t0、t0+3、和t0+6)。
處理器200可以連續接收來自感測器的運動資料，然後將運動資料保存在諸如快取記憶體或硬碟的儲存媒體中。快取記憶體或硬碟可以儲存電子裝置的整個行程的運動資料。另外地，處理器可以指示快取記憶體或硬碟僅保存預定長度的運動資料。例如，運動資料的預定長度可以是在當前時刻之前2秒和之後4秒的運動資料。當滿足先決條件時，處理器可以從快取記憶體或硬碟中選擇需要的運動資料(例如，當前時間之前1秒到當前時間之後3秒)，然後將所需的運動資料發送到遠端伺服器。。
在一些實施例中，選擇發送到遠端伺服器的運動資料可以儲存在裝置、雲儲存器、安全數位(SD)卡、反式快閃記憶體(TF)卡、或者裝置或運輸工具中的任何儲存媒體。例如，如果運輸工具在與網路120不連接的山區中行駛，則在預定時間段內的選定的運動資料可以儲存在移動智慧電話的SD卡中，並且當網路連接時運動資料可以立即被發送到遠端伺服器。在一些實施例中，裝置或運輸工具可以具有車載診斷系統(OBD)，其可以以恒定的發射頻率或變化的發射頻率儲存及/或發送運動資料。例如，如果安裝OBD的運輸工具處於低功率狀態，則OBD可以以低發射頻率發送運動資料。再例如，使用者(例如，駕駛員)可以調整OBD以通過高發射頻率來發送運動資料。
在一些實施例中，在將運動資料發送到遠端伺服器之前，可以根據機器學習訓練模型從運動資料中濾除不需要的資訊。在一些實施例中，不需要的資訊可以是由意外駕駛行為產生的雜訊資訊，意外駕駛行為可以包括搖 動移動智慧電話、將移動智慧電話放在運輸工具的底部、或者移動智慧電話的電子故障等。不需要的資訊可以與用於分析駕駛行為的資訊區分開來。機器學習訓練模型可以在本申請的其他地方找到。例如參見圖5及其描述。
在一些實施例中，流程410可以作為指令儲存在體現電腦程式產品的非暫時性電腦可讀取媒體中。非暫時性電腦可讀取媒體可以與計算裝置及/或使用者終端(例如，裝置)通訊。當執行與流程410相關的指令時，計算裝置可以確定裝置與運輸工具一起移動，在目標時間點從至少一個感測器獲得與裝置相關的運動資料，操作邏輯電路以確定第一電子編碼運動資料是否滿足先決條件，並將與目標時間點相關的預定時間段內的運動資料發送到遠端伺服器。關於流程410的更多細節可以在圖4A的描述中找到。
圖4B是根據本申請的一些實施例所示的用於處理運動資料的示例性流程的流程圖。如圖4B所示，用於處理運動資料的流程420可以包括獲得與運輸工具資料記錄器相關的第一電子信號編碼運動資料，確定運動資料是否滿足先決條件，將第二電子信號編碼警報資料發送到遠端伺服器，根據來自遠端伺服器的指令在時間間隔內產生視頻。流程420可以由諸如處理器200、計算裝置800中的CPU 820、行動裝置900中的CPU 940、運輸工具資料記錄器或隨選服務系統100中的任何元件的裝置實現。
在步驟421中，獲取模組220可以獲得與運輸工具資料記錄器相關的運動資料。在一些實施例中，運動資料可以由第一電子信號進行編碼。運輸工具資料記錄器可以包括相機、顯示器、輸入/輸出、處理器、電源、記憶體或類似物或其任意組合。相機可以包括可見光相機、紅外線相機、數碼相機、2D相機、3D相機、全景相機、VR相機、網路相機、即時圖片相機、電子眼、攝像機、熱成像裝置、可見成像裝置或類似物或其任意組合。例如，可見光相機可以包括卡片數位照相機、手動照相機、自動對焦照相機、長焦照相機、寬 視野照相機、單鏡頭反光(SLR)照相機、數字單鏡頭反光(DSLR)照相機或類似物或其任意組合。再例如，紅外線相機可以根據具有各種波長及/或頻率的電磁波(例如，無線電波、微波、紅外線輻射、可見光、紫外輻射、X射線或γ射線)記錄運動資料或視頻。在一些實施例中，運輸工具資料記錄器可以安裝在運輸工具的外表面上。例如，運輸工具資料記錄器可以位於運輸工具的前擋風玻璃或運輸工具的後擋風玻璃上。在一些實施例中，運輸工具資料記錄器可以被固定在運輸工具內。例如，運輸工具資料記錄器可以安裝在前擋風玻璃的內側。再例如，運輸工具資料記錄器可以被固定在駕駛員或乘客之前。
在一些實施例中，運輸工具資料記錄器的位置可以由使用者(例如，駕駛員)或隨選服務系統100來調整。在一些實施例中，運輸工具資料記錄器可以調整相機以便捕獲圖像或視頻中的對象。例如，運輸工具資料記錄器的相機可以從左向右掃描以產生包括駕駛座位上的駕駛員和乘客座位上的乘客的視頻。在一些實施例中，運輸工具資料記錄器可以將相機從可見光相機切換到紅外線相機以便在夜間獲得清晰的圖像。在一些實施例中，運輸工具資料記錄器可以包括至少一個相機。至少一個相機可以位於運輸工具內的不同位置。例如，運輸工具資料記錄器可以包括第一相機和第二相機，第一相機可以位於左上角，第二相機可以位於右上角。再例如，運輸工具資料記錄器可以通過一次使用第一相機和下一次使用第二相機來交替產生視頻。
在一些實施例中，運輸工具資料記錄器可以從至少一個感測器獲得運動資料。至少一個感測器可以是裝置(例如，移動智慧電話、OBD、ADAS、雷射雷達等)中的感測器或運輸工具資料記錄器中的感測器。例如，移動智慧電話中的感測器可以包括陀螺儀、加速度感測器、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、聲波檢測器、圖像感測器、語音感測器或類似物或其任意組合。移動智慧電話中的感 測器在獲取模組220中有詳細描述。在一些實施例中，運輸工具資料記錄器可以與移動智慧電話中的感測器連接。例如，運輸工具資料記錄器可以連接到智慧電話中的加速度感測器以及來自加速度感測器的運動資料。再例如，運輸工具資料記錄器可以通過網路120(例如，藍牙網路)或通過金屬纜線與感測器通訊。
在一些實施例中，由步驟421中的感測器獲得的運動資料可以與使用者行為相關。使用者行為可以包括駕駛員行為或乘客行為。在一些實施例中，駕駛員行為可以與獲取模組220中詳細描述的駕駛行為相關。在一些實施例中，使用者行為還可以包括聲音相關行為、面部表情、動作行為、裝扮行為、禮儀行為或類似物或其任意組合。聲音相關行為可以包括駕駛員語音、乘客語音、路人語音、無線電聲音、揚聲器聲音、電子聲音或類似物或其任意組合。例如，如果乘客正在與運輸工具中的駕駛員講話，則乘客語音可以由運輸工具資料記錄器記錄，且可以用於產生相應的運動資料。再例如，如果駕駛員在可以將人的語音轉換為相應的電子聲音的聲音變換器中記錄他/她的聲音，並且向乘客播放電子聲音，則運輸工具資料記錄器可以獲得電子聲音並且產生相應的運動資料。在一些實施例中，聲音相關行為還可以包括可指示警方執法的員警哨子。在一些實施例中，聲音相關行為可以是槍聲。例如，如果駕駛員或乘客正在使用槍進行射擊，則可以由運輸工具資料記錄器檢測並記錄槍聲。在一些實施例中，乘客語音可以在乘客與駕駛員爭論、祈禱或與駕駛員交談時被檢測和記錄。例如，如果乘客激烈地與駕駛員爭論，則可以由步驟421中的運輸工具資料記錄器檢測和記錄諸如呼救、憤怒詛咒等的乘客語音，其作為運動資料的一部分。
面部表情可以由運輸工具資料記錄器的相機識別或檢測。面部表情可以通過面部運動形成。面部表情可以包括高興的臉、生氣的臉、驚嚇的 臉、驚訝的臉、沮喪的臉、激動的臉、醉酒的臉、輕蔑的臉、面無表情的臉或類似物或其任意組合。例如，如果駕駛員喝了大量的酒，則可以將面部表情識別為醉酒的臉，並且運輸工具資料記錄器可以確定與醉酒的臉相對應的運動資料。再例如，如果駕駛員用嚇人的面部表情威脅乘客，則乘客的驚嚇的臉可以被運輸工具資料記錄器記錄和識別，並且運輸工具資料記錄器可以產生與驚嚇的臉相對應的運動資料或視頻。
動作行為可以被稱為駕駛員或乘客的動作。動作行為可以包括威脅行為、暴力行為、友好行為或類似物或其任意組合。威脅行為可以包括抓住乘客的脖子、指向乘客的鼻子、站在乘客的前方或類似物或其任意組合。例如，如果駕駛員是男性駕駛員並且抓住女性乘客的脖子，則威脅行為可以由運輸工具資料記錄器檢測到，並且可以產生相應的運動資料。
裝扮行為可以是使用者的穿著風格，例如半裸穿著、正式穿著、民族穿著(例如，阿拉伯穿著)、制服穿著(例如，軍裝制服)、短裙穿著或類似物或其任意組合。例如，如果駕駛員顯示半裸穿著並且乘客顯示短裙穿著，則裝扮行為可以被識別，且被用於由運輸工具資料記錄器產生相應的運動資料。
禮儀行為可以包括與禮儀有關的任何行為。禮儀行為可以包括邀請行為、拒絕行為、崇拜行為、臉頰親吻行為、點頭行為或類似物或其任意組合。例如，如果乘客顯示邀請行為且駕駛員沒有回應，則運輸工具資料記錄器可以將禮儀行為記錄到對應的運動資料中。
在步驟422中，先決條件模組230可以操作邏輯電路以確定運動資料是否滿足先決條件。在一些實施例中，先決條件可以表示為規則及/或定義。在一些實施例中，與先決條件相關的規則或定義可以是本地的或儲存在MIS中。規則可以包括如何確定收集的運動資料滿足定義的步驟。例如，該規 則可以包括收集運動資料、分析運動資料、並產生相應的使用者行為的三個步驟。如果運輸工具資料記錄器正在收集運動資料，則運輸工具資料記錄器可以啟動相機並分配儲存器以儲存運動資料。如果運輸工具資料記錄器正在分析運動資料，則運輸工具資料記錄器可以從網路120下載用於分析的演算法，並且選擇分析模式來識別運動資料。如果運輸工具資料記錄器正在產生相應的運動資料，則運輸工具資料記錄器可以將運動資料發送到遠端伺服器或將運動資料發送到雲端。
在一些實施例中，先決條件的定義可以包括關鍵字的頻率、面部表情模式、控制工具、聲音的含義、使用者(例如，駕駛員)的運動速度、駕駛員和乘客的距離或類似物或其任意組合。關鍵字的頻率可以是每單位時間使用的關鍵字的數量。關鍵字的頻率可以包括每秒一次、每分鐘三次、或每小時20次或類似物或其任意組合。例如，如果關鍵字在10分鐘內重複了20次，那麼關鍵字的頻率可能是每分鐘兩次。
在一些實施例中，關鍵字的類型可以包括數字、名稱、位置、國家、代碼、單位或類似物或其任意組合。在一些實施例中，關鍵字可以包括幫助、血液、性別、錢包、內衣、大麻、嗎啡、員警、銀行、中東、聖戰、殺戮、槍、導彈或類似物或其任意組合。例如，如果駕駛員威脅到乘客，則乘客語音包括大聲求救，關鍵字求救可以由運輸工具資料記錄器記錄，關鍵字求救可以滿足先決條件，且運輸工具資料記錄器可以計算每分鐘關鍵字的頻率(例如，關鍵字求救的頻率)。
在一些實施例中，面部表情模式可以包括駕駛員或乘客可能處於危險中的面部表情。面部表情模式可以包括窒息的面部表情模式、憤怒的面部表情模式、羞辱的面部表情模式或類似物或其任意組合。如果駕駛員暴躁地和不友好地對待乘客，乘客可能會顯示憤怒的臉部，運輸工具資料記錄器可以 產生滿足憤怒的面部表情模式的相應的運動資料。
在一些實施例中，控制工具可以包括槍、子彈、爆炸材料、匕首、輕彈刀、雙刃刀、彈力槍、撕扯陷阱、弓或類似物或其任意組合。在一些實施例中，聲音的含義可以通過分析乘客語音或駕駛員語音來確定。在一些實施例中，聲音的含義可以分析乘客語音的句子。在一些實施例中，使用者的運動速度可以通過分析圖像或視頻中的使用者來確定。例如，如果使用者的運動速度可以被設置為每分鐘2米，則運動資料或視頻中的駕駛員或乘客的速度可以被確定為每分鐘3米，使用者的運動速度可以被滿足。在一些實施例中，駕駛員和乘客的距離可以預先確定為0.1米、0.5米、0.8米、1米等。如果運輸工具資料記錄器通過計算視頻或圖像中的距離確定運動資料為0，運動資料可以滿足駕駛員和乘客的距離。
在一些實施例中，先決條件模組230可以基於機器學習訓練模型來確定運動資料是否滿足先決條件，所述模型包括例如決策樹、相關規則、人工神經網路、深度學習、歸納邏輯程式設計、支援向量機、聚類、貝葉斯網路、強化學習、表示學習、相似性度量學習、稀疏詞典學習、遺傳演算法、基於規則的機器學習或類似物或其任意組合。例如，先決條件模組230可以使用支援向量機來確定運動資料是否滿足先決條件。
在步驟423中，輸入/輸出模組240可以將警報資料發送到遠端伺服器。在一些實施例中，警報資料可以通過使用第二電子信號來編碼。警報資料可以用於提醒遠端伺服器或MIS終端。在一些實施例中，警報資料可以與收集的運動資料相同。在一些實施例中，警報資料可以包括駕駛員行為的描述、危險程度、駕駛員行為的類型、結果、駕駛員是否需要行為干預、監測駕駛員的物件(例如，伺服器110)是否需要報警或類似物或其任意組合。駕駛員行為的描述可以表示為可以由遠端伺服器或MIS終端識別的文本形式。例如，當 乘客處於暴力危險時，運輸工具資料記錄器可以發送警報資料。危險的級別可以被劃分為危險的第一級別、危險的第二級別和危險的第三級別等。在一些實施例中，危險級別還可以包括一般危險、民事危險或者刑事危險。例如，如果乘客與司機爭論，則警報資料可以被確定為民事危險。再例如，如果司機虐待乘客，警報資料可能被確定為刑事危險。在一些實施例中，駕駛者行為的類型可以包括搏鬥、騷擾、睡眠或類似物或其任意組合。例如，如果從運輸工具資料記錄器收集的運動資料指示駕駛是正在小睡，則可以將警報資料確定為睡眠。在一些實施例中，如果運動資料指示緊急情況，則警報資料可以被確定為可以請求諸如醫療支援等干預的行為干預。在一些實施例中，如果運動資料明顯表現出刑事行為，則運輸工具資料記錄器可以發送警報資料以便提醒遠端伺服器報警。
在一些實施例中，警報資料還可以包括到遠端伺服器的至少兩個代表性圖像或語音。代表性圖像或語音可以指駕駛員或乘客的聲音相關行為、面部表情、動作行為、裝扮行為或禮儀行為。在一些實施例中，代表性圖像可以由遠端伺服器進一步分析以確認警報資料是準確的。。
在一些實施例中，遠端伺服器可以根據警報資料產生指令。該指令可以包括是否觸發運輸工具資料記錄器產生視頻、如何產生視頻、誰是視頻中的主要對象、是否儲存視頻、是否提交視頻或類似物或其任意組合。
在步驟424中，運輸工具資料記錄器可以根據來自遠端伺服器的指令在時間間隔內產生視頻。運輸工具資料記錄器可以在包括開始記錄時間和結束記錄時間的時間間隔內產生視頻。開始記錄時間可以在接收到來自遠端伺服器的指令後確定。例如，一旦運輸工具資料記錄器獲得允許運輸工具資料記錄器產生視頻的指令，則可以觸發運輸工具資料記錄器的相機以記錄視頻。在一些實施例中，運輸工具資料記錄器可以直接產生視頻。例如，如果遠端伺服 器對運輸工具資料記錄器發送的警報資料沒有回應，或者遠端伺服器未連接，則運輸工具資料記錄器可以直接觸發視頻。又例如，如果運輸工具資料記錄器確定乘客或駕駛員處於極端狀態(例如，嚴重交通事故)，則運輸工具資料記錄器可以直接產生視頻。
該指令可以包括是否觸發運輸工具資料記錄器產生視頻、如何產生視頻、誰是視頻中的主要對象、是否儲存視頻、是否提交視頻或類似物或其任意組合。例如，如果指令為忽略警報資料，則運輸工具資料記錄器可以被禁止產生視頻。再例如，如果指令為獲取紅外線視頻，則運輸工具資料記錄器可以觸發紅外線相機以產生紅外線視頻。再例如，如果指令為指示乘客是主要對象，則運輸工具資料記錄器可以產生跟蹤乘客的視頻。又例如，如果指令顯示即時提交視頻，則運輸工具資料記錄器可以直接通過網路120將視頻資料發送到遠端伺服器。
在一些實施例中，視頻可以用作證據。例如，如果司機喝醉了，或者在駕駛期間接聽電話並導致交通事故，保險公司可以根據視頻拒絕司機的索賠。在一些實施例中，視頻可以用於向駕駛員分配訂單。例如，如果視頻顯示較多危險行為，相應的司機可能會被分配很少的訂單。
在一些實施例中，流程420可以作為指令儲存在體現電腦程式產品的非暫時性電腦可讀取媒體中。非暫時性電腦可讀取媒體可以與計算裝置及/或使用者終端(例如，裝置)通訊。當執行與流程420相關的指令時，計算裝置可以獲得與運輸工具資料記錄器相關的第一電子信號編碼運動資料，確定運動資料是否滿足預先條件，將第二電子信號編碼警報資料發送到遠端伺服器，並根據來自遠端伺服器的指令在時間間隔內產生視頻。關於流程420的更多細節可以在圖4B的描述中找到。
圖5係根據本申請的一些實施例所示的用於分析駕駛行為的示例 性流程的流程圖。如圖5所示，用於分析駕駛行為的流程可以包括獲得第二電子信號編碼運動資料、濾除不需要的資訊、分析過濾後的運動資料以及基於運動資料分析駕駛行為。
在步驟510中，資料獲取模組310可以獲取運動資料。在一些實施例中，運動資料可以由資料獲取模組310編碼為第二電子信號。在一些實施例中，可以從安裝在裝置或運輸工具中的輸入/輸出模組240接收運動資料。在一些實施例中，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、聲音資料或類似物或其任意組合。
在步驟520中，資料預處理模組320可以基於過濾模型預處理運動資料。例如，資料預處理模組320可以從運動資料中濾除不需要的資訊。
在一些實施例中，不需要的資訊可以是由意外駕駛行為產生的雜訊資訊，意外駕駛行為可以包括搖動移動智慧電話、將移動智慧電話放在運輸工具的底部、或者移動智慧電話的電子故障等。不需要的資訊可以與用於分析駕駛行為的資訊區分開來。
在一些實施例中，可以通過確定移動智慧電話的移動特徵來過濾掉不需要的資訊。運動特徵可以包括垂直下降或離開運輸工具。例如，如果裝置位置和運輸工具位置之間的差異大於10米，則由移動智慧電話中的感測器產生的運動資料可以由資料預處理模組320確定為不需要的資訊。
在一些實施例中，可以根據加速度感測器資料來濾除不需要的資訊。例如，如果駕駛員搖動移動智慧電話，則移動智慧電話可以在三維座標中產生加速度感測器資料，資料預處理模組320可以分析加速度感測器資料以便獲得在水平面(例如，Ox-y)上的加速度感測器資料。如果水平面上的加速度感測器資料以高於參考頻率的頻率變化，則加速度感測器資料可以被確定為 搖動移動智慧電話的運動資料，並且加速度感測器資料可以被資料預處理模組320過濾掉。在一些實施例中，可以通過檢測至少一個應用程式來濾除不需要的資訊。例如，如果移動智慧電話檢測到在時間間隔內運行的應用程式(例如，移動遊戲)，則時間間隔內的運動資料可以被確定為不需要的資訊，並且不需要的資訊可以通過資料預處理模組320濾除。
在一些實施例中，可以通過使用過濾模型來濾除不需要的資訊。過濾模型可以包括決策樹、相關規則、人工神經網路、深度學習、歸納邏輯程式設計、支援向量機、聚類、貝葉斯網路、強化學習、表示學習、相似性度量學習、稀疏字典學習、遺傳演算法、基於規則的機器學習或類似物或其任意組合。例如，資料預處理模組320可以使用支援向量機來確定不需要的資訊。可以通過運動資料來離線訓練支援向量機，以便從運動資料中識別不需要的資訊。在一些實施例中，資料預處理模組320可以使用演算法來訓練過濾模型。
在一些實施例中，可以在遠端伺服器中離線訓練過濾模型，並將其發送到電子裝置、儲存裝置或類似物或其任意組合。電子裝置可以是可以運行用於共乘的應用軟體(App)且可以具有用於儲存與過濾模型相關的指令的智慧儲存裝置(例如，SD卡)的移動智慧電話。用於儲存過濾模型的儲存裝置可以包括大容量儲存裝置(例如，磁碟、光碟或固態硬碟)、可移動儲存裝置(例如，快閃記憶體驅動器、軟磁碟、光碟、記憶卡、壓縮磁碟或磁帶)、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。在一些實施例中，過濾模型可以被儲存在可與裝置或交通工具即時通訊的雲伺服器中。例如，可以通過線上使用過濾模型分析運動資料過濾掉不需要的資訊。在一些實施例中，過濾模型可以用於分析與駕駛行為、運輸工具狀態或道路狀態有關的任何資料。例如，汽車製造商可以通過使用過濾模型來收集運輸工具相關資料 以刪除不需要的資訊。又例如，交通管理部門可以通過使用過濾模型來使用選擇的與道路有關的資訊來過濾不需要的資訊。又例如，線上隨選服務平臺(例如，線上共乘服務平臺或線上自行車共用服務平臺)可以通過使用過濾模型來記錄用於對使用者進行排名的使用者行為資料以過濾不需要的資訊。
在步驟530中，特徵產生模組330可以基於過濾的運動資料產生特徵資料。過濾後的運動資料可以是已經過濾掉不需要的資訊的運動資料。過濾的運動資料可以包括速度資料、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、心率感測器資料或近接感測器資料。在一些實施例中，過濾的運動資料可以是可以由裝置中的至少一個感測器(例如，加速度感測器)直接產生的原始資料。
在一些實施例中，可以對過濾的運動資料進行預處理以便獲得特徵資料。特徵資料可以用於訓練機器學習訓練模型。在一些實施例中，特徵資料可以包括向量、行列式、矩陣或類似物或其任意組合。例如，向量可以包括對應於不同類型的運動資料的至少一个項目。再例如，具有三個項目的向量可以被表示為(陀螺儀資料、GPS資料、加速度感測器資料)。
在一些實施例中，特徵資料可以進一步包括基於運動資料確定或產生的預處理資料。例如，特徵資料可以包括加速度感測器資料的水平分量、加速度感測器資料的垂直分量、速度資料的平均值、海拔資料或類似物或其任意組合。再例如，特徵資料可以是最大值(加速度感測器資料的最大值)或運動資料的最小值。
在一些實施例中，特徵資料還可以包括兩種或更多類型的運動資料之間的關係。例如，特徵產生模組330可以確定加速度感測器資料和速度資料之間的關係。再例如，特徵產生模組330可基於加速度感測器確定加速度感測器資料的水平分量，加速度感測器資料的水平分量可進一步用於確定加速 度感測器資料的水平分量和速度資料之間的關係，行為分析模組340可以基於加速度感測器資料的水平分量、速度資料和所述關係來預處理特徵資料。在一些實施例中，該關係可以包括運動資料的總體關係。例如，特徵資料可以包括加速度感測器資料、速度資料和陀螺儀資料、以及加速度感測器資料、速度資料和陀螺儀資料的總體關係。該關係可以表示為數位、文本、類別、百分比或類似物或其任意組合。例如，任何兩種類型的運動資料之間的關係可以是0.1、0.3、0.7、1等。在一些實施例中，特徵產生模組330可以通過使用函數或公式來確定特徵資料。
在一些實施例中，特徵產生模組330可以通過基於對應的駕駛行為選擇運動資料來確定特徵資料。例如，如果機器學習訓練模型被確定為用於分析侵略性加速，則特徵產生模組330可以選擇相應的運動資料，例如，加速度感測器資料的水平分量、速度資料和交通燈資料等。再例如，如果機器學習訓練模型被訓練用於確定侵略性轉向，則特徵產生模組330可以選擇相應的運動資料，並且相應的運動資料可以用於產生特徵資料，特徵資料包括角加速度資料的最大值、角加速度的持續時間以及角加速度資料與角加速度的持續時間之間的關係。
在一些實施例中，還可以在通過網路120與遠端伺服器連接的裝置中產生特徵資料。在一些實施例中，如果具有該裝置的運輸工具在與網路120不連接的山區內的路線中行駛，則該裝置可以在一段時間內離線地儲存運動資料。當路線完成時，裝置可以與網路120通訊並且發送運動資料。當接收離線運動資料之後，特徵產生模組330可以產生用於步驟540中分析駕駛行為的特徵資料。
在步驟540中，行為分析模組340可以基於機器學習訓練模型和特徵資料來分析駕駛行為。駕駛行為可以包括侵略性加速、侵略性煞車、侵略 性轉向或類似物或其任意組合。在一些實施例中，行為分析模組340可以確定對應於駕駛行為的行為評估。行為評估可用於評估駕駛行為或對服務等級進行排序。例如，如果第一駕駛員的行為評估高於第二駕駛員的行為評估，則第一駕駛員的服務水準可能高於第二駕駛員的服務水準。
在一些實施例中，在步驟540中，終端控制模組350可以從運輸工具資料記錄器接收警報資料並將指令發送到MIS終端或運輸工具資料記錄器。該指令可以包括是否觸發運輸工具資料記錄器產生視頻、如何產生視頻、誰是視頻中的主要對象、是否儲存視頻、是否提交視頻或類似物或其任意組合。在一些實施例中，終端控制模組350可以發送忽略警報資料的指令以禁止產生視頻。又例如，終端控制模組350可以發送獲取紅外線視頻的指令，車載資料記錄器可以觸發紅外線相機以產生紅外線視頻。在一些實施例中，終端控制模組350可以發送指示乘客為主要對象的指令，運輸工具資料記錄器可以產生跟蹤乘客的視頻。在一些實施例中，終端控制模組350可以發送指令以要求運輸工具資料記錄器即時提交視頻，運輸工具資料記錄器可以通過網路120將視頻資料直接發送到遠端伺服器。
僅作為示例，行為評估可以包括統計資料、對應於每條路線的駕駛分數或危險行為的次數。統計資料可以包括侵略性加速的次數、侵略性煞車的次數、侵略性轉向的次數或類似物或其任意組合。例如，行為分析模組確定完成路線的駕駛員進行了2次侵略性煞車、5次侵略性加速和3次侵略性轉向。駕駛分數可以表示為數位、百分比、文本、級別或類似物或其任意組合。例如，如果駕駛者按照路線的駕駛規則安全地完成路線的一部分，行為分析模組340可以將駕駛分數確定為9/10，這表示駕駛行為優異。再例如，行為分析模組340可以將百分比確定為95%，這可能意味著駕駛行為表現超過駕駛員總數中的95%的駕駛員。在一些實施例中，危險行為的時間可以用於提醒駕駛員。 行為分析模組340可以確定特徵資料以確定駕駛員的危險行為，並且行為分析模組340可以進一步即時或在完成路線之後對危險行為的次數進行計數。例如，行為分析模組340可以識別路線期間的17次危險行為。再例如，行為分析模組340可以即時確定危險行為。
在一些實施例中，機器學習訓練模型可以包括決策樹、相關規則模型、人工神經網路、深度學習模型、歸納邏輯程式設計模型、支援向量機模型、聚類模型、貝葉斯網路、強化學習模型、表示學習模型、相似性度量學習模型、稀疏詞典學習模型、遺傳演算法模型、基於規則的機器學習模型或類似物或其任意組合。
在一些實施例中，機器學習訓練模型可以在遠端伺服器中離線訓練，並且被發送到電子裝置、儲存裝置或類似物或其任意組合。用於儲存機器學習訓練模型的儲存裝置可以包括大容量儲存裝置(例如，磁碟、光碟或固態硬碟)、可移動儲存裝置(例如，快閃記憶體驅動器、軟磁碟、光學磁碟、記憶卡、壓縮磁碟或磁帶)、揮發性讀寫記憶體、唯讀記憶體(ROM)或類似物或其任意組合。在一些實施例中，機器學習訓練模型可以被儲存在與裝置或運輸工具即時通訊的雲伺服器中。例如，可以通過線上使用機器學習訓練模型分析運動資料來濾除不需要的資訊。
在一些實施例中，機器學習訓練模型可以用於分析與駕駛行為、運輸工具狀態或道路狀態有關的任何資料。例如，汽車製造商可以通過使用機器學習訓練模型來收集運輸工具相關資料以刪除不需要的資訊。又例如，交通管理部門可以通過使用機器學習訓練模型來使用選擇的道路相關資訊來過濾不需要的資訊。又例如，線上隨選服務平臺(例如，線上共乘服務平臺或線上自行車共用服務平臺)可以通過使用機器學習訓練的模型來記錄用於使用者排名的使用者行為資料以過濾不需要的資訊。
在一些實施例中，可以線上或離線更新機器學習訓練的模型。在機器學習訓練模型被訓練之後，機器學習訓練模型可以通過使用即時或在週期性時間間隔內(例如，每天或每週)獲得的運動資料進一步被更新。在一些實施例中，機器學習訓練模型可以被更新為對應於不同類型的不需要的資訊的機器學習訓練子模型中的至少一個。例如，第一子模型可以用來區分與運輸工具相關的不需要的資訊，以及第二子模型可以用來區分與移動智慧電話相關的不需要的資訊。
在一些實施例中，在步驟540中，行為分析模組340可以進一步產生與駕駛行為相關的運輸工具狀態。在一些實施例中，運輸工具狀態可以包括輪胎爆胎、線路故障、引擎故障、油箱已空、突然電力缺失、煞車故障或類似物或其任意組合。行為分析模組340可基於機器學習訓練模型分析特徵資料，並產生可用於估計運輸工具狀態的運輸工具狀態。例如，行為分析模組340可以基於特徵資料(例如，長期加速度資料)來確定煞車故障。再例如，行為分析模組340可以確定路線中的輪胎爆胎，以及路線中的輪胎爆胎可以指示運輸工具檢查。
在一些實施例中，在步驟540中，行為分析模組340可以進一步產生與駕駛行為相關的道路狀況。道路狀況可以包括突然的交通紅燈、交通堵塞、突然衝出的人、突然的道路交通事故、傾斜的道路、蜿蜒的道路或類似物或其任意組合。在一些實施例中，行為分析模組340可以基於機器學習訓練模型和特徵資料來確定道路狀況，並且道路狀況可以被發送給交通管理部門。交通管理部門可以使用道路狀況來調整交通(例如，調整交通訊號燈的時間、或者限制經過道路的運輸工具的數量)。
在一些實施例中，在步驟540中，行為分析模組340可以通過使用置信係數來確定駕駛行為。置信係數可用於確定駕駛行為是否是危險行為。 例如，如果機器學習訓練模型的輸出大於置信係數，則相應的駕駛行為可以被確定為危險行為。如果機器學習訓練模型的輸出小於置信係數，則相應的駕駛行為可以被確定為安全行為。再例如，機器學習訓練模型的輸出可以是概率，並且置信度係數可以被設置為值(例如，0.6、0.7、0.8、0.9等)。如果概率為0.85，其大於置信係數(例如，0.8)，則與機器學習訓練模型的輸入相對應的駕駛行為可以被確定為危險行為。在一些實施例中，使用者(例如，駕駛員)可以將置信係數從0.8調整到0.6以便更敏感地檢測危險行為，並且駕駛行為可以更可能被確定為危險行為。
在一些實施例中，流程500可以作為指令儲存在體現電腦程式產品的非暫時性電腦可讀取媒體中。非暫時性電腦可讀取媒體可以與計算裝置及/或使用者終端(例如，裝置)通訊。當執行與流程500相關的指令時，計算裝置可以獲得運動資料、基於機器學習訓練的模型濾除不需要的資訊、基於過濾的運動資料產生特徵資料、並且基於機器學習訓練模型和特徵資料分析駕駛行為。關於流程500的更多細節可以在圖5的描述中找到。
圖6示出了根據本申請的一些實施例的裝置的示意圖。在一些實施例中，該裝置可以是移動智慧電話。移動智慧電話可以包括相機、加速器感測器、陀螺儀感測器、近接感測器、環境光感測器、觸摸感測器、磁力計感測器、麥克風或GPS中的至少一個。環境光感測器可以檢測移動智慧電話周圍的光強度。例如，移動智慧電話可以將光強度檢測為50勒克斯，這表明移動智慧電話可能處於黑暗環境中。在一些實施例中，由智慧電話產生的運動資料可以在移動智慧電話座標系統中表示。如圖6所示，移動智慧電話座標系統可以包括X座標軸、Y座標軸和Z座標軸。X座標軸、Y座標軸和Z座標軸可以彼此正交。X座標軸可以定義為從左到右與移動智慧電話的螢幕平行。Y座標軸可以定義為從上到下與移動智慧電話的螢幕平行。Z座標軸可以垂直於移動智慧電 話的螢幕。移動智慧電話座標系統可以是固定的，且移動智慧電話的位置或方向可以不改變移動智慧電話座標系統。移動智慧電話產生的運動資料可以在移動智慧電話座標系統中分解。例如，加速器感測器資料可以根據X座標軸、Y座標軸和Z座標軸被分解，加速器感測器資料可以被表示為(Ax,Ay,Az)，其中Ax表示加速度感測器資料在X座標軸上的分量、Ay表示加速度感測器資料在Y座標軸上的分量、Az表示加速器感測器資料在Z座標軸上的分量。再例如，陀螺儀感測器資料可以根據移動智慧電話座標系統來組成，並且可以表示為(3,5,2)，其中3表示陀螺儀感測器資料在X座標軸上的分量、5表示陀螺儀感測器資料在Y座標軸上的分量，以及2表示陀螺儀感測器資料在Z座標軸上的分量。
在一些實施例中，表示在移動智慧電話座標系統中的運動資料可以進行變換，並表示在地球座標系統中。地球座標系統如圖7所示。在一些實施例中，可以基於移動智慧電話座標系統和地球座標系統之間的變換關係來變換運動資料。變換關係是可用於修改運動資料從移動智慧電話座標系統到地 球座標系統的變換矩陣。例如，變換矩陣可以表示為
Figure 107118520-A0202-12-0048-15
，移動智慧電話座標系統中的加速器感測器資料(Ax,Ay,Az)可以通過乘以變換矩陣
Figure 107118520-A0202-12-0048-3
進行轉換，獲得地球座標系統中的加速感測器資料(Ax',Ay',Az')。在一些實施例中，變換關係可以是具有一行三列的變換行列式。例如，如果變換行列式為|Tx,Ty,Tz|，移動智慧電話座標系統中的陀螺儀感測器資料(Gx,Gy,Gz)可以通過分別加上變換行列式中的每項進行修改，從而地球座標系統中的加速感測器資料可以表示為(Gx+Tx,Gy+Ty,Gz+Tz)。
在一些實施例中，在移動智慧電話移動時可以調整變換關係。例如，如果駕駛員移動了移動智慧電話，則可以根據移動智慧電話的新位置或 智慧電話的新位置來更新變換關係。再例如，如果駕駛員翻轉了移動智慧電話，則變換行列式|Tx=2,Ty=5,Tz=9|可以調整為|Tx=2,Ty=5,Tz=-9|。再例如，如果駕駛員持續使用移動智慧電話，則移動智慧電話可以記錄移動智慧電話的移動軌跡，並且可以根據移。
圖7係根據本申請的一些實施例所示的與地球一起旋轉的座標系統的示意圖。在一些實施例中，地球座標系統可以包括X軸、Y軸和Z軸。X軸、Y軸和Z軸可以彼此正交。X軸可以從西向東平行於水平面。Y軸可以從南到北平行於水平面。Z軸可以垂直於水平面。在一些實施例中，地球座標系統可以由使用者調整。在一些實施例中，可以通過GPS或北斗導航系統來確定或校正地球座標系統。在一些實施例中，運動資料或特徵資料可以呈現在地球座標系統中。僅作為示例，裝置中的速度資料可以被變換並且以(120,10,0)米/秒的形式呈現在地球座標系統中。
圖8係根據本申請的一些實施例所示的計算裝置800的示例性硬體和軟體元件的示意圖。伺服器110、服務請求者終端130及/或服務提供者終端140可以在計算裝置800上實現。例如，處理引擎112可以在計算裝置800上實現，並且被配置為執行本申請中揭露的處理引擎112的功能。
計算裝置800可以是電腦，都可以用於實現本申請的隨選系統。計算裝置800可以被用來實現如在此所描述的隨選服務的任何元件。例如，處理引擎112可以通過其硬體、軟體程式、韌體或其任意組合在計算裝置800上實現。儘管僅示出了一個電腦，為了方便起見，與在此描述的隨選服務相關的電腦功能可以以分散式的方式在多個類似的平臺上實現，以分配處理負載。
例如，計算裝置800可以包括連接到網路的通訊埠850，以便於資料通訊。計算裝置800還可以包括中央處理單元(CPU)820，以至少一個處理器的形式執行程式指令。示例性電腦平臺可以包括內部通訊匯流排810、不 同形式的程式儲存器和資料儲存器，例如磁碟870、以及唯讀記憶體(ROM)830或隨機存取記憶體(RAM)840，用於儲存由電腦處理及/或傳輸的各種資料檔。示例性電腦平臺還可以包括儲存在唯讀記憶體830、隨機存取記憶體840及/或其他類型的非暫時儲存媒體中由CPU 820執行的程式指令。本申請的流程可以被實現為程式指令。計算裝置800還包括輸入/輸出元件860，其支援電腦與其他元件(例如，使用者介面元件880)之間的輸入/輸出。計算裝置800也可以通過網路通訊接收程式和資料。
計算裝置800可以包括至少一個介面電路，以在計算裝置800中的不同元件之間或計算裝置800與其他電子裝置之間傳輸電子信號。例如，介面電路可以從服務請求者終端130及/或服務提供者終端140接收電子信號，並將該電子信號發送到匯流排810、CPU 820、ROM 830或RAM 840。CPU 820可以包括至少一個處理電路或邏輯電路，以處理通過介面電路從計算裝置800的其他元件或其他電子裝置接收的電子信號。例如，計算裝置800可以通過CPU 820中的處理電路或邏輯電路的操作來處理任務，並且通過介面電路經由電子信號接收指令。
僅僅為了說明，在計算裝置800中僅描述了一個CPU及/或處理器。然而，應該注意的是，本申請中的計算裝置800還可以包括多個CPU及/或處理器，因此由本申請中描述的一個CPU及/或處理器執行的操作及/或處理步驟也可以由多個CPU及/或處理器共同或單獨執行。例如，如果在本申請中，計算裝置800的CPU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也可以由計算裝置800中的兩個不同的CPU及/或處理器共同執行或單獨執行(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9係根據本申請的一些實施例所示的可用於實現使用者終端的 示例性行動裝置900的示例性硬體及/或軟體組件的示意圖。如圖9所示，行動裝置900可以包括通訊平臺910、顯示器920、圖形處理單元(GPU)930、中央處理單元(CPU)940、輸入/輸出950、記憶體960和儲存器990。在一些實施例中，包括但不限於系統匯流排或控制器(未示出)的任何其他合適的元件也可以被包括在行動裝置900中。在一些實施例中，一行動作業系統970(例如，iOSTM、AndroidTM、Windows PhoneTM等)和一個或多個應用程式980可從儲存器990載入至記憶體960以藉由CPU 940執行。應用程式980可以包括瀏覽器或任何其他合適的移動應用程式，用於從處理引擎112接收和呈現與影像處理或其他資訊有關的資訊。和資訊流的使用者互動可經由I/O 950達成，並通過網路120提供給處理引擎112及/或隨選服務系統100的其他組件。
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之一個或多個元素的硬體平臺。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。若電腦被適當的程式化，電腦亦可用作伺服器。
上文已對基本概念做了描述，顯然，對於已閱讀此詳細揭露的本領域具有通常知識者來講，上述詳細揭露僅作為示例，而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變更、改良和修改。該類變更、改良和修改在本申請中被建議，並且該類變更、改良、修改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所描述的一特定特徵、結構或特性。因此，應強調並注意的是，本說明書中在不同部分兩次或多次提到的「一實施例」或「一個實施例」或「一替代性實施例」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、結構或特性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，本申請的各個態樣可以通過若干具有可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流程、機器、產品或物質的組合，或對他們的任何新的和有用的改良。相應地，本申請的各個態樣可以完全由硬體執行、可以完全由軟體(包括韌體、常駐軟體、微代碼等)執行、也可以由硬體和軟體組合執行。以上硬體或軟體均可被稱為「單元」、「模組」或「系統」。此外，本申請的各個態樣可能表現為內含於一個或多個電腦可讀取媒體中的電腦程式產品，該電腦可讀取媒體具有內含於其上之電腦可讀取程式編碼。
電腦可讀取訊號媒體可能包括一個內含有電腦程式編碼的傳播資料訊號，例如在基帶上或作為載波的一部分。所述傳播訊號可能有多種形式，包括電磁形式、光形式或類似物、或合適的組合形式。電腦可讀取訊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，該媒體可以通過連接至一個指令執行系統、裝置或設備以實現通訊、傳播或傳輸供使用的程式。內含於電腦可讀取訊號媒體上的程式編碼可以通過任何合適的介質進行傳播，包括無線電、纜線、光纖電纜、RF、或類似介質、或任何上述介質的合適組合。
本申請各部分操作所需的電腦程式編碼可以用任意一種或多種程式語言編寫，包括物件導向程式設計語言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等、常規程式化程式設計語言如C語言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP、動態程式設計語言如Python、Ruby和Groovy，或其他程式設計語言等。該程式碼可以完全在使用者電腦上運行、或作為獨立的套裝軟體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上運行、或完全在遠端電腦或伺服 器上運行。在後種情況下，遠端電腦可以通過任何網路形式與使用者電腦連接，例如，區域網路(LAN)或廣域網路(WAN)，或連接至外部電腦(例如，通過使用網路服務供應商(ISP)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，除非請求項中明確說明，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，並非意欲限定本申請流程和方法的順序。儘管上述揭露中通過各種示例討論了一些目前認為有用的發明實施例，但應當理解的是，該類細節僅起到說明的目的，附加的請求項並不僅限於揭露的實施例，相反，請求項意欲覆蓋所有符合本申請實施例精神和範圍的修正和均等組合。例如，雖然以上所描述的系統組件可以通過硬體裝置實現，但是也可以只通過軟體的解決方案得以實現，如在現有的伺服器或行動載具上安裝所描述的系統。
同理，應當注意的是，為了簡化本申請揭示的表述，從而幫助對一個或多個發明實施例的理解，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、附圖或對其的描述中。但是，這種揭示方法並不意味著本申請對象所需要的特徵比每個請求項中涉及的特徵多。實際上，所要求保護的標的之特徵要少於上述揭露的單個實施例的全部特徵。
500‧‧‧流程
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟

Claims (20)

  1. 一種電子裝置，包括：至少一個感測器；至少一個處理器可讀取儲存媒體，包括用於檢測預定駕駛行為的一組指令；以及至少一個處理器，其與所述至少一個處理器可讀取儲存媒體進行通訊，其中，當執行該組指令時，所述至少一個處理器用於：在目標時間點，從所述至少一個感測器獲得與所述電子裝置相關的第一電子信號編碼運動資料；操作邏輯電路以確定所述第一電子信號編碼運動資料是否滿足先決條件；以及在所述第一電子信號編碼運動資料滿足所述先決條件時，將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器，其中所述第二電子信號編碼運動資料包含運動資料及警報資料，其中所述運動資料與乘客行為相關。
  2. 如申請專利範圍第1項之電子裝置，其中，所述至少一個感測器包括陀螺儀、加速度感測器、全球定位系統(GPS)或重力感測器中的至少一個。
  3. 如申請專利範圍第1項之電子裝置，其中，所述至少一個處理器進一步用於：確定所述電子裝置與運輸工具一起移動。
  4. 如申請專利範圍第1項之電子裝置，其中，所述第一電子信號編碼運動資料包括線性加速度、角加速度或姿勢資訊中的至少一個，所述姿勢資訊包括角色資訊、偏航資訊或傾斜資訊。
  5. 如申請專利範圍第1項之電子裝置，其中，所述至少一個感測器週期性地產生所述第一電子信號編碼運動資料，並且所述至少一個處理器週期性地獲取所述第一電子信號編碼運動資料。
  6. 如申請專利範圍第1項之電子裝置，其中，所述至少一個處理器進一步用於：操作所述至少一個處理器中的邏輯電路，以基於機器學習訓練模型來從所述第一電子信號編碼運動資料中濾除不需要的資訊。
  7. 如申請專利範圍第6項之電子裝置，其中，所述不需要的資訊是與搖動所述電子裝置、將所述電子裝置放在運輸工具的底部或所述電子裝置的電子故障中的至少一個相關的雜訊資訊。
  8. 如申請專利範圍第1項之電子裝置，其中，所述先決條件包括線性加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值、角加速度的持續時間的臨界值、在預定時間期間內的加速度方向的改變次數，或一段時間內的姿勢改變次數中的至少一個。
  9. 如申請專利範圍第1項之電子裝置，其中，所述至少一個處理器進一步用於：通過變化的發射頻率來發送與所述目標時間點相關的所述預定時間段內的所述第二電子信號編碼運動資料。
  10. 如申請專利範圍第1項之電子裝置，其中，為了將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器，所述至少一個處理器進一步用於：一旦所述第一電子信號編碼運動資料滿足所述先決條件，確定觸發時間點；以及基於所述觸發時間點，在所述預定時間段內選擇所述第二電子信號編碼運 動資料。
  11. 一種用於檢測預定駕駛行為的方法，包括：在目標時間點，由電子裝置獲得與所述電子裝置相關的第一電子信號編碼運動資料；由所述電子裝置確定所述第一電子信號編碼運動資料是否滿足先決條件；以及在所述第一電子信號編碼運動資料滿足所述先決條件時，由所述電子裝置將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器，其中所述第二電子信號編碼運動資料包含運動資料及警報資料，其中所述運動資料與乘客行為相關。
  12. 如申請專利範圍第11項之方法，進一步包括：確定所述電子裝置與運輸工具一起移動。
  13. 如申請專利範圍第11項之方法，其中，所述第一電子信號編碼運動資料包括線性加速度、角加速度或姿勢資訊中的至少一個，所述姿勢資訊包括角色資訊、偏航資訊或傾斜資訊。
  14. 如申請專利範圍第11項之方法，其中，所述電子裝置週期性地獲取所述第一電子信號編碼運動資料。
  15. 如申請專利範圍第11項之方法，進一步包括：基於機器學習訓練模型，從所述第一電子信號編碼運動資料中濾除不需要的資訊。
  16. 如申請專利範圍第15項之方法，其中，所述不需要的資訊是與搖動所述電子裝置、將所述電子裝置放在運輸工具的底部或所述電子裝置的電子故障中的至少一個相關的雜訊資訊。
  17. 如申請專利範圍第11項之方法，其中，所述先決條件包括線性 加速度的臨界值、線性加速度的持續時間的臨界值、角加速度的臨界值、角加速度的持續時間的臨界值、在預定時間期間的加速度方向的改變次數、或一段時間內的姿勢改變次數中的至少一個。
  18. 如申請專利範圍第11項之方法，進一步包括：通過變化的發射頻率，由所述電子裝置發送與所述目標時間點相關的所述預定時間段內的所述第二電子信號編碼運動資料。
  19. 如申請專利範圍第11項之方法，其中，發送所述第二電子信號編碼運動資料包括：一旦所述第一電子信號編碼運動資料滿足所述先決條件，由所述電子裝置確定觸發時間點；以及基於所述觸發時間點，由所述電子裝置在所述預定時間段內選擇所述第二電子信號編碼運動資料。
  20. 一種包括指令的非暫時性電腦可讀取媒體，所述指令被配置為使電子裝置：在目標時間點，從至少一個感測器獲得與所述電子裝置相關的第一電子信號編碼運動資料；操作邏輯電路以確定所述第一電子信號編碼運動資料是否滿足先決條件；以及在所述第一電子信號編碼運動資料滿足所述先決條件時，將與所述目標時間點相關的預定時間段內的第二電子信號編碼運動資料發送到遠端伺服器，其中所述第二電子信號編碼運動資料包含運動資料及警報資料，其中所述運動資料與乘客行為相關。
TW107118520A 2017-05-31 2018-05-30 用於基於運動資料識別駕駛行為的裝置和方法 TWI754068B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
??PCT/CN2017/086563 2017-05-31
WOPCT/CN2017/086563 2017-05-31
PCT/CN2017/086563 WO2018218486A1 (en) 2017-05-31 2017-05-31 Devices and methods for recognizing driving behavior based on movement data

Publications (2)

Publication Number Publication Date
TW201905843A TW201905843A (zh) 2019-02-01
TWI754068B true TWI754068B (zh) 2022-02-01

Family

ID=64454137

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107118520A TWI754068B (zh) 2017-05-31 2018-05-30 用於基於運動資料識別駕駛行為的裝置和方法

Country Status (6)

Country Link
US (1) US11508236B2 (zh)
EP (1) EP3639253A4 (zh)
JP (1) JP2020522798A (zh)
CN (1) CN110692093A (zh)
TW (1) TWI754068B (zh)
WO (1) WO2018218486A1 (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9846977B1 (en) * 2014-09-02 2017-12-19 Metromile, Inc. Systems and methods for determining vehicle trip information
US9754338B2 (en) 2015-10-09 2017-09-05 Gt Gettaxi Limited System to facilitate a correct identification of a service provider
US10554783B2 (en) 2016-12-30 2020-02-04 Lyft, Inc. Navigation using proximity information
US11574262B2 (en) 2016-12-30 2023-02-07 Lyft, Inc. Location accuracy using local device communications
CN107517317A (zh) * 2017-08-28 2017-12-26 惠州Tcl移动通信有限公司 利用指纹识别响应来电的方法、存储介质及移动终端
CN111586574B (zh) * 2019-02-18 2022-09-02 华为技术有限公司 一种通知信息的显示方法及装置
US11910452B2 (en) 2019-05-28 2024-02-20 Lyft, Inc. Automatically connecting wireless computing devices based on recurring wireless signal detections
US11443653B2 (en) * 2019-06-06 2022-09-13 National Taiwan Normal University Method and system for skill learning
US10785604B1 (en) 2019-07-26 2020-09-22 Allstate Insurance Company Multi-computer processing system for dynamically executing response actions based on movement data
CN110412564A (zh) * 2019-07-29 2019-11-05 哈尔滨工业大学 一种基于多传感器融合的列车车皮识别与测距方法
US11043118B1 (en) * 2019-12-23 2021-06-22 Continental Automotive Systems, Inc. System and method for vehicle identification
US11887386B1 (en) * 2020-03-30 2024-01-30 Lyft, Inc. Utilizing an intelligent in-cabin media capture device in conjunction with a transportation matching system
USD997988S1 (en) 2020-03-30 2023-09-05 Lyft, Inc. Transportation communication device
CN112150786B (zh) * 2020-09-25 2021-12-03 阿波罗智联(北京)科技有限公司 控制车辆的方法、装置、车辆、电子设备和介质
US11978289B2 (en) * 2021-01-04 2024-05-07 Guangzhou Automobile Group Co., Ltd. Method, apparatus and non-transitory computer readable storage medium for driving evaluation
US11782149B2 (en) * 2021-01-08 2023-10-10 Google Llc Systems and methods for managing motion detection of an electronic device, and associated electronic devices
US11461952B1 (en) * 2021-05-18 2022-10-04 Attune Media Labs, PBC Systems and methods for automated real-time generation of an interactive attuned discrete avatar
CN113569634B (zh) * 2021-06-18 2024-03-26 青岛海尔科技有限公司 场景特征的控制方法和装置、存储介质及电子装置
CN113434274A (zh) * 2021-06-29 2021-09-24 湖南方心科技股份有限公司 一种智能数据感知的数据任务分配处理系统与方法
CN113963533B (zh) * 2021-09-15 2023-01-31 上海钧正网络科技有限公司 驾驶行为异常检测方法、装置、电子设备、服务器及介质
US11711690B2 (en) * 2021-09-22 2023-07-25 Capital One Services, Llc Methods and systems for facilitating variable authentication of users on mobile devices
CN114056341B (zh) * 2021-11-03 2024-01-26 天津五八驾考信息技术有限公司 驾驶培训中的驾驶辅助方法、设备及存储介质
US20230230502A1 (en) * 2022-01-18 2023-07-20 Speedgauge, Inc. Generation and Use of Coaching Score
CN114743290A (zh) * 2022-05-17 2022-07-12 阿维塔科技(重庆)有限公司 一种行车记录控制方法、装置及汽车
CN117688826A (zh) * 2023-07-13 2024-03-12 东方空间技术(山东)有限公司 一种海射火箭子级回收方法、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337179A (zh) * 2013-07-01 2013-10-02 深圳市凯维特信息技术有限公司 车辆不良驾驶行为提醒系统及方法
CN104243713A (zh) * 2014-09-24 2014-12-24 深圳先进技术研究院 基于智能手机的弯道检测方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8140358B1 (en) * 1996-01-29 2012-03-20 Progressive Casualty Insurance Company Vehicle monitoring system
US7839292B2 (en) 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
JP2010030404A (ja) 2008-07-28 2010-02-12 Visteon Global Technologies Inc 先行車両の位置検出方法及び位置検出装置並びにデータフィルタリング方法
WO2010098912A2 (en) * 2009-02-25 2010-09-02 Valencell, Inc. Light-guiding devices and monitoring devices incorporating same
US20140309852A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Automatic vehicle diagnostic detection and communication
US9104538B2 (en) * 2012-06-08 2015-08-11 Airbiquity Inc. Assessment of electronic sensor data to remotely identify a motor vehicle and monitor driver behavior
ES2536328T3 (es) * 2012-09-28 2015-05-22 Telenav Gmbh Procedimiento para la determinación de situaciones particulares de tráfico en el tráfico por carretera
TWI546216B (zh) * 2014-01-16 2016-08-21 yu fan Cheng To the driver of abnormal behavior detection and warning based on the passenger and property protection methods
JP6384065B2 (ja) * 2014-03-04 2018-09-05 日本電気株式会社 情報処理装置、学習方法、及び、プログラム
US9898759B2 (en) * 2014-03-28 2018-02-20 Joseph Khoury Methods and systems for collecting driving information and classifying drivers and self-driving systems
CN103956007B (zh) * 2014-04-27 2016-06-15 王美金 基于手机加速度传感器和陀螺仪的银行异常情况探测系统
US9714037B2 (en) * 2014-08-18 2017-07-25 Trimble Navigation Limited Detection of driver behaviors using in-vehicle systems and methods
WO2016073620A1 (en) * 2014-11-06 2016-05-12 Maven Machines, Inc. System for monitoring vehicle operator compliance with safe operating conditions
CN104463244A (zh) 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及系统
CN105989726A (zh) * 2015-02-05 2016-10-05 厦门雅迅网络股份有限公司 一种基于车载自动诊断系统解决交通堵塞的方法
CN104802737B (zh) * 2015-03-25 2017-05-10 清华大学 一种基于手机的车辆异常驾驶行为检测方法
US9489966B1 (en) * 2015-05-29 2016-11-08 Ford Global Technologies, Llc Discreet emergency response
JP6259428B2 (ja) 2015-07-31 2018-01-10 ファナック株式会社 機械指令に応じたフィルタを学習する機械学習装置、機械学習装置を備えたモータ駆動装置及びモータ駆動システム並びに機械学習方法
SG10201508064TA (en) * 2015-09-28 2017-04-27 Mastercard International Inc Vehicle Telematics Policing System
US10460534B1 (en) * 2015-10-26 2019-10-29 Allstate Insurance Company Vehicle-to-vehicle accident detection
CN105608884A (zh) * 2015-10-30 2016-05-25 东莞酷派软件技术有限公司 车载备案装置和乘客信息备案方法
CN105292052A (zh) * 2015-11-12 2016-02-03 福州大学 车辆行车安全自动监控与报警系统
US9749866B2 (en) * 2015-11-20 2017-08-29 Centric Consulting, LLC Vehicle safety system and method
CN106203626A (zh) 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
US10250611B2 (en) * 2017-03-14 2019-04-02 Allstate Insurance Company Authenticating drivers

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337179A (zh) * 2013-07-01 2013-10-02 深圳市凯维特信息技术有限公司 车辆不良驾驶行为提醒系统及方法
CN104243713A (zh) * 2014-09-24 2014-12-24 深圳先进技术研究院 基于智能手机的弯道检测方法

Also Published As

Publication number Publication date
WO2018218486A1 (en) 2018-12-06
CN110692093A (zh) 2020-01-14
EP3639253A1 (en) 2020-04-22
US11508236B2 (en) 2022-11-22
US20200105130A1 (en) 2020-04-02
EP3639253A4 (en) 2020-06-03
TW201905843A (zh) 2019-02-01
JP2020522798A (ja) 2020-07-30

Similar Documents

Publication Publication Date Title
TWI754068B (zh) 用於基於運動資料識別駕駛行為的裝置和方法
CN110447214B (zh) 一种识别驾驶行为的系统、方法、装置和存储介质
US11281944B2 (en) System and method for contextualized vehicle operation determination
CA3028630C (en) Systems and methods for identifying risky driving behavior
US20220286811A1 (en) Method for smartphone-based accident detection
US11568492B2 (en) Information processing apparatus, information processing method, program, and system
US20200017124A1 (en) Adaptive driver monitoring for advanced driver-assistance systems
US11055544B2 (en) Electronic device and control method thereof
US11040712B2 (en) Information processing apparatus and information processing method
US20180204078A1 (en) System for monitoring the state of vigilance of an operator
JP6697998B2 (ja) 移動体保険料算出方法、移動体保険料算出装置、移動体保険料算出プログラム及び移動体
CN110225446B (zh) 一种识别驾驶行为的系统、方法、装置和存储介质
JP2024026816A (ja) 情報処理システム、情報処理装置、情報処理方法、及び、プログラム