一种基于人工智能的网约车调度方法及系统与流程

1.本发明涉及计算机信息处理技术领域，尤其是一种基于人工智能的网约车调度方法及系统。


背景技术：

2.现有的网约车调度方法如图1所示，用户通过app点击约车，平台基于司机和乘客的距离派单，司机接单。该方法缺乏数据挖掘和人工智能的应用，导致灵活性和效率不足，且导致乘客对司机的评价不高，用户黏性降低。


技术实现要素：

3.针对现有技术中的缺陷，本发明提供了一种基于人工智能的网约车调度方法及系统，将顾客的驾驶喜好与司机人物画像进行匹配，可优化派单精准度、提高乘客满意度。
4.第一方面：
5.本发明提供了一种基于人工智能的网约车调度方法，包括：
6.获取乘客信息和乘客发布的订单；所述乘客信息包括驾驶喜好；所述订单包括行程信息；
7.获取司机信息；采用大数据技术对所述司机信息进行处理，构建司机人物画像；
8.将所述驾驶喜好与司机人物画像进行匹配，根据匹配结果推送所述订单。
9.优选地，所述司机人物画像包括驾驶风格；所述驾驶风格包括情绪风格；
10.所述情绪风格的获取方法包括：
11.获取司机的面部表情，根据预设面部表情识别算法识别司机的面部情绪；对所述面部情绪进行分类和分析，得到司机的情绪风格。
12.优选地，所述根据预设面部表情识别算法识别司机的面部情绪具体包括：
13.对司机的面部表情采用lpdtp编码并提取第一特征向量，根据所述第一特征向量获取第一面部情绪值；
14.对司机的面部表情采用ldp编码并提取第二特征向量，根据所述第二特征向量获取第二面部情绪值；
15.对所述第一面部情绪值、第二面部情绪值进行加权求和，得到最终面部情绪值；
16.根据所述最终面部情绪值得到司机的面部情绪。
17.优选地，对司机的面部表情采用lpdtp编码并提取第一特征向量，根据所述第一特征向量获取第一面部情绪值具体包括：
18.对所述司机的面部表情采用lpdtp编码，得到lpdtp编码的特征图；
19.将所述lpdtp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到所述第一特征向量；
20.将所述第一特征向量送入训练后的第一支持向量机进行识别，得到第一面部情绪值。
21.优选地，所述驾驶风格还包括车速风格；
22.所述车速风格的获取方法还包括：
23.获取司机的开车时速，对所述开车时速进行分析，得到司机的车速风格。
24.优选地，所述驾驶风格还包括违章风格；
25.所述违章风格的获取方法包括：
26.获取司机的违章次数，对所述违章次数和违章内容进行分析，得到司机的违章风格。
27.优选地，所述驾驶风格包括司机在不同时间段的驾驶风格。
28.优选地，所述驾驶风格包括不同天气下的驾驶风格。
29.优选地，所述司机人物画像还包括司机坐姿；
30.所述司机坐姿的获取方法包括：
31.获取司机驾驶图像，基于预设计算机视觉算法对所述司机驾驶图像进行检测，得到司机坐姿。
32.第二方面：
33.本发明提供了一种基于人工智能的网约车调度系统，包括：
34.第一获取模块，用于获取乘客信息和乘客发布的订单；所述乘客信息包括驾驶喜好；所述订单包括行程信息；
35.第二获取模块，用于获取司机信息；采用大数据技术对所述司机信息进行清洗，构建司机人物画像；
36.匹配模块，用于将所述驾驶喜好与司机人物画像进行匹配，根据匹配结果推送所述订单。
37.本发明的有益效果为：
38.可基于计算机视觉、机器学习、大数据等技术将顾客的驾驶喜好与司机人物画像进行匹配，可优化派单精准度、提高乘客满意度。
附图说明
39.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
40.图1为现有的网约车调度方法的流程示意图；
41.图2为实施例一提供的基于人工智能的网约车调度方法的流程示意图；
42.图3为司机人物画像的结构示意图；
43.图4为实施例二提供的基于人工智能的网约车调度系统的结构示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
46.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
47.还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
48.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0049]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0050]
实施例一：
[0051]
如图2所示，本发明实施例提供了一种基于人工智能的网约车调度方法，包括：
[0052]
获取乘客信息和乘客发布的订单；乘客信息包括驾驶喜好；订单包括行程信息；
[0053]
获取司机信息；采用大数据技术对司机信息进行处理，构建司机人物画像；
[0054]
将驾驶喜好与司机人物画像进行匹配，根据匹配结果推送订单。
[0055]
如图3所示，司机人物画像可包括个人信息。个人信息可包括司机年龄、性别等。
[0056]
司机人物画像还包括驾驶风格，驾驶风格可包括情绪风格、车速风格和违章风格。
[0057]
其中，情绪风格的获取方法包括：
[0058]
获取司机的面部表情，根据预设面部表情识别算法识别司机的面部情绪；对面部情绪进行分类和分析，得到司机的情绪风格。情绪风格可包括开心、温和、烦躁、暴怒等。
[0059]
根据预设面部表情识别算法识别司机的面部情绪具体包括：
[0060]
对司机的面部表情采用lpdtp编码并提取第一特征向量，根据第一特征向量获取第一面部情绪值；
[0061]
对司机的面部表情采用ldp编码并提取第二特征向量，根据第二特征向量获取第二面部情绪值；
[0062]
对第一面部情绪值、第二面部情绪值进行加权求和，得到最终面部情绪值；
[0063]
根据最终面部情绪值得到司机的面部情绪。
[0064]
其中，第一面部情绪值、第二面部情绪值的加权的权值可根据实际情况进行设置。本发明实施例基于lpdtp在梯度空间上编码显著、ldp能够很好地编码图像的纹理信息的特点对二者进行了加权融合，提高了识别的准确度。
[0065]
进一步地，对司机的面部表情采用lpdtp编码并提取第一特征向量，根据第一特征向量获取第一面部情绪值具体包括：
[0066]
对司机的面部表情采用lpdtp编码，得到lpdtp编码的特征图；
[0067]
将lpdtp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到第一特征向量；
[0068]
将第一特征向量送入训练后的第一支持向量机进行识别，得到第一面部情绪值。
[0069]
其中，训练后的第一支持向量机的获取方法包括：获取包括大量面部表情图像的训练集，根据上述方法得到大量面部图像的特征向量，将大量面部图像的特征向量送入第一支持向量机进行训练，得到训练后的第一支持向量机。
[0070]
对司机的面部表情采用ldp编码并提取第二特征向量，根据第二特征向量获取第二面部情绪值具体包括：
[0071]
对司机的面部表情采用ldp编码，得到ldp编码的特征图；
[0072]
将ldp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到第二特征向量；
[0073]
将第二特征向量送入训练后的第二支持向量机进行识别，得到第二面部情绪值。
[0074]
其中，训练后的第二支持向量机的获取方法包括：获取包括大量面部表情图像的训练集，根据上述方法得到大量面部图像的特征向量，将大量面部图像的特征向量送入第二支持向量机进行训练，得到训练后的第二支持向量机。
[0075]
车速风格的获取方法还包括：
[0076]
获取司机的开车时速，对开车时速进行分析，得到司机的车速风格。车速风格可包括速度较慢、速度较快、超速等。
[0077]
违章风格的获取方法还包括：
[0078]
获取司机的违章次数，对违章次数和违章内容进行分析，得到司机的违章风格。违章内容可包括闯红灯、违章变道、违章停车等。
[0079]
进一步地，驾驶风格包括司机在不同时间段的驾驶风格。本发明实施例中，可将24小时进行平分，以每小时为单位，本发明实施例可按小时显示驾驶风格。如，可筛选上午8点的驾驶风格。
[0080]
进一步地，驾驶风格包括不同天气下的驾驶风格。天气可包括晴天、阴天、雨天、台风天、冰雹天、下雪天等。如，可筛选下雪天的驾驶风格。
[0081]
司机人物画像还包括司机坐姿；司机坐姿的获取方法包括：
[0082]
获取司机驾驶图像，基于预设计算机视觉算法对司机驾驶图像进行检测，得到司机坐姿。具体地，司机驾驶图像可通过摄像头获取，预设计算机视觉算法可为movenet算法。
[0083]
进一步地，司机人物画像还包括走错路次数。本发明实施例可识别并记录司机在不同路况下的走错路次数。走错路次数的获取方法包括：打车软件内置导航，如果途经某地点时，在该地点半径100米内与内置导航指引偏移大于20米，则判定在该地点半径100米范围内走错次数+1。
[0084]
进一步地，司机人物画像还包括历史评价。历史评价可包括好评、中评、差评等。
[0085]
本发明实施例中，可基于大数据技术flink对司机信息进行清洗，构建司机人物画像。例如，中午时段，司机情绪良好，开车时速平稳较少超速，违章次数少；例如，下雪天，司机情绪交叉，开车时速较快，违章次数多。
[0086]
为了更好地阐述基于人工智能的网约车调度方法的工作原理和技术效果，列举如下示例：
[0087]
大数据系统中预先存储有乘客a乘客信息和司机信息，司机信息包括司机的个人信息、驾驶风格、坐姿、走错路次数、历史评价等，乘客信息包括驾驶喜好。乘客a在下雨天早
上8点乘车时，可将驾驶喜好设置：时段：早上8点；天气：下雨天；情绪风格：温和；时速风格：较快；违章风格：闯红灯次数较少；走错路次数：较少；历史评价：好评。
[0088]
顾客a通过app发布行程信息，平台将预设距离内的司机信息与乘客a的驾驶喜好进行精准匹配，得到匹配结果，推送当前用户订单给最适合的司机接单。
[0089]
本发明实施例提供了一种基于人工智能的网约车调度方法，可基于计算机视觉、机器学习、大数据等技术将顾客的驾驶喜好与司机信息进行匹配，可优化派单精准度、提高乘客满意度。
[0090]
实施例二：
[0091]
如图4所示，本发明实施例提供了一种基于人工智能的网约车调度系统，包括：
[0092]
第一获取模块，用于获取乘客信息和乘客发布的订单；乘客信息包括驾驶喜好；订单包括行程信息；
[0093]
第二获取模块，用于获取司机信息；采用大数据技术对司机信息进行清洗，构建司机人物画像；
[0094]
匹配模块，用于将驾驶喜好与司机人物画像进行匹配，根据匹配结果推送订单。
[0095]
司机人物画像可包括个人信息。个人信息可包括司机年龄、性别等。
[0096]
司机人物画像还包括驾驶风格，驾驶风格可包括情绪风格、车速风格和违章风格。
[0097]
其中，情绪风格的获取方法包括：
[0098]
获取司机的面部表情，根据预设面部表情识别算法识别司机的面部情绪；对面部情绪进行分类和分析，得到司机的情绪风格。情绪风格可包括开心、温和、烦躁、暴怒等。
[0099]
根据预设面部表情识别算法识别司机的面部情绪具体包括：
[0100]
对司机的面部表情采用lpdtp编码并提取第一特征向量，根据第一特征向量获取第一面部情绪值；
[0101]
对司机的面部表情采用ldp编码并提取第二特征向量，根据第二特征向量获取第二面部情绪值；
[0102]
对第一面部情绪值、第二面部情绪值进行加权求和，得到最终面部情绪值；
[0103]
根据最终面部情绪值得到司机的面部情绪。
[0104]
其中，第一面部情绪值、第二面部情绪值的加权权值可根据实际情况进行设置。本发明实施例基于lpdtp在梯度空间上编码显著、ldp能够很好地编码图像的纹理信息的特点对二者进行了加权融合，提高了识别的准确度。
[0105]
进一步地，对司机的面部表情采用lpdtp编码并提取第一特征向量，根据第一特征向量获取第一面部情绪值具体包括：
[0106]
对司机的面部表情采用lpdtp编码，得到lpdtp编码的特征图；
[0107]
将lpdtp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到第一特征向量；
[0108]
将第一特征向量送入训练后的第一支持向量机进行识别，得到第一面部情绪值。
[0109]
其中，训练后的第一支持向量机的获取方法包括：获取包括大量面部表情图像的训练集，根据上述方法得到大量面部图像的特征向量，将大量面部图像的特征向量送入第一支持向量机进行训练，得到训练后的第一支持向量机。
[0110]
对司机的面部表情采用ldp编码并提取第二特征向量，根据第二特征向量获取第
二面部情绪值具体包括：对司机的面部表情采用ldp编码，得到ldp编码的特征图；
[0111]
将ldp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到第二特征向量；
[0112]
将第二特征向量送入训练后的第二支持向量机进行识别，得到第二面部情绪值。
[0113]
其中，训练后的第二支持向量机的获取方法包括：获取包括大量面部表情图像的训练集，根据上述方法得到大量面部图像的特征向量，将大量面部图像的特征向量送入第二支持向量机进行训练，得到训练后的第二支持向量机。
[0114]
车速风格的获取方法还包括：
[0115]
获取司机的开车时速，对开车时速进行分析，得到司机的车速风格。车速风格可包括速度较慢、速度较快、超速等。
[0116]
违章风格的获取方法包括：
[0117]
获取司机的违章次数，对违章次数和违章内容进行分析，得到司机的违章风格。违章内容可包括闯红灯、违章变道、违章停车等。
[0118]
进一步地，驾驶风格包括司机在不同时间段的驾驶风格。本发明实施例中，可将24小时进行平分，以每小时为单位，本发明实施例可按小时显示驾驶风格。如，可筛选上午8点的驾驶风格。
[0119]
进一步地，驾驶风格包括不同天气下的驾驶风格。天气可包括晴天、阴天、雨天、台风天、冰雹天、下雪天等。如，可筛选下雪天的驾驶风格。
[0120]
司机人物画像还包括司机坐姿；司机坐姿的获取方法包括：
[0121]
获取司机驾驶图像，基于预设计算机视觉算法对司机驾驶图像进行检测，得到司机坐姿。具体地，司机驾驶图像可通过摄像头获取，预设计算机视觉算法可为movenet算法。
[0122]
进一步地，司机人物画像还包括走错路次数。本发明实施例可识别并记录司机在不同路况下的走错路次数。走错路次数的获取方法包括：打车软件内置导航，如果途经某地点时，在该地点半径100米内与内置导航指引偏移大于20米，则判定在该地点半径100米范围内走错次数+1。
[0123]
进一步地，司机人物画像还包括历史评价。历史评价可包括好评、中评、差评等。
[0124]
本发明实施例中，可基于大数据技术flink对司机信息进行清洗，构建司机人物画像。例如，中午时段，司机情绪良好，开车时速平稳较少超速，违章次数少；例如，下雪天，司机情绪交叉，开车时速较快，违章次数多。
[0125]
本发明实施例提供了一种基于人工智能的网约车调度系统，可基于计算机视觉、机器学习、大数据等技术将顾客的驾驶喜好与司机信息进行匹配，可优化派单精准度、提高乘客满意度。
[0126]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种基于人工智能的网约车调度方法，其特征在于，包括：获取乘客信息和乘客发布的订单；所述乘客信息包括驾驶喜好；所述订单包括行程信息；获取司机信息；采用大数据技术对所述司机信息进行处理，构建司机人物画像；将所述驾驶喜好与司机人物画像进行匹配，根据匹配结果推送所述订单。2.根据权利要求1所述的一种基于人工智能的网约车调度方法，其特征在于，所述司机人物画像包括驾驶风格；所述驾驶风格包括情绪风格；所述情绪风格的获取方法包括：获取司机的面部表情，根据预设面部表情识别算法识别司机的面部情绪；对所述面部情绪进行分类和分析，得到司机的情绪风格。3.根据权利要求2所述的一种基于人工智能的网约车调度方法，其特征在于，所述根据预设面部表情识别算法识别司机的面部情绪具体包括：对司机的面部表情采用lpdtp编码并提取第一特征向量，根据所述第一特征向量获取第一面部情绪值；对司机的面部表情采用ldp编码并提取第二特征向量，根据所述第二特征向量获取第二面部情绪值；对所述第一面部情绪值、第二面部情绪值进行加权求和，得到最终面部情绪值；根据所述最终面部情绪值得到司机的面部情绪。4.根据权利要求3所述的一种基于人工智能的网约车调度方法，其特征在于，对司机的面部表情采用lpdtp编码并提取第一特征向量，根据所述第一特征向量获取第一面部情绪值具体包括：对所述司机的面部表情采用lpdtp编码，得到lpdtp编码的特征图；将所述lpdtp编码的特征图分为若干个不重叠的子块，串联每个子块的直方图，得到所述第一特征向量；将所述第一特征向量送入训练后的第一支持向量机进行识别，得到第一面部情绪值。5.根据权利要求2所述的一种基于人工智能的网约车调度方法，其特征在于，所述驾驶风格还包括车速风格；所述车速风格的获取方法还包括：获取司机的开车时速，对所述开车时速进行分析，得到司机的车速风格。6.根据权利要求2所述的一种基于人工智能的网约车调度方法，其特征在于，所述驾驶风格还包括违章风格；所述违章风格的获取方法包括：获取司机的违章次数，对所述违章次数和违章内容进行分析，得到司机的违章风格。7.根据权利要求2所述的一种基于人工智能的网约车调度方法，其特征在于，所述驾驶风格包括司机在不同时间段的驾驶风格。8.根据权利要求2所述的一种基于人工智能的网约车调度方法，其特征在于，所述驾驶风格包括不同天气下的驾驶风格。9.根据权利要求1所述的一种基于人工智能的网约车调度方法，其特征在于，所述司机人物画像还包括司机坐姿；
所述司机坐姿的获取方法包括：获取司机驾驶图像，基于预设计算机视觉算法对所述司机驾驶图像进行检测，得到司机坐姿。10.一种基于人工智能的网约车调度系统，其特征在于，包括：第一获取模块，用于获取乘客信息和乘客发布的订单；所述乘客信息包括驾驶喜好；所述订单包括行程信息；第二获取模块，用于获取司机信息；采用大数据技术对所述司机信息进行清洗，构建司机人物画像；匹配模块，用于将所述驾驶喜好与司机人物画像进行匹配，根据匹配结果推送所述订单。

技术总结
本发明公开了一种基于人工智能的网约车调度方法及系统，方法包括：获取乘客信息和乘客发布的订单；乘客信息包括驾驶喜好；订单包括行程信息；获取司机信息；采用大数据技术对司机信息进行清洗，构建司机人物画像；将驾驶喜好与司机人物画像进行匹配，根据匹配结果推送订单。本发明将顾客的驾驶喜好与司机人物画像进行匹配，可优化派单精准度、提高乘客满意度。度。度。


技术研发人员：龙榜 姚振楠 李晖 钟泽明 刘新
受保护的技术使用者：深圳市法本信息技术股份有限公司
技术研发日：2022.12.26
技术公布日：2023/7/13