一种行车异常识别方法和系统与流程

本申请涉及安全技术领域，特别涉及一种行车异常识别方法和系统。

背景技术：

随着网约车平台的快速发展，通过网约车平台进行打车的用户越来越多，车辆在行驶过程中可能发生安全事故的几率也越来越大。为了保证司机和乘客的人身安全，有必要采取一种能够准确识别出车辆是否有危险行驶的行为的方法和系统。

技术实现要素：

本申请实施例之一提供一种行车异常识别方法。所述方法由至少一个处理器执行，所述行车异常识别方法包括：获取车辆行驶过程中的实时状态数据；所述实时状态数据至少包括速度数据；判断速度数据是否超过设定速度范围，响应于判断结果为大于设定速度范围，确定行驶过程中出现异常行驶；基于所述行驶过程中的实时状态数据判断异常行驶的风险度。

在一些实施例中，所述行驶过程中的实时状态数据还包括以下至少一个：定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。

在一些实施例中，所述速度数据包括速度和/或加速度；所述速度数据通过车载传感器和/或用户终端获取。

在一些实施例中，所述确定行驶过程中出现异常行驶，包括获取车载传感器采集的速度数据，并基于该速度数据确定第一异常识别结果；获取用户终端采集的速度数据，并基于该速度数据确定第二异常识别结果；所述用户终端包括服务提供者终端和/或服务请求者终端；联合所述第一异常识别结果和所述第二异常识别结果确定行驶过程中是否出现所述异常行驶。

在一些实施例中，所述风险度包括以下中的至少一种：是否存在风险、风险类型、风险等级。

在一些实施例中，基于所述行驶过程中的实时状态数据判断异常行驶的风险度，包括：通过风险度识别模型处理车辆行驶过程中的实时状态数据进而确定异常行驶的风险度。

在一些实施例中，基于所述行驶过程中的实时状态数据判断异常行驶的风险度，包括：判断车辆的速度数据随时间的变化曲线是否满足预设条件；响应于判断结果满足预设条件，确定所述异常行驶不存在风险。

在一些实施例中，还包括基于所述风险度，采取至少一种风险应对操作。

本申请实施例之一提供一种行车异常识别系统，包括：数据获取模块，用于获取车辆行驶过程中的实时状态数据；所述实时状态数据至少包括速度数据；风险判定模块，用于判断速度数据是否超出设定速度阈值，响应于判断结果为超出设定速度范围，确定行驶过程中出现异常行驶；基于所述行驶过程中的实时状态数据判断异常行驶的风险度。

在一些实施例中，所述行驶过程中的实时状态数据还包括以下至少一个：定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。

本申请实施例之一提供一种行车异常识别装置，包括处理器，所述处理器用于执行行车异常识别方法。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行行车异常识别方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1所示为根据本申请一些实施例所示的一个示例性风险防范系统的应用场景示意图；

图2是根据本申请一些实施例所示的可以在其上实现终端的移动设备的示例性硬件和/或软件组件的示意图；

图3是根据本申请一些实施例所示的一个风险防范系统的框图；

图4是根据本申请一些实施例所示的风险防范方法的示例性流程图；

图5是根据本申请一些实施例所示的行车异常识别的方法的示例性流程图；

图6是根据本申请一些实施例所示的另一种异常行驶的识别方法的示例性流程图；

图7是根据本申请一些实施例所示的风险度识别模型的训练方法的示例性流程图；

图8是根据本申请一些实施例所示的应用风险度识别模型确定行驶异常的方法的示例性流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。

本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。同样地，本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。

图1所示为根据本申请一些实施例所示的一个示例性风险防范系统的应用场景示意图。风险防范系统100可以判定行程中的安全事件风险，并采取应对方法以减少对用户的伤害。例如，根据车载加速度信息判定是否发生撞车或翻车等伤害人事安全的异常行驶事件。风险防范系统100可以用于互联网或者其它网络的服务平台。例如，风险防范系统100可以是为交通运输提供服务的线上服务平台。在一些实施例中，风险防范系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，风险防范系统100还可以应用于代驾、快递、外卖等。在另一些实施例中，风险防范系统100还可以应用于家政服务、出行(如旅游)服务、教育(如线下教育)服务等领域。如图1所示，风险防范系统100可以包括处理设备110、一个或一个以上终端120、存储设备130、网络140以及信息源150。

在一些实施例中，处理设备110可以处理从终端120、存储设备130和/或信息源150处获得的数据和/或信息。例如，处理设备110可以获取多个终端120的定位/轨迹信息和/或与行程相关的参与方(例如，司机和乘客)的特征信息。处理设备110可以处理上述所获取的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理设备110可以基于风险判定规则和/或风险判定模型对所获取的数据以进行安全风险的判定，并根据判定结果确定采取相应的应对方法，比如报警和/或提供线下支援。在一些实施例中，处理设备110可以获取至少一个服务订单的相关数据；所述服务订单的相关数据至少包括以下的两种：所述服务订单特征、所述服务订单执行过程中的实时状态数据、与所述服务订单中至少一个数据相关的历史记录。在一些实施例中，处理设备110可以至少基于预设的风险判定规则，对所述服务订单的相关数据进行处理以确定所述服务订单的风险判定结果。例如，处理设备110可以根据速度阈值和当前的速度数据判断是否出现异常行驶。例如，撞车或翻车等影响人身安全的事件。在一些实施例中，处理设备110可以基于所述风险判定结果，对所述服务订单执行风险应对操作。在一些实施例中，处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：处理设备110可以是分布系统)。在一些实施例中，处理设备110可以是本地的或者远程的。例如，处理设备110可通过网络140访问存储于终端120、存储设备130和/或信息源150中的信息和/或资料。在一些实施例中，处理设备110可直接与终端120、存储设备130和/或信息源150连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在另一些实施例中，处理设备110可以同时是终端120之一。

在一些实施例中，处理设备110可以包含一个或多个子处理设备(如：单核处理器或多核处理器)。仅仅作为范例，处理设备110可包含中央处理器(cpu)、专用集成电路(asic)、专用指令处理器(asip)、图形处理器(gpu)、物理处理器(ppu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编辑逻辑电路(pld)、控制器、微控制器单元、精简指令集电脑(risc)、微处理器等或以上任意组合。

在一些实施例中，终端120可以是带有数据获取、存储和/或发送功能的设备，可以包括任一用户或者非直接参与服务的终端、服务提供者终端、服务请求者终端和/或车载终端。所述服务提供者可以是提供服务的个人、工具或者其他实体。所述服务请求者可以是需要得到或者正在接受服务的个人、工具或者其他实体。例如，针对网约车服务而言，所述服务提供者可以是司机、第三方平台，所述服务请求者可以是乘客或者其它接受类似服务的个人或者设备(例如物联网设备)。在一些实施例中，终端120可以用于采集各类数据，包括但不限于与服务相关的数据。例如，终端120所采集的数据可以包括与订单相关的数据(例如，订单请求时间、起终点、乘客信息、司机信息、车辆信息等)、与车辆行驶情况相关的数据(例如，当前速度、当前加速度、设备的姿态、路况等)、与服务行程相关的数据(例如，预设行程路径、实际行驶路径、费用等)、与服务参与方(服务提供者/服务请求者)相关的数据(例如，参与方的个人信息、服务提供者/服务请求者对于终端120的操控信息、终端设备的各种相关数据等)等或其任意组合。所采集数据可以是实时的，也可以是各类历史数据如用户过去的使用历史等等。数据可由终端120通过自身的传感器进行数据采集，也可以搜集外接传感器获取的数据，也可以读取存储在自身的存储器中的数据，还可以通过网络140读取存储在存储设备150中的数据。在一些实施例中，传感器可以包括定位装置、声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合等。终端120采集到的各类数据，可以用于判定在后续服务执行过程中所出现的恶性事件和/或异常情况。例如，可以基于轨迹数据，判定是否在某一地点存在停留异常(包括服务执行期间和/或服务完成后)、是否在某一路段丢失信号、是否在未到达服务目的地而提前结束服务、是否离预设路线、是否行驶至偏远地区、是否行程中多次停留、是否行驶速度缓慢、是否偏移路线时段、是否行驶时间超出阈值等。又例如，可以根据车辆的姿态、速度和/或加速度的变化判断车辆是否存在撞车、翻车等驾驶危险等。在一些实施例中，终端120可以包括台式电脑120-1、笔记本电脑120-2、车辆内置设备120-3、移动设备120-4等中的一种或几种的组合。在一些实施例中，移动设备120-4可以包括智能家居设备、可穿戴设备、智能移动设备、增强现实设备等或其组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(pda)、游戏设备、导航设备、pos机等或其组合。在一些实施例中，车辆内置设备120-3可以包括车载计算机、汽车数据记录器、车载人机交互(hci)系统、行车记录仪、车载电视等。在一些实施例中，车载内置设备120-3可以获取车辆的各种部件数据和/或运行数据，例如，速度、加速度、行驶方向、部件状态、车辆周围环境等。所获取的数据可以用于判定是否发生行车事故(例如，翻车、撞车)、行车故障(例如，发动机或变速箱故障导致车辆无法移动)等。在一些实施例中，终端120可以是具有用于定位终端120的位置的定位技术的设备。在一些实施例中，终端120可以将采集到的数据/信息通过网络140传输至处理设备110进行后续步骤。终端120还可以将采集到的数据/信息存储至自身的存储器中，或通过网络140传输至存储设备130进行存储。终端120还可以接收和/或显示由处理设备110生成的与风险防范相关的通知。在一些实施例中，可以有多个终端相互连接，共同采集各类数据，并由一个或者多个终端对这些数据进行预处理。存储设备130可以存储数据和/或指令。在一些实施例中，存储设备130可以存储终端120获取的数据/信息。存储设备130还可以存储历史事件的历史交通运输服务数据，例如，一些事件的历史服务订单的订单数据、服务参与方数据、车辆相关数据等，及行程数据等。在一些实施例中，存储设备130可以存储处理设备110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。例如，存储设备130可以存储风险判定模型，所述风险判定模型可以基于处理设备110所获取的与交通运输服务相关的数据/信息判定该交通运输服务是否存在风险。在一些实施例中，存储设备130可以存储用户终端的各类实时或者和历史数据，例如，与历史服务相关的用户的历史记录，比如历史评价等。在一些实施例中，存储设备130可以是处理设备110或者终端120的一部分。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(ram)。示例性的ram可包括动态ram(dram)、双倍速率同步动态ram(ddrsdram)、静态ram(sram)、闸流体ram(t-ram)和零电容ram(z-ram)等。示例性的rom可以包括掩模rom(mrom)、可编程rom(prom)、可擦除可编程rom(eprom)、电子可擦除可编程rom(eeprom)、光盘rom(cd-rom)和数字通用磁盘rom等。在一些实施例中，存储设备130可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。例如，本发明中一些风险判断的算法或者数据可以存储在某个云平台上，定期更新，处理设备110通过网络访问这些算法或者数据，以实现整个平台的算法或者数据的统一与交互。特别的，一些历史数据可以统一存储在平台的一个云平台上，以便多个处理设备110或者终端120访问或者更新，以便保证数据的实时性和跨平台使用。例如，终端120可以随时将其速度和定位信息发布到某个云平台上，系统可以根据多个终端120的反馈判断是否出现异常状况。

在一些实施例中，存储设备130可以连接到网络140以与风险防范系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)通信。风险防范系统100中的一个或以上组件可以通过网络140访问存储设备130中存储的数据或指令。在一些实施例中，存储设备130可以与风险防范系统100中的一个或以上组件(例如，处理设备110、终端120、信息源150)直接连接或通信。在一些实施例中，存储设备130可以是处理设备110的一部分。

网络140可以促进信息和/或数据的交换。在一些实施例中，风险防范系统100中的一个或以上组件(例如，处理设备110、终端120、存储设备130和信息源150)可以通过网络140向/从风险防范系统100中的其他组件发送和/或接收信息和/或数据。例如，处理设备110可以通过网络140从终端120和/或信息源150获取与交通运输服务相关的数据/信息。又例如，终端120可以通过网络140从处理设备110或存储设备130处获取用于判定交通运输服务是否具有风险的判定模型。获取的判定模型可以以终端120的应用软件实现。终端120在获取与交通运输服务相关的数据/信息后，可以自行判定该交通运输服务是否具有风险，并执行风险应对操作，比如，启动电话报警。在一些实施例中，网络140可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络140可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(lan)、广域网(wan)、无线局域网(wlan)、城域网(man)、广域网(wan)、公共交换电话网络(pstn)、蓝牙网络、紫蜂网络、近场通讯(nfc)网络、全球移动通讯系统(gsm)网络、码分多址(cdma)网络、时分多址(tdma)网络、通用分组无线服务(gprs)网络、增强数据速率gsm演进(edge)网络、宽带码分多址接入(wcdma)网络、高速下行分组接入(hsdpa)网络、长期演进(lte)网络、用户数据报协议(udp)网络、传输控制协议/互联网协议(tcp/ip)网络、短讯息服务(sms)网络、无线应用协议(wap)网络、超宽带(uwb)网络、移动通信(1g、2g、3g、4g、5g)网络、wi-fi、li-fi、窄带物联网(nb-iot)等或其任意组合。在一些实施例中，风险防范系统100可以包括一个或以上网络接入点。例如，险防范系统110可以包括有线或无线网络接入点，风险防范系统100的一个或以上组件可以通过其连接到网络140以交换数据和/或信息。

信息源150可以用于为风险防范系统100提供信息的来源。在一些实施例中，信息源150可以用于为风险防范系统100提供与交通运输服务相关的信息，例如，天气情况、交通信息、地理信息、法律法规信息、新闻事件、生活资讯、生活指南信息等。在一些实施例中，信息源150还可以是其他第三方平台，可以提供服务请求方和/或服务提供方的征信记录，如信贷记录等。在一些实施例中，信息源150可以用于为风险防范系统100提供与风险防范相关的信息，例如，驾驶安全提示信息、人身安全提示信息、财产安全提示信息等。信息源150可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当信息源150在多个个人设备中实现时，个人设备可以生成内容(例如，被称为“用户生成内容”)，例如，通过将文本、语音、图像和视频上载到云服务器。信息源可以由多个个人设备和云服务器生成。存储设备130、处理设备110以及终端120同时也可以是信息源。例如，终端120实时反馈的速度和定位信息，可以作为信息源提供交通状况信息供其他设备获取使用。

图2是根据本申请一些实施例所示的可以在其上实现终端120的移动设备200的示例性硬件和/或软件组件的示意图。如图2所示，移动设备200可以包括通信单元210、显示单元220、图形处理单元(gpu)230、中央处理单元(cpu)240、输入/输出250、内存260、存储器270和传感器280。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未显示)，亦可包括于移动设备200内。

在一些实施例中，移动操作系统262(例如，ios^tm、android^tm、windowsphone^tm等)和一个或多个应用程序264可以从存储器290加载到内存260中以便由cpu240执行。应用程序264可以包括浏览器或任何其他合适的移动应用程序，用于发送与交通运输服务相关联的数据/信息，并接收和呈现来自风险防范系统100的处理或其他相关的信息。例如，应用程序264可以是在线网约车出行平台(例如，滴滴出行^tm)，用户(例如，服务请求者)可以通过应用程序264请求交通运输服务，并将请求信息发送至后台服务器端。用户与信息流的交互可以经由输入/输出250来实现并且经由网络140被提供给处理设备110和/或风险防范系统100的其他组件。

在一些实施例中，移动设备200还可以包括多个传感器280。传感器280可以获取与服务参与方(例如，司机/乘客)、车辆和/或行程等相关的数据。在一些实施例中，所述传感器可以包括声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合。在一些实施例中，由所述传感器所获取的数据可以用于后续判定是否发生风险和/或发生何种风险。例如，声音传感器和图像传感器可以采集服务参与方之间的对话以及车内的实时场景，以供判断是否发生司乘冲突或财产/人身安全事件，比如，肢体冲突、酒驾、抢劫、性侵犯、性骚扰等。又例如，位置传感器和位移传感器可以采集车辆的实时位置和/或车辆的行驶轨迹数据，以供判断是否发生行程异常，比如，异常停留、行程偏离、行驶时间异常等。还例如，速度传感器、加速度传感器和陀螺仪可以采集车辆的实时速度、实时加速度、终端120的偏转量、偏转频率等，以供判断车辆是否发生行车安全事故，比如，撞车、翻车等。

在一些实施例中，移动设备200还可以与车辆进行通信，例如，蓝牙通信，以获取安装在车辆内部或外部的车载传感器所采集的数据，比如，车辆当前状态数据和行驶数据，并将通过自身传感器获取的数据和通过车载传感器获取的数据进行合并，以用于后续的风险判定。

在一些实施例中，移动设备200可以将所获取的数据/信息，包括通过自身传感器获取的数据和通过车载传感器获取的数据，通过网络140发送到风险防范系统100的处理设备110以进行风险判定及处置。在一些实施例中，移动设备200可以直接进行风险判定及处置。例如，应用程序264中可以内置有进行风险判定的代码或模块，可以直接进行风险判定及处置。在一些实施例中，风险防范系统100的处理设备110和/或移动设备200还可以根据风险判定和/或处置结果生成安全通知指令。移动设备200可以通过接收并执行上述安全通知指令，提醒使用者当前所处的安全状态。例如，移动设备200可以通过语音(例如，通过扬声器)、振动(例如，通过振动器)、文字(通过短信或社交应用程序)、灯光闪烁(例如，通过闪光灯或显示单元220)等或其组合的方式实现该安全通知达到提醒使用者的目的。

在一些实施例中，移动设备200的使用者，例如，司机和/或乘客，可以自行执行风险判定过程。具体地，司机和/或乘客可以通过移动设备200中的应用程序264主动上报风险。例如，对移动设备200执行特定操作，比如摇晃或摔掷，可以启动报警程序。又例如，应用程序264的界面中可以包括直接与后端安全平台通信的快速入口(例如，报警按钮、求助按钮)，在判断自身处于危险情况时，用户可以通过该点击报警按钮向警方报警。在报警后，应用程序264还可以进行报警的用户的当前位置和行程信息发送至警方以辅助救援。

为了实现本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述之一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(pc)或任何其他类型的工作站或终端装置。若计算机被适当的程序化，计算机亦可充当系统。

图3是根据本申请一些实施例所示的一种风险防范系统的框图。如图3所示，该系统可以包括数据获取模块310、风险判定模块320、训练模块330、风险应对模块340和更新模块350。在一些实施例中，数据获取模块310、风险判定模块320、训练模块330、风险应对模块340和更新模块350可以设置在处理设备110中。

在一些实施例中，数据获取模块310可以获取至少一个服务订单的相关数据。所述服务订单可以是当前时刻被请求、被执行、和/或已被完成的交通运输服务订单，例如，货物运输订单、出行服务订单等。所述服务订单的相关数据可以包括该服务订单的订单特征、订单执行过程中的状态数据、与所述服务订单中至少一个数据相关的历史记录。所述订单特征可以是服务订单中直接记载的信息，包括但不限于服务提供者的身份信息、与服务订单相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息等或其任意组合。所述订单执行过程中的状态数据可以指服务订单执行过程中与订单相关的设备的状态数据和/或订单执行过程中用户或车辆周边的环境数据，包括但不限于与服务订单相关的终端的定位数据、与服务订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据等或其任意组合。所述与所述服务订单中至少一个数据相关的历史记录可理解为当前服务订单中某个数据对应的历史记录，例如服务提供者的执行历史服务订单的记录、服务提供者的征信记录、服务请求者的参与历史服务订单的记录、服务请求者的征信记录等或其任意组合。在一些实施例中，数据获取模块310可以获取车辆行驶过程中的实时状态数据，所述实时状态数据至少包括速度数据。在一些实施例中，所述行驶过程中的实时状态数据还包括以下至少一个：定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。在一些实施例中，所述速度数据包括速度和/或加速度；所述速度数据通过车载传感器和/或用户终端获取。在一些实施例中，数据获取模块310可以通过网络140与终端120、存储设备130和/或信息源150进行通信以获取上述数据。在获取后，数据获取模块310可以将上述数据传输至风险判定模块320进行多种类型的风险判定。

在一些实施例中，数据获取模块310还可以获取历史订单数据，所述历史订单数据可以包括发生过风险事件的交通运输服务相关的数据。所述历史数据可以与上述实时数据类似，同时还包括了对应于某一交通运输服务所发生的具体的风险事件类型。风险事件类型可以包括撞车、翻车或驾驶危险等或其任意组合。在一些实施例中，所述历史订单数据可以作为训练数据训练风险判定模型或确定风险判定规则。所得到的风险判定模型或风险判定规则可以用于对服务订单数据进行判定以确定是否存在风险。在一些实施例中，所述历史订单数据可以存储在存储设备130中，数据获取模块310可以通过网络140与存储设备130进行通信，读取存储在其中的历史订单数据。

在一些实施例中，风险判定模块320可以使用判定规则对服务订单的当前状态进行风险判定。在一些实施例中，判定规则可以是根据所述历史订单数据和/或经验设定的条件/或阈值。所述判定规则的阈值设置可以依据数据统计确定，还可以使用风险判定模型的训练过程中获得的中间结果作为判定阈值。例如，可以根据传感器数据(例如，重力加速度)超出预设范围判断车辆是否存在撞车、翻车等驾驶危险。在一些实施例中，风险判定模块320可以用于基于当前订单数据和/或当前订单执行时的状态数据确定当前订单行程是否存在异常。在一些实施例中，风险判定模块320可以获取车载传感器采集的速度数据，并基于该速度数据确定第一异常识别结果。在一些实施例中，风险判定模块320可以获取用户终端采集的速度数据，并基于该速度数据确定第二异常识别结果；所述用户终端包括服务提供者终端和/或服务请求者终端。风险判定模块320可以基于所述第一异常识别结果和所述第二异常识别结果确定行驶过程中是否出现所述异常行驶。在一些实施例中，风险判定模块320可以通过风险度识别模型处理车辆行驶过程中的实时状态数据进而确定异常行驶的风险度。在一些实施例中，风险判定模块320可以判断车辆的速度数据随时间的变化曲线满足设定条件，响应于判断结果满足预设条件，确定所述异常行驶不存在风险。在一些实施例中，风险判定模块320可以判断车辆速度数据是否大于设定速度阈值，且持续设定的时间阈值，当判断结果为大于设定速度阈值且持续时间超过设定的时间阈值时，确定异常行驶存在风险。在一些实施例中，风险判定模块320可以基于所述实时状态数据，获取车辆位置数据，基于车辆位置数据，确定车辆的速度数据大于设定速度阈值后的车辆行驶轨迹，当基于所述行驶轨迹确定车辆停止行驶时，确定异常行驶存在风险。在一些实施例中，风险判定模块320可以基于所述实时状态数据，获取车辆的速度数据大于设定速度阈值后的反映用户行为的数据，基于反映用户行为的数据，确定异常行驶的风险度。在一些实施例中，反映用户行为的数据包括用户在服务平台中的操作。例如，如果在超速后用户还在平台内抢红包则可以确定安全。或者服务提供者没隔多久又在接单，也可以确定安全。在一些实施例中，风险判定模块320可以基于所述实时状态数据，获取车辆的速度数据大于设定速度阈值后的车辆姿态数据，当车辆姿态数据满足预设的姿态条件时，确定异常行驶存在风险。

在一些实施例中，风险判定模块320可以使用风险判定模型对交通运输服务的当前状态进行风险判定。所述风险判定模型可以是机器学习模型，例如，决策树，经由所获取的历史订单数据进行训练后得到。例如，可以利用历史订单数据中，与交通运输服务相关联的数据作为输入，以该交通运输服务发生的风险类型作为正确标准(groundtruth)对模型进行训练。在一些实施例中，所述风险判定模型可以是一个单一的整体判定模型，用以判定是否存在一种或多种类型的异常，包括撞车、翻车、驾驶危险等或其任意组合。在一些实施例中，风险判定模块320可以利用风险判定模型确定行程异常的风险度。风险判定模型可以是回归类机器学习模型。具体的，可以通过风险判定模型处理订单数据以及订单执行过程中的实时状态数据，输出反映异常危害等级或者发生概率的结果。风险判定模块320可以利用多个模型中的组合，来判定一个或以上的风险。模型的组合方式可以根据实际需求确定。

在一些实施例中，风险判定模块320的判定结果可以包括有无风险以及对风险的量化表示。仅作为示例，判定结果风险度可以是是否存在风险。或者，风险度可以是存在风险以及风险类型、表示风险等级的数值、风险概率等，比如，判定结果是(有风险、偏离预设路线-5级)或(有风险、行驶至偏远地区-56％、异常停留-87％)。在一些实施例中，风险判定模块320可以综合判定全部风险的等级和/或概率，并输出一个对应于综合风险判定的判定结果，例如，判定结果为(有风险、74％)。应当注意的是，以上描述的判定结果的形式只是为了说明的目的，本申请不对判定结果的形式进行限制。第一训练模块330可以确定异常识别模型。在一些实施例中，第一训练模块330可以获取历史订单。在一些实施例中，历史订单可以从系统100中获取，例如网络140、存储设备130、服务器110、终端120、信息源150等设备中获取。

训练模块330可以用于确定风险度识别模型。在一些实施例中，训练模块330可以获取历史订单。在一些实施例中，历史订单可以是历史服务订单。例如，出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等网约车服务中的历史订单。在一些实施例中，可以获取一段时间内的历史订单作为训练样本。例如，一个星期的历史订单、一个月的历史订单等。在一些实施例中，订单可以包括是完成的订单、中途取消的订单等系统100中有记录的订单。在一些实施例中，历史订单可以从系统100中获取，例如网络140、存储设备130、服务器110、终端120、信息源150等设备中获取。

在一些实施例中，训练模块330可以获取历史订单中的车辆行驶过程中的实时状态数据。在一些实施例中，训练模块330可以将历史行驶数据中行程异常的历史数据标记为正样本，将行驶正常的数据标记为负样本。例如，如果历史订单信息中包括行驶异常事件信息，则该样本类型可以被确定为正样本；反之，如果历史订单信息中不包括行驶异常事件信息，则该样本类型可以被确定为负样本。在一些实施例中，训练模块330可以基于所述历史订单中的车辆行驶过程中的实时状态数据及标记结果训练异常识别模型。在一些实施例中，可以将历史订单中的车载速度数据和/或用户终端速度数据作为输入，标记的样本类型作为输出，训练得到风险度识别模型。在一些实施例中，所述风险度识别模型可以是机器学习模型，包括但不限于分类与逻辑回归(logisticregression)模型、k-最近邻算法(k-nearestneighbor，knn)模型、朴素贝叶斯(naivebayes，nb)模型、支持向量机(supportvectormachine，svm)、决策树(decisiontree，dt)模型、随机森林(randomforests，rf)模型、回归树(classificationandregressiontrees，cart)模型、梯度提升决策树(gradientboostingdecisiontree，gbdt)模型、xgboost(extremegradientboosting)、轻量级梯度提升机器(lightgradientboostingmachine，lightgbm)、梯度提升机(gradientboostingmachines，gbm)、lasso(leastabsoluteshrinkageandselectionoperator，lasso)、人工神经网络(artificialneuralnetworks，ann)模型等。

在一些实施例中，风险应对模块340可以进一步包括风险排序单元342、风险确认单元344、风险处置单元346已经持续监控单元348。风险排序单元342可以基于排序规则对风险判定结果进行排序。所述排序规则可以是根据不同风险中的一个或以上风险参数(例如，停留异常风险中的停留时间等特征值)进行排序。所述排序规则也可以是根据判定结果中针对风险概率和/或等级的大小进行排序。所述排序规则还可以是设置排序结果阈值(例如，等级阈值、概率阈值等)，对满足不同阈值的风险判定结果分别进行排序。所述排序规则也可以是基于多个风险参数的某种运算结果(如加权均值)的大小进行排序。在一些实施例中，风险排序单元342可以使用排序模型对风险判定结果进行排序。所述排序模型可以是数学模型，可以分别基于不同风险种类中的特征值和/或全部风险的特征值通过公式计算(例如，权重计算)得出风险排序结果。所述排序模型还可以是机器学习模型，该模型可以基于触发风险的特征数据进行训练后得到。风险确认单元344可以将交通运输服务订单对应的风险判定结果输入至训练好的风险排序模型，确定排序结果。在一些实施例中，排序结果可以表示服务订单的风险等级排序。在一些实施例中，排序结果可以表示服务订单的风险概率等级排序。在一些实施例中，排序结果决定着后续的应对措施。

在一些实施例中，风险排序单元342可以对不同风险分别进行排序。例如，对于存在同一种风险的全部订单进行排序，分别得到不同风险的排序结果。在一些实施例中，风险排序单元342还可以对全部风险进行综合排序。例如，可以对不同风险分别设置权重，结合权重对不同风险的订单进行综合排序。

风险确认单元344可以进行风险确认。在一些实施例中，风险确认单元344可以基于风险排序单元342的排序结果确认风险。例如，可以在风险排序较高的订单中选择预设数量的订单进行风险确认。在一些实施例中，风险确认单元344可以直接基于风险判定模块340的判定结果确认风险。例如，对于风险判定模块340判定结果(例如，风险等级、风险概率等)在预设范围内的订单进行风险确认。在一些实施例中，风险确认单元344可以直接对所有的服务订单进行风险确认。

在一些实施例中，风险确认操作可以包括通过与用户信息交互进行风险确认、通过工作人员到现场进行风险确认、获取车内音频或图像信息进行风险确认、基于交通系统播报信息确认进行风险确认等或其任意组合。风险确认单元344可以通过人工的方式进行风险确认。对于存在潜在风险的订单，风险防范系统100可以展示与该风险订单相关的信息，并通过人工的方式(例如，人工客服)进一步确定相关风险信息。在一些实施例中，风险确认单元344可以通过自动的方式进行风险确认。对于存在潜在风险的订单，自动风险确认单元344可以通过包括互动式语音应答(interactivevoiceresponse,ivr)外呼、终端显示屏弹窗、应用文字、语音询问或语音监控车内司机和/或乘客、车内录音上报等的方式确认风险。在一些实施例中，风险确认单元344还可以通过人工与自动交互的方式进行风险确认。对于存在潜在风险的订单，风险确认单元344可以通过电话交互的方式进行风险确认。

风险处置单元346可以执行风险处置操作。所述风险处置操作可以包括通知紧急联系人、启动司机端和/或乘客端数据上报、专人跟进报警等或其任意组合。在一些实施例中，风险处置单元346可以直接基于风险判定结果确定风险处置操作。例如，风险处置单元346可以对高风险订单执行风险处置，并根据风险概率采取不同的行动。例如，根据算法，当风险概率超过20％时即采取某一行动，例如向用户终端发送提示信息，以提醒用户(司机或乘客)有一定风险，要求用户注意。当风险概率更高时(例如90％)，可以直接要求终止服务。在一些实施例中，风险处置单元346可以基于系统多个风险排序结果确定风险处置操作。例如，风险处置单元346可以对风险排序序位处于前30％的订单执行风险处置，例如派专人跟进等。在一些实施例中，风险处置单元346还可以基于风险确认结果确定风险处置操作。例如，风险处置单元346可以对经过确认后存在风险的订单执行风险处置操作。系统风险处置的判据和阈值可以与更新单元结合，根据实时情况和历史数据与反馈动态调整。

在一些实施例中，风险处置单元346可以通过风险研判的方法进行风险处置。风险处置单元346可以获取满足风险研判条件的服务订单及其相关的服务订单数据，并获取服务订单的风险判定结果以及与服务订单的各方面相关的风险信息，并基于风险判定结果以及风险信息判定服务订单是否发生风险事件。

在一些实施例中，风险处置单元346可以通过风险救援的方法进行风险处置。风险处置单元346可以基于风险判定结果确定服务订单是否满足风险救援条件，对满足风险救援条件生成救援信息并发送。例如，对于被判定为存在风险的订单，可以获取其风险信息(例如，风险类型、风险等级等)，对于风险等级满足预设阈值的订单，可以生成救援信息以通知周围司机前往求援或查看。

持续监控单元348可以对服务订单进行持续监控。所述持续监控可以是针对在风险判定中被判定为无风险的服务订单进行，也可以是针对风险排序中处于末尾的部分服务订单，还可以是针对经过风险确认后为无风险的服务订单。在一些实施例中，持续监控单元348可以基于待持续监控的服务订单的相关信息，确定与该服务订单相关联的终端。所述终端可以是服务提供者终端、服务请求者终端、车载终端等。持续监控单元348可以通过所述终端获取反应所述服务订单执行实况的文本、声音和/或图像数据。数据获取可以是通过所述终端上安装的各类传感器实现的。例如，可以通过声音传感器(比如，麦克风)获取音频数据，通过图像传感器(比如，摄像头)获取视频数据。所获取的数据，可用于下一时刻，例如，10s后，的风险判定及处置。

更新模块350可以基于风险应对操作结果更新规则和/或模型。更新的规则可以包括风险判定规则、风险排序规则等。更新的模型可以包括风险判定模型、风险度识别模型、风险排序模型等。在一些实施例中，更新模块350可以根据风险确认结果和/或风险处置结果与风险判定结果/风险排序结果进行比较，获取其中的差异。并根据所述差异更新判定/排序规则中风险参数和/或风险参数值。在一些实施例中，更新模块350可以将风险确认操作和/或风险处置操作中确定为发生风险事件的订单，作为新的样本数据重新对风险判定模型进行训练，以更新模型中的参数。同时，更新模块350可以根据风险确认或风险应对得到的实际排序结果的各个订单的特征数据重新训练风险排序模型。在一些实施例中，对于规则和模型的更新可以以预定的间隔进行，例如，一天、一星期、一个月、一个季度等。在一些实施例中，更新模块350可以采用主动推送方式强制系统进行更新。

应当理解，图3所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。

例如，在一些实施例中，例如，图3中披露的数据获取模块310、风险判定模块320、训练模块330、风险应对模块340和更新模块350可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，数据获取模块310和风险判定模块320可以是两个模块，也可以是一个模块同时具有识别和确定行程异常的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。

图4是根据本申请一些实施例所示的风险防范方法400的示例性流程图。在一些实施例中，方法400中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法400中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中，并被处理设备110调用和/或执行。

步骤410，获取至少一个服务订单的相关数据。步骤410可以由数据获取模块310执行。在一些实施例中，所述服务订单可以是当前时刻被请求、被执行、和/或已被完成的交通运输服务订单，例如，货物运输订单、出行服务订单等。所述服务订单的相关数据可以包括所述服务订单的服务订单特征、所述服务订单执行过程中的实时状态数据、与所述服务订单中至少一个数据相关的历史记录。在一些实施例中，所述服务订单特征进一步可以包括服务提供者的身份信息、与服务订单相关的车辆的标识信息、服务相关时间、服务起始点、服务目的地、服务路径、服务请求者的身份信息以及服务的预估费用。所述服务提供者信息可以包括年龄、性别、脸部画像、联系方式、受教育程度、身份证号、驾驶证号等。所述与服务订单相关的车辆的标识信息可以包括车牌号码、车辆类型、车辆品牌、车身颜色、车龄、负载容量等。所述服务相关时间可以包括服务订单请求时间和/或服务订单执行时间。所述服务订单请求时间可以是服务请求者发出订单请求的时间，所述服务订单执行时间可以是服务提供者开始执行服务订单的时间。所述服务请求者的身份信息可以包括年龄、性别、脸部画像、联系方式、受教育程度、身份证号等。所述订单特征还可以包括预估订单完成时长、预估订单完成时刻、预估服务费用等。在一些实施例中，订单执行过程中的实时状态数据进一步可以包括所述服务订单执行过程中外部环境的实时状态数据、与服务订单相关的定位数据、与服务订单相关的状态数据、与服务订单相关的车辆的状态数据和所述车辆内部的环境数据。所述服务订单执行过程中外部环境的实时状态数据可以包括实时路况、车流量、道路类型、道路事件信息、当前所在位置地点特征等。所述订单执行过程中的状态数据还可以包括终端的用户(例如，服务请求者和/或服务提供者)对于终端的操作内容等所述与服务订单相关的定位数据可以包括与服务参与方相关的终端(例如，服务提供者/服务请求者所使用的终端设备)的定位位置、移动路径等。所述与服务订单相关的状态数据可以包括终端的电量、通信信号强度、传感器工作状态、终端上应用程序的运行状态等。所述与服务订单相关的车辆的状态数据可以包括车辆位置、车辆速度、车辆加速度、车辆姿态、行驶轨迹、运动状态(例如，是否停车不动)等。所述车辆内部环境数据可以包括车内音频数据、车内图像数据等。在一些实施例中，与所述服务订单中至少一个数据相关的历史记录进一步可以包括服务提供者其他服务订单的记录、服务提供者的征信记录、服务请求者其他服务订单的记录、服务请求者的征信记录、服务提供者其它服务订单的车辆的标识信息、服务提供者其它服务订单的服务相关时间、服务提供者其它服务订单的服务起始点、服务提供者其它服务订单的服务目的地、服务提供者其它服务订单的服务路径、服务请求者其它服务订单的车辆的标识信息、服务请求者其它服务订单的服务相关时间、服务请求者其它服务订单的服务起始点、服务请求者其它服务订单的服务目的地、服务请求者其它服务订单的服务路径、服务请求者其它服务订单的费用以及服务请求者其它服务订单的支付记录等中的一种或多种。所述服务提供者其他服务订单的记录可以包括累计服务完成次数、累计服务取消次数、被投诉次数、被封禁次数、信誉分值、评价等级、历史评价内容等。所述服务请求者其他服务订单的记录可以包括累计服务请求次数、累计服务取消次数、累计服务完成次数、服务费用支付情况、信誉分值、评价等级、历史评价内容等。所述服务提供者/服务请求者的征信记录可以包括与借贷、信用卡消费等相关的信用记录。在一些实施例中，数据获取模块310可以通过与终端120、存储设备130和/或信息源150进行通讯以获取所述服务订单数据。例如，终端120可以通过其上安装的各类传感器实时获取感测数据以及用户对于终端120的操作内容。数据获取模块310可以与终端120进行通信后进行数据获取。又例如，数据获取模块310可以访问读取存储在终端120或存储设备130上的用户特征数据。还例如，数据获取模块310可以与信息源150进行通信以获取外部关联数据。

应当注意的是，所获取的服务订单数据是针对一个特定的时间点而言的。对于同一个交通运输服务订单，数据获取模块310可以持续获取与其相关的实时数据，并且所获取的数据在不同的时间点可以是不同的。同时，数据获取模块310可以将所获取的交通运输服务订单的数据实时传送至处理设备110的其他模块，例如，风险判定模块320，以执行风险判定操作，对订单的所有不同的阶段进行风险监控。

步骤420，对服务订单的相关数据进行处理，对所述服务订单进行风险判定。步骤420可以由风险判定模块320执行。在一些实施例中，所述风险判定可以是对当前时刻异常行驶的风险度的判定。所述行车异常情况可以包括撞车、翻车、驾驶危险等或其任意组合。在一些实施例中，风险判定模块320可以基于判定规则对所述服务订单进行风险判定。所述判定规则可以是根据历史订单数据和/或经验设定的条件/或阈值。所述历史订单数据可以包括发生过订单行程异常情况的历史交通运输服务的订单数据。所述历史订单数据种类可以与上述服务订单数据相同或类似，同时还包括了对应于某一交通运输服务订单所发生的具体的订单行程异常情况类型。在一些实施例中，通过对所述历史订单数据的统计分析，可以确定针对于某一特定的行车异常情况的判定规则。例如，对于发生过撞车事件的历史订单数据进行统计分析，可以得到速度数据、加速度数据等特征。那么，对于撞车事件的判定，可以设置速度和加速度阈值等判定规则。在一些实施例中，所述判定规则的阈值设置可以依据数据统计确定。风险判定模块320可以利用所获取的服务订单的相对应的数据，与所述判定规则进行比较，并将超过阈值的订单判定为风险订单。在一些实施例中，对于每一类订单行程异常情况，可以有一个或多个判定规则。风险判定模块320在利用规则进行判定时，可以使用某一单独规则进行判定，也可以使用多个规则的组合进行判定，还可以使用全部的规则进行判定，在本申请中不做具体限定。

在一些实施例中，风险判定模块320可以基于机器学习模型对所述行车异常进行风险判定，确定行车异常的异常类型、危害程度和/发生概率。所述模型可以是机器学习模型，包括但不限于分类与逻辑回归(logisticregression)模型、k-最近邻算法(k-nearestneighbor，knn)模型、朴素贝叶斯(naivebayes，nb)模型、支持向量机(supportvectormachine，svm)、决策树(decisiontree，dt)模型、随机森林(randomforests，rf)模型、回归树(classificationandregressiontrees，cart)模型、梯度提升决策树(gradientboostingdecisiontree，gbdt)模型、xgboost(extremegradientboosting)、轻量级梯度提升机器(lightgradientboostingmachine，lightgbm)、梯度提升机(gradientboostingmachines，gbm)、lasso(leastabsoluteshrinkageandselectionoperator，lasso)、人工神经网络(artificialneuralnetworks，ann)模型等。所述模型可以由所述历史行车的相关数据进行训练后得到。仅作为示例，可以以历史行车的相关数据作为输入，以对应的具体恶性事件或异常情况的类别作为正确标准(groundtruth)对模型进行训练。同时可以根据模型的预测输出(例如，预测的风险类别)与正确标准之间的差异反向调整模型参数。当满足某一预设条件时，例如，训练样本数达到预定的数量，模型的预测正确率大于某一预定正确率阈值，或损失函数(lossfunction)的值小于某一预设值，训练过程将停止。

在一些实施例中，风险判定模块320可以基于风险度识别模型对所述服务订单进行风险判定，确定服务订单的异常风险度。在一些实施例中，风险判定模块320可以基于风险度识别模型对所述服务订单进行风险判定，确定行车异常的危害等级或发生概率值。在一些实施例中，所述风险度识别模型可以是针对所有的订单行程异常情况类型的判定模型。风险判定模块320可以利用所述风险度识别模型处理服务订单以确定是否存在一种或多种类型的订单行程异常情况。关于风险判定规则及风险度识别模型的更多内容可以参见图6及其描述，此处不再赘述。

在一些实施例中，对于服务订单的风险判定的判定结果可以包括有无风险以及对风险的量化表示。仅作为示例，判定结果可以是无风险。或者，判定结果可以是存在风险以及表示风险等级的数值、风险概率等，比如，判定结果是(有风险、行驶速度异常-5级)或(有风险、行驶速度异常-56％、加速度异常-87％)。在一些实施例中，风险判定模块320可以综合判定全部风险的等级和/或概率，并输出一个对应于综合风险判定的判定结果，例如，判定结果为(有风险、74％)。应当注意的是，以上描述的判定结果的形式只是为了说明的目的，本申请不对判定结果的形式进行限制。

步骤430，基于风险判定结果，对每一个服务订单执行风险应对操作。步骤430可以由风险应对模块340执行。在一些实施例中，风险应对模块340可以根据步骤420中或得到风险判定结果，执行不同的风险应对操作，可以包括风险排序操作、风险确认操作、风险处置操作、持续监控或其任意组合。处理设备110需要在同一时刻处理多条服务订单，在待处理订单数量较大的情况下，需要对多条订单进行排序，以保证风险程度较高的订单得到及时处理。在一些实施例中，可以对服务订单的风险判定结果进行排序，具体的，可以基于风险判定结果确定一个或以上风险参数，基于风险参数进行排序。所述风险参数可以是服务订单的相关数据中的某一数据(例如，加速度等特征值，加速度越大，则越危险)，也可以是风险判定结果中的风险类型、风险等级或者风险概率。

在一些实施例中，风险排序操作可以基于排序规则进行。所述排序规则也可以是根据判定结果中针对风险概率和/或等级的大小进行排序。所述排序规则还可以是设置排序结果阈值(例如，等级阈值、概率阈值等)，对满足不同阈值的风险判定结果分别进行排序。所述排序规则可以是直接根据所述风险判定结果中所包含的风险概率的大小进行排序。所述排序规则也可以是基于多个风险参数的某种运算结果(如加权均值)的大小进行排序。

在一些实施例中，风险排序操作可以基于排序模型进行。所述排序模型可以是数学统计模型，可以分别基于不同风险种类中的特征值和/或全部风险的特征值通过公式计算(例如，权重计算)得出风险排序结果。所述排序模型还可以是机器学习模型，包括但不限于分类与逻辑回归(logisticregression)模型、k-最近邻算法(k-nearestneighbor，knn)模型、朴素贝叶斯(naivebayes，nb)模型、支持向量机(supportvectormachine，svm)、决策树(decisiontree，dt)模型、随机森林(randomforests，rf)模型、回归树(classificationandregressiontrees，cart)模型、梯度提升决策树(gradientboostingdecisiontree，gbdt)模型、xgboost(extremegradientboosting)、轻量级梯度提升机器(lightgradientboostingmachine，lightgbm)、梯度提升机(gradientboostingmachines，gbm)、lasso(leastabsoluteshrinkageandselectionoperator，lasso)、人工神经网络(artificialneuralnetworks，ann)模型等。模型可以基于触发风险的特征数据进行训练后得到。风险应对模块340可以将多个服务订单的风险判定结果输入至训练好的风险排序模型，确定排序结果。在一些实施例中，风险应对模块340可以将风险判定结果为存在风险的多个服务订单的部分或全部相关数据输入至训练好的风险排序模型，确定排序结果。这取决于模型训练的样本数据形式。

在一些实施例中，风险应对模块340可以针对每种类型的风险分别进行排序，得到不同风险类型下的排序结果。在一些实施例中，风险应对模块340可以针对全部风险进行综合排序。例如，可以对不同风险类别分别设置权重，结合权重对不同风险的订单进行综合排序，确定一个全部服务订单的风险排序结果。在一些实施例中，风险应对模块340可以对风险判定结果属于某一风险类型组合的服务订单进行排序。例如，可以对风险判定结果为抢劫和人身安全事件的服务订单进行综合排序。

在一些实施例中，风险应对模块340可以跳过风险排序操作，直接对每个服务订单进行处理，包括风险确认、风险处置和/或持续监控。应当注意的是，针对不同风险判定结果的服务订单，风险应对模型340执行的操作可以不同。例如，针对高风险订单(例如，风险概率大于50％)，风险应对模块340可以执行风险处置操作，对用户进行提醒和/或直接报警。又例如，风险应对模型340可以对除高风险订单以外的服务订单先进行风险确认，在确认真的有危险时，立即进行报警和/或救援应对。而对于无风险的服务订单，或经过风险确认后无风险的订单，风险应对模型340可以进行持续监控，以在第一时间发现风险。在一些实施例中，风险应对模型340对于所有的订单的处理方式也可以是相同的。例如，对所有的服务订单先进行风险确认后再执行后续操作，或直接进行处置。

在一些实施例中，风险确认的目的可以是确定服务订单的实际情况，和/或确定是否与经过风险判定操作得到的判定结果一致。在一些实施例中，风险确认操作可以包括通过与用户信息交互进行风险确认、通过工作人员到现场进行风险确认、获取车内音频或图像信息进行风险确认、基于交通系统播报信息确认进行风险确认等或其任意组合。所述用户可以是指服务订单的参与方，包括服务提供者和/或服务请求者。所述通过与用户信息交互进行风险确认可以是通过包括互动式语音应答(interactivevoiceresponse，ivr)外呼、终端显示屏弹窗、应用程序文字/语音询问、电话交互等方式确认风险。例如，可以通过ivr外呼让用户在用户终端(例如，终端120)上输入信息，比如，手机号码，以确认用户为安全状态。所述电话交互可以是通过向用户拨打电话进行交流以确认风险。风险应对模块340可以获取电话交互内容，通过语音识别、语义识别、语气识别等方式，确认电话接听人是否为本人、接听人的语气电话交互内容中是否出现危险词等，进行风险确认。例如，可以通过与司机和/或乘客进行电话沟通，以确认司机或乘客是否处于风险中。又例如，可以通过拨打匿名电话(例如，保险推销、楼盘推销、电话购物等)采集司乘语音信息，通过对对方语气(例如，是否愤怒)、背景声、本人声纹识别等方式进行风险确认。还例如，还可以对非风险一方进行电话沟通(例如，在判定乘客有危险时可以考虑对司机进行电话交互)以确认风险。所述通过工作人员到现场进行风险确认可以是基于服务订单的参与方或车辆的位置，通知该位置附近的工作人员前往确认。所述获取车内音频或图像信息进行风险确认可以是通过终端(包括服务提供者终端、服务请求者终端和车载终端等)上安装的传感器(例如，图像传感器、声音传感器等)获取车内音视频后，通过自动或人工的方式确认风险。所述基于交通系统播报信息确认进行风险确认可以是通过交通系统播报信息中的事件发生地点、时间以及事件类型确认待风险确认的服务订单发生风险真实性。在一些实施例中，所述风险确认操作还可以包括通过人工确认。所述人工风险确认可以是向后台安全确认人员展示需要进行风险确认的服务订单的各种信息，比如，行驶轨迹、车内视频及录音、用户当前位置、用户历史风险数据、历史风险起因等，由安全确认人员确定相关风险信息，例如，车辆在哪里停留过、停留过多次时间、行驶轨迹是否消失、用户之间是否发生肢体和/或语言冲突等。

在一些实施例中，风险处置操作可以包括通知紧急联系人、启动司机端和/或乘客端数据上报、专人跟进报警等或其任意组合。紧急联系人可以是乘客和/或司机在注册和/或使用按需服务过程中(例如，通过乘客和/或司机终端、移动应用程序等)添加的，若自身遇到危险时的第一顺位联系人的联系人信息(例如，手机号码)。例如，可以在用户终端上设置与后端安全平台通信的快速入口(例如，联系紧急联系人按钮、报警按钮、求助按钮)。在判断自身处于危险情况时，用户可以通过点击紧急联系人按钮，终端检测到该按钮被触发后可以自动向紧急联系人发送求助语音或文字信息，信息中可以自动添加终端的当前定位信息。或者用户可以通过该点击报警按钮向警方报警。在报警后，终端还可以将报警的用户的当前位置和行程信息发送至警方以辅助救援。司机端和/或乘客端数据可以是通过司机和/或乘客的移动设备，例如，终端120或移动设备200，上安装的各类传感器获取的音频、视频、图像等数据。处理设备110可以自动获取该数据。用户也可以主动上报该数据。专人跟进报警可以是通过专人(例如，人工客服)跟进的方式进行报警等的处理。在一些实施例中，风险应对模块340还可以对进行过风险确认的服务订单执行风险处置操作。例如，假定某一订单被确认为存在风险，风险应对模块340可以执行报警这一风险处置操作。

在一些实施例中，所述风险处置可以包括风险研判。风险应对模块330可以获取满足风险研判条件的服务订单及其相关的服务订单数据，同时获取服务订单的风险判定结果以及与服务订单的各方面相关的风险信息。风险应对模块340可以向与研判人员相关联的处理设备发送上述数据，并通过与研判人员相关联的处理设备获取人工研判结果。。所述风险研判条件可以包括服务订单的风险判定结果为存在风险、风险等级或风险概率超出研判阈值、服务订单未经过风险确认、服务订单在在先时间经过风险确认后的结果为不存在风险(例如，“暂时安全”或“暂不报警”)但当前时刻被判定为存在风险等。对于满足风险研判条件的服务订单，风险应对模块340可以获取该服务订单的风险判定结果(例如，基于步骤420)以及与服务订单的各方面相关的风险信息，包括用户信息(比如，当前位置、用户被投诉次数等)、车辆位置(比如，所处环境为偏僻地区等)、轨迹数据(比如，路径偏离常用路径、在某一位置停留时间过长等)、车内环境提取信息(比如，录音、视频、通话、影像等)、外部关联信息(比如，车流量等)。在获取上述信息后，风险应对模块340可以向与研判人员相关联的处理设备发送上述数据。所述与研判人员相关联的处理设备在接收到数据后，可以自动地对服务订单进行研判以确定是否发生恶性事件和/或异常情况，或研判人员通过操控所述处理设备以进行判定。在一些实施例中，风险应对模块340可以生成研判工单，并将工单分配给多个与研判人员相关联的处理设备进行研判，以确定研判结果。所述研判工单可以以预设形式(例如，列表)展示在界面中(例如，与研判人员相关联的处理设备的处理界面中)，后台安全研判人员可以通过选取或点击列表以查看研判工单中所包含的信息，比如，生成研判工单的服务订单的风险判定结果以及与服务订单的各方面相关的风险信息，并判断是否发生恶性事件和/或异常情况。同时，上述信息还可以以突出显示的形式，例如，字体颜色、粗细的改变。在一些实施例中，风险应对模块340可以首先对满足研判条件的服务订单进行判定，并将判定结果以系统意见的形式连同研判工单一起发送至与研判人员相关联的处理设备以辅助判定。

在一些实施例中，所述风险处置还可以包括风险救援。风险应对模块340可以基于待风险处置的服务订单的相关信息及风险判定结果，生成救援信息。具体的，风险应对模块340可以基于风险判定结果确定服务订单是否满足风险救援条件。风险应对模块340可以将风险判定结果中，风险等级和/或风险概率超过救援阈值，比如，80％、85％、或90％，的服务订单确认为满足风险救援条件。对于满足救援条件的服务订单，风险应对模块340可以基于服务订单的相关信息生成救援信息。例如，风险应对模块340可以基于车辆的位置、车辆信息、判定所发生的风险类型等，生成救援信息，比如，当前位置位于中央公园东门附近，车牌号为京a12345的白色车辆，发生异常停车情况，疑似发生抢劫事件，请您前往查看救援。在生成救援信息后，风险应对模块340将所述救援信息发送至与警方关联的处理设备、与紧急联系人相关联的终端和/或与其他服务提供者相关联的终端。在与警方关联的处理设备发送救援信息时，可以同时向警方报警。在向与紧急联系人相关联的终端发送救援信息时，可以同时发送提醒信息，提醒紧急联系人向警方报警，或在进行查看和/或救援时保证人身安全。所述其他服务提供者包括距离待风险处置的服务订单当前执行地点不超过设定距离阈值的服务提供者。所述当前执行地点可以指当前时刻，所述待风险处置的服务订单的相关方，包括用户、车辆的位置。在一些实施例中，在发送救援信息的同时，还可以发送补助或奖励信息，提示服务提供者(例如，司机)若前往查看和/或救援，可以获得补助或奖励。在一些实施例中，可以针对不同的风险事件通知不同数量、不同类型的司机。例如，因异常停留事件而通知救援查看的司机个数要远远小于抢劫事件。同时通知前往查看救援抢劫事件的司机可以是年轻的司机。在一些实施例中，可以综合考虑其他司机距离发生风险事件的位置的距离和顺路情况而发送救援信息。

在一些实施例中，所述风险应对过程可以延迟处理。通过对延迟时间内收集用户的安全行为，可以减少给风险处理设备(例如，处理设备110)带来的压力和影响。因为同一时刻处理设备110需要处理多个服务订单，延时处理可以降低处理设备110的负荷，加快订单的处理速度。在一些实施例中，在判定结果为存在风险的服务订单结束后，风险应对模块340可以获取反映与所述服务订单相关联的用户行为的数据，并基于反映与所述服务订单相关联的用户行为的数据，确定所述与所述服务订单相关联的用户是否执行了安全行为。如果与服务订单相关联的用户发生安全行为，则取消服务订单存在风险的判定结果。例如，在步骤420中判定为存在异常停留风险的服务订单，该异常停留风险为一般危险程度(例如，风险等级、风险概率在预设阈值范围内)，则可以继续监控该订单，如果在该订单结束后，司机继续正常接单和/或乘客继续正常发单，则可以取消存在异常停留风险的判定，判断该司机和/或乘客安全。在一些实施例中，在延迟阶段还可以对判定为高风险的订单进行验证。例如，可以通过人工验证、自动验证、基于电话交互验证等方法进行验证，例如，引导乘客在乘客终端上确认是否存在安全风险(例如，在app中发送待应答信息、发起抢红包活动等)、自动拨打服务电话、间接拨打打电话(例如，通过拨打金融服务电话等方式获取相关信息)、联系亲友验证等。

在一些实施例中，用户可以自主判定并上报安全风险。例如，应用程序380的界面中可以包括直接与按需服务平台通信的快速入口(例如，报警按钮、求助按钮)，用户可以通过该应用入口上报风险。又例如，用户可以通过对移动设备200执行特定操作，比如按压、摇晃或摔掷。安装在移动设备200中的传感器(例如，声音传感器、图像传感器、压力传感器、速度传感器、加速度传感器、重力传感器、位移传感器、陀螺仪等或其任意组合。)检测到上述特定操作是，可以启动报警程序，上报安全风险。风险应对模块340在接收到上报后，可以判定上报安全风险的准确性(例如，是否存在噪音等)进行风险确认和风险处置。

在一些实施例中，所述风险处置还可以包括持续监控。所述持续监控可以是针对在步骤420中被判定为无风险的服务订单进行，也可以是针对风险排序中处于末尾的部分服务订单，还可以是针对经过风险确认后为无风险的服务订单。在一些实施例中，风险应对模块340可以基于待持续监控的服务订单的相关信息，确定与该服务订单相关联的终端。所述终端可以是服务提供者终端、服务请求者终端、车载终端等。风险应对模块340可以通过所述终端获取反应所述服务订单执行实况的文本、声音和/或图像数据。数据获取可以是通过所述终端上安装的各类传感器实现的。例如，可以通过声音传感器(比如，麦克风)获取音频数据，通过图像传感器(比如，摄像头)获取视频数据。所获取的数据，可用于下一时刻，例如，10s后，的风险判定及处置。

应当注意的是，对于订单的风险判定及应对是一个持续的过程。当一个特定的订单在当前时刻被判定为安全时，或在风险应对操作中(例如，风险确认操作)被确认为安全时，仍然会进行持续监控，并重复进行风险判定及应对以确定后续是否会发生风险事件，例如，每隔一个预设时间(比如，10秒)进行一次风险判定及其后续步骤。直到达到所述特定的订单结束后的阈值时间后，例如，订单结束10分钟后、20分钟后、30分钟后，对于该订单的风险判定及应对过程可以结束。同时，对于步骤420中得到的风险判定结果为无风险的服务订单，风险应对模块340可以对其进行持续监控。

同样的，可以理解，风险应对中的处理操作可以选择性的进行。在一些实施例中，风险应对模块340可以对所有的服务订单基于风险判定结果排序后，按照排序结果选择性的进行后续操作。例如，风险应对模块340可以选择排序中靠前的服务订单执行风险处置操作，对处于中等序位的服务订单执行风险处置操作，对于处于排序靠后的服务订单执行持续监控操作。在一些实施例中，风险应对模块340可以跳过排序步骤，直接对所有服务订单进行风险确认并基于确认结果进行后续处置操作。例如，对于经过风险确认后无风险的服务订单可以持续监控，而对应有风险的订单，可以根据风险大小选择提醒用户(比如车辆的异常停留)或直接报警(比如抢劫)。在一些实施例中，风险应对模块340可以直接基于风险判定结果对所有服务订单进行处置。例如，风险应对模块340可以向风险判定结果为低风险的服务订单的相关联用户发送提醒。对于风险判定结果为高风险的服务订单，风险应对模块340可以直接通知警方。而对于没有风险的服务订单，风险应对模块340可以持续监控以防止在后续有风险发生时能够在最短的时间内发现。在一些实施例中，风险应对模块340可以基于风险判定结果对服务订单进行排序，并基于排序结果直接对服务订单进行处置。例如，风险应对模块340可以首先处理排序靠前的服务订单(例如，风险高的订单)，完成后再继续处理排序靠后的订单(例如，风险低的订单)。在一些实施例中，风险应对模块340可以基于风险判定结果，对服务订单进行延时处理。例如，风险应对模块340对于判定结果为存在风险的服务订单进行监控。在其结束后，风险应对模块340可以获取与订单相关的用户的行为数据。若用户出现安全行为，比如，与高风险订单相关的用户在订单结束后继续请求了交通运输服务，则风险应对模块340可以确认该存在风险的服务订单为安全订单。

步骤440，基于风险应对操作结果更新规则和/或模型。步骤440可以由更新模块350执行。在一些实施例中，更新的规则可以包括风险判定规则、风险排序规则等，更新的模型可以包括异常识别模型、风险排序模型等。在一些实施例中，更新模块350可以根据风险确认结果和/或风险处置结果与风险判定结果进行比较，获取其中的差异。并根据所述差异更新判定规则中风险参数值。例如，判定抢劫事件的判定规则可以是根据发单时间及起始地点进行判定，设置为发单时间超过晚上12点、行程终点位于邻近市县则有可能发生抢劫风险。若对于判定具有抢劫风险的订单进行风险确认后，发现发单时间在晚上12点至12点半之间的订单，并未发生抢劫事件。则更新模块可以将判定抢劫时间的判定规则更改为发单时间超过晚上12点半、行程终点位于邻近市县则有可能发生抢劫风险。在一些实施例中，更新模块350可以将风险确认操作和/或风险处置操作中确定为发生风险事件的订单，作为新的样本数据重新对风险判定模型进行训练，以更新模型中的参数。类似的，对于风险排序规则和风险排序模型的训练，更新模块350同样可以根据风险确认结果和/或风险处置结果与风险排序结果进行比较以获取差异并更新。例如，排序中在序位前列的高风险订单在后续风险确认操作中被确定为不存在风险，则更新模块350可以更新排序所使用的风险参数。而对于风险排序模型的更新，更新模块350可以根据风险确认或风险应对得到的实际排序结果的各个订单的特征数据重新训练风险排序模型，以达到更新的目的。在一些实施例中，对于规则和模型的更新可以以预定的间隔进行，例如，一天、一星期、一个月、一个季度等。

需要注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本发明的教导可以做出多种变化和修改。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。在一些实施例中，在示例性方法400中可以省略一个或多个其他可选操作。例如，对于风险判定结果为风险较高(例如，风险等级、风险概率等高于预设阈值)的服务订单，可以省略风险排序操作以及步风险确认操作，直接进行风险处置操作(例如，报警或转入安全人员研判)。又例如，对于风险判定结果为低风险(例如，风险等级、风险概率等低于预设阈值)的服务订单，可以进行监控等待处理(例如，继续执行数据获取，并在预设时间后后再次执行风险判定)。

图5是根据本申请一些实施例所示的行车异常识别的方法的示例性流程图。如图5所示，该识别行程异常的方法可以包括：

在一些实施例中，方法500中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法500中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中，并被处理设备110调用和/或执行。

步骤510，获取车辆行驶过程中的实时状态数据。所述实时状态数据可以由数据获取模块310获取。在一些实施例中，所述实时状态数据至少包括速度数据。在一些实施例中，所述速度数据包括速度和/或加速度。在一些实施例中，所述速度数据通过车载传感器和/或用户终端获取。例如，车载速度数据、车载加速度、用户终端的速度数据和用户终端的加速度数据等。在一些实施例中，用户终端可以是服务提供者终端和/或服务请求者终端。在一些实施例中，所述行驶过程中的实时状态数据可以包括定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据中的一种或几种的组合。在一些实施例中，当前定位数据可以包括车辆的定位信息和服务提供者/服务请求者所使用的终端设备的定位位置。在一些实施例中，用户终端的状态数据可以包括服务提供者终端或服务请求者终端是否有发出警报、是否有发送信息、是否正常开机、电量数据、通信信号强度、传感器工作状态、用户终端上应用程序的运行状态等状态数据。在一些实施例中，车辆内部的环境数据可以包括车内音频数据、车内图像数据等，例如，语音或视频监控中是否有发生冲突、司机是否疲劳、乘客是否疲劳、乘客是否睡着等信息。在一些实施例中，车辆位置周围的环境数据可以包括实时路况、车流量、道路类型、道路事件信息、当前所在位置地点特征、当前的时间是否在深夜等数据。在一些实施例中，车辆的行驶数据可以由车载设备或用户终端内的安装的各种传感器获得。例如，车辆的速度信息可以由车载的轮速传感器检测得到，转弯信息可以由车载的方向盘转角传感器检测得到，加速度信息可以由车载或用户终端的加速度传感器检测得到等。

步骤520，判断速度数据是否超出设定速度范围，响应于判断结果为超出设定速度范围，确定行驶过程中出现异常行驶。在一些实施例中，行程异常可以是服务订单中的行程异常。例如，出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等网约车服务中的行驶异常。在一些实施例中，异常行驶为危害车内人员人身安全的行车事故。在一些实施例中，行驶异常可能导致翻车或撞车事故，例如行驶速度数据大于设定速度阈值。在一些实施例中，行驶异常可能是司程之间发生冲突或者司程一方受到人身攻击，此时行驶速度数据可能异常高或者异常缓慢。在一些实施例中，行驶异常的表现是行驶速度大于设定速度最大值或者小于设定的速度最小值。例如，设定的速度最大值可以是125公里/小时，设定的速度最小值可以是30公里/小时。速度大于设定最大值和速度小于最小值都是行驶异常。在一些实施例中，速度数据可以是速度值，也可以是加速度值，或者两者的组合。在一些实施例中，可以根据用户终端的行驶数据和车载设备的行驶数据综合识别行驶异常。例如，当车载加速度数据超出设定的数值范围，用户终端的加速度数据也超出设定的数值范围，则认为出现异常行驶。如果两者中有一个在设定的数值范围内，则不认为出现异常行驶。

在一些实施例中，可以根据历史统计数据、建立函数或建立机器模型等方法确定当前订单是否发生行程异常或发生行程异常的概率值。例如，可以获取近十年、五年或三年内行程异常的历史订单，根据统计规律预估当前订单是否发生行程异常或发生行程异常的概率值。在一些实施例中，也可以建立行驶信息与行驶异常类型之间的函数关系，确定当前订单是否发生行程异常或发生行程异常的概率值。

步骤530，当判断出现行驶异常或者出现行驶异常概率较大时，可以进一步基于所述行驶过程中的实时状态数据判断异常行驶的风险度。在一些实施例中，所述风险度包括以下中的至少一种：是否存在风险、风险类型、风险等级。例如，可以确定发生翻车、撞车、司机被夹持、司程发生冲突等影响车内人员人身安全事故的概率值，如果概率值超过一定的阈值，可以认为存在风险。又例如，可以根据行驶信息和判断规则确定满足发生哪种事故的条件，如果满足，则认为当前订单发生了该类型的事故。在一些实施例中，可以判断车辆的速度数据随时间的变化曲线满足设定条件，响应于判断结果满足预设条件，确定所述异常行驶不存在风险。例如，可以根据一段时间内速度的变化曲线，没有超出设定的速度的上下限，确定车辆不存在异常行驶的风险。又例如，一段时间内速度的变化曲线满足在速度异常持续时间不久，且之后速度恢复正常，则确定车辆不存在异常行驶的风险。在一些实施例中，可以判断车辆速度数据是否超出设定速度范围，且持续的时间，当判断结果为大于设定速度阈值且持续时间超过设定的时间阈值时，确定存在风险。例如，当加速度的值大于预设最大速度阈值，并且持续时间大于时间阈值时，则可以确定车辆存在撞车或翻车的风险。并且可以根据超出速度阈值和时间阈值的数值确定存在撞车或翻车的风险等级。在一些实施例中，可以基于所述实时状态数据，获取车辆位置数据，基于车辆位置数据，确定车辆的速度数据大于设定速度阈值后的车辆行驶轨迹，当基于所述行驶轨迹确定车辆停止行驶时，确定异常行驶存在风险。例如，当发现加速度值在某时刻超出了预设最大速度阈值，可以获取某时刻前后的车辆定位信息和行驶轨迹，如果某时刻后车辆停止行驶，可以确定存在撞车或翻车风险。还可以根据超出速度阈值的数值和停止行驶的时间确定存在撞车或翻车的风险等级。在一些实施例中，可以基于所述实时状态数据，获取车辆的速度数据大于设定速度阈值后的反映用户行为的数据，基于反映用户行为的数据，确定异常行驶的风险度。在一些实施例中，所述反映用户行为的数据可以包括用户在服务平台中的操作。例如，用户是否报警，用户是否发出呼救、在平台内抢红包、完成订单、继续接单或发出其他订单请求等操作。当发现车辆加速度值大于速度阈值后，如果用户还发出了呼救信息，可以确定存在撞车或翻车的风险，并且风险等级较高。当发现车辆加速度值大于速度阈值后，如果用户进行了完成订单并评价的操作，可以确定发送撞车或翻车的风险较低。在一些实施例中，可以基于所述实时状态数据，可以获取车辆的速度数据大于设定速度阈值后的车辆姿态数据，当车辆姿态数据满足预设的姿态条件时，确定异常行驶存在风险。在一些实施例中，车辆姿态数据可以包括车辆姿态角、方向盘转角等数据信息，例如，车载陀螺仪、用户终端陀螺仪测量的姿态角数据，车辆上安装的方向盘角度传感器测量的方向盘转角数据。在一些实施例中，所述确定所述异常行驶存在风险包括：确定所述行驶过程中出现翻车或撞车。在一些实施例中，所述确定所述异常行驶不存在风险包括：确定所述行驶过程中未出现翻车或撞车。

在一些实施例中，可以基于所述风险度，采取至少一种风险应对操作。在一些实施例中，风险应对操作可以包括异常处理操作。在一些实施例中，异常处置操作可以包括通知警方、通知紧急联系人、开启车内监控设备、触发用户终端的上报机制和联络所述用户周围的服务提供者进行协助中的一种或几种的任意组合。在一些实施例中，可以根据概率值确定采用何种异常处理操作。例如，如果概率值大于或等于阈值时，发生撞车或翻车的可能性较高，可以直接通知警方。又例如，还可以开启车内监控设备，通过监控设备采集音频或视频信息，观察车辆破损状况以及车内人员的安全状况。

在一些实施例中，风险应对操作可以包括异常验证操作。在一些实施例中，异常验证操作可以包括通过与用户进行信息交互进行异常验证、基于人工研判结果进行异常验证、基于车内音频或视频信息进行异常验证、基于获取交通系统播报信息进行异常验证和基于订单结束后用户行为信息进行异常验证中的一种或几种的任意组合。在一些实施例中，人工研判可以是客服人员与乘客或司机进行语音或视频交流，以确认乘客和/或司机是否安全。在一些实施例中，可以根据车内监控设备采集车内的音频或视频信息对行程异常进行确认。在一些实施例中，还可以获取交通系统播报信息，根据当前路段的车流量、是否有交通管制、是否有交通异常事故等信息对行驶异常进行验证。在一些实施例中，基于订单结束后用户行为信息进行异常验证可以是根据乘客是否确认订单完成、乘客的评价内容、订单完成后司机是否报修车辆等行为信息对行驶异常进行验证。

在一些实施例中，可以基于异常判断结果对当前订单与其他订单进行排序，基于所述排序，确定采取所述设定操作的时间顺序。在一些实施例中，可以根据当前定单和其他订单的行驶异常的类型或行驶异常的危险程度将定单进行排序，对危害性大的事件优先处理。例如，对于发生撞车或翻车概率较高的订单优先处理，对于发生撞车或翻车概率较低的订单可以将该订单先进行异常验证，验证后再进一步采取异常处置操作。

关于风险应对操作的相关说明详见图3、图4的相关说明，在此不再赘述。

应当理解的是，上述关于流程500的描述仅为示例性的，并不用于限制本申请的保护范围。对于本领域的技术人员来说，可以在本申请的指导下做出多个修正和改变。然而，这些修正和改变不会脱离本申请的保护范围。例如，流程500可以进一步包括将待识别订单的特征信息存储在存储器130中。

图6是根据本申请一些实施例所示的另一种异常行驶的识别方法的示例性流程图。在一些实施例中，方法600中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法600中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中，并被处理设备110调用和/或执行。

步骤610，获取车载传感器采集的速度数据，并基于该速度数据确定第一异常识别结果。在一些实施例中，车载速度数据可以通过计算得到，例如，可以测量车辆行驶方向上时间段内的行驶距离，根据距离和时间的关系得到速度数据。在一些实施例中，车载加速度数据可以由车载加速度传感器获取。在一些实施例中，车载加速度传感器可以包括单轴加速度传感器(例如，横向加速度传感器、纵向加速度传感器)、三轴加速度传感器(xyz方向)、重力加速度传感器、压电式加速度传感器、电容式加速度传感器和压阻式加速度传感器等中的一种或几种的组合。在一些实施例中，第一识别结果可以是是否发生异常行驶的判断结果。在一些实施例中，第一识别结果可以是发生异常行驶的概率值。

步骤620，获取用户终端采集的速度数据，并基于该速度数据确定第二异常识别结果。在一些实施例中，用户终端可以包括服务提供者终端和/或服务请求者终端。在一些实施例中，用户终端的速度数据可以根据用户终端获取的行驶数据计算得到。例如，可以通过网络或用户终端监测的时间段内的行驶距离计算当前的速度数据。在一些实施例中，用户终端加速度数据可以是服务提供者终端和/或服务请求者终端的加速度数据。在一些实施例中，服务提供者终端或服务请求者终端可以包括但不限于智能手机、个人数码助理(personaldigitalassistance，pda)、平板电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、显示增强设备等或其任意组合。在一些实施例中，用户终端的加速度数据可以是用户终端内安装的加速度传感器检测得到的。在一些实施例中，第二识别结果可以是是否发生异常行驶的判断结果。在一些实施例中，第二识别结果可以是发生异常行驶的概率值。

步骤630，基于所述第一异常识别结果和所述第二异常识别结果确定行驶过程中是否出现所述异常行驶。在一些实施例中，如果第一识别结果和第二识别结果一致，且均为出现异常行驶，可以综合判断为发生行驶异常，并且概率较高。在一些实施例中，如果第一识别结果和第二识别结果不一致，可以判断为发生行驶异常，但是概率较低。在一些实施例中，如果第一识别结果和第二识别结果不一致，可以先进行异常验证，再进一步确定识别结果。例如，可以通过人工研判进一步确定识别结果。又例如，可以通过开启车内音频或视频设置查看车辆行驶状态，进一步确定识别结果。

图7是根据本申请一些实施例所示的风险度识别模型的训练方法的示例性流程图。在一些实施例中，方法700中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法700中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中，并被处理设备110调用和/或执行。

步骤710，获取历史行驶过程中的实时状态数据。在一些实施例中，历史行驶过程可以是任意车辆的行驶过程记录。例如，公交车的行驶记录、私家车的行驶过程记录、出租车的行驶过程记录等道路交通范围内的车辆行驶过程记录。行驶过程记录不限于系统100内的服务订单的行驶过程记录。在一些实施例中，行驶过程数据可以包括历史订单内的行驶过程记录数据。例如，出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等网约车服务中的历史订单。在一些实施例中，可以获取一段时间内的历史行驶过程中的实时状态数据作为训练样本。例如，一个星期的历史行驶过程中的实时状态数据、一个月的历史行驶过程中的实时状态数据等。在一些实施例中，历史行驶过程中的实时状态数据可以从道路交通系统获取，例如，通过网络、交通平台或交通共享资源获取。在一些实施例中，历史行驶过程中的实时状态数据可以从系统100中获取，例如网络140、存储设备130、服务器110、终端120、信息源150等设备中获取。在一些实施例中，历史行驶过程中的实时状态数据至少包括速度数据和/或加速度数据。在一些实施例中，所述行驶过程中的实时状态数据还包括定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。在一些实施例中，所述实时状态数据通过车载传感器和/或用户终端获取。所述行驶状态数据包括当前定位数据、所述用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据中的一种或几种的组合。

步骤720，将历史行驶数据中行程异常的历史数据标记为正样本，将行驶正常的数据标记为负样本。例如，如果历史行驶过程中包括翻车、撞车、司机被夹持、司程发送冲突等影响车内人员人身安全的恶性行驶事件，则该样本类型可以被确定为正样本；反之，如果历史行驶过程信息中不包括恶性行驶事件，则该样本类型可以被确定为负样本。在一些实施例中，可以人为对历史行驶过程进行标记。例如，在训练样本中，2017年2月8日当天发生了一起撞车事件，已获取了2017年2月8日当天的所有历史行驶过程作为样本，可以将2017年2月8日当天发生撞车事件的历史行程标记为正样本，将当天的其他正常行驶过程标记为负样本。在一些实施例中，可以根据系统100中的记录结果进行标记，将记录中出现翻车、撞车、司机被夹持、司程发送冲突等影响车内人员人身安全的恶性行驶事件的历史行驶过程标记为正样本。将记录中正常的行驶过程标记为负样本。在一些实施例中，可以将正样本用数字“1”表示，将负样本用数字“0”表示。

步骤730，基于历史行驶过程中的实时状态数据及标记结果训练风险度识别模型。在一些实施例中，所述风险度识别模型可以是机器学习模型，包括但不限于分类与逻辑回归(logisticregression)模型、k-最近邻算法(k-nearestneighbor，knn)模型、朴素贝叶斯(naivebayes，nb)模型、支持向量机(supportvectormachine，svm)、决策树(decisiontree，dt)模型、随机森林(randomforests，rf)模型、回归树(classificationandregressiontrees，cart)模型、梯度提升决策树(gradientboostingdecisiontree，gbdt)模型、xgboost(extremegradientboosting)、轻量级梯度提升机器(lightgradientboostingmachine，lightgbm)、梯度提升机(gradientboostingmachines，gbm)、lasso(leastabsoluteshrinkageandselectionoperator，lasso)、人工神经网络(artificialneuralnetworks，ann)模型等。在一些实施例中，可以将历史行驶过程中的车载速度、加速度数据和/或用户终端速度、加速度数据作为输入，标记的样本类型作为输出，训练得到风险度识别模型。

图8是根据本申请一些实施例所示的应用风险度识别模型确定行驶异常的方法的示例性流程图。在一些实施例中，方法800中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法800中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中，并被处理设备110调用和/或执行。

步骤810，获取车辆行驶过程中的实时状态数据。在一些实施例中，可以获取当前订单的实时状态数据。在一些实施例中，车辆实时状态数据至少包括速度和/或加速度，所述速度数据通过车载传感器和/或用户终端获取。在一些实施例中，所述实时状态数据还包括当前定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据中的一种或几种的组合。在一些实施例中，可以获取训练后的风险度识别模型。在一些实施例中，可以通过网络140从从处理设备110、存储设备130、中的120、信息源150中获取异常识别模型。

步骤820，通过风险度识别模型处理车辆行驶过程中的实时状态数据进而确定异常行驶的风险度。在一些实施例中，可以将当前订单中的车载速度、加速度数据和/或用户终端的速度、加速度数据输入到风险度识别模型中。在一些实施中，可以将当前订单中的定位数据、用户终端的状态数据、车辆内部的环境数据和车辆位置周围的环境数据中的一种或几种的组合数据输入到风险度识别模型中。在一些实施例中，可以输出判断是否发生撞车或翻车的识别结果。在一些实施例中，也可以输出发生撞车或翻车的概率值，根据概率值确定是否发生撞车或翻车。在一些实施例中，可以根据识别的结果采取不同的风险应对操作。

本申请实施例可能带来的有益效果包括但不限于：利用车辆实时状态数据识别出车辆是否有撞车或翻车的行驶异常，并根据识别结果采取不同的处理策略，从而保证司机和乘客的人身安全。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。