确定车头朝向的方法和系统与流程
交叉引用
本申请要求于2017年8月17日提交的申请号为201710707761.4的中国申请的优先权，其全部内容通过引用结合于此。
本申请一般涉及用于确定车辆的车头朝向的方法和系统，并且具体地涉及基于来自一个或以上磁传感器的数据，确定车辆的车头朝向的方法和系统。
背景技术：
在行驶中对车辆车头朝向的确定对于提供运输服务非常重要，并且可能直接影响从司机所处的位置到乘客的上车点或下车点的路径规划。车头朝向确定错误可能导致次优路线，从而引起绕路的情况发生，浪费司乘双方的时间，和/或降低行驶效率。
在现有技术方案中，通常根据车辆当前的全球定位系统(globalpositioningsystem，gps)信息中的“bearing”字段来确定车辆的车头朝向。然而，仅当gps信号良好且车辆快速移动的情况下，基于bearing字段才可以准确地确定车头朝向。而当车辆处于慢速行驶状态或静止状态，或者当车辆处于gps信号较差的环境下时，基于bearing字段可能无法提供有效的车头朝向信息。
技术实现要素：
根据本申请的一个方面，提供了一种用于确定车辆的车头朝向的方法。所述方法可以包括从移动计算设备接收用于确定所述车辆的所述车头朝向的请求，至少响应于所述请求，读取所述移动计算设备的磁传感器在一个或以上第一时间段内产生的传感器数据，获得训练后的分类器，以确定所述车辆的预测车头朝向。所述方法还可以包括，对于所述一个或以上第一时间段内的所述传感器数据，通过从所述传感器数据中提取特征来获得特征向量，以及基于所述获得的特征向量，通过在所述分类器中输入所述特征向量，确定预测车头朝向。所述方法还可以包括基于所述获得的一个或以上预测车头朝向来确定所述车辆的所述车头朝向。
在一些实施例中，所述一个或以上第一时间段内的每一个的传感器数据与权值相关联。基于所述获得的一个或以上预测车头朝向来确定所述车辆的所述车头朝向，包括：为所述一个或以上预测车头朝向的每个独特车头朝向，确定所述每个独特车头朝向的所述权值总和；以及基于所述预测车头朝向的所述权值的所述总和的排序，确定所述车辆的所述车头朝向。
在一些实施例中，所述读取由磁传感器产生的传感器数据包括响应于所述请求，读取所述移动计算设备在第二时间段内确定的第一定位数据；基于所述第一定位数据，确定所述车辆在所述第二时间段的第一位移距离；判断所述第一位移距离是否小于第一阈值；在确定所述第一位移距离小于所述第一阈值时，读取所述传感器数据，以确定所述车辆的所述车头朝向；以及在确定所述第一位移距离大于或等于所述第一阈值时，基于所述第一定位数据确定所述车辆的所述车头朝向。
在一些实施例中，所述通过从所述传感器数据中提取所述特征来获得特征向量包括：基于所述传感器数据关于所述移动计算设备的笛卡尔坐标系的三个轴的至少两个磁感应强度。获得特征向量还可以包括，对于所述三个轴中的每一个，确定沿着所述轴的所述磁感应强度的平均值和方差，以及测量沿着所述轴的所述磁感应强度的值的分布，生成直方图。获得特征向量还还可以包括基于所述平均值、所述方差和所述三个轴的所述直方图，生成所述特征向量。
在一些实施例中，所述方法还可以包括训练所述分类器训练所述分类器。训练所述分类器可以包括生成训练数据集，以及使用训练程序和所述训练数据集训练所述分类器。生成训练数据集可以包括读取所述移动计算设备的所述磁传感器在至少两个第三时间段内产生的传感器数据。生成训练数据集还可以包括，对于所述至少两个第三时间段的每一个，通过从所述第三时间段的所述传感器数据中提取所述特征来获得特征向量，确定与所述第三时间段相对应的所述车辆的标准车头朝向，以及指定与所述第三时间段相对应的所述车辆的所述标准车头朝向为所述特征向量的监督输出。生成训练数据集还可以包括使用所述特征向量和所述至少两个第三时间段的所述对应的监督输出生成所述训练数据集。
在一些实施例中，所述训练程序基于随机森林算法。
在一些实施例中，所述方法还可以包括更新所述分类器。更新所述分类器可以包括：从所述分类器中选择第一至少两个决策树；通过更新所述训练数据集获得更新后的训练数据集；使用所述更新后的训练数据集训练第二至少两个决策树；以及用所述第一至少两个决策树和所述第二至少两个决策树生成更新后的分类器。
在一些实施例中，确定与所述第三时间段相对应的所述车辆的标准车头朝向可以包括：响应于所述请求，读取被所述移动计算设备的所述定位模块在所述第三时间段内确定的第二定位数据；基于所述第二定位数据，确定所述车辆在所述第三时间段的第二位移距离；判断所述第二位移距离是否大于第二阈值；以及在确定所述第二位移距离大于所述第二阈值时，基于所述第二定位数据，确定与所述第三时间段相对应的所述车辆的所述标准车头朝向。
在一些实施例中，基于所述第二定位数据，确定与所述第三时间段相对应的所述车辆的所述标准车头朝向可以包括，基于所述第二定位数据确定初始标准车头朝向；确定至少两个车头朝向类别；将所述初始标准车头朝向分类至所述至少两个车头朝向类别中的一个；以及指定与所述初始标准车头朝向的所述车头朝向类别相对应的车头朝向为与所述第三时间段相对应的所述车辆的所述标准车头朝向。
在一些实施例中，确定与所述第三时间段相对应的所述]车辆的标准车头朝向可以包括，在确定所述第二位移距离小于或等于所述第二阈值时，排除所述对应第三时间段的所述传感器数据，用于生成所述训练数据集。
在一些实施例中，所述方法还可以包括检测在所述移动计算设备上执行的应用程序，所述应用程序自动与所述网络系统通信；基于由执行以与所述移动计算设备的定位模块接口的所述应用程序确定的数据，确定所述移动计算设备的当前位置；向所述应用程序提供数据，以在所述移动计算设备的显示器上生成展示，所述展示包括地图；与所述应用程序通信以接收所述请求；向所述应用程序提供数据，以使所述展示描述(i)所述移动计算设备的所述当前位置和(ii)所述车辆的所述车头朝向。
根据本申请的另一方面，提供了一种用于确定车辆的车头朝向的系统。根据本申请的一个方面，提供了一种用于确定车辆的车头朝向的系统。所述系统可以包括至少一个网络接口和耦合到至少一个网络接口的至少一个处理器。所述网络接口可以被配置为通过网络系统与移动计算设备通信，所述移动计算设备与所述车辆相关联。所述至少一个处理器可以被配置为从所述移动计算设备接收用于确定所述车辆车头朝向的请求，至少响应于所述请求，读取所述移动计算设备的磁传感器在一个或以上第一时间段内产生的传感器数据。所述至少一个处理器还可以被配置为获得训练后的分类器，以确定所述车辆的预测车头朝向。对于所述一个或以上第一时间段内的所述传感器数据，所述至少一个处理器可以被配置为通过从所述传感器数据中提取特征来获得特征向量，基于所述获得的特征向量，通过在所述分类器中输入所述特征向量，确定预测车头朝向。所述至少一个处理器可以被配置为进一步基于所述获得的一个或以上预测车头朝向来确定所述车辆的所述车头朝向。
根据本申请的另一方面，提供了另一种用于确定车辆的车头朝向的系统。所述系统可以包括待测数据读取模块、待测数据划分模块、待测特征向量确定模块、车头朝向数据读取模块和车头朝向确定模块。待测数据读取模块可以被配置为响应于接收到用于确定车辆车头朝向的请求，读取目标用户设备的磁传感器在所述当前时刻之前的第一预设时间段内产生的第一传感器数据。所述目标用户设备与所述车辆相关联。待测数据划分模块可以被配置为基于第一预设时间段，将所述第一传感器数据划分为至少两个待测数据段。待测特征向量确定模块可以被配置为从所述至少两个待测数据段中提取特征，来获得对应于所述至少两个第一特征向量的至少两个第一特征向量。车头朝向数据读取模块可以被配置为通过将所述至少两个第一特征向量输入分类器而生成至少两个预测车头朝向。确定模块可以被配置为基于所述至少两个预测车头朝向来确定所述车辆的结果车头朝向。
在一些实施例中，所述系统还可以包括训练数据读取模块、样本数据划分模块、样本标签值确定模块、样本特征向量确定模块和分类器训练模块。训练数据读取模块可以被配置读取目标用户设备的磁传感器在第二预设时间段内产生的第二传感器数据。样本数据划分模块可以被配置为基于预设时间段，将所述第二传感器数据划分为至少两个样本数据段。所述第二传感器数据可以包括沿着相对于所述移动计算设备的笛卡尔坐标系的三个轴，至少两个磁感应强度。样本标签值确定模块可以被配置为：对于所述至少两个样本数据段中的每一个，确定对应于所述样本数据段的所述车辆的标准车头朝向；以及指定所述标准车头朝向为所述样本数据段的标签值。样本特征向量确定模块可以被配置为：对于所述至少两个样本数据段中的每一个，确定沿着所述三个轴中的每一个，相对于磁感应强度的至少两个统计值；以及基于所述至少两个统计值，获取所述至少两个样本数据段的每一个的第二特征向量。分类器训练模块可以被配置为，通过基于所述标签值和对应于所述至少两个样本数据段的所述至少两个第二特征向量，执行所述分类器的预设训练程序，获得用于确定所述车辆的车头朝向的分类器。
在一些实施例中，样本特征向量确定模块可以包括值范围确定单元和分布确定单元。值范围确定单元可以被配置为基于沿着所述三个轴的所述磁感应强度的总取值范围，确定至少两个预设取值范围。分布确定单元可以被配置为通过确定所述三个轴中的每一个的，在所述预设取值范围内的，所述磁感应强度的分布，获得一组分布统计值。所述组分布统计值可以包含在所述至少两个统计值中。
在一些实施例中，样本标签值确定模块可包括数据读取单元，第一比较单元和车头朝向确定单元。数据读取单元可以被配置读取对应于所述至少两个样本数据段中的每一个的，所述车辆的定位数据。第一比较单元可以被配置基于所述定位数据，为所述至少两个样本数据段的所述每一个，确定所述车辆的相应位移距离是否大于预设阈值。所述位移距离是对应于所述样本数据段，经过预设时间段所述车辆的位移距离。车头朝向确定单元可以被配置为在确定所述位移距离大于所述阈值时，指定在所述对应于所述至少两个样本数据段的所述每一个的时间段的结束时间点的，所述目标车辆的车头朝向，为对应于所述至少两个样本数据段的所述每一个的所述车头朝向。
根据本申请的另一方面，提供了一种存储指令的非暂时性计算机可读介质。由处理器执行所述指令时，所述处理器执行以下操作。所述操作可以包括从所述移动计算设备接收用于确定所述车辆的所述车头朝向的请求，至少响应于所述请求，读取所述移动计算设备的磁传感器在一个或以上第一时间段内产生的传感器数据，以及获得训练后的分类器，以确定所述车辆的预测车头朝向。所述操作还可以包括对于所述一个或以上第一时间段内的所述传感器数据，通过从所述传感器数据中提取特征来获得特征向量，以及基于所述获得的特征向量，通过在所述分类器中输入所述特征向量，确定预测车头朝向。所述操作还可以包括基于所述获得的一个或以上预测车头朝向来确定所述车辆的所述车头朝向。
其他特征将在以下部分描述中进行阐述，并且在检视以下及附图之后，部分特征对于本领域的普通技术人员来讲是显而易见的，或可以通过实例的生产及操作来了解。本申请的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来达成。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性实施例是参照附图详细说明的。这些实施例是非限制的示例性实施例，这些实施例中的附图的各个视图中相似的的标号表示相似的部件，其中：
图1是根据本申请的一些实施例所示的确定车头朝向的示例性过程的示意图；
图2是根据本申请的一些实施例所示的确定车头朝向的示例性过程的示意图；
图3是根据本申请的一些实施例所示的车头朝向分类器训练程序的示例性应用场景的示意图；
图4是根据本申请的一些实施例所示的关于示例性目标用户设备的三个轴的示例性方向的示意图；
图5是根据本申请的一些实施例所示的用于确定相对于预设取值范围n沿着三个轴中的每一个的采样磁感应强度的一组分布统计值的示例性过程的示意图；
图6是根据本申请的一些实施例所示的用于确定对应于每个样本数据段的目标车辆的标准车头朝向的示例性过程的示意图；
图7是根据本申请的一些实施例所示的用于训练车头朝向分类器的示例性过程的示意图；
图8是根据本申请的一些实施例所示的基于至少两个历史确定的车头朝向示例性确定结果车头朝向的示意图；
图9是根据本申请的一些实施例所示的示例性车头朝向确定方法的示意图；
图10是示出示例性计算设备的示意图；
图11是根据本申请的一些实施例所示的用于确定车头朝向的示例性设备的示意图；
图12是根据本申请的一些实施例所示的用于确定车头朝向的示例性设备的示意图；
图13是根据本申请的一些实施例所示的用于训练车头朝向分类器的示例性设备的示意图；以及
图14是根据本申请的一些实施例所示的示例性线上到线下服务系统的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。显而易见地，本领域的普通技术人员可对本披露中揭露的实施例进行各种修改，在不背离本披露的精神与范围的情况下，本披露中限定的一般原理可以应用到其他实施例和应用中。因此，本披露不受所示实施例的限制，本披露的范围与权利要求中宽广的范围是一致的。
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，前面或下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种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
此外，尽管本申请中描述的系统和方法主要涉及线上到线下运输服务，但是还应该理解，这仅是一个示例性实施例。本申请的系统或方法可以应用于任何其他类型的线上到线下服务。例如，本申请的系统和方法可以应用于不同的运输系统，包括陆地、海洋、航空航天等或其任意组合。运输系统的车辆可以包括出租车、私家车、顺风车、公共汽车、船只、飞机、无人驾驶车辆、自行车、三轮车、摩托车等或其任何组合。运输系统还可以包括应用管理和/或分配的任何运输系统，例如，用于发送和/或接收快递的系统，或用于外卖服务的系统。本申请的系统或方法的应用场景可以包括网页、浏览器插件、客户端终端、定制系统、内部分析系统、人工智能机器人等或其任意组合。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可以表示请求或订购服务的个人、实体或工具，并且可互换使用。同样地，本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可以表示提供服务或者协助提供服务的个人、实体或者工具，并且可互换使用。另外，本申请中的术语“用户”可以表示请求服务、订购服务、提供服务或者协助提供服务的个人、实体或者工具。例如，用户可以是乘客、司机、操作员等或其任意组合。在本申请中，术语“乘客”和“乘客终端”可以互换使用，术语“司机”和“司机终端”可以互换使用。
本申请中的术语“服务请求”表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求。该服务请求可以被乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应者中的任一个接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(gps)、全球卫星导航系统(glonass)、北斗导航系统(compass)、伽利略定位系统、准天顶卫星系统(qzss)、无线保真(wi-fi)定位技术等或其任意组合。以上定位技术中的一个或以上可以在本申请中互换使用。
本申请的一个方面涉及用于显示与线上到线下服务(例如，出租车服务)有关的信息的系统和方法。为了帮助发起出租车服务的服务请求的乘客识别出容易且快速地接受该服务请求的司机的车辆，线上到线下服务平台可以生成图像以显示司机的车辆类型、司机的车辆颜色、司机车辆的车牌号、和/或司机车辆表面上的标记，并从乘客的角度显示司机的车辆。可选地或附加地，线上到线下服务平台可以生成地图以显示司机的车辆的实时位置和围绕司机的车辆的其他车辆的实时位置。为了帮助当乘客的智能手机锁定时不用解锁，就能监控线上到线下服务的过程，线上到线下服务平台可以确定与按需服务的过程相对应的信息，并将与按需服务的过程相对应的信息连同显示指令一起发送到乘客的智能手机。当乘客的智能手机被锁定时，显示指令可以提示乘客的智能手机在乘客智能手机的锁屏界面上显示与线上到线下服务的过程相对应的信息。
值得注意的是，线上到线下服务的运输服务，如在线出租车服务，是一种仅扎根于后互联网时代的新形式的服务。它为使用者和服务提供者提供了仅在后互联网时代才可能实现的技术方案。在互联网时代之前，当一个使用者在街上呼叫一辆出租车时，出租车请求和接受只可能在乘客和一个看见该乘客的出租车司机之间发生。如果乘客通过电话呼叫一辆出租车，服务请求和接受只能在该乘客和一个服务提供者(例如，一个出租车公司或代理)之间发生。然而，在线出租车服务实时且自动地获得交易请求。在线出租车服务还可以允许服务的用户即时并自动地分配服务请求给远离用户的大量的个人服务提供者(例如，出租车司机)，同时允许至少两个服务提供者同时并即时响应该服务请求。因此，通过互联网，线上到线下运输系统可以为用户和服务提供者提供更有效的交易平台，这在传统的互联网前的运输服务系统中可能永远不会遇到。
为了更深入地说明本披露的技术方案，下面在具体实施方式中将以示例的形式阐述许多具体细节。但是，显而易见地，对于本领域的普通技术人员，可以不按照这些细节来实施本披露。在其他情况下，为了避免本披露中不必要的模糊方面，本披露对众所周知的方法、程序、系统、组件和/或电路在较高水平进行了说明，不含细节部分。显而易见地，本领域的普通技术人员可对本披露中揭露的实施例进行各种修改，在不背离本披露的精神与范围的情况下，本披露中限定的一般原理可以应用到其他实施例和应用中。因此，本披露不受所示实施例的限制，本披露的范围与权利要求中宽广的范围是一致的。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。除非上下文明确提示有例外情形，本文中单数形式的“一”“一个”和“所述”也可包括复数。还应当理解的是，说明书中使用的术语“包括”和/或“包含”指明存在陈述的特征、整数、步骤、操作、元素和/或组件，但不排除存在或附加有一个或多个其他特征、整数、步骤、操作、元素、组件和/或其中几种的组合。
应当理解，本文中使用的术语“系统”、“单元”、“模块”和/“块”是一种按升序区分不同级别的组件、元素、部分、区域或集合的方法。但是，这些术语也可以被其他可达到相同目的的表达方式代替。
通常，这里使用的词语“模块”、“子模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。这里描述的模块，单元或块可以实现为软件和/或硬件，并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中，软件模块/单元/块可被编写并连接至可执行的程序。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应检测到的事件或中断来调用。
被配置为在计算设备上执行的软件模块/单元/块(例如，如图3所示的处理器310)可以在计算机可读介质上提供，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质，或数字下载(并且最初可以以压缩或可安装的格式存储，在执行之前需要安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以被植入在固件中，例如可擦可编程只读存储器。还应当理解，硬件模块/单元/块可以包含在连接的逻辑组件中，例如门和触发器，和/或可以包含在可编程单元中，例如可编程门阵列或处理器。这里描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块，但是可以用硬件或固件表示。一般而言，这里描述的模块/单元/块是指无论具有怎样的物理结构和存储方式，都可与其他模块/单元/块相结合的逻辑模块/单元/块，或者可以分为子模块/子单元/子块的逻辑模块/单元/块。上述说明可应用于系统、引擎或二者的一部分。
应当理解的是，除非上下文明确提示有例外情形，当单元、引擎、模块或区块被描述为“位于”“连接至”或“耦合至”另外的单元、引擎、模块或区块时，所述单元、引擎、模块或区块可以是直接位于、连接至或耦合至或连通其他单元、引擎、模块或区块，或存在中间单元、引擎、模块或区块。
在本申请中，术语“和/或”可包括列举的一个或多个相关项目中的任意一种或多种的组合。根据以下参考附图的描述，这些和其他特点、本申请的特征、操作方法、相关结构元件的功能、各部分的整合以及制造的经济性可以更明显易懂，这些都构成说明书的一部分。但应当清楚理解的是，附图仅仅是为了说明和描述本申请，而不对本申请的范围作限制。
在驾驶期间，当司机要接载乘客以提供线上到线下运输服务时(例如，通过图14中所示的线上到线下服务系统1400)，司机通常将他/她的移动电话(例如，如图14所示的提供者终端1440)固定在他/她的车辆中的某个位置，并且长时间不会移动电话。因此，由移动电话的磁传感器产生的传感器数据可以与被固定的移动电话的方向相关，并且对车辆是否在移动或车辆的速度不敏感。当车辆向不同方向移动时，磁传感器的传感器数据可以相应地不同。因此，在一些实施例中，磁传感器的传感器数据可以被认为是确定车辆的车头朝向的重要基础。然而，由于磁传感器易于受到车辆的金属材料的影响，所以车辆的车头朝向可能不能由磁传感器本身直接且准确地确定。在本申请中，通过引入机器学习算法，即使当车辆的偏离距离相对较小时，也可以实现车头朝向的准确确定。
图1是根据本申请的一些实施例所示的确定车头朝向的示例性过程的示意图。过程100可以由服务器(例如，图14所示的服务器1410)或终端(例如，图14所示的提供者终端1440)实现。在一些实施例中，图1中所示的过程100的一个或以上操作可以在图14中所示的线上到线下系统1400中实现。例如，图1中所示的过程100可以以指令的形式存储在存储设备(例如，存储器1030、非易失性存储设备1020、存储设备1450)中，并且由至少一个处理器(例如，图10所示的计算设备1000的处理器1010)调用和/或执行。如图1所示，过程100可以包括操作101-105。
在101中，所述至少一个处理器可以响应于接收到的用于确定目标车辆(例如，图3中所示的目标车辆300)的车头朝向的请求，读取在当前时间点之前的第一预设时间段内产生的第一传感器数据。所述第一传感器数据可以由目标用户设备(例如，图3中所示的目标用户设备310)的磁传感器(例如，图3中所示的磁传感器311)生成。在本申请中，术语“第一传感器数据”可以指由磁传感器产生的用于确定目标车辆的车头朝向的数据。
在一些实施例中，所述目标用户设备可以与目标车辆相关联(例如，目标用户设备可以固定在目标车辆的特定位置，或者目标用户设备可以相对于目标车辆静止)。
在一些实施例中，所述至少一个处理器可以从目标用户设备(例如，图14中所示的提供者终端1440)接收上述请求，或者在目标车辆接载乘客之后，从乘客的移动计算设备(例如，图14中所示的请求者终端1430)接收上述请求。
在一些实施例中，在接收到确定目标车辆的车头朝向的请求之后，所述至少一个处理器可以读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段(例如，两秒)内产生的第一传感器数据。第一传感器数据可以包括所采集到的代表沿着目标用户设备的x轴、y轴和z轴(例如，如图4所示)方向的磁感应强度的数据(或被称为传感器数据)，其以特斯拉(符号t)为单位。例如，传感器数据可以是三维矢量。在一些实施例中，三维矢量的每个元素可以是所确定或采集到的沿相应轴的磁感应强度。
在一些实施例中，所述至少一个处理器可以基于预设的采样频率(例如，10hz)来读取目标用户设备的第一传感器数据。
在102中，所述至少一个处理器可以基于预设的时间间隔，将第一传感器数据划分为至少两个待测数据段。
在一些实施例中，可以基于上述预设时间间隔(例如，200ms)将读取到的第一传感器数据划分为至少两个待测数据段，以获得与上述至少两个待测数据段中的每一个相对应的传感器数据。
所述第一预设时间可以包括至少两个第一时间段。上述至少两个待测数据段的每一个可以是目标用户设备的磁传感器在相应的第一时间段内所产生的传感器数据(或传感器数据)。对应于上述至少两个待测数据段的每一个(或对应于每个第一时间段的传感器数据)的传感器数据可以包括在相应的第一时间段内，由磁传感器所采集(或确定)的沿着x轴、y轴和z轴中的每个轴的磁感应强度。
在103中，所述至少一个处理器可以通过从上述至少两个待测数据段中提取特征，来获得对应于上述至少两个第一特征向量的至少两个第一特征向量。术语“第一特征向量”可以指用于确定目标车辆的预测车头朝向的特征向量。
在一些实施例中，对于上述至少两个待测数据段中的每一个，所述至少一个处理器可以为上述三个轴中的每个轴确定与采集到的沿着该轴的磁感应强度相关的m个统计值，从而为每个待测数据段获得一个3*m维特征向量(第一特征向量)。
在一些实施例中，对于上述至少两个待测数据段中的每一个，所述至少一个处理器可以为x轴、y轴和z轴中的每个轴确定m个统计值。
在一些实施例中，对于上述至少两个待测数据段中的每一个，所述至少一个处理器可以为x轴、y轴和z轴中的每个轴分别确定相应的所采集到的沿着该轴的各个磁感应强度的平均值、方差和一组与n个预设取值范围相关的分布统计值。
例如，对于上述至少两个待测数据段中的每一个，通过确定相应的所采集到的沿着x轴的各个磁感应强度的平均值、方差和一组与n个预设取值范围相关的分布统计值，所述至少一个处理器可以获得与x轴相关的m维特征向量。类似地，对于上述至少两个待测数据段中的每一个，也可以相应地获得与y轴相关的m维磁数据特征向量和与z轴相关的m维磁数据特征向量。因此，对于上述至少两个待测数据段中的每一个，总共可以获得3*m维磁数据特征向量。
在104中，所述至少一个处理器可以通过在分类器(或被称为车头朝向分类器)中输入上述至少两个第一特征向量来生成至少两个预测车头朝向。
在一些实施例中，可以基于由目标用户设备的磁传感器产生的传感器数据(例如，第一传感器数据)来预先训练分类器以确定目标车辆的车头朝向。
在一些实施例中，当一个第一特征向量被输入到分类器中时可以获得一个预测车头朝向，可以通过将上述至少两个第一特征向量输入到分类器来获得多个预测车头朝向。
在105中，所述至少一个处理器可以基于上述至少两个预测车头朝向来确定目标车辆的结果车头朝向。
在一些实施例中，操作105可以包括操作(a-i)和(a-ii)。包括操作(a-i)和(a-ii)或类似操作的过程可以被称为加权投票。
在操作(a-i)中：所述至少一个处理器可以基于多个预设权值，为上述至少两个预测车头朝向中的每个独特的车头朝向，确定权值总和，其中每个预设权值与上述至少两个待测数据段中的每一个分别对应；以及
在操作(a-ii)中，所述至少一个处理器可以基于上述至少两个预测车头朝向中的每个独特的车头朝向的权值总和，确定目标车辆的结果车头朝向。
例如，如果获得的至少两个预测车头朝向是[20、40、20、60、90、20、40、40、0、20]，对应的预设权值为[0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0]，则车头朝向20的权值总和为0.1+0.3+0.6+1.0＝2.0；车头朝向40的权值总和为0.2+0.7+0.8＝1.7；车头朝向60的权值总和为0.4；车头朝向90的权值总和为0.5；车头朝向0的权值总和为0.9。于是，结果车头朝向可以被确定为其中权值总和最高的车头朝向20。
可以理解，在一些实施例中，由于传感器数据的误差，单次确定的结果可能不准确或不精确。因此，所述至少一个处理器可以通过重复对车头朝向进行确定来确定至少两个预测车头朝向，然后基于该至少两个预测车头朝向确定目标车辆的结果车头朝向，这样可以提高车头朝向确定的准确性或精确性。
在一些实施例中，在操作101中，响应于接收到的确定目标车辆的车头朝向的请求，至少一个处理器可以执行操作(b-i)和(b-ii)，以读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据：
在操作(b-i)中，所述至少一个处理器可以响应于接收到的确定目标车辆的车头朝向的请求，确定车辆的当前位移距离(第一位移距离)是否小于预设的第一阈值。
在一些实施例中，当前位移距离是车辆在当前时间点之前的预设时间段(或第二时间段)内的偏离距离。
在一些实施例中，当gps信号较差或不能接收时，所述至少一个处理器可将目标车辆的当前偏离距离设定为零。
在一些实施例中，为了确定第一位移距离，所述至少一个处理器可以响应于该请求读取目标用户设备在第二时间段内确定的第一定位数据。在一些实施例中，第一定位数据可以由目标用户设备的定位模块(例如，图3中示出的gps接收器320)确定。
操作(b-ii)：响应于确定当前偏离距离小于第一阈值，所述至少一个处理器可以读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据。
在一些实施例中，响应于确定当前偏离距离大于第一阈值，所述至少一个处理器可以通过从目标车辆的先前gps位置(例如，几秒之前)减去当前gps位置(或基于gps信号确定的位置)来确定目标车辆的车头朝向。
由上述描述可知，在本申请中，通过读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据，从第一传感器数据的至少两个数据段中的每一个提取特征向量(第一特征向量)，并将该至少两个数据段的至少两个第一特征向量输入车头朝向分类器，可以基于由磁传感器生成的传感器数据以更高的精度确定目标车辆的车头朝向。在一些实施例中，这种方法可以节省司乘双方提供或接收运输服务的时间，并且可以提高乘客的出行效率。
应该注意的是，车头朝向确定的过程的上述描述仅用于说明目的而不是限制性的。对于本领域技术人员来说是显然的，在理解了图像生成过程的基本原理之后，在不偏离该原理的情况下，可以在车头朝向确定过程的实施和操作中进行形式和细节的各种修改和变化，也可以在没有任何创造性努力的情况下进行简单的推导或更改，可以调整个别操作的顺序，也可以组合个别操作，这些修改和变化仍在上述说明的范围内。
例如，所述至少一个处理器可以直接读取在第一时间段内生成的传感器数据，以形成相应的待测数据段，而不是整体地读取第一传感器数据，然后将其分开。
又例如，虽然产生了上述至少两个预测车头朝向，然后基于上述至少两个预测车头朝向确定目标车辆的车头朝向可以提高车头朝向确定的准确性，但是只产生一个预测车头朝向作为车辆的结果车头朝向也是可行的。所述至少一个处理器可以读取在当前时间点之前的一个第一时间段内产生的传感器数据，然后将提取的特征向量输入到分类器中以确定目标车辆的车头朝向。
当多个待测数据段用于确定目标车辆的车头朝向时，相应的第一时间段可以形成连续的时间段或者可以至少部分地分开。第一时间段可以部分重叠或不重叠。
图2是根据本申请的一些实施例所示的确定车头朝向的示例性过程的示意图。在一些实施例中，过程200是图1中所示的过程100的示例。在过程200中，操作206-210可以与过程100的操作101-105相同或类似，其描述在此不再重复。如图2所示，过程200还可以包括操作201-205以预训练分类器。
在一些实施例中，图2中所示的过程200的一个或以上操作可以在图14中所示的线上到线下系统1400中实现。例如，图2中所示的过程200可以以指令的形式存储在存储设备(例如，存储器1030、非易失性存储设备1020、存储设备1450)中，并且由至少一个处理器(例如，图10所示的计算设备1000的处理器1010)调用和/或执行。
在201中，所述至少一个处理器可以读取目标用户设备的磁传感器在第二预设时间段内产生的第二传感器数据。在本申请中，术语“第二传感器数据”可以指由磁传感器产生的用于训练前述车头朝向分类器的数据。
参见图3。图3是根据本申请的一些实施例所示的车头朝向分类器训练程序的示例性应用场景的示意图。如图3所示，所述至少一个处理器可以读取目标用户设备310(例如，图14中所示的提供者终端1440)的磁传感器310(例如，由微机电系统(micro-electro-mechanicalsystem，mems)实现)在第二预设时间段(例如，半小时)内产生的目标用户设备的第二传感器数据。第二传感器数据可以包括所采集到的代表沿着目标用户设备的x轴、y轴和z轴(例如，如图4所示)方向的磁感应强度的数据，其以特斯拉(符号t)为单位。
参见图4。图4是根据本申请的一些实施例所示的关于示例性目标用户设备的三个轴的示例性方向的示意图。目标用户设备(例如，图3中所示的目标用户设备310)可以是或包括与目标车辆(例如，图3中所示的车辆300)相关联的用户(例如，司机)的移动电话400。x、y和z轴可以属于相对于移动电话400的笛卡尔坐标系。例如，当移动电话400被保持在其默认朝向时，可以定义相对于移动电话400的屏幕的笛卡尔坐标系。在该朝向中，相对于移动电话400的用户，x轴可以是水平的并且指向右边，y轴可以是垂直的并且指向上方，z轴可以从屏幕里面指向外面。笛卡尔坐标系的原点可以设置在移动电话400的中心、屏幕的中心、或者设置在用于采样或确定磁感应强度的磁传感器的参考点。
在一些实施例中，第二传感器数据(以及第一传感器数据)可以包括代表由磁传感器310所产生的信号强度(例如，以a、ma、v、mv为单位)而非相应的磁感应强度的传感器数据。上述信号由沿着x轴、y轴和z轴中的每一个轴的磁感应强度引起。为了方便和简化，该信号强度也可以被称为采集到的磁感应强度。
参见图2。在一些实施例中，可以基于预设采样频率(例如，10hz)来读取目标用户设备310的第二传感器数据。
在202中，所述至少一个处理器可以基于预设时间段，将第二传感器数据划分为至少两个样本数据段。
在一些实施例中，至少一个处理器可以基于预设时间间隔(例如，3秒)，将读取到的第二传感器数据划分为至少两个样本数据段，并获得该至少两个样本数据段中的每一个的传感器数据。
第二预设时间可以包括至少两个第三时间段。上述至少两个样本数据段中的每一个可以是或包括目标用户设备的磁传感器在相应的第三时间段内产生的传感器数据。
在一些实施例中，所述至少一个处理器还可以直接读取在第三时间段内产生的传感器数据以形成相应的样本数据段，而不是整体地读取第二传感器数据然后将其分开。多个样本数据段可用于训练车头朝向分类器。相应的第三时间段可以形成连续的时间段，或者可以完全或部分地分开。第三时间段可以部分重叠或不重叠。
在203中，对于上述至少两个样本数据段中的每一个，所述至少一个处理器可以确定目标车辆对应于该样本数据段的标准车头朝向，并指定该标准车头朝向为样本数据段的标签值。术语“标签值”可以指用于训练车头朝向分类器的相应样本数据段的监督输出。
在一些实施例中，可以通过预设方法(包括但不限于人工标签法等)确定对应于每个样本数据段的目标车辆的标准车头朝向。更具体地说，对应于每个样本数据段的标准车头朝向是对应于样本数据段的目标车辆的在时间段(第三时间段)的实际车头朝向。
目标用户设备可以与目标车辆相关联。参见图3。如图3所示，目标用户设备100可以是与目标车辆300相关联的终端设备。目标用户设备100可以是例如目标车辆的车载终端或与目标车辆300相关联并且相对于目标车辆300静止的移动终端。例如，在驾驶期间，当司机要接载乘客时，司机通常将他/她的移动电话固定在车辆中的某个位置(例如，在方向盘后面或附近的仪表板处)，并且长时间不移动电话。因此，移动电话可以是相对于目标车辆静止的移动终端。
在204中，至少一个处理器可以通过从上述至少两个样本数据段中提取特征来获得与上述至少两个样本数据段相对应的至少两个第二特征向量。术语“第二特征向量”可以指用于训练上述车头朝向分类器的特征向量。在一些实施例中，为了生成第一特征向量而提取的特征和为了生成第二特征向量而提取的特征可以是相同类型的，或者可以通过相同或类似的方法提取。在一些实施例中，为了生成第一特征向量而提取的特征和为了生成第二特征向量而提取的特征可以是不同类型的，或者可以通过不同的方法提取。
在一些实施例中，对于每个样本数据段，所述至少一个处理器可以为上述三个轴中的每个轴确定与采集到的沿着该轴的磁感应强度相关的m个统计值，从而为每个样本数据段获得一个3*m维特征向量(第二特征向量)。
在一些实施例中，对于每个样本数据段，述至少一个处理器可以为x轴、y轴和z轴中的每个轴确定m个统计值。
在一些实施例中，对于每个样本数据段，对于x轴、y轴和z轴中的每一个轴，上述m个统计值可以包括相应的采集到的沿着该轴的磁感应强度的平均值、方差和一组与n(n+2＝m)个预设取值范围相关的分布统计值。
应该注意的是，在本申请中，使用采集到的沿着每个轴的磁感应强度的平均值、方差和一组分布统计值作为用于确定目标车辆的车头朝向或训练分类器的上述统计值仅用于说明目的。为了实施本申请，其他类型的统计，例如包含在样本数据段中的采集到的沿着每个轴的磁感应强度的众数、中值、范围、标准偏差等，也可以用作上述需要的统计值。本申请的实施方案不是限制性的。
在一些实施例中，对于上述至少两个样本数据段中的每一个，通过确定相应的所采集到的沿着x轴的各个磁感应强度的平均值、方差和一组与n个预设取值范围相关的分布统计值，所述至少一个处理器可以获得与x轴相关的m维特征向量。类似地，对于上述至少两个样本数据段中的每一个，也可以相应地获得与y轴相关的m维磁数据特征向量和与z轴相关的m维磁数据特征向量。因此，对于上述至少两个样本数据段中的每一个，可以获得3*m维特征向量(第二特征向量)。
在205中，所述至少一个处理器可以基于标签值和对应于上述至少两个样本数据段的上述至少两个第二特征向量执行分类器的预设训练程序，获得用于确定目标车辆的车头朝向的分类器(车头朝向分类器)。
在一些实施例中，在获得对应于上述至少两个样本数据段的标签值和上述至少两个第二特征向量之后，至少一个过程可以执行分类器的预设训练程序以获得上述车头朝向分类器。
在一些实施例中，所述至少一个处理器可以基于所获得的对应于上述至少两个样本数据段的标签值和上述至少两个第二特征向量来执行随机森林算法或程序来训练车头朝向分类器。
在一些实施例中，所述至少一个处理器可以基于对应于上述至少两个样本数据段的标签值和上述至少两个第二特征向量来训练包括至少两个决策树的车头朝向分类器。分类器输出的车头朝向类别(预测车头朝向)可以基于上述至少两个决策树所输出的候选车头朝向类别的众数，该至少两个决策树中的每一个可以为每个样本数据段输出一个候选车头朝向。
例如，上述至少两个样本数据段的第二特征向量和相应的标签值可以形成车头朝向分类器(或被称为森林训练数据集)的训练数据集。为了训练车头朝向分类器，所述至少一个处理器可以基于森林训练数据集训练车头朝向分类器中所包括的至少两个决策树(例如，分类回归树(classificationandregressiontree，cart))。
对于车头朝向分类器的每个决策树，所述至少一个处理器可以基于车头朝向分类器的森林训练数据集，确定每个决策树的训练数据集(或被称为树训练数据集)。在一些实施例中，所述至少一个处理器可以采用套袋法(bootstrapaggregating)来确定树训练数据集。例如，对于车头朝向分类器的每个决策树，所述至少一个处理器可以重复地从森林训练数据集中有放回地选择随机的第二特征向量和相应的标签值。所选择的第二特征向量和相应的标签值可以形成相应的决策树的树训练数据集。
所述至少一个处理器可以使用对应的树训练数据集训练每个决策树。在决策树的训练期间，所述至少一个处理器可以根据与决策树相关的分裂度量值来分裂决策树的节点(node)。该度量值可以是由分裂造成的基尼不纯度、信息增益、方差下降等。车头朝向分类器的两个决策树可以采用相同的度量值或不同的度量值。
所有训练后的决策树可以共同形成训练后的车头朝向分类器。车头朝向分类器的输出可以是所有决策树的输出的众数。在本申请的一些其他实施例中，车头朝向分类器的输出也可以是所有决策树的输出的平均值或加权平均值。
可以理解的是，车头朝向分类器也可以采取其他形式，如支持向量机(supportedvectormachine，svm)、人工神经网络、单一决策树等。车头朝向分类器的每种形式都可以其各自的训练程序。
在车头朝向分类器通过操作201至205预训练之后，所述至少一个处理器可以执行操作206至210以在任何需要的时间确定目标车辆的当前车头朝向。可以在操作209中使用预训练后的车头朝向分类器来确定一个或以上预测车头朝向，基于预测车头朝向可以确定目标车辆的车头朝向。操作206至210的详细描述可以在本申请的其他地方找到(例如，结合图1)。
由以上描述可知，通过读取目标用户设备的磁传感器产生的第二传感器数据，确定目标车辆对应于样本数据段的标准车头朝向作为样本数据段的标签值，为至少两个样本数据段中的每一个确定3*m维特征向量(第二特征向量)，以及基于对应于上述至少两个样本数据段的标签值和上述至少两个第二特征向量执行分类器的预设训练程序来获得车头朝向分类器，可以实现基于目标用户设备的磁传感器生成的传感器数据以更高的精度确定目标车辆的车头朝向。在一些实施例中，该方法可以节省司机和运输服务的时间，并且可以提高乘客的出行效率。
图5是根据本申请的一些实施例所示的为三个轴中的每个轴确定所采集到的沿着该轴的各个磁感应强度的与n个预设取值范围相关的一组分布统计值的示例性过程的示意图。如图5所示，在一些实施例中，可以执行过程500以为每个轴确定沿着该轴的各个磁感应强度的与n个预设取值范围相关的一组分布统计值，并且过程500可以包括操作501和502。
在一些实施例中，图5中所示的过程500的一个或以上操作可以在图14中所示的线上到线下系统1400中实现。例如，图5中所示的过程500可以以指令的形式存储在存储设备(例如，存储器1030、非易失性存储设备1020、存储设备1450)中，并且可以由至少一个处理器(例如，图10所示的计算设备1000的处理器1010)调用和/或执行。
在501中，所述至少一个处理器可以基于采集到的沿着三个轴的磁感应强度的总取值范围，确定n(n＝m-2)个预设取值范围。
例如，当沿着三个轴的采集到的磁感应强度的总取值范围是(-60，60)时，所述至少一个处理器可以确定以下n(例如，n＝8，或m＝10)个子范围(预设取值范围)：(-∞，-45)、[-45，-30)、[-30，-15)、[-15，0)、[0，15)、[15，30)、[30，45)、[45，+∞)。
在502中，所述至少一个处理器可以为每个轴确定采集到的沿着该轴的磁感应强度在上述预设取值范围内的分布(例如，直方图)以获得一组对应于该轴的分布统计值。
在一些实施例中，以确定采集到的沿着x轴的磁感应强度的分布作为示例，当采集到的沿着x轴的磁感应强度为：{-60，-30，-25，-30，-18，-50，50，45，90，78，11，36，34，98，-90，78，67，56，84，39，9，4，8，2，1，78，93，20，12，19}时，在上述八个子范围中，采样磁感应强度的分布为：[3，0，4，0，7，2，3，11]，其即为采集到的沿x轴的磁感应强度的n维(n＝8)特征向量。此外，通过计算采集到的沿x轴的磁感应强度的平均值和方差，所述至少一个处理器可以获得2维特征向量。因此，可以获得采集到的沿着x轴的磁感应强度的m维(m＝10)特征向量(例如，通过连接8维特征向量和2维特征向量)。
类似地，可以为y和z轴中的每个轴提取相同维度的特征向量，并且可以为三个轴获得30维(3*10＝30)第二特征向量(例如，通过连接三个轴的三个10维特征向量)。
由以上描述可知，在本申请中，通过操作501和502，基于采集到的沿着三个轴的磁感应强度的总取值范围确定预设取值范围，以及为每个轴确定采集到的沿着该轴的磁感应强度在n个预设取值范围的的分布，可以确定采集到的磁感应强度的与该n个预设取值范围相关的一组分布统计值，为后续训练车头朝向分类器提供准确性基础。
图6是根据本申请的一些实施例所示的用于确定对应于每个样本数据段的目标车辆的标准车头朝向的示例性过程的示意图。如图6所示，在一些实施例中，可以执行过程600以实现图2中所示的步骤203以确定对应于每个样本数据段的目标车辆的标准车头朝向。过程600可以包括操作601-603。
在一些实施例中，图6中所示的过程600的一个或以上操作可以在图14中所示的线上到线下系统1400中实现。例如，图6中所示的过程600可以以指令的形式存储在存储设备(例如、存储器1030、非易失性存储设备1020、存储设备1450)中，并且由至少一个处理器(例如，图10所示的计算设备1000的处理器1010)调用和/或执行。
在601中，所述至少一个处理器可以为每个样本数据段读取目标车辆的第二定位数据(例如，gps数据)。在一些实施例中，第二定位数据可以包括表示目标车辆的方向和/或经纬度的数据。
在一些实施例中，如图3所示，所述至少一个处理器可以经由目标用户设备310中的gps接收器320读取对应于每个样本数据段的目标车辆300的gps数据。在一些实施例中，gps数据可以包括目标用户设备310(或目标车辆300)的一个或以上方位(bearing)、纬度和经度。方位可以表示目标用户设备310或目标车辆300的移动方向
在一些实施例中，例如，目标用户设备310可以包括安卓(android)系统，并且包括在gps数据中的上述一个或以上方位可以使用“location.getbearing()”函数获得，该函数被包含在由安卓系统提供的定位服务中。
在602中，所述至少一个处理器可以基于第二定位数据中包括的一个或以上经纬度，为每个样本数据段，确定目标车辆的相应位移距离(第二位移距离)是否大于预设的第二阈值。
该位移距离可以是目标车辆在对应于样本数据段的预设时间段(或第三时间段)内的位移距离。
在一些实施例中，在该预设时间段(第三时间段)内，所述至少一个处理器可以基于在特定时间点目标车辆的经纬度和在先前时间点(例如，gps接收器320的最后采样时间点或任何其他预设时间点)目标车辆的经纬度，确定在该特定时间点目标车辆的位移距离。类似地，所述至少一个处理器可以确定在该预设时间段内的目标车辆的位移距离。
例如，所述至少一个处理器可以基于在预设时间段的结束时间点目标车辆的经纬度和在该预设时间段的开始时间点的目标车辆的经纬度，确定目标车辆在该预设时间段(第三时间段)内的位移距离。可选的，所述至少一个处理器可以在该预设时间段内设置至少两个参考时间点，确定每个参考时间点相对于上一个参考时间点的目标车辆的位移距离，以及指定所确定的位移距离的总和为在预设时间段内目标车辆的位移距离。
在一些实施例中，当gps信号差或无法接收时，所述至少一个处理器可以将目标车辆在相应的时间点或相应的时间段(例如第三时间段)内的位移距离设置为零。
在一些实施例中，在目标车辆在预设时间段(第三时间段)内的位移距离确定之后，所述至少一个处理器可以将位移距离与第二阈值(例如，10m)进行比较，以确定该位移距离是否大于预设阈值。
在603中，为每个样本数据段，所述至少一个处理器在确定位移距离大于第二阈值时，可以指定对应于该样本数据段的时间段(第三时间段)的结束时间点的目标车辆的车头朝向(例如，gps数据中的方位)为对应于该样本数据段的车头朝向(或标签值)。该车头朝向也可被称为初始标准车头朝向。
在一些实施例中，如果确定位移距离大于第二阈值(例如，位移距离为15m＞10m)，所述至少一个处理器可以基于对应于每个样本数据段的结束时间点的gps数据中的方位来确定该样本数据段的车头朝向。
在一些实施例中，在操作603中，为了基于对应于该数据段结束时间点的gps数据中的方位来确定该样本数据段的车头朝向，所述至少一个处理器可以将在每个样本数据段的结束时间点的gps数据中的方位(初始标准车头朝向)近似化处理到车头朝向值集合中的最接近的标准值。所述车头朝向值集合可以是对车头朝向的取值范围进行划分的结果，并可通过自动或手动的方式进行预设。
例如，gps数据中的方位的取值范围可以是[0，360)度。正北方向的方位为0度，正东方向的方位为90度，正西方向的方位为270度。
在一些实施例中，所述至少一个处理器可以粗略地对车头朝向的取值范围进行预先划分，以确定例如18个标准值：{0，20，40，60，80，100，120，140，160，180，200，220，240，260，280，300，320，340}。每个标准值可以代表一个车头朝向或一个车头朝向类别。
例如，如果对应于样本数据段的gps数据中的方位(初始标准车头朝向)是31度，则它可以被近似化处理为40度。又例如，如果对应于样本数据段的gps数据中的方位取值为75度，则它可以被近似化处理为80度。初始标准车头朝向的近似化处理也可被视为对初始标准车头朝向的分类，成为与标准值相对应的上述至少两个车头朝向类别之一。所述至少一个处理器可以将与初始标准车头朝向的车头朝向类别相对应的标准值指定为相应样本段的标准车头朝向。
在一些实施例中，除了位移距离，所述至少一个处理器还可以基于目标车辆的驾驶状态(例如，加速、制动、转向、停车、倒车、漂移)来确定样本数据段的车头朝向(或标签值)。例如，当车辆倒车时，所述至少一个处理器可以指定由gps数据所指示的方位的相反方向(近似化处理后)作为相应样本数据段的标签值。又例如，当车辆持续进行突然转向或漂移时，所述至少一个处理器可以在未确定其标签值的情况下(或在确定之后)丢弃相应的样本数据段。
用于生成第一或第二传感器数据的目标用户设备(例如，目标用户设备310)还可以包括用于确定目标车辆的驾驶方式的机制。例如，目标用户设备可以包括加速计和/或角加速计(例如，陀螺仪)来感测目标车辆的驾驶状态。可选地或附加地，目标车辆(或安装在目标车辆上的一个或以上传感器)可以发送用于指示目标车辆的驾驶状态(例如，倒车、转向、停车)的信号到目标用户设备或所述至少一个处理器。
所述至少一个处理器还可以基于上述驾驶状态来确定目标车辆的车头朝向。例如，当目标车辆持续进行突然转向或漂移时，所述至少一个处理器可以仅使用一个预测车头朝向或较少的预测车头朝向来确定车辆的结果车头朝向。可选地或附加地，所述至少一个处理器可以为对应于更接近的时间段的预测车头朝向分配更高的权值。
由以上描述可知，在本申请中，通过读取对应于每个样本数据段的目标车辆的gps数据，基于gps数据中包括的经纬度为每个样本数据段确定目标车辆的相应位移距离是否大于预设阈值，以及基于每个样本数据段末尾的gps方位确定每个样本数据段的相应车头朝向，可以准确地确定与每个样本数据段对应的目标车辆的车头朝向，为车头朝向分类器的后续训练提供准确的基础。
出于说明目的，本申请的一个示例性实施例描述如下，其不旨在限制本申请的范围。
图7是根据本申请的一些实施例所示的用于训练车头朝向分类器的示例性过程的示意图。可以执行过程500以训练车头朝向分类器710并基于训练后的车头朝向分类器710确定车辆的车头朝向。在一些实施例中，图7中所示的过程700的一个或以上操作可以在图14中所示的线上到线下系统1400中实现。例如，图7中所示的过程700可以以指令的形式存储在存储设备(例如，存储器1030、非易失性存储设备1020、存储设备1450)中，并且由所述至少一个处理器例如，图10所示的计算设备1000的处理器1010)调用和/或执行。如图5a所示，车头朝向确定可以包括两个阶段：(i)分类器训练阶段和(ii)车头朝向确定阶段。
(i)分类器训练阶段。
在分类器训练阶段，所述至少一个处理器可以执行如下操作。
在操作701中，所述至少一个处理器可以获取至少两个样本数据段。
在一些实施例中，所述至少一个处理器可以获取由司机的移动电话的磁传感器采集到的(例如，以10hz采样频率)的传感器数据和其gps接收器采集到的(例如，以1hz采样频率)的gps数据。
在一些实施例中，所述至少一个处理器可以以3秒来划分采集到的传感器数据以得到上述至少两个样本数据段。
在一些实施例中，所述至少一个处理器可以基于相应的3秒的gps数据，为每个样本数据段确定目标车辆的位移距离。在确定出位移距离(例如，基于gps数据的经纬度确定)小于10m(或任何其他第二阈值)时，所述至少一个处理器可以丢弃相应的样本数据段。也就是说，在确定第二位移距离小于或等于第二阈值时，所述至少一个处理器可以排除对应的第三时间段的传感器数据被用于生成训练数据集。
在操作702中，所述至少一个处理器可以提取样本数据段的特征。
对于每个样本数据段，所述至少一个处理器可以确定样本数据段中所包含的沿着x轴、y轴和z轴的传感器数据的平均值、方差和直方图。
在一些实施例中，传感器数据取值的最大值和最小值(或被称为采样值，例如，采样得到的磁感应强度，信号强度)可以分别为60和-60，而直方图的区间数(bin数)可设置为8。相应地，所述至少一个处理器可以从每个样本数据段中提取3*(2+8)＝30维的第二特征向量。
例如，如果3秒第二样本数据段的采样数是30(磁传感器的采样频率是10hz，即，每秒执行10次采样)，则所述至少一个处理器可以沿着3个方向中的每个方向为该样本数据段获取各30个采样值。
在一些实施例中，以x轴为例(对于y轴和z轴执行的操作与对x轴执行的操作)类似，所述至少一个处理器可以通过对沿着x轴的采样值的取值范围进行划分来确定以下8个取值范围(或称为子范围)：
(-∞，-45)、[-45，-30)、[-30，-15)、[-15，0)、[0，15)、[15，30)、[30，45)、[45，+∞)。
在一些实施例中，所述至少一个处理器可以确定该样本数据段的沿着x轴的30个采样值在上述8子范围中的分布(例如，直方图)。
例如，如果沿着x轴的采样值是：{-60，-30，-25，-30，-18，-50，50，45，90，78，11，36，34，98，-90，78，67，56，84，39，9，4，8，2，1，78，93，20，12，19}，那么上述8子范围中的采样值的分布(或被称为直方图特征向量)可以是[3，0，4，0，7，2，3，11]。
相应地，所述至少一个处理器可以为该样本数据段中所包含的传感器数据获得沿着x轴的直方图特征向量。
类似地，所述至少一个处理器可以为y轴和z轴中的每一个轴获得相同维度的沿着该轴的直方图特征向量。
在一些实施例中，沿着3个轴的直方图特征向量的总维度为3*8＝24。加上3个轴相应的平均值和方差(3*2)，合并得到的特征向量(第二特征向量)的总维度可以是30。
在一些实施例中，所述至少一个处理器可以对样本数据段逐一进行特征提取。样本数据段之间在时间上可以不重叠。
在一些实施例中，样本数据段之间可以部分重叠。例如，两个相邻的3秒第二样本数据段之间可能存在0.1秒(或任何其他适当数量)的时间重叠，而一段30秒的传感器数据(第一传感器数据或第二传感器数据)可以被“划分”为(或被用于生成)11个样本数据段。
在703中，所述至少一个处理器可以确定对应于各个样本数据段的标签值。
在一些实施例中，所述至少一个处理器可以基于对应于每个样本数据段的结束时间点(例如，第三秒)的gps数据的方位(bearing)方向确定该样本数据段的车头朝向，并以此作为对应的第二特征向量的标签值。
在一些实施例中，所述至少一个处理器可以将车头朝向的取值范围近似地划分为18个标准值(或车头朝向类别)。例如，确定结果可以是：{0，20，40，60，80，100，120，140，160，180，200，220，240，260，280，300，320，340}。
在704中，所述至少一个处理器可以训练用于确定目标车辆的车头朝向的分类器。
在一些实施例中，为每个车头朝向类别(或标准值)可以仅保留(例如，存储在例如存储器1030、非易失性存储设备1020、存储设备1450的存储设备中)最新采集的例如200个样本数据段(对应于600秒的时间段)的样本数据(传感器数据和/或gps数据)，也就是说，要分入每个车头朝向类别的被标记样本的数量可以各为200。当被保留的样本的数量在第一次达到或者超过预设数量3,600时，例如，自上次训练起已经过了30分钟，则所述至少一个处理器可以通过例如随机森林算法，基于所确定的各个样本数据段的第二特征向量和相应的标签值来训练新的车头朝向分类器(例如，以替换旧的车头朝向分类器)。
所述至少一个处理器可以采用各种森林训练数据集更新策略和/或各种分类器更新策略来更新车头朝向分类器。出于说明目的而不旨在限制，以下提供一些示例性的森林训练数据集更新策略和分类器更新策略。
在一些实施例中，所述至少一个处理器可以持续将样本数据段添加到森林训练数据集中，直到森林训练数据集已满，然后用完整的森林训练数据集训练车头朝向分类器。例如，对于每个车头朝向类别，可以仅保留预设数量(例如，200)的样本数据段。当为车头朝向类别a保留的样本数据段的数量达到该预设数量时，所述至少一个处理器可以将该森林训练数据集中一对应的子数据集视为“已满”。所述至少一个处理器可以继续将被标记为属于车头朝向类别a的新的样本数据段添加到森林训练数据集中，同时移除或删除被标记为属于车头朝向类别a的最早存储的样本数据段。或者，所述至少一个处理器可以停止将被标记为属于车头朝向类别a的新样本数据段添加到森林训练数据集中。当森林训练数据集中对应于所有车头朝向类别的子数据集已满时，所述至少一个处理器可将该森林训练数据集视为已满，并用已满的森林训练数据集训练车头朝向分类器。
在一些实施例中，在用森林训练数据集训练车头朝向分类器之后，所述至少一个处理器可以通过移除或删除森林训练数据集中的已有样本数据段的至少一部分(或全部)来清理森林训练数据集。所述至少一个处理器可以开始将新的样本数据段添加到清理后的森林训练数据集中。当森林训练数据集再次已满的时候，所述至少一个处理器可以用更新后的森林训练数据集训练新的车头朝向分类器。可选地或附加地，当经过特定时间周期(例如，30分钟)之后，即使当前森林训练数据集未满，所述至少一个处理器也可以用当前的森林训练数据集(其也可以被视为更新后的森林训练数据集)训练新的车头朝向分类器。
可选地或附加地，所述至少一个处理器可以持续更新森林训练数据集。对于每个车头朝向类别，最早采集的样本数据段可以随时被最新采集的样本数据段替换。当整个森林训练数据集已经完全更新时(即自上次训练之后所有样本数据段均已被新的所替换)，所述至少一个处理器可以用完全更新后的森林训练数据集训练新的车头朝向分类器。可选地或附加地，当经过特定时间周期(例如，30分钟)之后，即使森林训练数据集没有完全更新，所述至少一个处理器也可以用当前的森林训练数据集训练新的车头朝向分类器。
为了训练新的车头朝向分类器，所述至少一个处理器可以在如前所述的过程中训练至少两个新的决策树。新的车头朝向分类器可以只包括新的决策树。例如，车头朝向分类器可包括100个决策树(或任何其他适当数量)。每次要训练新的车头朝向分类器时，所述至少一个处理器可以训练100个新的决策树，这100个新的决策树可以形成新的车头朝向分类器。可选地或附加地，所述至少一个处理器可以以更新方式训练新的车头朝向分类器，即，新车头朝向分类器还可以包括旧车头朝向分类器中的至少两个旧的决策树。例如，每次要训练新的车头朝向分类器时，所述至少一个处理器可以训练50个新的策略树(例如，决策树总数的10％、20％、50％、80％)。加上旧车头朝向分类器中的50个旧决策树，所述至少一个处理器可以构建共有100个决策树的新车头朝向分类器。在一些实施例中，所述至少一个处理器可以随机选择旧的决策树以包括在新的车头朝向分类器中。或者，所述至少一个处理器也可以选择最新训练的旧决策树或具有最高车头朝向预测精度的旧决策树(例如，多数情况下其输出也是整个旧车头朝向分类器的输出)。
(ii)车头朝向确定阶段。
在车头朝向确定阶段，所述至少一个处理器可以执行如下操作。
在操作705中，所述至少一个处理器可以获取一个或以上待测数据段。
在一些实施例中，所述至少一个处理器可以从司机的移动电话获取传感器数据(例如，通过移动电话的磁传感器)。传感器数据可以包括以特斯拉为单位、沿着目标用户设备的x轴、y轴和z轴的磁感应强度。
在操作706中，所述至少一个处理器可以通过从上述一个或以上待测数据段中提取特征来获得一个或以上特征向量。
对于上述一个或以上待测数据段中的每一个，所述至少一个处理器可以为x轴、y轴和z轴中的每一个轴确定所获取的沿着该轴的传感器数据的平均值、方差和直方图统计值。直方图的区间数(bin数)可以是8。因此，可以获得3*(2+8)＝30维特征向量。
在操作707中，所述至少一个处理器可以基于分类器确定目标车辆的车头朝向
在一些实施例中，所述至少一个处理器可以通过将每个待测数据段的特征向量输入到上述训练后的分类器710(例如，基于随机森林的分类器)中来获得相应的车头朝向(或预测车头朝向)。然后，所述至少一个处理器可以根据过程100或任何其他类似过程，基于得到的各个预测车头朝向获得结果车头朝向。
在一些实施例中，所述至少一个处理器可以每200毫秒为目标车辆确定其结果车头朝向(无论gps的方向方位是否可靠)。
由于gps数据和传感器数据的误差，单次确定的结果可能不准。因此，在本申请的一些实施例中，所述至少一个处理器可以对至少两个历史确定的车头朝向(例如，先前(例如，最近的2秒内)确定的结果车头朝向)进行权值总和确定(加权投票)，以便确定当前时间点的结果车头朝向。
图8是根据本申请的一些实施例所示的示例性的基于至少两个历史确定的车头朝向来确定结果车头朝向的示意图。例如，如图8所示，所述至少一个处理器可以为10个(或任何其他适当数量)最新确定的结果车头朝向(包括在当前时间点确定的车头朝向(或被称为初始结果车头朝向)和其他最近(例如，两秒内)确定的结果车头朝向)中的每个独特的结果车头朝向(或相应的车头朝向类别)确定一个权值总和(即加权投票)。
初始结果车头朝向可以是根据过程100或任何其他类似过程在不考虑历史确定的结果车头朝向的情况下所确定的当前时间点(例如，时间点t)的“结果车头朝向”。
例如，与初始结果车头朝向相关联的权值可以设置为1，而与先前确定的各个结果车头朝向所相关联的权值可以以公差0.1递减(也就是说，前一个结果车头朝向的权值是0.9，再前一个结果车头朝向的权值是0.8，依此类推)，所用公差也可以是任何其他适当的值(例如，0.15、0.2、0.3)。
可以注意到，与结果车头朝向相关联的权值也可以使用任何其他的方式进行确定。例如，与初始结果车头朝向相关联的权值可以设置为1，而与先前确定的各个结果车头朝向相关联的权值可以以公比0.8递减(也就是说，前一个结果车头朝向的权值是0.8，再前一个结果车头朝向的权值是0.64，依此类推)，所用公比也可以是任何其他适当的值(例如，0.9、0.6、0.5)。
在加权投票完成之后，所述至少一个处理器可以指定具有最高权值总和的车头朝向作为当前的结果车头朝向。
例如，如果10个最新确定的结果车头朝向是[20，40，20，60，90，20，40，40，0，20]，并且相应的预设权值为[0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0]，车头朝向20的权值总和为0.1+0.3+0.6+1.0＝2.0；车头朝向40的权值总和为0.2+0.7+0.8＝1.7；车头朝向60的权值总和为0.4；车头朝向90的权值总和为0.5；车头朝向0的权值总和为0.9。因此，所述至少一个处理器可以将具有最大权值总和的车头朝向20确定为当前时间点的结果车头朝向。
在一些实施例中，可以基于至少两个(例如，10或任何其他适当数量)预测车头朝向来确定初始结果车头朝向。基于一个待测数据段可以确定一个预测车头朝向。或者，可以仅基于一个预测车头朝向来确定初始结果车头朝向。第一传感器数据的划分(以及第二传感器数据的划分)可以不被进行，所述至少一个处理器可以直接读取相应时间段(第一时间段)的传感器数据，并将该传感器数据输入车头朝向分类器来仅确定一个预测车头朝向。对历史确定的各个结果车头朝向所进行的加权投票可以类似于如图1所述的用于确定结果车头朝向而对各个预测车头朝向所进行的加权投票，其区别在于，在对历史确定的结果车头朝向所进行的加权投票中，每个历史确定的结果车头朝向都是相应的加权投票所得到的结果。
图9是根据本申请的一些实施例所示的示例性车头朝向确定方法的示意图。过程900可以是由基于目标用户设备的磁传感器生成的传感器数据对车头朝向进行确定和基于gps数据对车头朝向进行确定的组合。如图9所示，过程900可以包括如下所述的操作901至904。
在901中，所述至少一个处理器可以确定目标车辆的车头朝向(结果车头朝向)，例如，以每200毫秒一次的频率。
在902中，所述至少一个处理器可以确定在3秒内(或任何其他适当的时间段)是否存在任何显著的gps位移(例如，在10米以上)；
在903中，当确定在3秒内存在显著的gps位移时，所述至少一个处理器可以基于该gps位移确定结果车头朝向；以及
在904中，否则，所述至少一个处理器可以基于训练后的车头朝向分类器确定结果车头朝向。例如，该车头朝向分类器可以通过随机森林算法经由结合图1、2、7和/或8所描述的过程进行训练。
由以上描述可知，在本申请中，通过用司机的移动电话获取传感器数据，对于每个样本数据段，将目标车辆的相应的标准车头朝向指定为其标签值，根据对应于各个样本数据段的标签值和特征向量，通过执行随机森林算法，获得目标车辆的车头朝向分类器，响应于确定目标车辆的车头朝向的请求，使用训练后的车头朝向分类器确定目标车辆的车头朝向，可以提高车头朝向测定的准确性，节省司乘双方提供或接受运输服务的时间成本，并提高乘客的出行效率。
根据本申请的一些实施例，下文提供了用于执行本申请中所描述各个过程的车头朝向确定设备。这些车头朝向确定设备的一个或以上可以通过能够访问网络(例如，网络1420)的任何设备(例如，服务器1410、提供者终端1440)实现。这些车头朝向确定设备的一个或以上可以通过软件、硬件或其组合来实现。例如，在软件方面，车头朝向确定设备可以是逻辑设备，该逻辑设备可以由相应的计算设备(例如，图10中所示的计算设备10)的处理器(例如，处理器1010)通过执行从非易失性存储器加载到存储器中的相应计算机可读指令而实现。在硬件方面，图10中示出了用于实现车头朝向确定设备的示例性硬件结构。
图10是示例性计算设备的示意图。计算设备1000可以被配置为实现车头朝向确定设备并执行本申请中公开的一个或以上操作。计算设备1000可以包括总线1070、处理器1010、存储器1030(例如，只读存储器(rom)、随机存取存储器(ram))、非易失性存储设备1020(例如，诸如硬盘、光盘、固态盘、存储卡等的大容量存储设备)、和网络接口1060。应该注意到，图10中所示的计算设备1000的架构仅用于说明目的，并不是限制性的。计算设备1000可以是能够执行计算的任何设备。
在一些实施例中，计算设备1000可以是独立设备。可选地，计算设备1000可以包括具有如图10中所示相同或相似的架构的至少两个计算设备，并且计算设备1000的一个或以上组件可以由上述至少两个计算设备中的一个或以上实现。
总线1070可以耦合计算设备1000的多种组件以便于在它们之间传输数据和/或信息。总线1070可以具有本领域的任何总线结构。例如，总线1070可以是或包括存储器总线和/或外围总线。
网络接口1060可以允许在网络(例如，网络1420)和总线1070之间传输数据和/或信息。例如，网络接口1060可以是或包括网络接口卡(networkinterfacecard，nic)、蓝牙模块(bluetoothtm)、近场通讯模块(nfc)等。
存储器1030和/或非易失性存储设备1020可以被配置为存储计算机可读指令1031，其可以由处理器1010执行以实现本申请中描述的车头朝向确定设备。存储器1030和/或非易失性存储设备720还可以存储在指令1031执行期间由处理器1010产生的日期和/或信息。
处理器1010可以是或包括本领域任何处理器(单芯或多芯)，该处理器被配置为执行计算机可读指令(例如，存储在存储器1030和/或非易失性存储设备1020中)，以执行一个或以上的操作或实现本申请中公开的一个或以上的模块/单元。例如，处理器1010可以在图1、2、7、8和9中所示的过程中执行车头朝向确定。仅作为示例，处理器1010可以包括一个或以上硬件处理器，例如中央处理单元(cpu)、特定应用集成电路(asic)、特定应用指令集处理器(asip)、图像处理单元(gpu)、物理运算处理单元(ppu)、数字信号处理器(dsp)、现场可程序门阵列(fpga)、可程序逻辑设备(pld)、控制器、微控制器单元、精简指令集计算机(risc)、微处理器等或上述举例的任意组合。
为了实施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设备。若程控得当，计算机亦可用作服务器。
除了处理器1010，图10中所示的网络接口1060、存储器1030和非易失性存储设备1020、用于实现车头朝向确定设备的设备还可以包括其他硬件组件，例如被配置为转发和/或处理数据包的芯片。用于实现车头朝向确定设备的设备也可以是分布式设备，其包括上述至少两个接口卡，用于在硬件级分配数据包处理。在一些实施例中，用于实现车头朝向确定设备的设备可以是服务器(例如，服务器1410)。可选地或附加地，用于实现车头朝向确定设备的设备可以是移动计算设备(例如，提供者终端1440)。
根据本申请的一些实施例，如下提供包括指令(例如，以计算机程序或移动应用程序的形式)的计算机可读介质(例如，存储器1030或非易失性存储设备1020)。当程序由处理器(例如，处理器1010)执行时，处理器可以使相应的设备或系统执行如下所述的车头朝向确定过程，包括：响应于接收到的用于确定目标车辆的车头朝向的请求，读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据，其中该目标用户设备与目标车辆相关联；基于预设时间间隔，将第一传感器数据划分为至少两个待测数据段；通过从上述至少两个待测数据段中提取特征来获得对应于上述至少两个第一特征向量的上述至少两个第一特征向量；通过将上述至少两个第一特征向量输入分类器而生成至少两个预测车头朝向；以及基于上述至少两个预测车头朝向来确定目标车辆的结果车头朝向。
上述车头朝向确定过程可以由如下描述的示例性设备来实现，这些设备仅用于示例目的而不是限制性的。以下设备中包括的模块和单元的详细描述可以在本申请的其他地方找到，在此不再重复。
图11是根据本申请的一些实施例所示的用于确定车头朝向的示例性设备(设备1100)的示意图。设备1100可以由一个或以上计算设备(例如，计算设备1000、服务器1420、提供者终端1440)来实现，以执行上述过程(例如，过程100)的一个或以上相应的操作。如图11所示，设备1100可以包括待测数据读取模块1110、待测数据划分模块1120、待测特征向量确定模块1130、车头朝向数据读取模块1140和车头朝向确定模块1150。
待测数据读取模块1110可以被配置为响应于接收到用于确定目标车辆车头朝向的请求，读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据。其中目标用户设备与目标车辆相关联。
待测数据划分模块1120可以被配置为基于第一预设时间段，将第一传感器数据划分为至少两个待测数据段。
待测特征向量确定模块1130被配置为通过从上述至少两个待测数据段中提取特征，来获得对应于上述至少两个第一特征向量的至少两个第一特征向量。
在一些实施例中，待测特征向量确定模块1130可以被配置用于：为上述至少两个待测数据段中的每一个，为三个轴中的每一个轴，确定与采集到的沿着该轴的磁感应强度相关的统计值m，以为每个待测数据段获得3*m维特征向量。
车头朝向数据读取模块1140可以被配置为将上述至少两个第一特征向量输入到分类器中以生成上述至少两个预测车头朝向，其中，该分类器可以被预先训练以基于目标用户设备生成的传感器数据来确定目标车辆的车头朝向。
确定模块1150可以被配置为基于上述至少两个预测车头朝向来确定目标车辆的结果车头朝向。
由以上描述可知，在本申请中，通过读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据，从第一传感器数据的至少两个数据段中的每一个提取特征向量(第一特征向量)，在车头朝向分类器中输入上述至少两个数据段的上述至少两个第一特征向量，可以基于磁传感器生成的传感器数据以更高的精度确定目标车辆的车头朝向。在一些实施例中，该方法可以节省司机和运输服务的时间，并且可以提高乘客的出行效率。
如图11所示，在一些实施例中，车头朝向确定模块1150可包括权值统计单元1151和车头朝向确定单元1152。
权值统计单元1151可以被配置用于为上述至少两个预测车头朝向的每个独特的车头朝向，基于对应于上述至少两个待测数据段中的每一个的预设权值，确定其权值总和。
车头朝向确定单元1152可以被配置用于基于上述至少两个预测车头朝向中的每个独特车头朝向的权值总和，确定目标车辆的结果车头朝向。
在一些实施例中，待测数据读取模块1110可以包括第二比较单元1111和数据读取单元112。
第二比较单元111可以被配置为响应于接收到确定目标车辆的车头朝向的请求，确定车辆的当前偏离距离是否小于预设的第一阈值，其中，当前偏离距离可以是在当前时间点之前的预设时间段内车辆的偏离距离。
数据读取单元112可以被配置为响应于确定当前偏离距离小于第一阈值，读取目标用户设备的磁传感器在当前时间点之前的第一预设时间段内产生的第一传感器数据。
图12是根据本申请的一些实施例所示的用于确定车头朝向的示例性设备(设备1200)的示意图。设备1200可以由一个或以上计算设备(例如，计算设备1000、服务器1420、提供者终端1440)来实现，以执行上述过程(例如，过程200)的一个或以上相应的操作。设备1200中包含的待测数据读取模块1260(包括第二比较单元1261和数据读取单元1262)，待测数据划分模块1270、待测特征向量确定模块1280、车头朝向数据读取模块1290、车头朝向确定模块1220(包括权值统计单元1221和车头朝向确定单元1222)分别和如图11所示的待测数据读取模块1110(包括第二比较单元1111和数据读取单元1112)、待测数据划分模块1120、待测特征向量确定模块1130、车头朝向数据读取模块1140，以及车头朝向确定模块1150(包括权值统计单元1151和车头朝向确定单元1152)相同或相似，这里不再重复描述。如图12所示，设备1200还可包括分类器训练模块1210，用于预训练上述分类器。分类器训练模块可包括训练数据读取单元1211、样本数据划分单元1212、样本标签值确定单元1213、样本特征向量确定单元1214和分类器训练单元1215。
训练数据读取单元1211可以被配置为读取目标用户设备的磁传感器在第二预设时间段内产生的第二传感器数据，其中，第二传感器数据可以代表沿着相对于目标用户设备的x轴、y轴和z轴中的每一个轴的磁感应强度的传感器数据。
样本数据划分单元1212可以被配置为基于预设时间间隔，将第二传感器数据划分为至少两个样本数据段。
样本标签值确定单元1213可以被配置用于为上述至少两个样本数据段的每一个，确定对应于该样本数据段的目标车辆的标准车头朝向，并指定该标准车头朝向作为样本数据段的标签值，其中目标用户设备与目标车辆相关联。
样本特征向量确定单元1214可以被配置用于为上述至少两个样本数据段的每一个，为三个轴中的每个轴，确定与采集到的沿着该轴的磁感应强度相关的m个统计值，以为上述至少两个样本数据段中的每一个获得3*m维第二特征向量。
分类器训练单元1215可以被配置为，基于对应于上述至少两个样本数据段的标签值以及上述至少两个第二特征向量，执行分类器的预设训练程序，以获得用于确定目标车辆的车头朝向的分类器。
由以上描述可知，在本申请中，通过读取目标用户设备的磁传感器产生的第二传感器数据，确定对应于样本数据段的目标车辆的标准车头朝向作为样本数据段的标签值，为上述至少两个样本数据段的每一个确定3*m维特征向量(第二特征向量)；基于对应于上述至少两个样本数据段的标签值和上述至少两个第二特征向量，执行分类器的预设训练程序，以获得车头朝向分类器，可以基于目标用户设备的磁传感器生成的传感器数据，以更高的精度确定目标车辆的车头朝向，节省司乘双方提供或接收运输服务的时间，并且可以提高乘客的出行效率。
图13是根据本申请的一些实施例所示的用于训练车头朝向分类器的示例性设备(设备1300)的示意图。设备1300可以由一个或以上计算设备(例如，计算设备1000、服务器1420、提供者终端1440)来实现，以执行上述过程的一个或以上相应操作(例如，过程500、过程600)。训练数据读取模块1310、样本数据划分模块1320、样本标签值确定模块1330、样本特征向量确定模块1340和分类器训练模块1350可以分别和如图12所示训练数据读取模块1211、样本数据划分模块1212、样本标签值确定模块1213、样本特征向量确定模块1215和分类器训练模块1215相同或相似，这里不再重复描述。如图13所示，样品特征向量确定模块1340还可被配置用于为上述至少两个样本数据段的每一个，为x轴、y轴和z轴中的每一个轴分别确定与相应的采集到的沿着该轴的磁感应强度的平均值、方差和与n个预设取值范围相关的一组分布统计值，其中n+2＝m。
在一些实施例中，样本特征向量确定模块340可包括取值范围确定单元1341和分布值确定单元1342。
取值范围确定单元1341可以被配置为基于采集到的沿着三个轴的磁感应强度的总取值范围来确定n个预设取值范围。
分布值确定单元342可以被配置用于通过为三个轴中的每个轴确定采集到的磁感应强度在上述预设取值范围中的分布来获得一组对应于该轴的分布统计值。
在一些实施例中，样本标签值确定模块1330可包括数据读取单元1331、第一比较单元1332和车头朝向确定单元1333。
数据读取单元1331可以被配置为读取与上述至少两个样本数据段中的每一个相对应的目标车辆的gps数据，其中该gps数据可以包括一个或以上方位(bearing)和经纬度。
第一比较单元1332可以基于gps数据中包含的一个或以上经纬度，为上述至少两个样本数据段中的每一个，确定目标车辆的相应位移距离是否大于预设的第二阈值，其中该位移距离可以是目标车辆经过与该样本数据段对应的预设时间段的位移距离。
车头朝向确定单元1333还可以被配置为，对于每个样本数据段，在确定位移距离大于第二阈值时，指定目标车辆在该样本数据段所对应的时间段的结束时间点的车头朝向为对应于该样本数据段的车头朝向。
在一些实施例中，车头朝向确定单元1333还可以被配置为，对于每个样本数据段，将在该样本数据段的结束时间点的gps数据的方位(bearing)近似化处理到车头朝向值集合的最近的标准值，其中，车头朝向值集合可以被预设为车头朝向的取值范围的划分结果。
图14是根据本申请的一些实施例所示的示例性线上到线下服务系统的示意图。例如，线上到线下服务系统1400可以是用于运输服务如出租车、司机服务、送货服务、拼车、公交服务、外卖服务，司机租用和班车服务的线上到线下运输服务系统。为简洁起见，本申请中描述的方法和/或系统可以以出租车服务为例。应当注意的是，出租车服务仅用于说明目的，并非旨在限制本申请的范围。对于本领域普通技术人员，本申请中描述的方法和/或系统可以应用于其他类似的场景，例如外卖服务、递送服务等。
线上到线下服务系统1400可以包括服务器1410、网络1420、请求者终端1430、提供者终端1440、存储设备1450和定位系统1460。
在一些实施例中，服务器1410可以是单一服务器或服务器组。所述服务器组可以是集中式的或分布式的(例如，服务器1410可以是分布式的系统)。在一些实施例中，服务器1410可以是本地的或远程的。例如，服务器1410可以经由网络1420访问存储在请求者终端1430、提供者终端1440和/或存储设备1450中的信息和/或数据。又例如，服务器1410可以直接连接到请求者终端1430、提供者终端1440和/或存储设备1450以访问存储的信息和/或数据。在一些实施例中，服务器1410可以在云平台上实施。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。在一些实施例中，服务器1410可以在本申请中的图2所示的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器1410可以包括处理引擎1412。处理引擎1412可以处理与线上到线下服务有关的信息和/或数据。例如，处理引擎1412可以生成服务提供者的标识信息。在一些实施例中，服务器1410可以具有与如图10所示的计算设备1000的结构相同或相似的结构。例如，处理引擎1412可以包括一个或以上处理器(例如，图10中所示的处理器1010)。
在一些实施例中，包含在处理引擎1412中的一个或以上处理器可以实现上述车头朝向确定设备(例如，设备1100、1200、1300)并执行相应的过程(例如，过程100、200、500、600、700、900)。
网络1420可以促进信息和/或数据的交换。在一些实施例中，线上到线下服务系统1440中的一个或以上组件(例如，服务器1410、请求者终端1430、提供者终端1440、存储设备1450和定位系统1460)可以经由网络1420将信息和/或数据发送到线上到线下服务系统1440中的其他组件。例如，服务器1410可以经由网络1420从请求者终端1430获得/获取服务请求。在一些实施例中，网络1420可以是任何类型的有线网络或无线网络，或其组合。仅作为示例，网络1430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、局域网络(lan)、广域网络(wan)、无线局域网络(wlan)、城域网(man)、公共电话交换网络(pstn)、蓝牙网络、紫蜂网络、近场通信(nfc)网络等或上述举例的任意组合。在一些实施例中，网络1420可以包括一个或以上网络接入点。例如，网络1420可以包括有线或无线网络接入点，例如基站和/或互联网交换点1420-1、1420-2、...，线上到线下服务系统1400的一个或以上组件可以通过所示有线或无线网络接入点连接到网络1420以交换数据和/或信息。
在一些实施例中，请求者可以是请求者终端1430的使用者。在一些实施例中，请求者终端1430的使用者可以为除该请求者之外的其他人。例如，请求者终端1430的用户a可以使用请求者终端1430为用户b发送服务请求，或从服务器1410处接收服务和/或信息或指令。在一些实施例中，提供者可以是提供者终端1440的用户。在一些实施例中，提供者终端1440的用户可以为除该提供者之外的其他人。例如，提供者终端1440的用户c可以使用提供者终端1440为用户d接收服务请求，和/或从服务器1410处接收信息或指令。
在一些实施例中，请求者终端1430可以包括移动设备1430-1、平板计算机1430-2、膝上型计算机1430-3、车辆内置设备1430-4等或其任意组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智慧配饰等或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(pda)、游戏设备、导航设备、销售点(pointofsale，pos)设备、膝上型电脑、台式机等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括googleglasstm、riftcontm、fragmentstm、gearvrtm等。在一些实施例中，机动车辆1430-4中的内置设备可包括车载计算机、车载电视等。在一些实施例中，请求者终端1430可以是具有定位技术的设备，用于定位请求者终端1430(例如，服务请求者)的用户和/或请求者终端1430的位置。
在一些实施例中，提供者终端1440可以是与请求者终端1430类似或相同的设备。例如，提供者终端1440还可以是或包括移动设备1440-1、平板电脑1440-2、膝上型计算机1440-3、机动车辆1440-4中的内置设备，它们与移动设备1430-1、平板电脑1430-2、膝上型计算机1430-3、机动车辆1430-4中的内置设备相同或相似。在一些实施例中，提供者终端1440可以是利用定位技术来定位提供者终端1440(例如，服务提供者)的用户和/或提供者终端1440的位置的设备。在一些实施例中，请求者终端1430和/或提供者终端1440可以与一个或以上其他定位设备通信以确定请求者、请求者终端1430、提供者和/或提供者终端1440的位置。在一些实施例中，请求者终端1430和/或提供者终端1440可以向服务器1410传送定位信息。
提供者终端1440可以是目标用户设备310的示例，并且可以与车辆(例如，如图300所示的目标车辆300)相关联。提供者终端可以包括磁传感器，用于感测磁感应强度并生成相应的传感器数据(例如，第一传感器数据、第二传感器数据)。在一些实施例中，提供者终端可以包括定位模块(例如，gps接收器320)，用于确定提供者终端1440或相关联的车辆的位置和/或位移。在一些实施例中，提供者终端1440可以具有与如图10所示的计算设备1000的结构相同或相似的结构。例如，提供者终端1440可以包括一个或以上处理器(例如，图10中所示的处理器1010)。
在一些实施例中，提供者终端1440中包括的一个或以上处理器可以实现上述车头朝向确定设备(例如，设备1100、1200、1300)并执行相应的过程(例如，过程100、200、500、600、700、900)。
在一些实施例中，提供者终端1440和处理引擎1412可以一起实现上述车头朝向确定设备，并且每个可以执行前述车头朝向确定过程的一个或以上相应的操作。以设备1200为例，分类器训练模块1210可以由处理引擎1412实现，而待测数据读取模块1260、待测数据划分模块1270、待测特征向量确定模块1280、车头朝向数据读取模块1290和车头朝向确定模块1220可以由提供者终端1440实现。以设备1300为另一示例，训练数据读取模块1310、样本数据划分模块1320、样本标签值确定模块1330和样本特征向量确定模块1340可以由提供者终端1440实现，而分类器训练模块1350可以由处理引擎1412实现。提供上述实施例仅用于说明目的，而不是限制性的。
在一些实施例中，车头朝向确定设备可至少由服务器1410(或处理引擎1412)实现。车头朝向确定设备可以检测在提供者终端1440上执行的应用程序(例如，诸如移动电话400的移动计算设备)。该应用程序可以自动与网络1420通信。车头朝向确定设备可以基于由所述应用程序确定并执行以与提供者终端1440的定位模块(例如，gps接收器320)交互的数据，确定提供者终端1440或相关联的车辆(例如，目标车辆300)的当前位置。车头朝向确定设备可以向该应用程序提供数据以在提供者终端1440的显示器上生成展示。该展示可以包括地图。车头朝向确定设备可以与应用程序通信以接收用于前述用于确定车辆的车头朝向的请求，然后执行车头朝向确定过程(例如，过程100、200、700、900)。车头朝向确定设备可以向应用程序提供数据，以使所述展示描绘提供者终端1440的当前位置和确定的车辆的车头朝向。在一些实施例中，车头朝向确定设备还可以基于车辆的当前位置(例如，由当前gps数据确定的)、当前车头朝向和目的地来确定车辆的路线。提供者终端1440可以为司机提供输入目的地的方法(例如，通过上述展示)。可选地，所述目的地可以包括在乘客发送的服务请求中。
在一些实施例中，车头朝向分类器的训练可以由服务器1410(或处理引擎1412)执行并且提供者终端1440可以从服务器1410(或者如果服务器1410将训练后的分类器发送到存储设备1450用于存储，则存储设备1450)读取训练后的分类器。训练后的分类器可以与提供者终端1440的身份信息(例如，账户、序列号、电话号码、介质访问控制(mac)地址、网际协议(ip)地址)或提供者终端1440的用户(例如，司机)相关联。提供者终端1440可以基于身份信息从服务器1410(或存储设备1450)读取训练后的分类器。
在一些实施例中，提供者终端1440可以与多个车辆相关联。训练后的分类器还可以与相应车辆的身份信息(例如，品牌、车牌、颜色、序列号)相关联。提供者终端1440可以为用户提供用于选择车辆或分类器的方法(例如，通过上述展示)，然后读取相应的训练后的分类器。可选地或附加地，提供者终端1440可以捕获(例如，通过相机)车辆的内部和/或外部的图像(照片或视频)。然后，处理引擎1412和/或提供者终端1440可以基于图像识别车辆的身份。提供者终端1440可以基于识别结果从服务器1410读取相应的训练分类器。
在一些实施例中，多个提供者终端1440可以与同一车辆相关联。多个提供者终端1440可以共享相同的车头朝向分类器，或者读取其自己的车头朝向分类器。
存储设备1450可以存储数据和/或指令。在一些实施例中，存储设备1450可以存储从请求者终端1430和/或提供者终端1440获得的数据。在一些实施例中，存储设备1450可以存储服务器1410可以执行或使用的数据和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，存储设备1450可包括大容量存储器、可移动存储器、挥发性读写内存、只读存储器(rom)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。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。示例性易失性读写存储器可以包括随机存取存储器(ram)。示例性随机存取存储器可包括动态随机存取存储器(dram)、双倍数据速率同步动态随机存取存储器(ddrsdram)、静态随机存取存储器(sram)、晶闸管随机存取存储器(t-ram)和零电容随机存取存储器(z-ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)和数字多功能磁盘只读存储器等。在一些实施例中，存储设备1450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。
在一些实施例中，存储设备1450可以连接到网络1420以与线上到线下服务系统1440中的一个或以上组件通信(例如，服务器1410、请求者终端1430、提供者终端1440等)。线上到线下服务系统14400中的一个或以上组件可以经由网络1420访问存储设备1450中存储的数据或指令。在一些实施例中，存储设备1450可以直接连接到线上到线下服务系统1440中的一个或以上组件或与之通信(例如，服务器1410、请求者终端1430、提供者终端1440等)。在一些实施例中，线上到线下服务系统1440中的一个或以上组件(例如，服务器1410、请求者终端1430、提供者终端1440等)可以具有访问存储设备1450的许可。在一些实施例中，存储设备1450可以是服务器1410的一部分。
定位系统1460可以确定与对象相关联的信息，例如，请求者终端1430、提供者终端1440等。例如，定位系统1460可以确定请求者终端1430的当前位置。在一些实施例中，定位系统1460可以是全球定位系统(gps)、全球导航卫星系统(glonass)、罗盘导航系统(compass)、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统(qzss)等。该信息可以包括对象的位置、高度、速度或加速度，或当前时刻。所述位置可以是坐标的形式，例如纬度坐标和经度坐标等。定位系统1460可以包括一个或以上的卫星，例如卫星1460-1、卫星1460-2和卫星1460-3。卫星1460-1至1460-3可以独立地或共同地确定上述信息。卫星定位系统1460可以经由无线连接将上述信息发送到网络1420、请求者终端1430或提供者终端1440。
在一些实施例中，可以通过请求服务的方式来实现在线上到线下服务系统1440中的一个或以上组件的信息交换。服务请求的对象可以为任何产品。在一些实施例中，该产品可以是有形产品或无形产品。有形产品可以包括食物、药物、日用品、化学产物、电器用品、衣服、汽车、住宅、奢侈品等或其任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用在移动终端(例如，移动应用)的软件、程序、系统等中，或者它们的任何组合中。例如，产品可以是在计算机或移动电话上使用的任一软件和/或应用。软件和/或应用可以与社交、购物、运输、娱乐、学习、投资等或其任意组合相关。在一些实施例中，与运输相关联的所述软件和/或应用可以包括出行软件和/或应用、车辆调度软件和/或应用、地图软件和/或应用等。在车辆调度软件和/或应用中，车辆可包括马、马车、人力车(例如，独轮车、自行车、三轮车等)、汽车(例如，出租车、公共汽车、私家车等)、船只、飞机(例如飞机、直升机、无人驾驶飞行器(unmannedaerialvehicle，uav))等或其任意组合。
可以注意到，线上到线下服务系统1400仅用于说明，而不是限制性的。本申请中描述的车头朝向确定方法和相应系统可以具有其他应用场景。例如，车头朝向确定方法也可以应用于确定私家车(或其他类型的车辆)的车头朝向。
这样描述了基本概念，本领域技术人员在阅读本申请详细内容之后，可以相当明确前述详细内容可以仅以示例的方式呈现，并不是限制性的。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，本申请使用了特定术语来描述本申请的实施例。例如，术语“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、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域的普通技术人员可以理解，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制程、机器、产品或物质的组合，或对其任何新的和有用的改良。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(包括韧体、常驻软件、微代码等)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“单元”、“模块”或“系统”。此外，本申请的各方面可以呈现为位于一个或以上计算机可读介质中的计算机产品，该产品具有计算机可读程序编码。
计算机可读信号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。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号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、设备或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号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以上程序设计语言编写，包括面向对象程序设计，如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化程序设计，如c程序设计语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态程序设计语言，如python、ruby和groovy，或其他程序设计语言等。所述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类型的网络连接到用户的计算机，包括局域网(lan)或广域网(wan)，或可以连接到外部计算机(用于例如，通过使用互联网服务提供者的互联网)，或在云计算环境中，或作为服务提供如软件即服务(saas)。
此外，除非权利要求中明确说明，否则所述处理元素或序列的顺序、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实施例，但应当理解，此类细节仅起说明的目的，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精神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，从而帮助对一个或以上发明实施例的理解，前文对本申请的实施例的描述中，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。
在一些实施例中，用于描述和要求本申请的某些实施例的表示成分含量、性质的数值应理解为在某些情况下通过以下术语“约”、“近似”或“基本上”修改。除非另有说明，否则“约”、“近似”或“基本上”可表示其描述的值的±20％变化。相应地，在一些实施例中，书面描述和所附权利要求书中列出的数值参数是近似值，其可以根据特定实施例试图获取的所需性质而变化。在一些实施例中，数值参数应根据报告的有效数字的数值并通过应用普通的舍入技术来解释。尽管采用本申请的一些实施例的广泛范围来阐述的数值范围和参数是近似值，但对具体实施例中列出的数值有尽可能精确可行地进行描述。
除了与本文本相关的任何起诉文件历史、与本文本不一致或相冲突的任何相同的起诉文件历史、或对现在或后来与本文件相关的权利要求的最广泛范围具有限制性影响的任何起诉文件历史之外，本文引用的每篇专利、专利申请、专利申请的出版物和其他材料，例如文章、书籍、说明书、出版物、文献、物品和/或类似物，在此通过引用全部并入本文并可用于所有目的。举例来说，如果与任何所包含的材料相关的术语的描述、定义和/或使用与本文本相关的术语之间存在任何不一致或冲突，以本文件中的术语的描述、定义和/或使用为准。
最后，应理解，本申请的实施例是对本申请的实施例的原理的说明。可采用的其他修改可以在本申请的范围内。因此，作为示例而非限制地，可以根据本文的教导采用本申请的实施例的替代件。因此，本申请的实施例不限于如所示出和描述的那样精确。
- 还没有人留言评论。精彩留言会获得点赞！