一种预警出租车聚集状况的方法及装置与流程

1.本发明涉及出租车监控领域，特别是涉及一种预警出租车聚集状况的方法及装置。


背景技术：

2.出租车作为承载城市交通的重要载体，正常、有效的运营不仅缓解城市的交通压力，并且有助于稳定社会，促进和谐主义社会的发展。近年来，因反对“网约车”等诉求而发起的出租车群体罢运事件在全国部分城市接连发生。然而，当出租车行业发生聚集状况时，不但影响出租车行业的市场秩序，并且容易导致交通阻塞，损害城市形象，对城市管理带来严重的冲击。
3.目前会通过出租车的定位简单判断出租车是否存在群体聚集，进而在出租车出现群体聚集时启动报警程序，然而出租车存在群体聚集并不意味着出租车会发生聚集状况，因此现有出租车预警出租车聚集状况的方法存在较大误差。


技术实现要素：

4.本发明实施例提供一种预警出租车聚集状况的方法及装置，以解决现有出租车存在群体聚集并不意味着出租车会发生聚集状况，因此现有出租车预警出租车聚集状况的方法存在较大误差的问题。
5.一种预警出租车聚集状况的方法，包括：
6.判断所述目标区域中是否存在出租车群体聚集；
7.在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据；
8.在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵；
9.在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。
10.可选地，所述在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告，包括：
11.在所述目标区域不存在交通拥堵时，接收第三方服务器发送的当前时刻目标区域的打车状态数据，所述打车状态数据用于判断所述目标区域是否存在较多用户需要打车；
12.在所述目标区域不存在较多用户需要打车时，发出出租车聚集状况警告。
13.可选地，所述识别所述目标区域的环境数据，包括：
14.接收第三方服务器发送的当前时刻目标区域包含的建筑物类型数据和/ 或所述目标区域的交通拥堵状态数据。
15.可选地，所述识别所述目标区域的环境数据，包括：
16.接收当前时刻目标区域中出租车拍摄的图像数据；
17.识别所述图像数据中的建筑物类型数据和/或所述目标区域的交通拥堵状态数
据。
18.可选地，所述在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告，包括：
19.在所述目标区域不存在交通拥堵时，接收当前时刻目标区域中出租车获取的出租车司机的语音信息；
20.识别所述语音信息中是否存在目标关键词；
21.在所述语音信息中存在目标关键词时，发出出租车聚集状况警告。
22.可选地，判断所述目标区域中是否存在出租车群体聚集，包括：
23.获取所述目标区域中出租车的状态信息，所述状态信息包括所述出租车的移动速度以及出租车的定位信息；
24.根据所述目标区域中移动速度小于速度阈值的出租车的定位信息，判断所述目标区域中是否存在出租车群体聚集。
25.可选地，所述判断所述目标区域中是否存在出租车群体聚集，包括：
26.获取所述目标区域中出租车的状态信息以及所述状态信息的上传时间；
27.根据预设时间内所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
28.可选地，所述根据预设时间内所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集，包括：
29.根据所述目标区域中出租车的状态信息的上传时间，剔除重复上传的状态信息，生成剔除后的所述目标区域中出租车的状态信息；
30.根据预设时间内所述剔除后的所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
31.可选地，所述判断所述目标区域中是否存在出租车群体聚集，包括：
32.根据所述目标区域中移动速度小于预设速度的出租车的定位信息，计算所述目标区域中各移动速度小于预设速度的出租车之间的距离；
33.根据所述目标区域中各移动速度小于预设速度的出租车之间的距离，判断所述目标区域中是否存在出租车群体聚集；
34.所述目标区域中各移动速度小于预设速度的第一出租车与第二出租车之间的距离存在如下关系：
[0035][0036]
其中，lat1为目标区域中第一出租车的纬度值，lat2为目标区域中第二出租车的纬度值，lng1为目标区域中第一出租车的经度值，lng2为目标区域中第二出租车的经度值，a为目标区域中第一出租车与第二出租车的横向距离，b为目标区域中第一出租车与第二出租车的纵向距离，r为地球半径，s 为第一出租车与第二出租车之间的距离。
[0037]
一种预警出租车聚集状况的装置，包括：
[0038]
出租车群体聚集判断模块，用于判断所述目标区域中是否存在出租车群体聚集；
[0039]
环境数据识别模块，用于在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据；
[0040]
交通拥堵判断模块，用于在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵；
[0041]
警告模块，用于在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。
[0042]
本发明具有以下优点：
[0043]
在本发明中，通过判断所述目标区域中是否存在出租车群体聚集，在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据，在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵，在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。可以结合目标区域中出租车所处的环境数据更加精准的识别出出租车群体聚集的原因是因为接客还是因为出租车聚集状况，进而可以提高预警出租车聚集状况的精度。
附图说明
[0044]
为了更清楚地说明本发明的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1示出了本发明提供的非监督学习原始数据集合示意图；
[0046]
图2示出了本发明提供的一种预警出租车聚集状况的方法的步骤流程图；
[0047]
图3示出了本发明提供的又一种预警出租车聚集状况的方法的步骤流程图；
[0048]
图4示出了本发明提供的一种预警出租车聚集状况的装置的结构示意图。
具体实施方式
[0049]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。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。
[0050]
出租车作为承载城市交通的重要载体，正常、有效的运营不仅缓解城市的交通压力，并且有助于稳定社会，促进和谐主义社会的发展。近年来，因反对“网约车”等诉求而发起的出租车群体罢运事件在全国部分城市接连发生。然而，当出租车行业发生聚集状况时，不但影响出租车行业的市场秩序，并且容易导致交通阻塞，损害城市形象，对城市管理带来严重的冲击。因此，提高对出租汽车行业突发性聚集状况的应急处置能力，最大程度预防控制突发事件的发生和减轻突发事件所造成的社会负面影响显得尤为重要。本技术采用非监督学习算法，对出租车聚集状况进行监测、预测和预警，提高应对出租汽车行业突发聚集状况处置的科技水平和指导能力，给相关部门提前做好预防化解工作提供参考。
[0051]
非监督学习(unsupervised learning)是机器学习(machine learning) 的一个分支。非监督学习中的训练样本没有标签(label)，主要用于发现样本的内部结构，目标是通过对无标签的训练样本进行密度估计和异常检测来揭示数据的内在性质和规律。非监督学习主要的方法有聚类、降维、可视化等。针对出租车聚集状况的预测和预警，本文采用聚类的方法进行探讨。
[0052]
聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
[0053]
目前，主要的聚类算法可以划分为如下几类：
[0054]
聚类算法类别经典算法基于划分的方法k-means、k-modes、pcm基于层次的方法cure、sbac、birch基于密度的方法dbscan、optics、fdc基于网格的方法sting、wavecluster、clique基于模型的方法cobweb、som
[0055]
而对于具体应用，聚类算法的选择取决于数据的类型、聚类的目的。本文中对出租车聚集状况的预测和预警，将采用基于密度的方法dbscan算法来进行聚类以达到预测目的。
[0056]
dbscan算法，即具有噪声的基于密度的聚类方法，是基于一组邻域来描述样本集的紧密程度的算法。其有几个重要概念：
[0057]
核心点：在邻域距离∈内含有超过minpts数目的点，则该点就是核心点。
[0058]
边界点：在邻域距离∈内含有小于minpts数目，并且是在核心点的领域内。
[0059]
噪声点：任何不是核心点或边界点的点。
[0060]
其中参数(∈,minpts)用来描述邻域的样本分布紧密程度。∈描述了某一样本的邻域距离阈值，minpts描述了某一样本的距离为∈的邻域中样本个数的阈值。至于算法原理和步骤这里不再赘述，下面通过一个小样本在python 里进行仿真验证，其中样本数据是15*15二维空间内的随机点，一共有19 组。
[0061]
如图1，我们的目标是找出有3个以上点聚集的集合。在仿真过程中，设参数∈分别为2、2.5、3，设参数minpts为常量3，仿真结果如下：
[0062]
其中图a为原始数据集合的分布，其余三个图为不同参数下的聚类结果，不同颜色的圆点表示不同的聚类集合，黑色的x表示噪声点。从图中结果可以看出，给定minpts常量值时，当∈过小(∈＝2)，则基本无法进行聚类；当∈适中(∈＝2.5)，聚类效果最好，能将数据聚类为三个簇，并合理的找出噪声点；当∈过大(∈＝3)，虽然也能聚类，但聚类效果并不明显。仿真实验表明，∈和minpts的取值会影响到算法的效果，因此在实际应用中，需要根据真实情况对参数进行合理的取值和适当的调优。
[0063]
参照图2，示出了本发明一种预警出租车聚集状况的方法的步骤流程图，所述方法包括如下步骤：
[0064]
步骤201，判断所述目标区域中是否存在出租车群体聚集；
[0065]
在本技术实施例中，可以通过dbscan聚类分析判断所述目标区域中是否存在出租
车群体聚集，在实际过程中，可以将dbscan聚类分析中的参数∈邻域值定为车辆之间的距离，单位为米，参数minpts定为最小聚集车辆数，当有目标区域中出租车群体的gps坐标上传时，将其加入数据集，并执行dbscan聚类分析，进而判断所述目标区域中是否存在出租车群体聚集。如果聚类结果生成的簇数量》0时，说明出租车有可能出现聚集的情况，再具体实现过程中，根据目标区域中移动速度小于预设速度的出租车的定位信息，通过dbscan聚类分析判断所述目标区域中是否存在出租车群体聚集。
[0066]
在本技术一实施例中，所述步骤201，包括：
[0067]
子步骤s11，获取所述目标区域中出租车的状态信息，所述状态信息包括所述出租车的移动速度以及出租车的定位信息；
[0068]
在具体实现过程中，可以通过gps设备和通讯装置实时采集出租车的定位信息，或者也可以通过第三方服务器实时采集出租车的定位信息，如通过导航软件对应的服务器实时采集出租车的定位信息，并根据出租车定位信息的变化时间以及距离，计算出租车的移动速度。
[0069]
子步骤s12，根据所述目标区域中移动速度小于预设速度的出租车的定位信息，判断所述目标区域中是否存在出租车群体聚集。
[0070]
具体的，根据所述目标区域中移动速度小于0的出租车的定位信息，判断目标区域中是否存在多辆出租车聚集停靠在目标区域中，进而判断出出租车群体聚集的情况。
[0071]
在本技术一实施例中，所述子步骤s12，包括：
[0072]
子步骤s121，根据所述目标区域中移动速度小于预设速度的出租车的定位信息，计算所述目标区域中各移动速度小于预设速度的出租车之间的距离；
[0073]
子步骤s122，根据所述目标区域中各移动速度小于预设速度的出租车之间的距离，判断所述目标区域中是否存在出租车群体聚集；
[0074]
所述目标区域中各移动速度小于预设速度的第一出租车与第二出租车之间的距离存在如下关系：
[0075][0076]
其中，lat1为目标区域中第一出租车的纬度值，lat2为目标区域中第二出租车的纬度值，lng1为目标区域中第一出租车的经度值，lng2为目标区域中第二出租车的经度值，a为目标区域中第一出租车与第二出租车的横向距离，b为目标区域中第一出租车与第二出租车的纵向距离，r为地球半径，s 为第一出租车与第二出租车之间的距离。
[0077]
在上面仿真中∈邻域值为二维欧几里得距离，但在真实gps位置距离中，由于地球是近圆球体，因此需要将gps经纬度距离投影为二维平面距离，通过上述方式可以更加准确的计算出出租车之间的距离，进而可以使得判断结果更加精准。
[0078]
在本技术一实施例中，所述步骤201，包括：
[0079]
子步骤s21，获取所述目标区域中出租车的状态信息以及所述目标区域中出租车的状态信息的上传时间；
[0080]
其中，状态信息可以是出租车的定位信息。
[0081]
子步骤s22，根据预设时间内所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
[0082]
通过出租车的定位信息可以判断是否存在出租车群体聚集，但是由于出租车是可能会移动的单位，出租车的定位信息可能随时发生变化，为了保证最后判定结果的准确性，应该保证各出租车状态信息的上传时间应该是较短时间。如，预设时间可以是10秒钟，可以判断10秒钟内目标区域中是否存在出租车群体聚集，并将不属于这10秒钟内的出租车的状态信息剔除。
[0083]
在本技术一实施例中，所述子步骤s22，包括：
[0084]
子步骤s221，根据所述目标区域中出租车的状态信息的上传时间，剔除重复上传的状态信息，生成剔除后的所述目标区域中出租车的状态信息；
[0085]
子步骤s222，根据预设时间内所述剔除后的所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
[0086]
在本技术实施例中，应该剔除重复上传的状态信息，进而保证判断结果的准确性。
[0087]
为了便于上述实施例的理解，以下将通过一具体事例进行举例说明，以下实施例不对本技术进行限制：
[0088]
步骤1、数据清洗。
[0089]
由于出租车实时上传数据为非静态数据，并且不同的车辆上报数据的间隔并不相同，因此必须先对实时数据进行清洗，提高数据质量，被清洗的实时数据如下：
[0090]
1)速度大于指定速度值v的数据；
[0091]
2)相同车辆重复上传的数据；
[0092]
3)超过当前时间n分钟以前的数据；
[0093]
步骤2、参数设置。
[0094]
参数∈邻域值为车辆之间的距离，单位为米，参数minpts为最小聚集车辆数。在上面仿真中∈邻域值为二维欧几里得距离，但在真实gps位置距离中，由于地球是近圆球体，因此需要将gps经纬度距离投影为二维平面距离，公式如下：
[0095][0096]
步骤3、数据分析。
[0097]
当有新的gps坐标上传时，将其加入数据集，并执行dbscan聚类分析。如果聚类结果生成的簇数量》0时，说明出租车有可能出现群体性聚集的情况，但还需要对多种场景下进行进一步分析才能认定和记录，具体分析规则如下：
[0098]
当前聚集车辆在k公里内没有其它聚集
[0099]
同一聚集区域聚集持续时间》n分钟
[0100]
形成n分钟内车辆列表快照
[0101]
经过以上三步后，即可实现对出租车聚集的实时监控。为了验证出租车在真实环
境下的预测功能，特采集某时刻2000辆出租车实时gps位置，并将参数minpts最小聚集车辆数值故意设置较小值，minpts＝10，∈＝20米，即监控该时刻是否有超过10辆车，且每辆车不超过20米的条件下是否发生聚集的情况。经监测，结果产生1个聚集簇，位置处于国际机场国内到达厅附近，说明该位置有出租车排队等客的情况，同时也验证了算法的准确性和实时性。同理，如果将参数调优，即可监测任意位置出租车是否发生群体聚集事件，达到预测和预警的目的。
[0102]
步骤202，在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据；
[0103]
其中，建筑物类型数据用于指代目标区域中包括的所有建筑物的类型，建筑物的类型如，酒店、餐饮店、高速收费站以及机场，当目标区域中不存在建筑物时，建筑物类型数据为“0”。
[0104]
交通拥堵状态数据用于指代目标区域的交通拥堵状态，交通拥堵状态如，拥堵以及不拥堵。
[0105]
在本技术实施例中，环境数据还可以包括突发状态数据，突发状态数据用于指代目标区域的突发状态，如目标区域存在封路、交警查车、人为车道损坏以及自然因素导致的重要灾害。
[0106]
在本技术一实施例中，步骤202，包括：
[0107]
接收第三方服务器发送的当前时刻目标区域包含的建筑物类型数据和/ 或所述目标区域的交通拥堵状态数据。
[0108]
在具体实现过程中，第三方服务器识别当前时刻目标区域的环境数据，进而可以接收第三方服务器发送的当前时刻目标区域的环境数据，如，在当前时刻目标区域存在酒店，并且存在交通拥堵时，可以接收导航软件发送的交通拥堵状态数据以及建筑物类型数据，交通拥堵状态数据为“当前时刻目标区域交通拥堵”，建筑物类型数据为“酒店”。
[0109]
步骤203，在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵；
[0110]
在具体实现过程中，可以预先设定建筑物类型数据集合，如，建筑物类型数据集合为“酒店、餐饮店、高速收费站以及机场”，若识别到建筑物类型数据为“酒店”，则建筑物类型数据包含于预先设定的建筑物类型数据集合，若，识别到建筑物类型数据为“住宅”，则建筑物类型数据不包含于预先设定的建筑物类型数据集合。
[0111]
在建筑物类型数据不包含于预先设定的建筑物类型数据集合时，识别交通拥堵状态数据的具体内容，若交通拥堵状态数据的具体内容为拥堵，则目标区域存在交通拥堵，若交通拥堵状态数据的具体内容为不拥堵，则目标区域不存在交通拥堵，进而可以根据交通拥堵状态数据判断目标区域是否存在交通拥堵；
[0112]
步骤204，在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。
[0113]
在所述目标区域不存在交通拥堵时，目标区域中存在出租车群体聚集，则可能会发生出租车聚集状况，进而发出出租车聚集状况警告。
[0114]
在本技术一实施例中，所述步骤204，包括：
[0115]
子步骤s21，在所述目标区域不存在交通拥堵时，接收第三方服务器发送的当前时
刻目标区域的打车状态数据，所述打车状态数据用于判断所述目标区域是否存在较多用户需要打车；
[0116]
其中，第三方服务器可以是打车软件对应的服务器也可以是导航软件对应的服务器。
[0117]
打车状态数据可以是目标区域打车订单的数量；
[0118]
在具体实现过程中，可以在目标区域存在出租车群体聚集时，获取第三方服务器发送的，在目标区域不存在交通拥堵时，接收交通拥堵状态数据，并在交通拥堵状态数据体现目标区域存在交通拥堵时，接收第三方服务器发送的当前时刻目标区域的打车状态数据，判断预先设定的打车状态数据与当前时刻目标区域的出租车数量是否符合预先设定的关系，该预先设定的关系可以为：打车状态数据≤打车状态数据的四分之三，在预先设定的打车状态数据与当前时刻目标区域的出租车数量符合预先设定的关系时，判断目标区域不存在较多用户需要打车，在预先设定的打车状态数据与当前时刻目标区域的出租车数量不符合预先设定的关系时，存在较多用户需要打车，如，目标区域打车状态数据即打车订单的数量为10，当前时刻目标区域的出租车数量为20，打车订单的数量为10为前时刻目标区域的出租车数量为20的二分之一，即打车订单的数量为10≤当前时刻目标区域的出租车数量为20的四分之三，因此判定目标区域不存在较多用户需要打车，如，设当打车订单的数量阈值为5，目标区域打车状态数据为6时，由于打车订单的数量为5≥当前时刻目标区域的出租车数量6的四分之三，因此，目标区域存在较多用户需要打车。
[0119]
在本技术实施例中，若符合预先设定的关系打车状态数据≤打车状态数据的四分之三，即打车的需求远小于当前时刻出租车的数量，过多出租车的聚集，并不能归结于用户打车这个原因，因此可能存在出租车聚集状况的可能。
[0120]
子步骤s22，在所述目标区域不存在较多用户需要打车时，发出出租车聚集状况警告。
[0121]
在本技术实施例中，通过接收第三方服务器判断目标区域是否存在较多用户需要打车，进而在目标区域不存在较多用户需要打车时，发出出租车聚集状况警告，可以更加精准的识别目标区域的环境数据，并且由于是通过第三方服务器发送的打车状态数据进行判断，可以减少数据分析的计算量。
[0122]
在本技术又一实施例中，在建筑物类型数据不包含于预先设定的建筑物类型数据集合，且目标区域不存在交通拥堵时，可以接收第三方服务器发送的突发状态数据，若不存在突发状态数据，或接收到的突发状态数据的内容为“无”时，则目标区域不存在突发状态，发出出租车聚集状况警告，在接收到的突发状态数据为“封路、交警查车、人为车道损坏以及自然因素导致的重要灾害”时，目标区域存在突发状态，不发出出租车聚集状况警告。
[0123]
在本发明中，通过判断所述目标区域中是否存在出租车群体聚集，在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据，在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵，在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。可以结合目标区域中出租车所处的环境数据更加精准的识别出出租车群体聚集的原因是因为接客还是因为出租车聚集状况，进而可以提高预警出租车聚集状况的精度。
[0124]
参照图3，示出了本发明又一种预警出租车聚集状况的方法的步骤流程图，所述方法包括如下步骤：
[0125]
步骤301，判断所述目标区域中是否存在出租车群体聚集；
[0126]
步骤302，在目标区域中存在出租车群体聚集时，接收当前时刻目标区域中出租车拍摄的图像数据；
[0127]
其中，所述图像数据可以是出租车行车记录仪拍摄的图像数据，也可以是出租车上任意摄像头拍摄的图像数据；
[0128]
在目标区域中存在出租车群体聚集时，可以通过第三方服务器接收目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据，然而在具体实现过程中，由于目标区域的位置比较偏远，目标区域的建筑物类型数据和/或交通拥堵状态数据并没有记录在第三方服务器，因此，在判断目标区域存在出租车群体聚集，且第三方服务器没有提供当前时刻目标区域的环境数据，或第三方服务器提供的当前时刻目标区域的环境数据为空数据时，目标区域的位置比较偏远，此时，可以通过当前时刻目标区域的图像数据进行判断，具体的，获取当前时刻目标区域中出租车拍摄的图像数据，并将该图像数据进行上传，接收当前时刻目标区域中出租车拍摄的图像数据。
[0129]
步骤303，识别所述图像数据中的建筑物类型数据和/或所述目标区域的交通拥堵状态数据；
[0130]
在接收到图像数据后，可以对该图像数据进行图像识别，识别出该图像数据中的建筑物类型数据，具体的，识别出图像数据中的建筑物的招牌内容，进而通过该招牌内容判断建筑物的建筑物类型，识别建筑物的招牌内容可以是识别招牌内容中的关键词，如，当建筑物的招牌内容为“xx酒店”，由于招牌内容中包含关键词“酒店”，因此，识别出建筑物的建筑物类型为酒店。进一步的，由于在特殊场景下，建筑物上可能不存在招牌，如农家乐场景，因此，可以将图像数据与预先存储在数据库中的图像数据进行比对，识别出与图像数据相似度超过预设百分比(如百分之九十)的数据库中的图像数据，将该识别出的数据库中的图像数据的建筑物类型作为该图像数据的建筑物类型，如，在识别到图像数据与数据库中农家乐场景的图像数据的相似度超过百分之九十时，识别出图像数据的建筑物类型为农家乐。
[0131]
对于私家车辆第三方服务器可能无法记录，因此通过第三方服务器可能无法准确判断交通拥堵状态，在接收到图像数据后，还可以对该图像数据进行图像识别，识别出目标区域的交通拥堵状态数据，可以是以识别到的相邻图像中出租车的相对背景和/或前景中各车辆的变化来进行评判的，具体的，通过背景图像和/或前景图像中各车辆与出租车的距离变化结合出租车的大小以及移动速度，计算出出租车前后各车辆的移动速度，进而判断出租车以及出租车前后各车辆是否存在缓慢移动，若出租车以及出租车前后各车辆均在缓慢移动，则存在交通拥堵，若出租车一直未移动，而出租车前后车辆不断变化且移动速度大于预设速度值(如60km/h)，则不存在交通拥堵，可能是出租车故意停靠，存在出租车群体聚集事件的可能。
[0132]
可以理解的是，现有技术中地图软件公司(第三方服务器对应的公司) 会与出租车公司合作，在每辆出租车里安装gps定位，根据获取的位置数据计算出租车的车速；地图软件公司还会跟使用该地图软件的私家车辆的车主合作，允许在私家车辆上打开地图软件
时实时获取该私家车辆的位置数据，利用这些位置数据计算私家车辆的车速，将私家车辆和出租车共同的数据用于判断道路的堵塞情况。例如，根据一段道路上出租车和私家车辆作为该段道路上的当前车辆，根据当前车辆的数量和车速来判断道路的堵塞情况。例如，在某段道路上的当前车辆数量大于堵塞阈值(如30辆)且车速均低于某个速度(例如15km/h)，则判断该段道路处于堵车状态。可知，当足够多数量的私家车辆不使用该地图软件时，地图软件无法获取该段道路上的私家车辆位置数据，只能够获取该段道路上出租车提供的位置数据和数量，则此时第三方服务器判断交通不处于拥堵状态。显然此时根据第三方服务器发送的交通拥堵状态数据进行判断的结果是：目标区域不存在交通拥堵。而实际该目标区域存在交通拥堵，此时会误判进而发出出租车聚集状况警告。
[0133]
为了解决上述问题，所述方法还包括：
[0134]
步骤a:在接收到的第三方服务器提供的当前时刻目标区域的环境数据为空数据时，且在根据接收的第三方服务器发送的当前时刻目标区域的交通拥堵状态数据判断不存在交通拥堵时，且在目标区域中存在出租车群体聚集时，接收当前时刻目标区域中出租车拍摄的图像数据。
[0135]
步骤b:根据所述图像数据识别出当前道路上的车辆的类型，并统计不是出租车的其他车辆(例如私家车辆)的数量。
[0136]
需要说明的是，在一段拥堵道理上不同出租车上的摄像装置拍摄到的图像数据中可能存在同一辆私家车辆，在统计数量的时候需要排除同一辆私家车辆被多次计数的情况，即一两私家车辆至统计一次，将该道路上的所有出租车的图像数据中统计出不是出租车的其他车辆(例如私家车辆)的数量。
[0137]
步骤c:将目标区域内当前道路上不是出租车的其他车辆的数量与出租车的数量相加得到当前车辆总数。
[0138]
步骤d:若当前车辆总数大于堵塞阈值，则不发出出租车聚集状况警告；若当前车辆总数不大于堵塞阈值，则发出出租车聚集状况警告。
[0139]
可以理解的是，第三方服务器通过电梯软件获取在目标区域对应的当前道路上的当前车辆总数，当第三方服务器判断当前车辆总数大于堵塞阈值时且速度低于某个速度时，会将交通拥堵状态数据标记为存在交通拥堵状态。出租车公司可以从第三方服务器获取该堵塞阈值的大小，用于在偏远路段对交通拥堵状态进行纠正，避免误判出租车聚集状况。
[0140]
步骤304，在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵；
[0141]
步骤305，在所述目标区域不存在交通拥堵时，接收当前时刻目标区域中出租车获取的出租车司机的语音信息；
[0142]
其中，出租车司机的语音信息可以通过出租车司机之间的对讲机获取，也可以通过出租车上任意拾音设备获取，本技术不做限制。
[0143]
由于出租车司机在进行出租车聚集状况之前可能会通过电话或者对讲机的形式通知其他出租车司机，因此，为了更为精准的判断出是否需要进行出租车聚集状况警告，在识别到目标区域不存在交通拥堵，且存在出租车群体聚集时，通过任意拾音设备获取出租车司机的语音信息，并上传出租车司机的语音信息，在接收到出租车司机的语音信息后，对
该出租车司机的语音信息进行进一步判断，在所述目标区域存在交通拥堵时，任意拾音设备并不会对出租车司机的语音信息进行获取，保证了出租车司机的隐私也保证了出租车聚集状况的判断以及警告。
[0144]
在本技术另一实施例中，还可以通过卫星或者预先安装在道路上的拾音设备截取出租车司机的语音信息，本技术不对截取出租车司机的语音信息的方式作限制。
[0145]
步骤306，识别所述语音信息中是否存在目标关键词；
[0146]
其中，目标关键词可以为“造反”、“不干了”以及“停下来”。
[0147]
在接收到语音信息后，可以对语音信息进行语音识别，进而将该语音信息转换为文字信息，在将该语音信息转换为文字信息后，可以识别出文字信息中是否包含目标关键词，如，识别出文字信息中包含的关键词“不干了”。
[0148]
步骤307，在所述语音信息中存在目标关键词时，发出出租车聚集状况警告。
[0149]
在本技术实施例中，通过判断目标区域中是否存在出租车群体聚集，在目标区域中存在出租车群体聚集时，接收当前时刻目标区域中出租车拍摄的图像数据，识别图像数据中的建筑物类型数据和/或所述目标区域的交通拥堵状态数据在建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据交通拥堵状态数据判断目标区域是否存在交通拥堵，在目标区域不存在交通拥堵时，接收当前时刻目标区域中出租车获取的出租车司机的语音信息识别语音信息中是否存在目标关键词，在语音信息中存在目标关键词时，发出出租车聚集状况警告，实现了对偏远区域的出租车聚集状况预警，并且可以通过语音识别的方式进一步判断出租车聚集状况，提高了出租车聚集状况预警的精准度。
[0150]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术实施例并不受所描述的动作顺序的限制，因为依据本技术实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术实施例所必须的。
[0151]
参照图4，示出了本技术一实施例提供的一种预警出租车聚集状况的装置的结构示意图，所述装置包括：
[0152]
出租车群体聚集判断模块401，用于判断所述目标区域中是否存在出租车群体聚集；
[0153]
环境数据识别模块402，用于在目标区域中存在出租车群体聚集时，识别所述目标区域的环境数据，所述环境数据包括所述目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据；
[0154]
交通拥堵判断模块403，用于在所述建筑物类型数据不包含于预先设定的建筑物类型数据集合时，根据所述交通拥堵状态数据判断所述目标区域是否存在交通拥堵；
[0155]
警告模块404，用于在所述目标区域不存在交通拥堵时，发出出租车聚集状况警告。
[0156]
在本技术一实施例中，所述警告模块404，包括：
[0157]
第三方服务器打车需求判断子模块，用于在所述目标区域不存在交通拥堵时，接收第三方服务器发送的当前时刻目标区域的打车状态数据，所述打车状态数据用于判断所述目标区域是否存在较多用户需要打车；
[0158]
出租车聚集状况警告子模块，用于在所述目标区域不存在较多用户需要打车时，发出出租车聚集状况警告。
[0159]
在本技术一实施例中，所述环境数据识别模块402，包括：
[0160]
第三方服务器数据接收子模块，用于接收第三方服务器发送的当前时刻目标区域包含的建筑物类型数据和/或所述目标区域的交通拥堵状态数据。
[0161]
在本技术一实施例中，所述环境数据识别模块402，包括：
[0162]
图像数据接收子模块，用于接收当前时刻目标区域中出租车拍摄的图像数据；
[0163]
图像数据识别子模块，用于识别所述图像数据中的建筑物类型数据和/ 或所述目标区域的交通拥堵状态数据。
[0164]
在本技术一实施例中，所述警告模块404，包括：
[0165]
语音信息接收模块，用于在所述目标区域不存在交通拥堵时，接收当前时刻目标区域中出租车获取的出租车司机的语音信息；
[0166]
识别所述语音信息中是否存在目标关键词；
[0167]
在所述语音信息中存在目标关键词时，发出出租车聚集状况警告。
[0168]
在本技术一实施例中，出租车群体聚集判断模块401，包括：
[0169]
状态信息获取子模块，用于获取所述目标区域中出租车的状态信息，所述状态信息包括所述出租车的移动速度以及出租车的定位信息；
[0170]
阈值判断子模块，用于根据所述目标区域中移动速度小于速度阈值的出租车的定位信息，判断所述目标区域中是否存在出租车群体聚集。
[0171]
在本技术一实施例中，所述出租车群体聚集判断模块401，包括：
[0172]
状态信息的上传时间获取子模块，用于获取所述目标区域中出租车的状态信息以及所述状态信息的上传时间；
[0173]
状态信息判断子模块，用于根据预设时间内所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
[0174]
在本技术一实施例中，所述状态信息判断子模块，包括：
[0175]
重复上传剔除单元，用于根据所述目标区域中出租车的状态信息的上传时间，剔除重复上传的状态信息，生成剔除后的所述目标区域中出租车的状态信息；
[0176]
剔除后判断单元，用于根据预设时间内所述剔除后的所述目标区域中出租车的状态信息，判断所述目标区域中是否存在出租车群体聚集。
[0177]
在本技术一实施例中，所述出租车群体聚集判断模块401，包括：
[0178]
距离计算子模块，用于根据所述目标区域中移动速度小于预设速度的出租车的定位信息，计算所述目标区域中各移动速度小于预设速度的出租车之间的距离；
[0179]
距离判断子模块，用于根据所述目标区域中各移动速度小于预设速度的出租车之间的距离，判断所述目标区域中是否存在出租车群体聚集；
[0180]
所述目标区域中各移动速度小于预设速度的第一出租车与第二出租车之间的距离存在如下关系：
[0181][0182]
其中，lat1为目标区域中第一出租车的纬度值，lat2为目标区域中第二出租车的纬度值，lng1为目标区域中第一出租车的经度值，lng2为目标区域中第二出租车的经度值，a为目标区域中第一出租车与第二出租车的横向距离，b为目标区域中第一出租车与第二出租车的纵向距离，r为地球半径，s 为第一出租车与第二出租车之间的距离。
[0183]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0184]
本发明实施例还提供了一种装置，包括至少一个处理器和用于与至少一个处理器通信连接的存储器；存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述的一种预警出租车聚集状况的方法。
[0185]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至输电电路交叉跨越智能识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0186]
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种预警出租车聚集状况的方法，例如，执行以上描述的图2中的方法步骤s201至步骤s204。
[0187]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0188]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0189]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。