老人用车服务系统及其运行方法与流程

1.本发明涉及用车服务的领域，且更为具体地，涉及一种老人用车服务系统、老人用车服务系统的运行方法。


背景技术：

2.网约车，即网络预约出租汽车经营服务的简称，是指以互联网技术为依托构建服务平台，接入符合条件的车辆和驾驶员，通过整合供需信息，提供非巡游的预约出租汽车服务的经营活动。在移动互联网时代，网约车已成为大多数人打车出行的重要途径。
3.但是，网约车在极大的便利普通人群出行的同时，渐渐显现出了对老年人群体的不友好，有相当一部分老年人，他们文化水平有限且不会使用智能手机，其中还有一部分老年人的视力听力衰退且身体健康也欠佳，这样会使得老人们在打车时不仅无法享受网约车带来的便利，反而还会因此更难通过传统召车方式出行。并且，不同于一般的网约车服务商在派单时主要基于地理位置进行派单，老人用车对于时间的敏感性较低而且对车辆具有特殊的偏好。因此，如何在老年人打车时，兼顾他们基础信息的同时并根据他们不同的喜好和身体条件状况进行不同的车辆匹配是需要考虑的问题。
4.因此，期待一种老人用车服务系统以对待分配的老人与待匹配车辆是否匹配进行准确地判断。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种老人用车服务系统、老人用车服务系统的运行方法，其不同于一般的网约车服务商在派单时主要基于地理位置进行派单，在本技术中考虑到老人用车对于时间的敏感性较低，因此，优先考虑派送车辆是否符合老人的偏好信息。并且，如果仅基于偏好
‑
条件进行完全匹配，则显然会降低老人与车辆的匹配程度，因此，本技术的老人用车服务系统进一步基于其它常规信息进行一定程度上的模糊匹配，通过这样的方式，可以使得待分配的老人与待匹配车辆的匹配程度更高，进而提高老年人用车服务的质量。
6.根据本技术的一个方面，提供了一种老人用车服务系统，其包括：
7.常用信息获取单元，用于获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；
8.常用特征向量构造单元，用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量；
9.偏好信息单元，用于获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；
10.偏好向量构造单元，用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量；
11.关联单元，用于基于所述常用特征向量和所述偏好向量，构造用于表示常用信息
和偏好信息之间的关联的关联矩阵；
12.神经网络单元，用于使用卷积神经网络从所述关联矩阵获得关联特征图；
13.空间映射单元，用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成；
14.转移矩阵计算单元，用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异；
15.邻域处理单元，用于对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理；以及
16.车辆匹配分析单元，用于将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
17.在上述老人用车服务系统中，所述常用特征向量构造单元，进一步用于：将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值；将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值；将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
18.在上述老人用车服务系统中，所述偏好向量构造单元，进一步用于：将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值，以获得由多个特征值构成的偏好向量。
19.在上述老人用车服务系统中，所述关联单元，进一步用于：将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。
20.在上述老人用车服务系统中，所述邻域处理单元，进一步用于：以如下公式对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵；所述公式为：
[0021][0022]
在上述老人用车服务系统中，所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图；其中，所述公式为：
[0023]
f
i
＝active(n
i
×
f
i
‑1 b
i
)
[0024]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的卷积核，且b
i
为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
[0025]
在上述老人用车服务系统中，所述车辆匹配分析单元，进一步用于：将所述分类矩阵通过一个或多个全连接层以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0026]
根据本技术的另一方面，一种老人用车服务系统的运行方法，其包括：
[0027]
获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；
[0028]
将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量；
[0029]
获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；
[0030]
将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量；
[0031]
基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵；
[0032]
使用卷积神经网络从所述关联矩阵获得关联特征图；
[0033]
将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成；
[0034]
计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异；
[0035]
对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理；以及
[0036]
将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
[0037]
在上述老人用车服务系统的运行方法中，将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量，包括：将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值；将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值；将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
[0038]
在上述老人用车服务系统的运行方法中，将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量，包括：将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值，以获得由多个特征值构成的偏好向量。
[0039]
在上述老人用车服务系统的运行方法中，基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵，包括：将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。
[0040]
在上述老人用车服务系统的运行方法中，对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理，包括：以如下公式对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵；所述公式为：
[0041][0042]
在上述老人用车服务系统的运行方法中，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配，包括：将所述分类矩阵通过一个或多个全连接层以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0043]
与现有技术相比，本技术提供的老人用车服务系统、老人用车服务系统的运行方法，其不同于一般的网约车服务商在派单时主要基于地理位置进行派单，在本技术中考虑到老人用车对于时间的敏感性较低，因此，优先考虑派送车辆是否符合老人的偏好信息。并且，如果仅基于偏好
‑
条件进行完全匹配，则显然会降低老人与车辆的匹配程度，因此，本技术的老人用车服务系统进一步基于其它常规信息进行一定程度上的模糊匹配，通过这样的方式，可以使得待分配的老人与待匹配车辆的匹配程度更高，进而提高老年人用车服务的质量。
附图说明
[0044]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0045]
图1为根据本技术实施例的老人用车服务系统的应用场景图。
[0046]
图2为根据本技术实施例的老人用车服务系统的框图。
[0047]
图3为根据本技术实施例的老人用车服务系统的运行方法的流程图。
[0048]
图4为根据本技术实施例的老人用车服务系统的运行方法的架构示意图。
具体实施方式
[0049]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0050]
场景概述
[0051]
如前所述，在本技术的老人用车服务系统中，网约车服务商需要记录手表特征码对应的老人，及其姓名、年龄、性别、身体状态、家庭住址、常用地址等常用信息，以及由其监护人设置的乘车偏好，包括是否乘坐轮椅、是否畏寒畏热、是否要求安静等偏好信息，并在派单时，根据老人信息筛选合适的车辆进行派单。
[0052]
因此，在本技术的老人用车服务系统中，不同于一般的网约车服务商在派单时主要基于地理位置进行派单，在本技术的老人用车服务系统中，考虑到老人用车对于时间敏感性较低，优先考虑派送车辆是否符合如上所述的老人偏好信息。
[0053]
具体地，在基于老人偏好和车辆条件所进行的匹配过程中，本技术的老人用车服务系统可以将偏好信息和车辆条件信息数字化为由0和1组成的向量，例如在老人方面，乘坐轮椅为1，不乘坐轮椅为0，而在车辆方面，具有轮椅安放位为1，不具有轮椅安放位为0。但是，如果基于偏好
‑
条件进行完全匹配，则显然会降低匹配度，反而使得服务质量下降，因此，本技术的老人用车服务系统进一步基于其它常规信息进行一定程度上的模糊匹配。
[0054]
首先，获取待分派老人的常用信息，包括姓名、年龄、性别、身体状态、家庭住址、常用地址，并将每项信息通过编码器转换为特征值，以获得用于表达常用信息的常用特征向量。然后，将常用特征向量与通过如上所述的方式构造的偏好向量的转置进行相乘，以便得到用于表达常用信息与偏好信息之间的关联的关联矩阵。接下来，为了挖掘出常用信息与偏好信息之间的深层次的关联关系，例如年龄、性别、身体状态等都影响老人是否畏寒微热，而家庭住址、常用地址等可以根据所在环境判定老人是否要求安静，将关联矩阵输入卷积神经网络以得到关联特征图。
[0055]
然后，分别将关联特征图与待分配老人的偏好向量和待匹配车辆的车辆条件向量相乘，以将偏好信息和车辆条件信息映射到关联特征的特征空间中，以获得偏好特征向量和车辆条件特征向量。并且，由于为了表示偏好信息与车辆条件信息在关联特征层面上的差异，所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量，在本技术中，使用偏好特征向量与车辆条件特征向量之间的转移矩阵。即，令偏好特征向量为a，车辆条件特征向量为b，则转移矩阵w满足a＝w*b。
[0056]
进一步地，为了使得通过使用转移矩阵w的分类结果尽可能地与特征值位置无关，对转移矩阵进行邻域处理，即：
[0057][0058]
这里，邻域处理包括邻域均值和差分矩阵，以保证排列不变性，从而得到处理后的转移矩阵，即分类矩阵。然后，将该分类矩阵通过分类器以得到分类结果，该分类结果表示待分派老人与待匹配车辆是否匹配。
[0059]
基于此，本技术提出了一种老人用车服务系统，其包括：常用信息获取单元，用于获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；常用特征向量构造单元，用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量；偏好信息单元，用于获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；偏好向量构造单元，用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量；关联单元，用于基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵；神经网络单元，用于使用卷积神经网络从所述关联矩阵获得关联特征图；空间映射单元，用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成；转移矩阵计算单元，用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车
辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异；邻域处理单元，用于对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理；以及，车辆匹配分析单元，用于将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
[0060]
图1图示了根据本技术实施例的老人用车服务系统的应用场景图。如图1所示，在该应用场景中，首先，从移动终端设备(例如，如图1中所示意的t)获取待分配老人的常用信息和偏好信息，例如，从通过老人手持的智能手机中获取待分配老人的常用信息和偏好信息，以及，获取待匹配的车辆(例如，如图1中所示意的v)的条件信息；然后，将所述待分配老人的常用信息和偏好信息以及待匹配的车辆条件信息输入至部署有老人用车服务算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以老人用车服务算法对所述待分配老人的常用信息和偏好信息以及待匹配的车辆条件信息进行处理，以生成用于表示待分配的老人与待匹配车辆是否匹配的分类结果。
[0061]
在该应用场景中，所述待分配老人的常用信息包括但不局限于姓名、年龄、性别、身体状态、家庭住址和常用地址等。所述待分配老人的偏好信息包括但不局限于是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静等。
[0062]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0063]
示例性系统
[0064]
图2图示了根据本技术实施例的老人用车服务系统的框图。如图2所示，根据本技术实施例的老人用车服务系统200，包括：常用信息获取单元210，用于获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；常用特征向量构造单元220，用于将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量；偏好信息单元230，用于获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；偏好向量构造单元240，用于将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量；关联单元250，用于基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵；神经网络单元260，用于使用卷积神经网络从所述关联矩阵获得关联特征图；空间映射单元270，用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成；转移矩阵计算单元280，用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异；邻域处理单元290，用于对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理；以及，车辆匹配分析单元300，用于将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
[0065]
具体地，在本技术实施例中，所述常用信息获取单元210和常用特征向量构造单元220，用于获取待分配老人的常用信息，并将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量。也就是，首先，通过云存储端获取待分配老人的常用信息，在一个具体示例中，所述常用信息包括但不局限于姓名、年龄、性别、身体状态、家庭住址和常用地址等；然后，再将所述获得的待分配老人的常用信息中的各项信息数据输入第一编码器，以通过所述第一编码器对所述常用信息中的各项信息进行编码，以获得由多个特征值构成的常用特征向量。
[0066]
应可以理解，本技术需要融合常用信息与偏好信息，以得到两者之间的关联性特征，因此，就需要将获取的待分配老人的常用信息转变为计算机能够识别的语言信息，也就是对所述待分配老人的常用信息中的各项信息进行编码，以获得由多个特征值构成的所述常用特征向量。
[0067]
更具体地，在本技术一个示例中，所述常用特征向量构造单元，进一步用于：首先，将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值，应可以理解，所述姓名、家庭住址和常用地址的常用信息数据属于文本数据，是非结构化数据，因此，在本技术的实施例中，需要通过诸如词袋模型、主题模型和词嵌入模型之类的转换器将其转化为结构化的数据。然后，将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值，应可以理解，所述性别和身体状态的常用信息数据属于类别型数据，例如，男可以表示为1，女表示为0。最后，将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值，应可以理解，年龄本身就是数字数据但属于十进制，而计算机为2进制，因此，在本技术的实施例中，需要将其进行从十进制到2进制的数据转化。
[0068]
具体地，在本技术实施例中，所述偏好信息单元230和偏好向量构造单元240，用于获取待分配老人的偏好信息，并将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量。也就是，首先获取待分配老人的偏好信息，在一个具体示例中，所述待分配老人的偏好信息包括但不局限于是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静等；然后，再将所述待分配老人的偏好信息中的各项信息数据分别通过第二编码器以转化为特征值，以通过所述第二编码器对所述偏好信息中的各项信息进行编码，以获得由多个特征值构成的偏好向量。
[0069]
应可以理解，本技术考虑到老人用车对于时间敏感性较低，因此，在本技术的技术方案中，优先考虑派送车辆是否符合如上所述的老人偏好信息。并且本技术融合了常用信息与偏好信息，以得到两者之间的关联性特征，因此，需要将获取的待分配老人的偏好信息转变为计算机能够识别的语言信息，也就是对所述待分配老人的偏好信息中的各项信息进行编码，以获得由多个特征值构成的所述偏好特征向量。
[0070]
更具体地，在本技术一个示例中，所述偏好向量构造单元，进一步用于：将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值，以获得由多个特征值构成的偏好向量。应可以理解，这里，所述待分配老人的偏好信息中的各项信息都属于类别型数据，例如，在老人否乘坐轮椅方面，乘坐轮椅为1，不乘坐轮椅为0。
[0071]
具体地，在本技术实施例中，所述关联单元250，用于基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵。在一个具体示例
中，所述关联单元，进一步用于：将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。这里，所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得的所述关联矩阵表示融合了每个待分配老人的所述常用信息和所述偏好信息之间的关联性特征。
[0072]
特别地，在一个变形实施例中，也可以将常用特征向量先转化到概率空间中，例如，将常用特征向量输入sigmoid函数中，应可以理解，偏好向量是由0和1组成的向量，将常用特征向量也转化到0到1的概率空间中便于后续计算。
[0073]
具体地，在本技术实施例中，所述神经网络单元260，用于使用卷积神经网络从所述关联矩阵获得关联特征图。应可以理解，为了挖掘出常用信息与偏好信息之间的深层次的关联关系，例如年龄、性别、身体状态等都影响老人是否畏寒微热，而家庭住址、常用地址等可以根据所在环境判定老人是否要求安静，因此，在本技术的技术方案中，以卷积神经网络对所述获得的关联矩阵进行处理，以提取出所述关联矩阵中的局部特征在高维空间中的特征分布表示，以得到关联特征图。
[0074]
更具体地，在本技术一个具体示例中，所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图；
[0075]
其中，所述公式为：
[0076]
f
i
＝active(n
i
×
f
i
‑1 b
i
)
[0077]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的卷积核，且b
i
为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
[0078]
具体地，在本技术实施例中，所述空间映射单元270，用于将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成。应可以理解，在本技术的技术方案中，考虑到如果仅基于偏好
‑
条件进行完全匹配，则显然会降低匹配度，反而使得服务质量下降，因此，在本技术中进一步基于其它常规信息进行一定程度上的模糊匹配。
[0079]
也就是，分别将所述关联特征图与所述待分配老人的偏好向量和所述待匹配车辆的车辆条件向量相乘，以获得偏好特征向量和车辆条件特征向量。这里，所述关联特征图与所述待分配老人的偏好向量相乘表示将所述偏好信息映射到所述关联特征的特征空间中，以得到融合了所述偏好信息与所述关联特征的关联信息，以得到偏好特征向量。所述关联特征图与所述待匹配车辆的车辆条件向量相乘表示将所述待匹配车辆的车辆条件信息映射到所述关联特征的特征空间中，以得到融合了所述待匹配车辆的车辆条件信息与所述关联特征的关联信息，以得到车辆条件特征向量。
[0080]
具体地，在本技术实施例中，转移矩阵计算单元280，用于计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异。应可以理解，由于为了表示所述偏好信息与所述车辆条件信息在关联特征层面上的差异，所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量，因此，在本技术的技术方案中，使用偏好特征向量与车辆条件特征
向量之间的转移矩阵。例如，在本技术的一个具体示例中，令偏好特征向量为a，车辆条件特征向量为b，则转移矩阵w满足a＝w*b。
[0081]
具体地，在本技术实施例中，邻域处理单元290，用于对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理。应可以理解，为了使得通过使用转移矩阵w的分类结果尽可能地与特征值位置无关，因此，在本技术的技术方案中，需要对所述转移矩阵进行邻域处理。也就是，对所述转移矩阵进行邻域处理，其中，邻域处理包括邻域均值处理和差分矩阵处理，以保证排列不变性，从而得到处理后的转移矩阵，即分类矩阵。
[0082]
更具体地，在本技术的实施例中，所述邻域处理单元，进一步用于：以如下公式对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵；
[0083]
所述公式为：
[0084][0085]
具体地，在本技术实施例中，车辆匹配分析单元300，用于将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。在一个具体示例中，所述车辆匹配分析单元，进一步用于：首先，将所述分类矩阵通过一个或多个全连接层以获得分类特征向量，也就是，首先，通过一个或多个全连接层作为编码器对所述分类矩阵进行编码以充分利用所述分类矩阵中每个位置信息，以生成分类特征向量。然后，将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率。最后，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果，具体地，当所述第一概率大于第二概率时，所述分类结果为待分配的老人与待匹配车辆匹配；当所述第一概率小于第二概率时，所述分类结果为待分配的老人与待匹配车辆不匹配。
[0086]
综上，基于本技术实施例的所述老人用车服务系统200被阐明，其不同于一般的网约车服务商在派单时主要基于地理位置进行派单，在本技术中考虑到老人用车对于时间的敏感性较低，因此，优先考虑派送车辆是否符合老人的偏好信息。并且，如果仅基于偏好
‑
条件进行完全匹配，则显然会降低老人与车辆的匹配程度，因此，本技术的老人用车服务系统进一步基于其它常规信息进行一定程度上的模糊匹配，通过这样的方式，可以使得待分配的老人与待匹配车辆的匹配程度更高，进而提高老年人用车服务的质量。
[0087]
如上所述，根据本技术实施例的老人用车服务系统200可以实现在各种终端设备中，例如老人用车服务算法的服务器等。在一个示例中，根据本技术实施例的老人用车服务系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该老人用车服务系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该老人用车服务系统200同样可以是该终端设备的众多硬件模块之一。
[0088]
替换地，在另一示例中，该老人用车服务系统200与该终端设备也可以是分立的设备，并且该老人用车服务系统200可以通过有线和/或无线网络连接到该终端设备，并且按
照约定的数据格式来传输交互信息。
[0089]
示例性方法
[0090]
图3图示了老人用车服务系统的运行方法的流程图。如图3所示，根据本技术实施例的老人用车服务系统的运行方法，包括步骤：s110，获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；s120，将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量；s130，获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；s140，将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量；s150，基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵；s160，使用卷积神经网络从所述关联矩阵获得关联特征图；s170，将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成；s180，计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异；s190，对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理；以及，s200，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
[0091]
图4图示了根据本技术实施例的老人用车服务系统的运行方法的架构示意图。如图4所示，在所述老人用车服务系统的运行方法的网络架构中，首先，将所述待分配老人的常用信息(例如，如图3中所示意的in1)中的各项信息分别通过第一编码器(例如，如图3中所示意的e1)转化为特征值(例如，如图3中所示意的p1
‑
pn)，以获得由多个特征值构成的常用特征向量(例如，如图3中所示意的vc)，其中，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址；接着，将所述待分配老人的偏好信息(例如，如图3中所示意的in2)中的各项信息分别通过第二编码器(例如，如图3中所示意的e2)以转化为特征值(例如，如图3中所示意的q1
‑
qn)，以获得由多个特征值构成的偏好向量(例如，如图3中所示意的vp)，其中，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静；然后，基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵(例如，如图3中所示意的im)；接着，使用卷积神经网络(例如，如图3中所示意的cnn)从所述关联矩阵获得关联特征图(例如，如图3中所示意的f1)；然后，将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量(例如，如图3中所示意的vc)分别映射到所述关联特征图的特征空间中，以获得偏好特征向量(例如，如图3中所示意的pv)和车辆条件特征向量(例如，如图3中所示意的vv)，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息(例如，如图3中所示意的in3)生成；接着，计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵(例如，如图3中所示意的tm)；然后，对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵(例如，如图3中所示意的cm)；以及，最后，将所述分类矩阵通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。
[0092]
更具体地，在步骤s110和s120中，获取待分配老人的常用信息，所述常用信息包括姓名、年龄、性别、身体状态、家庭住址和常用地址，并将所述待分配老人的常用信息中的各项信息分别通过第一编码器转化为特征值，以获得由多个特征值构成的常用特征向量。也就是，具体地，在本技术实施例中，首先，获取待分配老人的常用信息；接着，将所述待分配老人的常用信息中的姓名、家庭住址和常用地址通过词嵌入模型以转化为特征值；然后，将所述待分配老人的常用信息中的性别和身体状态通过类别型特征编码器以转化为特征值；最后，将所述待分配老人的常用信息中的年龄进行数字编码器以转化为特征值。
[0093]
更具体地，在步骤s130和s140中，获取待分配老人的偏好信息，所述偏好信息包括是否乘坐轮椅、是否畏寒、是否畏热和是否要求安静，并将所述待分配老人的偏好信息中的各项信息分别通过第二编码器以转化为特征值，以获得由多个特征值构成的偏好向量。也就是，首先获取待分配老人的偏好信息；接着，将所述待分配老人的偏好信息中的各项信息分别通过类别型特征编码器以转化为特征值，以获得由多个特征值构成的偏好向量。
[0094]
更具体地，在步骤s150中，基于所述常用特征向量和所述偏好向量，构造用于表示常用信息和偏好信息之间的关联的关联矩阵。也就是，将所述常用特征向量与所述偏好向量的转置进行矩阵相乘以获得所述关联矩阵。特别地，在一个变形实施例中，也可以将常用特征向量先转化到概率空间中，例如，将常用特征向量输入sigmoid函数中，应可以理解，偏好向量由0和1组成的向量，因此，将常用特征向量也转化到0到1的概率空间中便于计算。
[0095]
更具体地，在步骤s160中，使用卷积神经网络从所述关联矩阵获得关联特征图。也就是，以卷积神经网络对所述获得的关联矩阵进行处理，以提取出所述关联矩阵中的局部特征在高维空间中的特征分布表示，以得到关联特征图。
[0096]
在本技术的一个具体示例中，所述卷积神经网络以如下公式对所述关联矩阵进行处理以生成关联特征图；其中，所述公式为：
[0097]
f
i
＝active(n
i
×
f
i
‑1 b
i
)
[0098]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的卷积核，且b
i
为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
[0099]
更具体地，在步骤s170中，将所述待分配老人的偏好向量和待匹配车辆的车辆条件向量分别映射到所述关联特征图的特征空间中，以获得偏好特征向量和车辆条件特征向量，其中，所述待匹配车辆的车辆条件向量基于所述待匹配车辆的车辆条件信息生成。应可以理解，在本技术的技术方案中，考虑到如果仅基于偏好
‑
条件进行完全匹配，则显然会降低匹配度，反而使得服务质量下降，因此，在本技术中进一步基于其它常规信息进行一定程度上的模糊匹配。也就是，分别将所述关联特征图与所述待分配老人的偏好向量和所述待匹配车辆的车辆条件向量相乘，以获得偏好特征向量和车辆条件特征向量。
[0100]
更具体地，在步骤s180中，计算所述偏好特征向量和所述车辆条件特征向量之间的转移矩阵，其中，所述转移矩阵与所述车辆条件特征向量之间矩阵相乘的结果为所述偏好特征向量，所述转移矩阵用于表示偏好信息和车辆条件信息在所述关联特征图的特征空间中的差异。应可以理解，由于为了表示所述偏好信息与所述车辆条件信息在关联特征层面上的差异，所以不适于直接使用偏好特征向量和车辆条件特征向量计算差分向量，因此，在本技术的技术方案中，使用偏好特征向量与车辆条件特征向量之间的转移矩阵。
[0101]
更具体地，在步骤s190中，对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵，所述邻域处理包括邻域均值处理和计算差分矩阵处理。也就是，以如下公式对所述转移矩阵进行邻域处理，以获得邻域处理后的转移矩阵作为分类矩阵；所述公式为：
[0102][0103]
更具体地，在步骤s200中，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示待分配的老人与待匹配车辆是否匹配。也就是，将所述分类矩阵通过一个或多个全连接层以获得分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量归属于待分配的老人与待匹配车辆匹配的第一概率和所述分类特征向量归属于待分配的老人与待匹配车辆不匹配的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0104]
综上，基于本技术实施例的所述老人用车服务系统的运行方法被阐明，其不同于一般的网约车服务商在派单时主要基于地理位置进行派单，在本技术中考虑到老人用车对于时间的敏感性较低，因此，优先考虑派送车辆是否符合老人的偏好信息。并且，如果仅基于偏好
‑
条件进行完全匹配，则显然会降低老人与车辆的匹配程度，因此，本技术的老人用车服务系统进一步基于其它常规信息进行一定程度上的模糊匹配，通过这样的方式，可以使得待分配的老人与待匹配车辆的匹配程度更高，进而提高老年人用车服务的质量。
[0105]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0106]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0107]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0108]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0109]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。