行驶路线合理性的确认方法、装置、设备及存储介质与流程

1.本公开涉及信息技术领域，尤其涉及一种行驶路线合理性的确认方法、装置、设备及存储介质。


背景技术：

2.随着科技的不断发展，智能终端已成为人们日常生活中不可或缺的设备。用户可以在智能终端上安装各种不同类型的应用(application，app)程序，以满足用户的不同需求。
3.出行类应用程序，例如网约车应用程序被广泛的使用。通常情况下，网约车应用程序可以规划出从起点到目的地的导航路线，司机可以沿着该导航路线或者依据经验为用户提供网约车服务。实际情况中，经常出现乘客认为司机行驶路线不合理，导致费用不符合乘客预期，从而引发乘客投诉的问题。因此，需要网约车平台具备判断司机行驶路线是否不合理的技术能力。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种行驶路线合理性的确认方法、装置、设备及存储介质，可提高行驶路线合理性的确认准确度。
5.第一方面，本公开实施例提供一种行驶路线合理性的确认方法，该方法包括：
6.获取从起点到目的地的实际行程信息；
7.根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时；
8.在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
9.第二方面，本公开实施例提供一种行驶路线合理性的确认装置，该装置包括：
10.获取模块，用于获取从起点到目的地的实际行程信息；
11.预估模块，用于根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时；
12.确定模块，用于在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
13.第三方面，本公开实施例提供一种电子设备，包括：
14.存储器；
15.处理器；以及
16.计算机程序；
17.其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
18.第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，
所述计算机程序被处理器执行以实现第一方面所述的方法。
19.本公开实施例提供的行驶路线合理性的确认方法、装置、设备及存储介质，获取从起点到目的地的实际行程信息；根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时；在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果；换言之，至少以预估的从起点出发到目的地的导航路线和出行用时作为深度学习框架的输入特征，通过深度学习框架确定实际行程的合理性判断结果，实现了基于技术手段确定实际行程的合理性判断结果且提高实际行程的合理性判断结果确定精度的目的。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
21.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
22.图1为本公开实施例提供的行驶路线合理性的确认方法流程图；
23.图2为本公开实施例提供的行驶路线合理性的确认方法流程图；
24.图3为本公开实施例提供的行驶路线合理性的确认方法流程图；
25.图4为本公开实施例提供的一种深度学习框架的示意图；
26.图5为本公开另一实施例提供的行驶路线合理性的确认方法流程图；
27.图6为本公开另一实施例提供的一种流程示意图；
28.图7为本公开实施例提供的行驶路线合理性的确认装置的结构示意图；
29.图8为本公开实施例提供的电子设备实施例的结构示意图。
具体实施方式
30.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
31.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
32.通常情况下，网约车应用程序可以规划出从起点到目的地的导航路线，司机可以沿着该导航路线或者依据经验为用户提供网约车服务。然而，实际情况中，经常出现乘客认为司机的行驶路线不合理，例如司机故意绕路，导致费用不符合乘客预期，从而引发乘客投诉的问题。在确定司机是否绕路时，即确定司机的形式路线是否合理时，常规做法是基于乘客对司机的历史评价、预估里程、实走里程、预估时间、实际用时以及行程费用等静态信息确定。由于常规做法所参考信息的粒度不够精细且维度单一，且乘客对司机的评价具有一定的主观性，因此获得的确定结果准确度不高。
33.针对上述问题，本公开实施例提供了一种行驶路线合理性的确认方法，以通过技
术手段，较客观地确定司机是否存在绕路的问题。下面结合具体的实施例对该方法进行介绍。
34.图1为本公开实施例提供的行驶路线合理性的确认方法流程图。本实施例可适用于对行驶路线的合理性进行判定的情况，该方法可以由行驶路线合理性的确认装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如服务器。如图1所示，该方法具体步骤如下：
35.s101、获取从起点到目的地的实际行程信息。
36.其中，实际行程信息可以包括实际行程对应的订单生成时间、实际行程对应的实际出发时间、实际行驶路线以及实际用时中的至少一种。例如乘客在某一天的上午10点55分时通过网约车应用程序叫车，假设忽略系统延时，在10点55分时生成叫车订单，在11点整时，网约车在甲地接到乘客，即乘客上车开始行程，11点30分时，网约车将乘客送达目的地乙地，假设从甲地到乙地共有三条路线，分别是路线1、路线2和路线3，在此次行程中网约车载乘客从甲地通过路线1到达乙地，即实际行驶路线是路线1。在上述应用情景中，实际行程信息可以包括：订单生成时间——10点55分、实际出发时间——11点整，实际行驶路线——路线1，实际用时——半个小时。即实际行驶路线指出行过程中所走过的路线，可能是软件推荐的最优路线，也可能是司机导航的路线，还可能是乘客指定的路线。
37.s102、根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时。
38.其中，预设时间可以是实际行程信息中包括的订单生成时间或实际出发时间附近的一个或多个时间。例如实际出发时间是11点整，预设时间可以是10点50分和/或11点10分；或者，预设时间可以是10点50分、10点40分、11点10分和11点20分等。预设时间的个数可以进行设置。
39.通过预估在订单生成时间或实际出发时间附近的一个或多个时间从起点出发到目的地的导航路线和出行用时，可获得多个参考结果，该多个参考结果用于辅助判定实际行程信息中的行驶路线是否合理。例如，通过多个参考结果可以确定实际用时是否较为突兀。通过根据这些动态变化的状态信息(如导航路线和出行用时随路况的不同而不同，例如交通事故、交通管制、雪天封路等因素会使算法规划的导航路线不同以及出行用时不同)获得较真实的在实际行程中的各种状况，进而能够客观真实地反应出司机的行驶路线是否合理。
40.继续以上述应用情景为例，例如通过预估确定在10点50分时，通过路线2从甲地行驶至乙地用时10分钟，在11点10分时，通过路线2从甲地行驶至乙地用时8分钟，而实际行驶路线为路线1，实际用时为半个小时，则通过参考预估的结果可确定司机绕路的可能性较大，行驶路线不合理的可能性较大。
41.s103、在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
42.其中，实际行程的合理性判断结果可以包括司机有责/无责、乘客有责/无责或者服务商有责/无责等信息。
43.可以理解的是，深度学习框架为经过训练的深度学习框架。为了深度挖掘通过预估获得的导航路线以及出行用时与实际行驶路线之间的关系，本公开实施例借助深度学习
框架，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果，可提高实际行程的合理性判断结果的客观性以及准确性。同时，通过预估随时间、路况变化的动态信息(如导航路线和出行用时随路况的不同而不同，例如交通事故、交通管制、雪天封路等因素会使算法规划的导航路线不同以及出行用时不同)作为深度学习框架的输入特征，可较直接、真实地反应实际行程中的各种状况，能够较客观、真实地反应司机绕路的实际情况，进而提高行驶路线合理性确认的准确度。特别的，司机绕路指在出现的过程中，实际发生了和规划路线不相符合的实走轨迹(实走行程)，从而导致费用不符合预期或者乘客不满意的现象。
44.在实际打车过程中，在行程结束时，乘客可能因为此次行程的实际用时较长或者支付的费用较高对此次行程进行投诉，例如拨打投诉热线或者通过网约车应用程序在线投诉等，在接到乘客发起的投诉时，获取被投诉的实际行程信息，并根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
45.本公开实施例通过获取从起点到目的地的实际行程信息；根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时；在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果；换言之，至少以预估的从起点出发到目的地的导航路线和出行用时作为深度学习框架的输入特征，通过深度学习框架确定实际行程的合理性判断结果，实现了基于技术手段确定实际行程的合理性判断结果且提高实际行程的合理性判断结果确定精度的目的。
46.图2为本公开另一实施例提供的行驶路线合理性的确认方法流程图。在本实施例中，针对上述步骤s102“根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时”给出一种可选实施方式。如图2所示，该方法具体步骤如下：
47.s201、获取从起点到目的地的实际行程信息。
48.实际行程信息包括如下至少一种：实际行程对应的订单生成时间以及实际行程对应的实际出发时间。
49.s202、确定订单生成时间或实际出发时间之前的一个以上的预设时间；和/或确定订单生成时间或实际出发时间之后的一个以上的预设时间。
50.在一种实施方式中，确定订单生成时间或实际出发时间之前的一个以上的预设时间。例如实际出发时间是上午11点整，预设时间可以是10:50、10:40、10:30等。
51.在另一种实施方式中，确定订单生成时间或实际出发时间之后的一个以上的预设时间。例如实际出发时间是上午11点整，预设时间可以是11:10、11:20、11:30等。
52.在又一种实施方式中，确定订单生成时间或实际出发时间之前的一个以上的预设时间，以及确定订单生成时间或实际出发时间之后的一个以上的预设时间。例如实际出发时间是上午11点整，预设时间可以是10:50、10:40、10:30、11:10、11:20、11:30等。
53.通过预估在订单生成时间或实际出发时间附近的一个或多个时间从起点出发到目的地的导航路线和出行用时，可获得多个参考结果，该多个参考结果用于辅助判定实际行程信息中的导航路线是否合理。继续以上述应用情景为例，例如通过预估确定在10点50分时，通过路线2从甲地行驶至乙地用时10分钟，在11点10分时，通过路线2从甲地行驶至乙地用时8分钟，而实际行驶路线为路线1，实际用时为半个小时，则通过参考预估的结果可确
定司机绕路的可能性较大。
54.s203、针对一个以上的预设时间中的每个预设时间，通过未来行程预估，得到在预设时间从起点出发到目的地的导航路线和出行用时。
55.其中，未来行程预估指：预估在未来时间出发(从起点出发到目的地)的导航路线和出行用时，并预测出路线中可能的拥堵路段和动态事件路段(例如交通管制)，以及该时间点生效的限行区域。
56.例如，实际出发时间是上午11点整，预设时间是上午10:50、10:40、10:30、11:10、11:20、11:30，则分别预估在10:50时，从甲地出发到乙地的导航路线和出行用时(记为导航路线1和出行用时1)；在10:40时，从甲地出发到乙地的导航路线和出行用时(记为导航路线2和出行用时2)；在10:30时，从甲地出发到乙地的导航路线和出行用时(记为导航路线3和出行用时3)；在11:10时，从甲地出发到乙地的导航路线和出行用时(记为导航路线4和出行用时4)；在11:20时，从甲地出发到乙地的导航路线和出行用时(记为导航路线5和出行用时5)；在11:30时，从甲地出发到乙地的导航路线和出行用时(记为导航路线6和出行用时6)。
57.s204、在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
58.示例性的，至少以上述的导航路线1和出行用时1、导航路线2和出行用时2、导航路线3和出行用时3、导航路线4和出行用时4、导航路线5和出行用时5以及导航路线6和出行用时6作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
59.具体的，s201和s101、s204和s103的实现方式和具体原理一致，此处不再赘述。
60.本实施例针对上述步骤s102“根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时”给出一种可选实施方式，具体是确定订单生成时间或实际出发时间之前的一个以上的预设时间，和/或确定订单生成时间或实际出发时间之后的一个以上的预设时间，针对一个以上的预设时间中的每个预设时间，通过未来行程预估，得到在预设时间从起点出发到目的地的导航路线和出行用时。通过预估在订单生成时间或实际出发时间附近的一个或多个时间从起点出发到目的地的导航路线和出行用时，可获得多个参考结果，该多个参考结果用于辅助判定实际行程信息中的导航路线是否合理，由于该多个参考结果可较客观地反应真实路况的各种状况，故通过结合该多个参考结果有助于提升实际行驶路线合理性的确认准确度。
61.图3为本公开另一实施例提供的行驶路线合理性的确认方法流程图。在本实施例中，针对上述步骤s103“在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果”给出一种可选实施方式。如图3所示，该方法具体步骤如下：
62.s301、获取从起点到目的地的实际行程信息。
63.s302、根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时。
64.具体的，s301和s101、s302和s202-s203的实现方式和具体原理一致，此处不再赘述。
65.s303、根据实际行驶路线和导航路线，得到多维度信息。
66.其中，多维度信息包括如下至少一种：
67.导航路线的路线长度、导航路线和实际行驶路线的长度差值、导航路线和实际行驶路线中重合的道路单元的个数、重合的道路单元的长度和、导航路线和实际行驶路线不重合的道路单元的个数、不重合的道路单元的长度和。其中，道路单元指根据实际道路划分的有向逻辑道路单元，对应到路网地图中的一段道路，可记为link。多维度信息还可以包括实际行驶路线和导航路线中不重合的道路单元的的个数以及不重合的道路单元的长度和。
68.举例说明上述多维度信息：
69.假设乘客和司机从起点(例如甲地)的实际出发时间是11点，到达目的地(例如乙地)耗费掉的实际用时是1个小时。从11点之前的1个小时内选取6个时间点，例如，每10分钟选一个时间点，该6个时间点分别是10：00、10：10、10：20、10：30、10：40、10：50。同理，从11点之后的1个小时内选取6个时间点，分别为11：10、11：20、11：30、11：40、11：50、12:00。由于服务器中可以存储每个时刻的全路网路况信息，因此，服务器可以根据10：00、以及10：00对应的全路网路况信息进行未来行程规划，从而预估出乘客和司机在10：00从甲地出发到乙地的导航路线(可认为该导航路线是最优路线，并将该导航路线记为导航路线1)和出行用时(将该出行用时记为出行用时1)。服务器还可以根据10：10、以及10：10对应的全路网路况信息进行未来行程规划，预估乘客和司机在10：10从甲地出发到乙地的导航路线(将该导航路线记为导航路线2)和出行用时(将该出行用时记为出行用时2)。以此类推，最终得到12个导航路线和12个出行用时。可以理解的是，12个导航路线可能是不同的，12个出行用时也可能是不同的。
70.在上述12个导航路线中，不同的导航路线包括的道路单元(后续利用link表示道路单元)以及link的总数可能是不同的。例如，上述导航路线1包括3个link，分别是linka、linkb和linkc，上述导航路线2包括4个link，分别是linkb、linkc、linkd和linke。可以理解的是，同一个link在不同的导航路线中对应的拥堵情况和耗时也可能不同，因为实时路况在随时变化。例如，linkb在导航路线1中可能不拥堵，通过linkb的耗时较短；但是linkb在导航路线2中可能就会变得拥堵，通过linkb的耗时较长。上述客观因素使得本公开方案可以根据这些动态变化的状态信息获得在实际行程中较真实的各种状况，能够较客观地反应出司机所走的行驶路线是否合理。
71.基于上述举例的应用情景，上述导航路线和实际行驶路线中重合的道路单元的个数指：例如导航路线1包括linka、linkb和linkc，实际行驶路线包括linkb、linkc和linkd，则导航路线和实际行驶路线中重合的道路单元包括linkb和linkc，其个数为2。重合的道路单元的长度和指linkb和linkc的道路长度之和。导航路线和实际行驶路线不重合的道路单元为linka，其个数为1。不重合的道路单元的长度和指linka的道路长度。导航路线的路线长度指linka、linkb和linkc的道路长度之和。导航路线和实际行驶路线的长度差值指linka、linkb和linkc的道路长度之和，与linkb、linkc和linkd的道路长度之和之间的差值。实际行驶路线和导航路线中不重合的道路单元为linkd，其个数为1，不重合的道路单元的长度和为linkd的道路长度。
72.s304、将多维度信息和出行用时作为双向长短记忆网络的输入特征，得到双向长短记忆网络的输出特征。
73.s305、将实际行程对应的订单信息和用户画像信息中的至少一个、以及双向长短记忆网络的输出特征作为多层感知器的输入特征，确定实际行程的合理性判断结果。
74.其中，实际行程的合理性判断结果可以包括司机有责的概率和司机无责的概率，如果司机有责的概率大于司机无责的概率，那么确定司机有责，即司机存在绕路行为。如果司机有责的概率小于司机无责的概率，则确定司机无责，即司机没有绕路。
75.示例性的，参考如图4所示的一种深度学习框架的示意图，深度学习框架包括双向长短记忆网络(bidirectionallong short-term memory，bilstm)430和多层感知器(multi-layer perceptron，mlp)440。
76.多维度信息如图4中的矩阵410和出行用时420作为双向长短记忆网络430的输入特征，得到双向长短记忆网络430的输出特征。将实际行程对应的订单信息和用户画像信息中的至少一个、以及双向长短记忆网络的输出特征作为多层感知器440的输入特征，多层感知器440的输出为实际行程的合理性判断结果。
77.如图4所示，双向长短记忆网络430包括注意力机制层attention。
78.在一些实施例中，多维度信息的矩阵410可以是13*6的矩阵，即矩阵行数m＝13，列数n＝6。其中，继续引用上述应用情景，以第一行b11、b12
……
b1n一共是6个维度为例说明每个维度的物理含义。b11表示通过未来行程规划预估的乘客和司机在预设时间10：00从甲出发到目的地乙的导航路线1的路线长度。b12表示导航路线1的路线长度和实际行驶路线长度的差值。b13表示导航路线1和实际行驶路线重合的link个数，例如，导航路线1包括30个link，实际行驶路线包括20个link，该30个link和该20个link中重合的link有5个。b14表示导航路线1和实际行驶路线重合的link的长度和，例如前面所述的5个link的长度和。b15表示导航路线1包括的30个link减掉重合的5个link，得到的不重合的25个link的长度和。b16表示导航路线1包括的30个link减掉重合的5个link，得到的不重合的link个数即25。同理，多维度信息的矩阵410的第二行b21、b22、
……
b2n是根据实际行驶路线和预估的乘客和司机在预设时间10：10出发时的导航路线2得到的6个维度，该6个维度类似于上述第一行b11、b12
……
b1n的6个维度。可以理解的是，对于实际出发时间11：00而言，对应有实际行驶路线；另外，根据11：00时的路况信息又可以预估出一个导航路线和出行用时，该导航路线和实际行驶路线可能是不同的，该出行用时和实际用时可能是不同的。因此，多维度信息的矩阵410的第7行是根据预设时间11：00时的导航路线和实际行驶路线得到的6个维度。此外，矩阵410的第8行到第13行，一共是6行，该6行是根据11：00之后1个小时内的6个时间点分别对应的导航路线和实际行驶路线得到的，与上述过程类似，不再进一步说明。
79.在另一些实施例中，矩阵410还可以是一个13*8，即13行、8列的矩阵，第一行的元素除了前面所述的b11
…
b16之外，还可以增加b17和b18。其中，b17表示实际行驶路线包括的20个link减掉重合的5个link，得到的不重合的15个link的路线长度和。b18表示实际行驶路线包括的20个link减掉重合的5个link，得到的不重合的link个数即15。同理，其他行中增加的2个维度的物理含义可以参照b17和b18，此处不再赘述。
80.另外，如图4所示，作为双向长短记忆网络的输入特征中的出行用时t1表示实际用时与在时间点10：00时预估的出行用时之间的差值(可能是正值，可能是负值)，t2表示实际用时与在时间点10：10预估的出行用时之间的差值，
…
，t7表示实际用时与在时间点11：00预估的出行用时之间的差值(可能是0，也可能不是0)，t8表示实际用时与在时间点11：10时预估的出行用时之间的差值，依此类推，t13表示实际用时与在时间点12:00时预估的出行用时之间的差值。
81.进一步，可以将t1
…
t13和上述矩阵410进行拼接，得到一个新的矩阵(将该新的矩阵记为矩阵b)，具体的拼接方法可以是将t1
…
t13作为矩阵b的第1列，将矩阵410的第1列作为矩阵b的第2列，将矩阵410的第2列作为矩阵b的第3列，将矩阵410的第3列作为矩阵b的第4列，以此类推，将矩阵410的第6列作为矩阵b的第7列。也就是说，矩阵b是一个13行、7列的矩阵。进一步，将矩阵b的第一行记为s1，将矩阵b的第二行记为s2，以此类推，将矩阵b的第13行记为s13。将s1
…
s13作为双向长短记忆网络的输入特征。双向长短记忆网络的输出特征包括实际用时与预估的12个出行用时之间的关系、实际行驶路线与预估的12个导航路线之间的关系、实际用时和实际行驶路线之间的关系、预估的12个出行用时和预估的12个导航路线之间的关系。通过参考上述动态变化的状态信息可获得在实际行程中较真实的各种状况，能够较客观地反应出司机所走的行驶路线是否合理。
82.进一步的，多层感知器mlp 440的输入特征除了包括双向长短记忆网络430的输出特征之外，还包括实际行程对应的订单信息和用户画像信息中的至少一个。其中，实际行程对应的订单信息可以包括：服务商编号(如网约车的平台商编号)预估里程、实际里程、预估价格、实际价格、预估耗时以及实际耗时中的至少一个；其中，预估里程、预估价格和预估耗时可以由第三方提供，或者也可以通过未来行程预估得到。用户画像信息具体可以是司机和/或乘客的用户画像信息，具体的例如包括：司机的历史订单统计信息(如司机订单总次数)、乘客的历史订单统计信息(如乘客订单总次数)、司机的投诉信息统计、乘客的投诉信息统计、司机近一周的订单数、判责信息统计(针对乘客的历史投诉给出的实际行程的合理性判断结果或处置方案，实际行程的合理性判断结果或处置方案可推送至乘客的网约车客户端)、司机报备信息(例如司机预先报备的乘客喝过酒)以及申诉统计信息(例如司机被投诉，平台补偿乘客，司机觉得不合理进行的申诉行为)。通过加入用户画像信息可使参考信息更加丰富，从而进一步提高实际行程的合理性判断结果的准确性。
83.可以理解的是，图4所示的深度学习框架可以理解为是判责系统。该深度学习框架需要提前进行训练，然后再使用。在该深度学习框架的训练阶段，需要多个样本数据，每个样本数据可以是已经被人工标注或人工确定的司机存在绕路行为的历史行程记录，该历史行程记录包括实际出发时间、实际行驶路线、实际用时等。进一步，根据该历史行程记录和未来行程规划，得到类似于上述矩阵410的第一矩阵。进一步，计算出t1
…
t13，根据t1
…
t13和第一矩阵，得到类似于上述矩阵b的第二矩阵，通过双向长短记忆网络对第二矩阵的每一行进行处理，得到双向长短记忆网络的输出特征，双向长短记忆网络的输出特征、该历史行程记录对应的订单信息、用户画像信息作为多层感知器mlp的输入，多层感知器mlp输出分类标签(即司机有责的概率和/或司机无责的概率)。可以理解的是，在训练阶段得到的分类标签可能是不准的，进一步，根据多层感知器mlp输出的分类标签、以及正确结果(例如司机有责，因为，样本数据是已经被人工标注或人工确定为司机存在绕路的历史记录)，对深度学习框架进行训练。
84.本实施例针对上述步骤s103“在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果”给出一种可选实施方式，具体是：根据实际行驶路线和导航路线，得到多维度信息；将多维度信息和出行用时作为双向长短记忆网络的输入特征，得到双向长短记忆网络的输出特征；将实际行程对应的订单信息和用户画像信息中的至少一个、以及双向长短记忆网络的输出特征作为多层感
知器的输入特征，确定实际行程的合理性判断结果。通过加入用户画像信息可使参考信息更加丰富，从而进一步提高实际行程的合理性判断结果的准确性。
85.图5为本公开另一实施例提供的行驶路线合理性的确认方法流程图。在本实施例中，在确定实际行程的合理性判断结果之后，增加了如下步骤：根据实际行程的合理性判断结果，生成处置方案；将处置方案推送给乘客终端；在接收到乘客终端返回的对处置方案的确认信息时，生成样本数据，样本数据包括实际行程信息；根据样本数据对深度学习框架进行训练。通过利用实际存在的数据作为新的样本数据对深度学习框架不断地进行训练，可不断地提升深度学习框架的性能，使其能够给出越来越精准的实际行程的合理性判断结果。如图5所示，该方法具体步骤如下：
86.s501、获取从起点到目的地的实际行程信息。
87.s502、根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时。
88.具体的，s501和s101、s502和s202-s203的实现方式和具体原理一致，此处不再赘述。
89.s503、根据实际行驶路线和导航路线，得到多维度信息，将多维度信息和出行用时作为双向长短记忆网络的输入特征，得到双向长短记忆网络的输出特征。
90.s504、将实际行程对应的订单信息和用户画像信息中的至少一个、以及双向长短记忆网络的输出特征作为多层感知器的输入特征，确定实际行程的合理性判断结果。
91.s505、根据实际行程的合理性判断结果，生成处置方案，将处置方案推送给乘客终端，在接收到所述乘客终端返回的对所述处置方案的确认信息时，生成样本数据，样本数据包括实际行程信息。
92.其中，处置方案例如是实际行程的合理性判断结果显示司机有责，则给予乘客一定的补偿。
93.s506、根据样本数据对深度学习框架进行训练。
94.通过不断地获取样本数据对深度学习框架不断地进行训练，可不断地提高深度学习框架的性能，使其输出的实际行程的合理性判断结果越来越准确。
95.在一种具体应用场景中，参考如图6所示的一种流程示意图，乘客在订单完成到达目的地后若发现司机绕路，可通过热线或网约车客户端在线的方式进行投诉或反馈，当服务器接收到投诉或反馈时，调用判责系统即训练完成的深度学习框架，由判责系统进行判责得到实际行程的合理性判断结果(可以理解的是，训练完成的深度学习框架输出的实际行程的合理性判断结果是比较准确的)，进一步，根据实际行程的合理性判断结果确定司机是否有责，若确定司机有责，则生成处置方案，并且将相应的处置方案推送并展示给乘客，在乘客点击确认后生成判责工单，以方便监控与管理；如果乘客未进行确认则表示乘客不认可处置方案(例如，只给乘客赔偿1块钱，乘客觉得太少，无法接受)，乘客可以继续投诉，此时转入客服系统，由人工客服介入处理，或者因为覆盖率问题有些订单没有触发判责也直接进入客服系统，最终由人工客服处理完成。在通过人工客服处理完成后，将处理结果进行记录，以生成新的样本数据并反馈给判责系统，以对判责系统继续进行训练，达到不断地提高判责系统性能，使判责系统输出的实际行程的合理性判断结果越来越准确的目的。
96.其中，判责工单包括：实际行程的合理性判断结果(例如，司机绕路或者司机没有
绕路)、处置方案(例如，给乘客补偿多少费用)、实际出发时间、实际行驶路线、实际用时等。进一步，该判责工单可以作为新的样本数据，继续对深度学习框架进行训练，使得深度学习框架的精确度不断的提高。
97.图6中的“监控与管理”是指，将乘客认可的数据与不认可的数据分别作为样本数据返回到判责系统，对判责系统继续进行训练
98.本公开实施例提供的行驶路线合理性的确认方法，通过结合未来行程预估技术，预估在实际出发时间前后的多个时间点从起点出发到目的地的导航路线和出行用时，并将该导航路线和出行用时作为判责系统的输入，通过借助深度学习框架，有效利用预估出的各导航路线和出行用时的时序性，更加客观有效地挖掘出判责需要参考的信息，且进一步将订单信息以及用户画像信息提供给判责系统，从而使得判责系统的输入更加真实、更加有效和更加丰富，进而获得更加准确的实际行程的合理性判断结果。另外判责系统在乘客反馈和投诉时立即进行客观及高时效的判责，能有效地改善用户体验和用户流失情况。
99.图7为本公开实施例提供的行驶路线合理性的确认装置的结构示意图。本公开实施例提供的行驶路线合理性的确认装置可以执行行驶路线合理性的确认方法实施例提供的处理流程。
100.如图7所示，行驶路线合理性的确认装置700包括：获取模块710、预估模块720和确定模块730。
101.其中，获取模块710，用于获取从起点到目的地的实际行程信息；预估模块720，用于根据实际行程信息，预估在预设时间从起点出发到目的地的导航路线和出行用时；确定模块730，用于在实际行程信息被投诉时，至少以导航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
102.可选的，实际行程信息包括如下至少一种：实际行程对应的订单生成时间、实际行程对应的实际出发时间中的至少一种。
103.可选的，预估模块720包括：确定单元，用于确定订单生成时间或实际出发时间之前的一个以上的预设时间；和/或确定订单生成时间或实际出发时间之后的一个以上的预设时间；预估单元，用于针对一个以上的预设时间中的每个预设时间，通过未来行程预估，得到在预设时间从起点出发到目的地的导航路线和出行用时。
104.可选的，深度学习框架包括双向长短记忆网络和多层感知器；实际行程信息包括实际行驶路线；确定模块730包括：第一获取单元，用于根据实际行驶路线和导航路线，得到多维度信息；第二获取单元，用于将多维度信息和出行用时作为双向长短记忆网络的输入特征，得到双向长短记忆网络的输出特征；确定单元，用于将实际行程对应的订单信息和用户画像信息中的至少一个、以及双向长短记忆网络的输出特征作为多层感知器的输入特征，确定实际行程的合理性判断结果。
105.可选的，多维度信息包括如下至少一种：
106.导航路线的路线长度、导航路线和实际行驶路线的长度差值、导航路线和实际行驶路线中重合的道路单元的个数、重合的道路单元的长度和、导航路线和实际行驶路线不重合的道路单元的个数、不重合的道路单元的长度和。
107.可选的，双向长短记忆网络包括注意力机制层。
108.可选的，行驶路线合理性的确认装置700还包括：第一生成模块，用于在至少以导
航路线和出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果之后，根据实际行程的合理性判断结果，生成处置方案。推送模块，用于将处置方案推送给乘客终端。第二生成模块，用于在接收到乘客终端返回的对处置方案的确认信息时，生成样本数据，样本数据包括实际行程信息。训练模块，用于根据样本数据对深度学习框架进行训练。
109.图7所示实施例的行驶路线合理性的确认装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
110.以上描述了行驶路线合理性的确认装置的内部功能和结构，该装置可实现为一种电子设备。图8为本公开实施例提供的电子设备实施例的结构示意图。如图8所示，该电子设备包括存储器151和处理器152。
111.存储器151，用于存储程序。除上述程序之外，存储器151还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
112.存储器151可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
113.处理器152，与存储器151耦合，执行存储器151所存储的程序，以用于：
114.获取从起点到目的地的实际行程信息；根据所述实际行程信息，预估在预设时间从所述起点出发到所述目的地的导航路线和出行用时；在所述实际行程信息被投诉时，至少以所述导航路线和所述出行用时作为深度学习框架的输入特征，确定实际行程的合理性判断结果。
115.进一步，如图8所示，电子设备还可以包括：通信组件153、电源组件154、音频组件155、显示器156等其它组件。图8中仅示意性给出部分组件，并不意味着电子设备只包括图8所示组件。
116.通信组件153被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件153经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件153还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
117.电源组件154，为电子设备的各种组件提供电力。电源组件154可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
118.音频组件155被配置为输出和/或输入音频信号。例如，音频组件155包括一个麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器151或经由通信组件153发送。在一些实施例中，音频组件155还包括一个扬声器，用于输出音频信号。
119.显示器156包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感
测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
120.另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的行驶路线合理性的确认方法。
121.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
122.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。