一种行为责任判定方法及装置与流程

本申请涉及行为分析
技术领域：
，具体而言，涉及一种行为责任判定方法及装置。
背景技术：
：目前，乘客在通过网约车软件呼叫车辆并进行乘坐的过程中会产生对应的乘车订单，同时由于网约车上普遍安装有摄像头等车载设备，因此可以对乘客的乘车过程进行记录并生成订单视频，订单视频亦可视为乘车订单的一部分。为更好地对司机的行为进行管控，网约车服务的提供方通常会收集乘车订单，并根据订单视频的内容对乘车订单进行判责，所谓判责是指判定订单视频中是否存在某些特定的行为，存在即有责，不存在即无责。以司机的抽烟行为为例，抽烟会污染车内环境，导致乘客的乘坐舒适度下降，因此根据针对抽烟行为的判责结果对有责的司机进行警告或者处罚，可以规范司机的行为，改善乘客的乘车体验。随机人工智能的兴起，现有技术中已经开始采用机器辅助判责，然而，判责结果难以适应具体的业务需求。技术实现要素：有鉴于此，本申请实施例的目的在于提供一种行为责任判定方法及装置，能够根据实际的业务规则确定判责用的阈值，有利于改善判责结果在具体业务上的表现，体现人工智能的价值。第一方面，本申请提供一种行为责任判定方法，包括：获取多个乘车订单，所述乘车订单预先进行了是否有责的标注，标注为有责表示所述乘车订单执行时车内乘员存在导致责任判定的行为；根据每个乘车订单的订单描述信息计算订单置信概率，所述订单描述信息记录了所述乘车订单执行时车内乘员的状况，所述订单置信概率是指所述乘车订单执行时车内乘员存在导致责任判定的行为的概率；按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责，其中，按照所述判责比例进行判责是指将计算出的多个订单置信概率中数值最大的所述判责比例的订单置信概率对应的乘车订单判定为有责；根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长，其中，所述订单召回率是指被判定为有责且标注也是有责的乘车订单占所述多个乘车订单中标注为有责的乘车订单的比例，所述判责时长是指以所述判责结果作为辅助对所述多个乘车订单进行人工判责所消耗的总时间；选择一组满足业务规则且对应于同一判责比例的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例；根据所述选中比例设置第一阈值，所述第一阈值满足条件：将所述多个订单置信概率中数值大于所述第一阈值的订单置信概率对应的乘车订单判定为有责后，能够获得所述选中比例对应的判责结果。在上述方法中，通过计算订单置信概率，并基于订单置信概率分别按照多个判责比例进行判责，从而根据判责结果建立起了判责比例、订单召回率以及判责时长三者之间的映射关系。从而，只要根据业务规则确定了一组合适的订单召回率以及判责时长，就可以确定相应的判责比例，即选中比例，进而根据选中比例可以反推出能够产生该选中比例对应的判责结果的第一阈值。第一阈值可以被用于新的乘车订单(除上述多个乘车订单以外的其他订单)的判责。由于上述方法中获得的多个乘车订单是预先标注过的，可视为训练集，因此第一阈值可以视为通过训练获得的、且满足业务规则的一项判责信息，根据该信息对新的乘车订单进行判责，获得的判责结果的订单召回率以及判责时长也有望满足业务规则的要求。上述方法在确定第一阈值的过程中结合了业务规则，即将实际的业务需求反映到了判责方法的制定过程中，有利于改善判责结果。同时，上述方法对于订单召回率以及判责时长具有敏感性，因此能够灵活、准确地反映业务规则对判责的影响。另一方面，根据第一阈值的确定过程，判责时长是机器判责辅助人工判责的时长，因此，基于第一阈值的判责结果也可以作为人工判责的辅助，提高人工判责的效率并改善判责结果，以体现人工智能的价值。在第一方面的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述根据每个乘车订单的订单描述信息计算订单置信概率，包括：利用图像识别算法识别所述订单视频的至少一个视频帧中的行为，获得所述至少一个视频帧中的每个视频帧的单帧置信概率，所述单帧置信概率是指在所述视频帧的画面中车内乘员存在导致责任判定的行为的概率；根据计算出的至少一个单帧置信概率计算订单置信概率，所述订单置信概率是指所述订单视频的画面中车内乘员存在导致责任判定的行为的概率。在上述实现方式中，单帧置信概率可以映射到订单置信概率，由于判责是以乘车订单为基础而不是以单帧图像为基础，因此通过这样的映射可以将图像识别的元能力和实际的判责联系起来，即建立了图像识别元能力与实际业务场景的关系，一方面使得图像识别元能力能够为业务服务，体现人工智能的价值，一方面使得图像识别元能力的开发人员能够基于业务目标改进与迭代元能力的建设。在第一方面的一些实现方式中，所述根据计算出的至少一个单帧置信概率计算订单置信概率，包括：若所述至少一个单帧置信概率中存在大于第二阈值的单帧置信概率，则采用以下公式计算订单置信概率p：其中，k为大于第二阈值的单帧置信概率的个数，pn为第n个大于第二阈值的单帧置信概率，n取遍整数1至k。在上述实现方式中，基于独立事件的概率模型计算订单置信概率，计算方式简单高效。在第一方面的一些实现方式中，所述方法还包括：若所述至少一个单帧置信概率中不存在大于第二阈值的单帧置信概率，则将所述订单置信概率确定为所述至少一个单帧置信概率中的最大值。在第一方面的一些实现方式中，所述至少一个视频帧为按照预设的抽帧策略从所述订单视频中抽取的视频帧。在上述实现方式中，可以采用预设的抽帧策略从订单视频中抽取部分视频帧，只对这些视频帧计算单帧置信概率，可以在计算资源有限的情况下提高处理效率。同时，抽出的帧可以不是连续的帧，因此各帧的画面之中乘员的行为更符合独立事件的特征。在第一方面的一些实现方式中，所述多个乘车订单按照所述判责结果分为四类：第一类乘车订单表示被判定为有责且标注也是有责的乘车订单，第二类乘车订单表示被判定为无责且标注也是无责的乘车订单，第三类乘车订单表示被判定为有责但标注是无责的乘车订单，第四类乘车订单表示被判定为无责但标注是有责的乘车订单；根据每个判责比例对应的判责结果计算每个判责比例对应的判责时长，包括：根据所述判责比例对应的判责结果计算每类乘车订单的数量；获取每类订单的分类平均判责时长，所述分类平均判责时长是指以所述判责结果作为辅助对每类乘车订单中的一个乘车订单进行人工判责所消耗的平均时间；采用以下公式计算判责时长t：t＝t1*x1+t2*x2+t3*x3+t4*x4，其中，x1、x2、x3以及x4依次为所述第一类乘车订单的数量、所述第二类乘车订单的数量、所述第三类乘车订单的数量以及所述第四类乘车订单的数量，t1、t2、t3以及t4依次为所述第一类乘车订单的分类平均判责时长、所述第二类乘车订单的分类平均判责时长、所述第三类乘车订单的分类平均判责时长以及所述第四类乘车订单的分类平均判责时长。在上述实现方式中，按照乘车订单的不同类别计算总的判责时长，每类乘车订单由于其不同的特征，其分类平均判责时长可能不同，从而可以对判责时长进行比较精确的估计。在第一方面的一些实现方式中，t1、t2、t3以及t4满足条件：t1<t0、t2＝0、t3＝t4、t3>t0以及t4>t0，其中，t0为对所述多个乘车订单中的一个乘车订单进行纯人工判责所消耗的平均时间。在第一方面的一些实现方式中，所述根据所述判责比例对应的判责结果计算每类乘车订单的数量，包括：利用有责率(x1+x4)/(x1+x2+x3+x4)、所述判责比例(x1+x3)/(x1+x2+x3+x4)以及根据所述判责结果确定的所述订单召回率x1/(x1+x4)计算x1、x2、x3以及x4。在这些实现方式中，有责率、判责比例在获得判责结果前就可以确定，而在获得判责结果后又可以确定召回率，同时乘车订单的总数是已知的，因此基于上述几项求解方程可以快速获得x1、x2、x3以及x4。在第一方面的一些实现方式中，所述业务规则包括：在订单召回率不低于目标召回率时使得判责时长最短，或者，在判责时长不超过目标时长时使得订单召回率最高。在这些实现方式中，业务规则或者以目标召回率为出发点，同时尽量兼顾判责效率，或者以目标时长为出发点，同时尽量兼顾订单召回率。在第一方面的一些实现方式中，所述目标时长根据基准判责时长以及目标提效比例进行计算，所述基准判责时长为对所述多个乘车订单进行纯人工判责所消耗的总时间。在第一方面的一些实现方式中，所述目标召回率以及所述目标时长根据车内乘员的行为所导致的后果的严重性确定。在这些实现方式中，业务目标的设置和车内乘员的行为所导致的后果的严重性相关。例如，对于司机的抽烟行为，不会导致很严重的后果，业务目标可以以提高判责效率为主；而对于司机的性侵行为，会导致很严重的后果，业务目标可以以提高订单召回率为主。在第一方面的一些实现方式中，在所述根据所述选中比例设置第一阈值之后，所述方法还包括：获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第一阈值，则将所述新的乘车订单判定为有责；将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。在这些实现方式中，可以将获得的第一阈值用于新的乘车订单的判责，其输出的判责用于为人工判责提供辅助，使得针对新的乘车订单有望获得在训练时确定的订单召回率以及判责时长，以满足实际的业务需求，改善人工判责的结果和判责效率。第二方面，本申请实施例提供一种行为责任判定方法，包括：获取多个乘车订单，所述乘车订单预先进行了是否有责的标注；根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率；按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责；根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长；跳转至“根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率”的步骤重复执行，直至所述多种概率计算方式均被采用；选择一组满足业务规则、且对应于同一判责比例、且是采用同一种概率计算方式时计算出的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例，对应的同一种概率计算方式为选中方式；根据所述选中方式以及所述选中比例设置第三阈值，所述第三阈值满足条件：将采用所述选中方式计算出的订单置信概率中数值大于所述第三阈值的订单置信概率对应的乘车订单判定为有责后，能够获得在采用所述选中方式计算订单置信概率的前提下，所述选中比例对应的判责结果。在上述方法中，订单置信概率可以通过不同的概率计算方式进行计算，其计算结果可能不同。从而，可以建立一个概率计算方式、判责比例、订单召回率以及判责时长四者之间的映射关系。因此，在根据业务规则确定一组合适的订单召回率以及判责时长时，相较于第一方面提供的方法(采用一种固定的概率计算方式)，可以在更大的范围内进行选择，进而可能获得更加符合业务需求的订单召回率以及判责时长的组合。另一方面，也可以比较不同的概率计算方式对于订单召回率以及判责时长的影响，从而对不同的概率计算方式进行评估。在第二方面的一些实现方式中，在所述根据所述选中比例设置第三阈值之后，所述方法还包括：获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；采用所述选中方式计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第三阈值，则将所述新的乘车订单判定为有责；将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。在第二方面的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述多种概率计算方式包括采用多种抽帧策略从所述订单视频中抽取视频帧进行计算，和/或，利用多种图像识别算法识别所述订单视频的视频帧中的行为后进行计算。在上述实现方式中，对同一个订单视频，一方面，采用不同的抽帧策略，抽取的视频帧不同，因此计算出的单帧置信概率也不同，进而计算出的订单置信概率也可能不同。另一方面，图像识别元能力的不同，计算出的单帧置信概率也不同，进而计算出的订单置信概率也可能不同。因此以上两方面都将产生不同的概率计算方式。第三方面，本申请实施例提供一种行为责任判定装置，包括：第一订单获取模块，用于获取多个乘车订单，所述乘车订单预先进行了是否有责的标注，标注为有责表示所述乘车订单执行时车内乘员存在导致责任判定的行为；第一概率计算模块，用于根据每个乘车订单的订单描述信息计算订单置信概率，所述订单描述信息记录了所述乘车订单执行时车内乘员的状况，所述订单置信概率是指所述乘车订单执行时车内乘员存在导致责任判定的行为的概率；第一判责模块，用于按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责，其中，按照所述判责比例进行判责是指将计算出的多个订单置信概率中数值最大的所述判责比例的订单置信概率对应的乘车订单判定为有责；第一指标计算模块，用于根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长，其中，所述订单召回率是指被判定为有责且标注也是有责的乘车订单占所述多个乘车订单中标注为有责的乘车订单的比例，所述判责时长是指以所述判责结果作为辅助对所述多个乘车订单进行人工判责所消耗的总时间；第一选择模块，用于选择一组满足业务规则且对应于同一判责比例的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例；第一设置模块，用于根据所述选中比例设置第一阈值，所述第一阈值满足条件：将所述多个订单置信概率中数值大于所述第一阈值的订单置信概率对应的乘车订单判定为有责后，能够获得所述选中比例对应的判责结果。在第三方面的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述第一概率计算模块包括：第一概率计算单元，用于利用图像识别算法识别所述订单视频的至少一个视频帧中的行为，获得所述至少一个视频帧中的每个视频帧的单帧置信概率，所述单帧置信概率是指在所述视频帧的画面中车内乘员存在导致责任判定的行为的概率；第二概率计算单元，用于根据计算出的至少一个单帧置信概率计算订单置信概率，所述订单置信概率是指所述订单视频的画面中车内乘员存在导致责任判定的行为的概率。在第三方面的一些实现方式中，所述第二概率计算单元具体用于：若所述至少一个单帧置信概率中存在大于第二阈值的单帧置信概率，则采用以下公式计算订单置信概率p：其中，k为大于第二阈值的单帧置信概率的个数，pn为第n个大于第二阈值的单帧置信概率，n取遍整数1至k。在第三方面的一些实现方式中，所述第二概率计算单元还用于：若所述至少一个单帧置信概率中不存在大于第二阈值的单帧置信概率，则将所述订单置信概率确定为所述至少一个单帧置信概率中的最大值。在第三方面的一些实现方式中，所述至少一个视频帧为按照预设的抽帧策略从所述订单视频中抽取的视频帧。在第三方面的一些实现方式中，所述多个乘车订单按照所述判责结果分为四类：第一类乘车订单表示被判定为有责且标注也是有责的乘车订单，第二类乘车订单表示被判定为无责且标注也是无责的乘车订单，第三类乘车订单表示被判定为有责但标注是无责的乘车订单，第四类乘车订单表示被判定为无责但标注是有责的乘车订单；所述第一指标计算模块包括：数量计算单元，用于根据所述判责比例对应的判责结果计算每类乘车订单的数量；第一时长计算单元，用于获取每类订单的分类平均判责时长，所述分类平均判责时长是指以所述判责结果作为辅助对每类乘车订单中的一个乘车订单进行人工判责所消耗的平均时间；第二时长计算单元，用于采用以下公式计算判责时长t：t＝t1*x1+t2*x2+t3*x3+t4*x4，其中，x1、x2、x3以及x4依次为所述第一类乘车订单的数量、所述第二类乘车订单的数量、所述第三类乘车订单的数量以及所述第四类乘车订单的数量，t1、t2、t3以及t4依次为所述第一类乘车订单的分类平均判责时长、所述第二类乘车订单的分类平均判责时长、所述第三类乘车订单的分类平均判责时长以及所述第四类乘车订单的分类平均判责时长。在第三方面的一些实现方式中，t1、t2、t3以及t4满足条件：t1<t0、t2＝0、t3＝t4、t3>t0以及t4>t0，其中，t0为对所述多个乘车订单中的一个乘车订单进行纯人工判责所消耗的平均时间。在第三方面的一些实现方式中，所述数量计算单元具体用于：利用有责率(x1+x4)/(x1+x2+x3+x4)、所述判责比例(x1+x3)/(x1+x2+x3+x4)以及根据所述判责结果确定的所述订单召回率x1/(x1+x4)计算x1、x2、x3以及x4。在第三方面的一些实现方式中，所述业务规则包括：在订单召回率不低于目标召回率时使得判责时长最短，或者，在判责时长不超过目标时长时使得订单召回率最高。在第三方面的一些实现方式中，所述目标时长根据基准判责时长以及目标提效比例进行计算，所述基准判责时长为对所述多个乘车订单进行纯人工判责所消耗的总时间。在第三方面的一些实现方式中，所述目标召回率以及所述目标时长根据车内乘员的行为所导致的后果的严重性确定。在第三方面的一些实现方式中，所述装置还包括：第二订单获取模块，用于获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；第二判责模块，用于计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第一阈值，则将所述新的乘车订单判定为有责；第一输出模块，用于将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。第四方面，本申请实施例提供一种行为责任判定装置，包括：第三订单获取模块，用于获取多个乘车订单，所述乘车订单预先进行了是否有责的标注；第三概率计算模块，用于根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率；第三判责模块，用于按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责；第三指标计算模块，用于根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长；迭代执行模块，用于跳转至“根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率”的步骤重复执行，直至所述多种概率计算方式均被采用；第二选择模块，用于选择一组满足业务规则、且对应于同一判责比例、且是采用同一种概率计算方式时计算出的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例，对应的同一种概率计算方式为选中方式；第二设置模块，用于根据所述选中方式以及所述选中比例设置第三阈值，所述第三阈值满足条件：将采用所述选中方式计算出的订单置信概率中数值大于所述第三阈值的订单置信概率对应的乘车订单判定为有责后，能够获得在采用所述选中方式计算订单置信概率的前提下，所述选中比例对应的判责结果。在第四方面的一些实现方式中，所述装置还包括：第四订单获取模块，用于获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；第四判责模块，用于采用所述选中方式计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第三阈值，则将所述新的乘车订单判定为有责；第二输出模块，用于将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。在第四方面的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述多种概率计算方式包括采用多种抽帧策略从所述订单视频中抽取视频帧进行计算，和/或，利用多种图像识别算法识别所述订单视频的视频帧中的行为后进行计算。第五方面，本申请实施例提供一种电子设备，包括：处理器(一个或多个)、存储介质(一个或多个)和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器运行所述机器可读指令，以执行第一方面、第二方面或两方面的任意一种可能的实现方式提供的行为责任判定方法的步骤。第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面、第二方面或两方面的任意一种可能的实现方式提供的行为责任判定方法的步骤。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本申请实施例所提供的一种电子设备的结构示意图；图2示出了本申请实施例所提供的一种行为责任判定方法的流程图；图3示出了本申请实施例所提供的另一种行为责任判定方法的流程图；图4示出了本申请实施例所提供的一种行为责任判定装置的功能模块图；图5示出了本申请实施例所提供的另一种行为责任判定装置的功能模块图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车订单判责”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车订单判责这一场景进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，包括陆地，海洋，或航空等，或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等，或其任意组合。需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。目前，网约车服务的提供方通常会收集乘车订单，并根据订单视频的内容对乘车订单进行判责，进而根据判责结果对司机的行为进行管控。虽然在本申请提出已经有一些采用机器辅助判责的方法，然而，发明人经长期研究发现，这些判责方法未能结合实际的业务需求，导致判责结果在具体的业务上表现不理想。针对上述问题，本申请的一个方面提供一种行为责任判定方法，该方法首先获取已经进行过是否有责的标注的多个乘车订单，然后基于各乘车订单的订单置信概率分别按照多个判责比例进行机器判责，并根据判责结果建立判责比例、订单召回率以及判责时长三者之间的映射关系。从而，只要根据业务规则确定了一组合适的订单召回率以及判责时长，就可以确定相应的判责比例，进而根据该判责比例可以反推出能够产生该判责比例对应的判责结果的第一阈值。其中，业务规则是指对具体的业务需求的一种描述。第一阈值可以被用于新的乘车订单(指除用于计算第一阈值的乘车订单以外的订单)的判责，由于第一阈值在计算时充分考虑了业务规则，因此若采用第一阈值对新的乘车订单进行判责，获得的判责结果的订单召回率以及判责时长也有望满足相应的业务需求。图1示出本申请实施例提供的一种电子设备100的结构示意图。电子设备100可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的行为责任判定方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。例如，电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140，例如，磁盘、rom、或ram，或其任意组合。示例性地，计算机平台还可以包括存储在rom、ram、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。处理器120通过从存储介质140中读取并运行这些程序指令，可以实现本申请的行为责任判定方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(input/output，i/o)接口150。为了便于说明，在电子设备100中仅描述了一个处理器。然而，应当注意，本申请中的电子设备100还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备100的处理器执行步骤a和步骤b，则应该理解，步骤a和步骤b也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤a，第二处理器执行步骤b，或者第一处理器和第二处理器共同执行步骤a和b。本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行申请的行为责任判定方法。例如，该计算机可读存储介质可以是上述存储介质140。图2示出了本申请实施例所提供的一种行为责任判定方法的流程图。参照图2，该方法包括：步骤s20：获取多个乘车订单。步骤s20中获取的乘车订单已经预先进行了是否有责的标注(例如，可以通过人工标注)，标注为有责表示乘车订单执行时车内乘员存在导致责任判定的行为，标注为无责表示乘车订单执行时车内乘员不存在导致责任判定的行为。其中，乘车订单执行时就是指对应于乘车订单的乘车行为发生的时间段(例如，乘客上车到下车的时段)。这里，导致责任判定的行为可以是，但不限于一些对乘客的乘车体验造成负面影响的行为，例如，司机的抽烟行为、开车打手机行为、性侵行为等等。可以理解的，导致责任判定的行为也不一定是司机做出的，也可能是乘客做出的，当然，作为网约车服务的提供方，其所能够管控的对象主要是网约车司机，因此本申请在阐述时主要以司机的行为为例，但这不应当视为对本申请保护范围的限制。以司机的抽烟行为为例，标注为有责表示乘车订单执行时司机存在抽烟行为，标注为无责表示乘车订单执行时司机不存在抽烟行为。乘车订单中包括用于记录这个时间段里车内乘员的状况的订单描述信息，订单描述信息可能为视频、音频、文字等形式或几种形式的结合，订单描述信息可以通过车辆内的摄像头等车载设备进行采集，后文在进行阐述时，为简单起见，主要以订单描述信息包括视频(简称订单视频)的情况为例，但这不应当视为对本申请保护范围的限制。对乘车订单的标注可以基于订单描述信息进行，例如，通过人工查看订单视频的内容进行标注。获取乘车订单的方式不作限定。例如，可以事先将收集到的乘车订单标注后保存在数据库中，需要执行本申请实施例提供的行为责任判定方法时从数据库中读取。由于步骤s20中的乘车订单都经过了预先标注，因此可以视为一种训练用的样本，为便于描述，后文中将这些乘车订单构成的集合称为训练集。步骤s21：根据每个乘车订单的订单描述信息计算订单置信概率。关于订单描述信息上文已经介绍，订单置信概率是指乘车订单执行时车内乘员存在导致责任判定的行为的概率，以司机的抽烟行为为例，订单置信概率可以是根据订单描述信息预测出的司机存在抽烟行为的概率。以订单描述信息是订单视频的情况为例，可以通过图像识别算法(例如，基于深度学习的方法)对订单视频的视频帧进行行为分析，并根据分析结果计算订单置信概率，在后文会给出一些可能的计算方法。步骤s21执行完后，训练集中的每个乘车订单都计算出一个对应的订单置信概率，共多个订单置信概率。步骤s22：按照多个判责比例中的每个判责比例对多个乘车订单进行判责。上述多个判责比例可以是预设的一组比例值，如10％、20％、…、90％、100％等等，按照某个判责比例进行判责是指将步骤s21中计算出的多个订单置信概率中数值最大的判责比例的订单置信概率对应的乘车订单判定为有责，训练集中的其余乘车订单判定为无责。例如，按照判责比例10％进行判责是指将步骤s21中计算出的多个订单置信概率中数值最大的前10％的订单置信概率对应的乘车订单判定为有责，剩余的90％的订单置信概率对应的乘车订单判定为无责。为便于根据判责比例进行判责，在一些实现方式中，可以先对步骤s21中计算出的多个订单置信概率进行排序。需要指出，步骤s22中的判责是机器自动进行的(例如，通过运行相应的计算机程序)，而非人工判责。步骤s23：根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长。订单召回率是指被判定为有责且标注也是有责的乘车订单占多个乘车订单中标注为有责的乘车订单的比例，执行步骤s22的判责以后，每个乘车订单或者被判为有责，或者被判为无责，并且由于训练集中的乘车订单都是预先标注过标准判责结果的，因此通过两相对比就可以计算订单召回率。之前已经提到，步骤s22中的判责结果是机器作出的，考虑到人工智能技术尚不够成熟，该判责结果可以作为对训练集中的乘车订单进行人工判责的参考，可以理解的，在参考机器的判责结果后，进行人工判责的效率将和采用纯人工判责的方式不同(例如，在多数情况下会提高)，判责时长表征的含义正是以判责结果作为辅助对训练集中的乘车订单进行人工判责所消耗的总时间，判责时长可以根据判责结果进行估算，在后文会给出一些可能的计算方法。需要指出，对于不同的判责比例，其判责结果是不同的，因此计算出的对应的订单召回率以及判责时长也可能不同。在步骤s23执行完后，可以获得判责比例、订单召回率以及判责时长三者之间的映射关系。例如，以表格的形式表示如下：判责比例订单召回率判责时长/分钟10％25％100020％30％110030％40％1500………表1可以理解的，表1中的数值仅为示例，不应当视为对本申请保护范围的限制。步骤s24：选择一组满足业务规则且对应于同一判责比例的订单召回率以及判责时长。业务规则是指根据业务需求制定的规则，对于网约车的订单判责而言，业务规则可以是指订单召回率与判责时长满足的某种关系。例如，业务规则可以是，但不限于以下两种规则中的一种：r1.在订单召回率不低于目标召回率时使得判责时长最短；r2.在判责时长不超过目标时长时使得订单召回率最高。其中，规则r1表示业务规则以目标召回率为出发点，同时尽量兼顾机器辅助判责的判责效率，规则r2表示以目标时长为出发点，同时尽量兼顾订单召回率。总之，规则r1和r2都是企图在订单召回率和判责时长之间找到一个均衡点。目标召回率以及目标判责时长可以是制定业务规则预先设定好的数值，在一些实现方式中，这两个值可以据车内乘员的行为所导致的后果的严重性确定。例如，对于司机的抽烟行为，不会导致很严重的后果，业务目标可以以提高判责效率为主，这时可以采用规则r2作为要使用的业务规则，将目标时长设置得短一些；又例如，对于司机的性侵行为，会导致很严重的后果，业务目标可以以提高订单召回率为主，这时可以采用规则r1作为要使用的业务规则，将目标召回率设置得高一些。此外，在一些实现方式中，目标时长可以根据基准判责时长以及目标提效比例进行计算，基准判责时长是对训练集中的乘车订单进行纯人工判责所消耗的总时间的一个估计值。例如，基准判责时长是3000分钟，业务人员制定目标可以将目标提效比例制定为20％，则此时可以算出目标时长为2400分钟。在确定了业务规则后，可以根据业务规则的内容选择一组合适的订单召回率和判责时长，例如，业务规则为：判责时长不超过1200分钟且订单召回率尽可能高，按照表1，可以将订单召回率30％和判责时长1100分钟作为选择的结果。在选择的订单召回率以及判责时长确定后，根据步骤s23中建立的三元映射关系，相应的判责比例也就确定了。需要指出，选择的订单召回率和判责时长应当对应于同一判责比例(即它们是根据同一判责结果计算的，否则选择出的组合没有意义)，为描述方便，将这个所谓同一判责比例称为选中比例。例如，对于订单召回率30％和判责时长1100分钟的组合，在表1中对应的选中比例为20％。步骤s25：根据选中比例设置第一阈值。第一阈值满足如下条件：将步骤s21中获得的多个订单置信概率中数值大于第一阈值的订单置信概率对应的乘车订单判定为有责后，能够获得选中比例对应的判责结果。一旦确定了选中比例后，例如20％，那么在步骤s22中将被判为有责的乘车订单也就确定了(占训练集中全部乘车订单的20％)，进而这些乘车订单中订单置信概率的最小者也就确定了，假设是65％，同时，训练集中剩余的80％的乘车订单中订单置信概率的最大者也是确定的，假设是62％，则第一阈值可以设置为[62％，65％)之间的一个值，假设是63％，将步骤s21中获得的多个订单置信概率中数值大于63％的订单置信概率对应的乘车订单判定为有责后，恰好和判责比例为20％时的判责结果是相同的。计算出的第一阈值可以用于新的乘车订单(非训练集中的乘车订单)的机器判责。例如，可以首先获取新的乘车订单，然后计算新的乘车订单的订单置信概率(可以采用和步骤s21中相同的方法)，若计算出的数值大于第一阈值，则将新的乘车订单判定为有责，否则将订单判定为无责。该判责结果可以最为最终结果输出，也就是利用纯机器判责。也可以作为辅助信息输出，以辅助人工对新的乘车订单进行判责。需要指出，第一阈值也可以用其他用途，不一定会用于判责，但这不影响第一阈值用于机器判责时所达到的效果。在上述方法中，第一阈值是通过训练集中的乘车订单获得的，因此可以视为通过这些训练样本训练出的一种判责标准，该标准同时考虑了需要满足的业务规则，进而根据该判责标准对新的乘车订单进行判责，获得的判责结果的订单召回率以及判责时长也有望满足业务规则所反映出的业务需求，即能够使基于第一阈值的判责(无论是机器判责还是辅助人工判责)与实际的业务需求相符合，因而有利于改善判责结果。同时，上述方法对于订单召回率以及判责时长具有敏感性，即第一阈值能够反映订单召回率以及判责时长中的微小变化，因此能够灵活、准确地反映业务规则对判责结果的影响。此外，根据第一阈值的训练过程，判责时长是机器判责辅助人工判责的时长，因此，若将基于第一阈值的判责结果作为人工判责的辅助，可以提高人工判责的效率并改善判责结果，以体现人工智能的价值。对于判责时长，之前提到的都是绝对意义上的时长，在一些实现方式中，也可以采用相对意义上的时长表示，例如，相对于基准判责时长(定义见步骤s24)所缩短(或延长)的比例，如判责时长是1200分钟，基准判责时长是3000分钟，判责时长也可以记为60％，表示相对于基准判责时长缩短了60％(提效比例60％)。在步骤s24中已经提到，若采用上述相对表示，业务人员在制定目标也可以直接将目标提效比例作为业务目标，例如，业务规则可以制定为：在目标提效比例不低于50％的前提下，使得订单召回率尽可能高。下面以订单描述信息包括订单视频阐述步骤s21的一些可能的实现方式，在这些实现方式中，步骤s21可以进一步包括如下步骤：步骤a：利用图像识别算法识别订单视频的至少一个视频帧中的行为,获得至少一个视频帧中的每个视频帧的单帧置信概率。订单视频由若干视频帧构成，步骤a中要进行图像识别的视频帧可以是订单视频中全部的视频帧也可以是部分的视频帧。在很多情况下，考虑到计算资源的限制，为提高处理效率或者降低对硬件的需求，可以采用预设的抽帧策略从订单视频中抽取部分视频帧进行图像识别，其中，具体采用何种抽帧策略不作限定，例如，可以是每若干帧抽取一帧，或者，每隔一段时长抽取一帧，或者，在每个订单视频中抽取固定数量的帧，等等。步骤a中采用的图像识别算法不作限定，例如，可以是基于深度学习的方法，其中一些方法通过训练图像训练深度神经网络模型，然后利用这样的模型预测视频帧的单帧置信概率，其中，单帧置信概率是指在视频帧的画面中车内乘员存在导致责任判定的行为的概率。算法对视频帧中的行为进行识别的能力也可以称为图像识别元能力。步骤b：根据计算出的至少一个单帧置信概率计算订单置信概率。在采用订单视频记录车内状况时，订单置信概率就是指订单视频的画面中车内乘员存在导致责任判定的行为的概率。若将步骤a中选取的至少一个视频帧中每帧内的乘员行为视为独立的事件，可以采用独立事件的概率模型进行订单置信概率的计算。若将步骤a中选取的至少一个视频帧中每帧内的乘员行为视为非独立的事件，可以采用非独立事件的概率模型进行订单置信概率的计算。特别地，若采取抽帧的方式获得上述至少一个视频帧，由于抽出的帧可以不是连续的帧，因此各帧的画面之中乘员的行为更符合独立事件的特征。在采用独立事件的概率模型时，订单置信概率的计算较为简单，下面介绍其可能的计算方法：对于步骤a计算出的至少一个单帧置信概率，判断其是否大于预设的第二阈值，若大于第二阈值，表示可以判定该单帧置信概率对应的视频帧画面中车内乘员存在导致责任判定的行为，否则可以判定该单帧置信概率对应的视频帧画面中车内乘员不存在导致责任判定的行为。若存在大于第二阈值的单帧置信概率，则可以采用以下公式计算订单置信概率p：其中，k为大于第二阈值的单帧置信概率的个数，pn为第n个大于第二阈值的单帧置信概率，n取遍整数1至k；若不存在大于第二阈值的单帧置信概率，则可以将订单置信概率确定为步骤a计算出的至少一个单帧置信概率中的最大值。对于后一种情况，例如，步骤a中选择了3个视频帧，其计算出的单帧置信概率分别是0.3、0.4、0.2，第二阈值为0.6，显然三个单帧置信概率均小于第二阈值，则订单置信概率可以取0.4。可以理解的，在其他一些实现方式中，订单置信概率也可以取这3个单帧置信概率的均值、最小值，等等。上述对订单置信概率的计算方式中，将单帧置信概率映射到订单置信概率，由于判责是以乘车订单为基础而不是以单帧图像为基础(例如，在单帧图像中发现司机和乘客有身体接触并不能认定司机存在性侵行为)，因此通过这样的映射可以将图像识别的元能力和实际的判责联系起来，即建立了图像识别元能力与实际业务场景的联系，一方面使得图像识别元能力能够为业务服务，体现人工智能的价值，一方面使得图像识别元能力的开发人员能够基于业务目标改进与迭代元能力的建设。下面介绍步骤s23中判责时长可能的估算方式。根据某个判责比例对应的判责结果以及乘车订单的标注结果，训练集中的订单可以分为四类：第一类乘车订单表示被判定为有责且标注也是有责的乘车订单，即真阳性(truepositive)的订单；第二类乘车订单表示被判定为无责且标注也是无责的乘车订单，即真阴性(truenegative)的订单；第三类乘车订单表示被判定为有责但标注是无责的乘车订单，即假阳性(falsepositive)的订单；第四类乘车订单表示被判定为无责但标注是有责的乘车订单，即假阴性(falsenegative)的订单。由于每个乘车订单都经过了预先标注，因此则获得判责结果后，上述四类乘车订单的数量是可以确定的，依次记为(按第一类到第四类的顺序)，x1、x2、x3以及x4。然后，获取每类订单的分类平均判责时长，分类平均判责时长是指以判责结果作为辅助对每类乘车订单中的一个乘车订单进行人工判责所消耗的平均时间，依次记为(按第一类到第四类的顺序)t1、t2、t3以及t4。在具体实施时，t1、t2、t3以及t4可以通过对历史数据进行统计而获得，在计算判责时长时可以将其视为先验知识。例如，t1、t2、t3以及t4可以满足条件：t1<t0、t2＝0、t3＝t4、t3>t0以及t4>t0，其中，t0为对训练集中的一个乘车订单进行纯人工判责所消耗的平均时间。下面简单进行解释，对于第一类订单，机器判责结果为有责且与真实结果一致，因此对于人工判责有促进作用，故t1<t0；对于第二类订单，机器判责结果为无责且与真实结果一致，因此在人工判责时基本可以跳过这样的乘车订单，直接采用机器判责的结论，故t2＝0；对于第三类和第四类订单，由于存在误判，可能会存在司机投诉的问题，导致判责耗时增长，因此t3>t0且t4>t0，例如，机器判定司机存在抽烟行为，但实际上司机并没有抽烟，司机很可能打电话给客服人员(假设由客服人员执行人工判责)投诉，导致客服人员不能在短时间内进行责任判定。至于t3＝t4可以是根据对历史数据的统计结果得出的结论。获得x1、x2、x3、x4以及t1、t2、t3、t4后，可以利用以下公式计算判责时长t：t＝t1*x1+t2*x2+t3*x3+t4*x4。在上述判责时长的计算方式中，按照乘车订单的不同类别计算总的判责时长，每类乘车订单由于其不同的特征，其分类平均判责时长可能不同，从而可以对判责时长进行比较精确的估计。上述x1、x2、x3、x4，可以在判责后将每个乘车订单的判责结果与标注结果进行比较而获得。在另一些实现方式中，也可以通过利用有责率(x1+x4)/(x1+x2+x3+x4)、判责比例(x1+x3)/(x1+x2+x3+x4)以及订单召回率x1/(x1+x4)这三个指标进行快速计算。其中，有责率(实际存在导致责任判定的行为的乘车订单占训练集中的乘车订单总数的比例)、判责比例在获得判责结果前就可以确定，而在获得判责结果后又可以确定召回率，同时乘车订单的总数是已知的，因此基于上述四个关系建立的四个方程就可以快速求解x1、x2、x3以及x4。图3示出了本申请实施例所提供的另一种行为责任判定方法的流程图，参照图3，该方法包括：步骤s30：获取多个乘车订单。步骤s30类似于步骤s20，不再重复阐述。步骤s31：根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率。步骤s31和步骤s21比较类似，但在步骤s21中采用一种固定的概率方式计算订单置信概率，而在步骤s31中则是采用多种概率计算方式分别进行计算，通过不同的概率计算方式得到的订单置信概率可能不同，从而后续的步骤都会受到影响(因为步骤s32中的判责是基于订单置信概率进行的)。每采用一种概率计算方式计算订单置信概率后都会执行步骤s32至步骤s34，直至全部的概率计算方式都被采用过，执行步骤s35。以订单描述信息包括订单视频的情况为例，对同一个订单视频，一方面，采用不同的抽帧策略，抽取的视频帧不同，因此计算出的单帧置信概率也不同，进而计算出的订单置信概率也可能不同。另一方面，采用不同的图像识别算法(包括不同的算法或者同一种算法但设置的参数不同)，计算出的单帧置信概率也不同，进而计算出的订单置信概率也可能不同。因此采用不同的抽帧策略和/或不同的图像识别算法都可以作为不同的概率计算方式。例如，每5个视频帧抽取一帧和每10个视频帧抽取一帧就对应两种不同的概率计算方式。步骤s32：按照多个判责比例中的每个判责比例对多个乘车订单进行判责。步骤s32类似于步骤s22，不再重复阐述。步骤s33：根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长。步骤s33类似于步骤s23，不再重复阐述。步骤s34：判断是否所有的概率计算方式均被采用。关于步骤s34在参数步骤s31时已经解释。在步骤s34执行完后，可以获得概率计算方式、判责比例、订单召回率以及判责时长四者之间的映射关系。例如，以表格的形式表示如下：概率计算方式判责比例订单召回率判责时长/分钟方式110％25％1000方式120％30％1100方式130％40％1500…………方式210％28％1050方式220％32％1200方式230％44％1400…………表2可以理解的，表2中的数值仅为示例，不应当视为对本申请保护范围的限制。表2中仅示出了两种概率计算方式，可以看出，采用不同的概率计算方式，对于同一判责比例也可能计算出不同的订单召回率以及不同的判责时长。步骤s35：选择一组满足业务规则、且对应于同一判责比例、且是采用同一种概率计算方式时计算出的订单召回率以及判责时长。步骤s35类似于步骤s24，只是在选择一组合适的订单召回率以及判责时长增加一个限制条件，要求二者必须是在采用同一种概率计算方式时计算出的。其中，选择出的订单召回率以及判责时长对应的同一判责比例称为选中比例，对应的同一种概率计算方式称为选中方式。例如，业务规则为：判责时长不超过1200分钟且订单召回率尽可能高，按照表2，可以将订单召回率32％和判责时长1200分钟作为选择的结果，选中比例为20％，选中方式为方式2。上述业务规则和在阐述表1的内容时所举的例子中是一样的，但是由于表2相较于表1增加了概率计算方式这一维度，使得对于订单召回率和判责时长的组合的选择空间更大了，因此获得了相较于之前更优的结果(召回率更高，这里的更优指对于业务规则而言)。步骤s36：根据选中方式以及选中比例设置第三阈值。第三阈值满足条件：将采用选中方式计算出的订单置信概率中数值大于第三阈值的订单置信概率对应的乘车订单判定为有责后，能够获得在采用选中方式计算订单置信概率的前提下，选中比例对应的判责结果。步骤s36和步骤s25类似，只是其中的订单置信概率是选中方式下计算出的，这里不再详细阐述了。正如在阐述步骤s35时提到的，图3中的行为责任判定方法相较于图2中的行为责任判定方法，其在选择订单召回率以及判责时长的合适组合时，具有更大的可选范围内，进而可能获得更加符合业务需求的订单召回率以及判责时长的组合。另一方面，通过该方法也可以比较不同的概率计算方式对于订单召回率以及判责时长的影响，从而对不同的概率计算方式进行评估，例如评估哪种图像识别算法更优，哪种抽帧策略更有效，等等。步骤s36计算出的第一概率可以用于对新的乘车订单进行机器判责，并利用判责结果辅助人工判责，其具体的做法可以是：获取新的乘车订单；采用选中方式计算新的乘车订单的订单置信概率，若计算出的数值大于第三阈值，则将新的乘车订单判定为有责，否则判为无责；将新的乘车订单的判责结果作为辅助信息输出，以辅助人工对新的乘车订单进行判责，有利于提高人工判责的效率，改善判责结果对应的订单召回率，并且满足业务需求。图4是示出本申请实施例提供的一种行为责任判定装置400的功能模块图。该装置可以理解为图1中的电子设备，或电子设备的处理器，也可以理解为独立于上述电子设备或处理器之外的在电子设备的控制下实现本申请功能的组件。参照图4，行为责任判定装置400包括：第一订单获取模块410，用于获取多个乘车订单，所述乘车订单预先进行了是否有责的标注，标注为有责表示所述乘车订单执行时车内乘员存在导致责任判定的行为；第一概率计算模块420，用于根据每个乘车订单的订单描述信息计算订单置信概率，所述订单描述信息记录了所述乘车订单执行时车内乘员的状况，所述订单置信概率是指所述乘车订单执行时车内乘员存在导致责任判定的行为的概率；第一判责模块430，用于按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责，其中，按照所述判责比例进行判责是指将计算出的多个订单置信概率中数值最大的所述判责比例的订单置信概率对应的乘车订单判定为有责；第一指标计算模块440，用于根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长，其中，所述订单召回率是指被判定为有责且标注也是有责的乘车订单占所述多个乘车订单中标注为有责的乘车订单的比例，所述判责时长是指以所述判责结果作为辅助对所述多个乘车订单进行人工判责所消耗的总时间；第一选择模块450，用于选择一组满足业务规则且对应于同一判责比例的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例；第一设置模块460，用于根据所述选中比例设置第一阈值，所述第一阈值满足条件：将所述多个订单置信概率中数值大于所述第一阈值的订单置信概率对应的乘车订单判定为有责后，能够获得所述选中比例对应的判责结果。在行为责任判定装置400的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述第一概率计算模块420包括：第一概率计算单元，用于利用图像识别算法识别所述订单视频的至少一个视频帧中的行为，获得所述至少一个视频帧中的每个视频帧的单帧置信概率，所述单帧置信概率是指在所述视频帧的画面中车内乘员存在导致责任判定的行为的概率；第二概率计算单元，用于根据计算出的至少一个单帧置信概率计算订单置信概率，所述订单置信概率是指所述订单视频的画面中车内乘员存在导致责任判定的行为的概率。在行为责任判定装置400的一些实现方式中，所述第二概率计算单元具体用于：若所述至少一个单帧置信概率中存在大于第二阈值的单帧置信概率，则采用以下公式计算订单置信概率p：其中，k为大于第二阈值的单帧置信概率的个数，pn为第n个大于第二阈值的单帧置信概率，n取遍整数1至k。在行为责任判定装置400的一些实现方式中，所述第二概率计算单元还用于：若所述至少一个单帧置信概率中不存在大于第二阈值的单帧置信概率，则将所述订单置信概率确定为所述至少一个单帧置信概率中的最大值。在行为责任判定装置400的一些实现方式中，所述至少一个视频帧为按照预设的抽帧策略从所述订单视频中抽取的视频帧。在行为责任判定装置400的一些实现方式中，所述多个乘车订单按照所述判责结果分为四类：第一类乘车订单表示被判定为有责且标注也是有责的乘车订单，第二类乘车订单表示被判定为无责且标注也是无责的乘车订单，第三类乘车订单表示被判定为有责但标注是无责的乘车订单，第四类乘车订单表示被判定为无责但标注是有责的乘车订单；所述第一指标计算模块440包括：数量计算单元，用于根据所述判责比例对应的判责结果计算每类乘车订单的数量；第一时长计算单元，用于获取每类订单的分类平均判责时长，所述分类平均判责时长是指以所述判责结果作为辅助对每类乘车订单中的一个乘车订单进行人工判责所消耗的平均时间；第二时长计算单元，用于采用以下公式计算判责时长t：t＝t1*x1+t2*x2+t3*x3+t4*x4，其中，x1、x2、x3以及x4依次为所述第一类乘车订单的数量、所述第二类乘车订单的数量、所述第三类乘车订单的数量以及所述第四类乘车订单的数量，t1、t2、t3以及t4依次为所述第一类乘车订单的分类平均判责时长、所述第二类乘车订单的分类平均判责时长、所述第三类乘车订单的分类平均判责时长以及所述第四类乘车订单的分类平均判责时长。在行为责任判定装置400的一些实现方式中，t1、t2、t3以及t4满足条件：t1<t0、t2＝0、t3＝t4、t3>t0以及t4>t0，其中，t0为对所述多个乘车订单中的一个乘车订单进行纯人工判责所消耗的平均时间。在行为责任判定装置400的一些实现方式中，所述数量计算单元具体用于：利用有责率(x1+x4)/(x1+x2+x3+x4)、所述判责比例(x1+x3)/(x1+x2+x3+x4)以及根据所述判责结果确定的所述订单召回率x1/(x1+x4)计算x1、x2、x3以及x4。在行为责任判定装置400的一些实现方式中，所述业务规则包括：在订单召回率不低于目标召回率时使得判责时长最短，或者，在判责时长不超过目标时长时使得订单召回率最高。在行为责任判定装置400的一些实现方式中，所述目标时长根据基准判责时长以及目标提效比例进行计算，所述基准判责时长为对所述多个乘车订单进行纯人工判责所消耗的总时间。在行为责任判定装置400的一些实现方式中，所述目标召回率以及所述目标时长根据车内乘员的行为所导致的后果的严重性确定。在行为责任判定装置400的一些实现方式中，所述装置还包括：第二订单获取模块，用于获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；第二判责模块，用于计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第一阈值，则将所述新的乘车订单判定为有责；第一输出模块，用于将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。本申请实施例提供的行为责任判定装置400，其实现原理及产生的技术效果在前述方法实施例中已经介绍，为简要描述，装置实施例部分未提及之处，可参考方法施例中相应内容。图5是示出本申请实施例提供的另一种行为责任判定装置500的功能模块图。该装置可以理解为图1中的电子设备，或电子设备的处理器，也可以理解为独立于上述电子设备或处理器之外的在电子设备的控制下实现本申请功能的组件。参照图5，行为责任判定装置500包括：第三订单获取模块510，用于获取多个乘车订单，所述乘车订单预先进行了是否有责的标注；第三概率计算模块520，用于根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率；第三判责模块530，用于按照多个判责比例中的每个判责比例对所述多个乘车订单进行判责；第三指标计算模块540，用于根据每个判责比例对应的判责结果计算每个判责比例对应的订单召回率以及判责时长；迭代执行模块550，用于跳转至“根据每个乘车订单的订单描述信息，采用多种概率计算方式中的一种计算订单置信概率”的步骤重复执行，直至所述多种概率计算方式均被采用；第二选择模块560，用于选择一组满足业务规则、且对应于同一判责比例、且是采用同一种概率计算方式时计算出的订单召回率以及判责时长，其中，对应的同一判责比例为选中比例，对应的同一种概率计算方式为选中方式；第二设置模块570，用于根据所述选中方式以及所述选中比例设置第三阈值，所述第三阈值满足条件：将采用所述选中方式计算出的订单置信概率中数值大于所述第三阈值的订单置信概率对应的乘车订单判定为有责后，能够获得在采用所述选中方式计算订单置信概率的前提下，所述选中比例对应的判责结果。在行为责任判定装置500的一些实现方式中，所述装置还包括：第四订单获取模块，用于获取新的乘车订单，所述新的乘车订单是指除所述多个乘车订单以外的订单；第四判责模块，用于采用所述选中方式计算所述新的乘车订单的订单置信概率，若计算出的数值大于所述第三阈值，则将所述新的乘车订单判定为有责；第二输出模块，用于将所述新的乘车订单的判责结果作为辅助信息输出，以辅助人工对所述新的乘车订单进行判责。在行为责任判定装置500的一些实现方式中，所述订单描述信息包括所述乘车订单执行时采集的订单视频，所述多种概率计算方式包括采用多种抽帧策略从所述订单视频中抽取视频帧进行计算，和/或，利用多种图像识别算法识别所述订单视频的视频帧中的行为后进行计算。本申请实施例提供的行为责任判定装置500，其实现原理及产生的技术效果在前述方法实施例中已经介绍，为简要描述，装置实施例部分未提及之处，可参考方法施例中相应内容。上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过lan、wan、蓝牙、zigbee、或nfc等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。当前第1页12