基于云计算的设备租赁的智能服务方法技术

本申请涉及云计算领域下的设备租赁，云计算是通过网络云将巨量的数据处理程序分解成无数的小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序以得到结果。在设备的租赁上，例如当前的共享单车在骑行的过程中，都可以在云服务器端获得共享单车的具体骑行数据。相应地，本申请提出了一种基于云计算的设备租赁的智能服务方法，该方法通过获得共享单车在某次骑行过程中的骑行路线数据和骑行速度数据，并且与参考路线数据和参考速度数据进行对比，来确定该次骑行过程是否处于正常范围内。通过这样的方式，共享单车的维护企业可以以此来对用户和共享单车的使用情况进行画像，从而降低企业对于租赁的共享单车的维护成本。成本。成本。

【技术实现步骤摘要】
基于云计算的设备租赁的智能服务方法


[0001]本申请涉及云计算领域下的设备租赁，且更为具体地，涉及一种基于云计算的设备租赁的智能服务方法、基于云计算的设备租赁的智能服务系统和电子设备。

技术介绍

[0002]云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后，通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。通过这项技术，可以在很短的时间内完成对数以万计的数据的处理，从而达到强大的网络服务。云计算是继互联网、计算机后在信息时代又一种新的革新，云计算是信息时代的一个大飞跃，未来的时代可能是云计算的时代，其核心是可以将很多的计算机资源协调在一起，因此，使用户通过网络就可以获取到无限的资源，同时获取的资源不受时间和空间的限制。
[0003]目前，物品租赁平台主要是通过对租赁物品的租借时间进行登记记录，以实现对物品的有序管理和收费。但是，物品租借的收费标准应与很多因素有关，例如租借的时间、物品的损坏程度、租借的路程等。因此，如果只采用时间作为收费的标准并不能使租借用途不同的人们和企业都得到满意。例如，人们在对共享单车进行租借的过程中，租赁公司只是按照人们对单车的租借时间来进行收费，当人们遇到堵车或者红灯较多的情况时，为了减少租借的时间，那么他们就可能会选择闯红灯，这样就会增加交通管理的负担，甚至还可能会引发严重的交通事故。并且人们在租借共享单车的过程中，若只有时间的约束，那么他们可能就不会爱惜公共设施，以至于造成共享单车的损坏，从而就会增加企业的维护成本。
[0004]因此，期望提供一种在类似于共享单车的租借服务中，在时间约束之外考虑其它可能对共享单车造成损坏的因素，来降低企业对于租赁的共享单车的维护成本的方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于云计算的设备租赁的智能服务方法、基于云计算的设备租赁的智能服务系统和电子设备，其通过在云服务器端获得共享单车在某次骑行过程中的骑行路线数据和骑行速度数据，并且与参考路线数据和参考速度数据进行对比，来确定该次骑行过程是否处于正常范围内。通过这样的方式，共享单车的维护企业可以以此来对用户和共享单车的使用情况进行画像，从而降低企业对于租赁的共享单车的维护成本。
[0006]根据本申请的一个方面，提供了一种基于云计算的设备租赁的智能服务方法，其包括：
[0007]训练阶段：
[0008]获取共享单车的训练用骑行路线数据和训练用参考路线数据；
[0009]计算所述训练用骑行路线数据中各个预定采样点与所述训练用参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量；
[0010]获取所述共享单车的训练用骑行速度数据和训练用参考速度数据；
[0011]计算所述训练用骑行速度数据中各个预定采样点与所述训练用参考速度数据中相应采样点之间的偏移速度以获得由多个偏移速度构成的速度向量；
[0012]将所述距离向量和所述速度向量构造为尺度为2*N的数值矩阵后输入卷积神经网络以获得特征图，其中，所述卷积神经网络的最后一层以Sigmoid激活函数进行激活；
[0013]计算所述特征图中各个位置的信息熵以获得分类特征图，其中，所述各个位置的信息熵为取各个位置的特征值的对数函数值的负数乘以该位置的特征值的乘积；
[0014]将所述分类特征图通过分类器以获得分类损失函数值；
[0015]获取在所述各个预定采样点确定的是否违规的标签值并构造为标签向量；
[0016]计算所述标签向量和所述分类特征图之间的交叉熵损失函数值；和
[0017]基于所述交叉熵损失函数值和所述分类损失函数值，对所述卷积神经网络进行参数更新；以及
[0018]预测阶段：
[0019]获取被监控的共享单车的骑行路线数据和参考路线数据；
[0020]计算所述骑行路线数据中各个预定采样点与所述参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量；
[0021]获取所述被监控的共享单车的骑行速度数据和参考速度数据；
[0022]计算所述骑行速度数据中各个预定采样点与所述参考速度数据中相应采样点之间的偏移速度以获得由多个偏移速度构成的速度向量；
[0023]将所述距离向量和所述速度向量构造为尺度为2*N的数值矩阵后输入训练完成的所述卷积神经网络以获得特征图；
[0024]计算所述特征图中各个位置的信息熵以获得分类特征图，其中，所述各个位置的信息熵为取各个位置的特征值的对数函数值的负数乘以该位置的特征值的乘积；以及
[0025]将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示被监控的共享单车的该次骑行过程是否正常。
[0026]根据本申请的另一方面，提供了一种基于云计算的设备租赁的智能服务系统，其包括：
[0027]训练模块：
[0028]路线数据获取单元，用于获取共享单车的训练用骑行路线数据和训练用参考路线数据；
[0029]距离向量生成单元，用于计算所述路线数据获取单元获得的所述训练用骑行路线数据中各个预定采样点与所述路线数据获取单元获得的所述训练用参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量；
[0030]速度数据获取单元，用于获取所述共享单车的训练用骑行速度数据和训练用参考速度数据；
[0031]速度向量生成单元，用于计算所述速度数据获取单元获得的所述训练用骑行速度数据中各个预定采样点与所述速度数据获取单元获得的所述训练用参考速度数据中相应采样点之间的偏移速度以获得由多个偏移速度构成的速度向量；
[0032]特征图生成单元，用于将所述距离向量生成单元获得的所述距离向量和所述速度
向量生成单元获得的所述速度向量构造为尺度为2*N的数值矩阵后输入卷积神经网络以获得特征图，其中，所述卷积神经网络的最后一层以Sigmoid激活函数进行激活；
[0033]分类特征图生成单元，用于计算所述特征图生成单元获得的所述特征图中各个位置的信息熵以获得分类特征图，其中，所述各个位置的信息熵为取各个位置的特征值的对数函数值的负数乘以该位置的特征值的乘积；
[0034]分类损失函数值生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类损失函数值；
[0035]标签向量生成单元，用于获取在所述各个预定采样点确定的是否违规的标签值并构造为标签向量；
[0036]交叉熵损失函数值生成单元，用于计算所述标签向量生成单元获得的所述标签向量和所述分类特征图生成单元获得的所述分类特征图之间的交叉熵损失函数值；和
[0037]更新单元，用于基于所述交叉熵损失函数值生成单元获得的所述交叉熵损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值，对所述卷积神经网络进行参数更新；以及
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云计算的设备租赁的智能服务方法，其特征在于，包括：训练阶段：获取共享单车的训练用骑行路线数据和训练用参考路线数据；计算所述训练用骑行路线数据中各个预定采样点与所述训练用参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量；获取所述共享单车的训练用骑行速度数据和训练用参考速度数据；计算所述训练用骑行速度数据中各个预定采样点与所述训练用参考速度数据中相应采样点之间的偏移速度以获得由多个偏移速度构成的速度向量；将所述距离向量和所述速度向量构造为尺度为2*N的数值矩阵后输入卷积神经网络以获得特征图，其中，所述卷积神经网络的最后一层以Sigmoid激活函数进行激活；计算所述特征图中各个位置的信息熵以获得分类特征图，其中，所述各个位置的信息熵为取各个位置的特征值的对数函数值的负数乘以该位置的特征值的乘积；将所述分类特征图通过分类器以获得分类损失函数值；获取在所述各个预定采样点确定的是否违规的标签值并构造为标签向量；计算所述标签向量和所述分类特征图之间的交叉熵损失函数值；和基于所述交叉熵损失函数值和所述分类损失函数值，对所述卷积神经网络进行参数更新；以及预测阶段：获取被监控的共享单车的骑行路线数据和参考路线数据；计算所述骑行路线数据中各个预定采样点与所述参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量；获取所述被监控的共享单车的骑行速度数据和参考速度数据；计算所述骑行速度数据中各个预定采样点与所述参考速度数据中相应采样点之间的偏移速度以获得由多个偏移速度构成的速度向量；将所述距离向量和所述速度向量构造为尺度为2*N的数值矩阵后输入训练完成的所述卷积神经网络以获得特征图；计算所述特征图中各个位置的信息熵以获得分类特征图，其中，所述各个位置的信息熵为取各个位置的特征值的对数函数值的负数乘以该位置的特征值的乘积；以及将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示被监控的共享单车的该次骑行过程是否正常。2.根据权利要求1所述的基于云计算的设备租赁的智能服务方法，其中，将所述距离向量和所述速度向量构造为尺度为2*N的数值矩阵，包括：对所述距离向量和所述速度向量中各个位置的特征值进行归一化处理，以获得归一化距离向量和归一化速度向量；通过插值将所述归一化距离向量和所述归一化速度向量调整为同一尺度；以及将调整为同一尺度的所述归一化距离向量和所述归一化速度向量构造为尺度为2*N的所述数值矩阵。3.根据权利要求1所述的基于云计算的设备租赁的智能服务方法，其中，计算所述特征图中各个位置的信息熵以获得分类特征图，包括：
以如下公式计算所述特征图中各个位置的信息熵以获得分类特征图，其中，所述公式为yi＝xi*(
‑
log(xi))，yi表示所述分类特征图的各个位置的特征值，xi表示所述特征图中各个位置的特征值。4.根据权利要求1所述的基于云计算的设备租赁的智能服务方法，其中，将所述分类特征图通过分类器以获得分类损失函数值，包括：将所述分类特征图通过一个或多个全连接层，以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；将所述分类特征向量输入Softmax分类函数以获得分类结果；以及将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。5.根据权利要求1所述的基于云计算的设备租赁的智能服务方法，其中，基于所述交叉熵损失函数值和所述分类损失函数值，对所述卷积神经网络进行参数更新，包括：计算所述交叉熵损失函数值和所述分类损失函数值之间的加权和；以及以预定步长减小该加权和，并通过梯度下降的反向传播来更新所述卷积神经网络的参数。6.根据权利要求5所述的基于云计算的设备租赁的智能服务方法，其中，所述卷积神经网络为深度残差网络。7.一种基于云计算的设备租赁的智能服务系统，其特征在于，包括：训练模块：路线数据获取单元，用于获取共享单车的训练用骑行路线数据和训练用参考路线数据；距离向量生成单元，用于计算所述路线数据获取单元获得的所述训练用骑行路线数据中各个预定采样点与所述路线数据获取单元获得的所述训练用参考路线数据中相应采样点之间的偏移距离以获得由多个偏移距离构成的距离向量...

【专利技术属性】
技术研发人员：胡芳，
申请(专利权)人：杭州霏漾科技有限公司，
类型：发明
国别省市：