乘车码自动展示方法、装置、计算机系统和可读存储介质

技术领域

本公开涉及人工智能、物联网技术领域，更具体地，涉及一种乘车码自动展示方法、乘车码自动展示装置、计算机系统、计算机可读存储介质和计算机程序产品。

背景技术

乘车码是一种用于乘坐公共交通工具的二维码，适用于多种交通场景，如地铁、公交等。目前有庞大数量的乘客(特别是青年群体)已养成使用手机乘车码乘坐公交、地铁的习惯，而乘车码产品的运营商既有公交公司、地铁公司，也有第三方支付机构和一卡通公司等。它们通常采用“先乘车、后支付”的方式，先通过APP生成二维码作为乘车凭证，待用户乘车结束后再计算乘车费用，并与银行系统对接完成乘车费的扣收。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：现有乘车码出示方法存在用户操作太多、码出示太慢等缺点。

发明内容

有鉴于此，本公开提供了一种乘车码自动展示方法、装置、计算机系统和可读存储介质。

本公开的一个方面提供了一种乘车码自动展示方法，可以包括：获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码。

根据本公开的实施例，其中，用户乘车行为识别模型是通过如下方式进行训练得到的：获取第一模型训练集，其中，第一模型训练集包括多个在具有相同时长的不同时间段内通过不同传感器采集到的传感器数据序列样本，其中，每个传感器数据序列样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；每个传感器数据序列样本包括多个对应于一个时间段中不同时刻的点数据，每个点数据包括：根据多个传感器在第一时刻采集到的N个采集值确定的第一目标值；根据第一目标值与多个传感器在第一时刻的前一时刻采集到的N个采集值的差值确定的第二目标值；和根据第一目标值与多个传感器在第一时刻的后一时刻采集到的N个采集值的差值确定的第三目标值；获取第一目标分类算法；以及利用第一模型训练集对第一目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，其中，将传感器数据序列输入用户乘车行为识别模型，输出识别结果包括：获取在以当前时刻为终点时刻的第一目标时间段内采集到的第一目标传感器数据序列，其中，第一目标时间段与一个传感器数据序列样本对应的时间段的时长相同；获取根据第一目标传感器数据序列得到的多个第一目标点数据；以及将多个第一目标点数据输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，其中，传感器数据序列样本是通过如下方式进行确定的：在针对多个第一目标点数据的目标识别结果为自动展示乘车码的情况下，获取用户针对目标识别结果的反馈信息；在反馈信息为正反馈的情况下，为第一目标传感器数据序列配置用于表征自动展示乘车码的真值标签；在反馈信息为负反馈的情况下，为第一目标传感器数据序列配置用于表征不展示乘车码的真值标签；以及将配置有真值标签的第一目标传感器数据序列作为一个传感器数据序列样本。

根据本公开的实施例，其中，用户乘车行为识别模型是通过如下方式进行训练的：获取第二模型训练集，其中，第二模型训练集包括多个时间样本，每个时间样本包括用于表征第二时刻的时间信息，每个时间样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；获取第二目标分类算法；以及利用第二模型训练集对第二目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，其中，将传感器数据序列输入用户乘车行为识别模型，输出识别结果包括：获取当前时刻的时间信息；以及将时间信息输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，其中，用于提供传感器数据序列的传感器包括多个，每个传感器在一个时刻下采集一个或多个采集值，用户乘车行为识别模型中预置有多条乘车序列，每条乘车序列的确定方式包括：获取在用户启动乘车码之前的第二目标时间段内采集到的多个第二目标点数据，每个第二目标点数据包括：根据多个传感器在第三时刻采集到的N个采集值确定的第一目标值；根据第一目标值与多个传感器在第三时刻的前一时刻采集到的N个采集值的差值确定的第二目标值；和根据第一目标值与多个传感器在第三时刻的后一时刻采集到的N个采集值的差值确定的第三目标值；利用聚类算法对多个传感器在第二目标时间段内采集到的多个第二目标点数据进行聚类，得到多个簇；计算每个簇所表征的用户的目标运动状态，得到在第二目标时间段内的第一目标状态序列；以及根据第一目标状态序列确定乘车序列。

根据本公开的实施例，其中，第一目标状态序列包括多个，根据第一目标状态序列确定乘车序列包括：在第一目标状态序列的出现频率大于第一预设阈值的情况下，确定第一目标状态序列为预置于用户乘车行为识别模型中的乘车序列。

根据本公开的实施例，其中，将传感器数据序列输入用户乘车行为识别模型，输出识别结果包括：获取在以当前时刻为终点时刻的第三目标时间段内采集到的第二目标传感器数据序列，其中，第三目标时间段和第二目标时间段的时长相同；获取根据第二目标传感器数据序列计算得到的第二目标状态序列；计算第二目标状态序列与第一目标序列的相似度；以及在相似度大于第二预设阈值的情况下，输出识别结果。

根据本公开的实施例，其中，用户乘车行为识别模型部署于客户端或能够与客户端通信的服务器中。

根据本公开的实施例，其中，获取用于表征用户的运动状态的传感器数据序列包括：确定预设采集时间段；以及在预设采集时间段内采集用于表征用户的运动状态的传感器数据序列。

本公开的另一个方面提供了一种乘车码自动展示装置，可以包括：获取模块，用于获取用于表征用户的运动状态的传感器数据序列；识别模块，用于将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及发送模块，用于在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码。

本公开的另一方面提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上的乘车码自动展示方法。

本公开的另一方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，指令在被执行时用于实现如上的乘车码自动展示方法。

本公开的另一方面提供了一种计算机程序产品，计算机程序产品包括计算机可执行指令，指令在被执行时用于实现如上的乘车码自动展示方法。

通过本公开的实施例，根据通过获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码，对用户的乘车行为进行感知和预测，在用户临近乘车时提前将乘车码推送到用户手机，解决了用户在出示乘车码时操作太多，高峰时段通讯信号弱等导致乘车码出示太慢，响应不及时的技术问题，从而更好地提升了乘车码产品的用户体验。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用一种乘车码自动展示方法、装置、计算机系统及可读存储介质的示例性系统架构；

图2示意性示出了根据本公开实施例的一种乘车码自动展示方法的流程图；

图3示意性示出了根据本发明实施例的乘车码自动展示的分类预测原理图；

图4示意性示出了根据本公开实施例的用户乘车行为识别模型中预置的每条乘车序列的确定方式流程图；

图5示意性示出了根据本公开实施例的前端预测的乘车码自动展示系统构成示意图；

图6示意性示出了根据本公开实施例的后台预测的乘车码自动展示系统构成示意图；

图7示意性示出了根据本公开实施例的一种乘车码自动展示装置的框图；以及

图8示意性示出了根据本公开的实施例的适于实现上文描述的乘车码自动展示方法和装置的计算机系统的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

就乘车码的出示方式而言，目前都是由用户在乘坐公共交通工具时，提前打开手机调出乘车码。这期间用户需完成多步手工操作，包括①输入手机密码(指纹/s手势密码)、②打开乘车码APP、③登录乘车码APP、④选择乘车码栏目等，然后APP会根据用户身份、请求时间等要素生成一个乘车二维码。

一些技术中，考虑到公共交通乘车是小额支付场景，风险低、损失少，部分APP基于token自动登录技术可省略第③步APP登录操作。同时，也仅有极少数功能单一的、专用的乘车码APP(如最新版的北京地铁亿通行)实现登录即展示二维码，去掉了第④步选择乘车码栏目的操作。

发明人在实现本公开构思的过程中发现，现有乘车码出示方法除操作步骤多的影响以外，高峰时段通讯信号弱等因素，使得用户请求乘车码所需的时间偏长。目前几乎所有APP都是采用联机请求的方式获取乘车码，在一些热点车站(特别是产业园集中的地铁站)由于早晚高峰时段客流过于密集，手机信号弱导致乘车码出码响应不及时。另外，用户也经常忘记及时掏取手机打开乘车码，使得到达检票口时乘车码仍不可用，既影响乘客自身的使用体验，也容易导致早晚高峰时段检票口的拥堵。

本公开的实施例提供了一种乘车码自动展示方法、装置、计算机系统和可读存储介质。该自动展示方法包括获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码。

图1示意性示出了根据本公开实施例的可以应用乘车码自动展示方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的乘车码自动展示方法一般可以由服务器105执行。相应地，本公开实施例所提供的乘车码自动展示装置一般可以设置于服务器105中。本公开实施例所提供的乘车码自动展示方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的乘车码自动展示装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的乘车码自动展示方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的乘车码自动展示装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，传感器数据序列可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的传感器数据序列，或者将传感器数据序列发送到其他终端设备、服务器、或服务器集群，并由接收该传感器数据序列的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的乘车码自动展示方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的一种乘车码自动展示方法的流程图。

如图2所示，该方法包括操作S201～S203。

在操作S201，获取用于表征用户的运动状态的传感器数据序列。

根据本公开的实施例，用户的运动状态可以包括左转弯、右转弯、上楼梯、下楼梯、电梯向上、电梯向下、跑步、慢走、快走等，能够反映用户运动状态的所有运动动作均能被传感器数据序列所表征。

根据本公开的实施例，传感器数据序列可以通过对手机内置的不同类型的传感器进行采集得到，传感器数据序列可以表现为按时间排序的传感器数据的集合。其中，不同类型的传感器例如可以包括：加速度传感器、重力传感器、磁力传感器、GPS位置传感器、方向传感器、陀螺仪传感器、距离传感器、压力传感器、温度传感器、旋转矢量传感器、声音传感器、光线传感器等。

根据本公开的实施例，加速度传感器例如是测算x、y、z三个方向上的加速度值，主要感知一些瞬时加速或减速的动作，通常可以运用在计步、判断手机朝向等；重力传感器的内部结构例如由重物与压电片组成，通过正交两个方向产生的电压大小计算水平的方向，可以运用于判断切换横屏与直屏方向；磁力传感器例如利用磁阻测量平面磁场，检测磁场强度以及方向位置，可以获得手机在x、y、z三个方向上的磁场强度，一般用在指南针或地图导航，帮助实现准确定位；陀螺仪传感器例如能够测量沿一个轴或几个轴动作的角速度，作为补充加速度传感器功能的理想技术，手机标配的例如通常都是三轴陀螺仪，可追踪6个方向的位移变化，获得x、y、z三个方向上的角加速度，用来检测手机的旋转方向。

根据本公开的实施例，表1中例如展示了手机内置的部分传感器的数据采集实例。

根据本公开的实施例，数据采集的频度可以采用模拟预测效果最优时进行设置，例如，可以设置为每秒5次。

根据本公开的实施例，所采集的数据可以实时或定时传至模型挖掘后台，同时可按算法设定的序列分析长度，在手机端保留对应时长的数据，上述传感器数据序列例如也可以为一个或多个具有该设定的序列分析长度的传感器数据的集合。

表1

在操作S202，将传感器数据序列输入用户乘车行为识别模型，输出识别结果。

根据本公开的实施例，用户乘车行为识别模型例如可以对上述传感器数据序列进行实时分析，来预测用户是否需要展示乘车码。例如，只要用户乘车行为识别模型接收到的传感器数据序列表征某些特定行为模式出现，该模型就可预测下一步是否需要通过乘车码应用展示乘车码。其中，特定行为模式例如可以包括用户早期未使用该模型时，每次手段开启乘车码之前的一段时间所经历的传感器数据的通常变化状态。

根据本公开的实施例，新用户使用时，例如需要一个采集的初始阶段，时间长度可以通过系统由用户进行设置。随着用户使用过程中，训练数据的逐步增多，同时还有用户反馈信息，系统可以支持根据该些训练数据集用户反馈信息对模型进行迭代优化。

在操作S203，在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码。

根据本公开的实施例，乘车码应用可以包括用于用户乘车出站进站的各类乘车码APP等。

通过本公开的实施例，根据通过获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码，解决了用户在出示乘车码时操作太多，高峰时段通讯信号弱等导致乘车码出示太慢，响应不及时的技术问题，从而更好地提升了乘车码产品的用户体验。

下面结合具体实施例对图2所示的乘车码自动展示方法做进一步说明。

根据本公开的第一实施例，上述用户乘车行为识别模型的训练方式例如可以包括：获取第一模型训练集，其中，第一模型训练集包括多个在具有相同时长的不同时间段内通过不同传感器采集到的传感器数据序列样本，其中，每个传感器数据序列样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；每个传感器数据序列样本包括多个对应于一个时间段中不同时刻的点数据，每个点数据包括：根据多个传感器在第一时刻采集到的N个采集值确定的第一目标值，根据第一目标值与多个传感器在第一时刻的前一时刻采集到的N个采集值的差值确定的第二目标值，和根据第一目标值与多个传感器在第一时刻的后一时刻采集到的N个采集值的差值确定的第三目标值；获取第一目标分类算法；以及利用第一模型训练集对第一目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，例如可以将初始采集到的传感器数据集中的所有传感器数据，分割为若干固定长度(即上述相同时长)例如为t的子序列，得到上述传感器数据序列样本)。

根据本公开的实施例，上述真值标签可以通过0或1进行表示，例如，在某一传感器数据序列样本可以表征下一时刻需要展示乘车码的情况下，例如可以确定为该传感器数据序列样本配置的真值标签为1，在某一传感器数据序列样本无法表征下一时刻需要展示乘车码或可以表征下一时刻不需要展示乘车码的情况下，例如可以确定为该传感器数据序列样本配置的真值标签为0。

根据本公开的实施例，上述每个点数据可以为一个时间段内不同时刻采集的多个传感器数据以及当前时刻数据与其前后时刻采集的数据的差值的向量集合。

根据本公开的实施例，例如，采集了M个传感器的共N项数据，则N的取值例如可以为M≤N≤3M(因部分传感器数据含有x、y、z三个方向数据，其他传感器也可以包含一个或两个数据)。

结合上述表1对每个点数据作以具体说明。表1示例性性说明了手机内置的部分传感器的数据采集实例。以表1中前三行数据为例，也可以认为前三行表示为一个时间段内的三个不同时刻采集的每种类型传感器的数据。例如，第二行数据表示第一时刻采集的每种类型传感器的数据，第一行数据可以表示相对第一时刻的前一时刻的传感器采集数据，第三行数据可以表示相对第一时刻的后一时刻的传感器采集数据。

根据本公开的实施例，结合表1，每个点数据可以包括该3个传感器在第一时刻(表1中第二行)采集到的9个数据值确定的第一目标值、第一目标值与当前第一时刻的前一时刻(表1中第一行)采集到的3个传感器的9个数据的差值作为第二目标值、第一目标值与当前第一时刻的后一时刻(表1中第三行)采集到的3个传感器的9个数据的差值作为第三目标值。需要说明的是，第一时刻可以为一个时间段中的任意时刻。

根据本公开的实施例，每个点数据可以表示为由第一目标值、第二目标值和第三目标值组成的3×N维向量集合。

根据本公开的实施例，每个传感器数据序列样本可以包含多个上述3×N维向量集合的点数据。

根据本公开的实施例，上述第一模型训练集可以包括多个上述传感器数据序列样本，上述多个传感器数据序列样本可以通过在具有相同时长的不同时间段内通过不同的传感器采集得到的。例如，可以采集时长为10秒的不同时间段内的不同传感器数据，如8：00的第1～10s，第11～20s，第21～30s等时间段；而每个时间段中包含多个不同时刻的点数据，如，1～10s的时间段内可以采集第1秒、第2秒...第10秒的不同时刻的传感器的数据，依据上述点数据采集方法，得到多个3×N维向量集合的点数据，组成上述传感器数据序列样本。

根据本公开的实施例，上述第一目标分类算法可以包括但不限于决策树、神经网络、支持向量机、贝叶斯分类器、深度神经网络等。

根据本公开的第一实施例，上述操作S202可以包括：获取在以当前时刻为终点时刻的第一目标时间段内采集到的第一目标传感器数据序列，其中，第一目标时间段与一个传感器数据序列样本对应的时间段的时长相同；获取根据第一目标传感器数据序列得到的多个第一目标点数据；以及将多个第一目标点数据输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，基于上述用户乘车行为识别模型，例如可以将某一时刻是否应自动显示乘车码的问题，转换为该时刻对应的特征(如在该时刻之前的t时长的时间段内采集到的传感器数据)作为输入，通过用户乘车行为识别模型计算得出分类结果来确定是否需要展示乘车码，例如，分类结果为1可以表示出码，分类结果为0可以表示不出码。

根据本发明的实施例，例如，t＝10s，即以10s为一固定时长，以8：00为当前时刻，则上述第一目标时间段例如即为7：59：50-8：00：00的时间段，通过采集该时间段内的多个传感器的数据，可获取上述第一目标传感器数据序列。

根据本发明的实施例，上述第一目标传感器数据序列包含多个上述时间段内不同时刻的点数据，例如，可以采集上述7：59：50-8：00：00的时间段内的第1秒(7：59：51)、第2秒(7：59：52)......第10秒(8：00：00)的不同时刻的多个传感器数据，并对任意时刻(如7：59：52)采集到的传感器数据进行拓展处理，包括将第2秒的多个传感器数据与第1秒和第3秒的两个时刻的每个传感器数据做差值，形成在上述时间段内不同时刻的3×N维向量集合的第一目标点数据。

根据本公开的实施例，通过用户乘车行为识别模型识别上述多个不同时刻的点数据，例如可以得出分类结果，1可以表示出码，0可以表示不出码，以此判断是否展示乘车码。

图3示意性示出了根据本发明实施例的乘车码自动展示方法的分类预测原理图。

如图3所示，在t1、t2、t3、t4时刻例如可以分别以序列S1、S2、S3、S4时间段采集的传感器数据等抽取特征作为输入用户乘车行为识别模型的传感器数据序列，通过用户乘车行为识别模型计算后，例如在t3时刻的分类结果是“1-出码”，可以据此判断应自动展示乘车码，而其他时刻的分类结果为“0-不出码”，可确定在其他时刻无需展示乘车码。

根据本公开的实施例，上述传感器数据序列样本可以通过如下方式确定，在针对多个第一目标点数据的目标识别结果为自动展示乘车码的情况下，获取用户针对目标识别结果的反馈信息；在反馈信息为正反馈的情况下，为第一目标传感器数据序列配置用于表征自动展示乘车码的真值标签；在反馈信息为负反馈的情况下，为第一目标传感器数据序列配置用于表征不展示乘车码的真值标签；以及将配置有真值标签的第一目标传感器数据序列作为一个传感器数据序列样本。

根据本公开的实施例，上述反馈信息可以包括乘车码在手机上进行自动展示后，用户是否需要使用乘车码作出的响应。如，若用户需要使用乘车码，通过与地铁或公交闸机、扫码系统进行交互(即上述正反馈)，判断用户使用乘车码的起止站，计算乘车费用后发起扣算结算。若用户暂时不需要使用乘车码，用户可以反馈“暂不乘车”、“延后出码”等(即上述负反馈)。

根据本公开的实施例，可以将上述的反馈信息对应的传感器数据序列可以作为训练数据收集阶段的传感器数据序列样本。

根据本公开的实施例，通过设计基于机器学习分类的乘车码出码预测方法，以传感器数据作为主要特征，弱化对行为序列的过多处理，实现只要某些行为模式出现，即可判断下一步行为是展示乘车码的技术效果，更快实现乘车码出码相应。

根据本公开的第二实施例，上述用户乘车行为识别模型训练方式例如还可以包括：获取第二模型训练集，其中，第二模型训练集包括多个时间样本，每个时间样本包括用于表征第二时刻的时间信息，每个时间样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；获取第二目标分类算法；以及利用第二模型训练集对第二目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，上述多个时间样本可以包括以年、月、日、时、分、秒为单位的时间样本，或是结合法定节假日、用户通勤时间等信息的时间样本等，其中，用户通勤时间例如可以表现为早7：00：00～7：30：00，晚17：30：00-18：00：00等。

根据本公开的实施例，上述第二目标分类算法可以包括但不限于决策树、神经网络、支持向量机、贝叶斯分类器、深度神经网络等。

根据本公开的第二实施例，上述操作S202可以包括：获取当前时刻的时间信息；以及将时间信息输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，上述当前时刻可以为一天中的任意时刻，例如，当前时刻的时间信息可以为早上9：30：00，通过用户乘车行为识别模型计算分类结果，1可以表示出码，0可以表示不出码，判断当前时刻的时间信息是否需要出示乘车码。需说明的是，上述当前时刻例如还可以为用户通勤时刻。

根据本公开的实施例，通过设计基于机器学习分类的乘车码出码预测方法，以用户的作息时间作为主要特征，弱化对行为序列的过多处理，实现只要某些行为模式出现，即可判断下一步行为是展示乘车码的技术效果，更快实现乘车码出码相应。

根据本公开的第三实施例，用于提供上述传感器数据序列的传感器可以包括多个，每个传感器在一个时刻下可以采集一个或多个采集值，用户乘车行为识别模型中可以预置有多条乘车序列。

图4示意性示出了根据本公开实施例的用户乘车行为识别模型中预置的每条乘车序列的确定方式流程图。

如图4所示，每条乘车序列的确定方式包括操作S401～S404。

在操作401，获取在用户启动乘车码之前的第二目标时间段内采集到的多个第二目标点数据，每个第二目标点数据包括：根据多个传感器在第三时刻采集到的N个采集值确定的第一目标值；根据第一目标值与多个传感器在第三时刻的前一时刻采集到的N个采集值的差值确定的第二目标值；和根据第一目标值与多个传感器在第三时刻的后一时刻采集到的N个采集值的差值确定的第三目标值。

根据本公开的实施例，上述第二目标点数据可以为一个时间段内不同时刻采集的多个传感器数据(如上述第一目标值)以及当前时刻数据与其前后时刻采集的数据的差值(如上述第二目标值和第三目标值)的向量集合。

根据本公开的实施例，例如，结合上述表1对每个点数据作以具体说明。以表1中前三行数据为例，也可以认为前三行表示为一个时间段内的三个不同时刻采集的每种类型传感器的数据。例如，第二行数据表示第三时刻采集的每种类型传感器的数据，第一行数据表示相对第三时刻的前一时刻的传感器采集数据，第三行数据表示相对第三时刻的后一时刻的传感器采集数据。

根据本公开的实施例，结合表1，每个点数据可以包括该3个传感器在第三时刻(以表1中第二行为例)采集到的9个数据值确定的第一目标值、第一目标值与当前第三时刻的前一时刻(表1中第一行)采集到的3个传感器的9个数据的差值作为第二目标值、第一目标值与当前第三时刻的后一时刻(表1中第三行)采集到的3个传感器的9个数据的差值作为第三目标值。需要说明的是，第三时刻可以为一个时间段中的任意时刻。

根据本公开的实施例，每个第二目标点数据可以表示为由第一目标值、第二目标值和第三目标值组成的3×N维向量集合。

在操作S402，利用聚类算法对多个传感器在第二目标时间段内采集到的多个第二目标点数据进行聚类，得到多个簇。

根据本公开的实施例，上述聚类算法可以包括但不限于：原型聚类算法k-means、密度聚类算法。

根据本公开的实施例，聚类可以为按照某个特定标准，例如，速度准则、距离准则等，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的大。也就是说，聚类后同一类的数据尽可能聚集到一起，不同类的数据尽量分离。通过该种方式，例如可以将上述多个第二目标点数据进行聚类，得到多个簇。

根据本公开的实施例，例如，多个第二目标点数据中有10个第二目标点数据表征的行为的差异相似，比如步行的速度差异相似，就可以将这10个第二目标点数据作为一个簇，或者，例如，多个第二目标点数据中有15个第二目标点数据表征的行为的差异相似，比如上2米高台阶所需的时长没有很大的差异，就可以将这15个第二目标点数据作为一个簇。

在操作S403，计算每个簇所表征的用户的目标运动状态，得到在第二目标时间段内的第一目标状态序列。

根据本公开的实施例，上述聚类形成簇的过程例如可以结合簇中心实现，具体而言，例如可以针对采集的多个第二目标点数据，首先选取多个簇中心，分别计算每个第二目标点数据与上述多个簇中心的距离，将每个第二目标点数据与每个簇中心距离最小的第二目标点数据分到该簇中心代表的簇中，多个第二目标点数据分配完毕之后，形成若干个簇，每一个簇作为其对应的运动状态。

根据本公开的实施例，，例如以A、F、C、G、B分别表示上述形成的若干个簇中的一个簇对应的运动状态，其中，A可以表示为步行，F可以表示为上楼梯，C可以表示为左转弯，G可以表示为右转弯，B可以表示为跑步，据此得到的第一目标状态序列例如可以为{AFFCGGGFAABFAF}的形式。

根据本公开的实施例，上述距离计算方法可以包括但不限于：欧氏距离、曼哈顿距离。

在操作S404，根据第一目标状态序列确定乘车序列。

根据本公开的实施例，乘车序列可以包括用户乘车前的一段时间内，能刻画用户行为规律的序列。

根据本公开的实施例，第一目标状态序列可以包括多个，上述操作S404可以包括：在第一目标状态序列的出现频率大于第一预设阈值的情况下，确定第一目标状态序列为预置于用户乘车行为识别模型中的乘车序列。

根据本公开的实施例，可以将频繁序列作为目标模式进行第一目标状态序列的挖掘。例如，训练库中有n条乘车序列数据记录，则频繁序列可以为1～n条，具体数目可以根据判断效果调优，通过对训练库中的数据记录进行一个频繁程度的度量，以便根据频繁程度确定乘车序列，如在训练库中存在多条记录的出现次数分别为40％、30％、20％和10％，在上述第一预设阈值为30％的情况下，例如可以确定出现频率为40％、30％的记录对应的序列为最终确定的乘车序列(即上述预置于用户乘车行为识别模型中的乘车序列)。

根据本公开的第三实施例，上述操作S202可以包括：获取在以当前时刻为终点时刻的第三目标时间段内采集到的第二目标传感器数据序列，其中，第三目标时间段和第二目标时间段的时长相同；获取根据第二目标传感器数据序列计算得到的第二目标状态序列；计算第二目标状态序列与第一目标序列的相似度；以及在相似度大于第二预设阈值的情况下，输出识别结果。

根据本公开的实施例，上述计算第二目标序列与第一目标序列的两个序列的相似度的方法例如包括但不限于序列编辑距离、余弦相似度。

根据本公开的实施例，序列编辑距离适合两个不等长序列的距离计算，编辑距离又称Levenshtein距离，是指两个字串之间，由一个转换成另一个所需的最少的原子编辑操作的次数。原子编辑操作包括一个字符替换成另一个字符、插入一个字符、删除一个字符等三种操作。例如，对于两个序列S1(ABCDEFGH)、S2(ABCLMDEFGH)，其中ABCDEFGH与ABCLMDEFGH的编辑距离即为2(中间添加LM)，对于该两个序列，例如可以通过序列编辑距离的方式计算相似度。

根据本公开的实施例，余弦相似度可以包括通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1；并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时，余弦相似度的值为1；两个向量夹角为90°时，余弦相似度的值为0；两个向量指向完全相反的方向时，余弦相似度的值为-1。这结果是与向量的长度无关的，仅仅与向量的指向方向相关。余弦相似度通常用于正空间，因此给出的值为0到1之间。

根据本公开的实施例，例如，以上述两个序列S1、S2为例，如果识别出数据集有k个运动状态，可以重新将每个状态值幻化成一个k位的向量，根据状态序号将向量的对应维度置为1，而对于一个长度为l的序列，就可表示为k×l的矩阵。那么两个序列的相似度可计算为：

根据本公开的实施例，判断某一时间是否应自动展示乘车码的问题，例如可以转换为计算该时刻前的一段时间内(即上述第三目标时间段)传感器数据序列(即上述第二目标传感器数据序列)对应的状态序列(即上述第二目标状态序列)与上述最终确定的乘车序列(如上述第一目标状态序列)的相似度。按照频繁度大小降序，逐个计算当前序列与模式序列的相似度。当相似度出现大于阈值(即上述第二预设阈值)时，即判断可以显示乘车码；当所有模式匹配计算结束，如都小于阈值则判断用户当前不是乘车行为，无需展示乘车码。

例如，结合表2进一步对利用上述方法预测用户下一步将是扫码进站或出站。表2为用户乘坐交通工具的行为细化实例。以家住A处，上班所在车站为B处为例，对其上下班通勤规律进行一种细化。

表2

根据本公开的实施例，表2中下划线标注的行为序列为该用户固定、重复的行为特征。通过上述方法挖掘传感器数据，能够刻画出“上2米高台阶(步行)→通过弯曲疏流栅栏通道→上半米高台阶→短时间停顿安检→直线步行20米[出示乘车码]”的用户乘车行为识别模式，当有一个相似序列到来时就可以判断和预测用户是否使用乘车码。同样，也可以刻画出下班用户的用户乘车行为识别模式，以判断和预测用户是否使用乘车码。

根据本公开的实施例，通过基于序列挖掘挖掘的方法，获取在用户启动乘车码之前的第二目标时间段内采集到的多个第二目标点数据，利用聚类算法对多个传感器在第二目标时间段内采集到的多个第二目标点数据进行聚类，得到多个簇；计算每个簇所表征的用户的目标运动状态，得到在第二目标时间段内的第一目标状态序列；以及根据第一目标状态序列确定乘车序列，从而根据多条乘车序列确定用户乘车行为识别模型，解决用户在出示乘车码时操作太多，高峰时段通讯信号弱等导致乘车码出示太慢，响应不及时的技术问题，从而更好地提升了乘车码产品的用户体验。

在本公开的实施例中，用户乘车行为识别模型可以部署于客户端或能够与客户端通信的服务器中。

根据本公开的实施例，用户用户乘车行为识别模型部署于客户端时，可以理解为出码的预测是由手机前端判断；用户用户乘车行为识别模型部署于能够与客户端通信的服务器中，可以理解为出码的预测是由服务器后台判断。

图5示意性示出了根据本公开实施例的前端预测的乘车码自动展示系统构成示意图。

图6示意性示出了根据本公开实施例的后台预测的乘车码自动展示系统构成示意图。

结合图5和图6所示，图5中对于乘车码出码的预测是由采集与交互前端(手机前端)判断；图6中乘车码出码的预测是由模型挖掘后台(服务器后台)判断。即，图6所示系统设计与图5的功能模块基本相同，主要差异是将“乘车预测与控制”模测拆分成“乘车行为预测”和“预测响应”两部分，分别运行于后台服务器和手机端。

根据本公开的实施例，图5需要占用手机前端一些计算和存储资源，用于存储用户乘车模型、进行数据预处理和预测分析，所具有的优势是避免了后台多次交互，能更快地实现乘车码出码响应。

根据本公开的实施例，从用户的使用习惯而言，乘车码应该是稍微提前的自动展现，而不是用户抵达检票点时方才出示，因而将模型的训练与预测使用都部署在后台服务器是可行的，不会因为响应不及时影响用户使用，而且后台服务器拥有更好的计算、存储性能。

下面结合图5和图6中的乘车码自动展现系统的对上述乘车码自动展示方法作进一步说明。

传感器数据采集：采集手机内置中多种类型传感器的数据，传感器类型可根据手机机型和建模算法的需求进行调整。

数据预处理：对于保存于手机端的数据，按照模型算法的要求进行实时预处理(可通过上述第一至第三实施例所描述任一实施过程中针对采集到的传感器数据序列的处理方式实现)。同理，传送至后台的数据按照相同方法，实时或定时预处理后，还可添加至模型训练集。

模型构建：利用训练集数据，根据所选用的算法构建用户乘车行为识别模型(可通过上述第一至第三实施例所描述任一实施过程实现)，并将所得模型传输至手机端进行存储和使用。

乘车预测与控制：基于模型构建模块训练得到的模型，对数据预处理模块给出的数据进行实时分析，预测用户是否即将需要使用乘车码，如是则通知乘车码应用。为促进模型的不断学习和优化，支持用户在产品使用过程中进行交互，比如预测错误时反馈“暂不乘车”、提前时反馈“延后出码”、延后时反馈“提前出码”等，同时还可以丰富为提前或延后的具体时间。

乘车码应用：收到乘车预测出码的指令后，乘车码应用向后台订单生成与管理平台发出出码请求，收到乘车码后即在手机上进行展现。为保障交易安全，可以提示用户进行身份认证(如指纹)后再展示乘车码；同时为提升产品用户体验，同步配合手机振动或语音提示用户。在训练数据收集阶段(即乘车码自动展现功能正式使用前)，当用户使用乘车码时，将该交易数据通过乘车预测与控制模块传回模型挖掘后台。

模型优化：如乘车预测与控制模块，接收到用户的反馈信息后，补充或修正训练数据，并激发模型构建模块进行模型的迭代优化提升。

订单生成与管理平台：是乘车码订单的生成与管理后台，通过与地铁或公交闸机、扫码系统进行交互，判断用户使用乘车码的起止站，计算乘车费用后发起扣费结算。该平台通常由地铁公司、一卡通公司等参与建设。

结算平台：该平台通常是银行机构的金融服务系统，实现用户乘车费用的扣除，以及乘车码产品运营商的账务结算。

根据本公开的实施例，考虑到随着用户数据增加及模型迭代优化的需要，两者均将模型构建和优化设计在后台处理。

在本公开的实施例中，获取用于表征用户的运动状态的传感器数据序列包括：确定预设采集时间段；以及在预设采集时间段内采集用于表征用户的运动状态的传感器数据序列。

根据本公开的实施例，预设采集时间段可以包括，例如，早晚通勤时间区间：用户设置早晚通勤时间段(如7：30-8：00、17：30-21：00)，有助于高质量训练数据集的生成，以及减少不必要时段数据采集的能耗等。

根据本公开的实施例，例如还可以在点再审(如手机)中设置乘车码提前展示时间，可依据个人习惯，设置乘车码提前展示的时间，比如到检票口时出码、地铁到站马上出码等。

根据本公开的实施例，为确保乘车码的安全性，例如还可以在用户在出示乘车码前设置是否需要身份认证的功能，用户可以设置收到出码提示后进行指纹验证，然后手机再展现乘车码。

根据本公开的实施例，通过获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码，对用户的乘车行为进行感知和预测，在用户临近乘车时提前将乘车码推送到用户手机，解决了用户在出示乘车码时操作太多，高峰时段通讯信号弱等导致乘车码出示太慢，响应不及时的技术问题，从而更好地提升了乘车码产品的用户体验。

图7示意性示出了根据本公开实施例的一种乘车码自动展示装置的框图。

如图7所示，乘车码自动展示装置700包括获取模块710、识别模块720、发送模块730。

获取模块710，用于获取用于表征用户的运动状态的传感器数据序列；

识别模块720，用于将传感器数据序列输入用户乘车行为识别模型，输出识别结果。

发送模块730，用于在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码。

根据本公开的实施例，通过获取用于表征用户的运动状态的传感器数据序列；将传感器数据序列输入用户乘车行为识别模型，输出识别结果；以及在确定识别结果为需要自动展示乘车码的情况下，向乘车码应用发送自动展示乘车码的请求，以使得乘车码应用自动展示乘车码，对用户的乘车行为进行感知和预测，在用户临近乘车时提前将乘车码推送到用户手机，解决了用户在出示乘车码时操作太多，高峰时段通讯信号弱等导致乘车码出示太慢，响应不及时的技术问题，从而更好地提升了乘车码产品的用户体验。

根据本公开的实施例，用户乘车行为识别模型可以通过如下方式进行训练得到的：获取第一模型训练集，其中，第一模型训练集包括多个在具有相同时长的不同时间段内通过不同传感器采集到的传感器数据序列样本，其中，每个传感器数据序列样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；每个传感器数据序列样本包括多个对应于一个时间段中不同时刻的点数据，每个点数据包括：根据多个传感器在第一时刻采集到的N个采集值确定的第一目标值；根据第一目标值与多个传感器在第一时刻的前一时刻采集到的N个采集值的差值确定的第二目标值；和根据第一目标值与多个传感器在第一时刻的后一时刻采集到的N个采集值的差值确定的第三目标值；获取第一目标分类算法；以及利用第一模型训练集对第一目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，上述识别模块720包括第一获取单元、第二获取单元、第一输入单元。

第一获取单元，用于获取在以当前时刻为终点时刻的第一目标时间段内采集到的第一目标传感器数据序列，第一目标时间段与一个传感器数据序列样本对应的时间段的时长相同。

第二获取单元，用于获取根据第一目标传感器数据序列得到的多个第一目标点数据。

第一输入单元，用于将多个第一目标点数据输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，上述传感器数据序列样本是通过如下方式进行确定的：在针对多个第一目标点数据的目标识别结果为自动展示乘车码的情况下，获取用户针对目标识别结果的反馈信息；在反馈信息为正反馈的情况下，为第一目标传感器数据序列配置用于表征自动展示乘车码的真值标签；在反馈信息为负反馈的情况下，为第一目标传感器数据序列配置用于表征不展示乘车码的真值标签；将配置有真值标签的第一目标传感器数据序列作为一个传感器数据序列样本。

根据本公开的实施例，通过设计基于机器学习分类的乘车码出码预测方法，以传感器数据作为主要特征，弱化对行为序列的过多处理，实现只要某些行为模式出现，即可判断下一步行为是展示乘车码的技术效果，更快实现乘车码出码相应。

根据本公开的实施例，上述用户乘车行为识别模型训练方式还包括：获取第二模型训练集，其中，第二模型训练集包括多个时间样本，每个时间样本包括用于表征第二时刻的时间信息，每个时间样本具有用于表征自动展示乘车码或不展示乘车码的真值标签；获取第二目标分类算法；以及利用第二模型训练集对第二目标分类算法进行训练，得到用户乘车行为识别模型。

根据本公开的实施例，上述识别模块720还包括：第二获取单元、第二输入单元。

第二获取单元，用于获取当前时刻的时间信息。

第二输入单元，用于将时间信息输入用户乘车行为识别模型，以使得用户乘车行为识别模型输出识别结果。

根据本公开的实施例，通过设计基于机器学习分类的乘车码出码预测方法，以用户的作息时间作为主要特征，弱化对行为序列的过多处理，实现只要某些行为模式出现，即可判断下一步行为是展示乘车码的技术效果，更快实现乘车码出码相应。

根据本公开的实施例，用于提供传感器数据序列的传感器包括多个，每个传感器在一个时刻下采集一个或多个采集值，用户乘车行为识别模型中预置有多条乘车序列，每条乘车序列的确定方式包括：获取在用户启动乘车码之前的第二目标时间段内采集到的多个第二目标点数据，每个第二目标点数据包括：根据多个传感器在第三时刻采集到的N个采集值确定的第一目标值；根据第一目标值与多个传感器在第三时刻的前一时刻采集到的N个采集值的差值确定的第二目标值；和根据第一目标值与多个传感器在第三时刻的后一时刻采集到的N个采集值的差值确定的第三目标值；利用聚类算法对多个传感器在第二目标时间段内采集到的多个第二目标点数据进行聚类，得到多个簇；计算每个簇所表征的用户的目标运动状态，得到在第二目标时间段内的第一目标状态序列；以及根据第一目标状态序列确定乘车序列。

根据本公开的实施例，第一目标状态序列包括多个，根据第一目标状态序列确定乘车序列包括：在第一目标状态序列的出现频率大于第一预设阈值的情况下，确定第一目标状态序列为预置于用户乘车行为识别模型中的乘车序列。

根据本公开的实施例，上述识别模块720还包括：第三获取单元、第四获取单元、计算单元、输出单元。

第三获取单元，用于获取在以当前时刻为终点时刻的第三目标时间段内采集到的第二目标传感器数据序列，其中，第三目标时间段和第二目标时间段的时长相同。

第四获取单元，用于获取根据第二目标传感器数据序列计算得到的第二目标状态序列。

计算单元，用于计算第二目标状态序列与第一目标序列的相似度。

输出单元，用于输出单元用于在相似度大于第二预设阈值的情况下，输出识别结果。

根据本公开的实施例，上述用户乘车行为识别模型部署于客户端或能够与客户端通信的服务器中。

根据本公开的实施例，上述获取模块710包括：确定单元、采集单元。

确定单元，用于确定预设采集时间段。

采集单元，用于在预设采集时间段内采集用于表征用户的运动状态的传感器数据序列。

根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块710、识别模块720、发送模块730中的任意多个可以合并在一个模块/单元中实现，或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者，这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合，并在一个模块/单元中实现。根据本公开的实施例，获取模块710、识别模块720、发送模块730中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块710、识别模块720、发送模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中乘车码自动展示装置部分与本公开的实施例中乘车码自动展示方法部分是相对应的，乘车码自动展示装置部分的描述具体参考乘车码自动展示方法部分，在此不再赘述。

本公开的另一方面提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个指令被一个或多个处理器执行时，使得一个或多个处理器实现如上的方法。

图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开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可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的乘车码自动展示方法。

在该计算机程序被处理器801执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。