网约车司乘纠纷的制止方法、装置、设备、介质以及产品

技术领域

本发明涉及联邦学习技术领域，尤其涉及一种网约车司乘纠纷的制止方法、装置、终端设备、存储介质以及计算机程序产品。

背景技术

随着人工智能、5G通信等技术的迅速发展，智能车联网已逐渐成为汽车生产制造和使用中的主流发展趋势，在此环境下，网约车市场上针对智能车联网的应用正处于快速开拓的发展时期。

近年来，网约车市场中频频发生司乘纠纷甚至司乘冲突的新闻事件，这极大程度的阻碍了网约车市场的发展进程。基于种种新闻报道不难发现，司乘纠纷以及司乘冲突这类事件的发生大多数是由于车辆驾驶员和乘客之间的语言沟通行为出现问题而引发的。现有尽管已经存在将一系列成熟的语音或者视频监控等技术应用在车载终端或者司乘人员的智能移动终端上，以针对司乘之间的沟通以及动作等行为进行实时监控的措施，然而，现有应用语音或者视频监控等技术时，对于数据处理的算力、数据传输带宽等都需要更高要求，不仅数据处理过程复杂且响应也比较慢，此外，现有应用语音或者视频监控也仅仅是针对司乘之间行为的简单记录，并不能针对司乘之间可能引发纠纷或者冲突的语言沟通进行制止。

综上，现有网约车市场上基于智能车联网应用，难以及时制止司乘纠纷或者司乘冲突，从而无法保证智能车联网应用在网约车市场上的有效发展。

发明内容

本发明的主要目的在于提供一种网约车司乘纠纷的制止方法、终端设备、存储介质以及计算机程序产品，旨在解决现有网约车市场上基于智能车联网应用，难以及时制止司乘纠纷或者司乘冲突，导致无法保证智能车联网应用在网约车市场上的有效发展的技术问题。

为实现上述目的，本发明提供一种网约车司乘纠纷的制止方法，所述网约车司乘纠纷的制止方法应用于客户端，所述方法包括：

采集网约车司乘人员之间的实时对话语音；

将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；

若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

进一步地，所述网约车司乘纠纷的制止方法，还包括：

根据网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型。

进一步地，各所述客户端与服务器相连接组成学习联邦，所述根据网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型的步骤，包括：

向所述服务器加密上传网约车用户标识，以供所述服务器根据各所述加密的网约车用户标识针对所述网约车司乘对话样本进行样本对齐；

接收所述服务器下发的经过样本对齐后各所述网约车用户标识各自对应的训练样本，并利用所述训练样本进行本地模型训练生成模型参数；

上传所述模型参数至所述服务器，以供所述服务器根据各所述模型参数更新各所述客户端本地待确认的司乘纠纷识别模型，直至所述司乘纠纷识别模型收敛或者达到预设迭代训练轮次。

进一步地，所述向所述服务器加密上传网约车用户标识，以供所述服务器根据各所述加密的网约车用户标识针对所述网约车司乘对话样本进行样本对齐的步骤，包括：

利用所述服务器下发的密钥对本地的网约车用户标识进行加密得到加密的网约车用户标识；

上传加密的网约车用户标识至所述服务器，以供所述服务器解密各所述网约车用户标识，并确定解密后各网约车用户标识中相同的网约车用户标识，并按照相同的网约车用户标识针对所述网约车司乘对话样本进行全局样本对齐。

进一步地，所述模型参数为所述客户端利用密钥进行加密后上传的，所述模型参数包括：网约车司乘对话特征向量，所述上传所述模型参数至所述服务器，以供所述服务器根据各所述模型参数更新各所述客户端本地待确认的司乘纠纷识别模型的步骤，包括：

利用密钥对所述模型参数进行加密后上传至所述服务器；

接收所述服务器反馈的所述损失值，其中，所述服务器解密所述模型参数得到解密后的网约车司乘对话特征向量，并调用预设损失函数针对所述网约车司乘对话特征向量进行计算得到所述损失值；

按照所述损失值在本地计算梯度值，以利用所述梯度值更新本地待确认的司乘纠纷识别模型。

进一步地，所述纠纷制止提示为通过语音和/或者视频播报方式进行输出，以提示所述司乘人员将执行纠纷应急操作的提示，其中，所述纠纷应急操作包括紧急录像和/或者报警。

此外，为实现上述目的，本发明还提供一种网约车司乘纠纷的制止装置，所述网约车司乘纠纷的制止装置应用于客户端，所述装置包括：

对话采集模块，用于采集网约车司乘人员之间的实时对话语音；

纠纷识别模块，用于将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；

纠纷制止模块，用于若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

本发明网约车司乘纠纷的制止装置的各功能模块在运行时实现如上述的网约车司乘纠纷的制止方法的步骤。

此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网约车司乘纠纷的制止程序，所述网约车司乘纠纷的制止程序被所述处理器执行时实现如上述中的网约车司乘纠纷的制止方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的网约车司乘纠纷的制止方法的步骤。

此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上述的网约车司乘纠纷的制止方法的步骤。

本发明提出的网约车司乘纠纷的制止方法、装置、终端设备、存储介质以及计算机程序产品，通过采集网约车司乘人员之间的实时对话语音；将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

本发明在针对网约车司乘之间潜在的纠纷进行制止时，先通过客户端采集该网约车司乘人员之间的实时对话语音，然后，将该实时对话语音输入到预先由各客户端和服务器一起根据网约车司乘对话样本进行联邦学习训练得到的司乘纠纷识别模型当中，从而该司乘纠纷识别模型即可基于识别该实时对话语音并输出识别结果，最后，客户端若发现该司乘纠纷识别模型输出的识别结果标识该网约车的司乘人员之间的确存在纠纷行为，则，客户端立即输出预先设定的纠纷制止提示从而对该纠纷行为进行及时制止。

本发明相比于现有网约车市场上针对智能车联网的应用，能够通过司乘人员之间的实时对话语音识别出该司乘人员是否存在纠纷行为，并在识别到存在纠纷行为的情况下，输出提示以及时的制止该纠纷，无需依赖繁杂的视频监控等技术，降低了对于终端算力和通信带宽的需求，保证了智能车联网在网约车市场上的有效发展。

另一方面，本发明在针对网约车司乘人员之间进行纠纷识别和及时制止的过程中，由于使用的是基于联邦学习技术训练得到的纠纷识别模型，且整个实时对话语音的采集和纠纷识别和制止操作均是基于客户端在本地完成，并不会造成相关数据向外的泄露，从而，进一步保护了网约车司乘人员语音数据的隐私安全。

附图说明

图1是本发明实施例方案涉及终端设备的硬件运行的结构示意图；

图2是本发明一种网约车司乘纠纷的制止方法一实施例的流程示意图；

图3是本发明一种网约车司乘纠纷的制止方法另一实施例的流程示意图；

图4是本发明一种网约车司乘纠纷的制止方法一实施例中所涉及应用流程示意图；

图5是本发明一种网约车司乘纠纷的制止装置的模块结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及终端设备的硬件运行环境的结构示意图。

需要说明的是，图1即可为终端设备的硬件运行环境的结构示意图。本发明实施例终端设备即为所述的客户端，该客户端可以是移动终端，车载终端，PC，便携计算机等终端设备。

如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及分布式任务的处理程序。其中，操作系统是管理和控制样本终端设备硬件和软件资源的程序，支持分布式任务的处理程序以及其它软件或程序的运行。

在图1所示的终端设备中，用户接口1003主要用于与各个终端进行数据通信；网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；而处理器1001可以用于调用存储器1005中存储的网约车司乘纠纷的制止程序，并执行以下操作：

采集网约车司乘人员之间的实时对话语音；

将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；

若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

进一步地，处理器1001可以调用存储器1005中存储的网约车司乘纠纷的制止程序，还执行以下操作：

根据网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型。

进一步地，各所述客户端与服务器相连接组成学习联邦，处理器1001可以调用存储器1005中存储的网约车司乘纠纷的制止程序，还执行以下操作：

向所述服务器加密上传网约车用户标识，以供所述服务器根据各所述加密的网约车用户标识针对所述网约车司乘对话样本进行样本对齐；

接收所述服务器下发的经过样本对齐后各所述网约车用户标识各自对应的训练样本，并利用所述训练样本进行本地模型训练生成模型参数；

上传所述模型参数至所述服务器，以供所述服务器根据各所述模型参数更新各所述客户端本地待确认的司乘纠纷识别模型，直至所述司乘纠纷识别模型收敛或者达到预设迭代训练轮次。

进一步地，处理器1001可以调用存储器1005中存储的网约车司乘纠纷的制止程序，还执行以下操作：

利用所述服务器下发的密钥对本地的网约车用户标识进行加密得到加密的网约车用户标识；

上传加密的网约车用户标识至所述服务器，以供所述服务器解密各所述网约车用户标识，并确定解密后各网约车用户标识中相同的网约车用户标识，并按照相同的网约车用户标识针对所述网约车司乘对话样本进行全局样本对齐。

进一步地，所述模型参数为所述客户端利用密钥进行加密后上传的，所述模型参数包括：网约车司乘对话特征向量，处理器1001可以调用存储器1005中存储的网约车司乘纠纷的制止程序，还执行以下操作：

利用密钥对所述模型参数进行加密后上传至所述服务器；

接收所述服务器反馈的所述损失值，其中，所述服务器解密所述模型参数得到解密后的网约车司乘对话特征向量，并调用预设损失函数针对所述网约车司乘对话特征向量进行计算得到所述损失值；

按照所述损失值在本地计算梯度值，以利用所述梯度值更新本地待确认的司乘纠纷识别模型。

进一步地，纠纷制止提示为通过语音和/或者视频播报方式进行输出，以提示所述司乘人员将执行纠纷应急操作的提示，其中，所述纠纷应急操作包括紧急录像和/或者报警。

基于上述的结构，提出本发明网约车司乘纠纷的制止方法的各个实施例。

请参照图2，图2为本发明网约车司乘纠纷的制止方法第一实施例的流程示意图。

本发明实施例提供了网约车司乘纠纷的制止方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例网约车司乘纠纷的制止方法应用于网约车上用于与车辆外部互联网进行通信的客户端，该客户端可以是移动终端，车载终端，PC，便携计算机等终端设备，在此不做具体限制。

本实施例网约车司乘纠纷的制止方法包括：

步骤S100，采集网约车司乘人员之间的实时对话语音；

网约车上配备实现智能车联网功能的客户端在网约车的整个行程当中，持续不断的采集司机与乘客(后文当中简称司乘人员)之间的实时对话语音。

需要说明的是，在本实施例中，客户端可通过成熟的物联网技术与网约车外部的通信网络建立连接，从而实现智能车联网的功能。此外，该客户端具体可以通过内置或者外接的麦克风来持续不断的针对网约车内司乘人员之间的实时对话语音。

具体地，例如，客户端具体可以为网约车上支持车联网功能的某一车载终端，该车载终端通过设置在除开当前网约车驾驶座之外其它座椅上的传感器所传递的信息来自动开启，以针对该网约车内司乘人员之间产生的实时对话语音进行采集。

需要说明的是，在本实施例中，设置在其它座椅上的传感器可以在监测到当前座椅上是否有乘客就坐来对应向车载终端传递对应信息，即，该传感器在监测到有乘客就坐时，立即向车载终端传递一个“乘客已经上车”的信息，从而车载终端在接收到该信息之后即自动启动以开始采集司乘之间的实时对话语音。

进一步地，在另一种可行的实施例中，上述车载终端车辆自动开启之外，当然也可以基于接收由司机或者乘客触发指令进行启动来采集司乘人员之间的实时对话语音，例如，网约车的驾驶员在乘客上车从而开启当前形成之后，基于车载终端上预设的实体或者虚拟按键，或者基于语音方式触发并向该车载终端输入启动指令，从而车载终端在接收到该启动指令之后即启动并开始持续不断的采集该网约车内司乘人员之间产生的实时对话语音进行采集。

步骤S200，将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；

需要说明的是，在本实施例中，客户端可以联合其他客户端和服务器一起组成联邦，从而基于该联邦利用采集制定好的网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型，从而利用该司乘纠纷识别模型来识别司乘人员之间可能存在的纠纷。

客户端在采集得到司乘人员之间的实时对话语音之后，立即将该实时对话语音作为模型输入，并将该模型输入输入到已经训练得到的司乘纠纷识别模型中，从而该司乘纠纷识别模型针对该模型输入进行训练以识别该实时对话语音并输出能够标识司乘人员之间是否存在纠纷行为的识别结果。

具体地，例如，车载终端通过与其它多个车载终端一起与受信任的服务器建立连接，从而组建形成一个机器学习联邦，进而利用采集制定好的网约车司乘对话样本来进行联邦学习训练，从而得到一个能够识别司乘人员之间实时对话语音以准确判断该司乘人员之间是否存在纠纷的司乘纠纷识别模型，如此，车载终端在网约车的整个行程中，在采集得到该司乘人员之间的实时对话语音之后，便立即将该实时对话语音输入到该司乘纠纷识别模型当中，从而供该司乘纠纷识别模型针对该实时对话语音进行模型训练计算，并输出识别该实时对话语音后得到的标识该司乘人员之间是否存在纠纷的识别结果。

需要说明的是，在本实施例中，司乘纠纷识别模型可以为业界成熟的语音识别模型，例如，该司乘纠纷识别模型具体可以为DFCNN(deep fully convolutional neuralnetwork全序列卷积神经网络)和LAS(Listen Attend and Spell，LAS模型，基于名为“Listen Attend and Spell”的神经网络结构建立)等。应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，该司乘纠纷识别模型当然也可以是不同于此处所列举的其它成熟的语音识别模型，本发明网约车司乘纠纷的制止方法并不针对该司乘纠纷识别模型的具体类型进行限定。

步骤S300，若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

客户端在将采集得到的实时对话语音输入到司乘纠纷识别模型，从而供该司乘纠纷识别模型识别实时对话语音并输出识别结果之后，若客户端检测到该识别结果标识司乘人员之间存在纠纷行为，则客户端立即输入预设的纠纷制止提示来及时的针对该纠纷进行制止。

需要说明的是，在本实施例中，由于客户端在联合其他客户端与服务器所一起组建的机器学习联邦进行联邦学习训练得到司乘纠纷识别模型的过程中，客户端所采用的司乘对话样本中含有用于指示司乘人员之间的对话为“沟通良好”，或者为“存在沟通障碍”甚至为“存在纠纷行为”的样本标签，并且，客户端在训练该司乘纠纷识别模型时，该司乘纠纷识别模型也是基于该不同样本标签进行对应司乘对话样本的特征向量进行学习训练的，从而，该司乘纠纷识别模型识别司乘人员之间的实时对话语音并输出的识别结果为与该“沟通良好”、“存在沟通障碍”或者“存在纠纷行为”的样本标签相对应，进而能够标识该司乘人员之间沟通状态的结果标识。

进一步地，在本实施例中，所述纠纷制止提示为通过语音和/或者视频播报方式进行输出，以提示所述司乘人员将执行纠纷应急操作的提示，其中，所述纠纷应急操作包括紧急录像和/或者报警。

具体地，例如，作为客户端的车载终端在联合其他车载终端进行联邦学习训练得到的司乘纠纷识别模型，分别以与“沟通良好”、“存在沟通障碍”和“存在纠纷行为”各自对应的数字标识1、2和3作为在识别实时对话语音后可能输出的识别结果，从而，车载终端若在当前将采集得到的司乘人员之间的实时对话语音输入到司乘纠纷识别模型，且该司乘纠纷识别模型基于该实时对话语音进行模型训练计算输出的识别结果为“3”，则车载终端通过该识别结果“3”对应的“存在纠纷行为”的样本标签，确定当前网约车行程中的司乘人员之间的沟通是存在纠纷的，如此，车载终端即刻通过语音播报方式向该网约车内的司乘人员输出即将执行紧急录像并报警的提示，从而达成震慑司乘人员以及时有效的制止该司乘人员因沟通产生的纠纷的目的。

进一步地，在另一种可行的实施例中，客户端在将采集得到的实时对话语音输入到司乘纠纷识别模型，从而供该司乘纠纷识别模型识别实时对话语音并输出识别结果之后，若客户端检测到该识别结果标识司乘人员之间不存在纠纷，则客户端继续持续采集实时对话语音，并将该实时对话语音输入该司乘纠纷识别模型识别并输出识别结果的过程。

具体地，例如，车载终端若在当前将采集得到的司乘人员之间的实时对话语音输入到司乘纠纷识别模型，且该司乘纠纷识别模型基于该实时对话语音进行模型训练计算输出的识别结果为“1”或者“2”，则车载终端通过该识别结果“1”或者“2”各自所对应的“沟通良好”和“存在沟通障碍”的样本标签，确定当前网约车行程中的司乘人员之间的沟通是不存在纠纷的，如此，车载终端继续在该网约车的行程中，持续不断的采集司乘人员之间的实时语音对话，并将该实时对话语音输入到司乘纠纷识别模型，以供该司乘纠纷识别模型基于该实时对话语音进行模型训练计算并输出识别结果。

在本实施例中，通过网约车上配备实现智能车联网功能的客户端在网约车的整个行程当中，持续不断的采集司机与乘客(后文当中简称司乘人员)之间的实时对话语音；客户端在采集得到司乘人员之间的实时对话语音之后，立即将该实时对话语音作为模型输入，并将该模型输入输入到已经训练得到的司乘纠纷识别模型中，从而该司乘纠纷识别模型针对该模型输入进行训练以识别该实时对话语音并输出能够标识司乘人员之间是否存在纠纷行为的识别结果；客户端在将采集得到的实时对话语音输入到司乘纠纷识别模型，从而供该司乘纠纷识别模型识别实时对话语音并输出识别结果之后，若客户端检测到该识别结果标识司乘人员之间存在纠纷行为，则客户端立即输入预设的纠纷制止提示来及时的针对该纠纷行为进行制止。

本发明在针对网约车司乘之间潜在的纠纷进行制止时，先通过客户端采集该网约车司乘人员之间的实时对话语音，然后，将该实时对话语音输入到预先由各客户端和服务器一起根据网约车司乘对话样本进行联邦学习训练得到的司乘纠纷识别模型当中，从而该司乘纠纷识别模型即可基于识别该实时对话语音并输出识别结果，最后，客户端若发现该司乘纠纷识别模型输出的识别结果标识该网约车的司乘人员之间的确存在纠纷行为，则，客户端立即输出预先设定的纠纷制止提示从而对该纠纷行为进行及时制止。

本发明相比于现有网约车市场上针对智能车联网的应用，能够通过司乘人员之间的实时对话语音识别出该司乘人员是否存在纠纷行为，并在识别到存在纠纷的情况下，输出提示以及时的制止该纠纷行为，无需依赖繁杂的视频监控等技术，降低了对于终端算力和通信带宽的需求，保证了智能车联网在网约车市场上的有效发展。

另一方面，本发明在针对网约车司乘人员之间进行纠纷识别和及时制止的过程中，由于使用的是基于联邦学习技术训练得到的纠纷识别模型，且整个实时对话语音的采集和纠纷识别和制止操作均是基于客户端在本地完成，并不会造成相关数据向外的泄露，从而，进一步保护了网约车司乘人员语音数据的隐私安全。

进一步地，基于上述本发明网约车司乘纠纷的制止方法的第一实施例，提出本发明网约车司乘纠纷的制止方法的第二实施例，在本实施例中，本发明网约车司乘纠纷的制止方法，还可以包括：

步骤A，根据网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型。

客户端在具体应用司乘纠纷识别模型针对网约车司乘人员之间的实时对话语音进行识别之前，先通过与其它各客户端一起构建一个机器学习联邦，从而基于该机器学习联邦利用预先采集构建好的网约车司乘对话样本进行联邦学习训练，从而得到能够准确识别网约车司乘人员之间是否存在纠纷的司乘纠纷识别模型。

需要说明的是，在本实施例中，网约车司乘对话样本具体可以为基于采集网约车每一个行程中，司乘人员之间的对话语音进行构建，并且，在基于该每一个对话语音构建对应网约车司乘对话样本时，还基于司乘人员或者后台工作人员该对话语音的实际情况添加“沟通良好”、“存在沟通障碍”或者“存在纠纷”的标签。具体地，例如，在采集网约车的一次行程中司乘人员的对话语音之后，向该网约车司机输出一个选择当前已完成行程中对话语音标签的提示，从而，该驾驶员即可根据在当前行程中与乘客之间未发生任何沟通问题的实际情况，选择“沟通良好”来做为该对话语音的标签；或者，若在当前行程中与乘客之间发生了沟通障碍或者是纠纷，则该驾驶员即对应选择“存在沟通障碍”或者“存在纠纷”来做为该对话语音的标签。

进一步，在一种可行的实施例中，各所述客户端与服务器相连接组成学习联邦，请参照图3所示的流程，上述步骤A，可以包括：

步骤A01，向所述服务器加密上传网约车用户标识，以供所述服务器根据各所述加密的网约车用户标识针对所述网约车司乘对话样本进行样本对齐；

需要说明的是，在本实施例中，当前客户端和其它各自与对应网约车绑定或者关联的客户端，与分别连接该各个客户端且受该各个客户端信任的服务器一起组成机器学习联邦。应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，各个客户端甚至服务器各自当然可以是同种或者不同类型的终端设备，本发明网约车司乘纠纷的制止方法，并不针对该客户端以及服务器的具体类型进行限定。此外，在本实施例中，网约车用户标识具体可以是网约车的车牌号、车架号和/或者驾驶员的手机号码等信息。

客户端各自在本地将对应绑定或者关联的网约车的网约车用户标识进行加密，然后将该加密的网约车用户标识上传给组成机器学习联邦当中的服务器，从而，服务器在接收到各个加密的网约车用户标识之后即可基于该网约车用户标识，对已经构建好的网约车司乘对话样本进行样本对齐的操作。

进一步地，在一种可行的实施例中，上述步骤A01，还可以包括：

步骤A011，利用所述服务器下发的密钥对本地的网约车用户标识进行加密得到加密的网约车用户标识；

需要说明的是，在本实施例中，各客户端与服务器组成机器学习联邦之后，该服务器即将生成的密钥对当中的密钥分发至该各个客户端，以供各个客户端在后续与服务器进行加密的数据传输。应当理解的是，基于实际应用的不同设计需要，在不同可行的实施方式当中，服务器可以采用任意成熟的密钥生成方式来生成密钥对，本发明网约车司乘纠纷的制止方法，并不针对服务器生成密钥对的过程以及该密钥对的具体类型进行限定。

客户端各自在本地将自己绑定或者关联的网约车用户标识，利用服务器预先下发的密钥进行加密处理以得到加密的网约车用户标识。

步骤A012，上传加密的网约车用户标识至所述服务器，以供所述服务器解密各所述网约车用户标识，并确定解密后各网约车用户标识中相同的网约车用户标识，并按照相同的网约车用户标识针对所述网约车司乘对话样本进行全局样本对齐。

客户端各自在利用服务器下发的密钥针对自己绑定或者关联的网约车用户标识进行加密之后，各自将加密的网约车用户标识上传给服务器，从而，服务器在接收到该多个加密的网约车用户标识之后，即利用预先生成的密钥对当中公钥针对该多个加密的网约车用户标识进行解密，然后，服务器分析对比解密后各个网约车用户标识相互之间是否相同，从而确定出相同的网约车用户标识，再然后，服务器即按照该相同的网约车用户标识针对构建好的网约车司乘对话样本进行全局样本对齐的操作。

需要说明的是，在本实施例中，服务器具体可以按照解密后各个网约车用户标识是否属于用一类别来确定相同的网约车用户标识。具体地，例如，各个网约车用户标识是否为同一个车牌号、同一个车架号或者同一个手机号码等，从而将属于同一个车牌号、车架号或者手机号码的多个网约车用户标识确定为相同的网约车用户标识。

步骤A02，接收所述服务器下发的经过样本对齐后各所述网约车用户标识各自对应的训练样本，并利用所述训练样本进行本地模型训练生成模型参数；

客户端在上传加密的网约车用户标识至服务器，以供服务器针对该网约车用户标识进行解密并按照相同的网约车用户标识针对网约车司乘对话样本进行全局样本对齐之后，服务器将相同的网约车用户标识所对应的网约车司乘对话样本确定为该网约车用户标识所对应的训练样本，然后，服务器进一步按照该相同的网约车用户标识将该训练样本下发给对应的客户端，客户端即接收到该训练样本，并在本地针对初始的机器学习模型进行本地模型训练后得到该机器学习模型的模型参数。

具体地，例如，各客户端本地的机器学习模型具体可以为DFCNN、LAS等成熟的语音识别模型，模型参数具体可以为网约车司乘对话特征向量以及模型输出的样本标签。请参照如图4所示的应用流程，客户端1、客户端2和客户端3各自上传利用密钥加密的网约车用户标识(图示用户ID)1、网约车用户标识2和网约车用户标识3至服务器，服务器基于与该密钥相对的公钥解密该加密的网约车用户标识1、网约车用户标识2和网约车用户标识3之后，分析确定该网约车用户标识1和网约车用户标识2为属于同一类别的相同的网约车用户标识，则服务器即利用该网约车用户标识1或者网约车用户标识2与该网约车用户标识3一起，针对预先构建好的网约车司乘对话样本进行全局样本对齐操作，然后，服务器进一步将该网约车用户标识1或者网约车用户标识2对应的那部分网约车司乘对话样本确定为训练样本1，并将网约车用户标识3对应的那部分网约车司乘对话样本确定为训练样本2，并分别将该训练样本1下发给客户端1和客户端2，以及将该训练样本2下发给客户端3。从而，客户端1、客户端2和客户端3各自在接收到训练样本1和训练样本2之后，即各自开始在本地针对初始的机器学习模型(DFCNN或者LAS等)进行本地模型训练，进而由客户端1在本地利用训练样本1训练初始的机器学习模型后生成的网约车司乘对话特征向量(图示司乘语音沟通特征向量)1以及样本标签1，和由客户端2在本地利用训练样本1训练初始的机器学习模型后生成的网约车司乘对话特征向量2以及样本标签2，以及由客户端3在本地利用训练样本2训练初始的机器学习模型后生成的网约车司乘对话特征向量3以及样本标签3。

步骤A03，上传所述模型参数至所述服务器，以供所述服务器根据各所述模型参数更新各所述客户端本地待确认的司乘纠纷识别模型，直至所述司乘纠纷识别模型收敛或者达到预设迭代训练轮次。

客户端在本地利用对应训练样本进行模型训练从而得到模型参数之后，进一步将该模型参数上传给服务器，从而由服务器根据各个模型参数进行损失值计算后反馈，以针对各客户端本地经过训练的待确认的司乘纠纷识别模型进行更新，如此，循环各客户端在本地进行模型训练后反馈模型参数以供服务器计算损失值来进行待确认的司乘纠纷识别模型的过程，直至该司乘纠纷识别模型最后收敛或者循环的轮次达到预设迭代训练轮次后，即标识该司乘纠纷识别模型已经训练完成。

需要说明的是，在本实施例中，预设迭代训练轮次具体可以为客户端或者服务器基于工作人员的配置生成，用于标识客户端在当前机器学习联邦中针对司乘纠纷识别模型的循环训练更新过程已经完成的模型迭代训练次数。

进一步地，在一种可行的实施例中，所述模型参数为所述客户端利用密钥进行加密后上传的，上述步骤A03，可以包括：

步骤A031，利用密钥对所述模型参数进行加密后上传至所述服务器；

客户端在本地利用对应训练样本进行模型训练从而得到模型参数之后，进一步利用预先由服务器下发的密钥针对该模型参数进行加密，并将加密的模型参数上传给服务器进行损失值计算。

步骤A032，接收所述服务器反馈的所述损失值，其中，所述服务器解密所述模型参数得到解密后的网约车司乘对话特征向量，并调用预设损失函数针对所述网约车司乘对话特征向量进行计算得到所述损失值；

需要说明的是，在本实施例中，预设损失值函数具体可以为任意成熟的损失函数，基于实际应用的不同设计需要，在不同可行的实施方式当中，服务器当然可以采用不同的损失函数，因此，本发明网约车司乘纠纷的制止方法并不针对该预设损失值函数的具体类型进行限定。

客户端在将进行本地模型训练得到的模型参数经过加密上传给服务器之后，该服务器即通过本地的公钥针对该各个加密的模型参数进行解密，然后调用预设损失值函数来计算得到损失值，并将该损失值再次反馈给各个客户端进行模型更新操作。

具体地，例如，请参照如图4所示的应用流程，客户端1在本地利用训练样本1训练初始的机器学习模型后生成的网约车司乘对话特征向量1以及样本标签1，客户端2在本地利用训练样本1训练初始的机器学习模型后生成的网约车司乘对话特征向量2以及样本标签2，以及，客户端3在本地利用训练样本2训练初始的机器学习模型后生成的网约车司乘对话特征向量3以及样本标签3之后，该客户端1、客户端2和客户端3各自利用服务器预先下发的密钥针对该网约车司乘对话特征向量1、网约车司乘对话特征向量2和网约车司乘对话特征向量3，进行加密后上传给服务器，服务器接收加密的网约车司乘对话特征向量1、网约车司乘对话特征向量2和网约车司乘对话特征向量3，并利用与该密钥相对的公钥解密得到网约车司乘对话特征向量1、网约车司乘对话特征向量2和网约车司乘对话特征向量3，然后，服务器调用预先由工作人员在本地配置的损失函数基于该网约车司乘对话特征向量1、网约车司乘对话特征向量2和网约车司乘对话特征向量3计算得到损失值(图示损失函数值)，并将该损失值进行加密后分别反馈给客户端1、客户端2和客户端3。

步骤A033，按照所述损失值在本地计算梯度值，以利用所述梯度值更新本地待确认的司乘纠纷识别模型。

客户端在接收到服务器反馈的损失值之后，各自在本地基于该损失值计算梯度值，从而利用该梯度值对本地待确认的司乘纠纷模型进行更新。

需要说明的是，在本实施例中，客户端具体可以采用任意成熟的模型梯度值计算方式来基于服务器下发的损失值计算得到梯度值，并根据该梯度值更新已经经过本地模型训练的机器学习模型。应当理解的是，基于实际应用的不同设计需要，各客户端各自在本地基于服务器下发的损失值来计算梯度值的计算过程当然可以是不相同的，本发明网约车司乘纠纷的制止方法并不针对客户端基于损失值计算梯度的具体过程进行限定。

进一步地，在本实施例中，客户端在本地基于计算的梯度值更新待确认的司乘纠纷识别模型(即客户端在本地利用训练样本进行过模型训练的机器学习模型)之后，若该司乘纠纷识别模型已经收敛，或者，客户端当前利用梯度值更新该司乘纠纷识别模型的次数已经达到预设迭代训练轮次时，客户端即确定该司乘纠纷识别模型已经训练完毕，从而可以利用该司乘纠纷识别模型对网约车司乘人员之间的实时对话语音进行识别并得到该司乘人员之间是否存在纠纷的准确的识别结果。

在本实施例中，通过客户端在具体应用司乘纠纷识别模型针对网约车司乘人员之间的实时对话语音进行识别之前，先通过与其它各客户端一起构建一个机器学习联邦，从而基于该机器学习联邦利用预先采集构建好的网约车司乘对话样本进行联邦学习训练，从而得到能够准确识别网约车司乘人员之间是否存在纠纷的司乘纠纷识别模型。

如此，本发明在针对网约车司乘之间潜在的纠纷进行制止时，即可直接将客户端采集到的该网约车司乘人员之间的实时对话语音，输入到该司乘纠纷识别模型当中，从而由该司乘纠纷识别模型即可基于识别该实时对话语音并输出准确的识别结果，最后，客户端可以在发现该识别结果标识该网约车的司乘人员之间的确存在纠纷行为时，输出预先设定的纠纷制止提示从而对该纠纷行为进行及时制止。

本发明相比于现有网约车市场上针对智能车联网的应用，通过训练司乘纠纷识别模型来准确的识别司乘人员是否存在纠纷行为，从而无需依赖繁杂的视频监控等技术，降低了对于终端算力和通信带宽的需求，保证了智能车联网在网约车市场上的有效发展。

另一方面，本发明在针对网约车司乘人员之间进行纠纷识别和及时制止的过程中，由于使用的是基于联邦学习技术训练得到的纠纷识别模型，且整个实时对话语音的采集和纠纷识别和制止操作均是基于客户端在本地完成，并不会造成相关数据向外的泄露，从而，进一步保护了网约车司乘人员语音数据的隐私安全。

此外，请参照图5，本发明实施例还提出一种网约车司乘纠纷的制止装置，所述网约车司乘纠纷的制止装置应用于客户端，所述装置包括：

对话采集模块，用于采集网约车司乘人员之间的实时对话语音；

纠纷识别模块，用于将所述实时对话语音输入预设的司乘纠纷识别模型，以供所述司乘纠纷识别模型识别所述实时对话语音并输出识别结果，其中，所述司乘纠纷识别模型为根据网约车司乘对话样本进行联邦学习训练得到；

纠纷制止模块，用于若所述识别结果标识所述司乘人员之间存在纠纷行为，则输出预设的纠纷制止提示对所述纠纷进行制止。

优选地，本发明网约车司乘纠纷的制止装置，还包括：

模型训练模块，用于根据网约车司乘对话样本进行联邦学习训练得到司乘纠纷识别模型。

优选地，各所述客户端与服务器相连接组成学习联邦，所述模型训练模块，包括：

样本对齐单元，用于向所述服务器加密上传网约车用户标识，以供所述服务器根据各所述加密的网约车用户标识针对所述网约车司乘对话样本进行样本对齐；

本地训练单元，用于接收所述服务器下发的经过样本对齐后各所述网约车用户标识各自对应的训练样本，并利用所述训练样本进行本地模型训练生成模型参数；

模型更新单元，用于上传所述模型参数至所述服务器，以供所述服务器根据各所述模型参数更新各所述客户端本地待确认的司乘纠纷识别模型，直至所述司乘纠纷识别模型收敛或者达到预设迭代训练轮次。

优选地，所述样本对齐单元，包括：

第一加密传输子单元，用于利用所述服务器下发的密钥对本地的网约车用户标识进行加密得到加密的网约车用户标识；

解密对齐样本子单元，用于上传加密的网约车用户标识至所述服务器，以供所述服务器解密各所述网约车用户标识，并确定解密后各网约车用户标识中相同的网约车用户标识，并按照相同的网约车用户标识针对所述网约车司乘对话样本进行全局样本对齐。

优选地，所述模型参数为所述客户端利用密钥进行加密后上传的，所述模型参数包括：网约车司乘对话特征向量，所述模型更新单元，还包括：

第二加密传输子单元，用于利用密钥对所述模型参数进行加密后上传至所述服务器；

接收子单元，用于接收所述服务器反馈的所述损失值，其中，所述服务器解密所述模型参数得到解密后的网约车司乘对话特征向量，并调用预设损失函数针对所述网约车司乘对话特征向量进行计算得到所述损失值；

计算子单元，用于按照所述损失值在本地计算梯度值，以利用所述梯度值更新本地待确认的司乘纠纷识别模型。

优选地，所述纠纷制止提示为通过语音和/或者视频播报方式进行输出，以提示所述司乘人员将执行纠纷应急操作的提示，其中，所述纠纷应急操作包括紧急录像和/或者报警。

其中，本发明网约车司乘纠纷的制止装置的各功能模块在运行时所实现的步骤，可参照上述本发明网约车司乘纠纷的制止方法的各个实施例，此处不再赘述。

此外，本发明实施例还提出一种终端设备，该终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网约车司乘纠纷的制止程序，该网约车司乘纠纷的制止程序被所述处理器执行时实现如上述中的网约车司乘纠纷的制止方法的步骤。

其中，在所述处理器上运行的网约车司乘纠纷的制止程序被执行时所实现的步骤可参照本发明网约车司乘纠纷的制止方法的各个实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，应用于计算机，该存储介质可以为非易失性计算机可读存储介质，该存储介质上存储有网约车司乘纠纷的制止程序，所述网约车司乘纠纷的制止程序被处理器执行时实现如上所述的网约车司乘纠纷的制止方法的步骤。

此外，本发明实施例还提出一种计算机程序产品，该计算机程序产品上包括门店访客信息的架构程序，所述门店访客信息的架构程序被处理器执行时实现如上所述的门店访客信息的架构方法的步骤。

其中，在所述处理器上运行的网约车司乘纠纷的制止程序被执行时所实现的步骤可参照本发明网约车司乘纠纷的制止方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。