CN110751586A - 一种订单行程异常识别方法和*** - Google Patents
一种订单行程异常识别方法和*** Download PDFInfo
- Publication number
- CN110751586A CN110751586A CN201910130363.XA CN201910130363A CN110751586A CN 110751586 A CN110751586 A CN 110751586A CN 201910130363 A CN201910130363 A CN 201910130363A CN 110751586 A CN110751586 A CN 110751586A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- order
- vehicle
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000005856 abnormality Effects 0.000 claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 53
- 238000003860 storage Methods 0.000 claims description 51
- 238000013210 evaluation model Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000006378 damage Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 78
- 238000012790 confirmation Methods 0.000 description 68
- 230000002265 prevention Effects 0.000 description 31
- 230000010485 coping Effects 0.000 description 27
- 230000004044 response Effects 0.000 description 13
- 238000003066 decision tree Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 10
- 238000011282 treatment Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000007637 random forest analysis Methods 0.000 description 9
- 238000012502 risk assessment Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000007477 logistic regression Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 230000036210 malignancy Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005204 segregation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种订单行程异常识别方法和***。所述方法由至少一个处理器执行,包括获取订单相关数据;所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据。基于当前订单数据和/或当前订单执行时的实时状态数据确定当前订单行程是否存在异常。基于异常判断结果,执行设定的操作。以防止行程异常的发送,并减少对相关人员的损害。
Description
技术领域
本申请涉及按需运输服务领域,特别涉及一种订单行程异常识别方法和***。
背景技术
随着互联网技术的发展,线上到线下(O2O)服务(如在线打车服务)在人们的日常生活中发挥着越来越重要的作用。随着在线打车订单的增加,影响乘客和司机人身安全的恶性事件也频繁发生。因此,为了尽早地预测订单是否有异常,避免恶性事件的发生,减少用户伤害。期望提供通过监测行程是否异常,以评估潜在风险的方法和***。
发明内容
本申请实施例之一提供一种订单行程异常识别方法。所述订单行程异常识别方法包括:获取订单相关数据;所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据。基于当前订单数据和/或当前订单执行时的实时状态数据确定当前订单行程是否存在异常。基于异常判断结果,执行设定的操作。
在一些实施例中,所述当前订单数据包括以下至少一个:服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息;所述当前订单执行时的状态数据包括以下至少一个:与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。
在一些实施例中,所述行程异常包括以下至少一个:偏离预设路线、行驶至偏远地区、行驶中停留异常、行驶速度异常。
在一些实施例中,基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型;基于所述类型确定行程异常的危险程度。
在一些实施例中,基于车辆的定位信息和行驶路线确定当前位置与预设路线的距离值;基于所述距离值判断是否偏离预设路线,当判断结果为偏离预设路线,基于所述距离值、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶异常的危险程度。
在一些实施例中,基于车辆的定位信息和行程路径确定相关地点的偏僻度;基于所述偏僻度判断是否行驶至偏远地区,当判断结果为行驶至偏远地区,基于所述偏僻度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶至偏远地区的危险程度。
在一些实施例中,基于车辆停留次数和/或停留时间判断是否行驶中停留异常;当判断结果为行驶中停留异常,基于所述车辆停留次数、所述停留时间、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶中停留异常的危险程度。
在一些实施例中,基于车辆行驶速度判断是否行驶速度异常;当判断结果为行驶速度异常,基于车辆行驶速度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶速度异常的危险程度。
在一些实施例中,基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型,包括获取异常识别模型;基于所述异常识别模型确定行程异常的类型。
在一些实施例中,获取异常识别模型,包括:获取历史订单;获取历史订单中的订单数据和/或订单执行时的状态数据;将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;标记所述正样本对应的行驶异常的类型;基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的所述行驶异常的类型训练异常识别模型。
在一些实施例中,基于所述类型确定行程异常的危险程度,包括:获取异常评估模型;基于所述异常评估模型确定行程异常的危险程度。
在一些实施例中,获取异常识别模型,包括:获取历史订单;获取历史订单中的订单数据和/或订单执行时的状态数据;将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的样本的类型训练异常评估模型。
本申请实施例之一提供一种订单异常识别***,包括:数据获取模块,用于获取订单相关数据;所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据;风险判定模块,用于基于当前订单数据和/或当前订单执行时的实时状态数据确定当前订单行程是否存在异常;风险应对模块,用于基于异常判断结果,执行设定的操作。
本申请实施例之一提供一种订单异常识别装置,包括处理器,所述处理器用于执行订单异常识别方法。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行订单异常识别方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一个示例性风险防范***的应用场景示意图;
图2是是根据本申请一些实施例所示的可以在其上实现终端的移动设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请一些实施例所示的风险防范***的框图;
图4是根据本申请一些实施例所示的风险防范方法的示例性流程图;
图5是根据本申请一些实施例所示的一种订单行程异常识别的方法的示例性流程图;
图6是根据本申请一些实施例所示的训练机器模型的方法的示例性流程图;
图7是根据本申请一些实施例所示的偏离预设路线的评估方法的示例性流程图;
图8是根据本申请一些实施例所示的行驶至偏远地区的评估方法的示例性流程图;
图9是根据本申请一些实施例所示的行驶中停留异常的评估方法的示例性流程图;
图10是根据本申请一些实施例所示的行驶速度异常的评估方法的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的运输***,不同的运输***包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如,出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、船舶、飞机、热气球、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输***。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制***、企业内部分析***、人工智能机器人等中的一种或几种的组合。应当理解的是,本申请的***及方法的应用场景仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。例如,其他类似的引导用户停车***。
本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“请求者”、“服务请求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的,是指需要或者订购服务的一方,可以是个人,也可以是工具。同样地,本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
图1所示为根据本申请一些实施例所示的一个示例性风险防范***的示意图。风险防范***100可以判定行程中的安全事件风险,并采取应对方法以减少对用户的伤害。例如,***100可以判断是否有行驶速度异常、行驶至偏远地区等行程异常。风险防范***100可以用于互联网或者其它网络的服务平台。例如,风险防范***100可以是为交通运输提供服务的线上服务平台。在一些实施例中,风险防范***100可以应用于网约车服务,例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中,风险防范***100还可以应用于代驾、快递、外卖等。在另一些实施例中,风险防范***100还可以应用于家政服务、出行(如旅游)服务、教育(如线下教育)服务等领域。如图1所示,风险防范***100可以包括处理设备110、一个或一个以上终端120、存储设备130、网络140以及信息源150。
在一些实施例中,处理设备110可以处理从终端120、存储设备130和/或信息源150处获得的数据和/或信息。例如,处理设备110可以获取多个终端120的定位/轨迹信息和/或与行程相关的参与方(例如,司机和乘客)的特征信息。处理设备110可以处理上述所获取的信息和/或数据以执行本申请描述的一个或多个功能。例如,处理设备110可以基于风险判定规则和/或风险判定模型对所获取的数据以进行安全风险的判定,并根据判定结果确定采取相应的应对方法,比如报警和/或提供线下支援。在一些实施例中,处理设备110可以获取至少一个服务订单的相关数据;所述服务订单的相关数据至少包括以下的两种:所述服务订单特征、所述服务订单执行过程中的实时状态数据、与所述服务订单中至少一个数据相关的历史记录。在一些实施例中,处理设备110可以至少基于预设的风险判定规则,对所述服务订单的相关数据进行处理以确定所述服务订单的风险判定结果。例如,根据当前定位数据和行驶路线判定是否有偏离预设路线的行驶异常。又例如,根据当前地区的偏僻度判断是否发生行驶至偏远地区的行程异常。在一些实施例中,处理设备110可以基于所述风险判定结果,对所述服务订单执行风险应对操作。在一些实施例中,处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如:处理设备110可以是分布***)。在一些实施例中,处理设备110可以是本地的或者远程的。例如,处理设备110可通过网络140访问存储于终端120、存储设备130和/或信息源150中的信息和/或资料。在一些实施例中,处理设备110可直接与终端120、存储设备130和/或信息源150连接以访问存储于其中的信息和/或资料。在一些实施例中,处理设备110可在云平台上执行。例如,该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在另一些实施例中,处理设备110可以同时是终端120之一。
在一些实施例中,处理设备110可以包含一个或多个子处理设备(如:单核处理器或多核处理器)。仅仅作为范例,处理设备110可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
在一些实施例中,终端120可以是带有数据获取、存储和/或发送功能的设备,可以包括任一用户或者非直接参与服务的终端、服务提供者终端、服务请求者终端和/或车载终端。所述服务提供者可以是提供服务的个人、工具或者其他实体。所述服务请求者可以是需要得到或者正在接受服务的个人、工具或者其他实体。例如,针对网约车服务而言,所述服务提供者可以是司机、第三方平台,所述服务请求者可以是乘客或者其它接受类似服务的个人或者设备(例如物联网设备)。在一些实施例中,终端120可以用于采集各类数据,包括但不限于与服务相关的数据。例如,终端120所采集的数据可以包括与订单相关的数据(例如,订单请求时间、起终点、乘客信息、司机信息、车辆信息等)、与车辆行驶情况相关的数据(例如,当前速度、当前加速度、设备的姿态、路况等)、与服务行程相关的数据(例如,预设行程路径、实际行驶路径、费用等)、与服务参与方(服务提供者/服务请求者)相关的数据(例如,参与方的个人信息、服务提供者/服务请求者对于终端120的操控信息、终端设备的各种相关数据等)等或其任意组合。所采集数据可以是实时的,也可以是各类历史数据如用户过去的使用历史等等。数据可由终端120通过自身的传感器进行数据采集,也可以搜集外接传感器获取的数据,也可以读取存储在自身的存储器中的数据,还可以通过网络140读取存储在存储设备150中的数据。在一些实施例中,传感器可以包括定位装置、声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合等。终端120采集到的各类数据,可以用于判定在后续服务执行过程中所出现的恶性事件和/或异常情况。例如,可以基于轨迹数据,判定是否在某一地点存在停留异常(包括服务执行期间和/或服务完成后)、是否在某一路段丢失信号、是否在未到达服务目的地而提前结束服务、是否离预设路线、是否行驶至偏远地区、是否行程中多次停留、是否行驶速度缓慢、是否偏移路线时段、是否行驶时间超出阈值等。又例如,可以根据车辆的姿态、速度和/或加速度的变化判断车辆是否存在撞车、翻车等驾驶危险等。在一些实施例中,终端120可以包括台式电脑120-1、笔记本电脑120-2、车辆内置设备120-3、移动设备120-4等中的一种或几种的组合。在一些实施例中,移动设备120-4可以包括智能家居设备、可穿戴设备、智能移动设备、增强现实设备等或其组合。在一些实施例中,可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(PDA)、游戏设备、导航设备、POS机等或其组合。在一些实施例中,车辆内置设备120-3可以包括车载计算机、汽车数据记录器、车载人机交互(HCI)***、行车记录仪、车载电视等。在一些实施例中,车载内置设备120-3可以获取车辆的各种部件数据和/或运行数据,例如,速度、加速度、行驶方向、部件状态、车辆周围环境等。所获取的数据可以用于判定是否发生行车事故(例如,翻车、撞车)、行车故障(例如,发动机或变速箱故障导致车辆无法移动)等。在一些实施例中,终端120可以是具有用于定位终端120的位置的定位技术的设备。在一些实施例中,终端120可以将采集到的数据/信息通过网络140传输至处理设备110进行后续步骤。终端120还可以将采集到的数据/信息存储至自身的存储器中,或通过网络140传输至存储设备130进行存储。终端120还可以接收和/或显示由处理设备110生成的与风险防范相关的通知。在一些实施例中,可以有多个终端相互连接,共同采集各类数据,并由一个或者多个终端对这些数据进行预处理。存储设备130可以存储数据和/或指令。在一些实施例中,存储设备130可以存储终端120获取的数据/信息。存储设备130还可以存储历史事件的历史交通运输服务数据,例如,一些事件的历史服务订单的订单数据、服务参与方数据、车辆相关数据等,及行程数据等。在一些实施例中,存储设备130可以存储处理设备110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。例如,存储设备130可以存储风险判定模型,所述风险判定模型可以基于处理设备110所获取的与交通运输服务相关的数据/信息判定该交通运输服务是否存在风险。在一些实施例中,存储设备130可以存储用户终端的各类实时或者和历史数据,例如,与历史服务相关的用户的历史记录,比如历史评价等。在一些实施例中,存储设备130可以是处理设备110或者终端120的一部分。在一些实施例中,存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取存储器(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中,存储设备130可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。例如,本发明中一些风险判断的算法或者数据可以存储在某个云平台上,定期更新,处理设备110通过网络访问这些算法或者数据,以实现整个平台的算法或者数据的统一与交互。特别的,一些历史数据可以统一存储在平台的一个云平台上,以便多个处理设备110或者终端120访问或者更新,以便保证数据的实时性和跨平台使用。例如,终端120可以随时将其速度和定位信息发布到某个云平台上,***可以根据多个终端120的反馈判断是否出现异常状况。
在一些实施例中,存储设备130可以连接到网络140以与风险防范***100中的一个或以上组件(例如,处理设备110、终端120、信息源150)通信。风险防范***100中的一个或以上组件可以通过网络140访问存储设备130中存储的数据或指令。在一些实施例中,存储设备130可以与风险防范***100中的一个或以上组件(例如,处理设备110、终端120、信息源150)直接连接或通信。在一些实施例中,存储设备130可以是处理设备110的一部分。
网络140可以促进信息和/或数据的交换。在一些实施例中,风险防范***100中的一个或以上组件(例如,处理设备110、终端120、存储设备130和信息源150)可以通过网络140向/从风险防范***100中的其他组件发送和/或接收信息和/或数据。例如,处理设备110可以通过网络140从终端120和/或信息源150获取与交通运输服务相关的数据/信息。又例如,终端120可以通过网络140从处理设备110或存储设备130处获取用于判定交通运输服务是否具有风险的判定模型。获取的判定模型可以以终端120的应用软件实现。终端120在获取与交通运输服务相关的数据/信息后,可以自行判定该交通运输服务是否具有风险,并执行风险应对操作,比如,启动电话报警。在一些实施例中,网络140可以为任意形式的有线或无线网络或其任意组合。仅作为示例,网络140可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯***(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。在一些实施例中,风险防范***100可以包括一个或以上网络接入点。例如,险防范***110可以包括有线或无线网络接入点,风险防范***100的一个或以上组件可以通过其连接到网络140以交换数据和/或信息。
信息源150可以用于为风险防范***100提供信息的来源。在一些实施例中,信息源150可以用于为风险防范***100提供与交通运输服务相关的信息,例如,天气情况、交通信息、地理信息、法律法规信息、新闻事件、生活资讯、生活指南信息等。在一些实施例中,信息源150还可以是其他第三方平台,可以提供服务请求方和/或服务提供方的征信记录,如信贷记录等。在一些实施例中,信息源150可以用于为风险防范***100提供与风险防范相关的信息,例如,驾驶安全提示信息、人身安全提示信息、财产安全提示信息等。信息源150可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当信息源150在多个个人设备中实现时,个人设备可以生成内容(例如,被称为“用户生成内容”),例如,通过将文本、语音、图像和视频上载到云服务器。信息源可以由多个个人设备和云服务器生成。存储设备130、处理设备110以及终端120同时也可以是信息源。例如,终端120实时反馈的速度和定位信息,可以作为信息源提供交通状况信息供其他设备获取使用。
图2是根据本申请一些实施例所示的可以在其上实现终端120的移动设备200的示例性硬件和/或软件组件的示意图。如图2所示,移动设备200可以包括通信单元210、显示单元220、图形处理单元(GPU)230、中央处理单元(CPU)240、输入/输出250、内存260、存储器270和传感器280。在一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未显示),亦可包括于移动设备200内。
在一些实施例中,移动操作***262(例如,IOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用程序264可以从存储器270加载到内存260中以便由CPU240执行。应用程序264可以包括浏览器或任何其他合适的移动应用程序,用于发送与交通运输服务相关联的数据/信息,并接收和呈现来自风险防范***100的处理或其他相关的信息。例如,应用程序264可以是在线网约车出行平台(例如,滴滴出行TM),用户(例如,服务请求者)可以通过应用程序264请求交通运输服务,并将请求信息发送至后台服务器端。用户与信息流的交互可以经由输入/输出250来实现并且经由网络140被提供给处理设备110和/或风险防范***100的其他组件。
在一些实施例中,移动设备200还可以包括多个传感器280。传感器280可以获取与服务参与方(例如,司机/乘客)、车辆和/或行程等相关的数据。在一些实施例中,所述传感器可以包括声音传感器、图像传感器、温湿度传感器、位置传感器、压力传感器、距离传感器、速度传感器、加速度传感器、重力传感器、位移传感器、力矩传感器、陀螺仪等或其任意组合。在一些实施例中,由所述传感器所获取的数据可以用于后续判定是否发生风险和/或发生何种风险。例如,声音传感器和图像传感器可以采集服务参与方之间的对话以及车内的实时场景,以供判断是否发生司乘冲突或财产/人身安全事件,比如,肢体冲突、酒驾、抢劫、性侵犯、性骚扰等。又例如,位置传感器和位移传感器可以采集车辆的实时位置和/或车辆的行驶轨迹数据,以供判断是否发生行程异常,比如,异常停留、行程偏离、行驶时间异常等。还例如,速度传感器、加速度传感器和陀螺仪可以采集车辆的实时速度、实时加速度、终端120的偏转量、偏转频率等,以供判断车辆是否发生行车安全事故,比如,撞车、翻车等。
在一些实施例中,移动设备200还可以与车辆进行通信,例如,蓝牙通信,以获取安装在车辆内部或外部的车载传感器所采集的数据,比如,车辆当前状态数据和行驶数据,并将通过自身传感器获取的数据和通过车载传感器获取的数据进行合并,以用于后续的风险判定。
在一些实施例中,移动设备200可以将所获取的数据/信息,包括通过自身传感器获取的数据和通过车载传感器获取的数据,通过网络140发送到风险防范***100的处理设备110以进行风险判定及处置。在一些实施例中,移动设备200可以直接进行风险判定及处置。例如,应用程序264中可以内置有进行风险判定的代码或模块,可以直接进行风险判定及处置。在一些实施例中,风险防范***100的处理设备110和/或移动设备200还可以根据风险判定和/或处置结果生成安全通知指令。移动设备200可以通过接收并执行上述安全通知指令,提醒使用者当前所处的安全状态。例如,移动设备200可以通过语音(例如,通过扬声器)、振动(例如,通过振动器)、文字(通过短信或社交应用程序)、灯光闪烁(例如,通过闪光灯或显示单元220)等或其组合的方式实现该安全通知达到提醒使用者的目的。
在一些实施例中,移动设备200的使用者,例如,司机和/或乘客,可以自行执行风险判定过程。具体地,司机和/或乘客可以通过移动设备200中的应用程序264主动上报风险。例如,对移动设备200执行特定操作,比如摇晃或摔掷,可以启动报警程序。又例如,应用程序264的界面中可以包括直接与后端安全平台通信的快速入口(例如,报警按钮、求助按钮),在判断自身处于危险情况时,用户可以通过该点击报警按钮向警方报警。在报警后,应用程序264还可以进行报警的用户的当前位置和行程信息发送至警方以辅助救援。
为了实现本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本文中描述之一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端装置。若计算机被适当的程序化,计算机亦可充当***。
图3是根据本申请一些实施例所示的一种风险防范***的框图。如图3所示,该***可以包括数据获取模块310、风险判定模块320、第一训练模块330、第二训练模块340、风险应对模块350和更新模块360。在一些实施例中,数据获取模块310、风险判定模块320、第一训练模块330、第二训练模块340、风险应对模块350和更新模块360可以设置在处理设备110中。
数据获取模块310可以获取至少一个服务订单的相关数据。所述服务订单可以是当前时刻被请求、被执行、和/或已被完成的交通运输服务订单,例如,货物运输订单、出行服务订单等。所述服务订单的相关数据可以包括该服务订单的订单特征、订单执行过程中的状态数据、与所述服务订单中至少一个数据相关的历史记录。所述订单特征可以是服务订单中直接记载的信息,包括但不限于服务提供者的身份信息、与服务订单相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息等或其任意组合。所述订单执行过程中的状态数据可以指服务订单执行过程中与订单相关的设备的状态数据和/或订单执行过程中用户或车辆周边的环境数据,包括但不限于与服务订单相关的终端的定位数据、与服务订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据等或其任意组合。所述与所述服务订单中至少一个数据相关的历史记录可理解为当前服务订单中某个数据对应的历史记录,例如服务提供者的执行历史服务订单的记录、服务提供者的征信记录、服务请求者的参与历史服务订单的记录、服务请求者的征信记录等或其任意组合。在一些实施例中,数据获取模块310可以通过网络140与终端120、存储设备130和/或信息源150进行通信以获取上述数据。在获取后,数据获取模块310可以将上述数据传输至风险判定模块320进行多种类型的风险判定。
在一些实施例中,数据获取模块310还可以获取历史订单数据,所述历史订单数据可以包括发生过风险事件的交通运输服务相关的数据。所述历史数据可以与上述实时数据类似,同时还包括了对应于某一交通运输服务所发生的具体的风险事件类型。风险事件类型可以包括抢劫、人身安全事件、服务取消异常、行程中停留异常、行程结束后停留异常、丢失异常、未送达异常、行程异常、驾驶危险等或其任意组合。在一些实施例中,所述历史订单数据可以作为训练数据训练风险判定模型或确定风险判定规则。所得到的风险判定模型或风险判定规则可以用于对服务订单数据进行判定以确定是否存在风险。在一些实施例中,所述历史订单数据可以存储在存储设备130中,数据获取模块310可以通过网络140与存储设备130进行通信,读取存储在其中的历史订单数据。
在一些实施例中,风险判定模块320可以使用判定规则对服务订单的当前状态进行风险判定。在一些实施例中,判定规则可以是根据所述历史订单数据和/或经验设定的条件/或阈值。所述判定规则的阈值设置可以依据数据统计确定,还可以使用风险判定模型的训练过程中获得的中间结果作为判定阈值。例如,可以基于预设条件例如发单时间是否为深夜、起终点是否偏僻、司机和/或乘客是否有相关历史记录、感测数据中敏感词汇出现次数是否超出预设值等设定判定规则以判定抢劫风险和/或女性安全事件风险。又例如,可以根据传感器数据(例如,重力加速度)超出预设阈值判断车辆是否存在撞车、翻车等驾驶危险。在一些实施例中,风险判定模块320可以用于基于当前订单数据和/或当前订单执行时的状态数据确定当前订单行程是否存在异常。在一些实施例中,所述行程异常可以包括偏离预设路线、行驶至偏远地区、行驶中停留异常和行驶速度异常等情况。在一些实施例中,风险判定模块320可以用于基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型,基于所述类型确定行程异常的危险程度。在一些实施例中,风险判定模块320可以基于车辆的定位信息和行驶路线确定当前位置与预设路线的距离值,基于所述距离值判断是否偏离预设路线。当判断结果为偏离预设路线,基于所述距离值、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶异常的危险程度。在一些实施例中,风险判定模块320可以基于车辆的定位信息和行程路径确定相关地点的偏僻度,基于所述偏僻度判断是否行驶至偏远地区。当判断结果为行驶至偏远地区,基于所述偏僻度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶至偏远地区的危险程度。在一些实施例中,风险判定模块320可以基于车辆停留次数和/或停留时间判断是否行驶中停留异常。当判断结果为行驶中停留异常,基于所述车辆停留次数、所述停留时间、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶中停留异常的危险程度。在一些实施例中,风险判定模块320可以基于车辆行驶速度判断是否行驶速度异常。当判断结果为行驶速度异常,基于车辆行驶速度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶速度异常的危险程度。
在一些实施例中,风险判定模块320可以使用异常识别模型对交通运输服务的当前状态进行风险判定。所述异常识别模型可以是机器学习模型,例如,决策树,经由所获取的历史订单数据进行训练后得到。例如,可以利用历史订单数据中,与交通运输服务相关联的数据作为输入,以该交通运输服务发生的风险类型作为正确标准(Ground Truth)对模型进行训练。在一些实施例中,所述异常识别模型可以是一个单一的整体判定模型,用以判定是否存在一种或多种类型的异常,包括偏离预设路线、行驶至偏远地区、行驶中停留异常、行驶速度异常、驾驶危险等或其任意组合。在一些实施例中,所述异常识别模型可以包括分别针对于某一种具体的风险事件的多个模型。例如,针对偏离预设路线的判定,可以有专门的偏离预设路线判定模型来对交通运输服务的当前状态进行判定。类似地,其他风险的判定也可以有专门对应的模型来执行。在一些实施例中,风险判定模块320可以利用异常评估模型确定行程异常的危险程度。异常评估模型可以是回归类机器学习模型。具体的,可以通过异常评估模型处理订单数据以及订单执行过程中的实时状态数据,输出反映异常危害等级或者发生概率的结果。风险判定模块320可以利用多个模型中的组合,来判定一个或以上的风险。模型的组合方式可以根据实际需求确定。
在一些实施例中,风险判定模块320的判定结果可以包括有无风险以及对风险的量化表示。仅作为示例,判定结果可以是无风险。或者,判定结果可以是存在风险以及风险类型、表示风险等级的数值、风险概率等,比如,判定结果是(有风险、偏离预设路线-5级)或(有风险、行驶至偏远地区-56%、异常停留-87%)。在一些实施例中,风险判定模块320可以综合判定全部风险的等级和/或概率,并输出一个对应于综合风险判定的判定结果,例如,判定结果为(有风险、74%)。应当注意的是,以上描述的判定结果的形式只是为了说明的目的,本申请不对判定结果的形式进行限制。第一训练模块330可以确定异常识别模型。在一些实施例中,第一训练模块330可以获取历史订单。在一些实施例中,历史订单可以从***100中获取,例如网络140、存储设备130、服务器110、终端120、信息源150等设备中获取。在一些实施例中,第一训练模块330可以获取历史订单中的订单数据和/或订单执行时的状态数据。在一些实施例中,所述订单数据包括服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息中的一种或几种的组合。在一些实施例中,订单执行时的状态数据可以包括与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。在一些实施例中,第一训练模块330可以将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本。例如,如果历史订单信息中包括行驶异常事件信息,则该样本类型可以被确定为正样本;反之,如果历史订单信息中不包括行驶异常事件信息,则该样本类型可以被确定为负样本。在一些实施例中,可以根据***100中的记录结果进行标记,将记录中出现恶性事件的历史订单标记为正样本。将记录中正常的订单标记为负样本。在一些实施例中,可以将正样本用数字“1”表示,将负样本用数字“0”表示。在一些实施例中,第一训练模块330可以标记所述正样本对应的行驶异常的类型。基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的所述行驶异常的类型训练异常识别模型。在一些实施例中,异常识别模块可以是分类模型。在一些实施例中,异常识别模型可以是决策树模型,包括但不限于分类及回归树(Classification And Regression Tree,CART)、迭代二叉树三代(IterativeDichotomiser 3,ID3)、C4.5算法、随机森林(Random Forest)、卡方自动交互检测(Chisquared Automatic Interaction Detection,CHAID)、多元自适应回归样条(Multivariate Adaptive Regression Splines,MARS)以及梯度推进机(GradientBoosting Machine,GBM)等或其任意组合。
第二训练模块340可以确定异常评估模型。在一些实施例中,异常评估模型的输出可以是发生危险的概率值。在一些实施例中,异常评估模型的输出可以是行驶异常事件的危害等级或危害系数。在一些实施例中,异常评估模型和异常识别模型可以是独立训练的。第一训练模块330和第二训练模块340可以是独立的两个模块,也可以是一个模块。在一些实施例中,第二训练模块340可以获取历史订单。在一些实施例中,第二训练模块340可以获取历史订单中的订单数据和/或订单执行时的状态数据。在一些实施例中,异常评估模型和异常识别模型可以同时训练。例如,两个模型可以同步训练,不必先训练异常识别模型,再训练异常评估模型。在一些实施例中,异常评估模型可以获取和异常识别模型同样的历史订单作为训练样本。在一些实施例中,异常评估模型可以获取和异常识别模型不同的历史订单作为训练样本。在一些实施例中,异常评估模型可以获取和异常识别模型的训练样本有重叠。在一些实施例中,异常评估模型和异常识别模型的特征参数可以相同。在一些实施例中,异常评估模型和异常识别模型的特征参数可以不同。在一些实施例中,异常评估模型可以获取和异常识别模型的特征参数可以有重叠。在一些实施例中,第二训练模块340将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本。在一些实施例中,第二训练模块340可以基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的样本的类型训练异常评估模型。在一些实施例中,异常评估模型可以是逻辑回归模型。
在一些实施例中,风险应对模块350可以进一步包括风险排序单元352、风险确认单元354、风险处置单元356、持续监控单元358。风险排序单元352可以基于排序规则对风险判定结果进行排序。所述排序规则可以是根据不同风险中的一个或以上风险参数(例如,停留异常风险中的停留时间等特征值)进行排序。所述排序规则也可以是根据判定结果中针对风险概率和/或等级的大小进行排序。所述排序规则还可以是设置排序结果阈值(例如,等级阈值、概率阈值等),对满足不同阈值的风险判定结果分别进行排序。所述排序规则也可以是基于多个风险参数的某种运算结果(如加权均值)的大小进行排序。在一些实施例中,风险排序单元352可以使用排序模型对风险判定结果进行排序。所述排序模型可以是数学模型,可以分别基于不同风险种类中的特征值和/或全部风险的特征值通过公式计算(例如,权重计算)得出风险排序结果。所述排序模型还可以是机器学习模型,该模型可以基于触发风险的特征数据进行训练后得到。风险确认单元354可以将交通运输服务订单对应的风险判定结果输入至训练好的风险排序模型,确定排序结果。在一些实施例中,排序结果可以表示服务订单的风险等级排序。在一些实施例中,排序结果可以表示服务订单的风险概率等级排序。在一些实施例中,排序结果决定着后续的应对措施。
在一些实施例中,风险排序单元352可以对不同风险分别进行排序。例如,对于存在同一种风险的全部订单进行排序,分别得到不同风险的排序结果。在一些实施例中,风险排序单元352还可以对全部风险进行综合排序。例如,可以对不同风险分别设置权重,结合权重对不同风险的订单进行综合排序。
风险确认单元354可以进行风险确认。在一些实施例中,风险确认单元354可以基于风险排序单元352的排序结果确认风险。例如,可以在风险排序较高的订单中选择预设数量的订单进行风险确认。在一些实施例中,风险确认单元354可以直接基于风险判定模块320的判定结果确认风险。例如,对于风险判定模块320判定结果(例如,风险等级、风险概率等)在预设范围内的订单进行风险确认。在一些实施例中,风险确认单元354可以直接对所有的服务订单进行风险确认。
在一些实施例中,风险确认操作可以包括通过与用户信息交互进行风险确认、通过工作人员到现场进行风险确认、获取车内音频或图像信息进行风险确认、基于交通***播报信息确认进行风险确认等或其任意组合。风险确认单元354可以通过人工的方式进行风险确认。对于存在潜在风险的订单,风险防范***100可以展示与该风险订单相关的信息,并通过人工的方式(例如,人工客服)进一步确定相关风险信息。在一些实施例中,风险确认单元354可以通过自动的方式进行风险确认。对于存在潜在风险的订单,自动风险确认单元354可以通过包括互动式语音应答(Interactive Voice Response,IVR)外呼、终端显示屏弹窗、应用文字、语音询问或语音监控车内司机和/或乘客、车内录音上报等的方式确认风险。在一些实施例中,风险确认单元354还可以通过人工与自动交互的方式进行风险确认。对于存在潜在风险的订单,风险确认单元354可以通过电话交互的方式进行风险确认。
风险处置单元356可以执行风险处置操作。所述风险处置操作可以包括通知紧急联系人、启动司机端和/或乘客端数据上报、专人跟进报警等或其任意组合。在一些实施例中,风险处置单元356可以直接基于风险判定结果确定风险处置操作。例如,风险处置单元356可以对高风险订单执行风险处置,并根据风险概率采取不同的行动。例如,根据算法,当风险概率超过20%时即采取某一行动,例如向用户终端发送提示信息,以提醒用户(司机或乘客)有一定风险,要求用户注意。当风险概率更高时(例如90%),可以直接要求终止服务。在一些实施例中,风险处置单元356可以基于***多个风险排序结果确定风险处置操作。例如,风险处置单元356可以对风险排序序位处于前30%的订单执行风险处置,例如派专人跟进等。在一些实施例中,风险处置单元356还可以基于风险确认结果确定风险处置操作。例如,风险处置单元356可以对经过确认后存在风险的订单执行风险处置操作。***风险处置的判据和阈值可以与更新单元结合,根据实时情况和历史数据与反馈动态调整。
在一些实施例中,风险处置单元356可以通过风险研判的方法进行风险处置。风险处置单元356可以获取满足风险研判条件的服务订单及其相关的服务订单数据,并获取服务订单的风险判定结果以及与服务订单的各方面相关的风险信息,并基于风险判定结果以及风险信息判定服务订单是否发生风险事件。
在一些实施例中,风险处置单元356可以通过风险救援的方法进行风险处置。风险处置单元356可以基于风险判定结果确定服务订单是否满足风险救援条件,对满足风险救援条件生成救援信息并发送。例如,对于被判定为存在风险的订单,可以获取其风险信息(例如,风险类型、风险等级等),对于风险等级满足预设阈值的订单,可以生成救援信息以通知周围司机前往求援或查看。
持续监控单元358可以对服务订单进行持续监控。所述持续监控可以是针对在风险判定中被判定为无风险的服务订单进行,也可以是针对风险排序中处于末尾的部分服务订单,还可以是针对经过风险确认后为无风险的服务订单。在一些实施例中,持续监控单元358可以基于待持续监控的服务订单的相关信息,确定与该服务订单相关联的终端。所述终端可以是服务提供者终端、服务请求者终端、车载终端等。持续监控单元358可以通过所述终端获取反应所述服务订单执行实况的文本、声音和/或图像数据。数据获取可以是通过所述终端上安装的各类传感器实现的。例如,可以通过声音传感器(比如,麦克风)获取音频数据,通过图像传感器(比如,摄像头)获取视频数据。所获取的数据,可用于下一时刻,例如,10s后的风险判定及处置。
更新模块360可以基于风险应对操作结果更新规则和/或模型。更新的规则可以包括风险判定规则、风险排序规则等。更新的模型可以包括风险判定模型、风险排序模型等。在一些实施例中,更新模块360可以根据风险确认结果和/或风险处置结果与风险判定结果/风险排序结果进行比较,获取其中的差异。并根据所述差异更新判定/排序规则中风险参数和/或风险参数值。在一些实施例中,更新模块360可以将风险确认操作和/或风险处置操作中确定为发生风险事件的订单,作为新的样本数据重新对风险判定模型进行训练,以更新模型中的参数。同时,更新模块360可以根据风险确认或风险应对得到的实际排序结果的各个订单的特征数据重新训练风险排序模型。在一些实施例中,对于规则和模型的更新可以以预定的间隔进行,例如,一天、一星期、一个月、一个季度等。在一些实施例中,更新模块360可以采用主动推送方式强制***进行更新。
应当理解,图3所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定***及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。
例如,在一些实施例中,例如,图3中披露的数据获取模块310、风险判定模块320、第一训练模块330、第二训练模块340、风险应对模块350和更新模块360可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,风险判定模块320和风险应对模块350可以是两个模块,也可以是一个模块同时具有异常识别和确定功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图4是根据本申请一些实施例所示的风险防范方法400的示例性流程图。在一些实施例中,方法400中的一个或以上步骤可以在图1所示的***100中实现。例如,方法400中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤410,获取至少一个服务订单的相关数据。步骤410可以由数据获取模块310执行。在一些实施例中,所述服务订单可以是当前时刻被请求、被执行、和/或已被完成的交通运输服务订单,例如,货物运输订单、出行服务订单等。所述服务订单的相关数据可以包括所述服务订单的服务订单特征、所述服务订单执行过程中的实时状态数据、与所述服务订单中至少一个数据相关的历史记录。在一些实施例中,所述服务订单特征进一步可以包括服务提供者的身份信息、与服务订单相关的车辆的标识信息、服务相关时间、服务起始点、服务目的地、服务路径、服务请求者的身份信息以及服务的预估费用。所述服务提供者信息可以包括年龄、性别、脸部画像、联系方式、受教育程度、身份证号、驾驶证号等。所述与服务订单相关的车辆的标识信息可以包括车牌号码、车辆类型、车辆品牌、车身颜色、车龄、负载容量等。所述服务相关时间可以包括服务订单请求时间和/或服务订单执行时间。所述服务订单请求时间可以是服务请求者发出订单请求的时间,所述服务订单执行时间可以是服务提供者开始执行服务订单的时间。所述服务请求者的身份信息可以包括年龄、性别、脸部画像、联系方式、受教育程度、身份证号等。所述订单特征还可以包括预估订单完成时长、预估订单完成时刻、预估服务费用等。在一些实施例中,订单执行过程中的实时状态数据进一步可以包括所述服务订单执行过程中外部环境的实时状态数据、与服务订单相关的定位数据、与服务订单相关的状态数据、与服务订单相关的车辆的状态数据和所述车辆内部的环境数据。所述服务订单执行过程中外部环境的实时状态数据可以包括实时路况、车流量、道路类型、道路事件信息、当前所在位置地点特征等。所述订单执行过程中的状态数据还可以包括终端的用户(例如,服务请求者和/或服务提供者)对于终端的操作内容等所述与服务订单相关的定位数据可以包括与服务参与方相关的终端(例如,服务提供者/服务请求者所使用的终端设备)的定位位置、移动路径等。所述与服务订单相关的状态数据可以包括终端的电量、通信信号强度、传感器工作状态、终端上应用程序的运行状态等。所述与服务订单相关的车辆的状态数据可以包括车辆位置、车辆速度、车辆加速度、车辆姿态、行驶轨迹、运动状态(例如,是否停车不动)等。所述车辆内部环境数据可以包括车内音频数据、车内图像数据等。在一些实施例中,与所述服务订单中至少一个数据相关的历史记录进一步可以包括服务提供者其他服务订单的记录、服务提供者的征信记录、服务请求者其他服务订单的记录、服务请求者的征信记录、服务提供者其它服务订单的车辆的标识信息、服务提供者其它服务订单的服务相关时间、服务提供者其它服务订单的服务起始点、服务提供者其它服务订单的服务目的地、服务提供者其它服务订单的服务路径、服务请求者其它服务订单的车辆的标识信息、服务请求者其它服务订单的服务相关时间、服务请求者其它服务订单的服务起始点、服务请求者其它服务订单的服务目的地、服务请求者其它服务订单的服务路径、服务请求者其它服务订单的费用以及服务请求者其它服务订单的支付记录等中的一种或多种。所述服务提供者其他服务订单的记录可以包括累计服务完成次数、累计服务取消次数、被投诉次数、被封禁次数、信誉分值、评价等级、历史评价内容等。所述服务请求者其他服务订单的记录可以包括累计服务请求次数、累计服务取消次数、累计服务完成次数、服务费用支付情况、信誉分值、评价等级、历史评价内容等。所述服务提供者/服务请求者的征信记录可以包括与借贷、***消费等相关的信用记录。在一些实施例中,数据获取模块210可以通过与终端120、存储设备130和/或信息源150进行通讯以获取所述服务订单数据。例如,终端120可以通过其上安装的各类传感器实时获取感测数据以及用户对于终端120的操作内容。数据获取模块410可以与终端120进行通信后进行数据获取。又例如,数据获取模块410可以访问读取存储在终端120或存储设备130上的用户特征数据。还例如,数据获取模块410可以与信息源150进行通信以获取外部关联数据。
应当注意的是,所获取的服务订单数据是针对一个特定的时间点而言的。对于同一个交通运输服务订单,数据获取模块410可以持续获取与其相关的实时数据,并且所获取的数据在不同的时间点可以是不同的。同时,数据获取模块410可以将所获取的交通运输服务订单的数据实时传送至处理设备110的其他模块,例如,风险判定模块220,以执行风险判定操作,对订单的所有不同的阶段进行风险监控。
步骤420,对服务订单的相关数据进行处理,对所述服务订单进行风险判定。步骤420可以由风险判定模块320执行。在一些实施例中,所述风险判定可以是对所述服务订单在当前时刻是否存在发生订单行程异常情况的判定。所述订单行程异常情况可以包括偏离预设路线、行驶至偏远地区、行驶中停留异常、行驶速度异常、驾驶危险等或其任意组合。在一些实施例中,风险判定模块320可以基于判定规则对所述服务订单进行风险判定。所述判定规则可以是根据历史订单数据和/或经验设定的条件/或阈值。所述历史订单数据可以包括发生过订单行程异常情况的历史交通运输服务的订单数据。所述历史订单数据种类可以与上述服务订单数据相同或类似,同时还包括了对应于某一交通运输服务订单所发生的具体的订单行程异常情况类型。在一些实施例中,通过对所述历史订单数据的统计分析,可以确定针对于某一特定的订单行程异常情况的判定规则。例如,对于发生过偏离预设路线事件的历史订单数据进行统计分析,可以得到服务参与方(比如,乘客)评价低、订单定位信息和行驶路线的距离值等特征。那么,对于偏离预设路线事件的判定,可以设置评价阈值、定位信息和行驶路线的距离值阈值等判定规则。在一些实施例中,所述判定规则的阈值设置可以依据数据统计确定。仍然参考上述示例,假定经过统计分析,发生偏离预设路线事件的历史服务订单,定位信息和行驶路线的距离值集中在大于5米以上。那么定位信息和行驶路线的距离值阈值可以被设置为大于5米。风险判定模块320可以利用所获取的服务订单的相对应的数据,与所述判定规则进行比较,并将超过阈值的订单判定为风险订单。在一些实施例中,对于每一类订单行程异常情况,可以有一个或多个判定规则。风险判定模块320在利用规则进行判定时,可以使用某一单独规则进行判定,也可以使用多个规则的组合进行判定,还可以使用全部的规则进行判定,在本申请中不做具体限定。
在一些实施例中,风险判定模块320可以基于机器学习模型对所述服务订单进行风险判定,确定服务订单的异常类型、危害程度和/发生概率。所述模型可以是机器学习模型,包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support VectorMachine,SVM)、决策树(Decision Tree,DT)模型、随机森林(Random Forests,RF)模型、回归树(Classification and Regression Trees,CART)模型、梯度提升决策树(GradientBoosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine,LightGBM)、梯度提升机(GradientBoosting Machines,GBM)、LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)、人工神经网络(Artificial Neural Networks,ANN)模型等。所述模型可以由所述历史服务订单的相关数据进行训练后得到。仅作为示例,可以以历史服务订单的相关数据作为输入,以对应的具体恶性事件或异常情况的类别作为正确标准(Ground Truth)对模型进行训练。同时可以根据模型的预测输出(例如,预测的风险类别)与正确标准之间的差异反向调整模型参数。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的预测正确率大于某一预定正确率阈值,或损失函数(Loss Function)的值小于某一预设值,训练过程将停止。
在一些实施例中,风险判定模块320可以基于异常识别模型对所述服务订单进行风险判定,确定服务订单的异常类型。在一些实施例中,风险判定模块320可以基于异常评估模型对所述服务订单进行风险判定,确定行程异常服务订单的危害等级或发生概率值。在一些实施例中,所述异常识别模型可以是针对所有的订单行程异常情况类型的判定模型。风险判定模块320可以利用所述异常识别模型处理服务订单以确定是否存在一种或多种类型的订单行程异常情况。在一些实施例中,针对每一类订单行程异常情况,都可以对应有一个异常识别模型。例如,针对偏离预设路线的判定,可以有专门的偏离预设路线判定模型来判定。类似地,其他风险的判定也可以有专门对应的模型来执行。风险判定模块320可以利用多个模型中的组合,来判定一个或以上的风险。模型的组合方式可以根据实际需求确定。关于风险判定规则及风险判定模型的更多内容可以参见图5及其描述,此处不再赘述。
在一些实施例中,对于异常识别模型的训练过程中,所产生的中间结果可以作为判定规则所使用的判定阈值。例如,以训练行驶至偏远地区事件的决策树模型为例,在对根节点进行分叉时选择的当前地区的偏僻度作为最优特征进行分叉。当前地区的偏僻度节点的分叉阈值,在经过多次训练的反复更正后达到的稳定值(即,可以将根节点的数据分为正确的两类)时,该稳定的分叉阈值可以作为判定模型的判定阈值。
在一些实施例中,对于服务订单的风险判定的判定结果可以包括有无风险以及对风险的量化表示。仅作为示例,判定结果可以是无风险。或者,判定结果可以是存在风险以及表示风险等级的数值、风险概率等,比如,判定结果是(有风险、行驶速度异常-5级)或(有风险、行驶至偏远地区-56%、异常停留-87%)。在一些实施例中,风险判定模块320可以综合判定全部风险的等级和/或概率,并输出一个对应于综合风险判定的判定结果,例如,判定结果为(有风险、74%)。应当注意的是,以上描述的判定结果的形式只是为了说明的目的,本申请不对判定结果的形式进行限制。
步骤430,基于风险判定结果,对每一个服务订单执行风险应对操作。步骤430可以由风险应对模块350执行。在一些实施例中,风险应对模块350可以根据步骤420中或得到风险判定结果,执行不同的风险应对操作,可以包括风险排序操作、风险确认操作、风险处置操作、持续监控或其任意组合。处理设备110需要在同一时刻处理多条服务订单,在待处理订单数量较大的情况下,需要对多条订单进行排序,以保证风险程度较高的订单得到及时处理。在一些实施例中,可以对服务订单的风险判定结果进行排序,具体的,可以基于风险判定结果确定一个或以上风险参数,基于风险参数进行排序。所述风险参数可以是服务订单的相关数据中的某一数据(例如,停留异常风险中的停留时间等特征值,停留时间越长,则越危险),也可以是风险判定结果中的风险类型、风险等级或者风险概率。
在一些实施例中,风险排序操作可以基于排序规则进行。所述排序规则也可以是根据判定结果中针对风险概率和/或等级的大小进行排序。所述排序规则还可以是设置排序结果阈值(例如,等级阈值、概率阈值等),对满足不同阈值的风险判定结果分别进行排序。所述排序规则可以是直接根据所述风险判定结果中所包含的风险概率的大小进行排序。所述排序规则也可以是基于多个风险参数的某种运算结果(如加权均值)的大小进行排序。
在一些实施例中,风险排序操作可以基于排序模型进行。所述排序模型可以是数学统计模型,可以分别基于不同风险种类中的特征值和/或全部风险的特征值通过公式计算(例如,权重计算)得出风险排序结果。所述排序模型还可以是机器学习模型,包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)模型、随机森林(Random Forests,RF)模型、回归树(Classification and Regression Trees,CART)模型、梯度提升决策树(GradientBoosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine,LightGBM)、梯度提升机(GradientBoosting Machines,GBM)、LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)、人工神经网络(Artificial Neural Networks,ANN)模型等。模型可以基于触发风险的特征数据进行训练后得到。风险应对模块350可以将多个服务订单的风险判定结果输入至训练好的风险排序模型,确定排序结果。在一些实施例中,风险应对模块350可以将风险判定结果为存在风险的多个服务订单的部分或全部相关数据输入至训练好的风险排序模型,确定排序结果。这取决于模型训练的样本数据形式。
在一些实施例中,风险应对模块350可以针对每种类型的风险分别进行排序,得到不同风险类型下的排序结果。在一些实施例中,风险应对模块350可以针对全部风险进行综合排序。例如,可以对不同风险类别分别设置权重,结合权重对不同风险的订单进行综合排序,确定一个全部服务订单的风险排序结果。在一些实施例中,风险应对模块350可以对风险判定结果属于某一风险类型组合的服务订单进行排序。例如,可以对风险判定结果为抢劫和人身安全事件的服务订单进行综合排序。
在一些实施例中,风险应对模块350可以跳过风险排序操作,直接对每个服务订单进行处理,包括风险确认、风险处置和/或持续监控。应当注意的是,针对不同风险判定结果的服务订单,风险应对模型350执行的操作可以不同。例如,针对高风险订单(例如,风险概率大于50%),风险应对模块350可以执行风险处置操作,对用户进行提醒和/或直接报警。又例如,风险应对模型350可以对除高风险订单以外的服务订单先进行风险确认,在确认真的有危险时,立即进行报警和/或救援应对。而对于无风险的服务订单,或经过风险确认后无风险的订单,风险应对模型350可以进行持续监控,以在第一时间发现风险。在一些实施例中,风险应对模型350对于所有的订单的处理方式也可以是相同的。例如,对所有的服务订单先进行风险确认后再执行后续操作,或直接进行处置。
在一些实施例中,风险确认的目的可以是确定服务订单的实际情况,和/或确定是否与经过风险判定操作得到的判定结果一致。在一些实施例中,风险确认操作可以包括通过与用户信息交互进行风险确认、通过工作人员到现场进行风险确认、获取车内音频或图像信息进行风险确认、基于交通***播报信息确认进行风险确认等或其任意组合。所述用户可以是指服务订单的参与方,包括服务提供者和/或服务请求者。所述通过与用户信息交互进行风险确认可以是通过包括互动式语音应答(Interactive Voice Response,IVR)外呼、终端显示屏弹窗、应用程序文字/语音询问、电话交互等方式确认风险。例如,可以通过IVR外呼让用户在用户终端(例如,终端120)上输入信息,比如,手机号码,以确认用户为安全状态。所述电话交互可以是通过向用户拨打电话进行交流以确认风险。风险应对模块350可以获取电话交互内容,通过语音识别、语义识别、语气识别等方式,确认电话接听人是否为本人、接听人的语气电话交互内容中是否出现危险词等,进行风险确认。例如,可以通过与司机和/或乘客进行电话沟通,以确认司机或乘客是否处于风险中。又例如,可以通过拨打匿名电话(例如,保险推销、楼盘推销、电话购物等)采集司乘语音信息,通过对对方语气(例如,是否愤怒)、背景声、本人声纹识别等方式进行风险确认。还例如,还可以对非风险一方进行电话沟通(例如,在判定乘客有危险时可以考虑对司机进行电话交互)以确认风险。所述通过工作人员到现场进行风险确认可以是基于服务订单的参与方或车辆的位置,通知该位置附近的工作人员前往确认。所述获取车内音频或图像信息进行风险确认可以是通过终端(包括服务提供者终端、服务请求者终端和车载终端等)上安装的传感器(例如,图像传感器、声音传感器等)获取车内音视频后,通过自动或人工的方式确认风险。所述基于交通***播报信息确认进行风险确认可以是通过交通***播报信息中的事件发生地点、时间以及事件类型确认待风险确认的服务订单发生风险真实性。在一些实施例中,所述风险确认操作还可以包括通过人工确认。所述人工风险确认可以是向后台安全确认人员展示需要进行风险确认的服务订单的各种信息,比如,行驶轨迹、车内视频及录音、用户当前位置、用户历史风险数据、历史风险起因等,由安全确认人员确定相关风险信息,例如,车辆在哪里停留过、停留过多次时间、行驶轨迹是否消失、用户之间是否发生肢体和/或语言冲突等。
在一些实施例中,风险处置操作可以包括通知紧急联系人、启动司机端和/或乘客端数据上报、专人跟进报警等或其任意组合。紧急联系人可以是乘客和/或司机在注册和/或使用按需服务过程中(例如,通过乘客和/或司机终端、移动应用程序等)添加的,若自身遇到危险时的第一顺位联系人的联系人信息(例如,手机号码)。例如,可以在用户终端上设置与后端安全平台通信的快速入口(例如,联系紧急联系人按钮、报警按钮、求助按钮)。在判断自身处于危险情况时,用户可以通过点击紧急联系人按钮,终端检测到该按钮被触发后可以自动向紧急联系人发送求助语音或文字信息,信息中可以自动添加终端的当前定位信息。或者用户可以通过该点击报警按钮向警方报警。在报警后,终端还可以将报警的用户的当前位置和行程信息发送至警方以辅助救援。司机端和/或乘客端数据可以是通过司机和/或乘客的移动设备,例如,终端120或移动设备200,上安装的各类传感器获取的音频、视频、图像等数据。处理设备110可以自动获取该数据。用户也可以主动上报该数据。专人跟进报警可以是通过专人(例如,人工客服)跟进的方式进行报警等的处理。在一些实施例中,风险应对模块350还可以对进行过风险确认的服务订单执行风险处置操作。例如,假定某一订单被确认为存在风险,风险应对模块350可以执行报警这一风险处置操作。
在一些实施例中,所述风险处置可以包括风险研判。风险应对模块330可以获取满足风险研判条件的服务订单及其相关的服务订单数据,同时获取服务订单的风险判定结果以及与服务订单的各方面相关的风险信息。风险应对模块350可以向与研判人员相关联的处理设备发送上述数据,并通过与研判人员相关联的处理设备获取人工研判结果。。所述风险研判条件可以包括服务订单的风险判定结果为存在风险、风险等级或风险概率超出研判阈值、服务订单未经过风险确认、服务订单在在先时间经过风险确认后的结果为不存在风险(例如,“暂时安全”或“暂不报警”)但当前时刻被判定为存在风险等。对于满足风险研判条件的服务订单,风险应对模块350可以获取该服务订单的风险判定结果(例如,基于步骤420)以及与服务订单的各方面相关的风险信息,包括用户信息(比如,当前位置、用户被投诉次数等)、车辆位置(比如,所处环境为偏僻地区等)、轨迹数据(比如,路径偏离常用路径、在某一位置停留时间过长等)、车内环境提取信息(比如,录音、视频、通话、影像等)、外部关联信息(比如,车流量等)。在获取上述信息后,风险应对模块350可以向与研判人员相关联的处理设备发送上述数据。所述与研判人员相关联的处理设备在接收到数据后,可以自动地对服务订单进行研判以确定是否发生恶性事件和/或异常情况,或研判人员通过操控所述处理设备以进行判定。在一些实施例中,风险应对模块350可以生成研判工单,并将工单分配给多个与研判人员相关联的处理设备进行研判,以确定研判结果。所述研判工单可以以预设形式(例如,列表)展示在界面中(例如,与研判人员相关联的处理设备的处理界面中),后台安全研判人员可以通过选取或点击列表以查看研判工单中所包含的信息,比如,生成研判工单的服务订单的风险判定结果以及与服务订单的各方面相关的风险信息,并判断是否发生恶性事件和/或异常情况。同时,上述信息还可以以突出显示的形式,例如,字体颜色、粗细的改变。在一些实施例中,风险应对模块350可以首先对满足研判条件的服务订单进行判定,并将判定结果以***意见的形式连同研判工单一起发送至与研判人员相关联的处理设备以辅助判定。
在一些实施例中,所述风险处置还可以包括风险救援。风险应对模块330可以基于待风险处置的服务订单的相关信息及风险判定结果,生成救援信息。具体的,风险应对模块350可以基于风险判定结果确定服务订单是否满足风险救援条件。风险应对模块350可以将风险判定结果中,风险等级和/或风险概率超过救援阈值,比如,80%、85%、或90%,的服务订单确认为满足风险救援条件。对于满足救援条件的服务订单,风险应对模块350可以基于服务订单的相关信息生成救援信息。例如,风险应对模块350可以基于车辆的位置、车辆信息、判定所发生的风险类型等,生成救援信息,比如,当前位置位于中央公园东门附近,车牌号为京A12345的白色车辆,发生异常停车情况,疑似发生抢劫事件,请您前往查看救援。在生成救援信息后,风险应对模块350将所述救援信息发送至与警方关联的处理设备、与紧急联系人相关联的终端和/或与其他服务提供者相关联的终端。在与警方关联的处理设备发送救援信息时,可以同时向警方报警。在向与紧急联系人相关联的终端发送救援信息时,可以同时发送提醒信息,提醒紧急联系人向警方报警,或在进行查看和/或救援时保证人身安全。所述其他服务提供者包括距离待风险处置的服务订单当前执行地点不超过设定距离阈值的服务提供者。所述当前执行地点可以指当前时刻,所述待风险处置的服务订单的相关方,包括用户、车辆的位置。在一些实施例中,在发送救援信息的同时,还可以发送补助或奖励信息,提示服务提供者(例如,司机)若前往查看和/或救援,可以获得补助或奖励。在一些实施例中,可以针对不同的风险事件通知不同数量、不同类型的司机。例如,因异常停留事件而通知救援查看的司机个数要远远小于抢劫事件。同时通知前往查看救援抢劫事件的司机可以是年轻的司机。在一些实施例中,可以综合考虑其他司机距离发生风险事件的位置的距离和顺路情况而发送救援信息。
在一些实施例中,所述风险应对过程可以延迟处理。通过对延迟时间内收集用户的安全行为,可以减少给风险处理设备(例如,处理设备110)带来的压力和影响。因为同一时刻处理设备110需要处理多个服务订单,延时处理可以降低处理设备110的负荷,加快订单的处理速度。在一些实施例中,在判定结果为存在风险的服务订单结束后,风险应对模块350可以获取反映与所述服务订单相关联的用户行为的数据,并基于反映与所述服务订单相关联的用户行为的数据,确定所述与所述服务订单相关联的用户是否执行了安全行为。如果与服务订单相关联的用户发生安全行为,则取消服务订单存在风险的判定结果。例如,在步骤420中判定为存在异常停留风险的服务订单,该异常停留风险为一般危险程度(例如,风险等级、风险概率在预设阈值范围内),则可以继续监控该订单,如果在该订单结束后,司机继续正常接单和/或乘客继续正常发单,则可以取消存在异常停留风险的判定,判断该司机和/或乘客安全。在一些实施例中,在延迟阶段还可以对判定为高风险的订单进行验证。例如,可以通过人工验证、自动验证、基于电话交互验证等方法进行验证,例如,引导乘客在乘客终端上确认是否存在安全风险(例如,在APP中发送待应答信息、发起抢红包活动等)、自动拨打服务电话、间接拨打打电话(例如,通过拨打金融服务电话等方式获取相关信息)、联系亲友验证等。
在一些实施例中,用户可以自主判定并上报安全风险。例如,应用程序380的界面中可以包括直接与按需服务平台通信的快速入口(例如,报警按钮、求助按钮),用户可以通过该应用入口上报风险。又例如,用户可以通过对移动设备200执行特定操作,比如按压、摇晃或摔掷。安装在移动设备200中的传感器(例如,声音传感器、图像传感器、压力传感器、速度传感器、加速度传感器、重力传感器、位移传感器、陀螺仪等或其任意组合。)检测到上述特定操作是,可以启动报警程序,上报安全风险。风险应对模块330在接收到上报后,可以判定上报安全风险的准确性(例如,是否存在噪音等)进行风险确认和风险处置。
在一些实施例中,所述风险处置还可以包括持续监控。所述持续监控可以是针对在步骤420中被判定为无风险的服务订单进行,也可以是针对风险排序中处于末尾的部分服务订单,还可以是针对经过风险确认后为无风险的服务订单。在一些实施例中,风险应对模块350可以基于待持续监控的服务订单的相关信息,确定与该服务订单相关联的终端。所述终端可以是服务提供者终端、服务请求者终端、车载终端等。风险应对模块350可以通过所述终端获取反应所述服务订单执行实况的文本、声音和/或图像数据。数据获取可以是通过所述终端上安装的各类传感器实现的。例如,可以通过声音传感器(比如,麦克风)获取音频数据,通过图像传感器(比如,摄像头)获取视频数据。所获取的数据,可用于下一时刻,例如,10s后的风险判定及处置。
应当注意的是,对于订单的风险判定及应对是一个持续的过程。当一个特定的订单在当前时刻被判定为安全时,或在风险应对操作中(例如,风险确认操作)被确认为安全时,仍然会进行持续监控,并重复进行风险判定及应对以确定后续是否会发生风险事件,例如,每隔一个预设时间(比如,10秒)进行一次风险判定及其后续步骤。直到达到所述特定的订单结束后的阈值时间后,例如,订单结束10分钟后、20分钟后、30分钟后,对于该订单的风险判定及应对过程可以结束。同时,对于步骤420中得到的风险判定结果为无风险的服务订单,风险应对模块350可以对其进行持续监控。
同样的,可以理解,风险应对中的处理操作可以选择性的进行。在一些实施例中,风险应对模块350可以对所有的服务订单基于风险判定结果排序后,按照排序结果选择性的进行后续操作。例如,风险应对模块350可以选择排序中靠前的服务订单执行风险处置操作,对处于中等序位的服务订单执行风险处置操作,对于处于排序靠后的服务订单执行持续监控操作。在一些实施例中,风险应对模块350可以跳过排序步骤,直接对所有服务订单进行风险确认并基于确认结果进行后续处置操作。例如,对于经过风险确认后无风险的服务订单可以持续监控,而对应有风险的订单,可以根据风险大小选择提醒用户(比如车辆的异常停留)或直接报警(比如抢劫)。在一些实施例中,风险应对模块350可以直接基于风险判定结果对所有服务订单进行处置。例如,风险应对模块350可以向风险判定结果为低风险的服务订单的相关联用户发送提醒。对于风险判定结果为高风险的服务订单,风险应对模块350可以直接通知警方。而对于没有风险的服务订单,风险应对模块350可以持续监控以防止在后续有风险发生时能够在最短的时间内发现。在一些实施例中,风险应对模块350可以基于风险判定结果对服务订单进行排序,并基于排序结果直接对服务订单进行处置。例如,风险应对模块350可以首先处理排序靠前的服务订单(例如,风险高的订单),完成后再继续处理排序靠后的订单(例如,风险低的订单)。在一些实施例中,风险应对模块350可以基于风险判定结果,对服务订单进行延时处理。例如,风险应对模块350对于判定结果为存在风险的服务订单进行监控。在其结束后,风险应对模块350可以获取与订单相关的用户的行为数据。若用户出现安全行为,比如,与高风险订单相关的用户在订单结束后继续请求了交通运输服务,则风险应对模块350可以确认该存在风险的服务订单为安全订单。
步骤440,基于风险应对操作结果更新规则和/或模型。步骤440可以由更新模块360执行。在一些实施例中,更新的规则可以包括风险判定规则、风险排序规则等,更新的模型可以包括异常识别模型、风险排序模型等。在一些实施例中,更新模块360可以根据风险确认结果和/或风险处置结果与风险判定结果进行比较,获取其中的差异。并根据所述差异更新判定规则中风险参数值。例如,判定抢劫事件的判定规则可以是根据发单时间及起始地点进行判定,设置为发单时间超过晚上12点、行程终点位于邻近市县则有可能发生抢劫风险。若对于判定具有抢劫风险的订单进行风险确认后,发现发单时间在晚上12点至12点半之间的订单,并未发生抢劫事件。则更新模块可以将判定抢劫时间的判定规则更改为发单时间超过晚上12点半、行程终点位于邻近市县则有可能发生抢劫风险。在一些实施例中,更新模块360可以将风险确认操作和/或风险处置操作中确定为发生风险事件的订单,作为新的样本数据重新对风险判定模型进行训练,以更新模型中的参数。类似的,对于风险排序规则和风险排序模型的训练,更新模块360同样可以根据风险确认结果和/或风险处置结果与风险排序结果进行比较以获取差异并更新。例如,排序中在序位前列的高风险订单在后续风险确认操作中被确定为不存在风险,则更新模块360可以更新排序所使用的风险参数。而对于风险排序模型的更新,更新模块360可以根据风险确认或风险应对得到的实际排序结果的各个订单的特征数据重新训练风险排序模型,以达到更新的目的。在一些实施例中,对于规则和模型的更新可以以预定的间隔进行,例如,一天、一星期、一个月、一个季度等。
需要注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本发明的教导可以做出多种变化和修改。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。在一些实施例中,在示例性方法400中可以省略一个或多个其他可选操作。例如,对于风险判定结果为风险较高(例如,风险等级、风险概率等高于预设阈值)的服务订单,可以省略风险排序操作以及步风险确认操作,直接进行风险处置操作(例如,报警或转入安全人员研判)。又例如,对于风险判定结果为低风险(例如,风险等级、风险概率等低于预设阈值)的服务订单,可以进行监控等待处理(例如,继续执行数据获取,并在预设时间后后再次执行风险判定)。
图5是根据本申请一些实施例所示的一种订单行程异常识别的方法的示例性流程图。在一些实施例中,方法500中的一个或以上步骤可以在图1所示的***100中实现。例如,方法500中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤510,获取订单相关数据。在一些实施例中,所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据。在一些实施例中,所述当前订单数据包括服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息中的一种或几种的组合。在一些实施例中,所述当前订单执行时的状态数据包括与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据中的一种或几种的任意组合。在一些实施例中,与当前订单相关的终端可以是服务提供者终端,例如,司机的移动终端。在一些实施例中,与当前订单相关的终端可以是服务请求者终端,例如乘客的移动终端。更多描述可以参见图3、图4的相关描述。
步骤520,基于当前订单数据和/或当前订单执行时的状态数据确定当前订单行程是否存在异常。在一些实施例中,所述行程异常包括偏离预设路线、行驶至偏远地区、行驶中停留异常和行驶速度异常等情况。在一些实施例中,偏离预设路线可以是车辆实际的行驶位置与预设的路线之间的偏差。在一些实施例中,当车辆实际的位置与预设路线之间的偏差大于一定阈值时,可以判断为偏离预设路线。在一些实施例中,如果车辆偏离预设路线的时长大于或等于一定阈值,可以判断为偏离预设路线。例如,当车辆偏离预设路线时,可以开始计时,当计时时长大于或等于10分钟时,可以判断为偏离预设路线。
在一些实施例中,可以基于车辆当前位置偏僻度确定行程是否异常。例如,当车辆当前位置偏僻度超过一定等级时,可以确定行驶至偏远地区。在一些实施例中,如果行驶路线相关的地点有至少一个地点的偏僻度超过一定等级,可以确定行驶至偏远地区。
在一些实施例中,如果车辆在一段时间内的停留次数大于或等于一定次数,可以确定行驶中停留异常。在一些实施例中,如果单次停留时长超过一定阈值,可以确定行驶中停留异常。在一些实施例中,如果行驶中总的停留时长累积超过一定阈值,可以认为行驶中停留异常。在一些实施例中,如果车辆连续两次停留的距离间隔小于一定距离,可以认为行驶中停留异常。在一些实施例中,还可以根据车辆停留位置确定是否行驶中停留异常。例如,在预设路线外的某位置停留较长,又例如,在偏僻度较高的地点停留时间较长。
在一些实施例中,如果一段时间内的平均车速大于或等于第一速度阈值,可以确定行驶速度异常。例如,车辆15分钟内的平均车速大于130公里/小时,车辆较长时间处于超速行驶状态,可以认为行驶速度异常。在一些实施例中,如果一段时间内的平均车速小于第二速度阈值,车辆15分钟内的平均车速小于40公里/小时,车辆较长时间处于低速行驶状态,可以确定行驶速度异常。在一些实施例中,如果一段时间内,车辆的实际车速都超过一定的阈值,可以判断车辆行驶速度异常。例如,车辆连续10分钟实际车速大于120公里/小时,可以认为车辆行驶速度异常。在一些实施例中,如果一段时间内,车辆的实际车速都低于一定的阈值,可以判断车辆行驶速度异常。例如,车辆连续10分钟实际车速都小于35公里/小时,可以认为车辆行驶速度异常。在一些实施例中,如果车辆在某路段内平均速度不在当前路段的限速范围内(即,低于低限速值、高于高限速值),可以确定行程异常。
在一些实施例中,确定当前订单行程是否存在异常可以包括基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型,并基于所述类型确定行程异常的危险程度。例如,可以根据当前订单数据中的车辆当前的定位信息和预设路线,确定当前是否偏离预设路线,并可以基于偏离的程度确定行程异常的危险程度。又例如,可以根据当前车辆的定位数据和预设路线确定当前订单是否偏离预设路线,根据当前位置的偏僻度确定当前订单是否行驶至偏远地区,如果当前订单既偏离了预设路线,又行驶至偏远地区,则可以根据偏离程度和偏僻度确定行驶异常的危险程度。
在一些实施例中,可以根据历史统计数据、建立函数或建立机器模型等方法确定当前订单行程异常的类型和行程异常的危险程度。例如,可以获取近十年、五年或三年内行程异常的历史订单,根据统计规律预估当前订单的行驶异常类型和危险程度。在一些实施例中,也可以建立订单数据和/或订单执行时的状态数据与行驶异常类型之间的函数关系,确定当前订单是否出现何种行驶异常。并通过建立订单数据和/或订单执行时的状态数据与异常危险程度之间的函数,确定当前行驶异常的危险程度。在一些实施例中,还可以通过训练的异常识别模型,通过异常识别模型确定当前订单可能会出现何种行驶异常,例如,可以通过异常识别模型确定当前订单是否发生偏离预设路线、行驶至偏远地区、行驶中停留异常或行驶速度异常。并通过训练异常评估模型,确定行驶异常的危险程度。在一些实施例中,危险程度可以是发生异常的概率、异常的等级或异常的排序等方式。
步骤530,可以基于异常判断结果,执行设定的操作。在一些实施例中,所述设定的操作包括异常处理操作。所述异常处理操作至少包括向服务提供者和/或服务请求者进行异常提示、通知警方、通知紧急联系人、开启车内监控设备、触发用户终端的上报机制、联络所述用户周围的服务提供者进行协助等。更多风险应对的相关说明可以参见图3、图4的相关描述。
图6是根据本申请一些实施例所示的训练机器模型的方法的示例性流程图。在一些实施例中,方法600中的一个或以上步骤可以在图1所示的***100中实现。例如,方法600中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤610,可以获取历史订单。在一些实施例中,可以获取一段时间内的历史订单作为训练样本。例如,一个星期的历史订单、一个月的历史订单等。在一些实施例中,订单可以包括是完成的订单、中途取消的订单等已提交了服务请求在***100中有记录的订单。在一些实施例中,历史订单可以从***100中获取,例如网络150、存储设备130、服务器110、服务请求者终端120、信息源160等设备中获取。
步骤620,可以获取历史订单中的订单数据和/或订单执行时的状态数据。在一些实施例中,所述订单数据包括服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息中的一种或几种的组合。在一些实施例中,订单执行时的状态数据可以包括与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。
步骤630,可以将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本。例如,如果历史订单信息中包括行驶异常事件信息,则该样本类型可以被确定为正样本;反之,如果历史订单信息中不包括行驶异常事件信息,则该样本类型可以被确定为负样本。在一些实施例中,可以人为对历史订单进行标记。例如,在训练样本中,2017年2月8日当天发生了一起订单异常,已获取了2017年2月8日当天的所有历史订单作为样本,可以将2017年2月8日当天的订单异常标记为正样本,将当天的其他正常订单标记为负样本。在一些实施例中,可以根据***100中的记录结果进行标记,将记录中出现恶性事件的历史订单标记为正样本。将记录中正常的订单标记为负样本。在一些实施例中,可以将正样本用数字“1”表示,将负样本用数字“0”表示。
步骤640,可以进一步标记正样本中行驶异常的类型。在一些实施例中,一个正样本可以标记一个行驶异常类型。例如,可以是偏离预设路线、行驶至偏远地区、行驶中停留异常或行驶速度异常中的一个。在一些实施例中,标记的行驶异常类型可以是该正样本的最主要的行驶异常的类型。例如,如果该正样本中的行驶异常类型有偏离预设路线和行程中停留异常两种异常。行驶中停留异常的危险程度更大些,可以将该正样本的行驶异常类型标记为行驶中停留异常。在一些实施例中,单个正样本可以有两个或两个以上的行驶异常类型。例如,某正样本的行驶异常类型可以是偏离预设路线和行驶至偏远地区两种,那么该正样本可以标记为偏离预设路线和行驶至偏远地区两种行驶异常。
步骤650,可以基于所述历史订单中的订单数据和/或订单执行时的状态数据,及标记的正样本的行驶异常的类型训练异常识别模型。在一些实施例中,异常识别模块可以是分类模型。在一些实施例中,异常识别模型可以是决策树模型,包括但不限于分类及回归树(Classification And Regression Tree,CART)、迭代二叉树三代(IterativeDichotomiser 3,ID3)、C4.5算法、随机森林(Random Forest)、卡方自动交互检测(Chisquared Automatic Interaction Detection,CHAID)、多元自适应回归样条(Multivariate Adaptive Regression Splines,MARS)以及梯度推进机(GradientBoosting Machine,GBM)等或其任意组合。在一些实施例中,可以利用信息增益作为决策树中的节点选择的标准。每次选择最大化信息增益的条件对节点进行选择。在一些实施例中,决策树中的节点与特征参数对应。在一些实施例中,异常识别模型上,每个节点上选择一个信息增益最大的特征参数,每个节点上的判断的条件,为节点上的特征参数对应的分类阈值。在一些实施例中,可以将待测订单的特征参数作为输入,利用训练好的异常识别模型,按照每个节点上特征参数的判断条件进行划分,最终得到最后的识别结果。
步骤660,可以基于所述历史订单中的订单数据和/或订单执行时的状态数据,及正负样本的标记结果训练异常评估模型。在一些实施例中,标记结果可以是正负样本的分类结果,例如,“1”可以表示正样本,“0”可以表示负样本。在一些实施例中,标记结果可以包括异常的类型。例如,可以在正样本的基础上标记具体的行程异常的类型,“A”可以表示偏离预设路线,“B”可以表示行驶至偏远地区,“C”可以表示行驶中停留异常,“D”可以表示行驶速度异常。在一些实施例中,异常评估模型可以是逻辑回归模型。例如,线性回归模型(Linear Regression)、逻辑回归模型(Logistics Regression)、多项式回归模型(Polynomial Regression)、逐步回归模型(Stepwise Regression)、岭回归模型(RidgeRegression)、套索回归模型(Lasso Regression)、ElasticNet回归模型(ElasticNetRegression)等。一些实施例中,在训练过程中,可以利用验证集对模型进行验证,并根据验证结果(例如,模型处于欠拟合和/或过拟合状态)对模型参数进行调整以使模型达到最佳状态。所述验证集中的数据与所述异常评估模型的训练数据独立同分布,且没有交集。在一些实施例中,当满足预设条件时,可以停止模型训练,并将最终的模型作为所述异常评估模型输出。
在一些实施例中,异常评估模型和异常识别模型可以是独立训练的。在一些实施例中,异常评估模型的输出可以是发生危险的概率值。异常识别模型的输出可以是行程异常的类型。在一些实施例中,异常评估模型和异常识别模型可以同时训练。例如,两个模型可以同步训练,不必先训练异常识别模型,再训练异常评估模型。在一些实施例中,异常评估模型可以获取和异常识别模型同样的历史订单作为训练样本。在一些实施例中,异常评估模型可以获取和异常识别模型不同的历史订单作为训练样本。在一些实施例中,异常评估模型可以获取和异常识别模型的训练样本有重叠。在一些实施例中,异常评估模型和异常识别模型的特征参数可以相同。在一些实施例中,异常评估模型和异常识别模型的特征参数可以不同。在一些实施例中,异常评估模型可以获取和异常识别模型的特征参数可以有重叠。
图7是根据本申请一些实施例所示的偏离预设路线的评估方法的示例性流程图。在一些实施例中,方法700中的一个或以上步骤可以在图1所示的***100中实现。例如,方法700中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤710,获取车辆的当前位置和预设路线确定当前位置与预设路线的距离值。在一些实施例中,车辆的当前位置可以基于定位技术获得。定位技术包括但不限于GPS卫星定位、蓝牙定位、WI-FI网络定位、北斗定位、移动通信技术定位等。在一些实施例中,可以通过安装在车辆上的定位装置确定车辆的当前位置。在一些实施例中,还可以基于司机当前位置与乘客当前位置匹配确定车辆的当前位置。例如,当司机当前位置(即,司机终端当前位置)与乘客当前位置(即,乘客终端当前位置)相同时,可以确定司机当前位置和/或乘客当前位置为车辆的当前位置。在一些实施例中,预设路线可以根据起点信息和终点信息确定。在一些实施例中,预设路线可以是根据本次导航规划出的起点到终点的导航路线。在一些实施例中,预设路线可以是较短行驶距离的路线或者较短预估行驶时间的路线。在一些实施例中,预设路线信息可以包括导航路径、导航距离、导航时间等中的一种或多种。在一些实施例中,当前位置与预设路线的距离值可以是当前位置距预设路线的最短距离。
步骤720中,可以基于所述距离值判断是否偏离行驶预设路线。在一些实施例中,当距离值大于或等于一定阈值,可以确定偏离预设路线。例如,车辆的当前位置距预设路线的最短距离为150米,距离阈值为100米,则可以确定偏离预设路线。在一些实施例中,当距离值大于或等于一定阈值,并且车辆离开预设路线的时长大于或等于一定时长时,可以判断为偏离预设路线。例如,当车辆离开预设路线时,可以开始计时,当计时时长大于或等于10分钟时,可以确定偏离预设路线。在一些实施例中,当车辆回到预设路线时,还可以结束计时。如果车辆从开始计时到结束计时(即,回到预设路线)的时长小于一定时长,可以确定未偏离预设路线。例如,当计时时长小于1分钟时,不认为车辆偏离预设路线。在一些实施例中,如果偏离时长累计超过一定时长,可以确定偏离预设路线。在一些实施例中,还可以基于车辆的当前位置、车辆的行驶方向,确定是否偏离预设路线。具体地,可以根据当前位置为乘客重新规划导航路线,车辆的行驶方向与当前导航方向不一致时,可以确定偏离预设路线。
步骤730,当判断结果为偏离行驶预设路线,基于所述距离值当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶异常的危险程度。在一些实施例中,可以根据距离值直接确定偏离预设路线的危险程度。例如,距离值越大,危险程度越高。在一些实施例中,还可以根据偏离的时长确定偏离预设路线的危险程度。例如,偏离时间越长,危险程度越高。在一些实施例中,还可以结合当前位置的偏僻度确定偏离预设路线的危险程度。在一些实施例中,可以获取路线的交通状况,确定偏离预设路线的危险程度。例如,如果行驶路径上有拥堵,偏离预设路线的危险程度较低;如果行驶路径通畅,偏离预设路线的危险程度较高。在一些实施例中,还可以结合执行订单的时间,确定偏离预设路线的危险程度。例如,执行订单的时间为凌晨0:00~3:00,偏离预设路线的危险程度较高。
图8是根据本申请一些实施例所示的行驶至偏远地区的评估方法的示例性流程图。在一些实施例中,方法800中的一个或以上步骤可以在图1所示的***100中实现。例如,方法800中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤810,基于车辆的定位信息和行程路径确定相关地点的偏僻度。在一些实施例中,某地点的偏僻度可以与一定时间内距离该地点一定范围内的订单数量负相关。例如,如果一个星期内,某地点在订单中出现的次数较多,可以判断该地点的偏僻度较低,或途径该地点的行驶路线相关地点的偏僻度较低。又例如,如果一个月内,终点在订单中出现的次数很少,或是没有出现过,可以判断该地点的偏僻度较高,或途径该地点的行驶路线相关地点的偏僻度较高。又例如,如果一个星期内,行驶路径上的某一途径地点,在订单中出现的次数很少或是没有出现过,可以判断该订单的行驶路线相关地点的偏僻度较高。
在一些实施例中,行驶路径相关地点的偏僻度也可以与单位时间内通过单位面积区域的人流量和/或车流量负相关。在一些实施例中,可以将人流量和/或车流量划分为不同等级,不同等级对应不同的偏僻度。例如,可以将人流量和/或车流量为分别划分为五个等级,如人流量和/或车流量为每小时0~5、5~100、100~2000、2000~5000、>5000,则其对应的偏僻度可以分别为极偏僻、偏僻、一般、热闹、极热闹。在一些实施例中,还可以基于实时交通状况确定偏僻度。例如,基于交通摄像装置获取的信息确定偏僻度。在一些实施例中,还可以基于车载行车记录仪和/或车内监控获取的视频数据确定偏僻度。在一些实施例中,偏僻度可以每隔一段时间更新一次。在一些实施例中,偏僻度还可以是实时更新的。在一些实施例中,偏僻度可以表现为连续数值。例如,建立与行驶路径相关地点的订单量的关系方程,通过关系方程直接得到的计算数值。在一些实施例中,偏僻度可以表现为离散数值。例如,偏僻度可以是0、1、2-10的等级分类,数字越大代表偏僻度越高,不同订单数量的区间对应一个等级,根据相关地点的订单数量可得到对应等级的偏僻度。
步骤820,基于所述偏僻度判断是否行驶至偏远地区。在一些实施例中,如果偏僻度大于或等于偏僻度阈值,可以确定行驶至偏远地区。在一些实施例中,确定行程路径的偏僻度可以先在行驶路线上等距的采集样点作为沿途样点,例如,在行驶路线上等距的采集5个样点作为沿途样点,分布统计5个沿途样点对应的矩形区域内的订单数量,根据5个沿途样点出现的订单次数确定该行驶路线的偏僻度。在一些实施例中,还可以先在行驶路线上等距的采集样点作为沿途样点,再在沿途样点的基础上得到扩散样点,例如,可以在每个沿途样点的两侧各采集一个样点作为扩散样点,如果有5个沿途样点,可以得到相应的10个扩散样点,统计沿途样点和扩散样点对应的订单数量,确定该行程路径的偏僻度。如果有一个沿途样点或扩散样点的订单数量很少或没有,可以认为该行程路径的偏僻度较高。如果有半数的沿途样点或扩散样点的订单数量很少或没有,可以认为该行程路径的偏僻度很高。
步骤830,当判断结果为行驶至偏远地区,基于所述偏僻度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶至偏远地区的危险程度。在一些实施例中,可以根据车辆的当前位置的偏僻度,确定行驶至偏远地区的危险程度。在一些实施例中,可以根据执行订单的时间段,确定行驶至偏远地区的危险程度。例如,当订单的时间段处于深夜时段,危险程度较高。在一些实施例中,可以根据处于偏僻地区的持续时长,确定行驶至偏远地区的危险程度。在一些实施例中,可以获取乘客与司机的行为特征,确定行驶至偏远地区的危险程度。例如,如果监测到乘客或司机有报警的行为,则该异常危险程度较高。在一些实施例中,可以根据乘客或司机的信用值,确定行驶至偏远地区的危险程度。例如,如果司机的信用值不高,怎该异常危险程度较高。
图9是根据本申请一些实施例所示的行驶中停留异常的评估方法的示例性流程图。在一些实施例中,方法900中的一个或以上步骤可以在图1所示的***100中实现。例如,方法900中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤910,基于车辆停留次数和/或停留时间判断是否行驶中停留异常。在一些实施例中,可以通过获取乘客终端、司机终端和/或车辆的传感器数据,确定车辆是否发生停留。例如,通过获取速度传感器数据可以确定车速,当车速小于或等于速度阈值时,可以确定车辆发生停留。在一些实施例中,还可以根据乘客终端、司机终端和/或车辆的定位信息,确定车辆是否发生停留。例如,定位装置可以每秒上报一次定位信息,如果车辆在一段时间内上报的定位信息保持不变,可以确定车辆发生停留。在一些实施例中,还可以通过获取行车记录仪和/或车载监控数据,确定车辆是否发生停留。例如,可以分析图像帧中,车外环境是否发生变化。在一些实施例中,停留时间可以是车速小于速度阈值的持续时长。具体地,在车速减小阶段,当车速等于速度阈值时,可以开始计时;在车速增加阶段,当车速等于速度阈值时,可以结束计时。停留时间可以是开始计时到结束计时之间的时长。在一些实施例中,停留时间还可以是上报相同定位信息的持续时长。在一些实施例中,停留时间还可以是车外环境图像保持不变的持续时长。
在一些实施例中,如果车辆停留次数大于或等于次数阈值,可以确定停留异常。在一些实施例中,如果单次停留时间超过时长阈值,可以确定停留异常。在一些实施例中,如果停留时间累积超过预设阈值,可以确定停留异常。在一些实施例中,如果车辆连续两次停留的距离间隔小于间隔阈值,可以确定停留异常。在一些实施例中,还可以根据车辆停留位置的偏僻度,确定是否停留异常。
步骤920,当判断结果为行驶中停留异常,基于所述车辆停留次数、所述停留时间、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶中停留异常的危险程度。在一些实施例中,可以根据停留次数,确定停留异常的危险程度。在一些实施例中,还可以根据停留时长,确定停留异常的危险程度。在一些实施例中,还可以根据停留位置的偏僻度,确定停留异常的危险程度。在一些实施例中,还可以根据停留的时间段,确定停留异常的危险程度。例如,停留的时间段在晚上23:00~24:00之间,停留异常的危险程度较高。在一些实施例中,可以根据停留期间,司机和用户的定位信息确定危险程度。例如,司机是否有尾随用户行为。在一些实施例中,还可以获取乘客或司机的行为特征确定停留的危险程度。例如,用户是否有呼叫他人,是否有报警等行为。在一些实施例中,还可以根据乘客或司机的信用值确定停留的危险程度。
图10是根据本申请一些实施例所示的行驶速度异常的评估方法的示例性流程图。在一些实施例中,方法1000中的一个或以上步骤可以在图1所示的***100中实现。例如,方法1000中的一个或以上步骤可以作为指令的形式存储在存储设备130和/或存储器270中,并被处理设备110调用和/或执行。
步骤1010,基于车辆行驶速度判断是否行驶速度异常。在一些实施例中,行驶速度信息可以包括车速大小和车辆行进的方向。在一些实施例中,车速信息还可以包括车速随时间变化的速度曲线。在一些实施例中,车速信息还可以包括一段时间内的平均车速。在一些实施例中,可以通过车载速度传感器、用户终端获取行驶速度信息。在一些实施例中,可以通过车辆定位装置上报的定位信息获取车速信息。例如,车辆可以每秒上报一次定位信息,在5秒内,则通过计算其第1秒与第5秒位置之间的距离,可以确定行驶速度信息。在其他实施例中,也可以是依据其他速度获取技术获取。
在一些实施例中,行驶速度异常可以包括行驶速度过大、行驶速度过小等。在一些实施例中,如果一段时间内的平均车速大于或等于第一速度阈值,可以确定行驶速度异常。在一些实施例中,如果一段时间内的平均车速小于第二速度阈值,可以确定行驶速度异常。在一些实施例中,如果车辆在某路段内平均速度不在当前路段的限速范围内(即,低于低限速值、高于高限速值),可以确定行驶速度异常。
步骤1020,当判断结果为行驶速度异常,基于车辆行驶速度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶速度异常的危险程度。在一些实施例中,可以根据行驶速度大小,确定行驶速度异常的危险程度。例如,车速与上限预设值之间的差值越大,危险程度越高。在一些实施例中,可以根据速度异常持续的时间,确定行驶速度异常的危险程度。例如,速度异常持续时间越长,危险程度越高。在一些实施例中,可以根据车速异常时行驶区域的偏僻度,确定行驶速度异常的危险程度。在一些实施例中,可以根据车速异常时行驶的时间段,确定行驶速度异常的危险程度。在一些实施例中,可以获取车辆的状况信息,根据车辆状况,确定行驶速度异常的危险程度。例如,车速较高且车龄较长或车辆最近有报修情况等,则危险程度较高。在一些实施例中,可以获取车速异常行驶的道路的交通状况,确定行驶速度异常的风险值。例如,车速缓慢,但是道路并不拥堵,则行驶速度异常的危险程度较高。
应当理解的是,上述关于流程1000的描述仅为示例性的,并不用于限制本申请的保护范围。对于本领域的技术人员来说,可以在本申请的指导下做出多个修正和改变。然而,这些修正和改变不会脱离本申请的保护范围。例如,流程800可以进一步包括偏僻度确定步骤。再例如,流程1000可以进一步包括基于行驶速度异常的风险值,向用户发送提醒信息。
本申请实施例可能带来的有益效果包括但不限于:(1)通过识别订单行程中的异常,并对异常的危险程度进行评估,采取不同策略的处理方式,以保证用户的安全;(2)能够识别行驶异常的类型,并结合环境数据和订单数据对异常的危险程度进行准确预估;(3)通过对不同危险程度的订单进行排序,并按照时序进行处理,可以提高处理异常订单的效率。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (28)
1.一种订单行程异常识别方法,所述方法由至少一个处理器执行,其特征在于,包括:
获取订单相关数据;所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据;
基于当前订单数据和/或当前订单执行时的实时状态数据确定当前订单行程是否存在异常;
基于异常判断结果,执行设定的操作。
2.根据权利要求1所述的方法,其特征在于,
所述当前订单数据包括以下至少一个:
服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息;
所述当前订单执行时的状态数据包括以下至少一个:
与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。
3.根据权利要求1所述的方法,其特征在于,
所述行程异常包括以下至少一个:
偏离预设路线、行驶至偏远地区、行驶中停留异常、行驶速度异常。
4.根据权利要求1所述的方法,其特征在于,确定当前订单行程是否存在异常,包括:
基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型;
基于所述类型确定行程异常的危险程度。
5.根据权利要求4所述的方法,其特征在于,
基于车辆的定位信息和行驶路线确定当前位置与预设路线的距离值;
基于所述距离值判断是否偏离预设路线,
当判断结果为偏离预设路线,基于所述距离值、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶异常的危险程度。
6.根据权利要求4所述的方法,其特征在于,
基于车辆的定位信息和行程路径确定相关地点的偏僻度;
基于所述偏僻度判断是否行驶至偏远地区;
当判断结果为行驶至偏远地区,基于所述偏僻度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶至偏远地区的危险程度。
7.根据权利要求4所述的方法,其特征在于,
基于车辆停留次数和/或停留时间判断是否行驶中停留异常;
当判断结果为行驶中停留异常,基于所述车辆停留次数、所述停留时间、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶中停留异常的危险程度。
8.根据权利要求4所述的方法,其特征在于,
基于车辆行驶速度判断是否行驶速度异常;
当判断结果为行驶速度异常,基于车辆行驶速度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶速度异常的危险程度。
9.根据权利要求4所述的方法,其特征在于,基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型,包括:
获取异常识别模型;
基于所述异常识别模型确定行程异常的类型。
10.根据权利要求9所述的方法,其特征在于,获取异常识别模型,包括:
获取历史订单;
获取历史订单中的订单数据和/或订单执行时的状态数据;
将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;
标记所述正样本对应的行驶异常的类型;
基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的所述行驶异常的类型训练异常识别模型。
11.根据权利要求4所述的方法,其特征在于,基于所述类型确定行程异常的危险程度,包括:
获取异常评估模型;
基于所述异常评估模型确定行程异常的危险程度。
12.根据权利要求11所述的方法,其特征在于,获取异常识别模型,包括:
获取历史订单;
获取历史订单中的订单数据和/或订单执行时的状态数据;
将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;
基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的样本的类型训练异常评估模型。
13.根据权利要求1所述的方法,其特征在于,所述设定的操作包括异常处理操作;所述异常处理操作至少包括以下一种:
向服务提供者和/或服务请求者进行异常提示;
通知警方;
通知紧急联系人;
开启车内监控设备;
触发用户终端的上报机制;
联络所述用户周围的服务提供者进行协助。
14.一种订单异常识别***,其特征在于,包括:
数据获取模块,用于获取订单相关数据;所述订单相关数据至少包括当前订单数据和/或当前订单执行时的实时状态数据;
风险判定模块,用于基于当前订单数据和/或当前订单执行时的实时状态数据确定当前订单行程是否存在异常;
风险应对模块,用于基于异常判断结果,执行设定的操作。
15.根据权利要求14所述的***,其特征在于,
所述当前订单数据包括以下至少一个:
服务提供者的身份信息、与服务提供者相关的车辆的标识信息、服务时间、行程起始点、行程目的地、行程路径和服务请求者的身份信息;
所述当前订单执行时的状态数据包括以下至少一个:
与当前订单相关的终端的定位数据、与当前订单相关的终端的状态数据、车辆的状态数据、车辆内部的环境数据和车辆位置周围的环境数据。
16.根据权利要求14所述的***,其特征在于,
所述行程异常包括以下至少一个:
偏离预设路线、行驶至偏远地区、行驶中停留异常、行驶速度异常。
17.根据权利要求14所述的***,其特征在于,所述风险判定模块还用于:
基于当前订单数据和/或当前订单执行时的状态数据识别行程异常的类型;
基于所述类型确定行程异常的危险程度。
18.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
基于车辆的定位信息和行驶路线确定当前位置与预设路线的距离值;
基于所述距离值判断是否偏离预设路线,
当判断结果为偏离预设路线,基于所述距离值、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶异常的危险程度。
19.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
基于车辆的定位信息和行程路径确定相关地点的偏僻度;
基于所述偏僻度判断是否行驶至偏远地区;
当判断结果为行驶至偏远地区,基于所述偏僻度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶至偏远地区的危险程度。
20.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
基于车辆停留次数和/或停留时间判断是否行驶中停留异常;
当判断结果为行驶中停留异常,基于所述车辆停留次数、所述停留时间、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶中停留异常的危险程度。
21.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
基于车辆行驶速度判断是否行驶速度异常;
当判断结果为行驶速度异常,基于车辆行驶速度、当前订单数据和当前订单执行时的状态数据中的至少一种确定行驶速度异常的危险程度。
22.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
获取异常识别模型;
基于所述异常识别模型确定行程异常的类型。
23.根据权利要求22所述的***,其特征在于,还包括第一训练模块,用于:
获取历史订单;
获取历史订单中的订单数据和/或订单执行时的状态数据;
将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;
标记所述正样本对应的行驶异常的类型;
基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的所述行驶异常的类型训练异常识别模型。
24.根据权利要求17所述的***,其特征在于,所述风险判定模块还用于:
获取异常评估模型;
基于所述异常评估模型确定行程异常的危险程度。
25.根据权利要求24所述的***,其特征在于,还包括第二训练模块,用于:
获取历史订单;
获取历史订单中的订单数据和/或订单执行时的状态数据;
将所述历史订单中的行程异常标记为正样本,所述历史订单中的行程正常标记为负样本;
基于所述历史订单中的订单数据和/或订单执行时的状态数据及标记的样本的类型训练异常评估模型。
26.根据权利要求14所述的***,其特征在于,所述风险应对模块还用于执行异常处理操作,所述异常处理操至少包括以下一种:
向服务提供者和/或服务请求者进行异常提示;
通知警方;
通知紧急联系人;
开启车内监控设备;
触发用户终端的上报机制;
联络所述用户周围的服务提供者进行协助。
27.一种订单异常识别装置,其特征在于,包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储指令;
所述处理器用于执行所述指令,实现如权利要求1至13中任一项所述方法。
28.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1至13中任意一项所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130363.XA CN110751586A (zh) | 2019-02-21 | 2019-02-21 | 一种订单行程异常识别方法和*** |
PCT/CN2020/075892 WO2020169053A1 (en) | 2019-02-21 | 2020-02-19 | Systems and methods for identifying abnormalities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130363.XA CN110751586A (zh) | 2019-02-21 | 2019-02-21 | 一种订单行程异常识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751586A true CN110751586A (zh) | 2020-02-04 |
Family
ID=69275703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130363.XA Pending CN110751586A (zh) | 2019-02-21 | 2019-02-21 | 一种订单行程异常识别方法和*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110751586A (zh) |
WO (1) | WO2020169053A1 (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341153A (zh) * | 2020-03-05 | 2020-06-26 | 南京领行科技股份有限公司 | 行程驾驶的预警方法、装置、服务器和介质 |
WO2020169053A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying abnormalities |
CN111598661A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
CN111598368A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于行程结束后停留异常的风险识别方法、***及装置 |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控***业务场景处置风险评价方法及*** |
CN111882907A (zh) * | 2020-06-18 | 2020-11-03 | 北京骑胜科技有限公司 | 交通工具的导航预警方法、装置、设备和存储介质 |
CN111967725A (zh) * | 2020-07-23 | 2020-11-20 | 汉海信息技术(上海)有限公司 | 输出提示信息的方法、终端、服务器、设备及存储介质 |
CN112002102A (zh) * | 2020-09-04 | 2020-11-27 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其*** |
CN112017005A (zh) * | 2020-08-30 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 服务维护方法、装置、服务器及存储介质 |
CN112016625A (zh) * | 2020-08-30 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 车辆异常检测方法、装置、电子设备及存储介质 |
CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
CN112529661A (zh) * | 2020-12-09 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 信息交互方法、装置、电子设备和可读存储介质 |
CN112837119A (zh) * | 2021-01-28 | 2021-05-25 | 天津五八到家货运服务有限公司 | 异常订单识别方法、装置、电子设备及存储介质 |
CN113269247A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113269340A (zh) * | 2021-05-12 | 2021-08-17 | 广州宸祺出行科技有限公司 | 一种网约车区域热度值的计算及展示的方法及*** |
CN113536234A (zh) * | 2021-07-14 | 2021-10-22 | 广西柳工机械股份有限公司 | 矿区运输次数检测方法、装置、计算机设备及存储介质 |
CN113807994A (zh) * | 2021-08-23 | 2021-12-17 | 广汽本田汽车有限公司 | 用于汽车代驾服务的控制方法、***、装置和存储介质 |
CN113807726A (zh) * | 2021-09-26 | 2021-12-17 | 拉扎斯网络科技(上海)有限公司 | 状态处理方法、装置、电子设备、存储介质及程序产品 |
CN114360204A (zh) * | 2022-03-21 | 2022-04-15 | 天津市职业大学 | 一种基于区块链的网联汽车信息安全通信*** |
CN114913881A (zh) * | 2022-04-27 | 2022-08-16 | 北京三快在线科技有限公司 | 一种安全预警***、方法、装置、存储介质及电子设备 |
CN115065585A (zh) * | 2022-04-29 | 2022-09-16 | 北京达佳互联信息技术有限公司 | 业务异常监测方法、装置、电子设备及存储介质 |
US20220340162A1 (en) * | 2021-04-27 | 2022-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and System for On-Demand Roadside AI Service |
CN116227777A (zh) * | 2023-05-08 | 2023-06-06 | 浙江飞猪网络技术有限公司 | 行程信息处理方法及电子设备 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992496B (zh) * | 2020-07-10 | 2023-11-17 | ***通信集团湖北有限公司 | 基于四分位算法的异动告警方法、装置及计算设备 |
CN112164210B (zh) * | 2020-09-16 | 2023-03-21 | 南京领行科技股份有限公司 | 一种基于对象的预警方法、装置、存储介质及电子设备 |
CN112104503B (zh) * | 2020-09-17 | 2022-08-16 | 成都思维世纪科技有限责任公司 | 一种基于流转模型的数据异常流转的监测分析***及方法 |
CN112926881A (zh) * | 2021-03-29 | 2021-06-08 | 广州宸祺出行科技有限公司 | 一种基于车载***的防止司机刷单的检测方法及*** |
CN113507685B (zh) * | 2021-06-28 | 2022-08-23 | 深圳市高力高科实业有限公司 | 一种基于蓝牙技术的物联网应用*** |
CN113673571A (zh) * | 2021-07-22 | 2021-11-19 | 华设设计集团股份有限公司 | 一种基于密度聚类方法的出租车异常订单识别方法 |
CN113963533B (zh) * | 2021-09-15 | 2023-01-31 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113838277B (zh) * | 2021-09-26 | 2022-07-26 | 广州文远知行科技有限公司 | 车辆异常发生时间点确定方法、装置、设备及存储介质 |
CN115913703B (zh) * | 2022-11-14 | 2024-06-18 | 中国电子科技网络信息安全有限公司 | 一种通用工业协议异常报文检测方法、***、设备及介质 |
CN116226527B (zh) * | 2023-03-03 | 2024-06-07 | 中浙信科技咨询有限公司 | 通过居民大数据实现行为预测的数字化社区治理方法 |
CN116611620B (zh) * | 2023-07-18 | 2023-09-19 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息*** |
CN117495494B (zh) * | 2023-11-02 | 2024-05-24 | 广州玩么网络科技有限公司 | 基于数据分析的异常酒店订单识别方法及*** |
CN117635403B (zh) * | 2023-11-08 | 2024-06-21 | 杭州一喂智能科技有限公司 | 异常订单告警方法、装置、电子设备和计算机可读介质 |
CN117575546B (zh) * | 2024-01-17 | 2024-04-05 | 北京白龙马云行科技有限公司 | 一种网约车平台用后台管理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243838A (zh) * | 2015-11-09 | 2016-01-13 | 北京奇虎科技有限公司 | 车辆行驶安全监控方法和装置、*** |
CN106548241A (zh) * | 2016-10-25 | 2017-03-29 | 先锋智道(北京)科技有限公司 | 网约车运行状态的确定方法、装置及*** |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及*** |
CN106971334A (zh) * | 2017-03-28 | 2017-07-21 | 北京小米移动软件有限公司 | 处理行程订单的方法及装置、电子设备 |
CN107358484A (zh) * | 2017-05-27 | 2017-11-17 | 上海与德科技有限公司 | 一种网约车监控方法及*** |
CN107705548A (zh) * | 2017-11-10 | 2018-02-16 | 北京市计量检测科学研究院 | 网约车计程计时检测***及检测方法 |
CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及*** |
CN108496377A (zh) * | 2016-01-26 | 2018-09-04 | 北京嘀嘀无限科技发展有限公司 | 监控在途中的交通工具的***和方法 |
CN108810101A (zh) * | 2018-05-22 | 2018-11-13 | 苏州市启献智能科技有限公司 | 一种保障乘客安全的网络车辆服务监管方法和平台 |
CN109146217A (zh) * | 2017-06-19 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 行程安全评估方法、装置、服务器、计算机可读存储介质 |
CN109214835A (zh) * | 2018-09-26 | 2019-01-15 | 蜜小蜂智慧(北京)科技有限公司 | 一种识别车辆行驶行为的方法及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4412298B2 (ja) * | 2006-03-17 | 2010-02-10 | 株式会社デンソー | 情報提供システム,端末装置およびプログラム |
CN108765244A (zh) * | 2018-06-01 | 2018-11-06 | 深圳市零度智控科技有限公司 | 车辆监控方法、装置和计算机可读存储介质 |
CN110751586A (zh) * | 2019-02-21 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单行程异常识别方法和*** |
-
2019
- 2019-02-21 CN CN201910130363.XA patent/CN110751586A/zh active Pending
-
2020
- 2020-02-19 WO PCT/CN2020/075892 patent/WO2020169053A1/en active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243838A (zh) * | 2015-11-09 | 2016-01-13 | 北京奇虎科技有限公司 | 车辆行驶安全监控方法和装置、*** |
CN108496377A (zh) * | 2016-01-26 | 2018-09-04 | 北京嘀嘀无限科技发展有限公司 | 监控在途中的交通工具的***和方法 |
CN106548241A (zh) * | 2016-10-25 | 2017-03-29 | 先锋智道(北京)科技有限公司 | 网约车运行状态的确定方法、装置及*** |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及*** |
CN106971334A (zh) * | 2017-03-28 | 2017-07-21 | 北京小米移动软件有限公司 | 处理行程订单的方法及装置、电子设备 |
CN107358484A (zh) * | 2017-05-27 | 2017-11-17 | 上海与德科技有限公司 | 一种网约车监控方法及*** |
CN109146217A (zh) * | 2017-06-19 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 行程安全评估方法、装置、服务器、计算机可读存储介质 |
CN107705548A (zh) * | 2017-11-10 | 2018-02-16 | 北京市计量检测科学研究院 | 网约车计程计时检测***及检测方法 |
CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及*** |
CN108810101A (zh) * | 2018-05-22 | 2018-11-13 | 苏州市启献智能科技有限公司 | 一种保障乘客安全的网络车辆服务监管方法和平台 |
CN109214835A (zh) * | 2018-09-26 | 2019-01-15 | 蜜小蜂智慧(北京)科技有限公司 | 一种识别车辆行驶行为的方法及设备 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020169053A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying abnormalities |
CN111598368A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于行程结束后停留异常的风险识别方法、***及装置 |
CN111341153A (zh) * | 2020-03-05 | 2020-06-26 | 南京领行科技股份有限公司 | 行程驾驶的预警方法、装置、服务器和介质 |
CN111341153B (zh) * | 2020-03-05 | 2021-05-07 | 南京领行科技股份有限公司 | 行程驾驶的预警方法、装置、服务器和介质 |
CN111598661A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
CN111598661B (zh) * | 2020-05-14 | 2023-09-22 | 拉扎斯网络科技(上海)有限公司 | 一种异常报备处理方法、装置、平台服务器及存储介质 |
CN111723367B (zh) * | 2020-06-12 | 2023-06-23 | 国家电网有限公司 | 一种电力监控***业务场景处置风险评价方法及*** |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控***业务场景处置风险评价方法及*** |
CN111882907A (zh) * | 2020-06-18 | 2020-11-03 | 北京骑胜科技有限公司 | 交通工具的导航预警方法、装置、设备和存储介质 |
CN111967725A (zh) * | 2020-07-23 | 2020-11-20 | 汉海信息技术(上海)有限公司 | 输出提示信息的方法、终端、服务器、设备及存储介质 |
CN112016625A (zh) * | 2020-08-30 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 车辆异常检测方法、装置、电子设备及存储介质 |
CN112017005A (zh) * | 2020-08-30 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 服务维护方法、装置、服务器及存储介质 |
CN112016625B (zh) * | 2020-08-30 | 2024-06-18 | 北京嘀嘀无限科技发展有限公司 | 车辆异常检测方法、装置、电子设备及存储介质 |
CN112002102A (zh) * | 2020-09-04 | 2020-11-27 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其*** |
CN112002102B (zh) * | 2020-09-04 | 2021-09-14 | 北京伟杰东博信息科技有限公司 | 一种安全监控方法及其*** |
CN112183245A (zh) * | 2020-09-11 | 2021-01-05 | 广州宸祺出行科技有限公司 | 一种监测网约车司机异常行为并告警的方法、装置及电子设备 |
CN112529661A (zh) * | 2020-12-09 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 信息交互方法、装置、电子设备和可读存储介质 |
CN112837119A (zh) * | 2021-01-28 | 2021-05-25 | 天津五八到家货运服务有限公司 | 异常订单识别方法、装置、电子设备及存储介质 |
US20220340162A1 (en) * | 2021-04-27 | 2022-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and System for On-Demand Roadside AI Service |
US11661077B2 (en) * | 2021-04-27 | 2023-05-30 | Toyota Motor Engineering & Manufacturing North America. Inc. | Method and system for on-demand roadside AI service |
CN113269340A (zh) * | 2021-05-12 | 2021-08-17 | 广州宸祺出行科技有限公司 | 一种网约车区域热度值的计算及展示的方法及*** |
CN113269247A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113269247B (zh) * | 2021-05-24 | 2023-09-01 | 平安科技(深圳)有限公司 | 投诉预警模型的训练方法、装置、计算机设备及存储介质 |
CN113536234A (zh) * | 2021-07-14 | 2021-10-22 | 广西柳工机械股份有限公司 | 矿区运输次数检测方法、装置、计算机设备及存储介质 |
CN113807994A (zh) * | 2021-08-23 | 2021-12-17 | 广汽本田汽车有限公司 | 用于汽车代驾服务的控制方法、***、装置和存储介质 |
CN113807726A (zh) * | 2021-09-26 | 2021-12-17 | 拉扎斯网络科技(上海)有限公司 | 状态处理方法、装置、电子设备、存储介质及程序产品 |
CN114360204A (zh) * | 2022-03-21 | 2022-04-15 | 天津市职业大学 | 一种基于区块链的网联汽车信息安全通信*** |
CN114913881A (zh) * | 2022-04-27 | 2022-08-16 | 北京三快在线科技有限公司 | 一种安全预警***、方法、装置、存储介质及电子设备 |
CN115065585A (zh) * | 2022-04-29 | 2022-09-16 | 北京达佳互联信息技术有限公司 | 业务异常监测方法、装置、电子设备及存储介质 |
CN116227777A (zh) * | 2023-05-08 | 2023-06-06 | 浙江飞猪网络技术有限公司 | 行程信息处理方法及电子设备 |
CN116227777B (zh) * | 2023-05-08 | 2023-10-13 | 浙江飞猪网络技术有限公司 | 行程信息处理方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020169053A1 (en) | 2020-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599164B (zh) | 一种行车异常识别方法和*** | |
CN110751586A (zh) | 一种订单行程异常识别方法和*** | |
CN110782111B (zh) | 一种风险评估方法和*** | |
US11708050B2 (en) | Methods of pre-generating insurance claims | |
CN111598368B (zh) | 基于行程结束后停留异常的风险识别方法、***及装置 | |
US10917752B1 (en) | Connected services configurator | |
CN111598371B (zh) | 一种风险防范方法、***、装置及存储介质 | |
US10445758B1 (en) | Providing rewards based on driving behaviors detected by a mobile computing device | |
CN111598641A (zh) | 一种订单风险验证方法和*** | |
US20230252575A1 (en) | System for capturing passenger trip data and a vehicle | |
CN110992119A (zh) | 一种对风险订单进行排序的方法和*** | |
CN111598642A (zh) | 一种风险判定方法、***、装置及存储介质 | |
US11669756B2 (en) | Partitioning sensor based data to generate driving pattern map | |
CN111863029A (zh) | 一种基于音频的事件检测方法和*** | |
CN111598274A (zh) | 基于取消异常的风险识别方法、***、装置及存储介质 | |
CN111598370A (zh) | 一种女性安全风险防范方法和*** | |
US20190265054A1 (en) | Passenger transport route management system and method | |
CN111598372A (zh) | 一种风险防范的方法和*** | |
CN110991782A (zh) | 一种风险订单研判方法和*** | |
CN111598373A (zh) | 一种抢劫风险防范方法和*** | |
CN111598369A (zh) | 一种基于信号丢失异常的风险防范的方法和*** | |
JP2021140768A (ja) | データ処理方法、サーバ及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |