CN110992072A - 异常订单预测方法和*** - Google Patents
异常订单预测方法和*** Download PDFInfo
- Publication number
- CN110992072A CN110992072A CN201811463983.7A CN201811463983A CN110992072A CN 110992072 A CN110992072 A CN 110992072A CN 201811463983 A CN201811463983 A CN 201811463983A CN 110992072 A CN110992072 A CN 110992072A
- Authority
- CN
- China
- Prior art keywords
- order
- detected
- characteristic value
- orders
- historical
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims description 159
- 230000005856 abnormality Effects 0.000 claims description 118
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 239000003999 initiator Substances 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 208000035126 Facies Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011840 criminal investigation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005204 segregation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- -1 merchandise Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种预测异常订单的方法和***。所述订单为服务类订单。所述方法包括:获取待检测订单;获取所述待检测订单的相关特征值;基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单;其中,相关特征值至少反映以下多种信息中的至少一个:服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种预测异常订单的方法及***。
背景技术
近年来,随着互联网技术的快速发展,大量在线服务类软件涌现了出来。 此类服务包括网约车服务、外卖服务、家政服务等。在此类服务快速扩张的同时, 也暴露出越来越多的问题,发生了多起异常事件。在这些异常事件中,服务提供 者或是需求者的财产安全、人身安全受到不同程度威胁。因此,希望可以提供一 种预测异常订单的方法和***,从而能尽早采取措施预防异常事件的发生,保障 相关人员的安全。
发明内容
本申请通过分析待检测订单的相关特征值与历史订单的相关特征值的差 异程度,从而判断待检测订单是否异常。
本申请的一个方面提供一种预测异常订单的方法,所述订单为服务类订 单。所述方法包括:获取待检测订单;获取所述待检测订单的相关特征值;基于 所述待检测订单的相关特征值确定所述待检测订单是否为异常订单;其中,相关 特征值至少反映以下多种信息中的至少一个:服务时间、服务地点、订单发起者 在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。
在一些实施例中,所述基于所述待检测订单的相关特征值确定所述待检 测订单是否为异常订单还包括:基于所述待检测订单的相关特征值确定所述待检 测订单的异常度;基于所述异常度判断所述待检测订单是否为异常订单。
在一些实施例中,所述基于所述待检测订单的相关特征值确定所述待检 测订单的异常度进一步包括:基于所述待检测订单的相关特征值与历史订单的相 关特征值的差异程度确定所述待检测订单的异常度。
在一些实施例中,每个订单的相关特征值构成该订单的相关特征值向量, 所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确 定所述待检测订单的异常度进一步包括:确定所述待检测订单的相关特征值向量 以及历史订单的相关特征值向量中任意两个向量的距离;至少基于待检测订单的 相关特征值向量与各历史订单的相关特征值向量的距离确定所述待检测订单的 异常度。
在一些实施例中,每个订单的相关特征值构成该订单的相关特征值向量, 所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确 定所述待检测订单的异常度进一步包括:确定所述待检测订单的相关特征值向量 以及历史订单的相关特征值向量中任意两个向量的距离;基于任意两个向量的距 离至少确定所述待检测订单的相关特征值向量的密度以及其邻域密度;所述邻域 范围的大小为预先设定;基于所述待检测订单的相关特征值向量的密度以及其邻 域密度的大小关系确定所述待检测订单的异常度。
在一些实施例中,基于所述待检测订单的相关特征值与历史订单的相关 特征值的差异程度确定所述待检测订单的异常度进一步包括:利用局部异常因子 算法计算所述待检测订单的异常度。
在一些实施例中,每个订单的相关特征值构成该订单的相关特征值向量, 所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确 定所述待检测订单的异常度进一步包括:基于历史订单的相关特征值对历史订单 分类;确定每个历史订单类的标识相关特征值,所述标识相关特征值构成该历史 订单类的标识相关特征值向量;所述标识相关特征值为其所在历史订单类中某个 历史订单的相关特征值,或者所述标识相关特征值反映其所在历史订单类中历史 订单的相关特征值的均值;确定待检测订单的相关特征值向量与各个历史订单类 的标识相关特征值向量的距离;基于所述距离确定待检测订单的异常度。
在一些实施例中,所述基于历史订单的相关特征值对历史订单分类包括: 通过聚类算法对历史订单的相关特征值聚类,进而对历史订单进行分类。
在一些实施例中,所述方法还包括定期更新所述历史订单。
在一些实施例中,所述方法还包括基于历史异常订单确定和/或更新相关 特征。
在一些实施例中,所述基于历史异常订单确定相关特征进一步包括:确 定候选特征;确定所述候选特征的异常事件辨识度;将异常事件辨识度大于设定 阈值的候选特征作为所述相关特征。
在一些实施例中,所述基于历史异常订单更新相关特征进一步包括:更 新历史异常订单;基于更新后的历史异常订单确定所述相关特征。
在一些实施例中,所述订单发起者在平台上的操作行为包括一定时间范 围内订单发起者取消订单的频率;所述订单发起者的个人信息包括以下中的至少 一个:是否有固定居住地点、是否有固定工作地点、借贷情况或受教育程度;所 述订单发起者对服务的订制要求包括以下中的至少一个:对服务工具的订制要求 或对服务提供人员的订制要求。
本申请的另一方面提供一种预测异常订单的***,所述订单为服务类订 单。所述***包括:订单获取模块、特征值获取模块、判断模块;所述订单获取 模块用于获取待检测订单;所述特征值获取模块用于获取所述待检测订单的相关 特征值;所述判断模块用于基于所述待检测订单的相关特征值判断所述待检测订 单是否为异常订单;其中,相关特征值至少反映以下多种信息中的至少一个:服 务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或 订单发起者对服务的订制要求。
本申请的另一方面提供一种预测异常订单的装置。该装置包括存储器及 处理器;所述存储器上存储有计算机程序;所述处理器用于执行所述计算机程序 中的至少一部分以实现上述预测异常订单的方法中任意一项所述的操作。
本申请的另一方面提供一种计算机可读存储介质。所述存储介质存储 有计算机程序,所述计算机程序中的至少一部分被处理器执行时实现上述预 测异常订单的方法中任意一项所述的操作。
本申请的另一方面提供一种提示异常订单的方法,所述订单为服务类 订单。所述方法包括:接收服务器信息,显示服务器派送的订单信息以及提 示信息;所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常 度相关的安全警示信息。
本申请的另一方面提供一种提示异常订单的***,所述订单为服务类订 单。所述***包括:接收模块与显示模块;所述接收模块用于接收服务器信息; 所述显示模块用于基于所述服务器信息,显示服务器派送的订单信息以及提示信 息;所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常度相关 的安全警示信息。
本申请的另一方面提供一种提示异常订单的装置。该装置包括存储器及 处理器;所述存储器上存储有计算机程序;所述处理器用于执行所述计算机程序 中的至少一部分以实现上述预测异常订单的方法中所述的操作。
本申请的另一方面提供一种计算机可读存储介质。所述存储介质存储 有计算机程序,所述计算机程序中的至少一部分被处理器执行时实现上述提 示异常订单的方法中所述的操作。
附图说明
图1是根据本申请的一些实施例所示的一种预测异常订单***的应用场 景示意图;
图2为根据本申请的一些实施例所示的一种示例性计算设备200的硬件 和软件组件示意图;
图3是根据本发明的一些实施例所示的一个示例性的移动设备300的示 例性硬件和/或软件的示意图;
图4是根据本申请一些实施例所示的预测异常订单***的模块图;
图5是根据本申请一些实施例所示的预测异常订单的方法示例性流程图;
图6是根据本申请一些实施例所示的基于距离的方法确定待检测订单异 常度的流程图;
图7是根据本申请一些实施例所示的基于密度的方法确定待检测订单异 常度的流程图;
图8是根据本申请一些实施例所示的另一种确定待检测订单异常度的流 程图;
图9是根据本申请一些实施例所示的基于历史异常事件确定用于度量订 单异常度的相关特征的示例性流程图;
图10是根据本发明的一些实施例所示的更新历史异常事件相关特征的 示意图;
图11是根据本发明的一些实施例所示的一种订单提示方法的示例性流 程图;
图12是根据本发明的一些实施例所示的一种订单提示装置的模块图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,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。
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。
虽然本申请对根据本申请的实施例的***中的某些模块或单元做出了各 种引用,然而,任何数量的不同模块或单元可以被使用并运行在客户端和/或服 务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同 模块。
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,前面或下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种步骤。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。
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他类似情景。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”系用于区分不 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他的步骤或元素。
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,前面或下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种步骤。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。
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他类似情景。
图1为根据本申请一些实施例所示的预测异常订单***的应用场景示意 图。该预测异常订单***100可以是用于多种服务的线上服务平台。在一些实施 例中,该预测异常订单***100可以用于预测网约车服务中的异常,例如,预测 出租车订单的异常、预测快车订单的异常、预测专车订单的异常、预测小巴订单 的异常、拼车订单的异常、预测公交服务中的异常、和预测接送服务过程中的异 常等。在一些实施例中,该预测异常***100还可以用于家政服务、快递、外卖 等。例如,预测清洁服务订单的异常或其他家政服务订单的异常、预测上门寄件 订单或上门收件订单的异常、预测外卖订单的异常等。该预测异常订单***100 可以是一个线上服务平台,包含服务器110、网络120、服务请求者终端130、服 务提供者终端140以及数据库150。该服务器110可包含处理设备112。
在一些实施例中,服务器110可以用于处理与服务订单相关的信息和/或 数据。服务器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:服务器110可以是分布***)。在一些实施例中,该服务 器110可以是区域的或者远程的。例如,服务器110可通过网络120访问存储于 服务请求者终端130、服务提供者终端140和/或数据库150中的信息和/或资料。 在一些实施例中,服务器110可直接与服务请求者终端130、服务提供者终端140 和/或数据库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,服 务器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。
在一些实施例中,服务器110可包含处理设备112。该处理设备112可 处理与服务请求有关的数据和/或信息以执行一个或多个本申请中描述的功能。 以网约车服务为例,处理设备112可基于从服务请求者终端130获取的网约车订 单请求,为该网约车订单匹配一个服务车辆,或者处理设备112可基于从服务请 求者终端130获取的网约车订单请求,预测该网约车订单请求的异常。在一些实 施例中,处理设备112可以对异常订单进行特别处理。例如,针对异常订单,处 理设备112可以确定并向服务请求者终端130和/或服务提供者终端140发出提 示信息。又例如,针对异常订单,处理设备112可以向平台工作人员发出警报, 平台工作人员对异常订单进行人工处理(如取消该订单、与服务请求者/提供者 联系、跟踪该订单、报警等);或者,处理设备112可以自动向第三方机构(如 公安部门、服务请求者/提供者的紧急联系人等)报警。再例如,处理设备112可 以自动取消异常订单,不进行派单。在一些实施例中,处理设备112可包含一个 或多个子处理设备(如:单芯处理设备或多核多芯处理设备)。仅仅作为范例, 处理设备112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。
网络120可促进数据和/或信息的交换。在一些实施例中,预测异常订单 ***100中的一个或多个组件(如:服务器110、服务请求者终端130、服务提 供者终端140和数据库150)可通过网络120发送数据和/或信息给预测异常订 单***100中的其他组件。例如,服务器110可通过网络120从服务请求者终端 130获取服务(如网约车、外卖、家政服务)请求信息。又例如,服务器110还 可以确定与该服务请求匹配的服务提供者,通过网络120向相应的服务提供者终 端140发送所述服务请求,进行派单。在一些实施例中,网络120可是任意类型 的有线或无线网络。例如,网络120可包括一缆线网络、有线网络、光纤网络、 电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区 域网络(WLAN)、都会区域网络(MAN)、公共电话交换网络(PSTN)、蓝芽网 络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。在一些实施例中, 网络120可包括一个或多个网络进出点。例如,网络120可包含有线或无线网络 进出点,如基站和/或网际网络交换点120-1、120-2、...,通过这些进出点,预测 异常订单***100的一个或多个组件可连接到网络120上以交换数据和/或信息。
在一些实施例中,服务请求者终端130的使用者可以是服务请求者本人。 在一些实施例中,服务请求者终端130的使用者可以是除服务请求者以外的其他 人。例如,在网约车服务中,服务请求者终端130的使用者可以是乘车人本人, 也可以是乘车人的亲戚、朋友等帮乘车人下单的人。又例如,在外卖服务中,服 务请求者终端130的使用者可以是外卖送达的目标对象,也可以是帮助目标对象 点外卖的人。再例如,在家政服务中,服务请求者终端130的使用者可以是家政 服务的实际需求人,也可以是帮助该需求人购买家政服务的人。
在一些实施例中,服务提供者终端140的使用者可以是服务提供者本人。 在一些实施例中,服务提供者终端140的使用者可以是除服务提供者以外的其他 人。例如,在网约车服务中,服务提供者终端140的使用者可以是司机本人,也 可以是帮助司机接单的人。又例如,在外卖服务中,服务提供者终端140的使用 者可以是外卖派送员本人,也可以是帮助派送员接单的人。再例如,在家政服务 中,服务提供者终端140的使用者可以是家政服务的实际服务人员(如维修员、 清洁员等),也可以是帮助服务人员接单的人。
在一些实施例中,服务请求者终端130可包括移动装置130-1、平板电脑 130-2、膝上型电脑130-3、机动车内建装置130-4等中的一种或其任意组合。在 一些实施例中,移动装置130-1可包括智能家居装置、可穿戴装置、智能行动装 置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中,智能家具 装置可包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智 能摄像机、对讲机等或其任意组合。在一些实施例中,可穿戴装置可包括智能手 环、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,智能行动装置可包括智能电话、个人数位助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例 中,虚拟实境装置和/或增强实境装置可包括虚拟实境头盔、虚拟实境眼镜、虚拟 实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或上述举例的任意组 合。在一些实施例中,服务请求者终端130可包括具有定位功能的装置,以确定 请求者和/或服务请求者终端130的位置。
在一些实施例中,服务提供者终端140可以是与服务请求者终端130类 似或相同的装置。在一些实施例中,服务提供者终端140可以是一带有定位技术 的装置,以确定服务提供者和/或服务提供者终端140的位置。在一些实施例中, 服务请求者终端130和/或服务提供者终端140可与其他定位装置通讯以确定服 务请求者、服务请求者终端130、服务提供者、或服务提供者终端140的位置。 在一些实施例中,服务请求者终端130和/或服务提供者终端140可将定位信息 发送至服务器110。
数据库150可存储资料和/或指令。在一些实施例中,数据库150可存储 从服务请求者终端130和/或服务提供者终端140获取的资料。例如,数据库150 可以存储服务请求者和/或服务提供者的个人信息、历史订单信息、历史异常订 单信息。在一些实施例中,数据库150可存储供服务器110执行或使用的信息和 /或指令,以执行本申请中描述的示例性方法。在一些实施例中,数据库150可 包括大容量存储器、可移动存储器、挥发性读写存储器(例如随机存取存储器 RAM)、只读存储器(ROM)等或其任意组合。在一些实施例中,数据库150可 在云平台上实现。例如,该云平台可包括私有云、公共云、混合云、社区云、社 区云、分散式云、内部云等或以上任意组合。
在一些实施例中,数据库150可与网络120连接以与预测异常订单*** 100的一个或多个部件(如,服务器110、请求者终端130、提供者终端140等) 通讯。预测异常订单***100的一个或多个组件可通过网络120访问存储于数据 库150中的资料或指令。在一些实施例中,数据库150可直接与预测异常订单系 统100中的一个或多个组件(如,服务器110、请求者终端130、提供者终端140 等)连接或通讯。在一些实施例中,数据库150可以是服务器110的一部分。
在一些实施例中,预测异常订单***100中的一个或多个组件(如,服 务器110、服务请求者终端130、服务提供者终端140等)可具有访问数据库150 的权限。例如,服务器110可以通过网络120访问数据库150,读取数据库150 中的数据。服务器110读取的数据可以包括但不限于历史订单数据、历史异常订 单数据等。在一些实施例中,当满足一个或多个条件时,预测异常订单***100 中的一个或多个组件(如,服务器110、请求者终端130、提供者终端140等) 可读取和/或修改与服务请求者、服务提供者和/或公知常识相关的信息。例如, 在预测异常订单服务结束后,服务器110可读取和/或修改一个或多个用户的信 息。具体地,如果预测到异常订单,则服务器110可以将与该异常订单对应的用 户标注为异常用户,或者对该用户进行封号,禁止该用户操作。再例如,当从服 务请求者终端130收到服务请求时,服务提供者终端140可访问与请求者相关的 信息,但提供者终端不能修改请求者的相关信息。
在一些实施例中,预测异常订单***100中一个或多个组件间信息的交 换可通过请求一个服务的方式实现。该服务请求的对象可以是任何产品。在一些 实施例中,该产品可以是有形产品或者无形产品。有形产品可包括食物、药品、 商品、化学产品、电器、衣物、车、房屋、奢侈品等或其任意组合。无形产品可 包括服务产品、金融产品、知识产品、互联网产品等中的一种或其任意组合。例 如,该产品可以是用于电脑或移动手机中的任意软件和/或应用程序。该软件和/ 或应用程序可与社交、购物、运输、娱乐、学习、投资等或其任意组合相关。在 一些实施例中,与运输相关的软件和/或应用程序可包括出行软件和/或应用软件、 交通工具调度软件和/或应用程序、地图软件和/或应用程序。在交通工具调度软 件和/或应用程序中,交通工具可包括马车、人力车(例如:自行车、三轮车等)、 汽车(例如:出租车、公交车、专车等)、列车、地铁、船舶、航空器(例如:飞 机、直升机、航天飞机、火箭、热气球等)等中的一种或以上任意组合。
图2为根据本申请的一些实施例所示的一种示例性计算设备200的硬件 和软件组件示意图。服务器110、服务请求者终端130和/或服务提供者终端140 可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实现并 被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的***的任意部件。例如, 处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实 现。为了方便起见图中仅绘制了一台计算机,但是本申请所描述的与预测异常订 单***100相关的计算功能可以以分布的方式、由一组相似的平台所实施,以分 布处理负载。
计算设备200可以包括与网络连接的通信端口250,用于实现数据通信。 计算设备200可以包括一个中央处理器(CPU)220,可以以一个或多个处理器 的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式 的程序存储器和数据存储器包括,例如,硬盘270,只读存储器(ROM)230或 随机存储器(RAM)240,用于存储由计算机处理和/或传输的各种各样的数据文 件。示例性的计算设备还可以包括存储在只读存储器230、随机存储器240和/或 其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法 和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260, 用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯 接收本披露中的程序和数据。
为理解方便,图2中仅示例性绘制了一个中央处理器。然而,需要注意 的是,本申请披露的计算设备200可以包括一个或多个中央处理器,因此本申请 中描述的由一个中央处理器实现的操作和/或方法也可以共同地或独立地由多个 处理器实现。例如,如果在本申请中,计算设备200的中央处理器执行步骤A和 步骤B,应当理解的是,步骤A和步骤B也可以由计算设备200的两个不同的 处理器共同地或独立地执行(例如,第一处理器执行步骤A,第二处理器执行步 骤B,或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本发明的一些实施例所示的一个示例性的移动设备300的示 例性硬件和/或软件的示意图。服务请求者终端130和/或服务提供者终端140可 以在移动设备300上实现。如图3所示,移动设备300可以包括一个通信平台 310、一个显示器320、一个图形处理单元330、一个中央处理单元340、一个输 入/输出单元350、一个内存360和一个存储器390。移动设备300中还可以包括 一个总线或者一个控制器。在一些实施例中,移动操作***370(例如,iOSTM、 AndroidTM、Windows PhoneTM等)和一个或多个应用程序380可以从存储单元390 加载到内存360中,并由中央处理单元340执行。在一些实施例中,应用程序 380可包括浏览器,或可以接收和显示与处理设备112有关的图像处理或其他信 息的信息。输入/输出单元350可以实现将数据信息与预测异常订单***100的 交互,并将相关交互信息通过网络120提供给预测异常订单***100中的其他部 件,如服务器110。
为了实现本申请中描述的各种模块、单元及其功能,计算机硬件平台可 以用作这里描述的一个或多个元件的硬件平台。一个拥有用户界面元件的计算机 可以用于实现个人计算机(PC)或者其它任何形式的工作站或终端装置。通过合 适的编程,一个计算机也可以充当一台服务器。
图4是根据本申请一些实施例所示的预测异常订单***的模块图。如图 4所示,该预测异常订单***可以包括订单获取模块410、特征值获取模块420、 异常度确定模块430、判断模块440、相关特征确定模块450、相关特征更新模 块460。在一些实施例中,该订单获取模块410、特征值获取模块420、异常度确 定模块430、判断模块440、相关特征确定模块450、相关特征更新模块460可 以包含在图1所示的处理设备112中。
订单获取模块410用于获取待检测订单信息。待检测订单信息包括但不 限于:下单信息、接单信息、下单者(也称服务订单请求者)、接单者(也称服 务订单提供者)等中的一种或以上任意组合。下单信息是指下单者下单时提交的 需求信息,订单获取模块410可以从例如服务请求者终端130获取。接单信息是 接单人接单时提交的服务信息,订单获取模块410可以从例如服务提供者终端 140获取。以网约车订单为例,下单信息可以包括乘客的下单时间、当前位置、 上车地、目的地、出发时间、乘车人数等中的一种或以上任意组合。接单信息可 以包括司机的当前位置、车辆行驶轨迹、预计达到时间等中的一种或以上任意组 合。下单者信息可以包括乘客的个人信息。接单者信息可以包括司机的个人信息。
特征值获取模块420可以用于获取待检测订单的相关特征值。相关特征 是指可以用来识别异常订单的订单特征。在一些实施例中,需要先确定用哪些订 单特征来识别异常订单,将用于识别异常订单的这些订单特征称为相关特征。相 关特征值是指所述相关特征在具体订单中的数值。在一些实施例中,部分特征值 可以由特征值获取模块420直接从订单获取模块410获取到的待检测订单信息 中提取得到;另一部分特征值可以由特征值获取模块420根据待检测订单信息进 行分析计算得到。例如,特征值获取模块420可以直接从待检测订单信息中提取 待检测订单的服务时间、待检测订单的服务地点、订单发起者对服务的订制要求 等。订单发起者对服务的订制要求包括但不限于:对服务工具的订制要求或对服 务提供人员的订制要求。又例如,特征值获取模块420可以获取订单发起者在平 台上的操作行为并进行统计分析。订单发起者在平台上的操作行为包括但不限于 一定时间范围内订单发起者取消订单的操作。在一些实施例中,特征值获取模块 420还可以获取订单发起者和/或服务提供者的个人信息。在一些实施例中,特征 值获取模块420可以从存储设备(例如,数据库150)中读取下单者和/或接单者 的注册账号信息。在一些实施例中,特征值获取模块420还可以接入第三方平台 (如银行、社保机构、信用评估机构等)的数据库,从而获取订单发起者和/或服 务提供者的个人信息。个人信息包括但不限于:是否有固定居住地点、是否有固 定工作地点、借贷情况、受教育程度等。
异常度确定模块430可以用于确定待检测订单的异常度。在一些实施例 中,异常度确定模块430可以基于待检测订单的相关特征值确定待检测订单的异 常度。在一些实施例中,异常度确定模块430可以基于待检测订单的相关特征值 与历史订单的相关特征值的差异程度确定待检测订单的异常度。在一些实施例中, 异常度确定模块430可以确定待检测订单的相关特征值向量以及历史订单的相 关特征值中向量种任意两个向量的距离;至少基于待检测订单的相关特征值向量 与各历史订单的相关特征值向量的距离确定待检测订单的异常度。在一些实施例 中,异常度确定模块430可以确定所述待检测订单的相关特征值向量以及历史订 单的相关特征值向量中任意两个向量的距离;基于任意两个向量的距离至少确定 待检测订单的相关特征值向量的密度以及其邻域密度(邻域范围的大小为预先设 定);基于待检测订单的相关特征值向量的密度以及其邻域密度的大小关系确定待检测订单的异常度。在一些实施例中,异常度确定模块430可以利用局部异常 因子(Local Outlier Factor,LOF)算法计算待检测订单的异常度。在一些实施例 中,异常度确定模块430可以基于历史订单的相关特征值对历史订单分类;确定 每个历史订单类的标识相关特征值,所述标识相关特征值构成该历史订单类的标 识相关特征值向量,所述标识相关特征值为其所在历史订单类中某个历史订单的 相关特征值,或者所述标识相关特征值反映其所在历史订单类中历史订单的相关 特征值的均值;确定待检测订单的相关特征值向量与各个历史订单类的标识相关 特征值向量的距离;基于所述距离确定待检测订单的异常度。在一些实施例中, 异常度确定模块430可以通过聚类算法对历史订单的相关特征值聚类,进而对历 史订单进行分类。在一些实施例中,异常度确定模块430可以定期更新历史订单。
判断模块440可以判断待检测订单是否为异常订单。在一些实施例中, 判断模块440可以基于异常度判断待检测订单是否为异常订单。在一些实施例 中,如果异常度超过预设异常度阈值,则判断模块440判断待检测订单为异常订 单。
相关特征确定模块450可以确定用于识别异常订单的相关特征。在一些 实施例中,相关特征确定模块450可以基于历史异常订单确定相关特征。在一些 实施例中,相关特征确定模块450可以确定候选特征;确定所述候选特征的异常 事件辨识度;将异常事件辨识度大于设定阈值的候选特征作为所述相关特征。例 如,可以先确定至少一个候选特征(如工作人员根据经验人工确定),然后由相 关特征确定模块450根据真实历史订单对各候选特征进行验证,判断候选特征在 正常订单和异常订单间的辨识度是否大于设定阈值。以网约车服务为例,平台人 员可以先根据经验确定可用于识别异常订单的候选特征(如“打车时间”),相关 特征确定模块450用真实的历史打车订单对候选特征进行验证,发现“打车时间” 这一候选特征在正常订单与异常订单间的有显著不同,例如,真实的历史打车订 单反映出,出现异常的订单大部分都在深夜某个时间段(仅仅作为示例,凌晨 2:00~5:00),而正常订单的发单时间一般在凌晨2:00以前,则将“打车时间”, 或者将“是否深夜打车”这一候选特征确定为相关特征。有关相关特征确定的更 多内容请参见图10及其描述。相关特征更新模块460可以更新用于识别异常订 单的相关特征。在一些实施例中,相关特征更新模块460可以更新历史异常订单; 基于更新后的历史异常订单更新所述相关特征。
应当理解,图4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,以上对于预测异常订单***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, 订单获取模块410、特征值获取模块420、异常度确定模块430、判断模块440、 相关特征确定模块450、相关特征更新模块460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,订单获取模块 410和特征值获取模块420可以是两个模块,也可以是一个模块同时具有订单获 取和特征值获取功能。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5所示为根据本申请一些实施例所示的预测异常订单的方法示例性流 程图。如图5所示,该预测异常订单的方法可以包括:
步骤510,获取待检测订单。具体的,步骤510可以由订单获取模块410 执行。
在一些实施例中,订单获取模块410获取到的待检测订单信息包括但不 限于下单信息、接单信息、下单者(又称服务发起者)信息、接单者(又称服务 提供者)信息等中的一种或以上任意组合。以网约车订单为例,下单信息可以包 括乘客的下单时间、当前位置、上车地、目的地、出发时间、乘车人数等中的一 种或以上任意组合。接单信息可以包括司机的当前位置、车辆行驶轨迹、预计达 到时间等中的一种或以上任意组合。下单者信息可以包括乘客的个人信息。接单 者信息可以包括司机的个人信息。
在一些实施例中,该待检测订单可以由服务请求者终端130发起,并通 过网络120发送给服务器110(例如订单获取模块410)。以网约车服务为例,该 待检测订单可以表示乘客已发送网约车服务请求,且获得司机接单,但未出行的 订单;或者,该待检测订单可以是乘客已发送网约车服务请求,但尚无司机接单 或网约车平台尚未派单的订单。在一些实施例中,该待检测订单可以是实时订单。 其中,该实时订单可以是在当前时刻或当前时间段订单获取模块410接收到的订 单。
在一些实施例中,该待检测订单也可以由服务提供者终端140(例如司 机终端)发起,并通过网络120发送给服务器110(例如订单获取模块410)。待 检测订单含有订单信息,订单信息包括但不限于用车时间、出发地、目的地、乘 车人数、请求人位置等。在一些实施例中,订单获取模块410可以从存储设备(例 如数据库150)获取待检测订单。
步骤520,获取待检测订单的相关特征值。具体的,步骤520可以由特 征值获取模块420执行。
在一些实施例中,部分特征值可以由特征值获取模块420直接从步骤520 中获取到的待检测订单信息中提取得到;另一部分特征值可以由特征值获取模块 420根据待检测订单信息进行分析计算得到。例如,特征值获取模块420可以直 接从待检测订单信息中提取待检测订单的服务时间、待检测订单的服务地点、订 单发起者对服务的订制要求等。订单发起者对服务的订制要求包括但不限于:对 服务工具的订制要求或对服务提供人员的订制要求。又例如,特征值获取模块 420可以获取订单发起者在平台上的操作行为并进行统计分析。其中,订单发起 者在平台上的操作行为包括但不限于一定时间范围内订单发起者取消订单的操 作。在一些实施例中,特征值获取模块420还可以获取订单发起者和/或服务提 供者的个人信息。个人信息包括但不限于:是否有固定居住地点、是否有固定工 作地点、借贷情况或受教育程度。在一些实施例中,个人信息还可以包括订单发 起者和/或服务提供者的面相类型,如可以利用机器学习对订单发起者和/或服务 提供者的面部图像进行处理与识别,判断订单发起者和/或服务提供者的面相类 型。仅仅作为示例,所述面相类型可以是善良、敦厚、狡猾、凶煞等。
在一些实施例中,相关特征值可以根据服务时间确定。以网约车服务为 例,服务时间可以是下单时间,包括但不限于乘客的实际叫车时间、服务器110 收到乘客叫车请求的时间等。服务时间还可以是上车时间,包括但不限于当前时 间、预计司机接驾时间、乘客预约的上车时间等。在一些实施例中,服务时间可 以包括日期和/或时刻。在一些实施例中,服务时间可以是连续数值,例如0:00— 23:59中的任意时刻。在一些实施例中,服务时间可以是离散数值。例如,服务 时间可以由二值表示,分别表示“夜间打车”和“非夜间打车”,如订单的服务 时间在2:00-05:00用1表示,代表“夜间打车”,订单的服务时间在2:00—05:00 以外的时间用0表示,代表“非夜间打车”。
在一些实施例中,相关特征值可以根据服务地点确定。在一些实施例中, 相关特征值可以根据服务地点的偏僻程度确定。以网约车服务为例,服务地点包 括但不限于上车地、目的地、途径地等。在一些实施例中,可以在地理空间中划 分出若干区域,根据历史网约车订单的位置和/或轨迹信息确定各区域的订单密 度,订单密度越低,则该区域越偏僻。在一些实施例中,偏僻程度可以表现为连 续数值。在一些实施例中,偏僻程度可以表现为离散数值,例如可以将各区域按 照订单密度由大到小的顺序排列,将各区域的排序号确定为该区域的偏僻程度。 又例如,可以设定至少一个订单密度阈值,每个订单密度阈值对应一个偏僻等级, 将订单密度满足相应阈值的区域确定为相应偏僻等级。
在一些实施例中,相关特征值可以根据订单发起者在平台上的操作行为 确定。所述操作行为包括但不限于订单发起者取消订单的操作、订单发起者修改 订单的操作。具体地,可以将订单发起者在一段时间内取消和/或修改订单的频 率确定为相关特征值。以网约车为例,相关特征值可以为乘客在一段时间内(如 5分钟、10分钟等)取消订单的频率。
在一些实施例中,相关特征值可以根据订单发起者和/或服务提供者的个 人信息确定。在一些实施例中,特征值获取模块420可以从存储设备(例如,数 据库150)中读取订单发起者和/或服务提供者的注册账号信息,从而获取相应的 个人信息。在一些实施例中,特征值获取模块420还可以接入第三方平台(如银 行、社保机构、信用评估机构等)的数据库,从而获取相应的个人信息。
在一些实施例中,个人信息可以包括是否有固定居住地点、是否有固定 工作地点等。在一些实施例中,是否有固定居住地点或是否有固定工作地点可以 根据用户常去地点的置信度确定。以网约车服务为例,可以通过已有的算法分析 一名乘客(即订单发起者)一段时间内每个历史订单的起始点的经纬度和经纬度 对应的兴趣点(Point of Interest,POI),识别出兴趣点的类型(住宅或商业区), 预测该乘客的住址和/或公司地址,并确定所预测的住址和/或公司地址的置信度。 例如,可以将历史订单中出现次数最多的住宅类兴趣点确定为该乘客的住址,将 出现次数最多的商业区类兴趣点确定为该乘客的公司地址。在一些实施例中,可 以根据如下公式计算所预测的住址和/或公司地址的置信度:
其中α为所预测的住址和/或公司地址(即历史订单中出现次数最多的住址和/或 公司地址)的置信度,Nmax为所预测的住址和/或公司地址的出现次数,Ntotal为 历史订单的总数。在一些实施例中,如果置信度超过预设阈值,则确定该用户有 固定居住地点和/或固定工作地点。
在一些实施例中,个人信息可以包括借贷情况。借贷情况包括但不限于 借贷次数、借款数额、借款期限、还款情况。在一些实施例中,特征值获取模块 420可以从第三方数据库中获取该订单发起者的借贷情况。第三方数据库包括但 不限于银行数据库、社保机构数据库、信用评估机构数据库、p2p网络借贷平台 数据库。
在一些实施例中,个人信息可以包括受教育程度。在一些实施例中,受 教育程度可以用离散数值表示。例如小学文化表示为0,初中文化表示为1,高 中文化表示为2,本科及以上表示为3。在一些实施例中,受教育程度可以用二 值表示,如受教育程度的学历为本科以上,则受教育程度用1表示,本科以下, 则受教育程度用0表示。
在一些实施例中,相关特征值可以根据订单发起者对服务的订制要求确 定。在一些实施例中,订单发起者对服务的订制要求可以包括对服务工具的订制 要求和/或对服务提供者的订制要求。在一些实施例中,订单发起者对服务的订 制要求可以用连续数值表示。在一些实施例中,订单发起者对服务的订制要求可 以用离散数值表示。以网约车服务为例,乘客在提交用车请求时可以提出个性化 需求,包括但不限于对司机的要求、对车辆的要求。其中,对司机的要求又可以 包括对司机性别的要求、司机面相的要求等。例如,乘客可以要求女性司机或面 相敦厚老实的司机,还可以要求高档车辆等。对司机的要求可以表示为离散数值, 如男司机表示为0,女司机表示为1;又例如面相敦厚的司机表示为1,面相凶 煞的司机表示为0(面相类型的确定可以参见图5相关说明中步骤520中的示 例,在此不再赘述)。对车辆的要求可以表示为连续数值,如表示为车辆的价格。
步骤530,基于待检测订单的相关特征值确定待检测订单的异常度。具 体的,步骤530可以由异常度确定模块执行430执行。
在一些实施例中,异常度确定模块430可以基于待检测订单的相关特征 值与历史订单的相关特征值的差异程度确定待检测订单的异常度。在一些实施例 中,异常度确定模块430可以确定待检测订单的相关特征值以及历史订单的相关 特征值中任意两组相关特征值的距离,基于待检测订单的相关特征值与各历史订 单的相关特征值的距离确定待检测订单的异常度。在一些实施例中,异常度确定 模块430可以确定所述待检测订单的相关特征值以及历史订单的相关特征值中 任意两组相关特征值的距离,基于任意两组相关特征值的距离至少确定待检测订 单的相关特征值的密度以及其邻域密度(邻域范围的大小为预先设定),基于待 检测订单的相关特征值的密度以及其邻域密度的大小关系确定待检测订单的异 常度。在一些实施例中,异常度确定模块430可以利用一种或多种异常检测算法 确定待检测订单的异常度。所述异常检测算法包括但不限于局部异常因子(LocalOutlier Factor,LOF)算法、具有噪声的基于密度(Density-based Spatial Clusteringof Applications with Noise,DBSCAN)算法、通过点排序识别聚类结构的密度聚 类(Ordering points to identify the clustering structure,OPTICS)算法、孤立森林(Isolation Forest)算法、单类支持向量机(One-Class Support Vector Machine) 算法。有关利用异常检测算法确定待检测订单异常度的更多内容请参见图7及其 描述。
在一些实施例中,异常度确定模块430可以基于历史订单的相关特征值 对历史订单分类,基于每个历史订单类确定一组标识相关特征值,所述标识相关 特征值为其所在历史订单类中某个历史订单的相关特征值,或者所述标识相关特 征值反映其所在历史订单类中历史订单的相关特征值的均值,确定待检测订单的 相关特征值与各个历史订单类的标识相关特征值的距离,基于所述距离确定待检 测订单的异常度。在一些实施例中,异常度确定模块430可以通过聚类算法对历 史订单的相关特征值聚类,进而对历史订单进行分类。有关的更多内容请参见图 8及其描述。
步骤540,基于异常度判断待检测订单是否为异常订单。具体的,步骤 540可以由判断模块440执行。
在一些实施例中,所述异常度是一个连续的数值,判断模块440可基于 异常度是否大于预设的阈值来判断待检测订单是否为异常订单。当异常度小于或 等于预设的阈值,则可判定该待检测订单为正常订单;当异常度大于预设的阈值, 则可判断该待检测订单为异常订单。在又一些实施例中,所述异常度是一个代表 分类结果的离散值,仅仅作为示例,异常度0表示正常订单,异常度1表示异常 订单,判断模块440可以直接对异常度进行辨识,判断待检测订单是否为异常。 在一些实施例中,当该待检测订单被判定为正常订单或异常订单时,服务器110 可对该待检测订单进行相应标记,并通过网络120发送至数据库150进行存储。 在一些实施例中,判断模块440可以根据不同的预设阈值判断异常订单异常的程度。例如,当待检测订单的异常度大于第一阈值时,则可判定该待检测订单为严 重异常的订单,此时,服务器110可以向平台工作人员发出警报,由工作人员对 异常订单进行人工处理(如取消该订单、与服务请求者/提供者联系、跟踪该订 单、报警等);或者,服务器110可以自动向第三方机构(如公安部门、服务请 求者/提供者的紧急联系人等)报警;或者,服务器110可以自动取消异常订单, 不进行派单。又例如,当待检测订单的异常度小于第一阈值,大于第二阈值时, 则可判定该待检测订单为较异常的订单。此时,服务器110可向服务提供者终端 140发送安全提醒。
图6为根据本申请一些实施例所示的基于距离的方法确定待检测订单异 常度的流程图。如图6所示,该基于距离确定待检测订单异常度的方法可以包 括:
步骤610,确定待检测订单的相关特征值向量以及历史订单的相关特征 值向量中任意两个向量的距离。具体的,步骤610可由异常度确定模块430执 行。
在一些实施例中,每个订单都具有m个相关特征值,所述m个相关特征 值构成该订单的相关特征值向量,其中m为大于等于1的整数。每个订单的m 个相关特征值在m维空间中可表示为一个点,任意两个订单的相关特征值向量 间的距离可表示为m维空间中两个订单相应的点之间的距离。在一些实施例中, 由于每个相关特征值向量中的各个分特征值表达的意义不同,可以对各订单的相 关特征值向量进行标准化操作。下面以一具体实例说明标准化操作。
待检测订单的相关特征值和历史订单的相关特征值可组成相关特征值向 量集合,该相关特征值向量集合可以表示为:
X={Xi=<xi1,xi2,...,xim>,i=1,2,...,n} (2)
其中,Xi为第i个订单对应的相关特征值向量,n为待检测订单与历史订单的总 个数,m为一个相关特征值向量包括的分特征值个数(即维数)。
计算各相关特征值向量中的某种分特征值的平均值:
该种分特征值在相关特征值向量集合中的标准差可以按照式(4)计算:
其中Sj为相关特征值向重集合中第j种分特征值的标准差。
对各相关特征值向量中的每个分特征值进行标准化:
标准化后的各订单的相关特征值向量为:
在一些实施例中,任意两个订单的相关特征值向量间的距离可以包括但 不限于欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余 弦距离、汉明距离、杰卡德距离、相关距离等。
在一些实施例中,在计算两个订单的相关特征值向量的距离时各种分特 征值的贡献也不同,可以给各种分特征值赋予不同的权重。例如,第p个订单的 相关特征值向量与第a个订单的相关特征值向量的距离为:
其中,dp,q为第p个订平的相关特征值向量与第q个订平的相关特征值向量的距 离,wj为第j种分特征值的权重。
在一些实施例中,可以确定每个订单的相关特征值向量与其距离前k近 的其他订单的相关特征值向量的距离,k为大于等于1的整数。例如,对于每个 订单的相关特征值向量Xi,确定与Xi距离前k近的其他订单的相关特征值向量, 并确定Xi与所述距离前k近的相关特征值中每一个向量的距离。在一些实施例中, 可以确定待检测订单的相关特征值向量与距其前k近的历史订单的相关特征值 向量的距离,并确定所述距其前k近的各历史订单的相关特征值向量与距离该历 史订单的相关特征值向量前k近的其他订单的相关特征值向量的距离。
在一些实施例中,可以确定任意两个订单的相关特征值向量的可达距离。 下面以具体实施例说明可达距离的确定。
对于某一订单p的相关特征值向量Xp,确定Xp的第k距离Dk(Xp)。第k 距离是指距离Xp第k远的相关特征值向量(不包括Xp本身)与Xp的距离。对于 Xp的第k距离内的任意相关特征值向量Xq,Xp与Xq间的真实距离为D(Xp,Xq), 将Dk(Xp)、D(Xp,Xq)中较大的一者确定为Xp到Xq的第k可达距离,即
RDk(Xp,Xq)=max{Dk(Xp),D(Xp,Xq)} (8)
其中RDk(Xp,Xq)为Xp到Xq的第k可达距离。
步骤620,至少基于待检测订单的相关特征值向量与各历史订单的相关 特征值向量的距离确定待检测订单的异常度。具体的,步骤620可由异常度确定 模块430执行。
在一些实施例中,对于待检测订单的相关特征值向量Xo,可以确定距离 Xo前k近的其他订单的相关特征值向量,所述其他订单的相关特征值向量构成 Xo的第k邻域Nk(Xo),Xo与Nk(Xo)中相关特征值向量的距离的平均值对于Nk(Xo)内各订单的相关特征值向量Xq,可以确定Xq与其距离前k近的相关 特征值向量的距离的平均值在一些实施例中,可以根据和确定待测订单的异常度。例如,如果对于Nk(Xo)内的每一个Xq,均大于 且超过预设程度,则可确定待测订单异常。在一些实施例中,可以根据 比大的程度确定异常度。
在一些实施例中,可以给定一预设半径ε和点数阈值MinPts,根据步骤 610中确定的任意两个订单的相关特征值向量的距离,确定以待检测订单的相关 特征值向量Xo为圆心、ε为半径的范围内包含的其他订单的相关特征值向量的组 数Nε(Xo),如果Nε(Xo)<MinPts,则将待检测订单确定为异常订单。可以理解, 该范围内的其他订单的相关特征值向量的个数越少,表明与Xo相同或相近的其他 订单的相关特征值向量越少,Xo越可能异常。在一些实施例中,可以根据Nε(Xo) 比MinPts小的程度确定待检测订单的异常度。
图7为根据本申请一些实施例所示的基于密度的方法确定待检测订单异 常度的流程图。如图7所示,该基于密度的方法确定待检测订单异常度的方法, 可以包括:
步骤710,确定待检测订单的相关特征值向量以及历史订单的相关特征 值向量中任意两个向量的距离。在一些实施例中,可以对各订单的相关特征值向 量进行标准化操作。在一些实施例中,可以给各分特征值赋予不同的权重。在一 些实施例中,可以确定每个订单的相关特征值向量与距离其前k近的其他订单的 相关特征值向量的距离,k为大于等于1的整数。在一些实施例中,可以确定待 检测订单的相关特征值向量与距离其前k近的历史订单相关特征值向量的距离, 并确定所述距离前k近的各历史订单相关特征值向量与距离该历史订单相关特 征值向量前k近的其他订单相关特征值向量的距离。在一些实施例中,可以确定 任意两个订单的相关特征值向量的可达距离。步骤710与步骤610相似,此处不 再赘述。
步骤720,基于任意两个订单的相关特征值向量的距离确定待检测订单 的相关特征值向量的密度以及其邻域密度。在一些实施例中,一个订单的相关特 征值向量的密度可以是该订单相关特征值向量一定范围内的其他订单相关特征 值向量的个数。在一些实施例中,该订单相关特征值向量的密度可以是该订单相 关特征值向量到其邻域内其他订单相关特征值向量的距离的平均值的倒数。在一 些实施例中,可以采用LOF算法计算待检测订单的相关特征值向量的局部可达 密度。有关采用LOF算法计算密度的具体内容可参考下述示例。
步骤730,基于待检测订单的相关特征值向量的密度以及其邻域密度的 大小关系确定待检测订单的异常度。在一些实施例中,待检测订单的相关特征值 向量的密度越小,或者与其邻域内历史订单的相关特征值向量的密度差距越大, 待检测订单越异常。在一些实施例中,可以采用LOF算法计算待检测订单的异 常度。下面以LOF算法为例说明订单异常度的确定。
第一步,确定待检测订单的相关特征值向量Xo的第k距离Dk(Xo),第k 距离是指距离Xo第k远的历史订单的相关特征值向量与Xo的距离。Xo的第k距 离Dk(Xo)内的所有历史订单的相关特征值向量构成Xo的第k距离邻域Nk(Xo)。
第二步,对于Nk(Xo)内的任意相关特征值向量Xq,确定Xo到Xq的第k可 达距离:
RDk(Xo,Xq)=max{Dk(Xo),D(Xo,Xq)} (9)
第三步,确定Xo的局部可达密度为Nk(Xo)内的相关特征值向量到Xo的可 达距离的平均值的倒数,即:
第四步,确定Xo的局部离群因子为Xo的第k距离邻域Nk(Xo)内各相关特 征值向量的局部可达密度与Xo的局部可达密度之比的平均值,即:
在一些实施例中,可以根据LOFk(Xo)的数值确定待检测订单的异常度。 LOFk(Xo)的数值可以反映待检测订单的异常度。可以理解,LOFk(Xo)越接近1, 说明Xo与其邻域内历史订单的相关特征值向量的密度越接近,Xo越可能是正常 点;LOFk(Xo)越小于1,说明Xo的密度越高于其邻域内的历史订单的相关特征值 向量,Xo越可能是正常点;LOFk(Xo)越大于1,说明Xo的密度越小于其邻域内历 史订单的相关特征值向量的密度,Xo越可能是异常点。
图8为根据本申请一些实施例所示的另一种确定待检测订单异常度的流 程图。如图8所示,确定该待检测订单异常度的方法,可以包括:
步骤810,基于历史订单的相关特征值对历史订单分类。具体的,步骤 810可以由异常度确定模块420执行;
在一些实施例中,历史订单可以是某一时间段内(如三日、五日、一周、 一个月、三个月等)的一个或多个订单。在一些实施例中,可以是每隔一段时间 重新获得某一段时间内的订单作为历史订单。在一些实施例中,历史订单的相关 特征值可以通过参考步骤520获得。在一些实施例中,基于历史订单的相关特征 值可采用聚类算法对历史订单分类,得到多个历史订单类。在一些实施例中,聚 类算法可以包括最近邻算法、BIRCH算法、k-means算法、k-medoids算法、OPTICS 算法等。
步骤820,基于每个历史订单类确定一组标识相关特征值。步骤820可 以由异常度确定模块420执行。
可以理解为,每个历史订单类中的历史订单之间具有一定相似度。进一 步的,每个历史订单类中的历史订单之间的相关特征值具有一定相似度。在一些 实施例中,可以将某个历史订单类中的某个历史订单的相关特征值确定为该类的 标识相关特征值。在一些实施例中,可以计算某个历史订单类中的所有历史订单 中某种相关特征值的均值,将每种相关特征值的均值作为该类的该种相关特征值 的标识相关特征值。
步骤830,确定待检测订单的相关特征值向量与各个历史订单类的标识 相关特征值向量的距离。具体的,步骤830可以由异常度确定模块420执行。
如上文所述,待检测订单的相关特征值构成待检测订单的相关特征值向 量。类似地,各历史订单类的标识相关特征值构成该历史订单类的标识相关特征 值向量。在一些实施例中,可以对待检测订单的相关特征值向量和/或各历史订 单类的标识相关特征值向量进行标准化操作。在一些实施例中,可以在计算距离 时给各分特征值赋予不同的权重。一些实施例中,距离的度量方法可以是欧式距 离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离、余弦距离、汉明 距离、杰卡德距离、相关距离等。
步骤840,基于距离确定待检测订单的异常度。具体的,步骤840可以 由异常度确定模块420执行。
可以理解,如果待检测订单的相关特征值向量与至少一个历史订单类的 标识相关特征值向量距离较近或重合,则待检测订单可能属于该历史订单类。如 果待检测订单的相关特征值向量与所有历史订单类的标识相关特征值向量均相 距较远,则待检测订单可能不属于任何一个历史订单类,待检测订单很可能存在 异常。在一些实施例中,可以确定与待检测订单的相关特征值向量距离最近的历 史订单类的标识相关特征向量,根据该历史订单类的标识相关特征向量与待检测 订单的相关特征值向量的距离确定待检测订单的异常度,距离越大,待检测订单 的异常度越大。
图9所示为根据本申请一些实施例所示的基于历史异常事件确定用于度 量订单异常度的相关特征的示例性流程图。如图9所示,该基于历史异常事件确 定相关特征的方法可以包括:
步骤910,确定候选特征。在一些实施例中,可以由人工根据先验知识确 定候选特征。候选特征包括但不限于服务时间、服务地点、一定时间范围内订单 发起者取消订单额频率、借贷情况、受教育程度、是否有固定居住地点或固定工 作地点等。例如,在网约车服务中,可以由工作人员根据经验确定候选特征,如 打车时间、地点等。
步骤920,获取历史订单信息,所述历史订单信息包括异常订单信息和 正常订单信息。异常订单是指发生了异常事件的订单。在一些实施例中,异常事 件可以指在线上平台服务中,发生危害人的财产安全、人身安全或精神攻击等恶 性事件,例如网约车服务平台的乘客受到司机财产安全的威胁或司机受到乘客的 财产安全威胁,又例如,外卖服务平台的外卖员受到人身安全的威胁,又例如, 快递服务平台的快递员受到攻击等。在一些实施例中,历史异常事件可以指在过 去一段时间内(如一年、一个月或一周)发生的异常事件。在一些实施例中,获 取历史异常事件可以是通过用户举报、媒体报道或其他方式获得,如电视报道、 报纸记载、杂志记载、手机新闻记载、刑侦档案记载、论文记载等。在一些实施例中,可以根据异常事件信息,将相应的历史订单标记为异常订单,其余订单标 记为正常订单。
步骤930,根据所述历史订单信息确定候选特征的异常事件辨识度。
异常事件辨识度可以反映某一特征在正常订单与异常订单中的差异程度。 在一些实施例中,可以通过计算各个候选特征的信息价值(IV,Information Value) 进而确定各个特征的异常事件辨识度大小。在一些实施例中,计算性别、家庭住 址所在区域、籍贯、服务地点、一定时间范围内订单发起者取消订单的频率等特 征的信息价值,发现一定时间范围内订单发起者取消订单的频率及服务地点的信 息价值较高,其余特征的信息价值较低。在一些实施例中,还可以根据异常订单 和正常订单计算候选特征的Pearson相关系数、Gini指数、最大信息系数、距离 相关系数、基于学习模型的特征排序等来确定该候选特征的异常事件辨识度。
步骤940,将异常事件辨识度大于设定阈值的候选特征作为相关特征。
在一些实施例中,可将异常事件辨识度大于设定阈值的候选特征确定为 所述相关特征。例如,服务时间的异常事件辨识度大于设定阈值,则将服务时间 作为相关特征。又例如,服务地点、一定时间范围内订单发起者取消订单额频率、 借贷情况、受教育程度、是否有固定居住地点或固定工作地点等特征的异常事件 辨识度均大于设定阈值,则上述特征均可作为相关特征。所述相关特征在具体订 单中的数值为相关特征值。以网约车服务为例,服务时间可以是下单时间,包括 但不限于乘客的实际叫车时间、服务器110收到乘客叫车请求的时间等。服务时 间还可以是上车时间,包括但不限于当前时间、预计司机接驾时间、乘客预约的 上车时间等;服务地点可以是上车地、目的地、途径地等。在一些实施例中,可 以从乘客的用车请求中获取服务时间、服务地点等信息。在一些实施例中,服务 器110可以根据用户的用车请求中的信息确定所述服务时间、服务地点等信息。 一定时间范围内订单发起者取消订单的频率可以是乘客取消订单的频率。借贷情 况、受教育程度可以包括在乘客和/或司机的个人信息中。在一些实施例中,可以 从存储设备(例如,数据库150)中读取乘客和/或司机的注册账号信息,从而获 取乘客和/或司机的个人信息。在一些实施例中,还可以接入第三方平台(如银 行、社保机构、信用评估机构等)的数据库,从而获取乘客和/或司机的个人信息。
图10为根据本发明的一些实施例所示的更新历史异常事件相关特征的 示意图。随着事件的推移,会出现一些新的异常事件,伴随新的历史异常事件可 能也会出现的新的特征具有更好的异常事件辨识度,在一些实施例中,可以基于 新发生的历史异常事件,更新相关特征。如图10所示,基于更新相关特征的方 法可以包括:
步骤1001,获取新发生的异常事件。具体的,步骤1001可以由相关特 征更新模块460执行。
在一些实施例中,新的异常事件可以是近期,例如近三个月、近一个月 或近一周内新发生的异常事件。新的异常事件的获取可以是通过用户举报、媒体 报道或其他方式获得,如电视报道、报纸记载、杂志记载、手机新闻记载、刑侦 档案记载、论文记载等中的一种或其任意组合。例如,新的异常事件可以指在过 去一星期内,基于线上服务平台(如网约车、外卖、快递、或线上清洁服务)统 计的异常事件,如5件新发生的异常事件。
步骤1002,基于新历史异常事件确定新的特征。具体的,步骤1002可 以由相关特征更新模块460执行。
在一些实施例中,基于新的异常事件可以确定新的后续特征。例如基于 新的异常事件,发现用户的面部特征、服务工具的订制要求、服务提供人员的订 制要求可能也具有一定的异常事件辨识度。
步骤1003,确定所述新的后续特征的异常事件辨识度。具体的,步骤1003 可以由相关特征更新模块460执行。
在一些实施例中,可以根据新的异常事件和正常事件计算新的候选特征 的信息价值(如通过计算信息增益得到)、Pearson相关系数、Gini指数、最大信 息系数、距离相关系数、基于学习模型的特征排序等来确定该新的候选特征的异 常事件辨识度。确定所述新的特征的异常事件辨识度的方法详见步骤920。
步骤1004,基于异常事件辨识度确定是否更新相关特征。
在一些实施例中,可以判断新的特征的异常事件辨识度是否大于设定阈 值,如果大于设定阈值,则将该新的特征作为新的相关特征,并将该新的相关特 征并入相关特征更新相关特征。当新的特征的异常事件辨识度不大于设定阈值, 则不更新相关特征。例如,经过计算得到用户的面部特征、对服务工具的订制要 求、对服务提供人员的订制要求的异常事件辨识度大于设定阈值,因此将其加入 到已有的相关特征中。以网约车服务为例,用户的面部特征可以是乘客和/或司 机的面部特征。在一些实施例中,可以通过训练好的模型提取用户的面部特征。 对服务工具的订制要求可以是乘客对车辆的要求,例如,乘客要求高档车辆。对 服务提供人员的订制要求可以是乘客对司机的要求,例如,乘客可以要求司机为 女性。在一些实施例中,可以从乘客的用车请求中提取所述对服务工具的订制要 求和/或对服务提供人员的订制要求。
图11为根据本发明的一些实施例所示的一种订单提示方法的示例性流 程图。如图11所示,该提示异常订单的方法,可以包括:
步骤1101,接收服务器发送的信息。具体的,步骤1101可由用户终端(如服务请求者终端130、服务提供者终端140)上的接收模块1201执行。
在一些实施例中,服务器发送的信息包括异常订单提示信息。在一些实 施例中,服务器110可以获取待检测订单信息,并分析所述待检测订是否为异常 订单。有关确定异常订单的详细内容可参见图5至8及其描述,此处不再赘述。 在一些实施例中,如果服务器110确定待检测订单为异常订单,则可生成异常提 示信息。在一些实施例中,服务器110可以根据不同的异常程度确定不同的异常 提示信息。以网约车服务为例,服务器110在收到乘客的用车请求并进行派单后, 确定该订单为异常订单,如果异常程度较轻,则异常提示信息可以是提醒司机注 意安全防范,留意乘客的异常行为,如果异常程度较严重,则异常提示信息可以 提醒司机紧急求助方式等。
步骤1102,显示服务器发送的信息。具体的,步骤1102可由用户终端 (如服务请求者终端130、服务提供者终端140)上的显示模块1202执行。在一 些实施例中,服务器发送的信息包括异常订单提示信息。在一些实施例中,显示 模块1202显示异常订单提示信息的形式可以包括语音、文字、图像等一种或以 上任意组合。
图12为根据本发明的一些实施例所示的一种订单提示装置的模块图。如 图11所示,该提示异常订单的***,可以包括:接收模块1201、显示模块1202。 在一些实施例中,该接收模块1201、显示模块1202可以包含在图1所示的处理 设备112中。
接收模块1201用于接收服务器发送的信息。在一些实施例中,服务器发 送的信息包括异常订单提示信息。在一些实施例中,如果服务器110确定待检测 订单为异常订单,则可生成异常提示信息。在一些实施例中,服务器110可以根 据不同的异常程度确定不同的异常提示信息。在一些实施例中,接收模块1201 可通过网络120接收服务器110的信息。
显示模块1202用于显示接收到的服务器发送的信息。在一些实施例中, 服务器发送的信息包括异常订单提示信息。在一些实施例中,显示模块1202显 示异常订单提示信息的形式可以包括语音、文字、图像等一种或以上任意组合。
需要注意的是,以上描述,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,可以在不背离这一原理的情况下,对实施上述方法和***的应用领域进行形 式和细节上的各种修正和改变。
本申请实施例可能带来的有益效果包括但不限于:(1)能够及时预测异 常事件异常度;(2)能够提高用户的安全性,提高用户使用线上平台的服务性; (3)可以帮助用户及时发出请求帮助,降低异常事件的严重性;(4)提高线上 平台服务的质量,从而提高的用户使用率。
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。
需要注意的是,以上描述,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,可以在不背离这一原理的情况下,对实施上述方法和***的应用领域进行形 式和细节上的各种修正和改变。
以上内容描述了本申请和/或一些其他的示例。根据上述内容,本申请还 可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现,并且 本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、 修饰以及改变都属于本申请的范围。
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。
本领域技术人员能够理解,本申请所披露的内容可以出现多种变型和改 进。例如,以上所描述的不同***组件都是通过硬件设备所实现的,但是也可能 只通过软件的解决方案得以实现。例如:在现有的服务器上安装***。此外,这 里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件 的组合或硬件/固件/软件的组合得以实现。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其 他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例 如:从道路信息***的一个管理服务器或主机计算机加载至一个计算机环境的硬 件平台,或其他实现***的计算机环境,或与提供订单拼成率预测所需要的信息 相关的类似功能的***。因此,另一种能够传递软件元素的介质也可以被用作局 部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气 实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被 认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示 计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的 介质。
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、 Fortran2003、Perl、COBOL2002、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,例如,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、物件等,特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,本申请的实施例不限于 本申请明确介绍和描述的实施例。
Claims (32)
1.一种预测异常订单的方法,所述订单为服务类订单,其特征在于,包括:
获取待检测订单;
获取所述待检测订单的相关特征值;
基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单;其中,
相关特征值至少反映以下多种信息中的至少一个:服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。
2.根据权利要求1所述的一种预测异常订单的方法,其特征在于,所述基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单还包括:
基于所述待检测订单的相关特征值确定所述待检测订单的异常度;
基于所述异常度判断所述待检测订单是否为异常订单。
3.根据权利要求2所述的一种预测异常订单的方法,其特征在于,所述基于所述待检测订单的相关特征值确定所述待检测订单的异常度进一步包括:基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度。
4.根据权利要求3所述的一种预测异常订单的方法,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括:
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离;
至少基于待检测订单的相关特征值向量与各历史订单的相关特征值向量的距离确定所述待检测订单的异常度。
5.根据权利要求3所述的一种预测异常订单的方法,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括:
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离;
基于任意两个向量的距离至少确定所述待检测订单的相关特征值向量的密度以及其邻域密度;所述邻域范围的大小为预先设定;
基于所述待检测订单的相关特征值向量的密度以及其邻域密度的大小关系确定所述待检测订单的异常度。
6.根据权利要求3所述的一种预测异常订单的方法,其特征在于,基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括:
利用局部异常因子算法计算所述待检测订单的异常度。
7.根据权利要求3所述的一种预测异常订单的方法,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括:
基于历史订单的相关特征值对历史订单分类;
确定每个历史订单类的标识相关特征值,所述标识相关特征值构成该历史订单类的标识相关特征值向量;所述标识相关特征值为其所在历史订单类中某个历史订单的相关特征值,或者所述标识相关特征值反映其所在历史订单类中历史订单的相关特征值的均值;
确定待检测订单的相关特征值向量与各个历史订单类的标识相关特征值向量的距离;
基于所述距离确定待检测订单的异常度。
8.根据权利要求7所述的一种预测异常订单的方法,其特征在于,所述基于历史订单的相关特征值对历史订单分类包括:通过聚类算法对历史订单的相关特征值聚类,进而对历史订单进行分类。
9.根据权利要求3所述的一种预测异常订单的方法,其特征在于,所述方法还包括定期更新所述历史订单。
10.根据权利要求1所述的一种预测异常订单的方法,其特征在于,所述方法还包括基于历史异常订单确定和/或更新相关特征。
11.根据权利要求10所述的一种预测异常订单的方法,其特征在于,所述基于历史异常订单确定相关特征进一步包括:
确定候选特征;
确定所述候选特征的异常事件辨识度;
将异常事件辨识度大于设定阈值的候选特征作为所述相关特征。
12.根据权利要求11所述的一种预测异常订单的方法,其特征在于,所述基于历史异常订单更新相关特征进一步包括:
更新历史异常订单;
基于更新后的历史异常订单确定所述相关特征。
13.根据权利要求1所述的一种预测异常订单的方法,其特征在于,
所述订单发起者在平台上的操作行为包括一定时间范围内订单发起者取消订单的频率;
所述订单发起者的个人信息包括以下中的至少一个:是否有固定居住地点、是否有固定工作地点、借贷情况或受教育程度;
所述订单发起者对服务的订制要求包括以下中的至少一个:对服务工具的订制要求或对服务提供人员的订制要求。
14.一种预测异常订单的***,所述订单为服务类订单,其特征在于,所述***包括:订单获取模块、特征值获取模块、判断模块;
所述订单获取模块用于获取待检测订单;
所述特征值获取模块用于获取所述待检测订单的相关特征值;
所述判断模块用于基于所述待检测订单的相关特征值判断所述待检测订单是否为异常订单;其中,
相关特征值至少反映以下多种信息中的至少一个:服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。
15.根据权利要求14所述的预测异常订单的***,其特征在于,所述***还包括异常度确定模块;
所述异常度模块用于基于所述待检测订单的相关特征值确定所述待检测订单的异常度;
所述判断模块用于基于所述异常度判断所述待检测订单是否为异常订单。
16.根据权利要求15所述的一种预测异常订单的***,其特征在于,所述异常度确定模块进一步用于:基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度。
17.根据权利要求16所述的一种预测异常订单的***,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述异常度确定模块进一步用于:
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离;
至少基于待检测订单的相关特征值向量与各历史订单的相关特征值向量的距离确定所述待检测订单的异常度。
18.根据权利要求16所述的一种预测异常订单的***,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述异常度确定模块进一步用于:
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离;
基于任意两个向量的距离至少确定所述待检测订单的相关特征值向量的密度以及其邻域密度;所述邻域范围的大小为预先设定;
基于所述待检测订单的相关特征值向量的密度以及其邻域密度的大小关系确定所述待检测订单的异常度。
19.根据权利要求16所述的一种预测异常订单的***,其特征在于,所述异常度确定模块进一步用于:
利用局部异常因子算法计算所述待检测订单的异常度。
20.根据权利要求14所述的一种预测异常订单的***,其特征在于,每个订单的相关特征值构成该订单的相关特征值向量,所述异常度确定模块进一步用于:
基于历史订单的相关特征值对历史订单分类;
确定每个历史订单类的标识相关特征值,所述标识相关特征值构成该历史订单类的标识相关特征值向量;所述标识相关特征值为其所在历史订单类中某个历史订单的相关特征值,或者所述标识相关特征值反映其所在历史订单类中历史订单的相关特征值的均值;
确定待检测订单的相关特征值向量与各个历史订单类的标识相关特征值向量的距离;
基于所述距离确定待检测订单的异常度。
21.根据权利要求20所述的一种预测异常订单的***,其特征在于,所述异常度确定模块进一步用于通过聚类算法对历史订单的相关特征值聚类,进而对历史订单进行分类。
22.根据权利要求16所述的一种预测异常订单的***,其特征在于,所述异常度确定模块进一步用于定期更新所述历史订单。
23.根据权利要求14所述的一种预测异常订单的***,其特征在于,所述***还包括相关特征确定模块和/或相关特征更新模块,
所述相关特征确定模块用于基于历史异常订单确定相关特征;
所述相关特征更新模块用于基于历史异常订单更新相关特征。
24.根据权利要求23所述的一种预测异常订单的***,其特征在于,所述相关特征确定模块进一步用于:
确定候选特征;
确定所述候选特征的异常事件辨识度;
将异常事件辨识度大于设定阈值的候选特征作为所述相关特征。
25.根据权利要求24所述的一种预测异常订单的***,其特征在于,所述相关特征更新模块进一步用于:
更新历史异常订单;
基于更新后的历史异常订单确定所述相关特征。
26.根据权利要求14所述的一种预测异常订单的***,其特征在于,
所述订单发起者在平台上的操作行为包括一定时间范围内订单发起者取消订单的频率:
所述订单发起者的个人信息包括以下中的至少一个:是否有固定居住地点、是否有固定工作地点、借贷情况或受教育程度;
所述订单发起者对服务的订制要求包括以下中的至少一个:对服务工具的订制要求或对服务提供人员的订制要求。
27.一种预测异常订单的装置,包括存储器及处理器;
所述存储器上存储有计算机程序,其特征在于,所述处理器用于执行所述计算机程序中的至少一部分以实现权利要求1—13任一项所述的预测异常订单的方法。
28.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序中的至少一部分被处理器执行时实现权利要求1—13中任一项所述的预测异常订单的方法。
29.一种提示异常订单的方法,所述订单为服务类订单,其特征在于,包括:
接收服务器信息,显示服务器派送的订单信息以及提示信息;
所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常度相关的安全警示信息。
30.一种提示异常订单的***,所述订单为服务类订单,其特征在于,包括:接收模块与显示模块;
所述接收模块用于接收服务器信息;
所述显示模块用于基于所述服务器信息,显示服务器派送的订单信息以及提示信息;
所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常度相关的安全警示信息。
31.一种提示异常订单的装置,包括存储器及处理器;
所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述计算机程序中的至少一部分以实现权利要求29所述的提示异常订单的方法。
32.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序中的至少一部分被处理器执行时实现权利要求29所述的提示异常订单的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811463983.7A CN110992072A (zh) | 2018-11-30 | 2018-11-30 | 异常订单预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811463983.7A CN110992072A (zh) | 2018-11-30 | 2018-11-30 | 异常订单预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992072A true CN110992072A (zh) | 2020-04-10 |
Family
ID=70059717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811463983.7A Pending CN110992072A (zh) | 2018-11-30 | 2018-11-30 | 异常订单预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992072A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112116158A (zh) * | 2020-09-21 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112651639A (zh) * | 2020-12-29 | 2021-04-13 | 安徽运通达物流科技有限公司 | 一种运输平台中运单履行风险分析方法 |
CN112685479A (zh) * | 2020-12-31 | 2021-04-20 | 车主邦(北京)科技有限公司 | 订单可视化处理方法和装置 |
CN112700195A (zh) * | 2020-12-31 | 2021-04-23 | 车主邦(北京)科技有限公司 | 异常订单处理方法和装置 |
CN113516529A (zh) * | 2021-04-26 | 2021-10-19 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
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 |
CN113723970A (zh) * | 2021-08-25 | 2021-11-30 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
CN113743697A (zh) * | 2020-08-21 | 2021-12-03 | 西安京迅递供应链科技有限公司 | 一种风险告警方法和装置 |
CN113762300A (zh) * | 2020-06-28 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 订单分类模型训练方法和装置、订单检测方法和装置 |
CN114338216A (zh) * | 2021-12-31 | 2022-04-12 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备、介质及程序产品 |
CN114612887A (zh) * | 2021-09-01 | 2022-06-10 | 腾讯科技(深圳)有限公司 | 单据异常检测方法、装置、设备及计算机可读存储介质 |
CN115879849A (zh) * | 2023-03-03 | 2023-03-31 | 青岛海天利达金属技术有限公司 | 一种物流信息的智能管理方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809589A (zh) * | 2015-05-08 | 2015-07-29 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及*** |
CN106446538A (zh) * | 2016-09-19 | 2017-02-22 | 中山大学 | 基于动态时间规整的车辆终点及行程时间计算方法 |
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*** |
CN107122866A (zh) * | 2017-05-03 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 预估乘客取消订单行为的方法、设备及存储介质 |
CN107133645A (zh) * | 2017-05-03 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 预估乘客取消订单行为的方法、设备及存储介质 |
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*** |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
CN107481019A (zh) * | 2017-07-28 | 2017-12-15 | 上海携程商务有限公司 | 订单欺诈识别方法、***、存储介质和电子设备 |
US20180025407A1 (en) * | 2015-02-02 | 2018-01-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for order processing |
CN107644366A (zh) * | 2017-09-28 | 2018-01-30 | 携程旅游信息技术(上海)有限公司 | 订单欺诈识别方法、***、存储介质和电子设备 |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、***、存储介质和电子设备 |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及*** |
CN108810804A (zh) * | 2018-06-13 | 2018-11-13 | 陈磊 | 一种基于网约车平台的智能防护方法及其*** |
-
2018
- 2018-11-30 CN CN201811463983.7A patent/CN110992072A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025407A1 (en) * | 2015-02-02 | 2018-01-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for order processing |
CN104809589A (zh) * | 2015-05-08 | 2015-07-29 | 北京嘀嘀无限科技发展有限公司 | 用于处理订单的方法及设备 |
CN105069626A (zh) * | 2015-07-23 | 2015-11-18 | 北京京东尚科信息技术有限公司 | 一种购物异常检测方法及*** |
CN106446538A (zh) * | 2016-09-19 | 2017-02-22 | 中山大学 | 基于动态时间规整的车辆终点及行程时间计算方法 |
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*** |
CN108133611A (zh) * | 2016-12-01 | 2018-06-08 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及*** |
CN107133645A (zh) * | 2017-05-03 | 2017-09-05 | 百度在线网络技术(北京)有限公司 | 预估乘客取消订单行为的方法、设备及存储介质 |
CN107122866A (zh) * | 2017-05-03 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 预估乘客取消订单行为的方法、设备及存储介质 |
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*** |
CN107481019A (zh) * | 2017-07-28 | 2017-12-15 | 上海携程商务有限公司 | 订单欺诈识别方法、***、存储介质和电子设备 |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
CN107644366A (zh) * | 2017-09-28 | 2018-01-30 | 携程旅游信息技术(上海)有限公司 | 订单欺诈识别方法、***、存储介质和电子设备 |
CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、***、存储介质和电子设备 |
CN108810804A (zh) * | 2018-06-13 | 2018-11-13 | 陈磊 | 一种基于网约车平台的智能防护方法及其*** |
Non-Patent Citations (2)
Title |
---|
沈臻懿: ""安全科技如何有效植入网约车服务"", 《检察风云》 * |
黄红武: ""网约车乘客自我保护锦囊"", 《检察风云》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113762300A (zh) * | 2020-06-28 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 订单分类模型训练方法和装置、订单检测方法和装置 |
CN113743697A (zh) * | 2020-08-21 | 2021-12-03 | 西安京迅递供应链科技有限公司 | 一种风险告警方法和装置 |
CN112116158A (zh) * | 2020-09-21 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112651639A (zh) * | 2020-12-29 | 2021-04-13 | 安徽运通达物流科技有限公司 | 一种运输平台中运单履行风险分析方法 |
CN112700195A (zh) * | 2020-12-31 | 2021-04-23 | 车主邦(北京)科技有限公司 | 异常订单处理方法和装置 |
CN112685479A (zh) * | 2020-12-31 | 2021-04-20 | 车主邦(北京)科技有限公司 | 订单可视化处理方法和装置 |
CN113516529A (zh) * | 2021-04-26 | 2021-10-19 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
CN113516529B (zh) * | 2021-04-26 | 2024-03-26 | 新东方教育科技集团有限公司 | 异常订单确定方法、装置、存储介质及电子设备 |
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 |
CN113723970A (zh) * | 2021-08-25 | 2021-11-30 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
CN113723970B (zh) * | 2021-08-25 | 2024-02-02 | 深圳依时货拉拉科技有限公司 | 订单列表推送方法、装置、存储介质和计算机设备 |
CN114612887A (zh) * | 2021-09-01 | 2022-06-10 | 腾讯科技(深圳)有限公司 | 单据异常检测方法、装置、设备及计算机可读存储介质 |
CN114612887B (zh) * | 2021-09-01 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 单据异常检测方法、装置、设备及计算机可读存储介质 |
CN114338216A (zh) * | 2021-12-31 | 2022-04-12 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备、介质及程序产品 |
CN114338216B (zh) * | 2021-12-31 | 2024-03-26 | 招商银行股份有限公司 | 多维暴刷攻击防治方法、装置、设备及介质 |
CN115879849A (zh) * | 2023-03-03 | 2023-03-31 | 青岛海天利达金属技术有限公司 | 一种物流信息的智能管理方法 |
CN115879849B (zh) * | 2023-03-03 | 2023-05-09 | 青岛海天利达金属技术有限公司 | 一种物流信息的智能管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992072A (zh) | 异常订单预测方法和*** | |
US20220284517A1 (en) | Automobile Monitoring Systems and Methods for Detecting Damage and Other Conditions | |
US10937089B2 (en) | Machine learning classification and prediction system | |
US20170364933A1 (en) | User maintenance system and method | |
West et al. | Turning point: Policymaking in the era of artificial intelligence | |
CN111860872B (zh) | 用于异常检测的***和方法 | |
CN107111850B (zh) | 确定针对住宿列表的主人偏好 | |
US20230394411A1 (en) | Risk probability assessment for cargo shipment operations and methods of use thereof | |
US20200134484A1 (en) | Clustering, Explainability, and Automated Decisions in Computer-Based Reasoning Systems | |
CN109416823A (zh) | 用于确定司机安全分的***和方法 | |
US10832347B1 (en) | Methods and systems for smart claim routing and smart claim assignment | |
CN110998648A (zh) | 一种分配订单的***和方法 | |
US20200034861A1 (en) | Updating projections using listing data | |
CN107111811A (zh) | 用于授权交易的最佳便利性度量的基于模型的预测 | |
CN111433795A (zh) | 一种确定线上到线下服务的预估到达时间的***和方法 | |
US20230049574A1 (en) | Clustering, Explainability, and Automated Decisions in Computer-Based Reasoning Systems | |
US20210312560A1 (en) | Machine learning systems and methods for elasticity analysis | |
CN110796554A (zh) | 用户投诉预警方法、装置、计算机设备及存储介质 | |
US20220366488A1 (en) | Transmitting proactive notifications based on machine learning model predictions | |
WO2017023602A1 (en) | Automated database record activation using predictive modeling of database access | |
KR20230142431A (ko) | 규제 법령에 대한 정보 제공 서비스 장치 및 방법 | |
CN115222109A (zh) | 信息处理方法、装置、介质及设备 | |
CN111275507A (zh) | 一种订单异常识别和订单风险管控的方法及其*** | |
Li et al. | Smart work package learning for decentralized fatigue monitoring through facial images | |
CN111598370A (zh) | 一种女性安全风险防范方法和*** |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220311 |