CN111598370A - 一种女性安全风险防范方法和*** - Google Patents
一种女性安全风险防范方法和*** Download PDFInfo
- Publication number
- CN111598370A CN111598370A CN201910130458.1A CN201910130458A CN111598370A CN 111598370 A CN111598370 A CN 111598370A CN 201910130458 A CN201910130458 A CN 201910130458A CN 111598370 A CN111598370 A CN 111598370A
- Authority
- CN
- China
- Prior art keywords
- risk
- service
- order
- data
- current order
- 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 91
- 230000002265 prevention Effects 0.000 title claims abstract description 48
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 100
- 238000012795 verification Methods 0.000 claims description 75
- 238000003860 storage Methods 0.000 claims description 45
- 238000012502 risk assessment Methods 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 description 81
- 230000008569 process Effects 0.000 description 40
- 230000002159 abnormal effect Effects 0.000 description 22
- 230000010485 coping Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 20
- 206010028980 Neoplasm Diseases 0.000 description 19
- 230000006399 behavior Effects 0.000 description 19
- 201000011510 cancer Diseases 0.000 description 19
- 230000036210 malignancy Effects 0.000 description 19
- 238000003066 decision tree Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 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
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process 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
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect 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
- 230000036961 partial effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation 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
- 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
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种女性安全风险防范方法,所述方法包括:获取当前订单的相关数据,所述当前订单的相关数据至少包括与当前订单相关联的数据和/或当前订单执行时的状态数据;判断所述当前订单的服务提供者和服务请求者的性别是否相同,响应于所述当前订单的服务提供者和服务请求者的性别不同,进行女性安全风险判断;至少基于所述当前订单的相关数据,确定当前订单的女性安全风险判断结果;基于所述女性安全风险判断结果,执行设定的操作。
Description
技术领域
本申请涉及网约车领域,特别涉及一种女性安全风险防范方法和系 统。
背景技术
随着互联网经济的不断发展,目前网约车服务变得越来越普遍。在 网约车服务中,涉及女性乘客/女性司机的安全事件也受到了越来越多的重 视。恶性事件会对女性乘客/女性司机的人身安全造成不利的影响。为了尽 可能的避免女性安全事件的发生,有必要确定一种女性安全风险防范方法 和***,使服务平台可以有效识别并及时制止女性安全事件的发生。
发明内容
本申请实施例之一提供一种女性安全风险防范方法。所述方法包括: 获取当前订单的相关数据,所述当前订单的相关数据至少包括与当前订单 相关联的数据和/或当前订单执行时的状态数据;判断所述当前订单的服务 提供者和服务请求者的性别是否相同,响应于所述当前订单的服务提供者 和服务请求者的性别不同,进行女性安全风险判断;至少基于所述当前订 单的相关数据,确定当前订单的女性安全风险判断结果;基于所述女性安全风险判断结果,执行设定的操作。
在一些实施例中,所述当前订单相关联的数据至少包括以下一种: 服务提供者的身份信息、服务提供者在平台的操作行为信息、服务时间、 行程信息、服务请求者的身份信息、和服务请求者在平台的操作行为信息; 所述当前订单执行时的状态数据至少包括以下一种:服务请求者和/或服务 提供者的位置信息、环境数据、行驶信息。
在一些实施例中,所述至少基于所述当前订单的相关数据,确定当 前订单执行过程中的女性安全风险判断结果,还包括:利用风险判断模型 处理所述当前订单的相关数据,确定女性安全风险判断结果。
在一些实施例中,所述风险判断模型通过以下方法获得:获取历史 订单;将所述历史订单中包括女性安全事件的订单标记为正样本,所述历 史订单中的正常订单标记为负样本;基于所述历史订单的所述相关数据及 标记结果训练初始模型,获得所述风险判断模型。
在一些实施例中,所述女性安全风险判断结果包括所述订单的风险 等级;所述基于所述女性安全风险判断结果,执行设定的操作还包括:基 于所述当前订单的风险等级,确定所述当前订单在待处理风险订单中的排 序;基于所述当前订单的排序结果,确定执行至少一种风险验证操作。
在一些实施例中,所述风险验证操作包括但不限于自动验证操作、 或电话交互验证操作。
在一些实施例中,所述基于所述女性安全风险判断结果,执行设定 的操作还包括:基于所述风险验证操作的判断结果,执行至少一种风险处 置操作;所述至少一种风险处置操作至少包括以下一种: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,所述用户终端包括服务提 供者终端和/或服务请求者终端;联络所述用户终端周围的服务提供者进行 协助。
本申请实施例之一提供一种女性安全风险防范***。所述***包括: 获取模块,用于获取当前订单的相关数据;所述当前订单的相关数据至少 包括当前订单相关联的数据和/或当前订单执行时的状态数据;判断模块, 用于判断所述当前订单的服务提供者和服务请求者的性别是否相同,响应 于所述当前订单的服务提供者和服务请求者的性别不同,进行女性安全风 险判断;还用于至少基于所述当前订单相关数据,确定当前订单的女性安 全风险判断结果;执行模块,用于基于所述女性安全风险判断结果,执行 设定的操作。
在一些实施例中,所述当前订单相关联的数据至少包括以下一种: 服务提供者的身份信息、服务提供者在平台的操作行为信息、服务时间、 行程信息、服务请求者的身份信息、和服务请求者在平台的操作行为信息; 所述当前订单执行时的状态数据至少包括以下一种:服务请求者和/或服务 提供者的位置信息、环境数据、行驶信息。
在一些实施例中,所述判断模块还用于:利用风险判断模型处理所 述当前订单的相关数据,确定女性安全风险判断结果。
在一些实施例中,所述风险判断模型通过以下方法获得:获取历史 订单;将所述历史订单中包括女性安全事件的订单标记为正样本,所述历 史订单中的正常订单标记为负样本;基于所述历史订单的所述相关数据及 标记结果训练初始模型,获得所述风险判断模型。
在一些实施例中,所述女性安全风险判断结果包括所述当前订单的 风险等级;所述判断模块还用于:基于所述当前订单的风险等级,确定所 述当前订单在待处理风险订单中的排序;基于所述当前订单的排序结果, 确定执行至少一种风险验证操作。
在一些实施例中,所述风险验证操作包括但不限于自动验证操作、 或电话交互验证操作。
在一些实施例中,所述执行模块还用于:基于所述风险验证操作的 判断结果,执行至少一种风险处置操作;所述至少一种风险处置操作至少 包括以下一种: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,所述用户终端包括服务提供者终端和/或服务请求者终端;联络所 述用户终端周围的服务提供者进行协助。
本申请实施例之一提供一种女性安全风险防范装置,包括处理器, 其特征在于,所述处理器用于执行女性安全风险防范方法。
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,计算机执行女 性安全风险防范方法。
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风险防范***的应用场景示意 图;
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;
图3是根据本申请一些实施例所示的示例性处理设备110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是根据本申请的一些实施例示出的女性风险防范***的结构框 图;
图6是根据本申请一些实施例所示的女性安全风险防范方法的示例 性流程图;
图7是根据本申请一些实施例所示的女性安全风险判断方法的示例 性流程图;
图8是根据本申请一些实施例所示的***更新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交通服务***,不同的交通服务 ***包括但不限于陆地、水面航行、航空、航天等中的一种或几种的组合。 例如,人力车、代步工具、汽车(例如,小型车、巴士、大型运输车等)、 轨道交通(例如,火车、动车、高铁、地铁等)、船舶、飞机、热气球、无人 驾驶的交通工具等。本申请的不同实施例应用场景包括但不限于运输业、 仓储物流业、农业作业***、城市公交***、商业运营车辆等中的一种或 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他类似情景。例 如,其他类似的有轨迹的行驶***。
图1是根据本申请的一些实施例所示的一种风险防范***100的应 用场景示意图。
如图1所示,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,例如,风险防范***100可 以判定行程中的女性安全风险。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。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内存(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,例如基站和/或无线接入点140-1、140-2、...,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290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示例性处理设备110的框图。
处理设备110可以获取与交通运输服务相关的数据进行处理以确定 对交通运输服务的风险判定,并进一步根据风险判定结果确定风险应对方 法。在一些实施例中,处理设备110还可以根据风险确认和应对结果对在 风险判定及应对过程中所使用的方法,例如,规则、算法、模型等,进行更 新,以使达到最优的风险防范和应对效果。如图3所示,处理设备110可 以包括数据获取模块310、风险判定模块320、风险应对模块330以及更新 模块340。
数据获取模块310可以用于获取数据。
在一些实施例中,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。
风险判定模块320可以基于所获取的数据进行风险判定。
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可以使用风险判定模型对交通 运输服务的当前状态进行风险判定。所述风险判定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,所述风险判定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风险,包括抢劫、人身安全事件、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,所述风险判定模型 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,针对抢劫 风险的判定,可以有专门的抢劫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。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。例如,在治安较差的区域(例如,城 乡结合部),可以重点针对抢劫以及人身安全事件进行判定。而在市中心 等人流车流密集区域,则可以重点针对行程异常进行判定。
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、抢劫-5级)或(有风险、抢劫-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。
风险应对模块330可以基于风险判定结果执行风险应对操作。
在一些实施例中,风险应对模块330可以进一步包括风险排序单元 332、风险确认单元334、风险处置单元336、持续监控单元338。风险排序 单元332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332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332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332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332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334可以进行风险确认。在一些实施例中,风险确认 单元334可以基于风险排序单元332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334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 334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334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334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334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334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334可以通过电话交互的方式进 行风险确认。
风险处置单元336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336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336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336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336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336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336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336可以通过风险研判的方法进行 风险处置。风险处置单元336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336可以通过风险救援的方法进行 风险处置。风险处置单元336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338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338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338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340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340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340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340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340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,在了解该系 统的原理后,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。
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 是否存在发生恶性事件和/或异常情况的判定。所述恶性事件和/或异常情况 可以包括抢劫、人身安全事件、订单取消异常、行程中停留异常、行程结束 后停留异常、位置丢失异常、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,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恶性事件和/或异常情况 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 的具体的恶性事件和/或异常情况类型。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恶性事件和/或异常情况 的判定规则。例如,对于发生过抢劫恶性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、订单发单时间处于深夜、 订单起始点位置偏僻等特征。那么,对于抢劫恶性事件的判定,可以设置 评价阈值、发单时间阈值、起始点位置范围阈值等判定规则。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,发生抢劫恶性事件的历史服务订单,发单时间集 中在凌晨1点以后。那么发单时间阈值可以被设置为凌晨1点。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 一类恶性事件或异常情况,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可以基于风险判定模型对所述 服务订单进行风险判定。所述风险判定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-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(DecisionTree,DT)模型、 随机森林(Random Forests,RF)模型、回归树(Classification andRegression Trees,CART)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器 (LightGradient Boosting Machine,LightGBM)、梯度提升机(Gradient Boosting Machines,GBM)、LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)、人工神经网络(Artificial Neural Networks,ANN)模 型等。所述风险判定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,并将训练后 的模型指定为所述风险判定模型。在一些实施例中,所述风险判定模型可 以是针对所有的恶性事件或异常情况类型的判定模型。风险判定模块320 可以利用所述风险判定模型处理服务订单以确定是否存在一种或多种类型 的恶性事件或异常情况。在一些实施例中,针对每一类恶性事件或异常情 况,都可以对应有一个风险判定模型。例如,针对抢劫风险的判定,可以有 专门的抢劫判定模型来判定。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。例如,在治安 较差的区域(例如,城乡结合部),可以重点针对抢劫以及人身安全事件进 行判定。而在市中心等人流车流密集区域,则可以重点针对行程异常进行 判定。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 是否存在发生恶性事件和/或异常情况的判定。所述恶性事件和/或异常情况 可以包括抢劫、人身安全事件、订单取消异常、行程中停留异常、行程结束 后停留异常、位置丢失异常、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,风险判定模块320可以使用判定规则对服务订单 进行风险判定。所述判定规则可以是风险参数阈值。风险判定模块320可 以针对不同的恶性事件和/或异常情况,确定不同的风险参数。对于抢劫事 件和/或女性安全事件,可以基于司机/乘客特征、订单特征、感测数据等确 定判定规则以判定风险。例如,可以基于发单时间是否为深夜、起终点是 否偏僻、司机和/或乘客的年龄性别、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。对于异常 取消事件,可以根据司机在行程中(例如,在计费开始且未到达目的地的 行程阶段)取消订单后是否长时间内未继续接单或不再接单、订单取消后 司机和/或乘客的行为数据(例如,位置、路径等)设定判定规则。对于行 程中停留异常,可以基于停留时长、停留环境(时间段、路况、车流量、道 路信息、POI信息、周围环境等)、停留点的停留频率(例如,存在多人当 前停留点停留)、停留点发单密度等设定判定规则已进行风险判定。对于 行程结束后停留异常,可以分为目的地结束后异常以及非目的地结束后异 常。对于目的地结束后停留异常,可以基于司机在目的地附近停留时长时 间内是否继续接单、司机和/或乘客位置在行程结束地点停留、停留环境(时间段、路况、车流量、道路信息、POI信息、周围环境等)、停留点的停留 频率(例如,存在多人当前停留点停留)、停留点发单密度等设定判定规 则。对于非目的地(例如,与订单终点的距离超出阈值)结束后停留异常, 可以基于司机是否继续接单、司机和/或乘客位置在行程结束地点停留、结 束地点信息、行驶时间、预估时间等设定判定规则。对于位置丢失异常,可 以基于位置丢失时长、位置丢失环境(例如,丢失点位置、丢失点的路径、 是否是高频丢失点)、司机情况(手机电量、是否未及时关单)等设定判定 规则。对于未送达异常,可以基于订单结束点是否位于目的地、结束地点 信息(例如,POI信息、里程、下车点车流量、距离目的地位置等)、司机 行为和/或乘客行为、司机是否继续接单、行驶时间、预估时间等设定判定 规则。对于行程异常风险,可以结合上述的一个或以上异常情况,基于路 线偏离情况(例如,偏离时间、偏离距离)、是否行驶到偏远地区、行程中 停留次数、行驶速度、行驶时间等设定判定规则。对于驾驶危险风险,可以 基于传感器数据(例如,速度、加速度等)超出预设阈值设定判定规则,判 定车辆是否存在撞车、翻车等驾驶危险。
在一些实施例中,风险判定模块320使用风险判定模型对服务订单 进行风险判定。所述风险判定模型可以是机器学习模型,包括但不限于分 类与逻辑回归(LogisticRegression)模型、k-最近邻算法(K-Nearest Neighbor, kNN)模型、朴素贝叶斯(NaiveBayes,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 RegressionTrees,CART) 模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient BoostingMachine,LightGBM)、梯度提升机(Gradient Boosting Machines, GBM)、LASSO(LeastAbsolute Shrinkage and Selection Operator,LASSO)、 人工神经网络(ArtificialNeural Networks,ANN)模型等。
在一些实施例中,所述风险判定模型可以是针对所有的恶性事件或 异常情况类型的判定模型。风险判定模块320可以利用所述风险判定模型 处理服务订单以确定是否存在一种或多种类型的恶性事件或异常情况。例 如,风险判定模型可以具有分类功能,可以分类处理和/或判定输入数据, 以判定不同类型的风险及其相关风险信息(例如,风险等级、风险概率等)。 在一些实施例中,针对每一类恶性事件或异常情况,都可以对应有一个风 险判定模型。例如,针对抢劫风险的判定,可以有专门的抢劫判定模型来 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。
在一些实施例中,所述风险判定模型可以由所述历史订单数据进行 训练后得到。仅作为示例,以训练判定抢劫事件的决策树模型为例,简要 说明模型构建及训练过程。针对发生过抢劫时间的历史订单的分析结果, 可以确定触发事件的多个特征,例如,年龄、性别、发单时间、起终点位 置、历史风险记录等。在构建决策树的根节点后,可以选择一个最优特征 将训练数据分割成多个子集。继续为每个子集选择新的最优特征,继续进 行分割直至得到多个具有明确分类的叶子结点。例如,在根节点时可以选 择发单时间(比如,凌晨1点)这一个特征对训练数据进行分割。发单时 间早于凌晨1点的训练数据将被分为一类,发单时间晚于凌晨一点的训练 数据将被分为另一类。然后可以继续选择起终点位置(比如,终点位于邻 近市县)继续分割,直到所有训练数据都被正确的分类。训练至此完成。
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、抢劫-5级)或(有风险、抢劫-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。
在一些实施例中,对于风险判定模型的训练过程中,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,以训练判定抢劫事件的 决策树模型为例,在对根节点进行分叉时选择的发单时间作为最优特征进 行分叉。发单时间节点的分叉阈值,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、抢劫-5级)或(有风险、抢劫-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330执行。在一些实施例中,风险应对模块 330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 SelectionOperator,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330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330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330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330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330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330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,风险应对模块330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330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,风险应对模块330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,风险应对模块330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,风险应对模块 330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330 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330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330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330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 330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330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330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330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330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330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330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 330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330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330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330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330 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330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330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330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330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330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330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330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330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330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, 风险处置模块330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,风险处置模块330可以基于风险判定结果,对服务订单进行延 时处理。例如,风险处置模块330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,风险处置模块330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,则风险处置模块330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340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风险判定模型、风险排序模型等。在一些实施 例中,更新模块340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340 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340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340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340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,并在预设时间后再次执行风险判 定)。
图5是根据本申请的一些实施例所示的女性安全风险防范***500 的结构框图。
女性安全风险防范***500中的全部或部分功能模块可运行在处理 设备110上。如图5所示,女性安全风险防范***500可以包括获取模块 510、判断模块520、执行模块530、更新模块540。
获取模块510,可以用于获取当前订单的相关数据,所述当前订单的 相关数据至少包括当前订单相关联的数据和/或当前订单执行时的状态数 据。所述获取模块510可以由处理设备110中的数据获取模块310实现。
在一些实施例中,所述当前订单相关联的数据至少包括以下一种: 服务提供者的身份信息、服务提供者在平台的操作行为信息、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、服务请求者的身份信息、和服务请求者在平台的操作行为信息。获取 模块510可以通过服务请求者终端、服务提供者终端以及其他传感器获取 订单的相关数据。在一些实施例中获取模块510可以获取当前订单的相关 数据,也可以获取历史订单的相关数据。一旦某个订单完成,该订单即可 以被视为历史订单。历史订单的相关数据可以用来训练风险判断模型与排 序模型。风险判断模型可以根据当前订单的相关数据判断当前订单发生女 性安全事件的风险。在一些实施例中,所述基于所述判定结果进行排序处 理,可以包括基于排序模型对所述判定结果进行排序处理。排序模型可以 给当前订单中不同的特征参数添加权重。基于权重计算订单的风险等级, 按照风险等级从大到小的顺序进行排序。
判断模块520,可以用于判断所述当前订单的服务提供者和服务请 求者的性别是否相同,响应于所述当前订单的服务提供者和服务请求者的 性别不同,进行女性安全风险判断;还可以用于利用风险判断模型处理所 述当前订单的相关数据,确定女性安全风险判断结果。所述判断模块520可 以由处理设备110中的风险判定模块320实现。
在一些实施例中,风险判定模块520根据服务请求者/服务提供者的 身份信息判断当前行程是否有女性参与。女性可以是服务请求者(乘客) 也可是服务提供者(司机)。响应于检测到有女性参与的行程开始的信息, 风险判定模块520分析获取到的订单的相关信息,比较当前订单的特征参 数与历史订单的特征参数,获取女性安全风险判断结果。风险判断模型可 以通过以下方法获得:获取历史订单;将历史订单中包括女性安全事件的 订单标记为正样本,所述历史订单中的正常订单标记为负样本;基于所述 历史订单的所述相关数据及标记结果训练初始模型,获得所述风险判断模 型。在一些实施例中,风险判断模型可以由多个独立的判断模型组成。例 如,在风险判断中,有声音/图像判断模型、位置判断模型、车速判断模型 以及生理判断模型。每个独立的判断模型中的判断对象不同。在声音/图像 判断模型中,判断对象为与声音/图像相关的特征参数。在位置判断模型中, 判断对象为与位置有关的特征参数。在车速判断模型中,判断对象为与车 速相关的特征参数。在生理判断模型中,判断对象为与生理相关的特征参 数。
在一些实施例中,风险判断模型可以包括距离判断模型。例如,在历 史订单中,发生女性安全事件时乘客与司机之间的距离小于1米,可以设 定1m为距离阈值。在驾驶过程中,如果乘客与司机之间的距离大于距离阈 值,则与速度相关的特征参数匹配。乘客与司机之间的距离可以通过服务 请求者终端和/或服务提供者终端中安装的距离传感器测量。
执行模块530,可以用于基于所述女性安全风险判断结果,执行设定 的操作。所述执行模块530可以由处理设备110中的风险应对模块330实 现。
在一些实施例中,基于所述风险判定结果可以执行的操作可以包括 排序、风险验证操作、或风险处置操作等一种或任意几种的组合。判断模 块530可以包括风险排序单元、风险确认单元、风险处置单元。
风险排序单元可以用于确定当前订单在待处理风险订单中的排序。 所述风险排序单元可以由处理设备110中的风险排序单元332实现。在一 些实施例中,所述女性安全风险判断结果包括所述订单的风险等级。例如, 当前订单的特征参数与负样本无法匹配时,当前订单的风险等级为0。如果 当前订单的特征参数与负样本完全匹配,则当前订单的风险等级为10。所 述基于所述判定结果进行排序处理,可以包括基于排序规则对所述判定结果进行排序处理。例如,排序规则可以是按照订单的风险等级由大到小进 行排序。排序处理也可以包括根据某一类特定的特征参数进行排序。在一 些实施例中,排序处理可以基于排序模型对所述判定结果。排序模型可以 给当前订单中不同的特征参数添加权重。基于权重计算订单的风险等级, 按照风险等级从大到小的顺序进行排序。
风险确认单元,可以用于基于所述订单的排序结果,确定执行至少 一种风险验证操作。所述风险确认单元可以由处理设备110中的风险确认 单元334实现。风险验证操作可以包括但不限于自动验证操作、人工验证 操作、或电话交互验证操作等一种或任意几种的组合。风险验证操作可以 排除风险误报。自动验证操作可以通过获取车辆周围的信息来排除风险误 报。人工验证操作可以通过调控人工客服介入判断是否存在女性安全事件 风险。电话交互验证操作可以通过发送验证短信和/或拨打验证电话以验证 服务提供者和/或服务请求者是否存在风险。
风险处置单元,可以用于基于所述风险验证判断结果,执行至少一 种风险处置操作。所述风险处置单元可以由处理设备110中的风险排序处 置336实现。至少一种风险处置操作至少可以包括以下一种: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,所述用户终端包括 服务服务提供者终端和/或服务请求者终端;联络所述用户终端周围的服务 提供者进行协助。例如,在确认存在女性安全事件风险后,风险处置单元 可以通过网络140通知车辆附近的其他服务请求者进行协助。在一些实施 例中,风险处置单元可以采取延迟触发的措施。对判定结果为存在女性安 全风险的订单进行持续监控;确认发生安全行为后取消订单的女性安全风 险判定。
更新模块540可以更新所述风险判断模型。所述更新模块540可以 由处理设备110中的更新模块340实现。
在一些实施例中,当某个订单完成,该订单即可以被视为历史订单。 风险处置单元可以获取历史订单数据并所述历史订单数据。利用风险判断 模型确定女性安全风险判断结果。利用排序模型对历史订单进行排序。记 录风险判断模型的确认结果与处理方式。通过比较风险判断模型的确认结 果与实际的确认结果,更新模块540可以更新处理过程中涉及的规则和模 型。
需要注意的是,以上对于女性风险防范***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,数获取模块510、判断模块520、执行模块530和 更新模块540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,判断模块520和执行模块530可以 是两个模块,也可以是一个模块同时具有匹配和分配功能。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6是根据本申请一些实施例所示的女性安全风险防范方法600的 示例性流程图。
如图6所示,该女性安全风险防范方法600可以包括:
步骤610,获取订单的相关数据;所述订单的相关数据至少包括当前 订单相关联的数据和当前订单执行时的状态数据。
在一些实施例中,获取模块510可以获取当前订单的相关数据,所 述当前订单的相关数据至少包括当前订单相关联的数据和当前订单执行时 的状态数据。当前订单的相关数据包括服务请求者发出订单请求、服务提 供者响应订单请求,行驶过程中、行程结束后的各种数据。获取模块510可 以通过服务请求者终端、服务提供者终端以及其他传感器获取订单的相关 数据。例如,在终端中安装有陀螺仪,获取模块510可以通过陀螺仪判断车辆的倾斜程度。
在一些实施例中,所述当前订单的相关数据可以包括与当前订单相 关联的数据和/或当前订单执行时的状态数据。当前订单数据可以是服务请 求者和/或服务提供者的身份信息、当前订单的行程信息、服务请求者和/服 务提供者的操作行为信息。当前订单执行时的状态数据至少包括以下一种: 服务请求者和/或服务提供者的位置信息、环境数据、行驶信息。服务请求 者和/或服务提供者的身份信息可以包括:姓名、性别、年龄、籍贯、身份 证件、评分等。当前订单的行程信息可以包括一个或多个与形成相关的信 息和/或特征,例如,行程起始点、行程目的地、行程路径等。服务请求者 和/或服务提供者对订单的确认、修改、取消等操作可以被认为是服务请求 者和/或服务提供者的操作行为信息。当前订单执行时的状态数据可以是在 服务提供者执行当前订单的过程中的相关信息。位置信息可以是服务提供 者和/或服务请求者的当前位置。环境信息可以是天气状况、风速、能见度等数据。行驶信息可以包括服务提供者(司机)的车速,当前位置、行驶路 程、行驶过程中车内的图像和/或声音、服务提供者和/或服务请求者的身体 状况等数据。
步骤620,判断所述当前订单的服务提供者和服务请求者的性别是 否相同,响应于所述当前订单的服务提供者和服务请求者的性别不同,进 行女性安全风险判断;基于所述当前订单的相关数据,确定女性安全风险 判断结果。
在一些实施例中,判断模块520可以根据服务请求者/服务提供者的 身份信息判断当前行程是否有女性参与。响应于检测到有女性参与的行程 开始的信息,判断模块520分析获取到的当前订单的相关数据,基于风险 判断模型或比较当前订单的特征参数与历史订单的特征参数,获取女性安 全风险判断结果。风险判断模型可以通过以下方法获得:获取历史订单; 将历史订单中包括女性安全事件的订单标记为正样本,所述历史订单中的正常订单标记为负样本;基于所述历史订单的所述相关数据及标记结果训 练初始模型,获得所述风险判断模型。
步骤630,基于所述女性安全风险判断结果,确定所述当前订单在待 处理风险订单中的排序。
在一些实施例中,所述女性安全风险判断结果可以包括所述当前订 单的风险等级。在一些实施例中,可以基于排序规则对所述女性安全风险 判断结果果进行排序处理。例如,排序规则可以是根据风险等级从大到小 进行排序。风险等级越大的待处理订单,发生女性安全事件的可能性越高。 在一些实施例中,可以基于排序模型对所述女性安全风险判断结果进行排 序处理。排序模型可以给当前订单中不同的特征参数添加权重。基于权重计算订单的风险等级,按照风险等级从大到小的顺序进行排序。
步骤640,基于所述当前订单的排序结果,确定执行至少一种风险验 证操作。
在一些实施例中,风险确认单元可以基于所述订单的排序结果,确 定执行至少一种风险验证操作。风险验证操作可以包括但不限于自动验证 操作、人工验证操作、电话交互验证操作等一种或任意几种的组合。风险 验证操作可以排除风险误报。自动验证操作可以通过获取车辆周围的信息 来排除风险误报。人工验证操作可以通过调控人工客服介入判断是否存在 女性安全事件风险。电话交互验证操作可以通过发送验证短信和/或拨打验证电话以验证服务提供者和/或服务请求者是否存在风险。
步骤650,基于所述风险验证操作的判断结果,执行至少一种风险处 置操作。
在一些实施例中,风险处置单元可以基于所述风险验证判断结果, 执行至少一种风险处置操作。在一些实施例中,所述至少一种风险处置操 作至少可以包括以下一种: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,所述用户终端包括服务服务提供者终端和/或服务请求 者终端;联络所述用户终端周围的服务提供者进行协助。例如,在确认存 在女性安全事件风险后,风险处置单元可以自动拨打报警电话或通知交管中心。风险处置单元也可以通过网络140通知车辆附近的其他服务请求者 进行协助。在一些实施例中,风险处置单元可以对判定结果为存在女性安 全风险的订单进行持续监控,确认发生安全行为后取消订单的女性安全风 险判定。
步骤660,基于所述风险验证操作的判断结果和处置结果,更新所述 风险判断模型。
在一些实施例中,更新模块540可以基于所述风险验证操作的判断 结果和处置结果,更新所述风险判断模型。一旦某个订单完成,该订单即 可以被视为历史订单。风险处置单元可以获取历史订单数据并所述历史订 单数据。利用风险判断模型确定女性安全风险判断结果。利用排序模型对 历史订单进行排序。记录风险判断模型的确认结果与处理方式。通过比较 风险判断模型的确认结果与实际的确认结果,更新模块540可以更新处理 过程中涉及的规则和模型。
图7是根据本申请一些实施例所示的女性安全风险判断方法700的 示例性流程图。
如图7所示,该女性安全风险判断方法700包括:
步骤701,获取当前订单的相关数据;所述当前订单的相关数据至少 包括与当前订单相关联的数据和当前订单执行时的状态数据。
在一些实施例中,所述当前订单可以包括在网约车平台上,由服务 请求者(乘客)发出订单请求,并由服务提供者(司机)完成的订单。所述 当前订单的相关数据可以包括一个或多个与订单相关的信息和/或特征。例 如,所述当前订单的相关数据可以包括当前订单相关联的数据和/或当前订 单执行时的状态数据。当前订单相关联的数据可以是服务请求者和/或服务 提供者的身份信息、当前订单的行程信息、服务请求者和/服务提供者的操作行为信息。当前订单执行时的状态数据至少包括以下一种:服务请求者 和/或服务提供者的位置信息、环境数据、行驶信息。
在一些实施例中,所述当前订单相关联的数据至少包括以下一种: 服务提供者的身份信息、服务提供者在平台的操作行为信息、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、服务请求者的身份信息、和服务请求者在平台的操作行为信息。
服务请求者和/或服务提供者的身份信息可以包括:姓名、性别、年 龄、籍贯、身份证件、评分等。身份证件可以包括身份证、护照、驾照、户 籍、社会安全号码等可以证明服务请求者和/或服务提供者身份的证件。在 一些实施例中,服务提供者的身份信息还可以包括驾驶车辆的车牌号、车 辆特征、车辆型号等。当前订单的行程信息可以包括一个或多个与形成相 关的信息和/或特征,例如,行程起始点、行程目的地、行程路径等。在一 些实施例中,在网约车平台上,服务请求者发出订单请求,在订单请求中 包含行程起始点和行程目的地。行程起始点可以通过服务请求者输入或定 位服务请求者终端的位置来得到。处理设备110也可以根据用户的历史订 单推荐行程目的地。服务请求者终端(乘客端)发出的订单请求通过网络 140传输到服务提供者终端(司机端)以及处理设备110。处理设备110分析订单请求中的行程起始点和行程目的地以规划行程路径。处理设备110 可以将行程路径发送至服务请求者终端和/或服务提供者终端。服务请求者 和/或服务提供者对订单的确认、修改、取消等操作可以被认为是服务请求 者和/或服务提供者的操作行为信息。
当前订单执行时的状态数据可以是在服务提供者执行当前订单的过 程中的相关信息。当服务请求者终端和/或服务提供者终端开启位置信息服 务后,可以获取终端的位置信息。位置信息可以通过卫星导航***、输入 经纬度等方式获取。环境数据可以是在当前订单的执行过程中一个或多个 与环境相关的信息和/或特征。例如,环境数据可以包括天气数据、路况数 据、风力数据等。在一些实施例中,环境数据还可以包括在执行当前订单过程中周围环境的亮度以及能见度。行驶信息可以包括一个或多个与行驶 过程相关的特征和/或信息。例如,行驶信息可以包括服务提供者(司机) 的车速,当前位置、行驶路程、行驶过程中车内的图像和/或声音、服务提 供者和/或服务请求者的身体状况等数据。
步骤703,判断所述当前订单的服务提供者和服务请求者的性别是 否相同,响应于所述当前订单的服务提供者和服务请求者的性别不同,进 行女性安全风险判断;至少基于所述订单数据,确定当前订单的女性安全 女性安全风险判断结果。
在一些实施例中,判断模块520可以根据服务请求者/服务提供者的 身份信息判断当前行程是否有女性参与。响应于检测到有女性参与的行程 开始的信息,判断模块520可以分析获取到的订单的相关信息,比较当前 订单的特征参数与历史订单的特征参数,确定匹配程度。匹配程度可以衡 量当前订单的女性安全风险。判断模块520可以设置阈值以确定当前订单 的女性安全风险判断结果。
在一些实施例中,可以利用风险判断模型处理所述订单的相关数据, 确定女性安全风险判断结果。所述风险判断模型可以通过以下方法获得: 获取历史订单;将历史订单中包括女性安全事件的订单标记为正样本,所 述历史订单中的正常订单标记为负样本;基于所述历史订单的所述相关数 据及标记结果训练初始模型,获得所述风险判断模型。在一些实施例中, 训练初始模型的算法可以基于手工涉及特征的算法和/或深度学习的算法。所述基于深度学习的算法可以包括快速基于区域的卷积神经网络(Faster Region-basedConvolutional Neural Networks,Faster R-CNN)算法、空间金 字塔池化网络(SpatialPyramid Pooling net,SPPnet)算法、全卷积网络(Fully Convolutional Network,FCN)算法等一种或几种的组合。所述神经网络模 型是包含至少一个参数的函数。所述神经网络模型基于神经网络算法构建。 所述神经网络算法可以线性回归算法、逻辑回归算法、邻近算法等。基于 获取到的历史订单,比较各个所述历史订单的特征参数与所述待识别订单 的特征参数,确定所述待识别订单的特征参数与各个历史订单的特征参数 的匹配程度,基于特征参数的匹配程度确定历史订单与所述待识别订单的 相似度。基于相似度与预设的阈值进行比较时,得到判定结果。预设的阈 值可以与图像、声音、车速、位置、心率等相关。
在一些实施例中,风险判断模型可以由多个独立的判断模型组成。 例如,在风险判断中,有声音/图像判断模型、位置判断模型、车速判断模 型以及生理判断模型。每个独立的判断模型中的判断对象不同。在声音/图 像判断模型中,判断对象为与声音/图像相关的特征参数。在位置判断模型 中,判断对象为与位置有关的特征参数。在车速判断模型中,判断对象为 与车速相关的特征参数。在生理判断模型中,判断对象为与生理相关的特 征参数。
在一些实施例中,风险判断模型中的特征参数可以包括行驶过程中 的图像和/或声音。例如,服务请求者终端、服务提供者终端和/或其他安装 在车辆内可以录制音频和/或视频的设备采集驾驶过程中的声音和/或图像。 历史订单中记录了驾驶过程中的声音分贝和/或图像。在正样本中,女性安 全事件发生时的分贝变化和/或图像变动可以作为特征参数。统计所述分贝 变化和/或图像变动,设定声音阈值和/或动作阈值。例如,如果在当前订单 的执行过程中,设备采集的声音分贝大于声音阈值,与声音的特征参数匹 配。再例如,如果监测到图像中乘客和/或司机的动作幅度大于动作阈值, 则与图像相关的特征参数匹配。
在一些实施例中,风险判断模型中的特征参数可以包括行驶过程中 的位置信息。服务请求者终端、服务提供者终端和/或其他定位装置可以对 车辆的位置进行定位。判断模块520判断当前位置与规划位置的偏离程度。 例如,如果司机的驾驶路径与规划路径完全相同,则偏离程度为0,反之, 则为1。在历史订单中,负样本的偏离程度在0~0.4之间,正样本的偏离程 度在0.6~1之间。设定偏离阈值为0.5,如果当前订单的驾驶路径与规划路径的偏离程度大于偏离阈值0.5,则与位置相关的特征参数匹配。
在一些实施例中,风险判断模型中的特征参数可以包括行驶过程中 的行驶信息。例如,在历史订单中,负样本中的车速超过70km/h,可以设 定70km/h为速度阈值。在驾驶过程中,如果车速大于速度阈值,则与速度 相关的特征参数匹配。再例如,可以通过便携设备实时采集司机和/或乘客 的生理数据(心跳、脉搏、体温等),在负样本中,乘客和/或司机的心率 大于100,可以设定100为生理阈值。在驾驶过程中,如果乘客和/或司机 的心率大于生理阈值,则与生理相关的特征参数匹配。
在一些实施例中,判断模块520可以根据身份信息、位置信息和/或 环境数据调整预设阈值。例如,可以将地区划分为:极偏远地区、偏远地 区、县城地区、市区地区和繁华地区,其中,极偏远地区、偏远地区均需降 低预设阈值,更容易发生女性安全事件。例如,当规划路径和/或行驶路径 经过极偏远地区、偏远地区,可以降低预设阈值。又例如,可以将区域根据 违法行为发生的次数进行划分,违法行为发生次数多的区域的预设阈值高 于违法行为发生次数低的区域。在一些实施例中,服务提供者和/或服务请 求者的身份信息可以包括历史行程评分数据和违法违规记录等。当服务提 供者和/或服务请求者存在不良的历史行程评分数据和/或违法违规记录,发 生女性安全事件的可能性提高,判断模块520可以降低预设阈值。例如, 判断模块520可以根据环境数据调整预设阈值。环境数据可以包括时间数 据。当行程在夜间进行,判断模块520可以降低预设阈值。在一些实施例 中,降低预设阈值的程度可以根据实际应用情况进行相应的设定。
在一些实施例中,当前订单的女性安全风险判断结果可以包括当前 订单的风险等级。例如,当前订单的特征参数与负样本无法匹配时,当前 订单的风险等级为0。如果当前订单的特征参数与负样本完全匹配,则当前 订单的风险等级为10。
步骤705,基于所述女性安全风险判断结果,执行设定的操作。
在步骤705中,执行模块530可以基于所述女性安全风险判断结果, 执行设定的操作。
在一些实施例中,基于所述风险判定结果可以执行的操作可以包括 排序、风险验证操作、或风险处置操作等一种或任意几种的组合。根据判 断模块520得到的女性安全风险判断结果,风险排序单元531确定当前订 单在待处理风险订单中的排序。基于排序结果,风险确认单元532执行风 险验证操作。所述风险验证操作可以包括自动验证操作、人工验证操作、 电话交互验证操作等。另外,风险处置单元533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、开启车内监控设备、触发终 端的上报机制、联络终端周围的服务提供者进行协助。
在一些实施例中,所述女性安全风险判断结果可以包括所述订单的 风险等级。在一些实施例中,执行设定的操作还包括:基于所述订单的风 险等级,风险排序单元确定所述订单在待处理风险订单中的排序;基于所 述订单的排序结果,风险确认单元确定执行至少一种风险验证操作。
在一些实施例中,所述基于所述女性安全风险判断结果进行排序处 理,可以包括基于排序规则对所述判定结果进行排序处理。排序规则可以 是根据风险等级从大到小进行排序。风险等级越大的待处理订单,发生女 性安全事件的可能性越高。排序处理也可以包括根据某一类特定的特征参 数进行排序。例如,按照与声音相关的特征参数的匹配程度进行排序。
在一些实施例中,所述基于所述女性安全风险判断结果进行排序处 理,可以包括基于排序模型对所述判定结果进行排序处理。排序模型可以 给当前订单中不同的特征参数添加权重。在一些实施例中,可以根据实际 应用情况对特征参数设置对应的权重。例如,对于与声音有关的特征参数 和与能见度有关的特征参数,排序模型中,可以将与声音有关的特征参数 的权重设置为大于与能见度有关的特征参数的权重。
在一些实施例中,所述风险验证操作可以包括但不限于自动验证操 作、人工验证操作、或电话交互验证操作等一种或任意几种的组合。风险 验证操作可以排除风险误报。例如,根据排序结果进行自动验证操作,在 处理当前订单时,匹配的特征参数是异常停留,风险确认单元可以根据当 前的交通路况信息判断是否是停留地发生交通堵塞。交通路况信息可以通 过交通指挥中心、交通广播、路况信息监测得到。又例如,风险确认单元可 以进行人工验证操作。风险确认单元可以调控人工客服介入。人工客服可 以听取/查看驾驶过程中收集的音频/视频以判断是否有女性安全事件发生。 再例如,风险确认单元可以进行电话验证操作。风险确认单元可以通过网 络140向服务请求者终端(乘客)和/或服务服务提供者终端(司机)发送 验证短信和/或拨打验证电话。乘客和/或司机需回复特定内容以确认无女性 安全事件发生。
在一些实施例中,所述至少一种风险处置操作至少可以包括以下一 种: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,所述 用户终端包括服务服务提供者终端和/或服务请求者终端;联络所述用户终 端周围的服务提供者进行协助。例如,乘客和/或司机可以在网约车平台中 设定紧急联系人。风险确认单元确认女性安全事件发生后,风险处置单元 可以联系紧急联系人。联系方式可以是通过网络140发送短信和/或拨打电 话。如果驾驶车辆中安装有监控设备,风险处置单元可以远程开启车内监 控设备,同时调控人工客服进行处理或通知交管部门对当前行程的异常进 行监控。再例如,乘客和/司机可以通过点击服务请求者终端和/或服务提供 者终端中的紧急按钮或者说出预设的触发短语来触发用户终端的上报机制。 乘客和/司机可以在网约车平台中设定触发短语。当检测到响应的触发短语 时,风险处置单元可以自动拨打报警电话或发送报警信息。又例如,如果 检测到女性安全事件的发生,风险处置单元可以通过网络140向驾驶车辆 附近的终端发出信息,以便周围的服务提供者协助。
在一些实施例中,所述方法还包括:延迟触发处理,包括:对判定结 果为存在女性安全风险的订单进行持续监控;确认发生安全行为后取消订 单的女性安全风险判定。女性安全风险可以通过与位置相关的特征参数来 判断,如果实际路径相对于规划路径的偏离程度过大,则可能存在女性安 全风险。风险处置单元可以通过调控人工客服对存在女性安全风险的订单 进行持续监控,当确认行程结束且未发生安全事件后,风险处置单元可以取消订单的女性安全风险判定。
应当注意的是,上述有关流程700的描述仅仅是为了示例和说明, 而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导 下可以对流程700进行各种修正和改变。然而,这些修正和改变仍在本申 请的范围之内。
图8是根据本申请一些实施例所示的***更新方法800的示例性流 程图。
如图8所示,该***更新方法800可以包括:
步骤801,获取历史订单数据。
在一些实施例中,更新模块540可以获取历史订单数据。在一些实 施例中,该历史订单可以包括在网约车平台上,曾经由某服务请求者(乘 客)发出订单请求,并由某服务提供者(司机)完成的订单。该历史订单数 据可以包括一个或多个历史订单相关的信息和/或特征。例如,历史订单数 据可以包括历史订单编号、历史订单始发地、历史订单目的地、历史订单 开始时间、历史订单结束时间、发起历史订单的乘客、完成历史订单的司 机(包括司机信息、车辆信息等)、历史订单的类型、历史订单的固有价 值、历史订单的接单成本等一种或多种的任意组合。
在一些实施例中,一旦某个订单完成,该订单即可以被视为历史订 单。服务请求者终端(如乘客)和服务提供者终端(如司机)可以通过网络 140将相关的历史订单数据传输到***100的存储媒介(例如,存储设备 130)中。处理设备110(例如,获取模块310)可以从该***100的存储 媒介中获得历史订单数据。
在一些实施例中,该历史订单数据可以包括过去一段时间(如6小 时、12小时、1天、2天、3天、5天、7天、14天、1个月、3个月等等) 的历史订单。在一些实施例中,该历史订单数据可以包括最近完成的一定 数量(如10个、50个、100个、500个、1000个,1万个等)的历史订单。 在一些实施例中,该历史订单可以为某一区域内的订单。例如,所有历史 订单的起点可以在某一区域内;或者所有历史订单的终点可以在某一区域 内;或者所有历史订单的轨迹均在某一区域内;或者所有历史订单的轨迹 均有部分在某一区域内,等等。该区域可以包括某个城市、某个地区、某个 街道或是某个预先设定的区域等。
步骤803,处理所述历史订单数据。
在一些实施例中,风险处置单元533可以处理所述历史订单数据。 利用风险判断模型确定女性安全风险判断结果。利用排序模型对历史订单 进行排序。记录风险判断模型的确认结果与处理方式。
步骤805,更新处理过程中涉及的规则和模型。
在一些实施例中,风险处置单元533可以更新处理过程中涉及的规 则和模型。风险处置单元533可以比较风险判断模型的确认结果与实际的 确认结果。例如,风险判断模型将驾驶过程中路过的鸣笛车辆所导致的分 贝变化判断为女性安全事件。比较确认结果与实际结果后,更新风险判断 模型,在风险判断模型中加入声音的频率作为特征参数。在一些实施例中, 可以基于排序模型对所述判定结果进行排序处理。排序模型可以给历史订单中不同的特征参数添加权重。例如,对于与声音有关的特征参数和与能 见度有关的特征参数,排序模型中,与声音有关的特征参数的权重大于与 能见度有关的特征参数的权重。更新模块540可以比较根据排序模型得出 的排序与实际的风险等级排序。如果实际的风险等级排序中,与能见度相 关的特征参数对发生女性安全事件的影响比与声音相关的特征参数大,则 更新模块540可以对排序模型进行调整,使与声音有关的特征参数的权重 小于与能见度有关的特征参数的权重。再例如,在历史订单中,当检测到 非正常停车,采取的风险验证操作为人工验证操作,而实际采取的操作为 自动验证操作。更新模块540可以将这种情况下的操作更新为自动验证操 作。
应当注意的是,上述有关流程800的描述仅仅是为了示例和说明, 而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导 下可以对流程800进行各种修正和改变。然而,这些修正和改变仍在本申 请的范围之内。
本申请实施例可能带来的有益效果包括但不限于:(1)通过获取订 单的相关数据对订单进行女性安全风险的判定,从而能够尽快发现存在女 性安全风险的订单,减少司乘风险,提高司乘安全感。(2)通过根据风险 判定结果进行相应的操作,从而可以达到根据风险情况进行不同情况的风 险防范措施,更加具有针对性,同时也可以提高平台的工作效率。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 (16)
1.一种女性安全风险防范方法,其特征在于,所述方法包括:
获取当前订单的相关数据,所述当前订单的相关数据至少包括与当前订单相关联的数据和/或当前订单执行时的状态数据;
判断所述当前订单的服务提供者和服务请求者的性别是否相同,响应于所述当前订单的服务提供者和服务请求者的性别不同,进行女性安全风险判断;
至少基于所述当前订单的相关数据,确定当前订单的女性安全风险判断结果;
基于所述女性安全风险判断结果,执行设定的操作。
2.如权利要求1所述的方法,其特征在于,所述当前订单相关联的数据至少包括以下一种:
服务提供者的身份信息、服务提供者在平台的操作行为信息、服务时间、行程信息、服务请求者的身份信息、和服务请求者在平台的操作行为信息;
所述当前订单执行时的状态数据至少包括以下一种:
服务请求者和/或服务提供者的位置信息、环境数据、行驶信息。
3.如权利要求1所述的方法,其特征在于,所述至少基于所述当前订单的相关数据,确定当前订单执行过程中的女性安全风险判断结果,还包括:
利用风险判断模型处理所述当前订单的相关数据,确定女性安全风险判断结果。
4.如权利要求3所述的方法,其特征在于,所述风险判断模型通过以下方法获得:
获取历史订单;
将所述历史订单中包括女性安全事件的订单标记为正样本,所述历史订单中的正常订单标记为负样本;
基于所述历史订单的所述相关数据及标记结果训练初始模型,获得所述风险判断模型。
5.如权利要求1所述的方法,其特征在于,所述女性安全风险判断结果包括所述订单的风险等级;
所述基于所述女性安全风险判断结果,执行设定的操作还包括:
基于所述当前订单的风险等级,确定所述当前订单在待处理风险订单中的排序;
基于所述当前订单的排序结果,确定执行至少一种风险验证操作。
6.如权利要求5所述的方法,其特征在于,所述风险验证操作包括但不限于自动验证操作、或电话交互验证操作。
7.如权利要求5所述的方法,其特征在于,所述基于所述女性安全风险判断结果,执行设定的操作还包括:
基于所述风险验证操作的判断结果,执行至少一种风险处置操作;
所述至少一种风险处置操作至少包括以下一种:
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,所述用户终端包括服务提供者终端和/或服务请求者终端;
联络所述用户终端周围的服务提供者进行协助。
8.一种女性安全风险防范***,其特征在于,所述***包括:
获取模块,用于获取当前订单的相关数据;所述当前订单的相关数据至少包括当前订单相关联的数据和/或当前订单执行时的状态数据;
判断模块,用于判断所述当前订单的服务提供者和服务请求者的性别是否相同,响应于所述当前订单的服务提供者和服务请求者的性别不同,进行女性安全风险判断;
还用于至少基于所述当前订单相关数据,确定当前订单的女性安全风险判断结果;
执行模块,用于基于所述女性安全风险判断结果,执行设定的操作。
9.如权利要求8所述的***,其特征在于,所述当前订单相关联的数据至少包括以下一种:
服务提供者的身份信息、服务提供者在平台的操作行为信息、服务时间、行程信息、服务请求者的身份信息、和服务请求者在平台的操作行为信息;
所述当前订单执行时的状态数据至少包括以下一种:
服务请求者和/或服务提供者的位置信息、环境数据、行驶信息。
10.如权利要求8所述的***,其特征在于,所述判断模块还用于:
利用风险判断模型处理所述当前订单的相关数据,确定女性安全风险判断结果。
11.如权利要求10所述的***,其特征在于,所述风险判断模型通过以下方法获得:
获取历史订单;
将所述历史订单中包括女性安全事件的订单标记为正样本,所述历史订单中的正常订单标记为负样本;
基于所述历史订单的所述相关数据及标记结果训练初始模型,获得所述风险判断模型。
12.如权利要求8所述的***,其特征在于,所述女性安全风险判断结果包括所述当前订单的风险等级;
所述判断模块还用于:
基于所述当前订单的风险等级,确定所述当前订单在待处理风险订单中的排序;
基于所述当前订单的排序结果,确定执行至少一种风险验证操作。
13.如权利要求12所述的***,其特征在于,所述风险验证操作包括但不限于自动验证操作、或电话交互验证操作。
14.如权利要求12所述的***,其特征在于,所述执行模块还用于:
基于所述风险验证操作的判断结果,执行至少一种风险处置操作;
所述至少一种风险处置操作至少包括以下一种:
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,所述用户终端包括服务提供者终端和/或服务请求者终端;
联络所述用户终端周围的服务提供者进行协助。
15.一种女性安全风险防范装置,包括处理器,其特征在于,所述处理器用于执行权利要求1~7中任一项所述的女性安全风险防范方法。
16.一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,计算机执行权利要求1~7任一项所述的女性安全风险防范方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130458.1A CN111598370A (zh) | 2019-02-21 | 2019-02-21 | 一种女性安全风险防范方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130458.1A CN111598370A (zh) | 2019-02-21 | 2019-02-21 | 一种女性安全风险防范方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598370A true CN111598370A (zh) | 2020-08-28 |
Family
ID=72183173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130458.1A Pending CN111598370A (zh) | 2019-02-21 | 2019-02-21 | 一种女性安全风险防范方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598370A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819670A (zh) * | 2021-01-08 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、可读存储介质和电子设备 |
CN114158022A (zh) * | 2021-12-07 | 2022-03-08 | 阿维塔科技(重庆)有限公司 | 一种馈电救援方法、装置、***及设备 |
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*** |
Citations (3)
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、*** |
CN108961669A (zh) * | 2018-07-19 | 2018-12-07 | 上海小蚁科技有限公司 | 网约车的安全预警方法及装置、存储介质、服务器 |
CN110520913A (zh) * | 2017-06-12 | 2019-11-29 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的***和方法 |
-
2019
- 2019-02-21 CN CN201910130458.1A patent/CN111598370A/zh active Pending
Patent Citations (3)
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、*** |
CN110520913A (zh) * | 2017-06-12 | 2019-11-29 | 北京嘀嘀无限科技发展有限公司 | 确定预估到达时间的***和方法 |
CN108961669A (zh) * | 2018-07-19 | 2018-12-07 | 上海小蚁科技有限公司 | 网约车的安全预警方法及装置、存储介质、服务器 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819670A (zh) * | 2021-01-08 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、可读存储介质和电子设备 |
CN114158022A (zh) * | 2021-12-07 | 2022-03-08 | 阿维塔科技(重庆)有限公司 | 一种馈电救援方法、装置、***及设备 |
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*** |
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*** | |
CN111598368B (zh) | 基于行程结束后停留异常的风险识别方法、***及装置 | |
US20220092893A1 (en) | Method for determining driving characteristics of a vehicle | |
US20230166739A1 (en) | System for monitoring and classifying vehicle operator behavior | |
US10304265B1 (en) | Driver performance ratings | |
CN111598371A (zh) | 一种风险防范方法、***、装置及存储介质 | |
US11783421B2 (en) | Traveling-based insurance ratings | |
US10445758B1 (en) | Providing rewards based on driving behaviors detected by a mobile computing device | |
CN110992119A (zh) | 一种对风险订单进行排序的方法和*** | |
US20170140468A1 (en) | Vehicle router | |
CN111598641A (zh) | 一种订单风险验证方法和*** | |
US20140322676A1 (en) | Method and system for providing driving quality feedback and automotive support | |
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 | |
CN111598370A (zh) | 一种女性安全风险防范方法和*** | |
CN111598274A (zh) | 基于取消异常的风险识别方法、***、装置及存储介质 | |
US20190265054A1 (en) | Passenger transport route management system and method | |
CN110991781A (zh) | 一种风险订单展示方法和*** | |
CN111598372A (zh) | 一种风险防范的方法和*** | |
CN111275507A (zh) | 一种订单异常识别和订单风险管控的方法及其*** | |
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*** |
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 |
Application publication date: 20200828 |