CN114020757A - 基于区块链的景区旅客不诚信名单更新方法和相关装置 - Google Patents

基于区块链的景区旅客不诚信名单更新方法和相关装置 Download PDF

Info

Publication number
CN114020757A
CN114020757A CN202111074274.1A CN202111074274A CN114020757A CN 114020757 A CN114020757 A CN 114020757A CN 202111074274 A CN202111074274 A CN 202111074274A CN 114020757 A CN114020757 A CN 114020757A
Authority
CN
China
Prior art keywords
passenger
dishonest
list
scenic spot
scenic
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
Application number
CN202111074274.1A
Other languages
English (en)
Inventor
左磊
王绍鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianju Dihe Suzhou Data Co ltd
Original Assignee
Tianju Dihe Suzhou Data Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianju Dihe Suzhou Data Co ltd filed Critical Tianju Dihe Suzhou Data Co ltd
Priority to CN202111074274.1A priority Critical patent/CN114020757A/zh
Publication of CN114020757A publication Critical patent/CN114020757A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/14—Travel agencies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书一个或多个实施例公开了一种基于区块链的景区旅客不诚信名单更新方法和相关装置，该方案中，基于区块链网络实现作为区块链节点的景区服务节点之间的旅客不诚信名单共享，同时，旅客不诚信名单可以使用在景区服务节点本地使用机器学习算法训练得到的识别评价模型进行更新。由此，通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。

Description

基于区块链的景区旅客不诚信名单更新方法和相关装置
技术领域
本文件涉及区块链技术领域，尤其涉及一种基于区块链的景区旅客不诚信名单更新方法和相关装置。
背景技术
每个景区都可能会接待到游览行为不佳的旅客，例如，对景区建筑物进行非法毁坏，游玩时恶意插队，在往返景区乘坐公共交通工具时霸座、吸烟等。目前，相应景区一般会采取人工登记的方式将这类旅客纳入不诚信名单，以警示或避免不诚信行为发生。
但是，现有的旅客不诚信名单一般仅在本地景区使用，其它景区无法共享以及共享后旅客不诚信名单的更新仍依赖人工登记的方式收集。
发明内容
本说明书一个或多个实施例的目的是提供一种基于区块链的景区旅客不诚信名单更新方法和相关装置，以在多个景区之间实现旅客不诚信名单数据的共享，同时，基于识别评价模型实现对旅客不诚信名单的更新及存证。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
第一方面，提出了一种基于区块链的景区旅客不诚信名单更新方法，应用于包含多个景区服务节点的区块链网络，所述方法包括：
所述区块链网络内的每个景区服务节点周期性收集历史旅客游览本地景区所发生的历史行为数据；
根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息；
当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链进行核验；
如果所述旅客的身份信息在至少一个或多个旅客不诚信名单中出现，则限制该旅客游览；
如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览；
在该旅客游览开始后，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果；基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
第二方面，提出了一种基于区块链的景区旅客不诚信名单更新***，所述***包括：多个景区服务节点以及区块链；
所述区块链网络内的每个景区服务节点周期性收集历史旅客游览本地景区所发生的历史行为数据；
根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息；
当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链进行核验；
如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则限制该旅客游览；
如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览；
在该旅客游览开始后，所述该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果；以及，基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
第三方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行景区服务节点或区块链所执行操作。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行景区服务节点或区块链所执行操作。
由以上本说明书一个或多个实施例提供的技术方案可见，基于区块链网络，实现作为区块链节点的景区服务节点之间的旅客不诚信名单共享，同时，旅客不诚信名单可以使用在景区服务节点本地使用机器学习算法训练得到的识别评价模型进行更新。由此，通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对一个或多个实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的基于区块链的景区旅客不诚信名单更新方案的场景架构示意图。
图2是本说明书实施例提供的一种基于区块链的景区旅客不诚信名单更新方法的步骤示意图之一。
图3是本说明书实施例提供的一种基于区块链的景区旅客不诚信名单更新方法的步骤示意图之二。
图4是本说明书实施例提供的一种基于区块链的景区旅客不诚信名单更新***的结构示意图。
图5是本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
区块链，是利用分布式账本技术解决多方信任问题的去中心化创新性的解决方案，是当前社会的前沿技术。
本申请就是基于区块链网络，实现作为区块链节点的景区服务节点之间的旅客不诚信名单共享，同时，旅客不诚信名单可以使用在景区服务节点本地使用机器学习算法训练得到的识别评价模型进行更新。由此，通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
参照图1所示，为本说明书实施例提供的基于区块链的景区旅客不诚信名单更新方案的场景架构示意图。该场景架构中，包括：多个景区服务节点102 以及区块链104。其中，景区服务节点102在这里可以指景区后台服务器，通过外部采集装置(摄像头、检票机等)收集旅客行为数据，其实，也可以通过手工录入的方式辅助收集。
实施例一
参照图2所示，为本说明书实施例提供的一种基于区块链的景区旅客不诚信名单更新方法的步骤示意图，应用于包含多个景区服务节点的区块链网络，所述方法可以包括以下步骤：
步骤202：所述区块链网络内的每个景区服务节点周期性收集历史旅客游览本地景区所发生的历史行为数据。
在本说明书实施例中，旅客的行为数据可以包括：消费信息、轨迹信息、逗留时长以及违规画面信息。
应理解，在收集旅客行为数据时，可以通过摄像头、扫描仪、贩卖终端等外部设备采集。这些行为数据可以统一存放在相应数据库中，待需要时有目的的获取。
步骤204：根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息。
在本说明书实施例中，所涉及的机器学习算法可以包括：逻辑回归算法或支持向量机算法。此外，也可以使用其它机器学习算法，例如：神经网络算法等。
在获取历史行为数据之后，对每个历史旅客的历史行为数据进行特征提取，然后，根据历史旅客的行为标签，使用逻辑回归算法或支持向量机算法或随机森林算法训练得到识别评价模型。
应理解，历史旅客的行为标签可以是表示游览行为良好的″白″或表示游览行为不佳的″黑″。这样，在训练得到识别评价模型的同时，还可以根据历史旅客的行为标签，将行为标签为″黑″的历史旅客统计到一起，创建旅客不诚信名单。
景区服务节点在创建旅客不诚信名单之后，还可以将该旅客不诚信名单发送至区块链进行存储。这样，区块链上就存储有多个景区服务节点发来的旅客不诚信名单，一般每个旅客不诚信名单对应一个景区(即景区服务节点)。
步骤206：当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链进行核验。
步骤208：如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则限制该旅客游览。
可选地，如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则基于出现该旅客的身份信息的旅客不诚信名单的个数为该旅客确定相匹配的限制游览策略，所述限制游览策略至少在游览时间、游览范围以及游览消费中的一个或多个维度分别进行部分或全部限制。
例如，如果旅客的身份信息仅在本地景区对应的旅客不诚信名单中出现，则可以根据该旅客的征信情况以及工作单位等，限制该旅客在规定游览时间内游览本地景区的部分景区范围；或者，禁止该旅客游览本地景区而不限制游览其它景区。
再如，如果旅客的身份信息不仅在本地景区对应的旅客不诚信名单中出现，还在其它景区对应的旅客不诚信名单中出现，则可以根据出现次数，禁止该旅客游览所有联盟的景区；或者，根据出现次数，以及该旅客的征信情况、工作单位等作为背书，限制该旅客在规定游览时间内游览本地景区的部分景区范围。
接着举例，如果旅客的身份信息不在本地景区对应的旅客不诚信名单中出现，在其它景区对应的旅客不诚信名单中出现，则允许旅客自由游览本地景区；或者，根据出现次数，以及该旅客的征信情况、工作单位等，限制该旅客在规定游览时间内游览本地景区的部分景区范围。
步骤210：如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览。
通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
进一步，参照图3所示，在该旅客游览开始后，所述方法还可以包括：
步骤212：该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果。
方式一：逻辑回归算法
逻辑回归算法通过在预先准备好的旅客的标签(即表征旅客是否在不诚信名单上而标记的行为标签，是则该行为标签为″黑″，反之，该标签为″白″) 和旅客行为数据组成的训练数据集上进行模型的训练和模型参数的优化，训练好的逻辑回归算法模型会对旅客在景区中的各类行为数据特征(在算法模型中，将反映旅客在景区内的各类行为数据称之为该旅客的特征或者特征值)给予合适的权重值；然后，可以利用上述训练好的算法模型中的权重值，通过计算特定新旅客的行为数据的加权值后导入相关的决策函数，得到该旅客是否应该在不诚信名单上预测结果。
相应地，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果，具体包括：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型：
Figure RE-GDA0003435969380000091
其中fθ(x)是决策函数，x是由旅客的行为数据组成的特征向量，θ是训练好的逻辑回归模型中和特征向量对应的权重向量；T代表转置；
输出评价结果：
Figure RE-GDA0003435969380000101
方式二：支持向量机算法
支持向量机算法通过在旅客的行为数据特征组成的特征空间中，构建一个最优的分隔超平面来将旅客标签为″黑″和″白″的两类分开。类似于逻辑回归算法，可以区分旅客行为标签的支持向量机算法模型也需要一个预先准备好的训练数据集用来训练模型。通过在该训练数据集上构建一个有最优分隔超平面的算法模型，可以根据旅客的行为特征数据来给出该旅客的行为标签。其中，支持向量机算法模型会根据训练集的数据来求解下述公式(4)和(5)中的共同组成的带约束的优化问题来构建最优的分隔超平面。
相应地，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果，具体包括：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型并输出结果：
Figure RE-GDA0003435969380000102
其中，ω和b是决定超平面的法向量和截距，xi分别是旅客的行为数据的特征向量，T代表转置；而ω和b通过以下两个公式确定：
Figure RE-GDA0003435969380000111
s.t.yi(ωTxi+b)≥1 (5)
其中，
Figure RE-GDA0003435969380000112
表示以ω和b为参数求表达式的最小值， s.t.yi(ωTxi+b)≥1表示求
Figure RE-GDA0003435969380000113
的最小值时模型参数和特征向量所需要满足的条件。
此外，还可以采用随机森林算法确定本次游览景区时该旅客的评价结果。
随机森林是基于决策数模型构建的一种同质集成算法，即随机森林是在同一个训练数据集上得到多个不同训练数据子集，在每个数据子集上构建一个决策树模型，有所有的决策树模型组成随机森林模型。对于一个有n棵决策树的随机森林模型，对一个输入的测试数据，该数据的离散预测类别或者连续预测结果由n棵决策树的预测类别或者预测结果通过多数投票或者加权平均得到。
随机森林模型根据训练数据集构建决策树时，会根据信息熵或者Gini不纯度从训练数据子集中挑选特征和截断值，基于上述信息构建决策树的分支和叶子节点。每棵训练好决策树都是一个对部分样本预测准确率较高的弱分类器；将大量这样的弱分类器进行组合后，可以得到过拟合程度低，预测准确度高，泛化性好的随机森林模型。
在新的集成模型中，每一个游客的行为数据作为特征会输入到集成模型的每一个子模型中；每个子模型根据行为数据特征输出对应游客的预测行为标签 (黑或白)；最后，集成模型对特定游客的行为标签的预测结果是由子模型的预测结果通过多数投票的方法获得。通过组合异质的三种算法作为集成模型，可以充分发挥不同算法对训练数据不同层面的结构挖掘和建模优势，根据游客的游览行为数据更准确的对游客的行为标签结果进行预测。除了上述所列三种算法，其他分类算法包括贝叶斯算法、多层感知机、深度学习分类算法都在本专利的保护范围内。
步骤214：基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
可选地，步骤214可具体包括：
基于所述评价结果决定是否将该旅客的身份信息添加至本地旅客不诚信名单并上链存证；或者，
基于所述评价结果和预置恢复正常策略判断该旅客是否达到恢复正常条件，如果达到，则从本地旅客不诚信名单中删除该旅客的身份信息，并上链更新；如果达不到，则不作处理。
在本说明书实施例中，旅客不诚信名单还可以按照本次旅客行为的恶劣程度，划分不诚信名单等级；不同等级对应不同的限制策略：例如，恶劣级别高的旅客，一年内禁止游览联盟景区；再如，恶劣级别高的旅客，恢复正常策略与个人信用相关。旅客还可以通过相关恢复正常策略恢复正常。恢复正常方案也可以涉及算法，由不诚信名单管理方周期性采集游客恢复正常信息，当满足恢复正常条件，即可恢复游客游览资格。
其实，旅客轨迹信息和旅客逗留时长等信息还可以通过相关算法规划最佳游览路径和推荐出最佳游览景点。同样可以共享并推荐给其它景区，供其它景区游客选择。
实施例二
参照图4所示，为本说明书实施例提供的基于区块链的景区旅客不诚信名单更新***，所述***400包括：多个景区服务节点402以及区块链404；
所述区块链网络内的每个景区服务节点402周期性收集历史旅客游览本地景区所发生的历史行为数据；
根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息；
当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链404进行核验；
如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则限制该旅客游览；
如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览；
在该旅客游览开始后，所述景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果；
基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
在本说明书实施例的一种具体实现方式中，所述景区服务节点还用于：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型：
Figure RE-GDA0003435969380000141
其中fθ(x)是决策函数，x是由旅客的行为数据组成的特征向量，θ是训练好的逻辑回归模型中和特征向量对应的权重向量；T代表转置；
输出评价结果：
Figure RE-GDA0003435969380000142
在本说明书实施例的再一种具体实现方式中，所述景区服务节点还用于：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型并输出结果：
Figure RE-GDA0003435969380000143
其中，ω和b是决定超平面的法向量和截距，xi分别是旅客的行为数据的特征向量，T代表转置；而ω和b通过以下两个公式确定：
Figure RE-GDA0003435969380000144
s.t.yi(ωTxi+b)≥1 (5)
其中，
Figure RE-GDA0003435969380000151
表示以ω和b为参数求表达式的最小值， s.t.yi(ωTxi+b)≥1表示求
Figure RE-GDA0003435969380000152
的最小值时模型参数和特征向量所需要满足的条件。
在本说明书实施例的再一种具体实现方式中，所述景区服务节点还用于：
基于所述评价结果决定是否将该旅客的身份信息添加至本地旅客不诚信名单并上链存证；
或者，
基于所述评价结果和预置恢复正常策略判断该旅客是否达到恢复正常条件，如果达到，则从本地旅客不诚信名单中删除该旅客的身份信息，并上链更新；如果达不到，则不作处理。
在本说明书实施例的再一种具体实现方式中，所述景区服务节点还用于：
如果所述旅客的身份信息在至少一个旅客不诚信名单中出现，则基于出现该旅客的身份信息的旅客不诚信名单的个数为该旅客确定相匹配的限制游览策略，所述限制游览策略至少在游览时间、游览范围以及游览消费中的一个或多个维度分别进行部分或全部限制。
通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
实施例三
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory， RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成相应执行主体装置。处理器，执行存储器所存放的程序，并具体用于执行实施例一中操作。
上述如本说明书图2所示实施例揭示的装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field- Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的方法，并实现相应装置在图2所示实施例的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
实施例四
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行实施例一中操作。
通过区块链共享旅客不诚信名单的方式为多景区之间打通旅客数据孤岛、对旅客实施相关限行措施提供实际可行的方法。同时，通过基于区块链技术的不诚信名单共享方法，也可以为分析不诚信名单上旅客的行为数据信息，设置对应的恢复正常策略提供良好的数据支撑。另外，通过机器学习算法来识别评价旅客，以更新旅客不诚信名单，保证评价结果更为准确客观。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述一个或多个实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

Claims (10)

1.一种基于区块链的景区旅客不诚信名单更新方法，应用于包含多个景区服务节点的区块链网络，所述方法包括：
所述区块链网络内的每个景区服务节点周期性收集历史旅客游览本地景区所发生的历史行为数据；
根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息；
当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链进行核验；
如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则限制该旅客游览；
如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览；
在该旅客游览开始后，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果；基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
2.如权利要求1所述的基于区块链的景区旅客不诚信名单更新方法，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果，具体包括：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型：
Figure RE-FDA0003435969370000021
其中fθ(x)是决策函数，x是由旅客的行为数据组成的特征向量，θ是训练好的逻辑回归模型中和特征向量对应的权重向量；T代表转置；
输出评价结果：
Figure RE-FDA0003435969370000022
3.如权利要求1所述的基于区块链的景区旅客不诚信名单更新方法，该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果，具体包括：
获取该旅客本次游览景区所发生的行为数据，输入本地识别评价模型并输出结果：
Figure RE-FDA0003435969370000023
其中，ω和b是决定超平面的法向量和截距，xi是旅客的行为数据的特征向量，T代表转置；而ω和b通过以下两个公式确定：
Figure RE-FDA0003435969370000024
s.t.yi(ωTxi+b)≥1 (5)
其中，
Figure RE-FDA0003435969370000031
表示以ω和b为参数求表达式的最小值，s.t.yi(ωTxi+b)≥1表示求
Figure RE-FDA0003435969370000032
的最小值时模型参数和特征向量所需要满足的条件。
4.如权利要求1所述的基于区块链的景区旅客不诚信名单更新方法，基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证，具体包括：
基于所述评价结果决定是否将该旅客的身份信息添加至本地旅客不诚信名单并上链存证；
或者，
基于所述评价结果和预置恢复正常策略判断该旅客是否达到恢复正常条件，如果达到，则从本地旅客不诚信名单中删除该旅客的身份信息，并上链更新；如果达不到，则不作处理。
5.如权利要求1-4任一项所述的基于区块链的景区旅客不诚信名单更新方法，如果所述旅客的身份信息在至少一个旅客不诚信名单中出现，则限制该旅客游览，具体包括：
如果所述旅客的身份信息在至少一个旅客不诚信名单中出现，则基于出现该旅客的身份信息的旅客不诚信名单的个数为该旅客确定相匹配的限制游览策略，所述限制游览策略至少在游览时间、游览范围以及游览消费中的一个或多个维度分别进行部分或全部限制。
6.一种基于区块链的景区旅客不诚信名单更新***，所述***包括：多个景区服务节点以及区块链；
所述区块链网络内的每个景区服务节点周期性收集历史旅客游览本地景区所发生的历史行为数据；
根据所述历史行为数据以及历史旅客的行为标签，使用机器学习算法训练得到识别评价模型，以及创建由旅客的身份信息组成的旅客不诚信名单并上链存储，所述区块链上维护有多个旅客不诚信名单，每个旅客不诚信名单对应一个景区，且不同旅客不诚信名单允许出现相同旅客的身份信息；
当任一景区服务节点接收到旅客游览本地景区的申请时，将该旅客的身份信息发送至区块链进行核验；
如果所述旅客的身份信息在一个或多个旅客不诚信名单中出现，则限制该旅客游览；
如果所述旅客的身份信息未在任一旅客不诚信名单中出现，则允许该旅客自由游览；
在该旅客游览开始后，所述该景区服务节点基于本地识别评价模型确定本次游览景区时该旅客的评价结果；以及，基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证。
7.如权利要求6所述的基于区块链的景区旅客不诚信名单更新***，所述景区服务节点在基于所述评价结果决定是否更新本地旅客不诚信名单以及上链存证时，具体用于：
基于所述评价结果决定是否将该旅客的身份信息添加至本地旅客不诚信名单并上链存证；
或者，
基于所述评价结果和预置恢复正常策略判断该旅客是否达到恢复正常条件，如果达到，则从本地旅客不诚信名单中删除该旅客的身份信息，并上链更新；如果达不到，则不作处理。
8.如权利要求6或7任一项所述的基于区块链的景区旅客不诚信名单更新***，如果所述旅客的身份信息在至少一个旅客不诚信名单中出现，则所述景区服务节点基于出现该旅客的身份信息的旅客不诚信名单的个数为该旅客确定相匹配的限制游览策略，所述限制游览策略至少在游览时间、游览范围以及游览消费中的一个或多个维度分别进行部分或全部限制。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行权利要求1-5任一项中景区服务节点或区块链所执行操作。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1-5任一项中景区服务节点或区块链所执行操作。
CN202111074274.1A 2021-09-14 2021-09-14 基于区块链的景区旅客不诚信名单更新方法和相关装置 Pending CN114020757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111074274.1A CN114020757A (zh) 2021-09-14 2021-09-14 基于区块链的景区旅客不诚信名单更新方法和相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111074274.1A CN114020757A (zh) 2021-09-14 2021-09-14 基于区块链的景区旅客不诚信名单更新方法和相关装置

Publications (1)

Publication Number Publication Date
CN114020757A true CN114020757A (zh) 2022-02-08

Family

ID=80054152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111074274.1A Pending CN114020757A (zh) 2021-09-14 2021-09-14 基于区块链的景区旅客不诚信名单更新方法和相关装置

Country Status (1)

Country Link
CN (1) CN114020757A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492846A (zh) * 2022-04-06 2022-05-13 天聚地合(苏州)科技股份有限公司 基于可信执行环境的跨域联邦学习方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492846A (zh) * 2022-04-06 2022-05-13 天聚地合(苏州)科技股份有限公司 基于可信执行环境的跨域联邦学习方法及***

Similar Documents

Publication Publication Date Title
CN108111489B (zh) Url攻击检测方法、装置以及电子设备
CN107577945B (zh) Url攻击检测方法、装置以及电子设备
Grimm et al. Artificial intelligence as evidence
CN110826006B (zh) 基于隐私数据保护的异常采集行为识别方法和装置
CN112860841B (zh) 一种文本情感分析方法、装置、设备及存储介质
US10692089B2 (en) User classification using a deep forest network
CN110990560B (zh) 一种司法数据处理方法及***
US11805137B2 (en) Method and system for machine learning model testing and preventive measure recommendation
CN112463923B (zh) 用户欺诈行为检测方法、装置、设备及存储介质
Zhao et al. An abnormal driving behavior recognition algorithm based on the temporal convolutional network and soft thresholding
CN116401466B (zh) 一种图书分级分类推荐方法和***
CN113221747A (zh) 一种基于隐私保护的隐私数据处理方法、装置及设备
CN113901236A (zh) 基于人工智能的目标识别方法、装置、电子设备及介质
CN111783126A (zh) 一种隐私数据识别方法、装置、设备和可读介质
CN110334936B (zh) 一种信贷资质评分模型的构建方法、装置和设备
CN114020757A (zh) 基于区块链的景区旅客不诚信名单更新方法和相关装置
CN114090985A (zh) 区块链中用户操作权限的设置方法、装置和电子设备
Sibai AI crimes: a classification
CN113298264A (zh) 基于浅层自学习算法拒绝推断的设备认证方法及***、电子设备
Li et al. Improving spatiotemporal transferability of real-time crash likelihood prediction models using transfer-learning approaches
CN116189215A (zh) 自动审核方法、装置、电子设备及存储介质
CN115438747A (zh) 异常账户识别模型训练方法、装置、设备及介质
CN115099988A (zh) 模型训练方法、数据处理方法、设备及计算机介质
JP2023154373A (ja) 情報処理装置
Nosrati et al. Identifying People’s Faces in Smart Banking Systems Using Artificial Neural Networks

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