CN105741161A - 基于司机信用的识别打车业务中刷单用户的方法和系统 - Google Patents

Abstract

基于司机信用的识别打车业务中刷单用户的方法和系统，方法包括有：设定若干个信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中一个信用指标群；为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后计算每个信用指标群中的每个信用指标的权重值；根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。本发明属于移动互联网技术领域，能通过计算司机的信用评分来有效识别打车业务中的刷单用户，同时降低系统误判，提高识别效率。

Description

基于司机信用的识别打车业务中刷单用户的方法和系统

技术领域

本发明涉及一种基于司机信用的识别打车业务中刷单用户的方法和系统，属于移动互联网技术领域。

背景技术

目前乘客可以便捷地通过手机发布打车需求，打车业务平台接收乘客手机发送的打车请求，并将该打车请求的订单推送给终端，司机可以使用终端抢单，并与乘客直接沟通，大大提高了打车效率。

由于O2O行业细分领域众多，竞争都非常激烈，市场参与者大多通过大量的现金注入来留住客户，打车业务的商家对用户提供了很多优惠补贴，因此存在有部分的刷单用户通过刷单行为来完成打车订单，以套取利润，这些刷单行为包括如下：

1、熟人互刷，相互下单，刷单用户之间建立群组，相互下单；

2、一人拥有多台机器配合司机刷单：刷单者购买多个廉价手机号码和改造的智能手机，一部手机可以支持大量账户的身份验证，并且假冒成不同的手机用户，同时通过软件修改行车轨迹。

专利申请CN201510284601.4(专利名称：GPS坐标作弊的检测方法及装置，申请日：2015-05-28，申请人：北京嘀嘀无限科技发展有限公司)公开了一种GPS坐标作弊的检测方法，包括：获取终端在预设时间段内的全球定位系统GPS坐标信息；获取采用基站定位技术或WiFi定位技术得到的所述终端在所述预设时间段内的第一坐标信息；获得所述GPS坐标信息与所述第一坐标信息的偏差，并将所述偏差与第一预设阈值进行比较；若所述偏差大于等于第一预设阈值，则判定所述GPS坐标信息为伪造坐标信息。该技术方案仅限于识别用户是否对GPS坐标进行了修改，由于刷单用户的行为存在多样性，修改GPS坐标只是其中的一种刷单行为，如果仅依据用户的GPS坐标来识别刷单用户，并不能有效识别出打车业务中绝大多数的刷单用户。

因此，针对多样化的刷单行为，如何有效识别打车业务中的刷单用户，降低企业损失，同时降低系统误判，提高识别效率，已成为了当前急需解决的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种基于司机信用的识别打车业务中刷单用户的方法和系统，能通过计算司机的信用评分来有效识别打车业务中的刷单用户，降低企业损失，同时降低系统误判，提高识别效率。

为了达到上述目的，本发明提供了一种基于司机信用的识别打车业务中刷单用户的方法，包括有：

步骤一、设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

步骤二、为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

步骤三、根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

步骤四、根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。

为了达到上述目的，本发明还提供了一种基于司机信用的识别打车业务中刷单用户的系统，包括有：

指标群构造装置，用于设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

指标权重计算装置，用于为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

指标群权重计算装置，用于根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

刷单用户识别装置，用于根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。

与现有技术相比，本发明的有益效果是：本发明不限于用户具体的刷单行为，通过计算司机的信用评分来识别刷单用户，技术方案实施简单而有效；将信用指标划分成多个信用指标群，并通过信用指标群的权重、以及信用指标群内每个信用指标的权重来计算获得司机的信用评分，从而在有效识别刷单用户的同时，还能降低系统误判，提高识别效率。

附图说明

图1是本发明一种基于司机信用的识别打车业务中刷单用户的方法的流程图。

图2是对于任一信用指标群Z_q，步骤二的具体计算流程图。

图3是步骤三的具体计算流程图。

图4是本发明一种基于司机信用的识别打车业务中刷单用户的系统的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明可以通过提取、分析司机的多项信用指标，计算司机在打车业务中的信用评分，并据此来判断司机是否是刷单用户，如图1所示，本发明一种基于司机信用的识别打车业务中刷单用户的方法，包括有：

步骤一、设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

步骤二、为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

步骤三、根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

步骤四、根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机的信用评分，并据此来识别打车业务中的刷单用户。司机的信用评分越低，则表示司机是刷单用户的概率越大。

步骤一中，可以提取影响司机信用度的多个相关指标，如：手机用户在网时长、使用状态(停机/正常/过期)、手机套餐使用情况、手机上网累积时长、手机月通话时长、手机号码实名制信息(是否实名制、拥有移动电话/固定号码/宽带号码个数)、消费能力(高、中、低端用户)、欠费额度和欠费记录、最近活跃地理位置等；并将其划分为三个信用指标群：身份特征指标群、通信行为指标群、人脉关系指标群。

值得一提的是，还可以对本发明所使用的各项信用指标值进行离散化和分值划分，步骤一还可以包括有：将每个信用指标的取值范围划分成多个区间，并为每个区间设定一个不同的分值，这样，在步骤二和步骤四中，输入样本用户或司机的信用指标值之前，还包括有：

判断每个信用指标值所在的信用指标的区间，然后将所述信用指标值替换为所述区间对应的分值。

如图2所示，对于任一信用指标群Z_q，步骤二还可以进一步包括有：

步骤21、为信用指标群Z_q选定多个样本用户，并提取每个样本用户对应于Z_q的所有信用指标值；

步骤22、根据信用指标值和信用评分的正负相关性，对所有样本用户的每个信用指标值进行调整，即当信用指标值和信用评分是正相关(比如司机的ARPU值越大，则其信用评分也应越高，所以ARPU值和信用评分是正相关)时，所述信用指标值的调整计算公式是：当信用指标值和信用评分是负相关(比如司机的欠费次数越多，其信用评分也应越低，所以欠费次数和信用评分是负相关)时，所述信用指标值的调整计算公式是：其中，是Z_q的第i个样本用户的第j个信用指标值，是Z_q的所有样本用户的第j个信用指标最小值，是Z_q的所有样本用户的第j个信用指标最大值；

步骤23、计算所有样本用户的每个信用指标值在信用指标下出现的概率：其中，m是Z_q所选定的样本用户数；

步骤24、计算Z_q中的每个信用指标的权重值：其中，是Z_q中的第j个信用指标的权重值，n_q是Z_q所包含的信用指标数，是Z_q的第j个信用指标的熵值，的计算公式还可以进一步如下： $e_j^q=\frac{-{\mathrm{\Σ}}_{i=1}^m\left(f\right(x_{ij}^q)+1)*\ln \left(f\right(x_{ij}^q)+1)}{ln(m+1)}.$

如图3所示，步骤三进一步包括有：

步骤31、定义重要性对比关系标度表，所述重要性对比关系标度表用于使用不同的标度值对两个因素的各种重要性对比关系进行标示，例如：

步骤32、构造一个P×P重要性等级构造判别矩阵A，P是信用指标群总数，判断每两个信用指标群(如Z_a、Z_b)之间的重要性对比关系，然后根据重要性对比关系标度表查找对应的标度值，最后将重要性等级构造判别矩阵A中对应于上述两个信用指标群的元素值(如j_ab)设置为所述标度值；例如Z_a、Z_b相比具有相同重要性时，查找重要性对比关系标度表中的标度值为1，则A中对应Z_a、Z_b这两个信用指标群的元素值j_ab＝1；

步骤33、构造一个P×1信用指标群权重矩阵C，计算C中的每个元素值：其中，c_a1是C中第a行第1列的元素值，j_ab是A中第a行第b列的元素值，是A中第a行所有列元素乘积值的P次方根；

步骤34、计算每个信用指标群的权重值：其中，W_a是第a个信用指标群的权重值，是C中所有行第1列的元素值之和。

例如，对于三个信用指标群：Z₁是身份特征指标群、Z₂是通信行为指标群、Z₃是人脉关系指标群，其中Z₁和Z₂的重要性对比关系是前者比后者稍微重要，Z₁和Z₃的重要性对比关系是前者比后者明显重要，Z₂和Z₃的重要性对比关系是前者比后者稍微重要，因此可以计算构造出一个3×3重要性等级构造判别矩阵： $\left[\begin{array}{ccc}1& 3& 5\\ \frac{1}{3}& 1& 3\\ \frac{1}{5}& \frac{1}{3}& 1\end{array}\right],$ 最后，计算出每个信用指标群的权重值：W₁＝0.637，W₂＝0.258，W₁＝0.105。

步骤四还可以进一步包括有：

计算每个司机在打车业务中的信用评分：其中，W_v是第v个信用指标群的权重值，P是信用指标群总数，n_v是第v个信用指标群所包含的信用指标数，是第v个信用指标群的第j个信用指标的权重值，是司机对应于第v个信用指标群的第j个信用指标值，并将所有司机的信用评分按照从低到高的次序进行排序，然后从排在首位的司机开始、顺序选取N_s×s％个司机，所选取的司机即是打车业务中的刷单用户，其中，N_s是所有司机总数，s％是刷单用户比例阈值，其值可以根据实际业务情况而设定。

如图4所示，本发明一种基于司机信用的识别打车业务中刷单用户的系统，包括有：

指标群构造装置，用于设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

指标权重计算装置，用于为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

指标群权重计算装置，用于根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

刷单用户识别装置，用于根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。司机的信用评分越低，则表示司机是刷单用户的概率越大。

所述信用指标设定装置中，可以提取多个信用指标，如：手机用户在网时长、使用状态(停机/正常/过期)、手机套餐使用情况、手机上网累积时长、手机月通话时长、手机号码实名制信息(是否实名制、拥有移动电话/固定号码/宽带号码个数)、消费能力(高、中、低端用户)、欠费额度和欠费记录、最近活跃地理位置等；并将其划分为三个信用指标群：身份特征指标群、通信行为指标群、人脉关系指标群。

值得一提的是，还可以对本发明所使用的各项信用指标值进行离散化和分值划分，本发明还可以包括有：

信用指标离散化装置，用于将每个信用指标的取值范围划分成多个区间，并为每个区间设定一个不同的分值，然后判断每个信用指标值所在的信用指标的区间，最后将所述信用指标值替换为所在的信用指标的区间对应的分值。

指标权重计算装置进一步包括有：

指标采集单元，用于为每个信用指标群选定多个样本用户，并提取每个样本用户对应于其所属信用指标群的所有信用指标值，然后根据信用指标值和信用评分的正负相关性，对所有样本用户的每个信用指标值进行调整，即当信用指标值和信用评分是正相关时，所述信用指标值的调整计算公式是：当信用指标值和信用评分是负相关时，所述信用指标值的调整计算公式是：其中，是信用指标群Z_q的第i个样本用户的第j个信用指标值，是信用指标群Z_q的所有样本用户的第j个信用指标最小值，是信用指标群Z_q的所有样本用户的第j个信用指标最大值；

指标概率计算单元，用于计算所有样本用户的每个信用指标值在信用指标下出现的概率：其中，m是信用指标群Z_q所选定的样本用户数；

信用指标权重计算单元，用于计算信用指标群中每个信用指标的权重值：其中，是信用指标群Z_q中的第j个信用指标的权重值，n_q是信用指标群Z_q所包含的信用指标数，是信用指标群Z_q的第j个信用指标的熵值，的计算公式进一步如下： $e_j^q=\frac{-{\mathrm{\Σ}}_{i=1}^m\left(f\right(x_{ij}^q)+1)*\ln \left(f\right(x_{ij}^q)+1)}{ln(m+1)}.$

指标群权重计算装置进一步包括有：

构造判别矩阵计算单元，用于定义重要性对比关系标度表，所述重要性对比关系标度表用于使用不同的标度值对两个因素的各种重要性对比关系进行标示，然后构造一个P×P重要性等级构造判别矩阵A，P是信用指标群总数，判断每两个信用指标群之间的重要性对比关系，然后根据重要性对比关系标度表查找对应的标度值，最后将重要性等级构造判别矩阵A中对应于上述两个信用指标群的元素值设置为所述标度值；

指标群权重计算单元，用于构造一个P×1信用指标群权重矩阵C，计算C中的每个元素值：其中，c_a1是C中第a行第1列的元素值，j_ab是A中第a行第b列的元素值，是A中第a行所有列元素乘积值的P次方根，然后计算每个信用指标群的权重值：其中，W_a是第a个信用指标群的权重值，是C中所有行第1列的元素值之和。

刷单用户识别装置还可以进一步包括有：

信用评分计算单元，用于计算每个司机在打车业务中的信用评分：其中，W_v是第v个信用指标群的权重值，P是信用指标群总数，n_v是第v个信用指标群所包含的信用指标数，是第v个信用指标群的第j个信用指标的权重值，是司机对应于第v个信用指标群的第j个信用指标值，并将所有司机的信用评分按照从低到高的次序进行排序，然后从排在首位的司机开始、顺序选取N_s×s％个司机，所选取的司机即是打车业务中的刷单用户，其中，N_s是所有司机总数，s％是刷单用户比例阈值，其值可以根据实际业务情况而设定。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种基于司机信用的识别打车业务中刷单用户的方法，其特征在于，包括有：

步骤一、设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

步骤二、为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

步骤三、根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

步骤四、根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。

2.根据权利要求1所述的方法，其特征在于，步骤一中，信用指标包括但不限于：手机用户在网时长、使用状态、手机套餐使用情况、手机上网累积时长、手机月通话时长、手机号码实名制信息、消费能力、欠费额度和欠费记录、最近活跃地理位置，并将其划分为三个信用指标群：身份特征指标群、通信行为指标群、人脉关系指标群。

3.根据权利要求1所述的方法，其特征在于，步骤一还包括有：将每个信用指标的取值范围划分成多个区间，并为每个区间设定一个不同的分值，这样，在步骤二和步骤四中，输入样本用户或司机的信用指标值之前，还包括有：

判断每个信用指标值所在的信用指标的区间，然后将所述信用指标值替换为所述区间对应的分值。

4.根据权利要求1所述的方法，其特征在于，对于任一信用指标群Z_q，步骤二进一步包括有：

步骤21、为信用指标群Z_q选定多个样本用户，并提取每个样本用户对应于Z_q的所有信用指标值；

步骤22、根据信用指标值和信用评分的正负相关性，对所有样本用户的每个信用指标值进行调整，即当信用指标值和信用评分是正相关时，所述信用指标值的调整计算公式是：当信用指标值和信用评分是负相关时，所述信用指标值的调整计算公式是：其中，是Z_q的第i个样本用户的第j个信用指标值，是Z_q的所有样本用户的第j个信用指标最小值，是Z_q的所有样本用户的第j个信用指标最大值；

步骤23、计算所有样本用户的每个信用指标值在信用指标下出现的概率：其中，m是Z_q所选定的样本用户数；

步骤24、计算Z_q中的每个信用指标的权重值：其中，是Z_q中的第j个信用指标的权重值，n_q是Z_q所包含的信用指标数，是Z_q的第j个信用指标的熵值，的计算公式进一步如下： $e_j^q=\frac{-{\mathrm{\Σ}}_{i=1}^m\left(f\right(x_{ij}^q)+1)*ln\left(f\right(x_{ij}^q)+1)}{ln(m+1)}.$

5.根据权利要求1所述的方法，其特征在于，步骤三进一步包括有：

步骤31、定义重要性对比关系标度表，所述重要性对比关系标度表用于使用不同的标度值对两个因素的各种重要性对比关系进行标示：

步骤32、构造一个P×P重要性等级构造判别矩阵A，P是信用指标群总数，判断每两个信用指标群之间的重要性对比关系，然后根据重要性对比关系标度表查找对应的标度值，最后将重要性等级构造判别矩阵中对应于上述两个信用指标群的元素值设置为所述标度值；

步骤33、构造一个P×1信用指标群权重矩阵C，计算C中的每个元素值：其中，c_a1是C中第a行第1列的元素值，j_ab是A中第a行第b列的元素值，是A中第a行所有列元素乘积值的P次方根；

步骤34、计算每个信用指标群的权重值：其中，W_a是第a个信用指标群的权重值，是C中所有行第1列的元素值之和。

6.根据权利要求1所述的方法，其特征在于，步骤四进一步包括有：

计算每个司机在打车业务中的信用评分： $F=\underset{v=1}{\overset{P}{\Σ}}(W_v\×(\underset{j=1}{\overset{n_v}{\Σ}}{w}_j^v\×u_j^v\left)\right),$ 其中，W_v是第v个信用指标群的权重值，P是信用指标群总数，n_v是第v个信用指标群所包含的信用指标数，是第v个信用指标群的第j个信用指标的权重值，是司机对应于第v个信用指标群的第j个信用指标值，并将所有司机的信用评分按照从低到高的次序进行排序，然后从排在首位的司机开始、顺序选取N_s×s％个司机，所选取的司机即是打车业务中的刷单用户，其中，N_s是所有司机总数，s％是刷单用户比例阈值。

7.一种基于司机信用的识别打车业务中刷单用户的系统，其特征在于，包括有：

指标群构造装置，用于设定若干个影响用户信用度的信用指标，并将所有信用指标划分成多个信用指标群，且每个信用指标隶属于其中的一个信用指标群；

指标权重计算装置，用于为每个信用指标群分别设定多个样本用户，提取样本用户对应信用指标群的信用指标值，然后根据样本用户的信用指标值来计算每个信用指标群中的每个信用指标的权重值；

指标群权重计算装置，用于根据信用指标群两两之间的重要性程度对比关系，构造重要性等级构造判别矩阵，从而计算每个信用指标群的权重值；

刷单用户识别装置，用于根据司机的信用指标值、信用指标群的权重值、以及信用指标群中每个信用指标的权重值，计算每个司机在打车业务中的信用评分，并据此来识别打车业务中的刷单用户。

8.根据权利要求7所述的系统，其特征在于，信用指标包括但不限于：手机用户在网时长、使用状态、手机套餐使用情况、手机上网累积时长、手机月通话时长、手机号码实名制信息、消费能力、欠费额度和欠费记录、最近活跃地理位置等，信用指标群包括但不限于：身份特征指标群、通信行为指标群、人脉关系指标群。

9.根据权利要求7所述的系统，其特征在于，还包括有：

信用指标离散化装置，用于将每个信用指标的取值范围划分成多个区间，并为每个区间设定一个不同的分值，然后判断每个信用指标值所在的信用指标的区间，最后将所述信用指标值替换为所在的信用指标的区间对应的分值。

10.根据权利要求7所述的系统，其特征在于，指标权重计算装置进一步包括有：

指标采集单元，用于为每个信用指标群选定多个样本用户，并提取每个样本用户对应于其所属信用指标群的所有信用指标值，然后根据信用指标值和信用评分的正负相关性，对所有样本用户的每个信用指标值进行调整，即当信用指标值和信用评分是正相关时，所述信用指标值的调整计算公式是：当信用指标值和信用评分是负相关时，所述信用指标值的调整计算公式是：其中，是信用指标群Z_q的第i个样本用户的第j个信用指标值，是信用指标群Z_q的所有样本用户的第j个信用指标最小值，是信用指标群Z_q的所有样本用户的第j个信用指标最大值；

指标概率计算单元，用于计算所有样本用户的每个信用指标值在信用指标下出现的概率：其中，m是信用指标群Z_q所选定的样本用户数；

信用指标权重计算单元，用于计算信用指标群中每个信用指标的权重值：其中，是信用指标群Z_q中的第j个信用指标的权重值，n_q是信用指标群Z_q所包含的信用指标数，是信用指标群Z_q的第j个信用指标的熵值，的计算公式进一步如下： $e_j^q=\frac{-{\mathrm{\Σ}}_{i=1}^m\left(f\right(x_{ij}^q)+1)*ln\left(f\right(x_{ij}^q)+1)}{ln(m+1)}.$

11.根据权利要求7所述的系统，其特征在于，指标群权重计算装置进一步包括有：

构造判别矩阵计算单元，用于定义重要性对比关系标度表，所述重要性对比关系标度表用于使用不同的标度值对两个因素的各种重要性对比关系进行标示，然后构造一个P×P重要性等级构造判别矩阵A，P是信用指标群总数，判断每两个信用指标群之间的重要性对比关系，然后根据重要性对比关系标度表查找对应的标度值，最后将重要性等级构造判别矩阵A中对应于上述两个信用指标群的元素值设置为所述标度值；

指标群权重计算单元，用于构造一个P×1信用指标群权重矩阵C，计算C中的每个元素值：其中，c_a1是C中第a行第1列的元素值，j_ab是A中第a行第b列的元素值，是A中第a行所有列元素乘积值的P次方根，然后计算每个信用指标群的权重值：其中，W_a是第a个信用指标群的权重值，是C中所有行第1列的元素值之和。

12.根据权利要求7所述的系统，其特征在于，刷单用户识别装置进一步包括有：

信用评分计算单元，用于计算每个司机在打车业务中的信用评分：其中，W_v是第v个信用指标群的权重值，P是信用指标群总数，n_v是第v个信用指标群所包含的信用指标数，是第v个信用指标群的第j个信用指标的权重值，是司机对应于第v个信用指标群的第j个信用指标值，并将所有司机的信用评分按照从低到高的次序进行排序，然后从排在首位的司机开始、顺序选取N_s×s％个司机，所选取的司机即是打车业务中的刷单用户，其中，N_s是所有司机总数，s％是刷单用户比例阈值。