CN110555536A - 一种网约车订单的安全性预测方法、装置、设备和存储介质 - Google Patents
一种网约车订单的安全性预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110555536A CN110555536A CN201910843795.5A CN201910843795A CN110555536A CN 110555536 A CN110555536 A CN 110555536A CN 201910843795 A CN201910843795 A CN 201910843795A CN 110555536 A CN110555536 A CN 110555536A
- Authority
- CN
- China
- Prior art keywords
- order
- safety
- prediction
- car booking
- network
- 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
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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种网约车订单的安全性预测方法、装置、设备和存储介质。该方法包括：获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。使用本发明实施例的技术方案，可以实现对网约车订单的安全性预测，更好地保护乘客和司机的人身安全。
Description
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种网约车订单的安全性预测方法、装置、设备和存储介质。
背景技术
网约车的普及率越来越高，但是网约车的乘客或者司机的安全问题也日益严峻，例如：司机侵犯乘客的人身安全、不法分子假装乘客抢劫司机，司机骚扰乘客等现象层出不穷。
目前的网约车订单，只能显示司机、乘客和订单相关的信息，需要乘客、司机自行判断订单是否安全。当行车轨迹发生不正常偏移时，也无法及时进行风险预警。对乘客、司机的人身安全都无法进行有效的保障。
发明内容
本发明实施例提供一种网约车订单的安全性预测方法、装置、设备和存储介质，以实现对网约车订单的安全性进行预测，从而保护乘客和司机的人身安全。
第一方面，本发明实施例提供了一种网约车订单的安全性预测方法，该方法包括：
获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
第二方面，本发明实施例还提供了一种网约车订单的安全性预测装置，该装置包括：
第一预测参考信息获取模块，用于获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
第二预测参考信息获取模块，用于如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
网约车订单安全性预测模块，用于根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所提供的网约车订单的安全性预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序在由计算机处理器执行时实现如本发明任意实施例所提供的网约车订单的安全性预测方法。
本发明实施例的技术方案通过获取网约车订单的第一预测参考信息和第二预测参考信息，从而对网约车订单进行实时的安全性预测，解决了目前网约车安全事件频发，但无法提前或实时对安全性进行预测的问题，实现了对安全性进行实时预测，从而达到有效保护司机和乘客人身安全的效果。
附图说明
图1是本发明实施例一中的一种网约车订单的安全性预测方法的流程图；
图2是本发明实施例二中的一种网约车订单的安全性预测方法的流程图；
图3是本发明实施例三中的一种网约车订单的安全性预测装置的结构示意图；
图4是本发明实施例四中的一种网约车订单的安全性预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种网约车订单的安全性预测方法的流程图，本实施例可适用于用户选择网约车形式出行时，对网约车订单的安全性进行预测的情况，该方法可以由网约车订单的安全性预测装置来执行，该装置可以由软件和/或硬件来实现，并一般可以集成在网约车服务器中，具体包括如下步骤：
步骤110、获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
其中，乘客通过网约车平台发送约车请求后，如果有司机选择响应该约车请求，则网约车服务器会相应生成一条针对该乘客及该司机的网约车订单，基于该网约车订单，司机对到达乘客指定的出发地接上该乘客，并将该乘客送至乘客指定的目的地。在该网约车订单中，一般包括有乘客以及司机的身份标识信息，以及出发地以及目的信息等。
其中，司机信息可以包括司机的年龄、性别以及职业等，此类数据可以通过获取网约车订单司机的身份标识后，在网约车服务器中预存的司机信息中查询得到。
乘客信息可以包括乘客的年龄、性别以及职业等，同样也可以根据乘客的获取网约车订单乘客的身份标识后，在网约车服务器中预存的乘客信息中查询得到，并添加到第一预测参考信息中。
静态订单属性信息具体为订单中不随时间变化而变化的订单信息，例如，订单开始时间、出发地、目的地等，此类信息在网约车订单开始生效后，可以从订单数据中获取。
步骤120、如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
其中，网约车服务器生成网约车订单后，至乘客到达目的地，确认下车时，为网约车订单的有效期。网约车订单在生效期内，才需要对安全性进行检测，当网约车订单完成，无需再对安全性进行检测，将已完成的网约车订单相关的第一预测相关信息和第二预测相关信息进行保存。所述动态订单属性信息为订单中随时间变化而变化的订单信息，例如，订单路线的偏移次数，订单路线的偏移次数，也即网约车的实际运行轨迹与导航所确定的轨迹不同的次数。由于订单路线的偏移次数是随着行车过程动态变化的，所以将其作为动态订单属性信息。
步骤130、根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
其中，所述历史网约车订单集合中，包含每一条已完成的历史网约车订单的第一预测参考信息和第二预测参考信息。其中，每一条历史网约车订单的订单安全性是已知的。
对所述网约车订单进行安全性预测，既可以通过预测模型来实现，即根据历史网约车订单合集中的参考数据，训练一个预测模型，将待预测的网约车订单的参考信息输入模型中得到预测结果；也可以通过统计分析来实现，对历史网约车订单合集中的参考数据进行回归分析，确定各个数据与订单安全性之间的联系，从而对待预测的网约车订单的安全性进行预测。
本实施例的技术方案，通过待预测网约车订单的第一预测参考信息和第二预测参考信息，以及历史网约车订单合集，对待预测网约车订单的安全性进行预测，解决了现阶段网约车盛行的情况下，乘客和司机的人身安全无法得到有效保障的问题，达到了对网约车订单的安全性进行有效预测，从而保护乘客和司机人身安全的效果。
实施例二
图2为本发明实施例二提供的一种网约车订单的安全性预测方法的流程图，在本发明实施例一技术方案的基础上，本发明实施例进行了进一步的细化。对网约车订单安全性的预测过程、订单安全预测模型的训练过程、订单安全预测结果等进行了进一步具体化，相应的，本发明实施例的方法具体包括：
步骤210、获取所述历史网约车订单集合，并将与每个历史网约车订单对应的第一历史预测参考信息以及第二历史预测参考信息进行组合，得到与每个所述历史网约车订单分别对应的参考数据；
在上述技术方案的基础上，所述第一历史预测参考信息包括：司机信息、乘客信息及静态订单属性信息；所述第二历史预测参考信息为与所述历史网约车订单对应的动态订单属性信息。
具体的，所述司机信息可以包括：司机所接订单中涉及到安全事件的次数，和/或司机的网络借贷信息；所述乘客信息包括下述至少一项：乘客所发订单中涉及到安全事件的次数、乘客第一预设时间内的打车次数，以及乘客第一预设时间内夜间的打车次数；所述静态订单属性信息包括下述至少一项：所述订单出发地区域内安全事件的次数，和/或所述订单目的地区域内安全事件的次数；所述动态订单属性信息，包括：订单路线的偏移次数。
这样设置的好处在于，对于司机信息，如果司机所接历史订单中存在涉及到乘客安全事件的订单，此时乘客选择搭乘该司机网约车时的安全风险会提高。可以直接在司机历史订单中统计被标记为不安全订单的历史订单的数量。并且，司机的网络借贷信息，包括司机总借贷次数、总借贷金额，最近半年总借贷次数、总借贷金额等，可以体现司机的信用度，如果司机亏钱大额债务却拒不偿还，危险系数也会增加。对于乘客信息，如果乘客所发历史订单中存在涉及到司机安全事件的订单，此时，司机选择搭载乘客也会增加安全风险。乘客所发订单中涉及到安全事件的次数可以直接在乘客历史订单中统计被标记为不安全订单的历史订单的数量，乘客第一预设时间内的打车次数以及乘客第一预设时间内夜间的打车次数可以直接在乘客的用户信息中进行统计。统计订单出发地区域内安全事件的次数以及订单目的地区域内安全事件的次数的目的在于，安全事件多发路段，再次发生安全事件的几率相应也较高。订单路线的偏移，也即网约车的实际运行轨迹与导航所确定的轨迹不同，有时实际行驶轨迹限于实时路况等，可能会与导航所确定的轨迹不同，此时导航会重新确定新的路线。如果多次发生偏移，可能是司机主动或者被动变更目的地的原因，有发生安全事件的风险。由于订单路线的偏移次数在行车过程中是不断变化的，因此将订单路线的偏移次数作为动态订单属性信息。
步骤220、根据与所述历史网约车订单集合对应的参考数据集合构造多个训练测试组，每个训练测试组包含训练数据集合和测试数据集合，其中，与所述训练数据集合中的任意一条训练数据对应的订单开始时间，均早于与所述测试数据集合中的任意一条测试数据对应的订单开始时间；
其中，与所述训练数据集合中的任意一条训练数据对应的订单开始时间，均早于与所述测试数据集合中的任意一条测试数据对应的订单开始时间。这样设置的原因在于，需要将测试数据输入根据训练数据训练得来的模型中，测试模型的预测结果与实际结果是否一致，因此测试数据对应订单的发生时间应该在训练数据对应订单的发生时间之后。
其中，训练测试组中训练数据的数量，与训练测试组中测试数据的数量比例可以设置为4:1，这样设置可以使模型达到更好的训练效果。
步骤230、构造多个模型参数组；
其中，确定模型首先需要对参数进行设置，由于不同的参数以及不同的参数取值，会出现多个不同的模型参数组。使用网格搜索算法在多个不同的模型参数组选择最优的模型参数组。网格搜索算法是一种通过遍历给定的参数组合来优化模型表现的方法。
步骤240、由当前处理的模型参数组配置得到的机器学习模型作为当前处理模型；
步骤250、在所述多个训练测试组中，依次获取一个训练测试组，并使用所述训练测试组中的训练数据集合对所述当前处理模型进行训练后，使用所述训练测试组中的测试数据集合计算训练后的所述当前处理模型的召回率；
选定算法及损失函数之后，利用训练集进行训练。可以选用常规的机器学习算法来训练，比如决策树，随机森林，SVM(Support Vector Machines，支持向量机)，GBDT(Gradient Boosting Decision Tree，梯度提升树),Xgboost(eXtreme GradientBoosting，极限梯度提升)等，也可以选用深度学习里的DNN(Deep Neural Network，深度神经网络)等模型来训练。
其中，召回率指实际为正的样本中被预测为正的样本所占实际为正的样本的比例。在本实施例中，召回率表现为发生了安全事件的测试数据中，被预测为不安全订单的数量占实际发生了安全事件的测试数据数量的比例。召回率用来评估模型训练效果的好坏。
步骤260、根据所述训练测试组中的每个训练测试组分别对应的召回率，计算与所述当前处理的模型参数组对应的平均召回率。
步骤270、如果最高的平均召回率超过设定阈值，则获取与所述最高的平均召回率对应的目标模型参数组；
其中，多个模型参数组会对应多个平均召回率，其中，平均召回率最高表明训练效果最好。如果最高的平均召回率超过设定阈值，说明该最高的平均召回率所对应的模型参数组能够符合我们所需要的订单安全预测模型的要求。
步骤280、将参考数据集合作为新的训练数据集合，对由所述目标模型参数组配置得到的所述机器学习模型进行训练，得到所述订单安全预测模型。
其中，如果最高的平均召回率超过设定阈值，说明训练效果比较理想，则根据与所述最高的平均召回率对应的目标模型参数组，以及参考数据集合中的所有参考数据，重新确定一个新的模型，作为订单安全预测模型。如果最高的平均召回率没有超过设定阈值，说明训练效果不理想，需要采取措施重新进行交叉验证。可以采取的措施包括但不限于：在参考数据集合中补充更多的数据，对数据进行特征工程等等。
步骤290、获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
其中，如果检测到所述网约车订单处于订单生效且乘客未上车的状态，则确定检测到所述安全性检测触发条件；如果检测到所述网约车订单处于网约车接上乘客前往约定目的地的状态，且到达定期监控间隔时长，则确定检测到所述安全性检测触发条件；这样设置的好处在于，当订单已生效，但乘客并未上车时，所涉及的第一预测参考信息是固定不变的，所涉及的动态订单属性信息，也即订单路线偏移次数，此时为0，且由于未乘车，动态订单属性信息也不会发生变化，因此此时只需进行一次预测。而当约车接上乘客前往约定目的地时，此时订单路线的偏移是一个动态的过程，需要定期进行监控，因此需要每隔预设时间进行一次预测。
步骤2100、将所述网约车订单中的所述第一预测参考信息以及所述第二预测参考信息，输入至预先训练的订单安全预测模型中；
步骤2110、获取所述订单安全预测模型输出的对所述网约车订单的安全性预测结果。
在上述实施例的基础上，所述方法，还包括：如果检测到所述网约车订单处于订单生效且乘客未上车的状态，则确定检测到所述安全性检测触发条件；在根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测之后，还包括：如果确定安全性预测结果为第一风险等级，则取消所述网约车订单；如果确定安全性预测结果为第二风险等级，则将所述网约车订单标记为不安全订单。
其中，第一风险等级高于第二风险等级，在订单生效后、乘客上车前，如果预测的结果显示订单具有较高的风险，则直接将此网约车订单取消。如果预测的结果显示订单具有一定的风险，但未达到较高风险，则将所述网约车订单标记为不安全订单，提示乘客与司机注意，但是否取消订单的主动权仍在乘客和司机手中。
在上述实施例的基础上，所述方法，还包括：如果检测到所述网约车订单处于网约车接上乘客前往约定目的地的状态，且到达定期监控间隔时长，则确定检测到所述安全性检测触发条件；在根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测之后，还包括：如果确定安全性预测结果为第一风险等级，则针对所述网约车执行至少一项安全处理策略；如果确定安全性预测结果为第二风险等级，则将所述网约车订单标记为不安全订单。
其中，在行车过程中，如果预测的结果显示订单具有较高的风险，则针对所述网约车执行至少一项安全处理策略。所述安全处理策略可以是报警，或提示司机停车等。如果预测的结果显示订单具有一定的风险，但未达到较高风险，则将所述网约车订单标记为不安全订单，提醒乘客与司机注意人身安全。
在上述实施例的基础上，所述方法，还包括：在所述历史网约车订单集合中，发生过安全事件的历史网约车订单数量占所述历史网约车订单总数的比例，不小于预设比例。
这样设置的好处在于，由于实际情况中，发生安全事件的订单实例较少，为了让模型充分训练，需要维持发生过安全事件的历史网约车订单数量和未发生安全事件的历史网约车订单数量在一个合理的比例。可以通过对未发生安全事件的历史网约车订单的数据进行负采样的方式，减少整体数据中，未发生安全事件订单数据的比例。
实施例三
图3为本发明实施例三提供的一种网约车订单的安全性预测装置的结构示意图，该网约车订单的安全性预测装置包括：
第一预测参考信息获取模块310，用于获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
第二预测参考信息获取模块320，用于如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
网约车订单安全性预测模块330，用于根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
在上述各实施例的基础上，网约车订单安全性预测模块330，包括：
信息输入单元，用于将所述网约车订单中的所述第一预测参考信息以及所述第二预测参考信息，输入至预先训练的订单安全预测模型中；
安全性预测结果获取单元，用于获取所述订单安全预测模型输出的对所述网约车订单的安全性预测结果；
其中，所述订单安全预测模型，根据由历史网约车订单集合生成的参考数据集合训练得到。
在上述各实施例的基础上，网约车订单的安全性预测装置，还包括：
参考数据获取模块，用于获取所述历史网约车订单集合，并将与每个历史网约车订单对应的第一历史预测参考信息以及第二历史预测参考信息进行组合，得到与每个所述历史网约车订单分别对应的参考数据；
训练测试组构建模块，用于根据与所述历史网约车订单集合对应的参考数据集合构造多个训练测试组，每个训练测试组包含训练数据集合和测试数据集合，其中，与所述训练数据集合中的任意一条训练数据对应的订单开始时间，均早于与所述测试数据集合中的任意一条测试数据对应的订单开始时间；
订单安全预测模型获取模块，用于使用所述参考数据集合，对设定的机器学习模型进行训练以及交叉验证，得到所述订单安全预测模型。
在上述各实施例的基础上，订单安全预测模型获取模块，包括：
模型参数组构造单元，用于构造多个模型参数组；
平均召回率获取单元，用于使用所述多个训练测试组，分别对由所述多个模型参数组分别配置得到的所述机器学习模型进行交叉验证，得到与各所述模型参数组分别对应的平均召回率；
目标模型参数组获取单元，用于如果最高的平均召回率超过设定阈值，则获取与所述最高的平均召回率对应的目标模型参数组；
订单安全预测模型获取单元，用于将参考数据集合作为新的训练数据集合，对由所述目标模型参数组配置得到的所述机器学习模型进行训练，得到所述订单安全预测模型。
在上述各实施例的基础上，平均召回率获取单元，包括：
当前处理模型配置组件，用于由当前处理的模型参数组配置得到的机器学习模型作为当前处理模型；
当前处理模型的召回率计算组件，用于在所述多个训练测试组中，依次获取一个训练测试组，并使用所述训练测试组中的训练数据集合对所述当前处理模型进行训练后，使用所述训练测试组中的测试数据集合计算训练后的所述当前处理模型的召回率；
平均召回率计算组件，用于根据所述训练测试组中的每个训练测试组分别对应的召回率，计算与所述当前处理的模型参数组对应的平均召回率。
在上述各实施例的基础上，所述司机信息包括：司机所接订单中涉及到安全事件的次数，和/或，司机的网络借贷信息；所述乘客信息包括下述至少一项：乘客所发订单中涉及到安全事件的次数、乘客第一预设时间内的打车次数以及乘客第一预设时间内夜间的打车次数；所述静态订单属性信息包括：所述订单出发地区域内安全事件的次数，和/或所述订单目的地区域内安全事件的次数；所述动态订单属性信息，包括：订单路线的偏移次数。
在上述各实施例的基础上，第二预测参考信息获取模块320，包括：
安全性检测触发条件确认单元，用于如果检测到所述网约车订单处于订单生效且乘客未上车的状态，则确定检测到所述安全性检测触发条件；如果检测到所述网约车订单处于网约车接上乘客前往约定目的地的状态，且到达定期监控间隔时长，则确定检测到所述安全性检测触发条件；
在上述各实施例的基础上，网约车订单的安全性预测装置，还包括：
网约车订单取消模块，用于如果检测到所述网约车订单处于订单生效且乘客未上车的状态，如果确定安全性预测结果为第一风险等级，则取消所述网约车订单；
安全处理策略执行模块，用于如果检测到所述网约车订单处于网约车接上乘客前往约定目的地的状态，且到达定期监控间隔时长，如果确定安全性预测结果为第一风险等级，则针对所述网约车执行至少一项安全处理策略；
网约车订单标记模块，用于如果确定安全性预测结果为第二风险等级，则将所述网约车订单标记为不安全订单。
在上述各实施例的基础上，在所述历史网约车订单集合中，发生过安全事件的历史网约车订单数量占所述历史网约车订单总数的比例，不小于预设比例。
本发明实施例所提供的网约车订单的安全性预测装置可执行本发明任意实施例所提供的网约车订单的安全性预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例4提供的一种设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的网约车订单的安全性预测方法对应的程序指令/模块(例如，网约车订单的安全性预测装置中的第一预测参考信息获取模块310、第二预测参考信息获取模块320和网约车订单安全性预测模块330)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的网约车订单的安全性预测方法。
该方法包括：获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种网约车订单的安全性预测方法，该方法包括：
获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的网约车订单的安全性预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种网约车订单的安全性预测方法，其特征在于，包括：
获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
2.根据权利要求1所述的网约车订单的安全性预测方法，其特征在于，根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测，包括：
将所述网约车订单中的所述第一预测参考信息以及所述第二预测参考信息，输入至预先训练的订单安全预测模型中；
获取所述订单安全预测模型输出的对所述网约车订单的安全性预测结果；
其中，所述订单安全预测模型，根据由历史网约车订单集合生成的参考数据集合训练得到。
3.根据权利要求2所述的网约车订单的安全性预测方法，其特征在于，在获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息之前，还包括：
获取所述历史网约车订单集合，并将与每个历史网约车订单对应的第一历史预测参考信息以及第二历史预测参考信息进行组合，得到与每个所述历史网约车订单分别对应的参考数据；
根据与所述历史网约车订单集合对应的参考数据集合构造多个训练测试组，每个训练测试组包含训练数据集合和测试数据集合，其中，与所述训练数据集合中的任意一条训练数据对应的订单开始时间，均早于与所述测试数据集合中的任意一条测试数据对应的订单开始时间；
使用所述参考数据集合，对设定的机器学习模型进行训练以及交叉验证，得到所述订单安全预测模型。
4.根据权利要求3所述的方法，其特征在于，使用所述参考数据集合，对设定的机器学习模型进行训练以及交叉验证，得到所述订单安全预测模型，包括：
构造多个模型参数组；
使用所述多个训练测试组，分别对由所述多个模型参数组分别配置得到的所述机器学习模型进行交叉验证，得到与各所述模型参数组分别对应的平均召回率；
如果最高的平均召回率超过设定阈值，则获取与所述最高的平均召回率对应的目标模型参数组；
将参考数据集合作为新的训练数据集合，对由所述目标模型参数组配置得到的所述机器学习模型进行训练，得到所述订单安全预测模型。
5.根据权利要求4所述的方法，其特征在于，使用所述多个训练测试组，对由所述模型参数组配置得到的所述机器学习模型进行交叉验证，得到与所述模型参数组对应的平均召回率，包括：
由当前处理的模型参数组配置得到的机器学习模型作为当前处理模型；
在所述多个训练测试组中，依次获取一个训练测试组，并使用所述训练测试组中的训练数据集合对所述当前处理模型进行训练后，使用所述训练测试组中的测试数据集合计算训练后的所述当前处理模型的召回率；
根据所述训练测试组中的每个训练测试组分别对应的召回率，计算与所述当前处理的模型参数组对应的平均召回率。
6.根据权利要求1-5任一项所述的网约车订单的安全性预测方法，其特征在于：
所述司机信息包括：司机所接订单中涉及到安全事件的次数，和/或司机的网络借贷信息；
所述乘客信息包括下述至少一项：乘客所发订单中涉及到安全事件的次数、乘客第一预设时间内的打车次数，以及乘客第一预设时间内夜间的打车次数；
所述静态订单属性信息包括：所述订单出发地区域内安全事件的次数，和/或所述订单目的地区域内安全事件的次数；
所述动态订单属性信息，包括：订单路线的偏移次数。
7.根据权利要求1所述的网约车订单的安全性预测方法，其特征在于，确定在所述网约车订单的生效期内，检测到安全性检测触发条件，包括：
如果检测到所述网约车订单处于订单生效且乘客未上车的状态，则确定检测到所述安全性检测触发条件；
在根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测之后，还包括：
如果确定安全性预测结果为第一风险等级，则取消所述网约车订单；
如果确定安全性预测结果为第二风险等级，则将所述网约车订单标记为不安全订单。
8.根据权利要求1所述的网约车订单的安全性预测方法，其特征在于，确定在所述网约车订单的生效期内，检测到安全性检测触发条件，包括：
如果检测到所述网约车订单处于网约车接上乘客前往约定目的地的状态，且到达定期监控间隔时长，则确定检测到所述安全性检测触发条件；
在根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测之后，还包括：
如果确定安全性预测结果为第一风险等级，则针对所述网约车执行至少一项安全处理策略；
如果确定安全性预测结果为第二风险等级，则将所述网约车订单标记为不安全订单。
9.根据权利要求1所述的网约车订单的安全性预测方法，其特征在于：
在所述历史网约车订单集合中，发生过安全事件的历史网约车订单数量，与未发生过安全事件的历史网约车订单数量的比值，不小于预设比例。
10.一种网约车订单的安全性预测装置，其特征在于，包括：
第一预测参考信息获取模块，用于获取待预测的网约车订单，并提取所述网约车订单中包括的第一预测参考信息，所述第一预测参考信息包括：司机信息、乘客信息及静态订单属性信息；
第二预测参考信息获取模块，用于如果确定在所述网约车订单的生效期内，检测到安全性检测触发条件，则获取与所述网约车订单对应的动态订单属性信息作为第二预测参考信息；
网约车订单安全性预测模块，用于根据第一预测参考信息、第二预测参考信息及历史网约车订单集合，对所述网约车订单进行安全性预测。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的网约车订单的安全性预测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的网约车订单的安全性预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843795.5A CN110555536A (zh) | 2019-09-06 | 2019-09-06 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843795.5A CN110555536A (zh) | 2019-09-06 | 2019-09-06 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555536A true CN110555536A (zh) | 2019-12-10 |
Family
ID=68739216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910843795.5A Pending CN110555536A (zh) | 2019-09-06 | 2019-09-06 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555536A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476421A (zh) * | 2020-04-10 | 2020-07-31 | 欧拉信息服务有限公司 | 订单预测方法、装置、存储介质及设备 |
| CN111832901A (zh) * | 2020-06-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 网约车监控方法、装置、服务器和存储介质 |
| CN112132649A (zh) * | 2020-08-28 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种订单校验处理方法、装置、介质及终端设备 |
| CN112612958A (zh) * | 2020-12-24 | 2021-04-06 | 汉海信息技术(上海)有限公司 | 订单处理方法、装置、电子设备和计算机可读介质 |
| WO2021121377A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Abnormal trip monitor |
| WO2021121379A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Augmented passenger verification |
| WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
| CN113159353A (zh) * | 2021-05-10 | 2021-07-23 | 上海钧正网络科技有限公司 | 网约车订单分配方法、装置及计算机存储介质 |
| CN114386737A (zh) * | 2021-10-09 | 2022-04-22 | 浙江警察学院 | 一种移动互联时代下网约车乘客安全监测方法 |
| CN117057568A (zh) * | 2023-08-21 | 2023-11-14 | 长安大学 | 一种基于深度学习枢纽网约车需求预测与调度一体化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145954A (zh) * | 2018-07-24 | 2019-01-04 | 同济大学 | 一种基于多源时空数据的网约车出行安全评价方法及系统 |
| CN109359755A (zh) * | 2018-09-29 | 2019-02-19 | 百度在线网络技术（北京）有限公司 | 事件监测方法、装置、设备和存储介质 |
| CN109784371A (zh) * | 2018-12-14 | 2019-05-21 | 北京三快在线科技有限公司 | 网约车监管方法、装置及存储介质 |
-
2019
- 2019-09-06 CN CN201910843795.5A patent/CN110555536A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145954A (zh) * | 2018-07-24 | 2019-01-04 | 同济大学 | 一种基于多源时空数据的网约车出行安全评价方法及系统 |
| CN109359755A (zh) * | 2018-09-29 | 2019-02-19 | 百度在线网络技术（北京）有限公司 | 事件监测方法、装置、设备和存储介质 |
| CN109784371A (zh) * | 2018-12-14 | 2019-05-21 | 北京三快在线科技有限公司 | 网约车监管方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘毓等: "基于教学评价的中文短文本情感分析", 《现代电子技术》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021121377A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Abnormal trip monitor |
| US11847713B2 (en) | 2019-12-20 | 2023-12-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Augmented passenger verification |
| US11488278B2 (en) | 2019-12-20 | 2022-11-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Augmented passenger verification |
| WO2021121379A1 (en) * | 2019-12-20 | 2021-06-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Augmented passenger verification |
| WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
| CN111476421A (zh) * | 2020-04-10 | 2020-07-31 | 欧拉信息服务有限公司 | 订单预测方法、装置、存储介质及设备 |
| CN111476421B (zh) * | 2020-04-10 | 2022-11-08 | 欧拉信息服务有限公司 | 订单预测方法、装置、存储介质及设备 |
| CN111832901A (zh) * | 2020-06-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 网约车监控方法、装置、服务器和存储介质 |
| CN112132649A (zh) * | 2020-08-28 | 2020-12-25 | 绿瘦健康产业集团有限公司 | 一种订单校验处理方法、装置、介质及终端设备 |
| CN112612958A (zh) * | 2020-12-24 | 2021-04-06 | 汉海信息技术(上海)有限公司 | 订单处理方法、装置、电子设备和计算机可读介质 |
| CN113159353A (zh) * | 2021-05-10 | 2021-07-23 | 上海钧正网络科技有限公司 | 网约车订单分配方法、装置及计算机存储介质 |
| CN114386737A (zh) * | 2021-10-09 | 2022-04-22 | 浙江警察学院 | 一种移动互联时代下网约车乘客安全监测方法 |
| CN114386737B (zh) * | 2021-10-09 | 2023-10-13 | 浙江警察学院 | 一种移动互联时代下网约车乘客安全监测方法 |
| CN117057568A (zh) * | 2023-08-21 | 2023-11-14 | 长安大学 | 一种基于深度学习枢纽网约车需求预测与调度一体化方法 |
| CN117057568B (zh) * | 2023-08-21 | 2024-07-23 | 长安大学 | 一种基于深度学习枢纽网约车需求预测与调度一体化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555536A (zh) | 一种网约车订单的安全性预测方法、装置、设备和存储介质 | |
| CN111599164B (zh) | 一种行车异常识别方法和系统 | |
| JP7194184B2 (ja) | コネクテッド車両サイバー・セキュリティのためのシステム及び方法 | |
| US9477989B2 (en) | Method and apparatus of determining relative driving characteristics using vehicular participative sensing systems | |
| CN109919708A (zh) | 一种打车软件派单方法和装置 | |
| CN110782111B (zh) | 一种风险评估方法和系统 | |
| CN111598368B (zh) | 基于行程结束后停留异常的风险识别方法、系统及装置 | |
| US20210122292A1 (en) | Systems and methods for utilizing machine learning to identify vehicle surroundings, route conditions, and points of interest | |
| US20200134729A1 (en) | Information processing device, information processing system, information processing method, and program | |
| CN101278324A (zh) | 自适应驾驶员工作负荷估计器 | |
| CN111598371B (zh) | 一种风险防范方法、系统、装置及存储介质 | |
| CN111832901A (zh) | 网约车监控方法、装置、服务器和存储介质 | |
| CN106779692B (zh) | 一种车载支付方法及装置 | |
| CN110992119A (zh) | 一种对风险订单进行排序的方法和系统 | |
| CN115662148B (zh) | 一种道路异常事件的预警方法、装置、设备及介质 | |
| CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
| CN111598641A (zh) | 一种订单风险验证方法和系统 | |
| CN114987502B (zh) | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 | |
| CN111598642A (zh) | 一种风险判定方法、系统、装置及存储介质 | |
| WO2022240823A1 (en) | Online driver delay and frequency response model | |
| CN109649166B (zh) | 车辆驾驶监控管理方法、装置以及系统 | |
| CN111613060A (zh) | 一种数据处理方法以及设备 | |
| CN111598370A (zh) | 一种女性安全风险防范方法和系统 | |
| CN112712010A (zh) | 共用车辆驾驶员安全驾驶评估方法、装置以及设备 | |
| CN113095584B (zh) | 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 |
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: 20191210 |
|
| RJ01 | Rejection of invention patent application after publication |