CN110782111A - 一种风险评估方法和系统 - Google Patents
一种风险评估方法和系统 Download PDFInfo
- Publication number
- CN110782111A CN110782111A CN201910130317.XA CN201910130317A CN110782111A CN 110782111 A CN110782111 A CN 110782111A CN 201910130317 A CN201910130317 A CN 201910130317A CN 110782111 A CN110782111 A CN 110782111A
- Authority
- CN
- China
- Prior art keywords
- order
- risk
- abnormal
- information
- stopping
- 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.)
- Granted
Links
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种风险评估方法和系统。所述风险评估方法包括:获取订单执行过程中的实时状态数据;基于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执行过程中的异常停留行为;至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度。本申请通过识别订单执行过程中的异常停留及其风险,可以及时发现危险情况,更好的保障用户的生命和财产安全。
Description
技术领域
本申请涉及安全出行领域,特别涉及一种基于订单执行过程中异常 停留行为的风险评估方法和系统。
背景技术
随着共享车辆(如网约车)的普及,用户(服务提供方或服务请求 方)的出行安全成为普遍关注的话题。用户出行时有时会发生异常停留情 况,如车辆故障、交通事故、司乘双方发生冲突等。为了保障用户的出行安 全,有必要及时识别出行程中的各类异常停留行为,并有效的采取相应的 风险应对措施。
发明内容
本申请实施例之一提供一种风险评估方法,所述方法包括:获取订 单执行过程中的实时状态数据;基于所述订单执行过程中的实时状态数据, 识别所述订单的参与方在订单执行过程中的异常停留行为;至少基于所述 异常停留行为所处停留位置的相关信息,确定所述订单的风险度。
在一些实施例中,所述订单执行过程中的实时状态数据包括以下中 的至少一个:订单执行过程中外部环境的实时状态数据、与所述订单相关 的定位数据、与所述订单相关的终端的状态数据、与所述订单相关的车辆 的状态数据。
在一些实施例中,所述基于所述订单执行过程中的实时状态数据, 识别所述订单的参与方在订单执行过程中的异常停留行为包括:基于所述 订单参与方的位置信息,确定所述订单参与方在第一位置的停留时间是否 大于第一阈值;响应于所述订单参与方在第一位置的停留时间大于第一阈 值,确定所述订单参与方在第一位置的停留为异常停留。
在一些实施例中,所述基于所述订单执行过程中的实时状态数据, 识别所述订单的参与方在订单执行过程中的异常停留行为包括:基于所述 订单执行过程中的实时状态数据,利用训练好的异常停留识别模型识别所 述订单的参与方在订单执行过程中的异常停留行为。
在一些实施例中,所述停留位置的相关信息包括以下中的至少一种: 停留位置环境信息、停留位置车流量信息、停留位置停留频率信息、停留 位置发单密度信息。
在一些实施例中,所述至少基于所述异常停留行为所处停留位置的 相关信息,确定所述订单的风险度包括:至少基于所述异常停留行为所处 停留位置的相关信息,利用训练好的异常停留风险度识别模型确定所述订 单的风险度。
在一些实施例中,所述至少基于所述异常停留行为所处停留位置的 相关信息,确定所述订单的风险度包括:基于所述异常停留行为所处停留 位置的相关信息,以及服务提供方、服务请求方和/或车辆在所述停留位置 的停留时间,确定所述订单的风险度。
在一些实施例中,所述至少基于所述异常停留行为所处停留位置的 相关信息,确定所述订单的风险度包括:基于所述异常停留行为所处停留 位置的相关信息,以及所述异常停留行为发生的时间段,确定所述订单的 风险度。
在一些实施例中,所述订单的风险度包括所述订单的风险类型和/或 风险等级。
在一些实施例中,所述风险评估方法还包括:根据所述订单的风险 度,对所述订单采取至少一种风险应对操作。
本申请实施例之一提供一种风险评估系统,所述系统包括数据获取 模块、异常停留行为识别模块和风险度确定模块;所述数据获取模块用于 获取订单执行过程中的实时状态数据;所述异常停留行为识别模块用于基 于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执 行过程中的异常停留行为;所述风险度确定模块用于至少基于所述异常停 留行为所处停留位置的相关信息,确定所述订单的风险度。
在一些实施例中,所述订单执行过程中的实时状态数据包括以下中 的至少一个:订单执行过程中外部环境的实时状态数据、与所述订单相关 的定位数据、与所述订单相关的终端的状态数据、与所述订单相关的车辆 的状态数据。
在一些实施例中,所述异常停留行为识别模块进一步用于:基于所 述服务提供方、服务请求方和/或车辆的位置信息,确定所述服务提供方、 服务请求方和/或车辆在第一位置的停留时间是否大于第一阈值;响应于所 述服务提供方、服务请求方和/或车辆在第一位置的停留时间大于第一阈值, 确定所述服务提供方、服务请求方和/或车辆在第一位置的停留为异常停留。
在一些实施例中,所述异常停留行为识别模块进一步用于:基于所 述订单执行过程中的实时状态数据,利用训练好的异常停留识别模型识别 所述订单的参与方在订单执行过程中的异常停留行为。
在一些实施例中,所述停留位置的相关信息包括以下中的至少一种: 停留位置环境信息、停留位置车流量信息、停留位置停留频率信息、停留 位置发单密度信息。
在一些实施例中,所述风险度确定模块进一步用于:至少基于所述 异常停留行为所处停留位置的相关信息,利用训练好的异常停留风险度识 别模型确定所述订单的风险度。
在一些实施例中,所述风险度确定模块进一步用于:基于所述异常 停留行为所处停留位置的相关信息,以及服务提供方、服务请求方和/或车 辆在所述停留位置的停留时间,确定所述订单的风险度。
在一些实施例中,所述风险度确定模块进一步用于:基于所述异常 停留行为所处停留位置的相关信息,以及所述异常停留行为发生的时间段, 确定所述订单的风险度。
在一些实施例中,所述订单的风险度包括所述订单的风险类型和/或 风险等级。
在一些实施例中,所述风险评估系统还包括风险应对模块,所述风 险应对模块用于根据所述订单的风险度,对所述订单采取至少一种风险应 对操作。
本申请实施例之一提供一种风险评估装置,包括至少一个存储介质 和至少一个处理器,其特征在于:所述至少一个存储介质用于存储计算机 指令;所述至少一个处理器用于执行所述计算机指令以实现如本申请任一 实施例所述的风险评估方法。
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,当所述计算机指令被计算机执行时,实现如本申请任一实 施例所述的风险评估方法。
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评估系统的应用场景示意 图;
图2是根据本申请一些实施例所示的示例性移动设备的示例性硬件 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处理设备的模块图;以及
图4是根据本申请一些实施例所示的风险评估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“系统”、“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系统所执行 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运输系统,例如,出租车、专车、 顺风车、巴士、代驾等。本申请描述的“服务请求方”、“服务请求方端”、 “用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、 “消费方”、“使用需求者”等是可以互换的,是指需要或者订购服务的 一方,可以是个人,也可以是工具。同样地,本申请描述的“服务提供方”、 “服务提供方端”、“提供者”、“供应者”、“服务提供者”、“服务 者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的 个人、工具或者其他实体等。另外,本申请描述的“用户”可以是需要或 者订购服务的一方,也可以是提供服务或者协助提供服务的一方。
图1是根据本申请一些实施例所示的风险评估系统的应用场景示意 图。
风险评估系统100可以识别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。风险评估系统100可以用于互联网或者其它网络 的服务平台。例如,风险评估系统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,风险评估系统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、服 务提供方雇佣和接送服务等。如图1所示,风险评估系统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,服务提供方 和服务请求方)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 于异常停留识别规则和/或异常停留识别模型对所获取的数据以进行异常停留行为的识别。例如,处理设备110可以基于异常停留风险度判定规则 和/或异常停留风险度识别模型,根据异常停留行为的所在位置信息,进行 风险度确认。又例如,处理设备110可以根据风险度确定结果确定采取相 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可以获取订单执行过程中的实时状态数据和发生异常停留行为的所在 位置信息。在一些实施例中,处理设备110可以至少基于预设的异常停留 识别规则或异常停留识别模型,对所述订单执行过程中的实时状态数据进 行处理以确定所述订单关于是否存在异常停留行为的识别结果。在一些实 施例中,处理设备110可以至少基于预设的异常停留风险度判定规则或异 常停留风险度识别模型,对发生异常停留行为的所在位置信息进行处理以 确定所述订单的风险度,并且处理设备110可以基于所述订单的风险度, 对所述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可以是分布系统)。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 供者可以是服务提供方、第三方平台。所述服务请求者可以是服务请求方 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、服务请求方信息、服务提供方信息、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,可以用于识 别在服务执行过程中所出现的异常停留情况。例如,可以基于轨迹数据, 识别是否在某一地点存在停留异常(服务执行期间)、是否偏离预设路线、 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。
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)系统、车辆记录仪、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识别是否发生车辆事故(例如,翻车、撞车)、 车辆故障(例如,发动机或变速箱故障导致车辆抛锚等)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生成的与风险评估相关的通知。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订单行程数据,例如,一些事件的历 史订单的订单数据、服务参与方数据、车辆相关数据等,行程数据及异常 停留等。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可以存储异常停留识别模型和异常停留风险度识别模型。所述异常停留识别模型可以基于处理设备110所获取的订单执行过程中的实时状态 数据/信息识别所述订单的参与方在订单执行过程中的异常停留行为。所述 异常停留风险度识别模型可以基于处理设备110发生异常停留所在位置的 信息,确定所述订单的风险度。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(PEROM)、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,系统可以根据多个终端120的反馈判断 是否出现异常停留。
在一些实施例中,存储设备130可以连接到网络140以与风险评估 系统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。风险评估系统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 与风险评估系统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,风险评 估系统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/从风险评估系统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获取与订单行程相关的数据/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处获取用于识别 所述订单的参与方在订单执行过程中是否存在异常停留行为的异常停留识 别模型。获取的异常停留识别模型可以以终端120的应用软件实现。终端 120在获取订单执行过程中的实时状态数据和异常停留行为所处停留位置 的相关信息后,可以自行确定所述订单的风险度,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 动通讯系统(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,风险评估系统100可以包括一个或以上网络接入点。例如, 险防范系统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、...,风险评估系统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可以用于为风险评估系统100提供信息的来源。在一些 实施例中,信息源150可以用于为风险评估系统100提供与订单行程相关 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可以用于为风险评估系统100提 供与风险评估相关的信息,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一种示例性移动设备的示例性 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,包括但不限于系统总线或控制器(未显示),亦可包括于移动设备200 内。
在一些实施例中,移动操作系统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,用于发送与订单行程相关联的数据/信息,并接收 和呈现来自风险评估系统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请求订单行程,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/或风险评估系统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,服务提供方/服务请求方)、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 于后续识别是否发生异常停留和/或发生何种异常停留。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、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 否发生车辆安全事故,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,以用于后续的订单的风险度识别。
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 送到风险评估系统100的处理设备110以进行订单的风险度识别及处置。 在一些实施例中,移动设备200可以直接进行订单的风险度识别及处置。 例如,应用程序264中可以内置有进行订单的风险度识别的代码或模块, 可以直接进行订单的风险度识别及处置。在一些实施例中,风险评估系统 100的处理设备110和/或移动设备200还可以根据订单的风险度识别和/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,服务提供方和/或 服务请求方,可以自行执行订单的异常停留行为识别和风险度确认过程。 具体地,服务提供方和/或服务请求方可以通过移动设备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,计算机亦可充当系统。
图3是根据本申请一些实施例所示的处理设备的模块图。
处理设备110可以获取与订单执行过程中相关的数据进行处理以确 定对订单风险度的识别,并进一步根据风险度确定风险应对方法。如图3 所示,处理设备110可以包括数据获取模块310、异常停留行为识别模块 320、风险度确定模块330以及风险应对模块340。
数据获取模块310可以用于获取订单的相关数据。具体的,数据获 取模块310可以获取订单执行过程中的实时状态数据。所述订单可以是当 前时刻被请求、被执行、和/或已被完成的订单执行过程中订单,例如,货 物运输订单、出行订单等。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。
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实时状态数据可以指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, 包括但不限于与订单相关的终端的定位数据、与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订单执行过程中的外部环境 的实时状态数据,例如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异常停留行为识别模块320进行异常 停留行为的识别。数据获取模块310还可以将上述数据传输至风险度确定 模块320进行订单风险度判定。
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异常停留事件的订单其执行过程中相关的 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 订单执行过程中所发生的具体的异常停留行为类型。异常停留行为类型可 以包括车辆故障、车辆事故、服务提供方与服务请求方发生冲突(包括抢 肢体冲突、抢劫、性侵犯、性骚扰等)等或其任意组合。在一些实施例中, 所述订单在行程中的相关数据可以作为训练数据训练异常停留识别模型或 确定异常停留行为识别规则,以及异常停留风险度识别模型或异常停留风 险度判定规则。所得到的异常停留识别模型或异常停留行为识别规则可以 用于对订单的参与方在订单执行过程中的异常停留行为进行识别。所得到 的异常停留风险度识别模型或异常停留风险度判定规则可以用于确定订单 的风险度。
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。
异常停留行为识别模块320可以基于所获取的订单执行过程中的实 时状态数据,进行异常停留行为。
在一些实施例中,异常停留行为识别模块320可以使用异常停留行 为识别规则对订单执行过程中的异常停留行为进行识别。在一些实施例中, 异常停留行为识别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。所述异常停留行为识别规则的阈值设置可以依据数据统计确定, 还可以使用异常停留识别模型的训练过程中获得的中间结果作为识别阈值。 例如,可以分别为多个位置(如,学校、商场、高速路等)设置停留时间 的阈值,若所述订单的参与方在第一位置(如,学校)的实际停留时间大 于第一阈值,则确定所述订单的参与方在第一位置的停留为异常停留。又 例如,还可以根据发单时间是否为深夜、起终点是否偏僻、服务提供方和/ 或服务请求方是否有相关历史记录、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、传感器数据(例如,车辆是否抛锚等)等设定设置一个或多个调整上 述阈值的参数。其中所述多个调整参数之间还可以进行组合。然后利用该 调整参数与上述固定阈值进行组合(加、减、乘、除)。
在一些实施例中,异常停留行为识别模块320还可以使用异常停留 识别模型对订单执行过程中的异常停留行为进行识别。所述异常停留识别 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,与订单执行过程中相关 联的数据作为输入,以该订单执行过程中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,所述异常停留识别可 以是一个单一的整体识别模型,用以识别是否存在一种或多种类型的异常 停留行为,包括车辆故障、车辆事故、服务提供方与服务请求方发生冲突 (包括抢肢体冲突、抢劫、性侵犯、性骚扰等)等或其任意组合。在一些 实施例中,所述异常停留识别可以包括分别针对于某一种具体的异常停留 事件的多个模型。例如,针对车辆故障的识别,可以有专门的车辆故障识别模型来对订单执行过程中的异常停留行为进行识别。类似地,其他风险 的识别也可以有专门对应的模型来执行。异常停留行为识别模块320可以 利用多个模型中的组合,来识别一个或以上的异常停留行为。模型的组合 方式可以根据实际需求确定。
在一些实施例中,异常停留行为识别模块320的识别结果可以包括 有无异常停留行为。仅作为示例,识别结果可以是无异常停留,或者识别 结果可以是存在异常停留以及异常停留行为类型等,比如,识别结果是(有 异常停留、车辆故障)或(无异常停留)。在一些实施例中,异常停留行 为识别模块320可以综合识别全部异常停留行为,并输出一个对应于综合 异常行为识别的识别结果,例如,识别结果为(有异常停留)。应当注意 的是,以上描述的识别结果的形式只是为了说明的目的,本申请不对识别 结果的形式进行限制。
风险度确定模块330可以基于所述异常停留行为所处停留位置的相 关信息,确定所述订单的风险度。
在一些实施例中,风险度确定模块330可以使用异常停留风险度判 定规则对订单执行过程中的异常停留行为风险度进行确定。
在一些实施例中,异常停留风险度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。所述异常停留风险度识别规则的阈值 设置可以依据数据统计确定,还可以使用异常停留风险度识别模型的训练 过程中获得的中间结果作为识别阈值。
例如,风险度确定模块330可以分别根据所述异常停留行为所处停 留位置的相关信息,包括停留位置环境信息(例如,时间段、POI信息、 周围环境等)、停留位置车流量信息(例如,路况、车流量、道路信息等)、 停留位置的停留频率(例如,存在多人当前停留位置停留)、停留位置发 单密度等设定设置多个系数(如,具体数值或数值区间)。其中上述多个系数可以进行组合(加、减、乘、除)。并可以为多个停留位置(如,学 校、商场、高速路等)设置关于停留时间或时间段的多个风险度(如,具 体数值或数值区间)。然后将上述系数与该风险度进行组合(加、减、乘、 除),从而确定订单风险度。
在一些实施例中,风险度确定模块330还可以使用异常停留风险度 识别模型确定订单风险度。所述异常停留风险度识别模型可以是机器学习 模型。在一些实施例中,所述异常停留风险度识别模型可以是针对具体异 常停留行为的判定模型。风险度确定模块330可以利用所述异常停留风险 度识别模型处理订单以确定一种或多种类型的异常停留行为的风险度。在 一些实施例中,所述异常停留风险度识别模型可以由所述历史订单数据进行训练后得到。在一些实施例中,对于订单的风险度判定的判定结果可以 包括对异常停留行为的量化表示。
风险应对模块340可以基于风险度识别结果执行风险应对操作。
在一些实施例中,风险应对模块340可以进一步包括风险排序单元、 风险度确认单元、风险处置单元以及持续监控单元。风险排序单元可以基 于排序规则对风险识别结果进行排序。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识别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识别结果分别进行排序。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,风险排序单元可以使用排序模型对风险 识别结果进行排序。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。风险度确认单元可以将订单执行 过程中订单对应的风险识别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,排序结果可以表示订单的风险等级排序。在一些 实施例中,排序结果可以表示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。
风险度确认单元可以进行风险度确认。在一些实施例中,风险度确 认单元可以基于风险排序单元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度确认。在一些实施例中, 风险度确认单元可以直接基于异常停留行为识别模块320的识别结果确认 风险。例如,对于异常停留行为识别模块320识别结果(例如,风险类型、 风险等级、风险概率等)在预设范围内的订单进行风险度确认。在一些实 施例中,风险度确认单元可以直接对所有的订单进行风险度确认。
在一些实施例中,风险度确认操作可以包括通过与用户信息交互进 行风险度确认、通过工作人员到现场进行风险度确认、获取车内音频或图 像信息进行风险度确认、基于交通系统播报信息确认进行风险度确认等或 其任意组合。风险度确认单元可以通过人工的方式进行风险度确认。对于 存在潜在风险的订单,风险防范系统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,风险度确认单元可以通过自动的方式进行风险度确认。对 于存在潜在风险的订单,自动风险度确认单元可以通过包括互动式语音应 答(Interactive VoiceResponse,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服务提供方和/或服务请求方、车内录音上报等的 方式确认风险。在一些实施例中,风险度确认单元还可以通过人工与自动 交互的方式进行风险度确认。对于存在潜在风险的订单,风险度确认单元 可以通过电话交互的方式进行风险度确认。
风险处置单元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、启动服务提供方端和/或服务请求方端数据上报、专人跟 进报警等或其任意组合。在一些实施例中,风险处置单元可以直接基于风 险识别结果确定风险处置操作。例如,风险处置单元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(服务提供方或服务请求方)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 处置单元可以基于系统多个风险排序结果确定风险处置操作。例如,风险 处置单元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,风险处置单元还可以基于风险度确认结果确 定风险处置操作。例如,风险处置单元可以对经过确认后存在风险的订单 执行风险处置操作。系统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,风险处置单元可以通过风险研判的方法进行风险 处置。风险处置单元可以获取满足风险研判条件的订单及其相关的订单数 据,并获取订单的风险识别结果以及与订单的各方面相关的风险信息,并 基于风险识别结果以及风险信息识别订单是否发生风险事件。
在一些实施例中,风险处置单元可以通过风险救援的方法进行风险 处置。风险处置单元可以基于风险识别结果确定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,对于被识别为存在 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服务提供 方前往求援或查看。
持续监控单元可以对订单进行持续监控。所述持续监控可以是针对 在风险识别中被识别为无风险的订单进行,也可以是针对风险排序中处于 末尾的部分订单,还可以是针对经过风险度确认后为无风险的订单。在一 些实施例中,持续监控单元可以基于待持续监控的订单的相关信息,确定 与该订单相关联的终端。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。持续监控单元可以通过所述终端获取反应所述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,的风险识别及处置。
应当理解,图3所示的系统及其模块可以利用各种方式来实现。例 如,在一些实施例中,系统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,由适当的指令执行系统,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系统可以使用计算机 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。本申请的系 统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,对实施上述方法和系统 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评估方法的示例性流程图。 在一些实施例中,风险评估方法400中的一个或以上步骤可以在图1所示 的系统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。如图4所示,该风险评估方法可以包括:
步骤410,获取订单执行过程中的实时状态数据。具体的,该步骤 410可以由数据获取模块310执行。
在一些实施例中,所述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订单,例如,货物运输订单、出行订单、代驾订单等。 在一些实施例中,订单执行过程可以理解为从订单生成(如订单开始)到 订单关闭(如订单结果)的整个过程期间。
在一些实施例中,订单执行过程中的实时状态数据可以包括所述订 单执行过程中外部环境的实时状态数据、与订单相关的定位数据、与订单 相关的终端的状态数据、与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 订单执行过程中的实时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。所述与订单相关的定位数据 可以包括与订单的参与方相关的终端(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。所述与订单相关的终端的状态 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,与订单相关联的终端可以不断向处理设备110发 送联络信号,实时的将一些与订单执行过程中的实时状态数据发送给处理 设备110。
在一些实施例中,数据获取模块310进一步可以获取服务订单的订 单特征,包括服务提供者的身份信息、与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、订单数据等。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订单请求时间和/或订单执行时间。 所述订单请求时间可以是服务请求者发出订单请求的时间,所述订单执行 时间可以是服务提供者开始执行订单的时间。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。 所述订单数据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。例如,处理设备110可以通过网络140从服务提供者终端、服务 请求者终端、车辆终端获取数据,或者从订单处理平台中调取相应的数据。
在一些实施例中,数据获取模块310可以进一步获取与所述服务订 单中至少一个数据相关的历史记录,包括服务提供者其他订单的记录(例 如,完成订单数量、历史评价)、服务提供者的征信记录(例如,贷款记 录、消费记录等)、服务请求者其他订单的记录(例如,订单完成情况、 历史评价)、服务请求者的征信记录、服务提供者其它订单的车辆的标识 信息、服务提供者其它订单的服务相关时间、服务提供者其它订单的服务 起始点、服务提供者其它订单的服务目的地、服务提供者其它订单的服务 路径、服务请求者其它订单的车辆的标识信息、服务请求者其它订单的服 务相关时间、服务请求者其它订单的服务起始点、服务请求者其它订单的 服务目的地、服务请求者其它订单的服务路径、服务请求者其它订单的费 用以及服务请求者其它订单的支付记录等中的一种或多种。所述服务提供 者其他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、信用卡 消费等相关的信用记录。在一些实施例中,数据获取模块310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310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310可以访问读取存储在终端120 或存储设备130上的数据。还例如,数据获取模块310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,所获取的上述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订单,数据获取模块310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310可以将所获取的交通运输订单的数据实时传送至处理设备110 的其他模块,例如,异常停留行为识别模块320,以执行异常停留行为识 别操作。又例如,风险度确定模块330,以执行订单风险度确定操作,对 订单的所有不同的阶段进行风险评估。
步骤420,基于所述订单执行过程中的实时状态数据,识别所述订 单的参与方在订单执行过程中的异常停留行为。步骤420可以由异常停留 行为识别模块320执行。
在一些实施例中,所述异常停留行为识别可以是对订单的参与方在 订单执行过程中是否存在异常停留行为的识别。所述订单的参与方可以包 括服务提供方、服务请求方和/或车辆等。所述异常停留行为可以包括停留 时间和/或停留位置异常。具体的,引发异常停留行为的原因可能是车辆故 障、车辆事故、服务提供方与服务请求方发生纠纷(包括抢肢体冲突、抢 劫、性侵犯、性骚扰等)、中途上厕所、司乘休息等或其任意组合。
在一些实施例中,异常停留行为识别模块320可以使用异常停留行 为识别规则对订单执行过程中的异常停留行为进行识别。在一些实施例中, 异常停留行为识别规则可以是根据所述历史订单数据和/或经验设定的条 件和/或阈值。所述异常停留行为识别规则的阈值设置可以依据数据统计确 定,还可以使用异常停留识别模型的训练过程中获得的中间结果作为识别 阈值。
在一些实施例中,异常停留行为识别模块320可以基于订单参与方 (如服务提供方、服务请求方和/或车辆)的停留时间确定异常停留行为。 例如,异常停留行为识别模块320可以基于订单参与方的位置信息,确定 该订单参与方在第一位置的停留时间是否大于第一阈值(如5分钟、10分 钟、15分钟、20分钟等)。若订单参与方在第一位置的停留时间大于第一 阈值,则异常停留行为识别模块320可以确定该订单参与方在第一位置的 停留为异常停留。
在一些实施例中,异常停留行为识别模块320可以针对不同位置设 定不同的停留时间阈值。例如异常停留行为识别模块320可以根据经验分 别设定订单的参与方在多个位置(如,学校、商场、高速路等)的停留时 间的阈值。然后判断所述订单的参与方在某位置(如,学校)的实际停留 时间是否大于该停留时间阈值,若是则确定所述订单的参与方在该位置的 停留为异常停留。
在一些实施例中,异常停留行为识别模块320还可以根据发单时间 是否为深夜、起终点是否偏僻、服务提供方和/或服务请求方是否有相关历 史记录、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、传感器数据(例如, 车辆是否抛锚等)等,设置一个或多个调整上述停留时间阈值的参数。其 中多个调整参数之间还可以进行组合。然后可以利用该组合后的多个调整 参数与上述停留时间阈值进行换算(加、减、乘、除)。例如,可以对发 单时间设置白天参数(如+5分钟)、深夜参数(如-3分钟);对传感器数 据设置正常行驶参数(如+3分钟)、车辆故障参数(如-3分钟)等,然后 利用该至少一个调整参数与上述阈值进行换算(加、减、乘、除)。具体的,假设某停留时间阈值为15分钟,由于发单时间为深夜,需考虑深夜参 数(如-3分钟),则换算后的停留时间阈值为12分钟。
在一些实施例中,异常停留行为识别模块320可以使用异常停留识 别模型对订单执行过程中异常停留行为进行识别。所述异常停留识别模型 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-NearestNeighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support VectorMachine,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。
在一些实施例中,所述异常停留行为识别模型可以是针对所有的异 常停留情况类型的判定模型。异常停留行为识别模块320可以利用所述异 常停留行为识别模型处理订单以确定是否存在一种或多种类型的异常停留 情况。例如,异常停留行为识别模型可以具有分类功能,可以分类处理和/ 或判定输入数据,以判定不同类型的异常停留行为。在一些实施例中,针 对每一类异常停留行为,都可以对应有一个异常停留行为识别模型。例如,针对车辆故障的判定,可以有专门的车辆故障模型来判定。类似地,其他 异常停留行为的判定也可以有专门对应的模型来执行。
在一些实施例中,所述异常停留识别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,以下以训练判定车辆故障的决策树模型为 例,简要说明模型构建及训练过程。具体的,针对发生过车辆故障的历史 订单的分析结果,可以确定触发异常停留的多个特征,例如,车辆姿态、 行驶轨迹、运动状态、停留次数等。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 节点时可以选择运动状态这一个特征对训练数据进行分割。车辆抛锚的训 练数据将被分为一类,其余训练数据将被分为另一类。然后可以继续选择 停留次数或停留时间继续分割,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,异常停留行为识别模块320的识别结果可以包括 有无异常停留行为。仅作为示例,识别结果可以是无异常停留,或者识别 结果可以是存在异常停留以及异常停留行为类型等。比如,识别结果是(有 异常停留、车辆故障)或(无异常停留)。在一些实施例中,异常停留行 为识别模块320可以综合识别全部异常停留行为,并输出一个对应于综合 异常行为识别的识别结果,例如,识别结果为(有异常停留)。应当注意 的是,以上描述的识别结果的形式只是为了说明的目的,本申请不对识别 结果的形式进行限制。
步骤430,至少基于所述异常停留行为所处停留位置的相关信息, 确定所述订单的风险度。步骤430可以由风险度确定模块330执行。在一 些实施例中,停留位置可以为停留点。例如,停留位置可以为订单参与方 (如服务提供方、服务请求方和/或车辆)的定位点。在一些实施例中,停 留位置可以为一片区域。例如,当订单参与方(如服务提供方、服务请求 方和/或车辆)中的两个或三个的定位点不重叠时,可以确定能够容纳该两 个或三个定位点的最小圆形区域为停留位置。在一些实施例中,所述停留 位置的相关信息可以包括以下中的至少一种:停留位置环境信息、停留位 置车流量信息、停留位置停留频率信息、停留位置发单密度信息。在一些 实施例中,停留位置的相关信息可以由数据获取模块310获取。
在一些实施例中,停留位置环境信息可以包括停留的时间段(如白 天或夜晚)、停留位置作为POI(兴趣点,如订单的目的地)的信息(如 频率、概率等)、路况(如高速公路、国道、省道、乡村小道等)、周围 环境(如周边是否有居民楼、商场、加油站等建筑)、天气状况等一种或 多种的任意组合。具体的,数据获取模块310可以通过与终端120、存储 设备130和/或信息源150进行通讯以获取停留位置环境信息。例如,数据 获取模块310可以根据终端120所处位置,以及该位置所对应的地图信息 (如存储在存储设备130中的地图数据)确定停留位置的路况和/或周边环 境。
在一些实施例中,停留位置车流量信息可以包括预留位置附近(如 100米、300米、500米、1公里以内)的车流量(如车辆数量、车辆平均 行驶速度、车辆密度等)。所述车流量可以是实时车流量,可以通过交管 部门获取,或者通过视频监控获取。具体的,数据获取模块310可以通过 与终端120、存储设备130和/或信息源150进行通讯以获取停留位置车流量信息。例如,数据获取模块310可以根据其他用户(如司机或乘客)终 端的信息确定停留位置附近的车流量信息(如车辆平均行驶速度)。所述 车流量也可以是预估的车流量,其可以是根据历史车流量记录通过统计方 式或者机器学习获得。
在一些实施例中,停留位置的停留频率可以包括平均每单位时间(如 半小时、1小时、2小时、6小时等)在该停留位置停留过的用户数量、在 该位置停留过的用户占经过该位置的用户数的比例、在该停留位置停留的 用户的平均停留时间等。具体的,数据获取模块310可以通过与终端120、 存储设备130和/或信息源150进行通讯以获取停留位置的停留频率。例如, 数据获取模块310可以根据其他用户(如司机或乘客)终端的信息确定用 户是否在该停留位置停留,进而确定平均每单位时间在该停留位置停留过 的用户数量。
在一些实施例中,停留位置发单密度可以包括每单位时间(如半小 时、1小时、2小时、6小时等)以该停留位置为起点发单(如网约车订单) 的数量。具体的,数据获取模块310可以通过与终端120、存储设备130 和/或信息源150进行通讯以获取停留位置的发单密度。例如,数据获取模 块310可以根据用户(如司机或乘客)的发单信息确定发单位置,从而确定该位置的发单密度。
在一些实施例中,风险度确定模块330可以使用异常停留风险度判 定规则对订单执行过程中的异常停留行为风险度进行确定。
在一些实施例中,异常停留风险度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。所述异常停留风险度识别规则的阈值 设置可以依据数据统计确定,还可以使用异常停留风险度识别模型的训练 过程中获得的中间结果作为识别阈值。
例如,风险度确定模块330可以分别根据所述异常停留行为所处停 留位置的相关信息,包括停留位置环境信息(例如,时间段、POI信息、 路况、周围环境等)、停留位置车流量信息(例如,车流量、道路信息等)、 停留位置的停留频率(例如,平均每小时在停留位置停留的用户数)、停 留位置发单密度等设定设置多个系数(如具体数值或数值区间)。其中上 述多个系数可以进行组合(加、减、乘、除)。并可以为多个停留位置(如, 学校、商场、高速路等)设置关于停留时间或时间段的多个风险度(如, 具体数值或数值区间)。然后将上述系数与该风险度进行组合(加、减、 乘、除),从而确定订单风险度。
在一些实施例中,停留位置环境信息可以对订单的风险度产生影响。 例如,停留的时间段为白天时,可相对降低订单的风险度;停留的时间段 为深夜时,可相对提升订单的风险度。在一些实施例中,停留位置车流量 信息可以对订单的风险度产生影响。例如,同等条件下,车流量越大时订 单的风险度越低。在一些实施例中,停留位置的停留频率可以对订单的风 险度产生影响。例如,同等条件下,停留位置的停留频率越高,则订单的 风险度越低。在一些实施例中,停留位置的发单密度可以对订单的风险度 产生影响。例如,同等条件下,停留位置的发单密度越高,则订单的风险 度越低。
在一些实施例中,风险度确定模块330可以基于异常停留行为所处 停留位置的相关信息,以及服务提供方、服务请求方和/或车辆在所述停留 位置的停留时间,确定所述订单的风险度。在一些实施例中,停留时间可 能会影响异常停留行为的风险度。例如,在其他条件相同的情况下,停留 时间越长,风险程度往往越高。在一些实施例中,可以基于服务提供方、 服务请求方和/或车辆在所述停留位置的停留时间确定停留时长系数,并将 该停留时长系数与风险度进行组合(加、减、乘、除)。通过考虑停留时 间对订单的风险度的影响,可以使风险度的计算更加合理准确。具体的, 停留时间对订单的风险度的影响情况(如停留时长系数)可以根据历史数 据统计和/或分析获得。
在一些实施例中,风险度确定模块330可以基于异常停留行为所处 停留位置的相关信息,以及所述异常停留行为发生的时间段,确定所述订 单的风险度。在一些实施例中,异常停留行为发生的时间段可能会影响异 常停留行为的风险度。例如,深夜时发生的异常停留的风险往往比白天时 发生的异常停留的风险更大。在一些实施例中,可以将时间段划分为白天 时段(如6:00-21:00)和夜间时段(如21:00-6:00);或者白天时段(如 6:00-21:00)、夜晚时段(如21:00-23:00)和深夜时段(如23:00-6:00); 或者高峰时段(如7:00-9:00、17:00-19:00)和非高峰时段。在一些实施例 中,还可以对时间段按照其他划分方式划分,或者可以是上述多种划分方 式的组合。在一些实施例中,可以根据时间段的不同确定不同的时间段系 数,并将该时间段系数与风险度进行组合(加、减、乘、除等)。通过考 虑异常停留行为发生的时间段对订单的风险度的影响,可以使风险度的计 算更加合理准确。具体的,异常停留行为发生的时间段对订单的风险度的 影响情况(如时间段系数)可以根据历史数据统计和/或分析获得。
在一些实施例中,风险度确定模块330还可以使用异常停留风险度 识别模型确定订单风险度。所述异常停留风险度识别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(Decision Tree, DT)模型、随机森林(Random Forests,RF)模型、回归树(Classificationand Regression Trees,CART)模型、梯度提升决策树(Gradient Boosting DecisionTree,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。
在一些实施例中,所述异常停留风险度识别模型可以是针对异常停 留行为的判定模型。在一些实施例中,所述异常停留风险度识别模型可以 是针对具体异常停留行为的判定模型。风险度确定模块330可以利用所述 异常停留风险度识别模型处理订单以确定一种或多种类型的异常停留行为 的风险度。例如,异常停留风险度识别模型可以具有分类功能,可以分类 处理和/或判定输入数据,以判定不同类型的异常停留行为及其相关风险信息(例如,风险类型、风险等级、风险概率等)。在一些实施例中,针对 每一类异常停留行为,都可以对应有一个异常停留风险度识别模型。例如, 针对服务提供方与服务请求方发生冲突的判定,可以有专门的冲突判定模 型来判定。类似地,其他异常停留行为的判定也可以有专门对应的模型来 执行。在一些实施例中,风险类型可以包括但不限于车辆故障、车辆事故、 服务提供方与服务请求方发生纠纷(包括抢肢体冲突、抢劫、性侵犯、性 骚扰等)等或其任意组合。风险等级可以包括高风险、中等风险、低风险 等。
在一些实施例中,所述异常停留风险度识别模型可以由历史订单数 据进行训练后得到。仅作为示例,以训练判定冲突的决策树模型为例,简 要说明模型构建及训练过程。针对发生过冲突行为所在停留位置的历史订 单的分析结果,可以确定冲突行为所在停留位置的多个特征,例如,停留 时间、时间段、车流量、停留频率、发单密度、车内音频的感测数据中敏 感词汇出现次数等一种或多种的任意组合。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这一个特征对训练数据进行分割。时间段为 夜间21:00-第二条凌晨5点的训练数据将被分为一类,其余时间段的训练 数据将被分为另一类。然后可以继续选择车内音频感测数据的敏感词汇(如, 统计敏感词汇的出现次数)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,对于订单的风险度判定的判定结果可以包括对异 常停留行为的量化表示。仅作为示例,判定结果可以为“有冲突造成的异 常停留;风险度等级5级”、“由车辆故障造成的异常停留;风险概率87%” 或“无异常停留”。在一些实施例中,风险度确定模块330可以综合判定 全部异常停留行为的风险度等级和/或风险概率,并输出一个对应于综合风 险度判定的判定结果,例如,判定结果为“有异常停留、综合风险度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440,根据所述订单的风险度,对所述订单采取至少一种风险 应对操作。步骤440可以由风险应对模块340执行。
在一些实施例中,根据订单的风险度,对所述订单采取至少一种风 险应对操作可以包括:处理设备110(如风险应对模块340执行)基于风 险度判定结果,执行至少一种风险度确认操作。进一步地,处理设备110 (风险应对模块340执行)可以基于风险度确认结果,执行至少一种风险 处置操作。
在一些实施例中,根据订单的风险度,对所述订单采取至少一种风 险应对操作可以包括:当该订单存在风险时,对该订单执行至少一种风险 度确认操作。
在一些实施例中,风险度确认操作可以包括触发用户端的风险度确 认机制以提示用户进行风险度确认。例如,在判断出可能存在风险时,用 户端的显示界面可以直接弹出提示用户进行风险度确认。例如,通过IVR 外呼让用户在手机上按指示操作,例如,在手机终端输入手机号后四位, 以确认用户安全。例如,通过网络140向终端的应用软件(APP)发送问 询信息,例如,在终端APP弹出对话框、发送语音信息等,根据用户的回 答验证是否存在风险。例如,通过网络140向终端(例如,司机终端或乘 客终端)的APP发送引导信息,例如,发送抢红包提醒、邀请用户做问卷 调查等。根据用户是否响应该引导信息验证是否存在风险。进一步地,处 理设备110可以基于验证结果确定所述订单在待处理风险订单中的排序, 按顺序执行风险处置操作。
在一些实施例中,风险度确认操作可以包括通过人工对所述订单进 行风险确认。例如,通过客服人工根据停留时间、停留位置、轨迹是否偏 离等判断是否存在风险。例如,在一个订单中,客服人员可以根据目前车 辆在哪里、车辆停留了多长时间、轨迹是否偏离等判断是否存在风险。进 一步地,处理设备110可以基于验证结果确定所述订单在待处理风险订单 中的排序,按顺序执行风险处置操作。
在一些实施例中,风险度确认操作可以包括通过与用户进行语音交 互进行风险确认。例如,人工客服向用户拨打电话,通过给用户拨打匿名 电话(如保险公司推销)采集司乘语音信息,根据用户的语气(如是否愤 怒)、背景声、本人声纹识别等方式,来验证是否存在风险。进一步地, 处理设备110可以基于验证结果确定所述订单在待处理风险订单中的排序, 按顺序执行风险处置操作。
在一些实施例中,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。所述紧急联系人可以是用户在注册时绑定的一个或多个联系人。在 一些实施例中,当需要对风险订单进行处置操作时,处理设备110可以直 接拨打紧急联系人的联系方式。在一些实施例中,当需要对风险订单进行 处置操作时,处理设备110可以直接开始车内监控设备,例如,通过摄像 头、录音设备采集司乘交互信息。在一些实施例中,当需要对风险订单进 行处置操作时,处理设备110可以直接触发终端的上报机制(无需用户触 发),例如,启动司机端、乘客端录音上报、启动终端上预设的报警系统 (例如,一键报警)。在一些实施例中,当需要对风险订单进行处置操作 时,处理设备110可以向终端周围的服务提供者发送需要协助的信息,从 而周围的服务提供者可以第一时间赶往所述终端的位置以处理该订单。在 一些实施例中,当需要对风险订单进行处置操作时,处理设备110可以派 专人跟进报警、提供线下援助等。
在一些实施例中,风险度判定结果还可以包括订单的风险等级。基 于风险度判定结果,执行设定的操作可以包括:基于所述订单的风险等级, 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,确 定是否执行至少一种风险度确认操作。例如,当订单的风险等级较高时, 处理设备110可以直接对该订单执行风险处置操作;当订单的风险等级中 等时,处理设备110可以对该订单执行风险度确认操作;当订单的风险等 级较低时,处理设备110可以暂不执行风险度确认或风险处置操作,而继 续监控该订单。又例如,处理设备110可以基于所述订单的排序结果,将 排在待处理风险订单中的前100(或其他数值)的订单确定为需要执行风 险度确认操作,而将排在前100后的订单可以暂不执行风险度确认或风险 处置操作,而继续监控该订单。在一些实施中,处理设备110可以按不同风险类别的进行排序,例如,将某一特定类别的风险订单按风险等级进行 排序,也可以对不同类别的风险进行综合排序,例如,可以将不同类别的 风险订单按风险等级进行排序。
在一些实施例中,根据订单的风险度,对所述订单采取至少一种风 险应对操作可以包括:基于风险度判定结果,执行至少一种风险处置操作。 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、联络该服务提供者和/或服务请求者周围的服务提供者进行 协助。
本申请实施例可能带来的有益效果包括但不限于:(1)及时发现在 订单执行过程中的异常停留行为;(2)及时发现存在异常停留行为的风险 订单以及确定其风险程度;(3)及时对异常停留行为或风险订单介入处理, 以更好的保障用户的生命和财产安全;(4)提升风险判定的准确度和效率, 减小风险订单处理时间,从而降低用户风险。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“系 统”。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 一个指令执行系统、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,虽然以上所描述的系统组件可以通过 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系统。
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。
Claims (22)
1.一种风险评估方法,其特征在于,所述方法包括:
获取订单执行过程中的实时状态数据;
基于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执行过程中的异常停留行为;
至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度。
2.如权利要求1所述的风险评估方法,其特征在于,所述订单执行过程中的实时状态数据包括以下中的至少一个:订单执行过程中外部环境的实时状态数据、与所述订单相关的定位数据、与所述订单相关的终端的状态数据、与所述订单相关的车辆的状态数据。
3.如权利要求1所述的风险评估方法,其特征在于,所述基于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执行过程中的异常停留行为包括:
基于所述订单参与方的位置信息,确定所述订单参与方在第一位置的停留时间是否大于第一阈值;
响应于所述订单参与方在第一位置的停留时间大于第一阈值,确定所述订单参与方在第一位置的停留为异常停留。
4.如权利要求1所述的风险评估方法,其特征在于,所述基于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执行过程中的异常停留行为包括:
基于所述订单执行过程中的实时状态数据,利用训练好的异常停留识别模型识别所述订单的参与方在订单执行过程中的异常停留行为。
5.如权利要求1所述的风险评估方法,其特征在于,所述停留位置的相关信息包括以下中的至少一种:停留位置环境信息、停留位置车流量信息、停留位置停留频率信息、停留位置发单密度信息。
6.如权利要求5所述的风险评估方法,其特征在于,所述至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度包括:
至少基于所述异常停留行为所处停留位置的相关信息,利用训练好的异常停留风险度识别模型确定所述订单的风险度。
7.如权利要求1所述的风险评估方法,其特征在于,所述至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度包括:
基于所述异常停留行为所处停留位置的相关信息,以及服务提供方、服务请求方和/或车辆在所述停留位置的停留时间,确定所述订单的风险度。
8.如权利要求1所述的风险评估方法,其特征在于,所述至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度包括:
基于所述异常停留行为所处停留位置的相关信息,以及所述异常停留行为发生的时间段,确定所述订单的风险度。
9.如权利要求1所述的风险评估方法,其特征在于,所述订单的风险度包括所述订单的风险类型和/或风险等级。
10.如权利要求1所述的风险评估方法,其特征在于,所述方法还包括:
根据所述订单的风险度,对所述订单采取至少一种风险应对操作。
11.一种风险评估系统,其特征在于,所述系统包括数据获取模块、异常停留行为识别模块和风险度确定模块;
所述数据获取模块用于获取订单执行过程中的实时状态数据;
所述异常停留行为识别模块用于基于所述订单执行过程中的实时状态数据,识别所述订单的参与方在订单执行过程中的异常停留行为;
所述风险度确定模块用于至少基于所述异常停留行为所处停留位置的相关信息,确定所述订单的风险度。
12.如权利要求11所述的风险评估系统,其特征在于,所述订单执行过程中的实时状态数据包括以下中的至少一个:订单执行过程中外部环境的实时状态数据、与所述订单相关的定位数据、与所述订单相关的终端的状态数据、与所述订单相关的车辆的状态数据。
13.如权利要求11所述的风险评估系统,其特征在于,所述异常停留行为识别模块进一步用于:
基于所述服务提供方、服务请求方和/或车辆的位置信息,确定所述服务提供方、服务请求方和/或车辆在第一位置的停留时间是否大于第一阈值;
响应于所述服务提供方、服务请求方和/或车辆在第一位置的停留时间大于第一阈值,确定所述服务提供方、服务请求方和/或车辆在第一位置的停留为异常停留。
14.如权利要求11所述的风险评估系统,其特征在于,所述异常停留行为识别模块进一步用于:
基于所述订单执行过程中的实时状态数据,利用训练好的异常停留识别模型识别所述订单的参与方在订单执行过程中的异常停留行为。
15.如权利要求11所述的风险评估系统,其特征在于,所述停留位置的相关信息包括以下中的至少一种:停留位置环境信息、停留位置车流量信息、停留位置停留频率信息、停留位置发单密度信息。
16.如权利要求15所述的风险评估系统,其特征在于,所述风险度确定模块进一步用于:
至少基于所述异常停留行为所处停留位置的相关信息,利用训练好的异常停留风险度识别模型确定所述订单的风险度。
17.如权利要求11所述的风险评估系统,其特征在于,所述风险度确定模块进一步用于:
基于所述异常停留行为所处停留位置的相关信息,以及服务提供方、服务请求方和/或车辆在所述停留位置的停留时间,确定所述订单的风险度。
18.如权利要求11所述的风险评估系统,其特征在于,所述风险度确定模块进一步用于:
基于所述异常停留行为所处停留位置的相关信息,以及所述异常停留行为发生的时间段,确定所述订单的风险度。
19.如权利要求11所述的风险评估系统,其特征在于,所述订单的风险度包括所述订单的风险类型和/或风险等级。
20.如权利要求11所述的风险评估系统,其特征在于,所述系统还包括风险应对模块,所述风险应对模块用于根据所述订单的风险度,对所述订单采取至少一种风险应对操作。
21.一种风险评估装置,其特征在于,包括至少一个存储介质和至少一个处理器,其特征在于:
所述至少一个存储介质用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令以实现如权利要求1~10中任一项所述的风险评估方法。
22.一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被计算机执行时,实现如权利要求1~10任一项所述的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130317.XA CN110782111B (zh) | 2019-02-21 | 2019-02-21 | 一种风险评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130317.XA CN110782111B (zh) | 2019-02-21 | 2019-02-21 | 一种风险评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782111A true CN110782111A (zh) | 2020-02-11 |
CN110782111B CN110782111B (zh) | 2023-04-25 |
Family
ID=69383194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130317.XA Active CN110782111B (zh) | 2019-02-21 | 2019-02-21 | 一种风险评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782111B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429268A (zh) * | 2020-03-30 | 2020-07-17 | 上海德易车信息科技有限公司 | 一种车辆信贷风险检测方法、终端设备和存储介质 |
CN111598368A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于行程结束后停留异常的风险识别方法、系统及装置 |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN111985769A (zh) * | 2020-07-07 | 2020-11-24 | 国网电动汽车服务有限公司 | 一种车桩身份快速识别风险控制方法和系统 |
CN112053098A (zh) * | 2020-09-30 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、服务器及计算机存储介质 |
CN112581146A (zh) * | 2020-12-24 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 出行问题的反馈方法、用户请求端及服务评价反馈系统 |
CN112801494A (zh) * | 2021-01-22 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 检测交通事故的方法、装置、设备、介质和程序产品 |
CN113159879A (zh) * | 2021-02-25 | 2021-07-23 | 华夏方圆信用评估有限公司 | 招投标主体信用智能评估方法及系统 |
CN114463928A (zh) * | 2021-12-29 | 2022-05-10 | 上海瑞琨计算机系统集成有限公司 | 一种智能报警方法和系统 |
WO2023080840A3 (en) * | 2021-11-03 | 2023-07-27 | Grabtaxi Holdings Pte. Ltd. | System and method to monitor trip and detect unsafe events |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070114250A (ko) * | 2007-10-29 | 2007-11-30 | 한상윤 | 숙박예약 시스템을 활용한 여행보험 가입방법 |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
KR20180029210A (ko) * | 2018-02-28 | 2018-03-20 | 이도훈 | 고 신뢰도의 보험 요율 제공 시스템 |
CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
-
2019
- 2019-02-21 CN CN201910130317.XA patent/CN110782111B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070114250A (ko) * | 2007-10-29 | 2007-11-30 | 한상윤 | 숙박예약 시스템을 활용한 여행보험 가입방법 |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
KR20180029210A (ko) * | 2018-02-28 | 2018-03-20 | 이도훈 | 고 신뢰도의 보험 요율 제공 시스템 |
CN109064002A (zh) * | 2018-07-26 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 车辆风险评估方法、装置及设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598368A (zh) * | 2019-02-21 | 2020-08-28 | 北京嘀嘀无限科技发展有限公司 | 基于行程结束后停留异常的风险识别方法、系统及装置 |
CN111429268A (zh) * | 2020-03-30 | 2020-07-17 | 上海德易车信息科技有限公司 | 一种车辆信贷风险检测方法、终端设备和存储介质 |
CN111429268B (zh) * | 2020-03-30 | 2023-11-24 | 上海德易车信息科技有限公司 | 一种车辆信贷风险检测方法、终端设备和存储介质 |
CN111723367B (zh) * | 2020-06-12 | 2023-06-23 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
CN111985769A (zh) * | 2020-07-07 | 2020-11-24 | 国网电动汽车服务有限公司 | 一种车桩身份快速识别风险控制方法和系统 |
CN111985769B (zh) * | 2020-07-07 | 2024-03-22 | 国网电动汽车服务有限公司 | 一种车桩身份快速识别风险控制方法和系统 |
CN112053098A (zh) * | 2020-09-30 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、服务器及计算机存储介质 |
CN112053098B (zh) * | 2020-09-30 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、服务器及计算机存储介质 |
CN112581146A (zh) * | 2020-12-24 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 出行问题的反馈方法、用户请求端及服务评价反馈系统 |
CN112801494A (zh) * | 2021-01-22 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 检测交通事故的方法、装置、设备、介质和程序产品 |
CN113159879A (zh) * | 2021-02-25 | 2021-07-23 | 华夏方圆信用评估有限公司 | 招投标主体信用智能评估方法及系统 |
WO2023080840A3 (en) * | 2021-11-03 | 2023-07-27 | Grabtaxi Holdings Pte. Ltd. | System and method to monitor trip and detect unsafe events |
CN114463928A (zh) * | 2021-12-29 | 2022-05-10 | 上海瑞琨计算机系统集成有限公司 | 一种智能报警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110782111B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599164B (zh) | 一种行车异常识别方法和系统 | |
CN110782111B (zh) | 一种风险评估方法和系统 | |
CN110751586A (zh) | 一种订单行程异常识别方法和系统 | |
US11708050B2 (en) | Methods of pre-generating insurance claims | |
US10518655B2 (en) | System and method for electric vehicle mobile payment | |
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 | |
CN111598371A (zh) | 一种风险防范方法、系统、装置及存储介质 | |
CN111598641A (zh) | 一种订单风险验证方法和系统 | |
CN111863029A (zh) | 一种基于音频的事件检测方法和系统 | |
CN111598642A (zh) | 一种风险判定方法、系统、装置及存储介质 | |
CN111598274A (zh) | 基于取消异常的风险识别方法、系统、装置及存储介质 | |
CN111598370A (zh) | 一种女性安全风险防范方法和系统 | |
CN111598372A (zh) | 一种风险防范的方法和系统 | |
CN110991782A (zh) | 一种风险订单研判方法和系统 | |
JP2021140768A (ja) | データ処理方法、サーバ及びプログラム | |
CN111598373A (zh) | 一种抢劫风险防范方法和系统 | |
CN111598369A (zh) | 一种基于信号丢失异常的风险防范的方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |