CN111126774A - 异常用车识别方法、装置及电子设备 - Google Patents
异常用车识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111126774A CN111126774A CN201911176922.7A CN201911176922A CN111126774A CN 111126774 A CN111126774 A CN 111126774A CN 201911176922 A CN201911176922 A CN 201911176922A CN 111126774 A CN111126774 A CN 111126774A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- account
- abnormal
- target vehicle
- 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.)
- Withdrawn
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 94
- 230000006399 behavior Effects 0.000 claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种异常用车识别方法、装置及电子设备，该方法包括：获取目标用车组合，其中，所述目标用车组合包括目标账号及所述目标账号使用的目标车辆；根据设定的特征向量，获取所述目标用车组合对于所述特征向量的向量值，该反映同一账号私占使用同一车辆的私占状态；根据所述向量值和预设的异常识别模型，识别所述目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系；以及，在属于异常用车行为的情况下，进行设定的异常处理。
Description
技术领域
本发明涉及数据处理技术领域，更具体地，涉及一种异常用车识别方法、一种异常用车识别装置、及一种电子设备。
背景技术
目前，通过共享车辆出行已经成为城市中新兴的出行方式，可以有效解决城市人群的出行需求。
由于共享车辆可以由各用户共享使用的特性，共享车辆的停放位置会根据用户的使用情况不断发生变化，因此，在车辆聚集密度较低的区域，用户在出行时可能需要步行一段距离寻找车辆。这样，有些用户为了固定共享车辆的位置，以能够在需要时方便使用，他们通过在共享车辆上增加私锁、私藏等方式对共享车辆进行私占使用，导致其他用户无法正常使用被私占的车辆，这不仅违背了共享车辆的共享理念，也给运营商带来了较大的经济损失。
发明内容
本发明实施例的一个目的是提供一种异常用车识别方法，以识别关于私占用车的异常用车行为。
根据本发明的第一方面，提供了一种异常用车识别方法，包括：
获取目标用车组合，其中，所述目标用车组合包括目标账号及所述目标账号使用的目标车辆；
根据设定的特征向量，获取所述目标用车组合对于所述特征向量的向量值，其中，所述特征向量反映同一账号私占使用同一车辆的私占状态；
根据所述向量值和预设的异常识别模型，识别所述目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系；
在属于异常用车行为的情况下，进行设定的异常处理。
可选地，所述方法还包括：设置所述特征向量包括以下至少一个特征：
第一特征：同一账号私占使用同一车辆的使用次数；
第二特征：同一账号私占使用同一车辆的累计时长；
第三特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求次数；
第四特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求所对应的账号数量。
可选地，所述获取目标用车组合包括：
响应于用车请求，获取发出所述用车请求的账号作为所述目标账号，及获取所述用车请求指向的车辆作为所述目标车辆，形成所述目标用车组合。
可选地，所述方法还包括：
查找所述目标账号是否在先使用过所述目标车辆；
在所述目标账号在先使用过所述目标车辆的情况下，再执行所述获取目标用车组合对于所述特征向量的向量值的操作。
可选地，所述获取目标用车组合包括：
响应于接收到关于异常用车的举报事件，获取所述举报事件针对的账号作为所述目标账号，及获取所述举报事件针对的车辆作为所述目标车辆，形成所述目标用车组合。
可选地，所述方法还包括生成所述异常识别模型的步骤，包括：
获取训练样本，其中，不同训练样本对应不同的用车组合，每一训练样本包括对应样本对于所述特征向量的向量值、及对应样本是否异常的识别结果；
根据所述训练样本，训练得到所述异常识别模型。
可选地，所述进行设定的异常处理，包括以下至少一项：
第一项：向所述目标账号绑定的移动终端发送警告信息，其中，所述警告信息包括发现所述目标账号私占使用车辆的信息；
第二项：向所述目标账号提供惩罚值；
第三项：关闭所述目标账号；
第四项：禁止通过来自所述目标账号的用车请求；
第五项：将所述目标车辆的车辆信息发送至运营人员的账号进行寻回干预。
可选地，所述方法还包括：
获取所述目标账号私占使用所述目标车辆的累计时长；
根据所述累计时长，获得对于所述目标账号的惩罚值；
所述进行设定的异常处理包括：向对应目标账户提供所述惩罚值。
可选地，所述方法在识别所述目标用车组合属于异常用车行为之后，还包括：
将所述目标车辆的车辆信息发送至运营人员的账号进行复核；
获取所述运营人员的账号在复核后返回的复核结果；
在所述复核结果为所述目标车辆被私占的情况下，再执行所述进行设定的异常处理的步骤。
根据本发明的第二方面，还提供了一种异常用车识别装置，其包括：
识别目标获取模块，用于获取目标用车组合，其中，所述目标用车组合包括目标账号及所述目标账号使用的目标车辆；
特征提取模块，用于根据设定的反映同一账号私占使用同一车辆的状态的特征向量，获取所述目标用车组合对于所述特征向量的向量值；
异常识别模块，用于根据所述向量值和预设的异常识别模型，识别所述目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系；以及，
异常处理模块，用于在所述目标用车组合属于异常用车行为的情况下，进行设定的异常处理。
根据本发明的第三方面，还提供了一种电子设备，包括根据本发明的第二方面所述的异常用车识别装置；或者，
所述电子设备包括存储器和处理器，所述存储器用于存储可执行的计算机程序；处理器，用于根据所述计算机程序的控制运行所述电子设备，以执行根据本发明的第一方面所述的方法。
本发明的一个有益效果在于，本发明实施例的方法通过设置反映同一账号私占使用同一车辆的私占状态的特征向量，可以获取任意目标用车组合对于该特征向量的向量值，进而能够根据该向量值获得该目标用车组合是否异常的识别结果，以对异常用车的目标账户进行处理，实现对共享车辆的风险控制，减少损失。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是显示可用于实现本发明实施例的共享车辆系统的硬件配置的原理框图；
图2是根据本发明实施例的异常用车识别方法的流程示意图；
图3是根据本发明实施例的异常用车识别装置的原理框图；
图4是根据本发明实施例的电子设备的原理框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是可用于实现本发明实施例的共享车辆系统100的硬件配置的框图。
如图1所示，共享车辆系统100包括服务器1000、移动终端2000和车辆3000。
服务器1000提供处理、数据库、通讯设施的业务点。服务器1000可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的，例如但不限于，网络服务器，新闻服务器，邮件服务器，消息服务器，广告服务器，文件服务器，应用服务器，交互服务器，数据库服务器，或代理服务器。在一些实施例中，每个服务器可以包括硬件，软件，或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如，服务器例如刀片服务器、云端服务器等，或者可以是由多台服务器组成的服务器群组，可以包括上述类型的服务器中的一种或多种等等。
在一个实施例中，如图1所示，服务器1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600。
处理器1100用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括各种总线接口，例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1400例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1160例如可以包括触摸屏、键盘等。
本实施例中，服务器1000的存储器1200用于存储计算机指令，该计算机指令用于控制处理器1100进行操作以实施或者支持实施根据本发明任意实施例的异常用车识别方法。技术人员可以根据本发明所公开方案设计该指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
尽管在图1中示出了服务器1000的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，服务器1000只涉及存储器1200、处理器1100和通信装置1400等。
本实施例中，移动终端2000例如是手机、便携式电脑、平板电脑、掌上电脑、可穿戴设备等。
如图1所示，移动终端2000可以包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600、扬声器2700、麦克风2800等等。
处理器2100可以是移动版处理器。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括USB接口、耳机接口等。通信装置2400例如能够进行有线或无线通信，通信装置2400可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置2400也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘等。用户可以通过扬声器2700和麦克风2800输入/输出语音信息。
本实施例中，移动终端2000可以用于向服务器1000发起针对车辆3000的用车请求，该用车请求中携带有所请求车辆3000的唯一标识。
用户可以通过移动终端2000扫描车辆3000的二维码来触发该用车请求，也可以通过移动终端2000输入车辆3000的唯一编码来触发该用车请求。
本实施例中，移动终端2000的存储器2200用于存储计算机指令，该指令用于控制处理器2100进行操作以支持实施根据本发明任意实施例的异常用车识别方法，例如至少包括：获取车辆3000的唯一标识，形成针对特定车辆的用车请求发送至服务器，以形成用车请求记录等等。技术人员可以根据本发明所公开方案设计计算机指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
尽管在图1中示出了移动终端2000的多个装置，但是，本发明可以仅涉及其中的部分装置，在此不做限定。
车辆3000可以是图1中所示的自行车，也可以是三轮车、电动助力车、摩托车以及四轮乘用车等各种形态，在此不做限定。
如图1所示，车辆3000可以包括处理器3100、存储器3200、接口装置3300、通信装置3400、显示装置3500、输入装置3600、扬声器3700、麦克风3800，等等。其中，处理器3100可以是微处理器MCU等。存储器3200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置3300例如包括USB接口、耳机接口等。通信装置3400例如能够进行有线或无线通信，又例如能够进行短距离和远程通信。输出装置2500例如可以是输出信号的装置，可以显示装置，例如液晶显示屏、触摸显示屏等，也可以是扬声器等输出语音信息等。输入装置2600例如可以包括触摸屏、键盘等，也可以是麦克风输入语音信息。
尽管在图1中示出了车辆3000的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，车辆3000只涉及通信装置3400、存储器3200和处理器3100。
除此之外，车辆3000还包括受控于处理器3100的锁机构等，以实现车辆3000的解锁。
本实施例中，车辆3000可以向服务器1000上报自身的位置信息，以及，向服务器1000上报自身的使用状态信息等，例如，在检测到用户完成闭锁操作时，向服务器1000上报闭锁通知信号。
本实施例中，车辆3000的存储器3200用于存储计算机指令，该指令用于控制处理器3100进行操作以执行与服务器1000之间的信息交互。技术人员可以根据本发明所公开方案设计该计算机指令。该指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
网络4000可以是无线通信网络也可以是有线通信网络，可以是局域网也可以是广域网。在图1所示的信息推送系统100中，车辆3000与服务器1000、移动终端2000与服务器1000，可以通过网络4000进行通信。此外，车辆3000与服务器1000、移动终端2000与服务器1000通信所基于的网络4000可以是同一个，也可以是不同的。
应当理解的是，尽管图1仅示出一个服务器1000、移动终端2000、车辆3000，但不意味着限制各自的数量，共享车辆系统100中可以包含多个服务器1000、多个移动终端2000、多个车辆3000等。
<方法实施例>
本实施例的异常用车识别方法用于识别用户私占使用某一车辆的行为。该私占使用的方式包括：用户为该车辆增加私锁，或者隐藏该车辆，致使其他用户无法正常使用该车辆。该私占使用的特点包括：该用户通过正常的用车流程使用车辆，包括通过移动终端扫描该车辆的二维码向服务器发出用车请求，以使服务器根据该用车请求解锁车辆；以及，在每次结束使用该车辆后，根据服务器的结算请求进行费用结算。
图2是根据本发明实施例的异常用车识别方法的流程示意图，该方法例如可以由图1所示的服务器1000实施。
根据图2所示，本实施例的方法可以包括如下步骤S2100～S2400。
步骤S2100，获取目标用车组合，其中，该目标用车组合包括目标账号及该目标账号使用的目标车辆。
本实施例中，目标用车组合即为待识别的用车组合，该用车组合包含两个信息，一个是用户的账号，另一个是该账号使用的一台车辆，即，该用车组合为账号和车辆的匹配对。
该账号即为用户的注册账号，账号具有唯一性，用于标识对应的用户，不同的用户具有不同的账号。每一车辆也具有唯一的标识。因此，本实施例中，可以通过用户的标识(即账号)和车辆的标识来唯一确定一个目标用车组合。
在一个实施例中，任意账号对于任意车辆的使用都可形成该目标用车组合，以进行异常用车识别。因此，可以定期根据数据库中记录的用车请求数据，形成所有的目标用车组合，以进行异常用车的排查。
在另一个实施例中，也可以在定期排查时，在形成的所有目标用车组合中，筛除目标账户对于目标车辆仅有一次使用记录的目标用车组合，以提升排查效率。
在另一个实施例中，还可以在每次收到用车请求时，基于该用车请求形成目标用车组合，以进行异常用车的排查。在该实施例中，步骤S2100中获取目标用车组合可以包括：响应于用车请求，获取发出该用车请求的账号作为目标账号，及获取该用车请求指向的车辆作为目标车辆，形成目标用车组合。
该实施例中，基于接收到新的用车请求形成目标用车组合，以进行是否为异常用车的检查，有利于快速确定目标用车组合及确定目标用车组合对于设定特征向量的向量值，并对异常用车行为进行及时有效的处理。
在另一个实施例中，也可以基于异常举报形成目标用车组合，以确定该异常举报的准确性。在该实施例中，步骤S2100中获取目标用车组合可以包括：响应于接收到关于异常用车的举报事件，获取该举报事件针对的账号作为目标账号，及获取该举报事件针对的车辆作为目标车辆，形成目标用车组合。
在异常举报仅提供了异常用车的账号信息的情况下，获取该举报事件针对的车辆可以是：在历史用车请求数据中，查找该账号使用过的车辆作为目标车辆。在该账号使用过多个车辆的情况下，可以将这些车辆均作为目标车辆，以分别与该账号形成多个目标用车组合。
在异常举报仅提供了异常用车的车辆信息(包括车辆的唯一标识)的情况下，获取该举报事件针对的账号可以是：在历史用车请求数据中，查找使用过该车辆的账号作为目标账号。在该车辆被多个账号使用过的情况下，可以将这些账号均作为目标账号，以分别与该车辆形成多个目标用车组合。
在异常举报提供了异常用车的账号信息和车辆信息的情况下，可以直接根据该举报事件确定唯一的目标用车组合。
根据该实施例，可以对异常举报进行核实，以对异常举报进行准确处理。另外，在该实施例中，经核实的目标用车组合还可以作为新的训练样本，参与本实施例中使用的异常识别模型的自学习训练，以实现该异常识别模型的更新升级，进而不断提升该异常识别模型的识别准确率。
步骤S2200，根据设定的特征向量，获取经步骤S2100获取到的目标用车组合对于该特征向量的向量值，其中，该特征向量反映同一账号私占使用同一车辆的私占状态。
本实施例中，可以根据用户私占使用车辆的上述特点，预先设置能够反映这些特点的特征，以形成反映同一账号私占使用同一车辆的私占状态的特征向量X。
该特征向量X包括反映同一账号私占使用同一车辆的私占状态的至少一个特征xj，j的取值为1至N的自然数，N表示特征向量X具有的特征的总数。
例如，特征向量X具有6个特征，即N＝6，此时，可以将特征向量X表示为X＝(x1,x2,x3,x4,x5,x6)。
在一个实施例中，该特征向量X可以包括以下特征中的至少一个特征。第一特征x1：同一账号私占使用同一车辆的使用次数；第二特征x2：同一账号私占使用同一车辆的累计时长；第三特征x3：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求次数；第四特征x4：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求所对应的账号数量。
该实施例中，通过获得目标用车组合对于每一特征的特征值，便获得了目标用车组合对于该特征向量X的向量值，即，该向量值由获得的N个特征值组成。
关于第一特征x1，对于目标用车组合而言，如果目标账号第一次使用目标车辆，或者在目标账号相邻两次使用目标车辆期间，其他账号亦成功使用过该目标车辆，则该目标用车组合对于该第一特征x1的特征值为1。如果目标账号在连续N次使用目标车辆期间，其他账号均没有成功使用过该目标车辆，则该目标用车组合对于该第一特征x1的特征值为N，其中，N为大于或者等于2的自然数。
关于其他账号是否成功使用过该目标车辆，从服务器一端来看，服务器在接收到其他账号的用车请求后，会根据该用车请求解锁该目标车辆，但由于该目标车辆可能被增加有私锁等，所以其他用户在目标车辆解锁后无法成功使用该车辆，便会直接对该目标车辆执行关锁操作，以结束使用，服务器在接收到该目标车辆上报的结束使用通知后，便会计算该目标车辆在对应该其他账号的解锁与关锁期间产生的位置变化量，如果未发生位置变化，则认为该其他用户未成功使用该车辆，如果发生位置变化，则说明该其他用户成功使用了该车辆。
服务器可以根据目标车辆提供的位置信息和/或移动终端提供的位置信息，计算该位置变化量。例如，移动终端在向服务器发送用车请求时会提供当前的位置信息。又例如，车辆在向服务器发送结束使用通知时，会向服务器上报自身的位置信息。再例如，车辆会定时向服务器上报自身的位置信息。
关于第二特征x2，对于目标用车组合而言，在目标用车组合对于第一特征x1的特征值等于1的情况下，目标用车组合对于第二特征x2的特征值将等于0；而在目标用车组合对于第一特征x1的特征值等于N的情况下，目标用车组合对于第二特征x2的特征值将等于连续N次使用的总时长，即从第一次开始使用至第N次开始使用期间的时间长度。
关于第三特征x3，对于目标用车组合而言，在目标用车组合对于第一特征x1的特征值等于1的情况下，目标用车组合对于第二特征x3的特征值将等于0；而在目标用车组合对于第一特征x1的特征值等于N的情况下，目标用车组合对于第二特征x3的特征值将等于在目标账号连续N次使用目标车辆期间，接收到的来自其他账号的用车请求次数。
本实施例中，在满足目标账号连续N次使用目标车辆的条件下，说明其他账号在此期间未成功使用过该目标车辆，但可能有其他账号针对该目标车辆向服务器发出用车请求，只是该其他账号在目标车辆解锁后没能成功使用该目标车辆，设置第三特征x3可以确定目标账号在私占使用目标车辆期间接收到的、来自其他账号的用车请求次数。
在目标账号连续N次使用目标车辆的情况下，由于其他账号无法成功使用目标车辆将大大增加目标账号是私占使用目标车辆的可能性，因此，通过设置该第三特征x3，有利于准确有效识别该种私占使用的异常使用行为。而且，通过设置该第三特征x3还可以确定该私占行为属于加私锁行为，还是属于私藏行为。
关于第四特征x4，对于目标用车组合而言，可以参照确定目标用车组合对于第三特征x3的特征值的方式，确定其对于第四特征x4的特征值。
例如，服务器在目标账号连续N次使用目标车辆期间，接收到的来自其他账号的用车请求次数为5次，但5次用车请求分别来自3个其他账号，则目标用车组合对于第三特征的特征值为5，对于第四特征的特征值为3。
该实施例中，通过设置特征向量X包括以上第一特征、第二特征、第三特征和第四特征中的至少一个特征，使得该特征向量X能够通过尽可能少的特征维度，较为准确地反映目标账号是否具有私占使用目标车辆的异常用车行为，提高了识别效率和识别准确率。
以基于新的用车请求触发异常识别为例，获取发出该用车请求的账号作为目标账号，获取该用车请求指向的车辆作为目标车辆，形成待识别的目标用车组合，设该新的用车请求为目标账号的当前次T使用。获取该目标用车组合对于上述特征向量的向量值时：
1)如果该目标账号(T-1)次使用的车辆并非是目标车辆，或者该目标账号(T-1)使用的车辆是目标车辆，但在两次使用期间有其他账号成功使用了该目标车辆，则，该目标用车组合对于第一特征x1的特征值为1，对于第二特征x2的特征值为0，对于第三特征x3的特征值为0，对于第四特征x4的特征值为0。
2)如果该目标账号(T-1)次使用的车辆是目标车辆，(T-2)次使用的车辆并非是目标车辆，且在当前次T与(T-1)次期间没有其他账号成功使用了该目标车辆，则该目标用车组合对于第一特征x1的特征值为2，对于第二特征x2的特征值为当前次T至(T-1)次之间的时间间隔，对于第三特征x3第四特征x4的特征值取决于在该时间间隔是否接收到来自其他账号的用车请求。
3)如果该目标账号前两次使用的车辆均是目标车辆，且该目标账号在三次使用期间没有其他账号成功使用了该目标车辆，则该目标用车组合对于第一特征x1的特征值为3，对于第二特征x2的特征值为当前次T至(T-2)次之间的时间间隔，对于第三特征x3第四特征x4的特征值取决于在该时间间隔内是否接收到来自其他账号的用车请求。以此类推。
步骤S2300，根据步骤S2200获得的向量值和预设的异常识别模型，识别该目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系。
该异常识别模型可以是一个映射规则，例如是一个映射对照表，对照表中记录由该特征向量的不同向量值与对应的识别结果。
该异常识别模型也可以是一个映射函数F(x)，该映射函数F(x)的自变量即为特征向量X，因变量F(x)即为由特征向量X决定的识别结果。
该异常识别模型可以是任意的二分类模型，例如逻辑回归模型等，在此不做限定。
通过该步骤S2300，将目标用车组合对于该特征向量X的向量值输入值异常识别模型，便可以获得相应的识别结果。该目标用车组合属于异常用车行为即表示，目标账号对于目标车辆的使用行为为异常用车行为。
步骤S2400，在该目标用车组合属于异常用车行为的情况下，进行设定的异常处理。
该设定的异常处理可以包括以下至少一项：第一项：向所述目标账号绑定的移动终端发送警告信息，其中，所述警告信息包括发现所述目标账号私占使用车辆的信息；第二项：向该目标账号提供惩罚值；第三项：关闭该目标账号；第四项：禁止通过来自该目标账号的用车请求；第五项：将该目标车辆的车辆信息发送至运营人员的账号进行寻回干预。
关于第一项，可以通过向目标账号绑定的移动终端发送警告信息，来通知目标用户已发现其私占使用车辆的行为，以使用户及时恢复私占车辆的正常使用。
该警告信息还可以包括将对目标账号进行的处罚事项，该处罚事项例如包括第二项、第三项和第四项中的至少一项。
关于第二项，该惩罚值可以是罚金，也可以是需要减少的优惠额度，还可以是增加用车费用等。
关于第三项，关闭该目标账号即为在数据库中清除该账号，并禁止通过该账号绑定的手机号重新注册新的账号。
关于第四项，在禁止通过来自该目标账号的用车请求后，服务器在再次接收到来自该目标账号的用车请求时，将禁止根据该用车请求对所请求的车辆解锁。
该第四项也可以是禁止在设定时间长度内通过来自该目标账号的用车请求，例如，在发现目标用车组合属于异常用车行为后，禁止在未来的一个月内通过来自该目标账号的用车请求。
关于第五项，由于目标车辆被目标账号私占，因此，可以将该目标车辆的车辆信息，该车辆信息包括车辆的唯一标识，还可以包括车辆的位置信息，发送至运营人员的账号，以使得运营人员可以根据该车辆信息寻回该目标车辆，降低损失。
本实施例中，通过对异常用车行为进行设定的异常处理，可以有效降低异常用车行为的发生概率，并降低运营商的损失。
根据以上步骤S2100～S2400可知，本实施例的异常用车识别方法通过提取反映同一账号私占使用同一车辆的私占状态的特征向量，能够自动、有效地识别任意目标用车组合是否属于异常用车行为，这样便可对异常用车的目标账户进行及时的处理，实现对共享车辆的风险控制，减少运营商损失。
在一个实施例中，本发明方法的以上步骤S2100中获取目标用车组合可以包括：响应于用车请求，获取发出该用车请求的账号作为目标账号，及获取该用车请求指向的车辆作为目标车辆，形成目标用车组合。
该实施例中，本发明方法还可以包括如下步骤：
步骤S3100，在基于用车请求获取到该目标用车组合后，查找该目标账号是否在先使用过该目标车辆。
步骤S3200，在该目标账号在先使用过该目标车辆的情况下，再执行以上步骤S2200中获取目标用车组合对于该特征向量的向量值的操作。
对应地，在该目标账号未在先使用过该目标车辆的情况下，将不再执行以上步骤S2200，并结束对于该目标用车组合的本次识别。
本实施例中，可以在获取到目标用车组合后，根据数据库记录的历史用车请求数据，查找该目标账号使用过的车辆集合，并检查将目标车辆是否位于该车辆集合中，以此判断该目标账号是否在先使用过该目标车辆。
本实施例中，在目标账号未在先使用过目标车辆的情况下，说明该目标账号至少目前不可能私占该目标车辆，因此，将无需对其进行异常用车识别，以减少对处理资源的占用。
在一个实施例中，本发明方法还可以包括如下步骤：获取目标账号私占使用目标车辆的累计时长；以及，根据该累计时长，获得对于该目标账号的惩罚值。
本实施例中，该累计时长即为私占时长，该累计时长即为目标用车组合对于上述第二特征的特征值。
由于根据数据库记录的历史用车请求数据可以计算出每一车辆在设定单位时间内被使用的平均次数，因此，该累计时长在一定程度上能够反映该私占行为所造成的经济损失，这样，便可以根据该累计时长确定对于该目标账号的合理的惩罚值，例如，可以根据该平均次数和累计时长，计算在目标账号私占该目标车辆期间所损失的用车次数，再将所损失的用车次数乘以平均每次的用车费用，以得到惩罚值等。
在另外的实施例中，该方法也可以包括：获取在目标账号私占使用目标车辆期间接收到的、来自其他账户的用车请求次数；以及，根据该用车请求次数获得对于该目标账号的惩罚值。
该实施例中，上述步骤S2400中进行设定的异常处理可以包括：向对应目标账户提供该惩罚值。
根据本实施例的方法，可以根据目标账号私占使用目标车辆的累计时长，合理地确定对于目标车辆的惩罚值，以对不同的私占程度提供不同的惩罚值。
在一个实施例中，本发明方法在上述步骤S2300中识别出目标用车组合属于异常用车行为之后，还可以包括以下步骤：
步骤S4100,将目标车辆的车辆信息发送至运营人员的账号进行复核。
该车辆信息至少包括目标车辆的唯一的标识，还可以包括目标车辆的当前位置信息。
根据该步骤S4100，运营人员在接收到复核任务后，可以根据所需复核车辆的车辆信息锁定该车辆的当前位置，并到达该车辆的当前位置复核该车辆是否确实被私占。运营人员在复核后可通过自身的移动终端向服务器反馈复核结果。
步骤S4200，获取运营人员的账号在复核后返回的复核结果。
步骤S4300，在复核结果为目标车辆被私占的情况下，再执行上述步骤S2400中进行设定的异常处理的操作。
本实施例中，在复核结果为目标车辆未被私占的情况下，将结束对目标用车组合的当前处理。
根据本实施例的方法，增加复核环节可以保证异常处理的高度准确性，不会发生误识别、误处理的情况。
另外，根据本实施例的方法，经运营人员复核后的目标用车组合可以作为新的训练样本参与到异常识别模型的自学习中，以提高异常识别模型的识别准确性。
在一个实施例中，本发明方法还可以包括生成步骤S2300中使用的异常识别模型的步骤。
生成该异常识别的步骤可以包括：获取训练样本，其中，不同训练样本对应不同的用车组合，每一训练样本包括对应样本对于上述特征向量的向量值、及对应样本是否为异常用车行为的识别结果；以及，根据训练样本，训练得到该异常识别模型。
该训练样本包括正样本和负样本，正样本即为识别结果为异常用车行为的样本，负样本即为识别结果为正常用车行为的样本。
该正样本可以来源于运营人员上报的异常用车组合，也可以来自于用户举报的异常用车组合。
本实施例中，训练指训练模型表达式，该模型表达式可以是任意类型的二分类模型的表达式，例如是逻辑回归表达式，通过训练可以确定该模型表达式的所有待定系数，进而生成一个异常识别模型。
在一个实施例中，根据训练样本训练得到异常识别模型的步骤可以包括：
步骤S5100，以异常识别模型的函数表达式的待定系数为变量，分别根据每一训练样本对于该特征向量的向量值，确定每一训练样本的预测结果表达式。
以逻辑回归模型为例，假设映射函数中特征向量X包括n个特征x1,x2,......,xn，在确定第k个训练样本对于n个特征的取值
后，以待定系数集合中包括一个常数权重b以及n个特征权重a1,a2,......,an为变量，可以获取第k个训练样本的预测结果表达式是Yk:
Yk可以表示第k个训练样本属于异常用车行为的概率。
步骤S5200，根据每一训练样本的预测结果表达式以及每一训练样本的实际识别结果，构建损失函数。
在本实施例中，该步骤S5200中构建损失函数可以进一步包括如下步骤S5210～S5220：
步骤S5210，对于每一训练样本，根据预测结果表达式以及实际识别结果，确定对应的损失表达式。
假设收集到的训练样本数为m，对其中第k个训练样本，获取的实际识别结果是yk，预测结果表达式以为Yk，对应的损失表达式为(yk-Yk)2(k＝1,...,m)；其中，
在实际的识别结果为属于异常用车行为时，yk等于1，即，第k个训练样本属于异常用车行为的实际概率为1。在实际的识别结果为不属于异常用车行为时，yk等于0，即，第k个训练样本属于异常用车行为的实际概率为0。
步骤S5220，将每一训练样本的损失表达式求和，得到损失函数。
本实施例中，损失函数可以为：
其中，
步骤S5300，根据损失函数确定待定系数，完成本次对异常识别模型的训练。
在本实施例中，该步骤S5300中根据损失函数确定待定系数，完成本次对异常识别模型的训练可以进一步包括步骤S5310～S5330：
步骤S5310，设置待定系数集合中的常数权重以及每个特征权重的初始值为预设数值范围内的随机数。
假设待定系数集合{b,a1,a2,......,an}包括一个常数权重b以及n个特征权重a1,a2,......,an，可以设置初始值为预设数值范围的随机数。该预设数值范围可以根据应用场景或者应用需求设置，例如，设置预设数值范围为0-1，使得常数权重b以及n个特征权重a1,a2,......,an的初始值均是0-1之间的随机数。
步骤S5320，将设置初始值后的常数权重以及每个特征权重代入损失函数中，进行迭代处理。
步骤S5330，当迭代处理得到的待定系数集合符合收敛条件时，终止迭代处理，确定待定系数集合的常数权重以及每个特征权重的取值，否则，继续迭代处理。
收敛条件可以根据具体的应用场景或者应用需求设置。
例如，收敛条件是迭代处理的次数大于预设的次数阈值。该预设的次数阈值可以根据工程经验或者实验仿真结果设置，例如，可以设置为300。
又例如，收敛条件是迭代处理得到的待定系数集合的迭代结果值小于预设的结果阈值。该迭代结果值是根据迭代处理得到的待定系数集合代入的损失函数与对应的常数权重或者每个特征权重求偏导的结果确定。
在一个例子中，收敛条件可以是满足上述两个例子中任意一个收敛条件。
假设第k+1次迭代处理得到的待定系数集合{b,a1,a2,...,an}(k+1)符合收敛条件时，终止迭代处理，得到对应所有ai (k+1)(i＝1,...,n)以及b(k+1)取值，否则，继续迭代处理，直到待定系数集合符合收敛条件。
根据本发明该实施例，其可以根据大量的训练样本训练得到异常识别模型，从而利用该异常识别模型识别异常用车行为时，可以提高获得的识别结果的准确性。
<装置实施例>
在本实施例中，还提供一种异常用车识别装置，如图3所示，该异常用车识别装置3000包括识别目标获取模块3100、特征提取模块3200、异常识别模块3300和异常处理模块3400。
该识别目标获取模块3100用于获取目标用车组合，其中，该目标用车组合包括目标账号及该目标账号使用的目标车辆。
该特征提取模块3200用于根据设定的特征向量，获取该目标用车组合对于该特征向量的向量值，该特征向量反映同一账号私占使用同一车辆的私占状态。
该异常识别模块3300用于根据该向量值和预设的异常识别模型，识别目标用车组合是否属于异常用车行为，其中，该异常识别模型反映该特征向量与是否属于异常用车行为的识别结果间的映射关系。
该异常处理模块3400用于在目标用车组合属于异常用车行为的情况下，进行设定的异常处理。
在一个实施例中，该异常用车识别装置3000还可以包括特征设置模块，该特征设置模块设置该特征向量包括以下至少一个特征：第一特征：同一账号私占使用同一车辆的使用次数；第二特征：同一账号私占使用同一车辆的累计时长；第三特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求次数；以及，第四特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求所对应的账号数量。
在一个实施例中，该识别目标获取模块3100在获取目标用车组合时，可以用于：响应于用车请求，获取发出所述用车请求的账号作为所述目标账号，及获取所述用车请求指向的车辆作为所述目标车辆，形成所述目标用车组合。
在一个实施例中，该识别目标获取模块3100还用于：查找目标账号是否在先使用过该目标车辆；及在该目标账号在先使用过该目标车辆的情况下，再通知所述特征提取模块3200执行获取目标用车组合对于该特征向量的向量值的操作。
在一个实施例中，该识别目标获取模块3100在获取目标用车组合时，可以用于：响应于接收到关于异常用车的举报事件，获取举报事件针对的账号作为目标账号，及获取举报事件针对的车辆作为所述目标车辆，形成该目标用车组合。
在一个实施例中，该异常用车识别装置3000还可以包括模型生成模块，该模型生成模块用于生成上述异常识别模型，并在生成该异常识别模型时，用于：获取训练样本，其中，不同训练样本对应不同的用车组合，每一训练样本包括对应样本对于所述特征向量的向量值、及对应样本是否异常的识别结果；以及，根据所述训练样本，训练得到所述异常识别模型。
在一个实施例中，该异常处理模块3400在进行设定的异常处理时，可以执行以下至少一项：第一项：向所述目标账号绑定的移动终端发送警告信息，其中，所述警告信息包括发现所述目标账号私占使用车辆的信息；第二项：向所述目标账号提供惩罚值；第三项：关闭所述目标账号；第四项：禁止通过来自所述目标账号的用车请求；第五项：将所述目标车辆的车辆信息发送至运营人员的账号进行寻回干预。
在一个实施例中，该异常处理模块3400还可以用于：获取目标账号私占使用所述目标车辆的累计时长；根据所述累计时长，获得对于目标账号的惩罚值；并在进行设定的异常处理时用于：向对应目标账户提供所述惩罚值。
在一个实施例中，该异常用车识别装置3000还可以包括校验模块，该校验模块用于在异常识别模块3300识别该目标用车组合属于异常用车行为之后：将目标车辆的车辆信息发送至运营人员的账号进行复核；获取运营人员的账号在复核后返回的复核结果；以及，在复核结果为目标车辆被私占的情况下，再通知异常处理模块3400执行进行设定的异常处理的步骤。
<设备实施例>
在本实施例中，还提供一种电子设备4000，其可以包括根据本发明任意实施例的异常用车识别装置3000，以能够实施本发明任意实施例的异常用车识别方法。
在另外的实施例中，如图4所示，该电子设备4000还可以包括处理器4100和存储器4200，该存储器4200用于存储可执行的计算机指令；该处理器4200用于根据该指令的控制运行电子设备4000，以执行根据本发明任意实施例的异常用车识别方法。
该电子设备4000例如可以是图1中的服务器1000，也可以是其他终端设备，在此不做限定。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (11)
1.一种异常用车识别方法，包括：
获取目标用车组合，其中，所述目标用车组合包括目标账号及所述目标账号使用的目标车辆；
根据设定的特征向量，获取所述目标用车组合对于所述特征向量的向量值，其中，所述特征向量反映同一账号私占使用同一车辆的私占状态；
根据所述向量值和预设的异常识别模型，识别所述目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系；
在属于异常用车行为的情况下，进行设定的异常处理。
2.根据权利要求1所述的方法，其中，所述方法还包括：设置所述特征向量包括以下至少一个特征：
第一特征：同一账号私占使用同一车辆的使用次数；
第二特征：同一账号私占使用同一车辆的累计时长；
第三特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求次数；
第四特征：在同一账号私占使用同一车辆期间接收到的、来自其他账号的用车请求所对应的账号数量。
3.根据权利要求1所述的方法，其中，所述获取目标用车组合包括：
响应于用车请求，获取发出所述用车请求的账号作为所述目标账号，及获取所述用车请求指向的车辆作为所述目标车辆，形成所述目标用车组合。
4.根据权利要求3所述的方法，其中，所述方法还包括：
查找所述目标账号是否在先使用过所述目标车辆；
在所述目标账号在先使用过所述目标车辆的情况下，再执行所述获取目标用车组合对于所述特征向量的向量值的操作。
5.根据权利要求1所述的方法，其中，所述获取目标用车组合包括：
响应于接收到关于异常用车的举报事件，获取所述举报事件针对的账号作为所述目标账号，及获取所述举报事件针对的车辆作为所述目标车辆，形成所述目标用车组合。
6.根据权利要求1所述的方法，其中，所述方法还包括生成所述异常识别模型的步骤，包括：
获取训练样本，其中，不同训练样本对应不同的用车组合，每一训练样本包括对应样本对于所述特征向量的向量值、及对应样本是否异常的识别结果；
根据所述训练样本，训练得到所述异常识别模型。
7.根据权利要求1所述的方法，其中，所述进行设定的异常处理，包括以下至少一项：
第一项：向所述目标账号绑定的移动终端发送警告信息，其中，所述警告信息包括发现所述目标账号私占使用车辆的信息；
第二项：向所述目标账号提供惩罚值；
第三项：关闭所述目标账号；
第四项：禁止通过来自所述目标账号的用车请求；
第五项：将所述目标车辆的车辆信息发送至运营人员的账号进行寻回干预。
8.根据权利要求1所述的方法，其中，所述方法还包括：
获取所述目标账号私占使用所述目标车辆的累计时长；
根据所述累计时长，获得对于所述目标账号的惩罚值；
所述进行设定的异常处理包括：向对应目标账户提供所述惩罚值。
9.根据权利要求1至8中任一项所述的方法，其中，所述方法在识别所述目标用车组合属于异常用车行为之后，还包括：
将所述目标车辆的车辆信息发送至运营人员的账号进行复核；
获取所述运营人员的账号在复核后返回的复核结果；
在所述复核结果为所述目标车辆被私占的情况下，再执行所述进行设定的异常处理的步骤。
10.一种异常用车识别装置，包括：
识别目标获取模块，用于获取目标用车组合，其中，所述目标用车组合包括目标账号及所述目标账号使用的目标车辆；
特征提取模块，用于根据设定的特征向量，获取所述目标用车组合对于所述特征向量的向量值，所述特征向量反映同一账号私占使用同一车辆的私占状态；
异常识别模块，用于根据所述向量值和预设的异常识别模型，识别所述目标用车组合是否属于异常用车行为，其中，所述异常识别模型反映所述特征向量与是否属于异常用车行为的识别结果间的映射关系；以及，
异常处理模块，用于在所述目标用车组合属于异常用车行为的情况下，进行设定的异常处理。
11.一种电子设备，包括权利要求10所述的异常用车识别装置；或者，
所述电子设备包括存储器和处理器，所述存储器用于存储可执行的计算机程序；处理器，用于根据所述计算机程序的控制运行所述电子设备，以执行根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176922.7A CN111126774A (zh) | 2019-11-26 | 2019-11-26 | 异常用车识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176922.7A CN111126774A (zh) | 2019-11-26 | 2019-11-26 | 异常用车识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111126774A true CN111126774A (zh) | 2020-05-08 |
Family
ID=70496753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911176922.7A Withdrawn CN111126774A (zh) | 2019-11-26 | 2019-11-26 | 异常用车识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126774A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091393A (zh) * | 2019-11-26 | 2020-05-01 | 北京摩拜科技有限公司 | 异常账号识别方法、装置及电子设备 |
| CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
| CN112929816A (zh) * | 2021-02-01 | 2021-06-08 | 北京嘀嘀无限科技发展有限公司 | 车辆异常行为识别方法、装置、介质以及计算机程序产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578562A (zh) * | 2017-09-22 | 2018-01-12 | 北京摩拜科技有限公司 | 车辆控制方法、客户端及系统 |
| CN107948265A (zh) * | 2017-11-16 | 2018-04-20 | 北京摩拜科技有限公司 | 车辆管理方法、车辆、服务器、客户端及车辆系统 |
| CN108091129A (zh) * | 2018-01-12 | 2018-05-29 | 北京摩拜科技有限公司 | 车辆故障处理方法、服务器、检测设备及车辆系统 |
| CN108961132A (zh) * | 2018-07-23 | 2018-12-07 | 中国联合网络通信集团有限公司 | 私占共享单车行为的检测方法及装置 |
| WO2019109340A1 (en) * | 2017-12-08 | 2019-06-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for managing sharing vehicle |
| CN110084481A (zh) * | 2019-03-29 | 2019-08-02 | 北京摩拜科技有限公司 | 监控车辆状态的方法、装置及服务器 |
| CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
| CN111369280A (zh) * | 2020-02-21 | 2020-07-03 | 摩拜(北京)信息技术有限公司 | 异常账号识别方法、装置及电子设备 |
-
2019
- 2019-11-26 CN CN201911176922.7A patent/CN111126774A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578562A (zh) * | 2017-09-22 | 2018-01-12 | 北京摩拜科技有限公司 | 车辆控制方法、客户端及系统 |
| CN107948265A (zh) * | 2017-11-16 | 2018-04-20 | 北京摩拜科技有限公司 | 车辆管理方法、车辆、服务器、客户端及车辆系统 |
| WO2019109340A1 (en) * | 2017-12-08 | 2019-06-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for managing sharing vehicle |
| CN108091129A (zh) * | 2018-01-12 | 2018-05-29 | 北京摩拜科技有限公司 | 车辆故障处理方法、服务器、检测设备及车辆系统 |
| CN108961132A (zh) * | 2018-07-23 | 2018-12-07 | 中国联合网络通信集团有限公司 | 私占共享单车行为的检测方法及装置 |
| CN110084481A (zh) * | 2019-03-29 | 2019-08-02 | 北京摩拜科技有限公司 | 监控车辆状态的方法、装置及服务器 |
| CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
| CN111369280A (zh) * | 2020-02-21 | 2020-07-03 | 摩拜(北京)信息技术有限公司 | 异常账号识别方法、装置及电子设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091393A (zh) * | 2019-11-26 | 2020-05-01 | 北京摩拜科技有限公司 | 异常账号识别方法、装置及电子设备 |
| CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
| CN111126773B (zh) * | 2019-11-26 | 2023-09-05 | 汉海信息技术(上海)有限公司 | 异常车辆识别方法、装置及电子设备 |
| CN111091393B (zh) * | 2019-11-26 | 2023-09-05 | 汉海信息技术(上海)有限公司 | 异常账号识别方法、装置及电子设备 |
| CN112929816A (zh) * | 2021-02-01 | 2021-06-08 | 北京嘀嘀无限科技发展有限公司 | 车辆异常行为识别方法、装置、介质以及计算机程序产品 |
| CN112929816B (zh) * | 2021-02-01 | 2023-06-30 | 北京嘀嘀无限科技发展有限公司 | 车辆异常行为识别方法、装置、介质以及计算机程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126774A (zh) | 异常用车识别方法、装置及电子设备 | |
| CN111126773B (zh) | 异常车辆识别方法、装置及电子设备 | |
| CN105988836B (zh) | 一种应用推荐方法及装置 | |
| CN110084481A (zh) | 监控车辆状态的方法、装置及服务器 | |
| CN109543891B (zh) | 容量预测模型的建立方法、设备及计算机可读存储介质 | |
| CN112132725B (zh) | 车辆还车判定方法、装置及电子设备 | |
| CN107580035B (zh) | 物品的管理方法、客户端、服务端及系统 | |
| CN111695051A (zh) | 基于扫码的页面访问方法、装置、电子设备及存储介质 | |
| CN109544191B (zh) | 共享车辆结算异常处理方法、车辆、系统、装置及服务器 | |
| CN111369280A (zh) | 异常账号识别方法、装置及电子设备 | |
| EP3828732A2 (en) | Method and apparatus for processing identity information, electronic device, and storage medium | |
| CN111461831A (zh) | 车辆的停放控制方法、电子设备及车辆系统 | |
| CN108305134B (zh) | 一种机票订单的安全检测方法、设备以及系统 | |
| CN109636118A (zh) | 电助力车的调度方法、装置、服务器及系统 | |
| US10981542B2 (en) | Vehicle theft prevention based on fueling pattern | |
| CN111091393B (zh) | 异常账号识别方法、装置及电子设备 | |
| CN108376157B (zh) | 目标用户查询方法、系统和装置 | |
| CN111123778B (zh) | 监控车辆使用状况的方法、装置及电子设备 | |
| CN111681369A (zh) | 停车控制方法、车辆、服务器及车辆系统 | |
| CN116743606A (zh) | 一种异常流量监测方法、装置、设备及存储介质 | |
| CN114462502B (zh) | 一种核身推荐模型训练方法及装置 | |
| CN114971798A (zh) | 一种用于识别网约用车场景的方法及系统 | |
| CN110532304B (zh) | 数据处理方法及装置、计算机可读存储介质以及电子设备 | |
| KR20220168533A (ko) | 입차 또는 출차되는 차량을 관리하기 위한 전자 장치 및 그 동작 방법 | |
| CN109559107B (zh) | 共享车辆结算异常处理方法、车辆、服务器、装置及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201216 Address after: Room 168, building 6, 741 Hangzhou Road, Yangpu District, Shanghai 200090 Applicant after: HANHAI INFORMATION TECHNOLOGY SHANGHAI Co.,Ltd. Address before: Room Bnan 1231, 2 bungalows, No. 5 Road, College, Haidian District, Beijing, 100191 Applicant before: BEIJING MOBIKE TECHNOLOGY Co.,Ltd. |
|
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200508 |