CN111612200B - 一种订单安全性预测方法、装置、服务器及存储介质 - Google Patents

一种订单安全性预测方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111612200B
CN111612200B CN201910141209.2A CN201910141209A CN111612200B CN 111612200 B CN111612200 B CN 111612200B CN 201910141209 A CN201910141209 A CN 201910141209A CN 111612200 B CN111612200 B CN 111612200B
Authority
CN
China
Prior art keywords
order
data
service
positive
negative
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.)
Active
Application number
CN201910141209.2A
Other languages
English (en)
Other versions
CN111612200A (zh
Inventor
熊文龙
刘章勋
韩冰
郄小虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910141209.2A priority Critical patent/CN111612200B/zh
Publication of CN111612200A publication Critical patent/CN111612200A/zh
Application granted granted Critical
Publication of CN111612200B publication Critical patent/CN111612200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种订单安全性预测方法、装置、服务器及存储介质。该方法包括：获取目标服务订单；获取目标服务订单的初始数据，其中，初始数据包括：目标服务订单的订单信息、目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息；根据第一信息获取表征服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据第二信息获取表征服务提供方正向行为的第二正向数据和负向行为的第二负向数据；通过事先训练好的预设模型对订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，预测目标服务订单的安全系数。该方法可以有效降低目标服务订单对应的服务请求方或服务提供方发生安全事故的概率。

Description

一种订单安全性预测方法、装置、服务器及存储介质
技术领域
本发明属于互联网技术领域，具体涉及一种订单安全性预测方法、装置、服务器及存储介质。
背景技术
随着互联网和智能终端技术的发展，人们经常使用用户终端并通过服务软件来满足自己的需求，例如，乘客使用订票软件来满足自己方便的出行需求，再例如，乘客使用打车软件来满足自己用车的需求等。
虽然现有的服务平台为了提供服务质量，改善服务请求方的服务体验，会针对安全出行问题采取一些安全措施来减少事故的发生率，例如，会设置行程分享，或者一键报警之类的措施，虽然这在一定程度上可以减少安全事故发生的概率，但是由于这些措施是针对所有服务订单而言的，因此减少的力度有限，且并不能从源头上减少安全事故发生的概率。
发明内容
鉴于此，本发明实施例在于提供一种订单安全性预测方法、装置、服务器及存储介质，来准确识别订单的危险程度，以便有针对性的采取措施，从源头上减少安全事故发生的概率。
本发明的实施例是这样实现的：
第一方面，本发明实施例提供了一种订单安全性预测方法，包括：获取目标服务订单；获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息；根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据；通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
本申请实施例中，通过获取目标服务订单的初始数据，然后从中获得订单信息、对应的表征服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及对应的表征服务提供方的正向行为的第二正向数据和负向行为的第二负向数据，最后通过事先训练好的预设模型对订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，预测目标服务订单的安全系数，为准确识别订单的危险程度提供了可行的解决方案，由于考虑了多方面的数据，保证了预测结果的可靠性和准确性。
结合第一方面实施例的一种可能的实施方式，通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数，包括：通过事先训练好的二分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
结合第一方面实施例的一种可能的实施方式，通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数，包括：通过事先训练好的多分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单对应的服务请求方和服务提供方的安全系数。本申请实施例中，采用多分类模型来对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，进而可以预测出目标服务订单对应的服务请求方和服务提供方的安全系数，以便可以更有针对性的采取处理措施，进一步地降低了安全事故发生的概率。
结合第一方面实施例的一种可能的实施方式，在通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数之后，所述方法还包括：确定所述安全系数对应的目标处理措施；通过所述处理措施对所述目标服务订单进行处理。本申请实施例中，在预测到目标服务订单的安全系数之后，还采取对应的处理措施对目标服务订单进行处理，以降低安全事故发生的概率，进而可以提升目标服务订单对应的服务请求方和服务提供方的安全感。
结合第一方面实施例的一种可能的实施方式，确定所述安全系数对应的目标处理措施，包括：在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
结合第一方面实施例的一种可能的实施方式，通过以下方式训练所述预设模型：获取历史服务订单数据；基于所述历史服务订单数据获取样本集，其中，所述样本集包括发生安全事故的至少一个正例样本和未发生安全事故的至少一个负例样本，每个所述正例样本和每个所述负例样本均包括一个历史服务订单的订单信息、该历史服务订单对应的服务请求方的表征正向行为的第一正向数据和表征负向行为的第一负向数据，以及该历史服务订单对应的服务提供方的表征正向行为的第二正向数据和表征负向行为的第二负向数据；基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，所述初始模型为Xgboost模型、支持向量机模型、随机森林模型或深度学习模型。本申请实施例中，通过历史服务订单数据来获得发生安全事故的正例样本和未发生安全事故的负例样本，并以此来训练分类模型，使得该模型能自行学习样本与安全事故的映射关系，保证了预测结果的准确性和可靠性。
结合第一方面实施例的一种可能的实施方式，所述预设模型为二分类模型，基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，包括：基于所述样本集和对应的表征历史服务订单是否发生安全事故的标签对初始模型进行训练，得到训练好的所述二分类模型。
结合第一方面实施例的一种可能的实施方式，所述预设模型为多分类模型，基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，包括：基于所述样本集和与对应的表征历史服务订单对应的服务提供方或服务请求方是否发生安全事故的标签对初始模型进行训练，得到训练好的所述多分类模型。
第二方面，本申请实施例还提供了一种订单安全性预测装置，包括：第一获取模块、第二获取模块、第三获取模块以及预测模块；第一获取模块，用于获取目标服务订单；第二获取模块，用于获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息；第三获取模块，用于根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据；预测模块，用于通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
结合第二方面实施例的一种可能的实施方式，所述预测模块，还用于：通过事先训练好的二分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
结合第二方面实施例的一种可能的实施方式，所述预测模块，还用于：通过事先训练好的多分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单对应的服务请求方和服务提供方的安全系数。
结合第二方面实施例的一种可能的实施方式，所述装置还包括：确定模块，用于确定所述安全系数对应的目标处理措施；处理模块，用于通过所述处理措施对所述目标服务订单进行处理。
结合第二方面实施例的一种可能的实施方式，所述确定模块，还用于：在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
第三方面，本申请实施例还提供了一种服务器，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器用于存储程序；所述处理器用于调用存储于所述存储器中的程序以执行上述第一方面实施例和/或结合上述第一方面实施例的一种可能的实施方式提供的方法。
第四方面，本申请实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面实施例和/或结合上述第一方面实施例的一种可能的实施方式提供的方法。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。
图1示出了本申请实施例提供的一种派单系统的交互示意图。
图2示出了本申请实施例提供的一种服务器的结构示意图。
图3示出了本发明实施例提供的一种训练预设模型的方法流程图。
图4示出了本发明实施例提供的一种订单安全性预测方法的流程图。
图5示出了本发明实施例提供的一种订单安全性预测装置的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
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定义和解释。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。再者，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
请参阅图1，图1为本申请实施例提供的一种派单系统100的交互示意图。该派单系统100包括：服务请求方终端10、服务提供方终端30和服务器20，服务请求方终端10通过网络与服务器20进行数据交互，服务提供方终端30通过网络与服务器20进行数据交互。本实施例中，服务请求方终端10、服务提供方终端30的数量为至少一个，其中，服务请求方终端10以及服务提供方终端30中安装有至少一个应用程序(Application，APP)与服务器20进行数据交互，以便服务器20接收服务请求方终端10发送的目标服务订单，然后为该服务请求方终端10分派合适的服务提供方终端30，并将该目标服务订单分配给该服务提供方终端30。
其中，该服务提供方终端30可以为服务提供方的手机、平板电脑或交通工具内安装的内置设备等移动终端，而该服务请求方终端10可以为服务请求方的手机、平板电脑等移动终端。其中，服务请求方终端10、服务提供方终端30的结构示意图可以参阅服务器20的结构示意图。
如图2所示，服务器20可以为网络服务器、数据库服务器或由多个子服务器构成的服务器集群。服务器20通过分别与服务提供方终端30和服务请求方终端10进行数据交互。
可选地，服务器20可以包括：存储器21、通信模块22、总线23和处理器24。其中，处理器24、通信模块22和存储器21通过总线23连接。处理器24用于执行存储器21中存储的可执行模块，例如计算机程序。图2所示的服务器20的组件和结构只是示例性的，而非限制性的，根据需要，服务器20也可以具有其他组件和结构。
其中，存储器21可能包含高速随机存取存储器(Random Access MemoryRAM)，也可能还包括非不稳定的存储器(non－volatile memory)，例如至少一个磁盘存储器。本实施例中，存储器21存储了处理器24执行订单安全性预测方法所需要的程序。
总线23可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器24可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器24中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器24可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本申请实施例任意实施例揭示的流过程或定义的装置所执行的方法可以应用于处理器24中，或者由处理器24实现。处理器24在接收到执行指令后，通过总线23调用存储在存储器21中的程序后，处理器24通过总线23控制通信模块22则可以执行订单安全性预测方法的流程。
其中，为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约打车”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕打车进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，包括陆地，海洋，或航空等，或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、快车、拼车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球等，或其任意组合。
为了从源头上减少服务订单对应的服务请求方或服务提供方发生安全事故的概率，本申请实施例提供了一种订单安全性预测方法，采用事先训练好的预设模型来预测目标服务订单的安全系数，进而可以有针对性的采取处理措施，以减少对应的服务请求方或服务提供方发生安全事故的概率。作为一种实施方式，可以通过图3所示的方式训练该预设模型。
步骤S101：获取历史服务订单数据。
在训练预设模型时，获取历史服务订单数据，其中，历史服务订单数据包括至少一个发生安全事故的服务订单数据以及至少一个未发生安全事故的服务订单数据。
其中，每个服务订单数据，包括：该服务订单的订单信息、该服务订单对应的服务请求方的第一信息以及该服务订单对应的服务提供方的第二信息。
其中，该服务订单的订单信息包括：出发地点、目的地点、出发时间、预估行驶时长、预估距离、行驶路线等信息。
该服务订单对应的服务请求方的第一信息包括：历史服务订单的订单信息、取消订单的数据、对服务提供方的五星好评/差评数据、投诉以及被投诉数据、为服务提供方发奖励红包数据、有无发生安全事件等信息。为了便于理解，以网约打车为例进行说明，假设服务订单A对应的服务请求方(乘客)为“张三”，则上述的第一信息包括：张三的历史打车记录，假设有10个服务订单(可以看到具体是哪个服务提供方(司机)提供的服务)，其中，取消的订单有2个，对服务提供方的五星好评有2个，差评有4个，投诉有2个，没有为服务提供方发奖励红包的记录，发生过1次安全事故。
该服务订单对应的服务提供方的第二信息包括：历史服务订单的订单信息、取消订单的数据、对服务请求方的五星好评/差评数据、投诉以及被投诉数据、切单(服务请求方发布订单后，平台为服务提供方派单后，服务提供方主动联系服务请求方线上取消订单，但是线下继续为其提供服务)数据、有无发生安全事件等信息。为了便于理解，以网约打车为例进行说明，假设服务订单A对应的服务提供方(司机)为“李四”，则上述的第二信息包括：李四的历史服务记录，假设有200个服务订单(可以看到具体是为哪个服务请求方(乘客)提供的服务)，其中，取消的订单有30个，对服务请求方的五星好评有30个，差评有40个，被投诉有30个，没有收到服务请求方发奖励红包的记录，发生过5次安全事故，未评价的订单有65个。
此外，上述示例的第一信息和第二信息均为与服务订单相关的数据，可以理解的是，第一信息和第二信息还可以是包含除与服务订单相关的数据外的其他方面的数据，如，信贷数据、犯罪记录等数据。
步骤S102：基于所述历史服务订单数据获取样本集。
获取到历史服务订单数据后，也即在获取到各个服务订单的订单信息、对应的服务请求方的第一信息和服务提供方的第二信息后，基于该历史服务订单数据获取样本集，其中，该样本集包括发生安全事故的至少一个正例样本和未发生安全事故的至少一个负例样本。其中，每个正例样本和每个负例样本均包括一个历史服务订单的订单信息、该历史服务订单对应的服务请求方的表征正向行为的第一正向数据和表征负向行为的第一负向数据，以及该历史服务订单对应的服务提供方的表征正向行为的第二正向数据和表征负向行为的第二负向数据。
进一步地，在获取到某个服务订单对应的第一信息后，从该第一信息中筛选出表征该服务请求方的正向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第一正向数据，同理，从该第一信息中筛选出表征该服务请求方的负向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第一负向数据。同样地，在获取到该服务订单对应的第二信息后，从该第二信息中筛选出表征该服务提供方的正向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第二正向数据，同理，从该第二信息中筛选出表征该服务请求方的负向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第二负向数据。
为了便于理解，下面举例进行说明，例如，从第一信息中筛选出历史投诉以及被投诉数据、历史好评和被好评数据、为服务提供方发奖励红包数据等能表征服务请求方的正向行为以及负向行为的数据，然后基于这些数据进行分析，即可获得对应的标签，如，基于服务请求方被投诉数据进行分析，就可以知道被投诉的原因，如性骚扰、损毁财物、疑似涉毒、人身攻击、抢劫、盗窃、绑架敲诈、自残自杀威胁等，进而可以得到对应的标签。又例如，基于服务请求方投诉服务提供方的数据进行分析，就可以知道投诉的原因，如性骚扰、损毁财物、疑似涉毒、人身攻击、抢劫、盗窃、绑架敲诈、危险驾驶(如单车开车或手离方向盘、弯道超车、闯红灯、开车时接打电话或视频等)、绕路、存在切单行为等，通过对投诉服务提供方的原因进行分析也能反映出服务请求方的行为。其中，根据第二信息获取表征服务提供方正向行为的第二正向数据和负向行为的第二负向数据与之类似，不再赘述。
通过上述方式，便可以获得每个历史服务订单的订单信息、该历史服务订单对应的服务请求方的表征正向行为的第一正向数据和表征负向行为的第一负向数据，以及该历史服务订单对应的服务提供方的表征正向行为的第二正向数据和表征负向行为的第二负向数据。
其中，需要说明的是，表征正向行为的正向数据越多，也即正向标签越充足，订单的安全性也就越高、表征负向行为的负向数据越多，也即负向标签越充足，订单的安全性也就越差，也即更容易发生安全事故。
步骤S103：基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，所述初始模型为Xgboost模型、支持向量机模型、随机森林模型或深度学习模型。
在获取到样本集后，基于该样本集以及对应标签对初始模型进行训练，即可得到上述的预设模型。其中，初始模型可以是Xgboost模型、支持向量机模型、随机森林模型或深度学习模型。
其中，该预设模型可以是二分类模型或多分类模型。在训练二分类模型和多分类模型时，所采用的样本集是一样的，对应的标签略有不同，训练二分类模型时，所采用的标签是表征历史服务订单发生安全事故与否的标签，也即训练二分类模型时，基于所述样本集和对应的表征历史服务订单是否发生安全事故的标签对初始模型进行训练，即可得到二分类模型。而训练多分类模型时，所采用的标签是表征历史服务订单对应的服务提供方或服务请求方是否发生安全事故的标签，也即，训练多分类模型时，基于所述样本集和与对应的表征历史服务订单对应的服务提供方或服务请求方是否发生安全事故的标签对初始模型进行训练，即可得到多分类模型。
作为一种可选的实施方式，该预设模型为二分类模型，此时，根据该二分类模型对目标服务订单的订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，便可预测目标服务订单整体的安全系数，根据该安全系数可以知道目标服务订单安全与否，但是不清楚具体是服务提供方安全与否，还是服务请求方安全与否。因此，要想知道具体是目标服务订单对应的服务提供方安全与否，还是服务请求方安全与否，作为一种可选的实施方式，可以采用多分类模型来目标服务订单的订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，便可预测目标服务订单对应的服务请求方和服务提供方的安全系数。例如，服务请求方的安全系数为0.4，服务提供方的安全系数为0.3。
通过上述方式对预设模型进行训练，便可以得到训练好的预设模型，然后再利用训练好的预设模型对目标服务订单进行处理，即可预测目标服务订单的安全系数，下面将结合图4所包含的步骤对这一过程进行说明。其中，图4，为本发明实施例提供的一种应用于上述服务器20的订单安全性预测方法。
步骤S201：获取目标服务订单。
当服务请求方有出行需求时，通过服务请求方终端10呼叫网约车后，服务器20接收服务请求方终端10发送的服务订单，然后为该服务订单分派合适的服务提供方终端30，以便服务提供方终端30对应的服务提供方为其服务。为了减低安全事件发生，提升服务平台安全感，在服务提供方接单后，需要对该服务订单进行安全性预测，以便在有存在安全隐患时及时采取措施，减低安全事件发生的概率。其中，选定的需要进行安全性预测的订单即为目标服务订单。
步骤S202：获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息。
在确定需要进行订单安全性预测的目标服务订单后，获取该目标服务订单的初始数据，其中，该初始数据包括：该目标服务订单的订单信息、该目标服务订单对应的服务请求方的第一信息以及该目标服务订单对应的服务提供方的第二信息。
其中，目标服务订单的订单信息包括：出发地点、目的地点、出发时间、预估行驶时长、预估距离、行驶路线等信息。
该目标服务订单对应的服务请求方的第一信息包括历史服务订单的订单信息、取消订单的数据、对服务提供方的五星好评数据、投诉以及被投诉数据、为服务提供方发奖励红包数据、有无发生安全事件等信息。
该目标服务订单对应的服务提供方的第二信息包括历史服务订单的订单信息、取消订单的数据、对服务请求方的五星好评数据、投诉以及被投诉数据、切单(服务请求方发布订单后，平台为服务提供方派单后，服务提供方主动联系服务请求方线上取消订单，但是线下继续为其提供服务)数据、有无发生安全事件等信息。
此外，上述示例的第一信息和第二信息均为与目标服务订单相关的数据，可以理解的是，第一信息和第二信息还可以是包含除与目标服务订单相关的数据外的其他方面的数据，如，信贷数据、犯罪记录等数据。
步骤S203：根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据。
在获取到目标服务订单的初始数据后，也即在获取到目标服务订单的订单信息、该目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息后，根据该第一信息获取表征该服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据该第二信息获取表征该服务提供方正向行为的第二正向数据和负向行为的第二负向数据。进一步地，在获取到第一信息后，从该第一信息中筛选出表征该服务请求方的正向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第一正向数据，同理，从该第一信息中筛选出表征该服务请求方的负向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第一负向数据。同样地，在获取到第二信息后，从该第二信息中筛选出表征该服务提供方的正向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第二正向数据，同理，从该第二信息中筛选出表征该服务请求方的负向行为的数据，然后对这些数据进行分析以获得对应的标签，也即获得第二负向数据。
为了便于理解，下面举例进行说明，例如，从第一信息中筛选出历史投诉以及被投诉数据、历史好评和被好评数据、为服务提供方发奖励红包数据等能表征服务请求方的正向行为以及负向行为的数据，然后基于这些数据进行分析，即可获得对应的标签，如，基于服务请求方被投诉数据进行分析，就可以知道被投诉的原因，如性骚扰、损毁财物、疑似涉毒、人身攻击、抢劫、盗窃、绑架敲诈、自残自杀威胁等，进而可以得到对应的标签。又例如，基于服务请求方投诉服务提供方的数据进行分析，就可以知道投诉的原因，如性骚扰、损毁财物、疑似涉毒、人身攻击、抢劫、盗窃、绑架敲诈、危险驾驶(如单车开车或手离方向盘、弯道超车、闯红灯、开车时接打电话或视频等)、绕路、存在切单行为等，通过对投诉服务提供方的原因进行分析也能反映出服务请求方的行为。其中，根据第二信息获取表征服务提供方正向行为的第二正向数据和负向行为的第二负向数据与之类似，不再赘述。
其中，需要说明的是，表征正向行为的正向数据越多，也即正向标签越充足，订单的安全性也就越高、表征负向行为的负向数据越多，也即负向标签越充足，订单的安全性也就越差，也即更容易发生安全事故。
步骤S204：通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
在得到表征服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及得到表征服务提供方正向行为的第二正向数据和负向行为的第二负向数据后，利用事先训练好的预设模型对目标服务订单的订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，预测目标服务订单的安全系数，其中，安全系数介于0－1之间，作为一种可选的方式，可以是目标服务订单越安全，系数越小，也即趋近于0，当然也可以反过来，即目标服务订单越安全，系数越大，也即趋近于1。
其中，上述的二分类模型以及多分类模型均为事先训练好的预设模型。
在预测到目标服务订单的安全系数之后，还可以采取相应的处理措施对目标服务订单进行干预，以降低安全事故的发生概率。作为一种可选的实施方式，所述方法还包括：确定所述安全系数对应的目标处理措施；通过所述处理措施对所述目标服务订单进行处理。可选地，可以是通过判断安全系数和危险阈值的大小关系来确定目标处理措施，例如，在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控。在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
进一步地，当预设模型为二分类模型时，由于只能预测出目标服务订单整体的安全系数，但是不清楚是服务提供方危险还是服务请求方危险，因此，在预测出目标服务订单存在安全隐患时，需要同时对服务提供方和服务请求方采取处理措施。例如，此时若安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和所述服务提供方进行行程监控。若当所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，以及在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
当预设模型为多分类模型时，由于多分类模型能预测具体是目标服务订单对应的服务提供方和服务请求方的安全系数，也即能预测服务提供方和服务请求方谁的危险程度更高，进而在采取处理措施时，能具体到对应的服务提供方或服务请求方，例如，预测到服务请求方危险时，若该安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务提供方发送安全提示信息；第二种处理措施：向所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格。又例如，预测到服务提供方危险时，若所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方发送安全提示信息；第二种处理措施：向所述服务请求方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；若所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
当然，上述的处理措施，还可以进一步的进行细分，如在安全系数介于0.3－0.5范围内时，目标处理措施为：向所述服务请求方和/或所述服务提供方拨打提醒电话，当安全系数位于0.5－0.6时，目标处理措施为：向所述服务请求方和/或所述服务提供方拨打提醒电话以及对所述服务请求方和所述服务提供方进行行程监控，当安全系数基于0.7－0.8时，取消所述目标服务订单，当安全系数大于0.8时，不仅取消所述目标服务订单，而且在预设时间段内取消所述服务请求方再次请求目标服务订单的资格和/或在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
其中，需要说明的是，上述示例的安全系数与目标处理措施仅仅为了说明不是的危险程度所采取的处理措施不同，其可以有很多种对应关系，并不能将上述示例的对应关系理解成是对本申请的限制。
此外，还可以采用除上述外的处理措施，如在预测到服务提供方危险时，也即此时服务请求方存在安全隐患，此时可以更换服务提供方，例如，服务请求方为女性，服务提供方为中年男性，此时可以考虑更换女性的服务提供方或者年龄偏大一点的中年男性。
综上所述，本申请实施例中，通过获取目标服务订单的初始数据，然后从中获得订单信息、对应的表征服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及对应的表征服务提供方的正向行为的第二正向数据和负向行为的第二负向数据，最后通过事先训练好的预设模型对订单信息、第一正向数据、第一负向数据、第二正向数据、第二负向数据进行处理，预测目标服务订单的安全系数，为准确识别订单的危险程度提供的可行的解决方案，由于考虑了多方面的数据，保证了预测结果的可靠性和准确性；同时还采取对应的处理措施目标服务订单进行干预，以减少事故发生的概率，提升服务请求方和服务提供方的安全感。
本申请实施例还提供了一种订单安全性预测装置200，如图5所示，该订单安全性预测装置200包括：第一获取模块210、第二获取模块220、第三获取模块230和预测模块240。
第一获取模块210，用于获取目标服务订单。
第二获取模块220，用于获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息。
第三获取模块230，用于根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据。
预测模块240，用于通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。所述预测模块240，还用于：通过事先训练好的二分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。所述预测模块240，还用于：通过事先训练好的多分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单对应的服务请求方和服务提供方的安全系数。
可选地，该订单安全性预测装置200还包括：确定模块以及处理模块；
其中，确定模块，用于确定所述安全系数对应的目标处理措施。所述确定模块，还用于：
在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
处理模块，用于通过所述处理措施对所述目标服务订单进行处理。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例所提供的订单安全性预测装置200，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法实施例所述的方法的步骤。具体实现可参见方法实施例，在此不再赘述。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的程序代码被运行时，能够执行上述实施例示出的订单安全性预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，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装置、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，笔记本电脑，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种订单安全性预测方法，其特征在于，包括：
获取目标服务订单；
获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息；
根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据；
通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数；
其中，所述预设模型基于样本集和对应的标签对初始模型进行训练得到；所述样本集包括发生安全事故的至少一个正例样本和未发生安全事故的至少一个负例样本，每个所述正例样本和每个所述负例样本均包括一个历史服务订单的订单信息、该历史服务订单对应的服务请求方的表征正向行为的第一正向数据和表征负向行为的第一负向数据，以及该历史服务订单对应的服务提供方的表征正向行为的第二正向数据和表征负向行为的第二负向数据；
其中，所述预设模型为二分类模型或多分类模型。
2.根据权利要求1所述的方法，其特征在于，通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数，包括：
通过事先训练好的二分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
3.根据权利要求1所述的方法，其特征在于，通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数，包括：
通过事先训练好的多分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单对应的服务请求方和服务提供方的安全系数。
4.根据权利要求1所述的方法，其特征在于，在通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数之后，所述方法还包括：
确定所述安全系数对应的目标处理措施；
通过所述处理措施对所述目标服务订单进行处理。
5.根据权利要求4所述的方法，其特征在于，确定所述安全系数对应的目标处理措施，包括：
在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；
在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
6.根据权利要求1所述的方法，其特征在于，通过以下方式训练所述预设模型：
获取历史服务订单数据；
基于所述历史服务订单数据获取所述样本集；
基于所述样本集和对应的标签对所述初始模型进行训练，得到训练好的所述预设模型，所述初始模型为Xgboost模型、支持向量机模型、随机森林模型或深度学习模型。
7.根据权利要求6所述的方法，其特征在于，所述预设模型为二分类模型，基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，包括：
基于所述样本集和对应的表征历史服务订单是否发生安全事故的标签对初始模型进行训练，得到训练好的所述二分类模型。
8.根据权利要求6所述的方法，其特征在于，所述预设模型为多分类模型，基于所述样本集和对应的标签对初始模型进行训练，得到训练好的所述预设模型，包括：
基于所述样本集和与对应的表征历史服务订单对应的服务提供方或服务请求方是否发生安全事故的标签对初始模型进行训练，得到训练好的所述多分类模型。
9.一种订单安全性预测装置，其特征在于，包括：
第一获取模块，用于获取目标服务订单；
第二获取模块，用于获取所述目标服务订单的初始数据，其中，所述初始数据包括：所述目标服务订单的订单信息、所述目标服务订单对应的服务请求方的第一信息和服务提供方的第二信息；
第三获取模块，用于根据所述第一信息获取表征所述服务请求方的正向行为的第一正向数据和负向行为的第一负向数据，以及根据所述第二信息获取表征所述服务提供方正向行为的第二正向数据和负向行为的第二负向数据；
预测模块，用于通过事先训练好的预设模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数；
其中，所述预设模型基于样本集和对应的标签对初始模型进行训练得到；所述样本集包括发生安全事故的至少一个正例样本和未发生安全事故的至少一个负例样本，每个所述正例样本和每个所述负例样本均包括一个历史服务订单的订单信息、该历史服务订单对应的服务请求方的表征正向行为的第一正向数据和表征负向行为的第一负向数据，以及该历史服务订单对应的服务提供方的表征正向行为的第二正向数据和表征负向行为的第二负向数据；
其中，所述预设模型为二分类模型或多分类模型。
10.根据权利要求9所述的装置，其特征在于，所述预测模块，还用于：
通过事先训练好的二分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单的安全系数。
11.根据权利要求9所述的装置，其特征在于，所述预测模块，还用于：
通过事先训练好的多分类模型对所述订单信息、所述第一正向数据、所述第一负向数据、所述第二正向数据、所述第二负向数据进行处理，预测所述目标服务订单对应的服务请求方和服务提供方的安全系数。
12.根据权利要求9所述的装置，其特征在于，所述装置还包括：
确定模块，用于确定所述安全系数对应的目标处理措施；
处理模块，用于通过所述处理措施对所述目标服务订单进行处理。
13.根据权利要求12所述的装置，其特征在于，所述确定模块，还用在所述安全系数小于危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：向所述服务请求方和/或所述服务提供方发送安全提示信息；第二种处理措施：向所述服务请求方和/或所述服务提供方拨打提醒电话；第三种处理措施：对所述服务请求方和/或所述服务提供方进行行程监控；
在所述安全系数不小于所述危险阈值时，确定所述目标处理措施为以下处理措施中的至少一种措施，其中，第一种处理措施：取消所述目标服务订单；第二种处理措施：在预设时间段内取消所述服务请求方再次请求目标服务订单的资格，和/或，在预设时间段内取消所述服务提供方再次接收目标服务订单的资格。
14.一种服务器，其特征在于，包括：存储器和处理器，所述存储器和所述处理器连接；
所述存储器用于存储程序；
所述处理器用于调用存储于所述存储器中的程序以执行如权利要求1－8中任一项所述的方法。
15.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1－8中任一项所述的方法。
CN201910141209.2A 2019-02-25 2019-02-25 一种订单安全性预测方法、装置、服务器及存储介质 Active CN111612200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910141209.2A CN111612200B (zh) 2019-02-25 2019-02-25 一种订单安全性预测方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910141209.2A CN111612200B (zh) 2019-02-25 2019-02-25 一种订单安全性预测方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN111612200A CN111612200A (zh) 2020-09-01
CN111612200B true CN111612200B (zh) 2023-07-14

Family

ID=72199837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910141209.2A Active CN111612200B (zh) 2019-02-25 2019-02-25 一种订单安全性预测方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111612200B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465331A (zh) * 2020-11-23 2021-03-09 北京嘀嘀无限科技发展有限公司 乘车安全控制方法、模型训练方法、装置、设备及介质
CN115423323B (zh) * 2022-09-05 2023-05-23 浙江口碑网络技术有限公司 安全管理方法、装置、电子设备及计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243838A (zh) * 2015-11-09 2016-01-13 北京奇虎科技有限公司 车辆行驶安全监控方法和装置、系统
CN106781458A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种交通事故监控方法及系统
CN108765930A (zh) * 2018-06-26 2018-11-06 上海掌门科技有限公司 行车监控方法及设备
CN108810804A (zh) * 2018-06-13 2018-11-13 陈磊 一种基于网约车平台的智能防护方法及其系统
CN108961669A (zh) * 2018-07-19 2018-12-07 上海小蚁科技有限公司 网约车的安全预警方法及装置、存储介质、服务器
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2356579B1 (en) * 2008-10-29 2015-05-20 The Regents of the University of Colorado, a body corporate Long term active learning from large continually changing data sets
US20160363935A1 (en) * 2015-06-15 2016-12-15 Gary Shuster Situational and predictive awareness system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243838A (zh) * 2015-11-09 2016-01-13 北京奇虎科技有限公司 车辆行驶安全监控方法和装置、系统
CN106781458A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种交通事故监控方法及系统
CN108810804A (zh) * 2018-06-13 2018-11-13 陈磊 一种基于网约车平台的智能防护方法及其系统
CN108765930A (zh) * 2018-06-26 2018-11-06 上海掌门科技有限公司 行车监控方法及设备
CN108961669A (zh) * 2018-07-19 2018-12-07 上海小蚁科技有限公司 网约车的安全预警方法及装置、存储介质、服务器
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

Also Published As

Publication number Publication date
CN111612200A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
US11664043B2 (en) Real-time verbal harassment detection system
Dills et al. Ride‐sharing, fatal crashes, and crime
US20170185854A1 (en) Platform for acquiring driver behavior data
US10703379B1 (en) System and methods for determining owner's preferences based on vehicle owner's telematics data
Jiang et al. Hit-and-run crashes in urban river-crossing road tunnels
US10146769B2 (en) Determining safety risk using natural language processing
US11514485B2 (en) Implementing and optimizing safety interventions
CN111612200B (zh) 一种订单安全性预测方法、装置、服务器及存储介质
US20070282519A1 (en) System and method for analyzing traffic disturbances reported by vehicles
US20210201893A1 (en) Pattern-based adaptation model for detecting contact information requests in a vehicle
CN115861983A (zh) 用于机械设备的智能化管理系统及其方法
CN111598641A (zh) 一种订单风险验证方法和系统
Liu et al. Revisiting hit-and-run crashes: a geo-spatial modeling method
CN111598371A (zh) 一种风险防范方法、系统、装置及存储介质
CN111863029A (zh) 一种基于音频的事件检测方法和系统
Darban Khales et al. Analysis of the impacts of risk factors on teenage and older driver injury severity using random-parameter ordered probit
CN111950471A (zh) 目标对象识别方法及装置
US20220194404A1 (en) Method and system for warning drivers in orders with high risk
Mohanty et al. Development of crash prediction models by assessing the role of perpetrators and victims: a comparison of ANN & logistic model using historical crash data
CN111598642A (zh) 一种风险判定方法、系统、装置及存储介质
Mrema et al. A Survey of Road Accident Reporting and Driver’s Behavior Awareness Systems: The Case of Tanzania
Kashani et al. Factors affecting the accident size of motorcycle-involved crashes: a structural equation modeling approach
CN111275507A (zh) 一种订单异常识别和订单风险管控的方法及其系统
CA2954018A1 (en) System and method for monitoring mobile vehicles
CN112668974A (zh) 一种车况信息获取方法和装置

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