CN111860558A - 行程异常检测方法、装置及电子设备 - Google Patents
行程异常检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111860558A CN111860558A CN201910432607.XA CN201910432607A CN111860558A CN 111860558 A CN111860558 A CN 111860558A CN 201910432607 A CN201910432607 A CN 201910432607A CN 111860558 A CN111860558 A CN 111860558A
- Authority
- CN
- China
- Prior art keywords
- navigation
- information
- yaw
- order
- travel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 98
- 230000005856 abnormality Effects 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 32
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种行程异常检测方法、装置及电子设备,可在接收到导航服务器发送的在当前行程服务过程中所获得的当前偏航信息时,根据当前行程服务过程中的历史偏航信息、首次导航信息以及该当前偏航信息得到异常检测所需的特征信息。并将得到的特征信息导入至预先建立的异常检测模型进行检测获得异常概率值。进而根据得到的异常概率值判定当前行程服务是否出现路线异常。可基于获得的行程服务过程中的实时信息以进行实时检测,得到及时的判定结果,避免了现有技术中需要在行程服务结束后才能进行检测及判别所带来的实时性差、出行体验差的缺点。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种行程异常检测方法、装置及电子设备。
背景技术
在出行业务中,行程服务过程中可能出现一些路线异常的情况,例如服务提供方为了牟取更高的利益,刻意进行绕路、未及时结束计费、没有按照规定路线行驶等情况。目前的处理方式只能在单个行程订单结束之后,才能对行程订单中的各种信息进行分析以检测是否出现上述的异常情况。若无法及时检测到路线异常情况,会导致出行效率低下、无法及时识别出行安全风险等问题。
发明内容
有鉴于此,本申请的目的在于,提供一种行程异常检测方法、装置及电子设备,可对行程服务过程中的信息进行实时检测以确定是否出现路线异常情况,能够及时发现问题,避免对服务需求方造成损失。
根据本申请实施例的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行行程异常检测方法。
根据本申请实施例的另一方面,提供一种行程异常检测方法,应用于异常检测服务器,所述异常检测服务器与导航服务器通信连接,所述导航服务器与服务提供方终端通信连接,所述方法包括:
接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端在当前行程服务过程中所发送的偏航请求后所生成的;
从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息,其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息;
将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值;
根据所述异常概率值判定所述当前行程服务是否出现路线异常。
在本申请的一些实施例中,所述方法还可以包括预先建立所述异常检测模型的步骤,该步骤可以包括:
对预先获得的包含异常信息的订单正样本打上第一标签,对预先获得的未包含异常信息的订单负样本打上第二标签;
将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型。
在本申请的一些实施例中,所述异常检测服务器中预存有多个订单样本,所述订单样本为行程服务已结束的订单样本,所述订单正样本和所述订单负样本可以通过以下步骤获得:
针对预存的各个订单样本,获取所述订单样本对应的行程服务结束时的实际行程信息以及行程服务开始时首次导航所得到的导航行程信息;
根据所述实际行程信息和所述导航行程信息确定所述订单样本为订单正样本还是订单负样本。
在本申请的一些实施例中,所述实际行程信息包括实际距离、实际时间及实际价格,所述导航行程信息包括导航距离、导航时间及预估价格,所述根据所述实际行程信息和所述导航行程信息确定所述订单样本为订单正样本还是订单负样本的步骤,可以包括:
检测所述实际行程信息中的实际距离、实际时间及实际价格中是否存在至少一个超过所述导航行程信息中相对应的导航距离、导航时间及预估价格的预设倍数;
若存在,则确定所述订单样本为订单正样本;
若不存在,则确定所述订单样本为订单负样本。
在本申请的一些实施例中,所述将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型的步骤,可以包括:
将所述订单正样本和所述订单负样本分别划分为训练样本集以及测试样本集;
将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型;
将所述测试样本集导入至所述初步模型进行测试以得到测试结果,将所述测试结果与所述测试样本集中各样本的标签进行比对,以得到所述初步模型的检测准确率及召回率;
根据所述检测准确率及召回率对所述预设机器学习模型的参数进行调节,直至得到的检测准确率及召回率满足预设要求为止;
将具有满足预设要求的检测准确率和召回率的初步模型作为异常检测模型。
在本申请的一些实施例中,所述将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型的步骤,可以包括:
获取所述训练样本集中的订单正样本和订单负样本各自对应的行程服务过程中的导航信息以及偏航信息,其中,所述偏航信息为对应行程服务过程中截止到最后一次偏航时的偏航信息;
将所述导航信息和所述偏航信息导入至预设机器学习模型进行训练以得到初步模型。
在本申请的一些实施例中,所述订单正样本和订单负样本中的导航信息及偏航信息由所述导航服务器发送,其中,所述导航信息及偏航信息由所述导航服务器在订单正样本和订单负样本对应的行程服务过程中在接收到对应的服务提供方终端所发送的导航请求及偏航请求时所生成并发送。
在本申请的一些实施例中,所述偏航信息包括对应行程服务过程中截止到最后一次偏航时的累计偏航路面距离及累计偏航时间,其中,所述累计偏航路面距离和累计偏航时间可以通过以下步骤获得:
获得对应行程服务过程中相邻两次导航中前一次导航时导航点到终点的第一距离值以及第一预估时间,其中,所述前一次导航为所述行程服务过程中首次导航或者是偏航时重新规划的导航;
获取所述相邻两次导航中后一次导航所得的第二距离值和第二预估时间,以及后一次导航相对前一次导航的已行进距离值;
根据后一次导航的时刻以及前一次导航时刻得到已行进时长;
利用所述第二距离值加上所述已行进距离值再减去所述第一距离值得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航路面距离;
利用所述第二预估时间加上所述已行进时长再减去所述第一预估时间得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航时间。
在本申请的一些实施例中,所述导航信息包括对应行程服务过程中首次导航时的预估距离、首次导航时的预估时间、订单上车点偏差值、订单起点偏差值,所述偏航信息还包括对应行程服务过程中截止到最后一次偏航的累计偏航直线距离、订单起点到终点的直线距离、订单总累计偏航次数以及订单结束时间点。
在本申请的一些实施例中,所述根据所述异常概率值判定所述当前行程服务是否出现路线异常的步骤,至少可以包括以下之一:
在所述异常概率值低于预设范围时,确定所述当前行程服务未出现路线异常;
在所述异常概率值高于预设范围时,确定所述当前行程服务出现路线异常;
在所述异常概率值处于预设范围内时,确定所述当前行程服务疑似出现路线异常。
在本申请的一些实施例中,所述方法还可以包括:
在确定所述当前行程服务出现路线异常时,发送警告提示信息至当前行程服务对应的服务提供方终端。
在本申请的一些实施例中,所述异常检测所需的特征信息可以包括所述当前行程服务过程中首次导航时的预估距离、预估时间、订单上车点偏差及订单起点偏差,以及所述当前行程服务过程截止到当前偏航时的累计偏航路面距离、累计偏航直线距离、累计偏航时间、累计偏航次数、订单起点和当前偏航点的直线距离以及当前偏航时间点。
根据本申请实施例的另一方面,提供一种行程异常检测装置,应用于异常检测服务器,所述异常检测服务器与导航服务器通信连接,所述导航服务器与服务提供方终端通信连接,所述装置包括:
接收模块,用于接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端在当前行程服务过程中所发送的偏航请求后所生成的;
提取模块,用于从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息,其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息;
检测模块,用于将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值;
判定模块,用于根据所述异常概率值判定所述当前行程服务是否出现路线异常。
在本申请的一些实施例中,所述装置还可以包括:
模型建立模块,用于对预先获得的包含异常信息的订单正样本打上第一标签,对预先获得的未包含异常信息的订单负样本打上第二标签,将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型。
在本申请的一些实施例中,所述异常检测服务器中预存有多个订单样本,所述订单样本为行程服务已结束的订单样本,所述模型建立模块,具体还可以用于:
针对预存的各个订单样本,获取所述订单样本对应的行程服务结束时的实际行程信息以及行程服务开始时首次导航所得到的导航行程信息;
根据所述实际行程信息和所述导航行程信息确定所述订单样本为订单正样本还是订单负样本。
在本申请的一些实施例中,所述实际行程信息包括实际距离、实际时间及实际价格,所述导航行程信息包括导航距离、导航时间及预估价格,所述模型建立模块可以用于通过以下方式确定所述订单样本为订单正样本还是订单负样本:
检测所述实际行程信息中的实际距离、实际时间及实际价格中是否存在至少一个超过所述导航行程信息中相对应的导航距离、导航时间及预估价格的预设倍数;
若存在,则确定所述订单样本为订单正样本;
若不存在,则确定所述订单样本为订单负样本。
在本申请的一些实施例中,所述模型建立模块可以用于通过以下方式根据所述订单正样本和订单负样本得到所述异常检测模型:
将所述订单正样本和所述订单负样本分别划分为训练样本集以及测试样本集;
将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型;
将所述测试样本集导入至所述初步模型进行测试以得到测试结果,将所述测试结果与所述测试样本集中各样本的标签进行比对,以得到所述初步模型的检测准确率及召回率;
根据所述检测准确率及召回率对所述预设机器学习模型的参数进行调节,直至得到的检测准确率及召回率满足预设要求为止;
将具有满足预设要求的检测准确率和召回率的初步模型作为异常检测模型。
在本申请的一些实施例中,所述模型建立模块可以用于通过以下方式根据所述训练样本集得到所述初步模型:
获取所述训练样本集中的订单正样本和订单负样本各自对应的行程服务过程中的导航信息以及偏航信息,其中,所述偏航信息为对应行程服务过程中截止到最后一次偏航时的偏航信息;
将所述导航信息和所述偏航信息导入至预设机器学习模型进行训练以得到初步模型。
在本申请的一些实施例中,所述订单正样本和订单负样本中的导航信息及偏航信息由所述导航服务器发送,其中,所述导航信息及偏航信息由所述导航服务器在订单正样本和订单负样本对应的行程服务过程中在接收到对应的服务提供方终端所发送的导航请求及偏航请求时所生成并发送。
在本申请的一些实施例中,所述偏航信息包括对应行程服务过程中截止到最后一次偏航时的累计偏航路面距离及累计偏航时间,所述模型建立模块可以用于通过以下方式获得所述累计偏航路面距离和累计偏航时间:
获得对应行程服务过程中相邻两次导航中前一次导航时导航点到终点的第一距离值以及第一预估时间,其中,所述前一次导航为所述行程服务过程中首次导航或者是偏航时重新规划的导航;
获取所述相邻两次导航中后一次导航所得的第二距离值和第二预估时间,以及后一次导航相对前一次导航的已行进距离值;
根据后一次导航的时刻以及前一次导航时刻得到已行进时长;
利用所述第二距离值加上所述已行进距离值再减去所述第一距离值得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航路面距离;
利用所述第二预估时间加上所述已行进时长再减去所述第一预估时间得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航时间。
在本申请的一些实施例中,所述导航信息包括对应行程服务过程中首次导航时的预估距离、首次导航时的预估时间、订单上车点偏差值、订单起点偏差值,所述偏航信息还包括对应行程服务过程中截止到最后一次偏航的累计偏航直线距离、订单起点到终点的直线距离、订单总累计偏航次数以及订单结束时间点。
在本申请的一些实施例中,所述判定模块,可以采用至少以下方式之一:
在所述异常概率值低于预设范围时,确定所述当前行程服务未出现路线异常;
在所述异常概率值高于预设范围时,确定所述当前行程服务出现路线异常;
在所述异常概率值处于预设范围内时,确定所述当前行程服务疑似出现路线异常。
在本申请的一些实施例中,所述装置还可以包括:
发送模块,用于在确定所述当前行程服务出现路线异常时,发送警告提示信息至当前行程服务对应的服务提供方终端。
在本申请的一些实施例中,所述异常检测所需的特征信息可以包括所述当前行程服务过程中首次导航时的预估距离、预估时间、订单上车点偏差及订单起点偏差,以及所述当前行程服务过程截止到当前偏航时的累计偏航路面距离、累计偏航直线距离、累计偏航时间、累计偏航次数、订单起点和当前偏航点的直线距离以及当前偏航时间点。
根据本申请实施例的另一方面,提供一种可读存储介质,该可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行上述的行程异常检测方法的步骤。
基于上述任一方面,本申请实施例可在接收到导航服务器发送的在当前行程服务过程中所获得的当前偏航信息时,根据当前行程服务过程中的历史偏航信息、首次导航信息以及当前偏航信息得到异常检测所需的特征信息。并将得到的特征信息导入至预先建立的异常检测模型进行检测获得异常概率值。进而根据得到的异常概率值判定当前行程服务是否出现路线异常。可基于获得的行程服务过程中的实时信息以进行实时检测,得到及时的判定结果,避免了现有技术中需要在行程服务结束后才能进行检测及判别所带来的实时性差、出行体验差的缺点。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的行程异常检测系统的交互示意框图;
图2示出了本申请实施例所提供的可以实现图1的服务器、服务请求方终端、服务提供方终端的电子设备的示例性硬件和软件组件的示意图;
图3示出了本申请实施例所提供的行程异常检测方法的流程示意图;
图4示出了本申请实施例所提供的预先建立异常检测模型的流程示意图;
图5示出了本申请实施例所提供的累计偏航路面距离和累计偏航时间的检测方法的流程示意图;
图6示出了本申请实施例所提供的行程异常检测装置的功能模块框图之一;
图7示出了本申请实施例所提供的行程异常检测装置的功能模块框图之二。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
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“网约车打车场景”,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“网约车打车场景”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、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、或无人驾驶车辆等,或其任意组合。本申请还可以包括用于网约车打车的任何服务系统,例如,用于发送和/或接收快递的系统、用于买卖双方交易的服务系统。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。
为了解决本申请背景技术中所述的至少一种技术问题,本申请实施例提供一种行程异常检测方法、装置及电子设备,可在接收到导航服务器发送的在当前行程服务过程中所获得的当前偏航信息时,根据该当前偏航信息以及当前行程服务过程中的历史偏航信息和首次导航信息得到异常检测所需的特征信息。并将得到的特征信息导入至预先建立的异常检测模型进行检测获得异常概率值。进而根据得到的异常概率值判定当前行程服务是否出现路线异常。可基于获得的行程服务过程中的实时信息以进行实时检测,得到及时的判定结果,避免了现有技术中需要在行程服务结束后才能进行检测及判别所带来的实时性差、出行体验差的缺点。下面通过可能的实现方式对本申请的技术方案进行说明。
第一实施例
图1是本申请一种可替代实施例提供的行程异常检测系统100的架构示意图。例如,行程异常检测系统100可以是用于诸如出租车、代驾服务、快车服务、拼车服务、公共汽车服务、驾驶员租赁服务、或班车服务之类的运输服务、或其上述任意服务之间的组合服务所依赖的在线运输服务平台。行程异常检测系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150,服务器110中可以包括执行指令操作的处理器。图1所示的行程异常检测系统100仅为一种可行的示例,在其它可行的实施例中,该行程异常检测系统100也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中,服务器110可以是单个服务器,也可以是一个服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、以及数据库150中的数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中的至少一个,以访问其中存储的数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110也可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中,服务器110、服务请求方终端130或服务提供方终端140可以包括处理器。处理器可以处理行程服务过程中的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,在行程服务过程中,处理器可以基于对获得的行程服务过程中的偏航信息及导航信息进行处理以检测行程是否出现异常。处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(CentralProcessing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics ProcessingUnit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,行程异常检测系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务提供方终端140或服务请求终端130获取到服务请求信息。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,行程异常检测系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,“服务请求方”和“服务请求方终端130”可以互换使用,“服务提供方”和“服务提供方终端140”可以互换使用。
在一些实施例中,服务提供方终端140可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等具备语音采集功能的设备,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。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(Personal Digital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与行程异常检测系统100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。行程异常检测系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。数据库150可以直接连接到行程异常检测系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等);或者数据库150也可以是服务器110的一部分。
在一些实施例中,行程异常检测系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中,当满足一定条件时,行程异常检测系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
第二实施例
图2示出根据本申请一些实施例的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如,处理器220可以用于电子设备200上,并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的行程异常检测方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器220。然而,应当注意,本申请中的电子设备200还可以包括多个处理器220,因此本申请中描述的一个处理器220执行的步骤也可以由多个处理器220联合执行或单独执行。例如,若电子设备200的处理器220执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器220共同执行或者在一个处理器220中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
第三实施例
图3示出了本申请的一些实施例的行程异常检测方法的流程示意图,本申请所提供的行程异常检测方法可应用于服务器110。该服务器110可包括导航服务器和异常检测服务器,而行程异常检测方法可应用于异常检测服务器。应当理解,在其它实施例中,本实施例所述的行程异常检测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该行程异常检测方法的详细步骤介绍如下。
步骤S110,接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端140在当前行程服务过程中所发送的偏航请求后所生成的。
目前随着网络地图的快速发展,为出行业务中的路线导航提供了方便。在行程服务过程中,可利用服务提供方终端140中的导航应用程序进行路线导航,一方面方便了管理平台对行程服务进行管理,另一方面也为服务提供方提供了路线指导。其中,服务提供方终端140可为司机所持的终端设备。服务提供方终端140可在接受服务请求方终端130发起的订单业务时向导航服务器发送导航请求,导航服务器将根据导航请求为该次订单业务规划导航信息。其中,服务请求方终端130可为乘客所持的终端设备。并且,在行程服务过程中若服务提供方终端140检测到出现偏航现象,可向导航服务器发送偏航请求。导航服务器在接收到偏航请求时,将及时为行程服务重新规划合理路线。同时,导航服务器可将每次的规划信息发送至异常检测服务器,以供异常检测服务器进行路线异常检测。
在进行实时线上检测之前,本实施例首先提出下述方案。
作为一种实施方式,异常检测服务器需预先建立一异常检测模型以便用于实时异常检测。由上述可知,导航服务器在每次生成规划信息时,将规划信息发送至异常检测服务。异常检测服务器中预先存储有多个订单样本,而该多个订单样本为行程服务已结束的订单样本。可通过检测各个订单样本是否存在异常信息来将订单样本标记为异常样本或正常样本。
可选地,针对预存的各个订单样本,可获取订单样本对应的行程服务结束时的实际行程信息以及行程服务开始时首次导航所得到的导航行程信息。而这些信息均为导航服务器在对应的订单样本的行程服务过程中所规划得到并发送至异常检测服务器的。异常检测服务器可根据各个订单样本的实际行程信息和导航行程信息确定订单样本为订单正样本(包含异常信息)还是订单负样本(未包含异常信息)。
作为一种实施方式,上述的实际行程信息包括订单样本对应的行程服务结束时行进的实际距离、实际时间及实际价格,而导航行程信息包括订单样本对应的行程服务在首次导航时所得到的导航距离、导航时间及预估价格。可检测实际行程信息中的实际距离、实际时间及实际价格中是否存在至少一个超过导航行程信息中相对应的导航距离、导航时间及预估价格的预设倍数。其中,该预设倍数可为2倍或1.5倍等,具体不限。
例如,可单独检测订单样本的实际距离是否超过导航距离的预设倍数,或者订单样本的实际时间是否超过导航时间的预设倍数,又或者实际价格是否超过预估价格的预设倍数。此外,也可同时检测订单样本的实际距离是否超过导航距离的预设倍数且实际时间超过导航时间的预设倍数,或者同时检测订单样本的实际距离是否超过导航距离的预设倍数且实际价格超过预估价格的预设倍数,或者同时检测订单样本的实际时间是否超过导航时间的预设倍数且实际价格超过预估价格的预设倍数。也可同时检测订单样本的实际距离是否超过导航距离的预设倍数,且实际时间超过导航时间的预设倍数,且实际价格超过估计价格的预设倍数。
上述仅为列举一些可能的实施方式,可根据实际需求进行相应设置。
在满足上述任意一种情况下,即实际行程信息中存在至少一个超过导航行程信息中的对应内容时,可确定对应的订单样本为订单正样本,即包含异常信息。而若上述情况均不满足,可确定对应的订单样本为订单负样本,即不包含异常信息。
在确定出订单正样本和订单负样本之后,可对该预先获得的包含异常信息的订单正样本打上第一标签,例如可标记为1。对预先获得的未包含异常信息的订单负样本打上第二标签,例如标记为0。并将标记后的订单正样本和订单负样本导入至预设机器学习模型进行训练以得到异常检测模型。
本实施例中,该预设机器学习模型可包括,但不限于GBDT(GradientBoostingDecision Tree,梯度提升决策树)模型、LR(Logistic Regression,逻辑回归)模型、神经网络模型或SVM(Support Vector Machine,支持向量机)模型等,具体地可根据实际需求进行选择。
为了不断提高预设机器学习模型的精度,可经过多次训练及测试以不断修正预设机器学习模型的参数。请参阅图4,作为一种实施方式,可通过以下方式对预设机器学习模型进行训练以得到异常检测模型:
步骤S410,将所述订单正样本和所述订单负样本分别划分为训练样本集以及测试样本集。
步骤S420,将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型。
步骤S430,将所述测试样本集导入至所述初步模型进行测试以得到测试结果,将所述测试结果与所述测试样本集中各样本的标签进行比对,以得到所述初步模型的检测准确率及召回率。
步骤S440,检测所述检测准确率及召回率是否满足预设要求,若不满足,则对所述预设机器学习模型的参数进行调节,并返回执行步骤S420。若所述检测准确率及召回率满足预设要求,则进入步骤S450。
步骤S450,将具有满足预设要求的检测准确率和召回率的初步模型作为异常检测模型。
本实施例中,将订单正样本中的一部分划分为至训练样本集、另一部分划分至测试样本集,且订单负样本中的一部分划分至训练样本集、另一部分划分至测试样本集。训练样本集中的样本主要用于对预设机器学习模型进行训练以得到可用于异常检测的模型。训练的过程即为对样本所包含的对行程异常判别具有贡献价值的信息进行分析的过程。具体地,可获取训练样本集中的订单正样本和订单负样本各自对应的行程服务过程中的导航信息以及偏航信息。其中,该偏航信息为对应行程服务过程中截止到最后一次偏航时的偏航信息。将得到的导航信息和偏航信息导入至预设机器学习模型进行训练以得到初步模型。
上述的订单正样本和订单负样本对应的导航信息和偏航信息是由导航服务器在订单正样本和订单负样本对应的行程服务过程中在接收到对应的服务提供方终端140所发送的导航请求及偏航请求时所生成的。同时,导航服务器将生成的导航信息和偏航信息发送至异常检测服务器。
本实施例中,上述的导航信息可以包括对应行程服务过程中首次导航时的预估距离、首次导航时的预估时间、订单上车点偏差值(上车点与订单起点的直线距离)、订单起点偏差值(发单点与订单起点的距离)等。上述的偏航信息可以包括对应行程服务过程中截止到最后一次偏航的累计偏航直线距离、订单起点到终点的直线距离、订单总累计偏航次数以及订单结束时间点等。
此外,偏航信息还可以包括对应行程服务过程中截止到最后一次偏航时的累计偏航路面距离及累计偏航时间。而累计偏航路面距离和累计偏航时间可通过以下方式获得,结合参阅图5:
步骤S510,获得对应行程服务过程中相邻两次导航中前一次导航时导航点到终点的第一距离值以及第一预估时间,其中,所述前一次导航为所述行程服务过程中首次导航或者是偏航时重新规划的导航。
步骤S520,获取所述相邻两次导航中后一次导航所得的第二距离值和第二预估时间,以及后一次导航相对前一次导航的已行进距离值。
步骤S530,根据后一次导航的时刻以及前一次导航时刻得到已行进时长。
步骤S540,利用所述第二距离值加上所述已行进距离值再减去所述第一距离值得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航路面距离。
步骤S550,利用所述第二预估时间加上所述已行进时长再减去所述第一预估时间得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航时间。
在行程服务过程中,在首次开始导航或每次发生偏航时,服务提供方终端140都会向导航服务器发送路径规划请求。导航服务器将根据接收到路径规划请求时的实际情况为行程进行路径规划,同时发送至异常检测服务器并保存。
在行程服务过程中可能包含多次偏航,即需要进行多次重新导航。假设在相邻两次导航时,其中前一次导航所规划得到的导航点(即司机当前位置)到终点的距离和时间分别记为dist1、time1,相邻两次导航中的后一次导航时重新规划得到的该导航点到终点的距离和时间分别记为dist2、time2。可根据行程轨迹计算出从前一次导航点到后一次导航点时行程已行进距离值,可记为dist3。根据前一次导航时的时间点以及后一次导航时的时间点计算出从前一次导航点到后一次导航点已行进的时长,例如记为time3。
可通过计算公式:dist2+dist3-dist1,计算得到该相邻两次导航间的偏航距离,该公式表示偏航后新的路面距离减去如果不偏航的情况下剩下的路面距离即为偏航距离。而该行程服务中所有的相邻两次导航间的偏航距离之和即为该行程服务的累计偏航路面距离。同理,可通过计算公式:time2+time3-time1,计算得到该相邻两次导航间的偏航时间,即偏航后新的预估时间减去如果不偏航的情况下剩下的时间则为偏航时间。该行程服务中所有的相邻两次导航间的偏航时间之和即为该行程服务的累计偏航时间。
利用上述的训练样本集中样本的行程服务过程中的导航信息及偏航信息对预设机器学习模型进行训练得到初步模型的基础上,再利用初步模型对测试样本集中的样本进行检测。将检测结果与测试样本集中的样本的标签进行比对即可得到初步模型的检测准确率及召回率。进一步检测初步模型的检测准确率及召回率是否满足预设要求,若未满足预设要求,则需要对预设机器学习模型的参数进行调整以对模型进行优化。例如,若采用的预设机器学习模型为GBDT(GradientBoosting Decision Tree)模型,可对GBDT模型中的决策树的个数、叶子节点的深度及正则化方式等进行调节。再以调整后的模型重新进行训练及测试过程,直至得到的检测准确率及召回率满足预设要求时的初步模型即可作为异常检测模型,可用于后续的实时异常检测。
上述的过程均为异常检测服务器根据历史订单预先建立异常检测模型的过程。在得到异常检测模型的基础上,可对行程服务进行实时异常检测。下面将对根据预先建立的异常检测模型对行程服务进行实时检测判别的过程进行阐述。
导航服务器在接收到服务提供方终端140发送的偏航请求时,将重新规划路线以得到当前偏航信息,并将该当前偏航信息发送至异常检测服务器。
步骤S120,从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息。
步骤S130,将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值。
步骤S140,根据所述异常概率值判定所述当前行程服务是否出现路线异常。
异常检测服务器在接收到当前偏航信息后,将从当前行程服务过程中的历史偏航信息、首次导航信息以及当前偏航信息中提取出异常检测所需的特征信息。其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息。该异常检测所需的特征信息与上述的在建立异常检测模型时从订单样本中提取的导航信息和偏航信息是相对应的。
可选地,提取出的异常检测所需的特征信息可以包括当前行程服务过程中首次导航时的预估距离、预估时间、订单上车点偏差(上车点与订单起点的直线距离)及订单起点偏差(发单点与订单起点的距离),以及当前行程服务过程截止到当前偏航时的累计偏航路面距离、累计偏航直线距离、累计偏航时间、累计偏航次数、订单起点和当前偏航点的直线距离以及当前偏航时间点等。
将提取出的上述特征信息导入至预先建立的异常检测模型进行检测以得到异常概率值。根据得到的异常概率值即可判定当前行程服务是否出现路线异常。
可选地,在得到的异常概率值低于预设范围时,可确定当前行程服务未出现路线异常。例如,该预设范围可为[0.5,0.7],具体不做限制,在异常概率值低于0.5时可确定未出现路线异常。在异常概率值高于预设范围时,例如高于0.7时,可确定当前行程服务出现路线异常。而在得到的异常概率值处于预设范围内时,可确定当前行程服务疑似出现路线异常。在疑似出现路线异常的情况下,可将相关信息发送至客服平台,通过客服平台进行进一步判断。
在本实施例中,若确定当前行程服务出现路线异常,可发送警告提示信息至当前行程服务对应服务提供方终端140以作警告提示,例如以弹窗的方式弹出提示信息。如此,可对行程异常情况作为及时反馈,以起到阻止后续的异常行为的目的,在避免出行需求方的损失的情况下提高了出行需求方的出行体验。
第四实施例
图6示出本申请的一些实施例的行程异常检测装置600的功能模块框图,该行程异常检测装置600实现的功能对应上述方法执行的步骤。该装置可理解为上述电子设备200,或电子设备200的处理器220,也可以理解为独立于上述电子设备200或处理器220之外的在电子设备200控制下实现本申请功能的组件,如图6所示,行程异常检测装置600可以包括接收模块601、提取模块602、检测模块603及判定模块604。
接收模块601,用于接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端140在当前行程服务过程中所发送的偏航请求后所生成的。可以理解,该接收模块601可以用于执行上述步骤S110,关于该接收模块601的详细实现方式可以参照上述对步骤S110有关的内容。
提取模块602,用于从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息,其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息。可以理解,该提取模块602可以用于执行上述步骤S120,关于该提取模块602的详细实现方式可以参照上述对步骤S120有关的内容。
检测模块603,用于将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值。可以理解,该检测模块603可以用于执行上述步骤S130,关于该检测模块603的详细实现方式可以参照上述对步骤S130有关的内容。
判定模块604,用于根据所述异常概率值判定所述当前行程服务是否出现路线异常。可以理解,该判定模块604可以用于执行上述步骤S140,关于该判定模块604的详细实现方式可以参照上述对步骤S140有关的内容。
在一种可能的实施方式中,请参阅图7,行程异常检测装置600还可以包括:
模型建立模块605,用于对预先获得的包含异常信息的订单正样本打上第一标签,对预先获得的未包含异常信息的订单负样本打上第二标签,将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型。
在一种可能的实施方式中,在异常检测服务器中预存有多个订单样本,该订单样本为行程服务已结束的订单样本。上述的模型建立模块605,具体还可以用于:
针对预存的各个订单样本,获取所述订单样本对应的行程服务结束时的实际行程信息以及行程服务开始时首次导航所得到的导航行程信息;
根据所述实际行程信息和所述导航行程信息确定所述订单样本为订单正样本还是订单负样本。
在一种可能的实施方式中,上述的实际行程信息包括实际距离、实际时间及实际价格,导航行程信息包括导航距离、导航时间及预估价格。模型建立模块605可以用于通过以下方式确定订单样本为订单正样本还是订单负样本:
检测所述实际行程信息中的实际距离、实际时间及实际价格中是否存在至少一个超过所述导航行程信息中相对应的导航距离、导航时间及预估价格的预设倍数;
若存在,则确定所述订单样本为订单正样本;
若不存在,则确定所述订单样本为订单负样本。
在一种可能的实施方式中,模型建立模块605还可以用于通过以下方式根据所述订单正样本和订单负样本得到所述异常检测模型:
将所述订单正样本和所述订单负样本分别划分为训练样本集以及测试样本集;
将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型;
将所述测试样本集导入至所述初步模型进行测试以得到测试结果,将所述测试结果与所述测试样本集中各样本的标签进行比对,以得到所述初步模型的检测准确率及召回率;
根据所述检测准确率及召回率对所述预设机器学习模型的参数进行调节,直至得到的检测准确率及召回率满足预设要求为止;
将具有满足预设要求的检测准确率和召回率的初步模型作为异常检测模型。
在一种可能的实施方式中,模型建立模块605可以用于通过以下方式根据所述训练样本集得到所述初步模型:
获取所述训练样本集中的订单正样本和订单负样本各自对应的行程服务过程中的导航信息以及偏航信息,其中,所述偏航信息为对应行程服务过程中截止到最后一次偏航时的偏航信息;
将所述导航信息和所述偏航信息导入至预设机器学习模型进行训练以得到初步模型。
在一种可能的实施方式中,所述订单正样本和订单负样本中的导航信息及偏航信息由所述导航服务器发送,其中,所述导航信息及偏航信息由所述导航服务器在订单正样本和订单负样本对应的行程服务过程中在接收到对应的服务提供方终端140所发送的导航请求及偏航请求时所生成并发送。
在一种可能的实施方式中,偏航信息包括对应行程服务过程中截止到最后一次偏航时的累计偏航路面距离及累计偏航时间,模型建立模块605可以用于通过以下方式获得所述累计偏航路面距离和累计偏航时间:
获得对应行程服务过程中相邻两次导航中前一次导航时导航点到终点的第一距离值以及第一预估时间,其中,所述前一次导航为所述行程服务过程中首次导航或者是偏航时重新规划的导航;
获取所述相邻两次导航中后一次导航所得的第二距离值和第二预估时间,以及后一次导航相对前一次导航的已行进距离值;
根据后一次导航的时刻以及前一次导航时刻得到已行进时长;
利用所述第二距离值加上所述已行进距离值再减去所述第一距离值得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航路面距离;
利用所述第二预估时间加上所述已行进时长再减去所述第一预估时间得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航时间。
在一种可能的实施方式中,导航信息包括对应行程服务过程中首次导航时的预估距离、首次导航时的预估时间、订单上车点偏差值、订单起点偏差值,所述偏航信息还包括对应行程服务过程中截止到最后一次偏航的累计偏航直线距离、订单起点到终点的直线距离、订单总累计偏航次数以及订单结束时间点。
在一种可能的实施方式中,上述的判定模块604,可以采用至少以下方式之一:
在所述异常概率值低于预设范围时,确定所述当前行程服务未出现路线异常;
在所述异常概率值高于预设范围时,确定所述当前行程服务出现路线异常;
在所述异常概率值处于预设范围内时,确定所述当前行程服务疑似出现路线异常。
在一种可能的实施方式中,本实施例提供的行程异常检测装置600还可以包括:
发送模块606,用于在确定所述当前行程服务出现路线异常时,发送警告提示信息至当前行程服务对应的服务提供方终端140。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
本申请实施例还提供了一种可读存储介质,所述可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的行程异常检测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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,服务器,或者网络设备等)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种行程异常检测方法,应用于异常检测服务器,其特征在于,所述异常检测服务器与导航服务器通信连接,所述导航服务器与服务提供方终端通信连接,所述方法包括:
接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端在当前行程服务过程中所发送的偏航请求后所生成的;
从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息,其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息;
将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值;
根据所述异常概率值判定所述当前行程服务是否出现路线异常。
2.根据权利要求1所述的行程异常检测方法,其特征在于,所述方法还包括预先建立所述异常检测模型的步骤,该步骤包括:
对预先获得的包含异常信息的订单正样本打上第一标签,对预先获得的未包含异常信息的订单负样本打上第二标签;
将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型。
3.根据权利要求2所述的行程异常检测方法,其特征在于,所述异常检测服务器中预存有多个订单样本,所述订单样本为行程服务已结束的订单样本,所述订单正样本和所述订单负样本通过以下步骤获得:
针对预存的各个订单样本,获取所述订单样本对应的行程服务结束时的实际行程信息以及行程服务开始时首次导航所得到的导航行程信息;
根据所述实际行程信息和所述导航行程信息确定所述订单样本为订单正样本还是订单负样本。
4.根据权利要求2所述的行程异常检测方法,其特征在于,所述将所述订单正样本和所述订单负样本导入至预设机器学习模型进行训练以得到所述异常检测模型的步骤,包括:
将所述订单正样本和所述订单负样本分别划分为训练样本集以及测试样本集;
将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型;
将所述测试样本集导入至所述初步模型进行测试以得到测试结果,将所述测试结果与所述测试样本集中各样本的标签进行比对,以得到所述初步模型的检测准确率及召回率;
根据所述检测准确率及召回率对所述预设机器学习模型的参数进行调节,直至得到的检测准确率及召回率满足预设要求为止;
将具有满足预设要求的检测准确率和召回率的初步模型作为异常检测模型。
5.根据权利要求4所述的行程异常检测方法,其特征在于,所述将所述训练样本集导入至预设机器学习模型进行训练以得到初步模型的步骤,包括:
获取所述训练样本集中的订单正样本和订单负样本各自对应的行程服务过程中的导航信息以及偏航信息,其中,所述偏航信息为对应行程服务过程中截止到最后一次偏航时的偏航信息;
将所述导航信息和所述偏航信息导入至预设机器学习模型进行训练以得到初步模型。
6.根据权利要求5所述的行程异常检测方法,其特征在于,所述订单正样本和订单负样本中的导航信息及偏航信息由所述导航服务器发送,其中,所述导航信息及偏航信息由所述导航服务器在订单正样本和订单负样本对应的行程服务过程中在接收到对应的服务提供方终端所发送的导航请求及偏航请求时所生成并发送。
7.根据权利要求5所述的行程异常检测方法,其特征在于,所述偏航信息包括对应行程服务过程中截止到最后一次偏航时的累计偏航路面距离及累计偏航时间,其中,所述累计偏航路面距离和累计偏航时间通过以下步骤获得:
获得对应行程服务过程中相邻两次导航中前一次导航时导航点到终点的第一距离值以及第一预估时间,其中,所述前一次导航为所述行程服务过程中首次导航或者是偏航时重新规划的导航;
获取所述相邻两次导航中后一次导航所得的第二距离值和第二预估时间,以及后一次导航相对前一次导航的已行进距离值;
根据后一次导航的时刻以及前一次导航时刻得到已行进时长;
利用所述第二距离值加上所述已行进距离值再减去所述第一距离值得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航路面距离;
利用所述第二预估时间加上所述已行进时长再减去所述第一预估时间得到差值,将所述行程服务过程中利用所有相邻两次导航所计算得到的差值之和作为所述累计偏航时间。
8.根据权利要求5所述的行程异常检测方法,其特征在于,所述导航信息包括对应行程服务过程中首次导航时的预估距离、首次导航时的预估时间、订单上车点偏差值、订单起点偏差值,所述偏航信息还包括对应行程服务过程中截止到最后一次偏航的累计偏航直线距离、订单起点到终点的直线距离、订单总累计偏航次数以及订单结束时间点。
9.一种行程异常检测装置,应用于异常检测服务器,其特征在于,所述异常检测服务器与导航服务器通信连接,所述导航服务器与服务提供方终端通信连接,所述装置包括:
接收模块,用于接收所述导航服务器发送的当前偏航信息,其中,所述当前偏航信息为所述导航服务器在接收到所述服务提供方终端在当前行程服务过程中所发送的偏航请求后所生成的;
提取模块,用于从所述当前行程服务过程中的历史偏航信息、首次导航信息以及所述当前偏航信息中提取出异常检测所需的特征信息,其中,所述首次导航信息为所述当前行程服务开始时首次导航所生成的导航信息;
检测模块,用于将所述特征信息导入至预先建立的异常检测模型进行检测,以获得异常概率值;
判定模块,用于根据所述异常概率值判定所述当前行程服务是否出现路线异常。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-8任意一项所述的行程异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432607.XA CN111860558A (zh) | 2019-05-22 | 2019-05-22 | 行程异常检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432607.XA CN111860558A (zh) | 2019-05-22 | 2019-05-22 | 行程异常检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860558A true CN111860558A (zh) | 2020-10-30 |
Family
ID=72966048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432607.XA Pending CN111860558A (zh) | 2019-05-22 | 2019-05-22 | 行程异常检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860558A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614342A (zh) * | 2020-12-10 | 2021-04-06 | 大唐高鸿数据网络技术股份有限公司 | 一种道路异常事件的预警方法、车载设备及路侧设备 |
CN112731492A (zh) * | 2020-12-18 | 2021-04-30 | 中国平安财产保险股份有限公司 | 一种检测虚拟行程的方法及其相关设备 |
CN112734085A (zh) * | 2020-12-18 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 一种实时监控行驶路线异常的方法及装置 |
CN114219410A (zh) * | 2022-02-21 | 2022-03-22 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733687A (zh) * | 2017-09-06 | 2018-02-23 | 深圳市金立通信设备有限公司 | 提示业务异常的方法、终端、服务器及计算机可读介质 |
WO2018153093A1 (en) * | 2017-02-24 | 2018-08-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing a navigation route |
CN108519085A (zh) * | 2018-03-27 | 2018-09-11 | 京东方科技集团股份有限公司 | 导航路径获取方法、装置、系统及其存储介质 |
CN109272601A (zh) * | 2017-07-17 | 2019-01-25 | 福特全球技术公司 | 自动的地图异常检测和更新 |
US20190049262A1 (en) * | 2017-08-08 | 2019-02-14 | GM Global Technology Operations LLC | Context-aware vehicle communications system and control logic with adaptive crowd-sensing capabilities |
CN109405841A (zh) * | 2017-08-15 | 2019-03-01 | 通用汽车环球科技运作有限责任公司 | 用于参与地图异常检测和校正的方法和设备 |
-
2019
- 2019-05-22 CN CN201910432607.XA patent/CN111860558A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018153093A1 (en) * | 2017-02-24 | 2018-08-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing a navigation route |
CN109272601A (zh) * | 2017-07-17 | 2019-01-25 | 福特全球技术公司 | 自动的地图异常检测和更新 |
US20190049262A1 (en) * | 2017-08-08 | 2019-02-14 | GM Global Technology Operations LLC | Context-aware vehicle communications system and control logic with adaptive crowd-sensing capabilities |
CN109405841A (zh) * | 2017-08-15 | 2019-03-01 | 通用汽车环球科技运作有限责任公司 | 用于参与地图异常检测和校正的方法和设备 |
CN107733687A (zh) * | 2017-09-06 | 2018-02-23 | 深圳市金立通信设备有限公司 | 提示业务异常的方法、终端、服务器及计算机可读介质 |
CN108519085A (zh) * | 2018-03-27 | 2018-09-11 | 京东方科技集团股份有限公司 | 导航路径获取方法、装置、系统及其存储介质 |
Non-Patent Citations (2)
Title |
---|
岩田隆敬;川口佳久;王存恩;: "陆地观测技术卫星(ALOS)的高精度姿态轨道控制系统", 控制工程, no. 05 * |
魏懿;曹健;: "基于机器学习的流程异常预测方法", 计算机集成制造系统, no. 04 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614342A (zh) * | 2020-12-10 | 2021-04-06 | 大唐高鸿数据网络技术股份有限公司 | 一种道路异常事件的预警方法、车载设备及路侧设备 |
CN112614342B (zh) * | 2020-12-10 | 2022-08-30 | 大唐高鸿智联科技(重庆)有限公司 | 一种道路异常事件的预警方法、车载设备及路侧设备 |
CN112731492A (zh) * | 2020-12-18 | 2021-04-30 | 中国平安财产保险股份有限公司 | 一种检测虚拟行程的方法及其相关设备 |
CN112734085A (zh) * | 2020-12-18 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 一种实时监控行驶路线异常的方法及装置 |
CN112731492B (zh) * | 2020-12-18 | 2024-02-06 | 中国平安财产保险股份有限公司 | 一种检测虚拟行程的方法及其相关设备 |
CN114219410A (zh) * | 2022-02-21 | 2022-03-22 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
CN114219410B (zh) * | 2022-02-21 | 2022-06-24 | 浙江口碑网络技术有限公司 | 订单识别方法、装置、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110749319B (zh) | 一种路线偏移检测的方法、装置和电子设备 | |
CN111860558A (zh) | 行程异常检测方法、装置及电子设备 | |
JP6584640B2 (ja) | リクエストの位置情報を変更する方法およびシステム | |
JP6774153B2 (ja) | 不正検査を行うシステムおよび方法 | |
KR20180012794A (ko) | 운송 서비스 요금을 결정하기 위한 방법 및 시스템 | |
CN111325437B (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
CN111563396A (zh) | 在线识别异常行为的方法、装置、电子设备及可读存储介质 | |
CN111105120B (zh) | 一种工单处理方法及装置 | |
CN111612122A (zh) | 实时需求量的预测方法、装置及电子设备 | |
CN110766937B (zh) | 停车点识别方法、装置、电子设备以及可读存储介质 | |
CN111325986B (zh) | 异常停车监测方法、装置、电子设备以及存储介质 | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN111861618A (zh) | 一种上车点推荐方法和系统 | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN111833600A (zh) | 通行时间预测方法、装置及数据处理设备 | |
CN111147532A (zh) | 一种信息分享方法、装置、设备及介质 | |
CN111858790A (zh) | 一种绕路提醒的方法、装置、电子设备及介质 | |
CN111367575A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN110766506A (zh) | 一种订单生成方法、装置、电子设备和存储介质 | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
CN111831764A (zh) | 一种停留站点的确定方法、装置、电子设备和介质 | |
CN111861178A (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
CN111489460B (zh) | 行驶数据处理方法、装置、导航设备和计算机存储介质 | |
CN108665723B (zh) | 一种信息获取方法及装置 | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |