CN112837119A - 异常订单识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供一种异常订单识别方法、装置、电子设备及存储介质，其中，该方法：在司机触发司机端确认从目标订单的发货地点出发的确认操作时，便根据司机端的特征数据识别目标订单是否为异常订单。由此，实现对司机端的接单行为进行作弊识别，同时，由于服务端将识别异常订单的时间节点提前到订单完成之前，司机的经济损失较小，能够有效减少司机与货运服务平台的争端，降低货运服务平台的运营成本。当然，能够有效地阻止了补贴被骗，减少货运服务平台的经济损失。

Description

异常订单识别方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及计算机应用技术领域，尤其涉及一种异常订单识别方法、装置、电子设备及存储介质。

背景技术

如今，网约货运服务越来越普遍。当用户有货运需求时，可以通过用户端发布货运订单信息，货运服务平台接收用户端上传的货运订单信息并上传货运订单，以及向司机端推送货运订单信息，司机端显示货运订单信息。司机接受货运订单后，驾驶车辆驶向货运订单中的起始地点进行装货，并在装货完成后将货物运输到目的地。

目前，货运服务平台经常会大规模的营销补贴活动，一些司机为赚取补贴可能会伪造虚假订单，危害货运服务平台的正常运营。因此，需要对司机的接单行为进行作弊识别。

发明内容

本申请实施例提供一种异常订单识别方法、装置、电子设备及存储介质，用于对司机的接单行为进行作弊识别。

第一方面，本申请实施例中提供了一种异常订单识别方法，包括：

在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；根据所述司机端的特征数据判断所述目标订单是否为异常订单。

第二方面，本申请实施例中提供了一种异常订单识别装置，包括：

获取模块，用于在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；

判断模块，用于根据所述司机端的特征数据判断所述目标订单是否为异常订单。

第三方面，本申请实施例中提供了一种电子设备，包括处理组件以及存储组件；

所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行；

所述处理组件用于：

在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；

根据所述司机端的特征数据判断所述目标订单是否为异常订单。

第四方面，本申请实施例中提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被计算机执行时实现上述方法中的步骤。

本申请实施例中，在司机触发司机端确认从目标订单的发货地点出发的确认操作时，便根据司机端的特征数据识别目标订单是否为异常订单。由此，实现对司机端的接单行为进行作弊识别，同时，由于服务端将识别异常订单的时间节点提前到订单完成之前，司机的经济损失较小，能够有效减少司机与货运服务平台的争端，降低货运服务平台的运营成本。当然，能够有效地阻止了补贴被骗，减少货运服务平台的经济损失。

本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1示出了根据本申请提供的异常订单识别系统一个实施例的结构示意图；

图2示出了根据本申请提供的异常订单识别方法一个实施例的流程图；

图3示出了根据本申请提供的异常订单处理装置一个实施例的结构示意图；

图4示出了根据本申请提供的电子设备一个实施例的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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。

在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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，显然，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。

图1示出了根据本申请提供的异常订单识别系统一个实施例的结构示意图。参见图1，异常处理系统包括司机侧的司机端1、服务端2。其中，司机端1与服务端2进行交互。

其中，司机端1为运行有司机侧的应用程序的终端设备，司机在司机端1执行接受目标订单的接单操作，以及在车辆完成装货之后，司机在司机端1上触发确认从目标订单的发货地点出发的确认操作。

与司机端1交互的服务端2，接收司机端1发送的确认从目标订单的起始地点出发的确认信息，获取司机端1的特征数据，基于司机端1的特征数据判断目标订单是否为异常订单。

图2示出了根据本申请提供的异常订单识别方法一个实施例的流程图。该方法的执行主体为服务端。参见图2，该方法包括以下步骤：

201、在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取司机端的特征数据。

本申请实施例提供的异常订单识别方法可以应用于出租车、专车、快车、顺风车、豪华车、公交、小巴、代驾、租车、企业级、共享单车等出行服务，也可以应用于货运服务。为了便于理解，本申请实施例以货运服务为例进行说明。

实际应用中，用户通过用户端发起货运订单请求，货运订单请求包括发货地点和目的地，服务端响应货运订单请求生成与上述发货地点和目的地相匹配的目标订单，并以抢单或派单的形式向司机端推送目标订单的信息。司机在司机端上触发接单操作，以获取目标订单。司机接单之后，驾驶车辆驶向目标订单中的发货地点进行装货，在车辆完成装货之后，司机在司机端1上触发确认从目标订单的起始地点出发的确认操作，并驾驶车辆将货物运输到目的地。

实际应用中，有些司机会采用空车刷单的方式骗取货运服务平台提供的补贴。一般来说，空车刷单具有如下特点：司机自己或让同伙通过用户端发布的货运订单，司机通过司机端接受该货运订单，司机到达发货地点后短暂停留便开往目的地。

其中，服务端接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，需要获取司机端的特征数据，基于司机端的特征数据识别目标订单是否为异常订单，进而识别司机的接单行为是否存在作弊。

在一些实施例中，为了更为客观准确地识别目标订单是否为异常订单，司机端的特征数据包括以下至少一个维度的数据：车辆在发货地点的停留时长是否满足预设停留时长、车辆的接单地点与发货地点之间的距离是否满足预设距离、车辆的行驶轨迹是否包括从接单地点到达发货地点、车辆是否在预估时间内从接单地点到达发货地点以及反映司机的服务质量的服务分是否大于预设服务分。

其中，若停留时长大于或等于预设停留时长，确定车辆在发货地点的停留时长满足预设停留时长，由于车辆停留时间较长，这时可以认为车辆在发货地点装货，目标订单为正常订单的概率较大，即目标订单为异常订单的概率较小。反之，若停留时长小于预设停留时长，确定车辆在发货地点的停留时长不满足预设停留时长，由于车辆停留时间较为短暂，这时可以认为车辆在发货地点没有装货，目标订单为正常订单的概率较小，即目标订单为异常订单的概率较大。

实际应用中，货物类型不同，所需的搬运时间也不同，因此，在一些实施例中，为了更为合理的判断车辆在发货地点的停留时长满足预设停留时长，可以从目标订单中获取货物类型，根据货物类型与预设停留时长的对应关系确定与目标订单匹配的预设停留时长。

其中，预设距离根据实际情形进行设置。车辆的接单地点与发货地点之间的距离大于或等于预设距离，目标订单为正常订单的概率较大，即目标订单为异常订单的概率较小。反之，车辆的接单地点与发货地点之间的距离小于预设距离，目标订单为正常订单的概率较小，即目标订单为异常订单的概率较大。

其中，车辆的行驶轨迹包括从接单地点到达发货地点，目标订单为正常订单的概率较大，即目标订单为异常订单的概率较小。反之，车辆的行驶轨迹不包括从接单地点到达发货地点，目标订单为正常订单的概率较小，即目标订单为异常订单的概率较大。

其中，车辆在预估时间内从接单地点到达发货地点，目标订单为正常订单的概率较大，即目标订单为异常订单的概率较小。反之，车辆不在预估时间内从接单地点到达发货地点，目标订单为正常订单的概率较小，即目标订单为异常订单的概率较大。

其中，服务端可以通过对司机的诸如好评率、客户投诉率、所接订单的完成率等历史服务数据进行分析，得到反映反映司机的服务质量的服务分。若司机的服务分大于或等于预设服务分，说明司机较为诚实守信，司机的接单行为存在空车刷单的概率较小，即目标订单为正常订单的概率较大，也即目标订单为异常订单的概率较小。若司机的服务分小于预设服务分，说明司机的接单行为存在空车刷单的概率较大，即目标订单为正常订单的概率较小，也即目标订单为异常订单的概率较大。

在一些实施例中，车辆在发货地点的停留时长的获取方式可以为：获取司机端对应车辆的定位数据，定位数据包括车辆在不同时间点的地理位置；确定定位数据中出现发货地点的最早时间和最晚时间，并根据发货地点的最早时间和最晚时间计算车辆在发货地点的停留时长。

由于定位数据记录的是车辆在不同时间点的地理位置，通过分析定位数据，可以得到定位数据中记录的发货地点的最早时间和最晚时间。其中，发货地点的最早时间可以理解为车辆到达发货地点的时间，发货地点的最晚时间可以理解为车辆离开发货地点的时间。因此，基于发货地点的最早时间和最晚时间可以计算车辆在发货地点的停留时长。

在一些实施例中，车辆的接单地点的获取方式可以为：获取司机端发送的车辆的定位数据；获取司机端接受目标订单的接单时间，以及查询定位数据以获取车辆在接单时间的地理位置作为接单地点。

其中，在司机触发司机端上的接单操作时，记录接单操作的操作时间即接单时间。

在一些实施例中，车辆从接单地点到达发货地点的预估时间的获取方式为：获取车辆从接单地点朝着发货地点行驶过程中的不同时间点的车速信息；根据定位数据和车速信息预估从接单地点到达发货地点的预估时间。

其中，车辆的定位数据包括车辆在不同时间点的地理位置，定位数据可以利用定位模块采集获取，定位模块例如为GPS(Global Positioning System，全球定位系统)模块、北斗卫星导航系统等。定位模块可以设置在司机端中，也可以设置在车辆的其他设备中。在定位模块设置在车辆的其他设备中时，司机端可以与其他设备进行通信，获取定位模块采集的车辆的定位数据。

其中，车速信息可以根据定位数据确定车辆在一段时间内的行驶路程和所花费的时间，根据行驶路程和所花费的时间计算得到车速信息。当然，车速信息还可以通过司机端与车辆的ECU(Electronic Control Unit，电子控制器单元)进行交互，获取ECU提供的更为真实的车速信息。

202、根据司机端的特征数据判断目标订单是否为异常订单。

在获取到司机端的特征数据之后，可以根据一个或多个维度的特征数据判断目标订单是否为异常订单。在选择基于多个维度的特征数据判断目标订单是否为异常订单，可以对多个维度的特征数据进行综合评价判断目标订单是否为异常订单。当然，对多个维度的特征数据进行综合评价可以更为准确判断目标订单是否为异常订单。

例如，以下特征数据出现一种或多种，可以认为目标订单为异常订单。具体的，一种或多种特征数据为：若判断出车辆在发货地点的停留时长不满足预设停留时长，或者，车辆的接单地点与发货地点之间的距离不满足预设距离，或者，车辆的行驶轨迹不包括从接单地点到达发货地点，或者，车辆没有在预估时间内从接单地点到达发货地点，或者，反映司机的服务质量的服务分小于预设服务分。

可以理解的是，在目标订单为异常订单时，确定司机端的接单行为存在作弊。在目标订单为正常订单时，确定司机端的接单行为不存在作弊。

另外，服务端还可以向监控端推送目标订单的状态信息，以使监控端的监控人员实时掌握目标订单的状态信息。目标订单的状态信息包括但不限于例如包括车辆在发货地点的停留时长、车辆的接单地点与发货地点之间的距离、车辆的行驶轨迹、车辆是否在预估时间内从接单地点到达发货地点、以及司机的接单操作、司机的确认从发货地点出发的确认操作等。

其中，监控端为监控人员使用的终端设备，其安装了货运服务平台为监控开发的应用程序。

另外，较为常规的异常订单识别是在司机完成订单之后进行识别，司机完成订单即指司机将货运运输到目标订单中的目的地。但是，由于司机已经完成了运输任务，付出了劳动，这种做法很容易引起司机与货运服务平台的争端，也增加了货运服务平台的运营成本。

而本申请实施例提供的异常订单识别方法，在司机触发司机端确认从目标订单的发货地点出发的确认操作时，即在司机将货物运输到目标订单中的目的地以完成目标订单之前，服务端便启动识别目标订单是否为异常订单。由于服务端将识别异常订单的时间节点提前到订单完成之前，司机的经济损失较小，能够有效减少司机与货运服务平台的争端，降低货运服务平台的运营成本。当然，能够有效地阻止了补贴(补贴一般都是订单完成之后发放)被骗，减少货运服务平台的经济损失。

需要指出的是，在确定目标订单为异常订单后，服务端可以取消该目标订单，或者，向司机端推送提示信息，若司机端对目标订单判断为异常订单无异议，服务端取消该目标订单。被服务端取消的目标订单也没有资格参与到补贴发放当中。

本申请实施例提供的异常订单识别方法，在司机触发司机端确认从目标订单的发货地点出发的确认操作时，便根据司机端的特征数据识别目标订单是否为异常订单。由此，实现对司机端的接单行为进行作弊识别，同时，由于服务端将识别异常订单的时间节点提前到订单完成之前，司机的经济损失较小，能够有效减少司机与货运服务平台的争端，降低货运服务平台的运营成本。当然，能够有效地阻止了补贴被骗，减少货运服务平台的经济损失。

在一些实施例中，为了提高异常订单的识别准确率，可以利用训练好的异常订单识别模型进行识别。因此，根据司机端的特征数据判断目标订单是否为异常订单可以包括：将司机端的特征数据输入至异常订单识别模型中进行识别；根据识别结果判断目标订单是否为异常订单。

其中，异常订单识别模型输出的识别结果为异常时，目标订单为异常订单。异常订单识别模型输出的识别结果为正常时，目标订单为正常订单。

其中，异常订单识别模型可以包括但并限于以下神经网络：卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Networks，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)。

为训练异常订单识别模型，需要准备一些训练样本，其中，每个训练样本包括样本特征数据以及样本特征数据对应的识别结果，其中，样本特征数据可以从服务端中存储的已有的司机端的特征数据中获取，样本特征数据对应的识别结果为异常或正常，样本特征数据对应的识别结果可以由专业分析人员进行标注。将样本特征数据作为待训练的神经网络的输入参数，将样本特征数据的识别结果作为待训练的神经网络的期望输出结果，不断地训练神经网络，直至神经网络的损失函数收敛，以完成异常订单识别模型的训练。其中，损失函数可以是任意的损失函数。优先地，为了提高模型的预测准确性，损失函数可以为交叉熵代价函数。有关训练神经网络的更多技术详见相关技术。

在一些实施例中，在根据司机端的特征数据判断目标订单是否为异常订单之后，该方法还可以包括：若目标订单为异常订单，则向司机端发送提示信息，提示信息提示目标订单为异常订单。

可以理解的是，及时向司机端发送提示信息，可以警告司机立即停止刷单行为，保证货运服务的正常运营。当然，也可以有效减少司机与货运服务平台的争端。

在一些实施例中，为了避免异常订单的错误识别造成司机的损失，提高货运服务平台的运营水平，在向司机端发送提示信息之后，该方法还可以包括：接收司机端根据提示信息发送的申诉请求信息，申诉请求信息包括车辆在发货地点装货时的视频数据；将视频数据发送给货运服务平台的审核端，以供审核端的审核人员重新审核目标订单是否为异常订单。其中，审核端为审核人员的终端设备。

可以理解的是，司机为保护自身的权益，可以上传车辆在发货地点装货时的视频数据，以表明车辆确实在发货地点装货，不存在接单作弊行为。货运服务平台的审核人员可以根据视频数据判断车辆是否确实在发货地点装货，若是，取消将目标订单评定为异常订单，恢复目标订单为正常订单。由此，通过引入人工审核机制，避免异常订单的错误识别造成司机的损失，提高货运服务平台的运营水平。

图3示出了根据本申请提供的异常订单处理装置一个实施例的结构示意图。该装置是异常订单处理方法的执行主体，该装置由硬件和/或软件组成，该装置可以集成在诸如手机、平板电脑、计算机、车载电脑、可穿戴设备中。

参见图3，该异常订单处理装置可以包括：

获取模块301，用于在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取司机端的特征数据；

判断模块302，用于根据司机端的特征数据判断目标订单是否为异常订单。

在一些实施例中，特征数据包括以下至少一个维度的数据：车辆在发货地点的停留时长是否满足预设停留时长、车辆的接单地点与发货地点之间的距离是否满足预设距离、车辆的行驶轨迹是否包括从接单地点到达发货地点、车辆是否在预估时间内从接单地点到达发货地点以及反映司机的服务质量的服务分是否大于预设服务分。

在一些实施例中，判断模块302根据司机端的特征数据判断目标订单是否为异常订单具体是：

将司机端的特征数据输入至异常订单识别模型中进行识别；

根据识别结果判断目标订单是否为异常订单。

在一些实施例中，判断模块302在根据司机端的特征数据判断目标订单是否为异常订单之前，还用于：

获取样本特征数据以及样本特征数据对应的识别结果；

将样本特征数据作为模型输入，将样本特征数据对应的识别结果作为模型标签，训练异常订单识别模型。

在一些实施例中，获取模块301获取车辆在发货地点的停留时长具体是：

获取司机端对应车辆的定位数据，定位数据包括车辆在不同时间点的地理位置；

确定定位数据中出现发货地点的最早时间和最晚时间，并根据发货地点的最早时间和最晚时间计算车辆在发货地点的停留时长。

在一些实施例中，获取模块301获取车辆的接单地点具体是：

获取司机端发送的车辆的定位数据；

获取司机端接受目标订单的接单时间，以及查询定位数据以获取车辆在接单时间的地理位置作为接单地点。

在一些实施例中，获取模块301获取车辆从接单地点到达发货地点的预估时间具体是：

获取车辆从接单地点朝着发货地点行驶过程中的不同时间点的车速信息；

根据定位数据和车速信息预估从接单地点到达发货地点的预估时间。

在一些实施例中，该装置还包括发送模块，用于若目标订单为异常订单，则向司机端发送提示信息，提示信息提示目标订单为异常订单。

在一些实施例中，获取模块还用于：接收司机端根据提示信息发送的申诉请求信息，申诉请求信息包括车辆在发货地点装货时的视频数据；

发送模块还用于：将视频数据发送给货运服务平台的审核端，以供审核端的审核人员重新审核目标订单是否为异常订单。

图3的异常订单识别装置可以执行图2所示实施例的异常订单识别方法，其实现原理和技术效果不再赘述。对于上述实施例中的异常订单识别装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

在一个可能的设计中，图3所示实施例的异常订单识别装置可以实现为电子设备，如图所示，该电子设备可以包括存储组件301以及处理组件302；

存储组件301存储一条或多条计算机指令，其中，一条或多条计算机指令供处理组件调用执行。

处理组件302用于：

在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取司机端的特征数据；根据司机端的特征数据判断目标订单是否为异常订单。

其中，处理组件302可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

存储组件301被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

该电子设备还可以包括显示组件303，显示组件303可以为电致发光(EL)元件、液晶显示器或具有类似结构的微型显示器、或者视网膜可直接显示或类似的激光扫描式显示器。

当然，电子设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。

输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。

通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信等。

如在本文所使用的，“电子设备”可以是远程web服务器、服务器、计算机联网设备、芯片组、台式计算机、笔记本式计算机、工作站，或任何其他处理设备或者装备。

其中，该电子设备可以为物理设备或者云计算平台提供的弹性计算主机等，此时电子设备即可以是指云服务器，上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被计算机执行时可以实现上述图2所示实施例的异常订单处理方法。

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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (12)

1.一种异常订单识别方法，其特征在于，包括：

在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；

根据所述司机端的特征数据判断所述目标订单是否为异常订单。

2.根据权利要求1所述的方法，其特征在于，所述特征数据包括以下至少一个维度的数据：所述车辆在所述发货地点的停留时长是否满足预设停留时长、所述车辆的接单地点与所述发货地点之间的距离是否满足预设距离、所述车辆的行驶轨迹是否包括从所述接单地点到达所述发货地点、所述车辆是否在预估时间内从接单地点到达所述发货地点以及反映司机的服务质量的服务分是否大于预设服务分。

3.根据权利要求1所述的方法，其特征在于，根据所述司机端的特征数据判断所述目标订单是否为异常订单包括：

将所述司机端的特征数据输入至异常订单识别模型中进行识别；

根据识别结果判断所述目标订单是否为异常订单。

4.根据权利要求3所述的方法，其特征在于，在根据所述司机端的特征数据判断所述目标订单是否为异常订单之前，还包括：

获取样本特征数据以及样本特征数据对应的识别结果；

将所述样本特征数据作为模型输入，将所述样本特征数据对应的识别结果作为模型标签，训练所述异常订单识别模型。

5.根据权利要求1所述的方法，其特征在于，所述车辆在所述发货地点的停留时长的获取方式为：

获取所述司机端对应车辆的定位数据，所述定位数据包括所述车辆在不同时间点的地理位置；

确定所述定位数据中出现所述发货地点的最早时间和最晚时间，并根据所述发货地点的最早时间和最晚时间计算所述车辆在所述发货地点的停留时长。

6.根据权利要求1所述的方法，其特征在于，所述车辆的接单地点的获取方式为：

获取所述司机端发送的所述车辆的定位数据；

获取所述司机端接受所述目标订单的接单时间，以及查询所述定位数据以获取所述车辆在所述接单时间的地理位置作为所述接单地点。

7.根据权利要求1所述的方法，其特征在于，所述车辆从所述接单地点到达所述发货地点的预估时间的获取方式为：

获取所述车辆从所述接单地点朝着所述发货地点行驶过程中的不同时间点的车速信息；

根据所述定位数据和所述车速信息预估所述从接单地点到达所述发货地点的预估时间。

8.根据权利要求1至7任一项所述的方法，其特征在于，在根据所述司机端的特征数据判断所述目标订单是否为异常订单之后，还包括：

若所述目标订单为异常订单，则向所述司机端发送提示信息，所述提示信息提示所述目标订单为异常订单。

9.根据权利要求8所述的方法，其特征在于，在向所述司机端发送提示信息之后，还包括：

接收所述司机端根据所述提示信息发送的申诉请求信息，所述申诉请求信息包括所述车辆在所述发货地点装货时的视频数据；

将所述视频数据发送给货运服务平台的审核端，以供所述审核端的审核人员重新审核所述目标订单是否为异常订单。

10.一种异常订单识别装置，其特征在于，包括：

获取模块，用于在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；

判断模块，用于根据所述司机端的特征数据判断所述目标订单是否为异常订单。

11.一种电子设备，其特征在于，包括处理组件以及存储组件；

所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行；

所述处理组件用于：

在接收到司机端发送的确认从目标订单的发货地点出发的确认信息时，获取所述司机端的特征数据；

根据所述司机端的特征数据判断所述目标订单是否为异常订单。

12.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被计算机执行时实现上述方法中的步骤。

Images