CN113177670A - 数据处理方法、装置、设备及可读存储介质 - Google Patents
数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113177670A CN113177670A CN202110583366.6A CN202110583366A CN113177670A CN 113177670 A CN113177670 A CN 113177670A CN 202110583366 A CN202110583366 A CN 202110583366A CN 113177670 A CN113177670 A CN 113177670A
- Authority
- CN
- China
- Prior art keywords
- time period
- travel
- credit
- target user
- credit value
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims description 73
- 238000011156 evaluation Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001976 improved effect Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007477 logistic regression 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06Q10/04—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
- G06F18/24—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
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据处理方法、装置、设备及可读存储介质,方法包括:获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt‑1内的行程特征数据;时间段Tt‑1是时间段Tt的上一个时间段;t为大于1的正整数;根据时间段Tt内的行程特征数据与时间段Tt‑1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值;获取目标用户在时间段Tt‑1内的行程信用值,根据时间段Tt‑1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值。本申请应用于交通领域,采用本申请,可以对用户的出行信用进行准确评价,从而提高乘车业务的质量。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据处理方法、装置、设备以及可读存储介质。
背景技术
当前,打车出行已经成为人们的生活日常。在打车业务中,司机越来越需要有一个可信的标准去认识乘客的品质,以便不惧在打车业务中受到损失;同时,乘客也需要一个可信的标准来证明自己的品质,以便可以更为简单快捷地得到打车平台以及司机的认可与信任,从而可以进一步获取到打车平台给予的优惠等。
可见在打车业务中,对乘客进行信用评级是极为重要的内容,如果有了针对乘客的出行信用评价体系,必将对乘客在打车业务中的行为品质起到约束和规范作用,从而可以减少乘客在打车业务中的无理违约、恶意点单等行为,进而可以对社会文明环境和生产效率都带来有益提升。目前,对于确定乘客的信用评级,仅仅依靠于乘客的订单取消次数来确定,若乘客的订单取消次数过高就会直接暂停乘客的打车业务。这种仅依赖于乘客的订单取消次数的方式难以准确评价用户信用,导致用户信用的识别准确度不高,给乘客的乘车业务也会造成影响。
发明内容
本申请实施例提供一种数据处理方法、装置、设备以及可读存储介质,可以对用户的出行信用进行准确评价,从而提高乘车业务的质量。
本申请实施例一方面提供了一种数据处理方法,包括:
获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;时间段Tt-1是时间段Tt的上一个时间段;t为大于1的正整数;
根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值;
获取目标用户在时间段Tt-1内的行程信用值,根据时间段Tt-1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值;时间段Tt内的行程信用值用于确定目标用户在时间段Tt内针对乘车业务的行程消耗资源;时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定目标用户在时间段Tt+1内的行程信用值;时间段Tt+1是时间段Tt的下一个时间段;时间段Tt+1内的预测行程信用评估值基于目标用户在时间段Tt+1内的行程特征数据,以及在时间段Tt内的行程特征数据所确定。
本申请实施例一方面提供了一种数据处理装置,包括:
数据获取模块,用于获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;时间段Tt-1是时间段Tt的上一个时间段;t为大于1的正整数;
数据预测模块,用于根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值;
信用值确定模块,用于获取目标用户在时间段Tt-1内的行程信用值;
信用值确定模块,还用于根据时间段Tt-1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值;时间段Tt内的行程信用值用于确定目标用户在时间段Tt内针对乘车业务的行程消耗资源;时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定目标用户在时间段Tt+1内的行程信用值;时间段Tt+1是时间段Tt的下一个时间段;时间段Tt+1内的预测行程信用评估值基于目标用户在时间段Tt+1内的行程特征数据,以及在时间段Tt内的行程特征数据所确定。
在一个实施例中,数据预测模块包括:
数据输入单元,用于将时间段Tt内的行程特征数据输入至信用评估模型;信用评估模型是基于时间段Tt-1内的行程特征数据,与时间段Tt-1内的历史行程信用标签,共同对样本信用评估模型进行训练所得到的;时间段Tt-1内的历史行程信用标签,基于时间段Tt-1内的行程特征数据中的历史违约次数所确定;
数据预测单元,用于获取信用评估模型中与时间段Tt-1相关联的模型参数,获取模型参数对应的参数转置矩阵;
数据预测单元,还用于获取时间段Tt内的行程特征数据所对应的特征矩阵,将特征矩阵与参数转置矩阵进行矩阵相乘处理,得到目标用户在时间段Tt内的预测行程信用评估值。
在一个实施例中,信用值确定模块包括:
权重获取单元,用于获取时间段Tt-1内的行程信用值对应的第一权重参数,以及时间段Tt内的预测行程信用评估值对应的第二权重参数;
运算单元,用于将时间段Tt-1内的行程信用值与第一权重参数进行相乘处理,得到第一运算行程信用值;
运算单元,还用于将时间段Tt内的预测行程信用评估值与第二权重参数进行相乘处理,得到第二运算行程信用值;
运算单元,还用于将第一运算行程信用值与第二运算行程信用值进行相加处理,得到目标用户在时间段Tt内的行程信用值。
在一个实施例中,该数据处理装置还包括:
上链模块,用于获取哈希函数,基于哈希函数对时间段Tt内的行程信用值进行加密处理,得到加密行程信用值;
上链模块,还用于获取目标用户对应的用户标识,根据用户标识与加密行程信用值生成目标区块;
上链模块,还用于将目标区块上链至区块链中。
在一个实施例中,该数据处理装置还包括:
请求接收模块,用于在时间段Tt内,接收目标终端发送的乘车业务请求;目标终端为目标用户对应的终端;
消耗数据确定模块,用于根据乘车业务请求,在区块链中获取时间段Tt内的行程信用值,根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据;
消耗数据确定模块,还用于将乘车车辆类型与乘车消耗数据,均确定为目标用户针对乘车业务的行程消耗资源,将行程消耗资源发送至目标终端。
在一个实施例中,该数据处理装置还包括:
匹配模块,用于将时间段Tt内的行程信用值与信用值阈值进行匹配;
信息发送模块,用于若时间段Tt内的行程信用值小于信用值阈值,则生成权限提示信息,将权限提示信息发送至目标终端;权限提示信息用于提示目标用户在时间段Tt内的行程信用值不满足乘车条件,目标用户不具备执行乘车业务的权限;
步骤执行模块,用于若时间段Tt内的行程信用值大于或等于信用值阈值,则执行根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据的步骤。
在一个实施例中,消耗数据确定模块包括:
表获取单元,用于获取车辆类型映射表;车辆类型映射表中包括第一配置行程信用值区间与配置车辆类型之间的映射关系;一个第一配置行程信用值区间对应一种配置车辆类型;
类型确定单元,用于将时间段Tt内的行程信用值对应的第一配置行程信用值区间,确定为第一目标行程信用值区间;
类型确定单元,还用于将车辆类型映射表中第一目标行程信用值区间对应的配置车辆类型,确定为乘车车辆类型;
消耗数据确定单元,用于根据时间段Tt内的行程信用值与乘车车辆类型确定乘车消耗数据。
在一个实施例中,消耗数据确定单元,还具体用于获取折扣系数映射表;折扣系数映射表中包括第二配置行程信用值区间与配置折扣系数之间的映射关系;一个第二配置行程信用值区间对应一个配置折扣系数;
消耗数据确定单元,还具体用于将时间段Tt内的行程信用值对应的第二配置行程信用值区间,确定为第二目标行程信用值区间;
消耗数据确定单元,还具体用于将折扣系数映射表中第二目标行程信用值区间对应的配置折扣系数,确定为目标折扣系数;
消耗数据确定单元,还具体用于获取乘车车辆类型所对应的初始乘车消耗数据,将初始乘车消耗数据与目标折扣系数进行相乘处理,得到乘车消耗数据。
在一个实施例中,该数据处理装置还包括:
标签构建模块,用于获取目标用户在时间段Tt-1内的行程特征数据,以及时间段Tt-1内的行程特征数据中的历史违约次数;
标签构建模块,还用于根据历史违约次数构建目标用户在时间段Tt-1内的历史行程信用标签;
模型训练模块,用于根据时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到信用评估模型。
在一个实施例中,标签构建模块包括:
次数获取单元,用于获取至少两个历史用户在时间段Tt-1内的用户违约总次数;至少两个历史用户为在时间段Tt-1内发生乘车行为的用户;至少两个历史用户包括目标用户;
次数获取单元,还用于确定至少两个历史用户对应的用户数量,根据用户违约总次数与用户数量,确定时间段Tt-1内的违约次数均值;
标签构建单元,用于根据历史违约次数与违约次数均值,确定目标用户在时间段Tt-1内的历史行程信用标签。
在一个实施例中,标签构建单元,还具体用于将历史违约次数与违约次数均值进行匹配;
标签构建单元,还具体用于若历史违约次数大于或等于违约次数均值,则将第一数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;第一数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为异常状态;
标签构建单元,还具体用于若历史违约次数小于违约次数均值,则将第二数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;第二数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为正常状态。
在一个实施例中,模型训练模块包括:
模型输入单元,用于将时间段Tt-1内的行程特征数据输入至样本信用评估模型,通过样本信用评估模型中的样本模型参数与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt-1内的预测行程信用评估值;
损失值确定单元,用于根据时间段Tt-1内的预测行程信用评估值与时间段Tt-1内的历史行程信用标签,确定模型损失值;
模型调整单元,用于根据模型损失值对样本模型参数进行训练调整,得到模型参数,将包括模型参数的样本信用评估模型确定为信用评估模型。
本申请实施例一方面提供了一种计算机设备,包括:处理器和存储器;
存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行本申请实施例中的方法。
本申请实施例一方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令当被处理器执行时,执行本申请实施例中的方法。
本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例中一方面提供的方法。
在本申请实施例中,可以通过目标用户在时间段Tt-1的行程特征数据与时间段Tt内的行程特征数据,预测得到该目标用户在时间段Tt内的预测行程信用评估值;随后,可以获取目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt内的预测行程信用评估值与该时间段Tt-1内的行程信用值,可以确定目标用户在时间段Tt内的行程信用值;而基于该时间段Tt内的目标行程信用值,可以计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。可以看出,本申请在乘车业务中,可以基于目标用户在上一个时间段的行程特征数据与本时间段的行程特征数据,准确对目标用户在本时间段内的出行信用进行评价,得到准确的预测行程信用评估值;随后,可以基于上一个时间段内的行程信用值与本时间段内的预测行程信用评估值,得到准确的目标用户在本时间段内的行程信用值,而进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
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,下面将对实施例或现有技术描述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。
图1是本申请实施例提供的一种网络架构图;
图2a-图2b是本申请实施例提供的一种用户乘车的场景示意图;
图3是本申请实施例提供的一种数据处理方法的流程示意图;
图4是本申请实施例提供的一种区块结构示意图;
图5是本申请实施例提供的另一种数据处理方法的流程示意图;
图6是本申请实施例提供的一种系统流程示意图;
图7是本申请实施例提供的一种数据处理装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
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,本领域普通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。
本申请涉及到人工智能领域,为便于理解,以下将对人工智能及其相关技术概念进行阐述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案属于人工智能领域下属的机器学习((MachineLearning,ML)。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
请参见图1,是本申请实施例提供的一种网络架构示意图。区块链是一种分布式数据存储、点对点传输、共识机制以及加密算法等计算机技术的新型应用模式,主要用于对数据按时间顺序进行整理,并加密成账本,使其不可被篡改和伪造,同时可进行数据的验证、存储和更新。区块链本质上是一个去中心化的数据库,该数据库中的每个节点均存储一条相同的区块链,区块链网络将节点区分为核心节点、数据节点以及轻节点,其中核心节点负责区块链全网的共识,也就是说核心节点为区块链网络中的共识节点;数据节点负责同步核心节点账本信息,即同步最新出的区块数据;轻节点属于业务节点,负责从数据节点同步业务相关的区块数据。
对于区块链网络中交易数据被写入账本的过程可以为,客户端发送交易数据至数据节点或轻节点,随后该交易数据以接力棒的方式在区块链网络中的数据节点或轻节点之间传递,直到共识节点收到该交易数据,共识节点再将该交易数据打包进区块,与其他共识节点之间进行共识,在共识通过后,将携带该交易数据的区块写入账本。
其中,可以理解的是,区块链系统中可以包括有智能合约,该智能合约在区块链系统中可以理解为是一种区块链各节点(包括共识节点)可以理解并执行的代码,可以执行任意逻辑并得到结果。用户可以通过客户端发起一个交易业务请求的方式,调用区块链上已经部署的智能合约,随后,区块链上的数据节点或轻节点可以将该交易业务请求发送至共识节点,而区块链上的各个共识节点可以分别运行该智能合约。应当理解,区块链中可以包括一个或多个智能合约,这些智能合约可以标识号(Identity document,ID)或名称来进行区分,而客户端发起的交易业务请求中,也可以携带智能合约的标识号或名称,以此指定区块链需要运行的智能合约。而若客户端所指定的智能合约为需要读取数据的合约,则各个共识节点会访问本地账本来进行数据的读取,最后各个共识节点会互相验证执行结果是否一致(也就是进行共识),若一致则可以将执行结果存入各自的本地账本中,并将执行结果返回至客户端。
如图1所示,该网络架构可以包括核心节点(共识节点)集群1000、数据节点或轻节点集群100以及用户终端(客户端)集群10,该核心节点集群1000可以包括至少两个核心节点,轻节点100可以包括至少两个数据节点。如图1所示,该核心节点集群1000可以包括核心节点1000a、核心节点1000b、…、核心节点1000n,该轻节点100具体可以包括轻节点100a、轻节点100b、…、轻节点100n,该用户终端集群10具体可以包括用户终端10a、用户终端10b、…、用户终端10n。
如图1所示,用户终端10a、用户终端10b、…、用户终端10n可以分别与轻节点100a、轻节点100b、…、轻节点100n进行网络连接,以便于用户终端可以通过该网络连接与轻节点进行数据交互;轻节点100a、轻节点100b、…、轻节点100n可以分别与核心节点1000a、核心节点1000b、…、核心节点1000n进行网络连接,以便于轻节点可以通过该网络连接与核心节点进行数据交互;轻节点100a、轻节点100b、…、轻节点100n互相连接,以便于轻节点之间可以进行数据交互,核心节点1000a、核心节点1000b、…、核心节点1000n互相连接,以便于核心节点之间可以进行数据交互。
可以理解的是,如图1所示的每个用户终端均可以安装有目标应用,当该目标应用运行于各用户终端中时,各用户终端可获取到用户的相关信息。其中,该目标应用可以包括具有显示文字、图像、音频以及视频等数据信息处理功能的应用。如,应用可以为支持导航、乘车功能的应用,如,地图应用、订票应用、食物点餐应用、物流配送应用等等,该应用可以用于用户进行导航、打车等;而用户终端可通过该应用获取到用户的用户信息、打车信息等等。其中,该应用可以为独立的应用,也可以为集成在某客户端(例如,社交客户端、教育客户端以及多媒体客户端等)中的嵌入式应用,在此不做限定。
为便于理解,本申请实施例可以在图1所示的多个用户终端中选择一个用户终端作为目标用户终端,该用户终端可以包括:智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视、智能音箱、台式计算机、智能手表、智能语音交互设备、智能家电、车载终端等携带多媒体数据处理功能(例如,视频数据播放功能、音乐数据播放功能、文本数据播放功能)的智能终端,但并不局限于此。例如,本申请实施例可以将图1所示的用户终端100a作为目标用户终端,该目标用户终端中可以集成有具备该数据信息处理功能的目标应用。此时,该目标用户终端可以通过该目标应用对应的业务数据平台与数据节点集群100之间实现数据交互。
例如,当目标用户在某个时间段内使用目标用户终端中的目标应用(例如,地图应用)时,目标用户可在该目标应用中输入某个地点并选择打车到该地点。相对应的,该时间段可以称之为时间段Tt,也可以称之为待测时间段,而目标用户终端可以获取到目标用户在该时间段内(即时间段Tt内)的行程特征数据,该时间段内的行程特征数据可称之为待测行程特征数据;随后,目标用户终端可将该待测行程特征数据发送至数据节点集群100中的某个数据节点,以数据节点100a为例,目标用户终端可将该待测行程特征数据发送至数据节点100a,而数据节点100a可将该待测行程特征数据发送至核心节点集群1000中的某个核心节点,以核心节点1000a为例,数据节点100a可将该待测行程特征数据发送至核心节点1000a。而进一步地,核心节点1000a可基于该待测行程特征数据确定出目标用户在该时间段Tt内的行程信用值,并将该时间段Tt内的行程信用值上链至所属区块链中。
核心节点1000a可将该时间段Tt内的行程信用值返回至目标用户终端,而目标用户终端可根据该时间段Tt内的行程信用值,确定该目标用户针对该乘车业务的行程消耗资源。其中,该行程消耗资源可以包括车辆品牌类型、车辆司机、打车费用等等;例如,若该时间段Tt内的行程信用值高于某个阈值,则在该时间段Tt内接收到目标用户的乘车请求时,可基于该时间段Tt内的行程信用值为该目标用户分配较好的车辆品牌类型、分配信用较高的司机、并对目标用户的打车费用进行折扣优惠。其中,对于根据待测行程特征数据(即时间段Tt内的行程特征数据)确定出目标用户在该时间段Tt内的行程信用值的具体实现方式,可以参见后续图3所对应实施例中的描述。
可选的,可以理解的是,目标用户终端获取到目标用户在某个时间段(可称之为时间段Tt)内的行程特征数据(可称之为待测行程特征数据)后,可先基于该待测行程特征数据确定出目标用户在时间段Tt内的行程信用值;随后,该目标用户终端可再将该时间段Tt内的行程信用值发送至数据节点100a,并由数据节点100a发送至核心节点1000a;由核心节点1000a将该时间段Tt内的行程信用值上链至所属区块链中,以保障该时间段Tt内的行程信用值的真实性与安全性。
可以理解的是,本发明实施例提供的方法可以由计算机设备执行,计算机设备包括但不限于用户终端或服务器。本发明实施例中的节点可以为计算机设备。
为便于理解,请参见图2a-图2b,图2a-图2b是本申请实施例提供的一种用户乘车的场景示意图。其中,如图2a-图2b所示的用户终端20a可以为上述图1所对应实施例中用户终端集群中的任一用户终端,如,该用户终端为用户终端10a;如图2a-图2b所示的区块链节点可以为上述图1所对应实施例中核心节点集群中的任一核心节点,如该核心节点为核心节点1000b。
如图2a所示,用户a在使用用户终端20a时,可通过安装于用户终端20a中的目标应用(如导航应用),搜索从当前所处地点到达地点A的导航路线;用户终端20a可对应的显示到达地点A的路线以及到达地点A的距离,同时用户终端20a可同时显示打车控件,用户a可点击该打车控件进行打车。应当理解,本申请实施例可定期计算用户(包括用户a)的行程信用值,并根据该行程信用值来计算用户在打车业务(乘车业务)中的行程消耗资源。
而本申请实施例计算用户的行程信用值可基于用户在每一时期(每一个计算行程信用值的时间段)中的行程特征数据来计算。例如,以每隔一个月计算一次用户的行程信用值为例,若2021年1月1日-2021年1月31日为一个计算行程信用值的时间段,则2021年2月1日-2021年2月28日为下一个计算行程信用值的时间段。若用户a点击打车控件的时间为2021年2月10日,则该打车时间所处的时间段为2021年2月1日-2021年2月28日,则需要获取用户a在该2021年2月1日-2021年2月28日这一时间段中的行程特征数据(因为当前时间为2021年2月10日,所以实际为用户a在2021年2月1日-2021年2月10日这一时间段中的行程特征数据),根据该行程特征数据可计算出用户a在该2021年2月1日-2021年2月10日的行程信用值,由此可基于该行程信用值确定出用户a针对乘车业务(打车业务)的行程消耗资源。
通过上述所述,如图2a所示,在用户a点击打车控件后,用户终端20a可对应的响应用户a的这一触发操作,获取到用户a的这一触发操作的触发时间戳,并获取该触发时间戳所处的时间段,可将该触发时间戳所处的时间段确定为待测时间段(也可称之为时间段Tt)。进一步地,用户终端20a可获取到用户a在该待测时间段内的行程特征数据,该待测时间段内的行程特征数据可称之为待测行程特征数据;随后,用户终端20a可将该待测行程特征数据发送至区块链节点。
进一步地,区块链节点可将该待测行程特征数据输入至信用评估模型,通过该信用评估模型可输出该目标用户在该待测时间段内的预测行程信用评估值;随后,区块链节点可从区块链200中获取到与用户a相关联的区块2001,该区块2001中存储有用户a在历史时间段(该待测时间段的上一个时间段,也可称之为时间段Tt-1;如待测时间段为上述2021年2月1日-2021年2月28日,则该历史时间段可为上述2021年1月1日-2021年1月31日)内的行程信用值,区块链节点可获取到该区块2001中所存储的该用户a在时间段Tt-1内的行程信用值。进一步地,根据该用户a在时间段Tt-1内的行程信用值以及该用户a在该待测时间段(时间段Tt)内的预测行程信用评估值,区块链节点可确定出该用户a在该待测时间段内的行程信用值。其中,上述信用评估模型可基于用户a在该历史时间段(时间段Tt-1)内的行程特征数据所训练得到,其具体训练模型得到信用评估模型的方式,可参见后续图5所对应实施例中的描述;根据时间段Tt-1内的行程信用值以及时间段Tt内的预测行程信用评估值,确定时间段Tt内的行程信用值的具体实现方式,可参见后续图3所对应实施例中的描述。
进一步地,如图2b所示,区块链节点可根据该时间段Tt内的行程信用值生成区块2002,并将该区块2002上链至区块链200中。应当理解,区块链节点可根据该时间段Tt内的行程信用值,确定出用户a在针对该乘车业务的行程消耗资源。其中,以行程消耗资源包括车辆品牌(车辆类型)与打车费用为例,若该时间段Tt内的行程信用值大于阈值,则可为用户a分配较好的车辆品牌(车辆类型),同时给予用户a一定的折扣。例如,如图2b所示,用户a在时间段Tt内的行程信用值为98,该行程信用值98大于了阈值75,则可获取该行程信用值98对应的车辆类型为车辆类型1、车辆类型2以及车辆类型3,同时还可获取该行程信用值98对应的折扣系数为20%。可获取该车辆类型1对应的初始打车费用1,根据该初始打车费用1以及该折扣系数20%可确定用户a使用车辆类型1的车辆所需的打车费用为11元;同理,可获取车辆类型2对应的初始打车费用2,根据该初始打车费用2以及该折扣系数20%可确定用户a使用车辆类型2的车辆所需的打车费用为15元;同理,可获取车辆类型3对应的初始打车费用3,根据该初始打车费用3以及该折扣系数20%可确定用户a使用车辆类型3的车辆所需的打车费用为13元。则用户a针对乘车业务的行程消耗资源可包括{车辆类型1:11元;车辆类型2:15元;车辆类型3:13元},区块链节点可将该行程消耗资源返回至用户终端20a。
进一步地,用户终端20a可在其显示界面中显示该行程消耗资源,同时,用户终端20a可在该显示界面中一并显示同时呼叫控件,若用户a点击该同时呼叫控件,则可同时呼叫车辆类型为车辆类型1、车辆类型2以及车辆类型3的车辆,在成功呼叫到车辆后,用户a可乘坐该车辆。
应当理解,本申请通过用户在每个时间段的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
进一步地,请参见图3,图3是本申请实施例提供的一种数据处理方法的流程示意图。其中,该方法可以由用户终端(例如,上述图1所示的用户终端集群中的任一用户终端,如用户终端100b)执行,也可以由区块链节点(例如,上述图1所示的核心节点集群中的任一核心节点,如核心节点1000b)执行,还可以由用户终端和核心节点共同执行。为便于理解,本实施例以该方法由上述核心节点执行为例进行说明。其中,该方法至少可以包括以下步骤S101-步骤S103:
步骤S101,获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;所述时间段Tt-1是所述时间段Tt的上一个时间段;t为大于1的正整数。
本申请中,可定期计算目标用户的行程信用值,例如,可每隔一周、每隔一个月、每隔两个月、每隔半年、每隔一年……等计算一次目标用户的行程信用值。以每隔一个月计算一次目标用户的行程信用值为例,每一个计算目标用户的时期可为2021年1月1日-2021年1月31日、2021年2月1日-2021年2月28(或29)日、2021年3月1日-2021年3月31日……以此类推。每一个计算目标用户的时期可作为一个时间段,时间段Tt可以为已经计算完行程信用值的下一个时间段,而时间段Tt-1可以为已经计算完行程信用值的最后一个时间段。例如,已经计算完成目标用户在2021年1月1日-2021年1月31日、2021年2月1日-2021年2月28(或29)日、2021年3月1日-2021年3月31日的行程信用值,则2021年3月1日-2021年3月31日可以理解为已经计算完目标用户的行程信用值的最后一个时间段,则该2021年3月1日-2021年3月31日可称之为时间段Tt-1,而位于2021年3月1日-2021年3月31日的下一个时间段即2021年4月1日-2021年4月30日,即可称之为时间段Tt。该时间段Tt又可称之为待测时间段,而该时间段Tt-1也可称之为待测时间段的上一个历史时间段。
可以理解的是,本申请可根据目标用户在时间段Tt(即待测时间段)中的行程特征数据、以及在时间段Tt-1中的行程特征数据,来共同计算目标用户在时间段Tt内的行程信用值。其中,目标用户在时间段Tt中的行程特征数据可称之为待测行程特征数据,目标用户在时间段Tt-1中的行程特征数据可称之为历史行程特征数据。其中,目标用户在每个时间段内的行程特征数据可包括目标用户在每个时间段内的出行特征信息,该出行特征信息可包括目标用户在电子不停车收费系统(Electronic Toll Collection,ETC)中的账户信息(如,账户状态信息、账户余额信息、平均充值金额、欠费金额、欠费时长等等)、目标用户的乘车信息(如,打车频率、取消频率、取消原因信息、打车时的预约乘车人数、上车时的实际乘车人数、每一次的打车费用、更换车辆信息等等)、目标用户针对乘车业务(打车业务)的交易信息(如,延迟付费金额、延迟付费频率、延迟付费时长等延迟付费信息;使用优惠券金额、优惠券点击使用、优惠券取消使用、优惠券过期信息等优惠券使用信息)、目标用户针对打车业务的行程状态信息(如,目标用户在乘车业务的行驶过程中修改行程信息、迟到信息、司机取消行程信息等)、司机对目标用户的评分信息等等。
那么显然目标用户在时间段Tt以及时间段Tt-1内的行程特征数据也可包括目标用户在时间段Tt内的上述出行特征信息。
步骤S102,根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值。
本申请中,对于根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值的具体实现方式的可为:可将时间段Tt内的行程特征数据输入至信用评估模型;其中,信用评估模型是基于时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签,共同对样本信用评估模型进行训练所得到的;该时间段Tt-1内的历史行程信用标签基于时间段Tt-1内的行程特征数据中的历史违约次数所确定;随后,可获取信用评估模型中与时间段Tt-1相关联的模型参数,并获取到该模型参数对应的参数转置矩阵;随后,可获取该时间段Tt内的行程特征数据所对应的特征矩阵,将该特征矩阵与该参数转置矩阵进行矩阵相乘处理,即可得到目标用户在时间段Tt内的预测行程信用评估值(出行信用评分)。
应当理解,目标用户在时间段Tt-1内的行程特征数据中包括有目标用户在时间段Tt-1内的乘车信息,而该目标用户在时间段Tt-1内的乘车信息又包括有目标用户在该时间段Tt-1内的取消打车次数,那么该目标用户在时间段Tt-1内的取消打车次数即可称之为历史违约次数,可先获取该时间段Tt-1内的行程特征数据中的历史违约次数,根据该历史违约次数可确定出目标用户在该时间段Tt-1内的历史行程信用标签。根据该时间段Tt-1内的行程特征数据以及该时间段Tt-1内的历史行程信用标签,即可对样本信用评估模型进行训练,得到信用评估模型。
上述样本信用评估模型可为初始化的有监督的机器学习模型,如,逻辑回归模型、支持向量机(Support Vector Machine,SVM)模型、决策树模型、随机森林模型等;根据该时间段Tt-1内的行程特征数据以及时间段Tt-1内的行程信用标签即可共同对该样本信用评估模型进行训练,得到可用于预测目标用户在时间段Tt内的预测行程信用评估值的信用评估模型。其中,对于根据历史违约次数确定出目标用户在该时间段Tt-1内的历史行程信用标签、以及根据时间段Tt-1内的行程特征数据与历史行程信用标签共同训练样本信用评估模型的具体实现方式,可以参见后续图5所对应实施例中的描述。
其中,预测目标用户在时间段Tt内的预测行程信用评估值的具体方式可如以下公式(1)所示:
其中,W(t-1)可用于表征基于t-1期(时间段Tt-1)的行程特征数据,所训练样本信用评估模型后,得到的信用评估模型中的模型参数;(W(t-1))T可用于表征模型参数的W(t-1)的转置矩阵(即);X(t)可用于表征t期(时间段Tt)的待行程特征数据(即);St可用于表征目标用户在t期的行程信用值。
步骤S103,获取目标用户在时间段Tt-1内的行程信用值,根据时间段Tt-1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值;时间段Tt内的行程信用值用于确定目标用户在时间段Tt内针对乘车业务的行程消耗资源;时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定目标用户在时间段Tt+1内的行程信用值;时间段Tt+1是时间段Tt的下一个时间段;时间段Tt+1内的预测行程信用评估值基于目标用户在时间段Tt+1内的行程特征数据,以及在时间段Tt内的行程特征数据所确定。
本申请中,为保障目标用户在每个时间段内的行程信用值的真实性与安全性,可在计算得到目标用户在每个时间段内的行程信用值后,将该行程信用值上链至区块链中。则目标用户在时间段Tt-1内的行程信用值也会存储在区块链中,那么在计算得到目标用户在时间段Tt内的预测行程信用评估值后,可获取区块链中所存储的目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt-1内的行程信用值与该时间段Tt内的预测行程信用评估值,可共同确定出目标用户在时间段Tt内的行程信用值。
而对于根据该时间段Tt-1内的行程信用值与该时间段Tt内的预测行程信用评估值,共同确定出目标用户在时间段Tt内的行程信用值的具体实现方式可为:可获取时间段Tt-1内的行程信用值对应的第一权重参数,以及时间段Tt内的预测行程信用评估值对应的第二权重参数;可将时间段Tt-1内的行程信用值与第一权重参数进行相乘处理,得到第一运算行程信用值;可将时间段Tt内的预测行程信用评估值与第二权重参数进行相乘处理,得到第二运算行程信用值;将第一运算行程信用值与第二运算行程信用值进行相加处理,即可得到目标用户在时间段Tt内的行程信用值。
可以理解的是,第一权重参数与第二权重参数可为人为规定数值,例如,可将第一权重参数与第二权重参数均设置为1,那么当使用信用评估模型得到时间段Tt内的预测行程信用评估值后,可直接将时间段Tt内的预测行程信用评估值与时间段Tt-1内的行程信用值进行相加,即可得到目标用户在时间段Tt内的行程信用值。可选的,第一权重参数与第二权重参数也可为通过机器学习所训练得到的参数。
可以理解的是,在确定出目标用户在时间段Tt内的行程信用值后,可将该时间段Tt内的行程信用值上链至区块链中,由此,当计算目标用户在时间段Tt的下一个时间段(如时间段Tt+1)的行程信用值时,可从区块链中获取该时间段Tt的行程信用值,并基于该目标行程信用值计算确定下一个时间段的行程信用值。其中对于将时间段Tt内的行程信用值上链至区块链的具体实现方式可为:可获取哈希函数,可基于哈希函数对时间段Tt内的行程信用值进行加密处理,得到加密行程信用值;随后,可获取目标用户对应的用户标识,根据用户标识与加密行程信用值可生成目标区块;可将目标区块上链至区块链中,由此完成上链至区块链的过程。
需要说明的是,目标用户在每个时间段内的行程信用值可用于计算确定目标用户在其对应时间段内针对乘车业务(打车业务)的行程消耗资源(如,打车费用、打车折扣、车辆品牌类型信息、司机信息等资源);而若当目标用户在某个待测时间段内(如时间段Tt)的某个时间戳下,存在打车需求时,那么从该待测时间段的起始时间到该时间戳所组成的时间段,可作为一个待测子时间段,因为该时间戳以后的时间段属于未来时间段,该目标用户还未存在有行程特征数据,那么所获取到的目标用户在待测时间段内的待测行程特征数据,实际为目标用户在该待测子时间段内的行程特征数据,那么基于该待测子时间段内的行程特征数据所计算确定的行程信用值,是对应于该待测子时间段的。此时,因为该待测子时间段属于该待测时间段,那么该行程信用值当然可称之为是待测时间段内的行程信用值,也可以将该待测子时间段对应的行程信用值上链至区块链中;但是,当时间戳到达该待测时间段(如时间段Tt)对应的最大时间戳时,可再次获取到目标用户在该待测时间段内的全部的行程特征数据,并计算出目标用户在该待测时间段内的行程总信用值(也可称之为待测时间段内的行程信用值),随后,可将该行程总信用值上链至区块链中,而在计算待测时间段内的下一个时间段(如时间段Tt+1)的行程信用值时,可使用该待测时间段内的行程总信用值来计算确定,而非使用上述待测子时间段对应的行程信用值来计算确定。
例如,历史时间段(时间段Tt-1)为2021年5月1日-2021年5月31日,历史时间段对应的行程信用值为88;待测时间段(时间段Tt)为2021年6月1日-2021年6月30日,而目标用户当前所处的时间日期为2021年6月15日,2021年6月16日直至以后均属于还未到来的未来日期,那么当目标用户在2021年6月15日存在打车需求时,区块链节点在接收到目标用户通过其对应的目标终端发送的打车请求(乘车业务请求)后,可获取目标用户在2021年6月1日-2021年6月15日内的行程特征数据,并将该行程特征数据作为待测行程特征数据,2021年6月1日-2021年6月15日即为待测子时间段;随后,可基于上述时间段Tt-1内的行程信用值88以及该2021年6月1日-2021年6月15日内的待测行程特征数据,共同确定出目标用户在2021年6月1日-2021年6月15日内的行程信用值,可基于该行程信用值计算确定目标用户针对该乘车业务的行程消耗资源。
应当理解,可将该目标用户在2021年6月1日-2021年6月15日内的行程信用值上链至区块链中,以保证该行程信用值的真实性与安全性;而当时间到达2021年6月15日时,可再次获取目标用户在2021年6月1日-2021年6月30日的行程特征数据,并将之作为待测行程特征数据;随后,可基于该2021年6月1日-2021年6月30日的行程特征数据计算确定目标用户在2021年6月1日-2021年6月30日内的目标行程信用值(即行程总信用值),可将该目标用户在2021年6月1日-2021年6月30日内的行程总信用值上链至区块链中,同时,在计算确定目标用户在2021年7月1日-2021年7月31日内的行程信用值时,可基于该目标用户在2021年6月1日-2021年6月30日内的行程总信用值计算确定目标用户在2021年7月1日-2021年7月31日内的行程信用值。
上述可知,目标用户在每个时间段内的行程信用值可用于计算确定目标用户在其对应时间段内针对乘车业务(打车业务)的行程消耗资源,那么目标用户在时间段Tt内的行程信用值,也可用于计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。其中,该行程消耗资源可包括乘车费用、乘车折扣、车辆信息、司机信息、车辆类型品牌等信息,应当理解,本申请可提供一种折扣标准,即可以根据目标用户的目标行程信用值,配置相应的折扣方式以及车辆分配方式。在一种可行的方式中,出行信用评分(目标行程信用值)越高的目标用户可获得较多折扣(也可获取较好的车辆品牌类型以及评分较高的司机);而出行信用评分(目标行程信用值)越低的目标用户获得越低的折扣甚至不折扣(或增多打车费用)、同时也不会为其分配较好的车辆品牌类型或评分较高的司机。应当理解,通过基于目标行程信用值进行折扣的方式,能够鼓励乘客文明出行、信用出行。
为便于理解,以下将以行程消耗资源包括车辆类型以及打车费用为例,对根据目标用户在时间段Tt内的行程信用值,计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源的具体方式进行阐述。其具体方式可为:在时间段Tt内,可接收目标终端发送的乘车业务请求;其中,目标终端可为目标用户对应的终端;根据乘车业务请求,可在区块链中获取时间段Tt内的行程信用值,根据时间段Tt内的行程信用值可确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据(可理解为打车费用);随后,可将乘车车辆类型与乘车消耗数据,均确定为目标用户针对乘车业务的行程消耗资源,可将行程消耗资源发送至目标终端。
其中,应当理解,若目标用户在时间段Tt内的行程信用值过低,那么可取消该目标用户的打车权限,该目标用户在该时间段Tt内并不具备打车资格,由此以警示该目标用户信用出行、文明出行。其具体方法可为:可将时间段Tt内的行程信用值与信用值阈值进行匹配;若时间段Tt内的行程信用值小于信用值阈值,则可生成权限提示信息,可将权限提示信息发送至目标终端;其中,该权限提示信息用于提示目标用户在时间段Tt内的行程信用值不满足乘车条件,目标用户不具备执行乘车业务的权限;而若时间段Tt内的行程信用值大于或等于信用值阈值,则可执行上述根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据的步骤。
进一步地,在目标用户在时间段Tt内的行程信用值大于信用值阈值后,可根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据,其具体方式可:可获取车辆类型映射表;其中,车辆类型映射表中可包括第一配置行程信用值区间与配置车辆类型之间的映射关系;一个第一配置行程信用值区间对应一种配置车辆类型;随后可将时间段Tt内的行程信用值对应的第一配置行程信用值区间,确定为第一目标行程信用值区间;可将车辆类型映射表中第一目标行程信用值区间对应的配置车辆类型,确定为乘车车辆类型;根据时间段Tt内的行程信用值与乘车车辆类型可确定乘车消耗数据。
其中,根据时间段Tt内的行程信用值与乘车车辆类型确定乘车消耗数据的具体方式可为:可获取折扣系数映射表;其中,折扣系数映射表中包括第二配置行程信用值区间与配置折扣系数之间的映射关系;一个第二配置行程信用值区间对应一个配置折扣系数;可将时间段Tt内的行程信用值对应的第二配置行程信用值区间,确定为第二目标行程信用值区间;可将折扣系数映射表中第二目标行程信用值区间对应的配置折扣系数,确定为目标折扣系数;随后可获取乘车车辆类型所对应的初始乘车消耗数据,可将初始乘车消耗数据与目标折扣系数进行相乘处理,即可得到最终的乘车消耗数据。
应当理解,上述目标用户可理解为乘车业务中的乘客,该目标用户还可为乘车业务中的司机。本申请所提供的方案也可定期计算司机的出行信用评分(行程信用值)。在目标用户为司机时,上述行程特征数据可包括司机在ETC中的账户信息、司机的出行信息(如,载客频率、取消频率、取消原因信息等)、司机针对乘车业务的交易信息(如,额外加费用金额、额外加费用频率等)、司机针对打车业务的行程状态信息(如,司机在行驶过程中延长路线信息、修改行程信息、增加乘客信息、迟到信息、取消行程信息、乘客取消行程信息等)、乘客对司机的评分信息等等。本申请也可采用上述方法,基于司机在每个时间段内的行程特征数据,计算确定司机在每个时间段内的行程信用值。而该行程信用值可用于确定司机是否具备针对乘客的打车业务的抢单资格(司机的行程信用值较高时,才可具备抢单资格);而在获取到乘客的打车请求时,可优先将该乘客的打车订单优先分配至行程信用值较高的司机。
在本申请实施例中,可以通过目标用户在时间段Tt-1的行程特征数据与时间段Tt内的行程特征数据,预测得到该目标用户在时间段Tt内的预测行程信用评估值;随后,可以获取目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt内的预测行程信用评估值与该时间段Tt-1内的行程信用值,可以确定目标用户在时间段Tt内的行程信用值;而基于该时间段Tt内的目标行程信用值,可以计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。可以看出,本申请在乘车业务中,可以基于目标用户在上一个时间段的行程特征数据与本时间段的行程特征数据,准确对目标用户在本时间段内的出行信用进行评价,得到准确的预测行程信用评估值;随后,可以基于上一个时间段内的行程信用值与本时间段内的预测行程信用评估值,得到准确的目标用户在本时间段内的行程信用值,而进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
为便于理解从区块链获取数据以及将数据上链至区块链的具体流程,请一并参见图4,图4是本申请实施例提供的一种区块结构示意图。应当理解,待测时间段(时间段Tt)可理解为如图4所示的t期,而时间段Tt-1可理解为如图4所示的t-1期;可使用t-1期的行程特征数据训练样本信用评估模型,得到t期的信用评估模型,而通t期的信用评估模型与t期的行程特征数据,可计算确定目标用户在t期的出行信用分(行程信用值)。同理,可使用t-2期的行程特征数据训练样本信用评估模型,得到t-1期的信用评估模型,而通过t-1期的信用评估模型与t-1期的行程特征数据,可计算确定目标用户在t-1期的出行信用分(行程信用值)。根据t期的出行信用分,可生成区块40b;根据t-1期的出行信用分,可生成区块40a。
如图4所示,区块链中每个区块都可包含上一个区块的所有信息的哈希值(即如图4所示的父区块哈希值),每个区块(包括区块40a与区块40b)的信息可包括:区块标识(Identity document,ID)、父区块哈希值、时间戳、随机数、出行信用分。在计算确定t-1期的出行信用分后,可基于该t-1期的出行信用分生成区块40a,随后可采用哈希算法对该区块40a进行加密,并生成目标用户对应的私钥,可将私钥发送至目标用户对应的目标终端,目标终端可基于该私钥对该区块40a进行解密以查看该区块40a中的出行信用分。
同时,可将区块40a的区块哈希值作为父区块哈希值传给下一区块节点(即t期的区块节点),而在计算t期的出行信用分时,可采用公钥技术对该区块40a的区块哈希值进行验签,以验证数据的真实性。使用公钥技术可获取到区块40a中的出行信用分,根据该区块40a中的出行信用分、t期的信用评估模型以及t期的行程特征数据,可共同确定出t期的出行信用分,可基于该出行信用分生成区块40b。同理,可采用哈希算法对该区块40b进行加密,并生成目标用户对应的私钥,可将私钥发送至目标用户对应的目标终端,目标终端可基于该私钥对该区块40b进行解密以查看该区块40b中的出行信用分。同时,可将区块40b的区块哈希值作为父区块哈希值传给下一区块节点(即t+1期的区块节点)。
在本申请实施例中,可以通过目标用户在时间段Tt-1的行程特征数据与时间段Tt内的行程特征数据,预测得到该目标用户在时间段Tt内的预测行程信用评估值;随后,可以获取目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt内的预测行程信用评估值与该时间段Tt-1内的行程信用值,可以确定目标用户在时间段Tt内的行程信用值;而基于该时间段Tt内的目标行程信用值,可以计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。可以看出,本申请在乘车业务中,可以基于目标用户在上一个时间段的行程特征数据与本时间段的行程特征数据,准确对目标用户在本时间段内的出行信用进行评价,得到准确的预测行程信用评估值;随后,可以基于上一个时间段内的行程信用值与本时间段内的预测行程信用评估值,得到准确的目标用户在本时间段内的行程信用值,而进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
进一步地,请参见图5,图5是本申请实施例提供的一种模型训练的方法流程示意图。该方法可以由用户终端(例如,上述图1所示的用户终端集群中的任一用户终端,如用户终端100b)执行,也可以由区块链节点(例如,上述图1所示的核心节点集群中的任一核心节点,如核心节点1000b)执行,还可以由用户终端和核心节点共同执行。为便于理解,本实施例以该方法由上述核心节点执行为例进行说明。其中,该方法至少可以包括以下步骤S201-步骤S203:
步骤S201,获取目标用户在时间段Tt-1内的行程特征数据,以及时间段Tt-1内的行程特征数据中的历史违约次数。
本申请中,对于时间段Tt-1、时间段Tt-1内的行程特征数据以及历史违约次数的具体释义,可参见上述图3所对应实施例中的描述,这里将不再进行赘述。
步骤S202,根据历史违约次数构建目标用户在时间段Tt-1内的历史行程信用标签。
本申请中,对于根据历史违约次数构建目标用户在时间段Tt-1内的历史行程信用标签的具体实现方式可为:可获取至少两个历史用户在时间段Tt-1内的用户违约总次数;其中,至少两个历史用户为在时间段Tt-1内发生乘车行为的用户;且至少两个历史用户包括目标用户;随后,可确定至少两个历史用户对应的用户数量,根据用户违约总次数与用户数量,可确定时间段Tt-1内的违约次数均值;根据历史违约次数与违约次数均值,即可确定目标用户在时间段Tt-1内的历史行程信用标签。
其中,根据历史违约次数与违约次数均值,确定目标用户在时间段Tt-1内的历史行程信用标签的具体方法可为:可将历史违约次数与违约次数均值进行匹配;若历史违约次数大于或等于违约次数均值,则可将第一数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;其中,第一数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为异常状态;而若历史违约次数小于违约次数均值,则可将第二数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;其中,第二数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为正常状态。
应当理解,上述至少两个历史用户即在时间段Tt-1内发生打车行为的用户(即时间段Tt-1内的所有乘客);可获取这些乘客中,发生了取消行程的取消次数,该次数即为上述用户违约总次数。如,用户a在时间段Tt-1内取消了一次行程,用户b在时间段Tt-1内取消了一次行程,用户c在时间段Tt-1内取消了一次行程,则该用户违约总次数即可为3。根据所有乘客取消行程的总次数以及所有乘客的乘客数量,即可确定出时间段Tt-1内的平均取消行程次数(即违约次数均值)。而目标用户的取消行程次数(历史违约次数)大于或等于了该平均取消行程次数,则可将该目标用户的历史行程信用标签标记为0(即第一数值标签);而若目标用户的取消行程次数小于了该平均取消行程次数,则可将该目标用户的历史行程信用标签标记为1(即第二数值标签)。
步骤S203,根据时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到信用评估模型。
本申请中,对于根据时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到信用评估模型的具体实现方式可为:可将时间段Tt-1内的行程特征数据输入至样本信用评估模型,通过样本信用评估模型中的样本模型参数与时间段Tt-1内的行程特征数据,可预测目标用户在时间段Tt-1内的预测行程信用评估值;根据时间段Tt-1内的预测行程信用评估值与历史行程信用标签,可确定模型损失值;根据模型损失值可对样本模型参数进行训练调整,得到模型参数,可将包括模型参数的样本信用评估模型确定为信用评估模型。
应当理解,若模型损失值满足模型未满足模型收敛条件,则可基于模型损失值对样本模型参数进行调整;而若模型损失值满足了模型收敛条件,则可不再进行训练调整,将满足模型收敛条件时的样本模型参数确定为最终的模型参数,将包括模型参数的样本信用评估模型确定为最终的信用评估模型。
在本申请实施例中,通过时间段Tt-1内的行程特征数据来对信用评估模型进行训练,可以使得信用评估模型能够准确的预测出时间段Tt对应的预测行程信用评估值,进而可以基于准确的时间段Tt内的预测行程信用评估值,得到准确的时间段Tt内的行程信用值。进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
进一步地,请参见图6,图6是本申请实施例提供的一种系统流程示意图。
如图6所示,该流程可以包括以下步骤S301-步骤S307:
步骤S301,获取时间段Tt-1内的行程特征数据。
步骤S302,根据时间段Tt-1内的行程特征数据构建时间段Tt-1内的历史行程信用标签。
本申请中,对于步骤S301-步骤S302的具体实现方式,可以参见上述图4所对应实施例中步骤S201的描述,这里将不再进行赘述。
步骤S303,构建训练样本。
本申请中,可将时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签进行对接,得到初始样本数据。可按一定比例,将初始样本数据划分为训练样本以及测试样本。如,可按照8:2的比例将初始样本数据划分为训练样本(比例为80%)和测试样本(比例为20%)。
步骤S304,输入训练样本对样本信用评估模型进行训练。
本申请中,可将训练样本输入至样本信用评估模型中,对样本信用评估模型进行训练,由此可得到信用评估模型。
步骤S305,根据信用评估模型预测目标用户在待测时间段内的预测行程信用评估值。
步骤S306,根据预测行程信用评估值确定目标用户在时间段Tt内的行程信用值。
步骤S307,根据时间段Tt内的行程信用值确定目标用户针对乘车业务的行程消耗资源。
其中,对于步骤S305-步骤S307的具体实现方式,可以参见上述图3所对应实施例中步骤S101-步骤S103的描述,这里将不再进行赘述。
在本申请实施例中,可以通过目标用户在时间段Tt-1的行程特征数据与时间段Tt内的行程特征数据,预测得到该目标用户在时间段Tt内的预测行程信用评估值;随后,可以获取目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt内的预测行程信用评估值与该时间段Tt-1内的行程信用值,可以确定目标用户在时间段Tt内的行程信用值;而基于该时间段Tt内的目标行程信用值,可以计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。可以看出,本申请在乘车业务中,可以基于目标用户在上一个时间段的行程特征数据与本时间段的行程特征数据,准确对目标用户在本时间段内的出行信用进行评价,得到准确的预测行程信用评估值;随后,可以基于上一个时间段内的行程信用值与本时间段内的预测行程信用评估值,得到准确的目标用户在本时间段内的行程信用值,而进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
进一步地,请参见图7,图7是本申请实施例提供的一种数据处理装置的结构示意图。该数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该数据处理装置为一个应用软件;该数据处理装置可以用于执行图3所示的方法。如图7所示,该数据处理装置1可以包括:数据获取模块11、数据预测模块12、信用值确定模块13。
数据获取模块11,用于获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;时间段Tt-1是时间段Tt的上一个时间段;t为大于1的正整数;
数据预测模块12,用于根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值;
信用值确定模块13,用于获取目标用户在时间段Tt-1内的行程信用值;
信用值确定模块13,还用于根据时间段Tt-1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值;时间段Tt内的行程信用值用于确定目标用户在时间段Tt内针对乘车业务的行程消耗资源;时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定目标用户在时间段Tt+1内的行程信用值;时间段Tt+1是时间段Tt的下一个时间段;时间段Tt+1内的预测行程信用评估值基于目标用户在时间段Tt+1内的行程特征数据,以及在时间段Tt内的行程特征数据所确定。
其中,数据获取模块11、数据预测模块12以及信用值确定模块13的具体实现方式,可以参见上述图3所对应实施例中步骤S101-步骤S103的描述,这里将不再进行赘述。
请参见图7,数据预测模块12可以包括:数据输入单元121与数据预测单元122。
数据输入单元121,用于将时间段Tt内的行程特征数据输入至信用评估模型;信用评估模型是基于时间段Tt-1内的行程特征数据,与时间段Tt-1内的历史行程信用标签,共同对样本信用评估模型进行训练所得到的;时间段Tt-1内的历史行程信用标签,基于时间段Tt-1内的行程特征数据中的历史违约次数所确定;
数据预测单元122,用于获取信用评估模型中与时间段Tt-1相关联的模型参数,获取模型参数对应的参数转置矩阵;
数据预测单元122,还用于获取时间段Tt内的行程特征数据所对应的特征矩阵,将特征矩阵与参数转置矩阵进行矩阵相乘处理,得到目标用户在时间段Tt内的预测行程信用评估值。
其中,数据输入单元121与数据预测单元122的具体实现方式,可以参见上述图3所对应实施例中步骤S102中的描述,这里将不再进行赘述。
请参见图7,信用值确定模块13可以包括:权重获取单元131与运算单元132。
权重获取单元131,用于获取时间段Tt-1内的行程信用值对应的第一权重参数,以及时间段Tt内的预测行程信用评估值对应的第二权重参数;
运算单元132,用于将时间段Tt-1内的行程信用值与第一权重参数进行相乘处理,得到第一运算行程信用值;
运算单元132,还用于将时间段Tt内的预测行程信用评估值与第二权重参数进行相乘处理,得到第二运算行程信用值;
运算单元132,还用于将第一运算行程信用值与第二运算行程信用值进行相加处理,得到目标用户在时间段Tt内的行程信用值。
其中,权重获取单元131与运算单元132的具体实现方式,可以参见上述图3所对应实施例中步骤S103中的描述,这里将不再进行赘述。
请参见图7,该数据处理装置1还可以包括:上链模块14。
上链模块14,用于获取哈希函数,基于哈希函数对目标行程信用值进行加密处理,得到加密行程信用值;
上链模块14,还具体用于获取目标用户对应的用户标识,根据用户标识与加密行程信用值生成目标区块;
上链模块14,还具体用于将目标区块上链至区块链中。
其中,上链模块14的具体实现方式,可以参见上述图3所对应实施例中步骤S103中的描述,这里将不再进行赘述。
请参见图7,该数据处理装置1还可以包括:请求接收模块15与消耗数据确定模块16。
请求接收模块15,用于在时间段Tt内,接收目标终端发送的乘车业务请求;目标终端为目标用户对应的终端;
消耗数据确定模块16,用于根据乘车业务请求,在区块链中获取时间段Tt内的行程信用值,根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据;
消耗数据确定模块16,还用于将乘车车辆类型与乘车消耗数据,均确定为目标用户针对乘车业务的行程消耗资源,将行程消耗资源发送至目标终端。
其中,请求接收模块15与消耗数据确定模块16的具体实现方式,可以参见上述图3所对应实施例中步骤S103中的描述,这里将不再进行赘述。
请参见图7,该数据处理装置1还可以包括:匹配模块17、信息发送模块18以及步骤执行模块19。
匹配模块17,用于将时间段Tt内的行程信用值与信用值阈值进行匹配;
信息发送模块18,用于若时间段Tt内的行程信用值小于信用值阈值,则生成权限提示信息,将权限提示信息发送至目标终端;权限提示信息用于提示目标用户在时间段Tt内的行程信用值不满足乘车条件,目标用户不具备执行乘车业务的权限;
步骤执行模块19,用于若时间段Tt内的行程信用值大于或等于信用值阈值,则执行根据时间段Tt内的行程信用值确定目标用户的乘车车辆类型,以及乘车车辆类型所指向的乘车消耗数据的步骤。
其中,匹配模块17、信息发送模块18以及步骤执行模块19的具体实现方式,可以参见上述图3所对应实施例中步骤S103中的描述,这里将不再进行赘述。
请参见图7,消耗数据确定模块16可以包括:表获取单元161、类型确定单元162以及消耗数据确定单元163。
表获取单元161,用于获取车辆类型映射表;车辆类型映射表中包括第一配置行程信用值区间与配置车辆类型之间的映射关系;一个第一配置行程信用值区间对应一种配置车辆类型;
类型确定单元162,用于将时间段Tt内的行程信用值对应的第一配置行程信用值区间,确定为第一目标行程信用值区间;
类型确定单元162,还用于将车辆类型映射表中第一目标行程信用值区间对应的配置车辆类型,确定为乘车车辆类型;
消耗数据确定单元163,用于根据时间段Tt内的行程信用值与乘车车辆类型确定乘车消耗数据。
其中,表获取单元161、类型确定单元162以及消耗数据确定单元163的具体实现方式,可以参见上述图3所对应实施例中步骤S103中的描述,这里将不再进行赘述。
在一个实施例中,消耗数据确定单元163,还具体用于获取折扣系数映射表;折扣系数映射表中包括第二配置行程信用值区间与配置折扣系数之间的映射关系;一个第二配置行程信用值区间对应一个配置折扣系数;
消耗数据确定单元163,还具体用于将时间段Tt内的行程信用值对应的第二配置行程信用值区间,确定为第二目标行程信用值区间;
消耗数据确定单元163,还具体用于将折扣系数映射表中第二目标行程信用值区间对应的配置折扣系数,确定为目标折扣系数;
消耗数据确定单元163,还具体用于获取乘车车辆类型所对应的初始乘车消耗数据,将初始乘车消耗数据与目标折扣系数进行相乘处理,得到乘车消耗数据。
请参见图7,该数据处理装置1还可以包括:标签构建模块21与模型训练模块22。
标签构建模块21,用于获取目标用户在时间段Tt-1内的行程特征数据,以及时间段Tt-1内的行程特征数据中的历史违约次数;
标签构建模块21,还用于根据历史违约次数构建目标用户在时间段Tt-1内的历史行程信用标签;
模型训练模块22,用于根据时间段Tt-1内的行程特征数据与时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到信用评估模型。
其中,标签构建模块21与模型训练模块22的具体实现方式,可以参见上述图5所对应实施例中步骤S201-步骤S203中的描述,这里将不再进行赘述。
在一个实施例中,标签构建模块21可以包括:次数获取单元211与标签构建单元212。
次数获取单元211,用于获取至少两个历史用户在时间段Tt-1内的用户违约总次数;至少两个历史用户为在时间段Tt-1内发生乘车行为的用户;至少两个历史用户包括目标用户;
次数获取单元211,还用于确定至少两个历史用户对应的用户数量,根据用户违约总次数与用户数量,确定时间段Tt-1内的违约次数均值;
标签构建单元212,用于根据历史违约次数与违约次数均值,确定目标用户在时间段Tt-1内的历史行程信用标签。
其中,次数获取单元211与标签构建单元212的具体实现方式,可以参见上述图5所对应实施例中步骤S202中的描述,这里将不再进行赘述。
在一个实施例中,标签构建单元212,还具体用于将历史违约次数与违约次数均值进行匹配;
标签构建单元212,还具体用于若历史违约次数大于或等于违约次数均值,则将第一数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;第一数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为异常状态;
标签构建单元212,还具体用于若历史违约次数小于违约次数均值,则将第二数值标签确定为目标用户在时间段Tt-1内的历史行程信用标签;第二数值标签用于表征目标用户在时间段Tt-1内的行程信用状态为正常状态。
在一个实施例中,模型训练模块22可以包括:模型输入单元221、损失值确定单元222以及模型调整单元223。
模型输入单元221,用于将时间段Tt-1内的行程特征数据输入至样本信用评估模型,通过样本信用评估模型中的样本模型参数与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt-1内的预测行程信用评估值;
损失值确定单元222,用于根据时间段Tt-1内的预测行程信用评估值与时间段Tt-1内的历史行程信用标签,确定模型损失值;
模型调整单元223,用于根据模型损失值对样本模型参数进行训练调整,得到模型参数,将包括模型参数的样本信用评估模型确定为信用评估模型。
其中,模型输入单元221、损失值确定单元222以及模型调整单元223的具体实现方式,可以参见上述图5所对应实施例中步骤S203中的描述,这里将不再进行赘述。
在本申请实施例中,可以通过目标用户在时间段Tt-1的行程特征数据与时间段Tt内的行程特征数据,预测得到该目标用户在时间段Tt内的预测行程信用评估值;随后,可以获取目标用户在时间段Tt-1内的行程信用值,根据该时间段Tt内的预测行程信用评估值与该时间段Tt-1内的行程信用值,可以确定目标用户在时间段Tt内的行程信用值;而基于该时间段Tt内的目标行程信用值,可以计算确定目标用户在时间段Tt内针对乘车业务的行程消耗资源。可以看出,本申请在乘车业务中,可以基于目标用户在上一个时间段的行程特征数据与本时间段的行程特征数据,准确对目标用户在本时间段内的出行信用进行评价,得到准确的预测行程信用评估值;随后,可以基于上一个时间段内的行程信用值与本时间段内的预测行程信用评估值,得到准确的目标用户在本时间段内的行程信用值,而进一步可以基于该行程信用值确定目标用户针对乘车业务的行程消耗资源(例如,目标行程信用值越高,则为目标用户分配的车辆类型就越好)。应当理解,本申请通过用户的行程特征数据对用户的出行信用进行准确评价,可以提高用户在乘车业务中规范行为的约束力,可以鼓励用户文明出行、信用出行,从而可以提高乘车业务的质量。
进一步地,请参见图8,图8是本申请实施例提供的一种计算机设备的结构示意图。如图8所示,上述图7所对应实施例中的数据处理装置1可以应用于上述计算机设备1000,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图8所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现:
获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;时间段Tt-1是时间段Tt的上一个时间段;t为大于1的正整数;
根据时间段Tt内的行程特征数据与时间段Tt-1内的行程特征数据,预测目标用户在时间段Tt内的预测行程信用评估值;
获取目标用户在时间段Tt-1内的行程信用值,根据时间段Tt-1内的行程信用值与时间段Tt内的预测行程信用评估值,确定目标用户在时间段Tt内的行程信用值;时间段Tt内的行程信用值用于确定目标用户在时间段Tt内针对乘车业务的行程消耗资源;时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定目标用户在时间段Tt+1内的行程信用值;时间段Tt+1是时间段Tt的下一个时间段;时间段Tt+1内的预测行程信用评估值基于目标用户在时间段Tt+1内的行程特征数据,以及在时间段Tt内的行程特征数据所确定。
应当理解,本申请实施例中所描述的计算机设备1000可执行前文图3或图5所对应实施例中对该数据处理方法的描述,也可执行前文图7所对应实施例中对该数据处理装置1的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的数据处理的计算机设备1000所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图3或图5所对应实施例中对上述数据处理方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
上述计算机可读存储介质可以是前述任一实施例提供的数据处理装置或者上述计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例中一方面提供的方法。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种数据处理方法,其特征在于,包括:
获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;所述时间段Tt-1是所述时间段Tt的上一个时间段;t为大于1的正整数;
根据所述时间段Tt内的行程特征数据与所述时间段Tt-1内的行程特征数据,预测所述目标用户在所述时间段Tt内的预测行程信用评估值;
获取所述目标用户在所述时间段Tt-1内的行程信用值,根据所述时间段Tt-1内的行程信用值与所述时间段Tt内的预测行程信用评估值,确定所述目标用户在所述时间段Tt内的行程信用值;所述时间段Tt内的行程信用值用于确定所述目标用户在所述时间段Tt内针对乘车业务的行程消耗资源;所述时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定所述目标用户在所述时间段Tt+1内的行程信用值;所述时间段Tt+1是所述时间段Tt的下一个时间段;所述时间段Tt+1内的预测行程信用评估值基于所述目标用户在所述时间段Tt+1内的行程特征数据,以及在所述时间段Tt内的行程特征数据所确定。
2.根据权利要求1所述的方法,其特征在于,所述根据所述时间段Tt内的行程特征数据与所述时间段Tt-1内的行程特征数据,预测所述目标用户在所述时间段Tt内的预测行程信用评估值,包括:
将所述时间段Tt内的行程特征数据输入至信用评估模型;所述信用评估模型是基于所述时间段Tt-1内的行程特征数据,与所述时间段Tt-1内的历史行程信用标签,共同对样本信用评估模型进行训练所得到的;所述时间段Tt-1内的历史行程信用标签,基于所述时间段Tt-1内的行程特征数据中的历史违约次数所确定;
获取所述信用评估模型中与所述时间段Tt-1相关联的模型参数,获取所述模型参数对应的参数转置矩阵;
获取所述时间段Tt内的行程特征数据所对应的特征矩阵,将所述特征矩阵与所述参数转置矩阵进行矩阵相乘处理,得到所述目标用户在所述时间段Tt内的预测行程信用评估值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述时间段Tt-1内的行程信用值与所述时间段Tt内的预测行程信用评估值,确定所述目标用户在所述时间段Tt内的行程信用值,包括:
获取所述时间段Tt-1内的行程信用值对应的第一权重参数,以及所述时间段Tt内的预测行程信用评估值对应的第二权重参数;
将所述时间段Tt-1内的行程信用值与所述第一权重参数进行相乘处理,得到第一运算行程信用值;
将所述时间段Tt内的预测行程信用评估值与所述第二权重参数进行相乘处理,得到第二运算行程信用值;
将所述第一运算行程信用值与所述第二运算行程信用值进行相加处理,得到所述目标用户在所述时间段Tt内的行程信用值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取哈希函数,基于所述哈希函数对所述时间段Tt内的行程信用值进行加密处理,得到加密行程信用值;
获取所述目标用户对应的用户标识,根据所述用户标识与所述加密行程信用值生成目标区块;
将所述目标区块上链至区块链中。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述时间段Tt内,接收目标终端发送的乘车业务请求;所述目标终端为所述目标用户对应的终端;
根据所述乘车业务请求,在所述区块链中获取所述时间段Tt内的行程信用值,根据所述时间段Tt内的行程信用值确定所述目标用户的乘车车辆类型,以及所述乘车车辆类型所指向的乘车消耗数据;
将所述乘车车辆类型与所述乘车消耗数据,均确定为所述目标用户针对乘车业务的行程消耗资源,将所述行程消耗资源发送至所述目标终端。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述时间段Tt内的行程信用值与信用值阈值进行匹配;
若所述时间段Tt内的行程信用值小于所述信用值阈值,则生成权限提示信息,将所述权限提示信息发送至所述目标终端;所述权限提示信息用于提示所述目标用户在所述时间段Tt内的行程信用值不满足乘车条件,所述目标用户不具备执行乘车业务的权限;
若所述时间段Tt内的行程信用值大于或等于所述信用值阈值,则执行所述根据所述时间段Tt内的行程信用值确定所述目标用户的乘车车辆类型,以及所述乘车车辆类型所指向的乘车消耗数据的步骤。
7.根据权利要求6所述的方法,其特征在于,所述根据所述时间段Tt内的行程信用值确定所述目标用户的乘车车辆类型,以及所述乘车车辆类型所指向的乘车消耗数据,包括:
获取车辆类型映射表;所述车辆类型映射表中包括第一配置行程信用值区间与配置车辆类型之间的映射关系;一个第一配置行程信用值区间对应一种配置车辆类型;
将所述时间段Tt内的行程信用值对应的第一配置行程信用值区间,确定为第一目标行程信用值区间;
将所述车辆类型映射表中所述第一目标行程信用值区间对应的配置车辆类型,确定为所述乘车车辆类型;
根据所述时间段Tt内的行程信用值与所述乘车车辆类型确定所述乘车消耗数据。
8.根据权利要求7所述的方法,其特征在于,所述根据所述时间段Tt内的行程信用值与所述乘车车辆类型确定所述乘车消耗数据,包括:
获取折扣系数映射表;所述折扣系数映射表中包括第二配置行程信用值区间与配置折扣系数之间的映射关系;一个第二配置行程信用值区间对应一个配置折扣系数;
将所述时间段Tt内的行程信用值对应的第二配置行程信用值区间,确定为第二目标行程信用值区间;
将所述折扣系数映射表中所述第二目标行程信用值区间对应的配置折扣系数,确定为目标折扣系数;
获取所述乘车车辆类型所对应的初始乘车消耗数据,将所述初始乘车消耗数据与所述目标折扣系数进行相乘处理,得到所述乘车消耗数据。
9.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取目标用户在时间段Tt-1内的行程特征数据,以及所述时间段Tt-1内的行程特征数据中的历史违约次数;
根据所述历史违约次数构建所述目标用户在所述时间段Tt-1内的历史行程信用标签;
根据所述时间段Tt-1内的行程特征数据与所述时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到所述信用评估模型。
10.根据权利要求9所述的方法,其特征在于,所述根据所述历史违约次数构建所述目标用户在所述时间段Tt-1内的历史行程信用标签,包括:
获取至少两个历史用户在所述时间段Tt-1内的用户违约总次数;所述至少两个历史用户为在所述时间段Tt-1内发生乘车行为的用户;所述至少两个历史用户包括所述目标用户;
确定所述至少两个历史用户对应的用户数量,根据所述用户违约总次数与所述用户数量,确定所述时间段Tt-1内的违约次数均值;
根据所述历史违约次数与所述违约次数均值,确定所述目标用户在所述时间段Tt-1内的历史行程信用标签。
11.根据权利要求10所述的方法,其特征在于,所述根据所述历史违约次数与所述违约次数均值,确定所述目标用户在所述时间段Tt-1内的历史行程信用标签,包括:
将所述历史违约次数与所述违约次数均值进行匹配;
若所述历史违约次数大于或等于所述违约次数均值,则将第一数值标签确定为所述目标用户在所述时间段Tt-1内的历史行程信用标签;所述第一数值标签用于表征所述目标用户在所述时间段Tt-1内的行程信用状态为异常状态;
若所述历史违约次数小于所述违约次数均值,则将第二数值标签确定为所述目标用户在所述时间段Tt-1内的历史行程信用标签;所述第二数值标签用于表征所述目标用户在所述时间段Tt-1内的行程信用状态为正常状态。
12.根据权利要求9所述的方法,其特征在于,所述根据所述时间段Tt-1内的行程特征数据与所述时间段Tt-1内的历史行程信用标签,对样本信用评估模型进行训练,得到所述信用评估模型,包括:
将所述时间段Tt-1内的行程特征数据输入至所述样本信用评估模型,通过所述样本信用评估模型中的样本模型参数与所述时间段Tt-1内的行程特征数据,预测所述目标用户在所述时间段Tt-1内的预测行程信用评估值;
根据所述时间段Tt-1内的预测行程信用评估值与所述时间段Tt-1内的历史行程信用标签,确定模型损失值;
根据所述模型损失值对所述样本模型参数进行训练调整,得到模型参数,将包括所述模型参数的样本信用评估模型确定为所述信用评估模型。
13.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取目标用户在时间段Tt内的行程特征数据,以及在时间段Tt-1内的行程特征数据;所述时间段Tt-1是所述时间段Tt的上一个时间段;t为大于1的正整数;
数据预测模块,用于根据所述时间段Tt内的行程特征数据与所述时间段Tt-1内的行程特征数据,预测所述目标用户在所述时间段Tt内的预测行程信用评估值;
信用值确定模块,用于获取所述目标用户在所述时间段Tt-1内的行程信用值,根据所述时间段Tt-1内的行程信用值与所述时间段Tt内的预测行程信用评估值,确定所述目标用户在所述时间段Tt内的行程信用值;所述时间段Tt内的行程信用值用于确定所述目标用户在所述时间段Tt内针对乘车业务的行程消耗资源;所述时间段Tt内的行程信用值,用于与时间段Tt+1内的预测行程信用评估值共同确定所述目标用户在所述时间段Tt+1内的行程信用值;所述时间段Tt+1是所述时间段Tt的下一个时间段;所述时间段Tt+1内的预测行程信用评估值基于所述目标用户在所述时间段Tt+1内的行程特征数据,以及在所述时间段Tt内的行程特征数据所确定。
14.一种计算机设备,其特征在于,包括:处理器、存储器以及网络接口;
所述处理器与所述存储器、所述网络接口相连,其中,所述网络接口用于提供网络通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行权利要求1-12任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行权利要求1-12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583366.6A CN113177670A (zh) | 2021-05-27 | 2021-05-27 | 数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583366.6A CN113177670A (zh) | 2021-05-27 | 2021-05-27 | 数据处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177670A true CN113177670A (zh) | 2021-07-27 |
Family
ID=76927105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583366.6A Pending CN113177670A (zh) | 2021-05-27 | 2021-05-27 | 数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177670A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554421A (zh) * | 2021-09-14 | 2021-10-26 | 南京烽火星空通信发展有限公司 | 一种基于区块链的警务资源数据治理协同方法 |
CN113626260A (zh) * | 2021-10-11 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 区块链网络的数据处理方法、装置、设备及存储介质 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
-
2021
- 2021-05-27 CN CN202110583366.6A patent/CN113177670A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554421A (zh) * | 2021-09-14 | 2021-10-26 | 南京烽火星空通信发展有限公司 | 一种基于区块链的警务资源数据治理协同方法 |
CN113626260A (zh) * | 2021-10-11 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 区块链网络的数据处理方法、装置、设备及存储介质 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Basu et al. | Automated mobility-on-demand vs. mass transit: a multi-modal activity-driven agent-based simulation approach | |
CN113177670A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN110226317A (zh) | 数据认证方法、装置和系统 | |
Gan | To switch travel mode or not? Impact of Smartphone delivered high‐quality multimodal information | |
CN114303162A (zh) | 用于驾驶员奖酬的强化学习方法:用于驾驶员-系统互动的生成性对抗网络 | |
Csonka et al. | Service quality analysis and assessment method for European carsharing systems | |
Zhang et al. | Optimized Skip‐Stop Metro Line Operation Using Smart Card Data | |
Liu et al. | Heuristic approach for the multiobjective optimization of the customized bus scheduling problem | |
Sun et al. | Transit-gym: A simulation and evaluation engine for analysis of bus transit systems | |
Holstein et al. | Steps toward real-world ethics for self-driving cars: Beyond the trolley problem | |
Wang et al. | BPR: blockchain-enabled efficient and secure parking reservation framework with block size dynamic adjustment method | |
Bangui et al. | Deep-learning based trust management with self-adaptation in the internet of behavior | |
Lv et al. | A sustainable road pricing oriented bilevel optimization approach under multiple environmental uncertainties | |
Chen et al. | Exploring the association between socio‐demographic factors and public acceptance towards fully automated vehicles: Insights from a survey in Australia | |
Cheranchery et al. | Improving ridership and reducing subsidy for premium bus service in Kolkata Metro City | |
Wu et al. | A trusted paradigm of data management for blockchain-enabled Internet of Vehicles in smart cities | |
Moreno et al. | Modeling urban digital twins over the cloud-to-thing continuum | |
Feng et al. | Optimising departure intervals for multiple bus lines with a multi‐objective model | |
Liu et al. | Multiperspective Bus Route Planning in a Stackelberg Game Framework | |
Feng et al. | Effect of resource allocation policies on urban transport diversity | |
CN111417088A (zh) | 一种车联网数据身份属性认证方法 | |
Ha | Sustainability Considerations in AV Exclusive Lane Deployment | |
CN113011921B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
Di Maria et al. | AMoDSim: An efficient and modular simulation framework for autonomous mobility on demand | |
Evans | Ethical Algorithms in Autonomous Vehicles: Reflections on a Workshop |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40049239 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |