CN116934393A - 代驾订单违规获利的处理方法、系统及计算机设备 - Google Patents
代驾订单违规获利的处理方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN116934393A CN116934393A CN202311196640.XA CN202311196640A CN116934393A CN 116934393 A CN116934393 A CN 116934393A CN 202311196640 A CN202311196640 A CN 202311196640A CN 116934393 A CN116934393 A CN 116934393A
- Authority
- CN
- China
- Prior art keywords
- driver
- risk
- passenger
- coefficient
- coupon
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001680 brushing effect Effects 0.000 claims abstract description 37
- 238000011282 treatment Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 238000007789 sealing Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0225—Avoiding frauds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0213—Consumer transaction fees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0234—Rebates after completed purchase
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种代驾订单违规获利的处理方法、系统及计算机设备。该方法应用于云平台,包括:响应于订单支付消息,从云平台的数据库中获取司机和乘客的历史特征信息;在确定乘客使用了优惠券之后,获取优惠金额和司机的抽佣比例;获取乘客的订单信息;根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分;根据风险分判定刷单风险,若风险分处于中高风险区间,则判定存在违规获利的风险,对司机进行处置。通过上述方法的步骤,能够实现在面对司机刷优惠券违规获利的手段非常多样的情况下,通过分析司机的获利空间、司机和乘客的历史行为信息等的方式,识别并阻止司机的违规获利行为。
Description
技术领域
本发明实施例涉及网约车服务技术领域,尤其涉及一种代驾订单违规获利的处理方法、系统及计算机设备。
背景技术
在网约车服务领域中,网约车平台为了提高完单率,一般会在网约车司机端以及乘客端发放优惠券。然而,个别的司机在行程中会寻找各种漏洞,利用优惠券来进行违规获利,具体的违规情况包括但不限于:利用网约车订单的定位、时间等漏洞并使用大额优惠卷;司机使用多个账号登录以积攒优惠券;司机通过作弊软件或其他技术手段获取优惠券;在司机端或乘客端寻找各种漏洞,各种手段层出不穷,防不胜防。
因此,发明人意识到,在面对司机刷优惠券违规获利的手段非常多样的情况下,当前缺少一种有效的手段来识别并阻止司机的违规获利行为。
发明内容
本申请针对上述不足或缺点,提供了一种代驾订单违规获利的处理方法、系统及计算机设备。本申请实施例能够实现在面对司机刷优惠券违规获利的手段非常多样的情况下,通过分析司机的获利空间、司机和乘客的历史行为信息等的方式,识别并阻止司机的违规获利行为。
本申请根据第一方面提供了一种代驾订单违规获利的处理方法,该方法应用于云平台,包括:
响应于订单支付消息,从云平台的数据库中获取司机和乘客的历史特征信息;
在确定乘客使用了优惠券之后,获取优惠金额和司机当前的抽佣比例;
获取乘客的订单信息,订单信息包括行程费,行驶里程,行驶时间;
根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分;
根据风险分判定刷单风险,若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对司机进行处置。
在一些实施例中,云平台还包括订单系统和风控系统;在从云平台的数据库中获取司机和乘客的历史特征信息之前,该方法还包括:
在乘客支付订单后,订单系统生成订单支付消息;
风控系统接收订单系统发送的订单支付消息。
在一些实施例中,云平台的数据库包括列式存储非关系数据库管理系统;从云平台的数据库中获取司机和乘客的历史特征信息,包括:
从列式存储非关系数据库管理系统中获取司机和乘客的历史特征信息,司机和乘客的历史特征信息包括司机和乘客的历史作弊评分、昨日完单数、昨日使用优惠券总金额。
在一些实施例中,根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分,包括:
根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算订单实付金额、司机收入和司机行驶速度;
根据司机行驶速度计算时空轨迹异常系数;根据司机和乘客最近一天的完单量计算频度异常系数;根据司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据司机收入与订单实付金额的差值计算司机获利风险系数;
根据时空轨迹异常系数、频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算司机刷优惠券的风险分。
在一些实施例中,频度异常系数包括订单完单频度异常系数、司机完单频度异常系数和乘客完单频度异常系数;根据时空轨迹异常系数、频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算司机刷优惠券的风险分,包括:
通过以下公式计算司机刷优惠券的风险分:
风险分=时空轨迹异常系数×订单完单频度异常系数×司机完单频度异常系数×乘客完单频度异常系数×司机的历史作弊系数×乘客的历史作弊系数×司机的刷优惠券总额风险系数×乘客的刷优惠券总额风险系数×司机获利风险系数。
在一些实施例中,根据司机行驶速度计算时空轨迹异常系数;根据司机和乘客最近一天的完单量计算频度异常系数;根据司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据司机收入与订单实付金额的差值计算司机获利风险系数,包括:
根据设定的行驶速度区间对司机行驶速度进行区间划分得到时空轨迹异常系数;
根据设定的完单量区间对司机和乘客最近一天的完单量进行区间划分得到频度异常系数;
根据设定的历史作弊评分区间对司机和乘客的历史作弊评分进行区间划分得到司机和乘客的历史作弊系数;
根据设定的优惠券总额区间对司机和乘客最近一天订单使用优惠券总额获得司机和乘客刷优惠券总额风险系数;
根据设定的司机收入与订单实付金额的差值区间,对差值进行区间划分得到司机获利风险系数。
在一些实施例中,根据风险分判定刷单风险,包括:
根据设定的风险分区间对风险分进行区间划分以判定刷单风险;风险分区间包括无风险、低风险、中风险、中高风险、高风险;
若风险分处于无风险或低风险,则判定司机不存在刷优惠券违规获利的风险;
若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的行为。
在一些实施例中,对司机进行处置,包括:
若风险分处于中风险区间,对司机进行教育处置,使司机需要在指定时间内学习并考试,到期未通过则无法接单;
若风险分处于中高风险区间,下发不予结算处置;
若风险分处于高风险区间,下发封禁处置,使司机无法接单;
下发不予结算处置包括:
将未结算的异常订单不予司机结算,或者追回已结算的异常订单,异常订单为司机刷优惠券违规获利的代驾订单。
在一些实施例中,云平台还包括云原生大数据服务系统;在判定司机存在刷优惠券违规获利的风险之后,该方法还包括:
记录司机通过司机端或者乘客端的漏洞刷优惠券的违规获利数据。
在一些实施例中,系统应用于云平台,包括:
历史信息获取模块,用于响应于订单支付消息,获取司机和乘客的历史特征信息;
优惠信息获取模块,用于在确定乘客使用了优惠券之后,获取优惠金额和司机当前的抽佣比例;
订单信息获取模块,用于获取乘客的订单信息,订单信息包括行程费,行驶里程,行驶时间;
风险分计算模块,用于根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分;
违规获利处理模块,用于根据风险分判定刷单风险,若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对司机进行处置。
本申请根据另一方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项代驾订单违规获利的处理方法的步骤。
在上述的本申请实施例中,云平台在接收到乘客的订单支付消息后,从数据库中获取司机和乘客的历史特征信息,其中,历史特征信息用于表征司机和乘客的历史违规情况以及通过优惠券获利的额度。然后在确定该乘客使用了优惠券之后,云平台获取优惠金额和司机的抽佣比例,再获取订单信息。然后云平台根据上述获得的订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分。该风险分用于评估司机是否存在刷优惠券违规获利的行为。若风险分处于中风险、中高风险和高风险区间,则判定司机存在违规获利的风险,对司机进行处置。其中,处置方式包括对司机进行教育、下发不予结算处置和下发封禁处置。
通过上述方法的步骤,能够实现在面对司机刷优惠券违规获利的手段非常多样的情况下,通过分析司机的获利空间、司机和乘客的历史行为信息等的方式,识别并阻止司机的违规获利行为。
附图说明
图1为本申请一个或多个实施例中一种代驾订单违规获利的处理方法流程图;
图2为本申请一个或多个实施例中一种云平台生成订单支付消息的方法流程图;
图3为本申请一个或多个实施例中一个计算司机刷优惠券风险分的方法流程图;
图4为本申请一个或多个实施例中根据设定的区间得出各个风险系数的方法流程图;
图5为本申请一个或多个实施例中一种代驾订单违规获利的处理系统的结构示意图;
图6为本申请一个或多个实施例中一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的代驾订单违规获利的处理方法,可以应用于企业级的SaaS(Software as a Service,软件即服务)云平台。其中,现今的SaaS云平台通过云原生应用,访问由软件定义的、虚拟化的服务器,云原生应用指专门为了运行在云计算环境中而开发的软件应用。
本申请根据第一方面提供了一种代驾订单违规获利的处理方法,如图1所示,该方法应用于云平台,包括:
S110:响应于订单支付消息,从云平台的数据库中获取司机和乘客的历史特征信息;
具体地,该云平台可以为上述的企业级的SaaS云平台,司机和乘客的历史特征信息用于表征司机和乘客的历史违规情况以及通过优惠券获利的额度。
在一些实施例中,云平台的数据库包括列式存储非关系数据库管理系统;从云平台的数据库中获取司机和乘客的历史特征信息,包括:
从列式存储非关系数据库管理系统中获取司机和乘客的历史特征信息,司机和乘客的历史特征信息包括司机和乘客的历史作弊评分、昨日完单数、昨日使用优惠券总金额。
具体地,列式存储非关系数据库管理系统为HBase(Hadoop Database,分布式的、面向列的开源数据库),用于存储司机和乘客的历史特征信息。HBase是一种分布式、可扩展、面向列的NoSQL(Not only sql,非关系型的)数据库,它运行在HDFS(HadoopDistributed File System,Hadoop框架的分布式文件系统)之上,提供了高可靠性、高性能和实时读写操作。司机或乘客的历史作弊评分高低决定了司机或乘客的作弊频率,司机或乘客在单位时期内作弊的次数越多,司机或乘客的历史作弊评分越高。示例性地,司机和乘客的历史作弊评分在[0,10]的区间内。通过调用云平台配备的HBase的方式,实现了高性能地实时获取司机和乘客的历史特征信息。
S120:在确定乘客使用了优惠券之后,获取优惠金额和司机当前的抽佣比例;
S130:获取乘客的订单信息;
具体地,优惠金额为乘客端的优惠或获利金额,抽佣比例为云平台的对每个网约车订单抽取佣金的比例,该抽佣比例一般为18%-30%。
示例性地,订单的行程费为100元,抽佣比例为25%,司机的初始入账为75元,平台抽佣金额为25;乘客在使用优惠券后优惠了5元,实际支付95元;此时,司机入账不变,平台抽佣减少5元,优惠金额为5元。
若司机又利用司机端的漏洞,使用乘客端的优惠券违规获利5元,使得司机实际入账为75+5=80元,使得平台抽佣减少了10元,上述的优惠金额变为10元。
S140:根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分;
具体地,订单信息包括订单的行程费,行驶里程,行驶时间。
在一些实施例中,根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分,如图3所示,包括:
S310:根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算订单实付金额、司机收入和司机行驶速度;
具体地,订单实付金额(单位:元)通过以下公式计算:
订单实付金额=Max(行程费-优惠金额,0);
司机收入(单位:元)的计算公式为:
司机收入=行程费 ×司机抽佣比例;
司机抽佣比例=1-抽佣比例;
行驶速度(单位:km/h)的计算公式为:
行驶速度=行驶里程 / 行驶时间。
示例性地,已知订单的行程费为100元,(平台)抽佣比例为25%,行驶里程为10公里,行驶时间1小时;则司机抽佣比例为1-25%=75%,司机收入为75元,平台抽佣金额为25,行驶速度为10公里每小时。
S320:根据司机行驶速度计算时空轨迹异常系数;根据司机和乘客最近一天的完单量计算频度异常系数;根据司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据司机收入与订单实付金额的差值计算司机获利风险系数;
具体地,时空轨迹异常系数用于衡量司机行驶速度的合理性;司机行驶速度一般为2-70公里每小时,若司机行驶速度偏离上述区间越远,则时空轨迹异常系数越大。频度异常系数用于衡量当前订单地址、司机和乘客在最近一天内出现的频度的合理性;当前订单地址、司机、乘客每天的出现频度正常是在1-10之间,若当前订单地址、司机和乘客最近一天内的完单量越高,则频度异常系数越大。若司机或乘客的历史作弊评分越高,则对应的历史作弊系数越大。若司机或乘客最近一天订单使用优惠券总额越高,则司机或乘客刷优惠券总额风险系数越大。司机收入与订单实付金额的差值表示司机获利的金额,若司机获利的金额越高,则司机获利风险系数越大。
在一些实施例中,根据司机行驶速度计算时空轨迹异常系数;根据司机和乘客最近一天的完单量计算频度异常系数;根据司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据司机收入与订单实付金额的差值计算司机获利风险系数,如图4所示,包括:
S410:根据设定的行驶速度区间对司机行驶速度进行区间划分得到时空轨迹异常系数;
具体地,行驶速度区间为多个预设的,用于确定司机行驶速度对应的时空轨迹异常系数的区间;若司机行驶速度位于[0,2)区间、[100,正无穷),则时空轨迹异常系数为10;若位于[2,5)区间,则时空轨迹异常系数为1.2;若位于[5,20)区间,则时空轨迹异常系数为1;若位于[20,30)区间,则时空轨迹异常系数为1.1;若位于[30,40)区间,则时空轨迹异常系数为1.2;若位于[40,50)区间,则时空轨迹异常系数为1.3;若位于[50,60)区间,则时空轨迹异常系数为1.4;若位于[60,70)区间,则时空轨迹异常系数为1.5;若位于[70,100)区间,则时空轨迹异常系数为2。
S420:根据设定的完单量区间对当前订单地址、司机和乘客最近一天的完单量进行区间划分得到频度异常系数;
具体地,完单量区间为多个预设的,用于确定当前订单地址、司机或乘客最近一天的完单量对应的频度异常系数的区间;“当前订单地址最近一天的完单量”为使用了相同优惠券类型且区域相同的订单在最近一天的完单量,用于表征相同优惠类型订单在特定区域的发生频度。司机或乘客最近一天的完单量用于表征司机或乘客使用优惠券完成订单的频度。
若当前订单地址、司机或乘客最近一天的完单量位于[1,2)区间,则频度异常系数为0.5;若位于[2,3)区间,则频度异常系数为0.8;若位于[3,4)区间,则频度异常系数为1;若位于[4,5)区间,则频度异常系数为1.1;若位于[5,6)区间,则频度异常系数为1.2;若位于[6,8)区间,则频度异常系数为1.3;若位于[8,10)区间,则频度异常系数为1.4;若位于[10,15)区间,则频度异常系数为2;若位于[15,正无穷)区间,则频度异常系数为10。
S430:根据设定的历史作弊评分区间对司机和乘客的历史作弊评分进行区间划分得到司机和乘客的历史作弊系数;
具体地,历史作弊评分区间为多个预设的,用于确定司机或乘客的历史作弊评分对应的历史作弊系数的区间;若司机或乘客的历史作弊评分位于[0,1)区间,则历史作弊系数为1;若位于[1,3)区间,则历史作弊系数为1.1;若位于[3,5)区间,则历史作弊系数为1.2;若位于[5,7)区间,则历史作弊系数为1.3;若位于[7,9)区间,则历史作弊系数为1.5;若位于[9,10)区间,则历史作弊系数为2。
S440:根据设定的优惠券总额区间对司机和乘客最近一天订单使用优惠券总额获得司机和乘客刷优惠券总额风险系数;
具体地,优惠券总额区间为多个预设的,用于确定司机或乘客最近一天订单使用优惠券总额对应的司机或乘客刷优惠券总额风险系数的区间;若司机或乘客最近一天订单使用优惠券总额位于[5,20)区间,则对应的刷优惠券总额风险系数为1.1;若位于[20,50)区间,则对应的刷优惠券总额风险系数为1.2;若位于[50,100)区间,则对应的刷优惠券总额风险系数为1.3;若位于[100,300)区间,则对应的刷优惠券总额风险系数为1.5;若位于[300,500)区间,则对应的刷优惠券总额风险系数为2;若位于[500,1000)区间,则对应的刷优惠券总额风险系数为5;若位于[1000,正无穷)区间,则对应的刷优惠券总额风险系数为10。
S450:根据设定的司机收入与订单实付金额的差值区间,对差值进行区间划分得到司机获利风险系数。
具体地,司机收入与订单实付金额的差值区间为多个预设的,用于确定该差值对应的司机获利风险系数的区间;其中,该差值可以为负数。若该差值位于[负无穷,0]区间,则司机获利风险系数为0;若位于(0,5)区间,则司机获利风险系数为1.1;若位于[5,10)区间,则司机获利风险系数为1.2;若位于[10,20)区间,则司机获利风险系数为1.3;若位于[20,30)区间,则司机获利风险系数为1.5;若位于[30,100)区间,则司机获利风险系数为2;若位于[500,1000)区间,则司机获利风险系数为5;若位于[1000,正无穷)区间,则司机获利风险系数为10。
通过上述步骤S410-450的方法,可以通过已知的司机行驶速度、当前订单地址出现频度、司机和乘客完单量、司机和乘客的作弊分、司机和乘客刷优惠券获利总额以及司机获利得到对应的风险系数,用以进行后续的风险分的计算。
S330:根据时空轨迹异常系数、频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算司机刷优惠券的风险分。
在一些实施例中,频度异常系数包括订单完单频度异常系数、司机完单频度异常系数和乘客完单频度异常系数;根据时空轨迹异常系数、频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算司机刷优惠券的风险分,包括:
通过以下公式计算司机刷优惠券的风险分:
风险分=时空轨迹异常系数×订单完单频度异常系数×司机完单频度异常系数×乘客完单频度异常系数×司机的历史作弊系数×乘客的历史作弊系数×司机的刷优惠券总额风险系数×乘客的刷优惠券总额风险系数×司机获利风险系数。
具体地,订单完单频度异常系数用于反映相同优惠类型订单在特定区域的发生频度对应的异常程度。司机完单频度异常系数用于反映司机最近一天的使用了优惠券的完单量对应的异常程度,乘客完单频度异常系数用于反映乘客最近一天的使用了优惠券的完单量对应的异常程度。
示例性地,经过计算,已知时空轨迹异常系数为1、订单完单频度异常系数为1、司机完单频度异常系数为1、乘客完单频度异常系数为1、司机的历史作弊系数为1、乘客的历史作弊系数为1、司机的刷优惠券总额风险系数为1、乘客的刷优惠券总额风险系数为1以及司机获利风险系数为1,则风险分=1×1×1×1×1×1×1×1×1=1。
一般地,上述步骤S410-450和步骤S310-330的方法和计算过程会通过云平台配备的ODPS(Open Data Processing Service,开发数据处理服务)来进行,同时还会调用到上述的HBase。具体地,ODPS是阿里巴巴通用计算平台提供的一种快速、完全托管的GB/TB/PB级数据仓库解决方案,现已更名为MaxCompute(大数据计算服务)。MaxCompute是一种适用于数据分析场景的企业级SaaS 模式云数据仓库,MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速地解决用户海量数据计算问题,有效降低企业成本,并保障数据安全。
综上所述,利用云平台配备的MaxCompute,结合了司机行驶速度、当前订单地址出现频度、司机和乘客完单量、司机和乘客的作弊分、司机和乘客刷优惠券获利总额以及司机获利来综合评估,实现了大量系数的聚类运算并最终得到风险分。
S150:根据风险分判定刷单风险,若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对司机进行处置。
在一些实施例中,根据风险分判定刷单风险,包括:
根据设定的风险分区间对风险分进行区间划分以判定刷单风险;风险分区间包括无风险、低风险、中风险、中高风险、高风险;
若风险分处于无风险或低风险,则判定司机不存在刷优惠券违规获利的风险;
若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的行为。
具体地,风险分区间为多个预设的,用于确定风险分对应的刷单风险的区间;若风险分位于[0,1.5)区间,则判定该风险分为无风险;若位于[1.5,2.5)区间,则判定该风险分为低风险;若位于[2.5,5)区间,则判定该风险分为中风险;若位于[5,10)区间,则判定该风险分为中高风险;若位于[10,正无穷)区间,则判定该风险分为高风险。
在一些实施例中,对司机进行处置,包括:
若风险分处于中风险区间,对司机进行教育处置,使司机需要在指定时间内学习并考试,到期未通过则无法接单;
若风险分处于中高风险区间,下发不予结算处置;
若风险分处于高风险区间,下发封禁处置,使司机无法接单;
下发不予结算处置包括:
将未结算的异常订单不予司机结算,或者追回已结算的异常订单,异常订单为司机刷优惠券违规获利的代驾订单。
通过上述步骤S110-150的方法,从获利的司机角度来反向思考,通过分析司机刷优惠券的是否有获利空间,还结合司机的历史行为画像、乘客历史行为画像和当前订单地址等信息,再通过聚类分析等手段来评估司机的违规获利风险,有效的识别并阻止司机的违规获利行为。
在一些实施例中,云平台还包括云原生大数据服务系统;在判定司机存在刷优惠券违规获利的风险之后,该方法还包括:
记录司机通过司机端或者乘客端的漏洞刷优惠券的违规获利数据。
具体地,云原生大数据服务系统为上述的ODPS。违规获利数据包括司机的身份信息、优惠券标识信息和违规渠道信息等等。通过利用云平台配备的ODPS来存储违规获利数据的方式,实现了对大量的违规获利数据的高效且精确地存储。
在一些实施例中,云平台还包括订单系统和风控系统;在从云平台的数据库中获取司机和乘客的历史特征信息之前,如图2所示,该方法还包括:
S210:在乘客支付订单后,订单系统生成订单支付消息;
S220:风控系统接收订单系统发送的订单支付消息。
具体地,订单系统可以为OMS(Order Management System,订单管理系统),是一种云平台的虚拟化服务器中的软件系统。风控系统是结合了HBase和ODPS能力的,用于对目标订单进行风险分析的云平台软件系统。
在乘客支付订单后,订单系统生成订单支付消息并将订单支付消息加入到MQ(Message Queue,消息队列)中,然后将携带有订单支付消息的MQ发送至风控系统中。通过利用上述的OMS、风控系统结合的HBase和ODPS的大数据处理能力,实现了对海量的乘客支付订单的高效消息处理。
本申请根据另一方面提供了一种代驾订单违规获利的处理系统,如图5所示,该系统应用于云平台,包括:
历史信息获取模块110,用于响应于订单支付消息,获取司机和乘客的历史特征信息;
在一些实施例中,云平台的数据库包括列式存储非关系数据库管理系统;历史信息获取模块110还用于:从列式存储非关系数据库管理系统中获取司机和乘客的历史特征信息,司机和乘客的历史特征信息包括司机和乘客的历史作弊评分、昨日完单数、昨日使用优惠券总金额。
优惠信息获取模块120,用于在确定乘客使用了优惠券之后,获取优惠金额和司机当前的抽佣比例;
订单信息获取模块130,用于获取乘客的订单信息,订单信息包括行程费,行驶里程,行驶时间;
风险分计算模块140,用于根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算司机刷优惠券的风险分;
在一些实施例中,风险分计算模块140还用于:根据订单信息、优惠金额、抽佣比例、司机和乘客的历史特征信息计算订单实付金额、司机收入和司机行驶速度;根据司机行驶速度计算时空轨迹异常系数;根据司机和乘客最近一天的完单量计算频度异常系数;根据司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据司机收入与订单实付金额的差值计算司机获利风险系数;根据时空轨迹异常系数、频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算司机刷优惠券的风险分。
违规获利处理模块150,用于根据风险分判定刷单风险,若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对司机进行处置。
在一些实施例中,违规获利处理模块150还用于:根据设定的风险分区间对风险分进行区间划分以判定刷单风险;若风险分处于无风险或低风险,则判定司机不存在刷优惠券违规获利的风险;若风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的行为。
在一些实施例中,违规获利处理模块150还用于:若风险分处于中风险区间,对司机进行教育处置;若风险分处于中高风险区间,下发不予结算处置;若风险分处于高风险区间,下发封禁处置。
关于代驾订单违规获利的处理系统的具体限定可以参见上文中对于代驾订单违规获利的处理方法的限定,在此不再赘述。上述代驾订单违规获利的处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请根据另一方面提供了一种计算机设备,其内部结构图如图6所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储司机和乘客的相关特征等数据,具体存储的数据还可以参见上述方法实施例中的限定。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处理器执行计算机程序时实现上述任一项代驾订单违规获利的处理方法的步骤。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成。计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)、直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种代驾订单违规获利的处理方法,其特征在于,所述方法应用于云平台,包括:
响应于订单支付消息,从所述云平台的数据库中获取司机和乘客的历史特征信息;
在确定乘客使用了优惠券之后,获取优惠金额和所述司机当前的抽佣比例;
获取乘客的订单信息,所述订单信息包括行程费,行驶里程,行驶时间;
根据所述订单信息、所述优惠金额、所述抽佣比例、司机和乘客的历史特征信息计算所述司机刷优惠券的风险分;
根据所述风险分判定刷单风险,若所述风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对所述司机进行处置。
2.根据权利要求1所述的方法,其特征在于,所述云平台还包括订单系统和风控系统;在从所述云平台的数据库中获取司机和乘客的历史特征信息之前,所述方法还包括:
在乘客支付订单后,所述订单系统生成所述订单支付消息;
所述风控系统接收所述订单系统发送的所述订单支付消息。
3.根据权利要求1所述的方法,其特征在于,所述云平台的数据库包括列式存储非关系数据库管理系统;从所述云平台的数据库中获取司机和乘客的历史特征信息,包括:
从所述列式存储非关系数据库管理系统中获取司机和乘客的历史特征信息,所述司机和乘客的历史特征信息包括司机和乘客的历史作弊评分、昨日完单数、昨日使用优惠券总金额;
所述根据所述订单信息、所述优惠金额、所述抽佣比例、司机和乘客的历史特征信息计算所述司机刷优惠券的风险分,包括:
根据所述订单信息、所述优惠金额、所述抽佣比例、司机和乘客的历史特征信息计算订单实付金额、司机收入和司机行驶速度;
根据所述司机行驶速度计算时空轨迹异常系数;根据当前订单地址、司机和乘客最近一天的完单量计算频度异常系数;根据所述司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据所述司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据所述司机收入与所述订单实付金额的差值计算司机获利风险系数;
根据所述时空轨迹异常系数、所述频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算所述司机刷优惠券的风险分。
4.根据权利要求3所述的方法,其特征在于,所述频度异常系数包括订单完单频度异常系数、司机完单频度异常系数和乘客完单频度异常系数;根据所述时空轨迹异常系数、所述频度异常系数、司机和乘客的历史作弊系数、司机和乘客的刷优惠券总额风险系数、司机获利风险系数计算所述司机刷优惠券的风险分,包括:
通过以下公式计算所述司机刷优惠券的风险分:
风险分=时空轨迹异常系数×订单完单频度异常系数×司机完单频度异常系数×乘客完单频度异常系数×司机的历史作弊系数×乘客的历史作弊系数×司机的刷优惠券总额风险系数×乘客的刷优惠券总额风险系数×司机获利风险系数。
5.根据权利要求3所述的方法,其特征在于,根据所述司机行驶速度计算时空轨迹异常系数;根据当前订单地址、司机和乘客最近一天的完单量计算频度异常系数;根据所述司机和乘客的历史作弊评分计算司机和乘客的历史作弊系数;根据所述司机和乘客最近一天订单使用优惠券总额计算司机和乘客刷优惠券总额风险系数;根据所述司机收入与所述订单实付金额的差值计算司机获利风险系数,包括:
根据设定的行驶速度区间对所述司机行驶速度进行区间划分得到所述时空轨迹异常系数;
根据设定的完单量区间对当前订单地址、司机和乘客最近一天的完单量进行区间划分得到所述频度异常系数;
根据设定的历史作弊评分区间对所述司机和乘客的历史作弊评分进行区间划分得到所述司机和乘客的历史作弊系数;
根据设定的优惠券总额区间对所述司机和乘客最近一天订单使用优惠券总额获得所述司机和乘客刷优惠券总额风险系数;
根据设定的司机收入与所述订单实付金额的差值区间,对所述差值进行区间划分得到所述司机获利风险系数。
6.根据权利要求1所述的方法,其特征在于,根据所述风险分判定刷单风险,包括:
根据设定的风险分区间对所述风险分进行区间划分以判定刷单风险;所述风险分区间包括无风险、低风险、中风险、中高风险、高风险;
若所述风险分处于无风险或低风险,则判定司机不存在刷优惠券违规获利的风险;
若所述风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的行为。
7.根据权利要求6所述的方法,其特征在于,对所述司机进行处置,包括:
若所述风险分处于中风险区间,对司机进行教育处置,使司机需要在指定时间内学习并考试,到期未通过则无法接单;
若所述风险分处于中高风险区间,下发不予结算处置;
若所述风险分处于高风险区间,下发封禁处置,使司机无法接单;
所述下发不予结算处置包括:
将未结算的异常订单不予司机结算,或者追回已结算的所述异常订单,所述异常订单为司机刷优惠券违规获利的代驾订单。
8.根据权利要求1所述的方法,其特征在于,所述云平台还包括云原生大数据服务系统;在判定司机存在刷优惠券违规获利的风险之后,所述方法还包括:
记录司机通过司机端或者乘客端的漏洞刷优惠券的违规获利数据。
9.一种代驾订单违规获利的处理系统,其特征在于,所述系统应用于云平台,包括:
历史信息获取模块,用于响应于订单支付消息,获取司机和乘客的历史特征信息;
优惠信息获取模块,用于在确定乘客使用了优惠券之后,获取优惠金额和所述司机当前的抽佣比例;
订单信息获取模块,用于获取乘客的订单信息,所述订单信息包括行程费,行驶里程,行驶时间;
风险分计算模块,用于根据所述订单信息、所述优惠金额、所述抽佣比例、司机和乘客的历史特征信息计算所述司机刷优惠券的风险分;
违规获利处理模块,用于根据所述风险分判定刷单风险,若所述风险分处于中风险、中高风险或高风险区间,则判定司机存在刷优惠券违规获利的风险,对所述司机进行处置。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196640.XA CN116934393A (zh) | 2023-09-15 | 2023-09-15 | 代驾订单违规获利的处理方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196640.XA CN116934393A (zh) | 2023-09-15 | 2023-09-15 | 代驾订单违规获利的处理方法、系统及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934393A true CN116934393A (zh) | 2023-10-24 |
Family
ID=88382936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196640.XA Pending CN116934393A (zh) | 2023-09-15 | 2023-09-15 | 代驾订单违规获利的处理方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934393A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019157983A1 (zh) * | 2018-02-13 | 2019-08-22 | 口碑(上海)信息技术有限公司 | 交易处理方法及平台 |
CN111626828A (zh) * | 2020-05-29 | 2020-09-04 | 上海钧正网络科技有限公司 | 一种网约车订单风控检测方法、系统、装置及存储介质 |
CN114626719A (zh) * | 2022-03-15 | 2022-06-14 | 深圳依时货拉拉科技有限公司 | 网约车平台风险评估方法、设备及存储介质 |
CN115760227A (zh) * | 2022-10-24 | 2023-03-07 | 上海赛可出行科技服务有限公司 | 一种基于打车历史的用户关系识别方法 |
CN116452006A (zh) * | 2023-06-08 | 2023-07-18 | 北京龙驹易行科技有限公司 | 代驾司机拉新活动的风控方法、装置、计算机设备和介质 |
-
2023
- 2023-09-15 CN CN202311196640.XA patent/CN116934393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019157983A1 (zh) * | 2018-02-13 | 2019-08-22 | 口碑(上海)信息技术有限公司 | 交易处理方法及平台 |
CN111626828A (zh) * | 2020-05-29 | 2020-09-04 | 上海钧正网络科技有限公司 | 一种网约车订单风控检测方法、系统、装置及存储介质 |
CN114626719A (zh) * | 2022-03-15 | 2022-06-14 | 深圳依时货拉拉科技有限公司 | 网约车平台风险评估方法、设备及存储介质 |
CN115760227A (zh) * | 2022-10-24 | 2023-03-07 | 上海赛可出行科技服务有限公司 | 一种基于打车历史的用户关系识别方法 |
CN116452006A (zh) * | 2023-06-08 | 2023-07-18 | 北京龙驹易行科技有限公司 | 代驾司机拉新活动的风控方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8600854B2 (en) | Method and system for evaluating customers of a financial institution using customer relationship value tags | |
CN109191226B (zh) | 风险控制方法和装置 | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
CN111062770A (zh) | 商户识别方法、设备及计算机可读介质 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN116934393A (zh) | 代驾订单违规获利的处理方法、系统及计算机设备 | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
US10699335B2 (en) | Apparatus and method for total loss prediction | |
CN109472640A (zh) | 客户识别方法、装置、设备以及存储介质 | |
CN114092225A (zh) | 银行网点提供金融服务的方法及装置 | |
CN114971893A (zh) | 一种贷款抵扣方式灵活配置方法及系统 | |
CN114429283A (zh) | 风险标签处理方法、装置、风控方法、设备及存储介质 | |
WO1999009503A1 (en) | A method and system for evaluating customers of a financial institution using customer relationship value tags | |
CN112001658A (zh) | 一种车险报价生成方法和装置 | |
CN116777226B (zh) | 一种基于量化处理模型的信息展示系统 | |
CN112308699B (zh) | 保理业务数据审核方法、系统、设备及存储介质 | |
CN113433574B (zh) | 一种行驶轨迹处理方法及装置 | |
CN112396513B (zh) | 一种数据处理的方法及装置 | |
US20210248617A1 (en) | System and method for predicting support escalation | |
US20240144388A1 (en) | System and method for calculating and disbursing advanced wages | |
Schneider et al. | Jumps and recovery rates inferred from corporate CDS premia | |
Lee et al. | Machine Learning-based Analysis of correlation between Energy Consumption data of the Company and its Sales | |
CN113065906A (zh) | 用户行为的预测方法及装置 | |
CN117689260A (zh) | 一种基于nlp的智能客服机器人交互方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |