CN117789373A - 一种共享洗车用户数据安全管理方法 - Google Patents

Abstract

本发明涉及数据安全技术领域，具体涉及一种共享洗车用户数据安全管理方法，包括：采集共享洗车点所有用户的服务记录数据，获取每个用户车辆的洗车时长，根据洗车时长和对应的洗车次序，得到每个用户的洗车数据序列，对每个用户的洗车时长进行聚类，根据每个类簇中的洗车时长和洗车数据序列，得到初始平滑参数，根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，得到每个用户的修正平滑参数，对每个用户洗车的服务记录数据进行加密。本发明根据不同洗车用户的洗车习惯自适应获取每一个用户的修正平滑参数，进而预测每辆车的洗车周期并实现加密。

Description

一种共享洗车用户数据安全管理方法

技术领域

本发明涉及数据安全技术领域，具体涉及一种共享洗车用户数据安全管理方法。

背景技术

共享洗车平台提供了更便捷的方式来预约洗车服务，用户可以通过手机应用随时随地的预约洗车服务，而不需要亲自前往洗车点或排队等待。而对于大量用户洗车的服务记录数据，共享洗车平台需要对用户洗车的相关数据进行保护，以便从大数据层面对用户的隐私进行保障，而在用户洗车的服务记录数据中，不同用户及各用户本身之间，洗车存在周期性，因此需要根据这种周期性实现对用户洗车的服务记录数据的加密。

发明内容

为解决上述问题，本发明提供一种共享洗车用户数据安全管理方法。

本发明的一种共享洗车用户数据安全管理方法采用如下技术方案：

本发明一个实施例提供了一种共享洗车用户数据安全管理方法，该方法包括以下步骤：

采集共享洗车点所有用户的服务记录数据，所述服务记录数据包含每个用户车辆的每次开始洗车时间和结束洗车时间；

根据服务记录数据中每个用户车辆的每次开始洗车时间和结束洗车时间，获取每个用户车辆的每次洗车时长，结合洗车次序得到每个用户的洗车数据序列；对每个用户的洗车时长进行聚类，得到每个用户洗车时长的若干类簇；根据每个类簇中的洗车时长和每个用户的洗车数据序列，获取每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列并得到每个用户的洗车规律性；

根据每个用户的洗车规律性得到每个用户的初始平滑参数；根据服务记录数据获取每个用户相邻两次洗车的若干时间间隔；结合初始平滑参数，得到每个用户相邻两次洗车的时间间隔的预测值；根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，获取每个用户的初始平滑参数的修正系数并得到每个用户的修正平滑参数；

根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值；根据每个用户相邻两次洗车的时间间隔的最终预测值，对每个用户洗车的服务记录数据进行加密。

进一步地，所述得到每个用户的洗车数据序列，包括的具体步骤如下：

将任意一个用户，记为目标用户，将目标用户的每次洗车时长和对应的洗车次序构成的序列，记为目标用户的洗车数据序列，洗车数据序列中第一项为目标用户第一次洗车的洗车时长，第二项为目标用户的第一次洗车的洗车次序，第三项为目标用户第二次洗车的洗车时长，第四项为目标用户的第二次洗车的洗车次序，以此类推，直至排列到目标用户最后一次洗车的洗车时长和最后一次洗车的洗车次序。

进一步地，所述根据每个类簇中的洗车时长和每个用户的洗车数据序列，获取每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列并得到每个用户的洗车规律性，包括的具体步骤如下：

将目标用户的若干类簇中任意一个类簇，记为目标类簇，将目标类簇中所有洗车时长，按照在目标用户的洗车数据序列中的顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的洗车时长序列；获取目标类簇中洗车时长在目标用户的洗车数据序列中对应的若干洗车次序，并将若干洗车次序按照从小到大的顺序进行排列，得到目标用户在目标类簇下对应的洗车次序序列，将洗车次序序列中第u个洗车次序减去第u-1个洗车次序的结果，作为洗车次序序列中第u个洗车次序的次序差异，u∈[2,U]，U为洗车次序序列中洗车次序的个数，将洗车次序序列中洗车次序对应的所有次序差异，按照获取顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的次序差异序列；

根据每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，得到每个用户的洗车规律性。

进一步地，所述根据每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，得到每个用户的洗车规律性，包括的具体步骤如下：

式中，t_i为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列，var(t_i)为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列中元素的方差，C_i为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列，var(C_i)为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列中元素的方差，n为目标用户的洗车时长经过聚类后类簇的总个数，exp()为以自然常数为底的指数函数，R为目标用户的洗车规律性。

进一步地，所述得到每个用户相邻两次洗车的时间间隔的预测值，包括的具体步骤如下：

Y′_k+1＝β×Y_k+(1-β)×Y′_k

式中，β为目标用户的初始平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y′_k为目标用户相邻两次洗车的第k个时间间隔的预测值；其中Y′_k可通过若干次迭代得到，具体为：Y′₂＝β×Y₁+(1-β)×Y₁，Y′₃＝β×Y₂+(1-β)×Y′₂，以此类推，直至Y′_k＝β×Y_k-1+(1-β)×Y′_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y′₂为目标用户相邻两次洗车的第2个时间间隔的预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y′_k-1为目标用户相邻两次洗车的第k-1个时间间隔的预测值；Y′_k+1为目标用户相邻两次洗车的第k个时间间隔的预测值。

进一步地，所述根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，获取每个用户的初始平滑参数的修正系数并得到每个用户的修正平滑参数，包括的具体步骤如下：

将目标用户相邻两次洗车的第j个时间间隔，记为Y_j，将Y_j对应的时间间隔的预测值，记为Y′_j，将|Y_j-Y′_j|作为目标用户相邻两次洗车的第j个时间间隔差异，||表示求绝对值，获取目标用户相邻两次洗车的所有时间间隔差异，将所有时间间隔差异按照时间间隔的获取顺序进行排列，得到一个序列，记为第一差异序列，从第一差异序列中第二个时间间隔差异开始，依次获取每个时间间隔差异与前一个时间间隔差异的差值绝对值，将所有差值绝对值按照获取的顺序进行排列，得到一个序列，记为第二差异序列；

式中，w_a为第二差异序列中第a个差值绝对值，w_a-1为第二差异序列中第a-1个差值绝对值，num为第二差异序列中差值绝对值的个数，exp()为以自然常数为底的指数函数，μ为预设的超参数，γ为目标用户的初始平滑参数的修正系数；

根据每个用户的初始平滑参数和初始平滑参数的修正系数，得到每个用户的修正平滑参数。

进一步地，所述根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值，包括的具体步骤如下：

Y″_k+1＝β′×Y_k+(1-β′)×Y″_k

式中，β′为目标用户的修正平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y″_k为目标用户相邻两次洗车的第k个时间间隔的最终预测值；其中Y″_k可通过若干次迭代得到，具体为：Y″₂＝β′×Y₁+(1-β′)×Y₁，Y″₃＝β′×Y₂+(1-β′)×Y″₂，以此类推，直至Y″_k＝β′×Y_k-1+(1-β′)×Y″_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y″₂为目标用户相邻两次洗车的第2个时间间隔的最终预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y″_k-1为目标用户相邻两次洗车的第k-1个时间间隔的最终预测值；Y″_k+1为目标用户相邻两次洗车的第k个时间间隔的最终预测值。

进一步地，所述根据每个用户相邻两次洗车的时间间隔的最终预测值，对每个用户洗车的服务记录数据进行加密，包括的具体步骤如下：

对于任意一个用户的第三次洗车，第三次洗车存在对应的开始时间，通过第二次洗车与第三次洗车的时间间隔的最终预测值，结合该用户的第二次洗车的结束时间，得到第三次洗车的预测起始时间，获取第三次洗车的预测起始时间与开始时间的差值绝对值，将差值绝对值与对应的时间间隔的最终预测值的比值，作为第三次洗车的调整评价，预设一个调整阈值，若调整评价小于调整阈值，则将第三次洗车的开始时间进行删除，并记录该用户的第三次洗车的次序；若调整评价大于或等于调整阈值，不进行处理；以此类推，对从第三次洗车开始，每次洗车的开始时间都获取预测起始时间，并与调整阈值比较进行删除判断，并记录删除开始时间的洗车的次序，将最终记录的若干次序，按照从小到大的顺序排列得到一个序列，将该序列及修正平滑参数作为该用户洗车的服务记录数据的密钥进行存储，对删除结束的该用户洗车的服务记录数据进行AES加密。

进一步地，所述根据每个用户的洗车规律性得到每个用户的初始平滑参数，包括的具体步骤如下：

β＝1-R

式中，R为目标用户的洗车规律性，β为目标用户的初始平滑参数。

进一步地，所述根据每个用户的初始平滑参数和初始平滑参数的修正系数，得到每个用户的修正平滑参数，包括的具体步骤如下：

β′＝β×γ

式中，β为目标用户的初始平滑参数，γ为目标用户的初始平滑参数的修正系数，β′为目标用户的修正平滑参数。

本发明的技术方案的有益效果是：本发明根据洗车点对每一个用户的服务记录来预测每一辆车的洗车周期，进而通过预测的周期与实际时间的差异来进行加密；通过获取每个用户车辆的每次洗车时长，并对每个用户的洗车时长进行聚类，使得相同洗车时长的数据可以聚类在一起，从而根据不同洗车用户的洗车习惯的不同自适应获取每一个用户的初始平滑参数，进而通过分析每个用户相邻两次洗车的时间间隔，结合初始平滑参数，得到每个用户相邻两次洗车的时间间隔的预测值，由于预测结果与实际结果存在差异，因此对初始平滑参数进行修正得到每个用户的修正平滑参数，最后通过修正平滑参数和每个用户相邻两次洗车的时间间隔进行实际与预测时间上的差异并加密；从而实现对于服务记录数据中能够预测得到的数据进行删除，提高加密过程的效率，同时通过一定数据的删除来实现对于用户洗车的服务记录数据的保护。

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为本发明一个实施例所提供的一种共享洗车用户数据安全管理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种共享洗车用户数据安全管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种共享洗车用户数据安全管理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种共享洗车用户数据安全管理方法的步骤流程图，该方法包括以下步骤：

步骤S001、采集共享洗车点所有用户的服务记录数据。

需要说明的是，本实施例是一种共享洗车用户数据安全管理方法，在开始分析之前，首先需要采集数据。

具体的，通过共享洗车点的共享洗车APP获取所有用户的服务记录数据，其中，服务记录数据包含每个用户车辆的每次开始洗车时间和结束洗车时间。

至此，得到所有用户的服务记录数据。

步骤S002、根据服务记录数据，获取每个用户车辆的每次洗车时长，根据每个用户车辆的每次洗车时长和对应的洗车次序，得到每个用户的洗车数据序列，对每个用户的洗车时长进行聚类，得到每个用户洗车时长的若干类簇，根据每个类簇中的洗车时长和每个用户的洗车数据序列，得到每个用户的洗车规律性。

需要说明的是，对于洗车点的洗车调度问题，需要确定每一天的洗车数量，其中，洗车点的洗车数量决定该洗车点的所对应的洗车调度方案。因此，需要尽可能准确的预测每一个洗车点在每一天的洗车数量来实现该洗车点的用户洗车服务的智能调度问题。不同的用户的洗车时间差异不同，因此，需要根据每个用户的洗车时间差异获取每个用户的预测平滑参数，从而根据每个用户的预测平滑参数对该用户的到店洗车时间进行预测，从而对每天的洗车用户数量进行预测，以便于根据预测结果进行洗车调度。

需要说明的是，对于不同的用户，由于不同用户之间存在洗车差异，即不同用户的洗车频率不同，以及在每一次洗车过程中的洗车服务不同，例如某些用户在洗车时，仅清洗，或者在清洗完成以后还进行水蜡镀膜等多个不同的服务项目，不同的服务项目对应不同的服务时间，而不同的服务时间以及服务次数则对应用户对该洗车点的满意度，因此需要根据每个用户的服务记录获取该用户的洗车数据。

具体的，根据服务记录数据中每个用户车辆的每次开始洗车时间和结束洗车时间，获取每个用户车辆的每次洗车时长。

需要说明的是，对于每个用户的每次洗车时长，不同的洗车时长对应着该用户的不同洗车习惯，例如，若某个用户在每次洗车时间都较长，说明该用户对车辆的保养要求较高，若某个用户在洗车时的大部分洗车时间较短，而少部分洗车时间较长，说明该用户大部分洗车仅做车辆清洁，偶尔会做车辆保养服务，并且若该用户清洗时间较长的次数具有一定的规律性，则说明该用户的洗车习惯也较为规律。因此，需要根据每个用户到的洗车次数以及洗车时长来判断该用户的洗车规律性。

具体的，根据每个用户车辆的每次洗车时长和对应的洗车次序，得到每个用户的洗车数据序列，具体如下：

将任意一个用户，记为目标用户，将目标用户的每次洗车时长和对应的洗车次序构成的序列，记为目标用户的洗车数据序列，洗车数据序列中第一项为目标用户第一次洗车的洗车时长，第二项为目标用户的第一次洗车的洗车次序，即1，第三项为目标用户第二次洗车的洗车时长，第四项为目标用户的第二次洗车的洗车次序，即2，以此类推，直至排列到目标用户最后一次洗车的洗车时长和最后一次洗车的洗车次序。

进一步地，对每个用户的洗车时长进行聚类，得到每个用户洗车时长的若干类簇，具体如下：

对目标用户的所有洗车时长利用DBSCAN算法进行聚类，距离度量采用洗车时长之间的差值绝对值，得到目标用户洗车时长的若干类簇。

进一步地，根据每个类簇中的洗车时长和每个用户的洗车数据序列，得到每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，具体如下：

将目标用户的若干类簇中任意一个类簇，记为目标类簇，将目标类簇中所有洗车时长，按照在目标用户的洗车数据序列中的顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的洗车时长序列；获取目标类簇中洗车时长在目标用户的洗车数据序列中对应的若干洗车次序，并将若干洗车次序按照从小到大的顺序进行排列，得到目标用户在目标类簇下对应的洗车次序序列，将洗车次序序列中第u个洗车次序减去第u-1个洗车次序的结果，作为洗车次序序列中第u个洗车次序的次序差异，u∈[2,U]，U为洗车次序序列中洗车次序的个数，将洗车次序序列中洗车次序对应的所有次序差异，按照获取顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的次序差异序列。

进一步地，根据每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，得到每个用户的洗车规律性，具体如下：

式中，t_i为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列，var(t_i)为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列中元素的方差，C_i为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列，var(C_i)为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列中元素的方差，n为目标用户的洗车时长经过聚类后类簇的总个数，exp()为以自然常数为底的指数函数，本实施例采用exp(-P)模型来呈现反比例关系及归一化处理，P为模型的输入，实施者可根据具体实施情况设置反比例函数及归一化函数，R为目标用户的洗车规律性。

需要说明的是，var(C_i)表征对目标用户的洗车时长经过聚类后第i个类簇中所有洗车时长的时间间隔的规律性，其取值越小，说明在该聚类簇中的所有洗车时长的时间间隔越接近，即在该聚类簇中该用户的洗车行为越规律；var(t_i)表征对目标用户的洗车时长经过聚类后第i个类簇中所有洗车时长的规律性，其取值越小，说明在该聚类簇中的所有洗车时长越接近，即该聚类簇中的该用户的洗车行为越规律；综上所述，var(C_i)、var(t_i)的取值越小，则说明用户的洗车越规律，即R的取值越大。

至此，得到每个用户的洗车规律性。

步骤S003、根据每个用户的洗车规律性得到每个用户的初始平滑参数，根据每个用户相邻两次洗车的时间间隔和初始平滑参数，得到每个用户相邻两次洗车的时间间隔的预测值，根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，得到每个用户的修正平滑参数。

需要说明的是，若用户的洗车规律性越强，则说明用户的洗车越规律，则说明历史数据的参考程度越高，即平滑参数越小；若用户的洗车规律性越弱，则说明用户的近期数据的参考程度越高，即平滑参数越大，其中平滑参数是指数平滑法的平滑参数。因此，对每个用户的洗车规律性进行分析计算得到用户的初始平滑参数。

具体的，根据每个用户的洗车规律性得到每个用户的初始平滑参数，具体如下：

β＝1-R

式中，R为目标用户的洗车规律性，β为目标用户的初始平滑参数。

需要说明的是，由于在指数平滑法中，平滑参数的大小决定着预测数据所受历史数据的影响程度，平滑参数越大，则预测数据受距离实时数据越近的数据的影响越大，平滑参数越小，则预测数据受距离实时数据越远的数据的影响越大。若用户的洗车规律性越强，则说明该用户的洗车越规律，则说明历史数据的参考程度越高，即平滑参数越小；若用户的洗车的规律性越弱，则说明该用户的近期数据的参考程度越高，即平滑参数越大。

需要说明的是，对某个用户的洗车行为进行预测时，可根据该用户的历史数据对该用户的洗车行为进行预测，而若实际在截止到预测时间时，该用户并没有洗车，即此时预测结果与实际结果不一致，此时则需要根据预测结果与实际结果的差异来对初始平滑参数进行修正。

具体的，根据服务记录数据，获取每个用户相邻两次洗车的若干时间间隔，根据每个用户相邻两次洗车的时间间隔和初始平滑参数，得到每个用户相邻两次洗车的时间间隔的预测值，具体如下：

Y′_k+1＝β×Y_k+(1-β)×Y′_k

式中，β为目标用户的初始平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y′_k为目标用户相邻两次洗车的第k个时间间隔的预测值；其中Y′_k可通过若干次迭代得到，具体为：Y′₂＝β×Y₁+(1-β)×Y₁，Y′₃＝β×Y₂+(1-β)×Y′₂，以此类推，直至Y′_k＝β×Y_k-1+(1-β)×Y′_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y′₂为目标用户相邻两次洗车的第2个时间间隔的预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y′_k-1为目标用户相邻两次洗车的第k-1个时间间隔的预测值；Y′_k+1为目标用户相邻两次洗车的第k个时间间隔的预测值。

需要说明的是，若预测结果与实际结果存在差异，则说明该用户的近期洗车行为存在变化，即在对用户洗车行为进行预测时，需要参考近期数据的程度变大，即平滑系数需要变大，从而增加该用户的近期洗车行为的参考程度，因此需要根据每个用户的时间间隔的预测值与实际的时间间隔的差异计算修正系数。

具体的，根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，得到每个用户的初始平滑参数的修正系数，具体如下：

将目标用户相邻两次洗车的第j个时间间隔，记为Y_j，将Y_j对应的时间间隔的预测值，记为Y′_j，将|Y_j-Y′_j|作为目标用户相邻两次洗车的第j个时间间隔差异，||表示求绝对值，获取目标用户相邻两次洗车的所有时间间隔差异，将所有时间间隔差异按照时间间隔的获取顺序进行排列，得到一个序列，记为第一差异序列，从第一差异序列中第二个时间间隔差异开始，依次获取每个时间间隔差异与前一个时间间隔差异的差值绝对值，将所有差值绝对值按照获取的顺序进行排列，得到一个序列，记为第二差异序列。

式中，w_a为第二差异序列中第a个差值绝对值，w_a-1为第二差异序列中第a-1个差值绝对值，num为第二差异序列中差值绝对值的个数，exp()为以自然常数为底的指数函数，μ为预设的超参数，本实施例以μ＝1进行叙述，γ为目标用户的初始平滑参数的修正系数。

需要说明的是，表示目标用户的预测值和实际值的差异变化，若差异越来越大，则其取值越大，即该预测结果与实际结果的差异越大，即当前的预测结果越不准确，此时近期数据的参考程度越高，即此时修正系数越大；其取值越趋近于1，则说明预测结果与实际结果的差异变化越小，即当前的预测参数与准确，即此时修正系数越趋近于1；其取值越小，则说明预测结果与实际结果的差异呈现负增长，即此时数据对于距离较远的数据的参考程度越高，即此时的修正系数越小。

进一步地，根据每个用户的初始平滑参数和初始平滑参数的修正系数，得到每个用户的修正平滑参数，具体如下：

β′＝β×γ

式中，β为目标用户的初始平滑参数，γ为目标用户的初始平滑参数的修正系数，β′为目标用户的修正平滑参数。需要特别说明的是，若β′的结果大于1，则将β′置为1。

至此，得到每个用户的修正平滑参数。

步骤S004、根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值，根据每个用户相邻两次洗车的时间间隔的最终预测值，对每个用户洗车的服务记录数据进行加密。

需要说明的是，上述得到了每个用户的修正平滑参数，则通过修正平滑参数构建新的指数平滑模型，通过预测每相邻两次洗车的时间间隔，根据前一次洗车的时间获取下一次洗车的预测时间，并与实际时间进行比较，通过预测时间与实际时间的差异，对洗车的时间进行一定程度地删除，从而提高对用户洗车的服务记录数据加密效率的提高，同时通过删除数据，并基于已有的数据结合预测对删除的数据能够进行预测，最终实现对服务记录数据的加密。

具体的，根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值，具体如下：

Y″_k+1＝β′×Y_k+(1-β′)×Y″_k

式中，β′为目标用户的修正平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y″_k为目标用户相邻两次洗车的第k个时间间隔的最终预测值；其中Y″_k可通过若干次迭代得到，具体为：Y″₂＝β′×Y₁+(1-β′)×Y₁，Y″₃＝β′×Y₂+(1-β′)×Y″₂，以此类推，直至Y″_k＝β′×Y_k-1+(1-β′)×Y″_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y″₂为目标用户相邻两次洗车的第2个时间间隔的最终预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y″_k-1为目标用户相邻两次洗车的第k-1个时间间隔的最终预测值；Y″_k+1为目标用户相邻两次洗车的第k+1个时间间隔的最终预测值。

进一步地，获取到每个用户每相邻两次洗车的时间间隔的最终预测值后，对于任意一个用户的第三次洗车，第三次洗车存在对应的开始时间，同时通过第二次洗车与第三次洗车的时间间隔的最终预测值，即该用户的第二个时间间隔的最终预测值，结合该用户的第二次洗车的结束时间，能够得到第三次洗车的预测起始时间，获取第三次洗车的预测起始时间与开始时间的差值绝对值，将差值绝对值与对应的时间间隔的最终预测值的比值，作为第三次洗车的调整评价，预设一个调整阈值，本实施例调整阈值采用0.2进行叙述，若调整评价小于调整阈值，则将第三次洗车的开始时间进行删除，并记录该用户的第三次洗车的次序即3；若调整评价大于或等于调整阈值，则不进行处理；以此类推，对从第三次洗车开始，每次洗车的开始时间都获取预测起始时间，并与调整阈值比较进行删除判断，并记录删除开始时间的洗车的次序，将最终记录的若干次序，按照从小到大的顺序排列得到一个序列，将该序列及修正平滑参数作为该用户洗车的服务记录数据的密钥进行存储，对删除结束的该用户洗车的服务记录数据进行AES加密，则实现对该用户洗车的服务记录数据的安全管理；解密过程则通过AES加密的逆运算，并对运算结果通过修正平滑参数及序列中记录的次序值，逐个得到各次洗车的开始时间；例如该用户第三次洗车的开始时间删除，则根据第一次洗车及第二次洗车的开始时间与结束时间，以及修正平滑参数，获取第二个时间间隔的最终预测值即第二次洗车与第三次洗车的时间间隔的最终预测值，通过该最终预测值与第二次洗车的结束时间，得到第三次洗车的预测起始时间，将预测起始时间作为第三次洗车还原的开始时间，以此类推完成解密。

进一步地，按照上述方法对每个用户洗车的服务记录数据进行加密并获取密钥，则实现对共享洗车用户数据的安全管理。

通过以上步骤，完成一种共享洗车用户数据安全管理方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种共享洗车用户数据安全管理方法，其特征在于，该方法包括以下步骤：

采集共享洗车点所有用户的服务记录数据，所述服务记录数据包含每个用户车辆的每次开始洗车时间和结束洗车时间；

根据服务记录数据中每个用户车辆的每次开始洗车时间和结束洗车时间，获取每个用户车辆的每次洗车时长，结合洗车次序得到每个用户的洗车数据序列；对每个用户的洗车时长进行聚类，得到每个用户洗车时长的若干类簇；根据每个类簇中的洗车时长和每个用户的洗车数据序列，获取每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列并得到每个用户的洗车规律性；

根据每个用户的洗车规律性得到每个用户的初始平滑参数；根据服务记录数据获取每个用户相邻两次洗车的若干时间间隔；结合初始平滑参数，得到每个用户相邻两次洗车的时间间隔的预测值；根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，获取每个用户的初始平滑参数的修正系数并得到每个用户的修正平滑参数；

根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值；根据每个用户相邻两次洗车的时间间隔的最终预测值，对每个用户洗车的服务记录数据进行加密。

2.根据权利要求1所述一种共享洗车用户数据安全管理方法，其特征在于，所述得到每个用户的洗车数据序列，包括的具体步骤如下：

将任意一个用户，记为目标用户，将目标用户的每次洗车时长和对应的洗车次序构成的序列，记为目标用户的洗车数据序列，洗车数据序列中第一项为目标用户第一次洗车的洗车时长，第二项为目标用户的第一次洗车的洗车次序，第三项为目标用户第二次洗车的洗车时长，第四项为目标用户的第二次洗车的洗车次序，以此类推，直至排列到目标用户最后一次洗车的洗车时长和最后一次洗车的洗车次序。

3.根据权利要求2所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个类簇中的洗车时长和每个用户的洗车数据序列，获取每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列并得到每个用户的洗车规律性，包括的具体步骤如下：

将目标用户的若干类簇中任意一个类簇，记为目标类簇，将目标类簇中所有洗车时长，按照在目标用户的洗车数据序列中的顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的洗车时长序列；获取目标类簇中洗车时长在目标用户的洗车数据序列中对应的若干洗车次序，并将若干洗车次序按照从小到大的顺序进行排列，得到目标用户在目标类簇下对应的洗车次序序列，将洗车次序序列中第u个洗车次序减去第u-1个洗车次序的结果，作为洗车次序序列中第u个洗车次序的次序差异，u∈[2,U]，U为洗车次序序列中洗车次序的个数，将洗车次序序列中洗车次序对应的所有次序差异，按照获取顺序进行排列，得到目标用户的洗车时长经过聚类后目标类簇对应的次序差异序列；

根据每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，得到每个用户的洗车规律性。

4.根据权利要求3所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户的洗车时长经过聚类后每个类簇对应的洗车时长序列和次序差异序列，得到每个用户的洗车规律性，包括的具体步骤如下：

式中，t_i为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列，var(t_i)为目标用户的洗车时长经过聚类后第i个类簇对应的洗车时长序列中元素的方差，C_i为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列，var(C_i)为目标用户的洗车时长经过聚类后第i个类簇对应的次序差异序列中元素的方差，n为目标用户的洗车时长经过聚类后类簇的总个数，exp()为以自然常数为底的指数函数，R为目标用户的洗车规律性。

5.根据权利要求2所述一种共享洗车用户数据安全管理方法，其特征在于，所述得到每个用户相邻两次洗车的时间间隔的预测值，包括的具体步骤如下：

Y′_k+1＝β×Y_k+(1-β)×Y′_k

式中，β为目标用户的初始平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y′_k为目标用户相邻两次洗车的第k个时间间隔的预测值；其中Y′_k可通过若干次迭代得到，具体为：Y′₂＝β×Y₁+(1-β)×Y₁，Y′₃＝β×Y₂+(1-β)×Y′₂，以此类推，直至Y′_k＝β×Y_k-1+(1-β)×Y′_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y′₂为目标用户相邻两次洗车的第2个时间间隔的预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y′_k-1为目标用户相邻两次洗车的第k-1个时间间隔的预测值；Y′_k+1为目标用户相邻两次洗车的第k个时间间隔的预测值。

6.根据权利要求2所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户相邻两次洗车的时间间隔和对应的时间间隔的预测值，获取每个用户的初始平滑参数的修正系数并得到每个用户的修正平滑参数，包括的具体步骤如下：

将目标用户相邻两次洗车的第j个时间间隔，记为Y_j，将Y_j对应的时间间隔的预测值，记为Y_j′，将|Y_j-Y_j′|作为目标用户相邻两次洗车的第j个时间间隔差异，||表示求绝对值，获取目标用户相邻两次洗车的所有时间间隔差异，将所有时间间隔差异按照时间间隔的获取顺序进行排列，得到一个序列，记为第一差异序列，从第一差异序列中第二个时间间隔差异开始，依次获取每个时间间隔差异与前一个时间间隔差异的差值绝对值，将所有差值绝对值按照获取的顺序进行排列，得到一个序列，记为第二差异序列；

式中，w_a为第二差异序列中第a个差值绝对值，w_a-1为第二差异序列中第a-1个差值绝对值，num为第二差异序列中差值绝对值的个数，exp()为以自然常数为底的指数函数，μ为预设的超参数，γ为目标用户的初始平滑参数的修正系数；

根据每个用户的初始平滑参数和初始平滑参数的修正系数，得到每个用户的修正平滑参数。

7.根据权利要求2所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户相邻两次洗车的时间间隔和修正平滑参数，得到每个用户相邻两次洗车的时间间隔的最终预测值，包括的具体步骤如下：

Y″_k+1＝β′×Y_k+(1-β′)×Y″_k

式中，β′为目标用户的修正平滑参数，Y_k为目标用户相邻两次洗车的第k个时间间隔，Y″_k为目标用户相邻两次洗车的第k个时间间隔的最终预测值；其中Y″_k可通过若干次迭代得到，具体为：Y″₂＝β′×Y₁+(1-β′)×Y₁，Y″₃＝β′×Y₂+(1-β′)×Y″₂，以此类推，直至Y″_k＝β′×Y_k-1+(1-β′)×Y″_k-1，其中Y₁为目标用户相邻两次洗车的第1个时间间隔，Y″₂为目标用户相邻两次洗车的第2个时间间隔的最终预测值，Y₂为目标用户相邻两次洗车的第2个时间间隔，Y_k-1为目标用户相邻两次洗车的第k-1个时间间隔，Y″_k-1为目标用户相邻两次洗车的第k-1个时间间隔的最终预测值；Y″_k+1为目标用户相邻两次洗车的第k个时间间隔的最终预测值。

8.根据权利要求1所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户相邻两次洗车的时间间隔的最终预测值，对每个用户洗车的服务记录数据进行加密，包括的具体步骤如下：

对于任意一个用户的第三次洗车，第三次洗车存在对应的开始时间，通过第二次洗车与第三次洗车的时间间隔的最终预测值，结合该用户的第二次洗车的结束时间，得到第三次洗车的预测起始时间，获取第三次洗车的预测起始时间与开始时间的差值绝对值，将差值绝对值与对应的时间间隔的最终预测值的比值，作为第三次洗车的调整评价，预设一个调整阈值，若调整评价小于调整阈值，则将第三次洗车的开始时间进行删除，并记录该用户的第三次洗车的次序；若调整评价大于或等于调整阈值，不进行处理；以此类推，对从第三次洗车开始，每次洗车的开始时间都获取预测起始时间，并与调整阈值比较进行删除判断，并记录删除开始时间的洗车的次序，将最终记录的若干次序，按照从小到大的顺序排列得到一个序列，将该序列及修正平滑参数作为该用户洗车的服务记录数据的密钥进行存储，对删除结束的该用户洗车的服务记录数据进行AES加密。

9.根据权利要求2所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户的洗车规律性得到每个用户的初始平滑参数，包括的具体步骤如下：

β＝1-R

式中，R为目标用户的洗车规律性，β为目标用户的初始平滑参数。

10.根据权利要求6所述一种共享洗车用户数据安全管理方法，其特征在于，所述根据每个用户的初始平滑参数和初始平滑参数的修正系数，得到每个用户的修正平滑参数，包括的具体步骤如下：

β′＝β×γ

式中，β为目标用户的初始平滑参数，γ为目标用户的初始平滑参数的修正系数，β′为目标用户的修正平滑参数。