异常订单预测方法和系统技术方案

本申请公开了一种预测异常订单的方法和系统。所述订单为服务类订单。所述方法包括：获取待检测订单；获取所述待检测订单的相关特征值；基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单；其中，相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。

Method and system of abnormal order forecast

【技术实现步骤摘要】
异常订单预测方法和系统
本申请涉及互联网
，尤其涉及一种预测异常订单的方法及系统。
技术介绍
近年来，随着互联网技术的快速发展，大量在线服务类软件涌现了出来。此类服务包括网约车服务、外卖服务、家政服务等。在此类服务快速扩张的同时，也暴露出越来越多的问题，发生了多起异常事件。在这些异常事件中，服务提供者或是需求者的财产安全、人身安全受到不同程度威胁。因此，希望可以提供一种预测异常订单的方法和系统，从而能尽早采取措施预防异常事件的发生，保障相关人员的安全。
技术实现思路
本申请通过分析待检测订单的相关特征值与历史订单的相关特征值的差异程度，从而判断待检测订单是否异常。本申请的一个方面提供一种预测异常订单的方法，所述订单为服务类订单。所述方法包括：获取待检测订单；获取所述待检测订单的相关特征值；基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单；其中，相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。在一些实施例中，所述基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单还包括：基于所述待检测订单的相关特征值确定所述待检测订单的异常度；基于所述异常度判断所述待检测订单是否为异常订单。在一些实施例中，所述基于所述待检测订单的相关特征值确定所述待检测订单的异常度进一步包括：基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度。<br>在一些实施例中，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离；至少基于待检测订单的相关特征值向量与各历史订单的相关特征值向量的距离确定所述待检测订单的异常度。在一些实施例中，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离；基于任意两个向量的距离至少确定所述待检测订单的相关特征值向量的密度以及其邻域密度；所述邻域范围的大小为预先设定；基于所述待检测订单的相关特征值向量的密度以及其邻域密度的大小关系确定所述待检测订单的异常度。在一些实施例中，基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：利用局部异常因子算法计算所述待检测订单的异常度。在一些实施例中，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：基于历史订单的相关特征值对历史订单分类；确定每个历史订单类的标识相关特征值，所述标识相关特征值构成该历史订单类的标识相关特征值向量；所述标识相关特征值为其所在历史订单类中某个历史订单的相关特征值，或者所述标识相关特征值反映其所在历史订单类中历史订单的相关特征值的均值；确定待检测订单的相关特征值向量与各个历史订单类的标识相关特征值向量的距离；基于所述距离确定待检测订单的异常度。在一些实施例中，所述基于历史订单的相关特征值对历史订单分类包括：通过聚类算法对历史订单的相关特征值聚类，进而对历史订单进行分类。在一些实施例中，所述方法还包括定期更新所述历史订单。在一些实施例中，所述方法还包括基于历史异常订单确定和/或更新相关特征。在一些实施例中，所述基于历史异常订单确定相关特征进一步包括：确定候选特征；确定所述候选特征的异常事件辨识度；将异常事件辨识度大于设定阈值的候选特征作为所述相关特征。在一些实施例中，所述基于历史异常订单更新相关特征进一步包括：更新历史异常订单；基于更新后的历史异常订单确定所述相关特征。在一些实施例中，所述订单发起者在平台上的操作行为包括一定时间范围内订单发起者取消订单的频率；所述订单发起者的个人信息包括以下中的至少一个：是否有固定居住地点、是否有固定工作地点、借贷情况或受教育程度；所述订单发起者对服务的订制要求包括以下中的至少一个：对服务工具的订制要求或对服务提供人员的订制要求。本申请的另一方面提供一种预测异常订单的系统，所述订单为服务类订单。所述系统包括：订单获取模块、特征值获取模块、判断模块；所述订单获取模块用于获取待检测订单；所述特征值获取模块用于获取所述待检测订单的相关特征值；所述判断模块用于基于所述待检测订单的相关特征值判断所述待检测订单是否为异常订单；其中，相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。本申请的另一方面提供一种预测异常订单的装置。该装置包括存储器及处理器；所述存储器上存储有计算机程序；所述处理器用于执行所述计算机程序中的至少一部分以实现上述预测异常订单的方法中任意一项所述的操作。本申请的另一方面提供一种计算机可读存储介质。所述存储介质存储有计算机程序，所述计算机程序中的至少一部分被处理器执行时实现上述预测异常订单的方法中任意一项所述的操作。本申请的另一方面提供一种提示异常订单的方法，所述订单为服务类订单。所述方法包括：接收服务器信息，显示服务器派送的订单信息以及提示信息；所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常度相关的安全警示信息。本申请的另一方面提供一种提示异常订单的系统，所述订单为服务类订单。所述系统包括：接收模块与显示模块；所述接收模块用于接收服务器信息；所述显示模块用于基于所述服务器信息，显示服务器派送的订单信息以及提示信息；所述提示信息用于提示用户当前订单的异常度和/或与当前订单异常度相关的安全警示信息。本申请的另一方面提供一种提示异常订单的装置。该装置包括存储器及处理器；所述存储器上存储有计算机程序；所述处理器用于执行所述计算机程序中的至少一部分以实现上述预测异常订单的方法中所述的操作。本申请的另一方面提供一种计算机可读存储介质。所述存储介质存储有计算机程序，所述计算机程序中的至少一部分被处理器执行时实现上述提示异常订单的方法中所述的操作。附图说明图1是根据本申请的一些实施例所示的一种预测异常订单系统的应用场景示意图；图2为根据本申请的一些实施例所示的一种示例性计算设备200的硬件和软件组件示意图；图3是根据本专利技术的一些实施例所示的一个示例性的移动设备300的示例性硬件和/或软件的示意图；图4是根据本申请一些实施例所示的预测异常订单系统的模块图；图5是根据本申请一些实施例所示的预测异常订单的方法示例性流程图；图6是根据本申请一些实施例所示的基于距离的方法确定待本文档来自技高网...

【技术保护点】
1.一种预测异常订单的方法，所述订单为服务类订单，其特征在于，包括：/n获取待检测订单；/n获取所述待检测订单的相关特征值；/n基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单；其中，/n相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。/n

【技术特征摘要】
1.一种预测异常订单的方法，所述订单为服务类订单，其特征在于，包括：
获取待检测订单；
获取所述待检测订单的相关特征值；
基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单；其中，
相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。


2.根据权利要求1所述的一种预测异常订单的方法，其特征在于，所述基于所述待检测订单的相关特征值确定所述待检测订单是否为异常订单还包括：
基于所述待检测订单的相关特征值确定所述待检测订单的异常度；
基于所述异常度判断所述待检测订单是否为异常订单。


3.根据权利要求2所述的一种预测异常订单的方法，其特征在于，所述基于所述待检测订单的相关特征值确定所述待检测订单的异常度进一步包括：基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度。


4.根据权利要求3所述的一种预测异常订单的方法，其特征在于，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离；
至少基于待检测订单的相关特征值向量与各历史订单的相关特征值向量的距离确定所述待检测订单的异常度。


5.根据权利要求3所述的一种预测异常订单的方法，其特征在于，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：
确定所述待检测订单的相关特征值向量以及历史订单的相关特征值向量中任意两个向量的距离；
基于任意两个向量的距离至少确定所述待检测订单的相关特征值向量的密度以及其邻域密度；所述邻域范围的大小为预先设定；
基于所述待检测订单的相关特征值向量的密度以及其邻域密度的大小关系确定所述待检测订单的异常度。


6.根据权利要求3所述的一种预测异常订单的方法，其特征在于，基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：
利用局部异常因子算法计算所述待检测订单的异常度。


7.根据权利要求3所述的一种预测异常订单的方法，其特征在于，每个订单的相关特征值构成该订单的相关特征值向量，所述基于所述待检测订单的相关特征值与历史订单的相关特征值的差异程度确定所述待检测订单的异常度进一步包括：
基于历史订单的相关特征值对历史订单分类；
确定每个历史订单类的标识相关特征值，所述标识相关特征值构成该历史订单类的标识相关特征值向量；所述标识相关特征值为其所在历史订单类中某个历史订单的相关特征值，或者所述标识相关特征值反映其所在历史订单类中历史订单的相关特征值的均值；
确定待检测订单的相关特征值向量与各个历史订单类的标识相关特征值向量的距离；
基于所述距离确定待检测订单的异常度。


8.根据权利要求7所述的一种预测异常订单的方法，其特征在于，所述基于历史订单的相关特征值对历史订单分类包括：通过聚类算法对历史订单的相关特征值聚类，进而对历史订单进行分类。


9.根据权利要求3所述的一种预测异常订单的方法，其特征在于，所述方法还包括定期更新所述历史订单。


10.根据权利要求1所述的一种预测异常订单的方法，其特征在于，所述方法还包括基于历史异常订单确定和/或更新相关特征。


11.根据权利要求10所述的一种预测异常订单的方法，其特征在于，所述基于历史异常订单确定相关特征进一步包括：
确定候选特征；
确定所述候选特征的异常事件辨识度；
将异常事件辨识度大于设定阈值的候选特征作为所述相关特征。


12.根据权利要求11所述的一种预测异常订单的方法，其特征在于，所述基于历史异常订单更新相关特征进一步包括：
更新历史异常订单；
基于更新后的历史异常订单确定所述相关特征。


13.根据权利要求1所述的一种预测异常订单的方法，其特征在于，
所述订单发起者在平台上的操作行为包括一定时间范围内订单发起者取消订单的频率；
所述订单发起者的个人信息包括以下中的至少一个：是否有固定居住地点、是否有固定工作地点、借贷情况或受教育程度；
所述订单发起者对服务的订制要求包括以下中的至少一个：对服务工具的订制要求或对服务提供人员的订制要求。


14.一种预测异常订单的系统，所述订单为服务类订单，其特征在于，所述系统包括：订单获取模块、特征值获取模块、判断模块；
所述订单获取模块用于获取待检测订单；
所述特征值获取模块用于获取所述待检测订单的相关特征值；
所述判断模块用于基于所述待检测订单的相关特征值判断所述待检测订单是否为异常订单；其中，
相关特征值至少反映以下多种信息中的至少一个：服务时间、服务地点、订单发起者在平台上的操作行为、订单发起者的个人信息或订单发起者对服务的订制要求。


15.根据权利要求14所述的预测异常订单的系统，其特征在于，所述系统还包括异常度确定模块；
所述异常度模块用于基于...

【专利技术属性】
技术研发人员：缪莹莹，王志龙，时少辉，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11