网约车的异常停留行为识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种网约车的异常停留行为识别方法、装置、设备及存储介质，通过采集网约车发生停留时的实时数据；从数据库中获取第一历史数据集合和第二历史数据集合；第一历史数据集合包括至少一个司机在与实时数据相同服务状态下的历史停留时长，第二历史数据集合包括至少一个司机在与实时数据相同时间段以及相同区域内的历史停留时长；根据实时数据、第一历史数据集合、第二历史数据集合及预设模型识别网约车当前是否出现异常停留行为。利用海量网约车出行的多维度历史数据及预设模型，考虑停留时长、位置、服务状态等多维度特征信息，可实时准确识别网约车当前是否出现异常停留行为，提高网约车平台的安全感知能力，保障司机和乘客的安全。

【技术实现步骤摘要】
网约车的异常停留行为识别方法、装置、设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种网约车的异常停留行为识别方法、装置、设备及存储介质。
技术介绍
对于网约车平台而言，安全是平台可持续发展的保障。而在网约车行程中的异常停留是所有安全场景中最为常见和占比最大的场景，绝大多数的异常停留案例是因为司机和乘客之间发生冲突，或者发生交通事故导致伤亡。现有技术中判断网约车是否存在异常停留行为，通常需要司机、乘客、警察主动上报到网约车平台，或者通过实时采集网约车停留时长并与固定的停留时长阈值比较来对异常停留进行识别。通过司机、乘客、警察主动上报到网约车平台，对于网约车异常停留行为的识别存在滞后性，若发生重大案例容易错过最佳救助时机，并且对于未主动上报的异常停留情况没有感知，导致召回率不高；而通过与固定的停留时长阈值比较的异常停留行为的识别的方法准确率不高，非常容易出现错误判定的情况，比如部分城市路口的红灯时间较长，超出固定的停留时长阈值则误判为异常停留，容易对司机和乘客造成困扰。
技术实现思路
本专利技术实施例提供一种网约车的异常停留行为识别方法、装置、设备及存储介质，以实时、准确的识别网约车当前是否出现异常停留行为，提高网约车平台的安全感知能力和对交通事故、司机乘客冲突的识别能力，保障司机和乘客的安全。本专利技术实施例的第一方面是提供一种网约车的异常停留行为识别方法，包括：采集网约车发生停留时的实时数据，所述实时数据包括当前停留位置、当前停留时长、司机服务状态以及预定特征信息；从数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述实时数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述实时数据相同时间段以及相同区域内的历史停留时长；根据所述实时数据、所述第一历史数据集合、所述第二历史数据集合以及预设模型，识别所述网约车当前是否出现异常停留行为。本专利技术实施例的第二方面是提供一种网约车的异常停留行为识别模型训练方法，包括：从数据库获取训练数据集合，所述训练数据包括属于异常停留行为的正例训练数据和不属于异常停留行为的负例训练数据；对于每一训练数据，提取所述训练数据的停留位置、停留时长、司机服务状态以及预定特征信息；从所述数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述训练数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述训练数据相同时间段以及相同区域内的历史停留时长；根据所述训练数据集合、每一训练数据对应的所述第一历史数据集合和所述第二历史数据集合，对预设模型进行训练，以使预设模型输出的异常停留行为判断结果的准确率和/或召回率达到目标值。本专利技术实施例的第三方面是提供一种网约车的异常停留行为识别装置，包括：采集模块，用于采集网约车发生停留时的实时数据，所述实时数据包括当前停留位置、当前停留时长、司机服务状态以及预定特征信息；获取模块，用于从数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述实时数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述实时数据相同时间段以及相同区域内的历史停留时长；处理模块，用于根据所述实时数据、所述第一历史数据集合、所述第二历史数据集合以及预设模型，识别所述网约车当前是否出现异常停留行为。本专利技术实施例的第四方面是提供一种网约车的异常停留行为识别模型训练装置，包括：获取模块，用于从数据库获取训练数据集合，所述训练数据包括属于异常停留行为的正例训练数据和不属于异常停留行为的负例训练数据；特征提取模块，用于对于每一训练数据，提取所述训练数据的停留位置、停留时长、司机服务状态以及预定特征信息；所述获取模块还用于，从所述数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述训练数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述训练数据相同时间段以及相同区域内的历史停留时长；训练模块，用于根据所述训练数据集合、每一训练数据对应的所述第一历史数据集合和所述第二历史数据集合，对预设模型进行训练，以使预设模型输出的异常停留行为判断结果的准确率和/或召回率达到目标值。本专利技术实施例的第五方面是提供一种网约车的异常停留行为识别设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。本专利技术实施例的第六方面是提供一种网约车的异常停留行为识别模型训练设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第二方面所述的方法。本专利技术实施例的第七方面是提供一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如第一方面所述的方法。本专利技术实施例的第八方面是提供一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如第二方面所述的方法。本专利技术实施例提供的网约车的异常停留行为识别方法、装置、设备及存储介质，利用海量网约车出行的多维度历史数据以及预设模型，考虑到停留时长、位置、服务状态等多维度的特征信息，可实时、准确的识别网约车当前是否出现异常停留行为，提高网约车平台的安全感知能力和对交通事故、司机乘客冲突的识别能力，保障司机和乘客的安全。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的网约车的异常停留行为识别方法的系统架构图；图2为本专利技术实施例提供的网约车的异常停留行为识别方法流程图；图3为本专利技术另一实施例提供的网约车的异常停留行为识别方法流程图；图4为本专利技术另一实施例提供的网约车的异常停留行为识别模型训练方法流程图；图5为本专利技术实施例提供的网约车的异常停留行为识别装置的结构图；图6为本专利技术实施例提供的网约车的异常停留行为识别模型训练装置的结构图；图7为本专利技术实施例提供的网约车的异常停留行为识别设备的结构图；图8为本专利技术实施例提供的网约车的异常停留行为识别模型训练设备的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没本文档来自技高网...

【技术保护点】
1.一种网约车的异常停留行为识别方法，其特征在于，包括：/n采集网约车发生停留时的实时数据，所述实时数据包括当前停留位置、当前停留时长、司机服务状态以及预定特征信息；/n从数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述实时数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述实时数据相同时间段以及相同区域内的历史停留时长；/n根据所述实时数据、所述第一历史数据集合、所述第二历史数据集合以及预设模型，识别所述网约车当前是否出现异常停留行为。/n

【技术特征摘要】
1.一种网约车的异常停留行为识别方法，其特征在于，包括：
采集网约车发生停留时的实时数据，所述实时数据包括当前停留位置、当前停留时长、司机服务状态以及预定特征信息；
从数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述实时数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述实时数据相同时间段以及相同区域内的历史停留时长；
根据所述实时数据、所述第一历史数据集合、所述第二历史数据集合以及预设模型，识别所述网约车当前是否出现异常停留行为。


2.根据权利要求1所述的方法，其特征在于，所述根据所述实时数据、所述第一历史数据集合、所述第二历史数据集合以及预设模型，识别所述网约车当前是否出现异常停留行为，包括：
将所述当前停留时长以及所述第一历史数据集合输入到第一模型中，判断所述当前停留时长相对于所述第一历史数据集合是否为异常停留时长；
若确定所述当前停留时长为异常停留时长，则将所述预定特征信息输入第二模型中，判断所述预定特征信息是否满足所述第二模型的预设规则；
若确定所述预定特征信息不满足所述第二模型的预设规则，则将所述当前停留时长以及所述第二历史数据集合输入到第三模型中，获取所述当前停留时长的离群程度因子，若所述离群程度因子大于预设阈值，则确定所述网约车当前出现异常停留行为。


3.根据权利要求2所述的方法，其特征在于，所述第一模型为基于分布的TukeyMethod模型，所述TukeyMethod模型中用于表征异常程度的系数采用预设系数；
所述判断所述当前停留时长相对于所述第一历史数据集合是否为异常停留时长，包括：
通过所述TukeyMethod模型以所述预设系数获取所述第一历史数据集合的最大估计值；
若所述当前停留时长大于所述最大估计值，则确定所述当前停留时长为异常停留时长。


4.根据权利要求3所述的方法，其特征在于，所述第一历史数据集合包括第一子集和第二子集；所述第一子集包括当前司机在与所述实时数据相同服务状态下历史停留时长；所述第二子集包括所述数据库中所有司机在与所述实时数据相同服务状态以及相同区域内的历史停留时长；
所述判断所述当前停留时长相对于所述第一历史数据集合是否为异常停留时长，包括：
通过所述TukeyMethod模型以所述预设系数获取所述第一子集的第一最大估计值、以及所述第二子集的第二最大估计值；
若所述当前停留时长大于所述第一最大估计值或所述第二最大估计值，则确定所述当前停留时长为异常停留时长。


5.根据权利要求4所述的方法，其特征在于，所述预定特征信息包括以下至少一个：乘客的支付行为、乘客对司机的评价、发单热点区域；
所述判断所述预定特征信息是否满足所述第二模型的预设规则，包括：
判断所述乘客的支付行为是否为主动支付；和/或
判断所述乘客对司机的评价是否为主动好评；和/或
判断所述当前停留位置是否处于所述发单热点区域；
若上述判断结果均为否，则确定所述预定特征信息不满足所述第二模型的预设规则。


6.根据权利要求2-5任一项所述的方法，其特征在于，所述第三模型为基于密度的LOF模型；
所述获取所述当前停留时长的离群程度因子，包括：
通过所述LOF模型，根据所述当前停留时长以及所述第二历史数据集合，获取所述当前停留时长的离群程度因子LOF值。


7.根据权利要求6所述的方法，其特征在于，所述确定所述预定特征信息不满足所述第二模型的预设规则后，包括：
若所述第二数据集中样本数少于预设数量，则直接确定所述网约车当前出现异常停留行为；
所述方法还包括：
统计所述数据库中所有司机在与所述实时数据相同时间段内的历史停留数据的数量，并以所述历史停留数据的数量乘以预设百分比后得到的结果作为所述预设数量。


8.根据权利要求2所述的方法，其特征在于，还包括：
若确定所述当前停留时长不为异常停留时长，则确定所述网约车当前未出现异常停留行为；或者
若确定所述预定特征信息满足所述第二模型的预设规则，则确定所述网约车当前未出现异常停留行为；或者
若确定所述离群程度因子小于或等于预设阈值，则确定所述网约车当前未出现异常停留行为。


9.一种网约车的异常停留行为识别模型训练方法，其特征在于，包括：
从数据库获取训练数据集合，所述训练数据包括属于异常停留行为的正例训练数据和不属于异常停留行为的负例训练数据；
对于每一训练数据，提取所述训练数据的停留位置、停留时长、司机服务状态以及预定特征信息；
从所述数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述训练数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述训练数据相同时间段以及相同区域内的历史停留时长；
根据所述训练数据集合、每一训练数据对应的所述第一历史数据集合和所述第二历史数据集合，对预设模型进行训练，以使预设模型输出的异常停留行为判断结果的准确率和/或召回率达到目标值。


10.根据权利要求9所述的方法，其特征在于，所述根据所述训练数据集合、每一训练数据对应的所述第一历史数据集合和所述第二历史数据集合，对预设模型进行训练，包括：
对于每一训练数据，将所述停留时长以及所述第一历史数据集合输入到第一模型中进行训练，确定所述第一模型的预设系数；
将所述预定特征信息输入第二模型中进行训练，确定所述第二模型的预设规则；
将所述停留时长以及所述第二历史数据集合输入到第三模型中进行训练，确定离群程度因子的预设阈值。


11.一种网约车的异常停留行为识别装置，其特征在于，包括：
采集模块，用于采集网约车发生停留时的实时数据，所述实时数据包括当前停留位置、当前停留时长、司机服务状态以及预定特征信息；
获取模块，用于从数据库中获取第一历史数据集合和第二历史数据集合；所述第一历史数据集合包括至少一个司机在与所述实时数据相同服务状态下的历史停留时长，所述第二历史数据集合包括至少一个司机在与所述实时数据相同时间段以及相同区域内的历史停留时长；
处理模块，用于根据所述实时数据、所述第一历史数据集合...

【专利技术属性】
技术研发人员：张腾剑，陈奥，
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