一种异常时空点的识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种异常时空点的识别方法，包括以下步骤：接收监控请求选择监控的时空区域；生成时空区域对应的时空网格；通过网格搜索法在预设时空核密度估计模型中遍历时空网格的网格节点，输出估计值；网格节点包括已支付订单时空数据和未支付时空数据；已支付订单时空数据和未支付时空数据包括经纬度数据和时间数据；比较所述估计值与预设异常时空阈值，识别异常时空点。本发明专利技术通过引入时间数据，建立时间维度邻近的约束，进而建立时空核密度估计模型，有效识别在特定时间段和特定时间区域呈现聚集状态的异常时空点，弥补的空间和时间割裂分析的方法缺陷，有效识别乘客的逃单行为。为。为。

【技术实现步骤摘要】
一种异常时空点的识别方法、装置、电子设备及存储介质


[0001]本专利技术属于的大数据处理
，具体涉及一种异常时空点的识别方法、装置、电子设备及存储介质。

技术介绍

[0002]网约车领域，经营模式通常为：乘客端请求约车服务，司机端接收乘客端的请求并生成网约车订单，在网约车将乘客派送至订单终点时，乘客端向网约车平台支付该笔订单的费用，然后网约车平台将该笔订单的车费支付给司机端。正是由于这种先下单后付款的经营模式，让许多乘客钻空子产生逃单行为。通常为平台垫付该笔订单的车费支付给司机，然后平台以短信、电话和APP消息推送等形式提醒乘客及时支付该笔订单，但仍存在大量未支付的订单。
[0003]现有相关技术中，通常针对逃单的乘客账号进行监测，但是逃单乘客通常仅使用一次该网约车平台的乘车服务，在使用完毕后并丢弃该账号，由于乘客注册网约车平台时仅通过手机号码就可注册成功，而平台未能获取乘客的个人信息，难以有效监测乘客的逃单行为。

技术实现思路

[0004]本专利技术的目的是要解决上述的技术问题，提供一种异常时空点的识别方法、装置、电子设备及存储介质。
[0005]为了解决上述问题，本专利技术按以下技术方案予以实现的：
[0006]第一方面，本专利技术提供了一种异常时空点的识别方法，包括以下步骤：
[0007]接收监控请求选择监控的时空区域；
[0008]生成所述时空区域对应的时空网格；
[0009]通过网格搜索法在预设时空核密度估计模型中遍历所述时空网格的网格节点，输出估计值；所述预设时空核密度估计模型包括已支付订单核密度估计模型和未支付订单核密度估计模型；所述网格节点包括已支付订单时空数据和未支付时空数据；所述已支付订单时空数据和未支付时空数据包括经纬度数据和时间数据；
[0010]比较所述估计值与预设异常时空阈值，识别异常时空点。
[0011]结合第一方面，本专利技术还提供了第一方面的第1种实施方式，所述生成所述时空区域对应的时空网格后，还包括：
[0012]接收分辨率选择命令，根据所述分辨率选择命令重新划分所述时空区域的时空网格。
[0013]结合第一方面，本专利技术还提供了第一方面的第2种实施方式，所述比较所述估计值与预设异常时空阈值，识别异常时空点，具体为：
[0014]通过预设公式比较已支付订单核密度估计模型的估计值和未支付订单核密度估计模型的估计值，输出具有单调含义的实数值；若所述实数值大于所述预设异常时空阈值，
则该网格节点为异常时空点。
[0015]结合第一方面，本专利技术还提供了第一方面的第3种实施方式，所述预设公式的表达式为：
[0016][0017]式中，K(x,y,t)为实数值，KDE
up
为未支付订单核密度估计模型的估计值，KDE
p
为已支付订单核密度估计模型的估计值，KDE
up
的输入为KDE
up
(x,y,t)，KDE
p
的输入为KDE
p
(x,y,t)。
[0018]结合第一方面，本专利技术还提供了第一方面的第4种实施方式，所述预设时空核密度估计模型是通过以下方法获得，包括：
[0019]获取乘客端已支付订单时空数据或未支付时空数据，建立时空数据集；
[0020]通过预设分布函数、空间带宽和时间带宽，对时空数据集中每个已支付订单时空数据或未支付时空数据进行核密度估计，生成所述时空数据集对应的核密度估计函数。
[0021]结合第一方面，本专利技术还提供了第一方面的第5种实施方式，所述预设分布函数为高斯核函数，所述核密度估计函数的表达式为：
[0022][0023]式中，KDE(x,y,t)为核密度估计值，n为时空数据集中已支付订单时空数据或未支付时空数据的个数，h1为空间带宽，h2为时间带宽，(x
i
,y
i
)为第i个已支付订单时空数据或未支付时空数据中经纬度数据,t
i
为第i个已支付订单时空数据或未支付时空数据中时间数据。
[0024]第二方面，本专利技术提供了一种异常时空点的识别装置，包括：
[0025]时空区域选择模块，所述时空区域选择模块用于接收监控请求选择监控的时空区域；
[0026]时空网格生成模块，所述时空网格生成模块用于生成所述时空区域对应的时空网格；
[0027]遍历模块，所述遍历模块用于通过网格搜索法在预设时空核密度估计模型中遍历所述时空网格的网格节点，输出估计值；所述预设时空核密度估计模型包括已支付订单核密度估计模型和未支付订单核密度估计模型；所述网格节点包括已支付订单时空数据和未支付时空数据；所述已支付订单时空数据和未支付时空数据包括经纬度数据和时间数据；
[0028]识别模块，所述识别模块用于比较所述估计值与预设异常时空阈值，识别异常时空点。
[0029]结合第二方面，本专利技术还提供了第二方面的第1种实施方式，还包括：
[0030]重新划分时空网格模块，所述重新划分时空网格模块用于接收分辨率选择命令，根据所述分辨率选择命令重新划分所述时空区域的时空网格。
[0031]第三方面，本专利技术提供了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，所述至少一个处理器执行指令时，具体执行如第
一方面中任一项所述的一种异常时空点的识别方法。
[0032]第四方面，本专利技术提供了一种存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，具体执行如第一方面中任一项所述的一种异常时空点的识别方法。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]已支付订单核密度估计模型输出已支付订单的估计值，反应了该网格节点已支付订单的出现概率，未支付订单核密度估计模型输出未支付订单的估计值，反应了该网格节点未支付订单的出现概率，通过引入时间数据，建立时间维度邻近的约束，进而建立时空核密度估计模型，计算未支付订单和已支付订单的行为的时空分布密度，进而分析未支付订单的出现频率和已支付订单的出现频率，有效识别在特定时间段和特定时间区域呈现聚集状态的异常时空点，弥补的空间和时间割裂分析的方法缺陷，有效识别乘客的逃单行为。
附图说明
[0035]下面结合附图对本专利技术的具体实施方式作进一步详细的说明，其中：
[0036]图1是本专利技术的一种异常时空点的识别方法的流程示意图；
[0037]图2是本专利技术的一种异常时空点的识别装置的结构示意图。
具体实施方式
[0038]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0039]下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常时空点的识别方法，其特征在于，包括以下步骤：接收监控请求选择监控的时空区域；生成所述时空区域对应的时空网格；通过网格搜索法在预设时空核密度估计模型中遍历所述时空网格的网格节点，输出估计值；所述预设时空核密度估计模型包括已支付订单核密度估计模型和未支付订单核密度估计模型；所述网格节点包括已支付订单时空数据和未支付时空数据；所述已支付订单时空数据和未支付时空数据包括经纬度数据和时间数据；比较所述估计值与预设异常时空阈值，识别异常时空点。2.根据权利要求1所述的一种异常时空点的识别方法，其特征在于，所述生成所述时空区域对应的时空网格后，还包括：接收分辨率选择命令，根据所述分辨率选择命令重新划分所述时空区域的时空网格。3.根据权利要求1所述的一种异常时空点的识别方法，其特征在于，所述比较所述估计值与预设异常时空阈值，识别异常时空点，具体为：通过预设公式比较已支付订单核密度估计模型的估计值和未支付订单核密度估计模型的估计值，输出具有单调含义的实数值；若所述实数值大于所述预设异常时空阈值，则该网格节点为异常时空点。4.根据权利要求3所述的一种异常时空点的识别方法，其特征在于，所述预设公式的表达式为：式中，K(x,y,t)为实数值，KDE
up
为未支付订单核密度估计模型的估计值，KDE
p
为已支付订单核密度估计模型的估计值，KDE
up
的输入为KDE
up
(x,y,t)，KDE
p
的输入为KDE
p
(x,y,t)。5.根据权利要求1所述的一种异常时空点的识别方法，其特征在于，所述预设时空核密度估计模型是通过以下方法获得，包括：获取乘客端已支付订单时空数据或未支付时空数据，建立时空数据集；通过预设分布函数、空间带宽和时间带宽，对时空数据集中每个已支付订单时空数据或未支付时空数据进行核密度估计，生成所述时空数据集对应的核...

【专利技术属性】
技术研发人员：徐晓东，
申请(专利权)人：广州宸祺出行科技有限公司，
类型：发明
国别省市：