[發明專利]網約車的異常停留行為識別方法、裝置、設備及存儲介質

在審

• 申請號: 201911421142.4
• 申請日: 2019-12-31
• 公開（公告）號: CN111860561A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 張騰劍;陳奧
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/30
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 王征;劉芳

1.一種網約車的異常停留行為識別方法，其特征在于，包括：

采集網約車發生停留時的實時數據，所述實時數據包括當前停留位置、當前停留時長、司機服務狀態以及預定特征信息；

從數據庫中獲取第一歷史數據集合和第二歷史數據集合；所述第一歷史數據集合包括至少一個司機在與所述實時數據相同服務狀態下的歷史停留時長，所述第二歷史數據集合包括至少一個司機在與所述實時數據相同時間段以及相同區域內的歷史停留時長；

根據所述實時數據、所述第一歷史數據集合、所述第二歷史數據集合以及預設模型，識別所述網約車當前是否出現異常停留行為。

2.根據權利要求1所述的方法，其特征在于，所述根據所述實時數據、所述第一歷史數據集合、所述第二歷史數據集合以及預設模型，識別所述網約車當前是否出現異常停留行為，包括：

將所述當前停留時長以及所述第一歷史數據集合輸入到第一模型中，判斷所述當前停留時長相對于所述第一歷史數據集合是否為異常停留時長；

若確定所述當前停留時長為異常停留時長，則將所述預定特征信息輸入第二模型中，判斷所述預定特征信息是否滿足所述第二模型的預設規則；

若確定所述預定特征信息不滿足所述第二模型的預設規則，則將所述當前停留時長以及所述第二歷史數據集合輸入到第三模型中，獲取所述當前停留時長的離群程度因子，若所述離群程度因子大于預設閾值，則確定所述網約車當前出現異常停留行為。

3.根據權利要求2所述的方法，其特征在于，所述第一模型為基于分布的Tukey Method模型，所述Tukey Method模型中用于表征異常程度的系數采用預設系數；

所述判斷所述當前停留時長相對于所述第一歷史數據集合是否為異常停留時長，包括：

通過所述Tukey Method模型以所述預設系數獲取所述第一歷史數據集合的最大估計值；

若所述當前停留時長大于所述最大估計值，則確定所述當前停留時長為異常停留時長。

4.根據權利要求3所述的方法，其特征在于，所述第一歷史數據集合包括第一子集和第二子集；所述第一子集包括當前司機在與所述實時數據相同服務狀態下歷史停留時長；所述第二子集包括所述數據庫中所有司機在與所述實時數據相同服務狀態以及相同區域內的歷史停留時長；

所述判斷所述當前停留時長相對于所述第一歷史數據集合是否為異常停留時長，包括：

通過所述Tukey Method模型以所述預設系數獲取所述第一子集的第一最大估計值、以及所述第二子集的第二最大估計值；

若所述當前停留時長大于所述第一最大估計值或所述第二最大估計值，則確定所述當前停留時長為異常停留時長。

5.根據權利要求4所述的方法，其特征在于，所述預定特征信息包括以下至少一個：乘客的支付行為、乘客對司機的評價、發單熱點區域；

所述判斷所述預定特征信息是否滿足所述第二模型的預設規則，包括：

判斷所述乘客的支付行為是否為主動支付；和/或

判斷所述乘客對司機的評價是否為主動好評；和/或

判斷所述當前停留位置是否處于所述發單熱點區域；

若上述判斷結果均為否，則確定所述預定特征信息不滿足所述第二模型的預設規則。

6.根據權利要求2-5任一項所述的方法，其特征在于，所述第三模型為基于密度的LOF模型；

所述獲取所述當前停留時長的離群程度因子，包括：

通過所述LOF模型，根據所述當前停留時長以及所述第二歷史數據集合，獲取所述當前停留時長的離群程度因子LOF值。

7.根據權利要求6所述的方法，其特征在于，所述確定所述預定特征信息不滿足所述第二模型的預設規則后，包括：

若所述第二數據集中樣本數少于預設數量，則直接確定所述網約車當前出現異常停留行為；

所述方法還包括：

統計所述數據庫中所有司機在與所述實時數據相同時間段內的歷史停留數據的數量，并以所述歷史停留數據的數量乘以預設百分比后得到的結果作為所述預設數量。