CN106557955A - 网约车异常订单识别方法及系统 - Google Patents

Abstract

本发明公开了一种网约车异常订单识别方法及系统，在利用内部打车数据检测刷单嫌疑订单的同时，还基于跨行业数据，从跨行业数据库中获取司机和/或乘客的用于补充检测是否存在异常订单的补充检测数据，根据所述补充数据从一个或多个维度对订单数据进行二次判断，对订单数据进行异常识别；并且还能基于多种维度对订单数据进行风险分类。本发明从多方面进行刷单识别，有效提升了识别专业刷单的正确率，并尽可能地避免误判正常打车行为，保留较好的用户体验。

Description

网约车异常订单识别方法及系统

技术领域

本发明涉及网约车订单识别领域，特别是涉及一种网约车异常订单识别方法，以及一种网约车异常订单识别系统。

背景技术

近些年，由于网约车的便捷和实用性，网约车规模迅速扩张，但却也暴露越来越多的问题。在O2O领域现阶段跑马圈地的公司，为了争夺市场份额推出各种“优惠”“补贴”，多个出行打车平台均凭借一天烧几千万美元的高姿态，在收获用户、订单放量增长的同时，也存在大量用户刷单、伪造、套利等运营风险。用车行业成为近两年最被套利者热衷的沃土。

用车行业因数据维度有限，并且因市面上出现的多种刷单伪造数据的行为，用车行业仅依赖其自身数据库来检测刷单行为的方式，局限性较大，不能准确地识别出刷单行为，更重要的是，还可能出现较为严重的错杀、误杀真实用户的正常打车行为。因此，用车行业急需外部跨行业的数据对用户打车行为进行验证，来判别司机与乘客是否是恶意刷单行为。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供网约车异常订单识别方法及系统，基于跨行业数据，有效提升了识别专业刷单的正确率。

本发明采用的技术方案如下：

方案一

本发明提出了一种网约车异常订单识别方法，所述方法包括以下步骤：

S1、获取订单数据，从打车平台数据库获取待检测的订单数据；

S2、异常初步识别，对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值；

S3、获取跨行业数据，从跨行业数据库中获取目标司机和/或目标乘客的用于补充检测是否存在异常订单的补充检测数据；

S4、异常二次识别，根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值；

S5、判定刷单行为，对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。

基于上述实施方式，进一步的，在异常二次识别中，将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断。

相应的，在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

基于上述任一实施方式，进一步的，所述步骤S1中，获取所述订单数据后，将所述订单数据的订单信息存入历史订单数据库中，所述订单信息包括订单原始数据及根据订单原始数据计算的用于异常判断的检测参数。

在步骤S5中，若判定所述订单数据为异常订单，还对其进行标识，并更新到历史订单数据库中。

优选的，所述方法还包括步骤S6：从历史订单数据库中，获取与目标司机相关联的司机订单数据，及与目标乘客相关联的乘客订单数据，并计算司机订单数据中被标识为异常订单的比例，及乘客订单数据中被标识为异常订单的疑似刷单比例，根据疑似刷单比例对目标司机或目标乘客的当前订单数据进行刷单行为判定。

方案二

本发明还提出了一种网约车异常订单识别系统，所述系统包括：

订单数据获取单元，用于从打车平台数据库获取待检测的订单数据；

异常初步识别单元，用于对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值；

跨行业数据获取单元，用于从跨行业数据库中获取目标司机和/或目标乘客的用于补充检测是否存在异常订单的补充检测数据；

异常二次识别单元，用于根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值；

刷单行为判定单元，用于对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。

进一步的，所述异常初步识别单元对所述订单数据进行初步判断时，将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断。

所述刷单行为判定单元在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

进一步的 ，所述系统还可包括历史订单数据库，所述订单数据获取单元获取所述订单数据后，将所述订单数据的订单信息存入历史订单数据库中，所述订单信息包括订单原始数据及根据订单原始数据计算的用于异常判断的检测参数。所述刷单行为判定单元若判定所述订单数据为异常订单，还需对其进行标识，并更新到历史订单数据库中。

优选的，所述系统还可包括刷单综合评估单元，所述刷单综合评估单元从历史订单数据库中，获取与目标司机相关联的司机订单数据，及与目标乘客相关联的乘客订单数据，并计算司机订单数据中被标识为异常订单的比例，及乘客订单数据中被标识为异常订单的疑似刷单比例，根据疑似刷单比例对目标司机或目标乘客的当前订单数据进行刷单行为判定。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明所提出的网约车异常订单识别方法及系统，相较于现有的识别打车软件的刷单技术，在利用打车平台数据检测刷单嫌疑订单的同时，还基于跨行业数据，采用位置轨迹维度、关系圈维度、通信行为维度和猫池养卡维度等多检测维度来计算订单信息的评分值，根据预设分值标准判断订单数据存在刷单行为的风险等级，从多方面进行刷单识别。本发明着重于提升识别刷单的正确率，从数据出发识别专业刷单行为，并且尽可能地避免误判真实客户的正常打车行为，保留较好的用户体验。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明中网约车异常订单识别方法的流程示意图。

图2为本发明中网约车异常订单识别系统的结构示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书（包括任何附加权利要求、摘要）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

需说明的是，本发明中所述打车平台数据库一般指网约车出行公司自建的数据库；而本发明中所述的跨行业数据库包括运营商数据库和社交平台数据库等，所述跨行业数据库为非网约车出行公司的数据库，为具有目标司机或目标乘客的相关信息的数据库，所述相关信息主要是目标司机或目标乘客的定位信息、位移信息、相互间的关系信息和通信行为信息等，例如中国电信、中国移动、中国联通等网络运营商的运营商数据库，及如QQ、微信、微博等绑定有电话号码的，包含有定位、位移、社交、朋友圈等信息的各种社交平台数据库。当利用社交平台数据库时，可利用司机和乘客的电话号码查找其相应的社交帐号，并提取目标时间的定位信息和位移信息，及查证司机与乘客是否为好友关系、是否有通信行为，以此实现利用社交平台数据库从多维度对订单数据进行异常识别。本发明主要以运营商数据库来说明基于跨行业数据库的网约车异常订单识别方法及系统的具体实施例，利用社交平台数据库及其它跨行业数据库来识别异常订单的具体实施方式同理可得。

（一）网约车异常订单识别方法

如图1所示，本发明提出了一种网约车异常订单识别方法，所述方法至少包括步骤：

S1、获取订单数据，从打车平台数据库获取待检测的订单数据；

S2、异常初步识别，对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值；

S3、获取跨行业数据，从跨行业数据库中获取目标司机和/或目标乘客的用于补充检测是否存在异常订单的补充检测数据；

S4、异常二次识别，根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值；

S5、判定刷单行为，对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。进一步的，还可通过异常订单的总评分值对其进行风险分级。

进一步的，还可包括步骤S6：从历史订单数据库中，获取与目标司机相关联的司机订单数据，及与目标乘客相关联的乘客订单数据，并计算司机订单数据中被标识为异常订单的比例，及乘客订单数据中被标识为异常订单的疑似刷单比例，根据疑似刷单比例对目标司机或目标乘客的当前订单数据进行刷单行为判定，以实现对司机端和乘客端的刷单嫌疑进行综合评估，输出综合评估结果，还可将该综合评估结果反馈至打车平台，便于打车公司进行更精准的刷单识别，识别出专业的刷单行为，并尽可能的减少误判，提高用户体验。

进一步的，所述步骤S1中，在获取所述订单数据后，还可将所述订单数据的订单信息存入历史订单数据库中，所述订单信息一般包括订单原始数据及根据订单原始数据计算的用于异常判断的检测参数。

所述订单原始数据包括但不限于乘客上车基站定位信息、乘客下车基站定位信息、司机端电话号码、乘客端电话号码、订单生成时间、乘客选车时间、乘客选车车型、司机就位时间、行程开始时间、行程结束时间、司机接单距离、订单金额、计费时长和计费里程等等。

步骤S1中，还可通过司机端的电话号码和乘客端的电话号码判断其所属运营商，便于从相应的运营商数据库调取该司机或乘客的相关信息。

从订单数据中提取订单信息，根据订单原始数据计算用于异常判断的检测参数，一般的所述检测参数包括但不限于参数1_A至参数1_L。

参数1_A、乘客上下车的位置距离与计费里程的比值。其中，乘客上下车的位置距离通过乘客上车基站定位信息和乘客下车基站信息计算得到。

参数1_B、接单时速。可通过司机接单距离除以订单生成时间到司机就位时间的时间间隔来计算得到。

参数1_C、行车时速。可通过计费里程除以计费时长计算得到。

参数1_D、单位时间价格。可通过订单金额除以计费时长计算得到。

参数1_E、司机端相邻两个订单之间的行车时速。可通过司机端相邻两单位置间隔除以该司机端相邻两单时间间隔，所述司机端相邻两单位置间隔可为司机端上一订单结束到到下一订单开始的行车距离，所述司机端相邻两单时间间隔可为司机端上一订单的行程结束时间到下一订单的行程开始时间的时间差。

参数1_F、该司机的订单数据中，各个运营商乘客的占比。

参数1_G、该司机的订单数据中，乘客是否有作为司机身份的接单行为，用于判断多个司机相互刷单。

参数1_H、该司机的订单数据中，乘客有接单行为的占比。

参数1_I、该司机的订单数据中，乘客上车基站定位信息与乘客下车基站信息相同或其间距在预设距离阈值内的比例。如乘客上车基站定位信息与乘客下车基站信息之间的距离在一两百米以内，则也认定乘客上下车位置相同。

参数1_J、乘客端相邻两个订单之间的行车时速。可通过乘客端相邻两单位置间隔除以该乘客端相邻两单时间间隔，所述乘客端相邻两单位置间隔可为乘客端上一订单结束到到下一订单开始的行车距离，所述乘客端相邻两单时间间隔可为乘客端上一订单的行程结束时间到下一订单的行程开始时间的时间差。

参数1_K、乘客日活动范围，即乘客端当日订单中最远的基站定位距离。

参数1_L、乘客日总里程数。

进一步的，在计算得到上述参数1_A至参数1_L后，可将订单数据和各个检测参数关联存入历史订单数据库中，以便后续的异常检测。

步骤S2、异常初步识别，通过订单异常检测模型对所述订单数据进行初步判断，对异常订单进行初步标识。

本发明基于统计分析，分析历史订单数据中各个检测参数的分布情况，将分布数据中的集中部分视为正常订单群体，对远离集中部分的视为疑似刷单群体，远离距离越大，则刷单风险越高。因此，本发明先按一定规律对若干检测参数进行排列，形成检测参数数组，并设置异常阈值，特别说明的是，该异常阈值并不一定是正常订单中各个参数的上下限阈值。对于在异常阈值外的，标记为异常信息。本发明并不主动识别什么是正常订单，通过历史数据的分布情况，刻画司机和乘客的行为习惯，筛选出与主要群体差异较大的异常信息。如此设计的优势在于：如果订单数据中只是有一些异常，但是可认为在合理范围内的，则不会被确定为存在刷单行为。进一步的，本发明还能具备学习行为能力，在多次异常识别后，校验所设置的异常阈值是否合理，如果设置的太严格，则很容易误判正常订单。

所述异常初步识别至少包括订单特征检测、司机端特征检测和乘客端特征检测中的一种或多种组合。

1）所述订单特征检测：订单特征检测：通过对订单数据库中的历史订单数据进行统计分析，对单个待检测的订单数据中的订单信息进行异常判断，若该单个待检测的订单数据中存在异常信息，则判定该单个待检测的订单数据为异常嫌疑订单，并确定该单个待检测的订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

一般的，可通过所述参数1_A、参数1_B、参数1_C和参数1_D等判断该订单数据中的订单信息是否与历史订单样本匹配。

例如，理论上，乘客上下车的位置距离与计费里程的比值约为1，在实际操作中，可设一个正常比值范围，若该订单数据的参数1_A的值不在预设的正常比值范围内，则该订单数据的参数A与历史订单样本不匹配，可判定该订单数据为异常订单。若该订单数据中接单时速与历史订单样本的接单时速范围不匹配，则参数1_B异常。若该订单数据中行车时速与历史订单样本的行车时速范围不匹配，则参数1_C异常。若该订单数据中的单位时间价格与历史订单样本的单位时间价格范围不匹配，则参数1_D异常。其中，单位时间价格需根据不同的车型分别匹配检测。

2）所述司机端特征检测：司机端特征检测：通过对订单数据库中的历史订单数据进行统计分析，对所述司机的司机订单数据中的订单信息进行异常判断，若司机订单数据中存在异常信息，则判定该司机订单数据为异常嫌疑订单，并确定该司机订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

根据司机一段时间的打车订单记录，分析司机维度的行为偏好，从历史订单数据库中提取目标司机的若干近期司机订单数据，利用若干近期司机订单数据刻画司机行为图像，包括司机常接单时间段、司机每日订单量、司机运行的地理位置、订单平均金额、订单平均里程、订单平均车速等刻画司机行为图像。刻画司机行为图像可用于计算近期司机订单数据中被标识为异常订单的占比，用于判断该司机的刷单比例是否较大，若占比较大，则该司机为重点怀疑对象。

还可通过判断这些异常订单是否表现出的刷单模式，来进一步判断其刷单风险等级，例如对于存在多种刷单模式或是单种刷单模式量比较大的属于刷单程度严重的，可标注高风险等级。

3）所述乘客端特征检测：通过对订单数据库中的历史订单数据进行统计分析，对所述乘客的乘客订单数据中的订单信息进行异常判断，若乘客订单数据中存在异常信息，则判定该乘客订单数据为异常嫌疑订单，并确定该乘客订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

根据乘客一段时间的打车订单记录，分析乘客维度的行为偏好，从历史订单数据库中提取目标乘客的若干近期乘客订单数据，利用若干近期乘客订单数据刻画乘客行为图像，包括乘客常出行时间段、乘客乘车量、乘客常出行的地理位置、订单平均金额、订单平均里程等刻画乘客打车行为图像，计算若干近期乘客订单数据中被标识为异常订单的占比，判断该乘客的刷单比例是否较大，若占比较大，则该乘客为重点怀疑对象。

乘客端特征检测中也可通过判断这些异常订单是否表现出的刷单模式，来进一步判断其刷单风险等级，例如对于存在多种刷单模式或是单种刷单模式量比较大的属于刷单程度严重的，可标注高风险等级。

本发明所述获取跨行业数据的步骤S3，也可在执行步骤S1的过程中，同时执行，步骤S3的执行阶段可灵活设置。

例如，在获取所述补充检测数据后，从补充检测数据中提取补充检测信息，所述补充检测信息包括但不限于司机端号在乘客下订单时间、司机就位时间、行程开始时间、行程开始时乘客端所在基站位置、乘客端下订单时间、行程结束时间和行程结束时乘客端所在基站位置等等。

进一步的，为后续异常二次判断作准备，还可对从补充检测数据中提取补充检测信息进行分析处理，计算检测参数，一般的所述检测参数包括但不限于参数2_A至参数2_J。

参数2_A、行程开始时，订单生成位置的基站位置与司机端当前所在位置的基站位置之间的距离。

参数2_B、行程开始时，订单生成位置的基站位置与乘客端当前所在位置的基站位置之间的距离。

参数2_C、行程结束时，订单生成位置的基站位置与司机端当前所在位置的基站位置之间的距离。

参数2_D、行程结束时，订单生成位置的基站位置与乘客端当前所在位置的基站位置之间的距离。

参数2_E、行程开始时司机端所在基站位置和行程结束时司机端所在基站位置的距离。

参数2_F、行程开始时乘客端所在基站位置和行程结束时乘客端所在基站位置的距离。

参数2_G、行程开始时司机端所在基站位置和乘客端所在基站位置的距离。

参数2_H、行程结束时司机端所在基站位置和乘客端所在基站位置的距离。

参数2_I、订单下单时间司机端所在基站位置和乘客端所在基站位置的距离。

参数2_J、订单下单时间司机端所在基站位置和行程开始时司机端所在基站位置的距离。

进一步的，在计算得到上述参数2_A至参数2_J后，可将订单数据和各个检测参数关联存入历史订单数据库中，以便后续的异常检测和刷单评估。

另外，还可从运营商数据库中查询司机端电话号码和乘客端电话号码在订单结束时前一段时间周期的主叫通话记录、被叫通话记录和呼叫转移通话记录。获取各个通话记录的主叫号码、被叫号码、通信时长、通话开始时间、通话终端的IMEI号和通话终端所在基站位置等等。

进一步的，为后续异常二次判断作准备，还可对从补充检测数据中提取补充检测信息进行分析处理，计算检测参数，一般的所述检测参数包括但不限于参数3_A至参数3_C。

参数3_A、司机端在订单下单时间到行程结束时间内，是否存在被叫通话记录。

参数3_B、乘客端在订单下单时间到行程结束时间内，是否存在被叫通话记录。

参数3_C、司机端和乘客端在订单下单时间前一段时间内的通话次数。

进一步的，在计算得到上述参数3_A至参数3_C后，可将订单数据和各个检测参数关联存入历史订单数据库中，以便后续的异常检测和刷单评估。

在进行异常二次识别的步骤S4中，需根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值。进一步的，可将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断；相应的，在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

所述维度包括位置轨迹维度、关系圈维度、通信行为维度和猫池养卡维度中的一种或多种组合。

1）位置轨迹维度

在异常二次识别中，从位置轨迹维度对所述订单数据进行二次判断时，根据司机端和乘客端的基站定位信息及卫星定位信息，对其行程位置进行检测：

①司机端行程开始和结束的位置信息是否匹配，用于检测司机端是否如打车软件APP的卫星定位位置一致，是否有真实的上下车行程；

②乘客端行程开始和结束的位置信息是否匹配，用于检测乘客端是否如打车软件APP输入位置一致，乘客上下车位置是否匹配；

③订单生成前，司机端与乘客端的位置关系，用于检测司机与乘客订单开始前位置是否相同，用于判断是否为同人或熟人等；

④行程期间，司机端与乘客端的位置关系，用于在行程期间检测司机与乘客位置是否一致，区别司机空乘返回原位置和司机真实载人返回原位置。

若司机端和乘客端的基站定位信息及卫星定位信息存在上述情况，则对订单数据进行相应的标识。上述四个位置检测相辅相成，任何一个位置不匹配将增高刷单风险，但因任何一个位置不匹配的，并也不是立即判定为刷单行为，而是对其进行刷单嫌疑标识，最后还需结合其他维度综合分析而确定出刷单嫌疑订单。

2）关系圈维度

在异常二次识别中，从关系圈维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测订单生成前的一段时间内，司机端与乘客端之间的通话行为记录，判断司机与乘客之间的关系熟识程度，并进行标识。

如果司机与乘客在订单生成前的检测时间内有通话记录，则表明司机与乘客为熟人，并进行熟人标识。对于存在熟人标识的订单数据，可综合乘客打车前的通话行为和位置关系等检测参数进一步判断该订单是熟人打车还是熟人刷单。

3）通信行为维度

在异常二次识别中，从通信行为维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测订单生成后至行程开始的时间段内，司机端与乘客端之间的通话行为记录，判断司机端与乘客端之间是否有订单确认通信行为，并进行标识。

如果司机与乘客在订单生成后至行程开始的时间段内不存在通话记录，即没有订单确认通信行为标识的，若该订单数据还存在熟人标识，则可对该订单数据标记为刷单风险订单。

4）猫池养卡维度

在异常二次识别中，从猫池养卡维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测司机端或乘客端是否存在猫池养卡行为，并进行标识。

猫池养卡行为是用户利用一种能模拟成手机终端的猫池养卡设备，该猫池养卡设备能同时放多张电话卡，使运营商系统上显示这些电话卡为开机状态，然后刷单用户利用这些电话卡在打车软件APP上进行注册并发起打车请求，从而帮助司机进行恶意刷单。

猫池养卡检测是检测司机端或乘客端的电话号码是否有猫池养卡行为，猫池养卡主要特征包括非实名制、基站定位位置鲜有变化、月消费低、流量使用和通话记录极少、联系人单一等等。猫池养卡检测数据可由运营商提供，也可采用现有的猫池养卡检测方法检测得到。

若检测到司机端或乘客端中，任一方的电话号码有猫池养卡行为，则对该订单数据进行猫池养卡行为标识。

（二）网约车异常订单识别系统

如图2所示，图2描述了一种网约车异常订单识别系统，网约车异常订单识别系统采用了上述网约车异常订单识别方法，所述系统至少包括订单数据获取单元、异常初步识别单元、跨行业数据获取单元、异常二次识别单元和刷单行为判定单元。

① 订单数据获取单元，用于从打车平台数据库获取待检测的订单数据。

② 异常初步识别单元，用于对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值。

③ 跨行业数据获取单元，用于从跨行业数据库中获取司机和/或乘客的用于补充检测是否存在异常订单的补充检测数据。

④ 异常二次识别单元，用于根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值。

⑤ 刷单行为判定单元，用于对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。

进一步的，所述系统还包括：

⑥ 历史订单数据库，在订单数据获取单元获取所述订单数据后，将所述订单数据的订单信息存入历史订单数据库中，所述订单信息包括订单原始数据及根据订单原始数据计算的用于异常判断的检测参数；当刷单行为判定单元若判定所述订单数据为异常订单，还对其进行标识，并更新到历史订单数据库中。

进一步的，所述系统还包括：

⑦刷单综合评估单元，所述刷单综合评估单元从历史订单数据库中，获取与目标司机相关联的司机订单数据，及与目标乘客相关联的乘客订单数据，并计算司机订单数据中被标识为异常订单的比例，及乘客订单数据中被标识为异常订单的疑似刷单比例，根据疑似刷单比例对目标司机或目标乘客的当前订单数据进行刷单行为判定。

优选的，所述异常初步识别单元还能完成多维度异常检测，将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断。相应的，所述刷单行为判定单元在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

进一步的，所述异常初步识别单元至少包括订单特征检测模块、司机端特征检测模块和乘客端特征检测模块中的一种或多种组合。

所述订单特征检测模块，用于通过对订单数据库中的历史订单数据进行统计分析，对单个待检测的订单数据中的订单信息进行异常判断，若该单个待检测的订单数据中存在异常信息，则判定该单个待检测的订单数据为异常嫌疑订单，并确定该单个待检测的订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

所述司机端特征检测模块：用于通过对订单数据库中的历史订单数据进行统计分析，对所述司机的司机订单数据中的订单信息进行异常判断，若司机订单数据中存在异常信息，则判定该司机订单数据为异常嫌疑订单，并确定该司机订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

所述乘客端特征检测模块：用于通过对订单数据库中的历史订单数据进行统计分析，对所述乘客的乘客订单数据中的订单信息进行异常判断，若乘客订单数据中存在异常信息，则判定该乘客订单数据为异常嫌疑订单，并确定该乘客订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

基于上述系统实施例，进一步的，所述异常二次识别单元至少包括位置轨迹维度检测模块、关系圈维度检测模块、通信行为维度检测模块和猫池养卡维度检测模块中的一种或多种组合。

所述位置轨迹维度检测模块，用于根据司机端和乘客端的基站定位信息及卫星定位信息，对其行程位置进行检测：①司机端行程开始和结束的位置信息是否匹配；②乘客端行程开始和结束的位置信息是否匹配；③订单生成前，司机端与乘客端的位置关系；④行程期间，司机端与乘客端的位置关系；并进行相应的标识。

所述关系圈维度检测模块，用于根据司机端和乘客端的电话号码，检测订单生成前的一段时间内，司机端与乘客端之间的通话行为记录，判断司机与乘客之间的关系熟识程度，并进行标识。

所述通信行为维度检测模块，用于根据司机端和乘客端的电话号码，检测订单生成后至行程开始的时间段内，司机端与乘客端之间的通话行为记录，判断司机端与乘客端之间是否有订单确认通信行为，并进行标识。

所述猫池养卡维度检测模块，用于根据司机端和乘客端的电话号码，检测司机端或乘客端是否存在猫池养卡行为，并进行标识。

本发明在利用打车平台数据检测刷单嫌疑订单的同时，还基于跨行业数据，采用位置轨迹维度、关系圈维度、通信行为维度和猫池养卡维度等多检测维度来计算订单信息的评分值，从多方面进行刷单识别，并着重于提升识别刷单的正确率，从数据出发识别专业刷单行为，并且尽可能地避免误判真实客户的正常打车行为，保留较好的用户体验。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (10)

1.网约车异常订单识别方法，其特征在于，包括以下步骤：

S1、获取订单数据，从打车平台数据库获取待检测的订单数据；

S2、异常初步识别，对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值；

S3、获取跨行业数据，从跨行业数据库中获取目标司机和/或目标乘客的用于补充检测是否存在异常订单的补充检测数据；

S4、异常二次识别，根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值；

S5、判定刷单行为，对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。

2.基于权利要求1所述的网约车异常订单识别方法，其特征在于，在异常二次识别中，将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断；

在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

3.基于权利要求1或2所述的网约车异常订单识别方法，其特征在于，所述步骤S1中，获取所述订单数据后，将所述订单数据的订单信息存入历史订单数据库中，所述订单信息包括订单原始数据及根据订单原始数据计算的用于异常判断的检测参数；

在步骤S5中，若判定所述订单数据为异常订单，还对其进行标识，并更新历史订单数据库。

4.基于权利要求3所述的网约车异常订单识别方法，其特征在于，所述方法还包括步骤S6：从历史订单数据库中，获取与目标司机相关联的司机订单数据，及与目标乘客相关联的乘客订单数据，并计算司机订单数据中被标识为异常订单的比例，及乘客订单数据中被标识为异常订单的疑似刷单比例，根据疑似刷单比例对目标司机或目标乘客的当前订单数据进行刷单行为判定。

5.基于权利要求3所述的网约车异常订单识别方法，其特征在于，所述异常初步识别至少包括订单特征检测、司机端特征检测和乘客端特征检测中的一种或多种组合：

订单特征检测：通过对订单数据库中的历史订单数据进行统计分析，对单个待检测的订单数据中的订单信息进行异常判断，若该单个待检测的订单数据中存在异常信息，则判定该单个待检测的订单数据为异常嫌疑订单，并确定该单个待检测的订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识；

司机端特征检测：通过对订单数据库中的历史订单数据进行统计分析，对所述司机的司机订单数据中的订单信息进行异常判断，若司机订单数据中存在异常信息，则判定该司机订单数据为异常嫌疑订单，并确定该司机订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识；

乘客端特征检测：通过对订单数据库中的历史订单数据进行统计分析，对所述乘客的乘客订单数据中的订单信息进行异常判断，若乘客订单数据中存在异常信息，则判定该乘客订单数据为异常嫌疑订单，并确定该乘客订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

6.基于权利要求2所述的网约车异常订单识别方法，其特征在于：所述维度包括位置轨迹维度、关系圈维度、通信行为维度和猫池养卡维度中的一种或多种组合：

在异常二次识别中，从位置轨迹维度对所述订单数据进行二次判断时，根据司机端和乘客端的基站定位信息及卫星定位信息，对其行程位置进行检测，包括：①司机端行程开始和结束的位置信息是否匹配；②乘客端行程开始和结束的位置信息是否匹配；③订单生成前，司机端与乘客端的位置关系；④行程期间，司机端与乘客端的位置关系；并进行相应的标识；

在异常二次识别中，从关系圈维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测订单生成前的一段时间内，司机端与乘客端之间的通话行为记录，判断司机与乘客之间的关系熟识程度，并进行标识；

在异常二次识别中，从通信行为维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测订单生成后至行程开始的时间段内，司机端与乘客端之间的通话行为记录，判断司机端与乘客端之间是否有订单确认通信行为，并进行标识；

在异常二次识别中，从猫池养卡维度对所述订单数据进行二次判断时，根据司机端和乘客端的电话号码，检测司机端或乘客端是否存在猫池养卡行为，并进行标识。

7.网约车异常订单识别系统，其特征在于，所述系统包括：

订单数据获取单元，用于从打车平台数据库获取待检测的订单数据；

异常初步识别单元，用于对所述订单数据进行初步判断，识别订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第一评分值；

跨行业数据获取单元，用于从跨行业数据库中获取目标司机和/或目标乘客的用于补充检测是否存在异常订单的补充检测数据；

异常二次识别单元，用于根据所述补充检测数据对所述订单数据进行二次判断，识别所述订单数据中的订单信息是否存在异常，并为所述订单信息赋予分值，记为第二评分值；

刷单行为判定单元，用于对相同的订单信息的第一评分值和第二评分值进行加权求和，并统计单个订单数据中所有订单信息的总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单。

8.基于权利要求7所述的网约车异常订单识别系统，其特征在于：所述异常初步识别单元对所述订单数据进行初步判断时，将订单数据中的订单信息按维度进行分类，根据所述补充检测数据从多个维度对所述订单数据进行二次判断；

所述刷单行为判定单元在判定刷单行为时，统计单个订单数据中各个维度的订单信息的维度评分值，对多个维度评分值加权求和得到所述总评分值，根据订单数据的总评分值判定该订单数据是否为异常订单，并根据各个维度评分值判断异常订单的风险类型。

9.基于权利要求7所述的网约车异常订单识别系统，其特征在于：所述异常初步识别单元至少包括订单特征检测模块、司机端特征检测模块和乘客端特征检测模块中的一种或多种组合：

订单特征检测模块：用于通过对订单数据库中的历史订单数据进行统计分析，对单个待检测的订单数据中的订单信息进行异常判断，若该单个待检测的订单数据中存在异常信息，则判定该单个待检测的订单数据为异常嫌疑订单，并确定该单个待检测的订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识；

司机端特征检测模块：用于通过对订单数据库中的历史订单数据进行统计分析，对所述司机的司机订单数据中的订单信息进行异常判断，若司机订单数据中存在异常信息，则判定该司机订单数据为异常嫌疑订单，并确定该司机订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识；

乘客端特征检测模块：用于通过对订单数据库中的历史订单数据进行统计分析，对所述乘客的乘客订单数据中的订单信息进行异常判断，若乘客订单数据中存在异常信息，则判定该乘客订单数据为异常嫌疑订单，并确定该乘客订单数据所对应的刷单模式，对所述异常嫌疑订单进行评分和标识。

10.基于权利要求7所述的网约车异常订单识别系统，其特征在于：所述异常二次识别单元至少包括位置轨迹维度检测模块、关系圈维度检测模块、通信行为维度检测模块和猫池养卡维度检测模块中的一种或多种组合：

所述位置轨迹维度检测模块，用于根据司机端和乘客端的基站定位信息及卫星定位信息，对其行程位置进行检测：①司机端行程开始和结束的位置信息是否匹配；②乘客端行程开始和结束的位置信息是否匹配；③订单生成前，司机端与乘客端的位置关系；④行程期间，司机端与乘客端的位置关系；并进行相应的标识；

所述关系圈维度检测模块，用于根据司机端和乘客端的电话号码，检测订单生成前的一段时间内，司机端与乘客端之间的通话行为记录，判断司机与乘客之间的关系熟识程度，并进行标识；

所述通信行为维度检测模块，用于根据司机端和乘客端的电话号码，检测订单生成后至行程开始的时间段内，司机端与乘客端之间的通话行为记录，判断司机端与乘客端之间是否有订单确认通信行为，并进行标识；

所述猫池养卡维度检测模块，用于根据司机端和乘客端的电话号码，检测司机端或乘客端是否存在猫池养卡行为，并进行标识。