一种基于时空数据挖掘的网约车客户征信方法与流程

本发明涉及信用信息处理技术领域，尤其涉及一种基于时空数据挖掘的网约车客户征信方法。

背景技术：

网络预约出租车(简称网约车)的出现，很好地满足了社会公众多样化的出行需求，同时也促进了出租汽车行业和互联网行业的融合发展。但网约车客户具有广泛性和复杂性，网约车系统平台很难采集客户的详细个人资料，从而无法对客户的信用情况进行评估，若信用较差的用户恶意频繁地预约网约车，很容易造成网约车资源的放空和浪费，并且也会影响信用良好的客户进行约车。

技术实现要素：

本发明所要解决的技术问题是：提供一种基于时空数据挖掘的网约车客户征信方法。

为了解决上述技术问题，本发明采用的技术方案为：一种基于时空数据挖掘的网约车客户征信方法，包括：

提取网约车客户的个人信息和历史订单信息；

进行数据预处理，并对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定；

对客户进行信用评级。

本发明的有益效果在于：通过提取客户的历史订单信息，对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定，可对客户进行更为精准的信用评级，将有限的网约车资源匹配给信用等级较高的客户。

附图说明

图1为本发明的基于时空数据挖掘的网约车客户征信方法流程图；

图2为本发明实施例的基于时空数据挖掘的网约车客户征信方法流程图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：通过提取客户的历史订单信息，对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定，可对客户进行更为精准的信用评级。

请参照图1以及图2，一种基于时空数据挖掘的网约车客户征信方法，包括：

提取网约车客户的个人信息和历史订单信息；

进行数据预处理，并对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定；

对客户进行信用评级。

从上述描述可知，本发明的有益效果在于：通过提取客户的历史订单信息，对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定，对客户进行更为精准的信用评级，可将有限的网约车资源匹配给信用等级较高的客户。

进一步的，所述进行数据预处理具体包括：统计分析客户交易成功订单数、预约后取消订单数以及违约订单数，计算得到三种订单数的比重W₁、W₂和W₃。

进一步的，所述进行数据预处理具体还包括：提取客户交易成功的订单，获取司机等待时间和开始乘坐网约车的时间。

进一步的，对所述开始乘坐网约车时间进行处理，得到客户出行时间。

由上述描述可知，通过客户开始乘坐网约车的时间进行分析，可得到客户出行的大致时间或时间段。

进一步的，提取客户交易成功的订单之后还包括：获取客户预约路线的起始位置信息和终点位置信息，对所述起始位置信息和终点位置信息进行拟合，得到客户m个频繁出发点和n个频繁到达点，并分别提取所述m个频繁出发点和n个频繁到达点的地点名称信息和空间属性情况。

由上述描述可知，通过地理位置信息可知客户出发点和到达点的地点名称和周围的建筑情况。

进一步的，根据所述司机等待时间进行正态分布拟合，得到拟合曲线峰值C₀，并判断所述C₀是否大于预设值，若是，则将其信用权重设为V₁；若否，则将其信用权重设为V₂。

由上述描述可知，通过正态分布拟合可得知最大的司机等待时间。

进一步的，对客户进行信用历史分析具体为：分析并确定比重W₁、W₂和W₃对应的权重，分别记为V₃、V₄和V₅。

由上述描述可知，不同的历史订单情况对应不同的权重。

进一步的，对客户进行履行能力评估具体为：根据所述m个频繁出发点和n个频繁到达点的地点名称信息和空间属性情况，得到客户的主要居住地和工作地，并根据所述主要居住地和工作地评估客户的经济实力。

进一步的，对客户进行身份特质刻画具体为：根据所述主要居住地和工作地，并结合其他出发点和到达点确定客户的身份特质。

由上述描述可知，可通过对客户主要居住地和工作地进行分析，评估客户的经济实力和身份信息。

进一步的，对客户进行偏好模式分析具体为：对客户的所述开始乘坐网约车的时间进行聚类，得到客户出行时间偏好，提取客户出行频繁的一个以上的历史时间段，根据当次约车时间得到与所述历史时间段的匹配度M₁。

进一步的，当多个客户同时约车时，若其他条件相当，则优先将网约车匹配给M₁值较大的客户。

由上述描述可知，将客户的当次约车时间和频繁出行的历史时间段进行匹配，可得知客户是否处于出行频繁的时间段，优先将车匹配给匹配度较高的客户。

进一步的，对客户进行人脉关系图谱确定具体为：根据历史订单信息，将交易成功订单数达到预设值的客户设为VIP客户，当有两个以上客户在相同时间段内到达相同地点，则判定所述两个以上客户为有关联的客户，计算得到客户的有关联VIP客户的匹配度M₂。

进一步的，当多个客户同时约车时，若其他条件相当，则优先将网约车匹配给M₂值较大的客户。

由上述描述可知，将在相同时间段内到达相同地点的客户判定为有关联客户，客户的有关联的VIP客户越多，匹配度M₂越高，优先将网约车匹配给匹配度高的客户。

进一步的，对客户进行信用评级的具体方法是：信用S＝V₁+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂或信用S＝V₂+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂。

进一步的，当多个客户同时约车时，优先将网约车匹配给S值较高的客户。

由上述描述可知，优先将网约车匹配给信用等级较高的客户，有利于保证资源的有效利用。

实施例

请参照图1及图2，本发明的实施例一为：一种基于时空数据挖掘的网约车客户征信方法，包括如下内容：

首先，提取网约车客户的个人信息和历史订单信息。从网约车平台的数据库中提取出所有网约车客户的个人信息和约车的历史订单信息，所述个人信息包括客户ID，所述历史订单信息包括交易成功的订单、预约后取消的订单以及违约订单。

对客户的历史出行数据进行预处理。以每一个客户的ID为单位，获取客户所有预约订单的订单状态信息，统计交易成功的订单数、预约后取消的订单数以及违约订单数，计算得到三种订单数的比重W₁、W₂和W₃。然后可对客户进行信用历史分析，分析并确定比重W₁、W₂和W₃对应的权重，分别记为V₃、V₄和V₅，本实施例中，假设V₃为0.7、V₄为0.2和V₅为0.1。提取客户交易成功的订单，获取每一个交易成功的订单的司机等待时间和客户开始乘坐网约车的时间，并对客户开始乘坐网约车的时间进行处理，得到客户出行时间，所述客户出行时间不包含日期信息。

根据所述司机等待时间进行正态分布拟合，得到拟合曲线峰值C₀，本实施例中根据实际情况设置一判断阈值，例如可将判断阈值设为30min，然后判断C₀是否大于所述判断阈值，若是，则将其信用权重设为V₁，若否，则将其信用权重设为V₂，当然，判断阈值也可根据实际情况进行调整，本实施例中，假设V₁为0.3，V₂为0.7。

从交易成功的订单中还可以获取客户预约路线的起始位置信息和终点位置信息，对所述起始位置信息和终点位置信息进行拟合，得到客户m个频繁出发点和n个频繁到达点，并分别提取所述m个频繁出发点和n个频繁到达点的地点名称信息和空间属性情况。本实施例中，对起始位置信息和终点位置信息分别进行二维高斯多峰拟合，根据多峰分布曲面可得到若干个峰值，得到前m个频繁出发点和前n个频繁到达点的位置经纬度信息，并可根据经纬度信息提取对应的地点名称和空间属性情况，如居住地、商业区、单位名称以及单位性质等信息。

对客户进行履行能力评估。根据所述m个频繁出发点和n个频繁到达点的地点名称信息和空间属性情况，得到客户的主要居住地和工作地，并根据所述主要居住地和工作地评估客户的经济实力。

对客户进行身份特质刻画。根据所述主要居住地和工作地，并结合其他出发点和到达点确定客户的身份特质。例如经常工作地为政府部门、事业单位或者其他一般的商业点等，从而确定出客户的身份特质。可以将其他的出行地为政府部门或事业单位的客户评级高于其他的出行地为一般商业点的客户。

对客户进行偏好模式分析。为了提高系统的客户授信识别度，避免出现客户授信趋于一致时，难以提供个性化服务，可通过客户进行偏好分析。对客户的所述开始乘坐网约车的时间进行聚类，得到客户出行时间偏好，提取客户出行频繁的一个以上的历史时间段，根据当次约车时间得到与所述历史时间段的匹配度M₁。当多个客户同时约车时，若其他条件相当，则优先将网约车匹配给M₁值较大的客户。

对客户进行人脉关系图谱确定。根据历史订单信息，将交易成功订单数达到预设值的客户设为VIP客户，例如交易成功数达到50的客户设为VIP客户，当有两个以上客户在相同时间段内到达相同地点，则判定所述两个以上客户为有关联的客户，计算并得到客户的有关联VIP客户的匹配度M₂，M₂反应的是与客户在相同时间点到达相同地点的VIP客户的多少。当多个客户同时约车时，若其他条件相当，则优先将网约车匹配给M₂值较大的客户。

对客户进行信用评级。对客户进行信用评级的具体方法是：信用S＝V₁+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂或信用S＝V₂+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂，当多个客户同时约车时，优先将网约车匹配给S值较高的客户。本实施例中假设甲客户的W₁为0.8，W₂为0.1，W₃为0.1，V₂为0.7，M₁为0.4，M₂为0.2。乙客户的W₁为0.7，W₂为0.2，W₃为0.1，V₁为0.3，M₁为0.5，M₂为0.3。甲客户和乙客户的信用等级分别为S_甲＝V₂+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂＝1.89，S_乙＝V₁+W₁*V₃+W₂*V₄+W₃*V₅+M₁+M₂＝1.64，由于甲客户的信用等级较高，所以当甲客户和乙客户同时预约时，系统会优先将预约车匹配给甲客户。

综上所述，本发明提供的一种基于时空数据挖掘的网约车客户征信方法，通过提取客户的历史订单信息，对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定，可对客户进行更为精准的信用评级，将有限的网约车资源匹配给信用等级较高的客户。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。