一种面向打车业务安全性的系统及其方法与流程

本发明属于公共交通运营监控技术领域，具体涉及一种面向打车业务安全性的系统及其方法。

背景技术：

随着电子商务和移动互联网技术的发展，电商平台逐渐向综合生活服务领域类发展。打车app改变了传统的打车方式，培养了大移动互联网时代下引领的用户现代化出行方式。较传统电话召车以及路边召车，打车app利用移动互联网的特点，将线上和线下相融合，最大限度优化了司机与乘客双方的资源与时间。目前成为了乘客打车出行的首选。

目前主流的打车app有滴滴出行、美团打车、曹操专车、神州专车等众多产品，虽然用户的选择很多，但是这些打车app也存在着安全的问题。比如众多打车软件在司机注册方面，只需要简单的上传身份证信息以及车辆信息等就可以注册成为司机，注册成为司机的门槛很低，这会使司机的素质难以保证。对于乘客来说，特别是女性乘客来说，较晚的时间打车，以及打车的目的地经过比较偏远的地区，都会存在安全隐患。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的不足，提供一种面向打车业务安全性的系统及其方法，以提高打车业务的安全性和合理性，为乘客提供更安全的保障。

本发明提供一种面向打车业务安全性的系统，包括司机画像模块、静态安全性挖掘模块、司机画像更新模块和动态时序安全性挖掘模块；

司机画像模块，根据司机在客户端注册的信息，形成司机画像；

静态完全性挖掘模块，根据司机画像的数据库中的司机属性信息通过静态筛选算法对司机进行静初步任职资格筛选，判断司机是否可以进行接单业务；

司机画像更新模块，实时更新司机的注册信息，并根据用户对司机的评论生成新文本标签更新司机画像；

动态时序安全性挖掘模块，根据实时更新的司机画像通过动态时序安全挖掘算法对司机的任职安全等级进行预估，判断司机是否可以继续进行接单操作。

作为本发明的进一步技术方案，注册的信息包括姓名、身份证、受教育程度、驾驶年龄、负债情况、芝麻白条信用、犯罪前科记录、心理疾病预测结果、驾照有效信息、车辆投保信息。

进一步的，司机画像模块中若信息中司机有犯罪前科记录、没有有效驾照及非本人投保，则认为司机不合格，筛选排除。

进一步的，动态时序安全性挖掘模块中司机画像的注册信息中负债情况和芝麻白条信用每个月更新一次，犯罪前科记录每周更新一次，心理疾病预测结果每六个月更新一次；从增加的新文本标签抽取关键词增加到司机画像中。

进一步的，动态时序安全性挖掘模块中动态时序安全挖掘算法可采用静态属性与动态属性相结合的模型svm+lstm、对时间序列处理使用的rnn。

本发明还提供一种面向打车业务安全性的方法，包括如下步骤：

步骤s1、收集司机注册信息，根据司机在客户端注册的信息形成司机画像；

步骤s2、根据司机画像的数据库中的司机属性信息通过静态筛选算法对司机进行静初步任职资格筛选，判断司机是否可以进行接单业务，若筛选合格，则可以接单，否则不通过注册；

步骤s3、实时更新司机的注册信息，并根据用户对司机的评论生成新文本标签更新司机画像；

步骤s4、根据实时更新的司机画像通过动态时序安全挖掘算法对司机的任职安全等级进行预估，判断司机是否可以继续进行接单操作。

进一步的，注册的信息包括姓名、身份证、受教育程度、驾驶年龄、负债情况、芝麻白条信用、犯罪前科记录、心理疾病预测结果、驾照有效信息、车辆投保信息。

进一步的，步骤s1中若信息中司机有犯罪前科记录、没有有效驾照及非本人投保，则认为司机不合格，筛选排除。

进一步的，步骤s4中，司机画像的注册信息中负债情况和芝麻白条信用每个月更新一次，犯罪前科记录每周更新一次，心理疾病预测结果每六个月更新一次；从增加的新文本标签抽取关键词增加到司机画像中。

进一步的，动态时序安全挖掘算法可采用静态属性与动态属性相结合的模型svm+lstm、对时间序列处理使用的rnn。

与现有方案对比，本发明提出的方法可以提高打车业务的安全性和合理性，为乘客提供更安全的保障。

附图说明

图1为本发明的流程示意图；

图2为本发明的静态安全性挖掘结构示意图。

图3为本发明的动态时序安全性挖掘结构示意图。

具体实施方式

请参阅图1，本实施例提供一种面向打车业务安全性的系统，模块100）司机画像模块，通过司机在客户端的注册信息，形成司机画像。主要的信息有姓名、身份证、受教育程度、驾驶年龄、负债情况、芝麻以及白条等信用、有无犯罪前科、心里疾病预测结果、是否持有有效证件等，从而构建每个司机独有的司机画像；

模块200）静态安全性挖掘模块，此模块是基于司机画像中的属性进行注册司机的筛选，如图2所示，具体操作如下：

步骤210：读取司机画像数据库中的司机属性信息。

步骤220：当司机属性中的信息存在有犯罪前科或者无有效证件为真的情况，则不给予司机通过注册，否则进入步骤230。

步骤230：将司机画像进行静态安全性挖掘，其本质是二分类问题，即通过或者不通过，静态分类算法有很多，例如svm、knn、dnn等等都可以用作静态分类算法去进行静态安全性挖掘，最后由算法给出结果来判断司机是否能够通过注册。

模块300）司机画像更新模块，该模块具有实时更新司机画像的功能，此模块规定司机注册时填写的信息按时间进行更新，以及司机在完成订单时，客户对于司机的评价该模块也会通过提取关键词来给司机增加更多的标签。通过两种方式来更新司机画像中的信息。

模块400）动态时序安全性挖掘模块，如图3所示，对模块300）中的司机画像更新，对司机画像中更新的数据进行评判，以便实时判断司机的安全等级是否达标，如图3所示，具体处理方法如下步骤：

步骤410：从更新的司机画像数据库中读取司机属性信息。

步骤420：当更新过的司机属性中的信息存在有犯罪前科或者无有效证件为真的情况，则不给予司机通过注册，否则进入步骤430。

步骤430：将司机更新的司机画像进行动态时序安全性挖掘，其本质也是二分类问题，动态挖掘实现的方式有许多，例如将静态属性与动态属性相结合的模型svm+lstm、对时间序列处理使用的rnn都可以作为动态分类的方法去进行动态时序安全性挖掘，最后由算法给出结果来判断司机安全等级是否达标。

综上所述，本发明针对当前打车app在安全性方面越来越严重的问题，提出了一种针对司机画像进行静态以及动态时序安全挖掘的方法，筛选出更多安全等级合格的司机，提高乘客们出行的安全。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。