乘客司机安全性匹配的方法和系统与流程

本发明涉及互联网技术领域，具体地涉及一种乘客司机安全性匹配的方法和系统。

背景技术：

随着移动互联网的快速发展，打车软件利用移动互联网的发展潮流，打破传统拦车或者电话预约车的打车形式，将用户出行时的打车转变为随时叫车，极大的方便了用户，目前成为了乘客出行的较为主流的方式。

目前主流产品的司机顾客匹配机制仅仅考虑了价格预估、时间预估、最佳路径匹配等问题，对于安全性问题都较为忽略，对于乘客来说，如果匹配到的司机犯罪概率较高，而该乘客的可接受侵犯性较低的话，会存在严重的安全问题。

技术实现要素：

本发明所要解决的技术问题是打车软件乘客司机安全性匹配的问题。

为了解决上述问题，本发明实施例公开了一种乘客司机安全性匹配的方法，包括gps定位步骤、司机画像步骤、用户画像步骤和安全匹配步骤，首先进入gps定位步骤，然后同时进行所述司机画像步骤和用户画像步骤，最后进入安全匹配步骤；其中，

gps定位步骤、获取用户的出发地信息和目的地信息，构建出行路线，并将符合该路线的司机加入到筛选队列中；

司机画像步骤、基于司机的属性，构建司机画像，通过犯罪概率挖掘，结合司机画像中的信息，计算出司机犯罪概率；

用户画像步骤、基于用户的属性,构建用户画像，通过可接受侵犯度挖掘，计算出用户可接受侵犯度；

安全匹配步骤、基于用户输入的打车人数、打车时间、gps定位步骤中获得的出行路线、司机画像步骤中获得的司机犯罪概率和用户画像步骤中获得的用户可接受侵犯度，从所述筛选队列中筛选司机，进行乘客司机安全性匹配。

优选地，所述gps定位步骤包括：

步骤110、获取用户输入的出发地和目的地的地理位置信息；

步骤120、基于步骤110获取的地理位置信息，进行线路规划，得到出行路径；

步骤130、根据用户的出发地信息以及司机到出发地的距离，找出适配司机；

步骤140、将所述适配司机加入到筛选队列中。

优选地，所述司机画像步骤包括：

步骤210、建立司机画像信息库，所述司机画像信息包括司机静态属性信息和司机动态属性信息，所述司机静态属性信息包括司机性别、年龄、负债情况和车的型号，所述司机动态属性信息包括用户评价；

步骤220、读取所述司机画像信息库中的司机静态属性信息，当所述司机静态属性信息变化时，进入步骤260；

步骤230、读取所述司机画像信息库中的司机动态属性信息，当所述司机动态属性信息变化时，进入步骤260；

步骤240、基于所述司机画像信息进行司机犯罪概率挖掘；

步骤250、得到司机犯罪概率并进入步骤260；

步骤260、更新所述司机画像信息库。

优选地，所述用户画像步骤包括：

步骤310、建立用户画像信息库，所述用户静态属性包括性别、年龄和用户照片，所述用户动态属性信息包括司机评价；

步骤320、读取所述用户画像信息库中的用户静态属性信息，当所述司机静态属性信息变化时，进入步骤360；

步骤330、读取所述用户画像信息库中的用户动态属性信息，当所述司机评价变化时，进入步骤360；

步骤340、基于所述用户画像信息进行用户可接受侵犯度挖掘；

步骤350、得到用户可接受侵犯度并进入步骤360；

步骤350、更新所述用户画像信息库。

优选地，所述安全匹配步骤包括：

步骤410、获取用户输入的乘车人数以及打车时间；

步骤420、判断是否出行路径不经过偏远地区且打车时间为正常作息，判断结果为是时，进入步骤440，否则进入步骤430；

步骤430、判断所述乘车人数是否大于等于两人，当结果为是时进入步骤440，否则进入步骤450；

步骤440、按照打车软件原有机制匹配车辆；

步骤450、按照司机犯罪概率和用户可接受侵犯度进行匹配。

本发明实施例还提供了一种乘客司机安全性匹配的系统，所述系统包括：

gps定位模块，适于获取用户的出发地信息和目的地信息，构建出行路线，并将符合该路线的司机加入到筛选队列中；

司机画像模块，适于基于司机的属性，构建司机画像，通过犯罪概率挖掘，结合司机画像中的信息，计算出司机犯罪概率；

用户画像模块，适于基于用户的属性,构建用户画像，通过可接受侵犯度挖掘，计算出用户可接受侵犯度；

安全匹配模块，适于基于用户输入的打车人数、打车时间、gps定位步骤中获得的出行路线、司机画像步骤中获得的司机犯罪概率和用户画像步骤中获得的用户可接受侵犯度，从所述筛选队列中筛选司机，进行乘客司机安全性匹配。

优选地，所述gps定位模块包括：

获取单元，适于获取用户输入的出发地和目的地的地理位置信息；

规划单元，适于基于获取单元获取的地理位置信息，进行线路规划，得到出行路径；

寻找单元，适于根据用户的出发地信息以及司机到出发地的距离，找出适配司机；

加入单元，适于将所述适配司机加入到筛选队列中。

优选地，所述司机画像模块包括：

第一建立单元，适于建立司机画像信息库，所述司机画像信息包括司机静态属性信息和司机动态属性信息，所述司机静态属性信息包括司机性别、年龄、负债情况和车的型号，所述司机动态属性信息包括用户评价；

第一静态读取单元，适于读取所述司机画像信息库中的司机静态属性信息，当所述司机静态属性信息变化时，启动第一更新单元；

第一动态读取单元，适于读取所述司机画像信息库中的司机动态属性信息，当所述司机动态属性信息变化时，启动第一更新单元；

第一挖掘单元，适于基于所述司机画像信息进行司机犯罪概率挖掘；

第一计算单元，适于得到司机犯罪概率并启动第一更新单元；

第一更新单元，适于更新所述司机画像信息库。

优选地，所述用户画像模块包括：

第二建立单元，适于建立用户画像信息库，所述用户静态属性包括性别、年龄和用户照片，所述用户动态属性信息包括司机评价；

第二静态读取单元，适于读取所述用户画像信息库中的用户静态属性信息，当所述司机静态属性信息变化时，启动第二更新单元；

第二动态读取单元，适于读取所述用户画像信息库中的用户动态属性信息，当所述司机评价变化时，启动第二更新单元；

第二挖掘单元，适于基于所述用户画像信息进行用户可接受侵犯度挖掘；

第二计算单元，适于得到用户可接受侵犯度并启动第二更新单元；

第二更新单元，适于更新所述用户画像信息库。

优选地，所述安全匹配模块包括：

信息获取单元，适于获取用户输入的乘车人数以及打车时间；

第一判断单元，适于判断是否出行路径不经过偏远地区且打车时间为正常作息，当判断结果均为是时，启动基础匹配单元，否则启动第二判断单元；

第二判断单元，适于判断所述乘车人数是否大于等于两人，当结果为是时启动基础匹配单元，否则启动安全匹配单元；

基础匹配单元，适于按照打车软件原有机制匹配车辆；

安全匹配单元，适于按照司机犯罪概率和用户可接受侵犯度进行匹配。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

上述的方案，根据司机画像信息挖掘得到司机犯罪概率，根据用户画像信息挖掘得到户可接受侵犯度，通过将二者相匹配来在原有匹配机制的基础上进一步筛选司机，提高了乘客打车出行的安全性，降低潜在的犯罪风险。

进一步的，通过建立司机画像信息库，不断更新司机静态属性信息和司机动态属性信息，可以提高司机画像的准确性。

进一步的，通过建立用户画像信息库，不断更新用户静态属性信息和用户动态属性信息，可以提高用户画像的准确性。

附图说明

图1为本发明实施例中的一种乘客司机安全性匹配的方法的流程图；

图2为本发明实施例中的一种乘客司机安全性匹配的方法司机筛选流程图；

图3为本发明实施例中的一种乘客司机安全性匹配的方法司机画像流程图；

图4为本发明实施例中的一种乘客司机安全性匹配的方法用户画像流程图；

图5为本发明实施例中的一种乘客司机安全性匹配的方法安全匹配流程图；

图6为本发明实施例中的一种乘客司机安全性匹配的系统的结构示意图。

具体实施方式

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。现有的司机乘客匹配机制仅仅考虑了价格预估、时间预估、最佳路径匹配等问题，对于安全性问题都较为忽略，对于乘客来说，如果匹配到的司机犯罪概率较高，而该乘客的可接受侵犯性较低的话，会存在严重的安全问题。

为了解决上述问题，本发明实施例中的乘客司机安全性匹配的方法通过根据司机画像信息挖掘得到司机犯罪概率，根据用户画像信息挖掘得到户可接受侵犯度，通过将二者相匹配来在原有匹配机制的基础上进一步筛选司机，提高了乘客打车出行的安全性，降低潜在的犯罪风险。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1为本发明实施例中的一种乘客司机安全性匹配的方法的流程图。如图1所示的乘客司机安全性匹配的方法，可以包括：

步骤100：gps定位步骤。获取用户的出发地信息和目的地信息，构建出行路线，并将符合该路线的司机加入到筛选队列中；

步骤200：司机画像步骤。基于司机的属性，构建司机画像，通过犯罪概率挖掘，结合司机画像中的信息，计算出司机犯罪概率；

步骤300：用户画像步骤。基于用户的属性,构建用户画像，通过可接受侵犯度挖掘，计算出用户可接受侵犯度；

步骤400：安全匹配步骤。基于用户打车的人数、时间、路径、司机犯罪概率和用户可接受侵犯度，从所述筛选队列中筛选司机，进行乘客司机安全性匹配。

图2为本发明实施例中的一种乘客司机安全性匹配的方法司机筛选流程图。

步骤100如图2所示，包括：

步骤110、获取用户输入的出发地和目的地的地理位置信息；

步骤120、基于步骤110获取的地理位置信息，进行线路规划，得到出行路径；

步骤130、根据用户的出发地信息以及司机到出发地的距离，找出适配司机；

步骤140、将所述适配司机加入到筛选队列中。

图3为本发明实施例中的一种乘客司机安全性匹配的方法司机画像流程图。

步骤200如图3所示，包括：

步骤210、建立司机画像信息库，所述司机画像信息包括司机静态属性信息和司机动态属性信息。

具体而言，司机静态属性信息包括司机性别、年龄、负债情况和车的型号，还可以包括姓名、身份证、受教育程度、驾驶年龄、芝麻白条等信用、有无犯罪前科、心里疾病预测结果、是否持有有效的驾照，车辆是否以自己的名字投保等信息。

司机动态属性信息包括用户评价，客户对于司机的评价也可以通过提取关键词来给司机增加更多的标签。

步骤220、读取所述司机画像信息库中的司机静态属性信息，当所述司机静态属性信息变化时，进入步骤260；

步骤230、读取所述司机画像信息库中的司机动态属性信息，当所述司机动态属性信息变化时，进入步骤260；

步骤240、基于所述司机画像信息进行司机犯罪概率挖掘。

其中，针对司机静态属性信息的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。针对司机动态属性信息的动态挖掘实现的方式也有许多，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；

步骤250、得到司机犯罪概率并进入步骤260；

在具体实施中，我们可以将司机犯罪概率分为10个等级，通过静态属性和动态属性的文本信息，通过将所有属性向量化，通过随机深林、卷积神经网络等分类模型将司机进行分类，给出每个司机最后的犯罪概率结果。

步骤260、更新所述司机画像信息库。

图4为本发明实施例中的一种乘客司机安全性匹配的方法用户画像流程图；

如图4所示，步骤300包括：

步骤310、建立用户画像信息库，所述用户静态属性包括性别、年龄和用户照片，所述用户动态属性信息包括司机评价；

步骤320、读取所述用户画像信息库中的用户静态属性信息，当所述司机静态属性信息变化时，进入步骤360；

步骤330、读取所述用户画像信息库中的用户动态属性信息，当所述司机评价变化时，进入步骤360；

步骤340、基于所述用户画像信息进行用户可接受侵犯度挖掘；用户可接受侵犯度挖掘也可采用svm、knn、dnn等静态分类算法去进行挖掘，采用rnn进行动态挖掘。

步骤350、得到用户可接受侵犯度并进入步骤360；

在具体实施中，我们可以将用户可接受侵犯度分为10个等级，通过静态属性和动态属性的文本信息，通过将所有属性向量化，通过随机深林、卷积神经网络等分类模型将用户进行分类，给出每个用户最后的可接受侵犯度。

步骤350、更新所述用户画像信息库。

图5为本发明实施例中的一种乘客司机安全性匹配的方法安全匹配流程图；

如图5所示，步骤400包括：

步骤410、获取用户输入的乘车人数以及打车时间；

步骤420、判断是否出行路径不经过偏远地区且打车时间为正常作息，判断结果为是时，进入步骤440，否则进入步骤430；

步骤430、判断所述乘车人数是否大于等于两人，当结果为是时进入步骤440，否则进入步骤450；

步骤440、按照打车软件原有机制匹配车辆；

步骤450、按照司机犯罪概率和用户可接受侵犯度进行匹配。

在具体实施中，通过司机画像中司机犯罪概率的结果和用户可侵犯度的结果进行衡量，例如，可以是两个的等级差值小于1，或者需要等级完全匹配才进行乘客和司机的匹配。

图6示出了本发明实施例中的一种乘客司机安全性匹配的系统的结构示意图。如图6所示的一种乘客司机安全性匹配的系统，可以包括gps定位模块500、司机画像模块501、用户画像模块502和安全匹配模块503，其中：

gps定位模块500，适于获取用户的出发地信息和目的地信息，构建出行路线，并将符合该路线的司机加入到筛选队列中；

司机画像模块501，适于基于司机的属性，构建司机画像，通过犯罪概率挖掘，结合司机画像中的信息，计算出司机犯罪概率；

用户画像模块502，适于基于用户的属性,构建用户画像，通过可接受侵犯度挖掘，计算出用户可接受侵犯度；

安全匹配模块503，适于从所述筛选队列中，基于用户打车的人数、时间、路径、司机犯罪概率和用户可接受侵犯度，进行乘客司机安全性匹配。

在具体实施中，gps定位模块500包括：

获取单元，适于获取用户输入的出发地和目的地的地理位置信息；

规划单元，适于基于获取单元获取的地理位置信息，进行线路规划，得到出行路径；

寻找单元，适于根据用户的出发地信息以及司机到出发地的距离，找出适配司机；

加入单元，适于将所述适配司机加入到筛选队列中。

在具体实施中，司机画像模块501包括：

第一建立单元，适于建立司机画像信息库，所述司机画像信息包括司机静态属性信息和司机动态属性信息，所述司机静态属性信息包括司机性别、年龄、负债情况和车的型号，所述司机动态属性信息包括用户评价；

第一静态读取单元，适于读取所述司机画像信息库中的司机静态属性信息，当所述司机静态属性信息变化时，启动第一更新单元；

第一动态读取单元，适于读取所述司机画像信息库中的司机动态属性信息，当所述司机动态属性信息变化时，启动第一更新单元；

第一挖掘单元，适于基于所述司机画像信息进行司机犯罪概率挖掘；

第一计算单元，适于得到司机犯罪概率并启动第一更新单元；

第一更新单元，适于更新所述司机画像信息库。

在具体实施中，用户画像模块502包括：

第二建立单元，适于建立用户画像信息库，所述用户静态属性包括性别、年龄和用户照片，所述用户动态属性信息包括司机评价；

第二静态读取单元，适于读取所述用户画像信息库中的用户静态属性信息，当所述司机静态属性信息变化时，启动第二更新单元；

第二动态读取单元，适于读取所述用户画像信息库中的用户动态属性信息，当所述司机评价变化时，启动第二更新单元；

第二挖掘单元，适于基于所述用户画像信息进行用户可接受侵犯度挖掘；

第二计算单元，适于得到用户可接受侵犯度并启动第二更新单元；

第二更新单元，适于更新所述用户画像信息库。

在具体实施中，安全匹配模块503包括：

信息获取单元，适于获取用户输入的乘车人数以及打车时间；

第一判断单元，适于判断是否出行路径不经过偏远地区且打车时间为正常作息，当判断结果均为是时，启动基础匹配单元，否则启动第二判断单元；

第二判断单元，适于判断所述乘车人数是否大于等于两人，当结果为是时启动基础匹配单元，否则启动安全匹配单元；

基础匹配单元，适于按照打车软件原有机制匹配车辆；

安全匹配单元，适于按照司机犯罪概率和用户可接受侵犯度进行匹配。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。