网约车异常订单的未支付提醒方法及系统与流程

1.本发明涉及互联网中网约车领域，特别是涉及一种网约车异常订单的未支付提醒方法及系统。


背景技术：

2.随着移动通信技术与出行服务的结合，移动终端上的网约车出行方式极大便利了人们的出行需求。当前网约车服务大多采用先乘车后支付的运营方式，在这样的服务方式中不可避免的产生了大量长期未支付的异常订单，从而造成平台高额的资金损失。
3.对于金融借贷行业，由于客户借贷金额大且数量少，采用的逾期催收方法多为人工电话的方式提醒客户，这样的提醒方式效率低且成本高。对于网约车行业中的未支付订单，由于其未支付订单数量大且未支付金额较小，采用传统的催收方式需要消耗大量人力与运营成本，其催收效率较低，无法及时有效的召回平台资金损失。
4.现有常见的方法，一般是依据专家经验或者基于用户信息及订单信息等制定未支付提醒策略，确定未支付订单的提醒时间及间隔。并没有判别订单是否异常，如司机在订单服务过程中的是否存在不良或者违规行为等，从而导致乘客不支付订单。然而这类订单恰恰是最难让乘客进行支付的订单，因此，如何有效提升异常未支付订单的支付率是当前出行服务中的亟需解决的问题。


技术实现要素：

5.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种网约车异常订单的未支付提醒方法及系统，用于解决现有技术中未采用合适的分类提醒方式，以至于无法提升异常未支付订单的支付率的问题。
6.为实现上述目的及其他相关目的，本发明提供一种网约车异常订单的未支付提醒方法及系统，全方位考虑用户行为信息、订单信息、司机服务信息等数据刻画入模特征，提高了未支付提醒模型的精确率，并基于未支付提醒模型对异常订单的分类结果，针对不同用户采取相应的提醒方式对其进行未支付提醒，以提升异常未支付订单的支付率。
7.于本发明的一实施例中，一种网约车异常订单的未支付提醒方法，包括：
8.数据获取步骤，获取异常订单样本数据集，包括乘客端app和司机端app的数据库数据；
9.确定入模特征步骤，基于所述异常订单样本数据集，标记未支付提醒分类标签和支付标签，进行入模特征的设计与开发，包括所述入模特征的筛选；
10.训练模型步骤，通过训练、评估，获得未支付提醒模型；
11.模型应用步骤，将需要提醒的异常订单信息输入到所述未支付提醒模型中，输出所述异常订单的未支付提醒分类结果，根据所述未支付提醒模型对所述异常订单的所述未支付提醒分类结果，对不同用户采取相应的提醒方式进行未支付提醒
12.于本发明的一实施例中，所述乘客端app和司机端app的数据库数据包括以下信息
的一种或多种：用户历史行为信息、目标订单属性信息、目标订单接单司机和服务信息。
13.于本发明的一实施例中，所述确定入模特征步骤包括：
14.将所述异常订单样本数据集根据特定情形对订单标记标签；
15.根据目标订单相关信息设计与开发特征；
16.基于相关指标进行所述入模特征的筛选
17.于本发明的一实施例中，在所述将所述异常订单样本数据集根据特定情形标记标签步骤中，所述标记标签的方法为：在所述异常订单样本数据集中增加一列标签列，如果出现第一特定情形，即目标用户在未支付提醒后，其未支付订单完成支付，则对该订单在对应的异常订单样本数据集中标记为1，如果出现第二特定情形，即目标用户在未支付提醒后，其未支付订单无支付行为，则对该订单在对应的异常订单样本数据集中标记为0。
18.于本发明的一实施例中，所述入模特征包括以下的一种或多种：订单提醒前用户历史叫单数、用户支付订单数、用户支付金额、支付订单优惠金额、超过设定时间未支付订单数、超过设定时间未支付订单金额、超过设定时间未支付订单优惠金额、超过设定时间未支付订单提醒数、用户启动数、用户登录数、目标订单预估里程与实际里程、目标订单预估金额与实际金额、目标订单预估时长与实际时长、目标订单接单司机在线时长、司机接单总单数、司机被投诉订单数和司机接单客诉比。
19.于本发明的一实施例中，所述入模特征的筛选，基于以下所述相关指标的一种或多种：可得性指标、可解释性指标、信息量指标、相关性指标和稳定性指标。
20.于本发明的一实施例中，所述训练模型步骤包括：
21.根据筛选后的特征，采用机器学习算法，训练所述未支付提醒模型；
22.评估所述未支付提醒模型，判断所述未支付提醒模型对异常订单识别的正确率。
23.于本发明的一实施例中，所述机器学习算法，可以是gbdt、支持向量机或逻辑回归。
24.于本发明的一实施例中，在所述训练模型步骤中，将所述异常订单样本数据集根据预设比例划分为训练集和验证集；对所述训练集的数据根据筛选后的所述入模特征，采用所述机器学习算法，进行所述未支付提醒模型的训练；所述验证集的数据用于对训练好的所述未支付提醒模型进行输出结果的验证，以判断所述训练好的所述未支付提醒模型是否符合预设要求。
25.于本发明的一实施例中，在所述模型应用步骤中，所述未支付提醒分类结果至少包括：
26.订单改费为原始预估费用并提醒乘客支付，用于司机绕路订单、司机甩定位虚增里程订单、司机违规添加附加费的情况；和
27.补发优惠券提醒乘客支付，用于订单里程轻微偏离的情况。
28.于本发明的一实施例中，一种网约车异常订单的未支付提醒系统，所述系统执行权利要求1至10的方法，包括：异常订单样本数据集获取模块，异常订单样本数据集标记标签模块，特征设计与开发模块，特征筛选模块，未支付提醒模型训练模块，未支付提醒模型评估模块和异常订单未支付提醒模块；
29.所述异常订单样本数据集获取模块从乘客端app和司机端app的数据库数据采集某一时间周期内内若干个订单样本数据，由所述异常订单样本数据集标记标签模块将异常
订单样本数据集根据特定情形对各个订单标记标签，并由所述特征设计与开发模块根据用户历史行为信息、目标订单信息、司机服务信息等数据，进行入模特征的设计与开发，所述特征筛选模块基于可得性、可解释性、信息量、相关性、稳定性等相关指标，进行入模特征的筛选，所述未支付提醒模型训练模块根据筛选后的入模特征，在所述特征筛选模块采用机器学习算法训练得到未支付提醒模型，所述未支付提醒模型评估模块对训练好的未支付提醒模型的输出结果进行验证，最后所述异常订单未支付提醒模块将需要提醒的异常订单信息输入到所述未支付提醒模型中，输出所述异常订单的未支付提醒分类结果，根据所述未支付提醒模型对所述异常订单的所述未支付提醒分类结果，对不同用户采取相应的提醒方式进行未支付提醒。
30.如上所述，本发明的网约车异常订单的未支付提醒方法及系统，具有以下有益效果：全方位考虑用户行为信息、订单信息、司机服务信息等数据刻画入模特征，提高了未支付提醒模型的精确率。并且基于未支付提醒模型对异常订单的分类结果，针对不同用户采取相应的提醒方式对其进行未支付提醒，以提升异常未支付订单的支付率。
附图说明
31.图1显示为本发明的网约车异常订单的未支付提醒方法的步骤示意图。
32.图2显示为本发明的网约车异常订单的未支付提醒方法的一较佳实施例的步骤示意图。
33.图3显示为本发明的网约车异常订单的未支付提醒系统的数据流向示意图。
34.图4显示为本发明的网约车异常订单的未支付提醒系统应用的框架示意图。
具体实施方式
35.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
36.请参阅图1至图4。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
37.请参阅图1，本发明提供一种网约车异常订单的未支付提醒方法，具体步骤如下：
38.s1：数据获取步骤，获取异常订单样本数据集，包括乘客端app和司机端app的数据库数据；
39.s2：确定特征步骤，基于所述异常订单样本数据集，标记未支付提醒分类标签和支付标签，进行特征的设计与开发，包括特征的筛选；
40.s3：训练模型步骤，通过训练、评估，获得未支付提醒模型；
41.s4：模型应用步骤，将需要提醒的异常订单信息输入到所述未支付提醒模型中，输出所述异常订单的未支付提醒分类结果，根据所述未支付提醒模型对所述异常订单的所述未支付提醒分类结果，对不同用户采取相应的提醒方式进行未支付提醒。
42.在s1数据获取步骤中，用户在平台打车，使用了乘客端app或者小程序，就会产生数据。同样，司机使用司机端app接单，也会产生司机的数据，基于这些数据就可以进行特征的设计与开发，得到特征数据。
43.在s2确定入模特征步骤中，根据用户历史行为信息、目标订单属性信息、目标订单接单司机及其服务信息等数据，进行入模特征的设计与开发，包括入模特征的筛选。可以基于专家经验根据可用数据设计开发特征，例如，有了未支付订单的预估和实际行程数据，就可以根据预估里程与实际里程的偏差，设计“预估历程与实际里程差值”这一特征等。
44.在s3训练模型步骤中，将样本数据集根据预设比例划分为训练集与验证集，其中训练集用于训练未支付提醒模型，验证集用于对训练好的未支付提醒模型进行输出结果的验证，判断所训练的未支付提醒模型是否符合预设要求。然后，根据筛选后的特征，采用机器学习算法，如gbdt(gradient boosting decision tree)、支持向量机、逻辑回归等，进行未支付提醒模型的训练，经过优化后，最终得到未支付提醒模型。
45.在s4模型应用步骤中，将未支付提醒模型应用到具体场景中，首先将需要未支付提醒分类的订单输入到未支付提醒模型中，可以得到一个分类结果，主要有以下几种：根据该分类结果决定针对不同用户采取相应的提醒方式对其进行未支付提醒，以提升异常未支付订单的支付率。
46.在本发明一个优选实施例中的方法(如图2所示)，包括以下步骤：
47.s21：获取订单样本数据集，包含用户历史行为信息、目标订单属性信息、司机服务信息；
48.s22：将样本数据集根据特定情形标记标签；
49.s23：根据目标订单信息、用户行为信息等设计与开发特征；
50.s24：基于相关指标进行入模特征的筛选；
51.s25：根据筛选后的特征，采用机器学习算法，训练未支付提醒模型；
52.s26：评估未支付提醒模型，判断模型对异常订单识别的正确率；
53.s27：根据未支付提醒模型对订单的分类结果，进行相应的未支付提醒。
54.在s21步骤中，首先获取订单样本集合(订单样本数据集)，该订单样本集合是在某一时间周期内的若干个订单样本。
55.具体地，订单样本数据集主要包括以下信息的一种或多种：用户历史行为信息、目标订单属性信息、目标订单接单司机及其服务信息，如用户启动、登录、叫单、撤单、支付等用户行为数据，订单价格、里程、时长等订单数据，以及接单司机在线时长、司机服务客诉信息等，其中，用户指下单乘客。
56.在s22步骤中，按照特定情形对样本数据集中各订单标记标签。
57.具体地，在样本数据集中增加一列标签列，如果出现第一特定情形，即目标用户在
进行未支付提醒后，其未支付订单完成支付，则对该订单在对应的样本数据集中标记为1；如果出现第二特定情形，即目标用户在进行未支付提醒后，其未支付订单无支付行为，则对该订单在对应的样本数据集中标记为0。
58.在s23步骤中，根据用户历史行为信息、目标订单属性信息、目标订单接单司机及其服务信息等数据，进行入模特征的设计与开发。
59.具体地，所开发的入模特征包括但不限于：订单提醒前用户历史叫单数、用户支付订单数、用户支付金额、支付订单优惠金额、30天以上未支付订单数、30天以上未支付订单金额、30天以上未支付订单优惠金额、30天以上未支付订单提醒数、用户启动数、用户登录数、目标订单预估里程与实际里程、目标订单预估金额与实际金额、目标订单预估时长与实际时长、目标订单接单司机在线时长、司机接单总单数、司机被投诉订单数、司机接单客诉比等等。
60.在s24步骤中，基于可得性、可解释性、信息量、相关性、稳定性等相关指标，进行入模特征的筛选。
61.具体地，可得性指标：需综合考虑产品流程设计、用户授权协议、合规需求、模型应用环节等诸多方面，判定特征数据是否持续可得。
62.可解释性指标：特征的业务逻辑要清晰，需符合业务可解释性。
63.信息量指标：计算特征的信息量iv，用以评估特征的预测能力。通常情况下，iv越高，预测能力越强。当特征iv值大于设定阈值时(一般设为0.02)，说明特征具有预测能力,满足入模要求。
64.相关性指标：计算特征的皮尔逊相关系数，用以评估特征间的相关性。两特征相关系数越接近0，说明线性相关性越弱，越接近1或-1，说明线性相关性越强。当两特征间的相关系数大于设定阈值时(一般设为0.6)，剔除iv值较低的特征。其中，皮尔逊相关系数是指对两两特征相关性进行比较。例如一个特征的效果很好，和该特征相关性很高的另一个特征的效果也很好，两个特征很接近，用任何一个特征即可，将其输入到模型并不能起到效果。因此要尽可能保证用相关性较低的特征进行模型输入。iv值是指信息量iv，假如做模型预测做1000个特征，不一定都有必要运用到线上，因为会增加开发成本及应用难度，因此先做一批有效特征和可有特征的筛选，即基于s23步骤做一些可得性可解释性的特征筛选(为什么要这样做)。具体到信息量iv就是这个特征对预测起到多大的帮助作用。信息量iv越高，代表可用性越高。例如使用该特征准确率为90％，不用该特征准确率为80％。信息量值表示对预测结果的重要性程度。
65.稳定性指标：计算特征的群体稳定性指标psi(population stability index)，用以评估特征的稳定性。当psi值在设定阈值范围内时(一般设为0～0.1)，表明特征没有变化或很少变化，满足稳定性要求。特征的稳定性psi值，指特征随着时间的变化会有波动。例如，一段时间内某一特征的表现效果有时很好而有时不好，表示该特征不稳定，则该信息的可用性不高。需要对该特征线上运行后，计算psi值以对接单率预测结果的稳定性做一个监控。
66.在s25步骤中，首先，将样本数据集根据预设比例划分为训练集与验证集，其中训练集用于训练未支付提醒模型，验证集用于对训练好的未支付提醒模型进行输出结果的验证，判断所训练的未支付提醒模型是否符合预设要求；然后，根据筛选后的特征，采用机器
学习算法，如gbdt、支持向量机、逻辑回归等，进行未支付提醒模型的训练，得到未支付提醒模型。
67.在s26步骤中，使用订单样本数据集所划分的验证集对训练好的未支付提醒模型的输出结果进行验证，判断未支付提醒模型对各类风险用户的识别正确率是否达到预设阈值；其中，对未成单订单预测的正确率主要包括两个指标：所述标记为1的订单样本识别的精确率，所述标记为1的订单样本识别的召回率。
68.精确率、召回率两个指标定义如下：
69.精确率＝tp/(tp+fp)，召回率＝tp/(tp+fn)；
70.其中，tp：标记为1的样本，预测为1；fp：标记为0的样本，预测为1；fn：标记为1的样本，预测为0。
71.在s27步骤中，根据未支付提醒模型的分类结果，对不同用户采取相应的提醒方式进行未支付提醒，如对司机绕路订单可对订单改价后提醒乘客仅需支付订单预估金额，对司机违规添加附加费用订单可对订单去除附加费用后提醒乘客进行支付，对司机服务差、超时等异常订单可对用户进行发放优惠券提醒支付等方式，从而提升异常未支付订单的支付率。
72.图3所示为本发明网约车异常订单的未支付提醒系统的数据流向示意图。本发明的系统用于执行本发明的方法，包括但不限于以下7个模块，分别是：
73.样本数据集获取模块31，负责从乘客端app和司机端app的数据库数据采集某一时间周期内的若干个订单样本数据，即执行步骤s21。
74.样本数据集标记标签模块32，是将样本数据集根据特定情形对各个订单标记标签，即执行步骤s22。
75.特征设计与开发模块33，根据用户历史行为信息、目标订单信息、司机服务信息等数据，进行入模特征的设计与开发，即执行步骤s23。
76.特征筛选模块34，基于可得性、可解释性、信息量、相关性、稳定性等相关指标，进行入模特征的筛选，即执行步骤s24。
77.未支付提醒模型训练模块35，根据筛选后的特征，采用机器学习算法训练得到未支付提醒模型，即执行步骤s25。
78.未支付提醒模型评估模块36，对训练好的未支付提醒模型的输出结果进行验证。未支付提醒模型的评估,可以使用auc(area under roc curve)、ks(kolmogorov-smirnov)等指标，即执行步骤s26。
79.异常订单未支付提醒模块37，根据未支付提醒模型的分类结果，对异常订单采取相应的未支付提醒，即执行步骤s27。
80.未支付提醒模型是对不同的未支付订单进行分类，然后针对分类后不同订单，采用不同的提醒方式进行提醒。具体分类如下：
81.1、司机绕路订单、司机甩定位虚增里程订单、司机违规添加附加费：订单改费为原始预估费用，提醒乘客支付；
82.2、订单里程轻微偏离：补发优惠券提醒乘客支付；
83.3、小跑大订单：司机文案提醒乘客支付(小跑大订单是指订单实际终点与预估终点不一致，且实际里程远高于预估里程)；
84.4、乘客恶意逃单订单：征信文案提醒乘客支付。
85.图4所示的是应用本发明方法的一个示例性实施例，对于风控算法解决问题应用本发明的思路具体可以包括以下4点：
86.1、获取原始数据域，主要是获取乘客端app及司机端app返回的用户埋点数据、行为数据、设备数据、订单数据等等；
87.2、基于原始数据域，进行入模特征的设计与开发，包括入模特征的筛选；
88.3、选择合适的算法，训练模型；
89.4、将模型应用于具体场景。
90.具体的，假设某公司的系统里面有一个数据库，可以得到原始样本数据。每笔订单发生的事情都会在数据库里面记录下来。当需要进行网约车异常订单的未支付提醒方法开发，要训练出一个未支付提醒模型时，可以把这个数据库导出来，作为包含千万条记录的原始样本数据来使用。这个样本数据库本身包含大量的订单数据，可以用来训练模型。训练模型的关键就是输入样本数据越多越好。机器(例如电脑)可以从大量样本数据里面进行分析，自己去找出规律，来设计(学习)出一套人类无法完成的未支付提醒模型。
91.对未支付提醒模型的评估方法是在千万个原始数据里面挑选若干条，输入到这个模型里面去。将模型输出结果与原始数据实际情况比对，例如取1000笔订单根据以上方法来验证评估，就可以知道模型的正确率是多少。
92.确定好未支付提醒模型之后，将实时的未支付订单信息输入到未支付提醒模型里面进行判断，即可得到提醒方式的建议，可以有几种处理情形：1、司机绕路订单、司机甩定位虚增里程订单、司机违规添加附加费，订单改费为原始预估费用，提醒乘客支付。2、订单里程轻微偏离，补发优惠券提醒乘客支付。3、订单实际终点与预估终点不一致，且实际里程远高于预估里程，司机文案提醒乘客支付。4、乘客恶意逃单订单，征信文案提醒乘客支付。
93.综上所述，本发明基于用户行为及订单数据进行特征的设计与开发，使用用户启动、登录、叫单、撤单、支付等用户行为数据，订单价格、里程、时长等订单数据，以及订单服务司机的相关数据，全方位刻画未支付提醒模型的入模特征，以提高未支付提醒模型精确率。并且基于所开发的特征，采用机器学习算法训练未支付提醒模型，识别异常未支付订单，并采取相对应的未支付提醒方式(如发放优惠券、订单折扣等)对目标用户进行提醒，以提升异常未支付订单的支付率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
94.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。