行程数据的风险监控方法、装置、电子设备、介质及产品

技术领域

本发明涉及计算机网络技术，尤其涉及一种行程数据的风险监控方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

相关技术中，线上行程数据的监控保护策略是以单特征(比如实时轨迹或语音数据等)进行识别监控的，并通过单特征的异常程度来区分风险等级，并对高风险等级的订单业务进行实施干预。而通过对高风险等级的安全事件分析，高风险等级的订单业务一般会存在多种风险特征，如果仅根据单特征数据的异常程度来确定订单业务是否为高风险等级的订单业务，会降低高风险等级订单业务的准确性，有可能会出现漏召回或召回后干预手段较轻，导致干预失效的情况，因此，如何准确的识别出高风险等级订单业务，并采用最有效的干预手段，是目前有待解决的技术问题。

发明内容

本发明提供一种行程数据的风险监控方法、装置、电子设备、计算机可读存储介质及计算机程序产品，以至少解决相关技术中仅根据单特征数据的异常程度来确定订单业务是否为高风险等级订单业务，导致高风险等级订单业务的准确性降低的技术问题。本发明的技术方案如下：

根据本发明实施例的第一方面，提供一种行程数据的监控方法，包括：

响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据；

对所述多种业务数据进行识别，得到对应的风险业务数据；

根据所述风险业务数据预测所述当前业务的风险分值；

在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。

可选的，所述获取与所述当前业务相关联的多种业务数据，包括：

获取与所述当前业务相关联的第一用户的业务场景交互特征数据，所述第一用户的业务场景交互特征数据包括下述之一：平台的全景数据、第一用户在平台的消费数据、历史业务信息以及当前业务的下单位置和/或时间特征；以及

获取与所述当前业务相关联的第二用户的画像特征数据，所述第二用户的画像特征数据包括下述之一：第二用户的年龄婚姻特征信息、金融特征、交友特征、心理特征、历史做单习惯及平台历史评价管控信息；以及

按照设定策略节点获取所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据。

可选的，所述对所述多种业务数据进行识别，得到对应的风险业务数据，包括：

按照预设场景风险特征对所述第一用户的业务场景交互特征数据进行综合计算，得到第一用户的风险场景特征数据；以及

根据所述获取的与所述当前业务相关联的第二用户的画像特征数据，按照特征风险规则刻画出所述第二用户的风险特征数据，以及

对获取的所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据进行叠加计算，得到行为异常数据。

可选的，所述根据所述风险业务数据预测所述当前业务的风险分值，包括：

将所述第一用户的风险场景特征数据、第二用户的风险特征数据以及所述行为异常特征数据与预存的历史涉性实例风险特征数据进行比对，预测当前业务的每项风险特征数据；

对预测的所述当前业务的每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值。

可选的，所述对预测的当前业务的所述每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值，包括：

将预测的所述当前业务的所述每项风险特征数据输入到用户体验模型CEM进行风险特征重要性训练，其中，所述用户体验模型将接收到的所述当前业务的所述每项风险特征数据与训练好的历史归纳的风险特征进行对比，以确定风险特征的重要性；

将训练好的所有重要性风险特征的分值进行加权处理，得到所述当前业务对应的风险分值。

可选的，所述方法还包括：

按照时空特征将所述第一用户的风险场景特征数据划分为至少三种不同风险等级；

按照风险特征的叠加策略将所述第二用户的风险特征数据划分为多个不同风险等级。

可选的，所述方法还包括：

判断所述当前业务对应风险分值是否达到对应的风险等级阈值，其中，所述风险等级阈值是按照风险排序策略针对不同的风险分值来设置的；

在所述当前业务的风险分值达到对应的风险等级阈值时，执行所述触发对应风险等级的干预操作的步骤。

根据本发明实施例的第二方面，提供一种行程数据的监控装置，包括：

获取模块，被配置为执行响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据；

识别模块，被配置为执行对所述多种业务数据进行识别，得到对应的风险业务数据；

预测模块，被配置为执行根据所述风险业务数据预测所述当前业务的风险分值；

触发模块，被配置为执行在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。

可选的，所述获取模块包括：

第一获取模块，被配置为执行获取与所述当前业务相关联的第一用户的业务场景交互特征数据，所述第一用户的业务场景交互特征数据包括下述之一：平台的全景数据、第一用户在平台的消费数据、历史业务信息以及当前业务的下单位置和/或时间特征；以及

第二获取模块，被配置为执行获取与所述当前业务相关联的第二用户的画像特征数据，所述第二用户的画像特征数据包括下述之一：第二用户的年龄婚姻特征信息、金融特征、交友特征、心理特征、历史做单习惯及平台历史评价管控信息；以及

第三获取模块，被配置为执行按照设定策略节点获取所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据。

可选的，所述识别模块包括：

第一计算模块，被配置为执行按照预设场景风险特征对所述第一用户的业务场景交互特征数据进行综合计算，得到第一用户的风险场景特征数据；以及

刻画模块，被配置为执行根据所述获取的与所述当前业务相关联的第二用户的画像特征数据，按照特征风险规则刻画出所述第二用户的风险特征数据，以及

第二计算模块，被配置为执行对获取的所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据进行叠加计算，得到行为异常数据。

可选的，所述预测模块包括：

比对模块，被配置为执行将所述第一用户的风险场景特征数据、第二用户的风险特征数据以及所述行为异常特征数据与预存的历史涉性实例风险特征数据进行比对，预测当前业务的每项风险特征数据；

分值计算模块，被配置为执行对预测的所述当前业务的每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值。

可选的，所述分值计算模块包括：

训练模块，被配置为执行将预测的所述当前业务的所述每项风险特征数据输入到用户体验模型CEM进行风险特征重要性训练，其中，所述用户体验模型将接收到的所述当前业务的所述每项风险特征数据与历史归纳的风险特征进行对比，以确定风险特征的重要性；

加权处理模块，被配置为执行将训练好的所有重要性风险特征的分值进行加权处理，得到所述当前业务对应的风险分值。

可选的，所述装置还包括：

判断模块，被配置为执行判断所述当前业务对应风险分值是否达到对应的风险等级阈值，其中，所述风险等级阈值是按照风险排序策略针对不同的风险分值来设置的；

所述触发模块，还被配置为在所述判断模块判定所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。

根据本发明实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上所述的行程数据的监控方法。

根据本发明实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的行程数据的监控方法。

根据本发明实施例的第五方面，提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如权利要求1至6中任一项所述的行程数据的监控方法。

本发明实施例提供的技术方案至少可以包括以下有益效果：

本发明实施例中，响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据；对所述多种业务数据进行识别，得到对应的风险业务数据；根据所述风险业务数据预测所述当前业务的风险分值；在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。也就是说，本发明实施例中，不在局限于单特征识别，而是结合多特征，综合进行风险评估判断，准确的识别出业务的风险等级，并针对不同的风险等级采用有效的干预手段，从而达到降低高危涉性事件的发生。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。

图1是本发明实施例提供的一种行程数据的风险监控方法方法的流程图。

图2A是本发明实施例提供的一种综合计算第一用户的风险场景特征数据的示意图。

图2B是本发明实施例提供的一种综合计算第二用户的画像特征数据的示意图。

图2C是本发明实施例提供的一种综合计算异常行为数据的示意图。

图3A是本发明实施例提供的一种按照时空特征进行风险场景识别的示意图。

图3B是本发明实施例提供的一种高危司机识别的示意图。

图3C是本发明实施例提供的一种异常行为识别的示意图。

图4是本发明实施例提供的一种行程数据的风险监控装置的框图。

图5是本发明实施例提供的一种获取模块的框图。

图6是本发明实施例提供的一种识别模块的框图。

图7是本发明实施例提供的一种预测模块的框图。

图8是本发明实施例提供的一种电子设备的结构框图。

图9是本发明实施例提供的一种具有行程数据的风险监控的装置的结构框图。

具体实施方式

为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

请参阅图1，是本发明实施例提供的一种行程数据的风险监控方法的流程图，如图1所示，行程数据的风险监控方法用于终端或服务器中，所述方法包括以下步骤：

在步骤101中，响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据。

该步骤中，当前业务可以是订单业务，也可以是其他，本实施例不做限制。比如，在检测到乘客的下单业务等，获取与所述下单业务相关联的多种业务数据。

该实施例中，获取与所述当前业务相关联的多种业务数据，可以包括：获取与所述当前业务相关联的第一用户的业务场景交互特征数据；获取与所述当前业务相关联的第二用户的画像特征数据，以及按照设定策略节点获取所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据。其获取的方式可以从本地数据库中获取，也可以通过平台获取，当然，还可以远程获取，其具体获取方式，本实施例不做限制。其中，所述设定策略节点：可以是触发获取行驶轨迹数据和语音数据的时机，也可以说是触发行程动态风险分值的计算时机，具体可以包括：设定行程中的停留时间，比如停留2min、4min或8min时；也可以是完成订单的时刻：在订单状态变更为已完成，触发数据的获取，以便于计算风险分值，当然，还可以是行程后，比如每间隔1min等，触发一次风险分计算，计算至行后获取不到司乘轨迹位置等。

其中，所述第一用户的业务场景交互特征数据包括但不限于此下述之一：平台的全景数据、第一用户在平台的消费数据、历史业务信息以及当前业务的下单位置和/或时间特征；

所述第二用户的画像特征数据包括但不限于此下述之一：第二用户的年龄婚姻特征信息、金融特征、交友特征、心理特征、历史做单习惯及平台历史评价管控信息。

所述当前业务的行驶轨迹数据可以按照下述方式得到：用户端上报数据给capl或rapl进行实时存储，capl或rapl再将实时存储的数据上传给LBS进行云存储，最后对云存储的数据进行分组处理，其具体的实现过程对本领域技术人员来说，已是熟知技术，在此不再赘述。

所述第一用户和第二用户之间的语音数据包括：司机端录音，S3后端存储司机端录音，工程端对司机端录音进行语音处理，以及AI侧进行语音检测等。

在步骤102中，对所述多种业务数据进行识别，得到对应的风险业务数据。

首先，该步骤中，对于第一用户(比如乘客)的业务场景数据，可以按照预设场景风险特征(比如，醉酒，代交或未成年等)对所述第一用户的业务场景交互特征数据进行综合计算，得到第一用户的风险场景特征数据；具体如图2A所述，图2A为本发明实施例提供的一种综合计算第一用户的风险场景特征数据的示意图。如图2A所示，可以根据强奸/强奸未遂case回溯，可以基于某个平台的全景数据、用户在平台消费数据、历史订单信息、本单业务信息(比如下单位置或时间等)综合特征，进行风险场景特征挖掘，综合计算得到高风险订单特征，高风险订单特征为第一用户(比如乘客等)的风险场景特征数据，实现100％召回。该步骤都是对乘客和时空风险场景的刻画。

其次，该步骤中，对风险司机特征的刻画，根据所述获取的与所述当前业务相关联的第二用户的画像特征数据，刻画出所述第二用户的风险特征数据，具体如图2B所述，图2B为本发明实施例提供的一种综合计算第二用户的画像特征数据的示意图。如图2B所示，可以通过第二用户(比如司机)的基础信息，第二用户心理特征信息，第二用户历史投诉信息，第二用户常用APP信息，司乘平台历史评价管控信息等进行综合计算，刻画出第二用户(比如司机等)的风险特征。其中，第二用户基础信息可以包括：年龄、婚姻特征、金融特征、交友特征等。

再次，对当前业务异常行为的刻画，即对获取的所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据进行叠加计算，得到行为异常数据。具体如图2C所述，图2C为本发明实施例提供的一种综合计算异常行为数据的示意图。如图2C所示，一方面对于轨迹特征数据，用户端上报数据给capl或rapl进行实时存储，capl或rapl再将实时存储的数据上传给LBS进行云存储，最后对云存储的数据进行分组处理，另一方面对于语音特征数据，司机端录音，后端存储司机端录音，工程端对司机端录音进行语音处理，以及AI侧进行语音检测等。之后，根据分组处理后的数据和AI侧进行语音检测到的数据进行综合特征叠加计算，得到行为异常特征数据。也就是说，通过获取的当前业务的轨迹数据特征及语音数据特征，进行特征叠加计算，如预估行程时间和实际行驶时间相差过长、司乘行程后5分钟内最大距离、司机收车和完单时间差等，综合刻画当前业务的行为异常特征。

进一步，还可以按照时空特征进行第一用户的风险场景的识别，并将识别得到的第一用户的风险场景特征数据划分为至少三种不同风险等级，比如高风险等级，中风险等级和低风险等级等，其中，从高到低的风险等级可以依次用Sn，Sn-1,……，S2和S1表示。

具体如图3A所述，图3A为本发明实施例提供的一种按照时空特征进行风险场景识别的示意图。本实施例中以高、中和低三种风险等级来表示。本实施中的场景以醉酒、代叫和未成年为例，按照时空特征对该场景进行识别，得到的识别结果。本实施例中，如果时空特征为夜间，识别出的乘客画面为：普通女性，则得到的风险级别为S1低风险；如果时空特征为夜间，醉酒区域，夜间订单占比高等，识别出的乘客画面为醉酒or夜间偏好or娱乐场所偏好or长单等，即确定为易危险女性，则得到的风险级别为S2中风险；如果时空特征为深夜，敏感区等，即确定为高危时空，识别出的乘客画面为醉酒女生等，即确定为高危险女性，则得到的风险级别为S3高风险。

还请参阅图3B，为本发明实施例提供的一种高危司机识别的示意图。如图3B所示，司机的风险特征可以包括但不限于此下述特征：司机的年龄，婚姻，涉性类APP，金融信贷，做单习惯，历史安全投诉，评价，封禁记录，心理特征，涉性投诉等等。随着司机风险特征的叠加，其司机的风险级别就越会高。

还请参阅图3C，为本发明实施例提供的一种异常行为识别的示意图。如图3C所示，本实施例以包括对当前业务的轨迹数据和司乘之间的语音数据为例。对于识别的异常行为，实行高准高召回操作。其中，识别出的异常行为可以包括但并不限于此，1)行驶中的停留，可以包括：异常停留时间超过设定的停留时间，次数累计和时长累计分别超过所设定的累计次数和时长，等等，本实施不再一一举例说明。则确定为异常行为；2)行驶后未分离，可以包括，行程结束后，如果存在司机和乘客共驶，司机和乘客共停等情况，则确定为行为异常。3)轨迹偏移，4)非目的结束，5)索要联系方式，6)录音授权中断，7)预估时间和司机行驶时间差大于预设阈值，8)司机收车和完单时间差大于预设阈值，9)行程中偏航总里程大于预设偏航阈值，……。该实施例中，不在局限于单特征识别，而是结合乘客、司机、时空、轨迹、语音等多特征，综合进行风险评估判断，形成高准高召回的动态风险监控系统。并且建立安全处置专组，确保平台的干预手段准确及时，降低平台风险。

在步骤103中，根据所述风险业务数据预测所述当前业务的风险分值。

该步骤中，首先，将所述第一用户的风险场景特征数据、第二用户的风险特征数据以及所述行为异常特征数据与预存的历史涉性实例风险特征数据进行比对，预测当前业务的每项风险特征数据；其次，对预测的所述当前业务的每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值。也就是说，按照设定策略节点获取当前业务的轨迹数据和语音数据，在结合第一用户的风险场景特征数据、第二用户的风险特征数据，触发行程动态的风险分值。

其中，对预测的所述当前业务的每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值可以包括：将预测的所述当前业务的所述每项风险特征数据输入到用户体验模型CEM进行风险特征重要性训练，其中，所述用户体验模型将接收到的所述当前业务的所述每项风险特征数据与历史归纳的风险特征进行对比，以确定风险特征的重要性；并将训练好的所有重要性风险特征的分值进行加权处理，得到所述当前业务对应的风险分值。

其中，用户体验模型(CEM，Consumer Experiencee Model)，就是改进用户与产品、服务接触的各个点，使用户得到一个良好的体验，其训练原理就是把看似相对比较模糊的用户体验数据量化，分解为各个点，在不影响项目开发的情况下，进行各个点的提升，从而得到训练好的历史归纳的风险特征，以便于在用户体验模型训练好后，该用户体验模型将接收到的所述当前业务的所述每项风险特征数据与训练好的历史归纳的风险特征进行对比，以确定风险特征的重要性。通常情况，用户体验模型不仅可以运用到互联网产品改进中，比如网约车服务等，还可以应用到企业的某项服务，比如说超市的购买服务等。

在步骤104中，在所述当前业务的风险分值达到对应风险等级阈值时，触发对应风险等级的干预操作。

该步骤中，先判断所述当前业务对应风险分值是否达到对应的风险等级阈值；并在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作；否则，继续判断所述当前业务对应风险分值是否达到对应的风险等级阈值。

其中，该实施例中，针对不同的风险等级阈值，可以触发对应的干预操作，比如，在满足中风险等级的风险等级阈值时，可以向所述第二用户(比如司机等)触发风险干预提醒，或有效的干预手段进行事前震慑和事中制止等操作；在比如，在满足高风险等级的风险等级阈值后，将给司机端触发蜂鸣提醒，同时创建客服人工工单，由风险处置部门进行处理，确保司机和乘客的安全。其中，该实施例中，不同等级的风险等级阈值，是按照订单风险值的排序策略，根据历史场景涉性case召回情况，来设定不同等级的风险等级阈值，如风险等级阈值为0.9时，即可召回全部风险场景case，满足大于0.9阈值的订单为风险订单等。

本发明实施例中，响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据；对所述多种业务数据进行识别，得到对应的风险业务数据；根据所述风险业务数据预测所述当前业务的风险分值；在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。也就是说，本发明实施例中，不在局限于单特征识别，而是结合多特征，综合进行风险评估判断，准确的识别出业务的风险等级，并针对不同的风险等级采用有效的干预手段，从而达到降低高危涉性事件的发生。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。

还请参阅图4，为本发明实施例提供的一种行程数据的监控装置，所述装置包括：获取模块401，识别模块402，预测模块403和触发模块404，其中，

该获取模块401，被配置为执行响应于用户的当前业务，获取与所述当前业务相关联的多种业务数据；

该识别模块402，被配置为执行对所述多种业务数据进行识别，得到对应的风险业务数据；

该预测模块403，被配置为执行根据所述风险业务数据预测所述当前业务的风险分值；

该触发模块404，被配置为执行在所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述获取模块401包括：第一获取模块501，第二获取模块502和第三获取模块503，其结构示意图如图5所示，其中，

该第一获取模块501，被配置为执行获取与所述当前业务相关联的第一用户的业务场景交互特征数据，所述第一用户的业务场景交互特征数据包括下述之一：平台的全景数据、第一用户在平台的消费数据、历史业务信息以及当前业务的下单位置和/或时间特征；以及

该第二获取模块502，被配置为执行获取与所述当前业务相关联的第二用户的画像特征数据，所述第二用户的画像特征数据包括下述之一：第二用户的年龄婚姻特征信息、金融特征、交友特征、心理特征、历史做单习惯及平台历史评价管控信息；以及

该第三获取模块503，被配置为执行按照设定策略节点获取所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据。

需要说明的是，该实施例中的第一获取模块、第二获取模块和第三获取模块，在具体实现时，没后先后顺序，也可以同时获取，本实施例不做限制。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述识别模块402包括：第一计算模块601，刻画模块602和第二计算模块603，其结构示意图如图6所示，其中，

该第一计算模块601，被配置为执行按照预设场景风险特征对所述第一用户的业务场景交互特征数据进行综合计算，得到第一用户的风险场景特征数据；以及

该刻画模块602，被配置为执行根据所述获取的与所述当前业务相关联的第二用户的画像特征数据，按照特征风险规则刻画出所述第二用户的风险特征数据，以及

该第二计算模块603，被配置为执行对获取的所述当前业务的行驶轨迹数据，以及所述第一用户和第二用户之间的语音数据进行叠加计算，得到行为异常数据。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述预测模块403包括：比对模块701和分值计算模块702，其结构示意图如图7所示，其中，

该比对模块701，被配置为执行将所述第一用户的风险场景特征数据、第二用户的风险特征数据以及所述行为异常特征数据与预存的历史涉性实例风险特征数据进行比对，预测当前业务的每项风险特征数据；

该分值计算模块702，被配置为执行对预测的所述当前业务的每项风险特征数据进行风险打分处理，得到所述当前业务对应风险分值。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述分值计算模块包括：训练模块和加权处理模块，其中，

该训练模块，被配置为执行将预测的所述当前业务的所述每项风险特征数据输入到用户体验模型CEM进行风险特征重要性训练，其中，所述用户体验模型将接收到的所述当前业务的所述每项风险特征数据与历史归纳的风险特征进行对比，以确定风险特征的重要性；

该加权处理模块，被配置为执行将训练好的所有重要性风险特征的分值进行加权处理，得到所述当前业务对应的风险分值。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还可以包括：判断模块，其中，

该判断模块，被配置为执行判断所述当前业务对应风险分值是否达到对应的风险等级阈值，其中，所述风险等级阈值是按照风险排序策略针对不同的风险分值来设置的；

所述触发模块，还被配置为在所述判断模块判定所述当前业务的风险分值达到对应的风险等级阈值时，触发对应风险等级的干预操作。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，相关之处参见方法实施例的部分说明即可，此处将不做详细阐述说明。

本发明实施例还提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上所述的行程数据的监控方法。

本发明实施例还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的行程数据的监控方法。可选的，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本发明实施例还提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的行程数据的监控方法

图8是本发明实施例提供的一种电子设备800的框图。例如，电子设备800可以为移动终端也可以为服务器,本发明实施例中以电子设备为移动终端为例进行说明。例如,电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的行程数据的监控方法。

图9是本发明实施例提供的一种用于行程数据的监控的装置900的框图。例如，装置900可以被提供为一服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述行程数据的监控方法。

装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。