随着航空预定网站的普及,各大网络订票网站迅速发展,恶意订票行为也随之增多。因此,现阶段我们需要一种可行有效的方式对一些恶意订单进行检测拦截。通过对用户行为和真实数据的分析,构建了多种机器学习模型,其中GBDT模型对恶意行为实现了高效的实时预测,该模型的应用有助于航空公司维护订票市场稳定具有重要现实意义。 现深夜的查询订单比会明显高于白天；在航班出发地和目的地上，用户多为下一次飞行和返航进行订票查询，查询的出发地和目的地应该比较集中并且具有较高的地点重合度。经过查询比对后，用户最终会形成订单并进行出票[4]。1.2数据预处理采用查询数据的IP地址，查询时间

转载 ，查询结果，恶意行为检测方法-电动折弯机数控滚圆机弯管机张家港液压弯管机滚弧机查询航班的起止地点和预订数据的IP信息，预定航班的起止地点信息，订单时间和出票结果作为基本特征对恶意订单进行识别。将查询数据以天为单位通过“字典”形式存储到json文件，对订单数据中的出票订单标为负例，未出票订单标为正例。图1正常用户行为流程图1.3特征选择选择的特征应当对恶意订单和正常订单有较大的区分度[5]，通过时间序列分析[6]，数量统计，地点重合度计算等方式来挖掘出多个特征。对于预定相关的特征直接从预订数据中提取，而和查询相关的数据中，可以通过IP信息将用户预定行为和查询行为联系起来，对于查询行为，将订单时间的最近查询和之前的查询行为作为数据参考。1.3.1地点特征根据对用户的行为分析可知，正常用户查询的航班起止地点具有一定相似度。因此，将“地点重合度”作为一个特征。从数据中调取到订单IP的相关查询信息，定义地点重合度为航空订票恶意行为检测方法姚一1，李洋1，周中雨1，朱博康2，康泽源2（1中国民航信息网络股份有限公司，北京，101300；2北京航空航天大学，北京，100191）摘要：随着航空预定网站的普及，各大网络订票网站迅速发展，恶意订票行为也随之增多。因此，现阶段我们需要一种可行有效的方式对一些恶意订单进行检测拦截。通过对用户行为和真实数据的分析，构建了多种机器学习模型，其中GBDT模型对恶意行为实现了高效的实时预测，该模型的应用有助于航空公司维护订票恶意行为检测方法-电动折弯机数控滚圆机弯管机张家港液压弯管机滚弧机 转载