一种运输行为的分类方法、装置及存储介质制造方法及图纸

本申请实施例提供一种运输行为的分类方法、装置及存储介质，所述方法包括获取至少一种目标对象的模拟行为数据，分别对各模拟行为数据进行参数化，以使各模拟行为数据服从随机分布；按照模拟行为数据所属的行为类型，分别对参数化后的各模拟行为数据分别设置行为标识，得到训练数据，提取所述训练数据在时域上的特征向量；根据所述特征向量得到所述训练数据中各行为数据的类别概率；根据所述训练数据中各行为数据的类别概率、行为权重和正确性分值，得到所述训练数据中各行为数据的奖励值；根据各行为数据的奖励值对各行为数据进行分类。本方案能够提高分类效果、分类精度和分类算法的鲁棒性。算法的鲁棒性。算法的鲁棒性。

【技术实现步骤摘要】
一种运输行为的分类方法、装置及存储介质


[0001]本申请实施例涉及物流运输
，尤其涉及一种运输行为的分类方法、装置及存储介质。

技术介绍

[0002]在运输包裹的整个流程(即从订单寄出到签收全程)中，包裹一般经历快递员派送、网点及中转场卸车、分拣、装车以及运输途中颠簸等操作行为。为分析包裹可能存在的异常操作行为(例如人抛、人踢、滑槽等操作行为)。通常采用在包裹内置传感器的方法检测包裹在运输途中的操作行为，即通过检测单个瞬时加速度大小即可判断包裹的受力程度，存在数据丢失风险的同时无法考虑数据前后关系，并且无法实现多分类功能，基于深度学习对包裹对应的操作行为进行分类。
[0003]在对现有技术的研究和实践过程中，本申请实施例的专利技术人发现，虽然基于深度学习对包裹对应的操作行为进行分类，但是，由于参与模型训练的数据都是来自实际场景中且需要人为打上标签，而一个包裹在运输途中的操作行为丰富多样，实际场景获取的标签数据有限，所以，一方面获取丰富多样且全面覆盖的标签数据的效率较低，另一方面，基于标签数据训练为静态的离线更新，并不能根据实际应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运输行为的分类方法，其特征在于，所述方法包括：获取至少一种目标对象的模拟行为数据，所述目标对象是指参与物品运输的对象；分别对各模拟行为数据进行参数化，以使各模拟行为数据服从随机分布；按照模拟行为数据所属的行为类型，分别对参数化后的各模拟行为数据分别设置行为标识，得到训练数据，所述行为标识用于表示运输中的物品的运输状态；提取所述训练数据在时域上的特征向量；根据所述特征向量得到所述训练数据中各行为数据的类别概率；根据所述训练数据中各行为数据的类别概率、行为权重和正确性分值，得到所述训练数据中各行为数据的奖励值；根据各行为数据的奖励值对各行为数据进行分类，并输出分类结果。2.根据权利要求1所述的方法，其特征在于，所述分别对各模拟行为数据进行参数化，以使各模拟行为数据服从随机分布，包括以下中的至少一项：所述目标对象为物品时，对所述物品的模拟行为数据进行参数化，得到物品特征信息、物品的运动状态信息和物品的姿态信息，其中，所述物品特征信息、所述物品的运动状态信息和所述物品的姿态信息均服从所述随机分布；所述目标对象为运输通道时，对所述运输通道的模拟行为数据进行参数化，得到所述运输通道的斜坡倾角、斜面尺寸和螺旋角度中的至少一种，其中，所述运输通道的斜坡倾角、斜面尺寸和螺旋角度均服从所述随机分布；或者，所述目标对象为传输带设备时，对所述传输带设备的模拟行为数据进行参数化，得到所述传输带设备的运行速度、振动频率和尺寸；其中，所述传输带设备的运行速度、振动频率和尺寸均服从所述随机分布。3.根据权利要求2所述的方法，其特征在于，所述得到训练数据之后，所述提取所述训练数据在时域上的特征向量之前，所述方法还包括：对所述训练数据进行融合处理。4.根据权利要求3所述的方法，其特征在于，所述对所述训练数据进行融合处理，包括：对所述训练数据进行插值处理，得到候选行为数据；对所述候选行为数据进行归一化处理，得到预设区间的行为数据，将所述预设区间的行为数据进行距离变换，得到扩展行为数据；将所述候选行为数据、所述预设区间的行为数据和所述扩展行为数据进行融合处理，得到目标行为数据。5.根据权利要求4所述的方法，其特征在于，所述对所述训练数据进行插值处理，得到候选行为数据，包括：对所述训练数据进行微分插值处理，得到第一训练样本，对所述训练数据进行卡尔曼滤波预测插值处理...

【专利技术属性】
技术研发人员：梁智，邵耀辉，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：