配送员识别方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及通信技术领域，提供一种配送员识别方法、装置、电子设备及存储介质。方法包括：基于用户的第一信令数据和上网数据，确定第一疑似配送员；将第一疑似配送员的标识信息输入配送员识别模型，获取配送员识别输出的第二疑似配送员；基于第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员；基于第二疑似配送员和第三疑似配送员，确定配送员。本申请实施例通过收缩自编码器深度神经网络模型识别输出第二疑似配送员，通过第二信令数据得到配送员的位置信息，并基于位置信息识别出第三疑似配送员，基于第二疑似配送员和第三疑似配送员确定配送员，可以提高配送员识别的准确性。送员识别的准确性。送员识别的准确性。

【技术实现步骤摘要】
配送员识别方法、装置、电子设备及存储介质


[0001]本申请涉及通信
，具体涉及一种配送员识别方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，配送员识别是通过人工线下收集配送员样本，通过模型学习配送员样本的特征进行配送员预测。通过线下人工收集的模式进行收集可能会有信息不准确、不及时的风险，且收集难度较大，费时费力，进而导致模型训练效果差，配送员样本数据量少，模型学习到的是错误信息，导致预测不准确。
[0003]配送员的识别模型是基于用户的通话数据，例如通话频次、通话时长、通话时间分布等使用常规机器学习算法决策树进行识别。常规机器学习算法决策树在做预测时容易发生过拟合，导致模型在真实环境下输出的数据不准确。同时现有的机器学习算法决策树容易忽略数据集中属性的相互关联，例如通话频率与通话时长的关系、对于正负样本不平衡的情况，决策树在进行属性划分时，不同的判定规则会带来不同的属性选择倾向，进而导致配送员的识别精度低。

技术实现思路

[0004]本申请实施例提供一种配送员识别方法、装置、电子设备及存储介质，用以解决配送员识别精度低的技术问题。
[0005]第一方面，本申请实施例提供一种配送员识别方法，包括：
[0006]基于用户的第一信令数据和上网数据，确定第一疑似配送员；
[0007]将所述第一疑似配送员的标识信息输入配送员识别模型，获取所述配送员识别输出的第二疑似配送员；所述配送员识别模型是采用疑似配送员样本对收缩自编码器深度神经网络进行训练得到的；/>[0008]基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员；
[0009]基于所述第二疑似配送员和所述第三疑似配送员，确定配送员。
[0010]在一个实施例中，所述基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员，包括：
[0011]基于所述第二信令数据获取所述第一疑似配送员的位置信息以及与所述第一疑似配送员交互的基站的基站数据；
[0012]基于所述第一疑似配送员的位置信息、所述基站数据、所述各配送柜的位置信息，确定所述一疑似配送员在设定时间段内驻留所述各配送柜所属基站的数量以及驻留时长；
[0013]确定所述驻留时长处于第一设定范围内的基站数量；
[0014]若所述基站数量处于第二设定范围内，则确定所述第一疑似配送员为所述第三疑似配送员。
[0015]在一个实施例中，所述基于所述第二疑似配送员和所述第三疑似配送员，确定配送员，包括：
[0016]确定所述第二疑似配送员和所述第三疑似配送员的交集；
[0017]将所述交集内的疑似配送员，确定为所述配送员。
[0018]在一个实施例中，所述配送员识别模型基于以下步骤训练得到：
[0019]确定疑似配送员样本；
[0020]采用收缩自编码器将所述疑似配送员样本映射为低维数据，并提取所述低维数据的数据特征；
[0021]基于提取的数据特征对神经网络进行训练，得到所述配送员识别模型；
[0022]其中，所述收缩自编码器的损失函数增加正则惩罚项，以抑制数据噪声；所述收缩自编码器中加入L1正则化和L2正则化，以对所述数据特征进行选择。
[0023]在一个实施例中，所述基于用户的第一信令数据和上网数据，确定第一疑似配送员，包括：
[0024]对所述第一信令数据和所述上网数据进行数据分割，得到分割数据；
[0025]对所述分割数据进行变量衍生，得到衍生数据；
[0026]对所述衍生数据进行聚类，基于聚类结果将与所述配送员的相似度达到设定值的用户，确定为所述第一疑似配送员。
[0027]在一个实施例中，所述基于所述第一疑似配送员的位置信息和所述各配送柜的位置信息，获取所述一疑似配送员在设定时间段内驻留所述各配送柜所属基站的数量以及驻留时长之前，还包括：
[0028]确定所述各基站的覆盖范围；
[0029]基于所述各配送柜的位置信息以及所述各基站的覆盖范围，确定所述各基站覆盖的配送柜。
[0030]在一个实施例中，所述基于提取的数据特征对神经网络进行训练，得到所述配送员识别模型之后，包括：
[0031]获取所述配送员识别模型的识别结果；
[0032]基于所述识别结果优化所述配送员识别模型。
[0033]第二方面，本申请实施例提供一种配送员识别装置，包括：
[0034]第一疑似配送员确定模块，用于基于用户的第一信令数据和上网数据，确定第一疑似配送员；
[0035]第二疑似配送员确定模块，用于将所述第一疑似配送员的标识信息输入配送员识别模型，获取所述配送员识别输出的第二疑似配送员；所述配送员识别模型是采用疑似配送员样本对收缩自编码器深度神经网络进行训练得到的；
[0036]第三疑似配送员确定模块，用于基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员；
[0037]配送员确定模块，用于基于所述第二疑似配送员和所述第三疑似配送员，确定配送员。
[0038]第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的配送员识别方法的步骤。
[0039]第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面的配送员识别方法方法的步骤。
[0040]本申请实施例提供的配送员识别方法、装置、电子设备及存储介质，通过基于用户的第一信令数据和上网数据，确定第一疑似配送员；将所述第一疑似配送员的标识信息输入配送员识别模型，获取所述配送员识别输出的第二疑似配送员；所述配送员识别模型是采用疑似配送员样本对收缩自编码器深度神经网络进行训练得到的；基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员；基于所述第二疑似配送员和所述第三疑似配送员，确定配送员。本申请实施例通过收缩自编码器深度神经网络模型识别输出第二疑似配送员，通过第二信令数据得到配送员的位置信息，并基于位置信息识别出第三疑似配送员，基于第二疑似配送员和第三疑似配送员确定配送员，提高了对配送员识别的准确性。
附图说明
[0041]为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1是本申请实施例提供的配送员识别方法的流程示意图之一；
[0043]图2是本申请实施例提供的收缩自编码器的结构示意图；
[0044]图3是本申请实施例提供的CAE
‑
DNN模型的结构示意图；
[0045]图4是本申请实施例提供的配送员识别方法的流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配送员识别方法，其特征在于，包括：基于用户的第一信令数据和上网数据，确定第一疑似配送员；将所述第一疑似配送员的标识信息输入配送员识别模型，获取所述配送员识别输出的第二疑似配送员；所述配送员识别模型是采用疑似配送员样本对收缩自编码器深度神经网络进行训练得到的；基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员；基于所述第二疑似配送员和所述第三疑似配送员，确定配送员。2.根据权利要求1所述的配送员识别方法，其特征在于，所述基于所述第一疑似配送员的第二信令数据以及各配送柜的位置信息，确定第三疑似配送员，包括：基于所述第二信令数据获取所述第一疑似配送员的位置信息以及与所述第一疑似配送员交互的基站的基站数据；基于所述第一疑似配送员的位置信息、所述基站数据、所述各配送柜的位置信息，确定所述一疑似配送员在设定时间段内驻留所述各配送柜所属基站的数量以及驻留时长；确定所述驻留时长处于第一设定范围内的基站数量；若所述基站数量处于第二设定范围内，则确定所述第一疑似配送员为所述第三疑似配送员。3.根据权利要求1所述的配送员识别方法，其特征在于，所述基于所述第二疑似配送员和所述第三疑似配送员，确定配送员，包括：确定所述第二疑似配送员和所述第三疑似配送员的交集；将所述交集内的疑似配送员，确定为所述配送员。4.根据权利要求1所述的配送员识别方法，其特征在于，所述配送员识别模型基于以下步骤训练得到：确定疑似配送员样本；采用收缩自编码器将所述疑似配送员样本映射为低维数据，并提取所述低维数据的数据特征；基于提取的数据特征对神经网络进行训练，得到所述配送员识别模型；其中，所述收缩自编码器的损失函数增加正则惩罚项，以抑制数据噪声；所述收缩自编码器中加入L1正则化和L2正则化，以对所述数据特征进行选择。5.根据权利要求1所述的配送员识别方法，其特征在于，所述基于用户...

【专利技术属性】
技术研发人员：杨明哲，俞威，王艳红，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：