CN108734512A - 一种物品关注度处理方法、设备、系统及存储介质 - Google Patents

Abstract

本申请实施例提供一种物品关注度处理方法、设备、系统及存储介质。该方法包括：获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列；基于目标信号特征序列，识别待处理物品被移动的次数；根据待处理物品被移动的次数，确定待处理物品的受关注度。在本申请实施例中，根据目标无源RFID标签对应的目标时间序列信号，确定目标无源RFID标签的信号变化情况，从而识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的销售管理。

Description

一种物品关注度处理方法、设备、系统及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种物品关注度处理方法、设备、系统及存储介质。

背景技术

在各种购物场所中，物品的种类和数量越来越多。根据物品的受关注程度，合理对这些物品进行销售管理能够有效提高营业额，例如，在货架的最显眼位置摆放受关注程度高的物品，或者微调受关注程度高但销量未达到预期的物品的价格，等等。因此，监控物品的受关注程度是很有必要的。

目前，最常见的方式是根据物品的销量来分析物品的受关注程度，销量越高则证明物品的受关注程度越高。但是，对于销量较低的物品来说，可能由于定价较高导致其销量较低，但顾客对这些物品的关注程度却可能很高。显然，基于物品的销量分析物品的受关注程度，其结果不是很准确。因此，需要一种能够更加准确地分析物品受关注程度的解决方案。

发明内容

本申请的多个方面提供一种物品关注度处理方法、设备、系统及存储介质，以解决现有技术中分析物品受关注程度时存在的分析结果不够准确的问题。

本申请实施例提供一种物品关注度处理方法，包括：

获取目标无源RFID标签对应的目标时间序列信号，所述目标无源RFID标签设置于待处理物品上；

从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列；

基于所述目标信号特征序列，识别所述待处理物品被移动的次数；

根据所述待处理物品被移动的次数，确定所述待处理物品的受关注度。

本申请实施例还提供一种物联网系统，包括：

至少一个无源RFID标签、电子设备和至少一个阅读器；所述至少一个无源RFID标签设置于不同物品上；

每个阅读器，用于接收与其具有对应关系的无源RFID标签发送的RFID信号，以形成与其具有对应关系的无源RFID标签对应的时间序列信号，并将与其具有对应关系的无源RFID标签对应的时间序列信号发送至所述电子设备；

所述电子设备，用于接收每个阅读器发送的与其具有对应关系的无源RFID标签对应的时间序列信号；从接收到的各无源RFID标签对应的时间序列信号中，分别提取可反应各无源RFID标签对应的时间序列信号变化情况的信号特征序列；基于各无源RFID标签对应的信号特征序列，识别各无源RFID标签所在物品被移动的次数；根据各无源RFID标签所在物品被移动的次数，分别确定各无源RFID标签所在物品的受关注度。

本申请实施例还提供一种电子设备，包括存储器、处理器和通信组件；

所述存储器，用于存储一条或多条计算机指令；

所述处理器，耦合至所述存储器和所述通信组件，用于执行所述一条或多条计算机指令，以用于：

通过所述通信组件获取目标无源RFID标签对应的目标时间序列信号，所述目标无源RFID标签设置于待处理物品上；

从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列；

基于所述目标信号特征序列，识别所述待处理物品被移动的次数；

根据所述待处理物品被移动的次数，确定所述待处理物品的受关注度。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被执行用于实现上述方法中的步骤。

在本申请实施例中，对于待处理物品，根据待处理物品上的无源RFID标签对应的目标时间序列信号，确定该无源RFID标签的信号变化情况，进而基于此识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的管理。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一实施例提供的一种物联网系统的结构示意图；

图2为本申请一实施例中阅读器上某一天线接收到的时间序列混合信号的一种示意图；

图3为本申请一实施例中目标无源RFID标签的目标时间序列信号对应的一种信号状态变化曲线；

图4为本申请一实施例中经过状态过滤后的目标时间序列信号对应的信号状态变化曲线；

图5为本申请另一示例性实施例提供的一种物品关注度处理方法的流程示意图；

图6为本申请另一示例性实施例提供的另一种物品关注度处理方法的流程示意图；

图7为本申请另一示例性实施例提供的又一种物品关注度处理方法的流程示意图；

图8为本申请另一示例性实施例提供的又一种物品关注度处理方法的流程示意图；

图9为本申请又一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在现有技术中，根据物品的销量来分析物品的受关注程度，但是，对于销量较低的物品来说，可能由于定价较高导致其销量较低，但顾客对这些物品的关注程度却可能很高，因此，基于物品的销量分析物品的受关注程度，其结果不是很准确。针对该技术问题，本申请实施例提供一种解决方案，主要原理是：对于待处理物品，根据该待处理物品上的无源RFID(Radio Frequency Identification，无线射频识别)标签对应的目标时间序列信号，确定该无源RFID标签的信号变化情况，进而基于此识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的管理。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请一实施例提供的一种物联网系统的结构示意图。如图1所示，该系统包括：至少一个无源RFID标签10、电子设备11和至少一个阅读器12。

在购物场所中，物品通常摆放在货架上。这里的货架是广义概念上的货架，即凡是能够存放物品并对物品具有一定展示作用的设备形式均可作为本申请实施例中的货架。不同购物场所，不同物品，对应的货架形式会有所不同，本申请实施例并不对此进行限定，例如，在各超市中，货架可以是传统意义上的层架、层格式货架等。又例如，在服装商场中，货架可以是U形架、悬臂架等。除此之外，本申请实施例中的货架还可以包括抽屉式货架、橱柜式货架等。

当物品受到关注时，将被用户从货架上拿起，若该物品在随后被用户购买，则该物品将离开货架；若该物品未被用户购买而是被用户重新放回到货架，则该物品将返回货架并等候下次被拿起。

在本实施例中，可在每个物品上设置无源RFID标签10。无源RFID标签10可设置于物品表面，例如，洗发水的瓶身上等；也可内嵌于物品内部，例如，服装的吊牌上、鞋子内的鞋垫上等。无源RFID标签10可接收阅读器12发出的射频信号，凭借感应电流所获得的能量发送出存储在无源RFID标签10中的信息。这些信息可以包括无源RFID标签10的编码、物品信息及其它所需的信息，物品信息及其它预先写入无源RFID标签10的相应字段中的信息。

相应地，可以在合适的位置设置至少一个阅读器12。阅读器12，用于按照预设时间顺序，采集与其具有对应关系的无源RFID标签10的RFID信号，以形成与其具有对应关系的无源RFID标签10对应的时间序列信号。其中，与阅读器12具有对应关系的无源RFID标签10可以是一个，也可以是多个，对应地，与阅读器12具有对应关系的无源RFID标签10的时间序列信号可以是一个无源RFID标签对应的时间序列信号，也可以是包含多个无源RFID标签对应的时间序列信号的混合信号。

本实施例对阅读器12的设置位置不做限定，只要阅读器12上的天线能够采集到预定区域内的RFID信号即可。例如，可以在货架的上方、购物场所的顶部或其它合适的位置设置阅读器12。在一个实际应用中，物品可以是鞋店中的鞋子，每双鞋子的鞋后跟上贴有无源RFID标签10，并可在不同货架上设置阅读器12。阅读器12用于采集其所在货架上的无源RFID标签10发射的RFID信号，以形成这些无源RFID标签10对应的时间序列信号。当然，对于需要进行关注度识别的物品，除了鞋子之外，还是可以上衣、裤子、儿童玩具、食品、图书、化妆品等等。相应地，在不同场景中，阅读器12的设置位置可以根据实际需要进行选择，阅读器12的数量也可以调整。

如图1所示，对每个阅读器12来说，其上可连接至少一个天线，每个天线可独自负责采集一个区域的RFID信号，因此，可在天线与无源RFID标签10之间建立对应关系来保证信号采集的秩序性，一个天线可对应多个无源RFID标签10。例如，当阅读器12上连接4个天线时，每个天线可负责四分之一货架区域，对于每个天线而言，需要采集其对应的四分之一货架区域内的无源RIFD标签10发送的时间序列信号。其中，阅读器12可内置天线，也可外接天线，图1中未示出外接天线的情况。

进一步，当阅读器12上的天线数量大于1时，可设置不同天线工作在不同频率上，以避免天线之间的信号干扰。可选地，阅读器12和无源RIFD标签10可工作在低频、高频或超高频三种频段上。例如，阅读器12和无源RIFD标签10可工作在超高频，例如920.625—924.375HZ之间。其中，超高频920.625—924.375HZ共包括16个频段，则可设定天线发射频率的跳变周期为2秒，以使多个天线使用不同的发射频率工作。

阅读器12获得无源RFID标签10对应的时间序列信号之后，可以将时间序列信号发送至电子设备11，以供电子设备11基于该时间序列信号确定无源RFID标签10所在物品的关注度。电子设备11，用于获取阅读器12发送的与其具有对应关系的无源RFID标签10对应的时间序列信号，从接收到的各无源RFID标签对应的时间序列信号中，分别提取可反应各无源RFID标签对应的时间序列信号变化情况的信号特征序列；基于各无源RFID标签对应的信号特征序列，识别各无源RFID标签所在物品被移动的次数；根据各无源RFID标签所在物品被移动的次数，分别确定各无源RFID标签所在物品的受关注度。

在物理实现形态上，上述电子设备11可以是智能手机、个人电脑、平板电脑等终端设备，也可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。

值得说明的是，本系统可以对不同物品进行关注度识别，且对不同物品进行关注度识别的过程类似或相同。为便于更加清楚地对本申请技术方案进行描述，以下将以一个物品作为处理对象，对物品关注度识别过程进行详细说明。为便于描述和区分，将该物品称为待处理物品。

如上文，对于待处理物品来说，其上设置有一无源RFID标签10。该无源RFID标签10随物品同步移动，当待处理物品被移动时，该无源RFID标签10随之被移动。无源RFID标签10发出的RFID信号不仅可以表示待处理物品的信息，在待处理物品发生移动的时候，会直接在RFID信号上反应出来。因为物品处于静止状态时，无源RFID标签和RFID阅读器之间的距离、角度是固定的，RFID信号的相关参数会处于一个特定的模式下，一旦待处理物品被顾客拿起观察的时候，会导致无源RFID标签与阅读器之间的距离、角度在短期内发生变化，此时RFID信号的相关参数会处于另外一种模式下。因此，可根据无源RFID标签10发射的RFID信号的状态统计无源RFID标签的移动次数，进而基于无源RFID标签10的移动次数确定待处理物品的移动次数。为便于描述，将该待处理物品上的无源RFID标签10描述为目标无源RFID标签，相应地，将目标无源RFID标签对应的时间序列信号称为目标时间序列信号。

在本实施例中，可由阅读器12获取目标无源RFID标签对应的目标时间序列信号，并发送给电子设备11。其中，目标无源RFID标签可连续发送的RFID信号，阅读器12可通过其上的天线接收目标无源RFID标签连续发送的RFID信号，从而形成目标无源RFID标签对应的目标时间序列信号。

在一种情况下，阅读器12上的天线仅负责目标无源RFID标签的RFID信号接收工作，该天线接收到的RFID信号中将仅包含目标无源RFID标签发射的RFID信号，所形成的时间序列信号即为目标无源RFID标签对应的目标时间序列信号，此时，阅读器12向电子设备11发送的时间序列信号即为目标时间序列信号。电子设备11接收到阅读器12发送的时间序列信号后，可以直接基于该时间序列信号识别待处理物品的受关注度。

在另一种情况下，阅读器12上的天线需要负责多个无源RFID标签10的RFID信号接收工作，该天线接收到的RFID信号将是时间序列混合信号，也即是与该天线具有对应关系的若干无源RFID标签对应的时间序列信号混合在同一时间序列中而产生的时间序列混合信号。在该情况下，目标无源RFID标签10对应的目标时间序列信号将混杂在时间序列混合信号中，阅读器12向电子设备11发送的时间序列信号将是一时间序列混合信号。

例如，阅读器12可以采用轮询的方式向其负责的无源RFID标签10发送射频信号并接收其负责的无源RFID标签10发送的RFID信号。则对阅读器12的某一天线来说，其采集到的一种时间序列混合信号的样式如图2所示。如图2所示，每一个小方格代表该天线在每个采集时刻接收到的一个信号元，小方格内的数字代表无源RFID标签10的编号，虚线框代表一个轮询周期，每个轮询周期内该天线都将接收到与其具有对应关系的各个无源RFID标签10发射的RFID信号。

当电子设备11接收到的是阅读器12发送的时间序列混合信号时，可根据若干无源RFID标签10的编号，对时间序列混合信号进行分割，从而获得不同无源RFID标签10各自对应的时间序列信号。在该情况下，每个无源RFID标签10均可作为本实施例中的目标无源RFID标签，相应地，每个无源RFID标签10对应的时间序列信号可分别作为对应的目标时间序列信号。接续于图2，当待处理物品对应的目标无源RFID标签的编号为1时，所有编号为1的信号将从时间序列混合信号中分割出来组成目标无源RFID标对应的目标时间序列信号。

对于电子设备11来说，在获取到目标无源RFID标签10对应的目标时间序列信号之后，可以从该目标时间序列信号中，提取可反应该目标时间序列信号变化情况的目标信号特征序列；基于目标信号特征序列，识别待处理商品被移动的次数；根据待处理商品被移动的次数，确定待处理商品的受关注度。

其中，待处理物品处于移动状态时对应的信号元和处于静止状态时的信号元将存在差别，因此，可根据目标时间序列信号中各个信号元之间的差异，提取可反应目标时间序列信号变化情况的目标信号特征序列。

在本实施例中，根据目标无源RFID标签对应的目标时间序列信号，确定目标无源RFID标签的信号变化情况，从而识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的销售管理。而且，由于无源RFID标签成本低廉，且无需进行输电线路的铺设或改造，因此，本实施例提供的物联网系统适合大规模应用。

在本申请各实施例中，可不限定从目标时间序列信号中，提取可反应该目标时间序列信号变化情况的目标信号特征序列的实施方式。根据目标时间序列信号携带的信息的不同，提取目标信号特征序列的实施方式也可以有所不同。

在一示例性实施例中，目标时间序列信号中包含若干信号元，每个采集时刻上对应一信号元，信号元中可包含以下至少一种信息：

目标无源RFID标签的编号，可作为物品的ID；

阅读器的ID；

阅读器上天线的ID；

信号元的时间戳，也即采集该信号元的时刻；

目标无源RFID标签的运动速率，由于物品移动范围非常小，运动速率非常慢，该值将非常小，物品发送移动时该值几乎无变化；

信号元对应的信号强度；

信号元对应的载波相位，即阅读器向无源RFID标签发送射频信号时的载波相位与接收到无源RFID标签发送的信号(即该信号元)时的载波相位的差值；

信号元对应的阅读器上的天线发射频率。

可选地，电子设备11可基于目标时间序列信号中各信号元所包含的信息，对目标时间序列信号进行数据预处理，以确定目标信号特征序列。

如上文，目标时间序列信号中的每个信号元分别包含若干信息。电子设备11可获取每个信号元的信号强度和载波相位，分别组成信号强度序列和载波相位序列，并可对信号强度序列和载波相位序列进行滤波处理，以获得目标信号特征序列。当然，电子设备11还可以其它方式来确定目标信号特征序列，例如，单独以信号强度序列来确定目标信号特征序列、单独以载波相位序列来确定目标信号特征序列，或者以信号元包含的其它信息构成的序列来确定目标信号特征序列。在确定目标信号特征序列时可采用多种实施方式，以下进行举例说明。

在第一种确定目标信号特征序列的方式中，以信号强度序列和载波相位序列确定目标信号特征序列。

考虑到目标时间序列信号的信号分布特征，可采用滑动窗口滤波的方式对信号强度序列和载波相位序列进行滤波处理，以获得目标信号特征序列。其中，滤波窗口是一时间值，滤波窗口的大小可灵活选择，例如，可对阅读器12对若干个无源RFID标签的采集速率的平均值取整，以取整后最接近的奇数作为滤波窗口的大小，这样获得的滤波窗口在时间上接近于1秒钟。当然，还可将滤波窗口的大小确定为其它的值，例如5、7或13秒钟等等。另外，滤波窗口可采用矩形窗口，当然也可采用其他形式的窗口，例如汉明窗等。

可选地，电子设备11可对信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波，以获得信号强度序列对应的滑动均值序列和/或滑动中值序列；并对载波相位序列进行滑动窗口均值滤波，以获得载波相位序列对应的滑动均值序列。

若以RSSI[i]表示目标时间序列信号对应的信号强度序列，以PhaseRadian[i]表示目标时间序列信号对应的载波相位序列，其中，i表示目标无源RFID标签对应的目标时间序列信号中的第i个信号元，则：

1)信号强度序列对应的滑动均值序列RSSI_mavg[i]＝AVG(RSSI[i-(w-1)/2]～RSSI[i+(w-1)/2])；

2)载波相位序列对应的滑动均值序列PhaseRadian_mavg[i]＝AVG(PhaseRadian[i-(w-1)/2]～PhaseRadian[i+(w-1)/2])；

3)信号强度序列对应的滑动中值序列RSSI_median[i]＝Median(RSSI[i-(w-1)/2]～RSSI[i+(w-1)/2])；

其中，w表示滤波窗口的大小，AVG函数表示求一组数据的平均值，Median函数表示求一组数据的中值。

对信号强度序列进行滑动窗口均值滤波，即是将信号强度序列中的各个信号强度值分别替换为每个信号强度值所对应的滤波窗口内的滑动均值，滤波窗口的滑动步长为1，也即是滤波窗口针对序列中的数值，依次进行滑动窗口计算，例如，可首先计算第一个信号元的信号强度值对应的滑动均值，之后计算第二个信号元的信号强度值对应的滑动均值，并依次进行后续各个信号元的信号强度值对应的滑动均值，后文中的滤波窗口的滑动步长含义与此处相似，后续将不再赘述。同理，对信号强度序列进行滑动窗口中值滤波，即是将信号强度序列中的各个信号强度值分别替换为每个信号强度值所对应的滤波窗口内的滑动中值，滤波窗口的滑动步长为1；对载波相位序列进行滑动窗口均值滤波，即是将载波相位序列中的各个载波相位值分别替换为每个载波相位值所对应的滤波窗口内的滑动均值，滤波窗口的滑动步长为1。同理，对载波相位序列进行滑动窗口中值滤波，即是将载波相位序列中的各个载波相位值分别替换为每个载波相位值所对应的滤波窗口内的滑动中值，滤波窗口的滑动步长为1。

基于上述滤波处理过程，电子设备11可将信号强度序列对应的滑动均值序列和/或滑动中值序列，以及载波相位序列对应的滑动均值序列作为目标信号特征序列。此时，目标信号特征序列可包括信号强度序列对应的滑动均值序列和/或滑动中值序列，以及载波相位序列对应的滑动均值序列。

对信号强度序列和载波相位序列进行滑动窗口均值滤波处理，可有效去除数据毛刺，减少设备误差对处理结果的影响。另外，待处理物品被移动时对应的信号数量与静止时对应的信号数量相比，比例很低，类似一种异常数据，对信号强度序列进行滑动窗口中值滤波处理，可避免待处理物品被移动时对应的信号被完全过滤掉，从而提高处理结果的准确性。

为了识别出目标时间序列信号的细微变化情况，电子设备11还可对信号强度序列对应的滑动均值序列和/或载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得信号强度序列对应的均值标准差序列和/或载波相位序列对应的均值标准差序列。

其中，信号强度序列对应的均值标准差序列RSSI_mstd[i]＝STD(RSSI_mavg[i-2*(w-1)/2]～RSSI_mavg[i+2*(w-1)/2])；

载波相位序列对应的均值标准差序列PhaseRadian_mstd[i]＝STD(PhaseRadian_mavg[i-2*(w-1)/2]～PhaseRadian_mavg[i+2*(w-1)/2])；

其中，w表示滤波窗口的大小，STD函数表示求一组数据的标准差函数。

对信号强度序列对应的滑动均值序列进行滑动窗口标准差滤波，即是将信号强度序列对应的滑动均值序列中的各个滑动均值分别替换为每个滑动均值所对应的滤波窗口内的标准差值，滤波窗口的滑动步长为1，滤波窗口大小为w。同理，对载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，即是将载波相位序列对应的滑动均值序列中的各个滑动均值分别替换为每个滑动均值所对应的滤波窗口内的标准差值，滤波窗口的滑动步长为1，滤波窗口大小为w。

基于上述滤波处理过程，电子设备11可将信号强度序列对应的均值标准差序列，以及载波相位序列对应的均值标准差序列加入目标信号特征序列中。此时，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列，以及载波相位序列对应的滑动均值序列和均值标准差序列。

由于信号强度序列对应的滑动均值序列以及载波相位序列对应的滑动均值序列中各信号特征值之间的差别非常小，因此可采用比上述滑动窗口均值滤波更大的滤波窗口来执行滑动窗口标准差滤波，例如，将滑动窗口标准差滤波对应的滤波窗口大小设定为对信号强度序列和/或载波相位序列进行滑动窗口均值滤波时所采用的滤波窗口大小的2倍，以更明显地反应出目标时间序列信号的信号变化情况。

在第一种确定目标信号特征序列的方式中，单独以信号强度序列确定目标信号特征序列。

电子设备11可对信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波，以获得信号强度序列对应的滑动均值序列和/或滑动中值序列。其中，对信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波的过程可参见上述第一种确定目标信号特征序列的方式中的描述，在此不再赘述。此时，此时，目标信号特征序列可包括信号强度序列对应的滑动均值序列和/或滑动中值序列。

电子设备11还可对信号强度序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得信号强度序列对应的均值标准差序列。其中，对信号强度序列对应的滑动均值序列进行滑动窗口标准差滤波的过程可参见上述第一种确定目标信号特征序列的方式中的描述，在此不再赘述。此时，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列。

在第一种确定目标信号特征序列的方式中，单独以载波相位序列确定目标信号特征序列。

电子设备11可对载波相位序列进行滑动窗口均值滤波，以获得载波相位序列对应的滑动均值序列。其中，对载波相位序列进行滑动窗口均值滤波的过程可参见上述第一种确定目标信号特征序列的方式中的描述，在此不再赘述。此时，此时，目标信号特征序列可包括载波相位序列对应的滑动均值序列。

电子设备11还可对载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得载波相位序列对应的均值标准差序列。其中，对载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波的过程可参见上述第一种确定目标信号特征序列的方式中的描述，在此不再赘述。此时，目标信号特征序列可包括载波相位序列对应的滑动均值序列和均值标准差序列。

在上述或下述实施例中，为了更精准地识别目标时间序列信号中各个信号元的信号变化情况，电子设备11还可基于目标时间序列信号中各个信号元对应的天线发射频率，将目标时间序列信号中的信号元划分为若干信号组；对每个信号组中信号元的载波相位执行一阶差分处理，以获得每个信号组对应的载波相位一阶差分值序列。

在一些实施例中，阅读器上的天线可以工作在多个不同的发射频率，例如可以工作在超高频920.625—924.375HZ中的16个频段，不同天线发射频率之间可按周期进行跳转，以避免不同天线之间的信号干扰。为了便于分析，电子设备11可先对目标时间序列信号中各个信号元进行联合分组，分组的依据是每个信号元对应的天线发射频率，将对应的天线发射频率相同的信号元划分到一个信号组中，每个信号组中的信号元依然是一组时间序列信号。

在待处理物品被移动的时间段内，目标时间序列信号中处于该时段内的各个信号元的载波相位将发生波动，而在待处理物品静止在货架上的时间段内，目标时间序列信号中处于该时段内的各个信号元的载波相位将相对平稳。电子设备11对每个信号组中信号元的载波相位执行一阶差分处理：

每个信号组对应的载波相位一阶差分值序列CFPR[i]＝PhaseRadian[i+1]-PhaseRadian[i]；这样，在载波相位一阶差分值序列中，在待处理物品被移动的时间段内的各个信号元对应的一阶差分值将偏离0，而在待处理物品静止在货架上的时间段内的各个信号元对应的一阶差分值将趋于0。

为了更明显地体现在待处理物品被移动和静止在货架上的时间段内信号元所对应的载波相位的变化，电子设备11还可对每个信号组对应的载波相位一阶差分值分别执行滑动窗口求和滤波、滑动窗口标准差滤波和/或滑动窗口中值滤波，以获得的每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列。

载波相位一阶差分值序列的求和序列：

CFPR_sum[i]＝SUM(ABS(CFPR[i-(w-1)/2])～ABS(CFPR[i+(w-1)/2]))；

载波相位一阶差分值序列的标准差序列：

CFPR_mstd[i]＝STD(CFPR[i-(w-1)/2]～CFPR[i+(w-1)/2])；以及

载波相位一阶差分值序列的滑动中值序列：

CFPR_median[i]＝Median(CFPR[i-(w-1)/2]～CFPR[i+(w-1)/2])。

其中，w滤波窗口的大小，SUM函数表示对一组数据求和，ABS函数表示对数据求绝对值。滤波窗口的大小可根据需要进行设定，例如，可将阅读器12对若干个无源RFID标签10的采集速率的平均值取整，以取整后最接近的奇数作为滤波窗口的大小，这样获得的滤波窗口在时间上接近于1秒钟。当然，还可将滤波窗口的大小确定为其它的值，例如5、7或13秒钟等等。另外，滤波窗口可采用矩形窗口，当然也可采用其他形式的窗口，例如汉明窗等。

基于上述滤波处理过程，电子设备11可将每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列加入目标信号特征序列。此时，针对上述第一种确定目标信号特征序列的方式，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列及均值标准差序列、载波相位序列对应的滑动均值序列和均值标准差序列以及每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列；针对上述第二种确定目标信号特征序列的方式，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列及均值标准差序列以及每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列；针对上述第三种确定目标信号特征序列的方式，目标信号特征序列可包括载波相位序列对应的滑动均值序列和均值标准差序列以及每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列。

当天线发射频率按周期跳变时，在天线发射频率达到最大值后，下一步会跳变至最小值，这导致处在对应采集时刻的信号元的载波相位发生巨变，尤其会对上述每个信号组对应的载波相位一阶差分值序列造成很大的突变影响，可能会造成电子设备11基于该巨变误判待处理物品在该采集时刻发生了移动，因此，电子设备11可识别天线发射频率发生突变时对应的信号元，并对识别到的信号元及其前后的预定数量个信号元进行突变标记，突变标记可记为Freq_change，突变标记可标记在这些信号元在各个目标信号特征序列的对应信号特征值上，还可作为突变标记序列加入目标信号特征序列中。另外，电子设备11还可根据目标无源RFID标签10的运动速率以及阅读器12对目标无源RFID标签10的信号采集速率分别生成标签运动速率序列和信号采集速率序列加入目标信号特征序列中。此时，针对上述第一种确定目标信号特征序列的方式，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列，载波相位序列对应的滑动均值序列和均值标准差序列，每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列，突变标记序列，标签运动速率序列和信号采集速率序列；针对上述第二种确定目标信号特征序列的方式，目标信号特征序列可包括信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列，每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列，突变标记序列，标签运动速率序列和信号采集速率序列；针对上述第三种确定目标信号特征序列的方式，目标信号特征序列可包括载波相位序列对应的滑动均值序列和均值标准差序列，每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列，突变标记序列，标签运动速率序列和信号采集速率序列。

本实施例中，对信息序列进行滤波处理时，可采用上述的滑动窗口滤波方式，当然还可采用其它滤波方式，例如小波分析、高斯滤波、维纳滤波、卡尔曼滤波等等，本发明对此并不做限定。

本实施例中，电子设备11可基于目标时间序列中每个信号元所包含的信息，获得信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列，和/或载波相位序列对应的滑动均值序列和均值标准差序列，和/或每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列，突变标记序列，标签运动速率序列和信号采集速率序列，电子设备11可将获得的各个序列单独或者组合加入目标信号特征序列中，作为后续对待处理物品被移动次数进行识别的依据，本申请对加入目标信号特征序列中序列的数量、以及组合方式不作限定。

在上述或下述实施例中，电子设备11可基于目标信号特征序列，识别目标时间序列信号中各信号元的信号状态；根据目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为待处理物品被移动的次数。

本实施例中，物品关注度识别设备可根据目标信号特征序列在各个采集时刻的信号状态，根据各个采集时刻的信号状态来统计信号状态变化次数作为待处理物品被移动的次数。当然，物品关注度识别设备还可采用其它方式来识别待处理物品被移动的次数，例如，基于上文中加入到目标信号特征序列中的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列，物品关注度识别设备可根据载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列中信号特征值的变化趋势来确定待处理物品被移动的次数。

其中，电子设备11在基于目标信号特征序列，识别目标时间序列信号中各信号元的信号状态时，可将目标信号特征序列作为输入参数运行机器学习模型，以进行信号状态分析；根据机器学习模型的分析结果，确定目标时间序列信号中各信号元的信号状态。

机器学习模型根据目标信号特征序列，对目标时间序列信号中各个信号元的信号状态进行分析，并预测结果，也即是机器学习模型可识别出目标时间序列信号中各个信号元的信号状态，各信号元的信号状态一定程度上可反映待处理物品的移动状态。例如，当机器学习模型针对某一信号元的信号状态分析结果为1时，则在“1”对应物品移动状态的情况下，可确定待处理物品处于被移动的状态；而当机器学习模型针对某一信号元的信号状态分析结果为0时，则在“0”对应物品静止状态的情况下，可确定待处理物品静止在货架上。

本实施例中，机器学习模块可采用任何能够实现分类算法的模型，例如，选择树分类器、证据分类器等等。考虑到本实施例中目标信号特征序列中各个信号元对应的信号状态类别不均衡，也即静止状态的信号元数量远大于移动状态的信号元数量，因此，选择随机森林作为机器学习模型。

在使用机器学习模型之前，需要对机器学习模型进行模型训练，以获得符合使用要求的机器学习模型，从而保证处理结果的准确性。以下将对机器学习模型训练过程的详细说明。

电子设备11可获取若干信号元各自对应的若干个信号特征值，并组成集合作为若干训练样本；根据各信号元的真实运动状态分别定义各信号元的信号状态；根据若干训练样本以及若干训练样本各自对应的信号元的信号状态训练机器学习模型。

本实施例中，进行机器学习模型的训练时可选取若干无源RFID标签来。在根据选取出的若干无源RFID标签各自对应的时间序列信号分别确定出信号特征序列后，可从若干无源RFID标签各自对应的时间序列信号中随机选取出若干信号元，选取出的若干信号元可分布在不同的无源RFID标签对应的不同时间序列信号中，也可分布在同一无源RFID标签对应的时间序列信号中。根据选取出的若干信号元，分别从各个信号元对应的信号特征序列中提取出各个信号元对应的若干信号特征值，并以信号元作为分组依据，将若干信号特征值按照信号元分别组成集合作为若干训练样本，以保证训练样本的随机性。其中，训练样本中的元素数量和类型由信号元对应的信号特征序列而决定，因此，考虑到机器学习模型准确性的要求，信号特征序列的类型越全越好，优选地，可将信号强度序列对应的滑动均值序列、滑动中值序列和均值标准差序列，载波相位序列对应的滑动均值序列和均值标准差序列，每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列及滑动中值序列，突变标记序列，标签运动速率序列和信号采集速率序列全部加入信号特征序列中，这样，对于选取出的某一信号元来说，其对应的训练样本中将包括信号强度值对应的滑动均值、滑动中值和均值标准差，载波相位值对应的滑动均值和均值标准差，载波相位一阶差分值的求和值、标准差值及滑动中值，突变标记，标签运动速率和信号采集速率。

通常，物品静止在货架上的时间远大于其被移动的时间，这导致训练样本中的静止状态样本的数量远大于移动状态样本。为了克服样本类别不均衡的问题，电子设备11可从若干训练样本中随机抽样出相同数量的静止状态样本和移动状态样本；根据静止状态样本对应的信号特征序列、静止状态样本中各信号元的信号状态、移动状态样本对应的信号特征序列以及移动状态样本中各信号元的信号状态训练随机森林模型，作为机器学习模型。

其中，静止状态样本是指信号状态为静止状态的信号元所对应的信号特征值集合，移动状态样本是指信号状态为移动状态的信号元所对应的信号特征值集合。对于某个信号元来说，其对应的信号特征值集合中的元素，根据该信号元所在的时间序列信号对应的信号特征序列的构成，可以为信号特征序列中该信号元对应的各个信号特征值。例如，当该信号元所在的时间序列信号对应的信号特征序列包含信号强度序列对应的滑动均值序列和/或滑动中值序列时，该信号元对应的信号强度滑动均值和/或滑动中值可作为信号特征值集合的元素。

基于训练好的机器学习模型，电子设备11可将目标无源RFID标签的目标时间序列信号对应的目标信号特征序列作为输入参数运行机器学习模型，机器学习模型将针对目标时间序列信号中每个信号元分别输出分析结果和分析结果对应的预测概率。其中，分析结果即为该信号元对应的信号状态为移动状态还是静止状态，例如，可使用分析结果1表示移动状态，可使用分析结果0表示静止状态。预测概率即为分析结果对应的概率，例如，对随机森林来说，当使用1000个决策树对某一信号元进行信号状态预测时，若预测结果为1的决策树数量为k个，预测结果为0的决策树数量为(1000-k)个，则预测结果1对应的预测概率为k/1000，预测结果0对应的预测概率为(1000-k)/1000，当k>500时，可将预测结果1作为分析结果，相应地，分析结果对应的预测概率为k/1000。当然，根据预测结果确定分析结果还可采用其它规则，例如将预测概率大于60％的预测结果作为分析结果等等。

图3示出了目标无源RFID标签10的目标时间序列信号对应的一种信号状态变化曲线。根据机器学习模型的分析结果，可获得目标无源RFID标签10的目标时间序列信号对应的信号状态变化曲线，该信号状态变化曲线反应了目标时间序列信号中各信号元的信号状态。当分析结果用上文的0或1表示时，电子设备11可获得的如图3所示目标无源RFID标签10的目标时间序列信号对应的信号状态变化曲线。

根据图3可见，各个信号元的信号状态分类比较离散，也即是移动状态和静止状态比较分散。这是由于机器学习算法会产生误判，即使机器学习模型的分析结果的准确率达到100％，即识别出的静止状态和移动状态的数量正确，但由于待处理物品处于被移动状态的时长可能为3秒，也可能为10秒，而待处理物品被移动3秒或10秒均只能作为一次移动，那么，如果假设每秒钟内的信号元个数为w个，则连续10秒内需要识别的信号元个数将为10w个，若随机森林的识别正确率为98％，那么将连续10秒内的各个信号元的状态全部识别正确的概率将是0.98^10w，这是一个极低的数字。因此，电子设备11还将对目标无源RFID标签10的目标时间序列信号对应的信号状态变化曲线进行状态过滤。

电子设备11在对目标无源RFID标签10的目标时间序列信号对应的信号状态变化曲线进行状态过滤时，可以机器学习模型输出的目标时间序列信号中各信号元的信号状态的预测概率作为权重，对目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波，以获得目标时间序列信号对应的信号状态变化曲线。

据此，目标无源RFID标签10的目标时间序列信号对应的信号状态变化曲线将从图3所示的[1,0,1,0,1,0,1,0,0,0,0,0,1，…..]变成相对平滑的如图4所示的信号状态变化曲线。图4示出的是经过状态过滤后的目标时间序列信号对应的信号状态变化曲线。

对目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波，可使得分析结果为移动状态并且预测概率越高的信号元对应的加权平均值会越高，相对抑制了分析结果为移动状态并且预测概率较低的信号元对应的加权平均值，这可有效避免对“信号状态变化次数”的误判。可选地，电子设备11还可对目标时间序列信号对应的信号状态变化曲线进行滑动窗口均值滤波，以使信号状态变化曲线更加平滑，进一步降低误判的可能性。

上述对目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波以及对目标时间序列信号对应的信号状态变化曲线进行滑动窗口均值滤波，采用的滤波窗口大小可根据实际环境、设备、一次信号状态变化的定义进行调整。例如，当待处理物品处于被移动状态超过3秒时定义为一次有效的移动，也即将至少连续3秒内的信号元的信号状态均为移动状态时，才将符合该要求的信号状态变化作为一次有效的信号状态变化，此种情况下可优选地将滤波窗口大小设定为6秒，也即是可将滤波窗口大小设置为一次有效移动所要求的最短移动状态持续时长的倍数。当然，滤波窗口还可采用其它大小。

电子设备11在根据目标时间序列信号对应的信号状态变化曲线，统计信号状态变化次数作为待处理物品被移动的次数时，可根据阅读器12对目标无源RFID标签10的读取速率，预设一判定阈值线；根据信号状态变化曲线以及判定阈值线，统计判定阈值线上方的波峰个数；根据波峰个数，统计信号状态变化次数作为待处理物品被移动的次数。

由于目标时间序列信号对应的信号状态变化曲线是以预测概率为权重获得的，因此，当信号元对应的预测概率较低时，其移动状态可能为误判，电子设备11可预设一判定阈值线来对信号状态变化曲线进行划界。图4中示出了判定阈值线的一种示例性位置，判读阈值线的位置由判读阈值决定，判定阈值可根据阅读器12对目标无源RFID标签10的读取速率来确定，例如，可对目标无源RFID标签10的读取速率进行滑动均值滤波，并基于获得的滑动均值将判断阈值确定为7/目标无源RFID标签10的读取速率的滑动均值，其中，7可以根据需要调整为其它数值。当然，判断阈值还可确定为其它数值，例如0.5、0.6等等。如图4所示，可将判断阈值作为判断阈值线与X轴这两条平行线的间距。

电子设备11在根据信号状态变化曲线以及判定阈值线，统计判定阈值线上方的波峰个数时，可将信号状态变化曲线上信号状态值大于判定阈值的信号状态，判定为移动状态；将信号状态变化曲线上信号状态值小于或等于判定阈值的信号状态，判定为静止状态。这样，信号状态变化曲线转换成了[0,0,0,0,1,1,1,1,1,0,0,0,…..]形式的波形图，其中，将波形图中连续为1的波形位置确定为与上述波峰对应，从而确定出波峰个数。

基于上述获得的波峰个数，可统计出信号状态变化次数，并作为待处理物品被移动的次数。这避免了将预测概率较低的信号元误判为对应待处理物品被移动状态的问题，进一步提高了物品关注度处理的准确性。

除上述物联网系统外，本申请实施例还提供一些物品关注度处理方法。这些处理方法可由图1所示系统中的电子设备执行，但不限于此。图5为本申请另一示例性实施例提供的一种物品关注度处理方法的流程示意图。如图5所示，方法包括：

500、获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；

501、从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列；

502、基于目标信号特征序列，识别待处理物品被移动的次数；

503、根据待处理物品被移动的次数，确定待处理物品的受关注度。

在一可选实施例中，在步骤500之前，该方法还包括：

接收阅读器发送的时间序列混合信号，该时间序列混合信号包括混合在同一时间序列中的与该阅读器上的天线具有对应关系的若干无源RFID标签对应的时间序列信号；根据若干无源RFID标签的编号，对时间序列混合信号进行分割，将分割出的每个无源RFID标签对应的时间序列信号作为目标无源RFID标签对应的目标时间序列信号。

在本申请实施例中，根据目标无源RFID标签对应的目标时间序列信号，确定目标无源RFID标签的信号变化情况，从而识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的销售管理。

图6为本申请另一示例性实施例提供的另一种物品关注度处理方法的流程示意图，如图6所示，该方法包括：

600、获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；

601、从目标时间序列信号中，提取信号强度序列和/或载波相位序列；

602、对信号强度序列和/或载波相位序列进行滤波处理，以获得目标信号特征序列；

603、基于目标信号特征序列，识别待处理物品被移动的次数；

604、根据待处理物品被移动的次数，确定待处理物品的受关注度。

在一可选实施例中，步骤602包括：

对信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波，以获得信号强度序列对应的滑动均值序列和/或滑动中值序列；

对载波相位序列进行滑动窗口均值滤波，以获得载波相位序列对应的滑动均值序列；

将信号强度序列对应的滑动均值序列和/或滑动中值序列，以及载波相位序列对应的滑动均值序列列作为目标信号特征序列。

在一可选实施例中，步骤602还包括：

对信号强度序列对应的滑动均值序列和/或载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得信号强度序列对应的均值标准差序列和/或载波相位序列对应的均值标准差序列；将信号强度序列对应的均值标准差序列，以及载波相位序列对应的均值标准差序列加入目标信号特征序列中。

在一可选实施例中，步骤602还包括：

基于目标时间序列信号中各个信号元对应的天线发射频率，将目标时间序列信号中的信号元划分为若干信号组；

对每个信号组中信号元的载波相位执行一阶差分处理，以获得每个信号组对应的载波相位一阶差分值序列；

对每个信号组对应的载波相位一阶差分值分别执行滑动窗口求和滤波、滑动窗口标准差滤波和/或滑动窗口中值滤波，以获得的每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列；

将每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列加入目标信号特征序列。

图7为本申请另一示例性实施例提供的又一种物品关注度处理方法的流程示意图，如图7所示，该方法包括：

700、获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；

701、从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列；

702、基于目标信号特征序列，识别目标时间序列信号中各信号元的信号状态；

703、根据目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为待处理物品被移动的次数；

704、根据待处理物品被移动的次数，确定待处理物品的受关注度。

图8为本申请另一示例性实施例提供的又一种物品关注度处理方法的流程示意图，如图8所示，该方法包括：

800、获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；

801、从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列；

805、将目标信号特征序列作为输入参数运行机器学习模型，以进行信号状态分析；

806、根据机器学习模型的分析结果，确定目标时间序列信号中各信号元的信号状态。

807、根据目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为待处理物品被移动的次数；

808、根据待处理物品被移动的次数，确定待处理物品的受关注度。

在一可选实施例中，在步骤806之前，该方法还包括：

802、获取若干信号元各自对应的若干个信号特征值分别组成集合作为若干训练样本；

803、根据各信号元的真实运动状态分别定义各信号元的信号状态；

804、根据若干训练样本以及若干训练样本各自对应的信号元的信号状态训练机器学习模型。

在一可选实施例中，步骤804包括：

从若干训练样本中随机抽样出相同数量的静止状态样本和移动状态训练样本；

根据静止状态样本、移动状态样本及其各自对应的信号元的信号状态训练随机森林模型，作为机器学习模型。

在一可选实施例中，步骤807包括：

以机器学习模型输出的目标时间序列信号中各信号元的信号状态的预测概率作为权重，对目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波，以获得目标时间序列信号对应的信号状态变化曲线；

根据目标时间序列信号对应的信号状态变化曲线，统计信号状态变化次数作为待处理物品被移动的次数。

在一可选实施例中，步骤根据目标时间序列信号对应的信号状态变化曲线，统计信号状态变化次数作为待处理物品被移动的次数，包括：

根据阅读器对目标无源RFID标签的读取速率，预设一判定阈值线；

根据信号状态变化曲线以及判定阈值线，统计判定阈值线上方的波峰个数；

根据波峰个数，统计信号状态变化次数作为待处理物品被移动的次数。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤800至步骤805的执行主体可以为设备A；又比如，步骤800和801的执行主体可以为设备A，步骤802的执行主体可以为设备B；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如500、501等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

图9为本申请又一实施例提供的电子设备的结构示意图。如图9所示，该电子设备，包括：存储器91、处理器92和通信组件93。

存储器91，用于存储计算机程序，并可被配置为存储其它各种数据以支持在控制设备上的操作。这些数据的示例包括用于在控制设备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91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。

处理器92，与存储器91耦合，用于执行存储器91中的计算机程序，以用于：

通过通信组件93获取目标无源RFID标签对应的目标时间序列信号，目标无源RFID标签设置于待处理物品上；

从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列；

基于目标信号特征序列，识别待处理物品被移动的次数；

根据待处理物品被移动的次数，确定待处理物品的受关注度。

在本实施例中，根据目标无源RFID标签10对应的目标时间序列信号，确定目标无源RFID标签10的信号变化情况，从而识别出待处理物品被移动的次数，并基于待处理物品被移动的次数确定关注度，这有效提高了物品关注度的准确性，有益于后续对物品进行合理的销售管理。

在一可选实施例中，处理器92在从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列时，具体用于：

从目标时间序列信号中，提取信号强度序列和载波相位序列；

对信号强度序列和载波相位序列进行滤波处理，以获得目标信号特征序列。

在一可选实施例中，处理器92在对信号强度序列和载波相位序列进行滤波处理，以获得目标信号特征序列时，具体用于：

对信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波，以获得信号强度序列对应的滑动均值序列和/或滑动中值序列；

对载波相位序列进行滑动窗口均值滤波，以获得载波相位序列对应的滑动均值序列；

将信号强度序列对应的滑动均值序列和/或滑动中值序列，以及载波相位序列对应的滑动均值序列列作为目标信号特征序列。

在一可选实施例中，处理器92在对信号强度序列和载波相位序列进行滤波处理，以获得目标信号特征序列时，还用于：

对信号强度序列对应的滑动均值序列和/或载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得信号强度序列对应的均值标准差序列和/或载波相位序列对应的均值标准差序列；

将信号强度序列对应的均值标准差序列，以及载波相位序列对应的均值标准差序列加入目标信号特征序列中。

在一可选实施例中，处理器92在从目标时间序列信号中，提取可反应目标时间序列信号变化情况的目标信号特征序列，还用于：

基于目标时间序列信号中各个信号元对应的天线发射频率，将目标时间序列信号中的信号元划分为若干信号组；

对每个信号组中信号元的载波相位执行一阶差分处理，以获得每个信号组对应的载波相位一阶差分值序列；

对每个信号组对应的载波相位一阶差分值分别执行滑动窗口求和滤波、滑动窗口标准差滤波和/或滑动窗口中值滤波，以获得的每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列；

将每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列加入目标信号特征序列。

在一可选实施例中，处理器92在基于目标信号特征序列，识别待处理物品被移动的次数时，具体用于：

基于目标信号特征序列，识别目标时间序列信号中各信号元的信号状态；

根据目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为待处理物品被移动的次数。

在一可选实施例中，处理器92在基于目标信号特征序列，识别目标时间序列信号中各信号元的信号状态时，具体用于：

将目标信号特征序列作为输入参数运行机器学习模型，以进行信号状态分析；

根据机器学习模型的分析结果，确定目标时间序列信号中各信号元的信号状态。

在一可选实施例中，处理器92在将目标信号特征序列作为输入参数运行机器学习模型之前，还用于：

获取若干信号元各自对应的若干个信号特征值分别组成集合作为若干训练样本；

根据各信号元的真实运动状态分别定义各信号元的信号状态；

根据若干训练样本以及若干训练样本各自对应的信号元的信号状态训练机器学习模型。

在一可选实施例中，处理器92在根据若干训练样本以及若干训练样本各自对应的信号元的信号状态训练机器学习模型时，具体用于：

从若干训练样本中随机抽样出相同数量的静止状态样本和移动状态训练样本；

根据静止状态样本、移动状态样本及其各自对应的信号元的信号状态训练随机森林模型，作为机器学习模型。

在一可选实施例中，处理器92在根据目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为待处理物品被移动的次数时，具体用于：

以机器学习模型输出的目标时间序列信号中各信号元的信号状态的预测概率作为权重，对目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波，以获得目标时间序列信号对应的信号状态变化曲线；

根据目标时间序列信号对应的信号状态变化曲线，统计信号状态变化次数作为待处理物品被移动的次数。

在一可选实施例中，处理器92在根据目标时间序列信号对应的信号状态变化曲线，统计信号状态变化次数作为待处理物品被移动的次数时，具体用于：

根据阅读器对目标无源RFID标签的读取速率，预设一判定阈值线；

根据信号状态变化曲线以及判定阈值线，统计判定阈值线上方的波峰个数；

根据波峰个数，统计信号状态变化次数作为待处理物品被移动的次数。

在一可选实施例中，处理器92在获取目标无源RFID标签对应的时间序列信号之前，还用于：

接收阅读器发送的时间序列混合信号，该时间序列混合信号包括混合在同一时间序列中的与该阅读器上的天线具有对应关系的若干无源RFID标签对应的时间序列信号；

根据若干无源RFID标签的编号，对时间序列混合信号进行分割，将分割出的每个无源RFID标签对应的时间序列信号作为目标无源RFID标签对应的目标时间序列信号。

进一步，如图9所示，该控制设备还包括：显示器94、电源组件95、音频组件96等其它组件。图9中仅示意性给出部分组件，并不意味着控制设备只包括图9所示组件。

其中，通信组件93被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件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，通信组件还包括近场通信(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。

其中，显示器94包括屏幕，其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。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。

其中，电源组件95，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

其中，音频组件96，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当音频组件所在设备处于操作模式，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或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中的各步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种物品关注度处理方法，其特征在于，包括：

获取目标无源RFID标签对应的目标时间序列信号，所述目标无源RFID标签设置于待处理物品上；

从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列；

基于所述目标信号特征序列，识别所述待处理物品被移动的次数；

根据所述待处理物品被移动的次数，确定所述待处理物品的受关注度。

2.根据权利要求1所述的方法，其特征在于，所述从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列，包括：

从所述目标时间序列信号中，提取信号强度序列和/或载波相位序列；

对所述信号强度序列和/或所述载波相位序列进行滤波处理，以获得所述目标信号特征序列。

3.根据权利要求2所述的方法，其特征在于，所述对所述信号强度序列和所述载波相位序列进行滤波处理，以获得所述目标信号特征序列，包括：

对所述信号强度序列进行滑动窗口均值滤波和/或滑动窗口中值滤波，以获得所述信号强度序列对应的滑动均值序列和/或滑动中值序列；

对所述载波相位序列进行滑动窗口均值滤波，以获得所述载波相位序列对应的滑动均值序列；

将所述信号强度序列对应的滑动均值序列和/或滑动中值序列，以及所述载波相位序列对应的滑动均值序列作为所述目标信号特征序列。

4.根据权利要求3所述的方法，其特征在于，所述对所述信号强度序列和所述载波相位序列进行滤波处理，以获得所述目标信号特征序列，还包括：

对所述信号强度序列对应的滑动均值序列和/或所述载波相位序列对应的滑动均值序列进行滑动窗口标准差滤波，以获得所述信号强度序列对应的均值标准差序列和/或所述载波相位序列对应的均值标准差序列；

将所述信号强度序列对应的均值标准差序列，以及所述载波相位序列对应的均值标准差序列加入所述目标信号特征序列中。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列，还包括：

基于所述目标时间序列信号中各个信号元对应的天线发射频率，将所述目标时间序列信号中的信号元划分为若干信号组；

对每个信号组中信号元的载波相位执行一阶差分处理，以获得每个信号组对应的载波相位一阶差分值序列；

对每个信号组对应的载波相位一阶差分值分别执行滑动窗口求和滤波、滑动窗口标准差滤波和/或滑动窗口中值滤波，以获得的每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列；

将所述每个信号组对应的载波相位一阶差分值序列的求和序列、标准差序列和/或滑动中值序列加入所述目标信号特征序列。

6.根据权利要求1所述的方法，其特征在于，所述基于所述目标信号特征序列，识别所述待处理物品被移动的次数，包括：

基于所述目标信号特征序列，识别所述目标时间序列信号中各信号元的信号状态；

根据所述目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为所述待处理物品被移动的次数。

7.根据权利要求6所述的方法，其特征在于，所述基于所述目标信号特征序列，识别所述目标时间序列信号中各信号元的信号状态，包括：

将所述目标信号特征序列作为输入参数运行机器学习模型，以进行信号状态分析；

根据所述机器学习模型的分析结果，确定所述目标时间序列信号中各信号元的信号状态。

8.根据权利要求7所述的方法，其特征在于，在将所述目标信号特征序列作为输入参数运行机器学习模型之前，还包括：

获取若干信号元各自对应的若干个信号特征值并分别组成集合作为若干训练样本；

根据各信号元的真实运动状态分别定义各信号元的信号状态；

根据若干训练样本以及若干训练样本各自对应的信号元的信号状态训练所述机器学习模型。

9.根据权利要求7所述的方法，其特征在于，所述根据所述目标时间序列信号中各信号元的信号状态，统计信号状态变化次数作为所述待处理物品被移动的次数，包括：

以所述机器学习模型输出的所述目标时间序列信号中各信号元的信号状态的预测概率作为权重，对所述目标时间序列信号中各信号元的信号状态进行滑动窗口加权平均值滤波，以获得所述目标时间序列信号对应的信号状态变化曲线；

根据所述目标时间序列信号对应的信号状态变化曲线，统计所述信号状态变化次数作为所述待处理物品被移动的次数。

10.根据权利要求9所述的方法，其特征在于，所述根据所述目标时间序列信号对应的信号状态变化曲线，统计所述信号状态变化次数作为所述待处理物品被移动的次数，包括：

根据阅读器对所述目标无源RFID标签的读取速率，预设一判定阈值线；

根据所述信号状态变化曲线以及所述判定阈值线，统计所述判定阈值线上方的波峰个数；

根据波峰个数，统计所述信号状态变化次数作为所述待处理物品被移动的次数。

11.根据权利要求1-4和6-10中任一项所述的方法，其特征在于，在获取目标无源RFID标签对应的时间序列信号之前，还包括：

接收阅读器发送的时间序列混合信号，所述时间序列混合信号包括混合在同一时间序列中的与所述阅读器上的天线具有对应关系的若干无源RFID标签对应的时间序列信号；

根据所述若干无源RFID标签的编号，对所述时间序列混合信号进行分割，将分割出的每个无源RFID标签对应的时间序列信号作为所述目标无源RFID标签对应的目标时间序列信号。

12.一种物联网系统，其特征在于，包括：至少一个无源RFID标签、电子设备和至少一个阅读器；所述至少一个无源RFID标签设置于不同物品上；

每个阅读器，用于接收与其具有对应关系的无源RFID标签发送的RFID信号，以形成与其具有对应关系的无源RFID标签对应的时间序列信号，并将与其具有对应关系的无源RFID标签对应的时间序列信号发送至所述电子设备；

所述电子设备，用于接收每个阅读器发送的与其具有对应关系的无源RFID标签对应的时间序列信号；从接收到的各无源RFID标签对应的时间序列信号中，分别提取可反应各无源RFID标签对应的时间序列信号变化情况的信号特征序列；基于各无源RFID标签对应的信号特征序列，识别各无源RFID标签所在物品被移动的次数；根据各无源RFID标签所在物品被移动的次数，分别确定各无源RFID标签所在物品的受关注度。

13.一种电子设备，其特征在于，包括存储器、处理器和通信组件；

所述存储器，用于存储一条或多条计算机指令；

所述处理器，耦合至所述存储器和所述通信组件，用于执行所述一条或多条计算机指令，以用于：

通过所述通信组件获取目标无源RFID标签对应的目标时间序列信号，所述目标无源RFID标签设置于待处理物品上；

从所述目标时间序列信号中，提取可反应所述目标时间序列信号变化情况的目标信号特征序列；

基于所述目标信号特征序列，识别所述待处理物品被移动的次数；

根据所述待处理物品被移动的次数，确定所述待处理物品的受关注度。

14.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被执行用于实现权利要求1-11任一项所述方法中的步骤。