CN109886631A - 快递员派件行为的监管方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例公开了一种快递员派件行为的监管方法、装置、设备及介质。该方法包括：获取当前数据统计时期内快递员的派件行为数据；根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。通过上述技术方案，可以及时发现快递员的恶意投递行为，对快递员使用智能快递柜时的派件行为实现有效地监管，有效地减少了或阻止了快递员在派件高峰期恶意投递占柜的行为，提高了智能快递柜的有效利用率。

Description

快递员派件行为的监管方法、装置、设备及介质

技术领域

本发明实施例涉及数据分析技术领域，尤其涉及一种快递员派件行为的监管方法、装置、设备及介质。

背景技术

智能快递柜的出现，为快递员进行派件、揽件提供了便利。但是，随着智能快递柜的品牌日益增多，为了抢占市场，出现了恶意竞争问题。

例如，在派件高峰期，会有快递员通过派送虚假快递去占用A公司智能快递柜的空闲格口箱，从而让有真实派件需求的快递员，无法顺利将快递投入A公司智能快递柜，而只能改投到B公司智能快递柜，或者是让有需求寄件的用户无法顺利将快递投入A公司智能快递柜，而只能改投到B公司智能快递柜，由此改变快递员的派件习惯以及用户的寄件习惯，提升B公司智能快递柜的市场占有率。这种行为，不仅会对A公司智能快递柜的周转率产生不好的影响，也会使A公司流失不少快递员用户和寄件用户。但是，快递员的这种行为很难被监管，因为A公司通常不会对每个快递员的派件单号进行逐一校验(如此操作人工成本太高)，也就较难发现他们利用虚假运单进行恶意投递的行为。因此，市场上缺乏对快递员使用智能快递柜的有效监管方法。

发明内容

本发明实施例提供一种快递员派件行为的监管方法、装置、设备及介质，以及时发现快递员的恶意投递行为，进而对快递员使用智能快递柜时的派件行为实现有效地监管。

第一方面，本发明实施例提供了一种快递员派件行为的监管方法，包括：

获取当前数据统计时期内快递员的派件行为数据；

根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

第二方面，本发明实施例还提供了一种快递员派件行为的监管装置，包括：

派件行为数据获取模块，用于获取当前数据统计时期内快递员的派件行为数据；

恶意投递行为处理模块，用于根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

第三方面，本发明实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所提供的快递员派件行为的监管方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的快递员派件行为的监管方法。

本发明实施例中，对数据统计时期内快递员的派件行为数据进行统计，根据这些行为数据判断快递员是否存在恶意投递行为，在判断结果为快递员存在恶意投递行为时，对快递员发出警告信息，以指示所述快递员尽快释放恶意占用格口箱，进而可以及时发现快递员的恶意投递行为，对快递员使用智能快递柜时的派件行为实现有效地监管，有效地减少了或阻止了快递员在派件高峰期恶意投递占柜的行为，提高了智能快递柜的有效利用率。

附图说明

图1是本发明实施例一中的一种快递员派件行为的监管方法的流程图；

图2是本发明实施例二中的一种快递员派件行为的监管方法的流程图；

图3是本发明实施例三中的一种快递员派件行为的监管装置的结构示意图；

图4是本发明实施例四中的一种设备的硬件结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种快递员派件行为的监管方法的流程图，可适用于在智能快递柜运营期间处理恶意竞争问题的情况，该方法可以由本发明实施例提供的快递员派件行为的监管装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在处理器中，例如是与智能快递柜应用程序对应的后台服务器的处理器中。如图1所示，本实施例的方法具体包括：

S110、获取当前数据统计时期内快递员的派件行为数据。

数据统计时期指的是预设的一段时间，例如可以是一天、三天、一周等，以数据统计时期是三天为例，今天是2019年2月22日，则当前数据统计时期即为2019年2月19日-2019年2月21日。典型的，数据统计时期的长短与当前时间段内的派件频率有关，例如，当前时间段为双11的派件高峰期，则可将数据统计时期设置的短一些，比如一天。

典型的，在本步骤之前，可以根据当前时间所属的派件频率级别，确定数据统计时期；其中，派件频率级别的高低与数据统计时期时长成反比。

根据经验值，可以确定当前时间段是否为派件高峰期以及派件频率的高低，进而确定出当前时间所述的派件频率级别，例如，双11和双12时期的派件频率级别最高。每一种派件频率级别对应一个数据统计时期，例如，派件频率级别为1(级别最高)，则数据统计时期为一天，派件频率级别为2，则数据统计时期为三天。派件频率级别越高，数据统计时期的时长越短，派件频率级别越低，数据统计时期的时长越长。

派件行为数据，指的是根据快递员的派件行为统计得出的数据，其中，例如是每票派单滞留时间，即快递员将快件派送入柜后快递被取出的时间，也即该快件在柜中的停留时长，再例如每日派件数，即快递员每日派送入柜包裹数量，再例如每日取消派件数，即快递员每日取消派件的次数，等等。

典型的，派件行为数据可以是平均派件滞留时间、平均每日派件数和失败派件率等等，其中，平均派件滞留时间指的是数据统计时期内快递员投递入柜包裹在柜总时长/包裹数，平均每日派件数指的是数据统计时期内快递员投递入柜包裹数/数据统计时期天数，失败派件率指的是数据统计时期内快递员取消派件数占总体派件数的比率。

S120、根据派件行为数据判断快递员是否存在恶意投递行为，若是，则向快递员发出警告信息，以指示快递员释放恶意占用格口箱。

通过研究大量的快递员的派件行为数据，发现恶意投递行为具有如下几个数据特征：平均派件滞留时间较长、平均每日派件数较大以及失败派件率较高等，例如平均派件滞留时间高达100多个小时，平均每日派件数高达十几以及失败派件率高达70％等等。如果快递员的派件行为数据同时满足如上这几个数据特征，则可判断出快递员存在恶意投递行为。

在派件行为数据满足上述数据特征的基础上，如果快递员的派件时间处于高峰期，且派件地点存在竞争对手的柜机，那么更可确定快递员存在恶意投递行为。

当确定快递员存在恶意投递行为之后，向该快递员发送警告信息，例如是将警告信息推送至快递员注册登录的应用程序中，以指示快递员尽快释放恶意占用的格口箱，如果在预设时效内快递员仍未处理，则可自动释放被恶意占用的格口箱，即将该快递员占用的、快件滞留时长过长的格口箱的系统状态修改为空闲，以使其他用户可以正常使用，保证智能快递柜的有效运转。

在向快递员推送警告信息之后，可以对警告信息的数量进行统计，根据统计结果确定快递员是否长期存在恶意投递行为，例如当警告信息的数量达到数量阈值(比如5次)时即可认为该快递员长期存在恶意投递行为，此时可以将该快递员加入黑名单，使其不能够再使用本公司的智能快递。

本发明实施例中，对当前数据统计时期内快递员的派件行为数据进行统计，根据这些行为数据判断快递员是否存在恶意投递行为，在判断结果为快递员存在恶意投递行为时，对快递员发出警告信息，以指示所述快递员尽快释放恶意占用格口箱，进而可以及时发现快递员的恶意投递行为，对快递员使用智能快递柜时的派件行为实现有效地监管，有效地减少了或阻止了快递员在派件高峰期恶意投递占柜的行为，提高了智能快递柜的有效利用率。

值得指出的是，本实施例提供的快递员派件行为的监管方法可以每天执行一次，也可以是定期执行，本实施例对此不做具体限定。

在上述技术方案的基础上，在向快递员发出警告信息之后，还包括：如果接收到快递员的申诉请求信息，则调取与数据统计时期内的快递员的派件行为数据匹配的视频截图；将视频截图发送至核实工作人员，以使核实工作人员重新核查快递员是否存在恶意投递行为。

在快递员使用的应用程序中增加申诉入口，用于快递员接收到警告信息后发送申诉请求信息，表明自己不存在恶意投递行为。当接收到快递员的申诉请求信息之后，则获取与所述申请请求信息对应的警告信息，进而根据警告信息获取认定快递员存在恶意投递行为的数据统计时期，然后就可以调取数据统计时期内与快递员派件行为匹配的视频截图，例如是根据数据统计时期内快递员的派件时间确定待截图视频，例如可以每5秒截图一张，之后将视频截图发送给核实工作人员进行人工核实，再次确认该快递员是否存在恶意投递行为，如果确认不存在，则可撤回对该快递员的警告信息。

实施例二

图2是本发明实施例二提供的一种快递员派件行为的监管方法的流程图。本实施例以上述实施例为基础进行具体化，其中，将根据派件行为数据判断快递员是否存在恶意投递行为，具体为：

将派件行为数据输入与数据统计时期时长匹配的恶意投递判别模型中；

根据匹配的恶意投递判别模型得到的判别结果判断快递员是否存在恶意投递行为。

具体的，在根据派件行为数据判断快递员是否存在恶意投递行为之前，还包括：

获取与目标数据统计时期时长匹配的样本派件行为数据以及与样本派件行为数据匹配的恶意投递判别结果；

将样本派件行为数据以及与样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本；

采用与目标数据统计时期时长匹配的至少一组训练样本，对标准判别模型进行训练，生成与目标数据统计时期时长匹配的恶意投递判别模型。

如图2所示，本实施例的方法具体包括：

S210、根据当前时间所属的派件频率级别，确定数据统计时期。

S220、获取当前数据统计时期内快递员的派件行为数据。

S230、将派件行为数据输入与数据统计时期时长匹配的恶意投递判别模型中。

为了提高判别快递员是否存在恶意投递行为的准确性，本实施例提供的恶意投递判别模型是与数据统计时期的时长相匹配的，也即预先训练多个恶意投递判别模型分别与不同的数据统计时期时长匹配，例如，当数据统计时期为一天时，将获取的一天内快递员的派件行为数据输入与一天匹配的恶意投递判别模型中，去判断该快递员是否存在恶意投递行为。

其中，作为一种可选的实施方式，恶意投递判别模型的一种生成方法如下：

1)获取与目标数据统计时期时长匹配的样本派件行为数据以及与样本派件行为数据匹配的恶意投递判别结果。

针对一种数据统计时期时长，生成一种恶意投递判别模型，当使用恶意投递判别模型进行判别时，可以是选取与派件行为数据的数据统计时期时长匹配的恶意投递模型进行判别。下述以目标数据统计时期时长为一天为例，进行解释说明。

样本派件行为数据可以是根据客户投诉记录获取的，也可以是根据工作人员抽检获取的。

例如，根据投诉记录可知，某快递员某日存在恶意投递行为，则获取该快递员那一日的派送数据记录，按照统计方法生成该快递员的派件行为数据，而与此派件行为数据匹配的恶意投递判别结果即为存在恶意投递行为。

再例如，工作人员对快递员的派件行为进行抽检并记录，根据抽检记录可可知，某快递员某日不存在恶意投递行为，则获取该快递员那一日的派送数据记录，按照统计方法生成该快递员的派件行为数据，而与此派件行为数据匹配的恶意投递判别结果即为不存在恶意投递行为。

2)将样本派件行为数据以及与样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本。

将派件行为数据与其恶意投递判别结果对应起来，即可作为一组训练样本，例如是与数据统计时期时长为一天匹配的一组训练样本，与数据统计时期时长为多天匹配的训练样本也是如此。

基于目前大量智能快递柜的使用记录，可以得到大量的派件行为数据，将这些派件行为数据与投诉记录或抽检记录对应起来即可生成的大量的训练样本。

3)采用与目标数据统计时期时长匹配的至少一组训练样本，对标准判别模型进行训练，生成与目标数据统计时期时长匹配的恶意投递判别模型。

在生成大量的训练样本后，采用这些训练样本对标准判别模型进行训练，使标准判别模型根据这些训练样本进行学习后，生成能够根据快递员的派件行为数据判别快递员是否具有恶意投递行为的恶意投递判别模型。其中，标准判别模型可以是原始机器学习模型，原始机器学习模型可以是指未经训练的机器学习模型。

作为另一种可选的实施方式，在生成恶意投递判别模型时还可以考虑与样本派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息，相应的，恶意投递判别模型的另一种生成方法如下：

1)获取与目标数据统计时期时长匹配的样本派件行为数据以及与样本派件行为数据匹配的恶意投递判别结果。

2)将样本派件行为数据、与样本派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息，以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本。

竞品快递柜指的是属于竞争对手公司运营的智能快递柜。

在构建训练样本时，还需要对与派件行为数据对应的智能快递柜附近是否存在竞品快递柜进行判断，对竞品快递柜的数量进行统计，一并作为训练样本的一个因素，原因在于存在竞品快递柜之处更容易发生例如恶意投递之列的恶性竞争行为。

例如，一组训练样本为：平均派件滞留时间为100个小时，平均每日派件数为15，失败派件率为70％，关联的竞品快递柜的数量为1，存在恶意投递行为。

其中，竞品快递柜的数据统计更新方式有多种，可以在柜机投放时拍摄周围投放竞品快递柜数量和格口箱数量，还可以发布众包任务不断收集、更新本公司智能快递柜附近的竞品快递柜的数据和格口箱数量。

3)采用与目标数据统计时期时长匹配的至少一组训练样本，对标准判别模型进行训练，生成与目标数据统计时期时长匹配的恶意投递判别模型。

对应的，使用根据此种生成方法生成的恶意投递判别模型去判别快递员是否存在恶意投递行为时，应将派件行为数据以及与派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息输入与数据统计时期时长匹配的恶意投递判别模型中。

此种情形下，恶意投递判别模型的输入为派件行为数据以及关联的竞品快递柜数量，输出为快递员是否存在恶意投递行为。

S240、根据匹配的恶意投递判别模型得到的判别结果判断快递员是否存在恶意投递行为。

如果恶意投递判别模型得到的判别结果为存在恶意投递行为，则认为该快递员存在恶意投递行为；如果恶意投递判别模型得到的判别结果为不存在恶意投递行为，则认为该快递员不存在恶意投递行为。

S250、如果确定快递员存在恶意投递行为，则向快递员发出警告信息，以指示快递员释放恶意占用格口箱。

本实施例未尽详细解释之处请参见前述实施例，在此不再赘述。

在上述技术方案中，通过构建恶意投递判别模型来实现对快递员的派件行为数据进行监测，一旦发现快递员存在恶意投递行为，则向其推送警告信息，有效地减少了或阻止了快递员在派件高峰期恶意投递占柜的行为，提高了智能快递柜的有效利用率。

实施例三

图3是本发明实施例三提供的一种快递员派件行为的监管装置的结构示意图，可适用于在智能快递柜运营期间处理恶意竞争问题的情况，该装置可采用软件和/或硬件的方式实现，并一般可集成在处理器中，例如是与智能快递柜应用程序对应的后台服务器的处理器中。如图3所示，该快递员派件行为的监管装置具体包括：派件行为数据获取模块310和恶意投递行为处理模块320，其中，

派件行为数据获取模块310，用于获取当前数据统计时期内快递员的派件行为数据；

恶意投递行为处理模块320，用于根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

本发明实施例中，对当前数据统计时期内快递员的派件行为数据进行统计，根据这些行为数据判断快递员是否存在恶意投递行为，在判断结果为快递员存在恶意投递行为时，对快递员发出警告信息，以指示所述快递员尽快释放恶意占用格口箱，进而可以及时发现快递员的恶意投递行为，对快递员使用智能快递柜时的派件行为实现有效地监管，有效地减少了或阻止了快递员在派件高峰期恶意投递占柜的行为，提高了智能快递柜的有效利用率。

具体的，该快递员派件行为的监管装置还包括：数据统计时期确定模块，用于在获取数据统计时期内的快递员的派件行为数据之前，根据当前时间所属的派件频率级别，确定所述数据统计时期；其中，所述派件频率级别的高低与所述数据统计时期时长成反比。

具体的，所述派件行为数据包括下述至少一项：平均派件滞留时间、平均每日派件数和失败派件率。

进一步，恶意投递行为处理模块320，具体用于将所述派件行为数据输入与所述数据统计时期时长匹配的恶意投递判别模型中；根据所述匹配的恶意投递判别模型得到的判别结果判断所述快递员是否存在恶意投递行为。

作为一种具体的实施方式，该快递员派件行为的监管装置还包括：数据获取模块、样本构造模块和模型生成模块，其中，

数据获取模块，用于获取与目标数据统计时期时长匹配的样本派件行为数据以及与所述样本派件行为数据匹配的恶意投递判别结果；

样本构造模块，用于将样本派件行为数据以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本；

模型生成模块，用于采用与目标数据统计时期时长匹配的至少一组训练样本，对标准判别模型进行训练，生成与目标数据统计时期时长匹配的恶意投递判别模型。

作为另一种具体的实施方式，样本构造模块，具体用于将样本派件行为数据、与样本派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息，以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本；

对应的，恶意投递行为处理模块320，具体用于将所述派件行为数据以及与派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息输入与所述数据统计时期时长匹配的恶意投递判别模型中，根据所述匹配的恶意投递判别模型得到的判别结果判断所述快递员是否存在恶意投递行为。

进一步的，该快递员派件行为的监管装置还包括：申诉处理模块，用于在向所述快递员发出警告信息之后，如果接收到所述快递员的申诉请求信息，则调取与所述数据统计时期内的快递员的派件行为数据匹配的视频截图；将所述视频截图发送至核实工作人员，以使所述核实工作人员重新核查所述快递员是否存在恶意投递行为。

上述快递员派件行为的监管装置可执行本发明任意实施例所提供的快递员派件行为的监管方法，具备执行快递员派件行为的监管方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种设备的硬件结构示意图，如图4所示，该设备包括：

一个或多个处理器410，图4中以一个处理器410为例；

存储器420；

所述设备还可以包括：输入装置430和输出装置440。

所述设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器420作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种快递员派件行为的监管方法对应的程序指令/模块(例如，附图3所示的派件行为数据获取模块310和恶意投递行为处理模块320)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种快递员派件行为的监管方法。

存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器320可选包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置330可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种快递员派件行为的监管方法，该方法包括：

获取当前数据统计时期内快递员的派件行为数据；

根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

可选的，该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的一种快递员派件行为的监管方法的技术方案。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述快递员派件行为的监管装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种快递员派件行为的监管方法，其特征在于，包括：

获取当前数据统计时期内快递员的派件行为数据；

根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

2.根据权利要求1所述的方法，其特征在于，在获取数据统计时期内的快递员的派件行为数据之前，还包括：

根据当前时间所属的派件频率级别，确定所述数据统计时期；

其中，所述派件频率级别的高低与所述数据统计时期时长成反比。

3.根据权利要求1或2所述的方法，其特征在于，所述派件行为数据包括下述至少一项：平均派件滞留时间、平均每日派件数和失败派件率。

4.根据权利要求1所述的方法，其特征在于，根据所述派件行为数据判断所述快递员是否存在恶意投递行为，包括：

将所述派件行为数据输入与所述数据统计时期时长匹配的恶意投递判别模型中；

根据所述匹配的恶意投递判别模型得到的判别结果判断所述快递员是否存在恶意投递行为。

5.根据权利要求4所述的方法，其特征在于，在根据所述派件行为数据判断所述快递员是否存在恶意投递行为之前，还包括：

获取与目标数据统计时期时长匹配的样本派件行为数据以及与所述样本派件行为数据匹配的恶意投递判别结果；

将样本派件行为数据以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本；

采用与目标数据统计时期时长匹配的至少一组训练样本，对标准判别模型进行训练，生成与目标数据统计时期时长匹配的恶意投递判别模型。

6.根据权利要求5所述的方法，其特征在于，将样本派件行为数据以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本，包括：

将样本派件行为数据、与样本派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息，以及与所述样本派件行为数据匹配的恶意投递判别结果对应作为与目标数据统计时期时长匹配的一组训练样本；

将所述派件行为数据输入与所述数据统计时期时长匹配的恶意投递判别模型中，包括：

将所述派件行为数据以及与派件行为数据对应的智能快递柜位置信息关联的竞品快递柜的数量统计信息输入与所述数据统计时期时长匹配的恶意投递判别模型中。

7.根据权利要求1所述的方法，其特征在于，在向所述快递员发出警告信息之后，还包括：

如果接收到所述快递员的申诉请求信息，则调取与所述数据统计时期内的快递员的派件行为数据匹配的视频截图；

将所述视频截图发送至核实工作人员，以使所述核实工作人员重新核查所述快递员是否存在恶意投递行为。

8.一种快递员派件行为的监管装置，其特征在于，包括：

派件行为数据获取模块，用于获取数据统计时期内快递员的派件行为数据；

恶意投递行为处理模块，用于根据所述派件行为数据判断所述快递员是否存在恶意投递行为，若是，则向所述快递员发出警告信息，以指示所述快递员释放恶意占用格口箱。

9.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。