CN110619497B - 地址检验方法、装置、电子设备及存储介质 - Google Patents

地址检验方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110619497B
CN110619497B CN201910749602.XA CN201910749602A CN110619497B CN 110619497 B CN110619497 B CN 110619497B CN 201910749602 A CN201910749602 A CN 201910749602A CN 110619497 B CN110619497 B CN 110619497B
Authority
CN
China
Prior art keywords
address
information vector
historical
fusion
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910749602.XA
Other languages
English (en)
Other versions
CN110619497A (zh
Inventor
毛尚勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Network Technology Co ltd
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910749602.XA priority Critical patent/CN110619497B/zh
Publication of CN110619497A publication Critical patent/CN110619497A/zh
Application granted granted Critical
Publication of CN110619497B publication Critical patent/CN110619497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Abstract

本申请实施例公开了一种地址检验方法、装置、电子设备及存储介质，所述方法包括：接收终端设备发送的待确认指令，所述待确认指令包括终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；计算WIFI指纹的哈希值；通过卷积神经网络提取楼门图像的特征，得到特征矩阵；通过MLP对特征矩阵、位置信息和哈希值进行信息融合，得到融合信息向量；确定订单标识对应的收货地址，并从数据库线上库中获取与收货地址对应的历史融合信息向量；根据融合信息向量和历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。本申请实施例提高了地址判定结果的准确性，进而提高了送单准确性，而且节省了成本。

Description

地址检验方法、装置、电子设备及存储介质
技术领域
本申请涉及互联网技术领域，特别是涉及一种地址检验方法、装置、电子设备及存储介质。
背景技术
在快递行业中，需要对收件人进行一定的验证。对于非送货到门的情景，已经出现了快递柜这一解决方案，可以通过收件人的手机验证码、甚至生物特征验证其身份。而外卖行业，送餐员只能主观上确认送货地址与要求地址是否一致。
外卖行业中，仅依赖送餐员主观上的确认，经常会由于位置、路线不熟悉或确认流程不规范等原因，导致地址判定错误，进而导致送错单或取错单的问题。而且快递行业中通过快递柜对收件人进行验证，需要昂贵的硬件设计和场地安装成本。
发明内容
本申请实施例提供一种地址检验方法、装置、电子设备及存储介质，有助于提高地址判定结果的准确性，并降低成本。
为了解决上述问题，第一方面，本申请实施例提供了一种地址检验方法，包括：
接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；
通过所述机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值；
通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵；
通过所述机器学习模型中的多层感知机MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量；
确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量；
根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
可选的，在通过所述机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值之前，还包括：
将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；
选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；
基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
可选的，所述位置信息包括经纬度信息和海拔信息，通过所述终端设备中的GPS传感器和气压计采集得到。
可选的，所述根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致，包括：
确定所述融合信息向量与所述历史融合信息向量的置信度；
若所述置信度大于或等于预设阈值，则确定所述当前所处位置与所述收货地址一致；
若所述置信度小于所述预设阈值，则确定所述当前所处位置与所述收货地址不一致。
可选的，在根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致之后，还包括：
若所述当前所处位置与所述收货地址一致，则返回确认信息给所述终端设备，并将所述融合信息向量存储至数据库灰度库中；
若所述当前所处位置与所述收货地址不一致，则返回警报信息给所述终端设备，以指示所述终端设备发出警报。
可选的，在所述将所述融合信息向量存储至数据库灰度库中之后，还包括：
若在预设期限内没有接收到所述订单标识对应的错误投诉，则将所述融合信息向量从所述数据库灰度库转移至所述数据库线上库中。
第二方面，本申请实施例提供了一种地址检验装置，包括：
指令接收模块，用于接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；
哈希值计算模块，用于通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值；
特征提取模块，用于通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵；
信息融合模块，用于通过所述机器学习模型中的多层感知机MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量；
历史数据获取模块，用于确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量；
地址判定模块，用于根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
可选的，所述装置还包括：
数据序列构造模块，用于将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；
样本构建模块，用于选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；
模型训练模块，用于基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
可选的，所述位置信息包括经纬度信息和海拔信息，通过所述终端设备中的GPS传感器和气压计采集得到。
可选的，所述地址判定模块包括：
置信度确定单元，用于确定所述融合信息向量与所述历史融合信息向量的置信度；
地址判定单元，用于若所述置信度大于或等于预设阈值，则确定所述当前所处位置与所述收货地址一致；若所述置信度小于所述预设阈值，则确定所述当前所处位置与所述收货地址不一致。
可选的，所述装置还包括：
数据存储模块，用于若所述当前所处位置与所述收货地址一致，则返回确认信息给所述终端设备，并将所述融合信息向量存储至数据库灰度库中；
警报返回模块，用于若所述当前所处位置与所述收货地址不一致，则返回警报信息给所述终端设备，以指示所述终端设备发出警报。
可选的，所述装置还包括：
数据更新模块，用于若在预设期限内没有接收到所述订单标识对应的错误投诉，则将所述融合信息向量从所述数据库灰度库转移至所述数据库线上库中。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现本申请实施例所述的地址检验方法。
第四方面，本申请实施例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本申请实施例公开的地址检验方法的步骤。
本申请实施例公开的地址检验方法、装置、电子设备及存储介质，通过根据当前所处位置的位置信息、WIFI指纹和楼门图像得到的融合信息向量与历史融合信息向量进行匹配来判定当前所处位置与收货地址是否一致，不再依赖于送货人员对收货地址的主观判断，从而避免了人为错误，提高了地址判定结果的准确性，进而提高了送单准确性，而且不需要安装快递柜，只需要送货人员携带终端设备，从而节省了成本。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一的地址检验方法的流程图；
图2是本申请实施例中的通过机器学习模型得到融合信息向量的示意图；
图3是本申请实施例二的地址检验装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
实施例一
本实施例公开的一种地址检验方法，该方法可以由服务器等电子设备执行，如图1所示，该方法包括：步骤110至步骤140。
步骤110，接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识。
其中，所述终端设备包括图像传感器、位置传感器、WIFI传感器等多种传感器，位置传感器用于采集经纬度信息和海拔信息，WIFI传感器用于采集WIFI指纹，图像传感器用于采集楼门图像。所述终端设备例如可以是手机或头戴式设备等便携设备。所述位置传感器包括GPS(Global Positioning System，全球定位系统)传感器和气压计，所述位置信息包括经纬度信息和海拔信息，通过所述终端设备中的GPS传感器和气压计采集得到，GPS传感器采集经纬度信息，气压计采集海拔信息。所述WIFI指纹包括当前可以搜索到WIFI信号的所有WIFI名称和对应的信号强度。所述楼门图像是当前所处位置的楼门的图像，可以包括门牌号，也可以不包括门牌号。
在送货人员(如送餐员或快递员)到达收货地址后，可以触发终端设备采集当前所处位置的位置信息、WIFI指纹和楼门图像，并将包括位置信息、WIFI指纹、楼门图像和对应的订单标识的待确认指令发送给服务器。或者，终端设备在检测到当前所处位置在收货地址一定范围内时，自动采集位置信息、WIFI指纹和楼门图像，并将包括位置信息、WIFI指纹、楼门图像和对应的订单标识的待确认指令发送给服务器。
步骤120，通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值。
其中，所述机器学习模型包括但不限于哈希计算模块、卷积神经网络(Convolutional Neural Networks,CNN)和MLP(Multi-Layer Perception，多层感知机)。MLP是一种趋向结构的人工神经网络，映射一组输入向量到一组输出向量。所述卷积神经网络和MLP已预先训练完成。
机器学习模型中的哈希计算模块主要用于计算WIFI指纹的哈希值。
步骤130，通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵。
机器学习模型中的卷积神经网络用于提取楼门图像的特征，如提取楼门图像中的门牌号、颜色和尺寸等特征。
步骤140，通过所述机器学习模型中的MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量。
图2是通过机器学习模型得到融合信息向量的示意图，如图2所示，将终端设备当前所处位置的位置数据输入机器学习模型，通过机器学习模型中的哈希计算模块计算所述位置数据中的WIFI指纹的哈希值，通过卷积神经网络提取所述位置数据中楼门图像的特征，得到特征矩阵，由MLP对特征矩阵、位置信息和哈希值进行信息融合，得到融合信息向量。
在本申请的一个实施例中，在通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值之前，还包括：将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
一组历史位置信息、历史WIFI指纹和历史楼门图像对应一个数据序列，一个收货地址对应一组数据时，可以得到该收货地址对应的一个数据序列，一个收获地址对应多组数据时，可以得到该收货地址对应的多个数据序列。对于每一个收货地址(addr)，其历史的楼门图像(image)、经纬度信息(latitude和longitude)、海拔信息(elevation)、WIFI指纹(wifi_hash)等信息，构成一个数据序列，可以表示如下：
Addr_1:[[image1_1,latitude1_1,longitude1_1,elevation1_1,wifi_hash1_1],
[image1_2,latitude1_2,longitude1_2,elevation1_2,wifi_hash1_2]
…]
Addr_2:[[image2_1,latitude2_1,longitude2_1,elevation2_1,wifi_hash2_1],
[image2_2,latitude2_2,longitude2_2,elevation2_2,wifi_hash2_2]
…]
取同一收货地址对应的相邻两个数据序列，分别作为基准样本(source)和正样本(target)；从数据库中任意选取预设样本数量的数据序列作为负样本(negative_samples)，构成一个三元组样本，该三元组样本例如可以表示如下：
(source：[image1_1,latitude1_1,longitude1_1,elevation1_1,wifi_hash1_1]，
target：[image1_2,latitude1_2,longitude1_2,elevation1_2,wifi_hash1_2]
negative_samples:[[image2_1,latitude2_1,longitude2_1,elevation2_1,wifi_hash2_1],
[image11_9,latitude11_9,longitude11_9,elevation11_9,wifi_hash11_9],
…]
在进行训练时，将三元组样本中的基准样本、正样本和负样本分别输入各自对应的机器学习模型，得到各自对应的融合信息向量，并根据基准样本和正样本各自对应的融合信息向量，计算基准样本和正样本的距离(如欧氏距离)，作为第一距离，根据基准样本和负样本各自对应的融合信息向量，计算基准样本和负样本的距离，作为第二距离，通过Triplet Loss损失函数来约束第一距离和第二距离，使得第一距离尽量小，第二距离尽量大，即使得第一距离小于第二距离，并根据损失函数的结果来调整机器学习模型的参数，直至所有三元组样本的第一距离均小于第二距离，或者第二距离大于距离阈值。其中，所述基准样本、正样本和负样本各自对应的机器学习模型的模型参数均相同，从而在线上应用获取融合信息向量时使用一个机器学习模型即可。负样本的数量为预设样本数量，训练时，分别计算基准样本与每个负样本的距离，取各个距离的最小值作为第二距离，或者取各个距离的平均值作为第二距离。
其中，Triplet Loss损失函数的核心是基准样本、正样本、负样本共享模型，通过模型，将基准样本与正样本聚类，将基准样本远离负样本。
步骤150，确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量。
其中，所述数据库线上库保存历史数据，即保存历史上送单正确的收货地址对应的历史融合信息向量，可以保存距离当前时间最近的预设向量数量的历史融合信息向量。
服务器接收到待确认指令后，根据待确认指令中的订单标识检索到对应的订单详情，从订单详情中获取该订单标识对应的收货地址，并根据所述收货地址从数据库线上库中获取对应的历史融合信息向量。
步骤160，根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
通过对比所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
在本申请的一个实施例中，所述根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致，包括：确定所述融合信息向量与所述历史融合信息向量的置信度；若所述置信度大于或等于预设阈值，则确定所述当前所处位置与所述收货地址一致；若所述置信度小于所述预设阈值，则确定所述当前所处位置与所述收货地址不一致。
其中，所述融合信息向量与所述历史融合信息向量的置信度是指所述融合信息向量与所述历史融合信息向量的相似度。
若历史融合信息向量的数量多于一个，则分别计算融合信息向量与每个历史融合信息向量的相似度，并取多个相似度的均值作为所述融合信息向量与历史融合信息向量的置信度。由于历史融合信息向量都是正确的数据，通过计算融合信息向量与历史融合信息向量的置信度，根据置信度与预设阈值的比较结果，确定当前所处位置与收货地址是否一致，从而可以提高地址判定结果的准确性，提高送单准确性。
本申请实施例公开的地址检验方法，通过接收终端设备发送的待确认指令，所述待确认指令包括终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识，通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值，通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵，通过机器学习模型中的MLP对所述特征矩阵、位置信息和哈希值进行信息融合，得到融合信息向量，确定所述订单标识对应的收货地址，并从数据库线上库中获取与收货地址对应的历史融合信息向量，根据所述融合信息向量和历史融合信息向量，判定所述当前所处位置与收货地址是否一致。通过根据当前所处位置的位置信息、WIFI指纹和楼门图像得到的融合信息向量与历史融合信息向量进行匹配来判定当前所处位置与收货地址是否一致，不再依赖于送货人员对收货地址的主观判断，从而避免了人为错误，提高了地址判定结果的准确性，进而提高了送单准确性，而且不需要安装快递柜，只需要送货人员携带终端设备，从而节省了成本。
在上述技术方案的基础上，在根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致之后，还包括：若所述当前所处位置与所述收货地址一致，则返回确认信息给所述终端设备，并将所述融合信息向量存储至数据库灰度库中；若所述当前所处位置与所述收货地址不一致，则返回警报信息给所述终端设备，以指示所述终端设备发出警报。
其中，所述数据库灰度库用于存储作为过渡数据的融合信息向量，若在预设期限内没有接收到对应订单标识的错误投诉，可将该融合信息向量移至数据库线上库中，若在预设期限内接收到对应订单标识的错误投诉，则从数据库灰度库中删除该融合信息向量。
经过判断，确定当前所处位置与所述收货地址一致时，将融合信息向量存储至数据库灰度库中，并返回确认信息给终端设备，从而终端设备提示确认信息，送货人员可送货至所述当前所处位置。经过判断，确定当前所处位置与收货地址不一致，返回警报信息给终端设备，从而终端设备接收到该警报信息后发出警报，从而可以避免送错单。
在上述技术方案的基础上，在将所述融合信息向量存储至数据库灰度库中之后，还包括：若在预设期限内没有接收到所述订单标识对应的错误投诉，则将所述融合信息向量从所述数据库灰度库转移至所述数据库线上库中。若将融合信息向量存储在数据库灰度库中的时间到达预设期限时，没有接收到所述订单标识对应的错误投诉，则确定送单正确，将所述融合信息向量从所述数据库灰度库转移至数据库线上库中所述收货地址的对应位置，用于之后的地址检验，实现了对数据库线上库数据的动态更新。若在预设期限内接收到所述订单标识对应的错误投诉，则确定送单错误，所述融合信息向量错误，从而从所述数据库灰度库中删除所述融合信息向量，及时清理错误的信息，释放空间。若将所述融合信息向量从所述数据库灰度库中转移至所述数据库线上库之前，所述数据库线上库中所述收货地址对应的历史融合信息向量的数量为预设向量数量，则删除最先保存的一个历史融合信息向量，并将所述融合信息向量从所述数据库灰度库中转移至所述数据库线上库中，保证所述数据库线上库中的历史融合信息向量的数量不多于预设向量数量，保证地址检验时的处理速度。
实施例二
本实施例公开的一种地址检验装置，如图3所示，所述地址检验装置300包括：
指令接收模块310，用于接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；
哈希值计算模块320，用于通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值；
特征提取模块330，用于通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵；
信息融合模块340，用于通过所述机器学习模型中的多层感知机MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量；
历史数据获取模块350，用于确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量；
地址判定模块360，用于根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
可选的，所述装置还包括：
数据序列构造模块，用于将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；
样本构建模块，用于选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；
模型训练模块，用于基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
可选的，所述位置信息包括经纬度信息和海拔信息，通过所述终端设备中的GPS传感器和气压计采集得到。
可选的，所述地址判定模块包括：
置信度确定单元，用于确定所述融合信息向量与所述历史融合信息向量的置信度；
地址判定单元，用于若所述置信度大于或等于预设阈值，则确定所述当前所处位置与所述收货地址一致；若所述置信度小于所述预设阈值，则确定所述当前所处位置与所述收货地址不一致。
可选的，所述装置还包括：
数据存储模块，用于若所述当前所处位置与所述收货地址一致，则返回确认信息给所述终端设备，并将所述融合信息向量存储至数据库灰度库中；
警报返回模块，用于若所述当前所处位置与所述收货地址不一致，则返回警报信息给所述终端设备，以指示所述终端设备发出警报。
可选的，所述装置还包括：
数据更新模块，用于若在预设期限内没有接收到所述订单标识对应的错误投诉，则将所述融合信息向量从所述数据库灰度库转移至所述数据库线上库中。
本申请实施例提供的地址检验装置，用于实现本申请实施例一中所述的地址检验方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。
本申请实施例公开的地址检验装置，通过指令接收模块接收终端设备发送的待确认指令，所述待确认指令包括终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识，哈希值计算模块通过机器学习模型中的哈希计算模块计算WIFI指纹的哈希值，特征提取模块通过机器学习模型中的卷积神经网络提取楼门图像的特征，得到特征矩阵，信息融合模块通过机器学习模型中的MLP对所述特征矩阵、位置信息和哈希值进行信息融合，得到融合信息向量，历史数据获取模块确定所述订单标识对应的收货地址，并从数据库线上库中获取与收货地址对应的历史融合信息向量，地址判定模块根据所述融合信息向量和历史融合信息向量，判定所述当前所处位置与收货地址是否一致。通过根据当前所处位置的位置信息、WIFI指纹和楼门图像得到的融合信息向量与历史融合信息向量进行匹配来判定当前所处位置与收货地址是否一致，不再依赖于送货人员对收货地址的主观判断，从而避免了人为错误，提高了地址判定结果的准确性，进而提高了送单准确性，而且不需要安装快递柜，只需要送货人员携带终端设备，从而节省了成本。
相应的，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现如本申请实施例一所述的地址检验方法。所述电子设备可以为服务器等。
本申请实施例还公开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申请实施例一所述的地址检验方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本申请实施例提供的一种地址检验方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。

Claims (10)

1.一种地址检验方法，其特征在于，包括：
接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；其中，所述位置信息包括经纬度信息和海拔信息，所述WIFI指纹包括当前搜索到WIFI信号的所有WIFI名称和对应的信号强度；
通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值；
通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵；
通过所述机器学习模型中的多层感知机MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量；
确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量；
根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
2.根据权利要求1所述的方法，其特征在于，在通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值之前，还包括：
将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；
选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；
基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
3.根据权利要求1所述的方法，其特征在于，所述经纬度信息和海拔信息，通过所述终端设备中的全球定位系统GPS传感器和气压计采集得到。
4.根据权利要求1所述的方法，其特征在于，所述根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致，包括：
确定所述融合信息向量与所述历史融合信息向量的置信度；
若所述置信度大于或等于预设阈值，则确定所述当前所处位置与所述收货地址一致；
若所述置信度小于所述预设阈值，则确定所述当前所处位置与所述收货地址不一致。
5.根据权利要求1所述的方法，其特征在于，在根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致之后，还包括：
若所述当前所处位置与所述收货地址一致，则返回确认信息给所述终端设备，并将所述融合信息向量存储至数据库灰度库中；
若所述当前所处位置与所述收货地址不一致，则返回警报信息给所述终端设备，以指示所述终端设备发出警报。
6.根据权利要求5所述的方法，其特征在于，在所述将所述融合信息向量存储至数据库灰度库中之后，还包括：
若在预设期限内没有接收到所述订单标识对应的错误投诉，则将所述融合信息向量从所述数据库灰度库转移至所述数据库线上库中。
7.一种地址检验装置，其特征在于，包括：
指令接收模块，用于接收终端设备发送的待确认指令，所述待确认指令包括所述终端设备当前所处位置的位置信息、WIFI指纹、楼门图像和对应的订单标识；其中，所述位置信息包括经纬度信息和海拔信息，所述WIFI指纹包括当前搜索到WIFI信号的所有WIFI名称和对应的信号强度；
哈希值计算模块，用于通过机器学习模型中的哈希计算模块计算所述WIFI指纹的哈希值；
特征提取模块，用于通过所述机器学习模型中的卷积神经网络提取所述楼门图像的特征，得到特征矩阵；
信息融合模块，用于通过所述机器学习模型中的多层感知机MLP对所述特征矩阵、位置信息和所述哈希值进行信息融合，得到融合信息向量；
历史数据获取模块，用于确定所述订单标识对应的收货地址，并从数据库线上库中获取与所述收货地址对应的历史融合信息向量；
地址判定模块，用于根据所述融合信息向量和所述历史融合信息向量，判定所述当前所处位置与所述收货地址是否一致。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
数据序列构造模块，用于将每一收货地址对应的历史位置信息、历史WIFI指纹和历史楼门图像构造为一个或多个数据序列；
样本构建模块，用于选取同一收货地址对应的两个数据序列，分别作为基准样本和正样本，选取其他收货地址对应的数据序列，作为负样本，并将所述基准样本、正样本和负样本组成为三元组样本；
模型训练模块，用于基于所述三元组样本对机器学习模型进行训练，使得所述机器学习模型的输出为融合信息向量，并在训练过程中使用Triplet Loss损失函数来约束基准样本分别与正样本和负样本的距离。
9.一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现权利要求1至6任意一项所述的地址检验方法。
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权利要求1至6任意一项所述的地址检验方法的步骤。
CN201910749602.XA 2019-08-14 2019-08-14 地址检验方法、装置、电子设备及存储介质 Active CN110619497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910749602.XA CN110619497B (zh) 2019-08-14 2019-08-14 地址检验方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910749602.XA CN110619497B (zh) 2019-08-14 2019-08-14 地址检验方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110619497A CN110619497A (zh) 2019-12-27
CN110619497B true CN110619497B (zh) 2022-03-29

Family

ID=68921945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910749602.XA Active CN110619497B (zh) 2019-08-14 2019-08-14 地址检验方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110619497B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379338A (zh) * 2020-02-25 2021-09-10 北京京东振世信息技术有限公司 用于验证货物接收的方法、装置、设备和计算机可读介质
CN112465036A (zh) * 2020-11-30 2021-03-09 上海寻梦信息技术有限公司 地址匹配模型的训练方法、代收地址确定方法及相关设备
CN115271834B (zh) * 2022-09-29 2023-02-03 平安银行股份有限公司 房屋的定位方法、装置、计算机设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134145A (zh) * 2013-05-02 2014-11-05 北京京东尚科信息技术有限公司 收货地址纠错方法及系统
CN106204186A (zh) * 2016-06-22 2016-12-07 北京小米移动软件有限公司 订单信息确定方法及装置
WO2018072556A1 (zh) * 2016-10-18 2018-04-26 无锡知谷网络科技有限公司 物品的物流控制方法和电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134145A (zh) * 2013-05-02 2014-11-05 北京京东尚科信息技术有限公司 收货地址纠错方法及系统
CN106204186A (zh) * 2016-06-22 2016-12-07 北京小米移动软件有限公司 订单信息确定方法及装置
WO2018072556A1 (zh) * 2016-10-18 2018-04-26 无锡知谷网络科技有限公司 物品的物流控制方法和电子设备

Also Published As

Publication number Publication date
CN110619497A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN110619497B (zh) 地址检验方法、装置、电子设备及存储介质
TWI716012B (zh) 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置
JP6807268B2 (ja) 画像認識エンジン連携装置およびプログラム
IL280176B (en) Determining a request's category by a word vector representation of a natural language text string with a similarity value
CN110737798B (zh) 室内巡检方法及相关产品
CN110335313B (zh) 音频采集设备定位方法及装置、说话人识别方法及系统
JP5229912B2 (ja) 物体認識装置および物体認識方法
CN112926462B (zh) 训练方法、装置、动作识别方法、装置及电子设备
US20180032793A1 (en) Apparatus and method for recognizing objects
CN112651298A (zh) 基于手指关节定位的点读方法、装置、系统及介质
CN112686322A (zh) 零件差异识别方法、装置、设备及存储介质
CN110470296A (zh) 一种定位方法、定位机器人及计算机存储介质
CN114332435A (zh) 一种基于三维重建的图像标注方法及装置
CN110532895B (zh) 人脸识别过程中的欺诈行为检测方法、装置及设备
CN113673288A (zh) 空闲车位检测方法、装置、计算机设备及存储介质
CN111401461A (zh) 酒品信息管理方法、装置、计算机设备以及存储介质
CN114022684B (zh) 人体姿态估计方法及装置
US20220051436A1 (en) Learning template representation libraries
CN114841255A (zh) 检测模型的训练方法、装置、设备、存储介质及程序产品
US11610328B2 (en) Method and apparatus for identifying item
CN116295466A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN114882213A (zh) 一种基于图片识别的动物体重预测估算系统
CN113984055A (zh) 室内导航定位方法和相关装置
CN111291738A (zh) 前端页面图像中的元素提取方法、装置及电子设备
US11928861B1 (en) Generating mapping information based on image locations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221019

Address after: 100102 4th floor 01, building 6, courtyard 6, Wangjing East Road, Chaoyang District, Beijing

Patentee after: Beijing Sankuai Network Technology Co.,Ltd.

Patentee after: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd.

Address before: 100083 2106-030, 9 North Fourth Ring Road, Haidian District, Beijing.

Patentee before: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right