CN113556697A - 基于手机信令的快递员识别方法及相关装置 - Google Patents
基于手机信令的快递员识别方法及相关装置 Download PDFInfo
- Publication number
- CN113556697A CN113556697A CN202110825490.9A CN202110825490A CN113556697A CN 113556697 A CN113556697 A CN 113556697A CN 202110825490 A CN202110825490 A CN 202110825490A CN 113556697 A CN113556697 A CN 113556697A
- Authority
- CN
- China
- Prior art keywords
- person
- identified
- area
- courier
- analyzed
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供的基于手机信令的快递员识别方法及相关装置中,电子设备获取待识别人员的通话区域特征以及空间行为特征,其中,通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,空间行为特征表征待识别人员的出行轨迹信息以及出行时间信息;当通话区域特征以及空间行为特征满足预设匹配条件,则确定待识别人员为快递员。由于在识别快递人员时,引入了时空信息,因此,能够提升识别时的精度。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种基于手机信令的快递员识别方法及相关装置。
背景技术
在一些应用场景中,需要从众多用户的号码中识别出快递人员。例如,智能通话录或者统计区域内灵活就业人口的数量。
相关识别快递人员的方法中,主要基于通话行为中与快递员相关的通信指标进行识别判断。发明人研究发现,该方式容易受到其他通话记录的干扰,继而在识别快递员时存在精度欠佳的问题。
发明内容
为了克服现有技术中的至少一个不足,本申请实施例提供一种基于手机信令的快递员识别方法及相关装置。其中,具体包括:
第一方面,本实施例提供一种基于手机信令的快递员识别方法,应用于电子设备,所述方法包括:
获取待识别人员的通话区域特征以及空间行为特征,其中,所述通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,所述空间行为特征表征所述待识别人员的出行轨迹信息以及出行时间信息;
当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员。
第二方面,本实施例提供一种基于手机信令的快递员识别装置,应用于电子设备,所述基于手机信令的快递员识别装置包括:
特征获取模块,用于获取待识别人员的通话区域特征以及空间行为特征,其中,所述通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,所述空间行为特征表征所述待识别人员的出行轨迹信息以及出行时间信息;
身份判断模块,用于当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员。
第三方面,本实施例提供一种电子设备,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述的基于手机信令的快递员识别方法。
第四方面,本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的于手机信令的快递员识别方法。
相对于现有技术而言,本申请具有以下有益效果:
本实施例提供的基于手机信令的快递员识别方法及相关装置中,电子设备获取待识别人员的通话区域特征以及空间行为特征,其中,所述通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,所述空间行为特征表征所述待识别人员的出行轨迹信息以及出行时间信息;当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员。由于在识别快递人员时,引入了时空信息,因此,能够提升识别时的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的电子设备结构示意图;
图2为本申请实施例提供的基于手机信令的快递员识别方法的流程示意图;
图3为本申请实施例提供的子步骤流程示意图;
图4为本申请实施例提供的基于手机信令的快递员识别装置的结构示意图。
图标:120-存储器;130-处理器;140-通信装置;201-特征获取模块;202-身份判断模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,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。
应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
在一些应用场景中,需要从众多用户的号码中识别出快递人员,而相关的技术中,主要基于通话行为中与快递员相关的通信指标(例如,通话频次、通话时长、通话时间分布等)进行识别判断。该方式需要依赖于大量的通话数据,当运营商因计费方式原因导致话单数据缺失,或者非快递员的通信指标与快递员的通信指标较为接近时,会降低识别结果的精度。
鉴于此,为了至少部分解决上述技术问题,本实施例提供一种基于手机信令的快递员识别方法。该方法中,电子设备利用快递员的通话行为具有时空稳定性的特点,提高对快递员的识别精度。
其中,该电子设备可以是,但不限于,服务器、用户终端等。其中,当该电子设备是服务器时,该服务器的类型可以是,但不限于,Web(网站)服务器、FTP(File TransferProtocol,文件传输协议)服务器、数据处理服务器等。此外,该服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。在一些实施例中,服务器相对于用户终端,可以是本地的、也可以是远程的。在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等,或者它们的任意组合。在一些实施例中,服务器可以在具有一个或多个组件的电子设备上实现。
当该电子设备是用户终端时,该用户终端的类型可以是,但不限于,移动终端、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动终端可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。
本实施例还提供该电子设备的一种结构示意图。如图1所示,该电子设备包括存储器120、处理器130。
该存储器120、处理器130以及其他可能的各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,该存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器120用于存储程序,该处理器130在接收到执行指令后,执行该程序。
该处理器130可能是一种集成电路芯片,具有信号的处理能力,并且,该处理器可以包括一个或多个处理核(例如,单核处理器或多核处理器)。仅作为举例,上述处理器可以包括中央处理单元(CentralProcessing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(DigitalSignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
如图1所示,在一些实现方式中,该电子设备还包括通信装置140。该通信装置140用于通过网络收发数据。网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
基于上述关于电子设备的先关介绍,本实施例还提供该基于手机信令的快递员识别方法的步骤流程示意图。如图2所示,该方法包括:
步骤S101,获取待识别人员的通话区域特征以及空间行为特征。
其中,通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,空间行为特征表征待识别人员的出行轨迹信息以及出行时间信息。
本实施例中,待识别人员的通话区域特征以及空间行为特征可以基于待识别用户的手机信令信息进行统计获得。其中,手机信令信息可以从运营商获得。例如,电子设备可以根据通话时的信令信息,获得被呼叫人员所处的区域;或者,与被呼叫人员进行通话的时间。当然,电子设备还可以根据手机信令信息中的基站信息以及时刻信息,确定待识别用户在通信基站的通信范围内驻留的时长,当该时长超过设定的时长阈值时,则将该通信基站的位置作为出行轨迹的起点或者终点。
而应理解的是,快递员通常往返于配送站与取递点(即用户取快递的地方)之间,而每个取递点又服务于特定人口聚集区域内的用户。因此,快递员的被呼叫人员会集中在特定的人口聚集区域。并且,快递员送件的时间也具有稳定性。例如,通常集中在中午11点-12点,或者下午4点-5点。因此,快递员的通话行为具有稳定的时空特定。
步骤S102,当通话区域特征以及空间行为特征满足预设匹配条件,则确定待识别人员为快递员。
即本实施例中,针对待识别用户的通话区域特征以及空间行为特征设定相应的匹配条件。在一种实现方式中,电子设备分别为通话区域特征以及空间行为特征配置有相应的权重,然后,将区域特征以及空间行为特征进行量化后,使用各自的权重进行加权求和,以获得加权特征;当加权特征满足预设匹配条件,则确定该待识别人员为快递员。
例如,该匹配条件可以是设定的阈值,当加权特征大于该设定的阈值时,则确定待识别人员为快递人员。
基于上述设计,电子设备获取待识别人员的通话区域特征以及空间行为特征,其中,通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,空间行为特征表征待识别人员的出行轨迹信息以及出行时间信息;当通话区域特征以及空间行为特征满足预设匹配条件,则确定待识别人员为快递员。由于在识别快递人员时,引入了时空信息,因此,能够提升识别时的精度。
为了从待识别人员的出行轨迹信息与出行时间信息中发掘出能够反映快递员身份的特征信息,本实施例中,从时空融合的角度将与配送快递行为相关的特征进行了深度的融合,以提高对快递人员的识别精度。首先,考虑到待分析区域的用户多集中在有限的特定几个人口聚集区域。因此,本实施例中通过以下方式获得待识别人员的通话区域特征。如图3所示,步骤S101,包括:
步骤S101-1,获取每个被呼叫人员的位置。
步骤S101-2,根据每个被呼叫人员的位置,确定每个人口聚集区域中的被呼叫人员数量。
示例性的,假定待识别用户在1个月中的被呼叫人员包括100人;且至少一个人口聚集区域包括区域A,区域B,区域C,区域D。其中,20个被呼叫人员位于区域A中,30个被呼叫人员位于区域B,15个被呼叫人员位于区域C中,10个被呼叫人员位于区域D;剩余的25个被呼叫人员则位于其他区域中,不纳入统计。值得说明的是,被呼叫人员不仅限于被呼叫人员在一个月内的通话记录,还可以是2个月或者3个月,本实施不做具体的限定,本领域技术人员可以根据需要进行适应性调整。
步骤S101-3,将每个人口聚集区域中的被呼叫人员数量进行归一化,获得通话区域特征。
继续以上述100个被呼叫人员为例,该电子设备针对每个人口聚集区域设定相应的人口阈值。假定各人口聚集区域的阈值为15;由于区域A包括有20个被呼叫人员,电子设备则将区域A归一化为1,同理,区域B、区域C也被归一化为1;而区域D仅包括10个被呼叫人员,则通过10/15的方式进行归一化。
最后,该电子设备将上述“1、1、1、10/15”作为通话区域特征;并对通话区域特征中的各参数进行求和,获得第一影响因素。
此外,值得说明的是,本实施例中,电子设备通过聚类分析的方式,确定出人口聚集区域。具体方式包括:
该电子设备获取待分析区域内的人口分布信息;然后,根据人口分布信息,将待分析区域划分成多个候选区域;从多个候选区域中确定出至少一个人口聚集区域。
其中,在根据人口分布信息,将待分析区域划分成多个候选区域时,该电子设备依据人口之间的分布距离,将小于距离阈值的人口归为一类,如此,将待分析区域划分成多个候选区域。并且,作为一种实现方式,本实施中,选取人口数量前4名的候选区域,作为上述人口聚集区域。
可选地,本实施例通过下述方式获取空间行为特征,如图3所示,步骤S101还包括:
步骤S101-4,获取待识别人员在第一预设时段内的待分析轨迹。
步骤S101-5,针对每条待分析轨迹,获取待分析轨迹的出行频次在第二时段内频次分布。
其中,在一种可能的实现方式中,该待分析轨迹的起点以及终点可以是任意区域;在另外一种可能的实现方式中,待分析轨迹的起点以及终点需要至少一个位于上述人口聚集区域。
下面以待分析轨迹的起点以及终点是任意区域为例进行示例性说明。假定上述第一预设时段为1个月,第二时段为一天当中的24小时;并且,该待识别用户在这1个月内,前往过地点A,地点B,地点C,地点D,地点E,地点F,地点G。
而其中,“地点A-地点B”的出行频次为70次,“地点C-地点D”的出行频次为57次,“地点E-地点F”的出行频次为45,“地点G-地点A”的出行频次为37次,“地点A-地点E”的出行频次为18次;“地点D-地点F”的出行频次为16次;“地点F-地点C”的出行频次为15次。
本实施例中,为了提高对快递员的识别精度,对上述出行轨迹进行了预处理。具体包括,考虑到快递员在1个月中,几乎每天都会进行派件;因此,若出行轨迹属于派件轨迹,其出行频次必定接近于一个月。因此,本实施例中,将频次阈值设置为20,将少于20的出行轨迹进行了剔除,即将上述“地点A-地点E”、“地点D-地点F”、“地点F-地点C”剔除。
进一步的,还考虑到快递员派件通常会分为上午和下午,因此,将频次中仅分布在上午或者仅分布在下午的出行轨迹剔除;假定“地点G-地点A”属于出行频次仅分布在上午,因此,将其剔除。将剩余的轨迹称为待分析轨迹。
步骤S101-6,根据第二时段内的频次分布以及第二时段内的出行时段的概率分布,获得待分析轨迹的出行期望。
继续以上述示例进行说明,针对剩下的待分析轨迹“地点A-地点B”、“地点C-地点D”、“地点E-地点F”,下面以其中的“地点A-地点B”为例进行说明。
假定1天当中的24小时,将早上6点到晚上6点这12个小时作为第二时段内,以2小时为一个分割单元,将这12个小时拆分成6个出行时段,并且,假定这6个出行时段的概率分布可以为:
“6点-8点10%”、“8点-10点40%”、“10点-12点10%”、“12点-14点10%”、“14点-16点10%”、“16点-18点20%”。
其中,“6点-8点10%”表示6点-8点的概率为10%。
假定“地点A-地点B”的70次出行频次中,在这6个出行时段的频次分布可以是:
6点-8点的频次为5次,8点-10点的频次为20次,10点-12点的频次为5次,12点-14点的频次为3次,14点-16点的频次为2次,16点-18点的批次为35次。则“地点A-地点B”这条轨迹的出行期望E的表达式为:
E=5*10%+20*40%+5*10%+3*10%+2*10%+35*20%。
此外,为了提高出行期望的客观程度,同时加强出行期望中快递员派件时段的权重,弱化非派件时段对出行期望的影响。本实施中还可以划分颗粒度更小的出行时段,即将1天当中的24小时划分24个出行时段,并且,每个出行时段的概率分布如下:
“0点0%”、“2点0%”、“3点0%”、“4点0%”、“5点0%”、“6点10%”、“7点80%”、“8点90%”、“9点20%”、“10点10%”、“11点10%”、“12点10%”、“13点60%”、“14点90%”、“15点60%”、“14点90%”、“15点60%”、“16点20%”、“17点10%”、“18点10%”、“19点10%”、“20点0%”、“21点0%”、“22点0%”、“23点0%”。
其中,“0点0%”表示在0的概率是0%。
假定“地点A-地点B”的70次出行频次中,在这24个出行时段的频次分布可以是:
6点的频次为5次,8点的频次为20次,10点的频次为5次,12点的频次为3次,14点的频次为2次,16点的批次为35次。则“地点A-地点B”这条轨迹的出行期望E的表达式为:
E=5*10%+20*90%+5*10%+3*10%+2*90%+35*20%。
步骤S101-7,将每条待分析轨迹的出行期望进行归一化,获得出行时间的期望分布,其中,出行时间的期望分布表征待识别人员的出行时间信息。
作为一种对出行期望进行归一化的方式,本实施例中,该电子设备提供一期望阈值;当出行轨迹的出行期望大于该期望阈值,则将该条出行轨迹的出行期望置为1;当该条出行轨迹的出行期望小于该期望阈值时,则将该条出行轨迹的出行期望除以出行期望,将比值作为该条出行轨迹的出行期望。
最后,该电子设备将每条待分析轨迹的期望分布进行求和,将其作为第二影响因素。
可选地,本实施例还通过以下方式统计待识别人员出行轨迹与上述至少一个人口聚集区域之间的关系。请继续参见图3,步骤S101还包括:
步骤S101-8,针对每条待分析轨迹,获取待分析轨迹的起点以及终点。
步骤S101-9,确定待分析轨迹的起点以及终点与至少一个人口聚集区域的重合数量。
步骤S101-10,将每条待分析轨迹的重合数量进行归一化,获得出行轨迹的空间分布,其中,出行轨迹的空间分布表征待识别人员的出行轨迹信息。
示例性的,继续以上述待分析轨迹“点A-地点B”、“地点C-地点D”、“地点E-地点F”以及人口聚集区域包括区域A,区域B,区域C,区域D为例进行说明。
假定地点A位于区域A中,地点B位于区域B中,地点C位于区域C中,而地点D、地点E、地点F未位于上述人口聚集区域。因此,待分析轨迹“点A-地点B”与人口聚集区域重合的数量为2,“地点C-地点D”与人口聚集区域重合的数量为1,“地点E-地点F”与人口聚集区域重合的数量为0。
最后,电子设备将上述数量“2、1、0”作为出行轨迹的空间分布,并对其进行求和,将求和结果作为第三影响因数。
其中,上述获得的第一影响因素、第二影响因素以及第三影响因素即为量化后的区域特征以及空间行为特征;该电子设备通过预先配置的权重进行加权求和,将求和结果作为加权特征。
本实施例中,除了将加权特征与设定的阈值进行比较,以确定待识别人员是否为快递员,还提供另外一种实施方式。即该电子设备获取所有待识别人员的加权特征,按照从大到小的顺序进行排序;然后,依据待分析区域中所有快递员的目标数量x,将排序结果中位于前x名的待识别人员判定为快递人员。
根据与基于手机信令的快递员识别方法相同的发明构思,本实施还提供相关装置。具体包括:
本实施例还提供一种基于手机信令的快递员识别装置,基于手机信令的快递员识别装置包括至少一个可以软件形式存储于存储器120中的功能模块。如图4所示,从功能上划分,基于手机信令的快递员识别装置可以包括:
特征获取模块201,用于获取待识别人员的通话区域特征以及空间行为特征,其中,通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,空间行为特征表征待识别人员的出行轨迹信息以及出行时间信息。
本实施例中,该特征获取模块201用于实现图2中的步骤S101,关于该特征获取模块201的详细描述,可以参见步骤S101的详细描述。
身份判断模块202,用于当通话区域特征以及空间行为特征满足预设匹配条件,则确定待识别人员为快递员。
本实施例中,该身份判断模块202用于实现图2中的步骤S102,关于该身份判断模块202的详细描述,可以参见步骤S102的详细描述。
此外,值得说明的是,该基于手机信令的快递员识别装置还可以包括其他软件功能模块,用于实现基于手机信令的快递员识别方法的其他步骤或者子步骤;同理,上述特征获取模块201以及身份判断模块202同样还可以用于实现基于手机信令的快递员识别方法的其他步骤或者子步骤;本领域可以依据不同的模块划分标准对该装置进行划分,本实施例不对此做具体的限定。
本实施例还提供一种电子设备,电子设备包括处理器以及存储器,存储器存储有计算机程序,计算机程序被处理器执行时,实现所述的基于手机信令的快递员识别方法。
本实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时,实现所述的于手机信令的快递员识别方法。
综上所述,本实施例提供的基于手机信令的快递员识别方法及相关装置中,电子设备获取待识别人员的通话区域特征以及空间行为特征,其中,通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,空间行为特征表征待识别人员的出行轨迹信息以及出行时间信息;当通话区域特征以及空间行为特征满足预设匹配条件,则确定待识别人员为快递员。由于在识别快递人员时,引入了时空信息,因此,能够提升识别时的精度。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于手机信令的快递员识别方法,其特征在于,应用于电子设备,所述方法包括:
获取待识别人员的通话区域特征以及空间行为特征,其中,所述通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,所述空间行为特征表征所述待识别人员的出行轨迹信息以及出行时间信息;
当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员。
2.根据权利要求1所述的基于手机信令的快递员识别方法,其特征在于,所述获取待识别人员的通话区域特征,包括:
获取每个所述被呼叫人员的位置;
根据每个所述被呼叫人员的位置,确定每个所述人口聚集区域中的被呼叫人员数量;
将每个所述人口聚集区域中的被呼叫人员数量进行归一化,获得所述通话区域特征。
3.根据权利要求1-2任意一项所述的基于手机信令的快递员识别方法,其特征在于,所述获取待识别人员的空间行为特征,包括:
获取所述待识别人员在第一预设时段内的待分析轨迹;
针对每条所述待分析轨迹,获取所述待分析轨迹的出行频次在第二时段内频次分布;
根据所述第二时段内的频次分布以及所述第二时段内的出行时段的概率分布,获得所述待分析轨迹的出行期望;
将每条所述待分析轨迹的出行期望进行归一化,获得出行时间的期望分布,其中,所述出行时间的期望分布表征所述待识别人员的出行时间信息。
4.根据权利要求3所述的基于手机信令的快递员识别方法,其特征在于,所述获取待识别人员的空间行为特征,还包括:
针对每条所述待分析轨迹,获取所述待分析轨迹的起点以及终点;
确定所述待分析轨迹的起点以及终点与所述至少一个人口聚集区域的重合数量;
将每条所述待分析轨迹的重合数量进行归一化,获得出行轨迹的空间分布,其中,所述出行轨迹的空间分布表征所述待识别人员的出行轨迹信息。
5.根据权利要求1所述的基于手机信令的快递员识别方法,其特征在于,所述获取待识别人员的通话区域特征以及空间行为特征之前,所述方法还包括:
获取待分析区域内的人口分布信息;
根据所述人口分布信息,将所述待分析区域划分成多个候选区域;
从所述多个候选区域中确定出所述至少一个人口聚集区域。
6.根据权利要求5所述的基于手机信令的快递员识别方法,其特征在于,所述获取待分析区域内的人口分布信息,包括:
获取所述待分析区域内的手机信令信息;
统计所述手机信令信息,获得所述待分析区域内的人群分布信息。
7.根据权利要求1所述的基于手机信令的快递员识别方法,其特征在于,所述当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员,包括:
获取所述通话区域特征与所述空间行为特征之间的加权特征;
当所述加权特征满足所述预设匹配条件,则确定所述待识别人员为快递员。
8.一种基于手机信令的快递员识别装置,其特征在于,应用于电子设备,所述基于手机信令的快递员识别装置包括:
特征获取模块,用于获取待识别人员的通话区域特征以及空间行为特征,其中,所述通话区域特征表征被呼叫人员在至少一个人口聚集区域的分布信息,所述空间行为特征表征所述待识别人员的出行轨迹信息以及出行时间信息;
身份判断模块,用于当所述通话区域特征以及所述空间行为特征满足预设匹配条件,则确定所述待识别人员为快递员。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1-7任一项所述的基于手机信令的快递员识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任意一项所述的于手机信令的快递员识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825490.9A CN113556697B (zh) | 2021-07-21 | 2021-07-21 | 基于手机信令的快递员识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825490.9A CN113556697B (zh) | 2021-07-21 | 2021-07-21 | 基于手机信令的快递员识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113556697A true CN113556697A (zh) | 2021-10-26 |
CN113556697B CN113556697B (zh) | 2022-04-26 |
Family
ID=78132289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110825490.9A Active CN113556697B (zh) | 2021-07-21 | 2021-07-21 | 基于手机信令的快递员识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113556697B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320525A (zh) * | 2014-09-19 | 2015-01-28 | 小米科技有限责任公司 | 电话号码识别方法及装置 |
CN105160871A (zh) * | 2015-06-15 | 2015-12-16 | 北京拓明科技有限公司 | 一种高速公路客车临时上下人识别的方法 |
CN109274834A (zh) * | 2018-09-27 | 2019-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于通话行为的快递号码识别方法 |
CN109429230A (zh) * | 2017-08-28 | 2019-03-05 | 中国移动通信集团浙江有限公司 | 一种通信诈骗识别方法及系统 |
CN110969209A (zh) * | 2019-11-29 | 2020-04-07 | 北京明略软件系统有限公司 | 一种陌生人识别方法、装置、电子设备及存储介质 |
CN112001829A (zh) * | 2020-08-14 | 2020-11-27 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的人口分布判断方法 |
-
2021
- 2021-07-21 CN CN202110825490.9A patent/CN113556697B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320525A (zh) * | 2014-09-19 | 2015-01-28 | 小米科技有限责任公司 | 电话号码识别方法及装置 |
CN105160871A (zh) * | 2015-06-15 | 2015-12-16 | 北京拓明科技有限公司 | 一种高速公路客车临时上下人识别的方法 |
CN109429230A (zh) * | 2017-08-28 | 2019-03-05 | 中国移动通信集团浙江有限公司 | 一种通信诈骗识别方法及系统 |
CN109274834A (zh) * | 2018-09-27 | 2019-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于通话行为的快递号码识别方法 |
CN110969209A (zh) * | 2019-11-29 | 2020-04-07 | 北京明略软件系统有限公司 | 一种陌生人识别方法、装置、电子设备及存储介质 |
CN112001829A (zh) * | 2020-08-14 | 2020-11-27 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的人口分布判断方法 |
Non-Patent Citations (1)
Title |
---|
方珊珊: "基于手机信令数据的快递人员辨识方法", 《北京工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113556697B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093141B (zh) | 产品对象的处理方法和装置 | |
US20050003835A1 (en) | Method of providing location based information to a mobile terminal within a communications network | |
CN110166943A (zh) | 终端位置信息的处理方法 | |
EP3364633A1 (en) | Method and device for identifying address type | |
CN102438205A (zh) | 一种基于移动用户行为的业务推送的方法与系统 | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN106327236B (zh) | 一种确定用户行动轨迹的方法及装置 | |
CN113556697B (zh) | 基于手机信令的快递员识别方法及相关装置 | |
CN114626939A (zh) | 授信处理方法、装置、电子设备及存储介质 | |
CN109951838B (zh) | 识别双卡槽双卡用户的方法、装置、设备及介质 | |
CN112035548A (zh) | 识别模型的获取方法、识别方法、装置、设备及介质 | |
CN111339333A (zh) | 基于历史乘坐记录的优先人脸数据库的构建方法及装置 | |
CN111428197A (zh) | 数据处理方法、装置及设备 | |
US11950173B2 (en) | Method of determining shared service index based on shared service of communication credential | |
CN109903006A (zh) | 楼盘的报备方法、装置、设备及计算机可读存储介质 | |
JP2016048529A (ja) | 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法 | |
CN108921385A (zh) | 基于自然人的维系方法及系统 | |
CN110544104B (zh) | 帐号的确定方法、装置、存储介质及电子装置 | |
CN109753599B (zh) | 推荐业务的方法和装置 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN106204143A (zh) | 获取设备特征id方法和系统及用之判断虚拟设备的方法 | |
CN107770734B (zh) | 移动用户常驻地识别方法及装置 | |
CN113642807B (zh) | 人口流动预测方法及相关装置 | |
CN111160977A (zh) | 用户关系兴趣特征图的获取方法、装置、设备及介质 |
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 |