CN115292503A - 物流信息识别方法、装置、设备及介质 - Google Patents
物流信息识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115292503A CN115292503A CN202211081217.0A CN202211081217A CN115292503A CN 115292503 A CN115292503 A CN 115292503A CN 202211081217 A CN202211081217 A CN 202211081217A CN 115292503 A CN115292503 A CN 115292503A
- Authority
- CN
- China
- Prior art keywords
- logistics
- information
- target
- attribute
- coding
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004364 calculation method Methods 0.000 claims abstract description 77
- 230000009467 reduction Effects 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种物流信息识别方法、装置、设备及介质,可以应用于人工智能技术领域和智慧物流领域。该物流信息识别方法包括:将物流信息进行降维处理,得到降维后的物流特征信息;将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果,其中,物流属性识别结果用于表征物流信息中目标产品的物流属性类型。
Description
技术领域
本公开涉及人工智能技术领域和智慧物流领域,更具体地,涉及一种物流信息识别方法、装置、设备、介质及程序产品。
背景技术
物流信息可以是用于表征货物的货物属性信息,例如货物的名称、体积、重量等属性信息,物流信息还可以用于表征货物在仓储、运输等物流过程中产生的物流属性信息,物流属性信息例如可以包括货物的运输方式、仓储方式等。物流信息可以通过运单标志位信息的方式存储与物流管理系统中,可以通过识别记载在物流管理系统中的运单标志位信息来实现识别物流信息所表征的物流属性信息、货物属性信息。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:由于物流信息通常基于不同的规则形式记载,针对物流信息的识别的准确率较低,且得到识别结果的计算时长较长,难以满足实际需求。
发明内容
有鉴于此,本公开提供了一种物流信息识别方法、装置、设备、介质及程序产品。
本公开的一个方面提供了一种物流信息识别方法,包括:
将物流信息进行降维处理,得到降维后的物流特征信息;
将上述物流特征信息输入至物流属性识别模型,得到上述物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;
从线程池中调用目标线程并行处理多个上述计算任务,得到上述物流属性识别模型输出的物流属性识别结果,其中,上述物流属性识别结果用于表征上述物流信息中目标产品的物流属性类型。
根据本公开的实施例,将物流信息进行降维处理,得到降维后的物流特征信息包括:
基于预设降维算法对上述物流信息进行降维处理,得到上述物流特征信息;
其中,上述预设降维算法包括以下至少一项:主成分分析算法、线性判别分析算法、因子分析算法。
根据本公开的实施例,将物流信息进行降维处理,得到降维后的物流特征信息包括:
对上述物流信息进行编码处理,得到物流编码信息;
根据上述物流编码信息的编码均值信息和编码方差信息,确定与上述物流编码信息关联的标准物流编码信息;
利用协方差矩阵处理上述标准物流编码信息,得到编码特征值与编码特征向量;
根据上述编码特征值与上述编码特征向量,确定上述物流特征信息。
根据本公开的实施例,上述计算任务包括N个;
从线程池中调用目标线程并行处理多个上述计算任务,得到上述物流属性识别模型输出的物流属性识别结果包括:
从上述线程池中调用M个目标线程处理计算任务队列中的M个目标计算任务,得到上述目标计算任务各自的计算任务结果,其中,上述计算任务队列根据多个上述计算任务构成,上述目标线程为上述线程池中处于空闲状态的线程,N>M≥1;
在上述目标计算任务得到计算任务结果后,处理上述目标计算任务的目标线程返回线程池中,以便重复处理上述计算任务队列中新的目标计算任务,直至N个上述计算任务中的每个计算任务均得到各自的计算任务结果;以及
根据N个上述计算任务各自的计算任务结果,确定上述物流属性识别结果。
根据本公开的实施例,在将物流信息进行降维处理之前,上述物流信息识别方法还包括:
根据预设规则对上述物流信息进行补全,得到具有预设字符长度的物流信息。
根据本公开的实施例,上述物流信息包括运单标志位信息;以及上述物流属性识别结果包括产品条线识别结果。
根据本公开的实施例,上述物流属性识别模型包括以下至少一项:
径向基函数神经网络模型、多层感知器神经网络模型。
本公开的另一个方面提供了一种物流信息识别装置,包括:
降维处理模块,用于将物流信息进行降维处理,得到降维后的物流特征信息;
计算任务确定模块,用于将上述物流特征信息输入至物流属性识别模型,得到上述物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;
识别模块,用于从线程池中调用目标线程并行处理多个上述计算任务,得到上述物流属性识别模型输出的物流属性识别结果,其中,上述物流属性识别结果用于表征上述物流信息中目标产品的物流属性类型。
本公开的另一个方面提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,因为采用了对物流信息进行降维处理的技术手段,得到降维后的物流特征信息可以至少部分减少物流信息的数据量,为后续物流属性识别模型处理节省计算开销。将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务,并利用线程池中的目标线程并行处理多个计算任务,可以至少部分避免线程创建造成的计算资源消耗,同时并行处理多个计算任务相较于创建单线程完成物流属性识别模型的多个计算任务,可以提升物流属性识别模型的计算速率,同时根据物流属性识别模型充分学习了物流信息的特征信息的情况下,可以提升针对物流信息中对于目标产品的物流属性类型的识别准确率,进而实现减少目标产品物流周转时长,提升物流效率的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了可以应用本公开的物流信息识别方法和装置的示例性系统架构;
图2示意性示出了根据本公开实施例的物流信息识别方法的流程图;
图3示意性示出了根据本公开实施例的将物流信息进行降维处理,得到降维后的物流特征信息的流程图;
图4示意性示出了根据本公开实施例的从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果的流程图;
图5示意性示出了根据本公开实施例的物流信息识别方法的应用场景图;
图6示意性示出了根据本公开实施例的物流信息识别装置的框图;以及
图7示意性示出了根据本公开实施例的适于实现物流信息识别方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种物流信息识别方法、装置、设备、介质及程序产品。该物流信息识别方法包括:将物流信息进行降维处理,得到降维后的物流特征信息;将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果,其中,物流属性识别结果用于表征物流信息中目标产品的物流属性类型。
根据本公开的实施例,通过对物流信息进行降维处理,得到降维后的物流特征信息可以减少物流信息的数据量,为后续物流属性识别模型处理节省计算开销。将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务,并利用线程池中的目标线程并行处理多个计算任务,可以避免线程创建造成的计算资源消耗,同时并行处理多个计算任务相较于创建单线程完成物流属性识别模型的多个计算任务,可以提升物流属性识别模型的计算速率,同时根据物流属性识别模型充分学习了物流信息的特征信息的情况下,可以提升针对物流信息中对于目标产品的物流属性类型的识别准确率,进而实现减少目标产品物流周转时长,提升物流效率的技术效果。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图1示意性示出了根据本公开实施例的可以应用物流信息识别方法和装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的物流信息识别方法一般可以由服务器105执行。相应地,本公开实施例所提供的物流信息识别装置一般可以设置于服务器105中。本公开实施例所提供的物流信息识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的物流信息识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的物流信息识别方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的物流信息识别装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,物流信息可以原本存储在终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的物流信息识别方法,或者将物流信息发送到其他终端设备、服务器、或服务器集群,并由接收该物流信息的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的物流信息识别方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的物流信息识别方法的流程图。
如图2所示,该物流信息识别方法可以包括操作S210~S230。
在操作S210,将物流信息进行降维处理,得到降维后的物流特征信息。
根据本公开的实施例,物流信息可以包括能够表征目标产品的属性信息,以及能够表征目标产品物流属性信息的信息。物流属性信息可以以字符串、编码等形式存储在相关存储介质中。
根据本公开的实施例,降维处理后的物流特征信息可以是能够表征物流信息与物流属性类型相关的特征的信息,降维后的物流特征信息可以减少物流信息的数据量,为后续物流属性识别模型处理节省计算开销。
在操作S220,将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务。
根据本公开的实施例,物流属性识别模型可以包括基于神经网络构建得到的模型,例如径向基函数神经网络模型、多层感知器神经网络模型、循环神经网络模型等。本公开的实施例对五六属性识别模型的具体网络结构不做限定,本领域技术人员可以根据实际情况进行选择。
在操作S230,从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果,其中,物流属性识别结果用于表征物流信息中目标产品的物流属性类型。
根据本公开的实施例,线程池可以包括已经完成创建的线程,线程池中的目标线程可以是多个,通过多个目标线程并行处理多个计算任务,可以避免线程创建和销毁所产生的计算资源消耗,同时计算任务并行处理可以提升物流属性识别模型的计算速度。
根据本公开的实施例,通过对物流信息进行降维处理,得到降维后的物流特征信息可以减少物流信息的数据量,为后续物流属性识别模型处理节省计算开销。将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务,并利用线程池中的目标线程并行处理多个计算任务,可以避免线程创建造成的计算资源消耗,同时并行处理多个计算任务相较于创建单线程完成物流属性识别模型的多个计算任务,可以提升物流属性识别模型的计算速率,同时根据物流属性识别模型充分学习了物流信息的特征信息的情况下,可以提升针对物流信息中对于目标产品的物流属性类型的识别准确率,进而实现减少目标产品物流周转时长,提升物流效率的技术效果。
根据本公开的实施例,物流信息可以包括运单标志位信息;物流属性识别结果可以包括产品条线识别结果。
根据本公开的实施例,运单标志位信息(WayBillSign)可以是记录有针对目标产品的物流情况的字符串。在针对目标产品生成运单后,为便于对运单进行管理,可以针对运单中的物流信息,按照预设编码规则生成运单标志位信息。
根据本公开的实施例,产品条线可以包括能够表征目标产品的物流属性类型的分类结果,物流属性信息的分类结果例如可以包括冷链物流类、大件产品类、易碎产品类等等。通过准确识别目标产品的产品条线,可以快速地确定针对目标产品的物流方式,保证物流产品完好无损地运送至目标地址的同时,提升目标产品的物流效率。
根据本公开的实施例,在将物流信息进行降维处理之前,物流信息识别方法还可以包括如下操作。
根据预设规则对物流信息进行补全,得到具有预设字符长度的物流信息。
根据本公开的实施例,不同目标产品的物流信息的长度可能会存在不同,例如在物流信息为运单标志位信息的情况下,不同目标产品对应的运单标志位信息可以是字符长度不同的字符串,通过对该运单标志位信息进行补全,可以得到具有预设字符长度的运单标志位信息,即得到具有预设字符长度的物流信息,以便于后续物流属性识别模型对不同的物流信息进行统一处理,从而提升处理效率。
在本公开的一个实施例中,可以采用字符“-1”来填充,预设字符长度可以和物流系统中存储的具有最长的字符长度的运单标志位信息的字符长度相同。
根据本公开的实施例,操作S210,将物流信息进行降维处理,得到降维后的物流特征信息可以包括如下操作。
基于预设降维算法对物流信息进行降维处理,得到物流特征信息;其中,预设降维算法包括以下至少一项:主成分分析算法、线性判别分析算法、因子分析算法。
根据本公开的实施例,为减少后续物流属性识别模型的计算开销,可以利用主成分分析算法、线性判别分析算法、因子分析算法中的任意一项对物流信息进行降维处理,以降低物流信息的数据维度。
图3示意性示出了根据本公开实施例的将物流信息进行降维处理,得到降维后的物流特征信息的流程图。
如图3所示,操作S210,将物流信息进行降维处理,得到降维后的物流特征信息可以包括操作S310~操作S340。
在操作S310,对物流信息进行编码处理,得到物流编码信息。
在操作S320,根据物流编码信息的编码均值信息和编码方差信息,确定与物流编码信息关联的标准物流编码信息。
在操作S330,利用协方差矩阵处理标准物流编码信息,得到编码特征值与编码特征向量。
在操作S340,根据编码特征值与编码特征向量,确定物流特征信息。
根据本公开的实施例,可以采用相关技术中的任意方式对物流信息进行编码处理,例如可以采用ASCII(American Standard Code for Information Interchange,美国信息交换标准代码)对物流信息进行编码处理,本领域技术人员可以根据实际情况对编码处理的具体方式进行选择。
根据本公开的实施例,物流编码信息可以表示为(x1,x2,...xi)。
利用公式(1),可以得到标准物流编码信息。
利用协方差矩阵处理标准物流编码信息,可以表示为从而得到编码特征值与编码特征向量。根据编码特征值与编码特征向量,可以计算编码特征值的主成分得分,并将主成分得分大于总贡献度阈值的编码特征值进行特征提取,得到物流特征信息,实现对物流信息的降维处理操作。
根据本公开的实施例,物流属性识别模型可以包括以下至少一项:径向基函数神经网络模型、多层感知器神经网络模型。
根据本公开的实施例,可以利用具有分类能力的神经网络模型构建物流属性识别模型,以提升针对物流属性类型的识别准确率。
根据本公开的实施例,由于相关技术中物流信息可以包括运单标志位信息,该运单标志位信息可以是字符长度为n的字符串。相关人员通常采用决策树算法来处理运单标志位信息,但在实现过程中会造成后台代码量的增加和代码实现的冗余,加大了服务器的资源消耗。同时,代码量的增加导致在后期维护上也较为困难。根据径向基函数神经网络模型(Radial Basis Function,RBF)、多层感知器神经网络模型中的任意一项构建物流属性识别模型,可以至少部分减少相关技术中代码量较大和识别准确率较低的技术问题,为后续提升针对目标产品的物流处理效率提供了有力支撑。
需要说明的是,本公开的实施例中的物流属性识别模型可以是经过训练后得到的。例如可以将样本物流信息和与样本物流信息对应的样本标签作为训练样本,来训练初始物流属性识别模型。将样本物流信息输入至初始物流属性识别模型,得到预测物流属性识别结果,利用损失函数处理预测物流属性识别结果和对应的样本标签,得到损失值,根据损失值迭代地调整初始物流属性识别模型中的参数,直至损失函数收敛,将损失函数收敛的物流属性识别模型作为训练后得到的物流属性识别模型。相应地,还可以将训练样本划分为训练集和测试集,基于训练集和测试集来训练得到物流属性识别模型。
根据本公开的实施例,计算任务可以包括N个。
图4示意性示出了根据本公开实施例的从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果的流程图。
如图4所示,操作S230,从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果可以包括操作S410~操作S430。
在操作S410,从线程池中调用M个目标线程处理计算任务队列中的M个目标计算任务,得到目标计算任务各自的计算任务结果,其中,计算任务队列根据多个计算任务构成,目标线程为线程池中处于空闲状态的线程,N>M≥1。
在操作S420,在目标计算任务得到计算任务结果后,处理目标计算任务的目标线程返回线程池中,以便重复处理计算任务队列中新的目标计算任务,直至N个计算任务中的每个计算任务均得到各自的计算任务结果。
在操作S430,根据N个计算任务各自的计算任务结果,确定物流属性识别结果。
根据本公开的实施例,可以根据CPU的内核数量来构建线程池中目标线程的数量。利用线程池中M个目标线程来并行处理M个计算任务,在目标线程得到计算任务结果后,可以从剩余的尚未处理的计算任务中选取计算任务进行处理,直至剩余的尚未处理的计算任务数量为0时,目标线程可以退出。相较于相关技术中利用单线程处理神经网络模型中的数据处理过程,可以提升物流属性识别模型的计算速率。
图5示意性示出了根据本公开实施例的物流信息识别方法的应用场景图。
如图5所示,该实施例的应用场景可以包括物流特征信息510、物流属性识别模型520、线程池530和物流属性识别结果540。
物流特征信息510输入至物流属性识别模型520后,会生成物流属性识别模型520中用于表征矩阵乘法运算的计算任务521、522、523、524、525、526、527、528。其中,计算任务521、522、523、524可以作为计算任务队列中的目标计算任务。
从线程池530中调用目标线程531、532、533、534,来并行处理目标计算任务521、522、523、524。在得到目标计算任务521的计算任务结果后,计算任务队列可以添加新的目标计算任务525,目标线程531可以返回线程池530中用于处理新的目标计算任务525。线程池中的目标线程531、532、533、534可以根据上述方式并行处理物流属性识别模型520中的N个计算任务,直至物流属性识别模型520中的N个计算任务均得到各自的计算任务结果,并根据N个计算任务均得到各自的计算任务结果得到物流属性识别结果540。
图6示意性示出了根据本公开实施例的物流信息识别装置的框图。
如图6所示,物流信息识别装置600包括降维处理模块610、计算任务确定模块620和识别模块630。
降维处理模块610用于将物流信息进行降维处理,得到降维后的物流特征信息。
计算任务确定模块620用于将物流特征信息输入至物流属性识别模型,得到物流属性识别模型中用于表征矩阵乘法运算的多个计算任务。
识别模块630用于从线程池中调用目标线程并行处理多个计算任务,得到物流属性识别模型输出的物流属性识别结果,其中,物流属性识别结果用于表征物流信息中目标产品的物流属性类型。
根据本公开的实施例,降维处理模块包括降维处理单元。
降维处理单元用于基于预设降维算法对物流信息进行降维处理,得到物流特征信息。其中,预设降维算法包括以下至少一项:主成分分析算法、线性判别分析算法、因子分析算法。
根据本公开的实施例,降维处理模块包括:编码单元、第一确定单元、第一处理单元和第二确定单元。
编码单元用于对物流信息进行编码处理,得到物流编码信息。
第一确定单元用于根据物流编码信息的编码均值信息和编码方差信息,确定与物流编码信息关联的标准物流编码信息。
第一处理单元用于利用协方差矩阵处理标准物流编码信息,得到编码特征值与编码特征向量。
第二确定单元用于根据编码特征值与编码特征向量,确定物流特征信息。
根据本公开的实施例,计算任务可以包括N个。
识别模块可以包括:调用单元、第二处理单元和第三确定单元。
调用单元用于从线程池中调用M个目标线程处理计算任务队列中的M个目标计算任务,得到目标计算任务各自的计算任务结果,其中,计算任务队列根据多个计算任务构成,目标线程为线程池中处于空闲状态的线程,N>M≥1。
第二处理单元用于在目标计算任务得到计算任务结果后,处理目标计算任务的目标线程返回线程池中,以便重复处理计算任务队列中新的目标计算任务,直至N个计算任务中的每个计算任务均得到各自的计算任务结果。
第三确定单元用于根据N个计算任务各自的计算任务结果,确定物流属性识别结果。
根据本公开的实施例,在将物流信息进行降维处理之前,物流信息识别装置还可以包括补全模块。
补全模块用于根据预设规则对物流信息进行补全,得到具有预设字符长度的物流信息。
根据本公开的实施例,物流信息包括运单标志位信息;以及物流属性识别结果包括产品条线识别结果。
根据本公开的实施例,物流属性识别模型包括以下至少一项:
径向基函数神经网络模型、多层感知器神经网络模型。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,降维处理模块610、计算任务确定模块620和识别模块630中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,降维处理模块610、计算任务确定模块620和识别模块630中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,降维处理模块610、计算任务确定模块620和识别模块630中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中物流信息识别装置部分与本公开的实施例中物流信息识别方法部分是相对应的,物流信息识别系统部分的描述具体参考物流信息识别方法部分,在此不再赘述。
图7示意性示出了根据本公开实施例的适于实现物流信息识别方法的电子设备的框图。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的物流信息识别方法。
在该计算机程序被处理器701执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种物流信息识别方法,包括:
将物流信息进行降维处理,得到降维后的物流特征信息;
将所述物流特征信息输入至物流属性识别模型,得到所述物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;
从线程池中调用目标线程并行处理多个所述计算任务,得到所述物流属性识别模型输出的物流属性识别结果,其中,所述物流属性识别结果用于表征所述物流信息中目标产品的物流属性类型。
2.根据权利要求1所述的方法,其中,将物流信息进行降维处理,得到降维后的物流特征信息包括:
基于预设降维算法对所述物流信息进行降维处理,得到所述物流特征信息;
其中,所述预设降维算法包括以下至少一项:主成分分析算法、线性判别分析算法、因子分析算法。
3.根据权利要求1或2所述的方法,其中,将物流信息进行降维处理,得到降维后的物流特征信息包括:
对所述物流信息进行编码处理,得到物流编码信息;
根据所述物流编码信息的编码均值信息和编码方差信息,确定与所述物流编码信息关联的标准物流编码信息;
利用协方差矩阵处理所述标准物流编码信息,得到编码特征值与编码特征向量;
根据所述编码特征值与所述编码特征向量,确定所述物流特征信息。
4.根据权利要求1所述的方法,其中,所述计算任务包括N个;
从线程池中调用目标线程并行处理多个所述计算任务,得到所述物流属性识别模型输出的物流属性识别结果包括:
从所述线程池中调用M个目标线程处理计算任务队列中的M个目标计算任务,得到所述目标计算任务各自的计算任务结果,其中,所述计算任务队列根据多个所述计算任务构成,所述目标线程为所述线程池中处于空闲状态的线程,N>M≥1;
在所述目标计算任务得到计算任务结果后,处理所述目标计算任务的目标线程返回线程池中,以便重复处理所述计算任务队列中新的目标计算任务,直至N个所述计算任务中的每个计算任务均得到各自的计算任务结果;以及
根据N个所述计算任务各自的计算任务结果,确定所述物流属性识别结果。
5.根据权利要求1所述的方法,其中,在将物流信息进行降维处理之前,所述物流信息识别方法还包括:
根据预设规则对所述物流信息进行补全,得到具有预设字符长度的物流信息。
6.根据权利要求1所述的方法,其中,
所述物流信息包括运单标志位信息;以及
所述物流属性识别结果包括产品条线识别结果。
7.根据权利要求1所述的方法,其中,所述物流属性识别模型包括以下至少一项:
径向基函数神经网络模型、多层感知器神经网络模型。
8.一种物流信息识别装置,包括:
降维处理模块,用于将物流信息进行降维处理,得到降维后的物流特征信息;
计算任务确定模块,用于将所述物流特征信息输入至物流属性识别模型,得到所述物流属性识别模型中用于表征矩阵乘法运算的多个计算任务;
识别模块,用于从线程池中调用目标线程并行处理多个所述计算任务,得到所述物流属性识别模型输出的物流属性识别结果,其中,所述物流属性识别结果用于表征所述物流信息中目标产品的物流属性类型。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081217.0A CN115292503A (zh) | 2022-09-05 | 2022-09-05 | 物流信息识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081217.0A CN115292503A (zh) | 2022-09-05 | 2022-09-05 | 物流信息识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292503A true CN115292503A (zh) | 2022-11-04 |
Family
ID=83833500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081217.0A Pending CN115292503A (zh) | 2022-09-05 | 2022-09-05 | 物流信息识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292503A (zh) |
-
2022
- 2022-09-05 CN CN202211081217.0A patent/CN115292503A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9489241B2 (en) | Guaranteed response pattern | |
CN111600874A (zh) | 用户账号检测方法、装置、电子设备、介质和程序产品 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
CN114579878A (zh) | 虚假新闻判别模型的训练方法、虚假新闻判别方法及装置 | |
CN114358147A (zh) | 异常账户识别模型的训练方法、识别方法、装置及设备 | |
CN116155628B (zh) | 网络安全检测方法、训练方法、装置、电子设备和介质 | |
CN113495825A (zh) | 线路告警的处理方法、装置、电子设备及可读存储介质 | |
CN112214770A (zh) | 恶意样本的识别方法、装置、计算设备以及介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN115292503A (zh) | 物流信息识别方法、装置、设备及介质 | |
CN114154477A (zh) | 文本数据处理方法及装置、电子设备和可读存储介质 | |
CN113010666A (zh) | 摘要生成方法、装置、计算机系统及可读存储介质 | |
CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN113159877A (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN110555105A (zh) | 对象处理方法及系统、计算机系统及计算机可读存储介质 | |
CN116541702A (zh) | 一种样本标签生成方法、模型训练方法、装置及设备 | |
CN107870679B (zh) | 多音字处理方法及系统 | |
CN115203502A (zh) | 业务数据处理方法及装置、电子设备和存储介质 | |
CN117196295A (zh) | 项目风险预测方法、装置、电子设备及存储介质 | |
CN113674011A (zh) | 针对用户行为的数据处理方法、装置、计算设备和介质 |
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 |