CN115905958A - 一种虚假妥投行为的判别方法和装置 - Google Patents

Abstract

本发明公开了一种虚假妥投行为的判别方法和装置，涉及物流配送技术领域。该方法的一具体实施方式包括：获取训练数据，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；获取目标妥投订单对应的目标输入数据；根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。该实施方式避免了对妥投地址或配送人员对应定位信息的高度依赖，提高了虚假妥投行为判别方法的可靠性以及准确性。

Description

一种虚假妥投行为的判别方法和装置

技术领域

本发明涉及物流配送技术领域，尤其涉及一种虚假妥投行为的判别方法和装置。

背景技术

随着物流配送业务量的增加，虚假妥投问题日益凸显，影响了用户体验，而虚假妥投行为则是指配送人员在物流配送过程中在点击订单妥投完成之后才将订单货物配送至对应收货地点的行为。

目前，主要通过判断妥投地址与配送人员对应的定位信息是否一致的方式，来确定配送人员的妥投行为是否为虚假妥投行为。但在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的虚假妥投行为的判别方法对妥投地址以及配送人员的定位信息有较强的依赖性，当妥投地址模糊或者配送人员定位缺失时，无法判别或无法精准判别配送人员是否进行了虚假妥投行为。

发明内容

有鉴于此，本发明实施例提供了一种虚假妥投行为的判别方法和装置，能够基于配送人员对应的配送区域信息、妥投信息、轨迹信息等多维度信息，采用机器学习模型判断配送人员的妥投行为是否为虚假妥投行为，避免了对妥投地址或配送人员对应定位信息的高度依赖，提高了虚假妥投行为判别方法的可靠性以及准确性。

为实现上述目的，根据本发明实施例的一个方面，提供了一种虚假妥投行为的判别方法，包括：

获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；

根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；

获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；

根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

可选地，所述获取训练数据，包括：

获取配送人员的标识信息及对应的妥投订单信息；

根据所述标识信息，获取配送人员对应的配送区域信息及轨迹信息；

根据所述妥投订单信息，确定配送人员对应的妥投信息。

可选地，根据所述标识信息，获取配送人员对应的配送区域信息，包括：

根据所述标识信息，获取配送人员对应的配送区域，以确定所述配送区域对应的配送区域面积以及所归属的配送站点；

根据所述配送区域、所述配送站点，确定所述配送人员对应的平均配送距离，以生成配送区域信息；

所述配送区域信息指示了所述配送人员对应的配送区域、配送区域面积、配送站点、平均配送距离。

可选地，根据所述标识信息，获取配送人员对应的轨迹信息，包括：

根据所述标识信息，获取所述标识信息对应的一个或多个定位设备回传的定位数据，所述定位数据指示了时间以及配送人员的位置信息；

根据所述定位数据所指示的时间，对所述定位数据进行排序，并采用时间滤波和空间滤波技术对排序后的定位数据进行处理，以生成所述配送人员对应的配送轨迹；

根据所述配送轨迹，生成所述配送人员对应的轨迹信息。

可选地，所述轨迹信息包括下述一种或多种：配送轨迹的长度、配送轨迹的耗时、配送轨迹的弯曲信息、配送轨迹中轨迹点对应的位置信息、时间以及速度。

可选地，所述根据所述妥投订单信息，确定配送人员对应的妥投信息，包括：

根据妥投订单的收货地址，确定包含有所述收货地址的妥投区域；

获取所述配送人员在所述妥投区域的停留时长以及完成的妥投订单量，并计算对应的妥投订单及时率，以生成妥投信息；

所述妥投信息指示了所述妥投区域对应的停留时长、妥投订单量、妥投订单及时率。

可选地，根据下述一种或多种逻辑规则确定训练数据对应的标签：

判断在妥投订单对应的妥投时间点，配送轨迹与妥投订单对应的收货地址之间的距离是否小于阈值距离，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；和/或，

判断妥投订单对应的妥投时间点与收货时间点之间的时间差值是否小于阈值时间差，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；和/或，

判断配送人员与妥投订单对应的收货人员之间是否存在联系记录，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为。

为实现上述目的，根据本发明实施例的一个方面，提供了一种虚假妥投行为的判别装置，包括：训练数据获取模块、判别模型训练模块、输入数据获取模块、妥投行为判别模块；其中，

所述训练数据获取模块，用于获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；

所述判别模型训练模块，用于根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；

所述输入数据获取模块，用于获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；

所述妥投行为判别模块，用于根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

为实现上述目的，根据本发明实施例的一个方面，提供了一种用于虚假妥投行为判别的电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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虚假妥投行为的判别方法中任一所述的方法。

为实现上述目的，根据本发明实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的虚假妥投行为的判别方法中任一所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：通过采用妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息等业务数据为训练数据，并以妥投订单所属配送人员的妥投行为是否为虚假妥投行为训练数据对应的标签，对预先构建的机器学期模型进行训练生成了妥投行为判别模型，在此基础上，对于目标妥投订单，在获取目标妥投订单对应的目标输入数据的情况下，即可采用妥投行为判别模型对目标妥投订单所属配送人员是否进行了虚假妥投行为进行判别，既避免了虚假妥投行为判别方法对妥投地址或配送人员对应定位信息的高度依赖，又提高了虚假妥投行为判别方法的可靠性以及准确性。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的虚假妥投行为的判别方法的主要流程的示意图；

图2是根据本发明实施例的配送区域信息生成方法的主要流程的示意图；

图3是根据本发明实施例的轨迹信息生成方法的主要流程的示意图；

图4是根据本发明实施例的妥投信息生成方法的主要流程的示意图；

图5是根据本发明实施例的虚假妥投行为的判别装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。另外，值得注意的是，本申请中的技术方案对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

图1是根据本发明实施例的虚假妥投行为的判别方法的主要流程的示意图，如图1所示，该虚假妥投行为的判别方法具体可以包括的步骤如下。

步骤S101，获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

在本发明的一个实施例中，所述获取训练数据，包括：获取配送人员的标识信息及对应的妥投订单信息；根据所述标识信息，获取配送人员对应的配送区域信息及轨迹信息；根据所述妥投订单信息，确定配送人员对应的妥投信息。

其中，配送人员的标识信息是指配送平台中任何可用于区别配送人员的信息，如配送人员编号、ID、平台账号及名称等，且配送人员的标识信息与妥投订单信息绑定，即一个妥投订单有且仅有一个对应的配送人员的标识信息；妥投订单信息则是指任何与妥投订单相关的信息，包括但不限于妥投订单编号、妥投订单状态、创建时间、支付方式、配送方式、物流信息、收货地址、收货人信息以及订单物品信息等。

具体地，参见图2所示的配送区域信息的生成方法，该方法具体可以包括的步骤如下：

步骤S201，根据所述标识信息，获取配送人员对应的配送区域，以确定所述配送区域对应的配送区域面积以及所归属的配送站点。

可以理解的是，在实际的物流配送业务中，物流站点会将所辐射的区域范围划分为一个或多个配送区域，并为配送区域预先分配对应的配送人员，因而可以根据配送人员的标识信息在配送平台中查询配送人员对应的配送区域，以及配送区域的面积信息和所归属的配送站点等信息。

步骤S202，根据所述配送区域、所述配送站点，确定所述配送人员对应的平均配送距离，以生成配送区域信息。

其中，平均配送距离是指配送区域的中心点到所归属的配送站点的距离，而配送区域信息则指示了配送人员对应的配送区域、配送区域面积、配送站点、平均配送距离等信息。

可以理解的是，配送区域信息与配送人员所负责的配送区域息息相关，不同的配送区域所在的地理位置以及对应的面积、平均配送距离等不同，则配送人员进行配送的难易程度等亦不同，因而采用配送区域信息作为训练数据的一部分，可以基于大数据挖掘配送区域本身对配送人员进行虚假妥投行为的潜在影响，以更全面、准确地判别虚假妥投行为。

进一步地，参见图3所示的轨迹信息的生成方法，该方法具体可以包括的步骤如下：

步骤S301，根据所述标识信息，获取所述标识信息对应的一个或多个定位设备回传的定位数据，所述定位数据指示了轨迹点对应的时间以及配送人员的位置信息。

具体地，以采用的定位设备为GPS回传设备为例，则对应的定位数据则包括时间戳、经度信息、纬度信息，如{GPSTime:2022-10-0108:00:00,lng:118.7690263,lat:27.515671}。

步骤S302，根据所述定位数据所指示的时间，对所述定位数据进行排序，并采用时间滤波和空间滤波技术对排序后的定位数据进行处理，以生成所述配送人员对应的配送轨迹。

在实际的执行过程中，可能存在同一配送人员的标识信息对应有多个定位设备回传定位数据的情况，在此情况下，首先合并同一标识信息下多个定位设备回传的定位数据，按照定位数据中的时间进行排序，并按照时间进行去重的方式，获取同一配送人员标识信息对应的包含有所有轨迹点的完整配送轨迹。

在此基础上，为避免设备精度、设备故障或者配送人员所处位置如高架桥下、电梯内等造成的定位数据的偏差，进而影响虚假妥投行为的判别结果，考虑采用时间滤波和空间滤波技术对排序后的定位数据进行处理，即对所采集的定位数据进行傅里叶变换等，以识别其中异常的轨迹点，比如明显远离轨迹点集群的轨迹点，并通过去除异常的轨迹点的方式获取配送人员对应的配送轨迹。

步骤S303，根据所述配送轨迹，生成所述配送人员对应的轨迹信息。

在本发明的一个实施例中，所述轨迹信息包括下述一种或多种：配送轨迹的长度、配送轨迹的耗时、配送轨迹的弯曲信息、配送轨迹中轨迹点对应的位置信息、时间以及速度。

其中，配送轨迹的长度是指配送人员完成该段配送轨迹所经历的路程；配送轨迹的耗时则是指配送人员完成该段配送轨迹所对应的时间；而配送轨迹的弯曲信息则用于描述配送轨迹的曲折程度，包括但不限于转弯数量、转弯处对应的曲率半径等信息；轨迹点的速度则可以根据轨迹点之间的距离以及时间差计算得到。可以理解的是，配送路线本身对配送人员的配送效率影响极大，进而极可能影响配送人员进行虚假妥投行为的可能性，因而将配送人员的轨迹信息作为训练数据的一部分，可以基于大数据挖掘轨迹信息或配送路线对配送人员进行虚假妥投行为的潜在影响，以更全面、准确地判别虚假妥投行为。

更进一步地，参见图4所示的妥投信息的生成方法，该方法具体可以包括的步骤如下：

步骤S401，根据妥投订单的收货地址，确定包含有所述收货地址的妥投区域。

具体地，可以以妥投订单的收货地址为中心，确定具有指定面积或者面积不大于指定面积的妥投区域，如圆形妥投区域、矩形妥投区域、多边形妥投区域等。

步骤S402，获取所述配送人员在所述妥投区域的停留时长以及完成的妥投订单量，并计算对应的妥投订单及时率，以生成妥投信息。

具体地，妥投信息指示了妥投区域对应的停留时长、妥投订单量、妥投订单及时率。其中，停留时长是指配送人员从进入妥投区域至离开妥投区域的时间差；妥投订单量是指配送人员在妥投区域内点击完成妥投的妥投订单数量；而妥投订单及时率则是指在妥投区域内完成的未超时的妥投订单与妥投订单数量的比值。

可以理解的是，在实际的物流配送过程中，常存在小区、写字楼等需要配送人员集中且频繁进行配送的区域，尤其是在配送作业繁多的情况下，配送人员在此类区域中进行配送的整体作业情况极可能影响配送人员进行虚假妥投行为的可能性，因而考虑将妥投区域的妥投信息作为训练数据的一部分，以基于大数据挖掘妥投信息对配送人员进行虚假妥投行为的潜在影响，以更全面、准确地判别虚假妥投行为。

在此基础上，本发明实施例提供的一条训练数据以及标签示例如下：

(配送区域、配送区域面积、配送区域所属配送站点、平均配送距离、配送轨迹的长度、配送轨迹的耗时、配送轨迹的弯曲信息、配送轨迹中轨迹点对应的位置信息、时间、速度、妥投区域对应的停留时长、妥投订单量、妥投订单及时率)-(0/1是否虚假妥投行为)

值得注意的是，上述训练数据所包含的特征信息仅为示例，在实际的执行过程中可以根据实际情况增加或减少配送区域信息、轨迹信息、妥投信息下的任意一种或多种信息。

步骤S102，根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型。

其中，所述机器学习模型是采用下述任意一种算法构建的：神经网络算法、XGBoost算法。如以神经网络算法为例，则本实施例采用卷积神经网络构建机器学习模型，即采用典型的LeNet模型，该模型具体包括七层，分别是：1卷积层、2下采样层、3卷积层、4下采样层、5卷积层、6全连接层、7输出层。其中，1卷积层用于输入配送区域信息、轨迹信息、妥投信息等特征信息(标签)，7输出层则用于输出分类结果，即是否虚假妥投行为对应置信度。

可以理解的是，在获取到训练数据后，可人工标注训练数据对应的标签，即确定妥投订单所属配送人员的妥投行为是否为虚假妥投行为，也可以基于预设的逻辑规则判断是否为虚假妥投行为，再人工进行校准以提高标注效率。具体地，可采用的逻辑判断规则如下：(1)判断在妥投订单对应的妥投时间点，配送轨迹上轨迹点与妥投订单对应的收货地址之间的距离是否小于阈值距离(如500米)，若是，则对应的标签为非虚假妥投行为，若否，则对应的标签为虚假妥投行为；(2)判断妥投订单对应的妥投时间点与收货时间点之间的差值是否小于阈值时间差(如15分钟)，若是，则对应的标签为非虚假妥投行为，若否，则对应的标签为虚假妥投行为；(3)判断配送人员与妥投订单对应的收货人员之间是否存在联系记录，若是，则对应的标签为非虚假妥投行为，若否，则对应的标签为虚假妥投行为。

在实际的执行过程中可以选择其中任意一种或多种对训练数据进行标注。但对于上述的逻辑规则(3)，可以理解的是，在实际的货物签收过程中，配送人员极可能直接将货物配送至收货人手中，即存在本人签收或者他人代签收而不存在联系记录的非虚假妥投行为，针对此种情况，若直接基于是否存在联系记录进行标注，则极可能影响标注结果的准确性，为保证标注的准确性，可以基于妥投订单信息对本人签收或者他人代签收的妥投订单预先进行筛选，以采用人工或者是否存在联系记录以外的逻辑规则进行标注。

在此基础上，为保证训练后妥投行为判别模型的可靠性，考虑将所获取的所有训练数据进行拆分，如按照7:3的比例拆分为训练数据子集、验证数据子集，其中训练数据子集用于对预先构建的机器学习模型进行训练，验证数据子集则用于对经训练数据子集训练后的模型进行验证校准以获取妥投行为判别模型。

步骤S103，获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息。

具体地，在实际的执行过程中，目标输入数据的获取过程与前述训练数据的获取过程基本一致，即均基于目标妥投订单所属配送人员的标识信息以及妥投订单信息获取对应的配送区域信息、妥投信息、轨迹信息。

步骤S104，根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

在这里，仍以采用上述7层LeNet模型为例，对利用训练后的妥投行为判别模型来确定是否为虚假妥投行为进行详细说明：1卷积层可接收目标输入数据，其中，目标输入数据包括目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息等特征信息，并且1卷积层可根据预设的第一卷积核对这些信息进行卷积操作，然后2下采样层对1卷积层的卷积结果进行池化操作(如最大池化或平均池化)，并将结果输入3卷积层。而后3卷积层可根据预设的第二卷积核进行卷积操作，然后4下采样层对3卷积层的卷积结果进行池化操作。该池化操作可以与2下采样层相同(如均为平均池化)，也可以与2下采样层不同(如2下采样层为平均池化，4下采样层为最大池化)。接着，5卷积层可以根据预设的第三卷积核对4下采样层的池化结果进一步进行卷积操作。其中，1卷积层、3卷积层和5卷积层所采用的卷积核的核数可以相同，也可以不同。优选地，为了更好地根据多个不同特征对是否为虚假妥投行为进行预测，1卷积层、3卷积层和5卷积层可采用不同的卷积核，以学习不同的特征。然后6全连接层将卷积后的特征综合起来，以整合卷积层和下采样层中具有类别区分性的局部特征，最后通过7输出层输出分类结果，即是否虚假妥投行为对应置信度。例如，输出层可以采用两个节点，如果确定出是否为虚假妥投行为的结果偏向0，那么第一个节点的兴奋度会高于第二个节点，如果确定结果偏向1，那么第二个节点的兴奋度会高于第一个节点，由此输出结果为0或1即可确定目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为，具体地，在输出0的情况下，确定目标妥投订单所属配送人员的妥投行为不属于虚假妥投行为，在输出1的情况下，确定目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

在确定目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为的基础上，配送平台可对接将奖惩系统以对配送人员进行奖励或者惩罚，即对于判定结果为虚假妥投行为的目标妥投订单对应的配送人员进行判责，并采取一定惩罚措施，而对于判定结果为非虚假妥投行为的目标妥投订单对应的配送人员进行奖励，如此，通过合理的奖惩制度可以尽可能地降低配送人员进行虚假妥投行为的可能性。

可以理解的是，妥投判别模型极有可能存在误差，因而可能存在虚假妥投行为判定结果有误的情况，对于此，可以设置反馈机制，以便通过配送人员的反馈对判定结果进行修正，以进一步修正妥投行为判别模型。

此外，随着妥投订单的不断完成，为保证妥投行为判别模型的实时有效性及可靠性，可在妥投订单信息以及配送人员对应的轨迹信息等数据累积到一定数量级以后，采用新生成的训练数据对妥投行为判别模型进行更新。

基于上述实施例，通过采用妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息等业务数据为训练数据，并以妥投订单所属配送人员的妥投行为是否为虚假妥投行为训练数据对应的标签，对预先构建的机器学期模型进行训练生成了妥投行为判别模型，在此基础上，对于目标妥投订单，在获取目标妥投订单对应的目标输入数据的情况下，即可采用妥投行为判别模型对目标妥投订单所属配送人员是否进行了虚假妥投行为进行判别，既避免了虚假妥投行为判别方法对妥投地址或配送人员对应定位信息的高度依赖，又提高了虚假妥投行为判别方法的可靠性以及准确性。

参见图5，在上述实施例的基础上，本发明实施例提供了一种虚假妥投行为的判别装置500，包括：训练数据获取模块501、判别模型训练模块502、输入数据获取模块503、妥投行为判别模块504；其中，

所述训练数据获取模块501，用于获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；

所述判别模型训练模块502，用于根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；

所述输入数据获取模块503，用于获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；

所述妥投行为判别模块504，用于根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

在本发明的一个实施例中，所述获取训练数据，包括：获取配送人员的标识信息及对应的妥投订单信息；根据所述标识信息，获取配送人员对应的配送区域信息及轨迹信息；根据所述妥投订单信息，确定配送人员对应的妥投信息。

在本发明的一个实施例中，根据所述标识信息，获取配送人员对应的配送区域信息，包括：

根据所述标识信息，获取配送人员对应的配送区域，以确定所述配送区域对应的配送区域面积以及所归属的配送站点；

根据所述配送区域、所述配送站点，确定所述配送人员对应的平均配送距离，以生成配送区域信息；

所述配送区域信息指示了所述配送人员对应的配送区域、配送区域面积、配送站点、平均配送距离。

在本发明的一个实施例中，根据所述标识信息，获取配送人员对应的轨迹信息，包括：

根据所述标识信息，获取所述标识信息对应的一个或多个定位设备回传的定位数据，所述定位数据指示了时间以及配送人员的位置信息；

根据所述定位数据所指示的时间，对所述定位数据进行排序，并采用时间滤波和空间滤波技术对排序后的定位数据进行处理，以生成所述配送人员对应的配送轨迹；

根据所述配送轨迹，生成所述配送人员对应的轨迹信息。

在本发明的一个实施例中，所述轨迹信息包括下述一种或多种：配送轨迹的长度、配送轨迹的耗时、配送轨迹的弯曲信息、配送轨迹中轨迹点对应的位置信息、时间以及速度。

在本发明的一个实施例中，所述根据所述妥投订单信息，确定配送人员对应的妥投信息，包括：

根据妥投订单的收货地址，确定包含有所述收货地址的妥投区域；

获取所述配送人员在所述妥投区域的停留时长以及完成的妥投订单量，并计算对应的妥投订单及时率，以生成妥投信息；

所述妥投信息指示了所述妥投区域对应的停留时长、妥投订单量、妥投订单及时率。

在本发明的一个实施例中，所述训练数据获取模块501，用于根据下述一种或多种逻辑规则确定训练数据对应的标签：

判断在妥投订单对应的妥投时间点，配送轨迹与妥投订单对应的收货地址之间的距离是否小于阈值距离，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；

判断妥投订单对应的妥投时间点与收货时间点之间的时间差值是否小于阈值时间差，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；

判断配送人员与妥投订单对应的收货人员之间是否存在联系记录，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为。

在本发明的一个实施例中，所述机器学习模型是采用下述任意一种算法构建的：神经网络算法、XGBoost算法。

图6示出了可以应用本发明实施例的虚假妥投行为的判别方法或虚假妥投行为的判别装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603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、社交平台软件等。

终端设备601、602、603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605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的虚假妥投行为判断请求等进行分析等处理，并将处理结果如虚假妥投行为的判定结果反馈给终端设备。

需要说明的是，本发明实施例所提供的虚假妥投行为的判别方法一般由服务器605执行，相应地，虚假妥投行为的判别装置一般设置于服务器605中。

应该理解，图6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。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)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。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：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。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明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。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括训练数据获取模块、判别模型训练模块、输入数据获取模块、妥投行为判别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，训练数据获取模块还可以被描述为“用于获取训练数据的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备包括：获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

根据本发明实施例的技术方案，通过采用妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息等业务数据为训练数据，并以妥投订单所属配送人员的妥投行为是否为虚假妥投行为训练数据对应的标签，对预先构建的机器学期模型进行训练生成了妥投行为判别模型，在此基础上，对于目标妥投订单，在获取目标妥投订单对应的目标输入数据的情况下，即可采用妥投行为判别模型对目标妥投订单所属配送人员是否进行了虚假妥投行为进行判别，既避免了虚假妥投行为判别方法对妥投地址或配送人员对应定位信息的高度依赖，又提高了虚假妥投行为判别方法的可靠性以及准确性。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种虚假妥投行为的判别方法，其特征在于，包括：

获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；

根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；

获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；

根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

2.根据权利要求1所述的虚假妥投行为的判别方法，其特征在于，所述获取训练数据，包括：

获取配送人员的标识信息及对应的妥投订单信息；

根据所述标识信息，获取配送人员对应的配送区域信息及轨迹信息；

根据所述妥投订单信息，确定配送人员对应的妥投信息。

3.根据权利要求2所述的虚假妥投行为的判别方法，其特征在于，根据所述标识信息，获取配送人员对应的配送区域信息，包括：

根据所述标识信息，获取配送人员对应的配送区域，以确定所述配送区域对应的配送区域面积以及所归属的配送站点；

根据所述配送区域、所述配送站点，确定所述配送人员对应的平均配送距离，以生成配送区域信息；

所述配送区域信息指示了所述配送人员对应的配送区域、配送区域面积、配送站点、平均配送距离。

4.根据权利要求2所述的虚假妥投行为的判别方法，其特征在于，根据所述标识信息，获取配送人员对应的轨迹信息，包括：

根据所述标识信息，获取所述标识信息对应的一个或多个定位设备回传的定位数据，所述定位数据指示了时间以及配送人员的位置信息；

根据所述定位数据所指示的时间，对所述定位数据进行排序，并采用时间滤波和空间滤波技术对排序后的定位数据进行处理，以生成所述配送人员对应的配送轨迹；

根据所述配送轨迹，生成所述配送人员对应的轨迹信息。

5.根据权利要求4所述的虚假妥投行为的判别方法，其特征在于，

所述轨迹信息包括下述一种或多种：配送轨迹的长度、配送轨迹的耗时、配送轨迹的弯曲信息、配送轨迹中轨迹点对应的位置信息、时间以及速度。

6.根据权利要求2所述的虚假妥投行为的判别方法，其特征在于，所述根据所述妥投订单信息，确定配送人员对应的妥投信息，包括：

根据妥投订单的收货地址，确定包含有所述收货地址的妥投区域；

获取所述配送人员在所述妥投区域的停留时长以及完成的妥投订单量，并计算对应的妥投订单及时率，以生成妥投信息；

所述妥投信息指示了所述妥投区域对应的停留时长、妥投订单量、妥投订单及时率。

7.根据权利要求1所述的虚假妥投行为的判别方法，其特征在于，根据下述一种或多种逻辑规则确定训练数据对应的标签：

判断在妥投订单对应的妥投时间点，配送轨迹与妥投订单对应的收货地址之间的距离是否小于阈值距离，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；和/或，

判断妥投订单对应的妥投时间点与收货时间点之间的时间差值是否小于阈值时间差，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为；和/或，

判断配送人员与妥投订单对应的收货人员之间是否存在联系记录，若是，则标签为非虚假妥投行为，若否，则标签为虚假妥投行为。

8.一种虚假妥投行为的判别装置，其特征在于，包括：训练数据获取模块、判别模型训练模块、输入数据获取模块、妥投行为判别模块；其中，

所述训练数据获取模块，用于获取训练数据，所述训练数据指示了妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息，所述训练数据的标签指示了所述妥投订单所属配送人员的妥投行为是否为虚假妥投行为；

所述判别模型训练模块，用于根据所述训练数据及标签，对预先构建的机器学习模型进行训练以获取训练后的妥投行为判别模型；

所述输入数据获取模块，用于获取目标妥投订单对应的目标输入数据，所述目标输入数据指示了所述目标妥投订单所属配送人员对应的配送区域信息、妥投信息、轨迹信息；

所述妥投行为判别模块，用于根据所述目标输入数据，采用所述妥投行为判别模型确定所述目标妥投订单所属配送人员的妥投行为是否为虚假妥投行为。

9.一种用于虚假妥投行为判别的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述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。

Images