CN109242391A - 一种货物识别方法及装置 - Google Patents

Abstract

本发明实施例提供了一种货物识别方法及装置，该方法包括：根据货运历史数据，生成货物识别模型；根据用户发布货源历史数据，生成用户识别模型；接收用户的货源发布请求，响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。本发明实施例提供的技术方案在一定程度上解决了货主会员会发布虚假货物信息，导致货物运输电子商务平台存在的安全性问题。

Description

一种货物识别方法及装置

【技术领域】

本发明涉及人工智能领域，尤其涉及一种货物识别方法及装置。

【背景技术】

货物运输的两大核心内容：一个是快捷、准确、节约的配送服务；一个是安全、可靠的货物运输与结算。最初货运状态还处在粗放型发展阶段，货物配送还停留在原始的司机找货和货找车阶段。然而，这种司机找货和货找车的方式，降低了货物运输的效率，成本比较高。因此，后来出现一种货物运输电子商务平台，车船会员可以使用移动终端将其空闲运力的信息发布到该平台，货主会员使用移动终端将待运输货物信息发布到该平台，该平台收到后，对其进行审核并分配车船进行运输。然而，现有技术中，有些货主会员会发布虚假货物信息，导致货物运输电子商务平台存在安全性问题，安全性比较低。

【发明内容】

有鉴于此，本发明实施例提供了一种货物识别方法及装置，在一定程度上解决了货主会员会发布虚假货物信息，导致货物运输电子商务平台存在的安全性问题。

第一方面，本发明实施例提供一种货物识别方法，包括：

根据货运历史数据，生成货物识别模型；

根据用户发布货源历史数据，生成用户识别模型；

接收用户的货源发布请求，响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述货运历史数据包括货物类型、货物尺寸、货物重量、运输距离和运输价格。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据货运历史数据，生成货物识别模型，包括：

获取多个货运历史数据，从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；

对所述货物特征数据进行训练，生成货物识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述用户发布货源历史数据包括用户标识、发布时间、发布的货物类型、起始地和运输距离。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据用户发布货源历史数据，生成用户识别模型，包括：

获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；

对所述用户特征数据进行训练，生成用户识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果，包括：

利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果；

若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。

第二方面，本发明实施例提供一种货物识别装置，包括：

第一模型生成模块，用于根据货运历史数据，生成货物识别模型；

第二模型生成模块，用于根据用户发布货源历史数据，生成用户识别模型；

接收模块，用于接收用户的货源发布请求；

识别模块，用于响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述货运历史数据包括货物类型、货物尺寸、货物重量、运输距离和运输价格；

所述第一模型生成模块，具体用于：

获取多个货运历史数据，从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；

对所述货物特征数据进行训练，生成货物识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述用户发布货源历史数据包括用户标识、发布时间、发布的货物类型、起始地和运输距离；

所述第二模型生成模块，具体用于：

获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；

对所述用户特征数据进行训练，生成用户识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述识别模块，具体用于：

利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果；

若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。

本发明实施例具有以下有益效果：

本发明实施例通过利用真实的货运历史数据和用户发布货源历史数据生成相应的识别模型，然后当有用户(如货主会员)提供货源发布请求时，可以利用识别模型对其进行识别，从而能够识别出货源的真实性，实现了对用户发布货源的真伪鉴别和把控，从而避免了现有技术中货主会员会发布虚假货物信息，导致货物运输电子商务平台存在的安全性问题，提升了货物运输电子商务平台的安全性。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所提供的货物识别方法的流程示意图；

图2为本发明实施例所提供的货物识别装置的功能方块图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

货主会员和车船会员都可以各自使用终端登录预先安装的货物运输电子商务平台的客户端，在登录成功后，货主会员发送货物发布请求给货物运输电子商务平台，其中携带待配送货物的相关信息，车船会员在登录成功后，可以将其空载运力或者空闲运力的相关信息发送到货物运输电子商务平台。货物运输电子商务平台根据待配送货物的相关信息，为其分配车船会员。本发明实施例在该场景下，提供了解决如何对货主会员发布的待配送货物的相关信息进行真实性识别的思路。

请参考图1，其为本发明实施例所提供的货物识别方法的流程示意图，如图1所示，该方法包括以下步骤：

S101、根据货运历史数据，生成货物识别模型。

S102、根据用户发布货源历史数据，生成用户识别模型。

S103、接收用户的货源发布请求，响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

需要说明的是，本发明实施例所提供的基于货物运输的推荐方法的执行主体为货物运输电子商务平台。

针对步骤S101所涉及的根据货运历史数据，生成货物识别模型，本发明实施例提供了以下可行的实施方案。

在一种可行的实施方案中，对每个车船会员的配送行为的数据进行记录并进行存储，生成货运历史数据。例如，针对车船会员的每次货物配送，都记录下时间、货物类型、货物尺寸、货物重量、货物的运输距离和运输价格，然后将记录的数据作为货运历史数据存储至数据库中，因此，数据库所存储的货运历史数据至少包括：货物类型、货物尺寸、货物重量、运输距离和运输价格。

在一种可行的实施方案中，首先获取多个货运历史数据，然后从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；最后对所述货物特征数据进行训练，生成货物识别模型。

举例说明，首先，根据字符匹配算法，从每条货运历史记录中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，然后对提取的数据进行数据格式的标准化处理。然后，对经过标准化处理的数据进行去噪处理。最后，利用降维算法，对经过去噪处理的数据进行降维处理，获得货物特征数据。

可以理解的是，由于采集到的货运历史数据中各项数据的数据格式不同，因此为了方便后面的去噪处理和降维处理，需要先对各项数据进行数据格式的标准化处理。对于货运历史数据包含的货物类型、货物尺寸、货物重量、运输距离和运输价格，需要分别进行数据格式的标准化处理，将各项数据的数据格式都处理成相同的数据格式。例如，可以使用z分数(z-score)算法实现数据格式的标准化处理。

可以理解的是，由于数据的采集操作或者***异常都有可能导致出现较多的异常数据，异常数据会严重影响生成的模型，使得模型的输出结果误差增大，导致准确率降低，因此，本发明实施例中，需要对采集的货运历史数据进行去噪处理，从而可以去除采集的货运历史数据中的孤立数据和/或异常数据。

在一个具体的实现过程中，可以利用主成分分析(Principal ComponentAnalysis，PCA)降维算法实现降维处理。

举例说明，首先，根据采集的货运历史数据生成对应的数据矩阵。然后对数据矩阵进行零均值化处理，即计算数据矩阵中所述数据的平均值，然后对于每个数据都减去平均值。接着，根据经过零均值化处理的数据矩阵，计算协方差矩阵，以及计算协方差矩阵的特征值和特征向量。最后，按照由大到小的顺序，对特征值进行排序，选择其中最大的k个特征值，将k个特征值对应的k个特征向量分别作为列向量，利用列向量组成特征向量。

需要说明的是，本发明实施例中，可以周期地进行货物识别模型的生成，在每个周期到达后，根据最新的货运历史数据，获取货物类型、货物尺寸、货物重量、运输距离和运输价格，然后利用这些数据进行重新训练，以实现数据的更新和模型的更新。

针对步骤S102所涉及的根据用户发布货源历史数据，生成用户识别模型，本发明实施例提供了以下可行的实施方案。

在一种可行的实施方案中，对每个货主会员发布的货源数据进行记录并进行存储，生成用户发布货源历史数据。例如，针对货主会员发布的货源数据，都记录下用户标识、时间、发布时间、发布的货物类型、起始地和运输距离，然后将记录的数据作为用户发布货源历史数据存储至数据库中，因此，数据库所存储的用户发布货源历史数据至少包括：用户标识、发布时间、发布的货物类型、起始地和运输距离。

在一种可行的实施方案中，首先获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；最后对所述用户特征数据进行训练，生成用户识别模型。

举例说明，首先，根据字符匹配算法，从每条用户发布货源历史数据中提取用户标识、发布时间、发布的货物类型、起始地和运输距离，然后对提取的数据进行数据格式的标准化处理。然后，对经过标准化处理的数据进行去噪处理。最后，利用降维算法，对经过去噪处理的数据进行降维处理，获得用户特征数据。

可以理解的是，由于采集到的用户发布货源历史数据中各项数据的数据格式不同，因此为了方便后面的去噪处理和降维处理，需要先对各项数据进行数据格式的标准化处理。对于用户发布货源历史数据包含的用户标识、发布时间、发布的货物类型、起始地和运输距离，需要分别进行数据格式的标准化处理，将各项数据的数据格式都处理成相同的数据格式。例如，可以使用z分数(z-score)算法实现数据格式的标准化处理。

可以理解的是，由于数据的采集操作或者***异常都有可能导致出现较多的异常数据，异常数据会严重影响生成的模型，使得模型的输出结果误差增大，导致准确率降低，因此，本发明实施例中，需要对采集的用户发布货源历史数据进行去噪处理，从而可以去除采集的用户发布货源历史数据中的孤立数据和/或异常数据。

在一个具体的实现过程中，可以利用主成分分析(Principal ComponentAnalysis，PCA)降维算法实现降维处理。

举例说明，首先，根据采集的用户发布货源历史数据生成对应的数据矩阵。然后对数据矩阵进行零均值化处理，即计算数据矩阵中所述数据的平均值，然后对于每个数据都减去平均值。接着，根据经过零均值化处理的数据矩阵，计算协方差矩阵，以及计算协方差矩阵的特征值和特征向量。最后，按照由大到小的顺序，对特征值进行排序，选择其中最大的k个特征值，将k个特征值对应的k个特征向量分别作为列向量，利用列向量组成特征向量。

需要说明的是，本发明实施例中，可以周期地进行用户识别模型的生成，在每个周期到达后，根据最新的用户发布货源历史数据，获取用户标识、发布时间、发布的货物类型、起始地和运输距离，然后利用这些数据进行重新训练，以实现数据的更新和模型的更新。

需要说明的是，本发明实施例中步骤S101和步骤S102的执行顺序可以为先执行S101，后执行S102，或者，也可以是先执行S102，后执行S101，或者，也可以是S101与S102同时执行，附图中的顺序仅为举例说明，并不用于限定执行顺序。

针对步骤S103所涉及的接收用户的货源发布请求，响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果，本发明实施例提供了以下可行的实施方案。

具体的，货物运输电子商务平台可以接收货主会员通过终端发送的货物发布请求，该货物发布请求可以携带待配送货物的信息，用以请求货物运输电子商务平台为其分配车船会员，以实现将其货物运输至指定地点。

进一步的，货物运输电子商务平台响应于接收到的货物发布请求，根据该货物发布请求所携带的信息，并利用预先生成的货物识别模型和用户识别模型对货源真实性进行识别，得到识别结果。由于生成的货物识别模型是利用真实的货运历史记录进行训练得到的，因此，其能够根据货物发布请求中携带的相关信息，对货源的真实性进行识别，判断货源是否符合一般规律，同理，由于生成的用户识别模型是利用真实的用户发布货源历史数据进行训练得到的，因此，其能够根据货物发布请求中携带的相关信息，对发布货源的用户(如货主会员)进行识别，判断货主会员的发布行为是否符合一般规律，并将对货主会员的识别结果作为货源的识别结果。

具体的，可以利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果。若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。也就是说，当存在至少一个识别结果是货源不真实的，则认为最终的识别结果是货源不真实。

进一步的，如果识别到货源是真实的，可以进一步为待配送货物分配的车船会员。或者，如果识别到货源是不真实，需要向货主会员使用的终端返回货源识别结果为不真实的提示信息，并提供重新发布货物的入口，以便货主会员重新发布货物的运输请求。

本发明实施例还提供了一种货物识别装置，请参考图2，其为本发明实施例所提供的货物识别装置的功能方块图，如图2所示，该装置包括：

第一模型生成模块20，用于根据货运历史数据，生成货物识别模型；

第二模型生成模块21，用于根据用户发布货源历史数据，生成用户识别模型；

接收模块22，用于接收用户的货源发布请求；

识别模块23，用于响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

在一种具体的实施方案中，所述货运历史数据包括货物类型、货物尺寸、货物重量、运输距离和运输价格；

所述第一模型生成模块20，具体用于：

获取多个货运历史数据，从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；

对所述货物特征数据进行训练，生成货物识别模型。

在一种具体的实施方案中，所述用户发布货源历史数据包括用户标识、发布时间、发布的货物类型、起始地和运输距离；

所述第二模型生成模块21，具体用于：

获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；

对所述用户特征数据进行训练，生成用户识别模型。

在一种具体的实施方案中，所述识别模块23，具体用于：

利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果；

若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种货物识别方法，其特征在于，所述方法包括：

根据货运历史数据，生成货物识别模型；

根据用户发布货源历史数据，生成用户识别模型；

接收用户的货源发布请求，响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述货运历史数据包括货物类型、货物尺寸、货物重量、运输距离和运输价格。

3.根据权利要求2所述的方法，其特征在于，根据货运历史数据，生成货物识别模型，包括：

获取多个货运历史数据，从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；

对所述货物特征数据进行训练，生成货物识别模型。

4.根据权利要求1所述的方法，其特征在于，所述用户发布货源历史数据包括用户标识、发布时间、发布的货物类型、起始地和运输距离。

5.根据权利要求4所述的方法，其特征在于，根据用户发布货源历史数据，生成用户识别模型，包括：

获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；

对所述用户特征数据进行训练，生成用户识别模型。

6.根据权利要求1所述的方法，其特征在于，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果，包括：

利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果；

若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。

7.一种货物识别装置，其特征在于，所述装置包括：

第一模型生成模块，用于根据货运历史数据，生成货物识别模型；

第二模型生成模块，用于根据用户发布货源历史数据，生成用户识别模型；

接收模块，用于接收用户的货源发布请求；

识别模块，用于响应于所述货源发布请求，利用所述货物识别模型和所述用户识别模型对所述货源发布请求所携带的信息进行识别，得到货源真实性的识别结果。

8.根据权利要求7所述的装置，其特征在于，所述货运历史数据包括货物类型、货物尺寸、货物重量、运输距离和运输价格；

所述第一模型生成模块，具体用于：

获取多个货运历史数据，从每个所述货运历史数据中提取货物类型、货物尺寸、货物重量、运输距离和运输价格，以作为货物特征数据；

对所述货物特征数据进行训练，生成货物识别模型。

9.根据权利要求7所述的装置，其特征在于，所述用户发布货源历史数据包括用户标识、发布时间、发布的货物类型、起始地和运输距离；

所述第二模型生成模块，具体用于：

获取多个用户发布货源历史数据，从每个用户发布货源历史数据提取用户标识、发布时间、发布的货物类型、起始地和运输距离，以作为用户特征数据；

对所述用户特征数据进行训练，生成用户识别模型。

10.根据权利要求7所述的装置，其特征在于，所述识别模块，具体用于：

利用所述货物识别模型对所述货源发布请求所携带的货源信息进行识别，得到第一识别结果，以及，利用所述用户识别模型对所述货源发布请求所携带的货源信息和用户信息进行识别，得到第二识别结果；

若所述第一识别结果为货源是真实的，且所述第二识别结果为货源是真实的，得到货源真实的识别结果；或者，若所述第一识别结果为货源是不真实的，和/或，所述第二识别结果为货源是不真实的，得到货源不真实的识别结果。