窜货行为识别方法、系统、介质及电子设备

技术领域

本申请涉及计算机技术领域，特别涉及一种窜货行为识别方法、系统、介质及电子设备。

背景技术

随着经济的发展，地区消费水平出现差异，生产厂家针对该种情况，往往对不同的市场区域对同种商品指定不同的销售价格。在物流日益发达的今天，如果不对不同定价的同种商品的销售区域进行限制，则必然出现严重的窜货销售的现象，即销售商将商品从定价较低的市场区域运输到定价较高的市场区域进行销售，这种窜货销售的现象势必扰乱生产厂家的营销策略，出现不良的市场竞争。

相关技术中，针对这种销售商进行窜货销售的现象最主要的方式是采用附加在商品上的条形码和电子标签(rfid)对流通商品进行管理，此类识别窜货技术都是基于密码认证技术实现的，对不同类型的货物粘贴电子标签非常不方便，并且容易在运输过程中掉了丢失，需要卸货才能识别每件货物的电子标签，需要浪费大量的人力物力，从而降低了窜货检测的准确性和效率。

发明内容

本申请实施例提供了一种窜货行为识别方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种窜货行为识别方法，方法包括：

接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；

在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；

根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；

根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。

可选的，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列之前，还包括：

在预先生成的货车标识与运货路线的映射关系中，查询待分析货车的货车标识对应的运货路线，得到待分析货车的预设运货路线；

计算位置坐标点与待分析货车的预设运货路线之间的距离；

当距离大于预设距离阈值时，确定位置坐标点偏离待分析货车的预设运货路线；或者，

当距离小于等于预设距离阈值时，确定位置坐标点未偏离待分析货车的预设运货路线。

可选的，按照以下步骤生成预先训练的窜货行为识别模型，包括：

收集并预处理所有货车的历史位置数据和预设运货路线，得到每辆货车的目标位置数据和目标运货路线；

根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息；

根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本；

通过模型训练样本，对机器学习模型进行训练，得到模型损失值；

当模型损失值到达最小时，生成预先训练的窜货行为识别模型。

可选的，根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息，包括：

通过匹配算法，将每辆货车的目标位置数据和目标运货路线进行比对分析，以确定出每辆货车的目标位置数据和目标运货路线之间存在的偏差距离，得到多个偏差距离；

将偏差距离作为特征值输入到聚类算法中进行点聚类操作，得到簇中心点信息。

可选的，根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本，包括：

获取车辆行驶历史数据、窜货监管数据信息，得到历史数据；

获取运输行业规定、安全标准、窜货案例信息，得到行业经验；

将历史数据和行业经验进行预处理和清洗，并提取出符合预设条件的特征，得到特征集合；

根据每辆货车的目标簇中心点信息和预设窜货检测需求，在特征集合中选择与窜货检测相关的特征，得到目标特征集合；

接收对所述目标特征集合中每个目标特征值设定的标签数据；将每个目标特征值和所述每个目标特征值对应的标签数据进行关联，得到模型训练样本。

可选的，通过模型训练样本，对机器学习模型进行训练，得到模型损失值，包括：

将模型训练样本输入机器学习模型进行交叉验证，输出模型的准确率、召回率以及F1得分；

根据模型的准确率、召回率以及F1得分，计算模型的损失值。

可选的，根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为，包括：

根据预先训练的窜货行为识别模型，计算可能存在的窜货位置点与所述位置坐标点序列的距离和时间差；

根据所述距离和时间差，确定目标标签；

当目标标签为窜货行为标签时，判定待分析货车存在窜货行为。

第二方面，本申请实施例提供了一种窜货行为识别系统，系统包括：

接收模块，用于接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；

判断模块，用于在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；

聚类模块，用于根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；

识别模块，用于根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。

第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，窜货行为识别系统首先接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；然后在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；其次根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；最后根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。由于本申请通过接收货车的位置坐标点确定货车是否与运货路线发生偏离，在发生偏离后，及时通过聚类算法和网络模型进行处理，聚类算法和网络模型能够更好地处理大量的GPS定位数据，从而提高窜货检测的及时性、准确性和效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种窜货行为识别方法的流程示意图；

图2是本申请实施例提供的一种窜货行为识别系统的结构示意图；

图3是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本申请的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅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它实施例，都属于本申请保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请提供了一种窜货行为识别方法、系统、介质及电子设备，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过接收货车的位置坐标点确定货车是否与运货路线发生偏离，在发生偏离后，及时通过聚类算法和网络模型进行处理，聚类算法和网络模型能够更好地处理大量的GPS定位数据，从而提高窜货检测的准确性和效率，下面采用示例性的实施例进行详细说明。

下面将结合附图1，对本申请实施例提供的窜货行为识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的窜货行为识别系统上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

请参见图1，为本申请实施例提供了一种窜货行为识别方法的流程示意图。

如图1所示，本申请实施例的方法可以包括以下步骤：

S101，接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；

其中，监控货车列表是提前确定出的一批需要进行窜货行为识别的目标对象，该监控货车列表可以实时进行添加车辆标识或者删除车辆标识。位置坐标点是货车上安装的定位装置实时上报的，例如GPS定位装置。位置坐标点包括车辆编号、时间戳、经度、纬度、速度等信息。

在本申请实施例中，在进行窜货行为识别时，首先针对监控货车列表中的每个车辆，接收该车辆的定位装置所实时上报的位置坐标点。

S102，在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；

在本申请实施例中，在确定位置坐标点是否偏离待分析货车的预设运货路线时，首先在预先生成的货车标识与运货路线的映射关系中，查询待分析货车的货车标识对应的运货路线，得到待分析货车的预设运货路线；然后计算位置坐标点与待分析货车的预设运货路线之间的距离；最后当距离大于预设距离阈值时，确定位置坐标点偏离待分析货车的预设运货路线；或者，当距离小于等于预设距离阈值时，确定位置坐标点未偏离待分析货车的预设运货路线。

在一种可能的实现方式中，在位置坐标点未偏离待分析货车的预设运货路线时，继续执行接收待分析货车上报的位置坐标点的步骤。

在另一种可能的实现方式中，在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列。预设周期可以是设定的几分钟，也可以是当前时刻与偏离结束时刻之间的时间段，偏离结束时刻为当前时刻之后待分析货车上报的坐标点未偏离待分析货车的预设运货路线时的坐标时刻。

S103，根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；

在本申请实施例中，可以采用K-means等聚类算法对位置坐标点序列进行聚类，可以采用POI信息或者其他筛选规则对聚类结果进行筛选，POI信息例如是加油站、服务区等非窜货地点。

在一种可能的实现方式中，在得到位置坐标点序列后，可采用K-means等聚类算法对位置坐标点序列进行聚类，得到聚类结果，然后可采用POI信息或者其他筛选规则对聚类结果进行筛选，得到筛选出的簇中心点信息。

S104，根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。

在本申请实施例中，可按照以下步骤生成预先训练的窜货行为识别模型，首先收集并预处理所有货车的历史位置数据和预设运货路线，得到每辆货车的目标位置数据和目标运货路线；然后根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息；其次根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本；再通过模型训练样本，对机器学习模型进行训练，得到模型损失值；最后当模型损失值到达最小时，生成预先训练的窜货行为识别模型。机器学习模型是例如BP神经网络模型、支持向量机模型等。

具体的，BP神经网络模型：设输入层节点数为n，隐层节点数为h，输出层节点数为m，Wi为第i个输入层节点到第j个隐层节点的权值，Wj为第j个隐层节点到第k个输出层节点的权值，ai为输入层第i个节点的输入值，zj为隐层第j个节点的输入值，y为输出值，则有：zj＝ΣWiai y＝f(ΣWjzj)其中f为激活函数，常用sigmoid函数或ReLU函数。

具体的，支持向量机模型：设样本点为(x1,y1),(x2,y2),...,(xn,yn)，其中xi为特征向量，yi为标签，f(x)为分类决策函数，则支持向量机模型的目标是找到一个决策平面，使得间隔最大化，即：maxΣαi-1/2ΣΣyiyjαiαjK(xi,xj)s.t.Σyi*αi＝0,0≤αi≤C其中αi为拉格朗日乘子，C为惩罚参数，K(xi,xj)为核函数。

在本申请实施例中，在根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息时，首先通过匹配算法，将每辆货车的目标位置数据和目标运货路线进行比对分析，以确定出每辆货车的目标位置数据和目标运货路线之间存在的偏差距离，得到多个偏差距离；然后将偏差距离作为特征值输入到聚类算法中进行点聚类操作，得到簇中心点信息。其中簇中心点信息包括簇编号、簇中心点经纬度坐标、簇半径等信息。

例如，将偏差距离作为特征值，设k为簇个数，x为样本点，u为簇中心点，d为两点之间的距离，则目标函数为：minΣ||x-u||

在本申请实施例中，在根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本时，首先获取车辆行驶历史数据、窜货监管数据信息，得到历史数据；再获取运输行业规定、安全标准、窜货案例信息，得到行业经验；然后将历史数据和行业经验进行预处理和清洗，并提取出符合预设条件的特征，得到特征集合；其次根据每辆货车的目标簇中心点信息和预设窜货检测需求，在特征集合中选择与窜货检测相关的特征，得到目标特征集合；最后接收对所述目标特征集合中每个目标特征值设定的标签数据；将每个目标特征值和所述每个目标特征值对应的标签数据进行关联，得到模型训练样本。

具体的，将历史数据和行业经验进行预处理和清洗，提取出有用的特征，例如车速、行驶路线、时间戳等。根据窜货检测的需求，选择合适的特征。例如，可以选择与窜货检测相关的特征，如车辆偏离路线的距离、车速变化等。最后对选出的特征添加标签后生成模型训练样本。

在本申请实施例中，在通过模型训练样本，对机器学习模型进行训练，得到模型损失值时，首先将模型训练样本输入机器学习模型进行交叉验证，输出模型的准确率、召回率以及F1得分；然后根据模型的准确率、召回率以及F1得分，计算模型的损失值。

进一步地，在模型损失值未到达最小时，需要结合历史数据和行业经验继续进行模型参数调整和模型训练，直到模型的损失值到达最小。

在本申请实施例中，在根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为时，首先根据预先训练的窜货行为识别模型，计算可能存在的窜货位置点与所述位置坐标点序列的距离和时间差；然后根据所述距离和时间差，确定目标标签；最后当目标标签为窜货行为标签时，判定待分析货车存在窜货行为。

进一步地，在确定出待分析货车存在窜货行为时，可将待分析货车的相关信息反馈至监管部门。

例如，假设某个网络货运平台上有一辆货车正在进行从A地到B地的运输任务，平台通过基于位置的窜货检测算法监控该货车的位置和行驶路线。如果该货车出现了以下情况之一：货车偏离规划路线；货车停留时间过长；在结合地图POI分析出的可疑窜货地点停留则系统就会自动发送窜货预警信息给相关人员，以便及时采取措施遏制窜货行为。同时，系统也会将窜货点簇的中心点信息等存储下来，以便后续分析和处理。通过基于位置的窜货检测算法，在网络货运平台的运单运输过程中，可以对货车的位置和行驶路线进行实时监控，提高窜货检测的准确性和效率，保障货物安全和运输行业规范化。

在本申请实施例中，窜货行为识别系统首先接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；然后在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；其次根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；最后根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。由于本申请通过接收货车的位置坐标点确定货车是否与运货路线发生偏离，在发生偏离后，及时通过聚类算法和网络模型进行处理，聚类算法和网络模型能够更好地处理大量的GPS定位数据，从而提高窜货检测的及时性、准确性和效率。

下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。

请参见图2，其示出了本申请一个示例性实施例提供的窜货行为识别系统的结构示意图应用于电子设备，。该窜货行为识别系统可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该系统1包括接收模块10、判断模块20、聚类模块30、识别模块40。

接收模块10，用于接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；

判断模块20，用于在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；

聚类模块30，用于根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；

识别模块40，用于根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。

需要说明的是，上述实施例提供的窜货行为识别系统在执行窜货行为识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的窜货行为识别系统与窜货行为识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请实施例中，窜货行为识别系统首先接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；然后在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；其次根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；最后根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。由于本申请通过接收货车的位置坐标点确定货车是否与运货路线发生偏离，在发生偏离后，及时通过聚类算法和网络模型进行处理，聚类算法和网络模型能够更好地处理大量的GPS定位数据，从而提高窜货检测的及时性、准确性和效率。

本申请还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的窜货行为识别方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的窜货行为识别方法。

请参见图3，为本申请实施例提供了一种电子设备的结构示意图。如图3所示，电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及窜货行为识别应用程序。

在图3所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的窜货行为识别应用程序，并具体执行以下操作：

接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；

在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；

根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；

根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。

在一个实施例中，处理器1001在接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列之前时，还执行以下操作：

在预先生成的货车标识与运货路线的映射关系中，查询待分析货车的货车标识对应的运货路线，得到待分析货车的预设运货路线；

计算位置坐标点与待分析货车的预设运货路线之间的距离；

当距离大于预设距离阈值时，确定位置坐标点偏离待分析货车的预设运货路线；或者，

当距离小于等于预设距离阈值时，确定位置坐标点未偏离待分析货车的预设运货路线。

在一个实施例中，处理器1001在生成预先训练的窜货行为识别模型时，具体执行以下操作：

收集并预处理所有货车的历史位置数据和预设运货路线，得到每辆货车的目标位置数据和目标运货路线；

根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息；

根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本；

通过模型训练样本，对机器学习模型进行训练，得到模型损失值；

当模型损失值到达最小时，生成预先训练的窜货行为识别模型。

在一个实施例中，处理器1001在执行根据每辆货车的目标位置数据和目标运货路线，生成每辆货车的目标簇中心点信息时，具体执行以下操作：

通过匹配算法，将每辆货车的目标位置数据和目标运货路线进行比对分析，以确定出每辆货车的目标位置数据和目标运货路线之间存在的偏差距离，得到多个偏差距离；

将偏差距离作为特征值输入到聚类算法中进行点聚类操作，得到簇中心点信息。

在一个实施例中，处理器1001在执行根据每辆货车的目标簇中心点信息，并结合历史数据和行业经验建立模型训练样本时，具体执行以下操作：

获取车辆行驶历史数据、窜货监管数据信息，得到历史数据；

获取运输行业规定、安全标准、窜货案例信息，得到行业经验；

将历史数据和行业经验进行预处理和清洗，并提取出符合预设条件的特征，得到特征集合；

根据每辆货车的目标簇中心点信息和预设窜货检测需求，在特征集合中选择与窜货检测相关的特征，得到目标特征集合；

接收对所述目标特征集合中每个目标特征值设定的标签数据；将每个目标特征值和所述每个目标特征值对应的标签数据进行关联，得到模型训练样本。

在一个实施例中，处理器1001在执行通过模型训练样本，对机器学习模型进行训练，得到模型损失值时，具体执行以下操作：

将模型训练样本输入机器学习模型进行交叉验证，输出模型的准确率、召回率以及F1得分；

根据模型的准确率、召回率以及F1得分，计算模型的损失值。

在一个实施例中，处理器1001在执行根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为时，具体执行以下操作：

根据预先训练的窜货行为识别模型，计算可能存在的窜货位置点与所述位置坐标点序列的距离和时间差；

根据所述距离和时间差，确定目标标签；

当目标标签为窜货行为标签时，判定待分析货车存在窜货行为。

在本申请实施例中，窜货行为识别系统首先接收待分析货车上报的位置坐标点，待分析货车为监控货车列表中任意一个车辆；然后在位置坐标点偏离待分析货车的预设运货路线时，接收待分析货车在当前时刻之后预设周期内上报的位置坐标点序列；其次根据获取的所有货车的历史位置数据和预设地图POI信息进行聚类分析，得到可能存在的窜货位置点；最后根据所述位置坐标点序列以及可能存在的窜货位置点，结合预先训练的窜货行为识别模型，判定待分析货车是否存在窜货行为。由于本申请通过接收货车的位置坐标点确定货车是否与运货路线发生偏离，在发生偏离后，及时通过聚类算法和网络模型进行处理，聚类算法和网络模型能够更好地处理大量的GPS定位数据，从而提高窜货检测的准确性和效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，窜货行为识别的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，窜货行为识别的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。