CN112085384A - 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 - Google Patents
一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 Download PDFInfo
- Publication number
- CN112085384A CN112085384A CN202010937135.6A CN202010937135A CN112085384A CN 112085384 A CN112085384 A CN 112085384A CN 202010937135 A CN202010937135 A CN 202010937135A CN 112085384 A CN112085384 A CN 112085384A
- Authority
- CN
- China
- Prior art keywords
- risk
- fuzzy
- index
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000010606 normalization Methods 0.000 claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012502 risk assessment Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000013210 evaluation model Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明给出了一种基于模糊推理与LSTM结合的邮寄物风险评价方法与系统,包括利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,再对邮寄物的申报数据和查验数据进行预处理,得到原始数据样本,基于模糊推理理论,对原始数据样本进行模糊归一化,构建可用于深度学习训练的风险等级样本数据,基于风险源指标体系表,对风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。本发明构建了分析所需的原始数据样本以及完善的数据分析体系,并将原始数据样本中的语言变量转化为数字变量,最后利用改进的LSTM深度神经网络对数据进行训练,得到相比于现有技术更加稳定的邮寄物风险源评价模型。
Description
技术领域
本发明涉及物联网技术领域,尤其是一种基于模糊推理与LSTM结合的邮寄物风险评价方法与系统。
背景技术
现有的海关部门对所有跨境邮寄物都采用的是均匀随机的布控方式,而均匀随机布控抽检方式导致高风险等级的生化产品流入市场,无法达到较高的风险源产品的查验率。
本发明基于模糊推理的邮寄物风险评价方法,该方法对邮寄物的申报数据、查验数据进行预处理的基础上,实施大数据研究,利用层次分析法,建立邮寄物的风险源多元多维度评价的指标体系模型;然后利用模糊理论构建风险源指标体系的模糊推理模型,实现数据样本的模糊归一化;最后应用LSTM深度神经网络建模,实现风险源智能综合评价及预测。
发明内容
本发明提出了一种基于模糊推理与LSTM结合的邮寄物风险评价方法与系统,以解决上文提到的现有技术的缺陷。
在一个方面,本发明提出了一种基于模糊推理与LSTM结合的邮寄物风险评价方法,该方法包括以下步骤:
S1:利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,建立表征邮寄物的风险评估指标和风险评估指标权重系数的对应关系的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本;
S2:基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据;以及
S3:基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。
以上方法在对邮寄物的申报数据、查验数据进行预处理的基础上,利用大数据研究方法中的层次分析法,基于多元多维度建立邮寄物的风险源的评价的指标体系模型,然后利用模糊理论构建风险源指标体系的模糊推理模型,实现数据样本的模糊归一化,将邮寄物数据中的文字描述的语言变量转化为可进行深度学习训练建模的数字变量,最后应用LSTM深度神经网络建模,实现风险源智能综合评价及预测。
在具体的实施例中,步骤S1中所述层次分析法具体包括:
确定层次结构和邮寄物风险的影响因素;
从所述邮寄物风险的影响因素中筛选出一定数量的合适的风险评估指标,来构造判断矩阵,计算各个所述风险评估指标对应的风险评估指标权重系数;
进行层次的单一排序及一致性检验;
进行层次的总排序及一致性检验。
在具体的实施例中,风险评估指标包括邮寄物的税号编码、企业编码、起运地/目的地和中转地。
在具体的实施例中,步骤S1中的表征所述风险评估指标的具体指标值是利用文字来描述相应风险评估指标的语言变量。
在具体的实施例中,步骤S2中对所述原始数据样本进行模糊归一化的具体步骤包括:
统计所述原始数据样本中各风险评估指标的具体指标值的总批次数和不合格比例作为输入变量,将所述总批次数、所述不合格比例和所述具体指标值的风险等级分别量化为多个等级,构造风险等级、总批次数和不合格比例的模糊集合;
选取合适的隶属度函数,根据所述总批次数和不合格比例的模糊集合对所述输入变量进行模糊归一化,得到模糊归一化的输入变量,并配置相应的隶属函数表达式;
根据所述风险等级、总批次数和不合格比例的模糊集合,制定相应的推理规则;
选取合适的输出隶属度函数,根据所述推理规则以及所述模糊归一化的输入变量,模糊推理得到所述输入变量对应的风险等级的模糊归一化值。
在具体的实施例中,风险等级样本数据的构建包括将所述原始数据样本中的所述具体指标值对应映射为所述风险等级的模糊归一化值。由于具体指标值是利用文字来描述相应风险评估指标的语言变量,故将原始数据样本中的具体指标值映射为风险等级模糊归一化后的值,得到数字格式的数据样本,便于后续利用深度神经网络对邮寄物的数据样本进行分析。
在具体的实施例中,本发明所使用的LSTM深度神经网络包括在传统的LSTM深度神经网络的基础上使用以下公式进行t时刻的更新:
ft=σ(Wf·[ht-1,xt]+bf)
Ot=σ(Wo·[Ct,ht-1,xt]+bo)
ht=Ot*tanh(Ct)
其中,xt为t时刻输入值,ft为t时刻忘记门状态值,为侯选记忆单元在t时刻的状态值,Ct和Ct-1分别为记忆单元在t和t-1时刻的状态值,Ot为输出门在t时刻的状态值,ht和ht-1分别为隐藏单元在t和t-1时刻的状态值,σ(t)为激活函数,Wf,Wo,Wz为t时刻对应的权重参数,bf,bo,bc为Wf,Wo,Wz对应的偏置参数。
在LSTM深度神经网络中,当前输入信息的状态不能影响输出门的输出信息,增加当前输入门到输出门的连接,能更好地控制每一内存单元输出多少信息,以上公式使用了改进的LSTM深度神经网络,具体包括:将遗忘门和输入门合成一个单一的更新门,耦合遗忘和输入门限由传统的LSTM中分开确定要遗忘的信息和要添加的信息的方式,改进为同时确定要遗忘的信息和要添加的信息的方式,并改进为在输入的时候才进行遗忘,在进行遗忘时才将新值添加到状态中,长短时记忆神经网络可以选择遗忘之前累积的信息,这样改进的LSTM模型可以学到长时期的历史信息,具有更强的稳定性。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面,提出一种基于模糊推理与LSTM结合的邮寄物风险评价系统,该系统包括:
原始数据样本构建模块:配置用于利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,基于多个维度的评价建立邮寄物的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本;
模糊推理模块:配置用于基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据;
LSTM深度学习模块:配置用于基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。
本发明利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,基于多个维度的评价建立邮寄物的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本,基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据,基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。利用层次分析法构建分析所需的原始数据样本以及完善的数据分析体系,再基于模糊推理理论将原始数据样本中的文字描述的语言变量转化为数字变量,便于后续基于深度神经网络对数据进行分析,最后利用改进的LSTM深度神经网络对数据进行训练,得到相比于现有技术更加稳定的邮寄物风险源评价模型。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一个实施例的一种基于模糊推理与LSTM结合的邮寄物风险评价方法的流程图;
图2是本发明的一个具体的实施例的跨境邮寄物的申报数据和查验数据的数据表;
图3是本发明的一个具体的实施例的风险源指标体系表;
图4是本发明的一个具体的实施例的原始数据样本;
图5是本发明的一个具体的实施例的模糊推理规则表;
图6是本发明的一个具体的实施例的风险等级样本数据;
图7是本发明的一个具体的实施例的LSTM深度神经网络的单元图;
图8是本发明的一个具体的实施例的对比检验方案的示意图;
图9是本发明的一个具体的实施例的分别基于改进的LSTM神经网络、LSTM神经网络、CNN神经网络和BP神经网络得到的训练精度结果;
图10是本发明的一个具体的实施例的分别基于改进的LSTM神经网络、LSTM神经网络、CNN神经网络和BP神经网络得到的跨境邮寄物风险评价准确率结果;
图11是本发明的一个具体的实施例的一段时间内基于本发明方案的算法布控方式和传统的随机布控方式的查验检出率结果对比;
图12是本发明的一个实施例的一种基于模糊推理与LSTM结合的邮寄物风险评价系统的框架图;
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种基于模糊推理与LSTM结合的邮寄物风险评价方法,图1示出了根据本发明的实施例的一种基于模糊推理与LSTM结合的邮寄物风险评价方法的流程图。如图1所示,该方法包括以下步骤:
S101:利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,建立表征邮寄物的风险评估指标和风险评估指标权重系数的对应关系的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本。
以跨境邮寄物为例,图2示出了跨境邮寄物的申报数据和查验数据的数据表,该表作为后续分析跨境邮寄物的风险评估指标以及生成原始数据样本的重要依据。
以跨境邮寄物为例,步骤S101中的层次分析法具体包括:
根据图2示出的跨境邮寄物的申报数据和查验数据的数据表,确定层次结构和跨境邮寄物风险的影响因素;
从跨境邮寄物风险的影响因素中筛选出四项风险评估指标:税号编码、企业编码、起运国/目的国和中转国,用以上四项风险评估指标构造判断矩阵,计算各个风险评估指标对应的风险评估指标权重系数;
对各个风险评估指标以及对应的风险评估指标权重系数进行层次的单一排序及一致性检验;
对上一步的结果进行层次的总排序及一致性检验,得到最终的风险源指标体系表如图3所示。
S102:基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据。
在具体的实施例中,表征风险评估指标的具体指标值是利用文字来描述相应风险评估指标的语言变量,以跨境邮寄物为例,风险评估指标的具体指标值如:原产国、报检单位、收货人以及编码等都是文字描述的量,属于语言变量;它们对应的风险程度描述也是模糊语言变量,如“波兰风险高”和“美国风险低”;由于需要将表征风险评估指标的具体指标值作为神经网络的输入值进行训练,故对原始数据样本进行模糊归一化,以便进行定量分析。
在具体的实施例中,对原始数据样本进行模糊归一化的具体步骤包括:
统计所述原始数据样本中各风险评估指标的具体指标值的总批次数和不合格比例作为输入变量,将所述总批次数、所述不合格比例和所述具体指标值的风险等级分别量化为多个等级,构造风险等级、总批次数和不合格比例的模糊集合;
选取合适的隶属度函数,根据所述总批次数和不合格比例的模糊集合对所述输入变量进行模糊归一化,得到模糊归一化的输入变量,并配置相应的隶属函数表达式;
根据所述风险等级、总批次数和不合格比例的模糊集合,制定相应的推理规则;
选取合适的输出隶属度函数,根据所述推理规则以及所述模糊归一化的输入变量,模糊推理得到所述输入变量对应的风险等级的模糊归一化值。
以跨境邮寄物的风险评估指标中的“起运国/目的国”的模糊归一化过程为例,使用的原始数据样本如图4所示,对原始数据样本进行模糊归一化的具体步骤如下:
统计原始数据样本中起运国/目的国的各个具体指标值的总批次数和不合格比例作为输入变量,划定相应的模糊论域,即构成模糊集合,将输入变量的数字信息按照如下方式转化为语言变量:起运国/目的国的不合格比例={很低、较低、较高、很高};起运国/目的国的总批次数={少、中、多};起运国/目的国的诚信度={A,B,C,D,E};
选取隶属度函数,对输入进行模糊化,优选的,本实施例中选取了梯形隶属函数(Trapmf),并对输入变量的总批次数和不合格比例的隶属函数表达式进行配置;
构建模糊推理规则表,如图5所示;
选取梯形输出隶属度函数(Trapmf),对输出等级按照(A、B、C、D、E)5个风险等级进行模糊归一化,将原始数据样本中的具体指标值与对应的模糊归一化的结果进行替换,得到用于深度学习训练建模的风险等级样本数据,如图6所示;
S103:基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。
图7示出了本发明所使用的LSTM深度神经网络的单元图,本发明所使用的LSTM深度神经网络包括在传统的LSTM深度神经网络的基础上使用以下公式进行t时刻的更新:
ft=σ(Wf·[ht-1,xt]+bf)
Ot=σ(Wo·[Ct,ht-1,xt]+bo)
ht=Ot*tanh(Ct)
其中,xt为t时刻输入值,ft为t时刻忘记门状态值,为侯选记忆单元在t时刻的状态值,Ct和Ct-1分别为记忆单元在t和t-1时刻的状态值,Ot为输出门在t时刻的状态值,ht和ht-1分别为隐藏单元在t和t-1时刻的状态值,σ(t)为激活函数,Wf,Wo,Wz为t时刻对应的权重参数,bf,bo,bc为Wf,Wo,Wz对应的偏置参数。
在LSTM深度神经网络中,当前输入信息的状态不能影响输出门的输出信息,增加当前输入门到输出门的连接,能更好地控制每一内存单元输出多少信息,以上公式使用了改进的LSTM深度神经网络,具体包括:将遗忘门和输入门合成一个单一的更新门,耦合遗忘和输入门限由传统的LSTM中分开确定要遗忘的信息和要添加的信息的方式,改进为同时确定要遗忘的信息和要添加的信息的方式,并改进为在输入的时候才进行遗忘,在进行遗忘时才将新值添加到状态中,长短时记忆神经网络可以选择遗忘之前累积的信息,这样改进的LSTM模型可以学到长时期的历史信息,具有更强的稳定性。
在本实施例中,利用本发明中改进的LSTM神经网络进行训练并进行测试,以检验本发明所提出的方案在跨境邮寄物货物风险评价方面的性能表现,图8示出了本对比检验方案的示意图,对比检验方案选取9497组训练数据801,分别基于改进的LSTM神经网络802、LSTM神经网络803、CNN神经网络804和BP神经网络805,四种方法进行训练,选取2374组测试数据806分别对四种神经网络算法进行测试,从而通过计算期望实际输出807和计算四种神经网络评价的准确率808,进行多维度的对比。
在本实施例中,共进行了四种神经网络的训练和测试,之后分别与实际产品的输出进行比对,并分别计算四种神经网络对32组出跨境邮寄物货物风险评价的准确度。其中,基于CNN神经网络中惯性权重取值常数0.729,个体学习与社会学系数取值1.494,其余设置相同。
在本实施例中,CNN神经网络的过程主要有卷积层、降采样层和全链接层。每一层有多个特征图,每个特征图通过一种卷积滤波器提取输入的一种特征,每个特征图有多个神经元,从输入层经过隐含层,最后到达输出层。
在本实施例中,BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
在本实施例中,给出精度J的定义公式为:
其中,0t为测试输出值,0e为样本输出值,N为负样本数,M为正样本数。
最后得到的对比检测精度结果如图9所示,图9示出了分别基于改进的LSTM神经网络、LSTM神经网络、CNN神经网络和BP神经网络得到的训练精度结果,则给出精度高低的排序为:BP<CNN<CLSTM<改进的LSTM。
最后得到的对比检测准确率结果如图10所示,图10示出了分别基于改进的LSTM神经网络、LSTM神经网络、CNN神经网络和BP神经网络得到的跨境邮寄物风险评价准确率结果,可以发现粒子群神经网络的准确率都低于BP神经网络,而改进的LSTM准确率又有了更多的提升,基于CNN与基于BP的神经网络在准确率上并无多少差异。
在本实施例中,将某段期间内的跨境邮寄物报检数据进行两次布控查验:基于传统的随机布控方式和基于本发明方案的算法布控方式;根据海关调研的经验所得,通常传统的随机布控方式的查验检出率通常在8%-10%之间,当所有的报检数据经过布控后,对布控的产品进行查验;图11示出了本发明的一个具体的实施例的一段时间内基于本发明方案的算法布控方式和传统的随机布控方式的查验检出率结果对比。
图12示出了本发明的一个实施例的一种基于模糊推理与LSTM结合的邮寄物风险评价系统的框架图。该系统包括原始数据样本构建模块1201、模糊推理模块1202和LSTM深度学习模块1203。
在具体的实施例中,原始数据样本构建模块1201被配置用于利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,基于多个维度的评价建立邮寄物的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本;模糊推理模块1202被配置用于基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据;LSTM深度学习模块1203被配置用于基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。通过原始数据样本构建模块1201、模糊推理模块1202和LSTM深度学习模块1203的一系列作用,构建分析所需的原始数据样本以及完善的数据分析体系,将原始数据样本中的文字描述的语言变量转化为数字变量,便于后续基于深度神经网络对数据进行分析,最后对数据样本进行训练,得到相比于现有技术更加稳定的邮寄物风险源评价模型。
本发明的实施例还涉及一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上文中的方法。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。需要说明的是,本申请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介质或者是上述两者的任意组合。
本发明利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,基于多个维度的评价建立邮寄物的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本,基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据,基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。利用层次分析法构建分析所需的原始数据样本以及完善的数据分析体系,再基于模糊推理理论将原始数据样本中的文字描述的语言变量转化为数字变量,便于后续基于深度神经网络对数据进行分析,最后利用改进的LSTM深度神经网络对数据进行训练,得到相比于现有技术更加稳定的邮寄物风险源评价模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于模糊推理与LSTM结合的邮寄物风险评价方法,其特征在于,包括以下步骤:
S1:利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,建立表征邮寄物的风险评估指标和风险评估指标权重系数的对应关系的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本;
S2:基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据;以及
S3:基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中所述层次分析法具体包括:
确定层次结构和邮寄物风险的影响因素;
从所述邮寄物风险的影响因素中筛选出一定数量的合适的风险评估指标,来构造判断矩阵,计算各个所述风险评估指标对应的风险评估指标权重系数;
进行层次的单一排序及一致性检验;
进行层次的总排序及一致性检验。
3.根据权利要求1和2所述的任意一种方法,其特征在于,所述风险评估指标包括邮寄物的税号编码、企业编码、起运地/目的地和中转地。
4.根据权利要求1所述的方法,其特征在于,所述步骤S1中的表征所述风险评估指标的具体指标值是利用文字来描述相应风险评估指标的语言变量。
5.根据权利要求1所述的方法,其特征在于,所述步骤S2中对所述原始数据样本进行模糊归一化的具体步骤包括:
统计所述原始数据样本中各风险评估指标的具体指标值的总批次数和不合格比例作为输入变量,将所述总批次数、所述不合格比例和所述具体指标值的风险等级分别量化为多个等级,构造风险等级、总批次数和不合格比例的模糊集合;
选取合适的隶属度函数,根据所述总批次数和不合格比例的模糊集合对所述输入变量进行模糊归一化,得到模糊归一化的输入变量,并配置相应的隶属函数表达式;
根据所述风险等级、总批次数和不合格比例的模糊集合,制定相应的推理规则;
选取合适的输出隶属度函数,根据所述推理规则以及所述模糊归一化的输入变量,模糊推理得到所述输入变量对应的风险等级的模糊归一化值。
6.根据权利要求1所述的方法,其特征在于,所述风险等级样本数据的构建包括将所述原始数据样本中的所述具体指标值对应映射为所述风险等级的模糊归一化值。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被计算机处理器执行时实施权利要求1至7中任一项所述的方法。
9.基于模糊推理与LSTM结合的邮寄物风险评价系统,其特征在于,包括:
原始数据样本构建模块:配置用于利用层次分析法,确定邮寄物风险的风险评估指标和风险评估指标权重系数,基于多个维度的评价建立邮寄物的风险源指标体系表,再根据所述风险源指标体系表以及邮寄物的物流环节风险评测对邮寄物的申报数据和查验数据进行预处理,得到表征所述风险评估指标的具体指标值与邮寄物合格情况的对应映射的原始数据样本;
模糊推理模块:配置用于基于模糊推理理论,对所述原始数据样本进行模糊归一化,将所述具体指标值转化为相应的风险等级的模糊归一化值,构建可用于深度学习训练的风险等级样本数据;
LSTM深度学习模块:配置用于基于所述风险源指标体系表,对所述风险等级样本数据利用LSTM深度神经网络进行建模,对风险源进行智能综合评价及预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937135.6A CN112085384A (zh) | 2020-09-08 | 2020-09-08 | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937135.6A CN112085384A (zh) | 2020-09-08 | 2020-09-08 | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085384A true CN112085384A (zh) | 2020-12-15 |
Family
ID=73732478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010937135.6A Pending CN112085384A (zh) | 2020-09-08 | 2020-09-08 | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085384A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN115081970A (zh) * | 2022-08-24 | 2022-09-20 | 北京奥维云网大数据科技股份有限公司 | 精装地产装修数据分析与评测系统及评测方法 |
CN115831339A (zh) * | 2023-02-21 | 2023-03-21 | 四川大学华西医院 | 基于深度学习的医疗系统风险管控事前预测方法、系统 |
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399340A (zh) * | 2018-03-06 | 2018-08-14 | 中国民航大学 | 基于改进fahp和云模型的机载网络安全风险评估方法 |
CN109285562A (zh) * | 2018-09-28 | 2019-01-29 | 东南大学 | 基于注意力机制的语音情感识别方法 |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
US20200250577A1 (en) * | 2019-01-31 | 2020-08-06 | Shenzhen Fugui Precision Ind. Co., Ltd. | Risk evaluating method based on deep learning, server, and computer-readable storage medium |
-
2020
- 2020-09-08 CN CN202010937135.6A patent/CN112085384A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399340A (zh) * | 2018-03-06 | 2018-08-14 | 中国民航大学 | 基于改进fahp和云模型的机载网络安全风险评估方法 |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
CN109285562A (zh) * | 2018-09-28 | 2019-01-29 | 东南大学 | 基于注意力机制的语音情感识别方法 |
US20200250577A1 (en) * | 2019-01-31 | 2020-08-06 | Shenzhen Fugui Precision Ind. Co., Ltd. | Risk evaluating method based on deep learning, server, and computer-readable storage medium |
Non-Patent Citations (2)
Title |
---|
李鹏: "基于模糊神经网络的公路隧道洞口段施工阶段风险评估", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
陈云霁: "《智能计算系统》", 29 February 2020, 机械工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN115081970A (zh) * | 2022-08-24 | 2022-09-20 | 北京奥维云网大数据科技股份有限公司 | 精装地产装修数据分析与评测系统及评测方法 |
CN115831339A (zh) * | 2023-02-21 | 2023-03-21 | 四川大学华西医院 | 基于深度学习的医疗系统风险管控事前预测方法、系统 |
CN115831339B (zh) * | 2023-02-21 | 2023-04-28 | 四川大学华西医院 | 基于深度学习的医疗系统风险管控事前预测方法、系统 |
CN116090839A (zh) * | 2023-04-07 | 2023-05-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源耦合系统多重风险分析与评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
CN112085384A (zh) | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN112687374B (zh) | 一种基于文本和图像信息联合计算的心理危机预警方法 | |
CN112487193B (zh) | 一种基于自编码器的零样本图片分类方法 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN110222733B (zh) | 一种高精度的多阶神经网络分类方法及系统 | |
CN112784031B (zh) | 一种基于小样本学习的客服对话文本的分类方法和系统 | |
CN111597340A (zh) | 一种文本分类方法及装置、可读存储介质 | |
CN112464281B (zh) | 基于隐私分组和情感识别的网络信息分析方法 | |
CN114676822A (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
CN115760380A (zh) | 一种融合用电信息的企业信用评估方法与系统 | |
CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
CN111985680B (zh) | 基于胶囊网络与时序的刑事多罪名预测方法 | |
CN115604025B (zh) | 一种基于pli4da的网络入侵检测方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN112434862A (zh) | 上市企业财务困境预测方法及装置 | |
CN116304941A (zh) | 一种基于多模型组合的海洋数据质量控制方法及装置 | |
Al-Jallad et al. | Rule mining models for predicting dropout/stopout and switcher at college using satisfaction and SES features | |
CN114091961A (zh) | 一种基于半监督svm的电力企业供应商评价方法 | |
CN113392934A (zh) | 一种面向深度学习的偏见数据平衡方法及装置 | |
CN113064883A (zh) | 物流风控模型的构建方法、计算机设备和存储介质 | |
CN113222384A (zh) | 一种基于改进熵值法的城镇化水平分析方法 | |
Arora et al. | Prediction of Dynamic Price of Ride-On-Demand Services Using Linear Regression |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
RJ01 | Rejection of invention patent application after publication |