CN112862413A - 承运订单的校验方法及装置、电子设备、存储介质 - Google Patents
承运订单的校验方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112862413A CN112862413A CN202110341223.4A CN202110341223A CN112862413A CN 112862413 A CN112862413 A CN 112862413A CN 202110341223 A CN202110341223 A CN 202110341223A CN 112862413 A CN112862413 A CN 112862413A
- Authority
- CN
- China
- Prior art keywords
- information
- order
- price
- carrying
- carrier
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06N3/08—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
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书一个或多个实施例提供一种承运订单的校验方法及装置、电子设备、存储介质;该校验方法可以包括:获取承运订单的目标承运线路信息和相应的目标线路价格信息;将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
Description
技术领域
本说明书一个或多个实施例涉及物流技术领域,尤其涉及一种承运订单的校验方法及装置、电子设备、存储介质。
背景技术
在物流场景下,针对某一承运订单,可通过线路价格来衡量运输过程中产生的费用。为了保证承运订单中各个参与方的资金安全,需对承运订单进行校验以进行风控。而在对物流运输的校验过程中,订单合同和线路价格的验证是其中最为重要的方式之一。
在相关技术中,通常根据人为经验和外部第三方货运网站查询运价来确定承运订单的线路价格范围,从而判断承运订单中指定的线路价格是否合理,比如当承运订单中指定的线路价格过高时,可判定该承运订单为无效订单。然而,一方面,人为经验的不可量化性容易造成不同人给出的价格存在较大差异,可参考性较差,比如判断线路价格是否合理的依据仅仅为承运订单的成本价(油价和ETC等费用),而并未考虑其他成本,也没有核验和积累,无法持续更新迭代。另一方面,在涉及从未涉及的线路时,容易造成较大误差。
发明内容
有鉴于此,本说明书一个或多个实施例提供一种承运订单的校验方法及装置、电子设备、存储介质。
为实现上述目的,本说明书一个或多个实施例提供技术方案如下:
根据本说明书一个或多个实施例的第一方面,提出了一种承运订单的校验方法,包括:
获取承运订单的目标承运线路信息和相应的目标线路价格信息;
将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;
在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
可选的,承运线路信息包括出发地与目的地之间的承运距离,针对承运订单预先设置有承运距离范围与相应的线路价格之间的映射关系;所述方法还包括:
确定所述目标承运线路信息对应的承运距离所属的目标承运距离范围;
根据所述映射关系确定所述目标承运距离范围对应的线路价格;
其中,所述前提条件还包括所述目标线路价格信息与确定出的线路价格相匹配。
可选的,还包括:
在所述承运订单通过校验的情况下,根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度;
输出所述贷款额度以由贷款受理方确认。
可选的,所述根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度,包括:
确定所述订单承接方对应的允许误差范围,并计算所述目标线路价格信息与所述输出结果指示的价格信息之间的误差率;
当计算出的误差率位于所述允许误差范围内时,通过以下方式计算所述贷款额度:贷款额度=所述目标线路价格信息指示的价格×所述承运订单的承运次数。
可选的,所述允许误差范围与所述订单承接方的信用评分呈正相关。
可选的,承运线路信息包括承运距离和其他线路相关信息;其中,所述其他线路相关信息包括以下至少之一:
出发时间信息、出发地运价指数、目的地运价指数、出发地运力指数、目的地运力指数、所述承运订单的承接方的车辆信息。
可选的,有监督机器学习算法包括以下任一:
随机森林回归、神经网络、K近邻算法、逻辑回归、决策树、支持向量机和贝叶斯分类器。
根据本说明书一个或多个实施例的第二方面,提出了一种承运订单的校验装置,包括:
获取单元,获取承运订单的目标承运线路信息和相应的目标线路价格信息;
输入单元,将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;
校验单元,在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
可选的,承运线路信息包括出发地与目的地之间的承运距离,针对承运订单预先设置有承运距离范围与相应的线路价格之间的映射关系;所述校验单元还用于:
确定所述目标承运线路信息对应的承运距离所属的目标承运距离范围;
根据所述映射关系确定所述目标承运距离范围对应的线路价格;
其中,所述前提条件还包括所述目标线路价格信息与确定出的线路价格相匹配。
可选的,还包括:
授信单元,在所述承运订单通过校验的情况下,根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度;
输出单元,输出所述贷款额度以由贷款受理方确认。
可选的,所述授信单元具体用于:
确定所述订单承接方对应的允许误差范围,并计算所述目标线路价格信息与所述输出结果指示的价格信息之间的误差率;
当计算出的误差率位于所述允许误差范围内时,通过以下方式计算所述贷款额度:贷款额度=所述目标线路价格信息指示的价格×所述承运订单的承运次数。
可选的,所述允许误差范围与所述订单承接方的信用评分呈正相关。
可选的,承运线路信息包括承运距离和其他线路相关信息;其中,所述其他线路相关信息包括以下至少之一:
出发时间信息、出发地运价指数、目的地运价指数、出发地运力指数、目的地运力指数、所述承运订单的承接方的车辆信息。
可选的,有监督机器学习算法包括以下任一:
随机森林回归、神经网络、K近邻算法、逻辑回归、决策树、支持向量机和贝叶斯分类器。
根据本说明书一个或多个实施例的第三方面,提出了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如上述任一实施例中所述的承运订单的校验方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述实施例中任一所述方法的步骤。
由上述技术方案可见,本申请通过将历史承运订单中被标记有实际线路价格信息的承运线路信息作为样本数据,并采用有监督机器学习算法对该样本数据进行训练,可得到用于根据承运线路来预测相应线路价格的线路价格预测模型。
一方面,利用有监督机器学习算法来学习承运线路信息和线路价格信息之间存在的关联关系,可提取出承运线路信息中各个与线路价格信息存在关联的特征,从而后续可利用训练得到的模型较为准确地对量化承运订单合理的线路价格,为风控场景提供指标和参数。
另一方面,线路价格预测模型的输入参数即使是训练模型的过程中未涉及的线路,只要提供相应的承运线路信息,便可预测出针对承运订单涉及的线路的公允报价范围,从而提升了校验承运订单的效率。
附图说明
图1是一示例性实施例提供的一种承运订单的校验方法的流程图。
图2-3是一示例性实施例提供的一种有监督机器学习算法的示意图。
图4是一示例性实施例提供的一种设备的结构示意图。
图5是一示例性实施例提供的一种承运订单的校验装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。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说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
为了保证承运订单中各个参与方的资金安全,需对承运订单进行校验以进行风控。而在对物流运输的校验过程中,订单合同和线路价格的验证是其中最为重要的方式之一。
在相关技术中,通常根据人为经验和外部第三方货运网站查询运价来确定承运订单的线路价格范围,从而判断承运订单中指定的线路价格是否合理,比如当承运订单中指定的线路价格过高时,可判定该承运订单为无效订单。
举例而言,承运订单包含出发地,目的地,发车时间,到达时间,车型,货品类型等,并从第三方数据平台获取线路的报价信息,并以一定的条件,对承运订单的线路价格进行真实性校验。例如,设置平台报价的±20%作为判断依据,对线路价格进行校验。如果线路价格在平台报价的±20%范围内,则判断该承运订单为有效订单,否则判断该承运订单为无效订单。
然而,一方面,人为经验的不可量化性容易造成不同人给出的价格存在较大差异,可参考性较差,比如设置的条件判断线路价格是否合理的依据仅仅为承运订单的成本价(油价和ETC等费用),而并未考虑其他成本,也没有核验和积累,无法持续更新迭代。另一方面,在涉及从未涉及的线路时,容易造成较大误差。
对此,本申请对相关技术中校验承运订单的方式予以改进,以解决相关技术中存在的上述技术问题。
请参见图1,图1是一示例性实施例提供的一种承运订单的校验方法的流程图。如图1所示,该校验方法应用于任意用于校验承运订单的服务器中,可包括以下步骤:
步骤102,获取承运订单的目标承运线路信息和相应的目标线路价格信息。
在本实施例中,由物流平台生成承运订单,承运订单包括承运线路信息、线路价格信息和运输货物的货物信息等。其中,承运线路信息可以包括以下至少之一:承运距离(理解为运输距离)、出发时间信息、出发地运价指数、目的地运价指数、出发地运力指数、目的地运力指数、承运订单的承接方的车辆信息(比如,车辆型号、车辆的车轴数、车辆的里程参数等);线路价格信息可以为一具体的价格数值,或者也可以为一价格区间;货物信息可以包括货物类型、货物重量和货物价格等参数。当然,承运线路信息、线路价格信息和货物信息的具体形式,可根据实际情况灵活设定,本申请并不对此进行限制。在生成承运订单后,可将上述订单信息输入(发送)至上述服务器,从而由上述服务器完成对承运订单的校验操作。
步骤104,将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息。
在本实施例中,可校验承运订单中定义的目标线路价格,以确定该承运订单是否存在风险。可利用有监督机器学习算法来学习承运线路信息和线路价格信息之间存在的关联关系,从而得到线路价格预测模型并部署至用于风控的服务器中。进一步的,由于历史承运订单为实际发生的订单,该订单的信息均为可靠真实的数据。因此,可采用历史承运订单的相关信息来作为样本数据进行训练,从而提高线路价格预测模型后续预测价格的准确率。具体而言,可采用历史承运订单的实际线路价格信息来标记历史承运订单中相应的承运线路信息(即实际线路价格信息为相应承运线路信息的标签);换言之,训练集为历史承运订单中承运线路信息和相应的实际线路价格信息之间的对应关系。
对于训练线路价格预测模型采用的有监督机器学习算法,可以为以下任一:随机森林回归、神经网络、K近邻算法(K Nearest Neighbor,KNN)、逻辑回归、决策树、支持向量机和贝叶斯分类器。
随机森林回归是一种由多个二叉决策树构成的集成算法。不同决策树之间没有关联,每棵决策树都拥有3个重要特征,内部节点、叶节点及叶分支。在决策树中,每个内部节点代表一个属性的“测试”(即标签值),每个叶节点代表一个类标签(在计算所有属性后作出决定),每个叶分支代表测试的结果。在训练过程中,新输入样本后,森林中的每一棵决策树则分别进行判断和分类,每个决策树均会得到一个结果分类,决策树的结果中哪一个结果的分类最多,那么随机森林算法则将该结果作为最终的结果输出。使用该算法建模的优点在于,能够处理高维度的数据,检测不同特征值之间的影响,并且在训练结束后可以给出每个特征值的重要性,便于之后的特征值选取。
K近邻算法是一种基本分类和回归方法,即给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例,这K个实例的多数属于某个类,就把该输入实例分类到这个类中。通俗而言,其原理是在一个训练样本集合中,每行数据包含多个特征和分类标签,输入没有标签但有多个特征的新数据,将新数据的每个特征与样本中每条数据对应的特征进行比较,然后提取出样本中与新数据最相似的K条数据,统计该K条数据中各类标签出现的次数,那么出现次数最多的标签即为新数据的分类标签。在使用KNN做回归时,一般选择平均法,即将最近的K个样本的样本输出的平均值作为回归预测值。而在计算新数据与样本数据间距离时往往采用欧式距离(Euclidean distance),通过直线距离来度量。另一种常见的距离度量是曼哈顿距离(Manhattan distance),即两点在南北方向上的距离加上在东西方向上的距离。当然,也可采用余弦距离,本说明书并不对此进行限制。
RNN(Recurrent neural network,循环神经网络)是一类用于处理序列数据的神经网络。RNN拥有记忆模块,可以获取以及计算过的信息,涉及执行顺序,即使是同样的输入,如果输入的顺序不同也会产生不同的输出。循环神经网络的结构可以分为输入层(input layer)、隐藏层(hidden layers,也叫中间层)、输出层(output layer)。输入层与输出层是处理数据的输入与输出,而隐藏层则对数据进行计算、预测处理。其最大的特点就是可以让每一个单元都按照输入的顺序进行处理,上一个处理的输出作为下一个处理的输入与当前的输入一起计算,综合前几个输入的计算结果与当前输入一起进行预测。如图2所示,x0输入A得到输出h0,h0和x1共同输入A得到输出h1,后续以此类推。上述过程综合了前三次输入得到的计算结果和当前输入的xt一起进行预测。
CNN(Convolutional Neural Networks,卷积神经网络)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。可通过CNN来对样本数据进行特征提取。如图3所示,CNN可包括卷积层、池化层和全连接层。其中,卷积层用于对输入的数据进行计算以提取出特征向量;池化层通常位于卷积层之后,一方面降低特征向量的维度以简化网络计算复杂度,另一方面通过池化来降低卷积层输出的特征向量,避免卷积神经网络出现过拟合;全连接层用于将网络学习到的特征向量映射到样本的标记空间中,比如将池化层输出的二维特征向量转化成一维向量。例如,利用CNN来提取承运线路信息的特征向量,再将其输入至LSTM(LongShort-Term Memory,长短期记忆网络),以由LSTM来处理承运线路信息的特征向量,从而生成最终的分类向量来代表承运订单的线路价格信息。
当然,还可采用其他类型的神经网络,本说明书并不对此进行限制。
步骤106,在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
在本实施例中,旨在从承运订单的线路价格维度校验承运订单,即校验生成的承运订单定义的线路价格是否合理。因此,可以设定校验通过的前提条件包括目标线路价格信息与线路价格预测模型的输出结果相匹配。比如,线路价格预测模型的输出结果为线路价格的取值(可能输出多个线路价格的取值,各取值对应一置信度,通常选取置信度最高的取值作为预测结果),那么当目标线路价格与线路价格预测模型输出的线路价格之间的差值在预设差值范围内(或者误差率在允许的误差范围内)时,判定两者相匹配。当然,该预设范围可根据实际情况灵活设定,本说明书并不对此进行限制。
举例而言,在风控场景下,风控人员可将待校验的承运订单的目标承运线路信息输入线路价格预测模型,线路价格预测模型的输入(即目标承运线路信息)包括出发地地址、目的地地址和所使用的车辆的车轴数,输出为线路价格的价格。那么,可根据线路价格预测模型输出的价格,验证物流平台提供的承运订单中指定的线路价格是否与线路价格预测模型输出的价格相匹配;如果相匹配,则验证通过,否则验证不通过。比如,可计算承运订单中指定的线路价格与线路价格预测模型输出的价格之间的误差率;若计算出的误差率在允许的误差范围内,则验证通过,否则验证不通过。
除此之外,还可针对各个不同的线路距离区间设定相应的线路价格,预先定义承运距离范围与相应线路价格之间的映射关系,从而基于上述建立的映射关系对承运订单进行校验。具体而言,可获取承运订单的出发地与目的地之间的目标承运距离,然后确定目标承运距离在上述映射关系中所属的目标承运距离范围,再根据映射关系确定目标承运距离范围对应的线路价格。相应的,可设定前提条件还包括目标线路价格信息与确定出的线路价格相匹配。
举例而言,上述映射关系如表1所示:
承运距离范围 | 线路价格 |
0~20km | a |
20~50km | b |
50~100km | c |
…… | …… |
表1
假定承运订单定义的目标承运线路信息为运输距离35km,相应的线路价格(可理解为运单价格)为1000元,那么可判断1000元是否与价格b相匹配;若相匹配,则判定校验通过;否则判定校验未通过。当然,在为承运距离范围设定线路价格时,还可参考是否跨省、是否走高速等因素,本说明书并不对此进行限制。
需要说明的是,还可设定前提条件包括承运订单的承运要求符合预设条件。比如,待运输的货物为合法货物、重量不超过预设阈值等等,可根据实际需求灵活设定,本说明书并不对此进行限制。
在本说明书的承运订单的校验方案中,还可将物流场景与金融场景相结合以形成金融物流。具体而言,针对物流市场费用规模大、物流企业成本高,物流业务上下游账期错配的情况,以物流运输中上下游账期错配而产生的应收账款作为主要标的来向物流平台贷款,而物流平台将债权授予放款方来做保理。可在准入、授信和用信阶段进行风控,以保证放款方的资金安全。
举例而言,在准入阶段,验证承运订单的合同的真实有效性,并且可采用上述对不同线路范围设定相应运价区间(线路价格区间)的方式来校验承运订单,再根据运价的匹配率决定是否通过。在授信阶段,可根据物流平台的信用评分来确定授信额度。在用信阶段,可根据运单上记录的运价和线路预测价格的对比,判断运单上记录的运价是否与线路预测价格相匹配,从而校验运单有效性,决定是否针对此运单进行放款。
因此,可根据目标线路价格信息确定针对该承运订单的订单承接方(比如为物流公司)的贷款额度,并输出贷款额度以由贷款受理方(比如为放款方)确认。
举例而言,比如债权人为物流公司,债务人为运输货物的上游货主,保理商为放款方,由债权人申请融资将其债权转让给保理商。那么,保理商需进行贷前审批,以保证自身的资金安全,及时发现安全风险。具体而言,保理商需要对债权人转让的债权价格进行合理的评估,比如物流公司的债权主要为承运订单的运输款(即物流公司的应收账款),那么可利用线路价格模型对运输款进行校验,若校验通过,则进入后续的授信审批环节,否则判定审批失败。物流公司将债权赋予放款方以进行保理,那么放款方需对该债权进行风险评估,校验承运订单的运输款是否合理,以在校验通过的情况下确定放款额度,也即授信额度。
具体而言,确定所述订单承接方对应的允许误差范围,并计算所述目标线路价格信息与所述输出结果指示的价格信息之间的误差率。当计算出的误差率位于所述允许误差范围内时,通过以下方式计算所述贷款额度:贷款额度=所述目标线路价格信息指示的价格×所述承运订单的承运次数。
举例而言,假定承运订单定义的线路价格为10000元,承运次数为5次,线路价格预测模型的输出结果(即预测线路价格)为11000元,物流公司A的允许误差范围为±30%。那么,误差率为(11000-10000)/10000=10%,位于允许误差范围为±30%之内,则贷款额度=10000×5=50000元。
下面举例说明物流公司A涉及多笔承运订单的情况。为了便于描述,以承运次数为1次进行说明。如表2所示:
承运订单 | 线路价格 | 误差率是否位于允许误差范围内 |
承运订单a | 10000元 | 是 |
承运订单b | 8000元 | 是 |
承运订单c | 12000元 | 否 |
…… | …… | …… |
表2
由于承运订单c的误差率不在允许误差范围内,判定承运订单c未通过风控;因此,承运订单a和承运订单b参与贷款额度的计算,而承运订单c不参与贷款额度的计算。那么,物流公司A的贷款额度=10000+8000=18000元。
进一步的,在确定授信额度时,可将订单承接方的信用评分作为依据,以提高资金安全性。作为一示例性实施例,可将允许误差范围设定为与订单承接方的信用评分呈正相关。换言之,订单承接方的信用评分越高(代表订单承运方的信用等级高),可获得的允许误差范围越高。当然,还可设定允许误差范围与订单承接方其他维度的评分相关联;比如,允许误差范围与订单承接方的资金安全等级呈正相关,本说明书并不对此进行限制。
由上述技术方案可见,本申请通过将历史承运订单中被标记有实际线路价格信息的承运线路信息作为样本数据,并采用有监督机器学习算法对该样本数据进行训练,可得到用于根据承运线路来预测相应线路价格的线路价格预测模型。
一方面,利用有监督机器学习算法来学习承运线路信息和线路价格信息之间存在的关联关系,可提取出承运线路信息中各个与线路价格信息存在关联的特征,从而后续可利用训练得到的模型较为准确地对量化承运订单合理的线路价格,为风控场景提供指标和参数。
另一方面,线路价格预测模型的输入参数即使是训练模型的过程中未涉及的线路,只要提供相应的承运线路信息,便可预测出针对承运订单涉及的线路的公允报价范围,从而提升了校验承运订单的效率。
与上述方法实施例相对应,本说明书还提供了一种承运订单的校验装置的实施例。
图4是一示例性实施例提供的一种设备的示意结构图。请参考图4,在硬件层面,该设备包括处理器402、内部总线404、网络接口406、内存408以及非易失性存储器410,当然还可能包括其他业务所需要的硬件。处理器402从非易失性存储器410中读取对应的计算机程序到内存408中然后运行,在逻辑层面上形成承运订单的校验装置。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参考图5,在软件实施方式中,该承运订单的校验装置可以包括:
获取单元51,获取承运订单的目标承运线路信息和相应的目标线路价格信息;
输入单元52,将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;
校验单元53,在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
可选的,承运线路信息包括出发地与目的地之间的承运距离,针对承运订单预先设置有承运距离范围与相应的线路价格之间的映射关系;所述校验单元53还用于:
确定所述目标承运线路信息对应的承运距离所属的目标承运距离范围;
根据所述映射关系确定所述目标承运距离范围对应的线路价格;
其中,所述前提条件还包括所述目标线路价格信息与确定出的线路价格相匹配。
可选的,还包括:
授信单元54,在所述承运订单通过校验的情况下,根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度;
输出单元55,输出所述贷款额度以由贷款受理方确认。
可选的,所述授信单元54具体用于:
确定所述订单承接方对应的允许误差范围,并计算所述目标线路价格信息与所述输出结果指示的价格信息之间的误差率;
当计算出的误差率位于所述允许误差范围内时,通过以下方式计算所述贷款额度:贷款额度=所述目标线路价格信息指示的价格×所述承运订单的承运次数。
可选的,所述允许误差范围与所述订单承接方的信用评分呈正相关。
可选的,承运线路信息包括以下至少之一:
承运距离、出发时间信息、出发地运价指数、目的地运价指数、出发地运力指数、目的地运力指数、所述承运订单的承接方的车辆信息。
可选的,有监督机器学习算法包括以下任一:
随机森林回归、神经网络、K近邻算法、逻辑回归、决策树、支持向量机和贝叶斯分类器。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。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”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (10)
1.一种承运订单的校验方法,其特征在于,包括:
获取承运订单的目标承运线路信息和相应的目标线路价格信息;
将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;
在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
2.根据权利要求1所述的方法,其特征在于,承运线路信息包括出发地与目的地之间的承运距离,针对承运订单预先设置有承运距离范围与相应的线路价格之间的映射关系;所述方法还包括:
确定所述目标承运线路信息对应的承运距离所属的目标承运距离范围;
根据所述映射关系确定所述目标承运距离范围对应的线路价格;
其中,所述前提条件还包括所述目标线路价格信息与确定出的线路价格相匹配。
3.根据权利要求1所述的方法,其特征在于,还包括:
在所述承运订单通过校验的情况下,根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度;
输出所述贷款额度以由贷款受理方确认。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标线路价格信息确定针对所述承运订单的订单承接方的贷款额度,包括:
确定所述订单承接方对应的允许误差范围,并计算所述目标线路价格信息与所述输出结果指示的价格信息之间的误差率;
当计算出的误差率位于所述允许误差范围内时,通过以下方式计算所述贷款额度:贷款额度=所述目标线路价格信息指示的价格×所述承运订单的承运次数。
5.根据权利要求4所述的方法,其特征在于,所述允许误差范围与所述订单承接方的信用评分呈正相关。
6.根据权利要求1所述的方法,其特征在于,承运线路信息包括承运距离和其他线路相关信息;其中,所述其他线路相关信息包括以下至少之一:
出发时间信息、出发地运价指数、目的地运价指数、出发地运力指数、目的地运力指数、所述承运订单的承接方的车辆信息。
7.根据权利要求1所述的方法,其特征在于,有监督机器学习算法包括以下任一:
随机森林回归、神经网络、K近邻算法、逻辑回归、决策树、支持向量机和贝叶斯分类器。
8.一种承运订单的校验装置,其特征在于,包括:
获取单元,获取承运订单的目标承运线路信息和相应的目标线路价格信息;
输入单元,将所述目标承运线路信息输入至线路价格预测模型,所述线路价格预测模型通过采用有监督机器学习算法对样本数据进行训练得到,所述样本数据包括历史承运订单中被标记有实际线路价格信息的承运线路信息;
校验单元,在针对所述承运订单的前提条件被满足的情况下,判定所述承运订单通过校验;其中,所述前提条件包括所述目标线路价格信息与所述线路价格预测模型的输出结果相匹配。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341223.4A CN112862413A (zh) | 2021-03-30 | 2021-03-30 | 承运订单的校验方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341223.4A CN112862413A (zh) | 2021-03-30 | 2021-03-30 | 承运订单的校验方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862413A true CN112862413A (zh) | 2021-05-28 |
Family
ID=75993228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110341223.4A Pending CN112862413A (zh) | 2021-03-30 | 2021-03-30 | 承运订单的校验方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511225A (zh) * | 2022-11-16 | 2022-12-23 | 永立数智(北京)科技有限公司 | 一种基于运费预测的货物订单金额异常可靠识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197762A (zh) * | 2018-02-27 | 2018-06-22 | 平安科技(深圳)有限公司 | 碳期货价格预测方法、装置、计算机设备和存储介质 |
CN108596372A (zh) * | 2018-04-09 | 2018-09-28 | 北京交通大学 | 长途客运小件快运成本核算运价制定辅助决策系统和方法 |
CN109523370A (zh) * | 2017-09-18 | 2019-03-26 | 好多宝信息技术(深圳)有限公司 | 一种运单贷款业务处理方法、装置及系统 |
CN109801021A (zh) * | 2019-02-18 | 2019-05-24 | 惠龙易通国际物流股份有限公司 | 模型生成方法及装置、信息获取方法及装置 |
CN109948983A (zh) * | 2019-03-20 | 2019-06-28 | 江苏满运软件科技有限公司 | 物流定价预测方法、装置、电子设备、存储介质 |
CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
CN112053181A (zh) * | 2020-08-04 | 2020-12-08 | 北京派得伟业科技发展有限公司 | 一种农产品价格预测方法及系统 |
-
2021
- 2021-03-30 CN CN202110341223.4A patent/CN112862413A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523370A (zh) * | 2017-09-18 | 2019-03-26 | 好多宝信息技术(深圳)有限公司 | 一种运单贷款业务处理方法、装置及系统 |
CN108197762A (zh) * | 2018-02-27 | 2018-06-22 | 平安科技(深圳)有限公司 | 碳期货价格预测方法、装置、计算机设备和存储介质 |
CN108596372A (zh) * | 2018-04-09 | 2018-09-28 | 北京交通大学 | 长途客运小件快运成本核算运价制定辅助决策系统和方法 |
CN109801021A (zh) * | 2019-02-18 | 2019-05-24 | 惠龙易通国际物流股份有限公司 | 模型生成方法及装置、信息获取方法及装置 |
CN109948983A (zh) * | 2019-03-20 | 2019-06-28 | 江苏满运软件科技有限公司 | 物流定价预测方法、装置、电子设备、存储介质 |
CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
CN112053181A (zh) * | 2020-08-04 | 2020-12-08 | 北京派得伟业科技发展有限公司 | 一种农产品价格预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511225A (zh) * | 2022-11-16 | 2022-12-23 | 永立数智(北京)科技有限公司 | 一种基于运费预测的货物订单金额异常可靠识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Deep learning in finance and banking: A literature review and classification | |
Ji et al. | An Application of a Three‐Stage XGBoost‐Based Model to Sales Forecasting of a Cross‐Border E‐Commerce Enterprise | |
CN110263821B (zh) | 交易特征生成模型的训练、交易特征的生成方法和装置 | |
Chen et al. | Predicting default risk on peer-to-peer lending imbalanced datasets | |
Sharaf et al. | StockPred: a framework for stock Price prediction | |
Zhang et al. | Carbon price forecasting: a novel deep learning approach | |
Shenvi et al. | Credit card fraud detection using deep learning | |
Jandaghi et al. | Identification of the most critical factors in bankruptcy prediction and credit classification of companies | |
CN112862413A (zh) | 承运订单的校验方法及装置、电子设备、存储介质 | |
Papíková et al. | Effects of classification, feature selection, and resampling methods on bankruptcy prediction of small and medium‐sized enterprises | |
Dael et al. | Stock Market Prediction Using Generative Adversarial Networks (GANs): Hybrid Intelligent Model. | |
Paul et al. | Artificial intelligence in predictive analysis of insurance and banking | |
Huang et al. | Forecasting bitcoin return: a data mining approach | |
CN112016840A (zh) | 一种选择指标数据的方法、装置、设备及存储介质 | |
CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
Wu et al. | Customer churn prediction for commercial banks using customer-value-weighted machine learning models | |
CN115345727A (zh) | 一种识别欺诈贷款申请的方法及装置 | |
Peng et al. | Unbalanced Data Processing and Machine Learning in Credit Card Fraud Detection | |
CN114638504A (zh) | 企业风险评估方法、装置、设备、介质及产品 | |
CN114091109A (zh) | 跨境电商平台数据验证方法、系统、终端及存储介质 | |
Hung et al. | Customizable and committee data mining framework for stock trading | |
Cho et al. | Machine learning and cryptocurrency in the financial markets | |
Hjelkrem et al. | An end-to-end deep learning approach to credit scoring using CNN+ XGBoost on transaction data | |
Attigeri et al. | Supervised Models for Loan Fraud Analysis using Big Data Approach. | |
Gu | Optimized backpropagation neural network for risk prediction in corporate financial management |
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 |