CN114662998B - 一种跨境电商数字化的智能风控系统及方法 - Google Patents

一种跨境电商数字化的智能风控系统及方法 Download PDF

Info

Publication number
CN114662998B
CN114662998B CN202210559647.2A CN202210559647A CN114662998B CN 114662998 B CN114662998 B CN 114662998B CN 202210559647 A CN202210559647 A CN 202210559647A CN 114662998 B CN114662998 B CN 114662998B
Authority
CN
China
Prior art keywords
goods
time
data
customs
inspection
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.)
Active
Application number
CN202210559647.2A
Other languages
English (en)
Other versions
CN114662998A (zh
Inventor
陈俭
翁佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jiufang Tongxun E Commerce Logistics Co ltd
Original Assignee
Shenzhen Jiufang Tongxun E Commerce Logistics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jiufang Tongxun E Commerce Logistics Co ltd filed Critical Shenzhen Jiufang Tongxun E Commerce Logistics Co ltd
Priority to CN202210559647.2A priority Critical patent/CN114662998B/zh
Publication of CN114662998A publication Critical patent/CN114662998A/zh
Application granted granted Critical
Publication of CN114662998B publication Critical patent/CN114662998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • 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
    • G06Q10/0831—Overseas transactions

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种跨境电商数字化的智能风控系统及方法，所述智能风控系统包括数据分析模块、物流配送处理模块、风险评估模块；所述数据分析模块用于获取货物在海关验证时的数据特征，处理数据特征并得到货物在海关检查时生成的检查轨迹，进而控制在海关核验异常的节点范围；所述物流配送处理模块用于预测用户收到货物的时间，根据时间优化配送货物的运输车信息；所述风险评估模块用于向用户输送评估跨境运输的引擎端，根据用户的评估结果，确定跨境运输的风险程度；从而能够提高货物在海关验证时的效率，在缩小到异常的节点范围后，通过在设定的节点范围更改数据特征后，提高货物在海关验证的准确性。

Description

一种跨境电商数字化的智能风控系统及方法
技术领域
本发明涉及控制系统技术领域，具体为一种跨境电商数字化的智能风控系统及方法。
背景技术
跨境电商是指在分属不同关境的交易主体，进而通过电子商务平台达成交易、并进行支付计算，通过跨境物流送达商品、完成交易的国际活动；
但是随着物流业的逐步发展，每日的货源数也在不断增加，庞大的配货量需要更多的运输车进行配送，同时在配送货物时，由于配送货物时间的紧凑性，需要配送车辆并优先配送货物，但由于并未分析运输车之间的关联路径，无法及时解决货物配送的问题；
同时货物在海关检查货物时，由于检查的复杂性，不了解海关检查货物时可能产生的问题，进而无法提高在海关被检测验证的效率，使得整个跨境运输产生风险，因此，需要改善上述问题。
发明内容
本发明的目的在于提供一种跨境电商数字化的智能风控系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种跨境电商数字化的智能风控系统，所述智能风控系统包括数据分析模块、物流配送处理模块、风险评估模块；
所述数据分析模块用于获取货物在海关验证时的数据特征，处理数据特征并得到货物在海关检查时生成的检查轨迹，根据检查轨迹得到分布节点上的分类结果，进而控制在海关核验异常的节点范围；
所述物流配送处理模块模块用于预测用户收到货物的时间，根据时间优化配送货物的运输车信息；
所述风险评估模块用于向用户输送评估跨境运输的引擎端，根据用户的评估结果，确定跨境运输的风险程度；
所述数据分析模块与物流配送处理模块和风险评估模块相连接。
进一步的，所述数据分析模块包括数据获取单元、数据验证单元、轨迹生成处理单元、数据分类单元和风险节点定位单元；
所述数据获取单元用于获取货物在海关核验时产生的数据，并提取数据的第一特征；
所述数据验证单元用于验证数据特征的准确性，得到验证后的结果，所述验证数据特征的步骤为将数据库内所存储的第二特征与第一特征对比；
所述轨迹生成处理单元用于根据货物在海关的初始检查节点与货物在海关的末端检查节点生成检查轨迹，并对轨迹进行处理；
所述数据分类单元用于根据检查轨迹得到分布节点上的分类结果；所述分类结果为海关核验正常或者海关检验异常；
所述风险节点定位单元用于根据检查轨迹缩小海关校验异常的节点范围；
所述数据获取单元的输出端与数据验证单元的输入端相连接；所述数据分类单元的输出端与轨迹生成处理单元的输入端相连接；所述风险节点定位单元的输出端与数据分类单元的输入端相连接。
进一步的，所述物流配送处理模块包括第一时间预测单元、数据对比单元、路径分析单元、配送管理单元和最优配送处理单元；
所述第一时间预测单元用于根据货物在运输过程中所受影响因素预测用户收到货物的时间；
所述数据对比单元用于将预测用户收到货物的时间与设定标准时间对比，得到对比结果；
所述路径分析单元用于获取运输车的行驶路径信息，分析路径与派送货物路径的关联度；
所述配送管理单元用于预先获取待装载的货物信息，并将所述货物安装在匹配的运输车内；
所述最优配送处理单元用于优化配送货物的运输车信息；
所述第一时间预测单元的输出端与数据对比单元的输入端相连接；所述最优配送处理单元的输出端与路径分析单元的输入端相连接。
进一步的，所述风险评估模块包括满意度分析单元、风险展示单元和预警单元；
所述满意度分析单元用于在检测到用户成功接收货物后，向用户输送满意度评价引擎，进而使用户根据评价引擎对跨境运输进行评价；
所述风险展示单元用于根据评价，展示跨境运输的风险程度；
所述预警单元用于在核实到风险程度大于预设风险程度时进行预警；
所述满意度分析单元的输出端与风险展示单元和预警单元的输入端相连接。
一种跨境电商数字化的智能风控方法，所述智能风控方法执行如下步骤：
Z01：获取货物在海关核验时的数据信息，提取数据的第一特征；将数据的第一特征与数据库中的第二特征比较；如若核实到第一特征与第二特征相似，则获取得到数据库内形成的海关检查节点，并依据海关检查节点形成检查轨迹集合；确定检查轨迹集合中对应节点的检查分类结果，并依据检查分类结果缩小海关校验异常节点的范围；
Z02：预测用户接收到货物的时间，将所述时间与预设标准时间对比，如若所述时间超过预设标准时间时，则优化运输车配送货物的时间信息；如若所述时间处于预设标准时间内时，则正常运输货物；
Z03：用户对跨境运输进行评价，根据评价结果展示跨境运输过程的风险程度；如若核实到风险程度大于预设风险程度时进行预警。
在步骤Z01中，所述货物在海关校验时的数据信息包括接收申报、核验通知单、海关对货物现场查验、放行通过；提取数据信息的第一特征集合，具体为Q={q1,q2,q3,...,qm}；将第一特征与第二特征对比，具体为W(Q,P)=
Figure 100002_DEST_PATH_IMAGE002
，P是指数据库内数据信息的第二特征集合；如若W(Q,P)=0时，则表示第一特征与第二特征相似度低；如若W(Q,P)=1时，则表示第一特征与第二特征的相似度高于预设相似度；依据数据特征在海关检查节点上形成检查轨迹集合，根据检查轨迹集合在检查轨迹节点中形成检查分类结果，所述检查分类结果通过如下步骤实现：
获取在不同节点上形成的训练集，得到数据集特征，在数据集特征中任意选择KI个聚类的初始中心，计算任意训练集中特征至KI个聚类中心的距离，设置迭代次数N，将数据特征集聚集至与聚类中心距离最近的类别中，实时更新聚类中心直至聚类中心位置不再发生变化，进而将数据集特征分类为：海关核验正常或者海关核验异常；依据数据集特征缩小海关校验异常节点的范围，具体为：
Z010：获取相似轨迹中，定位海关核验正常的任意节点A，将节点A作为起始点，向周围节点传播；
Z011：将节点B作为节点A的下一个海关核验正常的节点，核实在节点A与节点B中的海关核验异常的节点数量；如若海关核验异常的节点数量多于预设数量时，核实由不同异常的节点形成的分叉检查轨迹，逐一验证分叉检查轨迹，将由原来的节点A与节点B之间的节点形成的检查轨迹作为异常节点的范围进行逐步缩小，直至缩小为目前的异常节点的范围；
Z012：如若海关核验异常的节点数量少于预设数量时，则将其他核验正常的节点作为起始点，循环步骤Z010-Z011。
在步骤Z02中，所述预测用户接收到货物的时间，具体为：将货物在境外配送时受到的影响因素：生产货物或者进货产生的延迟时间、货物在境外制造时的时间、货物在海关核验的时间、至少一个海关货物被配送的时间和用户在购物平台上下单的时间作为输入神经元X={x1,x2,...,x5}，将用户收到货物的时间作为输出神经元；建立预测模型：设置激活函数sigmoid、迭代次数、学习率；获取用户收到货物的预测时间Y和用户实际收到货物的时间Y’信息，当在迭代次数中F=
Figure 100002_DEST_PATH_IMAGE004
误差最小时，输出最终的预测时间Y；如若预测时间Y大于预设标准时间时，则货物需优先配送；获取从海关运输至仓储中心的位置L和配送终点位置S，获取运输车的配送路径信息，包括至少一个在所述仓储中心与配送终点之间配送的运输车辆，和，至少一个经过仓储中心或者配送终点的运输车辆；
根据运输车辆的配送路径信息分别形成的向量
Figure 100002_DEST_PATH_IMAGE006
和向量
Figure 100002_DEST_PATH_IMAGE008
，
Figure 100002_DEST_PATH_IMAGE010
；
Figure 100002_DEST_PATH_IMAGE012
为向量
Figure 921394DEST_PATH_IMAGE006
与向量
Figure 144565DEST_PATH_IMAGE008
之间的夹角，
Figure 100002_DEST_PATH_IMAGE014
为向量
Figure 68528DEST_PATH_IMAGE006
的模，
Figure 100002_DEST_PATH_IMAGE016
为向量
Figure 529596DEST_PATH_IMAGE008
的模；；
当
Figure 100002_DEST_PATH_IMAGE018
时，则表示运输车辆中的部分路径相同，配送路径
Figure 411970DEST_PATH_IMAGE006
与配送路径
Figure 122438DEST_PATH_IMAGE008
的关联度高于预设关联度，将满足部分路径相同的运输车辆进行展示；当
Figure 100002_DEST_PATH_IMAGE020
时，则表示运输车辆的配送路径不相同，配送路径
Figure 335244DEST_PATH_IMAGE006
与配送路径
Figure 696824DEST_PATH_IMAGE008
的关联度低于预设关联度；
在优化运输车配送货物的时间信息前，还需验证如下方法，当核实到运输车辆中的部分路径相同时，获取待装载货物信息、运输车辆集D={1,2,...,i}和已装载货物信息，当装配的系数大于预设系数时，即能将待装载货物安装至指定运输车辆中，当装配的系数小于预设系数，即不能将待装载货物安装至指定运输车辆，更换其他运输车辆；
Figure 100002_DEST_PATH_IMAGE022
；
其中：Z为运输车辆的总空间比例，
Figure 100002_DEST_PATH_IMAGE024
、
Figure 100002_DEST_PATH_IMAGE026
、
Figure 100002_DEST_PATH_IMAGE028
为数量；
Figure 100002_DEST_PATH_IMAGE030
为重量范围为V时的体积比例I，
Figure 100002_DEST_PATH_IMAGE032
为货物种类J时的体积比例I，
Figure 100002_DEST_PATH_IMAGE034
为已预约待装载的货物体积比例，EI为当前货物的体积比例。
所述优化运输车配送货物的时间信息，在满足如下条件时，则能安排对应运输车配送货物；
获取在优先配送当前货物时的第一时间以及与第一时间相邻的第二时间信息；所述相邻的第二时间信息为在配送当前货物的第一时间之前的时间段以及与第一时间并列的时间段；
Figure 100002_DEST_PATH_IMAGE036
=T-1；
其中：k为配送路径，H为运输车在配送与第一时间相邻的第二时间所对应货物的配送路径，
Figure 100002_DEST_PATH_IMAGE038
为运输车u运送第k条配送路径时的时间，
Figure 100002_DEST_PATH_IMAGE040
为运输车u在运送第k条路径时因其他因素造成的时间，T为设定的预设标准时间。
在步骤Z03中，所述用户对跨境运输进行评价的因素包括：配送时间的准确性、配送货物的完整度。
与现有技术相比，本发明所达到的有益效果是：
本发明通过数据分析模块，根据货物在海关验证时的数据特征，处理数据特征并得到货物在海关检查时生成的检查轨迹，进而控制在海关核验异常的节点范围，从而能够提高货物在海关验证时的效率，在缩小到异常的节点范围后，通过在设定的节点范围更改数据特征后，提高货物在海关验证的准确性；
通过物流配送处理模块，通过预测用户收到货物的时间，根据时间优化配送货物的运输车信息，能够减少货物被滞留在配送中心的时间，提高了配送效率，减轻了由货物配送不及时导致的风险；
通过风险评估模块，根据用户在跨境运输时的评估结果，进而使得平台能针对性地改善跨境运输的相关问题。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种跨境电商数字化的智能风控系统的模块组成示意图；
图2是本发明一种跨境电商数字化的智能风控方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明提供技术方案：
一种跨境电商数字化的智能风控系统，所述智能风控系统包括数据分析模块、物流配送处理模块、风险评估模块；
所述数据分析模块用于获取货物在海关验证时的数据特征，处理数据特征并得到货物在海关检查时生成的检查轨迹，根据检查轨迹得到分布节点上的分类结果，进而控制在海关核验异常的节点范围；
所述物流配送处理模块用于预测用户收到货物的时间，根据时间优化配送货物的运输车信息；
所述风险评估模块用于向用户输送评估跨境运输的引擎端，根据用户的评估结果，确定跨境运输的风险程度；
所述数据分析模块与物流配送处理模块和风险评估模块相连接。
进一步的，所述数据分析模块包括数据获取单元、数据验证单元、轨迹生成处理单元、数据分类单元和风险节点定位单元；
所述数据获取单元用于获取货物在海关核验时产生的数据，并提取数据的第一特征；
所述数据验证单元用于验证数据特征的准确性，得到验证后的结果，所述验证数据特征的步骤为将数据库内所存储的第二特征与第一特征对比；
所述轨迹生成处理单元用于根据货物在海关的初始检查节点与货物在海关的末端检查节点生成检查轨迹，并对轨迹进行处理；
所述数据分类单元用于根据检查轨迹得到分布节点上的分类结果；所述分类结果为海关核验正常或者海关检验异常；
所述风险节点定位单元用于根据检查轨迹缩小海关校验异常的节点范围；
所述数据获取单元的输出端与数据验证单元的输入端相连接；所述数据分类单元的输出端与轨迹生成处理单元的输入端相连接；所述风险节点定位单元的输出端与数据分类单元的输入端相连接。
进一步的，所述物流配送处理模块包括第一时间预测单元、数据对比单元、路径分析单元、配送管理单元和最优配送处理单元；
所述第一时间预测单元用于根据货物在运输过程中所受影响因素预测用户收到货物的时间；
所述数据对比单元用于将预测用户收到货物的时间与设定标准时间对比，得到对比结果；
所述路径分析单元用于获取运输车的行驶路径信息，分析路径与派送货物路径的关联度；
所述配送管理单元用于预先获取待装载的货物信息，并将所述货物安装在匹配的运输车内；
所述最优配送处理单元用于优化配送货物的运输车信息；
所述第一时间预测单元的输出端与数据对比单元的输入端相连接；所述最优配送处理单元的输出端与路径分析单元的输入端相连接。
进一步的，所述风险评估模块包括满意度分析单元、风险展示单元和预警单元；
所述满意度分析单元用于在检测到用户成功接收货物后，向用户输送满意度评价引擎，进而使用户根据评价引擎对跨境运输进行评价；
所述风险展示单元用于根据评价，展示跨境运输的风险程度；
所述预警单元用于在核实到风险程度大于预设风险程度时进行预警；
所述满意度分析单元的输出端与风险展示单元和预警单元的输入端相连接。
一种跨境电商数字化的智能风控方法，所述智能风控方法执行如下步骤：
Z01：获取货物在海关核验时的数据信息，提取数据的第一特征；将数据的第一特征与数据库中的第二特征比较；如若核实到第一特征与第二特征相似，则获取得到数据库内形成的海关检查节点，并依据海关检查节点形成检查轨迹集合；确定检查轨迹集合中对应节点的检查分类结果，并依据检查分类结果缩小海关校验异常节点的范围；
Z02：预测用户接收到货物的时间，将所述时间与预设标准时间对比，如若所述时间超过预设标准时间时，则优化运输车配送货物的时间信息；如若所述时间处于预设标准时间内时，则正常运输货物；
Z03：用户对跨境运输进行评价，根据评价结果展示跨境运输过程的风险程度；如若核实到风险程度大于预设风险程度时进行预警。
在步骤Z01中，所述货物在海关校验时的数据信息包括接收申报、核验通知单、海关对货物现场查验、放行通过；提取数据信息的第一特征集合，具体为Q={q1,q2,q3,...,qm}；将第一特征与第二特征对比，具体为W(Q,P)=
Figure 218941DEST_PATH_IMAGE002
，P是指数据库内数据信息的第二特征集合；如若W(Q,P)=0时，则表示第一特征与第二特征相似度低；如若W(Q,P)=1时，则表示第一特征与第二特征的相似度高于预设相似度；依据数据特征在海关检查节点上形成检查轨迹集合，根据检查轨迹集合在检查轨迹节点中形成检查分类结果，所述检查分类结果通过如下步骤实现：
获取在不同节点上形成的训练集，得到数据集特征，在数据集特征中任意选择KI个聚类的初始中心，计算任意训练集中特征至KI个聚类中心的距离，设置迭代次数N，将数据特征集聚集至与聚类中心距离最近的类别中，实时更新聚类中心直至聚类中心位置不再发生变化，进而将数据集特征分类为：海关核验正常或者海关核验异常；依据数据集特征缩小海关校验异常节点的范围，具体为：
Z010：获取相似轨迹中，定位海关核验正常的任意节点A，将节点A作为起始点，向周围节点传播；
Z011：将节点B作为节点A的下一个海关核验正常的节点，核实在节点A与节点B中的海关核验异常的节点数量；如若海关核验异常的节点数量多于预设数量时，核实由不同异常的节点形成的分叉检查轨迹，逐一验证分叉检查轨迹，将由原来的节点A与节点B之间的节点形成的检查轨迹作为异常节点的范围进行逐步缩小，直至缩小为目前的异常节点的范围；
Z012：如若海关核验异常的节点数量少于预设数量时，则将其他核验正常的节点作为起始点，循环步骤Z010-Z011；
通过设置W(Q,P)=
Figure 416704DEST_PATH_IMAGE002
，进而验证特征信息的准确性，而在此处预先比较数据的准确性，目的在于能在数据库中寻找到由节点形成的检查轨迹；进而能根据检查轨迹来进一步缩小异常节点的范围，
Figure DEST_PATH_IMAGE042
是指数据特征集合的并集，
Figure DEST_PATH_IMAGE044
是指数据特征集合的交集；通过此方法来比较数据特征，准确率高；根据数据集特征，对在海关验证时的结果进行分类，根据分类结果，得到此步骤内海关验证的重要性，同时也能校验具体异常节点的范围。
在步骤Z02中，所述预测用户接收到货物的时间，具体为：将货物在境外配送时受到的影响因素：生产货物或者进货产生的延迟时间、货物在境外制造时的时间、货物在海关核验的时间、至少一个海关货物被配送的时间和用户在购物平台上预测时间Y下单的时间作为输入神经元X={x1,x2,...,x5}，将用户收到货物的时间作为输出神经元；建立预测模型：设置激活函数sigmoid、迭代次数、学习率；获取用户收到货物的和用户实际收到货物的时间Y’信息，当在迭代次数中F=
Figure 151311DEST_PATH_IMAGE004
误差最小时，输出最终的预测时间Y；如若预测时间Y大于预设标准时间时，则货物需优先配送；获取从海关运输至仓储中心的位置L和配送终点位置S，获取运输车的配送路径信息，包括至少一个在所述仓储中心与配送终点之间配送的运输车辆，和，至少一个经过仓储中心或者配送终点的运输车辆；
根据运输车辆的配送路径信息分别形成的向量
Figure 118130DEST_PATH_IMAGE006
和向量
Figure 873465DEST_PATH_IMAGE008
，
Figure 292945DEST_PATH_IMAGE010
；
Figure 644292DEST_PATH_IMAGE012
为向量
Figure 465618DEST_PATH_IMAGE006
与向量
Figure 142587DEST_PATH_IMAGE008
之间的夹角，
Figure 33051DEST_PATH_IMAGE014
为向量
Figure 188089DEST_PATH_IMAGE006
的模，
Figure 129500DEST_PATH_IMAGE016
为向量
Figure 711791DEST_PATH_IMAGE008
的模；
当
Figure 355131DEST_PATH_IMAGE018
时，则表示运输车辆中的部分路径相同，配送路径
Figure 48281DEST_PATH_IMAGE006
与配送路径
Figure 578619DEST_PATH_IMAGE008
的关联度高于预设关联度，将满足部分路径相同的运输车辆进行展示；当
Figure 331812DEST_PATH_IMAGE020
时，则表示运输车辆的配送路径不相同，配送路径
Figure 728027DEST_PATH_IMAGE006
与配送路径
Figure 224867DEST_PATH_IMAGE008
的关联度低于预设关联度；本方法通过神经网络预测方法进而预测用户收到货物的时间，在本方法中，文化差异是由于不同境外的文化差异不同，进而导致生产货物或者进货的时间产生延迟，货物在海关核验的时间为在货物因排队检查、核对校验数据造成的时间，根据如上因素进而确定最终用户收到货物的时间；而如果仅仅根据历史数据分析用户收到货物的时间，准确性会降低，因为在外部因素发生变化后，再通过历史数据来预测并不会得到一个准确的值；而为了分析运输车辆路径的关联度，从而使得运输车辆配送指定货物；为了避免较远的货运车辆来对接指定货物，需要筛选车辆，并设置了筛选运输车辆的条件，保证运输车辆能够在指定时间内成功运输至指定位置；分别为配送货物的体积比例、配送货物的时间进而指定运输车辆配送货物，从而提高运输货物的及时性和准确性；其中货物的体积比例是由于整个车厢内空间比例而获得，已装载的货物和待装载（已确定）的货物是根据扫描仪扫描货物体积的大小而确定，而分析
Figure 875291DEST_PATH_IMAGE030
与
Figure 533806DEST_PATH_IMAGE032
时会产生交集，例如
Figure 151738DEST_PATH_IMAGE030
重量范围为对应货物的体积比例已包含了指定物品对应货物的体积比例，而所述重量范围是指重量较重放置在车厢底层位置，因此为了得到稳定且准确的装配系数，需删除重复的体积比例。
在优化运输车配送货物的时间信息前，还需验证如下方法，当核实到运输车辆中的部分路径相同时，获取待装载货物信息、运输车辆集D={1,2,...,i}和已装载货物信息，当装配的系数大于预设系数时，即能将待装载货物安装至指定运输车辆中，当装配的系数小于预设系数，即不能将待装载货物安装至指定运输车辆，更换其他运输车辆；
Figure 186690DEST_PATH_IMAGE022
；
其中：Z为运输车辆的总空间比例，
Figure 222779DEST_PATH_IMAGE024
、
Figure 52195DEST_PATH_IMAGE026
、
Figure 908155DEST_PATH_IMAGE028
为数量；
Figure 996066DEST_PATH_IMAGE030
为重量范围为V时的体积比例I，
Figure 355503DEST_PATH_IMAGE032
为货物种类J时的体积比例I，
Figure 621399DEST_PATH_IMAGE034
为已预约待装载的货物体积比例，EI为当前货物的体积比例；
所述优化运输车配送货物的时间信息，在满足如下条件时，则能安排对应运输车配送货物；
获取在优先配送当前货物时的第一时间以及与第一时间相邻的第二时间信息；所述相邻的第二时间信息为在配送当前货物的第一时间之前的时间段以及与第一时间并列的时间段；
Figure 699077DEST_PATH_IMAGE036
=T-1；
其中：k为配送路径，H为运输车在配送与第一时间相邻的第二时间所对应货物的配送路径，
Figure 856257DEST_PATH_IMAGE038
为运输车u运送第k条配送路径时的时间，
Figure 335780DEST_PATH_IMAGE040
为运输车u在运送第k条路径时因其他因素造成的时间，T为设定的预设标准时间。
在步骤Z03中，所述用户对跨境运输进行评价的因素包括：配送时间的准确性、配送货物的完整度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种跨境电商数字化的智能风控系统，其特征在于：所述智能风控系统包括数据分析模块、物流配送处理模块、风险评估模块；
所述数据分析模块用于获取货物在海关验证时的数据特征，处理数据特征并得到货物在海关检查时生成的检查轨迹，根据检查轨迹得到分布节点上的分类结果，进而控制在海关核验异常的节点范围；
所述物流配送处理模块用于预测用户收到货物的时间，根据时间优化配送货物的运输车信息；
所述风险评估模块用于向用户输送评估跨境运输的引擎端，根据用户的评估结果，确定跨境运输的风险程度，所述引擎端用于用户对跨境运输进行评价；
所述数据分析模块与物流配送处理模块和风险评估模块相连接；
所述数据分析模块包括数据获取单元、数据验证单元、轨迹生成处理单元、数据分类单元和风险节点定位单元；
所述数据获取单元用于获取货物在海关核验时产生的数据，并提取数据的第一特征；
所述数据验证单元用于验证数据特征的准确性，得到验证后的结果，所述验证数据特征的步骤为将数据库内所存储的第二特征与第一特征对比；
所述轨迹生成处理单元用于根据货物在海关的初始检查节点与货物在海关的末端检查节点生成检查轨迹，并对轨迹进行处理；
所述数据分类单元用于根据检查轨迹得到分布节点上的分类结果；所述分类结果为海关核验正常或者海关检验异常；
所述风险节点定位单元用于根据检查轨迹缩小海关校验异常的节点范围；
所述数据获取单元的输出端与数据验证单元的输入端相连接；所述数据分类单元的输出端与轨迹生成处理单元的输入端相连接；所述风险节点定位单元的输出端与数据分类单元的输入端相连接；
货物在海关校验时的数据信息包括接收申报、核验通知单、海关对货物现场查验、放行通过；提取数据信息的第一特征集合，具体为Q={q1,q2,q3,...,qm}；将第一特征与第二特征对比，具体为W(Q,P)=
Figure DEST_PATH_IMAGE002
，P是指数据库内数据信息的第二特征集合；如若W(Q,P)=0时，则表示第一特征与第二特征相似度低；如若W(Q,P)=1时，则表示第一特征与第二特征的相似度高于预设相似度；依据数据特征在海关检查节点上形成检查轨迹集合，根据检查轨迹集合在检查轨迹节点中形成检查分类结果，所述检查分类结果通过如下步骤实现：
获取在不同节点上形成的训练集，得到数据集特征，在数据集特征中任意选择KI个聚类的初始中心，计算任意训练集中特征至KI个聚类中心的距离，设置迭代次数N，将数据特征集聚集至与聚类中心距离最近的类别中，实时更新聚类中心直至聚类中心位置不再发生变化，进而将数据集特征分类为：海关核验正常或者海关核验异常；依据数据集特征缩小海关校验异常节点的范围，具体为：
Z010：获取相似轨迹中，定位海关核验正常的任意节点A，将节点A作为起始点，向周围节点传播；
Z011：将节点B作为节点A的下一个海关核验正常的节点，核实在节点A与节点B中的海关核验异常的节点数量；如若海关核验异常的节点数量多于预设数量时，核实由不同异常的节点形成的分叉检查轨迹，逐一验证分叉检查轨迹，将由原来的节点A与节点B之间的节点形成的检查轨迹作为异常节点的范围进行逐步缩小，直至缩小为目前的异常节点的范围；
Z012：如若海关核验异常的节点数量少于预设数量时，则将其他核验正常的节点作为起始点，循环步骤Z010-Z011。
2.根据权利要求1所述的一种跨境电商数字化的智能风控系统，其特征在于：所述物流配送处理模块包括第一时间预测单元、数据对比单元、路径分析单元、配送管理单元和最优配送处理单元；
所述第一时间预测单元用于根据货物在运输过程中所受影响因素预测用户收到货物的时间；
所述数据对比单元用于将预测用户收到货物的时间与设定标准时间对比，得到对比结果；
所述路径分析单元用于获取运输车的行驶路径信息，分析路径与派送货物路径的关联度；
所述配送管理单元用于预先获取待装载的货物信息，并将所述货物安装在匹配的运输车内；
所述最优配送处理单元用于优化配送货物的运输车信息；
所述第一时间预测单元的输出端与数据对比单元的输入端相连接；所述最优配送处理单元的输出端与路径分析单元的输入端相连接。
3.根据权利要求1所述的一种跨境电商数字化的智能风控系统，其特征在于：所述风险评估模块包括满意度分析单元、风险展示单元和预警单元；
所述满意度分析单元用于在检测到用户成功接收货物后，向用户输送满意度评价引擎，进而使用户根据评价引擎对跨境运输进行评价；
所述风险展示单元用于根据评价，展示跨境运输的风险程度；
所述预警单元用于在核实到风险程度大于预设风险程度时进行预警；
所述满意度分析单元的输出端与风险展示单元和预警单元的输入端相连接。
4.一种跨境电商数字化的智能风控方法，其特征在于：所述智能风控方法执行如下步骤：
Z01：获取货物在海关核验时的数据信息，提取数据的第一特征；将数据的第一特征与数据库中的第二特征比较；如若核实到第一特征与第二特征相似，则获取得到数据库内形成的海关检查节点，并依据海关检查节点形成检查轨迹集合；确定检查轨迹集合中对应节点的检查分类结果，并依据检查分类结果缩小海关校验异常节点的范围；
Z02：预测用户接收到货物的时间，将所述时间与预设标准时间对比，如若所述时间超过预设标准时间时，则优化运输车配送货物的时间信息；如若所述时间处于预设标准时间内时，则正常运输货物；
Z03：用户对跨境运输进行评价，根据评价结果展示跨境运输过程的风险程度；如若核实到风险程度大于预设风险程度时进行预警；
在步骤Z01中，所述货物在海关校验时的数据信息包括接收申报、核验通知单、海关对货物现场查验、放行通过；提取数据信息的第一特征集合，具体为Q={q1,q2,q3,...,qm}；将第一特征与第二特征对比，具体为W(Q,P)=
Figure 427288DEST_PATH_IMAGE002
，P是指数据库内数据信息的第二特征集合；如若W(Q,P)=0时，则表示第一特征与第二特征相似度低；如若W(Q,P)=1时，则表示第一特征与第二特征的相似度高于预设相似度；依据数据特征在海关检查节点上形成检查轨迹集合，根据检查轨迹集合在检查轨迹节点中形成检查分类结果，所述检查分类结果通过如下步骤实现：
获取在不同节点上形成的训练集，得到数据集特征，在数据集特征中任意选择KI个聚类的初始中心，计算任意训练集中特征至KI个聚类中心的距离，设置迭代次数N，将数据特征集聚集至与聚类中心距离最近的类别中，实时更新聚类中心直至聚类中心位置不再发生变化，进而将数据集特征分类为：海关核验正常或者海关核验异常；依据数据集特征缩小海关校验异常节点的范围，具体为：
Z010：获取相似轨迹中，定位海关核验正常的任意节点A，将节点A作为起始点，向周围节点传播；
Z011：将节点B作为节点A的下一个海关核验正常的节点，核实在节点A与节点B中的海关核验异常的节点数量；如若海关核验异常的节点数量多于预设数量时，核实由不同异常的节点形成的分叉检查轨迹，逐一验证分叉检查轨迹，将由原来的节点A与节点B之间的节点形成的检查轨迹作为异常节点的范围进行逐步缩小，直至缩小为目前的异常节点的范围；
Z012：如若海关核验异常的节点数量少于预设数量时，则将其他核验正常的节点作为起始点，循环步骤Z010-Z011。
5.根据权利要求4所述的一种跨境电商数字化的智能风控方法，其特征在于：在步骤Z02中，所述预测用户接收到货物的时间，具体为：将货物在境外配送时受到的影响因素：生产货物或者进货产生的延迟时间、货物在境外制造时的时间、货物在海关核验的时间、至少一个海关货物被配送的时间和用户在购物平台上下单的时间作为输入神经元X={x1,x2,...,x5}，将用户收到货物的时间作为输出神经元；建立预测模型：设置激活函数sigmoid、迭代次数、学习率；获取用户收到货物的预测时间Y和用户实际收到货物的时间Y’信息，当在迭代次数中F=
Figure DEST_PATH_IMAGE004
误差最小时，输出最终的预测时间Y；如若预测时间Y大于预设标准时间时，则货物需优先配送；获取从海关运输至仓储中心的位置L和配送终点位置S，获取运输车的配送路径信息，包括至少一个在所述仓储中心与配送终点之间配送的运输车辆，和，至少一个经过仓储中心或者配送终点的运输车辆；
根据运输车辆的配送路径信息分别形成的向量
Figure DEST_PATH_IMAGE006
和向量
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE012
为向量
Figure 390434DEST_PATH_IMAGE006
与向量
Figure 639013DEST_PATH_IMAGE008
之间的夹角，
Figure DEST_PATH_IMAGE014
为向量
Figure 690014DEST_PATH_IMAGE006
的模，
Figure DEST_PATH_IMAGE016
为向量
Figure 645332DEST_PATH_IMAGE008
的模；
当
Figure DEST_PATH_IMAGE018
时，则表示运输车辆中的部分路径相同，配送路径
Figure 920324DEST_PATH_IMAGE006
与配送路径
Figure 656199DEST_PATH_IMAGE008
的关联度高于预设关联度，将满足部分路径相同的运输车辆进行展示；当
Figure DEST_PATH_IMAGE020
时，则表示运输车辆的配送路径不相同，配送路径
Figure 245312DEST_PATH_IMAGE006
与配送路径
Figure 383033DEST_PATH_IMAGE008
的关联度低于预设关联度；
在优化运输车配送货物的时间信息前，还需验证如下方法，当核实到运输车辆中的部分路径相同时，获取待装载货物信息、运输车辆集D={1,2,...,i}和已装载货物信息，当装配的系数大于预设系数时，即能将待装载货物安装至指定运输车辆中，当装配的系数小于预设系数，即不能将待装载货物安装至指定运输车辆，更换其他运输车辆；
Figure DEST_PATH_IMAGE022
；
其中：Z为运输车辆的总空间比例，
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
为数量；
Figure DEST_PATH_IMAGE030
为重量范围为V时的体积比例I，
Figure DEST_PATH_IMAGE032
为货物种类J时的体积比例I，
Figure DEST_PATH_IMAGE034
为已预约待装载的货物体积比例，EI为当前货物的体积比例。
6.根据权利要求4所述的一种跨境电商数字化的智能风控方法，其特征在于：所述优化运输车配送货物的时间信息，在满足如下条件时，则能安排对应运输车配送货物；
获取在优先配送当前货物时的第一时间以及与第一时间相邻的第二时间信息；所述相邻的第二时间信息为在配送当前货物的第一时间之前的时间段以及与第一时间并列的时间段；
Figure DEST_PATH_IMAGE036
=T-1；
其中：k为配送路径，H为运输车在配送与第一时间相邻的第二时间所对应货物的配送路径，
Figure DEST_PATH_IMAGE038
为运输车u运送第k条配送路径时的时间，
Figure DEST_PATH_IMAGE040
为运输车u在运送第k条路径时因其他因素造成的时间，T为设定的预设标准时间。
7.根据权利要求4所述的一种跨境电商数字化的智能风控方法，其特征在于：在步骤Z03中，所述用户对跨境运输进行评价的因素包括：配送时间的准确性、配送货物的完整度。
CN202210559647.2A 2022-05-23 2022-05-23 一种跨境电商数字化的智能风控系统及方法 Active CN114662998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210559647.2A CN114662998B (zh) 2022-05-23 2022-05-23 一种跨境电商数字化的智能风控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210559647.2A CN114662998B (zh) 2022-05-23 2022-05-23 一种跨境电商数字化的智能风控系统及方法

Publications (2)

Publication Number Publication Date
CN114662998A CN114662998A (zh) 2022-06-24
CN114662998B true CN114662998B (zh) 2022-09-13

Family

ID=82037396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210559647.2A Active CN114662998B (zh) 2022-05-23 2022-05-23 一种跨境电商数字化的智能风控系统及方法

Country Status (1)

Country Link
CN (1) CN114662998B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423416B (zh) * 2022-10-12 2024-02-02 广州市综合交通枢纽有限公司 一种跨境物流运输管理系统及其控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2860114A1 (en) * 2013-10-11 2015-04-15 SecurityPoint Holdings, Inc. Methods and systems for efficient security screening
CN109409803A (zh) * 2018-10-16 2019-03-01 深圳海带宝网络科技股份有限公司 一种跨境电商物流轨迹智能监控方法及系统
CN110414946A (zh) * 2019-08-08 2019-11-05 山东浪潮质量链科技有限公司 一种基于区块链的跨境商品快速通关系统及方法
CN112116255A (zh) * 2020-09-22 2020-12-22 北京科技大学 一种跨境可再生资源质量安全预警方法及系统
CN112365166A (zh) * 2020-11-13 2021-02-12 广东卓志跨境电商供应链服务有限公司 一种跨境电商商品备案风险控制方法及相关装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484849B (zh) * 2014-12-26 2018-07-27 同方威视技术股份有限公司 海关验放系统及方法
CN112101774A (zh) * 2020-09-11 2020-12-18 复旦大学 面向跨境商品的关联风险识别系统
CN114360740A (zh) * 2022-01-11 2022-04-15 内蒙古科技大学 一种面向跨境电商网络的疫情传播风险评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2860114A1 (en) * 2013-10-11 2015-04-15 SecurityPoint Holdings, Inc. Methods and systems for efficient security screening
CN109409803A (zh) * 2018-10-16 2019-03-01 深圳海带宝网络科技股份有限公司 一种跨境电商物流轨迹智能监控方法及系统
CN110414946A (zh) * 2019-08-08 2019-11-05 山东浪潮质量链科技有限公司 一种基于区块链的跨境商品快速通关系统及方法
CN112116255A (zh) * 2020-09-22 2020-12-22 北京科技大学 一种跨境可再生资源质量安全预警方法及系统
CN112365166A (zh) * 2020-11-13 2021-02-12 广东卓志跨境电商供应链服务有限公司 一种跨境电商商品备案风险控制方法及相关装置

Also Published As

Publication number Publication date
CN114662998A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Chandriah et al. RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting
Hu et al. A fuzzy-based customer classification method for demand-responsive logistical distribution operations
CN110738523B (zh) 一种维修订单量预测方法及装置
CN109767032A (zh) 一种基于数据分析的企业财务运营数字化管理优化系统
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN111210181B (zh) 一种货物流向管控方法及系统
CN114662998B (zh) 一种跨境电商数字化的智能风控系统及方法
CN109711955A (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN110163752A (zh) 一种外汇交易量预测方法、装置及系统
CN114549046A (zh) 基于融合模型的销售预测方法、系统、设备及存储介质
Sharman et al. Multilevel modelling of commercial vehicle inter-arrival duration using GPS data
CN112101839A (zh) 建立快递送达时间预测模型的方法、预测方法及相关设备
CN110111036A (zh) 基于lstm模型融合的物流货量预测方法及系统
CN107958297A (zh) 一种产品需求预测方法及产品需求预测装置
CN111353094A (zh) 一种信息推送方法及装置
CN114723543B (zh) 一种跨境电商的财务档案大数据管理系统及方法
Mazurenko et al. Development of a simulation model of a cargo customs complex operation as a link of a logistic supply chain
CN117079220B (zh) 一种基于物联网的供应链智能监管系统及方法
Lee et al. Travel pattern-based bus trip origin-destination estimation using smart card data
Motaghedi-Larijani Solving the number of cross-dock open doors optimization problem by combination of NSGA-II and multi-objective simulated annealing
CN115482014B (zh) 一种二手车虚假车源的识别方法和装置
Oklander et al. Minimization of transportation risks in logistics by choosing a cargo delivery route with the minimal projected number of road accidents
CN113469598A (zh) 智慧供应链系统及服务器平台
CN115564359A (zh) 汽车售后备件的库存预测方法、设备和存储介质
CN113592379B (zh) 散粮集装箱物流运输环境异常检测的关键特征识别方法

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
GR01 Patent grant
GR01 Patent grant