CN117271998A - 网络货运平台中的异常运单监测分析方法及系统 - Google Patents
网络货运平台中的异常运单监测分析方法及系统 Download PDFInfo
- Publication number
- CN117271998A CN117271998A CN202311249127.2A CN202311249127A CN117271998A CN 117271998 A CN117271998 A CN 117271998A CN 202311249127 A CN202311249127 A CN 202311249127A CN 117271998 A CN117271998 A CN 117271998A
- Authority
- CN
- China
- Prior art keywords
- bill
- freight
- abnormal
- settlement
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010224 classification analysis Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 6
- 239000000969 carrier Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/0833—Tracking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机及互联网技术领域,具体为网络货运平台中的异常运单监测分析方法及系统,包括以下步骤:S1、接收运单结算请求、判别分析所申请结算的运单状态、给出判断结果并推送至申请人、储存判别分析结果;S2、网络货运平台在接收到承运人提交的运单结算申请后,会通过平台的运单判别系统对运单的状况进行全面的检测和分析,检测的内容包括起始地或目的地是否覆盖、材料是否齐全、收款人和承运人是否一致、运单时间是否重叠、月收款是否超额、单日承运趟次是否超限、单日运输里程是否超限、运费是否偏高等指标。
Description
技术领域
本发明涉及计算机及互联网技术领域,具体为网络货运平台中的异常运单监测分析方法及系统。
背景技术
在物联网、人工智能、大数据、云计算、5G等新一代信息技术的推动下,网络货运行业得以快速发展。然而,现实中很多货主企业或者承运人不具备相应的技术条件,且信息错填乱填、单据上传不全等现象时有发生,致使网络货运平台面临着较高的运单合规风险。为了满足相关政府部门对行业数据规范、实时、全量的监管要求,网络货运平台需要耗费大量人力来监控运单状态,造成较低的运营效率。鉴于此,我们提出网络货运平台中的异常运单监测分析方法及系统。
目前,网络货运平台对运单的监控多采用基于人工调节的多风险点独立控制的监控方法,此方法具有检测准确率低、历史数据利用率低、参数调整滞后、结果输出延迟等缺点,在业务体量迅猛增加的当下已不再适用,因此,我们提出了一种高效的异常运单动态监测分析方法和智能判别分析系统。
发明内容
本发明的目的在于提供网络货运平台中的异常运单监测分析方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
网络货运平台中的异常运单监测分析方法,包括以下步骤:
S1、接收运单结算请求、判别分析所申请结算的运单状态、给出判断结果并推送至申请人、储存判别分析结果;
S2、网络货运平台在接收到承运人提交的运单结算申请后,会通过平台的运单判别系统对运单的状况进行全面的检测和分析,检测的内容包括起始地或目的地是否覆盖、材料是否齐全、收款人和承运人是否一致、运单时间是否重叠、月收款是否超额、单日承运趟次是否超限、单日运输里程是否超限、运费是否偏高等指标;
S3、通过对以上指标的检测和分析,输出以下两类结果:一是合规运单,对于合规的运单,则直接进入下一步的结算开票阶段,并将结果储存于数据库中,二是异常运单,则给出异常的原因,进而进入拒绝结算阶段,将结果和原因推送至承运人终端,并将结果保存在数据库中;
S4、对于拒绝结算的运单,承运人可以根据反馈的原因进行处理,对于缺失材料的异常,则补充相应的材料;对于超阈值的异常,则需要给出具体合理的解释说明,以确保运单真实合规,待实际承运人按照要求处理完毕后,则可以再次发起运单结算申请;
S5、再次发起的结算申请,首先通过系统判别模型,给出判断结果,如果是合规运单,则进入下一阶段的结算开票节点;如果是异常运单,则推送至人工客服处进行审核,通过人工客服的综合判断,对于显著不合规的运单,在标注后进入下一步拒绝结算的程序;
S6、申请结算和系统判别信息等均储存在数据库中,以备后续查询以及判别模型的训练。
优选的,所述步骤S5中对于合规的运单,在进行标注后进入下一阶段的结算开票程序。
优选的,所述步骤S5中对于有疑问的运单,客服可以联系承运人进行核实,根据核实结果给出异常或者合规的判断结果,之后进入下一阶段中相应的程序。
优选的,所述对于第二次及之后拒绝结算的运单,承运人仍然可以根据反馈结果补充相关材料或者提供相应说明后,再次发起运单结算申请,后续处理流程参照第二次运单结算申请的流程进行处理。
网络货运平台中的异常运单监测分析系统,包括数据库模块、逻辑判断模块、回归分析模块、分类分析模块、智能决策模块;
数据库模块中储存着包括承运人及上游货主的身份信息、车辆信息、货物信息、轨迹信息、财务信息、结算信息、异常判别分析信息,及其他相关信息;
逻辑判断模块可以通过对历史数据进行统计分析,设定一些指标阈值,并给出相应的判断结果,阈值的确定来自于历史运单中的统计信息,可以是平台中类似项目的平均值、众数值,也可以是符合常识的值;
回归分析模块,主要是运费分析,影响运费的影响因素主要包括吨位数、里程等,此外还会受到外界油价、区域等随着时间空间等变化的因素的影响,在综合考虑内部运单数据以及外部油价、区域等因素的影响下,运用线性回归、局部加权回归、岭回归、拉索回归等机器学习方法,估计运费的合理区间,以周或月为单位,对运费的阈值进行动态调整,以适应内外部环境的变化,防止正常波动被误报异常,提高系统的适应性,通过回归分析模块,判断运单中有关运费相关的指标是否合规;
分类分析模块,主要是根据逻辑判断模块和回归分析模块的结果,进行分类预测,主要运用K近邻、逻辑回归、支持向量机、决策树、随机森林等机器学习方法中的一种或者多种方法构建预测模型,进行分类预测,并运用网格搜索、贝叶斯搜索、随机搜索等方法对需要调参的参数进行优化,实现较为准确的预测;
智能决策模块,根据分类分析模块的分析结果,并结合针对货主或承运人设置的特定条件,对提交的运单进行智能决策分析,输出拒绝或通过的结论,对于异常运单,则一并给出相应的异常原因。
与现有技术相比,本发明的有益效果是:
1.该网络货运平台中的异常运单监测分析方法及系统,本申请方案将充分考虑内外部环境因素,结合企业的数据特征和业务逻辑,运用变点检测、回归分析、分类分析、统计分析等方法,能够从时间和空间维度分析运单中相应数据的变化趋势,在避免正常波动被误判的情况下识别出真实的异常运单,弥补多风险点独立监控的不足。该方法的应用能够将事后检测变为实时动态监测,降低人力及硬件投入成本,提高异常运单监测的效率和准确率。
2.该网络货运平台中的异常运单监测分析方法及系统,使网络货运平台企业能够及时高效地识别出平台上的异常运单,并给以拒绝结算的处理,降低企业面临的运单数据的合规风险。
附图说明
图1为本发明的流程结构示意图;
图2为本申请中的异常运单智能判别分析系统。
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所示,本发明提供的一种技术方案:
网络货运平台中的异常运单监测分析方法,包括以下步骤:
S1、接收运单结算请求、判别分析所申请结算的运单状态、给出判断结果并推送至申请人、储存判别分析结果;
S2、网络货运平台在接收到承运人提交的运单结算申请后,会通过平台的运单判别系统对运单的状况进行全面的检测和分析,检测的内容包括起始地或目的地是否覆盖、材料是否齐全、收款人和承运人是否一致、运单时间是否重叠、月收款是否超额、单日承运趟次是否超限、单日运输里程是否超限、运费是否偏高等指标;
S3、通过对以上指标的检测和分析,输出以下两类结果:一是合规运单,对于合规的运单,则直接进入下一步的结算开票阶段,并将结果储存于数据库中,二是异常运单,则给出异常的原因,进而进入拒绝结算阶段,将结果和原因推送至承运人终端,并将结果保存在数据库中;
S4、对于拒绝结算的运单,承运人可以根据反馈的原因进行处理,对于缺失材料的异常,则补充相应的材料;对于超阈值的异常,则需要给出具体合理的解释说明,以确保运单真实合规,待实际承运人按照要求处理完毕后,则可以再次发起运单结算申请;
S5、再次发起的结算申请,首先通过系统判别模型,给出判断结果,如果是合规运单,则进入下一阶段的结算开票节点;如果是异常运单,则推送至人工客服处进行审核,通过人工客服的综合判断,对于显著不合规的运单,在标注后进入下一步拒绝结算的程序;
S6、申请结算和系统判别信息等均储存在数据库中,以备后续查询以及判别模型的训练。
进一步的,步骤S5中对于合规的运单,在进行标注后进入下一阶段的结算开票程序。
进一步的,步骤S5中对于有疑问的运单,客服可以联系承运人进行核实,根据核实结果给出异常或者合规的判断结果,之后进入下一阶段中相应的程序。
进一步的,对于第二次及之后拒绝结算的运单,承运人仍然可以根据反馈结果补充相关材料或者提供相应说明后,再次发起运单结算申请,后续处理流程参照第二次运单结算申请的流程进行处理。
网络货运平台中的异常运单监测分析系统,包括数据库模块、逻辑判断模块、回归分析模块、分类分析模块、智能决策模块;
数据库模块中储存着包括承运人及上游货主的身份信息、车辆信息、货物信息、轨迹信息、财务信息、结算信息、异常判别分析信息,及其他相关信息,数据库,和图1中107节点的数据库属于同一数据库。数据库中储存着以往承运人、货主的相关信息,包括注册账号信息、承运人的驾驶证、行驶证、身份证、货物运输协议、货主的身份证明材料等;历史运单信息,包括货物名称、重量(吨、方等)、总运费、预付运费、车辆行驶轨迹、回单等;运单状态分析信息,包括合规、异常及相关原因等;财务信息,包括运单支付记录、开票记录等;以及其他相关信息;
逻辑判断模块可以通过对历史数据进行统计分析,设定一些指标阈值,并给出相应的判断结果,阈值的确定来自于历史运单中的统计信息,可以是平台中类似项目的平均值、众数值,也可以是符合常识的值,根据数据库储存的承运人、货主、运单、财务等数据进行相应的统计分析,设定一些指标阈值(比如日承运趟次不超10趟),并给出相应的判断结果(0(满足)/1(不满足)),比如运输协议上传与否、回单上传与否、实际承运人和收款人一致与否、运单时间重叠与否、月收款额度超限与否(比如阈值设定为20万)、单日承运趟次超限与否(比如阈值设定为10趟)、单日运输里程超限与否(比如阈值设定为2000公里)等。阈值的确定来自于历史运单中的统计信息,可以是平台中类似项目的平均值、众数值,也可以是符合常识的值。具体阈值的设定则根据实际情况动态调整;
回归分析模块,主要是运费分析,影响运费的影响因素主要包括吨位数、里程等,此外还会受到外界油价、区域等随着时间空间等变化的因素的影响,在综合考虑内部运单数据以及外部油价、区域等因素的影响下,运用线性回归、局部加权回归、岭回归、拉索回归等机器学习方法,估计运费的合理区间,以周或月为单位,对运费的阈值进行动态调整,以适应内外部环境的变化,防止正常波动被误报异常,提高系统的适应性,通过回归分析模块,判断运单中有关运费相关的指标是否合规,因此,本申请主要是根据数据库中储存的历史运单中有关运费的数据以及外部油价等数据,结合区域分类(比如华南、华北、华中、华东、东北、西南、西北等),运用线性回归、局部加权回归、岭回归、拉索回归等机器学习方法,估计运费的合理区间,以周或月为单位,对运费的阈值进行动态调整,以适应内外部环境的变化,防止正常波动被误报异常(第一、二类错误),提高系统的适应性,此处以局部加权回归方法的应用举例。有m个训练样本(x1,y1),(x2,y2),…,(xm,ym)构成训练集,其中xm表示包含重量、里程、油价、区域等指标的向量,ym表示运费。在给定一个特征向量x时,需要根据训练集中的信息预测出它的输出变量y,训练集中的每个样本点应该赋予一个权值,距离x越近的训练集中的样本点权值越大。通过最小二乘等方法,求解出相应的参数,即(1)最小化目标函数:其中w为权重,/>(2)本方法实例采用的是高斯核,其对应的权重/>式中的k为超参数,需要指定。通过以上方法,求解出局部加权回归模型,得出运费相关的指标阈值,通过此模块,判断运单中有关运费相关的指标合规与否;
分类分析模块,主要是根据逻辑判断模块和回归分析模块的结果,进行分类预测,主要运用K近邻、逻辑回归、支持向量机、决策树、随机森林等机器学习方法中的一种或者多种方法构建预测模型,进行分类预测,并运用网格搜索、贝叶斯搜索、随机搜索等方法对需要调参的参数进行优化,实现较为准确的预测,预测模型的自变量主要包括单照上传与否、运费合理与否、行驶轨迹完整与否、运单重叠与否、收款人一致与否、运费过高与否、企业类型等等,根据以上历史数据,运用K近邻、逻辑回归、支持向量机、决策树、随机森林等机器学习方法中的一种或者多种方法进行分类预测,并运用网格搜索、贝叶斯搜索、随机搜索等方法对需要调参的参数进行优化,实现较为准确的预测,结果主要是0/1(合规/异常)两类,此处以K近邻方法的应用举例。K近邻的算法步骤为:(1)通过欧式距离计算测试数据到每个训练数据的距离;(2)按照距离从小到大进行排列;(3)选取距离最小的k个点,并统计k个点在各个类别中的数量;(4)选取数量最多的那个类别作为预测的类别,通过此方法得出待预测的运单属于异常运单或合规运单;
智能决策模块,根据分类分析模块的分析结果,并结合针对货主或承运人设置的特定条件,对提交的运单进行智能决策分析,输出拒绝或通过的结论,对于异常运单,则一并给出相应的异常原因。
本实施例的网络货运平台中的异常运单监测分析方法及系统,本申请方案将充分考虑内外部环境因素,结合企业的数据特征和业务逻辑,运用变点检测、回归分析、分类分析、统计分析等方法,能够从时间和空间维度分析运单中相应数据的变化趋势,在避免正常波动被误判的情况下识别出真实的异常运单,弥补多风险点独立监控的不足。该方法的应用能够将事后检测变为实时动态监测,降低人力及硬件投入成本,提高异常运单监测的效率和准确率,使网络货运平台企业能够及时高效地识别出平台上的异常运单,并给以拒绝结算的处理,降低企业面临的运单数据的合规风险。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.网络货运平台中的异常运单监测分析方法,其特征在于,包括以下步骤:
S1、接收运单结算请求、判别分析所申请结算的运单状态、给出判断结果并推送至申请人、储存判别分析结果;
S2、网络货运平台在接收到承运人提交的运单结算申请后,会通过平台的运单判别系统对运单的状况进行全面的检测和分析,检测的内容包括起始地或目的地是否覆盖、材料是否齐全、收款人和承运人是否一致、运单时间是否重叠、月收款是否超额、单日承运趟次是否超限、单日运输里程是否超限、运费是否偏高等指标;
S3、通过对以上指标的检测和分析,输出以下两类结果:一是合规运单,对于合规的运单,则直接进入下一步的结算开票阶段,并将结果储存于数据库中,二是异常运单,则给出异常的原因,进而进入拒绝结算阶段,将结果和原因推送至承运人终端,并将结果保存在数据库中;
S4、对于拒绝结算的运单,承运人可以根据反馈的原因进行处理,对于缺失材料的异常,则补充相应的材料;对于超阈值的异常,则需要给出具体合理的解释说明,以确保运单真实合规,待实际承运人按照要求处理完毕后,则可以再次发起运单结算申请;
S5、再次发起的结算申请,首先通过系统判别模型,给出判断结果,如果是合规运单,则进入下一阶段的结算开票节点;如果是异常运单,则推送至人工客服处进行审核,通过人工客服的综合判断,对于显著不合规的运单,在标注后进入下一步拒绝结算的程序;
S6、申请结算和系统判别信息等均储存在数据库中,以备后续查询以及判别模型的训练。
2.根据权利要求1所述的网络货运平台中的异常运单监测分析方法,其特征在于:所述步骤S5中对于合规的运单,在进行标注后进入下一阶段的结算开票程序。
3.根据权利要求1所述的网络货运平台中的异常运单监测分析方法,其特征在于:所述步骤S5中对于有疑问的运单,客服可以联系承运人进行核实,根据核实结果给出异常或者合规的判断结果,之后进入下一阶段中相应的程序。
4.根据权利要求1所述的网络货运平台中的异常运单监测分析方法,其特征在于:所述对于第二次及之后拒绝结算的运单,承运人仍然可以根据反馈结果补充相关材料或者提供相应说明后,再次发起运单结算申请,后续处理流程参照第二次运单结算申请的流程进行处理。
5.网络货运平台中的异常运单监测分析系统,其特征在于,包括数据库模块、逻辑判断模块、回归分析模块、分类分析模块、智能决策模块;
数据库模块中储存着包括承运人及上游货主的身份信息、车辆信息、货物信息、轨迹信息、财务信息、结算信息、异常判别分析信息,及其他相关信息;
逻辑判断模块可以通过对历史数据进行统计分析,设定一些指标阈值,并给出相应的判断结果,阈值的确定来自于历史运单中的统计信息,可以是平台中类似项目的平均值、众数值,也可以是符合常识的值;
回归分析模块,主要是运费分析,影响运费的影响因素主要包括吨位数、里程等,此外还会受到外界油价、区域等随着时间空间等变化的因素的影响,在综合考虑内部运单数据以及外部油价、区域等因素的影响下,运用线性回归、局部加权回归、岭回归、拉索回归等机器学习方法,估计运费的合理区间,以周或月为单位,对运费的阈值进行动态调整,以适应内外部环境的变化,防止正常波动被误报异常,提高系统的适应性,通过回归分析模块,判断运单中有关运费相关的指标是否合规;
分类分析模块,主要是根据逻辑判断模块和回归分析模块的结果,进行分类预测,主要运用K近邻、逻辑回归、支持向量机、决策树、随机森林等机器学习方法中的一种或者多种方法构建预测模型,进行分类预测,并运用网格搜索、贝叶斯搜索、随机搜索等方法对需要调参的参数进行优化,实现较为准确的预测;
智能决策模块,根据分类分析模块的分析结果,并结合针对货主或承运人设置的特定条件,对提交的运单进行智能决策分析,输出拒绝或通过的结论,对于异常运单,则一并给出相应的异常原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249127.2A CN117271998A (zh) | 2023-09-26 | 2023-09-26 | 网络货运平台中的异常运单监测分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249127.2A CN117271998A (zh) | 2023-09-26 | 2023-09-26 | 网络货运平台中的异常运单监测分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271998A true CN117271998A (zh) | 2023-12-22 |
Family
ID=89213911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311249127.2A Pending CN117271998A (zh) | 2023-09-26 | 2023-09-26 | 网络货运平台中的异常运单监测分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271998A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933575A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市智岩科技有限公司 | 物流运输管理方法及其装置、设备、介质 |
-
2023
- 2023-09-26 CN CN202311249127.2A patent/CN117271998A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933575A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市智岩科技有限公司 | 物流运输管理方法及其装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021088499A1 (zh) | 一种基于动态网络表征的发票虚开识别方法及系统 | |
CN110414927B (zh) | 一种票据处理自动生成凭证的方法及装置 | |
CN108806003B (zh) | 一种基于机器学习的收费公路绿通车检测方法 | |
CN117271998A (zh) | 网络货运平台中的异常运单监测分析方法及系统 | |
CN112001586A (zh) | 基于区块链共识机制的企业联网大数据审计风险控制架构 | |
CN112767136A (zh) | 基于大数据的信贷反欺诈识别方法、装置、设备及介质 | |
CN111598682A (zh) | 一种针对企业的信用风险评估方法及系统 | |
CN112330439A (zh) | 一种基于五流合一业务数据的金融风险识别装置及方法 | |
Asghar et al. | Used cars price prediction using machine learning with optimal features | |
Attari et al. | Application of data mining techniques for the investigation of factors affecting transportation enterprises | |
CN111951064A (zh) | 基于大数据的电商交易方法 | |
CN115587653A (zh) | 基于危化品风险画像的运输企业风险预测方法及系统 | |
Li et al. | Research on used car price prediction based on random forest and LightGBM | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
Bu | Logistics engineering optimization based on machine learning and artificial intelligence technology | |
CN113159874A (zh) | 增值税发票的检测方法、装置和可读存储介质 | |
KR102565446B1 (ko) | 인공지능 기반의 해상 운임 예측 및 맞춤형 고객 관리 시스템 | |
Nwankwo et al. | Knowledge discovery and analytics in process reengineering: a study of port clearance processes | |
CN115310900A (zh) | 一种网络货运平台诚信管理的大数据预警系统 | |
Jiang et al. | Soft computing model using cluster-PCA in port model for throughput forecasting | |
Wei et al. | Advanced Artificial Intelligence Model for Financial Accounting Transformation Based on Enterprise Unstructured Text Data | |
CN111967814A (zh) | 一种整车运输管理系统 | |
CN111105303A (zh) | 基于增量式网络表征学习的网络借贷欺诈检测方法 | |
KR102677721B1 (ko) | 매출추이 데이터에 근거한 사업자 휴폐업 예측모델 시스템 및 방법 | |
Du et al. | Risk evaluation and control of supply chain finance |
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 |