CN117909817A - 异常网点的识别方法、装置、电子设备及存储介质 - Google Patents
异常网点的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117909817A CN117909817A CN202410017609.3A CN202410017609A CN117909817A CN 117909817 A CN117909817 A CN 117909817A CN 202410017609 A CN202410017609 A CN 202410017609A CN 117909817 A CN117909817 A CN 117909817A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- sample
- mesh point
- dot
- early warning
- 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 261
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 101001018064 Homo sapiens Lysosomal-trafficking regulator Proteins 0.000 description 1
- 102100033472 Lysosomal-trafficking regulator Human genes 0.000 description 1
- 244000038561 Modiola caroliniana Species 0.000 description 1
- 235000010703 Modiola caroliniana Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异常网点的识别方法、装置、电子设备及存储介质,所述方法包括:将预设物流网点中结算收入为负值的网点确定为负样本物流网点;根据所述负样本物流网点,构建样本物流网点;将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;获取待测网点的待测结算数据;将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。本发明可以快速、准确地识别负收益的异常网点,从而可以对异常网点进行预警。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种异常网点的识别方法、装置、电子设备及存储介质。
背景技术
在物流领域,部分物流网点费用结算虽然具有网点费用结算的功能,但是往往不具有网点费用结算异常管控的能力,无法及时发现网点费用结算过程的风险。这将导致在网点费用结算过程中存在较大的资金安全风险,一旦发生物流公司从平台套取资金或者无法还款的情况,将会给物流结算带来重大损失。对于风险监控过程中容易受到物流公司在物流过程中由于执行不规范和系统操作错误误导,导致对异常类别识别错误的情况屡见不鲜,难以排除这类干扰的问题。因此,如何提升物流费用结算的预警管控是现阶段丞待解决的技术问题。
发明内容
本发明提供了一种异常网点的识别方法、装置、电子设备及存储介质,可以快速、准确地识别负收益的异常网点,从而可以对异常网点进行预警。
一方面,本发明提供了一种异常网点的识别方法,所述方法包括:
将预设物流网点中结算收入为负值的网点确定为负样本物流网点;
根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;
将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;
根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;
获取待测网点的待测结算数据;
将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
可选的,所述样本异常网点标签包括多个异常类别网点标签,所述方法还包括:
获取多个负样本物流网点各自对应的负样本结算数据;
根据每个负样本物流网点对应的负样本结算数据,确定每个负样本物流网点的异常指标数据;
根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签。
可选的,所述方法还包括:
获取网点的揽派比指标、出件占有率指标、共配类型、共配数量、市场占有率指标;
所述根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签,包括:
将揽派比低于第一阈值或者出件占有率低于第二阈值的网点标记为第一异常类别网点标签;
将共配成功且市场占有率小于第三阈值的网点标记为第二异常类别网点标签;
将包括第三方平台的共配的网点标记为第三异常类别网点标签;
将非共配预警驻场的网点标记为第四异常类别网点标签;
将非共配观察的网点标记为第五异常类别网点标签;
将正常非共配网点中共配最少的网点标记为第六异常类别网点标签。
可选的,所述方法还包括:
确定每个异常类别网点对应的预警等级;
根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略;
其中,第一异常类别网点对应的预警等级高于第二异常类别网点对应的预警等级,第二异常类别网点对应的预警等级高于第三异常类别网点对应的预警等级,第三异常类别网点对应的预警等级高于第四异常类别网点对应的预警等级,第四异常类别网点对应的预警等级高于第五异常类别网点对应的预警等级,第五异常类别网点对应的预警等级高于第六异常类别网点对应的预警等级。
可选的,所述将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型之后,所述方法还包括:
若所述待测网点的目标网点类型为第一异常类别,确定所述待测网点为第一预警等级,并向第一终端发送第一预警信息;
若所述待测网点的目标网点类型为第二异常类别,确定所述待测网点为第二预警等级,并向第二终端发送第二预警信息;
若所述待测网点的目标网点类型为第三异常类别,确定所述待测网点为第三预警等级,并向第三终端发送第三预警信息;
若所述待测网点的目标网点类型为第四异常类别,确定所述待测网点为第四预警等级,并向第四终端发送第四预警信息;
若所述待测网点的目标网点类型为第五异常类别,确定所述待测网点为第五预警等级,并向第五终端发送第五预警信息;
若所述待测网点的目标网点类型为第六异常类别,确定所述待测网点为第六预警等级,并向第六终端发送第六预警信息。
可选的,所述网点数据关联模型的确定方法包括:
基于Apriori关联规则算法利用频繁项集性质的先验知识,从预设数据集中筛选频繁1-项集;
将频繁1-项集作为当前k-项集,基于所述当前k-项集,确定频繁(k+1)-项集;
将频繁(k+1)-项集重新作为当前k-项集,并重复基于所述当前k-项集,确定频繁(k+1)-项集的步骤,直至不存在当前k-项集对应的频繁(k+1)-项集;
根据各个当前k-项集构建关联规则;
基于所述关联规则构建网点数据关联模型。
可选的,所述根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型,包括:
根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;
根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;
将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
另一方面提供了一种异常网点的识别装置,所述装置包括:
负样本网点确定模块,用于将预设物流网点中结算收入为负值的网点确定为负样本物流网点;
样本网点构建模块,用于根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;
样本预测模块,用于将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;
训练模块,用于根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;
待测网点获取模块,用于获取待测网点的待测结算数据;
目标网点预测模块,用于将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
可选的,所述样本异常网点标签包括多个异常类别网点标签,所述装置还包括:
负样本数据获取模块,用于获取多个负样本物流网点各自对应的负样本结算数据;
异常指标数据确定模块,用于根据每个负样本物流网点对应的负样本结算数据,确定每个负样本物流网点的异常指标数据;
异常标签确定模块,用于根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签。
可选的,所述装置还包括:
指标获取模块,用于获取网点的揽派比指标、出件占有率指标、共配类型、共配数量、市场占有率指标;
所述异常标签确定模块包括:
第一标签确定单元,用于将揽派比低于第一阈值或者出件占有率低于第二阈值的网点标记为第一异常类别网点标签;
第二标签确定单元,用于将共配成功且市场占有率小于第三阈值的网点标记为第二异常类别网点标签;
第三标签确定单元,用于将包括第三方平台的共配的网点标记为第三异常类别网点标签;
第四标签确定单元,用于将非共配预警驻场的网点标记为第四异常类别网点标签;
第五标签确定单元,用于将非共配观察的网点标记为第五异常类别网点标签;
第六标签确定单元,用于将正常非共配网点中共配最少的网点标记为第六异常类别网点标签。
可选的,所述装置还包括:
预警等级确定模块,用于确定每个异常类别网点对应的预警等级;
预警策略确定模块,用于根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略;
其中,第一异常类别网点对应的预警等级高于第二异常类别网点对应的预警等级,第二异常类别网点对应的预警等级高于第三异常类别网点对应的预警等级,第三异常类别网点对应的预警等级高于第四异常类别网点对应的预警等级,第四异常类别网点对应的预警等级高于第五异常类别网点对应的预警等级,第五异常类别网点对应的预警等级高于第六异常类别网点对应的预警等级。
可选的,所述装置还包括:
第一预警模块,用于若所述待测网点的目标网点类型为第一异常类别,确定所述待测网点为第一预警等级,并向第一终端发送第一预警信息;
第二预警模块,用于若所述待测网点的目标网点类型为第二异常类别,确定所述待测网点为第二预警等级,并向第二终端发送第二预警信息;
第三预警模块,用于若所述待测网点的目标网点类型为第三异常类别,确定所述待测网点为第三预警等级,并向第三终端发送第三预警信息;
第四预警模块,用于若所述待测网点的目标网点类型为第四异常类别,确定所述待测网点为第四预警等级,并向第四终端发送第四预警信息;
第五预警模块,用于若所述待测网点的目标网点类型为第五异常类别,确定所述待测网点为第五预警等级,并向第五终端发送第五预警信息;
第六预警模块,用于若所述待测网点的目标网点类型为第六异常类别,确定所述待测网点为第六预警等级,并向第六终端发送第六预警信息。
可选的,所述装置还包括:
筛选模块,用于基于Apriori关联规则算法利用频繁项集性质的先验知识,从预设数据集中筛选频繁1-项集;
当前集合确定模块,用于将频繁1-项集作为当前k-项集,基于所述当前k-项集,确定频繁(k+1)-项集;
重复模块,用于将频繁(k+1)-项集重新作为当前k-项集,并重复基于所述当前k-项集,确定频繁(k+1)-项集的步骤,直至不存在当前k-项集对应的频繁(k+1)-项集;
规则构建模块,用于根据各个当前k-项集构建关联规则;
模型确定模块,用于基于所述关联规则构建网点数据关联模型。
可选的,所述训练模块包括:
损失确定单元,用于根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;
训练结束单元,用于根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;
模型确定单元,用于将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
另一方面提供了一种电子设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上所述的异常网点的识别方法。
另一方面提供了一种计算机存储介质,所述计算机存储介质存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的异常网点的识别方法。
另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行以实现如上所述的异常网点的识别方法。
本发明提供的异常网点的识别方法、装置、电子设备及存储介质,具有如下技术效果:
本发明提供了一种异常网点的识别方法,所述方法包括:将预设物流网点中结算收入为负值的网点确定为负样本物流网点;根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;获取待测网点的待测结算数据;将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。本发明可以快速、准确地识别负收益的异常网点,从而可以对异常网点进行预警。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本说明书实施例提供的一种异常网点的识别系统的示意图;
图2是本说明书实施例提供的一种异常网点的识别方法的流程示意图;
图3是本说明书实施例提供的一种根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签的方法的流程示意图;
图4是本说明书实施例提供的一种根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签的方法的流程示意图;
图5是本说明书实施例提供的一种根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略的方法的流程示意图;
图6是本说明书实施例提供的一种根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型的方法的流程示意图;
图7是本说明书实施例提供的一种确定所述待测网点的预警等级的方法的流程示意图;
图8是本说明书实施例提供的一种异常网点的识别装置的结构示意图;
图9是本说明书实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本说明书实施例提供的一种异常网点的识别系统的示意图,如图1所示,该异常网点的识别系统可以至少包括服务器01和客户端02。
具体的,本说明书实施例中,所述服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器01可以用于训练得到异常网点识别模型。
具体的,本说明书实施例中,所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、智能音箱、车载终端、智能电视等类型的实体设备,也可以包括运行于实体设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,所述客户端02可以用于查询待测网点的目标网点类型。
以下介绍本发明的一种异常网点的识别方法,图2是本说明书实施例提供的一种异常网点的识别方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,所述方法可以包括:
S201:将预设物流网点中结算收入为负值的网点确定为负样本物流网点。
在本说明书实施例中,可以收集所有物流网点中结算收入为负值的物流网点,对收入为负值的物流网点进行标记,得到标记物流网点;
出件价格洼地-网点数据显示逻辑:
1、行政省=广东、浙江、江苏对应的业务省,省内网点的总收益低于-1500元,视为异常网点;2、全国业务省不等于广东、浙江、江苏行政省对应的业务省,省内网点的总收益低于-500元,视为异常网点;3、剔除特殊件:C件、L件、317、误扫件。4、限制发件量大于100件的网点进行计算;5、剔除8位代码网点的数据;6、剔除营销公司的数据;7、安徽省归属西北大区(从华东大区剔除);8、剔除:深圳公司、常熟、北京等地网点的金额汇总。
S203:根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签。
在本说明书实施例中,样本物流网点哈可以包括正样本物流网点,正样本物流网点可以为收益大于零的网点。
在本说明书实施例中,所述样本异常网点标签包括多个异常类别网点标签,如图3所示,所述方法还包括:
S301:获取多个负样本物流网点各自对应的负样本结算数据;
S303:根据每个负样本物流网点对应的负样本结算数据,确定每个负样本物流网点的异常指标数据;
S305:根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签。
在本说明书实施例中,所述方法还包括:
获取网点的揽派比指标、出件占有率指标、共配类型、共配数量、市场占有率指标;
如图4所示,所述根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签,包括:
S3031:将揽派比低于第一阈值或者出件占有率低于第二阈值的网点标记为第一异常类别网点标签;
S3033:将共配成功且市场占有率小于第三阈值的网点标记为第二异常类别网点标签;
S3035:将包括第三方平台的共配的网点标记为第三异常类别网点标签;
S3037:将非共配预警驻场的网点标记为第四异常类别网点标签;
S3039:将非共配观察的网点标记为第五异常类别网点标签;
S30311:将正常非共配网点中共配最少的网点标记为第六异常类别网点标签。
在本说明书实施例中,不同的异常网点可以设置同类型的不同标记,例如,可以采用不同颜色进行标记,还可以采用不同字体进行标记;可以标记6中异常的网点类别,包括:紫红色标记物流网点(需要现场调整提升,揽派比低于10%的网点或者出件占有率低于11%的网点);红色标记物流网点(共配主场替换:共配且市场占有率低于17%或者YTO共配);蓝色标记物流网点(所有共配观察,包括第三方平台的共配);橙色标记物流网点(非共配预警驻场);黄色标记物流网点(非共配观察);白色标记物流网点(正常非共配网点,共配最少是蓝色)。对标记物流网点中的结算数据进行数据处理,得到可以用于训练的物流网点结算数据,先对数据的缺失值进行补充,然后再进行归一化等操作。
在本说明书实施例中,如图5所示,所述方法还包括:
S501:确定每个异常类别网点对应的预警等级;
S503:根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略;
其中,第一异常类别网点对应的预警等级高于第二异常类别网点对应的预警等级,第二异常类别网点对应的预警等级高于第三异常类别网点对应的预警等级,第三异常类别网点对应的预警等级高于第四异常类别网点对应的预警等级,第四异常类别网点对应的预警等级高于第五异常类别网点对应的预警等级,第五异常类别网点对应的预警等级高于第六异常类别网点对应的预警等级。
在本说明书实施例中,可以针对不同类别的异常网点设置不同的预警等级,从而进一步确定预警策略。
S205:将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果。
在本说明书实施例中,所述网点数据关联模型的确定方法包括:
基于Apriori关联规则算法利用频繁项集性质的先验知识,从预设数据集中筛选频繁1-项集;
将频繁1-项集作为当前k-项集,基于所述当前k-项集,确定频繁(k+1)-项集;
将频繁(k+1)-项集重新作为当前k-项集,并重复基于所述当前k-项集,确定频繁(k+1)-项集的步骤,直至不存在当前k-项集对应的频繁(k+1)-项集;
根据各个当前k-项集构建关联规则;
基于所述关联规则构建网点数据关联模型。
在本说明书实施例中,通过Apriori关联规则算法建立Apriori网点数据关联模型,将可以用于训练的物流网点结算数据输入至Apriori网点数据关联模型进行训练,得到网点结算预警状态;
Apriori算法利用频繁项集性质的先验知识(prior knowledge),通过逐层搜索的迭代方法,即将k-项集用于探察(k+1)-项集,来穷尽数据集中的所有频繁项集。
步骤:先找到频繁1-项集集合L1,然后用L1找到频繁2-项集集合L2,接着用L2找L3,直到找不到频繁k-项集,找每个Lk需要一次数据库扫描。最后得到所有满足最小支持的频繁项集合,再进行关联规则输出。
负收益网点-判断逻辑:
1、行政省=广东、浙江、江苏对应的业务省,省内网点的总收益低于-1500元,视为异常网点;2、全国业务省不等于广东、浙江、江苏行政省对应的业务省,省内网点的总收益低于-500元,视为异常网点;3、剔除特殊件:C件、L件、317、误扫件。4、限制发件量大于100件的网点进行计算;5、剔除8位代码网点的数据;6、剔除营销公司的数据;7、安徽省归属西北大区(从华东大区剔除);8、负收益短信数据剔除:深圳公司、常熟、北京等地网点的金额汇总;
每日提供负贡献网点汇总数据:
全国维度:统计全国所有网点对应收益为负的网点数据。按网点对应的业务省汇总,计算出全国收益为负数的网点个数,较昨日的个数,负收益总额,倒数第一省份,倒数第二省份,倒数第三省份;大区维度:统计大区下属省份的所有网点对应收益为负的网点数据。按业务省对应的大区汇总:计算出每个大区对应的收益为负数的网点个数,较昨日的个数,负收益总额,倒数第一省份,倒数第二省份,倒数第三省份。
S207:根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型。
在本说明书实施例中,如图6所示,所述根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型,包括:
S2071:根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;
S2073:根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;
S2075:将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
在本说明书实施例中,可以根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;训练结束条件可以为目标损失数据小于预设阈值;最后将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
S209:获取待测网点的待测结算数据。
在本说明书实施例中,可以获取待测网点的待测结算数据,并通过异常网点识别模型进行预测。
S2011:将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
在本说明书实施例中,如图7所示,所述将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型之后,所述方法还包括:
S701:若所述待测网点的目标网点类型为第一异常类别,确定所述待测网点为第一预警等级,并向第一终端发送第一预警信息;
S703:若所述待测网点的目标网点类型为第二异常类别,确定所述待测网点为第二预警等级,并向第二终端发送第二预警信息;
S705:若所述待测网点的目标网点类型为第三异常类别,确定所述待测网点为第三预警等级,并向第三终端发送第三预警信息;
S707:若所述待测网点的目标网点类型为第四异常类别,确定所述待测网点为第四预警等级,并向第四终端发送第四预警信息;
S709:若所述待测网点的目标网点类型为第五异常类别,确定所述待测网点为第五预警等级,并向第五终端发送第五预警信息;
S7011:若所述待测网点的目标网点类型为第六异常类别,确定所述待测网点为第六预警等级,并向第六终端发送第六预警信息。
在本说明书实施例中,可以针对不同的异常类别确定不同的预警策略,并生成对应的预警信息。可以针对不同的异常类别设置对应的预警阈值,若达到预警阈值,则发送对应的网点结算数据至管理人员处,并给与相对应的解决措施。
短信模版:XXX(参数:姓+老师),您好1.XXX(参数:一期为全国、大区,后续可能涉及省份)昨日负贡献/出货价格洼地网点XXX个(参数:对应区域内负贡献网点数量)(XXX万元),较前一天XXX(参数:增加/减少)XXX(参数:昨日对应数量-昨日前一日对应网点数量)个,其中后三名省份为:XXX、XXX、XXX(参数:展示业务省名称);明细数据请查阅“快递结算系统-收益管理-网点收益分析”;
统计维度:按总部(全国范围)、按大区、按省份(业务省范围)、城市、分拨揽派对流预警分类网点负贡献(数据源换成“网点收益分析”的异常网点)
今日-上周-变动:
网点负负责:今日异常网点数量-上周日均异常网点数量-增减变动数量预警数=今日异常网点数量;揽派对流预警分类、出件价格洼地,使用负收益数据(数据源换成“网点收益分析”的异常网点)。
今日-上周-变动:
出件价格洼地:今日异常网点数量-上周日均异常网点数量-增减变动数量预警数=今日异常网点数量网点负贡献&派费高地网点-预警数&预实差
入参字段:
预警数=出参网点个数,数据和报表数据保持一致
入参:类型(0-全国、1-大区、2-业务省、3-分拨)、编码(类型对应的区域编码)、统计类型(1-负收益、2-派费高地)每次传最新的数据。2.出参:日期、预警数;揽派对流网点维度报表-网点负收益报表新增统计;
示例性的,网点负收益可以新增9个统计字段:
本周日均(票件量-万票、单票收益-元/票、总收益-万元)、上周日均(票件量-万票、单票收益-元/票、总收益-万元)、上上周日均(票件量-万票、单票收益-元/票、总收益-万元)
逻辑如下:周日均概念为自然周周一至周日的数据日均值;本周日均=本周截止当日的周日均;上周日均=上周一至上周日的周日均;上上周日均=上上周一至上上周日的周日均。例如:周三日均票件量-万票=(周一+周二+周三的票件量)/3;周三日均总收益-万元=(周一+周二+周三的总收益)/3;周三日均;单票收益-元/票=(周一+周二+周三的总收益)/(周一+周二+周三的票件量)。
本技术方案为一种物流网点订单结算收益预警方法,通过收集所有物流网点中结算收入为负值的物流网点,对收入为负值的物流网点进行标记,得到标记物流网点;对标记物流网点中的结算数据进行数据处理,得到可以用于训练的物流网点结算数据;通过Apriori关联规则算法建立Apriori网点数据关联模型,将可以用于训练的物流网点结算数据输入至Apriori网点数据关联模型进行训练,得到网点结算预警状态;若达到预警阈值,则发送对应的网点结算数据至管理人员处,并给与相对应的解决措施。对网点的收益明细进行精准测算,并对负收益的网点进行监控和预警,提升资金结算控制能力。
由以上本说明书实施例提供的技术方案可见,本说明书实施例提供了一种异常网点的识别方法,所述方法包括:将预设物流网点中结算收入为负值的网点确定为负样本物流网点;根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;获取待测网点的待测结算数据;将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。本发明可以快速、准确地识别负收益的异常网点,从而可以对异常网点进行预警。
本说明书实施例还提供了一种异常网点的识别装置,如图8所示,所述装置包括:
负样本网点确定模块810,用于将预设物流网点中结算收入为负值的网点确定为负样本物流网点;
样本网点构建模块820,用于根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;
样本预测模块830,用于将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;
训练模块840,用于根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;
待测网点获取模块850,用于获取待测网点的待测结算数据;
目标网点预测模块860,用于将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
可选的,所述样本异常网点标签包括多个异常类别网点标签,所述装置还包括:
负样本数据获取模块,用于获取多个负样本物流网点各自对应的负样本结算数据;
异常指标数据确定模块,用于根据每个负样本物流网点对应的负样本结算数据,确定每个负样本物流网点的异常指标数据;
异常标签确定模块,用于根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签。
可选的,所述装置还包括:
指标获取模块,用于获取网点的揽派比指标、出件占有率指标、共配类型、共配数量、市场占有率指标;
所述异常标签确定模块包括:
第一标签确定单元,用于将揽派比低于第一阈值或者出件占有率低于第二阈值的网点标记为第一异常类别网点标签;
第二标签确定单元,用于将共配成功且市场占有率小于第三阈值的网点标记为第二异常类别网点标签;
第三标签确定单元,用于将包括第三方平台的共配的网点标记为第三异常类别网点标签;
第四标签确定单元,用于将非共配预警驻场的网点标记为第四异常类别网点标签;
第五标签确定单元,用于将非共配观察的网点标记为第五异常类别网点标签;
第六标签确定单元,用于将正常非共配网点中共配最少的网点标记为第六异常类别网点标签。
可选的,所述装置还包括:
预警等级确定模块,用于确定每个异常类别网点对应的预警等级;
预警策略确定模块,用于根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略;
其中,第一异常类别网点对应的预警等级高于第二异常类别网点对应的预警等级,第二异常类别网点对应的预警等级高于第三异常类别网点对应的预警等级,第三异常类别网点对应的预警等级高于第四异常类别网点对应的预警等级,第四异常类别网点对应的预警等级高于第五异常类别网点对应的预警等级,第五异常类别网点对应的预警等级高于第六异常类别网点对应的预警等级。
可选的,所述装置还包括:
第一预警模块,用于若所述待测网点的目标网点类型为第一异常类别,确定所述待测网点为第一预警等级,并向第一终端发送第一预警信息;
第二预警模块,用于若所述待测网点的目标网点类型为第二异常类别,确定所述待测网点为第二预警等级,并向第二终端发送第二预警信息;
第三预警模块,用于若所述待测网点的目标网点类型为第三异常类别,确定所述待测网点为第三预警等级,并向第三终端发送第三预警信息;
第四预警模块,用于若所述待测网点的目标网点类型为第四异常类别,确定所述待测网点为第四预警等级,并向第四终端发送第四预警信息;
第五预警模块,用于若所述待测网点的目标网点类型为第五异常类别,确定所述待测网点为第五预警等级,并向第五终端发送第五预警信息;
第六预警模块,用于若所述待测网点的目标网点类型为第六异常类别,确定所述待测网点为第六预警等级,并向第六终端发送第六预警信息。
可选的,所述装置还包括:
筛选模块,用于基于Apriori关联规则算法利用频繁项集性质的先验知识,从预设数据集中筛选频繁1-项集;
当前集合确定模块,用于将频繁1-项集作为当前k-项集,基于所述当前k-项集,确定频繁(k+1)-项集;
重复模块,用于将频繁(k+1)-项集重新作为当前k-项集,并重复基于所述当前k-项集,确定频繁(k+1)-项集的步骤,直至不存在当前k-项集对应的频繁(k+1)-项集;
规则构建模块,用于根据各个当前k-项集构建关联规则;
模型确定模块,用于基于所述关联规则构建网点数据关联模型。
可选的,所述训练模块包括:
损失确定单元,用于根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;
训练结束单元,用于根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;
模型确定单元,用于将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本说明书实施例提供了一种电子设备,该设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的异常网点的识别方法。
本发明的实施例还提供了一种计算机存储介质,所述存储介质可设置于终端之中以保存用于实现方法实施例中一种异常网点的识别方法相关的至少一条指令或至少一段程序,该至少一条指令或至少一段程序由该处理器加载并执行以实现上述方法实施例提供的异常网点的识别方法。
本发明的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行以实现上述方法实施例提供的异常网点的识别方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例所述存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本说明书实施例所提供的异常网点的识别方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图9是本说明书实施例提供的一种异常网点的识别方法的服务器的硬件结构框图。如图9所示,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentralProcessing Units,CPU)910(中央处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
由上述本发明提供的异常网点的识别方法、装置、电子设备或存储介质的实施例可见,本发明提供了一种异常网点的识别方法,所述方法包括:将预设物流网点中结算收入为负值的网点确定为负样本物流网点;根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;获取待测网点的待测结算数据;将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。本发明可以快速、准确地识别负收益的异常网点,从而可以对异常网点进行预警。
需要说明的是:上述本说明书实施例先后顺序仅仅为了描述,不代表实施例的优劣。且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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种异常网点的识别方法,其特征在于,所述方法包括:
将预设物流网点中结算收入为负值的网点确定为负样本物流网点;
根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;
将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;
根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;
获取待测网点的待测结算数据;
将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
2.根据权利要求1所述的方法,其特征在于,所述样本异常网点标签包括多个异常类别网点标签,所述方法还包括:
获取多个负样本物流网点各自对应的负样本结算数据;
根据每个负样本物流网点对应的负样本结算数据,确定每个负样本物流网点的异常指标数据;
根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取网点的揽派比指标、出件占有率指标、共配类型、共配数量、市场占有率指标;
所述根据每个负样本物流网点的异常指标数据,确定每个负样本物流网点的异常类别网点标签,包括:
将揽派比低于第一阈值或者出件占有率低于第二阈值的网点标记为第一异常类别网点标签;
将共配成功且市场占有率小于第三阈值的网点标记为第二异常类别网点标签;
将包括第三方平台的共配的网点标记为第三异常类别网点标签;
将非共配预警驻场的网点标记为第四异常类别网点标签;
将非共配观察的网点标记为第五异常类别网点标签;
将正常非共配网点中共配最少的网点标记为第六异常类别网点标签。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定每个异常类别网点对应的预警等级;
根据每个异常类别网点对应的预警等级,构建每个异常类别网点对应的预警策略;
其中,第一异常类别网点对应的预警等级高于第二异常类别网点对应的预警等级,第二异常类别网点对应的预警等级高于第三异常类别网点对应的预警等级,第三异常类别网点对应的预警等级高于第四异常类别网点对应的预警等级,第四异常类别网点对应的预警等级高于第五异常类别网点对应的预警等级,第五异常类别网点对应的预警等级高于第六异常类别网点对应的预警等级。
5.根据权利要求4所述的方法,其特征在于,所述将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型之后,所述方法还包括:
若所述待测网点的目标网点类型为第一异常类别,确定所述待测网点为第一预警等级,并向第一终端发送第一预警信息;
若所述待测网点的目标网点类型为第二异常类别,确定所述待测网点为第二预警等级,并向第二终端发送第二预警信息;
若所述待测网点的目标网点类型为第三异常类别,确定所述待测网点为第三预警等级,并向第三终端发送第三预警信息;
若所述待测网点的目标网点类型为第四异常类别,确定所述待测网点为第四预警等级,并向第四终端发送第四预警信息;
若所述待测网点的目标网点类型为第五异常类别,确定所述待测网点为第五预警等级,并向第五终端发送第五预警信息;
若所述待测网点的目标网点类型为第六异常类别,确定所述待测网点为第六预警等级,并向第六终端发送第六预警信息。
6.根据权利要求1所述的方法,其特征在于,所述网点数据关联模型的确定方法包括:
基于Apriori关联规则算法利用频繁项集性质的先验知识,从预设数据集中筛选频繁1-项集;
将频繁1-项集作为当前k-项集,基于所述当前k-项集,确定频繁(k+1)-项集;
将频繁(k+1)-项集重新作为当前k-项集,并重复基于所述当前k-项集,确定频繁(k+1)-项集的步骤,直至不存在当前k-项集对应的频繁(k+1)-项集;
根据各个当前k-项集构建关联规则;
基于所述关联规则构建网点数据关联模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型,包括:
根据所述样本网点类型结果与所述样本网点类型标签之间的差异,确定目标损失数据;
根据所述目标损失数据调节所述网点数据关联模型的模型参数直至满足训练结束条件;
将训练结束时的网点数据关联模型确定为所述异常网点识别模型。
8.一种异常网点的识别装置,其特征在于,所述装置包括:
负样本网点确定模块,用于将预设物流网点中结算收入为负值的网点确定为负样本物流网点;
样本网点构建模块,用于根据所述负样本物流网点,构建样本物流网点;所述样本物流网点标注了样本网点类型标签;所述样本网点类型标签包括样本正常网点标签以及样本异常网点标签;
样本预测模块,用于将所述样本物流网点的样本结算数据输入网点数据关联模型进行网点类型预测处理,得到样本网点类型结果;
训练模块,用于根据所述样本网点类型结果与所述样本网点类型标签之间的差异,对所述网点数据关联模型进行训练,得到异常网点识别模型;
待测网点获取模块,用于获取待测网点的待测结算数据;
目标网点预测模块,用于将所述待测结算数据输入所述异常网点识别模型进行网点类型预测处理,得到所述待测网点的目标网点类型。
9.一种电子设备,其特征在于,所述设备包括:处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的异常网点的识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的异常网点的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017609.3A CN117909817A (zh) | 2024-01-05 | 2024-01-05 | 异常网点的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017609.3A CN117909817A (zh) | 2024-01-05 | 2024-01-05 | 异常网点的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909817A true CN117909817A (zh) | 2024-04-19 |
Family
ID=90688248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410017609.3A Pending CN117909817A (zh) | 2024-01-05 | 2024-01-05 | 异常网点的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909817A (zh) |
-
2024
- 2024-01-05 CN CN202410017609.3A patent/CN117909817A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383101B (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
CN112118551B (zh) | 设备风险识别方法及相关设备 | |
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
CN113449046A (zh) | 基于企业知识图谱的模型训练方法、系统及相关装置 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN114372731B (zh) | 基于大数据的岗位目标制定方法、装置,设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN111858236B (zh) | 知识图谱监控方法、装置、计算机设备及存储介质 | |
CN111831817A (zh) | 问卷生成分析方法、装置、计算机设备及可读存储介质 | |
CN117909817A (zh) | 异常网点的识别方法、装置、电子设备及存储介质 | |
Liu et al. | Application of master data classification model in enterprises | |
CN113987186A (zh) | 一种基于知识图谱生成营销方案的方法和装置 | |
CN114092057A (zh) | 一种项目模型的构建方法、装置、终端设备和存储介质 | |
CN113849580A (zh) | 一种主体评级预测方法、装置、电子设备及存储介质 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN113504865A (zh) | 工单标签添加方法、装置、设备及存储介质 | |
CN113743838A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN113191868A (zh) | 一种税务系统的智能风险识别方法 | |
CN112529628A (zh) | 客户标签的生成方法、装置、计算机设备及存储介质 | |
CN113706182A (zh) | 一种用户分类方法和装置 | |
CN110634019A (zh) | 基于企业与地区的匹配方法、电子设备和存储介质 | |
CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及系统 | |
CN113673597B (zh) | 企业年报催报方法、装置、电子设备及计算机存储介质 | |
CN113704538A (zh) | 数据处理方法、装置、电子设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |