一种退款预测方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种退款预测方法、装置、终端设备及存储介质。其中方法包括：获取待预测订单中用于进行退款预测的参数；将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。基于上述技术方案，可在用于未实际进行退款操作之前，预测各个订单的退款情况，便于运输人员或者商品卖家提前进行退款相应的准备操作，避免在接到实际退款操作时，无法及时补救导致损失。

A Refund Prediction Method, Device, Terminal Equipment and Storage Media

【技术实现步骤摘要】
一种退款预测方法、装置、终端设备及存储介质
本专利技术实施例涉及数据处理技术，尤其涉及一种退款预测方法、装置、终端设备及存储介质。
技术介绍
随着电商行业的快速发展，被用户广泛接受，物流行业也随着电商行业的兴起而快速发展。用户在通过电商平台购买商品后，对于购买的商品不满意时可进行退款退货操作，其中，因物流原因导致的退款退货操作需有物流公司向卖家提供理赔，为了降低理赔风险，物流公司可通过投保的方式为每一个订单物流购买保险，以在存在退款退货操作时获得相应的保障。但是，目前物流公司无法预测每一个订单的退款情况，无法准确的进行投保。
技术实现思路
本专利技术实施例提供一种退款预测方法、装置、终端设备及存储介质，以实现对订单的退款情况进行预测。第一方面，本专利技术实施例提供了一种退款预测方法，包括：获取待预测订单中用于进行退款预测的参数；将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的第二方面，本专利技术实施例还提供了一种退款预测装置，该装置包括：参数获取模块，用于获取待预测订单中用于进行退款预测的参数；退款预测结果确定模块，用于将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。第三方面，本专利技术实施例还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如任意实施例提供的退款预测方法。第四方面，本专利技术实施例还提供了一种终端设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如任意实施例提供的退款预测方法。本专利技术实施例的技术方案，通过预先训练的用于退款预测的目标退款预测模型，对待预测订单的参数进行处理，得到退款预测结果。通过上述方案，可在用于未实际进行退款操作之前，预测各个订单的退款情况，便于运输人员或者商品卖家提前进行退款相应的准备操作，避免在接到实际退款操作时，无法及时补救导致损失。附图说明图1是本专利技术实施例一提供的一种退款预测方法的流程示意图；图2是本专利技术实施例二提供的一种退款预测方法的流程示意图；图3是本专利技术实施例二提供的第一退款预测模型的示意图；图4是本专利技术实施例三提供的一种退款预测方法的流程示意图；图5是本专利技术实施例四提供的一种退款预测装置的结构示意图；图6是本专利技术实施例五提供的一种终端设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术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本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种退款预测方法的流程示意图，本实施例可适用于对物流运输的物品进行退款预测的情况，该方法可以由本专利技术实施例提供的退款预测装置来执行，具体包括如下步骤：S110、获取待预测订单中用于进行退款预测的参数。S120、将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。其中，待预测订单为进行物流运输的物品订单，本实施例是通过预先训练完成的目标退款预测模型对待预测订单的退款情况进行预测，便于根据退款预测结果进行后续处理。目标退款预测模型为根据预设订单样本进行训练得到的，具有退款预测功能的模型。在本实施例中，目标退款预测模型可以是由多个弱分类器组成的强分类器，例如提升树模型或者回归述模型，可选的，目标退款预测模型可以为XgBoost模型。在一些实施例中，目标退款预测模型可以是深度学习网络模型，例如卷积神经网络模型等。本实施例中，通过建立待训练的退款预测模型，采集大量订单样本，每一个订单样本中可以是包括多个订单样本参数，基于订单样本对待训练的退款预测模型的迭代训练，在上述训练过程中，从多个订单样本参数中删除对退款预测的无效参数，确定用于进行退款预测的参数，即模型参数。可选的，所述订单样本参数包括至少一个商品参数、至少一个物流参数、至少一个买家参数和至少一个卖家参数。在确定模型参数的过程中，适应性地调整退款预测模型的模型结构，当通过训练得到的退款预测模型的预测精度达到预设精度时，将经过训练得到的退款预测模型确定为目标退款预测模型，基于该目标退款预测模型对待预测订单进行退款预测，同时将该目标退款预测模型需求的参数确定最终的模型参数。每一个待预测订单中包括多个订单参数，从多个订单参数中筛选用于进行退款预测的参数，其中，用于进行退款预测的参数的数量小于或等于待预测订单的全部订单参数的数量。相应的，用于进行退款预测的参数为从上述订单参数中筛选的，可以是包括商品参数、物流参数、买家参数和卖家参数，示例性的，用于进行退款预测的商品参数可以包括平均商品售价、平均商品运费、平均商品评分、是否为热销产品、产品原因退款率、平均重量、商品子类别和心理价差落差率，其中，平均商品售价、平均商品运费、平均商品评分、是否为热销产品、产品原因退款率可以是根据第一预设时长(例如可以是30天)出售商品的相关参数确定，心理价差落差率可以同一类商品中最高价和最低价的差价。用于进行退款预测的物流参数可以包括第二预设时长(例如可以是过去60天)中物流原因退款率、第三预设时长(例如可以是过去30天)中物流原因退款率、揽收时效中位数、揽收时效九十位数、妥投时效中位数、妥投时效九十位数、渠道货量处理能力和目的地址。用于进行退款预测的卖家参数可以包括平均客单价分位数、延时确定订单率、平均回款时效、罚款占总销售额占比、承受罚款的能力、资金周转效率、上架产品数和月销售额增长率。用于进行退款预测的买家参数可以包括历史消费水平、银行信用分数、历史退款率和平台账户余额。可选的，将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，包括：对所述用于进行退款预测的参数进行数据化处理，将数据化处理后的参数转换为符合所述目标退款预测模型输入格式的参数矩阵；将所述参数矩阵输入至所述目标退款预测模型，得到所述目标退款预测模型的输出结果；根据所述输出结果与预设退款信息的映射关系，确定所述待预测订单物流原因的预测退款信息。由于上述用于进行退款预测的参数中部分参数为数值参数，部分参数为非数值参数，例如买家参数中的目的地址可以是美国纽约，目标退款预测模型无法直接对非数值参数进行处理，对获取的参数进行数值化处理，将处理后的数据根据预设规则转换为参数矩阵，将得到的参数矩阵输入至目标退款预测模型，以使目标退款预测模型对待预测订单进行退款预测。其中，预设规则中可以是包括各参数的预设数据格式(预设数据格式根据目标退款预测模型的可处理数据格式确定)以及在矩阵中的位置，将不符合预设数据格式的参数进行格式转换，并将符合预设数据格式的参数添加至本文档来自技高网...

【技术保护点】
1.一种退款预测方法，其特征在于，包括：获取待预测订单中用于进行退款预测的参数；将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。

【技术特征摘要】
1.一种退款预测方法，其特征在于，包括：获取待预测订单中用于进行退款预测的参数；将所述用于进行退款预测的参数输入至预先训练的目标退款预测模型，根据所述目标退款预测模型的输出结果确定所述待预测订单的退款预测结果，其中，所述目标退款预测模型的模型结构和模型参数是分别根据订单样本参数进行训练而确定的。2.根据权利要求1所述的方法，其特征在于，所述目标退款预测模型的训练方法，包括：获取第一预设时间段内的订单样本，并建立第一退款预测模型，其中，所述订单样本包括各个订单的订单样本参数和所述各个订单的物流原因的实际退款信息；根据所述订单样本对所述第一退款预测模型进行训练，生成所述目标退款预测模型。3.根据权利要求2所述的方法，其特征在于，建立第一退款预测模型，包括：建立每一种订单样本参数分别对应的分类模型；根据预设模型结构将所述每一种订单样本参数的分类模型进行连接，并设置所述每一种订单样本参数的分类模型的初始权重和分类阈值，形成所述第一退款预测模型。4.根据权利要求3所述的方法，其特征在于，根据所述订单样本对所述第一退款预测模型进行训练，生成所述目标退款预测模型，包括：对于所述订单样本中包含的各个订单，将当前订单的订单样本参数输入至所述第一退款预测模型，得到所述当前订单的物流原因的预测退款信息；当所述预测退款信息与所述当前订单对应的实际退款信息不同时，迭代调节所述第一退款预测模型中每一种订单样本参数对应的分类模型的当前权重和分类阈值，生成所述目标退款预测模型。5.根据权利要求4所述的方法，其特征在于，生成所述目标退款预测模型，包括：根据调节后第一退款预测模型中各种订单样本参数对应的分类模型的权重，从各种订单样本参数中确定待定参数；基于所述待定参数调节所述第一退款预测模型的模型结构，生成第二退款预测模型，对所述第二退款预测模型进行训练；根据所述第一退款预测模型和所述第二退款预测模型的预测精度...

【专利技术属性】
技术研发人员：朱剑锋，
申请(专利权)人：深圳威狮物流网络科技有限公司，香港康泰科斯特罗吉克物流有限公司，
类型：发明
国别省市：广东,44