重量异常运单识别模型构建方法、装置和计算机设备制造方法及图纸

本申请涉及一种重量异常运单识别模型构建方法、装置、计算机设备和存储介质。方法包括：获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记，根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表，根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表，基于目标特征矩阵表对应的目标维度组合，从运单样本中提取目标维度组合对应维度的特征数据，得到由特征数据构成的融合特征数据，将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。能够快速准确地得到重量异常运单识别结果。够快速准确地得到重量异常运单识别结果。够快速准确地得到重量异常运单识别结果。

【技术实现步骤摘要】
重量异常运单识别模型构建方法、装置和计算机设备


[0001]本申请涉及人工智能
，特别是涉及一种重量异常运单识别模型构建方法、装置、计算机设备和存储介质。

技术介绍

[0002]在物流领域中，经常会发生违规计重的现象。因此提前识别出存在少计风险的运单是很重要的，不仅可以挽回损失，长远来看，还有助于规范计费重量操作。
[0003]对于此问题，当前主要是通过电子称随机称重以及经验规则来对运单进行判断，由于判断过程中存在主观性强，识别运单量少等不足，导致现有的重量异常运单识别方法不仅识别速度慢而且存在准确性不高的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高识别速度和准确性的重量异常运单识别模型构建方法、装置、计算机设备和存储介质。
[0005]一种重量异常运单识别模型构建方法，方法包括：
[0006]获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记；
[0007]根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表；
[0008]根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表；
[0009]基于目标特征矩阵表对应的目标维度组合，从运单样本中提取目标维度组合对应维度的特征数据，得到由特征数据构成的融合特征数据；
[0010]将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。/>[0011]在其中一个实施例中，根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表包括：
[0012]根据运单信息采集维度以及维度所属的类别，将归属于不同类别的维度两两组合，得到预设的维度组合；
[0013]根据预设的维度组合的各维度对应特征标识集，从运单样本中提取与特征标识集匹配的目标运单样本；
[0014]将目标运单样本按照正负样本进行分类汇总，得到与维度组合对应的特征矩阵表。
[0015]在其中一个实施例中，根据预设的维度组合的各维度对应特征标识集，从运单样本中提取与特征标识集匹配的目标运单样本包括：
[0016]将不同特征标识集中的特征标识两两组合，确定每个组合对应的目标运单匹配条件；
[0017]根据目标运单匹配条件，从运单样本中匹配得到目标运单样本。
[0018]在其中一个实施例中，将目标运单样本按照正负样本进行分类汇总，得到与维度组合对应的特征矩阵表包括：
[0019]根据运单样本对应的时间范围，将时间范围划分为至少两个时间段；
[0020]根据目标运单样本所属的时间段以及携带的正负样本标记，按时间段对目标运单样本进行正负样本分类，得到与维度组合对应的特征矩阵表。
[0021]在其中一个实施例中，特征矩阵表包括至少两组数据；
[0022]根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表包括：
[0023]根据特征矩阵表中各组数据包含的正负样本数量，确定每组数据对应的iv值；
[0024]根据每组数据对应的iv值，得到特征矩阵表对应的iv值；
[0025]根据各特征矩阵表对应的iv值，对特征矩阵表进行筛选，得到目标特征矩阵表。
[0026]在其中一个实施例中，将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型包括：
[0027]将各融合特征数据的组合结果作为运单样本的样本特征数据，得到训练样本；
[0028]按训练样本的时间顺序，将训练样本划分为训练集和测试集；
[0029]根据训练集和测试集，对初始模型进行训练，得到重量异常运单识别模型。
[0030]在其中一个实施例中，根据训练集和测试集，对初始模型进行训练，得到重量异常运单识别模型之后，还包括：
[0031]对于相同数量的复重运单，分别获取不使用重量异常运单识别模型的第一类识别准确率、以及重量异常运单识别模型在不同阈值条件下的第二类识别准确率；
[0032]根据第一类识别准确率和第二类识别准确率，确定重量异常运单识别模型的目标阈值。
[0033]一种重量异常运单识别模型构建装置，装置包括：
[0034]样本标记模块，用于获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记；
[0035]特征矩阵表构建模块，用于根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表；
[0036]特征矩阵表筛选模块，用于根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表；
[0037]融合特征数据生成模块，用于基于目标特征矩阵表对应的目标维度组合，从运单样本中提取目标维度组合对应维度的特征数据，得到由特征数据构成的融合特征数据；
[0038]模型训练模块，用于将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。
[0039]一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
[0040]获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记；
[0041]根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表；
[0042]根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表；
[0043]基于目标特征矩阵表对应的目标维度组合，从运单样本中提取目标维度组合对应维度的特征数据，得到由特征数据构成的融合特征数据；
[0044]将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。
[0045]一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0046]获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记；
[0047]根据预设的维度组合以及维度对应的特征标识集，对运单样本进行分类汇总，得到特征矩阵表；
[0048]根据各特征矩阵表中的正负样本分布数据，对特征矩阵表进行筛选，得到目标特征矩阵表；
[0049]基于目标特征矩阵表对应的目标维度组合，从运单样本中提取目标维度组合对应维度的特征数据，得到由特征数据构成的融合特征数据；
[0050]将各融合特征数据的组合结果作为运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。
[0051]上述重量异常运单识别模型构建方法、装置、计算机设备和存储介质，通过获取运单样本，根据运单样本是否存在重量异常，对运单样本进行正负样本标记，根据预设的维度组合以及维度对应的特征标识集，对运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种重量异常运单识别模型构建方法，其特征在于，所述方法包括：获取运单样本，根据所述运单样本是否存在重量异常，对所述运单样本进行正负样本标记；根据预设的维度组合以及维度对应的特征标识集，对所述运单样本进行分类汇总，得到特征矩阵表；根据各所述特征矩阵表中的正负样本分布数据，对所述特征矩阵表进行筛选，得到目标特征矩阵表；基于所述目标特征矩阵表对应的目标维度组合，从所述运单样本中提取所述目标维度组合对应维度的特征数据，得到由所述特征数据构成的融合特征数据；将各所述融合特征数据的组合结果作为所述运单样本的样本特征数据，对初始模型进行训练，得到重量异常运单识别模型。2.根据权利要求1所述的方法，其特征在于，所述根据预设的维度组合以及维度对应的特征标识集，对所述运单样本进行分类汇总，得到特征矩阵表包括：根据运单信息采集维度以及维度所属的类别，将归属于不同类别的维度两两组合，得到所述预设的维度组合；根据所述预设的维度组合的各维度对应特征标识集，从所述运单样本中提取与所述特征标识集匹配的目标运单样本；将所述目标运单样本按照正负样本进行分类汇总，得到与所述维度组合对应的特征矩阵表。3.根据权利要求2所述的方法，其特征在于，所述根据所述预设的维度组合的各维度对应特征标识集，从所述运单样本中提取与所述特征标识集匹配的目标运单样本包括：将不同特征标识集中的特征标识两两组合，确定每个组合对应的目标运单匹配条件；根据所述目标运单匹配条件，从所述运单样本中匹配得到目标运单样本。4.根据权利要求2或3所述的方法，其特征在于，所述将所述目标运单样本按照正负样本进行分类汇总，得到与所述维度组合对应的特征矩阵表包括：根据所述运单样本对应的时间范围，将所述时间范围划分为至少两个时间段；根据所述目标运单样本所属的时间段以及携带的正负样本标记，按时间段对所述目标运单样本进行正负样本分类，得到与所述维度组合对应的特征矩阵表。5.根据权利要求1所述的方法，其特征在于，所述特征矩阵表包括至少两组数据；所述根据各所述特征矩阵表中的正负样本分布数据，对所述特征矩阵表进行筛选，得到目标特征矩阵表包括：根据所述特征矩阵表中各组数据包含的正负样本数量，确定每组数据对应的iv值；根据每...

【专利技术属性】
技术研发人员：江洋，陈志文，黎碧君，张莹莹，聂仁桐，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：