【技术实现步骤摘要】
本专利技术涉及快递费用智能审批，尤其涉及一种基于机器学习的快递费用智能审批方法及装置。
技术介绍
1、费用申请系统目前功能不健全，分拨、网点只能对运单进行费用项目的申请和简单的查看申请的历史记录，无法对网点的费用申请状态进行审核和跟踪，更无法查看更详细的费用明细和处理状态，存在费用申请周期长，处理慢，响应不及时等问题；同时目前快递企业费用审批主要依靠人工流程,效率低下,无法实现自动化；人工审批无法利用历史数据对新申请进行预测,存在决策不一致的问题。
2、所以提供一种基于机器学习的快递费用智能审批方法，解决上述问题。
技术实现思路
1、本专利技术的主要目的在于解决现有技术中，目前快递企业费用审批主要依靠人工流程,效率低下,无法实现自动化；人工审批无法利用历史数据对新申请进行预测,存在决策不一致的问题。
2、本专利技术第一方面提供了一种基于机器学习的快递费用智能审批方法，所述基于机器学习的快递费用智能审批方法包括：
3、获取历史费用申请样本数据，提取历史费用申请样本数据中影响审批结果的关键特征信息，对关键特征信息进行特征处理获取样本数据集，将样本数据集作为模型训练数据；
4、获取模型训练数据，根据模型训练数据构建费用申请审批预测模型；
5、获取费用申请审批预测模型，将费用申请审批预测模型部署为在线服务；
6、获取新费用申请信息，提取新费用申请信息中的新费用申请特征值，调用费用申请审批预测模型对新费用申请特征值进行实
7、获取申请通过概率信息和预设阈值，根据预设阈值和申请通过概率信息实现自动审批或提醒人工审批。
8、可选的，所述获取历史费用申请样本数据，提取历史费用申请样本数据中影响审批结果的关键特征信息，对关键特征信息进行特征处理获取样本数据集，包括：
9、获取历史费用申请样本数据；
10、提取历史费用申请样本数据中影响审批结果的关键特征信息，所述关键特征信息包括申请金额、申请次数、申请人信用级别、申请单号类型和收\寄地区信息；
11、对关键特征信息进行分箱处理，同时对样本数据集中的目标变量进行标记，所述目标变量包括申请通过和申请被驳回，根据目标变量和处理后的关键特征信息生成样本数据集。
12、可选的，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型包括：
13、步骤一、计算数据集d的信息熵ent(d):
14、ent(d)＝-σp(x)log2p(x)
15、步骤二、计算特征a对数据集d的信息增益g(d,a):
16、g(d,a)＝ent(d)-σ(|dj|/|d|)ent(dj)
17、步骤三、选择信息增益最大的特征作为节点,递归生成决策树。
18、重复步骤二和步骤三,直到达到预设的停止条件，得到训练好的费用申请预测审批模型。
19、可选的，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型之后还包括：
20、获取验证集数据和费用申请审批预测模型；
21、利用验证集数据评估费用申请审批预测模型的效果，其中，评估指标包括准确率、召回率和roc曲线；
22、调整模型超参数，获得最优模型。
23、可选的，所述获取申请通过概率信息和预设阈值，根据预设阈值和申请通过概率信息实现自动审批或提醒人工审批包括：
24、获取申请通过概率信息和预设阈值；
25、判断申请通过概率信息是否大于预设阈值；若是，则进行自动审批；若否，则发送人工审批提醒信息。
26、可选的，所述获取费用申请审批预测模型，将费用申请审批预测模型部署为在线服务为：
27、获取费用申请审批预测模型，将费用申请审批预测模型部署为rest api服务。
28、本专利技术第二方面提供了一种基于机器学习的快递费用智能审批装置，包括：
29、模型训练数据获取模块，用于获取历史费用申请样本数据，提取历史费用申请样本数据中影响审批结果的关键特征信息，对关键特征信息进行特征处理获取样本数据集，将样本数据集作为模型训练数据；
30、模型生成模块，用于获取模型训练数据，根据模型训练数据构建费用申请审批预测模型；
31、模型部署模块，用于获取费用申请审批预测模型，将费用申请审批预测模型部署为在线服务；
32、概率信息生成模块，用于获取新费用申请信息，提取新费用申请信息中的新费用申请特征值，调用费用申请审批预测模型对新费用申请特征值进行实时预测，生成申请通过概率信息；
33、审批执行模块，用于获取申请通过概率信息和预设阈值，根据预设阈值和申请通过概率信息实现自动审批或提醒人工审批。
34、本专利技术第三方面提供了一种电子设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行上述的如上所述的基于机器学习的快递费用智能审批方法。
35、本专利技术的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的如上所述的基于机器学习的快递费用智能审批方法。
36、本专利技术的技术方案中，系统使用了决策树机器学习算法实现了费用申请的智能审批；决策树模型利用历史申请样本数据训练,根据申请金额、次数、申请人信用等特征实时预测申请通过概率,替代了传统的人工审批,实现自动化。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的快递费用智能审批方法，其特征在于，所述基于机器学习的快递费用智能审批方法包括：
2.根据权利要求1所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取历史费用申请样本数据，提取历史费用申请样本数据中影响审批结果的关键特征信息，对关键特征信息进行特征处理获取样本数据集，包括：
3.根据权利要求2所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型包括：
4.根据权利要求3所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型之后还包括：
5.根据权利要求4所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取申请通过概率信息和预设阈值，根据预设阈值和申请通过概率信息实现自动审批或提醒人工审批包括：
6.根据权利要求5所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取费用申请审批预测模型，将费用申请审批预测模型部署为在线服务为：
7.一种
8.一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器中存储有指令；
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项的基于机器学习的快递费用智能审批方法的各个步骤。
...【技术特征摘要】
1.一种基于机器学习的快递费用智能审批方法，其特征在于，所述基于机器学习的快递费用智能审批方法包括：
2.根据权利要求1所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取历史费用申请样本数据，提取历史费用申请样本数据中影响审批结果的关键特征信息，对关键特征信息进行特征处理获取样本数据集，包括：
3.根据权利要求2所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型包括：
4.根据权利要求3所述的基于机器学习的快递费用智能审批方法，其特征在于，所述获取模型训练数据，根据模型训练数据构建费用申请审批预测模型之后还包括：
5.根据权利要求4所...
【专利技术属性】
技术研发人员：闫心现，田震青，程敏，王永喜，赵静，王强强，
申请(专利权)人：上海乾臻信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。