异常账号识别方法、装置、计算机设备和存储介质与流程

1.本技术涉及机器学习技术领域，特别是涉及一种异常账号识别方法、装置、计算机设备和存储介质。


背景技术：

2.随着对物流行业的发展，物流网点的辐射范围不断增大，但同业竞争公司(简称，竞品)由于运力不足，网点辐射不足，为了达到承诺的时效，对于其优势配送范围使用自有运力，而对于收件地址在其非优势配送范围的，或者通过自有运力无法满足时效的，会在一些大中城市转寄顺丰，借助顺丰的时效、网点覆盖优势，完成末端派送。由于顺丰不允许竞品开设结算账号，竞品还会隐瞒真实身份，在顺丰开设结算账号获取折扣，从而通过价格战大肆收揽快件蚕食顺丰的市场份额，同时转嫁客户投诉理赔风险，需要对这些异常结算账号进行检测。
3.然而，目前的异常结算账号检测方法只能依靠收件员的业务经验进行人工识别和反馈，无法获取每个账号所有的寄件行为数据。在信息量爆炸的时代，依靠人工经验判断经手的每个账号是否有风险，使得异常结算账号识别效率和准确性低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高异常账号识别效率各和准确性的异常账号识别方法、装置、计算机设备和存储介质。
5.一种异常账号识别方法，所述方法包括：
6.获取物流网点中各结算账号在指定时间段内的全量运单数据；
7.根据所述全量运单数据中的寄件量和寄件量阈值对各所述结算账号进行过滤，得到待识别结算账号集；
8.根据所述全量运单数据构建所述待识别结算账号集中各待识别结算账号的寄件行为特征；
9.将所述寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
10.在其中一个实施例中，所述根据所述全量运单数据构建所述待识别结算账号集中各待识别结算账号的寄件行为特征，包括：
11.获取所述全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；
12.根据所述托寄物属性、寄件网点信息和寄件流向信息构建所述待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各所述待识别账号的寄件行为特征。
13.在其中一个实施例中，所述将所述寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号，包括：
14.将所述寄件行为特征输入至异常识别算法模型中，得到寄件行为异常的候选异常
账号集；
15.根据异常账号检测策略数据从所述候选异常账号集中确定异常结算账号。
16.在其中一个实施例中，所述异常账号检测策略数据包括省内件占比阈值策略数据和托寄物分类数阈值策略数据，所述根据异常账号检测策略数据从所述候选异常账号集中确定异常结算账号，包括以下至少一种方式：
17.当所述候选异常账号集中的候选异常账号的省内寄件占比值小于所述省内件占比阈值时，将所述候选异常账号从所述候选异常账号集中删除，得到异常结算账号；
18.当所述候选异常账号集中的候选异常账号的托寄物分类数值小于所述托寄物分类数阈值时，将所述候选异常账号从所述候选异常账号集中删除，得到异常结算账号。
19.在其中一个实施例中，在所述根据异常账号检测策略数据从所述候选异常账号集中确定异常结算账号之前，所述方法还包括：
20.获取业务场景标识；
21.根据所述业务场景标从数据库中获取对应的异常账号检测策略数据。
22.在其中一个实施例中，所述异常识别算法模型的确定方法包括：
23.获取历史异常结算账号的异常样本数据；
24.将所述异常样本数据输入至不同参数组合的预置异常识别模型中，得到各预置异常识别模型输出的异常账号识别率；
25.根据所述异常账号识别率确定最佳参数组合，得到异常识别算法模型。
26.在其中一个实施例中，所述方法还包括：
27.将所述异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到所述异常结算账号的风险评估值；
28.根据所述风险评估值对所述异常结算账号进行处理。
29.一种异常账号识别装置，所述装置包括：
30.获取模块，用于获取物流网点中各结算账号在指定时间段内的全量运单数据；
31.过滤模块，用于根据所述全量运单数据中的寄件量和寄件量阈值对各所述结算账号进行过滤，得到待识别结算账号集；
32.构建模块，用于根据所述全量运单数据构建所述待识别结算账号集中各待识别结算账号的寄件行为特征；
33.识别模块，用于将所述寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
34.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.获取物流网点中各结算账号在指定时间段内的全量运单数据；
36.根据所述全量运单数据中的寄件量和寄件量阈值对各所述结算账号进行过滤，得到待识别结算账号集；
37.根据所述全量运单数据构建所述待识别结算账号集中各待识别结算账号的寄件行为特征；
38.将所述寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
39.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
40.获取物流网点中各结算账号在指定时间段内的全量运单数据；
41.根据所述全量运单数据中的寄件量和寄件量阈值对各所述结算账号进行过滤，得到待识别结算账号集；
42.根据所述全量运单数据构建所述待识别结算账号集中各待识别结算账号的寄件行为特征；
43.将所述寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
44.上述异常账号识别方法、装置、计算机设备和存储介质，获取物流网点中各结算账号在指定时间段内的全量运单数据；通过寄件量阈值对全量运单数据中的寄件量进行过滤，初步得到待识别结算账号集；根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；将寄件行为特征输入至训练好的异常识别算法模型中，从待识别结算账号集中确定寄件行为异常的异常结算账号，通过训练好的异常识别算法模型对待识别结算账号的寄件行为特征进行识别，提高了对数据的处理效率，以及避免人工等主观因素的干扰提高了识别的准确性。
附图说明
45.图1为一个实施例中异常账号识别方法的应用环境图；
46.图2为一个实施例中异常账号识别方法的流程示意图；
47.图3为另一个实施例中异常账号识别方法的流程示意图；
48.图4为一个实施例中异常账号识别装置的结构框图；
49.图5为另一个实施例中异常账号识别装置的结构框图；
50.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
52.本技术提供的异常账号识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。从服务器104中获取物流网点中各结算账号在指定时间段内的全量运单数据；根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集；根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；将寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
53.在一个实施例中，如图2所示，提供了一种异常账号识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
54.步骤202，获取物流网点中各结算账号在指定时间段内的全量运单数据。
55.其中，物流网点包括全国的物流网点，本技术中物流网点可以但不仅限于是顺丰物流网点。通过结算账号可对寄件行为数据产生的资源进行转移，不同的寄件行为数据产生的资源不同，资源可以但不仅限于是物流费用。例如，省内寄件从a地址寄往b地址，跨省寄件从a地址寄往c地址，同一物流快递件省内寄件所需的物流费用少于跨省寄件所需的物流费用。根据设定时间内寄件行为数据，结算账号可获取对应的激励数据，例如，寄件行为数据中的月寄件量达到s件，可获取0.9的激励数据。
56.指定时间段是预设设定的时间段，指定时间段可以根据物流季节性特征或周期性特征等特征进行设置，例如，电商节、传统节假日(例如，春节、端午节和中秋节等)的全量运单数据的数据量大于日常的全量运单数据的数据量，为了确保终端设备对数据的处理性能和准确性可以根据物流季节性特征进行设置。指定时间段可以是一个月、一个季度或半年等。
57.全量运单数据包括收/寄方的基本信息、托寄物属性和物流轨迹数据等，物流轨迹数据包括寄件网点信息和寄件流向信息；收/寄方的基本信息包括收/寄方的称呼、地址和联系方式等信息，托寄物属性包括平均托寄物的重量/体积、托寄物分类数和托寄物词向量等。物流轨迹数据包括寄件流向信息(例如从a省寄往b省，同省内01地区寄往02地区)和寄件网点信息(例如，机场附近物流网点占比值)等。
58.具体地，终端从服务器中获取物流网点中各结算账号在指定时间段内的收/寄方的基本信息、托寄物的物品属性和物流轨迹数据等数据。
59.步骤204，根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集。
60.其中，寄件量阈值是指定时间段内预先设定的数值，用于对物流网点的所有结算账号进行过滤，过滤小于寄件量阈值的结算账号，得到待识别结算账号集。根据全量运单数据可以确定物流网点中各结算账号在指定时间段内的寄件量。
61.具体地，获取预设数据过滤规则，预设数据过滤规则可以是过滤寄件量小于寄件量阈值的结算账号，根据预设数据过滤规则比较寄件量阈值和物流网点的各结算账号的寄件量，过滤寄件量小于寄件量阈值的结算账号，得到待识别结算账号集，通过对获取的物流网点的结算账号进行初步筛选，对获取的结算账号进行预处理，过滤掉无用数据提高终端的处理性能。
62.步骤206，根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征。
63.具体地，获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为特征，即根据平均托寄物的重量/体积、托寄物分类数和托寄物词向量等托寄物属性构建各待识别结算账号的托寄物特征，根据寄件流向信息构建寄件流向特征，根据寄件网点信息构建寄件网点特征。
64.步骤208，将寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
65.其中，训练好的异常识别模型可以但不仅限于是单分类支持向量机(例如，one-class svm)。寄件行为异常可以是竞品通过开设结算账号进行寄件到达指定位置后，通过对托寄物进行二次配送，例如，a物流公司在b物流公司(例如，顺丰物流)开设结算账号，a物流公司将托寄物送达到指定的位置后，利用b物流公司对托寄物进行二次配送，完成托寄物的配送。
66.具体地，将待识别结算账号集中待识别结算账号的寄件行为特征输入至训练好的单分类支持向量机中，得到单分类支持向量机输出的识别结果，即输出各待识别结算账号是否为异常点的检测结果，若识别结果为异常点则表明该待识别结算账号的寄件行为存在异常，若识别结果为正常点则表明该待识别结算账号的寄件行为不存在异常，根据识别结果从待识别结算账号集中确定寄件行为异常的候选异常结算账号，通过异常账号检测策略数据对候选异常结算账号进行检测，从候选异常账号集中确定异常结算账号；异常账号检测策略数据是根据业务场景预先设置好的策略数据。
67.上述异常账号识别方法中，获取物流网点中各结算账号在指定时间段内的全量运单数据；通过寄件量阈值对全量运单数据中的寄件量进行过滤，初步得到待识别结算账号集；根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；将寄件行为特征输入至训练好的异常识别算法模型中，从待识别结算账号集中确定寄件行为异常的异常结算账号，通过训练好的异常识别算法模型对待识别结算账号的寄件行为特征进行识别，提高了对数据的处理效率，以及避免人工等主观因素的干扰提高了识别的准确性。
68.在另一个实施例中，如图3所示，提供了一种异常账号识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
69.步骤302，获取物流网点中各结算账号在指定时间段内的全量运单数据。
70.步骤304，根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集。
71.步骤306，根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征。
72.具体地，获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为特征。
73.步骤308，将寄件行为特征输入至训练好的异常识别算法模型中，得到寄件行为异常的候选异常账号集。
74.其中，异常识别算法模型训练方法包括以下步骤：获取历史异常结算账号的异常样本数据；将异常样本数据输入至不同参数组合的预置异常识别模型中，得到各预置异常识别模型输出的异常账号识别率；根据异常账号识别率确定最佳参数组合，得到异常识别算法模型。参数组合包括核函数的参数、松弛变量参数、惩罚系数和异常点比例，核函数包括线性核、多项式核、高斯核和拉普拉斯核等，不同核函数对应的核函数参数是不同的，通过选用不同核函数得到不同的参数组合。异常账号识别率包括预置异常识别模型的准确率和召回率等，准确率用于表征异常识别模型的识别效果，准确率越高，代表异常识别模型的识别效果越好；召回率是覆盖面的度量，度量有多个正例被分为正例，用于评估异常识别模型的性能。
75.步骤310，获取业务场景标识，根据业务场景标从数据库中获取对应的异常账号检测策略数据。
76.其中，业务场景标识用于标记物流运输能力不同的物流场景，例如，一线城市的物流运输能力比三线城市的物流运输能力强，不同物流运输能力的物流场景的业务特征不同，业务特征不同对应的异常账号检测策略数据是不同的。业务特征包括省内件占比、托寄物的种类、机场物流网点件占比等。异常账号检测策略数据包括省内件占比阈值策略数据和托寄物分类数阈值策略数据。
77.步骤312，根据异常账号检测策略数据从候选异常账号集中确定异常结算账号。
78.具体地，当业务场景中的业务特征为省内件占比时，根据省内件占比阈值策略数据从候选异常账号集中确定异常结算账号，即当候选异常账号集中的候选异常账号的省内寄件占比值小于省内件占比阈值(例如，省内件占比阈值为0.1)时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。当业务场景中的业务特征为托寄物的种类时，根据托寄物分类数阈值策略数据从候选异常账号集中确定异常结算账号，即当候选异常账号集中的候选异常账号的托寄物分类数值小于托寄物分类数阈值(例如，托寄物分类数阈值为1)时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
79.当业务场景中的业务特征为省内件占比和托寄物的种类时，根据省内件占比阈值策略数据和托寄物分类数阈值策略数据从候选异常账号集中确定异常结算账号，即当候选异常账号集中的候选异常账号的省内寄件占比值小于省内件占比阈值，且托寄物分类数值小于托寄物分类数阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
80.可选地，在一个实施例中，将异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到异常结算账号的风险评估值；根据风险评估值对异常结算账号进行处理。具体地，当异常结算账号的风险评估值大于风险评估阈值时，取消该异常结算账号的寄件行为并将该异常结算账号添加至物流网点的黑名单中，降低了理赔风险。可选地，当异常结算账号的风险评估值大于风险评估阈值时，对该异常结算账号的注册信息进行异常标注，注册信息可包括电话号码、身份标识信息等信息，避免相关的注册信息进行二次注册，降低了理赔风险。
81.上述异常账号识别方法中，通过根据设置的寄件量阈值对物流网点中各结算账号进行初步过滤，筛选出部分小于寄件量阈值的正常结算账号；根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；基于构建的寄件行为特征，通过训练好的异常识别算法模型和对应业务场景的异常检测策略数据检测出异常结算账号；根据构建的寄件行为特征和训练好的异常识别模型对物流网点的各结算账号进行识别，提高了对异常结算账号识别的准确性以及识别效率，同时避免人工识别和外部数据进行识别异常结算账号；除此之外，通过识别出异常结算账号降低了物流的理赔风险。
82.应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
83.在一个实施例中，如图4所示，提供了一种异常账号识别装置，包括：获取模块402、过滤模块404、构建模块406和识别模块408，其中：
84.获取模块402，用于获取物流网点中各结算账号在指定时间段内的全量运单数据。
85.过滤模块404，用于根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集。
86.构建模块406，用于根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征。
87.识别模块408，用于将寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
88.上述异常账号识别装置中，通过获取物流网点中各结算账号在指定时间段内的全量运单数据；通过寄件量阈值对全量运单数据中的寄件量进行过滤，初步得到待识别结算账号集；根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；将寄件行为特征输入至训练好的异常识别算法模型中，从待识别结算账号集中确定寄件行为异常的异常结算账号，通过训练好的异常识别算法模型对待识别结算账号的寄件行为特征进行识别，提高了对数据的处理效率，以及避免人工等主观因素的干扰提高了识别的准确性。
89.在另一个实施例中，如图5所示，提供了一种异常账号识别装置，除包括获取模块402、过滤模块404、构建模块406和识别模块408之外，还包括：比较模块410、训练模块412、预测模块414和处理模块416，其中：
90.在一个实施例中，获取模块402还用于获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息。
91.在一个实施例中，构建模块406还用于根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为特征。
92.在一个实施例中，识别模块408还用于将寄件行为特征输入至异常识别算法模型中，得到寄件行为异常的候选异常账号集；根据异常账号检测策略数据从候选异常账号集中确定异常结算账号。
93.比较模块410，用于当候选异常账号集中的候选异常账号的省内寄件占比值小于省内件占比阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
94.比较模块410，还用于当候选异常账号集中的候选异常账号的托寄物分类数值小于托寄物分类数阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
95.在一个实施例中，获取模块402还用于获取业务场景标识，根据业务场景标从数据库中获取对应的异常账号检测策略数据。
96.在一个实施例中，获取模块402还用于获取历史异常结算账号的异常样本数据。
97.训练模块412，用于将异常样本数据输入至不同参数组合的预置异常识别模型中，得到各预置异常识别模型输出的异常账号识别率；根据异常账号识别率确定最佳参数组合，得到异常识别算法模型。
98.预测模块414，用于将异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到异常结算账号的风险评估值。
99.处理模块416，用于根据风险评估值对异常结算账号进行处理。
100.在一个实施例中，通过获取物流网点中各结算账号在指定时间段内的全量运单数据，根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集，获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为特征；将寄件行为特征输入至训练好的异常识别算法模型中，得到寄件行为异常的候选异常账号集；获取业务场景标识；根据业务场景标从数据库中获取对应的异常账号检测策略数据；根据异常账号检测策略数据从候选异常账号集中确定异常结算账号；将异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到异常结算账号的风险评估值；根据风险评估值对异常结算账号进行处理。
101.该实施例中，根据构建的寄件行为特征和训练好的异常识别模型对物流网点的各结算账号进行识别，提高了对异常结算账号识别的准确性以及识别效率，同时避免人工识别和外部数据进行识别异常结算账号；通过识别出异常结算账号降低了物流理赔风险。
102.关于异常账号识别装置的具体限定可以参见上文中对于异常账号识别方法的限定，在此不再赘述。上述异常账号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
103.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种异常账号识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
104.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
105.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
106.获取物流网点中各结算账号在指定时间段内的全量运单数据；
107.根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集；
108.根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；
109.将寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常
结算账号。
110.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
111.获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；
112.根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为特征。
113.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
114.将寄件行为特征输入至异常识别算法模型中，得到寄件行为异常的候选异常账号集；
115.根据异常账号检测策略数据从候选异常账号集中确定异常结算账号。
116.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
117.当候选异常账号集中的候选异常账号的省内寄件占比值小于省内件占比阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号；
118.当候选异常账号集中的候选异常账号的托寄物分类数值小于托寄物分类数阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
119.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
120.获取业务场景标识；
121.根据业务场景标从数据库中获取对应的异常账号检测策略数据。
122.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
123.获取历史异常结算账号的异常样本数据；
124.将异常样本数据输入至不同参数组合的预置异常识别模型中，得到各预置异常识别模型输出的异常账号识别率；
125.根据异常账号识别率确定最佳参数组合，得到异常识别算法模型。
126.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
127.将异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到异常结算账号的风险评估值；
128.根据风险评估值对异常结算账号进行处理。
129.在一个实施例中，提供了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：
130.获取物流网点中各结算账号在指定时间段内的全量运单数据；
131.根据全量运单数据中的寄件量和寄件量阈值对各结算账号进行过滤，得到待识别结算账号集；
132.根据全量运单数据构建待识别结算账号集中各待识别结算账号的寄件行为特征；
133.将寄件行为特征输入至训练好的异常识别算法模型中，确定寄件行为异常的异常结算账号。
134.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
135.获取全量运单数据中的托寄物属性、寄件网点信息和寄件流向信息；
136.根据托寄物属性、寄件网点信息和寄件流向信息构建待识别结算账号集中各待识别结算账号的托寄物特征、寄件网点特征和寄件流向特征，得到各待识别账号的寄件行为
特征。
137.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
138.将寄件行为特征输入至异常识别算法模型中，得到寄件行为异常的候选异常账号集；
139.根据异常账号检测策略数据从候选异常账号集中确定异常结算账号。
140.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
141.当候选异常账号集中的候选异常账号的省内寄件占比值小于省内件占比阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号；
142.当候选异常账号集中的候选异常账号的托寄物分类数值小于托寄物分类数阈值时，将候选异常账号从候选异常账号集中删除，得到异常结算账号。
143.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
144.获取业务场景标识；
145.根据业务场景标从数据库中获取对应的异常账号检测策略数据。
146.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
147.获取历史异常结算账号的异常样本数据；
148.将异常样本数据输入至不同参数组合的预置异常识别模型中，得到各预置异常识别模型输出的异常账号识别率；
149.根据异常账号识别率确定最佳参数组合，得到异常识别算法模型。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
151.将异常结算账号的全量运单数据输入至训练好的风险预测模型中，得到异常结算账号的风险评估值；
152.根据风险评估值对异常结算账号进行处理。
153.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
154.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
155.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。