一种基于人工智能的危险品瞒报监测系统和方法

1.本发明涉及危险品瞒报监测系统和方法，尤其涉及一种基于人工智能的危险品瞒报监测系统和方法。


背景技术：

2.危险品在运输中常采用集装箱封闭运输，因为危险品运输成本明显高于普通货物，部分货主在申报集装箱危险品时恶意瞒报，产生潜在的危险品事故风险和安全隐患，从而造成人员伤亡、货物损坏、环境污染等严重问题。针对危险品集装箱瞒报现象，尽管当前运输监管部门加大抽检力度，但是当前人工速记抽检方式效率低下，仅大约1％的订舱货物被查出有危险品瞒报现象。因此建立基于人工智能的危险品瞒报监测系统和方法，高效地选择检测价值更大的高风险订舱，有助于节约人力物力，提高抽检效率。
3.历史集装箱订舱数据对危险品瞒报分析有着重要价值。现有订舱系统积累了大量包含危险品瞒报抽检结果与订舱信息的历史申报数据，其价值还未被充分挖掘。订舱信息包含订舱时间、货物名称、发货人合作频率和等级、货代公司合作频率和等级、收货人合作频率和等级、贸易区、进出口条款等申报信息。


技术实现要素：

4.发明目的：本发明的目的是提供一种能实现高风险订舱的快速且高准确度识别，提高运输监管部门对危险品瞒报的抽检效率的基于人工智能的危险品瞒报监测系统和方法。
5.技术方案：本发明的危险品瞒报监测系统，包括：
6.数据存储端、数据处理端、模型构建端、信息读取端、结果显示端与系统管理端；
7.数据存储端，用于存储经历过危险品瞒报监测手续的历史集装箱订舱数据；
8.数据处理端，调用数据存储端的数据，对其进行数据预处理，并将数据分成训练集和测试集；
9.模型构建端，以申报信息数据作为输入数据，瞒报检测结果作为输出数据，利用训练集建立基于代价敏感的自适应增强算法，在测试集上测试模型性能；
10.信息读取端，读取本批次所有集装箱订舱的申报信息数据；
11.结果显示端，利用模型构建端的基于代价敏感的自适应增强算法获取本批次所有集装箱订舱的危险品瞒报预测结果，监测部门对判别存在危险品瞒报的高风险订舱进行检测；
12.系统管理端，用于对监测系统进行数据更新和管理。
13.进一步，所述数据存储端存储经历过危险品瞒报监测手续的历史集装箱订舱数据，包含瞒报检测结果和订舱时间、货物名称、发货人合作频率和等级、货代公司合作频率和等级、收货人合作频率和等级、贸易区和进出口条款。
14.进一步，所述数据处理端调用数据存储端的数据，删除其中包含缺失值的历史集
装箱订舱数据，在删除缺失值后将剩余数据分成训练集和测试集。
15.本发明的危险品瞒报监测方法，包括以下步骤：
16.s1，通过数据存储端采集经历过危险品瞒报监测手续的历史集装箱订舱数据；
17.s2，通过数据处理端将s1中数据存储端采集的数据进行数据预处理，将处理后的数据划分为训练集和测试集；
18.s3，将训练集数据输入模型构建端中基于代价敏感的自适应增强算法，通过基于代价敏感的自适应增强算法来判断集装箱订舱是否为含有危险品瞒报的订舱。
19.进一步，步骤s3中，所述基于代价敏感的自适应增强算法的实现步骤为：
20.利用训练集进行训练，输入训练样本集γ，训练样本集γ含有n个训练样本，第n个训练样本的变量信息为(xn,yn)，其中yn∈{-1,1}代表样本n的瞒报检测结果，其中，-1表示样本n不含有瞒报危险品，1表示样本n含有瞒报危险品；代表样本n申报信息参数构成的k个特征变量值；
21.构建m个基分类器，基分类器选用随机森林分类器，基分类器含有3个超参数，分别是最大特征数、最大深度和叶子节点含有的最少样本，通过枚举法获取3个超参数的最优取值；通过枚举法确定代价敏感因子η的最优取值；表示第n个训练样本在第m个基分类器的样本权重；对训练样本集中各个训练样本分配样本权重，第n个训练样本在第1个基分类器的初始化值为计算基分类器m的第n个训练样本权重并计算基分类器m的代价敏感系数αm，具体步骤如下：
22.s31，令m＝1；
23.s32，利用训练样本集γ和样本权重构建基分类器gm，其损失函数lm为：
[0024][0025]
式中gm(xn)表示基分类器gm在训练样本n的分类结果；αm表示基分类器gm的代价敏感系数；
[0026]
s33，利用gm对训练样本集γ进行分类，计算训练样本n的分类结果为gm(xn)，计算基分类器gm的错误率errm为：
[0027][0028]
s34，计算基分类器gm的代价敏感系数αm为：
[0029][0030]
s35，计算第n个训练样本在基分类器g
m 1
的样本权重为：
[0031][0032]
s36，令m＝m 1；如果m≤m-1，则返回步骤s3)；否则执行步骤s37；
[0033]
s37，输出最终分类器表达式
[0034]
当时，h(xn)值为 1；否则，h(xn)值为-1。
[0035]
本发明与现有技术相比，其显著效果如下：
[0036]
1、本发明通过集装箱订舱信息，利用基于代价敏感的自适应增强算法挖掘危险品瞒报和订舱申报信息关键属性之间的关联，实现高风险订舱的快速且高准确度识别，提高运输监管部门对危险品瞒报的抽检效率；
[0037]
2、本发明通过采集经历过危险品瞒报监测手续的历史集装箱订舱数据作为模型构建端的输入，侧重于运输源头控险，在危险品运输领域具有现实意义。
附图说明
[0038]
图1为本发明的监测系统结构图；
[0039]
图2为本发明的监测方法流程图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明所述的一种基于人工智能的危险品瞒报监测系统和方法在实施例中的技术方案进行描述。所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。
[0041]
本发明以宁波航运2012年至2018年经历过危险品瞒报监测手续的集装箱订舱数据，结合附图和具体实施方式对本发明作进一步详细的说明。
[0042]
如图1所示，本发明的危险品瞒报监测系统，包括：
[0043]
数据存储端、数据处理端、模型构建端、信息读取端、结果显示端与系统管理端；
[0044]
数据存储端，用于存储宁波航运2012年至2018年经历过危险品瞒报监测手续的历史集装箱订舱数据，每条订舱数据包括1项危险品瞒报检查结果与12项申报信息参数，包括下单月份、合同协议、出口条款、进口条款、门条款、电子订舱、贸易路线、货物品类、发货人合作频率、货代公司合作频率、发货人合作等级、货代公司合作等级；
[0045]
数据处理端，调用数据存储端的数据进行数据预处理，并将数据以7:3的比例随机分成训练集和测试集；
[0046]
模型构建端，以申报信息数据作为输入数据，瞒报检测结果作为输出数据，利用训练集建立基于代价敏感的自适应增强算法，在测试集上测试模型性能；
[0047]
信息读取端，读取本批次所有集装箱订舱的12项申报信息数据；
[0048]
结果显示端，利用模型构建端的基于代价敏感的自适应增强算法获取本批次所有集装箱订舱的危险品瞒报预测结果，监测部门对判别存在危险品瞒报的高风险订舱进行检测；
[0049]
系统管理端，将本批次抽检集装箱订舱的申报信息与检测结果录入历史数据集，对监测系统数据进行更新。
[0050]
如图2所示，本发明的危险品瞒报监测方法，包括以下步骤：
[0051]
s1，通过数据存储端采集经历过危险品瞒报监测手续的历史集装箱订舱数据。收集宁波航运30万条订舱数据。每条订舱数据包括1项危险品瞒报检查结果与12项信息参数，包括下单月份、合同协议、出口条款、进口条款、门条款、电子订舱、贸易路线、货物品类、发货人合作频率、货代公司合作频率、发货人合作等级、货代公司合作等级。
[0052]
s2，通过数据处理端将s1中采集的数据进行数据预处理，删除其中包含缺失值的历史集装箱订舱数据，在删除缺失值后将剩余数据以7:3的比例随机分成训练集和测试集。
[0053]
s3，将s2中数据处理端的训练集数据输入模型构建端中基于代价敏感的自适应增强算法，通过基于代价敏感的自适应增强算法来判断集装箱订舱是否为含有危险品瞒报的订舱。
[0054]
利用训练集进行训练：输入训练样本集γ，γ含有n个训练样本，第n个训练样本的变量信息为(xn,yn)，其中yn∈{-1,1}代表样本n的瞒报检测结果(-1表示样本n不含有瞒报危险品；1表示样本n含有瞒报危险品)，代表样本n申报信息参数构成的k＝12个特征变量值；构建m＝100个基分类器，基分类器为随机森林分类器，基分类器含有3个超参数，分别是最大特征数(取值区间为[3,8])、最大深度(取值区间为[5,11])和叶子节点含有的最少样本(取值区间为[1,3])，通过枚举法获取3个超参数的最优取值分别为8,10和1；通过枚举法获取代价敏感因子η的最优取值为0.01(取值期间为η∈(0,1))；表示第n个训练样本在第m个基分类器的样本权重；对训练样本集中各个训练样本分配样本权重，第n个训练样本在第1个基分类器的初始化值为
[0055]
计算基分类器m的第n个训练样本权重并计算基分类器m的代价敏感系数αm，具体步骤如下：
[0056]
步骤1)令m＝1；
[0057]
步骤2)利用训练样本集γ和样本权重构建基分类器gm，其损失函数lm为：
[0058][0059]
式中gm(xn)表示基分类器gm在训练样本n的分类结果；αm表示基分类器gm的代价敏感系数；
[0060]
步骤3)利用gm对训练样本集γ进行分类，计算训练样本n的分类结果为gm(xn)，计算基分类器gm的错误率errm为：
[0061][0062]
步骤4)计算基分类器gm的代价敏感系数αm为：
[0063][0064]
步骤5)计算第n个训练样本在基分类器g
m 1
的样本权重为：
[0065]
[0066]
步骤6)令m＝m 1；如果m≤m-1，则返回步骤2)；否则执行步骤7)；
[0067]
步骤7)输出最终分类器表达式式中当时，值为 1，否则其值为-1。
[0068]
在测试集上测试模型性能，得到如表1的测试结果。
[0069]
表1测试集上模型表现
[0070][0071]
由表1可以得出：基于代价敏感的自适应增强算法在处理仅大约1％的含瞒报危险品订舱货物的极度不均衡样本时有着好的表现，能够充分挖掘危险品瞒报和订舱申报信息关键属性之间的关联，实现高风险订舱的快速且高准确度识别，提高运输监管部门对危险品瞒报的抽检效率。
[0072]
以上实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。对于本领域的一般技术人员，依据本发明的思想，可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。