包裹运输风险预测方法、装置、设备和计算机存储介质与流程

1.本技术涉及物流技术领域，具体涉及一种包裹运输风险预测方法、装置、设备和计算机存储介质。


背景技术：

2.随着社会的快速发展，物流行业的进步，物流中包裹的数量逐年攀升，包裹运输过程中出现的丢包或者破损数量也随之上升。
3.包裹运输环节丢包或者破损可以是不同原因导致的，例如，包裹的破损可能是由于包裹中物品自身原因，还可能是物流从业人员运输过程中的不规范操作导致的，包裹丢包或者破损需要物流公司进行破损理赔，如何准确地预测包裹运输过程中丢包或者破损的风险，从而在包裹运输过程中进行规避，成为了当前亟待解决的技术问题。


技术实现要素：

4.本技术提供一种包裹运输风险预测方法、装置、设备和计算机存储介质，旨在解决当前不可以对包裹运输过程中的风险进行准确预测的技术问题。
5.一方面，本技术提供一种包裹运输风险预测方法，所述包裹运输风险预测方法包括：
6.获取待预测的包裹的运单信息；
7.通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
8.通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
9.在本技术一些实施方案中，所述通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息之前，所述方法包括：
10.获取海量的运单信息和破损理赔信息，根据所述破损理赔信息标记所述运单信息，并将标记的运单信息作为训练样本；
11.通过初始预测模型中的特征提取神经网络对各所述训练样本进行特征提取，得到各所述训练样本对应的特征信息；
12.针对每个所述训练样本，分别融合所述训练样本对应的所述特征信息，通过融合后的特征信息对所述初始预测模型进行迭代训练，得到运输风险预测模型。
13.在本技术一些实施方案中，所述初始预测模型中包括特征提取神经网络；
14.所述通过初始预测模型中的特征提取神经网络对各所述训练样本进行特征提取，得到各所述训练样本对应的特征信息，包括：
15.通过所述特征提取神经网络对各所述训练样本中的数值类型字段进行处理，得到
原始特征；
16.通过所述特征提取神经网络对各所述训练样本中的基本信息字段进行处理，得到衍生特征；
17.通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征；
18.通过所述特征提取神经网络对各所述训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征；
19.通过所述特征提取神经网络对各所述训练样本中的破损信息进行处理，得到时间序列特征；
20.将所述原始特征、所述衍生特征、所述地址特征、所述目标编码特征和所述时间序列特征至少一项汇总，得到特征信息。
21.在本技术一些实施方案中，所述通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征之前，所述方法包括：
22.将各所述邮寄地址信息进行分解，得到最小的字段单元；
23.将各所述字段单元中相邻的字段单元进行组合，得到词组组合，并统计各所述词组组合的频率；
24.获取频率最大的目标词组组合，按照所述目标词组组合对各所述邮寄地址信息进行分解重组，得到新的目标词组组合，按照所述新的目标词组组合进行迭代分解重组；
25.统计迭代得到的各目标词组组合，生成的地址字典。
26.在本技术一些实施方案中，所述通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征，包括：
27.通过所述特征提取神经网络按照所述地址字典对各所述训练样本中的文本类型字段进行处理，得到地址特征。
28.在本技术一些实施方案中，所述通过所述特征提取神经网络对各所述训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征，包括：
29.将各所述训练样本随机划分形成训练样本子集，通过预设数量的所述训练样本子集对所述特征提取神经网络进行训练；
30.通过训练后的特征提取神经网络对目标训练样本子集中的寄件人信息、收件人信息和邮递员信息进行处理，得到训练编码特征；
31.通过预设数量的新的训练样本子集对所述特征提取神经网络进行迭代，得到新的训练编码特征；
32.将各所述训练编码特征加权处理，得到目标编码特征。
33.在本技术一些实施方案中，所述针对每个所述训练样本，分别融合所述训练样本对应的所述特征信息，通过融合后的特征信息对所述初始预测模型进行迭代训练，得到运输风险预测模型，包括：
34.针对每个所述训练样本，分别将所述训练样本对应的所述特征信息进行拼接；
35.通过各拼接后的特征信息对所述初始预测模型进行迭代训练，得到训练预测模型；
36.若所述训练预测模型的预测准确率高于预设准确率阈值，则将所述训练预测模型
作为预设的运输风险预测模型输出。
37.在本技术一些实施方案中，所述获取待预测的包裹的运单信息，包括：
38.接收包裹运输风险预测指令，获取待预测的包裹的图像信息；
39.对所述图像信息进行光学字符识别，得到所述包裹的邮寄基础信息；
40.提取所述邮寄基础信息中运单标识，获取预设数据库中所述运单标识对应的邮寄关联信息，将所述邮寄基础信息和邮寄关联信息作为运单信息。
41.在本技术一些实施方案中，所述通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果之后，所述方法包括：
42.若所述运输风险预测结果为破损概率值高于预设概率阈值，则对所述包裹的内外包装进行拍照检测；
43.若所述拍照检测的检测结果为包裹破损，则将所述包裹添加高风险标记，并输出提示信息。
44.另一方面，本技术提供一种包裹运输风险预测装置，所述包裹运输风险预测装置包括：
45.所述包裹运输风险预测装置包括：
46.获取模块，用于获取待预测的包裹的运单信息；
47.提取模块，用于通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
48.预测模块，用于通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
49.另一方面，本技术还提供一种包裹运输风险预测设备，所述包裹运输风险预测设备包括：
50.一个或多个处理器；
51.存储器；以及
52.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的包裹运输风险预测方法。
53.另一方面，本技术还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的包裹运输风险预测方法中的步骤。
54.本技术的技术方案中预设运输风险预测模型，运输风险预测模型基于运单信息中的寄件客户信息、寄件地址信息和邮递员信息、运输时间信息和邮件包裹信息中的至少一个，得到原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个特征信息，运输风险预测模型综合特征信息对包裹丢失或者包裹破损的概率进行预测，提高了包裹运输过程中包裹丢失或者包裹破损等风险预测的准确性，以减少包裹理赔的情况发生。
附图说明
55.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1是本技术实施例提供的包裹运输风险预测方法的场景示意图；
57.图2为本技术实施例中包裹运输风险预测方法中运输风险预测模型构建的一个实施例流程示意图；
58.图3为本技术实施例中包裹运输风险预测方法中运输风险预测模型构建中特征提取的一个实施例流程示意图；
59.图4是本技术实施例中提供的包裹运输风险预测方法包裹运输风险预测的一个实施例流程示意图；
60.图5是本技术实施例中提供的包裹运输风险预测方法中运单信息获取一个实施例流程示意图；
61.图6是本技术实施例中提供的包裹运输风险预测方法中高风险包裹提示一个实施例的流程示意图；
62.图7是本发明实施例所涉及的包裹运输风险预测装置的一个实施例结构示意图；
63.图8是本发明实施例所涉及的包裹运输风险预测设备的结构示意图。
具体实施方式
64.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。
65.在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
66.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
67.本技术实施例提供一种包裹运输风险预测方法、装置、设备及计算机存储介质，以下分别进行详细说明。
68.本发明实施例中的包裹运输风险预测方法应用于包裹运输风险预测装置，包裹运输风险预测装置设置于包裹运输风险预测设备，包裹运输风险预测设备中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现包裹运输风险预测方法；包裹运输风险预测设备可以服
务器或者终端，例如，手机、平板电脑或者相机。
69.如图1所示，图1为本技术实施例包裹运输风险预测方法的场景示意图，本发明实施例中包裹运输风险预测场景中包括包裹运输风险预测设备100(包裹运输风险预测设备100中集成有包裹运输风险预测装置)，包裹运输风险预测设备100中运行包裹运输风险预测对应的计算机存储介质，以执行包裹运输风险预测方法的步骤。
70.可以理解的是，图1所示包裹运输风险预测的场景中的包裹运输风险预测设备，或者包裹运输风险预测设备中包含的装置并不构成对本发明实施例的限制，即，包裹运输风险预测的场景中包含的设备数量、设备种类，或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
71.本发明实施例中包裹运输风险预测设备100主要用于：获取待预测的包裹的运单信息；通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括：邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
72.本发明实施例中该包裹运输风险预测设备100可以是独立的包裹运输风险预测设备，也可以是包裹运输风险预测设备组成的包裹运输风险预测设备网络或包裹运输风险预测设备集群，例如，本发明实施例中所描述的包裹运输风险预测设备100，其包括但不限于计算机、网络主机、单个网络包裹运输风险预测设备、多个网络包裹运输风险预测设备集或多个包裹运输风险预测设备构成的云包裹运输风险预测设备。其中，云包裹运输风险预测设备由基于云计算(cloudcomputing)的大量计算机或网络包裹运输风险预测设备构成。
73.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本技术方案一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的包裹运输风险预测设备，或者包裹运输风险预测设备网络连接关系，例如图1中仅示出1个包裹运输风险预测设备，可以理解的，该包裹运输风险预测的场景还可以包括一个或多个其他包裹运输风险预测设备，具体此处不作限定；该包裹运输风险预测设备100中还可以包括存储器，用于存储数据，例如，存储拍摄获得的包裹照片等。
74.此外，本技术包裹运输风险预测的场景中包裹运输风险预测设备100可以设置显示装置，或者包裹运输风险预测设备100中不设置显示装置与外接的显示装置200通讯连接，显示装置200用于输出包裹运输风险预测设备中包裹运输风险预测方法执行的结果。包裹运输风险预测设备100可以访问后台数据库300(后台数据库可以是包裹运输风险预测设备的本地存储器中，后台数据库还可以设置在云端)，后台数据库300中保存有包裹运输风险预测相关的信息，例如，后台数据库300中保存有包裹照片。
75.需要说明的是，图1所示的包裹运输风险预测方法的场景示意图仅仅是一个示例，本发明实施例描述的包裹运输风险预测的场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定。
76.本技术实施例中包裹运输风险预测方法包括：
77.获取待预测的包裹的运单信息；
78.通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
79.通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
80.本实施例中包裹运输风险预测方法应用于包裹运输风险预测设备，包裹运输风险预测设备的种类不作具体限定，即，包裹运输风险预测设备可以是终端或者服务器，本实施例中以服务器为例进行说明，服务器中预设有运输风险预测模型，运输风险预测模型是用于识别包裹运输风险的深度神经网络模型。
81.如图2所示，图2为本技术实施例中包裹运输风险预测方法中运输风险预测模型构建的一个实施例流程示意图。
82.本实施例中包裹运输风险预测方法中运输风险预测模型构建包括：
83.201，获取海量的运单信息和破损理赔信息，根据所述破损理赔信息标记所述运单信息，并将标记的运单信息作为训练样本。
84.服务器接收模型构建指令，模型构建指令的触发方式不作具体限定，即，模型构建指令可以是用户主动触发的，例如，用户在服务器的显示界面中输入：“训练”手动触发模型构建指令；此外，模型构建指令还可以是服务器自动触发的，例如，服务器中预设历史运单的数量超过1万时，自动触发模型构建指令。
85.服务器接收模型构建指令之后，服务器获取历史时间段的海量的运单信息和破损理赔信息，其中，运单信息是指包裹运输的相关信息，即，邮寄客户信息、邮寄地址信息、邮寄人员信息和邮件包裹信息；例如，运单信息包括但不仅限于：收寄件人号码、收寄件人地址、收寄件人公司、运单生成时间、运费、重量、托寄物、增值服务等、运费金额、运费结算方式、寄件日期和日期距离最近节假日的时间等信息等；破损理赔信息是指包裹破损、包裹丢失或者包裹理赔的记录信息，例如，破损理赔信息中包括但不仅限于运单标识、理赔额度、理赔时间和包裹信息等等。
86.服务器提取破损理赔信息中的运单标识，运单标识是指唯一识别运单的标识信息，例如，运单标识为运单编号，服务器将破损理赔信息中的运单标识与海量运单信息的运单标识进行比对，服务器将与破损理赔信息中的运单标识相同的运单信息标记为破损或者丢失，服务器将剩余的运单信息标记为未破损，服务器将标记的运单信息作为训练样本。
87.202，通过初始预测模型中的特征提取神经网络对各所述训练样本进行特征提取，得到各所述训练样本对应的特征信息。
88.服务器通过初始预测模型中的特征提取神经网络对各训练样本进行特征提取，得到各训练样本对应的特征信息，特性信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；具体地：
89.原始特征指的是特征提取神经网络可以直接处理的运单信息中数值类型的特征，如运费金额、重量数值等，原始特征是特征提取神经网络对这些字段的格式进行转换即可得到。
90.衍生特征指的是特征提取神经网络对运单信息中基本字段进行处理后得到的特
征，比如收寄件人是否公司或月结、收寄件地址是否相等、寄件日期距离最近节假日的时间等信息；基本信息字段分为：收寄件人基本字段和运单基本字段。其中收寄件人基本字段包括收寄件人的号码、地址、月结、公司等信息，运单基本字段包括运单生成时间、运费、重量、托寄物、增值服务等信息。
91.地址特征指的是特征提取神经网络通过词向量工具将运单信息中的邮寄地址信息转换成的固定长度的数值向量，即，由于邮寄地址信息是机器学习模型难以使用的文本数据，将其转换为数值数据方可使用。
92.目标编码特征指的是特征提取神经网络编码寄件人、邮寄人员在过去一段时间内的包裹破损率、破损运单量等信息形成的特征编码。
93.时间序列特征指的是特征提取神经网络编码运单托寄物在过去一段时间内和的趋势，本技术实施例中时间序列特征目的是排除季节对运单破损的干扰。
94.203，针对每个所述训练样本，分别融合所述训练样本对应的所述特征信息，通过融合后的特征信息对所述初始预测模型进行迭代训练，得到运输风险预测模型。
95.服务器将单个训练样本提取的特征信息进行融合，服务器进行特征信息融合的方式不作具体限定，例如，特征信息为运单编号为001运单信息中提取的原始特征向量、衍生特征向量、地址特征向量、目标编码特征向量和时间序列特征向量，服务器将各个特征向量转化为同一数量级，服务器将特征向量进行拼接实现特征信息融合，服务器通过融合后的特征信息对初始预测模型进行迭代训练，得到运输风险预测模型；具体地，包括：
96.(1)、针对每个所述训练样本，分别将所述训练样本对应的所述特征信息进行拼接；
97.(2)、通过各拼接后的特征信息对所述初始预测模型进行迭代训练，得到训练预测模型；
98.(3)、若所述训练预测模型的预测准确率高于预设准确率阈值，则将所述训练预测模型作为预设的运输风险预测模型输出。
99.服务器获取初始预测模型是指预先设置的运输风险识别算法，初始预测模型可以是一个分隔函数，其中运输风险是指包裹运输过程中出现的包裹破损、包裹遗失等风险；服务器针对每个训练样本，分别将训练样本对应的特征信息进行拼接；服务器通过各拼接后的特征信息对初始预测模型进行训练，得到训练预测模型；服务器获取训练预测模型的识别准确率，服务器将训练预测模型的识别准确率与预设准确率阈值进行比较，其中，预设准确率阈值是指预先设置的模型训练临界值，例如，预设准确率阈值设置为95％，若训练预测模型的预测准确率不高于预设准确率阈值，服务器通过拼接的特征信息对模型进行迭代训练；若训练预测模型的预测准确率高于预设准确率阈值，服务器则将训练预测模型作为预设的运输风险预测模型输出。
100.本实施例中服务器提取运单信息中原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；服务器通过原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个构建运输风险预测模型，这样构建的风险识别模型，考虑了多种包裹运输过程中的影响因子，以通过运输风险预测模型对运单信息进行全方位评估，从而得到准确的包裹破损识别结果。
101.为了进一步地提高模型预测的准确性，本实施例中给出了运输风险预测模型涉及
的特征信息提取的具体示例，包括：
102.如图3所示，图3为本技术实施例中包裹运输风险预测方法中运输风险预测模型构建中特征提取的一个实施例流程示意图。
103.本实施例中包裹运输风险预测方法中运单信息中的特征信息包括：
104.301，通过所述特征提取神经网络对各所述训练样本中的数值类型字段进行处理，得到原始特征。
105.302，通过所述特征提取神经网络对各所述训练样本中的基本信息字段进行处理，得到衍生特征。
106.服务器从运单信息中获取基本信息字段，基本信息字段分为：收寄件人基本字段和运单基本字段。其中收寄件人基本字段包括收寄件人的号码、地址、月结、公司等信息，运单基本字段包括运单生成时间、运费、重量、托寄物、增值服务等信息服务器对从运单信息表中获取的部分字段被加密，所以在对这些字段进行处理前，需要先对这些字段进行解析。然后服务器通过特征提取神经网络对各训练样本中的数值类型字段进行处理，得到原始特征，例如，如运费金额，重量数值等；服务器通过特征提取神经网络对各训练样本中的基本信息字段进行处理，得到衍生特征；例如，衍生特征指的是对基本字段进行处理后得到的特征，比如收寄件人是否公司或月结、收寄件地址是否相等、寄件日期距离最近节假日的时间等信息。
107.303，通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征。
108.服务器通过特征提取神经网络对各训练样本中的文本类型字段进行处理，即，服务器对邮寄地址信息进行分词处理，然后将分词处理之后的邮寄地址信息转化为得到地址向量。
109.由于邮寄地址信息分词的准确性会影响地址特征的准确性，本技术实施例中服务器根据地址字典对邮寄地址信息进行分词指令，本实施例中步骤303之前，服务器中预先构建地址字典的步骤包括：
110.(1)、将各所述邮寄地址信息进行分解，得到最小的字段单元；
111.(2)、将各所述字段单元中相邻的字段单元进行组合，得到词组组合，并统计各所述词组组合的频率；
112.(3)、获取频率最大的目标词组组合，按照所述目标词组组合对各所述邮寄地址信息进行分解重组，得到新的目标词组组合，按照所述新的目标词组组合进行迭代分解重组；
113.(4)、统计迭代得到的各目标词组组合，生成的地址字典。
114.即，服务器将各邮寄地址信息进行分解，得到最小的字段单元(字段单元是指单个的字或者字符)；服务器将各字段单元中相邻的字段单元进行组合，得到词组组合，服务器并统计各词组组合的频率；服务器获取频率最高的目标词组组合，服务器获取频率最大的目标词组组合，服务器按照目标词组组合对各邮寄地址信息进行分解重组，得到新的目标词组组合，服务器按照新的目标词组组合进行迭代分解重组；服务器统计迭代得到的各目标词组组合，服务器将各个目标词组组合转化为词向量，从而得到地址字典。
115.例如，服务器汇总过去一段时间内的寄件地址作为语料库，服务器将每个寄件地址分解为最小单元。比如，将“福田区华强北电子市场”分解为
‘
福’、
‘
田’、
‘
区’、
‘
华’、
‘
强’、
‘
北’、
‘
电’、
‘
子’、
‘
市’、
‘
场’。服务器将相邻的单元两两组合，如上例，得到“福田”、“田区”、“区华”、“华强”、“强北”、“北电”、“电子”、“子市”、“市场”；服务器统计语料库中所有地址中出现词组组合的频率；服务器选出频率最高的词组组合，对语料库中的所有地址应用该词组组合，如上例，假设本次迭代频率最高的词组组合为“电子”，则该地址变为福’、
‘
田’、
‘
区’、
‘
华’、
‘
强’、
‘
北’、“电子”、
‘
市’、
‘
场’；服务器重复步骤上述到指定迭代次数，得到基于统计学方法生成的地址词典。本技术实施例中生成的地址词典，会包含大量出现频率较高却没有被普通地址词典收录的名词，比如“华强北”，“创智大厦”之类的地址。
116.服务器通过特征提取神经网络按照地址字典对各训练样本中的文本类型字段进行处理，得到地址特征；本实施例中特征提取神经网络按照地址字典处理文本类型字段，得到的地址特征更加准确。
117.304，通过所述特征提取神经网络对各所述训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征。
118.服务器通过特征提取神经网络对训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征，目标编码特征指的是寄件人、邮递人员在过去一段时间内的快件破损率、破损运单量等信息，本实施例中将寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征，通过编码特征进行模型训练，使得运输风险预测模型中考虑到了影响包裹运输的全部因子，这样可以使得运输风险预测模型的风险评估结果更加准确。
119.本实施例中为了提高目标编码的生成质量，本技术实施例中提出一种使用二阶交叉验证在生成目标编码特征的方法，包括：
120.(1)、将各所述训练样本随机划分形成训练样本子集，通过预设数量的所述训练样本子集对所述特征提取神经网络进行训练；
121.(2)、通过训练后的特征提取神经网络对目标训练样本子集中的寄件人信息、收件人信息和邮递员信息进行处理，得到训练编码特征；
122.(3)、通过预设数量的新的训练样本子集对所述特征提取神经网络进行迭代，得到新的训练编码特征；
123.(4)、将各所述训练编码特征加权处理，得到目标编码特征。
124.即，服务器将各训练样本随机划分形成训练样本子集，服务器通过预设数量(预设数量可以根据总的数量设定，例如总数量为10，预设数量则为9)的训练样本子集对特征提取神经网络进行训练；服务器通过训练后的特征提取神经网络对目标训练样本子集中的寄件人信息、收件人信息和邮递员信息进行处理，得到训练编码特征；其中，目标训练样本子集是指预设数量之外的训练样本子集，服务器调整各训练样本子集中的训练样本，得到新的训练样本子集，通过预设数量的新的训练样本子集对特征提取神经网络进行迭代，得到新的训练编码特征；服务器将各训练编码特征加权处理，得到目标编码特征。
125.本实施例中为了避免过拟合现象，提高目标编码的生成质量，使用二阶交叉验证在生成目标编码特征的方法。第一次交叉验证的目的是为了避免在生成目标编码特征的时候，泄漏数据本身标签数据，第二次交叉验证的目的是避免随机切分数据的方式对生成目标编码特征质量的影响，这样生成的目标编码特征更加合理准确。
126.本实施例中生成目标编码特征以寄件人快件破损率为例，阐述二阶交叉验证生成
目标编码特征的过程，具体地包括：
127.①
、将数据随机划分为10份(s1,s2,
…
,s10)，每1份数据(s1)的目标编码特征即寄件人寄件破损率，由其余9份的数据(s2,s3,
…
,s10)生成。
128.②
、将生成目标编码特征的9份数据(s2,s3,
…
,s10)融合(n)，再一次随机划分为10份数据(n1,n2,
…
,n10)。
129.③
、对n1到n10数据分别计算寄件人寄件破损率。
130.④
、将步骤
③
中10份数据计算得到的破损率进行加权汇总，即得到s1中寄件人的平均寄件破损率。
131.⑤
、对s2,s3,
…
,s10的数据分别进行步骤
②
～
④
，得到相应的目标编码特征。
132.305，通过所述特征提取神经网络对各所述训练样本中的破损信息进行处理，得到时间序列特征。
133.306，将所述原始特征、所述衍生特征、所述地址特征、所述目标编码特征和所述时间序列特征至少一项汇总，得到特征信息。
134.服务器通过特征提取神经网络对各训练样本中的破损信息进行处理，得到时间序列特征；即，时间序列特征指的是表征运单托寄物在过去一段时间内和的趋势，目的是排除季节对运单破损的干扰；服务器将原始特征、衍生特征、地址特征、目标编码特征和时间序列特征至少一项汇总，得到特征信息。
135.本实施例中服务器对训练样本信息进行全面的特征提取得到特征信息，本实施例中具体说明了各个特征的采集方式，使得特征采集维度统一，特征信息齐全，以通过特征信息对初始预测模型进行训练，使得训练得到的运输风险预测模型识别准确度更高。
136.参照图4，图4是本技术实施例中提供的包裹运输风险预测方法包裹运输风险预测的一个实施例流程示意图。
137.在本技术一些实施例中，服务器执行包裹运输风险预测包括以下步骤：
138.401，获取待预测的包裹的运单信息。
139.服务器接收包裹运输风险预测指令，其中，包裹运输风险预测指令的触发方式不作具体限定，即，用户可以手动触发的包裹运输风险预测指令，例如，用户在服务器中点击包裹运输风险预测的按键；或者，服务器自动触发包裹运输风险预测指令，例如，服务器中预设监测到包裹入仓时，自动触发包裹运输风险预测指令。
140.服务器接收包裹运输风险预测指令之后，服务器获取待预测的包裹的运单信息，运单信息是指和包裹运输的相关信息，运单信息包括：收寄件人号码、收寄件人地址、收寄件人公司、运单生成时间、运费、重量、托寄物、增值服务等、运费金额、运费结算方式、寄件日期、日期距离最近节假日的时间等信息等。
141.402，通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括：邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个，所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个。
142.服务器通过预设的运输风险预测模型对运单信息进行特征提取，得到运单信息对应的特征信息，特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；本实施例中服务器通过预设的运输风险预测模型从运单信息中获取特征
信息的方式与模型训练过程中的获取特征信息的方式相同。
143.403，通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
144.服务器通过运输风险预测模型对特征信息进行处理，即，服务器通过运输风险预测模型对特征信息进行卷积，得到包裹的运输风险预测结果；本技术实施例中预设有运输风险预测模型，运输风险预测模型基于运单信息中的寄件用户信息、寄件地址信息和邮递员信息、运输时间信息和邮件包裹信息中的至少一个，得到原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个特征信息，运输风险预测模型综合特征信息对包裹丢失或者包裹破损等的概率进行预测，提高了包裹运输过程中包裹丢失或者包裹破损等风险预测的准确性，以减少包裹理赔的情况发生。
145.参照图5，图5是本技术实施例中提供的包裹运输风险预测方法中运单信息获取一个实施例流程示意图。
146.本实施例包裹运输风险预测方法中运单信息获取，具体地包括：
147.501，接收包裹运输风险预测指令，获取待预测的包裹的图像信息。
148.服务器接收包裹运输风险预测指令，其中，包裹运输风险预测指令的触发方式不作具体限定，服务器获取待预测的包裹的图像信息，图像信息是指服务器获取的包裹外表图像。
149.502，对所述图像信息进行光学字符识别，得到所述包裹的邮寄基础信息。
150.服务器对图像信息进行光学字符识别(英文简称：ocr，英文全称：optical character recognition，光学字符识别是指电子设备检查图像中的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程)，得到包裹的邮寄基础信息，邮寄基础信息是指运单中可以直接识别得到的信息。例如，邮寄地址信息。
151.503，提取所述邮寄基础信息中运单标识，获取预设数据库中所述运单标识对应的邮寄关联信息，将所述邮寄基础信息和邮寄关联信息作为运单信息。
152.服务器可以查询预设数据库，预设数据库中保存有运单信息的关联信息，例如，邮递人员信息，包裹运输路程信息，服务器提取邮寄基础信息中运单标识,运单标识是指唯一识别运单的标识信息，服务器获取预设数据库中运单标识对应的邮寄关联信息，将邮寄基础信息和邮寄关联信息作为运单信息。
153.本实施例中服务器直接获取包裹上的运单图像，通过识别运单图像，得到运单信息，从运单信息中获取邮寄基础信息，这样服务器可以在包裹检测的过程中实时获取运单信息，服务器可以根据包裹图像进行针对性包裹运输风险识别，使得服务器的数据处理更加具有针对性，同时服务器查询预设数据库获取邮寄关联信息组成运单信息，通过得到全面的包裹破损的运单信息，使得包裹破损预测更加准确。
154.参照图6，图6是本技术实施例中提供的包裹运输风险预测方法中高风险包裹提示一个实施例的流程示意图。
155.具体地，本实施例中包裹运输风险预测方法主要针对包裹破损的情况，包括：
156.601，若所述运输风险预测结果为破损概率值高于预设概率阈值，则对所述包裹的内外包装进行拍照检测。
157.服务器获取运输风险预测结果，服务器将运输风险预测结果为破损概率值与预设
概率阈值进行比较，其中，预设概率阈值可以根据包裹破损的具体情况设置，例如，预设概率阈值设置为30％；若运输风险预测结果为破损概率值不高于预设概率阈值，则不作处理；若运输风险预测结果为破损概率值高于预设概率阈值，服务器则通过控制拍摄装置对包裹的内外包装进行拍照检测，以确定包裹的实时状态。
158.602，若所述拍照检测的检测结果为包裹破损，则将所述包裹添加高风险标记，并输出提示信息。
159.若拍照检测的检测结果为包裹破损，服务器则将包裹添加高风险标记，并输出提示信息，与此同时提示后期运输过程注意，本实施例中服务器根据运输风险预测结果，提示后期邮递人员操作，避免出现包裹中物品损坏；本实施例中在包裹运输风险高于预设风险阈值时进行包裹拍照，这样可以在运输过程中提示物流人员更换包装，避免包裹损坏加剧，同时有效保障包裹的完整性。
160.为了更好实施本技术实施例中包裹运输风险预测方法，在包裹运输风险预测方法基础之上，本技术实施例中还提供一种包裹运输风险预测装置，如图7所示，图7是包裹运输风险预测装置的一个实施例结构示意图；所述包裹运输风险预测装置包括：
161.获取模块701，用于获取待预测的包裹的运单信息；
162.提取模块702，用于通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括：邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
163.预测模块703，用于通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
164.在本技术一些实施例中，所述包裹运输风险预测装置包括：
165.获取海量的运单信息和破损理赔信息，根据所述破损理赔信息标记所述运单信息，并将标记的运单信息作为训练样本；
166.通过初始预测模型中的特征提取神经网络对各所述训练样本进行特征提取，得到各所述训练样本对应的特征信息；
167.针对每个所述训练样本，分别融合所述训练样本对应的所述特征信息，通过融合后的特征信息对所述初始预测模型进行迭代训练，得到运输风险预测模型。
168.在本技术一些实施例中，所述初始预测模型中包括特征提取神经网络；
169.所述包裹运输风险预测装置中执行所述通过初始预测模型中的特征提取神经网络对各所述训练样本进行特征提取，得到各所述训练样本对应的特征信息，包括：
170.通过所述特征提取神经网络对各所述训练样本中的数值类型字段进行处理，得到原始特征；
171.通过所述特征提取神经网络对各所述训练样本中的基本信息字段进行处理，得到衍生特征；
172.通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征；
173.通过所述特征提取神经网络对各所述训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征；
174.通过所述特征提取神经网络对各所述训练样本中的破损信息进行处理，得到时间序列特征；
175.将所述原始特征、所述衍生特征、所述地址特征、所述目标编码特征和所述时间序列特征至少一项汇总，得到特征信息。
176.在本技术一些实施例中，所述包裹运输风险预测装置包括：
177.将各所述邮寄地址信息进行分解，得到最小的字段单元；
178.将各所述字段单元中相邻的字段单元进行组合，得到词组组合，并统计各所述词组组合的频率；
179.获取频率最大的目标词组组合，按照所述目标词组组合对各所述邮寄地址信息进行分解重组，得到新的目标词组组合，按照所述新的目标词组组合进行迭代分解重组；
180.统计迭代得到的各目标词组组合，生成的地址字典。
181.在本技术一些实施例中，所述包裹运输风险预测装置执行所述包裹运输风险预测装置执行所述通过所述特征提取神经网络对各所述训练样本中的文本类型字段进行处理，得到地址特征的方案，包括：
182.通过所述特征提取神经网络按照所述地址字典对各所述训练样本中的文本类型字段进行处理，得到地址特征。
183.在本技术一些实施例中，所述包裹运输风险预测装置执行所述通过所述特征提取神经网络对各所述训练样本中的寄件人信息、收件人信息和邮递员信息进行处理，得到目标编码特征，包括：
184.将各所述训练样本随机划分形成训练样本子集，通过预设数量的所述训练样本子集对所述特征提取神经网络进行训练；
185.通过训练后的特征提取神经网络对目标训练样本子集中的寄件人信息、收件人信息和邮递员信息进行处理，得到训练编码特征；
186.通过预设数量的新的训练样本子集对所述特征提取神经网络进行迭代，得到新的训练编码特征；
187.将各所述训练编码特征加权处理，得到目标编码特征。
188.在本技术一些实施例中，所述包裹运输风险预测装置执行所述针对每个所述训练样本，分别融合所述训练样本对应的所述特征信息，通过融合后的特征信息对所述初始预测模型进行迭代训练，得到运输风险预测模型，包括：
189.针对每个所述训练样本，分别将所述训练样本对应的所述特征信息进行拼接；
190.通过各拼接后的特征信息对所述初始预测模型进行迭代训练，得到训练预测模型；
191.若所述训练预测模型的预测准确率高于预设准确率阈值，则将所述训练预测模型作为预设的运输风险预测模型输出。
192.在本技术一些实施例中，所述获取模块701，包括：
193.接收包裹运输风险预测指令，获取待预测的包裹的图像信息；
194.对所述图像信息进行光学字符识别，得到所述包裹的邮寄基础信息；
195.提取所述邮寄基础信息中运单标识，获取预设数据库中所述运单标识对应的邮寄关联信息，将所述邮寄基础信息和邮寄关联信息作为运单信息。
196.在本技术一些实施例中，所述包裹运输风险预测装置，包括：
197.若所述运输风险预测结果为破损概率值高于预设概率阈值，则对所述包裹的内外包装进行拍照检测；
198.若所述拍照检测的检测结果为包裹破损，则将所述包裹添加高风险标记，并输出提示信息。
199.本实施例中预设运输风险预测模型，运输风险预测模型基于运单信息中的寄件客户信息、寄件地址信息和邮递员信息、运输时间信息和邮件包裹信息中的至少一个，得到原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个特征信息，运输风险预测模型综合特征信息对包裹丢失或者包裹破损的概率进行预测，提高了包裹运输过程中包裹丢失或者包裹破损等风险预测的准确性，以减少包裹理赔的情况发生。
200.本发明实施例还提供一种包裹运输风险预测设备，如图8所示，图8中其示出了本发明实施例所涉及的包裹运输风险预测设备的结构示意图。
201.包裹运输风险预测设备集成了本发明实施例所提供的任一种包裹运输风险预测装置，所述包裹运输风险预测设备包括：
202.一个或多个处理器；
203.存储器；以及
204.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述包裹运输风险预测方法实施例中任一实施例中所述的包裹运输风险预测方法中的步骤。
205.具体来讲：包裹运输风险预测设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解，图8中示出的包裹运输风险预测设备结构并不构成对包裹运输风险预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
206.处理器801是该包裹运输风险预测设备的控制中心，利用各种接口和线路连接整个包裹运输风险预测设备的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行包裹运输风险预测设备的各种功能和处理数据，从而对包裹运输风险预测设备进行整体监控。可选的，处理器801可包括一个或多个处理核心；优选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。
207.存储器802可用于存储软件程序以及模块，处理器801通过运行存储在存储器802的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据包裹运输风险预测设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器802还可以包括存储器控制器，以提供处理器801对存储器802的访问。
208.包裹运输风险预测设备还包括给各个部件供电的电源803，优选的，电源803可以
通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
209.该包裹运输风险预测设备还可包括输入单元804，该输入单元804可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
210.尽管未示出，包裹运输风险预测设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，包裹运输风险预测设备中的处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现各种功能，如下：
211.获取待预测的包裹的运单信息；
212.通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括：邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
213.通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
214.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机存储介质中，并由处理器进行加载和执行。
215.为此，本发明实施例提供一种计算机存储介质，该计算机存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种包裹运输风险预测方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
216.获取待预测的包裹的运单信息；
217.通过预设的运输风险预测模型中的特征分析网络对所述运单信息进行特征提取，得到所述运单信息对应的特征信息，所述运单信息包括：邮寄客户信息、邮寄地址信息、邮寄人员信息、运输时间信息和邮件包裹信息中的至少一个；所述特征信息包括原始特征、衍生特征、地址特征、目标编码特征和时间序列特征中的至少一个；
218.通过所述运输风险预测模型对所述特征信息对应的向量进行加权处理，得到所述包裹的运输风险预测结果。
219.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
220.具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
221.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
222.以上对本技术实施例所提供的一种包裹运输风险预测方法进行了详细介绍，本文
中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。