[发明专利]一种贸易信息风险预警模型的构建方法及应用

说明书

本发明公开了一种贸易信息风险预警模型的构建方法及应用，所述构建方法包括以下步骤：S1、构建复杂网络：从历史商品信息表中提取有效实体信息，将各个有效实体信息作为实体节点，将相互关联的两个实体节点连线构成边，所述实体节点和边构成复杂网络结构；S2：量化复杂网络：统计历史商品信息表的抽查数据计算问题率，以问题率作为实体节点与边关系的量化特征量化实体节点和边的风险值；S3：构建风险预警模型：根据历史商品信息表的抽查数据对实体节点和边的风险值赋权重，得到权重函数，然后加权求和实体节点和边的风险值得到风险预警模型。本发明解决了现有技术导致抽检准确率低、抽检工作量大的问题。

技术领域

本发明涉及复杂贸易商品抽检技术领域，具体涉及一种贸易信息风险预警模型的构建方法及应用。

背景技术

在贸易的商品运输过程中，运输交通(货车、火车、货船、飞机)随行上报一份信息表，表中如实记录了所运输商品的相关信息，如商品名、商品重量、生产企业、货主单位、物流单位、来源地、目的地等。如果出现运输的商品与上报信息不符(如商品实际重量或数量与上报信息不符、夹带其他未报备物品、运输违规物品等异常时)，需要及时处置这些异常。因此，在到达目的地时检查人员会依据上报信息与实际检查结果及当地的政策等来判断运输的各种商品是否异常。随着各地的贸易运输越来越频繁，受限于时间成本，检查人员无法对所有的商品逐一进行检查，只能进行抽检，虽然经验丰富的检查人员可以凭经验更有效的抽查，但仍然费时费力，且抽检工作经验很难固化，如何提高检查效率(尽可能快地把异常商品、异常企业查出来)并降低人力成本是一个亟待解决的问题。

利用机器学习和深度学习方法建模，其准确率受到多种因素影响，例如，当数据在各个维度关联不大、数据正负样本极度不平衡，这些方法可能难以学到有效的特征，且模型的经济性与实时性较差，通常还会耗费大量的算力进行训练。在商品的贸易运输中，上报的信息表中包含的数据维度信息比较基础，过于离散，需要人工整合。例如，信息表中包含了企业成立时间，若想量化企业成立时间，则需要用当前时间减去企业成立时间。并且不同信息表的数据之间往往是有关联的，贸易活动本身受多方影响，如生产企业、运输公司、代理人等之间利益关系比较复杂，因而用单份信息表直接作为输入去训练一个机器学习或深度学习的模型，预测问题商品或问题企业的准确率不会高于人工抽检，效果不理想。

发明内容

本发明的目的在于提供一种贸易信息风险预警模型的构建方法，将构建的模型用于贸易商品抽检，解决现有技术导致抽检准确率低、抽检工作量大的问题。

本发明通过下述技术方案实现：

一种贸易信息风险预警模型的构建方法，包括以下步骤：

S1、构建复杂网络：从历史商品信息表中提取有效实体信息，将各个有效实体信息作为实体节点，将相互关联的两个实体节点连线构成边，其中，同一张商品信息表中的实体节点间的连线为表内部边，不同商品信息表中的实体节点间的连线为表外部边，所述实体节点和边构成复杂网络结构；

S2：量化复杂网络：统计历史商品信息表的抽查数据计算问题率，以问题率作为实体节点与边关系的量化特征量化实体节点和边的风险值；

S3：构建风险预警模型：根据历史商品信息表的抽查数据对实体节点和边的风险值赋权重，得到权重函数，然后加权求和实体节点和边的风险值得到风险预警模型，所述权重为风险项的重要性系数，所述权重函数依据历史商品信息表的抽查数据调整。

本发明根据历史检查数据构造复杂网络的节点和边。复杂网络的实体节点代表某种实体，如商品种类、到达时间、企业信息、联系电话、检查结果等；复杂网络的边代表其两端实体节点间的关系；本申请以商品信息表为基本单元进行阐述。建复杂网络结构时，每张商品信息表都提取了相同维度的信息作为实体节点，信息表的网络结构应当是连通的(至少与表ID相连)，相互关联具体是指根据实际数据判断2个实体节点之间是否存在某种联系，例如商品E由O公司生产，那么商品E与O公司相互关联。