[发明专利]基于深度学习的大宗资源类矿产品放行风险预测方法

说明书

本发明公开了一种基于深度学习的大宗资源类矿产品放行风险预测方法，所述方法包括：根据统计学方法筛选对放行风险具有显著影响的变量；根据历史数据训练预测模型；其中，所述历史数据包括各个企业历史检验检疫结果和所述变量的时间序列；获取待测货物报检号，并查询所述待测货物所有相关特征数据；将所述待测货物所有相关特征数据通过所述预测模型，得到放行安全指数值。本发明能够避免人为考量不同因素时产生的片面性，寻找引起风险的潜在因素，相比人工审单具有更全面、更强大的分析评估能力。

技术领域

本发明涉及物品检测与识别技术领域，特别是涉及一种基于深度学习的大宗资源类矿产品放行风险预测方法及系统。

背景技术

目前，对海关放行风险进行预测分析，通常依靠业务一线人员的主观评估分析，然而，随着海关业务信息化的飞速发展，海关业务数据库收集存储了海量的通关管理数据。这些业务数据涵盖了海关管理的各个领域，呈现出数据量大、增长迅速、关系复杂等特点，加上国际经济形势巨变，海关所面临的各种风险也大量增加。人工处理机制已然出现明显疲态。

为了满足监管业务量不断增长的需要，若只凭借业务人员的人工审单，需要增加大量的人力投入，成本耗损巨大，并且人为主观评估分析，缺少辅助决策的信息，存在随意性大、难以发觉潜在风险的问题。

发明内容

本发明的目的是：提供一种基于深度学习的大宗资源类矿产品放行风险预测方法、系统和存储介质，能够避免人为考量不同因素时产生的片面性，寻找引起风险的潜在因素，相比人工审单具有更全面、更强大的分析评估能力。

为了实现上述目的，本发明提供了一种基于深度学习的大宗资源类矿产品放行风险预测方法，所述方法包括：

根据统计学方法筛选对放行风险具有显著影响的变量；

根据历史数据训练预测模型；其中，所述历史数据包括各个企业历史检验检疫结果和所述变量的时间序列；

获取待测货物报检号，并查询所述待测货物所有相关特征数据；

将所述待测货物所有相关特征数据通过所述预测模型，得到放行安全指数值。

进一步地，所述根据统计学方法筛选对放行风险具有显著影响的变量，具体为：采用相关系数分析、方差分析、Kruskal-Wallis检验和logistic回归方法来筛选对放行风险具有显著影响的变量。

进一步地，，所述根据历史数据训练预测模型，具体为：根据各个企业历史筛选所述变量和所述检验检疫结果的时间序列确定训练输入向量以及与训练输入向量对应的标签值；将所述训练输入向量输入预设的LSTM模型结构，得到训练值；按预设规则确定训练值与标签值的误差最小值。

进一步地，所述预测模型包括：长短期记忆网络LSTM模型；具体算法公式如下：

f_t＝σ(W_fxXt+W_fhh_t-1+b_f)

i_t＝σ(W_ixXt+W_ihh_t-1+b_i)

g_t＝Φ(W_gxXt+W_ghh_t-1+b_g)

o_t＝σ(W_oxXt+W_ohh_t-1+b_o)

s_t＝g_t⊙i_t+s_t-₁⊙f_t