订单识别方法、装置、设备和存储介质与流程

1.本发明涉及物流安全技术领域，具体涉及一种订单识别方法、装置、设备和存储介质。


背景技术：

2.随着物流行业的发展，物流业务量持续提升，导致了物流事故的增加。面对数以百亿计的物流业务量，物流行业急需提高物流安全风险监测监控能力。
3.通过有效的物流安检技术，可以加强对高风险物品的监控力度，降低物流风险导致的城市安全事件发生的可能性。目前，传统的高风险物品识别存在以下两点问题：一、随机性强。高风险物品在所有快件中的占比极小，若通过随机抽查进行开箱验视，需要较高的抽查才能识别出少量的高风险物品，且需要消耗大量的人力和物力，影响物流中转和物流收派的正常运转。二、时效性差。高风险物品的识别往往是滞后的，大部分是快件运转的中后期的环节被识别，造成路由耽误及转寄退回。


技术实现要素：

4.本发明实施例提供一种订单识别方法、装置、设备和存储介质，以解决现有高风险物品识别存在的随机性与时效性的问题。
5.一方面，本发明实施例提供一种订单识别方法，所述方法包括：
6.获取待识别的目标订单以及所述目标订单对应的订单特征；
7.根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数；所述模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，所述特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；
8.根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值；
9.根据所述物品风险程度值，检测所述目标订单是否为风险订单。
10.在本发明一些实施例中，所述根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数包括：
11.确定各所述订单特征的类型；
12.针对每个所述订单特征，根据该订单特征的类型，在所述模型参数数据中查找与该订单特征的类型相同的目标类型，将所述目标类型对应的特征参数设置为该订单特征对应的目标特征参数。
13.在本发明一些实施例中，所述根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值包括：
14.获取各所述订单特征对应的特征值；
15.根据各所述订单特征对应的目标特征参数和各所述订单特征对应的特征值，采用已训练的风险预测模型计算所述目标订单的风险概率值，将所述风险概率值设置为所述目
标订单对应的物品风险程度值。
16.在本发明一些实施例中，所述订单特征包括物品类型、运输类型、地址信息、人员信息；
17.所述获取各所述订单特征对应的特征值包括：
18.根据所述物品类型查询预设物品类型与数值的关系数据，得到所述物品类型对应的目标数值，将所述物品类型对应的目标数值设置为所述物品类型对应的特征值；
19.根据所述运输类型查询预设物品类型与数值的关系数据，得到所述运输类型对应的目标数值，将所述运输类型对应的目标数值设置为所述运输类型对应的特征值；
20.根据所述地址信息查询预设的历史订单数据，得到所述地址信息对应的地址风险概率，将所述地址风险概率设置为所述地址信息对应的特征值，所述历史订单数据包括多个人员信息和多个地址信息，以及各所述人员信息对应的人员风险概率、各所述地址信息对应的地址风险概率；
21.根据所述人员信息查询所述预设的历史订单数据，得到所述人员信息对应的人员风险概率，将所述人员风险概率设置为所述人员信息对应的特征值。
22.在本发明一些实施例中，所述根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数步骤之前，所述方法包括：
23.获取历史订单对应的每个类型的订单特征的特征值；
24.将每个类型的订单特征的特征值输入预设的初始风险预测模型，建立所述初始风险预测模型对应的联合概率分布函数；所述初始风险预测模型中包括每个类型的订单特征对应的初始特征参数；
25.基于梯度下降，对所述初始风险预测模型的初始特征参数进行更新，并在每一次更新所述初始特征参数时，计算所述联合概率分布函数的值；
26.在所述联合概率分布函数的值达到预设收敛条件时，得到已训练的模型，以及每个类型的特征参数；
27.将每个类型与该类型对应的特征参数进行关联，得到预设的模型参数数据。
28.在本发明一些实施例中，所述根据所述物品风险程度值，确定所述目标订单是否为风险订单包括：
29.将所述物品风险程度值与预设阈值进行比较；
30.若所述物品风险程度值大于或等于所述预设阈值，则所述目标订单为风险订单。
31.在本发明一些实施例中，所述将所述物品风险程度值与预设阈值进行比较步骤之前，所述方法包括：
32.在不同的阈值下，根据所述历史订单的物品风险程度值，得到所述历史订单的检测结果；
33.针对每个所述阈值，根据所述历史订单的检测结果以及核验结果，确定得到该阈值对应的查全率，所述核验结果通过对所述历史订单的检测结果进行核验得到的；
34.根据每个所述阈值以及每个所述阈值对应的查全率，建立查全率与阈值的关系数据；
35.根据预设的目标查全率，从所述关系数据中确定得到预设阈值。
36.在本发明一些实施例中，所述若所述物品风险程度值大于或等于所述预设阈值，
则所述目标订单为风险订单之后，所述方法包括：
37.发送所述风险订单至终端，接收所述终端发送的订单核验结果；
38.根据所述目标订单中包括的人员信息，获取该人员信息对应的历史风险订单的数量，根据所述人员信息对应的历史风险订单的数量和所述目标订单的订单核验结果，对所述人员信息对应的人员风险概率进行调整；根据所述目标订单中包括的地址信息，获取该地址信息对应的历史风险订单的数量，根据该地址信息对应的历史风险订单的数量和所述目标订单的订单核验结果，对所述地址信息对应的地址风险概率进行调整。
39.另一方面，本发明实施例提供一种订单识别装置，所述订单识别装置包括：
40.订单模块，用于获取目标订单以及所述目标订单对应的订单特征；
41.计算模块，用于根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数，所述模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，所述特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；
42.预测模块，用于根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值；
43.识别模块，根据所述物品风险程度值，检测所述目标订单是否为风险订单。
44.另一方面，本发明实施例提供一种订单识别设备，所述订单识别设备包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行所述的订单识别方法中的操作。
45.另一方面，本发明实施例提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行所述的订单识别方法中的步骤。
46.本发明实施例预先通过历史订单的每个类型的订单特征，构建联合概率分布函数得到每个类型的订单特征对应的特征参数，在获取待识别的目标订单以及目标订单对应的订单特征后，即可根据预设的模型参数数据，得到各订单特征对应的目标特征参数，根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值，根据物品风险程度值，检测目标订单是否为风险订单，降低高风险物品识别随机性，提高了订单对应的高风险物品识别的时效性。
附图说明
47.为了更清楚地说明本发明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。
48.图1是本发明实施例提供的订单识别方法的一个实施例流程示意图；
49.图2是本发明实施例提供的订单识别方法中建立风险预测模型的一个实施例流程示意图；
50.图3是本发明实施例提供的查全率与阈值的关系数据的一个示意；
51.图4是本发明实施例提供的订单识别方法中更新历史订单数据的一个实施例流程示意图；
52.图5是本发明实施例提供的订单识别方法中实时计算框架的一个实施例结构示意
图；
53.图6是本发明实施例提供的订单识别装置的一个实施例结构示意图；
54.图7是本发明实施例提供的订单识别设备的一个实施例结构示意图。
具体实施方式
55.下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
56.本发明实施例提供一种订单识别方法、装置、设备和存储介质。根据本发明实施例提供的订单识别方法的实施例，需要说明的是，在附图的流程示意图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的执行顺序执行所描述或所示出的步骤。
57.在本发明一些实施例中，订单识别方法可以应用于订单识别设备。其中，订单识别设备可以是计算机设备和终端设备中的至少一种，其中，计算机设备是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。其中，终端设备包括但不限于智能手机、工业计算机、平板电脑和pc端。在本发明一些实施例中，订单识别设备应用于计算机设备和终端设备时，终端设备和计算机设备之间可以通过任何通信方法实现通信，其中通信方式包括但不限于基于第三代合作伙伴计划(3rd generation partnership project，3gpp)、长期演进(long term evolution lte)、全球互通微波访问(worldwide interoperability for microwave access wimax)的移动通信，或基于tcp/ip协议族(tcp/ipprotocol suite tcp/ip)、用户数据报协议(user datagram protocol udp的计算机网络通信等。
58.如图1所示，图1是本发明实施例提供的订单识别方法的一个实施例流程示意图，所示的订单识别方法包括步骤101～104：
59.101，获取待识别的目标订单以及目标订单对应的订单特征。
60.目标订单包括但不限于物流订单和外卖订单。在本发明一些实施例中目标订单中包括但不限于地址信息、物品信息、运输信息、订单号和人员信息，其中，地址信息包括订单发货地址和订单收货地址；物品信息包括但不限于物品重量、物品体积和物品类型；人员信息包括收件人信息和寄件人信息。需要说明的是，上述目标订单中包括的地址信息、物品信息、运输信息、订单号和人员信息的获取是在遵守相关信息保护法律法规的前提下，征得用户、当事人或相关方同一后获取、存储和使用的。
61.在本发明一些实施例中，订单特征包括物品类型、运输类型、地址信息、人员信息。
62.在本发明一些实施例中，订单特征包括分类特征和数值特征，其中分类特征包括物品类型和运输类型，数值特征包括地址信息对应的地址风险概率以及人员信息对应的人员风险概率。其中，可以根据地址信息查询预设的历史订单数据，得到地址信息对应的地址风险概率，可以根据人员信息查询预设的历史订单数据，得到人员信息对应的人员风险概率；历史订单数据包括多个人员信息和多个地址信息，以及各人员信息对应的人员风险概
率、各地址信息对应的地址风险概率。
63.在本发明一些实施例中，订单特征还可以包括订单基本特征和订单先验特征，其中，订单基本特征是根据目标订单直接获取的地址信息、物品信息、运输信息、订单号和人员信息中的至少一种得到的；订单先验特征是根据历史订单对应的地址信息、物品信息、运输信息、订单号和人员信息中的至少一种分布情况得到的。
64.在本发明一些实施例中，订单先验特征包括收方风险概率、寄方风险概率和收寄方风险概率，其中，收方风险概率指的是风险物品的数量占总收件订单数量的比率，收方风险概率包括收件人风险概率和订单收货地址风险概率；寄方风险概率指的是风险物品数量占总寄件订单数量的比率，寄方风险概率包括寄件人风险概率和订单发货地址风险概率；收寄方风险概率指的是收方风险概率和寄方风险概率的组合概率。其中，收件人风险概率用于量化收件人对应的收件订单中订单对应物品为风险物品的分布状态，订单收货地址风险概率用于量化订单收货地址对应的收件订单中订单对应物品为风险物品的分布状态，寄件人风险概率用于量化寄件人对应的寄件订单中订单对应物品为风险物品的分布状态，订单发货地址风险概率用于量化订单发货地址对应的寄件订单中订单对应物品为风险物品的分布状态。历史订单指的是过去一段时间内中产生的订单，其中过去一段时间可以是过去一周、过去一个月、过去三个月、过去六个月、过去一年等。在本发明一些实施例中，风险物品包括但不限于易燃易爆腐蚀性物品、医学样品、有毒药品、有毒化学品、管制刀具、枪支弹药等。
65.考虑到传统订单识别是在订单运转的中后期的环节被识别出风险物品，造成风险物品识别的滞后性，本发明实施例在接收到产生的订单时，解析目标订单获取订单对应的地址信息、物品信息、运输信息、订单号和人员信息中的至少一种得到订单基本特征，并根据人员信息和地址信息获取订单先验特征，将订单基本特征和订单先验特征设置为订单特征，根据订单特征对订单进行识别，确定订单对应物品是否为风险物品，在订单生成环节，根据产生的目标订单确定订单对应物品是否为风险物品，提高订单识别的时效性，降低风险物品识别的滞后性。
66.102，根据预设的模型参数数据，得到各订单特征对应的目标特征参数。
67.模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到。其中，类型包括但不限于收方风险率、寄方风险率、收寄方风险率、物品类别、城市流向和运输方式。联合概率分布函数指的是订单特征服从的概率分布对应联合概率分布函数，在本发明一些实施例中，可以通过分析历史订单的订单特征、以及根据历史订单中风险物品的数量和分布状态确定订单特征服从的概率分布。
68.103，根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值。
69.物品风险程度值用于指示目标订单对应的物品是风险物品的概率。
70.考虑到订单中风险物品的占比较小，若通过随机抽查进行开箱验视，需要的抽查的比例较大才能识别出风险物品，因此需要消耗大量的人力和物力，影响中转收派的正常运转，因此为了降低现有订单识别的随机性，根据各订单特征和各订单特征对应的目标特征参数计算目标订单对应的物品风险程度值，通过物品风险程度值确定订单对应的物品是
风险物品的概率，为订单中风险物品的识别提供数据支持。
71.在本发明一些实施例中，考虑到不同的运输方式中的风险物品的识别标准不同，例如手机在空运中是风险物品，但是手机在陆运中不是风险物品，因此结合运输方式和物品类型计算物品风险程度值。在本发明一些实施例中，为了便于物品风险程度值的计算，将订单特征进行数值化处理，得到订单特征对应的特征值。具体地，根据物品类型查询预设物品类型与数值的关系数据，得到物品类型对应的目标数值，将物品类型对应的目标数值设置为物品类型对应的特征值；根据运输类型查询预设运输类型与数值的关系数据，得到运输类型对应的目标数值，将运输类型对应的目标数值设置为运输类型对应的特征值；根据地址信息查询预设的历史订单数据，得到地址信息对应的地址风险概率，将地址风险概率设置为地址信息对应的特征值；根据人员信息查询预设的历史订单数据，得到人员信息对应的人员风险概率，将人员风险概率设置为所述人员信息对应的特征值。其中，预设物品类型与数值的关系数据包括多个物品类型以及每一个物品类型对应的数值，预设运输类型与数值的关系数据包括多个运输类型以及每一个运输类型对应的数值。在本发明一些实施例中，可以统计历史订单中包括的物品信息，得到历史订单包括的所有物品类型，根据数字对各物品类型进行编码得到各物品类型对应的数值，将各物品类型对应的数值与对应的物品类型关联得到预设物品类型与数值的关系数据；与预设物品类型与数值的关系数据建立方式相似，可以对不同的运输方式设置不同的数值，得到预设运输类型与数值的关系数据。
72.在本发明一些实施例中，步骤103包括：获取各订单特征对应的特征值，根据各订单特征对应的目标特征参数和各订单特征对应的特征值，采用已训练的风险预测模型计算目标订单的风险概率值，将风险概率值设置为目标订单对应的物品风险程度值。其中，风险预测模型计算可以是神经网络模型，机器学习模型，例如逻辑回归模型、字典学习模型、聚类模型。风险预测模型的建立和训练将在下文描述，此处不展开说明。
73.在本发明一些实施例中，为了便于物品风险程度值的计算，可以将订单特征中的人员风险概率和地址风险概率进行标准化处理，将人员风险概率和地址风险概率各自对应的特征值归一化到[0，1]之间。
[0074]
在本发明一些实施例中，为了提高物品风险程度值的准确度，并提高物品风险程度值计算的灵活度，在步骤103中，当目标订单中存在缺失的订单特征时，可以根据目标订单中地址信息确定运输路径，统计该运输路径对应的各历史订单的该缺失的订单特征的特征值的平均值、众数、中位数中的至少一个，将该运输路径对应的各历史订单的该缺失的订单特征的特征值的平均值、众数、中位数中的至少一个作为目标订单该缺失的订单特征的特征值。
[0075]
104，根据物品风险程度值，检测目标订单是否为风险订单。
[0076]
风险订单指的是订单对应物品可能为风险物品的订单。
[0077]
在本发明一些实施例中，可以将物品风险程度值与预设阈值进行比较，若物品风险程度值大于或等于预设阈值，则目标订单为风险订单。
[0078]
在本发明一些实施例中，当目标订单为风险订单时，可以将目标订单发送至终端，终端输出提示信息，提示终端对应的收派件人员对目标订单对应快件进行订单核验，并获取收派件人员输入的订单核验结果，将订单核验结果发送至订单识别设备。
[0079]
本发明实施例在订单生成阶段，通过目标订单获取订单特征，根据预设的模型参
数数据，得到各订单特征对应的目标特征参数，计算得到物品风险程度值，给出订单对应的物品的风险程度概率，提高了订单对应的高风险物品识别的时效性，并且本发明实施例根据各物品风险程度值检测目标订单是否为风险订单，通过各物品风险程度值降低高风险物品识别随机性。
[0080]
如图2所示，图2是本发明实施例提供的订单识别方法中建立风险预测模型的一个实施例流程示意图。
[0081]
在本发明一些实施例中，可以根据逻辑回归模型建立风险预测模型，根据历史订单对应的订单特征对风险预测模型进行模型训练和特征参数的估算，得到已训练的风险预测模型和模型参数数据。如图2所示，所示的风险预测模型的建立方法包括步骤201～205：
[0082]
201，获取历史订单对应的每个类型的订单特征对应的特征值。
[0083]
历史订单包括历史风险订单和历史正常订单。历史风险订单可以是订单核验为风险的历史订单，历史风险订单也可以是安检识别出风险物品对应的历史订单。在本发明一些实施例中，为了便于风险预测模型的训练，将历史订单中的历史风险订单进行标记。
[0084]
在本发明一些实施例中，订单特征包括订单基本特征和订单先验特征。历史订单的订单基本特征的获取方法与步骤101中订单基本特征的获取方法相似，此处不再赘述。在本发明一些实施例中，可以根据历史订单中历史风险订单的数量计算收件人风险概率、订单收货地址风险概率、寄件人风险概率和订单发货地址风险概率，将收件人风险概率、订单收货地址风险概率设置为收方风险概率，将寄件人风险概率和订单发货地址风险概率设置为寄方风险概率，根据收方风险概率和寄方风险概率确定收寄方风险概率，将收方风险概率、寄方风险概率和收寄方风险概率设置为历史订单的订单先验特征。
[0085]
在本发明一些实施例中，根据步骤103中的数值化处理方法对历史订单的订单特征中运输方式和物品类型进行数值化处理，得到运输方式对应的特征值，物品类型对应的特征值，并将收方风险概率、寄方风险概率和收寄方风险概率各自对应的数值分别设置为各自对应的特征值。
[0086]
202，将每个类型的订单特征的特征值输入预设的初始风险预测模型，建立初始风险预测模型对应的联合概率分布函数。
[0087]
初始风险预测模型中包括每个类型的订单特征对应的初始特征参数。初始特征参数可以是预设值，例如1、-1、0，初始特征参数可以是随机数。
[0088]
在本发明一些实施例中，预设的初始风险预测模型可以是逻辑回归模型，通过逻辑回归模型对历史订单数据中的历史订单进行分类，确定历史订单是否为历史风险订单，在本发明一些实施例中，可以根据逻辑回归模型计算出各历史订单是历史风险订单的概率，根据各历史订单是历史风险订单的概率对历史订单进行分类。
[0089]
在本发明一些实施例中，逻辑回归模型可以是逻辑斯蒂回归模型。其中，逻辑斯蒂回归模型是通过逻辑斯蒂分布计算各历史订单是历史风险订单的概率。其中，逻辑斯蒂分布描述为：其中，其中x＝[x1,x2,...,xn]为历史订单的订单特征的特征值，xi是历史订单的每个类型的订单特征对应的特征值，其中n是历史订单的订单特征的数量，p(y＝1|x)是逻辑斯蒂回归模型输出历史风险订单的概率，θ＝[θ1,θ2,...,θn]是历史订单的每个类型的订单特征对应的初始特征参数。
[0090]
在本发明一些实施例中，步骤202包括：将每个类型的订单特征的特征值输入预设的初始风险预测模型建立初始风险预测模型对应的每个类型的联合概率分布函数其中yi＝1表示的是历史订单是历史风险订单。
[0091]
203，基于梯度下降，对初始风险预测模型的初始特征参数进行更新，并在每一次更新初始特征参数时，计算联合概率分布函数的值。
[0092]
在本发明一些实施例中，可以对每个类型的联合概率分布函数进行似然估计，得到每个类型的联合概率分布函数的似然函数，基于梯度下降法更新初始风险预测模型的初始特征参数，对联合概率分布函数进行极大似然估计，并且在初始特征参数每一轮迭代更新时，计算每个类型的联合概率分布函数的值。其中，似然函数表示初始风险预测模型中每个类型的初始特征参数是该类型的特征参数的概率。具体地，包括：对每个类型的联合概率分布函数进行似然估计，得到联合概率分布函数的似然函数取联合概率分布函数的似然函数的对数，得到初始风险预测模型的目标损失函数求解目标损失对初始特征参数的偏导，通过梯度下降法持续迭代更新求解求偏导后的目标损失的最小值，对初始风险预测模型的初始特征参数进行更新初始特征参数，并在每一次更新初始特征参数时，计算联合概率分布函数的值。其中，α是学习速率，n是历史订单的数量。
[0093]
在本发明一些实施例中，计算联合概率分布函数的值可以是计算联合概率分布函数的似然函数的值。
[0094]
204，在联合概率分布函数的值达到预设收敛条件时，得到已训练的风险预测模型，以及每个类型的特征参数。
[0095]
在本发明一些实施例中，预设收敛条件包括联合概率分布函数的值达到极大值和持续迭代次数达到预设次数中的至少一种。
[0096]
在本发明一些实施例中，为了降低训练过程中的计算量，可以通过计算损失值，根据损失值确定联合概率分布函数的值是否达到极大值，具体地，通过梯度下降法按照求解相邻两轮更新后的初始特征参数之间的损失值如果损失值小于或等于预设损失阈值，说明联合概率分布函数的似然函数的值取得极大值，则联合概率分布函数的值达到预设收敛条件；如果损失值大于预设损失阈值，获取持续迭代次数，如果持续迭代次数达到预
设次数，则联合概率分布函数的值达到预设收敛条件；如果持续迭代次数未达到预设次数，则继续通过梯度下降法持续迭代更新并确定相邻两轮更新后的初始特征参数之间的损失值是否小于或等于预设损失阈值。在本发明一些实施例中，若联合概率分布函数的值达到预设收敛条件，则停止初始风险预测模型的训练，根据当前得到更新后的特征参数将更新后的特征参数中的设置为每个类型对应的特征参数，并将每个类型对应的特征参数输入初始风险预测模型得到已训练的风险预测模型。在本发明一些实施例中，预设损失阈值可以设置为0.001。
[0097]
205，将每个类型与该类型对应的特征参数进行关联，得到预设的模型参数数据。
[0098]
本发明实施例通过逻辑回归模型建立预设的初始风险预测模型，并通过梯度下降法估计初始风险预测模型中的特征参数，得到每个类型对应的特征参数，得到已训练的风险预测模型，并将每个类型与该类型对应的特征参数进行关联得到预设的模型参数数据，通过历史订单作为训练的样本数据，提高风险预测模型的预测准确度，提高后续的物品风险程度值的可信度。
[0099]
在本发明一些实施例中，在获取到已训练的风险预测模型以及预设的模型参数数据之后，根据目标订单中各订单特征的类型，针对每个订单特征，根据该订单特征的类型，在模型参数数据中查找与该订单特征的类型相同的目标类型，将目标类型对应的特征参数设置为该订单特征对应的目标特征参数。其中，订单特征的类型包括物品类型、运输类型、地址信息和人员信息，即根据目标订单的物品类型、运输类型、地址信息和人员信息从预设的模型参数数据获取物品类型对应的目标特征参数、运输类型对应的目标特征参数、地址信息对应的目标特征参数以及人员信息对应的目标特征参数。
[0100]
在本发明一些实施例中，在获取订单特征对应的目标特征参数之后，根据步骤103获取各订单特征对应的特征值，将各订单特征对应的目标特征参数和各订单特征对应的特征值输入已训练的风险预测模型进行计算，得到目标订单的对应的物品风险程度值；并将物品风险程度值与预设阈值进行比较，若物品风险程度值大于或等于预设阈值，说明目标订单对应的物品可能为风险物品，则目标订单为风险订单；若物品风险程度值小于预设阈值，说明目标订单对应的物品可能不是风险物品，则目标订单为正常订单。
[0101]
在本发明一些实施例中，为了提高风险订单的识别准确度，可以获取历史订单的物品风险程度值，设置不同的阈值，将各历史订单的物品风险程度值与各阈值进行比较，得到各历史订单的检测结果，以及根据历史订单的核验结果，计算每一个阈值对应的查全率，建立查全率与阈值的关系数据，获取预设的查全率，根据查全率与阈值的关系数据确定得到预设阈值。具体地，建立查全率与阈值的关系数据的步骤包括b1～b3：
[0102]
步骤b1，在不同的阈值下，根据历史订单的物品风险程度值，得到历史订单的检测结果。
[0103]
在本发明一些实施例中，可以设置多个不同的阈值，获取历史订单的物品风险程度值，将历史订单的物品风险程度值分别与每一个阈值进行比较，得到每一个阈值下，历史
订单的检测结果，并统计每一个阈值下历史订单的检测结果为风险订单的数量，以及统计每一个阈值下历史订单的检测结果为正常订单的数量。
[0104]
步骤b2，针对每个阈值，根据历史订单的检测结果以及核验结果，确定得到该阈值对应的查全率。
[0105]
其中，核验结果通过对历史订单的检测结果进行核验得到的，核验结果包括表征为正常和表征为风险。查全率指的是所有风险物品对应的订单中预测为风险订单的比例。
[0106]
在本发明一些实施例中，可以获取每一个阈值下历史订单的检测结果为正常订单的核验结果，统计每一个阈值下历史订单的检测结果为正常订单、但核验结果表征为风险的订单数量fn，统计每一个阈值下历史订单的检测结果为正常订单、且核验结果表征为正常的订单数量tn；获取每一个阈值下历史订单的检测结果为风险订单的核验结果，统计每一个阈值下历史订单的检测结果为风险订单、且核验结果表征为风险的订单数量tp，统计每一个阈值下历史订单的检测结果为风险订单、但核验结果表征为正常的订单数量fp，通过tp/(tp+fn)计算每一个阈值下历史订单的风险订单识别的查全率。
[0107]
步骤b3，根据每个阈值以及每个阈值对应的查全率，建立查全率与阈值的关系数据。
[0108]
在计算得到每个阈值下历史订单的风险订单识别的查全率后，将每个阈值以及每个阈值对应的查全率关联，建立查全率与阈值的关系数据，如图3所示，图3是本发明实施例提供的查全率与阈值的关系数据的一个示意，图3中，横轴表示不同的阈值，竖轴表示每一个阈值对应的查全率。
[0109]
在本发明一些实施例中，为了进一步提高订单识别的准确度，可以根据终端返回的订单核验结果对历史订单数据中的人员风险概率和地址风险概率进行调整，更新历史订单数据得到新的历史订单数据后，获取新的历史订单数据，根据新的历史订单数据中历史订单对应的新的订单特征按照步骤201～205中的方法对模型参数数据中每个类型对应的特征参数进行更新，并更新风险预测模型，以提高风险预测模型预测物品风险程度值的精准率。
[0110]
如图4所示，图4是本发明实施例提供的订单识别方法中更新历史订单数据的一个实施例流程示意图。
[0111]
在本发明一些实施例中，发送风险订单至终端，接收终端发送的订单核验结果，当订单核验结果表征为风险时，统计历史风险订单的数量，根据历史风险订单的数量对历史订单数据中的人员风险概率和地址风险概率进行调整，更新历史订单数据得到新的历史订单数据。具体地，更新历史订单数据的方法包括步骤401～403：
[0112]
401，发送目标订单至终端，接收终端发送的订单核验结果。
[0113]
在本发明一些实施例中，订单识别设备发送风险订单至终端，终端调用该终端的摄像头扫描待识别的订单，读取该订单的订单号，根据订单号与接收到的目标订单的目标订单号进行匹配，如果接收到的目标订单存在与该订单的订单号相同的目标订单号，说明该订单对应的物品可能为风险物品，终端则输出提示信息，提示终端对应的收派件人员对该订单对应的快件进行开箱查看，以对该订单进行订单核验；终端接收收派件人员输入的订单核验结果，并将该订单与该订单对应的订单核验结果发送至订单识别设备。
[0114]
在本发明一些实施例中，订单识别设备接收终端发送的订单核验结果后，将目标
订单作为新的历史风险订单，更新历史订单数量和历史风险订单数量。
[0115]
在本发明一些实施例中，订单核验结果可以是文字、数字、字符中的至少一种，可以预先设置订单核验结果与表征结果之间的映射关系，当订单识别设备接收到订单核验结果时，根据订单核验结果中文字、数字、字符中的至少一种，预先设置订单核验结果与表征结果之间的映射关系，确定风险订单的订单核验结果是否表征为风险。其中，预先设置订单核验结果与表征结果之间的映射关系用于指示订单核验结果与对应的表征结果之间的映射关系，其中表征结果包括风险和正常。例如，当订单核验结果为“y”时，订单核验结果表征为风险，当订单核验结果为“n”时，订单核验结果表征为正常；当订单核验结果为“1”时，订单核验结果表征为风险，当订单核验结果为“0”时，订单核验结果表征为正常。需要说明的是，上述订单核验结果仅为示例性说明，不构成对本发明实施例提供的订单核验结果的限定。
[0116]
402，根据目标订单中包括的人员信息获取该人员信息对应的历史风险订单的数量，根据人员信息对应的历史风险订单的数量和目标订单的订单核验结果，对人员信息对应的人员风险概率进行调整。
[0117]
历史风险订单的数量包括：历史订单中所有订单核验结果表征为风险的订单的数量和历史订单中所有订单核验结果表征为正常的订单的数量。
[0118]
在本发明一些实施例中，可以获取目标订单中包括的人员信息，获取该人员信息对应的历史风险订单的数量；若目标订单的订单核验结果表征为风险，则获取该人员信息对应的历史风险订单的数量中的所有订单核验结果表征为风险的订单的数量，获取历史订单中该人员信息对应的订单总数量，计算历史风险订单的数量中的所有订单核验结果表征为风险的订单的数量与该人员信息对应的订单总数量之间的比值，得到新的人员风险概率，将人员信息对应的人员风险概率调整为新的人员风险概率，即当目标订单的订单核验结果表征为风险时，提升人员信息对应的人员风险概率。
[0119]
在本发明一些实施例中，可以获取目标订单中包括的人员信息，获取该人员信息对应的历史风险订单的数量；若目标订单的订单核验结果表征为正常，则获取该人员信息对应的历史风险订单的数量中的所有订单核验结果表征为正常的订单的数量，获取历史订单中该人员信息对应的订单总数量，计算历史风险订单的数量中的所有订单核验结果表征为正常的订单的数量与该人员信息对应的订单总数量之间的比值，得到新的人员风险概率，将人员信息对应的人员风险概率调整为新的人员风险概率，即当目标订单的订单核验结果表征为风险时，降低人员信息对应的人员风险概率。
[0120]
在本发明一些实施例中，还可以当目标订单的订单核验结果表征为正常时，不对人员信息对应的人员风险概率进行调整。
[0121]
在本发明一些实施例中，根据目标订单中包括的人员信息获取该人员信息对应的历史风险订单的数量包括：获取历史订单中所有的历史风险订单，获取所有历史风险订单的历史人员信息，统计所有历史风险订单的历史人员信息中与目标订单的人员信息相同的订单数量，将该订单数量设置该人员信息对应的历史风险订单的数量。统计所有历史风险订单的历史人员信息中与目标订单的人员信息相同的历史风险订单的订单核验结果表征为风险的订单数量，将该订单数量设置为历史订单中所有订单核验结果表征为风险的订单的数量；计算该人员信息对应的历史风险订单的数量与该订单数量设置为历史订单中所有
订单核验结果表征为风险的订单的数量之间的差值，将该差值设置为历史订单中所有订单核验结果表征为正常的订单的数量。
[0122]
在本发明一些实施例中，由于人员信息包括收件人信息和寄件人信息，因此分别对历史风险订单的历史收件人信息和历史寄件人信息进行统计，得到历史风险订单的历史收件人信息中与目标订单的收件人信息相同的收件订单数量，以及得到历史风险订单的历史寄件人信息中与目标订单寄件人信息相同的寄件订单数量，获取历史订单中该收件人信息对应的收件订单总数量，获取历史订单中该寄件人信息对应的寄件订单总数量，计算收件订单数量与收件订单总数量之间的比值，得到新的收件人风险概率，计算寄件订单数量与寄件订单总数量之间的比值，得到新的寄件人风险概率。
[0123]
在本发明一些实施例中，还可以根据人员信息，获取历史订单中的历史风险订单，获取历史风险订单的历史人员信息，统计历史风险订单的历史人员信息中与目标订单的人员信息相同的订单数量，将该订单数量设置为人员信息对应的历史风险订单的数量，获取历史订单中订单总数量，计算人员信息对应的历史风险订单的数量占订单总数量的比率，得到新的人员风险概率，将人员信息对应的人员风险概率调整为新的人员风险概率。
[0124]
在本发明一些实施例中，由于人员信息包括收件人信息和寄件人信息，因此分别对历史风险订单的历史收件人信息和历史寄件人信息进行统计，得到历史风险订单的历史收件人信息中与目标订单的收件人信息相同的收件订单数量，以及得到历史风险订单的历史寄件人信息中与目标订单寄件人信息相同的寄件订单数量，统计历史订单中总收件订单数量，统计历史订单中总寄件订单数量，计算收件订单数量占总收件订单数量的比率，得到新的收件人风险概率，计算寄件订单数量占总寄件订单数量的比率，得到新的寄件人风险概率。
[0125]
403，根据目标订单中包括的地址信息，获取该地址信息对应的历史风险订单的数量，根据该地址信息对应的历史风险订单的数量和目标订单的订单核验结果对地址信息对应的地址风险概率进行调整。
[0126]
在本发明一些实施例中，与人员风险概率的调整方式相似，可以统计历史订单中地址信息对应的历史风险订单的数量，当订单核验结果表征为风险时，根据历史订单中地址信息对应的表征为风险的历史风险订单的数量对地址信息对应的地址风险概率进行调整。
[0127]
在本发明一些实施例中，由于地址信息包括订单收货地址和订单发货地址，因此可以按照步骤402中寄件人风险概率调整方式和收件人风险概率调整方式，调整订单发货地址风险概率和订单收货地址风险概率。
[0128]
在本发明一些实施例中，终端可以将一段时间内多个目标订单的订单核验结果发送至订单识别设备，订单识别设备根据多个目标订单的订单核验结果，按照步骤402～403对多个目标订单中订单核验结果表征为风险的目标风险订单的人员风险概率和地址风险概率进行调整，根据调整后的人员风险概率和调整后的地址风险概率，得到新的历史订单数据。
[0129]
在本发明一些实施例中，将调整后的人员风险概率和调整后的地址风险概率写入历史订单数据，将历史订单数据中调整后的人员风险概率对应的人员信息的人员风险概率替换为调整后的人员风险概率，将历史订单数据中调整后的地址风险概率对应的地址信息
的地址风险概率替换为调整后的地址风险概率，得到新的历史订单数据。
[0130]
在本发明一些实施例中，为了提高订单识别方法的识别效率和识别结果的时效性，可以基于实时计算框架进行订单识别方法。其中，实时计算框架的结构示意图如图5所示，图5是本发明实施例提供的订单识别方法中实时计算框架的一个实施例结构示意图，其中，实时计算框架可以是基于spark的计算框架。所示的实时计算框架包括数据模块501、实时计算模块502和终端模块503。实时计算模块502分别与数据模块501和终端模块503连接，实时计算模块502用于获取数据模块501输入的待识别的目标订单以及目标订单对应的订单特征，并根据预设的模型参数数据，得到各订单特征对应的目标特征参数，根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值，根据物品风险程度值，检测目标订单是否为风险订单，并将风险订单发送至终端模块503，以使终端模块503进行订单核验，接收终端模块503返回的订单核验结果，发送订单核验结果至数据模块501，数据模块501根据订单核验结果调整历史订单数据。
[0131]
其中，数据模块501包括目标订单单元和历史订单单元，目标订单单元接收实时产生的目标订单，历史订单单元用于存放历史订单数据。在本发明一些实施例中，为了提高订单识别的数据处理量，数据模块501中的目标订单单元每间隔预设时间窗口采集一批目标订单，将该批次的目标订单输入实时计算模块502进行批量处理，实时计算模块502处理该批次的目标订单后再处理下一批次的目标订单。
[0132]
在本发明一些实施例中，考虑到实时计算模块502在获取目标订单后，需要访问数据模块501查询历史订单数据获取该目标订单对应的人员风险概率和地址风险概率，这将增加订单识别的时间，不利于订单识别的实时计算，因此数据模块501将历史订单数据以广播的形式广播至实时计算模块502中，实时计算模块502接收到一批目标订单后，查询实时计算模块502中存储的历史订单数据确定该批次的目标订单中各目标订单对应的订单特征，提高了订单识别的效率。
[0133]
在本发明一些实施例中，为了提高订单识别方法检测结果的准确度，数据模块501间隔预设时间根据终端模块503返回的订单核验结果更新历史订单数据，并将更新后的历史订单数据以定期广播的形式广播至实时计算模块502中。本发明实施例对预设时间不作限定，例如预设时间可以是24小时、48小时或72小时。
[0134]
在本发明一些实施例中，为了进一步提高订单识别的效率，可以设置多个实时计算模块502，多个实时计算模块502可以同时对同一批次中不同的目标订单进行并行处理，以降低订单识别的时间。在本发明一些实施例中，多个实时计算模块502可以分别处理不同批次的目标订单，提高订单识别的数据处理量。
[0135]
在本发明一些实施例中，为了确保订单识别的正常处理，在实时计算框架进行订单识别时，监测实时计算框架的性能指标，根据性能指标调整实时计算框架。其中，性能指标包括但不限于目标订单接收率、计划延迟时间和处理时长，其中，目标订单接收率指的是实时计算框架的平均每分钟的接收量，目标订单接收率用于量化实时计算框架的数据处理量，计划延迟时间指的是实时计算模块502对下一批次目标订单进行订单识别的实际处理时刻与实时计算模块502对下一批次目标订单进行订单识别的计算处理时刻之间的时间差，用于量化实时计算模块502的计算效率，处理时长指的是实时计算模块502对一批目标订单的订单识别时长，用于量化实时计算模块502的计算性能。
[0136]
在本发明一些实施例中，根据性能指标调整实时计算框架包括：当监测到目标订单接收率小于预测接收率、计划延迟时间大于预设延迟时间和处理时长大于预设处理时长阈值中至少一种时，则可以通过增加实时计算模块502、降低预设时间窗口的数值中至少一种调整方式，提高实时计算框架的性能。
[0137]
为了更好说明本发明实施例提供的订单识别方法，在订单识别方法实施例基础上，本发明实施例提供一种订单识别装置，如图6所示，图6是本发明实施例提供的订单识别装置的一个实施例结构示意图，所示的订单识别装置包括：
[0138]
订单模块601，用于获取目标订单以及目标订单对应的订单特征；
[0139]
计算模块602，用于根据预设的模型参数数据，得到各订单特征对应的目标特征参数，模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；
[0140]
预测模块603，用于根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值；
[0141]
识别模块604，根据物品风险程度值，检测目标订单是否为风险订单。
[0142]
在本发明一些实施例中，计算模块602还包括：
[0143]
确定各订单特征的类型；
[0144]
针对每个订单特征，根据该订单特征的类型，在模型参数数据中查找与该订单特征的类型相同的目标类型，将目标类型对应的特征参数设置为该订单特征对应的目标特征参数。
[0145]
在本发明一些实施例中，预测模块603还包括：
[0146]
获取各订单特征对应的特征值；
[0147]
根据各订单特征对应的目标特征参数和各订单特征对应的特征值，采用已训练的风险预测模型计算目标订单的风险概率值，将风险概率值设置未目标订单对应的物品风险程度值。
[0148]
在本发明一些实施例中，订单特征包括物品类型、运输类型、地址信息、人员信息；
[0149]
预测模块603还包括：
[0150]
根据物品类型查询预设物品类型与数值的关系数据，得到物品类型对应的目标数值，将物品类型对应的目标数值设置为物品类型对应的特征值；
[0151]
根据运输类型查询预设物品类型与数值的关系数据，得到运输类型对应的目标数值，将运输类型对应的目标数值设置为运输类型对应的特征值；
[0152]
根据地址信息查询预设的历史订单数据，得到地址信息对应的地址风险概率，将地址风险概率设置为地址信息对应的特征值，历史订单数据包括多个人员信息和多个地址信息，以及各人员信息对应的人员风险概率、各地址信息对应的地址风险概率；
[0153]
根据人员信息查询预设的历史订单数据，得到人员信息对应的人员风险概率，将人员风险概率设置为所述人员信息对应的特征值。
[0154]
在本发明一些实施例中，订单识别装置还包括：
[0155]
获取历史订单的每个类型的订单特征的特征值；
[0156]
将每个类型的订单特征的特征值输入预设的初始风险预测模型，建立初始风险预测模型对应的联合概率分布函数；初始风险预测模型中包括每个类型的订单特征对应的初
始特征参数；
[0157]
基于梯度下降，对初始风险预测模型的初始特征参数进行更新，并在每一次更新初始特征参数时，计算联合概率分布函数的值；
[0158]
在联合概率分布函数的值达到预设收敛条件时，得到已训练的模型，以及每个类型的特征参数；
[0159]
将每个类型与该类型对应的特征参数进行关联，得到预设的模型参数数据。
[0160]
在本发明一些实施例中，识别模块604，还包括：
[0161]
将物品风险程度值与预设阈值进行比较；
[0162]
若物品风险程度值大于或等于预设阈值，则目标订单为风险订单。
[0163]
在本发明一些实施例中，订单识别装置还包括：
[0164]
在不同的阈值下，根据历史订单的物品风险程度值，得到历史订单的检测结果；
[0165]
针对每个阈值，根据历史订单的检测结果以及核验结果，确定得到该阈值对应的查全率，核验结果通过对历史订单的检测结果进行核验得到的；
[0166]
根据每个阈值以及每个阈值对应的查全率，建立查全率与阈值的关系数据；
[0167]
根据预设的目标查全率，从关系数据中确定得到预设阈值。
[0168]
在本发明一些实施例中，订单识别装置还包括：
[0169]
发送风险订单至终端，接收终端发送的订单核验结果；
[0170]
根据目标订单中包括的人员信息，获取该人员信息对应的历史风险订单的数量，根据人员信息对应的历史风险订单的数量和目标订单的订单核验结果，对人员信息对应的人员风险概率进行调整；
[0171]
根据目标订单中包括的地址信息，获取该地址信息对应的历史风险订单的数量，根据该地址信息对应的历史风险订单的数量和目标订单的订单核验结果，对地址信息对应的地址风险概率进行调整。
[0172]
本发明实施例，在订单生成阶段，通过目标订单获取订单特征，根据预设的模型参数数据，得到各订单特征对应的目标特征参数，计算得到物品风险程度值，给出订单对应的物品的风险程度概率，提高了订单对应的高风险物品识别的时效性，并且本发明实施例根据各物品风险程度值检测目标订单是否为风险订单，通过各物品风险程度值降低高风险物品识别随机性。
[0173]
本发明实施例还提供一种订单识别设备，如图7所示，其示出了本发明实施例所涉及的订单识别设备的结构示意图，具体来讲：
[0174]
该订单识别设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的订单识别设备结构并不构成对订单识别设备的限定，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：
[0175]
处理器701是该订单识别设备的控制中心，利用各种接口和线路连接整个订单识别设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行订单识别设备的各种功能和处理数据，从而对订单识别设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701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701中。
[0176]
存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702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702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订单识别设备的使用所创建的数据等。此外，存储器702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702还可以包括存储器控制器，以提供处理器701对存储器702的访问。
[0177]
订单识别设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701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703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。
[0178]
该订单识别设备还可包括输入单元704，该输入单元704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。
[0179]
尽管未示出，订单识别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，订单识别设备中的处理器701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702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能，如下：
[0180]
获取待识别的目标订单以及目标订单对应的订单特征；
[0181]
根据预设的模型参数数据，得到各订单特征对应的目标特征参数；模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；
[0182]
根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值；
[0183]
根据物品风险程度值，检测目标订单是否为风险订单。
[0184]
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可读存储介质中，并由处理器进行加载和执行。
[0185]
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种订单识别方法中的步骤。例如，该指令可以执行如下步骤：
[0186]
获取待识别的目标订单以及目标订单对应的订单特征；
[0187]
根据预设的模型参数数据，得到各订单特征对应的目标特征参数；模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；
[0188]
根据各订单特征和各订单特征对应的目标特征参数，得到目标订单对应的物品风险程度值；
[0189]
根据物品风险程度值，检测目标订单是否为风险订单。
[0190]
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。
[0191]
其中，该存储介质可以包括：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。
[0192]
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种订单识别方法中的步骤，因此，可以实现本发明实施例所提供的任一种订单识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
[0193]
以上对本发明实施例所提供的一种订单识别方法、装置、设备和存储介质进行了详细介绍，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。

技术特征：
1.一种订单识别方法，其特征在于，所述方法包括：获取待识别的目标订单以及所述目标订单对应的订单特征；根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数；所述模型参数数据包括每个类型的订单特征与该类型的订单特征对应的特征参数，所述特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值；根据所述物品风险程度值，检测所述目标订单是否为风险订单。2.如权利要求1所述的订单识别方法，其特征在于，所述根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数包括：确定各所述订单特征的类型；针对每个所述订单特征，根据该订单特征的类型，在所述模型参数数据中查找与该订单特征的类型相同的目标类型，将所述目标类型对应的特征参数设置为该订单特征对应的目标特征参数。3.如权利要求1所述的订单识别方法，其特征在于，所述根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值包括：获取各所述订单特征对应的特征值；根据各所述订单特征对应的目标特征参数和各所述订单特征对应的特征值，采用已训练的风险预测模型计算所述目标订单的风险概率值，将所述风险概率值设置为所述目标订单对应的物品风险程度值。4.如权利要求3所述的订单识别方法，其特征在于，所述订单特征包括物品类型、运输类型、地址信息、人员信息；所述获取各所述订单特征对应的特征值包括：根据所述物品类型查询预设物品类型与数值的关系数据，得到所述物品类型对应的目标数值，将所述物品类型对应的目标数值设置为所述物品类型对应的特征值；根据所述运输类型查询预设物品类型与数值的关系数据，得到所述运输类型对应的目标数值，将所述运输类型对应的目标数值设置为所述运输类型对应的特征值；根据所述地址信息查询预设的历史订单数据，得到所述地址信息对应的地址风险概率，将所述地址风险概率设置为所述地址信息对应的特征值，所述历史订单数据包括多个人员信息和多个地址信息，以及各所述人员信息对应的人员风险概率、各所述地址信息对应的地址风险概率；根据所述人员信息查询所述预设的历史订单数据，得到所述人员信息对应的人员风险概率，将所述人员风险概率设置为所述人员信息对应的特征值。5.如权利要求1至4任一项所述的订单识别方法，其特征在于，所述根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数步骤之前，所述方法包括：获取历史订单的每个类型的订单特征的特征值；将所述历史订单的每个类型的订单特征的特征值输入预设的初始风险预测模型，建立所述初始风险预测模型对应的联合概率分布函数；所述初始风险预测模型中包括每个类型的订单特征对应的初始特征参数；
基于梯度下降，对所述初始风险预测模型的初始特征参数进行更新，并在每一次更新所述初始特征参数时，计算所述联合概率分布函数的值；在所述联合概率分布函数的值达到预设收敛条件时，得到已训练的风险预测模型，以及每个类型的特征参数；将每个类型与该类型对应的特征参数进行关联，得到预设的模型参数数据。6.如权利要求1所述的订单识别方法，其特征在于，所述根据所述物品风险程度值，确定所述目标订单是否为风险订单包括：将所述物品风险程度值与预设阈值进行比较；若所述物品风险程度值大于或等于所述预设阈值，则所述目标订单为风险订单。7.如权利要求6所述的订单识别方法，其特征在于，所述将所述物品风险程度值与预设阈值进行比较步骤之前，所述方法包括：在不同的阈值下，根据所述历史订单的物品风险程度值，得到所述历史订单的检测结果；针对每个所述阈值，根据所述历史订单的检测结果以及核验结果，确定得到该阈值对应的查全率，所述核验结果通过对所述历史订单的检测结果进行核验得到的；根据每个所述阈值以及每个所述阈值对应的查全率，建立查全率与阈值的关系数据；根据预设的目标查全率，从所述关系数据中确定得到预设阈值。8.如权利要求6所述的订单识别方法，其特征在于，所述若所述物品风险程度值大于或等于所述预设阈值，则所述目标订单为风险订单之后，所述方法包括：发送所述目标订单至终端，接收终端发送的订单核验结果；根据所述目标订单中包括的人员信息，获取该人员信息对应的历史风险订单的数量，根据所述人员信息对应的历史风险订单的数量和所述目标订单的订单核验结果，对所述人员信息对应的人员风险概率进行调整；根据所述目标订单中包括的地址信息，获取该地址信息对应的历史风险订单的数量，根据该地址信息对应的历史风险订单的数量和所述目标订单的订单核验结果，对所述地址信息对应的地址风险概率进行调整。9.一种订单识别装置，其特征在于，所述订单识别装置包括：订单模块，用于获取目标订单以及所述目标订单对应的订单特征；计算模块，用于根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数，所述模型参数数据包括每个类型的订单特征与该类型订单特征对应的特征参数，所述特征参数通过历史订单的每个类型的订单特征，构建联合概率分布函数得到；预测模块，用于根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值；识别模块，根据所述物品风险程度值，检测所述目标订单是否为风险订单。10.一种订单识别设备，其特征在于，所述订单识别设备包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至8任一项所述的订单识别方法中的操作。11.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至8任一项所述的订单识别方法中的步骤。

技术总结
本发明公开了一种订单识别方法、装置、设备和存储介质，其中方法包括：获取待识别的目标订单以及所述目标订单对应的订单特征，根据预设的模型参数数据，得到各所述订单特征对应的目标特征参数，根据各所述订单特征和各所述订单特征对应的目标特征参数，得到所述目标订单对应的物品风险程度值，根据所述物品风险程度值，检测所述目标订单是否为风险订单；在订单生成阶段，根据订单特征和预设的模型参数数据计算得到物品风险程度值，给出订单对应的物品的风险程度概率，提高了订单对应的高风险物品识别的时效性，并且本发明实施例根据各物品风险程度值检测所述目标订单是否为风险订单，通过各物品风险程度值降低高风险物品识别随机性。机性。机性。


技术研发人员：聂仁桐 李磊 黎碧君 冯钰 张莹莹
受保护的技术使用者：顺丰科技有限公司
技术研发日：2022.03.07
技术公布日：2023/9/20