异常检测方法、装置、设备及计算机可读存储介质与流程

本申请实施例涉及物流管理，具体涉及一种异常检测方法、装置、设备及计算机可读存储介质。

背景技术：

1、随着物流行业的快速发展以及人们需求的日益剧增，快递件量越来越大，由此产生的包装耗材的使用量也在快速增加。然而，由于包装材料核销存在场景灵活多变和信息不完善等问题，会给物流企业带来不必要的包装耗材成本。因此，对快递的包装材料核销的异常检测是有必要的，能够及时降低企业的包装材料核销的成本。

2、目前对包装材料核销的异常检测通常是设定核销阈值的方式来实现。然而，这样的异常检测方式所得到的检测结果不够准确，往往会产生误判，影响后续降低成本的效果。

技术实现思路

1、本申请实施例提供一种异常检测方法、装置、设备及计算机可读存储介质，旨在解决现有对包装材料核销的异常检测方法还存在的检测结构不够准确的问题。

2、一方面，本申请实施例提供一种异常检测方法，包括：

3、获取待检测对象的包材核销率与历史核销率序列，以及所述包材核销率对应的运单信息；

4、将所述历史核销率序列输入至预设的时序异常预测模型，输出第一预测核销率；

5、将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率；

6、根据所述包材核销率、所述第一预测核销率以及所述第二预测核销率，确定所述待检测对象的包材核销的异常检测结果。

7、作为本申请的另一可选实施例，所述将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率之前，所述方法包括：

8、获取样本核销率序列，以及所述样本核销率序列对应的样本运单信息；

9、将所述样本核销率序列输入至所述时序异常预测模型，输出风险核销率；

10、根据所述风险核销率和所述样本运单信息，对预设的初始网络模型进行训练，得到已训练的神经网络模型。

11、作为本申请的另一可选实施例，所述根据所述风险核销率和所述样本运单信息，对预设的初始网络模型进行训练，得到已训练的神经网络模型，包括：

12、将所述样本运单信息输入至预设的初始网络模型，得到训练核销率；

13、计算所述风险核销率与所述样本核销率序列对应的标签核销率之间的差值，得到残差核销率；

14、根据所述训练核销率与所述残差核销率之间的差值对所述初始网络模型中的参数进行更新，得到更新后的网络模型；

15、直至将所述样本运单信息输入至更新后的网络模型得到的更新后的训练核销率满足预设要求时，将所述更新后的网络模型确定为已训练的神经网络模型。

16、作为本申请的另一可选实施例，所述根据所述风险核销率和所述样本运单信息，对预设的初始网络模型进行训练，得到已训练的神经网络模型之后，所述方法包括：

17、将所述已训练的神经网络模型和所述样本核销率序列对应的对象类型关联存储在预设数据库中；

18、所述将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率，包括：

19、根据所述待检测对象的目标对象类型查询预设数据库，得到与所述目标对象类型关联存储的关联网络模型；

20、将所述运单信息输入至所述关联网络模型，输出第二预测核销率。

21、作为本申请的另一可选实施例，所述将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率，包括：

22、根据所述运单信息中的快递属性信息生成第一特征向量；所述快递属性信息至少包括快递种类、快递体积、快递重量中的至少一种；

23、根据所述运单信息中的地址信息生成第二特征向量；

24、将所述第一特征向量和所述第二特征向量输入至已训练的神经网络模型，输出第二预测核销率。

25、作为本申请的另一可选实施例，所述获取待检测对象的包材核销率与历史核销率序列，以及所述包材核销率对应的运单信息之前，所述方法包括：

26、获取预设检测对象对应的历史运单信息；

27、对所述历史运单信息中的包装人员信息进行统计，得到所述预设检测对象对应各包装人员的频次信息；

28、根据所述频次信息从所述预设检测对象中筛选出待检测对象。

29、作为本申请的另一可选实施例，所述根据所述包材核销率、所述第一预测核销率以及所述第二预测核销率，确定所述待检测对象的包材核销的异常检测结果，包括：

30、根据所述待检测对象的对象类型信息对应的权重，对所述第一预测核销率和所述第二预测核销率进行加权，得到最终预测核销率；

31、根据所述包材核销率和所述最终预测核销率的大小关系，确定所述待检测对象的包材核销的异常检测结果。

32、另一方面，本申请实施例还提供一种异常检测装置，包括：

33、获取模块，用于获取待检测对象的包材核销率与历史核销率序列，以及所述包材核销率对应的运单信息；

34、第一预测模块，用于将所述历史核销率序列输入至预设的时序异常预测模型，输出第一预测核销率；

35、第二预测模块，用于将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率；

36、检测模块，用于根据所述包材核销率、所述第一预测核销率以及所述第二预测核销率，确定所述待检测对象的包材核销的异常检测结果。

37、另一方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的异常检测方法中的步骤。

38、另一方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述的异常检测方法中的步骤。

39、本申请实施例提供的异常检测方法，通过提取待检测对象的历史核销率序列以及运单信息，并利用时序异常预测模型对历史核销率序列进行预测，充分考虑了包材核销率的趋势性，同时采用神经网络模型进一步提取运单信息中的高维特征，充分考虑了包材核销率和运单之间的隐含关联关系，最终综合两方面的角度来确定包材核销的异常检测结果，保证了异常检测结果的准确率。

技术特征：

1.一种异常检测方法，其特征在于，包括：

2.根据权利要求1所述的异常检测方法，其特征在于，所述将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率之前，所述方法包括：

3.根据权利要求2所述的异常检测方法，其特征在于，所述根据所述风险核销率和所述样本运单信息，对预设的初始网络模型进行训练，得到已训练的神经网络模型，包括：

4.根据权利要求2所述的异常检测方法，其特征在于，所述根据所述风险核销率和所述样本运单信息，对预设的初始网络模型进行训练，得到已训练的神经网络模型之后，所述方法包括：

5.根据权利要求1所述的异常检测方法，其特征在于，所述将所述运单信息输入至已训练的神经网络模型，输出第二预测核销率，包括：

6.根据权利要求1所述的异常检测方法，其特征在于，所述获取待检测对象的包材核销率与历史核销率序列，以及所述包材核销率对应的运单信息之前，所述方法包括：

7.根据权利要求1～6任一项所述的异常检测方法，其特征在于，所述根据所述包材核销率、所述第一预测核销率以及所述第二预测核销率，确定所述待检测对象的包材核销的异常检测结果，包括：

8.一种异常检测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至7任一项所述的异常检测方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1至7任一项所述的异常检测方法中的步骤。

技术总结
本申请实施例提供一种异常检测方法、装置、设备及计算机可读存储介质，方法包括：获取待检测对象的包材核销率、历史核销率序列以及运单信息；将历史核销率序列输入至时序异常预测模型，输出第一预测核销率；将运单信息输入至已训练的神经网络模型，输出第二预测核销率；根据包材核销率、第一预测核销率以及第二预测核销率，确定待检测对象的包材核销的异常检测结果。本申请实施例利用时序异常预测模型对历史核销率序列进行预测，考虑了包材核销率的趋势性，同时采用神经网络模型提取运单信息中的高维特征，考虑了包材核销率和运单之间的隐含关联关系，最终综合确定包材核销的异常检测结果，保证了异常检测结果的准确率。

技术研发人员：罗嘉濠,梁健鹏,吴琼,黄美雯,仝淑雅
受保护的技术使用者：顺丰科技有限公司
技术研发日：
技术公布日：2024/4/29