一种基于物流集装箱供应链的金融风险控制方法与流程

1.本发明涉及集装箱物流风控领域，尤其涉及一种基于物流集装箱供应链的金融风险控制方法。


背景技术：

2.传统物流中信息共享程度低、交互速度慢，信息真实性与可靠性得不到保障，从而导致物流链上各参与主体难以互相信任，从而导致供应链金融风险不可控。集装箱的供应链金融风险控制模型是基于区块链及深度学习平台构建的模型，它主要是由深度学习平台训练海量订单数据，通过各项指标比较准确的预估出集装箱货物价格，并利用区块链技术的特性帮助物流链上的各参与方之间建立信任。
3.中国发明公开号cn115147208a，公开了一种基于人工智能的供应链金融信用风险评价方法，确定供应链金融信用风险的评价特征集合；获得目标风险评价数据集合；对其进行数据预处理，可将预处理后的数据作为标准样本数据集合；利用动态变异的粒子群算法得到最优支持向量机参数值，并根据其构建优化后支持向量机模型；利用集成学习算法，对优化后支持向量机模型进行训练，得到强分类器模型；将标准样本数据集合输入至强分类器模型，构建智能信用评价模型，进行后续供应链金融信用风险的评价。达到了提高供应链金融信用风险评价的准确性和精确度，进而提升供应链金融信用风险评价的质量等技术效果。
4.但上述技术至少存在如下技术问题：难以准确的估算货物价值，在针对供应链金融信用风险评价的准确性不足，进而造成供应链金融信用风险评价的效果不佳，缺乏足够的信息技术使得数据难以收集和监控，对物流链各参与方的监管造成了一定的影响。


技术实现要素：

5.本发明通过提供一种基于物流集装箱供应链的金融风险控制方法，解决了现有技术难以准确的估算货物价值，在针对供应链金融信用风险评价的准确性不足，进而造成供应链金融信用风险评价的效果不佳，缺乏足够的信息技术使得数据难以收集和监控，对物流链各参与方的监管造成了一定的影响的问题，能够准确、迅速得出货物价值，从事前、事中、事后全方面进行风险预警和控制，提高了物流集装箱供应链的金融风险控制效率。
6.本发明具体包括以下技术方案：一种基于物流集装箱供应链的金融风险控制方法，包括以下步骤：s1. 从区块链网络中获取物流集装箱供应链的金融风险数据，构建货物价值预算神经网络模型预测货物价值，获取客户实时的受控箱量，基于货物价值预算模型预算出客户的受控金额以预防风险；s2. 获取货物装箱照片，构建货物图像识别统计神经网络模型识别图像中货物的数量，建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，确定物流集装箱供应链的风险控制指标。
7.进一步，所述步骤s1具体包括：根据订单数据和货物价值表，通过深度学习算法生成货物价值预算模型。
8.进一步，所述步骤s1具体包括：构建货物价值预算神经网络模型，将订单数据输入到货物价值预算神经网络中，经过深度学习和训练，最终输出对应的货物价值；货物价值预算神经网络包括输入层、转换层、预测层和输出层。
9.进一步，所述步骤s1具体包括：通过与船公司接口对接，获取客户实时的受控箱量，将客户受控箱量的货物信息输入到货物价值预算模型中，预算出客户的受控金额以预防风险。
10.进一步，所述步骤s2具体包括：通过识别货物装箱照片，提取货物的装运方式来识别货物是否瞒报、虚报的情况。
11.进一步，所述步骤s2具体包括：构建货物图像识别统计神经网络模型，将经过预处理的货物装箱图像输入货物图像识别统计神经网络模型中，经过神经网络的深度学习，最终输出对应输入的图像中货物的数量。
12.进一步，货物图像识别统计神经网络包括输入层、卷积层、判断层、填充层、池化层、全连接层和输出层。
13.进一步，所述步骤s2具体包括：根据货物装箱照片识别统计出的货物数量与货物订单数据中填写的货物数量进行对比，若差值处于预设的阈值范围内，则货物不存在瞒报、虚报的情况，否则结合客户的实时受控箱量对客户进行风险评估，若评估得到客户信用风险较高，则在客户申请信贷借款时，判定为申请欺诈，从而拒绝发放贷款。
14.进一步，所述步骤s2具体包括：建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，标定风险场景下的预警范围，从而确定物流集装箱供应链的风险指标集合。
15.本发明至少具有如下技术效果或优点：基于区块链及深度学习平台构建物流集装箱供应链的金融风险控制模型，使用互联网平台进行集装箱货物估值，并利用区块链技术的特性帮助物流链上的各参与方之间建立信任，构建货物价值预算神经网络模型预测客户的受控金额以预防风险，可以迅速得出货物价值，不需要耗费大量的时间来对货物进行逐一预测，极大程度减少了工作量，对于多项属性的数据可以很好的进行拟合，保证货物价值预测的准确性。
16.构建货物图像识别统计神经网络模型识别图像中货物的数量，建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，打破供应链每个环节信息的孤岛壁垒，集成和优化供应链的业务流程，为用户提供数字化和自动化的供应链管理服务和金融服务，提高企业风控管理的可靠性和效率。
17.本发明的技术方案能够有效解决现有技术难以准确的估算货物价值，在针对供应链金融信用风险评价的准确性不足，进而造成供应链金融信用风险评价的效果不佳，缺乏足够的信息技术使得数据难以收集和监控，对物流链各参与方的监管造成了一定的影响的问题，能够准确、迅速得出货物价值，从事前、事中、事后全方面进行风险预警和控制，提高
了物流集装箱供应链的金融风险控制效率。
附图说明
18.图1为本发明所述的一种基于物流集装箱供应链的金融风险控制方法流程图；图2 为本发明所述的货物价值预算神经网络训练过程示意图图3 为本发明所述的货物图像识别统计神经网络模型流程图。
具体实施方式
19.本技术实施例中的技术方案为解决上述问题，总体思路如下：基于区块链及深度学习平台构建物流集装箱供应链的金融风险控制模型，使用互联网平台进行集装箱货物估值，并利用区块链技术的特性帮助物流链上的各参与方之间建立信任，构建货物价值预算神经网络模型预测客户的受控金额以预防风险，可以迅速得出货物价值，不需要耗费大量的时间来对货物进行逐一预测，极大程度减少了工作量，对于多项属性的数据可以很好的进行拟合，保证货物价值预测的准确性；构建货物图像识别统计神经网络模型识别图像中货物的数量，建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，打破供应链每个环节信息的孤岛壁垒，集成和优化供应链的业务流程，为用户提供数字化和自动化的供应链管理服务和金融服务，提高企业风控管理的可靠性和效率。
20.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
21.参照附图1，本发明所述的一种基于物流集装箱供应链的金融风险控制方法包括以下步骤：s1. 从区块链网络中获取物流集装箱供应链的金融风险数据，构建货物价值预算神经网络模型预测货物价值，获取客户实时的受控箱量，基于货物价值预算模型预算出客户的受控金额以预防风险。
22.基于区块链网络存储的信息不可被篡改、删除的特性，将各物流参与方之间涉及到的业务数据均存储于区块链网络中，帮助物流链上的各参与方之间建立信任。将物联网采集设备设置于货物的生产地点、运输设备或仓储地点中的任意可以采集数据并进行上传的地点，物联网采集设备将采集的数据上传至区块链网络。
23.物流集装箱供应链的金融风险控制系统从区块链网络中获取物流集装箱供应链的金融风险数据；所述物流集装箱供应链的金融风险数据包括订单数据、受控箱量、装箱照片等信息。
24.根据订单数据和货物价值表，通过深度学习算法生成货物价值预算模型。
25.具体的，通过现有大量订单数据的货物名称、重量、体积、柜型等属性数据，再结合配置维护的货物价值表，构建货物价值预算神经网络模型。将订单数据表示为：
26.27.其中，表示订单数据集，表示第m个订单数据的第n个属性数据，m表示订单数据的数量，n表示订单属性的数量。
28.将订单数据输入到货物价值预算神经网络中，经过深度学习和训练，最终输出对应的货物价值。所述货物价值预算神经网络包括输入层、转换层、预测层和输出层。
29.货物价值预算神经网络的输入层有n个神经元，将任意一个订单数据的n个属性数据输入到输入层，即，。输入层与转换层之间为全连接方式，则转换层的输入为：
[0030][0031]
其中，表示转换层的输入，表示输入层与转换层的连接权重，表示转换层的偏置。
[0032]
转换层基于多项式插值法，提供多项式输入在连续函数的最佳一致逼近，具体计算公式为：
[0033]
其中，表示对转换层输入数据进行标准化的结果集，，分别为转换层各输入数据分别对应的标准化结果，表示任意一个输入数据对应的标准化结果，，和分别表示转换层输入数据的最大值和最小值，表示第i个转换结果，表示转换层的输出，表示转换参数，表示点乘。转换层将计算结果传递给预测层。
[0034]
预测层的计算过程为：
[0035]
其中，表示预测层的输出，为激活函数，表示转换层与预测层的连接权重，表示预测层的偏置。预测层将计算结果传递给输出层，由输出层输出最终的货物价值预算结果，即：
[0036]
[0037]
其中，表示输出层的输出，表示预测层与输出层的连接权重，表示输出层的偏置。
[0038]
根据货物价值预算神经网络输出的货物价值预算结果与实际货物价值进行误差计算，具体公式为：
[0039]
其中，表示输出误差，表示实际货物价值，表示学习因子，表示误差评价函数，表示误差正态分布函数。用学习因子优化货物价值预算神经网络中的参数，迭代更新，直至输出误差处于预设范围内停止训练，从而得到训练完成的货物价值预算神经网络，如图2所示。
[0040]
通过与船公司接口对接，获取客户实时的受控箱量，将客户受控箱量的货物信息输入到货物价值预算模型中，预算出客户的受控金额以预防风险；所述受控箱量是指客户订舱后已经入闸还未在目的港放货的集装箱柜，此柜平台可以扣货以防风险。
[0041]
s2. 获取货物装箱照片，构建货物图像识别统计神经网络模型识别图像中货物的数量，建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，确定物流集装箱供应链的风险控制指标。
[0042]
通过识别货物装箱照片，提取货物的装运方式来识别货物是否瞒报、虚报等，所述货物的装运方式包括计件、堆积、灌注等。
[0043]
具体的，获取货物装箱照片，对货物装卸照片进行图像预处理，所述图像预处理采用现有技术。构建货物图像识别统计神经网络模型，将经过预处理的货物装箱图像输入货物图像识别统计神经网络模型中，经过神经网络的深度学习，最终输出对应输入的图像中货物的数量。
[0044]
货物图像识别统计神经网络包括输入层、卷积层、判断层、填充层、池化层、全连接层和输出层，如图3所示。
[0045]
具体的，设立货物图像识别统计神经网络的输入为，卷积层对图像进行一维卷积操作，获得图像特征向量，具体计算过程如下述公式所示：
[0046]
其中，表示图像特征向量，表示卷积操作函数，表示权重，表示偏置。卷积层将提取的图像特征向量传递给判断层，判断层根据判断规则对提取的图像特征向量进行判断，所述判断规则为：若提ss取的图像特征数量和特征分布均符合预设范围，则特征提取合格，判断层将图像特征向量传递给池化层；否则判断层向卷积层发送指令，由卷积层将图像输入数据传递给填充层，填充层对图像输入数据进行填充后，再由卷积层进行二次卷积操作。
[0047]
填充层对输入图像进行维度填充，根据填充规则增加图像维度，具体计算过程为：
[0048]
其中，为填充结果，k为卷积层在第一次卷积操作后得到的图像特征向量的数量，l为图像长度，为待填充像素位置周围有效像素的数量，表示待填充像素位置周围有效像素的像素信息总和，所述有效像素是指原图像中具有像素信息的像素。
[0049]
卷积层对填充后的图像进行二次卷积操作，具体计算过程为：
[0050]
其中，表示二次卷积操作结果，表示卷积核，，表示卷积核的数量。卷积层进行二次卷积操作后，将计算结果传递给判断层，循环迭代，直至判断层判断通过。
[0051]
池化层对图像特征向量进行降维操作，再由全连接层输出图像中的货物识别结果，最后由输出层统计货物数量。所述池化层和全连接层的计算过程均采用现有技术，本发明在此不做过多阐述。输出层输出结果后，进行误差计算，由梯度下降法对货物图像识别统计神经网络进行参数优化，从而训练得到符合输出精度的货物图像识别统计神经网络模型。
[0052]
根据货物装箱照片识别统计出的货物数量与货物订单数据中填写的货物数量进行对比，若差值处于预设的阈值范围内，则货物不存在瞒报、虚报的情况，否则结合客户的实时受控箱量对客户进行风险评估，若评估得到客户信用风险较高，则在客户申请信贷借款时，判定为申请欺诈，从而拒绝发放贷款。
[0053]
具体的，若客户存在瞒报、虚报的情况，预先设立差值等级和受控箱量等级，根据瞒报、虚报的差值和受控箱量进行等级划分，建立风险控制模型，根据差值等级、受控箱量等级和历史交易风险数据综合评估客户风险，标定风险场景下的预警范围，从而确定物流集装箱供应链的风险指标集合。
[0054]
在一个具体实施例中，设立差值等级为两级，受控箱量等级为两级，差值等级级数越大差值越大，受控箱量等级级数越大货物数量越少，并确定当前客户历史交易是否有信用风险。若差值等级为一级，对应的受控箱量等级为一级，且无历史交易信用风险，则可以发放贷款，同时发出信用预警；若差值等级和受控箱量等级均为一级，但历史交易信用风险，则发放部分贷款，并发出信用预警；若差值等级与受控箱量等级有一方为一级、一方为二级，且无历史交易信用风险，则发放部分贷款，并发出信用预警；若差值等级与受控箱量等级有一方为一级、一方为二级、有历史交易信用风险，或者差值等级和受控箱量等级均为二级，则拒绝发放贷款。
[0055]
值得注意的是，以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围
并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
[0056]
贷款发放以后，如果借款人出现付款逾期、受控箱量不足等信号，则需及时发布贷后风险预警，以便进行后续跟踪处理。
[0057]
综上所述，便完成了本发明所述的一种基于物流集装箱供应链的金融风险控制方法。
[0058]
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0059]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0060]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0061]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。