风险评价方法,基于模糊推理和DeepFM进出口货物

文摘

目前,中国的进口港口的检查模式通常是手动基于经验,或随机检查文档审查制度根据预设随机抽查比例。为了提高检测率不合格的商品,实现有限的人力和物质资源的最佳分配,检验检疫机构,由模糊推理方法,深层神经网络,分解机(DeepFM)提出了智能评价的风险来源的进口商品。模糊推理是用来实现数据集的模糊规范化样本,最后DeepFM深层神经网络用于培训和学习分类和评估货物的风险。实验测试的结果在一个特定的海关进出口数据集验证提出了研究方法的有效性。

1。介绍

国际贸易和物流的快速发展,港口报关(进口产品有更高的要求1,2]。急剧增加的贸易商品构成挑战的随机检查进出境货物被中国海关(3]。在当前阶段,中国海关部门实现对进口和出口商品检验检疫监管,为不同类型的产品是不同的。各种随机抽查比率是手动设置4]。系统随机选择货物按比例和问题检查指令集。相同类型的商品和随机检查,按比例平等对待,这是人为的,有一定的不合理因素。同时,与全球计算机智能的迅速提高和劳动力成本的逐渐上升,公司正面临需要使用电脑代替人类做出明智的决定(5,6]。这是海关机构不得不采取新的智能解决方案,解决现有问题的公平随机检查(7,8]。因此,探索建立科学、严谨、方便、高效的口岸检验模式是解决瓶颈问题的关键,瘟疫进口商品的检验检疫通关(9,10]。

因为不同的跨国邮件,不同国家的起源,和不同的发送者和接受者有不同水平的信用,检查可以基于多维风险来源数据库,如历史检验和风险预警数据,分为多高,高,中,低,更低风险的水平。其中,根据海关部门开展的调查,产品有高和相对较高的风险水平只占一小部分的进口和出口货物的总量,和大部分产品中,低,更低风险的水平。因此,现有的均匀随机部署和随机检验方法导致高风险的生化产品流入市场,和更高的检测率的风险源头的产品无法实现。

风险评估、风险分析每件货物上一批货物,和风险水平评价进行,货物风险从高到低排名11]。风险最高的人将首先进行检查,然后将检查那些有更高的风险直到货物的总数量是检查。通过这种检查方法,检查对象实现的分类管理,检验要点突出,发作率增加而检查率保持不变(12,13]。这也合理分配有限的人力和物质资源的机构,如中国检验检疫局。

使用声明和现场实际测试检验更新历史数据来分析进出口货物的风险,可以更合理地分配给资源进出口货物必须检查,实现最优的资源分配。曹(14]从模糊性和高度非线性检验检疫风险评估本身的特点;首次使用nonstatistical方法构建一个科学、合理、全面、客观的指标体系;和采用人工智能算法为基础,进一步提出了利用模糊推理。神经网络算法在特定的进口商品,进行风险评估,科学确定检查率。针对传统mine-safety-accident数据分类的费时和低效问题,刘(15)提出了一种分类方法的基础上,结合长期和短期记忆(LSTM)网络和注意力机制应用到矿山事故的分类水平。结果表明,该方法提高了分类的准确性,取得了较好的结果。的基础上建立体育用品制造业的出口风险评估系统,Cai综合使用效率系数法和主成分分析方法实现体育用品制造业的出口风险评估和确定更好的效果16]。

在目前的研究中,多维智能综合风险分析跨国邮件,有机结合传统模糊理论和深度学习,称为DeepFM。此外,对进口商品风险评估方法的基础上,提出了模糊推理和DeepFM。在预处理的基础上,大量的历史宣言和进口商品的检验数据,在这种方法中,首先选为关键字段的信息特征指数的货物风险评估根据专家的经验。然后使用模糊理论来构造一个模糊推理模型的风险评价指数特征。实现数据集的模糊规范化样本,最后DeepFM深层神经网络用于培训和学习分类和评估产品的风险和实现智能综合评价系统的进口货物的风险来源。实验测试的结果在一个特定的海关进出口数据集验证提出了研究方法的有效性。

2。相关的算法

2.1。模糊推理

一个模糊推理系统,也称为模糊系统,系统基于模糊集理论和模糊推理方法,具有处理模糊信息的能力(17]。模糊推理系统使用模糊逻辑理论作为主要计算工具,它可以实现复杂的非线性映射关系,和它的输入和输出是准确值,因此得到了广泛的应用。

在利用模糊理论作为解决方案中,首先,不合格的风险指标和比例水平计算,选择确定隶属函数,相应的推理规则制定,模糊控制器的设计完成。所有的统计值输入到模糊控制器,然后相应的风险水平是被推断出来的。

从功能的角度来看,一个模糊推理系统必须包括以下步骤18]。步骤1。完整的转换精确的模糊量。步骤2。推理模糊规则是模糊控制器的核心设计;通过模糊,模糊规则形成条件句。步骤3。实现去模糊化;即改变输出数据从一个模糊量精确的数量。

模糊条件语句通常表示如下:(1)“如果一个,那么B”(2)“如果一个,然后B;其他C”(3)“如果A和B, C”

2.2。DeepFM模型

深度学习可以确保有效信息提取和特性表达式,以及图像识别等任务的完成,时间序列预测,和文本预测。典型的深度学习网络包括,例如,卷积神经网络(cnn) [19网络(DBNs)[],很深的信仰20.递归神经网络(RNNs) [],21]。DeepFM模型,如广而深的模型,也是一个深度学习模型广泛应用于CTR(点击通过率)预测22]。它集成了嵌入式调频模型框架和DNN-based并行神经网络框架,并分别捕捉低阶和高阶特征组合。当数据矩阵是稀疏的,大尺寸,如用户有特殊偏好或众多技术服务功能,分解机(FM)的密集的嵌入部分可以嵌入向量对应于每个非零的特性,提高了模型的泛化能力(23]。款问题解决了一部分的多层感知器的调频部分不能执行高层特征挖掘的模型有一定的泛化能力高级查询功能项,没有出现(24]。

2.2.1。调频模式

FM的概念模型是另外考虑任何两个特性之间的关系后,LR(逻辑回归)模型。的初步定义模型方程 在哪里汽车总质量的特性组合X_我X_j。尽管LR模型相比,上述模型引入了一个二阶特征组合,X_我X_j= 0,= 0,所以在大规模稀疏特性的情况下,最终将成为0。没有这个模型和LR的区别。处理稀疏特性的情况下,FM模型做了以下改进: 和 是两个向量的点积的大小k:

通过上述改善调频模式下,所有一线和二阶特性组合可以完全,无法训练和模型的稀疏数据。以下的定义。(1) 是全球的偏差值,然后呢∈R。(2) 的重量吗我th变量X_我,和∈Rⁿ。(3) 是必须学会的嵌入向量对应我th变量X_我,和∈R^1×k;k向量的长度,这是一个重要的hyperparameter代表的维数分解和也反映了调频模型的复杂性。(4) 是用来替换原来的吗代表的重量二阶特性的组合X_我X_j。这是最重要的FM模型和多项式回归的区别。只要功能的结合X_我和任何其他特性出现(即X_我X_j≠0)特性习和Xj可以提取到相应的嵌入向量通过培训。因此,在预测,尽管的结合X_我和X_k训练数据中从未出现,相应的嵌入向量的内积可以计算重量。

2.2.2。款

款的部分是一个多层 前馈神经网络用于学习高阶特征组合信息。然而,由于CTR的原始输入特性估计非常稀疏,ultra-high-dimensional, type-mixed(连续和离散)和分组字段,需要添加一个嵌入层之前,普通神经网络。每个功能组具有不同输入长度压缩,使它成为一个低维稠密,固定长度的向量k。使用嵌入层的另一个优点是可以分享一部分款嵌入向量和调频部分,消除问题的培训分别嵌入层。假设嵌入层的输出 前馈神经网络的输入,米是所有特性的特征向量的大小通过嵌入层,然后呢e₁的值是第一特征向量的维度。

前方传播过程如下:

假设的数量的隐藏层前馈神经网络H最后的输出部分款

3所示。整体模型和实现过程

出入境货物系统是一个一线业务系统,包括进出口贸易。货物进行风险评估主要是通过历史数据预测货物的风险水平,从而决定是否必须检查货物,这是一个聪明的抽样检验程序。

在这项研究中,对进口商品的风险指标体系作为评价基准,和风险模型提出了进出口货物检验检疫。模型如图1。该模型主要包括以下三个模块。步骤1。建立进口商品风险评价的指标体系。使用专家调查方法,根据专家的经验,四个关键字段的信息,也就是说,货物税收代码数量,公司代码,离职或目的地的国家,和运输的国家,选择从海关进口车辆货物数据库作为特征指标的评估风险的货物来源。这是作为货物检查系统的风险指标体系。步骤2。考虑到货物risk-characteristic指标都是文本的语言,模糊理论用于构建风险评价指标特征的模糊推理模型,并使用模糊推理方法来处理货物risk-characteristic指标系统中实现数据集的模糊规范化样本。一个数据库的风险指数建立了进口商品的特征。步骤3。考虑的不确定性影响权重的四个risk-characteristic指标在不同的商品,由于这个原因,结合DeepFM与深度学习用于训练和学习特征数据库实现货物的分类和评估风险和建立进口货物的风险。一个智能综合评价系统。

3.1。基于模糊推理的模糊风险指数数据的标准化

跨国邮件包裹的风险评估的过程本质上是利用神经网络识别的风险跨境邮件。风险评估指标,如原产地检验单位,收货人,和代码都是文本描述和语言变量;他们的风险水平的描述也模糊语言变量,比如波兰的高风险和低风险在美国。此外,该风险的风险指数,作为神经网络的输入值,必须规范化。换句话说,必须建立一个模型,可以映射的风险价值指标从高风险到一定值。这本质上是一种定量分析的一个模糊的概念。因此,在这项研究中,使用模糊推理建立模糊评价模型的指数风险值。

同时,由于输入神经网络通常所需的样本数据之间的(0,1),根据收集的数据的风险指标体系确定在前面小节不能直接用于神经网络。

这里,指标“原产国或目的地”为例,介绍了模糊数据的标准化。模糊理论作为解决方案。首先,风险指标和不合格的比例水平计算,选择确定隶属函数,相应的推理规则制定,模糊控制器的设计完成后,所有的统计值输入到模糊控制器,然后相应的风险水平是被推断出来的。

根据指标体系由专家的经验,跟踪算法进行研究和仿真。特定的数据库在中国海关,税务代码,数量等领域中国税务号码,公司代码,运输,交通,选择和资格地位。合格的数据被标记为0和1的不合格数据。数据如表所示1,这被称为原始数据在这个研究。

“离开国家或目的地国家”被选为例研究的详细介绍。首先,选择“原产国或目的地”跨国邮件一段时间内;“不合格品率”,跨国邮件总批,和两个字段被设置为输入的模糊模型,以及跨境邮件。“原产国或目的地的完整性”用作模糊模型的输出。这部分的研究使用Python编程语言来建立模糊推理系统实现样本数据的模糊规范化。

详细的步骤如下:(1)划定相应的模糊域;,形成一个模糊集和输入数字信息转换成语言变量:不合格的比例的国家的国家离开或者目的地可以等于{非常低,低,高,高}。总批次的国家离开或者目的地可以等于{少、中、更多}。完整性的离职或目的地的国家可以等于{A, B, C, D, E}。(2)选择输入模糊隶属函数。许多测试在这个主题后,梯形隶属函数被选中,和总批的隶属函数表达式输入变量和不合格结果的比例配置,如图2和3。(3)模糊推理规则集输入到模糊规则编辑器在Python中,如表所示2。例如,当批次的总数量庞大而且不合格数据的比例很低,信誉是B的输出。(4)选择梯形输出隶属函数(Trapmf)的输出电平模糊根据五个风险水平(一个,B,C,D,E),如图4。(5)模糊归一化后,样本数据,可以应用于建模可以获得深度学习培训。表3是模糊归一化后的数据表的原始数据表2。

3.2。对进出口货物实施过程风险评估模型的基于模糊推理和DeepFM

图5描述了基于模糊推理和DeepFM风险源评价模型。具体步骤如下:(1)获得进出口货物的信息(如公司代码、航运国家和目的地国家)和规范化的信息获得0 - 1的值。(2)模糊归一化值作为训练数据,和随机检查结果(合格或不合格)的进出口货物作为目标的价值。通过快速和有效的模型参数优化方法(如随机梯度下降法和亚当)基于梯度下降方法,训练DeepFM模型,可以准确地评估风险进出口货物的价值,并获得评价列表。(3)根据评价列表值的大小,划分风险的水平。

4所示。实验测试

4.1。数据集

促进后续算法研究与仿真研究中的样本数据处理基于指标体系由专家经验,和11871批次的数据收集在一定的时间内随后的实验数据。数据集包含10000批次的“合格”数据和1871批次的“不合格”数据。合格的数据标记0和1的不合格数据。数据如表所示2,这被称为原始数据在这个研究。

两个检验算法,(我)模糊推理(25)和(2)效率系数法和主成分分析(EC-PCA) [16选择),并与模糊推理和DeepFM模型提出了研究。模糊推理算法是用于执行四个关键指标的加权平均来直接获得每件货物的风险价值模糊风险评价指标数据的标准化后,和高风险的值被认为是高风险货物的一项指标。

4.2。实验结果和分析

从一段使用的检验数据,5000块被选为测试集和四个进行检查:随机控制和算法控制,包括模糊推理、模糊reasoning-DeepFM EC-PCA,。四种检验方法使用inspection-detection率指数进行了比较。测试集的5000件,不合格率约为8%。五百块被随机检查和43块被发现不合格,不合格的率为8.6%。算法控制,最高的500件风险价值选择的风险评价算法,其中163件不合格批次发现的模糊推理算法,检出率为32.6%。一百七十三件不合格批次EC-PCA被发现的算法,检出率为34.6%。一百八十二件不合格批次发现的模糊推理和DeepFM,检出率为36.4%。结果如表所示4。

表4表明,模糊reasoning-DeepFM模型的检出率是大约四倍的随机控制。在实际工作中,意义是,当检验检疫人力不足,该算法控制方法可以保证较高的检测率。相比之下,发现模型的精度高于11.7%和5.2%的模糊推理和EC-PCA,分别。因此,模型的基础上,结合模糊推理和DeepFM提出了已应用于进出口货物的风险评估,取得了良好的效果,验证了该方法的可行性。

5。结论

本文阐述了进出口商品的检验率和风险评价系统的框架的进出口货物。进出口货物的风险评估方法基于模糊推理和DeepFM提出;声明和检验数据的模糊规范化实现;训练、测试和比较与另外两个神经网络进行;,最后证明了方法基于模糊推理和DeepFM风险评估是一个可行的解决方案的跨国邮包,与其他神经网络相比。该方案具有较高的稳定性、精度和准确性,可以实现从人工随机控制转变为科学控制。

数据可用性

数据可从相应的作者渊源徐要求通过电子邮件(yyxu@hqu.edu.cn)。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了中国国家重点研发项目(2018 yfc0809200)。

引用

1. j·罗,j·冯和r·f·金”的新方法为昂贵的多目标优化,构建高斯过程模型”学报2019 - 9日信息科学与技术国际会议(ICIST IEEE)2019年8月,中国内蒙古呼伦贝尔。视图:出版商的网站|谷歌学术搜索
2. l .绿色和中情局的“贸易复苏。补充风险管理”,英国医院的医学杂志》上,卷71,不。1,52页,2011年。视图:谷歌学术搜索
3. z陈和l . v . Duoxin“创新通关便利化广东的商品贸易:从自由贸易港的角度来看,“中国发展,19卷,不。2,31-38,2019页。视图:谷歌学术搜索
4. b .歌曲,w .严,t·张,“跨境电子商务商品风险评估使用文本挖掘和模糊规则推理,”先进的工程信息,40卷,不。4、69 - 80年,2019页。视图:出版商的网站|谷歌学术搜索
5. j·杨,t·李,g .梁w .他和y赵,“网络风险评估的层次结构分布式代理模型基于深度学习,”计算机模拟在工程和科学,卷120,不。1,1,2019页。视图:出版商的网站|谷歌学术搜索
6. y, g·杨,j·罗和j .他“电子组件识别算法基于深度学习更快SqueezeNet,”数学问题在工程卷,2020篇文章ID 2940286, 11页,2020年。视图:出版商的网站|谷歌学术搜索
7. m .玉梅,z, j·肖,“海关风险的优化解决方法随机分派模型,”《智能与模糊系统,33卷,不。5,2925 - 2935年,2017页。视图:出版商的网站|谷歌学术搜索
8. j . Wan y, y, h·梅和l .旷”油库安全检查和应急培训系统基于虚拟现实技术,”IOP会议系列材料科学与工程文章ID 042018卷,782年,2020年。视图:出版商的网站|谷歌学术搜索
9. c . m .做“可判断的深度上优于风险评估的方法,”诉讼国防应用人工智能和机器学习的会议2020年9月,马德里,西班牙,。视图:谷歌学术搜索
10. y徐和g·杨,”一个短期风速预测混合模型基于经验模态分解和多个内核学习,”复杂性ID 8811407条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
11. 利比m . Naghavi P, E福尔克et al .,“从易损斑脆弱的病人:呼吁新定义和风险评估策略:第一部分,“循环,卷108,不。14日,第1672 - 1664页,2003年。视图:出版商的网站|谷歌学术搜索
12. y, w .严,g .杨j .罗t·李和j .他“CenterFace:联合人脸检测和校准使用的脸,“科学的规划卷,2020篇文章ID 7845384、8页,2020。视图:出版商的网站|谷歌学术搜索
13. y徐,t .姚明和g·杨,”一个EMD-SVM模型对短期风速预测误差补偿,”信息技术和管理的国际期刊,18卷,不。2/3,171 - 181年,2019页。视图:出版商的网站|谷歌学术搜索
14. 张x, y曹鑫,w . Liu和h·刘,“风险评估的进出口商品检验检疫的portbased模糊神经网络算法,”检验检疫》杂志上,21卷,不。03年,55-58 + 72,2011页。视图:谷歌学术搜索
15. x Liu c . Wang和j . Lei“安全事故分类水平基于lstm和注意力机制,“信息技术与信息化,10卷,第192 - 190页,2019年。视图:谷歌学术搜索
16. x x Cai和刘”,风险评估和评价中国体育用品制造业的出口自从数据从1996年到2012年,“上海大学学报的运动,2015年。视图:谷歌学术搜索
17. h .高木涉和i Hayashi NN-driven模糊推理。”国际期刊的近似推理,5卷,不。3、191 - 212年,1991页。视图:出版商的网站|谷歌学术搜索
18. k c·李,h r·曹和j·s·金,”一个自组织特性map-driven模糊近似推理方法,”专家系统与应用程序,33卷,不。2、509 - 521年,2007页。视图:出版商的网站|谷歌学术搜索
19. y Lecun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
20. p·哈默尔·d·艾克,“从音乐音频与深层信念网络学习特性,”第11届国际学会学报对音乐信息检索会议,ISMIR 20102010年8月,荷兰乌得勒支。视图:谷歌学术搜索
21. k . s . Tai, r . Socher和c·d·曼宁“改进的语义表征从树形结构长期短期记忆网络,”计算机科学,5卷,不。1,1-36,2015页。视图:谷歌学术搜索
22. h .郭r . Tang y你们et al .,“DeepFM: factorization-machine CTR预测神经网络为基础,”《IJCAI》17:第26届国际联合展出有关人工智能的会议,页1725 - 1731,墨尔本,澳大利亚,2017年8月。视图:谷歌学术搜索
23. p . Weike l . Zhuode z, h .宗庆后x,和c,“压缩通过分解机异构知识转移协同推荐,“以知识为基础的系统卷,85年,第244 - 234页,2015年。视图:出版商的网站|谷歌学术搜索
24. g .辛顿·l·邓,d . et al .,“深层神经网络语音识别的声学建模:四个研究小组的共同观点,“IEEE信号处理杂志卷,29号6,82 - 97年,2012页。视图:出版商的网站|谷歌学术搜索
25. g·萨卢姆和j . Tekli自动化和个性化的营养健康评估,建议,使用模糊推理和进步的评价,“国际人机研究杂志》上,151卷,2021年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年渊源徐等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。