一种货运通行证预审批方法以及预审批平台服务器

技术领域

本申请涉及物流信息化技术领域，具体涉及一种货运通行证电子审批方法以及服务器。

背景技术

现有通行证审批流程的实现过程是：司机通过智能终端APP手工输入信息后，在通过强制校验项后，数据会分发到各分管行业进行人工审批。

在实践中，发明人认识到，现有通行证审批流程的实现方法存在以下问题：

1、人工审批天然的存在操作风险。

2、初筛工作量庞大。由于宣传力度大，政策贯彻落实积极主动，但实际方法措施需要逐步磨合，在实践中探索合理运行模式；而且，由于社会宣传广泛，很多非企业或普通货运需求者，也尝试并完成申请。故而，存在完成了逐项填写申请内容、但实际不符合的非企业或普通运输货物申请。

3、无法完全依赖条件式的简单策略管理进行审批。由于审批的特殊性，为保障重点物资运输及时到达，也存在一定程度上的特事特批特例，故而无法只依据管理的正常要求进行普通条件组合匹配审批结果。

4、在货物运输行业，其数字化智能管理仍然处于高速发展阶段，行业货运数据质量还有一定提升空间。综合货运政务化管理人工审核成本投入大，与行业数据质量并不十分高的问题，需要一种可以解决现阶段问题的稳定预测方法。

发明内容

本申请提供了一种货运通行证预审批方法以及预审批平台服务器，以辅助人工审批，可以在一定程度上缓解数据质量与人工审批效率的问题。

为了实现以上目的，本申请给出以下解决方案：

第一方面，一种货运通行证预审批方法，包括：

接收申请人客户端发送的货运通行证审批请求，解析其中包含的申请信息；

将所述申请信息输入预先构建的决策树模型；

输出所述决策树模型生成的审批预测结果，并将所述审批预测结果返回给申请人客户端；所述审批预测结果包括预测拒绝和预测通过(模型可以分析通过与否概率，实际运行时最终输出预测结果1、0)，其中，对于预测拒绝的情况，还同时提供应答选项呈现于申请人客户端，所述应答选项供申请人选择是否撤回审批请求；

对于所述应答选项，若申请人客户端应答选择撤回审批请求，则结束预审批，等待新的审批请求；

若申请人客户端应答选择请求继续审批或所述审批预测结果为预测通过，则根据所述申请信息确定归口审批部门，将所述申请信息以及审批预测结果发送至该归口审批部门的人工审批终端。

进一步地，所述申请信息包括企业信息、人员信息和行程信息。

进一步地，所述申请信息的具体内容包括：

a、企业信息

申请企业ID、申请企业三级行政地、是否存在企业电话标识；

b、人员信息

申请人ID、手机号存在标识、健康标识；

c、行程信息

发货三级行政地、收货三级行政地、车辆注册省份、吨位级别、货物分类、货物名称、货重、通行类型、承诺书标识；

构建所述决策树模型时收集的历史样本数据，除所述申请信息的具体内容外，还包括：

d、审批信息

审批人ID、审批分管行业、审批延期标识；

e、其他信息

申请创建时段、申请修改时段、申请人重复提交率、申请人通过率、申请人历史申请次数序号、审批时长；

f、审批结果。

进一步地，所述健康标识包括行程码、健康码、以及48小时核酸报告三证上传标识。

进一步地，所述通行类型分为省内流通、省内流出、省外流入、省外流通。

进一步地，所述申请人重复提交率和申请人通过率的统计还设置有基于数据库计算的分组条件，所述分组条件包括司机、起讫点、通行证过期日。这里的分组条件，可以理解为交集，一个决策树，一层一层的分下去。

进一步地，对于预测拒绝的情况，还可同时输出拒绝原因的提示信息呈现于申请人客户端，所述拒绝原因包括申请人资格、申请车辆规格、申请收货地点和申请运输货物分类。

进一步地，构建所述决策树模型的过程包括：

1)数据预处理：

1.1)枚举数据编码(preprocessing.LabelEncoder)，构成枚举数据列组；

1.2)连续数值列组，进行有监督多分类的卡方分箱，WOE编码变换，IV 值筛选；分箱调整构造WOE单调性或U型趋势；

1.3)离散数值列组，数据标准化尺度变换(MinMaxScaler)；

2)数据合并，混合各类数据指标；合并枚举数据列组、WOE连续数值列组，离散数值列组；

3)输入lightgbm训练模型；

4)模型评价；

5)模型调整；循环步骤2)-步骤4)，完成决策树模型的构建。

进一步地，步骤4)模型评价，还输出变量重要度，对若干敏感指标做出突出提醒。可作为后期APP提示的辅助参考，如“建议用户重新校对XX相关信息”。

第二方面，一种货运通行证预审批平台服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特殊之处在于，所述货运通行证预审批平台服务器分别与申请人客户端和人工审批终端通信连接；所述处理器执行所述计算机程序时实现上述货运通行证预审批方法的步骤。

本申请至少具有以下有益效果：

基于发明人对货运通行证审批业务与技术背景的深入分析和调查，在电子化审批运行软件中嵌入一种决策树模型，用户将申请信息输入该决策树模型，决策树模型生成的审批预测结果包括预测拒绝和预测通过，其中，对于预测拒绝的情况，还提供应答选项呈现于申请人客户端；若申请人选择撤回(审批请求)，则返回等待新的审批请求；若申请人不撤回(表示希望继续审批)或审批预测结果为预测通过，则根据申请信息确定归口审批部门，将申请信息以及审批预测结果发送至该归口审批部门的人工审批终端。一方面可促进申请目的完成，可以早发现早解决，减少因为误录入或其它政策理解偏差的不必要申请，而造成获取通行证周期变长的因素，另一方面可辅助审批决策，在人工审批环节，有助于帮助审批人进行时间管理，从而在一定程度上缓解数据质量与人工审批效率的问题。

经过预审批后，对于预测拒绝的申请，人工审批时可有目的地重点详细审查，判断是否有特事特批可能性；对于预测通过的申请，人工审批时只需对敏感项进行重点审查(如是否运输危险货物到禁运目的地)。

附图说明

图1为本申请一个实施例提供的一种货运通行证预审批方法的流程示意图；

图2为本申请一个实施例涉及的整体审批流程的示意图；

图3为本申请一个实施例中模型构建的流程示意图；

图4为本申请一个实施例中数据预处理环节连续数值列中数据粗分类方法的示意原理。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

为畅通货运物流，全国干线公路大动脉基本打通，运力运量指标持续向好。在“原料运得进、产品运得出、生产跟得上”等政策要求下，通行证审批的快速运转，有利于促进实际政策落地与各相关单位的职能运转。

发明人分析了大量的审批作业认识到，根据申请项内容，并不能单纯依靠策略管理进行审批预判辅助：

1、申请人群中，确实存在一部分人群知识水平匮乏，很难顺利完成复杂表单校验的APP产品设计，这也就造成了，一是对于根据字段判断的策略管理并不友好，另外在数据获取中，数据质量就存在一定脏数据；尽管部分明确数据标准的输入项已在APP中增加了强制限制，如证件号码均有固定位数范围等。

2、在审批时，对于分管行业的匹配中，货运通行证是依靠货物分类为依据的，但由于货物具体名称的繁杂庞大，货物明细只能申请人手工输入，这也就极容易造成，存在数据质量问题，如对危货、重卡的识别提升了难度，无法简单使用条件判断为依据，来进行货物分类与货物名称的精准匹配。

货物类型方面，由于前端不限制，二级分类本身也没有可以参考的数据字典，货物类型完全靠申请人输入，文本内容得不到限制，一级类型有可能被随意选择“其它”，或者“粮食”选成“化肥及农药”，还有一些专业性问题本身知识匮乏活或容易混淆的比如“非金属矿石”、“金属矿石”和“矿建材料”；具体货物内容名称更是无法统一分类，例如：“大米”，“米”，“稻米”，“东北米”，“糙米”等等。

3、结合审批背景，不同货物大类的最后分管行业归口不同，同时，人工环节考虑实际是否可批，对形式要义却并不是十分苛求，人工审批方式更具备快速推广的可行性，更有利保通保畅政策的快速推进落实。

结合以上审批业务与技术背景，嵌入一种决策树模型的审批方法，通过自动化决策提示，辅助货运通行证的人工审批，还可以在申请环节上在早期提示申请人，从而缓解反复申请的可能性。

在一个实施例中，如图1、图2所示，提供了一种货运通行证预审批方法，该预审批程序的执行主体可以是服务端设备(例如，作为统一接收审批申请的平台，前置于各审批机构，响应客户端发送的请求，运行决策树模型)。该货运通行证预审批方法包括：

步骤101、接收申请人客户端发送的货运通行证审批请求，解析其中包含的申请信息；这里的申请信息，按照大类一般包括企业信息、人员信息和行程信息，由申请人在客户端上填写或选择；

步骤102、将所述申请信息输入预先构建的决策树模型；

步骤103、输出所述决策树模型生成的审批预测结果，使所述审批预测结果呈现于客户端；所述审批预测结果包括预测拒绝和预测通过(模型可以分析通过与否概率，实际运行时最终输出预测结果1、0)，其中，对于预测拒绝的情况，还同时提供应答选项呈现于申请人客户端，所述应答选项供申请人选择是否撤回审批请求；

步骤104、对于所述应答选项，若申请人客户端应答选择撤回审批请求，则结束预审批，等待新的审批请求；

若申请人客户端应答选择请求继续审批或所述审批预测结果为预测通过，则根据所述申请信息确定归口审批部门，将所述申请信息以及审批预测结果发送至该归口审批部门的人工审批终端。

其中，决策树模型的构建过程如图3所示。

一、历史样本数据汇聚(状态：审批通过与审批拒绝)

指标如下：

a企业信息

申请企业ID；

申请企业三级行政地；

是否存在企业电话标识；

b、人员信息

申请人ID；

手机号存在标识；

行程码，健康码，48小时核酸报告三证上传标识(APP产品强制输入项)

c、行程信息

发货三级行政地；

收货三级行政地；

车辆注册省份；

是否吨位4.5吨以上；

货物分类；

货物名称；

货重；

通行类型(1省内流通；2省内流出；3省外流入；4省外流通)；

承诺书标识；

d、审批信息

审批人ID；

审批分管行业；

审批延期标识；

e、其它信息

申请创建时段；

申请修改时段；

申请人重复提交率(分组条件，司机、起讫点、通行证过期日)；

申请人通过率(分组条件，司机、起讫点、通行证过期日)；

申请人历史申请次数序号；

审批时长；

f、审批结果。

二、数据预处理：

1)枚举数据编码(preprocessing.LabelEncoder)，构成枚举数据列组。

2)连续数值列组(如申请人历史申请次数序号，申请创建时段，货重，申请修改时段，重复提交率)，进行有监督多分类的卡方分箱，WOE编码变换，IV值筛选；分箱调整构造WOE单调性或U型趋势。如图4所示。

3)离散数值列组，数据标准化尺度变换(MinMaxScaler)。

三、数据合并，混合各类数据指标；合并枚举数据列组、WOE连续数值列组，离散数值列组。

四、输入lightgbm训练模型；基本参数boosting_type＝'gbdt'(梯度提升决策树),objective＝'binary'(逻辑回归)。

五、模型评价；ROC曲线，AUC值，KS区分能力；变量指标重要性观测(如审批人id,货物分类等核心指标)。

六、模型调整；循环步骤三-步骤五环节。

最后部署模型；省略具体评分值环节，模型输出预测概率预测审批通过否。

基于本实施例，建立统一接收审批申请的平台，前置于各审批机构，响应申请人客户端提交的审批请求，将其中的申请信息输入决策树模型，决策树模型生成的审批预测结果包括预测拒绝和预测通过，其中，对于预测拒绝的情况，还提供应答选项呈现于申请人客户端；若申请人选择撤回审批请求(例如，申请人认识到其当前并不符合申请资格)，则返回等待新的审批请求(新的审批请求有可能是原申请人再次发起的请求，也有可能是其他申请人提出的审批请求)；若申请人不撤回(表示希望继续审批)或审批预测结果为预测通过，则根据申请信息确定归口审批部门，将申请信息以及审批预测结果发送至该归口审批部门的人工审批终端。一方面可促进申请目的完成，可以早发现早解决，减少因为误录入或其它政策理解偏差的不必要申请，而造成获取通行证周期变长的因素，另一方面可辅助审批决策，在人工审批环节，有助于帮助审批人进行时间管理，从而在一定程度上缓解数据质量与人工审批效率的问题。

经过预审批后，对于预测拒绝的申请，人工审批时可有目的地重点详细审查，判断是否有特事特批可能性；对于预测通过的申请，人工审批时只需对敏感项进行重点审查(如是否运输危险货物到禁运目的地)。

本实施例基于发明人对货运通行证审批业务与技术背景的深入分析和调查，综合黑箱模型(Black box)和评分卡模型的部分思想，利用树衍生方法预测结果，在模型在评估时输出变量重要度，但并未量化打分。具体来说：

如果是传统评分卡模型，可以量化各个变量权重，但本实施例虽然利用了评分卡WOE技术产生衍生变量列输入模型，但模型只在评估时输出变量重要度，对一些敏感指标做出突出提醒，如实验性数据模型输出结果提示是：货物类型、货物名称、申请人申请次数、申请企业、审批人等。

由于行政管理方面本就没有形成必须执行的严格流程，还是以保通保畅为目的。实践中，即便申请人选错了货物类型(分管行业相应也会分错)，但是人工审核有时也会审批通过。根据统计分析，表面数据无法明确捕捉具体规律，但是形成一定的隐形分群。因而本实施例采用了比较实际的方式，既预测提升效率为目的，又没有形成大量算法方面人力投入。

本实施例结合评分卡模型审批预测的核心环节(省略具体评分值环节等)，自动化地对申请进行审批预测，展示给审批人与申请人：在审批环节，辅助审批人进行决策，在申请环节，提示申请人可能结果，警示申请人，从而在流程早期发现问题，减缓反复申请的情况，切实服务企业、服务车主，促进“数据多跑腿，群众少跑路”的原则落地。

此外，伴随着之后通行证审批策略的精细化升级，该方法也可以在拒绝理由的构建中发挥重要作用，将提示信息呈现于申请人客户端，拒绝原因包括申请人资格、申请车辆规格、申请收货地点和申请运输货物分类等。

该方法对拒绝理由构建的影响如下：

如果不介入审批管理策略时，将常见推荐理由组呈现给申请人；

如果审批管理策略条件信息通过校验得到结果，但不增加预审批拒绝环节，且当该方法判断拒绝时，可对推荐理由组做排除法后，再将提示信息呈现给申请人；

如果审批管理策略信息通过校验得到判决结果，增加预审批拒绝环节，预审批拒绝后可跳过之后预测与人工环节，直接执行拒绝审批，并准确提示拒绝理由；如通过预审批后，且当该方法判断拒绝时，需要对推荐理由组剔除预审批条件后，再将提示信息呈现给申请人，另外，结合预审批环节可对该方法输入变量进行优化更新，提升模型运行效率，优化预测准确度。

在一个实施例中，还提供了一种货运通行证预审批平台服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特殊之处在于，所述货运通行证预审批平台服务器分别与申请人客户端和人工审批终端通信连接；所述处理器执行所述计算机程序时实现上述货运通行证预审批方法的步骤。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。