物流对象的风险等级确定方法，及其相关装置

技术领域

本申请涉及物流数据处理技术领域，具体涉及一种物流对象的风险等级确定方法，及其相关装置。

背景技术

随着电商平台的飞速发展，快递行业用户数量激增，其中目标物流对象数量占比颇大，贡献营业收入占比很高，因此做好目标物流对象的风险管控问题对企业的发展至关重要。

在目标物流对象的风险管控当中，应收的结算各环节中存在很多的风险，这其中主要包括合规、欺诈、违约等三类风险，根据这三类风险衍生出许多目标物流对象相关指标，这些指标存在多且零散的特征，无法整体和准确地体现目标物流对象的风险程度。

因此，如何整体和准确的对物流对象的风险等级进行确定，是当前物流数据处理技术领域继续解决的技术问题。

发明内容

本申请提供一种物流对象的风险等级确定方法，及其相关装置，旨在解决如何整体和准确的对物流对象的风险等级进行确定的技术问题。

一方面，本申请提供物流对象的风险等级确定方法，所述方法包括：

获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；

对所述多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；

基于所述多个第一风险因子数据，确定所述目标物流对象的各业务风险指标信息的评价参数；

基于所述各业务风险指标信息的评价参数，确定所述目标物流对象的评价参数；

基于所述目标物流对象的评价参数，确定所述目标物流对象的风险等级。

在本申请一种可能的实现方式中，所述获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据，包括：

获取物流对象群中各物流对象的多个业务风险指标信息；

基于所述多个业务风险指标信息，从所述物流对象群中确定符合预设异常要求的目标物流对象；

统计所述目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据。

在本申请一种可能的实现方式中，所述获取物流对象群中各物流对象的多个业务风险指标信息，包括：

获取所述物流对象群的业务特征属性，所述业务特征属性为所述物流对象群所办理的业务类型；

基于物流对象群的业务特征属性，确定所述物流对象群中各物流对象的多个业务风险指标信息。

在本申请一种可能的实现方式中，所述基于所述多个业务风险指标信息，从所述物流对象群中确定符合预设异常要求的目标物流对象，包括：

基于预设的箱型图和预设的专家策略，确定所述多个业务风险指标信息中各业务风险指标信息对应的风险指标异常阈值；

基于所述多个业务风险指标信息中各业务风险指标信息，和与所述各业务风险指标信息对应的风险指标异常阈值，从所述物流对象群中确定符合预设异常要求的目标物流对象。

在本申请一种可能的实现方式中，所述基于所述多个第一风险因子数据，确定所述目标物流对象的各业务风险指标信息的评价参数，包括：

对所述多个第一风险因子数据进行归一化处理，得到处理后的多个第二风险因子数据；

基于客观赋权法，确定所述多个第二风险因子数据中各风险因子数据的权重；

根据所述多个第二风险因子数据中各风险因子数据的权重，确定所述目标物流对象的各业务风险指标信息的评价参数。

在本申请一种可能的实现方式中，所述基于所述各业务风险指标信息的评价参数，确定所述目标物流对象的评价参数，包括：

确定所述目标物流对象的各业务风险指标信息的权重；

根据所述各业务风险指标信息的评价参数和所述各业务风险指标信息的权重，确定所述目标物流对象的评价参数。

在本申请一种可能的实现方式中，所述基于所述目标物流对象的评价参数，确定所述目标物流对象的风险等级，包括：

对所述目标物流对象的评价参数进行聚类分析，得到所述目标物流对象的评分得分参数对应的聚类类别；

基于所述聚类类别，确定所述目标物流对象的风险等级。

在本申请一种可能的实现方式中，所述对所述多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据，包括：

获取所述多个风险因子数据中分布状态为偏态的目标风险因子数据；

将所述目标风险因子数据的分布状态转换为正态分布状态，得到转化后的多个第一风险因子数据。

另一方面，本申请提供一种物流对象的风险等级确定装置，所述装置包括：

第一获取单元，用于获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；

第一转换单元，用于对所述多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；

第一确定单元，用于基于所述多个第一风险因子数据，确定所述目标物流对象的各业务风险指标信息的评价参数；

第二确定单元，用于基于所述各业务风险指标信息的评价参数，确定所述目标物流对象的评价参数；

第三确定单元，用于基于所述目标物流对象的评价参数，确定所述目标物流对象的风险等级。

在本申请一种可能的实现方式中，所述第一获取单元，具体包括：

第二获取单元，用于获取物流对象群中各物流对象的多个业务风险指标信息；

第四确定单元，用于基于所述多个业务风险指标信息，从所述物流对象群中确定符合预设异常要求的目标物流对象；

第一统计单元，用于统计所述目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据。

在本申请一种可能的实现方式中，所述第二获取单元，具体用于：

获取所述物流对象群的业务特征属性，所述业务特征属性为所述物流对象群所办理的业务类型；

基于物流对象群的业务特征属性，确定所述物流对象群中各物流对象的多个业务风险指标信息。

在本申请一种可能的实现方式中，所述第四确定单元，具体用于包括：

基于预设的箱型图和预设的专家策略，确定所述多个业务风险指标信息中各业务风险指标信息对应的风险指标异常阈值；

基于所述多个业务风险指标信息中各业务风险指标信息，和与所述各业务风险指标信息对应的风险指标异常阈值，从所述物流对象群中确定符合预设异常要求的目标物流对象。

在本申请一种可能的实现方式中，所述第一确定单元，具体用于：

对所述多个第一风险因子数据进行归一化处理，得到处理后的多个第二风险因子数据；

基于客观赋权法，确定所述多个第二风险因子数据中各风险因子数据的权重；

根据所述多个第二风险因子数据中各风险因子数据的权重，确定所述目标物流对象的各业务风险指标信息的评价参数。

在本申请一种可能的实现方式中，所述第二确定单元，具体用于：

确定所述目标物流对象的各业务风险指标信息的权重；

根据所述各业务风险指标信息的评价参数和所述各业务风险指标信息的权重，确定所述目标物流对象的评价参数。

在本申请一种可能的实现方式中，所述第三确定单元，具体用于：

对所述目标物流对象的评价参数进行聚类分析，得到所述目标物流对象的评分得分参数对应的聚类类别；

基于所述聚类类别，确定所述目标物流对象的风险等级。

在本申请一种可能的实现方式中，所述第一转换单元，具体用于：

获取所述多个风险因子数据中分布状态为偏态的目标风险因子数据；

将所述目标风险因子数据的分布状态转换为正态分布状态，得到转化后的多个第一风险因子数据。

另一方面，本申请还提供一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的物流对象的风险等级确定方法。

另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的物流对象的风险等级确定方法中的步骤。

本申请提供的物流对象的风险等级确定方法，包括：获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；基于目标物流对象的评价参数，确定目标物流对象的风险等级。相较于传统方法，在无法整体和准确地体现目标物流对象的风险程度的背景下，本申请创造性地提出通过对多个风险因子数据的分布状态进行转换，使得后续在应用转化后的数据进行评价时结果更为准确，有效提高了对物流对象的风险等级进行确定的准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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。

图1是本申请实施例提供的物流对象的风险等级确定的场景示意图；

图2是本申请实施例中提供的物流对象的风险等级确定方法的一个实施例流程示意图；

图3是本申请实施例中提供的获取多个风险因子数据的一个具体实施例流程示意图；

图4是本申请实施例中提供的物流对象的风险等级确定装置的一个实施例结构示意图；

图5是本申请实施例中提供的计算机设备的一个实施例结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

本申请实施例提供一种物流对象的风险等级确定方法，及其相关装置，以下分别进行详细说明。

如图1所示，图1是本申请实施例提供的物流对象的风险等级确定系统的场景示意图，该物流对象的风险等级确定系统可以包括计算机设备100，计算机设备100中集成有物流对象的风险等级确定装置，如图1中的计算机设备。

本申请实施例中计算机设备100主要用于获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；基于目标物流对象的评价参数，确定目标物流对象的风险等级。

本申请实施例中，该计算机设备100可以为终端或者服务器，当计算机设备100为服务器时，可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、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以构建的云服务器。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以构建。

可以理解的是，本申请实施例中计算机设备100为终端时，所使用的终端可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端，计算机设备100具体还可以是手机、平板电脑、笔记本电脑等中的一种。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不以构建对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该物流对象的风险等级确定系统还可以包括一个或多个其他计算机设备，具体此处不作限定。

另外，如图1所示，该物流对象的风险等级确定系统还可以包括存储器200，用于存储数据，如存储物流数据，例如物流平台的各种数据，如针对物流对象的相关信息，具体的，如业务风险信息，业务操作信息，业务结算信息等。

需要说明的是，图1所示的物流对象的风险等级确定系统的场景示意图仅仅是一个示例，本申请实施例描述的物流对象的风险等级确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不以构建对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着物流对象的风险等级确定系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

首先，本申请实施例中提供一种物流对象的风险等级确定方法，该物流对象的风险等级确定方法的执行主体为物流对象的风险等级确定装置，该物流对象的风险等级确定装置应用于计算机设备，该物流对象的风险等级确定方法包括：获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；基于目标物流对象的评价参数，确定目标物流对象的风险等级。

请参阅图2至图5，图2为本申请实施例中提供的物流对象的风险等级确定方法的一个实施例流程示意图，该物流对象的风险等级确定方法包括：

201、获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据。

目标物流对象是从物流对象群中筛选出符合预设异常要求的异常物流对象。业务风险指标信息为针对目标物流对象设置的用于评价其业务操作具有一定业务风险的指标信息，例如散单挂月结用户，付款方式多样(频繁更换支付方式，卡号)。风险因子数据为业务风险指标信息的一些业务操作风险数据，例如汇总金额和发生次数等。具体的，如何获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据，请参阅下述实施例，在此不做赘述。

202、对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据。

在本申请的一些实施例中，对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据，包括：获取多个风险因子数据中分布状态为偏态的目标风险因子数据；将目标风险因子数据的分布状态转换为正态分布状态，得到转化后的多个第一风险因子数据。具体的，可以利用BOX-COX转换方法对目标风险因子数据的分布状态转换为正态分布状态，通过采用BOX-COX变换之后，可以一定程度上减小不可观测的误差和预测变量的相关性。具体的，BOX-COX变换的主要是引入一个参数，通过数据本身估计该参数进而确定应采取的数据变换形式，BOX-COX变换可以明显地改善数据的正态性、对称性和方差相等性，对许多实际数据都是行之有效的。

BOX-COX变换的形式为：

式中y(λ)为经BOX-COX变换后得到的新变量，y为原始连续因变量，λ为变换参数。以上变换要求原始变量y取值为正，若取值为负时，可先对所有原始数据同加一个常数a使其(y+a)为正值，然后再进行以上的变换。对不同的λ所作的变换不同。在λ＝0时该变换为对数变换，λ＝-1时为倒数变换，而在

203、基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数。

评价参数为目标物流对象的业务风险指标信息的得分值。

在本申请的一些实施例中，基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数，包括：对多个第一风险因子数据进行归一化处理，得到处理后的多个第二风险因子数据；基于客观赋权法，确定多个第二风险因子数据中各风险因子数据的权重；根据多个第二风险因子数据中各风险因子数据的权重，确定目标物流对象的各业务风险指标信息的评价参数。为了防止因量纲不同带来的权重结果偏差，需要对多个第一风险因子数据进行归一化处理，具体的，可以采用下述归一化公式：

其中，i为第i个样本点，j为第j个指标。

进一步的，基于客观赋权法，确定多个第二风险因子数据中各风险因子数据的权重，该客观赋权法具体采用CRITIC权重法，本申请通过CRITIC权重法确定上述指标的客观权重以评价指标间的对比强度和冲突性。

具体的，根据多个第二风险因子数据中各风险因子数据的权重，确定目标物流对象的各业务风险指标信息的评价参数，可以包括，将多个第二风险因子数据中各风险因子数据的权重进行加权处理，得到目标物流对象的各业务风险指标信息的评价参数。

204、基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数。

在本申请的一些实施例中，基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数，包括：确定目标物流对象的各业务风险指标信息的权重；根据各业务风险指标信息的评价参数和各业务风险指标信息的权重，确定目标物流对象的评价参数。

具体的，可以通过CRITIC权重法，确定目标物流对象的各业务风险指标信息的权重；根据各业务风险指标信息的评价参数和各业务风险指标信息的权重，确定目标物流对象的评价参数，可以包括，将各业务风险指标信息的评价参数和对应的风险指标信息的权重进行加权，得到的加权后的数值即为目标物流对象的评价参数。

205、基于目标物流对象的评价参数，确定目标物流对象的风险等级。

在本申请的一些实施例中，基于目标物流对象的评价参数，确定目标物流对象的风险等级，包括：对目标物流对象的评价参数进行聚类分析，得到目标物流对象的评分得分参数对应的聚类类别；基于聚类类别，确定目标物流对象的风险等级。其中，其不同聚类类别对应不同的评价得分参数区间范围，其不同聚类类别又对应不同的风险等级，该风险等级可分为“高风险”、“中风险”和“低风险”三类，而高风险对应的聚类类别所对应的评价得分参数区间范围可以为[85,100]，中风险对应的聚类类别所对应的评价得分参数区间范围可以为[60,85)，而低风险对应的聚类类别所对应的评价得分参数区间范围可以为[0,60)。

具体的，可以采用K-Means聚类算法对目标物流对象的评价参数进行聚类分析，其聚类分析过程可以包括：a)从N个数据文档(样本)随机选取K个数据文档作为质心(聚类中心)。本文在聚类中心初始化实现过程中采取在样本空间范围内随机生成K个聚类中心。b)对每个数据文档测量其到每个质心的距离，并把它归到最近的质心的类。c)重新计算已经得到的各个类的质心。d)迭代b)～c)步直至新的质心与原质心相等或小于指定阈值。

本申请提供的物流对象的风险等级确定方法，相较于传统方法，在无法整体和准确地体现目标物流对象的风险程度的背景下，本申请创造性地提出通过对多个风险因子数据的分布状态进行转换，使得后续在应用转化后的数据进行评价时结果更为准确，有效提高了对物流对象的风险等级进行确定的准确性。

由于实际业务中，其物流对象群中的物流对象的数量是及其庞大的，其对应的待处理的数据量也是巨大的，导致现有数据处理时间长，其占用的硬件设备资源大，为了解决上述问题，在本申请的一些实施例中，如图3所示，获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据，包括：

301、获取物流对象群中各物流对象的多个业务风险指标信息。

物流对象群为包括有多种业务类型的物流对象群体，其中，各物流对象可以涉及一种或多种业务类型。

在本申请的一些实施例中，获取物流对象群中各物流对象的多个业务风险指标信息，包括：获取物流对象群的业务特征属性，业务特征属性为物流对象群所办理的业务类型；基于物流对象群的业务特征属性，确定物流对象群中各物流对象的多个业务风险指标信息。其中，业务类型为某个类型的业务服务，例如，可以包括在物流结算业务中的不同周期的结算业务服务，其中，不同周期的结算业务服务可以包括周结业务服务、月结业务服务和季度结业务服务。

具体的，基于物流对象群的业务特征属性，确定物流对象群中各物流对象的多个业务风险指标信息，可以包括：通过物流对象群的业务特征属性和预设的物流对象群的业务特征属性和各物流对象的多个业务风险指标信息的关系映射表，确定物流对象群中各物流对象的多个业务风险指标信息。其中，该预设的物流对象群的业务特征属性和各物流对象的多个业务风险指标信息的关系映射表可以是通过针对以往的异常物流对象的一些异常操作进行总结的。

302、基于多个业务风险指标信息，从物流对象群中确定符合预设异常要求的目标物流对象。

在本申请的一些实施例中，基于多个业务风险指标信息，从物流对象群中确定符合预设异常要求的目标物流对象，包括：基于预设的箱型图和预设的专家策略，确定多个业务风险指标信息中各业务风险指标信息对应的风险指标异常阈值；基于多个业务风险指标信息中各业务风险指标信息，和与各业务风险指标信息对应的风险指标异常阈值，从物流对象群中确定符合预设异常要求的目标物流对象。

具体的，基于预设的箱型图和预设的专家策略，确定多个业务风险指标信息中各业务风险指标信息对应的风险指标异常阈值，可以包括：判断物流对象的业务风险指标信息，是否适合用箱型图判断异常值，然后利用箱型图逻辑计算各风险指标上限值＝Q3+1.5×IQR和下限值Q1-1.5×IQR，并将其作为风险指标异常阈值。其中，箱型图是用于反映一组或多组连续型定量数据分布的中心位置和散布范围。在箱型图中包括上、下四分位，中位数，上下限，四分位距以及相应的计算公式。箱形图提供了识别异常值的一个标准：在Q3+1.5×IQR和Q1-1.5×IQR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限；在Q3+3×IQR和Q1-3×IQR处画两条线段，称其为外限。处于内限以外位置的点表示的数据都是异常值，其中在内限与外限之间的异常值为温和的异常值，在外限以外的为极端的异常值。

进一步的，基于多个业务风险指标信息中各业务风险指标信息，和与各业务风险指标信息对应的风险指标异常阈值，从物流对象群中确定符合预设异常要求的目标物流对象，将多个业务风险指标信息中各业务风险指标信息，和与各业务风险指标信息对应的风险指标异常阈值进行比较，大于上限和小于下限的为异常值。

303、统计目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据。

本申请实施例公开的方案中，通过利用箱型图法和预设的专家策略输出符合预设异常要求的目标物流对象，缩减了客户量，较少了无效数据的处理，提高了数据处理效率，实现了对潜在异常物流对象的精准预防。

为了更好实施本申请实施例中物流对象的风险等级确定方法，在物流对象的风险等级确定方法基础之上，本申请实施例中还提供一种物流对象的风险等级确定装置，如图4所示，物流对象的风险等级确定装置400包括：

第一获取单元401，用于获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；

第一转换单元402，用于对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；

第一确定单元403，用于基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；

第二确定单元404，用于基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；

第三确定单元405，用于基于目标物流对象的评价参数，确定目标物流对象的风险等级。

本申请提供的物流对象的风险等级确定装置400，包括：第一获取单元401，用于获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；第一转换单元402，用于对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；第一确定单元403，用于基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；第二确定单元404，用于基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；第三确定单元405，用于基于目标物流对象的评价参数，确定目标物流对象的风险等级。相较于传统方法，在无法整体和准确地体现目标物流对象的风险程度的背景下，本申请创造性地提出通过对多个风险因子数据的分布状态进行转换，使得后续在应用转化后的数据进行评价时结果更为准确，有效提高了对物流对象的风险等级进行确定的准确性。

在本申请的一些实施例中，第一获取单元401，具体包括：

第二获取单元，用于获取物流对象群中各物流对象的多个业务风险指标信息；

第四确定单元，用于基于多个业务风险指标信息，从物流对象群中确定符合预设异常要求的目标物流对象；

第一统计单元，用于统计目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据。

在本申请的一些实施例中，第二获取单元，具体用于：

获取物流对象群的业务特征属性，业务特征属性为物流对象群所办理的业务类型；

基于物流对象群的业务特征属性，确定物流对象群中各物流对象的多个业务风险指标信息。

在本申请的一些实施例中，第四确定单元，具体用于包括：

基于预设的箱型图和预设的专家策略，确定多个业务风险指标信息中各业务风险指标信息对应的风险指标异常阈值；

基于多个业务风险指标信息中各业务风险指标信息，和与各业务风险指标信息对应的风险指标异常阈值，从物流对象群中确定符合预设异常要求的目标物流对象。

在本申请的一些实施例中，第一确定单元403，具体用于：

对多个第一风险因子数据进行归一化处理，得到处理后的多个第二风险因子数据；

基于客观赋权法，确定多个第二风险因子数据中各风险因子数据的权重；

根据多个第二风险因子数据中各风险因子数据的权重，确定目标物流对象的各业务风险指标信息的评价参数。

在本申请的一些实施例中，第二确定单元404，具体用于：

确定目标物流对象的各业务风险指标信息的权重；

根据各业务风险指标信息的评价参数和各业务风险指标信息的权重，确定目标物流对象的评价参数。

在本申请的一些实施例中，第三确定单元405，具体用于：

对目标物流对象的评价参数进行聚类分析，得到目标物流对象的评分得分参数对应的聚类类别；

基于聚类类别，确定目标物流对象的风险等级。

在本申请的一些实施例中，第一转换单元402，具体用于：

获取多个风险因子数据中分布状态为偏态的目标风险因子数据；

将目标风险因子数据的分布状态转换为正态分布状态，得到转化后的多个第一风险因子数据。

除了上述介绍用于物流对象的风险等级确定方法与装置之外，本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种物流对象的风险等级确定装置，计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述物流对象的风险等级确定方法实施例中任一实施例中的任一方法的操作。

本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种计算机设备。如图5所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：

该计算机设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储单元502、电源503和输入单元504等部件。本领域技术人员可以理解，图5中示出的计算机设备结构并不构成对计算机设备的限定，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：

处理器501是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储单元502内的软件程序和/或模块，以及调用存储在存储单元502的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501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501中。

存储单元502可用于存储软件程序以及模块，处理器501通过运行存储在存储单元502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。存储单元502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计算机设备的使用所创建的数据等。此外，存储单元502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，存储单元502还可以包括存储器控制器，以提供处理器501对存储单元502的访问。

计算机设备还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501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503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。

该计算机设备还可包括输入单元504，该输入单元504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。

尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本申请实施例中，计算机设备中的处理器501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单元502中，并由处理器501来运行存储在存储单元502中的应用程序，从而实现各种功能，如下：

获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；基于目标物流对象的评价参数，确定目标物流对象的风险等级。

为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种物流对象的风险等级确定方法中的步骤。例如，该指令可以执行如下步骤：

获取目标物流对象的多个业务风险指标信息中各业务风险指标信息对应的多个风险因子数据；对多个风险因子数据的分布状态进行转换，得到转化后的多个第一风险因子数据；基于多个第一风险因子数据，确定目标物流对象的各业务风险指标信息的评价参数；基于各业务风险指标信息的评价参数，确定目标物流对象的评价参数；基于目标物流对象的评价参数，确定目标物流对象的风险等级。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种物流对象的风险等级确定方法，及其相关装置进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。