一种仓储货物自动化估值方法、装置、设备及存储介质与流程

1.本发明涉及供应链金融领域，特别涉及一种仓储货物自动化估值方法、装置、设备及存储介质。


背景技术：

2.仓储货物融资是盘活中小企业存货资产、解决中小企业融资难和融资贵的一款融资产品，其中仓储货物的估值是仓储货物融资业务中最重要的一环。
3.当前金融机构在识别仓储货物是什么以及货物对应的价格方面主要依赖人工现场盘点货物并核验货物相关票据(如采购合同、发票等)等手段，即人工先拿到一份仓储货物清单，再现场盘点货物、确认库存清单载明的名称与实物是否一致，最后根据相关票据载明的货物对应的价格、库存清单的库存数量计算货值，需要付出巨大的人力成本，且贷后环节无法动态监管货值的变化(特别是电商仓库的货物，其货物种类多而杂且存货进出频繁)。现有模式的不足具体表现在：
4.1)作业成本高，需要安排专门人力去盘点仓库存货、核对票据；
5.2)作业效率低，无法根据动态库存变化快速给出最新的货值；
6.3)操作风险高(人工误操作或者通过票据造假、内外勾结等手段带来欺诈风险)；
7.若系统能够自动化识别仓储货物的货值，且能够识别并剔除虚假交易订单，实现降低人力成本、提升货物估值的效率，更能有效防范操作风险。


技术实现要素：

8.有鉴于此，本发明的目的在于提供一种仓储货物自动化估值方法、装置、设备及存储介质，解决了现有技术中货物估值效率低且操作风险高的问题。
9.为解决上述技术问题，本发明提供了一种仓储货物自动化估值方法，包括：
10.将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；
11.根据所述原始数据库建立虚假交易模型；
12.利用所述虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；
13.将所述真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；
14.利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值。
15.可选的，在所述利用所述虚假交易模型剔除交易订单中的虚假交易订单之后，还包括：
16.利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；
17.剔除所述库存商品id和平台商品id的对应明细中ean条形码不一致的交易订单。
18.可选的，在所述利用所述虚假交易模型剔除交易订单中的虚假交易订单之后，还
包括：
19.利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；
20.根据所述库存商品id获得所述库存商品id对应的所属类目；
21.根据所述所属类目获得所述待估值仓储中所述所属类目中商品的商品规格，记为第一规格；
22.计算所述库存商品id对应的商品规格与所述第一规格的差；
23.若所述差不在预设范围内，则所述库存商品id对应的交易订单为异常订单；并对所述异常订单执行异常处理操作。
24.可选的，所述对所述异常订单执行异常处理操作，包括：
25.将所述库存商品id的价格设为0并持续预设时间，并在所述预设时间内，接收人工抽检校验结果；
26.若所述人工抽检校验结果正常，则恢复所述库存商品id的价格，并将所述库存商品id对应的交易订单作为真实交易订单；
27.若所述人工抽检校验结果异常，则将所述库存商品id对应的交易订单作为虚假交易订单，并剔除。
28.可选的，所述根据所述原始数据库建立虚假交易模型，包括：
29.对所述电商平台交易订单数据进行特征衍生得到衍生特征；
30.对所述衍生特征进行特征筛选，得到所述数据特征；
31.根据所述数据特征建立所述虚假交易模型。
32.可选的，在所述利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值之后，还包括：
33.计算所述真实交易订单对应的各个商品的货值变化范围；
34.接收对所述变化范围超出预设范围对应的商品进行现场抽查的结果，得到第一实际抽查货值；
35.判断所述货值与第一实际抽查货值是否一致；
36.若不一致，则对所述虚假交易模型进行优化。
37.可选的，在所述利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值之后，还包括：
38.计算所述真实交易订单对应的各个商品的货值；
39.接收对所述货值大于预设货值对应的商品进行现场抽查的结果，得到第二实际抽查货值；
40.判断所述货值与第二实际抽查货值是否一致；
41.若不一致，则对所述虚假交易模型进行优化。
42.本发明还提供了一种仓储货物自动化估值装置，包括：
43.原始数据库构建模块，用于将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；
44.模型构建模块，用于根据所述原始数据库建立虚假交易模型；
45.剔除模块，用于利用所述虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；
46.交易单价计算模块，用于将所述真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；
47.总货值确定模块，用于利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值。
48.本发明还提供了一种仓储货物自动化估值设备，包括：
49.存储器，用于存储计算机程序；
50.处理器，用于执行所述计算机程序实现上述的仓储货物自动化估值方法的步骤。
51.本发明还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的仓储货物自动化估值方法的步骤。
52.可见，本发明通过将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；根据原始数据库建立虚假交易模型；利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。本方法通过在整合仓储库存数据、电商平台交易订单数据、物流订单数据的基础上，利用大数据技术快速识别仓库中各个货物对应的名称和交易单价，可以精准、快速、全面的计算货值，不仅成本低、准确度高，而且能有效规避操作风险。本发明可以实现虚假交易订单的识别，还能降低人工作业成本。
53.此外，本发明还提供了一种仓储货物自动化估值装置、设备及存储介质，同样具有上述有益效果。
附图说明
54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
55.图1为本发明实施例提供的一种仓储货物自动化估值方法的流程图；
56.图2为本发明实施例提供的一种仓储货物自动化估值装置的结构示意图；
57.图3为本发明实施例提供的一种仓储货物自动化估值设备的结构示意图。
具体实施方式
58.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.请参考图1，图1为本发明实施例提供的一种仓储货物自动化估值方法的流程图。该方法可以包括：
60.s101：将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库。
61.本实施例的执行主体为终端。本实施例并不限定终端的种类，只要是能够完成仓
储货物自动估值的操作即可。例如，可以是专用型终端；或者还可以是通用型终端。
62.本实施例中并不限定预设时间段，例如可以是一年；或者还可以是一季度。本实施例中仓储库存数据包括但不限于库存商品id、库存商品ean条形码(商品入库时扫码录入，ean条形码是国际物品编码协会制定的一种商品用条码)、库存商品名称、库存商品数量、商品体积(长*宽*高)、商品重量。本实施例中交易订单数据包括但不限于商品基础信息、交易流程节点信息和交易双方基础信息。本实施例中商品基础信息包括但不限于平台商品ean条形码、平台商品id(商家在平台创建商品时录入)、平台商品名称、商品品类、商品品牌、购买数量。本实施例中交易流程节点信息包括但不限于交易订单号、订单创建时间、付款时付款状态、发货时间、发货状态、确认收货时间、交易状态、交易金额、商品详情页停留时间、买方付款账号、卖方收款账号、买方下单时间、买家付款时间。本实施例中交易双方基础信息包括但不限于卖家名称、卖家等级、卖家收款账号、买家名称、买家等级、买家付款账号、登录机器设备、登录ip、收发货地址、联系方式。本实施例中物流订单数据包括但不限于库存商品id、平台商品id、物流订单创建时间、物流订单状态更新时间、物流订单状态、交易订单号。
63.s102：根据原始数据库建立虚假交易模型。
64.进一步的，为了提高虚假交易模型的识别效率以及准确率，根据原始数据库建立虚假交易模型，可以包括以下步骤：
65.步骤51：对电商平台交易订单数据进行特征衍生得到衍生特征；
66.步骤52：对衍生特征进行特征筛选，得到数据特征；
67.步骤53：根据数据特征建立虚假交易模型。
68.本实施例中交易订单数据中特征均为底层原始特征变量，这些特征并非全部对模型有增益作用，或者非直接有用，故可以基于原始特征变量做特征衍生，得到较多的衍生特征。本实施例并不限定特征衍生的方向维度，特征衍生的方向包括但不限于不同时间窗口维度、金额占比、笔数占比、付款时间、发货时间、确认收货时间等不同时间的间隔、关联交易或异常交易占比等。衍生特征之间会存在相关性、共线性，因此可以对衍生特征进行特征筛选，得到数据特征。本实施例并不限定特征筛选方法，包括但不限于缺失率、iv值、卡方检验、相关性、共线性等方法进行特征筛选。
69.可以理解的是，在训练虚假交易模型的过程中，训练数据包括一定时间内的交易订单数据，其中交易订单数据包括真实交易订单和经人工判定或规则判定为虚假交易的订单。同时将虚假交易订单样本和真实交易订单样本划分为训练集、验证集和时间外测试集这三个集合。本实施例并不限定模型的选择，例如模型可以是逻辑回归；或者还可以是随机森林；或者还可以是xgboost算法(extreme gradient boosting，是一个优化的分布式梯度增强库)；或者还可以是dbscan(density-based spatial clustering of applications with noise，一个基于密度的聚类算法)；或者还可以是lof(local outlier factor，局部异常因子)；或者还可以是孤立森林。进一步，从不同模型的效果及模型的延展性和可应用性考虑，本实施例选择xgboost模型来构建虚假交易模型。
70.本实施例中虚假交易模型的评估指标可以是ks(kolmogorov-smirnov，洛伦兹曲线)；或者还可以是auc(area under curve，roc曲线下的面积)；或者还可以是auc和ks。在虚假交易模型正式用来检测交易订单之前，需要对虚假交易模型进行测试，模型上线初期
采用模型预测和人工判定的方法，后期稳定后逐步变为单一依靠模型预测。根据前期模型训练的结果，找到模型评分合适的阈值(选取阈值时考虑召回率和准确率的平衡)，假设评分越低，虚假交易的概率就越高，设定阈值后，低于该阈值评分的交易就被认定为虚假交易，以此训练得到可靠的虚假交易模型。例如：模型上线初期，所有被模型认定为虚假交易的交易单都会被派给人工确认，人工确认为虚假交易后才会被最终认定为虚假交易，人工确认环节认定模型识别的准确率超过了95％。在稳定运行一段时间后就逐步改为单一依靠模型预测。
71.s103：利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单。
72.进一步，为了进一步对交易订单进行虚假判定，使得交易订单判断更准确，在上述利用虚假交易模型剔除交易订单中的虚假交易订单之后，还可以包括以下步骤：
73.步骤21：利用交易订单对应的物流订单确定库存商品id和平台商品id的对应明细。
74.步骤22：剔除库存商品id和平台商品id的对应明细中ean条形码不一致的交易订单。
75.本实施例中物流订单中包括交易订单号和对应的库存商品信息，若交易订单被模型识别为虚假交易订单，则不采信对应的物流订单；若交易订单被模型是被为真实交易订单，则通过物流订单信息，可以确定库存商品id和平台商品id的对应明细，则可以采信对应的物流订单，利用物流订单确定库存商品id和平台商品id的对应明细，本实施例中对应明细包括但不限于商品的物流信息、商品的交易信息和商品的库存信息。
76.进一步，为了更进一步对交易订单进行虚假判定，使得交易订单判断更加准确，在上述在所述利用虚假交易模型剔除交易订单中的虚假交易订单之后，还包括：
77.步骤31：利用交易订单对应的物流订单确定库存商品id和平台商品id的对应明细。
78.步骤32：根据库存商品id获得库存商品id对应的所属类目。
79.步骤33：根据所属类目获得待估值仓储中所属类目中商品的商品规格，记为第一规格。
80.步骤34：计算库存商品id对应的商品规格与第一规格的差。
81.步骤35：若差不在预设范围内，则库存商品id对应的交易订单为异常订单；并对异常订单执行异常处理操作。
82.本实施例通过库存商品id获取该商品同属类目，以此得到待估值仓储中该商品同属类目的商品规格，根据该商品的规格与该商品同属类目的规格进行比较，得到差值，若差值在预设范围内，则该商品对应的交易订单为真实交易订单，否则，该交易订单未异常订单，并对异常订单做特殊处理。本实施例并不限定商品规格的数量，例如，可以是1个，或者还可以是多个。本实施例并不对商品规格进行限定，例如，可以是商品的重量；或者还可以是商品的体积；或者还可以是商品的尺寸大小。本实施例并不对异常处理操作做限定，例如，可以是直接判定为虚假交易；或者还可以采取人工校验的方法，接收并根据人工校验结果判断交易订单状态。
83.本实施例并不限定商品规格的判定和对商品ean条形码的判定的顺序，例如可以当通过虚假交易模型判定后，执行对商品ean条形码的判定，再执行对商品规格的判定。或
者还可以是，当通过虚假交易模型判定后，执行对商品规格的判定，再执行对商品ean条形码的判定。
84.进一步的，为了准确判断交易订单状态，上述对异常订单执行异常处理操作，可以包括以下步骤：
85.步骤41：将库存商品id的价格设为0并持续预设时间，并在预设时间内，接收人工抽检校验结果。
86.步骤42：若人工抽检校验结果正常，则恢复库存商品id的价格，并将库存商品id对应的交易订单作为真实交易订单。
87.步骤43：若人工抽检校验结果异常，则将库存商品id对应的交易订单作为虚假交易订单，并剔除。
88.本实施例中当交易订单判断为异常订单后，将该交易订单对应商品的价格暂时置为0，等待人工抽检校验结果，若人工校验结果正常，则恢复库存商品id的价格，并将库存商品id对应的交易订单作为真实交易订单；若人工抽检校验结果异常，则将库存商品id对应的交易订单作为虚假交易订单，并剔除。
89.s104：将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价。
90.s105：利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。
91.本实施例将通过检验的真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价，各个商品的交易单价与库存商品数据中的各个商品的库存数量相乘，得到各个商品的货值，各个商品的货值相加，得到待估值仓储货物的总货值。
92.进一步的，为了提高对交易订单的检测准确率，在上述利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值之后，还可以包括以下步骤：
93.步骤61：计算真实交易订单对应的各个商品的货值变化范围。
94.步骤62：接收对变化范围超出预设范围对应的商品进行现场抽查的结果，得到第一实际抽查货值。
95.步骤63：判断货值与第一实际抽查货值是否一致。
96.步骤64：若不一致，则对虚假交易模型进行优化。
97.本实施例针对计算的货值价格波动大的商品，进行现场抽查，核实系统估值结果与实物是否相符，具体包括：通过计算货值变化范围，并对超出预设范围内的商品进行抽查，接收现场抽查的结果，当抽查结果与货值价格不一致时，则需要对虚假交易模型进行优化。本实施例并不限定货值变化范围的计算周期，例如可以计算每月的货值变化范围；或者还可以计算每季度的货值变化范围。
98.进一步的，为了进一步提高对交易订单的检测准确率，在上述利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值之后，还可以包括以下步骤：
99.步骤71：计算真实交易订单对应的各个商品的货值。
100.步骤72：接收对货值大于预设货值对应的商品进行现场抽查的结果，得到第二实际抽查货值。
101.步骤73：判断货值与第二实际抽查货值是否一致。
102.步骤74：若不一致，则对虚假交易模型进行优化。
103.本实施例针对货值总额高的商品进行现场抽查，核实系统估值结果与实物是否相符，具体可以包括：通过计算货值，并对超出预设货值的商品进行抽查，接收现场抽查的结果，当抽查结果与货值价格不一致时，则需要对虚假交易模型进行优化。本实施例并不限定货值高的周期，例如该商品的货值连续一个月超出预设货值，接收对该商品的抽查结果；或者还可以是该商品的货值连续一季度超出预设货值，接收对该商品的抽查结果。
104.应用本发明实施例提供的仓储货物自动化估值方法，通过将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；根据原始数据库建立虚假交易模型；利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。本方法通过在整合仓储库存数据、电商平台交易订单数据、物流订单数据的基础上，利用大数据技术快速识别仓库中各个货物对应的名称和交易单价，可以精准、快速、全面的计算货值，不仅成本低、准确度高，而且能有效规避操作风险。本发明可以实现虚假交易订单的识别，还能降低人工作业成本。并且，本技术对特征进行特征衍生和特征筛选，并且，在虚假交易模型判断交易订单后，又进行了ean条形码的判断和同属类目商品规格的判断，提高了虚假订单的判定准确率；并且，在进行商品货值计算后，当出现异常情况时又接收现场对商品抽查的结果，根据现场抽查结果综合判断交易订单是否正常，提高交易订单的准确性；并且，当现场抽查结果与计算的货值不一致时，可以根据抽查结果对整个交易订单的虚假判断过程进行优化，不断的提高自动估值的准确性。
105.下面对本发明实施例提供的仓储货物自动化估值装置进行介绍，下文描述的仓储货物自动化估值装置与上文描述的仓储货物自动化估值方法可相互对应参照。
106.具体请参考图2，图2为本发明实施例提供的一种仓储货物自动化估值装置的结构示意图，可以包括：
107.原始数据库构建模块100，用于将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；
108.模型构建模块200，用于根据所述原始数据库建立虚假交易模型；
109.剔除模块300，用于利用所述虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；
110.交易单价计算模块400，用于将所述真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；
111.总货值确定模块500，用于利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值。
112.基于上述实施例，其中仓储货物自动化估值装置，还可以包括：
113.第一确定模块，用于利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；
114.第一剔除模块，用于剔除所述库存商品id和平台商品id的对应明细中ean条形码不一致的交易订单。
115.基于上述实施例，其中仓储货物自动化估值装置，还可以包括：
116.第二确定模块，用于利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；
117.所属类目获得模块，用于根据所述库存商品id获得所述库存商品id对应的所属类目；
118.第一规格模块，用于根据所述所属类目获得所述待估值仓储中所述所属类目中商品的商品规格，记为第一规格；
119.第一计算模块，用于计算所述库存商品id对应的商品规格与所述第一规格的差；
120.异常订单判断模块，用于若所述差不在预设范围内，则所述库存商品id对应的交易订单为异常订单；并对所述异常订单执行异常处理操作。
121.基于上述实施例，其中仓储货物自动化估值装置，还可以包括：
122.第一接收模块，用于将所述库存商品id的价格设为0并持续预设时间，并在所述预设时间内，接收人工抽检校验结果；
123.第一判断模块，用于若所述人工抽检校验结果正常，则恢复所述库存商品id的价格，并将所述库存商品id对应的交易订单作为真实交易订单；
124.第二剔除模块，用于若所述人工抽检校验结果异常，则将所述库存商品id对应的交易订单作为虚假交易订单，并剔除。
125.基于上述实施例，其中模型构建模块200，可以包括：
126.特征衍生单元，用于对所述电商平台交易订单数据进行特征衍生得到衍生特征；
127.特征筛选单元，用于对所述衍生特征进行特征筛选，得到所述数据特征；
128.建立单元，用于根据所述数据特征建立所述虚假交易模型。
129.基于上述实施例，其中仓储货物自动化估值装置，还可以包括：
130.第二计算模块，用于计算所述真实交易订单对应的各个商品的货值变化范围；
131.第二接收模块，用于接收对所述变化范围超出预设范围对应的商品进行现场抽查的结果，得到第一实际抽查货值；
132.第二判断模块，用于判断所述货值与第一实际抽查货值是否一致；
133.第一优化模块，用于若不一致，则对所述虚假交易模型进行优化。
134.基于上述实施例，其中仓储货物自动化估值装置，还可以包括：
135.第三计算模块，用于计算所述真实交易订单对应的各个商品的货值；
136.第三接收模块，用于接收对所述货值大于预设货值对应的商品进行现场抽查的结果，得到第二实际抽查货值；
137.第三判断模块，用于判断所述货值与第二实际抽查货值是否一致；
138.第二优化模块，用于若不一致，则对所述虚假交易模型进行优化。
139.应用本发明实施例提供的仓储货物自动化估值装置，该装置通过原始数据库构建模块100，用于将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；模型构建模块200，用于根据原始数据库建立虚假交易模型；剔除模块300，用于利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；交易单价计算模块400，用于将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；总货值确定模块500，用于利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。本装置通过在整合仓储库存数据、电商平台交易订单数据、物流订单数
据的基础上，利用大数据技术快速识别仓库中各个货物对应的名称和交易单价，可以精准、快速、全面的计算货值，不仅成本低、准确度高，而且能有效规避操作风险。本发明可以实现虚假交易订单的识别，还能降低人工作业成本。并且，本技术对特征进行特征衍生和特征筛选，并且，在虚假交易模型判断交易订单后，又进行了ean条形码的判断和同属类目商品规格的判断，提高了虚假订单的判定准确率；并且，在进行商品货值计算后，当出现异常情况时又接收现场对商品抽查的结果，根据现场抽查结果综合判断交易订单是否正常，提高交易订单的准确性；并且，当现场抽查结果与计算的货值不一致时，可以根据抽查结果对整个交易订单的虚假判断过程进行优化，不断的提高自动估值的准确性。
140.下面对本发明实施例提供的仓储货物自动化估值设备进行介绍，下文描述的仓储货物自动化估值设备与上文描述的仓储货物自动化估值方法可相互对应参照。
141.请参考图3，图3为本发明实施例提供的仓储货物自动化估值设备的结构示意图，可以包括：
142.存储器10，用于存储计算机程序；
143.处理器20，用于执行计算机程序，以实现上述的仓储货物自动化估值方法。
144.存储器10、处理器20、通信接口31和通信总线32。存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。
145.在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本技术实施例中，存储器10中可以存储有用于实现以下功能的程序：
146.将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；
147.根据原始数据库建立虚假交易模型；
148.利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；
149.将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；
150.利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。
151.在一种可能的实现方式中，存储器10可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，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
152.此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括nvram。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。
153.处理器20可以为中央处理器(central processing unit，cpu)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
154.通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。
155.当然，需要说明的是，图3所示的结构并不构成对本技术实施例中仓储货物自动化估值设备的限定，在实际应用中仓储货物自动化估值设备包括比图3所示的更多或更少的
部件，或者组合某些部件。
156.下面对本发明实施例提供的存储介质进行介绍，下文描述的存储介质与上文描述的仓储货物自动化估值方法可相互对应参照。
157.本发明还提供一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的仓储货物自动化估值方法的步骤。
158.该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
159.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
160.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
161.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
162.以上对本发明所提供的一种仓储货物自动化估值方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。

技术特征：
1.一种仓储货物自动化估值方法，其特征在于，包括：将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；根据所述原始数据库建立虚假交易模型；利用所述虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；将所述真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值。2.根据权利要求1所述的仓储货物自动化估值方法，其特征在于，在所述利用所述虚假交易模型剔除交易订单中的虚假交易订单之后，还包括：利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；剔除所述库存商品id和平台商品id的对应明细中ean条形码不一致的交易订单。3.根据权利要求1所述的仓储货物自动化估值方法，其特征在于，在所述利用所述虚假交易模型剔除交易订单中的虚假交易订单之后，还包括：利用所述交易订单对应的物流订单确定库存商品id和平台商品id的对应明细；根据所述库存商品id获得所述库存商品id对应的所属类目；根据所述所属类目获得所述待估值仓储中所述所属类目中商品的商品规格，记为第一规格；计算所述库存商品id对应的商品规格与所述第一规格的差；若所述差不在预设范围内，则所述库存商品id对应的交易订单为异常订单；并对所述异常订单执行异常处理操作。4.根据权利要求3所述的仓储货物自动化估值方法，其特征在于，所述对所述异常订单执行异常处理操作，包括：将所述库存商品id的价格设为0并持续预设时间，并在所述预设时间内，接收人工抽检校验结果；若所述人工抽检校验结果正常，则恢复所述库存商品id的价格，并将所述库存商品id对应的交易订单作为真实交易订单；若所述人工抽检校验结果异常，则将所述库存商品id对应的交易订单作为虚假交易订单，并剔除。5.根据权利要求1所述的仓储货物自动化估值方法，其特征在于，所述根据所述原始数据库建立虚假交易模型，包括：对所述电商平台交易订单数据进行特征衍生得到衍生特征；对所述衍生特征进行特征筛选，得到所述数据特征；根据所述数据特征建立所述虚假交易模型。6.根据权利要求1所述的仓储货物自动化估值方法，其特征在于，在所述利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值之后，还包括：计算所述真实交易订单对应的各个商品的货值变化范围；接收对所述变化范围超出预设范围对应的商品进行现场抽查的结果，得到第一实际抽查货值；判断所述货值与第一实际抽查货值是否一致；
若不一致，则对所述虚假交易模型进行优化。7.根据权利要求1所述的仓储货物自动化估值方法，其特征在于，在所述利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值之后，还包括：计算所述真实交易订单对应的各个商品的货值；接收对所述货值大于预设货值对应的商品进行现场抽查的结果，得到第二实际抽查货值；判断所述货值与第二实际抽查货值是否一致；若不一致，则对所述虚假交易模型进行优化。8.一种仓储货物自动化估值装置，其特征在于，包括：原始数据库构建模块，用于将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；模型构建模块，用于根据所述原始数据库建立虚假交易模型；剔除模块，用于利用所述虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；交易单价计算模块，用于将所述真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；总货值确定模块，用于利用所述各个商品的交易单价和各个商品的库存数量确定所述待估值仓储的总货值。9.一种仓储货物自动化估值设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序实现如权利要求1至7任一项所述的仓储货物自动化估值方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的仓储货物自动化估值方法的步骤。

技术总结
本发明公开了一种仓储货物自动化估值方法、装置、设备及存储介质，应用于供应链金融领域，该方法包括：将待估值仓储在预设时间段内的仓储库存数据、交易订单数据和物流订单数据形成原始数据库；根据原始数据库建立虚假交易模型；利用虚假交易模型剔除交易订单中的虚假交易订单，得到真实交易订单；将真实交易订单中各个商品的单价进行加权平均，得到各个商品的交易单价；利用各个商品的交易单价和各个商品的库存数量确定待估值仓储的总货值。本方法利用大数据技术快速识别仓库中各个货物对应的名称和交易单价，可以精准、快速、全面的计算货值，不仅成本低、准确度高，而且还能实现虚假交易订单的识别，有效规避操作风险。有效规避操作风险。有效规避操作风险。


技术研发人员：刘园之
受保护的技术使用者：上海小萌金融信息服务有限公司
技术研发日：2023.03.03
技术公布日：2023/7/11