基于LSTM神经网络模型对大宗矿产资源放行风险预测研究

发布时间：2024-04-01 03:57

　　本文旨在研究准确预测大宗矿产资源的放行风险,采用海关2016年至2020年的进口大宗矿产资源通关数据,选取22个特征值,基于TensorFlow框架,建立了LSTM神经网络时间序列模型,并将该模型用于预测大宗矿产资源的放行风险等级。通过F1-score评价该模型的预测精度,该模型的F1-score值为87.9%,研究表明该模型预测结果满意,适用于大宗矿产资源的放行风险的预测。

【文章页数】：13 页

【部分图文】：

图1相关系数热力图

(1)研究连续变量与二分类变量：通过斯皮尔曼相关性系数和相关系数热力图知，货物重量、货物总值、索赔截止日期、特殊检验检疫要求、现场情况描述、检验时间间隔与放行风险指标（检验结果评定、检疫结果评定、集装箱检疫结果、货物评定、检验检疫结果代码）呈现负相关，而是否二次检验与放行风险指标....

图2原产国与检验结果的提琴图

如图2，以原产国编号分别为17与43为例。来自不同原产国的货物，检验结果合格率的分布存在很大差异。左边蓝色部分和右边黄色部分分别表示来自原产国17和原产国43的货物检验结果合格率分布情况。发现来自原产国17的货物，检验结果合格率分布较广，主要集中在较低值；来自原产国43的货物，检....

图3检验检疫不合格的施检时间间隔柱状图

根据2.2小节分析结果，将剩余22个相关性较强的变量（表1中带星号的变量），输入放行风险评估模型，并进行更深入的研究探索。图4检验检疫合格的施检时间间隔柱状图

图4检验检疫合格的施检时间间隔柱状图

图3检验检疫不合格的施检时间间隔柱状图3建模与实例验证

本文编号：3944958