用于控制冲突处理过程的方法及相关电子装置与流程

用于控制冲突处理过程的方法及相关电子装置
1.本公开涉及运输和物流领域。本公开涉及一种用于控制冲突处理过程的方法及相关电子装置。


背景技术：

2.冲突(诸如发票争议、装运争议、欺诈)是过程中的故障点。例如，用户(例如客户)被错误地计费或者不理解所计费的费用，并且对发票提出争议。这些冲突不仅会影响客户满意度，还会占用资源并造成延误。冲突是反复发生的，但是解决冲突需要遵循一套复杂的规则，其中包含许多变体并涉及各种系统。
3.处理冲突(例如争议)的时间很长，可能导致冲突处理不一致，以及冲突的错误结果。


技术实现要素：

4.需要支持构成冲突过程的一部分的解析和处理数据的技术过程。需要一种工具来支持冲突过程并减少解决冲突的时间，同时维持/提升准确性和一致性。
5.因此，需要一种用于冲突过程控制的电子装置和方法，其减轻、缓和或解决存在的缺点并且提供具有提升的准确性和一致性的更省时的冲突过程控制。
6.公开了一种由电子装置执行的用于控制冲突处理过程的方法。所述方法包括从一个或多个系统获得第一数据集；基于第一数据集和具有一个或多个参数的预测模型来确定指示冲突的一个或多个冲突数据模式；以及基于一个或多个冲突数据模式来预测冲突结果参数和与所述冲突结果参数相关联的置信度分数。
7.公开了一种电子装置，其包括存储器电路、处理器电路和接口电路，其中所述电子装置被配置为执行本文所公开的方法中的任一种。
8.公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令在由电子装置执行时使所述电子装置执行本文所公开的方法中的任一种。
9.本公开的一个优点是，所公开的电子装置和方法提供准确性和一致性得到提升的对冲突过程的更省时的控制。因此，使用所公开的技术，例如对于一类或多类冲突，可以实现更快的冲突解决。这使得减少每次冲突控制的时间。本公开在一个或多个实施方案中提供了一种对与冲突相关的数据进行存储、检索和处理的技术，这改进了存储空间的使用、对冲突过程的控制和冲突处理的速度。可以理解的是，本公开提供了一种能够处理复杂冲突(例如争议)的方法和电子装置，例如，具有例如来自多个系统的冲突数据中的多个维度。
附图说明
10.通过以下参考附图对本公开的示例性实施方案进行的详细描述，本领域技术人员将易于明白本公开的以上以及其他特征和优点，在附图中：
11.图1是示意性地示出根据本公开的由示例性电子装置执行所公开的技术的过程的
图示，
12.图2a至图2b示出了示出根据本公开的由电子装置执行的用于将物品分配到一个或多个容器中的示例性方法的流程图，
13.图3是示出根据本公开的示出示例性电子装置的框图，
14.图4是根据本公开的作为方案呈现的示例性方法的图示，以及
15.图5是示例性数据集的图示。
具体实施方式
16.下文参考相关附图描述了各种示例性实施方案和细节。应注意，附图可能按比例或可能不按比例进行绘制，并且在所有附图中，具有相似结构或功能的元件由相同的附图标记表示。还应注意，附图仅意图促进对实施方案的描述。它们无意作为本公开的详尽描述或对本公开的范围的限制。另外，所示实施方案不必具有所示的所有方面或优点。结合特定实施方案描述的方面或优点不必限于所述实施方案，并且可在任何其他实施方案中实践，即使未如此示出或未如此明确地描述也是如此。
17.为了清楚起见，附图是示意性和简化的，并且它们仅示出了有助于理解本公开的细节，而省略了其他细节。自始至终，相同的附图标记用于表示相同或对应的部分。
18.本文公开的冲突是指电子冲突，诸如电子系统中可识别的冲突，诸如电子系统中交易中的冲突。例如，冲突可能指示争议和/或诈骗。例如，争议可能与发票、装运、和/或商品质量有关。冲突可以由例如两个或更多个冲突数据集之间的数据冲突来表示或表征。
19.图1示出了示意性地示出根据本公开的由示例性电子装置执行所公开的技术100a的过程的图示。
20.用户3可以发送关于冲突(例如与例如发票相关的争议)的通信(例如电子邮件)。这产生冲突数据(例如争议数据，例如预订信息、发票数据等)，其可被视为根据本公开的第一数据集和/或第二数据集。例如，可以将具有客户的相应装运细节的预订信息馈送到所公开的技术100a的数据变换步骤12中。例如，数据变换步骤12可以向参数调整步骤13(例如超参数调整)提供特征选择。参数调整步骤13向预测模型14提供一个或多个参数以运行具有参数组合的实验并从预测模型14接收反馈输入。反馈输入可能与最佳参数选择有关。
21.预测模型14基于第一数据集和一个或多个参数来确定指示冲突的一个或多个冲突数据模式，并将所述一个或多个冲突数据模式提供给预测评分步骤15，所述预测评分步骤基于所述一个或多个冲突数据模式来预测冲突结果参数和与所述冲突结果参数相关联的置信度分数，并且所述预测模型可以将冲突结果参数和置信度分数提供给用于冲突解决的自动分类器步骤17。用于冲突解决的自动分类器步骤17可以将冲突结果提供给用户3。
22.参数调整步骤13可以将置信度分数作为来自预测评分步骤15的输入。换句话说，预测评分步骤15向参数调整步骤13提供一个或多个置信度分数，例如一个或多个预测置信度分数。例如，可以根据值(例如》0.5＝争议，《0.5为无争议)将置信度分数进一步变换为预测类(争议/无争议)。
23.预测评分步骤15可以确定置信度分数是否满足标准，并且当确定置信度分数不满足标准时，预测评分步骤15可以包括将请求传输到审批权限步骤或系统16。审批权限步骤或系统16可以通过调整馈送来恢复以将错误分类的案例提供给步骤18，这可以用于进一步
调整预测模型14。预测评分步骤15可以确定置信度分数是否满足标准，并且当置信度分数不满足标准时，预测评分步骤15可以包括将请求传输到审批权限步骤或系统16。
24.所公开的技术可以被视为自动冲突识别和解决(例如接受/拒绝)，例如，对于特定地区的发货人提出争议的预订发票。例如，所公开的输出消除了导致延迟确定接受或拒绝所提出的争议事件的人工干预。人工干预受制于代理的响应，代理的响应在解决之前来回进行，因此在冲突过程中引入了延迟。
25.通过端到端冲突过程控制，所公开的技术可以通过利用基于预测模型的预测和评分来利用与冲突相关的输入数据，这使得可以更快地解决冲突。所公开的技术可以被视为快速收敛到冲突的根本原因并且以省时的方式解决冲突。
26.所公开的技术可以适用于具有客户服务域的跨域冲突识别。
27.图2a至图2b示出了根据本公开的由电子装置执行的用于控制冲突过程(例如用于控制冲突处理过程)的示例性方法100的流程图。换句话说，方法100可以被视为用于处理冲突过程，例如用于冲突结果预测，例如用于预测冲突结果，例如冲突结果参数。例如，可以执行方法100以确定冲突结果预测，例如冲突结果预测参数。例如，方法100可以被执行用于控制冲突过程，诸如用于控制被配置为处理电子冲突的电子装置。处理冲突的过程可以被视为是用于控制系统以表征和预测结果和/或解决冲突的过程。
28.方法100包括从一个或多个系统获得s102第一数据集。系统可以被视为是被配置为监视、控制和/或管理运输和物流中的一项或多项任务、一项或多项操作和/或一个或多个过程的系统。在一个或多个示例性方法中，一个或多个系统是操作系统。在一些示例中，一个或多个操作系统包括以下一项或多项：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。例如，第一数据集可以从以下一项或多项获得：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。第一数据集可以包括一个或多个第一数据元素。在一个或多个实施方案中，第一数据集包括多个第一数据元素。第一数据集的示例可以由图5示出。第一数据集可以具有一个或多个维度。维度可以指示第一数据集的第一数据元素的来源。在一个或多个实施方案中，第一数据集具有多个维度。多个维度可以与作为第一数据集的来源的一个或多个系统相关，例如以下系统中的一个或多个：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。例如，一个或多个维度可以包括指示装运的第一维度、指示争议的第二维度、指示客户的第三维度、指示时间的第四维度(例如日期和/或时间)和/或指示发票的第五维度。例如，第一数据集可以指示争议相关信息，例如来自客户在预订时开具的发票。例如，争议相关信息可以用装运细节和相应的时间维度来增强(诸如扩充)。
29.方法100包括基于第一数据集和具有一个或多个参数的预测模型来确定s106指示冲突的一个或多个冲突数据模式。在一个或多个示例性方法中，一个或多个冲突数据模式包括预订数据模式、争议数据模式和/或收入数据模式。例如，电子装置可以在线获取输入(例如，来自客户系统，诸如系统应用产品系统)以及从交易馈送(例如，来自案例管理数据库)获取输入。预测模型(诸如一个或多个预测机器学习(人工智能ai)模型)可以进一步处理和利用馈送，所述预测模型利用和/或考虑来自第一数据集的多样化维度来识别和/或确定一个或多个冲突数据模式。预测模型可以跨多个级别部署，诸如：a)争议类别识别(例如，使用示例性指示符：“费率”、“已支付”等)；b)争议结果分类(例如，使用示例性指示符：“已
接受”/“拒绝”)和c)欺诈检测(例如风险分类/评分)。
30.例如，第一数据集可以被视为提供了多样化的数据字段，这可以使预测模型能够有效地学习模式并应用预测模型来进行预测。
31.本文公开的预测模型是指预测方案和/或预测计算技术。可以设想预测引擎可以基于预测模型和/或预测方案执行操作。预测模型可以包括多个用于进行预测的模型。在一个或多个示例性方法中，预测模型包括以下一项或多项：集成技术、分类模型、基于树的模型、以及集成技术、分类模型和基于一个或多个权重因素的基于树的模型中的任一者的组合。集成方法或集成技术组合例如多个决策树分类器以产生比单个决策树分类器更好的预测性能。通过集成技术，将一组弱学习技术组合以形成强学习技术，从而提高预测模型的准确性。例如，预测模型包括以下各项的组合：分类模型(例如分类器或分类器方案，例如基于概率和核的多项式方案)和使用一个或多个权重因素的基于树的模型。例如，可以通过应用分类模型和基于树的模型的集成技术(基于一个或多个权重因素)来执行组合。例如，第一分类方案和第一基于树的方案通过权重机制的组合可以引起具有可接受分数的预测并且在连续步骤中促进对应的第一方案，并且以迭代方式提升第一方案，这继而提升第二方案，这继而提升第三方案(如图4所示)。可以使用基于启发式的技术来定义第一方案、第二方案和第三方案之间的关系。基于集成技术的预测模型可以提供更强的分类器。多个分类模型已作为预测模型的一部分进行了评估，以最终设计出确保场景和案例(例如争议识别、欺诈检测、基于电子邮件的争议处理等)的高准确性和广泛可扩展性的集成模型。例如，集成模型或集成技术可以将一些特定类型的决策树(例如提升树、迭代二分法3(id3)、c4-5、分类回归树(cart)、卡方自动交互检测(chaid))与特定的深度范围、分割大小、分类器类型(例如线性、支持向量机、核、卷积神经网络等)组合。例如，集成模型或集成技术可以将多个估计器(例如树——在50到500的范围内进行实验)与特定的深度范围(在1到10的范围内进行实验)组合。
32.在一个或多个示例性方法中，一个或多个参数包括用于配置预测模型的一个或多个参数(例如用于学习过程的初始配置，例如模型参数，例如用于调整预测模型)。例如，用于配置预测模型的一个或多个参数包括一个或多个超参数。超参数可以被视为是学习过程之前的参数集，其有助于以定义的方式对分类器进行实验。例如，一个或多个超参数包括以下一项或多项：用于对数据的不同部分进行预测的预测模型的数量(例如，要进行实验和优化(调整)的预测模型的数量可以是50、100、150等)、进行预测所需的最小样本分割(例如，最小样本分割可以是20、30、40、100、100k等)、支持收敛到最优解的学习速率参数(学习速率参数可以是以下中的任一者：0.01、0.001、0.8等)，以及预测模型的深度参数——确定模型的复杂性(例如，深度参数可以小于10，诸如小于5，诸如1或2)。例如，一个或多个超参数包括分割大小。例如，最小样本分割可以确定在决策树的每个节点处分割所需的最小数据点数量。例如，当不满足此条件时，可能会停止进一步分割，并且该节点将被视为决策树中的最终节点。可以从第一数据集(例如第一数据实例)确定最小样本分割。
33.有了用于预测冲突结果的多维度数据，本公开能够在大范围内自动选择机器学习/ai模型作为预测模型，并结合超参数调整以产生“同类最佳”的准确性。所公开的技术能够生成具有最佳(最小)误差/准确性权衡的精确预测。
34.在一个或多个示例性方法中，所述方法包括基于从预测模型对反馈参数的选择来
优化s104一个或多个参数。反馈参数可以包括指示这是否是实际冲突的人工审计决策的参数，这些参数被进一步反馈回到训练模块以通过额外学习增强系统能力。例如，优化s104一个或多个参数(例如一个或多个超参数)可以包括调整一个或多个参数以向预测模型提供最优参数(例如最佳参数)。例如，超参数调整可以为配置预测模型提供最佳参数，从而预测模型可以提供最佳预测估计。这可能有利于操作(例如预订)以快速解决冲突(例如争议)和加速解决周期(例如支付周期)。在发票生成阶段分析数据时，这也可能有助于识别潜在的冲突案例。例如，识别早期的潜在冲突可以防止技术错误的传播。
35.方法100包括基于一个或多个冲突数据模式预测s108冲突结果参数和与冲突结果参数相关联的置信度分数。在一个或多个实施方案中，冲突结果参数包括争议结果参数和/或欺诈结果参数。例如，冲突结果参数可以被视为是冲突解决参数，诸如争议解决参数和/或欺诈解决参数。可以通过确定基于分类器在训练期间学习的特征值生成的概率分数来生成置信度分数。
36.在一个或多个示例性方法中，冲突结果参数指示存在冲突或不存在冲突。在一个或多个示例性方法中，冲突结果参数指示存在冲突的可能性或不存在冲突的可能性。与冲突结果参数相关联的置信度分数支持冲突解决或解决冲突。例如，在进行预测时分配置信度分数(例如范围为从0到1)。例如，高置信度分数使得根据冲突结果参数解决冲突(例如接受/审批或拒绝)。
37.预测的冲突结果参数和置信度分数使得电子自动评估冲突，例如是否用相关联的置信度分数接受或拒绝提出的冲突。
38.电子装置使用预测的冲突结果参数和置信度分数来输出冲突结果(例如“接受”或“拒绝”)。在一种或多种示例性方法中，冲突结果指示冲突(接受冲突(例如接受争议)或不接受冲突(例如不接受争议))。冲突解决指示是接受还是拒绝冲突。
39.在一种或多种示例性方法中，获得s102第一数据集包括从一个或多个系统获得s102a第二数据集(例如接收和/或检索第二数据集)。在一种或多种示例性方法中，获得s102第一数据集包括预处理s102b第二数据集以获得第一数据集。第二数据集可以被视为是原始输入数据集，其需要进行一些预处理以降低噪声、规范化和标准化原始输入数据集以提供第一数据集。数据集中的噪声可能是指数据集中的损坏，诸如额外的无意义或不正确的数据元素。
40.在一种或多种示例性方法中，预处理s102b第二数据集包括降低s102bb第二数据集中的噪声。降低s102bb第二数据集中的噪声可包括移除识别为有噪声的特征。降低s102bb第二数据集中的噪声可包括降低特定特征的重要性。第二数据集中的噪声可能被视为已取消、移除和/或抑制。预处理的第二数据集可以包括噪声被取消、消除的数据集(例如预处理后的噪声水平＝0)。在一种或多种示例性方法中，预处理s102b第二数据集包括规范化s102bc第二数据集。规范化数据集可以指限制数据集，使得数据集的数据元素的属性被标准化为符合相同的表示“规范”或类型中的一项或多项。可以使用缩放和/或编码来执行规范化。例如，第二数据集包括一个或多个第二数据元素，诸如与类别(例如城市)相关的第二数据元素、与范围相关的第二数据元素、是数字的第二数据元素。第二数据集可以跨第二数据集被规范化。例如，指示纽约的第二数据元素用与纽约市相关联的数字表示来规范化(例如，通过数字编码)。
41.在一种或多种示例性方法中，预处理s102b第二数据集包括将变换应用于s102bd第二数据集。例如，变换可以将第二数据集作为输入(例如将原始数据作为输入)，并应用缩放，例如以使第二数据集的向量(例如列)标准化，以消除任何数据元素(例如变量、向量、列)例如由于不同的缩放产生的偏差。
42.例如，第二数据集的数据元素
‘
booked_ffes’可以被视为是变量，它捕获客户预订的容器总数，范围从0.5到数千不等。例如，第二数据集的另一个数据元素(例如
‘
price_owner_churn_risk’)取值范围为0到100。例如，如果本文公开的预测模型将此类数据集作为输入，则预测模型可能偏向于高范围数据，即
‘
booked_ffes’，因此在进行预测时可能会导致偏差，并可能导致预测不正确。缩放原始数据集(即第二数据集)的数据元素(例如在进入模型构建阶段之前数据的特征/变量)可能是有利的。另一种变换可能是编码。例如，分类变量如
‘
charge_type’(导入或导出)需要被表示为编码的数字表示，因为机器学习模型可能无法处理“字符串”或字符。
43.可以理解，被视为本文公开的预测模型的第一数据集的数据被清理、规范化和变换以馈入所公开的预测模型(例如ai分类模型)。基于分类引擎的预测模型可以基于最佳参数评估执行估计，以提供稳健和同类最佳的准确性模型。
44.在一种或多种示例性方法中，方法100包括基于第一数据集获得s103特征选择。例如，通过对第一数据集应用特征重要性分析来获得特征选择。例如，并非第一数据集的所有数据元素都有助于预测。换句话说，特征重要性分析提供了有利于建立预测模型的选定特征。在一种或多种示例性方法中，基于特征选择进一步确定一个或多个冲突数据模式。例如，确定s106一个或多个冲突数据模式包括基于特征选择确定一个或多个冲突数据模式。
45.在一种或多种示例性方法中，方法100包括确定s112置信度分数是否满足标准。所述标准可以基于阈值。例如，确定s112置信度分数是否满足标准可以包括确定置信度分数是否高于或等于阈值。
46.在一种或多种示例性方法中，所述方法包括：当确定置信度分数不满足标准时，将请求传输s114到审批权限系统。审批权限系统可以是指对冲突结果有审批或不审批权限的系统。审批权限系统可以涉及个人进行的冲突解决审批/不审批。例如，审批权限系统可以使用全局权限矩阵，所述用全局权限矩阵将审批权限授予个人。例如，当确定置信度分数低于阈值(例如0.8)时，则电子装置将请求传输到审批权限系统。例如，所述方法可以包括：当确定置信度分数不满足标准时，向审批权限系统传输s114请求。例如，所述方法可以包括：当确定置信度分数满足标准时，根据冲突结果参数向用户提供s113冲突结果。例如，所述方法可以包括：当确定置信度分数满足标准时，根据冲突结果参数向电子装置提供冲突结果。例如，所述方法可以包括：当确定置信度分数满足标准时，基于冲突结果控制系统。例如，所述方法可以包括：当确定置信度分数满足标准时，基于冲突结果指示系统解决冲突或不解决冲突。
47.在一种或多种示例性方法中，所述方法包括当确定置信度分数满足标准时，根据冲突结果参数向用户提供s113冲突结果。在一种或多种示例性方法中，所述方法包括：当确定置信度分数满足标准时，制止将请求传输到审批权限系统。例如，当确定置信度分数高于或等于阈值(例如0.8)时，则不将请求传输到审批权限系统以进行验证，可以直接采取行动(接受/拒绝)，这使得可以自动解决冲突(例如争议)。冲突结果预测确定其中解决方案已被
提供作为自动审批或拒绝的类别。
48.在一种或多种示例性方法中，所述方法包括：当置信度分数满足标准时，根据冲突结果参数向用户提供s113冲突结果。在一种或多种示例性方法中，所述方法包括：当置信度分数满足标准时，制止将请求传输到审批权限系统。例如，当置信度分数高于或等于阈值(例如0.8)时，则不将请求传输到审批权限系统以进行验证，可以直接采取行动(接受/拒绝)，这使得可以自动解决冲突(例如争议)。
49.在一种或多种示例性方法中，方法100包括从审批权限系统接收s110审批指示符。例如，审批指示符可以被视为调整馈送(如图1所示)的反馈回路，以改进预测模型的一个或多个参数。
50.在一种或多种示例性方法中，所述方法包括基于第一数据集和具有一个或多个参数的预测模型来确定s106一个或多个冲突数据模式，包括基于第一数据集和审批指示符来确定s106a一个或多个冲突数据模式，所述预测模型具有一个或多个参数。
51.在一种或多种示例性方法中，方法100包括对照历史冲突结果数据测试s116冲突结果参数。例如，测试s116可以包括将冲突结果参数与历史冲突结果数据进行比较。
52.在一种或多种示例性方法中，方法100包括基于迭代测试来估计s118准确性。例如，可以基于冲突结果参数与历史冲突结果数据的迭代比较来估计冲突结果参数的准确性。
53.在一种或多种示例性方法中，方法100包括基于冲突结果参数以及以下一项或多项来估计s120客户风险数据概况：季节数据、预订模式和收入模式。季节数据可以包括索赔的历史数据、未来争议的指示符、指示某些偏差的另一个信号。例如，可以根据与客户的关系复杂性(历史预订模式)进一步评估预测结果。例如，当复杂性较低时，则考虑预测的冲突结果参数和相关联的置信度分数来评估争议接受度。例如，所公开的电子装置能够从案例管理系统和预订细节中获取“文本”数据以预测争议结果。结果可以通过季节性、收入和预订模式进行分析，以估计客户的风险概况。
54.方法100可以包括在存储器电路的一部分中存储预测模型的一个或多个参数、冲突结果参数和相关联的置信度分数。
55.图3示出了根据本公开的示例性电子装置300的框图。电子装置300包括存储器电路301、处理器电路302和接口电路303。电子装置300被配置为执行图2a至图2b中公开的任何方法。
56.电子装置300被配置为从一个或多个系统获得(诸如使用处理器电路302，并且诸如经由接口电路303)第一数据集。第一数据集可以具有多个维度。
57.电子装置300被配置为基于第一数据集和具有一个或多个参数的预测模型来确定(诸如使用处理器电路302)指示冲突的一个或多个冲突数据模式。
58.电子装置300被配置为基于一个或多个冲突数据模式来预测(诸如使用处理器电路302)冲突结果参数和与冲突结果参数相关联的置信度分数。
59.在一个或多个实施方案中，一个或多个系统包括以下一项或多项：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。
60.在一个或多个实施方案中，基于特征选择来进一步确定一个或多个冲突数据模式。
61.在一个或多个实施方案中，一个或多个参数包括一个或多个超参数。
62.在一个或多个实施方案中，预测模型包括以下一项或多项：集成技术、分类模型、基于树的模型、以及集成技术、分类模型和基于一个或多个权重因素的基于树的模型中的任一者的组合。
63.在一个或多个实施方案中，一个或多个冲突数据模式包括预订数据模式、争议数据模式和收入数据模式。
64.在一个或多个实施方案中，冲突结果参数指示存在冲突或不存在冲突。
65.在一个或多个实施方案中，冲突结果参数指示存在冲突的可能性或不存在冲突的可能性。
66.处理器电路302任选地被配置为执行图2a至图2b中公开的任何操作(诸如s102a、s102b、s102bb、s102bc、s102bd、s103、s104、s106a、s110、s112、s113、s114、s116、s118、s120中的任何一者或多者)。电子装置300的操作可以以存储在非暂时性计算机可读介质(例如，存储器电路301)上并且由处理器电路302执行的可执行逻辑例程(例如，代码行、软件程序等)的形式体现。
67.此外，电子装置300的操作可以被认为是电子装置300被配置为执行的方法。此外，虽然所描述的功能和操作可以在软件中实施，但这种功能也可以通过专用硬件或固件、或硬件、固件和/或软件的某种组合来实现。
68.存储器电路301可以是缓冲器、闪存、硬盘驱动器、可移动介质、易失性存储器、非易失性存储器、随机存取存储器(ram)或其他合适的装置中的一者或多者。在典型的布置中，存储器电路301可以包括用于长期数据存储的非易失性存储器和用作处理器电路302的系统存储器的易失性存储器。存储器电路301可以通过数据总线与处理器电路302交换数据。也可以存在存储器电路301和处理器电路302之间的控制线和地址总线(图3中未示出)。存储器电路301被认为是非暂时性计算机可读介质。
69.存储器电路301可以被配置为将信息和/或数据(诸如第一数据集、预测模型、一个或多个参数、一个或多个冲突数据模式、冲突结果参数、和/或置信度分数)存储在存储器的一部分中。
70.图4是根据本公开的作为方案呈现的示例性方法的图示。所示方案基于多种技术和“强”集成来预测冲突结果。集成模型通过考虑跨多个模型组合的“提升”来提供高度准确性和最小的误差。集成方法确保弱学习器有顺序地组合并在组合水平上提升性能，这种技术将成为强学习器，称为集成模型。从图4可以看出，迭代过程可以遵循示例提到的步骤，例如：
71.1)模型f1尝试正确拟合少数数据点并错误地保留数据点
72.2)模型f2更关注模型f1未正确分类的数据点。因此，模型f2为错误分类的点赋予更多权重，并创建决策边界以对少数数据点进行正确分类。
73.3)模型f2无法对所有数据点进行正确分类，因此再次向这些数据点分配更高的权重，并且模型f3尝试通过进行正确分类来尝试这一点。
74.4)这个过程一直持续到模型f1、f2等通过对最大实例进行正确分类来在所有数据点上收敛到最佳准确性。所有这些单独的模型f1、f2
……
fn都是“弱学习器”，因为这些模型只能正确预测少数实例，但是当执行此类“弱学习器”的集合时，可以获得能够对所有实例
进行正确分类的强学习器。例如，在所有迭代和超参数调整之后，获得可以提供更高准确性的最优模型。实验设置了所有不同的分类方法，如决策树、概率和基于核的多项式实施，以选择“同类最佳”解决方案。
75.可以理解，所公开的技术允许有可扩展性。此外，对冲突结果的预测可以产生精确的自动解决。例如，对于系统评分高的案例，可以完全省去人工步骤来判断冲突状态。所公开的技术可以应用于内陆冲突处理(例如内陆争议)。从海洋争议中吸取教训可以帮助为其他类型的冲突设计性能更好的模型。可以扩展所公开的技术以识别发票问题并采取主动行动来避免发票争议(“被动”到“主动”解决)。所公开的技术可能能够清楚地指示争议模式中的任何异常并且避免系统性问题或可能的欺诈。
76.所公开的技术提供了处理运输和物流领域的各种接触点的技术能力和可扩展性，这些接触点的范围为从主动冲突识别、识别冲突的关键问题、基于预订和争议模式的客户风险分析以及自动冲突解决到加速应收账款。所公开的技术考虑季节性模式、预订维度、客户概况、装运属性和电子邮件内容以导出可以被估计为预测争议结果的唯一度量。所公开的技术可以与图像识别能力(光学字符识别(ocr))相结合以将其扩展到发票识别。这支持“即时”冲突解决。
77.图5是示例性数据集500的图示。在一些实施方案中，数据集500对应于本文公开的第一数据集。在一些实施方案中，数据集500对应于本文公开的第二数据集。
78.数据集500可以具有一个或多个维度。在一个或多个实施方案中，数据集500具有多个维度52、53、54、55。多个维度可以与作为数据集500的来源的一个或多个系统相关，例如以下一项或多项：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。例如，一个或多个维度可以包括指示装运的第一维度52、指示争议的第二维度53、指示客户的第三维度54、指示时间的第四维度55(例如日期和/或时间)和/或指示发票的第五维度(未示出)。
79.例如，数据集500可以指示例如来自装运系统的装运52相关信息(诸如装运的原产国)。例如，可以用装运细节(例如贸易通道名称)和相应的争议53、客户54和/或时间维度55来增强(诸如扩充)装运52相关信息。
80.例如，数据集500可以指示例如来自争议解决系统和/或来自客户在预订时开具的发票(诸如不正确的发票)的争议53相关信息(诸如争议原因，例如争议原因的定义)。例如，可以用装运细节和相应的客户54、装运52和/或时间维度55来增强(诸如扩充)争议53相关信息。
81.例如，数据集500可以指示例如来自客户系统(诸如客户数据库，例如客户关系管理(crm)系统)的客户54相关信息。例如，可以用装运细节和相应的争议53、装运52和/或时间维度55来增强(诸如扩充)客户54相关信息。
82.例如，数据集500可以指示例如来自争议解决系统和/或来自客户在预订时开具的发票的时间55(例如，日期和/或时间)相关信息(诸如文件的日期、争议的开始日期)。例如，可以用装运细节和相应的客户54、争议53和/或装运维度52来增强(诸如扩充)时间55相关信息。
83.根据本公开的方法和产品(电子装置)的实施方案在以下条款中阐述：
84.1.一种由电子装置执行的用于控制冲突处理过程的方法，所述方法包括：
[0085]-从一个或多个系统获得(s102)第一数据集；
[0086]-基于所述第一数据集和具有一个或多个参数的预测模型来确定(s106)指示冲突的一个或多个冲突数据模式；以及
[0087]-基于所述一个或多个冲突数据模式来预测(s108)冲突结果参数和与所述冲突结果参数相关联的置信度分数。
[0088]
2.根据项1所述的方法，其中所述一个或多个系统是操作系统，其中所述一个或多个操作系统包括以下系统中的一者或多者：装运系统、争议解决系统、客户系统、发票系统和案例管理系统。
[0089]
3.根据前述项中任一项所述的方法，其中获得(s102)所述第一数据集包括从所述一个或多个系统获得(s102a)第二数据集以及预处理(s102b)所述第二数据集以获得所述第一数据集。
[0090]
4.根据项3所述的方法，其中预处理(s102b)所述第二数据集包括降低(s102bb)所述第二数据集中的噪声。
[0091]
5.根据项3至4中任一项所述的方法，其中预处理(s102b)所述第二数据集包括规范化(s102bc)所述第二数据集。
[0092]
6.根据项3至5中任一项所述的方法，其中预处理(s102b)所述第二数据集包括将变换应用于(s102bd)所述第二数据集。
[0093]
7.根据前述项中任一项所述的方法，所述方法包括基于所述第一数据集获得(s103)特征选择。
[0094]
8.根据项7所述的方法，其中基于所述特征选择进一步确定所述一个或多个冲突数据模式。
[0095]
9.根据前述项中任一项所述的方法，所述方法包括基于从所述预测模型对反馈参数的选择来优化(s104)所述一个或多个参数。
[0096]
10.根据前述项中任一项所述的方法，其中所述一个或多个参数包括用于配置所述预测模型的一个或多个参数。
[0097]
11.根据前述项中任一项所述的方法，所述方法包括：
[0098]-从审批权限系统接收(s110)审批指示符，
[0099]-其中基于所述第一数据集和具有一个或多个参数的所述预测模型来确定(s106)所述一个或多个冲突数据模式包括基于所述第一数据集和所述审批指示符来确定(s106a)所述一个或多个冲突数据模式，所述预测模型具有一个或多个参数。
[0100]
12.根据前述项中任一项所述的方法，其中所述预测模型包括以下一项或多项：集成技术、分类模型、基于树的模型、以及所述集成技术、所述分类模型和基于一个或多个权重因素的所述基于树的模型中的任一者的组合。
[0101]
13.根据前述项中任一项所述的方法，其中所述一个或多个冲突数据模式包括预订数据模式、争议数据模式和收入数据模式。
[0102]
14.根据前述项中任一项所述的方法，所述方法包括：
[0103]-确定(s112)所述置信度分数是否满足标准，以及
[0104]-当确定所述置信度分数不满足所述标准时，将请求传输(s114)到所述审批权限系统。
[0105]
15.根据前述项中任一项所述的方法，所述方法包括：
[0106]
当确定所述置信度分数满足所述标准时，根据所述冲突结果参数向用户提供(s113)所述冲突结果。
[0107]
16.根据前述项中任一项所述的方法，所述方法包括对照历史冲突结果数据测试(s116)所述冲突结果参数。
[0108]
17.根据项16所述的方法，所述方法包括基于迭代测试来估计(s118)准确性。
[0109]
18.根据前述项中任一项所述的方法，所述方法包括：基于所述冲突结果参数以及以下一项或多项来估计(s120)客户风险数据概况：季节数据、预订模式和收入模式。
[0110]
19.根据前述项中任一项所述的方法，其中所述冲突结果参数指示存在冲突的可能性或不存在冲突的可能性。
[0111]
20.一种电子装置，其包括存储器电路、处理器电路和接口电路，其中所述电子装置被配置为执行根据项1至19中任一项所述的方法中的任一种。
[0112]
21.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令在由电子装置执行时使所述电子装置执行根据项1至19所述的方法中的任一种。
[0113]
术语“第一”、“第二”、“第三”和“第四”、“第一级”、“第二级”、“第三级”等的使用并不暗示任何特定的顺序，而是包括在内以识别各个元素。此外，术语“第一”、“第二”、“第三”和“第四”、“第一级”、“第二级”、“第三级”等的使用并不表示任何顺序或重要性，而是术语“第一”、“第二”、“第三”和“第四”、“第一级”、“第二级”、“第三级”等用于区分一个元素与另一个元素。请注意，此处和其他地方使用的词语“第一”、“第二”、“第三”和“第四”、“第一级”、“第二级”、“第三级”等仅用于标记目的，并不旨在表示任何特定的空间或时间顺序。此外，第一元素的标记并不意味着第二元素的存在，反之亦然。
[0114]
可以理解，图1至图5包括用实线示出的一些电路或操作以及用虚线示出的一些电路或操作。包括在实线中的电路或操作是包括在最广泛的示例性实施方案中的电路或操作。包括在虚线中的电路或操作是示例性实施方案，其可以包括在除实线示例性实施方案的电路或操作之外可采用的另外的电路或操作中或为其一部分或为所述另外的电路或操作。应该理解，这些操作不需要按呈现的顺序执行。此外，应了解并非所有操作都需要执行。可以以任何顺序和任何组合来执行示例性操作。
[0115]
需要注意的是，“包括”一词并不一定排除除所列之外的其他元素或步骤的存在。
[0116]
应当注意，在元素之前的词语“一(a)”或“一(an)”不排除多个此类元素的存在。
[0117]
还应注意，任何附图标记不限制权利要求的范围，示例性实施方案可以至少部分地通过硬件和软件两者来实施，并且若干“构件”、“单元”或“装置”可以用相同的硬件项来表示。
[0118]
本文描述的各种示例性方法、装置、节点和系统是在方法步骤或过程的一般上下文中描述的，所述方法步骤或过程在一个方面可以由体现在计算机可读介质中的计算机程序产品实施，所述计算机程序产品包括由网络环境中的计算机执行的计算机可执行指令，诸如程序代码。计算机可读介质可以包括可移动和不可移动存储装置，包括但不限于只读存储器(rom)、随机存取存储器(ram)、压缩盘(cd)、数字多功能盘(dvd)等。通常，程序电路可以包括执行指定任务或实施特定抽象数据类型的例程、程序、对象、部件、数据结构等。计
算机可执行指令、相关联数据结构和程序电路表示用于执行本文公开的方法的步骤的程序代码的示例。此类可执行指令或相关联数据结构的特定序列表示用于实施此类步骤或过程中描述的功能的对应动作的示例。
[0119]
虽然已经示出并描述了特征，但是应当理解，它们并不旨在限制所要求保护的公开，并且对于本领域技术人员显而易见的是，在不脱离所要求保护的公开的范围的情况下，可以作出各种改变和修改。相应地，说明书和附图被认为是说明性意义而非限制性意义。所要求保护的公开旨在涵盖所有替代方案、修改和等同物。