一种预测应收账款未来新增规模的方法及系统

摘要

本发明涉及回款预测的技术领域，提供了一种预测应收账款未来新增规模的方法及系统，方法包括：S1：抓取企业数据作为预测应收账款未来新增规模的基础变量，并对基础变量进行衍生，形成衍生变量；S2：建立XGBoost算法模型，设置模型的参数，并对参数进行调优；S3：将包括基础变量、衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将DMatrix数据结构输入模型，输出所述未来应收账款，完成对所述未来应收账款的预测。能够对未来应收账款的新增进行有效预测，且预测的精度较高。

说明书

技术领域

本发明涉及回款预测的技术领域，尤其涉及一种预测应收账款未来新增规模的方法及系统。

背景技术

在金融领域，中小企业融资难、融资贵一直是一个世界性的难题。随着近些年互联网的发展，互联网小贷、供应链金融的出现在一定程度上有所缓解，但对金融机构来说，仍存在着一些长期困扰的痛点和需求，包括看不清产业链、摸不透底层资产以及对企业主体不信任等。根据2019年人民银行的研究报告《制造业企业融资需求的总量与结构特征》中可以看到，受技术能力的制约实体产业金融服务呈存在潜在需求大、满足程度低的问题。随着数字经济的兴起，产业数字化成为产业升级的重要目标。因此，基于产业数字化水平，通过技术手段帮助让底层资产透明、可信以及风险可控。

对于实体产业，由于商贸交易，存在着大量的应收账款，而企业通过应收账款转让、质押等方式来获取金融服务。因此，对于应收账款的管理则成为金融机构风险管理的核心要点之一，尤其是对应收账款未来新增规模的预测管理。但是，对于金融机构，其对应收账款的新增规模一般通过传统的时间序列模型预测或只是通过财报、发票、税务等去核实，且在风险管理中只是设置同比、环比等进行预警，但效果不理想。但是，应收账款新增规模的预测能够判断企业未来经营交易是否会出现较大幅度的下滑，企业的未来的还款能力是否会严重不足，能够对企业的风险进行监测和预警。

发明内容

针对上述问题，本发明的目的在于提供一种预测应收账款未来新增规模的方法及系统，能够对未来应收账款的新增进行有效预测，且预测的精度较高。

本发明的上述发明目的是通过以下技术方案得以实现的：

一种预测应收账款未来新增规模的方法，包括以下步骤：

S1：抓取待预测应收账款未来新增规模的企业的包括客户基础数据、应收账款数据在内的企业数据作为预测应收账款未来新增规模的基础变量，并对所述基础变量进行衍生，形成衍生变量；

S2：建立XGBoost算法模型，设置所述XGBoost算法模型的参数，并对所述XGBoost算法模型的参数进行调优；

S3：将包括所述基础变量、所述衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将所述DMatrix数据结构输入所述XGBoost算法模型，输出所述未来应收账款，完成对所述未来应收账款的预测。

进一步地，在步骤S1中，还包括：

对所述基础变量的维度进行抓取，根据具体维度的所述基础变量进行预测，其中，所述基础变量的维度包括时间维度、客户维度、产品维度、账款维度、增长趋势维度在内的维度。

进一步地，在步骤S1中，所述衍生变量，具体为：

对所述基础变量进行历史趋势的聚合，形成包括最近一个月、最近两个月、最近三个月的最大值、最小值、求和、均值在内所述衍生变量。

进一步地，在步骤S2中，对所述XGBoost算法模型的参数进行调优，XGBoost参数包括通用参数、booster参数、学习目标参数在内的参数，调优的步骤具体为：

S21：确定通用参数，根据业务目标和训练环境，确定迭代模型类型和系统参数；

S22：设定所述XGBoost算法模型的学习速率；

S23：调节所述XGBoost算法模型中树的参数，依次调节包括数的个数、树的深度、随机采样行占比、随机采样列占比、最小叶子节点样本权重和、样本类别失衡下，模型可快速收敛在内的参数；

S24：调节所述XGBoost算法模型的学习速率；

S25：重复步骤S21-24，提高所述XGBoost算法模型的预测的准确率。

进一步地，在步骤S2中，还包括：

选取历史的所述企业数据作为测试样本，输入所述XGBoost算法模型，观测输出的模型预测结果与实际数据之间的偏移度，对所述XGBoost算法模型进行调优；

其中，输入所述XGBoost算法模型的变量包括所述基础变量、所述衍生变量在内的任意一种或全部变量，测试完成后，根据预测效果选取包括所述基础变量、所述衍生变量在内的任意一种或全部变量最为最终预测时输入的变量类型。

进一步地，在步骤S3之后，还包括，对预测结果进行评估，具体为：

采用平均绝对百分比误差：

其中，n为预测的月数，R

一种用于执行上述的预测应收账款未来新增规模的方法的预测应收账款未来新增规模系统，包括：

数据抓取模块，用于抓取待预测应收账款未来新增规模的企业的包括客户基础数据、应收账款数据在内的企业数据作为预测应收账款未来新增规模的基础变量，并对所述基础变量进行衍生，形成衍生变量；

算法建立模块，用于建立XGBoost算法模型，设置所述XGBoost算法模型的参数，并对所述XGBoost算法模型的参数进行调优

预测模块，用于将包括所述基础变量、所述衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将所述DMatrix数据结构输入所述XGBoost算法模型，输出所述未来应收账款，完成对所述未来应收账款的预测。

进一步地，所述算法建立模块，还包括：

算法测试单元，用于选取历史的所述企业数据作为测试样本，输入所述XGBoost算法模型，观测输出的模型预测结果与实际数据之间的偏移度，对所述XGBoost算法模型进行调优；其中，输入所述XGBoost算法模型的变量包括所述基础变量、所述衍生变量在内的任意一种或全部变量，测试完成后，根据预测效果选取包括所述基础变量、所述衍生变量在内的任意一种或全部变量最为最终预测时输入的变量类型。

进一步地，还包括：评估模块，用于对预测结果进行评估，具体为：

采用平均绝对百分比误差：

其中，n为预测的月数，R

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如上述的方法被执行。

与现有技术相比，本发明包括以下至少一种有益效果是：

通过提供一种预测应收账款未来新增规模的方法，包括以下步骤：S1：抓取待预测应收账款未来新增规模的企业的包括客户基础数据、应收账款数据在内的企业数据作为预测应收账款未来新增规模的基础变量，并对所述基础变量进行衍生，形成衍生变量；S2：建立XGBoost算法模型，设置所述XGBoost算法模型的参数，并对所述XGBoost算法模型的参数进行调优；S3：将包括所述基础变量、所述衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将所述DMatrix数据结构输入所述XGBoost算法模型，输出所述未来应收账款，完成对所述未来应收账款的预测。上述技术方案，能够对未来应收账款的新增进行有效预测，且预测的精度较高。

附图说明

图1为本发明每月新增应收账款趋势的示意图；

图2为本发明一种预测应收账款未来新增规模的方法的整体流程图；

图3为本发明模型变量重要性的示意图；

图4为本发明一种预测应收账款未来新增规模的系统的整体结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，都属于本申请保护的范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本发明主要采用机器学习中的XGBoost算法，基于产业链下游对核心企业形成的历史近2年全量的应收账款，观测每月新增应收账款的趋势变化，并根据XGBoost算法对未来每月新增应收账款进行预测。

XGBoost是“Extreme Gradient Boosting”的缩写，其中“Gradient Boosting”一词在论文Greedy Function Approximation:A Gradient Boosting Machine中，由Friedman提出。

XGBoost算法最初是华盛顿大学的一个研究项目。陈天奇和Carlos Guestrin在SIGKDD 2016大会上发表的论文《XGBoost:A Scalable Tree Boosting System》在整个机器学习领域引起轰动。和其他算法相比，XGBoost算法的不同之处有以下几点：

应用范围广泛：该算法可以解决回归、分类、排序以及用户自定义的预测问题；

可移植性：该算法可以在Windows、Linux和OS X上流畅地运行；

语言：支持包括C++、Python、R、Java、Scala和Julia在内的几乎所有主流编程语言；

云集成：支持AWS、Azure和Yarn集群，也可以很好地配合Flink、Spark等其他生态系统。

在进行应收账款预测时，XGBoost具有以下优势：

XGBoost把缺失值当做稀疏矩阵来对待，本身的在节点分裂时不考虑的缺失值的数值。缺失值数据会被分到左子树和右子树分别计算损失，选择较优的那一个。如果训练中没有数据缺失，预测时出现了数据缺失，那么默认被分类到右子树。

如图1所示，对历史的数据进行分析，观察每月新增的应收账款变化，时间序列呈现不平稳的特征，若采用传统的时间序列预测方法，则需要对序列的平稳性进行处理，而XGBoost则不需要。

通过python对XGBoost算法的代码进行开发，参数的设定，并读取数据开始运行算法。

第一实施例

如图2所示，本实施例提供了一种预测应收账款未来新增规模的方法，包括以下步骤：

S1：抓取待预测应收账款未来新增规模的企业的包括客户基础数据、应收账款数据在内的企业数据作为预测应收账款未来新增规模的基础变量，并对所述基础变量进行衍生，形成衍生变量。

具体地，在进行应收账款预测之前，需要抓取企业数据，客户基础数据包括客户个数、客户所在地区、客户类别等等，应收账款数据包括应收账款制单时间、产品明细、应收账款金额、应收账款类型、公司个数等等。

用于对应收账款未来回款进行预测的变量包括基础变量和衍生变量两种，具体如下：

(1)直接读取的原始数据作为对应收账款进行预测的基础变量。进一步地，根据企业的数据特点以及该方法的预测目的，需要对所述基础变量的维度进行抓取，根据具体维度的所述基础变量进行预测，具体包括以下维度：

时间维度：包括年、月、日，本方法是对时间序列进行预测，因此，需要时间维度的变量。

客户维度：由于是对客户未来的应收账款新增进行预测，所以需要结合客户的特征，进行预测。

产品维度：由于不同的产品会导致应收账款新增的不同，因此，产品维度的变量需要放入方法中。

账款维度：客户的应收账款本身的特征也会影响未来新增的规模，因此，账款维度的变量需要放入方法中。

增长趋势维度：历史的增长趋势也会影响未来预测的效果，因此，需要加入到方法中。

(2)对所述基础变量进行历史趋势的聚合，形成包括最近一个月、最近两个月、最近三个月的最大值、最小值、求和、均值在内所述衍生变量。

具体地，根据数据特点，考虑对基础变量进行历史趋势聚合，即最近一个月、最近两个月、最近三个月的最大值、最小值、求和、均值等等。

企业端的经营交易数据不同于移动互联网数据，移动互联网近几年的发展，产生了天量级的数据，这不是企业端数据可比的。因此，在对企业端的数据进行分析和预测时，会面临数据维度少的特点。因此，为了避免由于数据维度少导致模型的准确率下降的问题，对基础变量采用历史趋势聚合，通过对基础变量的衍生，来寻找最适合该方法的特征变量，作为衍生变量来预测应收账款的未来新增规模。

通过以上两种方式获得的变量，每一个变量在预测时都具有不同的重要性。如图3所示，为模型变量重要性的具体举例。其中,月(month)重要性最大。

S2：建立XGBoost算法模型，设置所述XGBoost算法模型的参数，并对所述XGBoost算法模型的参数进行调优。

具体地，通过python对XGBoost算法进行开发，参数的设定，并读取数据开始运行。

首先，设定算法模型的参数，具体举例如下：

max_depth＝【3,10】，这个值为树的最大深度。这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。设置为0代表没有限制。范围:[0,∞]。

n_estimators＝10000，树的最大个数。

min_child_weight＝1，决定最小叶子节点样本权重和。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。这个参数用于避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。范围:[0,∞]。

colsample_bytree＝0.8，用来控制每棵随机采样的列数的占比(每一列是一个特征)。典型值：0.5-1。

subsample＝0.8，这个参数控制对于每棵树，随机采样的比例。减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。典型值：0.5-1，0.5代表平均采样，防止过拟合。

eta＝【0.1,0.6,0.1】，更新中减少的步长来防止过拟合。在每次boosting之后，可以直接获得新的特征权值，这样可以使得boosting更加鲁棒。范围：[0,1]。

seed＝0，随机数的种子设置它可以复现随机数据的结果，也可以用于调整参数。

n_jobs＝-1，并行运行xgboost的线程数。

gamma＝0，在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关，所以是需要调整的。范围:[0,∞]。

reg_lambda＝【0.5,1.5，0.1】，权重的L2正则化项。(和Ridge regression类似)。这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。

在设置完参数后，并在后续整个预测的过程中，不断对所述XGBoost算法模型的参数进行调优，以使得通过设定的参数进行的预测越来越逼近正确值。XGBoost参数包括通用参数、booster参数、学习目标参数在内的参数，调优的步骤具体为：

S21：确定通用参数，根据业务目标和训练环境，确定迭代模型类型和系统参数；

S22：设定所述XGBoost算法模型的学习速率；

S23：调节所述XGBoost算法模型中树的参数，依次调节包括数的个数、树的深度、随机采样行占比、随机采样列占比、最小叶子节点样本权重和、样本类别失衡下，模型可快速收敛在内的参数；

S24：调节所述XGBoost算法模型的学习速率；

S25：重复步骤S21-24，提高所述XGBoost算法模型的预测的准确率。

进一步地，在本步骤中，还包括选取历史的所述企业数据作为测试样本，输入所述XGBoost算法模型，观测输出的模型预测结果与实际数据之间的偏移度，对所述XGBoost算法模型进行调优。

具体地，我们可以选取基础变量、衍生变量、以及包括基础变量和衍生变量在内的全量数据进行进行预测测试，预测后选取预测准确度最高的变量作为最终的实际的预测变量。测试举例如下：

(1)将29个基础变量(剔除了year变量)入模，分别按照测试样本为3个月(表1)和6个月(表2)观察模型效果。

表1

表2

(2)将271个衍生变量入模，分别按照测试样本为3个月(表3)和6个月(表4)观察模型效果

表3

表4

(3)将299个所有变量(剔除了year和sale_rate)入模，分别按照测试样本为3个月(表5)和6个月(表6)观察模型效果。

表5

表6

S3：将包括所述基础变量、所述衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将所述DMatrix数据结构输入所述XGBoost算法模型，输出所述未来应收账款，完成对所述未来应收账款的预测。

具体地，通过上述训练完成后的XGBoost算法模型，进行实际未来应收账款新增规模的预测，举例如下(表7)：

表7

第二实施例

本实施例与第一实施例的基本过程相同，不同的在于，在步骤S3之后，还包括，对预测结果进行评估，具体为：

采用平均绝对百分比误差：

其中，n为预测的月数，R

经实验，在某一次测试中，使用本发明的方法预测的MAPE在12.7％，比传统时间序列预测提升了42.6％。从预测效果来看，预测效果比传统的时间序列模型效果提升明显。

第三实施例

如图4所示，本实施例提供了一种用于执行第一实施例中的预测应收账款未来新增规模的方法的预测应收账款未来新增规模系统，包括：

数据抓取模块1，用于抓取待预测应收账款未来新增规模的企业的包括客户基础数据、应收账款数据在内的企业数据作为预测应收账款未来新增规模的基础变量，并对所述基础变量进行衍生，形成衍生变量。

算法建立模块2，用于建立XGBoost算法模型，设置所述XGBoost算法模型的参数，并对所述XGBoost算法模型的参数进行调优。

预测模块3，用于将包括所述基础变量、所述衍生变量在内的任意一种或全部作为输入特征部分，将未来应收账款作为输出部分，形成DMatrix数据结构，将所述DMatrix数据结构输入所述XGBoost算法模型，输出所述未来应收账款，完成对所述未来应收账款的预测。

评估模块4，用于对预测结果进行评估，具体为：

采用平均绝对百分比误差：

其中，n为预测的月数，R

进一步地，所述算法建立模块2，还包括：

算法测试单元21，用于选取历史的所述企业数据作为测试样本，输入所述XGBoost算法模型，观测输出的模型预测结果与实际数据之间的偏移度，对所述XGBoost算法模型进行调优；其中，输入所述XGBoost算法模型的变量包括所述基础变量、所述衍生变量在内的任意一种或全部变量，测试完成后，根据预测效果选取包括所述基础变量、所述衍生变量在内的任意一种或全部变量最为最终预测时输入的变量类型。

一种计算机可读存储介质，计算机可读存储介质存储有计算机代码，当计算机代码被执行时，如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

以上所述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。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子系统执行时，使得所述电子系统执行实施例一所述的方法。在此不再赘述。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。