技术摘要：
公开了基于区块链数据生成和应用预测模型。基于与历史发票相关的区块链数据，使用机器学习生成预测模型。该预测模型被用于为特定实体生成在目标融资日期之前获得目标融资金额的推荐。该预测模型被应用于特定实体的未结清的发票。基于与未结清的发票相关的区块链数据，  全部
背景技术：
区块链技术涉及在节点的分布式系统上的区块中存储交易信息。区块链技术的两 个属性有助于确保交易信息的准确性和可靠性：(a)通过使用散列将每个区块与前一个区 块链接以形成链(也称为“区块链”)；以及(b)在每个节点(也称为“区块链节点”)上存储同 一个区块链。 通过使用散列，每个区块被链接到前一个区块。具体而言，每个区块都存储前一个 区块的散列和自身的散列。区块内数据的任何改变都会改变该区块的散列。因此，区块的数 据中的任何改变都将造成区块的数据和区块的散列之间的不匹配，这使该区块失效。区块 的散列的任何改变都将造成存储在区块本身中的区块的散列与存储在下一个区块中的区 块的散列之间的不匹配，这将使该区块失效。因此，在不改变所有后续区块的数据的情况 下，不可能改变任何个别区块的数据。 区块链由大量节点维护。每个节点在任何给定时间存储相同版本的区块链。一个 节点上存储的区块链的特定副本中的数据的任何改变都将造成该特定副本与存储在其它 节点上的区块链的其它副本之间不匹配，这将使区块链的该特定副本失效。因此，在不改变 由其余节点存储的区块链的所有副本的情况下，不可能改变由特定节点存储的区块链的任 何个别副本的数据。 区块链技术允许实体(诸如公司、组织和/或个人)在区块链上执行各种交易。由于 区块链是在进行交易时更新的，因此区块链数据反映了实时的现实世界交易。 每个节点存储区块链账本的副本。区块链账本包括(a)由实体执行的交易的日志 和/或(b)在交易执行之后与实体相关联的状态。状态可以对与实体相关联的任何类型的信 息保持跟踪，诸如实体的账户中的资金量、实体拥有的汽车的数量、由实体运送的包裹的位 置和/或由该实体发出的发票(invoice)的状况(诸如已发出、已支付、已过期)。 此外，每个节点存储用于进行交易的智能合约的副本。智能合约包括代码的集合， 这些代码被配置为确定和/或提交通过执行交易而获得的结果状态。智能合约可以包括在 确定和/或提交结果状态之前核实某些条件的代码。作为示例，CarSeller(汽车卖方)可以 提出一项交易，该交易为向CarBuyer(汽车买方)出售汽车而开出发票。智能合约可以包括 核实CarBuyer先前已接受汽车报价的代码。智能合约还可以包括核实CarSeller的库存(也 在区块链上维护)包括该汽车的代码。在成功核实之后，发票可以被提交到区块链上，从而 指示CarBuyer欠CarSeller一定数量的钱。 在实施例中，实体可以具有在区块链上发出的一定数量的未结清的发票。但是，该 实体可以需要在目标融资日期之前(目标融资日期至少在未结清的发票中的一些未结清的 发票上的到期日之前)获得目标融资额。实体可以通过各种方法在发票到期日之前获得对 该发票的融资(在本文中使用发票获得融资的各种方法可以被称为“融资类型”)。使用发票 7 CN 111582533 A 说　明　书 2/18 页 获得融资的一个示例方法是要求债务人以折扣价提早支付。使用发票获得融资的另一个示 例方法是将发票以一定损失出售给第三方(也称为“发票保理(factoring)”)。但是，鉴于有 大量发票，并且有大量潜在的当事方(诸如愿意提早支付的债务人和/或愿意购买的第三 方)，实体难以确定要将哪种融资类型用于哪个发票。 本节中描述的方法是可以采用的方法，但不一定是先前已经设想或采用的方法。 因此，除非另有说明，否则不应仅由于将本节中所述的任何方法包括在本章节中而将其假 设为现有技术。 附图说明 在附图的图示中，通过示例而非限制的方式示出了实施例。应当注意的是，在本公 开中对“一”或“一个”实施例的引用不一定是同一个实施例，它们是指至少一个。在图中： 图1A图示了根据一个或多个实施例的示例区块链系统； 图1B图示了根据一个或多个实施例的示例区块链节点； 图2图示了根据一个或多个实施例的示例预测系统； 图3图示了根据一个或多个实施例的用于基于区块链数据生成一个或多个预测模 型以确定通过使用发票获得融资的融资类型所引起的预测成本的示例操作集合； 图4图示了根据一个或多个实施例的用于生成用于在目标融资日期之前获得目标 融资金额的推荐的示例操作集合； 图5图示了根据一个或多个实施例的用于基于区块链数据应用一个或多个预测模 型以确定通过使用发票获得融资的融资类型而引起的预测成本的示例操作集合； 图6示出了图示根据一个或多个实施例的各种融资类型的示例预测成本的表； 图7图示了根据一个或多个实施例的呈现了用于在目标融资日期之前获得目标融 资金额的推荐的示例用户接口；以及 图8示出了图示根据一个或多个实施例的计算机系统的框图。
技术实现要素：
在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供透彻的理解。没 有这些具体细节也可以实践一个或多个实施例。一个实施例中描述的特征可以与另一个实 施例中描述的特征组合。在一些示例中，参考框图形式描述了众所周知的结构和设备，以避 免不必要地混淆本发明。 1.一般概述 2.区块链和预测系统体系架构 3.基于区块链数据生成预测模型 4.基于区块链数据应用预测模型 5.示例实施例 6.硬件概述 7.杂项；扩展 1.一般概述 一个或多个实施例包括使用区块链数据来训练预测模型以确定使用发票和相关 8 CN 111582533 A 说　明　书 3/18 页 联的融资类型来获得融资的最低预测成本。如上所述，由于区块链技术的性质，区块链数据 (a)是可靠且准确的，并且(2)反映实时交易。另外，鉴于与交易相关的许多方都可以利用区 块链，因此区块链数据包括与多种来源相关联的信息。因此，区块链数据提供了丰富的数据 池，用于训练以前无法获得的预测模型。一种或多种机器学习算法被应用于区块链数据以 生成预测模型。预测模型确定使用发票获得融资的最低预测成本。还确定了与最低预测成 本相关联的融资类型。 一个或多个实施例包括将预测模型应用于区块链数据以确定用于使用发票和相 关联的融资类型获得融资的最低预测成本。区块链节点存储与特定实体的许多未结清的发 票相关联的信息。该特定实体期望使用未结清的发票在目标融资日期之前获得目标融资金 额。将预测模型应用于每个未结清的发票，以确定哪种融资类型将导致使用该发票获得资 金的最低成本。未结清的发票基于相应的预测成本进行排名。选择(a)与最低预测成本(相 对于其它未结清的发票)相关的、以及(b)总计金额等于或大于目标融资金额的未结清的发 票。生成用于在目标融资日期之前获得目标融资金额的推荐。该推荐指示由预测模型确定 的用于每个选定的未结清的发票的融资类型。用户接口将该推荐呈现给特定实体。因此，特 定实体获得对于该特定实体而言以最低成本在目标融资日期之前获得目标融资金额的可 靠推荐。该推荐按粒度水平提供，从而指示(a)要通过每种融资类型获得的融资金额，和/或 (b)对于每个未结清的发票要使用的融资类型，从而以最低成本获得目标融资金额。 本说明书中描述的和/或权利要求书中陈述的一个或多个实施例可以不包括在本 一般概述章节中。 2.区块链和预测系统体系架构 图1A图示了根据一个或多个实施例的示例区块链系统。如图1A中所示，系统100包 括一个或多个客户端102a-b、节点的集合105a(诸如节点104a-e)以及排序服务106。在一个 或多个实施例中，系统100可以包括比图1A所示的部件更多或更少的部件。图1A中所示的部 件可以在彼此本地或彼此远离。图1A中所示的部件可以以软件和/或硬件来实现。每个部件 可以分布在多个应用和/或机器上。多个部件可以组合到一个应用和/或机器中。相对于一 个部件描述的操作可以替代地由另一个部件执行。 在一个或多个实施例中，客户端(诸如客户端102a-b中的任何一个)请求与特定智 能合约相关联的交易被写入区块链账本。请求交易被写入的处理可以涉及多个阶段。在第 一阶段，客户端向背书(endorsing)节点的集合105b提出交易。在第二阶段，客户端将该交 易传输到排序服务106，使得该交易将被提交给区块链账本。 在一个或多个实施例中，节点的集合105a维护区块链账本。节点的集合105a向区 块链账本提交交易。附加地或可替代地，节点的集合105a在区块链账本中存储与已提交的 交易对应的状态。存储在区块链账本中的交易和/或状态可以与一个或多个智能合约有关。 节点的集合105a可以根据特定区块链系统或框架(诸如Hyperledger  Fabric)来维护区块 链账本。下面参考图1B描述关于节点的集合105a的附加细节。 在一个或多个实施例中，节点105a的至少子集可以是用于特定智能合约的背书节 点105b。背书节点(诸如节点104b或节点104e中的任何节点)对由客户端102提出的交易进 行背书。对交易进行背书的处理可以涉及多个阶段。在第一阶段，背书节点通过确定执行交 易之后的结果状态来模拟交易。在第二阶段，背书节点生成消息，该消息包括(a)结果状态 9 CN 111582533 A 说　明　书 4/18 页 和(b)背书节点的签名。 在一个或多个实施例中，排序服务106生成并递送要提交给区块链账本的区块。排 序服务106从一个或多个客户端106接收要提交的交易。排序服务106确定这些交易的特定 次序。排序服务106将经排序的交易分组到区块中。排序服务106确定先前生成的区块的散 列和当前生成的区块的散列。排序服务106将两个散列都存储到该区块中。排序服务106将 该区块递送到节点的集合105a以进行提交。 在实施例中，客户端102a-b、节点104a-e和/或排序服务106中的每一个在一个或 多个数字设备上实现。术语“数字设备”一般是指包括处理器的任何硬件设备。数字设备可 以指执行应用或虚拟机的物理设备。数字设备的示例包括计算机、平板电脑、膝上型计算 机、台式机、上网本、服务器、web服务器、网络策略服务器、代理服务器、通用机器、特定于功 能的硬件设备、大型机、电视、内容接收器、机顶盒、打印机、移动电话、智能电话、个人数字 助理(PDA)。 图1B示出了根据一个或多个实施例的维护区块链账本的区块链节点的框图。如图 所示，节点(诸如图1A的节点104a)包括一个或多个智能合约112a-b，以及区块链账本130。 区块链账本130包括区块链日志136和(与一个或多个智能合约112a-b相关联的)一个或多 个状态132a-b。 在一个或多个实施例中，智能合约(诸如智能合约112a-b中的任何一个)是代码的 集合，其包括一个或多个方法(诸如方法122a-b中的任何一个)，这些方法可以被执行以使 用区块链技术来执行交易。同一个智能合约跨多个节点(诸如图1A的背书节点)存储。 智能合约的方法(诸如方法122a-b中的任何一个)包括用于基于特定交易确定要 提交给区块链账本130的新状态的操作。可以使用用于该方法的参数来指定与交易相关联 的信息。该方法可以对存储在区块链账本130中的当前状态执行操作。在不将新状态提交给 区块链账本130的情况下，执行确定新状态的方法在本文中可以被称为“模拟”交易。一旦将 新状态被写入或提交给区块链账本130，该交易就被视为“已执行”或“已完成”。 作为示例，区块链账本中的当前状态可以指示Janet的账户中有1000股Boom  Company的股票。要执行的交易可以是将500股Boom  Company的股票添加到Janet的账户中。 可以调用将股票添加到账户的方法。该方法的参数可以指定要添加的股票的数量(500)和 所关注的账户(Janet的账户)。该方法可以获得Janet的账户的当前状态，其指示有1000股。 该方法可以将500股添加到当前状态，从而得到1500股。该方法可以返回新状态，指示基于 交易Janet的账户将拥有1500股。在这个示例中，该方法通过确定Janet的账户在交易之后 将具有1500股来对交易进行模拟。 在实施例中，智能合约包括表示由两方或更多方商定的条款的代码。例如，一方可 以是汽车卖方。另一方可以是汽车买方。双方可以商定$100000的价格。智能合约可以包括 用于将汽车所有权从汽车卖方改变为汽车买方的方法。该方法包括以下代码：如果汽车卖 方从汽车买方收到了$100000，那么将触发所有权的改变。因此，智能合约包括表示商定的$ 100000价格的代码。 在一个或多个实施例中，区块链账本130包括区块链日志136和/或状态(诸如状态 132a-b)的记录。区块链账本130中的信息被存储在区块中。如上所述，每个区块通过使用散 列而被链接到前一个区块。具体而言，每个区块存储前一个区块的散列和自身的散列二者。 10 CN 111582533 A 说　明　书 5/18 页 区块链日志136存储已经在区块链中提交的交易。这些交易可以是基于一个或多 个智能合约112a-b来执行的。 状态的记录存储基于已提交的交易而确定的状态。如图所示，例如，状态132a是基 于智能合约112a的已提交的交易来确定的；并且状态132b是基于智能合约112b的已提交的 交易来确定的。在实施例中，由特定智能合约创建和/或修改的状态专用于该特定智能合 约。该状态无法被另一个智能合约直接访问。但是，给定适当的许可，特定智能合约可以调 用另一个智能合约以访问与该另一个智能合约相关联的状态。 可以使用多种数据结构中的任何一种来存储状态，诸如键-值对。每个状态可以与 版本标识符相关联。每次修改状态时，相关联的版本标识符都会递增。 作为示例，区块链账本的状态的记录可以最初指示John拥有的货币金额和Mary拥 有的货币金额。状态记录可以包括：“键：John；值：$100，版本12”和“键：Mary；值：$300，版本 53”。交易可以在2018年1月1日执行，以将$50从Mary转给John。可以更新区块链账本的区块 链日志，以包括该交易：“2018年1月1日；从Mary；到John；$50。”状态的记录可以被更新为包 括：“键：John；值：$150，版本13”和“键：Mary；值：$250，版本54”。 在一个或多个实施例中，数据存储库(未示出)是用于存储数据的任何类型的存储 单元和/或设备(例如，文件系统、数据库、表的集合或任何其它存储机制)。另外，数据存储 库可以包括多个不同的存储单元和/或设备。多个不同的存储单元和/或设备可以是或可以 不是相同类型或位于相同的物理站点。 数据存储库可以存储描述一个或多个智能合约112a-b和区块链账本130的信息。 数据存储库可以在与节点104a相同的计算系统上实现或执行。可替代地或附加地，数据存 储库可以在与节点104a分离的计算系统上实现或执行。数据存储库可以经由直接连接或经 由网络通信地耦合到节点104a。 图2图示了根据一个或多个实施例的示例预测系统。如图2中所示，系统200包括一 个或多个区块链节点204、一个或多个机器学习算法240、一个或多个预测模型248、目标融 资金额242、目标融资日期244、推荐生成器246、用户接口256和数据存储库250。在一个或多 个实施例中，系统200可以包括比图2所示的部件更多或更少的部件。图2中所示的部件可以 在彼此本地或彼此远离。图2中所示的部件可以以软件和/或硬件来实现。每个部件可以分 布在多个应用和/或机器上。多个部件可以组合到一个应用和/或机器中。相对于一个部件 描述的操作可以替代地由另一个部件执行。 在一个或多个实施例中，一个或多个区块链节点204(类似于图1B的节点104a，和/ 或图1A的节点105a中的任何一个)维护区块链账本(类似于图1B的区块链账本130)。区块链 账本包括发票信息230。 如上所述，区块链数据包括与各种源相关联的信息，由此提供了丰富的数据池。因 此，发票信息230包括各种信息。 发票信息230包括可直接从发票本身确定的信息，诸如在发票上出售了哪些商品 和/或服务、卖方信息、买方信息、接收者信息、与发票匹配的(一个或多个)购买订单，和/或 与发票相关联的支付条款(例如，到期日、罚款日期和百分比罚款，和/或提早支付日期和百 分比折扣)。 附加地或可替代地，发票信息230包括从卖方和/或买方获得的信息。 11 CN 111582533 A 说　明　书 6/18 页 作为示例，在区块链上进行的交易可以包括发票的发出以及购买订单的发出。即 使发票可能未明确地标识相关的购买订单，与卖方和/或买方相关联的区块链数据也可以 包括过去的购买订单。基于发票与过去的购买订单之间的相似性(例如，基于所出售的商品 和/或服务、日期、报价金额和应付金额(amount  due))，可以将过去的购买订单识别为与发 票匹配。过去的购买订单可以被识别为与发票相关的发票信息。 作为另一个示例，区块链数据可以包括已发出的发票以及与在发票上出售的商品 相关联的质量保证结果。在发出发票并且收到商品之后，买方可以对商品进行测试。基于测 试，买方可以指示商品的接受率为95％。买方可以在区块链上请求指示95％接受率的交易。 接受率可以被识别为与发票相关的发票信息。 作为另一个示例，区块链数据可以包括已发出的发票和应付金额的买方核实。在 发出发票之后，买方可以查看应付金额。买方然后可以在区块链上请求指示对应付金额的 确认的交易。买方的确认可以被识别为与发票相关的发票信息。 作为另一个示例，区块链数据可以包括与买方的信用度相关的信息。区块链数据 可以例如指示由买方进行的支付的历史平均及时性。与买方相关联的这种信用信息可以被 识别为与发给该买方的发票相关的发票信息。 附加地或可替代地，发票信息230包括从与出售相关联的第三方获得的信息。作为 示例，卖方可以在区块链上向买方发出发票。卖方可以利用运送公司将商品运送给买方。运 送公司也可以是与区块链相关联的实体。运送公司可以在区块链上请求交易，以指示商品 是否已离开设施、商品是否已到达中间位置、商品是否已到达目的地和/或是否获得了接收 者的签名。这种运送跟踪信息可以被识别为与发票相关的发票信息。 附加和/或替代类型的信息也可以被包括在发票信息230中。 在一个或多个实施例中，机器学习算法240是可以被迭代以学习将输入变量的集 合最佳地映射到输出变量的目标模型f的算法。机器学习算法240可以包括被有监督的组成 部分和/或无监督的组成部分。可以使用各种类型的算法，诸如线性回归、逻辑回归、线性判 别分析、分类和回归树、朴素贝叶斯、k最近邻、学习向量量化、支持向量机、装袋和随机森 林，和/或增强。 在实施例中，(使用机器学习算法240)的机器学习系统可以在与区块链节点204相 同的计算系统上实现或执行。可替代地或附加地，机器学习系统可以在与任何区块链节点 204分离的计算系统上实现或执行。机器学习系统可以经由直接连接或经由网络通信地耦 合到一个或多个区块链节点204。 在一个或多个实施例中，预测模型248是将输入变量的集合最佳地映射到输出变 量的模型。预测模型248将输出变量定义为输入变量的集合的函数。输出变量是基于输入变 量的集合的预测。预测模型248是通过机器学习算法240确定的，并且可以通过机器学习算 法240的迭代来改进。 在实施例中，预测模型248指示在发票的发票信息230的某些属性与使用该发票获 得融资所引起的某些成本之间的相关性。作为示例，预测模型可以确定运送跟踪信息与成 本相关。指示发票的商品已经实际递送的发票信息可以与较低的成本相关联。未指示发票 的商品已经实际递送的发票信息可以与更高的成本相关。作为另一个示例，预测模型可以 确定发票上出售的商品的类型与成本相关。指示发票上出售的商品对于实体的收入生成是 12 CN 111582533 A 说　明　书 7/18 页 必需的发票信息可以与较低的成本相关联。指示发票上出售的商品对于实体的收入生成不 是必需的发票信息可以与较高的成本相关联。作为另一个示例，预测模型可以确定与发票 相关联的买方的公司规模与成本相关。买方是赊欠发票上的钱的债务人。指示较大规模的 买方的发票信息可以与较低的成本相关。指示较小规模的买方的发票信息可以与较高的成 本相关。 在实施例中，主预测模型可以包括多个辅助预测模型。作为示例，主预测模型可以 被配置为确定哪种融资类型将导致使用发票获得融资的最低成本。主预测模型可以包括针 对每种融资类型的辅助预测模型。一个辅助预测模型可以预测以折扣价从买方请求提早支 付的成本。另一个辅助预测模型可以预测以亏损向第三方提供发票出售的成本。如图所示， 预测模型248可以指主预测模型和/或辅助预测模型。 在一个或多个实施例中，数据存储库250是用于存储数据的任何类型的存储单元 和/或设备(例如，文件系统、数据库、表的集合或任何其它存储机制)。另外，数据存储库250 可以包括多个不同的存储单元和/或设备。多个不同的存储单元和/或设备可以是或可以不 是相同类型或位于相同的物理站点。另外，数据存储库250可以在与推荐生成器246相同的 计算系统上实现或执行。可替代地或附加地，数据存储库260可以在与推荐生成器246分离 的计算系统上实现或执行。数据存储库260可以经由直接连接或经由网络通信地耦合到推 荐生成器246。 可以跨系统200内的任何部件实现描述一种或多种融资类型252a-b以及一个或多 个预测成本254a-b的信息。但是，出于清楚和解释的目的，这种信息在数据存储库250内被 示出。 在一个或多个实施例中，融资类型(诸如融资类型252a-b中的任何一种)是获得融 资的方法。发票可以被用于获得融资。例如，一种融资类型是及时获得发票的支付。卖方可 以通过及时获得发票的支付来使用发票获得融资。另一种融资类型是获得发票的提早支 付。卖方可以通过提早获得发票的支付来使用发票获得融资。但是，对于提早支付，买方可 能要求应付金额的折扣。因此，折扣金额是卖方获得提早支付的成本。另一种融资类型是将 发票出售给第三方(也称为“发票保理”)。卖方甚至可以在发票到期之前通过将发票出售给 第三方来使用发票获得融资。但是，第三方可以要求低于发票上的应付金额的价格。因此， 该价格与应付金额之间的差异是卖方将发票出售给第三方的成本。附加地或可替代地，可 以使用其它来源来获得融资。例如，一种融资类型是通过信贷额度获得贷款。贷方收取的利 率是获得融资的成本。 在一个或多个实施例中，预测成本(诸如预测成本254a-b中的任何一个)是如果使 用发票使用特定融资类型来获得融资则预计会发生的成本。不同的预测成本可以与每种融 资类型相关。如图所示，例如，预测成本254a是针对融资类型252a确定的。预测成本254d是 针对融资类型252d确定的。预测成本由一个或多个预测模型248确定。 在一个或多个实施例中，推荐生成器246是指被配置为执行本文描述的操作的硬 件和/或软件，以生成用于在目标融资日期244之前获得目标融资金额242的推荐258。目标 融资金额242是特定实体期望筹集的金额。目标融资日期244是特定实体期望在其之前获得 目标融资金额242的日期。生成推荐258包括应用一个或多个预测模型248以确定通过各种 融资类型252a-b引起的预测成本254a-b。生成推荐258还可以包括考虑由特定实体建立的 13 CN 111582533 A 说　明　书 8/18 页 约束和/或偏好的集合。下面参考图4-5描述用于生成推荐258和确定预测成本254a-b的操 作的示例。 在一个或多个实施例中，用户接口256是指被配置为促进用户与推荐生成器246之 间的通信的硬件和/或软件。用户接口256呈现用户接口元素。用户接口元素可以呈现来自 推荐生成器246的输出。附加地或可替代地，用户接口元素可以接收用于推荐生成器246的 输入。接口的示例包括图形用户接口(GUI)、命令行接口(CLI)、触觉接口和语音命令接口。 用户接口元素的示例包括复选框、单选按钮、下拉列表、列表框、按钮、切换开关、文本字段、 日期和时间选择器、命令行、滑区块、页面和表单。 在一个或多个实施例中，用户接口256呈现由推荐生成器246生成的一个或多个推 荐258。推荐258指示推荐的筹资计划，即，用于让特定实体在目标融资日期244之前获得目 标融资金额242的一个或多个方法。作为示例，推荐可以指示可以使用哪些发票在目标融资 日期之前获得目标融资金额。推荐还可以指示对于每个个别发票使用哪种融资类型。推荐 还可以指示在每个发票上使用推荐的融资类型的预测成本。作为另一个示例，推荐可以指 示可以使用每种融资类型获得的资金的总和。 3.基于区块链数据生成预测模型 图3图示了根据一个或多个实施例的用于基于区块链数据生成一个或多个预测模 型以确定通过使用发票来获得融资的融资类型所引起的预测成本的示例操作集合。可以修 改、重新布置或完全省略图3中所示的一个或多个操作。因而，图3中所示的特定操作顺序不 应当被解释为限制一个或多个实施例的范围。 一个或多个实施例包括从至少一个区块链节点获得与历史发票相关联的发票信 息(操作302)。机器学习系统从一个或多个区块链节点获取区块链数据。区块链数据包括与 历史发票相关联的发票信息。可选地，机器学习系统可以验证区块链数据。机器学习系统可 以核实每个区块的散列是否与每个区块的数据匹配。机器学习系统可以核实每个区块是否 为前一个区块存储了正确的散列。机器学习系统可以核实从不同区块链节点获得的区块链 数据是否相同。如果任何核实失败，那么机器学习系统可以尝试从另一个区块链节点获取 区块链数据。如果核实成功，那么机器学习系统将继续应用一个或多个机器学习算法。 历史发票可以包括已发出的任何发票，包括已付清的发票、出售给第三方的发票 以及未结清的发票。发票信息可以包括可直接从发票本身确定的信息、从卖方和/或买方获 得的信息，和/或从与出售相关联的第三方获得的信息。 一个或多个实施例包括将一个或多个机器学习算法应用于与历史发票相关联的 发票信息(操作304)。机器学习系统将一个或多个机器学习算法(例如，图2的机器学习算法 240)应用于与历史发票相关联的发票信息。 在实施例中，机器学习系统针对每种融资类型应用不同的机器学习算法。根据每 个机器学习算法，机器学习系统为每种融资类型获得单独的预测模型。应用于每种融资类 型的机器学习算法的类型可以相同或不同。 作为示例，机器学习系统可以将线性回归算法应用于与历史发票相关联的发票信 息以获得预测模型，以预测发票是否会在到期日之前(或到期日内的某个时间窗口之前)被 支付。线性回归算法可以包括将某些权重应用于某些输入，并获得加权总和。机器学习系统 可以将线性回归算法应用于与历史发票相关联的发票信息以获得预测模型，以预测在到期 14 CN 111582533 A 说　明　书 9/18 页 日之前付清发票的百分比折扣。即使对于两个预测模型而言机器学习算法的类型(线性回 归)是相同的，但是对于这两个预测模型，机器学习算法的权重、总和和/或其它属性可以不 同。机器学习系统可以将分类树算法应用于与历史发票相关联的发票信息以获得预测模 型，以预测将发票出售给第三方的百分比损失。机器学习系统可以针对不同的融资类型使 用不同类型的机器学习算法。 在实施例中，机器学习系统针对相应的融资类型将不同的机器学习算法应用于与 历史发票相关联的同一发票信息集合。在替代实施例中，机器学习系统针对相应的融资类 型将不同的机器学习算法应用于与历史发票相关联的不同发票信息集合。 作为示例，为了生成预测模型以预测发票是否将在到期日之前被支付，可以识别 曾经被及时支付的历史发票。可以识别与曾经被及时支付的历史发票相关联的第一发票信 息集合。可以将机器学习算法应用于第一发票信息集合以生成预测模型，以预测发票是否 将在到期日之前被支付。为了生成预测模型以预测在到期日之前付清发票的百分比折扣， 可以识别曾经接收到提早支付的历史发票。可以识别与曾经接收到的提早支付的历史发票 相关联的第二发票信息集合。可以将机器学习算法应用于第二发票信息集合以生成预测模 型，以预测在到期日之前付清发票的百分比折扣。为了生成预测模型以预测将发票出售给 第三方的百分比损失，可以识别曾经被出售给第三方的历史发票。可以识别与曾经出售给 第三方的历史发票相关联的第三发票信息集合。可以将机器学习算法应用于第三发票信息 集合以生成预测模型，以预测将发票出售给第三方的百分比损失。 在实施例中，机器学习系统应用单个机器学习算法来生成预测模型，用于预测使 用发票来获得融资的最低成本和与最低成本相关联的融资类型。作为示例，机器学习系统 可以确定(a)发票信息的属性与(b)不同融资类型之间的相关性。机器学习系统可以确定例 如针对某个买方的发票与按时支付是相关的。机器学习系统可以确定例如某一类型的商品 的发票与平均4％的折扣的提早支付是相关的，并且另一类型的商品的发票与平均5％的折 扣的提早支付是相关的。机器学习系统可以确定例如运送公司已确认递送商品的发票与以 平均8％的损失出售给第三方是相关的。 一个或多个实施例包括生成一个或多个预测模型以确定使用发票获得融资的最 低预测成本和相关联的融资类型(操作306)。机器学习系统通过将机器学习算法应用于与 历史发票相关联的发票信息来生成预测模型。在实施例中，机器学习系统可以针对每种融 资类型生成单独的预测模型。每个预测模型确定相应融资类型的预测成本。单独的预测模 型可以是辅助预测模型，这些辅助预测模型被组合成单个预测模型，用于预测使用发票来 获得融资的最低成本和与最低成本相关联的融资类型。在替代实施例中，机器学习系统可 以生成一个预测模型，用于预测使用发票来获得融资的最低成本和与最低成本相关联的融 资类型。 4.应用基于区块链数据的预测模型 图4示出了根据一个或多个实施例的用于生成用于在目标融资日期之前获得目标 融资金额的推荐的示例操作集合。可以修改、重新布置或完全省略图4中所示的一个或多个 操作。因而，图4中所示的特定操作顺序不应当被解释为限制一个或多个实施例的范围。 一个或多个实施例包括获得特定实体的目标融资金额和目标融资日期(操作 402)。推荐生成器(例如，图2的推荐生成器246)获得特定实体的目标融资金额和目标融资 15 CN 111582533 A 说　明　书 10/18 页 日期。推荐生成器可以从用户接口和/或应用获得该信息。 作为示例，Truck  Company(卡车公司)的员工可以确定在2019年2月13日需要$ 24000，以支付为Truck  Company改建办公室的承包商的费用。该员工可以在用户接口中输 入该金额和日期。推荐生成器可以从用户接口接收该金额和日期。 作为另一个示例，PharmaCareCo.(药品护理公司)的薪资系统可以确定在2019年3 月1日需要$35000，作为PharmaCare  Co.的员工的薪水。该薪资系统可以向推荐生成器传输 指示在2019年3月1日之前需要$35,000的消息。 一个或多个实施例包括获得(一个或多个)优选风险水平、(一个或多个)可用信贷 额度和/或区块链外部的其它信息(操作404)。推荐生成器获得区块链外部的信息。推荐生 成器可以从用户接口和/或应用获得该信息。 在实施例中，推荐生成器获得特定实体的优选风险水平。风险水平指示与由推荐 生成器生成的推荐的筹资(financing)计划相关联的风险量。风险水平可以与成本成反比。 因此，具有较大风险的推荐的筹资计划可以与较低的成本相关联，而具有较低风险的另一 个推荐的筹资计划可以与较高的成本相关联。在实施例中，推荐生成器获得特定实体的多 个优选风险水平。推荐生成器可以生成每个优选风险水平的推荐的筹资计划。 在实施例中，推荐生成器获得特定实体的可用信贷额度。作为示例，特定实体可以 与Community  Bank(社区银行)有关系。 Community  Bank的网站可以指示该特定实体可获得的贷款要收取9％的利息。推 荐生成器获得指示与该9％的利率相关联的信贷额度可用于该特定实体的信息。 在实施例中，推荐生成器获得特定实体的其它偏好。作为示例，特定实体可能偏好 使用最多300个发票来实现目标融资金额。另一个实体可能偏好使用至少100个发票来实现 目标融资金额。另一个实体可能偏好不将任何发票出售给特定的第三方。另一个实体可能 偏好不向特定买方请求提早支付。另一个实体可能偏好不使用特定银行来获得信贷额度。 一个或多个实施例包括从至少一个区块链节点获得与由特定实体发出的未结清 的发票相关联的发票信息(操作406)。推荐生成器从一个或多个区块链节点获取区块链数 据。区块链数据包括与由特定实体发出的未结清的发票相关联的发票信息。未结清的发票 是尚未收到全额支付的发票。上面参考图3的操作302描述了用于从一个或多个区块链节点 获得区块链数据的操作的示例。 一个或多个实施例包括应用一个或多个预测模型以确定使用发票在目标融资日 期之前获得融资的最低预测成本并确定相关联的融资类型(操作408)。 在实施例中，推荐生成器应用预测模型来确定将通过与使用发票获得融资相关联 的每种融资类型引起的预测成本。推荐生成器应用预测模型来确定发票是否将在目标融资 日期之前被支付(这将导致零成本)。推荐生成器应用另一个预测模型来确定通过请求提早 支付将引起的预测成本。推荐生成器应用另一个预测模型来确定通过发票保理将引起的预 测成本。推荐生成器确定哪种融资类型与最低预测成本相关联。与发票相关联的发票信息 被输入到每个预测模型中。图5提供了示例操作集合，用于确定通过每种融资类型将引起的 预测成本。可以使用附加的和/或替代的操作来确定通过每种融资类型将引起的预测成本。 在实施例中，推荐生成器应用预测模型来确定使用发票在目标融资日期之前获得 融资的最低预测成本。与发票相关联的发票信息被输入到预测模型中。预测模型输出使用 16 CN 111582533 A 说　明　书 11/18 页 发票在目标融资日期之前获得融资的最低预测成本。相对于与对发票使用其它融资类型相 关联的预测成本，最低预测成本是与对发票使用特定融资类型相关联的最低预测成本。预 测模型还输出导致最低预测成本的与使用发票获得融资相关联的特定融资类型。 在实施例中，推荐生成器确定与发票相关联的发票信息的某些属性。推荐生成器 将这些属性输入到预测模型中。预测模型确定属性与特定平均成本相关。具体地，曾经使用 与相似属性相关联的历史发票集合中的每一个获得了融资，同时引起特定的平均损失。基 于当前发票与历史发票之间的属性的相似性，预测模型确定当前发票的预测成本与使用历 史发票获得融资时引起的平均损失相同。 在实施例中，推荐生成器在操作404处接收到优选风险等级。推荐生成器从预测模 型获得处于优选风险水平的结果。作为示例，预测模型可以确定以5％的损失获得提早支付 的可能性是95％。预测模型可以确定以6％的损失获得提早支付的可能性是97％。特定实体 的优选风险水平可以是3％。由于6％的损失与3％的风险相关联，因此推荐生成器可以确定 提早支付的预测成本是6％，而不是5％。 在实施例中，推荐生成器在操作404处接收到特定实体的其它偏好。当确定最低预 测成本时，推荐生成器可以考虑特定实体的偏好。作为示例，特定实体可以偏好不出售与特 定买方相关联的发票。预测模型可以被应用于与特定买方相关联的特定发票。预测模型可 以确定将导致最低成本(例如，3％)的融资类型是出售特定发票。但是，由于出售特定发票 不是优选的，因此可以将预测模型重新应用于特定发票。预测模型可以确定将导致第二最 低成本(例如，5％)的融资类型是请求提早支付。因此，第二最低成本(5％)可以被确定为该 特定发票的预测成本。可以将提早支付确定为要用于该特定发票的融资类型。 一个或多个实施例包括确定是否存在由特定实体发出的任何附加的未结清的发 票(操作410)。推荐生成器确定是否存在尚未被分析的由特定实体发出的任何附加的未结 清的发票。如果存在附加的发票，那么推荐生成器迭代操作406-408以分析该附加的发票。 一个或多个实施例包括基于预测成本对发票进行排名(操作412)。推荐生成器基 于在操作408处确定的预测成本对发票进行排名。 作为示例，推荐生成器可以确定对第一发票请求提早支付将导致5％的损失。推荐 生成器可以确定出售第一发票将导致9％的损失。因此，第一发票的最低预测成本(相对于 不同的融资类型)是5％。相关联的融资类型是提早支付。推荐生成器可以确定对第二发票 请求提早支付将导致7％的损失。推荐生成器可以确定出售第二发票将导致6％的损失。因 此，第二发票的最低预测成本(相对于不同的融资类型)是6％。相关联的融资类型是发票保 理。 继续该示例，基于最低预测成本对发票进行排名。因此，基于5％的预测成本对第 一发票进行排名。基于6％的预测成本对第二发票进行排名。由于第一发票的预测成本低于 第二发票的预测成本，因此可以将第一发票排在第二发票之前。 在实施例中，推荐生成器在操作404处接收到信贷额度信息。如果使用发票获得融 资的预测成本高于信贷额度收取的利率，那么特定实体获得信贷额度的成本较低。因此，推 荐生成器排除与比信贷额度收取的最低利率高的预测成本相关联的任何发票。 一个或多个实施例包括选择与(a)最低预测成本和(b)等于或大于目标融资金额 的总融资相关联的发票子集(操作414)。推荐生成器从已排名的发票集合中的第一个发票 17 CN 111582533 A 说　明　书 12/18 页 (相对于特定实体的其它未结清的发票，具有最低预测成本的发票)开始。推荐生成器迭代 通过已排名的发票集合中的发票，直到从已迭代的发票中获得的融资的总和等于或大于目 标融资金额。已迭代的发票构成所选择的发票子集。 在实施例中，推荐生成器在操作404处接收到特定实体的其它偏好。当选择发票子 集时，推荐生成器可以考虑特定实体的偏好。 作为示例，特定实体可能偏好不出售与特定买方相关联的发票。预测模型可以确 定将导致使用特定发票获得融资的最低成本的融资类型是出售该特定发票。该特定发票可 能与该特定买方相关联。推荐生成器可以避免选择该特定发票。 作为另一个示例，特定实体可能偏好使用最多450个发票来获得$70000的目标融 资金额。预测模型可以确定以5％的损失使用200个发票可获得总共$40000；以及以7％的损 失使用500个发票可获得总共$50000。 继续上面的示例，推荐生成器可以首先选择具有最低成本的发票，即，与5％的损 失相关联的200个发票。由200个发票筹集的总和为$40000，与目标融资金额仍有$30000的 差距。由于优选的最大发票数量是450，因此推荐生成器需要至多选择更多的250个发票。但 是，存在与7％的相同损失相关联的500个发票。 在该500个发票内，可能有350个与Buyer  A(买方A)相关联的发票，每个的应付金 额为$125；以及150个与Buyer  B(买方B)相关联的发票，每个的应付金额为$52。推荐生成器 可以选择150个Buyer  B发票和350个Buyer  A发票中的178个，以达到$30000的余额。但是， 所选择的发票的总数将为200 150 178＝528，这超过了优选的最大发票数量。 因此，推荐生成器可以在350个BuyerA发票中选择240个，以达到$30000的余额。同 时，所选择的发票的总数为200 240＝440，这在优选的最大发票数量之内。 一个或多个实施例包括在接口上呈现一个或多个推荐的筹资计划(操作416)。推 荐生成器基于所选择的发票生成推荐的筹资计划。推荐的筹资计划指示应当使用所选择的 发票中的每一个在目标融资日期之前获得目标融资金额。推荐的筹资计划还指示在目标融 资日期之前获得目标融资金额时应当用于所选择的发票中的每一个的每种融资类型。 在实施例中，推荐生成器在操作404处接收到多个偏好。推荐生成器可以生成与一 个或多个偏好匹配的推荐的筹资计划。附加地或可替代地，推荐生成器可以生成用于对不 同偏好进行优先级排定的不同的推荐的筹资计划。作为示例，特定实体可以指示基于与 Buyer  A相关联的发票获得融资，以及使用最少数量的发票来实现目标融资金额的偏好。推 荐生成器可以生成用于使用100个发票的第一推荐的筹资计划，其中80个与Buyer  A相关 联。推荐生成器可以生成用于使用200个发票的第二推荐的筹资计划，其中50个与Buyer  A 相关联。因此，在这个示例中，第一推荐的筹资计划将使用最少数量发票的偏好的优先级排 在使用Buyer  A发票的偏好的优先级前面。第二推荐的筹资计划将使用Buyer  A发票的偏好 的优先级排在使用最少数量发票的偏好的优先级前面。 推荐生成器使推荐的筹资计划呈现在接口上。在实施例中，该接口呈现所有选择 的发票的清单。接口呈现与每个选择的发票相关联的信息，诸如要使用的融资类型、要获得 的融资的金额和/或将引起的损失。在实施例中，接口呈现包括按融资类型细分的摘要。对 于每种融资类型，接口都会显示要获得的融资总额和将引起的平均损失。下面参考图7描述 呈现推荐的筹资计划的接口的示例。 18 CN 111582533 A 说　明　书 13/18 页 一个或多个实施例包括在区块链上发起实现推荐的筹资计划的交易(操作418)。 推荐生成器在区块链上发起交易以实现推荐的筹资计划。 推荐生成器识别特定发票。推荐生成器确定与使用特定发票获得融资相关联的预 测成本，如预测模型所确定的。推荐生成器确定与预测成本和特定发票相关的融资类型。如 果融资类型为“提早支付”，那么推荐生成器向与特定发票相关联的买方传输应付金额的百 分比折扣的报价来换取提早支付。该百分比折扣是基于预测成本确定的。如果融资类型为 “发票保理”，那么推荐生成器向一个或多个第三方传输以折扣价出售发票的报价。可替代 地，推荐生成器向一个或多个第三方可访问的市场传输出售发票的报价。该折扣价是基于 预测成本来确定的。 推荐生成器使用区块链来传输该报价。推荐生成器在区块链上提出交易。交易是 例如提早支付的报价或出售发票的报价。区块链的背书节点对提出的交易进行背书。经背 书的交易被传输到排序服务。排序服务将经背书的交易包括在区块中。该区块被传输到所 有区块链节点。每个区块链节点都存储该区块。因此，该交易被提交。因此，基于交易的提 交，报价被传输给买方和/或第三方和/或市场。 图5图示了根据一个或多个实施例的用于基于区块链数据应用一个或多个预测模 型以确定通过使用发票获得融资的融资类型所引起的预测成本的示例操作集合。可以修 改、重新布置或完全省略图5中所示的一个或多个操作。因而，图5中所示的特定操作顺序不 应当被解释为限制一个或多个实施例的范围。 图5示出了对包含多个辅助预测模型的主预测模型的使用。辅助预测模型包括(a) 预测发票支付的及时性的预测模型(在操作502处应用)、(b)预测发票提早支付的百分比折 扣的预测模型(在操作508处应用)，以及(c)预测出售发票的百分比损失的预测模型(在操 作510处应用)。可以使用附加的和/或替代的辅助预测模型。分别在操作502、508和510处对 每个预测模型的输入可以是相同的但不必是相同的。作为示例，可以将与特定发票相关联 的发票信息的第一子集输入到用于预测支付的及时性的预测模型。可以将与特定发票相关 联的发票信息的第二子集输入到用于预测提早支付的百分比折扣的预测模型。可以将与特 定发票相关联的发票信息的第三子集输入到用于预测出售发票的百分比损失的预测模型。 一个或多个实施例包括应用预测模型来预测发票支付的及时性(操作502)。与发 票相关联的发票信息被输入到预测模型中以预测支付的及时性。目标融资日期也被输入到 该预测模型中。预测模型输出发票在目标融资日期之前被支付的可能性。 在实施例中，预测模型被配置为预测发票是否将在到期日之前被支付。预测模型 被应用于到期日为目标融资日期或在目标融资日期之前的未结清的发票。如果预测模型预 测发票将在到期日之前被支付，那么该发票被预测为将在目标融资日期之前被支付。 在实施例中，预测模型被配置为预测发票是否将在到期日之前的特定时间窗内被 支付。该预测模型被应用于到期日在目标融资日期之后的未结清的发票。预测模型预测即 使到期日在目标融资日期之后发票是否也将在目标融资日期之前被支付。作为示例，目标 融资日期可以是2月2日。与Buyer  A相关联的发票的到期日可以是目标融资日期之后的2月 28日。Buyer  A可以具有在特定月份的第一天付清该特定月份内到期的所有发票的支付模 式。基于该模式，预测模型可以预测该发票可能在2月1日被全额支付。因此，该发票被预测 为在目标融资日期2月2之前被支付。 19 CN 111582533 A 说　明　书 14/18 页 一个或多个实施例包括确定发票是否被预测为将在目标融资日期之前被支付(操 作504)。将在目标融资日期之前支付发票的可能性与阈值进行比较。如果将在目标融资日 期之前支付发票的可能性大于阈值，那么预测该发票将在目标融资日期之前被支付。因此， 选择“正常支付”作为融资类型(操作506)。该发票不被推荐用于提早支付或出售。可选地， 发出该发票的特定实体可以将按时支付发票的提醒传输给买方。 如果预测发票不会在目标融资日期之前被支付，那么一个或多个实施例包括应用 预测模型来预测发票的提早支付的百分比折扣(操作580)。与发票相关联的发票信息被输 入到预测模型中，以预测提早支付的百分比折扣。目标融资日期也被输入到预测模型中。预 测模型输出预测的百分比折扣，与发票相关联的买方将同意以该百分比折扣在目标融资日 期之前支付发票。预测模型预测，如果向买方提供预测的百分比折扣，那么买方将同意在发 票的到期日之前的目标融资日期之前支付。 一个或多个实施例包括应用预测模型来预测出售发票的百分比损失(操作510)。 与发票相关联的发票信息被输入到预测模型中以预测出售发票的百分比损失。目标融资日 期也输入到预测模型中。预测模型输出预测的百分比损失，第三方将同意以该预测的百分 比损失在目标融资日期之前购买该发票。预测模型预测，如果发票以预测的百分比损失出 售，那么第三方将同意在发票的到期日之前的目标融资日期之前购买该发票。 一个或多个实施例包括选择与最低预测成本相关联的融资类型(操作512)。在操 作508处预测的百分比折扣是针对发出发票的特定实体的用于获得提早支付的预测成本。 在操作510处预测的百分比损失是针对发出发票的特定实体的用于出售发票的预测成本。 比较在操作508处预测的百分比折扣与在操作510处预测的百分比损失。识别较低的百分 比。选择与较低百分比相关联的融资类型。因此，确定导致使用发票获得融资的最低预测成 本的融资类型。 作为示例，预测模型可以预测可以以2％的百分比折扣对发票获得提早支付。另一 个预测模型可以预测发票可以以5％的百分比损失出售。由于获得提早支付的预测成本 (2％)低于出售发票的预测成本(5％)，因此提早支付被选择作为要用于该发票的融资类 型。 5.示例实施例 为了清楚起见，下面描述详细示例。以下描述的部件和/或操作应当被理解为一个 可能不适用于某些实施例的具体示例。因而，以下描述的部件和/或操作不应当被解释为限 制任何权利要求的范围。 图6示出了图示根据一个或多个实施例的各种融资类型的示例预测成本的表。 在一个或多个实施例中，ProduceInc.(生产公司)需要在2019年3月1日之前向承 包商支付$200000的建设项目费用。因此，目标融资金额602为$200000。Produce  Inc.有权 获得利率为10％的信贷额度。 推荐生成器识别Produce  Inc.的未结清的发票。推荐生成器从区块链节点获得区 块链数据。区块链数据包括与特定未结清的发票相关联的发票信息。发票信息包括与发票 相关联的买方、与买方相关联的信用信息以及与所售商品相关联的运送跟踪信息。从发票 内的信息确定与发票相关联的买方。与买方相关联的信用信息是基于买方在区块链上进行 的过去交易确定的。这些过去的交易指示买方是否倾向于及时支付。运送跟踪信息是基于 20 CN 111582533 A 说　明　书 15/18 页 由Produce  Inc.使用的运送公司在区块链上发起的交易确定的。运送公司在递送处理的不 同阶段(例如，包裹离开始发位置时、包裹到达中间位置时、包裹到达目的地时和/或包裹被 接收方签名时的)在区块链上请求交易。 推荐生成器将预测模型应用于发票信息。预测模型是通过将机器学习算法应用于 从区块链获得的历史发票的发票信息而先前生成的。 基于预测模型，推荐生成器确定在2019年3月1日之前使用发票获得融资的预测的 最低成本为6％。获得该预测的最低成本的融资类型为“提早支付”。 推荐生成器迭代执行将预测模型应用于Produce  Inc.的每个未结清的发票的操 作。推荐生成器为每个未结清的发票确定预测的最低成本和相关联的融资类型。 推荐生成器按预测成本对未结清的发票进行排名。推荐生成器排出了与大于10％ (即，信贷额度的利率)的预测成本相关联的发票。 对于每种融资类型，推荐生成器确定可从与低于10％的预测成本相关联的未结清 的发票中获得的融资金额。 例如，如表600中所示，对于“正常支付”，建议生成器确定在2019年3月1日之前可 从未结清的发票的第一集合获得的总额为$55000。未结清的发票的第一集合的原始应付金 额的总额为$55000。预测成本为零。 对于“提早支付”，建议生成器确定在2019年3月1日之前可从未结清的发票的第二 集合中获得的总额为$56400。未结清的发票的第二集合的原始应付金额的总额为$60000。 预测成本为$3600，或者说，平均6％。 对于“出售”，推荐生成器确定在2019年3月1日之前可从未结清的发票的第三集合 中获得的总额为$73600。未结清的发票的第三集合的原始应付金额的总额为$80000。预测 成本为$6400，或者说，平均8％。 从上述融资类型获得的预测金额的总和为$55000 $56400 73600＝$185000。因 此，对于获得$200000的目标融资金额，ProduceInc.仍缺少$15000。可能还有Produce  Inc. 发出的其它未结清的发票。但是，其它未结清的发票与大于10％的预测成本相关联。因此， 其它未结清的发票不被用于获得目标融资金额。 推荐生成器确定Produce  Inc.可以访问信贷额度以获得$15000。使用信贷额度的 预测成本为$15000的10％，即，$1500。 推荐生成器汇总每种融资类型的预测成本。推荐生成器确定在2019年3月1日之前 获得$200000的总预测成本为$11500。 因此，推荐生成器生成推荐的筹资计划，包括通过“正常支付”获得$55000、通过 “提早支付”获得$56400、通过“出售”获得$73600以及通过信贷额度获得$15000。 图7图示了根据一个或多个实施例的示例性用户接口，该示例用户接口呈现了用 于在目标融资日期之前获得目标融资金额的推荐。 Produce  Inc.期望在2019年3月1日的目标融资日期之前获得$200000的目标融资 金额。推荐生成器基于图6的表600生成“推荐的计划1”。推荐生成器还生成另一个推荐的筹 资计划“推荐的计划2”。推荐的计划1与2.0％的风险水平相关联。推荐的计划2与1.5％的风 险水平相关联。推荐的计划1与$11500的总预测成本相关联。推荐的计划2与$10896的总预 测成本相关联。虽然推荐的计划1可能被认为比推荐的计划2更激进，但推荐的计划1是比推 21 CN 111582533 A 说　明　书 16/18 页 荐的计划2更便宜的筹资选项。 推荐生成器使推荐的筹资计划在客户端设备700的接口702上呈现。接口702呈现 每个推荐的摘要。每个摘要都包括按融资类型的细分。 推荐的计划1与融资类型704a相关联。在“发票的正常支付”下，可获得的总额是$ 55000。在“发票的提早支付”下，可获得的总额是$56400。预测使用提早支付获得$56400的 折扣为5-7％。在“发票的出售”下，可获得的总额是$73600。预测使用发票保理获得$73600 的损失为7-9％。在“信贷额度”下，将以10％的利率获得$15000。 推荐的计划2与融资类型704b相关联。在“发票的正常支付”下，可获得的总额是$ 60000。在“发票的提早支付”下，可获得的总额是$58280。预测使用提早支付获得$58280的 折扣为5-7％。在“发票的出售”下，可获得的总额是$76360。预测使用发票保理获得$76360 的损失为7-9％。在“信贷额度”下，将以10％的利率获得$5360。 ProduceInc.选择推荐的计划2。Produce  Inc.的管理员经由接口702输入用户输 入，指示选择推荐的计划2。响应于推荐的计划2的选择，推荐生成器基于推荐的计划2识别 要被报价以供提早支付的发票。推荐生成器基于推荐的计划2识别每个发票的预测的百分 比折扣。推荐生成器经由区块链传输对于相应识别出的发票以识别出的百分比折扣进行提 早支付的报价。 另外，推荐生成器基于推荐的计划2识别要被报价以供出售的发票。推荐生成器基 于推荐的计划2识别每个发票的预测的百分比损失。推荐生成器经由区块链传输要以相应 识别出的百分比损失出售识别出的发票的报价。 如果提供信贷额度的银行是与区块链相关联的实体，那么推荐生成器还可以经由 区块链传输对$5360的信贷额度的请求。银行可以经由区块链接收对信贷额度的请求。银行 可以使用区块链向ProduceInc.提供$5360。 6.硬件概述 根据一个实施例，本文所描述的技术由一个或多个专用计算设备来实现。专用计 算设备可以是硬连线的以执行技术，或者可以包括诸如被永久性地编程以执行技术的一个 或多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)或网络处理单元(NPU)的数字电子 设备，或者可以包括编程为根据固件、存储器、其它存储装置或组合中的程序指令执行技术 的一个或多个通用硬件处理器。这些专用计算设备还可以将自定义的硬接线逻辑、ASIC、 FPGA或NPU与自定义的编程组合来实现技术。专用计算设备可以是台式计算机系统、便携式 计算机系统、手持式设备、联网设备或结合硬连线和/或程序逻辑来实现技术的任何其它设 备。 例如，图8是图示可以在其上实现本发明的实施例的计算机系统800的框图。计算 机系统800包括总线802或用于传送信息的其它通信机制，以及与总线802耦合以用于处理 信息的硬件处理器804。硬件处理器804可以是例如通用微处理器。 计算机系统800还包括耦合到总线802用于存储信息和要由处理器804执行的指令 的主存储器806，诸如随机存取存储器(RAM)或其它动态存储设备。主存储器806也可以用于 在要由处理器804执行的指令执行期间存储临时变量或其它中间信息。当这些指令被存储 在处理器804可访问的非暂态存储介质中时，它们使计算机系统800成为被定制以执行指令 中指定的操作的专用机器。 22 CN 111582533 A 说　明　书 17/18 页 计算机系统800还包括耦合到总线802用于存储静态信息和用于处理器804的指令 的只读存储器(ROM)808或其它静态存储设备。提供了诸如磁盘或光盘的存储设备810，并且 存储设备810被耦合到总线802，用于存储信息和指令。 计算机系统800可以经由总线802耦合到显示器812，诸如阴极射线管(CRT)，用于 向计算机用户显示信息。输入设备814(其包括字母数字和其它键)被耦合到总线802，用于 将信息和命令选择传送到处理器804。另一种类型的用户输入设备是光标控件818，诸如鼠 标、轨迹球、或光标方向键，用于向处理器804传送方向信息和命令选择并且用于控制光标 在显示器812上的移动。这种输入设备通常具有在两个轴(第一轴(例如，x)和第二轴(例如， y))中的两个自由度，这允许设备在平面中指定位置。 计算机系统800可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或 程序逻辑来实现本文描述的技术，这些定制的硬连线逻辑、一个或多个ASIC或FPGA、固件 和/或程序逻辑与计算机系统结合使计算机系统800成为或将计算机系统800编程为专用机 器。根据一个实施例，本文的技术由计算机系统800响应于处理器804执行主存储器806中包 含的一条或多条指令的一个或多个序列而执行。这些指令可以从另一个存储介质(诸如存 储设备810)读取到主存储器806中。包含在主存储器806中的指令序列的执行使处理器804 执行本文描述的处理步骤。在替代实施例中，可以使用硬连线电路系统代替软件指令或与 软件指令组合使用。 如本文所使用的术语“存储介质”是指存储使机器以特定方式操作的数据和/或指 令的任何非暂态介质。这种存储介质可以包括非易失性介质和/或易失性介质。非易失性介 质包括例如光盘或磁盘，诸如存储设备810。易失性介质包括动态存储器，诸如主存储器 806。存储介质的常见形式包括例如软盘、柔性盘、硬盘、固态驱动器、磁带或任何其它磁性 数据存储介质、CD-ROM、任何其它光学数据存储介质、具有孔模式的任何物理介质、RAM、 PROM和EPROM、FLASH-EPROM、NVRAM、任何其它存储器芯片或盒带、内容可寻址存储器(CAM) 和三元内容可寻址存储器(TCAM)。 存储介质与传输介质不同但可以与传输介质结合使用。传输介质参与在存储介质 之间传输信息。例如，传输介质包括同轴线缆、铜线和光纤，包括包含总线802的电线。传输 介质还可以采取声波或光波的形式，诸如在无线电波和红外线数据通信期间生成的那些 波。 各种形式的介质可以涉及将一条或多条指令的一个或多个序列携带到处理器804 以供执行。例如，指令最初可以在远程计算机的磁盘或固态驱动器上携带。远程计算机可以 将指令加载到其动态存储器中，并且使用调制解调器经电话线发送指令。计算机系统800本 地的调制解调器可以接收电话线上的数据，并且使用红外线发射器将数据转换为红外线信 号。红外线探测器可以接收在红外线信号中携带的数据，并且适当的电路系统可以将数据 放在总线802上。总线802将数据携带到主存储器808，处理器804从该主存储器808检索并执 行指令。由主存储器808接收到的指令可以可选地在被处理器804执行之前或执行之后存储 在存储设备810上。 计算机系统800还包括耦合到总线802的通信接口818。通信接口818提供耦合到网 络链路820的双向数据通信，其中网络链路820连接到本地网络822。例如，通信接口818可以 是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器、或向对应类型的电话线提 23 CN 111582533 A 说　明　书 18/18 页 供数据通信连接的调制解调器。作为另一个示例，通信接口818可以是提供到兼容的局域网 (LAN)的数据通信连接的LAN卡。也可以实现无线链路。在任何这种实现中，通信接口818都 发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。 网络链路820通常通过一个或多个网络向其它数据设备提供数据通信。例如，网络 链路820可以通过本地网络822提供到主计算机824或到由互联网服务提供商(ISP)826操作 的数据设备的连接。ISP  826又通过现在通常称为“互联网”828的世界范围的分组数据通信 网络提供数据通信服务。本地网络822和互联网828都使用携带数字数据流的电信号、电磁 信号或光信号。通过各种网络的信号以及在网络链路820上并且通过通信接口818的信号是 传输介质的示例形式，其中信息将数字数据携带到计算机系统800或者携带来自计算机系 统800的数字数据。 计算机系统800可以通过(一个或多个)网络、网络链路820和通信接口818发送消 息和接收数据，包括程序代码。在互联网示例中，服务器830可以通过互联网828、ISP  826、 本地网络822和通信接口818发送对应用程序的请求代码。 接收到的代码可以在其被接收到时由处理器804执行，和/或存储在存储设备810 或其它非易失性存储器中以供以后执行。 7.杂项；扩展 实施例针对具有一个或多个设备的系统，其中设备包括硬件处理器并且被配置为 执行本文描述的和/或以下权利要求中任一项中阐述的任何操作。 在实施例中，一种非暂态计算机可读存储介质包括指令，所述指令当由一个或多 个硬件处理器执行时，使得执行本文描述的和/或权利要求中任一项中阐述的任何操作。 可以根据一个或多个实施例使用本文描述的特征和功能的任意组合。在前面的说 明书中，已经参考因实现而异的许多具体细节描述了实施例。因此，说明书和附图应当被认 为是说明性的而不是限制性的。本发明的范围的唯一且排他的指标以及申请人预期作为本 发明的范围的内容是从本申请中发出的权利要求集合的字面和等同范围，以这种权利要求 发出的具体形式，包括任何后续的更正。 24 CN 111582533 A 说　明　书　附　图 1/9 页 图1A 25 CN 111582533 A 说　明　书　附　图 2/9 页 图1B 26 CN 111582533 A 说　明　书　附　图 3/9 页 图2 27 CN 111582533 A 说　明　书　附　图 4/9 页 图3 28 CN 111582533 A 说　明　书　附　图 5/9 页 图4 29 CN 111582533 A 说　明　书　附　图 6/9 页 图5 30 CN 111582533 A 说　明　书　附　图 7/9 页 图6 31 CN 111582533 A 说　明　书　附　图 8/9 页 图7 32 CN 111582533 A 说　明　书　附　图 9/9 页 图8 33