Logistics Fraud Detection — 物流链路欺诈检测：虚假收货、刷单物流与地址篡改的识别与拦截

1. 解决的问题

"Item Not Received"（INR）欺诈是跨境母婴电商最常见的纠纷类型，占纠纷总量约 35%

2. 核心算法逻辑

传统风控系统关注交易环节（支付欺诈、账号盗用），但物流链路中存在独特的欺诈模式，具有时序性（需要跟踪包裹生命周期）和图结构性（欺诈团伙共用地址/设备/收货网络）。物流欺诈检测的核心是：利用物流轨迹的时空异常、收货地址网络的拓扑特征和用户行为的序列模式，在包裹签收前后拦截欺诈行为。

3. 业务应用场景

业务背景："Item Not Received"（INR）欺诈是跨境母婴电商最常见的纠纷类型，占纠纷总量约 35%。欺诈者购买高价母婴商品（婴儿奶粉、高端推车），物流显示已签收后声称未收到，申请 PayPal/Stripe 拒付（Chargeback）。每次 Chargeback 除退款外还有 $15-25 的处理手续费，且影响支付通道评分。

LogisticsFD + AddressNet 应用：

量化 ROI：月均 800 笔高风险订单，原 INR 率 4.2%（约 33 笔），客单价 $150， 每笔 Chargeback 成本 $150 + $20 手续费；减少 57% 后：月节省约 $6,600

4. 输入数据要求

• 严格模式（大促期间高风险）：`RISK_THRESHOLD_HIGH = 0.55`
• 宽松模式（新市场冷启动）：`RISK_THRESHOLD_HIGH = 0.75`
• 建议每月用标注数据重新校准阈值，避免 False Positive 影响正常买家体验

5. 输出结果

• 严格模式（大促期间高风险）：`RISK_THRESHOLD_HIGH = 0.55`
• 宽松模式（新市场冷启动）：`RISK_THRESHOLD_HIGH = 0.75`
• 建议每月用标注数据重新校准阈值，避免 False Positive 影响正常买家体验

6. 业务价值 / ROI

月均 -$3,200

7. 代码模板

代码块数量：3 · 路径：未检测到

"""
Logistics Fraud Detection
整合 LogisticsFD (时空轨迹异常) + AddressNet (地址图风险) + FraudSeq (行为序列)
母婴跨境电商场景 mock 实现，含完整测试
"""

from __future__ import annotations

import numpy as np
from dataclasses import dataclass, field
from typing import Dict, List, Optional, Set, Tuple
from collections import defaultdict
from enum import Enum
import math


# ── 数据模型 ─────────────────────────────────────────────────────────────

class FraudType(Enum):
    FAKE_DELIVERY = "fake_delivery"          # 虚假收货
    BRUSHING = "brushing"                    # 刷单
    ADDRESS_MANIPULATION = "address_manip"   # 地址篡改
    RETURN_FRAUD = "return_fraud"            # 退货欺诈


@dataclass
class LogisticsNode:
    """物流节点"""
    node_id: str
    node_type: str      # "origin", "hub", "last_mile", "destination"
    lat: float
    lng: float
    timestamp: float    # Unix 时间戳（秒）


@dataclass
class Order:
    """订单"""
    order_id: str
    user_id: str
    seller_id: str
    item_name: str
    declared_weight_kg: float
    price: float
    shipping_address_hash: str
    trajectory: List[LogisticsNode] = field(default_factory=list)
    # 行为事件序列
    events: List[dict] = field(default_factory=list)  # [{type, timestamp}, ...]
    actual_weight_kg: Optional[float] = None  # 实际揽收重量
    is_fraud: Optional[bool] = None  # 标签（用于评估）


# ── LogisticsFD：时空轨迹异常检测 ─────────────────────────────────────────

class TrajectoryAnomalyDetector:
    """
    基于物流轨迹的异常检测
    核心指标：skip_score, temporal_gap, geo_backtrack, weight_discrepancy
    """

8. 论文来源

• 2309.14782
• 2401.05847
• 2405.03291