CN109063984A - 风险旅客方法、装置、计算机设备和存储介质 - Google Patents
风险旅客方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109063984A CN109063984A CN201810788333.3A CN201810788333A CN109063984A CN 109063984 A CN109063984 A CN 109063984A CN 201810788333 A CN201810788333 A CN 201810788333A CN 109063984 A CN109063984 A CN 109063984A
- Authority
- CN
- China
- Prior art keywords
- standard
- passenger
- reaches
- parameter
- record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012795 verification Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 238000003066 decision tree Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风险旅客识别方法、装置、计算机设备和存储介质。所述方法包括：接收输入的待识别旅客的身份信息，查询与所述身份信息对应的第一历史过关记录；根据所述第一历史过关记录计算待识别旅客的过关频率；根据所述过关频率判断所述待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；根据所述预设规则模型以及所述第一历史过关记录计算所述待识别旅客的第一统计参数，所述第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；判断所述第一统计参数是否超过所述预设规则模型中的阈值范围，如果是，则输出所述待识别旅客为风险旅客。采用本方法能够提高识别准确性。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种风险旅客识别方法、装置、计算机设备和存储介质。
背景技术
机场、口岸等出入境场所每天都会大量旅客过关，其中不乏一些走私、偷渡等不法分子。
出入境场所的安防安检人员在对旅客进行安全检查时，通常是根据自身工作经验对旅客进行察言观色来判断旅客是否存在安全风险。但是，由于每天过关的人流量很大，单单依靠安检人员的人工检查能够排查到的具有安全风险的旅客是很有限的，导致出入境场所安防检查的准确率很低，并使得许多不法分子成为漏网之鱼。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高识别准确性的风险旅客识别方法、装置、计算机设备和存储介质。
一种风险旅客识别方法，所述方法包括：
接收输入的待识别旅客的身份信息，查询与所述身份信息对应的第一历史过关记录；
根据所述第一历史过关记录计算待识别旅客的过关频率；
根据所述过关频率判断所述待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；
根据所述预设规则模型以及所述第一历史过关记录计算所述待识别旅客的第一统计参数，所述第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；
判断所述第一统计参数是否超过所述预设规则模型中的阈值范围，如果是，则输出所述待识别旅客为风险旅客。
在其中一个实施例中，所述方法还包括：
向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
接收输入的与所述初始规则模型对应的配置参数；
获取与所述配置参数对应的校验规则，并通过所获取的校验规则对所述配置参数进行校验；
当所述配置参数校验成功时，则根据所述配置参数以及所述初始规则模型生成预设规则模型。
在其中一个实施例中，所述方法还包括：
向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
获取当前地域标识，并从服务器下载与所述当前地域标识对应的第二历史过关记录，所述第二历史过关记录中携带有风险旅客标签和普通旅客标签；
获取所述第二历史过关记录中的高频旅客对应的第三历史过关记录；
根据所述初始规则模型计算所述第三历史过关记录中所述风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及所述普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；
根据所述第二统计参数和对应类型的所述第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；
根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
在其中一个实施例中，所述预设规则模型的生成方式，包括：
获取第四历史过关记录，所述第四过关记录携带有旅客标签；
从所述第四过关记录中选取高频旅客对应的第五过关记录；
从所述第五过关记录中提取初始特征参数以及与所述第五过关记录对应的旅客标签，并对所述初始特征参数进行特征增益评估；
根据所述特征增益评估的评估结果从所述第一特征参数中选取目标特征参数；
当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据所述旅客标签设置所述统计量对应的阈值范围；
根据所述第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及所述阈值范围生成预设规则模型。
在其中一个实施例中，所述从所述第五过关记录中提取初始特征参数，包括：
获取当前业务规则，并查询与所述当前业务规则对应的筛选特征参数；
计算所述第五过关记录对应的筛选特征参数作为初始特征参数。
一种风险旅客识别装置，所述装置包括：
第一接收模块，用于接收输入的待识别旅客的身份信息，查询与所述身份信息对应的第一历史过关记录；
过关频率计算模块，用于根据所述第一历史过关记录计算待识别旅客的过关频率；
预设规则模型获取模块，用于根据所述过关频率判断所述待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；
第一统计参数计算模块，用于根据所述预设规则模型以及所述第一历史过关记录计算所述待识别旅客的第一统计参数，所述第一统计参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；
输出模块，用于判断所述第一统计参数是否超过所述预设规则模型中的阈值范围，如果是，则输出所述待识别旅客为风险旅客。
在其中一个实施例中，所述装置还包括：
第二接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
第三接收模块，用于接收输入的与所述初始规则模型对应的配置参数；
校验模块，用于获取与所述配置参数对应的校验规则，并通过所获取的校验规则对所述配置参数进行校验；
第一生成模块，用于当所述配置参数校验成功时，则根据所述配置参数以及所述初始规则模型生成预设规则模型。
在其中一个实施例中，所述装置还包括：
第四接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
过关记录获取模块，用于获取当前地域标识，并从服务器下载与所述当前地域标识对应的第二历史过关记录，所述第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取所述第二历史过关记录中的高频旅客对应的第三历史过关记录；
第二统计参数计算模块，用于根据所述初始规则模型计算所述第三历史过关记录中所述风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及所述普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；
第一选取模块，用于根据所述第二统计参数和对应类型的所述第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；
第二生成模块，用于根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述风险旅客识别方法、装置、计算机设备和存储介质，首先通过第一历史过关记录判断待识别旅客是否为高频过关旅客，如果是，则继续通过预设规则模型来判断待识别旅客是否为风险旅客，避免将普通高频过关旅客识别为风险旅客，提高了识别的准确性。
附图说明
图1为一个实施例中风险旅客识别方法的应用场景图；
图2为一个实施例中风险旅客识别方法的流程示意图；
图3为一个实施例中风险旅客识别装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的风险旅客识别方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。终端102可以从服务器104获取到初始规则模型，并经过参数配置后生成预设规则模型。终端102在获取到预设规则模型后则可以投入使用，例如终端102可以放置在海关等公共安检场所，安检人员向其输入待识别旅客的身份信息，从而终端可以查询到与该身份信息对应的第一历史过关记录，根据第一历史过关记录计算待识别旅客的过关频率；并根据过关频率判断待识别旅客是否为高频过关旅客，如果是高频过关旅客，则获取预设规则模型；根据预设规则模型以及第一历史过关记录计算待识别旅客的第一统计参数，第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；终端判断第一统计参数是否超过预设规则模型中的阈值范围，如果是，则输出待识别旅客为风险旅客。从而完成风险旅客的识别，避免将普通高频过关旅客识别为风险旅客，提高了识别的准确性。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种风险旅客识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202：接收输入的待识别旅客的身份信息，查询与身份信息对应的第一历史过关记录。
具体地，输入的待识别旅客的身份信息可以是待识别旅客的身份证号、手机号等可以唯一指示待识别旅客的信息。一般地，在海关进行安检时，待识别旅客将身份证等交给海关安检人员，安检人员将身份证放置在身份证读取装置上，从而终端可以通过该身份证读取装置读取到待识别旅客的身份信息。
第一历史过关记录可以是与待识别旅客的身份信息对应的预设时间段的过关记录，例如一年以内的过关记录。可选地可以根据预设规则模型中的预设时间进行设置，例如当预设规则模型中的预设质检为6个月，则可以获取到一年以内的过关记录等。第一历史过关记录可以是存储在后台的服务器中，或者是集中存储在云平台中，从而可以方便地获取。
S204：根据第一历史过关记录计算待识别旅客的过关频率。
具体地，在获取到预设时间段的第一历史过关记录后，可以根据预设时间段以及第一历史过关记录的条数计算得到待识别旅客的过关频率，例如，待识别旅客的过关频率＝第一历史过关记录的条数比上预设时间段。
S206：根据过关频率判断待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型。
具体地，高频过关旅客是指在预设时间段内的过关次数大于预设值的旅客，该预设值可以是根据经验进行设置的，例如，每个月5次等。如果根据过关频率判断该待识别旅客为高频过关旅客则其为风险旅客的可能性较大，因此需要通过预设规则模型进行进一步的判断，从而终端获取到预设规则模型用于对高频过关旅客进行进一步的判断。
预设规则模型是终端根据从服务器获取的初始规则模型进行参数配置后所生成的，通过该预设规则模型可以将高频过关旅客划分为风险旅客和普通高频过关旅客。该初始规则模型可以是：
[K]时间内连续通关[n]次所用时间间隔[t]的统计量[Z]∈[Tinf,Tsup]
其中各个参数的含义如下：K表示观察时间窗，是预先配置的，如30天、60天、90天；n表示连续通关次数，是预先配置的，如5,10,20,…；t由过关记录计算得出，每一次过关其最近连续通关n次所用时间；Z表示人员全部通关记录所产生t值的统计方法，是预先配置的，如最小值，最大值，均值，方差等；[Tinf,Tsup]表示阈值范围，是预先配置的，如[0,5]。
S208：根据预设规则模型以及第一历史过关记录计算待识别旅客的第一统计参数，第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量。
具体地，根据第一历史过关记录计算待识别旅客的第一统计参数，预设规则模型中的K配置为预设时间，n配置为预设次数，Z配置为统计量。
在实际应用中，终端首先以当前时间为起点，向历史时间推移预设时间以得到观察时间窗，然后以当前过关记录为起点向历史时间推移，获取到连续过关预设次数的第一时间间隔，然后以当前过关记录的前一次过关记录为起点向历史时间推移，获取到下一个连续过关预设次数的第二时间间隔，直至推移至观察时间窗中最早的一次过关记录得到若干个时间间隔，然后根据所得到的时间间隔计算得到最终的时间间隔的统计量，例如平均值等作为第一统计参数。
S210：判断第一统计参数是否超过预设规则模型中的阈值范围，如果是，则输出待识别旅客为风险旅客。
具体地，阈值范围是终端在从服务器获取到初始规则模型时所配置的，即上文中的[Tinf,Tsup]的取值，将所得到的第一统计参数与该阈值范围进行比较，如果第一统计参数不在该阈值范围内，则表示第一统计参数对应的待识别旅客为风险旅客。
上述风险旅客识别方法，首先通过第一历史过关记录判断待识别旅客是否为高频过关旅客，如果是，则继续通过预设规则模型来判断待识别旅客是否为风险旅客，避免将普通高频过关旅客识别为风险旅客，提高了识别的准确性。
在其中一个实施例中，上述风险旅客识别方法还可以包括：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；接收输入的与初始规则模型对应的配置参数；获取与配置参数对应的校验规则，并通过所获取的校验规则对配置参数进行校验；当配置参数校验成功时，则根据配置参数以及初始规则模型生成预设规则模型。
具体地，终端可以从服务器获取到初始规则模型，初始规则模型即上文中的[K]时间内连续通关[n]次所用时间间隔[t]的统计量[Z]∈[Tinf,Tsup]，终端在接收到该初始规则模型后，可以将该初始规则模型进行显示，从而使用者可以对该初始规则模型的参数进行配置，例如上述的K、n、Z、Tinf以及Tsup等用户均可以进行配置。
当终端接收到用户输入的配置参数时，可以对配置参数进行校验，例如首先可以对格式进行校验，其次可以通过校验规则进行校验，例如当所选择的统计量Z为均值时，则所输入的参数n必须要大于等于Tsup，这是因为一个人通常一天只有一次过关机会。
上述实施例中，终端可以对初始规则模型进行参数配置，使得初始规则模型更加个性化。
在其中一个实施例中，上述风险旅客识别方法还可以包括：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；获取当前地域标识，并从服务器下载与当前地域标识对应的第二历史过关记录，第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取第二历史过关记录中的高频旅客对应的第三历史过关记录；根据初始规则模型计算第三历史过关记录中风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；根据第二统计参数和对应类型的第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
具体地，终端可以从服务器获取到初始规则模型，初始规则模型即上文中的[K]时间内连续通关[n]次所用时间间隔[t]的统计量[Z]∈[Tinf,Tsup]，其中K、n、Z、Tinf以及Tsup、Z的类型需要进行配置后才能得到对应的预设规则模型，上一个实施例中是由用户进行配置，而当用户没有进行配置的时候，终端可以根据该地域标识对应的第二历史过关记录，例如上海市的第二历史过关记录，生成默认的设置参数，以便于生成对应的预设规则模型。
具体地，终端首先从第二历史记录中选取高频旅客对应的第三历史过关记录，可选地，终端可以分别计算每一个旅客在预设时间段内的过关频率，并将计算得到的过关频率与预设值进行比较，以判断该第二历史记录对应的旅客是否为高频旅客，如果是，则获取高频旅客对应的第三历史过关记录。其中第二历史过关记录以及第三历史过关记录由于是历史过关记录，因此其存在对应的风险旅客标签和普通旅客标签，这是由于以往海关安检人员在抽检时，将抽检的结果进行了标记，例如将风险旅客对应的标识添加了风险旅客标签，而没有抽检到的，以及抽检结果为正常的旅客则默认添加普通旅客标签。因此终端可以根据风险旅客标签和普通旅客标签将第三历史过关记录划分为两组，并分别计算两组第三历史过关记录对应的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数和第三统计参数。其中K、n以及统计参数Z的类型等可以在预设范围内进行选取，在计算完成后，终端可以计算第二统计参数和第三统计参数的区分度，选取区分度最大的第二统计参数或第三统计参数对应的参数K、n以及统计参数的类型最为预设规则模型中的统计参数，并根据第二统计参数和第三统计参数计算得到阈值范围Tinf以及Tsup的取值，最后根据K、n、Z、Tinf以及Tsup、Z的类型生成预设规则模型。
其中可选地，为了方便，终端可以将一部分参数选取默认配置，而另外的一部分参数进行人工配置，具体方式可以参见上文，在此不再赘述。
上述实施例中，终端可以根据地域标识获取到第二历史过关记录，并选取第二历史过关记录中高频用户对应的第三历史过关记录，根据第三历史过关记录生成默认的参数配置，使得默认参数配置与地域相关，提高了参数配置的准确性，从而使得预设规则模型的适用性更高，准确性更高。
在其中一个实施例中，预设规则模型的生成方式，可以包括：获取第四历史过关记录，第四过关记录携带有旅客标签；从第四过关记录中选取高频旅客对应的第五过关记录；从第五过关记录中提取初始特征参数以及与第五过关记录对应的旅客标签，并对初始特征参数进行特征增益评估；根据特征增益评估的评估结果从第一特征参数中选取目标特征参数；当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据旅客标签设置统计量对应的阈值范围；根据第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及阈值范围生成预设规则模型。
在其中一个实施例中，从第五过关记录中提取初始特征参数，可以包括：获取当前业务规则，并查询与当前业务规则对应的筛选特征参数；计算第五过关记录对应的筛选特征参数作为初始特征参数。
具体地，第四过关记录包括未被抽检的过关记录和被抽检的过关记录，其中被抽检的过关记录中包括了风险用户对应的过关记录和普通用户对应的过关记录。首先从第四过关记录中选取高频旅客对应的第五过关记录，选取方式可以参照上文中从第二过关记录中选取第三过关记录的方式，在此不再赘述。然后从第五过关记录中提取初始特征参数以及对应的旅客标签，例如风险用户标签或普通用户标签，然后对初始特征参数进行特征增益评估，该增益评估的方式可以是通过决策树的方式，具体可以参见下文，根据特征增益评估的评估结果从第一特征参数中选取目标特征参数，例如可以选取对风险用户和普通用户的区分程度最大的字段，例如可以是选取每一个字段对风险用户和高频用户进行区分，获取到区分结果正确率最高的字段；当所提取的目标特征参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据旅客标签设置统计量对应的阈值范围；根据第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及阈值范围生成预设规则模型。
决策树是一种由节点和有向边组成的用于对实例进行分类的树形结构。节点的类型有两种：内部节点和叶子节点。其中，内部节点表示特征或属性的测试条件，叶子节点表示分类。使用决策树模型进行分类的具体方法是：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点。沿该分支可能达到叶子节点或者到达另一个内部节点时，则使用新的测试条件递归执行下去，直到抵达一个叶子节点。当到达叶子节点时，则得到最终分类结果。
具体地，终端获取到第五过关记录中的字段，由于第五过关记录中字段一般比较少，只包含姓名、年龄、身份证号、过关时间等，所包含的字段特征较少，因此在获取到第五过关记录后，首先对该第五过关记录进行扩展生成新的特征，例如，获取当前业务规则，例如过关信息类特征规则、频率类动态特征规则、频率类静态特征规则，然后，并查询与当前业务规则对应的筛选特征参数；计算第五过关记录对应的筛选特征参数作为初始特征参数，例如通过该业务规则以及过关记录中的字段生成新的特征字段，例如可以根据过关信息类特征规则生成“15天之前，最近一次通过时间”，“30天之前，30天内关口数”等；根据频率类静态特征规则生成“15天之前，30天内通关次数”，“30天之前，7天内通关天数”等；根据频率类动态特征生成“15天之前，90天内第一次和第五次最小间隔时间”，“30天之前，30天内第一次和第五次间隔时间平均值”等。
在生成上述新的特征之后，训练模型的方式包括：采集样本数据，将样本数据划分为训练集数据和测试集数据；从训练集数据中提取出第一特征参数和第一目标类别；根据第一特征参数进行特征信息增益评估，根据特征信息评估结果获取到区分程度最大的字段，即第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量，对该区分程度最大的字段进行数据分布分析，即统计量分析，并根据统计量的类型设置阈值范围，根据所设置的阈值范围、所选取的统计量等生成预设规则模型；从测试集数据中提取出第二特征参数和第二目标类别；根据第二特征参数和第二目标类别对初始决策评估模型进行验证，根据第一验证结果对初始决策树评估模型中的决策树结构进行优化调整并生成最终的风险评估模型。
在本实施例中，决策树模型采用ID3算法，基于越是小型的决策树越优于大的决策树的原则，根据信息增益评估和选择特征，每次选择信息增益最大的特征作为判断标准建立子结点。信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。特征A对训练数据集D的信息增益g(D,A)，定义为集合D的经验熵H(D)与特征A给定条件下D的经验条件熵H(D|A)之差，即
g(D，A)＝H(D)-H(D|A) (1)
其中，g(D,A)为特征A对训练数据集D的信息增益，H(D)为训练数据集D的经验熵，H(D|A)为特征A对数据集D的经验条件熵。
根据信息增益准则的特征选择方法是：对训练数据集(或子集)计算其每个特征的信息增益，选择信息增益最大的特征。计算信息增益的算法如下：其输入为训练数据集D和特征A，输出为特征A对训练数据集D的信息增益g(D,A)。
首先，计算数据集D的经验熵H(D)：
其中，Ck为第一目标类别对应的样本数量，K为第一目标类别的类别数量，在本实施例中，第一目标类别分为风险旅客和普通旅客两种。
其次，计算特征A对数据集D的经验条件熵H(D|A)：
其中，value(A)是特征A所有的取值集合，i是特征A的一个取值，Di是训练数据集D中特征A取值为i的样例集合，|Di|表示取值为i的样例集合的样本数量，|D|表示进行样例集合划分前样本的总数量，如性别特征参数对应的特征A所有的取值为男和女，如男可以用0表示，女可以用1表示，value(A)为(0，1)。
第三，计算信息增益：
g(D，A)＝H(D)-H(D|A) (1)
通过测试集数据在对预设规则模型进行验证时，若验证结果的偏差过大时，可以对所选取的特征参数进行调整，如将统计量进行调整等，重新构建决策树模型并进行验证直至验证结果在误差范围内，也可以从根节点开始对分支节点的特征选择进行调整，对决策树模型进行优化，在调整时，可以采用增加训练集的数据量等方式，直至优化的决策树模型的验证结果可以在误差范围内。
且根据特征信息评估结果获取到区分程度最大的特征(字段)可以包括计算第一特征参数对应的各特征参数的信息增益；选取信息增益最大的特征作为判断模块建立子节点；根据子节点对应的训练集数据划分为子集数据，对子集数据以递归方式进行分支直至所有分支节点对应的数据对应于相同的目标类别。通过将训练记录相继划分成较纯的子集，以递归方式建立决策树。设Dt是与节点t相关联的训练记录集，而y＝{y1,y2,…,yc}y＝{y1,y2,…,yc}是类标号，Hunt算法的递归定义如下：如果Dt中所有记录都属于同一个类，则t是叶节点，用yt标记。如果Dt中包含属于多个类的记录，则选择一个属性测试条件(attribute test condition)，将记录划分成较小的子集。对于测试条件的每个输出，创建一个子女节点，并根据测试结果将Dt中的记录分布到子女节点中。然后，对于每个子女节点，递归地调用该算法。
服务器从测试集数据的各个样本中逐个提取出第二特征参数和第二目标类别。其中，第二特征参数与上述的第一特征参数的类别相同，可选地，可以是所选择的信息增益最大的特征，在此不再赘述。第二目标类别为安全检查结果的类别，第二目标类别分为风险旅客和普通旅客两类。
服务器根据测试数据集中各样本的第二特征参数和第二目标类别，从测试数据集中统计出与预设规则模型中各分类节点对应的特征参数组合匹配的负样本数据，即预设时间内连续过关预设次数所用时间间隔的统计量，计算统计的负样本数据在测试数据集中总的负样本数据中所占的比例，并根据计算出的比例对决策树模型进行验证。在验证时，服务器可以设定预设容错误差，当所计算出的绝对差值小于预设容错误差时，验证通过，当所计算出的绝对差值大于预设容错误差时，验证不通过。当验证不通过时，服务器可以将测试数据集中的样本数据加入训练数据集中，扩大样本容量对预设规则模型进行训练，对预设规则模型进行调整。
上述实施例中，根据业务规则生成性的特征，从而使得特征多样化，进而在分析字段对于风险用户和普通用户的区分程度时，可以更加准确。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种风险旅客识别装置，包括：第一接收模块100、过关频率计算模块200、预设规则模型获取模块300、第一统计参数计算模块400和输出模块500，其中：
第一接收模块100，用于接收输入的待识别旅客的身份信息，查询与身份信息对应的第一历史过关记录。
过关频率计算模块200，用于根据第一历史过关记录计算待识别旅客的过关频率。
预设规则模型获取模块300，用于根据过关频率判断待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型。
第一统计参数计算模块400，用于根据预设规则模型以及第一历史过关记录计算待识别旅客的第一统计参数，第一统计参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量。
输出模块500，用于判断第一统计参数是否超过预设规则模型中的阈值范围，如果是，则输出待识别旅客为风险旅客。
在其中一个实施例中，上述风险旅客识别装置还可以包括：
第二接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型。
第三接收模块，用于接收输入的与初始规则模型对应的配置参数。
校验模块，用于获取与配置参数对应的校验规则，并通过所获取的校验规则对配置参数进行校验。
第一生成模块，用于当配置参数校验成功时，则根据配置参数以及初始规则模型生成预设规则模型。
在其中一个实施例中，上述风险旅客识别装置还可以包括：
第四接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型。
过关记录获取模块，用于获取当前地域标识，并从服务器下载与当前地域标识对应的第二历史过关记录，第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取第二历史过关记录中的高频旅客对应的第三历史过关记录。
第二统计参数计算模块，用于根据初始规则模型计算第三历史过关记录中风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数。
第一选取模块，用于根据第二统计参数和对应类型的第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型。
第二生成模块，用于根据所选取的统计参数的类型、K时间、连续过关次数n的取值生成预设规则模型。
在其中一个实施例中，上述风险旅客识别装置还可以包括：
第四历史过关记录获取模块，用于获取第四历史过关记录，第四过关记录携带有旅客标签。
第二选取模块，用于从第四过关记录中选取高频旅客对应的第五过关记录。
特征增益评估模块，用于从第五过关记录中提取初始特征参数以及与第五过关记录对应的旅客标签，并对初始特征参数进行特征增益评估。
第三选取模块，用于根据特征增益评估的评估结果从第一特征参数中选取目标特征参数。
设置模块，用于当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据旅客标签设置统计量对应的阈值范围。
第三生成模块，用于根据第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及阈值范围生成预设规则模型。
在其中一个实施例中，特征增益评估模块可以包括：
查询单元，用于获取当前业务规则，并查询与当前业务规则对应的筛选特征参数。
初始特征参数计算单元，用于计算第五过关记录对应的筛选特征参数作为初始特征参数。
关于风险旅客识别装置的具体限定可以参见上文中对于风险旅客识别方法的限定，在此不再赘述。上述风险旅客识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险旅客识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收输入的待识别旅客的身份信息，查询与身份信息对应的第一历史过关记录；根据第一历史过关记录计算待识别旅客的过关频率；根据过关频率判断待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；根据预设规则模型以及第一历史过关记录计算待识别旅客的第一统计参数，第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；判断第一统计参数是否超过预设规则模型中的阈值范围，如果是，则输出待识别旅客为风险旅客。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；接收输入的与初始规则模型对应的配置参数；获取与配置参数对应的校验规则，并通过所获取的校验规则对配置参数进行校验；当配置参数校验成功时，则根据配置参数以及初始规则模型生成预设规则模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；获取当前地域标识，并从服务器下载与当前地域标识对应的第二历史过关记录，第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取第二历史过关记录中的高频旅客对应的第三历史过关记录；根据初始规则模型计算第三历史过关记录中风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；根据第二统计参数和对应类型的第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
在一个实施例中，处理器执行计算机程序时所涉及的预设规则模型的生成方式，可以包括：获取第四历史过关记录，第四过关记录携带有旅客标签；从第四过关记录中选取高频旅客对应的第五过关记录；从第五过关记录中提取初始特征参数以及与第五过关记录对应的旅客标签，并对初始特征参数进行特征增益评估；根据特征增益评估的评估结果从第一特征参数中选取目标特征参数；当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据旅客标签设置统计量对应的阈值范围；根据第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及阈值范围生成预设规则模型。
在一个实施例中，处理器执行计算机程序时所实现的从第五过关记录中提取初始特征参数，可以包括：获取当前业务规则，并查询与当前业务规则对应的筛选特征参数；计算第五过关记录对应的筛选特征参数作为初始特征参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收输入的待识别旅客的身份信息，查询与身份信息对应的第一历史过关记录；根据第一历史过关记录计算待识别旅客的过关频率；根据过关频率判断待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；根据预设规则模型以及第一历史过关记录计算待识别旅客的第一统计参数，第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；判断第一统计参数是否超过预设规则模型中的阈值范围，如果是，则输出待识别旅客为风险旅客。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；接收输入的与初始规则模型对应的配置参数；获取与配置参数对应的校验规则，并通过所获取的校验规则对配置参数进行校验；当配置参数校验成功时，则根据配置参数以及初始规则模型生成预设规则模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；获取当前地域标识，并从服务器下载与当前地域标识对应的第二历史过关记录，第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取第二历史过关记录中的高频旅客对应的第三历史过关记录；根据初始规则模型计算第三历史过关记录中风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；根据第二统计参数和对应类型的第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
在一个实施例中，计算机程序被处理器执行时所涉及的预设规则模型的生成方式，可以包括：获取第四历史过关记录，第四过关记录携带有旅客标签；从第四过关记录中选取高频旅客对应的第五过关记录；从第五过关记录中提取初始特征参数以及与第五过关记录对应的旅客标签，并对初始特征参数进行特征增益评估；根据特征增益评估的评估结果从第一特征参数中选取目标特征参数；当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据旅客标签设置统计量对应的阈值范围；根据第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及阈值范围生成预设规则模型。
在一个实施例中，计算机程序被处理器执行时所实现的从第五过关记录中提取初始特征参数，可以包括：获取当前业务规则，并查询与当前业务规则对应的筛选特征参数；计算第五过关记录对应的筛选特征参数作为初始特征参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险旅客识别方法，所述方法包括：
接收输入的待识别旅客的身份信息，查询与所述身份信息对应的第一历史过关记录；
根据所述第一历史过关记录计算待识别旅客的过关频率；
根据所述过关频率判断所述待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；
根据所述预设规则模型以及所述第一历史过关记录计算所述待识别旅客的第一统计参数，所述第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；
判断所述第一统计参数是否超过所述预设规则模型中的阈值范围，如果是，则输出所述待识别旅客为风险旅客。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
接收输入的与所述初始规则模型对应的配置参数；
获取与所述配置参数对应的校验规则，并通过所获取的校验规则对所述配置参数进行校验；
当所述配置参数校验成功时，则根据所述配置参数以及所述初始规则模型生成预设规则模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
获取当前地域标识，并从服务器下载与所述当前地域标识对应的第二历史过关记录，所述第二历史过关记录中携带有风险旅客标签和普通旅客标签；
获取所述第二历史过关记录中的高频旅客对应的第三历史过关记录；
根据所述初始规则模型计算所述第三历史过关记录中所述风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及所述普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；
根据所述第二统计参数和对应类型的所述第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；
根据所选取的统计参数的类型、时间段K、连续过关次数n的取值生成预设规则模型。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述预设规则模型的生成方式，包括：
获取第四历史过关记录，所述第四过关记录携带有旅客标签；
从所述第四过关记录中选取高频旅客对应的第五过关记录；
从所述第五过关记录中提取初始特征参数以及与所述第五过关记录对应的旅客标签，并对所述初始特征参数进行特征增益评估；
根据所述特征增益评估的评估结果从所述第一特征参数中选取目标特征参数；
当所提取的目标特征参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量时，则根据所述旅客标签设置所述统计量对应的阈值范围；
根据所述第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量以及所述阈值范围生成预设规则模型。
5.根据权利要求4所述的方法，其特征在于，所述从所述第五过关记录中提取初始特征参数，包括：
获取当前业务规则，并查询与所述当前业务规则对应的筛选特征参数；
计算所述第五过关记录对应的筛选特征参数作为初始特征参数。
6.一种风险旅客识别装置，其特征在于，所述装置包括：
第一接收模块，用于接收输入的待识别旅客的身份信息，查询与所述身份信息对应的第一历史过关记录；
过关频率计算模块，用于根据所述第一历史过关记录计算待识别旅客的过关频率；
预设规则模型获取模块，用于根据所述过关频率判断所述待识别旅客是否为高频过关旅客，如果是，则获取预设规则模型；
第一统计参数计算模块，用于根据所述预设规则模型以及所述第一历史过关记录计算所述待识别旅客的第一统计参数，所述第一统计参数为第一统计参数为预设时间内连续过关预设次数所用时间间隔的统计量；
输出模块，用于判断所述第一统计参数是否超过所述预设规则模型中的阈值范围，如果是，则输出所述待识别旅客为风险旅客。
7.根据权利要求6所述的方法，其特征在于，所述装置还包括：
第二接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
第三接收模块，用于接收输入的与所述初始规则模型对应的配置参数；
校验模块，用于获取与所述配置参数对应的校验规则，并通过所获取的校验规则对所述配置参数进行校验；
第一生成模块，用于当所述配置参数校验成功时，则根据所述配置参数以及所述初始规则模型生成预设规则模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第四接收模块，用于向服务器发送初始规则模型获取请求，并接收服务器返回的初始规则模型；
过关记录获取模块，用于获取当前地域标识，并从服务器下载与所述当前地域标识对应的第二历史过关记录，所述第二历史过关记录中携带有风险旅客标签和普通旅客标签；获取所述第二历史过关记录中的高频旅客对应的第三历史过关记录；
第二统计参数计算模块，用于根据所述初始规则模型计算所述第三历史过关记录中所述风险旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第二统计参数，以及所述普通旅客标签对应的旅客的时间段K内连续过关n次所用时间间隔t的不同类型的第三统计参数；
第一选取模块，用于根据所述第二统计参数和对应类型的所述第三统计参数选取时间段K、连续过关次数n的取值以及统计参数的类型；
第二生成模块，用于根据所选取的统计参数的类型、K时间、连续过关次数n的取值生成预设规则模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810788333.3A CN109063984B (zh) | 2018-07-18 | 2018-07-18 | 风险旅客方法、装置、计算机设备和存储介质 |
| PCT/CN2018/106009 WO2020015139A1 (zh) | 2018-07-18 | 2018-09-17 | 风险旅客方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810788333.3A CN109063984B (zh) | 2018-07-18 | 2018-07-18 | 风险旅客方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063984A true CN109063984A (zh) | 2018-12-21 |
| CN109063984B CN109063984B (zh) | 2023-09-05 |
Family
ID=64817006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810788333.3A Active CN109063984B (zh) | 2018-07-18 | 2018-07-18 | 风险旅客方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109063984B (zh) |
| WO (1) | WO2020015139A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348379A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种公共交通工具中目标对象确定方法、装置、系统及存储介质 |
| CN110377846A (zh) * | 2019-07-25 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 社交关系挖掘方法、装置、存储介质和计算机设备 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN111352171A (zh) * | 2020-03-30 | 2020-06-30 | 重庆特斯联智慧科技股份有限公司 | 一种实现人工智能区域屏蔽安检方法和系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240266A (zh) * | 2021-05-11 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 一种风险管理方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101194286A (zh) * | 2005-03-24 | 2008-06-04 | 埃森哲全球服务有限公司 | 基于风险的数据评估 |
| EP2860114A1 (en) * | 2013-10-11 | 2015-04-15 | SecurityPoint Holdings, Inc. | Methods and systems for efficient security screening |
| CN106251049A (zh) * | 2016-07-25 | 2016-12-21 | 国网浙江省电力公司宁波供电公司 | 一种大数据的电费风险模型构建方法 |
| CN107133438A (zh) * | 2017-03-03 | 2017-09-05 | 平安医疗健康管理股份有限公司 | 医疗行为监控方法及装置 |
| US20180114252A1 (en) * | 2016-10-20 | 2018-04-26 | Facebook, Inc. | Determining accuracy of a model determining a likelihood of a user performing an infrequent action after presentation of content |
| CN108198116A (zh) * | 2016-12-08 | 2018-06-22 | 同方威视技术股份有限公司 | 用于安检中被检人员分级的方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330584A (zh) * | 2017-06-12 | 2017-11-07 | 中国联合网络通信集团有限公司 | 可疑人员识别方法及装置 |
| CN107844805B (zh) * | 2017-11-15 | 2020-10-27 | 中国联合网络通信集团有限公司 | 基于公交卡信息识别可疑人员的方法及装置 |
-
2018
- 2018-07-18 CN CN201810788333.3A patent/CN109063984B/zh active Active
- 2018-09-17 WO PCT/CN2018/106009 patent/WO2020015139A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101194286A (zh) * | 2005-03-24 | 2008-06-04 | 埃森哲全球服务有限公司 | 基于风险的数据评估 |
| EP2860114A1 (en) * | 2013-10-11 | 2015-04-15 | SecurityPoint Holdings, Inc. | Methods and systems for efficient security screening |
| CN106251049A (zh) * | 2016-07-25 | 2016-12-21 | 国网浙江省电力公司宁波供电公司 | 一种大数据的电费风险模型构建方法 |
| US20180114252A1 (en) * | 2016-10-20 | 2018-04-26 | Facebook, Inc. | Determining accuracy of a model determining a likelihood of a user performing an infrequent action after presentation of content |
| CN108198116A (zh) * | 2016-12-08 | 2018-06-22 | 同方威视技术股份有限公司 | 用于安检中被检人员分级的方法及装置 |
| CN107133438A (zh) * | 2017-03-03 | 2017-09-05 | 平安医疗健康管理股份有限公司 | 医疗行为监控方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赖子亮: "深港口岸间的"水客"问题及治理策略研究", no. 8, pages 157 - 302 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348379A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种公共交通工具中目标对象确定方法、装置、系统及存储介质 |
| CN110348379B (zh) * | 2019-07-10 | 2021-10-01 | 北京旷视科技有限公司 | 一种公共交通工具中目标对象确定方法、装置、系统及存储介质 |
| CN110377846A (zh) * | 2019-07-25 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 社交关系挖掘方法、装置、存储介质和计算机设备 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN110598995B (zh) * | 2019-08-15 | 2023-08-25 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN111352171A (zh) * | 2020-03-30 | 2020-06-30 | 重庆特斯联智慧科技股份有限公司 | 一种实现人工智能区域屏蔽安检方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063984B (zh) | 2023-09-05 |
| WO2020015139A1 (zh) | 2020-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063984A (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
| CN109002988B (zh) | 风险旅客流量预测方法、装置、计算机设备和存储介质 | |
| WO2020015089A1 (zh) | 身份信息风险评定方法、装置、计算机设备和存储介质 | |
| CN110021439A (zh) | 基于机器学习的医疗数据分类方法、装置和计算机设备 | |
| CN109032829A (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
| WO2017143921A1 (zh) | 一种多重抽样模型训练方法及装置 | |
| CN105844283A (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
| CN110222992A (zh) | 一种基于受骗群体画像的网络诈骗预警方法及装置 | |
| CN111177714A (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
| CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
| CN106843941B (zh) | 信息处理方法、装置和计算机设备 | |
| US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
| CN109102159A (zh) | 旅客评级模型生成方法、装置、计算机设备和存储介质 | |
| CN108022146A (zh) | 征信数据的特征项处理方法、装置、计算机设备 | |
| CN108960145A (zh) | 人脸图像检测方法、装置、存储介质和电子设备 | |
| CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
| CN109509087A (zh) | 智能化的贷款审核方法、装置、设备及介质 | |
| CN109376598A (zh) | 面部表情图片处理方法、装置、计算机设备和存储介质 | |
| CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
| CN103443772B (zh) | 基于多模态数据分析的个人性别验证的方法 | |
| KR102114273B1 (ko) | 퍼스널 이미지 진단 제공방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
| CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
| US11144773B2 (en) | System for characterizing biometric station metrics with genericized biometric information | |
| CN109346137A (zh) | 受试者在线招募方法及装置、计算机设备及存储介质 | |
| CN109670779A (zh) | 一种绿色建筑项目统计分析平台及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |