CN109523117A - 风险预测方法、装置、计算机设备和存储介质 - Google Patents
风险预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109523117A CN109523117A CN201811183672.5A CN201811183672A CN109523117A CN 109523117 A CN109523117 A CN 109523117A CN 201811183672 A CN201811183672 A CN 201811183672A CN 109523117 A CN109523117 A CN 109523117A
- Authority
- CN
- China
- Prior art keywords
- label
- risk
- sample
- devoid
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 124
- 238000004590 computer program Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于安全防护的风险预测方法、装置、计算机设备和存储介质。所述方法包括:服务器接收终端发送的预测请求,并根据预测请求获取企业的各维度信息。从企业的各维度信息中提取企业指标,并将企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与企业指标对应的风险预测标签和无风险预测标签。根据风险预测标签和无风险预测标签,分别获得与企业指标对应的风险预测信息和无风险预测信息,将风险预测信息和无风险预测信息发送至对应终端。采用本方法能够在数据更新的情况下无需反复对各指标进行数据预处理工作,可降低资源消耗,同时针对不同预测标签分别向对应的终端发送对应的预测信息,可进一步提高风险预测效果。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种风险预测方法、装置、计算机设备和存储介质。
背景技术
风险预警系统是根据所研究对象的特点,通过收集相关的资料信息,监控风险因素的变动趋势,并评价各种风险状态偏离预警线的强弱程度,向决策层发出预警信号并提前采取预控对策的系统。因此,要构建预警系统必须先构建评价指标体系,并对指标类别加以分析处理。其次,依据预警模型,对评价指标体系进行综合评判。最后,依据评判结果设置预警区间,并采取相应对策。
传统的企业风险预警系统,大多基于统计方法或者根据专家打分卡来搭建的,其关键部分是预先计算的各指标阈值,指标有效性,以及中间指标的权重等。但当出现数据更新,导致需要更新模型时,需要重新计算指标的有效性、阈值以及权重等,需要消耗大量人力和时间去做以上的数据预处理工作。并且传统的基于统计的风险预警系统对数据缺失值、噪音数据比较敏感,影响风险预测效果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高风险预测效果的风险预测方法、装置、计算机设备和存储介质。
一种风险预测方法,所述方法包括:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
在其中一个实施例中,所述方法还包括:
从数据库中获取样本数据,并从所述样本数据中提取样本标签,将所述样本标签作为初始模型的预测标签;
获取所述样本数据对应的指标,并将所述样本数据对应的指标作为初始模型的预测特征;
根据所述预测特征和所述预测标签生成训练数据集;
利用所述训练数据集和所述样本数据的提示信息,对所述初始模型进行训练,获得可用预测模型。
在其中一个实施例中,所述方法还包括:
从数据库中获取样本数据集,并将所述样本数据集存储至预设对象中;
调用数据库中的训练函数;
根据预设的训练函数和训练参数之间的对应关系,获取与所述训练函数对应的训练参数;
从所述预设对象中调用样本数据集,并根据所述训练参数和所述样本数据集,构建初始模型。
在其中一个实施例中,所述接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息,包括:
接收并解析所述终端发送的预测请求;
获取所述预测请求携带的请求标签,并获取与所述请求标签对应的企业的各维度信息。
在其中一个实施例中,所述从所述样本数据中提取样本标签,将所述样本标签作为初始模型的预测标签,包括:
从样本数据中提取样本标签,并获取所述样本标签的属性;
根据所述属性将所述样本数据分为第一类样本和第二类样本;
获取与所述第一类样本对应的第一样本标签,以及与所述第二类样本对应的第二样本标签;其中,所述第一样本标签为携带风险数据的样本标签,所述第二样本标签为无风险数据的样本标签;
将所述第一样本标签作为初始模型的风险预测标签,将所述第二样本标签作为所述初始模型的无风险预测标签。
在其中一个实施例中,所述根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息,包括:
根据预设的风险预测标签和风险预测信息之间的对应关系,获取与所述风险预测标签对应的风险预测信息;
根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与所述无风险预测标签对应的无风险预测信息。
在其中一个实施例中,所述利用所述训练数据集和所述样本数据的提示信息,对所述初始模型进行训练,获得可用预测模型,包括:
根据训练参数对样本数据集进行训练,获得训练数据集;
将所述训练数据集和所述样本数据的提示信息应用于初始模型,获得预测百分数;
根据所述预测百分数和样本数据集,构建可用预测模型。
一种风险预测装置,所述装置包括:
维度信息获取模块,用于接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
企业指标提取模块,用于从所述企业的各维度信息中提取企业指标;
标签获取模块,用于将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
预测信息获取模块,用于根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
发送模块,用于分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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以下步骤:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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以下步骤:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
上述风险预测方法、装置、计算机设备和存储介质,服务器通过根据终端发送的预测请求获取企业的各维度信息,并从企业的各维度信息中提取企业指标。从而可将企业指标作为预测特征输入预先训练得到的可用预测模型中,得到与企业指标获得对应的风险预测信息和无风险预测信息,并分别将风险预测信息和无风险预测信息发送至对应终端。在数据更新的情况下无需反复对各指标进行数据预处理工作,可降低资源消耗,同时针对不同预测标签分别向对应的终端发送对应的预测信息,可进一步提高风险预测效果。
附图说明
图1为一个实施例中风险预测方法的应用场景图;
图2为一个实施例中风险预测方法的流程示意图;
图3为另一个实施例中风险预测方法的流程示意图;
图4为一个实施例中将样本标签作为初始模型的预测标签的流程示意图;
图5为一个实施例中风险预测装置的结构框图;
图6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。
本申请提供的风险预测方法,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。服务器104接收终端102发送的预测请求,并根据预测请求获取企业的各维度信息。服务器104从企业的各维度信息中提取企业指标,将企业指标作为预测特征输入预先训练得到的可用预测模型中,并分别获取与企业指标对应的风险预测标签和无风险预测标签。服务器104根据风险预测标签和无风险预测标签,分别获得与企业指标对应的风险预测信息和无风险预测信息,并分别将风险预测信息和无风险预测信息发送至对应终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,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,提供了一种风险预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,服务器接收终端发送的预测请求,并根据预测请求获取企业的各维度信息。
其中,预测请求携带企业标识,企业标识和企业的各维度信息之间存在对应关系,服务器可根据企业标识和企业的各维度信息之间的对应关系,获取与企业标识对应的企业的各维度信息。
具体地,服务器通过接收终端发送的预测请求,并解析预测请求,获取预测请求携带的企业标识。获取企业标识和企业的各维度信息之间的对应关系,根据所获取到的企业标识和企业的各维度信息之间的对应关系,从数据库中获取与企业标识对应的企业的各维度信息。
进一步地,在实际应用场景中,企业的管理系统进行日常运转,可通过调用接口,从与企业管理系统连接的其他平台上,获取与企业相关的信息和数据,根据所获取的企业相关的信息和数据,生成对应企业的各维度信息。服务器在接收到企业所在的对应终端发送的预测请求后,解析对应终端发送的预测请求,并获取预测请求携带的企业标识。进而服务器可根据企业标识识别对应的企业,从数据库中获取与企业标识对应的企业的各维度信息。
S204,服务器从企业的各维度信息中提取企业指标。
具体地,服务器通过从数据库中获取企业的各维度信息,并从企业的各维度信息中提取企业指标。其中,企业的各维度信息和企业指标之间存在对应关系,服务器可通过获取企业的各维度信息和企业指标之间的对应关系,并根据企业的各维度信息和企业指标之间的对应关系,分别提取与各维度信息对应的企业指标。
其中,企业指标包括各项财务指标,法务诉讼情况,舆情正负面情况以及进出口清单等。其中,财务指标是指企业总结和评价财务状况和经营成果的相对指标,具体包括:偿债能力指标,包括资产负债率、流动比率、速动比率;营运能力指标,包括应收账款周转率、存货周转率;盈利能力指标,包括资本金利润率、销售利润率(营业收入利税率)、成本费用利润率等。
法务诉讼情况表示企业参与法律事务的诉讼情况。舆情是“舆论情况”的简称,是指在一定的社会空间内,围绕中介性社会事件的发生、发展和变化,作为主体的民众对作为客体的社会管理者、企业、个人及其他各类组织及其政治、社会、道德等方面的取向产生和持有的社会态度,包括正面舆情和负面舆情,也可表示较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等表现的总和。进出口清单表示企业产品的进出口情况,包括产品类型,对应产品数量以及产品售价及购买价等。
S206,服务器将企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与企业指标对应的风险预测标签和无风险预测标签。
具体地,服务器通过将企业指标作为预测特征输入可用预测模型中,并分别获取与企业指标对应的风险预测标签和无风险预测标签。进而服务器可根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息,并根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
进一步地,服务器通过从数据库中获取样本数据,并从样本数据中提取样本标签,将样本标签作为初始模型的预测标签。同时,服务器通过获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征,进而根据预测特征和预测标签生成训练数据集。利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。
其中,初始模型为已有的风险预测模型,但并不适用于所有需要进行风险预测的企业,需要利用样本标签,即预测标签,以及预测特征,即样本数据对应的指标,生成训练数据集。服务器利用训练数据集和样本数据的提示信息,可对初始模型进行训练,根据进行训练过后的初始模型获得与企业对应的可用也测模型。
S208,服务器根据风险预测标签和无风险预测标签,分别获得与企业指标对应的风险预测信息和无风险预测信息。
具体地,服务器根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息,并根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
其中,风险预测信息表示对应企业存在风险信息,对应企业接收到服务器发送的预测信息为风险预测信息,需要根据接收到的风险预测信息进行进一步地排查和处理。无风险预测信息表示对应企业不存在风险信息,对应企业接收到服务器发送的预测信息为无风险预测信息。
S210,服务器分别将风险预测信息和无风险预测信息发送至对应终端。
其中,风险预测信息表示对应企业存在风险信息,对应企业接收到服务器发送的预测信息为风险预测信息,需要根据接收到的风险预测信息进行进一步地排查和处理。无风险预测信息表示对应企业不存在风险信息,对应企业接收到服务器发送的预测信息为无风险预测信息。
上述风险预测方法中,服务器通过根据终端发送的预测请求获取企业的各维度信息,并从企业的各维度信息中提取企业指标。从而可将企业指标作为预测特征输入预先训练得到的可用预测模型中,得到与企业指标获得对应的预测信息,并将预测信息至终端。在数据更新的情况下无需反复对各指标进行数据预处理工作,可降低资源消耗,同时针对不同预测标签分别向对应的终端发送对应的预测信息,可进一步提高风险预测效果。
在一个实施例中,如图3所示,提供了一种风险预测方法,该方法还包括:
S302,服务器从数据库中获取样本数据,并从样本数据中提取样本标签,将样本标签作为初始模型的预测标签。
具体地,服务器从样本数据中提取样本标签,并获取样本标签的属性,根据属性将样本数据分为第一类样本和第二类样本。服务器分别获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签。服务器将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。
其中,样本标签的属性,用于表示与样本标签对应的样本数据是否携带风险数据。服务器可根据样本标签的属性,将样本数据分为第一类样本和第二类样本,第一类样本为携带风险数据的样本数据,第二类样本为未携带风险数据的样本数据。进而,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签。
S304,服务器获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征。
具体地,服务器通过获取样本数据和指标之间的对应关系,并根据样本数据和指标之间的对应关系,获取与样本数据对应的指标。服务器通过获取样本数据和初始模型的预测特征之间的关联关系,并根据样本数据和预测特征之间的关联关系,将样本数据对应的指标作为初始模型的预测特征。
进一步地,服务器通过从数据库中获取样本数据集,并将样本数据集存储至预设对象中。进而,服务器通过调用数据库中的训练函数,并根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数。从预设对象中调用样本数据集,并根据训练参数和样本数据集,构建初始模型。
其中,训练参数包括树的最大深度,即为从根结点到叶子结点的最长路径加1,而用递归的观点来看,树的深度,等于其最大左右子树的深度加1;收缩步长表示进行让一个数值在每次收缩运算中,加上某个数(此即步长),并重复执行此项运算;以及迭代次数,其中迭代表示重复执行一系列运算步骤,从前面的量依次求出后面的量的过程,此过程的每一次结果,都是由对前一次所得结果施行相同的运算步骤得到的。迭代次数表示执行重复一系列运算步骤的次数。
S306,服务器根据预测特征和预测标签生成训练数据集。
具体地,预测特征为样本数据对应的指标,预测标签为样本数据的样本标签,包括第一样本标签和第二样本标签,其中,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签。服务器根据样本数据对应的指标和第一样本标签,以及样本数据对应的指标和第二样本标签,生成训练数据集。
S308,服务器利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。
具体地,服务器根据训练参数对样本数据集进行训练,获得训练数据集,并将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数。根据预测百分数和样本数据集,构建可用预测模型。
其中,训练参数包括树的最大深度,即为从根结点到叶子结点的最长路径加1;收缩步长,表示进行让一个数值在每次收缩运算中,加上某个数(此即步长),并重复执行此项运算;以及迭代次数,表示执行重复一系列运算步骤的次数。
初始模型为已有的风险预测模型,但并不适用于所有需要进行风险预测的企业,将训练数据集和样本数据的提示信息应用于初始模型,可获得预测百分数。预测百分数用于表示训练数据集和样本数据的提示信息,应用于初始模型后,通过计算训练数据集和样本数据之间的关联程度得到。
上述风险预测方法中,服务器通过从获取到的样本数据中提取样本标签,并将样本标签作为初始模型的预测标签。获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征,并根据预测特征和预测标签生成训练数据集,进而利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。从而通过直接将样本标签作为初始模型的预测标签,可减少每次数据更新时,需要重新对样本数据进行的预处理操作,可降低资源消耗。
在一个实施例中,如图4所示,提供了一种将样本标签作为初始模型的预测标签的步骤,即从样本数据中提取样本标签,并将样本标签作为初始模型的预测标签的步骤,包括以下步骤S402至S408:
S402,服务器从样本数据中提取样本标签,并获取样本标签的属性。
S404,服务器根据属性将样本数据分为第一类样本和第二类样本。
具体地,服务器通过获取样本数据,并获取样本数据和样本标签之间的对应关系,根据样本数据和样本标签之间的对应关系,从样本数据中提取对应的样本标签。其中,样本标签的属性,用于表示与样本标签对应的样本数据是否携带风险数据。服务器可根据样本标签的属性,将样本数据分为第一类样本和第二类样本,第一类样本为携带风险数据的样本数据,第二类样本为未携带风险数据的样本数据。
S406,服务器获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签。
具体地,服务器通过获取第一类样本和第一样本标签之间的对应关系,并根据第一类样本和第一样本标签之间的对应关系,获取与第一类样本对应的第一样本标签。其中,第一样本标签为携带风险数据的样本标签。服务器通过获取第二类样本和第二样本标签之间的对应关系,并根据第二类样本和第二样本标签之间的对应关系,获取与第二类样本对应的第二样本标签。其中,第二样本标签为无风险数据的样本标签。
S408,服务器将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。
具体地,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签。服务器将第一样本标签,即携带风险数据的样本标签,作为初始模型的风险预测标签,与携带风险数据的第一类样本对应。将第二样本标签即未携带风险数据的样本标签,作为初始模型的无风险预测标签,与未携带风险数据的第二类样本对应。
上述将样本标签作为初始模型的预测标签的步骤中,服务器通过从样本数据中提取样本标签,并获取样本标签的属性,根据属性将样本数据分为第一类样本和第二类样本。获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签,并将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。从而可实现将携带风险数据和无风险数据的样本标签区分开,有利于执行针对性地样本数据处理,提高了工作效率。
在一个实施例中,提供了一种风险预测方法,该方法还包括以下步骤:
服务器从数据库中获取样本数据集,并将样本数据集存储至预设对象中;调用数据库中的训练函数;根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数;从预设对象中调用样本数据集,并根据训练参数和样本数据集,构建初始模型。
其中,训练参数包括树的最大深度,即为从根结点到叶子结点的最长路径加1;收缩步长用于表示进行让一个数值在每次收缩运算中,加上某个数(此即步长),并重复执行此项运算;迭代次数表示执行重复一系列运算步骤的次数。
具体地,服务器通过获取训练函数和训练参数之间的对应关系,并根据训练函数和训练参数之间的对应关系,获取与所调用的训练函数对应的训练参数。利用训练参数对从预设对象中调用的样本数据集进行训练,获得初始模型。
上述风险预测方法中,服务器通过根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数,并从预设对象中调用样本数据集,根据训练参数和样本数据集,构建初始模型。从而可实现初始模型的建立,利用训练参数对样本数据集的训练,进而为后续可用预测模型提供对应的基础,提高了工作效率。
在一个实施例中,提供了一种接收终端发送的预测请求,并根据预测请求获取企业的各维度信息的步骤,包括:
服务器接收并解析终端发送的预测请求;获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。
其中,预测请求携带企业标识,企业标识和企业的各维度信息之间存在对应关系,服务器可根据企业标识和企业的各维度信息之间的对应关系,获取与企业标识对应的企业的各维度信息。
具体地,服务器通过接收终端发送的预测请求,并解析预测请求,获取预测请求携带的企业标识。获取企业标识和企业的各维度信息之间的对应关系,根据所获取到的企业标识和企业的各维度信息之间的对应关系,从数据库中获取与企业标识对应的企业的各维度信息。
上述根据预测请求获取企业的各维度信息的步骤,服务器接收并解析终端发送的预测请求,获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。从而可实现针对性的企业的各维度信息获取,明确不同预测请求和对应企业之间的对应关系,有利于个性化的企业的维度信息的获取和存储。
在一个实施例中,提供了一种根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息的步骤,包括:
服务器根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息;根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
具体地,风险预测信息表示对应企业存在风险信息,对应企业接收到服务器发送的预测信息为风险预测信息,需要根据接收到的风险预测信息进行进一步地排查和处理。无风险预测信息表示对应企业不存在风险信息,对应企业接收到服务器发送的预测信息为无风险预测信息。
其中,初始模型为已有的风险预测模型,但并不适用于所有需要进行风险预测的企业,需要利用样本标签,即预测标签,以及预测特征,即样本数据对应的指标,生成训练数据集。服务器利用训练数据集和样本数据的提示信息,可对初始模型进行训练,根据进行训练过后的初始模型获得与企业对应的可用也测模型。
上述步骤中,服务器通过分别获取与企业指标对应的风险预测标签和无风险预测标签,进而可获取与风险预测标签对应的风险预测信息,以及与无风险预测标签对应的无风险预测信息。从而实现了针对不同企业指标获取对应的预测标签,进而可分别获取对应的风险预测信息和无风险预测信息,提高了风险预测的准确度。
在一个实施例中,提供了一种利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型的步骤,包括:
服务器根据训练参数对样本数据集进行训练,获得训练数据集;将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数;根据预测百分数和样本数据集,构建可用预测模型。
其中,训练参数包括树的最大深度,即为从根结点到叶子结点的最长路径加1;收缩步长,表示进行让一个数值在每次收缩运算中,加上某个数(此即步长),并重复执行此项运算;以及迭代次数,表示执行重复一系列运算步骤的次数。
具体地,初始模型为已有的风险预测模型,但并不适用于所有需要进行风险预测的企业,将训练数据集和样本数据的提示信息应用于初始模型,可获得预测百分数。预测百分数用于表示训练数据集和样本数据的提示信息,应用于初始模型后,通过计算训练数据集和样本数据之间的关联程度得到。
上述获得可用预测模型的步骤,服务器根据训练参数对样本数据集进行训练,获得训练数据集,并将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数,进而根据预测百分数和样本数据集,构建可用预测模型。从而通过对初始模型的进一步训练,获得与企业对应的可用预测模型,提高了根据企业指标进行风险预测的准确度。
应该理解的是,虽然图2-4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2-4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5所示,提供了一种风险预测装置,包括:维度信息获取模块502、企业指标提取模块504、标签获取模块506、预测信息获取模块508以及发送模块510,其中:
维度信息获取模块502,用于接收终端发送的预测请求,并根据预测请求获取企业的各维度信息。
企业指标提取模块504,用于从企业的各维度信息中提取企业指标。
标签获取模块506,用于将企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签。
预测信息获取模块508,用于根据风险预测标签和无风险预测标签,分别获得与企业指标对应的风险预测信息和无风险预测信息。
发送模块510,用于分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
上述风险预测装置中,服务器通过根据终端发送的预测请求获取企业的各维度信息,并从企业的各维度信息中提取企业指标。从而可将企业指标作为预测特征输入预先训练得到的可用预测模型中,得到与企业指标获得对应的风险预测信息和无风险预测信息,并分别将风险预测信息和无风险预测信息发送至对应终端。在数据更新的情况下无需反复对各指标进行数据预处理工作,可降低资源消耗,同时针对不同预测标签分别向对应的终端发送对应的预测信息,可进一步提高风险预测效果。
在一个实施例中,提供了一种风险预测装置,该装置还包括:
预测标签生成模块,用于从数据库中获取样本数据,并从样本数据中提取样本标签,将样本标签作为初始模型的预测标签;预测特征生成模块,用于获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征;训练数据集生成模块,用于根据预测特征和预测标签生成训练数据集;可用预测模型生成模块,用于利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。
上述风险预测装置,服务器通过从获取到的样本数据中提取样本标签,并将样本标签作为初始模型的预测标签。获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征,并根据预测特征和预测标签生成训练数据集,进而利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。从而通过直接将样本标签作为初始模型的预测标签,可减少每次数据更新时,需要重新对样本数据进行的预处理操作,可降低资源消耗。
在一个实施例中,提供了一种风险预测装置,该装置还包括:
样本数据集获取模块,用于从数据库中获取样本数据集,并将样本数据集存储至预设对象中;训练函数调用模块,用于调用数据库中的训练函数;训练参数获取模块,用于根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数;初始模型构建模块,用于从预设对象中调用样本数据集,并根据训练参数和样本数据集,构建初始模型。
上述风险预测装置,服务器通过根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数,并从预设对象中调用样本数据集,根据训练参数和样本数据集,构建初始模型。从而可实现初始模型的建立,利用训练参数对样本数据集的训练,进而为后续可用预测模型提供对应的基础,提高了工作效率。
在一个实施例中,提供了一种维度信息获取模块,还用于:
接收并解析终端发送的预测请求;获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。
上述维度信息获取模块,服务器接收并解析终端发送的预测请求,获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。从而可实现针对性的企业的各维度信息获取,明确不同预测请求和对应企业之间的对应关系,有利于个性化的企业的维度信息的获取和存储。
在一个实施例中,提供了一种提示信息获取模块,还用于:
将企业指标作为预测特征输入可用预测模型中;分别获取与企业指标对应的风险预测标签和无风险预测标签;根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息;根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
上述提示信息获取模块,服务器将企业指标作为预测特征输入可用预测模型中,分别获取与企业指标对应的风险预测标签和无风险预测标签,进而可获取与风险预测标签对应的风险预测信息,以及与无风险预测标签对应的无风险预测信息。从而实现了针对不同企业指标获取对应的预测标签,进而可分别获取对应的风险预测信息和无风险预测信息,提高了风险预测的准确度。
在一个实施例中,提供了一种预测标签生成模块,还用于:
从样本数据中提取样本标签,并获取样本标签的属性;根据属性将样本数据分为第一类样本和第二类样本;获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签;其中,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签;将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。
上述预测标签生成模块,服务器通过从样本数据中提取样本标签,并获取样本标签的属性,根据属性将样本数据分为第一类样本和第二类样本。获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签,并将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。从而可实现将携带风险数据和无风险数据的样本标签区分开,有利于执行针对性地样本数据处理,提高了工作效率。
在一个实施例中,提供了一种预测信息获取模块,还用于:
根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息;根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
上述预测信息获取模块,服务器通过分别获取与企业指标对应的风险预测标签和无风险预测标签,进而可获取与风险预测标签对应的风险预测信息,以及与无风险预测标签对应的无风险预测信息。从而实现了针对不同企业指标获取对应的预测标签,进而可分别获取对应的风险预测信息和无风险预测信息,提高了风险预测的准确度。
在一个实施例中,提供了一种可用预测模型构建模块,还用于:
根据训练参数对样本数据集进行训练,获得训练数据集;将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数;根据预测百分数和样本数据集,构建可用预测模型。
上述可用预测模型构建模块,服务器根据训练参数对样本数据集进行训练,获得训练数据集,并将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数,进而根据预测百分数和样本数据集,构建可用预测模型。从而通过对初始模型的进一步训练,获得与企业对应的可用预测模型,提高了根据企业指标进行风险预测的准确度。
关于风险预测装置的具体限定可以参见上文中对于风险预测方法的限定,在此不再赘述。上述风险预测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服务器,其内部结构图可以如图6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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储企业指标数据。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预测方法。
本领域技术人员可以理解,图6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:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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:
从数据库中获取样本数据,并从样本数据中提取样本标签,将样本标签作为初始模型的预测标签;
获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征;
根据预测特征和预测标签生成训练数据集;
利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。
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:
从数据库中获取样本数据集,并将样本数据集存储至预设对象中;
调用数据库中的训练函数;
根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数;
从预设对象中调用样本数据集,并根据训练参数和样本数据集,构建初始模型。
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:
接收并解析终端发送的预测请求;
获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。
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:
从样本数据中提取样本标签,并获取样本标签的属性;
根据属性将样本数据分为第一类样本和第二类样本;
获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签;其中,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签;
将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。
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:
根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息;
根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
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:
根据训练参数对样本数据集进行训练,获得训练数据集;
将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数;
根据预测百分数和样本数据集,构建可用预测模型。
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:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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:
从数据库中获取样本数据,并从样本数据中提取样本标签,将样本标签作为初始模型的预测标签;
获取样本数据对应的指标,并将样本数据对应的指标作为初始模型的预测特征;
根据预测特征和预测标签生成训练数据集;
利用训练数据集和样本数据的提示信息,对初始模型进行训练,获得可用预测模型。
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:
从数据库中获取样本数据集,并将样本数据集存储至预设对象中;
调用数据库中的训练函数;
根据预设的训练函数和训练参数之间的对应关系,获取与训练函数对应的训练参数;
从预设对象中调用样本数据集,并根据训练参数和样本数据集,构建初始模型。
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:
接收并解析终端发送的预测请求;
获取预测请求携带的请求标签,并获取与请求标签对应的企业的各维度信息。
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:
从样本数据中提取样本标签,并获取样本标签的属性;
根据属性将样本数据分为第一类样本和第二类样本;
获取与第一类样本对应的第一样本标签,以及与第二类样本对应的第二样本标签;其中,第一样本标签为携带风险数据的样本标签,第二样本标签为无风险数据的样本标签;
将第一样本标签作为初始模型的风险预测标签,将第二样本标签作为初始模型的无风险预测标签。
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:
根据预设的风险预测标签和风险预测信息之间的对应关系,获取与风险预测标签对应的风险预测信息;
根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与无风险预测标签对应的无风险预测信息。
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:
根据训练参数对样本数据集进行训练,获得训练数据集;
将训练数据集和样本数据的提示信息应用于初始模型,获得预测百分数;
根据预测百分数和样本数据集,构建可用预测模型。
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)
1.一种风险预测方法,所述方法包括:
接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
从所述企业的各维度信息中提取企业指标;
将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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:
从数据库中获取样本数据,并从所述样本数据中提取样本标签,将所述样本标签作为初始模型的预测标签;
获取所述样本数据对应的指标,并将所述样本数据对应的指标作为初始模型的预测特征;
根据所述预测特征和所述预测标签生成训练数据集;
利用所述训练数据集和所述样本数据的提示信息,对所述初始模型进行训练,获得可用预测模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
从数据库中获取样本数据集,并将所述样本数据集存储至预设对象中;
调用数据库中的训练函数;
根据预设的训练函数和训练参数之间的对应关系,获取与所述训练函数对应的训练参数;
从所述预设对象中调用样本数据集,并根据所述训练参数和所述样本数据集,构建初始模型。
4.根据权利要求1所述的方法,其特征在于,所述接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息,包括:
接收并解析所述终端发送的预测请求;
获取所述预测请求携带的请求标签,并获取与所述请求标签对应的企业的各维度信息。
5.根据权利要求2所述的方法,其特征在于,所述从所述样本数据中提取样本标签,将所述样本标签作为初始模型的预测标签,包括:
从样本数据中提取样本标签,并获取所述样本标签的属性;
根据所述属性将所述样本数据分为第一类样本和第二类样本;
获取与所述第一类样本对应的第一样本标签,以及与所述第二类样本对应的第二样本标签;其中,所述第一样本标签为携带风险数据的样本标签,所述第二样本标签为无风险数据的样本标签;
将所述第一样本标签作为初始模型的风险预测标签,将所述第二样本标签作为所述初始模型的无风险预测标签。
6.根据权利要求5所述的方法,其特征在于,所述根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息,包括:
根据预设的风险预测标签和风险预测信息之间的对应关系,获取与所述风险预测标签对应的风险预测信息;
根据预设的无风险预测标签和无风险预测信息之间的对应关系,获取与所述无风险预测标签对应的无风险预测信息。
7.根据权利要2所述的方法,其特征在于,所述利用所述训练数据集和所述样本数据的提示信息,对所述初始模型进行训练,获得可用预测模型,包括:
根据训练参数对样本数据集进行训练,获得训练数据集;
将所述训练数据集和所述样本数据的提示信息应用于初始模型,获得预测百分数;
根据所述预测百分数和样本数据集,构建可用预测模型。
8.一种风险预测装置,其特征在于,所述装置包括:
维度信息获取模块,用于接收终端发送的预测请求,并根据所述预测请求获取企业的各维度信息;
企业指标提取模块,用于从所述企业的各维度信息中提取企业指标;
标签获取模块,用于将所述企业指标作为预测特征输入预先训练得到的可用预测模型中,分别获取与所述企业指标对应的风险预测标签和无风险预测标签;
预测信息获取模块,用于根据所述风险预测标签和所述无风险预测标签,分别获得与所述企业指标对应的风险预测信息和无风险预测信息;
发送模块,用于分别将所述风险预测信息和所述无风险预测信息发送至对应终端。
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7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7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183672.5A CN109523117A (zh) | 2018-10-11 | 2018-10-11 | 风险预测方法、装置、计算机设备和存储介质 |
PCT/CN2019/099382 WO2020073727A1 (zh) | 2018-10-11 | 2019-08-06 | 风险预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183672.5A CN109523117A (zh) | 2018-10-11 | 2018-10-11 | 风险预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523117A true CN109523117A (zh) | 2019-03-26 |
Family
ID=65770500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811183672.5A Pending CN109523117A (zh) | 2018-10-11 | 2018-10-11 | 风险预测方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109523117A (zh) |
WO (1) | WO2020073727A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073727A1 (zh) * | 2018-10-11 | 2020-04-16 | 平安科技(深圳)有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN111695908A (zh) * | 2020-06-04 | 2020-09-22 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN112561320A (zh) * | 2020-12-14 | 2021-03-26 | 中国建设银行股份有限公司 | 机构风险预测模型的训练方法、机构风险预测方法和装置 |
CN113283795A (zh) * | 2021-06-11 | 2021-08-20 | 同盾科技有限公司 | 基于二分类模型的数据处理方法及装置、介质、设备 |
CN113487344A (zh) * | 2021-06-11 | 2021-10-08 | 中国联合网络通信集团有限公司 | 通信业务预测方法、集中服务器、边缘业务终端和介质 |
CN116028964A (zh) * | 2023-03-28 | 2023-04-28 | 中国标准化研究院 | 一种信息安全风险管理系统 |
CN117273963A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611291A (zh) * | 2016-12-13 | 2017-05-03 | 税云网络科技服务有限公司 | 信息推送方法和装置 |
CN107563614A (zh) * | 2017-08-16 | 2018-01-09 | 北京金堤科技有限公司 | 一种企业风险评估方法及装置 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108229806A (zh) * | 2017-12-27 | 2018-06-29 | 中国银行股份有限公司 | 一种分析企业风险的方法以及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489499B2 (en) * | 2010-01-13 | 2013-07-16 | Corelogic Solutions, Llc | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN108197178A (zh) * | 2017-12-22 | 2018-06-22 | 国云科技股份有限公司 | 一种企业风险评估方法 |
CN108197740A (zh) * | 2017-12-29 | 2018-06-22 | 广东金赋科技股份有限公司 | 企业倒闭预测方法、电子设备和计算机存储介质 |
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
CN108564286B (zh) * | 2018-04-19 | 2021-01-22 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN109523117A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
-
2018
- 2018-10-11 CN CN201811183672.5A patent/CN109523117A/zh active Pending
-
2019
- 2019-08-06 WO PCT/CN2019/099382 patent/WO2020073727A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611291A (zh) * | 2016-12-13 | 2017-05-03 | 税云网络科技服务有限公司 | 信息推送方法和装置 |
CN107563614A (zh) * | 2017-08-16 | 2018-01-09 | 北京金堤科技有限公司 | 一种企业风险评估方法及装置 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108229806A (zh) * | 2017-12-27 | 2018-06-29 | 中国银行股份有限公司 | 一种分析企业风险的方法以及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073727A1 (zh) * | 2018-10-11 | 2020-04-16 | 平安科技(深圳)有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN111582751B (zh) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN111695908A (zh) * | 2020-06-04 | 2020-09-22 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN111695908B (zh) * | 2020-06-04 | 2024-02-20 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN112561320A (zh) * | 2020-12-14 | 2021-03-26 | 中国建设银行股份有限公司 | 机构风险预测模型的训练方法、机构风险预测方法和装置 |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN112465411B (zh) * | 2021-01-27 | 2021-06-04 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN113283795A (zh) * | 2021-06-11 | 2021-08-20 | 同盾科技有限公司 | 基于二分类模型的数据处理方法及装置、介质、设备 |
CN113487344B (zh) * | 2021-06-11 | 2023-01-17 | 中国联合网络通信集团有限公司 | 通信业务预测方法、集中服务器、边缘业务终端和介质 |
CN113487344A (zh) * | 2021-06-11 | 2021-10-08 | 中国联合网络通信集团有限公司 | 通信业务预测方法、集中服务器、边缘业务终端和介质 |
CN116028964A (zh) * | 2023-03-28 | 2023-04-28 | 中国标准化研究院 | 一种信息安全风险管理系统 |
CN116028964B (zh) * | 2023-03-28 | 2023-05-23 | 中国标准化研究院 | 一种信息安全风险管理系统 |
CN117273963A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
CN117273963B (zh) * | 2023-11-21 | 2024-06-07 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020073727A1 (zh) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN109657917B (zh) | 评估对象的风险预警方法、装置、计算机设备和存储介质 | |
CN109165840A (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN110390465A (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
CN110489622B (zh) | 对象信息的分享方法、装置、计算机设备和存储介质 | |
CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
CN114139490B (zh) | 一种自动数据预处理的方法、装置以及设备 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN112085087A (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
CN109783788A (zh) | 数据表填补方法、装置、计算机设备和存储介质 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN112561538B (zh) | 风险模型创制方法、装置、计算机设备及可读存储介质 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
CN113705201A (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN110442780B (zh) | 基于智慧园区的车主画像生成方法、装置和计算机设备 | |
CN113420789A (zh) | 一种预测风险账号的方法、装置、存储介质和计算机设备 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN115037655B (zh) | 压测方法和系统 | |
CN118261693A (zh) | 资源申请方法、装置、计算机设备、存储介质和程序产品 | |
CN116702789A (zh) | 语义分析方法、装置、计算机设备以及存储介质 | |
CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
CN116611923A (zh) | 基于知识图谱的风险数据获取方法、系统、设备及存储介质 |
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 |