CN110322142A - 一种大数据风控模型及线上系统配置技术 - Google Patents
一种大数据风控模型及线上系统配置技术 Download PDFInfo
- Publication number
- CN110322142A CN110322142A CN201910582991.1A CN201910582991A CN110322142A CN 110322142 A CN110322142 A CN 110322142A CN 201910582991 A CN201910582991 A CN 201910582991A CN 110322142 A CN110322142 A CN 110322142A
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- data
- air control
- configuration
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种大数据风控模型及线上系统配置技术,包括风控模型构建和风控模型配置,其特征在于,所述风控模型构建包括获取样本、数据加工、生成数据表、划分数据、特征工程以及模型建立;所述模型配置包括特征配置、模型配置和监控配置。实施发明技术方案,一方面将多种特征构建的方式结合在了一起,并且增加了变量交叉组合运算这种方式,全面挖掘了变量之间的组合关系,提升模型精度;另一方面在传统的特征筛选的基础上,增加了变量之间的相关性检验,既可以防止进入模型变量过多,增加计算成本,也可以防止模型过拟合;且本发明可以将项目、特征变量、模型、用户角色等统一管理。
Description
技术领域
本发明涉及金融风控模型技术和模型线上配置理论领域,特别涉及一种大数据风控模型及线上系统配置技术。
背景技术
金融风控是指风险管理者为了减少或消灭金融交易过程中各种可能发生风险的事件或者减少风险事件造成的损失而采用的措施和方法,所以金融风控是金融交易过程中的一个重要环节。
传统的金融风控过程一般分以下几步:第一步,数据建模:建模人员从数据库中取数,进行数据清洗,建模工作;第二步,将模型部署到系统:开发人员将变量规则、模型规则、监控规则编写部署到系统上,进行测试;第三步,数据源和系统连接;第四步,建模人员进行上线数据测试,保证数据逻辑、模型逻辑、监控规则正确无误。
传统的金融风控存在以下缺点:一、传统的风控模型特征工程中采用WOE转换,再用Logistic模型进行拟合构建特征工程的方法已经跟不上大数据、互联网、机器学习发展的速度;二、传统的金融风控中,模型部署需要建模人员将变量规则、模型规则、监控规则编写成书面材料,交于开发人员,由开发人员将这些部署到系统上,并由开发人员和模型人员沟通,测试。这种方式不仅增加了沟通所需的成本,后续也可能由于沟通不到位导致测试时出现很多问题,且由于测试也需要开发人员配合测试,也耗费了人力、时间,增加了项目的成本。
发明内容
为了解决上述技术问题,本发明中披露了一种大数据风控模型及线上系统配置技术,本发明的技术方案是这样实施的:
一种大数据风控模型及线上系统配置技术,包括风控模型构建和风控模型配置,所述风控模型构建包括获取样本、数据加工、生成数据表、划分数据、特征工程以及模型建立;所述模型配置包括特征配置、模型配置和监控配置。
进一步地,所述获取样本包括获取模型样本和获取模型样本的数据维度,所述获取模型样本包括通过数据接口获取合适的模型样本,并根据网贷数据和催收数据确定模型样本的正负;所述获取模型样本的数据维度,所述数据维度包括消费偏好、人口属性、还款能力、应用兴趣、游戏偏好、地理位置、游戏深度、行业标签。
进一步地,所述数据加工包括数据清洗;所述数据清洗包括对上述获取的样本进行缺失值处理和异常值处理,并调配样本比例与权重。
进一步地,所述生成数据表包括将清洗后的样本生成数据表。
进一步地,所述划分数据包括对数据表中的样本进行划分,获取训练集、验证集以及跨时间验证样本。
进一步地,所述特征工程包括特征构建和特征筛选,所述特征构建包括:步骤一:划分数据结束后将样本中的每个变量进行WOE转换;步骤二:连续变量,寻找最佳变化函数的方法;步骤三:每个变量进项哑变量编码;步骤四:多个连续变量进行加减乘除运算后,进行分别步骤一,步骤二和步骤三;步骤五:多个类型的变量进行交叉组合;步骤六:保留变量原值作为特征变量;所述特征筛选包括计算每个特征变量的信息增益,以及特征变量之间的相关系数,根据信息增益和相关系数筛选变量,所述筛选变量包括相关系数强的变量之间,保留信息增益较大的特征变量。
进一步地,所述建立模型包括模型训练和模型评估,所述模型训练包括以特征筛选后获得的特征变量为基础,构建模型,并运用逻辑回归算法,进行模型拟合;对拟合后的变量系数进行检查,删掉符号相反的变量后,再次进行模型拟合;循环以上步骤,直到变量系数全部正确;最后,对VIF比较高的变量,通过删除特征变量,使VIF达到正常水平,排除变量之间的多重共线性;所述模型评估包括:模型训练完成后,通过模型的KS值、排序能力、AUC值,以及模型在验证数据集和跨时间验证样本集上的表现,评估风控模型的质量。
进一步地,所述特征配置包括:由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型中的变量衍生规则,并进行单条变量规则的测试。
进一步地,所述模型配置包括:由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型公式,并对模型公式进行测试。
进一步地,所述监控配置包括:由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型变量和模型结果的监控规则,并进行预警规则测试。
实施本发明的技术方案可解决现有技术中模型精度低、成本高的技术问题;本发明的技术方案,在现有的特征构建技术上,将多种特征构建的方式结合在了一起,而不是只用一种构建特征变量的方式,并且增加了变量交叉组合运算这种方式,全面挖掘了变量之间的组合关系,提升模型精度;同时,在特征筛选时,在传统的特征筛选的基础上,增加了变量之间的相关性检验,一方面,可以防止进入模型变量过多,增加计算成本;另一方面,可以防止模型过拟合,为训练模型节省时间;最后在模型配置过程可由模型人员在线上全部操作,节省开发、沟通成本,另外,通过特征配置和模型配置可以将项目、特征变量、模型、角色统一管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明总体架构流程图;
图2为本发明详细流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种大数据风控模型及线上系统配置技术,包括风控模型构建和风控模型配置,如图1和图2所示,所述风控模型构建包括获取样本、数据加工、生成数据表、划分数据、特征工程以及模型建立;所述模型配置包括特征配置、模型配置和监控配置。
所述获取样本包括获取模型样本和获取模型样本的数据维度,所述获取模型样本包括通过数据接口获取合适的模型样本,并根据网贷数据和催收数据确定模型样本的正负;所述获取模型样本的数据维度,所述数据维度包括消费偏好、人口属性、还款能力、应用兴趣、游戏偏好、地理位置、游戏深度、行业标签。
所述数据加工包括数据清洗;所述数据清洗包括对上述获取的样本进行缺失值处理和异常值处理,并调配样本比例与权重。
所述生成数据表包括将清洗后的样本生成数据表。
所述划分数据包括对数据表中的样本进行划分,获取训练集、验证集以及跨时间验证样本。
所述特征工程特征包括构建和特征筛选,所述特征构建包括:步骤一:划分数据结束后将样本中的每个变量进行WOE转换;步骤二:连续变量,寻找最佳变化函数的方法;步骤三:每个变量进项哑变量编码;步骤四:多个连续变量进行加减乘除运算后,进行步骤一,步骤二和步骤三;步骤五:多个类型的变量进行交叉组合;步骤六:保留变量原值作为特征变量;所述特征筛选包括计算每个特征变量的信息增益,以及特征变量之间的相关系数,根据信息增益和相关系数筛选变量,所述筛选变量包括相关系数强的变量之间,保留信息增益较大的特征变量。
所述建立模型包括模型训练和模型评估,所述模型训练包括以特征筛选后获得的特征变量为基础,构建模型,并运用逻辑回归算法,进行模型拟合;对拟合后的变量系数进行检查,删掉符号相反的变量,后再次进行模型拟合;循环以上步骤,直到变量系数全部正确;最后,对VIF比较高的变量,通过删除特征变量,使VIF达到正常水平,排除变量之间的多重共线性;所述模型评估包括:模型训练完成后,通过模型的KS值、排序能力、AUC值,以及模型在验证数据集和跨时间验证样本集上的表现,评估风控模型的质量。
所述特征配置包括:由模型开发人员或业务人员在配置系统上配置模型中的变量衍生规则,并进行单条变量规则的测试。
所述模型配置包括:由模型开发人员或业务人员在配置系统上配置模型公式,并对模型公式进行测试。
所述监控配置包括:由模型开发人员或业务人员在配置系统上配置模型变量和模型结果的监控规则,并进行规则测试。
实施该实施方式,在现有的特征构建技术上,将多种特征构建的方式结合在了一起,而不是只用一种构建特征变量的方式,并且增加了变量交叉组合运算这种方式,全面挖掘了变量之间的组合关系,提升模型精度;同时,在特征筛选时,在传统的特征筛选的基础上,增加了变量之间的相关性检验,一方面,可以防止进入模型变量过多,增加计算成本;另一方面,可以防止模型过拟合,为训练模型节省时间;最后在模型配置过程可由模型人员在线上全部操作,节省开发、沟通成本,另外,通过特征配置和模型配置可以将项目、特征变量、模型、角色统一管理。
需要指出的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大数据风控模型及线上系统配置技术,包括风控模型构建和风控模型配置,其特征在于,所述风控模型构建包括获取样本、数据加工、生成数据表、划分数据、特征工程以及模型建立;所述模型配置包括特征配置、模型配置和监控配置。
2.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述获取样本包括获取模型样本和获取模型样本的数据维度,所述获取模型样本包括通过数据接口获取合适的模型样本,并根据网贷数据和催收数据确定模型样本的正负;所述获取模型样本的数据维度,所述数据维度包括消费偏好、人口属性、还款能力、应用兴趣、游戏偏好、地理位置、游戏深度、行业标签。
3.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述数据加工包括数据清洗;所述数据清洗包括对上述获取的样本进行缺失值处理和异常值处理,并调配样本比例与权重。
4.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述生成数据表包括将清洗后的样本生成数据表。
5.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述划分数据包括对数据表中的样本进行划分,获取训练集、验证集以及跨时间验证样本。
6.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述特征工程包括特征构建和特征筛选,所述特征构建包括:步骤一:划分数据结束后将样本中的每个变量进行WOE转换;步骤二:连续变量,寻找最佳变化函数的方法;步骤三:每个变量进项哑变量编码;步骤四:多个连续变量进行加减乘除运算后,进行分别步骤一,步骤二和步骤三;步骤五:多个类型的变量进行交叉组合;步骤六:保留变量原值作为特征变量;所述特征筛选包括计算每个特征变量的信息增益,以及特征变量之间的相关系数,根据信息增益和相关系数筛选变量,所述筛选变量包括相关系数强的变量之间,保留信息增益较大的特征变量。
7.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述建立模型包括模型训练和模型评估,所述模型训练包括以特征筛选后获得的特征变量为基础,构建模型,运用逻辑回归算法,进行模型拟合;对拟合后的变量系数进行检查,删掉符号相反的变量后,再次进行模型拟合;循环以上步骤,直到变量系数全部正确;最后,对VIF比较高的变量,通过删除特征变量,使VIF达到正常水平,排除变量之间的多重共线性;所述模型评估包括:模型训练完成后,通过模型的KS值、排序能力、AUC值,以及模型在验证数据集和跨时间验证样本集上的表现,评估风控模型的质量。
8.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述特征配置包括:建立模型后,由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型中的变量衍生规则,并进行单条变量规则的测试。
9.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述模型配置包括:特征配置后,由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型公式,并对模型公式进行测试。
10.根据权利要求1所述的一种大数据风控模型及线上系统配置技术,其特征在于,所述监控配置包括:模型配置后,由模型开发人员或业务人员在配置系统上,通过点击按钮或编写简单代码的方式,配置模型变量和模型结果的监控规则,并进行规则测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582991.1A CN110322142A (zh) | 2019-07-01 | 2019-07-01 | 一种大数据风控模型及线上系统配置技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582991.1A CN110322142A (zh) | 2019-07-01 | 2019-07-01 | 一种大数据风控模型及线上系统配置技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322142A true CN110322142A (zh) | 2019-10-11 |
Family
ID=68121543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910582991.1A Pending CN110322142A (zh) | 2019-07-01 | 2019-07-01 | 一种大数据风控模型及线上系统配置技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322142A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
CN112102074A (zh) * | 2020-10-14 | 2020-12-18 | 深圳前海弘犀智能科技有限公司 | 一种评分卡建模方法 |
CN113064883A (zh) * | 2020-09-28 | 2021-07-02 | 开鑫金服(南京)信息服务有限公司 | 物流风控模型的构建方法、计算机设备和存储介质 |
WO2021164382A1 (zh) * | 2020-02-17 | 2021-08-26 | 支付宝(杭州)信息技术有限公司 | 针对用户分类模型进行特征处理的方法及装置 |
CN117036008A (zh) * | 2023-10-08 | 2023-11-10 | 中邮消费金融有限公司 | 一种多源数据的自动化建模方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215370A1 (zh) * | 2016-06-14 | 2017-12-21 | 平安科技(深圳)有限公司 | 构建决策模型的方法、装置、计算机设备及存储设备 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
CN108733639A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种配置参数调整方法、装置、终端设备及存储介质 |
CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
US20190065939A1 (en) * | 2017-08-30 | 2019-02-28 | International Business Machines Corporation | Bayesian network based hybrid machine learning |
CN109636591A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 一种基于机器学习的信用评分卡开发方法 |
CN110287180A (zh) * | 2019-06-25 | 2019-09-27 | 上海诚数信息科技有限公司 | 一种基于深度学习的风控建模方法 |
-
2019
- 2019-07-01 CN CN201910582991.1A patent/CN110322142A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215370A1 (zh) * | 2016-06-14 | 2017-12-21 | 平安科技(深圳)有限公司 | 构建决策模型的方法、装置、计算机设备及存储设备 |
US20190065939A1 (en) * | 2017-08-30 | 2019-02-28 | International Business Machines Corporation | Bayesian network based hybrid machine learning |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
CN108733639A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种配置参数调整方法、装置、终端设备及存储介质 |
CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
CN109636591A (zh) * | 2018-12-28 | 2019-04-16 | 浙江工业大学 | 一种基于机器学习的信用评分卡开发方法 |
CN110287180A (zh) * | 2019-06-25 | 2019-09-27 | 上海诚数信息科技有限公司 | 一种基于深度学习的风控建模方法 |
Non-Patent Citations (1)
Title |
---|
仵伟强等: "基于机器学习模型的消费金融反欺诈模型与方法", 《现代管理科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164382A1 (zh) * | 2020-02-17 | 2021-08-26 | 支付宝(杭州)信息技术有限公司 | 针对用户分类模型进行特征处理的方法及装置 |
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
CN113064883A (zh) * | 2020-09-28 | 2021-07-02 | 开鑫金服(南京)信息服务有限公司 | 物流风控模型的构建方法、计算机设备和存储介质 |
CN112102074A (zh) * | 2020-10-14 | 2020-12-18 | 深圳前海弘犀智能科技有限公司 | 一种评分卡建模方法 |
CN112102074B (zh) * | 2020-10-14 | 2024-01-30 | 深圳前海弘犀智能科技有限公司 | 一种评分卡建模方法 |
CN117036008A (zh) * | 2023-10-08 | 2023-11-10 | 中邮消费金融有限公司 | 一种多源数据的自动化建模方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322142A (zh) | 一种大数据风控模型及线上系统配置技术 | |
Keane et al. | Representing climate, disturbance, and vegetation interactions in landscape models | |
Kasprzyk et al. | Many-objective de Novo water supply portfolio planning under deep uncertainty | |
US8619084B2 (en) | Dynamic adaptive process discovery and compliance | |
Easter et al. | The GEFSOC soil carbon modelling system: a tool for conducting regional-scale soil carbon inventories and assessing the impacts of land use change on soil carbon | |
US8170894B2 (en) | Method of identifying innovations possessing business disrupting properties | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
CN106960065A (zh) | 一种复杂仿真系统可信度的鲁棒评估方法及系统 | |
Bastardie et al. | Stock-based vs. fleet-based evaluation of the multi-annual management plan for the cod stocks in the Baltic Sea | |
EP4075281A1 (en) | Ann-based program test method and test system, and application | |
CN110348722A (zh) | 一种基于XGBoost的互联网金融风控模型 | |
US20230385366A1 (en) | Method for ecological disturbance risk identification and assessment based on automatic parameter adjusting optimization model | |
Grantham et al. | Modeling functional flows in California’s rivers | |
Cencerrado et al. | Genetic algorithm characterization for the quality assessment of forest fire spread prediction | |
Patidar et al. | Stochastic modelling of flow sequences for improved prediction of fluvial flood hazards | |
Muradian et al. | A framework for assessing which sampling programmes provide the best trade-off between accuracy and cost of data in stock assessments | |
Jacobsen et al. | Management strategy evaluation of Pacific hake: Exploring the robustness of the current harvest policy to spatial stock structure, shifts in fishery selectivity, and climate-driven distribution shifts | |
Miralles et al. | Bayesian modeling of insurance claims for hail damage | |
Ferson et al. | Assessing land-use impacts on bull trout using Bayesian belief networks | |
Lynam | Scientific measurements and villagers' knowledge: an integrative multi-agent model from the semi-arid areas of Zimbabwe | |
De Pooter et al. | Bayesian near-boundary analysis in basic macroeconomic time-series models | |
Alvandi et al. | Developing a Web-Based Integrated Bayesian Decision Support System for Environmental Problems in a Semi-Arid Watershed | |
Nahkala | Watershed modeling and random forest flood risk classification of farmed prairie potholes | |
Chlumsky | Rigorous validation of hydrologic models in support of decision-making | |
Morse et al. | Evaluation of an F0. 1 management procedure using an alternative Management Strategy Evaluation framework for Atlantic bluefin tuna |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |