具体实施方式
在基于互联网进行资源转移时,针对交易时间与转移时间不一致的指定资源而言,会不可避免地存在转移风险,特别是在激励指定资源转移期间(以下简称激励期间),转移风险往往比较高,在这种情况下,为了减少转移风险对用户的影响,可以预先对激励期间的转移风险进行控制。
在对激励期间的转移风险进行控制时,通常可以预先对两个业务切点之间的转移风险进行控制。在实际应用中,由于两个业务切点之间的转移风险通常与这两个业务切点之间的转移量有关,因此,为了便于对转移风险进行控制时,就需要预测得到两个业务切点之间的转移量。
然而,在指定资源的转移场景中,资源转移的业务切点与自然时间不一致,即资源转移的业务切点不是每日的0点,而是在每日的0点至24点之间的某个时间点。这样,在预测激励期间两个业务切点之间的转移量时,预测结果很容易受到每日零点的影响,此外,由于在激励期间,资源转移量没有任何变化规律,因此,很难预测得到激励期间的转移量,从而无法有效地对指定资源在激励期间的转移风险进行控制。
为了解决上述技术问题,本申请实施例提供一种风险控制方法和装置,该方法包括:获取当前时刻之前的指定时间段内对指定资源的转移数据、所述当前时刻之后用于激励所述指定资源转移的激励数据以及在激励所述指定资源转移的当前时段中对应的用户行为数据,其中,所述指定资源在资源交易之后的预定时长进行资源转移;基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量,所述第一时间段为第一业务切点至指定时刻之间的时间段,所述第二时间段为所述指定时刻至第二业务切点之间的时间段;基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,确定所述第一业务切点至所述第二业务切点之间的目标转移量;基于所述目标转移量,对所述指定资源的转移风险进行控制。
本申请实施例提供的技术方案,在对指定资源在激励期间的转移风险进行控制时,可以基于指定资源在两个业务切点之间的转移量预测值进行风险控制,其中,在预测指定资源在两个业务切点之间的转移量时,可以结合指定资源的业务特性,通过将两个业务切点之间的时间段以影响转移量预测的指定时刻为界限划分为两个时间段,并对两个时间段内的转移量进行预测,可以避免指定时刻这一临界时间点对转移量预测的影响,从而提高预测结果的准确度;此外,在对两个时间段内的转移量进行预测时,由于可以采用多个模型进行预测,因此,还可以进一步提高预测结果的准确度,从而在准确预测转移量的基础上,可以有效地对转移风险进行控制。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请实施例记载的指定资源可以是外汇交易中的商品,也可以是其他在资源交易时间之后的预设时长进行资源转移的资源,这里不做具体限定。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1是本申请的一个实施例风险控制方法的流程示意图。所述方法如下所述。
S102:获取当前时刻之前的指定时间段内对指定资源的转移数据、当前时刻之后用于激励所述指定资源转移的激励数据以及在激励所述指定资源转移的当前时段中对应的用户行为数据。
在S102中,在对指定资源的转移风险进行控制时,可以获取指定资源在当前时刻之前的指定时间段内的转移数据、当前时刻之后用于激励指定资源转移的激励数据以及激励指定资源转移的当前时间段中用户转移指定资源时的用户行为数据。
本实施例中,指定资源可以理解为在资源交易后的预定时长进行资源转移的资源,该预定时长可以是0天,也可以是1天,若预定时长为0天,则可以说明指定资源的交易时间和转移时间在同一天,若预定时长为1天,则可以说明指定资源的转移时间在交易时间所在日期的第二天。
指定时间段可以是当前时刻所在日期的前一天的零点至当前时刻这一时间段,例如,当前时刻为2019年5月1日8点,则指定时间段为2019年4月30日的0点至2019年5月1日8点之间的时间段。
指定时间段内对指定资源的转移数据可以包括在指定时间段内对指定资源的转移量以及指定资源的转移类型,其中,转移类型可以表征指定资源是在资源交易之后的多长时间进行资源转移,本实施例中,转移类型可以包括两种,分别是T0和T1,T0表征指定资源的交易时间和转移时间在同一天,T1表征指定资源的转移时间在交易时间所在日期的第二天。
激励数据可以理解为激励指定资源转移的业务数据,例如,激励指定资源转移的数量,优惠券等数据。本实施例中,由于当前时刻之后的激励数据对指定资源的转移风险有影响,因此,获取的是当前时刻之后的激励数据。
当前时间段可以是当前激励指定资源转移的时间段,当前时间段中对应的用户行为数据可以理解为激励期间的起始时间至当前时刻这一时间段内已发生的用户行为数据。例如,当前激励期间对应的时间段为2019年5月1日0点至2019年5月3日24点,当前时刻为2019年5月2日8点,则当前时间段中对应的用户行为数据为2019年5月1日0点至2019年5月2日8点之间的用户行为数据。其中,用户行为数据可以理解为用户对指定资源的转移次数、用户对指定资源的点击率等。
本实施例中,在获取到转移数据、激励数据以及用户行为数据后,还可以对这些数据进行预处理,进而得到可以用于后续进行转移量预测的数据。其中,预处理可以包括以下至少一种:数据清洗、数据融合、特征提取、异常值检测、相关性分析以及统计分析。
数据清洗可以理解为去除上述转移数据、激励数据以及用户行为数据中的脏数据;数据融合可以理解为将转移数据、激励数据以及用户行为数据进行关联;特征提取可以理解为从转移数据、激励数据以及用户行为数据中提取用于后续进行转移量预测的特征,本实施例中,提取到的特征可以是转移量、转移类型、用户对指定资源的点击率、转移次数、优惠券的金额和数量等。
异常值检测可以理解为对上述提取到的特征对应的特征值进行异常值的检测;相关性分析可以理解为对上述提取到的特征进行相关性分析;统计分析可以理解为对上述提取到的特征进行整理和统计,以得到用于后续进行转移量预测的干净数据。
上述数据清洗、数据融合、特征提取、异常值检测、相关性分析以及统计分析的具体实现可以参见现有技术中记载的方法,这里不再详细描述。
S104:基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量。
在S104中,可以基于上述预处理后的转移数据、激励数据以及用户行为数据以及多个预先确定的模型对两个业务切点之间的转移量进行预测。其中,两个业务切点可以是当前时刻之后的两个相邻业务切点,为了便于区分,可以分别由第一业务切点和第二业务切点表示。
本实施例中,考虑到在指定资源的转移场景中,业务切点不是每日的零点,而是零点至24点之间的某个时间点,因此,在预测第一业务切点至第二业务切点之间的转移量时,可以根据第一业务切点至第二业务切点之间的某个指定时刻,将第一业务切点至第二业务切点之间的时间段分为两个时间段,这里为了便于区分,可以将第一业务切点至指定时刻之间的时间段称为第一时间段,将指定时刻至第一业务切点之间的时间段称为第二时间段。
这样,在预测第一业务切点至第二业务切点之间的转移量时,可以预测第一时间段内的转移量以及第二时间段内的转移量,从而避免指定资源的业务切点不是每日的零点这一业务特征对转移量预测的影响。
优选地,由于激励指定资源转移的起始时间通常为一天中的零点,且指定资源的转移时间通常以零点为分界点(转移时间为交易时间当日或次日),因此,上述记载的指定时刻可以是零点。这样,可以避免零点这一临界点对转移量预测的影响。
本实施例中,预先确定得到的多个模型可以包括T0模型、T1模型、KPI模型以及基于机器学习算法训练得到的预测模型,其中:
T0模型可以用于确定转移时间为交易日(即转移类型为T0)的指定资源对应的转移量,即第一时间段内的转移量;
T1模型可以用于确定转移时间在交易次日(即交易类型为T1)的指定资源对应的转移量,即第二时间段内的转移量;
KPI模型(即关键绩效指标模型)可以用于确定激励指定资源转移时的转移量,考虑到激励指定资源转移的时间一般是从某日的0点开始,到某日的24点结束,因此,KPI模型可以用于确定0点至当日的业务切点之间的转移量,以及该业务切点至该业务切点所在日的24点之间的转移量。
需要说明的是,在本实施例中,若第一业务切点所在日和第二业务切点所在日均为激励指定资源转移的时间,则KPI模型可以用于确定第一时间段内的转移量以及第二时间段内的转移量;若第一业务切点所在日不是激励指定资源转移的时间,第二业务切点所在日是激励指定资源转移的时间,则KPI模型可以用于确定第二时间段内的转移量;若第一业务切点所在日是激励指定资源转移的时间,第二业务切点所在日不是激励指定资源转移的时间,则KPI模型可以用于预测第一时间段内的转移量。本实施例可以以第一业务切点和第二业务切点所在日均为激励指定资源转移的时间为例进行说明。
预测模型可以用于预测第一时间段内的转移量以及第二时间段的转移量,其中,预测模型的个数可以是一个,也可以是多个,这里不做具体限定。本实施例中,为了提高预测结果的准确度,预测模型可以包括LSTM(Long Short Term Memory,长短期记忆)模型、XGBoost(提升算法和调参实例)模型以及LR(Logistic Regression,逻辑回归)模型中的至少一种,优选地,预测模型可以包括LSTM模型、XGBoost模型以及LR模型。
应理解,在其他实现方式中,预测模型也可以是其他模型,例如,GBDT(GradientBoosting Decision Tree,梯度提升树)模型等,具体可以根据实际情况确定,这里不做具体限定。
本实施例中,预测模型可以通过样本数据预先训练得到,以其中一个预测模型为例,可以通过以下方法训练得到预测模型:
首先,获取样本数据。
样本数据中可以包括激励指定资源转移的历史时段中对应的历史转移数据以及历史用户行为数据。例如,样本数据可以是过去N年中,在激励指定资源转移时对指定资源的转移数据,以及用户在过去N年中转移指定资源时的行为数据,N可以根据实际情况确定。
其中,历史转移数据中可以包括历史转移量、历史转移类型等,历史用户行为数据中可以包括用户的历史转移次数、用户对指定资源的历史点击率等。
其次,确定样本数据对应的多个第一样本转移量以及多个第二样本转移量。
第一样本转移量可以理解为历史激励期间的某个业务切点至当日的指定时刻之间的转移量,第二样本转移量可以理解为该当日的指定时刻至次日业务切点之间的转移量。基于上述记载的历史转移数据,可以确定得到多个第一样本转移量以及多个第二样本转移量。
最后,对所述样本数据、多个第一样本转移量以及多个第二样本转移量进行训练,得到预测模型。
在进行模型训练时,可以基于不同的机器学习算法训练得到不同的预测模型,具体训练方法这里不再详细描述。本实施例中,优选地,可以基于LSTM算法训练得到LSTM模型,基于分类器训练得到XGBoost模型,基于逻辑回归算法训练得到LR模型。
本实施例中,基于上述记载的多个模型,在预测第一时间段内的转移量以及第二时间段内的转移量时,具体实现方式如下:
首先,基于转移数据以及T0模型,确定第一时间段内的第一转移量。
具体地,可以根据转移数据中包括的每笔交易的交易时间和转移时间,确定哪些交易的转移时间在交易日,基于这些交易以及T0模型,可以得到第一时间段内的转移量,这里为了便于和后续确定的转移量进行区分,可以由第一转移量表示T0模型确定得到的转移量。
其次,基于转移数据以及T1模型,确定第二时间段内的第二转移量。
具体地,可以根据转移数据中包括的每笔交易的交易时间和转移时间,确定哪些交易的转移时间在交易次日,基于这些交易以及T1模型,可以得到第二时间段内的转移量。这里为了便于区分,可以由第二转移量表示T1模型确定得到的转移量。
再次,基于激励数据以及KPI模型,确定第一时间段内的第三转移量以及第二时间段内的第四转移量。
本实施例中,可以以第一业务切点所在日和第二业务切点所在日均为激励指定资源转移的时间为例进行说明,基于KPI模型以及激励数据,可以确定得到第一时间段内的转移量以及第二时间段内的转移量。这里为了便于区分,可以由第三转移量表示KPI模型得到的第一时间段内的转移量,由第四转移量表示KPI模型得到的第二时间段内的转移量。
需要说明的是,若第一业务切点所在日不是激励指定资源转移的时间,第二业务切点所在日是激励指定资源转移的时间,则KPI模型得到的第三转移量可以视为零;若第一业务切点所在日是激励指定资源转移的时间,第二业务切点所在日不是激励指定资源转移的时间,则KPI模型得到的第四转移量可以视为零。
例如,假设激励指定资源转移的时间是2019年5月1日和5月2日,业务切点是每日的10点,那么,在预测4月30日10点至5月1日10点之间的转移量时,可以基于KPI模型确定5月1日0点至10点之间的第四转移量;在预测5月1日10点至5月2日10点之间的转移量时,可以基于KPI模型确定5月1日10点至24点之间的第三转移量以及5月2日0点至10点之间的第四转移量;在预测5月2日10点至5月3日10点之间的转移量时,可以基于KPI模型确定5月2日10点至24点之间的第三转移量。
最后,基于转移数据、用户行为数据以及预先训练得到的预测模型,确定第一时间段内的第五转移量以及第二时间段内的第六转移量。
具体地,可以根据转移数据确定激励指定资源转移的当前时间段中,已积累的转移数据,并将这部分转移数据以及用户行为数据作为预测模型的输入,预测模型可以输出第一时间段内的转移量以及第二时间段内的转移量。这里为了便于区别,可以将预测模型确定的第一时间段内的转移量称为第五转移量,第二时间段内的转移量量称为第六转移量。
需要说明的是,若预测模型的个数为多个,则基于多个预测模型可以得到第一时间段内的多个转移量,以及第二时间段内的多个转移量,之后,可以基于第一时间段内的多个转移量得到上述记载的第五转移量,基于第二时间段内的多个转移量得到上述记载的第六转移量。
例如,可以将第一时间段内的多个转移量的平均值作为第五转移量,将第二时间段内的多个转移量的平均值作为第六转移量,或者,也可以将第一时间段内的多个转移量的加权平均值作为第五转移量,将第二时间段内的多个转移量的加权平均值作为第六转移量。
在基于上述记载的方法得到第一时间段内的多个转移量以及第二时间段内的多个转移量后,可以执行S106。
S106:基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,预测所述第一业务切点至所述第二业务切点之间的目标转移量。
在S106中,可以基于S104中得到的第一时间段内的多个转移量以及第二时间段内的多个转移量,确定第一业务切点至第二业务切点之间的目标转移量。
在确定第一业务切点至第二业务切点之间的目标转移量时,可以包括:
首先,将上述记载的第一转移量、第二转移量、第三转移量以及第四转移量的和确定为目标转移量的第一候选值。
这里将第一转移量、第二转移量、第三转移量以及第四转移量的和作为目标转移量的原因在于:在激励指定资源转移期间的第一时间段内,资源转移量通常由两部分组成,一部分是由已交易的且转移类型为T0的指定资源确定得到的转移量,另一部分是在激励指定资源转移的情况下,基于激励数据确定得到的转移量,因此,可以将第一转移量以及第三转移量的和作为激励指定资源转移期间第一时间段内待预测的转移量。
同理,可以将第二转移量以及第四转移量的和作为激励指定资源转移期间第二时间段内待预测的转移量。
这样,在确定目标转移量时,可以将第一转移量、第二转移量、第三转移量以及第四转移量的和作为目标转移量的候选值,这里为了便于区分,可以由第一候选值表示。
其次,将第五转移量以及第六转移量确定为目标转移量的第二候选值。
由于第五转移量以及第六转移量均由预测模型确定得到,预测模型是基于历史激励期间的转移数据和用户行为数据训练得到,因此,可以将第五转移量以及第六转移量的和作为目标转移量的候选值。这里为了便于区分,可以由第二候选值表示。
最后,根据第一候选值以及第二候选值,确定目标转移量。
在得到第一候选值和第二候选值后,可以从第一候选值和第二候选值中选择一个作为目标转移量。具体实现方式如下:
可以确定第一候选值与第二候选值的差值是否小于或等于预设阈值,其中,预设阈值可以根据实际情况确定,这里不做具体限定。
若第一候选值和第二候选值的差值小于或等于预设阈值,则,由于第一候选值是基于转移数据以及激励数据确定得到,因此,可以认为第一候选值相较于第二候选值更接近目标转移量,并将第一候选值作为目标转移量。
若第一候选值和第二候选值的差值大于预设阈值,则无法直接判断哪一个候选值更接近目标转移量,此时可以基于激励指定转移的历史时间段对应的历史转移量,确定历史转移量与第一候选值之间的变化规律,以及历史转移量与第二候选值之间的变化规律。
在得到两种变化规律后,可以确定与历史转移量的变化规律符合预设变化规律的候选值,这里为了便于区分,可以由目标候选值表示。在确定目标候选值后,可以将目标候选值确定为目标转移量。其中,预设变化规律可以根据历史转移量确定得到。
例如,可以根据去年激励指定资源转移时的历史转移量以及第一候选值,得到同环比A,根据去年激励指定资源转移时的历史转移量以及第二候选值,得到同环比B,根据去年激励指定资源转移时的历史转移量以及前年激励指定资源转移时的历史转移量得到同环比C(即预设变化规律),将同环比A和B与同环比C进行比较,确定A和B哪个更接近C。假设A更接近C,则可以将第一候选值确定为目标转移量。
至此,可以确定得到第一业务切点至第二业务切点之间的转移量。
S108:基于所述目标转移量,对所述指定资源的转移风险进行控制。
在S108中,在得到第一业务切点至第二业务切点之间的目标转移量后,可以基于目标转移量对指定资源的转移风险进行控制。
例如,为了避免转移风险给用户带来的影响,可以提前转移一部分指定资源,其中,转移的这部分指定资源的量可以等于目标转移量,这样,由于可以基于目标转移量提前转移指定资源,且本实施例确定得到目标转移量的准确度较高,因此,在用户实际进行资源转移时,可以有效地减少转移风险,从而实现对转移风险的有效控制。
为了便于理解本申请实施例提供的技术方案,可以参见图2。图2为本申请的一个实施例风险控制方法的流程示意图,图2所示的实施例与图1所示的实施例属于相同的发明构思,具体可以包括以下步骤:
S201:获取当前时刻之前的指定时间段内对指定资源的转移数据、当前时刻之后用于激励指定资源转移的激励数据以及在激励指定资源转移的当前时段中对应的用户行为数据。
指定时间段可以是当前时刻所在日期的前一天的零点至当前时刻这一时间段,当前时间段可以是当前激励指定资源转移的时间段,转移数据可以包括在指定时间段内对指定资源的转移量以及指定资源的转移类型,激励数据可以理解为激励指定资源转移的业务数据,用户行为数据可以理解为激励期间的起始时间至当前时刻这一时间段内已发生的用户行为数据。具体可以参见图1所示实施例中的相关内容,这里不再详细说明。
S202:对转移数据、激励数据以及用户行为数据进行预处理。
预处理可以包括数据清洗、数据融合、特征提取、异常值检测、相关性分析以及统计分析中的至少一种。
S203:基于转移数据以及T0模型,确定第一时间段内的第一转移量。
本实施例在对转移风险进行控制时,可以预测指定资源转移时的第一业务切点至第二业务切点之间的转移量,为了避免指定时刻对转移量预测的影响,可以基于指定时刻,将第一业务切点至第二业务切点之间的时间段分为两个时间段,这两个时间段可以分别由第一时间段以及第二时间段表示,其中,指定时刻可以是零点。
这样,在对转移量进行预测时,可以分别预测第一时间段内的转移量以及第二时间段内的转移量。
在S203中,T0模型可以用于预测转移时间为交易日(即转移类型为T0)的指定资源的转移量。基于T0模型以及S201中获取到的转移数据,可以得到第一时间段内的转移量,这里可以由第一转移量表示。
S204:基于转移数据以及T1模型,确定第二时间段内的第二转移量。
T1模型可以用于预测转移时间在交易次日(即交易类型为T1)的指定资源的转移量,基于T1模型以及S201中的转移数据,可以得到第二时间段内的转移量,这里可以由第二转移量表示。
S205:基于激励数据以及KPI模型,确定第一时间段内的第三转移量以及第二时间段内的第四转移量。
KPI模型可以用于预测激励指定资源转移期间的转移量,本实施例中,以第一业务切点所在日和第二业务切点所在日均为激励指定资源转移的时间为例进行说明,基于KPI模型以及S201中的激励数据,可以得到第一时间段内的转移量以及第二时间段内的转移量,这里可以分别由第三转移量和第四转移量表示。
S206:基于转移数据、用户行为数据以及预测模型,确定第一时间段内的第五转移量以及第二时间段内的第六转移量。
预测模型可以基于样本数据训练得到,具体可以参见图1所示实施例中记载的相关内容,这里不再重复描述。
基于S201中的转移数据可以确定在激励指定资源转移的当前时间段对应的转移数量,结合用户行为数据和预测模型,可以得到第一时间段内的转移量以及第二时间段的转移量,这里可以分别由第五转移量和第六转移量表示。
S207:将第一转移量、第二转移量、第三转移量以及第四转移量的和确定为第一候选值,将第五转移量以及第六转移量确定为第二候选值。
在S207中,可以将上述S203至S206得到的多个转移量进行融合,具体地,可以将第一转移量、第二转移量、第三转移量以及第四转移量进行融合,得到待预测的目标转移量的第一候选值,将第五转移量以及第六转移量进行融合,得到目标转移量的第二候选值。
S208:确定第一候选值与第二候选值的差值是否小于或等于预设阈值。
预设阈值可以根据实际情况确定得到。
若第一候选值与第二候选值的差值小于或等于预设阈值,则可以执行S209;若第一候选值与第二候选值的差值大于预设阈值,则可以执行S210。
S209:将第一候选值确定为目标转移量。
S210:将第一候选值和第二候选值中的目标候选值作为目标转移量,目标候选值与历史激励期间的转移量之间的变化规律符合预设变化规律。
S211:基于目标转移量对指定资源的转移风险进行控制。
本申请实施例在对指定资源在激励期间的转移风险进行控制时,可以基于指定资源在两个业务切点之间的转移量预测值进行风险控制,其中,在预测指定资源在两个业务切点之间的转移量时,可以结合指定资源的业务特性,通过将两个业务切点之间的时间段以影响转移量预测的指定时刻为界限划分为两个时间段,并对两个时间段内的转移量进行预测,可以避免指定时刻这一临界时间点对转移量预测的影响,从而提高预测结果的准确度;此外,在对两个时间段内的转移量进行预测时,由于可以采用多个模型进行预测,因此,还可以进一步提高预测结果的准确度,从而在准确预测转移量的基础上,可以有效地对转移风险进行控制。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成风险控制装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取当前时刻之前的指定时间段内对指定资源的转移数据、所述当前时刻之后用于激励所述指定资源转移的激励数据以及在激励所述指定资源转移的当前时段中对应的用户行为数据,其中,所述指定资源在资源交易之后的预定时长进行资源转移;
基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量,所述第一时间段为第一业务切点至指定时刻之间的时间段,所述第二时间段为所述指定时刻至第二业务切点之间的时间段;
基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,确定所述第一业务切点至所述第二业务切点之间的目标转移量;
基于所述目标转移量,对所述指定资源的转移风险进行控制。
上述如本申请图3所示实施例揭示的风险控制装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1和图2的方法,并实现风险控制装置在图1和图2所示实施例中的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1和图2所示实施例的方法,并具体用于执行以下操作:
获取当前时刻之前的指定时间段内对指定资源的转移数据、所述当前时刻之后用于激励所述指定资源转移的激励数据以及在激励所述指定资源转移的当前时段中对应的用户行为数据,其中,所述指定资源在资源交易之后的预定时长进行资源转移;
基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量,所述第一时间段为第一业务切点至指定时刻之间的时间段,所述第二时间段为所述指定时刻至第二业务切点之间的时间段;
基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,确定所述第一业务切点至所述第二业务切点之间的目标转移量;
基于所述目标转移量,对所述指定资源的转移风险进行控制。
图4是本申请的一个实施例风险控制装置40的结构示意图。请参考图4,在一种软件实施方式中,所述风险控制装置40可包括:获取单元41、确定单元42、预测单元43和控制单元44,其中:
获取单元41,获取当前时刻之前的指定时间段内对指定资源的转移数据、所述当前时刻之后用于激励所述指定资源转移的激励数据以及在激励所述指定资源转移的当前时段中对应的用户行为数据,其中,所述指定资源在资源交易之后的预定时长进行资源转移;
确定单元42,基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量,所述第一时间段为第一业务切点至指定时刻之间的时间段,所述第二时间段为所述指定时刻至第二业务切点之间的时间段;
预测单元43,基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,确定所述第一业务切点至所述第二业务切点之间的目标转移量;
控制单元44,基于所述目标转移量,对所述指定资源的转移风险进行控制。
可选地,所述多个预先确定的模型包括T0模型、T1模型、KPI模型以及预测模型;
其中,所述确定单元42,基于所述转移数据、所述激励数据、所述用户行为数据以及多个预先确定的模型,确定第一时间段内的多个转移量以及第二时间段内的多个转移量,包括:
基于所述转移数据以及所述T0模型,确定所述第一时间段内的第一转移量;
基于所述转移数据以及所述T1模型,确定所述第二时间段内的第二转移量;
基于所述激励数据以及所述KPI模型,确定所述第一时间段内的第三转移量以及所述第二时间段内的第四转移量;
基于所述转移数据、所述用户行为数据以及所述预测模型,确定所述第一时间段内的第五转移量以及所述第二时间段内的第六转移量。
可选地,所述确定单元42,通过以下方法训练得到所述预测模型:
获取样本数据,所述样本数据中包括激励所述指定资源转移的历史时段中对应的历史转移数据以及历史用户行为数据;
确定所述样本数据对应的多个第一样本转移量以及多个第二样本转移量,所述第一样本转移量为业务切点至当日指定时刻之间的转移量,所述第二样本转移量为所述当日指定时刻至次日业务切点之间的转移量;
对所述样本数据、所述多个第一样本转移量以及所述多个第二样本转移量进行训练,得到所述预测模型。
可选地,所述预测模型包括LSTM模型、XGBoost模型以及逻辑回归模型中的至少一种。
可选地,所述预测单元43,基于所述第一时间段内的多个转移量以及所述第二时间段内的多个转移量,确定所述第一业务切点至所述第二业务切点之间的目标转移量,包括:
将所述第一转移量、所述第二转移量、所述第三转移量以及所述第四转移量的和确定为所述目标转移量的第一候选值;
将所述第五转移量以及所述第六转移量的和确定为所述目标转移量的第二候选值;
根据所述第一候选值以及所述第二候选值,确定所述目标转移量。
可选地,所述预测单元43,根据所述第一候选值以及所述第二候选值,确定所述目标转移量,包括:
确定所述第一候选值与所述第二候选值的差值是否小于或等于预设阈值;
若是,则将所述第一候选值确定为所述目标转移量;
若否,则将所述第一候选值以及所述第二候选值中的目标候选值确定为所述目标转移量,所述目标候选值与激励所述指定资源转移的历史时段中对应的历史转移量之间的变化规律符合预设变化规律。
可选地,所述获取单元41,在获取所述转移数据、所述激励数据以及所述用户行为数据之后,对所述转移数据、所述激励数据以及所述用户行为数据进行预处理,所述预处理包括数据清洗、数据融合、特征提取、异常值检测、相关性分析以及统计分析中的至少一种。
本申请实施例提供的风险控制装置40还可执行图1和图2的方法,并实现风险控制装置40在图1和图2所示实施例的功能,本申请实施例在此不再赘述。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。