CN111161042A - 个人风险评估方法、装置、终端及存储介质 - Google Patents
个人风险评估方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111161042A CN111161042A CN201911174770.7A CN201911174770A CN111161042A CN 111161042 A CN111161042 A CN 111161042A CN 201911174770 A CN201911174770 A CN 201911174770A CN 111161042 A CN111161042 A CN 111161042A
- Authority
- CN
- China
- Prior art keywords
- risk
- time
- information
- requester
- consumption
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 112
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 22
- 238000009434 installation Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000007405 data analysis Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000012550 audit Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 101000840267 Homo sapiens Immunoglobulin lambda-like polypeptide 1 Proteins 0.000 description 2
- 102100029616 Immunoglobulin lambda-like polypeptide 1 Human genes 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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
本发明提供一种个人风险评估方法，包括：获取风险评估请求的请求人的电子设备信息；提取出电子设备信息中的机型、时间、定位和应用信息；基于机型、时间、定位和应用信息分析所述请求人的消费习惯、出行方式、消费水平和资金情况；根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵；将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵；根据风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。本发明还提供一种个人风险评估装置、终端及存储介质。本发明通过对请求人的多个维度的信息进行提取与分析，评估出的风险等级的准确率更高，更全面和客观。
Description
技术领域
本发明涉及大数据处理技术领域，具体涉及一种个人风险评估方法、装置、终端及存储介质。
背景技术
网络信贷作为一种互联网金融创新，在全球范围有着巨大市场发展潜力和空间。近年来，各类网络贷款平台快速发展，为网络贷款业务普及和推广做出了很大贡献，但由于相关法律、法规不完善，其产生的信用风险已受到社会各界的广泛关注，而对个人的风险评估成为广泛关注和研究的重点。
现有技术中，对个人的风险评估多是基于用户填报的个人信息进行衡量的，这种评估方式受限于用户填报的信息的影响，而用户填报的信息又无法进行有效的核实，需要通过线下调查、电话回访等方式进行信息验证。如此作业，一方面导致风险评估并不全面、准确；另一方面，受不确定因素的影响导致信息验证速度较慢，严重影响了风险评估的效率。
因此，如何快速、准确的对个人的风险进行评估，成为亟待解决的技术问题。
发明内容
鉴于以上内容，有必要提出一种个人风险评估方法、装置、终端及存储介质，通过对请求人的电子设备信息中的多个维度信息进行提取与分析，评估出的风险等级的准确率更高，更全面和客观。
本发明的第一方面提供一种个人风险评估方法，所述方法包括：
获取风险评估请求的请求人的电子设备信息；
提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息；
基于所述机型信息和所述时间信息分析所述请求人的消费习惯；
基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平；
基于所述时间信息和所述应用信息分析所述请求人的资金情况；
根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵；
将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵；
根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
优选的，所述风险特征空间的构建过程包括：
获取多个历史评估对象的风险特征矩阵；
基于所述风险特征矩阵构建齐次线性方程组；
求解所述齐次线性方程组的标准正交基；
基于所述标准正交基确定风险特征空间。
优选的，所述根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级包括：
计算所述风险投影矩阵与所述数据库中的风险投影矩阵之间的欧氏距离作为相似度；
将所述欧氏距离按照从大到小的顺序进行排序；
提取前K个最大的欧氏距离对应的目标风险投影矩阵；
获取与所述目标风险投影矩阵对应的风险等级；
将风险等级数量最多的风险等级确定所述请求人的风险等级。
优选的，所述基于所述机型信息和所述时间信息分析所述评估请求的请求人的消费习惯包括：
获取与所述机型信息对应的发布时间、发布价格、降价时间、降价价格；
计算所述时间信息中的首次使用时间与所述发布时间的第一时间差及与所述降价时间的第二时间差；
计算所述时间信息中的购买价格与所述发布价格的第一价格差及与所述降价价格的第二价格差；
判断所述第一时间差或所述第二时间差是否小于预设时间差阈值；
当所述第一时间差小于所述预设时间差阈值时，判断所述第一价格差是否为0；
当所述第一价格差为0时，分析出所述请求人的消费习惯为发布购买；
当所述第一时间差小于所述预设时间差阈值时，判断所述第二价格差是否为0；
当所述第二价格差为0时，分析出所述请求人的消费习惯为降价购买。
优选的，所述基于所述时间信息和所述定位信息分析所述请求人的出行方式包括：
计算单位时间内所述实时地理位置的改变量；
判断所述改变量是否大于第一改变量或小于第二改变量，其中所述第一改变量小于所述第二改变量；
当所述变化量大于所述第二改变量时，确定所述请求人的出行方式为飞机；
当所述变化量小于所述第二改变量但大于所述第二改变量时，确定所述请求人的出行方式为火车；
当所述变化量小于所述第一变化量时，确定所述请求人的出行方式为其他。
优选的，在所述基于所述时间信息和所述定位信息分析所述请求人的消费水平包括：
获取所述实时地理位置的改变量小于预设第三改变量的目标实时地理位置；
判断所述目标实时地理位置是否在预设地理位置范围内；
当所述目标实时地理位置在预设第一类地理位置范围内时，确定所述请求人的消费水平为高消费水平；
当所述目标实时地理位置在预设第二类地理位置范围内时，确定所述请求人的消费水平为中消费水平；
当所述目标实时地理位置在预设第三类地理位置范围内时，确定所述请求人的消费水平为低消费水平。
优选的，所述基于所述时间信息和所述应用信息分析所述请求人的资金情况包括：
获取每个应用程序的安装时间和使用频率；
筛选出使用频率大于预设频率阈值的目标应用程序；
识别所述目标应用程序的目标类型；
匹配所述目标类型与预设类型范围；
当所述目标应用程序的安装时间距离当前时间的时间差小于预设时间差阈值且所述目标类型属于预设第一类型范围时，确定所述请求人的资金紧张；
当所述目标应用程序的安装时间距离当前时间的时间差大于预设时间差阈值且所述目标类型属于预设第二类型范围时，确定所述请求人的资金充裕。
本发明的第二方面提供一种个人风险评估装置，所述装置包括：
获取模块，用于获取风险评估请求的请求人的电子设备信息；
提取模块，用于提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息；
第一分析模块，用于基于所述机型信息和所述时间信息分析所述请求人的消费习惯；
第二分析模块，用于基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平；
第三分析模块，用于基于所述时间信息和所述应用信息分析所述请求人的资金情况；
生成模块，用于根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵；
投影模块，用于将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵；
输出模块，用于根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述个人风险评估方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质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所述个人风险评估方法。
本发明所述的基于大数据分析的个人风险评估方法，通过从风险评估请求的请求人的电子设备信息中提取出机型信息、时间信息、定位信息和应用信息，然后基于机型信息和时间信息分析所述请求人的消费习惯，基于时间信息和定位信息分析所述请求人的出行方式和消费水平，基于时间信息和应用信息分析所述请求人的资金情况，接着根据所述消费习惯、出行方式、消费水平及资金情况生成所述请求人的风险特征矩阵，最后将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵，根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。通过大数据分析平台对请求人的电子设备信息中的多个维度信息进行提取与分析，由于多个维度信息能够真实且全面的反映风险评估请求的请求人的风险信息，因而评估出的风险等级的准确率更高，更全面和客观。
附图说明
图1是本发明实施例一提供的个人风险评估方法的流程图。
图2是本发明实施例二提供的个人风险评估装置的结构图。
图3是本发明实施例三提供的终端的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，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做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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的一种个人风险评估方法的流程图。
如图1所示，所述个人风险评估方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，获取风险评估请求的请求人的电子设备信息。
本实施例中，请求人若需要进行风险等级评估，可以在大数据分析平台上提出风险评估请求，其中，所述风险评估请求中携带了请求人的身份信息，比如，姓名、身份证号码、手机号码等。
所述大数据分析平台可以事先通过网络爬虫技术从互联网上爬取大量用户的电子设备信息，并将用户的身份信息及电子设备信息一一对应的进行存储，便于后续对某个风险评估请求的请求人进行风险等级评估时，从大数据分析平台中直接获取对应风险评估请求的请求人的电子设备信息，并基于电子设备信息对风险评估请求的请求人的电子设备信息进行风险等级评估。
所述大数据分析平台还可以是在接收到风险评估请求之后，通过网络爬虫技术从互联网上爬取大量风险评估请求的请求人的电子设备信息，并基于电子设备信息对风险评估请求的请求人进行风险等级评估。
所述电子设备信息包括，但不限于：电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率等。
所述大数据分析平台提供有用户界面，通过所述用户界面接收用户输入的风险评估请求的请求人的姓名，身份证或者手机号等，大数据分析平台根据接收到的姓名，身份证或者手机号等来确定风险评估请求的请求人。
S12，提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息。
本实施例中，大数据分析平台确定出风险评估请求的请求人后，即可从与所述风险评估请求的请求人对应的电子设备信息中提取出电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率等，并根据所提取出的这些信息进一步识别出机型信息、时间信息、定位信息和应用信息。
具体的，所述提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息包括：
提取出电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率；
根据所述电子设备的机型识别出机型信息；
根据所述事件发生的时间识别出时间信息；
根据所述实时地理位置识别出定位信息；
根据所述安装的应用程序、应用程序的使用频率识别出应用信息。
本实施例中，所述机型信息、时间信息、定位信息及应用信息均是基于大数据分析平台中的电子设备信息得到的，是客观真实存在的，为后续分析风险评估请求的请求人的消费习惯、出现轨迹及APP使用习惯提供了强有力的数据支撑。
所述事件发生的时间是指电子设备中每发生一次事件的时间。例如，首次使用电子设备的时间(通常认为首次使用电子设备的时间为首次购买电子设备的时间)，安装了应用程序的时间，更新了应用程序的时间，地理位置发生变化的时间。
S13，基于所述机型信息和所述时间信息分析所述请求人的消费习惯。
本实施例中，大数据分析平台可以基于电子设备的机型及对应该机型的事件发生的时间分析出所述请求人的消费习惯。
优选地，所述基于所述机型信息和所述时间信息分析所述请求人的消费习惯包括：
获取与所述机型信息对应的发布时间、发布价格、降价时间、降价价格；
计算所述时间信息中的首次使用时间与所述发布时间的第一时间差及与所述降价时间的第二时间差；
计算所述时间信息中的购买价格与所述发布价格的第一价格差及与所述降价价格的第二价格差；
判断所述第一时间差或所述第二时间差是否小于预设时间差阈值；
当所述第一时间差小于所述预设时间差阈值时，判断所述第一价格差是否为0；
当所述第一价格差为0时，分析出所述请求人的消费习惯为发布购买；
当所述第一时间差小于所述预设时间差阈值时，判断所述第二价格差是否为0；
当所述第二价格差为0时，分析出所述评估请求的请求人的消费习惯为降价购买；
通过统计评估请求的请求人在不同时间点使用的电子设备的机型，反查各个机型的发布时间和降价时间以及其在对应时间点的价格，得到时间差和价格差，并由此进一步分析出用户购买电子设备的行为特征。例如：发布购买还是降价购买。
进一步的，当无法分析所述风险评估请求的请求人的消费习惯为发布购买或者降价购买时，所述方法还包括：
将所述风险评估请求的请求人的消费习惯确定为二手购买。
当大数据分析平台判断所述第一时间差或所述第二时间差大于预设时间差阈值；或者判断第一时间差小于预设时间阈值，但第一价格差不为0；或者判断第二时间差小于预设时间阈值，但第二价格差不为0，认为风险评估请求的请求人的消费习惯既不是一发布就购买，也不是一降价就购买。
将为非发布购买或者降价购买的消费习惯称之为二手购买，即风险评估请求的请求人购买的是二手设等。
S14，基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平。
本实施例中，大数据分析平台可以基于事件发生的时间及实时地理位置分析出所述风险评估请求的请求人的出行方式和消费水平。
优选的，所述基于所述时间信息和所述定位信息分析所述请求人的出行方式包括：
计算单位时间内所述实时地理位置的改变量；
判断所述改变量是否大于第一改变量或小于第二改变量，其中所述第一改变量小于所述第二改变量；
当所述变化量大于所述第二改变量时，确定所述请求人的出行方式为飞机；
当所述变化量小于所述第二改变量但大于所述第二改变量时，确定所述请求人的出行方式为火车；
当所述变化量小于所述第一变化量时，确定所述请求人的出行方式为其他。
优选的，所述基于所述时间信息和所述定位信息分析所述请求人的消费水平包括：
获取所述实时地理位置的改变量小于预设第三改变量的目标实时地理位置；
判断所述目标实时地理位置是否在预设地理位置范围内；
当所述目标实时地理位置在预设第一类地理位置范围内时，确定所述请求人的消费水平为高消费水平；
当所述目标实时地理位置在预设第二类地理位置范围内时，确定所述请求人的消费水平为中消费水平；
当所述目标实时地理位置在预设第三类地理位置范围内时，确定所述请求人的消费水平为低消费水平。
通过统计不同时间点的定位信息，生成用户出行轨迹，再结合时间维度，对出行轨迹进行分析，计算地理位置在单位时间内发生改变的距离，推测出请求人的出行方式。不考虑时间维度，对地理位置进行分析，通过匹配风险评估请求的请求人停留的地理位置的消费场景与房价信息，推测用户的消费水平。
S15，基于所述时间信息和所述应用信息分析所述请求人的资金情况。
本实施例中，大数据分析平台可以基于事件发生的时间，安装的应用程序及应用程序的使用频率分析出所述风险评估请求的请求人的资金情况。
优选的，所述基于所述时间信息和所述应用信息分析所述请求人的资金情况包括：
获取每个应用程序的安装时间和使用频率；
筛选出使用频率大于预设频率阈值的目标应用程序；
识别所述目标应用程序的目标类型；
匹配所述目标类型与预设类型范围；
当所述目标应用程序的安装时间距离当前时间的时间差小于预设时间差阈值且所述目标类型属于预设第一类型范围时，确定所述请求人的资金紧张；
当所述目标应用程序的安装时间距离当前时间的时间差大于预设时间差阈值且所述目标类型属于预设第二类型范围时，确定所述请求人的资金充裕。
理财、借贷、购物、商旅、医疗保健等应用程序能够反映不同的资金情况，通过统计应用程序的安装时间和使用频率，分析请求人对于应用程序的使用情况。比如，贷款类APP都是近一个月安装且使用频繁，则说明客户资金紧张，理财类APP、股票类APP安装时间长且使用频繁，则说明客户目前资金充裕，财富较多。
如果分析出请求人的资金情况既不属于资金紧张，也不属于资金充裕，则确定请求人的资金一般，财富也一般。
S16，根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵。
本实施例中，大数据分析平台将风险评估请求的请求人的消费习惯、出行方式、消费水平、资金情况分别作为一个因子，并将所有的因子归并在一起形成特征矩阵，所述特征矩阵即为风险评估请求的请求人的风险特征矩阵。
示例性的，将消费习惯记为因子x1，将出行方式记为因子x2，将消费水平记为因子x3，将资金情况记为因子x4，则形成的风险特征矩阵记为(x1，x2，x3，x4)。
S17，将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵。
本实施例中，大数据分析平台将所述风险特征空间作为基空间，将所述风险特征矩阵投影到所述基空间，即可得到风险投影矩阵，所述风险投影矩阵中的特征即为风险评估请求的请求人的风险特征。
优选的，所述风险特征空间的构建过程如下所示：
获取多个历史评估对象的风险特征矩阵；
基于所述风险特征矩阵构建齐次线性方程组；
求解所述齐次线性方程组的标准正交基；
基于所述标准正交基确定风险特征空间。
在线性代数中，一个向量空间，存在一个线性无关的向量组x1，...xn，…，使得对所有空间中的向量，都能被这个组线性表示。这个向量组就是这个空间的基。
示例性的，假设有5个历史评估对象，第1个历史评估对象的风险特征矩阵为(x11,x12,x13,x14,x15)，第2个历史评估对象的风险特征矩阵为(x21,x22,x23,x24,x25)，第3个历史评估对象的风险特征矩阵为(x31,x32,x33,x34,x35)，第4个历史评估对象的风险特征矩阵为(x41,x42,x43,x44,x45)，第5个历史评估对象的风险特征矩阵为(x51,x52,x53,x54,x55)，则基于所述风险特征构建的齐次线性方程组如下：
求解所述齐次线性方程组得到一组标准正交基λ1，λ2，λ3，λ4，λ5，这一组标准正交基即为风险特征空间的基。即，在由这一组标准正交基构成的风险特征空间中，任何一个风险特征都可以由标准正交基进行线性表示。
S18，根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
本实施例中，大数据分析平台构建出了风险特征空间之后，将每一个历史评估对象的风险特征矩阵投影到所述风险特征空间得到风险投影矩阵，将所述风险投影矩阵与对应所述历史评估对象的风险等级进行关联存储在数据库中。
可以结合风险评估请求的请求人的风险投影矩阵与数据库中的每一个风险投影矩阵之间的相似度确定请求人的风险等级。
优选的，所述根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级包括：
计算所述风险投影矩阵与所述数据库中的风险投影矩阵之间的欧氏距离作为相似度；
将所述欧氏距离按照从大到小的顺序进行排序；
提取前K个最大的欧氏距离对应的目标风险投影矩阵；
获取与所述目标风险投影矩阵对应的风险等级；
将风险等级数量最多的风险等级确定所述请求人的风险等级。
示例性的，假设数据库中的风险投影矩阵分别为：T1、T2、T3、T4、T5、T6、T7、T8、T9、T10，风险评估请求的请求人的风险投影矩阵为T，则计算得到风险评估请求的请求人的风险投影矩阵T与数据库中的10个风险投影矩阵之间的相似度分别为D1、D2、D3、D4、D5、D6、D7、D8、D9、D10，按照从大到小的顺序进行排序为：D5、D1、D2、D9、D10、D3、D7、D4、D6、D8，提取前4个：D5、D1、D2、D9，其中，T5对应的风险等级为F1，T1对应的风险等级为F1，T2对应的风险等级为F2，T9对应的风险等级为F1，则确定风险评估请求的请求人的风险等级为F1。
在一个可选的实施例中，所述方法还可以包括：根据所述风险等级通知管理者执行对应操作。
在实际应用中，可以根据个人的风险等级进行贷款申请的快速审批，例如，信贷申请的申请人的风险等级若被评估为第一等级，表明所述申请人的风险较小，信贷情况良好，还款能力较强，可以通知银行对信贷申请进行秒批，以加快贷款的发放。信贷申请的申请人的风险等级若被评估为其他等级，例如第二等级或者第三等级，表明所述申请人的风险较大，信贷情况一般，还款能力一般，可以通知银行对信贷申请进行严格审核，以加强贷款的审核，确保资金的安全。
综上所述，本实施例所述的个人风险评估方法，通过从风险评估请求的请求人的电子设备信息中提取出机型信息、时间信息、定位信息和应用信息，然后基于机型信息和时间信息分析所述请求人的消费习惯，基于时间信息和定位信息分析所述请求人的出行方式和消费水平，基于时间信息和应用信息分析所述请求人的资金情况，接着根据所述消费习惯、出行方式、消费水平及资金情况生成所述请求人的风险特征矩阵，最后将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵，根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。通过大数据分析平台对请求人的电子设备信息中的多个维度信息进行提取与分析，由于多个维度信息能够真实且全面的反映风险评估请求的请求人的风险信息，因而评估出的风险等级的准确率更高，更全面和客观。
实施例二
图2是本发明实施例二提供的个人风险评估装置的结构图。
在一些实施例中，所述个人风险评估装置20可以包括多个由程序代码段所组成的功能模块。所述个人风险评估装置20中的各个程序段的程序代码可以存储于终端的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)个人风险评估的功能。
本实施例中，所述个人风险评估装置20，运行于终端，根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、提取模块202、第一分析模块203、第二分析模块204、第三分析模块205、生成模块206、投影模块207、构建模块208、输出模块209及通知模块210。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
获取模块201，用于获取风险评估请求的请求人的电子设备信息。
本实施例中，请求人若需要进行风险等级评估，可以在大数据分析平台上提出风险评估请求，其中，所述风险评估请求中携带了请求人的身份信息，比如，姓名、身份证号码、手机号码等。
所述大数据分析平台可以事先通过网络爬虫技术从互联网上爬取大量用户的电子设备信息，并将用户的身份信息及电子设备信息一一对应的进行存储，便于后续对某个风险评估请求的请求人进行风险等级评估时，从大数据分析平台中直接获取对应风险评估请求的请求人的电子设备信息，并基于电子设备信息对风险评估请求的请求人的电子设备信息进行风险等级评估。
所述大数据分析平台还可以是在接收到风险评估请求之后，通过网络爬虫技术从互联网上爬取大量风险评估请求的请求人的电子设备信息，并基于电子设备信息对风险评估请求的请求人进行风险等级评估。
所述电子设备信息包括，但不限于：电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率等。
所述大数据分析平台提供有用户界面，通过所述用户界面接收用户输入的风险评估请求的请求人的姓名，身份证或者手机号等，大数据分析平台根据接收到的姓名，身份证或者手机号等来确定风险评估请求的请求人。
提取模块202，用于提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息。
本实施例中，大数据分析平台确定出风险评估请求的请求人后，即可从与所述风险评估请求的请求人对应的电子设备信息中提取出电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率等，并根据所提取出的这些信息进一步识别出机型信息、时间信息、定位信息和应用信息。
具体的，所述提取模块202提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息包括：
提取出电子设备的机型、事件发生的时间、实时地理位置、安装的应用程序、应用程序的使用频率；
根据所述电子设备的机型识别出机型信息；
根据所述事件发生的时间识别出时间信息；
根据所述实时地理位置识别出定位信息；
根据所述安装的应用程序、应用程序的使用频率识别出应用信息。
本实施例中，所述机型信息、时间信息、定位信息及应用信息均是基于大数据分析平台中的电子设备信息得到的，是客观真实存在的，为后续分析风险评估请求的请求人的消费习惯、出现轨迹及APP使用习惯提供了强有力的数据支撑。
所述事件发生的时间是指电子设备中每发生一次事件的时间。例如，首次使用电子设备的时间(通常认为首次使用电子设备的时间为首次购买电子设备的时间)，安装了应用程序的时间，更新了应用程序的时间，地理位置发生变化的时间。
第一分析模块203，用于基于所述机型信息和所述时间信息分析所述请求人的消费习惯。
本实施例中，大数据分析平台可以基于电子设备的机型及对应该机型的事件发生的时间分析出所述请求人的消费习惯。
优选地，所述第一分析模块203基于所述机型信息和所述时间信息分析所述请求人的消费习惯包括：
获取与所述机型信息对应的发布时间、发布价格、降价时间、降价价格；
计算所述时间信息中的首次使用时间与所述发布时间的第一时间差及与所述降价时间的第二时间差；
计算所述时间信息中的购买价格与所述发布价格的第一价格差及与所述降价价格的第二价格差；
判断所述第一时间差或所述第二时间差是否小于预设时间差阈值；
当所述第一时间差小于所述预设时间差阈值时，判断所述第一价格差是否为0；
当所述第一价格差为0时，分析出所述请求人的消费习惯为发布购买；
当所述第一时间差小于所述预设时间差阈值时，判断所述第二价格差是否为0；
当所述第二价格差为0时，分析出所述评估请求的请求人的消费习惯为降价购买；
通过统计评估请求的请求人在不同时间点使用的电子设备的机型，反查各个机型的发布时间和降价时间以及其在对应时间点的价格，得到时间差和价格差，并由此进一步分析出用户购买电子设备的行为特征。例如：发布购买还是降价购买。
进一步的，当无法分析所述风险评估请求的请求人的消费习惯为发布购买或者降价购买时，所述第一分析模块203还用于：
将所述风险评估请求的请求人的消费习惯确定为二手购买。
当大数据分析平台判断所述第一时间差或所述第二时间差大于预设时间差阈值；或者判断第一时间差小于预设时间阈值，但第一价格差不为0；或者判断第二时间差小于预设时间阈值，但第二价格差不为0，认为风险评估请求的请求人的消费习惯既不是一发布就购买，也不是一降价就购买。
将为非发布购买或者降价购买的消费习惯称之为二手购买，即风险评估请求的请求人购买的是二手设等。
第二分析模块204，用于基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平。
本实施例中，大数据分析平台可以基于事件发生的时间及实时地理位置分析出所述风险评估请求的请求人的出行方式和消费水平。
优选的，所述第二分析模块204基于所述时间信息和所述定位信息分析所述请求人的出行方式包括：
计算单位时间内所述实时地理位置的改变量；
判断所述改变量是否大于第一改变量或小于第二改变量，其中所述第一改变量小于所述第二改变量；
当所述变化量大于所述第二改变量时，确定所述请求人的出行方式为飞机；
当所述变化量小于所述第二改变量但大于所述第二改变量时，确定所述请求人的出行方式为火车；
当所述变化量小于所述第一变化量时，确定所述请求人的出行方式为其他。
优选的，所述第二分析模块204基于所述时间信息和所述定位信息分析所述请求人的消费水平包括：
获取所述实时地理位置的改变量小于预设第三改变量的目标实时地理位置；
判断所述目标实时地理位置是否在预设地理位置范围内；
当所述目标实时地理位置在预设第一类地理位置范围内时，确定所述请求人的消费水平为高消费水平；
当所述目标实时地理位置在预设第二类地理位置范围内时，确定所述请求人的消费水平为中消费水平；
当所述目标实时地理位置在预设第三类地理位置范围内时，确定所述请求人的消费水平为低消费水平。
通过统计不同时间点的定位信息，生成用户出行轨迹，再结合时间维度，对出行轨迹进行分析，计算地理位置在单位时间内发生改变的距离，推测出请求人的出行方式。不考虑时间维度，对地理位置进行分析，通过匹配风险评估请求的请求人停留的地理位置的消费场景与房价信息，推测用户的消费水平。
第三分析模块205，用于基于所述时间信息和所述应用信息分析所述请求人的资金情况。
本实施例中，大数据分析平台可以基于事件发生的时间，安装的应用程序及应用程序的使用频率分析出所述风险评估请求的请求人的资金情况。
优选的，所述第三分析模块205基于所述时间信息和所述应用信息分析所述请求人的资金情况包括：
获取每个应用程序的安装时间和使用频率；
筛选出使用频率大于预设频率阈值的目标应用程序；
识别所述目标应用程序的目标类型；
匹配所述目标类型与预设类型范围；
当所述目标应用程序的安装时间距离当前时间的时间差小于预设时间差阈值且所述目标类型属于预设第一类型范围时，确定所述请求人的资金紧张；
当所述目标应用程序的安装时间距离当前时间的时间差大于预设时间差阈值且所述目标类型属于预设第二类型范围时，确定所述请求人的资金充裕。
理财、借贷、购物、商旅、医疗保健等应用程序能够反映不同的资金情况，通过统计应用程序的安装时间和使用频率，分析请求人对于应用程序的使用情况。比如，贷款类APP都是近一个月安装且使用频繁，则说明客户资金紧张，理财类APP、股票类APP安装时间长且使用频繁，则说明客户目前资金充裕，财富较多。
如果分析出请求人的资金情况既不属于资金紧张，也不属于资金充裕，则确定请求人的资金一般，财富也一般。
生成模块206，用于根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵。
本实施例中，大数据分析平台将风险评估请求的请求人的消费习惯、出行方式、消费水平、资金情况分别作为一个因子，并将所有的因子归并在一起形成特征矩阵，所述特征矩阵即为风险评估请求的请求人的风险特征矩阵。
示例性的，将消费习惯记为因子x1，将出行方式记为因子x2，将消费水平记为因子x3，将资金情况记为因子x4，则形成的风险特征矩阵记为(x1，x2，x3，x4)。
投影模块207，用于将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵。
本实施例中，大数据分析平台将所述风险特征空间作为基空间，将所述风险特征矩阵投影到所述基空间，即可得到风险投影矩阵，所述风险投影矩阵中的特征即为风险评估请求的请求人的风险特征。
构建模块208，用于构建风险特征空间。
优选的，所述风险特征空间的构建过程如下所示：
获取多个历史评估对象的风险特征矩阵；
基于所述风险特征矩阵构建齐次线性方程组；
求解所述齐次线性方程组的标准正交基；
基于所述标准正交基确定风险特征空间。
在线性代数中，一个向量空间，存在一个线性无关的向量组x1，...xn，…，使得对所有空间中的向量，都能被这个组线性表示。这个向量组就是这个空间的基。
示例性的，假设有5个历史评估对象，第1个历史评估对象的风险特征矩阵为(x11,x12,x13,x14,x15)，第2个历史评估对象的风险特征矩阵为(x21,x22,x23,x24,x25)，第3个历史评估对象的风险特征矩阵为(x31,x32,x33,x34,x35)，第4个历史评估对象的风险特征矩阵为(x41,x42,x43,x44,x45)，第5个历史评估对象的风险特征矩阵为(x51,x52,x53,x54,x55)，则基于所述风险特征构建的齐次线性方程组如下：
求解所述齐次线性方程组得到一组标准正交基λ1，λ2，λ3，λ4，λ5，这一组标准正交基即为风险特征空间的基。即，在由这一组标准正交基构成的风险特征空间中，任何一个风险特征都可以由标准正交基进行线性表示。
输出模块209，用于根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
本实施例中，大数据分析平台构建出了风险特征空间之后，将每一个历史评估对象的风险特征矩阵投影到所述风险特征空间得到风险投影矩阵，将所述风险投影矩阵与对应所述历史评估对象的风险等级进行关联存储在数据库中。
可以结合风险评估请求的请求人的风险投影矩阵与数据库中的每一个风险投影矩阵之间的相似度确定请求人的风险等级。
优选的，所述输出模块209根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级包括：
计算所述风险投影矩阵与所述数据库中的风险投影矩阵之间的欧氏距离作为相似度；
将所述欧氏距离按照从大到小的顺序进行排序；
提取前K个最大的欧氏距离对应的目标风险投影矩阵；
获取与所述目标风险投影矩阵对应的风险等级；
将风险等级数量最多的风险等级确定所述请求人的风险等级。
示例性的，假设数据库中的风险投影矩阵分别为：T1、T2、T3、T4、T5、T6、T7、T8、T9、T10，风险评估请求的请求人的风险投影矩阵为T，则计算得到风险评估请求的请求人的风险投影矩阵T与数据库中的10个风险投影矩阵之间的相似度分别为D1、D2、D3、D4、D5、D6、D7、D8、D9、D10，按照从大到小的顺序进行排序为：D5、D1、D2、D9、D10、D3、D7、D4、D6、D8，提取前4个：D5、D1、D2、D9，其中，T5对应的风险等级为F1，T1对应的风险等级为F1，T2对应的风险等级为F2，T9对应的风险等级为F1，则确定风险评估请求的请求人的风险等级为F1。
通知模块210，用于根据所述风险等级通知管理者执行对应操作。
在实际应用中，可以根据个人的风险等级进行贷款申请的快速审批，例如，信贷申请的申请人的风险等级若被评估为第一等级，表明所述申请人的风险较小，信贷情况良好，还款能力较强，可以通知银行对信贷申请进行秒批，以加快贷款的发放。信贷申请的申请人的风险等级若被评估为其他等级，例如第二等级或者第三等级，表明所述申请人的风险较大，信贷情况一般，还款能力一般，可以通知银行对信贷申请进行严格审核，以加强贷款的审核，确保资金的安全。
综上所述，本实施例所述的个人风险评估装置，通过从风险评估请求的请求人的电子设备信息中提取出机型信息、时间信息、定位信息和应用信息，然后基于机型信息和时间信息分析所述请求人的消费习惯，基于时间信息和定位信息分析所述请求人的出行方式和消费水平，基于时间信息和应用信息分析所述请求人的资金情况，接着根据所述消费习惯、出行方式、消费水平及资金情况生成所述请求人的风险特征矩阵，最后将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵，根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。通过大数据分析平台对请求人的电子设备信息中的多个维度信息进行提取与分析，由于多个维度信息能够真实且全面的反映风险评估请求的请求人的风险信息，因而评估出的风险等级的准确率更高，更全面和客观。
实施例三
参阅图3所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述终端3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3可以包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述终端3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述终端3中的个人风险评估装置20，并在终端3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述终端3的控制核心(Control Unit)，利用各种接口和线路连接整个终端3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行终端3的各种功能和处理数据，例如执行个人风险评估的功能。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述终端3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图3，所述至少一个处理器32可执行所述终端3的操作装置以及安装的各类应用程序(如所述的个人风险评估装置20)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到个人风险评估的目的。
在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现个人风险评估的功能。
具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种个人风险评估方法，其特征在于，所述方法包括：
获取风险评估请求的请求人的电子设备信息；
提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息；
基于所述机型信息和所述时间信息分析所述请求人的消费习惯；
基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平；
基于所述时间信息和所述应用信息分析所述请求人的资金情况；
根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵；
将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵；
根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
2.如权利要求1所述的方法，其特征在于，所述风险特征空间的构建过程包括：
获取多个历史评估对象的风险特征矩阵；
基于所述风险特征矩阵构建齐次线性方程组；
求解所述齐次线性方程组的标准正交基；
基于所述标准正交基确定风险特征空间。
3.如权利要求2所述的方法，其特征在于，所述根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级包括：
计算所述风险投影矩阵与所述数据库中的风险投影矩阵之间的欧氏距离作为相似度；
将所述欧氏距离按照从大到小的顺序进行排序；
提取前K个最大的欧氏距离对应的目标风险投影矩阵；
获取与所述目标风险投影矩阵对应的风险等级；
将风险等级数量最多的风险等级确定所述请求人的风险等级。
4.如权利要求1至3中任意一项所述的方法，其特征在于，所述基于所述机型信息和所述时间信息分析所述请求人的消费习惯包括：
获取与所述机型信息对应的发布时间、发布价格、降价时间、降价价格；
计算所述时间信息中的首次使用时间与所述发布时间的第一时间差及与所述降价时间的第二时间差；
计算所述时间信息中的购买价格与所述发布价格的第一价格差及与所述降价价格的第二价格差；
判断所述第一时间差或所述第二时间差是否小于预设时间差阈值；
当所述第一时间差小于所述预设时间差阈值时，判断所述第一价格差是否为0；
当所述第一价格差为0时，分析出所述请求人的消费习惯为发布购买；
当所述第一时间差小于所述预设时间差阈值时，判断所述第二价格差是否为0；
当所述第二价格差为0时，分析出所述请求人的消费习惯为降价购买。
5.如权利要求1至3中任意一项所述的方法，其特征在于，所述基于所述时间信息和所述定位信息分析所述请求人的出行方式包括：
计算单位时间内所述实时地理位置的改变量；
判断所述改变量是否大于第一改变量或小于第二改变量，其中所述第一改变量小于所述第二改变量；
当所述变化量大于所述第二改变量时，确定所述请求人的出行方式为飞机；
当所述变化量小于所述第二改变量但大于所述第二改变量时，确定所述请求人的出行方式为火车；
当所述变化量小于所述第一变化量时，确定所述请求人的出行方式为其他。
6.如权利要求1至3中任意一项所述的方法，其特征在于，在所述基于所述时间信息和所述定位信息分析所述请求人的消费水平包括：
获取所述实时地理位置的改变量小于预设第三改变量的目标实时地理位置；
判断所述目标实时地理位置是否在预设地理位置范围内；
当所述目标实时地理位置在预设第一类地理位置范围内时，确定所述请求人的消费水平为高消费水平；
当所述目标实时地理位置在预设第二类地理位置范围内时，确定所述请求人的消费水平为中消费水平；
当所述目标实时地理位置在预设第三类地理位置范围内时，确定所述求人的消费水平为低消费水平。
7.如权利要求1至3中任意一项所述的方法，其特征在于，所述基于所述时间信息和所述应用信息分析所述请求人的资金情况包括：
获取每个应用程序的安装时间和使用频率；
筛选出使用频率大于预设频率阈值的目标应用程序；
识别所述目标应用程序的目标类型；
匹配所述目标类型与预设类型范围；
当所述目标应用程序的安装时间距离当前时间的时间差小于预设时间差阈值且所述目标类型属于预设第一类型范围时，确定所述请求人的资金紧张；
当所述目标应用程序的安装时间距离当前时间的时间差大于预设时间差阈值且所述目标类型属于预设第二类型范围时，确定所述请求人的资金充裕。
8.一种个人风险评估装置，其特征在于，所述装置包括：
获取模块，用于获取风险评估请求的请求人的电子设备信息；
提取模块，用于提取出所述电子设备信息中的机型信息、时间信息、定位信息和应用信息；
第一分析模块，用于基于所述机型信息和所述时间信息分析所述请求人的消费习惯；
第二分析模块，用于基于所述时间信息和所述定位信息分析所述请求人的出行方式和消费水平；
第三分析模块，用于基于所述时间信息和所述应用信息分析所述请求人的资金情况；
生成模块，用于根据所述消费习惯、出行方式、消费水平及资金情况生成风险特征矩阵；
投影模块，用于将所述风险特征矩阵投影到已构建的风险特征空间中得到风险投影矩阵；
输出模块，用于根据所述风险投影矩阵和数据库中的风险投影矩阵之间的相似度输出所述请求人的风险等级。
9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述个人风险评估方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至7中任意一项所述个人风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911174770.7A CN111161042A (zh) | 2019-11-26 | 2019-11-26 | 个人风险评估方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911174770.7A CN111161042A (zh) | 2019-11-26 | 2019-11-26 | 个人风险评估方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111161042A true CN111161042A (zh) | 2020-05-15 |
Family
ID=70556119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911174770.7A Pending CN111161042A (zh) | 2019-11-26 | 2019-11-26 | 个人风险评估方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161042A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611844A (zh) * | 2023-07-21 | 2023-08-18 | 江苏金农股份有限公司 | 一种基于区块链的地方金融消费者权益保护系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
| CN105184668A (zh) * | 2015-08-24 | 2015-12-23 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
| CN105512938A (zh) * | 2016-02-03 | 2016-04-20 | 宜人恒业科技发展（北京）有限公司 | 一种基于用户长期使用行为的在线信用风险评估方法 |
| CN106097095A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 确定信用的方法及装置 |
| CN107679982A (zh) * | 2017-09-29 | 2018-02-09 | 电子科技大学 | 一种基于点过程的信用卡风险检测方法 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| WO2019062009A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳壹账通智能科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
| CN110197315A (zh) * | 2018-04-08 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 风险评估方法、装置及其存储介质 |
-
2019
- 2019-11-26 CN CN201911174770.7A patent/CN111161042A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
| CN105184668A (zh) * | 2015-08-24 | 2015-12-23 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
| CN105512938A (zh) * | 2016-02-03 | 2016-04-20 | 宜人恒业科技发展（北京）有限公司 | 一种基于用户长期使用行为的在线信用风险评估方法 |
| CN106097095A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 确定信用的方法及装置 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| CN107679982A (zh) * | 2017-09-29 | 2018-02-09 | 电子科技大学 | 一种基于点过程的信用卡风险检测方法 |
| WO2019062009A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳壹账通智能科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
| CN110197315A (zh) * | 2018-04-08 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 风险评估方法、装置及其存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611844A (zh) * | 2023-07-21 | 2023-08-18 | 江苏金农股份有限公司 | 一种基于区块链的地方金融消费者权益保护系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017118435A1 (zh) | 车险查勘任务的发布系统、设备、方法及可读存储介质 | |
| CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
| CN111144697A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
| CN109711976A (zh) | 账单数据处理方法、装置、计算机可读存储介质及服务器 | |
| CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
| CN109559218A (zh) | 一种异常交易的确定方法、装置及存储介质 | |
| US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
| CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
| CN111475541A (zh) | 数据决策方法、装置、电子设备及存储介质 | |
| CN111161042A (zh) | 个人风险评估方法、装置、终端及存储介质 | |
| CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
| CN112818028A (zh) | 数据指标筛选方法、装置、计算机设备及存储介质 | |
| CN112163962A (zh) | 一种模型训练和业务风控的方法及装置 | |
| CN111242779A (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| CN110348983A (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
| CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
| CN114298825A (zh) | 还款积极度评估方法及装置 | |
| CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
| CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
| CN116484230B (zh) | 识别异常业务数据的方法及ai数字人的训练方法 | |
| US20220261666A1 (en) | Leveraging big data, statistical computation and artificial intelligence to determine a likelihood of object renunciation prior to a resource event | |
| CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
| CN113743734A (zh) | 信用评分的处理方法、装置及电子设备 |
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 |