CN111709661B - 业务数据的风险处理方法、装置、设备及存储介质 - Google Patents
业务数据的风险处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111709661B CN111709661B CN202010582622.5A CN202010582622A CN111709661B CN 111709661 B CN111709661 B CN 111709661B CN 202010582622 A CN202010582622 A CN 202010582622A CN 111709661 B CN111709661 B CN 111709661B
- Authority
- CN
- China
- Prior art keywords
- risk
- basic
- panorama
- data
- target
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 238000012502 risk assessment Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 230000000875 corresponding effect Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- ZIBGPFATKBEMQZ-UHFFFAOYSA-N triethylene glycol Chemical compound OCCOCCOCCO ZIBGPFATKBEMQZ-UHFFFAOYSA-N 0.000 description 4
- 244000099147 Ananas comosus Species 0.000 description 3
- 235000007119 Ananas comosus Nutrition 0.000 description 3
- 244000141359 Malus pumila Species 0.000 description 3
- 241000234295 Musa Species 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 3
- 235000021015 bananas Nutrition 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及大数据,公开了一种业务数据的风险处理方法、装置、设备及存储介质,用于解决风险评估准确性低下的问题。业务数据的风险处理方法包括:获取业务数据全景图,并采用切分算法将业务数据全景图切分,得到多个基础全景图;在数据库中采集并整合多个不同类别的业务数据,得到多个基础风险因子;在多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;根据多个目标风险因子建立关系表,得到多个风险关系表;采用聚类算法关联多个风险关系表与对应的基础全景图,得到风险全景图;基于深度学习算法对风险全景图进行风险预测,得到风险评估结果。此外,本发明还涉及区块链技术,业务数据全景图可存储于区块链中。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种业务数据的风险处理方法、装置、设备及存储介质。
背景技术
随着科学技术的迅速发展,互联网也随之不断发展,目前互联网对业务数据的风险管理也已经融入到各个行业。风险管理一般利用计算机收集业务数据特征以及数据外部环境特征,并利用机器学习、深度神经网络和语音情感学习对区域以及标的数据的风险状况进行综合评估,完成业务数据的风险预测。
本发明创造的发明人在研究中发现,在现有基于大数据的风险管理系统中,只能通过风险全景图中的部分风险因子来预测风险值,导致对风险评估的定性、定量分析不深入,在多个风险因子耦合场景下预测出风险评估的准确性低下。
发明内容
本发明的主要目的在于解决风险评估准确性低下的问题。
本发明第一方面提供了一种业务数据的风险处理方法,包括:获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图;在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素;针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;根据所述多个目标风险因子建立关系表,得到多个风险关系表;采用聚类算法关联所述多个风险关系表与对应的基础全景图,得到风险全景图,所述风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果。
可选的,在本发明第一方面的第一种实现方式中,所述针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子包括:提取每一个基础全景图中的标的数据,所述标的数据为表示每一个基础全景图内容的标志,且业务数据全景图中包括所述标的数据;采用相似度算法计算所述标的数据与所述数据库中多个基础风险因子之间的相关度;筛选出相关度大于相关阈值的多个目标相关度,并将所述多个目标相关度对应的基础风险因子作为目标风险因子,所述相关阈值为所述标的数据与基础风险因子是否相关的界限。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述多个目标风险因子建立风险关系表,得到多个风险关系表包括:分别计算所述多个目标风险因子之间的类别置信度、关系置信度和属性置信度;基于预置资源描述框架模型、所述类别置信度、所述关系置信度和所述属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表。
可选的,在本发明第一方面的第三种实现方式中,所述采用聚类算法关联所述多个风险关系表与对应的基础全景图,得到风险全景图,所述风险全景图用于指示在基础全景图中多个目标风险因子之间的关系包括:基于聚类算法获取基础全景图的标的数据以及与所述基础全景图相关的目标风险因子;分别搭建所述标的数据与多个目标风险因子之间的相关概率矩阵;筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;提取所述目标相关概率矩阵所对应的关系表,并采用融合算法将所述关系表与对应的基础全景图融合,得到风险全景图,所述风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表。
可选的,在本发明第一方面的第四种实现方式中,所述基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果包括:基于深度学习算法获取所述全景图中的重要因子,所述重要因子包括可能性因子、暴露程度因子以及后果因子;根据预置公式以及所述重要因子计算预测风险值,不同的预测风险值对应不同的风险评估结果,所述预置公式为:D=L×E×C,在式中,D为预测风险值,L为可能性因子,E为暴露程度因子,C为后果因子;判断所述预测风险值是否大于预警值,若所述预测风险值大于所述预警值,则将预测风险值对应的风险评估结果发送给客户端。
可选的,在本发明第一方面的第五种实现方式中,所述获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图包括:基于切分算法提取业务数据全景图中横坐标的跨度范围以及纵坐标的跨度范围;将所述横坐标的跨度范围以及所述纵坐标的跨度范围均匀切分,得到标准横坐标范围以及标准纵坐标范围;利用二进制标识标记所述标准横坐标范围以及所述标准纵坐标范围,并将所述标准横坐标范围以及所述标准纵坐标范围合并,得到多个基础全景图。
可选的,在本发明第一方面的第六种实现方式中,所述在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素包括:采集预存在数据库中的多个不同类别的业务数据,所述业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,所述数据采集体系为多个不同业务系统融合而成的一个体系;基于所述数据库对多个不同类别的所述业务数据进行数据清理,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素。
本发明第二方面提供了一种业务数据的风险处理装置,包括:切分模块,用于获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图;采集模块,用于在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素;筛选模块,用于针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;建立模块,用于根据所述多个目标风险因子建立关系表,得到多个风险关系表;关联模块,用于采用聚类算法关联所述多个风险关系表与对应的基础全景图,得到风险全景图,所述风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;预测模块,用于基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果。
可选的,在本发明第二方面的第一种实现方式中,所述筛选模块具体用于:提取每一个基础全景图中的标的数据,所述标的数据为表示每一个基础全景图内容的标志,且业务数据全景图中包括所述标的数据;采用相似度算法计算所述标的数据与所述数据库中多个基础风险因子之间的相关度;筛选出相关度大于相关阈值的多个目标相关度,并将所述多个目标相关度对应的基础风险因子作为目标风险因子,所述相关阈值为所述标的数据与基础风险因子是否相关的界限。
可选的,在本发明第二方面的第二种实现方式中,所述建立模块具体用于:分别计算所述多个目标风险因子之间的类别置信度、关系置信度和属性置信度;基于预置资源描述框架模型、所述类别置信度、所述关系置信度和所述属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表。
可选的,在本发明第二方面的第三种实现方式中,所述关联模块具体用于:基于聚类算法获取基础全景图的标的数据以及与所述基础全景图相关的目标风险因子;分别搭建所述标的数据与多个目标风险因子之间的相关概率矩阵;筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;提取所述目标相关概率矩阵所对应的关系表,并采用融合算法将所述关系表与对应的基础全景图融合,得到风险全景图,所述风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表。
可选的,在本发明第二方面的第四种实现方式中,所述预测模块具体用于:基于深度学习算法获取所述全景图中的重要因子,所述重要因子包括可能性因子、暴露程度因子以及后果因子;根据预置公式以及所述重要因子计算预测风险值,不同的预测风险值对应不同的风险评估结果,所述预置公式为:D=L×E×C,在式中,D为预测风险值,L为可能性因子,E为暴露程度因子,C为后果因子;判断所述预测风险值是否大于预警值,若所述预测风险值大于所述预警值,则将预测风险值对应的风险评估结果发送给客户端。
可选的,在本发明第二方面的第五种实现方式中,所述切分模块具体用于:基于切分算法提取业务数据全景图中横坐标的跨度范围以及纵坐标的跨度范围;将所述横坐标的跨度范围以及所述纵坐标的跨度范围均匀切分,得到标准横坐标范围以及标准纵坐标范围;利用二进制标识标记所述标准横坐标范围以及所述标准纵坐标范围,并将所述标准横坐标范围以及所述标准纵坐标范围合并,得到多个基础全景图。
可选的,在本发明第二方面的第六种实现方式中,所述采集模块具体用于:采集预存在数据库中的多个不同类别的业务数据,所述业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,所述数据采集体系为多个不同业务系统融合而成的一个体系;基于所述数据库对多个不同类别的所述业务数据进行数据清理,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素。
本发明第三方面提供了一种业务数据的风险处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据的风险处理设备执行上述的业务数据的风险处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的业务数据的风险处理方法。
本发明提供的技术方案中,获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图;在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素;针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;根据所述多个目标风险因子建立关系表,得到多个风险关系表;采用聚类算法关联所述多个风险关系表与对应的基础全景图,得到风险全景图,所述风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果。本发明实施例中,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
附图说明
图1为本发明实施例中业务数据的风险处理方法的一个实施例示意图;
图2为本发明实施例中业务数据的风险处理方法的另一个实施例示意图;
图3为本发明实施例中业务数据的风险处理装置的一个实施例示意图;
图4为本发明实施例中业务数据的风险处理装置的另一个实施例示意图;
图5为本发明实施例中业务数据的风险处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种业务数据的风险处理方法、装置、设备及存储介质,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中业务数据的风险处理方法的一个实施例包括:
101、获取业务数据全景图,并采用切分算法将业务数据全景图切分,得到多个基础全景图,业务数据全景图为以地图形式展现业务数据的全景图;
可以理解的是,本发明的执行主体可以为业务数据的风险处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
服务器获取以地图形式展现业务数据的业务数据全景图,并利用切分算法将业务数据全景图进行切分,得到多个基础全景图。需要说明的是,业务数据全景图的展现形式为地图形式,可以通过地理信息系统(geographic information system,GIS)将服务器后续采集到的数据添加到业务数据全景图中。地理信息系统又称为“地学信息系统”,它可以对空间信息进行分析和处理,也就是说GIS可以对地球上存在的现象和发生的事件进行成图和分析,并将地图的视觉化效果和地理分析功能与一般的数据库操作,如:查询、统计分析等集成在一起,实现业务数据全景图的展现。需要强调的是,为进一步保证上述业务数据全景图的完整性以及安全性,上述业务数据全景图可以存储于一区块链中。
GIS系统储存数据的主要两种方法为:栅格和矢量,栅格数据由存放唯一值存储单元的行和列组成,各个单元记录的数值可能是一个分类组,如:土地使用状况,也可能为一个连续的值,如:降雨量,或是当数据不可用时记录的一个空值。栅格数据集也就是本申请中的基础全景图,其的分辨率取决于地面单位的网格宽度,在本申请中,并不对基础全景图的大小进行限定,此外,栅格数据既可以用来代表一块区域,也可以用来表示一个实物,如:在住房细分中以多边形来代表物产边界,以点来精确表示位置,矢量同样可以用来表示具有连续变化性的领域,如:利用等高线和不规则三角形格网来表示海拔或其他连续变化的值。因此当有新的业务数据需要添加到业务数据全景图中时,GIS可以执行数据重构来把数据转换成不同的格式,以便可以在业务风险全景图中显示出来。例如,GIS可以通过在具有相同分类的所有单元周围生成线,同时决定单元的空间关系,如:邻接和包含,来将卫星图像转换成向量结构。此外,不同领域的业务风险数据融合在一个系统里,但系统展现业务数据是时分多图层展现的,操作时可根据需要筛选图层,例如:农业生产相关人员可只筛选显示农业相关的气象灾害、病虫害信息图层。
102、在数据库中采集并整合多个不同类别的业务数据,得到多个基础风险因子,基础风险因子为影响业务数据全景图变化的基本因素;
服务器采集数据库中的多个不同类别的业务数据,得到多个影响业务数据全景图变化的多个基本风险因子。
这里的业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,数据采集体系是基于数据库整合的多层次、多维度的业务数据,数据采集体系表现采集业务数据的维度丰富性,例如:对某路段进行风险评估,基于数据库收集整合的业务数据包括但不限于:道路的经纬度坐标、道路所在区域的历史天气状况及实时天气状况、道路的日常车流量、该路段的历史车祸次数、当前行经该路段的车辆及驾驶员情况等。
业务数据接入数据库的方式有很多种,例如文件传送、系统主动爬取等。且业务数据收集的来源方式有多种渠道,以此构建多维度、多种类的数据采集体系,为立体化评估区域风险、标的风险提供足够的数据支撑。各数据来源渠道如下:一、外部宏观数据:国际国内政治政策、区域政治风险;二、环境监测数据:地图、路网、洋流、历史气象水文监测情况;三、农业生产数据:农作物分配数据、农作物生长情况数据;四、卫星:气象云图数据、农业遥感数据、高光谱成像数据;五、手机:定位数据、应用操作数据、社交行为数据;六、物联网设备:智能家居、监控摄像头、无人机、车船速度传感器、消防烟雾感应器、水压监测感应器、支付终端等。
103、针对多个基础全景图中的每一个基础全景图,在多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
服务器针对多个基础全景图中的每一个基础全景图,筛选出在数据库中与基础全景图相关的基础风险因子,得到多个目标风险因子;
服务器在获取到基础全景图与多个风险因子之后,需要将基础全景图与多个与基础全景图相关的风险因子关联,这样才能建立一个健全的风险全景图。因为风险因子的相关性取决于基础全景图的需求,风险全景图包含多切分区域、多图层,因此对风险全景图来说,必须要大量的获取风险因子,来作为计算风险的因素,但对某个细分的基础全景图来说,某些数据可能是非必要的。例如:对农业生产场景,交通流量风险因子可能是非必要的,但对区域交通事故风险监测场景,交通流量风险因子是必要的。因此要在数据库中筛选出与基础全景图相关的基础风险因子,再将相关的基础风险因子与基础全景图关联。
104、根据多个目标风险因子建立关系表,得到多个风险关系表;
服务器根据筛选出来与基础全景图相关的多个目标风险因子建立关系表,得到多个风险关系表。
待提取出与基础全景图相关的目标风险因子后,服务器需利用目标相关因子建立关系表,这里需要在数据库中分别计算多个目标风险因子之间的类别置信度、属性置信度和关系置信度,类别置信度是指从风险因子中识别出风险因子所属类别的准确度,类别置信度的质量(准确率和召回率)对后续的获取效率和质量影响极大,因此是最为基础和关键的部分;为了得到多个风险因子之间的关系,还需要进行关系置信度的计算,确定风险因子之间属于某种固定关系,其中包括上下位关系,上下位关系是用于确定风险因子之间的隶属关系,相应的,关系置信度即为风险因子之间确定关系的准确度,关系置信度是建立关系表的关键;属性置信度是从不同信息源中采集特定属性信息的准确度,例如:针对某个公众人物,可以从网络公开信息中得到其昵称、生日、国籍、教育背景等信息,其属性置信度即为信息的准确度,属性置信度将充实关系表的内容。
105、采用聚类算法关联多个风险关系表与对应的基础全景图,得到风险全景图,风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;
服务器采用聚类算法关联多个风险关系表与对应的基础全景图,得到由多个基础全景图结合在一起的风险全景图,基础全景图中包括指示多个目标风险因子之间关系的风险关系表。
需要说明的是,这里采用聚类算法将风险关系表与基础全景图进行关联,聚类算法可以看成是根据不同对象之间相关概率矩阵,将相关概率矩阵数值相近的对象分配在一起的算法。在本申请中,服务器首先需要计算基础全景图中的标的数据与多个目标风险因子之间的相关概率矩阵,相关概率矩阵的数值越大,说明目标风险因子与标的数据之间的相关性越大,致使该目标风险因子在基础全景图中的风险越大,然后服务器筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵,目标相关概率矩阵是由与标的数据相关程度较大的目标风险因子计算出来的,这里利用到的是欧式距离公式得到关联预置范围内的相关概率矩阵的,具体的欧式距离公式为:
Xi表示第i个目标风险因子(1≤i≤n),Cj表示第j个标的数据(1≤j≤k),Xit表示第i个目标风险因子的第t个属性(1≤t≤m),Cjt表示第j个标的数据的第t个属性,n、m均为正整数。当目标风险因子与标的数据之间的相关概率矩阵的数值在关联阈值范围内,则说明目标风险因子与标的数据之间的相关程度高,即可在基础全景图中将该目标风险因子的关系表与该标的数据进行融合。
106、基于深度学习算法对风险全景图进行风险预测,得到风险评估结果。
服务器采用深度学习算法对风险全景图进行风险预测,得到风险评估结果。
在得到风险全景图之后,服务器采用美国安全专家提出的LEC评价法对基础全景图中的危险源进行半定量评价,实现对风险全景图的风险预测。首先服务器将获取风险全景图中的重要因子,重要因子包括可能性因子、暴露程度因子以及后果因子,可能性因子用于指示事故发生的可能性;暴露程度因子用于指示被保护对象暴露于危险环境中的频繁程度;后果因子用于指示发生事故后造成的结果,这三个重要因子等级不同确定的数值也不同,然后服务器以预置公式计算预测风险值,不同的预测风险值对应不同的风险评估结果,这里的预置公式为D=L×E×C,在式中,D为预测风险值,L为可能性因子,E为暴露程度因子,C为后果因子,达到通过不同程度的重要因子计算预测风险值,其中不同的预测风险值对应不同的风险评估结果。
本发明实施例中,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
请参阅图2,本发明实施例中业务数据的风险处理方法的另一个实施例包括:
201、获取业务数据全景图,并采用切分算法将业务数据全景图切分,得到多个基础全景图,业务数据全景图为以地图形式展现业务数据的全景图;
服务器首先基于切分算法提取业务数据全景图中横坐标的跨度范围以及纵坐标的跨度范围;然后服务器将横坐标的跨度范围以及纵坐标的跨度范围均匀切分,得到标准横坐标范围以及标准纵坐标范围;最后服务器利用二进制标识标记标准横坐标范围以及标准纵坐标范围,并将标准横坐标范围以及标准纵坐标范围合并,得到多个基础全景图。
需要说明的是,业务数据全景图的展现形式为地图形式,可以通过地理信息系统(geographic information system,GIS)将服务器后续采集到的数据添加到业务数据全景图中。地理信息系统又称为“地学信息系统”,它可以对空间信息进行分析和处理,也就是说GIS可以对地球上存在的现象和发生的事件进行成图和分析,并将地图的视觉化效果和地理分析功能与一般的数据库操作,如:查询、统计分析等集成在一起,实现业务数据全景图的展现。需要强调的是,为进一步保证上述业务数据全景图的完整性以及安全性,上述业务数据全景图可以存储于一区块链中。
这里利用的切分算法为GeoHash算法,GeoHash算法是一种地址编码方法。可以将二维的空间位置坐标数据编码成一个字符串。将业务数据全景图均匀切分后,得到不同的基础全景图,这时利用二进制标识标记基础全景图。将业务数据全景图切分过后,会得到多个基础全景图。这里的基础全景图即为将业务数据全景图切分后得到的,多个基础全景图构成了业务数据全景图。
举例说明:以将地球切分为网格并获取某个基础全景图为例,假设一个区域的坐标为39.92324纬,116.3906经,在确定基础全景图的位置时,首先服务器将纬度范围(-90,90)平均分成两个区间(-90,0)、(0,90),将带有低纬度范围的区间编码为0,将带有高纬度范围的区间编码为1,纬度39.92324属于带有低纬度范围的区间(0,90)所以取编码为1,然后服务器再将(0,90)平均分成(0,45)、(45,90)两个区间,而39.92324位于(0,45),所以编码为0。以此类推,直到精度符合要求为止,得到纬度编码为10111000110001111001。待服务器计算出纬度的编码之后利用同样的计算方式对经度范围(-180,180)依次平均细分,得到经度116.3906的编码为11010010110001000100。待得到经纬度的二进制编码后将两者合并,奇数位是纬度,偶数位是经度,得到编码1110011101001000111100000011010101100001。最后利用Base32编码表对二进制的编码替换,得到(39.92324,116.3906)的编码为wx4g0ec1也就是确定了相应的基础全景图。
202、采集预存在数据库中的多个不同类别的业务数据,业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,数据采集体系为多个不同业务系统融合而成的一个体系;
服务器采集预存在数据库中的多个不同类别的业务数据,得到多个影响业务数据全景图变化的多个基本风险因子,这里的业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,数据采集体系是基于数据库整合的多层次、多维度的业务数据,数据采集体系表现采集业务数据的维度丰富性,例如:对某路段进行风险评估,基于数据库收集整合的业务数据包括但不限于:道路的经纬度坐标、道路所在区域的历史天气状况及实时天气状况、道路的日常车流量、该路段的历史车祸次数、当前行经该路段的车辆及驾驶员情况等。
业务数据接入数据库的方式有很多种,例如文件传送、系统主动爬取等。且业务数据收集的来源方式有多种渠道,以此构建多维度、多种类的数据采集体系,为立体化评估区域风险、标的风险提供足够的数据支撑。各数据来源渠道如下:一、外部宏观数据:国际国内政治政策、区域政治风险;二、环境监测数据:地图、路网、洋流、历史气象水文监测情况;三、农业生产数据:农作物分配数据、农作物生长情况数据;四、卫星:气象云图数据、农业遥感数据、高光谱成像数据;五、手机:定位数据、应用操作数据、社交行为数据;六、物联网设备:智能家居、监控摄像头、无人机、车船速度传感器、消防烟雾感应器、水压监测感应器、支付终端等。
203、基于数据库对多个不同类别的业务数据进行数据清理,得到多个基础风险因子,基础风险因子为影响业务数据全景图变化的基本因素;
服务器基于数据库对多个不同类别的业务数据进行数据清理,得到多个影响业务数据全景图变化的基础风险因子。
可以理解的是,服务器在收集到业务数据之后,要对业务数据进行完整度的检测,进而对业务数据进行清洗,也就是要判断业务数据中是否包含缺失值,缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断,缺失值指的是现有数据集中某个或某些属性的值是不完全的,由于必须保证业务数据的完整性,因此,服务器将对业务数据进行补充。一般的,服务器将数据信息表中的属性分为数值属性和非数值属性来分别进行处理。如果空值是数值型的,就根据该属性在其他所有对象取值的平均值来填充该缺失的属性值;如果空值是非数值型的,就根据统计学中的众数原理,用该属性在其他所有对象中取值次数最多的值(即出现频率最高的值)来补齐该缺失的属性值,这种方法是以最大概率可能的取值来补充缺失的属性值。
待补充业务数据后,服务器需要对补充后的业务数据进行异常值的检测,并对异常值进行噪点处理,这里的异常值指的是某条业务数据的某个字段明显高于字段的平均值,不在字段合理的范围内。若业务数据中出现异常值,也就是目标数据大于平均噪点阈值,则服务器需将异常值也就是目标数据删除,以保证业务数据的完整与安全,得到多基础风险因子,基础风险因子为影响风险全景图变化的基本因素。
204、针对多个基础全景图中的每一个基础全景图,在多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
服务器针对多个基础全景图中的每一个基础全景图,筛选出在数据库中与基础全景图相关的基础风险因子,得到多个目标风险因子。具体的:服务器首先提取每一个基础全景图中表示每一个基础全景图内容的标志的标的数据,且业务数据全景图中包括标的数据;然后服务器采用相似度算法计算标的数据与数据库中多个基础风险因子之间的相关度;最后服务器筛选出相关度大于相关阈值的多个目标相关度,并将多个目标相关度对应的基础风险因子作为目标风险因子,相关阈值为标的数据与基础风险因子是否相关的界限。
在数据库中,利用到相似度算法来筛选与基础全景图相关的风险因子,具体采用余弦相似度算法来计算基础全景图与多个基础风险因子之间的相关度。首先服务器提取基础全景图中的标的数据,标的数据是显示在业务数据全景图中的数据,其表示该地点所表示的内容,然后服务器提取数据库中多个风险因子,利用余弦相似度算法计算标的数据与多个风险因子之间的相似度,最后在多个相似度结果中筛选出相似度数值大于相关阈值的相似度,并将计算该相似度的基础风险因子作为目标风险因子,这里的相关阈值为标的数据与基础风险因子之间是否相关的界限,当相关度数值大于相关阈值时,说明基础风险因子与标的数据相关。
可以理解的是,业务数据全景图中包括多种形式的标的数据,例如:房屋建筑标的数据、农田标的数据、汽车标的数据等。标的数据可以基于地理位置跟各种业务风险数据关联,也可以和特定的数据源提供的数据关联,例如特定场所布设的传感器,其产生的数据可与此标的发生关联,本申请中并不对标的数据的形式进行限定。
205、根据多个目标风险因子建立关系表,得到多个风险关系表;
服务器根据筛选出来与基础全景图相关的多个目标风险因子建立关系表,得到多个风险关系表。具体的:服务器分别计算多个目标风险因子之间的类别置信度、关系置信度和属性置信度;然后服务器基于预置资源描述框架模型、类别置信度、关系置信度和属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表。
服务器采用预置资源描述框架模型,并结合计算得到的类别置信度、关系置信度和属性置信度,得到多个风险因子之间的逻辑关联关系,建立关系表。举例说明:已知有标的数据:水果,多个风险因子:香蕉、苹果、菠萝、刀片;服务器分别计算这四个风险因子之间的类别置信度发现:香蕉、苹果、菠萝,这三个分线因子之间的相似度较高,而三者与刀片这个风险因子之间的差别较大;服务器分别计算这四个风险因子之间的关系置信度发现:四个风险因子之间的关系置信度并不相同,并没有上下位的差异;最后服务器分别计算这四个风险因子之间的属性置信度发现:香蕉、苹果、菠萝对应的本体为水果,刀片对应的本体为工具,当风险因子的本体为水果时,与标的数据相同,将香蕉、苹果、菠萝这三个风险因子输入预置资源描述框架模型中,得到以标的数据为主体的关系表。
206、采用聚类算法关联多个风险关系表与对应的基础全景图,得到风险全景图,风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;
服务器采用聚类算法关联多个风险关系表与对应的基础全景图,得到由多个基础全景图结合在一起的风险全景图,基础全景图中包括指示多个目标风险因子之间关系的风险关系表。具体的:服务器首先基于聚类算法获取基础全景图的标的数据以及与基础全景图相关的目标风险因子;其次服务器分别搭建标的数据与多个目标风险因子之间的相关概率矩阵;然后服务器筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;最后服务器提取目标相关概率矩阵所对应的关系表,并采用融合算法将关系表与对应的基础全景图融合,得到风险全景图,风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表。
需要说明的是,这里采用聚类算法将风险关系表与基础全景图进行关联,聚类算法可以看成是根据不同对象之间相关概率矩阵,将相关概率矩阵数值相近的对象分配在一起的算法。在本申请中,服务器首先需要计算基础全景图中的标的数据与多个目标风险因子之间的相关概率矩阵,相关概率矩阵的数值越大,说明目标风险因子与标的数据之间的相关性越大,致使该目标风险因子在基础全景图中的风险越大,然后服务器筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵,目标相关概率矩阵是由与标的数据相关程度较大的目标风险因子计算出来的,当目标风险因子与标的数据之间的相关概率矩阵的数值在关联阈值范围内,则说明目标风险因子与标的数据之间的相关程度高,即可在基础全景图中将该目标风险因子的关系表与该标的数据进行融合。
需要说明的是,将关系表与该标的数据进行融合的过程是在GIS系统中进行融合的,具体利用到了GIS系统中的融合算法,融合算法是将大量的数据(关系表)赋值在标的数据上的算法,业务数据风景图上的标的数据也是利用GIS系统中的融合算法将标的数据赋值在业务数据风景图中的,融合算法是现有融合技术手段中的惯用手法,在此处并不进行赘述。这样通过融合算法即可将关系表与基础全景图融合,即可得到该基础全景图对应的风险全景图,多个基础全景图对应的风险全景图结合在一起构成了全部的风险全景图。
207、基于深度学习算法对风险全景图进行风险预测,得到风险评估结果。
服务器采用深度学习算法对风险全景图进行风险预测,得到风险评估结果。具体的:首先服务器基于深度学习算法获取全景图中的重要因子,重要因子包括可能性因子、暴露程度因子以及后果因子;其次服务器根据预置公式以及重要因子计算预测风险值,不同的预测风险值对应不同的风险评估结果,预置公式为:D=L×E×C,在式中,D为预测风险值,L为可能性因子,E为暴露程度因子,C为后果因子;最后服务器判断预测风险值是否大于预警值,若预测风险值大于预警值,则将预测风险值对应的风险评估结果发送给客户端。
在得到风险全景图之后,服务器采用美国安全专家提出的LEC评价法对基础全景图中的危险源进行半定量评价,实现对风险全景图的风险预测。以评价利用化学物质清洗组件的风险度为例,获取在进行组件清洗的过程中的重要因子:可能性因子(L):组件清洗所使用的三甘醇,属四级可燃液体,其加热至沸点时会变成易燃气体,其加热后生成气体的爆炸极限范围为0.9~9.2%,而在组件清洗时,需将三甘醇加热后使用,致使三甘醇加热后生成的气体容易扩散,当遇到清洗环境空气不流通的情况下,会有一定的安全隐患,因此经量化分值标准判定其属“可能,但不经常”,其分数值L=3;暴露程度因子(E):清洗组件需要安排清洗人员每天在此环境中工作,经半定量计值法判定,取E=6;后果因子(C):若发生因燃烧三甘醇导致爆炸事故,则造成人员伤亡的几率很大,经半定量计值法判定,取C=15。则有:D=L×E×C=3×6×15=270,得到进行组件清洗的预测风险值。
当服务器得到预测风险值之后,会对预测风险值进行判断,判断预测风险值是否大于预警值,若预测风险值大于预警值,则将预测风险值对应的风险评估结果发送给客户端。将风险评估结果发送给客户端的方式为邮件或短信,只需要将风险系统按照短信通知系统要求配置相应参数即可实现连接。预警系统给短信系统发送规定格式的报文即可触发系统给相应的客户端发送通知。例如:在农业生产场景中,系统通过布设在农田的温度传感器实时监测农田的实时温度,设定5摄氏度为玉米地的低温阈值,当监测到气温低于5摄氏度时,会自动触发系统,向农户发送低温预警通知短信。
可以理解的是,本方案的应用场景可以应用于保险风险监测场景、交通风险监测场景、建筑风险监测场景、农业风险监测场景等多个应用场景,利用风险全景图处理分析多个不同的场景重要因子,进行不同场景的监测预警,提高风险监测准确性以及检测效率。
本发明实施例中,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
上面对本发明实施例中业务数据的风险处理方法进行了描述,下面对本发明实施例中业务数据的风险处理装置进行描述,请参阅图3,本发明实施例中业务数据的风险处理装置一个实施例包括:
切分模块301,用于获取业务数据全景图,并采用切分算法将业务数据全景图切分,得到多个基础全景图,业务数据全景图为以地图形式展现业务数据的全景图;
采集模块302,用于在数据库中采集并整合多个不同类别的业务数据,得到多个基础风险因子,基础风险因子为影响业务数据全景图变化的基本因素;
筛选模块303,用于针对多个基础全景图中的每一个基础全景图,在多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
建立模块304,用于根据多个目标风险因子建立关系表,得到多个风险关系表;
关联模块305,用于采用聚类算法关联多个风险关系表与对应的基础全景图,得到风险全景图,风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;
预测模块306,用于基于深度学习算法对风险全景图进行风险预测,得到风险评估结果。
本发明实施例中,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
请参阅图4,本发明实施例中业务数据的风险处理装置的另一个实施例包括:
切分模块301,用于获取业务数据全景图,并采用切分算法将业务数据全景图切分,得到多个基础全景图,业务数据全景图为以地图形式展现业务数据的全景图;
采集模块302,用于在数据库中采集并整合多个不同类别的业务数据,得到多个基础风险因子,基础风险因子为影响业务数据全景图变化的基本因素;
筛选模块303,用于针对多个基础全景图中的每一个基础全景图,在多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
建立模块304,用于根据多个目标风险因子建立关系表,得到多个风险关系表;
关联模块305,用于采用聚类算法关联多个风险关系表与对应的基础全景图,得到风险全景图,风险全景图用于指示在基础全景图中多个目标风险因子之间的关系;
预测模块306,用于基于深度学习算法对风险全景图进行风险预测,得到风险评估结果。
可选的,筛选模块303还可以具体用于:
提取每一个基础全景图中的标的数据,标的数据为表示每一个基础全景图内容的标志,且业务数据全景图中包括标的数据;
采用相似度算法计算标的数据与数据库中多个基础风险因子之间的相关度;
筛选出相关度大于相关阈值的多个目标相关度,并将多个目标相关度对应的基础风险因子作为目标风险因子,相关阈值为标的数据与基础风险因子是否相关的界限。
可选的,建立模块304还可以具体用于:
分别计算多个目标风险因子之间的类别置信度、关系置信度和属性置信度;
基于预置资源描述框架模型、类别置信度、关系置信度和属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表。
可选的,关联模块305还可以具体用于:
基于聚类算法获取基础全景图的标的数据以及与基础全景图相关的目标风险因子;
分别搭建标的数据与多个目标风险因子之间的相关概率矩阵;
筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;
提取目标相关概率矩阵所对应的关系表,并采用融合算法将关系表与对应的基础全景图融合,得到风险全景图,风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表。
可选的,预测模块306还可以具体用于:
基于深度学习算法获取全景图中的重要因子,重要因子包括可能性因子、暴露程度因子以及后果因子;
根据预置公式以及重要因子计算预测风险值,不同的预测风险值对应不同的风险评估结果,预置公式为:D=L×E×C,在式中,D为预测风险值,L为可能性因子,E为暴露程度因子,C为后果因子;
判断预测风险值是否大于预警值,若预测风险值大于预警值,则将预测风险值对应的风险评估结果发送给客户端。
可选的,切分模块301还可以具体用于:
基于切分算法提取业务数据全景图中横坐标的跨度范围以及纵坐标的跨度范围;
将横坐标的跨度范围以及纵坐标的跨度范围均匀切分,得到标准横坐标范围以及标准纵坐标范围;
利用二进制标识标记标准横坐标范围以及标准纵坐标范围,并将标准横坐标范围以及标准纵坐标范围合并,得到多个基础全景图。
可选的,采集模块302还可以具体用于:
采集预存在数据库中的多个不同类别的业务数据,业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,数据采集体系为多个不同业务系统融合而成的一个体系;
基于数据库对多个不同类别的业务数据进行数据清理,得到多个基础风险因子,基础风险因子为影响业务数据全景图变化的基本因素。
本发明实施例中,采集并处理多种不同的风险因子作为风险预测的依据,并将由风险因子建立的关系表与基础全景图谱进行关联后,再进行风险监测结果的评估,通过定量、定性、全面的风险评估提高了风险评估的准确性以及效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的业务数据的风险处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中业务数据的风险处理设备进行详细描述。
图5是本发明实施例提供的一种业务数据的风险处理设备的结构示意图,该业务数据的风险处理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对业务数据的风险处理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在业务数据的风险处理设备500上执行存储介质530中的一系列指令操作。
业务数据的风险处理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的业务数据的风险处理设备结构并不构成对业务数据的风险处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行业务数据的风险处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种业务数据的风险处理方法,其特征在于,所述业务数据的风险处理方法包括:
获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图;
在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素;
针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
分别计算所述多个目标风险因子之间的类别置信度、关系置信度和属性置信度;基于预置资源描述框架模型、所述类别置信度、所述关系置信度和所述属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表;
基于聚类算法获取基础全景图的标的数据以及与所述基础全景图相关的目标风险因子;分别搭建所述标的数据与多个目标风险因子之间的相关概率矩阵;筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;提取所述目标相关概率矩阵所对应的关系表,并采用融合算法将所述关系表与对应的基础全景图融合,得到风险全景图,所述风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表;
基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果。
2.根据权利要求1所述的业务数据的风险处理方法,其特征在于,所述针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子包括:
提取每一个基础全景图中的标的数据,所述标的数据为表示每一个基础全景图内容的标志,且业务数据全景图中包括所述标的数据;
采用相似度算法计算所述标的数据与所述数据库中多个基础风险因子之间的相关度;
筛选出相关度大于相关阈值的多个目标相关度,并将所述多个目标相关度对应的基础风险因子作为目标风险因子,所述相关阈值为所述标的数据与基础风险因子是否相关的界限。
3.根据权利要求1所述的业务数据的风险处理方法,其特征在于,所述基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果包括:
基于深度学习算法获取所述全景图中的重要因子,所述重要因子包括可能性因子、暴露程度因子以及后果因子;
根据预置公式以及所述重要因子计算预测风险值,不同的预测风险值对应不同的风险评估结果,所述预置公式为:,在式中,/>为预测风险值,/>为可能性因子,/>为暴露程度因子,/>为后果因子;
判断所述预测风险值是否大于预警值,若所述预测风险值大于所述预警值,则将预测风险值对应的风险评估结果发送给客户端。
4.根据权利要求1所述的业务数据的风险处理方法,其特征在于,所述获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图包括:
基于切分算法提取业务数据全景图中横坐标的跨度范围以及纵坐标的跨度范围;
将所述横坐标的跨度范围以及所述纵坐标的跨度范围均匀切分,得到标准横坐标范围以及标准纵坐标范围;
利用二进制标识标记所述标准横坐标范围以及所述标准纵坐标范围,并将所述标准横坐标范围以及所述标准纵坐标范围合并,得到多个基础全景图。
5.根据权利要求1-4中任一项所述的业务数据的风险处理方法,其特征在于,所述在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素包括:
采集预存在数据库中的多个不同类别的业务数据,所述业务数据为预先通过数据采集体系采集的多个不同类别的业务数据,所述数据采集体系为多个不同业务系统融合而成的一个体系;
基于所述数据库对多个不同类别的所述业务数据进行数据清理,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素。
6.一种业务数据的风险处理装置,其特征在于,所述业务数据的风险处理装置包括:
切分模块,用于获取业务数据全景图,并采用切分算法将所述业务数据全景图切分,得到多个基础全景图,所述业务数据全景图为以地图形式展现业务数据的全景图;
采集模块,用于在数据库中采集并整合多个不同类别的所述业务数据,得到多个基础风险因子,所述基础风险因子为影响所述业务数据全景图变化的基本因素;
筛选模块,用于针对所述多个基础全景图中的每一个基础全景图,在所述多个基础风险因子中筛选出与基础全景图相关的基础风险因子,得到多个目标风险因子;
建立模块,用于分别计算所述多个目标风险因子之间的类别置信度、关系置信度和属性置信度;基于预置资源描述框架模型、所述类别置信度、所述关系置信度和所述属性置信度,建立以标的数据为主体的关系表,得到多个风险关系表;
关联模块,用于基于聚类算法获取基础全景图的标的数据以及与所述基础全景图相关的目标风险因子;分别搭建所述标的数据与多个目标风险因子之间的相关概率矩阵;筛选出数值在关联阈值范围内的相关概率矩阵作为目标相关概率矩阵;提取所述目标相关概率矩阵所对应的关系表,并采用融合算法将所述关系表与对应的基础全景图融合,得到风险全景图,所述风险全景图用于在多个基础全景图中显示多个目标风险因子的关系表;
预测模块,用于基于深度学习算法对所述风险全景图进行风险预测,得到风险评估结果。
7.一种业务数据的风险处理设备,其特征在于,所述业务数据的风险处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据的风险处理设备执行如权利要求1-5中任意一项所述的业务数据的风险处理方法。
8.一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1-5中任一项所述业务数据的风险处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582622.5A CN111709661B (zh) | 2020-06-23 | 2020-06-23 | 业务数据的风险处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582622.5A CN111709661B (zh) | 2020-06-23 | 2020-06-23 | 业务数据的风险处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709661A CN111709661A (zh) | 2020-09-25 |
CN111709661B true CN111709661B (zh) | 2024-05-07 |
Family
ID=72542584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582622.5A Active CN111709661B (zh) | 2020-06-23 | 2020-06-23 | 业务数据的风险处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709661B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184012B (zh) * | 2020-09-27 | 2024-05-31 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN114723570B (zh) * | 2021-01-05 | 2024-02-09 | 中国银行保险信息技术管理有限公司 | 农险风险监测方法、装置、存储介质及计算机设备 |
CN113157521B (zh) * | 2021-04-21 | 2023-06-06 | 杭州云象网络技术有限公司 | 用于区块链全生命周期的监控方法和监控系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280805B1 (en) * | 2006-01-10 | 2012-10-02 | Sas Institute Inc. | Computer-implemented risk evaluation systems and methods |
CN107705011A (zh) * | 2017-09-29 | 2018-02-16 | 广东电力交易中心有限责任公司 | 电力市场风险管理系统及方法 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN110929525A (zh) * | 2019-10-23 | 2020-03-27 | 三明学院 | 一种网贷风险行为分析检测方法、装置、设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160012235A1 (en) * | 2014-02-10 | 2016-01-14 | Vivo Security Inc. | Analysis and display of cybersecurity risks for enterprise data |
WO2016154323A1 (en) * | 2015-03-23 | 2016-09-29 | 1234 10Th Street Llc | Method, system, and apparatus to couple physical and financial risks and risk measures to mitigate risk of catastrophic damage to physical locations |
-
2020
- 2020-06-23 CN CN202010582622.5A patent/CN111709661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280805B1 (en) * | 2006-01-10 | 2012-10-02 | Sas Institute Inc. | Computer-implemented risk evaluation systems and methods |
CN107705011A (zh) * | 2017-09-29 | 2018-02-16 | 广东电力交易中心有限责任公司 | 电力市场风险管理系统及方法 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN110929525A (zh) * | 2019-10-23 | 2020-03-27 | 三明学院 | 一种网贷风险行为分析检测方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
面向风险管理的银行大数据分析系统架构研究;卢小宾;徐超;;信息资源管理学报;20180516(第02期);第6-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709661A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709661B (zh) | 业务数据的风险处理方法、装置、设备及存储介质 | |
Cervone et al. | Using Twitter for tasking remote-sensing data collection and damage assessment: 2013 Boulder flood case study | |
Kalantar et al. | Drone-based land-cover mapping using a fuzzy unordered rule induction algorithm integrated into object-based image analysis | |
US8958603B2 (en) | Automated mapping of land cover using sequences of aerial imagery | |
Zurqani et al. | Mapping urbanization trends in a forested landscape using Google Earth Engine | |
Xu et al. | Risk assessment for wildfire occurrence in high-voltage power line corridors by using remote-sensing techniques: a case study in Hubei Province, China | |
Xie et al. | Transforming smart cities with spatial computing | |
Hysa et al. | A GIS based method for indexing the broad-leaved forest surfaces by their wildfire ignition probability and wildfire spreading capacity | |
Weber et al. | Incidents1M: a large-scale dataset of images with natural disasters, damage, and incidents | |
Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
CN109918449A (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
Phan et al. | Remote sensing meets deep learning: exploiting spatio-temporal-spectral satellite images for early wildfire detection | |
Ehrlich et al. | Quantifying the building stock from optical high-resolution satellite imagery for assessing disaster risk | |
Putri et al. | Sentinel-1 and Sentinel-2 data fusion to distinguish building damage level of the 2018 Lombok Earthquake | |
Jaafari et al. | Anthropogenic activities amplify wildfire occurrence in the Zagros eco-region of western Iran | |
Nasanbat et al. | Wild fire risk map in the eastern steppe of Mongolia using spatial multi-criteria analysis | |
CN114664041B (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
Attorre et al. | Analysing the relationship between land units and plant communities: the case of Socotra Island (Yemen) | |
KR102237505B1 (ko) | 지오 클라우드 기반의 실시간 급경사지 공간정보 처리 플랫폼 및 데이터 처리 방법 | |
Khan et al. | Assessment of indoor risk through deep learning-based object recognition in disaster situations | |
Khaefi et al. | Nowcasting air quality by fusing insights from meteorological data, satellite imagery and social media images using deep learning | |
Singla et al. | WildfireDB: A Spatio-Temporal Dataset Combining Wildfire Occurrence with Relevant Covariates | |
Ehrlich et al. | Can Earth Observation help to improve information on population? Indirect population estimations from EO derived geo-spatial data: contribution from GMOSS | |
Singla et al. | Wildfiredb: An open-source dataset connecting wildfire occurrence with relevant determinants | |
KR101852129B1 (ko) | 환경공간정보 및 빅데이터 중 텍스트마이닝을 활용한 환경연구 분석 시스템 |
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 |