CN111709832B - 黑名单设置方法、装置、可读介质以及设备 - Google Patents

黑名单设置方法、装置、可读介质以及设备 Download PDF

Info

Publication number
CN111709832B
CN111709832B CN202010547923.4A CN202010547923A CN111709832B CN 111709832 B CN111709832 B CN 111709832B CN 202010547923 A CN202010547923 A CN 202010547923A CN 111709832 B CN111709832 B CN 111709832B
Authority
CN
China
Prior art keywords
user
blacklist
attribute information
training sample
verified
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
Application number
CN202010547923.4A
Other languages
English (en)
Other versions
CN111709832A (zh
Inventor
董亚东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010547923.4A priority Critical patent/CN111709832B/zh
Publication of CN111709832A publication Critical patent/CN111709832A/zh
Application granted granted Critical
Publication of CN111709832B publication Critical patent/CN111709832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例公开了一种黑名单设置方法、装置、可读介质以及设备，该方法若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则将获取到的待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果；黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；若黑名单分类模型判断出待验证用户应加入高速通行黑名单，则将待验证用户加入高速通行黑名单。由于银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。

Description

黑名单设置方法、装置、可读介质以及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种黑名单设置方法、装置、可读介质以及设备。
背景技术
电子不停车收费系统(Electronic Toll Collection，ETC)是用于高速公路自动收费的一种系统。随着ETC的应用越来越广泛，使用ETC卡来支付高速公路通行费的用户也越来越多。目前，大多数用户使用的ETC卡采用的是记账收费模式。即ETC记账卡与用户的一张银行卡进行绑定，用户使用ETC记账卡通过收费站后，ETC会根据通行记录从绑定的银行卡中扣除通行费。由于有些用户所绑定的银行卡内没有充足的资金支付通行费，会出现欠费的情况，因此银行等金融机构设立了高速通行黑名单来限制这类用户的通行。
现有技术中，主要根据用户ETC记账卡的欠费的次数或者欠费的金额来评判用户是否进入高速通行黑名单。例如，当用户的ETC记账卡欠费次数达到n次时，该用户会被设置为高速通行的黑名单用户。然而，由于现有的高速通行黑名单的设置方式中仅考虑到了ETC记账卡的欠费次数或者欠费金额，而ETC记账卡的欠费次数或者欠费金额实际上不能够反映用户实际的资产情况，导致高速通行黑名单的设置标准与用户实际的资产情况并不匹配。
发明内容
基于上述现有技术的不足，本申请提供了一种黑名单设置方法、装置、可读介质以及设备，以实现利用银行信用属性信息以及ETC卡信用属性信息来判断是否加入高速通行黑名单。
为了实现上述目的，现提出的方案如下：
本申请第一方面公开了一种黑名单设置方法，包括：
若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；
将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。
可选地，在上述黑名单设置方法中，所述黑名单分类模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；
利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型。
可选地，在上述黑名单设置方法中，所述针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果，包括：
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；
若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；
若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。
可选地，在上述黑名单设置方法中，所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户；所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
可选地，在上述黑名单设置方法中，所述若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息，包括：
若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则判断所述待验证用户是否已加入高速通行黑名单；
若判断出所述待验证用户没有加入高速通行黑名单，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息。
可选地，在上述黑名单设置方法中，所述若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单之后，还包括：
将所述待验证用户应加入高速通行黑名单的判断结果发送至所述待验证用户对应的ETC卡发行公司。
本申请第二方面公开了一种黑名单设置装置，包括：
获取单元，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；
第一判断单元，用于将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
设置单元，用于若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。
可选地，在上述黑名单设置装置中，还包括：
构建单元，用于构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
第二判断单元，用于针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；
调整单元，用于利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型。
可选地，在上述黑名单设置装置中，所述第二判断单元执行针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果时，用于：
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。
可选地，在上述黑名单设置装置中，所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户；所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
可选地，在上述黑名单设置装置中，所述第一判断单元，包括：
判断子单元，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则判断所述待验证用户是否已加入高速通行黑名单；
获取子单元，用于若判断出所述待验证用户没有加入高速通行黑名单，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息。
可选地，在上述黑名单设置装置中，还包括：
发送单元，用于将所述待验证用户应加入高速通行黑名单的判断结果发送至所述待验证用户对应的ETC卡发行公司。
本申请第三方面公开了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请第四方面公开了一种设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
从上述技术方案可以看出，本申请实施例提出的黑名单设置方法中，当检测到待验证用户的电子不停车收费系统ETC卡扣款失败时，会获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息，并将待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果，其中黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。由于本申请实施例中是根据待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种黑名单设置方法的流程示意图；
图2为本申请实施例公开的一种黑名单分类模型的构建方法的流程示意图；
图3为本申请实施例公开的一种黑名单设置装置的结构示意图。
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。
本申请第一方面公开了一种黑名单设置方法，具体包括以下步骤：
S101、检测待验证用户的ETC卡是否扣款失败。
待验证用户指的是使用ETC卡的用户。待验证用户使用ETC卡通过高速收费站后，ETC会根据通行记录从绑定的银行卡中扣除通行费。当ETC根据通行记录从绑定的银行卡中扣除通行费时，则需要执行步骤S101，检测待验证用户的ETC卡是否扣款失败。若待验证用户的ETC卡所绑定的银行卡内没有足以支付通行费的资金，或者网络拥堵等情况，待验证用户的ETC卡会出现扣款失败。因此如果检测到待验证用户的ETC卡扣款失败，则说明待验证用户的ETC卡所绑定的银行卡内可能没有足以支付通行费的资金，因此待验证用户可能需要被设置为高速通行黑名单用户，进而需要执行步骤S102。而如果待验证用户的ETC卡没有扣款失败，则说明待验证用户的ETC卡所绑定的银行卡能够正常支付通行费，不存在被设置为高速通行黑名单用户的可能，因此可不执行步骤S102，结束检测。
可选地，在本申请一具体实施例中，执行完步骤S101检测出待验证用户ETC卡扣款失败之后，还包括：
判断待验证用户是否已加入高速通行黑名单。
若判断出待验证用户已加入高速通行黑名单，则结束步骤，不再执行步骤S102。若判断出待验证用户当前还没有加入高速通行黑名单，则执行步骤S102。
如果待验证用户已经是加入高速通行黑名单，则不需要再次判断用户是否应加入高速通行黑名单，如果待验证用户当前还没有加入高速通行黑名单，且当前待验证用户出现ETC卡扣款失败，即ETC卡绑定的银行卡可能资金不足，则需要判断是否要将待验证用户加入高速通行黑名单，因此需执行步骤S102。
S102、获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息。
银行信用属性信息用于反映待验证用户的银行账户的信用情况。银行信用属性信息可以包含银行账户状态、银行账户的历史状态、银行账户余额、银行账户名下资产信息、银行账户关联的ETC卡的数量等。举例说明，银行账户名下资产越多，信用情况越好。银行账户的状态有高级会员状态、普通用户状态、账户冻结状态、挂失状态等等。若银行账户状态为高级会员状态，则说明待验证用户的信用情况较好。若银行账户状态为冻结状态，则信用情况较差。银行账户关联的ETC卡的数量越多，证明银行账户所拥有的车辆越多，信用情况也就越好。
而ETC卡信用属性信息则用于说明待验证用户ETC卡的信用情况。ETC卡的信用属性信息可以包含ETC卡的历史通行总数、ETC卡的历史通行费总额、ETC卡的历史欠费次数、ETC卡的历史欠费总金额，ETC卡当前的欠费笔数、ETC卡当前的欠费总金额等等。举例说明，ETC卡的历史通行总数越多，证明待验证用户成功使用ETC卡通行的次数越多，那么待验证用户的信用情况也就越好。ETC卡的历史通行费总额越多，那么待验证用户的信用情况也越好。ETC卡当前的欠费笔数越多，则说明待验证用户的信用情况越差。
需要说明的是，步骤S102中获取的银行信用属性信息可以是一个也可以是多个，而获取的ETC卡信用属性信息也可以是一个或多个。步骤S102中具体获取的银行信用属性信息和ETC卡信用属性信息的种类和数目是依据黑名单分类模型所需的输入信息而定的。例如，黑名单分类模型所需的输入信息为银行账户名下资产信息、银行账户状态、ETC卡当前的欠费笔数、以及ETC卡当前的欠费总金额，则执行步骤S103时获取这几类属性信息输入至黑名单分类模型中。
S103、将待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果。其中，黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，通过多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练后得到的黑名单模型，能够根据待验证用户的银行信用属性信息和ETC卡信用属性信息，将待验证用户分为高速通行黑名单或者非高速通行黑名单(即高速通行白名单)。
高速通行黑名单样本用户为ETC卡欠费情况达到限制高速通行条件的用户。高速通行白名单样本用户则是ETC卡欠费情况未达到限制高速通行条件的用户。例如，可以将存在有在预设还款时间段内未归还ETC卡欠款的情况的用户作为高速通行黑名单样本用户，将不存在有在预设还款时间段内未归还ETC卡欠款的情况的用户作为白名单样本用户。具体地，选取高速通行黑名单样本用户的标准可以有很多，包括但不限于本申请实施例所提出的内容。
黑名单分类模型可以根据待验证用户当前的银行信用属性信息以及ETC卡信用属性信息，来对待验证用户是否应加入高速通行黑名单进行判断，如果待验证用户当前的银行信用属性信息以及ETC卡信用属性信息反映出待验证用户应加入高速通行黑名单，则黑名单分类模型会输出待验证用户应加入高速通行黑名单的判断结果，如果待验证用户当前的银行信用属性信息以及ETC卡信用属性信息反映出待验证用户不应加入高速通行黑名单，则输入待验证用户不应加入高速通行黑名单的判断结果。黑名单分类模型使得信用情况整体较好的待验证用户不容易被设置为高速通行黑名单，而信用情况整体较差的待验证用户容易被设置为高速通行黑名单。
现有技术中，高速通行黑名单的设置方式中仅考虑到了ETC卡的欠费次数或者欠费金额，但ETC卡的欠费次数或者欠费金额不能够反映用户实际的资产情况，即无法反映用户实际的资产情况(信用水平)。例如，如果ETC卡的欠费次数虽然很多，但是用户资产情况良好，拥有偿还欠款的能力，即用户信用水平较高，那么按照欠费次数的标准把这类优质用户拉入黑名单，显然不利于用户使用ETC卡的体验。因此现有的高速通行黑名单的设置标准与用户实际的资产情况并不相匹配，造成许多资产情况较好的用户也容易被设置为告诉通行黑名单。
而本申请实施例中根据待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。能够实现对于信用较好的优质用户，不容易被黑名单分类模型判断出进入高速通行黑名单，而信用较差的用户，则容易被黑名单分类模型判断出应进入高速通行黑名单。即黑名单分类模型对高速通行黑名单的判断分类标准能够与用户实际的资产情况(即信用情况)相匹配。
可选地，参阅图2，在本申请一具体实施例中，黑名单分类模型的构建方法，包括：
S201、构建训练样本集。
其中，训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
训练样本集中收集的每一个训练样本用户的银行信用属性信息的种类越多，则最终训练得到的黑名单分类模型的判断准确度会越高。同样的，收集的每一个训练样本用户的ETC卡信用属性信息的种类越多，最终训练得到的黑名单分类模型的判断准确度也会越高。且训练样本集中的训练样本用户的数目越多，最终训练得到的黑名单分类模型的判断准确度也会越高。
S202、针对每一个训练样本用户，将训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到训练样本用户是否应加入高速通行黑名单的判断结果。
其中，银行信用属性信息对应的特征值可人为设置，即使用特定的特征值来表示银行信用属性信息。例如，若步骤S101中训练样本集中的银行信用属性信息有银行账户的状态信息，那么可以将银行账户的不同状态设置对应的特征值。例如，将冻结账户状态对应的特征值设置为1000，将挂失账户状态对应的特征值设置为1001，将普通账户状态对应的特征值设置为1002，将会员账户状态对应的特征值设置为1003。同样的，ETC卡信用属性信息也可认为设置特定的特征值表示，此处不再赘述。
将训练样本用户的银行信用属性信息以及ETC卡信用属性信息输入至支持向量机之后，支持向量机会输出预测训练样本用户是否应加入高速通行黑名单的判断结果。
可选地，在本申请一具体实施例中，执行步骤S202的一种实施方式，包括：
针对每一个训练样本用户，将训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到训练样本用户的判断结果参数值。
其中，支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为训练样本用户的银行信用属性信息对应特征值，K为训练样本用户的ETC卡信用属性信息对应特征值，ω1、ω2以及b均为支持向量机的公式中的参数，Y为训练样本用户的判断结果参数值。若判断结果参数值小于或等于第一判断结果阈值，则得到训练样本用户不应加入高速通行黑名单的判断结果，若判断结果参数值大于或等于第二判断结果阈值，则得到训练样本用户应加入高速通行黑名单的判断结果，第一判断结果阈值小于第二判断结果阈值。
具体地，Y为一个大于或等于0，且小于或等于1的参数。当Y接近于0时代表判断结果为不应加入黑名单，接近于1时代表判断结果为应加入黑名单。此时将第一判断结果阈值可设置为是一个接近于0的值，而第二判断结果阈值设置为一个接近于1的值。可选地，也可以将Y接近于0时代表判断结果为加入黑名单，Y接近于1时代表判断结果为加入黑名单，此时判断结果参数值小于或等于第一判断结果阈值时，则得到训练样本用户不应加入高速通行黑名单的判断结果，而判断结果参数值大于或等于第二判断结果阈值，则得到训练样本用户不应加入高速通行黑名单的判断结果。
ω1、ω2以及b的初始值可以设置为任意的随机值，执行步骤S203时，再不断对ω1、ω2以及b的值进行调整。
S203、利用每一个训练样本用户的支持向量机输出的判断结果与实际判断结果之间的误差，对支持向量机中的参数进行不断调整，直至调整后的支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将调整后的支持向量机确定为黑名单分类模型。
支持向量机输出的判断结果与实际的判断结果之间可能会存在有误差，例如，支持向量机可能会将一些高速通行黑名单样本用户判断为不应加入高速通行黑名单，也可能会将一些高速通行白名单样本用户判断为应加入高速通行黑名单，因此需要利用每一个训练样本用户的支持向量机输出的判断结果与实际判断结果之间的误差，对支持向量机中的参数进行不断调整，使得支持向量机输出的判断结果能够更为接近于实际的判断结果。
例如，在支持向量机的公式Y＝ω1Z+ω2K+b中，当Y接近于0时代表判断结果为不应加入黑名单，接近于1时代表判断结果为应加入黑名单时，将高速通行黑名单样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息输入到支持向量机的公式中之后，不断调整ω1、ω2以及b的值，使得Y的值接近于1，而将高速通行白名单样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息输入到支持向量机的公式中之后，也需不断调整调整ω1、ω2以及b的值，使得Y的值接近于0。
可选地，在本申请一具体实施例中，还可以通过粒子群算法对支持向量机中的参数进行优化，使得支持向量机输出的判断结果与实际判断结果之间的误差能够减小。
当调整后的支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将调整后的支持向量机确定为黑名单分类模型，应用到图1示出的步骤S103中。
S104、若黑名单分类模型判断出待验证用户应加入高速通行黑名单，则将待验证用户加入高速通行黑名单。
如果黑名单分类模型判断出待验证用户应该加入高速通行黑名单，则将待验证用户加入至高速通行黑名单中。加入高速通行黑名单的用户无法使用ETC卡进行高速通行。若黑名单分类模型判断出待验证用户不应加入高速通行黑名单中，则不执行任何操作，待验证用户仍然可以使用ETC卡高速通行。
可选地，在本申请一具体实施例中，执行步骤S104之后，还包括：
将待验证用户应加入高速通行黑名单的判断结果发送至待验证用户对应的ETC卡发行公司。
将待验证用户加入至高速通行黑名单之后，还可以把该结果告诉给待验证用户对应的ETC卡发行公司，使得ETC卡发行公司能对该待验证用户限制通行。
本申请实施例提出的黑名单设置方法中，当检测到待验证用户的电子不停车收费系统ETC卡扣款失败时，会获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息，并将待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果，其中黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。由于本申请实施例中是根据待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
参阅图3，基于上述本申请实施例提出的黑名单设置方法，本申请实施例对应公开了一种黑名单设置装置，包括：获取单元301、第一判断单元302以及设置单元303。
获取单元301，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息。
第一判断单元302，用于将待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果。其中，黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
可选地，在本申请一具体实施例中，第一判断单元302，包括：判断子单元和获取子单元。
判断子单元，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则判断待验证用户是否已加入高速通行黑名单。
获取子单元，用于若判断出待验证用户没有加入高速通行黑名单，则获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息。
可选地，在本申请一具体实施例中，高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户，高速通行白名单样本用户为不存在有在预设还款时间段内未归还ETC卡欠款的情况的用户。
设置单元303，用于若黑名单分类模型判断出待验证用户应加入高速通行黑名单，则将待验证用户加入高速通行黑名单。
可选地，在本申请一具体实施例中，还包括：构建单元、第二判断单元以及调整单元。
构建单元，用于构建训练样本集。其中，训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
第二判断单元，用于针对每一个训练样本用户，将训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到训练样本用户是否应加入高速通行黑名单的判断结果。
可选地，在本申请一具体实施例中，第二判断单元执行针对每一个训练样本用户，将训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到训练样本用户是否应加入高速通行黑名单的判断结果时，用于：
针对每一个训练样本用户，将训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到训练样本用户的判断结果参数值。其中，支持向量机的公式为：Y＝ω1Z+ω2K+b，Z为训练样本用户的银行信用属性信息对应特征值，K为训练样本用户的ETC卡信用属性信息对应特征值，ω1、ω2以及b均为支持向量机的公式中的参数，Y为训练样本用户的判断结果参数值，若判断结果参数值小于或等于第一判断结果阈值，则得到训练样本用户不应加入高速通行黑名单的判断结果，若判断结果参数值大于或等于第二判断结果阈值，则得到训练样本用户应加入高速通行黑名单的判断结果。第一判断结果阈值小于第二判断结果阈值。
调整单元，用于利用每一个训练样本用户的支持向量机输出的判断结果与实际判断结果之间的误差，对支持向量机中的参数进行不断调整，直至调整后的支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将调整后的支持向量机确定为黑名单分类模型。
可选地，在本申请一具体实施例中，还包括：
发送单元，用于将待验证用户应加入高速通行黑名单的判断结果发送至待验证用户对应的ETC卡发行公司。
上述本申请实施例公开的对黑名单设置装置中的各个单元具体的原理和执行过程，与上述本申请实施例公开的黑名单设置方法相同，可参见上述本申请实施例公开的黑名单设置方法中相应的部分，这里不再进行赘述。
本申请实施例提出的黑名单设置装置中，当检测到待验证用户的电子不停车收费系统ETC卡扣款失败时，获取单元301会获取待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息，第一判断单元302将待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果，其中黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到，多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。由于本申请实施例中第一判断单元302是根据待验证用户当前的银行信用属性信息以及待验证用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现以上各方法实施例提供的黑名单设置方法。
本申请实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以上各方法实施例提供的黑名单设置方法。
专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

Claims (7)

1.一种黑名单设置方法，其特征在于，包括：
若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；
将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单；
所述黑名单分类模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；
利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型；
所述针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果，包括：
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；
若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；
若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。
2.根据权利要求1所述的方法，其特征在于，所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户；所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
3.根据权利要求1所述的方法，其特征在于，所述若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息，包括：
若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则判断所述待验证用户是否已加入高速通行黑名单；
若判断出所述待验证用户没有加入高速通行黑名单，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息。
4.根据权利要求1所述的方法，其特征在于，所述若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单之后，还包括：
将所述待验证用户应加入高速通行黑名单的判断结果发送至所述待验证用户对应的ETC卡发行公司。
5.一种黑名单设置装置，其特征在于，包括：
获取单元，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；
第一判断单元，用于将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
设置单元，用于若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单；
构建单元，用于构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
第二判断单元，用于针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；
调整单元，用于利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型；
所述第二判断单元，具体用于：
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；
若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；
若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。
6.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至4中任一所述的方法。
7.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一所述的方法。
CN202010547923.4A 2020-06-16 2020-06-16 黑名单设置方法、装置、可读介质以及设备 Active CN111709832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010547923.4A CN111709832B (zh) 2020-06-16 2020-06-16 黑名单设置方法、装置、可读介质以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010547923.4A CN111709832B (zh) 2020-06-16 2020-06-16 黑名单设置方法、装置、可读介质以及设备

Publications (2)

Publication Number Publication Date
CN111709832A CN111709832A (zh) 2020-09-25
CN111709832B true CN111709832B (zh) 2023-07-14

Family

ID=72540412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010547923.4A Active CN111709832B (zh) 2020-06-16 2020-06-16 黑名单设置方法、装置、可读介质以及设备

Country Status (1)

Country Link
CN (1) CN111709832B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634471A (zh) * 2020-12-02 2021-04-09 深圳云游四海信息科技有限公司 一种停车收费方法及系统
CN112634020A (zh) * 2020-12-24 2021-04-09 中国建设银行股份有限公司 Etc黑白名单业务处理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996007168A1 (en) * 1994-09-01 1996-03-07 At/Comm Incorporated Systems and methods for automated toll collection enforcement
JP2010186319A (ja) * 2009-02-12 2010-08-26 Denso Corp 与信判定システム、車載器及び与信判定方法
CN106651574A (zh) * 2016-12-30 2017-05-10 苏州大学 一种个人信用评估方法及装置
CN109840960A (zh) * 2018-12-29 2019-06-04 山东中创软件工程股份有限公司 一种高速公路移动支付方法及其系统
CN110147938A (zh) * 2019-04-23 2019-08-20 北京淇瑀信息科技有限公司 一种训练样本生成方法、装置、系统和记录介质
WO2019193665A1 (ja) * 2018-04-03 2019-10-10 Ｇｌｏｂａｌ Ｍｏｂｉｌｉｔｙ Ｓｅｒｖｉｃｅ株式会社 与信審査支援システム、車載器、車両、サーバ、与信審査支援方法、与信審査支援プログラム及び記憶媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8622289B2 (en) * 2010-11-01 2014-01-07 Chris Outwater Method and apparatus for credit card tracking at pay stations

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996007168A1 (en) * 1994-09-01 1996-03-07 At/Comm Incorporated Systems and methods for automated toll collection enforcement
JP2010186319A (ja) * 2009-02-12 2010-08-26 Denso Corp 与信判定システム、車載器及び与信判定方法
CN106651574A (zh) * 2016-12-30 2017-05-10 苏州大学 一种个人信用评估方法及装置
WO2019193665A1 (ja) * 2018-04-03 2019-10-10 Ｇｌｏｂａｌ Ｍｏｂｉｌｉｔｙ Ｓｅｒｖｉｃｅ株式会社 与信審査支援システム、車載器、車両、サーバ、与信審査支援方法、与信審査支援プログラム及び記憶媒体
CN109840960A (zh) * 2018-12-29 2019-06-04 山东中创软件工程股份有限公司 一种高速公路移动支付方法及其系统
CN110147938A (zh) * 2019-04-23 2019-08-20 北京淇瑀信息科技有限公司 一种训练样本生成方法、装置、系统和记录介质

Also Published As

Publication number Publication date
CN111709832A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN108133372B (zh) 评估支付风险的方法及装置
WO2021213250A1 (zh) 安全业务交易
CN109598281B (zh) 一种业务风险防控方法、装置及设备
US7848736B2 (en) Package billing for micro-transactions
CN111709832B (zh) 黑名单设置方法、装置、可读介质以及设备
CN111127178A (zh) 数据处理方法与装置、存储介质、电子设备
CN111027975B (zh) 一种网络支付方法、装置、设备及系统
CN108335371B (zh) 一种停车收费方法和装置
WO2007084593A2 (en) Package billing for micro-transactions
CN107451826A (zh) 电子客票的销售控制方法和装置
CN113554228A (zh) 还款率预测模型的训练方法及还款率的预测方法
CN106327167B (zh) 实现网络支付的方法和装置
US20190279178A1 (en) Systems, methods and computer program products for automated bill payment
CN111242773A (zh) 虚拟资源申请的对接方法、装置、计算机设备及存储介质
KR20180023603A (ko) 대출 중개 시스템 및 이에 이용되는 중개 서버
CN111539807A (zh) 转账方法及装置
CN110473053A (zh) 基于担保的风险控制方法和装置
CN111709834B (zh) 黑名单的设置方法及装置、电子设备、计算机存储介质
CN111353781A (zh) 一种交易数据处理方法及系统
CN111709831B (zh) 黑名单的分析方法及装置
CN111709833B (zh) 用户信用的评估方法及装置
CN113808291B (zh) 一种高速通行费支付优化方法、装置、存储介质和设备
CN113516471B (zh) 公交付费的方法、装置和设备
CN110533297B (zh) 一种识别异常设备的方法及装置
CN111932357A (zh) 一种数据转移的处理方法、装置、计算设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant