CN111709833A - 用户信用的评估方法及装置 - Google Patents
用户信用的评估方法及装置 Download PDFInfo
- Publication number
- CN111709833A CN111709833A CN202010547946.5A CN202010547946A CN111709833A CN 111709833 A CN111709833 A CN 111709833A CN 202010547946 A CN202010547946 A CN 202010547946A CN 111709833 A CN111709833 A CN 111709833A
- Authority
- CN
- China
- Prior art keywords
- user
- current
- credit
- blacklist
- neighbor algorithm
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 115
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 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
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
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
本申请提供了一种用户信用的评估方法及装置，通过获取使用不停车收费系统ETC卡扣款失败的用户信息；将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息进行预处理，得到用户信息的特征向量；将用户信息的特征向量输入至用户信用的评估模型中，得到用户是否应加入高速通行黑名单的判断结果；用户信用的评估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K近邻算法模型进行训练得到；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；若用户信用的评估模型判断出用户应加入高速通行黑名单，则将用户加入高速通行黑名单。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
技术领域
本申请涉及计算机技术领域，特别涉及一种用户信用的评估方法及装置。
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
有鉴于此，本申请提供一种用户信用的评估方法及装置，用于高速通行黑名单的设置标准更加贴合用户实际的资产情况。
本申请第一方面提供了一种用户信用的评估方法，包括：
获取使用不停车收费系统ETC卡扣款失败的用户信息；其中，所述用户信息包括：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；
将所述用户当前的银行信用属性信息和所述用户当前的ETC卡信用属性信息进行预处理，得到所述用户信息的特征向量；
将所述用户信息的特征向量输入至用户信用的评估模型中，得到所述用户是否应加入高速通行黑名单的判断结果；其中，所述用户信用的评估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K近邻算法模型进行训练得到；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；
若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单，则将所述用户加入高速通行黑名单。
可选的，所述用户信用的评估模型的构建方法，包括：
根据预设的初始样本参数，建立初始K近邻算法模型，并将所述初始用户信用的评估模型确定为当前K近邻算法模型；
将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；其中，所述训练样本集包括多个训练样本；所述训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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；
比较所述当前K近邻算法模型输出的当前用户的判断结果参数值和所述训练样本集中对应的真实结果参数值，得到比较结果；
根据所述比较结果，判断所述当前K近邻算法模型的预测准确率是否满足准确率要求；
若判断出所述当前K近邻算法模型的准确率不能满足所述准确率要求，则更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型；
将所述更新后的K近邻算法模型作为当前K近邻算法模型，返回执行所述将所述训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；
若判断出所述当前K近邻算法模型的准确率满足所述准确率要求，则将所述当前K近邻算法模型确定为所述用户信用的评估模型。
可选的，所述将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值，包括：
针对每一个所述训练样本中的用户，将所述训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；所述b为样本参数；所述Cj为特征类型集合；所述di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维；
若所述判断结果参数值为0，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为1，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。
可选的，所述获取使用不停车收费系统ETC卡扣款失败的用户信息之前，还包括：
若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断所述用户是否已加入高速通行黑名单；
若判断出所述用户没有加入高速通行黑名单，则执行所述获取使用不停车收费系统ETC卡扣款失败的用户信息。
可选的，所述若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单之后，还包括：
将所述用户应加入高速通行黑名单的判断结果发送至所述用户对应的ETC卡发行公司。
本申请第二方面提供了一种用户信用的评估装置，包括：
获取单元，用于获取使用不停车收费系统ETC卡扣款失败的用户信息；其中，所述用户信息包括：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；
预处理单元，用于将所述用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息进行预处理，得到所述用户信息的特征向量；
确认单元，用于将所述用户信息的特征向量输入至用户信用的评估模型中，得到所述用户是否应加入高速通行黑名单的判断结果；其中，所述用户信用的评估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K近邻算法模型进行训练得到；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；
第一执行单元，用于若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单，则将所述用户加入高速通行黑名单。
可选的，所述用户信用的评估模型的构建单元，包括：
建立单元，用于根据预设的初始样本参数，建立初始K近邻算法模型，并将所述初始用户信用的评估模型确定为当前K近邻算法模型；
输入单元，用于将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；其中，所述训练样本集包括多个训练样本；所述训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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；
比较单元，用于比较所述当前K近邻算法模型输出的当前用户的判断结果参数值和所述训练样本集中对应的真实结果参数值，得到比较结果；
第一判断单元，用于根据所述比较结果，判断所述当前K近邻算法模型的预测准确率是否满足准确率要求；
更新单元，用于若所述第一判断单元判断出，所述当前K近邻算法模型的准确率不能满足所述准确率要求，则更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型；
返回单元，用于将所述更新后的K近邻算法模型作为当前K近邻算法模型，返回执行所述将所述训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；
模型确定单元，用于若所述第一判断单元判断出，所述当前K近邻算法模型的准确率满足所述准确率要求，则将所述当前K近邻算法模型确定为所述用户信用的评估模型。
可选的，所述输入单元，包括：
输入子单元，针对每一个所述训练样本中的用户，将所述训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；所述b为样本参数；所述Cj为特征类型集合；所述di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维；
第一确定单元，用于若所述判断结果参数值为0，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；
第二确定单元，用于若所述判断结果参数值为1，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。
可选的，所述用户信用的评估装置，还包括：
第二判断单元，用于若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断所述用户是否已加入高速通行黑名单；
第二执行单元，若所述第二判断单元判断出，所述用户没有加入高速通行黑名单，则执行所述获取使用不停车收费系统ETC卡扣款失败的用户信息。
可选的，所述用户信用的评估装置，还包括：
发送单元，用于将所述用户应加入高速通行黑名单的判断结果发送至所述用户对应的ETC卡发行公司。
从上述技术方案可以看出，本申请实施例提出的用户信用的评估方法及装置中，通过获取使用不停车收费系统ETC卡扣款失败的用户信息；并将所述用户当前的银行信用属性信息和所述用户当前的ETC卡信用属性信息进行预处理，得到所述用户信息的特征向量；然后，将所述用户信息的特征向量输入至用户信用的评估模型中，得到所述用户是否应加入高速通行黑名单的判断结果；其中，所述用户信用的评估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K近邻算法模型进行训练得到；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；最终，若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单，则将所述用户加入高速通行黑名单。由于，本申请是根据用户信息中的用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，而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申请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申请的实施例，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为本申请实施例提供的一种用户信用的评估方法的具体流程图；
图2为本申请另一实施例提供的一种用户信用的评估方法的具体流程图；
图3为本申请另一实施例提供的一种用户信用的评估模型的构建方法的具体流程图；
图4为本申请另一实施例提供的一种用户信用的评估装置的示意图；
图5为本申请另一实施例提供的一种用户信用的评估模型的构建单元的示意图；
图6为本申请另一实施例提供的一种输入单元的示意图；
图7为本申请另一实施例提供的一种用户信用的评估装置的示意图。
具体实施方式
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，都属于本申请保护的范围。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“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。
本申请实施例提供了一种用户信用的评估方法，如图1所示，具体包括以下步骤：
S101、获取使用不停车收费系统ETC卡扣款失败的用户信息。
其中，用户信息包括：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。银行信用属性信息可以包括但不限于省行号、发行方号、账户每日的平均余额等；ETC卡信用属性信息可以包括但不限于ETC卡关联的车辆个数、ETC卡历史欠费金额、ETC卡历史欠费笔数等。需要获取的用户信息中的内容可以根据实际的应用情况进行选择，因此，此处不作限定。
具体的，当用户使用ETC卡进行扣款失败时，获取用户信息。
可选的，在本申请的另一实施例中，在步骤S101之前的一种实施方式，如图2所示，包括：
S201、若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断用户是否已加入高速通行黑名单。
具体的，可以是通过用户的个人信息中的黑白名单标识，对用户是否已经加入了高速通行黑名单进行判断；也可是在高速通行黑名单中对用户进行匹配，得到用户是否已加入高速通行黑名单的匹配结果。判断用户是否已加入高速通行黑名单十分多样化，此处不做限定。若判断出用户没有加入高速通行黑名单，则执行步骤S202。若判断出用户已经在高速通行黑名单中，那么可以是但不限于通过短信等方式向用户发送提醒信息。
S202、获取使用不停车收费系统ETC卡扣款失败的用户信息。
需要说明的是，步骤S202具体实施方式可以参见步骤S101，此处不做赘述。
S102、将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息进行预处理，得到用户信息的特征向量。
需要说明的是，若用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息中有部分数据缺失，即无法获取到当前的银行信用属性信息和用户当前的ETC卡信用属性信息中的某些数据，那么将缺失的数据使用0进行代替。
具体的，将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息中缺失的数据使用0进行代替后，对用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息中所有数据进行特征值的标准化处理，得到用户信息的特征向量。
S103、将用户信息的特征向量输入至用户信用的评估模型中，得到用户是否应加入高速通行黑名单的判断结果。
其中，用户信用的评估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K近邻算法模型进行训练得到；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。
可选的，在本申请的另一实施例中，用户信用的评估模型的构建方法，如图3所示，包括：
S301、根据预设的初始样本参数，建立初始K近邻算法模型，并将初始用户信用的评估模型确定为当前K近邻算法模型。
S302、将训练样本集中的数据输入至当前K近邻算法模型中，得到当前用户的判断结果参数值。
其中，训练样本集包括多个训练样本；训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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。
可选的，在本申请的另一实施例中，步骤S302的一种实施方式，包括：
针对每一个训练样本中的用户，将训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到训练样本用户的判断结果参数值。
其中，K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；b为样本参数；Cj为特征类型集合；di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维；
具体的，若判断结果参数值为0，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；若判断结果参数值为1，则得到训练样本用户应加入高速通行黑名单的判断结果。
S303、比较当前K近邻算法模型输出的当前用户的判断结果参数值和训练样本集中对应的真实结果参数值，得到比较结果。
S304、根据比较结果，判断当前K近邻算法模型的预测准确率是否满足准确率要求。
具体的，若判断出当前K近邻算法模型的准确率不能满足准确率要求，则执行步骤S305；若判断出所述当前K近邻算法模型的准确率满足所述准确率要求，则执行步骤S307。
S305、更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型。
S306、将更新后的K近邻算法模型作为当前K近邻算法模型。
S307、将当前K近邻算法模型确定为用户信用的评估模型。
S104、若用户信用的评估模型判断出用户应加入高速通行黑名单，则将用户加入高速通行黑名单。
需要说明的是，在将用户加入高速通行黑名单后，可以通过但不限于向用户发送短信告知用户已经被加入了高速通行黑名单，用户需要在预定的时间内，将拖欠的金额补缴，如果用户在预定的时间内对拖欠的金额进行补缴成功后，再次使用用户信用的评估模型对用户进行是否应加入高速通行黑名单的判断，如果用户在预订的时间内没有还款，则需根据拖欠时间，支付对应的利息，直至用户对拖欠的金额以及对应的利息进行补缴为止。此处不做限定。
可选的，在本申请的另一实施例中，在步骤S104之后的一种实施方式，包括：
将用户应加入高速通行黑名单的判断结果发送至用户对应的ETC卡发行公司。
由以上方案可知，本申请提供的一种用户信用的评估方法中，通过获取使用不停车收费系统ETC卡扣款失败的用户信息；并将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息进行预处理，得到用户信息的特征向量；然后，将用户信息的特征向量输入至用户信用的评估模型中，得到用户是否应加入高速通行黑名单的判断结果；其中，用户信用的评估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K近邻算法模型进行训练得到；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；最终，若用户信用的评估模型判断出用户应加入高速通行黑名单，则将用户加入高速通行黑名单。由于，本申请是根据用户信息中的用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，而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。
本申请的另一实施例提供了一种用户信用的评估装置，如图4所示，具体包括：
获取单元401，用于获取使用不停车收费系统ETC卡扣款失败的用户信息。
其中，用户信息包括：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。
预处理单元402，用于将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息进行预处理，得到用户信息的特征向量。
确认单元403，用于将用户信息的特征向量输入至用户信用的评估模型中，得到用户是否应加入高速通行黑名单的判断结果。
其中，用户信用的评估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K近邻算法模型进行训练得到；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。
可选的，在本申请的另一实施例中，用户信用的评估模型的构建单元的一种实施方式，如图5所示，包括：
建立单元501，用于根据预设的初始样本参数，建立初始K近邻算法模型，并将初始用户信用的评估模型确定为当前K近邻算法模型。
输入单元502，用于将训练样本集中的数据输入至当前K近邻算法模型中，得到当前用户的判断结果参数值。
其中，训练样本集包括多个训练样本；训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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。
可选的，在本申请的另一实施例中，输入单元502的一种实施方式，如图6所示，包括：
输入子单元601，针对每一个训练样本中的用户，将训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到训练样本用户的判断结果参数值。
其中，所述K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；b为样本参数；Cj为特征类型集合；di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维。
第一确定单元602，用于若判断结果参数值为0，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。
第二确定单元603，用于若判断结果参数值为1，则得到训练样本用户应加入高速通行黑名单的判断结果。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
比较单元503，用于比较当前K近邻算法模型输出的当前用户的判断结果参数值和所述训练样本集中对应的真实结果参数值，得到比较结果。
第一判断单元504，用于根据比较结果，判断当前K近邻算法模型的预测准确率是否满足准确率要求。
更新单元505，用于若第一判断单元504判断出，当前K近邻算法模型的准确率不能满足准确率要求，则更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型。
返回单元506，用于将更新后的K近邻算法模型作为当前K近邻算法模型，返回输入单元502执行将训练样本集中的数据输入至当前K近邻算法模型中，得到当前用户的判断结果参数值。
模型确定单元507，用于若第一判断单元504判断出，当前K近邻算法模型的准确率满足准确率要求，则将当前K近邻算法模型确定为用户信用的评估模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
第一执行单元404，用于若用户信用的评估模型判断出用户应加入高速通行黑名单，则将用户加入高速通行黑名单。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，在本申请的另一实施例中，用户信用的评估装置，如图7所示，还包括：
第二判断单元701，用于若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断用户是否已加入高速通行黑名单。
第二执行单元702，若第二判断单元701判断出，用户没有加入高速通行黑名单，则获取单元401执行获取使用不停车收费系统ETC卡扣款失败的用户信息。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
可选的，在本申请的另一实施例中，用户信用的评估装置，还包括：
发送单元，用于将所述用户应加入高速通行黑名单的判断结果发送至所述用户对应的ETC卡发行公司。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
由以上方案可知，本申请提供的一种用户信用的评估装置中，通过获取单元401获取使用不停车收费系统ETC卡扣款失败的用户信息；并利用预处理单元402将用户当前的银行信用属性信息和用户当前的ETC卡信用属性信息进行预处理，得到用户信息的特征向量；然后，通过确认单元403将用户信息的特征向量输入至用户信用的评估模型中，得到用户是否应加入高速通行黑名单的判断结果；其中，用户信用的评估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K近邻算法模型进行训练得到；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；最终，若用户信用的评估模型判断出用户应加入高速通行黑名单，第一执行单元404将用户加入高速通行黑名单。由于，本申请是根据用户信息中的用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单，而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。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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，本公开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，直播设备，或者网络设备等)执行本公开各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
专业技术人员能够实现或使用本申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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。
Claims (10)
1.一种用户信用的评估方法，其特征在于，包括：
获取使用不停车收费系统ETC卡扣款失败的用户信息；其中，所述用户信息包括：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；
将所述用户当前的银行信用属性信息和所述用户当前的ETC卡信用属性信息进行预处理，得到所述用户信息的特征向量；
将所述用户信息的特征向量输入至用户信用的评估模型中，得到所述用户是否应加入高速通行黑名单的判断结果；其中，所述用户信用的评估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K近邻算法模型进行训练得到；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；
若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单，则将所述用户加入高速通行黑名单。
2.根据权利要求1所述的评估方法，其特征在于，所述用户信用的评估模型的构建方法，包括：
根据预设的初始样本参数，建立初始K近邻算法模型，并将所述初始用户信用的评估模型确定为当前K近邻算法模型；
将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；其中，所述训练样本集包括多个训练样本；所述训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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；
比较所述当前K近邻算法模型输出的当前用户的判断结果参数值和所述训练样本集中对应的真实结果参数值，得到比较结果；
根据所述比较结果，判断所述当前K近邻算法模型的预测准确率是否满足准确率要求；
若判断出所述当前K近邻算法模型的准确率不能满足所述准确率要求，则更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型；
将所述更新后的K近邻算法模型作为当前K近邻算法模型，返回执行所述将所述训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；
若判断出所述当前K近邻算法模型的准确率满足所述准确率要求，则将所述当前K近邻算法模型确定为所述用户信用的评估模型。
3.根据权利要求2所述的评估方法，其特征在于，所述将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值，包括：
针对每一个所述训练样本中的用户，将所述训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；所述b为样本参数；所述Cj为特征类型集合；所述di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维；
若所述判断结果参数值为0，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为1，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。
4.根据权利要求1所述的评估方法，其特征在于，所述获取使用不停车收费系统ETC卡扣款失败的用户信息之前，还包括：
若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断所述用户是否已加入高速通行黑名单；
若判断出所述用户没有加入高速通行黑名单，则执行所述获取使用不停车收费系统ETC卡扣款失败的用户信息。
5.根据权利要求1所述的评估方法，其特征在于，所述若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单之后，还包括：
将所述用户应加入高速通行黑名单的判断结果发送至所述用户对应的ETC卡发行公司。
6.一种用户信用的评估装置，其特征在于，包括：
获取单元，用于获取使用不停车收费系统ETC卡扣款失败的用户信息；其中，所述用户信息包括：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；
预处理单元，用于将所述用户当前的银行信用属性信息和所述用户当前的ETC卡信用属性信息进行预处理，得到所述用户信息的特征向量；
确认单元，用于将所述用户信息的特征向量输入至用户信用的评估模型中，得到所述用户是否应加入高速通行黑名单的判断结果；其中，所述用户信用的评估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K近邻算法模型进行训练得到；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；
第一执行单元，用于若所述用户信用的评估模型判断出所述用户应加入高速通行黑名单，则将所述用户加入高速通行黑名单。
7.根据权利要求6所述的评估装置，其特征在于，所述用户信用的评估模型的构建单元，包括：
建立单元，用于根据预设的初始样本参数，建立初始K近邻算法模型，并将所述初始用户信用的评估模型确定为当前K近邻算法模型；
输入单元，用于将训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；其中，所述训练样本集包括多个训练样本；所述训练样本为用户各自对应的银行信用属性信息和ETC卡信用属性信息进行预处理后得到的特征向量；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；
比较单元，用于比较所述当前K近邻算法模型输出的当前用户的判断结果参数值和所述训练样本集中对应的真实结果参数值，得到比较结果；
第一判断单元，用于根据所述比较结果，判断所述当前K近邻算法模型的预测准确率是否满足准确率要求；
更新单元，用于若所述第一判断单元判断出，所述当前K近邻算法模型的准确率不能满足所述准确率要求，则更新当前K近邻算法模型中的样本参数，得到更新后的K近邻算法模型；
返回单元，用于将所述更新后的K近邻算法模型作为当前K近邻算法模型，返回执行所述将所述训练样本集中的数据输入至所述当前K近邻算法模型中，得到当前用户的判断结果参数值；
模型确定单元，用于若所述第一判断单元判断出，所述当前K近邻算法模型的准确率满足所述准确率要求，则将所述当前K近邻算法模型确定为所述用户信用的评估模型。
8.根据权利要求7所述的评估装置，其特征在于，所述输入单元，包括：
输入子单元，针对每一个所述训练样本中的用户，将所述训练样本中的用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量输入至K近邻算法模型的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述K近邻算法模型的公式为：
其中，Y为训练样本用户的判断结果参数值；X为训练样本用户的银行信用属性信息对应特征值和ETC卡信用属性信息进行预处理后得到的特征向量；所述b为样本参数；所述Cj为特征类型集合；所述di为第i类特征类型的中心向量；函数
函数
M为向量的特征维数；
是向量di的第e维；
第一确定单元，用于若所述判断结果参数值为0，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；
第二确定单元，用于若所述判断结果参数值为1，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。
9.根据权利要求6所述的评估装置，其特征在于，还包括：
第二判断单元，用于若检测到用户的电子不停车收费系统ETC卡扣款失败，则判断所述用户是否已加入高速通行黑名单；
第二执行单元，若所述第二判断单元判断出，所述用户没有加入高速通行黑名单，则执行所述获取使用不停车收费系统ETC卡扣款失败的用户信息。
10.根据权利要求6所述的评估装置，其特征在于，还包括：
发送单元，用于将所述用户应加入高速通行黑名单的判断结果发送至所述用户对应的ETC卡发行公司。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010547946.5A CN111709833B (zh) | 2020-06-16 | 2020-06-16 | 用户信用的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010547946.5A CN111709833B (zh) | 2020-06-16 | 2020-06-16 | 用户信用的评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709833A true CN111709833A (zh) | 2020-09-25 |
| CN111709833B CN111709833B (zh) | 2023-10-31 |
Family
ID=72540128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010547946.5A Active CN111709833B (zh) | 2020-06-16 | 2020-06-16 | 用户信用的评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709833B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
| CN110717817A (zh) * | 2019-08-14 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 贷前审核方法及装置、电子设备和计算机可读存储介质 |
| WO2020042795A1 (zh) * | 2018-08-31 | 2020-03-05 | 阿里巴巴集团控股有限公司 | 样本属性评估模型训练方法、装置及服务器 |
-
2020
- 2020-06-16 CN CN202010547946.5A patent/CN111709833B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020042795A1 (zh) * | 2018-08-31 | 2020-03-05 | 阿里巴巴集团控股有限公司 | 样本属性评估模型训练方法、装置及服务器 |
| CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
| CN110717817A (zh) * | 2019-08-14 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 贷前审核方法及装置、电子设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709833B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111696218A (zh) | 高速通行费用的在线支付方法、装置、设备及存储介质 | |
| CN105427419A (zh) | 一种高速公路通行控制方法 | |
| CN106464724B (zh) | 运输系统用户检查 | |
| CN110349278A (zh) | 一种基于移动网络的身份认证和计费方法及装置 | |
| CN113554228A (zh) | 还款率预测模型的训练方法及还款率的预测方法 | |
| CN111709832B (zh) | 黑名单设置方法、装置、可读介质以及设备 | |
| CN106096954B (zh) | 非联网数据处理装置、非联网数据交互系统及方法 | |
| CN112686666A (zh) | 一种针对铁路业务系统的电子钱包交易方法及装置 | |
| CN110717753B (zh) | 一种未上线资产误充值的退还方法及系统 | |
| CN111709833B (zh) | 用户信用的评估方法及装置 | |
| CN111932368A (zh) | 一种信用卡发卡系统及其构建方法、装置 | |
| CN111563745A (zh) | 车辆不停车支付的方法及相关装置 | |
| CN111709831B (zh) | 黑名单的分析方法及装置 | |
| CN113808291B (zh) | 一种高速通行费支付优化方法、装置、存储介质和设备 | |
| WO2023276072A1 (ja) | 学習モデル作成システム、学習モデル作成方法、及びプログラム | |
| JP7176158B1 (ja) | 学習モデル評価システム、学習モデル評価方法、及びプログラム | |
| CN111709834B (zh) | 黑名单的设置方法及装置、电子设备、计算机存储介质 | |
| CN100580720C (zh) | 借助芯片卡管理电子交易的方法、执行该方法的终端及芯片卡 | |
| CN110288337A (zh) | 移动支付方法、移动终端、服务器及装置 | |
| CN110675160A (zh) | 移动支付的身份验证方法 | |
| JP4585293B2 (ja) | 自動販売方法および自動販売機システム | |
| CN117236962B (zh) | 一种开放式的预约电子支付系统及方法 | |
| KR102134774B1 (ko) | 교통카드 및 교통카드의 트랜잭션 처리 방법 | |
| CN114022152A (zh) | 一种银行卡处理方法及装置 | |
| CN117058821A (zh) | 银行自助终端控制方法、装置、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 |