CN111798162A - 基于神经网络的风险监测方法及装置 - Google Patents
基于神经网络的风险监测方法及装置 Download PDFInfo
- Publication number
- CN111798162A CN111798162A CN202010719006.XA CN202010719006A CN111798162A CN 111798162 A CN111798162 A CN 111798162A CN 202010719006 A CN202010719006 A CN 202010719006A CN 111798162 A CN111798162 A CN 111798162A
- Authority
- CN
- China
- Prior art keywords
- risk
- information corresponding
- monitored
- business object
- area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000008520 organization Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明公开了一种基于神经网络的风险监测方法及装置,涉及人工智能技术领域,主要在于能够从宏观角度对不同行政区域的业务风险进行有效监控。其中方法包括:获取待监测区域各个业务对象对应的属性信息;根据所述属性信息,确定所述各个业务对象对应的风险等级信息;根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息。本发明还涉及区块链技术,所述待监测区域对应的风险等级信息存储于区块链中。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种基于神经网络的风险监测方 法及装置。
背景技术
目前,业内对于业务对象的风险排查,由地方管理部门挖掘业务对象的 违规经营信息,并发现其存在的业务风险。然而,从宏观角度来看,其无法 对不同行政区域的业务风险进行有效监控,难以形成整体的风险感官。
发明内容
本发明提供了一种基于神经网络的风险监测方法及装置,主要在于能够 从宏观角度对不同行政区域的业务风险进行有效监控。
根据本发明的第一个方面,提供一种基于神经网络的风险监测方法,包 括:
获取待监测区域各个业务对象对应的属性信息;
根据所述属性信息,确定所述各个业务对象对应的风险等级信息;
根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应 的风险地图;
将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监 测区域对应的风险等级信息。
根据本发明的第二个方面,提供一种基于神经网络的风险监测装置,包 括:
获取单元,用于获取待监测区域各个业务对象对应的属性信息;
确定单元,用于根据所述属性信息,确定所述各个业务对象对应的风险 等级信息;
生成单元,用于根据所述各个业务对象对应的风险等级信息,生成所述 待监测区域对应的风险地图;
分类单元,用于将所述风险地图输入至预设神经网络模型进行风险分类, 输出所述待监测区域对应的风险等级信息。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有 计算机程序,该程序被处理器执行时实现以下步骤:
获取待监测区域各个业务对象对应的属性信息;
根据所述属性信息,确定所述各个业务对象对应的风险等级信息;
根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应 的风险地图;
将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监 测区域对应的风险等级信息。
根据本发明的第四个方面,提供一种计算机设备,包括存储器、处理器 及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述 程序时实现以下步骤:
获取待监测区域各个业务对象对应的属性信息;
根据所述属性信息,确定所述各个业务对象对应的风险等级信息;
根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应 的风险地图;
将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监 测区域对应的风险等级信息。
本发明提供的一种基于神经网络的风险监测方法及装置,与目前地方管 理部门挖掘业务对象的违规经营信息,并发现其存在的业务风险的方式相比, 本发明能够获取待监测区域各个业务对象对应的属性信息;并根据所述属性 信息,确定所述各个业务对象对应的风险等级信息;与此同时,根据所述各 个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;最 终将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测 区域对应的风险等级信息,由此能够从宏观角度,分析不同行政区域的业务 风险,对存在高风险的行政区域进行重点监管,从而能够对不同行政区域的 业务风险进行有效把控。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部 分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的 不当限定。在附图中:
图1示出了本发明实施例提供的一种基于神经网络的风险监测方法流程 图;
图2示出了本发明实施例提供的另一种基于神经网络的风险监测方法流 程图;
图3示出了本发明实施例提供的一种基于神经网络的风险监测装置的结 构示意图;
图4示出了本发明实施例提供的另一种基于神经网络的风险监测装置的 结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在 不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,从宏观角度来看,无法对不同行政区域的业务风险进行有效监控, 难以形成整体的风险感官。
为了解决上述问题,本发明实施例提供了一种基于神经网络的风险监测 方法,如图1所示,所述方法包括:
101、获取待监测区域各个业务对象对应的属性信息。
其中,待监测区域为不同的行政区域,例如,不同的城市、省份和国家, 各个业务对象为存在金融风险的业务机构,各个业务对象对应的属性信息具 体可以为业务机构的诚信信息、注册地址、产品信息、全职员工人数、注册 资本等,对于本发明实施例,由于目前各个管理机构各自为战,只能发现其 管辖范围内的业务对象存在业务风险,因此,很难从宏观角度了解不同行政 区域存在的业务风险,并对其进行有效把控,针对上述问题,本发明实施例 采用人工智能领域中的神经网络模型,通过对待监测区域中不同管理机构负 责的业务对象的属性信息进行分析,能够从宏观角度掌握待监测区域存在的 业务风险,并对其进行有效把控,本发明实施例的执行主体为能够对不同行 政区域进行风险监测的服务器。与此同时,本发明实施例还涉及区块链技术, 所述待监测区域对应的风险等级信息存储于区块链中。
具体地,不同的管理机构会预先上报其所监管的业务对象,由此汇总不 同监测区域中管理机构所负责的业务对象,即确定不同监测区域对应的各个 业务对象,当接收到待监测区域的风险监测请求时,会根据该风险监测请求 携带的标识信息,查询待监测区域中包含的各个业务对象的标识信息,进一 步地,根据确定的各个业务对象的标识信息,从同一资源符对应的网页中获 取各个业务对象的属性信息,以便根据各个业务对象的属性信息,分析业务 对象各自存在的业务风险,为宏观监测打下基础。
102、根据所述属性信息,确定所述各个业务对象对应的风险等级信息。
其中,风险等级信息包括一级风险等级、二级风险等级、三级风险等级 和四级风险等级,且一级风险等级对应的风险最高,二级风险等级对应的风 险一般,三级风险等级对应的风险较低,四级风险等级对应的风险最低,现 有技术中,各个管理机构都是通过人为的方式排查业务对象存在的业务风险, 这种方式具有一定的滞后性,对业务对象的风险监测效率较低,且受人为主 观因素的影像,无法对风险排查效果进行有效把控,针对该缺陷,在本发明 实施例中,通过获取各个业务对象的属性信息,能够自动对业务对象的存在的业务风险进行排查和监测,不需要人为参与。
具体地,属性信息中包括各个属性对应的属性值,由于不同属性对应的 属性值范围不同,分别判断各个属性值是否在其对应的预设范围内,如果某 一属性的属性值在其对应的预设范围内,则确定该属性值正常;如果某一属 性的属性值不在其对应的预设范围内,则确定该属性值存在异常,由此能够 确定属性信息中各个属性值的判断结果,进一步地,根据各个属性值对应的 风险系数和判断结果,计算各个业务对象对应的风险分数,并根据计算的风 险分数划分各个业务对象的风险等级信息,例如,如果业务对象的风险分数在4-6.5之间,则该业务对象对应的风险等级为一级风险等级,说明该业务对 象存在不可以接收的风险需要立即采取措施;如果业务对象的风险分数在 2.5-4之间,则该业务对象对应的风险等级为二级风险等级,说明该业务对象 存在不希望有的风险,需要在规定时间采取措施;如果业务对象的风险分数 在1-2.5之间,则该业务对象对应的风险等级为三级风险等级,需要给出安全 警示;如果业务对象的风险分数在0-1之间,则该业务对象对应的风险等级为 四级风险等级,说明该业务对象存在的风险是可以接受的,能够正常运行, 当计算某一业务对象的风险分数为1.6,则确定该业务对象对应的风险等级为 三级风险等级,并输出该业务对象的安全提示信息。
103、根据所述各个业务对象对应的风险等级信息,生成所述待监测区域 对应的风险地图。
对于本发明实施例,为了从宏观角度分析待监测区域对应的风险等级信 息,在确定待监测区域中各个业务对象对应的风险等级信息之后,需要将各 个业务对象对应的风险等级信息标注在电子地图中,例如,不同的风险等级 信息对应不同的颜色标识信息,根据各个业务对象对应的风险等级信息,确 定各个业务对象对应的颜色标识信息,并根据各个业务对象对应的位置信息, 将各个业务对象对应的颜色标识信息标注在电子地图的相应位置中,针对电 子地图中不存在业务对象的区域,可以按四级风险等级,即最低风险等级对 应的颜色标识信息进行标注,由此能够生成待监测区域的风险地图,以便根 据生成的电子风险地图,从宏观角度对待监测区域存在的风险进行分析和把 控。
104、将所述风险地图输入至预设神经网络模型进行风险分类,输出所述 待监测区域对应的风险等级信息。
对于本发明实施例,为了从宏观角度监控待监测区域存在的业务风险, 本发明实施例,利用预设神经网络模型对生成的待监测区域的风险地图进行 风险分类,以便确定待监测区域对应的风险等级信息,具体地,预设神经网 络模型包括输入层、隐含层和输出层,该输入层用于输入待监测区域对应的 风险地图,该隐含层用于提取所述风险地图的风险特征,并根据提取的风险 特征对待监测区域进行风险分类,确定待监测区域对应的风险等级信息,该 输出层用于输出待监测区域的风险等级信息,如果待监测区域的风险等级为一级风险等级,则说明待监测区域存在不可以接收的风险,需要重点监管, 并立即采取措施;如果待监测区域对应的风险等级为二级风险等级,则说明 待监测区域存在不希望有的风险,需要加紧监管,并在规定时间采取措施; 如果待监测去区域对应的风险等级为三级风险等级,则需要对其进行正常监 管,并给出安全警示;如果待监测区域对应的风险等级为四级风险等级,则 说明待监测区域存在的风险是可以接受的,属性正常情况,对其进行正常监 管就可以。
本发明实施例提供的一种基于神经网络的风险监测方法,与目前地方管 理部门挖掘业务对象的违规经营信息,并发现其存在的业务风险的方式相比, 本发明能够获取待监测区域各个业务对象对应的属性信息;并根据所述属性 信息,确定所述各个业务对象对应的风险等级信息;与此同时,根据所述各 个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;最 终将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测 区域对应的风险等级信息,由此能够从宏观角度,分析不同行政区域的业务 风险,对存在高风险的行政区域进行重点监管,从而能够对不同行政区域的 业务风险进行有效把控。
进一步的,为了更好的说明上述对待监测区域的风险监测的过程,作为 对上述实施例的细化和扩展,本发明实施例提供了另一种基于神经网络的风 险监测方法,如图2所示,所述方法包括:
201、获取待监测区域各个业务对象对应的属性信息。
其中,待监测区域可以为不同的行政区域,例如,不同的城市、省份和 国家,各个业务对象为存在金融风险的业务机构,各个业务对象为存在金融 风险的业务机构,例如,该业务对象为私募基金的机构,业务对象的属性信 息中包括各个属性及其对应的属性值,如表1所示:
表1
对于本发明实施例,为了能够获取待监测区域内各个业务对象对应的属 性信息,步骤201具体包括:根据所述各个业务对象对应的标识信息,从统 一资源符对应的网页中获取所述各个业务对象对应的属性信息。具体地,不 同的业务对象其所对应的属性不相同,因此可以预先定义好不同业务对象所 需要的各个属性,当接收到待监测区域的风险监测请求时,首先根据该风险 监测请求携带的标识信息,确定待监测区域内所包含的各个业务对象及其对 应的位置信息,之后分别到各个业务对象对应的统一资源定位符对应的网页 中去获取各个属性的属性值,由此能够确定各个业务对象对应的属性信息, 进一步地,为了能够从网页中获取业务对象的各个属性值,可以根据业务对 象的各个属性在网页中的位置和获取逻辑,编写其对应的解析工具,通过该 解析工具能够从网页中获取业务对象的各个属性对应的属性值。例如,当读取 到<td class="td-title">机构诚信信息:</td>代码时,解析<tbody>之间的 <tr>…</tr>的信息,<span>…</span>中的内容为二级子标题,<a>…</a>为二 级子标题内容并对“机构诚信信息”进行赋值;当读取到<td class="td-title"> 登记时间:</td>,解析后续第一段的<td>…</td>内容并对“登记时间”进行赋值;当读取到<td class="td-title">全职员工人数:</td>,解析后续第一段的 <td>…</td>内容并对“全职员工人数”赋值,相比于人工获取业务对象的属 性信息,进而排查业务对象所存在的业务风险的方式,本发明实施例能够自 动获取业务对象的属性信息,并对业务对象进行风险监测,降低了人工成本, 提高了业务对象的风险监测效率。
202、确定所述属性信息中各个属性的属性值,并判断各个属性值是否在 其对应的预设范围内。
其中,各个属性的预设范围可以根据业务对象的业务种类和位置信息进 行设定,对于本发明实施例,为了确定各个业务对象对应的风险等级信息, 需要判断属性信息中各个属性值是否在其对应的预设范围内,如果某一属性 值在其对应的预设范围内,则确定该属性值正常;如果某一属性值不在其对 应的预设范围内,则确定该属性值异常。例如,当注册实缴资本低于25%时, 确定该注册资本存在异常,并发出预警信息提示“该私募基金注册实缴资本 过低”;当未通过考试数量大于0时,确定该通过考试数量存在异常,并发 出预警信息提示“该基金存在高管未通过考试”;当产品信息(统计总数)/ 取得基金从业人数大于5时,确定该产品信息存在异常,并发出预警信息提 示“该基金存在少数人管理多只基金的行为”;当机构诚信信息出现新增内 容时,确定该机构诚信信息存在异常,并发出预警提示“该机构诚信信息发 生变化”。
203、根据所述各个属性值的判断结果,确定所述各个业务对象对应的风 险等级信息。
对于本发明实施例,为了根据各个属性值的判断结果,确定各个业务对 象的风险等级信息,步骤203具体包括:根据所述各个属性值的判断结果, 确定所述各个属性对应的风险评分;根据所述各个属性对应的风险评分和风 险系数,计算所述各个业务对象对应的风险分数;根据所述风险分数,确定 所述各个业务对象对应的风险等级信息。其中,各个属性的风险系数可以根 据其对业务风险的影响程度进行设定,例如,当业务对象的诚信信息存在异 常时,该业务对象很有可能存在业务风险,因此,将诚信信息对应的风险系数 设定的高些,具体可以为0.3;当业务对象的注册地址存在异常时,该业务对 象未必就存在一定的业务风险,因此将注册地址对应的风险系数设定的低些, 具体可以为0.1。由此根据设定的风险系数,能够计算各个业务对象对应的风 险分数,并根据该风险分数划分各个业务对象的风险等级。
例如,如果某属性值在其对应的预设范围内,则将该属性值对应的分数 设定为0分;如果某属性值不在预设范围内,则将该属性值对应的分数设定 为1分,由此根据各个属性值的判断结果,能够确定各个属性对应的风险评 分,同时乘以其对应的风险系数并相加,得到业务对象对应的风险分数,进 一步地,根据该业务对象对应的风险分数,确定该业务对象的风险等级,例 如,计算某业务对象的风险分数为3.0,确定该业务对象属于二级风险等级, 说明该业务对象存在有不希望有的风险,需要在规定时间内采取措施,由此 按照上述方式能够确定各个业务对象对应的风险等级信息,克服了人工排查 业务风险的弊端,提高了业务风险监测的效率,对监测结果可有效进行把控, 节省了人工成本。
204、根据所述各个业务对象对应的风险等级信息,生成所述待监测区域 对应的风险地图。
对于本发明实施例,为了生成待监测区域的风险地图,步骤204具体包 括:根据所述各个业务对象对应的风险等级信息,确定所述各个业务对象对 应的风险标识信息;根据所述各个业务对象对应的位置信息,将所述风险标 识信息标注在电子地图中,生成所述待监测区域对应的风险地图。其中,风 险标识信息具体可以为颜色标识信息,不同风险等级信息对应的颜色标识信 息不同,例如,一级风险等级对应红色标识信息,二级风险等级对应橙色标 识信息,三级风险等级对应黄色标识信息,四级风险等级对应蓝色标识信息, 进一步地,根据各个业务对象对应的风险等级信息,确定各个业务对象的颜 色标识信息,并根据各个业务对象对应的位置信息,将确定的颜色标识信息 标准在电子地图中,形成待监测区域的风险地图。
205、将所述风险地图输入至预设神经网络模型进行风险分类,输出所述 待监测区域对应的风险等级信息。
其中,所述预设神经网络模型为预设误差反向传播神经网络模型,对于 本发明实施例,为了对待监测区域的业务风险进行分类,步骤205具体包括: 将所述风险地图输入至预设神经误差反向传播神经网络模型进行风险分类, 输出所述待监测区域对应的风险等级信息。其中,预设误差反向传播神经网 络模型包括输入层、隐含层和输出层,该输入层用于输入待监测区域对应的 风险地图,该隐含层用户提取所述风险地图的风险特征,并根据提取的风险 特征对待监测区域进行风险分类,确定待监测区域对应的风险等级信息,该输出层用于输出确定的待监测区域的风险等级信息,由此能够对待监测区域 的业务风险进行分类,实现从宏观角度把控不同行政区域存在的业务风险。
进一步地,为了构建预设误差反向传播神经网络模型,所述方法还包括: 获取不同时间段不同监测区域对应的历史风险地图和历史风险等级信息;将 所述历史风险地图和所述历史风险等级信息作为训练集,利用预设误差反向 传播算法对所述训练集进行训练,构建所述预设神经网络模型。具体地,搜 集不同时间段不同行政区域内业务对象的历史风险数据,并根据该历史风险 数据确定不同行政区域的历史风险地图和历史风险等级信息,将其作为训练 集,利用预设误差反向传播算法对所述训练集进行训练,构建预设误差反向 传播神经网络模型。
本发明实施例提供的另一种基于神经网络的风险监测方法,与目前地方 管理部门挖掘业务对象的违规经营信息,并发现其存在的业务风险的方式相 比,本发明能够获取待监测区域各个业务对象对应的属性信息;并根据所述 属性信息,确定所述各个业务对象对应的风险等级信息;与此同时,根据所 述各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图; 最终将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监 测区域对应的风险等级信息,由此能够从宏观角度,分析不同行政区域的业 务风险,对存在高风险的行政区域进行重点监管,从而能够对不同行政区域 的业务风险进行有效把控,同时能够克服人工排查业务风险存在的缺陷,提 高了业务风险监测效率,降低了人工成本。
进一步地,作为图1的具体实现,本发明实施例提供了一种基于神经网 络的风险监测装置,如图3所示,所述装置包括:获取单元31、确定单元32、 生成单元33和分类单元34。
所述获取单元31,可以用于获取待监测区域各个业务对象对应的属性信 息。所述获取单元31是本装置中获取待监测区域各个业务对象对应的属性信 息的主要功能模块。
所述确定单元32,可以用于根据所述属性信息,确定所述各个业务对象 对应的风险等级信息。所述确定单元32是本装置中根据所述属性信息,确定 所述各个业务对象对应的风险等级信息的主要功能模块,也是核心模块。
所述生成单元33,可以用于根据所述各个业务对象对应的风险等级信息, 生成所述待监测区域对应的风险地图。所述生成单元33是本装置中根据所述 各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图的 主要功能模块,也是核心模块。
分类单元34,可以用于将所述风险地图输入至预设神经网络模型进行风 险分类,输出所述待监测区域对应的风险等级信息。所述分类单元34是本装 置中将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监 测区域对应的风险等级信息的主要功能模块,也是核心模块。
对于本发明实施例,为了确定各个业务对象对应的风险等级信息,所述 确定单元32,包括:判断模块321和确定模块322。
所述判断模块321,可以用于确定所述属性信息中各个属性的属性值,并 判断各个属性值是否在其对应的预设范围内。
所述确定模块322,可以用于根据所述各个属性值的判断结果,确定所述 各个业务对象对应的风险等级信息。
进一步地,为了确定各个业务对象对应的风险等级信息,所述确定模块 322,包括:确定子模块和计算子模块。
所述确定子模块,可以用于根据所述各个属性值的判断结果,确定所述 各个属性对应的风险评分。
所述计算子模块,可以用于根据所述各个属性对应的风险评分和风险系 数,计算所述各个业务对象对应的风险分数。
所述确定子模块,还可以用于根据所述风险分数,确定所述各个业务对 象对应的风险等级信息。
对于本发明实施例,为了获取各个业务对象对应的属性信息,所述获取 单元31,可以具体用于根据所述各个业务对象对应的标识信息,从统一资源 符对应的网页中获取所述各个业务对象对应的属性信息。
进一步地,为了生成所述待监测区域对应的风险地图,所述生成单元33, 包括:确定模块331和生成模块332。
所述确定模块331,可以用于根据所述各个业务对象对应的风险等级信息, 确定所述各个业务对象对应的风险标识信息。
所述生成模块332,可以用于根据所述各个业务对象对应的位置信息,将 所述风险标识信息标注在电子地图中,生成所述待监测区域对应的风险地图。
在具体应用场景中,所述预设神经网络模型为预设误差反向传播神经网 络模型,所述分类单元34,可以具体用于将所述风险地图输入至预设神经误 差反向传播神经网络模型进行风险分类,输出所述待监测区域对应的风险等 级信息。
对于本发明实施例,为了能够构建预设神经网络模型,所述装置还包括: 构建单元35。
所述获取单元31,可以用于获取不同时间段不同监测区域对应的历史风 险地图和历史风险等级信息。
所述构建单元35,可以用于将所述历史风险地图和所述历史风险等级信 息作为训练集,利用预设误差反向传播算法对所述训练集进行训练,构建所 述预设神经网络模型。
需要说明的是,本发明实施例提供的一种基于神经网络的风险监测装置 所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在 此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机 可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步 骤:获取待监测区域各个业务对象对应的属性信息;根据所述属性信息,确 定所述各个业务对象对应的风险等级信息;根据所述各个业务对象对应的风 险等级信息,生成所述待监测区域对应的风险地图;将所述风险地图输入至 预设神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还 提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处 理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程 序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述 程序时实现以下步骤:获取待监测区域各个业务对象对应的属性信息;根据 所述属性信息,确定所述各个业务对象对应的风险等级信息;根据所述各个 业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;将所 述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测区域对 应的风险等级信息。
通过本发明的技术方案,本发明能够获取待监测区域各个业务对象对应 的属性信息;并根据所述属性信息,确定所述各个业务对象对应的风险等级 信息;与此同时,根据所述各个业务对象对应的风险等级信息,生成所述待 监测区域对应的风险地图;最终将所述风险地图输入至预设神经网络模型进 行风险分类,输出所述待监测区域对应的风险等级信息,由此能够从宏观角 度,分析不同行政区域的业务风险,对存在高风险的行政区域进行重点监管, 从而能够对不同行政区域的业务风险进行有效把控。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可 以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布 在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程 序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并 且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者 将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作 成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件 结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本 领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和 原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护 范围之内。
Claims (10)
1.一种基于神经网络的风险监测方法,其特征在于,包括:
获取待监测区域各个业务对象对应的属性信息;
根据所述属性信息,确定所述各个业务对象对应的风险等级信息;
根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;
将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述属性信息,确定所述各个业务对象对应的风险等级信息,包括:
确定所述属性信息中各个属性的属性值,并判断各个属性值是否在其对应的预设范围内;
根据所述各个属性值的判断结果,确定所述各个业务对象对应的风险等级信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述各个属性值的判断结果,确定所述各个业务对象对应的风险等级信息,包括:
根据所述各个属性值的判断结果,确定所述各个属性对应的风险评分;
根据所述各个属性对应的风险评分和风险系数,计算所述各个业务对象对应的风险分数;
根据所述风险分数,确定所述各个业务对象对应的风险等级信息。
4.根据权利要求1所述的方法,其特征在于,所述获取待监测区域各个业务对象对应的属性信息,包括:
根据所述各个业务对象对应的标识信息,从统一资源符对应的网页中获取所述各个业务对象对应的属性信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图,包括:
根据所述各个业务对象对应的风险等级信息,确定所述各个业务对象对应的风险标识信息;
根据所述各个业务对象对应的位置信息,将所述风险标识信息标注在电子地图中,生成所述待监测区域对应的风险地图。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述预设神经网络模型为预设误差反向传播神经网络模型,所述将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息,包括:
将所述风险地图输入至预设神经误差反向传播神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息。
7.根据权利要求1-5任一项所述的方法,其特征在于,在所述获取待监测区域各个业务对象对应的属性信息之前,所述方法还包括:
获取不同时间段不同监测区域对应的历史风险地图和历史风险等级信息;
将所述历史风险地图和所述历史风险等级信息作为训练集,利用预设误差反向传播算法对所述训练集进行训练,构建所述预设神经网络模型。
8.一种基于神经网络的风险监测装置,其特征在于,包括:
获取单元,用于获取待监测区域各个业务对象对应的属性信息;
确定单元,用于根据所述属性信息,确定所述各个业务对象对应的风险等级信息;
生成单元,用于根据所述各个业务对象对应的风险等级信息,生成所述待监测区域对应的风险地图;
分类单元,用于将所述风险地图输入至预设神经网络模型进行风险分类,输出所述待监测区域对应的风险等级信息。
9.一种计算机可读存储介质,其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权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719006.XA CN111798162A (zh) | 2020-07-23 | 2020-07-23 | 基于神经网络的风险监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719006.XA CN111798162A (zh) | 2020-07-23 | 2020-07-23 | 基于神经网络的风险监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798162A true CN111798162A (zh) | 2020-10-20 |
Family
ID=72828346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010719006.XA Pending CN111798162A (zh) | 2020-07-23 | 2020-07-23 | 基于神经网络的风险监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798162A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785130A (zh) * | 2021-01-13 | 2021-05-11 | 上海派拉软件股份有限公司 | 一种网站风险等级识别方法、装置、设备及存储介质 |
CN116362851A (zh) * | 2023-05-31 | 2023-06-30 | 睿格钛氪(北京)技术有限公司 | 基于中间件的监管方法、区块链系统、电子设备及介质 |
CN116562884A (zh) * | 2023-06-30 | 2023-08-08 | 睿格钛氪(北京)技术有限公司 | 数据要素流通方法、装置、电子设备及存储介质 |
CN117114424A (zh) * | 2023-10-24 | 2023-11-24 | 罗普特科技集团股份有限公司 | 一种用于城市安全的风险综合监测平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173116A1 (en) * | 2010-01-13 | 2011-07-14 | First American Corelogic, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
-
2020
- 2020-07-23 CN CN202010719006.XA patent/CN111798162A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173116A1 (en) * | 2010-01-13 | 2011-07-14 | First American Corelogic, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
Non-Patent Citations (1)
Title |
---|
李忠田: "基于 RBF 神经网络的山东省区域金融风险预警研究", 中国优秀硕士学位论文全文数据库 经济与管理科学辑, no. 02, pages 248 - 46 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785130A (zh) * | 2021-01-13 | 2021-05-11 | 上海派拉软件股份有限公司 | 一种网站风险等级识别方法、装置、设备及存储介质 |
CN112785130B (zh) * | 2021-01-13 | 2024-04-16 | 上海派拉软件股份有限公司 | 一种网站风险等级识别方法、装置、设备及存储介质 |
CN116362851A (zh) * | 2023-05-31 | 2023-06-30 | 睿格钛氪(北京)技术有限公司 | 基于中间件的监管方法、区块链系统、电子设备及介质 |
CN116562884A (zh) * | 2023-06-30 | 2023-08-08 | 睿格钛氪(北京)技术有限公司 | 数据要素流通方法、装置、电子设备及存储介质 |
CN116562884B (zh) * | 2023-06-30 | 2023-09-26 | 睿格钛氪(北京)技术有限公司 | 数据要素流通方法、装置、电子设备及存储介质 |
CN117114424A (zh) * | 2023-10-24 | 2023-11-24 | 罗普特科技集团股份有限公司 | 一种用于城市安全的风险综合监测平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798162A (zh) | 基于神经网络的风险监测方法及装置 | |
CN113688042B (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
CN112559831A (zh) | 链路监控方法、装置、计算机设备及介质 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
US11777982B1 (en) | Multidimensional security situation real-time representation method and system and applicable to network security | |
CN114879613A (zh) | 一种工业控制系统信息安全攻击风险评估方法及系统 | |
US20130325731A1 (en) | Systems and methods for providing organizational compliance monitoring | |
CN113807622A (zh) | 一种事件决策生成方法、装置、电子设备及存储介质 | |
CN115796826A (zh) | 一种船舶安全管控的管理方法、系统、装置和存储介质 | |
CN113176968B (zh) | 基于接口参数分类的安全测试方法、装置及存储介质 | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
KR100524649B1 (ko) | 정보 자산의 위험 분석 시스템 | |
CN112862345A (zh) | 隐患质检方法、装置、电子设备及存储介质 | |
CN115659351B (zh) | 一种基于大数据办公的信息安全分析方法、系统及设备 | |
CN109447440A (zh) | 一种环保目标考核管理方法与装置、终端设备及存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN113590825A (zh) | 文本质检方法、装置及相关设备 | |
CN111861284A (zh) | 一种社会治理单元风险评估及预警方法 | |
Jung et al. | Prioritizing cloud service threats for succession to information security management system | |
Chen et al. | A construction safety management system based on the complex network theory | |
CN109063485A (zh) | 一种基于漏洞平台的漏洞分类统计系统及方法 | |
Figueiredo et al. | Classification of areas using a multiple criteria approach for a public security problem | |
CN107844397A (zh) | 用于嵌入式系统的分析方法、计算机程序产品和分析设备 |
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 |