CN112529303A - 基于模糊决策的风险预测方法、装置、设备和存储介质 - Google Patents
基于模糊决策的风险预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112529303A CN112529303A CN202011475586.9A CN202011475586A CN112529303A CN 112529303 A CN112529303 A CN 112529303A CN 202011475586 A CN202011475586 A CN 202011475586A CN 112529303 A CN112529303 A CN 112529303A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- fuzzy
- feature vector
- obtaining
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于模糊决策的风险预测方法、装置、设备和存储介质,包括:根据获取到的用户的历史数据构建风险特征向量,其中,该风险特征向量为反映用户行为异常的风险指标数据;基于该风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;根据风险排序结果确定用户的风险等级模糊隶属函数;根据得到的风险等级模糊隶属函数得到用户的风险预测结果。本发明可以通过用户的历史数据构建风险特征向量,并根据风险特征向量将用户的进行风险排序,采用隶属度函数的模糊统计方法,进行用户的风险预测,本发明提供的风险预测方法能够应对用户数据的不确定性,能够更全面更智能化地对抗风险变化,提高风险相关经验的迁移和学习效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于模糊决策的风险预测方法、装置、设备和存储介质。
背景技术
现今,网络金融是当代金融行业的有机组成部分,通过网络金融交易,能够有效降低交易成本,给用户提供更优质的金融服务,同时给金融机构创造更宽广的业务拓展空间,可以增强金融机构的竞争能力。
但与此同时,包括网络金融业务在内的互联网线上业务,面临着诸多安全风险,例如,恶意攻击、群体薅羊毛、虚假交易套利等。通过用户数据、交易数据、行为采集数据的精确规则模型来侦测这些风险,是目前依赖的重要的风险控制手段。但是在实践中,数据有不确定性、风控对手的技术策略调整,给精确的规则判断带来了实施的困难和侦测的漏洞。
目前采用的欺诈风险侦测规则模型对数据的不确定性适应性差,数据的不确定涉及诸多方面,包括数据来源的不确定性、数据采集质量的不确定性、数据时效性的不确定性、数据理解的不确定性、适用场景的不确定性,利用现有的侦测规则模型只能实现单个风险点或者几个风险点的判断,存在一定的误判率。
发明内容
为了解决上述问题,本发明提供了一种基于模糊决策的风险预测方法、装置、设备和存储介质,目的在于提供一种能够应对数据的不确定性,能更全面更智能地对抗风险变化,提高风险相关经验的迁移和学习效率的方法及装置,解决现有风险预测不精准的技术问题。
本发明一方面提供一种基于模糊决策的风险预测方法,所述方法包括:
根据获取到的用户的历史数据构建风险特征向量,其中,所述风险特征向量为反映用户行为异常的风险指标数据;
基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果;
基于所述风险排序结果确定所述用户的风险等级模糊隶属函数;
根据所述风险等级模糊隶属函数得到所述用户的风险预测结果。
在一实施例中,所述根据获取到的用户的历史数据构建风险特征向量包括:
获取所述用户的历史数据和交易数据;
根据所述历史数据和交易数据确定活跃用户;
基于所述活跃用户的历史数据构建所述风险特征向量。
在一实施例中,所述基于所述活跃用户的历史数据构建所述风险特征向量包括:
所述活跃用户的历史数据包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于所述活跃用户的历史数据中的至少一种构建所述风险特征向量,其中,所述风险特征向量为同向化向量。
在一实施例中,所述基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果包括:
基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果。
在一实施例中,所述基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果包括:
基于所述风险特征向量构建原始数据矩阵;
将所述原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据所述加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和所述标准化矩阵得到所述用户的风险排序结果。
在一实施例中,所述基于所述风险排序结果确定所述用户的风险等级模糊隶属函数包括:
将所述风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定所述用户的风险等级模糊隶属函数。
在一实施例中,所述根据所述风险等级模糊隶属函数得到所述用户的风险预测结果包括:
根据所述风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于所述用户风险模糊判断矩阵和所述预设的风险指标权重计算所述用户风险等级;
根据所述用户风险等级得到所述用户的风险预测结果。
在一实施例中,根据所述用户风险等级得到所述用户的风险预测结果包括:
将所述用户风险等级通过最大隶属度原则得到所述用户的风险预测结果。
另一方面,本发明提供了一种基于模糊决策的风险预测装置,所述装置包括:
构建模块,用于根据获取到的用户的历史数据构建风险特征向量,其中,所述风险特征向量为反映用户行为异常的风险指标数据;
风险排序模块,用于基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果;
确定模块,用于基于所述风险排序结果确定所述用户的风险等级模糊隶属函数;
风险预测模块,用于根据所述风险等级模糊隶属函数得到所述用户的风险预测结果。
在一实施例中,所述构建模块,具体用于:获取所述用户的历史数据和交易数据;
根据所述历史数据和交易数据确定活跃用户;
基于所述活跃用户的历史数据构建所述风险特征向量,其中,所述风险特征向量为同向化向量。
在一实施例中,所述构建模块,具体用于:所述活跃用户的历史数据包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于所述活跃用户的历史数据中的至少一种构建所述风险特征向量。
在一实施例中,所述风险排序模块,具体用于:基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果。
在一实施例中,所述风险排序模块,具体用于;
基于所述风险特征向量构建原始数据矩阵;
将所述原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据所述加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和所述标准化矩阵得到所述用户的风险排序结果。
在一实施例中,所述确定模块,具体用于:将所述风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定所述用户的风险等级模糊隶属函数。
在一实施例中,所述风险预测模块,具体用于:根据所述风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于所述用户风险模糊判断矩阵和所述预设的风险指标权重计算所述用户风险等级;
根据所述用户风险等级得到所述用户的风险预测结果。
在一实施例中,所述风险预测模块,具体用于:将所述用户风险等级通过最大隶属度原则得到所述用户的风险预测结果。
又一方面,本发明还提供一种电子设备,所述设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的基于模糊决策的风险预测方法。
再一方面,本发明还提供了一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的基于模糊决策的风险预测方法。
本发明的有益效果在于,本发明提供了一种基于模糊决策的风险预测方法、装置、设备和存储介质,该方法包括:根据获取到的用户的历史数据构建风险特征向量,其中,该风险特征向量为反映用户行为异常的风险指标数据;基于该风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;根据风险排序结果确定用户的风险等级模糊隶属函数;根据得到的风险等级模糊隶属函数得到用户的风险预测结果。本发明可以通过用户的历史数据构建风险特征向量,并根据风险特征向量将用户的进行风险排序,采用隶属度函数的模糊统计方法,进行用户的风险预测,本发明提供的风险预测方法能够应对用户数据的不确定性,能够更全面更智能化地对抗风险变化,提高风险相关经验的迁移和学习效率。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于模糊决策的风险预测方法的流程示意图;
图2为本发明实施例基于模糊决策的风险预测装置的结构示意图;
图3为本发明实施例基于模糊决策的风险预测方法的流程示意图;
图4为本发明实施例电子设备的结构示意图。
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。
在阐述本发明提供的基于模糊决策的风险预测方法之前,先对本发明中提到的本领域技术术语进行介绍:
1、风险指标:是指风险判断的最小组成单位,可通过一定的数据加工逻辑实现,通过其数值的大小可判断风险的高低,例如“账号近10天登陆的设备数”为风险指标。
2、规则模型:在用户历史数据中,基于业务和数据专家经验,经过统计分析批量识别出异常用户或异常交易。
3、侦测规则:在规模模型的基础上,结合相关专家经验的数据验证,针对特定风险点形成实时侦测规则,一般由风险指标数据加工逻辑描述和风险判断参数两部分组成。
本发明提供的方法可以应用于各网络金融应用中,包括但不限定于网上银行、手机银行系统及电子商务等场景。区别于传统的基于专家经验的规则模型或风险点侦测规则,本发明提出了一种基于模糊决策的风险预测方法,以下对本发明的方案进行详细描述。
图1为本发明实施例基于模糊决策的风险预测方法的流程示意图。如图1所示,该基于模糊决策的风险预测方法主要包括以下步骤:
步骤101,根据获取到的用户的历史数据构建风险特征向量,其中,风险特征向量为反映用户行为异常的风险指标数据;
步骤102,基于风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;
步骤103,基于风险排序结果确定用户的风险等级模糊隶属函数;
步骤104,根据风险等级模糊隶属函数得到用户的风险预测结果。
在一实施例中,根据获取到的用户的历史数据构建风险特征向量可以包括:
获取用户的历史数据和交易数据;
根据历史数据和交易数据确定活跃用户;
基于活跃用户的历史数据构建风险特征向量。
在一实施例中,基于活跃用户的历史数据构建风险特征向量可以包括:
活跃用户的历史数据可以包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于活跃用户的历史数据中的至少一种构建风险特征向量,其中,该风险特征向量为同向化向量。
在一实施例中,基于风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果可以包括:
基于风险特征向量,通过优劣解距离法,得到用户的风险排序结果。
在一实施例中,基于风险特征向量,通过优劣解距离法,得到用户的风险排序结果可以包括:
基于风险特征向量构建原始数据矩阵;
将原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和标准化矩阵得到用户的风险排序结果。
在一实施例中,基于风险排序结果确定用户的风险等级模糊隶属函数可以包括:
将风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定用户的风险等级模糊隶属函数。
在一实施例中,根据风险等级模糊隶属函数得到用户的风险预测结果可以包括:
根据风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于用户风险模糊判断矩阵和预设的风险指标权重计算用户风险等级;
根据用户风险等级得到用户的风险预测结果。
在一实施例中,根据用户风险等级得到用户的风险预测结果可以包括:
将用户风险等级通过最大隶属度原则得到用户的风险预测结果。
本发明提供的一种基于模糊决策的风险预测方法根据获取到的用户的历史数据构建风险特征向量,其中,该风险特征向量为反映用户行为异常的风险指标数据;基于该风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;根据风险排序结果确定用户的风险等级模糊隶属函数;根据得到的风险等级模糊隶属函数得到用户的风险预测结果。本发明可以通过用户的历史数据构建风险特征向量,并根据风险特征向量将用户的进行风险排序,采用隶属度函数的模糊统计方法,进行用户的风险预测,本发明提供的风险预测方法能够应对用户数据的不确定性,能够更全面更智能化地对抗风险变化,提高风险相关经验的迁移和学习效率。
基于与图1所示的基于模糊决策的风险预测方法相同的发明构思,本发明实施例还提供了一种基于模糊决策的风险预测装置,如下面实施例所述。由于该装置解决问题的原理与图1中基于模糊决策的风险预测方法相似,因此该装置的实施可以参见图1的基于模糊决策的风险预测方法的实施,重复之处不再赘述。
其结构如图2所示,该装置200包括:构建模块21、风险排序模块22、确定模块23、风险预测模块24;其中,
构建模块21,用于根据获取到的用户的历史数据构建风险特征向量,其中,风险特征向量为反映用户行为异常的风险指标数据;
风险排序模块22,用于基于风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;
确定模块23,用于基于风险排序结果确定用户的风险等级模糊隶属函数;
风险预测模块24,用于根据风险等级模糊隶属函数得到用户的风险预测结果。
在一实施例中,构建模块21,具体可以用于:获取用户的历史数据和交易数据;
根据历史数据和交易数据确定活跃用户;
基于活跃用户的历史数据构建风险特征向量。
在一实施例中,构建模块21,具体可以用于:活跃用户的历史数据包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于活跃用户的历史数据中的至少一种构建风险特征向量。
在一实施例中,风险排序模块22,具体可以用于:基于风险特征向量,通过优劣解距离法,得到用户的风险排序结果。
在一实施例中,风险排序模块22,具体可以用于;
基于风险特征向量构建原始数据矩阵;
将原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和标准化矩阵得到用户的风险排序结果。
在一实施例中,确定模块23,具体可以用于:将风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定用户的风险等级模糊隶属函数。
在一实施例中,风险预测模块24,具体可以用于:根据风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于用户风险模糊判断矩阵和预设的风险指标权重计算用户风险等级;
根据用户风险等级得到用户的风险预测结果。
在一实施例中,风险预测模块24,具体可以用于:将用户风险等级通过最大隶属度原则得到用户的风险预测结果。
下面通过一具体实施例对本发明提供的基于模糊决策的风险预测方法及装置进行详细说明。
步骤1:构建模块21根据获取到的用户的历史数据构建风险特征向量,其中,该风险特征向量为反映用户行为异常的风险指标数据;
在本步骤中,根据获取到的用户的历史数据构建风险特征向量进一步包括获取用户的历史数据和交易数据;根据历史数据和交易数据确定活跃用户;基于用户的历史数据构建风险特征向量。在用户的历史数据和交易数据中,可以根据一定的条件筛选有交易等动作的活跃用户,根据活跃用户的历史数据构建风险特征向量,该风险特征向量的任一维度在风险显示上必须经过同向化处理,即任一维度的特征数据在分布上数值越大越异常,数值越小越正常。同时,该风险特征向量为能反映用户行为异常的风险指标数据,构建风险特征向量的方法摆脱了受限于缺乏可信的风险用户正负样本及样本不平衡等问题。
在一具体实施例中,活跃用户的历史数据可以包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种,基于用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中的至少一种构建风险特征向量,其中,该风险特征向量为同向化向量,风险特征向量可以用X={X1,X2,……,Xm}进行表示,该风险特征向量的每个维度X1,,X2,……,Xm具备同向化的特征,即在分布上数据越大越异常,数据越小越正常,可以通过将原始的用户历史数据进行加工处理得到。例如,用户近期一段时间内使用的手机设备个数为1个或者2个是正常的,超过2个可能是异常使用的状况,超过10个就极有可能是不正常的高风险状况。对于极小型、中间型、区间型特征指标需要转化为正向型指标。如表1所示,列举一些基于用户历史数据的风险特征指标及其风险含义:
表1风险特征指标及其风险含义
上述列举的特征维度,单一的风险指标特征虽然也能支持风险判断,但是不能全面地识别风险,比如年轻用户也可出卖自己的账号给他人进行非法操作等。
步骤2:风险排序模块22基于风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;
在本步骤中,基于风险特征向量,通过优劣解距离法,得到用户的风险排序结果,参考图3,具体可以包括以下步骤:
步骤201,基于风险特征向量构建原始数据矩阵;
步骤202,将原始数据矩阵进行向量规范化,得到加权规范矩阵;
步骤203,根据加权规范矩阵得到标准化矩阵;
步骤204,基于预设的风险指标权重和标准化矩阵得到用户的风险排序结果。
具体地,可以通过步骤1中筛选出n个活跃用户作为待排序对象,每个待排序对象具有唯一标识ID(以下以i1、i2……,in表示)和m个风险指标,则可以根据原始数据X构建原始数据矩阵如下:
通过每一列元素都除以当前列向量的范数,对每个风险指标进行向量规范化,构造加权规范矩阵。通过如下Zij的公式计算处理后可以得到标准化矩阵:
根据上述的标准化矩阵确定最优方案和最劣方案,最优方案Z+由Z中每列元素的最小值构成:
最劣方案Z-由Z中每列元素的最大值构成:
计算各个待排序对象与最优方案、最劣方案的接近程度,计算公式如下:
其中,Wj为第j个属性的权重,权重数值越大代表该指标的重要程度越高,指标权重可以根据实际需要而确定或通过专家评估方法而确定。
计算各个待排序对象与最优方案的贴近程度,计算公式如下:
Ci→1表明评价对象越优,即越趋近于1表明待排序对象越优。此处也可以将分子设置为表示与最劣方案的贴近程度,此时Ci→0表明评价对象越优,根据Ci大小进行升序排序,给出评价结果r。评价结果r按用户与原始数据X关联得到R,
R包含用户风险指标的原始数据及对应风险排序结果,通过R可以得到风险最高的用户对应的特征信息。
步骤3:确定模块23基于风险排序结果确定用户的风险等级模糊隶属函数;
具体地,将风险排序结果进行分层抽样,得到分层抽样结果;通过隶属度函数的模糊统计方法确定用户的风险等级模糊隶属函数。
在对用户风险进行最优至最劣的排序后,由于{x1,x2,…,xm}都是同向化风险指标,即xi的指标数值越大风险越大,结合排序结果也可以进一步验证同向化的正确性。例如风险最劣的前10%的用户平均年龄55岁,明显高于所有用户的平均年龄35岁,这也符合用户年龄越大风险越大的指标特征。但是,高龄用户不是一个绝对清晰的标准尺度,因此用模糊统计的方法来确定高龄的隶属度。
在本步骤中,基于风险排序结果确定用户的风险等级模糊隶属函数,基于历史数据进行隶属度函数的模糊统计方法,可以概括为:
A(xi)=fuzzy_stat(R,xi,granularity,max_r,medium,sample_ratio)
其中R为上述的对风险用户排序的结果数据{i,x1,x2,…,xm,r},xi为风险指标,granularity为风险指标状态的粒度参数,max_r为有效的最大排名,medium(0<medium<1)为中等抽样位置参数,sample_ratio(0<sample_ratio<0.5)为数据抽样比例。隶属度函数的模糊统计方法过程如下:
根据sample(r)抽样函数对用户风险排名r进行分层抽样,分层抽样的具体方法参照如下公式:
对抽样用户的风险指标xi用以下粒度状态转化函数输入粒度参数granularity转化为指标状态si
结合风险指标xi和排名r的数据得到以下高中低风险等级的抽样数据x:
对抽样数据x按照粒度状态si进行高中低风险的样本频数统计,得到结果S={s,h,m,d,l}如下:
其中s为状态粒度向量,h为高风险频数向量,m为中风险频数向量,l为低风险频数向量,d为高中风险频数的差值dj=hj-mj,下标j的大小取决于粒度参数granularity的间隔。根据xi为同向指标向量及x为按高中低风险排序抽样的前置条件,低风险频数向量l的数值会由正数在lt(0<t<j)后趋于0,而高、中风险频数的差值向量d的数值会由负数在du(0<u<j)后趋于正数,通过调节中等抽样位置参数medium和数据抽样比例参数sample_ratio使l、d的下标t和u趋于接近适中的位置。下表2为部分实验数据,其中包括高、中、低风险用户年龄的分布。
表2用户年龄的分布
年龄 | 高风险 | 中风险 | 高中风险差值 | 低风险 |
47 | 4251 | 4511 | -260 | 2229 |
48 | 4542 | 4630 | -88 | 1953 |
49 | 4547 | 4632 | -85 | 1624 |
50 | 4849 | 4934 | -85 | 1378 |
51 | 4439 | 4203 | 236 | 844 |
52 | 4587 | 4085 | 502 | 591 |
53 | 3529 | 2867 | 662 | 0 |
54 | 3790 | 2526 | 1264 | 0 |
由表2可知,低风险用户的年龄呈现正态分布在52岁以下,高、中风险频数的差值向量d在51岁发生正负切换,说明高风险用户在51岁以下时频数比中风险用户多,在51岁以上时高风险用户比中风险用户多,且年龄越高越趋于绝对的高风险。
通过高、中风险频数的差值向量d结合低风险频数向量l按照公式:
计算处理得到d',再通过公式A(xi)={Sij,h(sj),m(sj),l(sj)},其中s通过粒度状态转化函数得到,其中m(si)=1-l(si)-h(si),可以计算得到风险指标xi映射到粒度状态si的高、中、低风险隶属函数A(xi)。下表3为部分实验数据,其中,包括高、中、低风险用户年龄的隶属度分布。
表3高中低风险用户年龄的隶属度分布
由表3可以看到粒度状态为用户年龄,当用户年龄为33岁以下时有0.5以上的隶属度可以确定用户为低风险;随着年龄状态的增大,年龄的低风险隶属度逐渐减少中风险隶属度逐渐升高,至52岁左右有最大的隶属度可以确定用户为中风险;随着年龄状态的进一步增大,年龄的高风险开始形成,至60岁有0.5以上的隶属度可以确定用户为高风险。单一风险指标,比如用户高龄是一个风险特征,但是并不是所有高风险用户都符合高龄特征,高风险用户也有年轻人,这时就需要结合其他风险指标的隶属度来做综合决策。
在本步骤中,分层抽样模糊统计方法符合随机集落影理论,在计算中可以支持多个参数输入,便于数据计算处理,能同时提供多层次的模糊隶属度函数,具备广泛的适用性。
步骤4:风险预测模块24根据风险等级模糊隶属函数构建用户风险模糊判断矩阵,基于用户风险模糊判断矩阵和预设的风险指标权重计算用户风险等级;根据用户风险等级得到用户的风险预测结果。
根据各个风险指标的隶属度函数可以构建用户风险模糊判断矩阵D,矩阵的每一行对应一个风险指标决策因素,用户风险模糊判断矩阵D为:
根据专家经验及业务需要给出诸风险指标的权重分配W,W={w1,w2,…,wm},通过风险指标权重分配W和风险模糊判断矩阵D,计算获得综合评价A,A满足以下公式:A=W·D=(a1,a2,a3),其中矩阵乘法可在 其中中根据权重大小、统筹兼顾、综合考虑选取。在本发明的基于优劣解法对用户风险进行排序和构建模糊判断矩阵综合评价用户的风险等级过程中都提供了可人工指定的指标权重W,可根据专家经验及业务需要进行介入调整。
具体地,可以根据最大隶属度原则得到用户的风险等级,最大隶属度原则为取向量A'中的最大元素,如果第一个元素最大,则待风险识别的用户是低风险,如果第二个元素最大,则待风险识别的用户是中风险,如果第三个元素最大,则待风险识别的用户是高风险,由此,可以得到用户的风险预测结果。
本步骤中的基于用户风险模糊判断矩阵和预设的风险指标权重计算用户风险等级的方法能降低或替换传统的基于单个风险点加精确量化参数的规则侦测模型的高度依赖,通过将风险指标判断的模糊化处理,将模糊判断引入到了精确量化风控识别系统中,不仅可以提高风险识别的鲁棒性,也贴合模糊现象判断的实践需要。不再依赖专家经验,而专家经验主要有两个来源,一是相近经验的迁移应用,二是新领域新场景的经验积累,克服了现有技术中参数优化过程的人工介入工作量大、基于专家经验的规则实施前也需要数据验证会存在主观局限性和实施过程长的问题。
本发明实施例提供的基于模糊决策的风险预测方法和装置,根据获取到的用户的历史数据构建风险特征向量,其中,该风险特征向量为反映用户行为异常的风险指标数据;基于该风险特征向量对用户的风险大小进行排序,得到用户的风险排序结果;根据风险排序结果确定用户的风险等级模糊隶属函数;根据得到的风险等级模糊隶属函数得到用户的风险预测结果。本发明可以通过用户的历史数据构建风险特征向量,并根据风险特征向量将用户的进行风险排序,采用隶属度函数的模糊统计方法,进行用户的风险预测,本发明提供的风险预测方法能够应对用户数据的不确定性,能够更全面更智能化地对抗风险变化,提高风险相关经验的迁移和学习效率。
图4是根据本发明实施例提供的用于基于模糊决策的风险预测方法的计算机设备的示意图。如图4所示,该设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在综合网关容灾设备的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。在特定实施例中,存储器402包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的用于基于模糊决策的风险预测方法。
在一个示例中,上述的计算机设备还可包括通信接口403和总线404。其中,如图4所示,处理器401、存储器402、通信接口403通过总线404连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、设备、单元和/或设备之间的通信。
总线404包括硬件、软件或两者,用于将上述部件彼此耦接在一起。举例来说,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线X10可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该计算机设备可以执行本发明实施例中的用于基于模糊决策的风险预测方法,从而实现结合图1和图2描述的用于基于模糊决策的风险预测方法及装置。
此外,参照图1所描述的用于基于模糊决策的风险预测方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如,根据本发明的示例性实施例,可提供存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行用于基于模糊决策的风险预测的方法。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经在参照图1进行相关方法的描述过程中提及,因此这里为了避免重复将不再进行赘述。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种基于模糊决策的风险预测方法,其特征在于,所述方法包括:
根据获取到的用户的历史数据构建风险特征向量,其中,所述风险特征向量为反映用户行为异常的风险指标数据;
基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果;
基于所述风险排序结果确定所述用户的风险等级模糊隶属函数;
根据所述风险等级模糊隶属函数得到所述用户的风险预测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据获取到的用户的历史数据构建风险特征向量包括:
获取所述用户的历史数据和交易数据;
根据所述历史数据和交易数据确定活跃用户;
基于所述活跃用户的历史数据构建所述风险特征向量。
3.根据权利要求2所述的方法,其特征在于,所述基于所述活跃用户的历史数据构建所述风险特征向量包括:
所述活跃用户的历史数据包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于所述活跃用户的历史数据中的至少一种构建所述风险特征向量;其中,所述风险特征向量为同向化向量。
4.根据权利要求1所述的方法,其特征在于,所述基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果包括:
基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果。
5.根据权利要求4所述的方法,其特征在于,所述基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果包括:
基于所述风险特征向量构建原始数据矩阵;
将所述原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据所述加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和所述标准化矩阵得到所述用户的风险排序结果。
6.根据权利要求4所述的方法,其特征在于,所述基于所述风险排序结果确定所述用户的风险等级模糊隶属函数包括:
将所述风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定所述用户的风险等级模糊隶属函数。
7.根据权利要求5所述的方法,其特征在于,所述根据所述风险等级模糊隶属函数得到所述用户的风险预测结果包括:
根据所述风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于所述用户风险模糊判断矩阵和所述预设的风险指标权重计算所述用户风险等级;
根据所述用户风险等级得到所述用户的风险预测结果。
8.根据权利要求7所述的方法,其特征在于,根据所述用户风险等级得到所述用户的风险预测结果包括:
将所述用户风险等级通过最大隶属度原则得到所述用户的风险预测结果。
9.一种基于模糊决策的风险预测装置,其特征在于,所述装置包括:
构建模块,用于根据获取到的用户的历史数据构建风险特征向量,其中,所述风险特征向量为反映用户行为异常的风险指标数据;
风险排序模块,用于基于所述风险特征向量对所述用户的风险大小进行排序,得到所述用户的风险排序结果;
确定模块,用于基于所述风险排序结果确定所述用户的风险等级模糊隶属函数;
风险预测模块,用于根据所述风险等级模糊隶属函数得到所述用户的风险预测结果。
10.根据权利要求9所述的装置,其特征在于,所述构建模块,具体用于:获取所述用户的历史数据和交易数据;
根据所述历史数据和交易数据确定活跃用户;
基于所述活跃用户的历史数据构建所述风险特征向量。
11.根据权利要求10所述的装置,其特征在于,所述构建模块,具体用于:所述活跃用户的历史数据包括用户信息、用户设备信息、用户位置信息、用户网络信息、用户支付信息中至少一种;
基于所述活跃用户的历史数据中的至少一种构建所述风险特征向量,其中,所述风险特征向量为同向化向量。
12.根据权利要求9所述的装置,其特征在于,所述风险排序模块,具体用于:基于所述风险特征向量,通过优劣解距离法,得到所述用户的风险排序结果。
13.根据权利要求12所述的装置,其特征在于,所述风险排序模块,具体用于;
基于所述风险特征向量构建原始数据矩阵;
将所述原始数据矩阵进行向量规范化,得到加权规范矩阵;
根据所述加权规范矩阵得到标准化矩阵;
基于预设的风险指标权重和所述标准化矩阵得到所述用户的风险排序结果。
14.根据权利要求12所述的装置,其特征在于,所述确定模块,具体用于:将所述风险排序结果进行分层抽样,得到分层抽样结果;
通过隶属度函数的模糊统计方法确定所述用户的风险等级模糊隶属函数。
15.根据权利要求13所述的装置,其特征在于,所述风险预测模块,具体用于:根据所述风险等级模糊隶属函数构建用户风险模糊判断矩阵;
基于所述用户风险模糊判断矩阵和所述预设的风险指标权重计算所述用户风险等级;
根据所述用户风险等级得到所述用户的风险预测结果。
16.根据权利要求15所述的装置,其特征在于,所述风险预测模块,具体用于:将所述用户风险等级通过最大隶属度原则得到所述用户的风险预测结果。
17.一种电子设备,其特征在于,所述设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-8中的任意一项所述的风险预测方法。
18.一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1-8中的任意一项所述的风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475586.9A CN112529303A (zh) | 2020-12-15 | 2020-12-15 | 基于模糊决策的风险预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475586.9A CN112529303A (zh) | 2020-12-15 | 2020-12-15 | 基于模糊决策的风险预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529303A true CN112529303A (zh) | 2021-03-19 |
Family
ID=75000015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011475586.9A Pending CN112529303A (zh) | 2020-12-15 | 2020-12-15 | 基于模糊决策的风险预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793076A (zh) * | 2021-05-14 | 2021-12-14 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376400A (zh) * | 2014-10-27 | 2015-02-25 | 广州市中南民航空管通信网络科技有限公司 | 基于模糊矩阵层次分析法的风险评估方法 |
CN105023067A (zh) * | 2015-08-04 | 2015-11-04 | 环境保护部南京环境科学研究所 | 基于层次分析法-模糊综合评价的化工项目环境风险评价体系 |
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN107015526A (zh) * | 2017-03-09 | 2017-08-04 | 厦门万久科技股份有限公司 | 基于直觉模糊多属性决策的智能数控系统风险评估方法 |
CN108009751A (zh) * | 2017-12-26 | 2018-05-08 | 国网新疆电力有限公司经济技术研究院 | 一种电网企业资产质量诊断及预警方法 |
CN109345373A (zh) * | 2018-09-11 | 2019-02-15 | 北京三快在线科技有限公司 | 核销风险预警方法、装置、电子设备及计算机可读介质 |
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 |
CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
-
2020
- 2020-12-15 CN CN202011475586.9A patent/CN112529303A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376400A (zh) * | 2014-10-27 | 2015-02-25 | 广州市中南民航空管通信网络科技有限公司 | 基于模糊矩阵层次分析法的风险评估方法 |
CN105023067A (zh) * | 2015-08-04 | 2015-11-04 | 环境保护部南京环境科学研究所 | 基于层次分析法-模糊综合评价的化工项目环境风险评价体系 |
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN107015526A (zh) * | 2017-03-09 | 2017-08-04 | 厦门万久科技股份有限公司 | 基于直觉模糊多属性决策的智能数控系统风险评估方法 |
CN108009751A (zh) * | 2017-12-26 | 2018-05-08 | 国网新疆电力有限公司经济技术研究院 | 一种电网企业资产质量诊断及预警方法 |
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 |
CN109345373A (zh) * | 2018-09-11 | 2019-02-15 | 北京三快在线科技有限公司 | 核销风险预警方法、装置、电子设备及计算机可读介质 |
CN111861274A (zh) * | 2020-08-03 | 2020-10-30 | 生态环境部南京环境科学研究所 | 一种水环境风险预测预警方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793076A (zh) * | 2021-05-14 | 2021-12-14 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
CN113793076B (zh) * | 2021-05-14 | 2022-08-30 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN109102393B (zh) | 训练和使用关系网络嵌入模型的方法及装置 | |
CN111400754B (zh) | 保护用户隐私的用户分类系统的构建方法及装置 | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
CN110930218B (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN111695830A (zh) | 一种电力资源分配方法、系统以及设备 | |
CN111798047A (zh) | 风控预测方法、装置、电子设备及存储介质 | |
CN107038165B (zh) | 一种业务参数获取方法及装置 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
Zhang et al. | Non-tradable shares pricing and optimal default point based on hybrid KMV models: Evidence from China | |
CN112669143A (zh) | 基于关联网络的风险评估方法、装置、设备以及存储介质 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN113298121A (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
CN113379059A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN113393316B (zh) | 基于海量大数据、核心算法的贷款全过程精准风控及管理系统 | |
CN112529303A (zh) | 基于模糊决策的风险预测方法、装置、设备和存储介质 | |
JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN112085517A (zh) | 优惠券发放方法、装置、电子设备及可读存储介质 | |
CN115600926A (zh) | 项目后评价方法、装置、电子设备及存储介质 | |
CN114399224A (zh) | 数据处理方法、装置、设备、介质及产品 |
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 |