CN112733913A - 一种基于成本Adaboost算法的子女协同老年人财产安全检测方法 - Google Patents

Abstract

本发明包括大数据分析、分类算法、智慧养老的知识，具体涉及一种基于成本Adaboost算法的子女协同老年人财产安全检测方法。为了保障智慧养老场景下老年人的财产安全，建立老年人资金操作安全保障体系。基于数据分析与挖掘技术，本发明引入基于成本Adaboost算法和子女协同的方案，针对目前应用于老年人财产安全保护方案，容易受数据的非均衡分布和简单分类器局限的影响，无法异常资金操作发现的问题，提出一种基于成本Adaboost算法的子女协同老年人财产安全检测方法。通过该方法能够有效避免老年人财产安全异常检测过程中受数据的非均衡分布和简单分类器局限的影响大的问题，更高效地处理异常资金操作发现，并引入子女协同，令为老年人财产安全生成的决策建议更好地被老年人接纳。本发明可以能够科学合理地实现为老年人财产安全异常检测和决策建议更的有效接纳，提供可靠的数据分析方法。

Description

一种基于成本Adaboost算法的子女协同老年人财产安全检测 方法

技术领域

本发明包括大数据分析、分类算法、智慧养老的知识，具体涉及一种基于成本Adaboost算法的子女协同老年人财产安全检测方法。适用于智慧养老社区建设、老年人财产安全保障、异常资金活动检测等领域。

技术背景

我国进入人口老龄化社会，养老问题带来的挑战逐步增加，智慧养老是破解中国老龄化问题的新路径,从2011年智慧养老兴起至今,中央密集出台支持政策鼓励产业发展。经过改革开放40年的发展,老年人掌握的财富数量越来越多,这些财产是老年人安度晚年的经济保障。当前我国在帮助老年人管理财产方面的制度不完善,不利于亲属、他人、财产管理服务业和社会有关方面对老年人提供管理财产服务，致使老年人不能及时得到帮助。权益受侵害的情形日益增多。仅电信诈骗一项就就对人们的财产安全造成巨大威胁。即使政府、银行等相关机构都采取了一定的措施去防范，如落实延迟到账等功能、强制要求柜台询问等，但是每年仍有众多老年人的财产安全得不到保障。原因在于，老年人受限于自身生理机能的下降(如大脑退化，导致学习理解能力下降)以及心理的变化(如感到孤单、缺乏安全感等)，对于层出不穷的针对老年人的财产的诈骗手段难以有效防范，相比于年轻人，不合理的资金和财产操作更可能发生。同时，老年人退休后缺少工作提供的稳定收入，而同时异常的资金操作案例往往数额巨大，容易对其平稳的老年生活造成冲击，并波及其处于工作压力下的子女。

在老年人财产安全保护方面，研究主要集中于防范上，研究者多从财产数据的分析中，找出异常资金操作，并对异常操作进行预警。在该领域，主要的研究方法有利用分类模型来对数据进行分类，或通过聚类方法找出异常操作之间的相关性，或利用聚类和分类相结合的方法来实现异常发现。在当前的大数据时代，这些方法又引入了人工神经网络等办法，减少信息维度，去除冗余信息，来训练模型，并根据案例推理等方法，更快速高效地发现异常。但这些技术在面对老年人财产异常操作数据集时，无法很好地处理数据的非均衡分布带来的性能不理想问题，并由于高维数据集中的数据稀疏性，容易陷入由简单分类器带来的局限性中。同时老年人的心理特性，其孤单感和不安感容易引起其对技术的不信任，导致这些方法提供的决策建议无法很好地得到老年人的接纳。

本发明引入基于成本Adaboost算法和子女协同的方案，针对目前应用于老年人财产安全保护方案，容易受数据的非均衡分布和简单分类器局限的影响，无法异常资金操作发现的问题，提出一种基于成本Adaboost算法的子女协同老年人财产安全检测方法。通过该方法能够有效避免老年人财产安全异常检测过程中受数据的非均衡分布和简单分类器局限的影响大的问题，更高效地处理异常资金操作发现，并引入子女协同，令为老年人财产安全生成的决策建议更好地被老年人接纳。

发明内容

本发明要克服老年人财产安全保障领域的老年人财产安全异常检测过程中受数据的非均衡分布和简单分类器局限的影响大的问题，并让为老年人财产安全生成的决策建议更好地被老年人接纳，为高效地分析老年人财产安全数据提供可靠方案。引入基于成本Adaboost算法和子女协同的方案，提出一种基于成本Adaboost算法的子女协同老年人财产安全检测方法，能够科学合理地实现为老年人财产安全异常检测和决策建议更的有效接纳，提供可靠的数据分析方法。

本发明所述的一种基于成本Adaboost算法的子女协同老年人财产安全检测方法，包括以下步骤：

1)构造成本因子：为了在给老年人提供便捷的财产与资金管理服务的同时，保障老年人财产安全，检测方法在分类资金活动时，将把正常的资金活动分类为异常活动的结果视为应当尽力避免的情况。对于数据集中的样本samp_i，令C_rw表示将把正常的资金活动分类为异常活动，sig(C_rw，samp_i)表示将samp_i分类为C_rw的概率，则成本

表示如下

其中

表示将samp_i分类为C_rw的代价，若分类错误则调高成本因子，反之降低其值，成本因子

为

2)输出提升后的分类器：令样本集合为

sampi∈SAMP，

cata_i∈CATA，CATA＝{-1，1}，W_j(i)为samp_i在第j轮迭代时的分布权重，其初始值W₁(i)由算法初始化过程给定，m为样本集合中的样本量。选取二叉聚簇分类器作为弱分类器，令h_j为根据W_j分布对二叉聚簇分类器进行训练得到的弱假设，则有：

h_j:SAMP→CATA；

E_j为弱假设h_j的误判率，其计算方法为：

令弱假设h_j的权重为

则有：

令NORM_j为使得W_j+1(i)为一个分布的归一化算子，则有：

对于权重W_j(i)的更新为：

分类器CLF(samp_i)＝sig(f(samp_i))，其中f(samp_i)为：

其算法过程如表1所示：

表1基于成本Adaboost算法

3)子女协同过程：对于分类数据集中缺少预测值cata_i或权重更新超过阈值

的案例，由系统向系统中老人的注册子女发送，确权提示，子女确权操作结果，将作为cata_i代入模型重新参与分类器生成。

本发明的有益效果在于：

克服老年人财产安全保障领域的老年人财产安全异常检测过程中受数据的非均衡分布和简单分类器局限的影响大的问题，并让为老年人财产安全生成的决策建议更好地被老年人接纳，为高效地分析老年人财产安全数据提供可靠方案。具有良好的应用价值。

附图说明

具体实施方式

下面针对具体实施方式对本发明做进一步详细说明。

本发明所述的一种基于成本Adaboost算法的子女协同老年人财产安全检测方法，包括以下步骤：

4)构造成本因子：为了在给老年人提供便捷的财产与资金管理服务的同时，保障老年人财产安全，检测方法在分类资金活动时，将把正常的资金活动分类为异常活动的结果视为应当尽力避免的情况。对于数据集中的样本samp_i，令C_rw表示将把正常的资金活动分类为异常活动，sig(C_rw，samp_i)表示将samp_i分类为C_rw的概率，则成本

表示如下

其中

表示将samp_i分类为C_rw的代价，若分类错误则调高成本因子，反之降低其值，成本因子

为

5)输出提升后的分类器：令样本集合为

samp_i∈SAMP，

cata_i∈CATA，CATA＝{-1，1}，W_j(i)为samp_i在第j轮迭代时的分布权重，其初始值W₁(i)由算法初始化过程给定，m为样本集合中的样本量。选取二叉聚簇分类器作为弱分类器，令h_j为根据W_j分布对二叉聚簇分类器进行训练得到的弱假设，则有：

h_j:SAMP→CATA；

E_j为弱假设h_j的误判率，其计算方法为：

令弱假设h_j的权重为

则有：

令NORM_j为使得W_j+1(i)为一个分布的归一化算子，则有：

对于权重W_j(i)的更新为：

分类器CLF(samp_i)＝sig(f(samp_i))，其中f(samp_i)为：

其算法过程如表1所示：

表1基于成本Adaboost算法

6)子女协同过程：对于分类数据集中缺少预测值cata_i或权重更新超过阈值

的案例，由系统向系统中老人的注册子女发送，确权提示，子女确权操作结果，将作为cata_i代入模型重新参与分类器生成。

Claims (1)

1.本发明所述的一种基于成本Adaboost算法的子女协同老年人财产安全检测方法，包括以下步骤：

1)构造成本因子：为了在给老年人提供便捷的财产与资金管理服务的同时，保障老年人财产安全，检测方法在分类资金活动时，将把正常的资金活动分类为异常活动的结果视为应当尽力避免的情况。对于数据集中的样本samp_i，令C_rw表示将把正常的资金活动分类为异常活动，sig(C_rw，samp_i)表示将samp_i分类为C_rw的概率，则成本

表示如下

其中

表示将samp_i分类为C_rw的代价，若分类错误则调高成本因子，反之降低其值，成本因子

为

2)输出提升后的分类器：令样本集合为

samp_i∈SAMP，

cata_i∈CATA，CATA＝{-1，1}，W_j(i)为samp_i在第j轮迭代时的分布权重，其初始值W₁(i)由算法初始化过程给定，m为样本集合中的样本量。选取二叉聚簇分类器作为弱分类器，令h_j为根据W_j分布对二叉聚簇分类器进行训练得到的弱假设，则有：

h_j：SAMP→CATA；

E_j为弱假设h_j的误判率，其计算方法为：

令弱假设h_j的权重为

则有：

令NORM_j为使得W_j+1(i)为一个分布的归一化算子，则有：

对于权重W_j(i)的更新为：

分类器CLF(samp_i)＝sig(f(samp_i))，其中f(samp_i)为：

其算法过程如表1所示：

表1基于成本Adaboost算法

3)子女协同过程：对于分类数据集中缺少预测值cata_i或权重更新超过阈值

的案例，由系统向系统中老人的注册子女发送，确权提示，子女确权操作结果，将作为cata_i代入模型重新参与分类器生成。