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

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 Download PDF

Info

Publication number
CN112733913A
CN112733913A CN202011634929.1A CN202011634929A CN112733913A CN 112733913 A CN112733913 A CN 112733913A CN 202011634929 A CN202011634929 A CN 202011634929A CN 112733913 A CN112733913 A CN 112733913A
Authority
CN
China
Prior art keywords
samp
old people
cost
old
property safety
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
Application number
CN202011634929.1A
Other languages
English (en)
Inventor
石秀峰
刘健
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.)
Zhejiang Helian Network Technology Co ltd
Original Assignee
Zhejiang Helian Network Technology Co 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 Zhejiang Helian Network Technology Co ltd filed Critical Zhejiang Helian Network Technology Co ltd
Priority to CN202011634929.1A priority Critical patent/CN112733913A/zh
Publication of CN112733913A publication Critical patent/CN112733913A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (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sampi，令Crw表示将把正常的资金活动分类为异常活动，sig(Crw，sampi)表示将sampi分类为Crw的概率，则成本
Figure BDA0002876015660000031
表示如下
Figure BDA0002876015660000032
其中
Figure BDA0002876015660000033
表示将sampi分类为Crw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
Figure BDA0002876015660000034
为
Figure BDA0002876015660000035
2)输出提升后的分类器：令样本集合为
Figure BDA0002876015660000036
Figure BDA0002876015660000037
sampi∈SAMP，
Figure BDA0002876015660000038
catai∈CATA，CATA＝{-1，1}，Wj(i)为sampi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hj为根据Wj分布对二叉聚簇分类器进行训练得到的弱假设，则有：
hj:SAMP→CATA；
Ej为弱假设hj的误判率，其计算方法为：
Figure BDA0002876015660000039
令弱假设hj的权重为
Figure BDA00028760156600000310
则有：
Figure BDA0002876015660000041
令NORMj为使得Wj+1(i)为一个分布的归一化算子，则有：
Figure BDA0002876015660000042
对于权重Wj(i)的更新为：
Figure BDA0002876015660000043
分类器CLF(sampi)＝sig(f(sampi))，其中f(sampi)为：
Figure BDA0002876015660000044
其算法过程如表1所示：
表1基于成本Adaboost算法
Figure BDA0002876015660000045
Figure BDA0002876015660000051
3)子女协同过程：对于分类数据集中缺少预测值catai或权重更新超过阈值
Figure BDA0002876015660000056
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catai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sampi，令Crw表示将把正常的资金活动分类为异常活动，sig(Crw，sampi)表示将sampi分类为Crw的概率，则成本
Figure BDA0002876015660000052
表示如下
Figure BDA0002876015660000053
其中
Figure BDA0002876015660000054
表示将sampi分类为Crw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
Figure BDA0002876015660000055
为
Figure BDA0002876015660000061
5)输出提升后的分类器：令样本集合为
Figure BDA0002876015660000062
Figure BDA0002876015660000063
sampi∈SAMP，
Figure BDA0002876015660000064
catai∈CATA，CATA＝{-1，1}，Wj(i)为sampi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hj为根据Wj分布对二叉聚簇分类器进行训练得到的弱假设，则有：
hj:SAMP→CATA；
Ej为弱假设hj的误判率，其计算方法为：
Figure BDA0002876015660000065
令弱假设hj的权重为
Figure BDA0002876015660000066
则有：
Figure BDA0002876015660000067
令NORMj为使得Wj+1(i)为一个分布的归一化算子，则有：
Figure BDA0002876015660000068
对于权重Wj(i)的更新为：
Figure BDA0002876015660000069
分类器CLF(sampi)＝sig(f(sampi))，其中f(sampi)为：
Figure BDA00028760156600000610
其算法过程如表1所示：
表1基于成本Adaboost算法
Figure BDA0002876015660000071
6)子女协同过程：对于分类数据集中缺少预测值catai或权重更新超过阈值
Figure BDA0002876015660000072
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catai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sampi，令Crw表示将把正常的资金活动分类为异常活动，sig(Crw，sampi)表示将sampi分类为Crw的概率，则成本
Figure FDA0002876015650000011
表示如下
Figure FDA0002876015650000012
其中
Figure FDA0002876015650000013
表示将sampi分类为Crw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
Figure FDA0002876015650000014
为
Figure FDA0002876015650000015
2)输出提升后的分类器：令样本集合为
Figure FDA0002876015650000016
Figure FDA0002876015650000017
sampi∈SAMP，
Figure FDA0002876015650000018
catai∈CATA，CATA＝{-1，1}，Wj(i)为sampi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hj为根据Wj分布对二叉聚簇分类器进行训练得到的弱假设，则有：
hj：SAMP→CATA；
Ej为弱假设hj的误判率，其计算方法为：
Figure FDA0002876015650000019
令弱假设hj的权重为
Figure FDA00028760156500000110
则有：
Figure FDA0002876015650000021
令NORMj为使得Wj+1(i)为一个分布的归一化算子，则有：
Figure FDA0002876015650000022
对于权重Wj(i)的更新为：
Figure FDA0002876015650000023
分类器CLF(sampi)＝sig(f(sampi))，其中f(sampi)为：
Figure FDA0002876015650000024
其算法过程如表1所示：
表1基于成本Adaboost算法
Figure FDA0002876015650000025
Figure FDA0002876015650000031
3)子女协同过程：对于分类数据集中缺少预测值catai或权重更新超过阈值
Figure FDA0002876015650000032
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catai代入模型重新参与分类器生成。
CN202011634929.1A 2020-12-31 2020-12-31 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 Pending CN112733913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011634929.1A CN112733913A (zh) 2020-12-31 2020-12-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011634929.1A CN112733913A (zh) 2020-12-31 2020-12-31 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

Publications (1)

Publication Number Publication Date
CN112733913A true CN112733913A (zh) 2021-04-30

Family

ID=75608832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011634929.1A Pending CN112733913A (zh) 2020-12-31 2020-12-31 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

Country Status (1)

Country Link
CN (1) CN112733913A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050289089A1 (en) * 2004-06-28 2005-12-29 Naoki Abe Methods for multi-class cost-sensitive learning
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN108304884A (zh) * 2018-02-23 2018-07-20 华东理工大学 一种基于特征逆映射的代价敏感堆叠集成学习框架
CN109063787A (zh) * 2018-08-28 2018-12-21 齐齐哈尔大学 一种用于不平衡数据的基于X-mean和样本错分类率集成分类方法
CN109064034A (zh) * 2018-08-07 2018-12-21 山东师范大学 一种家庭财产风险管控方法及系统
CN109447158A (zh) * 2018-10-31 2019-03-08 中国石油大学(华东) 一种基于不平衡数据的Adaboost有利储层发育区预测方法
CN109800810A (zh) * 2019-01-22 2019-05-24 重庆大学 一种基于不平衡数据的少样本学习分类器构建方法
CN109840413A (zh) * 2017-11-28 2019-06-04 中国移动通信集团浙江有限公司 一种钓鱼网站检测方法及装置
CN111294465A (zh) * 2018-11-22 2020-06-16 奇酷互联网络科技（深圳）有限公司 防诈骗方法、移动终端及存储装置
CN111860658A (zh) * 2020-07-24 2020-10-30 华北电力大学（保定） 一种基于代价敏感和集成学习的变压器故障诊断方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050289089A1 (en) * 2004-06-28 2005-12-29 Naoki Abe Methods for multi-class cost-sensitive learning
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN109840413A (zh) * 2017-11-28 2019-06-04 中国移动通信集团浙江有限公司 一种钓鱼网站检测方法及装置
CN108304884A (zh) * 2018-02-23 2018-07-20 华东理工大学 一种基于特征逆映射的代价敏感堆叠集成学习框架
CN109064034A (zh) * 2018-08-07 2018-12-21 山东师范大学 一种家庭财产风险管控方法及系统
CN109063787A (zh) * 2018-08-28 2018-12-21 齐齐哈尔大学 一种用于不平衡数据的基于X-mean和样本错分类率集成分类方法
CN109447158A (zh) * 2018-10-31 2019-03-08 中国石油大学(华东) 一种基于不平衡数据的Adaboost有利储层发育区预测方法
CN111294465A (zh) * 2018-11-22 2020-06-16 奇酷互联网络科技（深圳）有限公司 防诈骗方法、移动终端及存储装置
CN109800810A (zh) * 2019-01-22 2019-05-24 重庆大学 一种基于不平衡数据的少样本学习分类器构建方法
CN111860658A (zh) * 2020-07-24 2020-10-30 华北电力大学（保定） 一种基于代价敏感和集成学习的变压器故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WEI FAN等: "AdaCost: Misclassification Cost-sensitive Boosting", 《ICML "99: PROCEEDINGS OF THE SIXTEENTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 *
刘凯伟等: "基于流形学习的异常检测算法研究", 《计算机工程与应用》 *
熊冰妍 等: "基于样本权重的不平衡数据欠抽样方法", 《计算机研究与发展》 *
谭浩等: "一种针对类别不平衡的代价敏感集成算法", 《山东理工大学学报(自然科学版)》 *
黄淼: "基于非对称信息数据的信用卡欺诈识别问题研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Similar Documents

Publication Publication Date Title
Lipton et al. Does mitigating ML's impact disparity require treatment disparity?
Patil et al. Predictive modelling for credit card fraud detection using data analytics
Chen Detection of fraudulent financial statements using the hybrid data mining approach
US11194692B2 (en) Log-based system maintenance and management
Kamishima et al. Fairness-aware classifier with prejudice remover regularizer
Fan et al. Robust deep auto-encoding Gaussian process regression for unsupervised anomaly detection
Guo et al. Breast cancer diagnosis using genetic programming generated feature
Xue et al. Semi-supervised outlier detection based on fuzzy rough C-means clustering
Yu et al. Training SVMs on a bound vectors set based on Fisher projection
Ross et al. Exploiting the “doddington zoo” effect in biometric fusion
CN105224849A (zh) 一种多生物特征融合身份鉴别方法以及装置
Zeng et al. Data Fusion for Traffic Incident Detector Using DS Evidence Theory with Probabilistic SVMs.
CN111708343A (zh) 一种面向制造业行业现场工艺行为异常行为检测方法
Bergamini et al. Combining different biometric traits with one-class classification
Rovetta et al. Detection of hazardous road events from audio streams: An ensemble outlier detection approach
Barman et al. A complete literature review on financial fraud detection applying data mining techniques
CN116823496A (zh) 基于人工智能的智能保险风险评估和定价系统
Cao et al. Predicting financial distress of Chinese listed companies using rough set theory and support vector machine
Mishra Fraud Detection: A Study of AdaBoost Classifier and K-Means Clustering
CN112733913A (zh) 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
CN113609480A (zh) 基于大规模网络流的多路学习入侵检测方法
Shilton et al. Multiclass anomaly detector: the cs++ support vector machine
Khan et al. The Performance Analysis of Machine Learning Algorithms for Credit Card Fraud Detection.
CN110705597B (zh) 基于事件因果关系抽取的网络苗头事件检测方法及系统
Finch A comparison of methods for group prediction with high dimensional data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210430