CN113554281A - 基于网格的用户业务风险的分析方法、装置和电子设备 - Google Patents
基于网格的用户业务风险的分析方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113554281A CN113554281A CN202110748084.7A CN202110748084A CN113554281A CN 113554281 A CN113554281 A CN 113554281A CN 202110748084 A CN202110748084 A CN 202110748084A CN 113554281 A CN113554281 A CN 113554281A
- Authority
- CN
- China
- Prior art keywords
- grid
- user
- risk
- business risk
- statistical data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012502 risk assessment Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013058 risk prediction model Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001960 triggered 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
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于网格的用户业务风险的分析方法、装置和电子设备，网格是指用于划分地理区域的地理网格，该方法包括：获取用户的地理位置信息；根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格；根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。根据本发明的技术方案，基于按网格划分的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，作为用户的业务风险指标，具有较高的准确性。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于网格的用户业务风险的分析方法、装置、电子设备及计算机可读介质。
背景技术
通常地，不同行业中存在不同类型的风险，也就存在着对风险进行分析的需求，例如，在交通出行领域，需要对交通拥堵、交通事故等风险进行分析，在金融领域，则需要对金融欺诈行为进行分析。以风险应对为目的，在各领域中产生了多种类型的风险分析策略。但是，现有的风险分析策略，往往只对少数人有效，并不能适用于较多数量的人群，这是因为不同人群所处环境的经济水平、人口密集程度等对风险产生影响的要素不同，受所处环境影响发生风险事件的概率也不同，对A环境下的用户进行的风险分析难以套用到B环境下的用户身上，因此，需要一种用于进行风险分析的技术方案，能够广泛地适用到大范围的人群。
发明内容
本发明旨在提供一种用于进行风险分析的技术方案，能够广泛地适用到大范围的人群。
为了解决上述技术问题，本发明第一方面提出一种基于网格的用户业务风险的分析方法，所述网格是指用于划分地理区域的地理网格，所述方法包括：获取用户的地理位置信息；根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格；根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标，并将其作为所述用户的业务风险指标，所述业务风险指标反映用户发生业务风险的几率。
根据本发明的一种优选实施方式，所述根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格包括：对所述用户的地理位置信息进行Geohash编码，将获得的Geohash编码对应的地理网格作为所述用户所在的网格。
根据本发明的一种优选实施方式，所述根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标包括：以网格为单位统计历史用户的风险特征，获得以网格为单位的风险特征统计数据；基于以网格为单位的风险特征统计数据建立并训练风险预测模型，使用该模型和用户所在网格的风险特征统计数据计算用户所在网格的业务风险指标。
根据本发明的一种优选实施方式，所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括：网格内风险特征统计数据和相邻网格风险特征统计数据。
根据本发明的一种优选实施方式，所述Geohash编码包括至少两个精度的Geohash编码；所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括多个精度网格下的风险特征统计数据。
根据本发明的一种优选实施方式，还包括：查找业务风险指标高于预设阈值的目标网格，在地图上对所述目标网格进行标注。
根据本发明的一种优选实施方式，还包括：监控所述目标网格内是否发生预设的业务风险事件，在发生所述业务风险事件时触发预设的业务风险预处置行为。
根据本发明的一种优选实施方式，还包括：查找在预设时间段内业务风险指标变化幅度超过预设阈值的目标网格以及所述目标网格内发生的多个社会事件，从所述多个社会事件中识别造成业务风险指标变化的事件。
本发明第二方面提出一种基于网格的用户业务风险的分析装置，所述网格是指用于划分地理区域的地理网格，所述装置包括：地理位置信息获取模块，获取用户的地理位置信息；网格识别模块，根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格；业务风险指标计算模块，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标，并将其作为所述用户的业务风险指标，所述业务风险指标反映用户发生业务风险的几率。
根据本发明的一种优选实施方式，所述网格识别模块对所述用户的地理位置信息进行Geohash编码，将获得的Geohash编码对应的地理网格作为所述用户所在的网格。
根据本发明的一种优选实施方式，所述业务风险指标计算模块以网格为单位统计历史用户的风险特征，获得以网格为单位的风险特征统计数据；基于以网格为单位的风险特征统计数据建立并训练风险预测模型，使用该模型和用户所在网格的风险特征统计数据计算用户所在网格的业务风险指标。
根据本发明的一种优选实施方式，所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括：网格内风险特征统计数据和相邻网格风险特征统计数据。
根据本发明的一种优选实施方式，所述Geohash编码包括至少两个精度的Geohash编码；所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括多个精度网格下的风险特征统计数据。
根据本发明的一种优选实施方式，还包括：网格标注模块，查找业务风险指标高于预设阈值的目标网格，在地图上对所述目标网格进行标注。
根据本发明的一种优选实施方式，还包括：风险预处置模块，监控所述目标网格内是否发生预设的业务风险事件，在发生所述业务风险事件时触发预设的业务风险预处置行为。
根据本发明的一种优选实施方式，还包括：风险事件识别模块，查找在预设时间段内业务风险指标变化幅度超过预设阈值的目标网格以及所述目标网格内发生的多个社会事件，从所述多个社会事件中识别造成业务风险指标变化的事件。
为了解决上述技术问题，本发明第三方面提出一种电子设备，其包括处理器以及存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为了解决上述技术问题，本发明第四方面提出一种计算机可读存储介质，该所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述的方法。
本发明的技术方案中，在对用户进行风险分析前，首先获取用户所在的地理位置，通过用户的地理位置确定用户所在的网格，并基于按网格划分的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，位于同一网格中的多个用户位于同一地域，该多个用户均受同一地域风险特征的影响，所以将用户所在网格的业务风险指标作为用户的业务风险指标，具有较高的准确性。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据本发明的一个实施例的基于网格的用户业务风险的分析方法的流程图；
图2是根据本发明的一个实施例的基于网格的用户业务风险的分析方法的流程图；
图3是根据本发明的一个实施例的基于网格的用户业务风险的分析方法的示意图；
图4是根据本发明的一个实施例的基于网格的用户业务风险的分析方法的流程图；
图5是根据本发明的一个实施例的基于网格的用户业务风险的分析装置的框图；
图6是根据本发明的一个实施例的基于网格的用户业务风险的分析装置的框图；
图7是根据本发明的一个实施例的电子设备的框图；
图8是根据本发明的一个实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
为实现对大范围的人群进行业务风险分析，本发明公开了一种基于网格的用户业务风险分析的技术方案，其中网格是指用于划分地理区域的地理网格，方案具体包括：获取用户的地理位置信息，该地理位置信息通常表现为经纬度形式(Latitude/Longitude)；根据用户的地理位置信息进行Geohash编码，并从预设的对应多个Geohash值对应的网格中识别用户当前位置Geohash编码对应的网格，即用户所在的网格；根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，由于网格内人群属于同一地域，而同一地域的风险元素相同，所以可以将用户所在网格的业务风险指标作为用户的业务风险指标，通过该业务风险指标反映用户发生业务风险的几率，具有较高的准确性。
如图1所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析方法，网格是指用于划分地理区域的地理网格，该方法包括：
步骤S110，获取用户的地理位置信息。
本实施例适用于对不同类型业务的风险分析，例如，可以是交通出行、购物消费、互联网金融等等。在本实施例中，可以使用经纬度来表示地理位置信息，如(116.40761,39.931286)。
步骤S120，根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格。
在本实施例中，可以基于经纬度信息对应的地理区域，划分不同精度的网格，当明确用户所在位置的经纬度信息后，可以确定用户所在的网格。
步骤S130，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。
在本实施例中，提前统计各网格内的历史用户的历史业务风险特征统计数据，在定位用户所在网格后，利用用户所在网格的历史业务风险特征统计数据，计算用户的业务风险指标。
根据本实施例的技术方案，在对用户进行风险分析时，需要考虑不同的地理区域对风险的影响程度是否有差异。对于不同省份、城市、地区，各地在地理位置、交通程度、城市人口密集程度等方面存在差别，经济发展水平也不尽相同，即不同区域影响风险的元素存在差异，对各自区域内用户产生不同的影响，而位于同一网格中的多个用户位于同一地域，该多个用户均受同一地域内相同元素的影响，所以将用户所在网格的业务风险指标作为用户的业务风险指标，具有较高的准确性。
如图2所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析方法，网格是指用于划分地理区域的地理网格，该方法包括：
步骤S210，获取用户的地理位置信息。
在本实施例中，获取用户的经纬度值(Latitude/Longitude)，具体如下表，经纬度值(Latitude/Longitude)为999时，代表未获取到定位信息。
| GeoId | UserId | RecordTime | Latitude | Longitude |
| GE1234500001 | fddf0e2e72fe6de | 2020/12/7 11:50 | 24.47527 | 115.7685 |
| GE1234500002 | fddf0e2e72fe7de | 2020/12/7 10:52 | 26.74519 | 110.6382 |
| GE1234500003 | fddf0e2e72fe8de | 2020/12/7 14:10 | 999 | 999 |
| GE1234500004 | fddf0e2e72fe9de | 2020/12/7 14:10 | 999 | 999 |
| GE1234500005 | ddf0e2e72fe10de | 2020/12/7 11:52 | 29.99845 | 120.5834 |
| GE1234500006 | ddf0e2e72fe11de | 2020/12/7 15:37 | 28.20219 | 113.1502 |
| GE1234500007 | ddf0e2e72fe12de | 2020/12/7 14:09 | 34.60985 | 119.1671 |
| GE1234500008 | ddf0e2e72fe13de | 2020/12/7 15:38 | 35.79226 | 119.9038 |
步骤S220，根据用户的地理位置信息，对用户的地理位置信息进行Geohash编码，将获得的Geohash编码对应的地理网格作为用户所在的网格。
在本实施例中，用户所在位置可遍布全国甚至全球，经纬度信息的数据长度较长，通过对位置进行网格化编码，压缩数据长度，相当于对经纬度信息进行了降维，降维后便于压缩数据量。具体地，使用Geohash算法对位置信息进行编码，通过Geohash算法将经纬度二维数据(如(116.40761,39.931286))编码为一个字符串，每个字符串对应一个矩形地理区域，不同的精度所对应的矩形长和宽不同，精度越高，矩形的边长越小，比如精度为4时，矩形长宽约为19.5km*39.1km；精度为8时，矩形长宽约为19m*38.2m，同时可以得到此编码周围8个相邻的矩形块的编码。
进一步地，Geohash编码包括至少两个精度的Geohash编码。如下表所示，对经纬度进行GeoHash编码，得到不同精度所对应的区域网格代码，包括精度3～精度8的网格代码(Grid3指在精度为3时所对应的网格代码)：
| UserId | Grid3 | Grid4 | Grid5 | Grid6 | Grid7 | Grid8 |
| ddf0e2e72fe14de | wse | wsey | wsey0 | wsey0j | wsey0j6 | wsey0j62 |
| ddf0e2e72fe15de | wxh | wxhj | wxhjs | wxhjs4 | wxhjs4c | wxhjs4c3 |
| ddf0e2e72fe16de | wt3 | wt3g | wt3gg | wt3ggh | wt3ggh1 | wt3ggh16 |
| ddf0e2e72fe17de | wtq | wtq3 | wtq3v | wtq3vh | wtq3vh6 | wtq3vh6b |
| ddf0e2e72fe18de | wmf | wmf2 | wmf26 | wmf26g | wmf26g8 | wmf26g8k |
| ddf0e2e72fe19de | wm5 | wm5m | wm5m9 | wm5m9u | wm5m9uz | wm5m9uz5 |
| ddf0e2e72fe20de | ws1 | ws10 | ws10c | ws10cz | ws10czz | ws10czzb |
| ddf0e2e72fe21de | ww7 | ww7p | ww7pc | ww7pc7 | ww7pc7h | ww7pc7h3 |
步骤S230，以网格为单位统计历史用户的风险特征，获得以网格为单位的风险特征统计数据。
进一步地，由于Geohash编码包括至少两个精度的Geohash编码，所以历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括多个精度网格下的风险特征统计数据，多个精度网格下的风险特征统计数据，能够保证实现以不同精度对用户风险分析。
在本实施例中，在得到历史用户的用户信息、经纬度所对应各精度下的网格代码后，通过对各网格的统计，形成以网格为单位的风险特征统计数据。例如，基于前述GeoHash编码的表格数据，形成的运送业务的风险特征统计数据如图3所示，当前对精度4的网格进行统计，统计网格内运送业务的总量以及未准时送达的业务数量，由图可以看出不同网格内的运送业务总量和未准时送达的业务数量差异比较明显，可以很直观的展示不同区域的业务活跃度与业务完成水平。
步骤S240，基于以网格为单位的风险特征统计数据建立并训练风险预测模型，使用该模型和用户所在网格的风险特征统计数据计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，该业务风险指标反映用户发生业务风险的几率。
进一步地，历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括：网格内风险特征统计数据和相邻网格风险特征统计数据，这表示不仅围绕用户所在地域的风险情况进行分析，更能够依据用户周边地域的风险情况进行风险分析，风险分析结果更加全面准确。
根据本实施例的技术方案，当获得一个新用户的地理位置时，可根据所在的网格，得到相同区域内人群的风险特征统计数据，用以协助判断此当前用户的风险。本实施例通过使用GeoHash编码方式，对经纬度地理位置信息进行编码，基于编码后的网格实现风险特征数据统计分析，增强各业务领域风险判别能力。
如图4所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析方法，网格是指用于划分地理区域的地理网格，该方法包括：
步骤S410，获取用户的地理位置信息。
步骤S420，根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格。
步骤S430，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。
步骤S440，查找业务风险指标高于预设阈值的目标网格，在地图上对目标网格进行标注。
在本实施例中，基于历史用户组的历史业务风险特征统计数据进行监控，具体地，可以监控风险水平高于一定阈值的网格，或监控风险较高的前N个网格，将其直接标注显示在地图上。
步骤S450，监控目标网格内是否发生预设的业务风险事件，在发生业务风险事件时触发预设的业务风险预处置行为。
在本实施例中，由于目标网格发生风险事件的概率较高，所以对其实时监控，一旦发生风险事件，立刻实施预设的业务风险预处置行为。
步骤S460，查找在预设时间段内业务风险指标变化幅度超过预设阈值的目标网格以及目标网格内发生的多个社会事件，从多个社会事件中识别造成业务风险指标变化的事件。
在本实施例中，通常风险事件的发生与社会事件存在关联，此时可以搜索近期网格内发生的多种社会事件，找出对风险事件产生影响的社会事件，作为风险事件的重要成因，例如，当检测到快递业务出现大规模延时时，检索当前发生的各种社会事件新闻，发现其中存在道路维修事件影响了快递顺利送达，将此信息作为快递业务异常的原因，通知相关人员。
根据本实施例的技术方案，不但能够准确分析用户的业务风险，还能准确定位发生业务风险可能性较高的目标网格，提前对目标网格进行监控，在目标网格发生风险事件时及时处理，并找到风险事件的成因。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序，即计算机程序。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
如图5所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析装置，网格是指用于划分地理区域的地理网格，该装置包括：
地理位置信息获取模块510，获取用户的地理位置信息。
本实施例适用于对不同类型业务的风险分析，例如，可以是交通出行、购物消费、互联网金融等等。在本实施例中，可以使用经纬度来表示地理位置信息，如(116.40761,39.931286)。
网格识别模块520，根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格。
在本实施例中，可以基于经纬度信息对应的地理区域，划分不同精度的网格，当明确用户所在位置的经纬度信息后，可以确定用户所在的网格。
业务风险指标计算模块530，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。
在本实施例中，提前统计各网格内的历史用户的历史业务风险特征统计数据，在定位用户所在网格后，利用用户所在网格的历史业务风险特征统计数据，计算用户的业务风险指标。
根据本实施例的技术方案，在对用户进行风险分析时，需要考虑不同的地理区域对风险的影响程度是否有差异。对于不同省份、城市、地区，各地在地理位置、交通程度、城市人口密集程度等方面存在差别，经济发展水平也不尽相同，即不同区域影响风险的元素存在差异，对各自区域内用户产生不同的影响，而位于同一网格中的多个用户位于同一地域，该多个用户均受同一地域内相同元素的影响，所以将用户所在网格的业务风险指标作为用户的业务风险指标，具有较高的准确性。
如图5所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析装置，网格是指用于划分地理区域的地理网格，该装置包括：
地理位置信息获取模块510，获取用户的地理位置信息。
在本实施例中，获取用户的经纬度值(Latitude/Longitude)，具体如下表，经纬度值(Latitude/Longitude)为999时，代表未获取到定位信息。
| GeoId | UserId | RecordTime | Latitude | Longitude |
| GE1234500001 | fddf0e2e72fe6de | 2020/12/7 11:50 | 24.47527 | 115.7685 |
| GE1234500002 | fddf0e2e72fe7de | 2020/12/7 10:52 | 26.74519 | 110.6382 |
| GE1234500003 | fddf0e2e72fe8de | 2020/12/7 14:10 | 999 | 999 |
| GE1234500004 | fddf0e2e72fe9de | 2020/12/7 14:10 | 999 | 999 |
| GE1234500005 | ddf0e2e72fe10de | 2020/12/7 11:52 | 29.99845 | 120.5834 |
| GE1234500006 | ddf0e2e72fe11de | 2020/12/7 15:37 | 28.20219 | 113.1502 |
| GE1234500007 | ddf0e2e72fe12de | 2020/12/7 14:09 | 34.60985 | 119.1671 |
| GE1234500008 | ddf0e2e72fe13de | 2020/12/7 15:38 | 35.79226 | 119.9038 |
网格识别模块520，根据用户的地理位置信息，对用户的地理位置信息进行Geohash编码，将获得的Geohash编码对应的地理网格作为用户所在的网格。
在本实施例中，用户所在位置可遍布全国甚至全球，经纬度信息的数据长度较长，通过对位置进行网格化编码，压缩数据长度，相当于对经纬度信息进行了降维，降维后便于压缩数据量。具体地，使用Geohash算法对位置信息进行编码，通过Geohash算法将经纬度二维数据(如(116.40761,39.931286))编码为一个字符串，每个字符串对应一个矩形地理区域，不同的精度所对应的矩形长和宽不同，精度越高，矩形的边长越小，比如精度为4时，矩形长宽约为19.5km*39.1km；精度为8时，矩形长宽约为19m*38.2m，同时可以得到此编码周围8个相邻的矩形块的编码。
进一步地，Geohash编码包括至少两个精度的Geohash编码。如下表所示，对经纬度进行GeoHash编码，得到不同精度所对应的区域网格代码，包括精度3～精度8的网格代码(Grid3指在精度为3时所对应的网格代码)：
| UserId | Grid3 | Grid4 | Grid5 | Grid6 | Grid7 | Grid8 |
| ddf0e2e72fe14de | wse | wsey | wsey0 | wsey0j | wsey0j6 | wsey0j62 |
| ddf0e2e72fe15de | wxh | wxhj | wxhjs | wxhjs4 | wxhjs4c | wxhjs4c3 |
| ddf0e2e72fe16de | wt3 | wt3g | wt3gg | wt3ggh | wt3ggh1 | wt3ggh16 |
| ddf0e2e72fe17de | wtq | wtq3 | wtq3v | wtq3vh | wtq3vh6 | wtq3vh6b |
| ddf0e2e72fe18de | wmf | wmf2 | wmf26 | wmf26g | wmf26g8 | wmf26g8k |
| ddf0e2e72fe19de | wm5 | wm5m | wm5m9 | wm5m9u | wm5m9uz | wm5m9uz5 |
| ddf0e2e72fe20de | ws1 | ws10 | ws10c | ws10cz | ws10czz | ws10czzb |
| ddf0e2e72fe21de | ww7 | ww7p | ww7pc | ww7pc7 | ww7pc7h | ww7pc7h3 |
业务风险指标计算模块530，以网格为单位统计历史用户的风险特征，获得以网格为单位的风险特征统计数据。
进一步地，由于Geohash编码包括至少两个精度的Geohash编码，所以历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括多个精度网格下的风险特征统计数据，多个精度网格下的风险特征统计数据，能够保证实现以不同精度对用户风险分析。
在本实施例中，在得到历史用户的用户信息、经纬度所对应各精度下的网格代码后，通过对各网格的统计，形成以网格为单位的风险特征统计数据。例如，基于前述GeoHash编码的表格数据，形成的运送业务的风险特征统计数据如图3所示，当前对精度4的网格进行统计，统计网格内运送业务的总量以及未准时送达的业务数量，由图可以看出不同网格内的运送业务总量和未准时送达的业务数量差异比较明显，可以很直观的展示不同区域的业务活跃度与业务完成水平。
业务风险指标计算模块530，基于以网格为单位的风险特征统计数据建立并训练风险预测模型，使用该模型和用户所在网格的风险特征统计数据计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，该业务风险指标反映用户发生业务风险的几率。
进一步地，历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括：网格内风险特征统计数据和相邻网格风险特征统计数据，这表示不仅围绕用户所在地域的风险情况进行分析，更能够依据用户周边地域的风险情况进行风险分析，风险分析结果更加全面准确。
根据本实施例的技术方案，当获得一个新用户的地理位置时，可根据所在的网格，得到相同区域内人群的风险特征统计数据，用以协助判断此当前用户的风险。本实施例通过使用GeoHash编码方式，对经纬度地理位置信息进行编码，基于编码后的网格实现风险特征数据统计分析，增强各业务领域风险判别能力。
如图6所示，本发明的一个实施例中提供了一种基于网格的用户业务风险的分析装置，网格是指用于划分地理区域的地理网格，该装置包括：
地理位置信息获取模块610，获取用户的地理位置信息。
网格识别模块620，根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格。
业务风险指标计算模块630，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。
网格标注模块640，查找业务风险指标高于预设阈值的目标网格，在地图上对目标网格进行标注。
在本实施例中，基于历史用户组的历史业务风险特征统计数据进行监控，具体地，可以监控风险水平高于一定阈值的网格，或监控风险较高的前N个网格，将其直接标注显示在地图上。
风险预处置模块650，监控目标网格内是否发生预设的业务风险事件，在发生业务风险事件时触发预设的业务风险预处置行为。
在本实施例中，由于目标网格发生风险事件的概率较高，所以对其实时监控，一旦发生风险事件，立刻实施预设的业务风险预处置行为。
风险事件识别模块660，查找在预设时间段内业务风险指标变化幅度超过预设阈值的目标网格以及目标网格内发生的多个社会事件，从多个社会事件中识别造成业务风险指标变化的事件。
在本实施例中，通常风险事件的发生与社会事件存在关联，此时可以搜索近期网格内发生的多种社会事件，找出对风险事件产生影响的社会事件，作为风险事件的重要成因，例如，当检测到快递业务出现大规模延时时，检索当前发生的各种社会事件新闻，发现其中存在道路维修事件影响了快递顺利送达，将此信息作为快递业务异常的原因，通知相关人员。
根据本实施例的技术方案，不但能够准确分析用户的业务风险，还能准确定位发生业务风险可能性较高的目标网格，提前对目标网格进行监控，在目标网格发生风险事件时及时处理，并找到风险事件的成因。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。图7显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，该示例性实施例的电子设备200以通用数据处理设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元220存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元210执行，使得所述处理单元210执行本发明各种实施方式的步骤。例如，所述处理单元210可以执行如图1、图2或图4所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备300与该电子设备200交互，和/或使得该电子设备200能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口250进行，还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，电子设备200中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
图8是本发明的一个计算机可读介质实施例的示意图。如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：获取用户的地理位置信息；根据用户的地理位置信息，从预先划分的多个网格中识别用户所在的网格；根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算用户所在网格的业务风险指标，并将其作为用户的业务风险指标，业务风险指标反映用户发生业务风险的几率。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于网格的用户业务风险的分析方法，所述网格是指用于划分地理区域的地理网格，其特征在于，包括：
获取用户的地理位置信息；
根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格；
根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标，并将其作为所述用户的业务风险指标，所述业务风险指标反映用户发生业务风险的几率。
2.根据权利要求1所述的基于网格的用户业务风险的分析方法，其特征在于，所述根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格包括：
对所述用户的地理位置信息进行Geohash编码，将获得的Geohash编码对应的地理网格作为所述用户所在的网格。
3.根据权利要求2所述的基于网格的用户业务风险的分析方法，其特征在于，所述根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标包括：
以网格为单位统计历史用户的风险特征，获得以网格为单位的风险特征统计数据；
基于以网格为单位的风险特征统计数据建立并训练风险预测模型，使用该模型和用户所在网格的风险特征统计数据计算用户所在网格的业务风险指标。
4.根据权利要求3所述的基于网格的用户业务风险的分析方法，其特征在于，所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括：网格内风险特征统计数据和相邻网格风险特征统计数据。
5.根据权利要求3所述的基于网格的用户业务风险的分析方法，其特征在于，所述Geohash编码包括至少两个精度的Geohash编码；
所述历史业务风险特征统计数据和用户所在网格的风险特征统计数据均包括多个精度网格下的风险特征统计数据。
6.根据权利要求1所述的基于网格的用户业务风险的分析方法，其特征在于，还包括：
查找业务风险指标高于预设阈值的目标网格，在地图上对所述目标网格进行标注。
7.根据权利要求6所述的基于网格的用户业务风险的分析方法，其特征在于，还包括：
监控所述目标网格内是否发生预设的业务风险事件，在发生所述业务风险事件时触发预设的业务风险预处置行为。
8.一种基于网格的用户业务风险的分析装置，所述网格是指用于划分地理区域的地理网格，其特征在于，包括：
地理位置信息获取模块，获取用户的地理位置信息；
网格识别模块，根据所述用户的地理位置信息，从预先划分的多个网格中识别所述用户所在的网格；
业务风险指标计算模块，根据以网格为单位的历史用户组的历史业务风险特征统计数据，计算所述用户所在网格的业务风险指标，并将其作为所述用户的业务风险指标，所述业务风险指标反映用户发生业务风险的几率。
9.一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748084.7A CN113554281A (zh) | 2021-07-02 | 2021-07-02 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748084.7A CN113554281A (zh) | 2021-07-02 | 2021-07-02 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113554281A true CN113554281A (zh) | 2021-10-26 |
Family
ID=78131219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110748084.7A Pending CN113554281A (zh) | 2021-07-02 | 2021-07-02 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554281A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018572A1 (en) * | 2016-07-12 | 2018-01-18 | Alibaba Group Holding Limited | Method, apparatus, device, and system for predicting future travel volumes of geographic regions based on historical transportation network data |
| CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
| CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 |
| CN108876136A (zh) * | 2018-06-11 | 2018-11-23 | 北京工商大学 | 基于位置推荐改进算法的恐怖袭击事件风险评估方法 |
| CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
| CN110349004A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
| CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
| CN110490608A (zh) * | 2019-07-12 | 2019-11-22 | 招联消费金融有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN111127062A (zh) * | 2018-11-01 | 2020-05-08 | 中国移动通信集团广东有限公司 | 一种基于空间搜索算法的群体欺诈识别方法及装置 |
| CN111274104A (zh) * | 2018-11-16 | 2020-06-12 | 北京微播视界科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
| CN112308292A (zh) * | 2020-10-10 | 2021-02-02 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
| CN112348321A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 风险用户的识别方法、装置及电子设备 |
| CN112348660A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 生成风险警示信息的方法、装置及电子设备 |
| CN112381435A (zh) * | 2020-11-20 | 2021-02-19 | 云南华电鲁地拉水电有限公司 | 水电站作业过程动态风险的网格化定向推送管理方法 |
-
2021
- 2021-07-02 CN CN202110748084.7A patent/CN113554281A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018572A1 (en) * | 2016-07-12 | 2018-01-18 | Alibaba Group Holding Limited | Method, apparatus, device, and system for predicting future travel volumes of geographic regions based on historical transportation network data |
| CN108062674A (zh) * | 2017-12-28 | 2018-05-22 | 上海携程商务有限公司 | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 |
| CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
| CN110262947A (zh) * | 2018-03-12 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 阈值告警方法、装置、计算机设备及存储介质 |
| CN108876136A (zh) * | 2018-06-11 | 2018-11-23 | 北京工商大学 | 基于位置推荐改进算法的恐怖袭击事件风险评估方法 |
| CN111127062A (zh) * | 2018-11-01 | 2020-05-08 | 中国移动通信集团广东有限公司 | 一种基于空间搜索算法的群体欺诈识别方法及装置 |
| CN111274104A (zh) * | 2018-11-16 | 2020-06-12 | 北京微播视界科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
| CN110349004A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
| CN110490608A (zh) * | 2019-07-12 | 2019-11-22 | 招联消费金融有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN111723367A (zh) * | 2020-06-12 | 2020-09-29 | 国家电网有限公司 | 一种电力监控系统业务场景处置风险评价方法及系统 |
| CN112308292A (zh) * | 2020-10-10 | 2021-02-02 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
| CN112348321A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 风险用户的识别方法、装置及电子设备 |
| CN112348660A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 生成风险警示信息的方法、装置及电子设备 |
| CN112381435A (zh) * | 2020-11-20 | 2021-02-19 | 云南华电鲁地拉水电有限公司 | 水电站作业过程动态风险的网格化定向推送管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邢凯: "基于k-匿名的位置隐私保护方法研究", 《中国优秀硕士学位论文全文数据库 信息科技》, no. 1 * |
| 陈鹏等: "时空犯罪热点预测模型研究", 《系统仿真学报》, vol. 23, no. 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168854B (zh) | 互联网广告异常点击检测方法、装置、设备及可读存储介质 | |
| CN111488363B (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN109359277B (zh) | 数据监控方法、设备及计算机存储介质 | |
| CN109992484B (zh) | 一种网络告警相关性分析方法、装置和介质 | |
| CN110196834A (zh) | 一种用于数据项、文件、数据库的对标方法和系统 | |
| CN110516034A (zh) | 日志管理方法、装置、网络设备和可读存储介质 | |
| CN111552800A (zh) | 摘要生成方法、装置、电子设备及介质 | |
| CN113722617A (zh) | 企业实际办公地址的识别方法、装置及电子设备 | |
| Jiang et al. | A collective human mobility analysis method based on data usage detail records | |
| CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
| CN110674288A (zh) | 一种应用于网络安全领域的用户画像方法 | |
| CN113554281A (zh) | 基于网格的用户业务风险的分析方法、装置和电子设备 | |
| CN111563527A (zh) | 异常事件检测方法以及装置 | |
| CN112989817B (zh) | 一种气象预警信息自动审核方法 | |
| CN112819593B (zh) | 基于位置信息的数据分析方法、装置、设备及介质 | |
| CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN114818716A (zh) | 一种风险主体的识别方法、装置、存储介质及设备 | |
| CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
| CN112527851A (zh) | 用户特征数据筛选方法、装置及电子设备 | |
| Mo et al. | Predicting the impact of disruptions to urban rail transit systems | |
| CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
| CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
| Carrera et al. | Leveraging natural language processing applications and microblogging platform for increased transparency in crisis areas | |
| CN113836358A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| KR20230009340A (ko) | 클릭 데이터 잡음 제거 방법, 장치, 전자 기기 및 저장 매체 |
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 |