CN114493864A - 一种基于资金大数据异常检测系统及方法 - Google Patents
一种基于资金大数据异常检测系统及方法 Download PDFInfo
- Publication number
- CN114493864A CN114493864A CN202210003998.5A CN202210003998A CN114493864A CN 114493864 A CN114493864 A CN 114493864A CN 202210003998 A CN202210003998 A CN 202210003998A CN 114493864 A CN114493864 A CN 114493864A
- Authority
- CN
- China
- Prior art keywords
- fund
- transaction
- data
- evaluation
- account
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于资金大数据异常检测系统及方法,涉及金融领域,包括数据采集单元,用于采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;数据整理单元,用于调取资金数据池内的基础资金数相关数据进行分类和整理,并进行转化和清理筛除,并建立基础资金数据库;评估研判单元,用于基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常。通过利用运用资金检测技术、数据统计方法以及计算机排序比对算法对资金特征,例如交易金额、交易时间、交易地点、交易频率、交易方式进行检测,分析这些特征的数据趋势、占比等内容,判断资金交易性质,分析资金交易流向,快速地定位重点可疑账户及资金。
Description
技术领域
本发明涉及金融领域,特别涉及一种基于资金大数据异常检测系统及方法。
背景技术
资金作为经济类犯罪的核心,任何类型的经济犯罪都要涉及资金的流转。能最为直观体现了经济犯罪的脉络。随着犯罪分子的犯罪手段、反侦察意识的不断提升,使资金流转更复杂、隐蔽、快速,使办案民警在侦破经济案件中很难快速地定位重点嫌疑账户定、资金流向追踪、证据固定等,这对经侦部门的分析研判手段提出了更高的要求。
目前检测技术还未运用到经济犯罪的资金数据检测中,公安机关在打击经济犯罪案件中,依然采用人工处理、经验筛等老办法,不能快速地定位案件中涉及的重点嫌疑人以及资金流向,对犯罪嫌疑人的精确打击的能力不足,不仅增加了公安机关的人力成本也不能快速地挽回受害人的经济损失。
发明内容
为实现上述目的,本发明提出一种利用资金检测技术,针对背景技术存在的缺陷提出一种聚焦资金数据的主体、流动情况、使用特征、历史沉淀等的多视角,运用数据统计方法以及计算机排序比对算法对资金特征进行分析,分析资金特征的数据趋势、占比等,提高办案人员快速定位犯罪嫌疑人的账户和资金流向,提高工作效率,减少人工成本,挽回经济损失,为经济案件侦办提供指引,并为案件证据固定提供有力的支撑。
通过利用行为学理论,从众多复杂的数据中,如账户、交易金额、交易频率、交易时间、交易对手、交易用途等方面对其行为及其关系进行要素化,细粒度形式化建模,提取违法犯罪资金特征指标,运用资金检测技术、数据统计方法以及计算机排序比对算法对资金特征(交易金额、交易时间、交易地点、交易频率、交易方式)进行检测,分析这些特征的数据趋势、占比等内容,快速地定位重点可疑账户及资金。
根据经济犯罪特征构建资金检测模型指标体系:以行为学理论,从众多复杂的数据中,如账户、交易金额、交易频率、交易时间、交易对手、交易用途,等方面对其行为及其关系进行要素化,细粒度形式化建模,提取违法犯罪资金特征指标。
本发明采用的技术方案如下:一种基于资金大数据异常检测系统,包括,数据采集单元,用于采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;
数据整理单元,用于调取资金数据池内的基础资金数相关数据进行分类和整理,并进行转化和清理筛除,并建立基础资金数据库;
数据评估单元,用于对加入基础资金数据库的基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
资金检测单元,用于对资金交易的多个指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;
评估研判单元,用于基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,对异常特征进行提取,并进行趋势分析,输出账户评估结果。
进一步的,所述数据评估单元输出的评估结果中包含异常状态评估结果和正常状态的评估结果,对于评估呈现有异常状态的,将部分异常数据进行归类统计,集中展现。
进一步的,所述资金检测单元包括,
交易时间检测模块,用于对资金交易时间特征进行检测,输出时间特征数据;
交易地点检测模块,用于对资金交易的地点特征进行检测,输出地点特征数据;
交易时间检测单元,用于资金对交易金额特征进行检测,输出金额特征数据;
交易用途检测单元,资金对交易用途特征进行检测,输出用途特征数据;
交易频率检测单元,用于对资金交易频率特征进行检测,输出频率特征数据;
交易对手检测单元,用于对资金交易用对手特征进行检测,输入对手特征数据。
进一步的,所述评估研判单元包括,
机器学习评估模块,用于通过机器学习的方式,对资金交易进行整体性评估,输出一次评估结果;
专家评估模块,用于通过专家经验的方式,对资金交易进行整体性评估,输出二次评估结果。
进一步的,调用机器学习评估模块输出的一次评估结果以及专家评估模块输出的二次评估结果进行加权平均,形成最终评估结果,并且将最终评估结果与设置的评估阈值进行对比,从而判断资金账户是否异常。
进一步的,所述评估研判单元还包括,
特征提取评估模块,用于在专家评估模块输出的最终评估结果为异常时,对资金账户进行特征提取,并进行趋势分析,判断该资金账户接下来是否会继续异常。
进一步的,还包括输出单元,用于调取评估研判单元输出的账户评估结果,并进行展示。
进一步的,还包括资金追踪单元,用于通过对资金交易要素进行分析,实现对账户或主体的资金追踪,形成资金流动路径数据。
本发明还提供一种基于资金大数据异常检测方法,包括以下步骤,
步骤S10,采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;
步骤S20,用于对基础资金数据进行分类和整理,并进行合理转化和清理筛除,并建立基础资金数据库;
步骤S30,对基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
步骤S40,对有效数据池内的资金交易的指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;
步骤S60,基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,输出账户评估结果,并对异常特征进行提取;
步骤S70,根据账户评估结果,并进行展示。
进一步的,对资金交易要素进行分析,对账户或主体的资金追踪,形成资金流动路径数据。
与现有技术相比,本发明具有以下有益效果:
本发明通过利用运用资金检测技术、数据统计方法以及计算机排序比对算法对资金特征,例如交易金额、交易时间、交易地点、交易频率、交易方式进行检测,分析这些特征的数据趋势、占比等内容,判断资金交易性质,分析资金交易流向,快速地定位重点可疑账户及资金。系统能够提高办案民警的工作效率,减少了办案的人工成本,为案件侦办以及方向提供有力的帮助和支撑。
附图说明
图1为本发明中异常检测系统的工作流程结构示意图;
图2为本发明中异常检测系统的资金检测单元构成示意图;
图3为本发明中异常检测方法的工作流程示意图;
其中,附图标记对应的名称为:
10、数据采集单元;20、数据整理单元;30、数据评估单元;40、资金检测单元;41、交易时间检测模块;42、交易地点检测模块;43、交易时间检测单元;44、交易用途检测单元;45、交易频率检测单元;46、交易对手检测单元;50、评估研判单元;51、特征提取评估模块;52、专家评估模块;53、机器学习评估模块;60、资金追踪单元;70、输出单元。
具体实施方式
为使本发明实施条例的目的、技术方案和优点更加清楚,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。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例1
如图1以及图2所示,本实施例中所述的一种基于资金大数据异常检测系统,包括数据采集单元10、数据整理单元20、数据评估单元30,资金检测单元 40、评估研判单元50、输出单元70;
其中,所述数据采集单元10用于采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;其中,基础资金数据包括例如资金交易明细、账户信息、JASS数据、pos机商户数据、反洗钱数据,交易的时间、地点、金额、用途、频率、对手等;
所述数据整理单元20,用于调取资金数据池内的基础资金数相关数据进行分类和整理,并进行转化和清理筛除,并建立基础资金数据库;从而对后支撑案件任务后续的分析工作;
所述数据整理单元20对已入基础资金数据库的数据的深加工,用以提高数据质量,提升分析结果的可靠性。用户能够自己对入库数据内容进行纠错、补全、去重等工作,支持基于业务逻辑的无效数据筛选、剔除等功能。
所述数据评估单元30用于对加入基础资金数据库的基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
使用时,可根据导入资金数据的类型,自由设置关键字段的评估参数,从而形成差异化的有效数据池;
所述数据评估单元30会自动对资金数据进行评估,在输出的结果中,综合考量数据各方面的完整性、正确性,将其标注为优质数据、良性数据、可用数据、缺项数据四个级别,结合上述手段,确保采集入有效数据池能有效的支撑后续研判工作,提高分析结果的可靠性。
进一步的,所述数据评估单元30输出的评估结果中包含异常状态评估结果和正常状态的评估结果,对于评估呈现有异常状态的,系统会将该部分数据进行归类统计,集中展现,从而方便用户进行查看,并且用户可批量对异常数据进行字段替换、删除、导出等形式的操作。
参考图1,基于经由数据评估单元30评估筛查后的有效数据池,所述资金检测单元40用于对资金交易的多个指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;资金交易的多个指标包括,金额、交易时间、交易频率、交易地点、交易用途、交易对手等。
参考图2,所述资金检测单元40包括交易时间检测模块41、交易地点检测模块42、交易时间检测单元43、交易用途检测单元44、交易频率检测单元45、交易对手检测单元46,其中,
所述交易时间检测模块41用于对资金交易时间特征进行检测,输出时间特征数据;
时间特征包括,
有沉睡期特征:运用统计学中时间序列法,对一个账号进行一定时间段内的连续交易观测,提取趋势变化特征,分析其变化过程与发展规模,是否存在首次交易在开户后一段时间内,交易金额小于某一固定的交易笔数占总笔交易笔数的一定比例,获取符合沉睡期特征的账户,内容包括交易账号、交易名称、交易证件号码、交易总金额、交易总笔数、小于100元的交易笔数占交易总笔数的比例;
运用统计学中时间序列法,对一个账号进行1天24小时时间段的交易进行分析,分析其每天24小时间的变化过程与交易规模,是否存在大量的交易发生在夜间,获取符合夜间交易频繁特征的账户,内容包括交易时间、交易账号、交易名称、交易证件号码、交易总金额、交易总笔数、进账金额、进账笔数、出账金额、出账笔数。
所述交易地点检测模块42用于对资金交易的地点特征进行检测,输出地点特征数据;
交易地点特征数据包括,
交易地点高危地区交易:运用数据比对法,根据交易主体所在区域与高危地区进行比对碰撞,分析获取交易主体是否为某类案件的高危地区,内容包括交易账号、交易名称、交易证件号码、高危类型、高危地区、交易总金额、交易总笔数。多个账户IP地址相同:运用统计学的分类法,根据资金交易明细中 IP地址、MAC、交易对手和账户信息中代办人、工作单位、住址地址、开户地址等对涉案账户进行归类,利用账户关联技术将相互关联的账户划分为一个账户组,从而发现账户组和犯罪团伙。
所述交易时间检测单元43用于资金对交易金额特征进行检测,输出金额特征数据;
交易金额特征包括,
大额现存、现取资金断点特征:运用统计学中相关分析法,利用资金交易数据中交易摘要为现金业务与交易金额之间的关联性,计算现金业务与交易金额大于一定阈值的账户,获取符合大额取现或现存特征的账户,内容包括交易账号、交易名称、交易证件号码、交易银行名称、交易网点名称、交易发生地、交易时间、交易金额、摘要说明;
小额测试交易特征:运用统计学中时间序列法,对一个账号进行一定时间段内的连续交易观测,提取趋势变化特征,分析其变化过程与发展规模,是否存在单日转出特定笔数并且具有特定金额特征,并在一定时间段转出特定大额交易的行为,获取符合小额测试特征的账户,内容包括交易账号、交易名称、交易证件号码、交易总笔数;
固定金额或固定金额的倍数占比大特征:运用统计学中构成比率分析法,利用资金交易数据中交易金额为某固定金额的部分占总交易额的比重,即部分与总体的比率,计算某一个固定金额或者某一个金额倍数与总交易金额的占比,获取符合固定金额或固定金额的倍数特征的账户,内容包括交易账号、交易名称、交易证件号码、交易总笔数、固定金额交易总笔数、固定金额交易总笔数占总交易笔数的比例。
所述交易用途检测单元44用于资金对交易用途特征进行检测,输出用途特征数据;
交易用途特征包括,
运用描述统计的图表或数学方法,对交易摘要说明进行整理、分析,并对资金交易的分布状态、交易金额特征之间关系进行估计和描述,分析其主要的资金来源方式及资金去向用途。内容包括来源方式类别、去向用途类别、交易总金额、交易总笔数、进账金额、进账笔数、出账金额、出账笔数。
所述交易频率检测单元45用于对资金交易频率特征进行检测,输出频率特征数据;
所述资金交易金额特征包括,
资金快进快出,当日不留余额或少留余额:运用统计学中时间序列法和交易金额相关法,根据账号的交易时间规律以及交易金额的变化,分析其是否存在资金当天转入立即转出、当日不留余额或少留余额的特征,并且多笔交易都是这个特征,获取符合该特征的账号,内容包括交易账号、交易名称、交易证件号码、快进快出次数、交易总金额;
资金分散转入集中转出:运用统计学频次分布法,根据资金交易进账频次与出账频次进行比较,分析出是否在短期内资金有分散转入、集中转出,并与客户身份、财务状况、经营业务明显不符的账号,内容包括交易账号、交易名称、交易证件号码、进账笔数、出账笔数、交易总笔数、进账笔数占总交易笔数的比例、出账笔数占总交易笔数的比例。
所述交易对手检测单元46用于对资金交易用对手特征进行检测,输出对手特征数据;所述对手特征数据包括,
存在公转私行为的账号:运用统计学中时间序列法和相关分析法,对一个账号的资金流向进行追踪,提取资金去向对手的变化特征,是否存在公司账户收到资金转入后,即可转给另外一家公司账户,然后通过公司账户转给个人账户的行为,获取符合公转私特征的账户,内容包括交易账号、交易名称、交易证件号码、交易总笔数。
参考图1,本系统还包括评估研判单元50,所述评估研判单元50用于基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,对异常特征进行提取,并进行趋势分析,输出账户评估结果;使用时,用户能够基于该结果来判断所涉及的账户是否为正常状态。
所述评估研判单元50包括特征提取评估模块51、专家评估模块52以及机器学习评估模块53,其中
所述机器学习评估模块53,用于通过机器学习的方式,基于资金交易特征数据池,对资金交易进行整体性评估,输出一次评估结果,其核心为机器学习算法;
所述专家评估模块52,用于通过专家经验的方式,基于资金交易特征数据池,对资金交易进行整体性评估,输出二次评估结果,其核心为专家经验评估算法;
使用时,调用一次评估结果以及二次评估结果进行加权平均,从而形成最终评估结果,并且将最终评估结果与设置的评估阈值进行对比,从而判断资金账户是否异常;
所述特征提取评估模块51,用于在专家评估模块52输出的最终评估结果为异常时,对资金账户进行特征提取,并进行趋势分析,判断该资金账户接下来是否会继续异常。
参考图1,本系统还包括输出单元70,用于调取评估研判单元50输出的账户评估结果,并进行展示,使用用户能够直观了解。
本系统还包括资金追踪单元60,所述资金追踪单元60用于通过对资金关联关系、交易时间、交易金额等进行分析,实现对账户或主体的资金追踪,形成资金流动路径数据,包括资金来源、资金去向、资金链路、资金环路等;在使用时,资金追踪手段运用了资金追踪溯源方法、统计学概率分析法以及会计学的借贷平衡法等,通过追踪和输出资金流动的路径,便于用户进行回溯和归责。
实施例2
如图3所示,本实施例中所述的一种基于资金大数据异常检测方法,包括以下步骤,
步骤S10,采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;
步骤S20,用于对基础资金数据进行分类和整理,并进行合理转化和清理筛除,并建立基础资金数据库;
步骤S30,对基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
步骤S40,对有效数据池内的资金交易的指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;
步骤S60,基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,输出账户评估结果,并对异常特征进行提取;
步骤S70,根据账户评估结果,并进行展示;
参考图1至图3,本实施例中所述的一种基于资金大数据异常检测方法,包括以下步骤,在步骤S50之后还包括,
步骤S60,对资金交易要素进行分析,对账户或主体的资金追踪,形成资金流动路径数据。
通过利用运用资金检测技术、数据统计方法以及计算机排序比对算法对资金特征,例如交易金额、交易时间、交易地点、交易频率、交易方式进行检测,分析这些特征的数据趋势、占比等内容,判断资金交易性质,分析资金交易流向,快速地定位重点可疑账户及资金。系统能够提高办案民警的工作效率,减少了办案的人工成本,为案件侦办以及方向提供有力的帮助和支撑。
需要说明的是,在本文中,如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (10)
1.一种基于资金大数据异常检测系统,其特征在于,包括,
数据采集单元(10),用于采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;
数据整理单元(20),用于调取资金数据池内的基础资金数相关数据进行分类和整理,并进行转化和清理筛除,并建立基础资金数据库;
数据评估单元(30),用于对加入基础资金数据库的基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
资金检测单元(40),用于对资金交易的多个指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;
评估研判单元(50),用于基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,对异常特征进行提取,并进行趋势分析,输出账户评估结果。
2.根据权利要求1所述的一种基于资金大数据异常检测系统,其特征在于,所述数据评估单元(30)输出的评估结果中包含异常状态评估结果和正常状态的评估结果,对于评估呈现有异常状态的,将部分异常数据进行归类统计,集中展现。
3.根据权利要求1所述的一种基于资金大数据异常检测系统,其特征在于,所述资金检测单元(40)包括,
交易时间检测模块(41),用于对资金交易时间特征进行检测,输出时间特征数据;
交易地点检测模块(42),用于对资金交易的地点特征进行检测,输出地点特征数据;
交易时间检测单元(43),用于资金对交易金额特征进行检测,输出金额特征数据;
交易用途检测单元(44),资金对交易用途特征进行检测,输出用途特征数据;
交易频率检测单元(45),用于对资金交易频率特征进行检测,输出频率特征数据;
交易对手检测单元(46),用于对资金交易用对手特征进行检测,输入对手特征数据。
4.根据权利要求1所述的一种基于资金大数据异常检测系统,其特征在于,所述评估研判单元(50)包括,
机器学习评估模块(53),用于通过机器学习的方式,对资金交易进行整体性评估,输出一次评估结果;
专家评估模块(52),用于通过专家经验的方式,对资金交易进行整体性评估,输出二次评估结果。
5.根据权利要求4所述的一种基于资金大数据异常检测系统,其特征在于,调用机器学习评估模块(53)输出的一次评估结果以及专家评估模块(52)输出的二次评估结果进行加权平均,形成最终评估结果,并且将最终评估结果与设置的评估阈值进行对比,从而判断资金账户是否异常。
6.根据权利要求4所述的一种基于资金大数据异常检测系统,其特征在于,所述评估研判单元(50)还包括,
特征提取评估模块(51),用于在专家评估模块(52)输出的最终评估结果为异常时,对资金账户进行特征提取,并进行趋势分析,判断该资金账户接下来是否会继续异常。
7.根据权利要求6所述的一种基于资金大数据异常检测系统,其特征在于,还包括输出单元(70),用于调取评估研判单元(50)输出的账户评估结果,并进行展示。
8.根据权利要求6所述的一种基于资金大数据异常检测系统,其特征在于,还包括资金追踪单元(60),用于通过对资金交易要素进行分析,实现对账户或主体的资金追踪,形成资金流动路径数据。
9.权利要求1至8中所述的一种基于资金大数据异常检测方法,其特征在于,包括以下步骤,
步骤S10,采集资金流动的基础资金数相关数据,并进行智能化导入,建立资金数据池;
步骤S20,用于对基础资金数据进行分类和整理,并进行合理转化和清理筛除,并建立基础资金数据库;
步骤S30,对基础资金数据进行质量评估,形成评估结果,并且将评估结果差于阈值的数据进行筛除,形成有效数据池;
步骤S40,对有效数据池内的资金交易的指标进行检测,展开细粒度形式化建模,形成资金交易特征数据池;
步骤S60,基于资金交易特征数据池,对资金交易进行整体性评估,判断所涉及的资金账户是否异常,如果异常,输出账户评估结果,并对异常特征进行提取;
步骤S70,根据账户评估结果,并进行展示。
10.根据权利要求9所述的一种基于资金大数据异常检测方法,其特征在于,对资金交易要素进行分析,对账户或主体的资金追踪,形成资金流动路径数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003998.5A CN114493864A (zh) | 2022-01-04 | 2022-01-04 | 一种基于资金大数据异常检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003998.5A CN114493864A (zh) | 2022-01-04 | 2022-01-04 | 一种基于资金大数据异常检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493864A true CN114493864A (zh) | 2022-05-13 |
Family
ID=81509162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210003998.5A Pending CN114493864A (zh) | 2022-01-04 | 2022-01-04 | 一种基于资金大数据异常检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493864A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808601A (zh) * | 2024-02-28 | 2024-04-02 | 山东领潮软件科技有限公司 | 一种基于大数据的资金追溯方法及系统 |
-
2022
- 2022-01-04 CN CN202210003998.5A patent/CN114493864A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808601A (zh) * | 2024-02-28 | 2024-04-02 | 山东领潮软件科技有限公司 | 一种基于大数据的资金追溯方法及系统 |
CN117808601B (zh) * | 2024-02-28 | 2024-05-24 | 山东领潮软件科技有限公司 | 一种基于大数据的资金追溯方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461078B (zh) | 一种基于资金交易网络的异常交易识别方法及系统 | |
CN110334737B (zh) | 一种基于随机森林的客户风险指标筛选的方法和系统 | |
Li et al. | Identifying the signs of fraudulent accounts using data mining techniques | |
Xing et al. | Employing latent dirichlet allocation for fraud detection in telecommunications | |
Savage et al. | Detection of money laundering groups using supervised learning in networks | |
CN106384273A (zh) | 恶意刷单检测系统及方法 | |
Louzada et al. | Bagging k-dependence probabilistic networks: An alternative powerful fraud detection tool | |
US20220383322A1 (en) | Clustering-based data selection for optimization of risk predictive machine learning models | |
Savage et al. | Detection of money laundering groups: Supervised learning on small networks | |
US20130179317A1 (en) | Negotiable instrument electronic clearance monitoring systems and methods | |
CN112668614A (zh) | 一种反洗钱研判方法 | |
Barman et al. | A complete literature review on financial fraud detection applying data mining techniques | |
CN114493864A (zh) | 一种基于资金大数据异常检测系统及方法 | |
CN113256121A (zh) | 一种人工智能反洗钱方法与系统 | |
WO2011025689A1 (en) | Integrated fraud platform | |
CN115496130A (zh) | 新发卡实时审批模型的训练及审批方法、设备及存储介质 | |
CN113592505B (zh) | 基于组合构建实现可疑交易场景模型识别处理的系统 | |
KR102512982B1 (ko) | 보험사기 검출 시스템 | |
KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
Ogme et al. | Temporal transaction scraping assisted point of compromise detection with autoencoder based feature engineering | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
Hsin et al. | Interpretable Electronic Transfer Fraud Detection with Expert Feature Constructions. | |
Krishna et al. | Machine Learning based Data Mining for Detection of Credit Card Frauds | |
Gombiro et al. | A conceptual framework for detecting financial crime in mobile money transactions | |
CN113837512A (zh) | 异常用户的识别方法及装置 |
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 |