CN114862560A - 一种汽车反欺诈风险识别方法及其相关设备 - Google Patents
一种汽车反欺诈风险识别方法及其相关设备 Download PDFInfo
- Publication number
- CN114862560A CN114862560A CN202210596521.2A CN202210596521A CN114862560A CN 114862560 A CN114862560 A CN 114862560A CN 202210596521 A CN202210596521 A CN 202210596521A CN 114862560 A CN114862560 A CN 114862560A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- preset
- target
- vehicles
- behavior habit
- 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 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 151
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 238000004220 aggregation Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 129
- 238000012545 processing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例属于大数据领域,涉及一种汽车反欺诈风险识别方法,包括:基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;搜索目标区域中目标车辆的车辆数,并根据车辆数判断目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,异常场所为不符合预设监管要求的场所;若目标区域发生车辆聚集以及存在预设异常场所,则根据预设异常使用行为习惯表,识别出目标车辆当前的异常使用行为习惯,并基于目标车辆当前的异常使用行为习惯,判断目标车辆的反欺诈风险类型。本申请还提供一种汽车反欺诈风险识别装置、计算机设备及存储介质。本申请提高反欺诈风险识别的识别准确率。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及一种汽车反欺诈风险识别方法及其相关设备。
背景技术
在汽融业务中,主贷申请人的购车意愿是否真实,车辆是否本人使用,是影响贷后资产回收率的重要原因。购车意愿属于个人的主观感情,本身具有较强的隐蔽性,难以通过数据衡量,因此给汽融的贷后资产管理带来巨大挑战。
汽融场景面临的主要欺诈形式为:购车意愿虚假,借购车贷款之名行套现之实;购车意愿真实,但被不良中介利用,车价高估,贷款额度偏高,超出还款能力等;主贷人自身资质不足,借用他人身份代办,后期在车辆归属、还款责任等引发纠纷。目前市场针对诸如此类的欺诈场景,缺少有效的监测手段和催收技术,在发现客户欺诈后,没有采取与常规催收差异化的催收手段,导致坏账率攀升。同时,现有的车辆GPS数据杂乱无序,数据处理难度大,因此难以满足监测需求,目前大部分金融的监测重点放在贷前申请环节,对贷后的车辆行为习惯监测比较薄弱,导致车辆反欺诈风险的识别准确率较低。
发明内容
本申请实施例的目的在于提出一种汽车反欺诈风险识别方法及其相关设备,以解决车辆反欺诈风险的识别准确率较低的问题
为了解决上述技术问题,本申请实施例提供一种汽车反欺诈风险识别方法,采用了如下所述的技术方案:
基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;
搜索所述目标区域中目标车辆的车辆数,并根据所述车辆数判断所述目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,所述异常场所为不符合预设监管要求的场所;
若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯,监测所述目标区域中对应目标车辆的使用行为习惯,以判断所述目标车辆的反欺诈风险类型。
为了解决上述技术问题,本申请实施例还提供一种汽车反欺诈风险识别装置,采用了如下所述的技术方案:
预处理模块,用于基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;
第一判断模块,用于搜索所述目标区域中目标车辆的车辆数,并根据所述车辆数判断所述目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,所述异常场所为不符合预设监管要求的场所;
识别模块,用于若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述实施例中提供的汽车反欺诈风险识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述实施例中提供的汽车反欺诈风险识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:本申请通过基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;搜索所述目标区域中目标车辆的车辆数,并根据所述车辆数判断所述目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,所述异常场所为不符合预设监管要求的场所;若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型。这样可以结合预设算法对车辆GPS数据区域化,以实现在目标区域内的车辆检索和重点可疑对象的检索。同时结合车辆聚集、预设异常场所、以及预设异常使用行为习惯对目标区域的目标车辆用车行为习惯进行监测判断,以实现目标车辆的反欺诈风险识别。进而衡量主贷人的购车意愿及车辆使用情况,预警客户是否存在欺诈行为,以提高反欺诈风险识别的识别准确率,减少资产损失。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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根据本申请的汽车反欺诈风险识别方法的一个实施例的流程图;
图2是图1中步骤S101的一种具体实施方式的流程图;
图3是本申请提供的一种地球区域划分图;
图4是在图3的基础上本申请提供的另一种地球区域划分图;
图5是图1中步骤S102的一种具体实施方式的流程图;
图6是图1中步骤S103的一种具体实施方式的流程图;
图7是图6中步骤S405的一种具体实施方式的流程图;
图8是根据本申请的汽车反欺诈风险识别方法的另一个实施例的流程图;
图9是根据本申请的汽车反欺诈风险识别装置的一个实施例的结构示意图;
图10是图9所示预处理模块一种具体实施方式的结构示意图;
图11是图9所示第一判断模块一种具体实施方式的结构示意图;
图12是图9所示识别模块一种具体实施方式的结构示意图;
图13是图12所示第二确定单元一种具体实施方式的结构示意图;
图14是根据本申请的汽车反欺诈风险识别装置的另一个实施例的结构示意图;
图15是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
参考图1,示出了根据本申请的汽车反欺诈风险识别方法的一个实施例的流程图。汽车反欺诈风险识别方法,包括以下步骤:
步骤S101,基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域。
其中,上述预设算法可以为Geohash算法,该Geohash算法是一种地址编码方法,能够把二维空间的经纬度数据编码成一个字符串。上述车辆GPS数据可以是一组由经纬度组成的二维向量组,用于对车辆的位置进行定位。上述目标区域可以是根据预处理结果中各个车辆GPS数据分布的区域得到的。上述目标区域为需要监测是否存在反欺诈风险的区域。车辆GPS数据可以存储在大数据系统的数据库中,或者存储与数据分析系统的数据库中。大数据系统以及数据分析系统均可以是权威机构提供的数据系统。
具体的,车辆GPS数据本身杂乱无章,因此需要对车辆GPS数据进行有效的处理。并且结合各个车辆GPS数据的预处理结果进行区域划分,从而确定上述目标区域。
可选的,如图2所示,步骤S101包括:
步骤S201,获取多个车辆GPS数据,每个车辆GPS数据均为一组经纬度数据。
在本申请实施例中,汽融场景中主贷人车辆一般会根据贷款额度、客户信用情况安装无线或有线GPS,车辆GPS数据可以实时返回至后台,并保存在后台数据库中。每辆车均对应一个GPS数据,这对车辆用车的行为习惯具有重要意义。所以可以实时从后台中获取到多个车辆GPS数据。
步骤S202,运用预设算法按预设编码方式,将每组经纬度数据编码为对应的字符串。
在本申请实施例中,上述预设编码方式为:按照经度范围是东经180到西经180,纬度范围是南纬90到北纬90,设定西经为负,南纬为负,所以地球上的经度范围就是[-180,180],纬度范围就是[-90,90]。如果以本初子午线、赤道为界,地球可以分成4个部分。如果纬度范围[-90°,0°)用二进制0代表,(0°,90°]用二进制1代表,经度范围[-180°,0°)用二进制0代表,(0°,180°]用二进制1代表,那么地球可以分成如图3所示中的四个个部分。
当然,若按相同的划分方式进一步细分的话,在图3中的四个部分的基础上地球被划分为如图4所示的部分。
预设算法经过一序列划分之后,地球最终被划分为一个超过四部分的矩形区域。
具体地,在确定编码方式后,可以通过该预设算法按预设编码方式能够将每个车辆GPS数据转换为对应的字符串。同时每个字符串也能代表每个车辆的位置。
步骤S203,根据每个字符串进行区域切分处理,得到区域切分处理结果。
在本申请实施例中,在得到每个车辆GPS数据对应的字符串之后,可以根据这些字符串确定车辆在地球中的位置,最后通过各个车辆的位置分布情况来进行区域划分,得到各个车辆位置的分布区域。当多个车辆的位置相同时,这些车车辆分布在相同的区域中。
步骤S204,根据区域切分处理结果以及预设风险忍受程度确定目标区域。
在本申请实施例中,上述预设风险忍受程度可以是人为设定的,预设风险忍受程度能够体现反欺诈风险的识别精度,比如,若预设风险忍受程度低,则说明反欺诈风险的识别精度高,若预设风险忍受程度高,则说明反欺诈风险的识别精度低。
具体地,在得到各个车辆GPS在地球中的分布区域后,可以结合该预设风险忍受程度来确定最终的目标区域。例如,将预设风险忍受程度设置为3个等级,每个等级对应不同的区域面积,如,第1个等级对应1/3的区域面积,第二2个等级对应2/3的区域面积,第3个等级对应全部区域面积。此时,若将100个车辆的车辆GPS数据进行处理划分区域后,有90个车辆分布在同一区域或者很相近的区域,而其他的10个车辆分布在较远区域时,那么3个等级可以将100个车辆的分布区域对应进行划分为1/3、2/3、3/3的区域面积。如果,此时选择的预设风险容忍程度为2等级,那么可以选择100个车辆GPS数据分布的全部区域的2/3的区域作为该目标区域,且以车辆分布密集的区域为中心。当然,可以根据选定的预设风险容忍程度适时缩小或扩大该目标区域。
在本申请实施例中,能够运用预设算法按预设编码方式将复杂的车辆GPS数据进行编码为简单的字符串,以及通过对应字符串对车辆位置进行区域切分处理,并根据预设风险忍受程度确定对应的目标区域。以便于能够简单直观的确定目标区域。
步骤S102,搜索目标区域中目标车辆的车辆数,并根据车辆数判断目标区域,是否发生车辆聚集以及是否存在预设异常场所。
在本实施例中,上述目标车辆为在该目标区域中的车辆。目标区域中的目标车辆可以是多辆。上述车辆数为分布在该目标区域中的车辆的数量。上述其中,异常场所为不符合预设监管要求的场所,比如,汽车转卖店以及汽车抵押店,当然也可以包括汽车维修店。预设异常场所仅是代表本说明中的自定义的异常,并不是指实际中真正意义上的异常。
可选的,如图5所示,步骤S102包括:
步骤S300,搜索目标区域中目标车辆的车辆数。
步骤S301,判断车辆数是否满足目标区域的预设聚集车辆数量。
步骤S302,若车辆数满足预设聚集车辆数量,则确定目标区域发生车辆聚集。
步骤S303,若车辆数不满足预设聚集车辆数量,则确定目标区域没有发生车辆聚集。
在本申请实施例中,上述预设聚集车辆数量可以是人为设定的,该预设聚集车辆数量用于判断车辆是否发生聚集的数量条件。预设聚集车辆数量可以根据实际需求进行设置。
具体地,当该目标区域中的车辆数大于等于该预设聚集车辆数量,则说明该车辆数据满足该预设聚集车辆数量,即该目标区域发生车辆聚集,否则,说明该车辆数量不满足预设聚集车辆数量,即该目标区域没有发生车辆聚集。
上述根据车辆数判断目标区域是否存在预设异常场所的步骤可以是:可以检测该目标区域范围内标识的各个地标,并根据地标的性质判断有没有预设异常场所。需要说明的是,目标区域范围内除了标记车辆位置外,还标记有各个建筑物、道路、门店等的位置。所以要想检测该目标区域是否存在预设异常场所是可以根据地标中的名称来确定,例如,在目标区域中标记有AA汽车专卖店,BB汽车抵押店等,即可判断出该目标区域是存在AA汽车专卖店、BB汽车抵押店等预设异常场所的。当然可以根据权威性系统中该目标区域对应的实际位置的建筑物、道路、门店布局信息来确定是否存在对应的预设异常场所。
在本申请实施例中,能够快速通过预设聚集车辆数量来判断目标区域中是否发生车辆聚集,以便于判断目标区域是否存在汽车反欺诈风险,进一步提高汽车反欺诈风险识别的识别准确率。
步骤S103,若目标区域发生车辆聚集以及存在预设异常场所,则根据预设异常使用行为习惯表,识别出目标车辆当前的异常使用行为习惯,并基于目标车辆当前的异常使用行为习惯,判断目标车辆的反欺诈风险类型。
在本实施例中,上述预设异常使用行为习惯可以是预先设置的用于判断车辆使用行为习惯的异常使用行为习惯标准。预设异常使用行为习惯表中预设异常使用行为习惯的数量至少为一种。预设异常使用行为习惯表至少包括如下异常使用行为的一种或多种:
车辆GPS信号超过预设时间的消失;
车辆GPS信号超过预设时间的停留在预设异常区域,预设异常区域可以是三非地带,三非地带为非工作地、非居住地以及非户籍地;
相同区域内的车辆GPS信号聚集;
放款之后车辆GPS信号超过预设时间的停留在第一次GPS信号上报点;
车辆超过预设时间的停留在预设异常场所;
同户籍区域内,预设时内在同一个网店办理车贷申请,且所购买车辆品牌类型相近相似。
需要说明的是超过预设时间可以判断为长期,在预设时间内可以判断为短期。
可选的,如图6所示,步骤103包括:
步骤S401,获取目标车辆的历史GPS数据。
在本申请实施例中,上述历史GPS数据为目标区域中目标车辆对应的历史GPS数据。该历史GPS数据可以包括用户信息、停车点、行车轨迹、行车时间等信息。当目标车辆为多辆时,对应的历史GPS数据也为多个,且一个目标车辆对应一个历史GPS数据。
具体地,在确定目标区域内发生车辆聚集且存在预设异常场所后,即可认为该目标区域可能存在反欺诈风险行为。但具体有没有存在反欺诈风险行为,需要判断目标区域中每一辆车的使用行为习惯才能确定,所以需要获取目标车辆的历史GPS数据。
步骤S402,对历史GPS数据进行分析得到目标车辆的使用行为习惯。
在本申请实施例中,具体地,在对每辆目标车辆的历史GPS数据进行分析后,可以得到对应的用户信息、历史停车点信息、历史轨迹信息、以及对应的历史时间信息,进而可以根据这些信息来得到该目标车辆的使用行为习惯。
步骤S403,判断目标车辆的使用行为习惯是否符合预设异常使用行为习惯中的一种或多种。
在本申请实施例中,当得到目标车辆的使用行为习惯后,就可以与预先设置好的异常使用行为习惯做比较,从而可以判断该目标车辆的使用行为习惯是否存在异常。若目标车来的使用行为习惯与预设异常使用行为习惯中的一种或多种吻合,则说明该目标车辆的使用行为习惯是异常的。
步骤S404,若符合,则获取目标车辆处于预设异常使用行为习惯的持续时间以及符合预设异常使用行为习惯的类型种类数。
在本申请实施例中,上述持续时间为目标车辆处于某种异常使用行为习惯的时间长短。
具体地,在确定目标车辆的使用行为习惯存在异常后,可以确定目标车辆存在异常使用行为习惯的持续时间以及同时处于异常使用行为习惯的类型种类的数量。例如,目标车辆的使用行为习惯为车辆GPS信号超过预设时间的消失后,车辆GPS信号超过预设时间的停留在预设异常区域。那么可以确定持续时间均为长期,同时目标车辆满足的预设异常使用行为习惯的类型种类数为两种。
步骤S405,根据持续时间以及类型种类数确定目标车辆的反欺诈风险类型。
在本申请实施例中,能够有效结合目标车辆的历史GPS数据来获取到目标车辆的使用行为习惯,进而判断目标车辆的使用行为习惯是否异常,进一步判断目标车辆的反欺诈风险类型,从而提高反欺诈风险识别的识别准确性。
可选的,如图7所示,步骤S405包括:
步骤S501,判断持续时间是否满足预设时间;
步骤S502,若满足,则确定预设异常使用行为习惯的类型种类数对应的类型种类的类型种类内容;
步骤S503,基于种类内容确定目标车辆的反欺诈风险类型。
在本申请实施例中,上述预设时间用于判断该持续时间是长期还是短期的时间条件。若该持续时间满足该预设时间,则说明该持续时间是长期的。若该持续时间没有满足该预设时间,则说明该持续时间是短期的。
具体地,当确定目标车辆持续时间为长期且满足的预设异常使用行为习惯中的一种或多种时,可以根据预设异常使用行为习惯的具体类型种类内容来判断该目标车辆的反欺诈风险类型。
例如,目标车辆先长期停留在预设异常场所,之后出现车辆GPS信号长期消失,则很大概率目标车辆已经变卖,需要电话联系该目标车辆对应的主贷人,确认反欺诈行为,并保存证据。
再如:目标车辆先出现,放款之后车辆GPS信号长期停留在第一次GPS信号上报点,之后监测出现,同户籍区域内,短时间内在同一个网店办理车贷申请,且所购买车辆品牌类型相近相似,则大概率存在同一人控制或包装多个不同的主贷人,联合车辆销售店集中套现骗贷。
在本申请实施例中,能够通过目标车辆处于异常使用行为习惯的持续长短来进一步确定目标车辆的反欺诈风险类型。
在本申请实施例中,本申请通过基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;搜索目标区域中目标车辆的车辆数,并根据车辆数判断目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,异常场所为不符合预设监管要求的场所;若目标区域发生车辆聚集以及存在预设异常场所,则根据预设异常使用行为习惯表,识别出目标车辆当前的异常使用行为习惯,并基于目标车辆当前的异常使用行为习惯,判断目标车辆的反欺诈风险类型。这样可以结合预设算法对车辆GPS数据区域化,以实现在目标区域内的车辆检索和重点可疑对象的检索。同时结合车辆聚集、预设异常场所、以及预设异常使用行为习惯对目标区域的目标车辆用车行为习惯进行监测判断,以实现目标车辆的反欺诈风险识别。进而衡量主贷人的购车意愿及车辆使用情况,预警客户是否存在欺诈行为,以提高反欺诈风险识别的识别准确率,减少资产损失。
在本实施例的一些可选的实现方式中,如图8所示,在步骤103之后,上述电子设备还可以执行以下步骤:
步骤S601,判断存在异常使用行为习惯的目标车辆对应的目标用户是否为欠款用户。
步骤S602,若目标用户为欠款用户,则判断目标用户为欺诈用户,并针对欺诈用户采取差异化的挽损措施。
在本申请实施例中,确定目标车辆存在反欺诈风险行为后,即可根据目标车辆与车主的关联关系确定对应的欺诈客户。针对已经确认的欺诈客户,常规的先电催再现场催收的方式可能会错失催收良机,因此必须采取差异化的催收挽损措施:具体的挽损措施如下:
针对已确认的欺诈用户,若没有超过预设还款期限,且确认欺诈的证据充分,则依据预设合同提前终止,并要求客户提前还清欠款;
针对已确认的欺诈用户,若已经超出预设还款期限,且处于常规催收序列,则将欺诈用户从催收序列出队,进入欺诈挽损队列,并执行现场催收或资产保全;
针对已确认的欺诈用户,通过减免优惠措施催还全款,避免客户还期款后失联。
本申请通过监测客户用车异常行为,并采取差异化的挽损措施,按照早发现、早介入、强催收的步骤强化催收手段,减少资产损失。
本申请涉及宏观经济领域,汽车反欺诈风险识别方法是宏观经济研究分析的重要指标,能够通过分析汽车的使用行为习惯来判断客户的汽车贷款是否存在反欺诈风险,以便于管控客户的汽车贷款情况,对客户购车意愿、还款意愿、还款能力的评估,减少资产损失。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图9,作为对上述图1所示方法的实现,本申请提供了一种汽车反欺诈风险识别装置的一个实施例,该汽车反欺诈风险识别装置700实施例与图1所示的方法实施例相对应,该汽车反欺诈风险识别装置700具体可以应用于各种电子设备中。
如图9所示,本实施例汽车反欺诈风险识别装置700包括:预处理模块701、第一判断模块702以及识别模块703。其中:
预处理模块701,用于基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域。
其中,上述Geohash算法是一种地址编码方法,能够把二维空间的经纬度数据编码成一个字符串。上述车辆GPS数据可以是一组由经纬度组成的二维向量组,用于对车辆的位置进行定位。上述目标区域可以是根据预处理结果中各个车辆GPS数据分布的区域得到的。上述目标区域为需要监测是否存在反欺诈风险的区域。车辆GPS数据可以存储在大数据系统的数据库中,或者存储与数据分析系统的数据库中。大数据系统以及数据分析系统均可以是权威机构提供的数据系统。
具体的,车辆GPS数据本身杂乱无章,因此需要对车辆GPS数据进行有效的处理。并且结合各个车辆GPS数据的预处理结果进行区域划分,从而确定上述目标区域。
可选的,如图10所示,预处理模块701包括:
第一获取单元7011,用于获取多个车辆GPS数据,每个车辆GPS数据均为一组经纬度数据。
在本申请实施例中,汽融场景中主贷人车辆一般会根据贷款额度、客户信用情况安装无线或有线GPS,车辆GPS数据可以实时返回至后台,并保存在后台数据库中。每辆车均对应一个GPS数据,这对车辆用车的行为习惯具有重要意义。所以可以实时从后台中获取到多个车辆GPS数据。
编码单元7012,用于运用预设算法按预设编码方式,将每组经纬度数据编码为对应的字符串。
在本申请实施例中,上述预设编码方式为:按照经度范围是东经180到西经180,纬度范围是南纬90到北纬90,设定西经为负,南纬为负,所以地球上的经度范围就是[-180,180],纬度范围就是[-90,90]。如果以本初子午线、赤道为界,地球可以分成4个部分。如果纬度范围[-90°,0°)用二进制0代表,(0°,90°]用二进制1代表,经度范围[-180°,0°)用二进制0代表,(0°,180°]用二进制1代表,那么地球可以分成如图3所示中的四个个部分。
当然,若按相同的划分方式进一步细分的话,在图3中的四个部分的基础上地球被划分为如图4所示的部分。
预设算法经过一序列划分之后,地球最终被划分为超过四部分的矩形区域。
具体地,在确定编码方式后,可以通过该预设算法按预设编码方式能够将每个车辆GPS数据转换为对应的字符串。同时每个字符串也能代表每个车辆的位置。
切分处理单元7013,用于根据每个字符串进行区域切分处理,得到区域切分处理结果。
在本申请实施例中,在得到每个车辆GPS数据对应的字符串之后,可以根据这些字符串确定车辆在地球中的位置,最后通过各个车辆的位置分布情况来进行区域划分,得到各个车辆位置的分布区域。当多个车辆的位置相同时,这些车车辆分布在相同的区域中。
第一确定单元7014,用于根据区域切分处理结果以及预设风险忍受程度确定目标区域。
在本申请实施例中,上述预设风险忍受程度可以是人为设定的,预设风险忍受程度能够体现反欺诈风险的识别精度,比如,若预设风险忍受程度低,则说明反欺诈风险的识别精度高,若预设风险忍受程度高,则说明反欺诈风险的识别精度低。
具体地,在得到各个车辆GPS在地球中的分布区域后,可以结合该预设风险忍受程度来确定最终的目标区域。例如,将预设风险忍受程度设置为3个等级,每个等级对应不同的区域面积,如,第1个等级对应1/3的区域面积,第二2个等级对应2/3的区域面积,第3个等级对应全部区域面积。此时,若将100个车辆的车辆GPS数据进行处理划分区域后,有90个车辆分布在同一区域或者很相近的区域,而其他的10个车辆分布在较远区域时,那么3个等级可以将100个车辆的分布区域对应进行划分为1/3、2/3、3/3的区域面积。如果,此时选择的预设风险容忍程度为2等级,那么可以选择100个车辆GPS数据分布的全部区域的2/3的区域作为该目标区域,且以车辆分布密集的区域为中心。当然,可以根据选定的预设风险容忍程度适时缩小或扩大该目标区域。
第一判断模块702,用于搜索目标区域中目标车辆的车辆数,并根据车辆数判断目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,异常场所为不符合预设监管要求的场所。
在本实施例中,上述目标车辆为在该目标区域中的车辆。目标区域中的目标车辆可以是多辆。上述车辆数为分布在该目标区域中的车辆的数量。其中,异常场所为不符合预设监管要求的场所,比如,汽车转卖店以及汽车抵押店,当然也可以包括汽车维修店。预设异常场所仅是代表本说明中的自定义的异常,并不是指实际中真正意义上的异常。
可选的,如图11所示,第一判断模块702包括:
搜索单元7020,用于搜索目标区域中目标车辆的车辆数。
第二判断单元7021,用于判断车辆数是否满足目标区域的预设聚集车辆数量。
第三确定单元7022,用于若车辆数满足预设聚集车辆数量,则确定目标区域发生车辆聚集。
第四确定单元7023,用于若车辆数不满足预设聚集车辆数量,则确定目标区域没有发生车辆聚集。
在本申请实施例中,上述预设聚集车辆数量可以是人为设定的,该预设聚集车辆数量用于判断车辆是否发生聚集的数量条件。预设聚集车辆数量可以根据实际需求进行设置。
具体地,当该目标区域中的车辆数大于等于该预设聚集车辆数量,则说明该车辆数据满足该预设聚集车辆数量,即该目标区域发生车辆聚集,否则,说明该车辆数量不满足预设聚集车辆数量,即该目标区域没有发生车辆聚集。
上述根据车辆数判断目标区域是否存在预设异常场所的步骤可以是:可以检测该目标区域范围内标识的各个地标,并根据地标的性质判断有没有预设异常场所。需要说明的是,目标区域范围内除了标记车辆位置外,还标记有各个建筑物、道路、门店等的位置。所以要想检测该目标区域是否存在预设异常场所是可以根据地标中的名称来确定,例如,在目标区域中标记有AA汽车专卖店,BB汽车抵押店等,即可判断出该目标区域是存在AA汽车专卖店、BB汽车抵押店等预设异常场所的。当然可以根据权威性系统中该目标区域对应的实际位置的建筑物、道路、门店布局信息来确定是否存在对应的预设异常场所。
识别模块703,用于若目标区域发生车辆聚集以及存在预设异常场所,则根据预设异常使用行为习惯表,识别出目标车辆当前的异常使用行为习惯,并基于目标车辆当前的异常使用行为习惯,判断目标车辆的反欺诈风险类型。
在本实施例中,上述预设异常使用行为习惯可以是预先设置的用于判断车辆使用行为习惯的异常使用行为习惯标准。预设异常使用行为习惯表中预设异常使用行为习惯的数量至少为一种。预设异常使用行为习惯表至少包括如下异常使用行为的一种或多种:
车辆GPS信号超过预设时间的消失;
车辆GPS信号超过预设时间的停留在预设异常区域,预设异常区域可以是三非地带,三非地带为非工作地、非居住地以及非户籍地;
相同区域内的车辆GPS信号聚集;
放款之后车辆GPS信号超过预设时间的停留在第一次GPS信号上报点;
车辆超过预设时间的停留在预设异常场所;
同户籍区域内,预设时间的内在同一个网店办理车贷申请,且所购买车辆品牌类型相近相似。
可选的,如图12所示,识别模块703包括:
第二获取单元7031,用于获取目标车辆的历史GPS数据。
在本申请实施例中,上述历史GPS数据为目标区域中目标车辆对应的历史GPS数据。该历史GPS数据可以包括用户信息、停车点、行车轨迹、行车时间等信息。当目标车辆为多辆时,对应的历史GPS数据也为多个,且一个目标车辆对应一个历史GPS数据。
具体地,在确定目标区域内发生车辆聚集且存在预设异常场所后,即可认为该目标区域可能存在反欺诈风险行为。但具体有没有存在反欺诈风险行为,需要判断目标区域中每一辆车的使用行为习惯才能确定,所以需要获取目标车辆的历史GPS数据。
分析单元7032,用于对历史GPS数据进行分析得到目标车辆的使用行为习惯。
在本申请实施例中,具体地,在对每辆目标车辆的历史GPS数据进行分析后,可以得到对应的用户信息、历史停车点信息、历史轨迹信息、以及对应的历史时间信息,进而可以根据这些信息来得到该目标车辆的使用行为习惯。
第一判断单元7033,用于判断目标车辆的使用行为习惯是否符合预设异常使用行为习惯中的一种或多种。
在本申请实施例中,当得到目标车辆的使用行为习惯后,就可以与预先设置好的异常使用行为习惯做比较,从而可以判断该目标车辆的使用行为习惯是否存在异常。若目标车来的使用行为习惯与预设异常使用行为习惯中的一种或多种吻合,则说明该目标车辆的使用行为习惯是异常的。
第三获取单元7034,用于若符合,则获取目标车辆处于预设异常使用行为习惯的持续时间以及符合预设异常使用行为习惯的类型种类数。
在本申请实施例中,上述持续时间为目标车辆处于某种异常使用行为习惯的时间长短。
具体地,在确定目标车辆的使用行为习惯存在异常后,可以确定目标车辆存在异常使用行为习惯的持续时间以及同时处于异常使用行为习惯的类型种类的数量。例如,目标车辆的使用行为习惯为车辆GPS信号超过预设时间的消失后,车辆GPS信号超过预设时间的停留在预设异常区域,预设异常区域可以是三非地带,三非地带为非工作地、非居住地以及非户籍地。那么可以确定持续时间均为长期,同时目标车辆满足的预设异常使用行为习惯的类型种类数为两种。
第二确定单元7035,用于根据持续时间以及类型种类数确定目标车辆的反欺诈风险类型。
可选的,如图13所示,第二确定单元7035包括:
判断子单元70351,用于判断持续时间是否满足预设时间。
第一确定子单元70352,用于若满足,则确定预设异常使用行为习惯的类型种类数对应的类型种类的类型种类内容。
第二确定子单元70353,用于基于种类内容确定目标车辆的反欺诈风险类型。
在本申请实施例中,上述预设时间用于判断该持续时间是长期还是短期的时间条件。若该持续时间满足该预设时间,则说明该持续时间是长期的。若该持续时间没有满足该预设时间,则说明该持续时间是短期的。
具体地,当确定目标车辆持续时间为长期且满足的预设异常使用行为习惯中的一种或多种时,可以根据预设异常使用行为习惯的具体类型种类内容来判断该目标车辆的反欺诈风险类型。
例如,目标车辆先长期停留在预设异常场所,之后出现车辆GPS信号长期消失,则很大概率目标车辆已经变卖,需要电话联系该目标车辆对应的主贷人,确认反欺诈行为,并保存证据。
再如:目标车辆先出现,放款之后车辆GPS信号长期停留在第一次GPS信号上报点,之后监测出现,同户籍区域内,短时间内在同一个网店办理车贷申请,且所购买车辆品牌类型相近相似,则大概率存在同一人控制或包装多个不同的主贷人,联合车辆销售店集中套现骗贷。
本申请通过基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;搜索目标区域中目标车辆的车辆数,并根据车辆数判断目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,异常场所为不符合预设监管要求的场所;若目标区域发生车辆聚集以及存在预设异常场所,则根据预设异常使用行为习惯表,识别出目标车辆当前的异常使用行为习惯,并基于目标车辆当前的异常使用行为习惯,判断目标车辆的反欺诈风险类型。这样可以结合预设算法对车辆GPS数据区域化,以实现在目标区域内的车辆检索和重点可疑对象的检索。同时结合车辆聚集、预设异常场所、以及预设异常使用行为习惯对目标区域的目标车辆用车行为习惯进行监测判断,以实现目标车辆的反欺诈风险识别。进而衡量主贷人的购车意愿及车辆使用情况,预警客户是否存在欺诈行为,以提高反欺诈风险识别的识别准确率,减少资产损失。
在本实施例的一些可选的实现方式中,如图14所示,在识别模块703之后,汽车反欺诈风险识别装置700还包括:
第二判断模块704,用于判断存在异常使用行为习惯的目标车辆对应的目标用户是否为欠款用户;
采取模块705,用于若目标用户为欠款用户,则判断目标用户为欺诈用户,并针对欺诈用户采取差异化的挽损措施。
在本申请实施例中,确定目标车辆存在反欺诈风险行为后,即可根据目标车辆与车主的关联关系确定对应的欺诈客户。针对已经确认的欺诈客户,常规的先电催再现场催收的方式可能会错失催收良机,因此必须采取差异化的催收挽损措施:具体的挽损措施如下:
针对已确认的欺诈用户,若没有超过预设还款期限,且确认欺诈的证据充分,则依据预设合同提前终止合作关系,并要求客户提前还清欠款;
针对已确认的欺诈用户,若已经超出预设还款期限,且处于常规催收序列,则将欺诈用户从催收序列出队,进入欺诈挽损队列,并执行现场催收或资产保全;
针对已确认的欺诈用户,通过减免优惠措施催还全款,避免客户还期款后失联。
本申请通过监测客户用车异常行为,并采取差异化的挽损措施,按照早发现、早介入、强催收的步骤强化催收手段,减少资产损失。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图15,图15为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是,图中仅示出了具有组件81-83的计算机设备8,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器81至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器81可以是计算机设备8的内部存储单元,例如该计算机设备8的硬盘或内存。在另一些实施例中,存储器81也可以是计算机设备8的外部存储设备,例如该计算机设备8上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中,存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件,例如汽车反欺诈风险识别方法的计算机可读指令等。此外,存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器82在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中,处理器82用于运行存储器81中存储的计算机可读指令或者处理数据,例如运行汽车反欺诈风险识别方法的计算机可读指令。
网络接口83可包括无线网络接口或有线网络接口,该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
本申请实施例提供的电子设备能够实现上述方法实施例中汽车反欺诈风险识别方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可读指令,计算机可读指令可被至少一个处理器执行,以使至少一个处理器执行如上述的汽车反欺诈风险识别方法的步骤。且能达到相同的技术效果,为避免重复,这里不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种汽车反欺诈风险识别方法,其特征在于,包括下述步骤:
基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;
搜索所述目标区域中目标车辆的车辆数,并根据所述车辆数判断所述目标区域是否发生车辆聚集以及是否存在预设异常场所,其中,所述异常场所为不符合预设监管要求的场所;
若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型。
2.根据权利要求1所述的汽车反欺诈风险识别方法,其特征在于,在所述若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型的步骤之后还包括:
判断存在异常使用行为习惯的目标车辆对应的目标用户是否为欠款用户;
若所述目标用户为欠款用户,则判断所述目标用户为欺诈用户,并针对所述欺诈用户采取差异化的挽损措施;
所述挽损措施至少包括如下措施的一种或多种:
针对已确认的欺诈用户,若没有超过预设还款期限,且确认欺诈的证据充分,则依据预设合同提前终止合作关系,并要求客户提前还清欠款;
针对已确认的欺诈用户,若已经超出所述预设还款期限,且处于常规催收序列,则将所述欺诈用户从催收序列出队,进入欺诈挽损队列,并执行现场催收或资产保全;
针对已确认的欺诈用户,通过减免优惠措施催还全款。
3.根据权利要求2所述的汽车反欺诈风险识别方法,其特征在于,所述基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域的步骤具体包括:
获取多个车辆GPS数据,每个所述车辆GPS数据均为一组经纬度数据;
运用所述预设算法按预设编码方式,将每组经纬度数据编码为对应的字符串;
根据每个所述字符串进行区域切分处理,得到区域切分处理结果;
根据所述区域切分处理结果以及预设风险忍受程度确定所述目标区域。
4.根据权利要求1所述的汽车反欺诈风险识别方法,其特征在于,所述预设异常使用行为习惯表中的预设异常使用行为习惯的数量至少为一种;所述若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型的步骤具体包括:
获取所述目标车辆的历史GPS数据;
对所述历史GPS数据进行分析得到所述目标车辆的使用行为习惯;
判断所述目标车辆的使用行为习惯是否符合所述预设异常使用行为习惯表中的一种或多种;
若符合,则获取所述目标车辆处于预设异常使用行为习惯的持续时间以及符合预设异常使用行为习惯的类型种类数;
根据所述持续时间以及所述类型种类数确定所述目标车辆的反欺诈风险类型。
5.根据权利要求4所述的汽车反欺诈风险识别方法,其特征在于,所述根据所述持续时间以及所述类型种类数确定所述目标车辆的反欺诈风险类型的步骤包括:
判断所述持续时间是否满足预设时间;
若满足,则确定所述预设异常使用行为习惯的类型种类数对应的类型种类的类型种类内容;
基于所述种类内容确定所述目标车辆的反欺诈风险类型。
6.根据权利要求5所述的汽车反欺诈风险识别方法,其特征在于,所述预设异常使用行为习惯表至少包括如下异常使用行为的一种或多种:
车辆GPS信号超过预设时间的消失;
车辆GPS信号超过预设时间的停留在预设异常区域;
相同区域内的车辆GPS信号聚集;
放款之后车辆GPS信号超过预设时间的停留在第一次GPS信号上报点;
车辆超过预设时间的停留在预设异常场所;
同户籍区域内,预设时间内在同一个网店办理车贷申请,且所购买车辆品牌类型相近相似。
7.根据权利要求1所述的汽车反欺诈风险识别方法,其特征在于,所述并根据所述车辆数判断所述目标区域,是否发生车辆聚集的步骤包括:
判断所述车辆数是否满足所述目标区域的预设聚集车辆数量;
若所述车辆数满足所述预设聚集车辆数量,则确定所述目标区域发生车辆聚集;
若所述车辆数不满足所述预设聚集车辆数量,则确定所述目标区域没有发生车辆聚集。
8.一种汽车反欺诈风险识别装置,其特征在于,包括:
预处理模块,用于基于预设算法对获取到的车辆GPS数据进行预处理,以确定目标区域;
第一判断模块,用于搜索所述目标区域中目标车辆的车辆数,并根据所述车辆数判断所述目标区域,是否发生车辆聚集以及是否存在预设异常场所,其中,所述异常场所为不符合预设监管要求的场所;
识别模块,用于若所述目标区域发生车辆聚集以及存在所述预设异常场所,则根据预设异常使用行为习惯表,识别出所述目标车辆当前的异常使用行为习惯,并基于所述目标车辆当前的异常使用行为习惯,判断所述目标车辆的反欺诈风险类型。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的汽车反欺诈风险识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的汽车反欺诈风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596521.2A CN114862560A (zh) | 2022-05-30 | 2022-05-30 | 一种汽车反欺诈风险识别方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596521.2A CN114862560A (zh) | 2022-05-30 | 2022-05-30 | 一种汽车反欺诈风险识别方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862560A true CN114862560A (zh) | 2022-08-05 |
Family
ID=82642059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596521.2A Pending CN114862560A (zh) | 2022-05-30 | 2022-05-30 | 一种汽车反欺诈风险识别方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862560A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236974A (zh) * | 2023-11-16 | 2023-12-15 | 深圳市明心数智科技有限公司 | 订单车辆的欺诈识别方法、装置、存储介质及计算机设备 |
-
2022
- 2022-05-30 CN CN202210596521.2A patent/CN114862560A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236974A (zh) * | 2023-11-16 | 2023-12-15 | 深圳市明心数智科技有限公司 | 订单车辆的欺诈识别方法、装置、存储介质及计算机设备 |
CN117236974B (zh) * | 2023-11-16 | 2024-03-26 | 深圳市明心数智科技有限公司 | 订单车辆的欺诈识别方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062674B (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
US11810115B2 (en) | Method and system for determining terminal locations | |
US20200211019A1 (en) | Systems and methods for improved detection of network fraud events | |
US20210312452A1 (en) | Systems and methods real-time institution analysis based on message traffic | |
CN111191925B (zh) | 数据处理方法、装置、设备和存储介质 | |
WO2019119642A1 (zh) | 电子装置、远程保单的出单方法及存储介质 | |
CN109493086A (zh) | 一种确定违规商户的方法及装置 | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
CN110363390A (zh) | 基于大数据的风险预测方法、系统、设备及存储介质 | |
CN114862560A (zh) | 一种汽车反欺诈风险识别方法及其相关设备 | |
CN114358778A (zh) | 一种支付账户的防盗刷方法、装置、设备和存储介质 | |
CN110795466A (zh) | 基于大数据处理的反欺诈方法、服务器及计算机可读存储介质 | |
CN114219604A (zh) | 住房贷款业务的处理方法、装置、设备及存储介质 | |
CN111754323A (zh) | 一种外币业务处理方法及装置 | |
CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
KR102282058B1 (ko) | 공동 주택 담보 가치 추정 시스템 | |
CN110648213A (zh) | 地址验证方法、装置、设备及计算机可读介质 | |
CN113256401A (zh) | 一种贷前域外用户拦截方法、装置、服务器及存储介质 | |
CN114219616A (zh) | 业务处理方法、装置及存储介质 | |
CN113744054A (zh) | 一种反欺诈方法、装置和设备 | |
CN110648208B (zh) | 群组识别方法、装置和电子设备 | |
CN115422016B (zh) | 一种基于服务端关系网络的数据监控方法及装置 | |
CN117035971A (zh) | 银行网点的风险控制方法、装置、电子设备及存储介质 | |
CN117058821A (zh) | 银行自助终端控制方法、装置、设备及存储介质 |
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 |