CN116071167A - 对象异常预测方法、装置和计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种对象异常预测方法、装置和计算机可读存储介质，可应用于云技术、人工智能、智慧交通等各种场景；通过获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。以此，提高了异常预测结果的准确性，提升了对目标对象的异常预测效率。

Description

对象异常预测方法、装置和计算机可读存储介质

技术领域

本申请涉及互联网技术领域，具体涉及一种对象异常预测方法、装置和计算机可读存储介质。

背景技术

随着互联网技术的快速发展，基于互联网的虚拟资源的转移场景在用户的日常生活中越来越普遍，例如支付或转账等交易场景。为了保证虚拟资源转移业务的正常运行，需要对用户基于虚拟资源转移事件的异常程度进行预测，以实现对虚拟资源转移事件的风险进行有效管控。

在现有的用户异常预测方法中，如大多数银行及互金机构主要根据用户基础信息(例如学历、收入、职业等)以及用户基于虚拟资源转移事件的反馈来对用户的异常进行识别，而这些信息往往是滞后和不准确的，影响了用户异常预测结果的准确性，进而导致对用户的异常预测效率较低。

发明内容

本申请实施例提供一种对象异常预测方法、装置和计算机可读存储介质，可以提高异常预测结果的准确性，提升对目标对象的异常预测效率。

本申请实施例提供一种对象异常预测方法，包括：

获取目标对象针对资源转移事件的对象行为数据以及确定针对所述资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；

针对每一对象异常类别在所述对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；

采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，所述多阶段预测结果包括所述目标对象在所述对象异常类别下多个预设时间阶段的异常预测结果；

对所有异常预测模型的多阶段预测结果进行融合处理，得到所述目标对象的目标异常类别。

相应的，本申请实施例提供一种对象异常预测装置，包括：

获取单元，用于获取目标对象针对资源转移事件的对象行为数据以及确定针对所述资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；

筛选单元，用于针对每一对象异常类别在所述对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；

预测单元，用于采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，所述多阶段预测结果包括所述目标对象在所述对象异常类别下多个预设时间阶段的异常预测结果；

融合单元，用于对所有异常预测模型的多阶段预测结果进行融合处理，得到所述目标对象的目标异常类别。

在一实施例中，所述融合单元，包括：

预设权重值获取子单元，用于获取每一对象异常类别对应的多阶段预测结果的预设权重值；

加权子单元，用于根据所述预设权重值对所述异常预测模型的多阶段预测结果进行加权处理，得到所述目标对象在每一预设时间阶段的异常加权预测值；

目标异常类别确定子单元，用于基于所述目标对象在每一预设时间阶段的异常加权预测值确定所述目标对象的目标异常类别。

在一实施例中，所述加权子单元，包括：

加权模块，用于根据所述预设权重值分别对所述多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理；

确定模块，用于根据加权处理结果确定所述目标对象在每一预设时间阶段的异常加权预测值。

在一实施例中，所述目标异常类别确定子单元，包括：

比对模块，用于将所述目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定所述目标对象所处的目标预设时间阶段；

比较模块，用于将所述目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定所述目标对象的目标异常类别。

在一实施例中，所述预测单元，包括：

异常预测子单元，用于采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到所述目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值；

多阶段预测结果确定子单元，用于基于所述目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，确定所述目标对象匹配每一对象异常类别的多阶段预测结果。

在一实施例中，所述对象异常预测装置，还包括：

权限管控单元，用于根据所述目标对象的目标异常类别确定目标权限管控策略，并基于所述目标权限管控策略对所述目标对象进行权限管控；

反馈数据获取单元，用于获取所述目标对象基于所述目标权限管控策略的管控反馈数据；

调整单元，用于根据所述管控反馈数据确定管控效果，并基于所述管控效果对所述目标权限管控策略进行调整。

在一实施例中，所述权限管控单元，包括:

策略确定子单元，用于根据所述目标异常类别确定对应的目标提醒策略以及目标权限调整策略；

提醒子单元，用于基于所述目标提醒策略生成对应的提醒事件，根据所述提醒事件对所述目标对象进行提醒操作；

权限调整子单元，用于根据所述目标权限调整策略对所述目标对象的交易权限进行权限调整操作。

在一实施例中，所述调整单元，包括：

反馈分数计算子单元，用于根据所述管控反馈数据计算所述目标权限管控策略对应的反馈分数；

调整子单元，用于根据所述反馈分数对所述目标权限管控策略进行调整。

在一实施例中，所述调整子单元，包括：

对比模块，用于将所述反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果；

目标预设分数区间确定模块，用于根据所述区间对比结果确定所述反馈分数对应的目标预设分数区间；

调整后目标权限管控策略确定模块，用于根据所述目标预设分数区间确定调整后目标权限管控策略。

在一实施例中，所述调整子单元，包括：

调节权重值确定模块，用于根据所述目标预设分数区间确定调节权重值；

调节模块，用于基于所述调节权重值对每一对象异常类别对应的多阶段预测结果的预设权重值进行调节，得到调节后预设权重值；

更新模块，用于根据所述调节后预设权重值对所述目标对象的目标异常类别进行更新，以实现对所述目标权限管控策略的调整。

此外，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存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种对象异常预测方法中的步骤。

此外，本申请实施例还提供一种计算机设备，包括处理器和存储器，所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序实现本申请实施例提供的对象异常预测方法。

本申请实施例还提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行本申请实施例提供的对象异常预测方法中的步骤。

本申请实施例通过获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。以此，通过多个异常预测模型对目标对象行为数据进行多阶段的预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，并对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别，提高了异常预测结果的准确性，提升了对目标对象的异常预测效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的一种对象异常预测方法实施场景示意图；

图2是本申请实施例提供的一种对象异常预测方法的流程示意图；

图3是本申请实施例提供的一种对象异常预测方法的具体流程示意图；

图4是本申请实施例提供的一种对象异常预测方法的另一具体流程示意图；

图5a为本申请实施例提供的一种对象异常预测方法的具体架构示意图；

图5b是本申请实施例提供的一种对象异常预测方法的另一流程示意图；

图6是本申请实施例提供的对象异常预测装置的结构示意图；

图7是本申请实施例提供的计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种对象异常预测方法、装置和计算机可读存储介质。其中，该对象异常预测装置可以集成在计算机设备中，该计算机设备可以是服务器，也可以是终端等设备。

其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等可以进行信息处理的设备，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

请参阅图1，以对象异常预测装置集成在计算机设备中为例，图1为本申请实施例所提供的对象异常预测方法的实施场景示意图，其中，该计算机设备可以为服务器，服务器可以获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。

需要说明的是，图1所示的对象异常预测方法的实施环境场景示意图仅仅是一个示例，本申请实施例描述的对象异常预测方法的实施环境场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定。本领域普通技术人员可知，随着对象异常预测的演变和新业务场景的出现，本申请提供的技术方案对于类似的技术问题，同样适用。

以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

本实施例将从对象异常预测装置的角度进行描述，该对象异常预测装置具体可以集成在计算机设备中，该计算机设备可以是服务器，本申请在此不作限制。

请参阅图2，图2是本申请实施例提供的对象异常预测方法的流程示意图。该对象异常预测方法包括：

在步骤101中，获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型。

其中，在计算机技术领域中，资源一般可以指与现实世界中的实体资源相对应的虚拟资源，例如存储空间、计算能力、电子图书、银行账户存款金额、电子钱包账户存款金额、虚拟货币存款金额等例如可以包括但不限于用于网络交易的货币财产。虚拟资源，可以为与现实资源相对立的概念，例如人民币等真实货币以及用户购买的Q币、Q点、游戏点券等虚拟货币。相应地，资源转移例如可以表示货币的转移、支付等行为，例如网络支付、网络收款等行为；资源转移量就是货币转移或者支付的数量，例如支付、转账、还款的金额等。该资源转移事件可以为将虚拟资源进行转移的事件，例如支付、借贷、还款或转账等事件，该目标对象可以为进行资源转移的对象，对象可以为客观世界中存在的人、事、物体等实体在计算机逻辑中的映射，例如，该目标对象可以为进行了虚拟资源转移的用户。

该对象行为数据可以包括目标对象针对资源转移事件产生的数据，可以用来衡量目标对象的异常程度，在一实施例中，该对象行为数据可以包括多时间阶段的对象操作行为数据、对象资产数据、对象身份画像数据、对象历史信用数据等类别的数据，其中，多时间阶段可以为根据具体需求预先设定的多个不同的时间阶段，可以以时间阶段的维度来描述异常程度。例如，可以将逾期时间在30天内的时间阶段称为早期阶段，将逾期时间在30天到60天内的时间阶段称为中期阶段，将逾期时间在60天到90天内的时间阶段称为晚期阶段，也可以根据具体需求进行划分不同的时间阶段，在此不做限定。

其中，多时间阶段的对象操作行为数据可以包含借款行为数据、还款行为数据、登录行为数据以及用户反馈行为数据等数据，对于这些维度的用户操作行为数据会进行多个月份或者多个窗口期等多个时间阶段的统计，其中，借款行为数据可以包括虚拟资源转移次数(例如借款的次数)、虚拟资源转移量(例如借款金额)、虚拟资源转移时序(例如借款时间以及顺序)等，还款行为数据可以包括还款的次数、还款金额、还款渠道等数据，登录行为数据可以包括操作借款类应用程序(APP)的次数、时间以及顺序等数据，用户反馈行为数据可以包括消息触发、点击等数据。对于这些子维度数据会进行多个月份或者多个窗口期等多时间阶段的统计。

多时间阶段的对象资产数据可以包括月收入估算数据、月消费数据、存款数据以及其他资产估算数据等数据，其中，该月收入估算数据可以包括目标对象的工资房租、红包等数据，月消费数据可以包括购物、外卖、地域消费指数排序等数据，存款数据可以包括理财转账、零钱余额等数据，其他资产估算数据可以包括从目标对象登记数据中获取到的动产、不动产等纬度数据，对于这些子维度数据同样会进行多个月份或者多个窗口期等多阶段的统计。

多时间阶段的对象身份画像可以包括工作相关数据、学历背景相关数据以及社会活动相关数据等数据，其中，工作相关数据可以包括职业、职位、工龄等数据，学历背景相关数据可以包括学历、学校、专业等数，社会活动相关数据可以包括交际地区、范围等，同样，这些子维度数据也需要进行多个时间阶段的划分统计计算。可以根据多时间阶段的对象身份画像数据来构建实时以及离线的对象身份画像。

对象历史信用数据可以包括违约历史数据、履约历史数据以及其他风险数据，其中，违约历史数据可以包括违约的虚拟资源违约量(例如违约金额)、违约时长、违约频次、违约最早时间及最近时间等数据，履约历史数据可以包括还清次数、还款的虚拟资源量(例如还款金额)等数据，其他风险数据可以包括多头借贷数据、套现等数据。

同时，可以对对象行为数据进行周期维度的动态变化统计，比如可以将当前的特征与历史时间阶段的特征进行对比，例如，将当前时间的特征与1月/3月/6月前的特征进行对比，得到特征变化数据，这些特征变化数据可以作为多个异常预测模型的输入，以此增加了数据维度以及可以进行更为细粒度的多个时间阶段特征划分，可以更加及时的对目标对象的异常进行预测，并实现更加精确的异常预测结果，提高对象异常预测效率。

大多数的对象行为数据可以为目标对象主动产生，是较为准确的对象操作行为及信用类数据，大部分数据都可以采用天或者小时的更新频率来进行计算，对于资产估算数据等不准确的数据，可以做为异常预测结果的辅助判断信息，以提高异常预测结果的准确性。

对象行为数据主要可以通过智能终端的数据上报服务、大数据存储平台以及大数据分析平台等技术手段及平台来获取，其中，大数据存储平台可以包括内存数据库(例如Redis)或者分布式文件系统(例如Hadoop Distributed File System，简称HDFS)等，大数据分析平台可以包括映射归约模型(MapReduce)、结构化数据处理模块(SparkSQL)以及机器学习库(Pytorch)等。这些对象行为数据可以汇总为离线和实时两类数据特征，以可以通过离线计算以及实时计算来进行对象的异常预测，提高异常预测结果的准确性，进而可以提高对象异常预测效率。

该异常预测模型可以为根据衡量异常的多个维度构建的预测模型，可以通过异常预测模型对对象样本数据进行多个维度的异常衡量预测，以此来确定目标对象的异常预测结果，例如，在贷后场景中预测用户的风险程度。其中，该异常预测模型可以为结合实时计算以及离线计算的预测模型，可以更加及时且准确的对目标对象进行异常预测。异常预测模型的每一衡量维度可以对应一种对象异常类别，该对象异常类别可以用于衡量目标对象的异常类别，每一对象异常类别可以用于衡量目标对象的风险程度，例如，衡量维度可以为违约概率、还款意愿以及是否为某一异常标签等维度，对应的，对象异常类别可以为违约预测、还款意愿预测以及异常标签预测等类别，异常标签可以为逃债、帐号转移沉默(有明显逾期后把收入的钱立刻转出但未还款的行为)等异常行为。

其中，每一异常预测模型可以对应预测一种对象异常类别，一种对象异常类别可以包括一个或者多个对象异常子类别，例如不同衡量子维度的类别，或者不同时间阶段的类别，此外，一个异常预测模型也可以预测多种对象异常类别，在此不做限定。

以此，可以通过获取目标对象针对资源转移事件的对象行为数据，并可以确定针对资源转移事件的多个异常预测模型，来对目标对象的异常程度进行预测。

在步骤102中，针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据。

其中，该目标对象行为数据可以为由根据对象异常类别在对象行为数据中确定的数据，可以为每一对象异常类别对应的异常预测模型对应的输入数据。该目标对象行为数据可以根据异常预测模型的输入特征在对象行为数据中进行筛选。

具体的，可以根据每一异常预测模型对应的对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据。例如，假设异常预测模型的对象异常类别为违约预测类别时，可以在对象行为数据中筛选对应该对象异常类别的数据，得到违约预测模型对应的目标对象行为数据；当异常预测模型的对象异常类别为还款意愿预测类别时，可以在对象行为数据中筛选对应该对象异常类别的数据，得到还款意愿预测模型对应的目标对象行为数据；当异常预测模型的对象异常类别为异常标签预测类别时，可以在对象行为数据中筛选对应该对象异常类别的数据，得到异常标签预测模型对应的目标对象行为数据等。具体的，例如，假设对于异常标签预测模型的输入数据为多时间阶段的对象操作行为数据、对象画像数据、对象历史信用数据以及对象资产数据，对象异常类别为异常标签预测类别，则可以根据对象异常类别在对象行为数据中进行筛选，找到多时间阶段的对象操作行为数据、对象画像数据、对象历史信用数据以及对象资产数据，以此得到每一异常预测模型对应的目标对象行为数据。

可选的，也可以不需要对对象行为数据进行筛选的过程，也即可以将目标对象的对象行为数据确定为目标对象行为数据，具体可以根据实际情况对对象行为数据进行筛选来得到目标对象行为数据，在此不做限定。

在步骤103中，采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果。

其中，可以采用异常预测模型对目标对象行为数据进行多个时间阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果。该多阶段预测结果可以包括目标对象在对象异常类别下多个预设时间阶段的异常预测结果，也即多个异常预测模型输出的目标对象在多个预设时间阶段的异常预测结果。

可选的，可以采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，进而可以基于该目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，来确定该目标对象匹配每一对象异常类别的多阶段预测结果。

例如，可以假设预设时间阶段为根据实际需求设定的3个时间阶段，分别为早期阶段、中期阶段以及晚期阶段，异常预测模型有a、b、c三种模型，对应A、B和C三种对象异常类别，可以采用该异常预测模型a、b、c将对应的目标对象行为数据进行这3个时间阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，具体的，可以得到目标对象在早期阶段在对象异常类别A、B和C下的异常概率值，在中期阶段在对象异常类别A、B和C下的异常概率值，以及在晚期阶段对应对象异常类别A、B和C的异常概率值，进而可以基于该目标对象在早期阶段、中期阶段以及晚期阶段对应每一对象异常类别A、B和C的异常概率值确定该目标对象匹配每一对象异常类别的多阶段预测结果。

在一实施例中，请参考图3，图3为本申请实施例提供的一种对象异常预测方法的具体流程示意图，其中，多个异常预测模型可以包括还款意愿预测模型、异常标签预测模型以及违约预测模型等，这些模型可以通过离线计算以及实时计算的结合来进行概率预测，其中，该还款意愿预测模型可以用于根据输入的对象样本数据来预测目标对象的还款意愿程度，该异常标签预测模型可以用于根据输入的对象样本数据来预测目标对象匹配某一异常标签的可能性，例如，对贷后场景中用户可能存在高危异常表现的识别，该违约预测模型可以用于根据输入的对象样本数据来预测目标对象在每一时间阶段发生违约的可能性，以此可以根据这3个维度以及对象行为数据来综合预测目标对象的异常程度。其中，该多阶段预测结果可以为目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，也可以为通过该异常概率值确定的预测结果。

可选的，对于违约预测模型，可以包括多个子阶段模型，例如早期阶段、中期阶段以及晚期阶段，也可以为其他维度的时间阶段，在此不做限定，例如，可以包括：M0-M1阶段转移子模型、M1-M2阶段转移子模型、M2-M3阶段转移子模型等多时间阶段的子模型，其中，M0可以表示未违约(例如未逾期)的阶段，M1可以表示违约1-30天(例如逾期1到30天)的阶段，M2可以表示违约30-60天(例如逾期30到60天)的阶段，以此类推。该模型可以采用逻辑回归、集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行异常预测，依据预测得到的异常概率值进行异常程度的判别，例如，目标对象被预测为在本月的M0-M1子模型中发生违约的异常概率值>0.8，则认为目标对象变为M1阶段违约的异常程度较高，当异常概率值为<0.2，则可以认为目标对象变为M1阶段违约的异常程度较低；又例如本月M0-M1阶段预测的异常概率值<0.2，但在下个月M1-M2阶段预测的异常程度变高，异常概率值为>0.6，则可以认为目标对象在M2中期阶段异常程度较高，以此类推。其中，违约预测模型可以分时间阶段的进行上下文的预测结果综合判断，关联模型的历史输出结果，进行组合的多时间阶段的异常概率值输出。

对于还款意愿预测模型，可以包括子模型：M1内还款意愿预测，M1+内还款意愿预测等多时间阶段的子模型，还款意愿预测模型可以采用逻辑回归、集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行还款意愿预测，依据预测的不同异常概率值进行可能在不同时间阶段进行还款的概率大小预估，例如在M1内还款意愿预测子模型中，得到异常概率值>0.9，则可以认为目标对象在M1(逾期30天内)内进行还款的概率较高，当异常概率值<0.2时，则可以认为目标对象在M1内还款概率较低。其中，还款意愿预测模型可以分时间阶段的进行上下文的预测结果综合判断，关联模型的历史输出结果，进行组合的多时间阶段的异常概率值输出。

对于异常标签预测模型，可以包括：逃债标签预测、帐号转移沉默标签预测、失联标签预测等子模型，具体标签预测子模型的确定可以根据需要预测的异常标签进行设定，其样本主要来自目标对象的异常表现行为，例如，对于存在逃债行为的目标对象，可以为有明显逾期后把收入的虚拟资源立刻转出但未进行还款行为的用户，对于存在帐号转移沉默行为的目标对象，可以为有进行账号转移行为的用户，对于失联行为的用户，可以为无法通过正常途径的联系方式联系到的用户。异常标签预测模型可以采用集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行异常标签的分类识别，根据模型输出的异常概率值来确定目标对象是否存在该异常标签类别，例如，对于异常标签预测模型中的逃债标签预测子模型，当输出结果为0.8，则可以认为目标对象有80％概率可能存在逃债行为，逃债可能较高，当输出结果为0.1，则可以认为目标对象有10％概率可能存在逃债行为，逃债可能较低，等等，以此来预测目标对象存在异常行为的可能程度。

其中，当该目标对象行为数据对应的对象异常类别为违约预测类别时，可以通过该违约预测类别对应的违约预测模型对该目标对象行为数据进行多时间阶段的异常预测，得到该目标对象在每一预设时间阶段对应的违约异常概率值；当该目标对象行为数据对应的对象异常类别为还款意愿预测类别时，可以对该还款意愿预测类别对应的目标对象行为数据进行多时间阶段的还款意愿预测，得到该目标对象在每一预设时间阶段对应的还款异常概率值；当该目标对象行为数据对应的对象异常类别为异常标签预测类别时，可以对该异常标签预测类别对应的目标对象行为数据进行异常标签预测，得到该目标对象的异常标签概率值，以此，可以基于该目标对象在每一预设时间阶段对应的违约异常概率值、还款概率值以及异常标签概率值，得到该目标对象在每一预设时间阶段对应每一对象异常类别的异常概率值。

在一具体实施方式中，可以获取每一异常预测模型的多个历史输出结果，也即异常预测模型历史输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，通过这些历史输出的每一预设时间阶段对应的每一对象异常类别的异常概率值，以及本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，来综合确定目标对象匹配每一对象异常类别的多阶段预测结果。可选的，可以将历史输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，以及本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值进行加权处理，来得到目标对象匹配每一对象异常类别的多阶段预测结果。

具体的，可以根据时序关系对不同时间距离的历史输出的异常概率值设定不同的权重值，例如，对本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值可以设置最大的权重值，对距离本次异常预测模型输出时间距离较远的历史异常预测模型输出可以设定一个较小的权重值，例如，假设异常预测模型为还款意愿预测模型，同时可以假设本次还款意愿预测模型输出结果包括目标对象在1月、2月以及3月进行还款的异常概率值，因此，对本次还款意愿预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.85，对于一个月前的异常预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.1，对于三个月前的异常预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.05，具体可以根据实际情况进行设定，在此不做限定。以此可以基于预先设定的权重值对本次、一个月前以及三个月前的还款意愿预测模型输出的异常概率值进行加权，得到还款意愿预测模型的多阶段预测结果。

在步骤104中，对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。

其中，该目标异常类别可以用于评估目标对象的异常程度，可以包括时间阶段以及异常等级两个评估维度，例如，该时间阶段可以为根据具体需求预先设定的多个不同的阶段，例如，可以将目标对象的逾期时间在30天内的时间阶段称为早期阶段，将逾期时间在30天到60天内的时间阶段称为中期阶段，将逾期时间在60天到90天内的时间阶段称为晚期阶段，也可以根据具体需求进行划分不同的时间阶段，在此不做限定，以此可以更加准确的来对目标对象的异常程度进行评估。

例如，可以假设该异常程度为贷后场景中用户的风险程度，则该目标异常类别可以包括用户的风险阶段以及风险等级，风险阶段可以包括早期阶段、中期阶段以及晚期阶段等，风险等级可以包括低风险、中风险以及高风险等，因此，该目标异常类别可以为早期低风险、早期中风险、早期高风险、中期低风险、中期中风险、中期高风险、晚期低风险、晚期中风险、晚期高风险等。

其中，对于早期阶段可以划分为三种等级，早期高风险用户可以主要为明显逃债、欺诈类用户，有逃债或转移风险标签，以及还款概率较低，风险概率较高；早期中风险用户可以主要为轻度逃债、历史有还款用户，可能有逃债类标签或者风险概率较高；早期低风险用户可以主要为偶然逾期或高价值用户，该部分用户的违约预测概率低，还款意愿概率高，几乎无逃债等风险标签。中期阶段可以主要分高低两类风险用户，由于中期一些用户已经比较难催回，所以逐步转向相对可能催回的客群进行识别，中期高风险用户一般可以由早期的中期高风险用户转换而来，其中对于高风险用户可以在中期阶段基本采用尽可能多的催收及冻结等强制帐号管控手段，对于低风险用户主要同样也重点进行帐号管控以及大部分的催收方式下发。对于晚期阶段，可以主要针对识别可能回款用户，该部分用户大部分是由早中期的中低风险用户转换来，所以也可以结合早中风险等级进行综合策略匹配排序。

其中，可以对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别，例如，假设异常预测模型包括还款意愿预测模型、异常标签预测模型以及违约预测模型，且每一异常预测模型包括早期、中期、晚期阶段的预测子模型，则可以对还款意愿预测模型、异常标签预测模型以及违约预测模型在早期、中期、晚期的多阶段预测结果进行融合处理，根据融合处理结果来得到目标对象的目标异常类别。

在一实施例中，可以通过对所有异常预测模型的多阶段预测结果进行加权处理，根据加权结果确定目标对象的目标异常类别，具体的，可以包括：

(1)获取每一对象异常类别对应的多阶段预测结果的预设权重值；

(2)根据预设权重值对异常预测模型的多阶段预测结果进行加权处理，得到目标对象在每一预设时间阶段的异常加权预测值；

(3)基于目标对象在每一预设时间阶段的异常加权预测值确定目标对象的目标异常类别。

其中，可以获取每一对象异常类别对应的多阶段预测结果的预设权重值，进而可以根据该预设权重值对该异常预测模型的多阶段预测结果进行加权处理，得到该目标对象在每一预设时间阶段的异常加权预测值，基于该目标对象在每一预设时间阶段的异常加权预测值确定该目标对象的目标异常类别。其中，每一对象异常类别的权重可以设置不同的数值，每一对象异常类别的不同预设时间阶段的预测结果也可以设置不同的数值，具体设置可以根据实际情况进行选择，在此不做限定。

其中，请继续参考图3，为了可以对目标对象的异常程度进行更加准确的评估，可以对目标对象的异常程度进行时间维度的衡量，也即可以根据每一预设时间阶段的多个异常预测模型的预测结果来得到目标对象在每一预设时间阶段的异常程度，具体的，对于该根据预设权重值对异常预测模型的多阶段预测结果进行加权处理，得到目标对象在每一预设时间阶段的异常加权预测值的步骤，可以根据该预设权重值分别对该多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理，进而可以根据加权处理结果确定该目标对象在每一预设时间阶段的异常加权预测值。例如，加权处理的计算公式可以如下

其中，F(m_i)为不同时间阶段的异常加权预测值，m_i可以表示某一预设时间阶段，例如，m₁表示逾期的早期阶段，m₂表示逾期的中期阶段，以此类推，f(x_k)表示某一异常预测模型x_k在m_i预设时间阶段的异常预测结果，x_k表示第k个异常预测模型；a_k表示第k个异常预测模型的预设权重值，预设权重值可以由各个阶段的异常程度进行配置，也可以根据实际情况进行设定，在此不做限定。

例如，假设异常预测模型包括还款意愿预测模型、异常标签预测模型以及违约预测模型，且每一异常预测模型的预设权重值分别为D、E、F，每一异常预测模型包括早期、中期、晚期阶段的预测子模型，同时可以假设还款意愿预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为d、e、f，异常标签预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为g、h、n，违约预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为j、s、l，则可以根据每一异常预测模型的预设权重值D、E、F分别对该多阶段预测结果中早期、中期以及晚期阶段对应的每一异常预测结果进行加权处理，得到该目标对象在早期阶段的异常加权预测值Dd+Eg+Fj，在中期阶段的异常加权预测值De+Eh+Fs，在晚期阶段的异常加权预测值Df+En+Fl。

其中，对于该基于目标对象在每一预设时间阶段的异常加权预测值确定目标对象的目标异常类别的步骤，可以包括：

(1)将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段；

(2)将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别。

其中，可以将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段，进而可以将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别，该预设阈值可以为一个预先设置的临界值，可以目标预设时间阶段对应的异常加权预测值与该临界值的大小关系来确定目标对象的目标异常类别，该预设阈值可以为一个也可以为多个，具体根据异常类别对应确定，例如，当该目标异常类别包括两个异常等级时，该预设阈值可以为一个，当目标异常类别包括三个异常等级时，该预设阈值可以为两个，当目标异常类别包括四个异常等级时，该预设阈值可以为三个，以此类推，该预设阈值的大小可以根据实际情况进行设置。例如，根据比对结果获取数值最大的异常加权预测值，进而可以将数值最大的异常加权预测值对应的预设时间阶段确定为目标预设时间阶段，具体的，例如，假设目标对象的在早期阶段的异常加权预测值1.5，在中期阶段的异常加权预测值0.4，在晚期阶段的异常加权预测值0.2，则可以将异常加权预测值1.5对应的早期阶段确定为目标预设时间阶段，进而可以将早期阶段对应的异常加权预测值1.5与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别，例如，假设目标异常类别包括三个异常等级，分别为低级异常、中级异常、高级异常，假设该预设阈值可以为1以及2，当异常加权预测值小于预设阈值1时，可以判定异常等级为低级异常，异常加权预测值大于预设阈值1小于预设阈值2时，可以判定异常等级为中级异常，当异常加权预测值大于预设阈值2，可以判定异常等级为高级异常，则可以确定目标对象的异常等级为中级异常，以此，可以确定该目标对象的目标异常类别为早期阶段的中级异常。

在现有的多机构贷后风险管控的方法中，如大多数银行及互金机构在贷后风险管控能力上主要侧重于针对风险用户的催收方法，如发短信、机器人电话、人工上门、关联客群、征信上报等方法，这对于支付机构或者银行来说，方法采用比较传统，并且未能发挥出银行或者交易机构全部的风险管控能力。而在风险识别准确性低的基础上，加上风险管控的方法的低效率，极易导致存在正常及低风险用户受到不必要的催收干扰，而对高风险用户的催收管控措施不及时的情况，影响用户的正常生活以及合法权益，也可能带来银行及互金机构的损失。

为了解决以上的问题，在一实施例中，可以根据目标对象的目标异常类别来确定对应的管控策略，以对目标对象的异常进行有效的控制，例如，请参考图4，图4为本申请实施例提供的一种对象异常预测方法的另一具体流程示意图。例如，对于早期的高风险用户可以在进行多种催收方法下发的同时，进行多种帐号管控，防止其再借扩大损失，而对于早期的低风险用户，可以进行差异化的风险提醒，保证其还款体验，更好的留存住用户，在晚期的用户则是更多的发现可能催回的低风险用户，对其加强催收提醒，使得其能更有可能进行还款，而晚期的高风险用户，主要进行帐号冻结管控以及关联帐号的惩戒，防止其扩大损失。具体的，可以包括：

(1)根据该目标对象的目标异常类别确定目标权限管控策略，并基于该目标权限管控策略对该目标对象进行权限管控；

(2)获取该目标对象基于该目标权限管控策略的管控反馈数据；

(3)根据该管控反馈数据确定管控效果，并基于该管控效果对该目标权限管控策略进行调整。

其中，该目标权限管控策略可以为根据目标对象的目标异常类别确定的权限管控策，用于对目标对象的权限进行管理以及控制，以实现对目标对象的异常程度的控制，该管控反馈数据可以为目标对象基于目标权限管控策略的权重管控之后产生的反馈数据，通过该管控反馈数据可以评估目标权限管控策略的权限管控效果。

具体的，可以根据该目标对象的目标异常类别来判断目标对象的异常程度，进而可以根据目标对象的异常程度确定对应的目标权限管控策略，并基于该目标权限管控策略对该目标对象进行权限管控。例如，对异常程度较低的目标对象可以主要采用轻力度的提醒策略，对异常程度较高的目标对象可以主要采用力度较大的提醒策略以及权限调整策略，以进一步对异常进行控制，降低不必要的损失。在基于该目标权限管控策略对目标对象进行权限管控之后，可以获取该目标对象基于该目标权限管控策略的管控反馈数据，进而可以根据该管控反馈数据确定目标权限管控策略的管控效果，并根据该管控效果对该目标权限管控策略进行调整，以实现对目标对象的异常程度进行更有效的控制。

在一实施例中，该目标权限管控策略可以包括目标提醒策略和目标权限调整策略，该权限管控可以包括提醒操作和权限调整操作，该根据该目标异常类别确定目标权限管控策略，并基于该目标权限管控策略对该目标对象进行权限管控的步骤，可以具体包括：根据该目标异常类别确定对应的目标提醒策略以及目标权限调整策略，进而可以根据该目标提醒策略生成对应的提醒事件，根据该提醒事件对该目标对象进行提醒操作，同时可以根据该目标权限调整策略对该目标对象的交易权限进行权限调整操作。

其中，该提醒策略可以包括多种不同程度的催收方法，该目标提醒策略为提醒策略中与目标对象的目标异常类别匹配的提醒策略，该提醒事件用于对目标对象进行信息通知，以促使目标对象做出相应措施以使得目标对象的目标异常类别可以发生正向调整，例如，对于交易场景中的贷后场景，该提醒事件可以包括：相关应用程序(APP)内催收消息下发、催收短信下发、互动式语音应答(IVR)催收语音下发、关联银行卡及零钱等渠道的自动扣款等，对于不同阶段的目标对象可以采用不同的组合催收方法。比如对于早期(一般指M1以内)高风险客群(用户)：可以提前进行多种扣回，含入账(转钱进入支付钱包、零钱通等)后及时强制扣款、固定时间的零钱扣款和借记卡扣等，同时也可以结合传统基础的多种催收方法进行惩戒(包含IVR催收语音下发、APP内催收消息下发等)。对于早期中风险客群，会选择性进行提前扣回：如只进行大额入账(转钱进入支付钱包、零钱通等)后及时强制扣款、固定时间的零钱扣款和借记卡扣等，基础催收方法有：催收短信下发、IVR催收语音下发、APP内催收消息下发等。而对早期低风险客群，可以只进行常规固定扣回：如固定时间的零钱扣款和借记卡扣等。对于中期(一般指M1-M2期间)高风险客群，催收惩戒方法同早期高风险基本一致，但是在帐号惩戒方面可以加强力度。对于晚期(一般指M2+之后)可以找到还款意愿最高的用户，进而可以使用催收能力进行多种催收能力下发，对于晚期其他高危客群进行常规消息提醒及扣款催收能力，为了减少不必要的成本，可以减少人工/电话等需要额外成本的方法，以使得整体效率比最大化的同时，权限管控能力更加匹配。

该目标权限调整策略可以为根据目标对象的目标异常类别对目标对象进行权限调整的策略，例如，对目标对象的交易权限进行调整，以降低存在异常的目标对象造成的损失，例如对目标对象的权限进行限制，例如，对于交易贷后场景中，该目标权限调整策略可以包括：逾期借款限制、帐号周期冻结、关联帐号开通及交易冻结、帐号额度限制等。如对于早期高风险客群，可以进行逾期借款限制，以及进行帐号短周期的交易冻结，并做轻度降额，防止这波客群带来过多损失；对于中期高风险客群，可以进行逾期借款限制，帐号较长周期的交易冻结，并做较大降额惩戒，防止这波客群持续损失；对于晚期客群，可以进行逾期借款限制，帐号长周期/永久交易冻结，直接做最低额度惩戒，以及进行关联(通过设备/登记关联用户)帐号的开通及交易冻结，防止这些客群扩散损失。

在一实施例中，可以根据该管控反馈数据来计算该目标权限管控策略对应的反馈分数，该反馈分数可以为评估目标权限管控策略对目标对象的管控效果的指标，进而可以根据该反馈分数对该目标权限管控策略进行调整。当管控效果达不到预期效果时，可以选取管控力度更大的目标权限管控策略，当管控效果超出预期效果且影响目标对象的合法权益时，可以选取管控力度更小的目标权限管控策略，等等。

可选的，可以将该反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果，其中，该预设分数区间集合可以为预先设定的分数区间组成的整体，预设分数区间可以为一个预先设定的分数区间，通过判断反馈分数与预设区间的关系，可以确定管控效果的好坏程度，进而可以根据该区间对比结果确定该反馈分数对应的目标预设分数区间，并可以根据该目标预设分数区间确定调整后目标权限管控策略。例如，假设预设分数区间集合中有预设分数区间O、P、Q，当反馈分数处于预设分数区间O时，可以表明管控效果较低，当反馈分数处于预设分数区间P时，可以表明管控效果适中，当反馈分数处于预设分数区间Q时，可以表明管控效果过强。当反馈分数处于Q预设分数区间时，可以确定目标预设分数区间为Q，则表明管控效果过强，此时可以根据该目标预设分数区间确定调整后目标权限管控策略，例如，该调整后目标权限管控策略可以为相对于目标权限管控策略具有较低管控力度的策略。

在一实施例中，可以通过对每一异常预测模型的预设权重值进行调整来实现对目标权限管控策略的调整，具体的，可以根据该目标预设分数区间确定调节权重值，该调节权重值可以为根据目标预设分数区间确定的用于对预设权重值进行调节的数值，进而可以基于该调节权重值对每一对象异常类别对应的多阶段预测结果的预设权重值进行调节，得到调节后预设权重值，根据该调节后预设权重值可以对该目标对象的目标异常类别进行更新。例如，假设目标预设分数区间对应的调节权重值为0.9，对象异常类别R的预设权重值为0.8，则调节后预设权重值可以为0.72，进而可以根据调节后预设权重值对每一异常预测模型的多阶段异常预测结果进行加权处理，进而进行目标对象的目标异常类别的更新，以此实现对该目标权限管控策略的调整。

由以上可知，本申请实施例通过获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。以此，通过多个异常预测模型对目标对象行为数据进行多阶段的预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，并对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别，提高了异常预测结果的准确性，提升了对目标对象的异常预测效率。

根据上面实施例所描述的方法，以下将举例作进一步详细说明。

在本实施例中，将以该对象异常预测装置具体集成在计算机设备为例进行说明。其中，该对象异常预测方法以服务器为执行主体进行具体的描述。具体的，请参考图5a，图5a为本申请实施例提供的一种对象异常预测方法的具体架构示意图。

为了更好的描述本申请实施例，请一并参阅图5a和图5b。如图5b所示，图5b为本申请实施例提供的对象异常预测方法的另一流程示意图。具体流程如下：

在步骤201中，服务器获取目标对象针对资源转移事件的对象行为数据以及确定针对该资源转移事件的多个异常预测模型，针对每一对象异常类别在该对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据。

具体的，服务器可以通过获取目标对象针对资源转移事件的对象行为数据，并可以确定针对资源转移事件的多个异常预测模型，来对目标对象的异常程度进行预测。进而可以根据每一异常预测模型对应的对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据。

可选的，请参考图5a，该目标对象可以为资源转移场景中的用户，例如贷后场景中的用户，具体的，可以通过数据采集模块对用户基于资源转移事件关联的用户操作、设备属性、网络环境以及第三方信息等维度的数据进行采集，并将数据采集结果进行数据上报，得到对象行为数据，进而可以根据每一异常预测模型的对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据。

例如，假设异常预测模型的对象异常类别为违约预测类别时，服务器可以在对象行为数据中筛选对应该对象异常类别的数据，得到违约预测模型对应的目标对象行为数据；当异常预测模型的对象异常类别为还款意愿预测类别时，服务器可以在对象行为数据中筛选对应该对象异常类别的数据，得到还款意愿预测模型对应的目标对象行为数据；当异常预测模型的对象异常类别为异常标签预测类别时，服务器可以在对象行为数据中筛选对应该对象异常类别的数据，得到异常标签预测模型对应的目标对象行为数据等。具体的，例如，假设对于异常标签预测模型的输入数据为多时间阶段的对象操作行为数据、对象画像数据、对象历史信用数据以及对象资产数据，对象异常类别为异常标签预测类别，则可以根据对象异常类别在对象行为数据中进行筛选，找到多时间阶段的对象操作行为数据、对象画像数据、对象历史信用数据以及对象资产数据，以此得到每一异常预测模型对应的目标对象行为数据。

可选的，服务器也可以不需要对对象行为数据进行筛选的过程，也即可以将目标对象的对象行为数据确定为目标对象行为数据，具体可以根据实际情况对对象行为数据进行筛选来得到目标对象行为数据，在此不做限定。

其中，在本实施例中，该对象异常预测方法可以应用在交易场景中的贷后阶段，该异常预测可以为对目标对象，例如用户存在的贷后风险进行预测。

在步骤202中，服务器采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，基于该目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，确定该目标对象匹配每一对象异常类别的多阶段预测结果。

具体的，服务器可以采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，进而可以基于该目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，来确定该目标对象匹配每一对象异常类别的多阶段预测结果。

例如，可以假设预设时间阶段为根据实际需求设定的3个时间阶段，分别为早期阶段、中期阶段以及晚期阶段，异常预测模型有a、b、c三种模型，对应A、B和C三种对象异常类别，可以采用该异常预测模型a、b、c将对应的目标对象行为数据进行这3个时间阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，具体的，服务器可以得到目标对象在早期阶段在对象异常类别A、B和C下的异常概率值，在中期阶段在对象异常类别A、B和C下的异常概率值，以及在晚期阶段对应对象异常类别A、B和C的异常概率值，进而可以基于该目标对象在早期阶段、中期阶段以及晚期阶段对应每一对象异常类别A、B和C的异常概率值确定该目标对象匹配每一对象异常类别的多阶段预测结果。

在一实施例中，请参考图5a，其中，多个异常预测模型可以包括还款意愿预测模型、异常标签预测模型以及违约预测模型等，可以通过离线批计算以及实时流计算的结合来对这些模型进行概率预测，其中，该还款意愿预测模型可以用于根据输入的对象样本数据来预测目标对象的还款意愿程度，由于还款意愿预测需要用到更多维度的历史特征，因此，还款意愿预测模型可以为离线模型，可以采用基于目标对象行为数据离线存储的离线特征来进行还款意愿预测。该异常标签预测模型可以用于根据输入的对象样本数据来预测目标对象匹配某一异常标签的可能性，例如，对贷后场景中用户可能存在高危异常表现的识别，异常标签预测模型可以为实时模型以及离线模型结合的模型，异常标签预测模型可以采用基于目标对象行为数据的离线特征以及实时特征进行异常标签的预测，该违约预测模型可以用于根据输入的对象样本数据来预测目标对象在每一时间阶段发生违约的可能性，违约预测模型同样可以为实时模型以及离线模型结合的模型，可以采用基于目标对象行为数据的离线特征以及实时特征进行异常标签的预测，以此可以根据这3个维度以及对象行为数据来综合预测目标对象的异常程度。其中，该多阶段预测结果可以为目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，也可以为通过该异常概率值确定的预测结果。

可选的，对于违约预测模型，可以包括多个子阶段模型，例如早期阶段、中期阶段以及晚期阶段，也可以为其他维度的时间阶段，在此不做限定，例如，可以包括：M0-M1阶段转移子模型、M1-M2阶段转移子模型、M2-M3阶段转移子模型等多时间阶段的子模型，其中，M0可以表示未违约(例如未逾期)的阶段，M1可以表示违约1-30天(例如逾期1到30天)的阶段，M2可以表示违约30-60天(例如逾期30到60天)的阶段，以此类推。该模型可以采用逻辑回归、集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行异常预测，依据预测得到的异常概率值进行异常程度的判别，例如，目标对象被预测为在本月的M0-M1子模型中发生违约的异常概率值>0.8，则认为目标对象变为M1阶段违约的异常程度较高，当异常概率值为<0.2，则可以认为目标对象变为M1阶段违约的异常程度较低；又例如本月M0-M1阶段预测的异常概率值<0.2，但在下个月M1-M2阶段预测的异常程度变高，异常概率值为>0.6，则可以认为目标对象在M2中期阶段异常程度较高，以此类推。其中，违约预测模型可以分时间阶段的进行上下文的预测结果综合判断，关联模型的历史输出结果，进行组合的多时间阶段的异常概率值输出。

对于还款意愿预测模型，可以包括子模型：M1内还款意愿预测，M1+内还款意愿预测等多时间阶段的子模型，还款意愿预测模型可以采用逻辑回归、集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行还款意愿预测，依据预测的不同异常概率值进行可能在不同时间阶段进行还款的概率大小预估，例如在M1内还款意愿预测子模型中，得到异常概率值>0.9，则可以认为目标对象在M1(逾期30天内)内进行还款的概率较高，当异常概率值<0.2时，则可以认为目标对象在M1内还款概率较低。其中，还款意愿预测模型可以分时间阶段的进行上下文的预测结果综合判断，关联模型的历史输出结果，进行组合的多时间阶段的异常概率值输出。

对于异常标签预测模型，可以包括：逃债标签预测、帐号转移沉默标签预测、失联标签预测等子模型，具体标签预测子模型的确定可以根据需要预测的异常标签进行设定，其样本主要来自目标对象的异常表现行为，例如，对于存在逃债行为的目标对象，可以为有明显逾期后把收入的虚拟资源立刻转出但未进行还款行为的用户，对于存在帐号转移沉默行为的目标对象，可以为有进行账号转移行为的用户，对于失联行为的用户，可以为无法通过正常途径的联系方式联系到的用户。异常标签预测模型可以采用集成学习(梯度提升树，XGBoost)、神经网络等机器学习算法进行异常标签的分类识别，根据模型输出的异常概率值来确定目标对象是否存在该异常标签类别，例如，对于异常标签预测模型中的逃债标签预测子模型，当输出结果为0.8，则可以认为目标对象有80％概率可能存在逃债行为，逃债可能较高，当输出结果为0.1，则可以认为目标对象有10％概率可能存在逃债行为，逃债可能较低，等等，以此来预测目标对象的异常行为风险程度。

其中，当该目标对象行为数据对应的对象异常类别为违约预测类别时，服务器可以通过该违约预测类别对应的违约预测模型对该目标对象行为数据进行多时间阶段的异常预测，得到该目标对象在每一预设时间阶段对应的违约异常概率值；当该目标对象行为数据对应的对象异常类别为还款意愿预测类别时，服务器可以对该还款意愿预测类别对应的目标对象行为数据进行多时间阶段的还款意愿预测，得到该目标对象在每一预设时间阶段对应的还款异常概率值；当该目标对象行为数据对应的对象异常类别为异常标签预测类别时，服务器可以对该异常标签预测类别对应的目标对象行为数据进行异常标签预测，得到该目标对象的异常标签概率值，以此，服务器可以基于该目标对象在每一预设时间阶段对应的违约异常概率值、还款概率值以及异常标签概率值，得到该目标对象在每一预设时间阶段对应每一对象异常类别的异常概率值。

在一具体实施方式中，服务器可以获取每一异常预测模型的多个历史输出结果，也即异常预测模型历史输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，通过这些历史输出的每一预设时间阶段对应的每一对象异常类别的异常概率值，以及本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，来综合确定目标对象匹配每一对象异常类别的多阶段预测结果。可选的，可以将历史输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，以及本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值进行加权处理，来得到目标对象匹配每一对象异常类别的多阶段预测结果。

具体的，服务器可以根据时序关系对不同时间距离的历史输出的异常概率值设定不同的权重值，例如，对本次异常预测模型输出的目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值可以设置最大的权重值，对距离本次异常预测模型输出时间距离较远的历史异常预测模型输出可以设定一个较小的权重值，例如，假设异常预测模型为还款意愿预测模型，同时可以假设本次还款意愿预测模型输出结果包括目标对象在1月、2月以及3月进行还款的异常概率值，因此，对本次还款意愿预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.85，对于一个月前的异常预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.1，对于三个月前的异常预测模型输出的目标对象在1月、2月以及3月进行还款的异常概率值可以设置权重值为0.05，具体可以根据实际情况进行设定，在此不做限定。以此可以基于设定的权重值对本次、一个月前以及三个月前的还款意愿预测模型输出的异常概率值进行加权，得到还款意愿预测模型的多阶段预测结果。

在步骤203中，服务器获取每一对象异常类别对应的多阶段预测结果的预设权重值，根据该预设权重值分别对该多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理，根据加权处理结果确定该目标对象在每一预设时间阶段的异常加权预测值。

其中，服务器可以获取每一对象异常类别对应的多阶段预测结果的预设权重值，进而可以根据该预设权重值对该异常预测模型的多阶段预测结果进行加权处理，得到该目标对象在每一预设时间阶段的异常加权预测值。其中，请继续参考图3，为了可以对目标对象的异常程度进行更加准确的评估，可以对目标对象的异常程度进行时间维度的衡量，也即可以根据每一预设时间阶段的多个异常预测模型的预测结果来得到目标对象在每一预设时间阶段的异常程度，具体的，服务器可以根据该预设权重值分别对该多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理，进而可以根据加权处理结果确定该目标对象在每一预设时间阶段的异常加权预测值。例如，加权处理的计算公式可以如下

其中，F(m_i)为不同时间阶段的异常加权预测值，m_i可以表示某一预设时间阶段，例如，m₁表示逾期的早期阶段，m₂表示逾期的中期阶段，以此类推，f(x_k)表示某一异常预测模型x_k在m_i预设时间阶段的异常预测结果，x_k表示第k个异常预测模型；a_k表示第k个异常预测模型的预设权重值，预设权重值可以由各个阶段的异常程度进行配置，也可以根据实际情况进行设定，在此不做限定。

例如，假设异常预测模型包括还款意愿预测模型、异常标签预测模型以及违约预测模型，且每一异常预测模型的预设权重值分别为D、E、F，每一异常预测模型包括早期、中期、晚期阶段的预测子模型，同时可以假设还款意愿预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为d、e、f，异常标签预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为g、h、n，违约预测模型在早期、中期以及晚期阶段对应的异常预测结果分别为j、s、l，则服务器可以根据每一异常预测模型的预设权重值D、E、F分别对该多阶段预测结果中早期、中期以及晚期阶段对应的每一异常预测结果进行加权处理，得到该目标对象在早期阶段的异常加权预测值Dd+Eg+Fj，在中期阶段的异常加权预测值De+Eh+Fs，在晚期阶段的异常加权预测值Df+En+Fl。

在步骤204中，服务器将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段，将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别。

其中，服务器可以将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段，进而可以将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别，该预设阈值可以为一个预先设置的临界值，可以目标预设时间阶段对应的异常加权预测值与该临界值的大小关系来确定目标对象的目标异常类别，该预设阈值可以为一个也可以为多个，具体根据异常类别对应确定，例如，当该目标异常类别包括两个异常等级时，该预设阈值可以为一个，当目标异常类别包括三个异常等级时，该预设阈值可以为两个，当目标异常类别包括四个异常等级时，该预设阈值可以为三个，以此类推，该预设阈值的大小可以根据实际情况进行设置。

例如，服务器可以根据比对结果获取数值最大的异常加权预测值，进而可以将数值最大的异常加权预测值对应的预设时间阶段确定为目标预设时间阶段，具体的，例如，假设目标对象的在早期阶段的异常加权预测值1.5，在中期阶段的异常加权预测值0.4，在晚期阶段的异常加权预测值0.2，则可以将异常加权预测值1.5对应的早期阶段确定为目标预设时间阶段，进而可以将早期阶段对应的异常加权预测值1.5与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别，例如，假设目标异常类别包括三个异常等级，分别为低级异常、中级异常、高级异常，假设该预设阈值可以为1以及2，当异常加权预测值小于预设阈值1时，可以判定异常等级为低级异常，异常加权预测值大于预设阈值1小于预设阈值2时，可以判定异常等级为中级异常，当异常加权预测值大于预设阈值2，可以判定异常等级为高级异常，则可以确定目标对象的异常等级为中级异常，以此，服务器可以确定该目标对象的目标异常类别为早期阶段的中级异常。

在步骤205中，服务器根据该目标异常类别确定对应的目标提醒策略以及目标权限调整策略，基于该目标提醒策略生成对应的提醒事件，根据该提醒事件对该目标对象进行提醒操作，根据该目标权限调整策略对该目标对象的交易权限进行权限调整操作。

在现有的多机构贷后风险管控的方法中，如大多数银行及互金机构在贷后风险管控能力上主要侧重于针对风险用户的催收方法，如发短信、机器人电话、人工上门、关联客群、征信上报等方法，这对于支付机构或者银行来说，方法采用比较传统，并且未能发挥出银行或者交易机构全部的风险管控能力。而在风险识别准确性低的基础上，加上风险管控的方法的低效率，极易导致存在正常及低风险用户受到不必要的催收干扰，而对高风险用户的催收管控措施不及时的情况，影响用户的正常生活以及合法权益，也可能带来银行及互金机构的损失。

为了解决以上的问题，在一实施例中，请继续参考图5a，可以根据目标对象的目标异常类别来确定对应的权限管控策略，以对目标对象的异常进行有效的控制。

具体的，可以通过逾期用户触发服务，根据目标权限管控策略触发针对目标对象的权限管控服务，通过权限管控服务对目标对象进行权限管控，其中，该目标权限管控策略可以包括目标提醒策略和目标权限调整策略，该权限管控可以包括提醒操作和权限调整操作，服务器可以根据该目标异常类别确定对应的目标提醒策略以及目标权限调整策略，进而可以根据该目标提醒策略生成对应的提醒事件，根据该提醒事件对该目标对象进行提醒操作，同时可以根据该目标权限调整策略对该目标对象的交易权限进行权限调整操作。

其中，该提醒策略可以包括多种不同程度的催收方法，该目标提醒策略为提醒策略中与目标对象的目标异常类别匹配的提醒策略，该提醒事件用于对目标对象进行信息通知，以促使目标对象做出相应措施以使得目标对象的目标异常类别发生正向调整，例如，对于交易贷后场景中，可以包括：相关应用程序(APP)内催收消息下发、催收短信下发、互动式语音应答(IVR)催收语音下发、关联银行卡及零钱等渠道的自动扣款等，对于不同阶段的目标对象可以采用不同的组合催收方法。比如对于早期(一般指M1以内)高风险客群(用户)：可以提前进行多种扣回，含入账(转钱进入支付钱包、零钱通等)后及时强制扣款、固定时间的零钱扣款和借记卡扣等，同时也可以结合传统基础的多种催收方法进行惩戒(包含IVR催收语音下发、APP内催收消息下发等)。对于早期中风险客群，会选择性进行提前扣回：如只进行大额入账(转钱进入支付钱包、零钱通等)后及时强制扣款、固定时间的零钱扣款和借记卡扣等，基础催收方法有：催收短信下发、IVR催收语音下发、APP内催收消息下发等。而对早期低风险客群，可以只进行常规固定扣回：如固定时间的零钱扣款和借记卡扣等。对于中期(一般指M1-M2期间)高风险客群，催收惩戒方法同早期高风险基本一致，但是在帐号惩戒方面可以加强力度。对于晚期(一般指M2+之后)可以找到还款意愿最高的用户，进而可以使用催收能力进行多种催收能力下发，对于晚期其他高危客群进行常规消息提醒及扣款催收能力，为了减少不必要的成本，可以减少人工/电话等需要额外成本的方法，以使得整体效率比最大化的同时，权限管控能力更加匹配。

该目标权限调整策略可以为根据目标对象的目标异常类别对目标对象进行权限调整的策略，例如，对目标对象的交易权限进行调整，以降低存在异常的目标对象造成的损失，例如对目标对象的权限进行限制，例如，对于交易贷后场景中，该目标权限调整策略可以包括：逾期借款限制、帐号周期冻结、关联帐号开通及交易冻结、帐号额度限制等。如对于早期高风险客群，可以进行逾期借款限制，以及进行帐号短周期的交易冻结，并做轻度降额，防止这波客群带来过多损失；对于中期高风险客群，可以进行逾期借款限制，帐号较长周期的交易冻结，并做较大降额惩戒，防止这波客群持续损失；对于晚期客群，可以进行逾期借款限制，帐号长周期/永久交易冻结，直接做最低额度惩戒，以及进行关联(通过设备/登记关联用户)帐号的开通及交易冻结，防止这些客群扩散损失。

在步骤206中，服务器获取该目标对象基于该目标权限管控策略的管控反馈数据，根据该管控反馈数据计算该目标权限管控策略对应的反馈分数，将该反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果。

其中，服务器可以根据该管控反馈数据来计算该目标权限管控策略对应的反馈分数，该反馈分数可以为评估目标权限管控策略对目标对象的管控效果的指标，进而可以根据该反馈分数对该目标权限管控策略进行调整。当管控效果达不到预期效果时，可以选取管控力度更大的目标权限管控策略，当管控效果超出预期效果且影响目标对象的合法权益时，可以选取管控力度更小的目标权限管控策略，等等。

可选的，服务器可以将该反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果，其中，该预设分数区间集合可以为预先设定的分数区间组成的整体，预设分数区间可以为一个预先设定的分数区间，通过判断反馈分数与预设区间的关系，可以确定管控效果的好坏程度。

在步骤207中，服务器根据该区间对比结果确定该反馈分数对应的目标预设分数区间，根据该目标预设分数区间确定调整后目标权限管控策略。

其中，服务器在得到区间对比结果之后，可以根据该区间对比结果确定该反馈分数对应的目标预设分数区间，并可以根据该目标预设分数区间确定调整后目标权限管控策略。例如，假设预设分数区间集合中有预设分数区间O、P、Q，当反馈分数处于预设分数区间O时，可以表明管控效果较低，当反馈分数处于预设分数区间P时，可以表明管控效果适中，当反馈分数处于预设分数区间Q时，可以表明管控效果过强。当反馈分数处于Q预设分数区间时，可以确定目标预设分数区间为Q，则表明管控效果过强，此时服务器可以根据该目标预设分数区间确定调整后目标权限管控策略，例如，该调整后目标权限管控策略可以为相对于目标权限管控策略具有较低管控力度的策略。

由以上可知，本申请实施例通过服务器获取目标对象针对资源转移事件的对象行为数据以及确定针对该资源转移事件的多个异常预测模型，针对每一对象异常类别在该对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；服务器采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值，基于该目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，确定该目标对象匹配每一对象异常类别的多阶段预测结果；服务器获取每一对象异常类别对应的多阶段预测结果的预设权重值，根据该预设权重值分别对该多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理，根据加权处理结果确定该目标对象在每一预设时间阶段的异常加权预测值；服务器将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段，将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别；服务器根据该目标异常类别确定对应的目标提醒策略以及目标权限调整策略，基于该目标提醒策略生成对应的提醒事件，根据该提醒事件对该目标对象进行提醒操作，根据该目标权限调整策略对该目标对象的交易权限进行权限调整操作；服务器获取该目标对象基于该目标权限管控策略的管控反馈数据，根据该管控反馈数据计算该目标权限管控策略对应的反馈分数，将该反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果；服务器根据该区间对比结果确定该反馈分数对应的目标预设分数区间，根据该目标预设分数区间确定调整后目标权限管控策略。以此，通过通过多个异常预测模型对目标对象行为数据进行多阶段的预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，并对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别，提高了异常预测结果的准确性，提升了对目标对象的异常预测效率，同时，根据目标对象的目标异常类别确定对应的目标权限管控策略对目标对象的进行权限管控，进而根据管控反馈数据对目标权限管控策略进行调整，及时有效的对存在异常的目标对象进行权限管控，合理对目标对象的权限进行控制的同时减少了不必要的损失，提高了目标对象异常的管控效率。

为了更好地实施以上方法，本发明实施例还提供一种对象异常预测装置，该对象异常预测装置可以集成在计算机设备中，该计算机设备可以为服务器。

例如，如图6所示，为本申请实施例提供的对象异常预测装置的结构示意图，该对象异常预测装置可以包括获取单元301、筛选单元302、预测单元303和融合单元304，如下：

获取单元301，用于获取目标对象针对资源转移事件的对象行为数据以及确定针对该资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；

筛选单元302，用于针对每一对象异常类别在该对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；

预测单元303，用于采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，该多阶段预测结果包括该目标对象在该对象异常类别下多个预设时间阶段的异常预测结果；

融合单元304，用于对所有异常预测模型的多阶段预测结果进行融合处理，得到该目标对象的目标异常类别。

在一实施例中，该融合单元304，包括：

预设权重值获取子单元，用于获取每一对象异常类别对应的多阶段预测结果的预设权重值；

加权子单元，用于根据该预设权重值对该异常预测模型的多阶段预测结果进行加权处理，得到该目标对象在每一预设时间阶段的异常加权预测值；

目标异常类别确定子单元，用于基于该目标对象在每一预设时间阶段的异常加权预测值确定该目标对象的目标异常类别。

在一实施例中，该加权子单元，包括：

加权模块，用于根据该预设权重值分别对该多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理；

确定模块，用于根据加权处理结果确定该目标对象在每一预设时间阶段的异常加权预测值。

在一实施例中，该目标异常类别确定子单元，包括：

比对模块，用于将该目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定该目标对象所处的目标预设时间阶段；

比较模块，用于将该目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定该目标对象的目标异常类别。

在一实施例中，该预测单元303，包括：

异常预测子单元，用于采用该异常预测模型对该目标对象行为数据进行多阶段的异常预测，得到该目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值；

多阶段预测结果确定子单元，用于基于该目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，确定该目标对象匹配每一对象异常类别的多阶段预测结果。

在一实施例中，该对象异常预测装置，还包括：

权限管控单元，用于根据该目标对象的目标异常类别确定目标权限管控策略，并基于该目标权限管控策略对该目标对象进行权限管控；

反馈数据获取单元，用于获取该目标对象基于该目标权限管控策略的管控反馈数据；

调整单元，用于根据该管控反馈数据确定管控效果，并基于该管控效果对该目标权限管控策略进行调整。

在一实施例中，该权限管控单元，包括:

策略确定子单元，用于根据该目标异常类别确定对应的目标提醒策略以及目标权限调整策略；

提醒子单元，用于基于该目标提醒策略生成对应的提醒事件，根据该提醒事件对该目标对象进行提醒操作；

权限调整子单元，用于根据该目标权限调整策略对该目标对象的交易权限进行权限调整操作。

在一实施例中，该调整单元，包括：

反馈分数计算子单元，用于根据该管控反馈数据计算该目标权限管控策略对应的反馈分数；

调整子单元，用于根据该反馈分数对该目标权限管控策略进行调整。

在一实施例中，该调整子单元，包括：

对比模块，用于将该反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果；

目标预设分数区间确定模块，用于根据该区间对比结果确定该反馈分数对应的目标预设分数区间；

调整后目标权限管控策略确定模块，用于根据该目标预设分数区间确定调整后目标权限管控策略。

在一实施例中，该调整子单元，包括：

调节权重值确定模块，用于根据该目标预设分数区间确定调节权重值；

调节模块，用于基于该调节权重值对每一对象异常类别对应的多阶段预测结果的预设权重值进行调节，得到调节后预设权重值；

更新模块，用于根据该调节后预设权重值对该目标对象的目标异常类别进行更新，以实现对该目标权限管控策略的调整。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由以上可知，本申请实施例通过获取单元301获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；筛选单元302针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；预测单元303采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；融合单元304对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。以此，通过多个异常预测模型对目标对象行为数据进行多阶段的预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，并对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别，提高了异常预测结果的准确性，提升了对目标对象的异常预测效率。

本申请实施例还提供一种计算机设备，如图7所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，该计算机设备可以是服务器，具体来讲：

该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及对象异常预测。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。

以上各个操作的具体实施可参见前面的实施例，在此不作赘述。应当说明的是，本申请实施例提供的计算机设备与上文实施例中的适用于对象异常预测方法属于同一构思，其具体实现过程详见以上方法实施例，此处不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种对象异常预测方法中的步骤。例如，该指令可以执行如下步骤：

获取目标对象针对资源转移事件的对象行为数据以及确定针对资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；针对每一对象异常类别在对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；采用异常预测模型对目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果；对所有异常预测模型的多阶段预测结果进行融合处理，得到目标对象的目标异常类别。

其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种对象异常预测方法中的步骤，因此，可以实现本申请实施例所提供的任一种对象异常预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

其中，根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。

以上对本申请实施例所提供的一种对象异常预测方法、装置和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (14)

1.一种对象异常预测方法，其特征在于，包括：

获取目标对象针对资源转移事件的对象行为数据以及确定针对所述资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；

针对每一对象异常类别在所述对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；

采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，所述多阶段预测结果包括所述目标对象在所述对象异常类别下多个预设时间阶段的异常预测结果；

对所有异常预测模型的多阶段预测结果进行融合处理，得到所述目标对象的目标异常类别。

2.如权利要求1所述的对象异常预测方法，其特征在于，所述对所述异常预测模型的多阶段预测结果进行融合处理，得到所述目标对象的目标异常类别，包括：

获取每一对象异常类别对应的多阶段预测结果的预设权重值；

根据所述预设权重值对所述异常预测模型的多阶段预测结果进行加权处理，得到所述目标对象在每一预设时间阶段的异常加权预测值；

基于所述目标对象在每一预设时间阶段的异常加权预测值确定所述目标对象的目标异常类别。

3.如权利要求2所述的对象异常预测方法，其特征在于，所述根据所述预设权重值对所述异常预测模型的多阶段预测结果进行加权处理，得到所述目标对象在每一预设时间阶段的异常加权预测值，包括：

根据所述预设权重值分别对所述多阶段预测结果中每一预设时间阶段对应的每一异常预测结果进行加权处理；

根据加权处理结果确定所述目标对象在每一预设时间阶段的异常加权预测值。

4.如权利要求2所述的对象异常预测方法，其特征在于，所述基于所述目标对象在每一预设时间阶段的异常加权预测值确定所述目标对象的目标异常类别，包括：

将所述目标对象在每一预设时间阶段的异常加权预测值进行比对，根据比对结果确定所述目标对象所处的目标预设时间阶段；

将所述目标预设时间阶段对应的异常加权预测值与预设阈值进行比较，根据比较结果确定所述目标对象的目标异常类别。

5.如权利要求1所述的对象异常预测方法，其特征在于，所述采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，包括：

采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到所述目标对象在每一预设时间阶段对应的每一对象异常类别的异常概率值；

基于所述目标对象在每一预设时间阶段中对应每一对象异常类别的异常概率值，确定所述目标对象匹配每一对象异常类别的多阶段预测结果。

6.如权利要求1至5中任一项所述的对象异常预测方法，其特征在于，所述方法，还包括：

根据所述目标对象的目标异常类别确定目标权限管控策略，并基于所述目标权限管控策略对所述目标对象进行权限管控；

获取所述目标对象基于所述目标权限管控策略的管控反馈数据；

根据所述管控反馈数据确定管控效果，并基于所述管控效果对所述目标权限管控策略进行调整。

7.如权利要求6所述的对象异常预测方法，其特征在于，所述目标权限管控策略包括目标提醒策略和目标权限调整策略，所述权限管控包括提醒操作和权限调整操作，所述根据所述目标异常类别确定目标权限管控策略，并基于所述目标权限管控策略对所述目标对象进行权限管控，包括：

根据所述目标异常类别确定对应的目标提醒策略以及目标权限调整策略；

基于所述目标提醒策略生成对应的提醒事件，根据所述提醒事件对所述目标对象进行提醒操作；

根据所述目标权限调整策略对所述目标对象的交易权限进行权限调整操作。

8.如权利要求6所述的对象异常预测方法，其特征在于，所述根据所述管控反馈数据确定管控效果，并基于所述管控效果对所述目标权限管控策略进行调整，包括：

根据所述管控反馈数据计算所述目标权限管控策略对应的反馈分数；

根据所述反馈分数对所述目标权限管控策略进行调整。

9.如权利要求8所述的对象异常预测方法，其特征在于，所述根据所述反馈分数对所述目标权限管控策略进行调整，包括：

将所述反馈分数与预设分数区间集合中的多个预设分数区间进行对比，得到区间对比结果；

根据所述区间对比结果确定所述反馈分数对应的目标预设分数区间；

根据所述目标预设分数区间确定调整后目标权限管控策略。

10.如权利要求8所述的对象异常预测方法，其特征在于，所述根据所述反馈分数对所述目标权限管控策略进行调整，包括：

根据所述目标预设分数区间确定调节权重值；

基于所述调节权重值对每一对象异常类别对应的多阶段预测结果的预设权重值进行调节，得到调节后预设权重值；

根据所述调节后预设权重值对所述目标对象的目标异常类别进行更新，以实现对所述目标权限管控策略的调整。

11.一种对象异常预测装置，其特征在于，包括：

获取单元，用于获取目标对象针对资源转移事件的对象行为数据以及确定针对所述资源转移事件的多个异常预测模型，其中，每一异常预测模型对应预测一种对象异常类别；

筛选单元，用于针对每一对象异常类别在所述对象行为数据中进行筛选，得到每一异常预测模型对应的目标对象行为数据；

预测单元，用于采用所述异常预测模型对所述目标对象行为数据进行多阶段的异常预测，得到每一异常预测模型在对应对象异常类别下的多阶段预测结果，所述多阶段预测结果包括所述目标对象在所述对象异常类别下多个预设时间阶段的异常预测结果；

融合单元，用于对所有异常预测模型的多阶段预测结果进行融合处理，得到所述目标对象的目标异常类别。

12.一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存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至10任一项所述的对象异常预测方法中的步骤。

13.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的对象异常预测方法。

14.一种计算机程序，其特征在于，所述计算机程序包括计算机指令，所述计算机指令存储在存储介质中，计算机设备的处理器从所述存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行权利要求1至10任一项所述的对象异常预测方法。

Images