CN116681164A - 资源信息处理方法、装置、计算机设备和存储介质 - Google Patents

资源信息处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116681164A
CN116681164A CN202310636212.8A CN202310636212A CN116681164A CN 116681164 A CN116681164 A CN 116681164A CN 202310636212 A CN202310636212 A CN 202310636212A CN 116681164 A CN116681164 A CN 116681164A
Authority
CN
China
Prior art keywords
year
resource
historical
information
catastrophe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310636212.8A
Other languages
English (en)
Inventor
陀名熠
王伟权
郑希
汪志艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310636212.8A priority Critical patent/CN116681164A/zh
Publication of CN116681164A publication Critical patent/CN116681164A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Technology Law (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取资源处理端在各历史年度对应的资源处理描述信息；对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；历史年度聚类结果包括至少一个历史年度聚类簇；根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；资源损失增量信息为根据异常资源互动增量信息与资源接收增量信息确定的信息；根据灾变年度判定信息，在各历史年度中确定灾变年度；根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果。采用本方法能够提高资源损失灾变年份的预测准确性。

Description

资源信息处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域以及金融科技领域，特别是涉及一种资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
传统技术往往采用回归线性拟合方法来预测银行的资源损失信息，如，资源损失灾变年度，而采用回归线性拟合方法得到的预测结果往往过于理想化，无法考虑到因金融危机等事件带来的影响，对资源损失灾变年份的预测存在准确度不高的问题。
因此，传统技术中存在资源损失灾变年份预测准确度不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高资源损失灾变年份的预测准确性的资源信息处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
一种资源信息处理方法，所述方法包括：
获取资源处理端在各历史年度对应的资源处理描述信息；所述资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；所述资源接收增量信息表征在相应所述历史年度中，所述资源处理端的资源接收总数的增量信息；所述异常资源互动增量信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的增量信息；
对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；所述历史年度聚类结果包括至少一个历史年度聚类簇；
根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；所述资源损失增量信息为根据所述异常资源互动增量信息与所述资源接收增量信息确定的信息；
根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度；所述灾变年度对应的资源损失增量信息表征的值大于或等于所述灾变年度判定信息表征的值；
根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；所述灾变年份预测结果用于表征未来年度中存在的灾变年度。
在其中一个实施例中，所述根据各所述历史年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息，包括：
根据各所述历史年度对应的资源损失增量信息，在所述至少一个历史年度聚类簇中确定目标年度聚类簇；所述目标年度聚类簇中的历史年度对应的资源损失增量信息与其他年度聚类簇中的历史年度对应的资源损失增量信息间的差异大于预设差异阈值；所述其他年度聚类簇为除所述目标年度聚类簇以外的历史年度聚类簇；
根据所述目标年度聚类簇中的历史年度对应的资源损失增量信息，确定所述灾变年度判定信息。
在其中一个实施例中，所述根据所述目标年度聚类簇中的历史年度对应的资源损失增量信息，确定所述灾变年度判定信息，包括：
在所述目标年度聚类簇中的历史年度对应的资源损失增量信息中，确定所表征的值最小的资源损失增量信息，得到资源损失增量的最小值；
将所述资源损失增量的最小值，作为所述灾变年度判定信息。
在其中一个实施例中，所述根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度，包括：
根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列；所述初始数据列为按照各所述历史年度对各所述资源损失增量信息表征的值进行排列得到的数据列；
按照所述灾变年度判定信息表征的灾变年度判定阈值，剔除所述初始数据列中的目标数据值，得到灾变数据列；所述目标数据值为小于所述灾变年度判定阈值的值；
将所述灾变数据列中的各数据值所对应的历史年度，作为所述灾变年度。
在其中一个实施例中，所述根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果，包括：
根据所述灾变数据列，确定相应的灾变年份数列；所述灾变年份数列包括各所述灾变年度在各所述历史年度中的排序值；
建立灰色预测模型，采用所述灰色预测模型，将所述灾变年份数列映射为灾变年份预测数列；
根据所述灾变年份预测数列，确定所述灾变年份预测结果。
在其中一个实施例中，所述采用所述灰色预测模型，将所述灾变年份数列映射为灾变年份预测数列，包括：
对所述灾变年份数列执行一次累加操作，得到一次累加数列；
采用所述灰色预测模型，对所述一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列；
对所述灰色预测数列执行一次差分还原操作，得到所述灾变年份预测数列。
在其中一个实施例中，所述获取资源处理端在各历史年度对应的资源处理描述信息，包括：
获取所述资源处理端在各所述历史年度发布的资源处理年报数据；
根据各所述历史年度对应的资源处理年报数据，确定所述资源处理端在各所述历史年度对应的资源接收总量信息和异常资源互动率信息；所述异常资源互动率信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的次数与资源互动操作总执行次数之间的比值；
根据各所述历史年度对应的资源接收总量信息，确定各所述历史年度对应的资源接收增量总量增长率，作为各所述历史年度对应的资源接收增量信息；
根据各所述历史年度对应的异常资源互动率信息，确定各所述历史年度对应的异常资源互动增长率，作为各所述历史年度对应的异常资源互动增量信息。
在其中一个实施例中，所述对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果，包括：
按照预设的数据聚类算法，利用各所述资源处理描述信息之间的数据相似度，对各所述资源处理描述信息进行聚类操作，得到所述历史年度聚类结果；
其中，所述数据聚类算法包括k均值聚类算法或半偏R方统计量聚类算法中的至少一种。
一种资源信息处理装置，所述装置包括：
获取模块，用于获取资源处理端在各历史年度对应的资源处理描述信息；所述资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；所述资源接收增量信息表征在相应所述历史年度中，所述资源处理端的资源接收总数的增量信息；所述异常资源互动增量信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的增量信息；
聚类模块，用于对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；所述历史年度聚类结果包括至少一个历史年度聚类簇；
确定模块，用于根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；所述资源损失增量信息为根据所述异常资源互动增量信息与所述资源接收增量信息确定的信息；
筛选模块，用于根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度；所述灾变年度对应的资源损失增量信息表征的值大于或等于所述灾变年度判定信息表征的值；
预测模块，用于根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；所述灾变年份预测结果用于表征未来年度中存在的灾变年度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取资源处理端在各历史年度对应的资源处理描述信息，该资源处理描述信息包括资源接收增量信息和异常资源互动增量信息，并通过对各历史年度对应的资源处理描述信息进行聚类操作，得到包括至少一个历史年度聚类簇的历史年度聚类结果，并根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；再基于该灾变年度判定信息在各历史年度中确定灾变年度，并利用根据各灾变年度在各历史年度中的分布情况，确定未来年度中存在的灾变年度；如此，可以实现采用聚类分析法对资源处理端在各历史年度对应的资源处理描述信息进行深度挖掘，以获取真实且可以界定历史年度是否为灾变年度的灾变年度判定信息，并基于该灾变年度判定信息进行灰色灾变预测，实现基于实际灾变年度在各历史年度中的分布情况，实现结合各类突发事件发生的因素预测后续资源损失动荡出现的时间，有效地提高了资源损失灾变年份的预测准确性。
附图说明
图1为一个实施例中一种资源信息处理方法的应用环境图；
图2为一个实施例中一种资源信息处理方法的流程示意图；
图3为一个实施例中一种半偏R方聚类结果的示意图；
图4为一个实施例中一种资源信息处理方法的处理流程图；
图5为一个实施例中另一种资源信息处理方法的流程示意图；
图6为一个实施例中一种资源信息处理装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的资源信息处理方法，可以应用于如图1所示的应用环境中。其中，电子设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，电子设备102从服务器104获取资源处理端在各历史年度对应的资源处理描述信息；资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；资源接收增量信息表征在相应历史年度中，资源处理端的资源接收总数的增量信息；异常资源互动增量信息表征在相应历史年度中，资源处理端执行异常资源互动操作的增量信息；电子设备102对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；历史年度聚类结果包括至少一个历史年度聚类簇；电子设备102根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；资源损失增量信息为根据异常资源互动增量信息与资源接收增量信息确定的信息；电子设备102根据灾变年度判定信息，在各历史年度中确定灾变年度；灾变年度对应的资源损失增量信息表征的值大于或等于灾变年度判定信息表征的值；电子设备102根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；灾变年份预测结果用于表征未来年度中存在的灾变年度。其中，电子设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
在一个实施例中，如图2所示，提供了一种资源信息处理方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
步骤S202，获取资源处理端在各历史年度对应的资源处理描述信息。
其中，资源处理端可以是指执行一系列资源处理操作的设备端。实际应用中，资源处理端可以是指银行。
其中，资源处理描述信息可以是指用于描述该资源处理端的资源处理操作的信息。
其中，资源处理描述信息包括资源接收增量信息和异常资源互动增量信息。
其中，资源接收增量信息可以是指在相应历史年度中，资源处理端的资源接收总数的增量信息。实际应用中，在资源接收总数为银行收入总额的情况下，资源接收增量信息可以是指资产总额增长率。
其中，异常资源互动增量信息可以是指在相应历史年度中，资源处理端执行异常资源互动操作的增量信息。
其中，异常资源互动操作可以是指满足预设异常条件的资互动操作。实际应用中，异常资源互动操作可以是指不良贷款操作。在异常资源互动操作为不良贷款操作的情况下，异常资源互动增量信息可以是指不良贷款增长率。
具体实现中，电子设备可以响应于接收到的针对资源处理端的灾变年度预测请求，获取资源处理端在各历史年度对应的资源处理描述信息。其中，历史年度的数量满足预设数量。
举例来说，当需要预测某银行的在未来的坏账灾变年度时，用户可以向电子设备输入预测坏账灾变年度的请求，电子设备响应于该预测坏账灾变年度的请求，获取预设数量个历史年度对应的资产总额增长率和不良贷款增长率。为了便于本领域技术人员的理解，表一实例性地示出了一种资源处理描述信息。需要说明的是，表一中的“x”代表阿拉伯数字。
表一
步骤S204，对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；历史年度聚类结果包括至少一个历史年度聚类簇。
具体实现中，电子设备在获取到各历史年度对应的资源处理描述信息后，电子设备可以对各历史年度对应的资源处理描述信息进行聚类操作，得到包括至少一个历史年度聚类簇的历史年度聚类结果。需要说明的是，下文将会对“对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果”步骤进行进一步限定，在此不做过多说明。
仍接上例，电子设备可以对表一中的数据进行聚类存在，实现对表一中的各历史年度进行分类，得到包括多个历史年度聚类簇的历史年度聚类结果。历史年度聚类结果可以包括第一历史年度聚类簇、第二历史年度聚类簇和第三历史年度聚类簇；第一历史年度聚类簇、第二历史年度聚类簇和第三历史年度聚类簇具体可以表示为：
第一历史年度聚类簇：2011、2012；
第二历史年度聚类簇：2013、2014、2015、2016、2020；
第三历史年度聚类簇：2017、2018、2019。
可以看出，电子设备将各历史年度分为至少三个历史年度聚类簇。
步骤S206，根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息。
其中，资源损失增量信息可以表征资源处理端的资源损失的增长情况。具体来说，在资源损失是指坏账的情况下，资源损失增量信息可以是指实际坏账增长值。
实际应用中，资源损失增量信息为根据异常资源互动增量信息与资源接收增量信息确定的信息。具体来说，资源损失增量信息可以是异常资源互动增量信息表征的值与资源接收增量信息表征的值之间的比值。
具体实现中，电子设备可以根据异常资源互动增量信息表征的值与资源接收增量信息表征的值之间的比值，确定各历史年度对应的资源损失增量信息；为了便于本领域技术人员的理解，表二实例性地示出了一种资源损失增量信息。需要说明的是，表二中的“x”代表阿拉伯数字。
表二
电子设备可以根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息。具体来说，电子设备可以根据各历史年度聚类簇中历史年度对应的资源损失增量信息之间的差异，在各历史年度聚类簇确定出目标聚类簇；然后，电子设备可以基于目标聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息。
为了便于本领域技术人员的理解，表三实例性地示出了一种资源损失增量信息的分布情况表；需要说明的是，表二中的“x”代表阿拉伯数字。
表三
可以看出，第二历史年度聚类簇中的各历史年度对应的坏账增长值均大于2，即2013年度、2014年度、2015年度、2016年度、2020年度对应的坏账增长值与其他年度对应的坏账增长值之间的差异大于预设条件，电子设备可以将2设置为灾变年度判定信息，用于界定该历史年份是否为灾变年份。
步骤S208，根据灾变年度判定信息，在各历史年度中确定灾变年度；灾变年度对应的资源损失增量信息表征的值大于或等于灾变年度判定信息表征的值。
具体实现中，电子设备可以将资源损失增量信息表征的值大于或等于灾变年度判定信息表征的值的历史年度中确定灾变年度。举例来说，电子设备可以将坏账增长值大于等于2的历史年份确定为灾变年份。
步骤S210，根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；灾变年份预测结果用于表征未来年度中存在的灾变年度。
具体实现中，电子设备可以在各历史年度中确定灾变年度后，电子设备可以确定出各灾变年度在各历史年度中的分布情况；然后，电子设备可以基于各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果，以表征未来年度中存在的灾变年度。
具体来说，电子设备可以采用灰度预测模型，基于灾变年度在各历史年度中的分布情况，确定出灾变年份预测结果。需要说明的是，下文将会对“根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果”步骤进行进一步限定，在此不做过多说明。
上述资源信息处理方法中，通过获取资源处理端在各历史年度对应的资源处理描述信息，该资源处理描述信息包括资源接收增量信息和异常资源互动增量信息，并通过对各历史年度对应的资源处理描述信息进行聚类操作，得到包括至少一个历史年度聚类簇的历史年度聚类结果，并根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；再基于该灾变年度判定信息在各历史年度中确定灾变年度，并利用根据各灾变年度在各历史年度中的分布情况，确定未来年度中存在的灾变年度；如此，可以实现采用聚类分析法对资源处理端在各历史年度对应的资源处理描述信息进行深度挖掘，以获取真实且可以界定历史年度是否为灾变年度的灾变年度判定信息，并基于该灾变年度判定信息进行灰色灾变预测，实现基于实际灾变年度在各历史年度中的分布情况，实现结合各类突发事件发生的因素预测后续资源损失动荡出现的时间，有效地提高了资源损失灾变年份的预测准确性。
在另一个实施例中，根据各历史年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息，包括：根据各历史年度对应的资源损失增量信息，在至少一个历史年度聚类簇中确定目标年度聚类簇；根据目标年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息。
其中，目标年度聚类簇中的历史年度对应的资源损失增量信息与其他年度聚类簇中的历史年度对应的资源损失增量信息间的差异大于预设差异阈值。
其中，其他年度聚类簇为除目标年度聚类簇以外的历史年度聚类簇。
具体实现中，电子设备根据各历史年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息的过程中，电子设备可以根据各历史年度对应的资源损失增量信息，在至少一个历史年度聚类簇中确定目标年度聚类簇。具体来说，电子设备可以比较各历史年度聚类簇之间的差异，基于该差异在至少一个历史年度聚类簇中确定目标年度聚类簇。
实际应用中，目标年度聚类簇中的历史年度对应的资源损失增量信息的值大于其他年度聚类簇中的历史年度对应的资源损失增量信息的值。
举例来说，请再参见表三，从表三来看，第二历史年度聚类簇为目标年度聚类簇；第一历史年度聚类簇和第三历史年度聚类簇为其他年度聚类簇。
电子设备确定出目标年度聚类簇后，电子设备可以根据目标年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息。具体来说，电子设备可以将目标年度聚类簇中的历史年度对应的资源损失增量信息中，确定所表征的值最小的资源损失增量信息，得到资源损失增量的最小值；然后，电子设备可以将资源损失增量的最小值，作为灾变年度判定信息。实际应用中，电子设备也可以根据目标年度聚类簇中的历史年度对应的资源损失增量信息的平均值，确定灾变年度判定信息。
举例来说，第二历史年度聚类簇的坏账增长值分别为2013年度的坏账增长值2.4xxxxxx74；2014年度的坏账增长值3.4xxxxxx56；2015年度的坏账增长值5.5xxxxxx28；2016年度的坏账增长值2.0xxxxxx66；2020年度的坏账增长值2.0xxxxxx28。电子设备可以将2016年度的坏账增长值2作为灾变年度判定信息。
本实施例的技术方案，通过根据各历史年度对应的资源损失增量信息，在至少一个历史年度聚类簇中确定目标年度聚类簇，并根据目标年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息，从而可以实现使用灾变预测对后续灾变时间进行预测。
在另一个实施例中，根据灾变年度判定信息，在各历史年度中确定灾变年度，包括：根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列；按照灾变年度判定信息表征的灾变年度判定阈值，剔除初始数据列中的目标数据值，得到灾变数据列；将灾变数据列中的各数据值所对应的历史年度，作为灾变年度。
其中，初始数据列为按照各历史年度对各资源损失增量信息表征的值进行排列得到的数据列。
其中，目标数据值为小于灾变年度判定阈值的值。
具体实现中，电子设备在根据灾变年度判定信息，在各历史年度中确定灾变年度的过程中，电子设备可以根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列。实际应用中，初始数据列可以表示为：
x(0)＝(0.005xxx49,0.186xxx428,2.456xxx474,3.461xxx856,5.545xxx528,
2.001xxx866,0.421xxx717,0.667xxx782,0.260xxx884,2.081xxx028)
然后，电子设备可以按照灾变年度判定信息表征的灾变年度判定阈值，剔除初始数据列中的目标数据值，得到灾变数据列。即电子设备可以再初始数据列中的剔除小于灾变年度判定阈值的目标数据值0.005xxx49、0.186xxx428、0.421xxx717、0.667xxx782、0.260xxx884，得到灾变数据列。实际应用中，灾变数据列可以表示为：
电子设备，将灾变数据列中的各数据值所对应的历史年度，作为灾变年度。可以看出，灾变数据列中的各数据值所对应的历史年度为2013年度、2014年度、2015年度、2016年度和2020年度。电子设备则将2013年度、2014年度、2015年度、2016年度和2020年度确定为灾变年度。
本实施例的技术方案，通过根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列，并按照灾变年度判定信息表征的灾变年度判定阈值，剔除初始数据列中的目标数据值，得到灾变数据列，在将灾变数据列中的各数据值所对应的历史年度，作为灾变年度，可以实现快速地根据灾变年度判定信息，在各历史年度中筛选出灾变年度。
在另一个实施例中，根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果，包括：根据灾变数据列，确定相应的灾变年份数列；建立灰色预测模型，采用灰色预测模型，将灾变年份数列映射为灾变年份预测数列；根据灾变年份预测数列，确定灾变年份预测结果。
其中，灾变年份数列包括各灾变年度在各历史年度中的排序值。
具体实现中，电子设备在根据各灾变年度在各历史年度中的分布情况，确定灾变年份预测结果的过程中，电子设备可以根据灾变数据列，确定相应的灾变年份数列。接上例，灾变年份数列可以：
t＝(3,4,5,6,10)。
然后，电子设备通过建立灰色预测模型，采用灰色预测模型，将灾变年份数列映射为灾变年份预测数列；根据灾变年份预测数列，确定灾变年份预测结果。
具体来说，电子设备可以对灾变年份数列执行一次累加操作，得到一次累加数列。接上例，一次累加数列可以表示为：
t(1)＝(3,7,12,18,28)。
采用灰色预测模型，对一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列。其中，电子设备可以建立GM(1,1)模型，得到灰色预测模型；实际应用中，灰色预测模型可以表示为：
然后，电子设备可以采用灰色预测模型对一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列。接上例，灰色预测数列可以表示为：
t(1)＝(3,7,12,18,28,40.09,58.14,82.94)
最后，电子设备对灰色预测数列执行一次差分还原操作，得到灾变年份预测数列。实际应用中，灾变年份预测数列可以表示为：
t＝(3,4,5,6,10,12.09,18.5,24.8)
电子设备可以采用灾变年份预测数列，确定灾变年份预测结果。具体来说，电子设备可以根据灾变年份预测数列，确定第6次灾变将会发生在第12.09年、第7次灾变将会发生在第18.5年，第8次灾变将会发生在第24.8。电子设备可以根据灾变年份预测数列中各数值与年份的映射关系表，确定未来的灾变年份。
其中，映射关系表可以如表四所示：
表四
第t年 1 2 3 4 5
年份 2011 2012 2013 2014 2015
第t年 6 7 8 9 10
年份 2016 2017 2018 2019 2020
第t年 10 11 12 13 14
年份 2020 2021 2022 2023 2024
第t年 15 16 17 18 19
年份 2024 2025 2026 2027 2028
第t年 19 20 21 22 23
年份 2028 2029 2030 2031 2032
第t年 23 24 25 26 27
年份 2032 2033 2034 2035 2036
本实施例的技术方案，通过根据灾变数据列，确定相应的灾变年份数列；建立灰色预测模型，采用灰色预测模型，将灾变年份数列映射为灾变年份预测数列，从而实现准确地根据灾变年份预测数列，确定灾变年份预测结果。
在另一个实施例中，获取资源处理端在各历史年度对应的资源处理描述信息，包括：获取资源处理端在各历史年度发布的资源处理年报数据；根据各历史年度对应的资源处理年报数据，确定资源处理端在各历史年度对应的资源接收总量信息和异常资源互动率信息；根据各历史年度对应的资源接收总量信息，确定各历史年度对应的资源接收增量总量增长率，作为各历史年度对应的资源接收增量信息；根据各历史年度对应的异常资源互动率信息，确定各历史年度对应的异常资源互动增长率，作为各历史年度对应的异常资源互动增量信息。
其中，资源接收总量信息表征在相应历史年度中，资源处理端接收到资源的总量。其中，资源接收总量信息可以是指银行收入总额。
其中，异常资源互动率信息表征在相应历史年度中，资源处理端执行异常资源互动操作的次数与资源互动操作总执行次数之间的比值。其中，异常资源互动率信息可以是不良贷款率。
具体实现中，电子设备在获取资源处理端在各历史年度对应的资源处理描述信息的过程中，电子设备可以获取资源处理端在各历史年度发布的资源处理年报数据；然后，根据各历史年度对应的资源处理年报数据，确定资源处理端在各历史年度对应的资源接收总量信息和异常资源互动率信息；然后，根据各历史年度对应的资源接收总量信息，确定各历史年度对应的资源接收增量总量增长率，作为各历史年度对应的资源接收增量信息；以及，根据各历史年度对应的异常资源互动率信息，确定各历史年度对应的异常资源互动增长率，作为各历史年度对应的异常资源互动增量信息。
举例来说，电子设备可以获取2011年度至2020年度的银行端发布的年报数据。然后，电子设备可以在银行端的年报数据中，确定资源处理端在各历史年度对应的银行收入总额和不良贷款率。然后，电子设备可以根据各历史年度对应的银行收入总额，确定各历史年度对应的资产总额增长率；以及，电子设备可以根据各历史年度对应的不良贷款率，确定各历史年度对应的不良贷款增长率。
为了便于本领域技术人员的理解，表五实例性地示出了一种资源处理年报数据。
表五
年份 银行收入总额 不良贷款率
2011 154xxx68 0.94
2012 175xxx17 0.85
2013 189xxx52 0.94
2014 206xxx53 1.13
2015 222xxx80 1.5
2016 241xxx65 1.62
2017 260xxx43 1.55
2018 276xxx40 1.52
2019 301xxx36 1.43
2020 333xxx58 1.58
本实施例的技术方案，通过获取资源处理端在各历史年度发布的资源处理年报数据，并根据各历史年度对应的资源处理年报数据，确定资源处理端在各历史年度对应的资源接收总量信息和异常资源互动率信息，再根据各历史年度对应的资源接收总量信息，确定各历史年度对应的资源接收增量总量增长率，作为各历史年度对应的资源接收增量信息；以及，根据各历史年度对应的异常资源互动率信息，确定各历史年度对应的异常资源互动增长率，作为各历史年度对应的异常资源互动增量信息，便于展示地反映出资源交互端的资源损失情况，避免因报表数据美化而影响资源损失灾变年度的预测准确度。
在另一个实施例中，对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果，包括：按照预设的数据聚类算法，利用各资源处理描述信息之间的数据相似度，对各资源处理描述信息进行聚类操作，得到历史年度聚类结果。
其中，数据聚类算法包括k均值聚类算法或半偏R方统计量聚类算法中的至少一种。
具体实现中，电子设备在对各历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果的过程中，电子设备可以采用k均值聚类算法，利用各资源处理描述信息之间的数据相似度，对各资源处理描述信息进行聚类操作，得到历史年度聚类结果。实际应用中，可以将采用k均值聚类算法得到的历史年度聚类结果命名为K均值聚类结果。为了便于本领域技术人员的理解，表六实例性地提供了一种K均值聚类结果。
表六
观测 年份 聚类 与种子的距离
1 2011 1 0.3137
2 2012 1 0.3137
3 2013 3 0.6847
4 2014 2 0.1098
5 2015 2 0.9061
6 2016 3 0.6248
7 2017 3 0.4089
8 2018 3 0.7215
9 2019 3 0.5680
10 2020 2 0.8892
当然，电子设备可以采用半偏R方统计量聚类算法，利用各资源处理描述信息之间的数据相似度，对各资源处理描述信息进行聚类操作，得到历史年度聚类结果。实际应用中，可以将采用半偏R方统计量聚类算法得到的历史年度聚类结果命名为半偏R方聚类结果。为了便于本领域技术人员的理解，图3实例性地提供了一种半偏R方聚类结果的示意图。
从表六和图3可以看出，历史年度聚类结果可以表示为：
第Ⅰ类历史年度聚类簇：2011、2012；
第Ⅱ类历史年度聚类簇：2013、2014、2015、2016、2020；
第Ⅲ类历史年度聚类簇：2017、2018、2019。
本实施例的技术方案，通过采用k均值聚类算法或半偏R方统计量聚类算法，对各历史年度对应的资源处理描述信息进行聚类操作，可以实现快速地基于利用各资源处理描述信息之间的数据相似度，对各资源处理描述信息进行聚类，以得到有效的历史年度聚类结果。
为了便于本领域技术人员的理解，图4提供了一种资源信息处理方法的处理流程图；其中，电子设备可以获取目标银行端的不良资产描述数据；然后，电子设备执行数据挖掘分析操作，即对各历史年度对应的不良资产描述数据进行聚类分析，识别出历史年度中的实际灾变年度。最后，电子设备基于筛选出的实际灾变年度设置灾变值，利用灾变分析预测未来存在的预测灾变年度。需要说明的是，上述步骤的具体限定可以参见上文对一种资源信息处理方法的具体限定，在此不再赘述。
在另一个实施例中，如图5所示，提供了一种资源信息处理方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
步骤S502，获取资源处理端在各历史年度发布的资源处理年报数据。
步骤S504，根据各历史年度对应的资源处理年报数据，确定资源处理端在各历史年度对应的资源接收总量信息和异常资源互动率信息。
步骤S506，根据各历史年度对应的资源接收总量信息，确定各历史年度对应的资源接收增量总量增长率，作为各历史年度对应的资源接收增量信息，以及，根据各历史年度对应的异常资源互动率信息，确定各历史年度对应的异常资源互动增长率，作为各历史年度对应的异常资源互动增量信息。
步骤S508，对各历史年度对应的资源接收增量信息和异常资源互动增量信息进行聚类操作，得到历史年度聚类结果；历史年度聚类结果包括至少一个历史年度聚类簇。
步骤S510，根据各历史年度对应的资源损失增量信息，在至少一个历史年度聚类簇中确定目标年度聚类簇。
步骤S512，在目标年度聚类簇中的历史年度对应的资源损失增量信息中，确定所表征的值最小的资源损失增量信息，得到资源损失增量的最小值，作为灾变年度判定信息。
步骤S514，根据各历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列；初始数据列为按照各历史年度对各资源损失增量信息表征的值进行排列得到的数据列。
步骤S516，按照灾变年度判定信息表征的灾变年度判定阈值，剔除初始数据列中的目标数据值，得到灾变数据列；目标数据值为小于灾变年度判定阈值的值。
步骤S518，根据灾变数据列，确定相应的灾变年份数列；灾变年份数列包括各灾变年度在各历史年度中的排序值。
步骤S520，对灾变年份数列执行一次累加操作，得到一次累加数列，采用灰色预测模型，对一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列，对灰色预测数列执行一次差分还原操作，得到灾变年份预测数列。
步骤S522，根据灾变年份预测数列，确定灾变年份预测结果；灾变年份预测结果用于表征未来年度中存在的灾变年度。
需要说明的是，上述步骤的具体限定可以参见上文对一种资源信息处理方法的具体限定，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的一种资源信息处理方法的一种资源信息处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个一种资源信息处理装置实施例中的具体限定可以参见上文中对于一种资源信息处理方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种资源信息处理装置，包括：
获取模块610，用于获取资源处理端在各历史年度对应的资源处理描述信息；所述资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；所述资源接收增量信息表征在相应所述历史年度中，所述资源处理端的资源接收总数的增量信息；所述异常资源互动增量信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的增量信息；
聚类模块620，用于对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；所述历史年度聚类结果包括至少一个历史年度聚类簇；
确定模块630，用于根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；所述资源损失增量信息为根据所述异常资源互动增量信息与所述资源接收增量信息确定的信息；
筛选模块640，用于根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度；所述灾变年度对应的资源损失增量信息表征的值大于或等于所述灾变年度判定信息表征的值；
预测模块650，用于根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；所述灾变年份预测结果用于表征未来年度中存在的灾变年度。
在其中一个实施例中，所述确定模块630，具体用于根据各所述历史年度对应的资源损失增量信息，在所述至少一个历史年度聚类簇中确定目标年度聚类簇；所述目标年度聚类簇中的历史年度对应的资源损失增量信息与其他年度聚类簇中的历史年度对应的资源损失增量信息间的差异大于预设差异阈值；所述其他年度聚类簇为除所述目标年度聚类簇以外的历史年度聚类簇；根据所述目标年度聚类簇中的历史年度对应的资源损失增量信息，确定所述灾变年度判定信息。
在其中一个实施例中，所述确定模块630，具体用于在所述目标年度聚类簇中的历史年度对应的资源损失增量信息中，确定所表征的值最小的资源损失增量信息，得到资源损失增量的最小值；将所述资源损失增量的最小值，作为所述灾变年度判定信息。
在其中一个实施例中，所述筛选模块640，具体用于根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列；所述初始数据列为按照各所述历史年度对各所述资源损失增量信息表征的值进行排列得到的数据列；按照所述灾变年度判定信息表征的灾变年度判定阈值，剔除所述初始数据列中的目标数据值，得到灾变数据列；所述目标数据值为小于所述灾变年度判定阈值的值；将所述灾变数据列中的各数据值所对应的历史年度，作为所述灾变年度。
在其中一个实施例中，所述预测模块650，具体用于根据所述灾变数据列，确定相应的灾变年份数列；所述灾变年份数列包括各所述灾变年度在各所述历史年度中的排序值；建立灰色预测模型，采用所述灰色预测模型，将所述灾变年份数列映射为灾变年份预测数列；根据所述灾变年份预测数列，确定所述灾变年份预测结果。
在其中一个实施例中，所述预测模块650，具体用于对所述灾变年份数列执行一次累加操作，得到一次累加数列；采用所述灰色预测模型，对所述一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列；对所述灰色预测数列执行一次差分还原操作，得到所述灾变年份预测数列。
在其中一个实施例中，所述获取模块610，具体用于获取所述资源处理端在各所述历史年度发布的资源处理年报数据；根据各所述历史年度对应的资源处理年报数据，确定所述资源处理端在各所述历史年度对应的资源接收总量信息和异常资源互动率信息；所述异常资源互动率信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的次数与资源互动操作总执行次数之间的比值；根据各所述历史年度对应的资源接收总量信息，确定各所述历史年度对应的资源接收增量总量增长率，作为各所述历史年度对应的资源接收增量信息；根据各所述历史年度对应的异常资源互动率信息，确定各所述历史年度对应的异常资源互动增长率，作为各所述历史年度对应的异常资源互动增量信息。
在其中一个实施例中，所述聚类模块620，具体用于按照预设的数据聚类算法，利用各所述资源处理描述信息之间的数据相似度，对各所述资源处理描述信息进行聚类操作，得到所述历史年度聚类结果；其中，所述数据聚类算法包括k均值聚类算法或半偏R方统计量聚类算法中的至少一种。
上述一种资源信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行一种资源信息处理方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源信息处理方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种资源信息处理方法的步骤。此处一种资源信息处理方法的步骤可以是上述各个实施例的一种资源信息处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种资源信息处理方法的步骤。此处一种资源信息处理方法的步骤可以是上述各个实施例的一种资源信息处理方法中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种资源信息处理方法的步骤。此处一种资源信息处理方法的步骤可以是上述各个实施例的一种资源信息处理方法中的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种资源信息处理方法，其特征在于，所述方法包括：
获取资源处理端在各历史年度对应的资源处理描述信息；所述资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；所述资源接收增量信息表征在相应所述历史年度中，所述资源处理端的资源接收总数的增量信息；所述异常资源互动增量信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的增量信息；
对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；所述历史年度聚类结果包括至少一个历史年度聚类簇；
根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；所述资源损失增量信息为根据所述异常资源互动增量信息与所述资源接收增量信息确定的信息；
根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度；所述灾变年度对应的资源损失增量信息表征的值大于或等于所述灾变年度判定信息表征的值；
根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；所述灾变年份预测结果用于表征未来年度中存在的灾变年度。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述历史年度聚类簇中的历史年度对应的资源损失增量信息，确定灾变年度判定信息，包括：
根据各所述历史年度对应的资源损失增量信息，在所述至少一个历史年度聚类簇中确定目标年度聚类簇；所述目标年度聚类簇中的历史年度对应的资源损失增量信息与其他年度聚类簇中的历史年度对应的资源损失增量信息间的差异大于预设差异阈值；所述其他年度聚类簇为除所述目标年度聚类簇以外的历史年度聚类簇；
根据所述目标年度聚类簇中的历史年度对应的资源损失增量信息，确定所述灾变年度判定信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标年度聚类簇中的历史年度对应的资源损失增量信息，确定所述灾变年度判定信息，包括：
在所述目标年度聚类簇中的历史年度对应的资源损失增量信息中，确定所表征的值最小的资源损失增量信息，得到资源损失增量的最小值；
将所述资源损失增量的最小值，作为所述灾变年度判定信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度，包括：
根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定初始数据列；所述初始数据列为按照各所述历史年度对各所述资源损失增量信息表征的值进行排列得到的数据列；
按照所述灾变年度判定信息表征的灾变年度判定阈值，剔除所述初始数据列中的目标数据值，得到灾变数据列；所述目标数据值为小于所述灾变年度判定阈值的值；
将所述灾变数据列中的各数据值所对应的历史年度，作为所述灾变年度。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果，包括：
根据所述灾变数据列，确定相应的灾变年份数列；所述灾变年份数列包括各所述灾变年度在各所述历史年度中的排序值；
建立灰色预测模型，采用所述灰色预测模型，将所述灾变年份数列映射为灾变年份预测数列；
根据所述灾变年份预测数列，确定所述灾变年份预测结果。
6.根据权利要求5所述的方法，其特征在于，所述采用所述灰色预测模型，将所述灾变年份数列映射为灾变年份预测数列，包括：
对所述灾变年份数列执行一次累加操作，得到一次累加数列；
采用所述灰色预测模型，对所述一次累加数列执行预设次数的灰色预测操作，得到灰色预测数列；
对所述灰色预测数列执行一次差分还原操作，得到所述灾变年份预测数列。
7.根据权利要求1所述的方法，其特征在于，所述获取资源处理端在各历史年度对应的资源处理描述信息，包括：
获取所述资源处理端在各所述历史年度发布的资源处理年报数据；
根据各所述历史年度对应的资源处理年报数据，确定所述资源处理端在各所述历史年度对应的资源接收总量信息和异常资源互动率信息；所述异常资源互动率信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的次数与资源互动操作总执行次数之间的比值；
根据各所述历史年度对应的资源接收总量信息，确定各所述历史年度对应的资源接收增量总量增长率，作为各所述历史年度对应的资源接收增量信息；
根据各所述历史年度对应的异常资源互动率信息，确定各所述历史年度对应的异常资源互动增长率，作为各所述历史年度对应的异常资源互动增量信息。
8.根据权利要求1所述的方法，其特征在于，所述对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果，包括：
按照预设的数据聚类算法，利用各所述资源处理描述信息之间的数据相似度，对各所述资源处理描述信息进行聚类操作，得到所述历史年度聚类结果；
其中，所述数据聚类算法包括k均值聚类算法或半偏R方统计量聚类算法中的至少一种。
9.一种资源信息处理装置，其特征在于，所述装置包括：
获取模块，用于获取资源处理端在各历史年度对应的资源处理描述信息；所述资源处理描述信息包括资源接收增量信息和异常资源互动增量信息；所述资源接收增量信息表征在相应所述历史年度中，所述资源处理端的资源接收总数的增量信息；所述异常资源互动增量信息表征在相应所述历史年度中，所述资源处理端执行异常资源互动操作的增量信息；
聚类模块，用于对各所述历史年度对应的资源处理描述信息进行聚类操作，得到历史年度聚类结果；所述历史年度聚类结果包括至少一个历史年度聚类簇；
确定模块，用于根据各所述历史年度聚类簇中历史年度对应的资源损失增量信息，确定灾变年度判定信息；所述资源损失增量信息为根据所述异常资源互动增量信息与所述资源接收增量信息确定的信息；
筛选模块，用于根据所述灾变年度判定信息，在各所述历史年度中确定灾变年度；所述灾变年度对应的资源损失增量信息表征的值大于或等于所述灾变年度判定信息表征的值；
预测模块，用于根据各所述灾变年度在各历史年度中的分布情况，确定灾变年份预测结果；所述灾变年份预测结果用于表征未来年度中存在的灾变年度。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310636212.8A 2023-05-31 2023-05-31 资源信息处理方法、装置、计算机设备和存储介质 Pending CN116681164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310636212.8A CN116681164A (zh) 2023-05-31 2023-05-31 资源信息处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310636212.8A CN116681164A (zh) 2023-05-31 2023-05-31 资源信息处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116681164A true CN116681164A (zh) 2023-09-01

Family

ID=87778516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310636212.8A Pending CN116681164A (zh) 2023-05-31 2023-05-31 资源信息处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116681164A (zh)

Similar Documents

Publication Publication Date Title
US10372723B2 (en) Efficient query processing using histograms in a columnar database
CN116933035A (zh) 数据异常检测方法、装置、计算机设备和存储介质
CN117435130A (zh) 金融数据存储方法、装置、计算机设备和存储介质
CN116681164A (zh) 资源信息处理方法、装置、计算机设备和存储介质
CN115905654A (zh) 业务数据的处理方法、装置、设备、存储介质和程序产品
CN112884028A (zh) 一种系统资源调整方法、装置及设备
CN116821147A (zh) 数据查找工具识别方法、装置、设备和存储介质
CN117314556A (zh) 虚拟资源推荐方法、装置、计算机设备和存储介质
CN117459576A (zh) 基于边缘计算的数据推送方法、装置和计算机设备
CN117435279A (zh) 个人资源管理方法、装置、计算机设备和存储介质
CN117273922A (zh) 交易预警方法、装置、计算机设备和存储介质
CN117077028A (zh) 风险预测模型的构建方法、装置、计算机设备和存储介质
CN116720935A (zh) 账户类别识别方法、装置、计算机设备和存储介质
CN116467521A (zh) 账户推荐模型的训练方法、账户推荐方法、装置和设备
CN116091209A (zh) 信贷业务处理方法、装置、计算机设备和存储介质
CN117036041A (zh) 业务信息推送方法、装置、计算机设备和存储介质
CN115146051A (zh) 样本处理方法、装置、计算机设备和存储介质
CN117522138A (zh) 金融业务系统的测试风险识别方法、装置、设备和介质
CN117216009A (zh) 文件处理方法、装置、设备、存储介质和计算机程序产品
CN116681203A (zh) 基于大数据分析的企业管理咨询方法与系统
CN116089244A (zh) 应用资源使用情况确定方法、装置、设备和存储介质
CN117312660A (zh) 项目推送方法、装置、计算机设备和存储介质
CN117909763A (zh) 数据质量监控方法、计算机设备和存储介质
CN116739659A (zh) 卡片激励信息处理方法、装置、设备、介质和程序产品
CN116882648A (zh) 账户资源分配方法、装置、计算机设备和存储介质

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