CN116681291A - 一种基于集成模型的风控预测方法及系统 - Google Patents
一种基于集成模型的风控预测方法及系统 Download PDFInfo
- Publication number
- CN116681291A CN116681291A CN202310962719.2A CN202310962719A CN116681291A CN 116681291 A CN116681291 A CN 116681291A CN 202310962719 A CN202310962719 A CN 202310962719A CN 116681291 A CN116681291 A CN 116681291A
- Authority
- CN
- China
- Prior art keywords
- information
- learner
- base learner
- risk level
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 81
- 239000002245 particle Substances 0.000 claims description 89
- 238000004088 simulation Methods 0.000 claims description 65
- 230000004927 fusion Effects 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于集成模型的风控预测方法及系统,涉及数据处理技术领域,方法包括:将第一前置基学习器、第二前置基学习器直到第N前置基学习器的输出层和特征融合学习器的输入层合并,获取风险级别划分模型,将用户端上传的业务请求信息中的登录用户基础信息所包括的失信记录信息和财产状态信息输入风险级别划分模型,获取第一风险等级,对第一风险等级进行调整,获取第二风险等级发送至管理端进行风控管理,本发明解决了现有技术中由于风控模型的准确性低,因此通过集成模型提高预测准确性,但由于集成模型的训练需要巨量数据训练,存在较难实现的技术问题,实现了集成模型的应用,达到了提升风控预测准确率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于集成模型的风控预测方法及系统。
背景技术
随着金融领域的发展,在金融行业对客户做风控处理的过程中通常都需要采用预先构建好的风控模型来针对客户可能出现的风险行为进行有效的的预测。然而,由于传统的逻辑回归/决策树模型在构建时对于业务经验的依赖较强,且模型整体受变量构造方式影响大,这就导致采用这部分模型预测用户风险行为的准确性较差。而现有技术中的使用风控模型来进行风控预测时,风控模型多为单一维度模型的处理,准确性难以保证,通过集成模型可以提高风控预测准确性,但是由于集成模型的训练,需要巨量的标签数据,通常较难满足。
发明内容
本申请提供了一种基于集成模型的风控预测方法及系统,用于针对解决现有技术中存在的由于风控模型的准确性低,因此通过集成模型提高预测准确性,但由于集成模型的训练需要巨量数据训练,存在较难实现的技术问题。
鉴于上述问题,本申请提供了一种基于集成模型的风控预测方法及系统。
第一方面,本申请提供了一种基于集成模型的风控预测方法,所述方法包括:构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;构建特征融合学习器;将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;将所述第二风险等级发送至管理端进行风控管理。
第二方面,本申请提供了一种基于集成模型的风控预测系统,所述系统包括:第一构建模块,所述第一构建模块用于构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;第二构建模块,所述第二构建模块用于构建特征融合学习器;模型获取模块,所述模型获取模块用于将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;信息接收模块,所述信息接收模块用于接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;第一输入模块,所述第一输入模块用于所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;调整模块,所述调整模块用于对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;风控管理模块,所述风控管理模块用于将所述第二风险等级发送至管理端进行风控管理。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种基于集成模型的风控预测方法及系统,涉及数据处理技术领域,解决了现有技术中由于风控模型的准确性低,因此通过集成模型提高预测准确性,但由于集成模型的训练需要巨量数据训练,存在较难实现的技术问题,实现了集成模型的应用,达到了提升风控预测准确率的技术效果。
附图说明
图1为本申请提供了一种基于集成模型的风控预测方法流程示意图;
图2为本申请提供了一种基于集成模型的风控预测方法中获取第N前置基学习器流程示意图;
图3为本申请提供了一种基于集成模型的风控预测方法中获取特征融合学习器流程示意图;
图4为本申请提供了一种基于集成模型的风控预测方法中获取风险级别划分模型流程示意图;
图5为本申请提供了一种基于集成模型的风控预测方法中获取第二风险等级流程示意图;
图6为本申请提供了一种基于集成模型的风控预测系统结构示意图。
附图标记说明:第一构建模块1,第二构建模块2,模型获取模块3,信息接收模块4,第一输入模块5,调整模块6,风控管理模块7。
具体实施方式
本申请通过提供一种基于集成模型的风控预测方法及系统,用于解决现有技术中由于风控模型的准确性低,因此通过集成模型提高预测准确性,但由于集成模型的训练需要巨量数据训练,存在较难实现的技术问题。
实施例一
如图1所示,本申请实施例提供了一种基于集成模型的风控预测方法,该方法应用于集成模型的风控预测系统所述系统包括服务端,所述服务端和管理端、用户端通信连接,该方法包括:
步骤S100:构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;
具体而言,本申请实施例提供的一种基于集成模型的风控预测方法应用于集成模型的风控预测系统,该集成模型的风控预测系统包括服务端,所述服务端和管理端、用户端通信连接,服务端、管理端、用户端用于进行风险参数的采集。
为保证对后期风控预测的准确性,因此首先需要对第一前置基学习器、第二前置基学习器直到第N前置基学习器进行构建,且N为整数,N≥2,第一前置基学习器、第二前置基学习器直到第N前置基学习器是指对目标用户的失信记录以及财产状态作为基础数据进行训练,是用于对目标用户的风险行为进行预测,其中,第一前置基学习器、第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,是指第一前置基学习器、第二前置基学习器直到第N前置基学习器网络中各个站点相互连接的形式不同,其拓扑结构可以是总线型拓扑、星形拓扑、环形拓扑、树形拓扑以及它们的混合型等,为后期实现提高风控预测的准确率作为重要参考依据。
进一步而言,如图2所示,本申请步骤S100还包括:
步骤S110:采集失信记录模拟信息、财产状态模拟信息和风险等级标识信息;
步骤S120:基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器;
步骤S130:基于第二拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第二前置基学习器;
步骤S140:重复训练,直到基于第N拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第N前置基学习器。
进一步而言,本申请步骤S120包括:
步骤S121:对所述失信记录模拟信息、所述财产状态模拟信息和所述风险等级标识信息进行一级划分,获取第一训练集和第一测试集;
步骤S122:对所述第一训练集进行k-1折随机划分,获取第二训练集;
步骤S123:根据所述第二训练集,基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器。
具体而言,对第一前置学习器、第二前置基学习器直到第N前置基学习器的构建过程可以是首先通过对目标用户的失信记录模拟信息、财产状态模拟信息和风险等级标识信息进行采集,失信记录模拟信息是将目标用户以往的征信不良记录的关键特性进行采集整理的模拟信息,财产状态模拟信息是将目标用户以往的财产拥有的关键特性进行采集整理的模拟信息,风险等级标识信息是根据目标用户的失信记录模拟信息、财产状态模拟信息之间的映射关系进行等级划分标识的,其失信记录模拟信息与财产状态模拟信息关联越大,则风险等级越高,进一步的,在总线型拓扑、星形拓扑、环形拓扑、树形拓扑中任意选取一个拓扑结构网络记作第一拓扑结构网络,同时以风险等级标识信息作为监督标识数据,以失信记录模拟信息和财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,是指首先对失信记录模拟信息、财产状态模拟信息和风险等级标识信息进行一级划分,可以是对失信记录模拟信息、财产状态模拟信息和风险等级标识信息均进行不同比例的数据划分,将所划分出的不同比例的数据分别记作获取第一训练集以及第一测试集,进一步的,对第一训练集进行k-1折随机划分,是指将第一训练集的数据随机划分为k份,并随机筛选出k-1份作为训练集,且每一个前置学习器中的训练集均为重新随机筛选所获,从而避免数据存在过拟合的情况,由此将随机筛选出的k-1份训练集记作第二训练集。
进一步的,根据第二训练集,以第一拓扑结构网络作为基础网络数据,以风险等级标识信息作为监督标识数据,以失信记录模拟信息和财产状态模拟信息作为输入数据,结合粒子群聚焦算法进行训练,是指将在第一拓扑结构网络中对失信记录模拟信息和财产状态模拟信息进行训练过程中的预设损失值作为粒子群聚焦中的目标最优解,训练任务则是通过第一拓扑结构中的每个网络节点寻找出目标最优解,在整个网络节点进行搜寻的过程中,通过各个网络节点相互传递各自的信息,让其他的网络节点知道自己的位置,通过这样的协作,来判断当前网络节点找到的是不是最优解,同时也将最优解的信息传递给第一拓扑结构中的每个网络节点,最终,第一拓扑结构中的每个网络节点都能聚集在目标最优解周围,即第一拓扑结构中的每个网络节点最终趋于目标最优解进行收敛,将最终收敛的所有网络节点进行整合后对第一前置基学习器进行获取。
进一步的,在总线型拓扑、星形拓扑、环形拓扑、树形拓扑中任意选取一个拓扑结构网络记作第二拓扑结构网络,且第二拓扑结构网络与第一拓扑结构网络为不同的拓扑结构网络,与上述同理以风险等级标识信息作为监督标识数据,以失信记录模拟信息和财产状态模拟信息为输入数据,是指将在第二拓扑结构网络中对失信记录模拟信息和财产状态模拟信息进行训练过程中的预设损失值作为粒子群聚焦中的目标最优解,训练任务则是通过第二拓扑结构中的每个网络节点寻找出目标最优解,在整个网络节点进行搜寻的过程中,通过各个网络节点相互传递各自的信息,让其他的网络节点知道自己的位置,通过这样的协作,来判断当前网络节点找到的是不是最优解,同时也将最优解的信息传递给第二拓扑结构中的每个网络节点,最终,第二拓扑结构中的每个网络节点都能聚集在目标最优解周围,即第二拓扑结构中的每个网络节点最终趋于目标最优解进行收敛,将最终收敛的所有网络节点进行整合后对第二前置基学习器进行获取。
在此基础上,进行同理重复训练,直到以第N拓扑结构网络作为网络基础数据,再以风险等级标识信息作为监督标识数据,以失信记录模拟信息和财产状态模拟信息为输入数据,同理结合粒子群聚焦算法进行训练,直至获取第N前置基学习器,进而为实现提高风控预测的准确率做保障。
步骤S200:构建特征融合学习器;
进一步而言,如图3所示,本申请步骤S200还包括:
步骤S210:当所述第一扩充结果无法训练收敛,设定预设邻域距离,遍历所述第一待扩充粒子进行区域聚焦,构建待剔除粒子聚类区域;
步骤S220:将所述待剔除粒子聚类区域从所述模型参数分布粒子群中剔除后,获取输出偏差最小的L个参数分布粒子,设为第二待扩充粒子,L≥50,L为整数;
步骤S230:基于所述第二待扩充粒子,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
具体而言,为避免在进行风险识别训练时,数据陷入局部最优,从而导致难以发现全局最优的情况时,对第一前置基学习的第一扩充结果进行判断,第一扩充结果是通过如下g代扩充所获的,在如下存在对应进行解释,因此这里不再赘述,当第一扩充结果无法训练收敛时,则对预设邻域距离进行设定,该预设邻域距离是由相关技术人员根据预设调整步长随机数区间中的步长数据进行预设,进一步的,对第一待扩充粒子中的每个粒子节点依次进行遍历访问后,对粒子之间小于预设距离的粒子进行区域聚焦,对待剔除粒子聚类区域进行构建,待剔除粒子聚类区域是用于将小于预设距离的聚类粒子进行区域划分,继而将待剔除粒子聚类区域从模型参数分布粒子群中进行剔除,同时对剔除待剔除粒子聚类区域后的模型参数分布粒子群进行偏差值分析,在模型参数分布粒子群中分布密度越小,则偏差值越大,并根据偏差值对模型参数分布粒子群进行升序的排序处理,取排序后的第一位记作偏差最小的L个参数分布粒子进行输出,且L≥50,L为整数,同时将L个参数分布粒子设为第二待扩充粒子,
进一步的,以第二待扩充粒子作为基础数据,以第一前置基学习器、第二前置基学习器直到第N前置基学习器的第一输出结果直到第N输出结果作为输入数据,第一前置基学习器、第二前置基学习器直到第N前置基学习器的第一输出结果是指将第一前置基学习器、第二前置基学习器直到第N前置基学习器中分别筛分出一份数据集作为验证集进行输出的结果,从而对第N前置基学习器中的第N验证集的第N输出结果进行同理提取,由此作为输入数据,且再根据第二待扩充粒子扩充后的第二扩充结果进行训练,若第二扩充结果依旧无法训练收敛时,则继续使用上述相同的方法,获取第三待扩充粒子,在此基础上进行重复迭代,直至训练收敛。
并以风险等级标识信息作为监督标识数据进行训练,是指每当训练若干次后,根据在第一拓扑结构网络中的任意一个网络节点的若干个权重参数和若干个偏置参数,在此基础上,对特征融合学习器进行数据的训练监督,特征融合学习器的训练方法与前置学习器完全相同,于此不多加赘述,从而完成对特征融合学习器的构建,进而为实现提高风控预测的准确率做保障。
步骤S300:将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;
进一步而言,如图4所示,本申请步骤S300还包括:
步骤S310:获取所述第一前置基学习器的第一验证集的第一输出结果;
步骤S320:获取所述第N前置基学习器的第N验证集的第N输出结果;
步骤S330:基于BP神经网络模型,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据,结合粒子群聚焦算法进行训练,获取所述特征融合学习器;
步骤S340:将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,调取所述第一测试集进行稳定性校验;
步骤S350:当输出稳定性校验通过时,获取所述风险级别划分模型。
进一步而言,本申请步骤S330包括:
步骤S331:当每训练M次训练后,获取第一网络节点的M个权重参数和M个偏置参数,其中,所述M个权重参数和所述M个偏置参数一一对应;
步骤S332:以节点权重为第一坐标轴,以节点偏置为第二坐标轴,构建第一虚拟坐标系;
步骤S333:将所述M个权重参数和所述M个偏置参数输入所述第一虚拟坐标系进行分布,获取模型参数分布粒子群,M为整数,M≥1;
步骤S334:获取输出偏差最小的L个参数分布粒子,设为第一待扩充粒子,L≥50,L为整数;
步骤S335:基于预设调整步长随机数区间,对所述第一待扩充粒子进行g代扩充,获取第一扩充结果;
步骤S336:根据所述第一扩充结果对所述特征融合学习器的第一网络节点的节点权重和节点偏置进行赋值,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
具体而言,为保证后期对风险划分的准确率,因此需要将第一前置基学习器、第二前置基学习器直到第N前置学习器的输出层与特征融合学习器的输入层进行合并,是指首先对第一前置基学习器中的第一验证集的第一输出结果进行提取,第一输出结果是指将第一前置学习器中所筛分出的一份数据集作为验证集进行输出的结果,从而对第N前置基学习器中的第N验证集的第N输出结果进行同理提取,进一步的,基于BP神经网络模型,其BP神经网络是指一种按照误差逆向传播算法训练的多层前馈神经网络,以第一前置基学习器、所述第二前置基学习器直到第N前置基学习器的第一输出结果直到第N输出结果作为输入数据,以风险等级标识信息作为监督标识数据,结合粒子群聚焦算法进行训练,是指每当训练M次训练后,其中,M为整数,M≥1,对第一网络节点的M个权重参数和M个偏置参数进行获取,第一网络节点是在第一拓扑结构网络中的任意一个网络节点,且M个权重参数和所述M个偏置参数一一对应,其中,权重和偏置为任意一个节点对输入数据进行处理的超参数,示例性地:对于任意一个输入数据x,则处理表达式如下:y=权重*x+偏置。进一步的,以通过M个权重参数将第一网络节点的节点权重作为第一坐标轴,以通过M个偏置参数将第一网络节点的节点偏置为第二坐标轴,并根据第一坐标系与第二坐标系进行垂直原点相交,从而完成对第一虚拟坐标系的构建。
进一步的,将M个权重参数和M个偏置参数输入至第一虚拟坐标系中标识与M个权重参数和M个偏置参数所对应的坐标点,并根据所标识坐标点的分布信息,即与M个权重参数和M个偏置参数所对应的坐标点在第一虚拟坐标系中的位置密度记作模型参数分布粒子群进行获取,同时对模型参数分布粒子群进行偏差值分析,在模型参数分布粒子群中分布密度越小,则偏差值越大,并根据偏差值对模型参数分布粒子群进行升序的排序处理,取排序后的第一位记作偏差最小的L个参数分布粒子进行输出,且L≥50,L为整数,同时将L个参数分布粒子设为第一待扩充粒子,进一步的,在预设调整步长随机数区间内,其中预设调整步长随机数区间由相关技术人员根据L个参数分布粒子之间的步长数据量进行预设,对第一待扩充粒子进行g代扩充,g代扩充是指g代扩充粒子需要在g-1代的基础上,在g-1代的邻域内进行分布,从而将粒子分布结果记作第一扩充结果,同时以所获第一扩充结果作为赋值数据,对特征融合学习器的第一网络节点中所包含的节点权重和节点偏置进行赋值,以第一前置基学习器、第二前置基学习器直到第N前置基学习器的第一输出结果直到第N输出结果为输入数据,以风险等级标识信息作为监督标识数据进行训练,
获取特征融合学习器的训练过程为:将第一前置基学习器、第二前置基学习器直到第N前置基学习器的第一输出结果直到第N输出结果输入特征融合学习器,通过第一输出结果直到第N输出结果对应的监督标识数据进行特征融合学习器的输出监督调整,当特征融合学习器的输出结果与监督标识数据一致,则当前组训练结束,将第一输出结果直到第N输出结果中全部的输出结果均训练结束,则特征融合学习器训练完成。
为了保证特征融合学习器的收敛以及准确性,其收敛过程可以是特征融合学习器中的输出数据会聚于一点时,向某一个值靠近则为收敛,其准确性可以通过赋值后的第一网络节点中所包含的节点权重和节点偏置进行特征融合学习器的测试处理,举例而言,赋值测试准确率可以设定为80%,当测赋值后的第一网络节点中所包含的节点权重和节点偏置进的赋值测试准确率满足80%时,则获取特征融合学习器。
最终将第一前置基学习器、第二前置基学习器直到第N前置基学习器的输出层和特征融合学习器的输入层合并,同时对第一测试集进行稳定性校验,是指当连续预设次数输出偏差小于偏差阈值,偏差阈值可以设为偏差数值小于30%,当连续次数输出偏差小于30%时,则视为稳定,从而调取第一测试集进行稳定性校验与稳定性标准数据进行比较时,若第一测试集的稳定性校验大于稳定性标准数据,即输出稳定性校验为通过,此时完成对风险级别划分模型的获取,为后续实现提高风控预测的准确率夯实基础。
步骤S400:接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;
具体而言,通过集成模型的风控预测系统中所包含的服务端,对通信连接的用户端中的信息进行接收,所接受的用户端信息可以是由用户端上传至服务端的业务请求信息,该业务请求信息中可以包含登录用户基础信息以及业务特征信息,登录用户基础信息是指用户在用户端进行登录后,目标用户内所包含的用户数据,其用户数据可以包含用户姓名、用户年龄、用户身份信息、用户金融往来信息、用户征信记录信息、用户失信记录信息、用户财产状态信息等,业务特征信息可以包含业务指标性特征、业务垄断性特征、业务高风险性特征等,实现提高风控预测的准确率有着推进的作用。
步骤S500:所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;
具体而言,将上述所获登录用户基础信息中所包含的失信记录信息以及财产状态信息进行提取,失信记录信息是指目标用户存在征信不良的记录,其中包含逾期次数、逾期金额、逾期时长等明细记录,财产状态信息是指目标用户在目前的财产拥有量,其中包含不动产、工资收入、无形资产等。
进一步的,以失信记录信息以及财产状态信息作为输入数据,将其输入至构建完成的风险级别划分模型中进行风险级别的判定,是通过第一前置基学习器、第二前置基学习器直到第N前置基学习器,基于第N拓扑结构网络,以风险等级标识信息作为监督标识数据,以失信记录信息和所述财产状态信息为输入数据,结合粒子群聚焦算法进行训练输出对应风险等级结果,该风险等级与失信记录信息、财产状态信息为对应关系,即失信记录信息越多、财产状态信息越不稳定,则风险等级就越高,并根据风险等级结果确定第一风险等级,以便为后期对提高风控预测的准确率时作为参照数据。
步骤S600:对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;
进一步而言,如图5所示,本申请步骤S600还包括:
步骤S610:获取财产状态信息的历史记录数据进行价值波动分析,构建财产走势曲线;
步骤S620:当所述财产走势曲线为上升趋势,且上升速率大于或等于第一速率阈值,降低所述第一风险等级,获取所述第二风险等级;
步骤S630:当所述财产走势曲线为下降趋势,且下降速率大于或等于第二速率阈值,提高所述第一风险等级,获取所述第二风险等级。
具体而言,为确保所划分的风险等级的精准性,因此需要根据财产状态信息对第一风险等级进行调整,是指对财产状态信息进行走势预测,即以财产状态信息的历史记录数据作为分析数据,根据分析数据中相邻数据之间的差值,对其进行价值波动分析,若相邻之间的差值越大,则目标用户财产状态信息的价值波动就越大,由此对财产走势曲线进行构建,在财产走势曲线中若差值为正则走势为下滑状态、若差值为负则走势为上升状态,从而对目标用户的财产走势信息进行确定。
进一步的,对财产走势曲线进行判断,当财产走势曲线为上升趋势,且上升速率大于或等于第一速率阈值时,其中第一速率阈值由相关技术人员根据财产走势曲线中的上升速率均值数据进行预设,则对第一风险等级进行风险等级降低调整,且降低的风险等级和变化速率的分布区间为一一对应的关系,并将调整后的第一风险等级记作第二风险等级;
当所述财产走势曲线为下降趋势,且下降速率大于或等于第二速率阈值,其中第二速率阈值由相关技术人员根据财产走势曲线中的下降速率均值数据进行预设,则对第一风险等级进行风险等级提高调整,且提升的风险等级和变化速率的分布区间为一一对应的关系,并将调整后的第一风险等级记作第二风险等级,提高后期实现风控预测的准确率。
步骤S700:将所述第二风险等级发送至管理端进行风控管理。
具体而言,将对财产状态信息进行走势预测的财产走势信息对第一风险等级进行调整后所获的第二风险等级发送至与系统通信连接的管理端对目标用户的风控进行预测管理,是指当第二风险等级大于第一风险等级时,则视为此时风险程度高,则根据风险等级可以针对产品或服务的风险进行审核和控制,以避免风险事件带来的损失,当第二风险等级小于第一风险等级时,则视为此时风险程度低,则根据风险等级可以适当消灭或减少风险事件发生的各种可能性,从而减少风险事件发生时造成的损失,实现了通过集成模型提高预测结果的准确率。
综上所述,本申请实施例提供的一种基于集成模型的风控预测方法,至少包括如下技术效果,通过利用相同的数据训练不同拓扑结构的模型进行融合,解决了集成模型中需要巨量数据训练的现状,实现了集成模型的应用,达到了提升风控预测准确率的技术效果。
实施例二
基于与前述实施例中一种基于集成模型的风控预测方法相同的发明构思,如图6所示,本申请提供了一种基于集成模型的风控预测系统,系统包括:
第一构建模块1,所述第一构建模块1用于构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;
第二构建模块2,所述第二构建模块2用于构建特征融合学习器;
模型获取模块3,所述模型获取模块3用于将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;
信息接收模块4,所述信息接收模块4用于接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;
第一输入模块5,所述第一输入模块5用于所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;
调整模块6,所述调整模块6用于对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;
风控管理模块7,所述风控管理模块7用于将所述第二风险等级发送至管理端进行风控管理。
进一步而言,系统还包括:
信息采集模块,所述信息采集模块用于采集失信记录模拟信息、财产状态模拟信息和风险等级标识信息;
第一训练模块,所述第一训练模块用于基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器;
第二训练模块,所述第二训练模块用于基于第二拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第二前置基学习器;
第三训练模块,所述第三训练模块用于重复训练,直到基于第N拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第N前置基学习器。
进一步而言,系统还包括:
第一划分模块,所述第一划分模块用于对所述失信记录模拟信息、所述财产状态模拟信息和所述风险等级标识信息进行一级划分,获取第一训练集和第一测试集;
第二划分模块,所述第二划分模块用于对所述第一训练集进行k-1折随机划分,获取第二训练集;
第四训练模块,所述第四训练模块用于根据所述第二训练集,基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器。
进一步而言,系统还包括:
第一输出模块,所述第一输出模块用于获取所述第一前置基学习器的第一验证集的第一输出结果;
第二输出模块,所述第二输出模块用于获取所述第N前置基学习器的第N验证集的第N输出结果;
第五训练模块,所述第五训练模块用于基于BP神经网络模型,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据,结合粒子群聚焦算法进行训练,获取所述特征融合学习器;
调取模块,所述调取模块用于将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,调取所述第一测试集进行稳定性校验;
第三构建模块,所述第三构建模块用于当输出稳定性校验通过时,获取所述风险级别划分模型。
进一步而言,系统还包括:
第六训练模块,所述第六训练模块用于当每训练M次训练后,获取第一网络节点的M个权重参数和M个偏置参数,其中,所述M个权重参数和所述M个偏置参数一一对应;
第七训练模块,所述第七训练模块用于以节点权重为第一坐标轴,以节点偏置为第二坐标轴,构建第一虚拟坐标系;
分布模块,所述分布模块用于将所述M个权重参数和所述M个偏置参数输入所述第一虚拟坐标系进行分布,获取模型参数分布粒子群,M为整数,M≥1;
第三输出模块,所述第三输出模块用于获取输出偏差最小的L个参数分布粒子,设为第一待扩充粒子,L≥50,L为整数;
扩充模块,所述扩充模块用于基于预设调整步长随机数区间,对所述第一待扩充粒子进行g代扩充,获取第一扩充结果;
第八训练模块,所述第八训练模块用于根据所述第一扩充结果对所述特征融合学习器的第一网络节点的节点权重和节点偏置进行赋值,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
进一步而言,系统还包括:
区域聚焦模块,所述区域聚焦模块用于当所述第一扩充结果无法训练收敛,设定预设邻域距离,遍历所述第一待扩充粒子进行区域聚焦,构建待剔除粒子聚类区域;
剔除模块,所述剔除模块用于将所述待剔除粒子聚类区域从所述模型参数分布粒子群中剔除后,获取输出偏差最小的L个参数分布粒子,设为第二待扩充粒子,L≥50,L为整数;
第九训练模块,所述第九训练模块用于基于所述第二待扩充粒子,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
进一步而言,系统还包括:
波动分析模块,所述波动分析模块用于获取所述财产状态信息的历史记录数据进行价值波动分析,构建财产走势曲线;
等级降低模块,所述等级降低模块用于当所述财产走势曲线为上升趋势,且上升速率大于或等于第一速率阈值,降低所述第一风险等级,获取所述第二风险等级;
等级提高模块,所述等级提高模块用于当所述财产走势曲线为下降趋势,且下降速率大于或等于第二速率阈值,提高所述第一风险等级,获取所述第二风险等级。
本说明书通过前述对一种基于集成模型的风控预测方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种基于集成模型的风控预测系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于集成模型的风控预测方法,其特征在于,应用于基于集成模型的风控预测系统,所述系统包括服务端,所述服务端和管理端、用户端通信连接,包括:
构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;
构建特征融合学习器;
将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;
接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;
所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;
对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;
将所述第二风险等级发送至管理端进行风控管理。
2.如权利要求1所述的一种基于集成模型的风控预测方法,其特征在于,构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2,包括:
采集失信记录模拟信息、财产状态模拟信息和风险等级标识信息;
基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器;
基于第二拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第二前置基学习器;
重复训练,直到基于第N拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第N前置基学习器。
3.如权利要求2所述的一种基于集成模型的风控预测方法,其特征在于,基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器,包括:
对所述失信记录模拟信息、所述财产状态模拟信息和所述风险等级标识信息进行一级划分,获取第一训练集和第一测试集;
对所述第一训练集进行k-1折随机划分,获取第二训练集;
根据所述第二训练集,基于第一拓扑结构网络,以所述风险等级标识信息作为监督标识数据,以所述失信记录模拟信息和所述财产状态模拟信息为输入数据,结合粒子群聚焦算法进行训练,获取所述第一前置基学习器。
4.如权利要求3所述的一种基于集成模型的风控预测方法,其特征在于,包括:
获取所述第一前置基学习器的第一验证集的第一输出结果;
获取所述第N前置基学习器的第N验证集的第N输出结果;
基于BP神经网络模型,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据,结合粒子群聚焦算法进行训练,获取所述特征融合学习器;
将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,调取所述第一测试集进行稳定性校验;
当输出稳定性校验通过时,获取所述风险级别划分模型。
5.如权利要求4所述的一种基于集成模型的风控预测方法,其特征在于,基于BP神经网络模型,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据,结合粒子群聚焦算法进行训练,获取所述特征融合学习器,包括:
当每训练M次训练后,获取第一网络节点的M个权重参数和M个偏置参数,其中,所述M个权重参数和所述M个偏置参数一一对应;
以节点权重为第一坐标轴,以节点偏置为第二坐标轴,构建第一虚拟坐标系;
将所述M个权重参数和所述M个偏置参数输入所述第一虚拟坐标系进行分布,获取模型参数分布粒子群,M为整数,M≥1;
获取输出偏差最小的L个参数分布粒子,设为第一待扩充粒子,L≥50,L为整数;
基于预设调整步长随机数区间,对所述第一待扩充粒子进行g代扩充,获取第一扩充结果;
根据所述第一扩充结果对所述特征融合学习器的第一网络节点的节点权重和节点偏置进行赋值,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
6.如权利要求5所述的一种基于集成模型的风控预测方法,其特征在于,还包括:
当所述第一扩充结果无法训练收敛,设定预设邻域距离,遍历所述第一待扩充粒子进行区域聚焦,构建待剔除粒子聚类区域;
将所述待剔除粒子聚类区域从所述模型参数分布粒子群中剔除后,获取输出偏差最小的L个参数分布粒子,设为第二待扩充粒子,L≥50,L为整数;
基于所述第二待扩充粒子,以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据,以所述风险等级标识信息作为监督标识数据进行训练,获取所述特征融合学习器。
7.如权利要求1所述的一种基于集成模型的风控预测方法,其特征在于,对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级,包括:
获取所述财产状态信息的历史记录数据进行价值波动分析,构建财产走势曲线;
当所述财产走势曲线为上升趋势,且上升速率大于或等于第一速率阈值,降低所述第一风险等级,获取所述第二风险等级;
当所述财产走势曲线为下降趋势,且下降速率大于或等于第二速率阈值,提高所述第一风险等级,获取所述第二风险等级。
8.一种基于集成模型的风控预测系统,其特征在于,应用于基于集成模型的风控预测系统,所述系统包括服务端,所述服务端和管理端、用户端通信连接,包括:
第一构建模块,所述第一构建模块用于构建第一前置基学习器、第二前置基学习器直到第N前置基学习器,其中,所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同,N为整数,N≥2;
第二构建模块,所述第二构建模块用于构建特征融合学习器;
模型获取模块,所述模型获取模块用于将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并,获取风险级别划分模型;
信息接收模块,所述信息接收模块用于接收用户端上传的业务请求信息,其中,所述业务请求信息包括登录用户基础信息和业务特征信息;
第一输入模块,所述第一输入模块用于所述登录用户基础信息包括失信记录信息和财产状态信息,将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型,获取第一风险等级;
调整模块,所述调整模块用于对所述财产状态信息进行走势预测,获取财产走势信息,对所述第一风险等级进行调整,获取第二风险等级;
风控管理模块,所述风控管理模块用于将所述第二风险等级发送至管理端进行风控管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962719.2A CN116681291B (zh) | 2023-08-02 | 2023-08-02 | 一种基于集成模型的风控预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962719.2A CN116681291B (zh) | 2023-08-02 | 2023-08-02 | 一种基于集成模型的风控预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681291A true CN116681291A (zh) | 2023-09-01 |
CN116681291B CN116681291B (zh) | 2023-11-07 |
Family
ID=87791289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310962719.2A Active CN116681291B (zh) | 2023-08-02 | 2023-08-02 | 一种基于集成模型的风控预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681291B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874654A (zh) * | 2024-03-13 | 2024-04-12 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN111398130A (zh) * | 2020-04-30 | 2020-07-10 | 太原理工大学 | 多维度数据来源的块煤渗透率分析方法、测量装置及方法 |
CN112257868A (zh) * | 2020-09-25 | 2021-01-22 | 建信金融科技有限责任公司 | 构建和训练用于预测客流量的集成预测模型的方法及装置 |
WO2021062748A1 (zh) * | 2019-09-30 | 2021-04-08 | 西门子股份公司 | 综合能源系统的优化方法、装置和计算机可读存储介质 |
CN112767167A (zh) * | 2021-02-07 | 2021-05-07 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN112906298A (zh) * | 2021-02-05 | 2021-06-04 | 重庆邮电大学 | 一种基于机器学习的蓝莓产量预测方法 |
CN113311430A (zh) * | 2020-11-10 | 2021-08-27 | 电子科技大学 | 蜂群无人机数量估计和航迹生成方法 |
CN113936801A (zh) * | 2021-10-18 | 2022-01-14 | 河北工业大学 | 基于机器学习融合的全麻有创收缩压预测方法与系统 |
CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
CN115130619A (zh) * | 2022-08-04 | 2022-09-30 | 中建电子商务有限责任公司 | 一种基于聚类选择集成的风险控制方法 |
CN115147155A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 一种基于集成学习的铁路货运客户流失预测方法 |
CN115204590A (zh) * | 2022-06-08 | 2022-10-18 | 杭州新中大科技股份有限公司 | 基于神经网络的企业涉税风险的自动识别方法及装置 |
CN115526700A (zh) * | 2022-08-16 | 2022-12-27 | 中国工商银行股份有限公司 | 风险的预测方法、装置及电子设备 |
CN116432359A (zh) * | 2023-05-18 | 2023-07-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于元迁移学习的变拓扑网络潮流计算方法 |
-
2023
- 2023-08-02 CN CN202310962719.2A patent/CN116681291B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
WO2021062748A1 (zh) * | 2019-09-30 | 2021-04-08 | 西门子股份公司 | 综合能源系统的优化方法、装置和计算机可读存储介质 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN111398130A (zh) * | 2020-04-30 | 2020-07-10 | 太原理工大学 | 多维度数据来源的块煤渗透率分析方法、测量装置及方法 |
CN112257868A (zh) * | 2020-09-25 | 2021-01-22 | 建信金融科技有限责任公司 | 构建和训练用于预测客流量的集成预测模型的方法及装置 |
CN113311430A (zh) * | 2020-11-10 | 2021-08-27 | 电子科技大学 | 蜂群无人机数量估计和航迹生成方法 |
CN112906298A (zh) * | 2021-02-05 | 2021-06-04 | 重庆邮电大学 | 一种基于机器学习的蓝莓产量预测方法 |
CN112767167A (zh) * | 2021-02-07 | 2021-05-07 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
CN113936801A (zh) * | 2021-10-18 | 2022-01-14 | 河北工业大学 | 基于机器学习融合的全麻有创收缩压预测方法与系统 |
CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
CN115204590A (zh) * | 2022-06-08 | 2022-10-18 | 杭州新中大科技股份有限公司 | 基于神经网络的企业涉税风险的自动识别方法及装置 |
CN115147155A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 一种基于集成学习的铁路货运客户流失预测方法 |
CN115130619A (zh) * | 2022-08-04 | 2022-09-30 | 中建电子商务有限责任公司 | 一种基于聚类选择集成的风险控制方法 |
CN115526700A (zh) * | 2022-08-16 | 2022-12-27 | 中国工商银行股份有限公司 | 风险的预测方法、装置及电子设备 |
CN116432359A (zh) * | 2023-05-18 | 2023-07-14 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于元迁移学习的变拓扑网络潮流计算方法 |
Non-Patent Citations (2)
Title |
---|
杜?;高九萍;: "一种改进型PSO-BP算法在红外目标中的应用", 火力与指挥控制, no. 06 * |
王辉;李昌刚;: "Stacking集成学习方法在销售预测中的应用", 计算机应用与软件, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874654A (zh) * | 2024-03-13 | 2024-04-12 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
CN117874654B (zh) * | 2024-03-13 | 2024-05-24 | 杭州小策科技有限公司 | 基于随机森林算法的风险监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116681291B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567391B (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN108366386B (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
CN111369042A (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
CN116681291B (zh) | 一种基于集成模型的风控预测方法及系统 | |
CN106203679A (zh) | 一种用户流失预测方法及系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN113469425B (zh) | 深度交通拥堵预测方法 | |
CN115577152B (zh) | 基于数据分析的在线图书借阅管理系统 | |
CN114638021A (zh) | 物联网轻量级区块链系统安全性评价方法 | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
CN113259388B (zh) | 网络流量异常检测方法、电子设备及可读存储介质 | |
CN113365229A (zh) | 一种多联盟链共识算法的网络时延优化方法 | |
CN114661463A (zh) | 基于bp神经网络的系统资源预测方法及系统 | |
CN117828539A (zh) | 数据智能融合分析系统及方法 | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN111935008B (zh) | 基于机器学习的物理层损伤约束的光网络路由方法和系统 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN113886592A (zh) | 一种电力信息通信系统运维数据的质量检测方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN118075152A (zh) | 一种网络节点等级评估指标体系构建方法和系统 | |
Zhang et al. | Status evaluation of secondary system in intelligent substation | |
CN114417817B (zh) | 一种会话信息切割方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |