CN117113148A - 基于时序图神经网络的风险识别方法、装置及存储介质 - Google Patents

基于时序图神经网络的风险识别方法、装置及存储介质 Download PDF

Info

Publication number
CN117113148A
CN117113148A CN202311102365.0A CN202311102365A CN117113148A CN 117113148 A CN117113148 A CN 117113148A CN 202311102365 A CN202311102365 A CN 202311102365A CN 117113148 A CN117113148 A CN 117113148A
Authority
CN
China
Prior art keywords
user
risk
time
time sequence
sequence diagram
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
Application number
CN202311102365.0A
Other languages
English (en)
Other versions
CN117113148B (zh
Inventor
程禹斯
蔡钺
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.)
Shanghai Zhizu Wulian Technology Co ltd
Original Assignee
Shanghai Zhizu Wulian Technology Co ltd
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 Shanghai Zhizu Wulian Technology Co ltd filed Critical Shanghai Zhizu Wulian Technology Co ltd
Priority to CN202311102365.0A priority Critical patent/CN117113148B/zh
Publication of CN117113148A publication Critical patent/CN117113148A/zh
Application granted granted Critical
Publication of CN117113148B publication Critical patent/CN117113148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于时序图神经网络的风险识别方法、装置及存储介质，包括用户‑电池交换历史数据获取、时序图构建、时序图神经网络模型构建和风险用户识别；时序图由用户‑电池交换历史数据转化而形成动态数据结构，其由一系列时间步组成，捕捉用户‑电池交换行为的动态性与时序性；将动态数据结构的时序图数据代入时序图神经网络模型进行模型训练，得到能够从用户中识别出风险用户的模型；设置一个风险阈值，使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值进行比对来判定用户属于风险用户或正常用户。本发明能够更精确地识别风险用户，从而采取相应的措施以降低潜在的损失。

Description

基于时序图神经网络的风险识别方法、装置及存储介质
技术领域
本发明属于用户换电风险识别技术领域，尤其涉及基于时序图神经网络的风险识别方法、装置及存储介质。
背景技术
在二轮车换电行业，用户可能存在盗取电池、薅羊毛等不当行为，导致资源浪费和损失。传统方法通常依赖于规则和静态模型来检测此类风险用户，然而，这些方法无法处理动态性和时序性的数据。基于此，我们引入了时序图神经网络(T-GNN)技术，以利用用户-电池交互历史与特征数据的时序信息，以更有效地识别风险用户。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供基于时序图神经网络的风险识别方法、装置及存储介质，能够更精确地识别风险用户，从而采取相应的措施以降低嵌在的损失。
技术方案：为实现上述目的，本发明的基于时序图神经网络的风险识别方法，包括
用户-电池交换历史数据获取，包含用户ID、电池ID、交换时间、交换频率以及交换金额，为时序图构建提供数据支持；
时序图构建，时序图由用户-电池交换历史数据转化而形成动态数据结构，其由一系列时间步组成，每个时间步代表用户-电池交换行为的一个数据快照，从而捕捉用户-电池交换行为的动态性与时序性；
时序图神经网络模型构建，将动态数据结构的时序图数据代入时序图神经网络模型进行模型训练，学习从时序图数据中提取用户行为的动态模式，得到能够从用户中识别出风险用户的模型；
风险用户识别，为每个用户分配基于风险级别划分的正常用户和风险用户标签，并在时序图的最后一个时间步的节点表示来提取用户的特征向量，设置一个风险阈值，使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值进行比对来判定用户属于风险用户或正常用户。
进一步地，所述风险阈值对于时序图神经网络模型的输出结果为决策阈值：
当输出结果高于风险阈值时，将用户标记为风险用户；
当输出结果低于或等于风险阈值时，将用户标记为正常用户。
进一步地，所述时序图神经网络模型的输出结果包括概率值，通过概率值表示用户被分类为风险用户的概率。
进一步地，时间步为将历史数据按照时间顺序划分为若干个时间步，每个时间步代表了一个离散的时间间隔；时间步的数量取决于数据的时间分布，表示为：T＝{t1，t2，…tT}，其中T是时间步的集合；
所述时序图包括用户节点与电池节点两类节点，每个用户节点表示一个用户，每个电池节点表示一个电池，使用Nu表示用户节点的集合，使用Nb表示电池节点的集合，每个用户节点u和电池节点b都有一个表示向量，分别为和/>表示在时间步t的节点表示；
所述时序图还包括用户节点与电池节点之间的边，边为在时序图中每个时间步t用户u与电池b之间的交换行为，每条边Eu，b，t通过附带的多个属性来反映交换行为，该属性包括：
交换的频率Fu，b，t：在特定时间步内，某用户交换电池的次数；
交换的金额Au，b，t：在特定时间步内，某用户交换电池的金额；
交换的时间间隔Iu，b，t：某用户两次交换电池之间的时间间隔。
进一步地，时序图神经网络模型包括图卷积层、节点表示更新和时序信息建模，具体如下：
a)图卷积层
图卷积层用于在图数据上执行卷积操作，以更新节点的表示，每个节点的新表示通过融合邻居节点的信息和节点自身的特征向量来计算，图卷积操作表示为：
其中：是节点i在时间步t的新表示，N(i)是节点i的邻居节点集合，/>是节点i在时间步t的输入特征，W和U是可学习的权重矩阵，σ是激活函数；
b)节点表示更新
节点i的新表示是在每个时间步中通过图卷积操作计算得出，表示节点在不同时间步的状态能够根据其邻居节点和自身的特征而变化，从而捕捉时序信息；
c)时序信息建模
时序图神经网络模型依据自身在不同时间步之间传递信息的能力，在每个时间步执行图卷积操作，达到通过迭代不同的时间步来建模的目的。
进一步地，时序图神经网络模型的模型训练过程如下：
1)损失函数
损失函数定义模型的训练目标，用于衡量模型预测与实际标签之间差异的函数，公式如下：
其中：N是训练样本数量，yi是真实标签，是模型的预测概率；
2)优化器
优化器用于更新模型的权重以最小化损失函数；
在每个训练迭代中，通过计算损失函数关于模型参数的梯度，然后按照负梯度方向更新参数，公式为：
其中：θ是模型参数；α是学习率，控制参数更新的步长；是损失函数J关于参数θ的梯度；
3)超参数调整
超参数包括图卷积层的层数和学习率，在模型训练前进行手动设置，通过交叉验证方法进行调整，从而提升训练后的模型的性能。
进一步地，风险用户识别的具体步骤如下：
i)标签分配
为每个用户分配标签，包括正常用户和风险用户；
ii)特征提取
在时序图的最后一个时间步，提取每个用户的特征向量，该特征向量包括用户的时序信息和特征，表示为fu；
iii)风险阈值设置
设置起到决策阈值作用的风险阈值Trisk，用于判断用户是否被分类为风险用户；
iv)用户分类
使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值Trisk进行对比，如果输出结果高于风险阈值Trisk，则将用户标记为风险用户，否则标记为正常用户。
装置，该装置用于实现基于时序图神经网络的风险识别方法，其包括：
数据获取模块：用于获取用户-电池交换历史数据；
数据处理模块：用于处理用户-电池交换历史数据，构建时序图和时序图神经网络模型；
执行模块：利用训练好的时序图神经网络模型执行风险用户识别操作。
存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现基于时序图神经网络的风险识别方法。
有益效果：本发明能够更精确地识别风险用户，包括那些从事盗取电池和薅羊毛等不当行为的用户，从而采取相应的措施以降低嵌在的损失；此外，利用时序图神经网络模型的强大能力来处理动态图数据，使得在二轮车换电行业中更好地应对风险问题成为可能。
附图说明
附图1为本发明的方法步骤示意图；
附图2为本发明大致的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1和附图2所示，基于时序图神经网络的风险识别方法，包括
用户-电池交换历史数据获取，包含用户ID、电池ID、交换时间、交换频率以及交换金额，为时序图构建提供数据支持。
时序图构建，时序图由用户-电池交换历史数据转化而形成动态数据结构，其由一系列时间步组成，每个时间步代表用户-电池交换行为的一个数据快照，从而捕捉用户-电池交换行为的动态性与时序性。
用户-电池交换历史数据获取和时序图构建为数据收集和准备阶段，为后续的模型构建的基础。经过这两个步骤以后，将会有一个包括用户-电池交换历史的动态性和时序性信息的时序图数据集，该时序图数据集将用于训练时序图神经网络模型(T-GNN模型)，以便更好地捕捉用户行为的动态特征。
时间步为将历史数据按照时间顺序划分为若干个时间步，每个时间步代表了一个离散的时间间隔；时间步的数量取决于数据的时间分布，表示为：T＝{t1，t2，…tT}，其中T是时间步的集合。
所述时序图包括用户节点与电池节点两类节点，每个用户节点表示一个用户，每个电池节点表示一个电池，使用Nu表示用户节点的集合，使用Nb表示电池节点的集合，每个用户节点u和电池节点b都有一个表示向量，分别为和/>表示在时间步t的节点表示。
所述时序图还包括用户节点与电池节点之间的边，边为在时序图中每个时间步t用户u与电池b之间的交换行为，每条边Eu，b，t通过附带的多个属性来反映交换行为，该属性包括：
交换的频率Fu，b，t：在特定时间步内，某用户交换电池的次数；
交换的金额Au，b，t：在特定时间步内，某用户交换电池的金额；
交换的时间间隔Iu，b，t：某用户两次交换电池之间的时间间隔。
时序图神经网络模型构建，将动态数据结构的时序图数据代入时序图神经网络模型进行模型训练，学习从时序图数据中提取用户行为的动态模式，得到能够从用户中识别出风险用户的模型。
时序图神经网络模型包括图卷积层、节点表示更新和时序信息建模，具体如下：
a)图卷积层
图卷积层用于在图数据上执行卷积操作，以更新节点的表示，每个节点的新表示通过融合邻居节点的信息和节点自身的特征向量来计算，图卷积操作表示为：
其中：是节点i在时间步t的新表示，N(i)是节点i的邻居节点集合，/>是节点i在时间步t的输入特征，W和U是可学习的权重矩阵，σ是激活函数；
b)节点表示更新
节点i的新表示是在每个时间步中通过图卷积操作计算得出，表示节点在不同时间步的状态能够根据其邻居节点和自身的特征而变化，从而捕捉时序信息；
c)时序信息建模
时序图神经网络模型依据自身在不同时间步之间传递信息的能力，在每个时间步执行图卷积操作，达到通过迭代不同的时间步来建模的目的。
时序图神经网络模型的模型训练过程如下：
1)损失函数
损失函数定义模型的训练目标，用于衡量模型预测与实际标签之间差异的函数，公式如下：
其中：N是训练样本数量，yi是真实标签，是模型的预测概率；
2)优化器
优化器用于更新模型的权重以最小化损失函数；
在每个训练迭代中，通过计算损失函数关于模型参数的梯度，然后按照负梯度方向更新参数，公式为：
其中：θ是模型参数；α是学习率，控制参数更新的步长；是损失函数J关于参数θ的梯度；
3)超参数调整
超参数包括图卷积层的层数和学习率，在模型训练前进行手动设置，通过交叉验证方法进行调整，从而提升训练后的模型的性能。
3.1)超参数选择：超参数的选择通常表示为搜索空间中的点；例如，学习率α可以表示为一个范围内的值，如[0.01，0.1，1.0]，这些值将用于模型的不同训练中；
3.2)超参数优化目标：超参数调整的目标是最大化或最小化模型的性能指标，通常表示为目标函数f(θ)，其中θ表示超参数组合；例如，最大化验证集上的准确率可以表示为：
maxf(θ)＝maxAccuracy(θ)
风险用户识别，为每个用户分配基于风险级别划分的正常用户和风险用户标签，并在时序图的最后一个时间步的节点表示来提取用户的特征向量，设置一个风险阈值，使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值进行比对来判定用户属于风险用户或正常用户。
更为具体的，所述风险阈值对于时序图神经网络模型的输出结果为决策阈值：
当输出结果高于风险阈值时，将用户标记为风险用户；
当输出结果低于或等于风险阈值时，将用户标记为正常用户。
所述时序图神经网络模型的输出结果包括概率值，通过概率值表示用户被分类为风险用户的概率。当然，输出结果还可以用其它指标表示，但是输出结果要与风险阈值属于同一类属性的指标，这样才能进行对比。
风险用户识别的具体步骤如下：
i)标签分配
为每个用户分配标签，包括正常用户(标签为0)和风险用户(标签为1)；
ii)特征提取
在时序图的最后一个时间步，提取每个用户的特征向量，该特征向量包括用户的时序信息和特征，表示为fu；
iii)风险阈值设置
设置起到决策阈值作用的风险阈值Trisk，用于判断用户是否被分类为风险用户；
iv)用户分类
使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值Trisk进行对比，如果输出结果高于风险阈值Trisk，则将用户标记为风险用户，否则标记为正常用户。
本发明还包括上线部署与监控、措施采取以及模型迭代更新，具体如下：
上线部署与监控：把训练好的模型部署到生产环境中，以实时或批量方式对用户进行风险识别，通过部署模型，可以在实际应用中对用户进行风险识别；同时，设置监控机制，用于定期检查模型性能，监控机制能够帮助及时发现模型性能下降或需要更新的情况。
措施采取：根据识别的风险用户，采取适当的措施，例如提醒用户、限制交换次数、进行安全检查等，以减少潜在的资源浪费和损失，通过采取措施，可以降低风险用户对业务造成的不良影响，并维护业务的安全和稳定性。
模型迭代更新：持续监控和改进系统，根据新的数据和用户行为模式不断优化T-GNN模型和风险用户识别方法，通过不断迭代改进，确保系统能够适应不断变化的风险情况，保持高效和准确的风险用户识别能力。
装置，该装置用于实现基于时序图神经网络的风险识别方法，其包括：
数据获取模块：用于获取用户-电池交换历史数据；
数据处理模块：用于处理用户-电池交换历史数据，构建时序图和时序图神经网络模型；
执行模块：利用训练好的时序图神经网络模型执行风险用户识别操作。
存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现基于时序图神经网络的风险识别方法。
本发明能够更精确地识别风险用户，包括那些从事盗取电池和薅羊毛等不当行为的用户，从而采取相应的措施以降低嵌在的损失；此外，利用时序图神经网络模型的强大能力来处理动态图数据，使得在二轮车换电行业中更好地应对风险问题成为可能。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.基于时序图神经网络的风险识别方法，其特征在于：包括
用户-电池交换历史数据获取，包含用户ID、电池ID、交换时间、交换频率以及交换金额，为时序图构建提供数据支持；
时序图构建，时序图由用户-电池交换历史数据转化而形成动态数据结构，其由一系列时间步组成，每个时间步代表用户-电池交换行为的一个数据快照，从而捕捉用户-电池交换行为的动态性与时序性；
时序图神经网络模型构建，将动态数据结构的时序图数据代入时序图神经网络模型进行模型训练，学习从时序图数据中提取用户行为的动态模式，得到能够从用户中识别出风险用户的模型；
风险用户识别，为每个用户分配基于风险级别划分的正常用户和风险用户标签，并在时序图的最后一个时间步的节点表示来提取用户的特征向量，设置一个风险阈值，使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值进行比对来判定用户属于风险用户或正常用户。
2.根据权利要求1所述的基于时序图神经网络的风险识别方法，其特征在于：所述风险阈值对于时序图神经网络模型的输出结果为决策阈值：
当输出结果高于风险阈值时，将用户标记为风险用户；
当输出结果低于或等于风险阈值时，将用户标记为正常用户。
3.根据权利要求2所述的基于时序图神经网络的风险识别方法，其特征在于：所述时序图神经网络模型的输出结果包括概率值，通过概率值表示用户被分类为风险用户的概率。
4.根据权利要求1所述的基于时序图神经网络的风险识别方法，其特征在于：时间步为将历史数据按照时间顺序划分为若干个时间步，每个时间步代表了一个离散的时间间隔；时间步的数量取决于数据的时间分布，表示为：T＝[t1，t2，...tT}，其中T是时间步的集合；
所述时序图包括用户节点与电池节点两类节点，每个用户节点表示一个用户，每个电池节点表示一个电池，使用Nu表示用户节点的集合，使用Nb表示电池节点的集合，每个用户节点u和电池节点b都有一个表示向量，分别为和/>表示在时间步t的节点表示；
所述时序图还包括用户节点与电池节点之间的边，边为在时序图中每个时间步t用户u与电池b之间的交换行为，每条边Eu，b，t通过附带的多个属性来反映交换行为，该属性包括：
交换的频率Fu，b，t：在特定时间步内，某用户交换电池的次数；
交换的金额Au，b，t：在特定时间步内，某用户交换电池的金额；
交换的时间间隔Iu，b，t：某用户两次交换电池之间的时间间隔。
5.根据权利要求1所述的基于时序图神经网络的风险识别方法，其特征在于：时序图神经网络模型包括图卷积层、节点表示更新和时序信息建模，具体如下：
a)图卷积层
图卷积层用于在时序图数据上执行卷积操作，以更新节点的表示，每个节点的新表示通过融合邻居节点的信息和节点自身的特征向量来计算，图卷积操作表示为：
其中：是节点i在时间步t的新表示，N(i)是节点i的邻居节点集合，/>是节点i在时间步t的输入特征，W和U是可学习的权重矩阵，σ是激活函数；
b)节点表示更新
节点i的新表示是在每个时间步中通过图卷积操作计算得出，表示节点在不同时间步的状态能够根据其邻居节点和自身的特征而变化，从而捕捉时序信息；
c)时序信息建模
时序图神经网络模型依据自身在不同时间步之间传递信息的能力，在每个时间步执行图卷积操作，达到通过迭代不同的时间步来建模的目的。
6.根据权利要求5所述的基于时序图神经网络的风险识别方法，其特征在于：时序图神经网络模型的模型训练过程如下：
1)损失函数
损失函数定义模型的训练目标，用于衡量模型预测与实际标签之间差异的函数，公式如下：
其中：N是训练样本数量，yi是真实标签，是模型的预测概率；
2)优化器
优化器用于更新模型的权重以最小化损失函数；
在每个训练迭代中，通过计算损失函数关于模型参数的梯度，然后按照负梯度方向更新参数，公式为：
其中：θ是模型参数；α是学习率，控制参数更新的步长；是损失函数J关于参数θ的梯度；
3)超参数调整
超参数包括图卷积层的层数和学习率，在模型训练前进行手动设置，通过交叉验证方法进行调整，从而提升训练后的模型的性能。
7.根据权利要求1所述的基于时序图神经网络的风险识别方法，其特征在于：风险用户识别的具体步骤如下：
ⅰ)标签分配
为每个用户分配标签，包括正常用户和风险用户；
ⅱ)特征提取
在时序图的最后一个时间步，提取每个用户的特征向量，该特征向量包括用户的时序信息和特征，表示为fu；
ⅲ)风险阈值设置
设置起到决策阈值作用的风险阈值Trisk，用于判断用户是否被分类为风险用户；
ⅳ)用户分类
使用训练好的时序图神经网络模型对用户进行分类，将模型的输出结果与风险阈值Trisk进行对比，如果输出结果高于风险阈值Trisk，则将用户标记为风险用户，否则标记为正常用户。
8.装置，该装置用于实现权利要求1～7任一项所述的基于时序图神经网络的风险识别方法，其包括：
数据获取模块：用于获取用户-电池交换历史数据；
数据处理模块：用于处理用户-电池交换历史数据，构建时序图和时序图神经网络模型；
执行模块：利用训练好的时序图神经网络模型执行风险用户识别操作。
9.存储介质，其特征在于：其内存储有可执行程序，所述可执行程序被处理器执行可实现权利要求1～7任一项所述的基于时序图神经网络的风险识别方法。
CN202311102365.0A 2023-08-30 2023-08-30 基于时序图神经网络的风险识别方法、装置及存储介质 Active CN117113148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311102365.0A CN117113148B (zh) 2023-08-30 2023-08-30 基于时序图神经网络的风险识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311102365.0A CN117113148B (zh) 2023-08-30 2023-08-30 基于时序图神经网络的风险识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117113148A true CN117113148A (zh) 2023-11-24
CN117113148B CN117113148B (zh) 2024-05-17

Family

ID=88803695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311102365.0A Active CN117113148B (zh) 2023-08-30 2023-08-30 基于时序图神经网络的风险识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117113148B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006055527A2 (en) * 2004-11-16 2006-05-26 Prometheus Laboratories Inc. Method for optimizing thiopurine efficacy and toxicity using mass spectrometry
CN108965384A (zh) * 2018-06-04 2018-12-07 温州市图盛科技有限公司 一种基于区块链的电力交易管控方法及装置
CN113298634A (zh) * 2021-04-26 2021-08-24 上海淇玥信息技术有限公司 基于时序特征和图神经网络的用户风险预测方法及装置
CN113962294A (zh) * 2021-09-30 2022-01-21 西南电子技术研究所（中国电子科技集团公司第十研究所） 多类型事件预测模型
WO2022152161A1 (zh) * 2021-01-14 2022-07-21 蚂蚁智信(杭州)信息技术有限公司 混合图神经网络模型的训练、预测
CN115208680A (zh) * 2022-07-21 2022-10-18 中国科学院大学 一种基于图神经网络的动态网络风险预测方法
CN115271980A (zh) * 2022-08-04 2022-11-01 中国平安财产保险股份有限公司 风险值预测方法、装置、计算机设备和存储介质
CN115293247A (zh) * 2022-07-21 2022-11-04 支付宝(杭州)信息技术有限公司 建立风险识别模型的方法、风险识别的方法及对应装置
US20220399120A1 (en) * 2021-06-14 2022-12-15 Optum Services (Ireland) Limited Method, apparatus and computer program product for providing a multi-omics framework for estimating temporal disease trajectories
WO2023065545A1 (zh) * 2021-10-19 2023-04-27 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN116051270A (zh) * 2023-01-29 2023-05-02 阿里云计算有限公司 商户的综合风险预测与模型训练方法、电子设备及介质
WO2023124204A1 (zh) * 2021-12-29 2023-07-06 中国银联股份有限公司 反欺诈风险评估方法、训练方法、装置及可读存储介质
CN116576504A (zh) * 2023-04-18 2023-08-11 集美大学 一种可解释区域热负荷预测方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006055527A2 (en) * 2004-11-16 2006-05-26 Prometheus Laboratories Inc. Method for optimizing thiopurine efficacy and toxicity using mass spectrometry
CN108965384A (zh) * 2018-06-04 2018-12-07 温州市图盛科技有限公司 一种基于区块链的电力交易管控方法及装置
WO2022152161A1 (zh) * 2021-01-14 2022-07-21 蚂蚁智信(杭州)信息技术有限公司 混合图神经网络模型的训练、预测
CN113298634A (zh) * 2021-04-26 2021-08-24 上海淇玥信息技术有限公司 基于时序特征和图神经网络的用户风险预测方法及装置
US20220399120A1 (en) * 2021-06-14 2022-12-15 Optum Services (Ireland) Limited Method, apparatus and computer program product for providing a multi-omics framework for estimating temporal disease trajectories
CN113962294A (zh) * 2021-09-30 2022-01-21 西南电子技术研究所（中国电子科技集团公司第十研究所） 多类型事件预测模型
WO2023065545A1 (zh) * 2021-10-19 2023-04-27 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
WO2023124204A1 (zh) * 2021-12-29 2023-07-06 中国银联股份有限公司 反欺诈风险评估方法、训练方法、装置及可读存储介质
CN115293247A (zh) * 2022-07-21 2022-11-04 支付宝(杭州)信息技术有限公司 建立风险识别模型的方法、风险识别的方法及对应装置
CN115208680A (zh) * 2022-07-21 2022-10-18 中国科学院大学 一种基于图神经网络的动态网络风险预测方法
CN115271980A (zh) * 2022-08-04 2022-11-01 中国平安财产保险股份有限公司 风险值预测方法、装置、计算机设备和存储介质
CN116051270A (zh) * 2023-01-29 2023-05-02 阿里云计算有限公司 商户的综合风险预测与模型训练方法、电子设备及介质
CN116576504A (zh) * 2023-04-18 2023-08-11 集美大学 一种可解释区域热负荷预测方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EMANUELE ROSSI, ET AL.: "Temporal graph networks for deep learning on dynamic graphs", ARXIV:2006.10637V3, 9 October 2020 (2020-10-09), pages 1 - 16 *
易明;毛进;邓卫华;: "基于社会化标签网络的细粒度用户兴趣建模", 现代图书情报技术, no. 04, 25 April 2011 (2011-04-25), pages 41 - 47 *
赵海涛;程慧玲;丁仪;张晖;朱洪波;: "基于深度学习的车联边缘网络交通事故风险预测算法研究", 电子与信息学报, no. 01, 15 January 2020 (2020-01-15), pages 55 - 62 *

Also Published As

Publication number Publication date
CN117113148B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN112836720B (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN111028100A (zh) 考虑气象因素的精细化短期负荷预测方法、装置及介质
CN112682273B (zh) 基于代价敏感轻量级梯度提升机的风电机组故障检测方法
CN106156805A (zh) 一种样本标签缺失数据的分类器训练方法
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN117094535B (zh) 基于人工智能的能源补给管理方法及系统
CN116930042B (zh) 建筑防水材料性能检测设备及方法
CN115470962A (zh) 一种基于LightGBM的企业失信风险预测模型构建方法
CN110675382A (zh) 基于CNN-LapsELM的铝电解过热度识别方法
CN117349786B (zh) 基于数据均衡的证据融合变压器故障诊断方法
CN117907835A (zh) 一种新能源电池故障诊断方法
CN117705059A (zh) 一种自然资源遥感测绘影像定位方法及系统
CN117113148B (zh) 基于时序图神经网络的风险识别方法、装置及存储介质
CN117131654A (zh) 基于预分析初猜值条件非线性最优扰动的目标观测方法
CN115600498A (zh) 一种基于人工神经网络的风速预报订正方法
CN111860441B (zh) 基于无偏深度迁移学习的视频目标识别方法
CN116841718A (zh) 基于Kubernetes的物理资源调度方法及调度器
CN109800923A (zh) 一种分散式风力发电短期功率组合预测方法
CN118607886B (zh) 物资供需平衡规划方法及系统
CN118037738B (zh) 一种沥青路面灌缝胶黏结性能检测方法及设备
CN117592865B (zh) 一种装备零备件质量状态预测方法及装置
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质
De La Vega et al. K-nearest-neighbor by differential evolution for time series forecasting

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