CN117332338A - 一种风险识别方法、系统、存储介质和电子设备 - Google Patents

一种风险识别方法、系统、存储介质和电子设备 Download PDF

Info

Publication number
CN117332338A
CN117332338A CN202311147595.9A CN202311147595A CN117332338A CN 117332338 A CN117332338 A CN 117332338A CN 202311147595 A CN202311147595 A CN 202311147595A CN 117332338 A CN117332338 A CN 117332338A
Authority
CN
China
Prior art keywords
risk identification
target
training data
training
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.)
Pending
Application number
CN202311147595.9A
Other languages
English (en)
Inventor
杨建雄
杜志高
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.)
Beijing Si Tech Information Technology Co Ltd
Original Assignee
Beijing Si Tech Information 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 Beijing Si Tech Information Technology Co Ltd filed Critical Beijing Si Tech Information Technology Co Ltd
Priority to CN202311147595.9A priority Critical patent/CN117332338A/zh
Publication of CN117332338A publication Critical patent/CN117332338A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/10Pre-processing; Data cleansing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/27Regression, e.g. linear or logistic regression
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风险识别技术领域,具体公开一种风险识别方法、系统、存储介质和电子设备,所述方法包括:获取目标风控场景下的多个用于风险识别训练的目标训练数据;基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。本发明能够提高风险识别的精准度,具备更好的外推能力和泛化性。

Description

一种风险识别方法、系统、存储介质和电子设备
技术领域
本发明涉及风险识别技术领域,尤其涉及一种风险识别方法、系统、存储介质和电子设备。
背景技术
传统的风险识别模型存在两方面的问题:第一,样本数量过少且高维稀疏会降低模型预测的准确性。在数据量较小的情况下,模型容易陷入过拟合状态,无法对新的数据集进行有效预测,即泛化能力弱。第二,针对数值预测的风控管理,若数据属性不能较好地表征真实回归结果,模型交叉验证的偏差较大,将导致整体模型预测效果偏低,精度下降。
因此,亟需提供一种技术方案解决上述问题。
发明内容
为解决上述技术问题,本发明提供了一种风险识别方法、系统、存储介质和电子设备。
第一方面,本发明提供一种风险识别方法,该方法的技术方案如下:
获取目标风控场景下的多个用于风险识别训练的目标训练数据;
基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;
将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。
本发明的一种风险识别方法的有益效果如下:
本发明的方法能够提高风险识别的精准度,具备更好的外推能力和泛化性。
在上述方案的基础上,本发明的一种风险识别方法还可以做如下改进。
在一种可选的方式中,获取目标风控场景下的多个用于风险识别训练的目标训练数据的步骤,包括:
采集所述目标风控场景下的多个用于风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
在一种可选的方式中,所述预设风险识别模型为LightGBM树模型;基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型的步骤,包括:
构建所述LightGBM树模型的超参数搜索空间,并设置所述LightGBM树模型的迭代轮数和迭代误差阈值;
在每次迭代轮数中,利用满足预设条件的目标训练数据进行奇偶交替迭代特征回归预测,以在所述超参数搜索空间中,对所述LightGBM树模型的超参数进行修正,直至达到所述迭代轮数时,得到所述目标风险识别模型;其中,所述预设条件为:当前迭代轮数及之前每轮迭代中均大于迭代误差阈值。
在一种可选的方式中,构建所述LightGBM树模型的超参数搜索空间的步骤,包括:
利用近似贪心策略,构建所述LightGBM树模型的所述超参数搜索空间。
在一种可选的方式中,还包括:
将每个目标训练数据在多轮迭代中的训练预测值进行合并,得到每个目标训练数据的最终预测值;
利用所有的最终预测值对所述目标风险识别模型进行模型评估;
将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果的步骤,包括:
当所述目标风险识别模型的风险识别精度超过预设值时,将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到所述风险识别结果。
在一种可选的方式中,还包括:
当所述风险识别结果超过风险阈值时,输出预警信息。
第二方面,本发明提供一种风险识别系统,该系统的技术方案如下:
包括:获取模块、训练模块和识别模块;
所述获取模块用于:获取目标风控场景下的多个用于风险识别训练的目标训练数据;
所述训练模块用于:基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;
所述识别模块用于:将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。
本发明的一种风险识别系统的有益效果如下:
本发明的系统能够提高风险识别的精准度,具备更好的外推能力和泛化性。
在上述方案的基础上,本发明的一种风险识别系统还可以做如下改进。
在一种可选的方式中,所述获取模块具体用于:
采集所述目标风控场景下的多个用于风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
第三方面,本发明提供的一种存储介质的技术方案如下:
存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如本发明的任一种风险识别方法的步骤。
第四方面,本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序所述处理器执行所述程序时实现如本发明的任一种风险识别方法的步骤。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明提供的一种风险识别方法的实施例的流程示意图;
图2示出了本发明提供的一种风险识别方法的实施例中S1的流程示意图;
图3示出了本发明提供的一种风险识别方法的实施例中的目标风险识别模型的训练流程图;
图4示出了本发明提供的一种风险识别系统的实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明提供的一种风险识别方法的实施例的流程示意图。如图1所示,包括如下步骤:
S1:获取目标风控场景下的多个用于风险识别训练的目标训练数据。其中:
①目标风控场景包括但不限于:金融、保险、电商等领域的风控场景,如信用评估、欺诈检测、资产定价、代理商风险识别等。
②目标训练数据为:经过数据清洗后的训练数据。
S2:基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型。其中:
①预设风险识别模型为:未经训练的风险识别模型。
②目标风险识别模型为:经过训练的风险识别模型。
S3:将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。其中:
①待测数据与目标训练数据包含相同的数据属性,但同一数据属性对应的属性值可能相同也可能不同,在此不设限制。例如:目标训练数据包括:数据属性A(A1)、数据属性B(B1)和数据属性C(C1);待测数据包括:数据属性A(A2)、数据属性B(B2)和数据属性C(C2)。其中,属性值A1与属性值A2可能相同也可能不同。
②风险识别结果为可以是概率值(0-1,数值越小风险越小,数值越大风险越大),也可以是二分类数值(0或1,0表示无风险,1表示有风险),还可以是其它任意类型值,在此不设限制。
较优地,如图2所示,S1包括:
S11:采集所述目标风控场景下的多个用于风险识别训练的第一训练数据。其中:
①第一训练数据为:所采集的用于风险识别训练的原始数据。
②第一训练数据的数量为多个,多个第一训练数据构成用于风险识别训练的原始训练数据集。
S12:对所有的第一训练数据进行数据清洗,得到多个第二训练数据。
其中:
①数据清洗的过程包括:离群值检测、数据去重和数据插值等操作,用于将脏数据和不符合模型训练的偏态分布数据进行清洗。
②第二训练数据为:经过数据清洗后所保留的训练数据。
③第二训练数据的数量为多个,多个第二训练数据构成用于风险识别训练的第二训练数据集。
S13:对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。其中:
①特征工程化的处理过程包括:将大量枚举类型特征数值化(即编码过程)、将部分连续类型特征离散化(业务需求)、部分连续类型特征归一化(消除量纲,减少误差),用于控制数值的大小,提高模型的稳定性,使数据属性很好的表征目标预测结果。
②目标训练数据为:经过特征工程化处理后的数据。
③目标训练数据的数量为多个,多个目标训练数据构成用于风险识别训练的目标训练数据集。
较优地,所述预设风险识别模型为LightGBM树模型;S2包括:
S21:构建所述LightGBM树模型的超参数搜索空间,并设置所述LightGBM树模型的迭代轮数和迭代误差阈值。其中:
①利用近似贪心策略,构建LightGBM树模型的超参数搜索空间。超参数搜索空间对应LightGBM的参数范围,使用Optuna框架可以根据目标训练数据集(多个目标训练数据)的分布情况不断修正超参数的结果值。
②LightGBM树模型的迭代轮数和迭代误差阈值可根据历史经验进行设置。
S22:在每次迭代轮数中,利用满足预设条件的目标训练数据进行奇偶交替迭代特征回归预测,以在所述超参数搜索空间中,对所述LightGBM树模型的超参数进行修正,直至达到所述迭代轮数时,得到所述目标风险识别模型。其中:
①目标风险识别模型的训练过程如图3所示。
②预设条件为:当前迭代轮数及之前每轮迭代中均大于迭代误差阈值。具体做法为:第一次迭代过程中,将大于迭代误差阈值的目标训练数据放入目标集合中;第二次迭代过程中,将目标集合中大于迭代误差阈值的目标训练数据保留在目标集合中,将小于等于迭代误差阈值的目标训练数据从目标集合中剔除。在每次迭代过程中放入目标集合的目标训练数据逐渐减少,修正力度逐渐减弱,避免出现数据偏移。
③奇偶交替迭代特征回归预测的过程为:在奇数迭代轮数过程中,采用特征回归预测,具体做法为:假设目标训练数据包含m个数据属性时,以其中一个数据属性为目标变量,其余m-1个数据属性为输入特征,形成局部训练集,利用线性回归模型训练m次,得到新的m列预测结果并作为新的训练数据加入目标训练数据集中。在偶数迭代轮数过程中,采用非线性特征回归预测,得到新的m列预测结果并作为新的训练数据加入目标训练数据集中。依次循环,直到达到LightGBM树模型的迭代轮数。
较优地,还包括:
将每个目标训练数据在多轮迭代中的训练预测值进行合并,得到每个目标训练数据的最终预测值。其中:
①根据每轮迭代过程的误差值设置相应的预测权重,即每轮迭代对应一个预测权重。
②最终预测值为:每轮迭代过程的训练预测值进行加权后所得到的预测值。
利用所有的最终预测值对所述目标风险识别模型进行模型评估。其中:
目标训练数据的最终预测值和真实值之间的差值,对目标风险识别模型进行模型评估,以确定目标风险识别模型的识别精度。
S3包括:
当所述目标风险识别模型的风险识别精度超过预设值时,将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到所述风险识别结果。
其中:
预设值根据实际需求或历史经验值设定,在此不设限制。
较优地,还包括:
当所述风险识别结果超过风险阈值时,输出预警信息。其中:
①风险阈值为判断是否存在风险的标准。当风险识别结果为概率值时,风险阈值为0.5;当风险识别结果为二分类数值时,风险阈值为0。
②预警信息包括但不限于:声光预警信息、文字预警信息等。
为更好地说明本实施例的技术方案,采用以下实例进行说明:
S110:获取代理商风险识别场景下的多个用于代理商风险识别训练的目标训练数据;其中,目标训练数据包括:代理商的地域信息、法人信息、所获代理酬金、月销售量、月销售金额、用户实名认证违规次数、代理商评分和代理商评分增减幅度。
S120:基于多个目标训练数据,对预设代理商风险识别模型进行训练,得到目标代理商风险识别模型。
S130:将代理商风险识别场景下的待测数据输入至目标代理商风险识别模型,得到风险识别结果。
较优地,S110包括:
采集代理商风险识别场景下的多个用于代理商风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
较优地,所述预设代理商风险识别模型为LightGBM树模型;S120包括:
构建所述LightGBM树模型的超参数搜索空间,并设置所述LightGBM树模型的迭代轮数和迭代误差阈值;
在每次迭代轮数中,利用满足预设条件的目标训练数据进行奇偶交替迭代特征回归预测,以在所述超参数搜索空间中,对所述LightGBM树模型的超参数进行修正,直至达到所述迭代轮数时,得到所述目标风险识别模型;其中,所述预设条件为:当前迭代轮数及之前每轮迭代中均大于迭代误差阈值。
较优地,构建所述LightGBM树模型的超参数搜索空间的步骤,包括:
利用近似贪心策略,构建所述LightGBM树模型的所述超参数搜索空间。
较优地,还包括:
将每个目标训练数据在多轮迭代中的训练预测值进行合并,得到每个目标训练数据的最终预测值;
利用所有的最终预测值对所述目标风险识别模型进行模型评估;
S130包括:
当所述目标代理商风险识别模型的风险识别精度超过预设值时,将代理商风险识别场景下的待测数据输入至所述目标代理商风险识别模型,得到所述风险识别结果。
较优地,还包括:
当所述风险识别结果超过风险阈值时,输出预警信息。
本实施例的技术方案能够提高风险识别的精准度,具备更好的外推能力和泛化性。
图4示出了本发明提供的一种风险识别系统200的实施例的结构示意图。如图4所示,该系统200包括:获取模块210、训练模块220和识别模块230;
所述获取模块210用于:获取目标风控场景下的多个用于风险识别训练的目标训练数据;
所述训练模块220用于:基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;
所述识别模块230用于:将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。
较优地,所述获取模块210具体用于:
采集所述目标风控场景下的多个用于风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
本实施例的技术方案能够提高风险识别的精准度,具备更好的外推能力和泛化性。
上述关于本实施例的风险识别系统200中的各参数和各个模块实现相应功能的步骤,可参考上文中关于风险识别方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例提供的一种存储介质,包括:存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如风险识别方法的步骤,具体可参考上文中的风险识别方法的实施例中的各参数和步骤,在此不做赘述。
计算机存储介质例如:优盘、移动硬盘等。
本发明实施例提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在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,使所述计算机执行如风险识别方法的步骤,具体可参考上文中的风险识别方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为方法、系统、存储介质和电子设备。
因此,本发明可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种风险识别方法,其特征在于,包括:
获取目标风控场景下的多个用于风险识别训练的目标训练数据;
基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;
将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。
2.根据权利要求1所述的风险识别方法,其特征在于,获取目标风控场景下的多个用于风险识别训练的目标训练数据的步骤,包括:
采集所述目标风控场景下的多个用于风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
3.根据权利要求1所述的风险识别方法,其特征在于,所述预设风险识别模型为LightGBM树模型;基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型的步骤,包括:
构建所述LightGBM树模型的超参数搜索空间,并设置所述LightGBM树模型的迭代轮数和迭代误差阈值;
在每次迭代轮数中,利用满足预设条件的目标训练数据进行奇偶交替迭代特征回归预测,以在所述超参数搜索空间中,对所述LightGBM树模型的超参数进行修正,直至达到所述迭代轮数时,得到所述目标风险识别模型;其中,所述预设条件为:当前迭代轮数及之前每轮迭代中均大于迭代误差阈值。
4.根据权利要求3所述的风险识别方法,其特征在于,构建所述LightGBM树模型的超参数搜索空间的步骤,包括:
利用近似贪心策略,构建所述LightGBM树模型的所述超参数搜索空间。
5.根据权利要求4所述的风险识别方法,其特征在于,还包括:
将每个目标训练数据在多轮迭代中的训练预测值进行合并,得到每个目标训练数据的最终预测值;
利用所有的最终预测值对所述目标风险识别模型进行模型评估;
将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果的步骤,包括:
当所述目标风险识别模型的风险识别精度超过预设值时,将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到所述风险识别结果。
6.根据权利要求1至5任一项所述的风险识别方法,其特征在于,还包括:
当所述风险识别结果超过风险阈值时,输出预警信息。
7.一种风险识别系统,其特征在于,包括:获取模块、训练模块和识别模块;
所述获取模块用于:获取目标风控场景下的多个用于风险识别训练的目标训练数据;
所述训练模块用于:基于多个目标训练数据,对预设风险识别模型进行训练,得到目标风险识别模型;
所述识别模块用于:将所述目标风控场景下的待测数据输入至所述目标风险识别模型,得到风险识别结果。
8.根据权利要求7所述的风险识别系统,其特征在于,所述获取模块具体用于:
采集所述目标风控场景下的多个用于风险识别训练的第一训练数据;
对所有的第一训练数据进行数据清洗,得到多个第二训练数据;
对每个第二训练数据分别进行特征工程化处理,得到多个目标训练数据。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至6中任一项所述的风险识别方法。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的风险识别方法的步骤。
CN202311147595.9A 2023-09-06 2023-09-06 一种风险识别方法、系统、存储介质和电子设备 Pending CN117332338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311147595.9A CN117332338A (zh) 2023-09-06 2023-09-06 一种风险识别方法、系统、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311147595.9A CN117332338A (zh) 2023-09-06 2023-09-06 一种风险识别方法、系统、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN117332338A true CN117332338A (zh) 2024-01-02

Family

ID=89281968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311147595.9A Pending CN117332338A (zh) 2023-09-06 2023-09-06 一种风险识别方法、系统、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN117332338A (zh)

Similar Documents

Publication Publication Date Title
CN112258093B (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
CN110766059A (zh) 一种变压器故障的预测方法、装置和设备
CN112800116B (zh) 一种业务数据的异常检测方法及装置
CN111639798A (zh) 智能的预测模型选择方法及装置
CN113657668A (zh) 基于lstm网络的电力负荷预测方法及系统
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN111784160A (zh) 一种河流水文情势变化的评估方法及系统
CN112085111B (zh) 一种负荷辨识方法和装置
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110634060A (zh) 一种用户信用风险的评估方法、系统、装置及存储介质
CN113807469A (zh) 一种多能源用户价值预测方法、装置、存储介质和设备
CN115563477A (zh) 谐波数据识别方法、装置、计算机设备和存储介质
CN110795324A (zh) 一种数据处理方法及装置
CN114519519A (zh) 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
CN113537693A (zh) 人员风险等级获取方法、终端、存储装置
CN116067524B (zh) 一种用于油浸变压器内部组件的实时温度监测方法
CN112348226A (zh) 预测数据生成方法、系统、计算机设备及存储介质
CN116740586A (zh) 冰雹识别方法、装置、电子设备及计算机可读存储介质
CN111340975A (zh) 异常数据特征提取方法、装置、设备及存储介质
CN117332338A (zh) 一种风险识别方法、系统、存储介质和电子设备
CN115619539A (zh) 贷前风险评价方法以及装置
CN115687882A (zh) 一种输电断面极限传输容量概率分布估计方法及装置
CN112149833B (zh) 基于机器学习的预测方法、装置、设备和存储介质
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination