CN117372161A - 金融设备评估模型构建方法、金融设备评估方法和装置 - Google Patents
金融设备评估模型构建方法、金融设备评估方法和装置 Download PDFInfo
- Publication number
- CN117372161A CN117372161A CN202311136114.4A CN202311136114A CN117372161A CN 117372161 A CN117372161 A CN 117372161A CN 202311136114 A CN202311136114 A CN 202311136114A CN 117372161 A CN117372161 A CN 117372161A
- Authority
- CN
- China
- Prior art keywords
- financial
- equipment
- reference space
- target
- parameter set
- 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
Links
- 238000013210 evaluation model Methods 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 61
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000035945 sensitivity Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种金融设备评估模型构建方法、金融设备评估方法、装置、系统、计算机设备、存储介质和计算机程序产品,涉及人工智能技术领域,可用于金融领域或其他领域,该金融设备评估模型构建方法包括:获取目标金融设备在第一预设时间段的正常特征参数集,并对正常特征参数集进行标准化处理,得到针对目标金融设备的初始基准空间;对初始基准空间进行优化处理,得到目标金融设备的优化基准空间;获取优化基准空间的加权马氏距离,并基于加权马氏距离构建针对目标金融设备的金融设备评估模型;金融设备评估模型用于对目标金融设备的健康状态进行评估。该方法中,提高金融设备状态评估的简便性和精确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种金融设备评估模型构建方法、金融设备评估方法、装置、系统、计算机设备、存储介质和计算机程序产品。
背景技术
通常,在金融业务系统中,会存在多种金融设备,例如,目标金融设备,在金融设备出现故障的情况下,可能会对金融业务系统的业务办理造成较大的影响,因此,一般会基于金融设备状态评估模型根据金融设备的监测数据和实际生产系统的信息,得出金融设备的健康状况,确定金融设备是否继续工作或进行维护。在目前的设备评估技术中,还存在繁琐的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种金融设备评估模型构建方法、金融设备评估方法、装置、系统、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种金融设备评估模型构建方法。所述方法包括:
获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
在其中一个实施例中,所述对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间,包括:
获取所述初始基准空间的第一马氏距离;
根据所述第一马氏距离对所述初始基准空间进行有效性验证,得到针对所述初始基准空间的验证结果,并在所述验证结果表征为验证通过的情况下,将所述初始基准空间确定为所述目标金融设备的候选基准空间;
对所述候选基准空间进行特征优化,得到所述目标金融设备的优化基准空间。
在其中一个实施例中,所述候选基准空间包含所述目标金融设备在所述第一预设时间段的多个标准化正常特征参数;所述对所述候选基准空间进行特征优化,得到所述目标金融设备的优化基准空间,包括:获取所述目标金融设备出现设备异常状态与各所述标准化正常特征参数的敏感度,并将所述敏感度大于预设敏感度阈值的所述标准化正常特征参数确定为目标特征参数;根据所述目标特征参数,得到所述优化基准空间。
在其中一个实施例中,所述获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型,包括:根据所述目标特征参数对应的敏感度,获取所述目标特征参数的特征权重;根据所述特征权重,获取所述优化基准空间的加权马氏距离;基于所述加权马氏距离,构建针对所述目标金融设备的映射函数;所述映射函数用于表征所述目标金融设备的待评估特征参数集的马氏距离与所述目标金融设备的设备状态的映射关系;根据所述映射函数,构建针对所述目标金融设备的金融设备评估模型。
在其中一个实施例中,所述根据所述第一马氏距离对所述初始基准空间进行有效性验证,得到针对所述初始基准空间的验证结果,包括:获取所述目标金融设备在第二预设时间段的标准化异常特征参数集,并获取所述标准化异常特征参数集的第二马氏距离;所述第二预设时间段为所述目标金融设备处于异常状态的历史时间段;基于所述第一马氏距离和所述第二马氏距离对所述初始基准空间进行有效性验证,并在所述第二马氏距离大于所述第一马氏距离的情况下,将所述验证结果确定为验证通过。
在其中一个实施例中,所述获取所述目标金融设备在第二预设时间段的标准化异常特征参数集,包括:获取所述目标金融设备在所述第二预设时间段的异常特征参数集;获取所述初始基准空间的期望和标准差,并基于所述期望和标准差对所述异常特征参数集进行标准化处理,得到所述标准化异常特征参数集。
第二方面,本申请提供了一种金融设备评估方法。所述方法包括:
获取待评估金融设备在当前时间段的待评估特征参数集;
将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
获取所述待评估标准化特征参数集的马氏距离;
利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
在其中一个实施例中,所述预设状态阈值包括区间上限和区间下限;所述根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果,包括:在所述区间上限与所述设备状态值的差值小于第一阈值的情况下,将所述评估结果确定为设备状态正常;在所述设备状态值与所述区间下限的差值小于第二阈值的情况下,将所述评估结果确定为设备状态异常;在所述区间上限与所述设备状态值的差值大于第一阈值,并且所述设备状态值与所述区间下限的差值大于第二阈值的情况下,将所述评估结果确定为设备存在潜在隐患。
第三方面,本申请提供了一种金融设备评估模型构建装置。所述装置包括:
获取模块,用于获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
优化模块,用于对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
构建模块,用于获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
第四方面,本申请提供了一种金融设备评估装置。所述装置包括:
获取模块,用于获取待评估金融设备在当前时间段的待评估特征参数集;
处理模块,用于将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
第一计算模块,用于获取所述待评估标准化特征参数集的马氏距离;
第二计算模块,用于利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
评估模块,用于根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
第五方面,本申请还提供了一种计算机设备。所述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以下步骤:
获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
和/或获取待评估金融设备在当前时间段的待评估特征参数集;
将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
获取所述待评估标准化特征参数集的马氏距离;
利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
第六方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
和/或获取待评估金融设备在当前时间段的待评估特征参数集;
将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
获取所述待评估标准化特征参数集的马氏距离;
利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
第七方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
和/或获取待评估金融设备在当前时间段的待评估特征参数集;
将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
获取所述待评估标准化特征参数集的马氏距离;
利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
上述金融设备评估模型构建方法、金融设备评估方法、装置、系统、计算机设备、存储介质和计算机程序产品中,该金融设备评估模型构建方法可以应用于金融业务系统的金融业务服务器,该金融业务系统可以包含多个金融设备,该目标金融设备可以是该多个金融设备中的任意一个,该金融业务服务器可以基于该目标金融设备在第一预设时间段的历史数据,该第一预设时间段为目标金融设备处于正常状态的历史时间段;进而,可以基于该历史数据,获取目标金融设备在第一预设时间段的正常特征参数集,该正常特征参数集包含目标金融设备处于正常状态时的多个正常特征参数;从而,可以并对正常特征参数集进行标准化处理,得到针对目标金融设备的初始基准空间;接下来,可以计算获取初始基准空间的第一马氏距离;进一步,可以根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,并在验证结果表征为验证通过的情况下,将初始基准空间确定为目标金融设备的候选基准空间;还可以对候选基准空间进行特征优化,得到目标金融设备的优化基准空间;最后,获取优化基准空间的加权马氏距离,并基于加权马氏距离构建针对目标金融设备的金融设备评估模型;金融设备评估模型用于对目标金融设备的健康状态进行评估。在本申请实施例提供的该方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
附图说明
图1为一个实施例提供的一种金融设备评估模型构建方法的流程示意图;
图2为一个实施例提供的一种金融设备评估方法的流程示意图;
图3为一个实施例提供的一种金融设备评估模型构建装置的结构示意图;
图4为一个实施例提供的一种金融设备评估装置的结构示意图;
图5为一个实施例提供的一种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。在一个实施例中,如图1所示,提供了一种金融设备评估模型构建方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S101,获取目标金融设备在第一预设时间段的正常特征参数集,并对正常特征参数集进行标准化处理,得到针对目标金融设备的初始基准空间。
其中,该金融设备评估模型构建方法可以应用于金融业务系统的金融业务服务器,该金融业务系统可以包含多个金融设备,该目标金融设备可以是该多个金融设备中的任意一个。该目标金融设备可以包含多个设备性能参数;该金融业务服务器可以通过传感器采集该目标金融设备在任意时间段的各设备性能参数的设备性能参数数据,该第一预设时间段为目标金融设备处于正常状态的历史时间段;进一步地,该金融业务服务器可以对该目标金融设备在第一预设时间段的设备性能参数数据进行特征提取,得到该目标金融设备在第一预设时间段的正常特征参数集,该正常特征参数集包含目标金融设备处于正常状态时的多个正常特征参数。由于该正常特征参数集中包含的多个正常特征参数数据可能存在量纲不同,可以造成无法对该多个正常特征参数数据进行统一计算,便于多个正常特征参数数据的量纲统一,在一些可能的实现方式中,可以对该正常特征参数集进行标准化处理,具体地,可以获取多个设备性能参数的设备性能参数数据集的均值和标准差,进而,可以基于该均值和标准差对该正常特征参数集进行标准化处理,得到针对目标金融设备的标准化的初始基准空间。该初始基准空间可以是经过标准化处理的正常特征参数集。
步骤S102,对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间。
步骤S103,获取优化基准空间的加权马氏距离,并基于加权马氏距离构建针对目标金融设备的金融设备评估模型。
其中,可以基于目标金融设备出现设备异常状态与各标准化正常特征参数的敏感度,获取各标准化正常特征参数对应的特征权重,基于该特征权重,计算该优化基准空间的加权马氏距离,进而,可以基于该加权马氏距离,获取该优化基准空间的马氏距离和该目标金融识别的设备状态的映射函数,该映射函数可以用于表征该优化基准空间的马氏距离和该目标金融识别的设备状态的映射关系,最后,基于该优化基准空间的马氏距离和该目标金融识别的设备状态的映射函数,建针对目标金融设备的金融设备评估模型,该金融设备评估模型用于对目标金融设备的健康状态进行评估。
本实施例的方法中,该金融设备评估模型构建方法可以应用于金融业务系统的金融业务服务器,该金融业务系统可以包含多个金融设备,该目标金融设备可以是该多个金融设备中的任意一个,该金融业务服务器可以基于该目标金融设备在第一预设时间段的历史数据,该第一预设时间段为目标金融设备处于正常状态的历史时间段;进而,可以基于该历史数据,获取目标金融设备在第一预设时间段的正常特征参数集,该正常特征参数集包含目标金融设备处于正常状态时的多个正常特征参数;从而,可以并对正常特征参数集进行标准化处理,得到针对目标金融设备的初始基准空间;接下来,可以计算获取初始基准空间的第一马氏距离;进一步,可以根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,并在验证结果表征为验证通过的情况下,将初始基准空间确定为目标金融设备的候选基准空间;还可以对候选基准空间进行特征优化,得到目标金融设备的优化基准空间;最后,获取优化基准空间的加权马氏距离,并基于加权马氏距离构建针对目标金融设备的金融设备评估模型;金融设备评估模型用于对目标金融设备的健康状态进行评估。在本申请实施例提供的该方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
在一个实施例中,步骤S102,可以包括:
获取初始基准空间的第一马氏距离;根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,并在验证结果表征为验证通过的情况下,将初始基准空间确定为目标金融设备的候选基准空间;对候选基准空间进行特征优化,得到目标金融设备的优化基准空间。
1、获取初始基准空间的第一马氏距离。
其中,马氏距离(Mahalanobis Distance)是一种用于测量两个样本之间的相似性或差异性的统计指标。它考虑了样本之间的协方差结构,可以用于多维数据的距离计算。马氏距离的计算公式如下:D(x,y)=√((x-y)'S^(-1)(x-y)),其中,D(x,y)表示样本x和样本y之间的马氏距离,x和y是两个样本向量,S是样本的协方差矩阵,S^(-1)是协方差矩阵的逆矩阵,'表示向量的转置操作。马氏距离的特点是可以消除不同特征之间的尺度差异和相关性,更准确地反映样本之间的实际差异。它可以用于聚类分析、异常检测、分类问题等多个领域。在模式识别和机器学习中,马氏距离常常用于特征选择、特征提取和样本分类等任务中。需要注意的是,计算马氏距离需要知道样本的协方差矩阵。如果样本数量较少,协方差矩阵的估计可能会不准确。此外,当协方差矩阵是奇异的(即不可逆)时,马氏距离的计算也会受到限制。因此,在使用马氏距离时需要注意数据的特点和限制条件。在本实施例中,该第一马氏距离可以用于表示该初始基准空间中的多个标准化正常特征参数之间的相关性。
2、根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,并在验证结果表征为验证通过的情况下,将初始基准空间确定为目标金融设备的候选基准空间。
其中,马氏距离的有效性验证可以通过多种方法进行。以下是一些常见的验证方法:实验验证:将马氏距离应用于具体的问题或数据集,并与其他距离度量进行比较。例如,在聚类分析中,可以使用马氏距离和其他距离度量(如欧氏距离、曼哈顿距离)进行聚类,然后比较聚类结果的质量和准确性。理论验证:通过数学推导和理论分析,验证马氏距离在特定情况下的性质和有效性。例如,可以证明在高斯分布下,马氏距离可以最小化误分类的概率。比较分析:将马氏距离与其他距离度量进行比较,评估其在不同数据集和问题上的性能。可以使用交叉验证、ROC曲线、分类准确率等指标来评估不同距离度量的效果。实际应用验证:将马氏距离应用于实际问题,并评估其在实际应用中的效果和有效性。例如,在异常检测中,可以使用马氏距离来判断数据点是否异常,并与其他异常检测方法进行比较。需要注意的是,马氏距离的有效性验证是一个相对的过程,取决于具体的问题和数据。在应用中,应根据实际情况选择合适的距离度量,并考虑其适用性、计算复杂度和数据特点等因素。在一些可能的实现方式中,可以基于该第一马氏距离对该初始基准空间进行有效性验证,一般,可以基于异常特征参数集对该初始基准空间进行有效性验证,可以首先计算该异常特征参数集的第二马氏距离,将该初始基准空间的该第一马氏距离与该异常特征参数集的第二马氏距离进行比对,该初始基准空间的第一马氏距离基本都在1附近,而异常特征参数集的第二马氏距离远大于该初始基准空间的第一马氏距离,说明构建的初始基准空间性能均良好,可以确定该初始基准空间的验证结果为通过有效性验证,在该初始基准空间的验证结果为未通过有效性验证的情况下,需要重新获取新的正常特征参数集,从而,获取新的初始基准空间;在该初始基准空间的验证结果为有效性验证通过的情况下,可以将初始基准空间确定为目标金融设备的候选基准空间。
3、对候选基准空间进行特征优化,得到目标金融设备的优化基准空间。
其中,对该候选基准空间进行特征优化可以减少该候选基准空间中的特征参数的数量,即在该候选基准空间包含的多个标准化正常特征参数中筛选出符合预设条件的标准化正常特征参数,进而,可以由符合预设条件的标准化正常特征参数构成该优化基准空间。具体地,可以设计针对该候选基准空间的正交表,通过正交表设计正交试验,基于正交表每次试验所选的特征参数,计算用于代表每次实验运行响应的望大型信噪比。计算各特征参数参与实验时的信噪比均值与未参与实验时的信噪比均值,从而计算信噪比增量。若增量为正,则该特征参数被选用,否则将其剔除。在一些可能的实现方式中,也可以基于目标金融设备出现设备异常状态与各标准化正常特征参数的敏感度,对该候选基准空间包含的多个标准化正常特征参数进行筛选,并将敏感度大于预设敏感度阈值的标准化正常特征参数确定为目标特征参数。
本实施例的方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
在一个实施例中,获取优化基准空间,可以包括:
获取目标金融设备出现设备异常状态与各标准化正常特征参数的敏感度,并将敏感度大于预设敏感度阈值的标准化正常特征参数确定为目标特征参数;根据目标特征参数,得到优化基准空间。
其中,该目标金融设备出现设备异常状态与各标准化正常特征参数的敏感度,可以用于表征目标金融设备出现设备异常状态和各标准化正常特征参数的依赖关系,该敏感度越大,表明该敏感度对应的标准化正常特征参数对该目标金融设备的设备状态的影响越大,随着该敏感度对应的标准化正常特征参数的变化越大,导致该目标金融设备的设备状态的变化也越大;该敏感度越小,表明该敏感度对应的标准化正常特征参数对该目标金融设备的设备状态的影响越小,随着该敏感度对应的标准化正常特征参数的变化,该目标金融设备的设备状态的变化幅度较小。可以在多个标准化正常特征参数中对该目标金融设备的设备状态影响较大的标准化正常特征参数作为目标特征参数,即将敏感度大于预设敏感度阈值的标准化正常特征参数确定为目标特征参数,进而,可以基于该目标特征参数构成该优化基准空间。
在一个实施例中,步骤S103,可以包括:
根据目标特征参数对应的敏感度,获取目标特征参数的特征权重;根据特征权重,获取优化基准空间的加权马氏距离;基于加权马氏距离,构建针对目标金融设备的映射函数;映射函数用于表征目标金融设备的待评估特征参数集的马氏距离与目标金融设备的设备状态的映射关系;根据映射函数,构建针对目标金融设备的金融设备评估模型。
本实施例的方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
在一个实施例中,根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,可以包括:
获取目标金融设备在第二预设时间段的标准化异常特征参数集,并获取标准化异常特征参数集的第二马氏距离;第二预设时间段为目标金融设备处于异常状态的历史时间段;基于第一马氏距离和第二马氏距离对初始基准空间进行有效性验证,并在第二马氏距离大于第一马氏距离的情况下,将验证结果确定为验证通过。
其中,获取目标金融设备在第二预设时间段的异常特征参数集;获取初始基准空间的期望和标准差,并基于期望和标准差对异常特征参数集进行标准化处理,得到标准化异常特征参数集。
本实施例的方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
在一个实施例中,如图2所示,提供了一种金融设备评估方法,可以包括:
步骤S201,获取待评估金融设备在当前时间段的待评估特征参数集。
其中,该待评估金融设备可以是金融业务系统包含的多个金融设备中待进行设备状态健康状况评估的金融设备。金融业务服务器可以获取该待评估金融设备在当前时间段的各个设备性能参数的设备性能参数数据,并基于该设备采性能参数数据进行特征提取,得到该待评估金融设备在当前时间段的待评估特征参数集。
步骤S202,将待评估特征参数集输入至预先训练的金融设备评估模型,对待评估特征参数集进行标准化处理,得到待评估标准化特征参数集。
该金融设备评估模型可以通过如以上任一项实施例的金融设备评估模型构建方法训练得到。
步骤S203,获取待评估标准化特征参数集的马氏距离。
步骤S204,利用金融设备评估模型的映射函数获取马氏距离对应的针对待评估金融设备的设备状态值。
步骤S205,根据设备状态值和预设状态阈值,获取待评估金融设备的评估结果。
本实施例的方法中,该金融设备评估模型构建方法可以应用于金融业务系统的金融业务服务器,该金融业务系统可以包含多个金融设备,该目标金融设备可以是该多个金融设备中的任意一个,该金融业务服务器可以基于该目标金融设备在第一预设时间段的历史数据,该第一预设时间段为目标金融设备处于正常状态的历史时间段;进而,可以基于该历史数据,获取目标金融设备在第一预设时间段的正常特征参数集,该正常特征参数集包含目标金融设备处于正常状态时的多个正常特征参数;从而,可以并对正常特征参数集进行标准化处理,得到针对目标金融设备的初始基准空间;接下来,可以计算获取初始基准空间的第一马氏距离;进一步,可以根据第一马氏距离对初始基准空间进行有效性验证,得到针对初始基准空间的验证结果,并在验证结果表征为验证通过的情况下,将初始基准空间确定为目标金融设备的候选基准空间;还可以对候选基准空间进行特征优化,得到目标金融设备的优化基准空间;最后,获取优化基准空间的加权马氏距离,并基于加权马氏距离构建针对目标金融设备的金融设备评估模型;金融设备评估模型用于对目标金融设备的健康状态进行评估。在本申请实施例提供的该方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
在一个实施例中,步骤S205,可以包括:
在区间上限与设备状态值的差值小于第一阈值的情况下,将评估结果确定为设备状态正常;在设备状态值与区间下限的差值小于第二阈值的情况下,将评估结果确定为设备状态异常;在区间上限与设备状态值的差值大于第一阈值,并且设备状态值与区间下限的差值大于第二阈值的情况下,将评估结果确定为设备存在潜在隐患。
其中,预设状态阈值包括区间上限和区间下限。该区间上限可以理解为该待评估金融设备的设备状态的最佳状态,该待评估金融设备的识别状态值越接近该区间上限,则表明该待评估金融设备的设备状态越好;该区间下限可以理解为该待评估金融设备的设备状态的最差状态,该待评估金融设备的识别状态值越接近该区间下限,则表明该待评估金融设备的设备状态越差。该第一阈值可以用于表示该设备状态值和区间上限的接近程度的分界线,该区间上限与设备状态值的差值可以用于表示该设备状态值和区间上限的接近程度;该第二阈值可以用于表示该设备状态值和区间下限的接近程度的分界线,该区间下限与设备状态值的差值可以用于表示该设备状态值和区间下限的接近程度。
本实施例的方法中,可以对该目标金融设备在第一预设时间段的初始基准空间,依次进行有效性验证、特征优化,得到优化基准空间,可以减少进行设备评估的特征量,提高针对金融设备评估的简便性,进一步地,结合该优化基准空间的加权马氏距离,构建针对该目标金融设备的金融设备评估模型,提高针对金融设备评估的精确性。
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金融设备评估模型构建方法的金融设备评估模型构建装置,以及一种用于实现上述所涉及的金融设备评估方法的金融设备评估装置。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金融设备评估模型构建装置实施例中的具体限定可以参见上文中对于金融设备评估模型构建方法的限定,以及下面所提供的一个或多个金融设备评估装置实施例中的具体限定可以参见上文中对于金融设备评估方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种金融设备评估模型构建装置,包括:获取模块301、优化模块302和构建模块303,其中:
获取模块301,用于获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
优化模块302,用于对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
构建模块303,用于获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
进一步地,优化模块302,还用于:获取所述初始基准空间的第一马氏距离;
根据所述第一马氏距离对所述初始基准空间进行有效性验证,得到针对所述初始基准空间的验证结果,并在所述验证结果表征为验证通过的情况下,将所述初始基准空间确定为所述目标金融设备的候选基准空间;
对所述候选基准空间进行特征优化,得到所述目标金融设备的优化基准空间。
在一个可能的实现方式中,所述候选基准空间包含所述目标金融设备在所述第一预设时间段的多个标准化正常特征参数;优化模块302,还用于:获取所述目标金融设备出现设备异常状态与各所述标准化正常特征参数的敏感度,并将所述敏感度大于预设敏感度阈值的所述标准化正常特征参数确定为目标特征参数;根据所述目标特征参数,得到所述优化基准空间。
进一步地,构建模块303,还用于:根据所述目标特征参数对应的敏感度,获取所述目标特征参数的特征权重;根据所述特征权重,获取所述优化基准空间的加权马氏距离;基于所述加权马氏距离,构建针对所述目标金融设备的映射函数;所述映射函数用于表征所述目标金融设备的待评估特征参数集的马氏距离与所述目标金融设备的设备状态的映射关系;根据所述映射函数,构建针对所述目标金融设备的金融设备评估模型。
优化模块302,还用于:获取所述目标金融设备在第二预设时间段的标准化异常特征参数集,并获取所述标准化异常特征参数集的第二马氏距离;所述第二预设时间段为所述目标金融设备处于异常状态的历史时间段;基于所述第一马氏距离和所述第二马氏距离对所述初始基准空间进行有效性验证,并在所述第二马氏距离大于所述第一马氏距离的情况下,将所述验证结果确定为验证通过。
进一步地,优化模块302,还用于:获取所述目标金融设备在所述第二预设时间段的异常特征参数集;获取所述初始基准空间的期望和标准差,并基于所述期望和标准差对所述异常特征参数集进行标准化处理,得到所述标准化异常特征参数集。
在一个实施例中,如图4所示,提供了一种金融设备评估装置,包括:获取模块401、处理模块402、第一计算模块403、第二计算模块404和评估模块405,其中:
获取模块401,用于获取待评估金融设备在当前时间段的待评估特征参数集;
处理模块402,用于将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如以上任一项实施例所述的金融设备评估模型构建方法训练得到;
第一计算模块403,用于获取所述待评估标准化特征参数集的马氏距离;
第二计算模块404,用于利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
评估模块405,用于根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
进一步地,所述预设状态阈值包括区间上限和区间下限;评估模块405,还用于:在所述区间上限与所述设备状态值的差值小于第一阈值的情况下,将所述评估结果确定为设备状态正常;在所述设备状态值与所述区间下限的差值小于第二阈值的情况下,将所述评估结果确定为设备状态异常;在所述区间上限与所述设备状态值的差值大于第一阈值,并且所述设备状态值与所述区间下限的差值大于第二阈值的情况下,将所述评估结果确定为设备存在潜在隐患。
上述金融设备评估模型构建装置和金融设备评估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。
在一个示例性的实施例中,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5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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金融设备评估模型构建和金融设备评估的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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金融设备评估模型构建方法和一种金融设备评估方法。
本领域技术人员可以理解,图5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,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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。
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 (13)
1.一种金融设备评估模型构建方法,其特征在于,所述方法包括:
获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
2.根据权利要求1所述的方法,其特征在于,所述对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间,包括:
获取所述初始基准空间的第一马氏距离;
根据所述第一马氏距离对所述初始基准空间进行有效性验证,得到针对所述初始基准空间的验证结果,并在所述验证结果表征为验证通过的情况下,将所述初始基准空间确定为所述目标金融设备的候选基准空间;
对所述候选基准空间进行特征优化,得到所述目标金融设备的优化基准空间。
3.根据权利要求2所述的方法,其特征在于,所述候选基准空间包含所述目标金融设备在所述第一预设时间段的多个标准化正常特征参数;
所述对所述候选基准空间进行特征优化,得到所述目标金融设备的优化基准空间,包括:
获取所述目标金融设备出现设备异常状态与各所述标准化正常特征参数的敏感度,并将所述敏感度大于预设敏感度阈值的所述标准化正常特征参数确定为目标特征参数;
根据所述目标特征参数,得到所述优化基准空间。
4.根据权利要求3所述的方法,其特征在于,所述获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型,包括:
根据所述目标特征参数对应的敏感度,获取所述目标特征参数的特征权重;
根据所述特征权重,获取所述优化基准空间的加权马氏距离;
基于所述加权马氏距离,构建针对所述目标金融设备的映射函数;所述映射函数用于表征所述目标金融设备的待评估特征参数集的马氏距离与所述目标金融设备的设备状态的映射关系;
根据所述映射函数,构建针对所述目标金融设备的金融设备评估模型。
5.根据权利要求2所述的方法,其特征在于,所述根据所述第一马氏距离对所述初始基准空间进行有效性验证,得到针对所述初始基准空间的验证结果,包括:
获取所述目标金融设备在第二预设时间段的标准化异常特征参数集,并获取所述标准化异常特征参数集的第二马氏距离;所述第二预设时间段为所述目标金融设备处于异常状态的历史时间段;
基于所述第一马氏距离和所述第二马氏距离对所述初始基准空间进行有效性验证,并在所述第二马氏距离大于所述第一马氏距离的情况下,将所述验证结果确定为验证通过。
6.根据权利要求5所述的方法,其特征在于,所述获取所述目标金融设备在第二预设时间段的标准化异常特征参数集,包括:
获取所述目标金融设备在所述第二预设时间段的异常特征参数集;
获取所述初始基准空间的期望和标准差,并基于所述期望和标准差对所述异常特征参数集进行标准化处理,得到所述标准化异常特征参数集。
7.一种金融设备评估方法,其特征在于,所述方法包括:
获取待评估金融设备在当前时间段的待评估特征参数集;
将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如权利要求1至6任一项所述的金融设备评估模型构建方法训练得到;
获取所述待评估标准化特征参数集的马氏距离;
利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
8.根据权利要求7所述的方法,其特征在于,所述预设状态阈值包括区间上限和区间下限;
所述根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果,包括:
在所述区间上限与所述设备状态值的差值小于第一阈值的情况下,将所述评估结果确定为设备状态正常;
在所述设备状态值与所述区间下限的差值小于第二阈值的情况下,将所述评估结果确定为设备状态异常;
在所述区间上限与所述设备状态值的差值大于第一阈值,并且所述设备状态值与所述区间下限的差值大于第二阈值的情况下,将所述评估结果确定为设备存在潜在隐患。
9.一种金融设备评估模型构建装置,其特征在于,所述装置包括:
获取模块,用于获取目标金融设备在第一预设时间段的正常特征参数集,并对所述正常特征参数集进行标准化处理,得到针对所述目标金融设备的初始基准空间;所述第一预设时间段为所述目标金融设备处于正常状态的历史时间段;所述正常特征参数集包含所述目标金融设备处于正常状态时的多个正常特征参数;
优化模块,用于对所述初始基准空间进行优化处理,得到所述目标金融设备的优化基准空间;
构建模块,用于获取所述优化基准空间的加权马氏距离,并基于所述加权马氏距离构建针对所述目标金融设备的金融设备评估模型;所述金融设备评估模型用于对所述目标金融设备的健康状态进行评估。
10.一种金融设备评估装置,其特征在于,所述装置包括:
获取模块,用于获取待评估金融设备在当前时间段的待评估特征参数集;
处理模块,用于将所述待评估特征参数集输入至预先训练的金融设备评估模型,对所述待评估特征参数集进行标准化处理,得到待评估标准化特征参数集;所述金融设备评估模型通过如权利要求1至6任一项所述的金融设备评估模型构建方法训练得到;
第一计算模块,用于获取所述待评估标准化特征参数集的马氏距离;
第二计算模块,用于利用所述金融设备评估模型的映射函数获取所述马氏距离对应的针对所述待评估金融设备的设备状态值;
评估模块,用于根据所述设备状态值和预设状态阈值,获取所述待评估金融设备的评估结果。
11.一种计算机设备,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1-8任意一项所述的方法的步骤。
12.一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1-8任意一项所述的方法的步骤。
13.一种计算机程序产品,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1-8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136114.4A CN117372161A (zh) | 2023-09-05 | 2023-09-05 | 金融设备评估模型构建方法、金融设备评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136114.4A CN117372161A (zh) | 2023-09-05 | 2023-09-05 | 金融设备评估模型构建方法、金融设备评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372161A true CN117372161A (zh) | 2024-01-09 |
Family
ID=89390004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311136114.4A Pending CN117372161A (zh) | 2023-09-05 | 2023-09-05 | 金融设备评估模型构建方法、金融设备评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372161A (zh) |
-
2023
- 2023-09-05 CN CN202311136114.4A patent/CN117372161A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717824A (zh) | 基于知识图谱的银行对公客群风险传导测算的方法及装置 | |
CN111340086B (zh) | 无标签电子交易数据的处理方法、系统、介质及终端 | |
CN110570312B (zh) | 样本数据获取方法、装置、计算机设备和可读存储介质 | |
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 | |
CN112596964A (zh) | 磁盘故障的预测方法及装置 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
Schrab et al. | KSD aggregated goodness-of-fit test | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN117372161A (zh) | 金融设备评估模型构建方法、金融设备评估方法和装置 | |
CN114140246A (zh) | 模型训练方法、欺诈交易识别方法、装置和计算机设备 | |
CN117235270B (zh) | 基于信度混淆矩阵的文本分类方法、装置和计算机设备 | |
CN111507639B (zh) | 理财风险分析方法及装置 | |
Ling et al. | Usage Space Sampling for Fringe Customer Identification. | |
Grundy | On aspects of changepoint analysis motivated by industrial applications | |
Eamrurksiri | Applying Machine Learning to LTE/5G Performance Trend Analysis | |
CN117522138A (zh) | 金融业务系统的测试风险识别方法、装置、设备和介质 | |
US20240029882A1 (en) | Diagnostic classification device and method | |
CN117493573A (zh) | 基于混淆矩阵的文本分类方法、装置和计算机设备 | |
CN117135663A (zh) | 基站节能指标数据的异常识别方法、装置、计算机设备和存储介质 | |
CN114049159A (zh) | 银行客户流失预测方法、装置、存储介质及电子设备 | |
CN116795705A (zh) | 异常节点的确定方法、装置和计算机设备 | |
Warzyński et al. | Excess-Mass and Mass-Volume Quality Measures Susceptibility to Intrusion Detection System’s Data Dimensionality |
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 |