CN117787727B - 业务风险预测方法、装置、设备及存储介质 - Google Patents
业务风险预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117787727B CN117787727B CN202410211098.9A CN202410211098A CN117787727B CN 117787727 B CN117787727 B CN 117787727B CN 202410211098 A CN202410211098 A CN 202410211098A CN 117787727 B CN117787727 B CN 117787727B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- prediction
- shunt
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000025274 Lightning injury Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书涉及人工智能在业务风险预测领域的应用,提供了一种业务风险预测方法、装置、设备及存储介质,该方法包括:接收针对指定对象业务风险的查询请求;从第一数据源中获取与指定对象对应的第一参数组合数据,将第一参数组合数据输入分流模型,获得分流参数;若分流参数达到分流阈值,则从第一数据源中获取与指定对象对应的第二参数组合数据,并将第二参数组合数据输入第一预测模型,获得指定对象的业务风险;若分流参数未达到分流阈值,则从第二数据源及第一数据源中获取指定对象对应的第三参数组合数据,将第三参数组合数据输入第二预测模型,获得指定对象的业务风险。本说明书实施例可兼顾业务风险识别总体的预测成本、预测效率和预测精度。
Description
技术领域
本说明书涉及人工智能在业务风险预测领域的应用,尤其是涉及一种业务风险预测方法、装置、设备及存储介质。
背景技术
在金融、环保、工业控制、物流、医疗等领域常涉及业务风险(例如安全风险、环境污染风险、操作风险等)识别。例如,以金融场景为例,金融机构需要评估客户的安全风险,会通过经授权的客户信息,建立风险评估模型,以区分高风险客户和低风险客户。
近年来人工智能已开始应用于业务风险识别。在基于人工智能模型的业务风险识别中,会使用经授权的公开数据或第三方数据,以提升模型的预测能力(例如识别精度);但是,由于使用的数据越多,则造成处理的数据越多,提高了数据处理的成本,降低了业务识别的效率。因此,如何兼顾业务风险识别总体的预测成本、预测效率和预测精度,已成为目前亟待解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种业务风险预测方法、装置、设备及存储介质,以兼顾业务风险识别总体的预测成本、预测效率和预测精度。
为达到上述目的,一方面,本说明书实施例提供了一种业务风险预测方法,包括:
接收针对指定对象业务风险的查询请求;
从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
如果所述分流参数达到分流阈值,则从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险;
如果所述分流参数未达到分流阈值,则从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险。
在本说明书实施例的业务风险预测方法中,所述分流模型预先根据以下方式训练得到:
从所述第一数据源和所述第二数据源中随机抽取一部分数据形成数据集;
根据所述数据集中来源于所述第一数据源的数据样本构建不同参数组合的输入数据;
以所述不同参数组合的输入数据为输入,并以预设预测目标为目标输出,训练初始模型,直至训练得到的当前模型的评价参数满足预设条件,获得所述分流模型;其中,获得所述分流模型时的输入数据对应的参数组合为第一参数组合。
在本说明书实施例的业务风险预测方法中,所述不同参数组合包括:任意两种及两种以上影响参数字段的至少部分组合。
在本说明书实施例的业务风险预测方法中,所述预设预测目标通过以下方式确定:
根据第二参数组合,从所述数据集中选择多个目标对象的第一数据输入至所述第一预测模型,获得第一预测结果集合,所述第一数据来源于所述第一数据源;并根据第三参数组合,从所述数据集中选择所述多个目标对象的第二数据,输入至所述第二预测模型,获得第二预测结果集合,所述第二数据来源于所述第一数据源及所述第二数据源;
转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合;
识别所述第一参数集合和所述第二参数集合中的相等元素对集合、以及不等元素集合;其中,若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且相等,则所述第一元素和所述第二元素为相等元素对;若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且不等,则所述第一元素和所述第二元素为不等元素对;将所述第一数据和所述第二数据中,与所述相等元素对集合对应的数据标记为第一值;并将所述第一数据和所述第二数据中,与所述不等元素对集合对应的数据标记为第二值;其中,所述第一值表示预测结果一致,所述第二值表示预测结果不一致。
在本说明书实施例的业务风险预测方法中,所述转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合,包括:
按照预设的转换规则,转换所述第一预测结果集合中的第一预测结果为第一中间参数,获得第一中间参数集合;并按照所述转换规则,转换所述第二预测结果集合中的第二预测结果为第二中间参数,获得第二中间参数集合;
将所述第一中间参数集合中第一中间参数的取值范围,按照指定分位数划分为多个第一中间参数区间;并将所述第二中间参数集合中第二中间参数的取值范围,按照所述指定分位数划分为多个第二中间参数区间;
按照预设的映射规则,将所述第一中间参数集合中,落入相同第一中间参数区间内的第一中间参数赋予相同值,获得第一参数集合;并按照所述映射规则,将所述第二中间参数集合中,落入相同第二中间参数区间内的第二中间参数赋予相同值。
在本说明书实施例的业务风险预测方法中,所述分流阈值预先根据以下方式获得:
根据所述第一参数组合从所述第一数据源获取数据,并根据获取的数据生成多个模拟查询请求;
针对多个分流比例中的每一分流比例,确定所述分流模型对应所述每一分流比例的分流参数、所述第一预测模型和所述第二预测模型对应所述每一分流比例的总体的预测精度参数,获得分流参数集合和预测精度参数集合;其中,所述分流参数和所述预测精度参数根据所述分流模型按照所述每一分流比例,将所述多个模拟查询请求分流至所述第一预测模型、第二预测模型处理后得到;确定所述预测精度参数集合中,达到预设阈值的最小预测精度参数;
将所述分流参数集合中,与所述最小预测精度参数对应的分流参数作为所述分流模型的分流阈值。
另一方面,本说明书实施例还提供了一种业务风险预测装置,包括:
请求接收模块,用于接收针对指定对象业务风险的查询请求;
数据输入模块,用于从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
分流预测模块,用于当所述分流参数达到分流阈值时,从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险;当所述分流参数未达到分流阈值时,从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险。
另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例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,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,在本说明书实施例中,预测业务风险的成本和精度与数据源的数量正相关,预测业务风险的效率与数据源的数量负相关,即考虑的数据源越少,则业务风险的预测成本和预测精度相应越低,但预测效率也相应越高,而考虑的数据源越多,则业务风险的预测成本和预测精度相应越高,但预测效率也相应越低。因此,由于第一预测模型仅考虑第一数据源的数据,则使用第一预测模型越多,总体的业务风险预测成本就越低,且总体的业务风险预测效率就越高,但总体的业务风险预测精度也越低;同理,由于第二预测模型考虑了第一数据源及第二数据源的数据,使用第二预测模型越多,总体的业务风险预测精度就越高,但总体的业务风险预测成本也越高,且总体的业务风险预测效率就越低;本说明书实施例通过预训练的分流模型,可以合理控制请求分流至第一预测模型和第二预测模型的比例,从而可以更有效地兼顾业务风险识别总体的预测成本、预测效率和预测精度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本说明书一些实施例中业务风险预测的应用环境示意图;
图2示出了本说明书一些实施例中业务风险预测方法的流程图;
图3示出了图2所示方法中分流模型的训练方法流程图;
图4示出了图2所示方法中确定模型训练的预测目标的流程图;
图5示出了图4所示确定预测目标的步骤中获取参数集合的流程图;
图6示出了图2所示方法中确定分流阈值的流程图;
图7示出了本说明书一些实施例中业务风险预测装置的结构框图;
图8示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
10、客户端;
20、服务端;
21、分流模型;
22、第一预测模型;
23、第二预测模型;
30、第一数据源;
40、第二数据源;
71、请求接收模块;
72、数据输入模块;
73、分流预测模块;
802、计算机设备;
804、处理器;
806、存储器;
808、驱动机构;
810、输入/输出接口;
812、输入设备;
814、输出设备;
816、呈现设备;
818、图形用户接口;
820、网络接口;
822、通信链路;
824、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。此外,本公开所涉及的信息、数据以及信号,均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理均遵守相关国家和地区的相关法律法规和标准。
本说明书实施例涉及一种可以兼顾业务风险识别成本和业务风险识别精度的业务风险预测技术,可以用于金融、环保、工业控制、物流、医疗等涉及业务风险识别的领域。因此,在本说明书以下实施例中提及的金融安全风险预测,仅作为本说明书实施例的示例性举例说明,不应理解为对本说明书实施例的应用场景的唯一限定。
图1中示出了本说明书一些实施例中业务风险预测的应用环境示意图;该应用环境中包括客户端10、服务端20、第一数据源30和第二数据源40。其中,服务端20中包括:预训练的分流模型21、预训练的第一预测模型22和预训练的第二预测模型23。服务端20可以接收客户端10发送的接收针对指定对象业务风险的查询请求;从第一数据源30中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至分流模型21,获得分流参数;如果所述分流参数达到分流阈值,则从所述第一数据源30中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至第一预测模型22,获得所述指定对象的业务风险;如果所述分流参数未达到分流阈值,则从第二数据源40及所述第一数据源30中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至第二预测模型23,获得所述指定对象的业务风险。
在本说明书一些实施例中,所述客户端10可以为自助终端设备、移动终端(即智能手机)、显示器、台式电脑、平板电脑、笔记本电脑、数字助理或智能可穿戴设备等。其中,智能可穿戴设备可以包括智能手环、智能手表、智能眼镜或智能头盔等。当然,所述客户端10并不限于上述具有一定实体的电子设备,其还可以为运行于上述电子设备中的软件。
在本说明书一些实施例中,所述服务端20可以为具有运算和网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理和网络交互提供业务逻辑(即业务风险预测逻辑)的软件。
在本说明书一些实施例中,第一数据源30可以包括业务风险预测服务提供方的自有数据。
在本说明书一些实施例中,第二数据源40可以包括业务风险预测服务提供方需从外部获得的经授权的公开数据或第三方数据。
此外,需要说明的是,图1所示的仅仅是本说明书提供的一种应用环境,在实际应用中,所述客户端10可以为多个,所述服务端20也可以为多个,本说明书不做限制。
本说明书实施例提供了一种业务风险预测方法,可以应用于上述的服务端侧,参考图2所示,在本说明书一些实施例中,业务风险预测方法可以包括以下步骤201~205。
步骤201、接收针对指定对象业务风险的查询请求;
步骤202、从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
步骤203、判断所述分流参数是否达到分流阈值。如果所述分流参数达到分流阈值,则执行步骤204;如果所述分流参数未达到所述分流阈值,则执行步骤205。其中,分流参数用于确定该查询请求分流至哪个预测模型(第一预测模型或第二预测模型)来处理。
步骤204、从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险;
步骤205、从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险。
在本说明书实施例中,预测业务风险的成本和精度与数据源的数量正相关,预测业务风险的效率与数据源的数量负相关,即考虑的数据源越少,则业务风险的预测成本和预测精度相应越低,但预测效率也相应越高,而考虑的数据源越多,则业务风险的预测成本和预测精度相应越高,但预测效率也相应越低。因此,由于第一预测模型仅考虑第一数据源的数据,则使用第一预测模型越多,总体的业务风险预测成本就越低,且总体的业务风险预测效率就越高,但总体的业务风险预测精度也越低;同理,由于第二预测模型考虑了第一数据源及第二数据源的数据,使用第二预测模型越多,总体的业务风险预测精度就越高,但总体的业务风险预测成本也越高,且总体的业务风险预测效率就越低;本说明书实施例通过预训练的分流模型,可以合理控制请求分流至第一预测模型和第二预测模型的比例,从而可以更有效地兼顾业务风险识别总体的预测成本、预测效率和预测精度。
在本说明书一些实施例中,查询请求是客户端基于用户的操作发起的业务风险查询请求,查询请求中包含了用户指定的业务风险查询对象(即指定对象)。例如,在本说明书一示例性实施例中,以资源申请领域的用户账户安全风险查询为例,指定对象可以为某个资源申请账户(例如张三)或某些资源申请账户(例如张三、李四、王二等)。再比如,在本说明书另一示例性实施例中,以电力系统输电线路故障风险查询为例,指定对象可以是一段或多段架空输电线路的名称或标识。
在本说明书的实施例中,第一数据源和第二数据源中,均可以提供业务风险预测的各种影响参数的影响参数值。例如,在本说明书一示例性实施例中,以资源申请领域的用户账户安全风险查询为例,这些影响参数值可以包括但不限于用户账户的基础数据、交易数据、异常记录(如违规记录)等。其中,基础数据例如可以包括用户账户的账户标识、年龄、职业、资源量情况等。
在本说明书一些实施例中,第一预测模型可以预先基于第一数据源训练得到,第二预测模型可以预先基于第一数据源和第二数据源训练得到,分流模型可以预先基于第一数据源和第二数据源训练得到。其中,在模型训练时,第一预测模型、第二预测模型和分流模型,可以采用相同的初始模型(例如LightGBM模型等),也可以采用不同的初始模型;具体可以根据实际应用场景的需要自由选择。
参考图3所示,在本说明书一些实施例中,所述分流模型可以预先根据执行以下训练步骤301~303得到。
步骤301、从所述第一数据源和所述第二数据源中随机抽取一部分数据形成数据集。
当第一数据源和第二数据源均包含海量数据时,为了降低训练成本,可以从所述第一数据源和所述第二数据源中随机抽取一部分数据形成数据集。当然,若第一数据源或第二数据源的数据量相对较少(例如,第一数据源的数据量不超过数据量阈值,第二数据源的数量不超过数量阈值,或者使用的所有第二数据源的数据总量不超过数据量阈值)时,也可以全部使用。例如,在本说明书一些实施例中,若第一数据源的数据海量,而第二数据源的数据相对较少,则可以基于第二数据源的全部数据,以及从第一数据源中随机抽取的一部分数据,形成数据集;若第一数据源的数据相对较少,而第二数据源的数据海量,则可以基于第一数据源的全部数据,以及从第二数据源中随机抽取的一部分数据,形成数据集。若第一数据源和第二数据源的数据相对较少,则可以基于第一数据源、第二数据源的全部数据形成数据集。在本说明书一些实施例中,所述随机抽取例如可以是随机分层抽样。
步骤302、根据所述数据集中来源于所述第一数据源的数据样本构建不同参数组合的输入数据。
在本说明书一些实施例中,不同参数组合可以包括任意两种及两种以上影响参数字段的至少部分组合。通过构建不同参数组合的输入数据用于模型训练,可以为模型训练找到最佳参数组合。例如,若数据集中来源于第一数据源的数据样本包含字段1~字段4共四种字段(不包括主键字段),则包括任意两种及两种以上影响参数字段的至少部分组合可以包括:
包含字段1和字段2的参数组合;
包含字段1和字段3的参数组合;
包含字段1和字段4的参数组合;
包含字段2和字段3的参数组合;
包含字段2和字段4的参数组合;
包含字段3和字段4的参数组合;
包含字段1、字段2和字段3的参数组合;
包含字段1、字段2和字段4的参数组合;
包含字段1、字段3和字段4的参数组合;
包含字段2、字段3和字段4的参数组合;
包含字段1、字段2、字段3和字段4的参数组合。
例如,在本说明书一示例性实施例中,以资源申请领域的用户账户安全风险查询为例,若数据集中来源于第一数据源的数据样本如下表1所示,可以将“年龄”、“职业”、“资源量”、“交易量”和“违规记录”中的任意两个和两个以上字段进行组合,从而可以得到不同参数组合的输入数据(例如,以“年龄+职业”组合的输入数据,以“年龄+职业+违规记录”组合的输入数据等)。
表1
例如,在本说明书另一示例性实施例中,以电力系统领域的输电线路故障风险预测为例,若数据集中来源于第一数据源的数据样本如下表2所示,可以将“风偏舞动幅度”、“雷击预报概率”、“覆冰预报概率”、“线路年龄”和“预报降水量”中的任意两个和两个以上字段进行组合,从而可以得到不同参数组合的输入数据(例如,以“风偏舞动幅度+雷击预报概率”组合的输入数据,以“风偏舞动幅度+雷击预报概率+线路年龄”组合的输入数据等)。
表2
步骤303、以所述不同参数组合的输入数据为输入,并以预设预测目标为目标输出,训练初始模型,直至训练得到的当前模型的评价参数满足预设条件,获得所述分流模型;其中,获得所述分流模型时的输入数据对应的参数组合为第一参数组合。
在本说明书的实施例中,预测目标即为模型训预先定义的模型的目标输出。有关于如何确定模型训练的预测目标,将在下文中具体说明。
在本说明书一些实施例中,训练得到的当前模型的评价参数满足预设条件可以是指:训练得到的当前模型的评价指标值满足指标阈值。其中,模型的评价指标值例如可以采用准确率、精确率、召回率、F1值、F2值、ROC曲线、AUC值和/或混淆矩阵等。例如,在本说明书一示例性实施例中,以资源申请领域的用户账户安全风险查询为例,模型的评价指标值采用F2指标值。
在本说明书的实施例中,在分流模型训练完成后,该分流模型进行分流控制时所需要输入的参数组合也就确定了。例如,以上表1为例,若模型训练的评价指标值达到指标阈值时输入数据的参数组合为“年龄+资源量+交易量+违规记录”,则“年龄+资源量+交易量+违规记录”即为第一参数组合。此后,在利用分流模型进行查询请求的分流控制时,从第一数据源中获取的,与查询请求中的指定对象对应的第一参数组合数据,即为根据该第一参数组合从第一数据源中获取的数据。例如,在本说明书一示例性实施例中,以资源申请领域的用户账户安全风险查询为例,若查询请求为查询张三账户的资源申请风险,则可以从第一数据源中获取张三的年龄、资源量、交易量和违规记录数据,并据此形成第一参数组合数据。
图3所示的实施例中,通过输入不同参数组合的数据进行训练,可以优选出较佳的输入参数组合,从而实现以较少的输入数据达到较佳的模型训练效果的目的。
参考图4所示,在本说明书一些实施例中,上述确定模型训练的预测目标可以包括以下步骤401~404。
步骤401、根据第二参数组合,从所述数据集中选择多个目标对象的第一数据输入至所述第一预测模型,获得第一预测结果集合,所述第一数据来源于所述第一数据源;并根据第三参数组合,从所述数据集中选择所述多个目标对象的第二数据,输入至所述第二预测模型,获得第二预测结果集合,所述第二数据来源于所述第一数据源及所述第二数据源。
其中,第二参数组合是在完成第一预测模型的训练时对应的参数组合;此后,在每次使用第一预测模型进行预测时,均可以按照第二参数组合输入数据。同样,其中,第三参数组合是在完成第二预测模型的训练时对应的参数组合;此后,在每次使用第二预测模型进行预测时,均可以按照第三参数组合输入数据。
例如,在本说明书一示例性实施例中,以电力系统领域的输电线路故障风险预测为例,若第二参数组合包括风偏舞动幅度和线路年龄;数据集中的风偏舞动幅度和线路年龄均来源于第一数据源;则根据第二参数组合,从数据集中选择的多个输电线路段的风偏舞动幅度和线路年龄,即可以形成第一数据。同理,若第三参数组合包括风偏舞动幅度、线路年龄、雷击预报概率和覆冰预报概率;数据集中的风偏舞动幅度和线路年龄均来源于第一数据源;数据集中的雷击预报概率和覆冰预报概率均来源于第二数据源,则根据第三参数组合,从数据集中选择的多个输电线路段的风偏舞动幅度、线路年龄、雷击预报概率和覆冰预报概率,即形成了第二数据。
上述步骤401中的预测,是为了确定模型训练(即分流模型的模型训练)的预测目标而进行的试验性的预测,并非预测模型实际应用过程中的预测。
步骤402、转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合。
在本说明书的实施例中,通过转换预测结果可以有利于提高分流模型的分流控制准确性。
步骤403、识别所述第一参数集合和所述第二参数集合中的相等元素对集合、以及不等元素集合;其中,若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且相等,则所述第一元素和所述第二元素为相等元素对;若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且不等,则所述第一元素和所述第二元素为不等元素对。
例如,在本说明书一示例性实施例中,若第一参数集合X和第二参数集合Y分别表示如下:
X={x1, x2, x3, x4 ,x5, x6,x7, x8 };
Y={y1, x2, y3, y4 , y5, y6, y7, y8 };
其中,x1和y1分别为对应于用户A的第一参数和第二参数;x2和y2分别为对应于用户B的第一参数和第二参数;x3和y3分别为对应于用户C的第一参数和第二参数;x4和y4分别为对应于用户D的第一参数和第二参数;x5和y5分别为对应于用户E的第一参数和第二参数;x6和y6分别为对应于用户F的第一参数和第二参数;x7和y7分别为对应于用户G的第一参数和第二参数;x8和y8分别为对应于用户H的第一参数和第二参数。
如果x1=y1,x3=y3,x4=y4,x5=y5,且x2y2,x6/>y6,x7/>y7,x8/>y8,则:
获得的相等元素对集合可以表示为:{(x1,y1), (x3,y3), (x4,y4), (x5,y5)};
获得的不等元素对集合可以表示为:{( x2,y2), (x6,y6), (x7,y7), (x8,y8)}。
步骤404、将所述第一数据和所述第二数据中,与所述相等元素对集合对应的数据标记为第一值;并将所述第一数据和所述第二数据中,与所述不等元素对集合对应的数据标记为第二值;其中,所述第一值表示预测结果一致,所述第二值表示预测结果不一致。
例如,在本说明书一示例性实施例中,以上述的相等元素对集合{(x1,y1), (x3,y3), (x4,y4), (x5,y5)},则可以:将x1对应于用户A的第一数据和y1对应于用户A的第二数据均标记为1;将x3对应于用户C的第一数据和y3对应于用户C的第二数据均标记为1;将x4对应于用户D的第一数据和y4对应于用户D的第二数据均标记为1;将x5对应于用户E的第一数据和y5对应于用户E的第二数据均标记为1;其中,1表示预测结果一致。
例如,在本说明书一示例性实施例中,以上述的不等元素对集合{( x2,y2), (x6,y6), (x7,y7), (x8,y8)}为例,则可以:
将x2对应于用户B的第一数据和y2对应于用户B的第二数据均标记为0;将x6对应于用户F的第一数据和y6对应于用户F的第二数据均标记为0;将x7对应于用户G的第一数据和y8对应于用户G的第二数据均标记为0;将x8对应于用户H的第一数据和y8对应于用户H的第二数据均标记为0。其中,0表示预测结果不一致。
由此可见,上述步骤401~404中确定模型训练的预测目标的过程,相当于是数据样本标记过程,即为每条第一数据打上识别标记,以用于检验模型输出的分流参数是否正确,有利于提高分流模型的分流控制的准确性。
结合图5所示,在本说明书一些实施例中,转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合,可以包括如下步骤501~503。
步骤501、按照预设的转换规则,转换所述第一预测结果集合中的第一预测结果为第一中间参数,获得第一中间参数集合;并按照所述转换规则,转换所述第二预测结果集合中的第二预测结果为第二中间参数,获得第二中间参数集合。
在本说明书一些实施例中,通过按照相同的转换规则,将第一预测结果转换为第一中间参数,并将第二预测结果转换为第二中间参数,可以实现将第一预测结果和第二预测结果映射到同一尺度上,从而可以降低或消除第一预测结果和第二预测结果之间的量纲影响,最终有利于提高分流模型的分流控制准确性。
在本说明书一些实施例中,预设的转换规则例如可以包括但不限于:违约百分比(Percent of Default,PDO)、标准分或标准ODDS(违约概率与正常概率的比值)等。
步骤502、将所述第一中间参数集合中第一中间参数的取值范围,按照指定分位数划分为多个第一中间参数区间;并将所述第二中间参数集合中第二中间参数的取值范围,按照所述指定分位数划分为多个第二中间参数区间。
在本说明书的实施例中,指定分位数即为自定义的分位数(Quantile)。其中,分位数亦称分位点,是指将一个随机变量的概率分布范围分为几个等份的数值点。例如,二分位数是以概率值0.5(即50%)为数值点,将概率分布范围0~1划分为0~0.5和0.5~1两个概率分布区间;再比如,四分位数是以概率值0.25、0.5和0.75为数值点,将概率分布范围0~1划分为0~0.25、0.25~0.5、0.5~0.75和0.75~1四个概率分布区间。
步骤503、按照预设的映射规则,将所述第一中间参数集合中,落入相同第一中间参数区间内的第一中间参数赋予相同值,获得第一参数集合;并按照所述映射规则,将所述第二中间参数集合中,落入相同第二中间参数区间内的第二中间参数赋予相同值。
例如,在本说明书一示例性实施例中,若第一中间参数集合中的第一中间参数的数值分布范围为0~1,第二中间参数集合中的第二中间参数的数值分布范围为也为0~1;以概率值0.25、0.5和0.75为数值点,将第一中间参数的数值分布范围划分为0~0.25、0.25~0.5、0.5~0.75和0.75~1四个区间,并将第二中间参数的数值分布范围也划分为0~0.25、0.25~0.5、0.5~0.75和0.75~1四个区间。
若第一中间参数为x,x赋值后得到的第一参数表示为f(x),映射规则可表示为:
若第二中间参数为y,y赋值后得到的第二参数表示为f(y),映射规则可表示为:
显然,f(x)和f(y)实际上为相同的映射规则。
参考图6所示,在本说明书一些实施例中,分流阈值可以预先根据以下步骤601~604获得。
步骤601、根据所述第一参数组合从所述第一数据源获取数据,并根据获取的数据生成多个模拟查询请求。
在上文中已经阐明,在训练好分流模型后,对应的参数组合即作为第一参数组合。因此,在确定分流阈值的过程中,输入至分流模型中的数据亦然是按照所述第一参数组合构建的输入数据。
例如,在本说明书一示例性实施例中,可以根据所述第一参数组合从所述第一数据源获取十个预测对象的名称或标识,并按照指定查询报文的报文结构(包括报文头和报文体)对应组装成十个模拟查询请求,每个模拟查询请求针对一个预测对象的名称或标识。
步骤602、针对多个分流比例中的每一分流比例,确定所述分流模型对应所述每一分流比例的分流参数、所述第一预测模型和所述第二预测模型对应所述每一分流比例的总体的预测精度参数,获得分流参数集合和预测精度参数集合。其中,所述分流参数和所述预测精度参数根据所述分流模型按照所述每一分流比例,将所述多个模拟查询请求分流至所述第一预测模型、第二预测模型处理后得到。
例如,在本说明书一示例性实施例中,以上述的十个模拟查询请求为例。若预设的分流比例包括10:0、7:3、5:5和3:7(这里仅作为示例性举例,实际上分流比例的数量可以按需划分,本说明实施例对此不作限定)。其中,10:0表示所有模拟查询请求均被分流至第一预测模型进行业务风险预测;7: 3表示所有模拟查询请求中,70%的模拟查询请求被分流至第一预测模型进行业务风险预测,30%的模拟查询请求被分流至第二预测模型处理进行业务风险预测;以此类推。
在本说明书的实施例中,分流模型输出的分流参数可以表征对应的模拟查询请求被分流至第一预测模型的可能性。例如,在本说明书一示例性实施例中,若将十条第一参数组合数据分别输入至分流模型(即分别处理十个模拟查询请求),对应得到十个分流参数:0.2、0.25、0.35、0.37、0.41、0.44、0.49、0.52、0.53、0.58;若使分流模型按照分流比例7:3分流,则可以将分流模型输出的分流参数0.37,作为分流比例7:3下分流模型对应的分流参数,即分流参数不小于0.37的模拟查询请求分流至第一预测模型进行业务风险预测,分流参数小于0.37的模拟查询请求分流至第二预测模型进行业务风险预测。类似地,可以分别确定出10:0、5:5和3:7分流比例下,分流模型对应的分流参数。
在本说明书一示例性实施例中,以按照分流比例7:3分流上述十个模拟查询请求为例,可以计算七次查询请求使用第一预测模型进行业务风险预测的KS(Kolmogorov-Smirnov)值,并可以计算三次查询请求使用第二预测模型进行业务风险预测的KS值,并取这个十KS值的算术平均值,作为第一预测模型和第二预测模型在分流比例7:3下的总体的KS值。类似地,可以分别确定出10:0、5:5和3:7分流比例下,第一预测模型和第二预测模型的总体的KS值。
上述的KS值仅是预测精度参数的一种示例性举例说明,在本说明书另一些实施例中,预测精度参数也可以采用GINI、AUC或Lift等,本说明书实施例对此不做限定。
步骤603、确定所述预测精度参数集合中,达到预设阈值的最小预测精度参数。
其中,预设阈值是指由业务风险预测服务提供方自定义的预设阈值,该阈值可根据场景具体设置。
步骤604、将所述分流参数集合中,与所述最小预测精度参数对应的分流参数作为所述分流模型的分流阈值。
例如,在本说明书一示例性实施例中,以KS值为例,若按照上述的分流比例10:0、7:3、5:5和3:7,分别将上述十个模拟查询请求分流至第一预测模型、第二预测模型处理后,对应得到第一预测模型和第二预测模型总体的KS值分别为0.28、0.31、0.33、0.46;业务风险预测服务提供方自定义的预设阈值为0.3,则0.31、0.33、0.46均为达到预设阈值的KS值,且0.31是其中的最小值,则可以将分流比例10:0、7:3、5:5和3:7中,与0.31对应的分流比例(即7:3)作为分流模型的分流阈值。在本说明书的实施例中,由于不同的业务风险预测服务提供方对于业务风险识别成本和业务风险识别精度的需求不同,每个业务风险预测服务提供方均可以根据自身情况,自定义上述的预设阈值,进而可以获得个性化的分流阈值;如此,还可以满足不同业务风险预测服务提供方对识别成本和识别精度的个性化需求,使得业务风险预测具有更强的灵活性。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的业务风险预测方法对应,本说明书实施例还提供了一种业务风险预测装置,其可以配置于上述的服务端上,参考图7所示,在本说明书一些实施例中,业务风险预测装置可以包括:
请求接收模块71,用于接收针对指定对象业务风险的查询请求;
数据输入模块72,用于从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
分流预测模块73,用于当所述分流参数达到分流阈值时,从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险;当所述分流参数未达到分流阈值时,从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书的实施例还提供一种计算机设备。如图8所示,在本说明书一些实施例中,所述计算机设备802可以包括一个或多个处理器804,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施例中,存储器806上并可在处理器804上运行的计算机程序,所述计算机程序被所述处理器804运行时,可以执行上述任一实施例所述的业务风险预测方法的指令。非限制性的,比如,存储器806可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下,当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出接口810(I/O),其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口818(GUI)。在其他实施例中,还可以不包括输入/输出接口810(I/O)、输入设备812以及输出设备814,仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820,其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器,使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本说明书中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解,在本说明书实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种业务风险预测方法,其特征在于,包括:
接收针对指定对象业务风险的查询请求;
从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
如果所述分流参数达到分流阈值,则从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险,所述第一数据源为业务风险预测服务提供方的自有数据;
如果所述分流参数未达到分流阈值,则从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险,所述第二数据源为所述业务风险预测服务提供方获得的经授权的公开数据或第三方数据。
2.如权利要求1所述的业务风险预测方法,其特征在于,所述分流模型预先根据以下方式训练得到:
从所述第一数据源和所述第二数据源中随机抽取一部分数据形成数据集;
根据所述数据集中来源于所述第一数据源的数据样本构建不同参数组合的输入数据;
以所述不同参数组合的输入数据为输入,并以预设预测目标为目标输出,训练初始模型,直至训练得到的当前模型的评价参数满足预设条件,获得所述分流模型;其中,获得所述分流模型时的输入数据对应的参数组合为第一参数组合。
3.如权利要求2所述的业务风险预测方法,其特征在于,所述不同参数组合包括:任意两种及两种以上影响参数字段的至少部分组合。
4.如权利要求2所述的业务风险预测方法,其特征在于,所述预设预测目标通过以下方式确定:
根据第二参数组合,从所述数据集中选择多个目标对象的第一数据输入至所述第一预测模型,获得第一预测结果集合,所述第一数据来源于所述第一数据源;并根据第三参数组合,从所述数据集中选择所述多个目标对象的第二数据,输入至所述第二预测模型,获得第二预测结果集合,所述第二数据来源于所述第一数据源及所述第二数据源;
转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合;
识别所述第一参数集合和所述第二参数集合中的相等元素对集合、以及不等元素集合;其中,若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且相等,则所述第一元素和所述第二元素为相等元素对;若所述第一参数集合的第一元素和所述第二参数集合的第二元素对应同一目标对象且不等,则所述第一元素和所述第二元素为不等元素对;
将所述第一数据和所述第二数据中,与所述相等元素对集合对应的数据标记为第一值;并将所述第一数据和所述第二数据中,与所述不等元素对集合对应的数据标记为第二值;其中,所述第一值表示预测结果一致,所述第二值表示预测结果不一致。
5.如权利要求4所述的业务风险预测方法,其特征在于,所述转换所述第一预测结果集合中的第一预测结果为第一参数,获得第一参数集合;并转换所述第二预测结果集合中的第二预测结果为第二参数,获得第二参数集合,包括:
按照预设的转换规则,转换所述第一预测结果集合中的第一预测结果为第一中间参数,获得第一中间参数集合;并按照所述转换规则,转换所述第二预测结果集合中的第二预测结果为第二中间参数,获得第二中间参数集合;
将所述第一中间参数集合中第一中间参数的取值范围,按照指定分位数划分为多个第一中间参数区间;并将所述第二中间参数集合中第二中间参数的取值范围,按照所述指定分位数划分为多个第二中间参数区间;
按照预设的映射规则,将所述第一中间参数集合中,落入相同第一中间参数区间内的第一中间参数赋予相同值,获得第一参数集合;并按照所述映射规则,将所述第二中间参数集合中,落入相同第二中间参数区间内的第二中间参数赋予相同值。
6.如权利要求2所述的业务风险预测方法,其特征在于,所述分流阈值预先根据以下方式获得:
根据所述第一参数组合从所述第一数据源获取数据,并根据获取的数据生成多个模拟查询请求;
针对多个分流比例中的每一分流比例,确定所述分流模型对应所述每一分流比例的分流参数、所述第一预测模型和所述第二预测模型对应所述每一分流比例的总体的预测精度参数,获得分流参数集合和预测精度参数集合;其中,所述分流参数和所述预测精度参数根据所述分流模型按照所述每一分流比例,将所述多个模拟查询请求分流至所述第一预测模型、第二预测模型处理后得到;
确定所述预测精度参数集合中,达到预设阈值的最小预测精度参数;
将所述分流参数集合中,与所述最小预测精度参数对应的分流参数作为所述分流模型的分流阈值。
7.一种业务风险预测装置,其特征在于,包括:
请求接收模块,用于接收针对指定对象业务风险的查询请求;
数据输入模块,用于从第一数据源中获取与所述指定对象对应的第一参数组合数据,并将所述第一参数组合数据输入至预训练的分流模型,获得分流参数;
分流预测模块,用于当所述分流参数达到分流阈值时,从所述第一数据源中获取与所述指定对象对应的第二参数组合数据,并将所述第二参数组合数据输入至预训练的第一预测模型,获得所述指定对象的业务风险;当所述分流参数未达到分流阈值时,从第二数据源及所述第一数据源中获取所述指定对象对应的第三参数组合数据,并将所述第三参数组合数据输入至预训练的第二预测模型,获得所述指定对象的业务风险;所述第一数据源为业务风险预测服务提供方的自有数据;所述第二数据源为所述业务风险预测服务提供方获得的经授权的公开数据或第三方数据。
8.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211098.9A CN117787727B (zh) | 2024-02-26 | 2024-02-26 | 业务风险预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211098.9A CN117787727B (zh) | 2024-02-26 | 2024-02-26 | 业务风险预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787727A CN117787727A (zh) | 2024-03-29 |
CN117787727B true CN117787727B (zh) | 2024-05-31 |
Family
ID=90381893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410211098.9A Active CN117787727B (zh) | 2024-02-26 | 2024-02-26 | 业务风险预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787727B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
CN113095408A (zh) * | 2021-04-14 | 2021-07-09 | 中国工商银行股份有限公司 | 风险的确定方法、装置和服务器 |
CN115018210A (zh) * | 2022-08-08 | 2022-09-06 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务数据分类预测方法、装置、计算机设备和存储介质 |
CN115115157A (zh) * | 2021-03-23 | 2022-09-27 | 顺丰科技有限公司 | 逾期风险预测方法、装置、计算机设备和存储介质 |
CN117036001A (zh) * | 2023-08-14 | 2023-11-10 | 中国工商银行股份有限公司 | 交易业务的风险识别处理方法、装置、设备及存储介质 |
-
2024
- 2024-02-26 CN CN202410211098.9A patent/CN117787727B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
CN115115157A (zh) * | 2021-03-23 | 2022-09-27 | 顺丰科技有限公司 | 逾期风险预测方法、装置、计算机设备和存储介质 |
CN113095408A (zh) * | 2021-04-14 | 2021-07-09 | 中国工商银行股份有限公司 | 风险的确定方法、装置和服务器 |
CN115018210A (zh) * | 2022-08-08 | 2022-09-06 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务数据分类预测方法、装置、计算机设备和存储介质 |
CN117036001A (zh) * | 2023-08-14 | 2023-11-10 | 中国工商银行股份有限公司 | 交易业务的风险识别处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117787727A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020220823A1 (zh) | 用于构建决策树的方法和装置 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN111783875A (zh) | 基于聚类分析的异常用户检测方法、装置、设备及介质 | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
CN111582341B (zh) | 用户异常操作预测方法及装置 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN111882426B (zh) | 业务风险分类器训练方法、装置、设备及存储介质 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN110941644B (zh) | 保单数据生成方法、装置、设备及存储介质 | |
CN109345371A (zh) | 个人征信报告回溯方法及系统 | |
CN117787727B (zh) | 业务风险预测方法、装置、设备及存储介质 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN112751785A (zh) | 待处理请求发送方法、装置、计算机设备及存储介质 | |
CN117036001A (zh) | 交易业务的风险识别处理方法、装置、设备及存储介质 | |
CN116541792A (zh) | 一种基于图神经网络节点分类进行团伙识别的方法 | |
CN115545943A (zh) | 一种图谱的处理方法、装置及设备 | |
CN113742593A (zh) | 用于推送信息的方法和装置 | |
US20230222579A1 (en) | Method and Apparatus for Iterating Credit Scorecard Model, Electronic Device and Storage Medium | |
CN111738536B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
CN111768305B (zh) | 反洗钱识别方法及装置 | |
CN115795289B (zh) | 特征识别方法、装置、电子设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN118114982A (zh) | 一种基于图特征的企业风险传导预测方法、系统及介质 | |
CN117874491A (zh) | 一种特征提取方法及装置 | |
CN118245341A (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |