CN117993709A - 价值风险信息生成方法、装置、设备和计算机可读介质 - Google Patents
价值风险信息生成方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117993709A CN117993709A CN202410122222.4A CN202410122222A CN117993709A CN 117993709 A CN117993709 A CN 117993709A CN 202410122222 A CN202410122222 A CN 202410122222A CN 117993709 A CN117993709 A CN 117993709A
- Authority
- CN
- China
- Prior art keywords
- curve
- data trend
- data
- target
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 268
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了价值风险信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:获取产品价值流转数据序列和产品价值现状信息;对于每个相似对象,执行生成步骤:对历史产品价值流转数据序列进行数据截取;确定数据趋势变化曲线和至少一个相似数据趋势变化曲线;对数据趋势变化曲线进行曲线预测扩展,以生成扩展数据趋势变化曲线,对至少一个相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;筛选目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;生成价值风险信息。该实施方式可以针对目标对象和目标产品来生成更为精准地生成价值风险信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及价值风险信息生成方法、装置、设备和计算机可读介质。
背景技术
目前,针对目标客户/用户的价值风险检测成为当前各个行业的重点发展方向。对于目标对象对应的价值风险信息的生成,通常采用的方式为:首先,通过人为分析目标对象的历史价值流转数据序列,来生成目标对象对应的各种价值数据指标。然后,根据各个价值数据指标,来确定目标对象的价值风险信息。
然而,发明人发现,当采用上述方式,经常会存在如下技术问题一:
历史价值流转数据序列的分析工作量较大,且针对各种价值数据指标而生成的价值风险信息的精准性不能得到有效地保障,导致对目标对象的价值风险判断存在较大偏差。
在采用技术方案来解决上述技术问题一的过程中,往往又会伴随着如下技术问题二:如何精准地确定与调整数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的曲线,以通过补充与目标对象之间相似对象的价值流转信息,以保障后续更精准地生成针对目标对象的价值风险信息。针对上述技术问题二,常规的解决方案一般是:通过比对曲线之间的各个曲线指标来确定与调整数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的曲线。然而,上述常规解决方案依然存在如下问题:所考虑的曲线的特征有限,导致所缺的曲线不够精准。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了价值风险信息生成方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种价值风险信息生成方法,包括:获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长;确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;根据上述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。
第二方面,本公开的一些实施例提供了一种价值风险信息生成装置,包括:获取单元,被配置成获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;执行单元,被配置成对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长;确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;生成单元,被配置成根据上述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的价值风险信息生成方法可以针对目标对象和目标产品来生成更为精准地生成价值风险信息。具体来说,造成相关的价值风险信息不够精确的原因在于:历史价值流转数据序列的分析工作量较大,且针对各种价值数据指标而生成的价值风险信息的精准性不能得到有效地保障,导致对目标对象的价值风险判断存在较大偏差。基于此,本公开的一些实施例的价值风险信息生成方法,首先,获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息,以作为支持数据来确定后续价值风险信息。然后,对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:第一步,根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长,以进一步补充针对目标对象的价值特征数据序列,以保障后续在更多的数据支持下,来生成更为精准地价值风险信息。第二步,确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线,以筛选出与目标对象对应的更匹配的数据曲线,来后续生成更为精准地价值风险信息。第三步,对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线,以便于数据趋势变化曲线和至少一个相似数据趋势变化曲线进行曲线匹配组合。第四步,从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线,以用于后续生成更为精准地价值风险信息。最后,根据上述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,可以在大量针对目标对象的数据基础下来精准地生成针对上述目标对象的价值风险信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的价值风险信息生成方法的一些实施例的流程图;
图2是根据本公开的价值风险信息生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的价值风险信息生成方法的一些实施例的流程100。该价值风险信息生成方法,包括以下步骤:
步骤101,获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息。
在一些实施例中,上述价值风险信息生成方法的执行主体可以通过有线连接方式或者无线连接方式来获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息。其中,目标对象可以是待进行价值风险检测的对象。实践中,目标对象可以是目标用户,也可以是目标企业。目标历史时间段可以是预先设置的、针对当前时间的历史时间段。例如,目标历史时间段可以是当前时间的前半年时间段。目标价值产品可以是与价值流转相关的产品。实践中,针对金融领域,目标价值产品可以是投资产品,也可以是相关征信产品。价值流转可以是但不限于以下至少一项:价值消费,价值存入,价值投出。产品价值流转数据序列可以是针对目标价值产品的价值流转数据序列。例如,产品价值流转数据可以是相关征信产品的征信消费数据和征信信用数据。产品价值现状信息可以表征目标对象在对目标价值产品所操作时的当前现状。例如,产品价值现状信息可以包括:针对目标价值产品的当前投入资金、针对目标价值产品的当前消费资金、针对目标价值产品的当前对象使用信用。
步骤102,对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:
步骤1021,根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列。
在一些实施例中,上述执行主体可以根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列。其中,相似对象集中的相似对象可以是与目标对象存在相似对象特征的对象。例如,相似对象特征可以是相似消费特征,还可以是相似产品使用经历特征。实践中,相似对象集的生成可以是基于对象画像所划分的。具体实现方式不再赘述。历史产品价值流转数据序列可以是相似对象所对应的、在预定历史时间段内的产品价值流转数据序列。其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长。例如目标历史时间段是半年,则历史产品价值流转数据子序列对应时长可以是一年。
作为示例,首先,上述执行主体可以根据历史产品价值流转数据序列,确定各个时间点对应的产品使用现状,得到至少一个产品使用现状信息。然后,从上述至少一个产品使用现状信息中筛选出与上述产品价值现状信息之间的现状相似度达到预设程度的产品使用现状信息,得到至少一个目标产品使用现状信息。接着,根据上述至少一个目标产品使用现状信息对应的至少一个时间点,对上述历史产品价值流转数据序列进行数据截取,得到至少一个候选历史产品价值流转数据子序列。最后,根据每个候选历史产品价值流转数据子序列对应的时长,对至少一个候选历史产品价值流转数据子序列中的各个候选历史产品价值流转数据子序列进行序列组合,以使得组合后的每个组合历史产品价值流转数据子序列对应上次大于上述目标历史时间段对应时长,得到至少一个历史产品价值流转数据子序列。即,对至少一个候选历史产品价值流转数据子序列中对应时长小于候选历史产品价值流转数据子序列的序列进行临近组合。
步骤1022,确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线。
在一些实施例中,上述执行主体可以确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线。其中,数据趋势变化曲线可以是表征产品价值流转数据序列对应价值流转数据的变化情况的曲线。实践中,数据趋势变化曲线可以是针对目标坐标系下的曲线。目标坐标系可以是以产品价值流转数据对应的实际数值为Y轴,对应时间为X轴的坐标系。实践中,相似数据趋势变化曲线也可以是针对历史产品价值流转数据子序列的、处于上述目标坐标下的曲线。
作为示例,上述执行主体可以对产品价值流转数据序列中的各个数据和对应的各个时间在目标坐标轴进行显性体现,以生成数据趋势变化曲线。至少一个相似数据趋势变化曲线的曲线生成方式可以类似。
步骤1023,对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线。
在一些实施例中,上述执行主体可以对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线。
在一些实施例的一些可选的实现方式中,上述对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线,可以包括以下步骤:
第一步,确定上述数据趋势变化曲线在目标坐标系中预定横坐标集下的对应纵坐标集,以及确定上述数据趋势变化曲线在上述目标坐标系中预定纵坐标集下的对应横坐标集。其中,预定横坐标集中的预定横坐标可以是对应横坐标数值预先设置的坐标值。例如,针对横坐标为时间,则可以将每日对应的时间确定为预定横坐标对应的值。预定纵坐标集中的预定纵坐标可以是对应纵坐标数值预先设置的坐标值。例如,针对纵坐标为时间,则可以将产品价值流转数据对应的预设数值确定为预定纵坐标对应的值。
第二步,将上述预定横坐标集和上述纵坐标集进行坐标组合,以生成第一坐标集,以及将上述横坐标集和上述预定纵坐标集进行坐标组合,以生成第二坐标集。
第三步,确定上述数据趋势变化曲线中的凹点坐标集和凸点坐标集。其中,凹点坐标集中的凹点坐标可以是数据趋势变化曲线中凹点对应的坐标。凸点坐标集中的凸点坐标可以是数据趋势变化曲线中凸点对应的坐标。
第四步,依据横坐标依次排序的顺序,将上述第一坐标集、上述第二坐标集、上述凹点坐标集和凸点坐标集进行坐标顺序组合,以生成第一坐标序列。
第五步,确定针对上述数据趋势变化曲线的待预测历史时间段和待预测未来时间段。其中,待预测历史时间段可以是预先设置的、待进行对应产品价值流转预测的历史时间段。待预测未来时间段可以是预先设置的、待进行对应产品价值流转预测的未来时间段。
第六步,根据上述第一坐标序列,利用历史产品价值流转信息预测模型,生成针对上述待预测历史时间段的第一历史产品价值流转预测信息序列。其中,历史产品价值流转信息预测模型可以是预测历史时间段内的产品价值流转信息的模型。实践中,历史产品价值流转信息预测模型可以是多层串联连接的LSTM模型。
作为示例,首先,上述执行主体可以对第一坐标序列中的各个第一坐标进行坐标数据转换,以生成数据序列。然后,对数据序列中的各个数据进行数据预处理,得到预处理数据序列。最后,将预处理数据序列输入至上述历史产品价值流转信息预测模型,以生成第一历史产品价值流转预测信息序列。
第七步,生成针对上述第一历史产品价值流转预测信息序列的第一历史预测数据趋势变化曲线。
作为示例,上述执行主体可以将第一历史产品价值流转预测信息序列中的各个数据和对应的各个时间在目标坐标轴进行显性体现,以生成第一历史预测数据趋势变化曲线。
第八步,生成针对上述第一历史预测数据趋势变化曲线的第二坐标序列。具体实现方式可以参见第一坐标序列的生成。
第九步,根据上述第一坐标序列和上述第二坐标序列,利用未来产品价值流转信息预测模型,生成针对上述待预测未来时间段的第一未来产品价值流转预测信息序列。其中,未来产品价值流转信息预测模型可以是针对未来时间段的未来产品价值流转信息的预测模型。实践中,未来产品价值流转信息预测模型可以是多个串联连接的LSTM模型。具体地,第一未来产品价值流转预测信息序列的具体实现方式可以参见
第十步,生成针对上述第一未来产品价值流转预测信息序列的第一未来预测数据趋势变化曲线。具体实现方式可以参见第一历史预测数据趋势变化曲线的生成。
十一步,根据上述第一历史预测数据趋势变化曲线、上述数据趋势变化曲线和上述第一未来预测数据趋势变化曲线,生成上述扩展数据趋势变化曲线。
可选地,上述根据上述第一历史预测数据趋势变化曲线、上述数据趋势变化曲线和上述第一未来预测数据趋势变化曲线,生成上述扩展数据趋势变化曲线,可以包括以下步骤:
第一步,根据上述第一坐标序列,利用上述未来产品价值流转信息预测模型,生成针对上述待预测未来时间段的第二未来产品价值流转预测信息序列。具体实现方式可以参见第一未来产品价值流转预测信息序列的生成。不同的是,这里的输入是第一坐标序列。
第二步,生成针对上述第二未来产品价值流转预测信息序列的第二未来预测数据趋势变化曲线。具体实现方式不再赘述。
第三步,生成针对上述第二未来预测数据趋势变化曲线的第三坐标序列。具体实现方式不再赘述。
第四步,根据上述第一坐标序列和上述第三坐标序列,利用上述历史产品价值流转信息预测模型,生成针对上述待预测历史时间段的第二历史产品价值流转预测信息序列。具体实现方式不再赘述。
第五步,生成针对上述第二历史产品价值流转预测信息序列的第二历史预测数据趋势变化曲线。具体实现方式不再赘述。
第六步,确定上述未来产品价值流转信息预测模型对应的模型精准信息和上述历史产品价值流转信息预测模型对应的模型精准信息,分别作为第一模型精准信息和第二模型精准信息。其中,模型精准信息可以是模型预测输出结果的准确度。实践中,可以通过预先获取的数据集,来确定未来产品价值流转信息预测模型对应的模型精准信息和上述历史产品价值流转信息预测模型对应的模型精准信息。第一模型精准信息和第二模型精准信息可以是0-1之间的数值,数值越大,表征对应模型的精准性越高。
第七步,根据上述第一模型精准信息和上述第二模型精准信息,生成上述第一历史预测数据趋势变化曲线对应的第一曲线重要程度、上述第二历史预测数据趋势变化曲线对应的第二曲线重要程度、上述第一未来预测数据趋势变化曲线对应的第三曲线重要程度、上述第二未来预测数据趋势变化曲线对应的第四曲线重要程度。
作为示例,首先,上述执行主体可以将第二模型精准信息确定为第一曲线重要程度。然后,可以将第二模型精准信息乘以第一数值,得到第一相乘结果,以及将第一模型精准信息乘以第二数值,得到第二相乘结果。其中,第一数值大于第二数值。将第一相乘数值与第二相乘数值进行相加,得到第一相加结果,作为第二曲线重要程度。接着,将第一模型精准信息确定为第三曲线重要程度。最后,可以将第一模型精准信息乘以第一数值,得到第三相乘结果,将第二模型精准信息乘以第二数值,得到第四相乘结果。其中,第一数值大于第二数值。将第三相乘数值与第四相乘数值进行相加,得到第二相加结果,作为第四曲线重要程度。
第八步,根据上述第一曲线重要程度、上述第二曲线重要程度、上述第三曲线重要程度、上述第四曲线重要程度、上述第一历史预测数据趋势变化曲线、上述第二历史预测数据趋势变化曲线、上述第一未来预测数据趋势变化曲线、上述第二未来预测数据趋势变化曲线,生成上述扩展数据趋势变化曲线。
可选地,上述根据上述第一曲线重要程度、上述第二曲线重要程度、上述第三曲线重要程度、上述第四曲线重要程度、上述第一历史预测数据趋势变化曲线、上述第二历史预测数据趋势变化曲线、上述第一未来预测数据趋势变化曲线、上述第二未来预测数据趋势变化曲线,生成上述扩展数据趋势变化曲线,可以包括以下步骤:
第一步,确定针对上述第二历史预测数据趋势变化曲线的第四坐标序列和针对上述第一未来预测数据趋势变化曲线的第五坐标序列。
第二步,将上述第二坐标序列中的各个坐标与上述第一曲线重要程度进行相乘,得到第一相乘坐标序列。
第三步,将上述第四坐标序列中的各个坐标与上述第二曲线重要程度进行相乘,得到第二相乘坐标序列。
第四步,将上述第一相乘坐标序列中的第一相乘坐标与上述第二相乘坐标序列中的第二相乘坐标进行坐标值相加,得到第一相加坐标序列。
第五步,将上述第五坐标序列中的各个坐标与上述第三曲线重要程度进行相乘,得到第三相乘坐标序列。
第六步,将上述第三坐标序列中的各个坐标与上述第四曲线重要程度进行相乘,得到第四相乘坐标序列。
第七步,将上述第三相乘坐标序列中的第三相乘坐标与上述第四相乘坐标序列中的第四相乘坐标进行坐标值相加,得到第二相加坐标序列。
第八步,生成针对上述第一相加坐标序列的第三历史预测数据趋势变化曲线和针对上述第二相加坐标序列的第三未来预测数据趋势变化曲线。
第九步,将上述数据趋势变化曲线、上述第三历史预测数据趋势变化曲线和上述第三未来预测数据趋势变化曲线进行曲线拼接,以生成拼接曲线,作为上述第三历史预测数据趋势变化曲线。
步骤1024,从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线。
在一些实施例中,上述执行主体可以从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线。目标预设条件可以是目标调整数据趋势变化曲线与扩展数据趋势变化曲线之间的曲线变化相似程度大于目标数值的曲线。
在一些实施例的一些可选的实现方式中,上述从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线,可以包括以下步骤:
第一步,生成针对上述扩展数据趋势变化曲线的增强数据趋势变化曲线集。其中,上述增强数据趋势变化曲线集包括:正向增强数据趋势变化曲线集和负向增强数据趋势变化曲线集。其中,正向增强数据趋势变化曲线可以是与扩展数据趋势变化曲线之间的数据变化趋势方向一致的曲线。负向增强数据趋势变化曲线可以是与扩展数据趋势变化曲线之间的数据变化趋势方向不一致的曲线。
第二步,将上述至少一个调整数据趋势变化曲线、上述增强数据趋势变化曲线集和上述扩展数据趋势变化曲线进行曲线组合,以生成变化曲线集。
第三步,对上述变化曲线集中的各个曲线进行曲线聚类,以生成曲线簇集。
第四步,从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线处于同一曲线簇的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线。
可选地,上述对上述变化曲线集中的各个曲线进行曲线聚类,以生成曲线簇集,可以包括以下步骤:
第一步,确定上述变化曲线集中的每个变化曲线对应的曲线指标信息组。其中,曲线指标信息集中的曲线指标信息可以是曲线指标对应的指标值。具体的,针对曲线的曲线指标集可以是预先设置的。例如,曲线指标集可以包括但不限于以下至少一项:MA指标(移动平均线),MACD指标(平滑异同移动平均线),KDJ指标(随机指标)。
第二步,根据所得到的曲线指标信息组集,对上述变化曲线集中的各个曲线进行曲线聚类,以生成初始曲线簇集。
作为示例,上述执行主体可以将曲线指标信息组集作为聚类数据源,来对上述变化曲线集中的各个曲线进行曲线聚类,以生成初始曲线簇集。
第三步,对于上述初始曲线簇集中的每个初始曲线簇,执行以下校验步骤:
第一子步骤,随机从上述初始曲线簇中获取两个曲线,分别作为第一曲线和第二曲线。
第二子步骤,确定上述第一曲线、上述第二曲线和第一目标曲线之间的趋势变化差异信息。其中,上述第一目标曲线是上述初始曲线簇对应的簇中心的曲线。其中,趋势变化差异信息可以包括:表征第一曲线与第一目标曲线之间的曲线趋势变化差异的信息和表征第二曲线与第一目标曲线之间的曲线趋势变化差异的信息。曲线趋势变化差异可以表征两个曲线之间的发展趋势变化。
第三子步骤,确定上述第一曲线、上述第二曲线与上述第一目标曲线之间的纵坐标区间范围差异和横坐标区间范围差异。纵坐标区间范围差异可以包括:表征第一曲线与第一目标曲线之间的纵坐标区间大小范围之间的差异值和表征第二曲线与第一目标曲线之间的纵坐标区间大小范围之间的差异值。
第四子步骤,确定与上述初始曲线簇之间对应簇距离小于目标聚类的曲线簇,得到至少一个曲线簇。其中,簇距离可以是两个曲线簇之间最相近的两个曲线之间的曲线距离。具体的两个曲线之间的曲线距离可以通过曲线对应各个曲线指标信息来进行加权求得。
第五子步骤,确定上述至少一个曲线簇对应的至少一个第二目标曲线。其中,第二目标曲线是曲线簇对应的簇中心曲线。
第六子步骤,对于上述至少一个第二目标曲线中的每个第二目标曲线,确定上述第一曲线、上述第二曲线与上述第二目标曲线之间曲线差异距离,得到第一差异距离和第二差异距离。
第七子步骤,确定上述第一曲线、上述第二曲线与上述第一目标曲线之间的曲线差异距离,得到第三差异距离和第四差异距离。
第八子步骤,响应于确定上述趋势变化差异信息满足第一差异条件、上述纵坐标区间范围差异和横坐标区间范围差异满足第二差异条件、上述第三差异距离小于至少一个第一差异距离、上述第四差异距离小于至少一个第二差异距离,生成表征上述初始曲线簇无误的确认信息。第一差异条件可以是趋势变化差异信息为处于第一差异区间内的信息。第二差异条件可以是纵坐标区间范围差异和横坐标区间范围差异为处于第二差异区间内的信息。
第四步,根据所得到的确认信息集,生成曲线簇集。
作为示例,响应于确定上述确认信息集中的所有确认信息均表征所有差异信息均满足对应的条件,将初始曲线簇集确定为曲线簇集。
考虑到上述常规解决方案的问题,面对上述技术问题二:所考虑的曲线的特征有限,导致所缺的曲线不够精准。结合所拥有的优势/技术现状,可以决定采用如下解决方案。
在一些实施例的一些可选的实现方式中,上述从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线,可以包括以下步骤:
第一步,确定上述扩展数据趋势变化曲线对应的凸曲线时间段,得到凸曲线时间段集。其中,凸曲线时间段可以是对应曲线趋势为凸趋势的时间段。
第二步,根据上述凸曲线时间段集,对上述扩展数据趋势变化曲线进行曲线切割,以生成第一切割后曲线集。其中,第一切割后曲线集包括凸曲线时间段集对应的、属于上述扩展数据趋势变化曲线中的曲线段集。
第三步,对于上述至少一个调整数据变化曲线中的每个调整数据变化曲线,执行以下第一信息生成步骤:
第一子步骤,根据上述凸曲线时间段集,对上述调整数据变化曲线进行曲线切割,以生成第二切割后曲线集。
第二子步骤,生成上述第一切割后曲线集和上述第二切割后曲线集对应的曲线升降趋势相似信息。其中,曲线升降趋势相似信息可以是0-1之间的数值。数值越大,表征上述第一切割后曲线集对应的曲线升降趋势和上述第二切割后曲线集对应的曲线升降趋势越相似。即对应各个凸曲线时间段内的第一切割后曲线和对应各个凸曲线时间段内的第二切割后曲线之间的曲线升降趋势相同与曲线升降趋势不相同之间的比例为曲线升降趋势相似信息。
第四步,从上述至少一个调整数据变化曲线中筛选出对应曲线升降趋势相似信息大于第一固定数值的调整数据变化曲线,作为预定数据变化曲线,得到至少一个预定数据变化曲线。
第五步,对于上述至少一个调整数据变化曲线中的每个调整数据变化曲线,执行以下第二信息生成步骤:
第一子步骤,设置上述凸曲线时间段集中的每个凸曲线时间段对应的时间段权重信息,得到时间段权重信息集。其中,时间段权重信息可以表征第一切割后曲线对应的曲线重要程度。
第二子步骤,对于上述调整数据变化曲线对应第二切割后曲线集中的每个第二切割后曲线,执行以下第三信息生成步骤:
子步骤1,将上述第二切割后曲线和对应第一切割后曲线进行关键点取样,以生成第二切割后关键点集和第一切割后关键点集。其中,第二切割后关键点集中的第二切割后关键点和第一切割后关键集点中的第一切割后关键点之间存在时间对应关系。上述第二切割后曲线和对应第一切割后曲线之间的时间段相同。
子步骤2,将第二切割后关键点集和第一切割后关键点集对应输入至时序神经网络模型,以生成曲线相似信息。其中,时序神经网络模型可以是Transformer模型。曲线相似信息可以表征第二切割后曲线和对应第一切割后曲线之间的曲线相似度。
第三子步骤,将所得到的曲线相似度集中的曲线相似度与上述时间段权重信息集中的时间段权重信息进行对应相乘,以生成相乘结果集。
第四子步骤,将上述相乘结果集中的各个相乘结果进行相加,以生成相加结果。
第六步,从所得到的至少一个相加结果中筛选出对应相加结果大于第二固定数值的相加结果,得到相加结果集。
第七步,将相加结果集对应的调整数据趋势变化曲线集确定为至少一个目标调整数据趋势变化曲线。
上述在一些实施例的一些可选的实现方式中以及可选的内容,作为本公开的一个发明点,解决了背景技术二提及的技术问题“所考虑的曲线的特征有限,导致所缺的曲线不够精准”。基于此,首先,本公开,首先,通过确定凹曲线时间段集,以便于至少一个调整数据变化曲线中的各个曲线片段与扩展数据趋势变化曲线中的各个曲线片段进行片段比对,来得到至少一个预定数据变化曲线。然后,通过时间段权重信息集和时序神经网络模型,来进一步精细化的匹配各个时间片段上的曲线特征信息,以及考虑到各个时间片段上的特征重要性,来后续更为精准地筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的至少一个目标调整数据趋势变化曲线,以保障后续生成更为精准地价值风险信息。
步骤103,根据上述数据趋势变化曲线和上述至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。
在一些实施例中,上述执行主体可以根据上述数据趋势变化曲线和上述至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。价值风险信息可以表征目标对象使用目标价值产品来执行对应的价值操作的风险信息。实践中,价值风险信息可以是分数信息。分数值越大,表征风险越大。
作为示例,首先,提取上述数据趋势变化曲线中的预定时间点集对应的第一预定趋势数据集。以及提取至少一个目标调整数据趋势变化曲线集中的每个目标调整数据趋势变化曲线对应的第二预定趋势数据集,得到至少一个第二预定趋势数据集。接着,将第一预定趋势数据集和至少一个第二预定趋势数据集进行对应时间点组合,以生成预定趋势数据三元组集,其中,预定趋势三元组包括:第一预定趋势数据和时间对应的至少一个第二预定趋势数据。最后,将预定趋势数据三元组集依次输入至第一循环神经网络模型,以输出价值风险信息。
作为又一个示例,首先,上述执行主体可以将数据趋势变化曲线对应的第一预定趋势数据集输入至第二循环神经网络模型,以生成第一候选风险信息。然后,将至少一个第二预定趋势数据集中的每个第二预定趋势数据集输入至第二循环神经网络模型,以生成第二候选风险信息,得到至少一个第二候选风险信息。最后,将第一候选风险信息和至少一个第二候选风险信息进行加权求和,以生成加权求和数值,作为价值风险信息。
在一些实施例的一些可选的实现方式中,在步骤103之后,步骤还包括:
第一步,响应于确定上述价值风险信息表征存在风险,将上述价值风险信息、上述目标对象对应的对象信息、上述产品价值流转数据序列和上述产品价值现状信息进行打包,以生成对象打包数据。
第二步,将上述对象打包数据导入至目标存储设备的存储空间。其中,目标存储设备可以是与执行主体相连接的用于存储风险数据的设备。
第三步,利用预先设置的空间检测进程,实时检测目标存储空间对应的数据存储字节是否发生变化。其中,空间检测进程可以是实时监测目标存储设备所存储的数据量变化信息。
第四步,响应于确定变化,对上述对象打包数据进行标记,以及发送针对上述对象打包数据的警示信息给相关价值风险监测用户终端。对上述对象打包数据进行标记可以是对对象打包数据进行标红处理。价值风险监测用户终端可以是实时监测价值风险发生情况的终端。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的价值风险信息生成方法可以针对目标对象和目标产品来生成更为精准地生成价值风险信息。具体来说,造成相关的价值风险信息不够精确的原因在于:历史价值流转数据序列的分析工作量较大,且针对各种价值数据指标而生成的价值风险信息的精准性不能得到有效地保障,导致对目标对象的价值风险判断存在较大偏差。基于此,本公开的一些实施例的价值风险信息生成方法,首先,获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息,以作为支持数据来确定后续价值风险信息。然后,对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:第一步,根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长,以进一步补充针对目标对象的价值特征数据序列,以保障后续在更多的数据支持下,来生成更为精准地价值风险信息。第二步,确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线,以筛选出与目标对象对应的更匹配的数据曲线,来后续生成更为精准地价值风险信息。第三步,对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线,以便于数据趋势变化曲线和至少一个相似数据趋势变化曲线进行曲线匹配组合。第四步,从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线,以用于后续生成更为精准地价值风险信息。最后,根据上述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,可以在大量针对目标对象的数据基础下来精准地生成针对上述目标对象的价值风险信息。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种价值风险信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该价值风险信息生成装置具体可以应用于各种电子设备中。
如图2所示,一种价值风险信息生成装置200包括:获取单元201、执行单元202和生成单元203。其中,获取单元201,被配置成获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;执行单元202,被配置成对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长;确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;生成单元203,被配置成根据上述数据趋势变化曲线和上述至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。
可以理解的是,该价值风险信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于价值风险信息生成装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;对于上述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:根据上述产品价值现状信息,对上述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,上述历史产品价值流转数据序列对应时长大于或等于上述目标历史时间段对应时长;确定上述产品价值流转数据序列对应的数据趋势变化曲线和上述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;对上述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对上述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;从上述至少一个调整数据趋势变化曲线中筛选出与上述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;根据上述数据趋势变化曲线和上述至少一个目标调整数据趋势变化曲线集,生成针对上述目标对象的价值风险信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、执行单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种价值风险信息生成方法,包括:
获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;
对于所述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:
根据所述产品价值现状信息,对所述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,所述历史产品价值流转数据序列对应时长大于或等于所述目标历史时间段对应时长;
确定所述产品价值流转数据序列对应的数据趋势变化曲线和所述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;
对所述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对所述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;
从所述至少一个调整数据趋势变化曲线中筛选出与所述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;
根据所述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,生成针对所述目标对象的价值风险信息。
2.根据权利要求1所述的方法,其中,所述对所述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对所述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线,包括:
确定所述数据趋势变化曲线在目标坐标系中预定横坐标集下的对应纵坐标集,以及确定所述数据趋势变化曲线在所述目标坐标系中预定纵坐标集下的对应横坐标集;
将所述预定横坐标集和所述纵坐标集进行坐标组合,以生成第一坐标集,以及将所述横坐标集和所述预定纵坐标集进行坐标组合,以生成第二坐标集;
确定所述数据趋势变化曲线中的凹点坐标集和凸点坐标集;
依据横坐标依次排序的顺序,将所述第一坐标集、所述第二坐标集、所述凹点坐标集和凸点坐标集进行坐标顺序组合,以生成第一坐标序列;
确定针对所述数据趋势变化曲线的待预测历史时间段和待预测未来时间段;
根据所述第一坐标序列,利用历史产品价值流转信息预测模型,生成针对所述待预测历史时间段的第一历史产品价值流转预测信息序列;
生成针对所述第一历史产品价值流转预测信息序列的第一历史预测数据趋势变化曲线;
生成针对所述第一历史预测数据趋势变化曲线的第二坐标序列;
根据所述第一坐标序列和所述第二坐标序列,利用未来产品价值流转信息预测模型,生成针对所述待预测未来时间段的第一未来产品价值流转预测信息序列;
生成针对所述第一未来产品价值流转预测信息序列的第一未来预测数据趋势变化曲线;
根据所述第一历史预测数据趋势变化曲线、所述数据趋势变化曲线和所述第一未来预测数据趋势变化曲线,生成所述扩展数据趋势变化曲线。
3.根据权利要求2所述的方法,其中,所述根据所述第一历史预测数据趋势变化曲线、所述数据趋势变化曲线和所述第一未来预测数据趋势变化曲线,生成所述扩展数据趋势变化曲线,包括:
根据所述第一坐标序列,利用所述未来产品价值流转信息预测模型,生成针对所述待预测未来时间段的第二未来产品价值流转预测信息序列;
生成针对所述第二未来产品价值流转预测信息序列的第二未来预测数据趋势变化曲线;
生成针对所述第二未来预测数据趋势变化曲线的第三坐标序列;
根据所述第一坐标序列和所述第三坐标序列,利用所述历史产品价值流转信息预测模型,生成针对所述待预测历史时间段的第二历史产品价值流转预测信息序列;
生成针对所述第二历史产品价值流转预测信息序列的第二历史预测数据趋势变化曲线;
确定所述未来产品价值流转信息预测模型对应的模型精准信息和所述历史产品价值流转信息预测模型对应的模型精准信息,分别作为第一模型精准信息和第二模型精准信息;
根据所述第一模型精准信息和所述第二模型精准信息,生成所述第一历史预测数据趋势变化曲线对应的第一曲线重要程度、所述第二历史预测数据趋势变化曲线对应的第二曲线重要程度、所述第一未来预测数据趋势变化曲线对应的第三曲线重要程度、所述第二未来预测数据趋势变化曲线对应的第四曲线重要程度;
根据所述第一曲线重要程度、所述第二曲线重要程度、所述第三曲线重要程度、所述第四曲线重要程度、所述第一历史预测数据趋势变化曲线、所述第二历史预测数据趋势变化曲线、所述第一未来预测数据趋势变化曲线、所述第二未来预测数据趋势变化曲线,生成所述扩展数据趋势变化曲线。
4.根据权利要求3所述的方法,其中,所述根据所述第一曲线重要程度、所述第二曲线重要程度、所述第三曲线重要程度、所述第四曲线重要程度、所述第一历史预测数据趋势变化曲线、所述第二历史预测数据趋势变化曲线、所述第一未来预测数据趋势变化曲线、所述第二未来预测数据趋势变化曲线,生成所述扩展数据趋势变化曲线,包括:
确定针对所述第二历史预测数据趋势变化曲线的第四坐标序列和针对所述第一未来预测数据趋势变化曲线的第五坐标序列;
将所述第二坐标序列中的各个坐标与所述第一曲线重要程度进行相乘,得到第一相乘坐标序列;
将所述第四坐标序列中的各个坐标与所述第二曲线重要程度进行相乘,得到第二相乘坐标序列;
将所述第一相乘坐标序列中的第一相乘坐标与所述第二相乘坐标序列中的第二相乘坐标进行坐标值相加,得到第一相加坐标序列;
将所述第五坐标序列中的各个坐标与所述第三曲线重要程度进行相乘,得到第三相乘坐标序列;
将所述第三坐标序列中的各个坐标与所述第四曲线重要程度进行相乘,得到第四相乘坐标序列;
将所述第三相乘坐标序列中的第三相乘坐标与所述第四相乘坐标序列中的第四相乘坐标进行坐标值相加,得到第二相加坐标序列;
生成针对所述第一相加坐标序列的第三历史预测数据趋势变化曲线和针对所述第二相加坐标序列的第三未来预测数据趋势变化曲线;
将所述数据趋势变化曲线、所述第三历史预测数据趋势变化曲线和所述第三未来预测数据趋势变化曲线进行曲线拼接,以生成拼接曲线,作为所述第三历史预测数据趋势变化曲线。
5.根据权利要求4所述的方法,其中,所述从所述至少一个调整数据趋势变化曲线中筛选出与所述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线,包括:
生成针对所述扩展数据趋势变化曲线的增强数据趋势变化曲线集,其中,所述增强数据趋势变化曲线集包括:正向增强数据趋势变化曲线集和负向增强数据趋势变化曲线集;
将所述至少一个调整数据趋势变化曲线、所述增强数据趋势变化曲线集和所述扩展数据趋势变化曲线进行曲线组合,以生成变化曲线集;
对所述变化曲线集中的各个曲线进行曲线聚类,以生成曲线簇集;
从所述至少一个调整数据趋势变化曲线中筛选出与所述扩展数据趋势变化曲线处于同一曲线簇的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线。
6.根据权利要求5所述的方法,其中,所述对所述变化曲线集中的各个曲线进行曲线聚类,以生成曲线簇集,包括:
确定所述变化曲线集中的每个变化曲线对应的曲线指标信息组;
根据所得到的曲线指标信息组集,对所述变化曲线集中的各个曲线进行曲线聚类,以生成初始曲线簇集;
对于所述初始曲线簇集中的每个初始曲线簇,执行以下校验步骤:
随机从所述初始曲线簇中获取两个曲线,分别作为第一曲线和第二曲线;
确定所述第一曲线、所述第二曲线和第一目标曲线之间的趋势变化差异信息,其中,所述第一目标曲线是所述初始曲线簇对应的簇中心的曲线;
确定所述第一曲线、所述第二曲线与所述第一目标曲线之间的纵坐标区间范围差异和横坐标区间范围差异;
确定与所述初始曲线簇之间对应簇距离小于目标聚类的曲线簇,得到至少一个曲线簇;
确定所述至少一个曲线簇对应的至少一个第二目标曲线;
对于所述至少一个第二目标曲线中的每个第二目标曲线,确定所述第一曲线、所述第二曲线与所述第二目标曲线之间曲线差异距离,得到第一差异距离和第二差异距离;
确定所述第一曲线、所述第二曲线与所述第一目标曲线之间的曲线差异距离,得到第三差异距离和第四差异距离;
响应于确定所述趋势变化差异信息满足第一差异条件、所述纵坐标区间范围差异和横坐标区间范围差异满足第二差异条件、所述第三差异距离小于至少一个第一差异距离、所述第四差异距离小于至少一个第二差异距离,生成表征所述初始曲线簇无误的确认信息;
根据所得到的确认信息集,生成曲线簇集。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述价值风险信息表征存在风险,将所述价值风险信息、所述目标对象对应的对象信息、所述产品价值流转数据序列和所述产品价值现状信息进行打包,以生成对象打包数据;
将所述对象打包数据导入至目标存储设备的存储空间;
利用预先设置的空间检测进程,实时检测目标存储空间对应的数据存储字节是否发生变化;
响应于确定变化,对所述对象打包数据进行标记,以及发送针对所述对象打包数据的警示信息给相关价值风险监测用户终端。
8.一种价值风险信息生成装置,包括:
获取单元,被配置成获取目标对象对应的、处于目标历史时间段的、针对目标价值产品的产品价值流转数据序列和对应的产品价值现状信息;
执行单元,被配置成对于所述目标对象对应相似对象集中的每个相似对象,执行以下生成步骤:根据所述产品价值现状信息,对所述相似对象对应的历史产品价值流转数据序列进行数据截取,以生成至少一个历史产品价值流转数据子序列,其中,所述历史产品价值流转数据序列对应时长大于或等于所述目标历史时间段对应时长;确定所述产品价值流转数据序列对应的数据趋势变化曲线和所述至少一个历史产品价值流转数据子序列对应的至少一个相似数据趋势变化曲线;对所述数据趋势变化曲线在预定前后时间段内进行曲线预测扩展,以生成扩展数据趋势变化曲线,以及对所述至少一个相似数据趋势变化曲线中的相似数据趋势变化曲线进行曲线横截长度调整,以生成至少一个调整数据趋势变化曲线;从所述至少一个调整数据趋势变化曲线中筛选出与所述扩展数据趋势变化曲线之间曲线变化相似程度满足目标预设条件的目标调整数据趋势变化曲线,得到至少一个目标调整数据趋势变化曲线;
生成单元,被配置成根据所述数据趋势变化曲线和所得到的至少一个目标调整数据趋势变化曲线集,生成针对所述目标对象的价值风险信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122222.4A CN117993709A (zh) | 2024-01-29 | 2024-01-29 | 价值风险信息生成方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122222.4A CN117993709A (zh) | 2024-01-29 | 2024-01-29 | 价值风险信息生成方法、装置、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117993709A true CN117993709A (zh) | 2024-05-07 |
Family
ID=90901014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410122222.4A Pending CN117993709A (zh) | 2024-01-29 | 2024-01-29 | 价值风险信息生成方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993709A (zh) |
-
2024
- 2024-01-29 CN CN202410122222.4A patent/CN117993709A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902446B (zh) | 用于生成信息预测模型的方法和装置 | |
CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
CN115277261B (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN109598344B (zh) | 模型生成方法和装置 | |
WO2022218068A1 (zh) | 素材投放方法、装置、设备和介质 | |
CN117993709A (zh) | 价值风险信息生成方法、装置、设备和计算机可读介质 | |
CN113034580B (zh) | 图像信息检测方法、装置和电子设备 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN111709784A (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN117057681B (zh) | 软件质量评估方法、装置、设备和存储介质 | |
CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
CN110633707A (zh) | 预测速度的方法和装置 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN115393652B (zh) | 基于对抗网络的人工智能模型更新方法、识别方法和设备 | |
CN111310901B (zh) | 用于获取样本的方法及装置 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
CN117876091A (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN111767085B (zh) | Storm平台参数配置方法和装置 | |
CN117994014A (zh) | 价值信息生成方法、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 |