CN118035944A - 一种基于大数据的数据融合方法及系统 - Google Patents

一种基于大数据的数据融合方法及系统 Download PDF

Info

Publication number
CN118035944A
CN118035944A CN202410439755.5A CN202410439755A CN118035944A CN 118035944 A CN118035944 A CN 118035944A CN 202410439755 A CN202410439755 A CN 202410439755A CN 118035944 A CN118035944 A CN 118035944A
Authority
CN
China
Prior art keywords
data
real
monitoring
risk
value
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
CN202410439755.5A
Other languages
English (en)
Inventor
白金阁
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.)
Tianyun Rongchuang Data Science & Technology Beijing Co ltd
Original Assignee
Tianyun Rongchuang Data Science & Technology Beijing 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 Tianyun Rongchuang Data Science & Technology Beijing Co ltd filed Critical Tianyun Rongchuang Data Science & Technology Beijing Co ltd
Priority to CN202410439755.5A priority Critical patent/CN118035944A/zh
Publication of CN118035944A publication Critical patent/CN118035944A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及大数据处理领域，尤其涉及一种基于大数据的数据融合方法及系统，包括：采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；将历史数据推荐集输入推荐模型，从而输出推荐值；在监测时间段内，采集信息平台的实时数据，并且从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；将实时数据监测集和推荐值输入至监测模型，从而输出风险监测值；依据风险监测值判断信息平台是否存在风险，并进行风险提示。本申请可以降低信息平台风险监测的工作量，并且提高信息平台风险监测的准确率。

Description

一种基于大数据的数据融合方法及系统
技术领域
本申请涉及大数据处理领域，尤其涉及一种基于大数据的数据融合方法及系统。
背景技术
在经济高速发展的当代，随着互联网突飞猛进的发展，信息平台（例如：银行平台、电商平台等）的用户量呈爆发式增长，信息平台的规模的也呈爆发式增长，从而使得信息平台的各种数据（例如：用户个人数据、用户交易数据、平台设备数据等）均呈井喷式增长。通常，对于信息平台的风险监测是通过监测信息平台的各种数据进行的，但是对信息平台的海量数据进行监测，考虑到监测数据量过大，监测设备或监测模型的测算工作量巨大，而从海量的数据中随机抽取部分数据进行风险监测，可能会导致风险监测的准确率较低。
因此，如何降低信息平台风险监测的工作量，并且提高信息平台风险监测的准确率，是本领域技术人员目前急需解决的技术问题。
发明内容
本申请提供了一种基于大数据的数据融合方法及系统，以降低信息平台风险监测的工作量，并且提高信息平台风险监测的准确率。
为解决上述技术问题，本申请提供如下技术方案：
一种基于大数据的数据融合方法，包括如下步骤：步骤T110、采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；步骤T120、将历史数据推荐集输入推荐模型，从而输出推荐值；步骤T130、在监测时间段内，采集信息平台的实时数据，并且从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；步骤T140、将实时数据监测集和推荐值输入至监测模型，从而输出风险监测值；步骤T150、依据风险监测值判断信息平台是否存在风险，并进行风险提示。如上所述的基于大数据的数据融合方法，其中，优选的是，在步骤T130和步骤T150之间具有以下步骤：步骤T142、在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集；步骤T144、将实时数据更新集输入推荐模型，从而输出更新推荐值；步骤T146、将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而输出风险监测值。
如上所述的基于大数据的数据融合方法，其中，优选的是，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，以均衡抽取的每类实时数据。
如上所述的基于大数据的数据融合方法，其中，优选的是，推荐模型运行在信息平台中，监测模型运行在信息平台中。
如上所述的基于大数据的数据融合方法，其中，优选的是，在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险；若风险监测值不高于阈值，则判断信息平台不存在风险。
一种基于大数据的数据融合系统，包括：数据采集单元、数据输入单元、数据输出单元、数据抽取单元、风险判断单元和风险提示单元；数据采集单元采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；数据输入单元将历史数据推荐集输入推荐模型，从而数据输出单元输出推荐值；数据采集单元在监测时间段内，采集信息平台的实时数据，并且数据抽取单元从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；数据输入单元将实时数据监测集和推荐值输入至监测模型，从而数据输出单元输出风险监测值；风险判断单元依据风险监测值判断信息平台是否存在风险，并风险提示单元进行风险提示。
如上所述的基于大数据的数据融合系统，其中，优选的是，形成实时数据监测集后，数据采集单元在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集；数据输入模块将实时数据更新集输入推荐模型，从而数据输出模块输出更新推荐值；数据输入模块将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而数据输出模块输出风险监测值。
如上所述的基于大数据的数据融合系统，其中，优选的是，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，以均衡抽取的每类实时数据。
如上所述的基于大数据的数据融合系统，其中，优选的是，推荐模型运行在信息平台中，监测模型运行在信息平台中。
如上所述的基于大数据的数据融合系统，其中，优选的是，在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险；若风险监测值不高于阈值，则判断信息平台不存在风险。
相对上述背景技术，由于本申请中进行风险监测时，使用的是抽取的部分数据，因此降低了信息平台风险监测的工作量，同时还由于本申请在进行风险监测时使用了通过历史大数据得到推荐值，以及实时大数据得到的更新推荐值，从而提高了信息平台风险监测的准确率。
附图说明
为了更清楚地说明本发明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发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于大数据的数据融合方法的流程图；
图2是本申请实施例提供的基于大数据的数据融合系统的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。另外，诸如“上”、“下”、“前”、“后”、“左”和“右”等的空间关系术语用于使描述方便，以解释两个部件之间的位置关系。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
实施例一
请参阅图1，图1是本申请实施例提供的基于大数据的数据融合方法的流程图。
本申请提供了一种基于大数据的数据融合方法，包括如下步骤：
步骤T110、采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；
采集信息平台（例如：银行平台、电商平台等）的各种数据，例如：用户个人数据、用户交易数据、平台设备数据等，然后将信息平台的这些数据按照类型分类，再将分类的数据集合在一起，形成历史数据推荐集；其中，/>为第1类数据中的第1个数据，/>为第1类数据中的第2个数据，/>为第1类数据中的第/>个数据，/>为第/>类数据中的第1个数据，/>为第/>类数据中的第2个数据，/>为第/>类数据中的第/>个数据。例如：第1类数据为用户个人数据，第/>类数据为平台设备数据。
步骤T120、将历史数据推荐集输入推荐模型，从而输出推荐值；
推荐模型是神经网络模型，并且该推荐模型是已经根据该信息平台的历史数据训练好的神经网络模型，且推荐模型运行在信息平台中。具体的，推荐模型通过以下公式表示：
；
其中，为推荐模型的输入层神经元与隐含层神经元连接权重；/>为推荐模型的隐含层神经元与输出神经元连接权重；/>为以自然常数为底的指数函数；/>为推荐模型的隐含层的中心；/>为推荐模型的隐含层神经元的半径；/>为范数，是由线性赋范空间到非负实数的映射。
将历史数据推荐集作为推荐模型的输入，从而从推荐模型中输出/>，将从推荐模型中输出的/>作为推荐值。
步骤T130、在监测时间段内，采集信息平台的实时数据，并且从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；
在信息平台工作期间，会不断的产生各种数据（例如：用户个人数据、用户交易数据、平台设备数据等），为了便于监测，本申请设定了预定时间长度的监测时间段，在一个监测时间段内，采集信息平台产生的所有实时数据。由于采集的这些实时数据的数据量较大，为了避免对大量数据进行监测，本申请从该监测时间段内采集的所有实时数据中随机抽取预定数量（例如：所有实时数据的1%）的实时数据，形成实时数据监测集，其中，/>为第1个实时数据、/>为第2个实时数据、/>为第/>个实时数据、/>为第/>个实时数据，从而通过对实时数据监测集中的实时数据进行监测代替对所有实时数据进行监测，以减少监测的数据量。
可选的，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，这样抽取的每类实时数据的量较为均衡，更加有利于后续的风险监测。
步骤T140、将实时数据监测集和推荐值输入至监测模型，从而输出风险监测值；
在得到实时数据监测集和推荐值后，将实时数据监测值和推荐值均输入至监测模型中，通过监测模型计算后输出风险监测值，其中，监测模型也运行在信息平台。具体的，监测模型通过以下公式表示：
；
其中，为风险监测值，/>为/>对应的种类风险权重，/>为实时数据的数量，/>为实时数据对风险监测值的权重，/>为推荐值对风险监测值的权重。
步骤T150、依据风险监测值判断信息平台是否存在风险，并进行风险提示；
在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险，例如：平台设备存在风险、用户交易数据存在风险等，若风险监测值不高于阈值，则判断信息平台不存在风险。在信息平台存在风险的情况下，还在显示设备或者语音设备上进行风险提示。
在上述基础上，在步骤T130和步骤T150之间可以具有以下步骤：
步骤T142、在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集；
在一个监测时间段内，采集信息平台产生的所有实时数据，然后将采集的所有实时数据按照类型分类，再将分类的实时数据集合在一起形成实时数据更新集，其中，/>为第1类实时数据中的第1个实时数据、/>为第1类实时数据中的第2个实时数据、/>为第/>类实时数据中的第/>个实时数据、/>为第/>类实时数据中的第/>个实时数据。
步骤T144、将实时数据更新集输入推荐模型，从而输出更新推荐值；
将实时数据更新集作为推荐模型的输入，从而从推荐模型中输出/>，将从推荐模型中输出的/>作为更新推荐值。由于信息平台会一直产生数据，随着数据的不断产生，一直依赖原始的历史数据推荐集获得的推荐值会导致得到的风险监测值不准确，因此需要使用实时数据更新集/>来进行补偿，以提高风险监测值的准确性。
步骤T146、将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而输出风险监测值；
在得到实时数据监测集、推荐值以及更新推荐值后，将实时数据监测值、推荐值和更新推荐至均输入至监测模型中，通过监测模型计算后输出风险监测值，其中，监测模型也运行在信息平台。具体的，监测模型通过以下公式表示：
；
其中，为推荐值的权重，/>为更新推荐值的权重。
实施例二
请参阅图2，图2是本申请实施例提供的基于大数据的数据融合系统的示意图。
本申请提供了一种基于大数据的数据融合系统200，包括：数据采集单元210、数据输入单元220、数据输出单元230、数据抽取单元240、风险判断单元250和风险提示单元260。
数据采集单元210采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集。
采集信息平台（例如：银行平台、电商平台等）的各种数据，例如：用户个人数据、用户交易数据、平台设备数据等，然后将信息平台的这些数据按照类型分类，再将分类的数据集合在一起，形成历史数据推荐集；其中，/>为第1类数据中的第1个数据，/>为第1类数据中的第2个数据，/>为第1类数据中的第/>个数据，/>为第/>类数据中的第1个数据，/>为第/>类数据中的第2个数据，/>为第/>类数据中的第/>个数据。例如：第1类数据为用户个人数据，第/>类数据为平台设备数据。
数据输入单元220将历史数据推荐集输入推荐模型，从而数据输出单元230输出推荐值。
推荐模型是神经网络模型，并且该推荐模型是已经根据该信息平台的历史数据训练好的神经网络模型，且推荐模型运行在信息平台中。具体的，推荐模型通过以下公式表示：
；
其中，为推荐模型的输入层神经元与隐含层神经元连接权重；/>为推荐模型的隐含层神经元与输出神经元连接权重；/>为以自然常数为底的指数函数；/>为推荐模型的隐含层的中心；/>为推荐模型的隐含层神经元的半径；/>为范数，是由线性赋范空间到非负实数的映射。
将历史数据推荐集作为推荐模型的输入，从而从推荐模型中输出/>，将从推荐模型中输出的/>作为推荐值。
数据采集单元210在监测时间段内，采集信息平台的实时数据，并且数据抽取单元240从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集。
在信息平台工作期间，会不断的产生各种数据（例如：用户个人数据、用户交易数据、平台设备数据等），为了便于监测，本申请设定了预定时间长度的监测时间段，在一个监测时间段内，采集信息平台产生的所有实时数据。由于采集的这些实时数据的数据量较大，为了避免对大量数据进行监测，本申请从该监测时间段内采集的所有实时数据中随机抽取预定数量（例如：所有实时数据的1%）的实时数据，形成实时数据监测集，其中，/>为第1个实时数据、/>为第2个实时数据、/>为第/>个实时数据、/>为第/>个实时数据，从而通过对实时数据监测集中的实时数据进行监测代替对所有实时数据进行监测，以减少监测的数据量。
可选的，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，这样抽取的每类实时数据的量较为均衡，更加有利于后续的风险监测。
数据输入单元220将实时数据监测集和推荐值输入至监测模型，从而数据输出单元230输出风险监测值。
在得到实时数据监测集和推荐值后，将实时数据监测值和推荐值均输入至监测模型中，通过监测模型计算后输出风险监测值，其中，监测模型也运行在信息平台。具体的，监测模型通过以下公式表示：
；
其中，为风险监测值，/>为/>对应的种类风险权重，/>为实时数据的数量，为实时数据对风险监测值的权重，/>为推荐值对风险监测值的权重。
风险判断单元250依据风险监测值判断信息平台是否存在风险，并风险提示单元260进行风险提示。
在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险，例如：平台设备存在风险、用户交易数据存在风险等，若风险监测值不高于阈值，则判断信息平台不存在风险。在信息平台存在风险的情况下，还在显示设备或者语音设备上进行风险提示。
形成实时数据监测集后，数据采集单元210在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集。
在一个监测时间段内，采集信息平台产生的所有实时数据，然后将采集的所有实时数据按照类型分类，再将分类的实时数据集合在一起形成实时数据更新集，其中，/>为第1类实时数据中的第1个实时数据、/>为第1类实时数据中的第2个实时数据、/>为第/>类实时数据中的第/>个实时数据、/>为第/>类实时数据中的第/>个实时数据。
数据输入模块220将实时数据更新集输入推荐模型，从而数据输出模块230输出更新推荐值。
将实时数据更新集作为推荐模型的输入，从而从推荐模型中输出/>，将从推荐模型中输出的/>作为更新推荐值。由于信息平台会一直产生数据，随着数据的不断产生，一直依赖原始的历史数据推荐集获得的推荐值会导致得到的风险监测值不准确，因此需要使用实时数据更新集/>来进行补偿，以提高风险监测值的准确性。
数据输入模块220将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而数据输出模块230输出风险监测值。
在得到实时数据监测集、推荐值以及更新推荐值后，将实时数据监测值、推荐值和更新推荐至均输入至监测模型中，通过监测模型计算后输出风险监测值，其中，监测模型也运行在信息平台。具体的，监测模型通过以下公式表示：
；
其中，为推荐值的权重，/>为更新推荐值的权重。
由于本申请中进行风险监测时，使用的是抽取的部分数据，因此降低了信息平台风险监测的工作量，同时还由于本申请在进行风险监测时使用了通过历史大数据得到推荐值，以及实时大数据得到的更新推荐值，从而提高了信息平台风险监测的准确率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于大数据的数据融合方法，其特征在于，包括如下步骤：
步骤T110、采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；
步骤T120、将历史数据推荐集输入推荐模型，从而输出推荐值；
步骤T130、在监测时间段内，采集信息平台的实时数据，并且从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；
步骤T140、将实时数据监测集和推荐值输入至监测模型，从而输出风险监测值；
步骤T150、依据风险监测值判断信息平台是否存在风险，并进行风险提示。
2.根据权利要求1所述的基于大数据的数据融合方法，其特征在于，在步骤T130和步骤T150之间具有以下步骤：
步骤T142、在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集；
步骤T144、将实时数据更新集输入推荐模型，从而输出更新推荐值；
步骤T146、将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而输出风险监测值。
3.根据权利要求1或2所述的基于大数据的数据融合方法，其特征在于，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，以均衡抽取的每类实时数据。
4.根据权利要求1或2所述的基于大数据的数据融合方法，其特征在于，推荐模型运行在信息平台中，监测模型运行在信息平台中。
5.根据权利要求1或2所述的基于大数据的数据融合方法，其特征在于，在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险；
若风险监测值不高于阈值，则判断信息平台不存在风险。
6.一种基于大数据的数据融合系统，其特征在于，包括：数据采集单元、数据输入单元、数据输出单元、数据抽取单元、风险判断单元和风险提示单元；
数据采集单元采集信息平台的历史数据，并且将历史数据分类集合在一起形成历史数据推荐集；
数据输入单元将历史数据推荐集输入推荐模型，从而数据输出单元输出推荐值；
数据采集单元在监测时间段内，采集信息平台的实时数据，并且数据抽取单元从采集的实时数据中随机抽取预定数量的实时数据，形成实时数据监测集；
数据输入单元将实时数据监测集和推荐值输入至监测模型，从而数据输出单元输出风险监测值；
风险判断单元依据风险监测值判断信息平台是否存在风险，并风险提示单元进行风险提示。
7.根据权利要求6所述的基于大数据的数据融合系统，其特征在于，形成实时数据监测集后，数据采集单元在监测时间段内，采集信息平台的实时数据，并将采集的所有实时数据集合在一起形成实时数据更新集；
数据输入模块将实时数据更新集输入推荐模型，从而数据输出模块输出更新推荐值；
数据输入模块将实时数据监测集、推荐值和更新推荐值输入至监测模型，从而数据输出模块输出风险监测值。
8.根据权利要求6或7所述的基于大数据的数据融合系统，其特征在于，将采集的所有实时数据进行分类，从每类中随机抽取预定数量的实时数据，以均衡抽取的每类实时数据。
9.根据权利要求6或7所述的基于大数据的数据融合系统，其特征在于，推荐模型运行在信息平台中，监测模型运行在信息平台中。
10.根据权利要求6或7所述的基于大数据的数据融合系统，其特征在于，在得到风险监测值后，将风险监测值与阈值进行比较，若风险监测值高于阈值，则判断信息平台存在风险；
若风险监测值不高于阈值，则判断信息平台不存在风险。
CN202410439755.5A 2024-04-12 2024-04-12 一种基于大数据的数据融合方法及系统 Pending CN118035944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410439755.5A CN118035944A (zh) 2024-04-12 2024-04-12 一种基于大数据的数据融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410439755.5A CN118035944A (zh) 2024-04-12 2024-04-12 一种基于大数据的数据融合方法及系统

Publications (1)

Publication Number Publication Date
CN118035944A true CN118035944A (zh) 2024-05-14

Family

ID=90991594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410439755.5A Pending CN118035944A (zh) 2024-04-12 2024-04-12 一种基于大数据的数据融合方法及系统

Country Status (1)

Country Link
CN (1) CN118035944A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180173854A1 (en) * 2016-12-21 2018-06-21 Cerner Innovation, Inc. Monitoring predictive models
CN112529321A (zh) * 2020-12-18 2021-03-19 平安银行股份有限公司 基于用户数据的风险预测方法、装置及计算机设备
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN116596322A (zh) * 2023-07-17 2023-08-15 中电建物业管理有限公司 一种基于大数据可视化的物业设备管理方法及系统
CN117522569A (zh) * 2023-09-26 2024-02-06 上海浦东发展银行股份有限公司 一种交易欺诈风险监测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180173854A1 (en) * 2016-12-21 2018-06-21 Cerner Innovation, Inc. Monitoring predictive models
CN112529321A (zh) * 2020-12-18 2021-03-19 平安银行股份有限公司 基于用户数据的风险预测方法、装置及计算机设备
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN116596322A (zh) * 2023-07-17 2023-08-15 中电建物业管理有限公司 一种基于大数据可视化的物业设备管理方法及系统
CN117522569A (zh) * 2023-09-26 2024-02-06 上海浦东发展银行股份有限公司 一种交易欺诈风险监测方法及装置

Similar Documents

Publication Publication Date Title
CN110413707A (zh) 互联网中欺诈团伙关系的挖掘与排查方法及其系统
CN107194803A (zh) 一种p2p网贷借款人信用风险评估的装置
CN109614488B (zh) 基于文本分类和图像识别的配网带电作业条件判别方法
CN107633265A (zh) 用于优化信用评估模型的数据处理方法及装置
CN108229268A (zh) 表情识别及卷积神经网络模型训练方法、装置和电子设备
CN111292195A (zh) 风险账户的识别方法及装置
CN108615177B (zh) 基于加权提取兴趣度的电子终端个性化推荐方法
CN106067088A (zh) 电子银行访问行为的检测方法和装置
CN108133393A (zh) 数据处理方法及系统
CN110348490A (zh) 一种基于支持向量机算法的土壤质量预测方法及装置
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN107391582A (zh) 基于上下文本体树计算用户偏好相似度的信息推荐方法
CN114723285A (zh) 一种电网设备安全性评估预测方法
CN112256866A (zh) 一种基于深度学习的文本细粒度情感分析方法
CN114817681B (zh) 一种基于大数据分析的金融风控系统及其管理设备
CN117036834A (zh) 基于人工智能的数据分类方法、装置及电子设备
CN113837266B (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN117557994A (zh) 一种基于改进型YOLOv7网络的茶叶虫害识别方法
CN118035944A (zh) 一种基于大数据的数据融合方法及系统
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
CN115545342A (zh) 一种企业电费回收的风险预测方法与系统
CN109214598A (zh) 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法
CN114828208A (zh) 终端位置的识别方法及装置、计算机可读介质、电子设备
CN114078070A (zh) 一种多源数据融合的文旅安全监测及溯源分析方法及系统
CN113919415A (zh) 一种基于无监督算法的异常群组检测方法

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