一种基于深度学习的风险预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的风险预测方法和装置，本发明专利技术将行为的关系组织为关联拓扑，进而基于关联拓扑实现行为的传导预测，即利用彼此关联的一系列行为的传导实现对下阶段行为的预测，形成行为轨迹预测向量；进而，基于深度学习的机制，训练风险评估模型建立行为轨迹预测向量与风险评级的关系，从而能够根据下阶段的行为轨迹预测向量，实现下阶段的风险评级预测。从而，本发明专利技术针对主体的行为具有更为全面的分析和风险预测机制，提高预测机制的适用性，并且运用深度学习机制，建立了对风险的高准确性的预测。险的高准确性的预测。险的高准确性的预测。

【技术实现步骤摘要】
一种基于深度学习的风险预测方法和装置


[0001]本专利技术涉及行为预测
，具体是一种基于深度学习的风险预测方法和装置。

技术介绍

[0002]在任何应用场景下，对风险的感知、预测和防范都是一个重要的方面。在应对风险方面，众多的应用场景都是基于主体的行为轨迹来进行风险预测的。例如，在电子商务和金融评估中，基于主体的交易历史和违约记录来分析当前交易或者信贷的违约风险，在交通出行中基于主体的行为轨迹来分析后续的交通进程安全性，等等。
[0003]目前，如何能提升风险预测的精准性，是一个难题。现有技术中通过主体行为轨迹历史数据的概率统计来进行风险的预测，这样实质上只是汇总历史结果来预测未来，无法充分反映主体的主客观因素实时变化所施加的影响。另外，根据行为轨迹中各个行为的发生时序等因素，其对下一阶段风险的影响程度也是不一样的，现有技术中却难以进行对各个行为与下阶段风险关系的影响程度纳入考虑。
[0004]因此，如何基于主体的行为轨迹，对下阶段对风险进行精准预测，降低预测机制算法的复杂度，提高预测机制的适用性是本领域技术人员亟待解决的问题。

技术实现思路

[0005]鉴于上述问题，本专利技术的目的是为了解决现有技术中提出的风险预测准确性不高、依赖简单统计、对主体时序因素与风险的复杂关系难以有效反映和分析的技术问题。
[0006]本专利技术实施例提供一种基于深度学习的风险预测方法，包括：
[0007]S101、构建主体的行为轨迹集合，根据所述行为轨迹集合中的行为建立关联拓扑，并利用行为的行为状态与所述关联拓扑生成行为的传导预测；
[0008]S102、根据所述行为状态和所述关联拓扑的传导预测，生成行为轨迹预测向量；
[0009]S103、将行为轨迹预测向量代入基于深度学习的风险评估模型，实现行为风险评估。
[0010]优选的是，步骤S101中所述构建主体的行为轨迹集合，根据所述行为轨迹集合中的行为建立关联拓扑，并利用行为的行为状态与所述关联拓扑生成行为的传导预测，包括：
[0011]S1011、基于行为构建行为轨迹集合，并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重，面向所述行为轨迹集合构建关联拓扑；
[0012]S1012、采集用户上阶段行为轨迹集合中的行为状态，并根据所述行为状态，通过所述关联拓扑，实现对用户下阶段行为的传导预测。
[0013]优选的是，步骤S1011中，按照一定的标准条件，将用户的一系列行为按照时序顺序，构成行为轨迹集合；将用户的每个行为表示为p
i
，其中i＝1,2,...,M，则行为轨迹集合为V＝{p1,p2,...,p
i
,...p
M
}；根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重，构建关联拓扑为G＝{V,E,W}，其中，行为轨迹集合V中的每个行为p
i
表示
关联拓扑中的一个拓扑节点。在关联拓扑的表达式中，E＝{e
11
,e
12
,...,e
ij
,...e
MM
}，其中i＝1,2,...,M，j＝1,2,...,M；e
ij
表示行为p
i
受到行为p
j
的关联与否(也就是行为p
i
和行为p
j
是否具有由p
j
到p
i
的单向拓扑关联)，其中，如果具有上述关联则e
ij
＝1，反之不具有上述关联则e
ij
＝0；W＝{w
11
,w
12
,...,w
ij
,...w
MM
}，其中i＝1,2,...,M，j＝1,2,...,M；w
ij
表示行为轨迹集合V中行为p
i
受到行为p
j
关联的权重大小，w
ij
在一个预设的取值区间范围0≤w
ij
≤K内取值，如果p
i
受到行为p
j
关联的关联性越大则w
ij
的取值越大。
[0014]优选的是，步骤S1012中，每个行为p
i
的行为状态表示为x
i
，x
i
∈R，R是每个行为可能处于的所有行为状态的一个集合；对于每个行为p
i
，确定该行为p
i
的一个邻域，即从e
ij
，j＝1,2,...,M中选取e
ij
不等于0的行为p
j
对应的标号j，组成一个邻域表示为N
i
，即行为p
i
的邻域，对于行为p
i
在下一时间阶段的行为状态x
i
(t+1),具体的表达公式如下所示:
[0015][0016]其中，表示当前时间阶段t，行为p
i
的邻域N
i
内的行为状态x
j
(t)对行为p
i
自身的行为状态x
i
(t+1)的传导，通过传导对行为p
i
下一时间阶段的行为状态x
i
(t+1)产生传导增益，β表示增益系数，根据行为的不同类型，增益系数β发生变化，x
i
(t+1)相对于x
i
(t)发送取值变化，从集合R中的一种行为状态过渡到另一种行为状态。
[0017]优选的是，针对行为轨迹集合V中全部行为{p1,p2,...,p
i
,...p
M
}的行为状态x
i
，i＝1,2,...,M，进而形成行为轨迹预测向量X＝{x1,x2,...,x
i
,...x
M
}，评估行为轨迹预测向量的差异化状态的计算公式如下：
[0018]D表示差异化系数。只有差异化状态的差异化系数D符合预定的取值范围，则行为轨迹预测向量用于后续的风险评估。
[0019]进而，本专利技术还提供了一种基于深度学习的风险预测装置，包括：
[0020]行为状态预测模块，用于构建主体的行为轨迹集合，根据所述行为轨迹集合中的行为建立关联拓扑，并利用行为的行为状态与所述关联拓扑生成行为的传导预测；
[0021]预测向量生成模块，用于根据所述行为状态和所述关联拓扑的传导预测，生成行为轨迹预测向量；
[0022]风险评估模块，将行为轨迹预测向量代入基于深度学习的风险评估模型，实现行为风险评估。
[0023]优选的是，所述行为状态预测模块包括：
[0024]关联拓扑构建单元，基于行为构建行为轨迹集合，并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重，面向所述行为轨迹集合构建关联拓扑；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的风险预测方法，其特征在于，包括：S101、构建主体的行为轨迹集合，根据所述行为轨迹集合中的行为建立关联拓扑，并利用行为的行为状态与所述关联拓扑生成行为的传导预测；S102、根据所述行为状态和所述关联拓扑的传导预测，生成行为轨迹预测向量；S103、将行为轨迹预测向量代入基于深度学习的风险评估模型，实现行为风险评估。2.根据权利要求1所述的基于深度学习的风险预测方法，其特征在于，步骤S101中所述构建主体的行为轨迹集合，根据所述行为轨迹集合中的行为建立关联拓扑，并利用行为的行为状态与所述关联拓扑生成行为的传导预测，包括：S1011、基于行为构建行为轨迹集合，并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重，面向所述行为轨迹集合构建关联拓扑；S1012、采集用户上阶段行为轨迹集合中的行为状态，并根据所述行为状态，通过所述关联拓扑，实现对用户下阶段行为的传导预测。3.根据权利要求2所述的基于深度学习的风险预测方法，其特征在于，步骤S1011中，按照一定的标准条件，将用户的一系列行为按照时序顺序，构成行为轨迹集合；将用户的每个行为表示为p
i
，其中i＝1,2,
…
,M，则行为轨迹集合为V＝{p1,p2,...,p
i
,...p
M
}；根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重，构建关联拓扑为G＝{V,E,W}，其中，行为轨迹集合V中的每个行为p
i
表示关联拓扑中的一个拓扑节点。在关联拓扑的表达式中，E＝{e
11
,e
12
,...,e
ij
,...e
MM
}，其中i＝1,2,...,M，j＝1,2,...,M；e
ij
表示行为p
i
受到行为p
j
的关联与否(也就是行为p
i
和行为p
j
是否具有由p
j
到p
i
的单向拓扑关联)，其中，如果具有上述关联则e
ij
＝1，反之不具有上述关联则e
ij
＝0；W＝{w
11
,w
12
,...,w
ij
,...w
MM
}，其中i＝1,2,...,M，j＝1,2,...,M；w
ij
表示行为轨迹集合V中行为p
i
受到行为p
j
关联的权重大小，w
ij
在一个预设的取值区间范围0≤w
ij
≤K内取值，如果p
i
受到行为p
j
关联的关联性越大则w
ij
的取值越大。4.根据权利要求3所述的基于深度学习的风险预测方法，其特征在于，步骤S1012中，每个行为p
i
的行为状态表示为x
i
，x
i
∈R，R是每个行为可能处于的所有行为状态的一个集合；对于每个行为p
i
，确定该行为p
i
的一个邻域，即从e
ij
，j＝1,2,...,M中选取e
ij
不等于0的行为p
j
对应的标号j，组成一个邻域表示为N
i
，即行为p
i
的邻域，对于行为p
i
在下一时间阶段的行为状态x
i
(t+1),具体的表达公式如下所示:其中，表示当前时间阶段t，行为p
i
的邻域N
i
内的行为状态x
j
(t)对行为p
i
自身的行为状态x
i
(t+1)的传导，通过传导对行为p
i
下一时间阶段的行为状态x
i
(t+1)产生传导增益，β表示增益系数，根据行为的不同类型，增益系数β发生变化，x
i
(t+1)相对于x
i
(t)发送取值变化，从集合R中的一种行为状态过渡到另一种行为状态。5.根据权利要求4所述的基于深度学习的风险预测方法，其特征在于，针对行为轨迹集合V中全部行为{p1,p2,...,p
i
,...p
M
}的行为状态x
i
，i＝1,2,...,M，进而形成行为轨迹预测向量X＝{x1,x2,...,x
i
,...x
M
}，评估行为轨迹预测向量的差异化状态的计算公式如下：D表示差异化系数。只有差异化状态的差异化系数D符合预定
的取值范围，则行为轨迹预测向量用于后续的风险评估。6.一种基于深度学习的风...

【专利技术属性】
技术研发人员：王渊，闫森亮，杜林，刘茜，
申请(专利权)人：上海竞动科技有限公司，
类型：发明
国别省市：