一种交易风险预测方法、装置、计算机设备和存储介质制造方法及图纸

本文公开了一种交易风险预测方法、装置、计算机设备和存储介质，涉及机器学习技术领域，其中方法包括根据用户的属性信息对用户进行分类；根据用户的还款信息得到分类后各用户的还款特征数据；根据同一分类中各用户的还款特征数据计算各用户和与其相邻的其他用户之间的局部可达密度；根据各用户的局部可达密度，筛选出待预测数据集中的离群点并剔除；将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中，以获得对用户的交易风险预测结果。本文能够检测出用户中的离群点并剔除，能够提高对用户交易风险预测的准确性；并且结合机器学习对各用户的交易风险进行预测，极大地提高了对用户交易风险预测的效率。预测的效率。预测的效率。

【技术实现步骤摘要】
一种交易风险预测方法、装置、计算机设备和存储介质


[0001]本专利技术涉及机器学习
，尤其涉及一种交易风险预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]近年来，互联网金融已成为一种重要的发展趋势。在金融领域，无论是投资理财还是借贷放款，风险控制永远是业务的核心基础。
[0003]以借贷为例，传统的风险评估方法大多是采用人工审核的方式，例如，查询用户是否存在不良征信记录，审核用户的流水信息等资产资料等来评估是否存在交易风险。审查途径比单一，容易存在风险预测不准确的问题。随着人工智能和大数据等技术的不断发展，依靠科技手段收集、分析、整理各类金融数据，提供更为精准的风险控制服务已成为风险控制的有效途径。但获取的数据具有体量大、维度高、噪声多的特点，在进行数据分析和整理时，不仅工作量较大影响风险预测效率，并且噪声数据也会对风险预测的准确性造成不利影响。
[0004]有鉴于此，本文旨在提供一种交易风险预测方法、装置、计算机设备和存储介质。

技术实现思路

[0005]针对现有技术的上述问题，本文的目的在于，提供一种交易风险预测方法、装置、计算机设备和存储介质，用以解决现有技术中交易风险预测效率和准确率低下的问题。
[0006]为了解决上述技术问题，本文的具体技术方案如下：
[0007]第一方面，本文提供一种交易风险预测方法，包括：
[0008]获取待预测数据集中各用户的属性信息和还款信息；
[0009]根据用户的属性信息对用户进行分类；/>[0010]根据所述还款信息得到分类后各用户的还款特征数据；
[0011]根据同一分类中各用户的还款特征数据计算各用户和与其相邻的其他用户之间的局部可达密度；
[0012]根据各用户的局部可达密度，筛选出所述待预测数据集各分类中的离群点并剔除；
[0013]将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中，以获得对用户的交易风险预测结果。
[0014]进一步地，在将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中之前，所述方法还包括：
[0015]对同一分类中还款特征数据的已有特征进行关联处理，构建得到新增特征；
[0016]将新增特征与已有特征共同作为各用户的还款特征数据。
[0017]更进一步地，对同一分类各用户的还款特征数据的已有特征进行关联处理，包括：
[0018]将待关联处理的特征进行图像法分析；
[0019]根据图像法分析结果，判断待关联处理的特征的信息是否存在相关性；
[0020]若待关联处理的特征存在相关性，则将其进行关联处理。
[0021]具体地，根据各用户的局部可达密度，筛选出所述待预测数据集各分类中的离群点并剔除，包括：
[0022]根据各用户的局部可达密度，计算各用户的局部离群因子；
[0023]根据各用户的局部离群点因子的值，确定所述待预测数据集中的离群点并将其剔除出所述待预测数据集。
[0024]具体地，所述交易风险预测模型通过如下步骤训练得到：
[0025]获取还款特征数据训练集，所述还款特征数据训练集包括多个用户的还款特征数据和与各还款特征数据相对应的风险预测结果标签；
[0026]利用所述还款特征数据训练集训练初始的交易风险预测模型，直至初始的交易风险预测模型输出的各用户的交易风险预测结果与对应的风险预测结果标签在预设的误差范围内，得到训练好的交易风险预测模型。
[0027]优选地，在获取还款特征数据训练集之后，所述方法还包括：
[0028]对还款特征训练数据集中各用户的还款特征数据进行预处理和离群点剔除处理，所述预处理包括对各用户还款特征数据的各特征进行打标处理、数据清洗处理和数据分箱处理中的一种或几种的组合。
[0029]优选地，在计算各用户和与其相邻的其他用户之间的局部可达密度之前，所述方法还包括：
[0030]对所述待预测数据集中各用户的还款特征数据进行预处理，所述预处理包括对各用户还款特征数据的各特征进行打标处理、数据清洗处理和数据分箱处理中的一种或几种的组合。
[0031]第二方面，本文还提供一种交易风险预测方法装置，包括：
[0032]信息获取模块，用于获取待预测数据集中各用户的属性信息和还款信息；
[0033]分类模块，用于根据用户的属性信息对用户进行分类；
[0034]还款特征数据获取模块，用于根据所述还款信息得到分类后各用户的还款特征数据；
[0035]局部可达密度计算模块，用于根据同一分类中各用户的还款特征数据计算各用户和与其相邻的其他用户之间的局部可达密度；
[0036]离群点筛选和剔除模块，用于根据各用户的局部可达密度，筛选出所述待预测数据集各分类中的离群点并剔除；
[0037]交易风险预测结果获取模块，用于将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中，以获得对用户的交易风险预测结果。
[0038]第三方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述计算方案提供的方法。
[0039]第四方面，本文提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述计算方案提供的方法。
[0040]第五方面，本文还提供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，所述计算机程序被处理器执行时实现上述技术方案提供的方法。
[0041]本文提供的一种交易风险预测方法、装置、计算机设备和存储介质，能够根据各用户的还款特征数据检测出用户中的离群点并剔除，提高对用户交易风险预测的准确性；且结合机器学习模型对各用户的交易风险进行预测，极大地提高了对用户交易风险预测的效率，降低交易风险预测成本。
附图说明
[0042]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本专利技术实施例提供的一种交易风险预测方法的步骤示意图；
[0044]图2为本专利技术实施例中对还款特征数据中已有特征进行关联处理的步骤示意图；
[0045]图3为本专利技术实施例中交易风险预测模型训练方法的步骤示意图；
[0046]图4为本专利技术实施例提供的一种交易风险预测装置的结构示意图；
[0047]图5为本专利技术实施例提供的一种计算机设备的结构示意图。
[0048]附图符号说明：
[0049]41、信息获取模块；
[0050]42、分类模块；
[0051]43、还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交易风险预测方法，其特征在于，包括：获取待预测数据集中各用户的属性信息和还款信息；根据用户的属性信息对用户进行分类；根据所述还款信息得到分类后各用户的还款特征数据；根据同一分类中各用户的还款特征数据计算各用户和与其相邻的其他用户之间的局部可达密度；根据各用户的局部可达密度，筛选出所述待预测数据集各分类中的离群点并剔除；将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中，以获得对用户的交易风险预测结果。2.根据权利要求1所述的方法，其特征在于，在将剔除离群点后的各分类用户的还款特征数据输入至预先训练好的交易风险预测模型中之前，所述方法还包括：对同一分类中还款特征数据的已有特征进行关联处理，构建得到新增特征；将新增特征与已有特征共同作为各用户的还款特征数据。3.根据权利要求2所述的方法，其特征在于，对同一分类各用户的还款特征数据的已有特征进行关联处理，进一步包括：将待关联处理的特征进行图像法分析；根据图像法分析结果，判断待关联处理的特征的信息是否存在相关性；若待关联处理的特征存在相关性，则将其进行关联处理。4.根据权利要求2所述的方法，其特征在于，根据各用户的局部可达密度，筛选出所述待预测数据集各分类中的离群点并剔除，进一步包括：根据各用户的局部可达密度，计算各用户的局部离群因子；根据各用户的局部离群点因子的值，确定所述待预测数据集中的离群点并将其剔除出所述待预测数据集。5.根据权利要求4所述的方法，其特征在于，所述交易风险预测模型通过如下步骤训练得到：获取还款特征数据训练集，所述还款特征数据训练集包括多个用户的还款特征数据和与各还款特征数据相对应的风险预测结果标签；利用所述还款特征数据训练集训练初始的交易风险预测模型，直至初始的交易风险预测模型输出的各用户的交易风险预测结果与对应的风险预测结果标签在预设的误差范围内，得到训练好的交易风险预测...

【专利技术属性】
技术研发人员：王馨宇，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：