基于机器学习的数字商品交易风险防控方法及装置制造方法及图纸

本发明专利技术提供了一种基于机器学习的数字商品交易风险防控方法及装置，包括：获取数字商品交易数据；使用预设的机器学习数学模型对数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果；根据风险预测模型和期望泛化误差评估结果得到降维数据；根据降维数据，使用预设的多元统计分析数学模型进行异常检测，识别得到异常信息；根据风险预测模型、期望泛化误差评估结果和异常信息得到风险防控措施。本发明专利技术通过使用机器学习算法和数学模型对交易数据进行预测分析、数据降维处理和异常检测，实现了对数字商品交易风险的全方位、深度分析和监测，提高了数字商品交易风险防控的准确性和可靠性。防控的准确性和可靠性。防控的准确性和可靠性。

【技术实现步骤摘要】
基于机器学习的数字商品交易风险防控方法及装置


[0001]本专利技术涉及信息
，具体而言，涉及一种基于机器学习的数字商品交易风险防控方法及装置。

技术介绍

[0002]随着电子商务的发展，数字商品的交易量日益增加，但是数字商品交易中存在风险。传统的风险管理方法通常采用规则或专家经验来检测和管理风险，但这些方法需要不断地更新规则或者调整经验，并且无法全面有效地解决风险问题。
[0003]本申请提供了一种基于机器学习的数字商品交易风险防控方法，采用预设的机器学习数学模型，将数字商品交易数据进行预处理和降维处理，使用预设的多元统计分析数学模型进行异常检测。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器学习的数字商品交易风险防控方法及装置，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：第一方面，本申请提供了一种基于机器学习的数字商品交易风险防控方法，包括：获取数字商品交易数据，所述数字商品交易数据包括交易金额、波动性数据和交易参与方信用等级；使用预设的机器学习数学模型对所述数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果；根据所述风险预测模型和所述期望泛化误差评估结果，使用预设的主成分分析数学模型进行数据降维处理，得到降维数据；根据所述降维数据，使用预设的多元统计分析数学模型进行异常检测，识别得到异常信息，所述异常信息包括异常行为和所述异常行为对应的异常数据；根据所述风险预测模型、所述期望泛化误差评估结果和所述异常信息得到风险防控措施，所述风险防控措施包括至少一种应对不同风险类别以及风险等级的风险防控方案。
[0005]第二方面，本申请还提供了基于机器学习的数字商品交易风险防控装置，包括：获取模块，用于获取数字商品交易数据，所述数字商品交易数据包括交易金额、波动性数据和交易参与方信用等级；分析模块，使用预设的机器学习数学模型对所述数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果；处理模块，用于根据所述风险预测模型和所述期望泛化误差评估结果，使用预设的主成分分析数学模型进行数据降维处理，得到降维数据；检测模块，用于根据所述降维数据，使用预设的多元统计分析数学模型进行异常检测，识别得到异常信息，所述异常信息包括异常行为和所述异常行为对应的异常数据；
输出模块，用于根据所述风险预测模型、所述期望泛化误差评估结果和所述异常信息得到风险防控措施，所述风险防控措施包括至少一种应对不同风险类别以及风险等级的风险防控方案。
[0006]本专利技术的有益效果为：本专利技术通过使用机器学习算法和数学模型对交易数据进行预测分析、数据降维处理和异常检测，实现了对数字商品交易风险的全方位、深度分析和监测，提高了数字商品交易风险防控的准确性和可靠性。
[0007]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0008]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0009]图1为本专利技术实施例中所述的基于机器学习的数字商品交易风险防控方法流程示意图;图2为本专利技术实施例中所述的基于机器学习的数字商品交易风险防控装置结构示意图。
具体实施方式
[0010]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0011]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0012]实施例1：本实施例提供了一种基于机器学习的数字商品交易风险防控方法。
[0013]参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
[0014]步骤S100、获取数字商品交易数据，数字商品交易数据包括交易金额、波动性数据和交易参与方信用等级。
[0015]在本步骤中，数字商品交易数据是指包含了数字商品交易的各种信息的数据集
合，主要包括交易金额、波动性数据和交易参与方信用等级。交易金额是指在一次数字商品交易中涉及的资金金额，是评估交易风险的重要指标之一；波动性数据是指交易中资金流动的波动情况，包括交易时间、频率、周期等，对交易风险的评估也有很大的影响；交易参与方信用等级则是指交易参与方的信用评级，包括信用记录、历史交易记录等信息，是评估交易风险的重要因素。
[0016]步骤S200、使用预设的机器学习数学模型对数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果。
[0017]在预测分析过程中，该模型会利用数字商品交易数据中的交易金额、波动性数据和交易参与方信用等级等信息，对每笔交易进行风险预测。预测结果会考虑到数据的实时性和多样性，同时结合历史交易数据进行训练和预测。其中，风险预测模型用于对未知交易进行风险预测，期望泛化误差评估结果则是对模型的准确性进行评估，用于衡量模型的泛化能力。需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
[0018]步骤S210、将数字商品交易数据进行预处理后转换为力导向布局图形式的数字商品交易图，数字商品交易图由节点和边组成，节点表示数字商品交易中的参与方，边表示交易记录，边的权重表示交易金额。
[0019]在本步骤中，从交易数据中提取出节点（参与方）和边（交易记录）信息，其中边的权重表示交易金额，使用预设的转换算法将数字商品交易数据转换成力导向布局图形式。将数字商品交易数据转化为力导向布局图，该图以图形化方式展示了数字商品交易中的参与方和交易记录之间的关系，以及交易金额的大小。该图可视化了数字商品交易数据，使得风险预测模型可以更加直观地分析和预测不同参与方之间的交易风险。需要说明的是，步骤S210包括步骤S211、步骤S212、步骤S213、步骤S214和步骤S215。
[0020]步骤S211、将数字商品交易数据进行特征提取得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的数字商品交易风险防控方法，其特征在于，包括：获取数字商品交易数据，所述数字商品交易数据包括交易金额、波动性数据和交易参与方信用等级；使用预设的机器学习数学模型对所述数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果；根据所述风险预测模型和所述期望泛化误差评估结果，使用预设的主成分分析数学模型进行数据降维处理，得到降维数据；根据所述降维数据，使用预设的多元统计分析数学模型进行异常检测，识别得到异常信息，所述异常信息包括异常行为和所述异常行为对应的异常数据；根据所述风险预测模型、所述期望泛化误差评估结果和所述异常信息得到风险防控措施，所述风险防控措施包括至少一种应对不同风险类别以及风险等级的风险防控方案。2.根据权利要求1所述的数字商品交易风险防控方法，其特征在于,使用预设的机器学习数学模型对所述数字商品交易数据进行预测分析，得到风险预测模型和期望泛化误差评估结果，包括：将所述数字商品交易数据进行预处理后转换为力导向布局图形式的数字商品交易图，所述数字商品交易图由节点和边组成，所述节点表示数字商品交易中的参与方，所述边表示交易记录，所述边的权重表示交易金额；使用预设的交叉验证数学模型将所述数字商品交易图划分为训练集和测试集；根据所述训练集和预设的图神经常微分方程模型构建得到风险预测模型；使用所述验证集对所述风险预测模型进行评估，并根据评估结果计算得到期望泛化误差评估结果。3.根据权利要求2所述的数字商品交易风险防控方法，其特征在于,将所述数字商品交易数据进行预处理后转换为力导向布局图形式的数字商品交易图，包括：将所述数字商品交易数据进行特征提取得到特征数据；将所述特征数据进行节点和边的构建操作，得到初始交易图；根据所述波动性数据计算得到弹簧系数集合；根据所述交易参与方信用等级计算得到斥力数据集合；根据所述弹簧系数集合、所述斥力数据集合和预设的力导向布局数学模型计算并调整所述初始交易图中节点的位置，得到数字商品交易图。4.根据权利要求3所述的数字商品交易风险防控方法，其特征在于,根据所述弹簧系数集合、所述斥力数据集合和预设的力导向布局数学模型计算并调整所述初始交易图中节点的位置，得到数字商品交易图，包括：根据所述弹簧系数集合和所述斥力数据集合，对所述初始交易图中的节点和边进行力学模拟，得到所述节点的位置信息和所述边的长度信息；根据所述位置信息、长度信息和预设的力导向布局数学模型，进行迭代优化计算，得到节点位置的最终调整结果；根据所述最终调整结果重新构建所述初始交易图，得到数字商品交易图。5.根据权利要求1所述的数字商品交易风险防控方法，其特征在于,根据所述风险预测模型、所述期望泛化误差评估结果和所述异常信息，得到风险防控措施，包括：
根据所述风险预测模型对每笔交易进行预测，得到针对该笔交易的风险预测结果；根据所述期望泛化误差评估结果对风险进行分类和分级得到风险评估结果；对所述异常信息中的风险行为和异常数据进行分析得到风险原因；根据所述风险预测结果、所述风险评估结果、风险原因和预设的风险防控数学模型得到风险防控措施，所述风险防控数学模型为通过所述数字商品交易数据和业务规则训练得到。6.一种基于机器学习...

【专利技术属性】
技术研发人员：郑咏希，徐峥，陶俊清，
申请(专利权)人：武汉和悦数字科技有限公司，
类型：发明
国别省市：