一种批量标识数据学习的风险识别方法及系统技术方案

本发明专利技术公开了一种批量标识数据学习的风险识别方法及系统，涉及数据处理领域，其中，所述方法包括：基于清洗约束对数据集合进行数据清洗，生成个体数据集和综合数据集；生成监测数据集；通过映射提取结果分别与个体数据集和综合数据集的节点比对，生成节点数据风险识别结果；基于映射提取结果分别与个体数据集和综合数据集的数据趋势变化比对，生成窗口趋势数据风险识别结果；根据节点数据风险识别结果和窗口趋势数据风险识别结果进行监测目标的风险识别，输出风险识别结果。解决了现有技术中针对监测数据的风险识别精准性不足、全面度低，导致监测数据的风险识别质量不高的技术问题。达到了提升监测数据的风险识别质量的技术效果。效果。效果。

【技术实现步骤摘要】
一种批量标识数据学习的风险识别方法及系统


[0001]本专利技术涉及数据处理领域，具体地，涉及一种批量标识数据学习的风险识别方法及系统。

技术介绍

[0002]风险识别是大数据分析的重要方向之一。现有技术中，存在针对监测数据的风险识别精准性不足、全面度低，导致监测数据的风险识别质量不高的技术问题。如何提高监测数据的风险识别质量，受到人们的广泛关注。

技术实现思路

[0003]本申请提供了一种批量标识数据学习的风险识别方法及系统。解决了现有技术中针对监测数据的风险识别精准性不足、全面度低，导致监测数据的风险识别质量不高的技术问题。
[0004]鉴于上述问题，本申请提供了一种批量标识数据学习的风险识别方法及系统。
[0005]第一方面，本申请提供了一种批量标识数据学习的风险识别方法，其中，所述方法应用于一种批量标识数据学习的风险识别系统，所述方法包括：设置数据采集窗口，其中，所述数据采集窗口包括采集频率约束，基于所述数据采集窗口分别对历史数据和大数据进行数据采集，构建数据集合，其中，所述数据集合带有个体数据和综合数据的标识；配置清洗约束，基于所述清洗约束对所述数据集合进行数据清洗，生成个体数据集和综合数据集，其中，所述个体数据集和所述综合数据集均具有异常标识；同步所述数据采集窗口，对监测目标进行窗口数据采集，生成监测数据集；依据所述采集频率约束对所述监测数据集进行映射提取，通过映射提取结果分别与所述个体数据集和所述综合数据集的节点比对，生成节点数据风险识别结果；基于所述映射提取结果分别与所述个体数据集和所述综合数据集的数据趋势变化比对，生成窗口趋势数据风险识别结果；根据所述节点数据风险识别结果和所述窗口趋势数据风险识别结果进行所述监测目标的风险识别，输出风险识别结果。
[0006]第二方面，本申请还提供了一种批量标识数据学习的风险识别系统，其中，所述系统包括：数据采集模块，所述数据采集模块用于设置数据采集窗口，其中，所述数据采集窗口包括采集频率约束，基于所述数据采集窗口分别对历史数据和大数据进行数据采集，构建数据集合，其中，所述数据集合带有个体数据和综合数据的标识；数据清洗模块，所述数据清洗模块用于配置清洗约束，基于所述清洗约束对所述数据集合进行数据清洗，生成个体数据集和综合数据集，其中，所述个体数据集和所述综合数据集均具有异常标识；监测数据集生成模块，所述监测数据集生成模块用于同步所述数据采集窗口，对监测目标进行窗口数据采集，生成监测数据集；节点比对模块，所述节点比对模块用于依据所述采集频率约束对所述监测数据集进行映射提取，通过映射提取结果分别与所述个体数据集和所述综合数据集的节点比对，生成节点数据风险识别结果；数据趋势变化比对模块，所述数据趋势变化比对模块用于基于所述映射提取结果分别与所述个体数据集和所述综合数据集的数据
趋势变化比对，生成窗口趋势数据风险识别结果；风险识别模块，所述风险识别模块用于根据所述节点数据风险识别结果和所述窗口趋势数据风险识别结果进行所述监测目标的风险识别，输出风险识别结果。
[0007]本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：按照数据采集窗口分别对历史数据和大数据进行数据采集，构建数据集合；按照清洗约束对数据集合进行数据清洗，生成个体数据集和综合数据集；通过对监测目标进行窗口数据采集，生成监测数据集；按照采集频率约束对监测数据集进行映射提取，获得映射提取结果；将映射提取结果分别与个体数据集、综合数据集进行节点比对，生成节点数据风险识别结果；将映射提取结果，分别与个体数据集、综合数据集进行数据趋势变化比对，生成窗口趋势数据风险识别结果；根据节点数据风险识别结果和窗口趋势数据风险识别结果进行监测目标的风险识别，输出风险识别结果。达到了提高监测数据的风险识别精准性、全面度，提升监测数据的风险识别质量的技术效果。
[0008]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0009]为了更清楚地说明本专利技术实施例的技术方案,下面将对本专利技术实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本专利技术的一些实施例,而非对本专利技术的限制。
[0010]图1为本申请一种批量标识数据学习的风险识别方法的流程示意图；图2为本申请一种批量标识数据学习的风险识别方法中基于计算结果生成风险识别结果的流程示意图；图3为本申请一种批量标识数据学习的风险识别系统的结构示意图。
[0011]附图标记说明：数据采集模块11，数据清洗模块12，监测数据集生成模块13，节点比对模块14，数据趋势变化比对模块15，风险识别模块16。
具体实施方式
[0012]本申请通过提供一种批量标识数据学习的风险识别方法及系统。解决了现有技术中针对监测数据的风险识别精准性不足、全面度低，导致监测数据的风险识别质量不高的技术问题。达到了提高监测数据的风险识别精准性、全面度，提升监测数据的风险识别质量的技术效果。
[0013]实施例一请参阅附图1，本申请提供一种批量标识数据学习的风险识别方法，其中，所述方法应用于一种批量标识数据学习的风险识别系统，所述方法具体包括如下步骤：步骤S100：设置数据采集窗口，其中，所述数据采集窗口包括采集频率约束，基于所述数据采集窗口分别对历史数据和大数据进行数据采集，构建数据集合，其中，所述数据集合带有个体数据和综合数据的标识；步骤S200：配置清洗约束，基于所述清洗约束对所述数据集合进行数据清洗，生成
个体数据集和综合数据集，其中，所述个体数据集和所述综合数据集均具有异常标识；具体而言，基于采集频率约束设置数据采集窗口。所述采集频率约束包括由所述一种批量标识数据学习的风险识别系统预先设置确定的数据采集频率。所述数据采集窗口包括历史数据采集窗口。历史数据采集窗口包括满足采集频率约束的多个历史时间点。
[0014]进一步，基于历史数据采集窗口对监测目标进行历史数据采集，获得个体数据。继而，基于监测目标，按照历史数据采集窗口进行多个同类型监测目标的大数据采集，获得综合数据，结合个体数据，生成数据集合。
[0015]其中，所述数据集合包括个体数据、综合数据。所述个体数据包括在历史数据采集窗口的多个历史时间点内，监测目标对应的多个历史监测数据。且，每个历史监测数据具有历史个体标识和历史异常标识。历史异常标识包括每个历史监测数据是/否为异常数据。当历史监测数据为异常数据时，历史异常标识还包括历史异常系数。历史异常系数是用于表征历史监测数据的异常程度的数据信息。历史异常系数越高，对应的历史监测数据的异常程度越大。所述综合数据包括在历史数据采集窗口的多个历史时间点内，每个同类型监测目标对应的多个同类型历史监测数据。且，每个同类型历史监测数据具有对应的同类型历史个体标识和同类型历史异常标识。同类型历史异常标识包括每个同类型历史监测数据是/否为异常数据。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种批量标识数据学习的风险识别方法，其特征在于，所述方法包括：设置数据采集窗口，其中，所述数据采集窗口包括采集频率约束，基于所述数据采集窗口分别对历史数据和大数据进行数据采集，构建数据集合，其中，所述数据集合带有个体数据和综合数据的标识；配置清洗约束，基于所述清洗约束对所述数据集合进行数据清洗，生成个体数据集和综合数据集，其中，所述个体数据集和所述综合数据集均具有异常标识；同步所述数据采集窗口，对监测目标进行窗口数据采集，生成监测数据集；依据所述采集频率约束对所述监测数据集进行映射提取，通过映射提取结果分别与所述个体数据集和所述综合数据集的节点比对，生成节点数据风险识别结果；基于所述映射提取结果分别与所述个体数据集和所述综合数据集的数据趋势变化比对，生成窗口趋势数据风险识别结果；根据所述节点数据风险识别结果和所述窗口趋势数据风险识别结果进行所述监测目标的风险识别，输出风险识别结果。2.如权利要求1所述的方法，其特征在于，所述方法还包括：交互所述监测目标的历史识别数据；基于所述历史识别数据进行所述监测目标的异常评价，确定所述监测目标的异常等级；基于所述异常等级匹配个体
‑
综合比例系数；通过所述个体
‑
综合比例系数计算获得所述节点数据风险识别结果和所述窗口趋势数据风险识别结果。3.如权利要求2所述的方法，其特征在于，所述方法还包括：获得个体节点比对结果和综合节点比对结果；基于所述个体节点比对结果和所述综合节点比对结果定位节点异常窗口，其中，所述节点异常窗口带有异常值标识；生成个体趋势变化比对结果和综合趋势变化比对结果；基于所述个体趋势变化比对结果和所述综合趋势变化比对结果定位趋势异常窗口，其中，所述趋势异常窗口带有趋势异常标识；基于所述节点异常窗口和所述趋势异常窗口进行异常窗口关联，生成异常窗口关联结果；基于所述异常窗口关联结果、所述节点数据风险识别结果和所述窗口趋势数据风险识别结果进行所述监测目标的风险识别，输出所述风险识别结果。4.如权利要求1所述的方法，其特征在于，所述方法还包括：对所述节点数据风险识别结果和所述窗口趋势数据风险识别结果进行异常风险识别的一致性评价；配置一致性评价阈值；若一致性评价结果低于所述一致性评价阈值时，则生成独立负关联系数；通过所述独立负关联系数对所述节点数据风险识别结果...

【专利技术属性】
技术研发人员：谢晔，林峰，李志魁，张自平，任亮，刘东岳，牛雯琪，
申请(专利权)人：杭州小策科技有限公司，
类型：发明
国别省市：