一种信用卡欺诈监控方法与系统技术方案

本发明专利技术公开了一种信用卡欺诈监控方法与系统

【技术实现步骤摘要】
一种信用卡欺诈监控方法与系统


[0001]本专利技术涉及信用卡欺诈监控领域，具体涉及一种信用卡欺诈监控方法与系统
。

技术介绍

[0002]信用卡欺诈是当前大数据金融时代国家与社会特别是银行业面临的一个金融风险，亟需积极探索移动互联网大数据新技术与欺诈风险防范的结合，不断提升欺诈洞察能力和欺诈策略适应能力，以实现对欺诈风险的智能化和精准化管理；
[0003]如何实现信用卡行为欺诈检测，提高信用欺诈监测，是金融机构需要解决的一个重要技术问题和社会问题，具有重大的金融价值和社会意义，是银行迫切需要解决的问题
。

技术实现思路

[0004]本专利技术要解决的技术问题是如何实现信用卡行为欺诈检测，提高信用欺诈监测，本专利技术提供一种信用卡欺诈监控方法，本专利技术还提供一种信用卡欺诈监控系统，采用改进版的
SMOTE
算法进行改进，处理正负样本数据种类极度不均衡问题，防止模型的过拟合；通过反向学习策略
、
步长因子动态调整策略和
Levy
飞行策略改进改进的麻雀算法对支持向量机参数寻优，能够得到最优参数，代入模型，有效地改善支持向量机的信用卡欺诈模型的准确度和泛化能力，从而提升了预测准确度和提高了收敛性速度，用以解决现有技术导致的缺陷
。
[0005]为解决上述技术问题本专利技术提供以下的技术方案：
[0006]第一方面，一种信用卡欺诈监控方法
,
其中，包含以下步骤：
[0007]步骤1：获取信用卡欺诈交易原始数据并通过
SMOTE
算法进行过采样得到正负均衡的建模样本；
[0008]步骤2：获取所述建模样本中客户信用卡数据后构建信用卡欺诈监测指标，生成建模样本特征宽表；
[0009]步骤3：对所述建模样本特征宽表进行预处理得到建模样本集，将所述建模样本集随机切分为训练样本集和测试样本集；
[0010]步骤4：将所述训练样本集根据改进的麻雀搜索算法优化支持向量机构造信用卡欺诈监测模型，并根据实际业务场景及识别结果进行动态调整；
[0011]步骤5：将所述测试样本集输入至所述信用卡欺诈监测模型中并输出测试结果，根据所述测试结果与所述测试样本集中的真实是否欺诈标签进行比对来验证所述信用卡欺诈监测模型的预测效果；
[0012]步骤6：获取新申请信用卡用户数据并输入至验证后的所述信用卡欺诈监测模型得到欺诈分类结果
。
[0013]上述的一种信用卡欺诈监控方法
,
其中，步骤1中所述信用卡欺诈交易原始数据包含账户信息
、
信用卡欺诈类型；
[0014]步骤2中所述客户信用卡数据包含信用卡属性
、
客户账户信息
、
消费行为数据
、
取
现行为数据；
[0015]步骤3中所述预处理包含依次进行的缺失值处理
、
离群值与异常值处理
、
数据标准化
、
特征变量筛选
。
[0016]上述的一种信用卡欺诈监控方法
,
其中，通过
SMOTE
算法进行过采样得到正负均衡的建模样本的具体方法如下：
[0017]1)
初始化
B
＝
A
，
A
为信用卡欺诈交易原始数据，
B
为扩充后的建模样本；
[0018]2)
取
A
中样本
i
，对应的特征向量为
π
i
＝
(
π
i1
，
π
i2
，
...
，
π
im
)
，计算样本
i
与样本集
B
中所有样本关于特征向量的欧式距离；
[0019]3)
选择距离距离值最小的
K
个值
{d1，
d2，
...
，
d
K
}
，
K
为最近邻个数；
[0020]4)
从距离集合
{d1，
d2，
...
，
d
K
}
中随机选择一个数据
d
k
，再生成随机数合成新样本
n
，其特征：
π
n
＝
(
π
n1
，
π
n2
，
...
，
π
nm
)
；
[0021]5)R
＝
R∪{i
，
n}
；
[0022]6)
重复
4)
‑
5)N
次，
A
＝
A\{i}
，得到
A
扩充
N
倍的
B
；
[0023]7)
如果返回
2)
，否则返回集合
R
并退出
。
[0024]上述的一种信用卡欺诈监控方法
,
其中，步骤4中将所述训练样本集根据改进的麻雀搜索算法优化支持向量机构造信用卡欺诈监测模型的具体方法如下：
[0025]步骤
41
：设置麻雀种群规模
N
，搜索空间维度
D
，最大迭代次数
itermax
，初始化麻雀种群；
[0026]步骤
42
：初始化
SVM
相关参数，初始化随机解
Ω
＝
[
Ω1，
Ω2，
…
，
Ω
m
]，其中
Ω
i
＝
{C
，
σ
}
；
[0027]步骤
43
：利用改进的麻雀搜索算法优化
SVM
的核宽度
σ
和惩罚因子
C
，将最佳的预测精度作为参数优化的目标，更新麻雀的位置，通过不断的迭代训练，找到最优的模型参数，将最优解
Ω
*
＝
{C
*
，
σ
*
}
代入到支持向量机，建立基于支持向量机的信用卡欺诈监测模型；
[0028]步骤
44
：将测试样本特征输入基于支持向量机的信用卡欺诈模型，得到其欺诈检测结果
。
[0029]第二方面，一种信用卡欺诈监控系统
,
其中，包含数据处理模块
、
预处理模块
、
模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种信用卡欺诈监控方法
,
其特征在于，包含以下步骤：步骤1：获取信用卡欺诈交易原始数据并通过
SMOTE
算法进行过采样得到正负均衡的建模样本；步骤2：获取所述建模样本中客户信用卡数据后构建信用卡欺诈监测指标，生成建模样本特征宽表；步骤3：对所述建模样本特征宽表进行预处理得到建模样本集，将所述建模样本集随机切分为训练样本集和测试样本集；步骤4：将所述训练样本集根据改进的麻雀搜索算法优化支持向量机构造信用卡欺诈监测模型，并根据实际业务场景及识别结果进行动态调整；步骤5：将所述测试样本集输入至所述信用卡欺诈监测模型中并输出测试结果，根据所述测试结果与所述测试样本集中的真实是否欺诈标签进行比对来验证所述信用卡欺诈监测模型的预测效果；步骤6：获取新申请信用卡用户数据并输入至验证后的所述信用卡欺诈监测模型得到欺诈分类结果
。2.
如权利要求1所述的一种信用卡欺诈监控方法
,
其特征在于，步骤1中所述信用卡欺诈交易原始数据包含账户信息
、
信用卡欺诈类型；步骤2中所述客户信用卡数据包含信用卡属性
、
客户账户信息
、
消费行为数据
、
取现行为数据；步骤3中所述预处理包含依次进行的缺失值处理
、
离群值与异常值处理
、
数据标准化
、
特征变量筛选
。3.
如权利要求2所述的一种信用卡欺诈监控方法
,
其特征在于，通过
SMOTE
算法进行过采样得到正负均衡的建模样本的具体方法如下：
1)
初始化
B
＝
A
，
A
为信用卡欺诈交易原始数据，
B
为扩充后的建模样本；
2)
取
A
中样本
i
，对应的特征向量为
π
i
＝
(
π
i1
，
π
i2
，
...
，
π
im
)
，计算样本
i
与样本集
B
中所有样本关于特征向量的欧式距离；
3)
选择距离距离值最小的
K
个值
{d1，
d2，
...
，
d
K
}
，
K
为最近邻个数；
4)
从距离集合
{d1，
d2，
...
，
d
K
}
中随机选择一个数据
d
k
，再生成随机数合成新样本
n
，其特征：
π
n
＝
(
π
n1
，
π
n2
，
...
，
π
nm
)
；
5...

【专利技术属性】
技术研发人员：江远强，韩逸，丁杰，
申请(专利权)人：百维金科上海信息科技有限公司，
类型：发明
国别省市：