黑名单设置方法、装置、可读介质以及设备制造方法及图纸

本申请实施例公开了一种黑名单设置方法、装置、可读介质以及设备，该方法若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则将获取到的待验证用户当前的银行信用属性信息以及用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到待验证用户是否应加入高速通行黑名单的判断结果；黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；若黑名单分类模型判断出待验证用户应加入高速通行黑名单，则将待验证用户加入高速通行黑名单。由于银行信用属性信息和ETC卡信用属性信息能够反映出用户的实际资产情况，使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。

【技术实现步骤摘要】
黑名单设置方法、装置、可读介质以及设备
本申请涉及计算机
，尤其涉及一种黑名单设置方法、装置、可读介质以及设备。
技术介绍
电子不停车收费系统(ElectronicTollCollection，ETC)是用于高速公路自动收费的一种系统。随着ETC的应用越来越广泛，使用ETC卡来支付高速公路通行费的用户也越来越多。目前，大多数用户使用的ETC卡采用的是记账收费模式。即ETC记账卡与用户的一张银行卡进行绑定，用户使用ETC记账卡通过收费站后，ETC会根据通行记录从绑定的银行卡中扣除通行费。由于有些用户所绑定的银行卡内没有充足的资金支付通行费，会出现欠费的情况，因此银行等金融机构设立了高速通行黑名单来限制这类用户的通行。现有技术中，主要根据用户ETC记账卡的欠费的次数或者欠费的金额来评判用户是否进入高速通行黑名单。例如，当用户的ETC记账卡欠费次数达到n次时，该用户会被设置为高速通行的黑名单用户。然而，由于现有的高速通行黑名单的设置方式中仅考虑到了ETC记账卡的欠费次数或者欠费金额，而ETC记账卡的欠费次数或者欠费金额实际上不能够反映用户实际的资产情况，导致高速通行黑名单的设置标准与用户实际的资产情况并不匹配。
技术实现思路
基于上述现有技术的不足，本申请提供了一种黑名单设置方法、装置、可读介质以及设备，以实现利用银行信用属性信息以及ETC卡信用属性信息来判断是否加入高速通行黑名单。为了实现上述目的，现提出的方案如下：本申请第一方面公开了一种黑名单设置方法，包括：若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。可选地，在上述黑名单设置方法中，所述黑名单分类模型的构建方法，包括：构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型。可选地，在上述黑名单设置方法中，所述针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果，包括：针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。可选地，在上述黑名单设置方法中，所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户；所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。可选地，在上述黑名单设置方法中，所述若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息，包括：若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则判断所述待验证用户是否已加入高速通行黑名单；若判断出所述待验证用户没有加入高速通行黑名单，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息。可选地，在上述黑名单设置方法中，所述若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单之后，还包括：将所述待验证用户应加入高速通行黑名单的判断结果发送至所述待验证用户对应的ETC卡发行公司。本申请第二方面公开了一种黑名单设置装置，包括：获取单元，用于若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；第一判断单元，用于将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；设置单元，用于若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。可选地，在上述黑名单设置装置中，还包括：构建单元，用于构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；第二判断单元，用于针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；调整单元，用于利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型。可选地，在上述黑名单设本文档来自技高网...

【技术保护点】
1.一种黑名单设置方法，其特征在于，包括：/n若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；/n将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；/n若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。/n

【技术特征摘要】
1.一种黑名单设置方法，其特征在于，包括：
若检测到待验证用户的电子不停车收费系统ETC卡扣款失败，则获取所述待验证用户当前的银行信用属性信息以及所述待验证用户当前的ETC卡信用属性信息；
将所述待验证用户当前的银行信用属性信息以及所述用户当前的ETC卡信用属性信息输入至黑名单分类模型中，得到所述待验证用户是否应加入高速通行黑名单的判断结果；其中，所述黑名单分类模型由多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息对支持向量机进行训练得到；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
若所述黑名单分类模型判断出所述待验证用户应加入高速通行黑名单，则将所述待验证用户加入高速通行黑名单。


2.根据权利要求1所述的方法，其特征在于，所述黑名单分类模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集包括多个训练样本用户各自对应的银行信用属性信息和ETC卡信用属性信息；所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户；
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果；
利用每一个所述训练样本用户的所述支持向量机输出的判断结果与实际判断结果之间的误差，对所述支持向量机中的参数进行不断调整，直至调整后的所述支持向量机输出的判断结果与实际判断结果之间的误差满足预设的收敛条件时，将所述调整后的支持向量机确定为黑名单分类模型。


3.根据权利要求2所述的方法，其特征在于，所述针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机中，得到所述训练样本用户是否应加入高速通行黑名单的判断结果，包括：
针对每一个所述训练样本用户，将所述训练样本用户的银行信用属性信息对应特征值、以及ETC卡信用属性信息对应特征值输入至支持向量机的公式中，得到所述训练样本用户的判断结果参数值；
其中，所述支持向量机的公式为：Y＝ω1Z+ω2K+b；Z为所述训练样本用户的银行信用属性信息对应特征值；K为所述训练样本用户的ETC卡信用属性信息对应特征值；ω1、ω2以及b均为所述支持向量机的公式中的参数；Y为所述训练样本用户的判断结果参数值；
若所述判断结果参数值小于或等于第一判断结果阈值，则得到所述训练样本用户不应加入高速通行黑名单的判断结果；
若所述判断结果参数值大于或等于第二判断结果阈值，则得到所述训练样本用户应加入高速通行黑名单的判断结果；所述第一判断结果阈值小于所述第二判断结果阈值。


4.根据权利要求1所述的方法，其特征在于，所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户；所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用...

【专利技术属性】
技术研发人员：董亚东，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11