区域风险识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种区域风险识别方法、装置、设备及存储介质。本申请涉及人工智能技术领域。该方法包括：获取待检测区域内各资源关联事务在不同维度下的风险指标数据；提取各风险指标数据中的区域风险特征；根据区域风险特征，确定待检测区域的区域风险类别。上述方案，通过获取不同维度下的风险指标数据，提高了风险指标数据的丰富性和可扩展性；同时，根据从各风险指标数据中提取的区域风险特征，确定待检测区域的区域风险类别，提高了区域风险类别确定结果的准确度。确定结果的准确度。确定结果的准确度。

【技术实现步骤摘要】
区域风险识别方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，尤其涉及一种区域风险识别方法、装置、设备及存储介质。

技术介绍

[0002]随着社会经济的高速发展，各大资源存储机构会为客户办理各种资源租借业务，以满足客户的日常生活需求。但是，部分资源租借业务会存在异常情况。
[0003]由于资源关联机构对区域的风险识别关注度不够，导致区域资源存在异常的可能性加大，区域风险类别确定结果的准确度较低，无法及时进行风险预警或有效干预。

技术实现思路

[0004]本申请实施例提供一种区域风险识别方法、装置、设备及存储介质，用以提高区域风险类别确定结果的准确度。
[0005]第一方面，本申请实施例提供了一种区域风险识别方法，包括：
[0006]获取待检测区域内各资源关联事务在不同维度下的风险指标数据；
[0007]提取各风险指标数据中的区域风险特征；
[0008]根据区域风险特征，确定待检测区域的区域风险类别。
[0009]第二方面，本申请实施例还提供了一种区域风险识别装置，该装置包括：
[0010]风险指标数据获取模块，用于获取待检测区域内各资源关联事务在不同维度下的风险指标数据；
[0011]区域风险特征提取模块，用于提取各风险指标数据中的区域风险特征；
[0012]区域风险类别确定模块，用于根据区域风险特征，确定待检测区域的区域风险类别。
[0013]第三方面，本申请实施例还提供了一种电子设备，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，处理器执行程序时实现如本申请第一方面实施例提供的任意一种区域风险识别方法。
[0014]第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面实施例提供的任意一种区域风险识别方法。
[0015]第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本申请第一方面实施例提供的任意一种区域风险识别方法。
[0016]本申请实施例提供的区域风险识别方案，通过获取待检测区域内各资源关联事务在不同维度下的风险指标数据；提取各风险指标数据中的区域风险特征；根据区域风险特征，确定待检测区域的区域风险类别。上述方案，通过获取不同维度下的风险指标数据，提高了风险指标数据的丰富性和可扩展性；同时，根据从各风险指标数据中提取的区域风险特征，确定待检测区域的区域风险类别，提高了区域风险类别确定结果的准确度。
附图说明
[0017]为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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。
[0018]图1是本申请实施例提供的一种区域风险识别方法的流程图；
[0019]图2是本申请实施例提供的另一种区域风险识别方法的流程图；
[0020]图3是本申请实施例提供的另一种区域风险识别方法的流程图；
[0021]图4是本申请实施例提供的一种区域风险识别装置的结构示意图；
[0022]图5是本申请实施例提供的一种实现区域风险识别方法的电子设备的结构示意图。
具体实施方式
[0023]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0024]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，在本申请的描述中，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。本申请技术方案中对风险指标数据、区域风险特征、初始特征数据和权重系数等数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0025]本申请实施例提供的各区域风险识别方法和区域风险识别装置，适用于对待检测区域进行风险识别的应用场景。本申请实施例所提供的各区域风险识别方法，可以由区域风险识别装置执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具备一定计算和存储能力的电子设备中。
[0026]为了便于理解，首先对区域风险识别方法进行详细说明。
[0027]参见图1所示的区域风险识别方法，包括：
[0028]S110、获取待检测区域内各资源关联事务在不同维度下的风险指标数据。
[0029]其中，待检测区域是指需要进行异常检测的区域。本申请实施例对待检测区域不作具体限定，可以是技术人员根据经验进行设置。示例性的，待检测区域可以是行政区域、人为设定区域和商圈等中的至少一种。
[0030]其中，资源关联事务是指待检测区域进行与资源交互有关的事务。
[0031]本申请实施例对不同维度的数量和/或内容不作具体限定，可以是技术人员根据经验进行设置。示例性的，不同维度可以包括资源租借方维度、资源担保方维度、汇率维度、资源租借机构维度和利率维度等中的至少一种。
[0032]其中，风险指标数据是指进行资源关联事务时，生成的风险评估数据。本申请实施例对风险指标数据的内容不作任何限定，可以是技术人员根据经验进行设置。
[0033]举例说明，若待检测区域为人为设定区域或商圈，则风险指标数据可以包括资源租借方的租借信息、资源租借方的租借时间、资源担保方的担保信息、资源租借时的汇率、
资源租借机构的信息和资源租借时的利率等中的至少一种；若待检测区域为行政区域，则风险指标数据可以包括资源租借方的风险数据、资源担保方的风险数据、资源租借时的汇率风险数据、资源租借机构的风险数据和资源租借时的利率风险数据等中的至少一种。其中，资源租借方的风险数据是指资源租借方无法按照规定的归还时间和归还资源，进行资源偿还的风险值。资源担保方的风险数据是指为资源租借方提供担保的主体，不能在资源租借出现问题时，履行担保义务的风险值。资源租借时的汇率风险数据是指资源租借方在租借资源时，受汇率波动影响带来损失的风险值。资源租借机构的风险数据是指资源租借机构提供资源长租或资源短租时，需要承担的资源租借方无法及时偿还资源的风险值。资源租借时的利率风险数据是指资源租借利率，与市场基准利率不匹配所产生的风险值。
[0034]具体的，获取待检测区域内各资源关联事务在至少一个维度下的风险指标数据。
[0035]S120、提取各风险指标数据中的区域风险特征。
[0036]其中，区域风险特征是指风险指标数据中可以用于进行风险评估的数据。
[0037]本申请实施例对提取区域风险特征的方式不作任何限定，可以是技术人员根据经验进行设置。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域风险识别方法，其特征在于，包括：获取待检测区域内各资源关联事务在不同维度下的风险指标数据；提取各所述风险指标数据中的区域风险特征；根据所述区域风险特征，确定所述待检测区域的区域风险类别。2.根据权利要求1所述的方法，其特征在于，所述提取所述风险指标数据中的区域风险特征，包括：对各所述风险指标数据进行特征提取，得到初始特征数据；确定所述初始特征数据的权重系数；根据所述初始特征数据和所述权重系数，确定降噪阈值；根据所述降噪阈值和所述初始特征数据，确定所述区域风险特征。3.根据权利要求1所述的方法，其特征在于，所述根据所述区域风险特征，确定所述待检测区域的区域风险类别，包括：将所述区域风险特征输入至训练好的深度森林中，根据所述深度森林中级联的随机森林层依次进行分类预测，得到所述待检测区域的至少一个参考风险类别；根据各所述参考风险类别，确定所述待检测区域的区域风险类别。4.根据权利要求3所述的方法，其特征在于，所述将所述区域风险特征输入至训练好的深度森林中，根据所述深度森林中级联的随机森林层依次进行分类预测，得到所述待检测区域的至少一个参考风险类别，包括：针对所述深度森林中的任一随机森林层，将在前级联层级的随机森林中不同决策树的类别预测概率，与所述区域风险特征进行特征融合，得到待处理特征；其中，首部层级的待处理特征为所述区域风险特征；将待处理特征输入至在后级联层级的随机森林中，得到在后级联层级的随机森林中不同决策树的类别预测概率；将所述深度森林中尾部层级的随机森林中不同决策树的类别预测概率，作为所述待检测区域的各所述参考风险类别。5.根据权利要求3所述的方法，其特征在于，所述深度森林中的各超参数采用以下方式确定：构建包括各超参数的初始值的初始种群特征；根据所述初始种群特征，在超参数解空间进行特征搜索和/或解空间收缩迭代，得到目标种群特征；将所述目标种群特征中的各特征值，作为所述深度森林中相应超参数的参数值。6.根据权利要求5所述的方法，其特征在于，所述根据所述初始种群特征，在超参数解空间进行特征搜索和/或解空间收缩迭代，得到目标种群特征，包括：针对任一特征迭代过程，根据本次迭代的随机概率，确定目标特征处理方式；其中，所述目标特征处理方式为特征搜索或解空间收缩；基于所述目标特征处理方式对应特征处理逻辑，对前次迭代所得的当前种群特征进行特征更新，得到本次迭代所得的当前种群特征；其中，首次迭代所得的当前种群特征为所述初始种群特征；将最末次迭代所得的当前种群特征，作为所述目标种群特征。
7.根据权利要求6所述的方法，其特征在于，若所述目标特征处理方式为特征搜索，则所述基于所述目标特征处理方式对应特征处理逻辑，对前次迭代所得的当前种群特征进行特征更新，得到本次迭代所得的当前种群特征，包括：根据距离系数，确定参考种群特征；确定所述参考种群特征与前次迭代所得的当前种群特征之间的特征搜索距离；根据所述特征搜索距离，在所述超参数解空间中朝向所述参考种群特征进行特征搜索，得到本次迭代所述的当前种群特征。8.根据权利要求7所述的方法，其特征在于，所述根据距离系数，确定参考种群特征，包括：若所述距离系数满足随机搜索条件，则选取所述超参数解空间中的任一候选种群特征作为所述参考种群特征；若所述距离系数满足最优搜索条件，则选取所述超参数解空间中的适配度较高的候选种群特征作为所述参考种群特征；其中，所述随机搜索条件与所述最优搜索条件互补。9.根据权利要求7所述的方法，其特征在于，所述根据所述特征搜索距离，在所述超参数解空间中朝向所述参考种群特征进行特征搜索，得到本次迭代所述的当前种群特征，包括：根据所述距离系数，更新所述特征搜索距离；根据更新后的特征搜索距离，在所述超参数解空间中朝向所述参考种群特征进行特征搜索，得到本次迭代所述的当前种群特征。10.根据权利要求6所述的方法，其特征在于，若所述目标特征处理方式为解空间收缩，则所述基于所述目标特征处理方式对应特征处理逻辑，对前次迭代所得的当前种群特征进行特征更新，得到本次迭代所得的当前种群特征，包括：将所述超参数解空间中的适配度较高的候选种群特征作为参考种群特征；确定所述参考种群特征与前次迭代所得的当前种群特征之间的空间搜索距离；根据预设盘旋系数，更新所述空间搜索距离；根据更新后的空间搜索距离，在所述超参数解空间中朝向所述参考种群特征进行特征搜索，得到本次迭代所得的当前种群特征。11.根据权利要求5
‑
10任一项所述的方法，其特征在于，所述深度森林中的各超参数包括下述至少一种：随机森林的层数、各层随机森林的个数、随机森林中决策树的数量和决策树的最大分叉数。12.一种区域风险识别装置，其特征在于，包括：风险指标数据获取模块，用于获取待检测区域内各资源关联事务在不同维度下的风险指标数据；区域风险特征提取模块，用于提取各所述风险指标数据中的区域风险特征；区域风险类别确定模块，用于根据所述区域风险特征，确定所述待检测区域的区域风险类别。13.根据权利要求12所述的装置，其特征在于，所述区域风险特征提取模块，包括：初始特征数据获取单元，用于对各所述风...

【专利技术属性】
技术研发人员：吴勇，柯晨怡，陈晞，陈亚君，李宁，卢世温，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：