[發明專利]一種目標對象的風險監測方法、裝置及電子設備

有效

• 申請號: 201910992564.0
• 申請日: 2019-10-18
• 公開（公告）號: CN110728458B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 許小龍
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/06;G06K9/62
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 劉立升

1.一種目標對象的風險監測方法，所述方法包括：

獲取預定時間段內目標對象所產生的歷史數據；

將所述預定時間段按照連續的第一時間間隔分割成多個時間序列，并從時間序列中確定出多個第二時間間隔，根據時間序列以及第二時間間隔對所述歷史數據執行統計操作得到歷史時序數據，所述歷史時序數據包括第一歷史時序數據和第二歷史時序數據；

按照所述第一時間間隔，對所述第一歷史時序數據進行分解得到趨勢特征數據、周期特征數據和隨機特征數據，并對所述第二歷史時序數據內的數據進行相似度計算得到相似度的值；

將所述趨勢特征數據與所述相似度的值進行向前差分得到相似度差分結果，并以所述相似度差分結果作為輸入參數，利用異常檢測算法求解得到異常情況分值；

分別根據所述異常情況分值、周期特征數據和隨機特征數據，計算各自對應的特征變量，將所述特征變量按照預設的權重進行加權求和，得到所述目標對象的風險分值，根據所述風險分值對所述目標對象進行風險監測。

2.如權利要求1所述的方法，所述獲取預定時間段內目標對象所產生的歷史數據包括：

從數據庫中獲取所述預定時間段內目標對象所產生的歷史數據，所述歷史數據包括歷史訪問數據和/或歷史交易數據。

3.如權利要求1所述的方法，所述第一時間間隔為一天，所述第一歷史時序數據包括每天的歷史時序數據，所述第二歷史時序數據包括每天內多個第二時間間隔的歷史時序數據。

4.如權利要求3所述的方法，所述對所述第一歷史時序數據進行分解得到趨勢特征數據、周期特征數據和隨機特征數據，包括：

利用X-11算法對所述每天的歷史時序數據進行分解得到每天的趨勢特征數據、周期特征數據和隨機特征數據。

5.如權利要求3所述的方法，所述相似度的值包括DTW值和/或歐拉距離，所述對所述第二歷史時序數據內的數據進行相似度計算得到相似度的值，包括：

利用DTW算法對每天內多個第二時間間隔的歷史時序數據分別與其前一天內對應時間間隔的歷史時序數據進行相似度計算得到每個第二時間間隔的DTW值，將所述第二時間間隔的DTW值相加得到每天的DTW值；和/或，

基于歐拉公式對每天內多個第二時間間隔的歷史時序數據分別與其前一天內對應時間間隔的歷史時序數據進行相似度計算得到每個第二時間間隔的歐拉距離，將所述第二時間間隔的歐拉距離相加得到每天的歐拉距離。

6.如權利要求5所述的方法，所述將所述趨勢特征數據與所述相似度的值進行向前差分得到相似度差分結果，包括：

將每天的趨勢特征數據與其前一天的DTW值進行向前差分得到每天的相似度差分結果；和/或，

將每天的趨勢特征數據與其前一天的歐拉距離進行向前差分得到每天的相似度差分結果。

7.如權利要求1所述的方法，所述異常檢測算法采用無監督的孤立森林算法，所述利用異常檢測算法求解得到異常情況分值包括：利用孤立森林算法求解得到每天的異常情況分值。

8.如權利要求1所述的方法，所述根據所述異常情況分值、周期特征數據和隨機特征數據，分別計算其特征變量，包括：

將所述預定時間段內的異常情況分值、周期特征數據和隨機特征數據分別組成一個數據集合，計算所述數據集合內的特征變量，所述特征變量包括期望、方差、最大值和最小值中的一個或多個。

9.如權利要求1所述的方法，所述將所述特征變量按照預設的權重進行加權求和，得到所述目標對象的風險分值之前，還包括：

計算所述特征變量的IV值，并對所述IV值進行歸一化處理，以便獲得所述特征變量的權重。