[發明專利]變更操作風險計算方法和裝置

在審

• 申請號: 202010127815.1
• 申請日: 2020-02-28
• 公開（公告）號: CN111353702A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 劉祎俊;錢昱良;唐耀芳;王烈
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/02;G06N3/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王濤;湯在彥

1.一種變更操作風險計算方法，其特征在于，包括：

根據一變更操作的特征值以及各特征的發生頻率分布表獲取各特征的發生頻率，所述特征包括：變更時長、變更開始時間、實施人從業時間、實施人之前涉及操作風險類事件數量、變更手工步驟數量、同一時間段實施者有其他變更數量、變更影響范圍以及變更涉及的應用分類總和；

根據各特征的發生頻率和預獲取的各特征的重要度計算所述變更操作的風險值；

其中，各特征的重要度由隨機森林模型基于變更歷史數據獲取。

2.根據權利要求1所述的變更操作風險計算方法，其特征在于，還包括：

根據預設參數建立隨機森林模型；

獲取變更歷史數據中各條數據的特征值及其標簽；

將所述變更歷史數據中各條數據的特征值及其標簽作為訓練樣本集訓練所述隨機森林模型；

根據訓練后的隨機森林模型的feature_importances_方法獲取各特征的重要度。

3.根據權利要求2所述的變更操作風險計算方法，其特征在于，所述將所述變更歷史數據中各條數據的特征值及其標簽作為訓練數據訓練所述隨機森林模型之前，還包括：

將各條數據的實施人之前涉及操作風險類事件數量、變更手工步驟數量、同一時間段實施者有其他變更數量、變更影響范圍中特征值為0的特征的特征值設置為空。

4.根據權利要求2所述的變更操作風險計算方法，其特征在于，所述根據訓練后的隨機森林模型的參數獲取各特征的重要度之前，還包括：

利用已知標簽的測試樣本對訓練后的隨機森林模型進行測試，并將所述隨機森林模型的輸出作為測試結果；

基于所述測試結果及所述測試樣本的已知標簽，判斷訓練后的隨機森林模型是否符合預設要求；

若是，將訓練后的隨機森林模型作為用于獲取各特征的重要度的目標模型；

若否，則對當前模型進行優化和/或應用更新后的訓練樣本集重新進行模型訓練。

5.根據權利要求2所述的變更操作風險計算方法，其特征在于，還包括：

根據訓練樣本集利用Anaconda3+Python3.6獲取各特征的發生頻率分布表。

6.根據權利要求1所述的變更操作風險計算方法，其特征在于，所述根據各特征的發生頻率和預獲取的各特征的重要度計算所述變更操作的風險值，包括：

將各特征的重要度作為各特征的權重，對各特征的發生頻率進行加權求和，得到所述變更操作的風險值。

7.一種變更操作風險計算裝置，其特征在于，包括：

發生頻率獲取模塊，根據一變更操作的特征值以及各特征的發生頻率分布表獲取各特征的發生頻率，所述特征包括：變更時長、變更開始時間、實施人從業時間、實施人之前涉及操作風險類事件數量、變更手工步驟數量、同一時間段實施者有其他變更數量、變更影響范圍以及變更涉及的應用分類總和；

風險值計算模塊，根據各特征的發生頻率和預獲取的各特征的重要度計算所述變更操作的風險值；

其中，各特征的重要度由隨機森林模型基于變更歷史數據獲取。

8.根據權利要求7所述的變更操作風險計算裝置，其特征在于，還包括：

模型建立模塊，根據預設參數建立隨機森林模型；

訓練數據獲取模塊，獲取變更歷史數據中各條數據的特征值及其標簽；

訓練模塊，將所述變更歷史數據中各條數據的特征值及其標簽作為訓練樣本集訓練所述隨機森林模型；

重要度獲取模塊，根據訓練后的隨機森林模型的feature_importances_方法獲取各特征的重要度。

9.根據權利要求8所述的變更操作風險計算裝置，其特征在于，還包括：

數據預處理模塊，將各條數據的實施人之前涉及操作風險類事件數量、變更手工步驟數量、同一時間段實施者有其他變更數量、變更影響范圍中特征值為0的特征的特征值設置為空。