[發明專利]一種網絡資金的智能分析系統及方法

在審

• 申請號: 202011272561.9
• 申請日: 2020-11-13
• 公開（公告）號: CN112463893A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 鄧昌智;屈曉春
• 申請（專利權）人: 中科金審（北京）科技有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06Q40/04;G06F21/31;G06N3/04;G06N3/08
• 代理公司: 重慶百潤洪知識產權代理有限公司 50219
• 代理人: 陳萬江

本發明屬于網絡資金分析技術領域，提供了一種網絡資金的智能分析系統及方法，方法包括：S101：犯罪特征采集并形成實體關系模型的拓撲圖G(V，E)，以點邊關系矩陣的方式進行存儲；S102：通過深度神經網絡進行樣本訓練，建立聚類模型；S103：根據聚類后的實體關系模型確定資金的流向；系統包括：數據采集模塊、數據存儲模塊、數據分析模塊和數據輸出模塊。本發明的一種網絡資金的智能分析系統及方法，提高了經濟案件分析結果的準確性、全面性和及時性，使辦案周期縮短、辦案成本下降、節約警力資源。

技術領域

本發明涉及網絡資金分析技術領域，具體涉及一種網絡資金的智能分析系統及方法。

背景技術

隨著經濟全球化和金融服務國際化的發展，非法金融組織犯罪呈規模大、涉案廣、智能化、隱蔽性、預謀性強等特征。歐美國家在打擊非法金融犯罪中，在經濟、法律、體制、技術層面都有研究，尤其以計算機實現高效識別、判斷和追查洗錢線索。對于非法金融組織的查控與打擊，不僅需要通過規范和協調國內外有關反洗錢的法律、加強國際合作，更為重要的是借助如大數據、人工智能等科技手段加強金融情報分析系統與數據分析，搞清“誰在交易”“錢從哪來”“錢到哪去”等核心問題。通過多手段組合的策略，上拓非法金融組織的層級，挖掘上游犯罪涉案，通過大數據關聯最終實現了對非法金融組織關聯犯罪的穿透式打擊。

現階段，經濟犯罪案件數據僅利用關系型數據庫進行數據存儲和數據處理，但是，面對經濟案件的大數據時代，數據之間的復雜度大幅的增加，數據之間高度關聯以及數據極強的動態性給非法金融組織的打擊帶來了難度，尤其在個案的銀行流水到達億級的數據量時，現有的關系型數據庫及數據存儲計算方式不能滿足復雜的計算模型。

發明內容

針對現有技術中的缺陷，本發明提供的一種網絡資金的智能分析系統及方法，提高了經濟案件分析結果的準確性、全面性和及時性，使辦案周期縮短、辦案成本下降、節約警力資源。

為了解決上述技術問題，本發明提供以下技術方案：

一種網絡資金的智能分析方法，包括以下步驟：

S101：犯罪特征采集并形成實體關系模型的拓撲圖G(V，E)，以點邊關系矩陣的方式進行存儲；

S102：通過深度神經網絡進行樣本訓練，建立聚類模型；

S103：根據聚類后的實體關系模型確定資金的流向。

進一步地，所述步驟S101中的實體關系模型中包括節點V和E邊兩個元素，節點V表示個人、企業或賬戶，邊E表示交易明細數據。

進一步地，所述步驟S102中通過深度神經網絡進行樣本訓練，建立聚類模型的過程包括：

S10201：采集交易次數超過20的賬戶作為樣本數據，賬戶分為核心賬戶、經營性賬戶和過渡賬戶，以及分別與核心賬戶、經營性賬戶和過渡賬戶相關聯的特征；

S10202：采用sigmoid函數對絕對量的特征指標進行變換；

S10203：對樣本特征進行描述性統計，刪除樣本特征取值單一的特征；

S10204：計算各樣本特征之間的皮爾遜相關系數，刪除皮爾遜相關系數大于0.8的樣本特征；

S10205：根據肘點法確定簇數，建立聚類模型；

S10206：統計聚類模型中每一類的樣本量，刪除樣本量小于5的類，計算新增樣本特征與保留類中的樣本特征的互信息，刪除保留類中樣本特征的互信息均低于0.1的樣本特征。

進一步地，所述步驟S103中確定資金的流向的過程包括：

S10301：數據抽取：首先，抽取聚類模型中的核心賬戶和過渡賬戶，根據交易明細數據獲取與核心賬戶和過渡賬戶相關的出入賬戶，根據出入賬戶信息獲取歷史案件相關的信息數據；