[發明專利]基于SVM-Xgboost的移動支付風險預警方法

有效

• 申請號: 202210168007.9
• 申請日: 2022-02-23
• 公開（公告）號: CN114463014B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 李培巒;李沛諭;張雨祺;高蓉;栗瑩;李保安
• 申請（專利權）人: 河南科技大學
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q20/38;G06F18/214;G06F18/2415;G06F18/2411
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

本發明提供一種基于SVM?Xgboost的移動支付風險預警方法，該模型使用貝葉斯優化分別對SVM和Xgboost的參數組合進行尋優，再將優化好的兩模型使用堆疊法進行組合，SVM?Xgboost模型可用于移動支付領域交易風險的偵測，在性能提升提升的同時，能夠準確地對移動支付交易記錄進行風險偵測，可以根據交易類型、交易金額、交易前本金、交易后本金等變量來推測出該筆交易是否存在風險，對用戶進行風險預警，提高用戶警惕性，以減少移動支付風險給用戶帶來的經濟損失。

技術領域

本發明涉及移動支付技術領域，具體涉及基于SVM-Xgboost的移動支付風險預警方法。

背景技術

近年來，隨著智能手機的推廣與普及，移動支付行業迅猛發展。作為互聯網信息技術所衍生的新興產物，移動支付具有高效、快捷、便攜、便利等優勢，已成為人們生活中不可或缺的一部分，一方面它給人們的生活帶來了便捷，另一方面，這個行業的高速發展也推動著社會經濟和其他行業的進步。但同時，移動支付的發展過程中也產生了政策和法律風險、資金安全風險等諸多問題，這些問題均可能對用戶產生資金損失，受到社會的廣泛關注，因此，尋找一種能夠對移動支付交易記錄進行風險偵測的方法至關重要。

對于移動支付風險研究多是從移動支付本身存在的風險因素進行的研究分析，而對于移動支付交易記錄存在的風險偵測相關研究較少。Xgboost算法屬于Boosting集成，是由陳天奇設計的基于傳統梯度提升算法的改進，具有防止過擬合效果好，運算速度快、效率高等優勢，近年來運用廣泛發展良好，不少學者對其進行了改進，大部分對于Xgboost算法的改進是使用不同的優化算法對其尋參調整的改進，且仍存在一定的不足，如在利用遺傳算法和隨機森林對Xgboost算法改進時，使用遺傳算法對兩模型權重進行優化的過程中,以均方誤差為目標函數，未兼顧到其他評價指標，使用代價敏感激活函數對Xgboost進行改進用于處理不平衡數據分類方法時，對誤分類代價的設置過程進行了簡化，但導致了模型性能的下降。

發明內容

有鑒于此，本發明提供一種基于SVM-Xgboost的移動支付風險預警方法，該SVM-Xgboost模型用于移動支付交易記錄風險偵測，使用貝葉斯優化分別對SVM和Xgboost的參數組合進行尋優，再將優化好的兩模型使用堆疊法進行組合，在性能提升提升的同時，能夠準確地對移動支付交易記錄進行風險偵測。

為了達到上述目的，本發明所采用的技術方案是：基于SVM-Xgboost的移動支付風險預警方法，包括以下步驟：

S1、建立SVM模型；

S2、隨機選擇一組參數，將訓練數據集帶入該模型進行訓練，并使用貝葉斯優化算法進行參數調整，得到基于貝葉斯優化的SVM模型；

S3、建立Xgboost模型；

S4、隨機選擇一組參數，將訓練數據集及代入該模型進行訓練，并使用貝葉斯優化算法進行參數調整，得到基于貝葉斯優化的Xgboost模型；

S5、采用堆疊法將兩模型進行融合，建立基于SVM-Xgboost組合模型，將訓練數據集代入模型進行訓練后，代入測試數據集，得到最終預測結果；

S51、將優化后的SVM模型和Xgboost模型在訓練數據集上所產生的結果作為新的訓練集,使用邏輯回歸模型對其進行訓練,將上述兩模型的答案作為特征輸入，通過邏輯回歸給上述兩個模型的答案分配權重；

S52、將測試數據集導入上述兩個模型，分別得到預測類別概率值，作為新的測試集；

S53、使用步驟S51訓練好的邏輯回歸模型，將步驟S52得到的特征值代入該邏輯回歸模型，進行預測，得出最終測試集上的預測類別或概率；

S6、將測試數據集代入建立好的基于貝葉斯優化的SVM-Xgboost模型中，進行檢驗。

進一步的，所述步驟S1包括以下步驟：