[發(fā)明專利]業(yè)務(wù)數(shù)據(jù)處理方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210579699.6
• 申請日: 2022-05-26
• 公開（公告）號: CN114971711A
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計）人: 李曉雄;卓陳朋;吳燕平
• 申請（專利權(quán)）人: 中國平安財產(chǎn)保險股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q40/06;G06K9/62;G06N3/08;G06N3/12
• 代理公司: 北京市京大律師事務(wù)所 11321
• 代理人: 沈克琪

1.一種業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，所述業(yè)務(wù)數(shù)據(jù)處理方法包括：

收集企業(yè)業(yè)務(wù)的歷史收益數(shù)據(jù)；

解析所述歷史收益數(shù)據(jù)，提取出其中的目標(biāo)業(yè)務(wù)和所述目標(biāo)業(yè)務(wù)對應(yīng)的消費特征數(shù)據(jù)和成本特征數(shù)據(jù)；

根據(jù)預(yù)設(shè)的聚類算法，對所述成本特征數(shù)據(jù)進行聚類處理，得到所述目標(biāo)業(yè)務(wù)的成本特征參數(shù)，并根據(jù)所述成本特征參數(shù)確定所述目標(biāo)業(yè)務(wù)的收益影響因子；

對所述收益影響因子在不同評估時刻的數(shù)值進行降維處理，得到所有所述目標(biāo)業(yè)務(wù)的收益率對應(yīng)的概率；

將所述消費特征數(shù)據(jù)輸入預(yù)先訓(xùn)練好的收益預(yù)測模型進行預(yù)測，得到預(yù)測結(jié)果，并根據(jù)所述預(yù)測結(jié)果和所述概率，計算所述目標(biāo)業(yè)務(wù)在未來預(yù)設(shè)時間段內(nèi)的收益預(yù)測數(shù)據(jù)；

對所述目標(biāo)業(yè)務(wù)的收益預(yù)測數(shù)據(jù)進行統(tǒng)計，生成業(yè)務(wù)配置結(jié)果，并將所述業(yè)務(wù)配置結(jié)果發(fā)送至預(yù)設(shè)客戶端。

2.根據(jù)權(quán)利要求1所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，在所述收集企業(yè)業(yè)務(wù)的歷史收益數(shù)據(jù)之前，還包括：

確定企業(yè)中的目標(biāo)業(yè)務(wù)以及所述目標(biāo)業(yè)務(wù)的業(yè)務(wù)屬性信息；

確定所述業(yè)務(wù)屬性信息對應(yīng)的屬性值，并以所述屬性值為節(jié)點建立業(yè)務(wù)數(shù)據(jù)樹，對企業(yè)中的所有所述目標(biāo)業(yè)務(wù)進行分類展示。

3.根據(jù)權(quán)利要求1所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，所述根據(jù)預(yù)設(shè)的聚類算法，對所述成本特征數(shù)據(jù)進行聚類處理，得到所述目標(biāo)業(yè)務(wù)的成本特征參數(shù)包括：

基于所述成本特征數(shù)據(jù)，確定不同的特征參數(shù)組合；

根據(jù)預(yù)設(shè)的聚類算法，根據(jù)所述不同的特征參數(shù)組合對所述業(yè)務(wù)進行聚類，確定所述不同的特征參數(shù)組合分別對應(yīng)的聚類結(jié)果；

根據(jù)所述聚類結(jié)果，從所述成本特征數(shù)據(jù)中篩選出用于分析所述目標(biāo)業(yè)務(wù)的特征參數(shù)。

4.根據(jù)權(quán)利要求1所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，在所述根據(jù)預(yù)設(shè)的聚類算法，對所述成本特征數(shù)據(jù)進行聚類處理，得到所述目標(biāo)業(yè)務(wù)的成本特征參數(shù)之前，還包括：

對所述業(yè)務(wù)樹中的業(yè)務(wù)節(jié)點進行風(fēng)險掃描，得到所述業(yè)務(wù)節(jié)點下的各業(yè)務(wù)的漏洞信息以及所述各業(yè)務(wù)的配置信息；

根據(jù)所述漏洞信息和所述配置信息，確定所述目標(biāo)業(yè)務(wù)的漏洞風(fēng)險值和配置風(fēng)險值；

根據(jù)預(yù)設(shè)安全權(quán)重系數(shù)，對所述目標(biāo)業(yè)務(wù)的漏洞風(fēng)險值和所述業(yè)務(wù)的配置風(fēng)險值進行加權(quán)計算，得到所述目標(biāo)業(yè)務(wù)的業(yè)務(wù)風(fēng)險值。

5.根據(jù)權(quán)利要求1所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，所述對所述收益影響因子在不同評估時刻的數(shù)值進行降維處理，得到所有所述目標(biāo)業(yè)務(wù)的收益率對應(yīng)的概率包括：

對所述收益影響因子在多個評估時刻的數(shù)值進行降維處理，獲得多組收益組合在每個所述評估時刻的組合數(shù)值；

對所述多組收益組合在每個評估時刻的組合數(shù)值進行預(yù)測處理，得到各類業(yè)務(wù)的收益率的概率。

6.根據(jù)權(quán)利要求1所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，在所述將所述消費特征數(shù)據(jù)輸入預(yù)先訓(xùn)練好的收益預(yù)測模型進行預(yù)測，得到預(yù)測結(jié)果，并根據(jù)所述預(yù)測結(jié)果和所述概率，計算所述目標(biāo)業(yè)務(wù)在未來預(yù)設(shè)時間段內(nèi)的收益預(yù)測數(shù)據(jù)之前，還包括：

確定與所述業(yè)務(wù)的特征參數(shù)對應(yīng)的特征值；

將所述業(yè)務(wù)的歷史收益數(shù)據(jù)和所述特征參數(shù)對應(yīng)的特征值輸入預(yù)設(shè)GA-BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直到所述GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂，得到收益預(yù)測模型。

7.根據(jù)權(quán)利要求6所述的業(yè)務(wù)數(shù)據(jù)處理方法，其特征在于，所述將所述業(yè)務(wù)的歷史收益數(shù)據(jù)和所述特征參數(shù)對應(yīng)的特征值輸入預(yù)設(shè)GA-BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直到所述GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂，得到收益預(yù)測模型包括：

將所述業(yè)務(wù)劃分為不同的業(yè)務(wù)組合；

根據(jù)預(yù)設(shè)的聚類算法和所述特征參數(shù)，對所述不同的業(yè)務(wù)組合進行聚類，得到多個聚類簇；

根據(jù)所述聚類簇的統(tǒng)計特征，分別從所述多個聚類簇中篩選出所述統(tǒng)計特征最優(yōu)的聚類簇；

基于選擇的所述聚類簇中的各個業(yè)務(wù)的歷史收益數(shù)據(jù)和所述特征參數(shù)的特征值，搭建GA-BP神經(jīng)網(wǎng)絡(luò)模型；

將所述業(yè)務(wù)的歷史收益數(shù)據(jù)輸入預(yù)設(shè)GA-BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練直到所述GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂，得到收益預(yù)測模型。