一种基于深度学习的风险预测方法和装置
文献发布时间:2023-06-19 10:35:20
技术领域
本发明涉及行为预测技术领域,具体是一种基于深度学习的风险预测方法和装置。
背景技术
在任何应用场景下,对风险的感知、预测和防范都是一个重要的方面。在应对风险方面,众多的应用场景都是基于主体的行为轨迹来进行风险预测的。例如,在电子商务和金融评估中,基于主体的交易历史和违约记录来分析当前交易或者信贷的违约风险,在交通出行中基于主体的行为轨迹来分析后续的交通进程安全性,等等。
目前,如何能提升风险预测的精准性,是一个难题。现有技术中通过主体行为轨迹历史数据的概率统计来进行风险的预测,这样实质上只是汇总历史结果来预测未来,无法充分反映主体的主客观因素实时变化所施加的影响。另外,根据行为轨迹中各个行为的发生时序等因素,其对下一阶段风险的影响程度也是不一样的,现有技术中却难以进行对各个行为与下阶段风险关系的影响程度纳入考虑。
因此,如何基于主体的行为轨迹,对下阶段对风险进行精准预测,降低预测机制算法的复杂度,提高预测机制的适用性是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题,本发明的目的是为了解决现有技术中提出的风险预测准确性不高、依赖简单统计、对主体时序因素与风险的复杂关系难以有效反映和分析的技术问题。
本发明实施例提供一种基于深度学习的风险预测方法,包括:
S101、构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
S102、根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
优选的是,步骤S101中所述构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测,包括:
S1011、基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
S1012、采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
优选的是,步骤S1011中,按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为p
优选的是,步骤S1012中,每个行为p
其中,
优选的是,针对行为轨迹集合V中全部行为{p
进而,本发明还提供了一种基于深度学习的风险预测装置,包括:
行为状态预测模块,用于构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测;
预测向量生成模块,用于根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量;
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
优选的是,所述行为状态预测模块包括:
关联拓扑构建单元,基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑;
传导预测单元,采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
优选的是,关联拓扑构建单元按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合;将用户的每个行为表示为p
优选的是,传导预测单元对每个行为p
其中,
优选的是,预测向量生成模块针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量;针对行为轨迹集合V中全部行为{p
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步地详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种基于深度学习的风险预测方法流程图;
图2为本发明实施例提供的一种基于深度学习的风险预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种基于深度学习的风险预测方法,该方法包括:
S101、构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测。
具体的,将行为轨迹集合中的行为相互作用、相互影响的关系构建关联拓扑,从而基于关联拓扑可以实现行为状态的传导预测。
S102、根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量。
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
在一个实施例中,上述步骤S101中所述构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测,包括:
S1011、基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑。
具体的,按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合。将用户的每个行为表示为p
进一步地,根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,构建关联拓扑为G={V,E,W},其中,行为轨迹集合V中的每个行为p
S1012、采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
具体的,每个行为p
进一步地,对于每个行为p
其中,
S102、针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量。
具体的,针对行为轨迹集合V中全部行为{p
S103、将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。所述风险评估模型基于深度学习的机制,可以以样本用户的行为轨迹样本向量和样本用户的样本风险等级,对该风险评估模型进行训练,从而训练该模型能够基于输入的行为轨迹预测向量,输出对用户的风险评级值,该模型可以采取BP神经网络、SVM支持向量机等。经过训练后,将步骤S102的行为轨迹预测向量X={x
进而,本发明实施例提供的一种基于深度学习的风险预测装置,如图2所示,包括:
行为状态预测模块,用于构建主体的行为轨迹集合,根据所述行为轨迹集合中的行为建立关联拓扑,并利用行为的行为状态与所述关联拓扑生成行为的传导预测。具体的,行为状态预测模块将行为轨迹集合中的行为相互作用、相互影响的关系构建关联拓扑,从而基于关联拓扑可以实现行为状态的传导预测。
预测向量生成模块,用于根据所述行为状态和所述关联拓扑的传导预测,生成行为轨迹预测向量。
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。
本实施例中,该风险预测装置关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
在一个实施例中,所述行为状态预测模块包括:
关联拓扑构建单元,基于行为构建行为轨迹集合,并根据行为轨迹集合中行为之间相互影响的关联性、行为之间关联影响的权重,面向所述行为轨迹集合构建关联拓扑。
具体的,关联拓扑构建单元按照一定的标准条件,将用户的一系列行为按照时序顺序,构成行为轨迹集合。将用户的每个行为表示为p
传导预测单元,采集用户上阶段行为轨迹集合中的行为状态,并根据所述行为状态,通过所述关联拓扑,实现对用户下阶段行为的传导预测。
具体的,每个行为p
进一步地,对于每个行为p
其中,
预测向量生成模块,针对行为轨迹集合V中每一个行为的行为状态,生成该集合的行为轨迹预测向量。
具体的,针对行为轨迹集合V中全部行为{p
风险评估模块,将行为轨迹预测向量代入基于深度学习的风险评估模型,实现行为风险评估。所述风险评估模型基于深度学习的机制,可以以样本用户的行为轨迹样本向量和样本用户的样本风险等级,对该风险评估模型进行训练,从而训练该模型能够基于输入的行为轨迹预测向量,输出对用户的风险评级值,该模型可以采取BP神经网络、SVM支持向量机等。经过训练后,将步骤S102的行为轨迹预测向量X={x
本实施例中关注主体的行为轨迹之中行为的相互关系,将行为的关系组织为关联拓扑,进而基于关联拓扑实现行为的传导预测,即利用彼此关联的一系列行为的传导实现对下阶段行为的预测,形成行为轨迹预测向量;进而,基于深度学习的机制,训练风险评估模型建立行为轨迹预测向量与风险评级的关系,从而能够根据下阶段的行为轨迹预测向量,实现下阶段的风险评级预测。从而,本发明针对主体的行为具有更为全面的分析和风险预测机制,提高预测机制的适用性,并且运用深度学习机制,建立了对风险的高准确性的预测。
- 一种基于深度学习的风险预测方法和装置
- 一种基于深度学习的窃电风险预测方法及装置