CN110378781A - 数据监控方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及机器学习，提供一种数据监控方法、装置、计算机设备和存储介质。该方法包括：接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；根据初始监控维度在初始监控周期内获取初始账号标识对应的初始监控数据；根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果；将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据。采用本方法能够节省监控资源。

Description

数据监控方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种数据监控方法、装置、计算机设备和存储介质。

背景技术

目前，由于大数据的发展，各种网站都需要采集用户的数据来对用户的行为进行分析。基本上都是周期性的监控来获取用户的数据并进行分析。这种较为固定的监控方式，容易浪费监控资源。例如：银行在贷款发放后，都是通过周期性的监控来及时发现用户逾期风险，比如一个月采集贷款用户数据一次，分析贷款用户逾期风险概率。而这种较为固定的监控方式进行监控，如果监控周期较大，不利于及时发现逾期风险，数据分析效率低下，如果监控周期较为频繁，则会浪费监控资源。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高监控效率，节省监控资源的数据监控方法、装置、计算机设备和存储介质。

一种数据监控方法，所述方法包括：

接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

根据初始监控维度在初始监控周期内获取初始账号标识对应的初始监控数据；

根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示所述未预警账号标识对应的逾期可能性大小；

将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据。

在其中一个实施例中，已训练的评分卡模型的生成步骤，包括：

获取历史监控数据和对应的逾期结果，根据历史监控数据生成监控数据向量，根据逾期结果生成对应的评分结果向量；

将监控数据向量作为输入，将监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到已训练的评分卡模型。

在其中一个实施例中，已训练的朴素贝叶斯模型的生成步骤，包括：

获取历史监控维度、对应的监控周期和评分结果，根据历史监控维度、对应的监控周期和评分结果计算出未预警概率参数和逾期概率参数；

根据历史监控维度和评分结果计算历史监控维度的条件概率参数，根据监控周期和评分结果计算监控周期的条件概率参数，得到已训练的朴素贝叶斯模型。

在其中一个实施例中，根据初始监控维度在初始监控周期内获取初始监控账号标识对应的初始监控数据，包括：

根据初始监控维度在初始监控周期内从各个预设数据源获取初始监控数据报文；

解析各个预设数据源对应的初始监控数据报文得到解析结果；

将解析结果转换为目标字段对应的数据，得到初始监控数据。

在其中一个实施例中，在根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据之后，还包括：

根据目标监控数据确定目标监控数据向量；

将目标监控数据向量输入到已训练的评分卡模型中，得到未预警账号标识在目标监控周期内的评分结果，根据评分结果向监控终端发送报警提示。

在其中一个实施例中，在根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据之后，还包括：

根据目标监控数据进行统计计算，得到计算结果，根据计算结果生成可视化报表，将可视化报表发送到监控终端进行显示。

一种数据监控装置，所述装置包括：

指令接收模块，用于接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

监控数据得到模块，用于根据初始监控维度在初始监控周期内获取初始监控账号标识对应的初始监控数据；

概率得到模块，用于根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示未预警账号标识对应的逾期可能性大小；

模型计算模块，用于将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

监控模块，用于根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据。

在其中一个实施例中，所述装置还包括：

向量生成模块，用于获取历史监控数据和对应的逾期结果，根据历史监控数据生成监控数据向量，根据逾期结果生成对应的评分结果向量；

模型训练模块，用于将监控数据向量作为输入，将监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到已训练的评分卡模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

根据初始监控维度在初始监控周期内监控初始获取初始账号标识对应的初始监控数据；

根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示所述未预警账号标识对应的逾期可能性大小；

将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

根据输出结果确定得到目标监控周期和目标监控维度，根据目标监控周期和目标监控维度获取未预警账号标识对应的目标监控数据。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

根据初始监控维度在初始监控周期内监控初始获取初始账号标识对应的初始监控数据；

根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示所述未预警账号标识对应的逾期可能性大小；

将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

根据输出结果确定得到目标监控周期和目标监控维度，根据目标监控周期和目标监控维度获取未预警账号标识对应的目标监控数据。

上述数据监控方法、装置、计算机设备和存储介质，通过根据初始监控数据使用评分卡模型和朴素贝叶斯模型来调整初始监控周期和初始监控维度，从而得到目标监控周期和目标监控维度，使用目标监控周期和目标监控维度来获取目标账号标识对应的目标监控数据，实现了不同的用户使用不同的监控周期和监控维度进行监控，提高了监控的效率，节省了监控资源。

附图说明

图1为一个实施例中数据监控方法的应用场景图；

图2为一个实施例中数据监控方法的流程示意图；

图3为一个实施例中训练评分卡模型的流程示意图；

图4为一个实施例中训练朴素贝叶斯模型的流程示意图；

图5为一个实施例中得到初始监控数据的流程示意图；

图6为一个实施例中得到未预警账号标识对应逾期概率的的流程示意图；

图7为一个具体实施例中可视化报表的示意图；

图8为一个实施例中数据监控装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的数据监控方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104接收终端102发送的数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；服务器104根据初始监控维度在初始监控周期内监控初始获取初始账号标识对应的初始监控数据；根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示所述未预警账号标识对应的逾期可能性大小；服务器104将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；服务器104根据输出结果确定得到目标监控周期和目标监控维度，根据所述目标监控维度在所述目标监控周期内获取所述未预警账号标识对应的目标监控数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种数据监控方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

S202，接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期。

其中，初始监控账号标识用于唯一标识需要进行监控的用户，比如，在贷款平台发放贷款后要监控的贷款用户。初始监控维度是指要采集的初始监控账号标识对应用户相关的数据字段，比如，用户常驻地址字段、用户手机话费字段和用户外部贷款申请字段等等。初始监控周期是指初步确定的采集该用户相关数据的时间长度，比如一个月，或者两个月。

具体地，服务器接收终端发送的数据监控指令，该数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期。服务器解析该数据监控指令，得到该数据监控指令携带的初始监控账号标识、初始监控维度和初始监控周期。

S204，根据初始监控维度在初始监控周期内获取初始监控账号标识对应的初始监控数据。

其中，初始监控数据是指在初始监控周期内根据初始监控维度采集初始监控账号标识对应的数据。

具体地，服务器根据初始监控维度在初始监控周期内监控初始监控账号标识，得到初始监控数据。服务器可以从互联网各个渠道获取该初始监控账号标识的初始监控维度对应的数据。也可以从内部数据库中获取到该初始监控账号标识对应的数据。

S206，根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示所述未预警账号标识对应的逾期可能性大小。

其中，未预警账号标识用于标识未符合预设预警规则的用户，该未预警账号标识包括在初始账号标识中。预设预警规则是指人为设置的一些预警规则，比如该初始监控数据中该用户的手机欠费，则该用户的账号标识为预警账号标识；该用户的常驻地址长时间无人居住，则该用户的账号标识为预警账号标识。当用户为预警账号标识需要进行风险处理，即向管理终端发送预警提示并显示预警账号标识，不用在对该预警账号标识进行监控。

评分卡模型是根据历史监控数据和评分结果使用机器学习算法训练得到的模型，该机器学习算法可以是逻辑回归算法，深度神经网络算法等等。该评分卡模型是用来预测用户的逾期可能性的模型。

具体地，服务器根据预先设置好的预警规则，从初始监控数据中确定预警账号标识和未预警账号标识，将预警账号标识和预警提示一起发送到管理终端进行展示。然后服务器将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到评分卡模型输出的评分结果，该评分结果表示该未预警账号标识对应的逾期可能性大小。

S208，将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果。

其中，朴素贝叶斯模型是预先根据历史用户贷款后的监控数据和还款是否逾期对应的评分结果使用朴素贝叶斯算法计算得到的。该输出结果可以是各个未预警账号标识对应的预设监控维度和预设监控周期的概率值。

具体地，服务器将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中进行计算，得到各个未预警账号标识对应的预设监控维度和预设监控周期的概率值。

S210，根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据。

其中，目标监控周期是指在初始监控周期之后对未预警账号标识监控的周期，目标监控维度是指在目标监控周期中需要获取的未预警账号标识相关的数据字段。目标监控数据是指在目标监控周期内获取到的目标监控维度对应的数据。

具体地，服务器将输出结果中大于预设阈值的预设监控维度和预设监控周期作为各个未预警账号标识对应目标监控周期和目标监控维度，服务器根据所述目标监控维度在所述目标监控周期内获取各个未预警账号标识对应的目标监控数据。

在上述数据监控方法中，通过根据初始监控数据使用评分卡模型和朴素贝叶斯模型来调整初始监控周期和初始监控维度，从而得到目标监控周期和目标监控维度，使用目标监控周期和目标监控维度来获取目标账号标识对应的目标监控数据，实现了不同的用户使用不同的监控周期和监控维度进行监控，提高了监控的效率，节省了监控资源。

在一个实施例中，如图3所示，已训练的评分卡模型的生成步骤，包括：

S302，获取历史监控数据和对应的逾期结果，根据历史监控数据生成监控数据向量，根据逾期结果生成对应的评分结果向量。

其中，评分结果是指用户在贷款后是否在规定期限内还款的结果，包括逾期和未逾期。

具体地，服务器获取到历史贷款用户的监控数据和对应的逾期结果，将历史监控数据进行预处理，得到监控数据向量，即将监控数据中各个维度对应的数据数值化，然后将数值化的数据转换为向量，得到监控数据向量。将逾期结果转换为评分结果向量，比如逾期对应的评分结果向量可以为(0,1)。未预警对应的评分结果向量可以为(1,0)。

S304，将监控数据向量作为输入，将监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到已训练的评分卡模型。

其中，预设条件是指训练次数达到最大迭代次数或者使用的损失函数的值达到预设阈值。逻辑回归算法是指logistic回归算法，是一种广义的线性回归分析模型。激活函数使用sigmoid函数损失函数使用最大化似然函数。

具体地，服务器将将监控数据向量作为输入，将监控数据向量对应的评分结果作为标签使用逻辑回归算法进行训练，当训练次数达到最大迭代次数或者使用的损失函数的值达到预设阈值时，得到已训练的评分卡模型。

在上述实施例中，通过历史监控数据和对应的逾期结果使用逻辑回归算法训练得到评分卡模型，便于后续的使用，提高监控效率。

在一个实施例中，如图4所示，已训练的朴素贝叶斯模型的生成步骤，包括：

S402，获取历史监控维度、对应的监控周期和评分结果，根据历史监控维度、对应的监控周期和评分结果计算出未预警概率参数和逾期概率参数。

其中，未预警概率参数是指历史用户中贷款没有逾期的用户占所有贷款用户的概率参数，逾期概率参数是指历史用户中贷款逾期的用户占所有贷款用户的概率参数。

具体地，服务器获取到历史用户的监控维度、历史监控周期和历史评分结果。根据历史监控维度、历史监控周期和历史评分结果计算出未预警概率参数和逾期概率参数。即根据逾期的用户数和历史用户总数得到逾期概率参数。根据未逾期的用户总数和历史用户总数得到未逾期的概率参数。

S404，根据历史监控维度和评分结果计算历史监控维度的条件概率参数，根据监控周期和评分结果计算监控周期的条件概率参数，得到已训练的朴素贝叶斯模型。

其中，朴素贝叶斯模型是指使用朴素贝叶斯算法训练得到的模型，其朴素贝叶斯公式为将该公式转换为逾期结果的计算公式为

具体地，服务器计算逾期结果中用户历史监控维度中各个维度的条件概率参数，即该历史监控维度中各个维度的评分结果为用户逾期的条件概率参数和历史监控维度中各个维度的评分结果为用户未逾期的条件概率参数。比如，若监控字段是手机费用字段，计算出用户贷款逾期的情况下手机欠费的条件概率和手机未欠费条件概率参数，并计算出用户贷款未逾期的情况下手机欠费的条件概率和手机未欠费条件概率参数，得到手机费用字段的条件概率参数。根据监控周期和逾期结果计算监控周期的条件概率，即在逾期的情况下不同监控周期的条件概率参数，根据计算得到的各个参数就得到了已训练的朴素贝叶斯模型。

在上述实施例中，通过获取历史监控维度、对应的监控周期和评分结果，根据历史监控维度、对应的监控周期和评分结果计算出未预警概率参数和逾期概率参数。根据历史监控维度和评分结果计算历史监控维度的条件概率参数，根据监控周期和评分结果计算监控周期的条件概率参数，得到已训练的朴素贝叶斯模型。通过预先训练得到朴素贝叶斯模型，在进行监控时可以直接使用，方便快捷。

在一个实施例中，如图5所示，步骤S204，即根据初始监控维度在初始监控周期内获取初始监控账号标识对应的初始监控数据，包括步骤：

S502，根据初始监控维度在初始监控周期内从各个预设数据源获取监控数据报文。

其中，预设数据源是指可以获取到初始账号标识对应的各种数据的服务器。比如，从电信服务器数据库中获取用户手机费用情况，从公安服务器数据库中获取用户是否在常驻地址。从其他金融机构服务器数据库中获取该用户的贷款申请情况等等。

具体地，服务器根据初始监控维度在初始监控周期内从各个预设数据源获取各个初始监控账号标识对应的监控数据报文。从各个预设数据源获取数据时，需要预先获取到各个数据源的授权。

S504，解析各个预设数据源对应的初始监控数据报文得到解析结果。

具体地，服务器解析各个预设数据源对应的初始监控数据报文，得到解析结果。即得到各个预设数据源中对应的监控数据报文对应的数据。每个数据源都有自己的报文格式，解析不同数据源的报文得到的不同的字段数据。

S506，将解析结果转换为目标字段对应的数据，得到初始监控数据。

其中，目标字段是指预先设置好的统一字段。目标字段用于将各个数据源的报文字段统一，以便于得到相同格式的数据。

具体地，服务器按照预先设置好的字段将解析结果转换为设置好的字段对应的数据，就得到了初始监控数据。

在上述实施例中，通过将各个预设数据源的数据报文的解析结果转换为统一字段的数据，得到初始监控数据，使得到的初始监控数据的字段统一，方便后续管理。

在一个实施例中，如图6所示，在步骤S210之后，即在根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据之后，还包括步骤：

S602，根据目标监控数据得到目标监控数据向量。

具体地，服务器将该目标监控数据预处理即转换为数值化数据，然后根据数值化的目标监控数据得到目标监控数据向量。

S604，将目标监控数据向量输入到已训练的评分卡模型中，得到未预警账号标识在目标监控周期内的评分结果，根据评分结果向监控终端发送报警提示。

具体地，将目标监控数据向量输入到已训练的评分卡模型中，得到未预警账号标识在目标监控周期内的评分结果。将评分结果为逾期结果对应的未预警账号标识标记作为风险账号，向监控终端发送该风险用户对应的评分结果并进行预警提示。

在上述实施例中，根据目标监控数据得到目标监控数据向量，将目标监控数据向量输入到已训练的评分卡模型中，得到未预警账号标识在目标监控周期内的评分结果，根据评分结果向监控终端发送报警提示，通过根据监控得到的数据使用评分卡模型得到评分，能够及时提醒监控终端对评分结果中的逾期账号标识进行风险管控，避免贷款账号逾期还款。

在一个实施例中，在步骤S210之后，在根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据之后，还包括步骤：

根据目标监控数据进行统计计算，得到计算结果，根据计算结果生成可视化报表，将可视化报表发送到监控终端进行显示。

具体地，根据目标监控数据进行统计计算，得到计算结果，比如，根据目标监控数据计算月预警总人数增长率，计算人均新增申请贷款次数，计算预警类型趋势，计算风险预警人数趋势等等。然后根据计算结果生成可视化报表，将可视化报表发送到监控终端进行显示。比如，生成的报表可以如图7所示。

在上述实施例中，通过根据目标监控数据进行统计计算，得到计算结果，根据计算结果生成可视化报表，将可视化报表发送到监控终端进行显示，可以对相关监控数据进行可视化显示，方便用户查看。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个具体的实施例中，该数据监控方法应用在贷后监控预警平台中。监控人员通过将贷后客户表上传到贷后监控预警平台中，在该贷后监控预警平台选择需要监控的贷后客户表中的客户标识和对应的初始监控字段和初始监控周期，贷后监控预警平台通过前海征信或者人行征信查询等获取到初始监控字段对应的外部字段数据，通过字段管理将外部字段转换为内部字段，然后将字段对应的数据通过规则管理进行初次预警处理，得到未预警客户标识，将未预警客户标识对应的初始监控数据输入到评分卡模型中，得到未预警客户标识对应的贷款逾期概率，根据贷款逾期概率得到逾期结果，即将贷款逾期概率大于预设阈值的未预警客户标识标记为逾期。将该未预警客户对应的逾期概率和未预警客户对应的监控数据输入到朴素贝叶斯模型中计算得到预设监控维度和预设监控周期的概率，根据得到的概率进行初始监控字段和初始监控周期调整，即将该预设监控维度的概率大于预设阈值的预设监控维度作为目标监控维度，将该预设监控周期的概率最大的预设监控周期作为目标监控周期进行监控，并得到目标监控数据。贷后监控预警平台可以根据该目标监控数据进行统计计算，得到展示报表，将展示报表在监控终端进行显示。也可以将展示报表发送到风控人员对应的终端进行显示，便于风险控制人员进行风险处置。

在一个实施例中，如图8所示，提供了一种数据监控装置800，包括：指令接收模块802、监控数据得到模块804、概率得到模块806、模型计算模块808和监控模块810，其中：

指令接收模块802，用于接收数据监控指令，数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

监控数据得到模块804，用于根据初始监控维度在初始监控周期内获取初始监控账号标识对应的初始监控数据；

概率得到模块806，用于根据初始监控数据确定未预警账号标识，将未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到未预警账号标识对应的评分结果，评分结果用于表示未预警账号标识对应的逾期可能性大小；

模型计算模块808，用于将未预警账号标识对应的初始监控数据和评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

监控模块810，用于根据输出结果确定目标监控周期和目标监控维度，根据目标监控维度在目标监控周期内获取未预警账号标识对应的目标监控数据。

在一个实施例中，数据监控装置800，还包括：

向量生成模块，用于获取历史监控数据和对应的逾期结果，根据历史监控数据生成监控数据向量，根据逾期结果生成对应的评分结果向量；

模型训练模块，用于将监控数据向量作为输入，将监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到已训练的评分卡模型。

在一个实施例中，数据监控装置800，还包括：

参数计算模块，用于获取历史监控维度、对应的监控周期和评分结果，根据历史监控维度、对应的监控周期和评分结果计算出未预警概率参数和逾期概率参数；

条件参数计算模块，用于根据历史监控维度和评分结果计算历史监控维度的条件概率参数，根据监控周期和评分结果计算监控周期的条件概率参数，得到已训练的朴素贝叶斯模型。

在一个实施例中，监控数据得到模块804，包括：

数据报文获取模块，用于根据初始监控维度在初始监控周期内，从各个预设数据源获取初始监控数据报文；

解析模块，用于解析各个预设数据源对应的初始监控数据报文得到解析结果；

数据转换模块，用于将解析结果转换为目标字段对应的数据，得到初始监控数据。

在一个实施例中，数据监控装置800，还包括：

目标向量得到模块，用于根据目标监控数据得到目标监控数据向量；

监控模块，用于将目标监控数据向量输入到已训练的评分卡模型中，得到未预警账号标识在目标监控周期内的评分结果，根据评分结果向监控终端发送报警提示。

在一个实施例中，数据监控装置800，还包括：

可视化生成模块，用于根据目标监控数据进行统计计算，得到计算结果，根据计算结果生成可视化报表，将可视化报表发送到监控终端进行显示。

关于数据监控装置的具体限定可以参见上文中对于数据监控方法的限定，在此不再赘述。上述数据监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储监控相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据监控方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述任意实施例中电子***生成方法所述的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例中电子***生成方法所述的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种数据监控方法，所述方法包括：

接收数据监控指令，所述数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

根据所述初始监控维度在所述初始监控周期内获取所述初始监控账号标识对应的初始监控数据；

根据所述初始监控数据确定未预警账号标识，将所述未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到所述未预警账号标识对应的评分结果，所述评分结果用于表示所述未预警账号标识对应的逾期可能性大小；

将所述未预警账号标识对应的初始监控数据和所述评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

根据所述输出结果确定目标监控周期和目标监控维度，根据所述目标监控维度在所述目标监控周期内获取所述未预警账号标识对应的目标监控数据。

2.根据权利要求1所述的方法，其特征在于，所述已训练的评分卡模型的生成步骤，包括：

获取历史监控数据和对应的逾期结果，根据所述历史监控数据生成监控数据向量，根据所述逾期结果生成评分结果向量；

将所述监控数据向量作为输入，将所述监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到所述已训练的评分卡模型。

3.根据权利要求1所述的方法，其特征在于，所述已训练的朴素贝叶斯模型的生成步骤，包括：

获取历史监控维度、对应的监控周期和评分结果，根据所述历史监控维度、对应的监控周期和评分结果计算出未预警概率参数和逾期概率参数；

根据所述历史监控维度和所述评分结果计算所述历史监控维度的条件概率参数，根据所述监控周期和所述评分结果计算所述监控周期的条件概率参数，得到所述已训练的朴素贝叶斯模型。

4.根据权利要求1所述的方法，其特征在于，根据所述初始监控维度在所述初始监控周期内获取所述初始监控账号标识对应的初始监控数据，包括：

根据所述初始监控维度在所述初始监控周期内从各个预设数据源获取初始监控数据报文；

解析所述各个预设数据源对应的初始监控数据报文得到解析结果；

将所述解析结果转换为目标字段对应的数据，得到所述初始监控数据。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述输出结果确定目标监控周期和目标监控维度，根据所述目标监控维度在所述目标监控周期内获取所述未预警账号标识对应的目标监控数据之后，还包括：

根据所述目标监控数据确定目标监控数据向量；

将所述目标监控数据向量输入到所述已训练的评分卡模型中，得到所述未预警账号标识在所述目标监控周期内的评分结果，根据所述评分结果向监控终端发送报警提示。

6.根据权利要求1所述的方法，其特征在于，所述根据所述输出结果确定目标监控周期和目标监控维度，根据所述目标监控维度在所述目标监控周期内获取所述未预警账号标识对应的目标监控数据之后，还包括：

根据所述目标监控数据进行统计计算，得到计算结果，根据所述计算结果生成可视化报表，将所述可视化报表发送到监控终端进行显示。

7.一种数据监控装置，其特征在于，所述装置包括：

指令接收模块，用于接收数据监控指令，所述数据监控指令中携带有初始监控账号标识、初始监控维度和初始监控周期；

监控数据得到模块，用于根据所述初始监控维度在所述初始监控周期内获取所述初始监控账号标识对应的初始监控数据；

评分计算模块，用于根据所述初始监控数据确定未预警账号标识，将所述未预警账号标识对应的初始监控数据输入到已训练的评分卡模型中，得到所述未预警账号标识对应的评分结果，所述评分结果用于表示所述未预警账号标识对应的逾期可能性大小；

结果计算模块，用于将所述未预警账号标识对应的初始监控数据和所述评分结果输入到已训练的朴素贝叶斯模型中，得到输出结果；

监控模块，用于根据所述输出结果确定目标监控周期和目标监控维度，根据所述目标监控维度在所述目标监控周期内获取所述未预警账号标识对应的目标监控数据。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

向量生成模块，用于获取历史监控数据和对应的逾期结果，根据所述历史监控数据生成监控数据向量，根据所述逾期结果生成对应的评分结果向量；

模型训练模块，用于将所述监控数据向量作为输入，将所述监控数据向量对应的评分结果向量作为标签使用逻辑回归算法进行训练，当达到预设条件时，得到所述已训练的评分卡模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。