CN111709831A - 黑名单的分析方法及装置 - Google Patents
黑名单的分析方法及装置 Download PDFInfo
- Publication number
- CN111709831A CN111709831A CN202010547920.0A CN202010547920A CN111709831A CN 111709831 A CN111709831 A CN 111709831A CN 202010547920 A CN202010547920 A CN 202010547920A CN 111709831 A CN111709831 A CN 111709831A
- Authority
- CN
- China
- Prior art keywords
- user
- blacklist
- credit
- coefficient
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种黑名单的分析方法及装置,该方法包括:首先,在接收到用户触发的黑名单分析指令时,获取用户的个人信息;其中,用户的个人信息包括:用户的基本信息以及用户当前的ETC卡信用属性信息;然后,将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到用户的信用系数;其中,用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;最后,若用户的信用系数大于阈值,则将用户加入高速通行黑名单。使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种黑名单的分析方法及装置。
背景技术
电子不停车收费***(Electronic Toll Collection,ETC)是用于高速公路自动收费的一种***。随着ETC的应用越来越广泛,使用ETC卡来支付高速公路通行费的用户也越来越多。目前,大多数用户使用的ETC卡采用的是记账收费模式。即ETC记账卡与用户的一张银行卡进行绑定,用户使用ETC记账卡通过收费站后,ETC会根据通行记录从绑定的银行卡中扣除通行费。由于有些用户所绑定的银行卡内没有充足的资金支付通行费,会出现欠费的情况,因此银行等金融机构设立了高速通行黑名单来限制这类用户的通行。
现有技术中,主要根据用户ETC记账卡的欠费的次数或者欠费的金额来评判用户是否进入高速通行黑名单。例如,当用户的ETC记账卡欠费次数达到n次时,该用户会被设置为高速通行的黑名单用户。然而,由于现有的高速通行黑名单的设置方式中仅考虑到了ETC记账卡的欠费次数或者欠费金额,而ETC记账卡的欠费次数或者欠费金额实际上不能够反映用户实际的资产情况,导致高速通行黑名单的设置标准与用户实际的资产情况并不匹配。
发明内容
有鉴于此,本申请提供一种黑名单的分析方法及装置,用于高速通行黑名单的设置标准更加贴合用户实际的资产情况。
本申请第一方面提供了一种黑名单的分析方法,包括:
在接收到用户触发的黑名单分析指令时,获取所述用户的个人信息;其中,所述用户的个人信息包括:用户的基本信息以及所述用户当前的ETC卡信用属性信息;
将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到所述用户的信用系数;其中,所述用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
若所述用户的信用系数大于阈值,则将所述用户加入高速通行黑名单。
可选的,所述用户信用系数的计算模型的构建方法,包括:
确定训练样本集中每一个属性对应的相关性系数;其中,所述训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点;
选取所述结点的不同取值建立所述节点对应的子结点,直至所述训练样本集所有的属性都建立完成,得到最终的决策树模型,将所述最终的决策树模型作为用户信用系数的计算模型。
可选的,所述确定训练样本集中每一个属性对应的相关性系数,包括:
将训练样本集中的每一个属性分别输入至相关性系数公式中,计算得到训练样本集中每一个属性对应的相关性系数;
其中,所述相关性系数公式为:
其中,D代表训练样本集,Di表示第i类样本集,|D|为训练样本集总数量,|Di|表示第i类样本集数量,A表示输入至相关性系数公式的属性。
可选的,所述将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型之前,还包括:
判断所述用户是否已加入高速通行黑名单;
若判断出所述用户没有加入高速通行黑名单,则执行将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
可选的,所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
本申请第二方面提供了一种黑名单的分析装置,包括:
获取单元,用于在接收到用户触发的黑名单分析指令时,获取所述用户的个人信息;其中,所述用户的个人信息包括:用户的基本信息以及所述用户当前的ETC卡信用属性信息;
输入单元,用于将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到所述用户的信用系数;其中,所述用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
第一执行单元,用于若所述用户的信用系数大于阈值,则将所述用户加入高速通行黑名单。
可选的,所述用户信用系数的计算模型的构建单元,包括:
确定单元,用于确定训练样本集中每一个属性对应的相关性系数;其中,所述训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
选取单元,用于从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点;
模型确定单元,用于选取所述结点的不同取值建立所述节点对应的子结点,直至所述训练样本集所有的属性都建立完成,得到最终的决策树模型,将所述最终的决策树模型作为用户信用系数的计算模型。
可选的,所述确定单元,包括:
计算单元,用于将训练样本集中的每一个属性分别输入至相关性系数公式中,计算得到训练样本集中每一个属性对应的相关性系数;
其中,所述相关性系数公式为:
其中,D代表训练样本集,Di表示第i类样本集,|D|为训练样本集总数量,|Di|表示第i类样本集数量,A表示输入至相关性系数公式的属性。
可选的,黑名单的分析装置,还包括:
判断单元,用于判断所述用户是否已加入高速通行黑名单;
第二执行单元,用于若所述判断单元判断出,所述用户没有加入高速通行黑名单,则执行将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
可选的,所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
从上述技术方案可以看出,本申请实施例提出的黑名单的分析方法及装置中,通过在接收到用户触发的黑名单分析指令时,获取所述用户的个人信息;其中,所述用户的个人信息包括:用户的基本信息以及所述用户当前的ETC卡信用属性信息;然后,将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到所述用户的信用系数;其中,所述用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;若所述用户的信用系数是否大于阈值,则将所述用户加入高速通行黑名单。由于本申请是根据用户的基本信息以及所述用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单,而用户的基本信息以及所述用户当前的ETC卡信用属性信息能够反映出用户的实际资产情况,从而使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种黑名单的分析方法的具体流程图;
图2为本申请另一实施例提供的一种用户信用系数的计算模型的构建方法的具体流程图;
图3为本申请另一实施例提供的一种黑名单的分析方法的具体流程图;
图4为本申请另一实施例提供的一种黑名单的分析装置的示意图;
图5为本申请另一实施例提供的一种用户信用系数的计算模型的构建单元的示意图;
图6为本申请另一实施例提供的一种黑名单的分析装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系,而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种黑名单的分析方法,如图1所示,具体包括以下步骤:
S101、在接收到用户触发的黑名单分析指令时,获取用户的个人信息。
其中,用户的个人信息包括:用户的基本信息以及用户当前的ETC卡信用属性信息。用户的基本信息可以包括但不限于性别、年收入等;用户当前的ETC卡信用属性信息可以包括但不限于历史总欠费笔数、历史总欠费金额、本次欠费金额、ETC卡的省行号、ETC关联银行账户名下日均资产、ETC卡历史通行总笔数、ETC卡历史通行总金额、ETC卡当前最早一笔欠费距今时间等。需要获取的用户的个人信息中的内容可以根据实际的应用情况进行选择,因此,此处不作限定。
具体的,当用户使用ETC卡进行扣款失败时,触发黑名单分析指令,获取用户的个人信息。
S102、将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到用户的信用系数。
其中,用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
可选的,在本申请的另一实施例中,用户信用系数的计算模型的构建方法,如图2所示,包括:
S201、确定训练样本集中每一个属性对应的相关性系数。
其中,训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
可选的,在本申请的另一实施例中,高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;高速通行白名单样本用户为不存在有在预设还款时间段内未归还ETC卡欠款的情况的用户。
可选的,在本申请的另一实施例中,步骤S201的一种实施方式,包括:
将训练样本集中的每一个属性分别输入至相关性系数公式中,计算得到训练样本集中每一个属性对应的相关性系数。
其中,相关性系数公式为:
其中,D代表训练样本集,Di表示第i类样本集,|D|为训练样本集总数量,|Di|表示第i类样本集数量,A表示输入至相关性系数公式的属性。
参见表1,现以性别和年收入为例,举例说明这两个属性的相关性系数的计算的过程。
性别 | 年收入 | 是否黑名单 |
M | 120K | 0 |
L | 100K | 0 |
L | 70K | 0 |
M | 120K | 0 |
L | 95K | 1 |
L | 60K | 0 |
M | 220K | 0 |
L | 85K | 1 |
L | 75K | 0 |
L | 90K | 1 |
对表1进行统计得出如表2中所示的数据:
性别 | 黑名单为1的数目 | 黑名单为0的数目 |
M | 0 | 3 |
L | 3 | 4 |
根据上述公式可以得出在上述数据中是否为黑名单的相关性系数为:
而属性为性别的影响的相关性系数为:
S202、从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点。
S203、选取结点的不同取值建立节点对应的子结点,直至训练样本集所有的属性都建立完成,得到最终的决策树模型。
S204、将最终的决策树模型作为用户信用系数的计算模型。
需要说明的是,每隔预设的时间需要根据最新获取到的数据对用户信用系数的计算模型进行更新、优化。
可选的,在本申请的另一实施例中,在步骤S102之前的一种实施方式,如图3所示,包括:
S301、判断用户是否已加入高速通行黑名单。
具体的,若判断出用户没有加入高速通行黑名单,则执行步骤S302;若判断出用户已经在高速通行黑名单中,则
具体的,可以是通过用户的个人信息中的黑白名单标识,对用户是否已经加入了高速通行黑名单进行判断;也可是在高速通行黑名单中对用户进行匹配,得到用户是否已加入高速通行黑名单的匹配结果。判断用户是否已加入高速通行黑名单十分多样化,此处不做限定。若判断出用户没有加入高速通行黑名单,则执行步骤S302。若判断出用户已经在高速通行黑名单中,那么可以是但不限于通过短信等方式向用户发送提醒信息。
S302、将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
S103、若用户的信用系数大于阈值,则将用户加入高速通行黑名单。
需要说明的是,在将用户加入高速通行黑名单后,可以通过但不限于向用户发送短信告知用户已经被加入了高速通行黑名单,用户需要在预定的时间内,将拖欠的金额补缴,如果用户在预定的时间内对拖欠的金额进行补缴成功后,再次使用用户信用的评估模型对用户进行是否应加入高速通行黑名单的判断,如果用户在预订的时间内没有还款,则需根据拖欠时间,支付对应的利息,直至用户对拖欠的金额以及对应的利息进行补缴为止。此处不做限定。
由以上方案可知,本申请提供的一种黑名单的分析方法中,首先,通过在接收到用户触发的黑名单分析指令时,获取用户的个人信息;其中,用户的个人信息包括:用户的基本信息以及用户当前的ETC卡信用属性信息;然后,将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到用户的信用系数;其中,用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;若用户的信用系数是否大于阈值,则将用户加入高速通行黑名单。由于本申请是根据用户的基本信息以及用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单,而用户的基本信息以及用户当前的ETC卡信用属性信息能够反映出用户的实际资产情况,从而使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
本申请的另一实施例提供了一种黑名单的分析装置,如图4所示,具体包括:
获取单元401,用于在接收到用户触发的黑名单分析指令时,获取用户的个人信息。
其中,用户的个人信息包括:用户的基本信息以及用户当前的ETC卡信用属性信息。
输入单元402,用于将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到用户的信用系数。
其中,用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
可选的,在本申请的另一实施例中,高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;高速通行白名单样本用户为不存在有在预设还款时间段内未归还ETC卡欠款的情况的用户。
本申请上述实施例公开的单元的具体工作过程,可参见对应的方法实施例内容,此处不再赘述。
可选的,在本申请的另一实施例中,用户信用系数的计算模型的构建单元的一种实施方式,如图5所示,包括:
确定单元501,用于确定训练样本集中每一个属性对应的相关性系数。
其中,训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户。
可选的,在本申请的另一实施例中,确定单元501的一种实施方式,包括:
计算单元,用于将训练样本集中的每一个属性分别输入至相关性系数公式中,计算得到训练样本集中每一个属性对应的相关性系数。
其中,相关性系数公式为:
其中,D代表训练样本集,Di表示第i类样本集,|D|为训练样本集总数量,|Di|表示第i类样本集数量,A表示输入至相关性系数公式的属性。
本申请上述实施例公开的单元的具体工作过程,可参见对应的方法实施例内容,此处不再赘述。
选取单元502,用于从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点。
模型确定单元503,用于选取结点的不同取值建立节点对应的子结点,直至训练样本集所有的属性都建立完成,得到最终的决策树模型,将最终的决策树模型作为用户信用系数的计算模型。
本申请上述实施例公开的单元的具体工作过程,可参见对应的方法实施例内容,如图2所示,此处不再赘述。
第一执行单元403,用于若用户的信用系数大于阈值,则将用户加入高速通行黑名单。
本申请上述实施例公开的单元的具体工作过程,可参见对应的方法实施例内容,如图1所示,此处不再赘述。
可选的,在本申请的另一实施例中,黑名单的分析装置,如图6所示,还包括:
判断单元601,用于判断用户是否已加入高速通行黑名单。
第二执行单元602,用于若判断单元601判断出,用户没有加入高速通行黑名单,则执行将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
本申请上述实施例公开的单元的具体工作过程,可参见对应的方法实施例内容,如图3所示,此处不再赘述。
由以上方案可知,本申请提供的一种黑名单的分析装置中,首先,通过获取单元401在接收到用户触发的黑名单分析指令时,获取用户的个人信息;其中,用户的个人信息包括:用户的基本信息以及用户当前的ETC卡信用属性信息;然后,输入单元402将用户的基本信息以及用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到用户的信用系数;其中,用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;若用户的信用系数是否大于阈值,第一执行单元403将用户加入高速通行黑名单。由于本申请是根据用户的基本信息以及用户当前的ETC卡信用属性信息来判断待验证用户是否应加入高速通行黑名单,而用户的基本信息以及用户当前的ETC卡信用属性信息能够反映出用户的实际资产情况,从而使得高速通行黑名单的判断标准与用户实际的资产情况相匹配。
在本申请公开的上述实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,直播设备,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种黑名单的分析方法,其特征在于,包括:
在接收到用户触发的黑名单分析指令时,获取所述用户的个人信息;其中,所述用户的个人信息包括:用户的基本信息以及所述用户当前的ETC卡信用属性信息;
将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到所述用户的信用系数;其中,所述用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
若所述用户的信用系数大于阈值,则将所述用户加入高速通行黑名单。
2.根据权利要求1所述的分析方法,其特征在于,所述用户信用系数的计算模型的构建方法,包括:
确定训练样本集中每一个属性对应的相关性系数;其中,所述训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点;
选取所述结点的不同取值建立所述节点对应的子结点,直至所述训练样本集所有的属性都建立完成,得到最终的决策树模型,将所述最终的决策树模型作为用户信用系数的计算模型。
4.根据权利要求1所述的分析方法,其特征在于,所述将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型之前,还包括:
判断所述用户是否已加入高速通行黑名单;
若判断出所述用户没有加入高速通行黑名单,则执行将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
5.根据权利要求1所述的分析方法,其特征在于,所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
6.一种黑名单的分析装置,其特征在于,包括:
获取单元,用于在接收到用户触发的黑名单分析指令时,获取所述用户的个人信息;其中,所述用户的个人信息包括:用户的基本信息以及所述用户当前的ETC卡信用属性信息;
输入单元,用于将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型中,得到所述用户的信用系数;其中,所述用户信用系数的计算模型由多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
第一执行单元,用于若所述用户的信用系数大于阈值,则将所述用户加入高速通行黑名单。
7.根据权利要求6所述的分析装置,其特征在于,所述用户信用系数的计算模型的构建单元,包括:
确定单元,用于确定训练样本集中每一个属性对应的相关性系数;其中,所述训练样本集包括:多个训练样本用户各自对应的基本信息以及ETC卡信用属性信息对决策树模型进行训练得到;所述多个训练样本用户包括多个高速通行黑名单样本用户和多个高速通行白名单样本用户;
选取单元,用于从决策树模型的根节点开始,按照相关性系数的大小顺序,依次选择相关性系数对应的属性作为结点;
模型确定单元,用于选取所述结点的不同取值建立所述节点对应的子结点,直至所述训练样本集所有的属性都建立完成,得到最终的决策树模型,将所述最终的决策树模型作为用户信用系数的计算模型。
9.根据权利要求6所述的分析装置,其特征在于,还包括:
判断单元,用于判断所述用户是否已加入高速通行黑名单;
第二执行单元,用于若所述判断单元判断出,所述用户没有加入高速通行黑名单,则执行将所述用户的基本信息以及所述用户当前的ETC卡信用属性信息输入至用户信用系数的计算模型。
10.根据权利要求6所述的分析装置,其特征在于,所述高速通行黑名单样本用户为存在有在预设还款时间段内未归还ETC卡欠款的情况的用户;所述高速通行白名单样本用户为不存在有在所述预设还款时间段内未归还ETC卡欠款的情况的用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547920.0A CN111709831B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547920.0A CN111709831B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709831A true CN111709831A (zh) | 2020-09-25 |
CN111709831B CN111709831B (zh) | 2023-07-25 |
Family
ID=72540382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010547920.0A Active CN111709831B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709831B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884567A (zh) * | 2021-01-28 | 2021-06-01 | 道和云科技(天津)有限公司 | 一种车辆etc联合风控模型构建及实现方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN110738565A (zh) * | 2019-10-11 | 2020-01-31 | 中山市银鹿金科信息科技有限公司 | 基于数据集合的房产金融人工智能复合风控模型 |
CN111080442A (zh) * | 2019-12-21 | 2020-04-28 | 湖南大学 | 信用评分模型的构建方法、装置、设备及存储介质 |
-
2020
- 2020-06-16 CN CN202010547920.0A patent/CN111709831B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
CN110738565A (zh) * | 2019-10-11 | 2020-01-31 | 中山市银鹿金科信息科技有限公司 | 基于数据集合的房产金融人工智能复合风控模型 |
CN111080442A (zh) * | 2019-12-21 | 2020-04-28 | 湖南大学 | 信用评分模型的构建方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884567A (zh) * | 2021-01-28 | 2021-06-01 | 道和云科技(天津)有限公司 | 一种车辆etc联合风控模型构建及实现方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111709831B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384273B (zh) | 恶意刷单检测***及方法 | |
CN114119137B (zh) | 风险控制方法和装置 | |
CN106453061A (zh) | 一种识别网络诈骗行为的方法及*** | |
CN111523748B (zh) | 案件分配方法、装置及*** | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
CN107944851B (zh) | 群组资金账户的管理方法、装置及*** | |
CN110378575B (zh) | 逾期事件回款催收方法及装置、计算机可读存储介质 | |
CN111371672A (zh) | 消息推送方法及装置 | |
CN114297448B (zh) | 基于智慧防疫大数据识别的证照申办方法、***及介质 | |
CN108197795A (zh) | 恶意团体账户识别方法、装置、终端及存储介质 | |
CN112150252A (zh) | 基于信用的业务处理方法以及装置 | |
CN111709831B (zh) | 黑名单的分析方法及装置 | |
CN105991574A (zh) | 风险行为监控方法及装置 | |
CN111709832B (zh) | 黑名单设置方法、装置、可读介质以及设备 | |
CN103634470A (zh) | 一种基于终端移动数据接入网Qos的人机交互预测方法 | |
CN113112347A (zh) | 催收决策的确定方法、相关装置及计算机存储介质 | |
CN109871129B (zh) | 人机交互方法、装置、客服设备和存储介质 | |
CN110348983B (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
CN111709834B (zh) | 黑名单的设置方法及装置、电子设备、计算机存储介质 | |
CN116645134A (zh) | 一种***分期的推荐方法、装置、设备及介质 | |
CN109858901A (zh) | 基于手机信令大数据的移动用户支付识别方法 | |
CN114819947A (zh) | 合并支付策略选择方法、***、网络设备和存储介质 | |
CN112188487B (zh) | 一种提高用户鉴权准确性的方法与*** | |
CN115099801A (zh) | 基于公有云的缴费信息处理方法及装置 | |
CN113434765A (zh) | 客户回访方法、***、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |