[发明专利]风险模型训练方法、风险识别方法、装置、设备及介质

权利要求书

1.一种风险模型训练方法，其特征在于，包括：

对历史出行数据进行风险值标注，获取原始训练数据，所述历史出行数据包括出行时间、性别、年龄、查验情况和出行地点，所述历史出行数据包括低风险对象的历史出行数据和高风险对象的历史出行数据，所述原始训练数据包括所述历史出行数据和对应的风险值，所述风险值包括高风险值和低风险值；

对所述原始训练数据进行同行分析，获取同行特征，所述同行分析指对与已知高风险对象同时行动的群体的行为特征进行的专门分析，所述同行分析包括：

获取所有高风险值的原始训练数据对应的历史出行时间；

对所述历史出行时间进行区间划分，获取同行特征；

对所述原始训练数据进行口岸漂移分析，获取口岸漂移特征，所述口岸漂移分析是对运输对象在一定时间内是否会更改出行地点的分析，所述口岸漂移分析包括：

统计所有高风险值的原始训练数据在第一预设时间内的出行次数和地点变更次数，所述第一预设时间与所述同行特征的出行时间相同；

采用公式S＝Y/X对所述出行次数和所述地点变更次数进行计算，获取口岸漂移特征；其中，Y为所述出行地点变更次数，X为所述出行次数；

基于所述同行特征和所述口岸漂移特征，获取中间训练数据；

对所述中间训练数据进行缺失值处理和离散变量编码，获取目标训练数据；按照第二预设时间对所述目标训练数据进行拆分，获取训练集和测试集，所述第二预设时间用于对所述目标训练数据进行分类；

采用决策树算法对训练集中的目标训练数据进行训练，获取原始风险模型；

采用测试集对所述原始风险模型进行测试，获取目标风险模型。

2.如权利要求1所述的风险模型训练方法，其特征在于，所述采用决策树算法对训练集中的目标训练数据进行训练，获取原始风险模型，包括:

初始化决策树算法对应的层级参数；

采用CART算法对训练集中的目标训练数据进行训练，在决策树的生长层数达到所述层级参数时，获取所述原始风险模型；

所述目标训练数据包括至少两个维度特征；

所述采用CART算法对训练集中的目标训练数据进行训练，在决策树的生长层数达到所述层级参数时，获取所述原始风险模型，包括：

采用公式和计算每一所述维度特征对应的基尼系数；其中，D为所述训练集，α为所述维度特征，P_k为所述维度特征的概率；

选取最小基尼系数对应的维度特征作为决策树的根节点；

基于所述决策树的根节点，重复执行计算维度特征所对应的基尼系数的步骤，直至决策树的生长层数达到层级参数的条件时，获取原始风险模型。

3.一种风险识别方法，其特征在于，包括:

获取待识别出行数据；

将所述待识别出行数据输入到所述目标风险模型进行识别，获取风险识别结果；

其中，所述目标风险模型是采用权利要求1-2任一项所述风险模型训练方法获取的模型。