[发明专利]打款风险预测模型训练方法、打款风险预测方法及其装置

说明书

本发明提供一种打款风险预测模型训练方法、打款风险预测方法及其装置，该打款风险预测方法包括：获取多条第二历史打款数据与待预测的打款数据；对多条第二历史打款数据与待预测的打款数据进行处理，得到每一条第二历史打款数据与待预测的打款数据的特征向量；将第二历史打款数据与待预测的打款数据的特征向量分别输入至聚类算法和神经网络，并输出采用聚类算法进行预测得到的第一预测结果和采用神经网络进行预测到的第二预测结果；所述神经网络采用多条第一历史打款数据训练得到；对所述第一预测结果和第二预测结果进行融合，得到最终的打款风险预测结果。解决了共享经济领域中，对代付薪酬、代征个税等操作没有专用的风险控制方法的问题。

技术领域

本发明涉及大数据技术领域，尤其涉及一种打款风险预测模型训练方法、打款风险预测方法及其装置。

背景技术

随着共享经济的发展，越来越多的公司选择通过第三方平台为自己以灵活用工方式工作的人员发放酬劳并代缴个税业务。然而随着共享经济的发展，灵活用工模式的成熟，有部分与企业签订劳动合同，不属于共享经济、灵活用工模式的人员受低廉税率的诱惑，企图偷税漏税，为代发酬劳、代缴个税的公司带来风险。此外，还存在从事传销、诈骗等违法活动的犯罪集团以共享经济为幌子进行利益分配的情况。基于此，有必要对每一笔打出的款项及使用代发酬劳服务的公司进行风险控制。而当前并无针对共享经济领域，代付薪酬、代扣缴个税场景下的风控方法及装置。

发明内容

本发明实施例的目的是提供一种打款风险预测模型训练方法、打款风险预测方法及其装置，用于解决共享经济领域中，对代付薪酬、代征个税等操作没有专用的风险控制方法的问题。

为了解决上述问题，本发明是这样实现的：

第一方面，本发明提供了一种打款风险预测模型训练方法，包括：

获取多条第一历史打款数据；

对所述多条第一历史打款数据进行处理，得到每一条所述历史打款数据的特征向量；

对所述多条第一历史打款数据进行聚类算法处理，获取每一条所述历史打款数据的标签，所述标签用于表示该条历史打款数据为无风险打款或有风险打款；

根据所述多条第一历史打款数据的特征向量以及所述多条第一历史打款数据的标签，对神经网络进行训练，得到训练后的神经网络。

可选的，所述多条第一历史打款数据包括收款人打款数据，所述神经网络包括循环神经网络；所述循环神经网络用来得到收款人打款数据的时间分布特征。

可选的，所述多条第一历史打款数据包括商户打款数据，所述神经网络采用循环神经网络和卷积神经网络；所述循环神经网络用于得到商户打款数据的时间分布特征；所述卷积神经网络用于得到商户打款数据的空间分布特征。

可选的，对神经网络进行训练前，还包括：

对输入神经网络的所述多条第一历史打款数据的特征向量进行归一化处理。

第二方面，本发明提供了一种打款风险预测方法，包括：

获取多条第二历史打款数据与待预测的打款数据；

对所述多条第二历史打款数据与待预测的打款数据进行处理，得到每一条所述第二历史打款数据与待预测的打款数据的特征向量；

将第二历史打款数据与待预测的打款数据的特征向量分别输入至聚类算法和神经网络，并输出采用聚类算法进行预测得到的第一预测结果和采用神经网络进行预测到的第二预测结果；所述神经网络采用多条第一历史打款数据训练得到；

对所述第一预测结果和第二预测结果进行融合，得到最终的打款风险预测结果。

可选的，当第二历史打款数据与待预测的打款数据为收款人打款数据时，所述神经网络包括循环神经网络；