(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210646905.0 (22)申请日 2022.06.09 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 李轶凡　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 董骁毅　王首峰 (51)Int.Cl. G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 交易数据处 理方法及装置 (57)摘要 本申请实施例提供一种交易数据处理方法 及装置， 涉及深度学习领域， 方法包括： 根据违约 风险预测模型对待评估账户的样本数据进行违 约概率预测， 得到违约概率预测结果； 根据所述 违约概率预测结果执行对应的交易限制操作； 本 申请能够准确对 未来交易数据进行预估， 保障金 融安全。 权利要求书1页 说明书10页 附图4页 CN 115034884 A 2022.09.09 CN 115034884 A 1.一种交易数据处 理方法， 其特 征在于， 所述方法包括： 根据违约风险预测模型对待评估账户的样本数据进行违约 概率预测， 得到违约 概率预 测结果； 根据所述违约概 率预测结果执 行对应的交易限制操作。 2.根据权利要求1所述的交易数据处理方法， 其特征在于， 在所述根据违约 风险预测模 型对待评估账户的样本数据进行违约概 率预测之前， 包括： 根据历史交易数据和账户信 息构建训练集， 并根据 所述训练集对违约 风险预测模型进 行模型训练， 得到经 过模型训练后的违约风险预测模型。 3.根据权利要求2所述的交易数据处理方法， 其特征在于， 所述根据历史交易数据和账 户信息构建训练集， 包括： 根据数据属性的不同对历史交易数据和账户信息进行基于信息熵的离散化数据变换 处理； 基于一致性特征子集选择规则对经过数据变换处理后的历史交易数据和账户信息进 行数据规约处 理， 根据数据规约处 理后得到的特 征子集构建训练集。 4.根据权利要求2所述的交易数据处理方法， 其特征在于， 所述根据所述训练集对违约 风险预测模型进行模型训练， 得到经 过模型训练后的违约风险预测模型， 包括： 随机设定所述违约风险预测模型输入层、 隐层和输出层之间的连接 权重； 根据所述违约风险预测模型的神经网络计算得到神经 元实际输出值； 根据所述训练集和最小误差法对所述违约 风险预测模型进行迭代训练， 并根据迭代训 练结果调整所述连接权重， 直至所述神经元实际输出值达到预设神经元理想输出值， 得到 经过模型训练后的违约风险预测模型。 5.根据权利要求1所述的交易数据处理方法， 其特征在于， 在所述得到违约 概率预测结 果之后， 包括： 根据所述违约概 率预测结果和 测试集中的设定特 征变量构建回归 模型； 根据所述 回归模型中违约 风险概率与各特征变量之间的非线性关系， 确定违约 概率组 合预测结果。 6.一种交易数据处 理装置， 其特 征在于， 包括： 模型预测模块， 用于根据违约 风险预测模型对待评估账户的样本数据进行违约 概率预 测， 得到违约概 率预测结果； 交易操作模块， 用于根据所述违约概 率预测结果执 行对应的交易限制操作。 7.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至5任一项所述的交易数 据处理方法的步骤。 8.一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， 该计算机程序被处 理器执行时实现权利要求1至 5任一项所述的交易数据处 理方法的步骤。 9.一种计算机程序产品， 包括计算机程序/指令， 其特征在于， 该计算机程序/指令被处 理器执行时实现权利要求1至 5任一项所述的交易数据处 理方法的步骤。权　利　要　求　书 1/1 页 2 CN 115034884 A 2交易数据处理 方法及装置 技术领域 [0001]本申请涉及深度学习领域， 具体涉及一种交易数据处 理方法及装置 。 背景技术 [0002]信用卡凭借无担保、 无抵押和透支消费的优势得以飞速发展， 但随着持卡人数的 增多， 不良欠款的趋势 也在上涨， 信用卡市场面临着巨大风险。 对信用卡的风险把关能在一 定程度上保障商业银 行的经济效益， 避免大规模的经济损失。 发明内容 [0003]针对现有技术中的问题， 本申请提供一种交易数据处理方法及装置， 能够准确对 未来交易数据进行 预估， 保障金融安全。 [0004]为了解决上述问题中的至少一个， 本申请提供以下技 术方案： [0005]第一方面， 本申请提供一种交易数据处 理方法， 包括： [0006]根据违约风险预测模型对待评估账户的样本数据进行违约概率预测， 得到违约概 率预测结果； [0007]根据所述违约概 率预测结果执 行对应的交易限制操作。 [0008]进一步地， 在所述根据违约风险预测模型对待评估账户的样本数据进行违约概率 预测之前， 包括： [0009]根据历史交易数据和账户信息构建训练集， 并根据所述训练集对违约风险预测模 型进行模型训练， 得到经 过模型训练后的违约风险预测模型。 [0010]进一步地， 所述根据历史 交易数据和账户信息构建训练集， 包括： [0011]根据数据属性的不同对历史交易数据和账户信息进行基于信息熵的离散化数据 变换处理； [0012]基于一致性特征子集选择规则对经过数据变换处理后的历史交易数据和账户信 息进行数据规约处 理， 根据数据规约处 理后得到的特 征子集构建训练集。 [0013]进一步地， 所述根据所述训练集对违约风险预测模型进行模型训练， 得到经过模 型训练后的违约风险预测模型， 包括： [0014]随机设定所述违约风险预测模型输入层、 隐层和输出层之间的连接 权重； [0015]根据所述违约风险预测模型的神经网络计算得到神经 元实际输出值； [0016]根据所述训练集和最小误差法对所述违约风险预测模型进行迭代训练， 并根据迭 代训练结果调整所述连接权重， 直至所述神经元实际输出值达到预设神经元理想输出值， 得到经过模型训练后的违约风险预测模型。 [0017]进一步地， 在所述得到违约概 率预测结果之后， 包括： [0018]根据所述违约概 率预测结果和所述测试集中的设定特 征变量构建回归 模型； [0019]根据所述回归模型中违约风险概率与各特征变量之间的非线性关系， 确定违约概 率组合预测结果。说　明　书 1/10 页 3 CN 115034884 A 3