[发明专利]变更操作风险计算方法和装置

权利要求书

1.一种变更操作风险计算方法，其特征在于，包括：

根据一变更操作的特征值以及各特征的发生频率分布表获取各特征的发生频率，所述特征包括：变更时长、变更开始时间、实施人从业时间、实施人之前涉及操作风险类事件数量、变更手工步骤数量、同一时间段实施者有其他变更数量、变更影响范围以及变更涉及的应用分类总和；

根据各特征的发生频率和预获取的各特征的重要度计算所述变更操作的风险值；

其中，各特征的重要度由随机森林模型基于变更历史数据获取。

2.根据权利要求1所述的变更操作风险计算方法，其特征在于，还包括：

根据预设参数建立随机森林模型；

获取变更历史数据中各条数据的特征值及其标签；

将所述变更历史数据中各条数据的特征值及其标签作为训练样本集训练所述随机森林模型；

根据训练后的随机森林模型的feature_importances_方法获取各特征的重要度。

3.根据权利要求2所述的变更操作风险计算方法，其特征在于，所述将所述变更历史数据中各条数据的特征值及其标签作为训练数据训练所述随机森林模型之前，还包括：

将各条数据的实施人之前涉及操作风险类事件数量、变更手工步骤数量、同一时间段实施者有其他变更数量、变更影响范围中特征值为0的特征的特征值设置为空。

4.根据权利要求2所述的变更操作风险计算方法，其特征在于，所述根据训练后的随机森林模型的参数获取各特征的重要度之前，还包括：

利用已知标签的测试样本对训练后的随机森林模型进行测试，并将所述随机森林模型的输出作为测试结果；

基于所述测试结果及所述测试样本的已知标签，判断训练后的随机森林模型是否符合预设要求；

若是，将训练后的随机森林模型作为用于获取各特征的重要度的目标模型；

若否，则对当前模型进行优化和/或应用更新后的训练样本集重新进行模型训练。

5.根据权利要求2所述的变更操作风险计算方法，其特征在于，还包括：

根据训练样本集利用Anaconda3+Python3.6获取各特征的发生频率分布表。

6.根据权利要求1所述的变更操作风险计算方法，其特征在于，所述根据各特征的发生频率和预获取的各特征的重要度计算所述变更操作的风险值，包括：

将各特征的重要度作为各特征的权重，对各特征的发生频率进行加权求和，得到所述变更操作的风险值。

7.一种变更操作风险计算装置，其特征在于，包括：

发生频率获取模块，根据一变更操作的特征值以及各特征的发生频率分布表获取各特征的发生频率，所述特征包括：变更时长、变更开始时间、实施人从业时间、实施人之前涉及操作风险类事件数量、变更手工步骤数量、同一时间段实施者有其他变更数量、变更影响范围以及变更涉及的应用分类总和；

风险值计算模块，根据各特征的发生频率和预获取的各特征的重要度计算所述变更操作的风险值；

其中，各特征的重要度由随机森林模型基于变更历史数据获取。

8.根据权利要求7所述的变更操作风险计算装置，其特征在于，还包括：

模型建立模块，根据预设参数建立随机森林模型；

训练数据获取模块，获取变更历史数据中各条数据的特征值及其标签；

训练模块，将所述变更历史数据中各条数据的特征值及其标签作为训练样本集训练所述随机森林模型；

重要度获取模块，根据训练后的随机森林模型的feature_importances_方法获取各特征的重要度。

9.根据权利要求8所述的变更操作风险计算装置，其特征在于，还包括：

数据预处理模块，将各条数据的实施人之前涉及操作风险类事件数量、变更手工步骤数量、同一时间段实施者有其他变更数量、变更影响范围中特征值为0的特征的特征值设置为空。