[发明专利]一种家装公司异常识别模型建立方法及其应用

权利要求书

1.一种家装公司异常识别模型建立方法，其特征在于，包括以下步骤：

获取历史的家装公司风险相关的基本数据和家装交易订单相关的订单数据，所述基本数据包括人相关数据和公司相关数据，所述人相关数据包括所述家装公司的企业主和员工的信息数据；

基于每种装修类型和房屋类型对应的所述订单数据中的装修价格，构建样本空间，基于所述样本空间，构建LOF模型；

对每种装修类型和房屋类型对应的所述基本数据和所述订单数据划分训练集和测试集，所述训练集中的数据均为正常样本；

构建自编码器模型，使用所述训练集对所述自编码器模型进行训练，使用所述测试集对所述自编码器模型的泛化性进行验证；

将所述LOF模型和训练后的所述自编码器模型作为所述家装公司异常识别模型。

2.根据权利要求1所述的家装公司异常识别模型建立方法，其特征在于，构建所述LOF模型的方法包括：

对所述样本空间进行去重，分别得到每一个样本点到所述样本空间中其余所述样本点的距离，对所述距离进行排序；

基于制定的近邻样本个数K，寻找每个所述样本点的K近邻样本点，获取所述样本点的LOF分数；

设置排序后的所述LOF分数的分位数阈值，将超过该分位数阈值的LOF分数所对应的所述家装交易订单标记为异常订单。

3.根据权利要求1所述的家装公司异常识别模型建立方法，其特征在于，构建所述自编码器模型的方法包括：

构建对应的神经网络，所述神经网络包括编码器、中间层编码和解码器，所述编码器的神经元个数与所述训练集输入变量的个数相同，所述中间层编码预设三个所述神经元，所述神经网络的激活函数为Elu。

4.根据权利要求1所述的家装公司异常识别模型建立方法，其特征在于，在构建所述自编码器模型之前，还包括：

对所述训练集和所述测试集进行最大最小归一化处理，所述训练集和所述测试集中的分类变量进行独热编码处理。

5.根据权利要求1所述的家装公司异常识别模型建立方法，其特征在于，在获取所述基本数据和所述订单数据之后，构建所述LOF模型和所述自编码器模型之前，还包括：

对所述基本数据和所述订单数据进行结构化处理，包括以所述订单数据中的订单ID为主键，关联所述基本数据。

6.根据权利要求1所述的家装公司异常识别模型建立方法，其特征在于，

所述人相关数据包括：法定代表人征信数据、名下关联公司数、法定代表人负面信息、企业员工数和/或缴纳社保员工数；

所述公司相关数据包括：公司注册资本金、实缴资本金；年营业金额、年营业笔数、最近一年营业金额、最近一年营业笔数、最近一年完成装修笔数、近一年装修面积、近一年装修单价、近一年装修业务小区均价、公司成立年数和/或公司缴税金额；

所述订单数据包括：所述订单ID、装修公司、装修缴费距今时间、装修价格、近一年房屋所在小区平均每平米房屋成交价格和/或装修房屋面积。

7.一种家装公司异常识别方法，其特征在于，包括：

获取待异常识别的家装公司风险相关的基本数据和家装交易订单相关的订单数据，所述基本数据包括人相关数据和公司相关数据，所述人相关数据包括所述家装公司的企业主和员工的信息数据；

将所述订单数据中的装修价格输入根据权利要求1至6任一项所述的家装公司异常识别模型建立方法所获得的所述家装公司异常识别模型的所述LOF模型中，获得对应的LOF分数的分位数，基于预设分位数阈值判断是否标记为第一异常；

将所述基本数据和所述订单数据输入根据权利要求1至6任一项所述的家装公司异常识别模型建立方法所获得的所述家装公司异常识别模型的所述自编码模型中，获取所述自编码器模型的输入数据和输出数据之间的误差，基于所述误差的预设范围，判断是否标记为第二异常；

基于所述第一异常和所述第二异常的标记，对所述家装交易订单和对应的所述家装公司执行相应的操作。