一种风险事件的早期筛查系统及方法与流程

本发明涉及风险筛查领域，尤其涉及一种风险事件的早期筛查系统及方法。

背景技术：

随着风险管理领域技术的快速发展，出现了各种各样的“风险分析方法”方法，但是由于行业以及企业的特殊性，每个用户都需要定制适用于自身的“风险分析”方法来识别生活中存在的可能导致风险事件发生的风险因素。

对风险事件风险性评价及预防常建立在多因素树立分析基础上，即采用统计学概率理论的方法来得出风险事件风险性与风险因素之间的关系模型。为了能包括更多的风险因素，并提高评价的准确性,这种以数据为基础的模型在近几年有了很大的发展。所采取数理手段，除常见的多元回归外，还有基于模糊数学的神经网络方法等。

但是现有的风险分析技术并不具备自定义“风险分析模型”的功能，不能针对地建立满足风险事件需求的“风险分析模型”

技术实现要素：

针对现有技术中存在的上述问题，现提供一种风险事件的早期筛查系统及方法。

具体技术方案如下：

一种风险事件的早期筛查系统，包括：

一设定模块，用以输入设定复数个预设风险事件；

一风险评估模块，连接所述设定模块，用以接收所述预设风险事件，并分析每个所述预设风险事件，得到复数个风险因素，并将复数个所述风险因素进行组合得到复数个不同风险等级的风险集合；

一信息收集模块，用以收集待分析用户信息；

一判断模块，连接所述信息收集模块及所述风险评估模块，获取所述用户信息及所述风险集合，根据所述待分析用户信息及所述风险集合，判断当前用户发生每个所述风险事件的所述风险等级。

优选的，所述风险评估模块包括：

一分析单元，用以获取所述预设风险事件并进行分析，得到每个所述预设风险事件对应的复数个风险因素；

一赋值单元，连接所述分析单元，用以接收所述风险因素，并根据预设规律计算出每个所述预设风险事件中的每个所述风险因素的加权分数，并将所述加权分数赋予对应的所述风险因素；

一分级单元，连接所述赋值单元，用以接收赋予所述加权分数后的所述风险因素，根据预设风险计算规则，将所述风险因素进行不同组合得到复数个不同风险等级的风险集合。

优选的，所述信息收集模块包括：

一输入单元，所述输入单元提供给用户填写根据所述风险因素形成的调查问卷，并根据用户的填写内容生成一待分析用户信息。

优选的，所述判断模块为一预先训练生成的分类器，用以接收所述待分析用户信息，将所述待分析用户信息输入所述分类器，得到当前用户在每个所述预设风险事件所属的所述风险集合，并输出当前用户发生当前所述预设风险事件的风险等级。

一种风险事件的早期筛查方法，应用于上述任一所述的一种风险事件的早期筛查系统，所述早期筛查方法，包括以下步骤：

步骤s1、设定一个，或复数个预设风险事件；

步骤s2、分析每个所述预设风险事件，得到复数个风险因素，并将复数个所述风险因素进行组合得到复数个不同风险等级的风险集合；

步骤s3、根据复数个所述风险因素形成调查问卷供用户填写，并根据所述用户的填写内容收集待分析用户信息；

步骤s4、根据所述待分析用户信息及所述风险集合，判断所述用户发生每个所述风险事件的风险等级。

优选的，所述步骤s2中，还包括以下步骤：

步骤s21、通过机器学习分析每个所述预设风险事件得到复数个所述风险因素；

步骤s22、根据一预设规律，计算每个所述风险因素具有的加权分数，并将所述加权分数赋值给所述风险因素；

步骤s23、通过科学实验，或过程模拟，将所述风险因素组合成复数个组合，根据预设风险计算规则对每个所述组合进行评估，得到各个所述组合的风险性；

步骤s24、根据所述风险性，将复数个所述组合归纳为复数个不同风险等级的风险集合。

优选的，所述步骤s22中，所述预设规律为每个所述风险因素与当前所述预设风险事件的发生概率之间的关系，以所述加权分数表示所述关系的强度；

所述关系的通过科学实验，或机器学习，或过程模拟获得。

优选的，所述步骤s23中，所述预设风险计算规则为，根据每个所述组合中的所有所述风险因素的所述加权分数获得一风险分数，所述风险分数用来表示所述风险集合的所述风险性大小；

所述风险性表示在满足所述组合的条件下发生当前所述预设风险事件的可能性。

优选的，所述步骤s24中，风险等级为一数值区间，每个所述风险集合包含所有所述风险分数满足当前所述风险集合对应的风险等级的所述组合。

优选的，所述步骤s4中，根据所述待分析用户信息，自动计算判断所述待分析用户信息所满足的所述风险集合，并输出当前用户发生每个所述预设风险事件的所述风险等级。

上述技术方案具有如下优点或有益效果：

上述技术方案，通过一种风险事件早期的筛查装置及方法，自定义“风险分析模型”，分析识别风险因素，建立风险评估体系。通过早期风险初筛，区分不同风险等级的用户群，利用这种方式，排查出低风险人群，减少不必要的支出。对于高风险人群，可提前给予预警，帮助降低风险事件发生的可能。

附图说明

图1为本发明一种风险事件早期的筛查装置及方法实施例中，风险事件早期的筛查装置的功能模块示意图；

图2为本发明一种风险事件早期的筛查装置及方法实施例中，风险事件早期的筛查方法的流程步骤示意图；

图3为本发明一种风险事件早期的筛查装置及方法实施例中，风险事件早期的筛查方法中，步骤s2的流程步骤示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图1-3和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种风险事件早期的筛查装置及方法，包括：

一种风险事件的早期筛查系统1，如图1所示，包括：

一设定模块2，用以输入设定复数个预设风险事件；

一风险评估模块3，连接设定模块2，用以接收预设风险事件，并分析每个预设风险事件，得到复数个风险因素，并将复数个风险因素进行组合得到复数个不同风险等级的风险集合；

一信息收集模块4，用以收集待分析用户信息；

一判断模块5，连接信息收集模块4及风险评估模块3，获取用户信息及风险集合，根据待分析用户信息及风险集合，判断当前用户发生每个风险事件的风险等级。

上述技术方案通过设定预设风险事件，然后通过风险评估模块3对预设风险事件进行分析，得到复数个风险因素随后将风险因素进行组合得到具有不同风险等级的风险集合。随后进行用户信息收集，判断模块5对收集得到的待分析用户信息以及之前计算得到风险集合进行对照，判断得到该用户发生对应的该风险事件的风险等级。

通过早期风险初筛，区分不同风险等级的用户群，利用这种方式，排查出低风险人群，减少不必要的支出。对于高风险人群，可提前给予预警，帮助降低风险事件发生的可能。

作为优选的实施方式，风险评估模块3包括：

一分析单元6，用以获取预设风险事件并进行分析，得到每个预设风险事件对应的复数个风险因素；

一赋值单元7，连接分析单元6，用以接收风险因素，并根据预设规律计算出每个预设风险事件中的每个风险因素的加权分数，并将加权分数赋予对应的风险因素；

一分级单元8，连接赋值单元7，用以接收赋予加权分数后的风险因素，根据预设风险计算规则，将风险因素进行不同组合得到复数个不同风险等级的风险集合。

上述技术方案中，通过分析单元6对预设风险事件进行分析，得到导致该预设风险事件发生的各个风险因素，根据预设规律对风险因素进行第一次分级，不同级别的风险因素具有不同的加权分数，加权分数越高，代表着风险因素导致预设风险事件发生的概率越大。对风险因素完成加权分数赋值之后，对个风险因素进行不同组合得到复数个风险集合，分级单元8根据预设风险计算规则对风险集合进行计算，对风险集合进行再次分级，对应风险等级越高，代表位于该风险集合内的用户发生该预设风险事件的概率越大。

进一步的，分析单元6可通过机器学习算法组成，风险集合可分级为高危、重点、低危、正常，在此不做具体限定。

作为优选的实施方式，信息收集模块4包括：

一输入单元9，输入单元9提供给用户填写根据风险因素形成的调查问卷，并根据用户的填写内容生成一待分析用户信息。

进一步的，可将该调查问卷开发成程序，方便用户填写。

作为优选的实施方式，判断模块5为一预先训练生成的分类器，用以接收待分析用户信息，将待分析用户信息输入分类器，得到当前用户在每个预设风险事件所属的风险集合，并输出当前用户发生当前预设风险事件的风险等级。

上述技术方案中，通过大量数据的预先训练得到判断模块5，使得之后对用户的待分析用户信息的分析判断更为准确。

一种风险事件的早期筛查方法，应用于上述任一的一种风险事件的早期筛查系统1，如图2所示，早期筛查方法，包括以下步骤：

步骤s1、设定一个，或复数个预设风险事件；

步骤s2、分析每个预设风险事件，得到复数个风险因素，并将复数个风险因素进行组合得到复数个不同风险等级的风险集合；

步骤s3、根据复数个风险因素形成调查问卷供用户填写，并根据用户的填写内容收集待分析用户信息；

步骤s4、根据待分析用户信息及风险集合，判断用户发生每个风险事件的风险等级。

上述技术方案通过分析预设风险事件，得到对应的风险因素并将风险因素进行组合并计算，得到复数个不同风险等级的风险集合。根据用户的填写的调查问卷的内容收集得到待分析用户信息，对每个待分析用户信息判断，得到对应的风险集合从而判定用户发生预设风险时间的风险等级。

作为优选的实施方式，如图3所示，步骤s2中，还包括以下步骤：

步骤s21、通过机器学习分析每个预设风险事件得到复数个风险因素；

步骤s22、根据一预设规律，计算每个风险因素具有的加权分数，并将加权分数赋值给风险因素；

步骤s23、通过科学实验，或过程模拟，将风险因素组合成复数个组合，根据预设风险计算规则对每个组合进行评估，得到各个组合的风险性；

步骤s24、根据风险性，将复数个组合归纳为复数个不同风险等级的风险集合。

作为优选的实施方式，步骤s22中，预设规律为每个风险因素与当前预设风险事件的发生概率之间的关系，以加权分数表示关系的强度；

作为可选的实施方式，关系的通过科学实验，或机器学习，或过程模拟获得。

上述技术方案中，通过过程模拟算法，将一种风险因素作为变量，不断进行控制该风险因素的值的试验，从而根据模拟结果得到当前种类的风险因素与当前预设风险事件的发生概率之间的关系，进而遍历得到所有风险因素与预设风险事件的关系。

作为优选的实施方式，步骤s23中，预设风险计算规则为，根据每个组合中的所有风险因素的加权分数获得一风险分数，风险分数用来表示风险集合的风险性大小；

风险性表示在满足组合的条件下发生当前预设风险事件的可能性。

作为优选的实施方式，步骤s24中，风险等级为一数值区间，每个风险集合包含所有风险分数满足当前风险集合对应的风险等级的组合。

作为优选的实施方式，步骤s4中，根据待分析用户信息，自动计算判断待分析用户信息所满足的风险集合，并输出当前用户发生每个预设风险事件的风险等级。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。