数据处理方法、装置、计算机可读存储介质及计算机设备与流程

1.本发明涉及人工智能技术领域，具体涉及一种数据处理方法、装置、计算机可读存储介质及计算机设备。


背景技术：

2.近年来，互联网金融以其成本低、效率高、覆盖广等优势得以迅速发展，但是随着互联网金融的普及度越来越高，其存在的管理弱、风险大等弊端也开始渐渐显露出来。例如互联网信贷行业中存在着借款方因各种原因不愿或无力履行合同条件而构成违约，致使银行、投资者或者交易对方遭受损失。又例如，部分诈骗者通过即时通讯软件等渠道进行诈骗。
3.目前，对互联网用户的金融风险进行评估，多采用互联网用户在银行或者其他金融机构的个人征信数据来进行评估，而采用银行或者其他金融机构的个人征信数据对互联网用户的金融风险进行评估存在评估维度单一、数据更新不及时等问题，导致对互联网用户的金融风险评估结果不够准确。


技术实现要素：

4.本技术实施例提供一种数据处理方法、装置、存储介质及计算机设备，该方法可以根据目标对象的行为信息生成其对应的时空轨迹和交易行为轨迹，并进一步根据目标对象的轨迹数据确定目标对象的虚拟资源风险值。该方法可以提高目标对象虚拟资源风险值计算的准确性。
5.本技术第一方面提供一种数据处理方法，方法包括：
6.获取目标对象的第一行为信息，所述第一行为信息包括交易行为数据以及与所述交易行为数据对应的定位数据和时间数据；
7.确定包含所述目标对象活动范围的预设地理空间，将所述预设地理空间划分为多个网格单元；
8.根据所述定位数据在所述多个网格单元中确定与每个交易行为数据对应的第一网格单元；
9.按照所述时间数据的先后顺序结合所述第一网格单元生成所述目标对象的第一时空轨迹；
10.基于所述交易行为数据的交易类型和所述时间数据生成所述目标对象的第一交易行为轨迹；
11.根据所述第一时空轨迹和所述第一交易行为轨迹确定所述目标对象的第一虚拟资源风险值。
12.相应的，本技术第二方面提供一种数据处理装置，装置包括：
13.获取单元，用于获取目标对象的第一行为信息，所述第一行为信息包括交易行为数据以及与所述交易行为数据对应的定位数据和时间数据；
14.划分单元，用于确定包含所述目标对象活动范围的预设地理空间，将所述预设地理空间划分为多个网格单元；
15.第一确定单元，用于根据所述定位数据在所述多个网格单元中确定与每个交易行为数据对应的第一网格单元；
16.第一生成单元，用于按照所述时间数据的先后顺序结合所述第一网格单元生成所述目标对象的第一时空轨迹；
17.第二生成单元，用于基于所述交易行为数据的交易类型和所述时间数据生成所述目标对象的第一交易行为轨迹；
18.第二确定单元，用于根据所述目标对象的第一时空轨迹和所述目标对象的第一交易行为轨迹确定所述目标对象的第一虚拟资源风险值。
19.在一些实施例中，所述第二确定单元，包括：
20.第一获取子单元，用于获取训练样本数据，所述训练样本数据包括预设数量个第一对象在所述预设地理空间中的第二行为信息以及每个第一对象对应的第二虚拟资源风险值；
21.第一生成子单元，用于根据所述第二行为信息生成每个第一对象对应的第二时空轨迹以及第二交易行为轨迹；
22.训练子单元，用于采用所述第二时空轨迹与所述第二交易行为轨迹作为输入，所述第二虚拟资源风险值作为输出训练预设神经网络模型，得到训练后的神经网络模型；
23.输出子单元，用于将所述第一时空轨迹和所述第一交易行为轨迹输入至所述训练后的神经网络模型，得到输出的目标对象的第一虚拟资源风险值。
24.在一些实施例中，所述第一生成单元，包括：
25.第二获取子单元，用于获取每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据；
26.第二生成子单元，用于根据每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一网格单元对应的第一特征向量；
27.第三生成子单元，用于获取每一第一网格单元对应的第二特征向量，并基于所述第二特征向量与所述时间数据生成所述目标对象的第一时空轨迹。
28.在一些实施例中，所述第二生成子单元，包括：
29.第一计算模块，用于根据所述遥感影像数据、所述建筑物数据以及所述道路网络数据计算每一网格单元的物理属性数据；
30.第二计算模块，用于根据所述公共设施数据计算每一网格单元的交易属性数据；
31.嵌入模块，用于对所述物理属性数据与所述交易属性数据进行词嵌入处理，得到每一网格单元对应的第一特征向量。
32.在一些实施例中，所述训练子单元，包括：
33.第一获取模块，用于获取每一第二时空轨迹对应的第三特征向量以及每一第二交易行为轨迹对应的第四特征向量；
34.训练模块，用于采用所述第三特征向量与所述第四特征向量作为输入，所述第二虚拟资源风险值为输出训练预设神经网络模型，得到训练后的神经网络模型。
35.在一些实施例中，所述训练模块，包括：
36.第一输入子模块，用于将所述第三特征向量输入至第一循环神经网络，得到输出的第五特征向量；
37.第二输入子模块，用于将所述第四特征向量输入至第二循环神经网络，得到输出的第六特征向量；
38.融合子模块，用于对所述第五特征向量和所述第六特征向量进行融合，得到第七特征向量；
39.第三输入子模块，用于将所述第七特征向量输入至预设全连接层，并将所述预设全连接层的输出经分类层分类得到输出的第三虚拟资源风险值；
40.计算子模块，用于基于所述第二虚拟资源风险值以及所述第三虚拟资源风险值计算损失函数；
41.训练子模块，用于基于所述损失函数更新所述第一循环神经网络、所述第二循环神经网络以及所述预设全连接层的参数，并基于更新后的第一循环神经网络、更新后的第二循环神经网络以及更新后的全连接层确定训练后的神经网络模型。
42.在一些实施例中，所述输出子单元，包括：
43.第二获取模块，用于获取所述第一时空轨迹对应的第一目标特征向量以及所述第一交易行为轨迹对应的第二目标特征向量；
44.第一输入模块，用于将所述第一目标特征向量输入至所述更新后的第一循环神经网络，得到输出的第三目标特征向量；
45.第二输入模块，用于将所述第二目标特征向量输入至所述更新后的第二循环神经网络，得到输出的第四目标特征向量；
46.融合模块，用于对所述第三目标特征向量和所述第四目标特征向量进行融合，得到第五目标特征向量；
47.第三输入模块，用于将所述第五目标特征向量输入至所述更新后的全连接层，并将所述更新后的全连接层的输出经分类层分类，得到所述目标对象的第一虚拟资源风险值。
48.在一些实施例中，所述第一获取模块，包括：
49.确定子模块，用于确定每个第二时空轨迹对应的多个第二网格单元；
50.获取子模块，永固获取每一第二网格单元对应的第八特征向量；
51.生成子模块，用于基于所述第八特征向量与所述第一时空轨迹中包含的时间数据生成每一第二时空轨迹对应的第三特征向量；
52.嵌入子模块，用于对每一第二交易行为轨迹进行词嵌入处理，得到每一第二交易行为轨迹对应的第四特征向量。
53.本技术第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本技术第一方面所提供的数据处理方法的步骤。
54.本技术第四方面提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术第一方面所提供的数据处理方法的步骤。
55.本技术第五方面提供一种计算机程序产品或计算机程序，所述计算机程序产品或
计算机程序包括计算机指令，所述计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行第一方面所提供的数据处理方法的步骤。
56.本技术实施例提供的数据处理方法，通过获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据第一时空轨迹和第一交易行为轨迹确定目标对象的第一虚拟资源风险值。以此，通过获取目标对象的行为信息，并基于行为信息确定目标对象的时空轨迹和行为轨迹，再根据时空轨迹和行为轨迹确定目标对象的虚拟资源风险值。该方法可以提高数据处理效率，也可以提升对目标对象的虚拟资源风险值的计算的准确性。
附图说明
57.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
58.图1是本技术中数据处理的一个场景示意图；
59.图2是本技术提供的数据处理方法的流程示意图；
60.图3是本技术提供的数据处理方法的另一流程示意图；
61.图4为本技术提供的神经网络模型的结构示意图；
62.图5是本技术提供的数据处理装置的结构示意图；
63.图6是本技术提供的终端的结构示意图；
64.图7是本技术提供的服务器的结构示意图。
具体实施方式
65.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，本领域技术人员在没有作出创造性劳动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。
66.本发明实施例提供一种数据处理方法、装置、计算机可读存储介质及计算机设备。其中，该数据处理方法可以使用于数据处理装置中。该数据处理装置可以集成在计算机设备中，该计算机设备可以是终端也可以是服务器。其中，终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(pc，personal computer)等设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(content delivery network，cdn)、以及大数据和人工智
能平台等基础云计算服务的云服务器。其中，服务器可以为区块链中的节点。
67.请参阅图1，为本技术提供的数据处理的一场景示意图；如图所示，当计算机设备a获取目标对象在预设地理空间中的行为信息，该行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据。将目标对象活动范围的预设地理空间划分为多个网格单元，根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的交易行为轨迹；根据目标对象的时空轨迹和交易行为轨迹确定目标对象的虚拟资源风险值。
68.需要说明的是，图1所示的数据处理的场景示意图仅仅是一个示例，本技术实施例描述的数据处理场景是为了更加清楚地说明本技术的技术方案，并不构成对于本技术提供的技术方案的限定。本领域普通技术人员可知，随着数据处理的演变和新业务场景的出现，本技术提供的技术方案对于类似的技术问题，同样适用。
69.基于上述实施场景以下分别进行详细说明。
70.本技术实施例将从数据处理装置的角度进行描述，该数据处理装置可以集成在计算机设备中。其中，计算机设备可以是终端，该终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(pc，personal computer)等设备。如图2所示，为本技术提供的数据处理方法的流程示意图，该方法包括：
71.步骤101，获取目标对象的第一行为信息。
72.其中，近年来随着智能终端的普及以及互联网技术的不断发展，互联网金融也呈现出迅速发展和普及的态势。然而，互联网的便捷性又降低了金融欺诈等行为的成本，使得互联网诈骗行为不断增加。在相关技术中，为了确认互联网中交易对象的安全性，一般都是对交易对象关联的身份信息在银行或金融公司的征信进行获取，然后根据获取到的征信数据进行金融风险评估。然而银行或金融公司的征信的评估维度较为单一，且数据更新无法做到实时更新，使得对交易对象的风险评估结果不够准确。为此本技术提供一种数据处理方法，可以实时快速评估交易对象的金融风险，保证互联网交易的安全性。下面，对本技术提供的方案进行进一步的详细介绍。
73.首先，对目标对象的行为信息进行获取。其中，目标对象可以为交易对象也可以为其他需要进行评估的对象。具体地，交易对象可以为需要进行转账、发送微信红包或者帮忙支付等方式进行资金转移的对象。其他需要进行评估的对象可以为金融信贷产品的申请对象，例如微粒贷、借呗等信贷产品的申请者。此处目标对象可以为虚拟对象，即可以为一个虚拟的用户账号。在一些实施例中，目标对象也可以为个人或者某个用户。
74.目标对象的行为信息包括目标对象在预设时间范围内在其活动范围内的行为信息。其中预设时间范围可以根据实际需要进行确定，例如从当前时刻前溯一个月的时间，或者从当前时刻前溯半年或一年的时间。可以理解的是，前溯时间越长，所需要获取以及处理的数据量越大，处理效率越低。然而，前溯时间越长，采集到的活动数据越多，对目标对象的金融风险的评估结果越准确。
75.目标对象的活动范围可以为用户活动的所有空间数据确定的一个预设地理空间，例如深圳市或者广东省，该预设地理空间包含了用在预设时间范围内的所有活动范围。预设地理空间也可以根据需要进行确定，例如确定为深圳市、广东省、中国或者全球。可以理
解的是，预设地理空间设置的越小，所需获取以及处理的数据量越小，评估效率越高；反之预设地理空间设置越大，采集到的数据量越大，评估效率越低。
76.其中，行为信息可以包括用户的交易行为数据、出行行为数据以及娱乐行为数据等，而且行为信息还包括上述各类行为数据对应的时间数据和定位数据。具体地，这些数据可以从用户的支付应用程序、导航应用程序、打车应用程序、购物应用程序、即时通讯应用程序或其他社交应用程序等互联网应用程序中进行获取。
77.其中，在一些实施例中，每个对象的行为信息可以实时进行获取，并将获取到的行为信息存储在区块链中，在需要对目标对象进行虚拟资源风险评估时，可以从区块链中获取到目标对象对应的行为信息。
78.步骤102，确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元。
79.其中，在获取到目标对象在预设时间范围内的所有行为数据后，根据目标对象的行为数据中的定位数据确定包含目标对象所有定位数据对应位置的地理空间为预设地理空间。
80.在一些实施例中，可以设置包括目标对象活动范围的最小行政区划为预设地理空间。例如，若目标对象只在深圳市的各个行政区内活动，那么可以设置包含目标对象活动范围的预设地理空间为深圳市；若目标对象在广东省的各个市区内活动，那么可以设置包含目标对象活动范围的预设地理空间为广东省；若目标对象的活动足迹遍布中国各省市，那么可以设置包含目标对象的活动范围的预设地理空间为全中国；进一步若目标对象的活动足迹遍布全球各个国家，那么便可以设置包含目标对象活动范围的预设地理空间为全世界。
81.在确定了包含目标对象的活动范围的预设地理空间之后，可以进一步将预设地理空间进行划分，得到多个网格单元。其中，对预设地理空间进行划分，可以按照规则格网进行划分，规则格网可以为正方形格网也可以为正六边形格网。在一些实施例中，也可以按照行政区划或者道路网络对预设地理空间进行划分，得到划分后的多个网格单元。
82.步骤103，根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元。
83.其中，在将预设地理空间按照一定的规则划分为多个网格单元后，可以进一步确定目标对象的每个交易行为对应的定位数据所处的具体网格单元，此处可以称之为第一网格单元。其中，由于目标对象的交易行为数据有多个，每个交易行为数据都有一个与之对应的定位数据，那么与定位数据对应的第一网格单元也可以为多个。
84.在确定了每个交易行为对应的第一网格单元后，也就可以确定每个交易行为对应的时间数据与每个第一网格单元之间的对应关系。
85.步骤104，按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹。
86.其中，在确定了每个交易行为对应的时间数据与每个第一网格单元之间的对应关系后，可以按照时间数据排序的先后顺序将多个第一网格单元进行排序，并根据排序顺序结合时间数据生成目标对象的第一时空轨迹。
87.在一些实施例中，按照时间数据的先后顺序结合第一网格单元生成目标对象的第
一时空轨迹，包括：
88.1、获取每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据；
89.2、根据每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一网格单元对应的第一特征向量；
90.3、获取每一第一网格单元对应的第二特征向量，并基于第二特征向量与时间数据生成目标对象的第一时空轨迹。
91.其中，由于目标对象的金融风险值与目标对象活动空间的空间属性有极强的相关性，而基础地理信息数据与构建空间分析单元是刻画空间属性的基础，因此需要对每一网格单元的基础地理信息数据进行获取。其中，基础地理信息数据包括但不限于遥感影像数据、建筑物数据、公共设施数据以及道路网络数据。其中，具体地，获取每一网格单元的遥感影像数据可以采集每一网格单元的高分辨率遥感数据，并对遥感图像进行解译，将遥感图像中的工业用地、商业用地、住宅用地、水体、道路以及未利用地块进行分类。获取每一网格单元的建筑物数据可以是对每一网格单元中的建筑物的三维(3dimension，3d)数据进行获取，具体可以获取建筑物的底面积和楼高数据。获取每一网格单元的公共设施数据可以是对感兴趣点(point of interest，poi)的数据进行获取以及统计，其中poi数据可以包括购物中心、美食广场、生活服务机构、医疗机构、金融机构以及教育机构等的数据。获取每一网格单元的道路网络数据具体可以对每一网格单元中现有的以及规划中的高速公路、国道、省道、城市主干道、高铁以及普铁数据进行获取。
92.其中，对每一网格单元的基础地理信息数据进行获取，可以是直接对每个网格单元对应的数据进行获取，也可以是对预设地理空间的整体数据进行获取，然后再按照对应的划分规则将这些数据进行划分，得到每一网格单元对应的基础地理信息数据。
93.在获取到每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据之后，可以进一步根据每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一网格单元对应的特征向量，此处可以称为第一特征向量。根据每一网格单元的基础地理信息生成每一网格单元对应的特征向量，可以是采用词嵌入方法对每个网格单元的基础地理信息数据进行处理，从而得到每一网格单元对应的第一特征向量。
94.在确定了预设地理空间中的每一网格单元对应的第一特征向量之后，可以进一步在多个第一特征向量中确定每一第一网格单元对应的第二特征向量，得到每个第一网格单元对应的第二特征向量。然后根据每一第一网格单元与时间数据的对应关系确定每一第二特征向量与时间数据的映射关系，并基于时间先后顺序结合第二特征向量生成目标对象的第一时空轨迹。
95.在一些实施例中，根据每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一网格单元对应的第一特征向量，包括：
96.2.1、根据遥感影像数据、建筑物数据以及道路网络数据计算每一网格单元的物理属性数据；
97.2.2、根据公共设施数据计算每一网格单元的交易属性数据；
98.2.3、对物理属性数据与交易属性数据进行词嵌入处理，得到每一网格单元对应的
第一特征向量。
99.其中，在获取到每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据后，可以根据遥感影像数据、建筑物数据以及道路网络数据计算每一网格单元的物理属性数据。其中，每一网格单元的物理属性数据包括但不限于：建成区面积、植被面积、路网密度、路网长度以及建筑物面积。其中，建成区面积和植被面积可以根据遥感影像数据进行计算得到，路网密度和路网长度可以根据道路网络数据计算得到，建筑物面积可以从建筑物数据中获取到。然后，可以进一步根据公共设施数据计算每一网格单元的交易属性数据，交易属性数据包括但不限于地块活力度以及功能混合度，其中地块活力度可以根据每个网格单元中社交应用在各poi的签到数据进行计算，功能混合度可以根据每个网格单元中poi的多样性进行计算得到。
100.在计算得到每一网格单元对应的物理属性数据和交易属性数据之后，将每个网格单元的物理属性数据和交易属性数据视为词特征对每一网格单元进行词嵌入处理，得到每一网格单元对应的第一特征向量。
101.步骤105，基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹。
102.其中，在获取到目标对象的交易行为数据后，可以将目标对象的交易行为数据进行分类。其中，目标对象的交易行为数据的交易类型可以包括但不限于：购物、出行、住宿、餐饮、娱乐以及教育等类型。然后进一步按照时间顺序结合交易类型生成目标对象的第一交易行为轨迹。
103.具体地，在一些实施例中，按照时间顺序结合交易类型生成目标对象的第一交易行为轨迹，包括：
104.采用词嵌入方法生成每一交易类型对应的特征向量；
105.基于时间顺序结合交易类型对应的特征向量生成目标对象的第一交易行为轨迹。
106.其中，可以将每一交易类型视为词特征对交易类型进行词嵌入处理，得到每一交易类型对应的特征向量，然后再基于时间顺序结合交易类型对应的特征向量生成目标对象的第一交易行为轨迹。
107.步骤106，根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的虚拟资源风险值。
108.其中，在确定了目标对象的时空轨迹和交易行为轨迹后，基于目标对象的时空轨迹和交易行为轨迹对目标对象的虚拟资源风险值进行计算。其中，虚拟资源风险值可以为目标对象的金融风险值，虚拟资源可以为货币、虚拟币或者其他一般等价物等。由于目标对象的时空轨迹和交易行为轨迹通常是伴随着对象的社交活动、游戏娱乐以及交通出行而产生的，可以隐式地表明对象的收入水平、社会阶层和风险偏好等，从而可以用于对个体对象的金融风险进行准确评估。具体地，可以建立个体的时空轨迹和交易行为轨迹与虚拟资源风险值之间的映射关系，该映射关系可以从多个已知虚拟资源风险值的个体的时空轨迹和交易行为轨迹中进行提取。在提取出该映射关系后，便可以根据该映射关系以及目标对象的第一时空轨迹和第一交易行为轨迹确定目标对象的虚拟资源风险值，此处可以称为第一虚拟资源风险值。
109.在一些实施例中，根据第一时空轨迹和第一交易行为轨迹确定目标对象的虚拟资
源风险值，包括：
110.1、获取训练样本数据，训练样本数据包括预设数量个第一对象在预设地理空间中的第二行为信息以及每个第一对象对应的第二虚拟资源风险值；
111.2、根据第二行为信息生成每个第一对象对应的第二时空轨迹以及第二交易行为轨迹；
112.3、采用第二时空轨迹与第二交易行为轨迹作为输入，第二虚拟资源风险值作为输出训练预设神经网络模型，得到训练后的神经网络模型；
113.4、将第一时空轨迹和第一交易行为轨迹输入至训练后的神经网络模型，得到输出的目标对象的第一虚拟资源风险值。
114.其中，在本技术实施例中，可以通过训练一个神经网络模型来提取对象的时空轨迹和交易行为轨迹与对象的虚拟资源风险值之间的映射关系。具体地，可以先获取训练样本数据，训练样本数据包括预设数量个第一对象在预设地理空间中的第二行为信息以及每个第一对象对应的第二虚拟资源风险值。其中，每个第一对象的第二行为信息可以按照上述目标对象的第一行为信息的获取方法进行相应的获取。而每个第一对象的第二虚拟资源风险值可以根据其被监控到的交易欺诈行为或者其他用户对其举报或者投诉等行为进行综合计算得到的虚拟资源风险值。也可以通过第一对象在金融机构、消费平台以及社交网络中的信用评分数据进行计算得到。即第一对象的行为信息和对应的虚拟资源风险值都是已知的数据。
115.在获取到第一对象的第二行为信息后，可以根据第一对象的第二行为信息生成每个第一对象的时空轨迹和交易行为轨迹，为了与目标对象的时空轨迹和交易行为轨迹进行区分，此处确定为第一对象的第二时空轨迹和第二交易行为轨迹。然后，将每一第一对象的第二时空轨迹和第二交易行为轨迹作为神经网络模型的输入，将每一第一对象的第二虚拟资源风险值作为神经网络模型的输出来训练预设神经网络模型，得到训练后的神经网络模型。
116.在训练得到训练后的神经网络模型后，可以将目标对象的第一时空轨迹和第一交易行为轨迹输入至该训练后的神经网路模型中，便可以高效地输出目标对象对应的第一虚拟资源风险值。
117.在一些实施例中，采用第二时空轨迹与第二交易行为轨迹作为输入，第二虚拟资源风险值作为输出训练预设神经网络模型，得到训练后的神经网络模型，包括：
118.3.1、获取每一第二时空轨迹对应的第三特征向量以及每一第二交易行为轨迹对应的第四特征向量；
119.3.2、采用第三特征向量与第四特征向量作为输入，第二虚拟资源风险值为输出训练预设神经网络模型，得到训练后的神经网络模型。
120.其中，采用每一第一对象的第二时空轨迹和第二交易行为轨迹以及其对应的第二虚拟资源风险值来训练预设神经网络模型，可以先将每一第一对象的第二时空轨迹和第二交易行为轨迹进行向量化，得到每一第二时空轨迹对应的第三特征向量以及每一第二交易行为轨迹对应的第四特征向量。然后再将第三特征向量与第四特征向量作为神经网络模型的输入，将第二虚拟资源风险值作为神经网络模型的输出进行神经网络模型的训练，得到训练后的神经网络模型。
121.在一些实施例中，获取每一第二时空轨迹对应的第三特征向量以及每一第二交易行为轨迹对应的第四特征向量，包括：
122.3.1.1、确定每个第二时空轨迹对应的多个第二网格单元；
123.3.1.2、获取每一第二网格单元对应的第八特征向量；
124.3.1.3、基于第八特征向量与第二时空轨迹中包含的时间数据生成每一第二时空轨迹对应的第三特征向量；
125.3.1.4、对每一第二交易行为轨迹进行词嵌入处理，得到每一第二交易行为轨迹对应的第四特征向量。
126.其中，在确定了每一第一对象的第二时空轨迹和第二交易行为轨迹后，可以确定每一第二时空轨迹对应的网格单元，为将其与目标对象的第一时空轨迹对应的第一网格单元作区分，此处可以确定每一第二时空轨迹对应的网格单元为第二网格单元。由于在前述步骤中已经确定了预设地理空间中每一网格单元的特征向量，那么就可以在其中确定出第二网格单元对应的特征向量，此处为作区别，将第二网格单元对应的特征向量确定为第八特征向量。然后进一步可以根据多个第八特征向量结合第二时空轨迹中的时间数据生成每一第二时空轨迹对应的第三特征向量。而对每一第一对象的第二交易行为轨迹，可以对其进行词嵌入处理，得到每一第二交易行为轨迹对应的第四特征向量。
127.在一些实施例中，采用第三特征向量与第四特征向量作为输入，第二虚拟资源风险值为输出训练预设神经网络模型的训练过程，包括：
128.3.2.1、将第三特征向量输入至第一循环神经网络，得到输出的第五特征向量；
129.3.2.2、将第四特征向量输入至第二循环神经网络，得到输出的第六特征向量；
130.3.2.3、对第五特征向量和第六特征向量进行融合，得到第七特征向量；
131.3.2.4、将第七特征向量输入至预设全连接层，并将预设全连接层的输出经分类层分类得到输出的第三虚拟资源风险值；
132.3.2.5、基于第二虚拟资源风险值以及第三虚拟资源风险值计算损失函数；
133.3.2.6、基于损失函数更新第一循环神经网络、第二循环神经网络以及预设全连接层的参数，并基于更新后的第一循环神经网络、更新后的第二循环神经网络以及更新后的全连接层确定训练后的神经网络模型。
134.其中，在本技术实施例中，预设神经网络模型可以包括两个循环神经网络以及一个融合层、全连接层和分类层组成。那么对该预设神经网络模型进行训练的具体过程，可以按照如下步骤进行：
135.首先，将每一第一对象的第二时空轨迹对应的第三特征向量输入至第一循环神经网络中，得到输出的第五特征向量；同样地可以将第一对象的第二交易行为轨迹对应的第四特征向量输入至第二循环神经网络中，得到输出的第六特征向量。然后将得到的第五特征向量和第六特征向量经融合层进行融合，得到第七特征向量；然后将第七特征向量输入至全连接层，并将全连接层的输出经分类层进行分类，得到每一第一对象经预设神经网络的输出值，也就是每一第一对象对应的第三虚拟资源风险值。而第一对象的第三虚拟资源风险值与其实际值(即第二虚拟资源风险值)之间会有一定的差异，我们可以据此确定神经网络模型的损失函数。具体地，可以计算第二虚拟资源风险值与第三虚拟资源风险值之间的交叉熵作为神经网络模型的损失函数。
136.然后，可以基于上述损失函数对神经网络模型进行训练，即对第一循环神经网络、第二循环神经网络以及全连接层的各个参数进行不断调整更新，直至模型收敛，得到更新后的第一循环神经网络、第二循环神经网络以及更新后的全连接层，从而完成神经网络模型的训练，得到训练后的神经网络模型。
137.其中，在一些实施例中，上述循环神经网络可以由长短期记忆网络或者门控循环单元网络进行替代。
138.在一些实施例中，将第一时空轨迹和第一交易行为轨迹输入至训练后的神经网络模型，得到输出的目标对象的第一虚拟资源风险值，包括：
139.4.1、获取第一时空轨迹对应的第一目标特征向量以及第一交易行为轨迹对应的第二目标特征向量；
140.4.2、将第一目标特征向量输入至更新后的第一循环神经网络，得到输出的第三目标特征向量；
141.4.3、将第二目标特征向量输入至更新后的第二循环神经网络，得到输出的第四目标特征向量；
142.4.4、对第三目标特征向量和第四目标特征向量进行融合，得到第五目标特征向量；
143.4.5、将第五目标特征向量输入至更新后的全连接层，并将更新后的全连接层的输出经分类层分类，得到目标对象的第一虚拟资源风险值。
144.其中，在对预设神经网络模型进行训练得到训练后的神经网络模型之后，可以进一步采用训练后的神经网络模型对目标对象进行虚拟资源风险值评估。具体地，可以先获取目标对象对应的第一时空轨迹对应的第一目标特征向量和第一交易行为轨迹对应的第二目标特征向量。然后将第一目标特征向量输入至更新后的第一循环神经网络，得到输出的第三目标特征向量；以及将第二目标特征向量输入至更新后的第二循环神经网络，得到输出的第四目标特征向量。进一步地，可以将第三目标特征向量和第四目标特征向量输入至融合层进行融合，得到融合后的第五目标特征向量。之后再将第五目标特征向量经更新后的全连接层进行处理，并将全连接层的输出经分类层分类得到目标对象对应的第一虚拟资源风险值。
145.根据上述描述可知，本技术实施例提供的数据处理方法，通过获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据第一时空轨迹和第一交易行为轨迹确定目标对象的第一虚拟资源风险值。以此，通过获取目标对象的行为信息，并基于行为信息确定目标对象的时空轨迹和行为轨迹，再根据时空轨迹和行为轨迹确定目标对象的虚拟资源风险值。该方法可以提高数据处理效率，也可以提升对目标对象的虚拟资源风险值计算的准确性。
146.相应地，本技术实施例将从计算机设备的角度进一步对本技术提供的数据处理方法进行详细的描述，其中计算机设备可以为终端也可以为服务器。如图3所示，为本技术提
供的数据处理方法的另一流程示意图，该方法包括：
147.步骤201，计算机设备对预设地理空间进行划分，得到多个地块单元。
148.其中，预设地理空间可以为包括用户活动空间的任意地理空间。具体地，例如用户为中国某一省份的用户，那可以默认用户活动空间为该省份，那么便可以设置预设地理空间为该省份。当然，也可以设置预设地理空间为全中国或者全世界。可以理解的是，预设地理空间设置的范围越小，对预设地理空间中数据采集所需消耗的时间越少，需要采集的数据量也越少，数据处理效率越高。而预设地理空间设置的范围越大，对预设地理空间中数据采集所需消耗的时间越长，需要采集的数据量也越大，但覆盖面越广，能够评估的用户群体也就越广，本技术提供的数据处理方法的兼容性越强。具体的预设地理空间可以根据需要进行数据处理的对象的活动范围来进行具体确定。在本技术实施例中，可以将预设地理空间设置为全世界。如此，本技术提供的数据处理方法便可以对全球任意对象的虚拟资源风险值进行计算。其中，在本技术实施例中，以目标对象的金融风险值作为虚拟资源风险值进行详细介绍。
149.计算机设备在确定了预设地理空间为全世界后，可以按照预设的划分规则对全世界地理空间进行划分，得到多个地块单元。其中，预设的划分规则可以是将全世界地理空间按照规则形状进行划分，规则形状可以为正方形也可以为正六边形；在一些实施例中也可以按照非规则形状对预设地理空间进行划分。
150.步骤202，计算机设备获取每一地块单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据并生成每一地块单元对应的第一特征向量。
151.其中，在将全球地表范围划分为多个地块单元之后，进一步可以对每一地块单元的基础地理信息数据进行获取，其中基础地理信息数据可以包括但不限于遥感影像数据、建筑物数据、公共设施数据以及道路网络数据。
152.在获取到每一地块单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据后，可以根据遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一地块单元对应的第一特征向量。
153.具体地，可以先根据获取到的遥感影像数据计算每一地块单元的建成区面积占比h1以及植被面积占比h2，其中h1＝不透水面面积/地块总面积，h2＝植被总面积/地块总面积。然后通过道路网络数据计算每一地块单元的路网密度h3，其中h3＝路网长度/地块总面积。之后再根据建筑物数据计算建筑物面积占比h4，其中h4＝建筑物面积/地块总面积。上述h1至h4为每一地块的地块物理属性。
154.进一步地，可以继续计算每一地块的地块活力度s1以及功能混合度s2，其中地块活力度s1可以根据地块内的社交媒体签到数据进行测度，数值越大表示地块的空间活力越强；功能混合度也可以理解为地块单元中poi的多样性，可以基于信息熵的计算方法来计算地块单元的功能混合度，具体可以采用如下公式进行计算：
[0155][0156]
其中，e为信息熵，功能混合度s2的值与e值相同。pi为地块单元中第i类poi的占比。上述s1和s2为每一地块的社会经济属性。
[0157]
在确定了每一地块的物理属性和社会经济属性后，可以将每个地块对应的上述属性数值序列视为词特征，并对此进行词嵌入处理，得到该地块单元对应的特征向量。然后，可以进一步遍历每一地块单元，得到全世界每一地块单元对应的特征向量。
[0158]
步骤203，计算机设备获取训练样本数据，训练样本数据包括多个对象的行为信息和金融风险值。
[0159]
其中，在本技术中，在将全世界划分为多个地块单元并生成每一地块单元对应的特征向量之后，可以进一步对每一对象的行为信息进行获取并基于每一地块单元对应的特征向量生成每一对象的时空轨迹和交易行为轨迹。具体地，对象的行为信息可以包括用户的交易行为数据、出行行为数据、居住行为数据以及娱乐行为数据等。具体地，这些数据可以从对象的各类互联网应用程序中进行获取。具体地，对象的每个行为信息都可以对应一个时空数据pi＝《x，y，t》。其中(x，y)为行为发生的位置信息，t为行为发生的时间。连续的时空数据构成了对象的时空轨迹，时空轨迹数据可以刻画对象的社会经济属性。其中，时空轨迹的时间跨度可以为1小时、1天、1个月甚至1年等，具体可以根据需要进行设置。一般情况下时间跨度越小，采集的数据量越大，模型训练的效果越好。
[0160]
而每个对象的金融风险值可以从一个数据源进行采集，也可以从多个数据源进行采集。例如可以从金融机构(如银行)、互联网消费平台以及社交网络中进行获取。金融机构和互联网消费平台的数据源能够直接反应金融风险行为，而社交网络上的一些行为可以对用户的金融风险值提供辅助的评估。根据上述收集到的数据进行一定的加权处理，从而可以得到每个对象的金融风险值。具体地，例如在金融机构有不良征信记录，那么可以记得分为1，若无不良征信记录则可以记得分为0，而金融机构的得分占金融风险行为评分权重为40％。然后可以采用上述示例分别得到互联网消费平台和社交网络对应的评分，最终求和得到每一对象的金融风险值。
[0161]
步骤204，计算机设备根据每个对象的行为信息生成每个对象的时空轨迹和交易行为轨迹。
[0162]
其中，每一对象在不同时间所处的位置构成了对象的时空轨迹，其中时空轨迹可以表示为st＝《(s0，t0)，(s1，t1)，...(si，ti)》，其中，si表示空间位置(xi，yi)，ti表示时间。进一步地，对于每个空间位置si，都可以确定其所处的地块单元，以及可以确定该地块单元对应的向量pi。那么对象的时空轨迹便可以表示为：pt＝《(p0，t0)，(p1，t1)，...(pi，ti)》。在一些实施例中，若一个地块单元中包含了多个相邻时间的时空轨迹点，可以将这多个时空轨迹点融合为一个地块轨迹。该时间间隔可以根据需要进行设置，例如可以设置为1小时。那么若在1小时内在某一地块单元上存在多个时空轨迹点，这多个时空轨迹点可以融合为一个地块轨迹。最终得到的pt便是每个对象的时空轨迹。
[0163]
而对象在不同时间的不同行为则构成了对象的交易行为轨迹，其中该交易行为轨迹可以包括不同时间点的各类行为组成的轨迹，此处各类行为包括但不限于前述交易行为、出行行为、居住行为以及娱乐行为等。而在经济活动中，由于各类行为都在一定程度上能与交易行为关联，因此将不同时间的行为构成的轨迹称为交易行为轨迹。具体可以以如下形式表示：at＝《(a0，t0)，(a1，t1)，...(ai，ti)》。其中，ai表示时间ti时对应的活动的活动类型。
[0164]
最后，遍历每一对象，便可以生成每一对象的时空轨迹和交易行为轨迹。
[0165]
步骤205，计算机设备根据每个对象的时空轨迹、交易行为轨迹以及金融风险值训练预设神经网络模型。
[0166]
其中，在生成了每一对象的时空轨迹和交易行为轨迹后，可以采用多个对象的时空轨迹和交易行为轨迹以及各自对应的金融风险值来训练预设神经网络模型。
[0167]
具体地，先将每一对象的时空轨迹和交易行为轨迹进行向量化，由于时空轨迹本就是地块单元对应的特征向量与时间组合形成的序列，那么可以在地块单元对应的特征向量中加上一维时间维度便可以得到每个时空轨迹点对应的特征向量。而多个时空轨迹点便构成了时空轨迹对应的向量序列。而对每一对象的交易行为轨迹，可以将每一交易行为类型和时间的组合当作一个词特征，然后对其采用词嵌入方法进行处理，具体可以采用word2vec算法进行处理，得到每个交易行为轨迹点对应的向量，也就得到了交易行为轨迹对应的向量序列。
[0168]
在确定了每一对象的时空轨迹对应的轨迹向量序列以及交易行为轨迹对应的轨迹向量序列后，可以采用这两个轨迹向量序列和每一对象的金融风险值训练预设神经网络模型。具体地，可以将两个轨迹向量序列输入至多视图循环神经网络中，得到多视图循环神经网络输出的多个特征向量。然后进一步对输出的多个特征向量进行融合，得到融合后的特征向量。将融合后的特征向量输入至全连接层并将全连接层的输出结果进行分类处理得到输出的金融风险值。进一步地，将输出的金融风险值与该对象金融风险的实际值之间的交叉熵确定为损失函数，基于该损失函数优化多视图循环神经网络以及全连接层的参数，直到模型收敛。从而完成对预设神经网络模型的训练。
[0169]
具体地，每一视图循环神经网络的输入为向量序列x＝《x1，x2，...x
t
》，输出为一个n维的特征向量vn＝《y1，y2，...，yn》。对输出的特征向量进行融合处理的公式如下：
[0170][0171]
其中，v为融合后的特征向量，sigmoid为激活函数，w
p
为时空轨迹对应的权重，为时空轨迹向量序列经多视图循环神经网络模型输出的n维向量，wa为交易行为轨迹对应的权重，为交易行为轨迹向量序列经多视图循环神经网络模型输出的n维向量，
⊙
表示哈达玛积运算。
[0172]
如图4所示，为本技术提供的神经网络模型的结构示意图。如图所示，在确定了对象的时空轨迹10和交易行为轨迹20后，先将轨迹进行向量化，得到时空轨迹10对应的时空轨迹向量序列30和交易行为轨迹20对应的交易行为轨迹向量序列40。然后将两个轨迹向量序列输入至多视图循环神经网络模型50，得到多视图循环神经网络模型50输出的两个多维特征向量，然后将这两个多维特征向量输入至融合层60进行特征融合，得到融合后的特征向量v，然后将融合后的特征向量v输入至全连接层70进行处理，并将全连接层70的输出结果输入至分类层80进行softmax分类，得到金融风险值90。
[0173]
步骤206，计算机设备获取目标对象的行为信息。
[0174]
其中，在完成对预设神经网络模型的训练后，便可以对全球范围内任意目标对象进行金融风险值计算。而采用训练后的神经网络模型对目标对象进行金融风险评估之前，需要先确定目标对象的时空轨迹和交易行为轨迹。那么便需要对目标对象的行为信息进行获取，具体地，目标对象的行为信息包括哪些信息以及如何获取目标对象的行为信息已经
在前文中进行了详细描述，此处不再予以赘述。
[0175]
步骤207，计算机设备生成目标对象的时空轨迹和交易行为轨迹。
[0176]
其中，计算机设备在获取了目标对象的行为信息后，基于前述划分得到的每个地块单元对应的特征向量以及目标对象的行为信息数据生成目标对象的时空轨迹和交易行为轨迹。具体如何生成目标对象的时空轨迹和交易行为轨迹，已经在前文中予以详细介绍，此处不再予以赘述。
[0177]
步骤208，计算机设备将目标对象的时空轨迹和交易行为轨迹输入至训练后的神经网络模型，得到目标对象的金融风险值。
[0178]
其中，在确定了目标对象的时空轨迹和交易行为轨迹后，对目标对象的时空轨迹和交易行为轨迹进行向量化，得到目标对象的时空轨迹对应的向量序列以及交易行为轨迹对应的向量序列。然后将这两个向量序列输入至更新后的多视图循环神经网络中，得到多视图神经网络输出的与时空序列对应的特征向量以及与交易行为数据对应的特征向量。进一步地，将这两个特征向量进行融合，得到融合后的特征向量。然后再将融合后的特征向量输入至更新后的全连接层，最后将全连接层输出的结果输入至分类层进行分类，得到目标对象对应的金融风险值。
[0179]
在一些实施例中，还可以获取目标对象的用户画像，根据目标对象的用户画像确定目标对象的另一金融风险值，然后将前述根据目标对象的轨迹数据确定的金融风险值与根据目标对象的用户画像确定的金融风险值进行加权求和得到目标对象的最终金融风险值。如此可以在多个维度对目标对象的金融风险值进行评估，更进一步提高了目标对象的金融风险值的评估准确性。
[0180]
根据上述描述可知，本技术实施例提供的数据处理方法，通过获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。以此，通过获取目标对象的行为信息，并基于行为信息确定目标对象的时空轨迹和行为轨迹，再根据时空轨迹和行为轨迹确定目标对象的虚拟资源风险值。该方法可以提高数据处理效率，也可以提升对目标对象的虚拟资源风险值计算的准确性。
[0181]
为了更好地实施以上方法，本发明实施例还提供一种数据处理装置，该数据处理装置可以集成在终端或者服务器中。
[0182]
例如，如图5所示，为本技术实施例提供的数据处理装置的结构示意图，该数据处理装置可以包括获取单元301、划分单元302、第一确定单元303、第一生成单元304、第二生成单元305以及第二确定单元306，如下：
[0183]
获取单元301，用于获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；
[0184]
划分单元302，用于确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；
[0185]
第一确定单元303，用于根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；
[0186]
第一生成单元304，用于按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；
[0187]
第二生成单元305，用于基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；
[0188]
第二确定单元306，用于根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。
[0189]
在一些实施例中，第二确定单元，包括：
[0190]
第一获取子单元，用于获取训练样本数据，训练样本数据包括预设数量个第一对象在预设地理空间中的第二行为信息以及每个第一对象对应的第二虚拟资源风险值；
[0191]
第一生成子单元，用于根据第二行为信息生成每个第一对象对应的第二时空轨迹以及第二交易行为轨迹；
[0192]
训练子单元，用于采用第二时空轨迹与第二交易行为轨迹作为输入，第二虚拟资源风险值作为输出训练预设神经网络模型，得到训练后的神经网络模型；
[0193]
输出子单元，用于将第一时空轨迹和第一交易行为轨迹输入至训练后的神经网络模型，得到输出的目标对象的第一虚拟资源风险值。
[0194]
在一些实施例中，第一生成单元，包括：
[0195]
第二获取子单元，用于获取每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据；
[0196]
第二生成子单元，用于根据每一网格单元对应的遥感影像数据、建筑物数据、公共设施数据以及道路网络数据生成每一网格单元对应的第一特征向量；
[0197]
第三生成子单元，用于获取每一第一网格单元对应的第二特征向量，并基于第二特征向量与时间数据生成目标对象的第一时空轨迹。
[0198]
在一些实施例中，第二生成子单元，包括：
[0199]
第一计算模块，用于根据遥感影像数据、建筑物数据以及道路网络数据计算每一网格单元的物理属性数据；
[0200]
第二计算模块，用于根据公共设施数据计算每一网格单元的交易属性数据；
[0201]
嵌入模块，用于对物理属性数据与交易属性数据进行词嵌入处理，得到每一网格单元对应的第一特征向量。
[0202]
在一些实施例中，训练子单元，包括：
[0203]
第一获取模块，用于获取每一第二时空轨迹对应的第三特征向量以及每一第二交易行为轨迹对应的第四特征向量；
[0204]
训练模块，用于采用第三特征向量与第四特征向量作为输入，第二虚拟资源风险值为输出训练预设神经网络模型，得到训练后的神经网络模型。
[0205]
在一些实施例中，训练模块，包括：
[0206]
第一输入子模块，用于将第三特征向量输入至第一循环神经网络，得到输出的第五特征向量；
[0207]
第二输入子模块，用于将第四特征向量输入至第二循环神经网络，得到输出的第
六特征向量；
[0208]
融合子模块，用于对第五特征向量和第六特征向量进行融合，得到第七特征向量；
[0209]
第三输入子模块，用于将第七特征向量输入至预设全连接层，并将预设全连接层的输出经分类层分类得到输出的第三虚拟资源风险值；
[0210]
计算子模块，用于基于第二虚拟资源风险值以及第三虚拟资源风险值计算损失函数；
[0211]
训练子模块，用于基于损失函数更新第一循环神经网络、第二循环神经网络以及预设全连接层的参数，并基于更新后的第一循环神经网络、更新后的第二循环神经网络以及更新后的全连接层确定训练后的神经网络模型。
[0212]
在一些实施例中，输出子单元，包括：
[0213]
第二获取模块，用于获取第一时空轨迹对应的第一目标特征向量以及第一交易行为轨迹对应的第二目标特征向量；
[0214]
第一输入模块，用于将第一目标特征向量输入至更新后的第一循环神经网络，得到输出的第三目标特征向量；
[0215]
第二输入模块，用于将第二目标特征向量输入至更新后的第二循环神经网络，得到输出的第四目标特征向量；
[0216]
融合模块，用于对第三目标特征向量和第四目标特征向量进行融合，得到第五目标特征向量；
[0217]
第三输入模块，用于将第五目标特征向量输入至更新后的全连接层，并将更新后的全连接层的输出经分类层分类，得到目标对象的第一虚拟资源风险值。
[0218]
在一些实施例中，第一获取模块，包括：
[0219]
确定子模块，用于确定每个第二时空轨迹对应的多个第二网格单元；
[0220]
获取子模块，永固获取每一第二网格单元对应的第八特征向量；
[0221]
生成子模块，用于基于第八特征向量与第一时空轨迹中包含的时间数据生成每一第二时空轨迹对应的第三特征向量；
[0222]
嵌入子模块，用于对每一第二交易行为轨迹进行词嵌入处理，得到每一第二交易行为轨迹对应的第四特征向量。
[0223]
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0224]
根据上述描述可知，本技术实施例提供的数据处理方法，通过获取单元301获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；划分单元302确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；第一确定单元303根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；第一生成单元304按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；第二生成单元305基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；第二确定单元306根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。以此，通过获取目标对象的行为信息，并基于行为信息确定目标对象的时空轨迹和行为轨迹，再根据时
空轨迹和行为轨迹确定目标对象的虚拟资源风险值。该方法可以提高数据处理效率，也可以提升对目标对象的虚拟资源风险值的计算的准确性。
[0225]
本技术实施例还提供一种计算机设备，该计算机设备可以为终端，如图6所示，该终端可以包括射频(rf，radio frequency)电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真(wifi，wireless fidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解，图5中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
[0226]
rf电路401可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器408处理；另外，将涉及上行的数据发送给基站。通常，rf电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(sim，subscriber identity module)卡、收发信机、耦合器、低噪声放大器(lna，low noise amplifier)、双工器等。此外，rf电路401还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(gsm，global system of mobile communication)、通用分组无线服务(gprs，general packet radio service)、码分多址(cdma，code division multiple access)、宽带码分多址(wcdma，wideband code division multiple access)、长期演进(lte，long term evolution)、电子邮件、短消息服务(sms，short messaging service)等。
[0227]
存储器402可用于存储软件程序以及模块，处理器408通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及信息互动。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器408和输入单元403对存储器402的访问。
[0228]
输入单元403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元403可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器408，并能接收处理器408发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元403还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0229]
显示单元404可用于显示由用户输入的信息或提供给用户的信息以及终端的各种
图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板，可选的，可以采用液晶显示器(lcd，liquid crystal display)、有机发光二极管(oled，organic light-emitting diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器408以确定触摸事件的类型，随后处理器408根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图5中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
[0230]
终端还可包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
[0231]
音频电路406、扬声器，传声器可提供用户与终端之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路406接收后转换为音频数据，再将音频数据输出处理器408处理后，经rf电路401以发送给比如另一终端，或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔，以提供外设耳机与终端的通信。
[0232]
wifi属于短距离无线传输技术，终端通过wifi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图5示出了wifi模块407，但是可以理解的是，其并不属于终端的必要构成，完全可以根据需要在不改变发明的本质的范围内而省略。
[0233]
处理器408是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器408可包括一个或多个处理核心；优选的，处理器408可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器408中。
[0234]
终端还包括给各个部件供电的电源409(比如电池)，优选的，电源可以通过电源管理系统与处理器408逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0235]
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器408会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器408来运行存储在存储器402中的应用程序，从而实现各种功能：
[0236]
获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为
数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。
[0237]
应当说明的是，本技术实施例提供的计算机设备与上文实施例中的方法属于同一构思，以上各个操作的具体实施可参见前面的实施例，在此不作赘述。
[0238]
本技术实施例还提供一种计算机设备，该计算机设备可以为服务器，如图7所示，为本技术提供的计算机设备的结构示意图。具体来讲：
[0239]
该计算机设备可以包括一个或者一个以上处理核心的处理单元501、一个或一个以上存储介质的存储单元502、电源模块503和输入模块504等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
[0240]
处理单元501是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储单元502内的软件程序和/或模块，以及调用存储在存储单元502内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理单元501可包括一个或多个处理核心；优选的，处理单元501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理单元501中。
[0241]
存储单元502可用于存储软件程序以及模块，处理单元501通过运行存储在存储单元502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储单元502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能以及网页访问等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储单元502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储单元502还可以包括存储器控制器，以提供处理单元501对存储单元502的访问。
[0242]
计算机设备还包括给各个部件供电的电源模块503，优选的，电源模块503可以通过电源管理系统与处理单元501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源模块503还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0243]
该计算机设备还可包括输入模块504，该输入模块504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0244]
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理单元501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元502中，并由处理单元501来运行存储在存储单元502中
的应用程序，从而实现各种功能，如下：
[0245]
获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。
[0246]
应当说明的是，本技术实施例提供的计算机设备与上文实施例中的方法属于同一构思，以上各个操作的具体实施可参见前面的实施例，在此不作赘述。
[0247]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
[0248]
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种方法中的步骤。例如，该指令可以执行如下步骤：
[0249]
获取目标对象的第一行为信息，第一行为信息包括交易行为数据以及与交易行为数据对应的定位数据和时间数据；确定包含目标对象活动范围的预设地理空间，将预设地理空间划分为多个网格单元；根据定位数据在多个网格单元中确定与每个交易行为数据对应的第一网格单元；按照时间数据的先后顺序结合第一网格单元生成目标对象的第一时空轨迹；基于交易行为数据的交易类型和时间数据生成目标对象的第一交易行为轨迹；根据目标对象的第一时空轨迹和目标对象的第一交易行为轨迹确定目标对象的第一虚拟资源风险值。
[0250]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0251]
其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
[0252]
由于该计算机可读存储介质中所存储的指令，可以执行本发明实施例所提供的任一种方法中的步骤，因此，可以实现本发明实施例所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
[0253]
其中，根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图2或图3的各种可选实现方式中提供的方法。
[0254]
以上对本发明实施例所提供的一种数据处理方法、装置、计算机可读存储介质及计算机设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。