基于梯度提升决策树的佣金结算异常数据检测方法及系统与流程

本发明涉及数据处理，更具体地说，本发明涉及基于梯度提升决策树的佣金结算异常数据检测方法及系统。

背景技术：

1、在现代商业的委托催收或代理销售场景中，佣金结算往往依赖于多维度的动态数据与复杂的阶梯费率规则，结算系统需要具备精准识别和处理各类异常流水的能力，以保障资金核算的准确性。现有技术中，如公开号为cn120069951a的中国专利申请公开了自动化佣金追溯检查方法、装置和计算机可读存储介质，该技术对从数据源获取的历史佣金数据进行预处理，采用多种统计分析方法提取综合相关度排名的目标特征信息，并将其输入至基于梯度提升决策树的机器学习算法构建的初始佣金追溯预测模型进行训练并优化，最终将预测结果不在预设范围内的数据记录标记为异常数据记录并输出。又如公开号为cn119067698a的中国专利申请公开了一种现货电能量市场结算数据异常检测方法及相关装置，该技术通过收集历史结算数据并计算特征相关性信息后进行预处理，筛选出相关性强的结算特征数据，基于随机森林和极限梯度提升xgboost模型构建融合决策树的异常检测模型，以相关性强的结算特征数据作为输入，输出异常结算数据分类结果。

2、然而，在实际的账务运营与结算审计场景中，结算专员在处理附带阶梯费率考核的佣金项目时，往往会遭遇一种隐蔽且无法通过常规对账排查的结算异常：在月末结算周期的最后阶段，个别供应商的流水中会突发一笔大额入账，使得该资产包的月回收率指标瞬间跃升至高阶佣金档位，促使系统按照该高阶费率对同批次内大量并行的真实还款订单完成了批量抽佣结算；但在此批次结算出账后，该大额入账随即被以“误操作”等理由发起退款冲正。此时，现有的日常对账机制仅能触发单笔流水的冲销，针对该笔撤销的金额扣回原对应的佣金。但在该伪造款项于系统内存活的短时间内，其像涨潮一样垫高了整个资产包的“月回收率水位”，导致在该虚高水位期内执行计算的其他所有真实订单，全部错误地按照高档位拿走了佣金。一旦现有的点对点核查系统未能察觉并量化这种单笔数据对全局费率状态造成的跨订单污染，上述因系统水位虚高而错误多发的佣金便无法自动触发追回，最终导致结算平台承担隐蔽的资金流失，甚至可能演变为供应商利用此规则漏洞进行有组织的系统性套利。

技术实现思路

1、本发明主要应用于金融不良资产处置、代理销售回款或类金融服务中的多层级佣金结算与对账审核场景，适用于业务规则中包含动态绩效考核指标（如月回收率、月回款额）且执行阶梯费率挂钩机制的大规模流水结算系统。

2、在阶梯式佣金结算架构中，月回收率作为核定费率档位的核心前置条件，其数值随着每日还款入账的累积呈现单调非减的动态变化。当入账数据中混入月末临界点的大额异常资金时，系统依据其实际入账金额重新核算全局回收率，驱动整体费率跃升至更高阶的档位区间。现有技术中的冲正轧平机制局限于离散的单记录维度，其逻辑链条仅涵盖“识别冲正指令—锁定原入账订单—执行单笔金额核销与佣金扣回”，这种静态点对点的核算方式在处理冲正事件时，默认该事件的影响边界仅限于单笔流水本身。该逻辑的漏洞在于，大额异常资金在入账至被冲正的存活时间区间内，客观上改变了系统当时的全局费率计算基准。在此高基准期内，系统并发处理的其他合规还款记录，均调用了被异常资金抬高的费率参数完成结算。当单笔冲正执行后，原大额记录的物理痕迹虽被抹除，但其在存活期内衍生的费率跃升状态已固化在其他订单的结算结果中。这类异常行为利用了单笔资金流转与全局状态计算在时间解耦上的盲区，将单笔数据的金额异常转化为跨订单的时间维度费率污染，常规的金额对账机制无法捕获这种基于时序状态篡改的隐蔽资金套取路径。

3、为了克服现有技术的上述缺陷，本发明提供基于梯度提升决策树的佣金结算异常数据检测方法及系统，通过提取关键定位字段构建方案匹配编码向量确定目标结算方案，基于结算明细数据表构建项目月回收率阶梯折线图并计算总投影面积。在项目月回收率阶梯折线图中剥离因短时入账垫高水位所产生的污染阴影面积以构建异常判定特征向量，输入基于机器学习算法预构建的梯度提升决策树模型输出异常评分值，进而识别异常冲正事件；该方案量化了单笔冲正数据结合时间维度的全局费率污染，实现了对受波及还款记录的批量重新核算与佣金账户熔断处置，保障了结算计费逻辑的严密性与业务资金的安全。

4、为实现上述目的，本发明提供如下技术方案：

5、基于梯度提升决策树的佣金结算异常数据检测方法，包括：

6、从还款记录中提取关键定位字段构建方案匹配编码向量，将方案匹配编码向量与结算方案库进行匹配确定目标结算方案，计算项目月回收率并执行回收率前置线校验，对通过回收率前置线校验的还款记录依据目标结算方案执行双账期路由与佣金计算生成结算明细数据表；

7、基于结算明细数据表构建项目月回收率阶梯折线图并计算总投影面积，在项目月回收率阶梯折线图中剥离污染阴影面积，根据污染阴影面积与总投影面积构建异常判定特征向量，将异常判定特征向量输入预构建的梯度提升决策树模型输出异常评分值，根据异常评分值识别判定异常冲正事件，针对异常冲正事件，检索受波及还款记录，执行受波及还款记录的批量重新核算与佣金账户熔断处置。

8、所述关键定位字段至少包括机构名称、资产包名称、机构标签类型、结算月份；

9、所述构建方案匹配编码向量的方法包括：将机构名称映射为机构编码、将结算月份映射为月份编码、将资产包名称映射为资产包编码、将机构标签类型映射为标签类型编码，按照机构编码、月份编码、资产包编码、标签类型编码的固定顺序拼接构建方案匹配编码向量。

10、所述确定目标结算方案的方法包括：

11、将方案匹配编码向量与结算方案库中预先配置的方案编码向量进行逐一比对，当方案匹配编码向量与结算方案库中某一条结算方案的方案编码向量完全一致时，将完全一致的结算方案确定为目标结算方案，当方案匹配编码向量与结算方案库中所有方案编码向量均不一致时，将还款记录路由至兜底结算方案并发出方案缺失告警信号。

12、所述执行回收率前置线校验，对通过回收率前置线校验的还款记录依据目标结算方案执行双账期路由的方法包括：

13、将项目月回收率与预设的回收率前置线进行比较，若项目月回收率大于或等于回收率前置线，则判定通过回收率前置线校验；当通过回收率前置线校验时，从还款记录中读取佣金结算场景标识，根据佣金结算场景标识将还款记录路由至日结费率匹配分支或月结费率匹配分支。

14、所述执行双账期路由与佣金计算生成结算明细数据表的方法包括：

15、在日结费率匹配分支中，从目标结算方案中提取日结费率，获取还款记录的入账金额，基于入账金额和日结费率计算日结佣金和冻结佣金；

16、在月结费率匹配分支中，确定月结费率，基于入账金额、日结佣金和月结费率计算月结佣金；将日结佣金、冻结佣金、月结佣金连同入账金额、入账时间、月结费率和结算月总回款金额写入结算明细数据表。

17、所述方法还包括：

18、在佣金计算执行之前对入账金额执行入参参数区间校验，在佣金计算执行之后对日结佣金、冻结佣金和月结佣金执行出参参数区间校验，将未通过入参参数区间校验或出参参数区间校验的还款记录标记为异常状态并发出报警信号。

19、所述构建项目月回收率阶梯折线图并计算总投影面积的方法包括：

20、以当前结算月份的第1个自然日为起始点、以最后1个自然日为终止点构建横轴，从结算明细数据表中提取当前结算月份内每个自然日截至当日的累计回款金额，基于累计回款金额计算每个自然日的项目月回收率数值，以自然日为横轴刻度、以项目月回收率数值为纵轴坐标、以水平阶梯线段连接相邻自然日的项目月回收率数值构建项目月回收率阶梯折线图；

21、将每个自然日的项目月回收率数值乘以1个自然日的时间单位长度得到单日投影面积并逐日累加计算项目月回收率阶梯折线图与横轴围成封闭区域的总投影面积。

22、所述在项目月回收率阶梯折线图中剥离污染阴影面积的方法包括：

23、从还款记录中检测存在关联冲正记录的还款记录作为原还款记录，并标记为冲正事件，从原还款记录和对应的冲正记录中分别读取入账时间点和冲正时间点，以入账时间点至冲正时间点的左闭右闭区间确定存活时间区间，计算回收率增量，在项目月回收率阶梯折线图中以存活时间区间的时间长度为宽度、以回收率增量为高度构造污染阴影矩形，将回收率增量乘以存活时间区间的自然日天数计算污染阴影面积。

24、所述方法还包括：

25、从项目月回收率阶梯折线图中读取入账时间点前一日的项目月回收率数值作为入账前项目月回收率，读取入账时间点当日的项目月回收率数值作为入账后项目月回收率，基于入账前项目月回收率确定入账前月结档位，基于入账后项目月回收率确定入账后月结档位，当入账后月结档位对应的月结档位费率高于入账前月结档位对应的月结档位费率时判定冲正事件触发跨档跃升并标记为跨档冲正事件。

26、所述构建异常判定特征向量的方法包括：

27、对跨档冲正事件构建异常判定特征向量，所述异常判定特征向量包括七项特征，分别为污染阴影面积占比、月末时间距离、跨档位级差、冲正金额占比、受波及还款记录笔数、佣金溢出总额、历史冲正操作累计次数；

28、所述污染阴影面积占比为污染阴影面积与总投影面积的比值。

29、所述判定异常冲正事件的方法为：

30、当异常评分值大于或等于预设的异常判定阈值时将跨档冲正事件判定为异常冲正事件。

31、基于梯度提升决策树的佣金结算异常数据检测系统，其用于实现上述的基于梯度提升决策树的佣金结算异常数据检测方法，所述系统包括：

32、结算明细生成模块：用于从还款记录中提取关键定位字段构建方案匹配编码向量，将方案匹配编码向量与结算方案库进行匹配确定目标结算方案，计算项目月回收率并执行回收率前置线校验，对通过回收率前置线校验的还款记录依据目标结算方案执行双账期路由与佣金计算生成结算明细数据表；

33、异常特征构建模块：基于结算明细数据表构建项目月回收率阶梯折线图并计算总投影面积，在项目月回收率阶梯折线图中剥离污染阴影面积，根据污染阴影面积与总投影面积构建异常判定特征向量；

34、异常判定处置模块：用于将异常判定特征向量输入预构建的梯度提升决策树模型输出异常评分值，根据异常评分值识别判定异常冲正事件；针对异常冲正事件，检索受波及还款记录，执行受波及还款记录的批量重新核算与佣金账户熔断处置。

35、相比于现有技术，本发明的有益效果为：

36、针对现有单笔金额对账机制忽略单笔冲正数据对全局费率状态造成时间维度连带污染的问题，本发明通过从还款记录生成结算明细数据表，进而构建项目月回收率阶梯折线图并计算总投影面积，将月回收率水位的动态变化与存活时间结合表达为几何图形。在此基础上，通过在阶梯折线图中剥离污染阴影面积并提取特征向量，本发明将单笔冲正数据在系统内存活期间对同批次项目全局回收率的拉升影响量化为面积特征，并输入梯度提升决策树模型进行异常判定。该方案改变了传统针对单笔原还款记录进行金额轧平的静态局限，发挥了机器学习在处理高维数据特征与复杂模式识别方面的优势，能够识别利用月末短时间大额入账伪造高阶回收率档位以套取高额佣金的异常冲正事件，并通过定位受波及还款记录执行批量重新核算与账户熔断处置，阻断并追回了在水位虚高期间按错误高费率结算的其他真实订单所产生的佣金溢出，保障了结算业务的资金安全与计费逻辑的严密性。