一种风险预测方法、装置、系统、计算机设备及存储介质与流程

1.本发明涉及神经网络技术领域，尤其涉及一种风险预测方法、装置、系统、计算机设备及存储介质。


背景技术：

2.目前，在监狱系统中，由于在押人员需要长期生活在缺乏隐私，失去自由和严格制度中。因此监禁的压力往往会给在押人员的心理造成不同程度的变化。导致出现自杀，越狱，暴力等特殊情况，如何避免上述问题是监狱管理里面十分重要且关心的一环。
3.但是，由于普遍的监狱里面，狱警与在押人员的人数比例十分悬殊，并且上述行为有较强的隐蔽性，因此无法了解在押人员的真实想法，无法及时对在押人员的异常行为提前进行预警，导致出现重大风险。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种风险预测方法、装置、系统、计算机设备及存储介质，以解决现有技术中，由于无法了解在押人员的真实想法，无法及时对在押人员的异常行为提前进行预警，导致出现重大风险的问题。
5.第一方面，提供了一种风险预警方法，包括：
6.通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；
7.对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；
8.将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；
9.统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
10.在一实施例中，所述对所述脑电波数据进行特征提取，以获取预设数量的特征向量，包括：
11.获取所述规范的脑电波数据中不同频段的脑电波数据；
12.将所述不同频段的脑电波数据进行归一化处理后，并转换为脑电波矩阵；
13.通过深度学习算法对所述脑电波矩阵进行特征提取，以获取所述预设数量的特征向量。
14.在一实施例中，所述将所述特征向量与所述历史特征向量进行匹配之前，包括：
15.获取预设周期内，若干个样本用户的脑电波数据；
16.获取所述待检测用户的管理端，根据所述样本用户不同时间的行为数据，对不同时间的所述脑电波数据进行标记的标记信息；
17.通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特征向量；
18.根据所述标记信息，将所述历史特征向量划分为正常特征向量以及异常特征向
量，并分别进行存储。
19.在一实施例中，所述将所述特征向量与历史特征向量进行匹配，包括：
20.将所述特征向量与所述正常特征向量进行比对，当所述特征向量与所述正常特征向量之间的相似度达到第二预设阈值时，则标记为正常，否则标记为异常；
21.将所述特征向量与所述异常特征向量进行比对，当所述特征向量与所述异常特征向量之间的相似度达到第三预设阈值时，则标记为异常，否则标记为正常。
22.在一实施例中，所述将所述特征向量与历史特征向量进行匹配，包括：
23.在所述正常特征向量中，获取所述待测用户的正常特征向量；
24.将所述特征向量与所述待测用户的正常特征向量进行比对，当所述特征向量与所述待测用户的正常特征向量之间的相似度达到第四预设阈值时，则标记为正常，否则标记为异常。
25.在一实施例中，所述通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特征向量之后，包括：
26.持续对所述历史特征向量进行采集；
27.当采集所述历史特征向量的时长达到预设时间阈值时，将新采集到的历史特征向量替换为所述历史特征向量。
28.第二方面，本发明还提供了一种风险预测装置，所述装置包括：
29.脑电波数据处理单元，用于通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；
30.特征向量获取单元，用于对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；
31.匹配单元，用于将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；
32.预警单元，用于统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
33.第三方面，本发明还提供了一种风险预测系统，所述系统包括：
34.便携式头环，所述便携式头环佩戴于待测用户的头部，用于检测所述待测用户的脑电波数据；
35.与所述便携式头环通信连接的服务端，所述服务端获取所述便携式头环检测到的脑电波数据，并将所述脑电波数据进行预处理，以获取规范的脑电波数据；
36.所述服务端还用于，对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；并统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
37.第四方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述风险预警方法的步骤。
38.第五方面，提供了一个或多个可读存储介质，所述可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现上述风险预警方法的步骤。
39.上述风险预测方法、装置、计算机设备及存储介质，其方法包括：通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。通过对待检测用户的脑电波数据进行获取，然后通过深度学习算法对脑电波数据进行特征提取，并与历史数据进行对比，通过脑电的特殊波动和特殊特征的表象，可以对具有暴力、自杀、越狱等异常行为进行提前预警，对于隐蔽性较强的在押人员进行提前预警，给监狱管理人员提供重点观察名单，以提高管理效率，避免出现重大风险。
附图说明
40.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明一实施例中风险预测方法的一应用环境示意图；
42.图2是本发明一实施例中风险预测方法的一流程示意图；
43.图3是本发明一实施例中风险预测装置的一结构示意图；
44.图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
45.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。
46.本实施例提供的风险预测方法，可应用在如图1的应用环境中，其中，可穿戴式头环与服务端通过网络进行通信。其中，可穿戴式头环可佩戴在待检测用户的头部，且为非嵌入式头环，便于拆卸，且不会对待检测用户造成干扰，该服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。该网络可为lan(局字段网)、wan(广字段网)、无线网络或其它配置。
47.在一实施例中，如图2所示，提供一种风险预测方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
48.在步骤s110中，通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；
49.在本发明实施例中，该可穿戴式头环可为可穿戴的非嵌入式的脑机接口头环，通过将该可穿戴的非嵌入式的脑机接口头环佩戴在待检测用户的头部，以对用户的脑电波数据进行采集。
50.其中，该可穿戴式头环可在该待检测用户的工作时间段内，采集预设时长的待检测用户的脑电波数据作为一个检测项，该工作时间段可为具体的时间，示例性的，可为8个
小时、10个小时等，该预设时长可为1分钟、2分钟等。
51.在本发明实施例中，服务端获取该可穿戴式头环采集到的待检测用户的脑电波数据后，可通过滤波去噪等预处理，将脑电波数据进行规范化。
52.其中，该脑电波数据可包括不同频率的脑电波数据，比如，0.5-4hz，4-8hz,8-12hz，12-30hz，30-40hz等。
53.在步骤120中，对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；
54.在本发明实施例中，通过深度学习算法对规范的脑电波数据进行特征提取，以获取预设数量的特征向量，比如，将脑电波数据转换为20维度的特征向量，以便进行后续处理。
55.其中，该深度学习算法可为卷积神经网络(cnn)。
56.在步骤s130中，将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；
57.在本发明实施例中，历史特征向量中根据用户不同时间段内的不同行为表现，将历史特征向量标记为正常和异常，并分别存储在良好表现数据库以及异常表现数据库，比如，当用户出现暴力、自杀等异常行为表现时，则标记为异常，并存入到异常表现数据库中，通过将特征向量与历史特征向量进行相似度运算，以确定该特征向量相似度最高的历史特征向量，并可根据该相似度最高的历史特征向量所标记的状态，确定用户当前为正常状态或者异常状态。
58.具体的，例如，计算特征向量a与历史特征向量b之间的相似度，具体可通过如下公式进行计算获取：
[0059][0060]
其中，ai表示特向向量的向量集合，bi表示历史特征向量的向量集合，当余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似。由此可确定用户当前所属状态。
[0061]
在本发明一实施例中，确定待检测用户当前处于异常状态后，可进一步确定该待检测用户出现异常状态的类型，比如，暴力、自杀等，以便根据不同的异常状态类型进行不同的处理，可有针对性的对待检测用户的异常情绪进行处理，提高管理的准确性。
[0062]
在步骤s140中，统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
[0063]
在本发明实施例中，当检测到待检测用户当前状态为异常状态时，则记录为异常状态，否则记录为正常状态，可统计预设时间段内，比如，一天，待检测用户处于异常以及正常状态之间的比例，当该比例大于第一预设阈值时，比如40％，表示待检测用户具有暴力、越狱、自杀等情绪，可输出预警信息，以便待检测用户的管理人员对该待检测用户进行重点观察，及时对待检测用户进行疏导、观察，避免出现上述行为，造成的重大风险。
[0064]
在本发明实施例中，可根据待检测用户出现异常情况的次数，进行不同等级的预警，比如，当待检测用户一天中出现异常情况次数为3次时，可通知该待检测用户的管理人员，注意重点观察该待检测用户，当待检测用户一天出现异常情况的次数为5次及以上时，
可通知该待检测用户的管理人员，及时进行疏导，并加强对该用户的管理。
[0065]
进一步，还可根据待检测用户出现异常情况的时间点，根据该时间点向待检测用户的管理人员发送预警信息，以便重点观察该待检测用户在该时间点发生的事件，以便及时确定该待检测用户的异常来源，以便及时进行正确引导，避免出现上述行为。
[0066]
上述风险预测方法、装置、计算机设备及存储介质，其方法包括：通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。通过对待检测用户的脑电波数据进行获取，然后通过深度学习算法对脑电波数据进行特征提取，并与历史数据进行对比，通过脑电的特殊波动和特殊特征的表象，可以对具有暴力、自杀、越狱等异常行为进行提前预警，对于隐蔽性较强的在押人员进行提前预警，给监狱管理人员提供重点观察名单，以提高管理效率，避免出现重大风险。
[0067]
在本发明一实施例中，提供了一种风险预警方法，包括：
[0068]
在步骤s110中，通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；
[0069]
在本发明实施例中，该可穿戴式头环可为可穿戴的非嵌入式的脑机接口头环，通过将该可穿戴的非嵌入式的脑机接口头环佩戴在待检测用户的头部，以对用户的脑电波数据进行采集。
[0070]
其中，该可穿戴式头环可在该待检测用户的工作时间段内，采集预设时长的待检测用户的脑电波数据作为一个检测项，该工作时间段可为具体的时间，示例性的，可为8个小时、10个小时等，该预设时长可为1分钟、2分钟等。
[0071]
在本发明实施例中，服务端获取该可穿戴式头环采集到的待检测用户的脑电波数据后，可通过滤波去噪等预处理，将脑电波数据进行规范化。
[0072]
其中，该脑电波数据可包括不同频率的脑电波数据，比如，0.5-4hz,4-8hz,8-12hz，12-30hz，30-40hz等。
[0073]
在步骤120中，对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；
[0074]
在本发明一实施例中，步骤s120包括：
[0075]
获取所述规范的脑电波数据中不同频段的脑电波数据；
[0076]
将所述不同频段的脑电波数据进行归一化处理后，并转换为脑电波矩阵；
[0077]
通过深度学习算法对所述脑电波矩阵进行特征提取，以获取所述预设数量的特征向量。
[0078]
在本发明一实施场景中，获取1分钟的脑电波数据，并每间隔2秒中记录一次脑电波频率，比如，脑电波频率为0.5-4hz,4-8hz,8-12hz，12-30hz以及30-40hz，假设每一个频率出现n次，则记录为log(1 n)，并进行归一化处理，则一分钟的脑电波数据可以记录30次，则将每一分钟的脑电波数据转换为30*5的矩阵，并通过输入到深度学习模型中，提取20维度的特征向量，即，包含了20个元素的向量集合。
[0079]
其中，该预设数量可根据实际情况进行设置，示例性的，可为20个、30个等。
[0080]
在步骤s130中，将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；
[0081]
在本发明一实施例中，将所述特征向量与历史特征向量进行匹配之前，包括：
[0082]
获取预设周期内，若干个样本用户的脑电波数据；
[0083]
获取所述待检测用户的管理端，根据所述样本用户不同时间的行为数据，对不同时间的所述脑电波数据进行标记的标记信息；
[0084]
通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特征向量；
[0085]
根据所述标记信息，将所述历史特征向量划分为正常特征向量以及异常特征向量，并分别进行存储
[0086]
在本发明实施例中，预设周期可为具体的时间数值，比如，以30天为一周期，对每一天内的样本用户产生的脑电波数据进行采集，并将采集的数据按照时间顺序进行存储。
[0087]
在本发明一实施场景中，该待检测用户的管理端可为狱警端，该样本用户可为在押人员，狱警端通过在押人员的不同时间的行为表现，对脑电波数据进行标记，比如，当在押人员在第一天的3点中出现了暴力行为是，则将3第一天3点钟的脑电波数据标记为异常状态，没有出现暴力、自杀、越狱等异常情况时，则标记为正常状态。
[0088]
在本发明实施例中，当获取历史特征向量后，可根据待检测用户的管理端，标记信息，将历史特征向量划分为正常特征向量以及异常特征向量，并分别存储到正常行为数据库或者异常行为数据库中，以便后续作为对比项。
[0089]
在本发明一实施例中，所述通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特征向量之后，包括：
[0090]
持续对所述历史特征向量进行采集；
[0091]
当采集所述历史特征向量的时长达到预设时间阈值时，将新采集到的历史特征向量替换为所述历史特征向量。
[0092]
具体的，以监狱为例，可持续对监狱中所有的在押犯人的脑电波数据进行采集，并通过深度学习算法件采集的脑电波数据转换为特征向量，当采集的时长达到一个预设时间阈值，比如30天时，则将新采集到的30天内的特征向量作为历史特征向量，并存储，同时，清除之前缓存的历史特征向量，使得历史特征向量不断更新，以便持续进化，提高预测的准确性。
[0093]
在本发明一实施例中，将所述特征向量与历史特征向量进行匹配，包括：
[0094]
将所述特征向量与所述正常特征向量进行比对，当所述特征向量与所述正常特征向量之间的相似度达到第二预设阈值时，则标记为正常，否则标记为异常；
[0095]
将所述特征向量与所述异常特征向量进行比对，当所述特征向量与所述异常特征向量之间的相似度达到第三预设阈值时，则标记为异常，否则标记为正常。
[0096]
在本发明一实施场景中，分别将特征向量与正常特征向量数据库中的正常特征向量进行对比，并在该特征向量与正常特征向量之间的相似度达到第二预设阈值时，将该特征向量标记为正常，否则，标记为异常。且在该特征向量与异常特征向量之间的相似度达到第三预设阈值时，将该特征向量标记为异常，否则，标记为正常，以便确定该用户当前的状态，及时进行预警。
[0097]
在本发明一实施例中，将所述特征向量与历史特征向量进行匹配，包括：
[0098]
在所述正常特征向量中，获取所述待测用户的正常特征向量；
[0099]
将所述特征向量与所述待测用户的正常特征向量进行比对，当所述特征向量与所述待测用户的正常特征向量之间的相似度达到第四预设阈值时，则标记为正常，否则标记为异常。
[0100]
在本发明一实施例中，该正常特征向量中包括该待检测用户的预设周期内的历史数据以及所有样本用户的历史数据，因此通过该正常特征向量数据库，可以获取该待检测用户的正常特征向量，并将该特征向量与待测用户的正常特征向量进行比对，当该特征向量与待测用户的正常特征向量之间的相似度达到第四预设阈值时，则标记为正常，否则标记为异常。
[0101]
在本发明实施例中，通过对待检测用户的脑电波数据进行获取，然后通过深度学习算法对脑电波数据进行特征提取，并与历史数据进行对比，通过脑电的特殊波动和特殊特征的表象，可以对具有暴力、自杀、越狱等异常行为进行提前预警，对于隐蔽性较强的在押人员进行提前预警，给监狱管理人员提供重点观察名单，以提高管理效率，避免出现重大风险。
[0102]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0103]
在一实施例中，提供一种风险预警装置，该风险预警装置与上述实施例中风险预警方法一一对应。如图3所示，该风险预警装置包括脑电波数据处理单元10、特征向量获取单元20、匹配单元30和预警单元40。各组成单元详细说明如下：
[0104]
脑电波数据处理单元10，用于通过可穿戴式头环采集待检测用户的脑电波数据，并对所述脑电波数据进行预处理，以获取规范的脑电波数据；
[0105]
特征向量获取单元20，用于对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；
[0106]
匹配单元30，用于将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；
[0107]
预警单元40，用于统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
[0108]
在本发明一实施例中，特征向量获取单元20，还用于：
[0109]
获取所述规范的脑电波数据中不同频段的脑电波数据；
[0110]
将所述不同频段的脑电波数据进行归一化处理后，并转换为脑电波矩阵；
[0111]
通过深度学习算法对所述脑电波矩阵进行特征提取，以获取所述预设数量的特征向量。
[0112]
在本发明一实施例中，风险检测装置，还包括历史特征向量获取单元，用于：
[0113]
获取预设周期内，若干个样本用户的脑电波数据；
[0114]
获取所述待检测用户的管理端，根据所述样本用户不同时间的行为数据，对不同时间的所述脑电波数据进行标记的标记信息；
[0115]
通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特
征向量；
[0116]
根据所述标记信息，将所述历史特征向量划分为正常特征向量以及异常特征向量，并分别进行存储。
[0117]
在本发明一实施例中，匹配单元30，还用于：
[0118]
将所述特征向量与所述正常特征向量进行比对，当所述特征向量与所述正常特征向量之间的相似度达到第二预设阈值时，则标记为正常，否则标记为异常；
[0119]
将所述特征向量与所述异常特征向量进行比对，当所述特征向量与所述异常特征向量之间的相似度达到第三预设阈值时，则标记为异常，否则标记为正常。
[0120]
在本发明一实施例中，匹配单元30，还用于：
[0121]
在所述正常特征向量中，获取所述待测用户的正常特征向量；
[0122]
将所述特征向量与所述待测用户的正常特征向量进行比对，当所述特征向量与所述待测用户的正常特征向量之间的相似度达到第四预设阈值时，则标记为正常，否则标记为异常。
[0123]
在本发明一实施例中，风险预测装置，还包括历史特征向量更新单元，用于：
[0124]
持续对所述历史特征向量进行采集；
[0125]
当采集所述历史特征向量的时长达到预设时间阈值时，将新采集到的历史特征向量替换为所述历史特征向量。
[0126]
关于风险预测装置的具体限定可以参见上文中对于风险预测方法的限定，在此不再赘述。上述风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0127]
在一实施例中，本发明还提供了一种风险预测系统，所述系统包括：
[0128]
便携式头环，所述便携式头环佩戴于待测用户的头部，用于采集所述待测用户的脑电波数据；
[0129]
与所述便携式头环通信连接的服务端，所述服务端获取所述便携式头环检测到的脑电波数据，并将所述脑电波数据进行预处理，以获取规范的脑电波数据；
[0130]
所述服务端还用于，对所述规范的脑电波数据进行特征提取，以获取预设数量的特征向量；将所述特征向量与历史特征向量进行匹配，以确定所述待检测用户当前状态；并统计预设时间段内，所述待检测用户当前状态为异常状态以及正常状态之间的比例，当所述比例大于第一预设阈值时，输出预警信息。
[0131]
在本发明实施例中，该服务端，还用于：
[0132]
获取所述规范的脑电波数据中不同频段的脑电波数据；
[0133]
将所述不同频段的脑电波数据进行归一化处理后，并转换为脑电波矩阵；
[0134]
通过深度学习算法对所述脑电波矩阵进行特征提取，以获取所述预设数量的特征向量。
[0135]
在本发明实施例中，该服务端，还用于：
[0136]
获取预设周期内，若干个样本用户的脑电波数据；
[0137]
获取所述待检测用户的管理端，根据所述样本用户不同时间的行为数据，对不同时间的所述脑电波数据进行标记的标记信息；
[0138]
通过深度学习算法对所述标记后的脑电波数据进行特征提取，以获取所述历史特征向量；
[0139]
根据所述标记信息，将所述历史特征向量划分为正常特征向量以及异常特征向量，并分别进行存储。
[0140]
在本发明实施例中，该服务端，还用于：
[0141]
将所述特征向量与所述正常特征向量进行比对，当所述特征向量与所述正常特征向量之间的相似度达到第二预设阈值时，则标记为正常，否则标记为异常；
[0142]
将所述特征向量与所述异常特征向量进行比对，当所述特征向量与所述异常特征向量之间的相似度达到第三预设阈值时，则标记为异常，否则标记为正常。
[0143]
在本发明实施例中，该服务端，还用于：
[0144]
在所述正常特征向量中，获取所述待测用户的正常特征向量；
[0145]
将所述特征向量与所述待测用户的正常特征向量进行比对，当所述特征向量与所述待测用户的正常特征向量之间的相似度达到第四预设阈值时，则标记为正常，否则标记为异常。
[0146]
在本发明实施例中，该服务端，还用于：
[0147]
持续对所述历史特征向量进行采集；
[0148]
当采集所述历史特征向量的时长达到预设时间阈值时，将新采集到的历史特征向量替换为所述历史特征向量。
[0149]
关于风险预测系统的具体限定可以参见上文中对于风险预测方法的限定，在此不再赘述。上述风险预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0150]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质。该可读存储介质存储有计算机可读指令。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种风险预警方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
[0151]
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在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如上述风险预警方法的步骤。
[0152]
一个或多个可读存储介质，所述可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如上述风险预警方法的步骤。
[0153]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)
或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0154]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0155]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。