买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽建工数字科技有限公司申请的专利基于机器学习的金融交易风险评估方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121073480B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511203372.9，技术领域涉及：G06Q20/40；该发明授权基于机器学习的金融交易风险评估方法及系统是由杨华;孙鹤麟;王兴能;高烨珵;宋宏伟;王正;黄超设计研发完成，并于2025-08-27向国家知识产权局提交的专利申请。

本基于机器学习的金融交易风险评估方法及系统在说明书摘要公布了：本发明提供一种基于机器学习的金融交易风险评估方法及系统，涉及金融交易风险评估技术领域，本发明在交易系统、行为日志与市场情报接口并行部署采集模块，区块链智能合约按动态阈值触发，构建原始时序交易图谱并注册拓扑哈希。节点属性经自适应滑动窗口归一化，边属性按类型分段标准化后拆分为切片。对每个切片以标准化边权执行随机游走采样并扩展邻居，形成观测子图集；子图输入多层图神经网络依次聚合邻域消息、注入时序编码并融合闭环路径特征，输出表征向量。合约统计最新表征向量批次，通过聚类与马氏距离动态更新阈值，标记高风险子图，并在链下模型预测后将分数与子图哈希写回，实现透明可追溯的风险评估闭环。

本发明授权基于机器学习的金融交易风险评估方法及系统在权利要求书中公布了：1.一种基于机器学习的金融交易风险评估方法，其特征在于，具体步骤包括： 步骤1：在金融交易、行为日志和市场情报的接口部署采集模块，当累计交易量达到阈值时，按照交易发起方-交易接收方-时间戳采集交易数据，并构建时序交易图谱，该图谱中的节点代表账户，其静态节点属性从行为日志中同步提取并关联至对应节点，所述静态节点属性包括账户类型、注册时间、信用等级； 步骤2：对时序交易图谱中的动态节点属性进行基于滑动窗口的动态归一化，并对边属性按交易类型分段标准化，生成标准时序交易图谱，根据切片策略将标准时序交易图谱切分成多个图谱切片，每个图谱切片对应一个时间段，并为每个图谱切片计算其切片时段编码； 步骤3：对每个图谱切片采用随机游走算法进行采样，生成观测子图集，基于图神经网络分析每个观测子图，依次聚合其节点与邻域信息，并结合静态节点属性和切片时段编码，计算每个观测子图的表征向量； 步骤4：统计所有表征向量的分布，通过聚类算法计算正常模式中心，并基于马氏距离动态更新异常阈值，将超出异常阈值的表征向量对应的观测子图标记为高风险观测子图； 步骤5：计算每个高风险观测子图的Merkle根哈希，触发链下风险模型预测该高风险观测子图的风险分数，将高风险观测子图的哈希值与风险分数绑定后写入审计日志，若风险分数超过预设上限，则自动调整切片策略，所述切片策略由触发时刻、切片时长和固定周期长度三个参数定义； 每处理完B个图谱切片，执行一次异常阈值的动态更新操作，在处理第i个切片时，若i是B的整数倍，则触发更新流程，B为预设的更新间隔参数： 统计当前批次，所述当前批次涵盖最近B个切片内所有表征向量到正常模式中心的马氏距离，并计算这些距离的95%分位数，按以下公式更新异常阈值： 其中，为更新前异常阈值，为更新后的异常阈值，为自动调节的衰减因子，为连续两次聚类中心的变化量，表示当前聚类中心与上一批次聚类中心的变化量，为预设的缩放因子； 对于后续的每个图谱切片，将其表征向量与最新异常阈值进行比较，若超过异常阈值，则将对应的观测子图标记为高风险观测子图； 对每个被标记为高风险观测子图，计算该高风险观测子图的Merkle根哈希以作为风险版本摘要六，触发链下风险模型预测该高风险观测子图的风险分数，并将风险分数与高风险观测子图的哈希值绑定写入审计日志； 当风险分数超过预设上限时，则自动调整图谱切片策略参数，智能合约执行以下计算： 其中，为调整后的切片时长；并更新版本摘要三为，记录新的切片策略。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽建工数字科技有限公司，其通讯地址为：230031 安徽省合肥市蜀山区黄山路459号安建国际大厦1812室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。