技术领域
[0001] 本发明涉及风险识别技术领域，具体而言，涉及一种需求上线风险评估方法及装置。
相关背景技术
[0002] 目前，银行系统每个月有几千条需求，目前对需求上线的评估没有很好的评价机制，有些需求上线后在生产上会出现问题，影响正常功能的使用，对客户造成不便或者出现严重影响，可能会造成客户损失。为了能够更准确把握需求的质量是否满足上线，减少因新需求出生产问题的概率，现有技术急需一种银行系统需求上线的判断机制。
具体实施方式
[0044] 为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0045] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0046] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0047] 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。下面将参考附图并结合实施例来详细说明本发明。
[0048] 需要说明的是，本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0049] 需要说明的是，本发明需求上线风险评估方法和装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明需求上线风险评估方法和装置的应用领域不做限定。
[0050] 图1是本发明实施例需求上线风险评估方法的流程图，如图1所示，在本发明一个实施例中，本发明的需求上线风险评估方法包括步骤S101和步骤S102。
[0051] 步骤S101，获取目标需求在预设的评价指标上的第一指标数据。
[0052] 在本发明一个实施例中，所述预设的评价指标具体可以包括：需求规模、需求说明书达到时间、需求项设计完成时间、开发使用天数、测试案例的个数、测试案例完成天数以及需求项的D问题数。
[0053] 步骤S102，将所述第一指标数据输入到预设的需求上线风险评估模型中，得到所述需求上线风险评估模型输出的所述目标需求对应的需求上线风险评估结果，以根据所述需求上线风险评估结果确定是否上线所述目标需求，其中，所述需求上线风险评估模型为基于分布式梯度增强库算法训练得出的。
[0054] 在本发明一个实施例中，所述需求上线风险评估结果具体为需求上线风险评估值。
[0055] 在本发明一个实施例中，在确定出所述目标需求对应的需求上线风险评估结果之后，本发明方法还包括：若所述需求上线风险评估值大于或等于预设的风险阈值，则确定不上线所述目标需求；若所述需求上线风险评估值小于所述风险阈值，则确定上线所述目标需求。
[0056] 在本发明其他实施例中，所述需求上线风险评估结果具体可以为风险等级，例如，高风险、中风险、低风险。
[0057] 本发明基于分布式梯度增强库算法，即XGBoost算法进行模型训练，提高了预测的准确性。
[0058] 在本发明可选实施例中，XGBoost模型的训练流程大致包括以下几个阶段：
[0059] 数据准备：首先，需要准备数据集，包括特征和目标变量。
[0060] 特征工程：进行特征选择、特征缩放、类别变量编码等预处理步骤，以确保数据的质量和可用性。
[0061] 划分数据集：将数据集划分为训练集和测试集，以评估模型在未见过数据上的表现。
[0062] 定义模型参数：选择合适的超参数，并定义使用的目标函数、损失函数和评估指标等。
[0063] 初始化模型：初始化一个基础的XGBoost模型。
[0064] 进行训练：使用训练集对模型进行训练，在每次迭代中，模型会根据预定义的目标函数计算损失，并更新模型参数以最小化损失。
[0065] 调参：通过交叉验证等技术来优化模型的超参数，以达到更好的性能。
[0066] 预测和评估：使用训练好的模型对测试集进行预测，并计算评估指标，如准确率、精确率、召回率等，来评估模型的性能。
[0067] 可选步骤：根据实际需要，可以进行特征重要性分析、模型解释等后续操作。
[0068] 在本发明实施例中，XGBoost模型的参数包括：通用参数、Tree Booster参数、学习任务参数以及命令行参数。通用参数通常包括树或线性模型。Tree Booster参数包括不同的booster参数。学习任务参数取决于不同的学习场景，比如回归任务、排序任务等。命令行参数取决于XGBoost模型的CLI版本的特性。
[0069] 在XGBoost模型训练过程中需要使用输入数据和输出数据。
[0070] 输入数据包括：
[0071] 特征数据：通常为一个二维数组，形状为(样本数，特征数)，每行代表一个样本，每列代表一个特征，用来描述样本的属性；
[0072] 目标变量：特征数据中每个样本对应的标签(需求上线风险评估结果标签)。
[0073] 输出数据包括：
[0074] 回归问题：模型的输出是样本的连续预测值，用于衡量目标变量的数值。
[0075] 在训练XGBoost模型过程中通常使用以下基本步骤：
[0076] 初始化模型参数：定义树的深度、学习率、正则化参数等。
[0077] 构建初始树：使用训练数据进行第一轮迭代，构建一棵回归树或分类树作为初始模型。
[0078] 进行迭代包括：
[0079] a.计算模型的梯度和Hessian矩阵：利用目标函数(损失函数)计算预测值与真实值之间的差异，并求解梯度和Hessian矩阵，用于更新模型；
[0080] b.选择最优分割点：通过贪心算法，在每个叶子节点中选择最佳的分割点，以最小化损失函数；
[0081] c.计算叶子权重：通过计算每个叶子节点上样本的与目标变量的梯度和Hessian矩阵之和，并乘以正则化项，得到对应的叶子权重；
[0082] d.更新树结构：根据最优分割点和叶子权重更新树的结构；
[0083] e.进行剪枝(可选)：对生成的新节点进行剪枝处理，以防止过拟合；
[0084] 重复上述步骤，直到达到预定的迭代次数或满足停止条件；
[0085] 最后，输出训练好的XGBoost模型(即本发的需求上线风险评估模型)。
[0086] XGBoost模型对需求规模、需求说明书达到时间、需求项设计完成时间、开发使用天数、测试案例的个数、测试案例完成天数，需求项的D问题数等评价指标进行采集构成数据库，并将其分为目标函数和评估函数，且经此算法的运算可以实现多维角度方向下XGBoost模型对目标变量的预算能力，目标函数和预算函数分别用于初始目标函数的代入并通过预算函数对其进学校预算并将其阈值进行评测，且目标函数中对于样本的预测值如公式(1)所示：
[0087]
[0088] 其中，公式(1)中fk是基学习器，最终XGBoost模型由多个fk组成；
[0089] 最初的目标函数如公式(2)所示：
[0090]
[0091] 其中，公式(2)中 是前t‑1个集成学习器对样本的预测值；fi(Xi)是当前学习器对样本的预测值；Ω(ft)是第t个学习器的正则项。
[0092] XGBoost模型的评估范围包括增益模块、覆盖量数据模块和频率模块，且增益模块计算下列公式(3)：
[0093]
[0094] 其中，公式(3)中的k表示某节点，T表示所有树的数量，N(t)表示第t棵树的非叶子节点数量，β(t,i)表示第t棵树的第i个非叶子节点的划分特征，所以β(.)∈1，2，....，K；I(.)是指示函数，Gγ(t,i)，Hγ(t,i)分别表示落在第t棵树的第i个非叶子节点上所有样本的一阶导数和二阶导数之和，Gγ(t,i,L)，Gγ(t,i,R)分别表示第t棵树的第i个非叶子节点的左、右节点上的一阶导数之和，同理，Hγ(t,i,L)，Hγ(t,i,R)分别表示落在表示第t棵树的第i个非叶子节点的左、右节点上的二阶导数之和。
[0095] 图2是本发明实施例确定评价指标的流程图，如图2所示，在本发明一个实施例中，本发明的需求上线风险评估方法，还包括步骤S201至步骤S203。
[0096] 步骤S201，获取已完成上线决策的需求在预设的需求综合分析指标上的第二指标数据。
[0097] 在本发明一个实施例中，所述需求综合分析指标具体包括：需求规模、需求说明书达到时间、需求项设计完成时间、开发使用天数、测试案例的个数、测试案例完成天数，需求项的D问题数、交付后问题占比、任务完成变更占比、交付后变更占比、缺陷清除率、编码逾期情况、测试逾期情况、交付后变更文件占比、编码任务完成后变更文件占比、总缺陷密度、应急方案情况等17个指标。
[0098] 步骤S202，根据所述第二指标数据计算各所述需求综合分析指标之间的相关系数。
[0099] 在本发明一个实施例中，本发明具体采用Copula函数计算各个需求综合分析指标之间的相关系数，筛选出与需求上线具有显著相关性的指标。可选的，相关系数可以采用Pearson相关系数、Spearman相关系数等。
[0100] 步骤S203，根据所述相关系数对所述需求综合分析指标进行筛选，得到所述评价指标。
[0101] Copula函数参数的估计方法包括：关性指标法、适线法、极大似然法和均方差法，且适线法即在一定的适线准则下，求解与经验点据拟合最优的频率曲线的统计参数，并且对于三维及以上的Copula函数通常采用极大似然法，且Copula函数的核心是构建多个决策树模型，并将它们组合成一个强大的集成模型，便于对XGBoost模型进行目标变量的预测。Copula函数结合XGBoost模型中Copula函数的应用步骤如下：
[0102] S1:确定各变量的边缘分布；
[0103] S2:确定Copula函数的参数；
[0104] S3:根据评价指标选取Copula函数，建立联合分布；
[0105] S4:根据所建分布进行相应的统计分析。
[0106] S3‑S4步骤如下：
[0107] 1、确定评价指标：首先要明确需要评价的指标(即上述需求综合分析指标)，例如相关性、分位数依赖等；
[0108] 2、选择合适的Copula函数：根据评价指标的性质，选择适合的Copula函数，常见的Copula函数包括高斯copula、t‑copula、Clayton copula、Frank copula等，不同的Copula函数对应不同的相关性结构；
[0109] 3、建立联合分布：根据所选的Copula函数，将边缘分布与Copula函数结合起来，建立联合分布，一般来说，可以使用极大似然估计或贝叶斯方法来估计模型参数。
[0110] 且在计算联合分布中的联合概率密度、条件概率和边际概率需满足以下公式：
[0111] 对于连续型变量：
[0112] P(X1＝x1,X2＝x2,…,Xn＝xn)＝f(x1,x2,…,xn)；
[0113] 对于离散型变量：
[0114] P(X1＝x1,X2＝x2,…,Xn＝xn)＝P(X1＝x1)×P(X2＝x2|X1＝x1)×…×P(Xn＝xn|X1＝x1,X2＝x2,…,Xn‑1＝xn‑1)；
[0115] 其中，f(x1,x2,…,xn)表示连续型变量的联合概率密度函数，P(Xi＝xi)表示离散型变量Xi取值为xi的概率。
[0116] 计算条件概率(Conditional Probability)的公式如下：
[0117] 对于连续型变量：
[0118] P(X1＝x1|X2＝x2)＝f(x1|x2)/f(x2)；
[0119] 对于离散型变量：
[0120] P(X1＝x1|X2＝x2)＝P(X1＝x1,X2＝x2)/P(X2＝x2)；
[0121] 其中，f(x1|x2)表示在X2＝x2的条件下，X1＝x1的条件概率密度函数。
[0122] 计算边际概率(Marginal Probability)的公式如下：
[0123] 对于连续型变量：P(X＝x)＝∫f(x,y)dy；
[0124] 对于离散型变量：P(X＝x)＝ΣP(X＝x,Y＝y)其中，f(x,y)表示连续型变量的联合概率密度函数，P(X＝x,Y＝y)表示离散型变量X取值为x，Y取值为y的概率。
[0125] Copula函数令F为一个q维变量的联合累积分布函数，其中各变量的边缘累积分布函数记为Fq，那么存在一个q维Copula函数η，并得到下列公式(4)：
[0126] F(X1,...Xq)＝η[F(XI),...,Fq(Xq)] 公式(4)
[0127] 其中，公式(3)中若边缘累积分布函数Fi；是连续的，则Copula函数η是唯一的，若Copula函数η只在各边缘累积分布函数值域内是唯一确定的；
[0128] 对于有连续的边缘分布的情况，对于所有的U∈[0.1]可得到下列公式(5)：
[0129] η(U)＝F[F1‑1(U1),...Fq‑1(Uq)] 公式(5)
[0130] 图3是本发明实施例模型训练流程图，如图3所示，在本发明一个实施例中，本发明的需求上线风险评估方法，还包括步骤S301至步骤S303。
[0131] 步骤S301，获取已完成上线决策的需求在所述评价指标上的第三指标数据。
[0132] 步骤S302，在所述第三指标数据上打上需求上线风险评估结果标签，生成训练样本集和测试样本集。
[0133] XGBoost模型针对指标数据只接受定量数据，因此训练样本和测试样本必须通过各种编码方式：例如标记编码、均值编码或独热编码对数据进行处理，转化为数值形式。同样的，在上述步骤S101获取目标需求在预设的评价指标上的第一指标数据之后，也需要对第一指标数据进行编码，转化为数值形式。
[0134] 步骤S303，基于所述训练样本集和所述测试样本集并根据分布式梯度增强库算法进行模型训练，得到所述需求上线风险评估模型。
[0135] 在本发明一个实施例中，在上述步骤S302的在所述第三指标数据上打上需求上线风险评估结果标签之前，本发明方法还包括：
[0136] 通过将所述第三指标数据中的每个指标对应的数据转化为时序数据，将所述第三指标数据转化为时序数据集。
[0137] 在本发明一个实施例中，在上述步骤S102的将所述第一指标数据输入到预设的需求上线风险评估模型中之前，本发明方法还包括：
[0138] 通过将所述第一指标数据中的每个指标对应的数据转化为时序数据，将所述第一指标数据转化为时序数据集。
[0139] 本发明将数据转化为时间序列数据集，然后输入到模型中，由此提高了模型预测的准确性。因此，本发明在构建训练样本时，将用于模型训练的指标数据转化为时序数据集，然后再打标签。同样，在使用模型进行识别时，也需要将指标数据转化为时序数据集，然后再输入到模型中进行识别。
[0140] 在本发明一个实施例中，时序数据集中的各时序数据的时间一致。
[0141] 例如，针对评价指标测试案例的个数，本发明获取需求在每个月的测试案例的个数，进而以月为时间构建时序数据。其他的评价指标也可以以月为时间构建时序数据。对于需求说明书达到时间、需求项设计完成时间这种不随时间变化的评价指标，本发明可以对评价指标进行处理，使每个月的对应的值相同，由此构建时序数据。
[0142] 如图4所示，在本发明一个实施例中，上述步骤S203的根据所述相关系数对所述需求综合分析指标进行筛选，得到所述评价指标，具体包括步骤S401和步骤S402。
[0143] 步骤S401，确定所述需求综合分析指标中的每个指标与其他所有指标的总相关系数。
[0144] 步骤S402，根据所述总相关系数以及预设的第一筛选阈值对所述需求综合分析指标进行筛选，得到所述评价指标。
[0145] 在本发明一个实施例中，若某个指标的总相关系数大于或等于所述第一筛选阈值，则确定该指标为所述评价指标。
[0146] 如图5所示，在本发明另一个实施例中，上述步骤S203的根据所述相关系数对所述需求综合分析指标进行筛选，得到所述评价指标，具体包括步骤S501和步骤S502。
[0147] 步骤S501，确定所述需求综合分析指标中的每个指标与其他所有指标的平均相关系数。
[0148] 步骤S502，根据所述平均相关系数以及预设的第二筛选阈值对所述需求综合分析指标进行筛选，得到所述评价指标。
[0149] 在本发明一个实施例中，若某个指标的总相关系数大于或等于所述第二筛选阈值，则确定该指标为所述评价指标。
[0150] 本发明在使用Copula函数结合XGBoost模型进行需求上线评估时，首先搭建了XGBoost模型。本方案为了能更准确的判断需求是否可以上线通过对需求研发过程的多项指标情况进行综合分析，其中综合分析的指标包括：需求规模、需求说明书达到时间、需求项设计完成时间、开发使用天数、测试案例的个数、测试案例完成天数，需求项的D问题数、交付后问题占比、任务完成变更占比、交付后变更占比、缺陷清除率、编码逾期情况、测试逾期情况、交付后变更文件占比、编码任务完成后变更文件占比、总缺陷密度、应急方案情况等17个指标情况纳入分析。XGBoost模型使用一个标准的单变量时间序列数据集从而可以控制一些特征对结果的影响，因为回归预测，对于极值是很难预测的，但通过用分类模型对预测值是否可以达到某个固定的极值来进行判断，可以影响预测值是否接近真实值中的极值。本发明通过采用Copula函数结合XGBoost模型训练相关系数法筛选出最相关的指标，并引入XGBoost建立需求满足上线预测模型，对需求是否上线进行预测。
[0151] 本发明方法具体包括，数据准备：收集相关的属性数据和需求上线的标签数据，确保数据质量和完整性；相关系数分析：使用Copula函数计算各个指标之间的相关系数，例如Pearson相关系数、Spearman相关系数等，筛选出与需求上线具有显著相关性的指标；数据预处理：对选定的属性进行数据预处理，包括缺失值处理、异常值处理、归一化或标准化等；特征工程：根据业务理解和专业知识，对属性进行特征工程，提取更有信息量的特征；数据划分：将数据集划分为训练集和测试集，用于模型训练和评估；XGBoost模型训练：使用XGBoost算法建立需求满足上线的预测模型，输入选定的属性作为特征，需求上线与否作为标签，调整模型参数，进行交叉验证和调参，以提高模型性能；模型评估：使用测试集对训练好的模型进行评估，计算预测准确率、召回率、F1分数等指标，评估模型的性能；预测实施：
将新的需求属性数据输入到训练好的模型中，进行预测，根据模型的预测结果，判断需求是否应该上线。
[0152] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0153] 基于同一发明构思，本发明实施例还提供了一种需求上线风险评估装置，可以用于实现上述实施例所描述的需求上线风险评估方法，如下面的实施例所述。由于需求上线风险评估装置解决问题的原理与需求上线风险评估方法相似，因此需求上线风险评估装置的实施例可以参见需求上线风险评估方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0154] 图6是本发明实施例需求上线风险评估装置的结构框图，如图6所示，在本发明一个实施例中，本发明的需求上线风险评估装置包括：
[0155] 指标数据获取单元1，用于获取目标需求在预设的评价指标上的第一指标数据；
[0156] 需求上线风险评估单元2，用于将所述第一指标数据输入到预设的需求上线风险评估模型中，得到所述需求上线风险评估模型输出的所述目标需求对应的需求上线风险评估结果，以根据所述需求上线风险评估结果确定是否上线所述目标需求，其中，所述需求上线风险评估模型为基于分布式梯度增强库算法训练得出的。
[0157] 在本发明一个实施例中，本发明的需求上线风险评估装置，还包括：
[0158] 第一指标数据提取单元，用于获取已完成上线决策的需求在预设的需求综合分析指标上的第二指标数据；
[0159] 相关系数计算单元，用于根据所述第二指标数据计算各所述需求综合分析指标之间的相关系数；
[0160] 指标筛选单元，用于根据所述相关系数对所述需求综合分析指标进行筛选，得到所述评价指标。
[0161] 在本发明一个实施例中，本发明的需求上线风险评估装置，还包括：
[0162] 第二指标数据提取单元，用于获取已完成上线决策的需求在所述评价指标上的第三指标数据；
[0163] 样本集生成单元，用于在所述第三指标数据上打上需求上线风险评估结果标签，生成训练样本集和测试样本集；
[0164] 模型训练单元，用于基于所述训练样本集和所述测试样本集并根据分布式梯度增强库算法进行模型训练，得到所述需求上线风险评估模型。
[0165] 在本发明一个实施例中，本发明的需求上线风险评估装置，还包括：
[0166] 第一数据转化单元，用于在所述第三指标数据上打上需求上线风险评估结果标签之前，通过将所述第三指标数据中的每个指标对应的数据转化为时序数据，将所述第三指标数据转化为时序数据集。
[0167] 在本发明一个实施例中，本发明的需求上线风险评估装置，还包括：
[0168] 第二数据转化单元，用于在将所述第一指标数据输入到预设的需求上线风险评估模型中之前，通过将所述第一指标数据中的每个指标对应的数据转化为时序数据，将所述第一指标数据转化为时序数据集。
[0169] 在本发明一个实施例中，所述指标筛选单元，具体包括：
[0170] 总相关系数确定模块，用于确定所述需求综合分析指标中的每个指标与其他所有指标的总相关系数；
[0171] 第一筛选模块，用于根据所述总相关系数以及预设的第一筛选阈值对所述需求综合分析指标进行筛选，得到所述评价指标。
[0172] 在本发明一个实施例中，所述指标筛选单元，具体包括：
[0173] 平均相关系数确定模块，用于确定所述需求综合分析指标中的每个指标与其他所有指标的平均相关系数；
[0174] 第二筛选模块，用于根据所述平均相关系数以及预设的第二筛选阈值对所述需求综合分析指标进行筛选，得到所述评价指标。
[0175] 在本发明一个实施例中，所述需求上线风险评估结果具体为需求上线风险评估值；
[0176] 在本发明一个实施例中，本发明的需求上线风险评估装置，还包括：
[0177] 第一确定单元，用于若所述需求上线风险评估值大于或等于预设的风险阈值，则确定不上线所述目标需求；
[0178] 第二确定单元，用于若所述需求上线风险评估值小于所述风险阈值，则确定上线所述目标需求
[0179] 为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图7所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在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上述实施例方法中的步骤。
[0180] 处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0181] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
[0182] 存储器可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0183] 所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
[0184] 上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0185] 为了实现上述目的，根据本申请的另一方面，还提供了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计算机程序，所述计算机程序在计算机处理器中执行时实现上述需求上线风险评估方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid‑State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
[0186] 为了实现上述目的，根据本申请的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述需求上线风险评估方法的步骤。
[0187] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0188] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
