这个人工智能，能帮你从3050家P2P平台中挑出最不会跑路的

大数据不仅可以帮你看到城市顽疾，还可以做很多你想不到的事情。比如，互联网金融。来自感知城市数据科学研究院、交大OMNILab实验室的这个作品，就研究的是2015年末2016年初各种跑路的P2P。另外，本文还说到了这个团队的另一个作品——预测上海踩踏事件。

▍P2P风控 | 我们先给企业画像，建立评估体系

时空行为数据是什么鬼？估计大部分人都不太明晰。通过下面两个案例，陈夏明博士带我们走进时空行为数据的应用：一个是P2P深度风险分析，一个是大型事件的预警。

（DT君友情插入提醒：前方有不少技术流专业知识，如果你真的热爱大数据，真的想要学习这些工具的实际应用价值，一定要坚持看下去，会有好报哒……）

互联网金融2007年进入国内，2013年得到了蓬勃的发展。与此同时，也出现了很多问题，诸如提现困难、老板跑路、停业跑路等。截止2016年3月，在国内近4000家P2P平台中，问题平台比例已接近40%，投资者的资金难以得到保障。投资者希望知道自己的资金放在哪里最安全？投到哪个平台最有安全保障？这正是下面这个产品要解决的核心问题——客观精确地对P2P平台进行风险量化。

这个案例是来自交大OMNILab实验室，作品获得了2016年拍拍贷魔镜杯的金奖。

核心的问题是，要有一个客观精确的平台风险评估体系。但是如何评估风险，便是一个仁者见仁、智者见智的问题咯。假如是拥有大量私有数据的金融公司，他们可能拥有一套经济学的评价体系。但是作为使用互联网开放数据的研究者，究竟如何做到这一点呢？事实上，这也不是很困难，因为互联网上的数据真的很丰富。具体来说，我们选取以下这四大类的特征作为平台风险的量化依据：

第1个是静态特征——P2P企业的画像，和人的画像一样，一家公司的画像包含了公司的背景和人员信息，事实上这些信息是我们每个人都能从互联网上免费获取得到的。后面三个都是动态信息，我们可以转化成时序数据，从而充分使用时空数据挖掘的方法。我们从网络上不同地方获取这些数据后，通过大数据的分析、建模，进行后面更加深入的分析。

▍P2P风控 | 如何分析27万余条新闻和3050家平台信息

（DT君：这一段很高能，也是最核心的技术内容之一，实在看不懂的，可以跳过。）

下面是我们的系统架构，首先使用网络爬虫获取多源异构数据，解析得到结构化数据。通过数据清洗，将结构化数据整理成我们的数据资产。在此基础上，我们使用文本处理、主题模型、知识图谱、情感分析等技术分析数据资产，挖掘其中的内在规律。之后我们提出核心模型——OMNIRank，对各个P2P平台进行风险量化，形成知识供投资者决策。最后，我们将数据分析、模型量化的结果进行可视化，为投资者提供友好的交互界面。

我们基于Scrapy开发了爬虫框架OMNISpider，它可以：

• 分布式可扩展：集成Redis、Hadoop，部署于上海交通大学网络信息中心，支持更多数据源的并发爬取；
• 灵活配置：通过修改配置文件即可添加新的任务或更新已有任务，无需重构代码；
• 只需简单的配置，既可以通过调度、爬取、解析、存储模块在短时间内爬取海量的多源异构数据。

下图是我们的数据清洗过程：

经过数据的清洗与融合，我们得到了数据资产。据不完全统计，我们的数据资产包括27万余条新闻、8万多条P2P相关的微博和评论、3050家P2P平台的基本信息、3年来各平台指数月评级数据。为了持续地扩充数据资产，我们把数据存放在Hadoop分布式文件系统(HDFS)中。

在理解文本的基础上，我们使用LDA模型对新闻进行处理，生成5个主题，每个主题取权重前7的词语作为关键词。通过各个平台在不同主题上的新闻分布规律和变化趋势，我们可以对平台进一步地理解，并了解整个行业的最新热点。

我们对语义信息、主题信息进行整理，经过命名实体识别、关系抽取、开放域知识提取技术，形成了一个包含1万多个结点的知识图谱。为了提供更快的查询服务，我们将它存在数据库中。投资者可以进行知识探索，更加全面的了解各平台、人员、职位、地理分布之间的联系。

为了更进一步理解平台口碑，我们对新闻以及用户评论数据做情感分析，判断出整个行业，以及各个平台的舆论倾向，并以天为粒度进行统计，便于投资者全面了解行业，进行投资决策。

（DT君：看到这里是不是有点晕？没关系，大多数人和你一样……但下面的内容会特别有意思啦）

▍P2P风控 | 核心模型：我们的“榜单”，其实是个人工智能

经过以上数据资产的准备及探索分析，我们提出我们的核心模型OMNIRank，一个对P2P平台进行风险量化，为投资者提供投资决策的模型。

我们可以这么来理解这个模型产品：Google开发了人工智能AlphaGo，它是一个会下围棋的人工智能。它采用全局特征和局部特征结合的思想，主要方法是深度神经网络。而OMNIRank是一个对P2P平台风险量化的人工智能，它的本质是一个深度神经网络。模型输入5大类共118个特征，包含全局的静态特征、局部的动态特征。

结合各个特征特点及神经网络模型的优势，我们设计了OMNIRank深度神经网络：

1.使用多层神经网络(MLP)处理静态平台属性特征；

2.使用长短时记忆元(LSTM)处理动态平台指标时间序列；

3.使用卷积神经网络(CNN)处理新闻、评论文本数据；

就像AlphaGo可以进行自我对弈一样，OMNIRank可以通过反馈回路自我学习，不断提升模型的能力。

我们将OMNIRank与其他机器学习算法，包括逻辑回归(Logistic Regression)、随机森林(Random Forest)、支持向量机(SVM)进行了对比，对比结果如下图所示：

我们发现，比起其他模型，OMNIRank可以更加显著地区分正常平台和问题平台，它具有更强的能力识别出问题平台。因此OMNIRank对平台风险的量化比传统模型更加可靠。

OMNIRank是如何帮助投资者选择投资平台的呢？我们每个月使用OMNIRank对平台风险进行量化预测，并根据量化结果对平台排名，排名越靠前表示该平台下个月出现问题的概率越低。之后计算在不同排名区间的平台，在下个月实际出问题的比率。我们发现，半年来排名前100的平台没有出现问题，这给投资者提供了一个安全的投资区域。另外，区间越大，平台的平均利率越高，但同时也伴随着更高的风险。投资者可以根据自己的自身情况，平衡风险与收益，选择最适合自己的平台。

我们设计了数据可视化与交互展示产品（http://zhanghonglun.cn/ppd/）。通过这一产品，投资者既可以对整个行业的有所了解，又可以对每个平台详细研究，还可以进行不同平台之间多个维度的对比。此外，我们还专门为投资者设计了懒人选投功能，告诉我们您的需求，我们就会给您推荐合适的平台。更丰富的产品信息，请访问我们的产品设计网站。

（DT君：也就是说，这个东东可以帮你选到好的P2P平台，很实用。）

▍踩踏预测 | 分析人群的“聚缓散急”的新方法

（DT君：如果说上一个利用时空数据的案例更多的是偏向个人投资者，那么这一个就更多的是给机构来用的啦。）

大型事件预警的时候有一个重要的模式叫做“聚缓散急”。大型活动开场前，人群从四面八方缓慢地聚集起来，活动开始时达到顶峰；散场的时候之前聚集的大量人群在短时间内涌出，就有可能发生突发事件。聚缓散急的模式，散场时候的突发性其实危害性非常大，就像观看完跨年晚会的时候散场的时候很容易出现踩踏事件。

怎么检测出这样的事件？传统方法是，通过时间序列推断出后面时间序列是怎么发展的，但是如果历史数据没有明显的突发性记忆，这种方法便会失效。

新的方法是，将进（地铁）站客流增大、人群缓慢聚集的过程一起考虑，因为可以通过相关性信息，把突发性的可能性检测出来。这个原理非常简单，因为突发事件中的参与者，通常有别与一个长居住在该区域的人。从数据上可以方便观察出，居民的行为往往是一去不复返，即只存在前一个时间序列中，而事件参与者通常两次都可以观察得到。

▍ 踩踏预测 | 基于2.4亿条交通卡数据的分析结果

基于这个原理，我们把涉及交通卡“一卡通”100多万个用户的2.4亿条数据数据做了分析。

首先看一下交通客流特征，在早晚会有双峰的特征。还有是进出站的比例，我们看到进出站总量比值大约在1左右，就意味着如果说聚集的过程中没有开放这么大的体量，意味着后面很大可能有大量的人群流量出现。

这是我们的检测结果，算法直接检测出来的事件，并将早高峰过滤掉。大家可以看到，在我们分析的这个数据范围内，临近站点的上海体育馆和上海体育场两个站点出现了异常客流量，赛车场发现了长时段的出站流量异常也可以检测出来，而上海火车站则是有蓄势待发，没有爆发……我们的算法对于突发事件的检测可以达到3—13%的误差。

▍教学时间 | 时空行为数据，挖掘偶然里的必然

看完了两个案例，让我们来了解一下时空行为数据的前世今生。

时空行为数据是什么样的？人类分布的时候演化出来，然后散播到全球。考古学家分析出很多结果，他们在各个地点，其他人类应用下来推断出信息，还原出人类有两条主要路线，上面大陆路线一直到南美南部，还有一条路线是非洲东部，沿海洋的路线。

时空行为数据到底干什么。Ebola大家都经历过，非洲蔓延非常巨大。这个数据是通过手机网络数据获取到这样的信息，分析出病毒本身在非洲传播的模式。

通过行为数据分析群体事件，可以分析上海踩踏事件偶然性里的必然。

注：本文参考报告： 感知城市《时空行为数据挖掘初探及相关技术应用》