交易量异常的预警方法、装置及程序产品与流程
本技术涉及大数据领域以及金融科技领域,具体而言,涉及一种交易量异常的预警方法、装置及程序产品。
背景技术:
1、当前,金融交易量预测广泛采用传统时间序列模型与单一深度学习架构,以支撑风险预警与资源调度。主流方法包括统计模型,以及时序预测模型。传统的统计模型依赖人工构建固定周期项与趋势项,其特征工程高度依赖专家经验,难以适应交易场景中非平稳、低频、稀疏的数据分布,尤其在节假日、系统升级、大额客户活动等突发事件发生时,模型无法自动识别外生扰动,导致预测偏差显著。而单一时序模型虽具备较强非线性拟合能力,但其输出为单路径确定性预测,未构建预测不确定性量化机制,在交易量数据波动加剧时,预测值易出现剧烈跳变,致使预警阈值设定失准。此外,上述模型普遍未考虑交易行为的异构性(如周末交易量自然衰减、促销日集中爆发等业务规律),导致在低密度时段(如夜间、非工作日)预测精度骤降,误报与漏报率居高不下。上述问题共同制约了交易异常检测的准确性与实用性。
2、针对相关技术中传统模型预测交易量的过程中,单路径预测结果波动大,以及传统模型对稀疏与突发场景泛化能力差,导致预测结果不准确的问题,目前尚未提出有效的解决方案。
技术实现思路
1、本技术的主要目的在于提供一种交易量异常的预警方法、装置及程序产品,以解决相关技术中传统模型预测交易量的过程中,单路径预测结果波动大,以及传统模型对稀疏与突发场景泛化能力差,导致预测结果不准确的问题。
2、为了实现上述目的,根据本技术的一个方面,提供了一种交易量异常的预警方法,该方法包括:采集业务系统的历史交易量数据,对历史交易量数据进行预处理,并基于傅里叶变换将历史交易量数据和业务周期进行对齐,得到标准化时序数据;依据标准化时序数据中交易量的波动程度和业务事件生成时序特征,将标准化时序数据输入时序大模型,得到时序大模型输出的目标时间段的多组预测值,确定多组预测值的统计特征;将时序特征和统计特征输入权重生成模型,得到权重生成模型输出的权重,依据权重对统计特征中的分位数特征进行融合,得到目标时间段的预警值;在检测到目标时间段内任意时刻的真实交易量大于该时刻的预警值的情况下,触发交易量异常预警。
3、进一步地,对历史交易量数据进行预处理,并基于傅里叶变换将历史交易量数据和业务周期进行对齐,得到标准化时序数据,包括:确定历史交易量数据中的缺失数据点,依据缺失数据点的前后采样时刻的交易量数据确定缺失数据点的估计值;依据缺失数据点的估计值对历史交易量数据进行插补处理,得到插补后的数据,对插补后的数据进行标准化处理,得到标准化后的数据;基于傅里叶变换对标准化后的数据进行频域分析,得到频域中的多个频率分量,确定多个频率分量对应的多个业务周期;依据多个业务周期对标准化后的数据进行对齐,得到对齐多个业务周期的标准化时序数据。
4、进一步地,依据缺失数据点的前后采样时刻的交易量数据确定缺失数据点的估计值,包括:确定缺失数据点的前一采样时刻的第一交易量数据,以及确定缺失数据点的后一采样时刻的第二交易量数据;确定第一局部波动区间内的第一标准差,以及第二局部波动区间内的第二标准差,其中,第一局部波动区间是以缺失数据点的前一采样时刻为中心、第一时长为窗口的滑动时间区间,第二局部波动区间是以缺失数据点的后一采样时刻为中心、第一时长为窗口的滑动时间区间;依据第一标准差、第二标准差、第一交易量数据和第二交易量数据确定缺失数据点的估计值。
5、进一步地,依据标准化时序数据中交易量的波动程度和业务事件生成时序特征,包括:依据默认滑动窗口在标准化时序数据中确定任意历史时刻交易量的标准差,并依据标准差对默认滑动窗口进行调整,得到历史时刻对应的目标滑动窗口;依据历史时刻的时段特征确定历史时刻的权重,并依据历史时刻的权重对历史时刻对应的目标滑动窗口内的交易量进行加权平均处理,得到历史时刻的滑动窗口均值;对业务事件对应的时间段和节假日对应的时间段进行二值编码,得到二值特征;对历史时刻对应的目标滑动窗口、滑动窗口均值和二值特征进行特征拼接,得到时序特征。
6、进一步地,确定多组预测值的统计特征,包括:从多组预测值中提取目标时间段内任意目标时刻对应的预测值,构建目标向量;对目标向量中的元素进行排序,并依据排序结果确定多个分位点对应的分位数,得到目标时刻的分位数特征;依据目标向量的取值范围确定多个区间,并确定多个区间的取值概率,依据多个区间的取值概率确定目标时刻的波动熵;确定目标向量的均值和标准差,依据均值、标准差和校正系数确定目标时刻的偏度,其中,校正系数是依据多组预测值的组数确定的;依据目标向量和多组预测值中目标时刻的前后预测值确定目标时刻的斜率差,依据多组预测值中斜率差大于斜率差阈值的组数确定目标时刻的趋势突变点概率;依据目标时刻的分位数特征、波动熵、偏度和趋势突变点概率确定多组预测值的统计特征。
7、进一步地,将时序特征和统计特征输入权重生成模型,得到权重生成模型输出的权重,依据权重对统计特征中的分位数特征进行融合,得到目标时间段的预警值,包括:将统计特征和时序特征输入权重生成模型,得到权重生成模型输出的多个预设分位点对应的权重,其中,权重生成模型是训练后的、包含注意力机制的多层感知机;针对目标时间段内任意目标时刻,依据多个预设分位点和统计特征中目标时刻对应的分位数特征确定多个分位数特征,依据多个预设分位点对应的权重对多个分位数特征进行特征融合,得到目标时间段的预警值。
8、进一步地,在将统计特征和时序特征输入权重生成模型之前,上述的方法还包括:在时序特征中确定第一时间段对应的历史时序特征,在统计特征中确定第一时间段对应的历史统计特征;将历史时序特征和历史统计特征输入多层感知机中,得到权重生成模型输出的多个预设分位点对应的历史权重;依据历史权重对历史统计特征中的分位数特征进行融合,得到第二时间段的预警值,其中,第二时间段在第一时间段之后;基于分位数损失函数依据第二时间段的预警值、第二时间段的真实交易量、历史权重对多层感知机进行训练,得到权重生成模型。
9、进一步地,统计特征至少包括:波动熵、趋势突变点概率,依据多个预设分位点对应的权重对多个分位数特征进行特征融合,包括:依据波动熵和趋势突变点概率对多个预设分位点对应的权重进行调整,得到多个预设分位点更新后的权重;依据多个预设分位点更新后的权重对多个分位数特征进行特征融合。
10、为了实现上述目的,根据本技术的另一方面,提供了一种交易量异常的预警装置,该装置包括:处理单元,用于采集业务系统的历史交易量数据,对历史交易量数据进行预处理,并基于傅里叶变换将历史交易量数据和业务周期进行对齐,得到标准化时序数据;预测单元,用于依据标准化时序数据中交易量的波动程度和业务事件生成时序特征,将标准化时序数据输入时序大模型,得到时序大模型输出的目标时间段的多组预测值,确定多组预测值的统计特征;融合单元,用于将时序特征和统计特征输入权重生成模型,得到权重生成模型输出的权重,依据权重对统计特征中的分位数特征进行融合,得到目标时间段的预警值;预警单元,用于在检测到目标时间段内任意时刻的真实交易量大于该时刻的预警值的情况下,触发交易量异常预警。
11、进一步地,处理单元包括:第一确定子单元,用于确定历史交易量数据中的缺失数据点,依据缺失数据点的前后采样时刻的交易量数据确定缺失数据点的估计值;第一处理子单元,用于依据缺失数据点的估计值对历史交易量数据进行插补处理,得到插补后的数据,对插补后的数据进行标准化处理,得到标准化后的数据;第二处理子单元,用于基于傅里叶变换对标准化后的数据进行频域分析,得到频域中的多个频率分量,确定多个频率分量对应的多个业务周期;对齐子单元,用于依据多个业务周期对标准化后的数据进行对齐,得到对齐多个业务周期的标准化时序数据。
12、进一步地,第一确定子单元包括:第一确定模块,用于确定缺失数据点的前一采样时刻的第一交易量数据,以及确定缺失数据点的后一采样时刻的第二交易量数据;第二确定模块,用于确定第一局部波动区间内的第一标准差,以及第二局部波动区间内的第二标准差,其中,第一局部波动区间是以缺失数据点的前一采样时刻为中心、第一时长为窗口的滑动时间区间,第二局部波动区间是以缺失数据点的后一采样时刻为中心、第一时长为窗口的滑动时间区间;第三确定模块,用于依据第一标准差、第二标准差、第一交易量数据和第二交易量数据确定缺失数据点的估计值。
13、进一步地,预测单元包括:调整子单元,用于依据默认滑动窗口在标准化时序数据中确定任意历史时刻交易量的标准差,并依据标准差对默认滑动窗口进行调整,得到历史时刻对应的目标滑动窗口;第三处理子单元,用于依据历史时刻的时段特征确定历史时刻的权重,并依据历史时刻的权重对历史时刻对应的目标滑动窗口内的交易量进行加权平均处理,得到历史时刻的滑动窗口均值;编码子单元,用于对业务事件对应的时间段和节假日对应的时间段进行二值编码,得到二值特征;拼接子单元,用于对历史时刻对应的目标滑动窗口、滑动窗口均值和二值特征进行特征拼接,得到时序特征。
14、进一步地,预测单元包括:提取子单元,用于从多组预测值中提取目标时间段内任意目标时刻对应的预测值,构建目标向量;第二确定子单元,用于对目标向量中的元素进行排序,并依据排序结果确定多个分位点对应的分位数,得到目标时刻的分位数特征;第三确定子单元,用于依据目标向量的取值范围确定多个区间,并确定多个区间的取值概率,依据多个区间的取值概率确定目标时刻的波动熵;第四确定子单元,用于确定目标向量的均值和标准差,依据均值、标准差和校正系数确定目标时刻的偏度,其中,校正系数是依据多组预测值的组数确定的;第五确定子单元,用于依据目标向量和多组预测值中目标时刻的前后预测值确定目标时刻的斜率差,依据多组预测值中斜率差大于斜率差阈值的组数确定目标时刻的趋势突变点概率;第六确定子单元,用于依据目标时刻的分位数特征、波动熵、偏度和趋势突变点概率确定多组预测值的统计特征。
15、进一步地,融合单元包括:第一生成子单元,用于将统计特征和时序特征输入权重生成模型,得到权重生成模型输出的多个预设分位点对应的权重,其中,权重生成模型是训练后的、包含注意力机制的多层感知机;第一融合子单元,用于针对目标时间段内任意目标时刻,依据多个预设分位点和统计特征中目标时刻对应的分位数特征确定多个分位数特征,依据多个预设分位点对应的权重对多个分位数特征进行特征融合,得到目标时间段的预警值。
16、进一步地,融合单元还包括:第七确定子单元,用于在将统计特征和时序特征输入权重生成模型之前,在时序特征中确定第一时间段对应的历史时序特征,在统计特征中确定第一时间段对应的历史统计特征;第二生成子单元,用于将历史时序特征和历史统计特征输入多层感知机中,得到权重生成模型输出的多个预设分位点对应的历史权重;第二融合子单元,用于依据历史权重对历史统计特征中的分位数特征进行融合,得到第二时间段的预警值,其中,第二时间段在第一时间段之后;训练子单元,用于基于分位数损失函数依据第二时间段的预警值、第二时间段的真实交易量、历史权重对多层感知机进行训练,得到权重生成模型。
17、进一步地,统计特征至少包括:波动熵、趋势突变点概率,上述的第一融合子单元包括:调整模块,用于依据波动熵和趋势突变点概率对多个预设分位点对应的权重进行调整,得到多个预设分位点更新后的权重;融合模块,用于依据多个预设分位点更新后的权重对多个分位数特征进行特征融合。
18、为了实现上述目的,根据本技术的一个方面,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述任意一项交易量异常的预警方法,计算机程序被处理器执行时实现本技术各个实施例中交易量异常的预警方法的步骤。
19、为了实现上述目的,根据本技术的一个方面,提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机指令,其中,在计算机指令被处理器执行时实现上述任意一项交易量异常的预警方法。
20、为了实现上述目的,根据本技术的一个方面,提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述任意一项交易量异常的预警方法。
21、在本技术实施例中,通过采集业务系统的历史交易量数据,对历史交易量数据进行预处理,并基于傅里叶变换将历史交易量数据和业务周期进行对齐,得到标准化时序数据;依据标准化时序数据中交易量的波动程度和业务事件生成时序特征,将标准化时序数据输入时序大模型,得到时序大模型输出的目标时间段的多组预测值,确定多组预测值的统计特征;将时序特征和统计特征输入权重生成模型,得到权重生成模型输出的权重,依据权重对统计特征中的分位数特征进行融合,得到目标时间段的预警值;在检测到目标时间段内任意时刻的真实交易量大于该时刻的预警值的情况下,触发交易量异常预警,进而解决了传统模型预测交易量的过程中,单路径预测结果波动大,以及传统模型对稀疏与突发场景泛化能力差,导致预测结果不准确的技术问题。
22、通过采集历史交易量数据并基于傅里叶变换对齐业务周期,能够消除周期性偏移对预测模型的干扰,提升时序数据的结构一致性;通过依据波动强度与业务事件生成自适应时序特征,能够缓解稀疏数据下特征表达不足的问题,提高模型对低频场景的适应性;通过将标准化时序数据输入时序大模型并输出多组预测值,能够替代单一路径预测,降低单点预测的不稳定性;通过计算多组预测值的统计特征,将时序特征与统计特征输入注意力权重生成模型,能够量化预测不确定性,动态融合多源信息,避免固定权重导致的场景泛化失效;通过依据动态权重融合特征生成预设分位数对应的预警值,在真实交易量超过预警值时触发预警,能够实现分位数区间对突发与稀疏场景的自适应调整,精准识别异常超出范围的事件,降低误报与漏报。通过上述步骤,达到了提升交易量预测稳定性和场景泛化能力的技术效果,实现了对稀疏数据与突发模式的协同响应,进一步达到了预警误报率降低、极端事件召回率提高的技术效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com