日间批量处理方法及装置与流程

1.本发明涉及金融领域，尤其涉及一种日间批量处理方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.在金融行业，需要日间批量处理诸如批量代收付等大量可事先批量生成交易请求数据且对交易响应时效性要求不高的批量业务处理需求，或定期扣款、利息支付等银行系统内部的账务处理。目前，日间批量任务处理的发起时间是固定不变的，这就可能导致日间批量任务在当日联机交易的高峰时启动，影响了联机交易的性能，进而影响了客户体验；或可能导致需当日完成的日间批量交易由于交易量过大而未在日间交易窗口执行完成，进而造成账务问题。


技术实现要素：

4.本发明实施例提供一种日间批量处理方法，用以灵活确定日间批量处理的启动时刻，提升客户的联机交易体验以及保护银行内部账务的准确性，该方法包括：
5.获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；
6.将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；
7.根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；
8.选择时间窗口的起始时刻，作为日间批量处理的启动时刻；
9.在日间批量处理的启动时刻，启动日间批量处理。
10.本发明实施例还提供一种日间批量处理装置，用以灵活确定日间批量处理的启动时刻，提升客户的联机交易体验以及保护银行内部账务的准确性，该装置包括：
11.数据获取模块，用于获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；
12.交易量预测模块，用于将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；
13.时间窗口确定模块，用于根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；
14.启动时刻设置模块，用于选择时间窗口的起始时刻，作为日间批量处理的启动时刻；
15.日间批量处理模块，用于在日间批量处理的启动时刻，启动日间批量处理。
16.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并
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日间批量处理方法。
17.本发明实施例还提供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执行上述日间批量处理方法的计算机程序。
18.本发明实施例中，获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；选择时间窗口的起始时刻，作为日间批量处理的启动时刻；在日间批量处理的启动时刻，启动日间批量处理。与现有的日间批量定时启动方式相比，本发明通过交易量预测模型，可以根据银行业务系统中的当日交易数据预测下一日日间交易量趋势，从而使得日间批量处理的启动时刻可以根据下一日日间交易量趋势灵活调整，进而保证客户的联机交易体验与银行内部账务的准确性。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。在附图中：
20.图1为本发明实施例中提供的一种日间批量处理方法的流程图一；
21.图2为本发明实施例中提供的一种在日间批量处理中训练交易量预测模型的方法流程图；
22.图3为本发明实施例中提供的一种日间批量处理方法的流程图二；
23.图4为本发明实施例中提供的一种日间批量处理方法的流程图三；
24.图5为本发明实施例中提供的一种日间批量处理方法的流程图四；
25.图6为本发明实施例中提供的一种在日间批量处理中优化交易量预测模型的方法流程图；
26.图7为本发明实施例中提供的一种日间批量处理装置的示意图一；
27.图8为本发明实施例中提供的一种日间批量处理装置的示意图二；
28.图9为本发明实施例中提供的一种日间批量处理装置的示意图三；
29.图10为本发明实施例中提供的一种日间批量处理装置的示意图四。
具体实施方式
30.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
31.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的
至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
32.术语解释：
33.日间批量处理：银行的日间批量处理是指银行系统在日间批量地以联机的方式模拟前端发起交易，主要可以分为两类，一类为批量代收付、批量开客户等各类大量可事先批量生成交易请求数据、对交易响应时效性要求不高的批量业务处理；一类为定期扣款、利息支付等内部批量帐务处理。
34.经研究发现，现有的日间批量处理方式均为定时启动，无法应对批量处理过程中的突发情景。而随着大数据人工智能时代的到来，深度学习越来越多的用于人们生活的方方面面。因此考虑将深度学习技术应用于银行系统的日间批量处理，以实现灵活调整日间批量处理的启动时刻。
35.针对上述研究，如图1所示，本发明实施例提供了一种日间批量处理方法，该方法包括以下步骤：
36.步骤101，获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；
37.步骤102，将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；
38.步骤103，根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；
39.步骤104，选择时间窗口的起始时刻，作为日间批量处理的启动时刻；
40.步骤105，在日间批量处理的启动时刻，启动日间批量处理。
41.本发明实施例中，获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；选择时间窗口的起始时刻，作为日间批量处理的启动时刻；在日间批量处理的启动时刻，启动日间批量处理。与现有的日间批量定时启动方式相比，本发明通过交易量预测模型，可以根据银行业务系统中的当日交易数据预测下一日日间交易量趋势，从而使得日间批量处理的启动时刻可以根据下一日日间交易量趋势灵活调整，进而保证客户的联机交易体验与内部账务的准确性。
42.在上述步骤101中，可以通过监控模块对银行业务系统中的联机交易信息进行监控，在每日的日间批量处理任务结束之后，获取银行业务系统中的当日交易数据。
43.具体实施时，需要对当日交易数据进行脱敏、清洗等处理，使其符合数据安全要求；然后，提取处理后的当日交易数据中的交易特征数据，并对交易特征数据进行标准化处理。
44.其中，交易特征数据可以包括交易响应时间、在交易响应时间对应的交易量和交
易响应时间是否处于预设特殊时间段内。例如，预设特殊时间段可以为双十一秒杀，在双十一秒杀期间，交易量大幅增加，因此，可以将交易响应时间是否处于预设特殊时间段内作为交易特征数据。
45.在上述步骤102中，将上述步骤101中提取的交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势。
46.在此之前，可以利用银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到交易量预测模型。
47.本发明一实施例中，如图2所示，提供了一种在日间批量处理中训练交易量预测模型的方法流程图，该方法包括以下步骤：
48.步骤201，获取银行业务系统中的历史交易数据和对应的历史下一日日间交易量作为样本数据，构建训练集和测试集，所述历史交易数据包括历史交易特征数据。
49.具体实施时，需要对银行业务系统中的历史交易数据进行脱敏、清洗等处理，将处理之后的历史交易数据和对应的历史下一日日间交易量一起作为样本数据，使其符合数据安全要求；然后，提取样本数据中的历史交易特征数据，并对历史交易特征数据进行标准化处理，将标准化处理后的历史交易特征数据和对应的历史下一日日间交易量以预设比例，构建训练集和测试集。例如，可以是以3:1的比例，将标准化处理后的历史交易特征数据分为训练集和测试集。
50.步骤202，利用训练集训练神经网络模型，得到交易量预测模型。
51.其中，该神经网络模型可以为长短期记忆网络(long short-term memory，lstm)，利用训练集对lstm进行训练，可以得到用于预测下一日交易量趋势的循环神经网络模型，即交易量预测模型。
52.步骤203，利用测试集对交易量预测模型进行测试。
53.这样，利用银行业务系统中的历史交易数据和对应的历史下一日日间交易量，对神经网络模型进行训练，使得最终得到的交易量预测模型更加准确。
54.在上述步骤103中，根据交易量预测模型预测的下一日日间交易量趋势，可以确定执行日间批量的时间窗口。
55.本发明一实施例中，如图3所示，上述步骤103，具体可以包括：
56.步骤301，根据下一日日间交易量趋势，确定日间批量处理所需的执行时长。
57.具体实施时，根据下一日日间交易量趋势，可以得到下一日日间交易量，再根据下一日日间交易量，可以确定出处理完下一日日间交易量所需的执行时长。
58.其中，由于银行业务系统的系统性能好坏对批量处理的效率存在很大影响，因此，为了确保可以得到准确的日间批量处理的执行时长，上述步骤301，具体可以包括：根据下一日日间交易量趋势和银行业务系统的系统性能确定日间批量处理所需的执行时长。
59.例如，在银行业务系统的系统性能好的情况下，日间批量处理的执行时长将会缩短，在银行业务系统的系统性能差的情况下，日间批量处理的执行时长将会延长。
60.步骤302，将日间批量处理所需的执行时长作为滑动窗口的大小，根据滑动窗口算法和下一日日间交易量趋势，确定执行日间批量的时间窗口。
61.具体实施时，可以根据滑动窗口算法，在下一日日间交易量趋势的趋势图中滑动选择可以执行日间批量的时间窗口。
62.其中，确定出的执行日间批量的时间窗口可以为一个或者多个，也可能存在没有符合执行日间批量的时间窗口。
63.在上述步骤104中，根据上述步骤103确定的执行日间批量的时间窗口，选择时间窗口的起始时刻，作为日间批量处理的启动时刻。
64.具体实施时，在确定出的执行日间批量的时间窗口为一个的情况下，上述步骤104，包括：选择该时间窗口的起始时刻，作为日间批量处理的启动时刻。
65.具体实施时，在确定出的执行日间批量的时间窗口为多个的情况下，如图4所示，上述步骤104，包括：步骤401，将多个时间窗口中的第中位数个时间窗口的起始时刻，作为日间批量处理的启动时刻。
66.具体实施时，在未确定出的执行日间批量的时间窗口的情况下，可以将日间批量任务划分为个场次处理，如图5所示，还包括：步骤501，根据下一日日间交易量趋势，将下一日日间交易量划分为多个场次进行日间批量处理。
67.然后，针对划分的每一场次的下一日日间交易量，执行上述步骤301和上述步骤302。即，根据每一场次的下一日日间交易量，确定每一场次的日间批量处理所需的执行时长；将每一场次的日间批量处理所需的执行时长作为滑动窗口的大小，根据滑动窗口算法和每一场次的下一日日间交易量趋势，确定执行每一场次的日间批量的时间窗口。通过将下一日日间交易量划分为多个场次进行日间批量处理，可以缩短时间窗口的大小，进而可以选择出可执行日间批量的时间窗口。
68.在上述步骤105中，在日间批量处理的启动时刻，启动日间批量处理。
69.本发明一实施例中，在每日的日间批量处理结束之后，还可以定期获取最新的每日的交易特征数据和对应的历史下一日日间交易量，对交易量预测模型进行优化。如图6所示，具体可以包括以下步骤：
70.步骤601，获取预设时间段内每日交易特征数据和对应的历史下一日日间交易量。
71.具体实施时，预设时间段可以根据具体的实施场景进行设置，可以为最近一周、最近15天或者最近一个月等等，在此不做限定。
72.步骤602，以预设时间段内每日交易特征数据和对应的历史下一日日间交易量，更新样本数据；
73.步骤603，利用更新后的样本数据，更新训练集和测试集，继续对交易量预测模型进行训练和测试。
74.这样，定期对交易量预测模型进行优化训练，可以确保交易量预测模型的实时性和准确性。
75.本发明实施例中还提供了一种日间批量处理装置，如下面的实施例所述。由于该装置解决问题的原理与日间批量处理方法相似，因此该装置的实施可以参见日间批量处理方法的实施，重复之处不再赘述。
76.如图7所示，为本发明实施例提供的一种日间批量处理装置的示意图，所述装置包括：
77.数据获取模块701，用于获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；
78.交易量预测模块702，用于将交易特征数据输入交易量预测模型，得到银行业务系
统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；
79.时间窗口确定模块703，用于根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；
80.启动时刻设置模块704，用于选择时间窗口的起始时刻，作为日间批量处理的启动时刻；
81.日间批量处理模块705，用于在日间批量处理的启动时刻，启动日间批量处理。
82.本发明一实施例中，所述交易特征数据包括交易响应时间、在所述交易响应时间对应的交易量和所述交易响应时间是否处于预设特殊时间段内。
83.本发明一实施例中，如图8所示，所述的装置还包括：模型训练测试模块801，用于在交易量预测模块将交易特征数据输入交易量预测模型之前：
84.获取银行业务系统中的历史交易数据和对应的历史下一日日间交易量作为样本数据，构建训练集和测试集，所述历史交易数据包括历史特征数据；
85.利用训练集训练神经网络模型，得到交易量预测模型；
86.利用测试集对交易量预测模型进行测试。
87.本发明一实施例中，如图9所示，所述的装置还包括：数据更新及模型优化模块901，具体用于：
88.获取预设时间段内每日交易特征数据和对应的历史下一日日间交易量；
89.以预设时间段内每日交易特征数据和对应的历史下一日日间交易量，更新样本数据；
90.利用更新后的样本数据，更新训练集和测试集，继续对交易量预测模型进行训练和测试。
91.本发明一实施例中，时间窗口确定模块，具体用于：
92.根据下一日日间交易量趋势，确定日间批量处理所需的执行时长；
93.将日间批量处理所需的执行时长作为滑动窗口的大小，根据滑动窗口算法和下一日日间交易量趋势，确定执行日间批量的时间窗口。
94.本发明一实施例中，时间窗口确定模块，具体还用于：
95.确定执行日间批量的时间窗口为多个时间窗口；
96.启动时刻设置模块，具体用于：
97.将多个时间窗口中的第中位数个时间窗口的起始时刻，作为日间批量处理的启动时刻。
98.本发明一实施例中，时间窗口确定模块，具体还用于：未确定出执行日间批量的时间窗口；
99.如图10所示，所述装置还包括：
100.交易量划分模块1001，用于根据下一日日间交易量趋势，将下一日日间交易量划分为多个场次进行日间批量处理。
101.本发明一实施例中，时间窗口确定模块，具体还用于：
102.根据下一日日间交易量趋势和银行业务系统的系统性能确定日间批量处理所需的执行时长。
103.本发明实施例中，获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；选择时间窗口的起始时刻，作为日间批量处理的启动时刻；在日间批量处理的启动时刻，启动日间批量处理。与现有的日间批量定时启动方式相比，本发明通过交易量预测模型，可以根据银行业务系统中的当日交易数据预测下一日日间交易量趋势，从而使得日间批量处理的启动时刻可以根据下一日日间交易量趋势灵活调整，进而保证客户的联机交易体验与内部账务的准确性。
104.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并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日间批量处理方法。
105.本发明实施例还提供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执行上述日间批量处理方法的计算机程序。
106.本发明实施例中，获取银行业务系统中的当日交易数据，其中，当日交易数据包括交易特征数据；将交易特征数据输入交易量预测模型，得到银行业务系统的下一日日间交易量趋势，其中，交易量预测模型是根据银行业务系统的历史交易数据和对应的历史下一日日间交易量，对神经网络模型训练得到的；根据银行业务系统的下一日日间交易量趋势，确定执行日间批量的时间窗口；选择时间窗口的起始时刻，作为日间批量处理的启动时刻；在日间批量处理的启动时刻，启动日间批量处理。与现有的日间批量定时启动方式相比，本发明通过交易量预测模型，可以根据银行业务系统中的当日交易数据预测下一日日间交易量趋势，从而使得日间批量处理的启动时刻可以根据下一日日间交易量趋势灵活调整，进而保证客户的联机交易体验与内部账务的准确性。
107.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。
108.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
109.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
110.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
111.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。