交易时间预测方法及装置与流程

1.本发明涉及人工智能技术领域，具体而言，涉及一种交易时间预测方法及装置。


背景技术：

2.每天都会有成千上万的客户通过银行进行转账、缴费等交易。如果能够从海量的银行交易数据中挖掘出客户的交易规律，适时的提醒客户或为客户进行适当的推荐，是非常有意义的。
3.目前在时序预测方面，有较多成熟的算法。例如：循环神经网络rnn、长短记忆网络lstm、线性回归、arma模型等。但是从数据层面分析，客户通过银行进行操作通常不是连续的，产生的时间序列通常是稀疏的，以电费为例，周期一般为20-40天左右，因此上述的机器学习方法并不适用于银行交易预测问题。因此，现有技术缺少一种针对稀疏的银行交易的交易时间进行预测的方案。


技术实现要素：

4.本发明为了解决上述背景技术中的至少一个技术问题，提出了一种交易时间预测方法及装置。
5.为了实现上述目的，根据本发明的一个方面，提供了一种交易时间预测方法，该方法包括：
6.获取客户的目标交易类型的交易时序数据；
7.根据所述交易时序数据生成交易时间间隔序列；
8.将所述交易时间间隔序列输入到预设的预测模型中，得到所述预测模型输出的所述客户进行下一次所述目标交易类型的交易的时间间隔，进而根据所述时间间隔以及所述交易时序数据确定出所述客户进行下一次所述目标交易类型的交易的时间，其中，所述预测模型为根据prophet模型训练得出的。
9.可选的，该交易时间预测方法，还包括：
10.获取训练样本集，其中，所述训练样本集中的训练数据为用于模型训练的交易时间间隔序列；
11.根据所述训练样本集对所述prophet模型进行训练，得到所述预测模型。
12.可选的，所述根据所述交易时序数据生成交易时间间隔序列，包括：
13.根据所述交易时序数据生成交易时间序列；
14.通过计算所述交易时间序列中任意相邻两项的时间差，生成所述交易时间间隔序列。
15.可选的，在所述将所述交易时间间隔序列输入到预设的预测模型中之前，还包括：
16.若所述交易时间间隔序列中的各项数据满足高斯分布，则将所述交易时间间隔序列中大于各项数据的标准差n倍的数据去除，其中n大于0。
17.可选的，所述根据所述时间间隔以及所述交易时序数据确定出所述客户进行下一
次所述目标交易类型的交易的时间，具体包括：
18.确定所述交易时序数据中最后一次交易的交易时间；
19.根据所述交易时间以及所述时间间隔确定出所述客户进行下一次所述目标交易类型的交易的时间。
20.可选的，所述prophet模型包括：趋势模型和节假日模型，所述趋势模型采用分段线性函数。
21.为了实现上述目的，根据本发明的另一方面，提供了一种交易时间预测装置，该装置包括：
22.交易时序数据获取单元，用于获取客户的目标交易类型的交易时序数据；
23.交易时间间隔序列生成单元，用于根据所述交易时序数据生成交易时间间隔序列；
24.预测单元，用于将所述交易时间间隔序列输入到预设的预测模型中，得到所述预测模型输出的所述客户进行下一次所述目标交易类型的交易的时间间隔，进而根据所述时间间隔以及所述交易时序数据确定出所述客户进行下一次所述目标交易类型的交易的时间，其中，所述预测模型为根据prophet模型训练得出的。
25.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，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交易时间预测方法的步骤。
26.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述交易时间预测方法的步骤。
27.为了实现上述目的，根据本发明的另一方面，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交易时间预测方法的步骤。
28.本发明的有益效果为：
29.本发明实施例通过prophet模型训练出预测模型，进而根据预测模型对客户进行下一次目标交易类型的交易的时间进行预测，实现了准确、高效的对客户进行下一次目标交易类型的交易的时间进行预测的有益效果。
附图说明
30.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：
31.图1是本发明实施例交易时间预测方法的第一流程图；
32.图2是本发明实施例交易时间预测方法的第二流程图；
33.图3是本发明实施例交易时间预测方法的第三流程图；
34.图4是本发明实施例交易时间预测方法的第四流程图；
35.图5是本发明实施例交易时序数据示意图；
36.图6是本发明实施例交易时间间隔数据示意图；
37.图7是本发明实施例去除异常值示意图；
38.图8是本发明实施例预测结果示意图；
39.图9是本发明实施例交易时间预测装置的结构框图；
40.图10是本发明实施例计算机设备示意图。
具体实施方式
41.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。
42.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。
43.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。
44.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。
45.需要说明的是，本技术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。
46.需要说明的是，本发明的交易时间预测方法和装置可以应用于金融领域，也可以应用于其他技术领域。
47.图1是本发明实施例交易时间预测方法的第一流程图，如图1所示，在本发明一个实施例中，本发明的交易时间预测方法包括步骤s101至步骤s103。
48.步骤s101，获取客户的目标交易类型的交易时序数据。
49.在本发明一个实施例中，本发明可以从银行数据库中获取客户历史的交易数据，通常只有在客户产生操作时才会进行记录，因此首先需要对数据进行处理。首先需要对数据库中的交易数据按照客户id、交易类型进行筛选；其次，由于我们需要预测的是客户进行交易的时间而不是具体金额，因此需要将客户进行交易的时间打上标记“1”；最后，需要对时间序列进行补齐，对没有交易发生的时间点打上标记“0”。这样就得到了能够用于分析的特定用户、特定交易类型的交易时序数据。可视化结果可以如图5所示。
50.在本发明一个实施例中，所述目标交易类型可以为多种，例如，缴水费、缴电费、缴燃气费、商超消费等等。
51.步骤s102，根据所述交易时序数据生成交易时间间隔序列。
52.采用上述方法得到的交易时序数据并不能够满足prophet模型的输入格式，也不是常见的时序数据形式，难以建模因此需要对其进行一系列的处理。
53.本方法采用的稀疏数据转换方法为逐位相差法，即不是以用户产生行为的时间点信息作为时序数据，而是以两次行为产生的时间间隔作为时序数据，得到的交易时间间隔数据如图6所示。
54.步骤s103，将所述交易时间间隔序列输入到预设的预测模型中，得到所述预测模型输出的所述客户进行下一次所述目标交易类型的交易的时间间隔，进而根据所述时间间隔以及所述交易时序数据确定出所述客户进行下一次所述目标交易类型的交易的时间，其中，所述预测模型为根据prophet模型训练得出的。
55.在本发明一个实施例中，本步骤中的所述时间间隔可以为时间间隔区间，该时间间隔区间包含一个时间间隔最小值和一个时间间隔最大值。同理，本步骤确定出的所述客户进行下一次所述目标交易类型的交易的时间也可以为一个时间区间，该时间区间包含一个最小值时间值和一个最大时间值。
56.本发明针对银行客户交易数据的特点，目前流行的时序预测方法无法正确预测，为了能够满足该问题时效性和普适性，较为精准的预测出客户下次交易产生的时间，本发明将客户的交易数据转换为时序数据格式并采用prophet算法进行预测，实现了准确、高效的对客户进行下一次目标交易类型的交易的时间进行预测的有益效果。
57.如图2所示，在本发明一个实施例中，上述步骤s103中的预测模型具体由步骤s201和步骤s202训练得出。
58.步骤s201，获取训练样本集，其中，所述训练样本集中的训练数据为用于模型训练的交易时间间隔序列。
59.在本发明一个实施例中，用于模型训练的交易时间间隔序列中包含n个数据，在进行训练时将前n-1个数据放入模型中训练，第n个数据用来验证，验证模型预测的结果与真实值之间的差距。
60.步骤s202，根据所述训练样本集对所述prophet模型进行训练，得到所述预测模型。
61.在本发明一个实施例中，所述prophet模型包括：趋势模型和节假日模型，所述趋势模型采用分段线性函数。
62.本发明采用prophet模型进行预测，除了考虑到时序数据的趋势外还考虑到了节假日对于用户行为的影响，对应公式如下：
63.y＝g(t) h(t)
64.其中趋势模型g(t)采用分段线性函数，即为关于时间t的线性函数，公式可以为：
65.g(t)＝(k α(t)
t
δ)t m α(t)
t
γ
66.其中，α是长度为时序数据总长度的一组向量，当当前时间点大于i时，αi为1，否则为0，k表示增长率，m表示偏移量，δ为各个变点的变化率。γ为当前时间点与当前变化率乘积的负数。
67.节假日模型，其中d为节假日对应的时间集合。
68.本发明根据训练样本集不断的对所述prophet模型进行训练，对prophet模型的参数进行调优，最终使prophet模型的预测准确率达到预设值，将此时的prophet模型保存作
为步骤s103中的预测模型。在本发明中，prophet模型的参数包括：趋势项变点参数以及节假日项参数。
69.在本发明一个实施例中，本发明在训练出预测模型后，对预测模型的预测准确性进行了验证，如图8所示，本发明预测模型的预测值与真实值较为接近，由此可以说明本发明的预测模型能够较为准确的对银行的客户交易时间进行预测。
70.如图3所示，在本发明一个实施例中，上述步骤s102的根据所述交易时序数据生成交易时间间隔序列，具体包括步骤s301和步骤s302。
71.步骤s301，根据所述交易时序数据生成交易时间序列。
72.步骤s302，通过计算所述交易时间序列中任意相邻两项的时间差，生成所述交易时间间隔序列。
73.在本发明一个实施例中，本发明采用逐位相差法，以两次交易的时间间隔作为时序数据，生成交易时间间隔序列。
74.在本发明一个实施例中，在上述步骤s103的将所述交易时间间隔序列输入到预设的预测模型中之前，本发明方法还包括：
75.若所述交易时间间隔序列中的各项数据满足高斯分布，则将所述交易时间间隔序列中大于各项数据的标准差n倍的数据去除，其中n大于0。
76.在本发明一个实施例中，n等于3。
77.在本发明一个实施例中，由于客户误操作等原因，可能会出现数据漏记、错记的现象，导致得到的时间序列出现过大或过小的异常值，影响模型训练，因此本发明可以通过高斯分布剔除异常值，如图7所示。具体的，本发明可以计算出交易时间间隔序列中的各项数据的标准差均值，并将以外的数据剔除出去。图7显示的为产生异常操作的数据，并将异常点标注出来。
78.如图4所示，在本发明一个实施例中，上述步骤s103的根据所述时间间隔以及所述交易时序数据确定出所述客户进行下一次所述目标交易类型的交易的时间，具体包括步骤s401和步骤s402。
79.步骤s401，确定所述交易时序数据中最后一次交易的交易时间。
80.在本发明一个实施例中，本步骤从所述交易时序数据中查询出最后一次交易的交易时间。
81.步骤s402，根据所述交易时间以及所述时间间隔确定出所述客户进行下一次所述目标交易类型的交易的时间。
82.在本发明一个实施例中，本步骤具体在所述交易时间的基础上加上所述时间间隔，得出所述客户进行下一次所述目标交易类型的交易的时间。
83.由以上实施例可以看出，本发明的主要创新点在于针对银行客户交易数据的特点，提出了一种数据处理方式，并利用prophet结合趋势和节假日信息进行预测。该方法通过数据处理、模型构建、模型拟合等步骤预测出客户下次可能出现交易行为的时间区间，方便工行提醒客户或为客户进行合理的推荐，具有较为重要的意义。
84.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。
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。
103.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。
104.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。
105.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。
106.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。
107.为了实现上述目的，根据本技术的另一方面，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交易时间预测方法中的步骤。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。
108.为了实现上述目的，根据本技术的另一方面，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交易时间预测方法的步骤。
109.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。
110.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。