CN104123592A - 银行后台tps交易事件趋势预测方法及系统 - Google Patents

Abstract

本发明提出一种银行后台TPS交易事件趋势预测方法及系统，其中，该方法包括：获取银行后台交易数据，并从银行后台交易数据提取TPS数据及其特征，其中，TPS数据特征指从银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征；选择随机森林模型，并根据TPS数据训练随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型；向TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测；以图像化形式显示TPS交易事件趋势预测结果。根据本发明的实施例，不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议。

Description

银行后台TPS交易事件趋势预测方法及系统

技术领域

本发明涉及计算机应用技术领域，特别涉及一种银行后台TPS交易事件趋势预测方法及系统。

背景技术

银行作为经营货币信贷业务的依法成立的金融机构，由于其安全高效等特性而得到广泛使用。作为一个如此重要的系统，其安全性和高效性就显得尤为重要，其中安全性更是银行系统的命脉，但是即使如此，银行方面大规模的故障仍时有发生。并且大规模的故障往往不是由前台的工作失误造成的，因为银行前台周全的交易步骤几乎可以杜绝人为失误的发生，而即使失误发生也是一两笔交易的小规模的错误。大规模的故障往往都是由后台的系统的故障造成的。因此，想要更加有效的避免银行故障的发生，应该着重从后台系统下手。但是银行后台系统往往十分复杂，造成故障的原因更是多种多样，可能由于：银行之间的链接网络，后端记录数据的数据库，用于运行交易程序的服务器等等产生故障。而其中的一个故障往往会造成一系列的连锁反应，比如，当数据库发生瘫痪时，所有的交易请求就会开始堆积，从而导致服务器的资源不足；相反，如果服务器的内存产生泄漏，那么渐渐的系统资源会越来越少，从而导致数据库的运行所需资源不足，最终瘫痪。由此可见，后端的系统相关性相当复杂，想要通过规则方法直接分析出故障产生的原因几乎不可能。故障产生的次数虽然稀少，但是并不是无规律可循，根据银行方面的经验，在故障发生之前往往系统会产生一些异常的状态，而系统的状态往往比故障更加容易监测，可以通过实时的监测分析系统的参数，从而预测故障将会何时发生，这也是人工智能中的一个重要的研究领域。

一个准确的故障预测可以在故障发生之前提前给人们做出警告，从而可以使用例如故障排查、数据备份以及软件硬件设备重启等恰当的方式进行应对。评价一个系统的稳定性可以从可靠性和可用性两个指标来评价。这里可靠性是指系统发生故障的几率，对于银行系统来说可靠性往往是很高的，即极少的情况会发生故障，因此从可靠性的角度很难对系统的性能做出一个提升；而可用性是指故障后，系统恢复所需要的时间的长短，这个性能指标在实际使用的过程中也是十分重要的。通过故障预测方法可以提前预测采取对应措施，从而在一定的可靠性的条件下，加速系统恢复速度，提升系统的可用性，改善系统性能。另一方面，既然知道了和故障相关的一些系统参数，那么就可以通过对这些参数进行人为限制和调整，从而预先的避免故障的发生，在一定的程度上提高系统的可靠性。

另一方面如果故障已经发生，就需要寻找一种方法来排除故障，首先可以直接重启机器，或者可以检测故障发生的位置解决造成故障的问题等等。这些方法之间的选择和很多因素有关，但最主要的是在故障发生的过程中银行会损失的交易量的多少。如果当前是一个交易的高峰期，那么往往会选择直接重启系统，使得系统尽快恢复；如果当前交易并不那么密集，就可以选择逐一排除，找到故障源头分析故障原因，尝试避免同样的故障下次发生。由于银行系统的私密性，因此很难找到针对于银行交易系统的故障预测相关文献。但是故障预测这个问题一直是人工智能领域的一个大方向。其中TPS(每秒事物处理量)不但有助于银行故障预测而且对于发生故障后的银行后台恢复有重要作用。因此，如何预测TPS交易事件趋势显得尤为重要。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种银行后台TPS交易事件趋势预测方法。该方法不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议。

本发明的另一个目的在于提出一种银行后台TPS交易事件趋势预测系统。

为了实现上述目的，本发明的第一方面的实施例公开了一种银行后台TPS交易事件趋势预测方法，包括以下步骤：获取银行后台交易数据，并从所述银行后台交易数据提取TPS数据及其特征，其中，所述TPS数据特征指从所述银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征；选择随机森林模型，并根据所述TPS数据训练所述随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型；向所述TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测；以及以图像化形式显示TPS交易事件趋势预测结果。

根据本发明实施例的银行后台TPS交易事件趋势预测方法，可利用历史银行后台交易数据(如一周内)，预测出接下来诸如：24小时，每隔5分钟的平均TPS。并通过展示TPS交易事件趋势，不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议，也就是说，能帮助商业银行改善后台服务，也能在银行发生故障后对于故障快速恢复提供建议。

另外，根据本发明上述实施例的银行后台TPS交易事件趋势预测方法还可以具有如下附加的技术特征：

在一些示例中，其中，所述多种相关信息至少包括：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

在一些示例中，所述随机森林模型包括多个决策树模型，所述决策树模型通过如下公式得到，所述公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

在一些示例中，通过特征选择法从所述银行后台交易数据提取每个时刻的TPS数据特征。

本发明第二方面的实施例公开了一种银行后台TPS交易事件趋势预测系统，包括：数据预处理模块，用于从银行后台交易数据提取TPS数据及其特征，其中，所述TPS数据特征指从所述银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征；回归模块，用于选择随机森林模型，并根据所述TPS数据训练所述随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型，以及向所述TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测；以及图形用户界面，用于以图像化形式显示TPS交易事件趋势预测结果。

根据本发明实施例的银行后台TPS交易事件趋势预测系统，可利用历史银行后台交易数据(如一周内)，预测出接下来诸如：24小时，每隔5分钟的平均TPS。并通过展示TPS交易事件趋势，不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议，也就是说，能帮助商业银行改善后台服务，也能在银行发生故障后对于故障快速恢复提供建议。

另外，根据本发明上述实施例的银行后台TPS交易事件趋势预测系统还可以具有如下附加的技术特征：

在一些示例中，其中，所述多种相关信息至少包括：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

在一些示例中，所述随机森林模型包括多个决策树模型，所述决策树模型通过如下公式得到，所述公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

在一些示例中，所述数据预处理模块通过特征选择法从所述银行后台交易数据提取每个时刻的TPS数据特征。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是根据本发明一个实施例的银行后台TPS交易事件趋势预测方法的流程图；

图2是根据本发明一个实施例的银行后台TPS交易事件趋势预测方法的详细流程图；

图3是根据本发明一个实施例的银行后台TPS交易事件趋势预测方法中关于银行后台交易数据的特征提取方法示意图；

图4是根据本发明一个实施例的银行后台TPS交易事件趋势预测方法的TPS交易事件预测结果的展示图；

图5是根据本发明一个实施例的银行后台TPS交易事件趋势预测系统的总体架构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

以下结合附图描述根据本发明实施例的银行后台TPS交易事件趋势预测方法及系统。

图1是根据本发明一个实施例的银行后台TPS交易事件趋势预测方法的流程图。如图1所示，并结合图2和图3，根据本发明一个实施例的银行后台TPS交易事件趋势预测方法，包括如下步骤：

步骤S101：获取银行后台交易数据，并从银行后台交易数据提取TPS数据及其特征，其中，TPS数据特征指从银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征。其中，多种相关信息包括但不限于：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

具体地说，可利用特征提取方法从大型商业银行后台交易数据中获取以5分钟为间隔的TPS数据，以便进行回归模型训练。TPS数据主要是大型商业银行后台所有交易及其发生时间，通过抽取有用的信息，诸如：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况来表示间隔特征。通过该步骤可以形成TPS交易事件趋势预测模型的数据集。

在一些示例中，可通过特征选择法从银行后台交易数据提取每个时刻的TPS数据特征。

其中，特征提取方法包括以下几种：

主成分分析法(Principal Component Analysis,PCA)，主要思想是将数据点重新在新的坐标系(主成分)上进行投影，通过最大化投影后的数据点之间方差，优化目标如以下公式所示：

$W_k=\arg \mathrm{ma}{x}_{\left|\right|W\left|\right|=1}\left\{{\left|\right|{\hat{X}}_{k-1}W\left|\right|}^2\right\},$

其中表示删除前k维主成分影响后的数据集，Wk表示第k个主成分方向。

由此，可以寻找数据划分离散度最大的维度。不断的重复这个过程，每次找到一个主成分，就将这个主成分对数据的影响暂时消除，如以下公式所示：

${\hat{X}}_k=X-{\mathrm{\Σ}}_{s=1}^k{\mathrm{XW}}_s{W_s}^T,$

其中X表示原始数据集。

这样，对于D维的数据空间，最终可以找出D个投影维度，根据主成分求解方法可以知道，可以通过适当保留前若干个主成分完成降维工作。

特征选择法(Features Selection)，基本不改变原始数据集，只是从中抽取有用的维度子空间来完成降维。

而逐步向前特征选择法是最简单高效的一种特征选择方法，其主要流程可以用以下几个步骤说明：

1、初始特征空间为空。

2、每次挑选一个特征，使得在当前情况下加入特征空间后训练的分类器能得到最高的准确率，将这个特征加入特征空间。

3、重复第2步，直到选择了足够维度的特征。

步骤S102：选择随机森林模型，并根据TPS数据训练随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型。其中，随机森林模型包括多个决策树模型，决策树模型通过如下公式得到，公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

具体而言，选择随机森林模型对于输入的训练集进行模型训练。随机森林是一种集成学习模型，是结合了Bootstrap采样方法、特征选择、Bagging训练方法、决策树模型而成的一种综合性的模型。决策树模型选用的C4.5决策树模型，而C4.5决策树主要用于分类问题，通过修改分类信息增益的计算方法，由此就得到一颗用于回归预测的决策树。

随机森林模型的训练包括以下几个步骤：

1、对于输入的N个原始样本，采用随机抽取有放回的方式采样，得到新的N个样本。

2、使用采样的到的N个样本训练决策树，假设样本有M维的属性，那么在节点需要分裂的时候，从中随机抽取出M维的属性，根据C4.5的规则进行分裂。

3、在构造决策树的过程中，每个节点都需要按照第2步的规则进行分裂，最终形成一棵决策树。

4、不断重复1～3步骤，直到得到了需要数目的决策树，就构成了随机森林。

在上述示例中，由于随机森林实质上是多棵决策树的组合，因此先介绍决策树模型。

决策树是一种由根到叶子逐级形成分类模型，每个节点选择对当前划分程度最好的一个维度的特征对样本进行分类，具体选择方法根据决策树的版本不同而有所不同，本文中采用的是C4.5决策树的分裂方法，具体如下：

$\mathrm{Entropy}\left(S\right)={\mathrm{\Σ}}_{i=1}^c-p_i{\log }_2{p}_i,$

$(S,A)=\mathrm{Entropy}\left(S\right)-{\mathrm{\Σ}}_{v\∈\mathrm{Values}}\left(A\right)\frac{\left|S_V\right|}{\left|S\right|}\mathrm{Entropy}\left(S\right),$

$\mathrm{SplitInformation}(S,A)=-{\mathrm{\Σ}}_{i=1}^c\frac{\left|S_i\right|}{\left|S\right|}{\log }_2\frac{\left|S_i\right|}{\left|S\right|},$

$\mathrm{GainRatio}(S,A)=\frac{\mathrm{Cain}(S,A)}{\mathrm{SplitInformation}(S,A)},$

其中，pi是S中属于i类的比例，A是样本的属性，Values(A)是属性A的值域，Sv是S中A属性等于v的样本数目。

经典的ID3决策树算法使用信息增益Gain(S,A)来评估选择划分属性，但是使用中会发现使用这种评价指标，算法会偏向选择取值较多的属性。为了修正这个缺点，Quilan提出了一个ID3的改进C4.5算法，使用信息增益率GainRatio(S,A)来选取划分属性，提高了决策树的准确性。

步骤S103：向TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测。

可以看出随机森林是决策树的集合体，在做测试的时候，只要对每棵决策树分别进行测试，测试的结果由每棵决策树投票得到。

对于评价回归模型的方法，可根据商业银行数据的特点：营业高峰期时每秒交易量可能有成千上万笔，而在凌晨时分可能5分钟内只有两三笔交易。使用了绝对误差与相对误差结合的方式进行评价。具体是当交易量低于某个阈值时，我们采用绝对误差来评判：

Δ=X-L，

其中X是预测值，L是实际的每秒事务处理量，在交易量高于某个阈值时，可以使用相对误差：

$\mathrm{\δ}=\frac{\left|\mathrm{\Δ}\right|}{L}*100\%.$

步骤S104：以图像化形式显示TPS交易事件趋势预测结果。

在回归随机森林模型训练完成后，可以输入测试集数据进行TPS交易事件趋势预测，例如以可视化的形式将TPS预测趋势变化图展示出来的方法。展示结果如图4所示。

根据本发明实施例的银行后台TPS交易事件趋势预测方法，可利用历史银行后台交易数据(如一周内)，预测出接下来诸如：24小时，每隔5分钟的平均TPS。并通过展示TPS交易事件趋势，不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议，也就是说，能帮助商业银行改善后台服务，也能在银行发生故障后对于故障快速恢复提供建议。

本发明的进一步的实施例还提供了一种银行后台TPS交易事件趋势预测系统，包括：数据预处理模块，用于从银行后台交易数据提取TPS数据及其特征，其中，所述TPS数据特征指从所述银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征，例如通过特征选择法从所述银行后台交易数据提取每个时刻的TPS数据特征。回归模块，用于选择随机森林模型，并根据所述TPS数据训练所述随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型，以及向所述TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测。图形用户界面，用于以图像化形式显示TPS交易事件趋势预测结果。

在上述示例中，多种相关信息至少包括：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

在本发明的一个实施例中，随机森林模型包括多个决策树模型，决策树模型通过如下公式得到，公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

结合图5所示，本发明实施例的银行后台TPS交易事件趋势预测系统，首先是系统的准备阶段；其次是系统的使用阶段。在系统准备阶段，主要需要完成后台的银行TPS数据分析。首先，系统针对某些特定时段内的银行后台交易量数据，提取以5分钟为间隔的时刻特征，然后进行随机森林回归模型的训练，得到训练后的随机森林模型。在系统的使用阶段，用户可以使用系统对24小时内的TPS交易事件趋势进行预测，系统以可视化的形式展现结果，发现银行后台TPS交易事件的趋势和增幅情况。该系统的分析结果不仅能给银行后台提供参考，并且可以协助银行发生故障后的快速故障处理。

如图5所示，该银行后台TPS交易事件趋势预测系统可以分成三大主要层次，顶层是用户界面模块；中间是随机森林回归模型模块；底层是数据预处理功能模块。

用户界面模块主要是给TPS交易事件趋势预测系统的使用者提供一个图形化的友好的用户操作界面，以方便用户进行TPS交易事件趋势预测。

随机森林回归模型模块提供了整个系统的回归模型训练、预测接口，和可视化的TPS趋势预测展示。

底层功能模块主要是特征提取，包括如下相关信息：1)当前交易情况：将当天前5分钟、10分钟、1个小时的交易平均律作为特征；2)当天日期星期：由于月初月中月末，以及周一至周五和周末节假日之间交易曲线都可能有很大不同；3)往日交易情况：取上一周的特征数据作为往日同期特征；4)当日交易的增幅情况：使用当日交易量之间的差分。将这4个相关信息链接成这个时刻的特征。

该银行后台TPS交易事件趋势预测系统的具体实现方式与本发明的方法部分类似，为了减少冗余，不做赘述。

根据本发明实施例的银行后台TPS交易事件趋势预测系统，可利用历史银行后台交易数据(如一周内)，预测出接下来诸如：24小时，每隔5分钟的平均TPS。并通过展示TPS交易事件趋势，不仅能给银行的后台服务改进提供参考，也能对银行故障排除方法的决策给出建议，也就是说，能帮助商业银行改善后台服务，也能在银行发生故障后对于故障快速恢复提供建议。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明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必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种银行后台TPS交易事件趋势预测方法，其特征在于，包括以下步骤：

获取银行后台交易数据，并从所述银行后台交易数据提取TPS数据及其特征，其中，所述TPS数据特征指从所述银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征；

选择随机森林模型，并根据所述TPS数据训练所述随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型；

向所述TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测；以及

以图像化形式显示TPS交易事件趋势预测结果。

2.根据权利要求1所述的银行后台TPS交易事件趋势预测方法，其特征在于，其中，所述多种相关信息至少包括：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

3.根据权利要求1所述的银行后台TPS交易事件趋势预测方法，其特征在于，所述随机森林模型包括多个决策树模型，所述决策树模型通过如下公式得到，所述公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

4.根据权利要求1-3任一项所述的银行后台TPS交易事件趋势预测方法，其特征在于，通过特征选择法从所述银行后台交易数据提取每个时刻的TPS数据特征。

5.一种银行后台TPS交易事件趋势预测系统，其特征在于，包括：

数据预处理模块，用于从银行后台交易数据提取TPS数据及其特征，其中，所述TPS数据特征指从所述银行后台交易数据中抽取的多种相关信息链接而形成的每个时刻的特征；

回归模块，用于选择随机森林模型，并根据所述TPS数据训练所述随机森林模型以得到训练完成的TPS交易事件趋势预测回归模型，以及向所述TPS交易事件趋势预测回归模型输入测试集数据以进行TPS交易事件趋势预测；以及

图形用户界面，用于以图像化形式显示TPS交易事件趋势预测结果。

6.根据权利要求5所述的银行后台TPS交易事件趋势预测系统，其特征在于，其中，所述多种相关信息至少包括：当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况。

7.根据权利要求5所述的银行后台TPS交易事件趋势预测系统，其特征在于，所述随机森林模型包括多个决策树模型，所述决策树模型通过如下公式得到，所述公式为：

P_lVar(Y_l)+P_rVar(Y_r)，

其中，P_l为左子树的叶子个数，P_r为右子树的叶子个数，Var表示求方差，Y_l为左子树的所有标签，Y_r为右子树的所有标签。

8.根据权利要求5-7任一项所述的银行后台TPS交易事件趋势预测系统，其特征在于，所述数据预处理模块通过特征选择法从所述银行后台交易数据提取TPS数据。