CN106022907A - 大型商业银行后台核心交易事件趋势预测方法及其系统 - Google Patents
大型商业银行后台核心交易事件趋势预测方法及其系统 Download PDFInfo
- Publication number
- CN106022907A CN106022907A CN201610319860.0A CN201610319860A CN106022907A CN 106022907 A CN106022907 A CN 106022907A CN 201610319860 A CN201610319860 A CN 201610319860A CN 106022907 A CN106022907 A CN 106022907A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- transaction event
- commercial bank
- tree model
- trend prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003066 decision tree Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种大型商业银行后台核心交易事件趋势预测方法及其系统,方法包括步骤:利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成待训练的训练集;对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的;输入测试集数据,根据所述梯度提升决策树模型进行核心交易事件趋势预测。本发明具有如下优点:能展示核心交易事件趋势,既能帮助商业银行改善后台服务,又能在银行发生故障后对于故障快速恢复提供建议。
Description
技术领域
本发明涉及计算机应用技术与银行领域,具体涉及一种大型商业银行后台核心交易事件趋势预测方法及其系统。
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广泛为人们所使用。据统计截止2013年年底,我国的银行业金融机构共有法人机构3949家,持有的总资产高达151.4万亿元,同比增长13.3%,其中几家巨头,工商银行的客户存款额高达14.62万亿元,建设银行的存款的总量也高达12.22万亿元;关于贷款方面,全国银行的负债总额141.2万亿元[13]。这些贷款关系到普通百姓的购房购车,企业的资金周转,甚至于国家的资金募集;由此看来银行系统作为一个资金集中再分配利用的角色,其重要性不言而喻。虽然随着21世纪一些新兴的金融交易方式的兴起,对银行业务有着不小的冲击,但是银行在金融业中的霸主地位仍然不可撼动。
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,我们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: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,我们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,既然我们知道了和故障相关的一些系统参数,那么我们就可以通过对这些参数进行人为限制和调整从而在预先的避免故障的发生,在一定的程度上提高系统额可靠性。
另一方面如果故障已经发生,我们就需要寻找一种方法来排除故障,首先我们可以直接重启机器,或者我们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,那么我们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,我们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。人们对于系统故障的预测方法研究历史已经超过了30年,随着系统不断的变得复杂,故障预测的方法也在与时俱进的发展,随着近几年的研究,预测故障的方法大致可以归纳成为以下的流程:数据采集、关键特征提取、降维处理、模型训练、算法评价。
其中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。如何预测核心交易事件趋势就成为重要课题。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的第一个目的在于提出一种大型商业银行后台核心交易事件趋势预测方法。
本发明的第二个目的在于提出一种大型商业银行后台核心交易事件趋势预测系统。
为了实现上述目的,本发明的实施例公开了一种大型商业银行后台核心交易事件趋势预测方法,包括以下步骤:S1:利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成待训练的训练集;S2:对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的;以及S3:输入测试集数据,根据所述梯度提升决策树模型进行核心交易事件趋势预测。
根据本发明实施例的大型商业银行后台核心交易事件趋势预测方法,采集大型商业银行之前一周时间的所有交易数据,使用机器学习方法对交易量进行预测,预测出接下来24小时,每隔5分钟的平均每秒事物处理量,展示核心交易事件趋势,既能帮助商业银行改善后台服务,又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大型商业银行后台核心交易事件趋势预测方法,还可以具有如下附加的技术特征:
进一步地,在步骤S1中,抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种。
进一步地,在步骤S2中,所述梯度提升决策树模型的训练包括以下步骤:S211:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本;S212:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂;S213:在构建决策树时,每个节点均按照步骤S212的规则进行分裂,最终形成一棵决策树;以及S214:重复步骤S211至213,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
进一步地,在步骤S2中,还包括步骤:S221:使用均方误差的方法对所述梯度提升决策树模型进行评价。
为了实现上述目的,本发明的实施例公开了一种大型商业银行后台核心交易事件趋势预测系统,包括:数据预处理模块,用于利用利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成核心交易事件趋势预测模型的训练集;核心交易事件趋势预测回归模型训练模块,用于对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的;以及核心交易事件趋势预测结果展示模块,用于输入测试集数据,并根据所述梯度提升决策树模型进行核心交易事件趋势预测。
根据本发明实施例的大型商业银行后台核心交易事件趋势预测系统,采集大型商业银行之前一周时间的所有交易数据,使用机器学习方法对交易量进行预测,预测出接下来24小时,每隔5分钟的平均每秒事物处理量,展示核心交易事件趋势,既能帮助商业银行改善后台服务,又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大型商业银行后台核心交易事件趋势预测系统,还可以具有如下附加的技术特征:
进一步地,所述数据预处理模块抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种。
进一步地,所述梯度提升决策树模型的训练包括以下步骤:SA:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本;SB:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂;SC:在构建决策树时,每个节点均按照步骤SB的规则进行分裂,最终形成一棵决策树;以及重复步骤SA至SC,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
进一步地,所述核心交易事件趋势预测回归模型训练模块还用于使用均方误差的方法对所述梯度提升决策树模型进行评价。
本发明的附加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
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例的大型商业银行后台核心交易事件趋势预测方法的流程图;
图2是本发明一个实施例的大型商业银行后台核心交易事件趋势预测展示示意图;
图3是本发明一个实施例的大型商业银行后台核心交易事件趋势预测系统的结构框图。
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,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述根据本发明实施例的大型商业银行后台核心交易事件趋势预测方法。
请参考图1,一种大型商业银行后台核心交易事件趋势预测方法,包括以下步骤:
S1:利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成待训练的训练集。
在本发明的一个实施例中,抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种,抽取的数据来表示间隔特征。
S2:对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的。
具体地,梯度提升决策树是一种集成学习模型,梯度提升不再要求误差函数是指数误差函数,而可能是任意一种误差函数并使用梯度下降法来最佳化误差函数,所以误差函数必须是平滑的。
在本发明的一个实施例中,在步骤S2中,所述梯度提升决策树模型的训练包括以下步骤:
S211:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本。
S212:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂。其中,C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进:1)用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足;2)在树构造过程中进行剪枝;3)能够完成对连续属性的离散化处理;4)能够对不完整数据进行处理。C4.5算法有如下优点:产生的分类规则易于理解,准确率较高。
S213:在构建决策树时,每个节点均按照步骤S212的规则进行分裂,最终形成一棵决策树。
S214:重复步骤S211至213,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
在本发明的一个实施例中,在步骤S2中,还包括步骤S221:使用均方误差的方法对所述梯度提升决策树模型进行评价。
具体地,本发明实施例中,根据商业银行数据的特点使用均方误差的方法进行评价。在统计学中,均方误差是对于无法观察的参数θ的一个估计函数T;其定义为:
MSE(T)=E((T-θ)2),
其中,E()表示期望值,MSE()表示均方误差,它是"误差"的平方的期望值。误差就是估计值与被估计量的差。均方差满足等式:
MSE(T)=var(T)+(bias(T))2,其中,bias(T)=E(T)-θ,
即偏差bias(T)是估计函数的期望值与那个无法观察的参数的差。
在本发明的一个示例中,假设X1,...,Xn~N(μ,σ2),即X1,...,Xn是一组来自正态分布的样本。常用的两个对σ2估计函数为:和其中,为样本均值。
第一个估计函数为最大似然估计,它是有偏的,即偏差不为零,但是它的方差比第二个小。而第二个估计函数是无偏的。较小的方差某种程度上补偿了偏差,因此第二个估计函数的均方误差比第一个要小。
另外,这两个估计函数的均方误差都比下边这个有偏估计函数小:
这个估计函数使得形如(其中c是常数)的均方误差最小。
S3:输入测试集数据,根据上述梯度提升决策树模型进行核心交易事件趋势预测。如图2所示,以一种以可视化的形式将每秒事物处理量预测趋势变化图展示出来。
以下结合附图描述根据本发明实施例的大型商业银行后台核心交易事件趋势预测系统。
请参考图3,一种大型商业银行后台核心交易事件趋势预测系统,包括数据预处理模块、核心交易事件趋势预测回归模型训练模块和核心交易事件趋势预测结果展示模块。
其中,数据预处理模块利用利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成核心交易事件趋势预测模型的训练集。
在本发明的一个实施例中,数据预处理模块抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种,抽取的数据来表示间隔特征。
核心交易事件趋势预测回归模型训练模块对于输入的训练集,进行训练得到梯度提升决策树模型。其中,所述梯度提升决策树模型中的误差函数是平滑的。
具体地,梯度提升决策树是一种集成学习模型,梯度提升不再要求误差函数是指数误差函数,而可能是任意一种误差函数并使用梯度下降法来最佳化误差函数,所以误差函数必须是平滑的。
在本发明的一个实施例中,梯度提升决策树模型的训练包括以下步骤:
SA:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本;
SB:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂;
SC:在构建决策树时,每个节点均按照步骤SB的规则进行分裂,最终形成一棵决策树;以及
重复步骤SA至SC,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
在本发明的一个实施例中,核心交易事件趋势预测回归模型训练模块还用于使用均方误差的方法对所述梯度提升决策树模型进行评价。
核心交易事件趋势预测结果展示模块,通过输入测试集数据,并根据所述梯度提升决策树模型进行核心交易事件趋势预测。
本发明实施例的大型商业银行后台核心交易事件趋势预测方法及其系统,首先对商业银行后台交易数据的固定模式进行特征提取,针对模型提出了梯度选择决策树模型以及相应的评价系统正确性的方法,最后,针对每秒事物处理量预测结果本发明提出了一套可视化展示核心交易事件趋势预测。
另外,本发明实施例的大型商业银行后台核心交易事件趋势预测方法及其系统的其它构成以及作用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
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、材料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。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同限定。
Claims (8)
1.一种大型商业银行后台核心交易事件趋势预测方法,其特征在于,包括以下步骤:
S1:利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成待训练的训练集;
S2:对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的;以及
S3:输入测试集数据,根据所述梯度提升决策树模型进行核心交易事件趋势预测。
2.根据权利要求1所述的大型商业银行后台核心交易事件趋势预测方法,其特征在于,在步骤S1中,抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种。
3.根据权利要求1所述的大型商业银行后台核心交易事件趋势预测方法,其特征在于,在步骤S2中,所述梯度提升决策树模型的训练包括以下步骤:
S211:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本;
S212:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂;
S213:在构建决策树时,每个节点均按照步骤S212的规则进行分裂,最终形成一棵决策树;以及
S214:重复步骤S211至213,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
4.根据权利要求1或3所述的大型商业银行后台核心交易事件趋势预测方法,其特征在于,在步骤S2中,还包括步骤:
S221:使用均方误差的方法对所述梯度提升决策树模型进行评价。
5.一种大型商业银行后台核心交易事件趋势预测系统,其特征在于,包括:
数据预处理模块,用于利用利用特征提取从大型商业银行后台交易数据中获取以5分钟为间隔的每秒事物处理量数据,形成核心交易事件趋势预测模型的训练集;
核心交易事件趋势预测回归模型训练模块,用于对于输入的训练集,进行训练得到梯度提升决策树模型,其中,所述梯度提升决策树模型中的误差函数是平滑的;以及
核心交易事件趋势预测结果展示模块,用于输入测试集数据,并根据所述梯度提升决策树模型进行核心交易事件趋势预测。
6.根据权利要求5所述的大型商业银行后台核心交易事件趋势预测系统,其特征在于,所述数据预处理模块抽取的数据包括当前交易情况、当前日期星期、往日同期情况和当日交易增幅情况中的一种或多种。
7.根据权利要求6所述的大型商业银行后台核心交易事件趋势预测系统,其特征在于,所述梯度提升决策树模型的训练包括以下步骤:
SA:对于输入的N个原始样本,采用随机抽取又放回的方式采样,得到新的N个样本;
SB:假设所述新的N个样本有M维的属性,在节点需要分裂时,随机抽取出m维的属性根据C4.5算法进行分裂;
SC:在构建决策树时,每个节点均按照步骤SB的规则进行分裂,最终形成一棵决策树;以及
重复步骤SA至SC,直至得到了预设数目的决策树构成所述梯度提升决策树模型。
8.根据权利要求7所述的大型商业银行后台核心交易事件趋势预测系统,其特征在于,所述核心交易事件趋势预测回归模型训练模块还用于使用均方误差的方法对所述梯度提升决策树模型进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319860.0A CN106022907A (zh) | 2016-05-13 | 2016-05-13 | 大型商业银行后台核心交易事件趋势预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319860.0A CN106022907A (zh) | 2016-05-13 | 2016-05-13 | 大型商业银行后台核心交易事件趋势预测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022907A true CN106022907A (zh) | 2016-10-12 |
Family
ID=57100129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610319860.0A Pending CN106022907A (zh) | 2016-05-13 | 2016-05-13 | 大型商业银行后台核心交易事件趋势预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022907A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240676A (zh) * | 2017-07-04 | 2019-01-18 | 台湾大数据分析股份有限公司 | 以可视化组件建立交易策略的方法及其系统 |
CN109410041A (zh) * | 2017-08-17 | 2019-03-01 | 香港智能金融科技有限公司 | 一种由数据驱动的高维度交易员评估方法和系统 |
CN110060147A (zh) * | 2019-04-18 | 2019-07-26 | 广东粤财金融云科技股份有限公司 | 一种基于大数据决策策略进行信贷资产分发处理系统及方法 |
CN115553777A (zh) * | 2022-11-02 | 2023-01-03 | 济南大学 | 一种非接触式精神压力检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
CN104111920A (zh) * | 2013-04-16 | 2014-10-22 | 华为技术有限公司 | 一种基于决策树的预测方法及装置 |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
-
2016
- 2016-05-13 CN CN201610319860.0A patent/CN106022907A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111920A (zh) * | 2013-04-16 | 2014-10-22 | 华为技术有限公司 | 一种基于决策树的预测方法及装置 |
CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240676A (zh) * | 2017-07-04 | 2019-01-18 | 台湾大数据分析股份有限公司 | 以可视化组件建立交易策略的方法及其系统 |
CN109410041A (zh) * | 2017-08-17 | 2019-03-01 | 香港智能金融科技有限公司 | 一种由数据驱动的高维度交易员评估方法和系统 |
CN110060147A (zh) * | 2019-04-18 | 2019-07-26 | 广东粤财金融云科技股份有限公司 | 一种基于大数据决策策略进行信贷资产分发处理系统及方法 |
CN115553777A (zh) * | 2022-11-02 | 2023-01-03 | 济南大学 | 一种非接触式精神压力检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9298538B2 (en) | Methods and systems for abnormality analysis of streamed log data | |
US11748227B2 (en) | Proactive information technology infrastructure management | |
KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US20190079965A1 (en) | Apparatus and method for real time analysis, predicting and reporting of anomalous database transaction log activity | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN106022907A (zh) | 大型商业银行后台核心交易事件趋势预测方法及其系统 | |
CN104778622A (zh) | Tps交易事件阈值的预测方法及预测系统 | |
CN116823233B (zh) | 一种基于全周期运维的用户数据处理方法及系统 | |
CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
Ferraro et al. | A novel approach for predictive maintenance combining GAF encoding strategies and deep networks | |
CN117493068B (zh) | 一种微服务系统根因定位方法、设备及存储介质 | |
Min et al. | Behavior language processing with graph based feature generation for fraud detection in online lending | |
CN112363891B (zh) | 一种基于细粒度事件和KPIs分析的异常原因获得方法 | |
CN114338348A (zh) | 一种智能告警方法、装置、设备及可读存储介质 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN113323699B (zh) | 一种基于数据驱动的液压支架系统故障源精准辨识方法 | |
CN112925668B (zh) | 服务器健康评价方法、装置、设备以及存储介质 | |
CN106487592A (zh) | 一种基于数据立方体的分布式系统故障诊断方法 | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
JP7411724B2 (ja) | システム分析装置及びシステム分析方法 | |
US12056992B2 (en) | Identification of anomalies in an automatic teller machine (ATM) network | |
CN118427578B (zh) | 基于混沌工程的微服务系统数据评估方法、设备及介质 | |
CN117828300B (zh) | 一种基于异常指标时序关系的银行业务根因指标分析方法、系统、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |