CN109816137A - 一种交易量监测方法及装置 - Google Patents
一种交易量监测方法及装置 Download PDFInfo
- Publication number
- CN109816137A CN109816137A CN201711408811.5A CN201711408811A CN109816137A CN 109816137 A CN109816137 A CN 109816137A CN 201711408811 A CN201711408811 A CN 201711408811A CN 109816137 A CN109816137 A CN 109816137A
- Authority
- CN
- China
- Prior art keywords
- trading volume
- moment
- monitored
- prediction
- monitoring device
- 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.)
- Withdrawn
Links
Abstract
本申请公开了一种交易量监测方法及装置,所述方法包括:监测设备获取监测对象在第一时刻至待监测时刻的K个交易量;K大于0;所述监测设备根据所述K个交易量,确定N个预测交易量;N小于或等于K;所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;所述监测设备若确定所述变化值超过预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
Description
技术领域
本申请涉及电子商务领域,尤其涉及一种交易量监测方法及装置。
背景技术
随着信息技术的不断发展,基于银行卡业务的金融系统的逻辑越来越复杂、环节也越来越多,涉及的交易渠道、种类、领域均日新月异,数据量也呈现出千万级的增长趋势,及时发现、解决银行卡实时交易信息系统出现的异常有着不可或缺的重要意义。
目前,交易量、产品维度、业务场景的快速增加,当前的监控系统处理方法灵活度不够,尤其针对不同时间段、不同地域交易变化频率较高的业务规律,监控规则覆盖面不够,导致无法得到及时、有效监控,从而对新出现的异常情况产生漏报、误报、延时报警的情况。
发明内容
本申请实施例提供一种交易量监测方法及装置,用以提高判异的准确性和效率。
本申请实施例提供一种交易量监测方法,包括:
监测设备获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
所述监测设备根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;
所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;
所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;
所述监测设备若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
一种可能的实现方式,所述监测设备根据所述N个交易量,确定N个预测交易量,包括:
针对所述N个预测交易量中的第i个预测交易量,所述监测设备将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量;所述i为大于0,且小于或等于N的正整数。
一种可能的实现方式,所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值,包括:
所述监测设备根据所述N个交易量中所述第二时刻至第三时刻的对应的a个交易量与所述第三时刻至所述待监测时刻对应的a个预测交易量,确定第一残差平均值和标准差;所述第三时刻位于第二时刻与所述待监测时刻之间;所述监测设备根据所述N个交易量中所述第三时刻至所述待监测时刻的b个交易量与所述第三时刻至所述待监测时刻的b个预测交易量,确定第二残差平均值;所述a,b为大于0,且小于或等于N的正整数;所述监测设备将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值。
一种可能的实现方式,所述监测设备若确定所述变化值超过预设阈值,则根据所述待监测时刻的预测交易量确定所述待监测时刻的交易量是否出现异常,包括:
所述监测设备若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
一种可能的实现方式,所述方法还包括:
所述监测设备若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的监测对象的交易量未出现异常。
一种可能的实现方式,所述方法还包括:
所述监测设备若确定所述监测对象的交易量出现异常,则所述监测设备向所述监测对象发送异常告警。
本申请实施例提供一种交易量监测装置,包括:
收发单元,用于获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
处理单元,用于根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;确定所述N个交易量与所述N个预测交易量之间的变化值;若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
一种可能的实现方式,所述处理单元具体用于:
针对所述N个预测交易量中的第i个预测交易量,将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量;所述i为大于0,且小于或等于N的正整数。
一种可能的实现方式,所述处理单元用于:
根据所述N个交易量中所述第二时刻至第三时刻的对应的a个交易量与所述第三时刻至所述待监测时刻对应的a个预测交易量,确定第一残差平均值和标准差;所述第三时刻位于第二时刻与所述待监测时刻之间;
根据所述N个交易量中所述第三时刻至所述待监测时刻的b个交易量与所述第三时刻至所述待监测时刻的b个预测交易量,确定第二残差平均值;所述a,b为大于0,且小于或等于N的正整数;将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值。
一种可能的实现方式,所述处理单元用于:
若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
一种可能的实现方式,所述处理单元还用于:
若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的监测对象的交易量未出现异常。
一种可能的实现方式,所述收发单元还用于:若确定所述监测对象的交易量出现异常,则向所述监测对象发送异常告警。
本申请实施例中,监测设备获取第一时刻至待监测时刻的监测对象的K个交易量确定N个预测交易量;所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;所述监测设备若确定所述变化值超过预设阈值,则根据所述待监测时刻的预测交易量确定所述待监测时刻的监测对象的交易量是否出现异常。因此,相较于现有技术中仅根据历史交易进行判异的方法,根据历史交易生成预测交易量,并根据近期交易量与预测交易量的变化以及当前监测时刻的交易量的变化情况综合判断,解决了对于不同时间段、不同地域交易变化频率较高的业务很容易出现误判的问题,更适应于变化日益增加的业务规律,提高了异常判断的准确性。
附图说明
图1为本申请实施例中一种交易量监测方法流程图;
图2为本申请实施例中一种交易量监测方法流程图;
图3为本申请实施例中一种交易量监测装置的结构示意图。
具体实施方式
本申请实施例中,所述监测对象可以是进行金融业务的银行、商户等,也可以是银行卡、支付卡、优惠卡、积点卡等可以进行金融业务往来的磁条卡或芯片卡,也可以为类似银行卡实时交易的行业应用监控服务,或者为可以发起或接收金融业务的软件终端等。例如,可以为工商银行、携程等互联网行业、传统POS机的后台或客户端等。本申请实施例根据监测对象上报的交易量对上述的监测对象进行监测,若发现异常,则向监测对象发出告警。
例如,若所述监测对象为商业银行,其职责是通过存款、贷款、汇兑、储蓄等业务,承担信用中介的金融机构。客户在商业银行办理存款、贷款、汇兑、储蓄等业务均会与商业银行产生交易,各商业银行根据其业务量大小,交易量也会有所不同。商业银行均会对其交易量进行监测,对交易量进行监测的目的很多,比如了解相关业务的开展情况、确定银行发展方向、判断银行各系统是否正常工作等。其中,通过判断当前交易量是否处在正常水平,进而判断银行的各系统是否正常工作,及时发现各系统可能存在的问题,以提高银行各系统运行的稳定性是银行对交易量进行监测的主要目的之一。例如:若通过监测交易量发现当前交易量陡然下降,大大低于历史同期的交易量,则应该产生报警,提醒相关技术人员确认银行的交易处理相关系统是否正常工作。
现有技术中,一种方案是根据历史同期的交易量均值来预估当前交易量,当预测交易量与当前交易量产生较大偏差时,则认为相关系统可能产生问题,应该进行异常报警。根据历史交易量均值进行异常监测,只考虑了历史的交易量,未结合近期的即时交易量进行综合考量,而且预测交易量的计算只是简单的求平均,无法达到精准预测的目的,遇到类似“双11”等节日促销活动,势必造成大量的误报警;另一种方案是根据历史交易量进行置信区间概率估计,将当前时刻交易量与计算得出的预测交易量进行比较,该方法只是简单的阈值比较,在交易量较大时较为有效,但交易量较小时会出现较多的误报警。对于根据历史数据进行置信区间概率估计的异常监测,也只考虑了历史的交易量,未结合近期的即时交易量进行综合考量,遇到类似“双11”等节日促销活动,也会导致大量的误报警。
本申请实施例提供一种交易量监测方法,流程如图1所示,方法可以包括如下步骤:
步骤101:监测设备获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
步骤102:所述监测设备根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;
步骤103:所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;
步骤104:所述监测设备若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
在步骤102中,为提高商业银行交易量监测异常报警模型报警的准确率,预测交易量需能够准确的预测待监测时刻的交易量,通过所述监测对象在历史交易量的分析,可以发现对银行交易量的时间序列既以天为单位的周期性波动,又呈现一定的线性增长特性。例如,以一天为周期,所述监控对象在一天中各个时段的交易量不同,在每个时段的系统出现异常的频率也不同。例如,在白天,所述监控对象的交易量较大,而到了夜晚,所述监控对象交易量很少。银行交易量整体呈现增长趋势。因此,该交易量呈现时间序列的特点:趋势和周期性。其中,趋势描述的是时间序列的整体走势,比如总体上升或者总体下降。根据该特性,可以采用对应的算法确定所述监测对象的预测交易量。例如,可以使用三次指数平滑(Holt-Winters)算法对交易量进行预估。基于该时间序列当前已有的数据来预测其在之后的走势,Holt-Winters算法可以很好的进行时间序列的预测。Holt-Winters算法是一种时间序列的预测模型,该模型主要涉及三个参数:水平项、趋势项和周期项。当前时刻的预测交易量是由历史的水平、趋势、周期因素和干扰项确定的。
在步骤102中,本申请实施例可以根据所述N个交易量,根据Holt-Winters算法确定所述N个交易量的预测交易量。
针对所述N个预测交易量中的第i个预测交易量,所述监测设备将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量。
为提高预测精度,本申请实施例可以根据以下方式确定所述N个预测交易量:
步骤一、所述监测设备获取所述监测对象在第一时刻至待监测时刻的K个交易量;K大于或等于N;所述第二时刻在所述第一时刻之后;
步骤二、所述监测设备根据所述K个交易量,确定所述N个预测交易量。
举例来说,所述N个预测交易量可以通过Holt-Winters算法,根据所述第一时刻至所述待监测时刻、时间粒度为1分钟的对应的K个交易量确定;
具体的,所述N个预测交易量中的第i个预测交易量为根据所述第二时刻至所述第i个预测交易量对应的时刻之间的交易量,确定所述Holt-Winters模型中的水平项、趋势项和周期项确定第i个预测交易量;每增加一个时刻的交易量,参与确定所述Holt-Winters模型的数据就增加一个;所述i为大于0,且小于或等于N的正整数。
所述待监测时刻的预测交易量为将所述第一时刻至所述待监测时刻之间的交易量作为Holt-Winters模型的输入进行计算,其输出结果为所述待监测时刻的预测交易量。
所述第二时刻至待监测时刻可以为从待监测时刻之前的15分钟至所述待监测时刻、时间粒度为1分钟对应的N个交易量,所述N个预测交易量中包括所述待监测时刻的预测交易量。所述第一时刻可以为从待监测时刻之前的40天对应的时刻。
再例如,若所述监测设备根据从10天至待监测时刻的交易量确定的预测交易量的误差较大,则可以根据以下方式确定选择第一时刻至待监测时刻的时长:待检测时刻的前n天至所述待监测时刻的交易量时间序列,所述n>=10。此处,为提高预测的准确度,应根据实际需要调整第一时刻至待监测时刻的K个交易量,以保证使用Holt-Winters得出的预测交易量与交易量准确度满足要求。当然,还可以根据实际应用场景确定所述第一时刻、所述第二时刻至待监测时刻的时长,以及时间粒度,在此不再赘述。
为了能够更加准确的判断出当前交易量是否异常,预测出待检测时刻的预测交易量后,所述监测设备还需要将待监测时刻的预测交易量与交易量进行比较,判断该时刻交易量是否异常。
在步骤103中,一种可能的实现方式,所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值,可以根据以下方式确定:
步骤一、所述监测设备根据所述N个交易量中第一时刻至第三时刻对应的a个交易量与第一时刻至第三时刻对应的a个预测交易量,确定第一残差平均值和标准差;
步骤二、所述监测设备根据所述N个交易量中的第三时刻至待监测时刻对应的交易量与第三时刻至待监测时刻对应的b个预测交易量,确定第二残差平均值;
步骤三、所述监测设备将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值;所述a+b=N,所述a,b为大于0,且小于或等于N的正整数。
其中,所述第一残差平均值为所述a个交易量与所述a个预测交易量的a个残差的平均值,所述残差为a个交易量与a个预测交易量的差值。所述第二残差平均值为所述b个交易量与所述b个预测交易量的b个残差的平均值。
举例来说,可以包括以下步骤:
步骤一、所述监测设备根据待监测时刻之前的15分钟至待监测时刻,前12分钟对应的12个交易量与前12分钟对应的12个预测交易量,确定第一残差平均值A1和标准差B;
步骤二、所述监测设备根据待监测时刻之前的15分钟至待监测时刻,后3分钟对应的3个交易量与后3分钟对应的3个预测交易量,确定第二残差平均值A2;
步骤三、所述监测设备确定待监测时刻之前的15分钟至待监测时刻的交易量的变化值为T=|A1-A2|/|B|。
步骤104中,所述第一预设阈值是可调参数,所述第一预设阈值越小,所述监测设备监测所述变化值的灵敏度越高。
在具体实施过程中,为保证所述监测设备在进行比较所述变化值与所述第一预设阈值时,可能出现溢出,无法得到正确的结果。可以根据T=|A1-A2|/|B|的变形公式比较。例如,若所述A1、A2和B满足以下公式|A1-A2|≥T×|B|时,则确定所述变化值超过所述第一预设阈值。
一种可能的实现方式,所述监测设备确定所述变化值超过第一预设阈值之后,需要根据所述待监测时刻的预测交易量判断所述待监测时刻的交易量是否出现异常,具体包括:
所述监测设备若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
例如,当所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过20%时,所述监测设备判断所述待监测时刻的交易量与预测交易量的差值的绝对值是否大于1000笔,若是,则所述监测设备确定所述待监测时刻的交易量出现异常。
所述监测设备根据误差绝对值是否超过第三预设阈值确定可能的异常点。所述第二预设阈值、所述第三预设阈值与不同的监测对象相关,可以通过对历史交易数据的测试确定,也可以根据实际应用中反馈的异常确定。
一种可能的实现方式,可以根据不同监测对象的交易量和预测交易量的准确率,通过多次实验获得可接受的阈值。例如,以一天为一个周期,所述监控对象在一天中各个时段的交易量不同,在每个时段的系统出现异常的频率也不同。例如,在白天,所述监控对象的交易量较大,比较容易出现系统异常,而到了夜晚,所述监控对象交易量很少,则出现系统异常的可能较小。因此,可以根据时段确定不同的阈值。
一种可能的实现方式,可以根据残差的离散程度确定所述第二预设阈值和所述第三预设阈值。一个监测对象的交易量的时间序列的方差表示该时间序列离散的程度,方差越大表明该时间序列波动越大。如果一个交易量的残差时间序列的方差比较大,则所述第二预设阈值应设置为较大值,以避免误报。例如,所述监测设备若确定所述监测对象的交易量的时间序列的波动较大,此时所述监测对象应当设置较大的第二预设阈值。若监测对象的交易量的时间序列的波动较小,此时针对所述监测对象应当设置较小的第二预设阈值。
另外,不同监测对象在不同的时间的交易量相差较大,因此仅判断交易量的残差的相对值,容易导致误判。例如,A银行当前时刻的交易量约为1000笔,B银行的当前时刻的交易量约为100笔,此时,若仅判断相对值的残差,很容易出现误判。例如,A银行和B银行都出现了20笔交易量的残差,但是此时A银行的相对误差仅为2%,B银行的相对误差为20%,若仅按照相对误差的判断,B银行的相对误差超过了所述第二预设阈值,但是,此时B银行不一定出现了系统异常。因此,还需根据交易量的绝对误差进行共同判断。本申请实施例中,只有交易量的残差的相对值和绝对值均超过对应的阈值时,才确定所述交易量出现异常。
一种可能的实现方式,所述交易量异常还可以包括无交易量上报等情况。
一种可能的实现方式,所述监测设备若确定所述监测对象在预定时间内无交易量上报,步骤104中还可以包括:
所述监测设备若预定时间内所述监测对象的交易量小于或等于第四预设阈值,则确定所述监测对象的交易量出现异常。
在具体实施过程中,可以将所述第四预设阈值设为0,即监测对象在预设视角内无交易量上报,则确定监测对象的交易量出现异常。
所述监测设备确定监测对象的交易量出现异常之后,需向监测对象发出异常告警,则步骤104中,还可以包括:
所述监测设备向所述监测对象发送异常告警。
进一步地,为了根据实际情况和需求提高交易量的报警的准确度,接收监测对象的反馈之后,还可以包括:
所述监测设备接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报;
所述监测设备根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的准确率;
所述监测设备若向所述监测对象发送异常告警的准确率小于准确率的下限阈值,则重新确定所述第一预设阈值、所述第二预设阈值或所述第三预设阈值。
本申请实施例将得到的判异结果,通过告警的方式通知相关方面,例如,可通过短信、网页、指示灯等方式向监测对象或对监测对象进行监测的人员进行展示和告警。例如,若监测对象的交易量出现异常,会产生如下告警:“**银行:在2017年04月20日22:19:39时出现交易异常;15分钟内交易量变化值:25%;当前时刻交易量的相对误差超过第二预设阈值:20%,在交易量的残差超过第三预设阈值1000笔”。对产生的告警,监控人员可以根据告警内容,触发事件管理流程,将告警信息推送至客户,并沟通异常原因。然后对是否异常进行验证。若确认异常则启动应急恢复流程;若对方反馈无异常,并经双方检查、核实后确定为误报。
一种可能的实现方式,所述方法还包括:
所述监测设备若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的交易量未出现异常。
本申请实施例提出的一种交易量监测方法,综合利用历史同期交易量和近期内的即时交易量并利用合理的算法进行预估,获得了较为准确的预估值,然后从离散度和阈值两个方面综合判断待判断时刻交易量是否异常,提高了判断的准确性。本申请实施例综合考虑了历史数据与当前即时数据,从而计算出更为准确的预测交易量。并根据特定的算法来比较预测交易量和交易量,以更加准确的判断出当前交易量是否属于异常。
为了更清楚地理解本申请,下面以具体的实施例对上述流程进行详细描述,具体步骤如图2所示,包括:
步骤201、监测设备获取监测对象在第一时刻至待监测时刻的K个交易量;
步骤202、根据所述K个交易量,确定K个预测交易量;
步骤203、根据所述K个预测交易量,确定所述监测对象在第二时刻至待监测时刻的N个预测交易量;
步骤204、所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;
步骤205、所述监测设备判断若所述变化值超过第一预设阈值,若是,则执行步骤206;否则执行步骤210;
步骤206、所述监测设备判断所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差是否超过第二预设阈值,若是,则执行步骤207,否则,执行步骤210;
步骤207、所述监测设备判断所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,若是,则执行步骤208,否则,执行步骤210;
步骤208、所述监测设备确定所述监测对象在所述待监测时刻的交易量出现异常;
步骤209、向所述监测对象发送异常告警。
步骤210、所述监测设备确定监测对象的交易量未出现异常。
基于相同的技术构思,本申请实施例还提供一种交易量监测装置,如图3所示,包括:
如图3所示,本申请实施例提供一种交易量监测装置,包括:
收发单元301,用于获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
处理单元302,用于根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;确定所述N个交易量与所述N个预测交易量之间的变化值;若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
一种可能的实现方式,处理单元302具体用于:
针对所述N个预测交易量中的第i个预测交易量,将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量;所述i为大于0,且小于或等于N的正整数。
一种可能的实现方式,处理单元302用于:
根据所述N个交易量中所述第二时刻至第三时刻的对应的a个交易量与所述第三时刻至所述待监测时刻对应的a个预测交易量,确定第一残差平均值和标准差;所述第三时刻位于第二时刻与所述待监测时刻之间;
根据所述N个交易量中所述第三时刻至所述待监测时刻的b个交易量与所述第三时刻至所述待监测时刻的b个预测交易量,确定第二残差平均值;所述a,b为大于0,且小于或等于N的正整数;
将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值。
一种可能的实现方式,处理单元302用于:
若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
一种可能的实现方式,处理单元302还用于:
若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的监测对象的交易量未出现异常。
一种可能的实现方式,收发单元301还用于:若确定所述监测对象的交易量出现异常,则向所述监测对象发送异常告警。
本申请是参照根据本申请实施例的方法、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。
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。
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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种交易量监测方法,其特征在于,包括:
监测设备获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
所述监测设备根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;
所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;
所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值;
所述监测设备若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
2.如权利要求1所述的方法,其特征在于,所述监测设备根据所述N个交易量,确定N个预测交易量,包括:
针对所述N个预测交易量中的第i个预测交易量,所述监测设备将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量;所述i为大于0,且小于或等于N的正整数。
3.如权利要求1所述的方法,其特征在于,所述监测设备确定所述N个交易量与所述N个预测交易量之间的变化值,包括:
所述监测设备根据所述N个交易量中所述第二时刻至第三时刻的对应的a个交易量与所述第三时刻至所述待监测时刻对应的a个预测交易量,确定第一残差平均值和标准差;所述第三时刻位于第二时刻与所述待监测时刻之间;
所述监测设备根据所述N个交易量中所述第三时刻至所述待监测时刻的b个交易量与所述第三时刻至所述待监测时刻的b个预测交易量,确定第二残差平均值;所述a,b为大于0,且小于或等于N的正整数;
所述监测设备将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值。
4.如权利要求1所述的方法,其特征在于,所述监测设备若确定所述变化值超过预设阈值,则根据所述待监测时刻的预测交易量确定所述待监测时刻的交易量是否出现异常,包括:
所述监测设备若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
5.如权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
所述监测设备若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的监测对象的交易量未出现异常。
6.如权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
所述监测设备若确定所述监测对象的交易量出现异常,则所述监测设备向所述监测对象发送异常告警。
7.一种交易量监测装置,其特征在于,包括:
收发单元,用于获取监测对象在第一时刻至待监测时刻的K个交易量;K为大于0的正整数;
处理单元,用于根据所述K个交易量,确定N个预测交易量;K大于或等于N;N为大于0的正整数;所述N个预测交易量为所述监测对象在第二时刻至待检测时刻的N个交易量对应的预测交易量;确定所述N个交易量与所述N个预测交易量之间的变化值;若确定所述变化值超过第一预设阈值,则根据所述待监测时刻的预测交易量确定所述监测对象在所述待监测时刻的交易量是否出现异常。
8.如权利要求7所述的装置,其特征在于,所述处理单元具体用于:
针对所述N个预测交易量中的第i个预测交易量,将所述第一时刻至第i个交易量对应的时刻之间的交易量作为输入的交易量,并根据三次指数平滑法计算所述输入的交易量,输出的第i个交易量对应的时刻的第i个预测交易量;所述i为大于0,且小于或等于N的正整数。
9.如权利要求7所述的装置,其特征在于,所述处理单元用于:
根据所述N个交易量中所述第二时刻至第三时刻的对应的a个交易量与所述第三时刻至所述待监测时刻对应的a个预测交易量,确定第一残差平均值和标准差;所述第三时刻位于第二时刻与所述待监测时刻之间;根据所述N个交易量中所述第三时刻至所述待监测时刻的b个交易量与所述第三时刻至所述待监测时刻的b个预测交易量,确定第二残差平均值;所述a,b为大于0,且小于或等于N的正整数;将所述第一残差平均值与所述第二残差平均值的差值除以所述标准差得到的值作为所述变化值。
10.如权利要求7所述的装置,其特征在于,所述处理单元用于:
若确定所述待监测时刻的交易量与所述待监测时刻的预测交易量的相对误差超过第二预设阈值,且所述待监测时刻的交易量与所述待监测时刻的预测交易量的绝对误差超过第三预设阈值,则确定所述待监测时刻的交易量出现异常。
11.如权利要求7-10任一项所述的方法,其特征在于,所述处理单元还用于:若确定所述变化值未超过所述预设阈值,则确定所述待监测时刻的监测对象的交易量未出现异常。
12.如权利要求7-10任一项所述的方法,其特征在于,所述收发单元还用于:若确定所述监测对象的交易量出现异常,则向所述监测对象发送异常告警。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017215667534 | 2017-11-21 | ||
CN201721566753 | 2017-11-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816137A true CN109816137A (zh) | 2019-05-28 |
Family
ID=66601420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711408811.5A Withdrawn CN109816137A (zh) | 2017-11-21 | 2017-12-22 | 一种交易量监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816137A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189228A (zh) * | 2019-06-24 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN111400155A (zh) * | 2020-03-13 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN113139686A (zh) * | 2021-04-25 | 2021-07-20 | 中国工商银行股份有限公司 | 交易量动态阈值监控方法及装置 |
CN113762569A (zh) * | 2020-10-15 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
-
2017
- 2017-12-22 CN CN201711408811.5A patent/CN109816137A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189228A (zh) * | 2019-06-24 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN111400155A (zh) * | 2020-03-13 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN111400155B (zh) * | 2020-03-13 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN113762569A (zh) * | 2020-10-15 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN113139686A (zh) * | 2021-04-25 | 2021-07-20 | 中国工商银行股份有限公司 | 交易量动态阈值监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816137A (zh) | 一种交易量监测方法及装置 | |
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
US11216816B1 (en) | Identification of anomalous transaction attributes in real-time with adaptive threshold tuning | |
Clements et al. | Modelling interregional links in electricity price spikes | |
CN112231174B (zh) | 异常告警方法、装置、设备及存储介质 | |
Manupati et al. | Recovery strategies for a disrupted supply chain network: Leveraging blockchain technology in pre-and post-disruption scenarios | |
CN108647891A (zh) | 数据异常归因分析方法及装置 | |
US20230023646A1 (en) | Failure Prediction In Distributed Environments | |
CN108550047A (zh) | 交易量的预测方法及装置 | |
US20210097543A1 (en) | Determining fraud risk indicators using different fraud risk models for different data phases | |
KR102011689B1 (ko) | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 | |
US20140108209A1 (en) | Aggregate merchant monitoring | |
CN109509082A (zh) | 银行应用系统的监控方法及装置 | |
CN107481004A (zh) | 交易风险防范系统及方法 | |
US20160247234A1 (en) | Predicting Economic Conditions | |
US20210342825A1 (en) | Blockchain network risk management universal blockchain data model | |
Klößner et al. | Modeling and measuring intraday overreaction of stock prices | |
CN110298741A (zh) | 一种财务欺诈风险识别系统 | |
CN110310123A (zh) | 风险判断方法和装置 | |
CN109934700A (zh) | 一种套现侦测的方法及装置 | |
CN108154427B (zh) | 一种数据检测方法、装置及电子设备 | |
US20180330378A1 (en) | Fraudulent payment detection system | |
Du | Financial crisis early warning based on panel data and dynamic dual choice model | |
JP7357316B2 (ja) | 事象予測装置 | |
US20170109675A1 (en) | Systems and methods for identifyhing and monitoring a supply network using a payment processing network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190528 |
|
WW01 | Invention patent application withdrawn after publication |