CN111095328A - 用于检测和响应于交易模式的系统和方法 - Google Patents
用于检测和响应于交易模式的系统和方法 Download PDFInfo
- Publication number
- CN111095328A CN111095328A CN201880049662.4A CN201880049662A CN111095328A CN 111095328 A CN111095328 A CN 111095328A CN 201880049662 A CN201880049662 A CN 201880049662A CN 111095328 A CN111095328 A CN 111095328A
- Authority
- CN
- China
- Prior art keywords
- transaction
- data
- transaction data
- processors
- actions
- 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 134
- 230000009471 action Effects 0.000 claims abstract description 123
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 11
- 238000013475 authorization Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000010295 mobile communication Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 4
- 230000008685 targeting Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
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
- G06Q40/12—Accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种用于检测和响应于交易模式的系统和方法,包括具有一个或多个处理器的一个或多个服务器、可通信地耦合到一个或多个服务器的一个或多个数据库、以及可通信地耦合到一个或多个服务器的一个或多个远程设备。(多个)处理器引起(多个)服务器:(a)使用存储在一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识该组交易数据中的一个或多个基于时间的模式,(b)将所标识的(多个)基于时间的模式分类为至少两个模式类别,包括重复出现交易和非重复出现交易,(c)为每个模式类别生成一个或多个动作,以及(d)通过引起一个或多个远程设备执行一个或多个动作来响应于所标识的(多个)基于时间的模式。
Description
技术领域
本发明总体上涉及金融分析领域,并且更具体地涉及一种用于检测和响应于交易模式的系统和方法。
背景技术
在不限制本发明的范围的情况下,结合金融分析来描述本发明的背景。
现有技术的金融分析系统和方法经常分析用户的开支并且基于第三方报价或与其他用户的比较来提供推荐。这些推荐可以与预算或开支类别有关。其他系统和方法分析用户的开支以提供有针对性的报价和/或广告。但是,这些系统和方法无法从交易数据中标识重复出现和零星的非重复出现开支的模式,并且无法基于这些模式提供动作。
发明内容
本发明使用原则上的数据科学技术来标识交易数据中的基于时间的模式。这些基于时间的模式可以包括重复出现交易和非重复出现交易。交易数据的频谱分解是一种可能的检测技术。生成并且执行基于这些基于时间的模式的动作。
在本发明的一个实施例中,一种用于检测和响应于交易模式的系统包括具有一个或多个处理器的一个或多个服务器、可通信地耦合到一个或多个服务器的一个或多个数据库、以及可通信地耦合到一个或多个服务器的一个或多个远程设备。一个或多个处理器引起一个或多个服务器:(a)使用存储在一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识该组交易数据中的一个或多个基于时间的模式,(b)将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易,(c)为每个模式类别生成一个或多个动作,以及(d)通过引起一个或多个远程设备执行一个或多个动作来响应于所标识的(多个)基于时间的模式。
在本发明的另一实施例中,一种用于检测和响应于交易模式的计算机化方法包括提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器。由一个或多个处理器使用存储在一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识该组交易数据中的一个或多个基于时间的模式。使用一个或多个处理器将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易。使用一个或多个处理器为每个模式类别生成一个或多个动作。通过引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个动作来响应于所标识的(多个)基于时间的模式。
在本发明的又一实施例中,一种用于检测和响应于交易模式的计算机化方法包括提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器。接收一组交易数据,其中每个交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额。根据该组交易数据创建在一时间段内与数据对相对应的交易数据阵列。将交易数据阵列存储在一个或多个数据库中的第一阵列数据结构中。通过使用傅立叶变换将该组交易数据投影到频域中并且使用一个或多个处理器标识频域内的任何主频率,标识存储在一个或多个数据库中的在该时间段内与该数据对相对应的该组交易数据中的一个或多个基于时间的模式。使用一个或多个处理器将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易,其中与所标识的主频率相对应的任何数据对(如果有)被分类为重复出现交易并且与所标识的主频率不对应的任何数据对被分类为非重复出现交易。使用一个或多个处理器为每个模式类别生成一个或多个动作。通过引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个动作来响应于所标识的(多个)基于时间的模式。
在本发明的又一实施例中,一种用于检测和响应于交易模式的系统包括具有一个或多个处理器的一个或多个服务器、可通信地耦合到一个或多个服务器的一个或多个数据库、以及可通信地耦合到一个或多个服务器的一个或多个远程设备。一个或多个处理器引起一个或多个服务器:(a)接收一组交易数据,每个交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额;(b)根据该组交易数据创建在一时间段内与数据对相对应的交易数据阵列;(c)将交易数据阵列存储在一个或多个数据库中的第一阵列数据结构中;(d)通过使用傅立叶变换将该组交易数据投影到频域中并且使用一个或多个处理器标识频域内的任何主频率,标识存储在一个或多个数据库中的在该时间段内与该数据对相对应的该组交易数据中的一个或多个基于时间的模式;(e)使用一个或多个处理器将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易,其中与所标识的主频率相对应的任何数据对(如果有)被分类为重复出现交易并且与所标识的主频率不对应的任何数据对被分类为非重复出现交易;(f)为每个模式类别生成一个或多个动作;以及(g)通过引起一个或多个远程设备执行一个或多个动作来响应于所标识的(多个)基于时间的模式。
另外,本发明可以实现为一种包含程序指令的非暂态计算机可读介质,这些程序指令引起一个或多个处理器执行如上面参考计算机化方法所述的用于检测和响应于交易模式的方法。
除了前述内容,在本公开的教导中阐述了各种其他方法、系统和装置方面,诸如构成本公开的一部分的权利要求、文本和附图。
前述内容是概述,并且因此必然包含细节的简化、概括和省略。因此,本领域技术人员将理解,该概述仅是说明性的,而绝非旨在进行限制。在本文中阐述的教导中,本文中描述的设备、过程和其他主题的方面、特征和优点将变得很清楚。
附图说明
为了更全面地理解本发明的特征和优点,现在参考本发明的详细说明以及附图,在附图中:
图1示出了根据本发明的一个实施例的系统的框图;
图2示出了根据本发明的一个实施例的计算机化方法的流程图;
图3示出了根据本发明的另一实施例的计算机化方法的流程图;
图4示出了随时间的推移在商家与用户之间的交易的阵列数据的示例;
图5示出了用户和商家交易数据的频域表示的示例;
图6A至图6B示出了两个类别的开支模式的示例:每月重复出现模式(图6A),以及表示非重复出现模式的不具有主频率的混合频率模式(图6B);
图7A-7B示出了基于开支模式的频谱过滤的两个推荐的示例:通过取消重复出现费用来过滤特定重复出现频率(图7A),以及去除较高频率的开支(图7B);
图8A-8B示出了针对特定交易的建议和推荐的示例:建议减少特定零星但非重复出现交易(图8A),以及请求取消特定重复出现费用(图8B);
图9示出了本发明的示例性实现的流程图;
图10示出了根据本发明的另一实施例的模式确定方法的流程图;
图11示出了根据本发明的另一实施例的计算机化方法的流程图;
图12示出了根据本发明的另一实施例的用于用户收入估计的方法的流程图;
图13是根据本发明的另一实施例的用于收入分析的系统架构或引擎的框图;
图14是根据本发明的另一实施例的收入预测的图形说明;
图15示出了根据本发明的另一实施例的用于从银行或信用卡提供商数据中发现交易摘要中的商家的方法的流程图;
图16示出了根据本发明的另一实施例的用于基于交易数据的商家发现的系统的框图;以及
图17示出了根据本发明的另一实施例的用于实体发现的模式确定方法的流程图。
具体实施方式
下面描述本申请的系统的说明性实施例。为了清楚起见,在本说明书中没有描述实际实现的所有特征。当然,应当理解,在任何这样的实际实施例的开发中,必须做出很多特定于实现的决定以实现开发者的特定目标,诸如遵守与系统有关的约束和与业务有关的约束,这将取决于实现而有所不同。此外,将意识到,这样的开发工作可能是复杂且耗时的,但是对于受益于本公开的本领域普通技术人员而言仍将是例行的工作。
本发明使用原则上的数据科学技术来标识交易数据中的基于时间的模式。这些基于时间的模式可以包括重复出现交易和非重复出现交易。交易数据的频谱分解是一种可能的检测技术。生成并且执行基于这些基于时间的模式的动作。如将在下面更详细地描述的,本发明可以包括各种分析模块或特征。例如,分析模块或特征可以包括开支分析、收入分析、商家分析或其任何组合。
现在参考图1,示出了根据本发明的一个实施例的系统100的框图。用于检测和响应于交易模式的系统100包括具有一个或多个处理器的一个或多个服务器102、可通信地耦合到一个或多个服务器102的一个或多个数据库104、以及经由一个或多个网络108或通信接口可通信地耦合到一个或多个服务器102的一个或多个远程设备106。一个或多个处理器引起一个或多个服务器:(a)使用存储在一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识该组交易数据中的一个或多个基于时间的模式,(b)将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易,(c)为每个模式类别生成一个或多个动作,以及(d)通过引起一个或多个远程设备执行一个或多个动作来响应于所标识的(多个)基于时间的模式。系统100还可以包括与其他设备和系统110的通信,诸如金融机构、商家、服务、雇主、第三方等。
系统100内的所有设备可以通过各种网络108彼此通信,诸如公共网络、专用网络、局域网、广域网、有线连接、无线连接、或者使用已知或未知协议的任何其他形式的已知或未知通信机制。如本领域普通技术人员将理解的,系统100可以包括其他设备、组件、模块等,并且不限于本文中结合附图描述的特定实施例。此外,(多个)服务器102可以是使用适合于执行本文中描述的过程的硬件和软件的任何组合的任何类型的处理或计算设备。如本领域普通技术人员将理解的,(多个)服务器102可以是多个计算机、多个处理器,并且可以包括很多其他组件、设备和/或外围设备。此外,本文中描述的(多个)服务器102和过程可以在位于多个地理位置的分布式架构中实现。同样,处理可以在(多个)服务器102与(多个)远程设备106之间共享或分布。
(多个)远程设备106可以包括服务器、计算机、膝上型计算机、手持计算设备、移动通信设备、电子令牌、电子可穿戴设备(例如,手表、手镯、眼镜等)、交易处理设备(例如,销售点设备、信息亭、收银机、信用卡/借记卡机等)或支付处理系统。注意,可以使用其他设备。交易可以是购买、出售、租赁、借贷、订购、支付、存款、信贷、退款、收入、转账、收据或易货交易。注意,可以使用其他类型的交易。另外,交易可以是等待批准或授权的未决或提议的交易。一个或多个动作可以包括在(多个)远程设备106上显示推荐的动作过程,在(多个)远程设备106上显示警报或警告,在(多个)远程设备106上显示取消或允许未决交易、重复出现交易或非重复出现交易的提示,或者阻止未决交易、重复出现交易或非重复出现交易,直到从(多个)远程设备106接收到覆盖消息。另外,一个或多个动作可以包括:对未来收入交易的日期的倒计时;每当超过商家名称、品牌名称或类别的阈值金额时,阻止未决交易、重复出现交易或非重复出现交易;或者基于与商家名称、品牌名称或类别相关联的一个或多个标准来提供奖励、加速器或奖金。注意,可以使用其他类型的动作。此外,一个或多个动作可以执行驻留在(多个)远程设备106上的(多个)其他应用或(多个)软件程序,或者引起(多个)远程设备106在具有或没有用户交互的情况下与其他设备通信或交互。
一个或多个处理器可以引起一个或多个服务器进一步执行以下中的一项或多项:
从存储在一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个接收方标识符或发送方标识符中选择数据对;或者
从存储在一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个交易类别中选择数据对;或者
接收交易数据,交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额,并且将交易数据存储在一个或多个数据库中的数据结构中;或者
从一个或多个第三方设备请求交易数据;或者
向交易数据分配交易类别;或者
创建在该时间段内与该数据对相对应的交易数据阵列,其中该组交易数据包括交易数据阵列,并且将交易数据阵列存储在一个或多个数据库中的第一阵列数据结构中;或者
将该组交易数据的频谱分解存储在一个或多个数据库的第二阵列数据结构中;或者
通过在存储在一个或多个数据库中的模式到动作表中根据每个模式类别到一组动作的映射选择一个或多个动作来生成一个或多个动作;或者
将一个或多个动作存储在一个或多个数据库的用户动作表中;或者
通过进一步在用户动作表中查询一个或多个动作来响应于所标识的(多个)基于时间的模式;或者
接收与新的完成交易、新的未决交易或新的预测交易相对应的新交易数据,并且将新交易数据存储在数据结构中;或者
将新交易数据添加到该组交易数据,并且重复分析、分类、生成和响应步骤;或者
每当新交易数据与一个或多个模式类别相匹配或者调用所存储的一个或多个动作时,生成一个或多个新动作,并且引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个新动作;或者
确定是否执行了推荐的动作过程,每当执行了推荐的动作过程时,向一个或多个远程设备发送祝贺消息,并且每当未执行推荐的动作过程时,向一个或多个远程设备发送警报消息;或者
响应于提示而从一个或多个远程设备接收取消消息,该取消消息可以包括授权码,并且向第三方设备发送对于未决交易、重复出现交易或非重复出现交易的取消请求;或者
响应于提示而从一个或多个远程设备接收允许消息,并且向第三方设备发送对于未决交易的授权消息;或者
响应于一个或多个动作而在一个或多个远程设备上执行一个或多个应用;或者
确定用户的地理位置,并且基于用户的地理位置和与用户相关联的重复出现交易之一或非重复出现交易之一来预测目的地位置,其中一个或多个动作基于目的地位置;或者
基于来自用户的输入来修改或删除全部或部分交易数据;或者
确定交易数据是包括支付交易还是收入交易,其中收入交易包括转账、退款、信贷、薪水、津贴、借贷或其他收入;或者
基于一个或多个收入交易来估计月收入;或者
基于一个或多个收入交易来估计日收入;或者
基于(多个)收入交易来预测未来收入交易的日期;或者
确定是否已经接收到未来收入交易,并且一个或多个动作包括关于在该日期时或之前已经接收到未来收入交易或者截止该日期尚未接收到未来收入交易的通知;或者
对全部或部分该组交易数据进行排序,确定每个排序的交易数据的字符串匹配得分,并且基于字符串匹配得分对所存储的交易数据进行分组;或者
使用商家数据库将交易数据映射到商家名称、品牌名称和类别中的一项或多项,并且基于交易数据更新商家数据库;或者
在映射交易数据时使用用户数据;或者
基于来自用户的输入来添加或改变商家名称、品牌名称或类别;或者
使用商家数据库将交易数据映射到商家名称,确定商家名称的品牌名称,确定品牌名称或商家名称的类别,并且基于交易数据更新商家数据库。
用户标识符可以对应于个人、一组个人、一类个人、实体、一组实体、一类实体、该实体内的单元、该实体内的一组单元或实体内的一类单元。注意,可以使用其他用户标识符。接收方标识符或发送方标识符可以对应于商贩、商家、金融机构、政府实体、雇主、另一个人、另一组个人、另一类个人、另一实体、另一组实体、另一类实体、该实体内的另一单元、该实体内的另一组单元或该实体内的另一类单元。注意,可以使用其他接收方标识符。
该组交易数据的频谱分解可以包括使用傅立叶变换将该组交易数据投影到频域中,并且标识频域内的任何主频率。傅立叶变换可以使用以下数学公式来计算:
其中n是一组交易中的数据对的总数,α是交易金额,并且t是交易日期。一个或多个处理器可以通过以下方式将所标识的(多个)基于时间的模式分类为至少两个模式类别:将与所标识的主频率相对应的任何数据对(如果有)分类为重复出现交易;并且将与所标识的主频率不对应的任何数据对分类为非重复出现交易。
现在参考图2,示出了根据本发明的一个实施例的计算机化方法200的流程图。用于检测和响应于交易模式的计算机化方法200包括在框202中提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器。在框204中,由一个或多个处理器使用存储在一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识该组交易数据中的一个或多个基于时间的模式。在框206中,使用一个或多个处理器将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易。在框208中,使用一个或多个处理器为每个模式类别生成一个或多个动作。在框210中,通过引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个动作来响应于所标识的(多个)基于时间的模式。本领域普通技术人员将理解,可以省略或组合本文中描述的步骤,并且可以添加附加步骤(未示出)。在某些情况下,这些步骤可以同时执行或以其他顺序执行和/或重复执行。
(多个)远程设备可以包括服务器、计算机、膝上型计算机、手持计算设备、移动通信设备、电子令牌、电子可穿戴设备(例如,手表、手镯、眼镜等)、交易处理设备(例如,销售点设备、信息亭、收银机、信用卡/借记卡机等)或支付处理系统。注意,可以使用其他设备。交易可以是购买、出售、租赁、借贷、订购、支付、存款、信贷、退款、收入、转账、收据或易货交易。注意,可以使用其他类型的交易。另外,交易可以是等待批准或授权的未决或提议的交易。一个或多个动作可以包括在一个或多个远程设备上显示推荐的动作过程,在一个或多个远程设备上显示警报或警告,在一个或多个远程设备上显示取消或允许未决交易、重复出现交易或非重复出现交易的提示,或者阻止未决交易、重复出现交易或非重复出现交易,直到从一个或多个远程设备接收到覆盖消息。另外,一个或多个动作可以包括:对未来收入交易的日期的倒计时;每当超过商家名称、品牌名称或类别的阈值金额时,阻止未决交易、重复出现交易或非重复出现交易;或者基于与商家名称、品牌名称或类别相关联的一个或多个标准来提供奖励、加速器或奖金。注意,可以使用其他类型的动作。此外,一个或多个动作可以执行驻留在(多个)远程设备上的(多个)其他应用或(多个)软件程序,或者引起(多个)远程设备在具有或没有用户交互的情况下与其他设备通信或交互。
方法200还可以包括以下步骤中的一个或多个:
从存储在一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个接收方标识符或发送方标识符中选择数据对;或者
从存储在一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个交易类别中选择数据对;或者
接收交易数据,交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额,并且将交易数据存储在一个或多个数据库中的数据结构中;或者
从一个或多个第三方设备请求交易数据;或者
向交易数据分配交易类别;或者
创建在该时间段内与该数据对相对应的交易数据阵列,其中该组交易数据包括交易数据阵列,并且将交易数据阵列存储在一个或多个数据库中的第一阵列数据结构中;或者
将该组交易数据的频谱分解存储在一个或多个数据库的第二阵列数据结构中;或者
通过在存储在一个或多个数据库中的模式到动作表中根据每个模式类别到一组动作的映射选择一个或多个动作来生成一个或多个动作;或者
将一个或多个动作存储在一个或多个数据库的用户动作表中;或者
通过进一步在用户动作表中查询一个或多个动作来响应于所标识的(多个)基于时间的模式;或者
接收与新的完成交易、新的未决交易或新的预测交易相对应的新交易数据,并且将新交易数据存储在数据结构中;或者
将新交易数据添加到该组交易数据,并且重复分析、分类、生成和响应步骤;或者
每当新交易数据与一个或多个模式类别相匹配或者调用所存储的一个或多个动作时,生成一个或多个新动作,并且引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个新动作;或者
确定是否执行了推荐的动作过程,每当执行了推荐的动作过程时,向一个或多个远程设备发送祝贺消息,并且每当未执行推荐的动作过程时,向一个或多个远程设备发送警报消息;或者
响应于提示而从一个或多个远程设备接收取消消息,该取消消息可以包括授权码,并且向第三方设备发送对于未决交易、重复出现交易或非重复出现交易的取消请求;或者
响应于提示而从一个或多个远程设备接收允许消息,并且向第三方设备发送对于未决交易的授权消息;或者
响应于一个或多个动作而在一个或多个远程设备上执行一个或多个应用;或者
确定用户的地理位置,并且基于用户的地理位置和与用户相关联的重复出现交易之一或非重复出现交易之一来预测目的地位置,其中一个或多个动作基于目的地位置;或者
基于来自用户的输入来修改或删除全部或部分交易数据;或者
确定交易数据是包括支付交易还是收入交易,其中收入交易包括转账、退款、信贷、薪水、津贴、借贷或其他收入;或者
基于一个或多个收入交易来估计月收入;或者
基于一个或多个收入交易来估计日收入;或者
基于收入交易来预测未来收入交易的日期;或者
确定是否已经接收到未来收入交易,并且一个或多个动作包括关于在该日期时或之前已经接收到未来收入交易或者截止该日期尚未接收到未来收入交易的通知;或者
对全部或部分该组交易数据进行排序,确定每个分类的交易数据的字符串匹配得分,并且基于字符串匹配得分对所存储的交易数据进行分组;或者
使用商家数据库将交易数据映射到商家名称、品牌名称和类别中的一项或多项,并且基于交易数据更新商家数据库;或者
在映射交易数据时使用用户数据;或者
基于来自用户的输入来添加或改变商家名称、品牌名称或类别;或者
使用商家数据库将交易数据映射到商家名称,确定商家名称的品牌名称,确定品牌名称或商家名称的类别,并且基于交易数据更新商家数据库。
用户标识符可以对应于个人、一组个人、一类个人、实体、一组实体、一类实体、该实体内的单元、该实体内的一组单元或实体内的一类单元。注意,可以使用其他用户标识符。接收方标识符或发送方标识符可以对应于商贩、商家、金融机构、政府实体、雇主、另一个人、另一组个人、另一类个人、另一实体、另一组实体、另一类实体、该实体内的另一单元、该实体内的另一组单元或该实体内的另一类单元。注意,可以使用其他接收方标识符。
该组交易数据的频谱分解可以包括使用傅立叶变换将该组交易数据投影到频域中,并且标识频域内的任何主频率。傅立叶变换可以使用以下数学公式来计算:
其中n是一组交易中的数据对的总数,α是交易金额,并且t是交易日期。一个或多个处理器可以通过以下方式将所标识的(多个)基于时间的模式分类为至少两个模式类别:将与所标识的主频率相对应的任何数据对(如果有)分类为重复出现交易;并且将与所标识的主频率不对应的任何数据对分类为非重复出现交易。
另外,本发明可以实现为一种包含程序指令的非暂态计算机可读介质,这些程序指令引起一个或多个处理器执行如上面参考计算机化方法所述的用于检测和响应于交易模式的方法。
现在参考图3-10,将描述本发明的非限制性示例,其中发现金融实体或人的开支行为的模式,目的是基于他们的开支模式来提供金融推荐。注意,参考图3-10描述或示出的任何特征可以在图1的系统100或图2的方法200中实现。
图3示出了方法300的流程图,其中在框302中接收并且存储用户的交易数据作为要分析的数据结构以用于标识模式。在框304中,使用傅立叶变换来计算交易数据的频谱分解以标识数据中的主频率(表示模式)。然后,在框306中,将这些模式分类为重复出现开支和零星的非重复出现开支类别。在框308中,向每种开支类别分配推荐,并且将其存储在用户洞察表中。这是使用从不同类型的模式到建议动作的映射来完成的。在框310中,使用来自用户洞察表的洞察来向应用发送(多个)推荐以向用户示出。
现在将描述开支模式的频谱分解的各种示例。如下表所示,客户交易数据可以表示为结构化数据库,其中每一行表示具有商家信息、交易金额和交易发布日期的交易。
天数 | 用户 | 商家 | 日期 | 金额 |
1 | 1 | Starbucks | 2017年1月1日 | $5.65 |
1 | 1 | Uber | 2017年1月1日 | $15.00 |
3 | 1 | Starbucks | 2017年1月3日 | $6.50 |
5 | 1 | Amazon | 2017年1月5日 | $65.00 |
7 | 1 | Starbucks | 2017年1月7日 | $4.50 |
… | … | … | … | … |
表1:商家与用户之间随着时间的交易的数据阵列表示
如图4所示,每个客户的交易数据被处理成每个商家(例如,Starbucks与用户)之间的交易的阵列的形式,其中每个变量表示商家的交易的值:2017年1月1日为$5.65;2017年1月3日为$6.50;并且2017年1月7日为$4.50。通过在交易阵列上计算以下数学变换,将该阵列投影到傅立叶域中:
其中n是一组交易中的数据对的总数,α是交易金额,并且t是交易日期。
对于表1和图4所示的示例,数学变换为:
F(ω)=5.65e-jω1+6.05e-jω3+4.50e-jω7+...分解为不同开支频率(ω)提供不同的强度,如图5的Starbucks示例所示:60天;30天;10天;5天;以及1天。注意,可以使用其他变换技术。
此后,基于如图6A-6B和7A-7B所示的模式来确定动作和推荐。在该示例中,频谱结果然后分为两类,其中第一类包括基于频谱被标识为以某个频率重复出现的情况,第二类包括频谱平坦且不示出主频率(重复出现)的情况。
图6A所示的第一情况表明,顾客倾向于以特定频率(例如,每周或每月)进行交易,而6B所示的第二情况对客户没有特定频率并且在不同频率下示出零星开支的情况进行建模。例如,图6A示出了在30天时的主频率,该值显著高于在60天、10天、5天和1天时的值。相比之下,图6B示出了在60天、30天、10天、5天和1天的各个频率下的值彼此相对相似。然后,该过程分为两个不同的响应。首先,如果存在主频率(例如,30天),则该过程将标记该频率702,并且向客户提供减少特定开支的重复出现的建议,如图7A所示。其次,该过程将基于高频滤波器给出推荐,诸如如图7B所示的每天752。
该过程还可以提供减少在非重复出现交易上的开支或取消以所标识的频率重复出现的账单的推荐或建议。对于用户偶尔开支的非重复出现交易的情况,该过程将提供有关如何减少该开支的推荐。图8A-8B示出了针对特定交易的建议和推荐的示例:减少特定的零星但非重复出现交易的建议(图8A),请求取消特定的重复出现费用(图8B)。如图8A所示,示例性开支建议800可以显示商家或商贩名称、每个时间段花费的大致金额以及在一时间段内减少具有预期节省的开支的建议:
Starbucks 802a
$20/周 804a
“每周少买一件东西将会帮您节省$50/月” 806a
Uber 802b
$70/月 804b
“每周少搭乘一次将会帮您节省平均$40/月” 806b
Soulcycle 802c
$300/月 804c
“每月少上两节课将会帮您节省平均$400/年” 806c
如图8B所示,用于取消重复出现费用的示例性建议850可以显示商家或商贩名称、每个时间段花费的大致金额、所使用的支付机制、以及用于选择/单击以取消重复出现费用的“按钮”:
Netflix 852a
$143.88/年 854a
“账单支付——1010CA 2016年12月30日” 856
“取消” 858a
Spotify 852b
$120.00/年 854b
“取消” 858b
Audible 852c
$275.40/年 854c
“取消” 858c
可以显示其他信息、数据和动作。
在该非限制性示例中,如图9的流程图所示,使用客户交易数据在单独的服务器上构建系统。系统和方法900与客户端服务器902集成,以向应用904提供建议和重要参数。
如图4所示,交易数据906被处理成时间点阵列,时间点阵列存储在存储器中的阵列数据结构中以用于优化处理时间。如图5所示的频域变换作为阵列数据结构存储在存储器中,并且使用模式发现服务器908对其模式进行进一步分析。模式发现服务器908使用存储在格式如下表所示的用户洞察表912中的模式到洞察映射表910将所标识的模式与推荐相匹配。
模式 | 商家 | 推荐 |
零星模式 | Starbucks | 您昨天去过星巴克了,考虑今天不去。 |
重复出现模式 | Netflix | 取消预订。 |
… | … | … |
表2:用于模式到洞察映射的数据结构
由客户端服务器902查询用户洞察表912,并且结果被发送到用户应用904。
现在参考图10,示出了模式确定方法1000的流程图的非限制性示例。在框1002中,将交易数据906转换为阵列数据结构。其后,在框1004中,将该阵列投影到傅立叶域中,并且在框1006中,执行模式检测。使用模式到洞察映射表910将所标识的模式与推荐相匹配,并且将推荐存储在用户洞察表912中。
该系统和方法还可以提供其他特征,诸如地理位置,以预测非重复出现开支的交易将在何处进行并且提供实时警报和保存建议。在这种情况下,该过程将积极介入,而不仅仅是提供推荐。此外,该过程可以与支付处理系统集成,以在用户违反推荐的洞察时发送警报,这可以通过提示用户覆盖交易的块来完成。
现在参考图11,示出了根据本发明的一个实施例的方法1100的流程图。用于检测和响应于交易模式的计算机化方法1100包括在框1102中提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器。在框1104中,接收一组交易数据,其中每个交易数据至少包括用户标识符、接收方标识符、日期和金额。在框1106中,根据该组交易数据创建一时间段内与数据对相对应的交易数据阵列。在框1108中,将交易数据阵列存储在一个或多个数据库中的第一阵列数据结构中。在框1110中,使用一个或多个处理器通过使用傅立叶变换将该组交易数据投影到频域中并且标识频域内的任何主频率,标识存储在一个或多个数据库中的在该时间段内与该数据对相对应的该组交易数据中的一个或多个基于时间的模式。在框1112中,使用一个或多个处理器将所标识的(多个)基于时间的模式分类为至少两个模式类别,至少两个模式类别包括重复出现交易和非重复出现交易,其中与所标识的主频率相对应的任何数据对(如果有)被分类为重复出现交易并且与所标识的主频率不对应的任何数据对被分类为非重复出现交易。在框1114中,使用一个或多个处理器为每个模式类别生成一个或多个动作。在框1116中,通过引起可通信地耦合到一个或多个处理器的一个或多个远程设备经由通信接口执行一个或多个动作来响应于所标识的(多个)基于时间的模式。注意,计算机化方法1100还可以包括以上参考图2描述的附加步骤中的一个或多个。如本领域普通技术人员将理解的,可以省略或组合本文中描述的步骤,并且可以添加附加步骤(未示出)。在某些情况下,这些步骤可以同时执行或以其他顺序执行和/或重复执行。
本发明可以被实现为执行上面参考图11描述的计算机化方法的参考图1描述的系统100。
另外,本发明可以被实现为一种包含程序指令的非暂态计算机可读介质,这些程序指令引起一个或多个处理器执行以上参考图11描述的计算机化方法。
现在参考图12-14,将描述本发明的非限制性示例,其中使用交易数据来发现和估计用户收入的模式。收入估计是具有挑战性的,因为可以通过不同的支付节奏为用户支付,并且他们可以具有定期收入或非定期收入。月收入的估计会受到非定期性性的影响,导致结果不佳。利用本文中描述的技术,收入被估计并且分类为两种类型,定期收入(即,重复出现交易)和非定期收入(即,非重复出现交易)。注意,参考图12-14描述或示出的任何特征可以在图1的系统100或图2的方法200中实现。
现在参考图12,示出了用于从银行或信用卡提供商交易数据进行用户收入估计的方法1200的流程图的非限制性示例。在框1202中,接收用户的交易数据并且将其存储为要针对该实体进行分析的数据结构。定期收入字典1204和模式NLP引擎1206是用于在1208框中将交易映射到定期和非定期收入的模型。在框1210中,通过标识与月相匹配的收入来估计月收入。在框1212中,标识收入支付的模式。该数据用于更新模式NLP引擎1206和定期收入字典1204。在框1214中,标识下一薪水时间和金额,并且在框1216中,将结果提供给用户。
非信贷帐户的任何流入资金是收入或内部帐户转账。如果内部帐户转帐具有相同的金额(带有负号)、相同的交易日期和不同的帐户ID,则将检测到内部帐户转帐。收入交易是定期收入或非定期收入。如果定期收入在定期收入类别字典1204中,则检测到定期收入。
预测用户的薪水周期,并且以倒数方式示出到达薪水的天数。确保捕获未决交易,并且绑定在薪水打入该帐户之后立即发送给用户的通知。这使得用户可以清楚地计划其即将到来的大笔账单并且管理其债务。结合收入估计,本发明提供了用户收入的整体图。
使用字符串相似性,并且使用自然语言处理库对交易名称进行标记化,以标识定期薪水与非定期薪水。定期薪水往往具有模式,并且在清理了他们的名称之后,它们非常相似。即使在工作变动的情况下,我们也可以在第二或第三薪水之后获得定期薪水。
客户交易数据表示为结构化数据库,其中每一行表示具有商家信息、交易金额和交易发布日期的交易。
天数 | 用户 | 接收方/发送方 | 日期 | 金额 | 类别 |
1 | 1 | Paycheck | 2017年1月1日 | -$1000.00 | 定期收入 |
1 | 1 | Check Deposit | 2017年1月1日 | -$255.00 | 非定期收入 |
3 | 1 | Credit for Return | 2017年1月3日 | -$6.50 | 退款&返回 |
5 | 1 | Amazon | 2017年1月5日 | $65.00 | 购物 |
7 | 1 | Starbucks | 2017年1月7日 | $4.50 | 食物 |
… | … | … | … | … |
表3:用户和接收方/发送方的交易数据
使用下面描述的引擎检测定期收入,并且在数据库中将其标记为定期收入(即,重复出现交易)和非定期收入(即,非重复出现交易)。
基于该知识的动作和推荐可以包括对开支和预算的金融洞察、直到下一次薪水的天数、和/或目标确定系统。该分类用于预测要用于安全开支的收入以及其他应用(诸如发送给用户的关于其开支是否超过其收入的推送通知)。下一收入日期的检测在用于向用户呈现下一次薪水将何时打入用户的帐户的特征中使用。收入的值由目标确定和个性化系统使用。例如,信用卡以特定债务与收入之比作为目标。收入估计是这种目标确定的关键。
可以将这种方法和系统集成到完整的用户体验中,该用户体验关注于通过输入正确的月收入值来确保用户对其金融状况有准确的了解。当开支超出他们所赚取的收入所定义的某些参数时,用户还可以接收到通知和洞察。
现在参考图13,示出了用于收入分析的系统架构或引擎1300的框图的非限制性示例。引擎1300执行以下不同步骤。第一步骤取决于准确的分类。通过准确的分类,可以检测收入交易。从这些候选交易中,执行模式识别/频谱分析,以过滤掉具有重复出现模式的交易。对这些交易按字母顺序进行排序,并且然后按其字符串匹配得分进行分组。这提供了雇主的数量及其薪水交易。如果只有一个雇主,则在考虑诸如商业假期、周末等因素的情况下执行下一薪水的预测。然后,应用显示对下一薪水日期的倒计时。如果薪水(未决交易)早于预测日期到达,则自动跳过倒计时以使用户知道他们已经被支付。定期更新算法以适应各种支付周期,诸如每半个月、每两周、每周、每月等。首先按字母顺序对交易名称排序,这对前导字符给予适当的重要性。然后,使用字符串相似性将相似命名的交易聚类在一起。在每个桶(bucket)中,预测模式和下一薪水日期。
交易数据1302经历收入检测过程1304和收入类型检测过程1306。收入检测过程1304将交易数据1302标识为收入交易1308或非收入交易1310。收入类型检测过程1306将收入交易1308标识为非定期收入1312或定期收入1314。收入汇总器1316使用非定期收入1312来估计收入。收入预测器1318使用定期收入1314来检测节奏并且预测下一薪水。引擎1300提供用户收入列表1320,用户收入列表1320可以由用户1322验证,并且由ML引擎1324使用以提供也可以由用户1322验证的用户定期收入列表1326。
现在将描述用于收入估计的估计技术(收入汇总器)1316。如图14所示,在最后一次收入交易之后的持续时间内进行收入预测(标记的红色区域?)。通过使用定期收入可以估计日收入,因为对它会重复出现的置信度更高。估计是通过匹配原理完成的。例如,收入P_1、P_2和P_3与持续时间d_1、d_2、d_3和d_4相匹配,因此日收入被估计为:
日收入=(P_1+P_2+P_3)/(d_1+d_2+d_3+d_4)
该方法使用会计核算中的匹配原理将获取收入的时间间隔与已经检测到的交易进行匹配。
现在将描述用于节奏检测和下一薪水预测(收入预测器)1318的估计技术。使用一种算法方法,该算法方法使用不同薪水之间的天数差来标识薪水的节奏。该部分在对交易详细信息(包括名称和类型)使用NLP引擎来标识薪水的定期性之后完成。该技术在以下方面是新颖的:
1.在字符串匹配之前使用排序来构建薪水交易集群。主要有两个观察。首先是金融交易中的前导字符具有更高的重要性。排序比执行字符串匹配更轻松。因此,事先进行排序有助于避免进行N×N字符串匹配操作。
2.在已经排序的交易上,对每个交易及其邻居执行字符串匹配操作。当字符串匹配得分下降时,以确保集群属于单个雇主的高精度来形成集群。
3.如果集群在其出现中具有连续且可检测的模式,则可以预测其下一次出现。这将适用于各种节奏,例如每周、每两周、每月、每半月、每年。
其他各种特征可以包括:用于标识定期收入和非定期收入的算法;用于用户手动添加或编辑收入的方法;用于根据交易数据估计月收入的方法;建立用于存储初始数据的信息系统、用于估计和推断信息的查询数据库以及估计的检索;基于学习数据的建模,作为一种无假定匹配方法;允许第三方访问收入信息数据库或从中获益;从第三方拉取收入信息;仅从用户接收收入信息,而不估计它;完全依赖用户来更新该信息或从交易中推断出该信息,但不组合两种方法;和/或不采用由正在进行的收入提供和用户交易通知的机器学习。
现在参考图15-17,将描述本发明的非限制性示例,其中使用交易数据执行商家知识发现。标识交易的商家是一个已知问题,并且用户将使用诸如Google等搜索引擎从交易级数据中标识商家。本发明的该实施例为所有用户交易标识商家名称,称为实体,并且通过应用提供商家名称。这将基于个体用户和众包标签使用所标识的实体和类别来建立数字和在线学习框架。模式识别算法和建模技术用于从交易级和用户级数据中推断实体,并且基于新交易不断更新商家数据库和算法。这种方法既利用了用户级和交易级数据,又利用了用户为在数字界面或应用中主动对商家进行重新分类而采取的动作。使用相同的方法来标识实体的品牌和类别。注意,参考图15-17描述或示出的任何特征可以在图1的系统100或图2的方法200中实现。
现在参考图15,示出了用于从银行或信用卡提供商数据中的交易摘要中发现商家的方法1500的流程图的非限制性示例。在框1502中,接收用户的交易数据并且将其存储为要针对该实体进行分析的数据结构。在框1504中,使用模型将交易数据映射到已知商家。在框1506中,检测商家的品牌,并且在框1508中,标记商家的交易。也可以检测开支类型的类别。使用来自交易的新数据在框1510中更新学习引擎,并且在框1512中重新训练用于商家推断的映射模型。这样,该方法的副产品将是不断更新的商家数据库,从而商家类别是从交易级数据进行持续验证。
客户交易数据被表示为结构化数据库,其中每一行表示具有商家信息、交易金额和交易发布日期的交易,如先前在表1示出和描述的。商家知识是关于该交易的商家的一组推断信息。它具有商家实体、商家品牌和商家类别。
可以提供基于商家知识的各种动作和推荐。例如,信息查询系统使用摘要引擎,该摘要引擎通过特定方法检测品牌、实体和特定交易。这些方法包括针对历史开支运行算法,以及在应用中利用来自用户的输入。目标确定系统可以在三个级别上操作:实体/商家、品牌和类别。这样,该方法允许随着时间的推移标识和改进这三个级别的数据。商家允许我们创建丰富的用户商家多对多映射。映射又用于标识用户金融生命周期,探索用户与用户和产品与产品的相似性,并且生成个性化金融建议。通过应用中的用户动作对商家和交易进行的重新分类用于通知商家、品牌和类别的初始标识,以及随着时间的推移更新它们。通过将交易空间限制到用户商家域上,可以有效地对交易进行分类。该方法和系统可以集成到完整的用户体验中,该用户体验关注于确保用户具有对金融状况的准确全面的了解;该了解将包括按商家类型和开支类别的报告。当开支超出商家或类别的某些参数时,用户还可以接收到通知和洞察。
现在参考图16,示出了用于基于交易数据的商家发现的系统1600的框图的非限制性示例。该系统1600使用客户交易数据构建在单独的服务器上。系统1600与向应用904提供建议和重要参数的客户端服务器902集成。交易数据906被处理成如图4所示的时间点阵列,时间点阵列存储在存储器中的阵列数据结构中以用于优化处理时间。如图5所示的频域变换作为阵列数据结构存储在存储器中,并且使用实体检测系统1602对频域变换的模式进一步分析。实体检测系统1602使用存储在用户洞察表912中的模式到众包实体1604将所标识的模式与推荐相匹配。
现在参考图17,示出了用于实体发现的模式确定方法1700的流程图的非限制性示例。在框1702中,将交易数据906与现有实体进行匹配。在框1704中,对实体执行建模检测,并且在框1706中,使用品牌和聚类引擎1708执行品牌和聚类映射。推荐存储在用户洞察表中912。
本发明的实施例提供了:一种用于基于交易和用户级数据来标识商家、品牌和类别数据的算法;一种用于用户在数字界面中手动添加或编辑商家、品牌和类别数据的方法;一种用于将推断的商家品牌和类别数据与用户经由数字界面手动输入的内容组合的方法;建立用于存储初始数据的信息系统、用于将更新后的信息字符串化(string)的查询数据库、以及用于提示用户添加、编辑或重新分类商家、品牌和类别信息的重新确定目标逻辑;一旦用户达到特定阈值,则自动阻止按商家、品牌或类别的特定开支;奖励用户进行众包;为用户提供加速器或奖金,以达到按商家、品牌或类别的开支目标的一定百分比;和/或允许第三方访问商家数据库或从中受益。其他特征可以包括:从第三方拉取商家、品牌和类别信息;只关注商家、品牌或类别,而不是全部三个;完全依赖用户来更新该信息或从交易中推断出该信息,但不能组合这两种方法;不采用由正在进行的商家和用户交易通知的机器学习;和/或不使用用户采取的对商家进行分类的动作的众包。
应当理解,本文中描述的特定实施例是通过举例说明的方式示出的,而不是对本发明的限制。在不脱离本发明范围的情况下,可以在各种实施例中采用本发明的主要特征。仅使用常规实验,本领域技术人员将认识到或能够确定本文中描述的具体方法的很多等同形式。这样的等同形式被认为在本发明的范围内,并且被权利要求书覆盖。
说明书中提到的所有出版物和专利申请指示本发明所属领域的技术人员的技术水平。所有出版物和专利申请都以相同的程度通过引用并入本文,就如同每个单独的出版物或专利申请均被明确地和单独地指出以通过引用并入一样。
在权利要求书和/或说明书中,词语“一个(a)”或“一个(an)”与术语“包括(comprising)”结合使用时,其含义可以是“一个(one)”,但也与“一个或多个”、“至少一个”和“一个或一个以上”的含义相一致。在权利要求中使用的术语“或”用于表示“和/或”,除非明确指出仅指代替代方案或替代方案互斥,尽管本公开内容支持仅指代替代方案和“和/或”的定义。在整个本申请中,术语“约”用于指示值包括设备的固有误差变化,该方法用于确定值或研究对象之间存在的差异。
如本说明书和权利要求书中使用的,词语“包括(comprising)”(以及任何形式的包括,诸如“包括(comprise)”和“包括(comprises)”)、“具有(having)”(以及任何形式的具有,诸如“具有(have)”和“具有(has)”)、“包括(including)”(以及任何形式的包括,诸如“包括(includes)”和“包括(include)”)或“包含(containing)”(以及任何形式的包含,诸如“包含(contains)”和“包含(contain)”)是包括性的或开放的并且不排除其他未引用的元素或方法步骤。在本文中提供的任何组合物和方法的实施例中,“包括(comprising)”可以替换为“基本上由……组成”或“由……组成”。如本文中使用的,短语“基本上由……组成”需要指定的(多个)整体或步骤以及实质上不影响所要求保护的发明的特征或功能的那些。如本文中使用的,术语“由……组成”用于指示所列举的整体(例如,特征、元素、特性、属性、方法/过程步骤或限制)或成组的整体(例如,(多个)特征、(多个)元素、(多个)特性、(多个)属性、(多个)方法/过程步骤或(多个)限制)的存在。
如本文中使用的,术语“或其组合”是指该术语之前的所列项目的所有排列和组合。例如,“A、B、C或其组合”旨在包括以下中的至少一项:A、B、C、AB、AC、BC或ABC,并且如果顺序在特定上下文中很重要,则也包括BA、CA、CB、CBA、BCA、ACB、BAC或CAB。继续该示例,明确包括的是包含一个或多个项目或术语的重复的组合,诸如BB、AAA、AB、BBC、AAABCCCC、CBBAAA、CABABB等。本领域技术人员将理解,除非从上下文明显看出,否则通常对任何组合中的项目或术语的数目没有限制。
如本文中使用的,诸如但不限于“约”、“基本上的”或“基本上地”等近似词是指如下这样的条件:当被如此修饰时,被理解为不一定是绝对的或完美的,而是将被认为足够接近于本领域普通技术人员可以保证将条件指定为存在。描述可以变化的程度将取决于可以进行多大的改变,并且本领域的普通技术人员仍然认识到修改后的特征仍然具有未修改的特征所需要的特性和能力。一般而言,但以前面的讨论为准,本文中用诸如“约”等近似词修饰的数值可以与所陈述的值相差至少±1、2、3、4、5、6、7、10、12或15%。
根据本公开,可以在不进行过度实验的情况下制造和执行本文中公开和要求保护的所有设备和/或方法。尽管已经在特定实施例方面描述了本发明的设备和/或方法,但是对于本领域技术人员而言很清楚的是,在不脱离本发明的概念、精神和范围的情况下,可以将变化应用于本文中描述的组合物和/或方法以及方法的步骤或步骤序列中。对于本领域技术人员很清楚的所有这些类似的替代和修改都被认为落入由所附权利要求书限定的本发明的精神、范围和概念内。
此外,除了在所附权利要求书中描述的以外,没有意图限制本文中示出的构造或设计的细节。因此,很清楚的是,以上公开的特定实施例可以被改变或修改,并且所有这样的变化都被认为在本公开的范围和精神内。因此,本文中寻求的保护如所附权利要求书所述。
在不脱离本发明的范围的情况下,可以对本文中描述的系统和装置进行修改、增加或省略。系统和装置的组件可以集成或分离。另外,系统和装置的操作可以由更多、更少或其他组件来执行。该方法可以包括更多、更少或其他步骤。另外,步骤可以以任何合适的顺序执行。
为了帮助专利局以及根据本申请发布的任何专利的任何读者解释其所附权利要求,申请人希望注意,他们无意使用任何所附权利要求来援引在本申请提交之日起存在的35U.S.C§112第6款,除非在特定权利要求中明确使用“用于……的手段”或“用于……的步骤”一词。
Claims (77)
1.一种用于检测和响应于交易模式的计算机化方法,包括:
提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器;
由所述一个或多个处理器使用存储在所述一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识所述一组交易数据中的一个或多个基于时间的模式;
使用所述一个或多个处理器将标识的所述一个或多个基于时间的模式分类为至少两个模式类别,所述至少两个模式类别包括重复出现交易和非重复出现交易;
使用所述一个或多个处理器为每个模式类别生成一个或多个动作;以及
通过引起可通信地耦合到所述一个或多个处理器的一个或多个远程设备经由所述通信接口执行所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
2.根据权利要求1所述的方法,还包括:
使用所述一个或多个处理器从存储在所述一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个接收方标识符或发送方标识符中选择所述数据对;或者
使用所述一个或多个处理器从存储在所述一个或多个数据库中的所述数据结构中的所述至少一个用户标识符或发送方标识符和至少一个交易类别中选择所述数据对。
3.根据权利要求1所述的方法,还包括:
接收所述交易数据,所述交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额;以及
将所述交易数据存储在所述一个或多个数据库中的数据结构中。
4.根据权利要求3所述的方法,还包括从一个或多个第三方设备请求所述交易数据。
5.根据权利要求3所述的方法,还包括向所述交易数据分配交易类别。
6.根据权利要求3所述的方法,其中:
所述用户标识符对应于个人、一组个人、一类个人、实体、一组实体、一类实体、所述实体内的单元、所述实体内的一组单元或所述实体内的一类单元;
所述接收方标识符或发送方标识符对应于商贩、商家、金融机构、政府实体、雇主、另一个人、另一组个人、另一类个人、另一实体、另一组实体、另一类实体、所述实体内的另一单元、所述实体内的另一组单元或所述实体内的另一类单元;
所述交易包括购买、出售、租赁、借贷、订购、支付、存款、信贷、退款、收入、转账、收据或易货交易;或者
所述一个或多个远程设备包括服务器、计算机、膝上型计算机、手持计算设备、移动通信设备、交易处理设备或支付处理系统。
7.根据权利要求1所述的方法,还包括:
创建在所述一时间段内与所述数据对相对应的交易数据阵列,其中所述一组交易数据包括所述交易数据阵列;以及
将所述交易数据阵列存储在所述一个或多个数据库中的第一阵列数据结构中。
8.根据权利要求1所述的方法,还包括将所述一组交易数据的所述频谱分解存储在所述一个或多个数据库中的第二阵列数据结构中。
9.根据权利要求1所述的方法,其中所述一组交易数据的所述频谱分解包括:
使用傅立叶变换将所述一组交易数据投影到频域中;以及
标识所述频域内的任何主频率。
11.根据权利要求9所述的方法,其中将标识的所述一个或多个基于时间的模式分类为所述至少两个模式类别包括:
将与标识的所述主频率相对应的任何数据对在存在的情况下分类为所述重复出现交易;以及
将与标识的所述主频率不对应的任何数据对分类为所述非重复出现交易。
12.根据权利要求1所述的方法,其中生成所述一个或多个动作包括在存储在所述一个或多个数据库中的模式到动作表中根据每个模式类别到一组动作的映射选择所述一个或多个动作。
13.根据权利要求1所述的方法,还包括将所述一个或多个动作存储在所述一个或多个数据库中的用户动作表中。
14.根据权利要求13所述的方法,其中响应于标识的所述一个或多个基于时间的模式还包括在所述用户动作表中查询所述一个或多个动作。
15.根据权利要求1所述的方法,还包括:
接收与新的完成交易、新的未决交易或新的预测交易相对应的新交易数据;以及
将所述新交易数据存储在所述数据结构中。
16.根据权利要求15所述的方法,还包括:
将所述新交易数据添加到所述一组交易数据;以及
重复所述分析、分类、生成和响应步骤。
17.根据权利要求15所述的方法,还包括:
每当所述新交易数据与所述模式类别中的一个或多个模式类别相匹配或者调用存储的所述动作中的一个或多个动作时,生成一个或多个新动作;以及
引起可通信地耦合到所述一个或多个处理器的所述一个或多个远程设备经由所述通信接口执行所述一个或多个新动作。
18.根据权利要求1所述的方法,其中所述一个或多个动作包括:
在所述一个或多个远程设备上显示推荐的动作过程;
在所述一个或多个远程设备上显示警报或警告;
在所述一个或多个远程设备上显示取消或允许未决交易、所述重复出现交易或所述非重复出现交易的提示;或者
阻止所述未决交易、所述重复出现交易或所述非重复出现交易,直到覆盖消息从所述一个或多个远程设备被接收。
19.根据权利要求18所述的方法,还包括:
确定所述推荐的动作过程是否被执行;
每当所述推荐的动作过程被执行时,向所述一个或多个远程设备发送祝贺消息;以及
每当所述推荐的动作过程未被执行时,向所述一个或多个远程设备发送警报消息。
20.根据权利要求18所述的方法,还包括:
响应于所述提示而从所述一个或多个远程设备接收取消消息;以及
向第三方设备发送对于所述未决交易、所述重复出现交易或所述非重复出现交易的取消请求。
21.根据权利要求20所述的方法,还包括在所述取消消息中包括授权码。
22.根据权利要求18所述的方法,还包括:
响应于所述提示而从所述一个或多个远程设备接收允许消息;以及
向第三方设备发送对于所述未决交易的授权消息。
23.根据权利要求1所述的方法,还包括响应于所述一个或多个动作而在所述一个或多个远程设备上执行一个或多个应用。
24.根据权利要求1所述的方法,还包括:
确定用户的地理位置;
基于所述用户的所述地理位置和与所述用户相关联的所述重复出现交易之一或所述非重复出现交易之一来预测目的地位置;以及
其中所述一个或多个动作基于所述目的地位置。
25.根据权利要求1所述的方法,还包括基于来自用户的输入来修改或删除全部或部分所述交易数据。
26.根据权利要求1所述的方法,还包括确定所述交易数据是包括支付交易还是收入交易,其中所述收入交易包括转账、退款、信贷、薪水、津贴、借贷或其他收入。
27.根据权利要求26所述的方法,还包括基于一个或多个所述收入交易中的一个或多个收入交易来估计月收入。
28.根据权利要求26所述的方法,还包括基于一个或多个所述收入交易中的一个或多个收入交易来估计日收入。
29.根据权利要求26所述的方法,还包括基于一个或多个所述收入交易来预测未来收入交易的日期。
30.根据权利要求29所述的方法,其中所述一个或多个动作包括对所述未来收入交易的所述日期的倒计时。
31.根据权利要求29所述的方法,还包括确定所述未来收入交易是否已经被接收到,并且所述一个或多个动作包括关于在所述日期时或之前所述未来收入交易已经被接收到或者截止所述日期所述未来收入交易尚未被接收到的通知。
32.根据权利要求1所述的方法,还包括:
对全部或部分所述一组交易数据进行排序;
确定排序的所述交易数据中的每个交易数据的字符串匹配得分;以及
基于所述字符串匹配得分对存储的所述交易数据进行分组。
33.根据权利要求1所述的方法,还包括:
使用商家数据库将所述交易数据映射到商家名称、品牌名称和类别中的一项或多项;以及
基于所述交易数据更新所述商家数据库。
34.根据权利要求33所述的方法,还包括在映射所述交易数据时使用用户数据。
35.根据权利要求33所述的方法,还包括基于来自用户的输入来添加或改变所述商家名称、所述品牌名称或所述类别。
36.根据权利要求33所述的方法,其中所述一个或多个动作包括:
每当超过所述商家名称、所述品牌名称或所述类别的阈值金额时,阻止未决交易、重复出现交易或非重复出现交易;或者
基于与所述商家名称、所述品牌名称或所述类别相关联的一个或多个标准来提供奖励、加速器或奖金。
37.根据权利要求1所述的方法,还包括:
使用商家数据库将所述交易数据映射到商家名称;
确定所述商家名称的品牌名称;
确定所述品牌名称或所述商家名称的类别;以及
基于所述交易数据更新所述商家数据库。
38.一种用于检测和响应于交易模式的系统,包括:
一个或多个服务器,具有一个或多个处理器;
一个或多个数据库,可通信地耦合到所述一个或多个服务器;
一个或多个远程设备,可通信地耦合到所述一个或多个服务器;以及
所述一个或多个处理器:
使用存储在所述一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识所述一组交易数据中的一个或多个基于时间的模式,
将标识的所述一个或多个基于时间的模式分类为至少两个模式类别,所述至少两个模式类别包括重复出现交易和非重复出现交易,
为每个模式类别生成一个或多个动作,以及
通过引起所述一个或多个远程设备执行所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
39.根据权利要求38所述的系统,其中所述一个或多个处理器还:
从存储在所述一个或多个数据库中的数据结构中的至少一个用户标识符和至少一个接收方标识符或发送方标识符中选择所述数据对;或者
从存储在所述一个或多个数据库中的所述数据结构中的所述至少一个用户标识符或发送方标识符和至少一个交易类别中选择所述数据对。
40.根据权利要求38所述的系统,其中所述一个或多个处理器还:
接收所述交易数据,所述交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额;以及
将所述交易数据存储在所述一个或多个数据库中的数据结构中。
41.根据权利要求40所述的系统,其中所述一个或多个处理器还从一个或多个第三方设备请求所述交易数据。
42.根据权利要求40所述的系统,其中所述一个或多个处理器还向所述交易数据分配交易类别。
43.根据权利要求40所述的系统,其中:
所述用户标识符对应于个人、一组个人、一类个人、实体、一组实体、一类实体、所述实体内的单元、所述实体内的一组单元或所述实体内的一类单元;
所述接收方标识符或发送方标识符对应于商贩、商家、金融机构、政府实体、雇主、另一个人、另一组个人、另一类个人、另一实体、另一组实体、另一类实体、所述实体内的另一单元、所述实体内的另一组单元或所述实体内的另一类单元;
所述交易包括购买、出售、租赁、借贷、订购、支付、存款、信贷、退款、收入、转账、收据或易货交易;或者
所述一个或多个远程设备包括服务器、计算机、膝上型计算机、手持计算设备、移动通信设备、交易处理设备或支付处理系统。
44.根据权利要求38所述的系统,其中所述一个或多个处理器还:
创建在所述一时间段内与所述数据对相对应的交易数据阵列,其中所述一组交易数据包括所述交易数据阵列;以及
将所述交易数据阵列存储在所述一个或多个数据库中的第一阵列数据结构中。
45.根据权利要求38所述的系统,其中所述一个或多个处理器还将所述一组交易数据的所述频谱分解存储在所述一个或多个数据库中的第二阵列数据结构中。
46.根据权利要求38所述的系统,其中所述一组交易数据的所述频谱分解包括:
使用傅立叶变换将所述一组交易数据投影到频域中;以及
标识所述频域内的任何主频率。
48.根据权利要求46所述的系统,其中所述一个或多个处理器通过以下方式将标识的所述一个或多个基于时间的模式分类为所述至少两个模式类别:
将与标识的所述主频率相对应的任何数据对在存在的情况下分类为所述重复出现交易;以及
将与标识的所述主频率不对应的任何数据对分类为所述非重复出现交易。
49.根据权利要求38所述的系统,其中所述一个或多个处理器通过在存储在所述一个或多个数据库中的模式到动作表中根据每个模式类别到一组动作的映射选择所述一个或多个动作来生成所述一个或多个动作。
50.根据权利要求38所述的系统,其中所述一个或多个处理器还将所述一个或多个动作存储在所述一个或多个数据库中的用户动作表中。
51.根据权利要求50所述的系统,其中所述一个或多个处理器通过进一步在所述用户动作表中查询所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
52.根据权利要求38所述的系统,其中所述一个或多个处理器还:
接收与新的完成交易、新的未决交易或新的预测交易相对应的新交易数据;以及
将所述新交易数据存储在所述数据结构中。
53.根据权利要求52所述的系统,其中所述一个或多个处理器还:
将所述新交易数据添加到所述一组交易数据;以及
重复所述分析、分类、生成和响应步骤。
54.根据权利要求52所述的系统,其中所述一个或多个处理器还:
每当所述新交易数据与所述模式类别中的一个或多个模式类别相匹配或者调用存储的所述动作中的一个或多个动作时,生成一个或多个新动作;以及
引起可通信地耦合到所述一个或多个处理器的所述一个或多个远程设备经由所述通信接口执行所述一个或多个新动作。
55.根据权利要求38所述的系统,其中所述一个或多个动作包括:
在所述一个或多个远程设备上显示推荐的动作过程;
在所述一个或多个远程设备上显示警报或警告;
在所述一个或多个远程设备上显示取消或允许未决交易、所述重复出现交易或所述非重复出现交易的提示;或者
阻止所述未决交易、所述重复出现交易或所述非重复出现交易,直到覆盖消息从所述一个或多个远程设备被接收。
56.根据权利要求55所述的系统,其中所述一个或多个处理器还:
确定所述推荐的动作过程是否被执行;
每当所述推荐的动作过程被执行时,向所述一个或多个远程设备发送祝贺消息;以及
每当所述推荐的动作过程未被执行时,向所述一个或多个远程设备发送警报消息。
57.根据权利要求55所述的系统,其中所述一个或多个处理器还:
响应于所述提示而从所述一个或多个远程设备接收取消消息;以及
向第三方设备发送对于所述未决交易、所述重复出现交易或所述非重复出现交易的取消请求。
58.根据权利要求57所述的系统,其中所述一个或多个处理器还在所述取消消息中包括授权码。
59.根据权利要求55所述的系统,其中所述一个或多个处理器还:
响应于所述提示而从所述一个或多个远程设备接收允许消息;以及
向第三方设备发送对于所述未决交易的授权消息。
60.根据权利要求38所述的系统,其中所述一个或多个处理器还响应于所述一个或多个动作而在所述一个或多个远程设备上执行一个或多个应用。
61.根据权利要求38所述的系统,其中所述一个或多个处理器还:
确定用户的地理位置;
基于所述用户的所述地理位置和与所述用户相关联的所述重复出现交易之一或所述非重复出现交易之一来预测目的地位置;以及
其中所述一个或多个动作基于所述目的地位置。
62.根据权利要求38所述的系统,其中所述一个或多个处理器还基于来自用户的输入来修改或删除全部或部分所述交易数据。
63.根据权利要求38所述的系统,其中所述一个或多个处理器还确定所述交易数据是包括支付交易还是收入交易,其中所述收入交易包括转账、退款、信贷、薪水、津贴、借贷或其他收入。
64.根据权利要求63所述的系统,其中所述一个或多个处理器还基于一个或多个所述收入交易中的一个或多个收入交易来估计月收入。
65.根据权利要求63所述的系统,其中所述一个或多个处理器还基于一个或多个所述收入交易中的一个或多个收入交易来估计日收入。
66.根据权利要求63所述的系统,其中所述一个或多个处理器还基于一个或多个所述收入交易来预测未来收入交易的日期。
67.根据权利要求66所述的系统,其中所述一个或多个动作包括对所述未来收入交易的所述日期的倒计时。
68.根据权利要求66所述的系统,其中所述一个或多个处理器还确定所述未来收入交易是否已经被接收到,并且所述一个或多个动作包括关于在所述日期时或之前所述未来收入交易已经被接收到或者截止所述日期所述未来收入交易尚未被接收到的通知。
69.根据权利要求38所述的系统,其中所述一个或多个处理器还:
对全部或部分所述一组交易数据进行排序;
确定排序的所述交易数据中的每个交易数据的字符串匹配得分;以及
基于所述字符串匹配得分对存储的所述交易数据进行分组。
70.根据权利要求38所述的系统,其中所述一个或多个处理器还:
使用商家数据库将所述交易数据映射到商家名称、品牌名称和类别中的一项或多项;以及
基于所述交易数据更新所述商家数据库。
71.根据权利要求70所述的系统,其中所述一个或多个处理器还在映射所述交易数据时使用用户数据。
72.根据权利要求70所述的系统,其中所述一个或多个处理器还基于来自用户的输入来添加或改变所述商家名称、所述品牌名称或所述类别。
73.根据权利要求70所述的系统,其中所述一个或多个动作包括:
每当超过所述商家名称、所述品牌名称或所述类别的阈值金额时,阻止未决交易、重复出现交易或非重复出现交易;或者
基于与所述商家名称、所述品牌名称或所述类别相关联的一个或多个标准来提供奖励、加速器或奖金。
74.根据权利要求38所述的系统,其中所述一个或多个处理器还:
使用商家数据库将所述交易数据映射到商家名称;
确定所述商家名称的品牌名称;
确定所述品牌名称或所述商家名称的类别;以及
基于所述交易数据更新所述商家数据库。
75.一种非暂态计算机可读介质,包含引起一个或多个处理器执行用于检测和响应于交易模式的方法的程序指令,所述方法包括:
提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器;
由所述一个或多个处理器使用存储在所述一个或多个数据库中的在一时间段内与数据对相对应的一组交易数据的频谱分解来标识所述一组交易数据中的一个或多个基于时间的模式;
使用所述一个或多个处理器将标识的所述一个或多个基于时间的模式分类为至少两个模式类别,所述至少两个模式类别包括重复出现交易和非重复出现交易;
使用所述一个或多个处理器为每个模式类别生成一个或多个动作;以及
通过引起可通信地耦合到所述一个或多个处理器的一个或多个远程设备经由所述通信接口执行所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
76.一种用于检测和响应于交易模式的计算机化方法,包括:
提供可通信地耦合到通信接口和一个或多个数据库的一个或多个处理器;
接收一组交易数据,每个交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额;
根据所述一组交易数据创建在一时间段内与数据对相对应的交易数据阵列;
将所述交易数据阵列存储在所述一个或多个数据库中的第一阵列数据结构中;
通过使用傅立叶变换将所述一组交易数据投影到频域中并且使用所述一个或多个处理器标识所述频域内的任何主频率,标识存储在所述一个或多个数据库中的在所述一时间段内与所述数据对相对应的所述一组交易数据中的一个或多个基于时间的模式;
使用所述一个或多个处理器将标识的所述一个或多个基于时间的模式分类为至少两个模式类别,所述至少两个模式类别包括重复出现交易和非重复出现交易,其中与标识的所述主频率相对应的任何数据对在存在的情况下被分类为所述重复出现交易并且与标识的所述主频率不对应的任何数据对被分类为所述非重复出现交易;
使用所述一个或多个处理器为每个模式类别生成一个或多个动作;以及
通过引起可通信地耦合到所述一个或多个处理器的一个或多个远程设备经由所述通信接口执行所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
77.一种用于检测和响应于交易模式的系统,包括:
一个或多个服务器,具有一个或多个处理器;
一个或多个数据库,可通信地耦合到所述一个或多个服务器;
一个或多个远程设备,可通信地耦合到所述一个或多个服务器;以及
所述一个或多个处理器:
接收一组交易数据,每个交易数据至少包括用户标识符、接收方标识符或发送方标识符、日期和金额,
根据所述一组交易数据创建在一时间段内与数据对相对应的交易数据阵列,
将所述交易数据阵列存储在所述一个或多个数据库中的第一阵列数据结构中,
通过使用傅立叶变换将所述一组交易数据投影到频域中并且使用所述一个或多个处理器标识所述频域内的任何主频率,标识存储在所述一个或多个数据库中的在所述一时间段内与所述数据对相对应的所述一组交易数据中的一个或多个基于时间的模式,
使用所述一个或多个处理器将标识的所述一个或多个基于时间的模式分类为至少两个模式类别,所述至少两个模式类别包括重复出现交易和非重复出现交易,其中与标识的所述主频率相对应的任何数据对在存在的情况下被分类为所述重复出现交易并且与标识的所述主频率不对应的任何数据对被分类为所述非重复出现交易,
为每个模式类别生成一个或多个动作,以及
通过引起所述一个或多个远程设备执行所述一个或多个动作来响应于标识的所述一个或多个基于时间的模式。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/659,081 US20190035032A1 (en) | 2017-07-25 | 2017-07-25 | System and method for detecting and responding to transaction patterns |
US15/659,081 | 2017-07-25 | ||
PCT/US2018/043792 WO2019023406A1 (en) | 2017-07-25 | 2018-07-25 | SYSTEM AND METHOD FOR DETECTING TRANSACTION MODELS AND RESPONSE TO THESE |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111095328A true CN111095328A (zh) | 2020-05-01 |
Family
ID=65038805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880049662.4A Pending CN111095328A (zh) | 2017-07-25 | 2018-07-25 | 用于检测和响应于交易模式的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190035032A1 (zh) |
CN (1) | CN111095328A (zh) |
AU (1) | AU2018306317A1 (zh) |
CA (1) | CA3069987A1 (zh) |
WO (1) | WO2019023406A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11798071B2 (en) | 2020-04-15 | 2023-10-24 | Capital One Services, Llc | Computer-based systems with tools designed for real-time reconfiguring a plurality of distinct databases and methods of use thereof |
US20210334805A1 (en) * | 2020-04-27 | 2021-10-28 | Capital One Services, Llc | System and method for detecting events |
WO2023229474A1 (en) * | 2022-05-27 | 2023-11-30 | Xero Limited | Methods, systems and computer program products for determining models for predicting reoccurring transactions |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040111220A1 (en) * | 1999-02-19 | 2004-06-10 | Fox Chase Cancer Center | Methods of decomposing complex data |
US20060242011A1 (en) * | 2005-04-21 | 2006-10-26 | International Business Machines Corporation | Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products |
US20110231305A1 (en) * | 2010-03-19 | 2011-09-22 | Visa U.S.A. Inc. | Systems and Methods to Identify Spending Patterns |
US20120011040A1 (en) * | 2010-07-06 | 2012-01-12 | Beydler Michael L | Pre-bankruptcy pattern and transaction detection and recovery apparatus and method |
US20130124376A1 (en) * | 2011-11-10 | 2013-05-16 | Connexive, Inc. | Method and Apparatus for Automated Bill Timeline |
US20140279204A1 (en) * | 2013-03-15 | 2014-09-18 | Gimmeanother Llc | Recurring transactions for purchases |
US20150371238A1 (en) * | 2014-06-23 | 2015-12-24 | Mastercard International Incorporated | Personal holiday imputation from payment card transactional data |
CN105493126A (zh) * | 2014-01-14 | 2016-04-13 | 秀投徐富粦株式会社 | 反映卡使用信息来自动调整每个客户的卡优惠的卡优惠提供系统及其提供方法 |
US20160132608A1 (en) * | 2016-01-29 | 2016-05-12 | Yogesh Rathod | Enable user to establish request data specific connections with other users of network(s) for communication, participation & collaboration |
-
2017
- 2017-07-25 US US15/659,081 patent/US20190035032A1/en not_active Abandoned
-
2018
- 2018-07-25 CA CA3069987A patent/CA3069987A1/en not_active Abandoned
- 2018-07-25 AU AU2018306317A patent/AU2018306317A1/en active Pending
- 2018-07-25 CN CN201880049662.4A patent/CN111095328A/zh active Pending
- 2018-07-25 WO PCT/US2018/043792 patent/WO2019023406A1/en active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040111220A1 (en) * | 1999-02-19 | 2004-06-10 | Fox Chase Cancer Center | Methods of decomposing complex data |
US20060242011A1 (en) * | 2005-04-21 | 2006-10-26 | International Business Machines Corporation | Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products |
US20110231305A1 (en) * | 2010-03-19 | 2011-09-22 | Visa U.S.A. Inc. | Systems and Methods to Identify Spending Patterns |
US20120011040A1 (en) * | 2010-07-06 | 2012-01-12 | Beydler Michael L | Pre-bankruptcy pattern and transaction detection and recovery apparatus and method |
US20130124376A1 (en) * | 2011-11-10 | 2013-05-16 | Connexive, Inc. | Method and Apparatus for Automated Bill Timeline |
US20140258060A1 (en) * | 2011-11-10 | 2014-09-11 | Connexive, Inc. | Method and Apparatus for Automated Bill Timeline |
US20140279204A1 (en) * | 2013-03-15 | 2014-09-18 | Gimmeanother Llc | Recurring transactions for purchases |
CN105493126A (zh) * | 2014-01-14 | 2016-04-13 | 秀投徐富粦株式会社 | 反映卡使用信息来自动调整每个客户的卡优惠的卡优惠提供系统及其提供方法 |
US20150371238A1 (en) * | 2014-06-23 | 2015-12-24 | Mastercard International Incorporated | Personal holiday imputation from payment card transactional data |
US20160132608A1 (en) * | 2016-01-29 | 2016-05-12 | Yogesh Rathod | Enable user to establish request data specific connections with other users of network(s) for communication, participation & collaboration |
Also Published As
Publication number | Publication date |
---|---|
WO2019023406A1 (en) | 2019-01-31 |
AU2018306317A1 (en) | 2020-03-05 |
WO2019023406A9 (en) | 2019-09-12 |
US20190035032A1 (en) | 2019-01-31 |
CA3069987A1 (en) | 2019-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210073283A1 (en) | Machine learning and prediction using graph communities | |
US11423365B2 (en) | Transaction card system having overdraft capability | |
CN110892442A (zh) | 用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备 | |
US10354336B1 (en) | Categorizing financial transactions based on business preferences | |
US11392858B2 (en) | Method and system of generating a chain of alerts based on a plurality of critical indicators and auto-executing stock orders | |
US10521856B1 (en) | Categorizing financial transactions based on spending patterns | |
CN109690608A (zh) | 外推信任得分中的趋势 | |
US20110238550A1 (en) | Systems and methods for predicting financial behaviors | |
US11682018B2 (en) | Machine learning model and narrative generator for prohibited transaction detection and compliance | |
US20190236607A1 (en) | Transaction Aggregation and Multiattribute Scoring System | |
US10726501B1 (en) | Method to use transaction, account, and company similarity clusters derived from the historic transaction data to match new transactions to accounts | |
CN113722611A (zh) | 政务服务的推荐方法、装置、设备及计算机可读存储介质 | |
WO2019013771A1 (en) | SYSTEMS AND METHODS FOR GENERATING BEHAVIOR PROFILES FOR NEW ENTITIES | |
EP4125024A1 (en) | User interface for recurring transaction management | |
EP4127977A1 (en) | Dynamic network graph generation based on automated entity and/or activity resolution | |
CN111095328A (zh) | 用于检测和响应于交易模式的系统和方法 | |
US20200341954A1 (en) | System, Method, and Computer Program Product for Monitoring and Improving Data Quality | |
WO2020175177A1 (ja) | 営業支援装置及び営業先リスト作成装置 | |
US20220005042A1 (en) | Orchestration techniques for adaptive transaction processing | |
US11379929B2 (en) | Advice engine | |
US11561963B1 (en) | Method and system for using time-location transaction signatures to enrich user profiles | |
US20220051108A1 (en) | Method, system, and computer program product for controlling genetic learning for predictive models using predefined strategies | |
US20230196453A1 (en) | Deduplication of accounts using account data collision detected by machine learning models | |
US20220207430A1 (en) | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data | |
US11308105B2 (en) | System, method, and computer program product for linking datasets |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40018553 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200501 |
|
WD01 | Invention patent application deemed withdrawn after publication |