CN111897851A - 异常数据的确定方法、装置、电子设备及可读存储介质 - Google Patents
异常数据的确定方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111897851A CN111897851A CN202010618316.2A CN202010618316A CN111897851A CN 111897851 A CN111897851 A CN 111897851A CN 202010618316 A CN202010618316 A CN 202010618316A CN 111897851 A CN111897851 A CN 111897851A
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- determining
- abnormal
- low
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012795 verification Methods 0.000 claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims 1
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005309 stochastic process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011022 operating instruction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供了一种异常数据的确定方法、装置、电子设备及可读存储介质。该方法包括：获取目标用户的交易数据，确定交易数据在各预设时段的变更数据；基于ADF校验将变更数据转化为待解析数据；基于小波变换将待解析数据分解为高频数据与低频数据；基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，本申请涉及一种异常数据的确定方法、装置、电子设备及可读存储介质。
背景技术
银行的业务系统中存在着大量的交易数据，如存款数据、贷款数据等，可以通过对交易数据的分析来推测用户的行为。
目前，在一些银行业务中，用户可能会进行一些异常行为，以存取款业务为例，客户可能会存在一些异常的存取款行为，相应的会产生一些异常数据，如果能够准确的在大量变更数据中将由异常行为产生的异常数据确定出来，就能够通过异常数据分析用户的异常行为，进而针对用户的异常行为采取应对措施，提升服务质量。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一。本申请所采用的技术方案如下：
第一方面，本申请实施例提供了一种异常数据的确定方法，该方法包括：
获取目标用户的交易数据，确定交易数据在各预设时段的变更数据；
基于ADF校验将变更数据转化为待解析数据；
基于小波变换将待解析数据分解为高频数据与低频数据；
基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。
可选地，获取目标用户的交易数据，包括：
获取目标用户在各业务系统的初始数据；
对初始数据进行预处理，得到交易数据。
可选地，确定交易数据在各预设时段的变更数据，包括：
确定交易数据在各预设时段的变更幅度，将变更幅度确定为变更数据。
可选地，基于ADF校验将变更数据转化为待解析数据，包括：
对变更数据的时间序列以及数值序列进行ADF校验；
若变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据；
若时间序列与数值序列中的至少一项未通过ADF校验，则重复对至少一项进行差分处理，直至ADF校验通过，将ADF校验通过时的差分处理后变更数据确定为待解析数据。
可选地，基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据，包括：
将高频数据中与高频标准差的差值大于第一阈值的数据，以及将低频数据中与低频标准差的差值大于第二阈值的数据，确定异常数据。
可选地，上述方法还包括：
将异常数据存储于异常记录数据库。
第二方面，本申请实施例提供了一种异常数据的确定装置，该装置包括：
变更数据获取模块，用于获取目标用户的交易数据，确定交易数据在各预设时段的变更数据；
ADF校验模块，用于基于ADF校验将变更数据转化为待解析数据；
小波变换模块，用于基于小波变换将待解析数据分解为高频数据与低频数据；
异常数据确定模块，用于基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。
可选地，变更数据获取模块在获取目标用户的交易数据时，具体用于：
获取目标用户在各业务系统的初始数据；
对初始数据进行预处理，得到交易数据。
可选地，变更数据获取模块在确定交易数据在各预设时段的变更数据时，具体用于：
确定交易数据在各预设时段的变更幅度，将变更幅度确定为变更数据。
可选地，ADF校验模块具体用于：
对变更数据的时间序列以及数值序列进行ADF校验；
若变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据；
若时间序列与数值序列中的至少一项未通过ADF校验，则重复对至少一项进行差分处理，直至ADF校验通过，将ADF校验通过时的差分处理后变更数据确定为待解析数据。
可选地，异常数据确定模块具体用于：
将高频数据中与高频标准差的差值大于第一阈值的数据，以及将低频数据中与低频标准差的差值大于第二阈值的数据，确定异常数据。
可选地，上述装置还包括：
异常数据存储模块，用于将异常数据存储于异常记录数据库。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：处理器和存储器；
存储器，用于存储操作指令；
处理器，用于通过调用操作指令，执行如本申请的第一方面的任一实施方式中所示的异常数据的确定方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请的第一方面的任一实施方式中所示的异常数据的确定方法。
本申请实施例提供的技术方案带来的有益效果是：
本申请实施例提供的方案，通过确定目标用户的交易数据在各预设时段的变更数据，并基于ADF校验将变更数据转化为待解析数据，从而基于小波变换将待解析数据分解为高频数据与低频数据，并基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种异常数据的确定方法的流程示意图；
图2为本申请实施例提供的一种异常数据的确定装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，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，仅用于解释本申请，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
以存取款业务中的异常行为为例，可能会出现用户在短期内取出大量资金的异常行为，如果能够及时确定出这种异常行为，就能针对用户的异常行为采取应对措施，如针对性的向客户进行产品营销，实现对客户的挽留。
本申请实施例提供的异常数据的确定方法、装置、电子设备及可读存储介质，旨在解决现有技术的如上技术问题中的至少一个。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1示出了本申请实施例提供的一种异常数据的确定方法的流程示意图，如图1所示，该方法主要可以包括：
步骤S110:获取目标用户的交易数据，确定交易数据在各预设时段的变更数据。
本申请实施例中，用户的交易数据可以为用户的借贷数据等。预设时段的时长可以为一天，可以指定相邻两天的24点之间的时间作为一个预设时段。
步骤S120:基于单位根(ADF)校验将变更数据转化为待解析数据；
本申请实施例中，可以对变更数据进行ADF校验，即判断变更户数的时间序列以及数值序列是否存在单位根，如果序列平稳，就不存在单位根；否则，就会存在单位根。
本申请实施例中，可以通过对变更数据进行调整，使其能够通过ADF校验，可以将调整后的数据确定为待解析数据。
步骤S130:基于小波变换将待解析数据分解为高频数据与低频数据；
步骤S140:基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。
小波变换是在傅里叶变换的一种衍生变换，将傅里叶变换中的无限长的三角函数基换成了有限长的会衰减的小波基，从而具有时域的特征，通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处对时间细分，低频处对频率细分，能更好的去除噪音，准确识别数据序列当中的细小波动。小波变换可以将时间序列信号按照时间和频率两个方向进行分解，分解成不同的子波形。
信号学中的异动识别，往往采用的是傅里叶变换，但是傅里叶变换的缺点在于：1、时间窗口(Short-time Fourier Transform，STFT)难以确定，STFT太窄，频率分辨率差，STFT太宽，时频分辨率差。2.吉布斯效应(Gibbs effect)存在。因此利用小波变换具有空间局部性的特点，可以分析信号的局部特征，更好识别一些短促的异动点位置。
本申请实施例中，可以使用Haar小波变换，其特点在于起基函数是哈尔基函数(Haar basis function)，其中cA为高频滤波器，cD为低频滤波器。采用HAAR小波对待解析数据进行解析，分为高频波与低频波，即高频数据与低频数据。
本申请实施例中，可以分别根据高频标准差(即高频数据的标准差)与低频标准差(即低频数据的标准差)来确定异常数据。
本申请实施例提供的方法，通过确定目标用户的交易数据在各预设时段的变更数据，并基于ADF校验将变更数据转化为待解析数据，从而基于小波变换将待解析数据分解为高频数据与低频数据，并基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
本申请实施例的一种可选方式中，获取目标用户的交易数据，包括：
获取目标用户在各业务系统的初始数据；
对初始数据进行预处理，得到交易数据。
本申请实施例中，银行系统可以对用户在各业务系统内进行交易的初始数据进行收集，例如，对于用户账户到借贷数据，可以按照每日进行收集，并按照每月、每年分别进行汇总。
初始数据中可能存在数据错误(如存在异常字符)或者数据缺失的情况，在对初始数据进行预处理时，可以针对存在数据错误的数据进行清除，针对缺失的数据填补。
本申请实施例的一种可选方式中，确定交易数据在各预设时段的变更数据，包括：
确定交易数据在各预设时段的变更幅度，将变更幅度确定为变更数据。
本申请实施例中，由于各用户账户中的资金量差异较大，如果通过绝对金额计算交易数据的变更量，各用户之间不具有可比性，会影响分析结果。因此，可以通过计算交易数据的变更幅度，并将变更幅度作为变更数据进行分析。
作为一个示例，当日借方或贷方变更增幅＝(当日的借方或贷方数据–前日借方或贷方数据)/当日的借方或贷方数据。
本申请实施例的一种可选方式中，基于ADF校验将变更数据转化为待解析数据，包括：
对变更数据的时间序列以及数值序列进行ADF校验；
若变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据；
若时间序列与数值序列中的至少一项未通过ADF校验，则重复对至少一项进行差分处理，直至ADF校验通过，将ADF校验通过时的差分处理后变更数据确定为待解析数据。
本申请实施例中，可以基于对变更数据的时间序列与数值序列分别进行ADF校验，以保证数据的平稳性。
具体而言，如果变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据。
如果时间序列和\或数值序列未通过ADF校验，则可以对未通过ADF校验的时间序列和\或数值序列进行一阶差分处理，而后再次进行ADF校验。如果这时一阶差分处理后的时间序列和\或数值序列校验通过，则可以将一阶差分处理后的时间序列和\或数值序列确定为待解析数据。如果这时一阶差分处理后的时间序列和\或数值序列仍未校验通过，则可以将再次进行查分处理，即对一阶差分处理后的时间序列和\或数值序列进行二阶差分处理，直至满足差分处理后的时间序列和\或数值序列通过ADF校验。
通过ADF校验验证时间序列的平稳性时，可以假定某个时间序列由某一随机过程(stochastic process)生成，即假定时间序列{Xt}(t＝1,2,…)的每一个数值都是从一个概率分布中随机得到的。如果经由该随机过程所生成的时间序列满足下列条件：
均值E(Xt)＝m是与时间t无关的常数；
方差Var(Xt)＝s^2是与时间t无关的常数；
协方差Cov(Xt,Xt+k)＝gk是只与时期间隔k有关，与时间t无关的常数；
则称经由该随机过程而生成的时间序列是(弱)平稳的(stationary)。该随机过程便是一个平稳的随机过程(stationary stochastic process)。
当一个自回归过程中：如果滞后项系数b＝0，此时便存在单位根。当单位根存在时，自变量和因变量之间的关系具有欺骗性，因为残差序列的任何误差都不会因为样本数量(即时期数)增大而减少，模型中的残差的影响是持续的。因此这种回归又称作伪回归。如果单位根存在，这个过程就是一个随机漫步(random walk)。此时此时间序列就会是不平稳的。
所以ADF检验的H0假设就是存在单位根，如果得到的显著性检验统计量小于三个置信度(10％，5％，1％)，则对应有(90％，95，99％)的把握来拒绝原假设。
其中，备择检验中可以指定P值>＝0.05则表明无法拒绝原假设，则存在单位根，此时应该采用的是对客户账户的待分析数据进行一阶差分(即后一时间点的值减去当前时间点，也就是yt-yt-1)，继续做ADF检验，如不满足则继续二阶差分，p值小于0.05直至满足平稳性。
本申请实施例的一种可选方式中，基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据，包括：
将高频数据中与高频标准差的差值大于第一阈值的数据，以及将低频数据中与低频标准差的差值大于第二阈值的数据，确定异常数据。
本申请实施例，可以设定第一阈值与第二阈值，认为与高频标准差的差值大于第一阈值的数据以及与低频标准差的差值大于第二阈值的数据可能对应的用户的异常行为，可以被确定为异常数据。
小波变换模型的优势在于用了有限长的会衰减的小波基，可以将非稳态的高频时间变化中的异动信号捕获住，适合于高频类资金流向变化下，将资金中的异动数据细微波动准确快速的捕获出来。小波变化的小波基能够将滑动窗口按照数据波动的频域进行矫正，在高频窗口取短点，低频窗口取长点，使得高频波动在时域能够更为精准的展现出来，并且排除高斯白噪声的影响，一次可以把客户账户异动情况更为最精准的预测出来，而且小波变换具有矩阵正交化性质，不单单限于一维特征的异常点分析，因此可以结合更多的交易数据特征，比如账户余额，基金余额等，将客户的资金变动的异常点找到。
本申请实施例的一种可选方式中，上述方法还包括：
将异常数据存储于异常记录数据库。
本申请实施例中，可以将异常数据存储于异常记录数据库，在对异常数据进行分析时可以直接从异常记录数据库中进行调取。
基于与图1中所示的方法相同的原理，图2示出了本申请实施例提供的一种异常数据的确定装置的结构示意图，如图2所示，该异常数据的确定装置20可以包括：
变更数据获取模块210，用于获取目标用户的交易数据，确定交易数据在各预设时段的变更数据；
ADF校验模块220，用于基于ADF校验将变更数据转化为待解析数据；
小波变换模块230，用于基于小波变换将待解析数据分解为高频数据与低频数据；
异常数据确定模块240，用于基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。
本申请实施例提供的装置，通过确定目标用户的交易数据在各预设时段的变更数据，并基于ADF校验将变更数据转化为待解析数据，从而基于小波变换将待解析数据分解为高频数据与低频数据，并基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
可选地，变更数据获取模块在获取目标用户的交易数据时，具体用于：
获取目标用户在各业务系统的初始数据；
对初始数据进行预处理，得到交易数据。
可选地，变更数据获取模块在确定交易数据在各预设时段的变更数据时，具体用于：
确定交易数据在各预设时段的变更幅度，将变更幅度确定为变更数据。
可选地，ADF校验模块具体用于：
对变更数据的时间序列以及数值序列进行ADF校验；
若变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据；
若时间序列与数值序列中的至少一项未通过ADF校验，则重复对至少一项进行差分处理，直至ADF校验通过，将ADF校验通过时的差分处理后变更数据确定为待解析数据。
可选地，异常数据确定模块具体用于：
将高频数据中与高频标准差的差值大于第一阈值的数据，以及将低频数据中与低频标准差的差值大于第二阈值的数据，确定异常数据。
可选地，上述装置还包括：
异常数据存储模块，用于将异常数据存储于异常记录数据库。
可以理解的是，本实施例中的异常数据的确定装置的上述各模块具有实现图1中所示的实施例中的异常数据的确定方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述异常数据的确定装置的各模块的功能描述具体可以参见图1中所示实施例中的异常数据的确定方法的对应描述，在此不再赘述。
本申请实施例提供了一种电子设备，包括处理器和存储器；
存储器，用于存储操作指令；
处理器，用于通过调用操作指令，执行本申请任一实施方式中所提供的异常数据的确定方法。
作为一个示例，图3示出了本申请实施例所适用的一种电子设备的结构示意图，如图3所示，该电子设备2000包括：处理器2001和存储器2003。其中，处理器2001和存储器2003相连，如通过总线2002相连。可选的，电子设备2000还可以包括收发器2004。需要说明的是，实际应用中收发器2004不限于一个，该电子设备2000的结构并不构成对本申请实施例的限定。
其中，处理器2001应用于本申请实施例中，用于实现上述方法实施例所示的方法。收发器2004可以包括接收机和发射机，收发器2004应用于本申请实施例中，用于执行时实现本申请实施例的电子设备与其他设备通信的功能。
处理器2001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器2001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线2002可包括一通路，在上述组件之间传送信息。总线2002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线2002可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器2003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
可选的，存储器2003用于存储执行本申请方案的应用程序代码，并由处理器2001来控制执行。处理器2001用于执行存储器2003中存储的应用程序代码，以实现本申请任一实施方式中所提供的异常数据的确定方法。
本申请实施例提供的电子设备，适用于上述方法任一实施例，在此不再赘述。
本申请实施例提供了一种电子设备，与现有技术相比，通过确定目标用户的交易数据在各预设时段的变更数据，并基于ADF校验将变更数据转化为待解析数据，从而基于小波变换将待解析数据分解为高频数据与低频数据，并基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述方法实施例所示的异常数据的确定方法。
本申请实施例提供的计算机可读存储介质，适用于上述方法任一实施例，在此不再赘述。
本申请实施例提供了一种计算机可读存储介质，与现有技术相比，通过确定目标用户的交易数据在各预设时段的变更数据，并基于ADF校验将变更数据转化为待解析数据，从而基于小波变换将待解析数据分解为高频数据与低频数据，并基于高频数据以及高频标准差，并基于低频数据以及低频标准差，确定异常数据。基于本方案，能够通过对变更数据进行小波变换，分解为高频与低频数据，从而从高频与低频数据中确定出异常数据，为通过异常数据分析用户的异常行为，针对用户的异常行为采取应对措施提供基础，能够提升银行系统的服务质量。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种异常数据的确定方法，其特征在于，包括：
获取目标用户的交易数据，确定所述交易数据在各预设时段的变更数据；
基于单位根ADF校验将所述变更数据转化为待解析数据；
基于小波变换将所述待解析数据分解为高频数据与低频数据；
基于所述高频数据以及高频标准差，并基于所述低频数据以及低频标准差，确定异常数据。
2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的交易数据，包括：
获取目标用户在各业务系统的初始数据；
对所述初始数据进行预处理，得到交易数据。
3.根据权利要求1所述的方法，其特征在于，所述确定所述交易数据在各预设时段的变更数据，包括：
确定所述交易数据在各预设时段的变更幅度，将所述变更幅度确定为变更数据。
4.根据权利要求1所述的方法，其特征在于，基于ADF校验将所述变更数据转化为待解析数据，包括：
对所述变更数据的时间序列以及数值序列进行ADF校验；
若所述变更数据的时间序列以及数值序列均通过了ADF校验，则将变更数据确定为待解析数据；
若所述时间序列与所述数值序列中的至少一项未通过ADF校验，则重复对所述至少一项进行差分处理，直至ADF校验通过，将ADF校验通过时的差分处理后变更数据确定为待解析数据。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述基于所述高频数据以及高频标准差，并基于所述低频数据以及低频标准差，确定异常数据，包括：
将高频数据中与所述高频标准差的差值大于第一阈值的数据，以及将低频数据中与所述低频标准差的差值大于第二阈值的数据，确定异常数据。
6.根据权利要求1-4中任一项所述的方法，其特征在于，还包括：
将所述异常数据存储于异常记录数据库。
7.一种异常数据的确定装置，其特征在于，包括：
变更数据获取模块，用于获取目标用户的交易数据，确定所述交易数据在各预设时段的变更数据；
ADF校验模块，用于基于ADF校验将所述变更数据转化为待解析数据；
小波变换模块，用于基于小波变换将所述待解析数据分解为高频数据与低频数据；
异常数据确定模块，用于基于所述高频数据以及高频标准差，并基于所述低频数据以及低频标准差，确定异常数据。
8.根据权利要求7所述的装置，其特征在于，所述变更数据获取模块在获取目标用户的交易数据时，具体用于：
获取目标用户在各业务系统的初始数据；
对所述初始数据进行预处理，得到交易数据。
9.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，执行权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618316.2A CN111897851A (zh) | 2020-07-01 | 2020-07-01 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618316.2A CN111897851A (zh) | 2020-07-01 | 2020-07-01 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111897851A true CN111897851A (zh) | 2020-11-06 |
Family
ID=73191152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010618316.2A Pending CN111897851A (zh) | 2020-07-01 | 2020-07-01 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111897851A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836142A (zh) * | 2021-09-24 | 2021-12-24 | 中国农业银行股份有限公司 | 一种数据处理方法及相关设备 |
| CN117035433A (zh) * | 2023-10-10 | 2023-11-10 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163433A (zh) * | 2019-05-21 | 2019-08-23 | 上海海事大学 | 一种船舶流量预测方法 |
| CN110222826A (zh) * | 2019-06-11 | 2019-09-10 | 上海海事大学 | 一种基于改进的EEMD-IndRNN船舶流量预测方法 |
| CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
-
2020
- 2020-07-01 CN CN202010618316.2A patent/CN111897851A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163433A (zh) * | 2019-05-21 | 2019-08-23 | 上海海事大学 | 一种船舶流量预测方法 |
| CN110222826A (zh) * | 2019-06-11 | 2019-09-10 | 上海海事大学 | 一种基于改进的EEMD-IndRNN船舶流量预测方法 |
| CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张承钊: "一种金融市场预测的深度学习模型：FEPA模型", 《中国博士电子期刊》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836142A (zh) * | 2021-09-24 | 2021-12-24 | 中国农业银行股份有限公司 | 一种数据处理方法及相关设备 |
| CN117035433A (zh) * | 2023-10-10 | 2023-11-10 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
| CN117035433B (zh) * | 2023-10-10 | 2023-12-22 | 中国建设银行股份有限公司 | 非法资金转移客户识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Multi‐component instantaneous frequency estimation using locally adaptive directional time frequency distributions | |
| Shafi et al. | Techniques to obtain good resolution and concentrated time-frequency distributions: a review | |
| CN112702342B (zh) | 网络事件处理方法、装置、电子设备及可读存储介质 | |
| CN110839016A (zh) | 异常流量监测方法、装置、设备及存储介质 | |
| Zhan et al. | Adaptive autoregressive modeling of non-stationary vibration signals under distinct gear states. Part 1: modeling | |
| Schuch et al. | Survey on the impact of fingerprint image enhancement | |
| CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| Virili et al. | Nonstationarity and data preprocessing for neural network predictions of an economic time series | |
| CN111897851A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
| Aftab et al. | Detecting non-linearity induced oscillations via the dyadic filter bank property of multivariate empirical mode decomposition | |
| CN106850511B (zh) | 识别访问攻击的方法及装置 | |
| Halidou et al. | Review of wavelet denoising algorithms | |
| CN114221877A (zh) | 负载预测方法、装置、设备和计算机可读介质 | |
| Gilmore | A new approach to testing for chaos, with applications in finance and economics | |
| Al Wadi et al. | Maximum overlapping discrete wavelet transform in forecasting banking sector | |
| CN116777569A (zh) | 基于区块链的商品大数据语音介绍和智能结账方法及系统 | |
| CN111596379B (zh) | 一种地震观测系统异常识别方法和装置 | |
| CN111897852A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
| RASHEDI et al. | Outlier detection based on discrete wavelet transform with application to Saudi stock market closed price series | |
| CN113515684A (zh) | 一种异常数据检测方法及装置 | |
| KR20210035613A (ko) | 시계열 데이터 유사도 계산 시스템 및 방법 | |
| US11892990B2 (en) | Removal of transaction noise | |
| Shepherd et al. | The cyclical dynamics and volatility of Australian output and employment | |
| Sadeghi et al. | Denoising of financial time series using wavelet analysis | |
| CN113609207B (zh) | 一种边坡形变监测数据的数据预处理方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220916 Address after: 12 / F, 15 / F, 99 Yincheng Road, Pudong New Area pilot Free Trade Zone, Shanghai, 200120 Applicant after: Jianxin Financial Science and Technology Co.,Ltd. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |