CN112085497A - 用户账户数据的处理方法及装置 - Google Patents
用户账户数据的处理方法及装置 Download PDFInfo
- Publication number
- CN112085497A CN112085497A CN202010885026.4A CN202010885026A CN112085497A CN 112085497 A CN112085497 A CN 112085497A CN 202010885026 A CN202010885026 A CN 202010885026A CN 112085497 A CN112085497 A CN 112085497A
- Authority
- CN
- China
- Prior art keywords
- data
- account
- amount
- time series
- historical
- 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
- 238000003672 processing method Methods 0.000 title description 4
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000000977 initiatory effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 239000000872 buffer Substances 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户账户数据的处理方法及装置，其中，该方法包括：获取需要预测的账户数据，账户数据包括：所属系统信息、预定日期，系统包括如下之一：大额系统、小额系统、网银系统；根据预定周期粒度将账户数据生成为时间序列数据；将时间序列数据输入至已训练的时间序列模型，以输出账户在预定日期的账户预测数据，账户预测数据包括：预定周期粒度中的账户发起金额数据和账户接收金额数据，时间序列模型基于预定周期粒度的历史账户数据进行训练；根据账户发起金额数据和账户接收金额数据对账户进行管理。通过本发明，可以提高清算账户金额的利用率，并提高业务处理效率。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种用户账户数据的处理方法及装置。
背景技术
第二代支付系统为参与者(例如，银行)提供了资金池、账户一揽子查询、日间自动拆借、日终撮合等非常灵活的流动性管理机制。但是在系统运行过程中发现，参与者对其每日清算业务所需金额缺少准确的把握，加之存款准备金考核要求，目前参与者存放在清算账户的头寸(即，款项)远远大于参与者用于清算实际所需的金额。这种情况使得参与者清算账户中的很大一部分金额无法发挥更大的价值。另一方面，参与者为了避免由于头寸不足导致业务排队现象的发生，会选择先收对手方业务，待金额流动性有富余之后再发送业务。这样会导致临近大额日终时系统业务量增多，对系统带来一定的性能压力。此外，由于对参与者账户金额流动性缺少跟踪分析，目前账户金额流动性预警策略制定不够灵活，预警方式也是通过系统体外进行，无法与支付系统进行及时的联动。
也就是说，由于对参与者账户的金额流动性缺少准确的把握，导致了参与者账户金额的利用率较低、业务处理效率较低以及账户与支付系统联动不及时的问题。
发明内容
有鉴于此，本发明提供一种用户账户数据的处理方法及装置，以解决上述提及的至少一个问题。
根据本发明的第一方面，提供一种用户账户数据的处理方法，该方法包括：
获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
根据预定周期粒度将所述账户数据生成为时间序列数据；
将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
根据本发明的第二方面，提供一种用户账户数据的处理装置，所述装置包括：
预测数据获取单元，获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
时序数据生成单元，根据预定周期粒度将所述账户数据生成为时间序列数据；
预测单元，将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
管理单元，根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
由上述技术方案可知，通过将获取的需要预测的账户数据作为时间序列数据输入至时间序列模型，时间序列模型可以预测该账户在预定日期的账户数据，如此，可以进一步预测该账户的金额数据流动情况，根据该预测的金额数据流动情况可以合理设置和调整清算账户，从而可以提高清算账户金额的利用率，并提高业务处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的用户账户数据的处理方法的流程图；
图2是根据本发明实施例的用户账户数据的处理方法的详细流程图；
图3是根据本发明实施例的用户账户数据的处理装置的结构框图；
图4是根据本发明实施例的用户账户数据的处理装置的详细结构框图；
图5为本发明实施例的电子设备600的系统构成的示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，支付系统中参与者账户的流动性变化体现在两个方面：付款和收款。由于对参与者账户的金额流动性缺少准确的把握，导致了参与者账户金额的利用率较低、业务处理效率较低的问题。基于此，本发明实施例提供一种用户账户数据的处理方案，该方案通过对各参与者(即，用户，例如，银行)的付款和收款业务按照时间序列的方法进行建模分析和预测，能够挖掘各参与者业务规律，提高对参与者账户金额的利用率和对业务处理的效率，同时能够及时辨识业务异常，进而为各参与者进行业务优化和支付系统更加灵活准确应对参与者业务变化提供参考和依据。以下结合附图来详细描述本发明实施例。
图1是根据本发明实施例的用户账户数据的处理方法的流程图，如图1所示，该方法包括：
步骤101，获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统。
步骤102，根据预定周期粒度(例如，分钟级粒度、小时级粒度和日级粒度)将所述账户数据生成为时间序列数据。
步骤103，将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据(对应于付款业务金额数据)和账户接收金额数据(对应于收款业务金额数据)，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练。
步骤104，根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
在实际操作中，根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述账户进行管理。
通过将获取的需要预测的账户数据作为时间序列数据输入至时间序列模型，时间序列模型可以预测该账户在预定日期的账户数据，如此，可以进一步预测该账户的金额数据流动情况，根据该预测的金额数据流动情况可以合理设置和调整清算账户，从而可以提高清算账户金额的利用率，并提高业务处理效率。
优选地，该时间序列模型为prophet(一种时间序列模型)模型，也可以称为fbprophet模型。
在实际操作中，该时间序列模型的训练过程包括步骤(1)-(3)：
(1)获取历史账户数据，所述历史账户数据包括：日期、所述预定周期粒度(例如，15分钟、1小时、1天等)中的历史账户发起金额数据和历史账户接收金额数据。
(2)对所述历史账户数据进行预处理，并将预处理后的历史账户数据分类为训练集数据和预测集数据。
这里的预处理包括：对所述历史账户数据中的异常数据进行删除、或者滤波处理；之后，对进行删除、或者滤波处理之后的历史账户数据进行平滑处理。
(3)根据所述训练集数据对所述时间序列模型进行训练，并根据所述预测集数据对训练的时间序列模型进行验证，以得到训练完成的时间序列模型。
在实际操作中，可以根据所述训练集数据对所述时间序列模型进行参数搜索操作，以得到最佳参数，以此对所述时间序列模型进行训练，其中，所述参数搜索操作包括：网格搜索操作、随机搜索操作和贝叶斯优化操作。之后基于预定评价指标，并根据所述预测集数据和所述最佳参数对训练的时间序列模型进行验证，以此得到训练完成的时间序列模型。
这里的评价指标可以包括：MAPE(Mean Absolute Percentage Error，平均绝对百分比误差)、RMSE(ROOT Mean Squarederror，均方根误差)、R2_SCORE(一种评价指标)、MAE(Mean Absolute Error，平方绝对值误差)。
为了更好地理解本发明实施例，以下以银行业务为例来详细描述本发明实施例。在该实例中，账户数据可以是支付系统中的支付交易业务数据，对目标参与者(例如，银行)的账户流动情况使用prophet(或者也可以称为fbProphet)模型进行预测，预测数据包括：按照参与者付款业务(对应于账户发起金额数据)、收款业务(对应于账户接收金额数据)按照15分钟粒度(也可以是小时粒度、日粒度)进行预测。以下结合图2所示的账户数据的详细处理流程来描述该实例。
如图2所示，该实例具体包括如下流程：
(1)原始数据为参与者的收款业务和付款业务交易汇总数据，对原始数据进行处理，得到形式规整的分钟级粒度、小时级粒度和日级粒度的业务量统计数据，这些数据可以作为中间数据。
(2)对中间数据进行数据探索，发现其数据分布规律、缺失数据、异常数据、季节性特征等。
(3)对数据探索后的中间数据进行预处理，分别进行缺失值处理、异常离群点剔除、标准化处理和平滑处理等。
在实际操作中，原始数据中可能存在记录缺失或标记为‘UNKNOWN/NaN/NULL/--’的缺失值，这种数据可不做处理，或直接删除此类记录。
对于连续异常值，例如连续一周/一月数据为恒定值的情况，在实际操作中可以删除此类记录。
对于偶发的离群点prophet模型能够自动处理，若数据离群点较频发且分布无规律性，可使用相关滤波算法调制或直接去除此类记录。例如，对于数据呈现非对称分布、波动明显且偏态分布的情况，可采用Adjusted Boxplot(调整箱线图)算法进行滤波处理。
对于数据绝对值较大、波动剧烈的数据，可进行平滑处理。具体地，可以通过归一化或取对数操作，降低数据的波动性。
(4)对预处理后的数据进行数据划分，得到训练数据集和测试数据集。
(5)使用训练数据训练模型，进行模型的参数搜索操作，搜索方法具体包括：网格搜索、随机搜索和贝叶斯优化。对参数搜索后的模型经过交叉验证最终得到具有针对业务数据的最佳参数组合的模型。
(6)使用测试数据和最佳参数作为fbProphet模型的输入，模型的输出为对应数据粒度的业务预测数据。
(7)对上述(6)输出的预测数据进行评价，评价指标包括MAPE、RMSE、R2_SCORE、MAE等，并根据评价结果进一步调整fbProphet的参数，以此得到训练完成的fbProphet模型。
(8)根据训练完成的fbProphet模型预测参与者付款业务和收款业务数据，并对预测结果进行保存和可视化处理。
在一个实施例中，对于构建Prophet模型，输入数据形式较简单，只需要包含‘ds’时间戳和‘y’待预测值的pandas.DataFrame(数据结构)，结合预测目标，分别对经过滤波和对数化处理的15分钟参与者接收金额和发送金额进行建模预测。
在实际操作中，fbProphet算法主要考虑了以下四项，也就是：
y(t)＝g(t)+s(t)+h(t)+∈t
其中，g(t)表示趋势项，表示时间序列在非周期上面的变化趋势；s(t)表示周期项，或者称为季节项，一般来说是以周或者年为单位；h(t)表示节假日项，表示在当天是否存在节假日；∈t表示误差项或者称为剩余项。fbProphet算法就是通过拟合这几项，然后把它们累加起来就得到了时间序列的预测值。
因此，对于Prophet模型，主要考虑以下几个方面：
(1)趋势性组件
趋势性组件用于描述数据的趋势变化，在本发明实施例中，针对业务系统数据特点，采用‘linear’(线性)模型。
(2)季节性组件
在数据探索阶段，可以发现数据具有不同周期的季节性特点，可添加相应组件。
(3)节假日效应组件
添加节假日组件，可使模型对节假日期间数据变化更加敏感。
在一个实施例中，对于模型调参操作，可以采用贝叶斯优化+交叉验证的方法，对模型进行参数搜索，其中目标为优化目标函数值，目标函数可以取RMSE或MAPE的相反数。最终得到目标值最大的参数组合，可以作为最优参数，即作为模型参数。
本发明实施例通过使用各参与者实际发生的业务数据作为时间序列数据，使用fbProphet模型预测参与者未来一段时间内的业务数据变化，实现了对参与者账户金额的流动性智能管理，本发明实施例结合大数据、智能数据分析等技术为参与者提供更加灵活和可定制的流动性管理机制。
基于相似的发明构思，本发明实施例还提供一种用户账户数据的处理装置，优选地，该装置用于实现上述方法实施例中的流程。
图3是根据本发明实施例的用户账户数据处理装置的结构框图，如图3所示，该装置包括：预测数据获取单元31、时序数据生成单元32、预测单元33和管理单元34，其中：
预测数据获取单元31，获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
时序数据生成单元32，根据预定周期粒度将所述账户数据生成为时间序列数据；
预测单元33，将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
管理单元34，根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
在一个实施例中，管理单元34包括：净额数据确定模块和管理模块，其中：净额数据确定模块，用于根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；管理模块，用于根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述账户进行管理。
通过预测单元33将预测数据获取单元31获取的需要预测的账户数据作为时间序列数据输入至时间序列模型，时间序列模型可以预测该账户在预定日期的账户数据，如此，可以进一步预测该账户的金额数据流动情况，管理单元34可以根据该预测的金额数据流动情况合理设置和调整清算账户，从而可以提高清算账户金额的利用率，并提高业务处理效率。
在实际操作中，时间序列模型可以为prophet模型。
具体地，如图4所示，上述用于账户数据处理装置还包括：模型训练单元35，用于训练所述预测模型。
该模型训练单元35具体包括：历史数据获取模块、预处理模块、数据分类模块和训练模块，其中：
历史数据获取模块，获取所述历史账户数据，所述历史账户数据包括：日期、所述预定周期粒度中的历史账户发起金额数据和历史账户接收金额数据。
预处理模块，对所述历史账户数据进行预处理。具体地，该预处理模块包括：异常数据处理子模块和平滑处理子模块，其中：异常数据处理子模块，用于对所述历史账户数据中的异常数据进行删除、或者滤波处理；平滑处理子模块，用于对删除、或者滤波处理之后的历史账户数据进行平滑处理。
数据分类模块，将预处理后的历史账户数据分类为训练集数据和预测集数据。
训练模块，根据所述训练集数据对所述时间序列模型进行训练，并根据所述预测集数据对训练的时间序列模型进行验证，以得到训练完成的时间序列模型。
在一个实施例中，该训练模块包括：训练子模块和验证子模块，其中：
训练子模块，用于根据所述训练集数据对所述时间序列模型进行参数搜索操作，以得到最佳参数，以此对所述时间序列模型进行训练，其中，所述参数搜索操作包括：网格搜索操作、随机搜索操作和贝叶斯优化操作；
验证子模块，用于基于预定评价指标，并根据所述预测集数据和所述最佳参数对训练的时间序列模型进行验证。
上述各单元、各模块、各子模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。
在实际操作中，上述各单元、各模块、各子模块可以组合设置、也可以单一设置，本发明不限于此。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及用户账户数据处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图5为本发明实施例的电子设备600的系统构成的示意框图。如图5所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，用户账户数据处理功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
根据预定周期粒度将所述账户数据生成为时间序列数据；
将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
从上述描述可知，本申请实施例提供的电子设备，通过将获取的需要预测的账户数据作为时间序列数据输入至时间序列模型，时间序列模型可以预测该账户在预定日期的账户数据，如此，可以进一步预测该账户的金额数据流动情况，根据该预测的金额数据流动情况可以合理设置和调整清算账户，从而可以提高清算账户金额的利用率，并提高业务处理效率。
在另一个实施方式中，用户账户数据处理装置可以与中央处理器100分开配置，例如可以将用户账户数据处理装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现用户账户数据处理功能。
如图5所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图5中所示的所有部件；此外，电子设备600还可以包括图5中没有示出的部件，可以参考现有技术。
如图5所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述用户账户数据处理方法的步骤。
综上所述，本发明实施例提供了一种用户账户数据的处理方案，该方案通过对各参与者的付款和收款业务按照时间序列的方法进行建模分析和预测，能够挖掘各参与者业务规律，提高对参与者账户金额的利用率和对业务处理的效率，同时能够及时辨识业务异常，进而为各参与者进行业务优化和支付系统更加灵活准确应对参与者业务变化提供参考和依据。同时，通过对参与者账户金额流动性的预测，可以灵活制定账户金额流动性预警策略，实现与支付系统的及时联动。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种用户账户数据的处理方法，其特征在于，所述方法包括：
获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
根据预定周期粒度将所述账户数据生成为时间序列数据；
将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
2.根据权利要求1所述的方法，其特征在于，所述时间序列模型为prophet模型，通过如下方式训练所述时间序列模型：
获取所述历史账户数据，所述历史账户数据包括：日期、所述预定周期粒度中的历史账户发起金额数据和历史账户接收金额数据；
对所述历史账户数据进行预处理，并将预处理后的历史账户数据分类为训练集数据和预测集数据；
根据所述训练集数据对所述时间序列模型进行训练，并根据所述预测集数据对训练的时间序列模型进行验证，以得到训练完成的时间序列模型。
3.根据权利要求2所述的方法，其特征在于，对所述历史账户数据进行预处理包括：
对所述历史账户数据中的异常数据进行删除、或者滤波处理；
对进行删除、或者滤波处理之后的历史账户数据进行平滑处理。
4.根据权利要求2所述的方法，其特征在于，根据所述训练集数据对所述时间序列模型进行训练包括：
根据所述训练集数据对所述时间序列模型进行参数搜索操作，以得到最佳参数，以此对所述时间序列模型进行训练，其中，所述参数搜索操作包括：网格搜索操作、随机搜索操作和贝叶斯优化操作。
5.根据权利要求4所述的方法，其特征在于，根据所述预测集数据对训练的时间序列模型进行验证包括：
基于预定评价指标，并根据所述预测集数据和所述最佳参数对训练的时间序列模型进行验证。
6.根据权利要求1所述的方法，其特征在于，根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理包括：
根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；
根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述账户进行管理。
7.一种用户账户数据的处理装置，其特征在于，所述装置包括：
预测数据获取单元，获取需要预测的账户数据，所述账户数据包括：所属系统信息、预定日期，所述系统包括如下之一：大额系统、小额系统、网银系统；
时序数据生成单元，根据预定周期粒度将所述账户数据生成为时间序列数据；
预测单元，将所述时间序列数据输入至已训练的时间序列模型，以输出所述账户在所述预定日期的账户预测数据，所述账户预测数据包括：所述预定周期粒度中的账户发起金额数据和账户接收金额数据，所述时间序列模型基于所述预定周期粒度的历史账户数据进行训练；
管理单元，根据所述账户发起金额数据和账户接收金额数据对所述账户进行管理。
8.根据权利要求7所述的装置，其特征在于，所述时间序列模型为prophet模型，所述装置还包括：
模型训练单元，用于训练所述预测模型，
所述模型训练单元具体包括：
历史数据获取模块，获取所述历史账户数据，所述历史账户数据包括：日期、所述预定周期粒度中的历史账户发起金额数据和历史账户接收金额数据；
预处理模块，对所述历史账户数据进行预处理；
数据分类模块，将预处理后的历史账户数据分类为训练集数据和预测集数据；
训练模块，根据所述训练集数据对所述时间序列模型进行训练，并根据所述预测集数据对训练的时间序列模型进行验证，以得到训练完成的时间序列模型。
9.根据权利要求8所述的装置，其特征在于，所述预处理模块具体包括：
异常数据处理子模块，用于对所述历史账户数据中的异常数据进行删除、或者滤波处理；
平滑处理子模块，用于对删除、或者滤波处理之后的历史账户数据进行平滑处理。
10.根据权利要求8所述的装置，其特征在于，所述训练模块具体包括：
训练子模块，用于根据所述训练集数据对所述时间序列模型进行参数搜索操作，以得到最佳参数，以此对所述时间序列模型进行训练，其中，所述参数搜索操作包括：网格搜索操作、随机搜索操作和贝叶斯优化操作；
验证子模块，用于基于预定评价指标，并根据所述预测集数据和所述最佳参数对训练的时间序列模型进行验证。
11.根据权利要求7所述的装置，其特征在于，所述管理单元包括：
净额数据确定模块，用于根据所述账户发起金额数据和账户接收金额数据确定账户净额数据；
管理模块，用于根据所述账户发起金额数据、账户接收金额数据和账户净额数据对所述账户进行管理。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885026.4A CN112085497A (zh) | 2020-08-28 | 2020-08-28 | 用户账户数据的处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885026.4A CN112085497A (zh) | 2020-08-28 | 2020-08-28 | 用户账户数据的处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085497A true CN112085497A (zh) | 2020-12-15 |
Family
ID=73729341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010885026.4A Pending CN112085497A (zh) | 2020-08-28 | 2020-08-28 | 用户账户数据的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085497A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011884A (zh) * | 2021-01-29 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 账户特征的提取方法、装置、设备及可读存储介质 |
| CN114519461A (zh) * | 2022-02-14 | 2022-05-20 | 中国工商银行股份有限公司 | 交易时间预测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101253507A (zh) * | 2005-08-29 | 2008-08-27 | 大金工业株式会社 | 账户非法使用检测或抑制装置、数据收集装置以及账户非法使用检测或抑制程序 |
| CN109034493A (zh) * | 2018-08-22 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种账户余额预测方法及装置 |
| CN109146128A (zh) * | 2018-06-29 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置及服务器 |
| CN109933834A (zh) * | 2018-12-26 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种时序数据预测的模型创建方法及装置 |
| CN110245782A (zh) * | 2019-05-20 | 2019-09-17 | 中国银行股份有限公司 | 预测模型训练方法、装置和设备 |
| CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
| US20200090261A1 (en) * | 2018-09-19 | 2020-03-19 | Rapid Financial Services, LLC | System and Method for Anticipating and Preventing Account Overdrafts |
| CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
| CN111461786A (zh) * | 2020-04-03 | 2020-07-28 | 中南大学 | 基于Prophet-CEEMDAN-ARIMA的商品销量预测方法及装置 |
-
2020
- 2020-08-28 CN CN202010885026.4A patent/CN112085497A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101253507A (zh) * | 2005-08-29 | 2008-08-27 | 大金工业株式会社 | 账户非法使用检测或抑制装置、数据收集装置以及账户非法使用检测或抑制程序 |
| CN109146128A (zh) * | 2018-06-29 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置及服务器 |
| CN109034493A (zh) * | 2018-08-22 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种账户余额预测方法及装置 |
| US20200090261A1 (en) * | 2018-09-19 | 2020-03-19 | Rapid Financial Services, LLC | System and Method for Anticipating and Preventing Account Overdrafts |
| CN109933834A (zh) * | 2018-12-26 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种时序数据预测的模型创建方法及装置 |
| CN110245782A (zh) * | 2019-05-20 | 2019-09-17 | 中国银行股份有限公司 | 预测模型训练方法、装置和设备 |
| CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
| CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
| CN111461786A (zh) * | 2020-04-03 | 2020-07-28 | 中南大学 | 基于Prophet-CEEMDAN-ARIMA的商品销量预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李丽萍 等: ""基于Prophet框架的银行网点备付金预测方法"", <中南大学学报(自然科学版)> * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011884A (zh) * | 2021-01-29 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 账户特征的提取方法、装置、设备及可读存储介质 |
| CN113011884B (zh) * | 2021-01-29 | 2023-08-04 | 腾讯科技（深圳）有限公司 | 账户特征的提取方法、装置、设备及可读存储介质 |
| CN114519461A (zh) * | 2022-02-14 | 2022-05-20 | 中国工商银行股份有限公司 | 交易时间预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
| CN111951044A (zh) | 银行终端交互方法及系统 | |
| CN109389491A (zh) | 基于大数据的贷款产品筛选方法、装置、设备及存储介质 | |
| CN112232947B (zh) | 贷中风险预测方法及装置 | |
| CN111932268A (zh) | 企业风险识别方法及装置 | |
| US11716422B1 (en) | Call center load balancing and routing management | |
| WO2020253038A1 (zh) | 一种模型构建方法及装置 | |
| CN112801775A (zh) | 客户信用评价方法及装置 | |
| CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
| CN110992190A (zh) | 基于用户画像的资产配置方法及装置 | |
| CN112785089A (zh) | 坐席业务配置方法、装置、电子设备及存储介质 | |
| JP2016522933A (ja) | 債務不履行となる企業の蓋然性の計算 | |
| CN112734565B (zh) | 流动性覆盖率预测方法及装置 | |
| CN112085499A (zh) | 限额账户数据的处理方法及装置 | |
| CN112085496A (zh) | 用户账户数据的处理方法及装置 | |
| CN111882323B (zh) | 基于云服务租赁的用户融资风险控制方法及装置 | |
| CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
| CN113191880A (zh) | 银行柜员终端加钞建议确定方法及装置 | |
| JP2022534160A (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
| CN112085264A (zh) | 限额账户数据的处理方法及装置 | |
| CN111951011B (zh) | 监控系统阈值确定方法及装置 | |
| CN114092226A (zh) | 银行网点外汇产品推荐方法及装置 | |
| CN112085495A (zh) | 限额账户数据的处理方法及装置 | |
| CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
| RJ01 | Rejection of invention patent application after publication |