CN112258172A - 一种基于机器学习的支付自动降级的方法 - Google Patents
一种基于机器学习的支付自动降级的方法 Download PDFInfo
- Publication number
- CN112258172A CN112258172A CN202011108206.8A CN202011108206A CN112258172A CN 112258172 A CN112258172 A CN 112258172A CN 202011108206 A CN202011108206 A CN 202011108206A CN 112258172 A CN112258172 A CN 112258172A
- Authority
- CN
- China
- Prior art keywords
- data
- payment
- machine learning
- degradation
- user behavior
- 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
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
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
- G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的支付自动降级的方法,由支付降级系统完成,该支付降级系统又由数据采集系统、数据处理系统、模型训练系统以及支付系统组成;包括(1)通过数据采集系统完成用户数据的采集和存储,并得到用户行为历史数据和用户行为实时数据;(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算,形成训练样本数据等步骤。本发明提供一种基于机器学习的支付自动降级的方法,通过机器学习的方式来完成渠道支付流量的预测,从而有效的判断未来一段时间的渠道支付流量是否达到阈值,进而提前采取降级方案,以保证服务的高可用,同时有效的提高了系统的智能性,促及了企业与行业的发展。
Description
技术领域
本发明属于支付优化领域,具体是指一种基于机器学习的支付自动降级的方法。
背景技术
降级方案是保护接口稳定性的重要手段之一,而重要的接口更需要保证其高可用性。如今的支付平台包含多种支付方式,而当某一个支付渠道的流量过多时则需要采用降级策略,以保证支付接口整体的可用性。
常见的降级方案包含自动降级和手动降级,手动降级每次需要人工操作,其操作繁杂且使用成本相对较高,所以系统需要根据更智能的方案以完成自动降级。如何提高系统的智能性,使得系统能够自动完成降级则是如今各个企业研发的重点方向。
发明内容
本发明的目的在于克服上述问题,提供一种基于机器学习的支付自动降级的方法,通过机器学习的方式来完成渠道支付流量的预测,从而有效的判断未来一段时间的渠道支付流量是否达到阈值,进而提前采取降级方案,以保证服务的高可用,同时有效的提高了系统的智能性,促及了企业与行业的发展。
本发明的目的通过下述技术方案实现:
一种基于机器学习的支付自动降级的方法,由支付降级系统完成,该支付降级系统由数据采集系统、数据处理系统、模型训练系统以及支付系统组成;其中,数据采集系统负责采集用户实时数据行为,数据处理系统负责定期将单位时间的业务数据组装成特征数据,模型训练系统将样本数据输入到机器学习模型并进行模型训练,支付系统则是将最近单位时间内的样本数据输入到机器学习模型中从而预测渠道的支付数据并根据预测的支付流量判断是否采用降级策略。
包括以下步骤:
(1)通过数据采集系统完成用户数据的采集和存储,并得到用户行为历史数据和用户行为实时数据;
(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算,形成训练样本数据;
(3)通过模型训练系统中的机器学习模型对训练样本数据进行训练;
(4)将用户行为实时数据导入模型训练系统并由机器学习模型对用户行为实时数据进行预测得到预测结果;
(5)支付系统判断预测结果是否超过阀值,若未超过阀值则不进行降级处理,若超过阀值则自动对相应的支付渠道进行降级处理。
步骤(1)中所述数据采集系统采集的用户数据包括浏览数据、搜索数据、加购物车数据、收藏数据、下单数据、商品访问数量数据、商品访问类型数据以及支付数据。
步骤(2)中数据处理系统的具体工作步骤为:
(21)设置定时任务,并通过定时任务将单位时间内所有的用户数据进行处理,并累计求和;
(22)通过特征工程将数据进行空值处理、均一化处理、离散化处理、异常值处理;
(23)将特征工程处理后的数据存入到样本数据库中。
步骤(3)中机器学习模型通过神经网络进行模型训练,具体的模型训练过程为:
(31)将样本数据库中的数据导入机器学习模型中;
(32)机器学习模型将数据放入神经网络的输入层;
(33)神经网络对输入层的数据进行模拟学习获得隐藏层1;
(34)神经网络对隐藏层1的数据进行模拟学习获得隐藏层2;
(35)神经网络对隐藏层2的数据进行模拟学习得出结果,即渠道支付数量。
步骤(4)中预测结果的获得方法为:
(41)将用户行为实时数据导入机器学习模型中;
(42)机器学习模型将用户行为实时数据放入神经网络的输入层;
(43)机器学习模型根据步骤(3)获得的结果模拟出预测结果,即预测各个渠道的支付数量。
步骤(5)将对步骤(4)预测的各个渠道的支付数量分别进行阀值判定,并对所有超过阀值的支付渠道进行降级处理。
本发明与现有技术相比,具有以下优点及有益效果:
本发明通过机器学习的方式来完成渠道支付流量的预测,从而有效的判断未来一段时间的渠道支付流量是否达到阈值,进而提前采取降级方案,以保证服务的高可用,同时有效的提高了系统的智能性,促及了企业与行业的发展。
附图说明
图1为本发明的流程图。
图2为本发明的机器学习模型中神经网络的流程图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1所示,一种基于机器学习的支付自动降级的方法,由支付降级系统完成,该支付降级系统又由数据采集系统、数据处理系统、模型训练系统以及支付系统组成;其中,数据采集系统负责采集用户实时数据行为,数据处理系统负责定期将单位时间的业务数据组装成特征数据,模型训练系统将样本数据输入到机器学习模型并进行模型训练,支付系统则是将最近单位时间内的样本数据输入到机器学习模型中从而预测渠道的支付数据并根据预测的支付流量判断是否采用降级策略。
包括以下步骤:
(1)通过数据采集系统完成用户数据的采集和存储,并得到用户行为历史数据和用户行为实时数据;
所述数据采集系统采集的用户数据包括浏览数据、搜索数据、加购物车数据、收藏数据、下单数据、商品访问数量数据、商品访问类型数据以及支付数据。
(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算,形成训练样本数据;
数据处理系统的具体工作步骤为:
(21)设置定时任务,并通过定时任务将单位时间内所有的用户数据进行处理,并累计求和;
(22)通过特征工程将数据进行空值处理、均一化处理、离散化处理、异常值处理;
(23)将特征工程处理后的数据存入到样本数据库中。
(3)通过模型训练系统中的机器学习模型对训练样本数据进行训练;
机器学习模型通过神经网络进行模型训练,具体的模型训练过程为:
(31)将样本数据库中的数据导入机器学习模型中;
(32)机器学习模型将数据放入神经网络的输入层;
(33)神经网络对输入层的数据进行模拟学习获得隐藏层1;
(34)神经网络对隐藏层1的数据进行模拟学习获得隐藏层2;
(35)神经网络对隐藏层2的数据进行模拟学习得出结果,即渠道支付数量。
(4)将用户行为实时数据导入模型训练系统并由机器学习模型对用户行为实时数据进行预测得到预测结果;
预测结果的获得方法为:
(41)将用户行为实时数据导入机器学习模型中;
(42)机器学习模型将用户行为实时数据放入神经网络的输入层;
(43)机器学习模型根据步骤(3)获得的结果模拟出预测结果,即预测各个渠道的支付数量。
(5)支付系统判断预测结果是否超过阀值,若未超过阀值则不进行降级处理,若超过阀值则自动对相应的支付渠道进行降级处理。
该步骤将对步骤(4)预测的各个渠道的支付数量分别进行阀值判定,并对所有超过阀值的支付渠道进行降级处理。
如上所述,便可很好的实现本发明。
Claims (7)
1.一种基于机器学习的支付自动降级的方法,其特征在于:由支付降级系统完成,该支付降级系统由数据采集系统、数据处理系统、模型训练系统以及支付系统组成;其中,数据采集系统负责采集用户实时数据行为,数据处理系统负责定期将单位时间的业务数据组装成特征数据,模型训练系统将样本数据输入到机器学习模型并进行模型训练,支付系统则是将最近单位时间内的样本数据输入到机器学习模型中从而预测渠道的支付数据并根据预测的支付流量判断是否采用降级策略。
2.根据权利要求1所述的一种基于机器学习的支付自动降级的方法,其特征在于:包括以下步骤:
(1)通过数据采集系统完成用户数据的采集和存储,并得到用户行为历史数据和用户行为实时数据;
(2)通过数据处理系统对存储的用户行为历史数据进行统计与计算,形成训练样本数据;
(3)通过模型训练系统中的机器学习模型对训练样本数据进行训练;
(4)将用户行为实时数据导入模型训练系统并由机器学习模型对用户行为实时数据进行预测得到预测结果;
(5)支付系统判断预测结果是否超过阀值,若未超过阀值则不进行降级处理,若超过阀值则自动对相应的支付渠道进行降级处理。
3.根据权利要求2所述的一种基于机器学习的支付自动降级的方法,其特征在于:步骤(1)中所述数据采集系统采集的用户数据包括浏览数据、搜索数据、加购物车数据、收藏数据、下单数据、商品访问数量数据、商品访问类型数据以及支付数据。
4.根据权利要求3所述的一种基于机器学习的支付自动降级的方法,其特征在于:步骤(2)中数据处理系统的具体工作步骤为:
(21)设置定时任务,并通过定时任务将单位时间内所有的用户数据进行处理,并累计求和;
(22)通过特征工程将数据进行空值处理、均一化处理、离散化处理、异常值处理;
(23)将特征工程处理后的数据存入到样本数据库中。
5.根据权利要求4所述的一种基于机器学习的支付自动降级的方法,其特征在于:步骤(3)中机器学习模型通过神经网络进行模型训练,具体的模型训练过程为:
(31)将样本数据库中的数据导入机器学习模型中;
(32)机器学习模型将数据放入神经网络的输入层;
(33)神经网络对输入层的数据进行模拟学习获得隐藏层1;
(34)神经网络对隐藏层1的数据进行模拟学习获得隐藏层2;
(35)神经网络对隐藏层2的数据进行模拟学习得出结果,即渠道支付数量。
6.根据权利要求5所述的一种基于机器学习的支付自动降级的方法,其特征在于:步骤(4)中预测结果的获得方法为:
(41)将用户行为实时数据导入机器学习模型中;
(42)机器学习模型将用户行为实时数据放入神经网络的输入层;
(43)机器学习模型根据步骤(3)获得的结果模拟出预测结果,即预测各个渠道的支付数量。
7.根据权利要求6所述的一种基于机器学习的支付自动降级的方法,其特征在于:步骤(5)将对步骤(4)预测的各个渠道的支付数量分别进行阀值判定,并对所有超过阀值的支付渠道进行降级处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108206.8A CN112258172A (zh) | 2020-10-16 | 2020-10-16 | 一种基于机器学习的支付自动降级的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108206.8A CN112258172A (zh) | 2020-10-16 | 2020-10-16 | 一种基于机器学习的支付自动降级的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258172A true CN112258172A (zh) | 2021-01-22 |
Family
ID=74244274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108206.8A Pending CN112258172A (zh) | 2020-10-16 | 2020-10-16 | 一种基于机器学习的支付自动降级的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258172A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070038560A1 (en) * | 2005-08-12 | 2007-02-15 | Carl Ansley | Transaction payment system and processing |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN108416591A (zh) * | 2018-02-28 | 2018-08-17 | 四川新网银行股份有限公司 | 一种金融交易中通过api接口实现交易主动限流的方法 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN108712350A (zh) * | 2018-06-05 | 2018-10-26 | 中国农业银行股份有限公司 | 基于自定义规则可实时自动调控的流量控制方法及装置 |
CN109257398A (zh) * | 2017-07-12 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种业务对象的推送方法及设备 |
CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
-
2020
- 2020-10-16 CN CN202011108206.8A patent/CN112258172A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070038560A1 (en) * | 2005-08-12 | 2007-02-15 | Carl Ansley | Transaction payment system and processing |
CN107093096A (zh) * | 2016-12-15 | 2017-08-25 | 口碑控股有限公司 | 一种业务量预测方法及装置 |
CN109257398A (zh) * | 2017-07-12 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种业务对象的推送方法及设备 |
CN108416591A (zh) * | 2018-02-28 | 2018-08-17 | 四川新网银行股份有限公司 | 一种金融交易中通过api接口实现交易主动限流的方法 |
CN108712350A (zh) * | 2018-06-05 | 2018-10-26 | 中国农业银行股份有限公司 | 基于自定义规则可实时自动调控的流量控制方法及装置 |
CN108632164A (zh) * | 2018-08-17 | 2018-10-09 | 四川新网银行股份有限公司 | 基于时间序列预测的开放平台网关智能流控方法 |
CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN102129442A (zh) | 一种分布式数据库系统和数据访问方法 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN103745106A (zh) | 一种短时交通流预测方法 | |
CN105809277A (zh) | 一种电力营销稽查精益化管控主题大数据预测方法 | |
CN113223291B (zh) | 停车场空闲车位数量预测系统及方法 | |
CN106600044B (zh) | 一种车辆销售量预测模型确定的方法及装置 | |
CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
CN113538067A (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN116011749A (zh) | 共享电单车的车辆管理方法、装置、电子设备和存储介质 | |
CN112258172A (zh) | 一种基于机器学习的支付自动降级的方法 | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN105302909B (zh) | 基于分区偏移计算的网络安全日志系统大数据检索方法 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN112532643A (zh) | 基于深度学习的流量异常检测方法、系统、终端及介质 | |
CN113592064B (zh) | 环抛机工艺参数预测方法、系统、应用、终端及介质 | |
CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
CN113096377B (zh) | 一种基于城市异质性的车辆合乘规划方法 | |
CN112560908A (zh) | 一种云端协同的负荷辨识系统及方法 | |
CN111859783A (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
CN111143774A (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN115391985B (zh) | 一种基于系统动力学的金属资源代谢过程预测方法 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN115204512B (zh) | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 | |
CN112529323B (zh) | 用于监测区域水质的优化布点方法、系统及存储介质 |
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 |