CN113139686A - 交易量动态阈值监控方法及装置 - Google Patents
交易量动态阈值监控方法及装置 Download PDFInfo
- Publication number
- CN113139686A CN113139686A CN202110446328.6A CN202110446328A CN113139686A CN 113139686 A CN113139686 A CN 113139686A CN 202110446328 A CN202110446328 A CN 202110446328A CN 113139686 A CN113139686 A CN 113139686A
- Authority
- CN
- China
- Prior art keywords
- transaction amount
- month
- trading volume
- predicted
- monitoring
- 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 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种交易量动态阈值监控方法及装置,所述方法包括:根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量;根据所述第一交易量和所述第二交易量确定预测交易量;根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息,本发明可提高对交易量的异常监控准确度。
Description
技术领域
本发明涉及计算机运维技术领域,尤其涉及一种交易量动态阈值监控方法及装置。
背景技术
在生产系统的日常运维中,对于业务指标数据的监控一般会采取自动恒定阈值和动态阈值两种方式对例如交易量的业务指标数据进行监控。其中,自动恒定阈值是采用人为设置固定阈值的方式对业务指标数据进行监控。动态阈值是在对业务日志或业务数据的实时统计分析的基础上对业务指标数据进行监控。但是,对于金融机构的交易量来说,客户交易行为在一天中具有较大的波动性,设置恒定阈值会出现大量漏报和误报的情况,而动态阈值的方式在不同数据时呈现较大的误差,不能单纯套用现有模型和现有建构直接进行拟合得到动态阈值。因此,现有的交易量的业务指标数据监控存在监控不准确、大量漏报误报的情况。
发明内容
本发明的一个目的在于提供一种交易量动态阈值监控方法,提高了对交易量的异常监控准确度。本发明的另一个目的在于提供一种交易量动态阈值监控装置。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的,本发明一方面公开了一种交易量动态阈值监控方法,包括:
根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量;
根据所述第一交易量和所述第二交易量确定预测交易量;
根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
优选的,所述根据历史交易量预测目标月份的交易量得到第一交易量具体包括:
根据所述历史交易量确定交易量每个月的同比增长率;
根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量。
优选的,所述根据所述历史交易量确定交易量每个月的同比增长率具体包括:
确定历史交易量中相邻两个月中后一个月与前一个月的交易量的差值;
确定所述差值与所述前一个月的交易量之比为后一个月的同比增长率;
确定历史交易量中每个月的同比增长率。
优选的,所述根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量具体包括:
将所述目标月份前一个月的交易量与所述目标月份对应的同比增长率相乘得到目标月份的第一交易量。
优选的,所述ARIMA模型包括自回归模型和移动平均模型。
优选的,所述根据所述第一交易量和所述第二交易量确定预测交易量具体包括:
若所述第一交易量大于所述第二交易量,确定所述第二交易量为预测交易量,否则,采用所述第二交易量减去所述第一交易量后除以交易量的个数得到预测交易量。
优选的,所述根据所述预测交易量对目标月份的实际交易量进行监控具体包括:
当所述目标月份的实际交易量与所述预测交易量的差值超过预设阈值,确定所述实际交易量异常。
本发明还公开了一种交易量动态阈值监控装置,包括:
交易量预测模块,用于根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量;
交易量修正模块,用于根据所述第一交易量和所述第二交易量确定预测交易量;
交易量监控模块,用于根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
本发明还公开了一种计算机设备,包括存储器、处理器以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如上所述方法。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,
该程序被处理器执行时实现如上所述方法。
本发明通过历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型进行动态阈值监控。ARIMA模型可对目标月份的交易量进行预测得到第二交易量,通过第一交易量对第二交易量进行修正以确定最终的预测交易量。从而本发明通过历史交易量预测对ARIMA模型预测的交易量进行修正,实现方式简单且能够提高交易量的监控准确度。
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,下面描述中的附图仅仅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示出本发明交易量动态阈值监控方法一个具体实施例的流程图;
图2示出本发明交易量动态阈值监控方法一个具体实施例S100的流程图;
图3示出本发明交易量动态阈值监控方法一个具体实施例S110的流程图;
图4示出本发明交易量动态阈值监控方法一个具体实施例确定预测交易量的示意图;
图5示出本发明交易量动态阈值监控装置一个具体实施例的结构图;
图6示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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做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。
现有技术中,对于金融机构交易量的监控通常采取自动恒定阈值和动态阈值两种方式。其中,恒定阈值方式是指运维人员在服务器端设定服务器应用指标(交易量)超过一个合理值自动报警,并对服务器异常的波动状态进行报警。恒定阈值方式一般都是采用人工经验判定,根据已往的交易成功率进行合理值的估算。动态阈值方式在业务日志\数据的实时统计分析基础上做监控预警以及辅助定位,例如目前阿里的监控平台Goldeneye采取了动态阈值方式。动态阈值的合理值预测的理论基础是高斯分布和均值漂移模型。动态阈值监控的步骤分为样本选取、异常样本筛出、样本截取和预测合理值。其中还引入了均值漂移模型来寻找变点,所谓变点就是持续微量下跌到一定时间,累计变化量到一定程度后,使得变点前后检测指标在一段时间内的均值发生漂移。在一个具体例子中,动态阈值监控的步骤包括:(1)样本选取:根据实际需求选取过去50天左右的样本。(2)异常样本筛除:这个过程主要是用高斯分布函数过滤调函数值小于0.01或者标准房产绝对值大于1的样本。(3)样本截取:对历史样本在时间序列上进行分段检验,如果有周期性变化或者持续单调变化,则会反复迭代均值漂移模型寻找均值漂移点,然后截取离当前日期最近的一段。(4)预测合理值:经过(2)和(3)的筛选,截取剩下的样本基本上是最理想的样本。在此基础上,保持样本在日期上的顺序,按指数平滑法预测目标日期的基准值,得到基准值一会后根据灵敏度或者阈值系数,计算阈值的上下线。
然而,金融机构交易量业务数据具有强时间规律性,将现有技术的以上两种业务数据监控方式直接应用于金融机构交易量的监控可能会导致大量漏报误报的情况出现。并且,金融机构只需要监控短期实时业务的情况。由此,本发明采用ARIMA模型进行训练并对ARIMA模型通过目标月份的月度预测进行优化以提高预测能力。本发明的计算耗时小,可以进行实时计算,实现简单并可提高金融机构交易量的监控能力,具有可实施性高的特点。
基于此,根据本发明的一个方面,本实施例公开了一种交易量动态阈值监控方法。如图1所示,本实施例中,所述方法包括:
S100:根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量。
S200:根据所述第一交易量和所述第二交易量确定预测交易量。
S300:根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
本发明通过历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型进行动态阈值监控。ARIMA模型可对目标月份的交易量进行预测得到第二交易量,通过第一交易量对第二交易量进行修正以确定最终的预测交易量。从而本发明通过历史交易量预测对ARIMA模型预测的交易量进行修正,实现方式简单且能够提高交易量的监控准确度。
在优选的实施方式中,如图2所示,所述S100根据历史交易量预测目标月份的交易量得到第一交易量具体包括:
S110:根据所述历史交易量确定交易量每个月的同比增长率。
S120:根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量。
具体的,本发明首先通过对目标月份的交易量进行月度预测得到第一交易量。其中,可根据历史交易量得到历史各个月份的实际的历史交易量,根据相邻的两个月份的历史交易量变化可得到相邻两个月份中后一个月份相对于前一个月份的交易量的同比增长率。从而,可计算得到往年各个月份的同比增长率,根据各月的同比增长率和已知交易量的历史月份预测得到目标月份的交易量。例如,在一个具体例子中,已知去年5月份相对于4月份的同比增长率以及今年4月(已知交易量的历史月份)的交易量。在今年4月份的交易量的基础上通过该同比增长率可预测得到今年5月份(目标月份)的月度交易量,作为第一交易量。在实际应用中,也可以根据其他已知交易量的历史月份以及历史对应月份的同比增长率计算得到目标月份的第一交易量,本发明对此并不作限定。
在优选的实施方式中,如图3所示,所述S110根据所述历史交易量确定交易量每个月的同比增长率具体包括:
S111:确定历史交易量中相邻两个月中后一个月与前一个月的交易量的差值。
S112:确定所述差值与所述前一个月的交易量之比为后一个月的同比增长率。
S113:确定历史交易量中每个月的同比增长率。
具体的,根据历史交易量中各个月份的交易量可计算得到每个月相比于上一个月的同比增长率,从而可得到所需的历史各个月份的同比增长率。通过对金融机构多年的历史交易量数据进行分析,发现金融机构的交易量在年度上呈现与经济环境等因素无关的无规律性波动,但是每年各月的交易量形成的曲线呈现基本相同的波动性,即月度的同比增长率在各年中基本相同。由此,优选的可计算去年一年各个月份的同比增长率,作为今年待预测目标月份的同比增长率以对目标月份进行交易量预测。
在优选的实施方式中,所述S120根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量具体包括:
S121:将所述目标月份前一个月的交易量与所述目标月份对应的同比增长率相乘得到目标月份的第一交易量。
其中,xi为相邻两个月中后一个月相比于前一个月的同比增长率,yi为相邻两个月中后一个月的交易量,yi-1为相邻两个月中前一个月的交易量。
进而,根据该同比增长率可估算出目标月份的交易量:
zi=zi-1×xi
其中,zi为待预测的目标月份的交易量,zi-1为目标月份上一个月的实际交易量,xi为目标月份对应的往年相同月份的,同比增长率。
在优选的实施方式中,所述ARIMA模型包括自回归模型和移动平均模型。
具体的,ARIMA模型由于良好的统计特征是应用最广泛的时间序列模型,各种指数平滑模型都可以用ARIMA模型来实现。ARIMA中的AR指自回归模型,该回归模型的函数表达式为:
其中,yt1是自回归模型当前值,μ是常数项,p是阶数,γi是自相关系数,εt是误差,yt-i为i天前的值。该回归模型描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测。
MA指移动平均模型。移动平均模型关注的是自回归模型中的误差项的累加,移动平均法能有效的消除预测中随机波动,q阶自回归过程的公式定义为:
yt=yt1+yt2
其中,yt是ARIMA模型当前值,yt2是移动平均模型当前值,θi为自回归参数,ARIMA建模流程是将序列平稳p和q阶数确定,p和q分别为自回归模型与移动平均模型的除数,可以采用穷举法获取模型的BIC(贝叶思信息量),BIC值越小模型越优。ARIMA算法简单训练成本低,对短时间的预测曲线有较高准确性。
在优选的实施方式中,所述S200根据所述第一交易量和所述第二交易量确定预测交易量具体可包括:
S210:若所述第一交易量大于所述第二交易量,确定所述第二交易量为预测交易量,否则,采用所述第二交易量减去所述第一交易量后除以交易量的个数得到预测交易量。
具体的,如图4所示,本发明采用目标月份的同比增长率交易量预测和ARIMA模型的交易量预测来综合预估目标月份业务交易量情况,根据第一交易量对第二交易量进行修正得到预测交易量,以修正后的预测交易量作为交易量监控的动态阈值。在一个具体例子中,首先计算去年12个月的同比增长率。根据本月的交易量zi-1和同比增长率xi预估出下月的交易量zi。再根据前6个月(作为移动窗口)每小时的交易量曲线(训练数据集m=6×30×24)。预测本月的每小时交易量(交易量个数n=30×24),可预测出月度的交易曲线,将ARIMA模型预测的下月交易进行累加和与月度预测的交易量zi进行对比,当交易量zi大于ARIMA模型预测交易量yt时,以ARIMA模型为预测值;当交易量zi小于ARIMA模型预测交易量yt时,将ARIMA预测值减去与月度模型zi的差值除以交易量的个数得到预测交易量,即预测交易量其中,n为预测的交易量个数。
在优选的实施方式中,所述S300根据所述预测交易量对目标月份的实际交易量进行监控具体包括:
S310:当所述目标月份的实际交易量与所述预测交易量的差值超过预设阈值,确定所述实际交易量异常。
具体的,通过目标月份的预测交易量对目标月份的实际交易量进行监控。可以预测交易量为基准值,根据实际的灵敏度或者阈值系数需求设置基准值上下浮动的浮动范围作为预设阈值。若目标月份的实际交易量与预测交易量的差值小于预设阈值,表示实际交易量在正常的浮动范围内,若目标月份的实际交易量与预测交易量的差值大于预设阈值,表示实际交易量可能存在异常,可根据该异常情况向运维人员反馈报警信息,以使运维人员对业务交易数据进行排查。
本发明将ARIMA模型运用到交易量预测中,优化现有的动态阈值预测模型,提高预测的准确性。同时,本发明对ARIMA模型的交易量的预估结果采用月度预测进行调整,可以直观知道交易量和交易分布。本发明的交易量动态阈值监控方法操作简单,可运用现有模型和现有规律进行交易量预测,根据现有预测可进行动态监控阈值的设定。针对银行等金融机构的稳定客户稳定交易量场景下的监控效果和实用性高。
基于相同原理,本实施例还公开了一种交易量动态阈值监控装置。如图5所示,本实施例中,所述装置包括交易量预测模块11、交易量修正模块12和交易量监控模块13。
其中,所述交易量预测模块11用于根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量。
所述交易量修正模块12用于根据所述第一交易量和所述第二交易量确定预测交易量。
所述交易量监控模块13用于根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
本发明通过历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型进行动态阈值监控。ARIMA模型可对目标月份的交易量进行预测得到第二交易量,通过第一交易量对第二交易量进行修正以确定最终的预测交易量。从而本发明通过历史交易量预测对ARIMA模型预测的交易量进行修正,实现方式简单且能够提高交易量的监控准确度。
在优选的实施方式中,所述交易量预测模块11具体用于根据所述历史交易量确定交易量每个月的同比增长率。根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量。
具体的,本发明首先通过对目标月份的交易量进行月度预测得到第一交易量。其中,可根据历史交易量得到历史各个月份的实际的历史交易量,根据相邻的两个月份的历史交易量变化可得到相邻两个月份中后一个月份相对于前一个月份的交易量的同比增长率。从而,可计算得到往年各个月份的同比增长率,根据各月的同比增长率和已知交易量的历史月份预测得到目标月份的交易量。例如,在一个具体例子中,已知去年5月份相对于4月份的同比增长率以及今年4月(已知交易量的历史月份)的交易量。在今年4月份的交易量的基础上通过该同比增长率可预测得到今年5月份(目标月份)的月度交易量,作为第一交易量。在实际应用中,也可以根据其他已知交易量的历史月份以及历史对应月份的同比增长率计算得到目标月份的第一交易量,本发明对此并不作限定。
在优选的实施方式中,所述交易量预测模块11具体用于确定历史交易量中相邻两个月中后一个月与前一个月的交易量的差值。确定所述差值与所述前一个月的交易量之比为后一个月的同比增长率。确定历史交易量中每个月的同比增长率。
具体的,根据历史交易量中各个月份的交易量可计算得到每个月相比于上一个月的同比增长率,从而可得到所需的历史各个月份的同比增长率。通过对金融机构多年的历史交易量数据进行分析,发现金融机构的交易量在年度上呈现与经济环境等因素无关的无规律性波动,但是每年各月的交易量形成的曲线呈现基本相同的波动性,即月度的同比增长率在各年中基本相同。由此,优选的可计算去年一年各个月份的同比增长率,作为今年待预测目标月份的同比增长率以对目标月份进行交易量预测。
在优选的实施方式中,所述交易量预测模块11具体用于将所述目标月份前一个月的交易量与所述目标月份对应的同比增长率相乘得到目标月份的第一交易量。
其中,xi为相邻两个月中后一个月相比于前一个月的同比增长率,yi为相邻两个月中后一个月的交易量,yi-1为相邻两个月中前一个月的交易量。
进而,根据该同比增长率可估算出目标月份的交易量:
zi=zi-1×xi
其中,zi为待预测的目标月份的交易量,zi-1为目标月份上一个月的实际交易量,xi为目标月份对应的往年相同月份的,同比增长率。
在优选的实施方式中,所述ARIMA模型包括自回归模型和移动平均模型。
具体的,ARIMA模型由于良好的统计特征是应用最广泛的时间序列模型,各种指数平滑模型都可以用ARIMA模型来实现。ARIMA中的AR指自回归模型,该回归模型的函数表达式为:
其中,yt1是自回归模型当前值,μ是常数项,p是阶数,γi是自相关系数,εt是误差,yt-i为i天前的值。该回归模型描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测。
MA指移动平均模型。移动平均模型关注的是自回归模型中的误差项的累加,移动平均法能有效的消除预测中随机波动,q阶自回归过程的公式定义为:
yt=yt1+yt2
其中,yt是ARIMA模型当前值,yt2是移动平均模型当前值,ARIMA建模流程是将序列平稳p和q阶数确定,p和q分别为自回归模型与移动平均模型的除数,可以采用穷举法获取模型的BIC(贝叶思信息量),BIC值越小模型越优。ARIMA算法简单训练成本低,对短时间的预测曲线有较高准确性。
在优选的实施方式中,所述交易量监控模块13具体用于若所述第一交易量大于所述第二交易量,确定所述第二交易量为预测交易量,否则,采用所述第二交易量减去所述第一交易量后除以交易量的个数得到预测交易量。
具体的,本发明采用目标月份的同比增长率交易量预测和ARIMA模型的交易量预测来综合预估目标月份业务交易量情况,根据第一交易量对第二交易量进行修正得到预测交易量,以修正后的预测交易量作为交易量监控的动态阈值。在一个具体例子中,首先计算去年12个月的同比增长率。根据本月的交易量zi-1和同比增长率xi预估出下月的交易量zi。再根据前6个月(作为移动窗口)每小时的交易量曲线(训练数据集m=6×30×24)。预测本月的每小时交易量(交易量个数n=30×24),可预测出月度的交易曲线,将ARIMA模型预测的下月交易进行累加和与月度预测的交易量zi进行对比,当交易量zi大于ARIMA模型预测交易量yt时,以ARIMA模型为预测值;当交易量zi小于ARIMA模型预测交易量yt时,将ARIMA预测值减去与月度模型zi的差值除以交易量的个数得到预测交易量,即预测交易量其中,n为预测的交易量个数。
在优选的实施方式中,所述交易量监控模块13具体用于当所述目标月份的实际交易量与所述预测交易量的差值超过预设阈值,确定所述实际交易量异常。
具体的,通过目标月份的预测交易量对目标月份的实际交易量进行监控。可以预测交易量为基准值,根据实际的灵敏度或者阈值系数需求设置基准值上下浮动的浮动范围作为预设阈值。若目标月份的实际交易量与预测交易量的差值小于预设阈值,表示实际交易量在正常的浮动范围内,若目标月份的实际交易量与预测交易量的差值大于预设阈值,表示实际交易量可能存在异常,可根据该异常情况向运维人员反馈报警信息,以使运维人员对业务交易数据进行排查。
本发明将ARIMA模型运用到交易量预测中,优化现有的动态阈值预测模型,提高预测的准确性。同时,本发明对ARIMA模型的交易量的预估结果采用月度预测进行调整,可以直观知道交易量和交易分布。本发明的交易量动态阈值监控方法操作简单,可运用现有模型和现有规律进行交易量预测,根据现有预测可进行动态监控阈值的设定。针对银行等金融机构的稳定客户稳定交易量场景下的监控效果和实用性高。
由于该装置解决问题的原理与以上方法类似,因此本装置的实施可以参见方法的实施,在此不再赘述。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以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如上所述的由客户端执行的方法,或者,所述处理器执行所述程序时实现如上所述的由服务器执行的方法。
下面参考图6,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图6所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种交易量动态阈值监控方法,其特征在于,包括:
根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量;
根据所述第一交易量和所述第二交易量确定预测交易量;
根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
2.根据权利要求1所述的交易量动态阈值监控方法,其特征在于,所述根据历史交易量预测目标月份的交易量得到第一交易量具体包括:
根据所述历史交易量确定交易量每个月的同比增长率;
根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量。
3.根据权利要求2所述的交易量动态阈值监控方法,其特征在于,所述根据所述历史交易量确定交易量每个月的同比增长率具体包括:
确定历史交易量中相邻两个月中后一个月与前一个月的交易量的差值;
确定所述差值与所述前一个月的交易量之比为后一个月的同比增长率;
确定历史交易量中每个月的同比增长率。
4.根据权利要求2所述的交易量动态阈值监控方法,其特征在于,所述根据已知交易量的历史月份和所述每个月的同比增长率得到所述目标月份的第一交易量具体包括:
将所述目标月份前一个月的交易量与所述目标月份对应的同比增长率相乘得到目标月份的第一交易量。
5.根据权利要求1所述的交易量动态阈值监控方法,其特征在于,所述ARIMA模型包括自回归模型和移动平均模型。
6.根据权利要求1所述的交易量动态阈值监控方法,其特征在于,所述根据所述第一交易量和所述第二交易量确定预测交易量具体包括:
若所述第一交易量大于所述第二交易量,确定所述第二交易量为预测交易量,否则,采用所述第二交易量减去所述第一交易量后除以交易量的个数得到预测交易量。
7.根据权利要求1所述的交易量动态阈值监控方法,其特征在于,所述根据所述预测交易量对目标月份的实际交易量进行监控具体包括:
当所述目标月份的实际交易量与所述预测交易量的差值超过预设阈值,确定所述实际交易量异常。
8.一种交易量动态阈值监控装置,其特征在于,包括:
交易量预测模块,用于根据历史交易量预测目标月份的交易量得到第一交易量,通过ARIMA模型预测目标月份的交易量得到第二交易量;
交易量修正模块,用于根据所述第一交易量和所述第二交易量确定预测交易量;
交易量监控模块,用于根据所述预测交易量对目标月份的实际交易量进行监控,若所述实际交易量异常,向运维人员反馈报警信息。
9.一种计算机设备,包括存储器、处理器以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如权利要求1-7任一项所述方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,
该程序被处理器执行时实现如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446328.6A CN113139686A (zh) | 2021-04-25 | 2021-04-25 | 交易量动态阈值监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446328.6A CN113139686A (zh) | 2021-04-25 | 2021-04-25 | 交易量动态阈值监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139686A true CN113139686A (zh) | 2021-07-20 |
Family
ID=76811896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110446328.6A Pending CN113139686A (zh) | 2021-04-25 | 2021-04-25 | 交易量动态阈值监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139686A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846525A (zh) * | 2018-08-02 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN109816137A (zh) * | 2017-11-21 | 2019-05-28 | 银联数据服务有限公司 | 一种交易量监测方法及装置 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
CN110955695A (zh) * | 2019-09-16 | 2020-04-03 | 北京三快在线科技有限公司 | 一种数据处理方法及装置 |
CN111242284A (zh) * | 2020-01-10 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 预测方法及装置 |
CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
-
2021
- 2021-04-25 CN CN202110446328.6A patent/CN113139686A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816137A (zh) * | 2017-11-21 | 2019-05-28 | 银联数据服务有限公司 | 一种交易量监测方法及装置 |
CN108846525A (zh) * | 2018-08-02 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN110287086A (zh) * | 2019-07-03 | 2019-09-27 | 中国工商银行股份有限公司 | 一种周期性时间的交易量预测方法及装置 |
CN110955695A (zh) * | 2019-09-16 | 2020-04-03 | 北京三快在线科技有限公司 | 一种数据处理方法及装置 |
CN111242284A (zh) * | 2020-01-10 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 预测方法及装置 |
CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10248528B2 (en) | System monitoring method and apparatus | |
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
US8374903B2 (en) | Information criterion-based systems and methods for constructing combining weights for multimodel forecasting and prediction | |
CN110400024B (zh) | 订单预测的方法、装置、设备和计算机可读存储介质 | |
Bee et al. | Realizing the extremes: Estimation of tail-risk measures from a high-frequency perspective | |
CN114138625A (zh) | 服务器健康状态的评估方法、系统、电子设备和存储介质 | |
WO2020257782A1 (en) | Factory risk estimation using historical inspection data | |
CN113962745A (zh) | 基于prophet模型及大数据的销量预测方法和系统 | |
US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
US20140164288A1 (en) | Systems for determining and providing a portfolio overlay for investment portfolio adjustment to mitigate financial risk | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
Beckmann et al. | Information rigidities and exchange rate expectations | |
Hayden | Estimation of a rating model for corporate exposures | |
CN113139686A (zh) | 交易量动态阈值监控方法及装置 | |
CN116992265A (zh) | 碳排放量估算方法、装置、设备和存储介质 | |
US8712890B2 (en) | Systems and methods for optimizing capital structure of a financial institution | |
CN115496205A (zh) | 检测模型训练、数据检测方法、装置、设备及存储介质 | |
Boyko | Data Interpretation Algorithm for Adaptive Methods of Modeling and Forecasting Time Series | |
CN113129127A (zh) | 预警方法和装置 | |
US20240046115A1 (en) | Generating reliability measures for machine-learned architecture predictions | |
CN111796995B (zh) | 基于集成学习的循环序列号使用量预警方法及系统 | |
US10515413B1 (en) | System and method for dynamically adapting asset allocation and withdrawal rates | |
KR102488653B1 (ko) | 재무제표 분석을 통한 가치 산출 및 차트 표시 서비스 제공 시스템 | |
Andjelic et al. | Extreme value theory in emerging markets |
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 |